CN112896191A - 轨迹处理方法、装置、电子设备和计算机可读介质 - Google Patents
轨迹处理方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112896191A CN112896191A CN202110249312.6A CN202110249312A CN112896191A CN 112896191 A CN112896191 A CN 112896191A CN 202110249312 A CN202110249312 A CN 202110249312A CN 112896191 A CN112896191 A CN 112896191A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- determining
- driving mode
- vehicle
- driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000004044 response Effects 0.000 claims description 75
- 230000001133 acceleration Effects 0.000 claims description 32
- 238000012890 quintic function Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开的实施例公开了轨迹处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:根据目标车辆的车辆信息和该目标车辆周围目标区域内的环境信息,确定行驶意图;根据该行驶意图,确定该目标车辆对应的驾驶模式;根据该驾驶模式,对该目标车辆进行轨迹规划和轨迹跟踪。该实施方式提高了自动驾驶车辆的行驶安全性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及轨迹处理方法、装置、电子设备和计算机可读介质。
背景技术
自动驾驶技术作为一种能够替代驾驶员驾驶车辆的技术,已经成为交通领域的研究重点。由于实际情况中的道路条件极其复杂,因此需要对自动驾驶车辆的行驶轨迹进行精准优化。目前,现有技术往往是根据高精度地图,进行轨迹规划。
然而,当采用上述方式时,经常会存在如下技术问题:
在局部轨迹规划过程中,高精度地图的精度难以满足自动驾驶车辆的轨迹规划要求,从而,影响自动驾驶车辆的行驶安全性。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了轨迹处理方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项。
第一方面,本公开的一些实施例提供了一种轨迹处理方法,该方法包括:根据目标车辆的车辆信息和上述目标车辆周围目标区域内的环境信息,确定行驶意图;根据上述行驶意图,确定上述目标车辆对应的驾驶模式;根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪。
可选地,上述根据上述行驶意图,确定上述目标车辆对应的驾驶模式,包括:响应于确定上述行驶意图表征车辆直行且不换道,将上述驾驶模式确定为第一驾驶模式。
可选地,上述根据上述行驶意图,确定上述目标车辆对应的驾驶模式,还包括:响应于确定上述行驶意图表征车辆制动,确定上述目标车辆对应的车道上的障碍物与上述目标车辆之间的相对速度;根据上述相对速度和预设时长,生成相对距离;响应于确定上述相对距离大于安全距离阈值,将上述驾驶模式确定为第一驾驶模式。
可选地,上述根据上述行驶意图,确定上述目标车辆对应的驾驶模式,还包括:响应于确定上述相对距离小于等于安全距离阈值,确定上述目标车辆的制动减速度值是否满足制动条件,其中,上述制动条件为上述制动减速度值小于等于安全减速度阈值;响应于确定上述目标车辆的制动减速度值满足制动条件,将上述驾驶模式确定为第二驾驶模式。
可选地,上述根据上述行驶意图,确定上述目标车辆对应的驾驶模式,还包括:响应于确定上述目标车辆的制动减速度值不满足制动条件,将上述驾驶模式确定为第三驾驶模式。
可选地,上述根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪,包括:根据上述驾驶模式,将上述目标车辆在行驶上述预设时长后的位置信息确定为候选位置信息;根据上述目标车辆的当前位置信息、上述候选位置信息和五次函数,生成上述目标车辆对应的模拟轨迹;通过加速度范数对上述模拟轨迹进行轨迹优化。
可选地,上述根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪,还包括:响应于确定上述驾驶模式为上述第一驾驶模式,最小化模型预测控制器的代价函数,得到车轮前轮转角参数和车速参数;根据上述目标车辆的转向传动比和上述车轮前轮转角参数,生成方向盘转角度。
可选地,根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪,还包括:响应于确定上述车速参数大于目标车速度值,控制上述目标车辆进行制动减速。
可选地,上述根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪,还包括:响应于确定上述车速参数小于等于目标车速,控制油门开合度。
可选地,上述控制上述目标车辆进行制动减速,包括:将上述车速参数和上述目标车速度值的差值,确定为车速差值;响应于确定上述车速差值小于等于0,基于上述车速差值,生成制动信号;基于上述制动信号,控制上述目标车辆上的制动控制器,以实现对上述目标车辆的制动减速。
可选地,上述控制油门开合度,包括:响应于确定上述车速差值大于0,基于上述车速差值,生成油门信号;基于上述油门信号,控制上述目标车辆上的驱动控制器,以实现对油门开合度的控制。
可选地,上述根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪,还包括:响应于确定上述驾驶模式为上述第二驾驶模式,控制上述目标车辆进行制动减速。
可选地,上述根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪,还包括:响应于确定上述驾驶模式为上述第三驾驶模式,控制上述目标车辆返回原始导航的道路。
可选地,上述根据目标车辆的车辆信息和上述目标车辆周围目标区域内的环境信息,确定行驶意图,包括:通过预先训练的行驶意图识别模型,根据上述车辆信息和上述环境信息,确定上述行驶意图。
第二方面,本公开的一些实施例提供了一种轨迹处理装置,装置包括:行驶意图确定单元,被配置成根据目标车辆的车辆信息和上述目标车辆周围目标区域内的环境信息,确定行驶意图;驾驶模式确定单元,被配置成根据上述行驶意图,确定上述目标车辆对应的驾驶模式;轨迹规划和轨迹跟踪单元,被配置成根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪。
可选地,上述驾驶模式确定单元被进一步配置成:响应于确定上述行驶意图表征车辆直行且不换道,将上述驾驶模式确定为第一驾驶模式。
可选地,上述驾驶模式确定单元被进一步配置成:响应于确定上述行驶意图表征车辆制动,确定上述目标车辆对应的车道上的障碍物与上述目标车辆之间的相对速度;根据上述相对速度和预设时长,生成相对距离;响应于确定上述相对距离大于安全距离阈值,将上述驾驶模式确定为第一驾驶模式。
可选地,上述驾驶模式确定单元被进一步配置成:响应于确定上述相对距离小于等于安全距离阈值,确定上述目标车辆的制动减速度值是否满足制动条件,其中,上述制动条件为上述制动减速度值小于等于安全减速度阈值;响应于确定上述目标车辆的制动减速度值满足制动条件,将上述驾驶模式确定为第二驾驶模式。
可选地,上述驾驶模式确定单元被进一步配置成:响应于确定上述目标车辆的制动减速度值不满足制动条件,将上述驾驶模式确定为第三驾驶模式。
可选地,上述轨迹规划和轨迹跟踪单元被进一配置成:根据上述驾驶模式,将上述目标车辆在行驶上述预设时长后的位置信息确定为候选位置信息;根据上述目标车辆的当前位置信息、上述候选位置信息和五次函数,生成上述目标车辆对应的模拟轨迹;通过加速度范数对上述模拟轨迹进行轨迹优化。
可选地,上述轨迹规划和轨迹跟踪单元被进一配置成:响应于确定上述驾驶模式为上述第一驾驶模式,最小化模型预测控制器的代价函数,得到车轮前轮转角参数和车速参数;根据上述目标车辆的转向传动比和上述车轮前轮转角参数,生成方向盘转角度。
可选地,上述轨迹规划和轨迹跟踪单元被进一配置成:响应于确定上述车速参数大于目标车速度值,控制上述目标车辆进行制动减速。
可选地,上述轨迹规划和轨迹跟踪单元被进一配置成:响应于确定上述车速参数小于等于目标车速,控制油门开合度。
可选地,上述轨迹规划和轨迹跟踪单元被进一配置成:将上述车速参数和上述目标车速度值的差值,确定为车速差值;响应于确定上述车速差值小于等于0,基于上述车速差值,生成制动信号;基于上述制动信号,控制上述目标车辆上的制动控制器,以实现对上述目标车辆的制动减速。
可选地,上述轨迹规划和轨迹跟踪单元被进一配置成:响应于确定上述车速差值大于0,基于上述车速差值,生成油门信号;基于上述油门信号,控制上述目标车辆上的驱动控制器,以实现对油门开合度的控制。
可选地,上述轨迹规划和轨迹跟踪单元被进一配置成:响应于确定上述驾驶模式为上述第二驾驶模式,控制上述目标车辆进行制动减速。
可选地,上述轨迹规划和轨迹跟踪单元被进一配置成:响应于确定上述驾驶模式为上述第三驾驶模式,控制上述目标车辆返回原始导航的道路。
可选地,上述行驶意图确定单元被进一步配置成:通过预先训练的行驶意图识别模型,根据上述车辆信息和上述环境信息,确定上述行驶意图。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的轨迹处理方法,提高了自动驾驶车辆的行驶安全性。具体来说,造成自动驾驶车辆的行驶安全性较低的原因在于:高精度地图的精度较低。基于此,本公开的一些实施例的轨迹处理方法,首先,通过车辆信息和周围目标区域内的环境信息,确定行驶意图。由于自动驾驶车辆的车辆状态和自动驾驶车辆周围障碍物(例如,车辆,行人等障碍物)往往是影响自动驾驶车辆行驶意图确定的主要因素。因此,通过车辆信息和环境信息,能够较为准确地确定自动驾驶车辆得行驶意图。其次,由于实际情况中,道路条件极其复杂,不同的行驶意图,需要采用不同的方式进行轨迹规划。因此,根据行驶意图,确定驾驶模式,以保证轨迹规划的精准性。最后,根据驾驶模式,对目标车辆进行轨迹规划和轨迹跟踪。上述目标车辆在行驶过程中。上述目标车辆的车辆信息和上述目标车辆周围目标区域内的环境信息。可能会发生变化。因此,可能会导致轨迹发生变化。通过轨迹跟踪可以对轨迹进行误差弥补。从而,提高了自动驾驶车辆避障能力。进而,提高了自动驾驶车辆在行驶过程中的安全性。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的轨迹处理方法的一个应用场景的示意图;
图2是根据本公开的轨迹处理方法的一些实施例的流程图;
图3是车辆信息生成的示意图;
图4是行驶意图和驾驶模式映射表的示意图;
图5是根据本公开的轨迹处理方法的另一些实施例的流程图;
图6是相对速度生成的示意图;
图7是行驶轨迹的示意图;
图8是根据本公开的轨迹处理装置的一些实施例的结构示意图;
图9是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的轨迹处理方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以根据目标车辆的车辆信息102(例如,{车辆纵向速度:30Km/h,车辆纵向加速度:2Km/h2,车辆横向速度:51.96Km/h,车辆横向加速度:22Km/h2,车辆偏离车道中心距离值:15cm})和上述目标车辆周围目标区域内的环境信息103(例如,至少一个三维点云数据:{(1,2,3),(2,3,4),(12,32,34)}),确定行驶意图104(例如,车辆减速)。其次,计算设备101可以根据上述行驶意图104,确定上述目标车辆对应的驾驶模式105(例如,“A”)。最后,计算设备101可以根据上述驾驶模式105,对上述目标车辆进行轨迹规划106和轨迹跟踪107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的轨迹处理方法的一些实施例的流程200。该轨迹处理方法,包括以下步骤:
步骤201,根据目标车辆的车辆信息和目标车辆周围目标区域内的环境信息,确定行驶意图。
在一些实施例中,轨迹处理方法的执行主体(例如图1所示的计算设备101)可以根据目标车辆的车辆信息和目标车辆周围目标区域内的环境信息,确定行驶意图。其中,上述目标车辆可以是自动驾驶车辆。上述车辆信息可以是表征车辆行驶状态的信息。上述车辆信息可以包括:车辆纵向速度,车辆纵向加速度,车辆横向速度,车辆横向加速度和车辆偏离车道中心距离值。上述车辆纵向速度可以是上述目标车辆的速度在竖直方向的速度分量。上述车辆纵向加速度可以是上述目标车辆的加速度在竖直方向的加速度分量。上述车辆横向速度可以是上述目标车辆的速度在水平方向的速度分量。上述车辆横向加速度可是上述目标车辆的加速度在水平方向的加速度分量。上述目标区域可以是上述目标车辆上安装的目标传感器所能感知的最大范围内的区域。上述目标传感器可以包括但不限于以下至少一项:激光雷达,毫米波雷达,长焦相机,中焦相机,短焦相机,超声波雷达,环视相机。上述长焦相机可以是安装有长焦镜头的相机。上述中焦相机可以是安装有中焦镜头的相机。上述短焦相机可以是安装有短焦镜头的相机。上述环视相机可以是安装有环视全景影响摄像头的相机。上述环境信息可以是通过上述目标车辆上安装的目标传感器获得的目标车辆周围的至少一个目标物的信息。上述目标物可以是车辆,上述目标物可以是行人。上述环境信息可以包括至少一个目标物中每个目标物的三维点云数据。上述环境信息还可以包括至少一个目标物中每个目标物的图像。上述行驶意图可以是“车辆减速”。上述行驶意图还可以是“车辆右变道”。上述行驶意图亦可以是“车辆左变道”。
上述执行主体可以通过LSTM(Long Short-Term Memory,长短期记忆时间巡回神经网络)模型,确定上述行驶意图。
上述执行主体首先,可以通过北斗卫星导航系统或GPS(Global PositioningSystem,全球定位系统)获得上述目标车辆的位置坐标。其次,通过以下公式,可以确定上述目标车辆的速度:
其中,V表示上述目标车辆的速度。ΔS表示连续获取的两次目标车辆的位置坐标之间的距离。ΔT1表示连续获取两次目标车辆的位置坐标时的时间差值。
然后,通过以下公式,可以确定上述目标车辆的加速度:
其中,A表示上述目标车辆的加速度。ΔV表示上述目标车辆连续两次的速度的差值。ΔT2表示连续两次速度对应的时间的差值。
最后,根据上述目标车辆的加速度和上述目标车辆的速度,通过以下公式,可以确定上述车辆信息:
其中,ax表示上述车辆信息包括的车辆横向加速度。ay表示上述车辆信息包括的车辆纵向加速度。vx表示上述车辆信息包括的横向速度。vy表示上述车辆信息包括的纵向速度。A表示上述目标车辆的加速度。V表示上述目标车辆的速度。ΔY表示连续获取的两次目标车辆的位置坐标中的纵坐标的差值。ΔX连续获取的两次目标车辆的位置坐标中的横坐标的差值。
作为示例,如图3所示。上述目标车辆可以沿行驶方向行驶。上述车辆信息可以通过以下步骤获得:
第一步,上述执行主体可以分别获取t1、t2、t3和t4时刻的上述目标车辆的位置坐标P1(x1,y1)、P2(x2,y2)、P3(x3,y3)和P4(x4,y4)。
第二步,分别确定在t1和t2,t3和t4之间上述目标车辆的瞬时速度,得到第一瞬时速度和第二瞬时速度。
其中,当t2和t3差距极小时,可以理解为第一瞬时速度和第二瞬时速度相等。
第三步,根据上述第一瞬时速度和第二瞬时速度的速度差值,t3和t2的时间差值。确定上述目标车辆的加速度。
第四步,通过反正切函数,确定行驶方向角a。
第五步,根据上述行驶方向角a、上述目标车辆的加速度、第一瞬时速度和第二瞬时速度,确定上述车辆信息。
步骤202,根据行驶意图,确定目标车辆对应的驾驶模式。
在一些实施例中,上述执行主体可以根据上述行驶意图,确定上述目标车辆对应的驾驶模式。其中,上述驾驶模式可以表征车辆的行驶类型。上述驾驶模式可以是“A”。上述驾驶模式也可以是“B”。上述执行主体可以通过查询行驶意图和驾驶模式映射表,得到行驶意图对应的驾驶模式。上述行驶意图和驾驶模式映射表可以是一张数据表。
作为示例,上述行驶意图和驾驶模式映射表可以如图4所示。其中,驾驶意图401可以用于存储驾驶意图。驾驶模式402可以用于存储与驾驶意图相对应的驾驶模式。
步骤203,根据驾驶模式,对目标车辆进行轨迹规划和轨迹跟踪。
在一些实施例中,上述执行主体可以根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪。其中,上述执行主体可以通过多种方法(例如,曲线差值方法、动态规划算法、模拟退火算法、人工势场法、模糊逻辑算法、禁忌搜索算法、可视图空间法等)进行轨迹规划。上述执行主体可以通过HMM(Hidden Markov Model,隐马尔可夫模型)对上述目标车辆进行轨迹跟踪。上述执行主体还可以通过模糊控制算法对上述目标车辆进行轨迹跟踪。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的轨迹处理方法,提高了自动驾驶车辆的行驶安全性。具体来说,造成自动驾驶车辆的行驶安全性较低的原因在于:高精度地图的精度较低。基于此,本公开的一些实施例的轨迹处理方法,首先,通过车辆信息和周围目标区域内的环境信息,确定行驶意图。由于自动驾驶车辆的车辆状态和自动驾驶车辆周围障碍物(例如,车辆,行人等障碍物)往往是影响自动驾驶车辆行驶意图确定的主要因素。因此,通过车辆信息和环境信息,能够较为准确地确定自动驾驶车辆得行驶意图。其次,由于实际情况中,道路条件极其复杂,不同的行驶意图,需要采用不同的方式进行轨迹规划。因此,根据行驶意图,确定驾驶模式,以保证轨迹规划的精准性。最后,根据驾驶模式,对目标车辆进行轨迹规划和轨迹跟踪。上述目标车辆在行驶过程中。上述目标车辆的车辆信息和上述目标车辆周围目标区域内的环境信息。可能会发生变化。因此,可能会导致轨迹发生变化。通过轨迹跟踪可以对轨迹进行误差弥补。从而,提高了自动驾驶车辆避障能力。进而,提高了自动驾驶车辆在行驶过程中的安全性。
进一步参考图5,其示出了轨迹处理方法的另一些实施例的流程500。该轨迹处理方法的流程500,包括以下步骤:
步骤501,通过预先训练的行驶意图识别模型,根据车辆信息和环境信息,确定行驶意图。
在一些实施例中,轨迹处理方法的执行主体(如图1所示的计算设备101)可以通过预先训练的行驶意图识别模型,根据车辆信息和环境信息,确定行驶意图。其中,上述行驶意图识别模型可以是用于识别行驶意图的模型。上述行驶意图识别模型可以是随机森林模型。上述行驶意图识别模型还可以是RNN(Recurrent neural network,循环神经网络)模型。当上述行驶意图识别模型为随机森林模型时,上述行驶意图识别模型可以通过以下步骤训练得到:
第一步,选取训练样本集合。
其中,上述训练样本集合可以是从NGSIM(Next Generation Simulation)数据集中抽取高速公路行车数据,得到的数据集合。上述训练样本集合中的训练样本可以包括:车辆纵向速度均值,车辆纵向加速度,车辆横向速度,车辆横向加速度和车辆偏离车道中心距离值。
第二步,将上述训练样本集合输入至随机森林模型,并以随机子空间的方式选择分裂点,进行分裂,从而得到上述行驶意图识别模型。
步骤502,响应于确定行驶意图表征车辆直行且不换道,将驾驶模式确定为第一驾驶模式。
在一些实施例中,上述执行主体可以响应于确定行驶意图表征车辆直行且不换道,将驾驶模式确定为第一驾驶模式。其中,上述执行主体可以通过目标语义分析模型对上述行驶意图进行语义分析,以此确定上述行驶意图表征的含义。上述目标语义分析模型可以包括但不限于以下至少一项:NNLM(Nerual Network Language Model,神经网络语言模型),FastText模型,DCNN(deep convolutional neural network,深度卷积神经网络)模型。上述执行主体也可以通过目标相似度算法,确定上述行驶意图和第一目标意图的相似度数值,响应于确定上述相似度数值大于预设阈值。以此确定上述行驶意图的含义。上述第一目标意图可以是“车辆直行不换道”。上述目标相似度算法可以包括但不限于以下至少一项:余弦相似度算法,皮尔逊相关系数算法,修正余弦相似度算法。上述预设阈值可以是“0.98”。上述第一驾驶模式可以针对周围环境未存在影响驾驶意图的因素,或周围环境存在影响驾驶意图的因素,但经过预设时长,上述目标车辆能够保证与周围障碍物处于安全距离两种情形。
步骤503,响应于确定行驶意图表征车辆制动,确定目标车辆对应的车道上的障碍物与目标车辆之间的相对速度。
在一些实施例中,上述执行主体可以响应于确定上述行驶意图表征车辆制动,确定目标车辆对应的车道上的障碍物与目标车辆之间的相对速度。其中,上述执行主体可以通过目标语义分析模型对上述行驶意图进行语义分析,以此确定上述行驶意图表征的含义。上述执行主体也可以通过目标相似度算法,确定上述行驶意图和第二目标意图的相似度数值,响应于确定上述相似度数值大于上述预设阈值。以此确定上述行驶意图的含义。上述第二目标意图可以是“车辆制动”。上述预设阈值可以是“0.98”。
上述执行主体首先,可以通过V2V(Vehicle-to-Vehicle,车对车通讯技术)获取上述目标车辆对应的车道上的障碍物的障碍物速度。其次,根据上述目标车辆的速度和上述障碍物速度,确定上述相对速度。
上述执行主体还可以首先,通过上述目标车辆上安装的目标传感器(例如,激光雷达,毫米波雷达,超声波雷达等)获取上述目标车辆对应的车道上的障碍物和上述目标车辆的相对位置。然后,根据上述目标车辆的速度和相对位置,确定上述相对速度。
作为示例,如图6所示。首先,上述执行主体可以通过上述目标车辆601上安装的目标传感器,分别获取T1时刻的,上述目标车辆对应的车道上的障碍物602和上述目标车辆601的相对距离S1。T2时刻的,相对距离S2。最后,通过以下公式确定上述相对速度:
其中,Rv表示上述相对速度。T2表示上述T2时刻。T1表示上述T1时刻。S1表示在T1时刻时,上述目标车辆和障碍物之间的相对距离。S2表示在T2时刻,上述目标车辆和障碍物之间的相对距离。
步骤504,根据相对速度和预设时长,生成相对距离。
在一些实施例中,上述执行主体可以根据相对速度和预设时长,生成相对距离。其中,上述预设时长可以是4秒。其中,上述相对距离可以是上述目标车辆和上述目标车辆对应的车道上的障碍物之间的距离。
作为示例,上述相对速度可以是4千米/小时。上述相对距离可以是4.44米。
步骤505,响应于确定相对距离大于安全距离阈值,将驾驶模式确定为第一驾驶模式。
在一些实施例中,上述执行主体可以响应于确定相对距离大于安全距离阈值,将驾驶模式确定为第一驾驶模式。其中,上述安全距离阈值可以是4米。
步骤506,响应于确定相对距离小于等于安全距离阈值,确定目标车辆的制动减速度值是否满足制动条件。
在一些实施例中,上述执行主体可以响应于确定相对距离小于等于安全距离阈值,确定目标车辆的制动减速度值是否满足制动条件。其中,上述制动条件可以是上述制动减速度值小于等于安全减速度阈值。上述制动减速度值可以是上述目标车辆进行车辆制动时的减速度值。上述安全减速度阈值可以是10Km/h2。
步骤507,响应于确定目标车辆的制动减速度值满足制动条件,将驾驶模式确定为第二驾驶模式。
在一些实施例中,上述执行主体可以响应于确定目标车辆的制动减速度值满足制动条件,将驾驶模式确定为第二驾驶模式。其中,上述第二驾驶模式可以针对,上述目标车辆经过预设时长后,不能够保证与周围障碍物处于安全距离的情形。
步骤508,响应于确定目标车辆的制动减速度值不满足制动条件,将驾驶模式确定为第三驾驶模式。
在一些实施例中,上述执行主体可以响应于确定目标车辆的制动减速度值不满足制动条件,将驾驶模式确定为第三驾驶模式。其中,上述第三驾驶模式可以针对上述目标车辆在最大制动加速度的前提下,仍无法保证与周围障碍物处于安全距离的情形。
步骤509,根据驾驶模式,对目标车辆进行轨迹规划和轨迹跟踪。
在一些实施例中,上述执行主体可以根据上述驾驶模式,采用蚁群算法,进行轨迹规划。上述执行主体可以采用几何追踪方法进行轨迹跟踪。
在一些实施例的一些可选的实现方式中,上述执行主体根据驾驶模式,对目标车辆进行轨迹规划和轨迹跟踪可以包括以下步骤:
第一步,根据上述驾驶模式,将上述目标车辆在行驶上述预设时长后的位置信息确定为候选位置信息。
其中,上述预设时长可以是4秒。上述候选位置信息可以包括车辆位置横坐标和车辆位置纵坐标。
作为示例,上述候选位置信息可以是(2,3)。
第二步,根据上述目标车辆的当前位置信息、上述候选位置信息和五次函数,生成上述目标车辆对应的模拟轨迹。
其中,上述五次函数如下所示:
其中,t表示时间。a0和b0表示常数项。a1和b1表示一次项系数。a2和b2表示二次项系数。a3和b3表示三次项系数。a4和b4表示四次项系数。a5和b5表示五次项系数。
上述执行主体可以将以下值组输入上述五次函数,以生成上述目标车辆对应的模拟轨迹:
其中,x0表示上述当前位置信息中的横坐标。y0表示上述当前位置信息中的纵坐标。x(0)表示将0输入上述五次函数后的函数值。y(0)表示将0输入上述五次函数后的函数值。xf表示上述候选位置信息中的横坐标。yf表示上述候选位置信息中的纵坐标。x(tf)表示将上述预设时长输入上次五次函数后的函数值。y(tf)表示将上述预设时长输入上次五次函数后的函数值。x′()表示五次函数的一阶导数。x″()表示五次函数的二阶导数。y′()表示五次函数的一阶导数。y″()表示五次函数的二阶导数。x′0表示将0输入上述五次函数的一阶导数后的函数值。x′f表示将上述预设时长输入上述五次函数的一阶导数后的函数值。x″0表示将0输入上述五次函数对应的二阶导数后的函数值。x″f表示将上述预设时长输入上述五次函数的二阶导数后的函数值。y′0表示将0输入上述五次函数的一阶导数后的函数值。y′f表示将上述预设时长输入上述五次函数的一阶导数后的函数值。y″0表示将0输入上述五次函数对应的二阶导数后的函数值。y″f表示将上述预设时长输入上述五次函数的二阶导数后的函数值。其中,
x′()=5a5t4+4a4t3+3a2t2+2a2t+a1。
y′()=5b5t4+4b4t3+3b2t2+2b2t+b1。
x″()=20a5t3+12a4t2+6a2t+2a2。
y″()=20b5t3+12b4t2+6b3t+2b2。
作为示例,如图7所示。其中(x0,y0)表示上述当前位置信息。(xf,yf)表示上述候选位置信息。图7其他参数的解释可以参照对上述值组中变量的解释。
第三步,通过加速度范数对上述模拟轨迹进行轨迹优化。
其中,上述加速度范数如下式:
S.t.Vt>0
其中,表示[a0,a1,a2,a3,a4,a5]。|| ||2表示欧几里得范数。I()表示指示函数。Ki,i=1,2表示权重系数,其中,Ki>0。t表示第t秒数。n表示与预设时长大小相同的数值。A表示上述目标车辆的加速度。At表示上述目标车辆在t秒时的加速度。v1表示上述目标车辆的当前车速。vt表示目标车速。
第四步,响应于确定上述驾驶模式为上述第一驾驶模式,最小化模型预测控制器的代价函数,得到车轮前轮转角参数和车速参数。
其中,上述模型预测控制器可以是MPC(Model predictive control,模型预测控制)控制器。上述代价函数可以是:
其中,Q表示第一权重矩阵。R表示第二权重矩阵。θ(k+j|k)表示k+j时刻的输出变量。θT(k+j|k)表示k+j时刻的输出变量的转置矩阵。u(k+j-1|k)表示k+j-1时刻的输入变量。uT(k+j-1|k)表示k+j-1时刻的输入变量的转置矩阵。输入变量可以是(v,d)。v表示车速参数。d表示车轮前轮转角参数。输出变量可以是x表示上述目标车辆所在位置的横坐标。y表示上述目标车辆所在位置的纵坐标。表示上述目标车辆的横摆角。
第五步,根据上述目标车辆的转向传动比和上述车轮前轮转角参数,生成方向盘转角度。
其中,上述执行主体可以将上述转向传动比和上述车轮前轮转角参数的乘积值,作为上述方向盘转角度。
第六步,响应于确定上述车速参数大于目标车速度值,控制上述目标车辆进行制动减速。
其中,上述目标车速度值可以是60千米每小时。
可选地,上述执行主体响应于确定上述车速参数大于目标车速度值,控制上述目标车辆进行制动减速,可以包括以下子步骤:
第一子步骤,将上述目标车速度值和上述车速参数的差值,确定为车速差值。
作为示例,上述车速参数可以是70千米/小时。上述目标车速度值可以是60千米每小时。上述车速差值可以是-10千米/小时。
第二子步骤,响应于确定上述车速差值小于等于0,基于上述车速差值,生成制动信号。
其中,上述制动信号可以是用于控制上述目标车辆上的制动控制器的信号。上述执行主体可以通过以下公式,生成制动信号:
其中,VD表示上述车速差值。ηi(i=1,2,3,4)表示第一比例系数。Thr1,Thr2,Thr3分别为油门驱动系统分段PID比例控制的低中高阈值。BrakeSig表示上述制动信号。其中,上述制动信号可以表征上述目标车辆的加速度。
第三子步骤,基于上述制动信号,控制上述目标车辆上的制动控制器,以实现对上述目标车辆的制动减速。
其中,上述执行主体可以将上述制动信号发送至上述目标车辆上的制动控制器,以实现对上述目标车辆的制动减速。
第七步,响应于确定上述车速参数小于等于目标车速,控制油门开合度。
可选地,上述执行主体响应于确定上述车速参数小于等于目标车速,控制油门开合度,可以包括以下子步骤:
第一子步骤,响应于确定上述车速差值大于0,基于上述车速差值,生成油门信号。
其中,上述执行主体可以通过以下公式,生成上述油门信号:
其中,AccSig表示上述油门信号。VD表示上述车速差值。Thr1,Thr2,Thr3分别为油门驱动系统分段PID比例控制的低中高阈值。φi(i=1,2,3,4)表示第二比例系数。
第二子步骤,基于上述油门信号,控制上述目标车辆上的驱动控制器,以实现对油门开合度的控制。
第八步,响应于确定上述驾驶模式为上述第二驾驶模式,控制上述目标车辆进行制动减速。
其中,上述执行主体可以通过上述目标车辆上安装的制动器,以保证上述目标车辆按照上述制动减速度值进行制动减速。
第九步,响应于确定上述驾驶模式为上述第三驾驶模式,控制上述目标车辆返回原始导航的道路。
其中,上述执行主体可以响应于确定上述驾驶模式为上述第三驾驶模式,控制上述目标车辆返回原始导航的道路。上述执行主体可以通过上述五次函数重新规划行驶轨迹,以使得上述目标车辆返回原始导航的道路。
从图5可以看出,与图2对应的一些实施例的描述相比,首先,对驾驶模式的确定进行了细化。当上述目标车辆的驾驶模式为第一驾驶模式时,即上述目标车辆的驾驶意图为直行且不换道。通过最小化模型预测控制器的代价函数,以得到车轮前轮转角参数和车速参数。进而,生成方向盘转角度。从而,使得上述目标车辆能够按照轨迹优化后的模拟轨迹进行行驶。当上述目标车辆的驾驶模式为第二驾驶模式时,即相对距离大于安全距离阈值,需要控制上述目标车辆进行制动减速,以保证车辆的安全行驶。当上述目标车辆的驾驶模式为第三驾驶模式时,即相对距离小于安全距离阈值且上述目标车辆的制动减速度值不满足制动条件,此时需要控制车辆返回原始导航的道路。除此之外,在进行轨迹规划时,当导航距离较小时,上述目标车辆的车速可能会出现负值的情况。当导航距离较大时,可能会出现上述目标车辆的车速变化幅度较大,加速度存在负值的情况。因此,通过增加加速度惩罚项。保证了上述目标车辆在沿轨迹优化后的模拟轨迹进行行驶时的稳定性。通过上述方式保证了上述目标车辆在行驶过程中的行驶安全性。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种轨迹处理装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,一些实施例的轨迹处理装置800包括:行驶意图确定单元801、驾驶模式确定单元802和轨迹规划和轨迹跟踪单元803。其中,行驶意图确定单元801,被配置成根据目标车辆的车辆信息和上述目标车辆周围目标区域内的环境信息,确定行驶意图;驾驶模式确定单元802,被配置成根据上述行驶意图,确定上述目标车辆对应的驾驶模式;轨迹规划和轨迹跟踪单元803,被配置成根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪。
在一些实施例的一些可选的实现方式中,上述驾驶模式确定单元802被进一步配置成:响应于确定上述行驶意图表征车辆直行且不换道,将上述驾驶模式确定为第一驾驶模式。
在一些实施例的一些可选的实现方式中,上述驾驶模式确定单元802被进一步配置成:响应于确定上述行驶意图表征车辆制动,确定上述目标车辆对应的车道上的障碍物与上述目标车辆之间的相对速度;根据上述相对速度和预设时长,生成相对距离;响应于确定上述相对距离大于安全距离阈值,将上述驾驶模式确定为第一驾驶模式。
在一些实施例的一些可选的实现方式中,上述驾驶模式确定单元802被进一步配置成:响应于确定上述相对距离小于等于安全距离阈值,确定上述目标车辆的制动减速度值是否满足制动条件,其中,上述制动条件为上述制动减速度值小于等于安全减速度阈值;响应于确定上述目标车辆的制动减速度值满足制动条件,将上述驾驶模式确定为第二驾驶模式。
在一些实施例的一些可选的实现方式中,上述驾驶模式确定单元802被进一步配置成:响应于确定上述目标车辆的制动减速度值不满足制动条件,将上述驾驶模式确定为第三驾驶模式。
在一些实施例的一些可选的实现方式中,上述轨迹规划和轨迹跟踪单元803被进一配置成:根据上述驾驶模式,将上述目标车辆在行驶上述预设时长后的位置信息确定为候选位置信息;根据上述目标车辆的当前位置信息、上述候选位置信息和五次函数,生成上述目标车辆对应的模拟轨迹;通过加速度范数对上述模拟轨迹进行轨迹优化。
在一些实施例的一些可选的实现方式中,上述轨迹规划和轨迹跟踪单元803被进一配置成:响应于确定上述驾驶模式为上述第一驾驶模式,最小化模型预测控制器的代价函数,得到车轮前轮转角参数和车速参数;根据上述目标车辆的转向传动比和上述车轮前轮转角参数,生成方向盘转角度。
在一些实施例的一些可选的实现方式中,上述轨迹规划和轨迹跟踪单元803被进一配置成:响应于确定上述车速参数大于目标车速度值,控制上述目标车辆进行制动减速。
在一些实施例的一些可选的实现方式中,上述轨迹规划和轨迹跟踪单元803被进一配置成:响应于确定上述车速参数小于等于目标车速,控制油门开合度。
在一些实施例的一些可选的实现方式中,上述轨迹规划和轨迹跟踪单元803被进一配置成:将上述车速参数和上述目标车速度值的差值,确定为车速差值;响应于确定上述车速差值小于等于0,基于上述车速差值,生成制动信号;基于上述制动信号,控制上述目标车辆上的制动控制器,以实现对上述目标车辆的制动减速。
在一些实施例的一些可选的实现方式中,上述轨迹规划和轨迹跟踪单元803被进一配置成:响应于确定上述车速差值大于0,基于上述车速差值,生成油门信号;基于上述油门信号,控制上述目标车辆上的驱动控制器,以实现对油门开合度的控制。
在一些实施例的一些可选的实现方式中,上述轨迹规划和轨迹跟踪单元803被进一配置成:响应于确定上述驾驶模式为上述第二驾驶模式,控制上述目标车辆进行制动减速。
在一些实施例的一些可选的实现方式中,上述轨迹规划和轨迹跟踪单元803被进一配置成:响应于确定上述驾驶模式为上述第三驾驶模式,控制上述目标车辆返回原始导航的道路。
在一些实施例的一些可选的实现方式中,上述行驶意图确定单元801被进一步配置成:通过预先训练的行驶意图识别模型,根据上述车辆信息和上述环境信息,确定上述行驶意图。
下面参考图9,其示出了适于用来实现本公开的一些实施例的电子设备(如图1所示的计算设备101)900的结构示意图。图9示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置601、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:根据目标车辆的车辆信息和上述目标车辆周围目标区域内的环境信息,确定行驶意图;根据上述行驶意图,确定上述目标车辆对应的驾驶模式;根据上述驾驶模式,对上述目标车辆进行轨迹规划和轨迹跟踪。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括行驶意图确定单元、驾驶模式确定单元和轨迹规划和轨迹跟踪单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,驾驶模式确定单元还可以被描述为“基于上述行驶意图,确定上述目标车辆对应的驾驶模式验的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (17)
1.一种轨迹处理方法,包括:
根据目标车辆的车辆信息和所述目标车辆周围目标区域内的环境信息,确定行驶意图;
根据所述行驶意图,确定所述目标车辆对应的驾驶模式;
根据所述驾驶模式,对所述目标车辆进行轨迹规划和轨迹跟踪。
2.根据权利要求1所述的方法,其中,所述根据所述行驶意图,确定所述目标车辆对应的驾驶模式,包括:
响应于确定所述行驶意图表征车辆直行且不换道,将所述驾驶模式确定为第一驾驶模式。
3.根据权利要求2所述的方法,其中,所述根据所述行驶意图,确定所述目标车辆对应的驾驶模式,还包括:
响应于确定所述行驶意图表征车辆制动,确定所述目标车辆对应的车道上的障碍物与所述目标车辆之间的相对速度;
根据所述相对速度和预设时长,生成相对距离;
响应于确定所述相对距离大于安全距离阈值,将所述驾驶模式确定为第一驾驶模式。
4.根据权利要求3所述的方法,其中,所述根据所述行驶意图,确定所述目标车辆对应的驾驶模式,还包括:
响应于确定所述相对距离小于等于安全距离阈值,确定所述目标车辆的制动减速度值是否满足制动条件,其中,所述制动条件为所述制动减速度值小于等于安全减速度阈值;
响应于确定所述目标车辆的制动减速度值满足制动条件,将所述驾驶模式确定为第二驾驶模式。
5.根据权利要求4所述的方法,其中,所述根据所述行驶意图,确定所述目标车辆对应的驾驶模式,还包括:
响应于确定所述目标车辆的制动减速度值不满足制动条件,将所述驾驶模式确定为第三驾驶模式。
6.根据权利要求2-5之一所述的方法,其中,所述根据所述驾驶模式,对所述目标车辆进行轨迹规划和轨迹跟踪,包括:
根据所述驾驶模式,将所述目标车辆在行驶所述预设时长后的位置信息确定为候选位置信息;
根据所述目标车辆的当前位置信息、所述候选位置信息和五次函数,生成所述目标车辆对应的模拟轨迹;
通过加速度范数对所述模拟轨迹进行轨迹优化。
7.根据权利要求6所述的方法,其中,所述根据所述驾驶模式,对所述目标车辆进行轨迹规划和轨迹跟踪,还包括:
响应于确定所述驾驶模式为所述第一驾驶模式,最小化模型预测控制器的代价函数,得到车轮前轮转角参数和车速参数;
根据所述目标车辆的转向传动比和所述车轮前轮转角参数,生成方向盘转角度。
8.根据权利要求7所述的方法,其中,所述根据所述驾驶模式,对所述目标车辆进行轨迹规划和轨迹跟踪,还包括:
响应于确定所述车速参数大于目标车速度值,控制所述目标车辆进行制动减速。
9.根据权利要求7所述的方法,其中,所述根据所述驾驶模式,对所述目标车辆进行轨迹规划和轨迹跟踪,还包括:
响应于确定所述车速参数小于等于目标车速,控制油门开合度。
10.根据权利要求8所述的方法,其中,所述控制所述目标车辆进行制动减速,包括:
将所述车速参数和所述目标车速度值的差值,确定为车速差值;
响应于确定所述车速差值小于等于0,基于所述车速差值,生成制动信号;
基于所述制动信号,控制所述目标车辆上的制动控制器,以实现对所述目标车辆的制动减速。
11.根据权利要求9所述的方法,其中,所述控制油门开合度,包括:
响应于确定所述车速差值大于0,基于所述车速差值,生成油门信号;
基于所述油门信号,控制所述目标车辆上的驱动控制器,以实现对油门开合度的控制。
12.根据权利要求7所述的方法,其中,所述根据所述驾驶模式,对所述目标车辆进行轨迹规划和轨迹跟踪,还包括:
响应于确定所述驾驶模式为所述第二驾驶模式,控制所述目标车辆进行制动减速。
13.根据权利要求7所述的方法,其中,所述根据所述驾驶模式,对所述目标车辆进行轨迹规划和轨迹跟踪,还包括:
响应于确定所述驾驶模式为所述第三驾驶模式,控制所述目标车辆返回原始导航的道路。
14.根据权利要求1所述的方法,其中,所述根据目标车辆的车辆信息和所述目标车辆周围目标区域内的环境信息,确定行驶意图,包括:
通过预先训练的行驶意图识别模型,根据所述车辆信息和所述环境信息,确定所述行驶意图。
15.一种轨迹处理装置,包括:
行驶意图确定单元,被配置成根据目标车辆的车辆信息和所述目标车辆周围目标区域内的环境信息,确定行驶意图;
驾驶模式确定单元,被配置成根据所述行驶意图,确定所述目标车辆对应的驾驶模式;
轨迹规划和轨迹跟踪单元,被配置成根据所述驾驶模式,对所述目标车辆进行轨迹规划和轨迹跟踪。
16.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
雷达,被配置成监测物体;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至14中任一所述的方法。
17.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至14中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249312.6A CN112896191B (zh) | 2021-03-08 | 2021-03-08 | 轨迹处理方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110249312.6A CN112896191B (zh) | 2021-03-08 | 2021-03-08 | 轨迹处理方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112896191A true CN112896191A (zh) | 2021-06-04 |
CN112896191B CN112896191B (zh) | 2022-11-08 |
Family
ID=76107883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110249312.6A Active CN112896191B (zh) | 2021-03-08 | 2021-03-08 | 轨迹处理方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112896191B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475632A (zh) * | 2022-03-11 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 自动驾驶控制数据确定方法、装置、设备及存储介质 |
CN115123223A (zh) * | 2022-09-02 | 2022-09-30 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、设备和介质 |
CN115140053A (zh) * | 2022-07-13 | 2022-10-04 | 北京地平线机器人技术研发有限公司 | 智能驾驶控制方法、装置、电子设备和存储介质 |
CN115876493A (zh) * | 2023-01-18 | 2023-03-31 | 禾多科技(北京)有限公司 | 用于自动驾驶的测试场景生成方法、装置、设备和介质 |
CN116560377A (zh) * | 2023-05-31 | 2023-08-08 | 北京百度网讯科技有限公司 | 用于预测位置轨迹的自动驾驶模型及其训练方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108995655A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员驾驶意图识别方法及系统 |
CN109760675A (zh) * | 2019-03-12 | 2019-05-17 | 百度在线网络技术(北京)有限公司 | 预测车辆轨迹的方法、装置、存储介质和终端设备 |
CN110264721A (zh) * | 2019-07-01 | 2019-09-20 | 北京理工大学 | 一种城市交叉口周边车辆轨迹预测方法 |
CN110389584A (zh) * | 2018-04-17 | 2019-10-29 | 百度(美国)有限责任公司 | 用于评估自动驾驶车辆的轨迹候选项的方法 |
CN110568760A (zh) * | 2019-10-08 | 2019-12-13 | 吉林大学 | 适用于换道及车道保持的参数化学习决策控制系统及方法 |
US20200004251A1 (en) * | 2018-07-02 | 2020-01-02 | Baidu Usa Llc | Planning driven perception system for autonomous driving vehicles |
US20200180637A1 (en) * | 2018-12-07 | 2020-06-11 | Hyundai Motor Company | Apparatus and method for controlling running of vehicle |
CN112133089A (zh) * | 2020-07-21 | 2020-12-25 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112373471A (zh) * | 2021-01-12 | 2021-02-19 | 禾多科技(北京)有限公司 | 用于控制车辆行驶的方法、装置、电子设备和可读介质 |
-
2021
- 2021-03-08 CN CN202110249312.6A patent/CN112896191B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110389584A (zh) * | 2018-04-17 | 2019-10-29 | 百度(美国)有限责任公司 | 用于评估自动驾驶车辆的轨迹候选项的方法 |
US20200004251A1 (en) * | 2018-07-02 | 2020-01-02 | Baidu Usa Llc | Planning driven perception system for autonomous driving vehicles |
CN108995655A (zh) * | 2018-07-06 | 2018-12-14 | 北京理工大学 | 一种驾驶员驾驶意图识别方法及系统 |
US20200180637A1 (en) * | 2018-12-07 | 2020-06-11 | Hyundai Motor Company | Apparatus and method for controlling running of vehicle |
CN109760675A (zh) * | 2019-03-12 | 2019-05-17 | 百度在线网络技术(北京)有限公司 | 预测车辆轨迹的方法、装置、存储介质和终端设备 |
CN110264721A (zh) * | 2019-07-01 | 2019-09-20 | 北京理工大学 | 一种城市交叉口周边车辆轨迹预测方法 |
CN110568760A (zh) * | 2019-10-08 | 2019-12-13 | 吉林大学 | 适用于换道及车道保持的参数化学习决策控制系统及方法 |
CN112133089A (zh) * | 2020-07-21 | 2020-12-25 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112373471A (zh) * | 2021-01-12 | 2021-02-19 | 禾多科技(北京)有限公司 | 用于控制车辆行驶的方法、装置、电子设备和可读介质 |
Non-Patent Citations (1)
Title |
---|
孙浩等: "基于车辆稳态动力学特性的汽车动态轨迹规划", 《国防科技大学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475632A (zh) * | 2022-03-11 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 自动驾驶控制数据确定方法、装置、设备及存储介质 |
CN115140053A (zh) * | 2022-07-13 | 2022-10-04 | 北京地平线机器人技术研发有限公司 | 智能驾驶控制方法、装置、电子设备和存储介质 |
CN115123223A (zh) * | 2022-09-02 | 2022-09-30 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、设备和介质 |
CN115123223B (zh) * | 2022-09-02 | 2022-12-23 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、设备和介质 |
CN115876493A (zh) * | 2023-01-18 | 2023-03-31 | 禾多科技(北京)有限公司 | 用于自动驾驶的测试场景生成方法、装置、设备和介质 |
CN115876493B (zh) * | 2023-01-18 | 2023-05-23 | 禾多科技(北京)有限公司 | 用于自动驾驶的测试场景生成方法、装置、设备和介质 |
CN116560377A (zh) * | 2023-05-31 | 2023-08-08 | 北京百度网讯科技有限公司 | 用于预测位置轨迹的自动驾驶模型及其训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112896191B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112896191B (zh) | 轨迹处理方法、装置、电子设备和计算机可读介质 | |
US11493926B2 (en) | Offline agent using reinforcement learning to speedup trajectory planning for autonomous vehicles | |
EP3714290B1 (en) | Lidar localization using 3d cnn network for solution inference in autonomous driving vehicles | |
US10823575B2 (en) | Reference line smoothing method using piecewise spiral curves with weighted geometry costs | |
US11594011B2 (en) | Deep learning-based feature extraction for LiDAR localization of autonomous driving vehicles | |
US11467591B2 (en) | Online agent using reinforcement learning to plan an open space trajectory for autonomous vehicles | |
US10488205B2 (en) | Method and system for updating maps based on control feedbacks of autonomous driving vehicles | |
EP3334624B1 (en) | A sideslip compensated control method for autonomous vehicles | |
US10613489B2 (en) | Method and system for determining optimal coefficients of controllers for autonomous driving vehicles | |
US11199847B2 (en) | Curvature corrected path sampling system for autonomous driving vehicles | |
EP3714285B1 (en) | Lidar localization using rnn and lstm for temporal smoothness in autonomous driving vehicles | |
US10053091B2 (en) | Spring system-based change lane approach for autonomous vehicles | |
US11409284B2 (en) | Relaxation optimization model to plan an open space trajectory for autonomous vehicles | |
US20190084571A1 (en) | Driving scenario based lane guidelines for path planning of autonomous driving vehicles | |
US10534364B2 (en) | Method and system for autonomous vehicle speed following | |
US10775790B2 (en) | Methods and systems for model predictive control of autonomous driving vehicle | |
US10908613B2 (en) | Optimal longitudinal trajectory generation under varied lateral acceleration constraints | |
US11673584B2 (en) | Bayesian Global optimization-based parameter tuning for vehicle motion controllers | |
CN114771570A (zh) | 自动驾驶车辆的控制方法和装置 | |
Gao et al. | Cloud model approach for lateral control of intelligent vehicle systems | |
JP2023021944A (ja) | 車両における適応的走行制御を個人化するためのシステムと方法 | |
US11919514B1 (en) | Safety filter with preview data to improve the safety of steer commands | |
Zhang et al. | Research on Trajectory Tracking Lateral Control of Intelligent Vehicle Based on Nested Sliding Mode |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |