CN113032503A - 备选轨迹评价方法及装置 - Google Patents

备选轨迹评价方法及装置 Download PDF

Info

Publication number
CN113032503A
CN113032503A CN202110229336.5A CN202110229336A CN113032503A CN 113032503 A CN113032503 A CN 113032503A CN 202110229336 A CN202110229336 A CN 202110229336A CN 113032503 A CN113032503 A CN 113032503A
Authority
CN
China
Prior art keywords
alternative
fuzzy number
attribute
membership
track
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.)
Pending
Application number
CN202110229336.5A
Other languages
English (en)
Inventor
潘贵青
刘冬薇
徐成
张放
李晓飞
王肖
张德兆
霍舒豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Zhixing Technology Co ltd
Original Assignee
Chongqing Zhixing Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Zhixing Information Technology Co Ltd filed Critical Chongqing Zhixing Information Technology Co Ltd
Priority to CN202110229336.5A priority Critical patent/CN113032503A/zh
Publication of CN113032503A publication Critical patent/CN113032503A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明提供了一种备选轨迹评价方法及装置，方法包括：获取备选路径集合和备选速度集合；备选路径集合包括多个备选路径，备选速度集合包括多个备选速度；根据多个备选路径和多个备选速度，确定备选轨迹集合；备选轨迹集合包括多条备选轨迹；确定备选轨迹的多个属性，并确定每个属性的隶属度函数；根据隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数；每个评价模糊数包括隶属度和非隶属度；根据每个属性的评价模糊数的隶属度和非隶属度，通过模糊数集成算子计算每条备选轨迹的综合属性模糊数；根据综合属性模糊数，确定每条备选轨迹的综合得分；根据每条备选轨迹的综合得分，确定最优轨迹。

Description

备选轨迹评价方法及装置
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种备选轨迹评价方法及装置。
背景技术
自动驾驶车辆的核心算法一般包括感知、定位、决策规划和控制模块,决策规划包括运动规划模块，运动规划模块根据周围环境信息可以生成控制模块可执行的轨迹。为了实现位置维度和时间维度上的优化,在规划时,同时生成多个路径规划曲线与多个速度规划曲线，多个路径规划曲线称为备选路径集合，多个速度规划曲线称为备选速度集合，备选路径集合中的备选路径和备选速度集合中的备选速度两两结合,形成备选轨迹集合，如何从中评价并选取合适的轨迹,影响到最终无人驾驶车辆的智能度和舒适度。
现有技术中，选取跟轨迹相关的几个关键的属性，比如路径的陡峭度、避障时与障碍物的距离等，并基于经验给出各自属性的权重系数,然后分别计算各个属性的代价值，将所有的代价值进行求和,得到该轨迹的代价值。对备选轨迹集合中的各个轨迹实施上述计算方法,得到每个轨迹的代价值,将代价值从小到大进行排序,代价值最小的即为当前时刻选择的最优轨迹。
但是该方法并没有考虑到各属性之间的相互关系，例如路径的陡峭度与避障时与障碍物的距离之间的关系，如果避障横向距离很大，能满足安全最优的要求，但可能带来的是路径的陡峭程度变高，如果单纯由单一的权重系数来平衡这两个属性，有时无法取得更符合老司机驾驶习惯的轨迹。且该方法中所涉及的权重系数受人为因素影响大,在处理不同的场景时不够灵活智能。
发明内容
本发明实施例的目的是提供一种备选轨迹评价方法及装置，以解决现有技术在确定最优轨迹时的权重系数受人为因素影响大,在处理不同的场景时不够灵活智能的问题。
为解决上述问题，第一方面，本发明提供了一种备选轨迹评价方法，所述备选轨迹评价方法包括：
获取备选路径集合和备选速度集合；所述备选路径集合包括多个备选路径，所述备选速度集合包括多个备选速度；
根据所述多个备选路径和所述多个备选速度，确定备选轨迹集合；所述备选轨迹集合包括多条备选轨迹；
确定备选轨迹的多个属性，并确定每个属性的隶属度函数；
根据所述隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数；每个所述评价模糊数包括隶属度和非隶属度；
根据每个属性的评价模糊数的隶属度和非隶属度，通过模糊数集成算子计算每条备选轨迹的综合属性模糊数；根据所述综合属性模糊数，确定每条备选轨迹的综合得分；
根据每条备选轨迹的综合得分，确定最优轨迹。
在一种可能的实现方式中，所述根据所述多个备选路径和所述多个备选速度，确定备选轨迹集合具体包括：
利用公式
Figure BDA0002958382560000021
将备选路径和备选速度两两合并，得到备选轨迹集合中的每条备选轨迹；其中，备选路径为y＝f(x)，备选速度为v＝f(s)。
在一种可能的实现方式中，所述根据所述隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数具体包括：
用ai＝(μi,νi)表示评价模糊数；其中，ai表示第i个属性的评价模糊数，用隶属度μi和非隶属度νi表示，隶属度和非隶属度由隶属度函数计算得到。
在一种可能的实现方式中，所述根据每个属性的评价模糊数的隶属度和非隶属度，通过模糊数集成算子计算每条备选轨迹的综合评价模糊数具体包括：
使用模糊数集成算子计算综合属性模糊数，所述模糊数集成算子的表达式为：
Figure BDA0002958382560000031
其中，(α1,α2......αn)表示从1到n个属性的综合属性模糊数，n为属性的个数，n和k都为正整数，1≤k≤n，(i1,i2,…,ik)表示遍历了(1,2,…,n)的所有k元组合，Cnk是二项式系数，μij为第j个评价模糊数的隶属度，vij为第j个评价模糊数的非隶属度；系数k表示悲观程度，随着k的增大,综合得分单调减小；q的选取与属性的隶属度和非隶属度的关系有关，当隶属度与非隶属度之和为1时，q＝1，当隶属度的二次幂与非隶属度的二次幂之和为1时，q＝2。
在一种可能的实现方式中，所述根据所述综合属性模糊数，确定每条备选轨迹的综合得分具体包括：
利用公式S(m)＝μq-νq计算综合得分；其中，S(m)表示第m条备选轨迹的综合得分，μ表示第m条备选轨迹的综合属性模糊数的隶属度，v表示第m条备选轨迹的综合属性模糊数的非隶属度。
第二方面，本发明提供了一种备选轨迹评价装置，所述备选轨迹评价装置包括：
获取单元，所述获取单元用于获取备选路径集合和备选速度集合；所述备选路径集合包括多个备选路径，所述备选速度集合包括多个备选速度；
确定单元，所述确定单元用于根据所述多个备选路径和所述多个备选速度，确定备选轨迹集合；所述备选轨迹集合包括多条备选轨迹；
所述确定单元还用于确定备选轨迹的多个属性，并确定每个属性的隶属度函数；
计算单元，所述计算单元用于根据所述隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数；每个所述评价模糊数包括隶属度和非隶属度；
所述计算单元还用于根据每个模糊数的隶属度和非隶属度，使用模糊数集成算子计算得到每条轨迹的综合属性模糊数；
所述计算单元还用于根据所述综合属性模糊数，计算得到每条备选轨迹的综合得分；
所述确定单元还用于根据每条备选轨迹的综合得分，确定最优轨迹。
在一种可能的实现方式中，所述确定单元具体用于：
利用公式
Figure BDA0002958382560000041
将备选路径和备选速度两两合并，计算备选轨迹集合中的每条备选轨迹；其中，备选路径为y＝f(x)，备选速度为v＝f(s)。
在一种可能的实现方式中，所述确定单元具体用于：
使用ai＝(μi,νi)表达评价模糊数；其中，ai表示第i个属性的评价模糊数，用隶属度μi和非隶属度νi表示。
在一种可能的实现方式中，所述计算单元具体用于：
使用模糊数集成算子计算综合属性模糊数，所述模糊数集成算子的表达式为：
Figure BDA0002958382560000042
其中，(α1,α2......αn)表示从1到n个属性的综合属性模糊数，n为属性的个数，n和k都为正整数，1≤k≤n，(i1,i2,…,ik)表示遍历了(1,2,…,n)的所有k元组合，Cnk是二项式系数，μij为第j个评价模糊数的隶属度，vij为第j个评价模糊数的非隶属度；系数k表示悲观程度，随着k的增大,综合得分单调减小；q的选取与属性的隶属度和非隶属度的关系有关，当隶属度与非隶属度之和为1时，q＝1，当隶属度的二次幂与非隶属度的二次幂之和为1时，q＝2。
在一种可能的实现方式中，所述计算单元具体用于：
利用公式S(m)＝μq-νq计算综合得分；其中，S(m)表示第m条备选轨迹的综合得分，μ表示第m条备选轨迹的综合属性模糊数的隶属度，v表示第m条备选轨迹的综合属性模糊数的非隶属度。
第三方面，本发明提供了一种设备，包括存储器和处理器，存储器用于存储程序，处理器用于执行第一方面任一所述的方法。
第四方面，本发明提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一所述的方法。
第五方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如第一方面任一所述的方法。
通过应用本发明实施例提供的备选路径评价方法及装置，充分考虑了多个属性以及属性之间的关系，利用评价模糊数的描述备选轨迹的不同属性的优劣程度，并通过综合属性模糊数集结各属性的信息进行备选轨迹的选择，从而排除了现有技术中的通过权重系数选择备选轨迹时的不确定性及随机性的影响，提升了规划轨迹的智能性和灵活度。
附图说明
图1为本发明实施例一提供的备选轨迹评价方法流程示意图；
图2为本发明实施例二提供的备选轨迹评价装置结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1为本发明实施例一提供的备选轨迹评价方法流程示意图。本申请的执行主体为具有计算功能的终端、服务器或者处理器。本申请以将该方法应用在无人驾驶车辆为例进行说明，当将该方法应用在无人驾驶车辆时，该方法的执行主体为自动驾驶车辆控制单元(Automated Vehicle Control Unit，AVCU)，即无人驾驶车辆的中央处理器相当于无人驾驶车辆的“大脑”，此处的无人驾驶车辆，专指具有原地转向能力的无人驾驶车辆。本申请还包括以下步骤：
步骤110，获取备选路径集合和备选速度集合；备选路径集合包括多个备选路径，备选速度集合包括多个备选速度；
具体的，自动驾驶车辆在进行局部路径规划时，可以通过采样的路径规划算法或者搜索算法生成备选路径集合及备选速度集合，这两种算法都是现有技术中的常用算法，此处不再赘述。
步骤120，根据多个备选路径和多个备选速度，确定备选轨迹集合；备选轨迹集合包括多条备选轨迹；
具体的，可以利用公式
Figure BDA0002958382560000061
将备选路径和备选速度两两合并，得到备选轨迹集合中的每条备选轨迹；其中，备选路径为y＝f(x)，备选速度为v＝f(s)。
步骤130，确定备选轨迹的多个属性，并确定每个属性的隶属度函数；
具体的，属性包括但不限于：路径的陡峭程度、速度的快慢、向心加速度的大小、与接近动/静态障碍物时的距离远近。
可以根据算法设计的目标或者不同驾驶场景选取不同的关键属性。算法设计的目标指的是需不需要考虑路径的陡峭程度，速度的快或者慢。不同的驾驶场景指的是自动驾驶车辆预先设置的多种场景，比如泊车场景、跟随场景等，每种驾驶场景可以以不同的标识(Identity document，ID)进行区分，其对应的属性可以预先确定，并写入AVCU的存储区域中，从而便于AVCU在确定当前的驾驶场景后，根据当前的驾驶场景来确定选取哪些属性。在不同的驾驶场景下，所选取的属性是不同的。例如在泊车场景下，因为障碍物的远近以及速度的快慢这两个属性影响泊车效率，那么就只选取速度的快慢以及与障碍物的距离这两个属性进行备选轨迹的评价。
每个属性的隶属度函数可根据属性的特征或者通过数据统计来确定，隶属度函数包括但不限于三角形隶属度函数、梯形隶属度函数、高斯隶属度函数、Simoid隶属度函数。
比如，与接近动/静态障碍物时的距离远近这一属性，它的特征就是在从0增大到M1的过程中，代价值越来越低，意味着更偏向于取M1这个值，在(M1，M2)区间变动时，代价值没什么变化，意味着在这个区间内取任何一个值都是较好的，其中M2>M1；从M2->M3增长过程中，代价值越来越大，意味着更不偏向取这个值，从而说明该属性符合梯形隶属度函数的定义，可以选取梯形隶属度函数进行该属性的隶属度和非隶属度的表达。
步骤140，根据隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数；每个评价模糊数包括隶属度和非隶属度；
具体的，可以根据各属性的隶属度函数，得到一个评价模糊数，该评价模糊数可以用隶属度和非隶属度进行表示。
使用ai＝(μi,νi)表达评价模糊数；其中，ai表示第i个属性的评价模糊数，用第i个属性的隶属度μi和第i个属性的非隶属度νi表示，隶属度和非隶属度由隶属度函数计算得到。
设备选轨迹集合中有m条备选轨迹，每条备选轨迹设有i个属性，则该备选轨迹的评价矩阵如表1所示。
Figure BDA0002958382560000071
Figure BDA0002958382560000081
表1
针对每一个备选轨迹的每一个属性，都具有对应的评价模糊数，该评价模糊数可以用于步骤150中综合属性模糊数的计算。
步骤150，根据每个属性的评价模糊数的隶属度和非隶属度，通过模糊数集成算子计算每条备选轨迹的综合属性模糊数；
综合属性模糊数，可以通过模糊数集成算子来计算，本申请中的模糊数集成算子可以是广义正交模糊Maclaurin对称平均算子，广义正交模糊Maclaurin对称平均算子是一种有效的信息集成算子，其能够反映多个输入变量之间的相关关系，推广到模糊集合领域，则有如下式所示的广义正交模糊Maclaurin对称平均集成算子的数学表达式。
Figure BDA0002958382560000082
其中，(α1,α2......αn)表示从1到n个属性的综合属性模糊数，n为属性的个数，n和k都为正整数，1≤k≤n，(i1,i2,…,ik)表示遍历了(1,2,…,n)的所有k元组合，Cnk是二项式系数，μij为第j个评价模糊数的隶属度，vij为第j个评价模糊数的非隶属度；系数k表示对选择的备选路径的悲观程度，随着k的增大,综合得分单调减小；q的选取与属性的隶属度和非隶属度的关系有关，隶属度和非隶属度的关系，指的是隶属度的几次幂与非隶属度的几次幂之和为1，当隶属度与非隶属度之和为1时，q＝1，当隶属度的二次幂与非隶属度的二次幂之和为1时，q＝2。
由此，就将一条备选轨迹的多个属性的评价模糊数集结为一个综合属性模糊数，并通过每个备选轨迹的综合属性模糊数，进行后续的评价。
步骤160，根据综合属性模糊数，确定每条备选轨迹的综合得分；
具体的，上述计算得到的综合属性模糊数为一个模糊数，对应有隶属度和非隶属度，可以通过综合属性模糊数的隶属度和非隶属度来进行综合得分的计算，综合得分的计算公式如下：
S(m)＝μq-νq其中，S(m)指的是第m条备选轨迹的综合得分，μ表示第m条备选轨迹的综合属性模糊数的隶属度，v表示第m条备选轨迹的综合属性模糊数的非隶属度，q的选取与属性的隶属度和非隶属度的关系有关，隶属度和非隶属度的关系，指的是隶属度的几次幂与非隶属度的几次幂之和为1，当隶属度与非隶属度之和为1时，q＝1，当隶属度的二次幂与非隶属度的二次幂之和为1时，q＝2。
步骤170，根据每条备选轨迹的综合得分，确定最优轨迹。
具体的，将各备选轨迹的综合得分进行排序,排序靠前的即为最优轨迹，并在自动驾驶车辆的行驶过程中，将该最优轨迹作为局部规划路径，进行行驶。
通过应用本发明实施例提供的备选路径评价方法，充分考虑了多个属性以及属性之间的关系，利用评价模糊数的描述备选轨迹的不同属性的优劣程度，并通过综合属性模糊数集结各属性的信息进行备选轨迹的选择，从而排除了现有技术中的通过权重系数选择备选轨迹时的不确定性及随机性的影响，提升了规划轨迹的智能性和灵活度。
图2为本发明实施例二提供的备选轨迹评价装置结构示意图，如图2所示，该备选轨迹评价装置包括：获取单元210、确定单元220和计算单元230。
获取单元210用于获取备选路径集合和备选速度集合；备选路径集合包括多个备选路径，备选速度集合包括多个备选速度；
确定单元220用于根据多个备选路径和多个备选速度，确定备选轨迹集合；备选轨迹集合包括多条备选轨迹；
确定单元220还用于确定备选轨迹的多个属性，并确定每个属性的隶属度函数；
计算单元230用于根据隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数；每个评价模糊数包括隶属度和非隶属度；
计算单元230还用于根据每个属性的评价模糊数，通过模糊数集成算子计算每条备选轨迹的综合属性模糊数；
计算单元230还用于根据综合属性模糊数，计算每条备选轨迹的综合得分；
确定单元220还用于根据每条备选轨迹的综合得分，确定最优轨迹。
可选的，确定单元220具体用于：
利用公式
Figure BDA0002958382560000101
将备选路径和备选速度两两合并计算得到备选轨迹集合中的每条备选轨迹；其中，备选路径为y＝f(x)，备选速度为v＝f(s)。
可选的，确定单元220具体用于：
用ai＝(μi,νi)表达评价模糊数；其中，ai表示第i个属性的评价模糊数，用隶属度μi和非隶属度νi表示，隶属度和非隶属度由隶属度函数计算得到。
可选的，计算单元220具体用于：
使用模糊数集成算子计算综合属性模糊数，模糊数集成算子的表达式为：
Figure BDA0002958382560000102
其中，(α1,α2......αn)表示从1到n个属性的综合属性模糊数，n为属性的个数，n和k都为正整数，1≤k≤n，(i1,i2,…,ik)表示遍历了(1,2,…,n)的所有k元组合，Cnk是二项式系数，μij为第j个评价模糊数的隶属度，vij为第j个评价模糊数的非隶属度；系数k表示悲观程度，随着k的增大,综合得分单调减小；q的选取与属性的隶属度和非隶属度的关系有关，当隶属度与非隶属度之和为1时，q＝1，当隶属度的二次幂与非隶属度的二次幂之和为1时，q＝2。
可选的，确定单元220具体用于：
利用公式S(m)＝μq-νq计算综合得分；其中，S(m)表示第m条备选轨迹的综合得分，μ表示第m条备选轨迹的综合属性模糊数的隶属度，v表示第m条备选轨迹的综合属性模糊数的非隶属度。
通过应用本发明实施例提供的备选路径评价装置，充分考虑了多个属性以及属性之间的关系，利用评价模糊数的描述备选轨迹的不同属性的优劣程度，并通过综合属性模糊数集结各属性的信息进行备选轨迹的选择，从而排除了现有技术中的通过权重系数选择备选轨迹时的不确定性及随机性的影响，提升了规划轨迹的智能性和灵活度。
本发明实施例三提供了一种设备，包括存储器和处理器，存储器用于存储程序，存储器可通过总线与处理器连接。存储器可以是非易失存储器，例如硬盘驱动器和闪存，存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序，该软件程序被执行时，能够实现本发明实施例一提供的方法。
本发明实施例四提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行本发明实施例一提供的方法。
本发明实施例五提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例一提供的方法。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现为了清楚地说明硬件和软件的可互换性在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种备选轨迹评价方法，其特征在于，所述备选轨迹评价方法包括：
获取备选路径集合和备选速度集合；所述备选路径集合包括多个备选路径，所述备选速度集合包括多个备选速度；
根据所述多个备选路径和所述多个备选速度，确定备选轨迹集合；所述备选轨迹集合包括多条备选轨迹；
确定备选轨迹的多个属性，并确定每个属性的隶属度函数；
根据所述隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数；每个所述评价模糊数包括隶属度和非隶属度；
根据每个属性的评价模糊数的隶属度和非隶属度，通过模糊数集成算子计算每条备选轨迹的综合属性模糊数；
根据所述综合属性模糊数，确定每条备选轨迹的综合得分；
根据每条备选轨迹的综合得分，确定最优轨迹。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个备选路径和所述多个备选速度，确定备选轨迹集合具体包括：
利用公式
Figure FDA0002958382550000011
将备选路径和备选速度两两合并，得到备选轨迹集合中的每条备选轨迹；其中，备选路径为y＝f(x)，备选速度为v＝f(s)。
3.根据权利要求1所述的方法，其特征在于，所述根据所述隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数具体包括：
用ai＝(μi,νi)表达评价模糊数；其中，ai表示第i个属性的评价模糊数，用隶属度μi和非隶属度νi表示，隶属度和非隶属度由隶属度函数计算得到。
4.根据权利要求1所述的方法，其特征在于，所述根据每个属性的评价模糊数的隶属度和非隶属度，通过模糊数集成算子计算每条备选轨迹的综合评价模糊数具体包括：
使用模糊数集成算子计算综合属性模糊数，所述模糊数集成算子的表达式为：
Figure FDA0002958382550000021
其中，(α1,α2......αn)表示从1到n个属性的综合属性模糊数，n为属性的个数，n和k都为正整数，1≤k≤n，(i1,i2,…,ik)表示遍历了(1,2,…,n)的所有k元组合，Cnk是二项式系数，μij为第j个评价模糊数的隶属度，vij为第j个评价模糊数的非隶属度；系数k表示悲观程度，随着k的增大,综合得分单调减小；q的选取与属性的隶属度和非隶属度的关系有关，当隶属度与非隶属度之和为1时，q＝1，当隶属度的二次幂与非隶属度的二次幂之和为1时，q＝2。
5.根据权利要求1所述的方法，其特征在于，所述根据所述综合属性模糊数，确定每条备选轨迹的综合得分具体包括：
利用公式S(m)＝μq-νq计算综合得分；其中，S(m)表示第m条备选轨迹的综合得分，μ表示第m条备选轨迹的综合属性模糊数的隶属度，v表示第m条备选轨迹的综合属性模糊数的非隶属度。
6.一种备选轨迹评价装置，其特征在于，所述备选轨迹评价装置包括：
获取单元，所述获取单元用于获取备选路径集合和备选速度集合；所述备选路径集合包括多个备选路径，所述备选速度集合包括多个备选速度；
确定单元，所述确定单元用于根据所述多个备选路径和所述多个备选速度，确定备选轨迹集合；所述备选轨迹集合包括多条备选轨迹；
所述确定单元还用于确定备选轨迹的多个属性，并确定每个属性的隶属度函数；
计算单元，所述计算单元用于根据所述隶属度函数，计算每条备选轨迹的多个属性中的每个属性的评价模糊数；每个所述评价模糊数包括隶属度和非隶属度；
所述计算单元还用于根据每个属性的评价模糊数，通过模糊数集成算子计算每条备选轨迹的综合属性模糊数；
所述计算单元还用于根据所述综合属性模糊数，计算每条备选轨迹的综合得分；
所述确定单元还用于根据每条备选轨迹的综合得分，确定最优轨迹。
7.根据权利要求6所述的装置，其特征在于，所述计算单元具体用于：
使用模糊数集成算子计算综合属性模糊数，所述模糊数集成算子的表达式为：
Figure FDA0002958382550000031
其中，(α1,α2......αn)表示从1到n个属性的综合属性模糊数，n为属性的个数，n和k都为正整数，1≤k≤n，(i1,i2,…,ik)表示遍历了(1,2,…,n)的所有k元组合，Cnk是二项式系数，μij为第j个评价模糊数的隶属度，vij为第j个评价模糊数的非隶属度；系数k表示悲观程度，随着k的增大,综合得分单调减小；q的选取与属性的隶属度和非隶属度的关系有关，当隶属度与非隶属度之和为1时，q＝1，当隶属度的二次幂与非隶属度的二次幂之和为1时，q＝2。
8.根据权利要求6所述的装置，其特征在于，所述确定单元具体用于：
利用公式S(m)＝μq-νq计算综合得分；其中，S(m)表示第m条备选轨迹的综合得分，μ表示第m条备选轨迹的综合属性模糊数的隶属度，v表示第m条备选轨迹的综合属性模糊数的非隶属度。
9.一种备选轨迹评价设备，其特征在于，包括存储器和处理器，存储器用于存储程序，处理器用于执行权利要求1-5任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行权利要求1-5任意一项所述的方法。
CN202110229336.5A 2021-03-02 2021-03-02 备选轨迹评价方法及装置 Pending CN113032503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110229336.5A CN113032503A (zh) 2021-03-02 2021-03-02 备选轨迹评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110229336.5A CN113032503A (zh) 2021-03-02 2021-03-02 备选轨迹评价方法及装置

Publications (1)

Publication Number Publication Date
CN113032503A true CN113032503A (zh) 2021-06-25

Family

ID=76465692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110229336.5A Pending CN113032503A (zh) 2021-03-02 2021-03-02 备选轨迹评价方法及装置

Country Status (1)

Country Link
CN (1) CN113032503A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348046A (zh) * 2019-05-29 2019-10-18 中国地质大学（武汉） 一种基于模糊综合评价的钻进轨迹多目标优化方法
CN110703754A (zh) * 2019-10-17 2020-01-17 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN111123934A (zh) * 2019-12-25 2020-05-08 深圳深岚视觉科技有限公司 轨迹评估方法、轨迹评估装置及移动机器人

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348046A (zh) * 2019-05-29 2019-10-18 中国地质大学（武汉） 一种基于模糊综合评价的钻进轨迹多目标优化方法
CN110703754A (zh) * 2019-10-17 2020-01-17 南京航空航天大学 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN111123934A (zh) * 2019-12-25 2020-05-08 深圳深岚视觉科技有限公司 轨迹评估方法、轨迹评估装置及移动机器人

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王军: "基于正交模糊信息集成算子的多属性决策方法研究", 《中国博士学位论文全文数据库 经济与管理科学辑》 *

Similar Documents

Publication Publication Date Title
Nishi et al. Merging in congested freeway traffic using multipolicy decision making and passive actor-critic learning
CN107169567B (zh) 一种用于车辆自动驾驶的决策网络模型的生成方法及装置
WO2022052406A1 (zh) 一种自动驾驶训练方法、装置、设备及介质
Ishihara et al. Multi-task learning with attention for end-to-end autonomous driving
DE102016113903A1 (de) Fahrzeugfahrstreckenbestimmung
CN112562328B (zh) 一种车辆行为预测方法及装置
CN112734808B (zh) 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法
CN109109863A (zh) 智能设备及其控制方法、装置
CN113561986A (zh) 自动驾驶汽车决策方法及装置
CN113682312A (zh) 一种融合深度强化学习的自主换道方法及系统
Kardell et al. Autonomous vehicle control via deep reinforcement learning
Zhu et al. Vision-based control in the open racing car simulator with deep and reinforcement learning
US20210213977A1 (en) Nearby Driver Intent Determining Autonomous Driving System
Holen et al. Road detection for reinforcement learning based autonomous car
CN113625753A (zh) 一种由专家规则引导神经网络学习无人机机动飞行的方法
CN116653957A (zh) 一种变速变道方法、装置、设备及存储介质
CN113033902A (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN113032503A (zh) 备选轨迹评价方法及装置
EP4124999A1 (en) Method and system for predicting trajectories of agents
EP4339051A1 (en) Driving strategy determination method and apparatus, device, and vehicle
CN115062202A (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
CN111507154A (zh) 使用横向滤波器掩膜来检测车道线元素的方法和装置
Samsani et al. Rapid Autonomous Vehicle Drifting with Deep Reinforcement Learning
Mijic et al. Autonomous driving solution based on traffic sign detection
CN117311393B (zh) 一种无人机自主飞行路径规划方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20210806

Address after: 430056 room 106-6, 1st floor, xiaojunshan community commercial building, Junshan street, Wuhan Economic and Technological Development Zone, Wuhan City, Hubei Province

Applicant after: Wuhan Zhixing Technology Co.,Ltd.

Address before: 401122 No.1, 1st floor, building 3, No.21 Yunzhu Road, Yubei District, Chongqing

Applicant before: Chongqing Zhixing Information Technology Co.,Ltd.

TA01 Transfer of patent application right
CB03 Change of inventor or designer information

Inventor after: Pan Qinggui

Inventor after: Liu Dongwei

Inventor after: Xu Cheng

Inventor after: Zhang Fang

Inventor after: Li Xiaofei

Inventor after: Wang Xiao

Inventor after: Zhang Dezhao

Inventor after: Huo Shuhao

Inventor before: Pan Guiqing

Inventor before: Liu Dongwei

Inventor before: Xu Cheng

Inventor before: Zhang Fang

Inventor before: Li Xiaofei

Inventor before: Wang Xiao

Inventor before: Zhang Dezhao

Inventor before: Huo Shuhao

CB03 Change of inventor or designer information
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625

RJ01 Rejection of invention patent application after publication