CN113065289B - 位姿预测方法、装置、电子设备及存储介质 - Google Patents

位姿预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113065289B
CN113065289B CN202110460591.0A CN202110460591A CN113065289B CN 113065289 B CN113065289 B CN 113065289B CN 202110460591 A CN202110460591 A CN 202110460591A CN 113065289 B CN113065289 B CN 113065289B
Authority
CN
China
Prior art keywords
information
target
prediction information
motion state
prediction
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.)
Active
Application number
CN202110460591.0A
Other languages
English (en)
Other versions
CN113065289A (zh
Inventor
曹晓旭
邱聪
王军
刘春晓
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.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202110460591.0A priority Critical patent/CN113065289B/zh
Publication of CN113065289A publication Critical patent/CN113065289A/zh
Priority to PCT/CN2021/127424 priority patent/WO2022227460A1/zh
Application granted granted Critical
Publication of CN113065289B publication Critical patent/CN113065289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本公开提供了一种位姿预测方法、装置、电子设备及存储介质，其中，该方法包括：获取目标行驶设备在最近多个时刻的运动状态信息及控制信息；基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息；基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息。

Description

位姿预测方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机技术领域，具体而言，涉及一种位姿预测方法、装置、电子设备及存储介质。
背景技术
在自动驾驶等研究进程中，车辆建模是基础而关键的一步，精确地对车辆运动进行模拟，不仅是对模拟仿真有效性的保障，对车辆自动驾驶控制器的设计也至关重要。
目前对车辆运动模拟的方法，通常将车辆模型简化成线性形式，利用线性化的车辆模型确定车辆的位姿信息，然而，将车辆模型简化成线性形式会损失建模精度，特别是车辆在转弯，高速等情况下，动力学特性会有较为显著的变化，导致误差较大，上述方法无法满足各种场景的需求。
发明内容
本公开实施例至少提供一种位姿预测方法、装置、电子设备及存储介质。
第一方面，本公开实施例提供了一种位姿预测方法，包括：
获取目标行驶设备在最近多个时刻的运动状态信息及控制信息；
基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息；
基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息。
该方面，根据运动状态信息与横向运动状态信息之间的关系，以及控制信息与横向运动状态之间的关系，确定横向运动状态预测信息，能够提高确定的横向运动状态预测信息的精确度，进而提高未来目标时刻的位姿预测信息的精确度。
在一种可能的实施方式中，所述横向运动状态预测信息包括横摆角速度预测信息；
所述基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息，包括：
基于所述运动状态信息和所述控制信息，生成第一特征向量；所述第一特征向量包括最近多个时刻的横摆角速度特征和控制特征，还包括最近多个时刻的纵向速度特征和纵向加速度特征中的至少一种；
根据所述第一特征向量确定所述横摆角速度预测信息。
该实施方式，通过对第一特征向量进行处理，根据最近多个时刻的横摆角速度特征与控制特征等各个特征之间的线性与非线性关系，确定未来目标时刻的横摆角速度预测信息，能够提高横摆角速度预测信息的精确度。
在一种可能的实施方式中，根据所述第一特征向量确定所述横摆角速度预测信息的步骤由第一目标神经网络执行，所述第一目标神经网络利用样本行驶设备在预测时刻之前的多个时刻的第一运动状态信息样本和第一控制信息样本，以及所述样本行驶设备在预测时刻对应的横摆角速度真值信息，进行训练。
该实施方式，利用样本行驶设备的第一运动状态信息样本和第一控制信息样本，以及预测时刻的横摆角速度真值信息对第一目标神经网络进行训练，使得第一目标神经网络能够学习横摆角速度信息、控制信息及运动状态信息的特征之间的线性与非线性关系，从而提高第一目标神经网络的预测精确度。
在一种可能的实施方式中，所述横向运动状态预测信息还包括侧滑角预测信息；
所述基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息，包括：
基于所述运动状态信息和所述控制信息，生成第二特征向量；所述第二特征向量包括最近多个时刻的侧滑角特征和控制特征，还包括最近多个时刻的纵向速度特征、纵向加速度特征和横摆角速度特征中的至少一种；
根据所述第二特征向量确定所述侧滑角预测信息。
该实施方式，通过运动状态信息和控制信息生成第二特征向量，根据最近多个时刻的第二行驶设备特征向量中的侧滑角特征与控制特征等各个特征之间的线性与非线性关系，来确定未来目标时刻的侧滑角预测信息，能够提高侧滑角预测信息的精确度。
在一种可能的实施方式中，根据所述第二特征向量确定所述侧滑角预测信息的步骤由第二目标神经网络执行，所述第二目标神经网络利用样本行驶设备在预测时刻之前的多个时刻的第二运动状态信息样本和第二控制信息样本，以及所述样本行驶设备在预测时刻对应的侧滑角真值信息进行训练。
该实施方式，利用样本行驶设备的第二运动状态信息样本和第二控制信息样本，以及样本行驶设备在预测时刻的侧滑角真值信息对第二目标神经网络进行训练，使得第二目标神经网络能够学习侧滑角信息、控制信息及运动状态信息的特征之间的线性与非线性关系，从而提高第二目标神经网络的预测精确度。
在一种可能的实施方式中，所述基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息，包括：
从所述最近多个时刻中选取任一时刻；
基于所述横向运动状态预测信息、所述任一时刻对应的目标运动状态信息、以及所述任一时刻与所述未来目标时刻之间的时间间隔，确定所述目标行驶设备在未来目标时刻的位姿预测信息。
该实施方式，由于上述横向运动状态预测信息是基于控制信息及目标神经网络确定的，也即是基于各个特征之间的线性与非线性关系确定的，具有精确度高的特征，基于上述横向运动状态预测信息确定的位姿预测信息同样具有精确度高特征。
在一种可能的实施方式中，所述位姿预测信息包括姿态预测信息；所述横向运动状态预测信息包括横摆角速度预测信息；
所述基于所述横向运动状态预测信息、所述任一时刻对应的目标运动状态信息、以及所述任一时刻与所述未来目标时刻之间的时间间隔，确定所述目标行驶设备在未来目标时刻的位姿预测信息，包括：
基于所述横摆角速度预测信息、所述目标行驶设备在所述任一时刻的目标运动状态信息中的姿态信息、以及所述时间间隔，确定在所述未来目标时刻时所述目标行驶设备的姿态预测信息。
该实施方式，在横摆角速度预测信息精确度高的情况下，确定的姿态预测信息也更精确。
在一种可能的实施方式中，所述位姿预测信息还包括位置预测信息；所述横向运动状态预测信息还包括侧滑角预测信息；所述基于所述横向运动状态预测信息、所述任一时刻对应的目标运动状态信息、以及所述任一时刻与所述未来目标时刻之间的时间间隔，确定所述目标行驶设备在未来目标时刻的位姿预测信息，包括：
基于所述未来目标时刻时所述目标行驶设备的姿态预测信息、所述侧滑角预测信息、所述时间间隔，以及所述目标行驶设备在所述任一时刻的目标运动状态信息中的目标速度信息，确定所述目标行驶设备在所述未来目标时刻的位移预测信息；
基于所述位移预测信息及所述目标行驶设备在所述任一时刻时的目标位置信息，确定所述目标行驶设备在未来目标时刻的所述位置预测信息。
该实施方式，根据精确度高的横摆角速度预测信息和侧滑角预测信息，确定位置预测信息，使位置预测信息的精确度更高。
在一种可能的实施方式中，所述目标行驶设备为目标车辆，所述控制信息包括所述目标车辆的方向盘控制信息。
在一种可能的实施方式中，所述方法还包括：
获取所述目标行驶设备在所述未来目标时刻的自动驾驶规划信息；
利用所述位姿预测信息，确定所述自动驾驶规划信息的精确度。
该实施方式，通过位姿预测信息与自动驾驶规划信息中的行驶设备位置的差异确定自动驾驶规划信息的精确度，进而实现对生成自动驾驶规划信息的自动驾驶规划算法进行评价。
第二方面，本公开实施例还提供一种位姿预测装置，包括：
获取模块，用于获取目标行驶设备在最近多个时刻的运动状态信息及控制信息；
第一预测模块，用于基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息；
第二预测模块，用于基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息。
第三方面，本公开可选实现方式还提供一种电子设备，处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述处理器用于执行所述存储器中存储的机器可读指令，所述机器可读指令被所述处理器执行时，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本公开可选实现方式还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
关于上述位姿预测装置、电子设备、及计算机可读存储介质的效果描述参见定位方法的说明，这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种位姿预测方法的流程图；
图2示出了本公开实施例所提供的目标车辆的示意图；
图3示出了本公开实施例所提供的第一目标神经网络的示意图；
图4示出了本公开实施例所提供的第二目标神经网络的示意图；
图5示出了本公开实施例所提供的一种位姿预测装置的示意图；
图6示出了本公开实施例所提供的一种计算机设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”，仅仅是描述一种关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
针对现有技术中，以线性模型模拟行驶设备位姿信息存在的精度低的缺陷，本公开提供了一种位姿预测方法、装置、电子设备及存储介质，本公开首先获取目标行驶设备在最近多个时刻的运动状态信息及控制信息，之后，基于所述运动状态信息、所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息，最后，基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息。本公开基于运动状态信息、控制信息之间的关系，确定横向运动状态预测信息，能够提高确定的横向运动状态预测信息的精确度，进而提高未来目标时刻的位姿预测信息的精确度。
下面通过具体的实施例，对本公开公开的位姿预测方法、装置、电子设备及存储介质进行说明。
如图1所示，本公开实施例公开了一种位姿预测方法，该方法可以应用于具有计算能力的电子设备上，例如终端设备、服务器等。具体地，该位姿预测方法可以包括如下步骤：
S110、获取目标行驶设备在最近多个时刻的运动状态信息及控制信息。
上述目标行驶设备可以是以车轮为移动部件的工具，如自行车、三轮车、汽车等车辆，或部署有车轮的机器人等。运动状态信息可以包括目标行驶设备的速度矢量、纵向加速度、横摆角速度、在世界坐标系下的位姿信息等，控制信息可以包括方向盘控制信息、控制模块下达的方向控制指令信息等，用于控制目标行驶设备前轮偏转角度。
上述最近多个时刻可以为与当前时刻最接近的多个时刻，上述多个时刻可以为距离当前时刻预设时间段内的预设数量个时刻，示例性的，上述最近多个时刻可以为距离当前时刻1秒内的100个时刻。上述运动状态信息可以通过部署在目标行驶设备上的传感器确定，也可以通过已经测得的部分运动状态信息计算得到，比如横摆角速度可以根据位姿信息确定，在传感器的采集频率不满足采集上述运动状态信息时，可以使用均匀差值采样的方法，将预设时间段内采集的信息的数量转换至预设数量。
以本公开实施例提供的目标行驶设备为目标车辆为例进行说明，图2为目标车辆的示意图。图中的目标车辆车轮是左右对称的，因此可以将其等价为两轮车，包括前轮A、后轮B以及车辆质心C，目标车辆处于世界坐标系下，可以以车辆质心为原点建立车体坐标系，其中，前轮A的转角(方向盘转角)为δf，车辆质心C与车辆前轴(前轮A的质心)的距离为a，车辆质心C与车辆后轴(后轮B的质心)的距离为b，目标车辆相对于世界坐标系x轴所成夹角的角度(航向角度)为θ，目标车辆的横摆角速度为
Figure BDA0003042280350000081
目标车辆的速度在世界坐标系下的矢量为vs，目标车辆在车体坐标系下的侧滑角为β，目标车辆在世界坐标系下的车速方向为ψ，车辆质心在世界坐标系下的位置为(Xs,Ys)。
S120、基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息。
上述未来目标时刻可以为当前时刻后的时刻，未来目标时刻可以为一个或多个，未来目标时刻与上述最近多个时刻之间的时间间隔可以小于或等于预设阈值。示例性的，上述多个时刻可以是距离当前时刻1秒内的100个时刻，各个时刻之间的时间间隔可以相等，未来目标时刻可以是距离当前时刻百分之一秒的时刻和百分之二秒的时刻。
上述横向运动状态预测信息可以包括横摆角速度预测信息及侧滑角预测信息，其中，横摆角速度是指目标行驶设备绕垂直轴的偏转，该偏转的大小代表汽车的稳定程度，侧滑角指目标行驶设备的速度矢量与其纵向对称平面(目标行驶设备的纵向中线)之间的夹角。
具体的，所述横向运动状态预测信息包括横摆角速度预测信息；可以通过以下步骤确定上述横向运动状态预测信息中的横摆角速度预测信息：
基于所述运动状态信息和所述控制信息，生成第一特征向量；所述第一特征向量包括最近多个时刻的横摆角速度特征和控制特征，还包括最近多个时刻的纵向速度特征和纵向加速度特征中的至少一种；根据所述第一特征向量确定所述横摆角速度预测信息。
其中，根据所述第一特征向量确定所述横摆角速度预测信息的步骤可以由第一目标神经网络执行。
上述第一特征向量是基于上述多个时刻中各个时刻的运动状态信息及控制信息得到的，可以包括各个时刻对应的特征，将第一特征向量输入至第一目标神经网络，经过第一目标神经网络的各个层，可以输出横摆角速度预测信息。
由于上述第一目标神经网络输出的是未来目标时刻的横摆角速度预测信息，上述第一特征向量中需要包括横摆角速度特征，由于第一特征向量中还包括控制特征，第一目标神经网络可以根据学习得到的控制特征与横摆角速度特征之间的线性或非线性关系，得到横摆角速度的预测值，即横摆角速度预测信息，为了使横摆角速度预测信息更加精确，第一特征向量还可以包括最近多个时刻的纵向速度特征和纵向加速度特征中的至少一种，第一目标神经网络能够同时根据第一特征向量中的多种特征确定横摆角速度预测信息。
示例性的，参见图3所示，为本公开实施例提供的第一目标神经网络的示意图，上述第一目标神经网络可以包括3个全连接层FC，第一特征向量可以包括横摆角速度特征、控制特征、纵向速度特征和纵向加速度特征四种，上述多个时刻的数量可以为100，输入input第一特征向量则可以为400×1的向量，在将第一特征向量输入第一目标神经网络后，第一目标神经网络可以先利用第一全连接层对第一特征向量进行处理，并进行第一次激活操作，得到400×1的中间向量，再利用第二全连接层对400×1的中间向量进行处理，并进行第二次激活操作，得到256×1的中间向量，再利用第三全连接层对256×1的中间向量进行处理，得到2×1的输出output向量，输出向量中的两个数值分别为两个未来目标时刻的横摆角速度预测信息。
其中，第一次激活操作可以使用整流线性单元(Rectified Linear Unit，ReLU)激活函数，第二次激活操作可以使用双曲正切(hyperbolic tangent，tanh)激活函数。
这样，通过第一目标神经网络，对第一特征向量进行处理，使第一目标神经网络学习最近多个时刻的横摆角速度特征与控制特征等各个特征之间的线性与非线性关系，并确定未来目标时刻的横摆角速度预测信息，能够提高横摆角速度预测信息的精确度。
上述第一目标神经网络是预先训练好的，具体的，可以通过以下步骤训练上述第一目标神经网络：
获取样本行驶设备在预测时刻之前的多个时刻的第一运动状态信息样本和第一控制信息样本，以及所述样本行驶设备在预测时刻对应的横摆角速度真值信息；基于所述预测时刻之前的多个时刻的第一运动状态信息样本和第一控制信息样本，以及所述样本行驶设备在预测时刻对应的横摆角速度真值信息，对所述第一目标神经网络进行训练。
上述样本行驶设备对应的第一运动状态信息样本及第一控制信息样本可以参考上述目标行驶设备对应的运动状态信息和控制信息，重复之处不再赘述。
上述横摆速度真值信息可以为在上述预测时刻时，样本行驶设备的真实横摆角速度。
该步骤中，可以基于样本行驶设备的第一运动状态信息样本和第一控制信息样本，生成对应的特征向量，再将样本行驶设备对应的特征向量输入至待训练的第一目标神经网络中，得到针对预测时刻的横摆角速度预测值信息，再利用横摆角速度真值信息和预测值信息确定损失，对第一目标神经网络进行训练。
这样，利用样本行驶设备的运动状态信息和控制信息，以及预测时刻的横摆角速度真值信息对第一目标神经网络进行训练，使得第一目标神经网络能够学习横摆角速度信息、控制信息及运动状态信息的特征之间的线性与非线性关系，从而提高第一目标神经网络的预测精确度。
相应的，所述横向运动状态预测信息还包括侧滑角预测信息，可以通过以下步骤确定上述横向运动状态预测信息中的侧滑角预测信息：
基于所述运动状态信息和所述控制信息，生成第二特征向量；所述第二特征向量包括最近多个时刻的侧滑角特征和控制特征，还包括最近多个时刻的纵向速度特征、纵向加速度特征和横摆角速度特征中的至少一种；
根据所述第二特征向量确定所述侧滑角预测信息。
与确定横摆角速度预测信息的步骤相似，根据所述第二特征向量确定所述侧滑角预测信息的步骤可以由第二目标神经网络执行，对第二特征向量进行处理，由于该步骤中需要确定的是侧滑角预测信息，第二目标神经网络中则需要包括侧滑角特征，通过学习侧滑角特征与控制特征之间的线性或非线性关系，能够提高确定侧滑角预测信息的准确度，并且，为了进一步提高侧滑角预测信息的精确度，第二目标神经网络还能够学习纵向速度特征、纵向加速度特征和横摆角速度特征等的一种或多种特征与侧滑角特征之间的关系。
参见图4所示，为本公开实施例提供的第二目标神经网络的示意图，第二目标神经网络可以包括5个全连接层FC，除最后一个全连接层以外，每经过一次全连接层，可以进行一次激活操作，激活函数可以为ReLU函数，第二特征向量中可以包括侧滑角特征、控制特征、纵向速度特征、纵向加速度特征和横摆角速度特征五种特征，上述多个时刻的数量可以为100，则第二特征可以500×1的向量，第二目标神经网络最终输出的可以为2×1的向量，向量中的两个数值分别为两个未来目标时刻的侧滑角预测信息。
该实施方式，通过第二目标神经网络，对第二特征向量进行处理，使第二目标神经网络学习最近多个时刻的侧滑角特征与控制特征等各个特征之间的线性与非线性关系，并确定未来目标时刻的侧滑角预测信息，能够提高侧滑角预测信息的精确度。
与训练第一目标神经网络的步骤相似，对第二目标神经网络的训练步骤可以包括：
获取样本行驶设备在预测时刻之前的多个时刻的第二运动状态信息样本和第二控制信息样本，以及所述样本行驶设备在预测时刻对应的侧滑角真值信息；基于所述预测时刻之前的多个时刻的第二运动状态信息样本和第二控制信息样本，以及所述样本行驶设备在预测时刻对应的侧滑角真值信息，对所述第二目标神经网络进行训练。
该步骤中，可以基于样本行驶设备的第二运动状态信息样本和第二控制信息样本，生成对应的特征向量，再将样本行驶设备对应的特征向量输入至待训练的第二目标神经网络中，得到针对预测时刻的侧滑角预测值信息，再利用侧滑角真值信息和预测值信息确定损失，对第二目标神经网络进行训练。
S130、基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息。
该步骤中，可以先从上述最近多个时刻中选取任一时刻，作为基准时刻，并确定基准时刻与未来目标时刻之间的时间间隔，这里，若未来目标时刻存在一个以上，则可以从确定任一未来目标时刻对应的位姿预测信息，或确定多个未来目标时刻的位姿信息，在确定上述时间间隔后，可以利用横向运动预测信息中的横摆角速度预测信息及侧滑角预测信息，确定上述时间间隔中目标行驶设备的位姿变化预测信息，再根据基准时刻的位姿信息和上述位姿变化预测信息，确定目标行驶设备的未来目标时刻的位姿预测信息。
其中，位姿信息可以包括位置信息及姿态信息，位置信息可以为目标行驶设备的质心在世界坐标系下的坐标，姿态信息可以为目标行驶设备与世界坐标系中x轴所成的夹角，相应的，位姿预测信息可以包括姿态预测信息及位置预测信息。
这样，由于上述横向运动状态预测信息是基于控制信息及目标神经网络确定的，也即是基于各个特征之间的线性与非线性关系确定的，精确度高，基于上述横向运动状态预测信息确定的位姿预测信息同样具有上述特征，精确度高。
在确定姿态预测信息时，可以利用横向运动状态预测信息中的横摆角速度预测信息，具体的，可以包括以下步骤：
基于所述横摆角速度预测信息、所述目标行驶设备在所述任一时刻的目标运动状态信息中的姿态信息、以及所述时间间隔，确定在所述未来目标时刻时所述目标行驶设备的姿态预测信息。
上述横摆角速度预测信息为预测的未来目标时刻目标行驶设备的横摆角速度，在上述时间间隔足够小的情况下，可以认为基准时刻到未来目标时刻中横摆角速度恒定，可以根据时间间隔及横摆角速度预测信息，确定目标行驶设备在上述时间间隔中所转动的角度，再基于基准时刻目标行驶设备的姿态信息，即可得到未来目标时刻目标行驶设备的姿态预测信息。
具体的，可以利用下述公式计算目标行驶设备的姿态预测信息：
Θ1＝Θ0+ωdt
其中，Θ0为目标行驶设备在基准时刻(上述任一时刻)的姿态信息(目标行驶设备与世界坐标系x轴之间的夹角)，Θ1为目标行驶设备在未来目标时刻的姿态信息，ω为上述横摆角速度预测信息，dt为上述时间间隔。
在确定位置预测信息时，可以利用横向运动状态预测信息中的侧滑角预测信息，具体的，可以包括以下步骤：
基于所述未来目标时刻时所述目标行驶设备的姿态预测信息、所述侧滑角预测信息、所述时间间隔，以及所述目标行驶设备在所述任一时刻的目标运动状态信息中的目标速度信息，确定所述目标行驶设备在所述未来目标时刻的位移预测信息；基于所述位移预测信息及所述目标行驶设备在所述任一时刻时的目标位置信息，确定所述目标行驶设备在未来目标时刻的所述位置预测信息。
该步骤中，可以利用目标行驶设备在未来目标时刻的侧滑角预测信息、目标速度信息及姿态预测信息，确定目标行驶设备在时间间隔中的运动方向，并根据时间间隔、运动方向及目标速度信息，确定目标行驶设备在世界坐标系下x轴与y轴上的位移，得到位移预测信息，再基于基准时刻的目标位置信息及位移预测信息，确定位置预测信息。
具体的，可以利用下述公式计算目标行驶设备的位置预测信息：
Xs1＝Xs0+vscos(Θ1+β)dt
Ys1＝Ys0+vssin(Θ1+β)dt
其中，(Xs0，Ys0)为基准时刻(S0时刻)时目标行驶设备在世界坐标系下的坐标(目标位置信息)，(Xs1，Ys1)为未来目标时刻(S1时刻)时目标行驶设备在世界坐标系下的坐标(位置预测信息)，vs为目标速度信息，Θ1为未来目标时刻的目标行驶设备与世界坐标系x轴的夹角(姿态预测信息)，β为侧滑角预测信息，dt为上述时间间隔，vssin(Θ1+β)dt为目标行驶设备在世界坐标系下y轴上的位移，vscos(Θ1+β)dt为目标行驶设备在世界坐标系下x轴上的位移。
在确定了目标行驶设备在未来目标时刻的位姿预测信息后，可以获取目标行驶设备在未来目标时刻的自动驾驶规划信息，自动驾驶规划信息中可以包括控制目标行驶设备自动驾驶的指令、预测的目标行驶设备按照自动驾驶指令行驶时的位姿信息及自动驾驶的路线等信息，通过将位姿预测信息与自动驾驶规划信息中的位姿信息进行对比，可以确定所述自动驾驶规划信息的精确度，进而实现对生成自动驾驶规划信息的自动驾驶规划算法进行评价。
本公开的上述实施例用于依赖于对行驶设备进行运动模拟的需求中，包括但不限于自动驾驶、行驶设备运动仿真、机器人导航、辅助驾驶等场景，用于提高位姿预测的精确度。
进一步的，在确定位姿预测信息后，可以对目标行驶设备的运动状态信息进行更新，并利用更新后的运动状态信息确定下一未来目标时刻的预测位姿信息。
对应于上述位姿预测方法，本公开还公开了一种位姿预测装置，该装置中的各个模块能够实现上述各个实施例的定位方法中的每个步骤，并且能够取得相同的有益效果，因此，对于相同的部分这里不再进行赘述。具体地，如图5所示，位姿预测装置包括：
获取模块510，用于获取目标行驶设备在最近多个时刻的运动状态信息及控制信息；
第一预测模块520，用于基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息；
第二预测模块530，用于基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息。
在一种可能的实施方式中，所述横向运动状态预测信息包括横摆角速度预测信息；
所述第一预测模块520用于：
基于所述运动状态信息和所述控制信息，生成第一特征向量；所述第一特征向量包括最近多个时刻的横摆角速度特征和控制特征，还包括最近多个时刻的纵向速度特征和纵向加速度特征中的至少一种；
根据所述第一特征向量确定所述横摆角速度预测信息。
在一种可能的实施方式中，所述第一预测模块520可以运行第一目标神经网络，通过第一目标神经网络执行根据所述第一特征向量确定所述横摆角速度预测信息的步骤，所述第一目标神经网络利用样本行驶设备在预测时刻之前的多个时刻的第一运动状态信息样本和第一控制信息样本，以及所述样本行驶设备在预测时刻对应的横摆角速度真值信息，进行训练。
在一种可能的实施方式中，所述横向运动状态预测信息还包括侧滑角预测信息；
所述第一预测模块520用于：
所述基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息，包括：
基于所述运动状态信息和所述控制信息，生成第二特征向量；所述第二特征向量包括最近多个时刻的侧滑角特征和控制特征，还包括最近多个时刻的纵向速度特征、纵向加速度特征和横摆角速度特征中的至少一种；
根据所述第二特征向量确定所述侧滑角预测信息。
在一种可能的实施方式中，所述第一预测模块520可以运行第二目标神经网络，通过第二目标神经网络执行根据所述第二特征向量确定所述侧滑角预测信息的步骤，所述第二目标神经网络利用样本行驶设备在预测时刻之前的多个时刻的第二运动状态信息样本和第二控制信息样本，以及所述样本行驶设备在预测时刻对应的侧滑角真值信息进行训练。
在一种可能的实施方式中，所述第二预测模块530具体用于：
从所述最近多个时刻中选取任一时刻；
基于所述横向运动状态预测信息、所述任一时刻对应的目标运动状态信息、以及所述任一时刻与所述未来目标时刻之间的时间间隔，确定所述目标行驶设备在未来目标时刻的位姿预测信息。
在一种可能的实施方式中，所述位姿预测信息包括姿态预测信息；所述横向运动状态预测信息包括横摆角速度预测信息；
所述第二预测模块530具体用于：
基于所述横摆角速度预测信息、所述目标行驶设备在所述任一时刻的目标运动状态信息中的姿态信息、以及所述时间间隔，确定在所述未来目标时刻时所述目标行驶设备的姿态预测信息。
在一种可能的实施方式中，所述位姿预测信息还包括位置预测信息；所述横向运动状态预测信息还包括侧滑角预测信息；
所述第二预测模块530还用于：
基于所述未来目标时刻时所述目标行驶设备的姿态预测信息、所述侧滑角预测信息、所述时间间隔，以及所述目标行驶设备在所述任一时刻的目标运动状态信息中的目标速度信息，确定所述目标行驶设备在所述未来目标时刻的位移预测信息；
基于所述位移预测信息及所述目标行驶设备在所述任一时刻时的目标位置信息，确定所述目标行驶设备在未来目标时刻的所述位置预测信息。
在一种可能的实施方式中，所述目标行驶设备为目标车辆，所述控制信息包括所述目标车辆的方向盘控制信息。
在一种可能的实施方式中，所述装置还包括评价模块，用于：
获取所述目标行驶设备在所述未来目标时刻的自动驾驶规划信息；
利用所述位姿预测信息，确定所述自动驾驶规划信息的精确度。
对应于上述行驶设备运动模拟方法，本公开实施例还提供了一种电子设备600，如图6所示，为本公开实施例提供的电子设备600结构示意图，包括：
处理器61、存储器62、和总线63；存储器62用于存储执行指令，包括内存621和外部存储器622；这里的内存621也称内存储器，用于暂时存放处理器61中的运算数据，以及与硬盘等外部存储器622交换的数据，处理器61通过内存621与外部存储器622进行数据交换，当电子设备600运行时，处理器61与存储器62之间通过总线63通信，使得处理器61执行以下指令：
获取目标行驶设备在最近多个时刻的运动状态信息及控制信息；
基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息；
基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述位姿预测方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供了一种计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述位姿预测方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。

Claims (13)

1.一种位姿预测方法，其特征在于，包括：
获取目标行驶设备在最近多个时刻的运动状态信息及控制信息；
基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息；所述横向运动状态预测信息包括横摆角速度预测信息及侧滑角预测信息；
基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息，包括：
基于所述横摆角速度预测信息以及所述最近多个时刻的运动状态信息，确定在所述未来目标时刻时所述目标行驶设备的姿态预测信息；以及
基于所述侧滑角预测信息以及所述最近多个时刻的运动状态信息，确定在所述未来目标时刻时所述目标行驶设备的位置预测信息；所述位姿预测信息包括姿态预测信息及位置预测信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息，包括：
基于所述运动状态信息和所述控制信息，生成第一特征向量；所述第一特征向量包括最近多个时刻的横摆角速度特征和控制特征，还包括最近多个时刻的纵向速度特征和纵向加速度特征中的至少一种；
根据所述第一特征向量确定所述横摆角速度预测信息。
3.根据权利要求2所述的方法，其特征在于，根据所述第一特征向量确定所述横摆角速度预测信息的步骤由第一目标神经网络执行，所述第一目标神经网络利用样本行驶设备在预测时刻之前的多个时刻的第一运动状态信息样本和第一控制信息样本，以及所述样本行驶设备在预测时刻对应的横摆角速度真值信息，进行训练。
4.根据权利要求1至3任一所述的方法，其特征在于，所述基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息，包括：
基于所述运动状态信息和所述控制信息，生成第二特征向量；所述第二特征向量包括最近多个时刻的侧滑角特征和控制特征，还包括最近多个时刻的纵向速度特征、纵向加速度特征和横摆角速度特征中的至少一种；
根据所述第二特征向量确定所述侧滑角预测信息。
5.根据权利要求4任一所述的方法，其特征在于，根据所述第二特征向量确定所述侧滑角预测信息的步骤由第二目标神经网络执行，所述第二目标神经网络利用样本行驶设备在预测时刻之前的多个时刻的第二运动状态信息样本和第二控制信息样本，以及所述样本行驶设备在预测时刻对应的侧滑角真值信息进行训练。
6.根据权利要求1至5任一所述的方法，其特征在于，所述基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息，包括：
从所述最近多个时刻中选取任一时刻；
基于所述横向运动状态预测信息、所述任一时刻对应的目标运动状态信息、以及所述任一时刻与所述未来目标时刻之间的时间间隔，确定所述目标行驶设备在未来目标时刻的位姿预测信息。
7.根据权利要求6所述的方法，其特征在于，所述基于所述横向运动状态预测信息、所述任一时刻对应的目标运动状态信息、以及所述任一时刻与所述未来目标时刻之间的时间间隔，确定所述目标行驶设备在未来目标时刻的位姿预测信息，包括：
基于所述横摆角速度预测信息、所述目标行驶设备在所述任一时刻的目标运动状态信息中的姿态信息、以及所述时间间隔，确定在所述未来目标时刻时所述目标行驶设备的姿态预测信息。
8.根据权利要求6所述的方法，其特征在于，所述基于所述横向运动状态预测信息、所述任一时刻对应的目标运动状态信息、以及所述任一时刻与所述未来目标时刻之间的时间间隔，确定所述目标行驶设备在未来目标时刻的位姿预测信息，包括：
基于所述未来目标时刻时所述目标行驶设备的姿态预测信息、所述侧滑角预测信息、所述时间间隔，以及所述目标行驶设备在所述任一时刻的目标运动状态信息中的目标速度信息，确定所述目标行驶设备在所述未来目标时刻的位移预测信息；
基于所述位移预测信息及所述目标行驶设备在所述任一时刻时的目标位置信息，确定所述目标行驶设备在未来目标时刻的所述位置预测信息。
9.根据权利要求1至8任一所述的方法，其特征在于，所述目标行驶设备为目标车辆，所述控制信息包括所述目标车辆的方向盘控制信息。
10.根据权利要求1至9任一所述的方法，其特征在于，所述方法还包括：
获取所述目标行驶设备在所述未来目标时刻的自动驾驶规划信息；
利用所述位姿预测信息，确定所述自动驾驶规划信息的精确度。
11.一种位姿预测装置，其特征在于，包括：
获取模块，用于获取目标行驶设备在最近多个时刻的运动状态信息及控制信息；
第一预测模块，用于基于所述运动状态信息和所述控制信息，确定所述目标行驶设备在未来目标时刻的横向运动状态预测信息；所述横向运动状态预测信息包括横摆角速度预测信息及侧滑角预测信息；
第二预测模块，用于基于所述未来目标时刻的横向运动状态预测信息及所述最近多个时刻的运动状态信息，确定所述目标行驶设备在未来目标时刻的位姿预测信息；
所述第二预测模块具体用于：
基于所述横摆角速度预测信息以及所述最近多个时刻的运动状态信息，确定在所述未来目标时刻时所述目标行驶设备的姿态预测信息；以及
基于所述侧滑角预测信息以及所述最近多个时刻的运动状态信息，确定在所述未来目标时刻时所述目标行驶设备的位置预测信息；所述位姿预测信息包括姿态预测信息及位置预测信息。
12.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述处理器用于执行所述存储器中存储的机器可读指令，所述机器可读指令被所述处理器执行时，所述处理器执行如权利要求1至10任一项所述的位姿预测方法的步骤。
13.一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，所述计算机程序被计算机设备运行时，所述计算机设备执行如权利要求1至10任意一项所述的位姿预测方法的步骤。
CN202110460591.0A 2021-04-27 2021-04-27 位姿预测方法、装置、电子设备及存储介质 Active CN113065289B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110460591.0A CN113065289B (zh) 2021-04-27 2021-04-27 位姿预测方法、装置、电子设备及存储介质
PCT/CN2021/127424 WO2022227460A1 (zh) 2021-04-27 2021-10-29 位姿预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110460591.0A CN113065289B (zh) 2021-04-27 2021-04-27 位姿预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113065289A CN113065289A (zh) 2021-07-02
CN113065289B true CN113065289B (zh) 2023-04-07

Family

ID=76567800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110460591.0A Active CN113065289B (zh) 2021-04-27 2021-04-27 位姿预测方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN113065289B (zh)
WO (1) WO2022227460A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113065289B (zh) * 2021-04-27 2023-04-07 深圳市商汤科技有限公司 位姿预测方法、装置、电子设备及存储介质
US20230012196A1 (en) * 2021-07-08 2023-01-12 Here Global B.V. Operating embedded traffic light system for autonomous vehicles
CN114593735B (zh) * 2022-01-26 2024-05-31 奥比中光科技集团股份有限公司 一种位姿预测方法及装置
CN117560638B (zh) * 2024-01-10 2024-03-22 山东派蒙机电技术有限公司 应用于移动端通信系统的融合通信方法、装置及设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007030026A1 (en) * 2005-09-09 2007-03-15 Industrial Research Limited A 3d scene scanner and a position and orientation system
EP2261093B1 (en) * 2009-06-01 2016-05-25 Volvo Car Corporation Method and system for predictive yaw stability control for automobile
CN109143255B (zh) * 2018-07-04 2020-11-20 厦门大学 一种铰接轮式装载机姿态预测方法
CN110992393B (zh) * 2019-11-24 2023-06-30 思看科技(杭州)股份有限公司 一种基于视觉的目标运动跟踪方法
CN111703432B (zh) * 2020-06-28 2022-12-20 湖南大学 一种智能履带车辆滑动参数实时估计方法
CN112238857B (zh) * 2020-09-03 2021-09-17 北京国家新能源汽车技术创新中心有限公司 自动驾驶车辆的控制方法
CN112428991B (zh) * 2020-11-30 2022-10-04 北京车和家信息技术有限公司 车辆控制方法、装置、介质、设备及车辆
CN113065289B (zh) * 2021-04-27 2023-04-07 深圳市商汤科技有限公司 位姿预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113065289A (zh) 2021-07-02
WO2022227460A1 (zh) 2022-11-03

Similar Documents

Publication Publication Date Title
CN113065289B (zh) 位姿预测方法、装置、电子设备及存储介质
Rucco et al. Computing minimum lap-time trajectories for a single-track car with load transfer
CN106153073B (zh) 一种全姿态捷联惯导系统的非线性初始对准方法
Kegelman Learning from professional race car drivers to make automated vehicles safer
KR20200140003A (ko) 관성 측정 유닛에 대한 캘리브레이션 장치 및 방법
Patton Development of vehicle dynamics tools for motorsports
JP2019189121A (ja) 車両状態推定装置
Junqueira et al. A Model-less Approach for Estimating Vehicles Sideslip Angle by a Neural Network Concept
Fouka et al. Motorcycle state estimation and tire cornering stiffness identification applied to road safety: Using observer-based identifiers
Marotta et al. Camber Angle Estimation based on Physical Modelling and Artificial Intelligence
Sanjurjo State observers based on detailed multibody models applied to an automobile
Bhardwaj et al. Estimating rack force due to road slopes for electric power steering systems
Zhang et al. Structure and motion for intelligent vehicles using an uncalibrated two-camera system
CN114777762B (zh) 一种基于贝叶斯nas的惯性导航方法
CN112577512A (zh) 一种基于轮速融合的状态量误差确定方法及车载终端
JP7234617B2 (ja) 車体姿勢角推定装置
CN112406890B (zh) 基于动力学的车辆预测控制方法及处理器
CN112947428A (zh) 一种四足机器人的移动控制方法及装置
Li et al. Online calibration of a single-track ground vehicle dynamics model by tight fusion with visual-inertial odometry
Isa et al. An autonomous vehicle driving control system
Ichimura 3D-odometry using tactile wheels and gyros: Localization simulation of a bike robot
CN114056338B (zh) 多传感器融合的车辆状态参数预估方法
Pauca et al. Trajectory Extraction from Online Mapping Platforms: Empowering Vehicle Dynamics and Intelligent Functionalities
Kosmaga et al. Online Vehicle Parameter Identification Using Wide-Array of Nonlinear Dynamics Approximation
CN111753369B (zh) 一种基于粒子群算法的车辆动力学平衡点求解方法

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40051715

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant