CN113112643A - 预测轨迹的评价方法、装置以及电子设备和存储介质 - Google Patents
预测轨迹的评价方法、装置以及电子设备和存储介质 Download PDFInfo
- Publication number
- CN113112643A CN113112643A CN202010033560.2A CN202010033560A CN113112643A CN 113112643 A CN113112643 A CN 113112643A CN 202010033560 A CN202010033560 A CN 202010033560A CN 113112643 A CN113112643 A CN 113112643A
- Authority
- CN
- China
- Prior art keywords
- predicted
- actual
- track
- data
- coordinate
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- 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
Abstract
本公开提供了一种预测轨迹的评价方法、装置以及电子设备和存储介质,涉及自动驾驶技术领域,其中的方法包括:基于可移动设备的传感设备获取的采集数据,确定可移动设备的预测行驶轨迹;基于可移动设备的实际行驶数据生成与预测轨迹相对应的实际行驶轨迹;基于实际行驶轨迹与预测行驶轨迹,确定与预测行驶轨迹相对应的评价信息;本公开的方法、装置以及电子设备、存储介质,能够实时对预测行驶轨迹进行评价;基于获取的预测行驶轨迹与实际行驶轨迹之间的误差信息确定预测轨迹的精度信息,能够提高对于预测轨迹进行评估的有效性和精确性。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种预测轨迹的评价方法、装置以及电子设备和存储介质。
背景技术
在驾驶辅助系统中,对于本车的行驶轨迹预测非常重要,特别是在关键目标的提取与选择中,行驶轨迹预测对于判断前方哪些目标位于关键区域内起着决定性的作用。为了减少驾驶辅助系统的误判,需要提高轨迹预测结果的准确度,对轨迹预测结果进行评价,基于评价结果进行优化。但是,现有的检测系统难以对驾驶辅助系统的行驶轨迹预测结果进行准确地评价。
发明内容
为了解决上述技术问题,本公开的实施例提供了一种预测轨迹的评价方法、装置以及电子设备和存储介质。
根据本公开实施例的一个方面,提供一种预测轨迹的评价方法,包括:基于可移动设备的传感设备获取的采集数据,确定可移动设备的预测行驶轨迹;基于可移动设备的实际行驶数据生成与所述预测轨迹相对应的实际行驶轨迹;基于实际行驶轨迹与所述预测行驶轨迹,确定与所述预测行驶轨迹相对应的评价信息。
根据本公开实施例的另一方面,提供一种预测轨迹的评价装置,包括:预测轨迹获取模块,用于基于可移动设备的传感设备获取的采集数据,确定可移动设备的预测行驶轨迹;实际轨迹获取模块,用于基于可移动设备的实际行驶数据生成与所述预测轨迹相对应的实际行驶轨迹;轨迹评价模块,用于基于实际行驶轨迹与所述预测行驶轨迹,确定与所述预测行驶轨迹相对应的评价信息。
根据本公开实施例的另一方面,提供一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述的方法。
根据本公开实施例的再一方面,提供一种电子设备,所述电子设备包括:处理器;用于存储所述处理器可执行指令的存储器;所述处理器,用于执行上述的方法。
基于本公开上述实施例提供的预测轨迹的评价方法、装置以及电子设备和存储介质,通过将预测行驶轨迹、实际行驶轨迹进行比对,能够实时度预测行驶轨迹进行评测;基于获得的预测行驶轨迹与实际行驶轨迹之间的误差信息确定预测轨迹的精度信息,能够提高对于预测轨迹进行评估的有效性和精确性。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
通过结合附图对本公开实施例进行更详细的描述,本公开的上述以及其他目的、特征以及优势将变得更加明显。附图用来提供对本公开实施例的进一步的理解,并且构成说明书的一部分,与本公开实施例一起用于解释本公开,并不构成对本公开的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1A为本公开所适用的系统图;
图1为本公开的预测轨迹的评价方法的一个实施例的流程图;
图2为本公开的基于生成与预测轨迹相对应的实际行驶轨迹的一个实施例的流程图;
图3为本公开的获取与预测行驶轨迹相对应的实际行驶数据的一个实施例的流程图;
图4为本公开的转换行驶数据的一个实施例的流程图;
图5为可移动设备在世界坐标系下的真值轨迹示意图;
图6为世界坐标系到车辆控制系统坐标系的转换关系示意图;
图7为本公开的获取与预测行驶轨迹相对应的评价信息的一个实施例的流程图;
图8为生成的预测行驶轨迹、实际行驶轨迹的示意图;
图9为本公开的预测轨迹的评价装置的一个实施例的结构示意图;
图10为本公开的实际轨迹获得获取模块的一个实施例的结构示意图;
图11是本公开的电子设备的一个实施例的结构图。
具体实施方式
下面将参考附图详细地描述根据本公开的示例实施例。显然,所描述的实施例仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,既不代表任何特定技术含义,也不表示它们之间的必然逻辑顺序。
还应理解,在本公开实施例中,“多个”可以指两个或者两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅是一种描述关联对象的关联关系,表示可以存在三种关系,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,本公开中字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
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讨论。
本公开的实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或者专用计算系统环境或配置一起操作。适于与终端设备、计算机系统或者服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施。在分布式云计算环境中,任务可以是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
申请概述
在实现本公开的过程中,发明人发现,为了减少驾驶辅助系统的误判,需要提高车辆等自身生成的轨迹预测结果的准确度,对轨迹预测结果进行评价,但现有的检测系统难以对驾驶辅助系统的行驶轨迹预测结果进行准确地评价。
本公开提供的自动驾驶状态的检测方法,分别基于可移动设备的传感设备获取的采集数据、可移动设备的实际行驶数据确定预测行驶轨迹、实际行驶轨迹,基于实际行驶轨迹与预测行驶轨迹,确定预测行驶轨迹的评价信息;通过将预测行驶轨迹、实际行驶轨迹进行比对,能够实时对预测行驶轨迹进行评价;基于获取的预测行驶轨迹与实际行驶轨迹之间的误差信息确定预测轨迹的精度信息,能够提高对于预测轨迹进行评估的有效性和精确性。
示例性系统
图1A示出了可以应用本公开的实施例的预测轨迹的评价方法或预测轨迹的评价装置的示例性系统架构。如图1所示,系统架构可以包括终端设备010,网络040、感知测评系统050和可移动设备,可移动设备可以为车辆030。在车辆030中设置有传感设备020,传感设备020包括:摄像装置、激光雷达、GPS设备、陀螺仪等,其中,传感设备020中的摄像装置0201可以设置在车辆030的顶部,用于采集图像。
在感知测评系统050中可以设置服务器0501,终端设备010设置在车辆030上,网络040用于在终端设备010和服务器0501之间、传感设备020和服务器0501之间提供通信链路的介质。网络040可以包括各种连接类型,例如无线通信链路等。
车辆030预先在测试行驶场景中行驶,传感设备020获取车辆030的实际行驶数据等数据,并通过网络040将发送给服务器0501。在对车辆030在同一测试场景中进行预测轨迹评价测试时,终端设备010通过网络040与服务器0501进行通信,以接收服务器0501中预存的实际行驶数据等,或者,传感设备020通过网络040与服务器0501进行通信,向服务器0501发送传感设备020当前采集到的数据等。终端设备010上可以安装有各种通讯客户端应用,例如导航类应用、地图类应用、搜索类应用、网页浏览器应用等。
终端设备010可以是各种电子设备,包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端。通常,终端设备010设置在车辆上,并且终端设备010可以是单独的设备,也可以是车辆本身的设备。
服务器0501可以是提供各种服务的服务器,例如为后台信息处理服务器等。后台信息处理服务器可以对传感设备020当前采集到的数据等进行处理,得到处理结果(例如预测行驶轨迹等)。
需要说明的是,本公开的实施例所提供的预测轨迹的评价方法可以由服务器0501执行,也可以由终端设备010执行,相应地,预测轨迹的评价装置可以设置于服务器0501中,也可以设置于终端设备010中。
应该理解,图1中的终端设备、网络和服务器等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终端设备、网络和服务器。
示例性方法
图1为本公开的预测轨迹的评价方法的一个实施例的流程图,如图1所示的方法包括步骤:S101-S103。下面对各步骤分别进行说明。
S101,基于可移动设备的传感设备获取的采集数据,确定可移动设备的预测行驶轨迹。
在一实施例中,可移动设备有多种,例如为被测车辆、运输机器人等,被测车辆可以为智能驾驶汽车等。可移动设备的传感设备包括:摄像装置、激光雷达、GPS设备、陀螺仪等。传感设备获取的采集数据包括:车道线、障碍物、指示灯、指示牌、行人等测试场景数据,以及可移动设备的位置坐标x,y和航偏角yaw等数据。
可移动设备能够根据采集数据确定预测行驶轨迹。预设预测时长或预测距离长度,可移动设备的预测行驶轨迹为可移动设备在此预测时长或预测距离长度内的行驶轨迹。例如,预测时长可以设置为10秒,预测距离长度可以为100米,可移动设备的预测行驶轨迹为可移动设备在当前时刻之后的10秒内的行驶轨迹,或为可移动设备在当前位置之后的100米内的行驶轨迹。
S102,基于可移动设备的实际行驶数据生成与预测轨迹相对应的实际行驶轨迹。
在一实施例中,可移动设备预先在测试行驶场景中行驶,获取并存储可移动设备在测试场景中的实际行驶数据,实际行驶数据包括位置坐标x,y和航偏角yaw等。可移动设备预先在测试场景中行驶的过程中,感知评测系统通过与可移动设备进行通信,获取可移动设备的传感设备采集的位置坐标x,y和航偏角yaw等实际行驶数据,对数据进行相应地处理后并存储,作为实际行驶数据。
或者,可移动设备预先在测试场景中行驶的过程中,通过测试服务器等设备与可移动设备进行通信,获取可移动设备的传感设备采集的位置坐标x,y和航偏角yaw等实际行驶数据并存储。在可移动设备测试完成后,测试服务器将存储的、可移动设备的位置坐标x,y和航偏角yaw等实际行驶数据上传给感知评测系统,感知评测系统对数据进行相应地处理并存储,作为数据行驶数据。
在对可移动设备在同一测试场景中进行预测轨迹评价测试时,在生成可移动设备的预测行驶轨迹时,感知评测系统或其他设备基于预先存储的可移动设备的实际行驶数据,生成与预测轨迹相对应的实际行驶轨迹。
S103,基于实际行驶轨迹与预测行驶轨迹,确定与预测行驶轨迹相对应的评价信息。
在一实施例中,感知评测系统通过与可移动设备进行通信,获取可移动设备实时生成的预测行驶轨迹,并基于预先存储的可移动设备的实际行驶数据生成与预测轨迹相对应的实际行驶轨迹,根据实际行驶轨迹与预测行驶轨迹确定与预测行驶轨迹相对应的评价信息,评价信息用于评价被测车辆等预测行驶轨迹的准确度。
上述实施例中的预测轨迹的评价方法,可以实时获取可移动设备的传感设备获取的采集数据并确定预测行驶轨迹,根据可移动设备的实际行驶数据生成实际行驶轨迹,基于预测行驶轨迹和实际行驶轨迹评价预测行驶轨迹的准确性和精度,能够提高对于预测轨迹进行评估的有效性和精确性。
可以将可移动设备的传感设备获取的采集数据输入预设的行驶轨迹预测模型,生成以可移动设备的当前位置为起点的预测行驶轨迹。行驶轨迹预测模型可以为多种,例如,可以预先建立车辆运动模型,将车辆底盘物理信号等数据输入车辆运动模型,车辆运动模型输出预测的行驶轨迹。可以使用现有的多种车辆运动模型。
行驶轨迹预测模型可以采用神经网络模型。神经网络模型包括输入层神经元模型、中间层神经元模型和输出层神经元模型,每层神经元模型的输出作为下一层神经元模型的输入,神经网络模型可以为具有全连接结构的多个神经网络层的子网络结构,中间层神经元模型为全连接层。
根据可移动设备的传感设备获取的历史采集数据、以可移动设备的当前位置为起点的历史预测行驶轨迹生成训练样本集,根据训练样本进行神经网络的训练,得到神经网络模型。将可移动设备的传感设备获取的当前采集数据输入训练好的神经网络模型,通过神经网络模型可以输出以可移动设备的当前位置为起点的预测行驶轨迹。
生成与预测轨迹相对应的实际行驶轨迹可以采用多种方法。图2为本公开的基于生成与预测轨迹相对应的实际行驶轨迹的一个实施例的流程图,如图2所示的方法包括步骤:S201-S204。下面对各步骤分别进行说明。
S201,获取与预测行驶轨迹相对应的实际行驶数据。
在一实施例中,可移动设备预先在测试场景中行驶,感知评测系统获取可移动设备的传感设备采集的位置坐标x,y和航偏角yaw等实际行驶数据并存储。在对预测行驶轨迹进行评价时,从感知评测系统中获取与预测行驶轨迹相对应实际行驶数据。
S202,获取预测行驶轨迹所在的第一坐标系和实际行驶数据所在的第二坐标系之间的转换关系。
在一实施例中,预测行驶轨迹所在的第一坐标系和实际行驶数据所在的第二坐标系之间的转换关系包括坐标平移关系和坐标旋转关系等。
S203,基于转换关系将实际行驶数据转换为在第一坐标系下的转换行驶数据。
在一实施例中,第一坐标系包括车辆控制系统坐标系等,车辆控制系统坐标系可以为观察坐标系VCS坐标系等,第二坐标系包括世界坐标系等。例如,基于转换关系对实际行驶数据进行从世界坐标系到车辆控制系统坐标系的转换处理。实际行驶数据包括:在世界坐标系下的第一位置坐标;使用坐标平移关系和坐标旋转关系,依次对实际行驶数据序列中的各个实际行驶数据进行坐标平移处理和坐标旋转处理,获取与每个实际行驶数据相对应的转换行驶数据,转换行驶数据包括:在车辆控制系统坐标系中与第一位置坐标相对应的第三位置坐标。例如,实际行驶数据为世界坐标系下的第一位置坐标,对第一位置坐标进行坐标平移处理和坐标旋转处理,得到在车辆控制系统坐标系中相对应的第三位置坐标,即为与实际行驶数据相对应的转换行驶数据。
S204,基于转换行驶数据在第一坐标系中生成与预测行驶轨迹相对应的实际行驶轨迹。
在一实施例中,基于实际行驶数据转换在第一坐标系下的转换行驶数据,在车辆控制系统坐标系中生成与预测行驶轨迹相对应的实际行驶轨迹。
上述实施例中的预测轨迹的评价方法,获取与预测行驶轨迹相对应的实际行驶数据,基于预测行驶轨迹所在的第一坐标系和实际行驶数据所在的第二坐标系之间的转换关系对实际行驶数据进行转换处理,并在第一坐标系中生成与预测行驶轨迹相对应的实际行驶轨迹;通过生成与预测行驶轨迹位于同一坐标系下的实际行驶轨迹,能够与预测行驶轨迹进行对比分析,实时评价预测行驶轨迹的准确性和精度。
获取与预测行驶轨迹相对应的实际行驶数据可以有多种方法。图3为本公开的获取与预测行驶轨迹相对应的实际行驶数据的一个实施例的流程图,如图3所示的方法包括步骤:S301-S306。下面对各步骤分别进行说明。
S301,获取与采集数据相对应的第一采集时间戳、与实际行驶数据相对应的第二采集时间戳。
在一实施例中,对可移动设备的传感设备获取的采集数据打上第一采集时间戳,对预先存储在感知评测系统的存储装置中的实际行驶数据打上第二采集时间戳。第一采集时间戳和第二采集时间戳可以都为与可移动设备行驶起始时间相对应的相对采集时间戳。
例如,在对可移动设备在测试场景中进行预测轨迹评价测试时,将可移动设备行驶起始时间设置为0,即为计时起点,获取传感设备获得的采集数据相对于计时起点的相对采集时间,基于相对采集时间对传感设备获取的采集数据打上第一采集时间戳(相对采集时间戳)。当可移动设备预先在测试行驶场景中行驶时,将可移动设备行驶起始时间设置为0,即为计时起点,获取传感设备获得的采集数据相对于计时起点的相对采集时间,基于相对采集时间对预先存储在感知评测系统的存储装置中的实际行驶数据打上第二采集时间戳(相对采集时间戳)。S302,获取与第一采集时间戳最接近的第二采集时间戳对应的第一实际行驶数据。
在一实施例中,获取与当前的采集数据相对应的第一采集时间戳,在存储装置中查找距离第一采集时间戳最近的第二采集时间戳对应的第一实际行驶数据。
如果在可移动设备预先在测试场景中行驶的过程中,可移动设备的传感设备的第一采样频率大于感知评测系统对于实际行驶数据的第二采样频率,则对存储在存储装置中的每两个实际行驶数据进行线性插值处理,用以在两个实际行驶数据之间插入新的实际行驶数据。
例如,如果第一采样频率为30Hz,第二采样频率为25Hz,则对存储装置中存储的与真实行驶轨迹相对应的实际行驶数据进行线性插值处理,在每两个实际行驶数据之间插入一个的实际行驶数据,使得感知评测系统对实际行驶数据的采集时间间隔减少至20ms。
S303,基于采集数据确定可移动设备的当前位置。
在一实施例中,采集数据可以为摄像装置、激光雷达、GPS设备、陀螺仪等采集的数据,基于采集数据可以确定可移动设备的当前位置。例如,基于GPS设备采集的GPS坐标可以确定可移动设备在测试行驶场景中的当前位置。
S304,根据预设的预测轨迹距离,确定可移动设备在当前位置之后的目标位置。
在一实施例中,采集数据包括可移动设备的位置坐标(GPS坐标),基于位置坐标确定可移动设备的当前位置A。预测轨迹距离可以设置,例如,获取预设的预测轨迹距离为100m,根据预测轨迹距离确定可移动设备在当前位置A之后、并距离当前位置A为100m的目标位置C,目标位置C位于预测行驶轨迹上。
S305,获取与目标位置相对应的第二实际行驶数据。
在一个实施例中,感知评测系统预先存储可移动设备的实际行驶数据,与感知测评信息进行通信,从感知测评系统中获取与可移动设备的目标位置C相对应的实际行驶数据。
在感知评测系统的存储装置中预先中存储的实际行驶数据中,获取与可移动设置的当前采集数据的第一时间戳最接近的第二时间戳对应的第一实际行驶数据,即获取与当前位置A相对应的第一实际行驶数据D。
在存储装置中存储的实际行驶数据中,获取与目标位置C对应的第二实际行驶数据E,其中,在实际行驶轨迹中,第一实际行驶数据D对应的实际位置1与第二实际行驶数据E对应的实际位置2之间的距离为预测轨迹距离,预测轨迹距离可以为100m等。
S306,基于第一实际行驶数据、第二实际行驶数据以及采集时间位于第一实际行驶数据与第二实际行驶数据之间的第三实际行驶数据,生成与预测行驶轨迹相对应的实际行驶数据。
在一实施例中,在存储装置中存储的实际行驶数据中,基于第二时间戳信息获取采集时间位于第一实际行驶数据D和第二实际行驶数据E之间的多个第三实际行驶数据,基于第一实际行驶数据D、第二实际行驶数据E以及第三实际行驶数据,生成与预测行驶轨迹相对应的实际行驶数据,实际行驶数据为实际行驶数据序列。
上述实施例中的预测轨迹的评价方法,对采集数据、实际行驶数据分别设置时间戳,通过对不同的时间戳进行时间戳对齐处理,获取与采集数据对应的实际行驶数据,并且根据预测轨迹距离获取与目标位置相对应的实际行驶数据,能够准确地获取与预测行驶轨迹相对应的实际行驶数据,使得生成的实际行驶轨迹更加精确,能够提高评估准确性。
图4为本公开的转换行驶数据的一个实施例的流程图,如图4所示的方法包括步骤:S401-S404。下面对各步骤分别进行说明。
S401,基于采集数据获取当前位置在世界坐标系下的第二位置坐标和可移动设备在当前位置的航偏角。
在一个实施例中,基于里程计Odometry等设备可以确定可移动设备的当前位置在世界坐标系下的第二位置坐标,通过陀螺仪采集的数据可以确定可移动设备的当前位置在世界坐标系下的航偏角等。
S402,将第二位置坐标设置为坐标系原点、并将可移动设备的车头朝向方向设置为一个坐标轴的方向,生成车辆控制系统坐标系。
在一个实施例中,车辆控制系统坐标系为以可移动设备的当前位置为坐标原点、以可移动设备的朝向作为一个坐标轴方向的平面坐标系。例如,将可移动设备的当前位置设置为车辆控制系统坐标系的原点,将可移动设备的车头朝向方向设置为车辆控制系统坐标系的一个坐标轴(纵向坐标)的方向,并将与纵向坐标相垂直的方向作为车辆控制系统坐标系的另一个坐标轴(横向坐标)的方向。
S403,基于第二位置坐标确定坐标平移关系,基于航偏角确定坐标旋转关系。
在一实施例中,可移动设备预先在测试场景中行驶的过程中,感知评测系统获取可移动设备的传感设备采集的位置坐标x,y和航偏角yaw等实际行驶数据,生成在测试场景中的实际行驶轨迹如图5所示。
如图6所示,坐标平移关系为:
其中,x0,y0为第二位置坐标的坐标值,xs,ys为第一位置坐标的坐标值,x′s,y′s为平移位置坐标的坐标值,s=0,1,2,3...,为实际行驶数据序列中的实际行驶数据序列号。
由于车辆控制系统坐标系和世界坐标系的横纵轴相反,根据轨迹预测的朝向要求,实际行驶数据中航偏角yaw为当前可移动设备的车头朝向与世界坐标系x之间的夹角,而车辆控制系统坐标系中x轴为可移动设备的车头朝向,因此,从世界坐标系到车辆控制系统坐标系的旋转角度为
其中,θyaw为可移动设备的当前位置所对应的世界坐标系下的航偏角。
坐标旋转关系为:
S404,使用坐标平移关系和坐标旋转关系,依次对第一位置坐标进行坐标平移处理和坐标旋转处理,获取第三位置坐标。
在一实施例中,使用上述公式(1-1)和(1-3),依次对实际行驶数据在世界坐标系下的第一位置坐标进行坐标平移处理和坐标旋转处理,获取在车辆控制系统坐标系中的第三位置坐标。
上述实施例中的预测轨迹的评价方法,获取与实际行驶数据序列中的每个实际行驶数据的第一位置坐标相对应的第三位置坐标,并生成与转换行驶数据序列,进而基于转换行驶数据序列中的全部第三位置坐标进行曲线拟合处理,获取在车辆控制系统坐标系下的实际行驶轨迹,曲线拟合处理可以采用现有的多种曲线拟合算法;能够根据可移动设备的实际行驶数据生成与预测行驶轨迹位于同一坐标系下的实际行驶轨迹,与预测行驶轨迹进行对比分析,能够提高对于预测轨迹评估的有效性和精确性。
可以获取与预测行驶轨迹相对应的多种评价信息。图7为本公开的获取与预测行驶轨迹相对应的评价信息的一个实施例的流程图,如图7所示的方法包括步骤:S501-S504。下面对各步骤分别进行说明。
S501,在预测行驶轨迹上选取第一采样点。
在一实施例中,可以在预测行驶轨迹上选取一个或多个第一采样点。例如,在生成预测行驶轨迹后,在预测行驶轨迹上选取与可移动设备的当前位置A距离预设距离(例如为50米等)的位置点B,将位置点B确定为第一采样点;或者,在预测行驶轨迹上、并在当前位置A之后,间隔预设距离(例如为10米等)选取多个位置点,将多个位置点作为多个第一采样点。
S502,在实际行驶轨迹上选取与第一采样点相对应的第二采样点。
在一实施例中,可以在实际行驶轨迹上选取与一个或多个第一采样点相对应的一个或多个第二采样点。
S503,获取第一采样点的第一采样坐标值与第二采样点的第二采样坐标值之间的差值信息。
在一实施例中,获取第一采样点在车辆控制系统坐标系中的第一采样坐标值、第二采样点在车辆控制系统坐标系的的第二采样坐标值,差值信息可以为第一采样点和第二采样点的横向坐标值的差值等。
S504,基于差值信息获取评价信息。
在一实施例中,为了定量分析预测行驶轨迹和实际行驶轨迹的拟合程度,评价信息包括多种评价指数。例如,评价指数为误差平方和(SSE,Sum of Squared Error),选取可移动设备前方一定距离内的若干采样点,计算采样点处的预测行驶轨迹和实际行驶轨迹的误差平方和,采样点的权重可以随与可移动设备的距离增大而减小。评价指数为误差均方和(MSE,Mean of Squared Error),获取误差平方和对采样点数的均值,能够反应在一个测试场景中整体的预测效果,值越小说明预测结果越准确。
评价信息还可以包括:用于评价基准行驶轨迹和预测行驶轨迹之间的曲线拟合度的决定系数,决定系数为:
在对预测轨迹的进行评估时,可以在显示屏中显示预测行驶轨迹和实际行驶轨迹,提供直观的对比效果。如图8所示,生成以可移动设备的当前位置为起点的预测行驶轨迹601、与预测行驶轨迹601相对应的实际行驶轨迹602,并在显示屏中进行显示。可以选取预测行驶轨迹601和实际行驶轨迹602的横向差值(横向坐标值的差值)作为评测标准,可以分别计算位于可移动设备前方纵向40m和80m处,实际行驶轨迹602和实际行驶轨迹602的横向距离(横向坐标值)差值,并在显示屏上进行显示。
上述实施例中的预测轨迹的评价方法,能够实时确定预测行驶轨迹的评价信息,基于获取的预测行驶轨迹与实际行驶轨迹之间的误差信息确定预测轨迹的精度信息,能够提高对于预测轨迹进行评估的有效性和精确性。
示例性装置
在一个实施例中,如图9所示,本公开提供一种预测轨迹的评价装置,包括:预测轨迹获取模块901、实际轨迹获取模块902和轨迹评价模块903。预测轨迹获取模块901基于可移动设备的传感设备获取的采集数据,确定可移动设备的预测行驶轨迹。实际轨迹获取模块902基于可移动设备的实际行驶数据生成与预测轨迹相对应的实际行驶轨迹。轨迹评价模块903基于实际行驶轨迹与预测行驶轨迹,确定与预测行驶轨迹相对应的评价信息。
轨迹评价模块903在预测行驶轨迹上选取第一采样点,在实际行驶轨迹上选取与第一采样点相对应的第二采样点。轨迹评价模块903获取第一采样点的第一采样坐标值与第二采样点的第二采样坐标值之间的差值信息,基于差值信息获取评价信息。
在一个实施例中,如图10所示,实际轨迹获取模块902包括:实际行驶数据获取模块9021、实际行驶数据转换模块9022和实际轨迹生成模块9023。实际行驶数据获取模块9021获取与预测行驶轨迹相对应的实际行驶数据。实际行驶数据转换模块9022获取预测行驶轨迹所在的第一坐标系和实际行驶数据所在的第二坐标系之间的转换关系,基于转换关系将实际行驶数据转换为在第一坐标系下的转换行驶数据。实际轨迹生成模块9023基于转换行驶数据在第一坐标系中生成与预测行驶轨迹相对应的实际行驶轨迹。
实际行驶数据获取模块9021获取与采集数据相对应的第一采集时间戳、与实际行驶数据相对应的第二采集时间戳。实际行驶数据获取模块9021获取与第一采集时间戳最接近的第二采集时间戳对应的第一实际行驶数据,基于采集数据确定可移动设备的当前位置。
实际行驶数据获取模块9021根据预设的预测轨迹距离,确定可移动设备在当前位置之后的目标位置,获取与目标位置相对应的第二实际行驶数据。实际行驶数据获取模块9021基于第一实际行驶数据、第二实际行驶数据以及采集时间位于第一实际行驶数据与第二实际行驶数据之间的第三实际行驶数据,生成与预测行驶轨迹相对应的实际行驶数据。
如果采集数据的采样频率大于实际行驶数据的采样频率,则实际行驶数据获取模块9021对每两个实际行驶数据进行线性插值处理,用以在每两个实际行驶数据之间插入新的实际行驶数据。转换关系包括:坐标平移关系和坐标旋转关系;实际行驶数据转换模块9022使用坐标平移关系和坐标旋转关系,依次对实际行驶数据进行坐标平移处理和坐标旋转处理,获取与实际行驶数据相对应的转换行驶数据。
在一个实施例中,第一坐标系包括:车辆控制系统坐标系,第二坐标系包括:世界坐标系;实际行驶数据包括:在世界坐标系下的第一位置坐标;转换行驶数据包括:在车辆控制系统坐标系中与第一位置坐标相对应的第三位置坐标。
实际轨迹生成模块9023基于采集数据获取当前位置在世界坐标系下的第二位置坐标和可移动设备在当前位置的航偏角。实际轨迹生成模块9023将第二位置坐标设置为坐标系原点、并将可移动设备的车头朝向方向设置为一个坐标轴的方向,生成车辆控制系统坐标系。实际行驶数据转换模块9022基于第二位置坐标确定坐标平移关系,基于航偏角确定坐标旋转关系,使用坐标平移关系和坐标旋转关系,依次对第一位置坐标进行坐标平移处理和坐标旋转处理,获取第三位置坐标。
图11是本公开的电子设备的一个实施例的结构图,如图11所示,电子设备111包括一个或多个处理器1111和存储器1112。
处理器1111可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备111中的其他组件以执行期望的功能。
存储器1112可以包括一个或多个计算机程序产品,计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器,例如,可以包括:随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器,例如,可以包括:只读存储器(ROM)、硬盘以及闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器1111可以运行所述程序指令,以实现上文所述的本公开的各个实施例的预测轨迹的评价方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备111还可以包括:输入装置1113以及输出装置1114等,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。此外,该输入设备1113还可以包括例如键盘、鼠标等等。该输出装置1114可以向外部输出各种信息。该输出设备1114可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图11中仅示出了该电子设备111中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备111还可以包括任何其他适当的组件。
除了上述方法和设备以外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的预测轨迹的评价方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的预测轨迹的评价方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列举)可以包括:具有一个或者多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本公开的基本原理,但是,需要指出的是,在本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势以及效果等是本公开的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
上述实施例中的预测轨迹的评价方法、装置以及电子设备和存储介质,通过将预测行驶轨迹、实际行驶轨迹进行比对,基于获取的预测行驶轨迹与实际行驶轨迹之间的误差信息确定预测轨迹的精度信息,能够提高对于预测轨迹进行评估的有效性和精确性,适合多种测试场地。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备以及系统。诸如“包括”、“包含、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是,在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
提供所公开的方面的以上描述,以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改等对于本领域技术人员而言,是非常显而易见的,并且在此定义的一般原理可以应用于其他方面,而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式中。尽管以上已经讨论了多个示例方面以及实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种预测轨迹的评价方法,包括:
基于可移动设备的传感设备获取的采集数据,确定所述可移动设备的预测行驶轨迹;
基于所述可移动设备的实际行驶数据生成与所述预测轨迹相对应的实际行驶轨迹;
基于实际行驶轨迹与所述预测行驶轨迹,确定与所述预测行驶轨迹相对应的评价信息。
2.如权利要求1所述的方法,所述基于所述可移动设备的实际行驶数据生成与所述预测轨迹相对应的实际行驶轨迹包括:
获取与所述预测行驶轨迹相对应的实际行驶数据;
获取所述预测行驶轨迹所在的第一坐标系和所述实际行驶数据所在的第二坐标系之间的转换关系;
基于所述转换关系将所述实际行驶数据转换为在所述第一坐标系下的转换行驶数据;
基于所述转换行驶数据在所述第一坐标系中生成与所述预测行驶轨迹相对应的实际行驶轨迹。
3.如权利要求2所述的方法,所述获取与所述预测行驶轨迹相对应的所述实际行驶数据包括:
获取与所述采集数据相对应的第一采集时间戳、与所述实际行驶数据相对应的第二采集时间戳;
获取与所述第一采集时间戳最接近的第二采集时间戳对应的第一实际行驶数据;
基于所述采集数据确定所述可移动设备的当前位置;
根据预设的预测轨迹距离,确定所述可移动设备在所述当前位置之后的目标位置;
获取与所述目标位置相对应的第二实际行驶数据;
基于所述第一实际行驶数据、所述第二实际行驶数据以及采集时间位于所述第一实际行驶数据与所述第二实际行驶数据之间的第三实际行驶数据,生成与所述预测行驶轨迹相对应的实际行驶数据。
4.如权利要求3所述的方法,还包括:
如果所述采集数据的采样频率大于所述实际行驶数据的采样频率,则对每两个实际行驶数据进行线性插值处理,用以在每两个实际行驶数据之间插入新的实际行驶数据。
5.如权利要求3所述的方法,所述转换关系包括:坐标平移关系和坐标旋转关系;所述基于所述转换关系将所述实际行驶数据转换为在所述第一坐标系下的转换行驶数据包括:
使用所述坐标平移关系和所述坐标旋转关系,依次对所述实际行驶数据进行坐标平移处理和坐标旋转处理,获取与所述实际行驶数据相对应的转换行驶数据。
6.如权利要求5所述的方法,所述第一坐标系包括:车辆控制系统坐标系,所述第二坐标系包括:世界坐标系;所述实际行驶数据包括:在世界坐标系下的第一位置坐标;所述转换行驶数据包括:在所述车辆控制系统坐标系中与所述第一位置坐标相对应的第三位置坐标;所述方法还包括:
基于所述采集数据获取所述当前位置在世界坐标系下的第二位置坐标和所述可移动设备在当前位置的航偏角;
将所述第二位置坐标设置为坐标系原点、并将所述可移动设备的车头朝向方向设置为一个坐标轴的方向,生成所述车辆控制系统坐标系;
基于所述第二位置坐标确定所述坐标平移关系,基于所述航偏角确定所述坐标旋转关系;
使用所述坐标平移关系和所述坐标旋转关系,依次对所述第一位置坐标进行坐标平移处理和坐标旋转处理,获取所述第三位置坐标。
7.如权利要求2至6任一所述的方法,所述将所述实际行驶轨迹与所述预测行驶轨迹进行比对,基于比对结果获取与所述预测行驶轨迹相对应的评价信息包括:
在所述预测行驶轨迹上选取第一采样点;
在所述实际行驶轨迹上选取与所述第一采样点相对应的第二采样点;
获取所述第一采样点的第一采样坐标值与所述第二采样点的第二采样坐标值之间的差值信息;
基于所述差值信息获取所述评价信息。
8.一种预测轨迹的评价装置,包括:
预测轨迹获取模块,用于基于可移动设备的传感设备获取的采集数据,确定所述可移动设备的预测行驶轨迹;
实际轨迹获取模块,用于基于可移动设备的实际行驶数据生成与所述预测轨迹相对应的实际行驶轨迹;
轨迹评价模块,用于基于实际行驶轨迹与所述预测行驶轨迹,确定与所述预测行驶轨迹相对应的评价信息。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一项所述的方法。
10.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010033560.2A CN113112643A (zh) | 2020-01-13 | 2020-01-13 | 预测轨迹的评价方法、装置以及电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010033560.2A CN113112643A (zh) | 2020-01-13 | 2020-01-13 | 预测轨迹的评价方法、装置以及电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112643A true CN113112643A (zh) | 2021-07-13 |
Family
ID=76708837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010033560.2A Pending CN113112643A (zh) | 2020-01-13 | 2020-01-13 | 预测轨迹的评价方法、装置以及电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112643A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237236A (zh) * | 2021-12-06 | 2022-03-25 | 广州小鹏自动驾驶科技有限公司 | 一种车辆前向预测路径验证方法、装置、车辆和存储介质 |
CN114348019A (zh) * | 2021-12-20 | 2022-04-15 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
CN116070780A (zh) * | 2023-02-28 | 2023-05-05 | 小米汽车科技有限公司 | 轨迹预测算法的评价方法、装置、介质及车辆 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1114748A (ja) * | 1997-06-25 | 1999-01-22 | Honda Motor Co Ltd | 車両の物体検知装置 |
JP2003067728A (ja) * | 2001-08-23 | 2003-03-07 | Clarion Co Ltd | 車両の運転支援装置の予想軌跡生成方法 |
CN104167097A (zh) * | 2014-09-03 | 2014-11-26 | 中国科学院合肥物质科学研究院 | 一种基于车车通信的动态超车轨迹生成系统及其生成方法 |
JP2015532747A (ja) * | 2012-08-24 | 2015-11-12 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングRobert Bosch Gmbh | ドライバーアシストシステム及びドライバーアシストシステムの作動方法 |
US20170323495A1 (en) * | 2016-05-04 | 2017-11-09 | General Electric Company | System and method for determining grade errors of a route |
CN107672589A (zh) * | 2017-09-26 | 2018-02-09 | 苏州观瑞汽车技术有限公司 | 一种基于雷达探测数据的车辆轨迹实时预测方法和装置 |
US20180060467A1 (en) * | 2016-08-30 | 2018-03-01 | Dspace Digital Signal Processing And Control Engineering Gmbh | Method for simulating a collision situation |
WO2018063241A1 (en) * | 2016-09-29 | 2018-04-05 | The Charles Stark Draper Laboratory, Inc. | Autonomous vehicle: object-level fusion |
CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
CN109101690A (zh) * | 2018-07-11 | 2018-12-28 | 深圳地平线机器人科技有限公司 | 用于渲染车辆自动驾驶模拟器中的场景的方法和装置 |
CN109491369A (zh) * | 2018-12-05 | 2019-03-19 | 百度在线网络技术(北京)有限公司 | 车辆实际控制单元的性能评估方法、装置、设备和介质 |
CN109871019A (zh) * | 2019-02-28 | 2019-06-11 | 北京百度网讯科技有限公司 | 用于获取坐标的方法和装置 |
CN109937343A (zh) * | 2017-06-22 | 2019-06-25 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 |
-
2020
- 2020-01-13 CN CN202010033560.2A patent/CN113112643A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1114748A (ja) * | 1997-06-25 | 1999-01-22 | Honda Motor Co Ltd | 車両の物体検知装置 |
JP2003067728A (ja) * | 2001-08-23 | 2003-03-07 | Clarion Co Ltd | 車両の運転支援装置の予想軌跡生成方法 |
JP2015532747A (ja) * | 2012-08-24 | 2015-11-12 | ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツングRobert Bosch Gmbh | ドライバーアシストシステム及びドライバーアシストシステムの作動方法 |
CN104167097A (zh) * | 2014-09-03 | 2014-11-26 | 中国科学院合肥物质科学研究院 | 一种基于车车通信的动态超车轨迹生成系统及其生成方法 |
US20170323495A1 (en) * | 2016-05-04 | 2017-11-09 | General Electric Company | System and method for determining grade errors of a route |
US20180060467A1 (en) * | 2016-08-30 | 2018-03-01 | Dspace Digital Signal Processing And Control Engineering Gmbh | Method for simulating a collision situation |
WO2018063241A1 (en) * | 2016-09-29 | 2018-04-05 | The Charles Stark Draper Laboratory, Inc. | Autonomous vehicle: object-level fusion |
CN109937343A (zh) * | 2017-06-22 | 2019-06-25 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 |
CN107672589A (zh) * | 2017-09-26 | 2018-02-09 | 苏州观瑞汽车技术有限公司 | 一种基于雷达探测数据的车辆轨迹实时预测方法和装置 |
CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
CN109101690A (zh) * | 2018-07-11 | 2018-12-28 | 深圳地平线机器人科技有限公司 | 用于渲染车辆自动驾驶模拟器中的场景的方法和装置 |
CN109491369A (zh) * | 2018-12-05 | 2019-03-19 | 百度在线网络技术(北京)有限公司 | 车辆实际控制单元的性能评估方法、装置、设备和介质 |
CN109871019A (zh) * | 2019-02-28 | 2019-06-11 | 北京百度网讯科技有限公司 | 用于获取坐标的方法和装置 |
Non-Patent Citations (1)
Title |
---|
陈健等: "基于SFM的移动机器人运动轨迹的计算方法研究", 《机电工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237236A (zh) * | 2021-12-06 | 2022-03-25 | 广州小鹏自动驾驶科技有限公司 | 一种车辆前向预测路径验证方法、装置、车辆和存储介质 |
CN114348019A (zh) * | 2021-12-20 | 2022-04-15 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
CN114348019B (zh) * | 2021-12-20 | 2023-11-07 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
CN116070780A (zh) * | 2023-02-28 | 2023-05-05 | 小米汽车科技有限公司 | 轨迹预测算法的评价方法、装置、介质及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106255899B (zh) | 用于将对象用信号通知给配备有此装置的车辆的导航模块的装置 | |
US9361409B2 (en) | Automatic driver modeling for integration of human-controlled vehicles into an autonomous vehicle network | |
EP4080468A2 (en) | Collision detection method and apparatus, electronic device, medium, and autonomous vehicle | |
CN113112643A (zh) | 预测轨迹的评价方法、装置以及电子设备和存储介质 | |
US20200005648A1 (en) | Systems and methods for quantitatively assessing collision risk and severity | |
CN112001287B (zh) | 障碍物的点云信息生成方法、装置、电子设备和介质 | |
EP2657644B1 (en) | Positioning apparatus and positioning method | |
CN112200830A (zh) | 一种目标跟踪方法及设备 | |
CN111626219A (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
CN110567475A (zh) | 导航方法、装置、计算机可读存储介质及电子设备 | |
CN113537362A (zh) | 一种基于车路协同的感知融合方法、装置、设备及介质 | |
CN114179832A (zh) | 用于自动驾驶车辆的变道方法 | |
CN109635868B (zh) | 障碍物类别的确定方法、装置、电子设备及存储介质 | |
Bhadani et al. | Strym: A python package for real-time can data logging, analysis and visualization to work with usb-can interface | |
CN114049767A (zh) | 一种边缘计算方法、装置及可读存储介质 | |
CN111624550B (zh) | 一种车辆定位方法、装置、设备及存储介质 | |
CN116088538B (zh) | 车辆轨迹信息生成方法、装置、设备和计算机可读介质 | |
CN112651535A (zh) | 局部路径规划方法、装置、存储介质、电子设备及车辆 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN111639591A (zh) | 轨迹预测模型生成方法、装置、可读存储介质及电子设备 | |
CN111401194B (zh) | 用于自动驾驶车辆的数据处理方法和装置 | |
Mozaffari et al. | A comparative study of ego-centric and cooperative perception for lane change prediction in highway driving scenarios | |
CN110706374B (zh) | 运动状态预测方法、装置、电子设备及车辆 | |
US20230280753A1 (en) | Robust behavior prediction neural networks through non-causal agent based augmentation |
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 |