CN113189989A - 车辆意图预测方法、装置、设备及存储介质 - Google Patents
车辆意图预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113189989A CN113189989A CN202110429099.7A CN202110429099A CN113189989A CN 113189989 A CN113189989 A CN 113189989A CN 202110429099 A CN202110429099 A CN 202110429099A CN 113189989 A CN113189989 A CN 113189989A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image information
- path
- target
- behavior
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims description 162
- 230000006870 function Effects 0.000 claims description 37
- 238000003780 insertion Methods 0.000 claims description 32
- 230000037431 insertion Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于自动驾驶技术领域,公开了一种车辆意图预测方法、装置、设备及存储介质。该方法包括:获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。通过上述方式,采用目标车辆行为规划和车辆意图融合的方法,得到车辆行为的预测,进而提前预测行车危险,进一步提高目标车辆在自动驾驶时的安全性。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种车辆意图预测方法、装置、设备及存储介质。
背景技术
随着科技的发展,自动驾驶技术越来越普遍,使用频率逐步提高,自动驾驶车上一般会带有可获取图像信息的无人机扩大自动驾驶车辆的感知范围,进一步提高了对自动驾驶车周边道路部分监测的准确性,但是由于无人机和车辆的视野不一致,图像感知目标存在较大差异,从而使车辆处理器对于感知信息的处理会有延迟,导致自动驾驶车辆的行为不能够被准确预测,从而影响了车辆的正常运行。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种车辆意图预测方法、装置、设备及存储介质,旨在解决现有技术自动驾驶车辆行为不能被准确预测的技术问题。
为实现上述目的,本发明提供了一种车辆意图预测方法,所述方法包括以下步骤:
获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;
获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;
根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;
根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。
可选地,所述根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径之前,还包括:
将所述第一环境图像信息和所述第二环境图像信息进行时间同步匹配,得到同步时间对应的第一环境图像信息和第二环境图像信息;
将所述同步时间对应的第一环境图像信息和第二环境图像信息进行坐标转换,得到Frenet坐标下的第一环境图像信息和第二环境图像信息;
根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径,包括:
根据所述Frenet坐标下的第一环境图像信息和第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径。
可选地,所述根据所述Frenet坐标下的第一环境图像信息和第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径,包括:
根据所述Frenet坐标下第一环境图像信息和所述第二环境图像信息得到目标车辆的周边环境信息;
基于所述周边环境信息规划所述目标车辆在预设路段行驶的目标路径,其中,所述预设路段为根据所述目标车辆当前所处位置前方预设距离确定的;
对所述目标路径通过预设预测模型进行计算,生成所述目标车辆的目标行为规划路径。
可选地,所述对所述目标路径通过预设预测模型进行计算,生成所述目标车辆的目标行为规划路径,包括:
根据所述目标路径得到离散路径点;
通过预设拟合模型对所述离散路径点进行拟合,以得到所述目标车辆的局部行为规划路径;
对所述局部规划路径进行计算,得到局部行为规划路径的代价函数值;
当所述代价函数值趋于预设值时,得到代价函数值为预设值对应的路径规划曲线;
根据所述路径规划曲线生成对应的目标行为规划路径。
可选地,所述根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果之前,还包括:
根据所述第二环境图像信息识别目标车辆预设第二范围内的移动车辆及路面信息;
获取所述移动车辆的状态特征及行为预测;
基于所述路面信息获取所述移动车辆的插入区域及对应的插入时间;
通过所述状态特征、所述行为预测、所述插入区域及所述插入时间对初始行为预测模型进行训练,以得到行为预测模型;
基于所述行为预测模型得到所述行为预测模型对应的损失函数;
根据所述行为预测模型和所述损失函数得到车辆意图模型。
可选地,所述根据所述行为预测模型和所述损失函数得到车辆意图模型,包括:
根据所述行为预测模型和所述损失函数,得到满足预测条件的意图模型和对应的预测概率;
将所述满足预测条件的的意图模型和对应的预测概率生成车辆意图模型。
可选地,所述根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果,包括:
获取所述车辆意图模型中预测概率最大对应的第一意图模型;
获取所述车辆意图模型中预测路径和所述目标行为规划路径一致的路径意图模型;
获取所述路径意图模型中预测概率最大对应的第二意图模型;
若所述第一意图模型和所述第二意图模型的预测结果相同,则将所述第一意图模型的预测结果作为目标车辆的预测行为结果;
若所述第一意图模型和所述第二意图模型的预测结果不相同,则将所述第二意图模型的预测结果作为目标车辆的预测行为结果。
此外,为实现上述目的,本发明还提出一种车辆意图预测装置,所述车辆意图预测装置包括:
获取模块,用于获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;
所述获取模块,还用于获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;
生成模块,用于根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;
得到模块,用于根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。
此外,为实现上述目的,本发明还提出一种车辆意图预测设备,所述车辆意图预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆意图预测程序,所述车辆意图预测程序配置为实现如上文所述的车辆意图预测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有车辆意图预测程序,所述车辆意图预测程序被处理器执行时实现如上文所述的车辆意图预测方法。
本发明通过获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。通过上述方式,根据预设范围内的环境信息对目标车辆进行行为规划,采用目标车辆行为规划和车辆意图融合的方法,得到车辆行为的预测,进而提前预测行车危险,进一步提高目标车辆在自动驾驶时的安全性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的车辆意图预测设备的结构示意图;
图2为本发明车辆意图预测方法第一实施例的流程示意图;
图3为本发明车辆意图预测方法第二实施例的流程示意图;
图4为本发明车辆意图预测方法第三实施例的流程示意图;
图5为本发明车辆意图预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的车辆意图预测设备结构示意图。
如图1所示,该车辆意图预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对车辆意图预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆意图预测程序。
在图1所示的车辆意图预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明车辆意图预测设备中的处理器1001、存储器1005可以设置在车辆意图预测设备中,所述车辆意图预测设备通过处理器1001调用存储器1005中存储的车辆意图预测程序,并执行本发明实施例提供的车辆意图预测方法。
本发明实施例提供了一种车辆意图预测方法,参照图2,图2为本发明一种车辆意图预测方法第一实施例的流程示意图。
本实施例中,所述车辆意图预测方法包括以下步骤:
步骤S10:获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息。
需要理解的是,本实施例的执行主体为可实现自动驾驶的车辆的控制器,或其他能够实现相同功能的设备,本实施例对此不加以限制。
可以理解的是,所述预设第一范围内的环境图像信息是通过安装于目标车辆上的用于摄取车辆前方及周边环境的摄像头采集的,它包括了目标车辆周边的路况及周边车辆。所述预设第一范围指的是车载摄像头所能够采集到的最远范围。
步骤S20:获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内。
需要说明的是,所述预设第二范围内的环境图像信息是通过安装于车载无人机上的用于摄取车辆周边及路面信息的摄像头采集的,它包括了目标车辆周边的路面信息和更远范围内的周边车辆信息。所述预设第二范围指的是车载无人机上的摄像头所能够采集到的最远范围。
可以理解的是,因为无人机摄像头的视野范围更广,能够感知车载摄像头感知不到的图像信息。例如车辆更远处的车道线信息和移动车辆信息,当目标车辆前方有一辆大货车时,大货车挡住了目标车辆车载摄像头的视野,而车载无人机上的摄像头能够采集到更为全面的信息。
在具体实现中,车载无人机启用跟随拍摄模式,位置实时校正,跟随目标车辆移动,保持位于车辆正上方,同时,车载无人机自带的时间和目标车辆的时间同步。
步骤S30:根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径。
需要说明的是,在目标车辆的车载摄像头和目标车辆的车载无人机上的摄像头采集到周边的环境信息后,将车载摄像头和无人机摄像头采集到的图像信息进行结合,根据结合后的图像信息通过路径规划模型进一步生成目标车辆的最优路径曲线,目标车辆的目标行为规划路径,
步骤S40:根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。
需要说明的是,所述车辆意图模型指的是基于周边车辆的所得到行为预测模型和预测概率。
在具体实现中,在得到目标车辆的目标行为规划路径后,在车辆意图模型中寻找与目标行为规划路径一致的车辆预测路径对应的预测结果作为目标车辆的预测行为结果。
本实施例通过获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。通过上述方式,根据预设范围内的环境信息对目标车辆进行行为规划,采用目标车辆行为规划和车辆意图融合的方法,得到车辆行为的预测,进而提前预测行车危险,进一步提高目标车辆在自动驾驶时的安全性。
参照图3,图3为本发明一种基于车辆意图预测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例基于车辆意图预测方法在所述步骤S30之前,还包括:
步骤S301:将所述第一环境图像信息和所述第二环境图像信息进行时间同步匹配,得到同步时间对应的第一环境图像信息和第二环境图像信息。
需要说明的是,在图像信息采集时,需要将目标车辆车载摄像头采集到的第一环境图像信息和目标车辆车载无人机摄像头采集到的第二环境图像信息的时间进行同步传输匹配。
步骤S302:将所述同步时间对应的第一环境图像信息和第二环境图像信息进行坐标转换,得到Frenet坐标下的第一环境图像信息和第二环境图像信息。
可以理解的是,在将第一环境图像信息和第二环境图像信息同步传输到控制器后,控制器需要将二者图像中的世界坐标系转换为Frenet坐标系,得到转换后的图像信息。
在具体实现中,将世界坐标系转换为摄像头坐标系转换为摄像头坐标系有其中,有世界坐标系(XW,YW,ZW),摄像头坐标系(XC,YC,ZC),R为3×3正交单位矩阵,T为三维平移向量,摄像头坐标系转换为图像坐标系有其中,有图像坐标系(X,Y),f为摄像头焦距,在图像坐标系中设有一元三次方程拟合路径方程
Y=aX3+bX2+cX+d,图像坐标系转换为Frenet坐标系有:
步骤S30’:根据所述Frenet坐标下的第一环境图像信息和第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径。
需要说明的是,在得到Frenet坐标系下的第一环境图像信息和第二环境图像信息,控制器通过利用路径规划模型对图像进行处理,可以得到目标车辆的目标行为规划路径。
进一步地,所述根据所述Frenet坐标下的第一环境图像信息和第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径,包括:根据所述Frenet坐标下第一环境图像信息和所述第二环境图像信息得到目标车辆的周边环境信息;基于所述周边环境信息规划所述目标车辆在预设路段行驶的目标路径,其中,所述预设路段为根据所述目标车辆当前所处位置前方预设距离确定的;对所述目标路径通过预设预测模型进行计算,生成所述目标车辆的目标行为规划路径。
需要说明的是,所述路径规划模型是基于路径规划算法训练得到的,所述目标目标车辆在预设路段行驶的目标路径指的是在预设一段距离内的目标路径。在本实施例中,根据预设距离内的目标路径生成目标行为规划路径,目标车辆到的行驶更为平稳和安全。
进一步地,所述对所述目标路径通过预设预测模型进行计算,生成所述目标车辆的目标行为规划路径,包括:根据所述目标路径得到离散路径点;通过预设拟合模型对所述离散路径点进行拟合,以得到所述目标车辆的局部行为规划路径;对所述局部规划路径进行计算,得到局部行为规划路径的代价函数值;当所述代价函数值趋于预设值时,得到代价函数值为预设值对应的路径规划曲线;根据所述路径规划曲线生成对应的目标行为规划路径。
可以理解的是,目标路径指的是在预设一段距离内的规划参考路径,将目标路径等分为几段,基于分段点得到分离散点,即离散路径点,最后通过拟合得到局部规划路径,利用预设的计算模型,可以得到局部规划路径的代价函数值,在代价函数值趋近于预设值时,得到目标车辆的目标规划路径。本实施例通过拟合计算得到的目标行为规划路径更为准确。
例如,在目标规划行为路径的结果上截取目标车辆前方50米作为当前目标车辆的参考路径Lb,将参考路径Lb等分为5段,在每个分段点处将对应Frenet坐标系上的坐标点沿纵坐标轴生成等5个分离散点,构成离散路径点集合Q={P1i,P2i,P3i,P4i,P5i},其中i表示等分离散点的第i个,使用一元三次方程式对离散路径点集合进行拟合,得到Frenet坐标系上的局部路径曲线s。有局部路径代价函数方程其中Ptotal(s)为局部路径曲线s的代价函数值,Pi(s)为影响路径曲线的因素,其中本实施例设定影响局部路径曲线的因素有目标车辆整体平顺性、与障碍物目标的距离、与车道线的偏离度、与轨迹原点斜率的偏离量。当局部路径代价函数最小值时,得到无人驾驶车最优路径曲线s,从而生成对应的目标行为规划路径。
本实施例通过将所述第一环境图像信息和所述第二环境图像信息进行时间同步匹配,得到同步时间对应的第一环境图像信息和第二环境图像信息;将所述同步时间对应的第一环境图像信息和第二环境图像信息进行坐标转换,得到Frenet坐标下的第一环境图像信息和第二环境图像信息;根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径,包括:根据所述Frenet坐标下的第一环境图像信息和第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径。通过车载摄像头和车载无人机摄像头的图像结合,解决了目标车辆视野差,无人机视野广但实时性差的问题,同时二者摄像头传感器均是感知当前时刻的信息,处理器通过感知信息实时做出判断,使后续的决策更为及时准确。
参照图4,图4为本发明一种基于车辆意图预测方法第三实施例的流程示意图。
基于上述第一实施例,本实施例基于车辆意图预测方法在所述步骤S40之前,还包括:
步骤S401:根据所述第二环境图像信息识别目标车辆预设第二范围内的移动车辆及路面信息。
需要说明的是,基于车载无人机的摄像头采集到的第二环境图像信息采用车辆识别算法对目标车辆前方一段距离范围内的车辆进行识别,例如对目标车辆前方150米范围内的车辆进行车别,得到目标车辆预设第二范围内的移动车辆及车辆的信息。
可以理解的是,基于车载无人机的摄像头采集到的第二环境图像信息采用车道线识别算法对目标车辆周边两条车道的车道线进行识别,得到目标车辆周边的车道线信息。
步骤S402:获取所述移动车辆的状态特征及行为预测。
需要说明的是,根据第二环境图像信息可以获取目标车辆周边移动车辆的状态特征,即输入状态特征x,并获取移动车辆的行为预测。
步骤S403:基于所述路面信息获取所述移动车辆的插入区域及对应的插入时间。
可以理解的是,基于第二环境信息中的路面信息获取移动车辆的在目标车辆前方的插入区域及插入位置。
步骤S404:通过所述状态特征、所述行为预测、所述插入区域及所述插入时间对初始行为预测模型进行训练,以得到行为预测模型。
需要说明的是,在得到状态特征、行为预测、插入区域及插入时间对初始行为预测模型进行训练,以得到行为预测模型。
在具体实现中,所述初始行为预测模型为其中表示目标车辆周边第k台移动车辆的行为预测,x表示移动车辆的输入状态特征,Cs表示第k台移动车辆的插入区域s,Ct表示第k台移动车辆的插入时间t;Πk(x)表示高斯系数,表示第k台移动车辆插入区域及插入时间的均值;表示第k台移动车辆插入区域及插入时间的协方差。
步骤S405:基于所述行为预测模型得到所述行为预测模型对应的损失函数。
步骤S406:根据所述行为预测模型和所述损失函数得到车辆意图模型。
可以理解的是,在得到行为预测模型和所述损失函数可以得到周边的车辆意图模型。
进一步地,所述根据所述行为预测模型和所述损失函数得到车辆意图模型,包括:根据所述行为预测模型和所述损失函数,得到满足预测条件的意图模型和对应的预测概率;将所述满足预测条件的的意图模型和对应的预测概率生成车辆意图模型。
需要说明的是,车载无人机摄像头采集到的图像信息有限,需要实时基于不同的周边环境及移动车辆进行训练得到车辆意图模型。同时因为移动车车辆有很多,不同的移动车辆行为不同,预测行为也不相同,所以得到的意图模型也有多个。
在具体实现中,损失函数可以使真正插入的区域拥有最大的权重,同时对移动车辆插入该区域内的时间和位置信息进行概率预测,输出多个意图模型及对应预测概率Ck,p,还可以得到最高的预测概率及对应的意图模型Ck,max。将满足预测条件即为车载无人机摄像头所能采集图像的既定范围内的意图模型和对应的预测概率生成车辆意图模型。
可以理解的是,本实施例通过将预测概率和意图模型对应结合,使车辆意图模型更为精准,能够得到相应的概率。
进一步地,所述根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果,包括:获取所述车辆意图模型中预测概率最大对应的第一意图模型;获取所述车辆意图模型中预测路径和所述目标行为规划路径一致的路径意图模型;获取所述路径意图模型中预测概率最大对应的第二意图模型;若所述第一意图模型和所述第二意图模型的预测结果相同,则将所述第一意图模型的预测结果作为目标车辆的预测行为结果;若所述第一意图模型和所述第二意图模型的预测结果不相同,则将所述第二意图模型的预测结果作为目标车辆的预测行为结果。
即若车辆意图模型中意图模型预测行为概率最大的预测路径和目标车辆目标行为规划路径中的局部行为规划路径一致,则输出车辆意图模型中意图模型预测行为概率最大的预测行为为预测行为结果,若车辆意图模型中意图模型预测行为概率最大的预测路径和目标车辆目标行为规划路径中的局部行为规划路径不一致,则输出车辆意图模型中意图模型中对应的预测路径与目标车辆目标行为规划路径中的局部行为规划路径一致的意图模型中预测概率最大的意图模型对应的预测结果为目标车辆的预测行为结果。
本实施例通过根据所述第二环境图像信息识别目标车辆预设第二范围内的移动车辆及路面信息;获取所述移动车辆的状态特征及行为预测;基于所述路面信息获取所述移动车辆的插入区域及对应的插入时间;通过所述状态特征、所述行为预测、所述插入区域及所述插入时间对初始行为预测模型进行训练,以得到行为预测模型;基于所述行为预测模型得到所述行为预测模型对应的损失函数;根据所述行为预测模型和所述损失函数得到车辆意图模型。通过周边移动车辆和路面信息进行车辆意图模型的训练,最终得到较为准确的车辆意图模型,对目标车辆的预测行为结果也能更为准确,进一步提高目标车辆在自动驾驶过程中的安全性,同时利用行为预测算法生成车辆意图模型,解决了因为数据的传输时间、控制器的运算时间等导致决策延迟的问题。
此外,参照图5,本发明实施例还提出一种车辆意图预测装置,所述车辆意图预测装置包括:
获取模块10,用于获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;
所述获取模块10,还用于获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;
生成模块20,用于根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;
得到模块30,用于根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。
本实施例通过获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。通过上述方式,根据预设范围内的环境信息对目标车辆进行行为规划,采用目标车辆行为规划和车辆意图融合的方法,得到车辆行为的预测,进而提前预测行车危险,进一步提高目标车辆在自动驾驶时的安全性。
在一实施例中,所述生成模块20,还用于将所述第一环境图像信息和所述第二环境图像信息进行时间同步匹配,得到同步时间对应的第一环境图像信息和第二环境图像信息;
将所述同步时间对应的第一环境图像信息和第二环境图像信息进行坐标转换,得到Frenet坐标下的第一环境图像信息和第二环境图像信息;
根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径,包括:
根据所述Frenet坐标下的第一环境图像信息和第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径。
在一实施例中,所述生成模块20,还用于根据所述Frenet坐标下第一环境图像信息和所述第二环境图像信息得到目标车辆的周边环境信息;
基于所述周边环境信息规划所述目标车辆在预设路段行驶的目标路径,其中,所述预设路段为根据所述目标车辆当前所处位置前方预设距离确定的;
对所述目标路径通过预设预测模型进行计算,生成所述目标车辆的目标行为规划路径。
在一实施例中,所述生成模块20,还用于根据所述目标路径得到离散路径点;
通过预设拟合模型对所述离散路径点进行拟合,以得到所述目标车辆的局部行为规划路径;
对所述局部规划路径进行计算,得到局部行为规划路径的代价函数值;
当所述代价函数值趋于预设值时,得到代价函数值为预设值对应的路径规划曲线;
根据所述路径规划曲线生成对应的目标行为规划路径。
在一实施例中,所述得到模块30,还用于根据所述第二环境图像信息识别目标车辆预设第二范围内的移动车辆及路面信息;
获取所述移动车辆的状态特征及行为预测;
基于所述路面信息获取所述移动车辆的插入区域及对应的插入时间;
通过所述状态特征、所述行为预测、所述插入区域及所述插入时间对初始行为预测模型进行训练,以得到行为预测模型;
基于所述行为预测模型得到所述行为预测模型对应的损失函数;
根据所述行为预测模型和所述损失函数得到车辆意图模型。
在一实施例中,所述得到模块30,还用于根据所述行为预测模型和所述损失函数,得到满足预测条件的意图模型和对应的预测概率;
将所述满足预测条件的的意图模型和对应的预测概率生成车辆意图模型。
在一实施例中,所述得到模块30,还用于获取所述车辆意图模型中预测概率最大对应的第一意图模型;
获取所述车辆意图模型中预测路径和所述目标行为规划路径一致的路径意图模型;
获取所述路径意图模型中预测概率最大对应的第二意图模型;
若所述第一意图模型和所述第二意图模型的预测结果相同,则将所述第一意图模型的预测结果作为目标车辆的预测行为结果;
若所述第一意图模型和所述第二意图模型的预测结果不相同,则将所述第二意图模型的预测结果作为目标车辆的预测行为结果。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有车辆意图预测程序,所述车辆意图预测程序被处理器执行时实现如上文所述的车辆意图预测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的车辆意图预测方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献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(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆意图预测方法,其特征在于,所述车辆意图预测方法包括:
获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;
获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;
根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;
根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。
2.如权利要求1所述的车辆意图预测方法,其特征在于,所述根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径之前,还包括:
将所述第一环境图像信息和所述第二环境图像信息进行时间同步匹配,得到同步时间对应的第一环境图像信息和第二环境图像信息;
将所述同步时间对应的第一环境图像信息和第二环境图像信息进行坐标转换,得到Frenet坐标下的第一环境图像信息和第二环境图像信息;
根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径,包括:
根据所述Frenet坐标下的第一环境图像信息和第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径。
3.如权利要求2所述的车辆意图预测方法,其特征在于,所述根据所述Frenet坐标下的第一环境图像信息和第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径,包括:
根据所述Frenet坐标下第一环境图像信息和所述第二环境图像信息得到目标车辆的周边环境信息;
基于所述周边环境信息规划所述目标车辆在预设路段行驶的目标路径,其中,所述预设路段为根据所述目标车辆当前所处位置前方预设距离确定的;
对所述目标路径通过预设预测模型进行计算,生成所述目标车辆的目标行为规划路径。
4.如权利要求3所述的车辆意图预测方法,其特征在于,所述对所述目标路径通过预设预测模型进行计算,生成所述目标车辆的目标行为规划路径,包括:
根据所述目标路径得到离散路径点;
通过预设拟合模型对所述离散路径点进行拟合,以得到所述目标车辆的局部行为规划路径;
对所述局部规划路径进行计算,得到局部行为规划路径的代价函数值;
当所述代价函数值趋于预设值时,得到代价函数值为预设值对应的路径规划曲线;
根据所述路径规划曲线生成对应的目标行为规划路径。
5.如权利要求1所述的车辆意图预测方法,其特征在于,所述根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果之前,还包括:
根据所述第二环境图像信息识别目标车辆预设第二范围内的移动车辆及路面信息;
获取所述移动车辆的状态特征及行为预测;
基于所述路面信息获取所述移动车辆的插入区域及对应的插入时间;
通过所述状态特征、所述行为预测、所述插入区域及所述插入时间对初始行为预测模型进行训练,以得到行为预测模型;
基于所述行为预测模型得到所述行为预测模型对应的损失函数;
根据所述行为预测模型和所述损失函数得到车辆意图模型。
6.如权利要求5所述的车辆意图预测方法,其特征在于,所述根据所述行为预测模型和所述损失函数得到车辆意图模型,包括:
根据所述行为预测模型和所述损失函数,得到满足预测条件的意图模型和对应的预测概率;
将所述满足预测条件的的意图模型和对应的预测概率生成车辆意图模型。
7.如权利要求1-6中任一项所述的车辆意图预测方法,其特征在于,所述根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果,包括:
获取所述车辆意图模型中预测概率最大对应的第一意图模型;
获取所述车辆意图模型中预测路径和所述目标行为规划路径一致的路径意图模型;
获取所述路径意图模型中预测概率最大对应的第二意图模型;
若所述第一意图模型和所述第二意图模型的预测结果相同,则将所述第一意图模型的预测结果作为目标车辆的预测行为结果;
若所述第一意图模型和所述第二意图模型的预测结果不相同,则将所述第二意图模型的预测结果作为目标车辆的预测行为结果。
8.一种车辆意图预测装置,其特征在于,所述车辆意图预测装置包括:
获取模块,用于获取目标车辆预设第一范围内的环境图像信息,以得到第一环境图像信息;
所述获取模块,还用于获取目标车辆预设第二范围内的环境图像信息,以得到第二环境图像信息,其中,所述预设第二范围大于所述预设第一范围内;
生成模块,用于根据所述第一环境图像信息和所述第二环境图像信息通过路径规划模型生成所述目标车辆的目标行为规划路径;
得到模块,用于根据车辆意图模型和所述目标行为规划路径得到所述目标车辆的预测行为结果。
9.一种车辆意图预测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆意图预测程序,所述车辆意图预测程序配置为实现如权利要求1至7中任一项所述的车辆意图预测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有车辆意图预测程序,所述车辆意图预测程序被处理器执行时实现如权利要求1至7任一项所述的车辆意图预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110429099.7A CN113189989B (zh) | 2021-04-21 | 2021-04-21 | 车辆意图预测方法、装置、设备及存储介质 |
PCT/CN2022/080971 WO2022222647A1 (zh) | 2021-04-21 | 2022-03-15 | 车辆意图预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110429099.7A CN113189989B (zh) | 2021-04-21 | 2021-04-21 | 车辆意图预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113189989A true CN113189989A (zh) | 2021-07-30 |
CN113189989B CN113189989B (zh) | 2022-07-01 |
Family
ID=76977812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110429099.7A Active CN113189989B (zh) | 2021-04-21 | 2021-04-21 | 车辆意图预测方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113189989B (zh) |
WO (1) | WO2022222647A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113865603A (zh) * | 2021-08-30 | 2021-12-31 | 东风柳州汽车有限公司 | 共享无人车路径规划方法、装置、设备及存储介质 |
WO2022222647A1 (zh) * | 2021-04-21 | 2022-10-27 | 东风柳州汽车有限公司 | 车辆意图预测方法、装置、设备及存储介质 |
CN116125953A (zh) * | 2023-02-22 | 2023-05-16 | 吉林大学 | 基于飞行器的车辆监控系统及方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2040137A1 (en) * | 2007-09-21 | 2009-03-25 | The Boeing Company | Predicting aircraft trajectory |
EP2654028A1 (en) * | 2012-04-20 | 2013-10-23 | Honda Research Institute Europe GmbH | Orientation sensitive traffic collision warning system |
CN104699102A (zh) * | 2015-02-06 | 2015-06-10 | 东北大学 | 一种无人机与智能车协同导航与侦查监控系统及方法 |
CN105318888A (zh) * | 2015-12-07 | 2016-02-10 | 北京航空航天大学 | 基于无人机感知的无人驾驶车辆路径规划方法 |
CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
WO2017076597A1 (de) * | 2015-11-04 | 2017-05-11 | Volkswagen Aktiengesellschaft | Verfahren und fahrzeugkommunikationssystem zum bestimmen einer fahrintention für ein fahrzeug |
CN108305275A (zh) * | 2017-08-25 | 2018-07-20 | 深圳市腾讯计算机系统有限公司 | 主动跟踪方法、装置及系统 |
CN109032173A (zh) * | 2018-07-09 | 2018-12-18 | 上海交通大学 | 一种基于空地交互的车载无人机系统 |
EP3422130A1 (en) * | 2017-06-29 | 2019-01-02 | The Boeing Company | Method and system for autonomously operating an aircraft |
CN110007675A (zh) * | 2019-04-12 | 2019-07-12 | 北京航空航天大学 | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 |
CN110119147A (zh) * | 2019-05-09 | 2019-08-13 | 深圳市速腾聚创科技有限公司 | 车辆自动驾驶方法、装置、计算机设备和存储介质 |
CN110126730A (zh) * | 2018-02-02 | 2019-08-16 | 上海博泰悦臻电子设备制造有限公司 | 车辆变道提醒方法及系统 |
CN111580522A (zh) * | 2020-05-15 | 2020-08-25 | 东风柳州汽车有限公司 | 无人驾驶汽车的控制方法、汽车和存储介质 |
CN111998864A (zh) * | 2020-08-11 | 2020-11-27 | 东风柳州汽车有限公司 | 无人车局部路径规划方法、装置、设备及存储介质 |
CN112015843A (zh) * | 2020-09-02 | 2020-12-01 | 中国科学技术大学 | 基于多车意图交互结果的行车风险态势评估方法及系统 |
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 |
CN212243156U (zh) * | 2020-05-14 | 2020-12-29 | 吴韵驰 | 一种大型车辆动态监控预警系统 |
CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
CN112519765A (zh) * | 2019-09-03 | 2021-03-19 | 北京百度网讯科技有限公司 | 车辆控制方法、装置、设备和介质 |
CN112558608A (zh) * | 2020-12-11 | 2021-03-26 | 重庆邮电大学 | 一种基于无人机辅助的车机协同控制及路径优化方法 |
CN112581791A (zh) * | 2019-09-27 | 2021-03-30 | 英特尔公司 | 基于道路使用者意图预测的潜在碰撞警告系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113189989B (zh) * | 2021-04-21 | 2022-07-01 | 东风柳州汽车有限公司 | 车辆意图预测方法、装置、设备及存储介质 |
-
2021
- 2021-04-21 CN CN202110429099.7A patent/CN113189989B/zh active Active
-
2022
- 2022-03-15 WO PCT/CN2022/080971 patent/WO2022222647A1/zh active Application Filing
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2040137A1 (en) * | 2007-09-21 | 2009-03-25 | The Boeing Company | Predicting aircraft trajectory |
EP2654028A1 (en) * | 2012-04-20 | 2013-10-23 | Honda Research Institute Europe GmbH | Orientation sensitive traffic collision warning system |
CN104699102A (zh) * | 2015-02-06 | 2015-06-10 | 东北大学 | 一种无人机与智能车协同导航与侦查监控系统及方法 |
CN108352112A (zh) * | 2015-11-04 | 2018-07-31 | 大众汽车有限公司 | 用于确定车辆的驾驶意图的方法和车辆通信系统 |
WO2017076597A1 (de) * | 2015-11-04 | 2017-05-11 | Volkswagen Aktiengesellschaft | Verfahren und fahrzeugkommunikationssystem zum bestimmen einer fahrintention für ein fahrzeug |
CN105318888A (zh) * | 2015-12-07 | 2016-02-10 | 北京航空航天大学 | 基于无人机感知的无人驾驶车辆路径规划方法 |
CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
EP3422130A1 (en) * | 2017-06-29 | 2019-01-02 | The Boeing Company | Method and system for autonomously operating an aircraft |
CN109213188A (zh) * | 2017-06-29 | 2019-01-15 | 波音公司 | 自主操作飞行器的方法和系统 |
EP3675035A1 (en) * | 2017-08-25 | 2020-07-01 | Tencent Technology (Shenzhen) Company Limited | Active tracking method, device and system |
CN108305275A (zh) * | 2017-08-25 | 2018-07-20 | 深圳市腾讯计算机系统有限公司 | 主动跟踪方法、装置及系统 |
CN110126730A (zh) * | 2018-02-02 | 2019-08-16 | 上海博泰悦臻电子设备制造有限公司 | 车辆变道提醒方法及系统 |
CN109032173A (zh) * | 2018-07-09 | 2018-12-18 | 上海交通大学 | 一种基于空地交互的车载无人机系统 |
CN110007675A (zh) * | 2019-04-12 | 2019-07-12 | 北京航空航天大学 | 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法 |
CN110119147A (zh) * | 2019-05-09 | 2019-08-13 | 深圳市速腾聚创科技有限公司 | 车辆自动驾驶方法、装置、计算机设备和存储介质 |
CN112519765A (zh) * | 2019-09-03 | 2021-03-19 | 北京百度网讯科技有限公司 | 车辆控制方法、装置、设备和介质 |
CN112581791A (zh) * | 2019-09-27 | 2021-03-30 | 英特尔公司 | 基于道路使用者意图预测的潜在碰撞警告系统 |
DE102020121865A1 (de) * | 2019-09-27 | 2021-04-01 | Intel Corporation | Potenzielle-kollision-warnsystem basierend auf verkehrsteilnehmerabsichtsvorhersage |
CN212243156U (zh) * | 2020-05-14 | 2020-12-29 | 吴韵驰 | 一种大型车辆动态监控预警系统 |
CN111580522A (zh) * | 2020-05-15 | 2020-08-25 | 东风柳州汽车有限公司 | 无人驾驶汽车的控制方法、汽车和存储介质 |
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 |
CN111998864A (zh) * | 2020-08-11 | 2020-11-27 | 东风柳州汽车有限公司 | 无人车局部路径规划方法、装置、设备及存储介质 |
CN112015843A (zh) * | 2020-09-02 | 2020-12-01 | 中国科学技术大学 | 基于多车意图交互结果的行车风险态势评估方法及系统 |
CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
CN112558608A (zh) * | 2020-12-11 | 2021-03-26 | 重庆邮电大学 | 一种基于无人机辅助的车机协同控制及路径优化方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022222647A1 (zh) * | 2021-04-21 | 2022-10-27 | 东风柳州汽车有限公司 | 车辆意图预测方法、装置、设备及存储介质 |
CN113865603A (zh) * | 2021-08-30 | 2021-12-31 | 东风柳州汽车有限公司 | 共享无人车路径规划方法、装置、设备及存储介质 |
CN113865603B (zh) * | 2021-08-30 | 2024-06-07 | 东风柳州汽车有限公司 | 共享无人车路径规划方法、装置、设备及存储介质 |
CN116125953A (zh) * | 2023-02-22 | 2023-05-16 | 吉林大学 | 基于飞行器的车辆监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022222647A1 (zh) | 2022-10-27 |
CN113189989B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113189989B (zh) | 车辆意图预测方法、装置、设备及存储介质 | |
CN108921200B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
EP3822852B1 (en) | Method, apparatus, computer storage medium and program for training a trajectory planning model | |
EP4072173B1 (en) | Data transmission method and device | |
JP2022506404A (ja) | 車両速度を決定する方法及び装置 | |
CN111742344A (zh) | 图像语义分割方法、可移动平台及存储介质 | |
CN112753038B (zh) | 识别车辆变道趋势的方法和装置 | |
CN111126209B (zh) | 车道线检测方法及相关设备 | |
CN116543143A (zh) | 一种目标检测模型的训练方法、目标检测方法及装置 | |
CN116337072A (zh) | 一种工程机械的建图、方法、设备、及可读存储介质 | |
CN112859109B (zh) | 无人机全景图像处理方法、装置及电子设备 | |
CN112507857B (zh) | 一种车道线更新方法、装置、设备及存储介质 | |
CN112712608B (zh) | 用于通过车辆收集性能数据的系统和方法 | |
CN113119999A (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
CN112689234A (zh) | 室内车辆定位方法、装置、计算机设备和存储介质 | |
US11657506B2 (en) | Systems and methods for autonomous robot navigation | |
CN115729269B (zh) | 一种基于机器视觉的无人机智能识别系统 | |
CN112639822A (zh) | 一种数据处理方法及装置 | |
CN114842287B (zh) | 深度引导变形器的单目三维目标检测模型训练方法及装置 | |
CN113298044B (zh) | 基于定位补偿的障碍物检测方法、系统、设备及存储介质 | |
US20210383213A1 (en) | Prediction device, prediction method, computer program product, and vehicle control system | |
CN114675274A (zh) | 障碍物检测方法、装置、存储介质及电子设备 | |
CN109711363B (zh) | 车辆定位方法、装置、设备和存储介质 | |
CN114945961A (zh) | 变道预测回归模型训练方法、变道预测方法和装置 |
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 |