CN113264066B - 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 - Google Patents
障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 Download PDFInfo
- Publication number
- CN113264066B CN113264066B CN202110619753.0A CN202110619753A CN113264066B CN 113264066 B CN113264066 B CN 113264066B CN 202110619753 A CN202110619753 A CN 202110619753A CN 113264066 B CN113264066 B CN 113264066B
- Authority
- CN
- China
- Prior art keywords
- track
- obstacle
- standard
- position information
- obstacles
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003993 interaction Effects 0.000 claims abstract description 82
- 230000033001 locomotion Effects 0.000 claims abstract description 47
- 238000004590 computer program Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002940 repellent Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种障碍物轨迹预测方法、装置、电子设备、计算机可读存储介质、计算机程序产品、自动驾驶车辆及路侧设备,涉及自动驾驶、智能交通、深度学习等人工智能领域。该方法的一具体实施方式包括:获取预设区域内各障碍物的位置信息,并根据位置信息确定出不同障碍物之间的实际交互关系;确定受实际交互关系影响的各障碍物的初始预测轨迹;在预设的标准轨迹库中确定与初始预测轨迹匹配的目标标准轨迹,该标准轨迹库包括多条标准轨迹,每条标准轨迹分别对应于障碍物的一种运动状态;基于目标标准轨迹修正初始预测轨迹,得到目标预测轨迹。应用该实施方式提升了预测出的障碍物轨迹的准确性。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自动驾驶、智能交通、深度学习,尤其涉及一种障碍物轨迹预测方法、装置、电子设备、计算机可读存储介质、计算机程序产品、自动驾驶车辆及路侧设备。
背景技术
无人驾驶技术能够有效的解决交通拥堵问题,提升交通效率,减轻大气污染。
实现无人驾驶汽车周边障碍物精准的轨迹预测,对于无人车高效、安全的行驶具有重要的意义。
发明内容
本公开实施例提出了一种障碍物轨迹预测方法、装置、电子设备、计算机可读存储介质、计算机程序产品、自动驾驶车辆及路侧设备。
第一方面,本公开实施例提出了一种障碍物轨迹预测方法,包括:获取预设区域内各障碍物的位置信息,并根据位置信息确定出不同障碍物之间的实际交互关系;确定受实际交互关系影响的各障碍物的初始预测轨迹;在预设的标准轨迹库中确定与初始预测轨迹匹配的目标标准轨迹;其中,不同的标准轨迹分别基于障碍物所属的不同运动状态得到;基于目标标准轨迹修正初始预测轨迹,得到目标预测轨迹。
第二方面,本公开实施例提出了一种障碍物轨迹预测装置,包括:位置及交互关系确定单元,被配置成获取预设区域内各障碍物的位置信息,并根据位置信息确定出不同障碍物之间的实际交互关系;初始预测轨迹确定单元,被配置成确定受实际交互关系影响的各障碍物的初始预测轨迹;目标标准轨迹匹配单元,被配置成在预设的标准轨迹库中确定与初始预测轨迹匹配的目标标准轨迹;其中,不同的标准轨迹分别基于障碍物所属的不同运动状态得到;预测轨迹修正单元,被配置成基于目标标准轨迹修正初始预测轨迹,得到目标预测轨迹。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的障碍物轨迹预测方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的障碍物轨迹预测方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的障碍物轨迹预测方法。
第六方面,本公开实施例提供了一种自动驾驶车辆,该自动驾驶车辆包括如第三方面中任一实现方式描述的电子设备。
第七方面,本公开实施例提供了一种路侧设备,该路侧设备包括如第三方面中任一实现方式描述的电子设备。
本公开实施例提供的障碍物轨迹预测方法,首先,获取预设区域内各障碍物的位置信息,并根据位置信息确定出不同障碍物之间的实际交互关系;然后,确定受实际交互关系影响的各障碍物的初始预测轨迹;接着,在预设的标准轨迹库中确定与初始预测轨迹匹配的目标标准轨迹,该标准轨迹库包括多条标准轨迹,每条标准轨迹分别对应于障碍物的一种运动状态;最后,基于目标标准轨迹修正初始预测轨迹,得到目标预测轨迹。
本公开首先通过基于位置信息确定可能对障碍物运动轨迹造成影响的实际交互关系,从而基于实际交互关系确定出更加符合实际情况的初始预测轨迹,然后结合与障碍物的不同运动状态对应的标准轨迹来进一步修正初始预测轨迹,从而提升最终得到的目标预测轨迹的准确定,进而提升自动驾驶车辆的安全性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种障碍物轨迹预测方法的流程图;
图3为本公开实施例提供的另一种障碍物轨迹预测方法的流程图;
图4为本公开实施例提供的9种标准轨迹的示意图;
图5为本公开实例数提供的障碍物之间的交互关系示意图;
图6为本公开实施例提供的一种障碍物轨迹预测装置的结构框图;
图7为本公开实施例提供的一种适用于执行障碍物轨迹预测方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,采取了必要的保密措施,且不违背公序良俗。
图1示出了可以应用本公开的障碍物轨迹预测方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括传感器101、102、103,网络104和服务器105。网络104用以在传感器101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
传感器101、102、103可通过网络104与服务器105交互,以接收或发送消息等。传感器101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如地图类应用、行车信息采集类应用、轨迹预测类应用等。
传感器101、102、103通常表现为集成在自动驾驶车辆的功能元件,例如红外传感器、超声波传感器、毫米波雷达、摄像头等等,用于通过各种方式收集包括用于确定周围的障碍物位置信息在内的各种环境信息和行车信息;服务器105则根据需求可设置在自动驾驶车辆上,也可以设置在能够与车载终端建立通信的远端,可以具体实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以提供障碍物轨迹预测服务的轨迹预测类应用为例,服务器105在运行该轨迹预测类应用时可实现如下效果:首先,通过网络104接收通过传感器101、102、103传入的预设区域内(例如自动驾驶车辆附近预设距离内)各障碍物的位置信息;然后,根据位置信息确定出不同障碍物之间的实际交互关系;接着,确定受实际交互关系影响的各障碍物的初始预测轨迹;下一步,在预设的标准轨迹库中确定与初始预测轨迹匹配的目标标准轨迹,该标准轨迹库包括多条标准轨迹,每条标准轨迹分别对应于障碍物的一种运动状态;最后,基于目标标准轨迹修正初始预测轨迹,得到目标预测轨迹。
进一步的,服务器105还可以将该目标预测轨迹呈现在对应的自动驾驶车辆上,并同时反馈相应的避障行驶方案。
需要指出的是,各障碍物的位置信息除可以从传感器101、102、103通过网络104实时获取到之外,也可以通过各种方式预先存储在服务器105本地。因此,当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理轨迹预测任务),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括传感器101、102、103和网络104。
由于轨迹预测需要在较短时间完成大量的精确计算,因此需要占用较多的运算资源和较强的运算能力,因此本公开后续各实施例所提供的障碍物轨迹预测方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,障碍物轨迹预测装置一般也设置于服务器105中。但同时也需要指出的是,在传感器101、102、103也具有满足要求的运算能力和运算资源时,传感器101、102、103也可以通过其上安装的轨迹预测类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的传感器的情况下,但轨迹预测类应用判断所在的传感器拥有较强的运算能力和剩余较多的运算资源时,可以让传感器来执行上述运算,从而适当减轻服务器105的运算压力,相应的,轨迹预测类应用装置也可以设置于传感器101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
应该理解,图1中的传感器、网络和服务器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传感器、网络和服务器。
请参考图2,图2为本公开实施例提供的一种障碍物轨迹预测方法的流程图,其中流程200包括以下步骤:
步骤201:获取预设区域内各障碍物的位置信息,并根据位置信息确定出不同障碍物之间的实际交互关系;
本步骤旨在由障碍物轨迹预测方法的执行主体(例如图1所示的服务器105)基于预设区域内各障碍物的位置信息确定出不同障碍物之间的实际交互关系。
其中,预设区域主要重要选取存在交互、影响关系的障碍物,以自动驾驶车辆为例,预设区域应指其规划行驶路线周围的区域,例如沿直线行驶的车辆的正前方、左/右侧方。
其中,各障碍物的位置信息可由车载传感器结合高精度地图共同确定得到,高精度地图用于提供固定的、静态障碍物的位置信息,例如道路围栏、路灯杆、树木等,临时的、动态障碍物(如其他车辆、行人等)的位置信息则可通过集成在车载终端上的各式传感器获取到,例如红外激光测距仪、超声波测距仪、毫米波雷达、近红外摄像头等。
大多数现有技术在预估障碍物的运动轨迹时,往往将各个障碍物作为独立的个体进行计算,而忽视了可能存在相互影响的关联障碍物之间因其之间的交互关系对其各自运动轨迹的影响。因此,本步骤由上述执行主体根据各障碍物之间的位置信息来确定不同障碍物之间的实际交互关系,以通过引入交互关系这一概念将不同障碍物之间的影响纳入轨迹预测,进而尽可能的提升预测的运动轨迹与实际情况的符合程度。
具体的,用于表征是否导致一个障碍物的运动轨迹发生变化的交互关系,可通过该障碍物与其它障碍物之间距离的某种形式来表示,因为通常来说两个障碍物距离越近,往往会因“排斥性”而导致有主动变更能力轨迹能力的一方通过远离另一方的方式导致运动轨迹的变更,即可以认为影响程度与距离的大小成反比,即距离越近、影响程度越大,距离越远,影响程度越小。
步骤202:确定受实际交互关系影响的各障碍物的初始预测轨迹;
在步骤201的基础上,本步骤旨在由上述执行主体确定受实际交互关系影响的各障碍物的初始预测轨迹。即在考虑当前障碍物可能会受到其它障碍物的交互影响的情况下,预测得到该障碍物的初始预测轨迹。
具体的,在给定实际影响因素的情况下,障碍物的轨迹预测操作可具体由预先构建好的轨迹预测模型来实现,例如回归模型、线性/非线性的运动学拟合模型等等。
步骤203:在预设的标准轨迹库中确定与初始预测轨迹匹配的目标标准轨迹;
在步骤202的基础上,本步骤旨在由上述执行主体确定与初始预测轨迹相匹配的目标标准轨迹。
其中,该标准轨迹库包括多条标准轨迹,每条标准轨迹分别对应于障碍物的一种运动状态,即不同的标准轨迹分别基于障碍物的不同运动状态得到,而即使在障碍物相同的情况下,对运动状态的划分方式不同,也有可能得到不同的标准轨迹,至少一条标准轨迹形成了该标准轨迹库。
例如,对于运动路径较为规律的障碍物类型,可简单的按照运动状态划分出直行、45°左转、45°右转、后退这四种标准轨迹。考虑到障碍物运动类型的复杂性,对应不同运动状态的标准轨迹越多,也能够得到与初始预测轨迹匹配程度越高的目标标准轨迹。
而为了尽可能的增加少数标准轨迹在作为目标标准轨迹时的匹配程度,还可以通过对相同类型的障碍物在相同场景下的充分分析,进而使得预先构建出的标准轨迹与该障碍物在当前场景下最容易出现的运动状态相对应,例如结合路口引导路线的设置轨迹,仅预先设置左转30°、左转60°和右转60°三种标准轨迹。
步骤204:基于目标标准轨迹修正初始预测轨迹,得到目标预测轨迹。
在步骤203的基础上,本步骤旨在由上述执行主体使用目标标准轨迹对初始预测轨迹进行修正,以得到与实际运动状态更加相符的目标预测轨迹。其中,基于目标标准轨迹修正初始预测轨迹并不意味着就是将初始预测轨迹直接修正为目标标准轨迹,而是将初始预测轨迹朝更符合目标标准轨迹对应的目标运动状态上进行调整,主体依然还是初始预测轨迹。
在能够得到更准确的障碍物的目标预测轨迹的情况下,就可以进一步的提升自动驾驶车辆的避障能力,进而提升行车安全性。
本公开实施例提供的障碍物轨迹预测方法,首先通过基于位置信息确定可能对障碍物运动轨迹造成影响的实际交互关系,从而基于实际交互关系确定出更加符合实际情况的初始预测轨迹,然后结合与障碍物的不同运动状态对应的标准轨迹来进一步修正初始预测轨迹,从而提升最终得到的目标预测轨迹的准确定,进而提升自动驾驶车辆的安全性。
请参考图3,图3为本公开实施例提供的另一种障碍物轨迹预测方法的流程图,其中流程300包括以下步骤:
步骤301:获取预设区域内各障碍物的位置信息;
本步骤与流程200中的步骤201的相应技术特征一致,具体的解释说明部分也可参见步骤201下的相关内容,此处不再赘述。
步骤302:将各障碍物的位置信息输入预设的图神经网络;
其中,图神经网络基于节点张量和邻接张量构建,节点张量表示各所述障碍物的位置信息,邻接张量表示各障碍物之间的交互关系,交互关系基于各障碍物之间的距离参数换算得到。该图神经网络可按照常规的搭建方式得到,只需要基于上述节点张量和邻接向量即可,此处不限定具体的搭建方式。
一种包括且不限于的基于各障碍物之间的距离参数换算得到交互关系的方式为:
获取第一障碍物的第一位置信息和第二障碍物的第二位置信息;
根据第一位置信息和第二位置信息计算得到第一障碍物与第二障碍物之间的欧式距离;
将欧式距离的倒数作为第一障碍物与第二障碍物之间的交互关系。
即该示例具体将两个障碍物之间的欧式距离的倒数的大小,作为表征其两者中的一者受另一者影响的交互影响的程度。进一步的,若为保证两者的任意一者都能够因另一者的影响调整其运动轨迹(即双向作用),还可以将其两者均限定为车辆、行人等动态障碍物;若只需要保证两者的其中一者能够因另一者的影响调整其运动轨迹(即单向作用),可允许其中一者为树木、花坛等静态障碍物。
步骤303:接收图神经网络输出的特征向量;
对应于步骤202,本步骤接收到的特征向量实际上为实际交互关系的向量表现形式。
步骤304:根据特征向量确定各障碍物的初始预测轨迹;
步骤305:计算初始预测轨迹中的每个轨迹点分别属于标准轨迹库中的每种标准轨迹的实际概率;
以障碍物为进行规律运动的行人为例,可生成包含以下至少一项的标准轨迹:
标准的均速直行轨迹、减速直行轨迹、加速直行轨迹、均速左转轨迹、减速左转轨迹、加速左转轨迹、均速右转轨迹、减速右转轨迹、加速右转轨迹,即如图4所示的9种标准轨迹。可以看出,图4所示的9种标准轨迹所对应的场景为不允许掉头的十字路口场景。
步骤306:对属于每种标准轨迹的轨迹点的实际概率进行对数求和,得到与每种标准轨迹对应的匹配概率;
对数求和,是先对各实际概率求对数,然后再将求对数后的结果进行累加,以使得最终计算出的结果的数值较小,便于进行比较。
步骤307:将数值最大的匹配概率对应的标准轨迹确定为目标标准轨迹;
本实施例具体将数值最大的匹配概率对应的标准轨迹确定为目标标准轨迹,以通过最大值选取方式尽可能的提升准确性。进一步的,若在允许将所有大于预设数量的匹配概率的标准轨迹都选取为目标标准轨迹的情况,也可以将所有符合要求的标准轨迹都确定为目标标准轨迹。更进一步的,在存在多条目标标准轨迹的情况下,还可以通过进一步的进行多目标标准轨迹综合等处理方式确定出更合适的轨迹。
步骤308:基于目标标准轨迹修正初始预测轨迹,得到目标预测轨迹。
在流程200的基础上,本实例所提供的流程300通过步骤302-步骤303具体提供了一种通过图神经网络来输出以向量形式表示的实际交互关系的实现方案,以借助由节点张量和邻接张量构建的图神经网络更好的表示不同障碍物之间的实际交互关系;通过步骤305-步骤307提供了一种具体的基于轨迹点分别属于每种标准轨迹的概率和确定目标标准轨迹的实现方案,以通过最大值选取方式尽可能的提升准确性,同时通过先求对数的方式来降低比较的复杂度。
应当理解的是,步骤302-步骤303所提供的具体实现方式与步骤305-步骤307所提供的具体实现方式之间,并不存在因果和依赖关系,因此完全可以分别结合流程200的其它步骤形成不同的独立实施例,本实施例仅作为同时包含上述两个具体实施例的优选实施例存在。
在上述任意实施例的基础上,考虑到车载传感器对动态障碍物的检测可能因各种影响因素而出现异常,例如上一帧检测到存在一个障碍物、下一帧又消失了等“闪烁现象”,为避免此类因感知异常对障碍物轨迹预测造成错误影响,还可以将在连续视频帧的各视频中出现概率小于预设概率的障碍物确定为异常障碍物,并通过屏蔽该无效障碍物的方式避免使其参与进上述实施例的后续处理过程,即将其排除在位置信息的获取对象之外,也就排除了其在轨迹的预测对象之外,进而消除因感知异常带来的一系列问题。
为加深理解,本公开还结合一个具体应用场景,给出了一种具体的实现方案:
本实施例将整个实现方案拆分为依次进行的5个步骤,分别为:动静态环境元素获取、图构建、特征提取、轨迹生成和后处理。下面将按顺序详细说明各步骤:
S1:动静态环境元素获取
基于无人车当前定位信息和高精地图信息,获取静态环境障碍物信息,如树木、路灯杆、垃圾箱等在大地坐标系中的坐标;获取动态障碍物信息,如车辆、骑行者、行人等在大地坐标系中的坐标。所有的静态和动态障碍物统称为障碍物;
S2:图构建
图的元素包括节点张量V和邻接张量A。节点张量V用来表示行人等障碍物的位置,邻接张量A用来表示各障碍物间的交互关系,如图5所示。其中,每个障碍物所需的观测信息为:
Posobs=(x,y,speed,heading),其中x,y为位置,peed为速度,heading为航向角;所需观测数据为Nobs帧(时间t=Nobs-1,...,0),需预测数据为Npred帧(时间t=1,...,Npred)。
Vt、At分别表示某帧的V张量和A张量,计算方式如下:
矩阵At的元素计算方法为:
对修正之后的矩阵At进行拉普拉斯归一化:
其中,障碍物检测帧数不少于Nobs帧时,为有效障碍物。进行图构建时,仅考虑有效障碍物。设当前帧有效障碍物个数为n,则Vt的维度为[n,2],At的维度为[n,n]。张量V为所有帧Vt的集合,维度为[Nobs,n,2],张量A为所有帧At的集合,维度为[Nobs,n,n]。
S3:特征提取
特征提取网络用来对输入节点张量V及邻接张量A进行特征提取。特征提取网络由多个模块构成,每个模块由卷积操作、批归一化操作、爱因斯坦求和操作、激活函数PReLU(Parametric Rectified Linear Unit,带参数的修正线性单元)等组成。最终输出的特征张量维度为[Nobs,n,64]。
S4:轨迹生成
轨迹生成网络基于特征张量生成预测轨迹。轨迹生成网络由多个模块构成,每个模块由卷积操作、批归一化操作、激活函数PReLU等组成。
针对行人这类动态障碍物,设计9条标准轨迹,如图4所示。9条标准轨迹分别为执行工况的匀速、加速、减速运动,左转工况的匀速、加速、减速运动,右转工况的匀速、加速、减速运动。标准轨迹存储为离散点,采样时间间隔等于观测数据时间间隔,以位置变化增量(Δx,Δy)形式进行存储。
采用二维高斯分布表征预测的轨迹点,每个点有5个特征参数,分别为:Pospred=(x,y,σx,σy,covxy),其中x,y,为位置,σx,σy为位置的方差,covxy为x,y,的相关性系数。
轨迹生成模块的输出包括两部分,第一部分为预测轨迹点的概率,其维度为[Npred,n,5*9];第二部分为9条标准轨迹的概率,其维度为[Npred,n,9]。
S5:后处理
后处理部分首先将预测轨迹点概率转换成预测轨迹点,注意只处理行人类型障碍物的轨迹点。设预测概率为prob,前一帧位置为(xt-1,yt-1),预测轨迹点位置为(xt,yt):
后处理部分然后对预测输出的9条标准轨迹各帧的概率进行对数求和,选取和最大的轨迹进行输出。后处理部分输出的预测结果为Vpred,维度为[Npred,n,5]。
本实施例所提供的特征提取网络和轨迹生成网络都是以卷积操作为主,所需层数少,参数少,模型训练和推理时间缩短,便于实车应用;另外,行人与其他障碍物间交互性增强,基于标准轨迹生成最终的预测轨迹,提升了预测的精度,对于无人车的高效安全行驶具有重要意义。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种障碍物轨迹预测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的障碍物轨迹预测装置600可以包括:位置及交互关系确定单元601、初始预测轨迹确定单元602、目标标准轨迹匹配单元603、预测轨迹修正单元604。其中,位置及交互关系确定单元601,被配置成获取预设区域内各障碍物的位置信息,并根据位置信息确定出不同障碍物之间的实际交互关系;初始预测轨迹确定单元602,被配置成确定受实际交互关系影响的各障碍物的初始预测轨迹;目标标准轨迹匹配单元603,被配置成在预设的标准轨迹库中确定与初始预测轨迹匹配的目标标准轨迹;其中,该标准轨迹库包括多条标准轨迹,每条标准轨迹分别对应于障碍物的一种运动状态;预测轨迹修正单元604,被配置成基于目标标准轨迹修正初始预测轨迹,得到目标预测轨迹。
在本实施例中,障碍物轨迹预测装置600中:位置及交互关系确定单元601、初始预测轨迹确定单元602、目标标准轨迹匹配单元603、预测轨迹修正单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,位置及交互关系确定单元601可以包括被配置成根据位置信息确定出不同障碍物之间的实际交互关系的交互关系确定子单元,交互关系确定子单元可以被进一步配置成:
将各障碍物的位置信息输入预设的图神经网络;其中,图神经网络基于节点张量和邻接张量构建,节点张量表示各障碍物的位置信息,邻接张量表示各障碍物之间的交互关系,交互关系基于各障碍物之间的距离参数换算得到;
接收图神经网络输出的特征向量;其中,特征向量为实际交互关系的向量表现形式。
在本实施例的一些可选的实现方式中,障碍物轨迹预测装置600中还可以包括被配置成基于各障碍物之间的距离参数换算得到交互关系的交互关系计算单元,交互关系计算单元可以被进一步配置成:
获取第一障碍物的第一位置信息和第二障碍物的第二位置信息;
根据第一位置信息和第二位置信息计算得到第一障碍物与第二障碍物之间的欧式距离;
将欧式距离的倒数作为第一障碍物与第二障碍物之间的交互关系。
在本实施例的一些可选的实现方式中,目标标准轨迹匹配单元603可以被进一步配置成:
计算初始预测轨迹中的每个轨迹点分别属于标准轨迹库中的每种标准轨迹的实际概率;
对属于每种标准轨迹的轨迹点的实际概率进行对数求和,得到与每种标准轨迹对应的匹配概率;
将数值最大的匹配概率对应的标准轨迹确定为目标标准轨迹。
在本实施例的一些可选的实现方式中,障碍物轨迹预测装置600中还可以包括被配置成根据障碍物的不同运动状态生成不同的标准轨迹的标准轨迹生成单元,标准轨迹生成单元可以被进一步配置成:
响应于障碍物为行人,根据行人的规律运动状态,生成包含以下至少一项的标准轨迹:
标准的均速直行轨迹、减速直行轨迹、加速直行轨迹、均速左转轨迹、减速左转轨迹、加速左转轨迹、均速右转轨迹、减速右转轨迹、加速右转轨迹。
在本实施例的一些可选的实现方式中,障碍物轨迹预测装置600中还可以包括:
连续视频帧处理单元,别配置成在获取预设区域内各障碍物的位置信息之前,获取待处理的连续视频帧;
异常障碍物确定单元,被配置成将在连续视频帧的各视频帧中出现概率小于预设概率的障碍物,确定为异常障碍物;
位置及交互关系确定单元包括被配置成获取预设区域内各障碍物的位置信息的位置确定子单元,异常障碍物被排除在位置确定子单元的获取对象之外。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的障碍物轨迹预测装置,首先通过基于位置信息确定可能对障碍物运动轨迹造成影响的实际交互关系,从而基于实际交互关系确定出更加符合实际情况的初始预测轨迹,然后结合与障碍物的不同运动状态对应的标准轨迹来进一步修正初始预测轨迹,从而提升最终得到的目标预测轨迹的准确定,进而提升自动驾驶车辆的安全性。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的障碍物轨迹预测方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的障碍物轨迹预测方法。
根据本公开的实施例,本公开还提供了一种计算机程序产品,该计算机程序产品在被处理器执行时能够实现上述任意实施例所描述的障碍物轨迹预测方法。
根据本公开的实施例,本公开还提供了一种配置有上述电子设备的自动驾驶车辆,配置的电子设备可在其处理器执行时能够实现上述任意实施例所描述的障碍物轨迹预测方法。
根据本公开的实施例,本公开还提供了一种配置有上述电子设备的路侧设备,配置的电子设备可在其处理器执行时能够实现上述任意实施例所描述的障碍物轨迹预测方法。
可选的,路侧设备除了包括电子设备,还可以包括通信部件等,电子设备可以和通信部件一体集成,也可以分体设置。电子设备可以获取感知设备(如路侧相机)的数据,例如图片和视频等,从而进行图像视频处理和数据计算。可选的,电子设备自身也可以具备感知数据获取功能和通信功能,例如是AI相机,电子设备可以直接基于获取的感知数据进行图像视频处理和数据计算。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如障碍物轨迹预测方法。例如,在一些实施例中,障碍物轨迹预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的障碍物轨迹预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行障碍物轨迹预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
根据本公开实施例的技术方案,首先通过基于位置信息确定可能对障碍物运动轨迹造成影响的实际交互关系,从而基于实际交互关系确定出更加符合实际情况的初始预测轨迹,然后结合与障碍物的不同运动状态对应的标准轨迹来进一步修正初始预测轨迹,从而提升最终得到的目标预测轨迹的准确定,进而提升自动驾驶车辆的安全性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种障碍物轨迹预测方法,包括:
获取预设区域内各障碍物的位置信息,并根据所述位置信息确定出不同障碍物之间的实际交互关系;其中,所述位置信息由车载传感器结合高精度地图共同确定得到,所述高精度地图用于提供固定的、静态障碍物的位置信息,所述车载传感器用于提供临时的、动态障碍物的位置信息;
确定受所述实际交互关系影响的各障碍物的初始预测轨迹;
在预设的标准轨迹库中包含的与所述预设区域内各障碍物的运动特性匹配的候选标准轨迹中确定与所述初始预测轨迹匹配的目标标准轨迹;其中,所述标准轨迹库包括多条标准轨迹,每条所述标准轨迹分别对应于障碍物的一种运动状态;
基于所述目标标准轨迹修正所述初始预测轨迹,得到目标预测轨迹;
其中,所述在预设的标准轨迹库中包含的与所述预设区域内各障碍物的运动特性匹配的候选标准轨迹中确定与所述初始预测轨迹匹配的目标标准轨迹,包括:
计算所述初始预测轨迹中的每个轨迹点分别属于所述标准轨迹库中包含的与所述预设区域内各障碍物的运动特性匹配的各候选标准轨迹中的每种候选标准轨迹的实际概率;
对属于每种所述候选标准轨迹的轨迹点的实际概率进行对数求和,得到与每种所述候选标准轨迹对应的匹配概率;
将数值最大的匹配概率对应的候选标准轨迹确定为所述目标标准轨迹。
2.根据权利要求1所述的方法,其中,所述根据所述位置信息确定出不同障碍物之间的实际交互关系,包括:
将各所述障碍物的位置信息输入预设的图神经网络;其中,所述图神经网络基于节点张量和邻接张量构建,所述节点张量表示各所述障碍物的位置信息,所述邻接张量表示各所述障碍物之间的交互关系,所述交互关系基于各所述障碍物之间的距离参数换算得到;
接收所述图神经网络输出的特征向量;其中,所述特征向量为所述实际交互关系的向量表现形式。
3.根据权利要求2所述的方法,还包括:基于各所述障碍物之间的距离参数换算得到所述交互关系,所述基于各所述障碍物之间的距离参数换算得到所述交互关系,包括:
获取第一障碍物的第一位置信息和第二障碍物的第二位置信息;
根据所述第一位置信息和所述第二位置信息计算得到所述第一障碍物与所述第二障碍物之间的欧式距离;
将所述欧式距离的倒数作为所述第一障碍物与所述第二障碍物之间的交互关系。
4.根据权利要求1所述的方法,还包括:根据障碍物的不同运动状态生成不同的标准轨迹,所述根据障碍物的不同运动状态生成不同的标准轨迹,包括:
响应于所述障碍物为行人,根据所述行人的规律运动状态,生成包含以下至少一项的标准轨迹:
标准的均速直行轨迹、减速直行轨迹、加速直行轨迹、均速左转轨迹、减速左转轨迹、加速左转轨迹、均速右转轨迹、减速右转轨迹、加速右转轨迹。
5.根据权利要求1-4任一项所述的方法,所述获取预设区域内各障碍物的位置信息之前,包括:
获取待处理的连续视频帧;
将在所述连续视频帧的各视频帧中出现概率小于预设概率的障碍物,确定为异常障碍物;
所述获取预设区域内各障碍物的位置信息中,所述异常障碍物被排除在获取对象之外。
6.一种障碍物轨迹预测装置,包括:
位置及交互关系确定单元,被配置成获取预设区域内各障碍物的位置信息,并根据所述位置信息确定出不同障碍物之间的实际交互关系;其中,所述位置信息由车载传感器结合高精度地图共同确定得到,所述高精度地图用于提供固定的、静态障碍物的位置信息,所述车载传感器用于提供临时的、动态障碍物的位置信息;
初始预测轨迹确定单元,被配置成确定受所述实际交互关系影响的各障碍物的初始预测轨迹;
目标标准轨迹匹配单元,被配置成在预设的标准轨迹库中包含的与所述预设区域内各障碍物的运动特性匹配的候选标准轨迹中确定与所述初始预测轨迹匹配的目标标准轨迹;其中,所述标准轨迹库包括多条标准轨迹,每条所述标准轨迹分别对应于障碍物的一种运动状态;
预测轨迹修正单元,被配置成基于所述目标标准轨迹修正所述初始预测轨迹,得到目标预测轨迹;
所述目标标准轨迹匹配单元被进一步配置成:计算所述初始预测轨迹中的每个轨迹点分别属于所述标准轨迹库中包含的与所述预设区域内各障碍物的运动特性匹配的候选标准轨迹中的每种候选标准轨迹的实际概率;对属于每种所述候选标准轨迹的轨迹点的实际概率进行对数求和,得到与每种所述候选标准轨迹对应的匹配概率;将数值最大的匹配概率对应的候选标准轨迹确定为所述目标标准轨迹。
7.根据权利要求6所述的装置,其中,所述位置及交互关系确定单元包括被配置成根据所述位置信息确定出不同障碍物之间的实际交互关系的交互关系确定子单元,所述交互关系确定子单元被进一步配置成:
将各所述障碍物的位置信息输入预设的图神经网络;其中,所述图神经网络基于节点张量和邻接张量构建,所述节点张量表示各所述障碍物的位置信息,所述邻接张量表示各所述障碍物之间的交互关系,所述交互关系基于各所述障碍物之间的距离参数换算得到;
接收所述图神经网络输出的特征向量;其中,所述特征向量为所述实际交互关系的向量表现形式。
8.根据权利要求7所述的装置,还包括被配置成基于各所述障碍物之间的距离参数换算得到所述交互关系的交互关系计算单元,所述交互关系计算单元被进一步配置成:
获取第一障碍物的第一位置信息和第二障碍物的第二位置信息;
根据所述第一位置信息和所述第二位置信息计算得到所述第一障碍物与所述第二障碍物之间的欧式距离;
将所述欧式距离的倒数作为所述第一障碍物与所述第二障碍物之间的交互关系。
9.根据权利要求6所述的装置,还包括被配置成根据障碍物的不同运动状态生成不同的标准轨迹的标准轨迹生成单元,所述标准轨迹生成单元被进一步配置成:
响应于所述障碍物为行人,根据所述行人的规律运动状态,生成包含以下至少一项的标准轨迹:
标准的均速直行轨迹、减速直行轨迹、加速直行轨迹、均速左转轨迹、减速左转轨迹、加速左转轨迹、均速右转轨迹、减速右转轨迹、加速右转轨迹。
10.根据权利要求6-9任一项所述的装置,还包括:
连续视频帧处理单元,别配置成在获取预设区域内各障碍物的位置信息之前,获取待处理的连续视频帧;
异常障碍物确定单元,被配置成将在所述连续视频帧的各视频帧中出现概率小于预设概率的障碍物,确定为异常障碍物;
位置及交互关系确定单元包括被配置成获取预设区域内各障碍物的位置信息的位置确定子单元,所述异常障碍物被排除在所述位置确定子单元的获取对象之外。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的障碍物轨迹预测方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的障碍物轨迹预测方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的障碍物轨迹预测方法。
14.一种自动驾驶车辆,包括如权利要求11所述的电子设备。
15.一种路侧设备,包括如权利要求11所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619753.0A CN113264066B (zh) | 2021-06-03 | 2021-06-03 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110619753.0A CN113264066B (zh) | 2021-06-03 | 2021-06-03 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113264066A CN113264066A (zh) | 2021-08-17 |
CN113264066B true CN113264066B (zh) | 2023-05-23 |
Family
ID=77234171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110619753.0A Active CN113264066B (zh) | 2021-06-03 | 2021-06-03 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113264066B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936491B (zh) * | 2021-09-09 | 2022-05-13 | 山东金宇信息科技集团有限公司 | 一种基于5g网络的自动驾驶路况导航方法、系统及介质 |
CN113963537A (zh) * | 2021-10-19 | 2022-01-21 | 东软睿驰汽车技术(上海)有限公司 | 一种针对路口的车辆轨迹预测方法和相关装置 |
CN114291106A (zh) * | 2021-12-30 | 2022-04-08 | 阿波罗智联(北京)科技有限公司 | 用于车辆的信息展示方法、装置、电子设备和存储介质 |
CN114610020B (zh) * | 2022-01-28 | 2023-05-23 | 广州文远知行科技有限公司 | 障碍物运动轨迹的预测方法、装置、设备及存储介质 |
CN114596552B (zh) * | 2022-03-09 | 2023-06-23 | 阿波罗智能技术(北京)有限公司 | 信息处理方法、训练方法、装置、设备、车辆及介质 |
CN114596553B (zh) * | 2022-03-11 | 2023-01-24 | 阿波罗智能技术(北京)有限公司 | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 |
CN114475585B (zh) * | 2022-03-11 | 2022-11-01 | 阿波罗智能技术(北京)有限公司 | 路口自动驾驶方法、装置、电子设备及自动驾驶车辆 |
CN114771565A (zh) * | 2022-04-08 | 2022-07-22 | 合众新能源汽车有限公司 | 自动驾驶车辆的右转控制方法、装置及车辆、存储介质 |
CN114563007B (zh) * | 2022-04-28 | 2022-07-29 | 新石器慧通(北京)科技有限公司 | 障碍物的运动状态预测方法、装置、电子设备及存储介质 |
CN115112141A (zh) * | 2022-06-24 | 2022-09-27 | 重庆长安汽车股份有限公司 | 一种车辆路径规划方法、系统、电子设备及存储介质 |
CN115123252B (zh) * | 2022-07-05 | 2023-03-31 | 小米汽车科技有限公司 | 车辆控制方法、装置、车辆及存储介质 |
CN115007765B (zh) * | 2022-08-03 | 2022-10-25 | 山东迪格重工机械有限公司 | 一种基于红外线的冲压机床防夹手自动控制方法 |
CN115214724B (zh) * | 2022-09-20 | 2022-12-09 | 毫末智行科技有限公司 | 一种轨迹预测的方法、装置、电子设备及存储介质 |
CN118046917A (zh) * | 2022-11-09 | 2024-05-17 | 北京三快在线科技有限公司 | 轨迹修正方法以及自动驾驶车辆 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109927719A (zh) * | 2017-12-15 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL95990A (en) * | 1990-10-15 | 1994-07-31 | B V R Technologies Ltd | Anti-collision warning system |
WO2017156443A1 (en) * | 2016-03-10 | 2017-09-14 | Rutgers, The State University Of New Jersey | Global optimization-based method for improving human crowd trajectory estimation and tracking |
CN111190427B (zh) * | 2020-04-10 | 2020-10-02 | 北京三快在线科技有限公司 | 一种轨迹规划的方法及装置 |
CN112364997B (zh) * | 2020-12-08 | 2021-06-04 | 北京三快在线科技有限公司 | 一种障碍物的轨迹预测方法及装置 |
CN112528931B (zh) * | 2020-12-22 | 2024-03-15 | 阿波罗智联(北京)科技有限公司 | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 |
CN112766468B (zh) * | 2021-04-08 | 2021-07-30 | 北京三快在线科技有限公司 | 一种轨迹预测方法、装置、存储介质及电子设备 |
-
2021
- 2021-06-03 CN CN202110619753.0A patent/CN113264066B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109927719A (zh) * | 2017-12-15 | 2019-06-25 | 百度在线网络技术(北京)有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113264066A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN113221677B (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
JP7556142B2 (ja) | 点群からの効率的な三次元物体検出 | |
CN113902897A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113715814A (zh) | 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆 | |
EP3937077B1 (en) | Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle | |
CN113859264B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN113895460B (zh) | 行人轨迹预测方法、装置及存储介质 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN113780064A (zh) | 一种目标跟踪方法以及装置 | |
CN112651535A (zh) | 局部路径规划方法、装置、存储介质、电子设备及车辆 | |
CN113688920A (zh) | 模型训练及目标检测方法、装置、电子设备以及路侧设备 | |
CN116434156A (zh) | 目标检测方法、存储介质、路侧设备及自动驾驶系统 | |
CN113516013B (zh) | 目标检测方法、装置、电子设备、路侧设备和云控平台 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN114584949A (zh) | 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆 | |
CN115431968B (zh) | 车辆控制器、车辆及车辆控制方法 | |
CN114407916B (zh) | 车辆控制及模型训练方法、装置、车辆、设备和存储介质 | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN114620055B (zh) | 道路数据处理方法、装置、电子设备及自动驾驶车辆 | |
CN116663329B (zh) | 自动驾驶仿真测试场景生成方法、装置、设备及存储介质 | |
CN116311142A (zh) | 多传感器障碍物类别融合的方法、设备及自动驾驶车辆 | |
CN118629005A (zh) | 模型训练和障碍物检测方法、装置及自动驾驶车辆 | |
CN117671643A (zh) | 障碍物检测方法和装置 | |
CN116030446A (zh) | 数据评估方法、装置、系统、电子设备及车辆 |
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 |