CN113296541A - 一种基于未来碰撞风险的无人设备控制方法及装置 - Google Patents
一种基于未来碰撞风险的无人设备控制方法及装置 Download PDFInfo
- Publication number
- CN113296541A CN113296541A CN202110847025.5A CN202110847025A CN113296541A CN 113296541 A CN113296541 A CN 113296541A CN 202110847025 A CN202110847025 A CN 202110847025A CN 113296541 A CN113296541 A CN 113296541A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- time
- probability
- moment
- determining
- 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
- 230000004888 barrier function Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000036299 sexual function Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- 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
-
- 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
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- 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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0022—Gains, weighting coefficients or weighting functions
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0022—Gains, weighting coefficients or weighting functions
- B60W2050/0025—Transfer function weighting factor
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本说明书公开了一种基于未来碰撞风险的无人设备控制方法及装置，应用于无人驾驶领域，无人设备可以基于预测出的周围障碍物在未来一段时间内的预测轨迹，并基于这些预测轨迹，确定出各障碍物在无人设备接下来将要前往的目标区域内的全局碰撞情况，这样可以保证无人设备基于确定出的全局碰撞情况，在目标区域内进行有效地规避碰撞事故，从而保证了无人设备在未来一段时间内的安全行驶，进而保证了无人设备的行驶效率。
Description
技术领域
本说明书涉及无人驾驶领域，尤其涉及一种基于未来碰撞风险的无人设备控制方法及装置。
背景技术
随着信息技术的不断发展，无人驾驶技术在各个领域得到了广泛的应用。
无人设备通常是通过轨迹规划来实现自动行驶的，其中，无人设备需要采集周围障碍物的相关数据，并基于这些相关数据，预测周围障碍物的行驶轨迹，进而基于预测出的周围障碍物的行驶轨迹，对自身进行轨迹规划。
然而，在实际应用中，无人设备往往无法有效地预测出前方路段（即无人设备即将进入的路段）中，各障碍物之间的碰撞情况，这就导致无人设备在行驶到前方路段时，将面临较大的碰撞风险，从而无法有效地保证无人设备的安全行驶。
所以，如何有效地确定出前方路段各障碍物之间在未来一段时间内的碰撞情况，以保证接下来无人设备的安全行驶，则是一个亟待解决的问题。
发明内容
本说明书提供一种基于未来碰撞风险的无人设备控制方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于未来碰撞风险的无人设备控制方法，所述方法应用于无人驾驶领域，包括：
采集无人设备周围的各障碍物的传感数据；
针对每个障碍物，根据所述传感数据，预测该障碍物在未来一段时间的至少一个行驶轨迹，作为该障碍物对应的预测轨迹；
针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，所述目标区域为所述无人设备在所述未来一段时间内所处的区域；
根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，作为该障碍物在该时刻对应的全局碰撞概率；
根据每个障碍物在各时刻对应的全局碰撞概率，在所述未来一段时间内控制所述无人设备。
可选地，针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，具体包括：
针对所述目标区域中的每个位置，确定该障碍物在该时刻位于该位置的总体概率；
根据该障碍物在该时刻位于该位置的总体概率，以及其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下该障碍物在该位置处发生碰撞的碰撞概率。
可选地，确定该障碍物在该时刻位于该位置的总体概率，具体包括：
针对该障碍物对应的每个预测轨迹，确定该障碍物在所述未来一段时间内选择该预测轨迹行驶的概率，作为该预测轨迹对应的选择概率；
根据该障碍物对应的每个预测轨迹对应的选择概率，以及确定出的该障碍物按照每个预测轨迹行驶时在该时刻位于该位置的概率，确定该障碍物在该时刻位于该位置的总体概率。
可选地，确定该障碍物按照每个预测轨迹行驶时在该时刻位于该位置的概率，具体包括：
针对该障碍物对应的每个预测轨迹，确定该障碍物按照该预测轨迹行驶时，在该时刻所位于的期望位置；
确定所述期望位置与该位置之间的位置偏差，作为该障碍物在该预测轨迹下所对应的位置偏差；
根据该障碍物在每个预测轨迹下所对应的位置偏差，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率，其中，若是该障碍物在每个预测轨迹下所对应的位置偏差越小，该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率越大。
可选地，确定该障碍物按照每个预测轨迹行驶时在该时刻位于该位置的概率，具体包括：
针对该障碍物对应的每个预测轨迹，确定该障碍物按照该预测轨迹行驶时，在该时刻所对应的行驶速度，作为该预测轨迹在该时刻下对应的行驶速度；
根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率，其中，若是根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定该障碍物在该时刻下越逼近该位置，则该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率越大。
可选地，根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率，具体包括：
针对该障碍物对应的每个预测轨迹，根据该预测轨迹在该时刻下对应的行驶速度，确定该预测轨迹在该时刻下所对应的协方差矩阵，其中，若是该预测轨迹在该时刻下对应的行驶速度越大，该预测轨迹在该时刻下所对应的协方差矩阵中的对角元素的值越大；
根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，以及每个预测轨迹在该时刻下所对应的协方差矩阵，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率。
可选地，根据该障碍物在该时刻位于该位置的总体概率，以及其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下该障碍物在该位置处发生碰撞的碰撞概率，具体包括：
针对每个其他障碍物，根据确定该障碍物在该时刻位于该位置的总体概率，以及该其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下该其他障碍物针对该障碍物在该位置处发生碰撞的碰撞概率，作为该其他障碍物针对该障碍物的碰撞概率；
将各其他障碍物针对该障碍物的各碰撞概率中最大的碰撞概率，作为在该时刻下该障碍物在该位置处发生碰撞的碰撞概率。
可选地，根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，具体包括：
确定所述目标区域对应的位置权重矩阵，其中，在所述位置权重矩阵中，所述目标区域内的每个位置对应一个权重，针对所述目标区域内的每个位置，若是该位置距离所述无人设备当前所处的位置越远，该位置在所述位置权重矩阵中对应的权重越小；
根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，以及所述目标区域对应的位置权重矩阵，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率。
本说明书提供了一种基于未来碰撞风险的无人设备控制装置，所述装置应用于无人驾驶领域，包括：
采集模块，用于采集无人设备周围的各障碍物的传感数据；
预测模块，用于针对每个障碍物，根据所述传感数据，预测该障碍物在未来一段时间的至少一个行驶轨迹，作为该障碍物对应的预测轨迹；
第一确定模块，用于针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，所述目标区域为所述无人设备在所述未来一段时间内所处的区域；
第二确定模块，用于根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，作为该障碍物在该时刻对应的全局碰撞概率；
控制模块，用于根据每个障碍物在各时刻对应的全局碰撞概率，在所述未来一段时间内控制所述无人设备。
本说明书提供了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，所述计算机程序被处理器执行时实现上述基于未来碰撞风险的无人设备控制方法。
本说明书提供了一种无人设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于未来碰撞风险的无人设备控制方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的基于未来碰撞风险的无人设备控制方法中，可以采集无人设备周围的各障碍物的传感数据，并针对每个障碍物，基于传感数据，预测该障碍物在未来一段时间的至少一个预测轨迹，而后，针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，进而确定出该障碍物该时刻在整个目标区域内发生碰撞的全局碰撞概率，并最终根据每个障碍物在各时刻对应的全局碰撞概率，在未来一段时间内控制无人设备。
从上述方法中可以看出，由于无人设备可以基于预测出的周围障碍物在未来一段时间内的预测轨迹，并基于这些预测轨迹，确定出各障碍物在无人设备接下来将要前往的目标区域内的全局碰撞情况，这样可以保证无人设备基于确定出的全局碰撞情况，在目标区域内进行有效地规避碰撞事故，从而保证了无人设备在未来一段时间内的安全行驶，进而保证了无人设备的行驶效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种基于未来碰撞风险的无人设备控制方法的流程示意图；
图2为本说明书提供的无人设备预测出障碍物多条预测轨迹，以及障碍物选择每条预测轨迹的选择概率的示意图；
图3为本说明书提供障碍物在一个时刻下的期望位置与目标区域中各位置之间的距离，与障碍物在该时刻占用各位置的概率之间关系的示意图；
图4为本说明书提供的一种基于未来碰撞风险的无人设备控制装置的示意图；
图5为本说明书提供的对应于图1的无人设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种基于未来碰撞风险的无人设备控制方法的流程示意图，具体包括以下步骤：
S101：采集无人设备周围的各障碍物的传感数据。
无人设备在行驶过程中，可以通过自身设置的传感器，采集周围各障碍物的传感数据，以预测各障碍物未来一段时间的行驶轨迹，并以此确定出无人设备未来一段时间内所采用的行驶决策。
在本说明书中，无人设备周围的障碍物可以是指诸如机动车、行人等可能对无人设备的行进造成干扰、阻碍的动态物体。进一步地，无人设备采集周围的障碍物的传感数据所采用的具体方式可以有多种，具体可以根据无人设备所采用的传感器来决定。例如，无人设备可以通过设置的激光雷达，对无人设备周围的各障碍物进行捕捉，以采集到这些障碍物的点云数据（即传感数据）；再例如，无人设备可以通过设置的图像采集器（如摄像头，相机等）采集周围的障碍物的图像数据（即传感数据）。
在本说明书中，对无人设备进行控制的执行主体可以是无人设备自身，也可以是远端的服务器，即，无人设备可以将采集到的周围障碍物的传感数据，由服务器预测出各障碍物在未来一段时间内的预测轨迹，并基于这些预测轨迹，确定出各障碍物在未来一段时间内每个时刻对应的全局碰撞概率，进而通过确定出的全局碰撞概率，执行相应的控制策略。最终，服务器可以基于该控制策略，在未来一段时间内对无人设备进行控制。而为了便于描述，下面将仅以无人设备为执行主体，对本说明书提供的无人设备的控制方法进行说明。
本说明书中提到的无人设备可以是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此，应用本说明书提供的基于未来碰撞风险的无人设备控制方法的无人设备，可以用于执行配送领域的配送任务，如，使用无人设备进行快递、物流、外卖等配送的业务场景。
S102：针对每个障碍物，根据所述传感数据，预测该障碍物在未来一段时间的至少一个行驶轨迹，作为该障碍物对应的预测轨迹。
在采集到每个障碍物的传感数据后，可以针对每个障碍物，根据该障碍物对应的传感数据，预测出该障碍物在未来一段时间的至少一个行驶轨迹，作为该障碍物对应的预测轨迹。
从这里可以看出，无人设备可以预测出一个障碍物在未来一段时间内的至少一条行驶轨迹。即，一种情况下，无人设备可以预测出一个障碍物在未来一段时间内的多条行驶轨迹，这多条行驶轨迹，可以看作是无人设备预测出的该障碍物在未来一段时间内，可能出现的行驶情况，所以，这些行驶轨迹可以称之为是预测轨迹。
在本说明书中，无人设备可以将采集到的一个障碍物对应的传感数据输入预设的轨迹预测模型中，以通过该轨迹预测模型，得到该障碍物在未来一段时间内的至少一条预测轨迹。其中，这里提到的轨迹预测模型所采用的算法可以有多种，如长短期记忆网络（Long Short-Term Memory，）、循环神经网络（GateRecurrentUnit，GRU）等算法，本说明书不对具体所采用的算法进行限定。
需要说明的是，在本说明书中，无人设备除了可以确定出一个障碍物在未来一段时间内所采用的至少一条预测轨迹，还可以确定出该障碍物在未来一段时间内会选择这些预测轨迹的选择概率。如图2所示。
图2为本说明书提供的无人设备预测出障碍物多条预测轨迹，以及障碍物选择每条预测轨迹的选择概率的示意图。
例如，假设对于无人设备周围的障碍物A，无人设备通过采集到的该障碍物A的传感数据，预测出障碍物A在接下来（即未来一段时间）可能行驶出的预测轨迹有5条：S1~S5，每一条预测轨迹都对应有一个相应的选择概率，如，对于预测轨迹S1来说，预测轨迹S1对应的选择概率为23%，即，障碍物A在接下来，有23%的概率会选择按照预测轨迹S1进行行驶，其他的以此类推。
从上述示例中可以看出，各条预测轨迹对应的选择概率，也可以理解成障碍物对每条预测轨迹的倾向情况，即，如果一条预测轨迹对应的选择概率越大，则说明障碍物更加倾向选择该预测轨迹在未来一段时间内行驶。
由于一个障碍物是否会在一个位置上与其他障碍物发生碰撞，在一定程度上与其选择的行驶轨迹有关，所以，上述提到的选择概率具体可以用于确定一个障碍物在一个位置上与其他障碍物发生碰撞的碰撞概率，这一内容具体会在后续进行详细说明。
S103：针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，所述目标区域为所述无人设备在所述未来一段时间内所处的区域。
为了保证无人设备在未来一段时间内行驶的安全性，需要对无人设备接下来所前往的区域内的每个位置在每个时刻上所发生的碰撞情况进行预测。基于此，在本说明书中，无人设备可以针对未来一段时间内的每个时刻，根据该障碍物对应的至少一条预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率。
目标区域是指无人设备在未来一段时间内所处的区域，由于在实际应用中，无人设备进行决策的时间间隔通常较短，如5ms，所以，如果目标区域是无人设备接下来将要驶入的区域，则无人设备周围的障碍物接下来大概率也会位于目标区域内。
对于目标区域内的任意一个位置来说，所谓的在该位置上会发生碰撞，可以理解成该位置在同一时刻内被不同的障碍物占用。即，不同障碍物在同一时刻均位于一个位置上。所以，在确定上述碰撞概率时，可以针对目标区域内的每个位置，确定该障碍物在该时刻位于该位置的总体概率，进而根据该障碍物在该时刻位于该位置的总体概率，以及其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下，该障碍物在该位置处发生碰撞的碰撞概率。
例如，对于两个障碍物来说，这两个障碍物同一时刻在同一位置上发生碰撞的碰撞概率可以通过如下公式来表示：
P（
上述公式用于表示在
时刻，障碍物a和障碍物b，同时位于目标区域中C处的概
率，
用于表示障碍物a在
时刻会位于C处的概率，
用于表示障碍物b
在
时刻会位于C处的概率，两者的相乘，即为这两个障碍物在
时刻会在C处发生碰撞的
碰撞概率。
在上述内容中也有所提到，一个障碍物在一个时刻是否会在一个位置上出现，与该障碍物所选择的预测轨迹有关，所以，在本说明书中，对于无人设备周围任意一个障碍物来说，无人设备可以针对该障碍物对应的每个预测轨迹，确定出该障碍物在未来一段时间内选择该预测轨迹行驶的概率，作为该预测轨迹对应的选择概率。而后，无人设备可以根据该障碍物对应的每条预测轨迹对应的选择概率，以及确定出的该障碍物按照每条预测轨迹行驶时在该时刻位于该位置的概率，确定出该障碍物在该时刻位于该位置上的总体概率。
由于障碍物对应的预测轨迹有多条，所以，这里提到的总体概率可以理解成，衡量障碍物按照每条预测轨迹行驶后，总体上在该时刻上是否会出现在该位置上的情况。而对于一个障碍物来说，该障碍物在该时刻位于该位置上的总体概率，可以通过如下公式进行表示：
该公式用于表示障碍物a在
时刻位于C处的总体概率，其中，
用于表示障碍物
a对应的预测轨迹的数量，
用于表示障碍物a选择第i条预测轨迹的选择概率，
用于表示障碍物a在选择第i条预测轨迹后，在
时刻位于C处的概率。
从上述可以看出，无人设备分别确定出障碍物a按照每个预测轨迹行驶后，在
时
刻位于C处的概率后，即可通过加和的形式，确定出障碍物a在
时刻有多大概率位于C处的
总体情况。
需要说明的是，无人设备周围的各障碍物在未来一段时间内，并不一定会出现在目标区域内的所有位置上，即，有些位置会被障碍物所占用，而有些位置则不会。所以，在确定一个障碍物在一个时刻是否会出现在目标区域内的某一位置的概率时，可以通过该障碍物按照预测轨迹行驶时，在该时刻逼近该位置的程度来确定。
无人设备在确定该障碍物按照每条预测轨迹行驶时在该时刻位于该位置的概率时，具体可以针对该障碍物对应的每条预测轨迹，确定出该障碍物按照该预测轨迹行驶时，在该时刻所位于的期望位置。而后，无人设备可以进一步地确定出该期望位置与该位置之间的位置偏差，作为该障碍物在该预测轨迹下所对应的位置偏差。最终，无人设备可以根据该障碍物在每条预测轨迹下所对应的位置偏差，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率。其中，若是该障碍物在每个预测轨迹下所对应的位置偏差越小，该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率越大。
上述期望位置可以理解成障碍物按照一条预测轨迹行驶后，在该时刻理应所出现的位置，换句话说，该期望位置可以理解成是该时刻在该预测轨迹上所对应的轨迹点。而从上述内容中可以看出，对于该障碍物所采用的任意一条预测轨迹来说，若是该障碍物按照该预测轨迹行驶后，在该时刻所出现的期望位置，距离该位置较近，则说明该障碍物按照该预测轨迹行驶时，在该时刻出现在该位置上的可能性较大，相应的概率也越高。
换个角度来说，在一个时刻下，障碍物对位于该时刻的期望位置越近的位置，占用的概率越大，如图3所示。
图3为本说明书提供障碍物在一个时刻下的期望位置与目标区域中各位置之间的距离，与障碍物在该时刻占用各位置的概率之间关系的示意图。
从图3中可以看出，位于期望位置越近的位置，颜色相对较深一些，则说明障碍物在该时刻位于期望位置越近的位置的概率越大，而位于期望位置越远的位置，颜色相对较浅一些，则说明障碍物在该时刻位于期望位置越远的位置的概率越小。
当然，在本说明书中，无人设备也可以通过其他的方式，来确定出该障碍物按照每条预测轨迹行驶时在该时刻位于该位置的概率。具体的，无人设备可以针对该障碍物对应的每条预测轨迹，确定该障碍物按照该预测轨迹行驶时，在该时刻所对应的行驶速度，作为该预测轨迹在该时刻下对应的行驶速度。而后，无人设备可以根据该障碍物的每条预测轨迹在该时刻下对应的行驶速度，确定出该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率。
其中，这里提到的行驶速度为矢量，即包括有行驶方向和具体的速度值，所以，若是根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定出该障碍物在该时刻下越逼近该位置，则说明该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置上的概率越大。也就是说，行驶方向可以理解成该障碍物在该时刻是否会逼近该位置，而具体的速度值用于衡量该障碍物在该时刻逼近该位置的逼近程度。
进一步地，在本说明书中，可以进一步地引入协方差矩阵，来确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率。具体的，无人设备可以针对该障碍物对应的每条预测轨迹，根据该预测轨迹在该时刻下对应的行驶速度，确定该预测轨迹在该时刻下所对应的协方差矩阵，进而根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，以及每个预测轨迹在该时刻下所对应的协方差矩阵，确定出对应的行驶速度，以及每个预测轨迹在该时刻下所对应的协方差矩阵，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率。
其中，若是该预测轨迹在该时刻下对应的行驶速度越大，则该预测轨迹在该时刻下所对应的协方差矩阵中的对角元素的值越大。可以理解成，该障碍物若是按照该预测轨迹行驶后，在该时刻的行驶方向指向或是近似指向该位置，那么当该障碍物在该时刻的具体速度值越大时，则在协方差矩阵的作用下，该障碍物该时刻位于该位置上的概率也将被进一步地增强。
当然，在本说明书中，无人设备也可以将上述几种方式进行融合，以确定出该障碍物按照每个预测轨迹行驶时在该时刻位于该位置的概率，具体可以参考如下公式：
在该公式中，
表示障碍物a按照预测轨迹i行驶后，在
时刻位于C处
的概率，
表示障碍物a在
时刻所对应的协方差矩阵，
表示障碍物a按照预测轨迹i行
驶后，在
时刻应该位于的期望位置。
表示障碍物a按照预测轨迹i行驶后，在
时刻所
对应的行驶速度，具体可以
的形式来表示。
上述公式是从多个角度来确定障碍物按照一个预测轨迹行驶后，在一个时刻位于
一个位置上的概率的。但是，每一项也反映出了与相应概率之间的关系。具体的，在上述公
式中，若是
越小，则e的指数项整体越大，则说明障碍物a在
时刻的期望位置距离C
处越近，则障碍物a按照预测轨迹i行驶后，在
时刻位于C处的概率越大。同样，在事件示性
函数I的作用下，若是障碍物a按照预测轨迹i行驶后，在
时刻处的行驶方向指向C处，则说
明障碍物a按照预测轨迹i行驶后，在
时刻位于C处的概率越大，反之则越小。
在本说明书中，无人设备周围往往会出现两个以上的障碍物，所以，无人设备需要确定出各障碍物之间在每个时刻，每个位置上的碰撞情况。具体的，无人设备在确定一个障碍物在一个时刻下在目标区域中的一个位置发生碰撞的碰撞概率时，可以针对每个其他障碍物，根据确定该障碍物在该时刻位于该位置的总体概率，以及该其他障碍物在该时刻位于该位置的总体概率，确定出在该时刻下该其他障碍物针对该障碍物在该位置处发生碰撞的碰撞概率，作为该其他障碍物针对该障碍物的碰撞概率。而后，无人设备可以根据各其他障碍物针对该障碍物的各碰撞概率，确定出在该时刻下，该障碍物在该位置处发生碰撞的碰撞概率。
公式P（
已经明确示出了确定两个障碍物
一个时刻在一个位置上发生碰撞的碰撞概率，而对于确定多个障碍物之间在一个位置上发
生碰撞的碰撞概率，具体可以通过以下公式来确定：
该公式中，
用于表示第j个其他障碍物，m用于表示其他障碍物的数量，
用于表示障碍物a在
时刻与第j个其他障碍物在C处发生碰撞的碰撞概
率。
上述公式可以解释为，
用于表示障碍物a在
时刻不会与
第j个其他障碍物在C处发生碰撞的概率，而将障碍物a在
时刻不会与各其他障碍物在C处
发生碰撞的概率进行连乘后，再用1减去这一连乘后得到的概率值，即可得到
时刻障碍物
a会在C处发生碰撞的碰撞概率。
当然，在本说明书中，无人设备也可以采用其他的方式，确定在该时刻下该障碍物在该位置处发生碰撞的碰撞概率。具体的，在确定出上述提到的每个其他障碍物针对该障碍物的碰撞概率后，无人设备可以将各其他障碍物针对该障碍物的各碰撞概率中最大的碰撞概率，作为在该时刻下该障碍物在该位置处发生碰撞的碰撞概率，具体可以参考如下公式：
从该公式中可以看出，无人设备可以将障碍物a与所有其他障碍物中，两两之间碰
撞概率的最大值，作为在
时刻障碍物a在C处发生碰撞的碰撞概率。
S104：根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，作为该障碍物在该时刻对应的全局碰撞概率。
无人设备确定出该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率后，可以将这些碰撞概率加和，以确定出该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，这一全局碰撞概率能够反映出在该时刻下，该障碍物在目标区域内是否会发生碰撞的整体情况。该全局碰撞概率具体可以通过如下公式来确定：
在该公式中，
用于目标区域内的各位置，将在
时刻障碍物a在目标区域内的
每个位置发生碰撞的碰撞概率相加后，即可得在
时刻障碍物a在整个目标区域内发生碰
撞的全局碰撞概率。
当然，在本说明书中，无人设备也可以采用其他的方式，确定出该全局碰撞概率。具体的，无人设备可以确定出目标区域对应的位置权重矩阵，在该位置权重矩阵中，目标区域内的每个位置均对应有一个权重值，对于该目标区域内的每个位置来说，若是该位置距离无人设备当前所处的位置越远，则该位置在位置权重矩阵中对应的权重值也越小，反之，若是该位置距离无人设备当前所处的位置越近，则该位置在位置权重矩阵中对应的权重值也越大。
无人设备可以根据该障碍物该位置在目标区域内的每个位置上发生碰撞的碰撞概率，以及该目标区域对应的位置权重矩阵，确定出该障碍物该时刻在整个目标区域内发生碰撞的全局碰撞概率，具体可以参考如下公式：
需要说明的是，在本说明书中，不同目标区域的位置权重矩阵可以是不同的，也可以是相同的，对于相同的情况来说，可以理解成默认在所有情况下使用同一位置权重矩阵。
S105：根据每个障碍物在各时刻对应的全局碰撞概率，在所述未来一段时间内控制所述无人设备。
在确定出每个障碍物在未来一段时间内的各时刻对应的全局碰撞概率后，即可确定出未来一段时间内的每个时刻，整个目标区域各位置是否会出现碰撞的整体情况，进而通过在未来一段时间内，对无人设备进行控制。例如，如果确定在未来一段时间内的某一时刻，目标区域内出现障碍物碰撞的概率较高，则可以在到达该时刻时，控制无人设备慢行或是停止行驶。
从上述方法中可以看出，由于无人设备可以基于预测出的周围障碍物在未来一段时间内的预测轨迹，并基于这些预测轨迹，确定出各障碍物在无人设备接下来将要前往的目标区域内的全局碰撞情况，这样可以保证无人设备基于确定出的全局碰撞情况，在目标区域内进行有效地规避碰撞事故，从而保证了无人设备在未来一段时间内的安全行驶，进而保证了无人设备的行驶效率。
以上为本说明书的一个或多个实施例提供的基于未来碰撞风险的无人设备控制方法，基于同样的思路，本说明书还提供了相应的基于未来碰撞风险的无人设备控制装置，如图4所示。
图4为本说明书提供的一种基于未来碰撞风险的无人设备控制装置示意图，具体包括：
采集模块401，用于采集无人设备周围的各障碍物的传感数据；
预测模块402，用于针对每个障碍物，根据所述传感数据，预测该障碍物在未来一段时间的至少一个行驶轨迹，作为该障碍物对应的预测轨迹；
第一确定模块403，用于针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，所述目标区域为所述无人设备在所述未来一段时间内所处的区域；
第二确定模块404，用于根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，作为该障碍物在该时刻对应的全局碰撞概率；
控制模块405，用于根据每个障碍物在各时刻对应的全局碰撞概率，在所述未来一段时间内控制所述无人设备。
可选地，所述第一确定模块403具体用于，针对所述目标区域中的每个位置，确定该障碍物在该时刻位于该位置的总体概率；根据该障碍物在该时刻位于该位置的总体概率，以及其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下该障碍物在该位置处发生碰撞的碰撞概率。
可选地，所述第一确定模块403具体用于，针对该障碍物对应的每个预测轨迹，确定该障碍物在所述未来一段时间内选择该预测轨迹行驶的概率，作为该预测轨迹对应的选择概率；根据该障碍物对应的每个预测轨迹对应的选择概率，以及确定出的该障碍物按照每个预测轨迹行驶时在该时刻位于该位置的概率，确定该障碍物在该时刻位于该位置的总体概率。
可选地，所述第一确定模块403具体用于，针对该障碍物对应的每个预测轨迹，确定该障碍物按照该预测轨迹行驶时，在该时刻所位于的期望位置；确定所述期望位置与该位置之间的位置偏差，作为该障碍物在该预测轨迹下所对应的位置偏差；根据该障碍物在每个预测轨迹下所对应的位置偏差，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率，其中，若是该障碍物在每个预测轨迹下所对应的位置偏差越小，该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率越大。
可选地，所述第一确定模块403具体用于，针对该障碍物对应的每个预测轨迹，确定该障碍物按照该预测轨迹行驶时，在该时刻所对应的行驶速度，作为该预测轨迹在该时刻下对应的行驶速度；根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率，其中，若是根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定该障碍物在该时刻下越逼近该位置，则该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率越大。
可选地，所述第一确定模块403具体用于，针对该障碍物对应的每个预测轨迹，根据该预测轨迹在该时刻下对应的行驶速度，确定该预测轨迹在该时刻下所对应的协方差矩阵，其中，若是该预测轨迹在该时刻下对应的行驶速度越大，该预测轨迹在该时刻下所对应的协方差矩阵中的对角元素的值越大；根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，以及每个预测轨迹在该时刻下所对应的协方差矩阵，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率。
可选地，所述第一确定模块403具体用于，针对每个其他障碍物，根据确定该障碍物在该时刻位于该位置的总体概率，以及该其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下该其他障碍物针对该障碍物在该位置处发生碰撞的碰撞概率，作为该其他障碍物针对该障碍物的碰撞概率；将各其他障碍物针对该障碍物的各碰撞概率中最大的碰撞概率，作为在该时刻下该障碍物在该位置处发生碰撞的碰撞概率。
可选地，所述第二确定模块404具体用于，确定所述目标区域对应的位置权重矩阵，其中，在所述位置权重矩阵中，所述目标区域内的每个位置对应一个权重，针对所述目标区域内的每个位置，若是该位置距离所述无人设备当前所处的位置越远，该位置在所述位置权重矩阵中对应的权重越小；根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，以及所述目标区域对应的位置权重矩阵，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的基于未来碰撞风险的无人设备控制方法。
本说明书还提供了图5所示的无人设备的示意结构图。如图5所述，在硬件层面，该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的基于未来碰撞风险的无人设备控制方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，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。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (11)
1.一种基于未来碰撞风险的无人设备控制方法，其特征在于，所述方法应用于无人驾驶领域，包括：
采集无人设备周围的各障碍物的传感数据；
针对每个障碍物，根据所述传感数据，预测该障碍物在未来一段时间的至少一个行驶轨迹，作为该障碍物对应的预测轨迹；
针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，所述目标区域为所述无人设备在所述未来一段时间内所处的区域；
根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，作为该障碍物在该时刻对应的全局碰撞概率；
根据每个障碍物在各时刻对应的全局碰撞概率，在所述未来一段时间内控制所述无人设备。
2.如权利要求1所述的方法，其特征在于，针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，具体包括：
针对所述目标区域中的每个位置，确定该障碍物在该时刻位于该位置的总体概率；
根据该障碍物在该时刻位于该位置的总体概率，以及其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下该障碍物在该位置处发生碰撞的碰撞概率。
3.如权利要求2所述的方法，其特征在于，确定该障碍物在该时刻位于该位置的总体概率，具体包括：
针对该障碍物对应的每个预测轨迹，确定该障碍物在所述未来一段时间内选择该预测轨迹行驶的概率，作为该预测轨迹对应的选择概率；
根据该障碍物对应的每个预测轨迹对应的选择概率，以及确定出的该障碍物按照每个预测轨迹行驶时在该时刻位于该位置的概率，确定该障碍物在该时刻位于该位置的总体概率。
4.如权利要求3所述的方法，其特征在于，确定该障碍物按照每个预测轨迹行驶时在该时刻位于该位置的概率，具体包括：
针对该障碍物对应的每个预测轨迹，确定该障碍物按照该预测轨迹行驶时，在该时刻所位于的期望位置；
确定所述期望位置与该位置之间的位置偏差，作为该障碍物在该预测轨迹下所对应的位置偏差；
根据该障碍物在每个预测轨迹下所对应的位置偏差，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率，其中，若是该障碍物在每个预测轨迹下所对应的位置偏差越小，该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率越大。
5.如权利要求3或4所述的方法，其特征在于，确定该障碍物按照每个预测轨迹行驶时在该时刻位于该位置的概率，具体包括：
针对该障碍物对应的每个预测轨迹，确定该障碍物按照该预测轨迹行驶时，在该时刻所对应的行驶速度，作为该预测轨迹在该时刻下对应的行驶速度；
根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率，其中，若是根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定该障碍物在该时刻下越逼近该位置，则该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率越大。
6.如权利要求5所述的方法，其特征在于，根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率，具体包括：
针对该障碍物对应的每个预测轨迹，根据该预测轨迹在该时刻下对应的行驶速度，确定该预测轨迹在该时刻下所对应的协方差矩阵，其中，若是该预测轨迹在该时刻下对应的行驶速度越大，该预测轨迹在该时刻下所对应的协方差矩阵中的对角元素的值越大；
根据该障碍物的每个预测轨迹在该时刻下对应的行驶速度，以及每个预测轨迹在该时刻下所对应的协方差矩阵，确定该障碍物按照每个预测轨迹行驶时，在该时刻位于该位置的概率。
7.如权利要求2所述的方法，其特征在于，根据该障碍物在该时刻位于该位置的总体概率，以及其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下该障碍物在该位置处发生碰撞的碰撞概率，具体包括：
针对每个其他障碍物，根据确定该障碍物在该时刻位于该位置的总体概率，以及该其他障碍物在该时刻位于该位置的总体概率，确定在该时刻下该其他障碍物针对该障碍物在该位置处发生碰撞的碰撞概率，作为该其他障碍物针对该障碍物的碰撞概率；
将各其他障碍物针对该障碍物的各碰撞概率中最大的碰撞概率，作为在该时刻下该障碍物在该位置处发生碰撞的碰撞概率。
8.如权利要求1所述的方法，其特征在于，根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，具体包括：
确定所述目标区域对应的位置权重矩阵，其中，在所述位置权重矩阵中，所述目标区域内的每个位置对应一个权重，针对所述目标区域内的每个位置，若是该位置距离所述无人设备当前所处的位置越远，该位置在所述位置权重矩阵中对应的权重越小；
根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，以及所述目标区域对应的位置权重矩阵，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率。
9.一种基于未来碰撞风险的无人设备控制装置，其特征在于，所述装置应用于无人驾驶领域，包括：
采集模块，用于采集无人设备周围的各障碍物的传感数据；
预测模块，用于针对每个障碍物，根据所述传感数据，预测该障碍物在未来一段时间的至少一个行驶轨迹，作为该障碍物对应的预测轨迹；
第一确定模块，用于针对所述未来一段时间内的每个时刻，根据该障碍物对应的预测轨迹，确定该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，所述目标区域为所述无人设备在所述未来一段时间内所处的区域；
第二确定模块，用于根据该障碍物该时刻在目标区域内的每个位置上发生碰撞的碰撞概率，确定该障碍物该时刻在整个所述目标区域内发生碰撞的全局碰撞概率，作为该障碍物在该时刻对应的全局碰撞概率；
控制模块，用于根据每个障碍物在各时刻对应的全局碰撞概率，在所述未来一段时间内控制所述无人设备。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~8任一项所述的方法。
11.一种无人设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~8任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110847025.5A CN113296541B (zh) | 2021-07-27 | 2021-07-27 | 一种基于未来碰撞风险的无人设备控制方法及装置 |
| US17/698,916 US20230033069A1 (en) | 2021-07-27 | 2022-03-18 | Unmanned device control based on future collision risk |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110847025.5A CN113296541B (zh) | 2021-07-27 | 2021-07-27 | 一种基于未来碰撞风险的无人设备控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113296541A true CN113296541A (zh) | 2021-08-24 |
| CN113296541B CN113296541B (zh) | 2021-11-30 |
Family
ID=77331036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110847025.5A Active CN113296541B (zh) | 2021-07-27 | 2021-07-27 | 一种基于未来碰撞风险的无人设备控制方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230033069A1 (zh) |
| CN (1) | CN113296541B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113485383A (zh) * | 2021-09-02 | 2021-10-08 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及控制装置 |
| CN114153202A (zh) * | 2021-11-08 | 2022-03-08 | 北京三快在线科技有限公司 | 一种无人设备的控制方法及控制装置 |
| CN114647248A (zh) * | 2022-05-23 | 2022-06-21 | 风林科技(深圳)有限公司 | 机器人避障方法、电子设备及可读存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117130374B (zh) * | 2023-10-26 | 2024-03-15 | 锐驰激光(深圳)有限公司 | 高尔夫球包车的控制方法、高尔夫球包车及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110160950A1 (en) * | 2008-07-15 | 2011-06-30 | Michael Naderhirn | System and method for preventing a collision |
| CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
| US20160355181A1 (en) * | 2015-06-05 | 2016-12-08 | Toyota Jidosha Kabushiki Kaisha | Collision avoidance assistance device for a vehicle |
| CN111427369A (zh) * | 2020-06-08 | 2020-07-17 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
| CN111951552A (zh) * | 2020-08-11 | 2020-11-17 | 腾讯科技（深圳）有限公司 | 一种自动驾驶中风险管理的方法以及相关装置 |
| CN112799411A (zh) * | 2021-04-12 | 2021-05-14 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
| CN112987760A (zh) * | 2021-05-10 | 2021-06-18 | 北京三快在线科技有限公司 | 一种轨迹规划方法、装置、存储介质及电子设备 |
-
2021
- 2021-07-27 CN CN202110847025.5A patent/CN113296541B/zh active Active
-
2022
- 2022-03-18 US US17/698,916 patent/US20230033069A1/en active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110160950A1 (en) * | 2008-07-15 | 2011-06-30 | Michael Naderhirn | System and method for preventing a collision |
| CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
| US20160355181A1 (en) * | 2015-06-05 | 2016-12-08 | Toyota Jidosha Kabushiki Kaisha | Collision avoidance assistance device for a vehicle |
| CN111427369A (zh) * | 2020-06-08 | 2020-07-17 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
| CN111951552A (zh) * | 2020-08-11 | 2020-11-17 | 腾讯科技（深圳）有限公司 | 一种自动驾驶中风险管理的方法以及相关装置 |
| CN112799411A (zh) * | 2021-04-12 | 2021-05-14 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
| CN112987760A (zh) * | 2021-05-10 | 2021-06-18 | 北京三快在线科技有限公司 | 一种轨迹规划方法、装置、存储介质及电子设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113485383A (zh) * | 2021-09-02 | 2021-10-08 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及控制装置 |
| CN113485383B (zh) * | 2021-09-02 | 2021-12-31 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及控制装置 |
| CN114153202A (zh) * | 2021-11-08 | 2022-03-08 | 北京三快在线科技有限公司 | 一种无人设备的控制方法及控制装置 |
| CN114153202B (zh) * | 2021-11-08 | 2024-02-27 | 北京三快在线科技有限公司 | 一种无人设备的控制方法及控制装置 |
| CN114647248A (zh) * | 2022-05-23 | 2022-06-21 | 风林科技(深圳)有限公司 | 机器人避障方法、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113296541B (zh) | 2021-11-30 |
| US20230033069A1 (en) | 2023-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113296541B (zh) | 一种基于未来碰撞风险的无人设备控制方法及装置 | |
| CN111427369B (zh) | 一种无人车控制方法及装置 | |
| CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| CN112799411B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
| CN113341941B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| CN110942181A (zh) | 一种障碍物轨迹预测的方法及装置 | |
| CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
| CN111912423B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
| CN111126362A (zh) | 一种预测障碍物轨迹的方法及装置 | |
| CN111238523A (zh) | 一种运动轨迹的预测方法及装置 | |
| CN112677993A (zh) | 一种模型训练的方法及装置 | |
| CN112327864A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
| CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
| CN111186437B (zh) | 一种车辆轨迹的风险确定方法及装置 | |
| CN112947495A (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
| CN112949756A (zh) | 一种模型训练以及轨迹规划的方法及装置 | |
| CN113343425A (zh) | 一种仿真测试的方法及装置 | |
| CN112649012A (zh) | 一种轨迹规划方法、设备、介质及无人设备 | |
| CN110895406B (zh) | 一种基于干扰物轨迹规划的无人设备的测试方法及装置 | |
| CN114019971B (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
| CN112987762B (zh) | 一种轨迹规划方法、装置、存储介质及电子设备 | |
| CN114167857B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| CN114590250A (zh) | 一种无人设备的控制方法及装置 | |
| CN114280960A (zh) | 一种自动驾驶仿真方法、装置、存储介质及电子设备 |
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 |