CN113392809B - 一种自动驾驶信息处理方法、装置及存储介质 - Google Patents

一种自动驾驶信息处理方法、装置及存储介质 Download PDF

Info

Publication number
CN113392809B
CN113392809B CN202110771879.XA CN202110771879A CN113392809B CN 113392809 B CN113392809 B CN 113392809B CN 202110771879 A CN202110771879 A CN 202110771879A CN 113392809 B CN113392809 B CN 113392809B
Authority
CN
China
Prior art keywords
vehicle
information
lane
characteristic information
lane change
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110771879.XA
Other languages
English (en)
Other versions
CN113392809A (zh
Inventor
高飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110771879.XA priority Critical patent/CN113392809B/zh
Publication of CN113392809A publication Critical patent/CN113392809A/zh
Application granted granted Critical
Publication of CN113392809B publication Critical patent/CN113392809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2300/00—Purposes or special features of road vehicle drive control systems
    • B60Y2300/18—Propelling the vehicle
    • B60Y2300/18008—Propelling the vehicle related to particular drive situations
    • B60Y2300/18166—Overtaking, changing lanes
    • 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

Abstract

本发明实施例提出一种自动驾驶信息处理方法、装置及存储介质，其中，所述方法包括：收集根据驾驶行为得到的至少两个第一信息；根据所述至少两个第一信息得到至少两个第一特征信息；对所述至少两个第一特征信息进行识别，得到对应每一个第一特征信息的标签信息；根据所述至少两个第一特征信息和对应每一个第一特征信息的标签信息，得到样本集；根据所述样本集进行建模，得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型；根据所述关系模型进行变道选择。采用本发明实施例能提高变道的准确率。

Description

一种自动驾驶信息处理方法、装置及存储介质
技术领域
本发明涉及信息处理技术领域，尤其涉及一种信息处理方法、装置及存储介质。
背景技术
信息处理的一种应用场景是在车辆自动驾驶中，为了实现车辆自动行驶的运动规划，需要对车辆运动的轨迹进行评价。车辆变道是运动轨迹中重要的一环。相关技术中是根据驾驶员的经验对如何选择车道以进行车辆变道进行决策。由于仅通过驾驶员的经验得到的决策趋于简单，对车辆周边的环境如障碍物的判断不准确，容易导致变道的准确率下降，尤其是在各种复杂场景中，难以保证在实际驾驶过程中变道结果的可行性和安全性。
发明内容
本发明实施例提供一种信息处理方法、装置及存储介质，以解决现有技术中的一个或多个技术问题。
第一方面，本发明实施例提供了一种信息处理方法，包括：
收集根据驾驶行为得到的至少两个第一信息；
根据所述至少两个第一信息得到至少两个第一特征信息；
对所述至少两个第一特征信息进行识别，得到对应每一个第一特征信息的标签信息；
根据所述至少两个第一特征信息和对应每一个第一特征信息的标签信息，得到样本集；
根据所述样本集进行建模，得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型；
根据所述关系模型进行变道选择。
在一种实施方式中，根据所述样本集进行建模的过程中，还包括：
根据车辆当前行驶车道及相邻车道得到待处理区域；
根据配置的单元格将所述待处理区域划分为至少两个可通行区域。
在一种实施方式中，所述可通行区域在以车辆行驶路线为横轴的坐标系中划分为：在横轴方向上，以所述车辆为中心，根据所配置的距离参数，配置为以中心为原点向前增加与所述距离参数对应的距离值；和/或，根据所配置的距离参数，配置为以中心为原点向后增加与所述距离参数对应的距离值。
在一种实施方式中，所述可通行区域在以车辆行驶路线为横轴的坐标系中还划分为：在纵轴方向上，至少对应车辆当前行驶车道左侧和右侧的两个车道。
在一种实施方式中，所述方法还包括：
对所述车辆在当前行驶车道上的行驶情况以每帧进行图像采集，根据图像采集结果得到车辆行驶路线、车辆自身位置与周边环境和/或障碍物间的相对关系；
将所述相对关系用于所述建模时，将所述相对关系作为所述可通行区域的属性信息。
在一种实施方式中，所述方法还包括：
将所述至少两个可通行区域中有障碍物的部分切分出来，得到至少两个第二特征信息，将所述至少两个第二特征信息用于所述建模。
在一种实施方式中，所述根据所述关系模型进行变道选择，包括：
根据所述关系模型得到神经网络，所述神经网络中根据变道功能分为至少两个用于实现对应变道功能的子神经网络；
将所述至少两个第二特征信息和每一个第一特征信息的标签信息，在至少两个用于实现对应变道功能的子神经网络中运算，得到至少两个车辆变道概率；
根据所述至少两个车辆变道概率得到目标车辆变道概率；
根据所述目标车辆变道概率进行车道选择。
第二方面，本发明实施例提供了一种信息处理装置，包括：
收集单元，用于收集根据驾驶行为得到的至少两个第一信息；
第一处理单元，用于根据所述至少两个第一信息得到至少两个第一特征信息；
第二处理单元，用于对所述至少两个第一特征信息进行识别，得到对应每一个第一特征信息的标签信息；
第三处理单元，用于根据所述至少两个第一特征信息和对应每一个第一特征信息的标签信息，得到样本集；
建模单元，用于根据所述样本集进行建模，得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型；
变道选择单元，用于根据所述关系模型进行变道选择。
在一种实施方式中，所述建模单元，进一步用于：
根据车辆当前行驶车道及相邻车道得到待处理区域；
根据配置的单元格将所述待处理区域划分为至少两个可通行区域。
在一种实施方式中，所述可通行区域在以车辆行驶路线为横轴的坐标系中划分为：在横轴方向上，以所述车辆为中心，根据所配置的距离参数，配置为以中心为原点向前增加与所述距离参数对应的距离值；和/或，根据所配置的距离参数，配置为以中心为原点向后增加与所述距离参数对应的距离值。
在一种实施方式中，所述可通行区域在以车辆行驶路线为横轴的坐标系中还划分为：在纵轴方向上，至少对应车辆当前行驶车道左侧和右侧的两个车道。
在一种实施方式中，所述装置还包括：
采集单元，用于对所述车辆在当前行驶车道上的行驶情况以每帧进行图像采集，根据图像采集结果得到车辆行驶路线、车辆自身位置与周边环境和/或障碍物间的相对关系；
属性确定单元，用于将所述相对关系用于所述建模时，将所述相对关系作为所述可通行区域的属性信息。
在一种实施方式中，所述装置还包括：
切分单元，用于将所述至少两个可通行区域中有障碍物的部分切分出来，得到至少两个第二特征信息，将所述至少两个第二特征信息用于所述建模。
在一种实施方式中，所述变道选择单元，进一步用于：
根据所述关系模型得到神经网络，所述神经网络中根据变道功能分为至少两个用于实现对应变道功能的子神经网络；
将所述至少两个第二特征信息和每一个第一特征信息的标签信息，在至少两个用于实现对应变道功能的子神经网络中运算，得到至少两个车辆变道概率；
根据所述至少两个车辆变道概率得到目标车辆变道概率；
根据所述目标车辆变道概率进行车道选择。
第三方面，本发明实施例提供了一种信息处理装置，所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中，所述装置的结构中包括处理器和存储器，所述存储器用于存储支持所述装置执行上述任一信息处理方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口，用于与其他设备或通信网络通信。
第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储信息处理装置所用的计算机软件指令，其包括用于执行上述任一信息处理方法所涉及的程序。
第五方面，本发明实施例提供了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如上所述的方法。
上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明实施例通过收集根据驾驶行为得到的至少两个第一信息，根据所述至少两个第一信息得到至少两个第一特征信息。对所述至少两个第一特征信息进行识别，得到对应每一个第一特征信息的标签信息，根据所述至少两个第一特征信息和对应每一个第一特征信息的标签信息，得到样本集。由于是采用特征信息和标签信息来构建样本集，而不是仅仅根据驾驶行为，因此，样本集中的信息更加接近真实驾驶场景。根据所述样本集进行建模，可以得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型，如此一来，对车辆周边的环境如障碍物的位置关系精准判断后，根据所述关系模型进行的变道选择势必更趋于准确，从而提高了变道的准确率，保证在实际驾驶过程中变道结果的可行性和安全性。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的信息处理方法的流程图。
图2示出了根据本发明实施例的车辆行驶路线上可通行区域的示意图。
图3示出了根据本发明实施例的所划分的可通行区域的参数配置示意图。
图4示出了根据本发明实施例的根据样本集进行建模的流程图。
图5示出了根据本发明实施例的根据关系模型进行变道选择的流程图。
图6示出了根据本发明实施例的信息处理装置的结构框图。
图7示出了根据本发明实施例的信息处理装置的结构框图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
相关技术中，在自动驾驶运动规划过程中，需要对规划的轨迹进行评价。具体的，在车辆变道的规划中，如何对车道选择进行评价是非常重要的，以便根据该车道选择的评价来处理各种复杂场景，保证在实际驾驶过程中执行结果的可行性和安全性。具体的，在自动驾驶运动规划过程中是根据驾驶员的一些经验，并通过规则和一些特定的阈值来建模以进行车辆变道的选择。相关技术的处理过程中，对于环境信息只能进行简化；采用的规则和阈值比较刚性、机械，导致变道时机的选择通常不是最好的时机，容易出现各种坏例(badcase)，样本中不符合实际驾驶场景的部分样本可以称为bad case；变道决策的灵活性较差；其他人类驾驶员对规则方案的变道决策可预期性差。
采用如下本发明实施例，通过根据驾驶行为得到的第一特征信息(如加速度、速度等)，以及对应每一个第一特征信息的标签信息(如向左变道、向右变道或直行等)，可以得到用于关系建模的样本集，且建模得到的关系模型实现了对行驶路线、主车与障碍物的关系进行精准的描述，则基于该关系模型进行的变道选择，提高了变道的准确性。
图1示出根据本发明实施例的信息处理方法的流程图。如图1所示，该流程包括：
步骤101、收集根据驾驶行为得到的至少两个第一信息。
步骤102、根据所述至少两个第一信息得到至少两个第一特征信息。
步骤103、对所述至少两个第一特征信息进行识别，得到对应每一个第一特征信息的标签信息。
步骤104、根据所述至少两个第一特征信息和对应每一个第一特征信息的标签信息，得到样本集。
步骤105、根据所述样本集进行建模，得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型。
步骤106、根据所述关系模型进行变道选择。
一实施方式中，以每帧为单位，采集车辆在任一车道上行驶所得到的信息，具体的，该信息为专业司机的驾驶行为。对驾驶过程中的驾驶行为进行特征提取，即将该信息作为历史数据，根据历史数据得到特征信息，比如，加速度、速度、限速等。加速度、速度、限速等构成第一特征信息。对如加速度、速度、限速等第一特征信息进行识别后加标签，得到如左变道、右变道或直行的标签信息。将第一特征信息和标签信息作为输入关系模型以评价是否变道的样本集。根据所述样本集进行建模的过程中，利用该样本集进行深度学习，得到关系模型，该关系模型可以表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物的关系。由于该关系模型可以对行驶路线、主车与障碍物的关系进行精准的描述，从而根据该关系模型进行变道选择，提高了车辆变道的准确性。尤其是在各种复杂场景中，可以保证在实际驾驶过程中变道结果的可行性和安全性。
一实施方式中，如图2所示为车辆行驶路线上一可通行区域的示意图。在深度学习的建模过程中采用关系模型的方法，对路线导航和障碍物建模为高维基于单元格的可通行区域，以通过该可通行区域来描述车辆行驶路线、车辆自身位置与周边环境和/或障碍物的相对位置关系。其中，高维是因为单元格数及特征数的组合较多，具有稀疏性，从技术上较难学习，本发明实施例采用关系模型和共享子神经网络技术(由关系模型构成的神经网络中的各个子神经网络，子神经网络是分别表达各种关系的，例如车道阻塞，后方碰撞同时变道等)可以显著降低深度学习的难度。
根据样本集进行建模，得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型的过程中，可以根据车辆当前行驶车道及相邻车道得到待处理区域11，根据配置的单元格将所述待处理区域划分为至少两个可通行区域，如图2所示，待处理区域11被划分为四个可通行区域，分别为可通行区域110、可通行区域111、可通行区域112、可通行区域113。当前车辆为主车，行驶在当前车道上，在该驾驶场景中，还包括与主车相对位置靠前的前车、以及与主车相对位置靠后的后车。在主车行驶的当前车道上有示意的障碍物121和障碍物122，因此，为了车辆的安全驾驶，主车需要变道至相邻车道(左车道或右车道)上。具体采用的变道选择及变道轨迹是采用变道轨迹21还是变道轨迹22，需要由该关系模型进行变道选择。
一实施方式中，可通行区域还可以在以车辆行驶路线为横轴的坐标系中进行划分。1)在该横轴方向上，以所述车辆为中心，根据所配置的距离参数，配置为以中心为原点向前增加与所述距离参数对应的距离值；和/或，根据所配置的距离参数，配置为以中心为原点向后增加与所述距离参数对应的距离值。2)在与该横轴垂直90度的纵轴方向上，可通行区域至少对应车辆当前行驶车道左侧和右侧的两个车道。图3为所划分的一可通行区域的参数配置示意图，距离参数为80米，则以所述车辆为中心，向前或向后各80米，然后这一段区域对应一左一右各两个车道。本发明实施例并不限于给具体的参数配置。
一实施方式中，图4示出根据样本集进行建模的流程图，如图4所示，包括如下步骤：
步骤201、对所述车辆在当前行驶车道上的行驶情况以每帧进行图像采集，根据图像采集结果得到车辆行驶路线、车辆自身位置与周边环境和/或障碍物间的相对关系。
步骤202、将所述相对关系用于所述建模时，将所述相对关系作为所述可通行区域的属性信息。
步骤203、将所述至少两个可通行区域中有障碍物的部分切分出来，得到至少两个第二特征信息，将所述至少两个第二特征信息用于所述建模。
一实施方式中，可通行区域可以具备有多个单元格，无论是否存在真实障碍物都有单元格，只是不同的单元格表示特征的值不同。将可通行区域中有障碍物的单元格切分出来，结合样本集(之前识别出的标签，如不变道直行、还是向左变道、还是向右变道)输入由关系模型构成的神经网络所对应的各子神经网络处理。
需要指出的是，障碍物信息包括静止和运动的障碍物，比如，位于主车前面且与主车在同一车道上的前车，也属于障碍物。
一实施方式中，图5示出根据关系模型进行变道选择的流程图，如图5所示，包括如下步骤：
步骤301、根据所述关系模型得到神经网络，所述神经网络中根据变道功能分为至少两个用于实现对应变道功能的子神经网络。
步骤302、将所述至少两个第二特征信息和每一个第一特征信息的标签信息，在至少两个用于实现对应变道功能的子神经网络中运算，得到至少两个车辆变道概率。
步骤303、根据所述至少两个车辆变道概率得到目标车辆变道概率。
步骤304、根据所述目标车辆变道概率进行车道选择。
采用本发明实施例，根据对应子神经网络的运算处理，得到车道概率，将车道概率用于评价是否进行变道选择的输出结果。其中，对应子神经网络的运算处理，可以是用各种神经网络层如GRU、Dense等用网络的权重组合来计算。特征向量是全局的，子神经网络会对其变形或切片。比如，特征*权重再累加后再用非线性函数计算，这个属于神经网络的范畴。进一步的，根据功能区、共享子神经网络、空间序列的方式表达变道意图、阻塞、碰撞、变道冲突等子关系，最终输出车道概率作为评价结果，以进行车道选择。具体的，功能区是对可通行区域按照特点的关系切分出该关系所关注的区域。子神经网络是神经网络中的子神经网络。共享子神经网络是指一个较小的网络，用于不同的数据上，但是它们的权重是相同的。如阻塞关系，无论是当前车道还是其它车道，同样的障碍物布局，其阻塞性相同，使用同样的函数组合关系和权重。空间序列是指从最远到最近(前方或后方)的单元格序列，将它们用序列神经网络GRU来处理。
图6示出本发明实施例的信息处理装置的结构示意图，如图6所示，所述装置包括：收集单元31，用于收集根据驾驶行为得到的至少两个第一信息；第一处理单元32，用于根据所述至少两个第一信息得到至少两个第一特征信息；第二处理单元33，用于对所述至少两个第一特征信息进行识别，得到对应每一个第一特征信息的标签信息；第三处理单元34，用于根据所述至少两个第一特征信息和对应每一个第一特征信息的标签信息，得到样本集；建模单元35，用于根据所述样本集进行建模，得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型；变道选择单元36，用于根据所述关系模型进行变道选择。
一实施方式中，所述建模单元，进一步用于：根据车辆当前行驶车道及相邻车道得到待处理区域；根据配置的单元格将所述待处理区域划分为至少两个可通行区域。
一实施方式中，所述可通行区域在以车辆行驶路线为横轴的坐标系中划分为：在横轴方向上，以所述车辆为中心，根据所配置的距离参数，配置为以中心为原点向前增加与所述距离参数对应的距离值；和/或，根据所配置的距离参数，配置为以中心为原点向后增加与所述距离参数对应的距离值。所述可通行区域在以车辆行驶路线为横轴的坐标系中还划分为：在纵轴方向上，至少对应车辆当前行驶车道左侧和右侧的两个车道。
一实施方式中，所述装置还包括：采集单元，用于对所述车辆在当前行驶车道上的行驶情况以每帧进行图像采集，根据图像采集结果得到车辆行驶路线、车辆自身位置与周边环境和/或障碍物间的相对关系；属性确定单元，用于将所述相对关系用于所述建模时，将所述相对关系作为所述可通行区域的属性信息。
一实施方式中，所述装置还包括：切分单元，用于将所述至少两个可通行区域中有障碍物的部分切分出来，得到至少两个第二特征信息，将所述至少两个第二特征信息用于所述建模。
一实施方式中，所述变道选择单元，进一步用于：根据所述关系模型得到神经网络，所述神经网络中根据变道功能分为至少两个用于实现对应变道功能的子神经网络；将所述至少两个第二特征信息和每一个第一特征信息的标签信息，在至少两个用于实现对应变道功能的子神经网络中运算，得到至少两个车辆变道概率；根据所述至少两个车辆变道概率得到目标车辆变道概率；根据所述目标车辆变道概率进行车道选择。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
图7示出根据本发明实施例的一种信息处理装置的结构框图。该信息处理装置可以应用于具有自动驾驶功能的车辆，如图7所示，该装置包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的计算机程序。处理器920执行计算机程序时实现上述实施例中的自动驾驶方法。存储器910和处理器920的数量可以为一个或多个。
该装置还包括：通信接口930，用于与外界设备进行通信，进行数据交互传输。
存储器910可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现，则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent Interconnect)总线或扩展工业标准体系结构(EISA，Extended IndustryStandard Architecture)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述实施例中任一所述的方法。
本发明实施例提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令在被处理器执行时实现如上任一实施例所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种自动驾驶信息处理方法，其特征在于，所述方法包括：
采集车辆在任一车道上行驶所得到的信息，收集根据该采集到的信息得到的至少两个第一信息；
对所述至少两个第一信息进行特征提取，得到至少两个与车辆行驶速度有关的第一特征信息；
对所述至少两个第一特征信息进行识别，得到对应每一个第一特征信息的与车辆变道有关的标签信息；
根据所述至少两个第一特征信息和对应每一个第一特征信息的标签信息，得到样本集；
根据所述样本集进行建模，得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型；
根据所述关系模型进行变道选择；
根据所述样本集进行建模的过程中，还包括：
根据车辆当前行驶车道及相邻车道得到待处理区域；
根据配置的单元格将所述待处理区域划分为至少两个可通行区域；
对所述车辆在当前行驶车道上的行驶情况以每帧进行图像采集，根据图像采集结果得到车辆行驶路线、车辆自身位置与周边环境和/或障碍物间的相对关系，将所述相对关系用于所述建模时，将所述相对关系作为所述可通行区域的属性信息；
将所述至少两个可通行区域中有障碍物的部分切分出来，得到至少两个第二特征信息，将所述至少两个第二特征信息用于所述建模。
2.根据权利要求1所述的方法，其特征在于，所述可通行区域在以车辆行驶路线为横轴的坐标系中划分为：在横轴方向上，以所述车辆为中心，根据所配置的距离参数，配置为以中心为原点向前增加与所述距离参数对应的距离值；和/或，根据所配置的距离参数，配置为以中心为原点向后增加与所述距离参数对应的距离值。
3.根据权利要求2所述的方法，其特征在于，所述可通行区域在以车辆行驶路线为横轴的坐标系中还划分为：在纵轴方向上，至少对应车辆当前行驶车道左侧和右侧的两个车道。
4.根据权利要求1所述的方法，其特征在于，所述根据所述关系模型进行变道选择，包括：
根据所述关系模型得到神经网络，所述神经网络中根据变道功能分为至少两个用于实现对应变道功能的子神经网络；
将所述至少两个第二特征信息和每一个第一特征信息的标签信息，在至少两个用于实现对应变道功能的子神经网络中运算，得到至少两个车辆变道概率；
根据所述至少两个车辆变道概率得到目标车辆变道概率；
根据所述目标车辆变道概率进行车道选择。
5.一种自动驾驶信息处理装置，其特征在于，所述装置包括：
收集单元，用于采集车辆在任一车道上行驶所得到的信息，收集根据该采集到的信息得到的至少两个第一信息；
第一处理单元，用于对所述至少两个第一信息进行特征提取，得到至少两个与车辆行驶速度有关的第一特征信息；
第二处理单元，用于对所述至少两个第一特征信息进行识别，得到对应每一个第一特征信息的与车辆变道有关的标签信息；
第三处理单元，用于根据所述至少两个第一特征信息和对应每一个第一特征信息的标签信息，得到样本集；
建模单元，用于根据所述样本集进行建模，得到用于表征车辆行驶路线、车辆自身位置与周边环境和/或障碍物关系的关系模型；
变道选择单元，用于根据所述关系模型进行变道选择；
所述建模单元，进一步用于：
根据车辆当前行驶车道及相邻车道得到待处理区域；
根据配置的单元格将所述待处理区域划分为至少两个可通行区域，
所述装置还包括：
采集单元，用于对所述车辆在当前行驶车道上的行驶情况以每帧进行图像采集，根据图像采集结果得到车辆行驶路线、车辆自身位置与周边环境和/或障碍物间的相对关系；
属性确定单元，用于将所述相对关系用于所述建模时，将所述相对关系作为所述可通行区域的属性信息；
切分单元，用于将所述至少两个可通行区域中有障碍物的部分切分出来，得到至少两个第二特征信息，将所述至少两个第二特征信息用于所述建模。
6.根据权利要求5所述的装置，其特征在于，所述可通行区域在以车辆行驶路线为横轴的坐标系中划分为：在横轴方向上，以所述车辆为中心，根据所配置的距离参数，配置为以中心为原点向前增加与所述距离参数对应的距离值；和/或，根据所配置的距离参数，配置为以中心为原点向后增加与所述距离参数对应的距离值。
7.根据权利要求5所述的装置，其特征在于，所述可通行区域在以车辆行驶路线为横轴的坐标系中还划分为：在纵轴方向上，至少对应车辆当前行驶车道左侧和右侧的两个车道。
8.根据权利要求5所述的装置，其特征在于，所述变道选择单元，进一步用于：
根据所述关系模型得到神经网络，所述神经网络中根据变道功能分为至少两个用于实现对应变道功能的子神经网络；
将所述至少两个第二特征信息和每一个第一特征信息的标签信息，在至少两个用于实现对应变道功能的子神经网络中运算，得到至少两个车辆变道概率；
根据所述至少两个车辆变道概率得到目标车辆变道概率；
根据所述目标车辆变道概率进行车道选择。
9.一种自动驾驶信息处理装置，其特征在于，所述装置包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述的方法。
CN202110771879.XA 2019-02-21 2019-02-21 一种自动驾驶信息处理方法、装置及存储介质 Active CN113392809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110771879.XA CN113392809B (zh) 2019-02-21 2019-02-21 一种自动驾驶信息处理方法、装置及存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910130652.XA CN109703569B (zh) 2019-02-21 2019-02-21 一种信息处理方法、装置及存储介质
CN202110771879.XA CN113392809B (zh) 2019-02-21 2019-02-21 一种自动驾驶信息处理方法、装置及存储介质

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201910130652.XA Division CN109703569B (zh) 2019-02-21 2019-02-21 一种信息处理方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113392809A CN113392809A (zh) 2021-09-14
CN113392809B true CN113392809B (zh) 2023-08-15

Family

ID=66263717

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201910130652.XA Active CN109703569B (zh) 2019-02-21 2019-02-21 一种信息处理方法、装置及存储介质
CN202110771879.XA Active CN113392809B (zh) 2019-02-21 2019-02-21 一种自动驾驶信息处理方法、装置及存储介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201910130652.XA Active CN109703569B (zh) 2019-02-21 2019-02-21 一种信息处理方法、装置及存储介质

Country Status (5)

Country Link
US (1) US20200269841A1 (zh)
EP (1) EP3699890A3 (zh)
JP (1) JP7220169B2 (zh)
KR (1) KR102424067B1 (zh)
CN (2) CN109703569B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11663913B2 (en) * 2019-07-01 2023-05-30 Baidu Usa Llc Neural network with lane aggregation for lane selection prediction of moving objects during autonomous driving
CN110435658A (zh) * 2019-07-19 2019-11-12 中国第一汽车股份有限公司 一种车辆控制方法、装置、车辆和存储介质
CN111497847B (zh) * 2020-04-23 2021-11-16 江苏黑麦数据科技有限公司 车辆的控制方法和装置
CN111775940B (zh) * 2020-07-08 2021-09-07 中国第一汽车股份有限公司 一种自动换道方法、装置、设备及存储介质
JP7429172B2 (ja) * 2020-09-03 2024-02-07 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
CN114283576B (zh) * 2020-09-28 2023-03-31 华为技术有限公司 一种车辆意图预测方法及相关装置
CN114771539B (zh) * 2022-06-16 2023-02-28 小米汽车科技有限公司 车辆变道决策方法、装置、存储介质及车辆

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608441A (zh) * 2016-01-13 2016-05-25 浙江宇视科技有限公司 一种车型识别方法及系统
CN105678412A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 面向多人乘车的路线规划方法和装置
CN106228110A (zh) * 2016-07-07 2016-12-14 浙江零跑科技有限公司 一种基于车载双目相机的障碍物及可行驶区域检测方法
CN106681318A (zh) * 2016-12-09 2017-05-17 重庆长安汽车股份有限公司 自动驾驶中车道线检测短暂丢失的车辆安全控制系统及方法
JP2017117080A (ja) * 2015-12-22 2017-06-29 アイシン・エィ・ダブリュ株式会社 自動運転支援システム、自動運転支援方法及びコンピュータプログラム
KR101795250B1 (ko) * 2016-05-03 2017-11-07 현대자동차주식회사 자율주행차량의 주행경로 계획장치 및 방법
CN107830869A (zh) * 2017-11-16 2018-03-23 百度在线网络技术（北京）有限公司 用于车辆的信息输出方法和装置
CN108205922A (zh) * 2016-12-19 2018-06-26 乐视汽车（北京）有限公司 一种自动驾驶决策方法及系统
CN108227710A (zh) * 2017-12-29 2018-06-29 商汤集团有限公司 自动驾驶控制方法和装置、电子设备、程序和介质
CN108256446A (zh) * 2017-12-29 2018-07-06 百度在线网络技术（北京）有限公司 用于确定道路中的车道线的方法、装置和设备
CN108305477A (zh) * 2017-04-20 2018-07-20 腾讯科技（深圳）有限公司 一种车道选择方法及终端
CN108876805A (zh) * 2018-06-20 2018-11-23 长安大学 一种端对端无监督场景可通行区域认知与理解方法
US10169678B1 (en) * 2017-12-21 2019-01-01 Luminar Technologies, Inc. Object identification and labeling tool for training autonomous vehicle controllers
CN109300159A (zh) * 2018-09-07 2019-02-01 百度在线网络技术（北京）有限公司 位置检测方法、装置、设备、存储介质及车辆
CN109360436A (zh) * 2018-11-02 2019-02-19 Oppo广东移动通信有限公司 一种视频生成方法、终端及存储介质

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2853077B2 (ja) * 1993-09-17 1999-02-03 本田技研工業株式会社 自動走行車両
JP2001052297A (ja) 1999-08-06 2001-02-23 Fujitsu Ltd 安全走行支援装置、その方法及び記録媒体
KR20150066303A (ko) * 2013-12-06 2015-06-16 한국전자통신연구원 운전자의 주행 패턴을 반영하는 자율 주행 장치 및 그 방법
EP3007099B1 (en) 2014-10-10 2022-12-07 Continental Autonomous Mobility Germany GmbH Image recognition system for a vehicle and corresponding method
EP4220537A3 (en) * 2015-05-10 2023-08-16 Mobileye Vision Technologies Ltd. Road profile along a predicted path
US10474964B2 (en) * 2016-01-26 2019-11-12 Ford Global Technologies, Llc Training algorithm for collision avoidance
WO2017213064A1 (ja) 2016-06-09 2017-12-14 日本電気株式会社 車両制御システム、車両制御方法およびプログラム記録媒体
CN106114507B (zh) * 2016-06-21 2018-04-03 百度在线网络技术（北京）有限公司 用于智能车辆的局部轨迹规划方法和装置
KR20190062390A (ko) * 2016-10-11 2019-06-05 모빌아이 비젼 테크놀로지스 엘티디. 검출된 배리어에 기반한 차량의 항법
JP6731619B2 (ja) 2016-10-26 2020-07-29 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
CN106740457A (zh) * 2016-12-07 2017-05-31 镇江市高等专科学校 基于bp神经网络模型的车辆换道决策方法
JP6796798B2 (ja) 2017-01-23 2020-12-09 パナソニックＩｐマネジメント株式会社 イベント予測システム、イベント予測方法、プログラム、及び移動体
JP6673293B2 (ja) 2017-05-24 2020-03-25 トヨタ自動車株式会社 車両システム
CN108983763B (zh) * 2017-06-05 2021-09-21 上海汽车集团股份有限公司 一种路径规划的方法、装置及车载终端
EP3647140B1 (en) * 2017-06-30 2022-07-20 Huawei Technologies Co., Ltd. Vehicle control method, device, and apparatus
KR102138979B1 (ko) * 2018-11-29 2020-07-29 한국과학기술원 차선 기반의 확률론적 주변 차량 거동 예측 및 이를 이용한 종방향 제어 방법
US20210389133A1 (en) * 2020-06-12 2021-12-16 Lyft, Inc. Systems and methods for deriving path-prior data using collected trajectories

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017117080A (ja) * 2015-12-22 2017-06-29 アイシン・エィ・ダブリュ株式会社 自動運転支援システム、自動運転支援方法及びコンピュータプログラム
CN105678412A (zh) * 2015-12-31 2016-06-15 百度在线网络技术（北京）有限公司 面向多人乘车的路线规划方法和装置
CN105608441A (zh) * 2016-01-13 2016-05-25 浙江宇视科技有限公司 一种车型识别方法及系统
KR101795250B1 (ko) * 2016-05-03 2017-11-07 현대자동차주식회사 자율주행차량의 주행경로 계획장치 및 방법
CN106228110A (zh) * 2016-07-07 2016-12-14 浙江零跑科技有限公司 一种基于车载双目相机的障碍物及可行驶区域检测方法
CN106681318A (zh) * 2016-12-09 2017-05-17 重庆长安汽车股份有限公司 自动驾驶中车道线检测短暂丢失的车辆安全控制系统及方法
CN108205922A (zh) * 2016-12-19 2018-06-26 乐视汽车（北京）有限公司 一种自动驾驶决策方法及系统
CN108305477A (zh) * 2017-04-20 2018-07-20 腾讯科技（深圳）有限公司 一种车道选择方法及终端
CN107830869A (zh) * 2017-11-16 2018-03-23 百度在线网络技术（北京）有限公司 用于车辆的信息输出方法和装置
US10169678B1 (en) * 2017-12-21 2019-01-01 Luminar Technologies, Inc. Object identification and labeling tool for training autonomous vehicle controllers
CN108256446A (zh) * 2017-12-29 2018-07-06 百度在线网络技术（北京）有限公司 用于确定道路中的车道线的方法、装置和设备
CN108227710A (zh) * 2017-12-29 2018-06-29 商汤集团有限公司 自动驾驶控制方法和装置、电子设备、程序和介质
CN108876805A (zh) * 2018-06-20 2018-11-23 长安大学 一种端对端无监督场景可通行区域认知与理解方法
CN109300159A (zh) * 2018-09-07 2019-02-01 百度在线网络技术（北京）有限公司 位置检测方法、装置、设备、存储介质及车辆
CN109360436A (zh) * 2018-11-02 2019-02-19 Oppo广东移动通信有限公司 一种视频生成方法、终端及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多缩微车的智能交通系统仿真平台研究;陆正辰;《中国优秀硕士学位论文全文数据库信息科技辑》(第7期);全文 *

Also Published As

Publication number Publication date
JP2020132153A (ja) 2020-08-31
EP3699890A2 (en) 2020-08-26
CN109703569B (zh) 2021-07-27
EP3699890A3 (en) 2020-11-25
KR20200102378A (ko) 2020-08-31
US20200269841A1 (en) 2020-08-27
KR102424067B1 (ko) 2022-07-22
CN109703569A (zh) 2019-05-03
JP7220169B2 (ja) 2023-02-09
CN113392809A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN113392809B (zh) 一种自动驾驶信息处理方法、装置及存储介质
Cui et al. Multimodal trajectory predictions for autonomous driving using deep convolutional networks
CN113228040B (zh) 多级对象行进方向估计的系统和方法
DE102020103130A1 (de) System und verfahren zur radar-kreuzverkehrsverfolgung und manöver-risikoabschätzung
CN112203916A (zh) 用于确定目标车辆变道相关信息的方法和设备、用于确定车辆舒适性度量用以预测目标车辆的驾驶机动操纵的方法和设备以及计算机程序
CN114341950A (zh) 占据预测神经网络
EP3905106A1 (en) Method for determining a drivable area
CN109835339B (zh) 一种换道决策方法及装置
Schulz et al. Learning interaction-aware probabilistic driver behavior models from urban scenarios
JP2013537654A (ja) 意味ラベル伝ぱのための方法及びシステム
CN112829747A (zh) 一种驾驶行为决策方法、装置及存储介质
US20210237737A1 (en) Method for Determining a Lane Change Indication of a Vehicle
CN109887321B (zh) 无人车变道安全判别方法、装置及存储介质
US11810365B1 (en) Perception error modeling
CN110696828B (zh) 前向目标选择方法、装置及车载设备
Schörner et al. Grid-based micro traffic prediction using fully convolutional networks
KR20240019268A (ko) 자율주행 차량 테스트를 위한 지원 도구
US20210110600A1 (en) System and method for generating terrain maps
CN116448134B (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
US20230237810A1 (en) Method and system for annotating sensor data
CN117853530A (zh) 点云运动信息获取方法、智能设备及存储介质
SIGHENCEA Using deep neural networks in predicting the movement of road users
Nino Context and Behavioral Analysis for Pedestrians in the Domain of Self-Driving
Yu Tackling Limited Sensing Capabilities for Autonomous Driving
CN116758358A (zh) 一种交通路锥识别方法及相关设备

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