CN113593241B - 车辆交互信息校验方法、装置、电子设备和可读介质 - Google Patents
车辆交互信息校验方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN113593241B CN113593241B CN202111139397.9A CN202111139397A CN113593241B CN 113593241 B CN113593241 B CN 113593241B CN 202111139397 A CN202111139397 A CN 202111139397A CN 113593241 B CN113593241 B CN 113593241B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- value
- information
- target vehicle
- current
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 131
- 238000012795 verification Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002452 interceptive effect Effects 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims description 57
- 230000006399 behavior Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000002829 reductive effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 238000007596 consolidation process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002910 structure generation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆交互信息校验方法、装置、电子设备和可读介质。该方法的一具体实施方式包括：获取当前车辆的当前车辆信息和目标车辆的目标车辆信息；生成当前车辆预测轨迹和目标车辆预测轨迹；基于当前车辆信息、目标车辆信息、当前车辆预测轨迹和目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长；根据车辆交互信息，生成车辆速度值序列集；响应于确定车辆冲突时长大于预设时长阈值，对车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；将第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果。该实施方式可以提高对车辆交互信息校验的效率。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及车辆交互信息校验方法、装置、电子设备和可读介质。
背景技术
车辆交互信息校验方法，是用于校验车辆交互信息的一项技术。目前，在校验车辆交互信息时，通常采用的方式为：将检测到的当前车辆数据和其它车辆数据输入至预设的车辆行为模型（例如，基于马尔科夫决策理论的行为决策模型或基于增强学习的决策模型等）中，生成车辆交互信息，之后对生成的车辆交互信息进行校验，得到车辆交互信息校验结果。
然而，当采用上述方式进行车辆交互信息校验时，经常会存在如下技术问题：
第一，车辆行为模型算法对训练数据的依赖性较大，且需要对驾驶知识进行整理、管理和更新，由此，车辆行为模型算法的复杂度较高，泛化能力较弱，使得在特殊场景下（例如，交通路口场景）输出车辆交互信息的速度较慢，从而，导致生成车辆交互信息的效率较低，进而，导致校验车辆交互信息的效率降低；
第二，对他车的意图和城区道路的结构化特征等考虑的不够全面，因此，降低了校验车辆交互信息的准确性。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆交互信息校验方法、装置、电子设备和可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种车辆交互信息校验方法，该方法包括：获取当前车辆的当前车辆信息和目标车辆的目标车辆信息；将上述当前车辆信息和上述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹；基于上述当前车辆信息、上述目标车辆信息、上述当前车辆预测轨迹和上述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长；根据上述车辆交互信息，生成车辆速度值序列集；响应于确定上述车辆冲突时长大于预设时长阈值，对上述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；将上述第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果。
第二方面，本公开的一些实施例提供了一种车辆交互信息校验装置，装置包括：获取单元，被配置成获取当前车辆的当前车辆信息和目标车辆的目标车辆信息；输入单元，被配置成将上述当前车辆信息和上述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹；第一生成单元，被配置成基于上述当前车辆信息、上述目标车辆信息、上述当前车辆预测轨迹和上述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长；第二生成单元，被配置成根据上述车辆交互信息，生成车辆速度值序列集；第三生成单元，被配置成响应于确定上述车辆冲突时长大于预设时长阈值，对上述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；确定单元，被配置成将上述第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆交互信息校验方法，可以提高校验车辆交互信息的效率。具体来说，造成校验车辆交互信息的效率降低的原因在于：车辆行为模型算法对训练数据的依赖性较大，且需要对驾驶知识进行整理、管理和更新，由此，车辆行为模型算法的复杂度较高，泛化能力较弱，使得在特殊场景下（例如，交通路口场景）输出车辆交互信息的速度较慢，从而，导致生成车辆交互信息的效率较低。基于此，本公开的一些实施例的车辆交互信息校验方法，首先，获取当前车辆的当前车辆信息和目标车辆的目标车辆信息。然后，将上述当前车辆信息和上述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹。之后，基于上述当前车辆信息、上述目标车辆信息、上述当前车辆预测轨迹和上述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长。通过引入当前车辆的当前车辆信息和目标车辆的目标车辆信息用于生成车辆预测轨迹和目标车辆预测轨迹，再利用生成的车辆预测轨迹和目标车辆预测轨迹生成车辆交互信息。由此，降低了车辆轨迹预测模型对训练数据的依赖性。以及避免对驾驶知识的整理、管理和更新。因此，可以在一定程度上降低生成车辆交互信息所使用的车辆轨迹预测模型的复杂度，提高车辆行为模型的泛化能力，使得在特殊场景下，也可以保持较好的车辆交互信息的输出速度。从而，可以提高生成车辆交通信息的效率。进而，可以提高对车辆交互信息校验的效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的车辆交互信息校验方法的一个应用场景的示意图；
图2是根据本公开的车辆交互信息校验方法的一些实施例的流程图；
图3是根据本公开的车辆交互信息校验方法的另一些实施例的流程图；
图4是根据本公开的车辆交互信息校验装置的一些实施例的结构示意图；
图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的车辆交互信息校验方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取当前车辆的当前车辆信息102和目标车辆的目标车辆信息103。其次，计算设备101可以将上述当前车辆信息102和上述目标车辆信息103输入至预设的轨迹预测模型104，以生成当前车辆预测轨迹105和目标车辆预测轨迹106。接着，计算设备101可以基于上述当前车辆信息102、上述目标车辆信息103、上述当前车辆预测轨迹105和上述目标车辆预测轨迹106，生成车辆交互信息107和车辆冲突时长108。然后，计算设备101可以根据上述车辆交互信息107，生成车辆速度值序列集109。之后，计算设备101可以响应于确定上述车辆冲突时长108大于预设时长阈值，对上述车辆速度值序列集109中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合110。最后，计算设备101可以将上述第一校验值集合110中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果111。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备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计算设备。
继续参考图2，示出了根据本公开的车辆交互信息校验方法的一些实施例的流程200。该车辆交互信息校验方法的流程200，包括以下步骤：
步骤201，获取当前车辆的当前车辆信息和目标车辆的目标车辆信息。
在一些实施例中，车辆交互信息校验方法的执行主体（如图1所示的计算设备101）可以通过有线的方式或者无线的方式获取当前车辆的当前车辆信息和目标车辆的目标车辆信息。其中，上述当前车辆信息可以包括第一车辆信息组，用于表征历史时间段内（例如，到当前时刻终止的3秒内）当期车辆的车辆信息。第一车辆信息组中的每个第一车辆信息可以对应上述历史时间段内的每个时间点。第一车辆信息可以包括：车辆的坐标值、速度值、航向角、加速度值和角速度值等。上述目标车辆信息可以是预先检测的、在一段时间内（例如，3秒内）、与当前车辆碰撞概率最高的车辆。上述目标车辆信息可以包括第二车辆信息组。第二车辆信息组中的每个第二车辆信息可以对一个上述历史时间段内的每个时间点。用于表征一个其它车辆在上述历史时间段内的各个时间点的车辆信息。每个第二车辆信息组中的各个第二车辆信息可以与第一车辆信息组中的各个第一车辆信息的时间点相对应。第二车辆信息也可以包括车辆的坐标值、速度值、航向角、加速度值和角速度值。
作为示例，在十字路口的场景下，当前车辆直行时，会遇到对向车辆左转的情况。此时，与当前车辆距离最近的车辆与当前车辆之间的碰撞概率最高。因此，可以将其确定为目标车辆。
步骤202，将当前车辆信息和目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹。
在一些实施例中，上述执行主体可以将上述当前车辆信息和上述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹。其中，上述轨迹预测模型可以是：深度卷积神经网络或半马尔科夫模型等。例如，可以将第一车辆信息组中各个第一车辆信息包括车辆的坐标值、速度值、航向角、加速度值和角速度值作为历史时间段内各个时刻的车辆状态，通过半马尔科夫模型预测车辆的行驶轨迹。
步骤203，基于当前车辆信息、目标车辆信息、当前车辆预测轨迹和目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长。
在一些实施例中，上述执行主体可以基于上述当前车辆信息、上述目标车辆信息、上述当前车辆预测轨迹和上述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长。其中，上述车辆交互信息可以用于表征在上述目标车辆当前运动状态的情况下所生成的、上述当前车辆的运动状态调整方式（例如，使当前车辆匀减速的调整方式、使当前车辆匀加速的调整方式或使当前车辆保持匀速的调整方式等）。可以通过以下步骤生成车辆交互信息：
第一步，确定上述当前车辆预测轨迹与上述目标车辆预测轨迹之间的重合区域。其中，上述重合区域可以是矩形区域或菱形区域。该矩形区域或菱形区域的一组对边可以为上述目标车辆的长度值，另一组对边可以为上述当前车辆的长度值。
第二步，确定上述当前车辆信息包括的坐标值与上述重合区域之间的最小间距值。其中，上述最小间距值可以用于表征上述当前车辆与重合区域之间的距离。另外，还可以确定上述目标车辆信息包括的坐标值与上述重合区域距离上述目标车辆近端的边长之间的最小距离值。
第三步，将上述最小间距值与上述当前车辆信息包括的速度值的比值确定为前车辆冲突时长。其中，上述前车辆冲突时长可以用于表征上述当前车辆到达上述冲突区域的时长。相同的，还可以通过上述步骤生成目标车辆冲突时长。
第四步，响应于上述前车辆冲突时长和/或上述目标车辆冲突时长小于等于预设冲突时长阈值，生成第一交互信息。其中，上述第一交互信息可以包括危险标识，用于表征在某一时刻目标车辆与当前车辆之间有极大的碰撞风险。
第五步，响应于上述车辆冲突时长大于预设冲突时长阈值，生成第二交互信息。其中，上述第二交互信息可以包括安全标示，用于表征在某一时刻目标车辆与当前车辆之间有较小的碰撞风险。
步骤204，根据车辆交互信息，生成车辆速度值序列集。
在一些实施例中，上述执行主体可以根据上述车辆交互信息，生成车辆速度值序列集。其中，若当前车辆交互执行信息中包括危险标识。将上述当前车辆在当前时刻的第一车辆信息包括的速度值、加速度值和当前车辆与重合区域之间的最小的距离值输入至预设的运动学模型，生成速度值序列。该速度值序列可以使得当前车辆在到达重合区域之前速度降低至零。具体的，上述运动学模型可以在预设加速度范围（例如，加速度变化量小于3米每秒）内调整加速度。可以在每次调整后以上述当前车辆的速度值为初始值进行车辆速度值预测，使得在当前车辆到达重合区域之前速度降低至零。同时在相同时间间隔（例如，0.05秒）记录预测的车辆的速度值。由此，可以生成车辆速度值序列。
步骤205，响应于确定车辆冲突时长大于预设时长阈值，对车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合。
在一些实施例中，上述执行主体可以响应于确定上述车辆冲突时长大于预设时长阈值，对上述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合。其中，车辆冲突时长大于预设时长阈值（例如，3秒）可以表征预测冲突时长对应的目标车辆与当前和车辆之间不存在碰撞风险。校验可以是将上述车辆速度值序列集中每个车辆速度值对应的加速度值确定为第一校验值。
步骤206，将第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果。
在一些实施例中，上述执行主体可以将上述第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果。其中，上述第一预设条件可以是第一校验值集合中最小的第一校验值。具体的，选出的最小第一校验值（即，加速度值）可以用于表征当前车辆需要在抵达重合区域之前以最小的速率进行减速为零。从而，可以避免速率变化过大引起的车辆失控情况，提高驾驶安全。
可选的，上述执行主体还可以执行如下步骤：
第一步，响应于确定上述车辆冲突时长小于等于上述预设时长阈值，对上述车辆速度值序列集中每个车辆速度值序列进行校验以生成第二校验值，得到第二校验值集合。其中，冲突时长小于等于上述预设时长阈值可以表征预测冲突时长对应的目标车辆与当前和车辆之间存在碰撞风险。校验可以是将上述车辆速度值序列集中每个车辆速度值对应的加速度值确定为第二校验值。
第二步，将上述第二校验值集合中满足第二预设条件的第二校验值对应的车辆速度值序列确定为车辆交互信息校验结果。其中，上述第二预设条件可以是上述第二校验值集合中最小的第二校验值。
可选的，上述执行主体还可以根据上述车辆交互信息校验结果包括的车辆速度值序列，向上述当前车辆的控制终端发送控制指令以控制上述当前车辆移动。其中，可以根据上述车辆交互信息校验结果包括的车辆速度值序列，对车辆控制终端发送控制指令，使得当前车辆的速度可以按照该速度值序列中的各个速度值进行变化。从而，可以控制车辆移动，以及避免车辆碰撞的情况发生。进而，提高车辆驾驶的安全性。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆交互信息校验方法，可以提高校验车辆交互信息的效率。具体来说，造成校验车辆交互信息的效率降低的原因在于：车辆行为模型算法对训练数据的依赖性较大，且需要对驾驶知识进行整理、管理和更新，由此，车辆行为模型算法的复杂度较高，泛化能力较弱，使得在特殊场景下（例如，交通路口场景）输出车辆交互信息的速度较慢，从而，导致生成车辆交互信息的效率较低。基于此，本公开的一些实施例的车辆交互信息校验方法，首先，获取当前车辆的当前车辆信息和目标车辆的目标车辆信息。然后，将上述当前车辆信息和上述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹。之后，基于上述当前车辆信息、上述目标车辆信息、上述当前车辆预测轨迹和上述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长。通过引入当前车辆的当前车辆信息和目标车辆的目标车辆信息用于生成车辆预测轨迹和目标车辆预测轨迹，再利用生成的车辆预测轨迹和目标车辆预测轨迹生成车辆交互信息。由此，降低了车辆轨迹预测模型对训练数据的依赖性。以及避免对驾驶知识的整理、管理和更新。因此，可以在一定程度上降低生成车辆交互信息所使用的车辆轨迹预测模型的复杂度，提高车辆行为模型的泛化能力，使得在特殊场景下，也可以保持较好的车辆交互信息的输出速度。从而，可以提高生成车辆交通信息的效率。进而，可以提高对车辆交互信息校验的效率。
进一步参考图3，其示出了车辆交互信息校验方法的另一些实施例的流程300。该车辆交互信息校验方法的流程300，包括以下步骤：
步骤301，获取当前车辆的当前车辆信息和目标车辆的目标车辆信息。
步骤302，将当前车辆信息和目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹。
在一些实施例中，步骤301-302的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。
步骤303，基于当前车辆信息、目标车辆信息、当前车辆预测轨迹和目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长。
在一些实施例中，车辆交互信息校验方法的执行主体（如图1所示的计算设备101）可以基于上述当前车辆信息、上述目标车辆信息、上述当前车辆预测轨迹和上述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长。其中，上述当前车辆信息可以包括当前车辆坐标值、当前车辆速度值和当前车辆加速度值，上述目标车辆信息可以包括目标车辆坐标值、目标车辆速度值、目标车辆长度值和目标车辆加速度值。可以通过以下步骤生成车辆冲突时长：
第一步，确定上述当前车辆预测轨迹与上述目标车辆预测轨迹之间的重叠轨迹。其中，首先，可以将上述当前车辆的车辆宽度值作为上述当前车辆预测行驶轨迹的轨迹宽度值。然后，可以将上述目标车辆宽度值作为上述目标行驶轨迹的轨迹宽度值。最后，可以将两个带有宽度值的轨迹的重合区域确定为重叠轨迹。该重叠轨迹可以是矩形区域或菱形区域。该矩形区域或菱形区域的一组对边可以为上述目标车辆的长度值，另一组对边可以为上述当前车辆的长度值。
第二步，利用上述当前车辆坐标值，将上述当前车辆与上述重叠轨迹之间的距离值确定为当前车辆距离值。其中，可以当前车辆坐标与上述重叠轨迹之间的最短距离确定为当前车辆距离值。
第三步，基于上述当前车辆距离值、上述当前车辆速度值和预设的时长参数组，生成车辆冲突时长。其中，上述预设的时长参数组可以包括两个时长参数。一个可以作为时长系数、另一个可以作为时长常数。可以确定上述当前车辆距离值与上述当前车辆速度值的比值与时长系数的乘积，加上上述时长常数得到上述车辆冲突时长。
作为示例，上述时长系数可以是2.737。上述时长常数可以是0.1512。
在一些实施例的一些可选的实现方式中，上述的执行主体基于当前车辆信息、目标车辆信息、当前车辆预测轨迹和目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，还可以包括以下步骤：
第一步，根据上述目标车辆速度值、上述目标车辆加速度值和预设的风险时长，生成预测目标车辆行驶距离值。其中，上述预设的风险时长可以是3秒。可以将上述目标车辆速度值、上述目标车辆加速度值和上述风险时长输入至计算路程的公式中（例如，通过速度和加速度计算路程）得到目标车辆所行驶的距离。
第二步，根据上述目标车辆速度值、上述目标车辆加速度值和上述预设的风险时长，生成预测目标车辆行驶速度值。其中，可以将上述目标车辆速度值与上述目标车辆加速度值和上述预设的风险时长乘积的差确定为预测目标车辆行驶速度值。
第三步，根据上述目标车辆坐标值和上述目标车辆长度值，确定上述目标车辆与上述重叠轨迹之间的间距值。其中，可以上述目标车辆坐标与上述重叠轨迹之间的最短距离值确定为当前车辆距离值。
第四步，响应于确定上述预测目标车辆行驶距离值和上述预测目标车辆行驶速度值满足第一预设交互条件，生成第一交互执行信息，其中，上述第一预设交互条件可以为上述预测目标车辆行驶距离值小于上述间距值，以及上述预测目标车辆行驶速度值小于等于零。上述第一交互执行信息可以包括当前车辆交互执行标识，用于使当前车辆提速，以尽快通过重叠轨迹所在区域。
第五步，将上述第一交互执行信息确定为上述车辆交互信息。其中，该车辆交互信息可以用于自动驾驶车辆。
在一些实施例的一些可选的实现方式中，上述的执行主体基于当前车辆信息、目标车辆信息、当前车辆预测轨迹和目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，还可以包括以下步骤：
第一步，响应于确定上述预测目标车辆行驶距离值满足第二预设交互条件，生成第二交互执行信息，其中，上述第二预设交互条件可以为上述预测目标车辆行驶距离值大于等于上述间距值，以及小于上述目标车辆长度值、上述间距值和上述重叠轨迹在上述目标车辆预测轨迹方向上的长度值的和。上述第二交互执行信息可以包括当前车辆防御执行标识，用于使当前车辆减速避让，以供目标车辆通过重叠区域所在区域。由此，可以避免车辆碰撞，提高自动驾驶的安全性。
第二步，将上述第二交互执行信息确定为上述车辆交互信息。
在一些实施例的一些可选的实现方式中，上述的执行主体基于当前车辆信息、目标车辆信息、当前车辆预测轨迹和目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，还可以包括以下步骤：
第一步，响应于确定上述预测目标车辆行驶距离值和上述预测目标车辆行驶速度值不满足上述第一预设交互条件，上述预测目标车辆行驶距离值不满足上述第二预设交互条件，生成第三交互执行信息。上述第三交互执行信息可以用于确定在规划时间内（例如，3秒内）当前车辆与目标车辆之间不存在冲突关系。由此，第三交互执行信息可以包括当前车辆正常执行标识，用于使当前车辆均速行驶。
第二步，将上述第三交互执行信息确定为上述车辆交互信息。
步骤304，根据车辆交互信息，生成车辆速度值序列集。
在一些实施例中，上述执行主体可以根据上述车辆交互信息，生成车辆速度值序列集。可以通过以下步骤生成车辆速度值序列集：
第一步，可以设定三个可供选择的动作。例如，[[动作a：加速度减一]，[动作b：加速度不变]，[动作c：加速度加1]]。其中，加速度单位可以是m/s2。上述动作可以用于调整当前车辆的加速度值，以生成速度值序列。
第二步，可以在上述预设时长（例如，3秒）内，以相同时间间隔（例如，0.5秒）为步长，对当前车辆的加速度进行预调整。由此，每个车辆速度值序列中的车辆速度值的数量可以是6个。该预调整可以是在每个步长对加速度值分别添加不同的动作。
作为示例，当前车辆的加速度值可以为0。速度值可以是40。在第一个步长时，分别生成三个添加动作后的加速度值（即，-1 m/s2，0 m/s2，1 m/s2）。那么，由此通过步长和加速度变化量以及速度值可以得到添加动作后每个加速度值对应的速度值。在第二步长时，可以对前一个步长结果的基础上，即对三个加速度值分别添加动作进行加速度值变动。那么，由此可以得到九个加速度值和对应的九个速度值。由此，若所有速度值都满足筛选条件，以当前速度值为根节点，每生成一个速度值作为一个子节点的树形结构生成速度值，则在最后一个步长可以得到729个叶子节点，即729个速度值。因此，可以将当前速度值（即根节点）到每个表征叶子节点之间的各个节点对应的速度值作为一个车辆速度值序列。另外，筛选条件可以是每个步长对应的速度值大于等于零或小于预设的步长速度阈值（例如，60千米每小时）。若存在子节点或叶子节点对应的速度值不满足该筛选条件，那么可以将带有该子节点或叶子节点的车辆速度值序列删除。从而，得到车辆速度值序列集。
步骤305，获取当前车辆的周围车辆信息。
在一些实施例中，上述执行主体可以获取上述当前车辆的周围车辆信息。其中，上述周围车辆信息可以是与上述当前车辆的距离值最小的静止车辆。上述周围车辆信息可以在当前车辆移动时用于避开静止的车辆。上述周围车辆信息可以包括当前车辆与距离值最小的静止车辆之间的静态车辆距离值。上述周围车辆信息还可以包括上述当前车辆所在位置的前车（当前车辆所跟随的车辆）的前车速度值，后车（跟随当前车辆的车辆）的后车速度值，左车（当前车辆左侧的车辆）的左车速度值和右车（当前车辆右侧的车辆）的右车速度值。
步骤306，响应于确定车辆冲突时长大于预设时长阈值，基于当前车辆加速度值和周围车辆信息，对车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合。
在一些实施例中，上述执行主体可以响应于确定上述车辆冲突时长大于上述预设时长阈值，基于上述当前车辆加速度值和上述周围车辆信息，对上述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合。其中，上述预设时长阈值可以是3秒。对于每个车辆速度值序列，首先，可以确定在生成上述车辆速度值序列时的预设时长内每个时刻对应的当前车辆的车辆加速度值、速度值和车辆加速度变化率。其次，可以通过以下公式生成第一校验值：
其中，
表示加速度校验值。
表示上述当前车辆的加速度值。
表示上述预设时长。
表示加速度变化率校验值。
表示车辆加速度变化率。
表示车速校验值。
表示当前车辆的速度值。
表示预设的当前车辆最大限制速度值。
表示静态车辆校验值。
表示上述静态车辆距离值。
表示纵向校验值，可以用于表征上述当前车辆与周围车辆之间的纵向距离值。
表示上述前车速度值。
表示预设的最大纵向加速度值（例如，2米每平方秒）。
表示预设的最大纵向减速反应时长。
表示预设的最小纵向加速度值（例如，-4米每平方秒）。
表示上述后车速度值。
表示横向校验值，可以用于表征上述当前车辆与周围车辆之间的横向距离值。
表示上述右车速度值，若右车速度值小于零则可以将右车速度值调整为零。
表示上述左车速度值。
表示预设的最大横向加速度值（例如，2米每平方秒）。
表示预设的最小横向加速度值（例如，-2米每平方秒）。
表示预设的最大横向加速时长。
表示预设的加速度校验系数。
表示预设的加速度变化率校验系数。
表示预设的车速校验系数。
表示预设的静态车辆校验系数。
表示预设的纵向校验系数。
表示预设的横向校验系数。
表示上述第一校验值。
可选的，还可以通过上述公式生成第二校验值。另外，上述各个校验系数可以是预先通过逆强化学习的方法生成的、车辆在安全情况下（即，上述车辆冲突时长大于预设时长阈值）的安全校验系数。还可以通过该方法生成车辆在碰撞风险较大的情况下（即，车辆冲突时长小于等于上述预设时长阈值）的风险校验系数，用于生成第二校验值。
上述公式及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“对他车的意图和城区道路的结构化特征等考虑的不够全面，因此，降低了校验车辆交互信息的准确性”。提高了校验车辆交互信息的准确性。其中，首先考虑了当前车辆移动轨迹的动态特性。因此，引入了加速度校验值。然后，考虑了自动驾驶车辆的舒适度。因此，引入了加速度变化率校验值。接着，考虑了车辆移动的效率性。因此，引入了预设的当前车辆最大限制速度值和车速校验值。其次，考虑了车辆的安全性。因此，引入了静态车辆校验值。确保当前车辆在路过静止车辆时可以保持安全距离。而后，考虑了纵向（当前车辆处于车道的方向）的车辆安全距离。因此，引入了纵向校验值。最后，考虑了横向（与纵向水平垂直方向）的车辆安全距离。因此，引入了横向校验值。从而，通过对他车意图和道路的结构化特征的全面的考虑，可以提高第一校验值或第二校验值的准确度。进而，可以提高校验车辆交互信息的准确度。
步骤307，将第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果。
在一些实施例中，步骤307的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤206，在此不再赘述。
从图3中可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的车辆交互信息校验方法的流程300体现了生成车辆交互信息、车辆冲突时长、车辆速度值序列集合第一校验值集合的步骤。首先，针对车辆的安全性问题，本文利用真实的实车数据，从驾驶员对十字交叉路口的真实反应出发，对场景状态进行估计，对于危险的场景进行划分并筛选出相关性车辆（即，目标车辆）。这种基于统计学的表达方式相比较经验公式建模，更加符合人类驾驶员的特性。其次，在十字交叉路口的环境下，采用半马尔科夫模型，将他车的意图估计和本车的驾驶策略（即，交互信息）一同分析。本文以驾驶意图为突破口，将交互行为第一交互执行信息、第二交互执行信息和第三交互执行信息。利用半马尔科夫模型，将意图和驾驶交互信息进行对应，适应了在真实场景下他车意图的模糊性。并且直接生成交互信息的方式降低了交互信息生成的难度，提升了模型的求解效率。最后，为了达到高度模仿驾驶员操作的效果，建立基于风险偏好的评价函数（即，上述公式）。本文采集驾驶员真实的驾驶数据，对驾驶员的驾驶特性进行分析。将驾驶场景划分为危险场景和非危险场景，在两种环境下利用驾驶员的驾驶数据分别学习驾驶员操作的评价函数。最后基于风险偏好的类人评价函数和基于风险中性的评价函数在拟合人类数据上误差更小，更符合人类驾驶行为。从而，不仅可以提高交验车辆交互信息的效率，还可以提高校验车辆交互信息的准确性。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种车辆交互信息校验装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，一些实施例的车辆交互信息校验装置400包括：获取单元401、输入单元402、第一生成单元403、第二生成单元404、第三生成单元405和确定单元406。其中，获取单元401，被配置成获取当前车辆的当前车辆信息和目标车辆的目标车辆信息；输入单元402，被配置成将上述当前车辆信息和上述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹；第一生成单元403，被配置成基于上述当前车辆信息、上述目标车辆信息、上述当前车辆预测轨迹和上述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长；第二生成单元404，被配置成根据上述车辆交互信息，生成车辆速度值序列集；第三生成单元405，被配置成响应于确定上述车辆冲突时长大于预设时长阈值，对上述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；确定单元406，被配置成将上述第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果。
可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的计算设备101）500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500可以包括处理装置（例如中央处理器、图形处理器等）501，其可以根据存储在只读存储器（ROM）502中的程序或者从存储装置508加载到随机访问存储器（RAM）503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取当前车辆的当前车辆信息和目标车辆的目标车辆信息；将上述当前车辆信息和上述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹；基于上述当前车辆信息、上述目标车辆信息、上述当前车辆预测轨迹和上述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长；根据上述车辆交互信息，生成车辆速度值序列集；响应于确定上述车辆冲突时长大于预设时长阈值，对上述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；将上述第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、输入单元、第一生成单元、第二生成单元、第三生成单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取当前车辆的当前车辆信息和目标车辆的目标车辆信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (7)
1.一种车辆交互信息校验方法，包括：
获取当前车辆的当前车辆信息和目标车辆的目标车辆信息；
将所述当前车辆信息和所述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹；
基于所述当前车辆信息、所述目标车辆信息、所述当前车辆预测轨迹和所述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长；
根据所述车辆交互信息，生成车辆速度值序列集；
响应于确定所述车辆冲突时长大于预设时长阈值，对所述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；
将所述第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果；
其中，所述当前车辆信息包括当前车辆坐标值、当前车辆速度值和当前车辆加速度值，所述目标车辆信息包括目标车辆坐标值、目标车辆速度值、目标车辆长度值和目标车辆加速度值；以及
所述基于所述当前车辆信息、所述目标车辆信息、所述当前车辆预测轨迹和所述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，包括：
确定所述当前车辆预测轨迹与所述目标车辆预测轨迹之间的重叠轨迹；
利用所述当前车辆坐标值，将所述当前车辆与所述重叠轨迹之间的距离值确定为当前车辆距离值；
基于所述当前车辆距离值、所述当前车辆速度值和预设的时长参数组，生成车辆冲突时长；
其中，所述响应于确定所述车辆冲突时长大于预设时长阈值，对所述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合，包括：
获取所述当前车辆的周围车辆信息；
响应于确定所述车辆冲突时长大于所述预设时长阈值，基于所述当前车辆加速度值和所述周围车辆信息，对所述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；
其中，所述基于所述当前车辆信息、所述目标车辆信息、所述当前车辆预测轨迹和所述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，还包括：
根据所述目标车辆速度值、所述目标车辆加速度值和预设的风险时长，生成预测目标车辆行驶距离值；
根据所述目标车辆速度值、所述目标车辆加速度值和所述预设的风险时长，生成预测目标车辆行驶速度值；
根据所述目标车辆坐标值和所述目标车辆长度值，确定所述目标车辆与所述重叠轨迹之间的间距值；
响应于确定所述预测目标车辆行驶距离值和所述预测目标车辆行驶速度值满足第一预设交互条件，生成第一交互执行信息，其中，所述第一预设交互条件为所述预测目标车辆行驶距离值小于所述间距值，以及所述预测目标车辆行驶速度值小于等于零；
将所述第一交互执行信息确定为所述车辆交互信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述车辆冲突时长小于等于所述预设时长阈值，对所述车辆速度值序列集中每个车辆速度值序列进行校验以生成第二校验值，得到第二校验值集合；
将所述第二校验值集合中满足第二预设条件的第二校验值对应的车辆速度值序列确定为车辆交互信息校验结果。
3.根据权利要求1-2之一所述的方法，其中，所述方法还包括：
根据所述车辆交互信息校验结果包括的车辆速度值序列，向所述当前车辆的控制终端发送控制指令以控制所述当前车辆移动。
4.根据权利要求1所述的方法，其中，所述基于所述当前车辆信息、所述目标车辆信息、所述当前车辆预测轨迹和所述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，还包括：
响应于确定所述预测目标车辆行驶距离值满足第二预设交互条件，生成第二交互执行信息，其中，所述第二预设交互条件为所述预测目标车辆行驶距离值大于等于所述间距值，以及小于所述目标车辆长度值、所述间距值和所述重叠轨迹在所述目标车辆预测轨迹方向上的长度值的和；
将所述第二交互执行信息确定为所述车辆交互信息。
5.根据权利要求2所述的方法，其中，所述基于所述当前车辆信息、所述目标车辆信息、所述当前车辆预测轨迹和所述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，还包括：
响应于确定所述预测目标车辆行驶距离值和所述预测目标车辆行驶速度值不满足所述第一预设交互条件，所述预测目标车辆行驶距离值不满足所述第二预设交互条件，生成第三交互执行信息；
将所述第三交互执行信息确定为所述车辆交互信息。
6.一种车辆交互信息校验装置，包括：
获取单元，被配置成获取当前车辆的当前车辆信息和目标车辆的目标车辆信息；
输入单元，被配置成将所述当前车辆信息和所述目标车辆信息输入至预设的轨迹预测模型，以生成当前车辆预测轨迹和目标车辆预测轨迹；
第一生成单元，被配置成基于所述当前车辆信息、所述目标车辆信息、所述当前车辆预测轨迹和所述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长；
第二生成单元，被配置成根据所述车辆交互信息，生成车辆速度值序列集；
第三生成单元，被配置成响应于确定所述车辆冲突时长大于预设时长阈值，对所述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；
确定单元，被配置成将所述第一校验值集合中满足第一预设条件的第一校验值对应的车辆速度值序列确定为车辆交互信息校验结果；
其中，所述当前车辆信息包括当前车辆坐标值、当前车辆速度值和当前车辆加速度值，所述目标车辆信息包括目标车辆坐标值、目标车辆速度值、目标车辆长度值和目标车辆加速度值；以及
所述基于所述当前车辆信息、所述目标车辆信息、所述当前车辆预测轨迹和所述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，包括：
确定所述当前车辆预测轨迹与所述目标车辆预测轨迹之间的重叠轨迹；
利用所述当前车辆坐标值，将所述当前车辆与所述重叠轨迹之间的距离值确定为当前车辆距离值；
基于所述当前车辆距离值、所述当前车辆速度值和预设的时长参数组，生成车辆冲突时长；
其中，所述响应于确定所述车辆冲突时长大于预设时长阈值，对所述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合，包括：
获取所述当前车辆的周围车辆信息；
响应于确定所述车辆冲突时长大于所述预设时长阈值，基于所述当前车辆加速度值和所述周围车辆信息，对所述车辆速度值序列集中每个车辆速度值序列进行校验以生成第一校验值，得到第一校验值集合；
其中，所述基于所述当前车辆信息、所述目标车辆信息、所述当前车辆预测轨迹和所述目标车辆预测轨迹，生成车辆交互信息和车辆冲突时长，还包括：
根据所述目标车辆速度值、所述目标车辆加速度值和预设的风险时长，生成预测目标车辆行驶距离值；
根据所述目标车辆速度值、所述目标车辆加速度值和所述预设的风险时长，生成预测目标车辆行驶速度值；
根据所述目标车辆坐标值和所述目标车辆长度值，确定所述目标车辆与所述重叠轨迹之间的间距值；
响应于确定所述预测目标车辆行驶距离值和所述预测目标车辆行驶速度值满足第一预设交互条件，生成第一交互执行信息，其中，所述第一预设交互条件为所述预测目标车辆行驶距离值小于所述间距值，以及所述预测目标车辆行驶速度值小于等于零；
将所述第一交互执行信息确定为所述车辆交互信息。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111139397.9A CN113593241B (zh) | 2021-09-28 | 2021-09-28 | 车辆交互信息校验方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111139397.9A CN113593241B (zh) | 2021-09-28 | 2021-09-28 | 车辆交互信息校验方法、装置、电子设备和可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113593241A CN113593241A (zh) | 2021-11-02 |
| CN113593241B true CN113593241B (zh) | 2022-03-01 |
Family
ID=78242386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111139397.9A Active CN113593241B (zh) | 2021-09-28 | 2021-09-28 | 车辆交互信息校验方法、装置、电子设备和可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113593241B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251699A (zh) * | 2016-08-19 | 2016-12-21 | 深圳市元征科技股份有限公司 | 行车碰撞预警方法及装置 |
| CN108257417A (zh) * | 2016-12-28 | 2018-07-06 | 上海汽车集团股份有限公司 | 用于路侧单元的车辆碰撞预警方法及装置 |
| CN108257418A (zh) * | 2016-12-28 | 2018-07-06 | 上海汽车集团股份有限公司 | 车辆碰撞预警方法及装置 |
| CN109808687A (zh) * | 2019-01-17 | 2019-05-28 | 福瑞泰克智能系统有限公司 | 一种驾驶辅助方法、装置及设备 |
| CN110111602A (zh) * | 2019-04-30 | 2019-08-09 | 浙江吉利控股集团有限公司 | 一种车辆碰撞预警方法、装置及设备 |
| CN110299006A (zh) * | 2019-06-28 | 2019-10-01 | 浙江吉利控股集团有限公司 | 一种车辆碰撞告警方法、装置及设备 |
| CN110293968A (zh) * | 2019-06-18 | 2019-10-01 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 |
| CN111524389A (zh) * | 2020-04-16 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 车辆驾驶方法和装置 |
| CN113096441A (zh) * | 2021-03-25 | 2021-07-09 | 北京星云互联科技有限公司 | 一种车辆预警方法、装置、车辆及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6728617B2 (en) * | 2002-07-23 | 2004-04-27 | Ford Global Technologies, Llc | Method for determining a danger zone for a pre-crash sensing system in a vehicle having a countermeasure system |
-
2021
- 2021-09-28 CN CN202111139397.9A patent/CN113593241B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251699A (zh) * | 2016-08-19 | 2016-12-21 | 深圳市元征科技股份有限公司 | 行车碰撞预警方法及装置 |
| CN108257417A (zh) * | 2016-12-28 | 2018-07-06 | 上海汽车集团股份有限公司 | 用于路侧单元的车辆碰撞预警方法及装置 |
| CN108257418A (zh) * | 2016-12-28 | 2018-07-06 | 上海汽车集团股份有限公司 | 车辆碰撞预警方法及装置 |
| CN109808687A (zh) * | 2019-01-17 | 2019-05-28 | 福瑞泰克智能系统有限公司 | 一种驾驶辅助方法、装置及设备 |
| CN110111602A (zh) * | 2019-04-30 | 2019-08-09 | 浙江吉利控股集团有限公司 | 一种车辆碰撞预警方法、装置及设备 |
| CN110293968A (zh) * | 2019-06-18 | 2019-10-01 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 |
| CN110299006A (zh) * | 2019-06-28 | 2019-10-01 | 浙江吉利控股集团有限公司 | 一种车辆碰撞告警方法、装置及设备 |
| CN111524389A (zh) * | 2020-04-16 | 2020-08-11 | 腾讯科技（深圳）有限公司 | 车辆驾驶方法和装置 |
| CN113096441A (zh) * | 2021-03-25 | 2021-07-09 | 北京星云互联科技有限公司 | 一种车辆预警方法、装置、车辆及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113593241A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4009300A1 (en) | Vehicle automatic control method and lane change intention prediction network training method | |
| CN113848855B (zh) | 车辆控制系统测试方法、装置、设备、介质及程序产品 | |
| CN112590813B (zh) | 自动驾驶车辆信息生成方法、装置、电子设备和介质 | |
| CN111665738A (zh) | 在环仿真系统及其中的信息处理方法及装置 | |
| CN113126624B (zh) | 自动驾驶仿真测试方法、装置、电子设备和介质 | |
| CN112861833B (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
| CN112700636B (zh) | 用于更新信息的方法和装置 | |
| CN113044042B (zh) | 车辆预测变道图像显示方法、装置、电子设备和可读介质 | |
| CN115761702A (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
| CN115973179A (zh) | 模型训练方法、车辆控制方法、装置、电子设备及车辆 | |
| US11897503B2 (en) | Method and apparatus for detecting unexpected control state in autonomous driving system | |
| CN116734882B (zh) | 车辆路径规划方法、装置、电子设备和计算机可读介质 | |
| CN116088538B (zh) | 车辆轨迹信息生成方法、装置、设备和计算机可读介质 | |
| CN113593241B (zh) | 车辆交互信息校验方法、装置、电子设备和可读介质 | |
| CN115657684B (zh) | 车辆路径信息生成方法、装置、设备和计算机可读介质 | |
| WO2023215507A1 (en) | System and method for simulating an environment for autonomous vehicle testing | |
| CN114399659B (zh) | 车辆控制信息生成方法、装置、设备和计算机可读介质 | |
| CN111738046A (zh) | 对用于基于深度学习的装置的学习的虚拟世界模拟器的物理引擎进行标定的方法及装置 | |
| CN112373471B (zh) | 用于控制车辆行驶的方法、装置、电子设备和可读介质 | |
| KR102519496B1 (ko) | 차량 가속도계 전진축을 캘리브레이션하는 방법 및 장치 | |
| CN115372020A (zh) | 自动驾驶车辆测试方法、装置、电子设备和介质 | |
| CN115565374A (zh) | 物流车驾驶优化方法、装置、电子设备及可读存储介质 | |
| CN115257720A (zh) | 基于转弯场景的紧急避撞方法、装置、设备及介质 | |
| Wu et al. | Particle filter based traffic data assimilation with sensor informed proposal distribution | |
| CN113596780B (zh) | 车辆交互信息生成方法、装置、设备和计算机可读介质 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Verification method, device, electronic equipment and readable medium of vehicle interactive information Effective date of registration: 20230228 Granted publication date: 20220301 Pledgee: Bank of Shanghai Co.,Ltd. Beijing Branch Pledgor: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. Registration number: Y2023980033668 |
|
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |