CN113753077A - 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 - Google Patents
预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 Download PDFInfo
- Publication number
- CN113753077A CN113753077A CN202110945481.3A CN202110945481A CN113753077A CN 113753077 A CN113753077 A CN 113753077A CN 202110945481 A CN202110945481 A CN 202110945481A CN 113753077 A CN113753077 A CN 113753077A
- Authority
- CN
- China
- Prior art keywords
- target
- obstacle
- information
- data
- target vehicle
- 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.)
- Pending
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000007613 environmental effect Effects 0.000 claims abstract description 29
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 abstract description 15
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
-
- 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
- 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
-
- 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
- B60W40/04—Traffic 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
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
- G08G1/096827—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed onboard
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- 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
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
-
- 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
- B60W2554/4041—Position
-
- 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
-
- 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
- B60W2554/406—Traffic density
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/803—Relative lateral speed
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal speed
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- 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
- 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
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开提供了一种预测障碍物的运动轨迹的方法、装置及自动驾驶车辆,涉及自动驾驶技术领域,以至少解决交互场景下障碍物运动轨迹的预测精度低的技术问题。具体实现方案为:获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,所述目标障碍物为所述目标车辆的潜在交互对象;基于所述环境信息、所述历史状态信息和所述规划轨迹信息预测所述目标障碍物的运动轨迹。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种预测障碍物的运动轨迹的方法、装置及自动驾驶车辆。
背景技术
为实现自动驾驶车辆的顺利行驶,需要对自动驾驶车辆所处周围环境中包含的各障碍物的运动状态进行预测,以使自动驾驶车辆在行驶过程中能够根据预测出的各障碍物的运动状态,规划出安全高效的行车轨迹。
现有方案中,自动驾驶车辆的预测模块能够孤立地预测各障碍物的运动轨迹。但是,在一些复杂交互场景下,预测精度下降,容易引发车辆行驶的安全问题。
发明内容
本公开提供了一种预测障碍物的运动轨迹的方法、装置及自动驾驶车辆,以至少解决交互场景下障碍物运动轨迹的预测精度低的技术问题。
根据本公开的一方面,提供了预测障碍物的运动轨迹的方法,包括:获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,目标障碍物为目标车辆的潜在交互对象;基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。
根据本公开的又一方面,提供了预测障碍物的运动轨迹的装置,包括:获取模块,用于获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,目标障碍物为目标车辆的潜在交互对象;预测模块,用于基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。
根据本公开的又一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述任一项预测障碍物的运动轨迹的方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行上述任一项预测障碍物的运动轨迹的方法。
根据本公开的又一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行上述任一项预测障碍物的运动轨迹的方法。
根据本公开的又一方面,提供了一种自动驾驶车辆,包括上述的电子设备。
在本公开中,通过获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,目标障碍物为目标车辆的潜在交互对象;基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹,达到了结合环境信息、历史状态信息和规划轨迹信息进行障碍物运动轨迹预测的目的,实现了交互场景下对障碍物运动轨迹准确预测、提升自动驾驶车辆的行驶安全性和平顺性的效果,从而解决了交互场景下障碍物运动轨迹的预测精度低的技术问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一种用于实现预测障碍物的运动轨迹的方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本公开实施例的一种预测障碍物的运动轨迹的方法流程图;
图3是根据本公开实施例的一种预测障碍物的运动轨迹的装置的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有方案中,自动驾驶车辆的预测模块在孤立地预测所处环境中各障碍物的运动轨迹时,一般采用以下三种技术:基于物理模型的轨迹预测、基于动作序列的轨迹预测以及基于数据驱动的轨迹预测。
上述基于物理模型的轨迹预测技术主要利用障碍物的历史状态信息,结合动力学、运动学模型进行障碍物未来运动轨迹的预测。该方法中常用的算法有:基于物理模型的轨迹延展、基于高斯噪声的轨迹预测以及基于蒙特卡洛过程的轨迹预测。但是,这种预测技术只适用于预测时域较短的情况,对于更长时域上的运动轨迹预测,预测精度会大幅下降,同时这种预测技术也无法处理运动状态发生突变的障碍物。
上述基于动作序列的轨迹预测技术中,是将障碍物的运动轨迹看做一系列离散的运动行为的组合,通过预先定义不同的运动模式,结合障碍物的历史状态信息,匹配对应的运动模式,再结合采样等方法预测障碍物的运动轨迹。但是,由于离散运动行为的生成与环境信息、道路拓扑关系相耦合,因此这种预测技术对于场景的依赖性较强,算法的泛化能力不足。并且预测效果容易受采样轨迹数量设置的影响,当采样数量不足时会影响预测结果的精度,而当采样数量过多时又会导致计算效率的下降。
上述基于数据驱动的轨迹预测技术中,主要通过机器学习、深度学习等数据驱动的方法,通过大量的路测数据结合神经网络,训练轨迹预测的模型,借助预测模型进行障碍物的运动轨迹预测。然而大多数基于数据驱动的预测算法都是将障碍物孤立地进行预测,没有考虑周围障碍物对于目标障碍物运动状态的影响,在交互场景下预测效果不理想。
现有技术方案无法在交互场景下对自动驾驶车辆的障碍物运动轨迹进行高精度的预测。例如,狭窄道路的会车场景、路口交错串行场景等,预测模块没有考虑到周围环境中各障碍物之间的运动状态影响,从而导致预测结果与实际位置偏差较大。
根据本公开实施例,提供了一种预测障碍物的运动轨迹的方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本公开实施例所提供的方法实施例可以在移动终端、计算机终端或者类似的电子设备中执行。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。图1示出了一种用于实现预测障碍物的运动轨迹的方法的计算机终端(或移动设备)的硬件结构框图。
如图1所示,计算机终端100包括计算单元101,其可以根据存储在只读存储器(ROM)102中的计算机程序或者从存储单元108加载到随机访问存储器(RAM)103中的计算机程序,来执行各种适当的动作和处理。在RAM 103中,还可存储计算机终端100操作所需的各种程序和数据。计算单元101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
计算机终端100中的多个部件连接至I/O接口105,包括:输入单元106,例如键盘、鼠标等;输出单元107,例如各种类型的显示器、扬声器等;存储单元108,例如磁盘、光盘等;以及通信单元109,例如网卡、调制解调器、无线通信收发机等。通信单元109允许计算机终端100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元101执行本文所描述的预测障碍物的运动轨迹的方法。例如,在一些实施例中,预测障碍物的运动轨迹的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 102和/或通信单元109而被载入和/或安装到计算机终端100上。当计算机程序加载到RAM 103并由计算单元101执行时,可以执行本文描述的预测障碍物的运动轨迹的方法的一个或多个步骤。备选地,在其他实施例中,计算单元101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行预测障碍物的运动轨迹的方法。
本文中描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
此处需要说明的是,在一些可选实施例中,上述图1所示的电子设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述电子设备中的部件的类型。
在上述运行环境下,本公开提供了如图2所示的预测障碍物的运动轨迹的方法,该方法可以由图1所示的计算机终端或者类似的电子设备执行。图2是根据本公开实施例提供的一种的预测障碍物的运动轨迹的方法流程图。如图2所示,该方法可以包括如下步骤:
步骤S20,获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息;
上述目标障碍物为目标车辆的潜在交互对象,例如,目标障碍物可以为对目标车辆构成障碍的其他车辆。目标车辆可以按照特定的筛选方式自行确定目标场景下的目标障碍物。
上述目标场景可以为车辆在行驶过程中的交互场景,例如,狭窄道路的会车场景、路口交错串行场景等。在这些交互场景中,由于存在地理位置限制、车辆间的相互避让行为等因素,目标障碍物的运动轨迹容易受驾驶员的主观驾驶行为影响。
可选地,可以从目标电子地图获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息。
其中,目标场景下的环境信息可以包括目标电子地图中特定地域的固定环境数据,例如,道路属性、交通指示灯信息等。目标场景下的环境信息还可以包括目标电子地图中的实时道路信息,例如,道路通畅情况、实时车流量等。
上述目标障碍物的历史状态信息和目标车辆的规划轨迹信息可以从目标电子地图的大数据采集服务器中获取。
步骤S22,基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。
可选地,可以利用神经网络模型结合环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹,具体实现过程可参照对于本公开实施例的进一步介绍内容。
可选地,可以利用物理模型结合环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。上述物理模型可以为动力学模型、运动学模型等。具体的,可以根据基于物理模型的轨迹延展、基于高斯噪声的轨迹预测以及基于蒙特卡洛过程的轨迹预测等算法结合环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。
可选地,可以利用动作序列结合环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。具体的,可以将目标障碍物的运动轨迹视为一系列离散的运动行为的组合,预先定义运动行为组合与运动模式之间对应的映射关系,结合环境信息、历史状态信息和规划轨迹信息匹配对应的运动模式,再结合采样等方法预测目标障碍物的运动轨迹。
根据本公开上述步骤S20至步骤S22,通过获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,目标障碍物为目标车辆的潜在交互对象;基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹,达到了结合环境信息、历史状态信息和规划轨迹信息进行障碍物运动轨迹预测的目的,实现了交互场景下对障碍物运动轨迹准确预测、提升自动驾驶车辆的行驶安全性和平顺性的效果,解决了交互场景下障碍物运动轨迹的预测精度低的技术问题。
下面对该实施例的上述方法进行进一步介绍。
作为一种可选的实施方式,规划轨迹信息用于规划目标车辆在目标场景下的行驶路线。
可选地,上述规划轨迹信息可以根据目标车辆的导航起始位置、终点位置以及道路网络拓扑确定。其中,目标车辆的导航起始位置可以为车辆定位装置获取的当前时刻下目标车辆的位置,目标车辆的导航终点位置可以为用户手动输入或者通过语音智能识别到的目的地位置,道路网络拓扑可以根据目标车辆所在城市在目标电子地图中获取。
上述规划轨迹信息可以在车载终端或者移动终端的图形显示界面上进行显示,也可以结合广播设备对用户进行语音播报。
作为一种可选的实施方式,环境信息包括:通过目标电子地图获取到的道路数据、交通指示灯数据、障碍物数据中的一个或多个。
例如,道路数据可以包括道路通畅情况、车流量等信息,交通指示灯数据可以包括目标场景下预定范围内的交通指示灯的数量、状态以及计时时长,障碍物数据可以包括目标车辆周围车辆的实时位置信息、行驶速度等。
作为一种可选的实施方式,历史状态信息包括:目标障碍物的历史速度、历史位置。
作为一种可选的实施方式,采用以下方式至少之一选定目标障碍物:基于目标车辆当前所在位置的道路属性选定目标障碍物;基于目标车辆的导航信息选定目标障碍物,其中,导航信息为规划轨迹信息的参考依据;基于目标车辆待变道的目标车道选定目标障碍物。
可选地,可以以目标车辆为中心,采用上述至少一种方式对目标障碍物进行搜索。
例如,目标车辆可以获取当前所在位置的道路属性,如直道、路口,根据预设的第一阈值将道路上的障碍物选定为目标障碍物。
又例如,目标车辆可以获取导航信息,根据预设的第二阈值将导航路径上的障碍物选定为目标障碍物。
需要说明的是,上述第一阈值和第二阈值可以为用户设置的安全距离值,第一阈值和第二阈值可以由用户进行实时调整。
又例如,在目标车辆进行变道的过程中,可以将待变道的目标车道上的障碍物选定为目标障碍物。
作为一种可选的实施方式,基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹包括:通过神经网络模型对环境信息、历史状态信息和规划轨迹信息进行分析,确定目标障碍物的运动轨迹,其中,神经网络模型利用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:样本数据和预测出的障碍物运动轨迹。
上述样本数据包括环境信息、历史状态信息和规划轨迹信息,还可以包括其他路测数据信息。
作为一种可选的实施方式,预测障碍物的运动轨迹的方法还包括:在对神经网络模型进行训练的过程中,获取神经网络模型的训练结果与目标数据之间的差异;基于训练结果与目标数据之间的差异,调整神经网络模型对应的损失函数中多个参数的权重。
上述目标数据可以通过人工筛选目标车辆在多种交互场景下采集的测试数据而得到。
上述损失函数主要是将随机事件或有关随机变量的取值映射为非负实数,从而表示该随机事件的“损失”的函数,在实际应用中主要作为神经模型学习的准则,即通过最小化损失函数求解和评估神经网络模型,可以针对训练结果与目标数据之间概率化分布差异进行量化。
作为一种可选的实施方式,多个参数包括:目标车辆的纵向加速度、目标车辆的横向加速度以及目标车辆的与目标障碍物之间的相对距离。
本公开提出的神经网络模型对应的损失函数为:
C=θ1Cacc+θ2Ccentripetal_acc+θ3Ccollosion (公式2)
Cacc=∑iai 2 (公式3)
其中,公式1可以用于表示训练结果逐步逼近目标数据的过程,在公式1中,L为目标数据的损失减去训练结果的损失获得的结果,θ为动态权重系数,N为轨迹点的总个数,M为预测出的轨迹条数,为目标数据的轨迹真值信息,ξj为训练结果的轨迹真值信息,δ为正则化系数,可以防止训练过程中过拟合。
公式2为计算数据损失的基本公式,在公式2中,Cacc为纵向加速度损失,Ccentripetal_acc为横向加速度损失,Ccollosion为碰撞损失,θ1为纵向加速度的动态权重,θ2为横向加速度的动态权重,θ3为相对距离的动态权重。
公式3为计算纵向加速度损失的基本公式,在公式3中,ai为第i时刻对应目标车辆轨迹点的加速度。
公式4为计算横向加速度损失的基本公式,在公式4中,Z1为归一化参数,可以保证各项计算值量级在同一水平。vi为第i时刻对应目标车辆轨迹点的速度,k1为第i时刻对应目标车辆轨迹点的曲率。
公式5为计算碰撞损失的基本公式,在公式5中,Z2为归一化参数,可以保证各项计算值量级在同一水平。e为自然常数,di第i时刻对应目标车辆与目标障碍物间的相对距离。
上述损失函数中多个参数的权重可以在训练过程中进行反复调试,以提高神经网络模型的训练效果和迭代效率。
可选地,上述损失函数中多个参数的权重可以通过机器学习自动生成。在模型编码的过程中,对各个参数的权重进行编码,神经网络模型训练时便会得到最优的权重系数,随着目标数据的增加,场景复杂度的提升,动态设计权重,可以提升神经网络模型的泛化能力。例如,在场景1下,各个参数对应的权重分别为a1,b1,c1,在场景2下,各个参数对应的权重分别为a2,b2,c2。
本公开通过获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,目标障碍物为目标车辆的潜在交互对象;基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹,达到了结合环境信息、历史状态信息和规划轨迹信息进行障碍物运动轨迹预测的目的,实现了交互场景下对障碍物运动轨迹准确预测、提升自动驾驶车辆的行驶安全性和平顺性的效果,解决了交互场景下障碍物运动轨迹的预测精度低的技术问题。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本公开各个实施例所述的方法。
在本公开中还提供了一种预测障碍物的运动轨迹的装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本公开其中一实施例的一种预测障碍物的运动轨迹的装置的结构框图,如图3所示,一种预测障碍物的运动轨迹的装置300包括:获取模块301,预测模块302。
获取模块301,用于获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,目标障碍物为目标车辆的潜在交互对象;预测模块302,用于基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。
可选地,规划轨迹信息用于规划目标车辆在目标场景下的行驶路线。
可选地,环境信息包括:通过目标电子地图获取到的道路数据、交通指示灯数据、障碍物数据中的一个或多个。
可选地,历史状态信息包括:目标障碍物的历史速度、历史位置。
可选地,采用以下方式至少之一选定目标障碍物:基于目标车辆当前所在位置的道路属性选定目标障碍物;基于目标车辆的导航信息选定目标障碍物,其中,导航信息为规划轨迹信息的参考依据;基于目标车辆待变道的目标车道选定目标障碍物。
可选地,预测模块302用于基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹包括:通过神经网络模型对环境信息、历史状态信息和规划轨迹信息进行分析,确定目标障碍物的运动轨迹,其中,神经网络模型利用多组数据通过机器学习训练得到,多组数据中的每组数据均包括:样本数据和预测出的障碍物运动轨迹。
可选地,预测障碍物的运动轨迹的装置还包括训练模块303,用于在对神经网络模型进行训练的过程中,获取神经网络模型的训练结果与目标数据之间的差异;基于训练结果与目标数据之间的差异,调整神经网络模型对应的损失函数中多个参数的权重。
可选地,多个参数包括:目标车辆的纵向加速度、目标车辆的横向加速度以及目标车辆的与目标障碍物之间的相对距离。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
根据本公开的实施例,本公开还提供了一种电子设备,包括存储器和至少一个处理器,该存储器中存储有计算机指令,该处理器被设置为运行计算机指令以执行上述任一项方法实施例中的步骤。
可选地,上述电子设备还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本公开中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息;
S2,基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
根据本公开的实施例,本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该非瞬时计算机可读存储介质中存储有计算机指令,其中,该计算机指令被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息;
S2,基于环境信息、历史状态信息和规划轨迹信息预测目标障碍物的运动轨迹。
可选地,在本实施例中,上述非瞬时计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的实施例,本公开还提供了一种计算机程序产品。用于实施本公开的音频处理方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
根据本公开的实施例,本公开还提供了一种自动驾驶车辆,该自动驾驶汽车包括上述实施例中的电子设备,能够执行本公开实施例中的预测障碍物的运动轨迹的方法,达到了结合环境信息、历史状态信息和规划轨迹信息进行障碍物运动轨迹预测的目的,实现了交互场景下对障碍物运动轨迹准确预测、提升自动驾驶车辆的行驶安全性和平顺性的效果,解决了交互场景下障碍物运动轨迹的预测精度低的技术问题。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
在本公开的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本公开所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM)、随机存取存储器(RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本公开的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本公开原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本公开的保护范围。
Claims (20)
1.一种预测障碍物的运动轨迹的方法,包括:
获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,所述目标障碍物为所述目标车辆的潜在交互对象;
基于所述环境信息、所述历史状态信息和所述规划轨迹信息预测所述目标障碍物的运动轨迹。
2.根据权利要求1所述的方法,其中,所述规划轨迹信息用于规划所述目标车辆在所述目标场景下的行驶路线。
3.根据权利要求1所述的方法,其中,所述环境信息包括:通过目标电子地图获取到的道路数据、交通指示灯数据、障碍物数据中的一个或多个。
4.根据权利要求1所述的方法,其中,所述历史状态信息包括:所述目标障碍物的历史速度、历史位置。
5.根据权利要求1所述的方法,其中,采用以下方式至少之一选定所述目标障碍物:
基于所述目标车辆当前所在位置的道路属性选定所述目标障碍物;
基于所述目标车辆的导航信息选定所述目标障碍物,其中,所述导航信息为所述规划轨迹信息的参考依据;
基于所述目标车辆待变道的目标车道选定所述目标障碍物。
6.根据权利要求1所述的方法,其中,基于所述环境信息、所述历史状态信息和所述规划轨迹信息预测所述目标障碍物的运动轨迹包括:
通过神经网络模型对所述环境信息、所述历史状态信息和所述规划轨迹信息进行分析,确定所述目标障碍物的运动轨迹,其中,所述神经网络模型利用多组数据通过机器学习训练得到,所述多组数据中的每组数据均包括:样本数据和预测出的障碍物运动轨迹。
7.根据权利要求6所述的方法,所述方法还包括:
在对所述神经网络模型进行训练的过程中,获取所述神经网络模型的训练结果与目标数据之间的差异;
基于所述训练结果与所述目标数据之间的差异,调整所述神经网络模型对应的损失函数中多个参数的权重。
8.根据权利要求7所述的方法,其中,所述多个参数包括:
所述目标车辆的纵向加速度、所述目标车辆的横向加速度以及所述目标车辆的与所述目标障碍物之间的相对距离。
9.一种预测障碍物的运动轨迹的装置,包括:
获取模块,用于获取目标场景下的环境信息、目标障碍物的历史状态信息和目标车辆的规划轨迹信息,其中,所述目标障碍物为所述目标车辆的潜在交互对象;
预测模块,用于基于所述环境信息、所述历史状态信息和所述规划轨迹信息预测所述目标障碍物的运动轨迹。
10.根据权利要求9所述的装置,其中,所述规划轨迹信息用于规划所述目标车辆在所述目标场景下的行驶路线。
11.根据权利要求9所述的装置,其中,所述环境信息包括:通过目标电子地图获取到的道路数据、交通指示灯数据、障碍物数据中的一个或多个。
12.根据权利要求9所述的装置,其中,所述历史状态信息包括:所述目标障碍物的历史速度、历史位置。
13.根据权利要求9所述的装置,其中,采用以下方式至少之一选定所述目标障碍物:
基于所述目标车辆当前所在位置的道路属性选定所述目标障碍物;
基于所述目标车辆的导航信息选定所述目标障碍物,其中,所述导航信息为所述规划轨迹信息的参考依据;
基于所述目标车辆待变道的目标车道选定所述目标障碍物。
14.根据权利要求9所述的装置,其中,所述预测模块用于基于所述环境信息、所述历史状态信息和所述规划轨迹信息预测所述目标障碍物的运动轨迹包括:
通过神经网络模型对所述环境信息、所述历史状态信息和所述规划轨迹信息进行分析,确定所述目标障碍物的运动轨迹,其中,所述神经网络模型利用多组数据通过机器学习训练得到,所述多组数据中的每组数据均包括:样本数据和预测出的障碍物运动轨迹。
15.根据权利要求14所述的装置,所述装置还包括:
训练模块,用于在对所述神经网络模型进行训练的过程中,获取所述神经网络模型的训练结果与目标数据之间的差异;
所述训练模块还用于基于所述训练结果与所述目标数据之间的差异,调整所述神经网络模型对应的损失函数中多个参数的权重。
16.根据权利要求15所述的装置,其中,所述多个参数包括:
所述目标车辆的纵向加速度、所述目标车辆的横向加速度以及所述目标车辆的与所述目标障碍物之间的相对距离。
17.一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
20.一种自动驾驶车辆,包括如权利要求17所述的电子设备。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945481.3A CN113753077A (zh) | 2021-08-17 | 2021-08-17 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
US17/746,936 US20230060005A1 (en) | 2021-08-17 | 2022-05-17 | Method and Apparatus for Predicting Motion Track of Obstacle and Autonomous Vehicle |
EP22190582.1A EP4140845A1 (en) | 2021-08-17 | 2022-08-16 | Method and apparatus for predicting motion track of obstacle and autonomous vehicle |
KR1020220102645A KR20230026961A (ko) | 2021-08-17 | 2022-08-17 | 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량 |
JP2022130033A JP2023027777A (ja) | 2021-08-17 | 2022-08-17 | 障害物移動軌跡の予測方法、装置及び自動運転車両 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945481.3A CN113753077A (zh) | 2021-08-17 | 2021-08-17 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113753077A true CN113753077A (zh) | 2021-12-07 |
Family
ID=78790175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110945481.3A Pending CN113753077A (zh) | 2021-08-17 | 2021-08-17 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230060005A1 (zh) |
EP (1) | EP4140845A1 (zh) |
JP (1) | JP2023027777A (zh) |
KR (1) | KR20230026961A (zh) |
CN (1) | CN113753077A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114162144A (zh) * | 2022-01-06 | 2022-03-11 | 苏州挚途科技有限公司 | 自动驾驶决策方法、装置以及电子设备 |
CN114475585A (zh) * | 2022-03-11 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 路口自动驾驶方法、装置、电子设备及自动驾驶车辆 |
CN114604268A (zh) * | 2022-02-24 | 2022-06-10 | 福思(杭州)智能科技有限公司 | 一种车辆行驶意图预测方法、装置、电子设备和车辆 |
CN114610020A (zh) * | 2022-01-28 | 2022-06-10 | 广州文远知行科技有限公司 | 障碍物运动轨迹的预测方法、装置、设备及存储介质 |
CN114715145A (zh) * | 2022-04-29 | 2022-07-08 | 阿波罗智能技术(北京)有限公司 | 一种轨迹预测方法、装置、设备及自动驾驶车辆 |
CN114884952A (zh) * | 2022-05-25 | 2022-08-09 | 北京百度网讯科技有限公司 | 车辆监测中的采集数据处理、车辆监测控制方法及装置 |
CN115047439A (zh) * | 2022-05-27 | 2022-09-13 | 中国第一汽车股份有限公司 | 基于车辆的检测系统的数据处理方法、装置和存储介质 |
CN115221722A (zh) * | 2022-07-28 | 2022-10-21 | 北京百度网讯科技有限公司 | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 |
CN115218902A (zh) * | 2022-04-02 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
CN116203964A (zh) * | 2023-03-13 | 2023-06-02 | 阿波罗智联(北京)科技有限公司 | 一种控制车辆行驶的方法、设备和装置 |
CN116309689A (zh) * | 2023-05-17 | 2023-06-23 | 上海木蚁机器人科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
CN116734882A (zh) * | 2023-08-14 | 2023-09-12 | 禾昆科技(北京)有限公司 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
CN116842392A (zh) * | 2023-08-29 | 2023-10-03 | 新石器慧通(北京)科技有限公司 | 轨迹预测方法及其模型的训练方法、装置、设备及介质 |
CN116882122A (zh) * | 2023-03-17 | 2023-10-13 | 北京百度网讯科技有限公司 | 用于自动驾驶的仿真环境的构建的方法和装置 |
CN117141474A (zh) * | 2023-10-30 | 2023-12-01 | 深圳海星智驾科技有限公司 | 障碍物轨迹预测方法、装置、车辆控制器、系统及车辆 |
WO2024067174A1 (zh) * | 2022-09-26 | 2024-04-04 | 华为技术有限公司 | 一种预测方法、装置和智能驾驶设备 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116001807B (zh) * | 2023-02-27 | 2023-07-07 | 安徽蔚来智驾科技有限公司 | 多场景轨迹预测方法、设备、介质及车辆 |
CN116069041B (zh) * | 2023-03-20 | 2023-06-23 | 北京集度科技有限公司 | 轨迹规划方法、装置、车辆及介质 |
CN117601903B (zh) * | 2024-01-19 | 2024-04-26 | 福思(杭州)智能科技有限公司 | 车辆行驶场景的生成方法、装置和存储介质及电子设备 |
CN117962932B (zh) * | 2024-04-02 | 2024-06-11 | 福瑞泰克智能系统有限公司 | 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190317511A1 (en) * | 2018-04-17 | 2019-10-17 | Baidu Usa Llc | Method for generating prediction trajectories of obstacles for autonomous driving vehicles |
CN110371112A (zh) * | 2019-07-06 | 2019-10-25 | 深圳数翔科技有限公司 | 一种自动驾驶车辆的智能避障系统及方法 |
CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和系统 |
CN111190427A (zh) * | 2020-04-10 | 2020-05-22 | 北京三快在线科技有限公司 | 一种轨迹规划的方法及装置 |
CN111775933A (zh) * | 2019-06-28 | 2020-10-16 | 百度(美国)有限责任公司 | 用于基于车辆周围障碍物的移动轨迹自主驾驶车辆的方法 |
CN113128381A (zh) * | 2021-04-06 | 2021-07-16 | 浙江吉利控股集团有限公司 | 障碍物轨迹预测方法、系统及计算机存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739246B (zh) * | 2019-02-19 | 2022-10-11 | 阿波罗智能技术(北京)有限公司 | 一种变换车道过程中的决策方法、装置、设备及存储介质 |
CN110329249B (zh) * | 2019-07-02 | 2020-08-07 | 武汉理工大学 | 一种循环神经网络的汽车前向碰撞预警控制系统及方法 |
US11436926B2 (en) * | 2019-10-08 | 2022-09-06 | Uber Technologies, Inc. | Multi-autonomous vehicle servicing and control system and methods |
CN110834644B (zh) * | 2019-10-30 | 2021-01-19 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
US11912271B2 (en) * | 2019-11-07 | 2024-02-27 | Motional Ad Llc | Trajectory prediction from precomputed or dynamically generated bank of trajectories |
CN111401458A (zh) * | 2020-03-23 | 2020-07-10 | 清华大学 | 一种基于深度强化学习的多模型目标状态预测方法及系统 |
CN111114543B (zh) * | 2020-03-26 | 2020-07-03 | 北京三快在线科技有限公司 | 一种轨迹预测方法及装置 |
CN111428943B (zh) * | 2020-04-23 | 2021-08-03 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN111572562A (zh) * | 2020-07-03 | 2020-08-25 | 腾讯科技(深圳)有限公司 | 自动驾驶方法、装置、设备、系统、车辆和计算机可读存储介质 |
CN112109704B (zh) * | 2020-09-22 | 2022-04-01 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
US11082487B1 (en) * | 2020-09-22 | 2021-08-03 | Vignet Incorporated | Data sharing across decentralized clinical trials using customized data access policies |
CN111912423B (zh) * | 2020-10-13 | 2021-02-02 | 北京三快在线科技有限公司 | 一种预测障碍物轨迹以及模型训练的方法及装置 |
-
2021
- 2021-08-17 CN CN202110945481.3A patent/CN113753077A/zh active Pending
-
2022
- 2022-05-17 US US17/746,936 patent/US20230060005A1/en active Pending
- 2022-08-16 EP EP22190582.1A patent/EP4140845A1/en active Pending
- 2022-08-17 JP JP2022130033A patent/JP2023027777A/ja active Pending
- 2022-08-17 KR KR1020220102645A patent/KR20230026961A/ko unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190317511A1 (en) * | 2018-04-17 | 2019-10-17 | Baidu Usa Llc | Method for generating prediction trajectories of obstacles for autonomous driving vehicles |
CN111775933A (zh) * | 2019-06-28 | 2020-10-16 | 百度(美国)有限责任公司 | 用于基于车辆周围障碍物的移动轨迹自主驾驶车辆的方法 |
CN110371112A (zh) * | 2019-07-06 | 2019-10-25 | 深圳数翔科技有限公司 | 一种自动驾驶车辆的智能避障系统及方法 |
CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和系统 |
CN111190427A (zh) * | 2020-04-10 | 2020-05-22 | 北京三快在线科技有限公司 | 一种轨迹规划的方法及装置 |
CN113128381A (zh) * | 2021-04-06 | 2021-07-16 | 浙江吉利控股集团有限公司 | 障碍物轨迹预测方法、系统及计算机存储介质 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114162144B (zh) * | 2022-01-06 | 2024-02-02 | 苏州挚途科技有限公司 | 自动驾驶决策方法、装置以及电子设备 |
CN114162144A (zh) * | 2022-01-06 | 2022-03-11 | 苏州挚途科技有限公司 | 自动驾驶决策方法、装置以及电子设备 |
CN114610020A (zh) * | 2022-01-28 | 2022-06-10 | 广州文远知行科技有限公司 | 障碍物运动轨迹的预测方法、装置、设备及存储介质 |
CN114610020B (zh) * | 2022-01-28 | 2023-05-23 | 广州文远知行科技有限公司 | 障碍物运动轨迹的预测方法、装置、设备及存储介质 |
CN114604268A (zh) * | 2022-02-24 | 2022-06-10 | 福思(杭州)智能科技有限公司 | 一种车辆行驶意图预测方法、装置、电子设备和车辆 |
CN114475585A (zh) * | 2022-03-11 | 2022-05-13 | 阿波罗智能技术(北京)有限公司 | 路口自动驾驶方法、装置、电子设备及自动驾驶车辆 |
CN115218902A (zh) * | 2022-04-02 | 2022-10-21 | 广州汽车集团股份有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
CN115218902B (zh) * | 2022-04-02 | 2024-02-02 | 广州汽车集团股份有限公司 | 一种轨迹规划方法、装置、设备及存储介质 |
CN114715145A (zh) * | 2022-04-29 | 2022-07-08 | 阿波罗智能技术(北京)有限公司 | 一种轨迹预测方法、装置、设备及自动驾驶车辆 |
CN114884952A (zh) * | 2022-05-25 | 2022-08-09 | 北京百度网讯科技有限公司 | 车辆监测中的采集数据处理、车辆监测控制方法及装置 |
CN115047439A (zh) * | 2022-05-27 | 2022-09-13 | 中国第一汽车股份有限公司 | 基于车辆的检测系统的数据处理方法、装置和存储介质 |
CN115221722A (zh) * | 2022-07-28 | 2022-10-21 | 北京百度网讯科技有限公司 | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 |
WO2024067174A1 (zh) * | 2022-09-26 | 2024-04-04 | 华为技术有限公司 | 一种预测方法、装置和智能驾驶设备 |
CN116203964A (zh) * | 2023-03-13 | 2023-06-02 | 阿波罗智联(北京)科技有限公司 | 一种控制车辆行驶的方法、设备和装置 |
CN116203964B (zh) * | 2023-03-13 | 2024-02-09 | 阿波罗智联(北京)科技有限公司 | 一种控制车辆行驶的方法、设备和装置 |
CN116882122A (zh) * | 2023-03-17 | 2023-10-13 | 北京百度网讯科技有限公司 | 用于自动驾驶的仿真环境的构建的方法和装置 |
CN116309689B (zh) * | 2023-05-17 | 2023-07-28 | 上海木蚁机器人科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
CN116309689A (zh) * | 2023-05-17 | 2023-06-23 | 上海木蚁机器人科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
CN116734882B (zh) * | 2023-08-14 | 2023-11-24 | 禾昆科技(北京)有限公司 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
CN116734882A (zh) * | 2023-08-14 | 2023-09-12 | 禾昆科技(北京)有限公司 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
CN116842392A (zh) * | 2023-08-29 | 2023-10-03 | 新石器慧通(北京)科技有限公司 | 轨迹预测方法及其模型的训练方法、装置、设备及介质 |
CN116842392B (zh) * | 2023-08-29 | 2024-04-16 | 新石器慧通(北京)科技有限公司 | 轨迹预测方法及其模型的训练方法、装置、设备及介质 |
CN117141474A (zh) * | 2023-10-30 | 2023-12-01 | 深圳海星智驾科技有限公司 | 障碍物轨迹预测方法、装置、车辆控制器、系统及车辆 |
CN117141474B (zh) * | 2023-10-30 | 2024-01-30 | 深圳海星智驾科技有限公司 | 障碍物轨迹预测方法、装置、车辆控制器、系统及车辆 |
Also Published As
Publication number | Publication date |
---|---|
KR20230026961A (ko) | 2023-02-27 |
EP4140845A1 (en) | 2023-03-01 |
JP2023027777A (ja) | 2023-03-02 |
US20230060005A1 (en) | 2023-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113753077A (zh) | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 | |
CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
CN113408141A (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
CN113569378B (zh) | 仿真场景的生成方法、装置、电子设备以及存储介质 | |
CN115221722B (zh) | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 | |
CN113392793A (zh) | 用于识别车道线的方法、装置、设备、存储介质以及无人车 | |
CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
CN116092055A (zh) | 训练方法、获取方法、装置、设备及自动驾驶车辆 | |
US20230222268A1 (en) | Automated Generation and Refinement of Variation Parameters for Simulation Scenarios | |
CN117151246B (zh) | 智能体决策方法、控制方法、电子设备及存储介质 | |
CN113978465A (zh) | 一种变道轨迹规划方法、装置、设备以及存储介质 | |
CN117104272A (zh) | 一种智能驾驶方法、系统、交通工具及存储介质 | |
CN115973179A (zh) | 模型训练方法、车辆控制方法、装置、电子设备及车辆 | |
CN115782876A (zh) | 一种变道轨迹生成方法、装置、设备及自动驾驶车辆 | |
CN113276860B (zh) | 车辆控制方法、装置、电子设备以及存储介质 | |
CN113483775B (zh) | 路径预测方法及装置、电子设备及计算机可读存储介质 | |
CN115285147A (zh) | 无人车的驾驶决策方法、装置及无人车 | |
CN115597619A (zh) | 车辆的路径规划方法、装置、电子设备及自动驾驶车辆 | |
CN115214722A (zh) | 自动驾驶方法、装置、电子设备、存储介质及车辆 | |
Pavelko et al. | Modification and Experimental Validation of a Logistic Regression Vehicle-Pedestrian Model | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN112100836B (zh) | 车辆边界参数的获取方法和装置 | |
CN114274980B (zh) | 轨迹控制方法、装置、车辆及存储介质 | |
US20230415767A1 (en) | Protolanes for testing autonomous vehicle intent | |
US20230415773A1 (en) | Validating protolanes with actor behavior flowcharts |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211207 |
|
RJ01 | Rejection of invention patent application after publication |