CN113753078A - 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 - Google Patents
障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 Download PDFInfo
- Publication number
- CN113753078A CN113753078A CN202110945483.2A CN202110945483A CN113753078A CN 113753078 A CN113753078 A CN 113753078A CN 202110945483 A CN202110945483 A CN 202110945483A CN 113753078 A CN113753078 A CN 113753078A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- information
- moving
- moving obstacle
- sampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000005070 sampling Methods 0.000 claims abstract description 102
- 230000008569 process Effects 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims description 94
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—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
- B60W40/04—Traffic conditions
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆,涉及自动驾驶和智能交通领域。具体实现方案为:首先获取当前车辆在行驶区域内的道路信息,以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息,然后根据采样信息确定至少一种移动障碍物的姿态信息,其中,姿态信息至少包括:移动障碍物的形状信息,进而根据道路信息以及移动障碍物的姿态信息,预测至少一种移动障碍物在下一时刻的移动轨迹。通过本公开,以至少解决现有技术中障碍物轨迹预测结果不准确的问题。
Description
技术领域
本公开涉及自动驾驶和智能交通技术领域,具体而言,涉及一种障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆。
背景技术
车辆进行自主移动时,需要对车辆在未来一段时间内的位置、姿态以及速度等参数进行预测,以便提前知道周围障碍物的信息,并预测障碍物在未来一段时间内的走向,从而避免在移动的过程中,车辆与障碍物进行碰撞。
其中,现有技术通常采用语义地图或者向量网络的方式预测障碍物的轨迹,但是,语义地图需要实时绘制且存在大量计算,从而导致障碍物轨迹预测结果不够准确的问题。而向量网络对于障碍物无差别对待,同样会造成障碍物轨迹预测结果不够准确的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本公开提供了一种障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆,以至少解决现有技术中障碍物轨迹预测结果不准确的问题。
根据本公开的一方面,提供了一种障碍物轨迹的预测方法,包括:首先获取当前车辆在行驶区域内的道路信息,以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息,然后根据采样信息确定至少一种移动障碍物的姿态信息,其中,姿态信息至少包括:移动障碍物的形状信息,进而根据道路信息以及移动障碍物的姿态信息,预测至少一种移动障碍物在下一时刻的移动轨迹。
进一步地,障碍物轨迹的预测方法还包括:获取当前车辆的车辆位置坐标,并确定当前车辆对至少一种移动障碍物进行采样的采样坐标,基于车辆位置坐标对至少一种移动障碍物的采样坐标进行坐标转换,得到至少一种移动障碍物的目标采样坐标,基于目标采样坐标确定至少一种移动障碍物的长度信息和宽度信息,其中,姿态信息至少包括长度信息和宽度信息。
进一步地,障碍物轨迹的预测方法还包括:以当前车辆的车辆位置坐标为原点对至少一种移动障碍物的采样坐标进行坐标转换,得到至少一种移动障碍物的目标采样坐标。
进一步地,障碍物的预测方法还包括:获取至少一种移动障碍物的障碍物类型、至少一种移动障碍物在第一时刻的第一位置坐标以及第二时刻的第二位置坐标,其中,第一时刻与第二时刻为不同的时刻,并基于第一向量网络将第一位置坐标、第二位置坐标、障碍物类型以及姿态信息构成至少一种移动障碍物的至少一个第一向量,从而基于第二向量网络将道路信息构成至少一个第二向量,进而根据至少一个第一向量和至少一个第二向量确定至少一种移动障碍物在行驶区域内的移动轨迹。
进一步地,障碍物的预测方法还包括:获取第一障碍物与第二障碍物之间的相对朝向角,其中,第一障碍物为至少一种移动障碍物中的任意一个障碍物,第二障碍物为至少一种移动障碍物中除第一障碍物之外的障碍物,并基于第一向量网络将相对朝向角、第一位置坐标、第二位置坐标、障碍物类型以及姿态信息构成至少一个第一向量。
进一步地,障碍物的预测方法还包括:确定至少一个第一向量所对应的第一矩阵,以及至少一个第二向量对应的第二矩阵;根据第一矩阵确定第一多边线段,并根据第二矩阵确定第二多边线段;将第一多边线段与第二多边线段进行组合处理,得到编码数据集,对编码数据集进行解码处理,得到至少一种移动障碍物在行驶区域内的移动轨迹。
进一步地,障碍物轨迹的预测方法还包括:获取当前车辆在行驶区域内中的预设道路的道路类型,并在预设地图上对道路信息进行采样,得到采样结果,从而基于第二向量网络将采样结果以及道路类型构成至少一个第二向量。
根据本公开的一方面,还提供了一种障碍物轨迹的预测装置,包括:获取模块,用于获取当前车辆在行驶区域内的道路信息,以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息;确定模块,用于根据采样信息确定至少一种移动障碍物的姿态信息,其中,姿态信息至少包括:移动障碍物的形状信息;预测模块,用于根据道路信息以及移动障碍物的姿态信息,预测至少一种移动障碍物在下一时刻的移动轨迹。
根据本公开的另一方面,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的障碍物轨迹的预测方法。
根据本公开的另一方面,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的障碍物轨迹的预测方法。
根据本公开的另一方面,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时实现上述的障碍物轨迹的预测方法。
根据本公开的另一方面,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,采用保留移动障碍物的姿态信息的方式,通过首先获取当前车辆在行驶区域内的道路信息,以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息,然后根据采样信息确定至少一种移动障碍物的姿态信息,其中,姿态信息至少包括:移动障碍物的形状信息,进而根据道路信息以及移动障碍物的姿态信息,预测至少一种移动障碍物在下一时刻的移动轨迹。
在上述过程中,本公开通过对当前车辆在行驶区域内的道路信息以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样,得到采样信息,从而无需采用实时绘制语义地图的方式便能得到有效信息,进而避免了由于实时绘制语义地图的过程中计算量过大以及存在延时性,导致的障碍物轨迹预测结果不准确的问题。而且,由于本公开通过采样信息确定了至少一种移动障碍物的姿态信息,因此可在道路信息的基础上结合移动障碍物的姿态信息预测障碍物的移动轨迹,从而解决了现有技术中由于缺失了障碍物的姿态信息,导致的障碍物轨迹预测结果不准确的问题,进而实现了提高障碍物轨迹预测准确度的效果。
由此可见,本公开所提供的方案达到了提高障碍物轨迹预测准确度的目的,从而实现了提高车辆行驶安全性的技术效果,进而解决了现有技术中障碍物轨迹预测结果不准确的问题。
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是根据现有技术的一种障碍物轨迹的预测方法示意图;
图2是根据现有技术的一种障碍物轨迹的预测方法示意图;
图3是根据本公开实施例1的一种障碍物轨迹的预测方法流程图;
图4是根据本公开实施例1的一种障碍物轨迹的预测方法流程图;
图5是根据本公开实施例1的一种障碍物轨迹的预测方法流程图;
图6是根据本公开实施例1的一种障碍物轨迹的预测方法流程图;
图7是根据本公开实施例2的一种障碍物轨迹的预测装置示意图;
图8是用来实现本公开实施例的障碍物轨迹的预测方法的电子设备的框图。
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。
实施例1
根据本公开实施例,提供了一种障碍物轨迹的预测方法的实施例,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。
此外,还需要说明的是,运行在车辆上的电子设备可作为本公开实施例所提供方法的执行主体,其中,该电子设备包括但不限于:微型计算机、智能平板、车载中控计算机以及车载笔记本电脑。
图1是根据现有技术的一种障碍物轨迹的预测方法示意图,如图1所示,现有技术通常采用语义地图的方式,首先将车辆的历史位置和道路等环境信息绘制在一张语义地图上,然后在语义地图绘制完成后,基于语音地图进行编码,最终再通过解码过程得到预测轨迹。但是,这种方法需要实时绘制出一张语义地图,并将所有的有效信息转化为像素点,整个过程存在大量的计算,而且由于实时绘制的过程中存在延时,会导致障碍物轨迹预测结果不够准确的问题。
另外,现有技术中还可采用向量网络的方式对障碍物的轨迹进行预测,如图2所示,将车辆的历史位置和道路等环境信息用一系列的坐标点来表示,并将坐标点连接成一系列向量,编码过程则基于此向量网络完成,待编码完成后再通过解码过程得到预测轨迹。但是,这种方法是采用序列化的点完成编码,丢失了障碍物的形状以及大小等空间信息,即对于障碍物进行无差别对待,从而造成了车辆轨迹预测结果不准确的问题。
由此可见,现有技术中的两种障碍物轨迹的预测方法,都存在障碍物轨迹预测结果不准确的缺陷。
图3是根据本公开实施例的障碍物轨迹的预测方法的流程图,如图3所示,该方法包括如下步骤:
步骤S302,获取当前车辆在行驶区域内的道路信息,以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息。
在一种可选的实施例中,当前车辆上的电子设备可以从预设地图上获取目标环境的环境信息,其中目标环境可以为当前车辆周围的环境,例如,以当前车辆为圆心,半径为30米的圆形区域作为目标环境,或者,以当前车辆为起点,车前与车后一百米内的区域作为目标环境。道路信息环境信息包括但不限于:过往车辆的速度,车辆的密集程度以及道路上是否有行人正在通过等信息。另外,电子设备在获取当前车辆所在行驶区域内的道路信息目标环境的环境信息的同时,还会获取当前车辆在历史时刻对至少一个目标车辆进行采样所得到的采样信息,其中,至少一种移动障碍物一个目标车辆包括但不限于:过往车辆、行人以及电动车等障碍物以及停在路上的障碍物车辆。例如,电子设备可以记录下当前车辆周围的障碍物车辆的位置,并且按照一定的采样时间对障碍物车辆的历史轨迹进行离散采样,并记录下障碍物车辆的坐标点等采样信息。
需要说明的是,采样过程中可使用离散采样的方式,从而后续可将所有的信息用离散点的方式进行编码,减少了编码的计算量,优化障碍物轨迹预测过程的时延性。
步骤S304,根据采样信息确定至少一种移动障碍物的姿态信息,其中,姿态信息至少包括:移动障碍物的形状信息。
在一种可选的实施例中,在采样的过程中,电子设备还可通过传感器获取至少一个移动障碍物目标车辆的数据,并且记录传感器检测到的所有的移动障碍物目标车辆在历史时刻的边缘形状的信息,将组成边缘形状的各个点分布在坐标系上,并在坐标系上连接各个点组成多边形,其中,历史时刻与上述历史轨迹采样点所对应的时刻一致。例如,当前时间为8:00,电子设备在7:55时对道路上某一障碍物车辆进行采样,记录该障碍物车辆的坐标点,同时在7:55时,电子设备通过传感器记录下该障碍物车辆的边缘形状,并且对障碍物车辆的边缘形状的各个点的坐标进行记录,进而在坐标系中将各个点连接成一个多边形,该多边形即可表征障碍物车辆的形状信息,通过该过程,电子设备根据采样信息,便可确定一种移动障碍物的姿态信息至少一个目标车辆的车辆形状信息。
需要注意到的是,在车辆行驶的过程中,道路上会有各种各样的车辆,例如,大型卡车、小型汽车以及电动车等车辆,这些车辆的大小和形状各不相同,如果将所有的车辆都无差别对待,会导致车辆轨迹障碍物轨迹的预测结果不准确,甚至发生交通事故,本公开根据采样信息确定目标车辆的车辆形状信息,从而可在车辆轨迹障碍物轨迹预测的过程中,附加上目标障碍物车辆的轮廓以及大小等车辆形状信息,进行实现了提高车辆轨迹障碍物轨迹预测的准确率。
步骤S306,根据道路信息以及移动障碍物的姿态信息,预测至少一种移动障碍物在下一时刻的移动轨迹。
在一种可选的实施例中,电子设备在得到上述当前车辆所在目标环境的环境信息以及至少一个障碍物的姿态信息后,经过综合处理,对至少一个障碍物的移动轨迹进行预测。其中,电子设备可通过向量网络将道路信息以及姿态信息都转换为向量,然后进一步地将向量组合成矩阵并连接成多边线段,从而形成编码数据集,进而对编码数据集进行解码即可得到至少一个障碍物的移动轨迹。
需要注意到是,本公开所得到的至少一个障碍物在目标环境下的移动轨迹,是基于道路信息以及姿态信息得到的,即包含了障碍物的轮廓、大小等更多的障碍物信息以及道路信息,从而有效提高了障碍物轨迹的预测准确率。
基于上述步骤S302至S306所限定的方案,可以获知,在本公开实施例中,采用保留移动障碍物的姿态信息的方式,通过首先获取当前车辆在行驶区域内的道路信息,以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息,然后根据采样信息确定至少一种移动障碍物的姿态信息,其中,姿态信息至少包括:移动障碍物的形状信息,进而根据道路信息以及移动障碍物的姿态信息,预测至少一种移动障碍物在下一时刻的移动轨迹。
容易注意到的是,在上述过程中,本公开通过对当前车辆在行驶区域内的道路信息以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样,得到采样信息,从而无需采用实时绘制语义地图的方式便能得到有效信息,进而避免了由于实时绘制语义地图的过程中计算量过大以及存在延时性,导致的障碍物轨迹预测结果不准确的问题。而且,由于本公开通过采样信息确定了至少一种移动障碍物的姿态信息,因此可在道路信息的基础上结合移动障碍物的姿态信息预测障碍物的移动轨迹,从而解决了现有技术中由于缺失了障碍物的姿态信息,导致的障碍物轨迹预测结果不准确的问题,进而实现了提高障碍物轨迹预测准确度的效果。
由此可见,本公开所提供的方案达到了提高障碍物轨迹预测准确度的目的,从而实现了提高车辆行驶安全性的技术效果,进而解决了现有技术中障碍物轨迹预测结果不准确的问题。
在一种可选的实施例中,电子设备获取当前车辆的车辆位置坐标,并确定当前车辆对至少一种移动障碍物进行采样的采样坐标,基于车辆位置坐标对至少一种移动障碍物的采样坐标进行坐标转换,得到至少一种移动障碍物的目标采样坐标,基于目标采样坐标确定至少一种移动障碍物的长度信息和宽度信息,其中,姿态信息至少包括长度信息和宽度信息。
可选的,电子设备可通过传感器获取至少一个障碍物的数据,并且记录传感器检测到的所有的障碍物在历史时刻的边缘形状的信息,将组成边缘形状的各个点分布在坐标系上,并在坐标系上连接各个点组成多边形,例如,如图4所示,电子设备通过传感器记录了M个车辆(M00,M01,M02…M0n)在过去T个采样时长内(T00,T01,T02…T0n)的位置,每个时刻有N个坐标点,分别为(X0,Y0),(X1,Y1),(X2,Y2)…(Xn,Yn)。
进一步的,如图4所示,电子设备查询所有障碍物,对于上述N个坐标点,计算出X_min,X_max,Y_min,Y_max,并将障碍物的长宽定义为(X_max-X_min,Y_max-Y_min),进而电子设备将障碍物的长宽(X_max-X_min,Y_max-Y_min)作为姿态信息附加到第一向量网络中。
需要注意到的是,通过上述过程,将障碍物的采样坐标进行坐标转换,从而利用坐标计算得出障碍物的长度以及宽度等车辆形状信息,从而达到了获取障碍物的姿态信息的目的,实现了提高障碍物轨迹预测的准确度的效果。
在一种可选的实施例中,电子设备以当前车辆的车辆位置坐标为原点对至少一种移动障碍物的采样坐标进行坐标转换,得到至少一种移动障碍物的目标采样坐标。
可选的,如图4所示,电子设备以当前车辆为中心,将所有障碍物的边缘形状的各点坐标进行旋转,从而使得当前车辆处于坐标系的(0,0)的位置,并朝向X轴正方向,障碍物与当前车辆的相对位置和方向不变,从而得到新的障碍物的边缘形状的各个坐标点,并进一步的更新X_min,X_max,Y_min,Y_max,进而根据更新后的X_min,X_max,Y_min,Y_max,计算障碍物的长度以及宽度。
通过上述坐标转换,以当前车辆的车辆位置坐标为原点,所有的障碍物与当前车辆的相对位置和方向都不变,可简化计算过程,提高障碍物轨迹的预测效率。
在一种可选的实施例中,电子设备获取至少一种移动障碍物的障碍物类型、至少一种移动障碍物在第一时刻的第一位置坐标以及第二时刻的第二位置坐标,其中,第一时刻与第二时刻为不同的时刻,并基于第一向量网络将第一位置坐标、第二位置坐标、障碍物类型以及姿态信息构成至少一种移动障碍物的至少一个第一向量,从而基于第二向量网络将道路信息构成至少一个第二向量,进而根据至少一个第一向量和至少一个第二向量确定至少一种移动障碍物在行驶区域内的移动轨迹。
可选的,其中,第一时刻可以是当前时刻,第二时刻可以为下一时刻,对应的,第一位置坐标可以是当前时刻坐标。第二位置坐标可以是下一时刻坐标。如图5所示,电子设备在获取障碍物的姿态信息时,可对障碍物的历史位置进行离散采样,并且记录坐标点,同时电子设备还会获取障碍物的类型的信息,当前时刻坐标以及下一时刻坐标,从而电子设备可基于第一向量网络将相邻采样点组成第一向量,例如,当前坐标+下一时刻坐标+车辆类别+车辆形状信息。
进一步地,如图6所示,电子设备通过离散采样的方式获取道路边界等道路信息后,可基于第二向量网络将环境信息根据相邻采样点扩展成第二向量。进而电子设备根据至少一个第一向量和至少一个第二向量确定至少一个障碍物在道路上的移动轨迹。
通过上述过程,将姿态信息附加到第二向量中,实现了在进行障碍物轨迹预测时,考虑到障碍物的姿态信息,提高障碍物轨迹预测准确度的效果。
在一种可选的实施例中,电子设备获取第一障碍物与第二障碍物之间的相对朝向角,其中,第一障碍物为至少一种移动障碍物中的任意一个障碍物,第二障碍物为至少一种移动障碍物中除第一障碍物之外的障碍物,并基于第一向量网络将相对朝向角、第一位置坐标、第二位置坐标、障碍物类型以及姿态信息构成至少一个第一向量。
可选的,如图4所示,电子设备可以将X_min,X_max,Y_min,Y_max的坐标直接加入到第一向量网络中,同时在第一位置坐标、第二位置坐标、障碍物类型以及姿态信息的基础上,将障碍物的边缘形状的N个坐标点以及上述相对朝向角都添加到向量网络中,进而组成至少一个第一向量。
通过上述过程,可以基于多个障碍物之间的相对朝向角,预测障碍物的轨迹,进一步地提高障碍物轨迹的预测准确度。
在一种可选的实施例中,确定至少一个第一向量所对应的第一矩阵,以及至少一个第二向量对应的第二矩阵;根据第一矩阵确定第一多边线段,并根据第二矩阵确定第二多边线段;将第一多边线段与第二多边线段进行组合处理,得到编码数据集,对编码数据集进行解码处理,得到至少一种移动障碍物在行驶区域内的移动轨迹。
可选的,如图5所示,电子设备在得到至少一个第一向量后,可将所有向量组成矩阵,即第一矩阵,并进而将相邻点的第一向量连接成线段,即在第一矩阵的基础上得到第一多边线段。另外,如图6所示,电子设备在得到至少一个第二向量后,可将所有向量组成矩阵,即第二矩阵,并进而将相邻点的第二向量连接成线段,即在第二矩阵的基础上得到第二多边线段。
进一步地,电子设备将包含姿态信息等历史信息的第一多边线段以及包含环境信息的第二多边线段组合,从而得到编码数据集,当对编码数据集进行解码处理时,即可得到至少一个障碍物在道路上的移动轨迹。
需要注意到的,上述过程中得到的障碍物的移动轨迹,是基于道路信息以及姿态信息得到的,即包含了障碍物的轮廓、大小等更多的障碍物信息以及道路信息,从而有效提高了障碍物轨迹的预测准确率。
在一种可选的实施例中,获取当前车辆在行驶区域内中的预设道路的道路类型,并在预设地图上对道路信息进行采样,得到采样结果,从而基于第二向量网络将采样结果以及道路类型构成至少一个第二向量。
可选的,如图6所示,上述道路类型包括但不限于:车道边界、人行横道边界以及十字路口边界。电子设备可通过预设地图对当前车辆周围的道路信息每隔一段距离进行离散采样,进而按照相邻采样点扩展成向量的方式,通过第二向量网络将采样结果以及道路类型组成第二向量,例如,前坐标+下一个点坐标+车道边界。
通过上述过程,无需采用实时绘制语义地图的方式便能得到有效的道路信息,进而避免了由于实时绘制语义地图的过程中计算量过大以及存在延时性,导致的障碍物轨迹预测结果不准确的问题。
由上述内容可知,本公开通过采样信息确定了至少一种移动障碍物的姿态信息,因此可在道路信息的基础上结合移动障碍物的姿态信息预测一种障碍物的移动轨迹,从而解决了现有技术中由于缺失了障碍物的姿态信息,导致的障碍物轨迹预测结果不准确的问题,进而实现了提高障碍物轨迹预测准确度的效果。
实施例2
根据本公开实施例,还提供了一种障碍物轨迹的预测装置实施例,其中,图7是根据本公开实施例2的一种障碍物轨迹的预测装置示意图,该装置包括:获取模块701,用于获取当前车辆在行驶区域内的道路信息,以及当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息;确定模块703,用于根据采样信息确定至少一种移动障碍物的姿态信息,其中,姿态信息至少包括:移动障碍物的形状信息;预测模块705,用于根据道路信息以及移动障碍物的姿态信息,预测至少一种移动障碍物在下一时刻的移动轨迹。
需要说明的是,上述获取模块701、确定模块703以及预测模块705对应于上述实施例中的步骤S302至步骤S306,三个模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选的,确定模块包括:第一获取模块、第一确定模块、转换模块以及第二确定模块。其中,第一获取模块,用于获取当前车辆的车辆位置坐标;第一确定模块,用于确定当前车辆对至少一种移动障碍物进行采样的采样坐标;转换模块,用于基于车辆位置坐标对至少一种移动障碍物的采样坐标进行坐标转换,得到至少一种移动障碍物的目标采样坐标;第二确定模块,用于基于目标采样坐标确定至少一种移动障碍物的长度信息和宽度信息,其中,姿态信息至少包括长度信息和宽度信息。
可选的,转换模块包括:第一转换模块,用于以当前车辆的车辆位置坐标为原点对至少一种移动障碍物的采样坐标进行坐标转换,得到至少一种移动障碍物的目标采样坐标。
可选的,预测模块包括:第二获取模块、第一构成模块、第二构成模块以及第三确定模块,其中,第二获取模块,用于获取至少一种移动障碍物的障碍物类型、至少一种移动障碍物在第一时刻的第一位置坐标以及第二时刻的第二位置坐标,其中,第一时刻与第二时刻为不同的时刻;第一构成模块,用于基于第一向量网络将第一位置坐标、第二位置坐标、障碍物类型以及姿态信息构成至少一种移动障碍物的至少一个第一向量;第二构成模块,用于基于第二向量网络将道路信息构成至少一个第二向量;第三确定模块,用于根据至少一个第一向量和至少一个第二向量确定至少一种移动障碍物在行驶区域内的移动轨迹。
可选的,第一构成模块包括:第三获取模块以及第三构成模块,其中,第三获取模块,用于获取第一障碍物与第二障碍物之间的相对朝向角,其中,第一障碍物为至少一种移动障碍物中的任意一个障碍物,第二障碍物为至少一种移动障碍物中除第一障碍物之外的障碍物;第三构成模块,用于基于第一向量网络将相对朝向角、第一位置坐标、第二位置坐标、障碍物类型以及姿态信息构成至少一个第一向量。
可选的,第三确定模块包括:第四确定模块、第五确定模块、组合模块以及解码模块。其中,第四确定模块,用于确定至少一个第一向量所对应的第一矩阵,以及至少一个第二向量对应的第二矩阵;第五确定模块,用于根据第一矩阵确定第一多边线段,并根据第二矩阵确定第二多边线段;组合模块,用于将第一多边线段与第二多边线段进行组合处理,得到编码数据集;解码模块,用于对编码数据集进行解码处理,得到至少一种移动障碍物在行驶区域内的移动轨迹。
可选的,第二构成模块包括:第四获取模块、采样模块以及第四构成模块。其中,第四获取模块,用于获取当前车辆在行驶区域内中的预设道路的道路类型;采样模块,用于在预设地图上对道路信息进行采样,得到采样结果;第四构成模块,用于基于第二向量网络将采样结果以及道路类型构成至少一个第二向量。
实施例3
根据本公开实施例的另一方面,还提供一种电子设备,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实施例1中的障碍物轨迹的预测方法。
实施例4
根据本公开实施例的另一方面,还提供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实施例1中的障碍物轨迹的预测方法。
实施例5
根据本公开实施例的另一方面,还提供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时实现上述实施例1中的障碍物轨迹的预测方法。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理,例如车辆轨迹的预测方法。例如,在一些实施例中,车辆轨迹的预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的车辆轨迹的预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆轨迹的预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
实施例6
根据本公开实施例的另一方面,还提供一种自动驾驶车辆,包括如上述实施例3中的电子设备,其中,自动驾驶车辆包括但不限于:传统燃油汽车、新能源汽车以及智能电动车等交通工具。自动驾驶车辆可以基于电子设备执行上述实施例1中的本公开实施例的障碍物轨迹的预测方法,从而根据上述本公开实施例的障碍物轨迹的预测方法所预测的障碍物轨迹,实现自动驾驶,避免与障碍物相撞,提高自动驾驶的安全性。
通过上述过程,在自动驾驶车辆中安装可执行上述本公开实施例的障碍物轨迹的预测方法的电子设备,并根据上述本公开实施例的障碍物轨迹的预测方法所预测的障碍物轨迹,实现自动驾驶。由于本公开实施例的障碍物轨迹的预测方法通过采样信息确定了至少一种移动障碍物的姿态信息,因此可在道路信息的基础上结合移动障碍物的姿态信息预测障碍物的移动轨迹,从而解决了现有技术中由于缺失了障碍物的姿态信息,导致的障碍物轨迹预测结果不准确的问题,进而实现了提高障碍物轨迹预测准确度,增强自动驾驶车辆自动驾驶过程中的安全性的效果。
由此可见,本公开所提供的方案达到了提高障碍物轨迹预测准确度的目的,从而实现了提高车辆行驶安全性的技术效果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (18)
1.一种障碍物轨迹的预测方法,包括:
获取当前车辆在行驶区域内的道路信息,以及所述当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息;
根据所述采样信息确定所述至少一种移动障碍物的姿态信息,其中,所述姿态信息至少包括:所述移动障碍物的形状信息;
根据所述道路信息以及所述移动障碍物的姿态信息,预测所述至少一种移动障碍物在下一时刻的移动轨迹。
2.根据权利要求1所述的方法,其中,所述根据所述采样信息确定所述至少一种移动障碍物的姿态信息,包括:
获取所述当前车辆的车辆位置坐标;
确定所述当前车辆对所述至少一种移动障碍物进行采样的采样坐标;
基于所述车辆位置坐标对所述至少一种移动障碍物的采样坐标进行坐标转换,得到所述至少一种移动障碍物的目标采样坐标;
基于所述目标采样坐标确定所述至少一种移动障碍物的长度信息和宽度信息,其中,所述姿态信息至少包括所述长度信息和所述宽度信息。
3.根据权利要求2所述的方法,其中,所述基于所述车辆位置坐标对所述至少一种移动障碍物的采样坐标进行坐标转换,得到所述至少一种移动障碍物的目标采样坐标,包括:
以所述当前车辆的车辆位置坐标为原点对所述至少一种移动障碍物的采样坐标进行坐标转换,得到所述至少一种移动障碍物的目标采样坐标。
4.根据权利要求1所述的方法,所述根据所述道路信息以及所述移动障碍物的姿态信息,预测所述至少一种移动障碍物在下一时刻的移动轨迹,包括:
获取所述至少一种移动障碍物的障碍物类型、所述至少一种移动障碍物在第一时刻的第一位置坐标以及第二时刻的第二位置坐标,其中,所述第一时刻与所述第二时刻为不同的时刻;
基于第一向量网络将所述第一位置坐标、所述第二位置坐标、所述障碍物类型以及所述姿态信息构成所述至少一种移动障碍物的至少一个第一向量;
基于第二向量网络将所述道路信息构成至少一个第二向量;
根据所述至少一个第一向量和所述至少一个第二向量确定所述至少一种移动障碍物在所述行驶区域内的移动轨迹。
5.根据权利要求4所述的方法,所述基于第一向量网络将所述第一位置坐标、所述第二位置坐标、所述障碍物类型以及所述姿态信息构成所述至少一种移动障碍物的至少一个第一向量,包括:
获取第一障碍物与第二障碍物之间的相对朝向角,其中,所述第一障碍物为所述至少一种移动障碍物中的任意一个障碍物,所述第二障碍物为所述至少一种移动障碍物中除所述第一障碍物之外的障碍物;
基于所述第一向量网络将所述相对朝向角、所述第一位置坐标、所述第二位置坐标、所述障碍物类型以及所述姿态信息构成所述至少一个第一向量。
6.根据权利要求4或5所述的方法,所述根据所述至少一个第一向量和所述至少一个第二向量确定所述至少一种移动障碍物在所述行驶区域内的移动轨迹,包括:
确定所述至少一个第一向量所对应的第一矩阵,以及所述至少一个第二向量对应的第二矩阵;
根据所述第一矩阵确定第一多边线段,并根据所述第二矩阵确定第二多边线段;
将所述第一多边线段与所述第二多边线段进行组合处理,得到编码数据集;
对所述编码数据集进行解码处理,得到所述至少一种移动障碍物在所述行驶区域内的移动轨迹。
7.根据权利要求4所述的方法,所述基于第二向量网络将所述道路信息构成至少一个第二向量,包括:
获取所述当前车辆在所述行驶区域内中的预设道路的道路类型;
在预设地图上对所述道路信息进行采样,得到采样结果;
基于所述第二向量网络将所述采样结果以及所述道路类型构成所述至少一个第二向量。
8.一种障碍物轨迹的预测装置,包括:
获取模块,用于获取当前车辆在行驶区域内的道路信息,以及所述当前车辆在历史行驶过程中对至少一种移动障碍物进行采样所得到的采样信息;
确定模块,用于根据所述采样信息确定所述至少一种移动障碍物的姿态信息,其中,所述姿态信息至少包括:所述移动障碍物的形状信息;
预测模块,用于根据所述道路信息以及所述移动障碍物的姿态信息,预测所述至少一种移动障碍物在下一时刻的移动轨迹。
9.根据权利要求8所述的装置,其中,所述确定模块包括:
第一获取模块,用于获取所述当前车辆的车辆位置坐标;
第一确定模块,用于确定所述当前车辆对所述至少一种移动障碍物进行采样的采样坐标;
转换模块,用于基于所述车辆位置坐标对所述至少一种移动障碍物的采样坐标进行坐标转换,得到所述至少一种移动障碍物的目标采样坐标;
第二确定模块,用于基于所述目标采样坐标确定所述至少一种移动障碍物的长度信息和宽度信息,其中,所述姿态信息至少包括所述长度信息和所述宽度信息。
10.根据权利要求9所述的装置,其中,所述转换模块包括:
第一转换模块,用于以所述当前车辆的车辆位置坐标为原点对所述至少一种移动障碍物的采样坐标进行坐标转换,得到所述至少一种移动障碍物的目标采样坐标。
11.根据权利要求8所述的装置,所述预测模块包括:
第二获取模块,用于获取所述至少一种移动障碍物的障碍物类型、所述至少一种移动障碍物在第一时刻的第一位置坐标以及第二时刻的第二位置坐标,其中,所述第一时刻与所述第二时刻为不同的时刻;
第一构成模块,用于基于第一向量网络将所述第一位置坐标、所述第二位置坐标、所述障碍物类型以及所述姿态信息构成所述至少一种移动障碍物的至少一个第一向量;
第二构成模块,用于基于第二向量网络将所述道路信息构成至少一个第二向量;
第三确定模块,用于根据所述至少一个第一向量和所述至少一个第二向量确定所述至少一种移动障碍物在所述行驶区域内的移动轨迹。
12.根据权利要求11所述的装置,所述第一构成模块包括:
第三获取模块,用于获取第一障碍物与第二障碍物之间的相对朝向角,其中,所述第一障碍物为所述至少一种移动障碍物中的任意一个障碍物,所述第二障碍物为所述至少一种移动障碍物中除所述第一障碍物之外的障碍物;
第三构成模块,用于基于所述第一向量网络将所述相对朝向角、所述第一位置坐标、所述第二位置坐标、所述障碍物类型以及所述姿态信息构成所述至少一个第一向量。
13.根据权利要求11或12所述的装置,所述第三确定模块包括:
第四确定模块,用于确定所述至少一个第一向量所对应的第一矩阵,以及所述至少一个第二向量对应的第二矩阵;
第五确定模块,用于根据所述第一矩阵确定第一多边线段,并根据所述第二矩阵确定第二多边线段;
组合模块,用于将所述第一多边线段与所述第二多边线段进行组合处理,得到编码数据集;
解码模块,用于对所述编码数据集进行解码处理,得到所述至少一种移动障碍物在所述行驶区域内的移动轨迹。
14.根据权利要求11所述的装置,所述第二构成模块包括:
第四获取模块,用于获取所述当前车辆在所述行驶区域内中的预设道路的道路类型;
采样模块,用于在预设地图上对所述道路信息进行采样,得到采样结果;
第四构成模块,用于基于所述第二向量网络将所述采样结果以及所述道路类型构成所述至少一个第二向量。
15.一种电子设备,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至7中任一项所述的障碍物轨迹的预测方法。
16.一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至7中任一项所述的障碍物轨迹的预测方法。
17.一种计算机程序产品,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至7中任一项所述的障碍物轨迹的预测方法。
18.一种自动驾驶车辆,包括如权利要求15所述电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945483.2A CN113753078B (zh) | 2021-08-17 | 2021-08-17 | 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945483.2A CN113753078B (zh) | 2021-08-17 | 2021-08-17 | 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113753078A true CN113753078A (zh) | 2021-12-07 |
CN113753078B CN113753078B (zh) | 2023-09-01 |
Family
ID=78790194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110945483.2A Active CN113753078B (zh) | 2021-08-17 | 2021-08-17 | 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113753078B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115185271A (zh) * | 2022-06-29 | 2022-10-14 | 禾多科技(北京)有限公司 | 导航路径生成方法、装置、电子设备和计算机可读介质 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940979A (zh) * | 2019-10-28 | 2020-03-31 | 杭州飞步科技有限公司 | 障碍物检测方法、装置、设备以及存储介质 |
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 |
US20200406893A1 (en) * | 2019-06-28 | 2020-12-31 | Baidu Usa Llc | Method for autonomously driving a vehicle based on moving trails of obstacles surrounding the vehicle |
CN112651557A (zh) * | 2020-12-25 | 2021-04-13 | 际络科技(上海)有限公司 | 轨迹预测系统及方法、电子设备及可读存储介质 |
CN113104033A (zh) * | 2021-05-11 | 2021-07-13 | 东风柳州汽车有限公司 | 低速自动驾驶方法、装置、设备及存储介质 |
EP3858697A1 (en) * | 2019-08-12 | 2021-08-04 | Huawei Technologies Co., Ltd. | Obstacle avoidance method and device |
CN113246973A (zh) * | 2021-06-11 | 2021-08-13 | 北京三快在线科技有限公司 | 障碍物的轨迹预测方法、装置、存储介质及电子设备 |
-
2021
- 2021-08-17 CN CN202110945483.2A patent/CN113753078B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200406893A1 (en) * | 2019-06-28 | 2020-12-31 | Baidu Usa Llc | Method for autonomously driving a vehicle based on moving trails of obstacles surrounding the vehicle |
EP3858697A1 (en) * | 2019-08-12 | 2021-08-04 | Huawei Technologies Co., Ltd. | Obstacle avoidance method and device |
CN110940979A (zh) * | 2019-10-28 | 2020-03-31 | 杭州飞步科技有限公司 | 障碍物检测方法、装置、设备以及存储介质 |
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 |
CN112651557A (zh) * | 2020-12-25 | 2021-04-13 | 际络科技(上海)有限公司 | 轨迹预测系统及方法、电子设备及可读存储介质 |
CN113104033A (zh) * | 2021-05-11 | 2021-07-13 | 东风柳州汽车有限公司 | 低速自动驾驶方法、装置、设备及存储介质 |
CN113246973A (zh) * | 2021-06-11 | 2021-08-13 | 北京三快在线科技有限公司 | 障碍物的轨迹预测方法、装置、存储介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115185271A (zh) * | 2022-06-29 | 2022-10-14 | 禾多科技(北京)有限公司 | 导航路径生成方法、装置、电子设备和计算机可读介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113753078B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113272830A (zh) | 行为预测系统中的轨迹表示 | |
CN113753078B (zh) | 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 | |
CN114036253A (zh) | 高精地图数据处理方法、装置、电子设备和介质 | |
CN114829225A (zh) | 自主载具的条件行为预测 | |
CN115909749A (zh) | 车辆运行道路风险预警方法、装置、设备及存储介质 | |
CN114506343A (zh) | 轨迹规划方法、装置、设备、存储介质及自动驾驶车辆 | |
CN116499487B (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN113722342A (zh) | 高精地图要素变更检测方法、装置、设备及自动驾驶车辆 | |
CN113978465A (zh) | 一种变道轨迹规划方法、装置、设备以及存储介质 | |
CN117168488A (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN113650603B (zh) | 用于自动泊车的方法、装置、设备和计算机可读存储介质 | |
CN115583254A (zh) | 路径规划方法、装置、设备以及自动驾驶车辆 | |
CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
CN114620039A (zh) | 轨迹修正方法、设备、云控平台和自动驾驶车辆 | |
CN114715151A (zh) | 车辆控制方法、装置、电子设备、介质和自动驾驶车辆 | |
CN114655254A (zh) | 自动驾驶车辆控制方法、装置及电子设备 | |
CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN114179805A (zh) | 一种行驶方向确定方法、装置、设备以及存储介质 | |
CN113791564B (zh) | 远程控制的方法、装置、设备、云端服务器及控制系统 | |
CN114999204B (zh) | 导航信息处理方法、装置、设备及存储介质 | |
CN113947897B (zh) | 获取道路交通状况的方法、装置、设备及自动驾驶车辆 | |
CN114590248B (zh) | 行驶策略的确定方法、装置、电子设备和自动驾驶车辆 | |
CN116811872A (zh) | 车辆的变道方法、装置、电子设备及存储介质 | |
CN114817430A (zh) | 轨迹数据处理方法、模型训练方法、装置及自动驾驶车辆 | |
CN116453374A (zh) | 一种信息显示方法、装置、电子设备及存储介质 |
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 |