CN113848913A - 一种无人驾驶设备的控制方法及控制装置 - Google Patents
一种无人驾驶设备的控制方法及控制装置 Download PDFInfo
- Publication number
- CN113848913A CN113848913A CN202111141446.2A CN202111141446A CN113848913A CN 113848913 A CN113848913 A CN 113848913A CN 202111141446 A CN202111141446 A CN 202111141446A CN 113848913 A CN113848913 A CN 113848913A
- Authority
- CN
- China
- Prior art keywords
- lane change
- decision
- change decision
- factor
- unmanned
- 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 66
- 230000008859 change Effects 0.000 claims abstract description 239
- 230000006978 adaptation Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Abstract
本说明书公开了一种无人驾驶设备的控制方法及控制装置,该无人驾驶设备的控制方法包括:获取无人驾驶设备当前时刻的车辆状态和路况信息,根据车辆状态和路况信息,确定各换道决策,以及,将车辆状态和路况信息输入到预先训练的权重模型,确定无人驾驶设备在当前路况信息对应的环境中行驶时,换道决策中包含的各决策因子对应的偏好权重,针对每个换道决策,根据偏好权重,以及该换道决策中的各决策因子,确定在当前环境下该换道决策与无人驾驶设备之间的适配度,作为该换道决策对应的适配度,根据每个换道决策对应的适配度,从各换道决策中选取目标换道决策,并按照所述目标换道决策,对无人驾驶设备进行控制。
Description
技术领域
本说明书涉及无人驾驶领域,尤其涉及一种无人驾驶设备的控制方法及控制装置。
背景技术
随着科学的进步,无人驾驶技术得到突飞猛进的发展,近年来,无人驾驶技术除了实现车辆控制、路径规划、感知融合等功能外,还涉及到了人工智能、机器学习、深度学习、强化学习等前沿领域。车辆通过多种车载传感器(如摄像头、激光雷达、毫米波雷达、GPS、惯性传感器等)来识别车辆所处的周边环境和状态,并根据所获得的环境信息(包括道路信息、交通信息、车辆位置和障碍物信息等)自主做出分析和判断,从而使车辆像人类驾驶员一样,在保证安全和交通规则的前提下实现车辆的自主行驶。
目前,在无人驾驶过程中,车辆往往在需要变道的情况下才会按照预设的指令进行变道,而且车辆的换道决策通常不会综合考虑到对应场景下的行驶效率和安全性,因此即便在不同的场景下,车辆的换道决策也是相同的,这样很难满足不同场景下的行驶需求,保证行驶安全和行驶效率。
因此,在无人驾驶过程中如何让车辆根据不同场景选择合理的换道决策,使其安全,快速到达目的地,是一个亟待解决的问题。
发明内容
本说明书提供一种无人驾驶设备的控制方法及控制装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种无人驾驶设备的控制方法,所述方法应用于执行无人配送业务,包括:
获取无人驾驶设备当前时刻的车辆状态和路况信息;
根据所述车辆状态和路况信息,确定各换道决策,以及,将所述车辆状态和路况信息输入到预先训练的权重模型,确定所述无人驾驶设备在所述路况信息对应的环境中行驶时,换道决策中包含的各决策因子对应的偏好权重;
针对每个换道决策,根据所述偏好权重,以及该换道决策中的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度,作为该换道决策对应的适配度;
根据每个换道决策对应的适配度,从各换道决策中选取所述无人驾驶设备在所述当前时刻采用的目标换道决策,并按照所述目标换道决策,对所述无人驾驶设备进行控制。
可选地,所述决策因子包括:安全因子、效率因子以及平稳因子中的至少一种;其中
所述安全因子用于表征所述无人驾驶设备执行换道决策后周围障碍物的密集程度;
所述效率因子用于表征所述无人驾驶设备执行换道决策后到达终点的行驶效率;
所述平稳因子用于表征所述无人驾驶设备按照换道策略进行换道时的行驶平稳状况。
可选地,训练所述权重模型,具体包括:
获取样本数据集,其中,针对所述样本数据集中包含的每个训练样本,该训练样本中包含有指定设备的历史车辆状态和历史路况信息;
根据所述历史车辆状态和所述历史路况信息,确定针对所述指定设备的各历史换道决策,以及将所述历史车辆状态和所述历史路况信息输入到所述权重模型,确定所述指定设备在所述历史路况信息对应的历史环境中行驶时,历史换道决策中包含的各决策因子对应的预测偏好权重;
针对每个历史换道决策,根据所述预测偏好权重,以及该历史换道决策中的各决策因子,确定在所述历史环境下该历史换道决策与所述指定设备之间的适配度,作为该历史换道决策对应的适配度;
根据每个历史换道决策对应的适配度,从各历史换道决策中选取待优化换道决策,并以最小化所述待优化换道决策与该训练样本对应的实际换道决策之间的偏差为优化目标,对所述权重模型进行训练。
可选地,针对每个换道决策,根据所述偏好权重,以及该换道决策中的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度,具体包括:
根据所述偏好权重,调整该换道决策中包含的各决策因子的默认偏好权重,得到该换道决策中包含的各决策因子的调整后偏好权重;
根据所述调整后偏好权重,以及该换道决策中包含的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度。
可选地,根据所述偏好权重,调整该换道决策中包含的各决策因子的默认偏好权重,得到该换道决策中包含的各决策因子的调整后偏好权重,具体包括:
若该换道决策中包含的各决策因子的默认偏好权重,为该换道决策作为所述无人驾驶设备上一时刻采用的目标换道决策包含的各决策因子的偏好权重,确定所述无人驾驶设备在当前时刻确定出的该换道决策包含的各决策因子对应的偏好权重,与所述默认偏好权重之间的偏差;
根据所述偏差,调整所述默认偏好权重,得到该换道决策中包含的各决策因子的调整后偏好权重。
可选地,若所述偏差越大,所述调整后偏好权重与所述无人驾驶设备在当前时刻确定出的该换道决策包含的各决策因子对应的偏好权重之间的差异越大。
可选地,所述方法还包括:
根据所述目标换道决策,和所述样本数据集中与所述环境相匹配的换道决策之间的偏差,对所述权重模型的模型参数进行更新,得到更新后的权重模型;
根据所述更新后的权重模型,以及获取到的所述无人驾驶设备在下一时刻的车辆状态和路况信息,确定所述无人驾驶设备在所述下一时刻所采用的目标换道策略。
本说明书提供了一种无人驾驶设备的控制装置,所述装置应用于执行无人配送业务,包括:
获取模块,获取无人驾驶设备当前时刻的车辆状态和路况信息;
确定模块,根据所述车辆状态和路况信息,确定各换道决策,以及,将所述车辆状态和路况信息输入到预先训练的权重模型,确定所述无人驾驶设备在所述路况信息对应的环境中行驶时,换道决策中包含的各决策因子对应的偏好权重;
决策模块,针对每个换道决策,根据所述偏好权重,以及该换道决策中的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度,作为该换道决策对应的适配度;
控制模块,根据每个换道决策对应的适配度,从各换道决策中选取所述无人驾驶设备在所述当前时刻采用的目标换道决策,并按照所述目标换道决策,对所述无人驾驶设备进行控制。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述无人驾驶设备的控制方法。
本说明书提供了一种无人驾驶设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述无人驾驶设备的控制方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的无人驾驶设备的控制方法中,当无人驾驶设备准备换道时,首先获取无人驾驶设备当前时刻的车辆状态和路况信息,确定各换道决策,并通过权重模型确定该换道决策中各决策因子对应的偏好权重,最后通过各决策因子和各决策因子对应的偏好权重,确定各换道决策的匹配度,选取并执行与当前环境相匹配的换道决策。
从上述方法可以看出,无人驾驶设备在行驶过程中,会充分考虑当前行驶环境,并依据当前环境下所确定出的偏好权重,确定该环境下所有换道决策的适配度,并选择一个与当前环境相匹配的换道决策对其自身进行控制,从而保证无人驾驶设备在该环境下的行驶安全和行驶效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种无人驾驶设备的控制方法的流程示意图;
图2为本说明书提供的一种无人驾驶设备换道决策的确定方法示意图;
图3为本说明书提供的一种无人驾驶设备的控制装置的示意图;
图4为本说明书提供的一种对应于图1的无人驾驶设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种无人驾驶设备的控制方法的流程示意图,包括以下步骤:
S101:获取无人驾驶设备当前时刻的车辆状态和路况信息。
在无人驾驶设备执行诸如物流配送、交通出行、货物运输等业务的过程中,通常会通过自身装载的传感器(如:视觉摄像机、毫米波雷达、超声波雷达、激光雷达、全球定位系统(Global Positioning System,GPS)等),对周围环境进行监测,从而保证无人驾驶设备顺利的到达目的地。例如,无人驾驶设备在交通出行的过程中,会通过传感器获取车辆状态和路况信息,从而对行驶速度和行驶路线进行规划,以安全顺利的到达指定地点。
但是,在无人驾驶设备行驶过程中,会出现不同的行驶环境,而不同的行驶环境又对应着多种换道决策,为了同时保证行驶安全和行驶效率,满足不同业务的需求,无人驾驶设备需要充分考虑到行驶环境的特点,针对不同的行驶环境,选择适合的换道决策。
基于此,本说明书提供了一种无人驾驶设备的控制方法,使无人驾驶设备能够选择最适合当前行驶环境的换道决策,以保证行驶安全和行驶效率。其中,无人驾驶设备通过自身装载的传感器,获取当前时刻的车辆状态和路况信息,以此来确定当前行驶环境下的各换道决策。车辆状态可以包括:无人驾驶设备的行驶速度、行驶方向、所处位置等,路况信息可以包括:无人驾驶设备所在路段的障碍物密集程度、车道数、车道宽度、路面状态、交通信息等。
本说明书提供的无人驾驶设备的控制方法可以用于无人驾驶设备在不同环境行驶时执行合适的换道决策,该无人驾驶设备具体可应用于通过无人驾驶设备进行配送的领域,如,使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。而本说明书中提到的无人驾驶设备可以包括:无人驾驶汽车,移动机器人,无人物流配送车等。
S102:根据所述车辆状态和路况信息,确定各换道决策,以及,将所述车辆状态和路况信息输入到预先训练的权重模型,确定所述无人驾驶设备在所述路况信息对应的环境中行驶时,换道决策中包含的各决策因子对应的偏好权重。
在无人驾驶设备行驶过程中,对于不同的行驶环境,需要综合考虑到安全、平稳、效率等因素,因此,无人驾驶设备需要通过传感器获得车辆状态和路况信息,以确定当前行驶环境下的各换道决策(如:向左换道、保持直行、向右换道等),其中,各换道决策又包含有不同的决策因子,以此从安全、平稳、效率等角度对当前环境下各换道决策的合理性进行评判。
本说明书中提到的决策因子可以包括:安全因子、效率因子、平稳因子等,不同决策因子用于在不同的维度上衡量换道决策在无人驾驶设备当前所处环境下的合理程度。
其中,安全因子可以根据无人驾驶设备执行换道决策后周围障碍物的密集程度确定。例如,无人驾驶设备可以根据自身的GPS、雷达等传感器,获取周围障碍物的数量,和/或与无人驾驶设备自身之间的距离,以此来确定周围障碍物的密集程度,周围的障碍物越多,或是与自身的距离越近,则障碍物密集程度越高,而安全因子对应的具体数值将越小。反之,周围的障碍物越少,或是与无人驾驶设备自身的距离越远,则障碍物密集程度越低,安全因子对应的数据数值将越大。
此外,由于无人驾驶设备需要在较短的时间内完成从准备换道到执行换道的过程,而周围障碍物的密集程度并不会在此时间内发生明显变化,因此,无人驾驶设备也可以根据当前时刻周围障碍物的密集程度,来确定安全因子对应的具体数值的大小。
效率因子可以根据无人驾驶设备执行换道决策后到达终点的行驶效率来进行确定。例如,无人驾驶设备可以根据当前的导航数据,对执行换道决策后到达目的地所用的时间进行估算,若是所用时间越长,则效率因子对应的具体数值越小,反之,若所用时间越短,则效率因子对应的具体数值越大。
再例如,无人驾驶设备也可以根据执行换道决策后的行驶速度,确定无人驾驶设备的行驶效率,进而确定效率因子的具体数值,若是行驶速度越快,则效率因子对应的具体数值越大,反之,若是行驶速度越慢,则效率因子对应的具体数值越小。
平稳因子可以根据无人驾驶设备的行驶平稳情况确定,在无人驾驶设备换道过程中,转向速度、转向角度、行驶速度等均会影响到无人驾驶设备行驶的稳定性,一旦无人驾驶设备转向过快,转向角度过大,或者在行驶速度过快时进行变道,都会导致其行驶不平稳,从而使平稳因子对应的具体数值减小,反之,则平稳因子对应的具体数值增大。
当然,无人驾驶设备也可以根据与上一时刻的转向速度、转向角度、行驶速度等之间的变化程度,来确定无人驾驶设备的平稳因子,若无人驾驶设备的转向速度、转向角度、行驶速度等与上一时刻的相比,变化程度越大,则平稳因子对应的具体数值越小,反之,若无人驾驶设备的转向速度、转向角度、行驶速度等与上一时刻的相比,变化程度越小,则平稳因子对应的具体数值越大。
进一步地,无人驾驶设备可以将车辆状态和路况信息输入权重模型,确定换道决策中包含的各决策因子对应的偏好权重。其中,偏好权重仅与无人驾驶设备的车辆状态和路况信息对应的环境有关,并不会随着换道决策的改变而发生变化,因此,对于同一个环境的不同换道决策,即便每个换道决策对应的同一决策因子的具体数据可能不同,但是每个换道决策同一决策因子对应的偏好权重可以是相同的。
在实际应用中,需要事先对权重模型进行训练,方可将其部署在无人驾驶设备中来确定实际行驶过程中所采用的换道决策,其中,用于训练权重模型的执行主体,可以是指服务器或诸如台式电脑、笔记本电脑等指定设备,待模型训练完成后将其部署在无人驾驶设备中。当然,训练权重模型的执行主体也可以是装载于无人驾驶设备内部的嵌入式车载电脑,这样一来,可以直接在无人驾驶设备上对权重模型进行训练,待训练完成后,无人驾驶设备可以直接应用该权重模型来确定换道决策。为了便于描述,下面仅以服务器作为模型训练的执行主体为例,对权重模型的训练进行说明。
上述权重模型可以参考如下结构:
[DimS-256-256-3]
其中,该模型具有两个子网络,而每个子网络对应有256个卷积层,输出的3个维度分别对应安全因子、平稳因子、效率因子的偏好权重。当然,上述权重模型的结构只是以示例的形式进行示出,实际还可以根据具体的需求进行设定,本申请对此不做限定。
在服务器对上述权重模型进行训练时,需要输入历史车辆状态和历史路况信息,得到指定设备在历史路况信息对应的历史环境中行驶时,历史换道决策中包含的各决策因子对应的预测偏好权重,其中,指定设备可以是指有人控制的驾驶设备,如,有人驾驶汽车等。相应的,历史车辆状态和历史路况信息为该有人控制的驾驶设备在实际行驶过程中采集到的历史车辆状态和历史路况信息。
针对每个换道决策,可以根据上述预测偏好权重,以及该历史换道决策中的各决策因子,确定在该历史环境下该历史换道决策与指定设备之间的适配度,作为该历史换道决策对应的适配度,具体可以参考如下公式:
由此可以确定每个历史换道决策对应的适配度,进一步地,服务器可以从各历史换道决策中选取待优化换道决策,并以最小化待优化换道决策与该训练样本对应的实际换道决策之间的偏差为优化目标,对所述权重模型进行训练,直到权重模型满足训练目标,将其部署在无人驾驶设备中。其中,训练目标可以为:权重模型收敛至预设阈值范围内,或者,达到预设训练次数,以保证无人驾驶设备可以通过该模型获得准确的偏好权重,预设阈值和预设训练次数可以根据实际需求而进行设定,本说明书不作具体限定。
需要说明的是,确定换道决策和偏好权重之间的顺序,可以是先确定换道决策,然后通过权重模型获取各决策因子对应的偏好权重,也可以先通过权重模型获取各决策因子对应的偏好权重,再确定换道决策,当然,确定换道决策和通过权重模型获取各决策因子对应的偏好权重也可以是同时进行的。
S103:针对每个换道决策,根据所述偏好权重,以及该换道决策中的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度,作为该换道决策对应的适配度。
无人驾驶设备可以通过各换道决策对应的决策因子,与各决策因子对应的偏好权重,确定当前环境各换道决策对应的适配度,具体可以参考如下公式:
p=wss+wcc+wee
其中,p为当前环境下换道决策对应的适配度,s、c、e分别为该换道决策对应的安全因子、舒适因子、效率因子,ws、wc、we分别为安全因子、舒适因子、效率因子对应的偏好权重。
在无人驾驶设备行驶过程中,若行驶速度过快,周围环境也会随之发生较大变化,这种情况会导致通过权重模型获取的偏好权重与默认偏好权重产生较大差异,从而使无人驾驶设备的换道决策也随之发生较大变化,这样很容易造成行驶事故。因此,为了避免上述情况的发生,需要对各决策因子的默认偏好权重进行调整。
若各决策因子设有默认偏好权重,且这些默认权重是相等的,则无人驾驶设备可以通过权重模型获取各决策因子对应的偏好权重,替换各决策因子对应的默认偏好权重。
若各决策因子的默认偏好权重为无人驾驶设备上一时刻采用相同的换道决策时,各决策因子对应的偏好权重,则无人驾驶设备可以根据当前时刻各决策因子的偏好权重与上一时刻各决策因子的偏好权重之间的偏差,对当前时刻各决策因子的偏好权重进行调整。
例如,无人驾驶设备可以根据上述两个时刻偏好权重的平均值,对当前时刻的偏好权重进行调整,其中,若偏差越大,则调整后的偏好权重与当前时刻确定的偏好权重之间的差异越大,而与上一时刻的默认偏好权重之间的差异就越小。这样可以使当前时刻的换道决策更加接近于上一时刻的换道决策,避免了由于环境变化导致当前时刻的换道决策与上一时刻的换道决策之间的偏差过大的情况,从而进一步保证了行驶安全。
S104:根据每个换道决策对应的适配度,从各换道决策中选取所述无人驾驶设备在所述当前时刻采用的目标换道决策,并按照所述目标换道决策,对所述无人驾驶设备进行控制。
无人驾驶设备可以根据每个换道决策对应的适配度,选择一个与当前环境相匹配的换道决策,例如:无人驾驶设备可以选取适配度最高的换道决策,作为与当前环境最匹配的换道决策,进而执行该换道决策。再例如,无人驾驶设备可以在在适配度高于预设适配度的多个换道决策中,任意选取一个换道决策作为与当前环境相匹配的换道决策,并执行该决策。其中,预设适配度可以根据实际需求而进行设定,本说明书不作具体限定。
此外,为了进一步提高为了进一步提高权重模型的准确性,在权重模型部署在无人驾驶设备后,无人驾驶设备可以将当前环境相匹配的换道决策,与样本数据集中当前环境相匹配的换道决策之间的偏差,基于反向传播法,调整权重模型的网络参数,实现对权重模型进行更新,从而优化输出的偏好权重,使当前环境相匹配的换道决策与该训练样本对应的实际换道决策之间的偏差最小化。
无人驾驶设备可以根据更新后的权重模型,以及下一时刻的行驶环境,确定下一时刻所采用的目标换道决策,并以此对权重模型进行迭代更新,直至达到预设的更新目标,无人驾驶设备停止对该模型的更新调整。此时通过权重模型输出的偏好权重即为最优偏好权重。其中,更新目标可以为:权重模型收敛至预设阈值范围内,或者,达到预设更新次数,其中,预设阈值和预设更新次数可以根据实际需求而进行设定,本说明书不作具体限定。
从上述方法可以看出,无人驾驶设备可以通过对偏好权重的调整,避免由于环境变化较大导致换道决策频繁发生改变的情况,并且,根据实际的行驶数据,对权重模型进行在线更新,从而进一步提高了换道决策的准确性,保证了行驶安全。
为了便于理解,本说明书提供了相应的无人驾驶设备换道决策确定方法示意图,如图2所示
图2为本说明书提供的一种无人驾驶设备换道决策的确定方法示意图。
无人驾驶设备根据当前时刻的车辆状态和路况信息,获取当前时刻的换道决策以及各决策包含的决策因子,同时,将车辆状态和路况信息输入到训练好的权重模型中,得到各决策因子对应的偏好权重,根据各换道决策对应的决策因子和各决策因子对应的偏好权重,确定每个换道决策的适配度,根据该适配度选择并执行与当前环境相匹配的换道决策。
由于车辆状态和路况信息能够有效地反映出无人驾驶设备当前的行驶状态以及周围的环境,所以,以此确定出的各决策因子的偏好权重,也是与无人驾驶设备当前所处的实际场景相匹配的,这样可以保证无人驾驶设备基于最终确定出的换道决策行驶,能够在当前所处的环境下兼顾安全、行驶效率以及平稳等多方因素进行行驶,有效地保证了无人驾驶设备的行驶安全以及行驶效率。
以上为本说明书的一个或多个实施无人驾驶设备的控制方法,基于同样的思路,本说明书还提供了相应的无人驾驶设备的控制装置,如图3所示。
图3为本说明书提供的一种无人驾驶设备的装置的示意图,包括:
获取模块301,用于获取无人驾驶设备当前时刻的车辆状态和路况信息;
确定模块302,用于根据所述车辆状态和路况信息,确定各换道决策,以及,将所述车辆状态和路况信息输入到预先训练的权重模型,确定所述无人驾驶设备在所述路况信息对应的环境中行驶时,换道决策中包含的各决策因子对应的偏好权重;
决策模块303,针对每个换道决策,根据所述偏好权重,以及该换道决策中的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度,作为该换道决策对应的适配度;
执行模块304,根据每个换道决策对应的适配度,从各换道决策中选取所述无人驾驶设备在所述当前时刻采用的目标换道决策,并按照所述目标换道决策,对所述无人驾驶设备进行控制;
可选地,所述决策因子包括:安全因子、效率因子以及平稳因子中的至少一种;其中所述安全因子用于表征所述无人驾驶设备执行换道决策后周围障碍物的密集程度;所述效率因子用于表征所述无人驾驶设备执行换道决策后到达终点的行驶效率;所述平稳因子用于表征所述无人驾驶设备按照换道策略进行换道时的行驶平稳状况。
可选地,所述装置还包括:
训练模块305,用于获取样本数据集,其中,针对所述样本数据集中包含的每个训练样本,该训练样本中包含有指定设备的历史车辆状态和历史路况信息;根据所述历史车辆状态和所述历史路况信息,确定针对所述指定设备的各历史换道决策,以及将所述历史车辆状态和所述历史路况信息输入到所述权重模型,确定所述指定设备在所述历史路况信息对应的历史环境中行驶时,历史换道决策中包含的各决策因子对应的预测偏好权重;针对每个历史换道决策,根据所述预测偏好权重,以及该历史换道决策中的各决策因子,确定在所述历史环境下该历史换道决策与所述指定设备之间的适配度,作为该历史换道决策对应的适配度;根据每个历史换道决策对应的适配度,从各历史换道决策中选取待优化换道决策,并以最小化所述待优化换道决策与该训练样本对应的实际换道决策之间的偏差为优化目标,对所述权重模型进行训练。
可选地,所述决策模块303具体用于,根根据所述偏好权重,调整该换道决策中包含的各决策因子的默认偏好权重,得到该换道决策中包含的各决策因子的调整后偏好权重;根据所述调整后偏好权重,以及该换道决策中包含的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度。
可选地,所述决策模块303具体用于,若该换道决策中包含的各决策因子的默认偏好权重,为该换道决策作为所述无人驾驶设备上一时刻采用的目标换道决策包含的各决策因子的偏好权重,确定所述无人驾驶设备在当前时刻确定出的该换道决策包含的各决策因子对应的偏好权重,与所述默认偏好权重之间的偏差;根据所述偏差,调整所述默认偏好权重,得到该换道决策中包含的各决策因子的调整后偏好权重。
可选地,若所述偏差越大,所述调整后偏好权重与所述无人驾驶设备在当前时刻确定出的该换道决策包含的各决策因子对应的偏好权重之间的差异越大。
可选地,所述装置还包括:
更新模块306,用于根据所述目标换道决策,和所述样本数据集中与所述环境相匹配的换道决策之间的偏差,对所述权重模型的模型参数进行更新,得到更新后的权重模型;根据所述更新后的权重模型,以及获取到的所述无人驾驶设备在下一时刻的车辆状态和路况信息,确定所述无人驾驶设备在所述下一时刻所采用的目标换道决策。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种无人驾驶设备的控制方法。
本说明书还提供了图4所示的一种对应于图1的无人驾驶设备的示意结构图。如图4所述,在硬件层面,该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的无人驾驶设备的控制方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种无人驾驶设备的控制方法,其特征在于,所述方法应用于无人配送领域,包括:
获取无人驾驶设备当前时刻的车辆状态和路况信息;
根据所述车辆状态和路况信息,确定各换道决策,以及,将所述车辆状态和路况信息输入到预先训练的权重模型,确定所述无人驾驶设备在所述路况信息对应的环境中行驶时,换道决策中包含的各决策因子对应的偏好权重;
针对每个换道决策,根据所述偏好权重,以及该换道决策中的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度,作为该换道决策对应的适配度;
根据每个换道决策对应的适配度,从各换道决策中选取所述无人驾驶设备在所述当前时刻采用的目标换道决策,并按照所述目标换道决策,对所述无人驾驶设备进行控制。
2.如权利要求1所述的方法,其特征在于,所述决策因子包括:安全因子、效率因子以及平稳因子中的至少一种;其中
所述安全因子用于表征所述无人驾驶设备执行换道决策后周围障碍物的密集程度;
所述效率因子用于表征所述无人驾驶设备执行换道决策后到达终点的行驶效率;
所述平稳因子用于表征所述无人驾驶设备按照换道策略进行换道时的行驶平稳状况。
3.如权利要求1所述的方法,其特征在于,训练所述权重模型,具体包括:
获取样本数据集,其中,针对所述样本数据集中包含的每个训练样本,该训练样本中包含有指定设备的历史车辆状态和历史路况信息;
根据所述历史车辆状态和所述历史路况信息,确定针对所述指定设备的各历史换道决策,以及将所述历史车辆状态和所述历史路况信息输入到所述权重模型,确定所述指定设备在所述历史路况信息对应的历史环境中行驶时,历史换道决策中包含的各决策因子对应的预测偏好权重;
针对每个历史换道决策,根据所述预测偏好权重,以及该历史换道决策中的各决策因子,确定在所述历史环境下该历史换道决策与所述指定设备之间的适配度,作为该历史换道决策对应的适配度;
根据每个历史换道决策对应的适配度,从各历史换道决策中选取待优化换道决策,并以最小化所述待优化换道决策与该训练样本对应的实际换道决策之间的偏差为优化目标,对所述权重模型进行训练。
4.如权利要求1所述的方法,其特征在于,针对每个换道决策,根据所述偏好权重,以及该换道决策中的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度,具体包括:
根据所述偏好权重,调整该换道决策中包含的各决策因子的默认偏好权重,得到该换道决策中包含的各决策因子的调整后偏好权重;
根据所述调整后偏好权重,以及该换道决策中包含的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度。
5.如权利要求4所述的方法,其特征在于,根据所述偏好权重,调整该换道决策中包含的各决策因子的默认偏好权重,得到该换道决策中包含的各决策因子的调整后偏好权重,具体包括:
若该换道决策中包含的各决策因子的默认偏好权重,为该换道决策作为所述无人驾驶设备上一时刻采用的目标换道决策包含的各决策因子的偏好权重,确定所述无人驾驶设备在当前时刻确定出的该换道决策包含的各决策因子对应的偏好权重,与所述默认偏好权重之间的偏差;
根据所述偏差,调整所述默认偏好权重,得到该换道决策中包含的各决策因子的调整后偏好权重。
6.如权利要求5所述的方法,其特征在于,若所述偏差越大,所述调整后偏好权重与所述无人驾驶设备在当前时刻确定出的该换道决策包含的各决策因子对应的偏好权重之间的差异越大。
7.如权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述目标换道决策,和所述样本数据集中与所述环境相匹配的换道决策之间的偏差,对所述权重模型的模型参数进行更新,得到更新后的权重模型;
根据所述更新后的权重模型,以及获取到的所述无人驾驶设备在下一时刻的车辆状态和路况信息,确定所述无人驾驶设备在所述下一时刻所采用的目标换道决策。
8.一种无人驾驶的控制装置,其特征在于,所述装置应用于执行无人配送业务,包括:
获取模块,获取无人驾驶设备当前时刻的车辆状态和路况信息;
确定模块,根据所述车辆状态和路况信息,确定各换道决策,以及,将所述车辆状态和路况信息输入到预先训练的权重模型,确定所述无人驾驶设备在所述路况信息对应的环境中行驶时,换道决策中包含的各决策因子对应的偏好权重;
决策模块,针对每个换道决策,根据所述偏好权重,以及该换道决策中的各决策因子,确定在所述环境下该换道决策与所述无人驾驶设备之间的适配度,作为该换道决策对应的适配度;
控制模块,根据每个换道决策对应的适配度,从各换道决策中选取所述无人驾驶设备在所述当前时刻采用的目标换道决策,并按照所述目标换道决策,对所述无人驾驶设备进行控制。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种无人驾驶设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141446.2A CN113848913B (zh) | 2021-09-28 | 2021-09-28 | 一种无人驾驶设备的控制方法及控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141446.2A CN113848913B (zh) | 2021-09-28 | 2021-09-28 | 一种无人驾驶设备的控制方法及控制装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113848913A true CN113848913A (zh) | 2021-12-28 |
CN113848913B CN113848913B (zh) | 2023-01-06 |
Family
ID=78980751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111141446.2A Active CN113848913B (zh) | 2021-09-28 | 2021-09-28 | 一种无人驾驶设备的控制方法及控制装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113848913B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512540A (zh) * | 2022-09-20 | 2022-12-23 | 中国第一汽车股份有限公司 | 车辆的信息处理方法、装置、存储介质和处理器 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023223A1 (en) * | 2008-07-24 | 2010-01-28 | Gm Global Technology Operations, Inc. | Adaptive vehicle control system with driving style recognition |
CN106926844A (zh) * | 2017-03-27 | 2017-07-07 | 西南交通大学 | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 |
US20180348763A1 (en) * | 2017-06-02 | 2018-12-06 | Baidu Usa Llc | Utilizing rule-based and model-based decision systems for autonomous driving control |
US20190287397A1 (en) * | 2018-03-14 | 2019-09-19 | Honda Research Institute Europe Gmbh | Method for assisting operation of an ego-vehicle, method for assisting other traffic participants and corresponding assistance systems and vehicles |
CN110262486A (zh) * | 2019-06-11 | 2019-09-20 | 北京三快在线科技有限公司 | 一种无人驾驶设备运动控制方法及装置 |
CN110286681A (zh) * | 2019-07-05 | 2019-09-27 | 西南交通大学 | 一种变曲率弯道的动态自动驾驶换道轨迹规划方法 |
CN110337396A (zh) * | 2017-03-01 | 2019-10-15 | 高通股份有限公司 | 用于基于传感器数据操作车辆的系统及方法 |
US20190377352A1 (en) * | 2018-06-06 | 2019-12-12 | Honda Research Institute Europe Gmbh | Method and system for assisting an operator of an ego-vehicle in controlling the ego-vehicle by determining a future behavior and an associated trajectory for the ego-vehicle |
CN111007858A (zh) * | 2019-12-23 | 2020-04-14 | 北京三快在线科技有限公司 | 车辆行驶决策模型的训练方法、行驶决策确定方法及装置 |
US20200174472A1 (en) * | 2018-11-30 | 2020-06-04 | Baidu Usa Llc | Real time decision making for autonomous driving vehicles |
WO2020135742A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 自动驾驶车辆的横向决策系统及横向决策确定方法 |
US20200363800A1 (en) * | 2019-05-13 | 2020-11-19 | Great Wall Motor Company Limited | Decision Making Methods and Systems for Automated Vehicle |
US20200372822A1 (en) * | 2019-01-14 | 2020-11-26 | Polixir Technologies Limited | Training system for autonomous driving control policy |
CN112389436A (zh) * | 2020-11-25 | 2021-02-23 | 中汽院智能网联科技有限公司 | 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法 |
US20210237714A1 (en) * | 2020-01-31 | 2021-08-05 | International Business Machines Corporation | Autonomous Vehicle Behavior Synchronization |
US20210245745A1 (en) * | 2020-09-24 | 2021-08-12 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Cruise control method, electronic device, vehicle and storage medium |
CN113291308A (zh) * | 2021-06-02 | 2021-08-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 |
CN113291324A (zh) * | 2021-06-25 | 2021-08-24 | 的卢技术有限公司 | 一种智能汽车个性化换道决策方法、系统及介质 |
-
2021
- 2021-09-28 CN CN202111141446.2A patent/CN113848913B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023223A1 (en) * | 2008-07-24 | 2010-01-28 | Gm Global Technology Operations, Inc. | Adaptive vehicle control system with driving style recognition |
CN110337396A (zh) * | 2017-03-01 | 2019-10-15 | 高通股份有限公司 | 用于基于传感器数据操作车辆的系统及方法 |
CN106926844A (zh) * | 2017-03-27 | 2017-07-07 | 西南交通大学 | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 |
US20180348763A1 (en) * | 2017-06-02 | 2018-12-06 | Baidu Usa Llc | Utilizing rule-based and model-based decision systems for autonomous driving control |
US20190287397A1 (en) * | 2018-03-14 | 2019-09-19 | Honda Research Institute Europe Gmbh | Method for assisting operation of an ego-vehicle, method for assisting other traffic participants and corresponding assistance systems and vehicles |
US20190377352A1 (en) * | 2018-06-06 | 2019-12-12 | Honda Research Institute Europe Gmbh | Method and system for assisting an operator of an ego-vehicle in controlling the ego-vehicle by determining a future behavior and an associated trajectory for the ego-vehicle |
US20200174472A1 (en) * | 2018-11-30 | 2020-06-04 | Baidu Usa Llc | Real time decision making for autonomous driving vehicles |
WO2020135742A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 自动驾驶车辆的横向决策系统及横向决策确定方法 |
US20200372822A1 (en) * | 2019-01-14 | 2020-11-26 | Polixir Technologies Limited | Training system for autonomous driving control policy |
US20200363800A1 (en) * | 2019-05-13 | 2020-11-19 | Great Wall Motor Company Limited | Decision Making Methods and Systems for Automated Vehicle |
CN110262486A (zh) * | 2019-06-11 | 2019-09-20 | 北京三快在线科技有限公司 | 一种无人驾驶设备运动控制方法及装置 |
CN110286681A (zh) * | 2019-07-05 | 2019-09-27 | 西南交通大学 | 一种变曲率弯道的动态自动驾驶换道轨迹规划方法 |
CN111007858A (zh) * | 2019-12-23 | 2020-04-14 | 北京三快在线科技有限公司 | 车辆行驶决策模型的训练方法、行驶决策确定方法及装置 |
US20210237714A1 (en) * | 2020-01-31 | 2021-08-05 | International Business Machines Corporation | Autonomous Vehicle Behavior Synchronization |
US20210245745A1 (en) * | 2020-09-24 | 2021-08-12 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Cruise control method, electronic device, vehicle and storage medium |
CN112389436A (zh) * | 2020-11-25 | 2021-02-23 | 中汽院智能网联科技有限公司 | 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法 |
CN113291308A (zh) * | 2021-06-02 | 2021-08-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 |
CN113291324A (zh) * | 2021-06-25 | 2021-08-24 | 的卢技术有限公司 | 一种智能汽车个性化换道决策方法、系统及介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512540A (zh) * | 2022-09-20 | 2022-12-23 | 中国第一汽车股份有限公司 | 车辆的信息处理方法、装置、存储介质和处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN113848913B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN111665844B (zh) | 一种路径规划方法及装置 | |
CN111076739B (zh) | 一种路径规划的方法及装置 | |
CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
CN111522245B (zh) | 用于控制无人设备的方法及装置 | |
CN113110526B (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
CN111532285B (zh) | 一种车辆控制方法及装置 | |
CN113419547B (zh) | 一种多车协同控制方法及装置 | |
CN111090286B (zh) | 一种无人车运动状态规划方法及装置 | |
CN112677993A (zh) | 一种模型训练的方法及装置 | |
CN113848913B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN111123957B (zh) | 一种轨迹规划的方法及装置 | |
CN112947495B (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
CN112925331B (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN112987754B (zh) | 一种无人设备的控制方法、装置、存储介质及电子设备 | |
CN114019971A (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
CN113815651B (zh) | 一种无人设备控制方法、装置、设备及存储介质 | |
CN114675641A (zh) | 一种无人设备的控制方法、装置及电子设备 | |
CN114019959B (zh) | 一种确定无人驾驶设备纵向决策的方法及装置 | |
CN114510051A (zh) | 一种轨迹规划方法、装置、存储介质及电子设备 | |
CN112949756B (zh) | 一种模型训练以及轨迹规划的方法及装置 | |
CN113074734B (zh) | 一种轨迹规划方法、装置、存储介质及电子设备 | |
CN114019981B (zh) | 一种无人驾驶设备的轨迹规划方法及规划装置 |
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 |