CN113954857B - 一种自动驾驶控制方法及其系统、计算机设备、存储介质 - Google Patents
一种自动驾驶控制方法及其系统、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN113954857B CN113954857B CN202010683233.1A CN202010683233A CN113954857B CN 113954857 B CN113954857 B CN 113954857B CN 202010683233 A CN202010683233 A CN 202010683233A CN 113954857 B CN113954857 B CN 113954857B
- Authority
- CN
- China
- Prior art keywords
- current
- vehicle
- steering wheel
- control
- navigation instruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 48
- 230000008859 change Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 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
- B60W60/0011—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
- 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
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18154—Approaching an intersection
-
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—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)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种自动驾驶控制方法及其系统、计算机设备、存储介质,所述方法包括:根据本车当前位置信息以及目的地位置信息进行导航规划获得导航指令;根据本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息;根据导航指令获取本车的前视摄像头所拍摄的当前前视图像,根据当前前视图像、导航指令得到初始方向盘转角;并且,根据导航指令、纵向控制输入信息得到目标车速和方向盘转角限制值;根据初始方向盘转角、方向盘转角限制值获得目标方向盘转角,根据目标方向盘转角、目标车速生成行驶控制指令;根据行驶控制指令、当前周围环境信息控制车辆行驶。本发明能够利用白箱建模辅助黑箱数据驱动完成复杂驾驶任务决策。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种自动驾驶控制方法及其系统、计算机设备、存储介质。
背景技术
目前自动驾驶领域的技术方案主要分为白箱建模法和黑箱数据驱动法,当前业内的主流方案仍然是基于白箱建模法的自动驾驶技术方案。白箱建模法就是通过对驾驶问题进行机理建模,以环境感知的结果信息作为决策模块的输入,决策模块进一步输出驾驶决策,并根据车身的动力学模型,最终转换为实施对车辆的实际控制,包括转向、油门和刹车。而黑箱数据驱动法主要有基于端到端的有监督学习的训练模型的方案,具体以各种传感器(摄像头,激光雷达,毫米波雷达等)数据作为输入和人类驾驶员在各种场景下的采集的驾驶行为数据作为教师样本,离线训练一个多层神经网络的黑箱模型,并能够在线推理出车辆的横纵向控制量(方向盘转角,油门,刹车等)。
在实现本发明的过程中,发明人发现:
基于白箱建模的自动驾驶方案的主要难点在于决策规划模块。目前决策规划功能主要是根据不同驾驶场景的需求编制不同的驾驶规则。但是现实世界中的驾驶场景是复杂多变的,以至于工程开发者几乎不可能囊括所有可能遇到的情况,所以试图编写完备的规则是不可能的。而且随着场景数量的不断增加,规则编写的工作量和难度都直线上升,可能会导致决策模块出现逻辑上的冲突,以至于自动驾驶系统在某些有定义的场景和很多未定义的场景下做出不可预测的危险决策。
基于黑箱数据驱动的自动驾驶方案,其主要难点在于从传感器数据输入到车辆控制策略的输出的映射关系是外部不可控的,也可能是不合理的甚至是错误的映射关系,尤其对自动驾驶这种复杂决策问题。此外训练得到的黑箱模型可解释性很差。
因此,目前汽车自动驾驶决策还有待进一步改进。
发明内容
本发明的目的在于提出一种自动驾驶控制方法及其系统、计算机设备、计算机可读存储介质,以利用白箱建模辅助黑箱数据驱动完成复杂的自动驾驶任务决策。
为实现上述目的,根据本发明的第一方面,提出一种自动驾驶控制方法,包括:
获取本车当前位置信息,根据所述本车当前位置信息以及目的地位置信息进行导航规划获得导航指令;并且,获取本车当前车速和当前周围环境信息;
根据所述本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息;
根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角;并且,将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值;
根据所述初始方向盘转角、方向盘转角限制值获得目标方向盘转角,根据所述目标方向盘转角、目标车速生成行驶控制指令;
实时获取当前周围环境信息,并根据所述行驶控制指令、实时获取的当前周围环境信息控制车辆行驶。
可选地,其中所述当前周围环境信息包括当前本车周围环境中的障碍物位置信息和障碍物速度信息;
其中,所述根据所述本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息,包括:
根据所述本车当前位置信息、本车当前车速、障碍物位置信息、障碍物速度信息进行环境信息重构得到栅格图,以利用所述栅格图中的点表示所述本车当前位置信息、本车当前车速、障碍物位置信息、障碍物速度信息;其中所述栅格图为纵向控制输入信息。
可选地,所述根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,包括:
如果所述导航指令为直行或换道,则获取本车的中间前视摄像头所拍摄的当前中间图像;
如果所述导航指令为路口左转,则获取本车的左前视摄像头所拍摄的当前左图像;
如果所述导航指令为路口右转,则获取本车的右前视摄像头所拍摄的当前右图像;
其中所述当前前视图像为所述当前中间图像、当前左图像或当前右图像。
可选地,其中所述横向控制神经网络包括预先训练好的第一特征提取模块、直行横向决策模块、换道横向决策模块和转向横向决策模块;
其中,所述将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角,包括:
利用所述第一特征提取模块对所述当前前视图像进行卷积处理得到第一特征向量;
当所述当前前视图像为所述当前中间图像且所述导航指令为直行时,将所述第一特征向量输入所述直行横向决策模块进行处理得到初始方向盘转角;
当所述当前前视图像为所述当前中间图像且所述导航指令为换道时,将所述第一特征向量输入所述换道横向决策模块进行处理得到初始方向盘转角;
当所述当前前视图像为所述当前左图像且所述导航指令为路口左转,或者所述当前前视图像为所述当前右图像且所述导航指令为路口右转时,将所述第一特征向量输入所述转向横向决策模块进行处理得到初始方向盘转角。
可选地,其中所述纵向控制神经网络包括预先训练好的第二特征提取模块、直行纵向决策模块、换道纵向决策模块和转向纵向决策模块;
其中,所述将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值,包括:
利用所述第二特征提取模块对所述纵向控制输入信息进行卷积处理得到第二特征向量;
当所述导航指令为直行时,将所述第二特征向量、导航指令输入所述直行纵向决策模块进行处理得到目标车速和方向盘转角限制值;
当所述导航指令为换道时,将所述第二特征向量、导航指令输入所述换道纵向决策模块进行处理得到目标车速和方向盘转角限制值;
当所述导航指令为路口左转或路口右转时,将所述第二特征向量、导航指令输入所述转向纵向决策模块进行处理得到目标车速和方向盘转角限制值。
可选地,所述根据所述目标方向盘转角、目标车速生成行驶控制指令,包括:
根据所述目标车速计算油门控制量、刹车控制量;
根据所述目标方向盘转角、油门控制量、刹车控制量生成行驶控制指令。
可选地,所述实时获取当前周围环境信息,并根据所述行驶控制指令、实时获取的当前周围环境信息控制车辆行驶,包括:
如果所述行驶控制指令为控制车辆执行,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量直行行驶;
如果所述行驶控制指令为控制车辆换道,则根据所述当前周围环境信息判定是否满足预设换道条件,如果满足预设换道条件,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量换道行驶;如果不满足预设换道条件,则控制车辆进行车道保持;
如果所述行驶控制指令为控制车辆路口左转或路口右转,则根据所述当前周围环境信息判定是否满足预设路口左转条件或预设路口右转条件,如果满足预设路口左转条件或预设路口右转条件,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量路口转向行驶;如果不满足预设路口左转条件或预设路口右转条件,则控制车辆进行车道保持。
根据本发明的第二方面,提出一种自动驾驶控制系统,用于执行本发明的第一方面所述的自动驾驶控制方法,包括:
副驾驶单元,用于获取本车当前位置信息,根据所述本车当前位置信息以及目的地位置信息进行导航规划获得导航指令;并且,获取本车当前车速和当前周围环境信息;
纵向输入获取单元,用于根据所述本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息;
正驾驶单元,用于根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角;并且,将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值;
控制指令生成单元,用于根据所述初始方向盘转角、方向盘转角限制值获得目标方向盘转角,根据所述目标方向盘转角、目标车速生成行驶控制指令;以及
行驶控制单元,用于实时获取当前周围环境信息,并根据所述行驶控制指令、实时获取的当前周围环境信息控制车辆行驶。
根据本发明的第三方面,提出一种计算机设备,包括:根据本发明的第二方面所述的自动驾驶控制系统;或者,存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行根据本发明的第一方面所述的自动驾驶控制方法的步骤。
根据本发明的第四方面,提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据本发明的第一方面所述的自动驾驶控制方法的步骤。
本发明的实施例提出了一种自动驾驶控制方法及其系统、计算机设备、计算机可读存储介质,其具体为一种基于正、副驾驶的自动驾驶方案,基于黑箱数据驱动技术构建决策正驾驶部分以用于进行车辆纵向控制,并基于白箱建模技术构建副驾驶部分以用于进行车辆横向控制的决策,正驾驶部分可以采用端到端方式训练得到,正驾驶部分的数据驱动方式可以避免某些场景下道路特征不明显导致很难设计和编写合适的规则的难点;此外,复杂的场景下的必要的决策判断则由副驾驶部分负责处理输出,正驾驶部分在副驾驶部分的控制、指引和约束下可以完成复杂的驾驶任务决策,从而降低了整体决策问题的求解难度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而得以体现。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例中一种自动驾驶控制方法的流程示意图。
图2为本发明一实施例中一种自动驾驶控制方法的具体原理图。
图3为本发明一实施例中正驾驶部分决策流程示意图。
图4为本发明一实施例中执行行驶控制指令的流程示意图。
图5为本发明另一实施例中一种自动驾驶控制系统的框架示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
本发明的一实施例提出一种自动驾驶方法,图1为本实施例方法的流程图,参阅图1,本实施例方法包括如下步骤S1~S5:
步骤S1、获取本车当前位置信息,根据所述本车当前位置信息以及目的地位置信息进行导航规划获得导航指令;并且,获取本车当前车速和当前周围环境信息;
具体而言,本实施例中基于白箱建模法构建了副驾驶部分,利用副驾驶部分执行所述步骤S1。
其中,副驾驶部分包括导航规划部分和信息获取部分,所述导航规划部分执行根据所述本车当前位置信息以及目的地位置信息进行导航规划得到导航指令,导航指令例如是直行、换道、路口左转、路口右转等;可以理解的是,步骤S1中导航规划为实时或周期性执行,在本车自动驾驶过程中不断地更新导航指令。
其中,信息获取部分用于获取本车当前车速和当前周围环境信息(本车周围),所述本车当前车速可以通过采集车辆CAN网络的本车状态数据得到,所述当前周围环境信息可以通过本车环境感知模块例如是毫米波雷达、激光波雷达以及摄像头等常规环境感知组件获得,所述当前周围环境信息包括周围行人、其他车辆等障碍物的位置、移动速度、以及车道线等。
步骤S2、根据所述本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息;
具体而言,所述本车当前位置信息、本车当前车速、当前周围环境信息为不同的数据类型,因此步骤中为对所述本车当前位置信息、本车当前车速、当前周围环境信息进行预处理得到便于纵向控制神经网络进行处理的数据类型。可以理解的是,预处理所得到数据类型可以有很多种,具体可以与纵向控制神经网络进行匹配设置,本实施例中不作具体限定。
步骤S3、根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角;并且,将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值;
具体而言,本实施例中预先训练了横向控制神经网络,所述横向控制神经网络优选但不限于采用卷积神经网络CNN;示例性地,训练过程可以是端到端的学习,即设置横向控制神经网络的输入和输出,输入为所述当前前视图像、导航指令,输出为所述初始方向盘转角,给予大量不同的样本数据,每一样本数据包括给定的输入量和输出量,基于所述样本数据,通过训练,神经网络可以学习到如何根据输入的当前前视图像、导航指令输出对应的初始方向盘转角。当然,在设计横向控制神经网络时,具体可以根据数据处理速度、控制精度要求等合理设计。
此外,本实施例中还预先训练了纵向控制神经网络,所述纵向控制神经网络优选但不限于采用卷积神经网络CNN;示例性地,训练过程可以是端到端的学习,即设置纵向控制神经网络的输入和输出,输入为所述导航指令、纵向控制输入信息,输出为所述目标车速和方向盘转角限制值,给予大量不同的样本数据,每一样本数据包括给定的输入量和输出量,基于所述样本数据,通过训练,神经网络可以学习到如何根据输入的导航指令、纵向控制输入信息输出对应的目标车速和方向盘转角限制值。当然,在设计纵向控制神经网络时,具体可以根据数据处理速度、控制精度要求等合理设计。
步骤S4、根据所述初始方向盘转角、方向盘转角限制值获得目标方向盘转角,根据所述目标方向盘转角、目标车速生成行驶控制指令;
具体而言,所述方向盘转角限制值为当前环境下的本车方向盘转角的幅值限制范围,当所述初始方向盘转角处于该幅值限制范围内时,则所述目标方向盘转角等于所述初始方向盘转角;当所述初始方向盘转角超出该幅值限制范围内时,则所述目标方向盘转角等于所述该幅值限制范围接近所述初始方向盘转角的边界值。最后,根据所述目标方向盘转角、目标车速即可以对本车进行行驶控制。
步骤S5、实时获取当前周围环境信息,并根据所述行驶控制指令、实时获取的当前周围环境信息控制车辆行驶。
具体而言,在根据所述行驶控制指令控制车辆行驶的过程中,需要根据实时获取的当前周围环境信息进行具体判断是否满足执行所述行驶控制指令的条件,可以理解的是,因为前面生成所述行驶控制指令到具体执行行驶控制指令之间存在时间差,因此,需要根据具体实时车况进行驾驶判断。
其中,本实施例方法的具体原理图可以参阅图2,以便于更好地理解本发明实施例方法的构思。
通过以上实施例的描述可知,本实施例基于黑箱数据驱动技术构建决策正驾驶部分以用于进行车辆纵向控制,并基于白箱建模技术构建副驾驶部分以用于进行车辆横向控制的决策,正驾驶部分可以采用端到端方式训练得到,正驾驶部分的数据驱动方式可以避免某些场景下道路特征不明显导致很难设计和编写合适的规则的难点;此外,复杂的场景下的必要的决策判断则由副驾驶部分负责处理输出,正驾驶部分在副驾驶部分的控制、指引和约束下可以完成复杂的驾驶任务决策,从而降低了整体决策问题的求解难度。最终,在根据所述行驶控制指令控制车辆行驶过程中,实时根据当前周围环境信息进行驾驶判断,从而自动驾驶的安全性和可靠性。
基于以上实施例方法,本发明还提出了一些更为具体的实施例,下面对该些具体的实施例进行一一描述。
在一具体实施例中,其中所述当前周围环境信息包括当前本车周围环境中的障碍物位置信息和障碍物速度信息;
其中,所述步骤S2,包括:
根据所述本车当前位置信息、本车当前车速、障碍物位置信息、障碍物速度信息进行环境信息重构得到栅格图,以利用所述栅格图中的点表示所述本车当前位置信息、本车当前车速、障碍物位置信息、障碍物速度信息;其中所述栅格图为纵向控制输入信息。
具体而言,所述栅格图中网格分别对应位置和速度,位置和速度采用栅格图上的像素值来表示,栅格图对应区域大小自行设定。
示例性地,重点关注行人、车辆以及其他障碍物所在区域,基于本车当前车速、当前周围环境信息,初步评估本车与被周围行人、车辆等障碍物是否有发生碰撞的趋势。若有碰撞趋势,则对应区域标记为1,反之标记为0。将标记为1的区域的位置和纵向速度换算为所对应的栅格图的两个通道的像素值(取值0~255),具体方式是标记1的区域的对应位置通道的像素取值255,对应速度通道的像素取值为255*速度值/最大速度,其中最大速度设置为合理限值,比如300km/h。对于剩余标记为0的区域,其位置通道和速度通道的像素取值为0,如此便可以获得一帧栅格图。
在一具体实施例中,在所述步骤S3中,根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,包括:
步骤S311、如果所述导航指令为直行或换道,则获取本车的中间前视摄像头所拍摄的当前中间图像;
步骤S312、如果所述导航指令为路口左转,则获取本车的左前视摄像头所拍摄的当前左图像;
以及,步骤S312、如果所述导航指令为路口右转,则获取本车的右前视摄像头所拍摄的当前右图像;
其中所述当前前视图像为所述当前中间图像、当前左图像或当前右图像。
具体而言,本实施例中可以在本车车前部的左侧、中间以及右侧分别设置左前视摄像头、中间前视摄像头和右前视摄像头,分别用于拍摄本车前视图像,所述当前中间图像、当前左图像或当前右图像分别作为不同导航指令下的横向控制神经网络的输入量之一,以便于更好地利用本车前视图像进行决策得到本车的横向控制量。
在一具体实施例中,参阅图3,其中所述横向控制神经网络包括预先训练好的第一特征提取模块、直行横向决策模块、换道横向决策模块和转向横向决策模块;
其中,在所述步骤S3中,将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角,包括:
步骤S321、利用所述第一特征提取模块对所述当前前视图像进行卷积处理得到第一特征向量;
步骤S322、当所述当前前视图像为所述当前中间图像且所述导航指令为直行时,将所述第一特征向量输入所述直行横向决策模块进行处理得到初始方向盘转角;
步骤S323、当所述当前前视图像为所述当前中间图像且所述导航指令为换道时,将所述第一特征向量输入所述换道横向决策模块进行处理得到初始方向盘转角;
以及,步骤S324、当所述当前前视图像为所述当前左图像且所述导航指令为路口左转,或者所述当前前视图像为所述当前右图像且所述导航指令为路口右转时,将所述第一特征向量输入所述转向横向决策模块进行处理得到初始方向盘转角。
具体而言,所述第一特征提取模块为卷积神经网络,所述第一特征向量为所述当前前视图像的图像特征,本实施例中对应不同导航指令,设计了不同的神经网络处理模块,其中所述直行横向决策模块、换道横向决策模块和转向横向决策模块可以设计为多个分支模型(全连接层FC);优选地,如图3所示,所述横向控制神经网络还可以设置一模型分支切换模块,用于根据所述导航指令确定将所述第一特征向量和导航指令输入所述直行横向决策模块、换道横向决策模块和转向横向决策模块中的哪一个以进行相应的决策,即以上步骤S322~S324为并列关系,执行没有先后顺序。
需说明的是,现有应用于自动驾驶的端到端学习对于复杂决策问题输入特征到输出策略之间的映射是不可控的,往往存在映射失焦或映射错误的问题。而且神经网络的可解释性比较差,当神经网络输出的结果有问题时,工程人员很难找到出问题的原因。而本实施例中横向控制神经网络分别训练针对每一个最小功能的分支模型,即尽可能地使得横向控制部分将注意力聚焦于与车道保持、路口转向和换道功能相关的环境特征上而避免输入到输出的映射失焦,甚至是错误的映射。
在一具体实施例中,参阅图3,其中所述纵向控制神经网络包括预先训练好的第二特征提取模块、直行纵向决策模块、换道纵向决策模块和转向纵向决策模块;
其中,在所述步骤S3中,将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值,包括:
步骤S331、利用所述第二特征提取模块对所述纵向控制输入信息进行卷积处理得到第二特征向量;
步骤S332、当所述导航指令为直行时,将所述第二特征向量、导航指令输入所述直行纵向决策模块进行处理得到目标车速和方向盘转角限制值;
步骤S333、当所述导航指令为换道时,将所述第二特征向量、导航指令输入所述换道纵向决策模块进行处理得到目标车速和方向盘转角限制值;
以及,步骤S334、当所述导航指令为路口左转或路口右转时,将所述第二特征向量、导航指令输入所述转向纵向决策模块进行处理得到目标车速和方向盘转角限制值。
具体而言,所述第二特征提取模块为卷积神经网络,所述第二特征向量为所述栅格图的图像特征或者其他格式信息的特征,本实施例中对应不同导航指令,设计了不同的神经网络处理模块,其中所述直行纵向决策模块、换道纵向决策模块和转向纵向决策模块可以设计为多个分支模型(全连接层FC);优选地,如图3所示,所述纵向控制神经网络还可以设置一模型分支切换模块,用于根据所述导航指令确定将所述第二特征向量和导航指令输入所述直行纵向决策模块、换道纵向决策模块和转向纵向决策模块中的哪一个以进行相应的决策,即以上步骤S332~S334为并列关系,执行没有先后顺序。
需说明的是,现有应用于自动驾驶的端到端学习对于复杂决策问题输入特征到输出策略之间的映射是不可控的,往往存在映射失焦或映射错误的问题。而且神经网络的可解释性比较差,当神经网络输出的结果有问题时,工程人员很难找到出问题的原因。而本实施例中纵向控制神经网络分别训练针对每一个最小功能的分支模型,即尽可能地使得纵向控制部分将注意力聚焦于与车道保持、路口转向和换道功能相关的环境特征上而避免输入到输出的映射失焦,甚至是错误的映射。
本发明的实施例提出的基于正副驾驶的自动驾驶控制方法,其中正驾驶部分采用端到端方式训练得到,数据驱动的方式可以避免某些场景下道路特征不明显导致很难设计和编写合适的规则的难点,特别是正驾驶部分针对三种最小驾驶功能,分别实现对应最小驾驶功能的模型分支,通过降低决策问题的复杂度,可以避免端到端模型学习的难度,提高模型的泛化能力。此外,复杂的场景下的必要的决策判断则由副驾驶部分负责处理输出,正驾驶部分在副驾驶部分的控制、指引和约束下可以完成复杂的驾驶任务,从而降低了整体决策问题的求解难度。
在一具体实施例中,所述步骤S4中,根据所述目标方向盘转角、目标车速生成行驶控制指令,包括:
步骤S41、根据所述目标车速计算油门控制量、刹车控制量;
具体而言,车速的控制是通过踩油门控制本车加速或者踩刹车控制本车减速来达到目标车速的,因此,根据所述目标车速可以计算出对应的油门控制量、刹车控制量。
步骤S42、根据所述目标方向盘转角、油门控制量、刹车控制量生成行驶控制指令。
在一具体实施例中,参阅图4,所述步骤S5,包括:
步骤S51、如果所述行驶控制指令为控制车辆执行,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量直行行驶;
步骤S52、如果所述行驶控制指令为控制车辆换道,则根据所述当前周围环境信息判定是否满足预设换道条件,如果满足预设换道条件,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量换道行驶;如果不满足预设换道条件,则控制车辆进行车道保持;
示例性地,所述预设换道条件为:横跨的车道线类型(例如实线、虚线等)允许换道;并且,按照当前车速在设定的时间阈值内完成换道不会与目标车道内其他车辆发生碰撞。
以及,步骤S53、如果所述行驶控制指令为控制车辆路口左转或路口右转,则根据所述当前周围环境信息判定是否满足预设路口左转条件或预设路口右转条件,如果满足预设路口左转条件或预设路口右转条件,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量路口转向行驶;如果不满足预设路口左转条件或预设路口右转条件,则控制车辆进行车道保持。
示例性地,所述预设路口左转条件为本车行驶在左转车道,所述预设路口右转条件为本车行驶在右转车道。
本发明的另一实施例还提出一种自动驾驶控制系统,用于执行上述实施例所述的自动驾驶控制方法,如图5所示,本实施例的自动驾驶控制系统包括:
副驾驶单元1,用于获取本车当前位置信息,根据所述本车当前位置信息以及目的地位置信息进行导航规划获得导航指令;并且,获取本车当前车速和当前周围环境信息;
纵向输入获取单元2,用于根据所述本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息;
正驾驶单元3,用于根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角;并且,将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值;
控制指令生成单元4,用于根据所述初始方向盘转角、方向盘转角限制值获得目标方向盘转角,根据所述目标方向盘转角、目标车速生成行驶控制指令;以及
行驶控制单元5,用于实时获取当前周围环境信息,并根据所述行驶控制指令、实时获取的当前周围环境信息控制车辆行驶。
需说明的是,上述实施例所述自动驾驶控制系统与上述实施例所述自动驾驶控制方法对应,因此,上述实施例所述自动驾驶控制系统未详述部分可以参阅上述实施例所述自动驾驶控制方法的内容得到,此处不再赘述。
并且,上述实施例所述自动驾驶控制系统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。
本发明另一实施例还提出一种计算机设备,包括:根据上述实施例所述的自动驾驶控制系统;或者,存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行根据上述实施例所述自动驾驶控制方法的步骤。
当然,所述计算机设备还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该计算机设备还可以包括其他用于实现设备功能的部件,在此不做赘述。
示例性的,所述计算机程序可以被分割成一个或多个单元,所述一个或者多个单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机设备的控制中心,利用各种接口和线路连接整个所述计算机设备的各个部分。
所述存储器可用于存储所述计算机程序和/或单元,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或单元,以及调用存储在存储器内的数据,实现所述计算机设备的各种功能。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明另一实施例还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例所述自动驾驶控制方法的步骤。
具体而言,所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述实施方式仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种自动驾驶控制方法,其特征在于,包括:
获取本车当前位置信息、当前车速和当前周围环境信息,并根据所述本车当前位置信息以及目的地位置信息进行导航规划获得导航指令;
根据所述本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息;
根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角;并且,将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值;
根据所述初始方向盘转角、方向盘转角限制值获得目标方向盘转角,根据所述目标方向盘转角、目标车速生成行驶控制指令;
实时获取当前周围环境信息,并根据所述行驶控制指令、实时获取的当前周围环境信息控制车辆行驶。
2.根据权利要求1所述的自动驾驶控制方法,其特征在于,其中所述当前周围环境信息包括当前本车周围环境中的障碍物位置信息和障碍物速度信息;
其中,所述根据所述本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息,包括:
根据所述本车当前位置信息、本车当前车速、障碍物位置信息、障碍物速度信息进行环境信息重构得到栅格图,以利用所述栅格图中的点表示所述本车当前位置信息、本车当前车速、障碍物位置信息、障碍物速度信息;其中所述栅格图为纵向控制输入信息。
3.根据权利要求1所述的自动驾驶控制方法,其特征在于,所述根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,包括:
如果所述导航指令为直行或换道,则获取本车的中间前视摄像头所拍摄的当前中间图像;
如果所述导航指令为路口左转,则获取本车的左前视摄像头所拍摄的当前左图像;
如果所述导航指令为路口右转,则获取本车的右前视摄像头所拍摄的当前右图像;
其中所述当前前视图像为所述当前中间图像、当前左图像或当前右图像。
4.根据权利要求3所述的自动驾驶控制方法,其特征在于,其中所述横向控制神经网络包括预先训练好的第一特征提取模块、直行横向决策模块、换道横向决策模块和转向横向决策模块;
其中,所述将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角,包括:
利用所述第一特征提取模块对所述当前前视图像进行卷积处理得到第一特征向量;
当所述当前前视图像为所述当前中间图像且所述导航指令为直行时,将所述第一特征向量输入所述直行横向决策模块进行处理得到初始方向盘转角;
当所述当前前视图像为所述当前中间图像且所述导航指令为换道时,将所述第一特征向量输入所述换道横向决策模块进行处理得到初始方向盘转角;
当所述当前前视图像为所述当前左图像且所述导航指令为路口左转,或者所述当前前视图像为所述当前右图像且所述导航指令为路口右转时,将所述第一特征向量输入所述转向横向决策模块进行处理得到初始方向盘转角。
5.根据权利要求1所述的自动驾驶控制方法,其特征在于,其中所述纵向控制神经网络包括预先训练好的第二特征提取模块、直行纵向决策模块、换道纵向决策模块和转向纵向决策模块;
其中,所述将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值,包括:
利用所述第二特征提取模块对所述纵向控制输入信息进行卷积处理得到第二特征向量;
当所述导航指令为直行时,将所述第二特征向量、导航指令输入所述直行纵向决策模块进行处理得到目标车速和方向盘转角限制值;
当所述导航指令为换道时,将所述第二特征向量、导航指令输入所述换道纵向决策模块进行处理得到目标车速和方向盘转角限制值;
当所述导航指令为路口左转或路口右转时,将所述第二特征向量、导航指令输入所述转向纵向决策模块进行处理得到目标车速和方向盘转角限制值。
6.根据权利要求5所述的自动驾驶控制方法,其特征在于,所述根据所述目标方向盘转角、目标车速生成行驶控制指令,包括:
根据所述目标车速计算油门控制量、刹车控制量;
根据所述目标方向盘转角、油门控制量、刹车控制量生成行驶控制指令。
7.根据权利要求1所述的自动驾驶控制方法,其特征在于,所述实时获取当前周围环境信息,并根据所述行驶控制指令、实时获取的当前周围环境信息控制车辆行驶,包括:
如果所述行驶控制指令为控制车辆执行,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量直行行驶;
如果所述行驶控制指令为控制车辆换道,则根据所述当前周围环境信息判定是否满足预设换道条件,如果满足预设换道条件,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量换道行驶;如果不满足预设换道条件,则控制车辆进行车道保持;
如果所述行驶控制指令为控制车辆路口左转或路口右转,则根据所述当前周围环境信息判定是否满足预设路口左转条件或预设路口右转条件,如果满足预设路口左转条件或预设路口右转条件,则控制车辆根据所述目标方向盘转角、油门控制量、刹车控制量路口转向行驶;如果不满足预设路口左转条件或预设路口右转条件,则控制车辆进行车道保持。
8.一种自动驾驶控制系统,用于执行权利要求1-7任一项所述的自动驾驶控制方法,其特征在于,包括:
副驾驶单元,用于获取本车当前位置信息,根据所述本车当前位置信息以及目的地位置信息进行导航规划获得导航指令;并且,获取本车当前车速和当前周围环境信息;
纵向输入获取单元,用于根据所述本车当前位置信息、本车当前车速、当前周围环境信息获得纵向控制输入信息;
正驾驶单元,用于根据所述导航指令获取本车的前视摄像头所拍摄的当前前视图像,将所述当前前视图像、导航指令输入预先训练好的横向控制神经网络进行处理得到初始方向盘转角;并且,将所述导航指令、纵向控制输入信息输入预先训练好的纵向控制神经网络进行处理得到目标车速和方向盘转角限制值;
控制指令生成单元,用于根据所述初始方向盘转角、方向盘转角限制值获得目标方向盘转角,根据所述目标方向盘转角、目标车速生成行驶控制指令;以及
行驶控制单元,用于实时获取当前周围环境信息,并根据所述行驶控制指令、实时获取的当前周围环境信息控制车辆行驶。
9.一种计算机设备,包括:根据权利要求8所述的自动驾驶控制系统;或者,存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行根据权利要求1-7中任一项所述自动驾驶控制方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1-6中任一项所述自动驾驶控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683233.1A CN113954857B (zh) | 2020-07-15 | 2020-07-15 | 一种自动驾驶控制方法及其系统、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010683233.1A CN113954857B (zh) | 2020-07-15 | 2020-07-15 | 一种自动驾驶控制方法及其系统、计算机设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113954857A CN113954857A (zh) | 2022-01-21 |
CN113954857B true CN113954857B (zh) | 2023-03-21 |
Family
ID=79459254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010683233.1A Active CN113954857B (zh) | 2020-07-15 | 2020-07-15 | 一种自动驾驶控制方法及其系统、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113954857B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2009123139A (ru) * | 2008-06-20 | 2010-12-27 | АГРОКОМ ГмбХ энд Ко. Аграрсистем КГ (DE) | Способ навигации сельскохозяйственного транспортного средства и сельскохозяйственное транспортное средство |
CN103383265A (zh) * | 2013-07-04 | 2013-11-06 | 浙江吉利汽车研究院有限公司杭州分公司 | 汽车自动驾驶系统 |
CN110825093A (zh) * | 2019-11-28 | 2020-02-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶策略生成方法、装置、设备及存储介质 |
CN110901638A (zh) * | 2018-08-28 | 2020-03-24 | 大陆泰密克汽车系统(上海)有限公司 | 驾驶辅助方法及系统 |
CN110949370A (zh) * | 2019-03-18 | 2020-04-03 | 长城汽车股份有限公司 | 自动驾驶车辆的安全监测方法、系统及运动控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106564495B (zh) * | 2016-10-19 | 2018-11-06 | 江苏大学 | 融合空间和动力学特性的智能车辆安全驾驶包络重构方法 |
-
2020
- 2020-07-15 CN CN202010683233.1A patent/CN113954857B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2009123139A (ru) * | 2008-06-20 | 2010-12-27 | АГРОКОМ ГмбХ энд Ко. Аграрсистем КГ (DE) | Способ навигации сельскохозяйственного транспортного средства и сельскохозяйственное транспортное средство |
CN103383265A (zh) * | 2013-07-04 | 2013-11-06 | 浙江吉利汽车研究院有限公司杭州分公司 | 汽车自动驾驶系统 |
CN110901638A (zh) * | 2018-08-28 | 2020-03-24 | 大陆泰密克汽车系统(上海)有限公司 | 驾驶辅助方法及系统 |
CN110949370A (zh) * | 2019-03-18 | 2020-04-03 | 长城汽车股份有限公司 | 自动驾驶车辆的安全监测方法、系统及运动控制系统 |
CN110825093A (zh) * | 2019-11-28 | 2020-02-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶策略生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113954857A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3825803B1 (en) | Collision-avoidance system for autonomous-capable vehicles | |
CN113267199B (zh) | 行驶轨迹规划方法及装置 | |
EP3873784A1 (de) | Steuerungssystem und steuerungsverfahren zum samplingbasierten planen möglicher trajektorien für kraftfahrzeuge | |
US12019414B2 (en) | Method for generating a training data set for training an artificial intelligence module for a control device of a vehicle | |
DE102019114867A1 (de) | Autonome fahrentscheidungen an kreuzungen unter verwendung eines hierarchischen optionalen markov-entscheidungsprozesses | |
CN113942524B (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
JP7322911B2 (ja) | 車両制御方法、車両制御システム、及び車両 | |
CN113525509B (zh) | 一种铰接车辆转向控制方法及装置 | |
CN117885764B (zh) | 车辆的轨迹规划方法、装置、车辆及存储介质 | |
US20200172120A1 (en) | Sensor device for an automated vehicle | |
CN115195718A (zh) | 一种车道保持辅助驾驶方法、系统及电子设备 | |
Kumar et al. | Vision-based outdoor navigation of self-driving car using lane detection | |
CN115494849A (zh) | 一种自动驾驶车辆导航控制方法及系统 | |
CN108528457B (zh) | 运动规划的方法、设备和具有指令的计算机可读存储介质 | |
US11899101B2 (en) | Predicting the course of a road on the basis of radar data | |
Wang et al. | Vision-based autonomous driving: A hierarchical reinforcement learning approach | |
Abdou et al. | End-to-end deep conditional imitation learning for autonomous driving | |
CN113954857B (zh) | 一种自动驾驶控制方法及其系统、计算机设备、存储介质 | |
Navarro et al. | Development of an autonomous vehicle control strategy using a single camera and deep neural networks | |
CN113954836A (zh) | 分段式导航换道方法及其系统、计算机设备、存储介质 | |
CN111830949B (zh) | 自动驾驶车辆控制方法、装置、计算机设备和存储介质 | |
Burleigh et al. | Deep learning for autonomous driving | |
Kashyap et al. | A Minimalistic Model for Converting Basic Cars Into Semi-Autonomous Vehicles Using AI and Image Processing | |
WO2021160273A1 (en) | Computing system and method using end-to-end modeling for a simulated traffic agent in a simulation environment | |
Yang et al. | Deep Reinforcement Learning Lane-Changing Decision Algorithm for Intelligent Vehicles Combining LSTM Trajectory Prediction |
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 |