CN114274980B - 轨迹控制方法、装置、车辆及存储介质 - Google Patents
轨迹控制方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN114274980B CN114274980B CN202210100296.9A CN202210100296A CN114274980B CN 114274980 B CN114274980 B CN 114274980B CN 202210100296 A CN202210100296 A CN 202210100296A CN 114274980 B CN114274980 B CN 114274980B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- cnn
- decision
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 56
- 230000007613 environmental effect Effects 0.000 claims abstract description 36
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000001537 neural effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 28
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 85
- 230000007547 defect Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种轨迹控制方法、装置、车辆及存储介质。该方法包括：获取当前环境数据；将所述当前环境数据输入至卷积神经网络‑支持向量机模型CNN‑SVM模型，以通过所述CNN‑SVM模型输出由至少两种行为决策的预测值组成的输出向量；根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。上述技术方案解决了智能车辆在自动驾驶过程中基于规则学习不能自调整、场景覆盖不完全等缺点，提高了自动驾驶车辆的行为决策可靠性和行车安全性。
Description
技术领域
本发明实施例涉及车辆控制技术领域，尤其涉及一种轨迹控制方法、装置、车辆及存储介质。
背景技术
随着人工智能飞速发展，智能车辆也逐渐融入我们生活，自动驾驶成为了未来交通的发展方向，自动驾驶不仅具备加减速、转向等常规汽车功能，还集成了环境感知、行为决策、路径规划、车辆控制等系统功能。
决策规划问题是自动驾驶中非常关键的一步，决策是否合理直接决定了自动驾驶车辆智能等级。因此也是自动驾驶发展要面对的重要难题。基于规则的行为决策是一种保守的行为决策系统，在多数情况下可以正常使用，但是并不能根据驾驶者的驾驶习惯等调整车辆的行为决策，由于状态切割划分条件导致车辆行为不连贯；行为规则库触发条件易重叠从而造成系统失效；而且基于规则的行为决策存在无法覆盖所有突发情况场景的缺点。综上，自动驾驶决策具有局限性，也无法保证自动驾驶过程的安全。
发明内容
本发明提供了一种轨迹控制方法、装置、车辆及存储介质，以实现对车辆行驶轨迹的智能控制，提高自动驾驶的灵活性和安全性。
第一方面，本发明实施例提供了一种轨迹控制方法，该轨迹控制方法包括：
获取当前环境数据；
将所述当前环境数据输入至卷积神经网络-支持向量机模型(ConvolutionalNeural Networks Support Vector Machines，CNN-SVM)模型，以通过所述CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量；
根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。
第二方面，本发明实施例还提供了一种轨迹控制装置，该轨迹控制装置包括：获取模块，用于获取当前环境数据；
预测模块，用于将所述当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，以通过所述CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量；
行为决策模块，用于根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。
第三方面，本发明实施例还提供了一种车辆，包括：处理器和存储装置，所述存储装置存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例所提供的的行为决策方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的行为决策方法。
本发明实施例提供一种轨迹控制方法、装置、车辆及存储介质，通过将所述当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，得到由至少两种行为决策的预测值组成的输出向量，根据所述输出向量确定目标行为决策，并按照目标行为决策控制车辆，从而解决了目前智能车辆在自动驾驶过程中基于规则学习不能自调整、场景覆盖不完全等缺点，提高了自动驾驶车辆的行为决策可靠性和行车安全性。
附图说明
图1是本发明实施例一中的一种轨迹控制方法的流程图；
图2a是本发明实施例二中的一种CNN-SVM模型训练方法的流程图；
图2b是本发明实施例二中的一种CNN-SVM模型的示意图；
图3是本发明实施例三中的一种轨迹控制装置的结构示意图；
图4是本发明实施例四中的一种车辆的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种轨迹控制方法的流程图，本实施例可适用于生成车辆自动驾驶行为决策的情况，由本发明实施例中的轨迹控制装置来执行，该装置可采用软件和/或硬件的方式实现，并集成在车辆中。如图1所示，该方法具体包括如下步骤：
S110、获取当前环境数据。
其中，当前环境数据可以包括车辆在当前场景下的位置数据和环境信息的集合。当前环境数据可为确定控制车辆轨迹的决策提供依据。
位置数据用于反映车辆当前所处的位置，例如可以为车辆当前所处位置的坐标，或者为车辆在规划路径中的实时位置等。
环境信息可以理解为车辆当前周边环境的信息，可以对当前时刻车辆周围一定范围内的环境信息的图片采样，图片中可以包括周围车辆的坐标、行驶路段的车道线情况、车辆周围一定范围内的障碍物情况、前方交通灯情况等。当前环境数据可以通过行车记录仪、雷达传感器、定位器或车载摄像设备等获取。
可选的，当前环境数据至少包括：自动驾驶地图数据、车辆行驶参数、路径规划数据、设定范围内的障碍物数据以及交通灯数据。
其中，自动驾驶地图数据也称为高精度地图数据、高分辨率地图数据，是面向自动驾驶汽车的一种新的地图数据范式。高精地图绝对位置精度接近1m相对位置精度在厘米级别，准确和全面地表征道路特征，并要求更高的实时性，是高精度地图最显著的特征。自动驾驶地图数据，可以提供准确的车辆位置信息，为确定轨迹控制提供准确的依据。车辆行驶参数为车辆在行驶过程中的一些指标和参数，可以包括自车速度、加速度和/或航向等信息。路径规划数据主要指与车辆当前的行驶路径相关的信息，例如导航信息以及全局导航得出的规划路径等。设定范围内的障碍物数据主要指与车辆附近的障碍物相关的信息，例如障碍物的位置、障碍物与车辆之间的距离以及障碍物的行驶方向等。交通灯数据包括交通信号灯的状态以及不同交通信号灯的切换时长等。
上述的当前环境数据都可能影响到车辆的决策。例如，如果当前交通信号灯为红灯，车辆当前所处位置为到达路口前的5米，则车辆需要急停；又如，如果车辆正前方5米内有障碍物，且在规划的路径上，在车辆相邻车道的20米范围内没有障碍物，车辆当前的速度低于40Km/h，则车辆需要变道等。
S120、将所述当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，以通过所述CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量。
其中，卷积神经网络-支持向量机模型CNN-SVM模型由卷积神经网络(Convolutional Neural Networks,CNN)和支持向量机(Support vector machines，SVM)两部分组成。CNN模型是一类包含卷积计算且具有深度结构的前馈神经网络,其作用是对输入数据进行特征提取、特征选择以及对选择的特征进行非线性组合等，最终输出对当前环境数据的特征识别结果；该识别结果输入至SVM，SVM是一种二分类模型，它将实例的特征向量映射为特征空间中的一些点，可以在特征空间中找到一个分离超平面，从而确定特征识别结果对应于某种决策的概率。
可选的，行为决策的主要指在自动驾驶过程中，可能致使车辆的轨迹发生改变的车辆行为，例如转弯、变道、巡航和急停等。每种行为决策对应的预测值可以理解为，在当前环境数据的基础上，采用这种行为决策的概率或权重，或者各行为决策与当前环境数据的匹配程度等。预测值越大，相应的，车辆更倾向于采用这种行为决策。输出向量由每种行为决策的预测值组成，根据输出向量可以明确每种行为决策的概率或权重，从而为车辆做出最终的决策提供基础。
具体的，将当前环境数据输入至预先训练完毕的CNN-SVM模型中，获取卷积层权重参数，再将全连接层的输出转换为SVM输入特征向量，预测当前场景下车辆的行为决策。
S130、根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。
所述输出向量包括不同行为决策的预测值，可用于表示采用各行为决策的概率或权重，或者各行为决策与当前环境数据的匹配程度等，据此可以从中选择与当前环境数据最匹配的行为决策，作为目标行为决策，作为控制车辆行驶轨迹的依据。例如，可以选取预测值最高的行为决策作为目标行为决策，也可以根据实际情况选择目标行为决策，本实施例在此不作限定。
本发明实施例一提供一种轨迹控制方法，通过将当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，得到由至少两种行为决策的预测值组成的输出向量，根据输出向量确定目标行为决策，并按照目标行为决策控制车辆，从而解决了目前智能车辆在自动驾驶过程中基于规则学习不能自调整、场景覆盖不完全等缺点，提高了自动驾驶车辆的行为决策可靠性和行车安全性。
可选的，在将当前环境数据输入至CNN-SVM模型之前，还包括：
S112：将当前环境数据归一化，得到当前环境数据的特征向量。具体的，为了能够使不同的环境数据具有可比性，使得原本可能分布相差较大的环境数据对模型有相同权重的影响，可采用数据归一化的方法，将当前环境数据处理为[0,1]范围内的特征向量，从而提高目标行为决策的可靠性。
可选的，通过CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量，包括：通过CNN-SVM模型对特征向量进行处理，并对处理后的特征向量映射到每种行为决策对应空间内的概率进行预测，各行为决策对应的预测值组成输出向量。
其中，卷积神经网络通常包含以下几种层：卷积层(Convolutional layer)，卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
线性整流层(Rectified Linear Units layer,ReLU layer)，这一层神经的活性化函数(Activation function)使用线性整流(Rectified Linear Units,ReLU)。
池化层(Pooling layer)，通常在卷积层之后会得到维度很大的特征，将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。
全连接层(Fully-Connected layer),把所有局部特征结合变成全局特征，用来计算最后每一类的得分。
具体的，通过CNN-SVM模型对特征向量进行的处理，可以包括卷积、池化等处理，从而实现对特征的提取和整合。
需要说明的是，对于车辆的行为决策，SVM扩展可解决多个类别分类问题：对于每个类，有一个当前类和其他类的二类分类器(one-vs-rest)，将多分类问题转化为n个二分类问题，n就是类别个数。由于训练好的模型的算法复杂度是由支持向量机的个数决定的，而不是由数据的维度决定的。针对处理后的特征向量映射到每种行为决策对应空间内的概率进行预测，每种行为决策的特征向量都可以映射为空间中的一个点，SVM的目的是，对于一种行为决策，需要找到一条线，能够在特征空间中将这种行为决策和其它所有行为决策的点划分开，在此基础上，可以得到各行为决策对应的预测值，并组成输出向量。
可选的，将输出向量中最高预测值所对应的行为决策作为目标行为决策。
例如，当前环境数据包括：当前车辆的车速为60km/h，周围车辆的车速为58km/h，周围车辆车距为4m，前方50米处出现障碍物，CNN-SVM模型的输出向量表明转弯的预测值为0.5，变道的预测值为0.1，巡航的预测值0，急停的预测值为0.85，则可以将急停作为目标行为决策，并据此采取制动措施，控制车辆急停。在此基础上，可以根据当前环境数据，智能地做出最合适的决策，提高了自动驾驶过程中决策与轨迹控制的可靠性，也能够保证行车安全。
实施例二
图2a示出了本发明实施例二提供的一种CNN-SVM模型训练方法的流程图，本实施例对上述实施例中的可选实施方式进一步优化，具体说明对CNN-SVM模型进行训练的过程，具体包括以下步骤：
S210、获取所述车辆的历史轨迹数据以及历史环境数据，其中，所述历史轨迹数据以及所述历史环境数据以相同的采样频率采集。
具体的，在模型训练过程中首先要采集大量的训练样本，针对CNN-SVM模型，获取车辆的历史轨迹数据和历史环境数据，历史轨迹数据和历史环境数据可以指在过去的一段设定时间内，车辆行驶的轨迹和在轨迹上各位置的环境数据。其中，可以通过对车辆的行驶轨迹进行采样，得到每个采样点的坐标，用于反映出精确的轨迹。采集历史轨迹数据以及历史环境数据应当按照相同的采样频率进行采集。
例如，在历史某t时刻，历史环境数据X为高精地图数据、自车速度加速度航向、全局导航得出的规划路径、周围车辆的车速及车距、前方交通灯情况等信息的集合，Xt＝{At,Bt,Ct,Dt,Et}，其中A为高精地图数据，B为t时刻自车速度加速度航向等信息，C为t时刻全局导航得出的规划路径，D为t时刻周围车辆的车速及车距，E为t时刻前方交通灯情况。其中每时刻的X均为长度相同向量表示的环境情况。
S220、根据所述历史轨迹数据生成所述车辆的历史决策数据，所述历史决策数据与所述历史环境数据具有时序对应关系。
目前本系统的行为决策结果由转弯、变道、巡航、急停四种组成，可更具实际情况增加或减少，在此不做限定。通过车辆的历史轨迹数据可以得到车辆的历史决策数据，CNN-SVM模型应当根据任意时刻的环境数据确定相应的行为决策，因此，历史决策数据与历史环境数据具有时序对应关系。
车辆行为决策预测可以理解为一个映射问题，即为车辆的环境状况由五种环境因素集合成的特征向量映射为四种行为决策的过程，每一种环境因素对应到行为决策种的一种，即对于一个时刻的一种环境，能够唯一确定出一种决策。因此可以看作是输出为由转弯、变道、巡航、急停等情况组成的输出向量。
S230、选取设定比例的历史环境数据及时序对应的历史决策数据，并基于选取的历史环境数据以及历史决策数据训练所述CNN-SVM模型。
具体的，选取设定比例的历史环境数据及时序对应的历史决策数据，所述设定比例可根据训练模型准确度进行设定，在此不作规定。利用选取的历史环境数据以及历史决策数据训练CNN-SVM模型。
可选的，卷积神经网络CNN模型包括两个卷积层、两个池化层以及一个全连接层。图2b是本发明提供的一种CNN-SVM模型的示意图，如图所示，CNN网络模型可以通过训练输入历史环境数据以及历史决策数据，CNN有两个卷积层，一个全连接层，其中卷积层卷积核大小为5*5，步长为1，池化层卷积核大小为2*2，第一个全连接层输出FC1转化为特征向量输入SVM。再将输入和输出数据进行十字交叉验证法训练深度学习模型，调整参数，在预测精度不再提高时停止训练，十字交叉验证法其实就是将所采集的历史环境数据及时序对应的历史决策数据分为两部分，一部分做为训练集，另一部分做为验证集，首先用训练集对CNN-SVM模型进行训练，再利用验证集来测试训练得到的模型。
可选的，将未选取的历史环境数据输入经过训练的CNN-SVM模型；根据CNN-SVM模型的输出，与未选取的历史环境数据时序对应的历史决策数据之间的误差，验证CNN-SVM模型的预测准确率。
具体的，将设定比例之外的其他历史环境数据输入至已经经过训练的CNN-SVM模型中，经CNN-SVM模型处理后输出由转弯、变道、巡航、急停等情况组成的输出向量，按照默认选取规则，验证设定比例之外的其他历史环境数据与历史决策数据是否一致及设定比例之外的其他历史环境数据与历史决策数据之间的误差，可用于判断是否继续对CNN-SVM模型进行训练。
本实施例的技术方案为CNN-SVM模型得训练，通过将获取得到得历史环境数据以及历史决策数据按照设定比例训练所述CNN-SVM模型，并将将未选取的历史环境数据输入经过训练的CNN-SVM模型，并利用所述未选取的历史环境数据时序对应的历史决策数据验证训练后的CNN-SVM模型的预测准确率，从而保证CNN-SVM模型的预测准确率，提高决策的可靠性，进一步保证自动驾驶的安全性。
实施例三
图3示出了本发明实施例三提供的一种轨迹控制装置的结构示意图，该装置可以集成于进行图像数据数据处理的设备中，可选的是与车载摄像设备相连接的计算机设备。本发明实施例可适用于智能驾驶控制车辆轨迹的情况。
如图3所示，该装置包括：获取模块310、预测模块320和行为决策模块330。
其中，获取模块，用于获取当前环境数据；
预测模块，用于将所述当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，以通过所述CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量；
行为决策模块，用于根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。
本发明实施例三提供一种轨迹控制装置，通过将所述当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，得到由至少两种行为决策的预测值组成的输出向量，根据所述输出向量确定目标行为决策，并按照目标行为决策控制车辆，从而解决了目前智能车辆在自动驾驶过程中基于规则学习不能自调整、场景覆盖不完全等缺点，提高了自动驾驶车辆的行为决策准确性和行车安全性。
可选的，该装置还包括：预处理模块，用于在将所述当前环境数据输入至CNN-SVM模型之前，将所述当前环境数据归一化，得到所述当前环境数据的特征向量。
所述预测模块，还用于通过所述CNN-SVM模型对所述特征向量进行处理，并对处理后的特征向量映射到每种行为决策对应空间内的概率进行预测，各所述行为决策对应的预测值组成所述输出向量。
可选的，所述行为决策模块，还用于将所述输出向量中最高预测值所对应的行为决策作为所述目标行为决策。
可选的，所述CNN-SVM模型包括CNN和SVM，其中，所述CNN包括两个卷积层、两个池化层以及一个全连接层；所述全连接层的输出为所述SVM的输入。
可选的，轨迹控制装置还包括：
模型训练模块，用于对所述CNN-SVM模型进行训练。
可选的，所述模型训练模块，包括：
子获取模块，用于获取所述车辆的历史轨迹数据以及历史环境数据，其中，所述历史轨迹数据以及所述历史环境数据以相同的采样频率采集。
子生成模块，用于根据所述历史轨迹数据生成所述车辆的历史决策数据，所述历史决策数据与所述历史环境数据具有时序对应关系。
子训练模块，用于选取设定比例的历史环境数据及时序对应的历史决策数据，并基于选取的历史环境数据以及历史决策数据训练所述CNN-SVM模型。
可选的，所述模型训练模块，还包括：
子选取模块，用于将未选取的历史环境数据输入经过训练的CNN-SVM模型；
子验证模块，用于根据所述CNN-SVM模型的输出，与所述未选取的历史环境数据时序对应的历史决策数据之间的误差，验证所述CNN-SVM模型的预测准确率。
可选的，所述当前环境数据至少包括：自动驾驶地图数据、车辆行驶参数、路径规划数据、设定范围内的障碍物数据以及交通灯数据；
所述行为决策至少包括：转弯、变道、巡航以及急停。
实施例四
图4为本发明实施例4提供的一种车辆的结构示意图，如图4所示，该车辆包括处理器40、存储器41、输入装置42和输出装置43；该车辆中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；车辆中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的轨迹控制方法对应的程序指令/模块(例如，轨迹控制装置中的获取模块310、预测模块320和行为决策模块330)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行车辆的各种功能应用以及数据处理，即实现上述的轨迹控制方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至车辆。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符等信息，以及产生与车辆的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种计算机可读存储介质，所述计算机可读存储介质在由计算机处理器执行时用于执行一种轨迹控制方法，该方法包括：
获取当前环境数据；
将所述当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，以通过所述CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量；
根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。
当然,本发明实施例所提供的一种包含计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的轨迹控制方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种轨迹控制方法，其特征在于，包括：
获取当前环境数据；
将所述当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，以通过所述CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量；
根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹；
所述CNN-SVM模型的训练过程包括：
获取所述车辆的历史轨迹数据以及历史环境数据，其中，所述历史轨迹数据以及所述历史环境数据以相同的采样频率采集；
根据所述历史轨迹数据生成所述车辆的历史决策数据，所述历史决策数据与所述历史环境数据具有时序对应关系；
选取设定比例的历史环境数据及时序对应的历史决策数据，并基于选取的历史环境数据以及历史决策数据训练所述CNN-SVM模型。
2.根据权利要求1所述的方法，其特征在于，在将所述当前环境数据输入至CNN-SVM模型之前，还包括：
将所述当前环境数据归一化，得到所述当前环境数据的特征向量；
所述通过所述CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量，包括：
通过所述CNN-SVM模型对所述特征向量进行处理，并对处理后的特征向量映射到每种行为决策对应空间内的概率进行预测，各所述行为决策对应的预测值组成所述输出向量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述输出向量确定目标行为决策，包括：
将所述输出向量中最高预测值所对应的行为决策作为所述目标行为决策。
4.根据权利要求1所述的方法，其特征在于，所述CNN-SVM模型包括CNN和SVM，其中，所述CNN包括两个卷积层、两个池化层以及一个全连接层；所述全连接层的输出为所述SVM的输入。
5.根据权利要求1所述的方法，其特征在于，还包括：
将未选取的历史环境数据输入经过训练的CNN-SVM模型；
根据所述CNN-SVM模型的输出，与所述未选取的历史环境数据时序对应的历史决策数据之间的误差，验证所述CNN-SVM模型的预测准确率。
6.根据权利要求1所述的方法，其特征在于，所述当前环境数据至少包括：自动驾驶地图数据、车辆行驶参数、路径规划数据、设定范围内的障碍物数据以及交通灯数据；
所述行为决策至少包括：转弯、变道、巡航以及急停。
7.一种轨迹控制装置，其特征在于，包括：
获取模块，用于获取当前环境数据；
预测模块，用于将所述当前环境数据输入至卷积神经网络-支持向量机模型CNN-SVM模型，以通过所述CNN-SVM模型输出由至少两种行为决策的预测值组成的输出向量；
行为决策模块，用于根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹；
模型训练模块，用于对所述CNN-SVM模型进行训练；
所述模型训练模块，包括：
子获取模块，用于获取所述车辆的历史轨迹数据以及历史环境数据，其中，所述历史轨迹数据以及所述历史环境数据以相同的采样频率采集；
子生成模块，用于根据所述历史轨迹数据生成所述车辆的历史决策数据，所述历史决策数据与所述历史环境数据具有时序对应关系；
子训练模块，用于选取设定比例的历史环境数据及时序对应的历史决策数据，并基于选取的历史环境数据以及历史决策数据训练所述CNN-SVM模型。
8.一种车辆，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的轨迹控制方法。
9.一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，该程序被处理器执行时实现如权利要求1-6中任一所述的轨迹控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210100296.9A CN114274980B (zh) | 2022-01-27 | 2022-01-27 | 轨迹控制方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210100296.9A CN114274980B (zh) | 2022-01-27 | 2022-01-27 | 轨迹控制方法、装置、车辆及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114274980A CN114274980A (zh) | 2022-04-05 |
| CN114274980B true CN114274980B (zh) | 2024-07-26 |
Family
ID=80881699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210100296.9A Active CN114274980B (zh) | 2022-01-27 | 2022-01-27 | 轨迹控制方法、装置、车辆及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114274980B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115071757A (zh) * | 2022-06-22 | 2022-09-20 | 深圳市芯存科技有限公司 | 一种存算一体芯片、控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415266A (zh) * | 2019-07-19 | 2019-11-05 | 东南大学 | 一种基于本车周围车辆轨迹预测安全行驶的方法 |
| CN111967087A (zh) * | 2020-07-16 | 2020-11-20 | 山东派蒙机电技术有限公司 | 基于神经网络的网联车辆决策控制模型建立及评估方法 |
| CN112085165A (zh) * | 2020-09-02 | 2020-12-15 | 中国第一汽车股份有限公司 | 一种决策信息生成方法、装置、设备及存储介质 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018211141A1 (en) * | 2017-05-19 | 2018-11-22 | Deepmind Technologies Limited | Imagination-based agent neural networks |
| EP3671542A1 (en) * | 2018-12-18 | 2020-06-24 | Visteon Global Technologies, Inc. | Method for multilane detection using a convolutional neural network |
| CN110304045B (zh) * | 2019-06-25 | 2020-12-15 | 中国科学院自动化研究所 | 智能驾驶横向换道决策方法、系统和装置 |
| US11586931B2 (en) * | 2019-10-31 | 2023-02-21 | Waymo Llc | Training trajectory scoring neural networks to accurately assign scores |
| CN110929431B (zh) * | 2020-02-03 | 2020-06-09 | 北京三快在线科技有限公司 | 一种车辆行驶决策模型的训练方法及装置 |
| CN113805572B (zh) * | 2020-05-29 | 2023-12-15 | 华为技术有限公司 | 运动规划的方法与装置 |
| CN112435503B (zh) * | 2020-10-30 | 2022-02-15 | 江苏大学 | 一种辨识高危行人意图的智能汽车主动避撞方法 |
| CN113552883B (zh) * | 2021-07-19 | 2024-05-14 | 吉林大学 | 基于深度强化学习的地面无人车自主驾驶方法及系统 |
-
2022
- 2022-01-27 CN CN202210100296.9A patent/CN114274980B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415266A (zh) * | 2019-07-19 | 2019-11-05 | 东南大学 | 一种基于本车周围车辆轨迹预测安全行驶的方法 |
| CN111967087A (zh) * | 2020-07-16 | 2020-11-20 | 山东派蒙机电技术有限公司 | 基于神经网络的网联车辆决策控制模型建立及评估方法 |
| CN112085165A (zh) * | 2020-09-02 | 2020-12-15 | 中国第一汽车股份有限公司 | 一种决策信息生成方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114274980A (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220212693A1 (en) | Method and apparatus for trajectory prediction, device and storage medium | |
| US10324469B2 (en) | System and method for controlling motion of vehicle in shared environment | |
| EP3959576A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
| JP2023510136A (ja) | 知覚、予測又は計画のための地理的位置特定モデル | |
| CN114061581A (zh) | 通过相互重要性对自动驾驶车辆附近的智能体排名 | |
| WO2022151666A1 (en) | Systems, methods, and media for evaluation of trajectories and selection of a trajectory for a vehicle | |
| US11657635B2 (en) | Measuring confidence in deep neural networks | |
| US20220111859A1 (en) | Adaptive perception by vehicle sensors | |
| US11338810B2 (en) | Vehicle yield decision | |
| KR20210118995A (ko) | 딥러닝 기반 자율주행차량의 유턴 경로 생성 방법 및 장치 | |
| CN114763150A (zh) | 对故障状况进行排名 | |
| US11164457B2 (en) | Vehicle control system | |
| US20230331250A1 (en) | Method and apparatus for configuring deep learning algorithm for autonomous driving | |
| CN114274980B (zh) | 轨迹控制方法、装置、车辆及存储介质 | |
| CN117033562B (zh) | 基于场景要素匹配的危险预测方法以及系统 | |
| CN117755336A (zh) | 基于大模型的车辆自动驾驶方法及系统 | |
| EP4156043A1 (en) | Driver scoring system and method with accident proneness filtering using alert clustering and safety-warning based road classification | |
| CN116168210A (zh) | 用于神经网络的对抗鲁棒性的特征的选择性剔除 | |
| US11745766B2 (en) | Unseen environment classification | |
| US20220402522A1 (en) | Tree based behavior predictor | |
| CN112596514B (zh) | 控制操作调整方法、装置、可移动载体及存储介质 | |
| CN114722931A (zh) | 车载数据处理方法、装置、数据采集设备和存储介质 | |
| US11262201B2 (en) | Location-based vehicle operation | |
| CN113159271A (zh) | 时间cnn后部碰撞警报系统 | |
| CN114217601B (zh) | 自驾车的混合决策方法及其系统 |
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 |