CN114323054A - 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 - Google Patents
自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114323054A CN114323054A CN202210033584.7A CN202210033584A CN114323054A CN 114323054 A CN114323054 A CN 114323054A CN 202210033584 A CN202210033584 A CN 202210033584A CN 114323054 A CN114323054 A CN 114323054A
- Authority
- CN
- China
- Prior art keywords
- lane
- target vehicle
- vehicle
- determining
- time period
- 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 76
- 230000008859 change Effects 0.000 claims description 101
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请提供了一种自动驾驶车辆行驶轨迹的确定方法、装置及电子设备，该方法包括：首先获取目标车辆的行驶特征和车道结构特征，进而根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图，其中的第一预设时间段为短时时间段，然后根据变道意图确定车辆在第二预设时间段内的行驶轨迹，其中的第二预设时间段为长时时间段，通过将短时的意图预测与长时的轨迹预测相结合，使最终确定的行驶轨迹既能准确判断车辆的变道意图，又能够为变道后的车辆规划更加合理的行驶轨迹，避免发生车辆碰撞情况，有效提升了自动驾驶车辆行驶的安全性。
Description
技术领域
本申请涉及自动驾驶技术领域，尤其是涉及一种自动驾驶车辆行驶轨迹的确定方法、装置及电子设备。
背景技术
随着人工智能的快速发展，更多的企业和科研机构将更多的研发精力投入到自动驾驶领域的研究中。如何安全有效的规划行驶路线，是自动驾驶领域非常重要的研究课题，同时也是急需解决的难题之一。其涵盖了自动驾驶的所有技术领域，从最基础的制动器，到感知周围环境的传感器，再到定位及预测模型等。
现有技术中，对于自动驾驶车辆行驶路径的规划主要是针对未来4至10秒左右的行驶轨迹做出判断，主要分为短时序(<4s)的轨迹预测和长时序(>4s)的轨迹预测。
然而，短时序的轨迹预测方法，预测的轨迹较短，难以为更长久的轨迹做出预测，而长时序的轨迹预测方法，难以排除障碍物行驶轨迹之间的重合度，不能确保车辆与障碍物无碰撞。
发明内容
有鉴于此，本申请的目的在于提供一种自动驾驶车辆行驶轨迹的确定方法、装置及电子设备，以提升自动驾驶车辆行驶的安全性。
第一方面，本申请实施例提供一种自动驾驶车辆行驶轨迹的确定方法，该方法包括：获取目标车辆的行驶特征和车道结构特征；其中，行驶特征用于表述目标车辆以及与目标车辆相距指定范围内的相关车辆的历史行驶信息，车道结构特征用于表征目标车辆所处的当前车道以及目标车辆预计切换到的目标车道的车道信息；根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图；根据变道意图确定目标车辆在第二预设时间段内的行驶轨迹；其中，第二预设时间段的第二开始时间与第一预设时间段的第一开始时间相同，且第二预设时间段的第二结束时间晚于第一预设时间段的第一结束时间。
进一步地，上述行驶特征包括目标车辆的第一历史轨迹信息；获取目标车辆的行驶特征的步骤，包括：将目标车辆在当前时刻所处的位置作为原点坐标；将当前时刻之前第一预定数量个连续时刻中，每个时刻目标车辆的位置与原点坐标的相对位置作为该时刻的时刻坐标；将第一预定数量个连续时刻对应的时刻坐标构成的集合确定为目标车辆的第一历史轨迹信息。
进一步地，上述行驶特征还包括相关车辆的第二历史轨迹信息；相关车辆包括以下至少一者：目标车道中与目标车辆距离小于第一距离阈值且位于目标车辆行驶方向前方的第一相关车辆；目标车道中与目标车辆距离小于第二距离阈值且位于目标车辆行驶方向后方的第二相关车辆。
进一步地，上述车道结构特征包括目标车辆所在的当前车道的第一结构信息；获取目标车辆的车道结构特征的步骤，包括：获取当前车道的中心线上第二预定数量个连续位置的位置信息以及第二预定数量个连续位置间的道路转角信息；其中，第二预定数量个连续位置中，每两个相邻位置之间的距离相等；将第二预定数量个连续位置对应的位置信息和道路转角信息构成的集合确定为目标车辆所在的当前车道的第一结构信息。
进一步地，上述车道结构特征还包括目标车道的第二结构信息；其中，第二结构信息包括第三预定数量个连续位置对应的位置信息和第三预定数量个连续位置间的道路转角信息。
进一步地，上述根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图的步骤，包括：根据行驶特征和车道结构特征，确定目标车辆变换到当前车道相邻的目标车道的变道概率；根据变道概率确定目标车辆的变道意图。
进一步地，上述变道意图包括变道和不变道；根据变道概率确定目标车辆的变道意图的步骤包括：判断变道概率是否大于概率阈值；如果是，确定目标车辆在第一预设时间段内变道至目标车道。
进一步地，上述根据行驶特征和车道结构特征，确定目标车辆变换到当前车道相邻的目标车道的变道概率的步骤，包括：将行驶特征和车道结构特征输入意图预测神经网络模型，得到目标车辆变换到当前车道相邻的目标车道的变道概率。
进一步地，上述根据变道意图确定目标车辆在第二预设时间段内的行驶轨迹的步骤，包括：获取目标车辆的速度信息以及目标车道与当前车道之间的距离信息；根据速度信息和距离信息确定目标车辆在第二预设时间段内的行驶轨迹。
进一步地，上述速度信息包括目标车辆在当前时刻的当前速度，距离信息包括目标车道与当前车道的中心线距离；根据速度信息和距离信息确定目标车辆在第二预设时间段内的行驶轨迹的步骤，包括：根据当前速度和距离信息，确定当前时刻之后第三预定数量个连续时刻目标车辆的位置信息；将第三预定数量个连续时刻对应的位置信息构成的集合确定为目标车辆在第二预设时间段内的行驶轨迹；其中，第三预定数量个连续时刻中的起始时刻和结束时刻构成的时间段等于第二预设时间段。
第二方面，本申请实施例还提供一种自动驾驶车辆行驶轨迹的确定装置，该装置包括：特征获取模块，用于获取目标车辆的行驶特征和车道结构特征；其中，行驶特征用于表述目标车辆以及与目标车辆相距指定范围内的相关车辆的历史行驶信息，车道结构特征用于表征目标车辆所处的当前车道以及目标车辆预计切换到的目标车道的车道信息；变道意图确定模块，用于根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图；行驶轨迹确定模块，用于根据变道意图确定目标车辆在第二预设时间段内的行驶轨迹；其中，第二预设时间段的第二开始时间与第一预设时间段的第一开始时间相同，且第二预设时间段的第二结束时间晚于第一预设时间段的第一结束时间。
第三方面，本申请实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面的自动驾驶车辆行驶轨迹的确定方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面的自动驾驶车辆行驶轨迹的确定方法。
与现有技术相比，本申请具有以下有益效果：
本申请实施例提供的上述自动驾驶车辆行驶轨迹的确定方法、装置及电子设备，首先获取目标车辆的行驶特征和车道结构特征，进而根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图，其中的第一预设时间段为短时时间段，然后根据变道意图确定车辆在第二预设时间段内的行驶轨迹，其中的第二预设时间段为长时时间段，通过将短时的意图预测与长时的轨迹预测相结合，使最终确定的行驶轨迹既能准确判断车辆的变道意图，又能够为变道后的车辆规划更加合理的行驶轨迹，避免发生车辆碰撞情况，有效提升了自动驾驶车辆行驶的安全性。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本申请的一些实施方式，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为本申请实施例提供的一种电子系统的结构示意图；
图2为本申请实施例提供的一种自动驾驶车辆行驶轨迹的确定方法的流程图；
图3为本申请实施例提供的一种目标车辆行驶特征的确定方法的流程图；
图4为本申请实施例提供的另一种自动驾驶车辆行驶轨迹的确定方法的流程图；
图5为本申请实施例提供的一种意图预测神经网络模型的结构示意图；
图6为本申请实施例提供的另一种自动驾驶车辆行驶轨迹的确定方法的流程图；
图7为本申请实施例提供的一种自动驾驶车辆行驶轨迹的确定装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
自动驾驶任务的执行流程可大致分为三个阶段：感知融合、决策规划和控制。根据感知层所融合的自车及周边环境以及障碍物的行驶轨迹，自动驾驶车辆可以制定出当前状态下合理的决策(保持跟车、变道等)并规划出一条安全的行驶路线传输到控制层，最后由控制层精确的控制车辆沿特定轨迹运动。其中，车辆及行人的行为意图以及未来行驶轨迹的准确预测对于自动驾驶车辆能否提前做出合理、智能的路径规划起到了至关重要的作用。目前，车辆轨迹的预测算法主要针对未来4至10秒左右的行驶轨迹做出判断。准确合理的轨迹预测既要考虑周边障碍物之间彼此交互的影响，又要考虑到预测轨迹覆盖的时序长度。短时序(<4s)的行驶意图及轨迹预测虽然可以考虑障碍物交互作用的影响，却难以扩展延伸为更为长久的预测轨迹。另一方面，直接输出长时序(>4s)的预测轨迹则难以排除障碍物未来行驶轨迹之间的重合度，无法确保不同障碍物预测轨迹的无碰撞性。基于此，本申请实施例提供一种自动驾驶车辆行驶轨迹的确定方法、装置及电子设备，以提高自动驾驶车辆的安全性能。
参照图1所示的电子系统100的结构示意图。该电子系统可以用于实现本申请实施例的自动驾驶车辆行驶轨迹的确定方法和装置。
如图1所示的一种电子系统的结构示意图，电子系统100包括一个或多个处理设备102、一个或多个存储装置104。可选地，电子系统100还可以包括输入装置106、输出装置108以及一个或多个数据采集设备110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子系统100的组件和结构只是示例性的，而非限制性的，根据需要，电子系统可以具有图1中的部分组件，也可以具有其他组件和结构。
处理设备102可以为服务器、智能终端，或者是包含中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元的设备，可以对电子系统100中的其它组件的数据进行处理，还可以控制电子系统100中的其它组件以执行自动驾驶车辆行驶轨迹的确定功能。
存储装置104可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理设备102可以运行程序指令，以实现下文的本申请实施例中(由处理设备实现)的客户端功能以及/或者其它期望的功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据，例如应用程序使用和/或产生的各种数据等。
输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
输出装置108可以向外部(例如，用户)输出各种信息(例如，图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。
数据采集设备110可以获取待处理数据，并且将该待处理数据存储在存储装置104中以供其它组件使用。
示例性地，用于实现根据本申请实施例的自动驾驶车辆行驶轨迹的确定方法、装置及电子设备中的各器件可以集成设置，也可以分散设置，诸如将处理设备102、存储装置104、输入装置106和输出装置108集成设置于一体，而将数据采集设备110设置于可以采集到数据的指定位置。当上述电子系统中的各器件集成设置时，该电子系统可以被实现为诸如相机、智能手机、平板电脑、计算机、车载终端等智能终端。
图2为本申请实施例提供的一种自动驾驶车辆行驶轨迹的确定方法的流程图，如图2所示，该方法包括以下步骤：
S202：获取目标车辆的行驶特征和车道结构特征；
其中，上述的行驶特征用于表述目标车辆以及与目标车辆相距指定范围内的相关车辆的历史行驶信息，目标车辆即为通过本申请实施例想要进行行驶轨迹确定的车辆，与目标车辆相距指定范围内的相关车辆，说明相关车辆与目标车辆距离较近，有可能在未来一段时间存在相互碰撞的可能，属于在预测轨迹的过程中需要充分考虑的因素。相关车辆可以是与目标车辆相同车道的相关车辆，也可以是与目标车辆相邻车道的相关车辆，还可以是目标车辆想要变道的目标车道中的相关车辆。目标车辆的行驶特征既包括目标车辆本身的行驶特征，还包括相关车辆的行驶特征，该行驶特征可以包括车辆的速度，车辆之间的相对位置关系，车辆的历史轨迹等。
上述车道结构特征，用于表征目标车辆所处的当前车道以及目标车辆预计切换到的目标车道的车道信息，车道信息可以包括车道之间的相互位置关系，未来预设距离的车道的位置信息，转角信息等。
具体实施时，可以首先获取当前时刻之前的预定时间段内，各个时间点上目标车辆的位置，和相关车辆的位置，将多个目标车辆的位置信息组成目标车辆的第一历史轨迹，相关车辆的多个位置信息组成相关车辆的第二历史轨迹，第一历史轨迹信息和第二历史轨迹信息构成目标车辆的行驶特征。同时，还可以获取目标车辆所在车道和目标车道以当前时刻的目标车辆的位置为起点，向车辆行驶方向上预设一段距离的位置和角度信息，作为车道结构特征。
S204：根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图；
目标车辆在未来一段时间内，首先需要产生变道意图，然后实施变道行为，因此，目标车辆在上述一段时间内的行驶分为两个阶段，即第一阶段的变道意图确定阶段，和第二阶段的变道后的行驶阶段。第一预设时间段对应于上述第一阶段，需要在当前时刻确定车辆是否可以进行变道，具体地，可以根据行驶特征和车道结构特征，确定目标车辆变道至目标车道的变道概率，并基于变道概率确定变道意图。变道概率的确定，需要考虑车辆的速度、目标车辆与其他车辆的距离是否足够大等因素，具体的确定方法，将在下文详细阐述，在此不再赘述。
S206：根据变道意图确定目标车辆在第二预设时间段内的行驶轨迹；其中，第二预设时间段的第二开始时间与第一预设时间段的第一开始时间相同，且第二预设时间段的第二结束时间晚于第一预设时间段的第一结束时间。
确定了目标车辆需要在第一预设时间段进行变道后，需要进一步确定变道后按照怎样的行驶轨迹进行行驶。行驶轨迹的确定主要考虑目标车道上的车辆与目标车辆之间的距离关系，在确保以特定速度进入目标车道后，与其他车辆不发生碰撞。上述第一预设时间段是第二预设时间段的子集，即从当前时刻开始，到目标车辆确定变道的时刻，为第一预设时间段，从当前时刻开始，到目标车辆成功变道至目标车道后，为第二预设时间段。
本申请实施例提供的上述自动驾驶车辆行驶轨迹的确定方法，首先获取目标车辆的行驶特征和车道结构特征，进而根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图，其中的第一预设时间段为短时时间段，然后根据变道意图确定车辆在第二预设时间段内的行驶轨迹，其中的第二预设时间段为长时时间段，通过将短时的意图预测与长时的轨迹预测相结合，使最终确定的行驶轨迹既能准确判断车辆的变道意图，又能够为变道后的车辆规划更加合理的行驶轨迹，避免发生车辆碰撞情况，有效提升了自动驾驶车辆行驶的安全性。
在一些可能的实施方式中，上述行驶特征包括目标车辆的第一历史轨迹信息，基于此，上述实施例中的S202中获取目标车辆的行驶特征的步骤，可以具体包括：
(1)将目标车辆在当前时刻所处的位置作为原点坐标；
(2)将当前时刻之前第一预定数量个连续时刻中，每个时刻目标车辆的位置与原点坐标的相对位置作为该时刻的时刻坐标；
(3)将第一预定数量个连续时刻对应的时刻坐标构成的集合确定为目标车辆的第一历史轨迹信息。
需要注意的是，目标车辆的行驶特征除了目标车辆的历史轨迹信息，还包括相关车辆的历史轨迹信息，即第二历史轨迹信息，第二历史轨迹信息的计算方法与第一历史轨迹信息的计算方法相同，在此不再赘述。在一些示例中，相关车辆包括以下中的至少一者：
(1)目标车道中与目标车辆距离小于第一距离阈值且位于目标车辆行驶方向前方的第一相关车辆；
(2)目标车道中与目标车辆距离小于第二距离阈值且位于目标车辆行驶方向后方的第二相关车辆。
为了便于理解，下面将结合图3，从实际应用场景中举例说明如何确定目标车辆的行驶特征，图3中车辆A为目标车辆，车辆A所在的车道2为当前车道，车道1为车辆A想要变道的目标车道，其中车辆B和车辆C为目标车道上与目标车辆距离最近的前后两辆车，各个车辆的历史轨迹考虑从当前时刻出发，过去2s内的运动轨迹。以目标车辆当前时刻的位置(x0,y0)为坐标原点，当前的航向角θ为坐标轴的转向，并采用0.1s的时间间隔。因此，相关车辆的历史轨迹长度为20，每个时刻位置(x,y)相对与坐标原点的相对位置可以通过以下公式(1)计算得到：
同理，车辆B当前时刻的坐标为(x2，y2)，航向角为
车辆C当前时刻的坐标为(x1，y1)，航向角为
车辆B和车辆C的历史轨迹的计算方法同样采用上述公式(1)，在此不再赘述。
在一些可能的实施方式中，在进行目标车辆的变道轨迹的预测之前，还需要获取车道结构特征，其中，车道结构特征包括目标车辆所在的当前车道的第一结构信息；第一结构信息可以具体通过以下方法确定：
(1)获取当前车道的中心线上第二预定数量个连续位置的位置信息以及第二预定数量个连续位置间的道路转角信息；其中，第二预定数量个连续位置中，每两个相邻位置之间的距离相等；
上述的道路转角
(2)将第二预定数量个连续位置对应的位置信息和道路转角信息构成的集合确定为目标车辆所在的当前车道的第一结构信息。
需要注意的是，车道结构特征还包括目标车道的第二结构信息；其中，第二结构信息包括第三预定数量个连续位置对应的位置信息和第三预定数量个连续位置间的道路转角信息。
第二结构信息和第一结构信息的确定方法相同，下面以实际应用场景为例，进行解释说明：中心线的离散点的距离间隔为1m，考虑的车道长度为80m，共计80个点。中心线上每个点的位置坐标同样采用公式(1)转换为局部坐标系下的位置信息，道路偏转角
则使用相对于目标车辆当前时刻的航向角θ的处理方式，即
本申请在上述实施例的基础上，还提供了另一种自动驾驶车辆行驶轨迹的确定方法，该方法侧重于描述如何确定目标车辆的变道意图，如图4所示，该方法具体包括以下步骤：
S402：获取目标车辆的行驶特征和车道结构特征；
S404：根据行驶特征和车道结构特征，确定目标车辆变换到当前车道相邻的目标车道的变道概率；
具体地，变道概率可以通过具体对变道和不变道分别进行得分预测，根据预测的得分确定是否进行变道，也可以通过以下方法计算：将行驶特征和车道结构特征输入意图预测神经网络模型，得到目标车辆变换到当前车道相邻的目标车道的变道概率。
S406：根据变道概率确定目标车辆的变道意图；
变道意图包括变道和不变道，在一些示例中，在确定了变道概率后，可以判断变道概率是否大于概率阈值；如果是，确定目标车辆在第一预设时间段内变道至目标车道；否则，保持目标车辆继续在当前车道行驶。
S408：根据变道意图确定目标车辆在第二预设时间段内的行驶轨迹。
作为一种可能的实施方式，上述的神经网络模型可以采用如图5所示的卷积神经网络，其中，k为卷积核尺寸，s为步长，c为输出尺寸。每个车辆的历史轨迹特征大小为20x2的二维张量，20表示时序维度的大小即历史轨迹的长度，2则表示空间位置信息的大小。对于目标车辆、目标车道的前后车共3辆车的历史轨迹分别采用一维卷积神经网络来编码轨迹的相关性信息。目标车辆编码特征输出大小分别为128，目标车道前后车编码特征的输出大小为64。目标车辆当前车道与目标车道的特征均为80x3的二维张量，通过一维卷积网络对道路结构特征进行相应的处理。当前车道编码后的结构特征大小为128，目标车道编码后的特征大小为256。将车辆编码后的特征与道路结构特征相结合，得到大小为640的特征向量。最后通过多层感知机，输出大小为1的变道意图概率，表示目标车辆4s后处于目标车道的概率。
在确定了神经网络模型后，需要利用样本数据对其进行训练，具体地，训练过程以模型输出概率与训练样本结果的交叉熵L＝∑N-plogq/N作为损失函数，其中N表示训练样本空间的大小，p为训练样本的变道概率，q为意图神经网络输出的变道概率。采用梯度下降算法对其进行优化，训练参数w的更新满足以下公式(2)，其中，α为学习率。
本申请实施例提供的上述自动驾驶车辆行驶轨迹的确定方法，在进行目标车辆的变道意图判断时，就考虑了车辆的历史轨迹和车道信息，对于不符合预设规则的形式状况，不进行变道，而对于变道的目标车辆，在给出变道意图后，还进一步根据变道意图给出变道后一段时间的行驶轨迹，相比仅仅给出变道意图的方法，能够有效延长目标车辆的安全行驶范围，避免短时判断变道后，在目标车道发生碰撞的情况发生。
在确定了目标车辆的变道意图后，为了避免目标车辆在变道后与其他车辆发生碰撞，还需要规划目标车辆变道后一段时间的行驶轨迹，图6为本发明实施例提供的另一种自动驾驶车辆行驶轨迹的确定方法，如图6所示，该方法具体包括以下步骤：
S602：获取目标车辆的行驶特征和车道结构特征；
S604：根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图；
S606：获取目标车辆的速度信息以及目标车道与当前车道之间的距离信息；
S608：根据速度信息和距离信息确定目标车辆在第二预设时间段内的行驶轨迹。
在一些可能的实施方式中，速度信息包括目标车辆在当前时刻的当前速度，距离信息包括目标车道与当前车道的中心线距离；行驶轨迹可以具体由以下方法确定：
(1)根据当前速度和距离信息，确定当前时刻之后第三预定数量个连续时刻目标车辆的位置信息；
(2)将第三预定数量个连续时刻对应的位置信息构成的集合确定为目标车辆在第二预设时间段内的行驶轨迹；其中，第三预定数量个连续时刻中的起始时刻和结束时刻构成的时间段等于第二预设时间段。
具体地，在得到车辆变道意图之后，假设目标车辆在4s内完成变道操作，4至8秒内保持该车道行驶。为保证预测车辆行驶轨迹无碰撞，车辆的轨迹预测模型采用智能驾驶员模型(IDM)自适应巡航控制器，表达式为
其中，v表示本车的速度，a表示最大期望加速度，b表示期望的速度减小率，s0为两车之间的最小间隔，s表示两车之间的实际间隔，Δv表示两车之间的速度差，vset表示期望速度，Tset则表示期望的时间间隔。智能驾驶员模型参数如表1所示。
表1
| a | 2.0m/s2 |
| b | 3.0m/s2 |
| s<sub>0</sub> | 5m |
| v<sub>set</sub> | 30m/s |
| T<sub>set</sub> | 1s |
通过上述实施例提供的自动驾驶车辆行驶轨迹的确定方法，在目标车辆变道后的行驶轨迹预测过程中，考虑了车辆的速度信息以及车道之间的距离信息，预测得到的行驶轨迹更加安全，提升了自动驾驶的安全性能。
为了便于理解，本申请实施例还提供了另一种实际应用场景下的自动驾驶车辆行驶轨迹的确定方法，该方法以目标车辆的预测轨迹的总时序为8s，其中0～4s通过变道意图模型给出，4～8s则通过无碰撞交互模型得到为例进行说明，该方法包括以下步骤：
步骤1：通过感知融合得到的：目标车辆、目标车辆所处的车道和目标车道、目标车道距离最近的前方车辆与后方车辆。
步骤2：分别提取目标车辆与目标车道前后车过去2s的运动轨迹(0.1s为一帧，共20帧)，转换为以目标车辆当前时刻位置为原点，航向角为坐标轴转向的相对位置信息。
步骤3：将3辆车的历史轨迹传入意图神经网络得到相关车辆的特征向量。
步骤4：提取目标车辆当前道路与目标车道的相关信息。
即以1m为距离间隔的道路中心点，考虑前方道路长度80米共80个离散点的位置与转角。其中，位置坐标转换为以目标车辆当前时刻位置为原点，航向角为坐标轴转向的相对位置信息。转角则转换为与目标车辆的航向角的相对夹角。将2条车道的结构信息作为另一部分的输入信息传入意图神经网络可以得到道路结构信息对应的特征向量。
步骤5：通过整合相关车辆与道路结构信息的特征向量，输出目标车辆在4s后处于目标车道的概率即变道意图。
步骤6：当变道意图概率小于0.5，则认为该目标车辆4s内不会进行变道，仍然处于当前车道。
步骤7：当变道意图概率大于等于0.5，则认为该目标车辆4s内要进行向目标车到的变道选择。
步骤8：通过得到的4s内的变道意图，考虑使用横向与纵向均为匀速的预测模型来逼近未来所处车道的中心线，进而生成未来4s的预测轨迹。
这里的匀速的预测模型是用来生成未来4s的短时序的运动轨迹，当我们预测了目标车辆4s后处于某个车道后，使用当前的速度作为纵向速度v1，那么纵向的每个时刻的位置x1就是v1乘以时间增量。横向的速度v2通过目标距离车道中心线的横向距离与变道时间(4s)的比值得到。然后横向的每个时刻下的位置x2就是v2乘以时间增量。最后结合每个时刻下的横纵向位置(x1，x2)就可以得到对应的轨迹。
其中，纵向的速度为目标车辆当前的速度，横向速度通过距离目标车道中心线的横向距离与变道时间(4s)的比值得到。当通过意图预测模型得到了4s后目标车辆所处车道时，4～8s的轨迹则通过智能驾驶员模型得到。
上述实施例，通过结合车辆与道路的相关信息，采用短时序的变道意图模型与长时序的无碰撞交互模型结合的方式，输出目标车辆未来8s的行驶轨迹。
基于上述方法实施例，本申请实施例还提供一种自动驾驶车辆行驶轨迹的确定装置，参见图7所示，该装置包括：
特征获取模块702，用于获取目标车辆的行驶特征和车道结构特征；其中，行驶特征用于表述目标车辆以及与目标车辆相距指定范围内的相关车辆的历史行驶信息，车道结构特征用于表征目标车辆所处的当前车道以及目标车辆预计切换到的目标车道的车道信息；
变道意图确定模块704，用于根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图；
行驶轨迹确定模块706，用于根据变道意图确定目标车辆在第二预设时间段内的行驶轨迹；其中，第二预设时间段的第二开始时间与第一预设时间段的第一开始时间相同，且第二预设时间段的第二结束时间晚于第一预设时间段的第一结束时间。
本申请实施例提供的上述自动驾驶车辆行驶轨迹的确定装置，首先获取目标车辆的行驶特征和车道结构特征，进而根据行驶特征和车道结构特征，确定目标车辆在第一预设时间段内的变道意图，其中的第一预设时间段为短时时间段，然后根据变道意图确定车辆在第二预设时间段内的行驶轨迹，其中的第二预设时间段为长时时间段，通过将短时的意图预测与长时的轨迹预测相结合，使最终确定的行驶轨迹既能准确判断车辆的变道意图，又能够为变道后的车辆规划更加合理的行驶轨迹，避免发生车辆碰撞情况，有效提升了自动驾驶车辆行驶的安全性。
上述行驶特征包括目标车辆的第一历史轨迹信息；上述特征获取模块702还用于：将目标车辆在当前时刻所处的位置作为原点坐标；将当前时刻之前第一预定数量个连续时刻中，每个时刻目标车辆的位置与原点坐标的相对位置作为该时刻的时刻坐标；将第一预定数量个连续时刻对应的时刻坐标构成的集合确定为目标车辆的第一历史轨迹信息。
上述行驶特征还包括相关车辆的第二历史轨迹信息；上述相关车辆包括以下至少一者：目标车道中与目标车辆距离小于第一距离阈值且位于目标车辆行驶方向前方的第一相关车辆；目标车道中与目标车辆距离小于第二距离阈值且位于目标车辆行驶方向后方的第二相关车辆。
上述车道结构特征包括目标车辆所在的当前车道的第一结构信息；上述特征获取模块702还用于：获取当前车道的中心线上第二预定数量个连续位置的位置信息以及第二预定数量个连续位置间的道路转角信息；其中，第二预定数量个连续位置中，每两个相邻位置之间的距离相等；将第二预定数量个连续位置对应的位置信息和道路转角信息构成的集合确定为目标车辆所在的当前车道的第一结构信息。
上述车道结构特征还包括目标车道的第二结构信息；其中，第二结构信息包括第三预定数量个连续位置对应的位置信息和第三预定数量个连续位置间的道路转角信息。
上述变道意图确定模块704还用于：根据行驶特征和车道结构特征，确定目标车辆变换到当前车道相邻的目标车道的变道概率；根据变道概率确定目标车辆的变道意图。
上述变道意图包括变道和不变道；上述根据变道概率确定目标车辆的变道意图的过程包括：判断变道概率是否大于概率阈值；如果是，确定目标车辆在第一预设时间段内变道至目标车道。
上述根据行驶特征和车道结构特征，确定目标车辆变换到当前车道相邻的目标车道的变道概率的过程，包括：将行驶特征和车道结构特征输入意图预测神经网络模型，得到目标车辆变换到当前车道相邻的目标车道的变道概率。
上述行驶轨迹确定模块706还用于：获取目标车辆的速度信息以及目标车道与当前车道之间的距离信息；根据速度信息和距离信息确定目标车辆在第二预设时间段内的行驶轨迹。
上述速度信息包括目标车辆在当前时刻的当前速度，距离信息包括目标车道与当前车道的中心线距离；上述根据速度信息和距离信息确定目标车辆在第二预设时间段内的行驶轨迹的过程，包括：根据当前速度和距离信息，确定当前时刻之后第三预定数量个连续时刻目标车辆的位置信息；将第三预定数量个连续时刻对应的位置信息构成的集合确定为目标车辆在第二预设时间段内的行驶轨迹；其中，第三预定数量个连续时刻中的起始时刻和结束时刻构成的时间段等于第二预设时间段。
本申请实施例提供的自动驾驶车辆行驶轨迹的确定装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，上述装置的实施例部分未提及之处，可参考前述自动驾驶车辆行驶轨迹的确定方法实施例中的相应内容。
为了验证本申请实施例提供的自动驾驶车辆行驶轨迹的确定方法即装置在提高车辆安全行驶性能方面的改进，通过自动驾驶卡车在高速公路场景下采集的驾驶数据进行训练与测试，得到了本申请实施例中提供的意图预测神经网络模型的预测性能，其中，采集的数据包含了该意图预测神经网络模型需要的所有信息，即周边所有车辆的运动轨迹的记录以及不同时刻所处的车道信息。
通过制作的约20万个训练数据样本，在2万个测试数据样本上的测试结果为：通过本申请实施例提供的方法，目标车辆在未来4s内变道意图的召回率95.21％，准确率92.04％，总体精度为94.36％。目标车辆的最终位置误差为1.51m,平均位置误差为0.94m。
本申请实施例还提供了一种电子设备，如图8所示，为该电子设备的结构示意图，其中，该电子设备包括处理器1501和存储器1502，该存储器1502存储有能够被该处理器1501执行的计算机可执行指令，该处理器1501执行该计算机可执行指令以实现上述自动驾驶车辆行驶轨迹的确定方法。
在图8示出的实施方式中，该电子设备还包括总线1503和通信接口1504，其中，处理器1501、通信接口1504和存储器1502通过总线1503连接。
其中，存储器1502可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口1504(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线1503可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线1503可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器1501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1501可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器1501读取存储器中的信息，结合其硬件完成前述实施例的自动驾驶车辆行驶轨迹的确定方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述自动驾驶车辆行驶轨迹的确定方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的自动驾驶车辆行驶轨迹的确定方法、装置及电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (13)
1.一种自动驾驶车辆行驶轨迹的确定方法，其特征在于，所述方法包括：
获取目标车辆的行驶特征和车道结构特征；其中，所述行驶特征用于表述所述目标车辆以及与所述目标车辆相距指定范围内的相关车辆的历史行驶信息，所述车道结构特征用于表征所述目标车辆所处的当前车道以及所述目标车辆预计切换到的目标车道的车道信息；
根据所述行驶特征和所述车道结构特征，确定所述目标车辆在第一预设时间段内的变道意图；
根据所述变道意图确定所述目标车辆在第二预设时间段内的行驶轨迹；其中，所述第二预设时间段的第二开始时间与所述第一预设时间段的第一开始时间相同，且所述第二预设时间段的第二结束时间晚于所述第一预设时间段的第一结束时间。
2.根据权利要求1所述的方法，其特征在于，所述行驶特征包括所述目标车辆的第一历史轨迹信息；
获取目标车辆的行驶特征的步骤，包括：
将目标车辆在当前时刻所处的位置作为原点坐标；
将所述当前时刻之前第一预定数量个连续时刻中，每个时刻所述目标车辆的位置与所述原点坐标的相对位置作为该时刻的时刻坐标；
将所述第一预定数量个连续时刻对应的时刻坐标构成的集合确定为所述目标车辆的第一历史轨迹信息。
3.根据权利要求2所述的方法，其特征在于，所述行驶特征还包括所述相关车辆的第二历史轨迹信息；所述相关车辆包括以下至少一者：
所述目标车道中与所述目标车辆距离小于第一距离阈值且位于所述目标车辆行驶方向前方的第一相关车辆；
所述目标车道中与所述目标车辆距离小于第二距离阈值且位于所述目标车辆行驶方向后方的第二相关车辆。
4.根据权利要求1所述的方法，其特征在于，所述车道结构特征包括所述目标车辆所在的当前车道的第一结构信息；
获取目标车辆的车道结构特征的步骤，包括：
获取所述当前车道的中心线上第二预定数量个连续位置的位置信息以及所述第二预定数量个连续位置间的道路转角信息；其中，所述第二预定数量个连续位置中，每两个相邻位置之间的距离相等；
将所述第二预定数量个连续位置对应的位置信息和道路转角信息构成的集合确定为目标车辆所在的当前车道的第一结构信息。
5.根据权利要求4所述的方法，其特征在于，所述车道结构特征还包括所述目标车道的第二结构信息；其中，所述第二结构信息包括第三预定数量个连续位置对应的位置信息和所述第三预定数量个连续位置间的道路转角信息。
6.根据权利要求1所述的方法，其特征在于，根据所述行驶特征和所述车道结构特征，确定所述目标车辆在第一预设时间段内的变道意图的步骤，包括：
根据所述行驶特征和所述车道结构特征，确定所述目标车辆变换到所述当前车道相邻的目标车道的变道概率；
根据所述变道概率确定所述目标车辆的变道意图。
7.根据权利要求6所述的方法，其特征在于，所述变道意图包括变道和不变道；
根据所述变道概率确定所述目标车辆的变道意图的步骤包括：
判断所述变道概率是否大于概率阈值；
如果是，确定所述目标车辆在第一预设时间段内变道至所述目标车道。
8.根据权利要求6所述的方法，其特征在于，根据所述行驶特征和所述车道结构特征，确定所述目标车辆变换到所述当前车道相邻的目标车道的变道概率的步骤，包括：
将所述行驶特征和所述车道结构特征输入意图预测神经网络模型，得到所述目标车辆变换到所述当前车道相邻的目标车道的变道概率。
9.根据权利要求1所述的方法，其特征在于，根据所述变道意图确定所述目标车辆在第二预设时间段内的行驶轨迹的步骤，包括：
获取所述目标车辆的速度信息以及所述目标车道与所述当前车道之间的距离信息；
根据所述速度信息和所述距离信息确定所述目标车辆在第二预设时间段内的行驶轨迹。
10.根据权利要求9所述的方法，其特征在于，所述速度信息包括所述目标车辆在当前时刻的当前速度，所述距离信息包括所述目标车道与所述当前车道的中心线距离；
根据所述速度信息和所述距离信息确定所述目标车辆在第二预设时间段内的行驶轨迹的步骤，包括：
根据所述当前速度和所述距离信息，确定所述当前时刻之后第三预定数量个连续时刻所述目标车辆的位置信息；
将所述第三预定数量个连续时刻对应的位置信息构成的集合确定为所述目标车辆在第二预设时间段内的行驶轨迹；其中，所述第三预定数量个连续时刻中的起始时刻和结束时刻构成的时间段等于所述第二预设时间段。
11.一种自动驾驶车辆行驶轨迹的确定装置，其特征在于，所述装置包括：
特征获取模块，用于获取目标车辆的行驶特征和车道结构特征；其中，所述行驶特征用于表述所述目标车辆以及与所述目标车辆相距指定范围内的相关车辆的历史行驶信息，所述车道结构特征用于表征所述目标车辆所处的当前车道以及所述目标车辆预计切换到的目标车道的车道信息；
变道意图确定模块，用于根据所述行驶特征和所述车道结构特征，确定所述目标车辆在第一预设时间段内的变道意图；
行驶轨迹确定模块，用于根据所述变道意图确定所述目标车辆在第二预设时间段内的行驶轨迹；其中，所述第二预设时间段的第二开始时间与所述第一预设时间段的第一开始时间相同，且所述第二预设时间段的第二结束时间晚于所述第一预设时间段的第一结束时间。
12.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1-10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210033584.7A CN114323054B (zh) | 2022-01-12 | 2022-01-12 | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210033584.7A CN114323054B (zh) | 2022-01-12 | 2022-01-12 | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114323054A true CN114323054A (zh) | 2022-04-12 |
| CN114323054B CN114323054B (zh) | 2024-04-19 |
Family
ID=81026686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210033584.7A Active CN114323054B (zh) | 2022-01-12 | 2022-01-12 | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114323054B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114771539A (zh) * | 2022-06-16 | 2022-07-22 | 小米汽车科技有限公司 | 车辆变道决策方法、装置、存储介质及车辆 |
| CN114863397A (zh) * | 2022-05-17 | 2022-08-05 | 国汽智图(北京)科技有限公司 | 路障检测方法、装置、计算机设备和存储介质 |
| CN115440087A (zh) * | 2022-06-06 | 2022-12-06 | 北京罗克维尔斯科技有限公司 | 车辆检测方法、装置、设备、介质及车辆 |
| CN116110216A (zh) * | 2022-10-21 | 2023-05-12 | 中国第一汽车股份有限公司 | 车辆跨线时间确定方法、装置、存储介质及电子装置 |
| CN116499487A (zh) * | 2023-06-28 | 2023-07-28 | 新石器慧通（北京）科技有限公司 | 一种车辆的路径规划方法、装置、设备及介质 |
| CN116576873A (zh) * | 2023-05-04 | 2023-08-11 | 杭州知汇云科技有限公司 | 一种服务信息提供方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146100A (zh) * | 2018-02-13 | 2019-08-20 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
| CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
| US20200180619A1 (en) * | 2018-12-07 | 2020-06-11 | Thinkware Corporation | Method for displaying lane information and apparatus for executing the method |
| CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
| CN112687121A (zh) * | 2020-12-21 | 2021-04-20 | 苏州挚途科技有限公司 | 行驶轨迹的预测方法、装置及自动驾驶车辆 |
| JP2021152906A (ja) * | 2020-05-14 | 2021-09-30 | 阿波▲羅▼智▲聯▼（北京）科技有限公司 | 車両軌跡の予測方法、装置、機器及び記憶媒体 |
| CN113548054A (zh) * | 2021-07-07 | 2021-10-26 | 东风汽车集团股份有限公司 | 基于时序的车辆变道意图预测方法及系统 |
| CN113682318A (zh) * | 2021-09-30 | 2021-11-23 | 阿波罗智能技术(北京)有限公司 | 车辆行驶控制方法及装置 |
| CN113793520A (zh) * | 2021-09-15 | 2021-12-14 | 苏州挚途科技有限公司 | 车辆轨迹预测方法、装置及电子设备 |
-
2022
- 2022-01-12 CN CN202210033584.7A patent/CN114323054B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146100A (zh) * | 2018-02-13 | 2019-08-20 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
| US20200180619A1 (en) * | 2018-12-07 | 2020-06-11 | Thinkware Corporation | Method for displaying lane information and apparatus for executing the method |
| CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
| CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
| JP2021152906A (ja) * | 2020-05-14 | 2021-09-30 | 阿波▲羅▼智▲聯▼（北京）科技有限公司 | 車両軌跡の予測方法、装置、機器及び記憶媒体 |
| CN112687121A (zh) * | 2020-12-21 | 2021-04-20 | 苏州挚途科技有限公司 | 行驶轨迹的预测方法、装置及自动驾驶车辆 |
| CN113548054A (zh) * | 2021-07-07 | 2021-10-26 | 东风汽车集团股份有限公司 | 基于时序的车辆变道意图预测方法及系统 |
| CN113793520A (zh) * | 2021-09-15 | 2021-12-14 | 苏州挚途科技有限公司 | 车辆轨迹预测方法、装置及电子设备 |
| CN113682318A (zh) * | 2021-09-30 | 2021-11-23 | 阿波罗智能技术(北京)有限公司 | 车辆行驶控制方法及装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863397A (zh) * | 2022-05-17 | 2022-08-05 | 国汽智图(北京)科技有限公司 | 路障检测方法、装置、计算机设备和存储介质 |
| CN115440087A (zh) * | 2022-06-06 | 2022-12-06 | 北京罗克维尔斯科技有限公司 | 车辆检测方法、装置、设备、介质及车辆 |
| CN114771539A (zh) * | 2022-06-16 | 2022-07-22 | 小米汽车科技有限公司 | 车辆变道决策方法、装置、存储介质及车辆 |
| CN114771539B (zh) * | 2022-06-16 | 2023-02-28 | 小米汽车科技有限公司 | 车辆变道决策方法、装置、存储介质及车辆 |
| CN116110216A (zh) * | 2022-10-21 | 2023-05-12 | 中国第一汽车股份有限公司 | 车辆跨线时间确定方法、装置、存储介质及电子装置 |
| CN116110216B (zh) * | 2022-10-21 | 2024-04-12 | 中国第一汽车股份有限公司 | 车辆跨线时间确定方法、装置、存储介质及电子装置 |
| CN116576873A (zh) * | 2023-05-04 | 2023-08-11 | 杭州知汇云科技有限公司 | 一种服务信息提供方法及系统 |
| CN116576873B (zh) * | 2023-05-04 | 2024-02-13 | 好品易链(山东)科技发展有限公司 | 一种服务信息提供方法及系统 |
| CN116499487A (zh) * | 2023-06-28 | 2023-07-28 | 新石器慧通（北京）科技有限公司 | 一种车辆的路径规划方法、装置、设备及介质 |
| CN116499487B (zh) * | 2023-06-28 | 2023-09-05 | 新石器慧通（北京）科技有限公司 | 一种车辆的路径规划方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114323054B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114323054B (zh) | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 | |
| CN113261035B (zh) | 一种轨迹预测方法及相关设备 | |
| EP3278317B1 (en) | Method and electronic device | |
| JP7239703B2 (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
| CN112242069B (zh) | 一种确定车速的方法和装置 | |
| CN113267199B (zh) | 行驶轨迹规划方法及装置 | |
| JP2022160538A (ja) | 衝突検出方法、装置、電子機器、記憶媒体、自動運転車両及びコンピュータプログラム | |
| CN113942524B (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
| JP5482323B2 (ja) | 運転支援装置及びプログラム | |
| US20210295093A1 (en) | Spatio-temporal graph for video captioning with knowledge distillation | |
| US11854280B2 (en) | Learning monocular 3D object detection from 2D semantic keypoint detection | |
| WO2020164089A1 (en) | Trajectory prediction using deep learning multiple predictor fusion and bayesian optimization | |
| CN115123291B (zh) | 一种基于障碍物识别的行为预测方法及装置 | |
| CN116434156A (zh) | 目标检测方法、存储介质、路侧设备及自动驾驶系统 | |
| US20210383213A1 (en) | Prediction device, prediction method, computer program product, and vehicle control system | |
| EP4137845A1 (en) | Methods and systems for predicting properties of a plurality of objects in a vicinity of a vehicle | |
| JP7258077B2 (ja) | 他車両行動予測装置 | |
| CN108944945B (zh) | 用于辅助驾驶的状态预测方法、装置、电子设备和车辆 | |
| Englund | Action intention recognition of cars and bicycles in intersections | |
| Kaida et al. | Study on Behavior Prediction Using Multi-object Recognition and Map Information in Road Environment | |
| US20230334876A1 (en) | End-to-end learned lane boundary detection based on a transformer | |
| US20230406360A1 (en) | Trajectory prediction using efficient attention neural networks | |
| US20230294742A1 (en) | System and method for lane association/transition association with splines | |
| US20230031289A1 (en) | Monocular 2d semantic keypoint detection and tracking | |
| US20230351886A1 (en) | Traffic signal understandings and representation for prediction, planning, and control |
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 |