CN114407930B - 车辆轨迹预测方法、装置、电子设备及车辆 - Google Patents
车辆轨迹预测方法、装置、电子设备及车辆 Download PDFInfo
- Publication number
- CN114407930B CN114407930B CN202210127956.2A CN202210127956A CN114407930B CN 114407930 B CN114407930 B CN 114407930B CN 202210127956 A CN202210127956 A CN 202210127956A CN 114407930 B CN114407930 B CN 114407930B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- position information
- relative position
- prediction model
- 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
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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- 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
- B60W2754/00—Output or target parameters relating to objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请涉及自动驾驶技术领域,尤其涉及一种车辆轨迹预测方法、装置、电子设备及车辆。该方法包括:获取自车的位置信息和目标车辆的位置信息,其中目标车辆包括距离自车预设距离范围内的车辆;基于自车的位置信息和目标车辆的位置信息,确定自车与目标车辆的目标相对位置信息;基于相对位置信息与预测模型的映射关系,确定目标相对位置信息对应的目标预测模型;基于目标预测模型对目标车辆进行轨迹预测。如此,通过自车合理使用和配置预测模型,减少自车对多预设条件的预测模型的使用频率,减少生成和使用自车所需预测模型的时间和计算机算力,另外,便于对各相对位置对应的预测模型进行单独优化,提升轨迹预测准确性。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种车辆轨迹预测方法、装置、电子设备及车辆。
背景技术
随着车辆的自动驾驶功能的不断提升,人们对自动驾驶系统的安全可靠性及舒适性要求越来越高。但是在一些场景下自动驾驶车辆(以下简称自车)周围车辆会影响自车安全行驶,例如,在高架及高速公路上,自车周围车辆快速切入或者切出自车所在车道、上下匝道、道路合并这种典型场景对自车的安全影响较大。自车前面第一辆车(简称自车前车)快速切出,但自车前车行驶前方存在其他慢速车辆,造成自车急减速、发生交通事故,准确的预测自车前车和自车前车的前方车辆的未来行驶轨迹,可以让自车提前减速,避免突然急减速,造成用户体验差、交通事故等。
目前用于预测车辆轨迹的预测模型(如基于深度学习的卷积神经网络模型)的生成需要耗费大量时间和计算机算力(如对卷积神经网络模型中几十万至上千万参数的优化),增加了车辆轨迹预测的成本。其中预测模型关于预测轨迹的预测条件越多,生成该预测模型耗费时间越多,且需要的计算机算力越大,造成生成和使用预测模型的成本高的问题。
因此本申请针对车辆轨迹预测耗费时间、耗费计算机算力和成本高的问题,提供一种车辆轨迹预测方法、装置、电子设备及车辆。
发明内容
本申请的一些实施例提供了一种车辆轨迹预测方法、装置、电子设备及车辆,该方法通过确定自车周围车辆相对于自车的相对位置,对不同相对位置的周围车辆分别基于对应预测条件的预测模型进行轨迹预测。如此,通过自车合理使用和配置预测模型,在保证预测轨迹效果的前提下,减少自车对高准确性的预测模型的使用频率,减少生成和使用自车所需预测模型的时间和计算机算力,进而节约生成和使用自车所需预测模型的成本。另外,通过单独优化各相对位置对应的预测模型,使得预测模型得到的预测轨迹更准确。
以下从多个方面介绍本申请,以下多个方面的实施方式和有益效果可互相参考。
第一方面,本申请的实施方式提供了一种车辆轨迹预测方法,该方法包括:
获取自车的位置信息和目标车辆的位置信息,其中目标车辆包括距离自车预设距离范围内的车辆;
基于自车的位置信息和目标车辆的位置信息,确定自车与目标车辆的目标相对位置信息;
基于相对位置信息与预测模型的映射关系,确定目标相对位置信息对应的目标预测模型;
基于目标预测模型对目标车辆进行轨迹预测。
在上述第一方面的一种实现中,上述确定目标相对位置信息对应的目标预测模型,包括:
在目标相对位置信息为第一类相对位置信息的情况下,确定目标预测模型为基于单一行驶意图的第一类预测模型,其中第一类相对位置信息包括目标车辆处于自车所在车道上;
在目标相对位置信息为第二类相对位置信息的情况下,确定目标预测模型为基于多种行驶意图的第二类预测模型,其中第二类相对位置信息包括目标车辆处于非自车所在车道上。
针对同车道和相邻车道上的目标车辆预测轨迹所需的行驶意图不同,分别采用单一行驶意图的预测模型和多种行驶意图的预测模型。如此,在保证相邻车道上的目标车辆轨迹预测效果的前提下,减少针对同车道上目标车辆的预测模型的生成和使用的时间和所需的计算机算力,实现对自车的预测模型合理生成和配置关于行驶意图的预设条件,进而节约生成和使用自车的预测模型的成本。
在上述第一方面的一种实现中,上述第一类预测模型包括基于多个目标车辆之间交互情况的第一模型和基于多个目标车辆之间非交互情况的第二模型,确定目标相对位置信息对应的目标预测模型,还包括:
在目标相对位置信息为第一类相对位置信息,且包括目标车辆为自车前方的第一辆车的情况下,确定目标预测模型为第一模型;
在目标相对位置信息为第一类相对位置信息,且包括目标车辆非自车前方的第一辆车的情况下,确定目标预测模型为第二模型。
在上述第一方面的一种实现中,上述第二类预测模型包括基于多个目标车辆之间交互情况的第三模型和基于多个目标车辆之间非交互情况的第四模型,确定目标相对位置信息对应的目标预测模型,还包括:
目标相对位置信息为第二类相对位置信息,且包括目标车辆在自车所在车道方向上处于自车前方的第一辆车和自车之间的情况下(即目标车辆为自车的侧前车),确定目标预测模型为第三模型;
目标相对位置信息为第二类相对位置信息,且包括目标车辆在自车所在车道方向上未处于自车前方的第一辆车和自车之间的情况下,确定目标预测模型为第四模型。
针对自车前方的第一辆车和自车的侧前车采用基于交互情况的预测模型,如此,在保证自车前方的第一辆车和自车的侧前车的轨迹预测效果的前提下,减少针对除自车前方的第一辆车和自车的侧前车之外车辆的预测模型的生成和使用的时间,以及所需的计算机算力,实现对自车的预测模型合理配置关于交互情况的预设条件,进而节约生成和使用自车的预测模型的成本。
在上述第一方面的一种实现中,上述交互情况包括以下情况中的至少一种:
多个目标车辆之间进行速度信息的共享;
多个目标车辆之间进行目标车辆的位置信息的共享;
多个目标车辆之间进行行驶意图的共享。
在上述第一方面的一种实现中,上述基于目标预测模型对目标车辆进行轨迹预测,包括:
沿着自车行驶方向对多个目标车辆排序;
依照排序从前至后,基于各目标车辆对应的目标预测模型对各目标车辆进行轨迹预测。
在上述第一方面的一种实现中,上述行驶意图包括以下一种意图:
目标车辆直行的相关意图;
目标车辆左拐的相关意图;
目标车辆右拐的相关意图。
第二方面,本申请的实施方式提供了一种车辆轨迹预测装置,该装置包括:
获取模块,用于获取自车的位置信息和目标车辆的位置信息,其中目标车辆包括距离自车预设距离范围内的车辆;
位置确定模块,用于基于自车的位置信息和目标车辆的位置信息,确定自车与目标车辆的目标相对位置信息;
模型确定模块,用于基于相对位置信息与预测模型的映射关系,确定目标相对位置信息对应的目标预测模型;
预测模块,用于基于目标预测模型对目标车辆进行轨迹预测。
在上述第二方面的一种实现中,上述位置确定模块,包括:
第一位置确定模块,用于在目标相对位置信息为第一类相对位置信息的情况下,确定目标预测模型为基于单一行驶意图的第一类预测模型,其中第一类相对位置信息包括目标车辆处于自车所在车道上;
第二位置确定模块,用于在目标相对位置信息为第二类相对位置信息的情况下,确定目标预测模型为基于多种行驶意图的第二类预测模型,其中第二类相对位置信息包括目标车辆处于非自车所在车道上。
在上述第二方面的一种实现中,上述第一类预测模型包括基于多个目标车辆之间交互情况的第一模型和基于多个目标车辆之间非交互情况的第二模型,上述第一位置确定模块,包括:
第三位置确定子模块,用于在目标相对位置信息为第一类相对位置信息,且包括目标车辆为自车前方的第一辆车的情况下,确定目标预测模型为第一模型;
第四位置确定子模块,用于在目标相对位置信息为第一类相对位置信息,且包括目标车辆非自车前方的第一辆车的情况下,确定目标预测模型为第二模型。
在上述第二方面的一种实现中,上述第二类预测模型包括基于多个目标车辆之间交互情况的第三模型和基于多个目标车辆之间非交互情况的第四模型,上述第二位置确定模块,包括:
第五位置确定子模块,用于目标相对位置信息为第二类相对位置信息,且包括目标车辆在自车所在车道方向上处于自车前方的第一辆车和自车之间的情况下(即目标车辆为自车的侧前车),确定目标预测模型为第三模型;
第六位置确定子模块,用于目标相对位置信息为第二类相对位置信息,且包括目标车辆在自车所在车道方向上未处于自车前方的第一辆车和自车之间的情况下,确定目标预测模型为第四模型。
在上述第二方面的一种实现中,上述第一位置确定模块和上述第二位置确定模块的交互情况包括以下情况中的至少一种:
多个目标车辆之间进行速度信息的共享;
多个目标车辆之间进行目标车辆的位置信息的共享;
多个目标车辆之间进行行驶意图的共享。
在上述第二方面的一种实现中,上述预测模块,包括:
沿着自车行驶方向对多个目标车辆排序;
依照排序从前至后,基于各目标车辆对应的目标预测模型对各目标车辆进行轨迹预测。
在上述第二方面的一种实现中,上述第一位置确定模块和上述第二位置确定模块的行驶意图包括以下一种意图:
目标车辆直行的相关意图;
目标车辆左拐的相关意图;
目标车辆右拐的相关意图。
第三方面,本申请的实施方式提供了一种计算机程序产品,计算机程序产品包括指令,指令用于实现如上的车辆轨迹预测方法。
第四方面,本申请的实施方式提供了一种计算机存储介质,计算机存储介质中存储有至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行以实现上述的车辆轨迹预测方法。
第五方面,本申请的实施方式提供了一种电子设备,设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的车辆轨迹预测方法。
第六方面,本申请的实施方式提供了一种车辆,该车辆包括第五方面的电子设备。
本申请的一些实施例提供了一种车辆轨迹预测方法、装置、电子设备及车辆,该方法通过确定自车周围的目标车辆相对于自车的相对位置,对不同相对位置的目标车辆分别基于对应预测条件的预测模型进行轨迹预测。如此,通过自车合理使用和配置预测模型,在保证预测轨迹效果的前提下,减少自车对高准确性的预测模型的使用频率,减少生成和使用自车所需预测模型的时间和计算机算力,进而节约生成和使用自车所需预测模型的成本。另外,通过单独优化各相对位置对应的预测模型,使得预测模型得到的预测轨迹更准确。避免目标车辆切入、切出等情况下,自车发生碰撞、急减速等情况。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它附图。
图1是本申请实施例提供的一种车辆轨迹预测方法的场景图;
图2是本申请实施例提供的一种基于车辆轨迹预测的自动驾驶控制方法的示意图;
图3是本申请实施例提供的一种车辆轨迹预测方法的流程图;
图4是本申请实施例提供的车辆轨迹预测装置的结构框图;
图5是本申请实施例提供的一种用于车辆轨迹预测方法的电子设备的框图。
具体实施方式
本申请的说明性实施例包括但不限于一种车辆轨迹预测方法、装置、电子设备及车辆。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
可以理解的是,如本文所使用的,术语“模块”可以指代或者包括专用集成电路(ASIC)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用、或群组)和/或存储器、组合逻辑电路、和/或提供所描述的功能的其他适当硬件组件,或者可以作为这些硬件组件的一部分。
可以理解的是,在本申请各实施例中,处理器可以是微处理器、数字信号处理器、微控制器等,和/或其任何组合。根据另一个方面,处理器可以是单核处理器,多核处理器等,和/或其任何组合。
请参阅图1,图1是本申请实施例提供的一种自动驾驶应用场景的示意图,自车101和距离自车101预设距离范围内的车辆,其中预设距离范围内的车辆包括:在自车101行驶方向,在自车101前方(行驶方向)前方第一预设距离内的自车前方第一辆车—目标车辆1021、目标车辆1022、自车101后方第二预设距离内的目标车辆1023,以及在自车101相邻车道上,在车道方向上处于自车101和目标车辆1021之间(图1中以自车101车头横向位置线M和目标车辆1021车头横向位置线N之间)的目标车辆1024。
在自车101行驶过程中,预设距离范围内的目标车辆的未来行驶轨迹,会对自车101行驶状态产生影响,如目标车辆1021减速行驶。
上述预设距离范围只是示例性的,本申请不对预设距离范围内的目标车辆做限制。
请参阅图2,图2是本申请实施例提供的基于目标车辆轨迹预测的自动驾驶控制方法的示意图。自车101的驾驶控制系统包括:导航和地图定位单元、感知单元、车身单元、融合单元、目标选择单元、轨迹预测单元、决策和规划单元和执行单元。
导航和地图定位单元、感知单元和车身单元用于生成控制方法所需数据。其中导航和地图定位单元用于获得全局路径信息,道路信息、定位信息、车道线信息等,导航和地图定位单元可以通过高精地图实现;感知单元用于获取障碍物信息、交通指示灯及车道线信息等,感知单元可以通过摄像头、雷达、激光雷达等实现;车身单元用于获得驾驶员请求、设置和车速等信息,如目标车辆变道优先请求。
融合单元用于从导航和地图定位单元、感知单元和车身单元获取并融合上述控制方法所需数据,得到包含择路信息的全局路径信息和所在车道信息、变道优先请求等信息。目标选择单元用于筛选预设距离范围内的目标车辆。
轨迹预测单元用于对目标车辆进行行驶意图预测和轨迹预测,其中基于预测得到的行驶意图对目标车辆进行轨迹预测。
决策和规划单元用于对融合单元及轨迹预测单元的信息处理,确定方向盘转角请求、加减速请求和转向灯请求等请求指令。执行单元用于执行决策和规划单元发送的上述请求指令。上述单元之间参数传输包括但不限于CAN总线、以太网的传输。
轨迹预测单元包括基于预设条件的预测模型,预测模型用于对预设距离范围内的目标车辆进行轨迹预测。如对目标车辆1021进行轨迹预测。此外,可以理解,驾驶控制系统由多种单元和电子设备共同决定,可以包括上述单元外的其他单元,在此不做限制。驾驶控制系统包括但不限于用于实现上述驾驶控制方法的装置和电子设备。
上述预设条件越多,对应的预测模型预测轨迹的准确性越高,该预测模型的生成和使用耗费时间和计算机算力越多,耗费的成本就越高。其中预设条件包括行驶意图、交互情况等。行驶意图包括目标车辆直行的相关意图;目标车辆左拐的相关意图;目标车辆右拐的相关意图等。如直行的相关意图为加速执行。其中交互情况包括:多个目标车辆之间进行速度信息的共享;多个目标车辆之间进行目标车辆的位置信息的共享;多个目标车辆之间进行行驶意图的共享等。交互情况中多个目标车辆包括被预测目标车辆与已预测目标车辆。
为了提高目标车辆轨迹预测的准确性,往往需要生成和使用基于多种预测条件的预测模型,如基于多种上述行驶意图生成预测模型。如前,预测模型的预测条件越多,生成和使用预测模型耗费的时间越多,且需要的计算机算力越大。
基于目标车辆相对于自车的相对位置不同,则目标车辆对自车行驶的影响不同,进而目标车辆轨迹预测所需的预测条件不同。本申请通过确定目标车辆的相对位置,对不同相对位置的目标车辆分别基于对应预测条件的预测模型进行轨迹预测。
如此,通过自车合理使用和配置预测模型,在保证预测轨迹效果的前提下,减少自车对高准确性的预测模型的使用频率,减少生成和使用自车所需预测模型的时间和计算机算力,进而节约生成和使用自车所需预测模型的成本。另外,通过单独优化各相对位置对应的预测模型,使得预测模型得到的预测轨迹更准确。避免由于目标车辆切入、切出,造成自车急减速、发生交通事故等情况。
以下介绍本申请一种车辆轨迹预测方法的具体实施例,图3是本申请实施例提供的一种车辆轨迹预测方法的流程示意图,本说明书提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。下面结合图1所示的场景对图3所示方法进行详细介绍,具体的如图3所示,该方法可以包括:
S301:获取自车的位置信息和目标车辆的位置信息。其中目标车辆包括距离自车预设距离范围内的车辆,例如,预设距离范围包括如图1所示的自车101所在车道和自车101相邻车道上,自车101前方第一预设距离内、自车101后方第二预设距离内。
在本申请的一些实施例中,自车的位置信息包括自车所在车道、自车相对于其车道中心线的距离、自车定位信息,目标车辆的位置信息包括目标车辆所在车道,目标车辆相对于其车道中心线的距离,目标车辆定位信息。
S303:基于自车的位置信息和目标车辆的位置信息,确定自车与目标车辆的目标相对位置信息。
在本申请的一些实施例中,目标相对位置信息包括目标车辆相对于自车为原点的坐标位置。具体的,基于自车的定位信息和目标车辆的定位信息得到目标车辆相对于自车为原点的坐标位置、自车所在车道的位置信息和目标车辆所在车道位置信息,进而得到目标车辆相对于自车的距离信息和车道信息,如目标车辆处于自车的左侧相邻车道,距离自车3米。
S305:基于相对位置信息与预测模型的映射关系,确定目标相对位置信息对应的目标预测模型。
为了提高目标车辆轨迹预测的准确性,对车道上和相邻车道的目标车辆往往基于多种行驶意图的预测模型进行轨迹预测,使得生成和使用基于多种行驶意图的预测模型,需要耗费时间和计算机算力。其中,在同车道上,车辆之间速度相对均衡,且保持安全距离,所以考虑最大概率的单一行驶意图即可;在相邻车道上的车辆于自车所在车道上车辆之间速度相关性差,一旦相邻车道上的车辆转向,易发生车祸,所以需要基于多种行驶意图的预测模型对相邻车道上目标车辆进行轨迹预测。
一种可选的确定目标相对位置信息对应的目标预测模型的实施方式中,包括:在目标相对位置信息为第一类相对位置信息的情况下,确定目标预测模型为基于单一行驶意图的第一类预测模型,其中第一类相对位置信息包括目标车辆处于自车所在车道上,例如,图1所示的自车101所在车道上的目标车辆1021、1022,1023;在目标相对位置信息为第二类相对位置信息的情况下,确定目标预测模型为基于多种行驶意图的第二类预测模型,其中第二类相对位置信息包括目标车辆处于非自车所在车道上。
针对同车道和相邻车道上的目标车辆预测轨迹所需的行驶意图不同,分别采用单一行驶意图的预测模型和多种行驶意图的预测模型。如此,在保证相邻车道上的目标车辆轨迹预测效果的前提下,减少针对同车道上目标车辆的预测模型的生成和使用的时间和所需的计算机算力,实现对自车的预测模型合理使用和配置关于行驶意图的预设条件,进而节约生成和使用自车的预测模型的成本。
为了提高目标车辆轨迹预测的准确性,对车道上和相邻车道的目标车辆往往基于交互情况的预测模型进行轨迹预测。生成和使用基于交互情况的预测模型,需要耗费时间和计算机算力。其中,在实际自车行驶的过程中,自车所在车道上前方第一辆车(自车前车),以及在自车相邻车道上,且在车道方向上处于目标车辆和自车前车之间的目标车辆(即自车侧前车)对于自车的行驶状态影响较大,很大程度上限制自车的行驶轨迹、速度,自车前车和自车侧前车采用基于非交互情况的预测模型进行轨迹预测,保证自车前车和自车侧前车轨迹预测的准确性。自车前车和自车侧前车之外的其他目标车辆,对于自车行驶状态的影响多是由于与自车前车和自车侧前车的行驶状态的影响,所以其他目标车辆采用基于非交互情况的预测模型进行轨迹预测即可。
一种可选的的实施方式中,第一类预测模型包括基于多个目标车辆之间交互情况的第一模型和基于多个目标车辆之间非交互情况的第二模型,确定目标相对位置信息对应的目标预测模型,还包括:在目标相对位置信息为第一类相对位置信息,且包括目标车辆为自车前方的第一辆车的情况下,例如,如图1所示的目标车辆1021,确定目标预测模型为第一模型;在目标相对位置信息为第一类相对位置信息,且包括目标车辆非自车前方的第一辆车的情况下,例如,图1所示的目标车辆1022和目标车辆1023,确定目标预测模型为第二模型。
一种可选的的实施方式中,第二类预测模型包括基于多个目标车辆之间交互情况的第三模型和基于多个目标车辆之间非交互情况的第四模型,确定目标相对位置信息对应的目标预测模型,还包括:目标相对位置信息为第二类相对位置信息,且包括目标车辆在自车所在车道方向上处于自车前方的第一辆车和自车之间的情况下,例如图1所示的目标车辆1024,确定目标预测模型为第三模型;目标相对位置信息为第二类相对位置信息,且包括目标车辆在自车所在车道方向上未处于自车前方的第一辆车和自车之间的情况下,例如图1所示的目标车辆1025,确定目标预测模型为第四模型。
针对自车前车和自车侧前车采用基于交互情况的预测模型,如此,在保证自车前车和自车侧前车的轨迹预测效果的前提下,减少针对除自车前车和自车侧前车之外目标车辆的预测模型的生成和使用的时间,以及所需的计算机算力,实现对自车的预测模型合理配置关于交互情况的预设条件,进而节约生成和使用自车的预测模型的成本。
在步骤S305中确定了目标预测模型后,进入步骤S307,对目标车辆进行轨迹预测。
S307:基于目标预测模型对目标车辆进行轨迹预测。
在本申请的一些实施例中,预测模型的输入包括目标车辆的位置信息、速度信息、交互信息、交通信息、路况信息和目标车辆的行驶意图信息。例如,目标车辆基于自车所在车道的车道中心线的航向角、横纵向速度、位置、纵向加速度、目标车辆距离所在车道线的横向距离及目标车辆的转向灯信息;交通指示灯、道路虚实线及最高限速信息等交通信息;基于高精地图信息和视觉车道线信息的路况信息。
在本申请的一些实施例中,预测模型的输出为:目标车辆未来预设时间内的轨迹点信息,如预设时间为8s。其中,轨迹点信息主要包括目标车辆未来时刻所在车道ID,航向角,横纵向位置信息,横纵向速度信息,纵向加速度等信息。
在本申请的一些实施例中,轨迹预测的轨迹点信息基于Frent坐标系下计算。具体的,以自车所在车道的中心线为L轴,以垂直于自车所在车道的中心线切线为S轴,自车后轴中心投影到L轴的点为Frent坐标系原点。
在本申请的一些实施例中,预测模型的轨迹预测的计算方法如下:
若目标车辆的行驶意图为直行,计算出目标车辆未来直行预设时间内的轨迹点信息,由轨迹点信息得到预测的目标车辆轨迹。
若目标车辆的行驶意图为左拐或右拐,由三次多项式方程可得目标未来各个时间点的轨迹信息。所采用三次多项式如下:
其中Pm0:目标车辆t0时刻位置;Pm1:目标车辆t1时刻位置;Vm0:目标车辆t0时刻速度;Vm1:目标车辆t1时刻速度,c0、c1、c2、c3为所求系数。
通过目标车辆初始时刻和结束时刻的位置和速度,计算得到三次多项式的系数c0、c1、c2、c3,将包含该系数的三次多项式确定为目标多项式;根据目标三次多项式计算出目标车辆在各个时间点的轨迹信息。
由于前车会影响后车的轨迹预测。一种可选的基于目标预测模型对目标车辆进行轨迹预测的实施方式中,沿着自车行驶方向对多个目标车辆排序;依照排序从前至后,基于各目标车辆对应的目标预测模型对各目标车辆进行轨迹预测。如此使得各目标车辆的轨迹预测更加准确。
综上,本申请实施例提供的一种车辆轨迹预测方法,主要包括确定上述目标车辆相对于自车的相对位置,对不同相对位置的目标车辆分别基于对应预测条件的预测模型进行轨迹预测。如此,通过自车合理使用和配置预测模型,在保证预测轨迹效果的前提下,减少自车对高准确性的预测模型的使用频率,减少生成和使用自车所需预测模型的时间和计算机算力,进而节约生成和使用自车所需预测模型的成本。另外,通过单独优化各相对位置对应的预测模型,使得预测模型得到的预测轨迹更准确。避免目标车辆切入、切出等情况下,自车发生碰撞、急减速等情况
例如,在目标车辆近距离切入自车前方,目标车辆所处位置对应的目标预测模型会提前给出目标车辆切入的轨迹信息发给自车的决策规划模块,自车通过控制提前减速,避免自车发生急减速甚至碰撞。
例如,在自车路过匝道或者其他道路合并处,目标车辆所处位置对应的预测模块提前给出目标车辆未来8s的轨迹信息发给自车的决策规划模块,自车通过控制提前调整车速,避免与并入的其他目标车辆造成危险。
本申请实施例还提供了一种车辆轨迹预测装置,图4是本申请实施例提供的一种车辆轨迹预测装置的结构示意图,如图4所示,该目标车辆轨迹预测装置400包括:获取模块401、位置确定模块402、模型确定模块403和预测模块404。其中,获取模块401用于获取自车的位置信息和目标车辆的位置信息,其中目标车辆包括距离自车预设距离范围内的目标车辆;位置确定模块402用于基于自车的位置信息和目标车辆的位置信息,确定自车与目标车辆的目标相对位置信息;模型确定模块403用于基于相对位置信息与预测模型的映射关系,确定目标相对位置信息对应的目标预测模型;预测模块404用于基于目标预测模型对目标车辆进行轨迹预测。
在本申请的一些实施例中,上述位置确定模块,包括:
第一位置确定模块,用于在目标相对位置信息为第一类相对位置信息的情况下,确定目标预测模型为基于单一行驶意图的第一类预测模型,其中第一类相对位置信息包括目标车辆处于自车所在车道上;
第二位置确定模块,用于在目标相对位置信息为第二类相对位置信息的情况下,确定目标预测模型为基于多种行驶意图的第二类预测模型,其中第二类相对位置信息包括目标车辆处于非自车所在车道上。
在本申请的一些实施例中,上述第一类预测模型包括基于多个目标车辆之间交互情况的第一模型和基于多个目标车辆之间非交互情况的第二模型,上述第一位置确定模块,包括:
第三位置确定子模块,用于在目标相对位置信息为第一类相对位置信息,且包括目标车辆为自车前方的第一辆车的情况下,确定目标预测模型为第一模型;
第四位置确定子模块,用于在目标相对位置信息为第一类相对位置信息,且包括目标车辆非自车前方的第一辆车的情况下,确定目标预测模型为第二模型。
在本申请的一些实施例中,上述第二类预测模型包括基于多个目标车辆之间交互情况的第三模型和基于多个目标车辆之间非交互情况的第四模型,上述第二位置确定模块,包括:
第五位置确定子模块,用于目标相对位置信息为第二类相对位置信息,且包括目标车辆在自车所在车道方向上处于自车前方的第一辆车和自车之间的情况下(即目标车辆为自车的侧前车),确定目标预测模型为第三模型;
第六位置确定子模块,用于目标相对位置信息为第二类相对位置信息,且包括目标车辆在自车所在车道方向上未处于自车前方的第一辆车和自车之间的情况下,确定目标预测模型为第四模型。
在本申请的一些实施例中,上述第一位置确定模块和上述第二位置确定模块的交互情况包括以下情况中的至少一种:
多个目标车辆之间进行速度信息的共享;
多个目标车辆之间进行目标车辆的位置信息的共享;
多个目标车辆之间进行行驶意图的共享。
在本申请的一些实施例中,上述预测模块,包括:沿着自车行驶方向对多个目标车辆排序;依照排序从前至后,基于各目标车辆对应的目标预测模型对各目标车辆进行轨迹预测。
在本申请的一些实施例中,上述第一位置确定模块和上述第二位置确定模块的行驶意图包括以下一种意图:目标车辆直行的相关意图;目标车辆左拐的相关意图;目标车辆右拐的相关意图。
可以理解的是,上述车辆轨迹预测装置400中的功能单元的划分仅为一种示例,包括但不限于此。
本申请实施例中的装置与方法实施例基于同样地申请构思。
图5是根据一示例性实施例示出的一种用于车辆轨迹预测的电子设备的框图。
该电子设备可以是服务器,还可以是终端设备,其内部结构图可以如图5所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆轨迹预测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本申请的实施例还提供了一种电子设备,设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的车辆轨迹预测方法。
本申请的实施例还提供了一种计算机存储介质,所述计算机存储介质可设置于服务器之中以保存用于实现方法实施例中一种车辆轨迹预测方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述车辆轨迹预测方法。
可选的,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于包括:U盘、只读存储器(ROM,Read-only Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的实施例还提供了一种车辆,该车辆包括上述电子设备。例如上述自车101设置有上述电子设备,自车101使用该电子设备对周围的各目标车辆进行轨迹预测。
在示例性实施例中,还提供了一种计算机程序产品,计算机程序产品包括计算机程序,计算机程序存储在可读存储介质中,计算机设备的至少一个处理器从可读存储介质读取并执行计算机程序,使得计算机设备执行本公开实施例的车辆轨迹预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,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,可轻易想到变化或替换,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以所述权利要求的保护范围为准。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
Claims (8)
1.一种车辆轨迹预测方法,其特征在于, 所述方法包括:
获取自车的位置信息和目标车辆的位置信息,其中所述目标车辆包括距离所述自车预设距离范围内的车辆;
基于所述自车的位置信息和目标车辆的位置信息,确定所述自车与所述目标车辆的目标相对位置信息;
基于相对位置信息与预测模型的映射关系,确定所述目标相对位置信息对应的目标预测模型;
基于所述目标预测模型对所述目标车辆进行轨迹预测;
所述确定所述目标相对位置信息对应的目标预测模型,包括:
在所述目标相对位置信息为第一类相对位置信息的情况下,确定所述目标预测模型为基于单一行驶意图的第一类预测模型,其中,
所述第一类相对位置信息包括所述目标车辆处于所述自车所在车道上;
在所述目标相对位置信息为第二类相对位置信息的情况下,确定所述目标预测模型为基于多种所述行驶意图的第二类预测模型,其中
所述第二类相对位置信息包括所述目标车辆处于非所述自车所在车道上;
所述第一类预测模型包括基于多个所述目标车辆之间交互情况的第一模型和基于多个所述目标车辆之间非交互情况的第二模型,所述确定所述目标相对位置信息对应的目标预测模型,还包括:
在所述目标相对位置信息为所述第一类相对位置信息,且包括所述目标车辆为所述自车前方的第一辆车的情况下,确定所述目标预测模型为所述第一模型;
在所述目标相对位置信息为所述第一类相对位置信息,且包括所述目标车辆非所述自车前方的第一辆车的情况下,确定所述目标预测模型为所述第二模型。
2.根据权利要求1所述的方法,其特征在于,所述第二类预测模型包括基于多个所述目标车辆之间交互情况的第三模型和基于多个所述目标车辆之间非交互情况的第四模型,所述确定所述目标相对位置信息对应的目标预测模型,还包括:
所述目标相对位置信息为所述第二类相对位置信息,且包括所述目标车辆在所述自车所在车道方向上处于所述自车前方的第一辆车和所述自车之间的情况下,确定所述目标预测模型为所述第三模型;
所述目标相对位置信息为所述第二类相对位置信息,且包括所述目标车辆在所述自车所在车道方向上未处于所述自车前方的第一辆车和所述自车之间的情况下,确定所述目标预测模型为所述第四模型。
3.根据权利要求1或2所述的方法,其特征在于,所述交互情况包括以下情况中的至少一种:
多个所述目标车辆之间进行速度信息的共享;
多个所述目标车辆之间进行所述目标车辆的位置信息的共享;
多个所述目标车辆之间进行所述行驶意图的共享。
4.根据权利要求1至2中任一项所述的方法,其特征在于,所述基于所述目标预测模型对所述目标车辆进行轨迹预测,包括:
沿着所述自车行驶方向对多个所述目标车辆排序;
依照所述排序从前至后,基于各所述目标车辆对应的所述目标预测模型对各所述目标车辆进行所述轨迹预测。
5. 根据权利要求1至2中任一项所述的方法,其特征在于, 所述行驶意图包括以下一种意图:
所述目标车辆直行的相关意图;
所述目标车辆左拐的相关意图;
所述目标车辆右拐的相关意图。
6.一种车辆轨迹预测装置,其特征在于,所述装置包括:
获取模块,用于获取自车的位置信息和目标车辆的位置信息,其中所述目标车辆包括距离所述自车预设距离范围内的车辆;
位置确定模块,用于基于所述自车的位置信息和目标车辆的位置信息,确定所述自车与所述目标车辆的目标相对位置信息;
模型确定模块,用于基于相对位置信息与预测模型的映射关系,确定所述目标相对位置信息对应的目标预测模型;
预测模块,用于基于所述目标预测模型对所述目标车辆进行轨迹预测;
所述确定所述目标相对位置信息对应的目标预测模型,包括:
在所述目标相对位置信息为第一类相对位置信息的情况下,确定所述目标预测模型为基于单一行驶意图的第一类预测模型,其中,
所述第一类相对位置信息包括所述目标车辆处于所述自车所在车道上;
在所述目标相对位置信息为第二类相对位置信息的情况下,确定所述目标预测模型为基于多种所述行驶意图的第二类预测模型,其中
所述第二类相对位置信息包括所述目标车辆处于非所述自车所在车道上;
所述第一类预测模型包括基于多个所述目标车辆之间交互情况的第一模型和基于多个所述目标车辆之间非交互情况的第二模型,所述确定所述目标相对位置信息对应的目标预测模型,还包括:
在所述目标相对位置信息为所述第一类相对位置信息,且包括所述目标车辆为所述自车前方的第一辆车的情况下,确定所述目标预测模型为所述第一模型;
在所述目标相对位置信息为所述第一类相对位置信息,且包括所述目标车辆非所述自车前方的第一辆车的情况下,确定所述目标预测模型为所述第二模型。
7.一种电子设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-5任一项所述的车辆轨迹预测方法。
8.一种车辆,其特征在于,包括权利要求7所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127956.2A CN114407930B (zh) | 2022-02-11 | 2022-02-11 | 车辆轨迹预测方法、装置、电子设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127956.2A CN114407930B (zh) | 2022-02-11 | 2022-02-11 | 车辆轨迹预测方法、装置、电子设备及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114407930A CN114407930A (zh) | 2022-04-29 |
CN114407930B true CN114407930B (zh) | 2023-09-05 |
Family
ID=81278774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127956.2A Active CN114407930B (zh) | 2022-02-11 | 2022-02-11 | 车辆轨迹预测方法、装置、电子设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114407930B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016218737A (ja) * | 2015-05-20 | 2016-12-22 | 株式会社豊田中央研究所 | 先行車両推定装置及びプログラム |
CN110379042A (zh) * | 2018-04-13 | 2019-10-25 | 英福思亚洲(北京)科技有限公司 | 采集车辆数据的方法和系统 |
CN110758382A (zh) * | 2019-10-21 | 2020-02-07 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 |
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 |
CN111638711A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 用于自动驾驶的行驶轨迹规划方法、装置、设备和介质 |
CN112277944A (zh) * | 2020-10-30 | 2021-01-29 | 浙江吉利控股集团有限公司 | 一种道路巡航方法、装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10029682B2 (en) * | 2016-01-22 | 2018-07-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Surrounding vehicle classification and path prediction |
-
2022
- 2022-02-11 CN CN202210127956.2A patent/CN114407930B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016218737A (ja) * | 2015-05-20 | 2016-12-22 | 株式会社豊田中央研究所 | 先行車両推定装置及びプログラム |
CN110379042A (zh) * | 2018-04-13 | 2019-10-25 | 英福思亚洲(北京)科技有限公司 | 采集车辆数据的方法和系统 |
CN110758382A (zh) * | 2019-10-21 | 2020-02-07 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 |
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 |
CN111638711A (zh) * | 2020-05-22 | 2020-09-08 | 北京百度网讯科技有限公司 | 用于自动驾驶的行驶轨迹规划方法、装置、设备和介质 |
CN112277944A (zh) * | 2020-10-30 | 2021-01-29 | 浙江吉利控股集团有限公司 | 一种道路巡航方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114407930A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112009473B (zh) | 一种自适应巡航目标选择的方法、装置和计算机设备 | |
JP2009037561A (ja) | 走行計画生成装置 | |
CN109421712B (zh) | 车辆控制装置、车辆、车辆控制方法以及存储介质 | |
EP3694756B1 (en) | Spiral curve based vertical parking planner system for autonomous driving vehicles | |
US20200247415A1 (en) | Vehicle, and control apparatus and control method thereof | |
US11472439B2 (en) | Vehicle control system and vehicle control method | |
EP4074565A1 (en) | Automated lane changing device and method for vehicle | |
US11628858B2 (en) | Hybrid planning system for autonomous vehicles | |
CN114537441A (zh) | 一种车辆行驶意图预测方法、装置、系统及车辆 | |
CN114604268A (zh) | 一种车辆行驶意图预测方法、装置、电子设备和车辆 | |
US11524700B2 (en) | Vehicle control system, vehicle control method, and non-transitory computer-readable storage medium | |
US20230091505A1 (en) | Parking assistance device, parking assistance method, and computer program product | |
US20220375349A1 (en) | Method and device for lane-changing prediction of target vehicle | |
CN112721928A (zh) | 一种跟车策略确定方法、装置、电子设备及存储介质 | |
CN115320583A (zh) | 目标障碍车确定方法、装置、车辆及介质 | |
CN114763135A (zh) | 一种车辆行驶控制方法、装置、电子设备及存储介质 | |
CN114030486A (zh) | 动态障碍物的轨迹预测方法、装置、电子设备和存储介质 | |
CN114407930B (zh) | 车辆轨迹预测方法、装置、电子设备及车辆 | |
US20230053243A1 (en) | Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles | |
US20210316765A1 (en) | Methods and systems for hand-over from and ads feature to a driver of a vehicle | |
CN115107809A (zh) | 一种自动驾驶决策方法、装置及电子设备、存储介质 | |
US11260884B2 (en) | Vehicle control apparatus, vehicle, operation method of vehicle control apparatus, and non-transitory computer-readable storage medium | |
US11656262B2 (en) | Software simulation system for indoor EMC test | |
US11851088B2 (en) | Method for determining capability boundary and associated risk of a safety redundancy autonomous system in real-time | |
CN113112842B (zh) | 车道行驶方向更新方法及装置、存储介质及电子设备 |
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 |