CN114604268A - 一种车辆行驶意图预测方法、装置、电子设备和车辆 - Google Patents
一种车辆行驶意图预测方法、装置、电子设备和车辆 Download PDFInfo
- Publication number
- CN114604268A CN114604268A CN202210184073.5A CN202210184073A CN114604268A CN 114604268 A CN114604268 A CN 114604268A CN 202210184073 A CN202210184073 A CN 202210184073A CN 114604268 A CN114604268 A CN 114604268A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- historical
- intention
- target
- target 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 230000003993 interaction Effects 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 18
- 230000002452 interceptive effect Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000000926 separation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 description 21
- 238000013136 deep learning model Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
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，特别涉及一种车辆行驶意图预测方法、装置、电子设备和车辆。该方法包括：获取目标车辆在多个历史时刻的行驶状态信息；根据多个历史时刻中每个历史时刻的行驶状态信息，确定每个历史时刻对应的历史意图结果；确定每个历史时刻对应的遗忘因子；遗忘因子用于表征相应的历史时刻的历史意图结果对目标预测结果的影响程度；目标预测结果用于表征目标车辆的行驶意图；根据多个历史时刻中每个历史时刻对应的历史意图结果和遗忘因子，确定目标预测结果。通过上述方法降低了对计算机算力和图片清晰度的要求，其相关参数的分析和调整更加便利。其中采用多个历史时刻的行驶状态数据和遗忘因子，可提高车辆行驶意图预测的准确性。
Description
技术领域
本申请涉及自动驾驶技术领域，特别涉及一种车辆行驶意图预测方法、装置、电子设备和车辆。
背景技术
目前车辆的自动驾驶技术的快速发展，自动驾驶技术的安全性一直是需要改进的难题。通常自动驾驶车辆(简称自车)基于当前周围的目标车辆的行驶意图(如变道意图)来规划未来一定时间内自车的行驶轨迹，如此可以有效提升自车行驶的安全性能。例如，自车基于目标车辆切入自车前方的变道意图，提前规划好未来一定时间内的行驶轨迹，并及时调整自车的运动决策，避免与目标车辆发生碰撞。然而，在室外复杂的环境下，目标车辆的行驶意图存在高度不确定性。
基于深度学习模型获得的行驶意图的准确率较高，现有技术中通常采用深度学习模型对目标车辆进行意图预测。但是，一方面，深度学习模型通常包括几十万至上千万的参数，使得深度学习模型的训练需要消耗高的计算机算力；另一方面，深度学习模型通常基于图像RGB卷积神经网络得到，需要从高清晰度的地图图像，以提取目标车辆行驶意图预测所需的特征信息(如车道线信息)。并且，由于深度学习模型需要高的计算机算力和高清晰度的地图图像，造成的目标车辆行驶意图预测的成本较高。另外，由于难以针对特定场景进行详细分析及准确调整深度学习模型的参数，使得后续深度学习模型的优化是不利的，例如，针对特定场景的信息，重新进行深度学习模型的训练，需要耗费大量时间和成本。
因此，需要针对目标车辆行驶意图预测过程中耗费计算机算力、图片清晰度要求高、成本高，以及难以分析和调整参数等问题，提供一种车辆行驶意图预测方法、装置、电子设备和车辆。
发明内容
本申请实施例提供了一种车辆行驶意图预测方法、装置、电子设备和车辆，该方法通过基于目标车辆的多个历史时刻的行驶状态信息，确定各历史时刻对应的历史意图结果，并通过遗忘因子设置各历史意图结果对目标预测结果的影响程度，其中目标预测结果用于表征目标车辆的行驶意图。一方面，上述方法无需基于深度学习模型，且无需使用高清图像信息，降低了对计算机算力和图片清晰度的要求，节约了目标车辆行驶意图预测的成本。另一方面，采用多个历史时刻的行驶状态数据，进一步提高车辆行驶意图预测的准确性。另外，通过遗忘因子控制各历史时刻相应的历史意图结果对应的权重，保证了目标车辆行驶意图预测效果。此外，基于上述方法得到的数学模型的相关参数的分析和调整更加便利。
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，本申请实施例提供了一种车辆行驶意图预测方法，该方法包括：
获取目标车辆在多个历史时刻的行驶状态信息；
根据多个历史时刻中每个历史时刻的行驶状态信息，确定每个历史时刻对应的历史意图结果；
确定每个历史时刻对应的遗忘因子；遗忘因子用于表征相应的历史时刻的历史意图结果对目标预测结果的影响程度；目标预测结果用于表征目标车辆的行驶意图；
根据多个历史时刻中每个历史时刻对应的历史意图结果和遗忘因子，确定目标预测结果。
在上述第一方面的一种实现中，上述确定每个历史时刻对应的遗忘因子，包括：
依照时间先后顺序，确定每个历史时刻对应的遗忘因子；各遗忘因子所表征的影响程度依照时间先后顺序依次增加。
上述方法通过设置各个历史时刻对应的历史意图成本的权重(即上述遗忘因子)依照时间先后顺序依次增加，进一步提高车辆行驶意图预测的准确性。
在上述第一方面的一种实现中，每个历史时刻的行驶状态信息包括目标车辆的横向速度、目标车辆的航向角、目标车辆的车辆宽度、目标车辆所在的当前车道的车道宽度、目标车辆相对于当前车道的横向位置；
上述确定每个历史时刻对应的历史意图结果，包括：
基于每个历史时刻对应的车辆宽度、车道宽度和横向位置，确定横向偏移比；
基于横向偏移比、横向速度和航向角，确定每个历史时刻对应的历史意图结果。
在上述第一方面的一种实现中，上述方法还包括：
获取当前时刻目标车辆与目标车辆的周车的交互信息；周车包括距离目标车辆预设距离内的车辆；
根据交互信息，确定第一辅助行驶意图结果；
根据第一辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在上述第一方面的一种实现中，上述交互信息包括周车的动量相关信息、周车的周车纵向速度、周车与目标车辆之间的周车纵向间距、目标车辆的目标纵向速度和目标车辆的目标纵向加速度中的至少一种。
由于周车与目标车辆的速度关系、周车与目标车辆的纵向间距、目标车辆的目标纵向加速度和周车的动量等会明显影响目标车辆的意图。目标车辆行驶意图预测的过程中，考虑目标车辆与其周车的交互场景，有利于提高目标车辆行驶意图预测的准确性。
在上述第一方面的一种实现中，上述方法还包括：
获取目标车辆相关的交通信息；交通信息包括车道线类型和/或交通指示灯信息；
根据预设的交通规则，确定交通信息对应的第二辅助行驶意图结果；
根据第二辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在上述第一方面的一种实现中，上述方法还包括：
获取目标车辆所在区域的当前天气信息；当前天气信息包括降雨量和天气类型中的至少一种；
根据当前天气信息确定第三辅助行驶意图结果；
根据第三辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在上述第一方面的一种实现中，上述行驶意图包括向左变道意图、保持车道意图和向右变道意图中的至少一种意图。
第二方面，本申请的实施方式提供了一种车辆行驶意图预测装置，该装置包括：
状态获取模块，用于获取目标车辆在多个历史时刻的行驶状态信息；
状态确定模块，用于根据多个历史时刻中每个历史时刻的行驶状态信息，确定每个历史时刻对应的历史意图结果；
遗忘因子确定模块，用于确定每个历史时刻对应的遗忘因子；遗忘因子用于表征相应的历史时刻的历史意图结果对目标预测结果的影响程度；目标预测结果用于表征目标车辆的行驶意图；
意图确定模块，用于根据多个历史时刻中每个历史时刻对应的历史意图结果和遗忘因子，确定目标预测结果。
在上述第二方面的一种实现中，上述遗忘因子确定模块，包括：
第一遗忘因子确定子模块，用于确定多个历史时刻的时间先后顺序；
第二遗忘因子确定子模块，用于确定每个历史时刻对应的遗忘因子；其中各遗忘因子所表征的影响程度依照时间先后顺序依次增加。
在上述第二方面的一种实现中，上述每个历史时刻的行驶状态信息包括目标车辆的横向速度、目标车辆的航向角、目标车辆的车辆宽度、目标车辆所在的当前车道的车道宽度、目标车辆相对于当前车道的横向位置；
上述意图确定模块，包括：
第一意图确定子模块，用于基于每个历史时刻对应的车辆宽度、车道宽度和横向位置，确定横向偏移比；
第二意图确定子模块，用于基于横向偏移比、横向速度和航向角，确定每个历史时刻对应的历史意图结果。
在上述第二方面的一种实现中，上述装置还包括：
交互获取模块，用于获取当前时刻目标车辆与目标车辆的周车的交互信息；周车包括距离目标车辆预设距离内的车辆；
交互确定模块，用于根据交互信息，确定第一辅助行驶意图结果；
交互输出模块，用于根据第一辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在上述第二方面的一种实现中，上述交互信息包括周车的动量相关信息、周车的周车纵向速度、周车与目标车辆之间的周车纵向间距、目标车辆的目标纵向速度和目标车辆的目标纵向加速度中的至少一种。
在上述第二方面的一种实现中，上述装置还包括：
交通获取模块，用于获取目标车辆相关的交通信息；交通信息包括车道线类型和/或交通指示灯信息；
交通确定模块，用于根据预设的交通规则，确定交通信息对应的第二辅助行驶意图结果；
交通输出模块，用于根据第二辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在上述第二方面的一种实现中，上述装置还包括：
天气获取模块，用于获取目标车辆所在区域的当前天气信息；当前天气信息包括降雨量和天气类型中的至少一种；
天气确定模块，用于根据当前天气信息确定第三辅助行驶意图结果；
天气输出模块，用于根据第三辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在上述第二方面的一种实现中，上述行驶意图包括向左变道意图、保持车道意图和向右变道意图中的至少一种意图。
第三方面，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车辆行驶意图预测方法。
第四方面，本申请的实施方式提供了一种车辆，该车辆包括第三方面的电子设备。
本申请实施例提供了一种车辆行驶意图预测方法、装置、电子设备和车辆，该方法通过基于目标车辆的多个历史时刻的行驶状态信息，确定各历史时刻对应的历史意图结果，并通过遗忘因子设置各历史意图结果对目标预测结果的影响程度，其中目标预测结果用于表征目标车辆的行驶意图。一方面，上述方法无需基于深度学习模型，且无需使用高清图像信息，降低了对计算机算力和图片清晰度的要求，节约了目标车辆行驶意图预测的成本。另一方面，采用多个历史时刻的行驶状态数据，避免基于一个时刻的预测结果不准确，且目标预测结果的准确性对感知单元和融合单元的数据准确性具有很强的依赖性。另外，通过遗忘因子控制各历史时刻相应的历史意图结果对应的权重，进一步提高车辆行驶意图预测的的准确性。此外，基于上述方法得到的数学模型，可以针对特定场景特定分析，以便于分析和调节该数学模型的参数，以达到优化数学模型的目的，例如，根据场景的不同，调节遗忘因子，以保证不同场景下车辆行驶意图预测效果，提高车辆行驶意图预测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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他的附图。
图1是本申请实施例提供的一种车辆行驶意图预测方法的场景图；
图2是本申请实施例提供的一种基于车辆行驶意图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行驶意图预测方法的流程示意图；
图4A是本申请实施例提供的一种基于交互场景的车辆行驶意图预测方法的流程示意图；
图4B是本申请实施例提供的一种基于交通场景的车辆行驶意图预测方法的流程示意图；
图4C是本申请实施例提供的一种基于天气场景的车辆行驶意图预测方法的流程示意图；
图5是本申请实施例提供的一种车辆行驶意图预测装置的结构示意图；
图6是本申请实施例提供的一种用于车辆行驶意图预测方法的电子设备的框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在介绍本申请实施例的车辆行驶意图预测方法之前，首先对车辆行驶意图预测方法的场景进行介绍。
请参阅图1，图1是本申请实施例提供的一种车辆行驶意图预测方法的场景图，自车101前方(行驶方向)预设距离范围内有目标车辆102，目标车辆102的周围车辆(简称周车)包括：目标车辆102的正前方的第一辆车—正前车1021，目标车辆102的左侧车道上前方第一辆车—左前车1022，目标车辆102的左侧车道上后方第一辆车—左后车1023，目标车辆102的右侧车道上前方第一辆车—右前车1024，目标车辆102的右侧车道上后方第一辆车—右后车1025。
在自车101行驶过程中，目标车辆102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102向右变道轨迹，可能会影响自车101的行驶速度。其中，行驶轨迹由目标车辆102当前时刻的行驶意图决定(如向右变道意图)。因此，自车101对目标车辆102的行驶意图的准确预测，可以使自车101及时调整车速、航向角等行驶状态信息，避免与目标车辆102发生碰撞等事故。
请参阅图2，图2是本申请实施例提供的基于目标车辆行驶意图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、预测单元、决策单元和执行单元。
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、天气信息等，导航和地图定位单元可以通过高精地图实现；感知单元用于获取目标车辆信息(如目标车辆102)、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，如自车101的车速信息、加速度信息、转向信息、转向灯信息。
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自车所在车道信息、自车的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。
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。预测单元从导航和地图定位单元、融合单元和目标选择单元获取预测所需的数据。例如，预测单元从导航和地图定位单元获取导航和地图定位单元获取全局路径信息，道路信息、定位信息、车道线信息、天气信息等数据，预测单元从融合单元获取交通指示灯等信息，预测单元从目标选择单元获取目标车辆的位置信息。
决策单元用于对融合单元及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。
预测单元包括基于预设条件的意图预测模型，意图预测模型用于对目标车辆进行意图预测。如对目标车辆102进行意图预测。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。上述融合单元、目标选择单元、预测单元和决策单元等可以设置于自车101，也可以设置于云端服务器等非自车101所设置的设备，在此不做限制。
如前所述，现有的目标车辆行驶意图预测过程中，由于采用深度学习模型，造成耗费计算机算力、图片清晰度要求高、成本高，以及难以分析和调整参数等问题。
本申请通过基于目标车辆的多个历史时刻的行驶状态信息，确定各历史时刻对应的历史意图结果，并通过遗忘因子设置各历史意图结果对目标预测结果的影响程度，其中目标预测结果用于表征目标车辆的行驶意图。一方面，上述方法无需基于深度学习模型，且无需使用高清图像信息，降低了对计算机算力和图片清晰度的要求，节约了目标车辆行驶意图预测的成本。另一方面，采用多个历史时刻的行驶状态数据，避免基于一个时刻的行驶状态数据来预测行驶轨迹，造成目标预测结果不准确、目标预测结果对该时刻的行驶状态数据准确性依赖性强等问题，提高目标预测结果的准确性。另外，通过遗忘因子控制各历史时刻相应的历史意图结果对应的权重，进一步提高车辆行驶意图预测的准确性。此外，基于上述方法得到的数学模型，可以针对特定场景特定分析，以便于分析和调节该数学模型的参数，以达到优化数学模型的目的。例如，根据场景的不同，调节遗忘因子，以保证不同场景下车辆行驶意图预测效果。
以下介绍本申请一种车辆行驶意图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行驶意图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，该方法包括：
S301：获取目标车辆在多个历史时刻的行驶状态信息。
在本申请的一些实施例中，行驶状态信息包括目标车辆的横向速度、目标车辆的航向角、目标车辆的车辆宽度、目标车辆所在的当前车道的车道宽度、目标车辆相对于当前车道的横向位置。
S303：根据多个历史时刻中每个历史时刻的行驶状态信息，确定每个历史时刻对应的历史意图结果。
在本申请的一些实施例中，确定每个历史时刻对应的历史意图结果具体包括：基于每个历史时刻对应的车辆宽度、车道宽度和横向位置，确定横向偏移比；基于横向偏移比、横向速度和航向角，确定每个历史时刻对应的历史意图结果。
S305：确定每个历史时刻对应的遗忘因子。
多个历史时刻中各历史时刻与当前时刻的时间间隔越长，该历史时刻对应的历史意图成本对目标意图结果的影响程度越低。
本申请的一些实施例中，依照时间先后顺序，确定每个历史时刻对应的遗忘因子；各遗忘因子所表征的影响程度依照时间先后顺序依次增加。通过设置各个历史时刻对应的历史意图成本的权重(即上述遗忘因子)依照时间先后顺序依次增加，提高车辆行驶意图预测的准确性。
S307：根据多个历史时刻中每个历史时刻对应的历史意图结果和遗忘因子，确定目标预测结果。
例如，根据图3所示方法得到的数学模型包括根据状态限制规则确定的横向成本和直行成本；横向成本和直行成本采用遗传因子λ，实现依照时间的先后顺序，各历史时刻对应的历史意图结果的权重依次增加。
上述横向成本采用下列公式(1)和(2)计算：
其中，
为横向成本，
为各历史时刻的横向偏移比，θ1···θN为各历史时刻的航向角，
为各历史时刻的横向速度，λ为0到1之间的实数，kd-R、kd-theta、
分别为各项系数；Rlat为横向偏移比，Plat为横向位置，wobs为车辆宽度，wlane为车道宽度。
上述直行成本下列公式(3)计算：
其中，
为直行成本，kR_chg、ktheta-chg、kv_chg为各项系数。
和
用于表征第N个历史时刻的历史意图成本，其他历史时刻的历史意图成本的表征方式与第N个历史时刻类似，在此不作赘述。
如前所述，现有技术中，由于采用深度学习模型进行车辆行驶意图预测，而深度学习模型的参数非常多。难以针对特定场景特定分析和调整深度模型的参数。本申请通过上述方法得到的数学模型，可以通过针对特定场景分析及调节数学模型的具体参数，以提高车辆行驶意图预测的准确性。下面针对特定场景分析及调节数学模型的具体参数的方法进行详细描述，其中，特定场景以目标车辆与目标车辆的周围车辆(周车)的交互、交通和天气为例，但本申请的特定场景不限于此。
对于目标车辆与其周车的交互。由于周车与目标车辆的速度关系、周车与目标车辆的纵向间距、目标车辆的目标纵向加速度和周车的动量等会明显影响目标车辆的行驶意图。例如，在周车的动量较大时，周车避让其他车辆的机械反应速度较慢(如速度改变的速度慢)，目标车辆通常会与该周车保持距离，以便于及时应对该周车的行驶状态变化，避免发生碰撞。所以，目标车辆行驶意图预测的过程中，考虑目标车辆与其周车的交互场景，有利于提高目标车辆行驶意图预测的准确性。
图4A是本申请实施例提供的一种基于交互场景的车辆行驶意图预测方法的流程示意图，下面对基于目标车辆与其周车的交互场景，进行车辆行驶意图预测的方法进行详细描述。
S309A：获取当前时刻目标车辆与目标车辆的周车的交互信息。周车包括距离目标车辆预设距离内的车辆。
在本申请的一些实施例中，上述交互信息包括周车的动量相关信息、周车的周车纵向速度、周车与目标车辆之间的周车纵向间距、目标车辆的目标纵向速度和目标车辆的目标纵向加速度中的至少一种。
在本申请的一些实施例中，周车包括正前车、左前车、左后车、右前车和右后车。正前车为当前车道上目标车辆前方的第一辆车(如图1所示的目标车辆102和正前车1021)，左前车和左后车分别为目标车辆的左侧车道上目标车辆前方的第一辆车和目标车辆后方的第一辆车(如图1所示的左前车1022和左后车1023)，右前车和右后车分别为目标车辆的右侧车道上目标车辆前方的第一辆车和目标车辆后方的第一辆车(如图1所示的右前车1024和右后车1025)。
在本申请的一些实施例中，交互信息包括周车的周车纵向速度，周车与目标车辆之间的纵向距离，以及左前车、左后车、右前车和右后车的体积，以及目标车辆的目标纵向速度和目标纵向加速度。
S311A：根据交互信息，确定第一辅助行驶意图结果。
S313A：根据第一辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
例如，上述数学模型还包括根据周车对行驶意图的交互限制规则确定的左侧交互成本、右侧交互成本和纵向交互成本。其中，基于左侧交互成本、右侧交互成本和纵向交互成本来表征上述第一辅助行驶意图结果。
上述左侧交互成本采用公式(4)计算：
CL＝kLF*dLF+kep-LF*vLF*VLF+kego-LF*(vLF-vS)+kLR*dLR+kep-LR*
vLR*VLR+kego-LR*(νS-vLR) (4)
其中，CL为左侧交互成本，νLF为左前车的周车纵向速度，VLF为左前车的体积，νLR为左后车的周车纵向速度，VLR为左后车的体积，dLF为目标车辆与左前车之间的纵向距离，dLR为目标车辆与左后车之间的纵向距离。
上述右侧交互成本采用公式(5)计算：
CR＝kRF*dRF+kep-RF*vRF*VRF+kego-RF*(vRF-vS)+kRR*dRR+kep-RR*νRR*
VRR+kego-RR*(vS-νRR) (5)
其中，CR为右侧交互成本，νRF为右前车的周车纵向速度，VRF为右前车的体积，vRR为右后车的周车纵向速度，VRR为右后车的体积，fRF为目标车辆与右前车之间的纵向距离，dRR为目标车辆与右后车之间的纵向距离。
上述纵向交互成本采用公式(6)计算：
Ceff＝ks-aclr*as+ks-dist*dfwd+kego-fwd*(vfwd-vs) (6)
其中，Ceff为纵向交互成本，as为目标纵向加速度，dfwd为目标车辆与正前车之间的纵向距离，vfwd为正前车的周车纵向速度，vs为目标纵向速度，ks-aclr、ks-dist、kego-fwd为系数。
对于目标车辆相关的交通场景。由于车辆驾驶中，必然要遵守交通规则，以保证交通正常运行，避免交通事故。所以，目标车辆行驶意图预测的过程中，考虑目标车辆相关的交通场景，有利于提高目标车辆行驶意图预测的准确性。
图4B是本申请实施例提供的一种基于交通场景的车辆行驶意图预测方法的流程示意图，下面对基于目标车辆相关的交通场景，进行车辆行驶意图预测的方法进行详细描述。
S309B：获取目标车辆相关的交通信息。其中，交通信息包括车道线类型和/或交通指示灯信息。
S311B：根据预设的交通规则，确定交通信息对应的第二辅助行驶意图结果。
例如，交通信息包括前方指示灯为红灯，则确定第二辅助行驶意图结果为禁止直行超过马路线。
S313B：根据第二辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
例如，上述数学模型还包括根据交通规则对行驶意图的交通限制规则确定的交通成本。其中，交通成本用于表征上述第二辅助行驶意图结果。
上述交通成本采用公式(7)、(8)和(9)计算：
CReg＝kln*CLn+klt*CLt (7)
其中，CReg为交通成本，CLn为与车道线类型相关的车道线成本，CLt为与交通指示灯情况相关的交通指示灯成本，kln、klt为系数,bsld、br、bg为常数项。
对于目标车辆所在区域的当前天气场景。恶劣的天气对于车辆的变道意图影响较大，在天气恶劣的情况下，车道线不易识别，车辆的视野环境差，使得车辆变道意图概率会减小。因此，目标车辆行驶意图预测时，考虑目标车辆所在区域的当前天气场景，有利于进一步提高目标车辆行驶意图预测的准确性。
图4C是本申请实施例提供的一种基于天气场景的车辆行驶意图预测方法的流程示意图，下面对基于天气场景，进行车辆行驶意图预测的方法进行详细描述。
S309C：获取目标车辆所在区域的当前天气信息。天气信息包括降雨量和天气类型中的至少一种。
S311C：根据当前天气信息确定第三辅助行驶意图结果。
例如，当前天气为大雾，则确定第三辅助行驶意图结果为禁止变道。
S313C：根据第三辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
例如，上述数学模型还包括根据天气情况对行驶意图的天气限制规则确定的天气成本；天气成本来表征上述第三辅助行驶意图结果。
上述天气成本采用如下公式(10)计算：
其中，Cwe为天气成本，Rr为降雨量，kr为系数，bEx为常数项。极端天气下，输出常数项bEx。
同时，在本申请的一些实施例中，根据上述目标预测结果与上述第一辅助行驶意图结果、第二辅助行驶意图结果和第三辅助行驶意图结果中的至少一种结果，输出目标车辆的行驶意图。
在本申请的一些实施例中，上述行驶意图包括向左变道意图、保持车道意图和向右变道意图中的至少一种意图。
在本申请的一些实施例中，数学模型还包括向左变道意图、保持车道意图和向右变道意图的意图成本。
采用公式(11)计算意图成本：
其中，Clft为向左变道意图的意图成本，Ckp为保持车道意图的意图成本，Crt为向右变道意图的意图成本，k均为系数，bl、bk、br为常数项；
采用公式(12)、(13)和(14)计算意图概率：
其中，
为向左变道意图的意图概率，
为保持车道意图的意图概率，
为向右变道意图的意图概率。
在本申请的一些实施例中，根据不同场景下的实车数据，对上述数学模型进行泰勒级数展开或线性化转换，使用梯度下降或粒子群算法等对数学模型的参数进行求解。其中该参数是指上述各系数和常数项。
本申请通过基于目标车辆的多个历史时刻的行驶状态信息，确定各历史时刻对应的历史意图结果，并通过遗忘因子设置各历史意图结果对目标预测结果的影响程度，其中目标预测结果用于表征目标车辆的行驶意图。一方面，上述方法无需基于深度学习模型，且无需使用高清图像信息，降低了对计算机算力和图片清晰度的要求，节约了目标车辆行驶意图预测的成本。另一方面，采用多个历史时刻的行驶状态数据，避免基于一个时刻的行驶状态数据来预测行驶轨迹，造成目标预测结果不准确、目标预测结果对该时刻的行驶状态数据准确性依赖性强等问题，提高目标预测结果的准确性。另外，通过遗忘因子控制各历史时刻相应的历史意图结果对应的权重，进一步提高目标预测结果的准确性。此外，基于上述方法得到的数学模型，可以针对特定场景特定分析，以便于分析和调节该数学模型的参数，达到优化数学模型的目的。例如，根据交互场景，添加相应的周车纵向速度等交互参数和相关参数对应的计算公式，如公式(4)、(5)和(6)，来优化该数学模型。
本申请实施例还提供了一种车辆行驶意图预测装置，图5是本申请实施例提供的一种车辆行驶意图装置的结构示意图，如图5所示，该车辆行驶意图预测装置500包括：状态获取模块501、状态确定模块502、遗忘因子确定模块503和意图确定模块504。其中状态获取模块501用于获取目标车辆在多个历史时刻的行驶状态信息；状态确定模块502用于根据多个历史时刻中每个历史时刻的行驶状态信息，确定每个历史时刻对应的历史意图结果；遗忘因子确定模块503用于确定每个历史时刻对应的遗忘因子；遗忘因子用于表征相应的历史时刻的历史意图结果对目标预测结果的影响程度；目标预测结果用于表征目标车辆的行驶意图；意图确定模块504用于根据多个历史时刻中每个历史时刻对应的历史意图结果和遗忘因子，确定目标预测结果。
在本申请的一些实施例中，上述遗忘因子确定模块503，包括：
第一遗忘因子确定子模块，用于确定多个历史时刻的时间先后顺序；
第二遗忘因子确定子模块，用于确定每个历史时刻对应的遗忘因子；其中各遗忘因子所表征的影响程度依照时间先后顺序依次增加。
在本申请的一些实施例中，上述每个历史时刻的行驶状态信息包括目标车辆的横向速度、目标车辆的航向角、目标车辆的车辆宽度、目标车辆所在的当前车道的车道宽度、目标车辆相对于当前车道的横向位置；
上述意图确定模块504，包括：
第一意图确定子模块，用于基于每个历史时刻对应的车辆宽度、车道宽度和横向位置，确定横向偏移比；
第二意图确定子模块，用于基于横向偏移比、横向速度和航向角，确定每个历史时刻对应的历史意图结果。
在本申请的一些实施例中，上述装置500还包括：
交互获取模块，用于获取当前时刻目标车辆与目标车辆的周车的交互信息；周车包括距离目标车辆预设距离内的车辆；
交互确定模块，用于根据交互信息，确定第一辅助行驶意图结果；
交互输出模块，用于根据第一辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在本申请的一些实施例中，上述交互信息包括周车的动量相关信息、周车的周车纵向速度、周车与目标车辆之间的周车纵向间距、目标车辆的目标纵向速度和目标车辆的目标纵向加速度中的至少一种。
在本申请的一些实施例中，上述装置500还包括：
交通获取模块，用于获取目标车辆相关的交通信息；交通信息包括车道线类型和/或交通指示灯信息；
交通确定模块，用于根据预设的交通规则，确定交通信息对应的第二辅助行驶意图结果；
交通输出模块，用于根据第二辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在本申请的一些实施例中，上述装置500还包括：
天气获取模块，用于获取目标车辆所在区域的当前天气信息；当前天气信息包括降雨量和天气类型中的至少一种；
天气确定模块，用于根据当前天气信息确定第三辅助行驶意图结果；
天气输出模块，用于根据第三辅助行驶意图结果和目标预测结果，输出目标车辆的行驶意图。
在本申请的一些实施例中，上述行驶意图包括向左变道意图、保持车道意图和向右变道意图中的至少一种意图。
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6是根据一示例性实施例示出的一种用于车辆行驶意图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6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行驶意图预测方法。
本领域技术人员可以理解，图6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行驶意图预测方法。
本申请的实施方式提供了一种车辆，该车辆包括上述电子设备。
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行驶意图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行驶意图预测方法。
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。
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行驶意图预测方法。
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 (11)
1.一种车辆行驶意图预测方法，其特征在于，所述方法包括：
获取目标车辆在多个历史时刻的行驶状态信息；
根据所述多个历史时刻中每个历史时刻的所述行驶状态信息，确定每个所述历史时刻对应的历史意图结果；
确定每个所述历史时刻对应的遗忘因子；所述遗忘因子用于表征相应的所述历史时刻的所述历史意图结果对目标预测结果的影响程度；所述目标预测结果用于表征所述目标车辆的行驶意图；
根据所述多个历史时刻中每个所述历史时刻对应的所述历史意图结果和所述遗忘因子，确定所述目标预测结果。
2.根据权利要求1所述的方法，其特征在于，所述确定每个所述历史时刻对应的遗忘因子，包括：
依照时间先后顺序，确定每个所述历史时刻对应的所述遗忘因子；各所述遗忘因子所表征的所述影响程度依照所述时间先后顺序依次增加。
3.根据权利要求1或2所述的方法，其特征在于，每个历史时刻的所述行驶状态信息包括所述目标车辆的横向速度、所述目标车辆的航向角、所述目标车辆的车辆宽度、所述目标车辆所在的当前车道的车道宽度、所述目标车辆相对于所述当前车道的横向位置；
所述确定每个所述历史时刻对应的历史意图结果，包括：
基于每个所述历史时刻对应的车辆宽度、车道宽度和横向位置，确定横向偏移比；
基于所述横向偏移比、所述横向速度和所述航向角，确定所述每个所述历史时刻对应的历史意图结果。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取当前时刻所述目标车辆与所述目标车辆的周车的交互信息；所述周车包括距离所述目标车辆预设距离内的车辆；
根据所述交互信息，确定第一辅助行驶意图结果；
根据所述第一辅助行驶意图结果和所述目标预测结果，输出所述目标车辆的所述行驶意图。
5.根据权利要求4所述的方法，其特征在于，所述交互信息包括所述周车的动量相关信息、所述周车的周车纵向速度、所述周车与所述目标车辆之间的周车纵向间距、所述目标车辆的目标纵向速度和所述目标车辆的目标纵向加速度中的至少一种。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述目标车辆相关的交通信息；所述交通信息包括车道线类型和/或交通指示灯信息；
根据预设的交通规则，确定所述交通信息对应的第二辅助行驶意图结果；
根据所述第二辅助行驶意图结果和所述目标预测结果，输出所述目标车辆的所述行驶意图。
7.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
获取所述目标车辆所在区域的当前天气信息；所述当前天气信息包括降雨量和天气类型中的至少一种；
根据所述当前天气信息确定第三辅助行驶意图结果；
根据所述第三辅助行驶意图结果和所述目标预测结果，输出所述目标车辆的所述行驶意图。
8.根据权利要求1或2所述的方法，其特征在于，所述行驶意图包括向左变道意图、保持车道意图和向右变道意图中的至少一种意图。
9.一种车辆行驶意图预测装置，其特征在于，所述装置包括：
状态获取模块，用于获取目标车辆在多个历史时刻的行驶状态信息；
状态确定模块，用于根据所述多个历史时刻中每个历史时刻的所述行驶状态信息，确定每个所述历史时刻对应的历史意图结果；
遗忘因子确定模块，用于确定每个所述历史时刻对应的遗忘因子；所述遗忘因子用于表征相应的所述历史时刻的所述历史意图结果对目标预测结果的影响程度；所述目标预测结果用于表征所述目标车辆的行驶意图；
意图确定模块，用于根据所述多个历史时刻中每个所述历史时刻对应的所述历史意图结果和所述遗忘因子，确定所述目标预测结果。
10.一种电子设备，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1-7任一项所述的车辆行驶意图预测方法。
11.一种车辆，其特征在于，所述车辆包括权利要求10所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210184073.5A CN114604268A (zh) | 2022-02-24 | 2022-02-24 | 一种车辆行驶意图预测方法、装置、电子设备和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210184073.5A CN114604268A (zh) | 2022-02-24 | 2022-02-24 | 一种车辆行驶意图预测方法、装置、电子设备和车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114604268A true CN114604268A (zh) | 2022-06-10 |
Family
ID=81858779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210184073.5A Pending CN114604268A (zh) | 2022-02-24 | 2022-02-24 | 一种车辆行驶意图预测方法、装置、电子设备和车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114604268A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114506344A (zh) * | 2022-03-10 | 2022-05-17 | 福瑞泰克智能系统有限公司 | 一种车辆轨迹的确定方法及装置 |
| CN115402352A (zh) * | 2022-08-24 | 2022-11-29 | 东软睿驰汽车技术（沈阳）有限公司 | 预测车辆刹车的方法、装置、设备及存储介质 |
| CN117292360A (zh) * | 2023-11-24 | 2023-12-26 | 福思(杭州)智能科技有限公司 | 交通信号灯识别方法和装置、存储介质及电子设备 |
| CN117842073A (zh) * | 2024-03-07 | 2024-04-09 | 中国第一汽车股份有限公司 | 目标车辆换道意图识别方法、装置及车辆 |
Citations (7)
| 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 |
| CN110596694A (zh) * | 2019-09-20 | 2019-12-20 | 吉林大学 | 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 |
| CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
| CN111439261A (zh) * | 2020-05-12 | 2020-07-24 | 吉林大学 | 一种用于智能车群主动换道功能的车流量计算系统 |
| US20210114617A1 (en) * | 2019-10-18 | 2021-04-22 | Uatc, Llc | Method for Using Lateral Motion to Optimize Trajectories for Autonomous Vehicles |
| CN113460084A (zh) * | 2021-06-11 | 2021-10-01 | 北京汽车研究总院有限公司 | 用于确定车辆驾驶意图的方法、装置、车辆及存储介质 |
| CN113753077A (zh) * | 2021-08-17 | 2021-12-07 | 北京百度网讯科技有限公司 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
-
2022
- 2022-02-24 CN CN202210184073.5A patent/CN114604268A/zh active Pending
Patent Citations (7)
| 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 |
| CN110596694A (zh) * | 2019-09-20 | 2019-12-20 | 吉林大学 | 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法 |
| US20210114617A1 (en) * | 2019-10-18 | 2021-04-22 | Uatc, Llc | Method for Using Lateral Motion to Optimize Trajectories for Autonomous Vehicles |
| CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
| CN111439261A (zh) * | 2020-05-12 | 2020-07-24 | 吉林大学 | 一种用于智能车群主动换道功能的车流量计算系统 |
| CN113460084A (zh) * | 2021-06-11 | 2021-10-01 | 北京汽车研究总院有限公司 | 用于确定车辆驾驶意图的方法、装置、车辆及存储介质 |
| CN113753077A (zh) * | 2021-08-17 | 2021-12-07 | 北京百度网讯科技有限公司 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114506344A (zh) * | 2022-03-10 | 2022-05-17 | 福瑞泰克智能系统有限公司 | 一种车辆轨迹的确定方法及装置 |
| CN114506344B (zh) * | 2022-03-10 | 2024-03-08 | 福瑞泰克智能系统有限公司 | 一种车辆轨迹的确定方法及装置 |
| CN115402352A (zh) * | 2022-08-24 | 2022-11-29 | 东软睿驰汽车技术（沈阳）有限公司 | 预测车辆刹车的方法、装置、设备及存储介质 |
| CN117292360A (zh) * | 2023-11-24 | 2023-12-26 | 福思(杭州)智能科技有限公司 | 交通信号灯识别方法和装置、存储介质及电子设备 |
| CN117292360B (zh) * | 2023-11-24 | 2024-02-09 | 福思(杭州)智能科技有限公司 | 交通信号灯识别方法和装置、存储介质及电子设备 |
| CN117842073A (zh) * | 2024-03-07 | 2024-04-09 | 中国第一汽车股份有限公司 | 目标车辆换道意图识别方法、装置及车辆 |
| CN117842073B (zh) * | 2024-03-07 | 2024-06-21 | 中国第一汽车股份有限公司 | 目标车辆换道意图识别方法、装置及车辆 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3699048B1 (en) | Travelling track prediction method and device for vehicle | |
| CN114604268A (zh) | 一种车辆行驶意图预测方法、装置、电子设备和车辆 | |
| US11460851B2 (en) | Eccentricity image fusion | |
| US11899453B2 (en) | Systems and methods to control autonomous vehicle motion | |
| US11167770B2 (en) | Autonomous vehicle actuation dynamics and latency identification | |
| EP3667638A1 (en) | Traffic lane information management method, running control method, and traffic lane information management device | |
| US11628858B2 (en) | Hybrid planning system for autonomous vehicles | |
| DE102018117916A1 (de) | Wegplanung für das autonome Fahren | |
| RU2750243C2 (ru) | Способ и система для формирования траектории для беспилотного автомобиля (sdc) | |
| EP4242998A1 (en) | Traffic stream information determination method and apparatus, electronic device and storage medium | |
| CN113525406A (zh) | 用于车辆运动控制器的基于贝叶斯全局优化的参数调谐 | |
| JP7520444B2 (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
| US12027052B2 (en) | Computer-implemented method for determining similarity values of traffic scenarios | |
| DE102020103633A1 (de) | Weg-planungs fusion für ein fahrzeug | |
| US20230091505A1 (en) | Parking assistance device, parking assistance method, and computer program product | |
| US11254326B2 (en) | Automatic comfort score system based on human driving reference data | |
| CN114537441A (zh) | 一种车辆行驶意图预测方法、装置、系统及车辆 | |
| Gutiérrez et al. | Validation method of a self-driving architecture for unexpected pedestrian scenario in carla simulator | |
| CN116736855A (zh) | 评估自主驾驶规划和控制的方法和系统 | |
| US20230053243A1 (en) | Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles | |
| CN115123308A (zh) | 评估自主驾驶车辆的规划性能的方法及系统 | |
| US20220222946A1 (en) | Traffic environment recognition device and vehicle control device | |
| CN114407930B (zh) | 车辆轨迹预测方法、装置、电子设备及车辆 | |
| US20240005066A1 (en) | Decoupled prediction evaluation | |
| US20240140486A1 (en) | Methods and apparatuses for closed-loop evaluation for autonomous vehicles |
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 |