CN114684197A - 避障场景的检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及自动驾驶检测技术领域，尤其涉及一种避障场景的检测方法、装置、设备及存储介质。通过获取主车在行驶过程中的行驶数据、周边环境的目标障碍物和目标障碍物的位置信息，基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹，根据行驶数据、目标障碍物的位置信息和预测行驶轨迹，计算出预测行驶轨迹相对于目标障碍物的第一距离和主车相对于目标障碍物的第二距离，基于第一距离和第二距离判定路测数据对应的场景是否为避障场景。解决了现有技术中存在的无法准确对障碍物进行有效筛选以及避障场景检测准确率低的问题。

Description

避障场景的检测方法、装置、设备及存储介质

技术领域

本发明涉及自动驾驶检测技术领域，尤其涉及一种避障场景的检测方法、装置、设备及存储介质。

背景技术

随着汽车自动驾驶技术的发展，在自动驾驶以及对于自动驾驶案例数据的分析反馈过程中，如何对相关驾驶场景以及事故场景进行有效检测和判断是该技术领域的重要问题。

目前，在自动驾驶路测的后续反馈中，标注员或工程师会对路测中产生的接管或非接管事故进行问题类型的人工标注，其中包括主车离障碍物过近的问题。标注员或工程师会根据影视录像，司机录音，车内外状态仿真来进行标注。但是，这种人工标注和判断的方法，在高速场景下很难达到标准化和精确化的要求，尤其对于主车及障碍物的当下距离较大，但依旧有擦碰隐患的情况，对该场景的判定标准不一，多数靠感觉判断。上述原因导致现有技术中存在无法对障碍物进行有效筛选以及无法对距离障碍物过近场景进行有效检测的问题。

因此，急需提供一种能实现对障碍物进行有效筛选以及对距离障碍物过近场景进行有效检测的检测方案。

发明内容

本发明的主要目的在于解决自动驾驶测试中，由于避障场景识别标准不一致，导致识别判断效率低且准确度低的问题。

本发明第一方面提供了一种避障场景的检测方法，所述避障场景的检测方法包括：获取主车在行驶过程中的路测数据，其中，所述路测数据包括行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息；基于所述行驶数据计算出所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹；根据所述目标障碍物的位置信息和所述预测行驶轨迹，计算出所述预测行驶轨迹相对于所述目标障碍物的第一距离；根据所述目标障碍物的位置信息和所述行驶数据，计算出所述主车相对于所述目标障碍物的第二距离；判断所述第一距离和所述第二距离是否满足预设的避障场景判断条件，并基于判断的结果确定所述路测数据对应的场景是否为避障场景。

可选地，在本发明第一方面的第一种实现方式中，所述获取主车在行驶过程中的路测数据，包括：获取所述主车对应的语义地图和行驶数据，其中，所述行驶数据包括所述主车的当前位置信息、行驶速度和行驶方向；对所述语义地图进行语义解析，识别出其中的所有障碍物；计算各所述障碍物与道路两侧的第三距离，并基于所述第三距离从所有所述障碍物中筛选出不在道路的路牙范围内的障碍物，得到目标障碍物；计算所述目标障碍物在所述语义地图中的坐标，得到所述目标障碍物的位置信息。

可选地，在本发明第一方面的第二种实现方式中，所述根据所述目标障碍物的位置信息和所述预测行驶轨迹，计算出所述预测行驶轨迹相对于所述目标障碍物的第一距离，包括：根据所述主车的行驶速度和所述预测行驶轨迹，计算所述主车在所述下一时间段的终点的点位置信息；根据所述目标障碍物的位置信息和所述点位置信息，分别计算出所述主车在所述下一时间段的终点时相对于所述目标障碍物的纵向距离和横向距离。

可选地，在本发明第一方面的第三种实现方式中，所述根据所述目标障碍物的位置信息和所述行驶数据，计算出所述主车相对于所述目标障碍物的第二距离，包括：根据所述当前位置信息和所述目标障碍物的位置信息，计算出所述主车与所述目标障碍物的相对距离；识别所述目标障碍物是否为静止状态；若所述目标障碍物为静止状态，则基于所述行驶速度计算出所述主车在下一个单位时间时的第一位移量；根据所述第一位移量和所述相对距离，计算出所述主车相对于所述目标障碍物的第二距离；若所述目标障碍物不为静止状态，则获取所述目标障碍物的移动速度，并基于所述行驶速度和所述移动速度，计算出所述主车在下一个单位时间时的第二位移量；根据所述第二位移量和所述相对距离，计算出所述主车相对于所述目标障碍物的第二距离。

可选地，在本发明第一方面的第四种实现方式中，所述判断所述第一距离和所述第二距离是否满足预设的避障场景判断条件，得到判断结果，并基于判断的结果确定所述路测数据对应的场景是否为避障场景，包括：判断所述纵向距离和所述横向距离是否满足所述轨迹避障条件；判断所述第二距离是否满足所述位置避障条件；若所述纵向距离、所述横向距离和所述第二距离中至少存在一个满足，则确定所述路测数据对应的场景为避障场景；若所述纵向距离、所述横向距离和所述第二距离均不满足，则确定所述路测数据对应的场景为非避障场景。

可选地，在本发明第一方面的第五种实现方式中，在判断所述纵向距离、所述横向距离和所述第二距离中至少存在一个满足之后，还包括：检测所述主车的下一帧路测数据中是否存在所述目标障碍物满足所述避障场景判断条件；若是，则确定所述路测数据对应的场景为避障场景；若否，则确定所述路测数据对应的场景为非避障场景。

可选地，在本发明第一方面的第六种实现方式中，所述基于所述行驶数据计算出所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹，包括：将所述行驶数据输入至预先训练得到的神经网络模型，其中，所述神经网络模型包括输入层、嵌入层、隐藏层和输出层；通过所述输入层将所述行驶数据转化成轨迹向量矩阵，并输出至所述嵌入层；通过所述嵌入层将所述轨迹向量矩阵转化成对应的嵌入表达矩阵，并输出至所述隐藏层；通过所述隐藏层计算所述嵌入表达矩阵对应的标签向量，并输出至所述输出层；通过所述输出层调用分类算法对所述嵌入表达矩阵及其对应的标签向量进行分类概率计算，输出预测结果；将所述预测结果以图形化方式嵌入所述语义地图，得到所述主车在未来时间段内的预测行驶轨迹。

本发明第二方面提供了一种避障场景的检测装置，包括：获取模块，用于获取主车在行驶过程中的路测数据，其中，所述路测数据包括行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息；预测模块，用于基于所述行驶数据计算出所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹；第一计算模块，用于根据所述目标障碍物的位置信息和所述预测行驶轨迹，计算出所述预测行驶轨迹相对于所述目标障碍物的第一距离；第二计算模块，用于根据所述目标障碍物的位置信息和所述行驶数据，计算出所述主车相对于所述目标障碍物的第二距离；判断模块，用于判断所述第一距离和所述第二距离是否满足预设的避障场景判断条件，并基于判断的结果确定所述路测数据对应的场景是否为避障场景。

可选地，在本发明第二方面的第一种实现方式中，所述获取模块包括：数据获取单元，用于获取所述主车对应的语义地图和行驶数据，其中，所述行驶数据包括所述主车的当前位置信息、行驶速度和行驶方向；语义解析单元，用于对所述语义地图进行语义解析，识别出其中的所有障碍物；第一计算单元，用于计算各所述障碍物与道路两侧的第三距离，并基于所述第三距离从所有所述障碍物中筛选出不在道路的路牙范围内的障碍物，得到目标障碍物；第二计算单元，用于计算所述目标障碍物在所述语义地图中的坐标，得到所述目标障碍物的位置信息。

可选地，在本发明第二方面的第二种实现方式中，所述第一计算模块包括：第三计算单元，用于根据所述主车的行驶速度和所述预测行驶轨迹，计算所述主车在所述下一时间段的终点的点位置信息；第四计算单元，用于根据所述目标障碍物的位置信息和所述点位置信息，分别计算出所述主车在所述下一时间段的终点时相对于所述目标障碍物的纵向距离和横向距离。

可选地，在本发明第二方面的第三种实现方式中，所述第二计算模块包括：第五计算单元，用于根据所述当前位置信息和所述目标障碍物的位置信息，计算出所述主车与所述目标障碍物的相对距离；静止判断单元，用于识别所述目标障碍物是否为静止状态；第六计算单元，用于在所述目标障碍物为静止状态时，基于所述行驶速度计算出所述主车在下一个单位时间时的第一位移量；根据所述第一位移量和所述相对距离，计算出所述主车相对于所述目标障碍物的第二距离；第七计算单元，用于若所述目标障碍物不为静止状态，则获取所述目标障碍物的移动速度，并基于所述行驶速度和所述移动速度，计算出所述主车在下一个单位时间时的第二位移量；第八计算单元，用于根据所述第二位移量和所述相对距离，计算出所述主车相对于所述目标障碍物的第二距离。

可选地，在本发明第二方面的第四种实现方式中，所述判断模块包括：第一判断单元，用于判断所述纵向距离和所述横向距离是否满足所述轨迹避障条件；第二判断单元，用于判断所述第二距离是否满足所述位置避障条件；第一确定单元，用于在所述纵向距离、所述横向距离和所述第二距离中至少存在一个满足时，确定所述路测数据对应的场景为避障场景；第二确定单元，用于在所述纵向距离、所述横向距离和所述第二距离均不满足时，确定所述路测数据对应的场景为非避障场景。

可选地，在本发明第二方面的第五种实现方式中，所述避障场景的检测装置还包括第二判断模块，具体用于在判断所述纵向距离、所述横向距离和所述第二距离中至少存在一个满足之后，检测所述主车的下一帧路测数据中是否存在所述目标障碍物满足所述避障场景判断条件；若是，则确定所述路测数据对应的场景为避障场景；若否，则确定所述路测数据对应的场景为非避障场景。

可选地，在本发明第二方面的第六种实现方式中，所述预测模块包括：数据输入单元，用于将所述行驶数据输入至预先训练得到的神经网络模型，其中，所述神经网络模型包括输入层、嵌入层、隐藏层和输出层；输入层单元，用于通过所述输入层将所述行驶数据转化成轨迹向量矩阵，并输出至所述嵌入层；嵌入层单元，用于通过所述嵌入层将所述轨迹向量矩阵转化成对应的嵌入表达矩阵，并输出至所述隐藏层；隐藏层单元，用于通过所述隐藏层计算所述嵌入表达矩阵对应的标签向量，并输出至所述输出层；输出层单元，用于通过所述输出层调用分类算法对所述嵌入表达矩阵及其对应的标签向量进行分类概率计算，输出预测结果；轨迹生成单元，用于将所述预测结果以图形化方式嵌入所述语义地图，得到所述主车在未来一定时间段内的预测行驶轨迹。

本发明第三方面提供了一种计算机设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行上述的避障场景的检测方法的各个步骤。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的避障场景的检测方法的各个步骤。

本发明的技术方案中，该方法具体是通过获取主车在行驶过程中的行驶数据、周边环境的目标障碍物和目标障碍物的位置信息，基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹，根据行驶数据、目标障碍物的位置信息和预测行驶轨迹，计算出预测行驶轨迹相对于目标障碍物的第一距离和主车相对于标障碍物的第二距离，基于第一距离和第二距离判定路测数据对应的场景是否为避障场景；从而解决了现有技术中存在的无法准确对障碍物进行有效筛选以及避障场景检测准确率低的问题。

附图说明

图1为本发明实施例中为避障场景的检测方法的第一个实施例示意图；

图2为本发明实施例中为避障场景的检测方法的第二个实施例示意图；

图3为本发明实施例中为避障场景的检测方法的第三个实施例示意图；

图4为本发明实施例中避障场景的检测装置的一个实施例示意图；

图5为本发明实施例中避障场景的检测装置的另一个实施例示意图；

图6为本发明实施例中计算机设备的一个实施例示意图。

具体实施方式

为了解决现有技术中存在的无法对障碍物进行有效筛选以及无法对距离障碍物过近场景进行有效检测的问题。本申请提供了一种避障场景的检测方法、装置、设备及存储介质。该方法通过获取主车在行驶过程中的路测数据，其中所述路测数据包括行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息；基于所述行驶数据计算出所述主车在未来一定时间段内的预测行驶轨迹；根据所述行驶数据、所述目标障碍物的位置信息和所述预测行驶轨迹判断是否满足预设的过近场景判断条件；若是，则确定所述主车距离所述目标障碍物过近，所述路测数据为过近场景数据；以上，通过对路测数据的解析，通过对解析结果进行基于距离、轨迹和速度的判断，能够有效地筛选目标障碍物并对距离障碍物过近场景进行检测；从而解决了现有技术中存在的无法对障碍物进行有效筛选以及无法对距离障碍物过近场景进行有效检测的问题。

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”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中避障场景的检测方法的第一个实施例，该方法的实现步骤如下：

101、获取主车在行驶过程中的路测数据；

该步骤中，所述路测数据包括行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息；

对于该步骤，具体可以通过以下方式实现：

获取所述主车对应的语义地图和行驶数据，其中，所述行驶数据包括所述主车对应的位置信息、行驶速度和行驶方向；

对所述语义地图进行解析，得到道路两侧边沿对应的位置点，其中，所述道路两侧边沿对应的位置点至少包括道路第一侧边沿对应的位置点和道路第二侧边沿对应的位置点；

对所述主车对应的位置信息和所述目标障碍物的位置信息进行解析，得到所述主车对应的所有位置点和所述目标障碍物对应的所有位置点；

计算所述目标障碍物对应的每一个位置点与所述主车对应的所有位置点之间的距离，并按照距离最小原则选取所述目标障碍物对应的最近位置点，其中，所述最近位置点与所述主车对应的所有位置点之间的最小距离记为相对最近距离；

计算所述最近位置点与所述道路第一侧边沿对应的位置点之间的距离，并选取其中最小的距离值，得到第一侧边沿最小距离；

计算所述最近位置点与所述道路第二侧边沿对应的位置点之间的距离，并选取其中最小的距离值，得到第二侧边沿最小距离；

根据预设的基于最近距离点的判断方法，将所述相对最近距离与所述第一侧边沿最小距离和所述第二侧边沿最小距离分别进行比对，判断所述目标障碍物是否位于道路两侧边沿之内，若是，则保留所述目标障碍物信息，若否，则剔除所述目标障碍物信息；

获取周边环境的目标障碍物和所述目标障碍物的位置信息，基于所述语义地图、行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息构造路测数据。

102、基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹；

对于该步骤，具体可以通过以下方式实现：

将所述行驶数据输入至预先训练得到的神经网络模型，其中，所述Traj-MTL网络模型包括输入层、嵌入层、隐藏层和输出层；

其中，所述神经网络模型为Traj-MTL网络模型；

通过所述输入层将所述行驶数据转化成轨迹向量矩阵，并输出至所述嵌入层；

通过所述嵌入层将所述轨迹向量矩阵转化成对应的嵌入表达矩阵，并输出至所述隐藏层；

通过所述隐藏层计算所述嵌入表达矩阵对应的标签向量，并输出至所述输出层；

通过所述输出层调用分类算法对所述嵌入表达矩阵及其对应的标签向量进行分类概率计算，输出预测结果；其中所述分类算法为Softmax算法；

将所述预测结果以图形化方式嵌入所述语义地图，得到所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹。

在实际应用中，所述基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹的过程，还可以通过以下方式实现：

获取主车在过去一定时间段内的每一帧所述行驶数据；

对所述每一帧行驶数据进行解析，并基于主车位置和时间的关系构造行车轨迹函数；

通过所述行车轨迹函数，计算在主车在当前行驶方向上的下一时间段内的预测轨迹拟合值，得到主车在当前行驶方向上的下一时间段内的预测行驶轨迹。

103、根据目标障碍物的位置信息和预测行驶轨迹，计算出预测行驶轨迹相对于目标障碍物的第一距离；

对于该步骤，具体可以通过以下方式实现：

对所述预测行驶轨迹进行解析，得到主车在当前行驶方向上的下一时间段内的预测行驶轨迹上的所有位置点；

对所述目标障碍物的位置信息进行解析，得到预设时间点对应的所述目标障碍物对应的所有位置点；

计算所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹上的所有位置点与所述目标障碍物对应的所有位置点之间的距离，并选取其中最小的距离值，得到所述第一距离。

104、根据目标障碍物的位置信息和行驶数据，计算出主车相对于目标障碍物的第二距离；

对于该步骤，具体可以通过以下方式实现：

对所述目标障碍物的位置信息和行驶数据进行解析，得到所述主车与所述目标障碍物的相对距离向量和相对速度向量，例如，通过对所述目标障碍物的位置信息和行驶数据的解析得到所述主车的位置坐标和所述目标障碍物的位置坐标，并构造从所述主车的位置坐标指向所述目标障碍物的位置坐标的相对距离向量；通过对所述目标障碍物的位置信息和行驶数据的解析得到上一个单位时间内所述主车的平均速度向量与所述目标障碍物的平均速度向量，并基于向量运算得到相对速度向量；

根据所述相对距离向量和相对速度向量计算下一个时间单位的相对距离，得到第二距离，例如，根据所述相对速度向量计算下一个时间单位的相对位移向量，对所述相对距离向量和相对位移向量进行向量加法运算，得到下一个时间单位对应的相对距离向量，取所述下一个时间单位对应的相对距离向量的模，得到所述下一个时间单位的相对距离，即为第二距离。

105、判断第一距离和第二距离是否满足预设的避障场景判断条件，并基于判断的结果确定路测数据对应的场景是否为避障场景；

该步骤中，所述预设的避障场景判断条件包括轨迹避障条件和位置避障条件，其中，所述轨迹避障条件至少包括轨迹避障阈值，所述位置避障条件至少包括位置避障阈值；

对于该步骤，具体可以通过以下方式实现：

判断所述第一距离是否满足所述轨迹避障条件，例如，判断所述第一距离是否小于所述轨迹避障阈值，若小于，则满足，若不小于，则不满足；

判断所述第二距离是否满足所述位置避障条件，例如，判断所述第二距离是否小于所述位置避障阈值，若小于，则满足，若不小于，则不满足；

若所述轨迹避障条件和所述位置避障条件均不满足，则判定路测数据对应的场景不是避障场景，否则，判定路测数据对应的场景是避障场景。

通过对上述方法的实施，通过获取主车在行驶过程中的行驶数据、周边环境的目标障碍物和目标障碍物的位置信息，基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹，根据行驶数据、目标障碍物的位置信息和预测行驶轨迹，计算出预测行驶轨迹相对于目标障碍物的第一距离和主车相对于目标障碍物的第二距离，基于第一距离和第二距离判定路测数据对应的场景是否为避障场景；以上，通过对目标障碍物的位置信息的解析，能够有效地筛选目标障碍物，基于预测行驶轨迹和位置的距离计算对避障场景进行检测和判断，从而解决了现有技术中存在的无法准确对障碍物进行有效筛选以及避障场景检测准确率低的问题。

请参阅图2，本发明实施例中避障场景的检测方法的第二个实施例，该方法的实现步骤如下：

201、获取主车在行驶过程中的车辆运行数据和采集到的环境数据；

该步骤中，所述车辆运行数据至少包括车轮转速、转向参数和发动机运行情况，所述采集到的环境数据至少包括卫星定位信息和主车周围可见光影像；

对于该步骤，具体可以通过以下方式实现：

获取预设的与车辆动力和转向系统相连接的传感器所采集到的车辆运行数据，其中，所述传感器至少包括运动传感器和温度传感器；

获取预设的环境信息采集设备所采集到的环境数据，其中，所述环境信息采集设备至少包括摄像头、雷达和激光测距传感器。

202、对车辆运行数据和采集到的环境数据进行解析，得到路测信息；

该步骤中，所述路测信息至少包括主车位置信息、主车速度信息、预设范围内所有障碍物的位置信息、预设范围内所有障碍物的速度信息和道路信息。

203、对路测信息中预设范围内的所有障碍物进行筛选，得到目标障碍物；

对于该步骤，具体可以通过以下方式实现：

对所述路测信息进行解析，得到主车位置信息、所述所有障碍物的位置信息和道路边沿信息；

根据所述道路边沿信息，提取道路边沿线上的特征位置点，例如，提取道路边沿线上的等距位置点，其中，相邻两个位置点之间相距0.1米；

根据所述主车位置信息和所述所有障碍物的位置信息，提取各障碍物距离主车最近的位置点；

根据所述各障碍物距离主车最近的位置点和所述道路边沿线上的特征位置点之间的位置关系，判断所述各障碍物距离主车最近的位置点是否落在道路边沿线之间，例如，通过所述落在道路边沿线之上的等距位置点构造道路拟合平面，并计算所述各障碍物距离主车最近的位置点的坐标是否包含于所述道路拟合平面，若是，则所述障碍物距离主车最近的位置点落在道路边沿线之间，若否，则所述障碍物距离主车最近的位置点未落在道路边沿线之间；

若障碍物距离主车最近的位置点落在道路边沿线之间，则判定对应的障碍物为目标障碍物；

若障碍物距离主车最近的位置点未落在道路边沿线之间，则判定对应的障碍物不是目标障碍物。

204、根据路测信息，判定主车与目标障碍物对应的距离风险系数的取值并输出；

该步骤中，所述距离风险系数至少包括0和1两个取值，其中，0表示所述主车与所述目标障碍物之间距离过近风险较低，1表示所述主车与所述目标障碍物之间距离过近风险较高；

对于该步骤，具体可以通过以下方式实现：

对所述路测数据进行解析，得到在间隔预设时间单位的两个时刻对应的所述目标障碍物的位置信息，并判断所述两个时刻对应的所述目标障碍物的位置信息是否相同；

若相同，则计算所述主车对应的各位置点与所述目标障碍物对应的各位置点之间的距离，选取其中最小的距离值，并判断是否小于预设的静止距离过近阈值，若是，则输出距离风险系数为1，若否，则输出距离风险系数为0；

若不相同，则获取对应时刻所述主车的位置信息，并对所述主车的位置信息和所述目标障碍物的位置信息进行解析，得到所述主车和所述目标障碍物的相对位置；

根据所述相对位置，判断所述目标障碍物是否位于所述主车的前方或后方，若所述目标障碍物不位于所述主车的前方或后方，则判断所述主车对应的位置点与所述目标障碍物对应的位置点之间的距离是否小于预设的侧面距离过近阈值，若是，则输出距离风险系数为1，若否，则输出距离风险系数为0；

若所述目标障碍物位于所述主车的前方或后方，则判断所述主车对应的位置点与所述目标障碍物对应的位置点之间的距离是否小于预设的前后距离过近阈值，若是，则输出距离风险系数为1，若否，则输出距离风险系数为0。

205、基于路测信息计算主车的预测轨迹路线；

对于该步骤，具体可以通过以下方式实现：

对所述路测数据进行解析，分别提取前向最近时间点以及当前时间点对应的主车位置信息、主车速度信息和道路信息，其中，所述前向最近时间点指的是比当前时间点早最小的预设时间单位的时间点，所述主车速度信息包括速度信息和加速度信息；

根据所述前向最近时间点以及当前时间点对应的主车位置信息、主车速度信息和道路信息计算前向最近时间段对应的平均速度向量、平均加速度向量和平均位置坐标，其中，所述前向最近时间段指的是从前向最近时间点到当前时间点这一时间段；

根据所述最近时间段对应的平均速度向量、平均加速度向量和平均位置坐标，计算主车的预测轨迹路线。

206、根据主车的预测轨迹路线和目标障碍物的位置信息，判定主车与目标障碍物对应的预测轨迹距离风险系数的取值并输出；

该步骤中，所述预测轨迹距离风险系数至少包括0和1两个取值，其中，0表示所述主车预测轨迹与所述目标障碍物之间距离过近风险较低，1表示所述主车预测轨迹与所述目标障碍物之间距离过近风险较高；

对于该步骤，具体可以通过以下方式实现：

对所述主车的预测轨迹路线和所述目标障碍物的位置信息进行解析，计算所述主车的预测轨迹路线与所述目标障碍物重合的时间，得到理想碰撞时间，例如，获取所述预测轨迹路线上主车的所有位置坐标和所述目标障碍物的位置坐标，并计算所述主车的所有位置坐标和所述目标障碍物的位置坐标相距一米之内时对应的时间，得到理想碰撞时间；

判断所述理想碰撞时间是否小于预设的时间阈值，若是，则输出预测轨迹距离风险系数为1，若否，则输出预测轨迹距离风险系数为0。

207、根据距离风险系数和预测轨迹距离风险系数确定碰撞风险判断结果；

该步骤中，所述碰撞风险判断结果至少包括具有碰撞的低风险和具有碰撞的高风险这两种判断结果；

对于该步骤，具体可以通过以下方式实现：

判断所述距离风险系数是否为1，若是，则确定碰撞风险判断结果为具有碰撞的高风险；

若否，则判断所述预测轨迹距离风险系数是否为1，若是，则确定碰撞风险判断结果为具有碰撞的高风险；

若否，则确定碰撞风险判断结果为具有碰撞的低风险。

208、输出碰撞风险判断结果；

对于该步骤，具体可以通过以下方式实现：

通过UI界面，将碰撞风险判断结果进行输出，例如，当碰撞风险判断结果为碰撞风险较高时，通过合法的车载UI界面进行碰撞风险示警，其中，该示警包括提示音示警和UI界面信息；

若所述碰撞风险判断结果为碰撞风险较高，则将对应的路测数据保存至距离障碍物过近场景数据集。

通过对上述方法的实施，通过获取主车在行驶过程中的行驶数据、周边环境的目标障碍物和目标障碍物的位置信息，基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹，根据行驶数据、目标障碍物的位置信息和预测行驶轨迹，计算出预测行驶轨迹相对于目标障碍物的第一距离和主车相对于目标障碍物的第二距离，基于第一距离和第二距离判定路测数据对应的场景是否为避障场景；以上，通过对主车行驶过程中数据的采集和解析，根据障碍物位置信息和道路边沿位置信息的处理和比较，有效地筛选出目标障碍物，根据基于主车位置信息和目标障碍物位置信息的距离过近检测，以及基于预测轨迹路线和目标障碍物位置信息的距离过近检测，实现碰撞风险的有效检测，从而解决了现有技术中存在的无法准确对障碍物进行有效筛选以及避障场景检测准确率低的问题。

请参阅图3，本发明实施例中避障场景的检测方法的第三个实施例，该方法的实现步骤如下：

301、获取路测数据；

该步骤中，所述路测数据至少包括所有测试车辆对应的位置信息和速度信息，至少包括所有可检测到的物体对应的位置信息和速度信息。

302、基于路测数据构造语义地图；

对于该步骤，具体可以通过以下方式实现：

对所述路测数据进行解析，将所述所有测试车辆和所述所有检测到的物体对应的位置信息和速度信息以矢量图的形式进行保存，得到原始矢量图；

通过卷积神经网络对所述原始矢量图中的特征信息进行提取，并转换成对应的特征向量；

通过预设的神经网络分类器模型对所述特征向量进行加权运算，输出对应的加权向量；

将所述加权向量输入关联概率求解模型中，输出各个加权向量属于各个空间区域的概率值；

根据所述概率值，确定所述原始矢量图中各个矢量对应的类别；

基于所述矢量类型构造语义地图。

在实际应用中，所述基于路测数据构造语义地图的过程还包括：

将当前时刻对应的语义地图信息输入至预设的预测轨迹模型，得到测试车辆在未来一段时间内的预测轨迹；

将所述测试车辆在未来一段时间内的预测轨迹嵌入至所述语义地图中。

303、对语义地图进行解析，选取待分析的目标车辆，并筛选与目标车辆对应的目标障碍物；

对于该步骤，具体可以通过以下方式实现：

获取待分析的目标车辆对应的标识，以所述标识为索引，在所述所有测试车辆中进行搜索，选取匹配到的车辆，得到所述待分析的目标车辆；

获取所述目标车辆周围预设范围内的所有可检测到的物体的位置信息，例如，获取所述目标车辆周围100米范围内的所有可检测到的物体的位置信息；

对所述所有可检测到的物体的位置信息进行解析，得到路面位置信息和障碍物位置信息，例如，提取路面对应的位置点坐标集和其他可检测到的物体的位置坐标，得到路面位置信息和障碍物位置信息；

对所述路边沿位置信息和所述障碍物位置信息进行解析，判断所述障碍物是否位于路面之内，例如，判断其他可检测到的物体的位置坐标是否属于路面对应的位置点坐标集，若属于，则所述障碍物位于路面之内，若不属于，则所述障碍物不位于路面之内；

若所述障碍物位于路面之内，则标注为目标障碍物，若所述障碍物不位于路面之内，则标注为路牙上的障碍物。

304、根据目标车辆的预测轨迹及目标障碍物的位置信息，判定目标车辆未来预测轨迹与目标障碍物的距离是否过近；

对于该步骤，具体可以通过以下方式实现：

对语义地图进行解析，提取预设时间段目标车辆的预测轨迹路线点及目标障碍物的位置信息，其中，所述预设时间段可以设为未来3秒内；

根据所述目标车辆的预测轨迹路线点和所述障碍物实际位置，计算目标车辆与障碍物的横向距离和目标车辆与障碍物的纵向距离，其中，所述目标车辆与障碍物的纵向距离指的是在所述预测轨迹路线方向上的距离，所述目标车辆与障碍物的横向距离指的是在路面上垂直于所述预测轨迹路线方向上的距离；

获取所述目标车辆的尺寸信息，计算目标车辆后保险杠到目标车辆中心距离、目标车辆前保险杠到目标车辆中心距离和目标车辆横向宽度；

基于所述目标车辆后保险杠到目标车辆中心距离、目标车辆前保险杠到目标车辆中心距离和目标车辆横向宽度构造轨迹距离阈值条件，并判断所述目标车辆与障碍物的纵向距离和所述目标车辆与障碍物的横向距离是否满足所述轨迹距离阈值条件，例如；若将所述目标车辆与障碍物的纵向距离记为D1，所述目标车辆与障碍物的横向距离记为D2，目标车辆前保险杠到目标车辆中心距离记为d1，目标车辆后保险杠到目标车辆中心距离记为d2，目标车辆横向宽度记为d3，则当D1、D2同时满足D1∈(d2+0.8，d1+0.8)且D2<(0.5*d3)+0.3时，判断满足所述轨迹距离阈值条件；

若满足所述轨迹距离阈值条件，则判定目标车辆未来预测轨迹与目标障碍物的距离过近，并记录满足所述轨迹距离阈值条件的持续时间，记为第一持续时间；

若不满足所述轨迹距离阈值条件，则判定目标车辆未来预测轨迹与目标障碍物的距离不过近。

305、根据目标车辆的位置信息及目标障碍物的位置信息，判定目标车辆离目标障碍物距离是否过近；

对于该步骤，具体可以通过以下方式实现：

对语义地图进行解析，得到目标车辆的位置信息及目标障碍物的位置信息；

根据所述目标车辆的位置信息及目标障碍物的位置信息计算所述目标车辆与所述目标障碍物的相对位置向量和相对速度向量；

判断所述相对速度向量的模是否为0，若为0，则判断所述相对位置向量的模是否小于预设的静止距离阈值，若小于，则判定目标车辆离目标障碍物距离过近，若不小于，则判定目标车辆离目标障碍物距离不过近；

若所述相对速度向量的模不为0，则根据所述相对位置向量和相对速度向量，计算单位时间后目标车辆离目标障碍物的距离；

判断单位时间后目标车辆离目标障碍物的距离是否小于预设的运动距离阈值，若小于，则判定目标车辆离目标障碍物距离过近，并记录所述目标车辆离目标障碍物距离过近的持续时间，记为第二持续时间；

若不小于，则判定目标车辆离目标障碍物距离不过近。

306、根据距离过近持续时间判定对应场景是否为避障场景；

判断所述第一持续时间是否大于预设的第一时间阈值，例如，预设的第一时间阈值可以设为0.5秒；

判断所述第二持续时间是否大于预设的第二时间阈值，例如，预设的第二时间阈值可以设为0.5秒；

若所述第一持续时间和所述第二持续时间均大于对应的时间阈值，则判定对应场景为避障场景，否则，判定对应场景不是避障场景。

通过对上述方法的实施，通过获取主车在行驶过程中的行驶数据、周边环境的目标障碍物和目标障碍物的位置信息，基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹，根据行驶数据、目标障碍物的位置信息和预测行驶轨迹，计算出预测行驶轨迹相对于目标障碍物距离过近的第一持续时间和主车相对于目标障碍物距离过近的第二持续时间，基于第一持续时间和第二持续时间判定对应的场景是否为避障场景，能够有效地进行避障场景的检测；通过对目标车辆的选取和对应范围内的障碍物是否位于路面之内的判断，有效地筛选出目标障碍物，从而解决了现有技术中存在的无法准确对障碍物进行有效筛选以及避障场景检测准确率低的问题。

上面对本发明实施例中的避障场景的检测方法进行了描述，下面对本发明实施例中的避障场景的检测装置进行描述，请参照图4，本发明实施例中的避障场景的检测装置的一个实施例，该装置包括：

获取模块401，用于获取主车在行驶过程中的路测数据，其中，所述路测数据包括行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息；

预测模块402，用于基于所述行驶数据计算出所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹；

第一计算模块403，用于根据所述目标障碍物的位置信息和所述预测行驶轨迹，计算出所述预测行驶轨迹相对于所述目标障碍物的第一距离；

第二计算模块404，用于根据所述目标障碍物的位置信息和所述行驶数据，计算出所述主车相对于所述目标障碍物的第二距离；

判断模块405，用于判断所述第一距离和所述第二距离是否满足预设的避障场景判断条件，并基于判断的结果确定所述路测数据对应的场景是否为避障场景。

通过对上述装置的实施，通过获取主车在行驶过程中的行驶数据、周边环境的目标障碍物和目标障碍物的位置信息，基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹，根据行驶数据、目标障碍物的位置信息和预测行驶轨迹，计算出预测行驶轨迹相对于目标障碍物的第一距离和主车相对于标障碍物的第二距离，基于第一距离和第二距离判定路测数据对应的场景是否为避障场景；从而解决了现有技术中存在的无法准确对障碍物进行有效筛选以及避障场景检测准确率低的问题。

请参阅图5，本发明实施例中的避障场景的检测装置的另一个实施例包括：

获取模块401，用于获取主车在行驶过程中的路测数据，其中，所述路测数据包括行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息；

预测模块402，用于基于所述行驶数据计算出所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹；

第一计算模块403，用于根据所述目标障碍物的位置信息和所述预测行驶轨迹，计算出所述预测行驶轨迹相对于所述目标障碍物的第一距离；

第二计算模块404，用于根据所述目标障碍物的位置信息和所述行驶数据，计算出所述主车相对于所述目标障碍物的第二距离；

判断模块405，用于判断所述第一距离和所述第二距离是否满足预设的避障场景判断条件，并基于判断的结果确定所述路测数据对应的场景是否为避障场景；

第二判断模块406，用于在判断所述纵向距离、所述横向距离和所述第二距离中至少存在一个满足之后，检测所述主车的下一帧路测数据中是否存在所述目标障碍物满足所述避障场景判断条件；若是，则确定所述路测数据对应的场景为避障场景；若否，则确定所述路测数据对应的场景为非避障场景；

在本实施例中，所述获取模块401包括：

数据获取单元4011，用于获取所述主车对应的语义地图和行驶数据，其中，所述行驶数据包括所述主车的当前位置信息、行驶速度和行驶方向；

语义解析单元4012，用于对所述语义地图进行语义解析，识别出其中的所有障碍物；

第一计算单元4013，用于计算各所述障碍物与道路两侧的第三距离，并基于所述第三距离从所有所述障碍物中筛选出不在道路的路牙范围内的障碍物，得到目标障碍物；

第二计算单元4014，用于计算所述目标障碍物在所述语义地图中的坐标，得到所述目标障碍物的位置信息；

在本实施例中，所述预测模块402包括：

数据输入单元4021，用于将所述行驶数据输入至预先训练得到的神经网络模型，其中，所述神经网络模型包括输入层、嵌入层、隐藏层和输出层；

输入层单元4022，用于通过所述输入层将所述行驶数据转化成轨迹向量矩阵，并输出至所述嵌入层；

嵌入层单元4023，用于通过所述嵌入层将所述轨迹向量矩阵转化成对应的嵌入表达矩阵，并输出至所述隐藏层；

隐藏层单元4024，用于通过所述隐藏层计算所述嵌入表达矩阵对应的标签向量，并输出至所述输出层；

输出层单元4025，用于通过所述输出层调用分类算法对所述嵌入表达矩阵及其对应的标签向量进行分类概率计算，输出预测结果；

轨迹生成单元4026，用于将所述预测结果以图形化方式嵌入所述语义地图，得到所述主车在未来一定时间段内的预测行驶轨迹；

在本实施例中，所述第一计算模块403包括：

第三计算单元4031，用于根据所述主车的行驶速度和所述预测行驶轨迹，计算所述主车在所述下一时间段的终点的点位置信息；

第四计算单元4032，用于根据所述目标障碍物的位置信息和所述点位置信息，分别计算出所述主车在所述下一时间段的终点时相对于所述目标障碍物的纵向距离和横向距离；

在本实施例中，所述第二计算模块404包括：

第五计算单元4041，用于根据所述当前位置信息和所述目标障碍物的位置信息，计算出所述主车与所述目标障碍物的相对距离；

静止判断单元4042，用于识别所述目标障碍物是否为静止状态；

第六计算单元4043，用于在所述目标障碍物为静止状态时，基于所述行驶速度计算出所述主车在下一个单位时间时的第一位移量；根据所述第一位移量和所述相对距离，计算出所述主车相对于所述目标障碍物的第二距离；

第七计算单元4044，用于若所述目标障碍物不为静止状态，则获取所述目标障碍物的移动速度，并基于所述行驶速度和所述移动速度，计算出所述主车在下一个单位时间时的第二位移量；

第八计算单元4045，用于根据所述第二位移量和所述相对距离，计算出所述主车相对于所述目标障碍物的第二距离；

在本实施例中，所述判断模块405包括：

第一判断单元4051，用于判断所述纵向距离和所述横向距离是否满足所述轨迹避障条件；

第二判断单元4051，用于判断所述第二距离是否满足所述位置避障条件；

第一确定单元4053，用于在所述纵向距离、所述横向距离和所述第二距离中至少存在一个满足时，确定所述路测数据对应的场景为避障场景；

第二确定单元4054，用于在所述纵向距离、所述横向距离和所述第二距离均不满足时，确定所述路测数据对应的场景为非避障场景。

通过对上述装置的实施，通过获取主车在行驶过程中的行驶数据、周边环境的目标障碍物和目标障碍物的位置信息，基于行驶数据计算出主车在当前行驶方向上的下一时间段内的预测行驶轨迹，根据行驶数据、目标障碍物的位置信息和预测行驶轨迹，计算出预测行驶轨迹相对于目标障碍物的第一距离和主车相对于标障碍物的第二距离，基于第一距离和第二距离判定路测数据对应的场景是否为避障场景；从而解决了现有技术中存在的无法准确对障碍物进行有效筛选以及避障场景检测准确率低的问题。

请参阅图6，下面从硬件处理的角度对本发明实施例中的计算机设备的一个实施例进行详细描述。

图6是本发明实施例提供的一种计算机设备的结构示意图，该计算机设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)610(例如，一个或一个以上处理器)和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在计算机设备600上执行存储介质630中的一系列指令操作。

计算机设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的计算机设备结构并不构成对本申请提供的计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行上述避障场景的检测方法的步骤。

在实际应用中，上述提供的方法可以基于人工智能技术来实现，其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。其具体可以是基于服务器来执行，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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)执行本发明各个实施例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(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种避障场景的检测方法，其特征在于，所述避障场景的检测方法包括：

获取主车在行驶过程中的路测数据，其中，所述路测数据包括行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息；

基于所述行驶数据计算出所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹；

根据所述目标障碍物的位置信息和所述预测行驶轨迹，计算出所述预测行驶轨迹相对于所述目标障碍物的第一距离；

根据所述目标障碍物的位置信息和所述行驶数据，计算出所述主车相对于所述目标障碍物的第二距离；

判断所述第一距离和所述第二距离是否满足预设的避障场景判断条件，并基于判断的结果确定所述路测数据对应的场景是否为避障场景。

2.根据权利要求1所述的避障场景的检测方法，其特征在于，所述获取主车在行驶过程中的路测数据，包括：

获取所述主车对应的语义地图和行驶数据，其中，所述行驶数据包括所述主车的当前位置信息、行驶速度和行驶方向；

对所述语义地图进行语义解析，识别出其中的所有障碍物；

计算各所述障碍物与道路两侧的第三距离，并基于所述第三距离从所有所述障碍物中筛选出不在道路的路牙范围内的障碍物，得到目标障碍物；

计算所述目标障碍物在所述语义地图中的坐标，得到所述目标障碍物的位置信息。

3.根据权利要求2所述的避障场景的检测方法，其特征在于，所述第一距离包括纵向距离和横向距离；所述根据所述目标障碍物的位置信息和所述预测行驶轨迹，计算出所述预测行驶轨迹相对于所述目标障碍物的第一距离，包括：

根据所述主车的行驶速度和所述预测行驶轨迹，计算所述主车在所述下一时间段的终点的点位置信息；

根据所述目标障碍物的位置信息和所述点位置信息，分别计算出所述主车在所述下一时间段的终点时相对于所述目标障碍物的纵向距离和横向距离。

4.根据权利要求3所述的避障场景的检测方法，其特征在于，所述根据所述目标障碍物的位置信息和所述行驶数据，计算出所述主车相对于所述目标障碍物的第二距离，包括：

根据所述当前位置信息和所述目标障碍物的位置信息，计算出所述主车与所述目标障碍物的相对距离；

识别所述目标障碍物是否为静止状态；

若所述目标障碍物为静止状态，则基于所述行驶速度计算出所述主车在下一个单位时间时的第一位移量；根据所述第一位移量和所述相对距离，计算出所述主车相对于所述目标障碍物的第二距离；

若所述目标障碍物不为静止状态，则获取所述目标障碍物的移动速度，并基于所述行驶速度和所述移动速度，计算出所述主车在下一个单位时间时的第二位移量；根据所述第二位移量和所述相对距离，计算出所述主车相对于所述目标障碍物的第二距离。

5.根据权利要求4所述的避障场景的检测方法，其特征在于，所述预设的避障场景判断条件包括轨迹避障条件和位置避障条件；所述判断所述第一距离和所述第二距离是否满足预设的避障场景判断条件，得到判断结果，并基于判断的结果确定所述路测数据对应的场景是否为避障场景，包括：

判断所述纵向距离和所述横向距离是否满足所述轨迹避障条件；

判断所述第二距离是否满足所述位置避障条件；

若所述纵向距离、所述横向距离和所述第二距离中至少存在一个满足，则确定所述路测数据对应的场景为避障场景；

若所述纵向距离、所述横向距离和所述第二距离均不满足，则确定所述路测数据对应的场景为非避障场景。

6.根据权利要求5所述的避障场景的检测方法，其特征在于，在判断所述纵向距离、所述横向距离和所述第二距离中至少存在一个满足之后，还包括：

检测所述主车的下一帧路测数据中是否存在所述目标障碍物满足所述避障场景判断条件；

若是，则确定所述路测数据对应的场景为避障场景；

若否，则确定所述路测数据对应的场景为非避障场景。

7.根据权利要求1所述的避障场景的检测方法，其特征在于，所述基于所述行驶数据计算出所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹，包括：

将所述行驶数据输入至预先训练得到的神经网络模型，其中，所述神经网络模型包括输入层、嵌入层、隐藏层和输出层；

通过所述输入层将所述行驶数据转化成轨迹向量矩阵，并输出至所述嵌入层；

通过所述嵌入层将所述轨迹向量矩阵转化成对应的嵌入表达矩阵，并输出至所述隐藏层；

通过所述隐藏层计算所述嵌入表达矩阵对应的标签向量，并输出至所述输出层；

通过所述输出层调用分类算法对所述嵌入表达矩阵及其对应的标签向量进行分类概率计算，输出预测结果；

将所述预测结果以图形化方式嵌入所述语义地图，得到所述主车在未来时间段内的预测行驶轨迹。

8.一种避障场景的检测装置，其特征在于，所述避障场景的检测装置包括：

获取模块，用于获取主车在行驶过程中的路测数据，其中，所述路测数据包括行驶数据、周边环境的目标障碍物和所述目标障碍物的位置信息；

预测模块，用于基于所述行驶数据计算出所述主车在当前行驶方向上的下一时间段内的预测行驶轨迹；

第一计算模块，用于根据所述目标障碍物的位置信息和所述预测行驶轨迹，计算出所述预测行驶轨迹相对于所述目标障碍物的第一距离；

第二计算模块，用于根据所述目标障碍物的位置信息和所述行驶数据，计算出所述主车相对于所述目标障碍物的第二距离；

判断模块，用于判断所述第一距离和所述第二距离是否满足预设的避障场景判断条件，并基于判断的结果确定所述路测数据对应的场景是否为避障场景。

9.一种计算机设备，其特征在于，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述计算机设备执行如权利要求1-7中任一项所述的避障场景的检测方法的各个步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项的所述避障场景的检测方法的各个步骤。

Images