CN114842660A - 一种无人车道路轨迹预测方法、装置和电子设备 - Google Patents
一种无人车道路轨迹预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114842660A CN114842660A CN202210745877.8A CN202210745877A CN114842660A CN 114842660 A CN114842660 A CN 114842660A CN 202210745877 A CN202210745877 A CN 202210745877A CN 114842660 A CN114842660 A CN 114842660A
- Authority
- CN
- China
- Prior art keywords
- road
- track
- information
- data
- simulation
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种无人车道路轨迹预测方法、装置和电子设备,包括构建实时路径图像拍摄系统,基于车载传感器采集的信息以及道路信息,模拟现实中典型道路和交通设施的行车环境,基于道路坐标系进行轨迹规划,生成基础轨迹,增加预判模拟功能,即根据实时的图像尽头路况,进行后续道路状况的预判模拟来模拟现实中典型道路和行车环境进行建立,包括各种典型道路、交叉路口和交通设施,构建道路分析模拟对比,对路况进行分析对比,选择最优路段,根据道路图像尽头的状态,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,做出最优的路况轨迹。
Description
技术领域
本发明涉及无人车轨迹规划技术领域,具体为一种无人车道路轨迹预测方法、装置和电子设备。
背景技术
无人驾驶车辆不但是智能交通系统的重要组成部分,也是移动机器人研究领域的研究热点。无人驾驶车辆在静态环境条件下的轨迹规划方法已取得大量的成果,而动态环境的轨迹规划要比静态环境的轨迹规划问题复杂的多,所以还没有统一而有效的规划方法。
轨迹是无人驾驶系统智能决策规划系统的结果。无人车根据所规划出的轨迹进行循迹控制,从而实现自主行驶。无人驾驶汽车是通过车载传感系统感知道路环境,自动规划行车路线并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。对于汽车行驶轨迹防碰撞检测和车辆路径规划的研究不断深入,国际专利分类号体系(IPC、CPC分类号)在G部G01S小类和B部B62D下也给出了相对准确的分类与细化。
公开号为CN112255628A的现有技术,分类号G01S13/931,通过获取无人驾驶设备行驶过程中识别的至少一个动态障碍物的类型以及图像或点云数据对最佳数量动态障碍物的运动轨迹进行预测,但其预测方式未关注具体行驶路径变化情况。公开号为CN102323607A的现有技术,分类号为G01S19/42,通过收费站免停自动收费装置,向到来的指定车辆或全部车辆内的车辆定位导航及防撞提醒装置发出文字或语音信息,对车辆进行指挥和调度或发出通知,但该方案中并未对汽车的行驶路况信息进行分析。
公开号为CN106114623A的现有技术,分类号为B62D15/02,结合高清摄像头、MCU、中控大屏为各种不同车位泊车提供新的路径规划方法,但其中并未对道路未知内容进行模拟仿真;公开号为CN106218720A的现有技术,分类号为B62D15/02,行车轨迹预显示的方法可以使得驾驶员提供在某一转向柱的转动角度下,汽车在道路情况中的预行驶图像。驾驶员可以清晰的判断汽车是否能通过或绕开障碍物,可以提高行驶安全性和提高汽车使用寿命,从而降低发生刮擦和碰撞的风险,但其同样未结合道路未知内容进行模拟仿真来进行路径规划与障碍物检测。
对于目前现有的无人车协同导航系统,均是基于测距信息而实现的,即协同导航系统具备一套相应的距离量测系统,可以实时的量测出各无人车之间的相对距离信息,利用该距离信息与自身导航信息相融合,从而达到提升导航定位精度的目的。然而,随着集群化的发展,参与集群的无人车数量越来越多,对于队形保持、避碰、防撞等的要求越来越高,导致对于协同导航的精度要求越来越高,仅基于测距信息的协同导航系统已经逐渐无法满足要求。
发明内容
本发明的目的在于提供一种无人车道路轨迹预测系统 ,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种无人车道路轨迹预测方法,应用于测试场中,其特征在于:包括以下步骤:
对无人车行驶道路进行实时拍摄,得到道路拍摄信息,结合所述无人车的车载传感器,采集道路路况数据以及道路设施数据;
基于所述道路拍摄信息、道路路况数据以及道路设施数据,模拟所述道路的无人车行车环境,并基于道路坐标系对所述模拟的行车环境中的道路设施设定坐标信息;
依据所述模拟的行车环境,进行轨迹规划,生成基础轨迹,将所述基础轨迹进行优化,生成备选轨迹;
根据所述道路拍摄信息的实时路况,对所述备选轨迹进行后续道路状况的预判模拟,得到预判模拟轨迹,提取所述预判模拟轨迹中的多条路况轨迹,对所述路况轨迹进行赋权操作,选择最优路况轨迹,根据所述道路拍摄信息的尽头路况的状态和典型道路信息,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,选择所述最优路况轨迹。
优选的,所述方法还包括:
所述道路和道路设施都按照国家标准进行设计、施工和安装;
所述测试场里的每条道路中心线、车道线、道路边缘线、斑马线、停车线、交通标志牌、交通信号灯的位置等都具有实际的三维坐标,其坐标和GPS测量坐标相吻合。
优选的,所述方法还包括:
对无人车行驶道路进行实时拍摄,自动识别非结构化道路环境的交通标志牌;
所述交通标志牌包括标志牌控制器和标志牌控制电脑,中央控制电脑中将测试方案传输给与其连接的标志牌控制电脑,标志牌控制电脑收到测试方案,提取相关控制信息,通过无线连接方式将所述相关控制信息发送给所述标志牌控制器;
所述标志牌控制器将所述相关控制信息通过数据线发送到所述交通标志牌中,以控制电子交通标志牌的显示内容。
优选的,所述方法还包括:
所述对所述备选轨迹进行后续道路状况的预判模拟包括图像采集设备采集的车辆类型和位置信息,以及激光雷达采集的车辆位置和速度信息;
所述道路拍摄信息包括图像采集设备采集的车道线信息以及通过车辆位置信息查询离线地图文件获得的信息。
优选的,所述方法还包括:
交通信号灯的控制系统,包括:信号灯控制电脑、信号灯控制器和交通信号灯;
中央控制电脑将测试方案传输到与其连接的所述信号灯控制电脑,所述信号灯控制电脑收到测试方案,提取相关控制信息,通过无线连接方式将所述相关控制信息发送给信号灯控制器,所述信号灯控制器与所述交通信号灯通过数据线连接,并控制交通信号灯的显示内容。
优选的,所述方法还包括:
所述实时拍摄的主体包括:摄像机、图像信号传输装置和图像处理电脑;
所述摄像机安装在各个测试点,记录测试车辆的外在行车状态和操作行为,通过数据线将记录的所述行车状态和操作行为发送给图像信号传输装置,图像信号传输装置将所述行车状态和操作行为以无线连接的方式发送到图像处理电脑,所述图像处理电脑与中央控制电脑相连接。
优选的,所述方法还包括:
对所述路况轨迹进行分析对比包括先将环境对象进行分类为车道、车道线、空地、静态障碍物、动态障碍物和参考路径。
优选的,所述方法还包括:
所述赋权操作时,对环境对象分别进行非结构、结构化赋权值操作,其中非结构环境对象包括空地、静态障碍物、动态障碍物和参考路径,其中结构环境对象包括车道、车道线。
基于第二方面,本申请还请求保护一种无人车道路轨迹预测装置,应用于测试场中,其特征在于,包括:
数据采集模块,对无人车行驶道路进行实时拍摄,得到道路拍摄信息,结合所述无人车的车载传感器,采集道路路况数据以及道路设施数据;
模拟建系模块,基于所述道路拍摄信息、道路路况数据以及道路设施数据,模拟所述道路的无人车行车环境,并基于道路坐标系对所述模拟的行车环境中的道路设施设定坐标信息;
轨迹生成模块,依据所述模拟的行车环境,进行轨迹规划,生成基础轨迹,生成的基数轨迹要根据实际道路的形状进行拟合,并且根据道路的实际情况,例如道路的宽窄变化,曲度变化以及高低起伏等特征,对基础轨迹进行修正,进而实现基础轨迹与所述道路的形状匹配,生成备选轨迹;
预判模块,根据所述道路拍摄信息的实时路况,对所述备选轨迹进行后续道路状况的预判模拟,得到预判模拟轨迹,提取所述预判模拟轨迹中的多条路况轨迹,对所述路况轨迹进行赋权操作,选择最优路况轨迹,根据所述道路拍摄信息的尽头路况的状态和典型道路信息,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,选择所述最优路况轨迹。
基于第三方面,本申请还请求保护一种电子设备,包括:存储器,处理器,通过设置所述存储器,用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现所述无人车道路轨迹预测方法。
与现有技术相比,本发明的有益效果是:
该无人车道路轨迹预测系统,通过构建实时路径图像拍摄系统,基于车载传感器采集的信息以及道路信息,从而能够模拟现实中典型道路和交通设施的行车环境,对测试场进行数字化。
该无人车道路轨迹预测系统,通过基于道路坐标系进行轨迹规划,生成基础轨迹,将基础轨迹进行优化,生成备选轨迹,增加预判模拟功能,即根据实时的图像尽头路况,进行后续道路状况的预判模拟。
该无人车道路轨迹预测系统,通过模拟现实中典型道路和行车环境进行建立,包括各种典型道路、交叉路口和交通设施,从而能够对整个测试场进行数字化处理。
该无人车道路轨迹预测系统,通过构建道路分析模拟对比,对路况进行分析对比,选择最优路段,根据道路图像尽头的状态,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,做出最优的路况轨迹。
该无人车道路轨迹预测系统,通过设置中央控制处理器和实时路径图像拍摄系统从而能够自动识别非结构化道路环境的电子交通标志牌便于规划。
附图说明
图1为本发明实施例的一种无人车道路轨迹预测方法的工作流程图;
图2为本发明实施例的一种无人车道路轨迹预测装置的结构模块图;
图3为本发明实施例的一种电子设备的结构框图。
具体实施方式
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,都属于本发明保护的范围。
实施例:请参阅图1:一种无人车道路轨迹预测方法,应用于测试场中,其特征在于:包括以下步骤:
对无人车行驶道路进行实时拍摄,得到道路拍摄信息,结合所述无人车的车载传感器,采集道路路况数据以及道路设施数据;
基于所述道路拍摄信息、道路路况数据以及道路设施数据,模拟所述道路的无人车行车环境,并基于道路坐标系对所述模拟的行车环境中的道路设施设定坐标信息;
依据所述模拟的行车环境,进行轨迹规划,生成基础轨迹,将所述基础轨迹进行优化,生成备选轨迹;
根据所述道路拍摄信息的实时路况,对所述备选轨迹进行后续道路状况的预判模拟,得到预判模拟轨迹,提取所述预判模拟轨迹中的多条路况轨迹,对所述路况轨迹进行赋权操作,选择最优路况轨迹,根据所述道路拍摄信息的尽头路况的状态和典型道路信息,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,选择所述最优路况轨迹。
具体的,对无人车行驶道路进行实时拍摄,得到道路拍摄信息,所述实时拍摄中,所述无人车可以利用车载RGB传感器获取RGB图像数据,而所述道路拍摄信息可以利用深度传感器得到;本实施例中,也可以通过双目摄像头对无人车场景进行图像数据采集计算,以得到无人车行驶道路图像的像素值及深度值,进而得到道路场景信息及道路拍摄信息。对所述道路场景信息及所述道路拍摄信息进行特征数据提取,得到所述无人车行驶道路图像特征向量数据。
所述无人车行驶道路图像特征向量数据可以理解为,基于所述道路场景信息及所述道路拍摄信息中各自的特征数据得到,因此,所述特征向量数据要相对于现有技术中单只基于所述道路场景信息所得到的特征向量所含有的关于所述无人车行驶道路图像有价值的信息较多。利用所述特征向量数据确定所述无人车行驶道路图像中的无人车物类别。
进一步地,将所述道路场景信息与所述道路拍摄信息分别通过预设高斯核的卷积计算,得到道路场景特征信息及深度特征数据。所述高斯核可以由用户根据需求预先进行设定,且这里的高斯核是大小一定的。
在本实施例中,可以通过对所述道路场景信息及所述道路拍摄信息经过可训练的滤波器之后,再进行加偏置进行卷积,以得到两个图像数据中各自的最显著的特征数据,也就是说,在所述卷积神经网络中,将所述道路场景信息及所述道路拍摄信息作为输入数据经过滤波器及加偏置进行卷积之后得到的道路场景特征信息及深度特征数据,即处于C1层的数据。
所述道路场景信息为RGB图像,如3个通道每个通道分别为256*256的像素图,所述道路拍摄信息为256*256,将这两个图像数据进行高斯核大小一定的卷积,得到相应的特征图(特征数据):所述道路场景信息的特征数据为96个通道每个通道分别为55*55的特征图,所述道路拍摄信息的特征数据为32个55*55的特征图。将所述道路场景特征信息与所述深度特征数据进行融合,得到融合特征数据。
所述融合特征数据是指,将所述道路场景特征信息与所述深度特征数据进行特征融合得到的。这里的融合特征数据具有代表所述无人车行驶道路图像最显著的特征。例如,96个通道每个通道分别为55*55的道路场景特征信息与32个55*55的深度特征数据进行融合统计,得到128个27*27的融合特征数据。
依据所述融合特征数据,生成所述无人车行驶道路图像特征向量数据。可以通过对所述融合特征数据继续通过卷积神经网络后续的C3及S4的计算,即:再次卷积及融合得到特征数据,这些特征数据再被光栅化之后,进行连接,得到一个向量数据,即所述无人车行驶道路图像特征向量数据。
具体的,结合所述无人车的车载传感器,采集道路路况数据以及道路设施数据还包括通过历史道路状况数据对构建的初始模糊神经网络进行训练处理,得到无人车模糊神经网络;对传感器信息进行分析处理得到实际道路状况数据;采用所述无人车模糊神经网络对所述实际道路状况数据进行计算处理,得到预设数量个道路路况数据可能值;根据所有所述道路路况数据可能值确定道路路况数据和道路设施信息。
具体的传感器数据包括:对声音传感器信息进行声音数据处理,得到道路声音数据;所述道路声音数据需要基于无人车在一预判输出材质道路上行驶的声音作为基准;根据加速度计数据进行减速数据处理,得到行驶减速数据;对传感器向前倾角数据和加速度数据进行坡度数据处理,得到道路坡度数据;通过GPS定位模块获取到位置数据;将所述道路声音数据、所述行驶减速数据、所述道路坡度数据以及所述位置数据作为所述道路路况数据。
所述道路设施数据通过图像识别技术获取;逐帧接收视频流数据,对每帧图像数据进行视觉识别算法处理,识别出无人车采集物;将当前识别出来的无人车采集物,通过视觉跟踪算法与上一帧中识别出的无人车采集物进行比较,如果是相同的无人车采集物则继承上一帧无人车采集物的唯一ID,如果是新的无人车采集物则赋予新的唯一ID;持续监控每帧无人车采集物的唯一ID,如果新的一帧图像中某一个无人车采集物的唯一ID消失,则认为采集设备经过该无人车采集物,记录上一帧的时间,同时对当前帧的相邻两帧图像对应的空间位置进行线性插值计算,得出该帧采集位置作为无人车采集物的空间位置。打包识别数据类型、内容和空间位置,无线传输至后台服务器。
传感器用于采集算法需要的各种输入参数,这些参数都跟道路路况数据和道路设施信息有强相关性。传感器网络主控节点根据主控经过网络获得的第三方地图信息,每100米对所有子节点数据统计并上传一次。
具体的,基于所述道路拍摄信息、道路路况数据以及道路设施数据,模拟所述道路的无人车行车环境,并基于道路坐标系对所述模拟的行车环境中的道路设施设定坐标信息,还包括:
构建道路模拟仿真模型:
式中i表示道路标签,ε表示行驶减速数据,slq表示道路坡度数据,ρg表示道路材质密度,Yi表示位置数据,Di eff表示无人车行驶道路图像特征向量数据,t表示无人车行驶时间,Si表示道路类型权重。
进一步地,基于道路坐标系对所述模拟的行车环境中的道路设施设定坐标信息包括:基于道路坐标系数据中的三维点基于相对参照面的距离,对采集道路所处环境得到的各帧道路坐标系数据进行分类;合并与道路设施高度适配的道路坐标系数据类别中的各帧道路坐标系数据;沿道路的轨迹从合并得到的道路坐标系数据中提取与道路距离满足预定条件的候选道路坐标系数据;从所述候选道路坐标系数据中提取出符合所述道路设施的特征的道路坐标系数据。
以道路护栏为例,在每帧的道路坐标系数据包括了环境中一系列的三维点的坐标及其属性信息,通过人工方式对每帧道路坐标系数据中对应道路护栏的三维点进行标识,并提取所标识的三维点的道路坐标系数据。
服务器所接收到在不同位置的各个角度(0至360度)采集的道路坐标系数据,对于所接收的道路坐标系数据,根据道路坐标系数据的地理位置的标签区分采集位置,对于每个采集位置道路坐标系数据,将相应位置的不同采集角度的道路坐标系数据形成相应位置的一帧道路坐标系数据,每帧道路坐标系数据中包括在相应位置以不同角度采集道路环境所得到的三维点的坐标以及属性信息。
根据道路设施道路坐标系数据的局部的空间分布特征,从候选道路坐标系数据中提取出符合道路设施的特征的道路坐标系数据时,还提供这样的提取道路设置道路坐标系数据的方式,将候选道路坐标系数据中的三维点进行聚类处理,形成多个候选道路坐标系数据集合,每个候选道路坐标系数据集合包括有多个三维点以及属性信息。基于各分段候选道路坐标系数据集合的空间分布特征,综合判断该候选道路坐标系数据集合是否属于道路设置道路坐标系数据。
对于基于各分段候选道路坐标系数据集合的空间分布特征综合判断该候选道路坐标系数据集合是否属于道路设置道路坐标系数据,可以采用基于道路设施道路坐标系数据的预定空间分布特征的判断方式或基于机器学习模型的判断方式。
具体的,所述依据所述模拟的行车环境,进行轨迹规划,生成基础轨迹,将所述基础轨迹进行优化,生成备选轨迹,还包括:
依据所述构建的道路模拟仿真模型对所述无人车的行车轨迹进行轨迹规划,通过坐标转换公式将障碍物的局部极坐标转为全局直角坐标系的位置L(xlf,ylf);利用少量真实数据训练用来矫正受电磁干扰的激光雷达传感器数据的BP神经网络;利用所述BP神经网络对电磁干扰下的激光雷达传感器数据进行矫正,矫正后位置数据为L1(xld,yld);摄像头传感器拍摄到有障碍物的图像,然后根据solvePNP算法得到障碍物位置L2(x,y);利用基于专家先验策略的多数据融合卡尔曼滤波器预测动态障碍物下一时刻的位置;无人车在规划路径时将动态障碍物视为瞬时静止的障碍物;将无人车的运动方向角设为φ(t),其与极坐标系的极轴方向之间的夹角为期望方向角为φd(t), 0≤φ(t) ≤π, 0≤φd(t) ≤π, 优化目标为在避开障碍物的情况下,让无人车的运动方向角与当前极坐标系的极轴方向之间的夹角的绝对值最小,即min(︱φ(t) — ag︱),其中ag为极坐标下目标点G的极角;不断重复,直到无人车到达行车时段区间的终点,所生成的轨迹作为基础轨迹。
进一步地,所述基础轨迹包括轨迹特征点、轨迹边缘特征、轨迹闭合轮廓特征;当运动特征信息包括基础轨迹特征信息,匹配设备基于该基础轨迹的轨迹特征点、轨迹边缘特征、轨迹闭合轮廓特征等特征信息,对第一特征向量和第二特征向量进行匹配处理,其中第一特征向量为待匹配车辆的基础轨迹的特征向量,第二特征向量为所述道路的形状特征向量。例如,对于基于运动图像的运动特征信息,如基础轨迹特征信息,编码所得的第一特征向量,匹配设备采用基于轨迹形状特征的匹配方法,计算该第一特征向量与第二特征向量之间的特征匹配度(特征相似度)。在此,编码方式包括但不限于傅立叶形状描述符法、几何参数法、形状不变矩法、旋转函数法、小波描述符法等。在此,基于轨迹形状特征的匹配方法包括基于轨迹特征点的匹配、基于轨迹边缘特征的匹配、基于轨迹闭合轮廓特征的匹配,及基于其他高级特征的匹配等,基于所述匹配后的结果优化所述基础轨迹得到备选轨迹。
优选的,根据所述道路拍摄信息的实时路况,对所述备选轨迹进行后续道路状况的预判模拟,得到预判模拟轨迹,还包括:
所述预判模拟轨迹包括多条路况轨迹;
获取执行所述无人车运行道路的无人车运行道路的结构与设计参数,依据所述无人车运行道路的结构与设计参数设置所述预判模型中对应参数;
基于第一路况的道路曲率ST1、道路坡度RH1、道路平整度变化速率T1,设置所述预判模型中的对应路况轨迹参数;
通过第一路况的实际路况轨迹,与所述第一路况经所述预判模型处理后得到的模型仿真结果进行比较,对所述预判模型进行预判输出,使得所述模型仿真结果与所述第一路况的实际路况轨迹之间最大相对偏差的绝对值YP1小于等于10%;
基于第二路况的道路曲率ST2、道路坡度RH2、道路平整度变化速率T2,重新设置所述预判模型中对应的路况轨迹参数;
对重新设置对应的路况轨迹参数的所述预判模型进行预判输出,得到所述第二路况的模型仿真结果,并与第二路况下的实际路况轨迹进行对比,得到所述模型仿真结果与所述第二路况下的实际路况轨迹之间最大相对偏差的绝对值为YP2;
若YP2小于等于10%,则执行后续步骤;若YP2超过10%,则重新执行通过所述第一路况的实际路况轨迹,与所述第一路况经所述预判模型处理后得到的模型仿真结果进行比较,对所述预判模型进行预判输出的步骤,直至YP2小于等于10%;
所述YP1和YP2计算表达式如下:
所述提取所述预判模拟轨迹中的多条路况轨迹,对所述路况轨迹进行赋权操作,选择最优路况轨迹,根据所述道路拍摄信息的尽头路况的状态和典型道路信息,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,选择所述最优路况轨迹,还包括:
建立路况轨迹评价函数,并将所述多个路况轨迹分别输入路况轨迹评价函数,得到多个路况轨迹评价值,将所述路况轨迹评价值最高的路况轨迹作为最优路况轨迹,还包括:
建立路况轨迹评价函数,并基于所述多条路况轨迹,得到多个路况轨迹评价值;
基于所述多个路况轨迹评价值,选择路况轨迹评价值最大的对应的路况轨迹,将其定义为最优路况轨迹;
基于所述多个路况轨迹,分析无人车行驶道路道路的气体传输、水传输、施工程度传输以及路况轨迹;
所述路况轨迹评价函数Fun表达式为:
式中Vout表示路况轨迹,Ilow、Imid、Ihigh分别表示低道路坡度、中道路坡度与高道路坡度,其数值根据所述多个路况轨迹确定,d,e,f分别表示评价权重因子,其数值为取值区间[0,1]的正实数。
优选的,所述方法还包括:
所述道路和道路设施都按照国家标准进行设计、施工和安装;
所述测试场里的每条道路中心线、车道线、道路边缘线、斑马线、停车线、交通标志牌、交通信号灯的位置等都具有实际的三维坐标,其坐标和GPS测量坐标相吻合。
优选的,所述方法还包括:
所述对无人车行驶道路进行实时拍摄自动识别非结构化道路环境的交通标志牌;
所述交通标志牌包括标志牌控制器和标志牌控制电脑,中央控制电脑中将测试方案传输给与其连接的标志牌控制电脑,标志牌控制电脑收到测试方案,提取相关控制信息,通过无线连接方式将所述相关控制信息发送给所述标志牌控制器;
所述标志牌控制器将所述相关控制信息通过数据线发送到所述交通标志牌中,以控制电子交通标志牌的显示内容。
优选的,所述方法还包括:
所述对所述备选轨迹进行后续道路状况的预判模拟包括图像采集设备采集的车辆类型和位置信息,以及激光雷达采集的车辆位置和速度信息;
所述道路拍摄信息包括图像采集设备采集的车道线信息以及通过车辆位置信息查询离线地图文件获得的信息。
优选的,所述方法还包括:
交通信号灯的控制系统,包括:信号灯控制电脑、信号灯控制器和交通信号灯;
中央控制电脑将测试方案传输到与其连接的所述信号灯控制电脑,所述信号灯控制电脑收到测试方案,提取相关控制信息,通过无线连接方式将所述相关控制信息发送给信号灯控制器,所述信号灯控制器与所述交通信号灯通过数据线连接,并控制交通信号灯的显示内容。
优选的,所述方法还包括:
所述实时拍摄的主体包括:摄像机、图像信号传输装置和图像处理电脑;
所述摄像机安装在各个测试点,记录测试车辆的外在行车状态和操作行为,通过数据线将记录的所述行车状态和操作行为发送给图像信号传输装置,图像信号传输装置将所述行车状态和操作行为以无线连接的方式发送到图像处理电脑,所述图像处理电脑与中央控制电脑相连接。
所述测试车辆的外在行车状态和操作行为包括:在转弯路口转弯时是否正确开启和关闭转向灯,换道时是否正确开启和关闭转向灯,遇到雨、雪、雾等天气时是否开启雨刷或雾灯,夜间测试时,照明灯的开启或关闭是否正确等情况。通过与测试标准对比,可以准确判断无人驾驶车辆在遇到不同交通情况时的操作行为是否符合标准。
优选的,所述方法还包括:
对所述路况轨迹进行分析对比包括先将环境对象进行分类为车道、车道线、空地、静态障碍物、动态障碍物和参考路径。
优选的,所述方法还包括:
所述赋权操作时,对环境对象分别进行非结构、结构化赋权值操作,其中非结构环境对象包括空地、静态障碍物、动态障碍物和参考路径,其中结构环境对象包括车道、车道线。
基于第二方面,本申请还请求保护一种无人车道路轨迹预测装置,应用于测试场中,其特征在于,包括:
数据采集模块,对无人车行驶道路进行实时拍摄,得到道路拍摄信息,结合所述无人车的车载传感器,采集道路路况数据以及道路设施数据;
模拟建系模块,基于所述道路拍摄信息、道路路况数据以及道路设施数据,模拟所述道路的无人车行车环境,并基于道路坐标系对所述模拟的行车环境中的道路设施设定坐标信息;
轨迹生成模块,依据所述模拟的行车环境,进行轨迹规划,生成基础轨迹,将所述基础轨迹进行优化,生成备选轨迹;
预判模块,根据所述道路拍摄信息的实时路况,对所述备选轨迹进行后续道路状况的预判模拟,得到预判模拟轨迹,提取所述预判模拟轨迹中的多条路况轨迹,对所述路况轨迹进行赋权操作,选择最优路况轨迹,根据所述道路拍摄信息的尽头路况的状态和典型道路信息,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,选择所述最优路况轨迹。
基于第三方面,本申请还请求保护一种电子设备100,包括:存储器101,处理器102,通过设置所述存储器101,用于存储计算机可执行程序,处理器102从存储器101中读取部分或全部所述计算机可执行程序并执行,处理器102执行部分或全部计算可执行程序时能实现所述无人车道路轨迹预测方法。
工作原理:首先构建实时路径图像拍摄系统,基于车载传感器采集的信息以及道路信息,模拟现实中典型道路和交通设施的行车环境,对测试场进行数字化,且测试场内所有设施、道路线等都设定三维坐标,并与GPS测量坐标相吻合,然后基于道路坐标系进行轨迹规划,生成基础轨迹,将基础轨迹进行优化,生成备选轨迹,增加预判模拟功能,即根据实时的图像尽头路况,进行后续道路状况的预判模拟,模拟现实中典型道路和行车环境,包括各种典型道路、交叉路口和交通设施道路和交通设施都按照国家标准进行设计、施工和安装;对整个测试场进行数字化处理测试场里的每条道路中心线、车道线、道路边缘线、斑马线、停车线、交通标志牌、交通信号灯的位置等都具有实际的三维坐标,其坐标和GPS测量坐标相吻合。
构建道路分析模拟对比,对路况进行分析对比,选择最优或者上下幅度较小的路段,根据道路图像尽头的状态,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,做出最优的路况轨迹,具体赋权操作时,对环境对象分别进行非结构、结构化赋权值操作,其中非结构环境对象包括空地、静态障碍物、动态障碍物和参考路径,其中结构环境对象包括车道、车道线,通过设置存储器用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算可执行程序时能实现基于周围环境与行为意图的车辆轨迹预测方法。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种无人车道路轨迹预测方法,应用于测试场中,其特征在于,该方法包括以下步骤:
对无人车行驶道路进行实时拍摄,得到道路拍摄信息,结合所述无人车的车载传感器,采集道路路况数据以及道路设施数据;
基于所述道路拍摄信息、道路路况数据以及道路设施数据,模拟所述道路的无人车行车环境,并基于道路坐标系对所述模拟的行车环境中的道路设施设定坐标信息;
依据所述模拟的行车环境,进行轨迹规划,生成基础轨迹,将所述基础轨迹进行优化,生成备选轨迹;
根据所述道路拍摄信息的实时路况,对所述备选轨迹进行后续道路状况的预判模拟,得到预判模拟轨迹,提取所述预判模拟轨迹中的多条路况轨迹,对所述路况轨迹进行赋权操作,选择最优路况轨迹,根据所述道路拍摄信息的尽头路况的状态和典型道路信息,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,选择所述最优路况轨迹。
2.如权利要求1所述的一种无人车道路轨迹预测方法,其特征在于,所述方法还包括:
所述道路和道路设施都按照国家标准进行设计、施工和安装;
所述测试场里的每条道路中心线、车道线、道路边缘线、斑马线、停车线、交通标志牌、交通信号灯的位置都具有实际的三维坐标,其坐标和GPS测量坐标相吻合。
3.如权利要求1所述的一种无人车道路轨迹预测方法,其特征在于,所述方法还包括:
对无人车行驶道路进行实时拍摄,自动识别非结构化道路环境的交通标志牌;
所述交通标志牌包括标志牌控制器和标志牌控制电脑,中央控制电脑中将测试方案传输给与其连接的标志牌控制电脑,标志牌控制电脑收到测试方案,提取相关控制信息,通过无线连接方式将所述相关控制信息发送给所述标志牌控制器;
所述标志牌控制器将所述相关控制信息通过数据线发送到所述交通标志牌中,以控制电子交通标志牌的显示内容。
4.如权利要求1所述的一种无人车道路轨迹预测方法,其特征在于,所述方法还包括:
所述对所述备选轨迹进行后续道路状况的预判模拟包括图像采集设备采集的车辆类型和位置信息,以及激光雷达采集的车辆位置和速度信息;
所述道路拍摄信息包括图像采集设备采集的车道线信息以及通过车辆位置信息查询离线地图文件获得的信息。
5.如权利要求3所述的一种无人车道路轨迹预测方法,其特征在于,所述方法还包括:
交通信号灯的控制系统,包括:信号灯控制电脑、信号灯控制器和交通信号灯;
中央控制电脑将测试方案传输到与其连接的所述信号灯控制电脑,所述信号灯控制电脑收到测试方案,提取相关控制信息,通过无线连接方式将所述相关控制信息发送给信号灯控制器,所述信号灯控制器与所述交通信号灯通过数据线连接,并控制交通信号灯的显示内容。
6.如权利要求3所述的一种无人车道路轨迹预测方法,其特征在于,所述方法还包括:
所述实时拍摄的主体包括:摄像机、图像信号传输装置和图像处理电脑;
所述摄像机安装在各个测试点,记录测试车辆的外在行车状态和操作行为,通过数据线将记录的所述行车状态和操作行为发送给图像信号传输装置,图像信号传输装置将所述行车状态和操作行为以无线连接的方式发送到图像处理电脑,所述图像处理电脑与中央控制电脑相连接。
7.如权利要求2所述的一种无人车道路轨迹预测方法,其特征在于,所述方法还包括:
对所述路况轨迹进行分析对比包括先将环境对象进行分类为车道、车道线、空地、静态障碍物、动态障碍物和参考路径。
8.如权利要求2所述的一种无人车道路轨迹预测方法,其特征在于,所述方法还包括:
所述赋权操作时,对环境对象分别进行非结构、结构化赋权值操作,其中非结构环境对象包括空地、静态障碍物、动态障碍物和参考路径,其中结构环境对象包括车道、车道线。
9.一种无人车道路轨迹预测装置,应用于测试场中,其特征在于,包括:
数据采集模块,对无人车行驶道路进行实时拍摄,得到道路拍摄信息,结合所述无人车的车载传感器,采集道路路况数据以及道路设施数据;
模拟建系模块,基于所述道路拍摄信息、道路路况数据以及道路设施数据,模拟所述道路的无人车行车环境,并基于道路坐标系对所述模拟的行车环境中的道路设施设定坐标信息;
轨迹生成模块,依据所述模拟的行车环境,进行轨迹规划,生成基础轨迹,将所述基础轨迹进行优化,生成备选轨迹;
预判模块,根据所述道路拍摄信息的实时路况,对所述备选轨迹进行后续道路状况的预判模拟,得到预判模拟轨迹,提取所述预判模拟轨迹中的多条路况轨迹,对所述路况轨迹进行赋权操作,选择最优路况轨迹,根据所述道路拍摄信息的尽头路况的状态和典型道路信息,进行后续道路预模拟,并且根据实时推进的道路进行图像补充,选择所述最优路况轨迹。
10.一种电子设备,包括:存储器,处理器,通过设置所述存储器,用于存储计算机可执行程序,处理器从存储器中读取部分或全部所述计算机可执行程序并执行,处理器执行部分或全部计算机可执行程序时能实现权利要求1~8任一项所述无人车道路轨迹预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210745877.8A CN114842660B (zh) | 2022-06-29 | 2022-06-29 | 一种无人车道路轨迹预测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210745877.8A CN114842660B (zh) | 2022-06-29 | 2022-06-29 | 一种无人车道路轨迹预测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842660A true CN114842660A (zh) | 2022-08-02 |
CN114842660B CN114842660B (zh) | 2022-10-11 |
Family
ID=82573703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210745877.8A Active CN114842660B (zh) | 2022-06-29 | 2022-06-29 | 一种无人车道路轨迹预测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842660B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512541A (zh) * | 2022-09-20 | 2022-12-23 | 浙江大学 | 一种用于车辆安全驾驶的路面精确信息服务系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN105699095A (zh) * | 2016-01-27 | 2016-06-22 | 常州加美科技有限公司 | 一种无人驾驶车辆的测试方法 |
US20180322230A1 (en) * | 2017-05-08 | 2018-11-08 | Baidu Online Network Technology (Beijing) Co., Ltd. | Driverless vehicle simulation test method and apparatus, device and readable medium |
CN109100155A (zh) * | 2018-07-09 | 2018-12-28 | 长安大学 | 一种无人车在环快速仿真测试系统和方法 |
CN109764881A (zh) * | 2018-12-07 | 2019-05-17 | 北京掌行通信息技术有限公司 | 无人驾驶汽车测试方法、装置、电子设备及介质 |
CN110018689A (zh) * | 2019-05-15 | 2019-07-16 | 福州大学 | 一种基于动态窗口的多虚拟目标点全局动态路径规划算法 |
CN110081894A (zh) * | 2019-04-25 | 2019-08-02 | 同济大学 | 一种基于道路结构权值融合的无人车轨迹实时规划方法 |
CN110132279A (zh) * | 2016-12-02 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 局部路径规划的测试方法和装置 |
JP2020020665A (ja) * | 2018-07-31 | 2020-02-06 | ヤマハ発動機株式会社 | 曲率情報算出装置およびそれを備える自動走行車両 |
CN110807922A (zh) * | 2019-10-29 | 2020-02-18 | 长安大学 | 一种无人车交叉路口通行能力测试系统及测试方法 |
CN111071249A (zh) * | 2019-12-16 | 2020-04-28 | 南京航空航天大学 | 基于障碍物运动预测的无人车紧急转向避障方法 |
CN111289008A (zh) * | 2020-04-28 | 2020-06-16 | 南京维思科汽车科技有限公司 | 一种用于无人驾驶车辆的局部路径规划算法 |
CN114372708A (zh) * | 2022-01-11 | 2022-04-19 | 北京航空航天大学 | 一种面向无人车的行车安全场模型构建方法 |
CN114371703A (zh) * | 2021-12-22 | 2022-04-19 | 杭州鸿泉物联网技术股份有限公司 | 一种无人车轨迹预测方法及装置 |
-
2022
- 2022-06-29 CN CN202210745877.8A patent/CN114842660B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699095A (zh) * | 2016-01-27 | 2016-06-22 | 常州加美科技有限公司 | 一种无人驾驶车辆的测试方法 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN110132279A (zh) * | 2016-12-02 | 2019-08-16 | 百度在线网络技术(北京)有限公司 | 局部路径规划的测试方法和装置 |
US20180322230A1 (en) * | 2017-05-08 | 2018-11-08 | Baidu Online Network Technology (Beijing) Co., Ltd. | Driverless vehicle simulation test method and apparatus, device and readable medium |
CN109100155A (zh) * | 2018-07-09 | 2018-12-28 | 长安大学 | 一种无人车在环快速仿真测试系统和方法 |
JP2020020665A (ja) * | 2018-07-31 | 2020-02-06 | ヤマハ発動機株式会社 | 曲率情報算出装置およびそれを備える自動走行車両 |
CN109764881A (zh) * | 2018-12-07 | 2019-05-17 | 北京掌行通信息技术有限公司 | 无人驾驶汽车测试方法、装置、电子设备及介质 |
CN110081894A (zh) * | 2019-04-25 | 2019-08-02 | 同济大学 | 一种基于道路结构权值融合的无人车轨迹实时规划方法 |
CN110018689A (zh) * | 2019-05-15 | 2019-07-16 | 福州大学 | 一种基于动态窗口的多虚拟目标点全局动态路径规划算法 |
CN110807922A (zh) * | 2019-10-29 | 2020-02-18 | 长安大学 | 一种无人车交叉路口通行能力测试系统及测试方法 |
CN111071249A (zh) * | 2019-12-16 | 2020-04-28 | 南京航空航天大学 | 基于障碍物运动预测的无人车紧急转向避障方法 |
CN111289008A (zh) * | 2020-04-28 | 2020-06-16 | 南京维思科汽车科技有限公司 | 一种用于无人驾驶车辆的局部路径规划算法 |
CN114371703A (zh) * | 2021-12-22 | 2022-04-19 | 杭州鸿泉物联网技术股份有限公司 | 一种无人车轨迹预测方法及装置 |
CN114372708A (zh) * | 2022-01-11 | 2022-04-19 | 北京航空航天大学 | 一种面向无人车的行车安全场模型构建方法 |
Non-Patent Citations (1)
Title |
---|
王中玉: "基于改进双向A*的移动机器人路径规划算法", 《传感器与微系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512541A (zh) * | 2022-09-20 | 2022-12-23 | 浙江大学 | 一种用于车辆安全驾驶的路面精确信息服务系统 |
CN115512541B (zh) * | 2022-09-20 | 2023-09-01 | 浙江大学 | 一种用于车辆安全驾驶的路面精确信息服务系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114842660B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11741696B2 (en) | Advanced path prediction | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
US11885910B2 (en) | Hybrid-view LIDAR-based object detection | |
US11554785B2 (en) | Driving scenario machine learning network and driving environment simulation | |
Zhao et al. | On-road vehicle trajectory collection and scene-based lane change analysis: Part i | |
WO2022141910A1 (zh) | 一种基于行车安全风险场的车路激光雷达点云动态分割及融合方法 | |
CN113313154A (zh) | 一体化融合多传感器自动驾驶智能感知装置 | |
Wu et al. | Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement | |
Lookingbill et al. | Reverse optical flow for self-supervised adaptive autonomous robot navigation | |
CN110379168B (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN108230254A (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
CN111771207A (zh) | 增强的车辆跟踪 | |
CN114970321A (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
CN104200657A (zh) | 一种基于视频和传感器的交通流量参数采集方法 | |
Zyner et al. | Acfr five roundabouts dataset: Naturalistic driving at unsignalized intersections | |
CN111402632B (zh) | 一种交叉口行人运动轨迹的风险预测方法 | |
CN114842660B (zh) | 一种无人车道路轨迹预测方法、装置和电子设备 | |
CN114155720B (zh) | 一种路侧激光雷达的车辆检测和轨迹预测方法 | |
CN116457800A (zh) | 用于自动驾驶车辆中的地图变化检测的架构 | |
CN114742975B (zh) | 一种车载图像铁轨曲线建模方法 | |
Nowak et al. | Vision-based positioning of electric buses for assisted docking to charging stations | |
CN115223107A (zh) | 一种贴合运动目标检测框的检测方法 | |
Kamalakkannan et al. | Artificial Intelligence based traffic prediction system for autonomous vehicles | |
CN116811884B (zh) | 一种智能驾驶环境感知分析方法及系统 | |
CN116225027A (zh) | 一种全景智能小车自动行驶方法 |
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 |