CN114969004A - 轨迹融合方法、装置、设备、介质及产品 - Google Patents
轨迹融合方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN114969004A CN114969004A CN202210583693.6A CN202210583693A CN114969004A CN 114969004 A CN114969004 A CN 114969004A CN 202210583693 A CN202210583693 A CN 202210583693A CN 114969004 A CN114969004 A CN 114969004A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- current
- simulation
- trajectory
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 174
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims description 70
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 description 40
- 230000008447 perception Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000036316 preload Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/60—Positioning; Navigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Toxicology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Environmental & Geological Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种轨迹融合方法、装置、设备、介质及产品,涉及到智能交通技术领域。该方法包括:获取感知设备识别到的至少一个车辆的当前车辆运动轨迹;若监测到车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件;在满足车辆轨迹预测条件时,对车辆轨迹进行预测,并将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹;在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真,并将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹。通过对车辆轨迹进行预测或微观仿真,可以补全车辆行驶至盲区位置时的车辆轨迹,形成完整车辆轨迹。
Description
技术领域
本申请涉及智能交通技术领域,尤其涉及一种轨迹融合方法、装置、设备、介质及产品。
背景技术
车路协同是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上,开展车辆主动安全控制和道路协同管理,充分实现人、车、路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统
车路协同是智慧高速建设的核心内容,应用在智慧高速中的车路协同,需要实现路侧的全路段车辆感知,形成完整车辆轨迹。
路侧的全路段车辆感知需要依赖大量的视频摄像头、传感器等感知设备,但是,目前感知设备在高速上的分布密度达不到全路段车辆感知的要求,感知设备之间会存在盲区,无法做到全覆盖,无法实现全路段对车辆的感知,进一步的无法根据对车辆的感知轨迹形成完整车辆轨迹。
发明内容
本申请提供一种轨迹融合方法、装置、设备、介质及产品,用以解决现有技术中感知设备在高速上的分布密度达不到全路段车辆感知的要求,感知设备之间会存在盲区,无法做到全覆盖,无法实现全路段对车辆的感知的问题。
第一方面,本申请提供一种轨迹融合方法,包括:
获取感知设备识别到的至少一个车辆的当前车辆运动轨迹;
若监测到所述车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件;
在满足车辆轨迹预测条件时,对车辆轨迹进行预测,并将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹;
在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真,并将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹。
第二方面,本申请提供一种轨迹融合装置,包括:
获取模块,用于获取感知设备识别到的至少一个车辆的当前车辆运动轨迹;
确定模块,若监测到所述车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件;
预测模块,在满足车辆轨迹预测条件时,对车辆轨迹进行预测;
融合模块,用于将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹;
仿真模块,用于在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真;
所述融合模块,还用于将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器及收发器;
所述存储器存储计算机执行指令;所述收发器用于收发数据;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面所述的方法。
第四方面,本申请实施例提供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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
本申请提供一种轨迹融合方法、装置、设备、介质及产品,获取感知设备识别到的至少一个车辆的当前车辆运动轨迹;若监测到所述车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件;在满足车辆轨迹预测条件时,对车辆轨迹进行预测,并将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹;在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真,并将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹,通过对车辆轨迹进行预测或对车辆轨迹进行微观仿真,可以形成融合轨迹,采用融合轨迹补全车辆行驶至盲区位置时的车辆轨迹,形成完整车辆轨迹;并且通过确定满足车辆轨迹预测条件或车辆轨迹仿真条件,可以选择适合的补全车辆轨迹的方式,可以提高对补全的车辆轨迹的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请高速智慧杆架设示意图;
图2为本申请实施例一提供的一种轨迹融合方法流程图;
图3为本申请实施例提供的感知设备结构示意图;
图4为本申请实施例提供的轨迹融合方法示意图;
图5为将车辆轨迹发送至数字大屏的示意图;
图6为车辆轨迹在数字大屏中显示的示意图;
图7为将车辆轨迹发送至车载终端的示意图;
图8为完整车辆轨迹在车载终端中显示的示意图;
图9为一种对车辆轨迹进行预测的示意图;
图10为本申请实施例四提供的一种轨迹融合方法流程图;
图11为本申请实施例六提供的轨迹融合装置的结构示意图;
图12为本申请实施例七提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与本申请的一些方面相一致的装置和方法的例子。
术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
为了清楚理解本申请的技术方案,首先对现有技术的方案进行详细介绍。
现有技术中,形成车辆轨迹的方法为:通过感知设备获取车辆的感知数据并根据感知数据生成车辆运动轨迹,将相邻的车辆运动轨迹融合形成车辆轨迹。目前,感知设备通常设置在高速智慧杆上,由于高速智慧杆架设位置限制,两个高速智慧杆之间的距离可能超出感知设备的感知范围,形成感知设备之间的盲区,使感知设备在高速上的分布密度达不到全路段车辆感知的要求,无法实现全路段对车辆的感知,车辆在行驶至盲区位置时无法获取车辆运动轨迹,造成车辆轨迹中断,无法形成完整车辆轨迹。
图1为于高速智慧杆架设示意图,图1中包括高速智慧杆1和设置在高速智慧杆1上的感知设备2,感知设备2可以包括毫米波雷达、激光雷达、高清摄像头等。在图1中感知设备2的感知范围为50米到200米,如图1所示若相邻高速智慧杆1的架设位置为250米以上,则感知设备之间存在盲区,感知设备2的感知范围无法做到全覆盖。
由于感知设备之间存在盲区,导致无法实现全路段对车辆的感知,从而无法形成完整车辆轨迹,因此,可以采用轨迹预测或微观仿真等手段补全车辆行驶至盲区位置时的车辆轨迹,就可以形成完整车辆轨迹。为了保证补全车辆行驶至盲区位置时的车辆轨迹的准确性,在盲区范围较小时,如小于100米时,可以对车辆轨迹进行预测,当盲区放大到一定程度时,如超出100米,车辆预测轨迹的误差会发生累积,导致产生车辆碰撞等冲突现象,因此需要采用微观仿真等手段对车辆轨迹进行微观仿真避免车辆轨迹误差过大造成的冲突等情况。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
图2为本申请实施例一提供的一种轨迹融合方法流程图,本申请实施例针对现有技术中感知设备在高速上的分布密度达不到全路段车辆感知的要求,感知设备之间的盲区会存在盲区,无法做到全覆盖,无法实现全路段对车辆的感知的问题,提供了一种轨迹融合方法。本实施例提供的轨迹融合方法的执行主体可以为轨迹融合装置。在实际应用中,该轨迹融合装置可以通过计算机程序实现,例如应用软件等,也可以通过存储有相关计算机程序的介质,例如,U盘、光盘、云端等实现,或者,还可以通过集成或安装有相关计算机程序的实体装置及虚拟装置实现,例如,芯片、板卡等。
此外,轨迹融合装置可以位于电子设备中。其中,电子设备可以为表示各种形式的数字计算机。诸如,云服务器、蜂窝电话、智能电话、膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。
如图2所示,本实施例提供的轨迹融合方法包括以下步骤:
步骤S101、获取感知设备识别到的至少一个车辆的当前车辆运动轨迹。
其中,当前车辆运动轨迹为感知设备根据当前采集到的感知信息确定的车辆行驶轨迹。
具体地,感知设备采集车辆的感知信息,并根据车辆的感知信息合成为车辆对应的车辆运动轨迹,将车辆运动轨迹发送至轨迹融合装置,以使轨迹融合装置获取感知设备识别到的至少一个车辆的当前车辆运动轨迹。其中,车辆的感知信息为通过感知设备采集到的车辆的图像信息、位置信息、车道信息、速度信息等。
图3为本申请实施例提供的感知设备结构示意图,感知设备为可以采集车辆感知信息的设备,如图3中所示,感知设备中包括至少一个感知装置及处理装置。感知装置用于采集一定路段内车辆的感知信息,处理装置用于根据车辆的感知信息合成车辆对应的车辆运动轨迹。感知装置采集到感知信息后,将感知信息发送至处理装置使处理装置根据车辆的感知信息合成车辆运动轨迹。其中,感知装置可以包括毫米波雷达、激光雷达、视频感知设备等设备中的至少一种,处理装置可以为终端盒子,视频感知设备可以为高清摄像头。
步骤S102、若监测到车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件。
应理解的是,感知设备仅可采集其采集范围内的路段上的车辆的感知信息,若相邻的感知设备的采集范围未重合或衔接,则感知设备之间存在盲区。轨迹融合装置可预先获取各感知设备的采集范围。
具体地,可以通过车辆的当前车辆运动轨迹判断车辆是否行驶到感知设备之间的盲区,若车辆行驶到感知设备之间的盲区,则可以根据感知设备之间的盲区确定满足车辆轨迹预测条件或车辆轨迹仿真条件。
本申请实施例不限定判断车辆是否行驶到感知设备之间的盲区的方式。
示例性的,判断车辆是否行驶到感知设备之间的盲区的一种可选地实施方式为:判断车辆是否到达感知设备的感知范围边缘位置;若车辆到达感知设备的感知范围边缘位置,则判断此时车辆所处位置是否在相邻感知设备的感知范围内;若此时车辆所处位置不在相邻感知设备的感知范围内,则可以确定车辆行驶到感知设备之间的盲区。
判断车辆是否行驶到感知设备之间的盲区的另一种可选地实施方式为:预先根据各感知设备的采集范围确定感知设备之间的盲区,确定当前车辆位置与盲区的距离,通过当前车辆位置与盲区的距离判断车辆是否将进入到感知设备之间的盲区。
本申请实施例中,车辆行驶到的盲区范围大小若在车辆轨迹预测能力内,则满足车辆轨迹预测条件,执行步骤S103对车辆轨迹进行预测;车辆行驶到的盲区范围大小若超出车辆轨迹预测能力,则满足车辆轨迹仿真条件,执行步骤S104对车辆轨迹进行微观仿真。
本申请实施例不限制确定满足车辆轨迹预测条件或车辆轨迹仿真条件的方式。示例性地,可以预先设置车辆轨迹预测能力对应的盲区范围,若车辆行驶到的盲区范围在预先设置的盲区范围内,则确定满足车辆轨迹预测条件;若车辆行驶到的盲区范围大小不在预先设置的盲区范围大小内,则确定满足车辆轨迹仿真条件。还可以设置第一预设盲区范围阈值,通过确定车辆行驶到的盲区范围是否大于第一预设盲区范围阈值,确定满足车辆轨迹预测条件还是满足车辆轨迹仿真条件。
步骤S103、在满足车辆轨迹预测条件时,对车辆轨迹进行预测,并将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹。
其中,当前车辆预测轨迹为根据当前车辆运动轨迹对车辆轨迹进行预测到的车辆轨迹,当前第一融合轨迹为将当前车辆运动轨迹与当前车辆预测轨迹融合后获取的车辆轨迹。
本申请实施例中,在满足车辆轨迹预测条件时,结合历史车辆轨迹,利用车辆最近的车辆轨迹,预测未来一定时间段内的车辆预测轨迹。示例性地,可以采用历史车辆轨迹为训练样本训练车辆轨迹预测模型,根据已训练的车辆轨迹预测模型预测车辆未来一段时间内的车辆轨迹。可以采用任意一种适合的神经网络模型作为车辆轨迹预测模型。
本实施例中,步骤S103中将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合的方法,以及步骤S104中将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合的方法与将通过不同感知设备获得的车辆运动轨迹进行融合的方法类似,均为确定同一辆车在时序上衔接或重合的两条车辆轨迹,将两条车辆轨进行融合,具体方法在此不再一一赘述。
步骤S104、在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真,并将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹。
其中,当前车辆仿真轨迹为对车辆轨迹进行微观仿真得到的车辆轨迹,第一融合轨迹为将当前车辆运动轨迹与当前车辆仿真轨迹融合后获取的车辆轨迹。
本申请实施例中,在满足车辆轨迹仿真条件时,可以结合路网信息,设置车辆的当前位置、当前速度及车辆类型等信息,利用路径规划和轨迹生成的手段得到车辆仿真轨迹。示例性地,可以采用微观仿真模型对车辆轨迹进行微观仿真。微观仿真模型以每辆车作为研究对象,对每辆车的行驶行为进行模拟以获取当前车辆仿真轨迹。
图4为本申请实施例提供的轨迹融合方法示意图,轨迹融合装置可以包括融合模块,预测模块,仿真模块。轨迹融合装置可以获取感知设备识别到的至少一个车辆的车辆运动轨迹;预测模块可以预加载车辆轨迹预测模型,采用车辆轨迹预测模型对车辆轨迹进行实时预测,形成车辆预测轨迹;仿真模块可以预加载高精路网,在获取车辆运动轨迹后,可以新增车辆运动轨迹对应车辆,对该车辆进行发车处理,并实时更新高精路网中车辆仿真轨迹;融合模块可以预加载高精路网,获取车辆运动轨迹、车辆预测轨迹以及车辆仿真轨迹,并将同一车辆的车辆运动轨迹与车辆预测轨迹在高精路网上进行融合,或者将车辆运动轨迹与车辆仿真轨迹进行融合,形成该车辆的完整车辆轨迹。
本实施例提供的轨迹融合方法,获取感知设备识别到的至少一个车辆的当前车辆运动轨迹;若监测到车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件;在满足车辆轨迹预测条件时,对车辆轨迹进行预测,并将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹;在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真,并将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹。通过对车辆轨迹进行预测或对车辆轨迹进行微观仿真,可以形成融合轨迹,采用融合轨迹补全车辆行驶至盲区位置时的车辆轨迹,形成完整车辆轨迹;并且通过确定满足车辆轨迹预测条件或车辆轨迹仿真条件,可以选择适合的补全车辆轨迹的方式,可以提高对补全的车辆轨迹的准确性。
可选地,在上述实施例的基础上,步骤S102若监测到车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件的一种可选的实施方式包括以下步骤:
步骤S1021、若监测到车辆行驶到感知设备之间的盲区,则确定盲区范围。
本申请实施例中,可以预先确定所有盲区两端的具体位置,如盲区两端对应的桩号,将盲区两端的具体位置确定该盲区的盲区范围;并将盲区两端的具体位置及盲区范围关联存储在任一数据库中。
具体地,在监测到车辆行驶到感知设备之间的盲区后,可以通过车辆的当前位置从上述数据库中获取车辆行驶到的盲区的盲区范围。
步骤S1022、若确定盲区范围小于或等于第一预设盲区范围阈值,则确定满足车辆轨迹预测条件。
步骤S1023、若确定盲区范围大于第一预设盲区范围阈值,则确定满足车辆轨迹仿真条件。
本申请实施中,可以根据车辆轨迹预测能力预先设置第一预设盲区范围阈值,示例性地,若预测的车辆轨迹超出100m,预测的100m外的车辆轨迹的准确度将大幅下降,则可以将第一预设盲区范围阈值设置为100m。
示例性地,第一预设盲区范围阈值为100m,若监测到车辆行驶到感知设备之间的盲区小于或等于100m,则确定满足车辆轨迹预测条件,对车辆轨迹进行预测;若监测到车辆行驶到感知设备之间的盲区大于100m,则确定满足车辆轨迹仿真条件,对车辆轨迹进行微观仿真。
本实施例提供的轨迹融合方法,通过确定盲区范围是否大于第一预设盲区范围阈值,可以快速确定满足车辆轨迹预测条件或车辆轨迹仿真条件,可以选择适合的补全车辆轨迹的方式,可以提高对补全的车辆轨迹的准确性。
可选地,本申请实施例中,轨迹融合装置可以在云端服务器中,在轨迹融合装置获得当前第一融合轨迹或获得当前第二融合轨迹后,还可以将第一融合轨迹或获得当前第二融合轨迹发送至数字平行世界。如数字大屏,以使当前第一融合轨迹或当前第二融合轨迹在数字平行世界中显示。
图5为将车辆轨迹发送至数字大屏的示意图,如图5所示,所有的感知设备可以将至少一个车辆的当前车辆运动轨迹发送至云端服务器中的消息队列,云端服务器按先进先出的原则对该消息队列中的车辆运动轨迹进行全量轨迹融合或进行预测、微观仿真等处理,形成所有当前车辆运动轨迹对应车辆的完整车辆轨迹,车辆的完整车辆轨迹中包括第一融合轨迹或获得当前第二融合轨迹,并将所有当前车辆运动轨迹对应车辆的完整车辆轨迹发送至数字大屏,使车辆的完整车辆轨迹在数字大屏中显示。
图6为车辆轨迹在数字大屏中显示的示意图,如图6所示,可以根据所有当前车辆运动轨迹实时显示所有车辆在路网中的全景示意图,并可以在右上角显示某一感知设备采集到的视频。全景示意图中显示的所有车辆在路网中的数据与感知设备采集到的视频是同步的。
可选地,本申请实施例中,电子设备可以为边缘设备,轨迹融合装置可以在边缘设备中,边缘设备可以为分布于高速路段的服务器。在获得当前第一融合轨迹或获得当前第二融合轨迹后,还可以将第一融合轨迹或获得当前第二融合轨迹发送至车载终端,已使第一融合轨迹或获得当前第二融合轨迹在车载终端中显示。
图7为将车辆轨迹发送至车载终端的示意图,如图7所示,可以通过车辆到一切通信V2X(全称为Vehicle to Everything)链路下发至车载终端,其中,路侧单元RSU(全称为:Road Side Unit)为V2X链路中的路侧单元,车载单元OBU(全称为:On board Unit)为V2X链路中的车载单元。具体地,边缘设备可以获取其对应感知设备,如该边缘设备到下一边缘设备之间的感知设备识别到的至少一个车辆的当前车辆运动轨迹,按先进先出的原则对服务器中消息队列中的车辆运动轨迹进行区域轨迹融合或进行预测、微观仿真等处理,形成在边缘设备对应路段行驶的车辆的完整车辆轨迹,车辆的完整车辆轨迹中包括第一融合轨迹或获得当前第二融合轨迹,并将车辆的完整车辆轨迹发送至在对应路段行驶的车辆的车载终端,使车辆的完整车辆轨迹在车载终端中显示。其中,发送至在对应路段行驶的车辆的车载终端的完整车辆轨迹为该车辆预设范围内车辆的完整车辆轨迹,预设范围可以为500米、1公里等。
图8为完整车辆轨迹在车载终端中显示的示意图,如图8所示,可以预设范围内车辆的完整车辆轨迹在车载终端中实时显示周围预设范围内的车辆,可以使驾驶员获取其视线盲区外的车辆的行驶状态。可以理解的是,在图8中所示的车载终端所在车辆的周围无其他车辆,因此在该车载终端中仅显示本车辆。
可选地,还可以根据全路径车辆轨迹产出精细化的断面流速密等态势数据,并且为客户针对高速公路车辆违章违法提供举证依据。其中,全路径车辆轨迹为全部路段上所有车辆的完整车辆轨迹。
具体地,可以通过实时车辆轨迹实时获取路段内车辆的位置和速度,进一步计算断面或者路段的流量、速度和密度信息,并可以获取违章违法车辆的车牌挂载结果。其中,车牌挂载结果可以在车辆行驶过门架或卡口时由设置在门架或卡口的车牌识别系统获取,并通过车辆轨迹确定对应的车辆。
实施例二
在上述实施例的基础上,本申请实施例涉及的是步骤S103在满足车辆轨迹预测条件时,对车辆轨迹进行预测,并将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹的一种实现方式的细化,具体包括以下步骤:
步骤S201、在满足车辆轨迹预测条件时,获取当前车辆运动轨迹及车辆行驶特征信息。
步骤S202、根据当前车辆运动轨迹、车辆行驶特征信息及已训练的车辆轨迹预测模型对车辆轨迹进行预测。
其中,车辆行驶特征信息可以包括从当前车辆运动轨迹中提取的第一车辆行驶特征信息,第一车辆行驶特征信息可以包括被预测车辆的车辆位置、车辆类型、车辆速度、所在车道信息等。被预测车辆为当前车辆运动轨迹对应车辆。车辆类型可以分为:小客车、货车、大巴车等,本申请实施例对此不做限定。
具体地,从当前车辆运动轨迹中提取车辆行驶特征信息,将车辆行驶特征信息作为已训练的车辆轨迹预测模型的输入,获得输出的当前车辆预测轨迹。
本申请实施例不限制对车辆轨迹进行预测的方式。示例性地,可以基于已训练的车辆轨迹预测模型不断预测车辆的位置更新车辆轨迹,直到获取到下一感知设备识别该车辆的车辆运动轨迹,采用车辆运动轨迹更新车辆轨迹。还可以预测预设时间内的当前车辆预测轨迹,取一部分当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,例如预测5秒内的当前车辆预测轨迹,在第4秒时可以获取到下一感知设备识别该车辆的车辆运动轨迹,则取5秒内的当前车辆预测轨迹中的前3秒与对应车辆的当前车辆运动轨迹进行融合。
本申请实施例中,车辆轨迹预测模型可以为循环神经网络LSTM或者图卷积神经网络GCN。若车辆轨迹预测模型为图卷积神经网络GCN,则车辆轨迹预测模型的输入还包括路网图。路网图是由车道、路段、路口及其上下游关系构成的路网拓扑结构。所以在图4中还可以预加载高精路网。
应理解的是,在根据当前车辆运动轨迹、车辆行驶特征信息及已训练的车辆轨迹预测模型对车辆轨迹进行预测之前,需要以车辆运动轨迹为训练样本训练车辆轨迹预测模型。对车辆轨迹预测模型进行训练的方式与根据已训练的车辆轨迹预测模型对车辆轨迹进行预测的方式对应,本申请实施例对此不做具体限定。
本申请实施例提供的轨迹融合方法,在满足车辆轨迹预测条件时,获取当前车辆运动轨迹及车辆行驶特征信息;根据当前车辆运动轨迹、车辆行驶特征信息及已训练的车辆轨迹预测模型对车辆轨迹进行预测,可以获取当前车辆预测轨迹,进一步地可以获取当前第一融合轨迹,由于在满足车辆轨迹预测条件时对当前车辆轨迹的预测较为精准,因此可以以提高车辆行驶在盲区位置时补全的车辆轨迹的准确率。
可选地,根据当前车辆运动轨迹、车辆行驶特征信息及已训练的车辆轨迹预测模型对车辆轨迹进行预测的一种可选实施方式可以包括以下步骤:
步骤S2021、获取当前车辆运动轨迹对应车辆最近预设帧数的第一车辆行驶特征信息。
其中,第一车辆行驶特征信息为当前车辆运动轨迹对应车辆的车辆类型、位置、速度、方向角、所在车道信息等特征信息。
步骤S2022、获取周围车辆最近预设帧数的第二车辆行驶特征信息。
本申请实施例中,车辆行驶特征信息还可以包括从被预测车辆周围车辆的车辆运动轨迹中提取的周围车辆的第二车辆行驶特征信息。其中,第二车辆行驶特征信息可以为周围车辆的车辆类型、周围车辆与被预测车辆的速度差、距离差、加速度差等。周围车辆与被预测车辆的速度差、距离差为矢量。
步骤S2023、将最近预设帧数的第一车辆行驶特征信息和第二车辆行驶特征信息输入到已训练的车辆轨迹预测模型中。
步骤S2024、通过已训练的车辆轨迹预测模型对车辆轨迹进行预测,并输出当前车辆预测轨迹。
其中,输出的当前车辆预测轨迹可以为预设时间内的车辆预测轨迹图。预设时间可以根据车辆轨迹预测能力设置,可以为3秒、5秒、8秒等,本申请实施例对此不做具体限定。
图9为一种对车辆轨迹进行预测的示意图,预设帧数为10帧,预设时间为5秒,车辆轨迹预测模型为LSTM模型,图9中X1、X2、X3、…、X10分别为最近10帧的第一车辆行驶特征信息和第二车辆行驶特征信息,省略号表示X4到X9,Y为5秒当前车辆预测轨迹,可以向已训练的LSTM模型中输入10帧的第一车辆行驶特征信息和第二车辆行驶特征信息,并获取未来5秒的当前车辆预测轨迹。
可选地,在实施例三的基础上,在步骤S202根据当前车辆运动轨迹、车辆行驶特征信息及已训练的车辆轨迹预测模型对车辆轨迹进行预测之前,以车辆运动轨迹为训练样本训练车辆轨迹预测模型的方式可以为:(1)获取多组车辆轨迹训练数据;车辆轨迹训练数据包括预设帧数的第一车辆行驶特征信息及标注有未来预设时间的车辆真实轨迹。(2)根据多组车辆轨迹训练数据对车辆轨迹预测模型进行迭代训练。具体包括:将训练样本输入车辆轨迹预测模型,根据输出的预测结果与车辆真实轨迹调整车辆轨迹预测模型中的参数,直到误差小于一定值时完成对车辆轨迹预测模型的训练。
本申请实施例提供的轨迹融合方法,获取当前车辆运动轨迹对应车辆最近预设帧数的第一车辆行驶特征信息;获取周围车辆最近预设帧数的第二车辆行驶特征信息;将最近预设帧数的第一车辆行驶特征信息和第二车辆行驶特征信息输入到已训练的车辆轨迹预测模型中;通过已训练的车辆轨迹预测模型对车辆轨迹进行预测,并输出当前车辆预测轨迹,可以实现对车辆轨迹的预测,在满足车辆轨迹预测条件时可以通过已训练的车辆轨迹预测模型获取当前车辆预测轨迹,并采用当前车辆预测轨迹形成完整车辆轨迹。
实施例三
在上述实施例的基础上,本申请实施例涉及的是步骤S104、在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真,并将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹的一种实现方式的细化,具体包括以下步骤:
步骤S301、在满足车辆轨迹仿真条件时,获取当前车辆运动轨迹、对应车辆当前速度及对应车辆类型。
本申请实施中,可以从感知设备获取当前车辆运动轨迹、对应车辆当前速度及对应车辆类型。
具体地,可以获取感知设备中摄像头采集到的车辆的图像数据,通过车辆的图像数据确定对应车辆类型;可以通过感知设备中的毫米波雷达、激光雷达等,获取对应车辆当前速度。此外,还可以根据车辆的车辆运动轨迹计算车辆当前速度。
步骤S302、根据当前车辆运动轨迹确定对应车辆的当前位置。
本申请实施例中,车辆运动轨迹包括车辆的位置信息,可以通过当前车辆运动轨迹确定对应车辆的当前位置。
步骤S303、将对应车辆的当前位置、当前速度及车辆类型输入到微观仿真模型中。
步骤S304、通过微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹。
其中,微观仿真模型又称微观交通仿真模型。微观仿真模型可以通过获取的进入路网车辆的车辆类型、当前位置、当前速度等信息,处理车辆在路网上的运行情况,准确地反映出车辆间的相互作用,如跟驰、车道变换时的相互作用,以及驾驶员的行为。
具体地,预先通过路网描述模型对路网拓扑关系及道路集合条件进行描述,将对应车辆的当前位置、当前速度及车辆类型输入到微观仿真模型中后进行微观仿真发车处理,采用微观仿真模型中跟驰模型、换道模型、交叉口通行模型、停车模型等模型中的至少一种对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹。
本申请实施例提供的轨迹融合方法,在满足车辆轨迹仿真条件时,获取当前车辆运动轨迹、对应车辆当前速度及对应车辆类型;根据当前车辆运动轨迹确定对应车辆的当前位置;将对应车辆的当前位置、当前速度及车辆类型输入到微观仿真模型中;通过微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹。可以在通过对车辆轨迹的预测,无法获得准确度高的当前车辆预测轨迹时,通过微观仿真模型对车辆轨迹进行微观仿真获取当前车辆仿真轨迹,进一步地可以获取当前第二融合轨迹,以补全车辆行驶至盲区位置时的车辆轨迹,形成完整车辆轨迹,避免形成的完整车辆轨迹之间产生碰撞、重叠等不合理现象。
实施例四
图10为本申请实施例四提供的一种轨迹融合方法流程图,在上述实施例的基础上,本申请实施例涉及的是步骤S404通过微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹的一种实现方式的细化,本申请实施例中微观仿真模型可以包括:跟驰模型、换道模型、交叉口通行模型,如图10所示,具体包括以下步骤:
步骤S401、采用跟驰模型根据对应车辆的当前位置、当前速度及车辆类型,对车辆轨迹进行跟驰仿真,以获得当前车辆跟驰轨迹。
具体地,采用跟驰模型进行跟车,车辆速度依赖于当前路段限速值及平均速度。
本申请实施例中,首先采用跟驰模型对车辆轨迹进行跟驰仿真,并判断对应车辆是否满足换道条件,若满足换道条件则执行步骤S402采用换道模型对车辆轨迹进行换道仿真;在遇到交叉口时,判断是否满足交叉口通行条件,若满足交叉口通行条件则执行步骤S403采用交叉口通行模型进行交叉口通行仿真。
步骤S402、若根据预先计算的换道概率确定对应车辆满足换道条件,则采用换道模型继续沿着当前车辆跟驰轨迹对车辆轨迹进行换道仿真,以获得当前换道仿真轨迹。
换道模型可以仿真模拟车辆车道变换行为的整个过程,包括车道的变换模型描述的内容为车辆车道变换行为的整个过程,包括车辆车道变换意图的产生、车道变换的可行性分析以及车道变换行为的实施。
本申请实施例中,根据预先计算的换道概率确定对应车辆是否满足换道条件的方式为:利用随机数判断车辆是否产生车辆车道变换意图,若车辆产生车辆车道变换意图则满足换道条件,随机数由预先计算的换道概率确定。示例性地,预先计算的换道概率为5%,随机生成一个0或1的数字,生成1的概率为5%,若生成的数字为1,则车辆产生车辆车道变换意图。
确定对应车辆是否满足换道条件的方式还可以包括:判断车辆是否能进入相邻车道,换道行为必须确保相邻车道有足够的行驶空间作保证,若由于换道车辆的插入,使相邻车道中后随车辆在最小反应时间内,不能保证与插入车辆保持一般的跟驰状态,即车头间距小于紧急跟驰间距,则不满足换道条件。
本申请实施例中,若确定对应车辆满足换道条件,则采用换道模型执行换道,沿着当前车辆跟驰轨迹对车辆轨迹进行换道仿真,以获得当前换道仿真轨迹。本申请实施例中不限制采用换道模型执行换道的方式,示例性地,可以利用随机数选择换道方向,再按选择换道方向的对车辆轨迹进行换道仿真。
步骤S403、若根据预先计算的交叉口通行概率确定对应车辆满足交叉口通行条件,则采用交叉口通行模型继续沿着当前换道仿真轨迹对车辆轨迹进行交叉口通行仿真,以获得并输出当前车辆仿真轨迹。
本申请实施例中,根据预先计算的交叉口通行概率确定对应车辆是否满足交叉口通行条件的方式为:判断是否遇到交叉口(也即匝道)时,若遇到交叉口则利用随机数判断车辆是否产生进入匝道进行合流或分流的意图,该随机数由预先计算的交叉口通行概率确定,若车辆产生进入匝道意图则满足交叉口通行条件。示例性地,预先计算的交叉口通行概率为20%,随机生成一个0或1的数字,生成1的概率为20%,若生成的数字为1,则车辆产生进入匝道意图。
应理解的是,本申请实施例不限制采用交叉口通行模型继续沿着当前换道仿真轨迹对车辆轨迹进行交叉口通行仿真的方式,示例性地,可以根基匝道类型为入口匝道还是出口匝道,以及车辆与匝道的距离对车辆轨迹进行交叉口通行仿真。在对车辆轨迹进行交叉口通行仿真时可以逐帧进行路径规划和轨迹生成,并不断获取车辆当前位置,若获取下一感知设备发送的该车辆的车辆运动轨迹,则与该车辆运动轨迹融合并采用该车辆运动轨迹更新车辆轨迹。
本申请实施例提供的轨迹融合方法,采用跟驰模型根据对应车辆的当前位置、当前速度及车辆类型,对车辆轨迹进行跟驰仿真,以获得当前车辆跟驰轨迹;若根据预先计算的换道概率确定对应车辆满足换道条件,则采用换道模型继续沿着当前车辆跟驰轨迹对车辆轨迹进行换道仿真,以获得当前换道仿真轨迹;若根据预先计算的交叉口通行概率确定对应车辆满足交叉口通行条件,则采用交叉口通行模型继续沿着当前换道仿真轨迹对车辆轨迹进行交叉口通行仿真,以获得并输出当前车辆仿真轨迹。由于根据预先计算的交叉口通行概率确定对应车辆满足交叉口通行条件,根据预先计算的换道概率确定对应车辆满足换道条件,可以更准确地控制被仿真车辆模拟换道或进入匝道的比例,更准确仿真模拟盲区的交通流,一定程度上提高了对车辆轨迹进行微观仿真的准确性。
可选地,本申请实施例中,在步骤S304通过微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹之前,可以通过分析感知设备感知区域内车辆的车辆运动轨迹对微观仿真模型中的模型参数进行标定,可以使微观仿真模型中的模型参数更为合理,提高通过微观仿真模型得到的车辆仿真轨迹的准确性。
示例性地,在上述实施例四的基础上,在步骤S304通过微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹之前,还需要确定换道概率及交叉口通行概率,在一种可选的实施方式中,确定换道概率及交叉口通行概率的方法包括以下步骤:
步骤S501、根据所有车辆的车辆运动轨迹计算感知设备感知区域内所有车辆的换道平均概率及交叉口通行平均概率。
步骤S502、将换道平均概率确定为预先计算的换道概率。
步骤S503、将交叉口通行平均概率确定为预先计算的交叉口通行概率。
其中,换道平均概率为感知设备感知区域内车辆进行换道的平均概率。交叉口通行平均概率为感知设备感知区域内遇到交叉口时,进入交叉口进行分流或合流的平均概率。
一种可选的计算换道平均概率的实现方式可以为:根据感知轨迹获取一个时间节点在感知设备感知区域内的所有车辆的数量,并确定此时感知设备感知区域内产生换道行为车辆的数量,将产生换道行为车辆的数量与所有车辆的数量的比值确定为该时间节点的换道概率;获取多个时间节点的换道概率,并计算多个时间节点的换道概率的平均值,将换道概率的平均值确定为换道平均概率。
一种可选的计算交叉口通行平均概率的实现方式可以为:根据感知轨迹获取一个时间段内遇到感知设备感知区域内的所有交叉口的车辆数量,并确定该时间段内进入感知设备感知区域内任意交叉口的车辆数量,将该时间段内遇到感知设备感知区域内的所有交叉口的车辆数量与进入感知设备感知区域内任意交叉口的车辆数量的比值确定为该时间段内的交叉口通行概率;获取多个时间段内的交叉口通行概率,并计算多个时间段内的交叉口通行概率的平均值,将交叉口通行概率的平均值确定为交叉口通行平均概率。
应理解的是,还可以采用其他方式确定计算感知设备感知区域内所有车辆的换道平均概率及交叉口通行平均概率,本申请实施例对此不做限定。
本申请实施例中,将换道平均概率确定为预先计算的换道概率;将交叉口通行平均概率确定为预先计算的交叉口通行概率,以在通过微观仿真模型对车辆轨迹进行微观仿真时,可以根据预先计算的换道概率确定对应车辆满足换道条件,根据预先计算的交叉口通行概率确定对应车辆满足交叉口通行条件,从而可以更准确地控制被仿真车辆模拟换道或进入匝道的比例,更准确仿真模拟盲区的交通流,一定程度上提高了对车辆轨迹进行微观仿真的准确性。
实施例五
在上述实施例的基础上,本申请实施例涉及的是步骤S103将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹之前,确定当前车辆预测轨迹对应车辆的当前车辆运动轨迹的方法,具体包括以下步骤:
步骤S601、获取当前车辆预测轨迹对应车辆的第一特征。
其中,第一特征包括:第一属性特征及第一行驶特征。第一属性特征可以包括当前车辆预测轨迹对应车辆的图像特征、车型、车身颜色、车身长度等。第一行驶特征可以包括当前车辆预测轨迹对应车辆的车辆位置、车道信息、速度信息等。
本申请实施例中,当前车辆预测轨迹对应车辆的第一行驶特征可以从当前车辆预测轨迹中提取,第一属性特征可以从对车辆轨迹进行预测之前获取的当前车辆运动轨迹中提取,当前车辆运动轨迹中可以包括车辆的图像信息。
步骤S602、获取至少一个车辆的当前车辆运动轨迹对应车辆的第二特征。
其中,当前车辆运动轨迹为生成当前车辆预测轨迹之前获取的车辆运动轨迹。
第二特征包括:第二属性特征及第二行驶特征。第二属性特征可以包括当前车辆运动轨迹对应车辆的图像特征、车型、车身颜色、车身长度等。第二行驶特征可以包括当前车辆运动轨迹对应车辆的车辆位置、车道信息、速度信息等。
其中,车辆的图像特征为通过深度学习模型提取出来的图像特征。
步骤S603、计算第一特征与各第二特征之间的车辆相似度。
本申请实施例不限制计算第一特征与各第二特征之间的车辆相似度的方法,示例性地,可以使用加权求和的方法计算第一特征与各第二特征之间的车辆相似度。可以计算各特征的相似度分值,例如车身颜色相似度分值、车辆位置相似度分值,并赋予各特征权重,通过将各特征权重及各特征的相似度分值得的加权求和,获得第一特征与各第二特征之间的车辆相似度。
步骤S604、根据各车辆相似度确定当前车辆预测轨迹对应车辆的当前车辆运动轨迹。
本申请实施例不限制根据各车辆相似度确定当前车辆预测轨迹对应车辆的当前车辆运动轨迹的方法。示例性地,可以设置相似度阈值,确定与第一特征的车辆相似度大于相似度阈值的第二特征,将该第二特征对应当前车辆运动轨迹确定为当前车辆预测轨迹对应车辆的当前车辆运动轨迹。若存在多个与第一特征的车辆相似度大于相似度阈值的第二特征,则可以确定其中车辆相似度最高的第二特征,将车辆相似度最高的第二特征对应当前车辆运动轨迹确定为当前车辆预测轨迹对应车辆的当前车辆运动轨迹。
本实施例提供的轨迹融合方法,通过计算第一特征与各第二特征之间的车辆相似度,可以确定当前车辆预测轨迹对应车辆的当前车辆运动轨迹,从而实现将当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合。
可以理解的是,步骤S104中将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合之前,确定当前车辆仿真轨迹对应车辆的当前车辆运动轨迹的方法与本申请实施例六提供的方式类似,在此不再一一赘述。
可选地,在上述实施例的基础上,在获得当前第一融合轨迹或获得当前第二融合轨迹之后,还可以将第一融合轨迹或第二融合轨迹与对应车辆的下一车辆运动轨迹进行融合,具体包括以下步骤:
步骤S701、若监测到车辆从盲区行驶到感知设备的感知区域,则获取车辆的下一车辆运动轨迹。
步骤S702、将第一融合轨迹或第二融合轨迹与对应车辆的下一车辆运动轨迹进行融合。
可以理解的是,确定第一融合轨迹或第二融合轨迹对应车辆的下一车辆运动轨迹的方式可以采用实施例五中确定当前车辆预测轨迹对应车辆的当前车辆运动轨迹的方式,在确定对应车辆的下一车辆运动轨迹后,将第一融合轨迹或第二融合轨迹与对应车辆的下一车辆运动轨迹进行融合。
其中,下一车辆运动轨迹可以为从其他任意感知设备获取的当前车辆运动轨迹。示例性地,在第一时刻获取感知设备1识别到的车辆运动轨迹,并根据其中一个车辆运动轨迹形成当前车辆预测轨迹;在第一时刻后的任意时刻获取感知设备2识别到至少一个车辆的下一车辆运动轨迹。其中,感知设备2为除感知设备1外其他任意感知设备。
将第一融合轨迹或第二融合轨迹与对应车辆的下一车辆运动轨迹进行融合的方式与步骤S103将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合的方式类似,本申请实施例在此不再一一赘述。
本申请实施例提供的轨迹融合方法,若监测到车辆从盲区行驶到感知设备的感知区域,则获取车辆的下一车辆运动轨迹,将第一融合轨迹或第二融合轨迹与对应车辆的下一车辆运动轨迹进行融合,从而实现从感知区域到盲区再到感知区域的车辆轨迹的融合,完成盲区位置的车辆轨迹补全,有效解决了感知设备没有全覆盖场景下的车辆轨迹中断问题,实现全路径轨迹融合。
实施例六
图11为本申请实施例六提供的轨迹融合装置的结构示意图,如图11所示,本实施例提供的轨迹融合装置80包括:获取模块801,确定模块802、预测模块803、融合模块804以及仿真模块805。
具体地,获取模块801,用于获取感知设备识别到的至少一个车辆的当前车辆运动轨迹;
确定模块802,若监测到车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件;
预测模块803,在满足车辆轨迹预测条件时,对车辆轨迹进行预测;
融合模块804,用于将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹;
仿真模块805,用于在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真;
融合模块804,还用于将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹。
本申请实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例,具体功能此处不再赘述。
可选地,确定模块802具体用于:若监测到车辆行驶到感知设备之间的盲区,则确定盲区范围;若确定盲区范围小于或等于第一预设盲区范围阈值,则确定满足车辆轨迹预测条件;若确定盲区范围大于第一预设盲区范围阈值,则确定满足车辆轨迹仿真条件。
可选地,预测模块803包括获取单元、预测单元。获取单元用于:在满足车辆轨迹预测条件时,获取当前车辆运动轨迹及车辆行驶特征信息。预测单元用于:根据当前车辆运动轨迹、车辆行驶特征信息及已训练的车辆轨迹预测模型对车辆轨迹进行预测。
可选地,预测单元具体用于:当前车辆运动轨迹对应车辆最近预设帧数的第一车辆行驶特征信息;获取周围车辆最近预设帧数的第二车辆行驶特征信息;将最近预设帧数的第一车辆行驶特征信息和第二车辆行驶特征信息输入到已训练的车辆轨迹预测模型中;通过已训练的车辆轨迹预测模型对车辆轨迹进行预测,并输出当前车辆预测轨迹。
可选地,仿真模块805包括数据准备单元、仿真单元。数据准备单元用于:在满足车辆轨迹仿真条件时,获取当前车辆运动轨迹、对应车辆当前速度及对应车辆类型;根据当前车辆运动轨迹确定对应车辆的当前位置;将对应车辆的当前位置、当前速度及车辆类型输入到微观仿真模型中。仿真单元用于:通过微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹。
可选地,微观仿真模型包括:跟驰模型、换道模型、交叉口通行模型,仿真单元具体用于:采用跟驰模型根据对应车辆的当前位置、当前速度及车辆类型,对车辆轨迹进行跟驰仿真,以获得当前车辆跟驰轨迹;若根据预先计算的换道概率确定对应车辆满足换道条件,则采用换道模型继续沿着当前车辆跟驰轨迹对车辆轨迹进行换道仿真,以获得当前换道仿真轨迹;若根据预先计算的交叉口通行概率确定对应车辆满足交叉口通行条件,则采用交叉口通行模型继续沿着当前换道仿真轨迹对车辆轨迹进行交叉口通行仿真,以获得并输出当前车辆仿真轨迹。
可选地,轨迹融合装置80还包括:概率确定单元。概率确定单元用于:获取感知设备感知区域内所有车辆的车辆运动轨迹;根据所有车辆的车辆运动轨迹计算感知设备感知区域内所有车辆的换道平均概率及交叉口通行平均概率;将换道平均概率确定为预先计算的换道概率;将交叉口通行平均概率确定为预先计算的交叉口通行概率。
可选地,确定模块802还用于:获取当前车辆预测轨迹对应车辆的第一特征,第一特征包括:第一属性特征及第一行驶特征;获取至少一个车辆的当前车辆运动轨迹对应车辆的第二特征,第二特征包括:第二属性特征及第二行驶特征;计算第一特征与各第二特征之间的车辆相似度;根据各车辆相似度确定当前车辆预测轨迹对应车辆的当前车辆运动轨迹。
可选地,融合模块804,还用于若监测到车辆从盲区行驶到感知设备的感知区域,则获取车辆的下一车辆运动轨迹;将第一融合轨迹或第二融合轨迹与对应车辆的下一车辆运动轨迹进行融合。
需要说明的是,本实施例提供的轨迹融合装置执行的技术方案和效果可以参见前述方法实施例的相关内容,在此不再赘述。
实施例七
图12为本申请实施例七提供的电子设备的结构示意图,如图12所示,本申请还提供了一种电子设备90,包括:存储器901、处理器902及收发器903。
其中,存储器901用于存放程序,收发器903用于收发数据。具体地,程序可以包括程序代码,程序代码包括计算机执行指令。存储器901可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器902,用于执行存储器901存放的程序。
其中,计算机程序存储在存储器901中,并被配置为由处理器902执行以实现本申请任意一个实施例提供的轨迹融合方法。相关说明可以对应参见附图中的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
其中,本申请实施例中,存储器901和处理器902通过总线连接。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(Peripheral Component Interconnect,简称为PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图12中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现本申请任意一个实施例提供的轨迹融合方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现本申请任意一个实施例提供轨迹融合方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程轨迹融合装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (13)
1.一种轨迹融合方法,其特征在于,包括:
获取感知设备识别到的至少一个车辆的当前车辆运动轨迹;
若监测到所述车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件;
在满足车辆轨迹预测条件时,对车辆轨迹进行预测,并将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹;
在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真,并将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹。
2.根据权利要求1所述的方法,其特征在于,所述若监测到所述车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件,包括:
若监测到所述车辆行驶到感知设备之间的盲区,则确定所述盲区范围;
若确定所述盲区范围小于或等于第一预设盲区范围阈值,则确定满足车辆轨迹预测条件;
若确定所述盲区范围大于第一预设盲区范围阈值,则确定满足车辆轨迹仿真条件。
3.根据权利要求1所述的方法,其特征在于,所述在满足车辆轨迹预测条件时,对车辆轨迹进行预测,包括:
在满足车辆轨迹预测条件时,获取当前车辆运动轨迹及车辆行驶特征信息;
根据当前车辆运动轨迹、车辆行驶特征信息及已训练的车辆轨迹预测模型对车辆轨迹进行预测。
4.根据权利要求3所述的方法,其特征在于,所述根据当前车辆运动轨迹、车辆行驶特征信息及已训练的车辆轨迹预测模型对车辆轨迹进行预测,包括:
获取当前车辆运动轨迹对应车辆最近预设帧数的第一车辆行驶特征信息;
获取周围车辆最近预设帧数的第二车辆行驶特征信息;
将最近预设帧数的第一车辆行驶特征信息和第二车辆行驶特征信息输入到已训练的车辆轨迹预测模型中;
通过所述已训练的车辆轨迹预测模型对车辆轨迹进行预测,并输出当前车辆预测轨迹。
5.根据权利要求1所述的方法,其特征在于,所述在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真,包括:
在满足车辆轨迹仿真条件时,获取当前车辆运动轨迹、对应车辆当前速度及对应车辆类型;
根据所述当前车辆运动轨迹确定对应车辆的当前位置;
将所述对应车辆的当前位置、当前速度及车辆类型输入到微观仿真模型中;
通过所述微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹。
6.根据权利要求5所述的方法,其特征在于,所述微观仿真模型包括:跟驰模型、换道模型、交叉口通行模型;
所述通过所述微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹,包括:
采用跟驰模型根据对应车辆的当前位置、当前速度及车辆类型,对车辆轨迹进行跟驰仿真,以获得当前车辆跟驰轨迹;
若根据预先计算的换道概率确定对应车辆满足换道条件,则采用换道模型继续沿着当前车辆跟驰轨迹对车辆轨迹进行换道仿真,以获得当前换道仿真轨迹;
若根据预先计算的交叉口通行概率确定对应车辆满足交叉口通行条件,则采用交叉口通行模型继续沿着当前换道仿真轨迹对车辆轨迹进行交叉口通行仿真,以获得并输出当前车辆仿真轨迹。
7.根据权利要求6所述的方法,其特征在于,所述通过所述微观仿真模型对车辆轨迹进行微观仿真,并输出当前车辆仿真轨迹之前,还包括:
获取感知设备感知区域内所有车辆的车辆运动轨迹;
根据所有车辆的车辆运动轨迹计算感知设备感知区域内所有车辆的换道平均概率及交叉口通行平均概率;
将所述换道平均概率确定为预先计算的换道概率;
将所述交叉口通行平均概率确定为预先计算的交叉口通行概率。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹之前,还包括:
获取当前车辆预测轨迹对应车辆的第一特征,所述第一特征包括:第一属性特征及第一行驶特征;
获取至少一个车辆的当前车辆运动轨迹对应车辆的第二特征,所述第二特征包括:第二属性特征及第二行驶特征;
计算第一特征与各第二特征之间的车辆相似度;
根据各所述车辆相似度确定当前车辆预测轨迹对应车辆的当前车辆运动轨迹。
9.根据权利要求1-7任一项所述的方法,其特征在于,还包括:
若监测到所述车辆从盲区行驶到感知设备的感知区域,则获取车辆的下一车辆运动轨迹;
将所述第一融合轨迹或第二融合轨迹与对应车辆的下一车辆运动轨迹进行融合。
10.一种轨迹融合装置,其特征在于,包括:
获取模块,用于获取感知设备识别到的至少一个车辆的当前车辆运动轨迹;
确定模块,若监测到所述车辆行驶到感知设备之间的盲区,则确定满足车辆轨迹预测条件或车辆轨迹仿真条件;
预测模块,在满足车辆轨迹预测条件时,对车辆轨迹进行预测;
融合模块,用于将获得的当前车辆预测轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第一融合轨迹;
仿真模块,用于在满足车辆轨迹仿真条件时,对车辆轨迹进行微观仿真;
所述融合模块,还用于将获得的当前车辆仿真轨迹与对应车辆的当前车辆运动轨迹进行融合,以获得当前第二融合轨迹。
11.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器及收发器;
所述存储器存储计算机执行指令;所述收发器用于收发数据;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-8中任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-8中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,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1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210583693.6A CN114969004A (zh) | 2022-05-25 | 2022-05-25 | 轨迹融合方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210583693.6A CN114969004A (zh) | 2022-05-25 | 2022-05-25 | 轨迹融合方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114969004A true CN114969004A (zh) | 2022-08-30 |
Family
ID=82954810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210583693.6A Pending CN114969004A (zh) | 2022-05-25 | 2022-05-25 | 轨迹融合方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969004A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115168810A (zh) * | 2022-09-08 | 2022-10-11 | 南京慧尔视智能科技有限公司 | 一种交通数据的生成方法、装置、电子设备和存储介质 |
-
2022
- 2022-05-25 CN CN202210583693.6A patent/CN114969004A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115168810A (zh) * | 2022-09-08 | 2022-10-11 | 南京慧尔视智能科技有限公司 | 一种交通数据的生成方法、装置、电子设备和存储介质 |
CN115168810B (zh) * | 2022-09-08 | 2022-11-29 | 南京慧尔视智能科技有限公司 | 一种交通数据的生成方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
Essa et al. | Simulated traffic conflicts: do they accurately represent field-measured conflicts? | |
Chen et al. | Assessing right-turning vehicle-pedestrian conflicts at intersections using an integrated microscopic simulation model | |
CN110531740B (zh) | 一种智能车智能化程度量化测评方法 | |
Gazis et al. | Nonlinear follow-the-leader models of traffic flow | |
CN112307566A (zh) | 车辆仿真测试方法、装置、设备及存储介质 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
JP2016513805A (ja) | 車両ルート指定および交通管理のための車線レベル車両ナビゲーション | |
CN109697875A (zh) | 规划行驶轨迹的方法及装置 | |
CN115221722B (zh) | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 | |
CN113779705A (zh) | 一种自动驾驶汽车智能等级评定方法及系统 | |
CN112249009A (zh) | 车速控制方法、装置、系统及电子设备 | |
Ghanim et al. | Safety and operational performance of signalized roundabouts: a case study in doha | |
Dao et al. | A strategy for optimisation of cooperative platoon formation | |
CN115455718A (zh) | 面向自动驾驶系统仿真测试的关键场景生成方法及系统 | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
Amini et al. | Development of a conflict risk evaluation model to assess pedestrian safety in interaction with vehicles | |
CN114969004A (zh) | 轨迹融合方法、装置、设备、介质及产品 | |
WO2020164089A1 (en) | Trajectory prediction using deep learning multiple predictor fusion and bayesian optimization | |
Choudhury et al. | Lane selection model for urban intersections | |
Wu et al. | Enhancing intersection safety in autonomous traffic: a grid-based approach with risk quantification | |
CN115112138A (zh) | 轨迹规划信息生成方法、装置、电子设备以及存储介质 | |
CN113963550A (zh) | 一种多义路径识别方法、装置及电子设备 | |
Jazayeri | Predicting Vehicle Trajectories at Intersections Using Advanced Machine Learning Techniques | |
Kadhim et al. | Assessment lane changing behavior in local rural roads |
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 |