CN115027500B - 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 - Google Patents
用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN115027500B CN115027500B CN202210778938.0A CN202210778938A CN115027500B CN 115027500 B CN115027500 B CN 115027500B CN 202210778938 A CN202210778938 A CN 202210778938A CN 115027500 B CN115027500 B CN 115027500B
- Authority
- CN
- China
- Prior art keywords
- decision
- information
- planning
- unmanned vehicle
- finite state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 28
- 230000008447 perception Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012502 risk assessment Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质，其中所述方法包括评估所述无人驾驶车辆在当前场景中是否存在潜在风险；在不存在潜在风险的情况下，使用机器学习系统决策规划；在存在潜在风险的情况下，使用有限状态机系统决策规划；在使用有限状态机系统决策规划时，根据V2X信息进行决策规划。通过本申请为无人驾驶车辆提供一种可行的混合决策规划方法，保证安全性的同时提高驾驶乘坐体验。本申请可用于Robotaxi、Robobus。
Description
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质。
背景技术
驾驶者在驾驶时，不光对于看到的事物进行分析，如道路信息、交通参与者、交通规则等；同时也在评估未知的风险，比如眼睛会刻意的留意障碍物边界，并作出适当推理，或者假定障碍物遮挡部分或者眼睛看不到的地方穿出行人或者车辆，推理能否安全停车而不导致出现碰撞。
自动驾驶汽车也面临这种情况，车身周围不管是部署超声波雷达、激光雷达、毫米波雷达、相机等，总会出现被障碍物本身遮挡的区域，可以称之为障碍物感知遮挡盲区或障碍物遮挡区域；或其他可能会出现的需要紧急停车的场景。
无人驾驶车辆的决策规划方法，需要覆盖上述场景，并兼顾通行能力、效率，保证安全性。
发明内容
本申请实施例提供了用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质，以实现对可能存在的潜在风险进行预估，同时提升安全性、通行效率以及舒适性。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种用于无人驾驶车辆的决策规划方法，其中，所述方法包括：评估所述无人驾驶车辆在当前场景中是否存在潜在风险；在不存在潜在风险的情况下，使用机器学习系统处理并决策；在存在潜在风险的情况下，使用有限状态机系统处理并决策；在使用有限状态机系统处理并决策时，根据V2X信息进行决策。
第二方面，本申请实施例还提供一种用于无人驾驶车辆的决策规划装置，其中，所述装置包括：风险评估模块，用于评估所述无人驾驶车辆在当前场景中是否存在潜在风险；第一决策模块，用于在不存在潜在风险的情况下，使用机器学习系统处理并决策；第二决策模块，用于在存在潜在风险的情况下，使用有限状态机系统处理并决策，以及用于在使用有限状态机系统处理并决策时，根据V2X信息进行决策。
第三方面，本申请实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
在顶层首先评估所述无人驾驶车辆在当前场景中是否存在潜在风险，在不存在潜在风险的情况下，使用机器学习系统决策规划；在存在潜在风险的情况下，使用有限状态机系统决策规划。此外，在使用有限状态机系统处理并决策时，根据V2X信息进行决策规划。通过本申请为无人驾驶车辆提供一种可行的决策规划方法，使用有限状态机保证安全性，使用机器学习提高驾驶乘坐体验。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中用于无人驾驶车辆的决策规划方法流程示意图；
图2为本申请实施例中用于无人驾驶车辆的决策规划方法实现流程示意图；
图3为本申请实施例中用于无人驾驶车辆的决策规划方法中的一种场景情况示意图；
图4为本申请实施例中用于无人驾驶车辆的决策规划方法中的另一种场景情况示意图；
图5为本申请实施例中用于无人驾驶车辆的决策规划方法中的又一种场景情况示意图；
图6为本申请实施例中用于无人驾驶车辆的决策规划装置结构示意图；
图7为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
发明人研究时发现，在相关技术中的一些方案中，a.首先通过传感器获取障碍物及遮挡区域(即盲区)，假设盲区穿出移动物体的情况下，规划无人驾驶车辆的行进路径和速度V1；b.所述传感器为摄像头、激光雷达、超声波雷达和毫米波雷达中的任意一者。c.移动物体从盲区中穿出的特定速度V2、超速代价、减速代价、加速代价、障碍物代价和加速度变化率代价。
在相关技术中的另一些方案中，提前根据传感器的性能(不同探测距离区间下的置信区间)进行预定义决策动作，如：较近区间1设置的行驶决策包括刹车和保持跟车，为中距离区间2设置的行驶决策包括跟车、变道和减速，为较远区间3设置的行驶决策包括加速、跟车、变道和减速，为最远区间4设置的行驶决策包括加速。
上述相关技术中的方法可以归类为基于有限状态机(finite state machine，简称FSM)，或类似于基于规则的系统和方法的搜索算法。
而相关技术中的再一些方案中：由于驾驶环境或移动机器人所处的环境的动态和复杂性质，很难规划出所有可能的情况并针对每种可能的情况来制定规则或有限状态机FSM。这还需要大量的有限状态机FSM，而这些有限状态机FSM可能难以开发、测试和验证。在此基础上提出用机器学习的方法，设置一个或多个神经网络，用于驱动自动驾驶的规划轨迹决策行为。
发明人认为，在相关技术中的解决方案中在通行效率、舒适性和安全性上不能兼顾。可以通过采取在有限状态机中增加保守的决策规则，来提高安全性；通过采用机器学习的方法来提高自动驾驶的通行效率和舒适性。本申请中提供了有限状态机和机器学习的混合决策方法。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种用于无人驾驶车辆的决策规划方法，如图1所示，提供了本申请实施例中用于无人驾驶车辆的决策规划方法流程示意图，所述方法至少包括如下的步骤S110至步骤S140：
步骤S110，评估所述无人驾驶车辆在当前场景中是否存在潜在风险。
在无人驾驶车辆的决策模块的最顶层先要评估所述无人驾驶车辆在当前场景中是否存在潜在风险。也就是说，既不假设存在风险，也不用根据传感器的结果进行风险应对。
需要注意的是，无人驾驶车辆包括但不限于，Robotaxi、Robobus，能够提高安全性和乘坐舒适性。
评估潜在风险，对于感知系统的性能限制比如感知距离、甚至是未知的潜在风险，进行决策规划，提高安全性、舒适性。
步骤S120，在不存在潜在风险的情况下，使用机器学习系统决策规划。
在不存在潜在风险的情况下，采用机器学习方法，避免了有限状态机方法中环境复杂时需要穷举的规则很多、不得不牺牲一部分性能以简化规则等缺点。对于无风险的场景，直接提升了决策的效率、提高了舒适性。
步骤S130，在存在潜在风险的情况下，使用有限状态机系统决策规划。
当所述自动驾驶车辆有潜在风险时使用有限状态机系统决策规划，保证安全性。
如果潜在风险且不可消除的情况，则需要使用保守策略保证安全性。
此外，如果潜在风险可消除的情况下，则可以不使用保守策略，提高效率。
步骤S140，在使用有限状态机系统处理并决策时，根据V2X信息进行决策规划。
在使用机器学习系统决策规划或者使用有限状态机系统决策规划之后，如果在使用有限状态机系统处理并决策时，还可以根据V2X信息进行决策规划。
需要注意的是，这里的V2X信息可以通过无人驾驶车辆的感知模块获取。
在本申请的一个实施例中，所述在使用有限状态机系统处理并决策时，根据V2X信息进行决策规划，还包括：在使用有限状态机系统决策规划时，如果获取得到V2X信息，则根据所述V2X信息决策规划；在使用有限状态机系统决策规划时，如果未获取得到V2X信息，则根据预设策略决策规划。
具体实施时，如果使用有限状态机系统决策规划时，可以获得V2X信息，且V2X信息可用于消除相关盲区(风险)，则根据所述V2X信息决策规划。
在有危险的场景时，采用传统的有限状态机以保证安全性；同时借助路端的V2X扩大感知范围，尽量消除盲区，以提高通行效率。
进一步地，如果使用有限状态机系统决策规划时，如果未获取得到V2X信息，则需要按照保守策略进行决策规划。
优选地，所述预设策略至少包括以下之一的保守策略：降低速度、向远离盲区一侧偏移。还可以包括其他策略，在本申请中并不进行具体限定。比如，紧急停车。
在本申请的一个实施例中，所述在使用有限状态机系统处理并决策时，如果获取得到V2X信息，则根据所述V2X信息决策规划，包括：如果根据所述V2X信息确认盲区存在风险，则采用所述预设策略；如果根据所述V2X信息确认盲区不存在风险，则正常行驶，所述V2X信息通过路端或他车获得。
如果通过所述V2X信息可以确认盲区存在风险，则采用所述预设策略，即采用保守策略，如果根据所述V2X信息确认盲区不存在风险，则正常行驶，即无风险则正常行驶。
需要注意的是，所述V2X信息通过路端或他车获得。当无人驾驶车辆进入路侧RSU设备的覆盖范围内，可以接收得到所述V2X信息。或者，当无人驾驶车辆进入他车的覆盖范围内，也可以接收得到所述V2X信息。
在本申请的一个实施例中，所述评估所述无人驾驶车辆在当前场景中是否存在潜在风险，包括：如果所述无人驾驶车辆的感知系统无障碍物感知遮挡盲区，则认为所述无人驾驶车辆在当前场景中不存在潜在风险；如果所述无人驾驶车辆的感知系统有障碍物感知遮挡盲区，则认为所述无人驾驶车辆在当前场景中存在潜在风险。
在本申请的一个实施例中，所述机器学习系统包括基于神经网络的机器学习模型。
具体使用的神经网络可以包括相关技术中的用于决策规划的机器学习模型，提高驾驶乘坐体验。
在本申请的一个实施例中，所述方法还包括：根据决策结果，生成局部规划轨迹。
根据决策规划结果，生成局部轨迹，发给下游的控制模块，以控制无人驾驶车辆。
如图2所示为本申请实施例中用于无人驾驶车辆的决策规划方法实现流程示意图，其具体包括如下步骤：
评估所述无人驾驶车辆在当前场景中是否存在潜在风险；
在不存在潜在风险的情况下，使用机器学习系统决策规划；
在存在潜在风险的情况下，使用有限状态机系统决策规划；
在使用有限状态机系统决策规划时，根据V2X信息进行决策规划。
所述在使用有限状态机系统处理并决策时，根据V2X信息进行决策规划，还包括：
在使用有限状态机系统决策规划时，如果获取得到V2X信息，则根据所述V2X信息决策规划；
在使用有限状态机系统决策规划时，如果未获取得到V2X信息，则根据预设策略决策规划。
所述在使用有限状态机系统处理并决策时，如果获取得到V2X信息，则根据所述V2X信息决策规划，包括：
如果根据所述V2X信息确认盲区存在风险，则采用所述预设策略；
如果根据所述V2X信息确认盲区不存在风险，则正常行驶，所述V2X信息通过路端或他车获得。
所述预设策略至少包括以下之一的保守策略：降低速度、向远离盲区一侧偏移。
所述评估所述无人驾驶车辆在当前场景中是否存在潜在风险，包括：
如果所述无人驾驶车辆的感知系统无障碍物感知遮挡盲区，则认为所述无人驾驶车辆在当前场景中不存在潜在风险；
如果所述无人驾驶车辆的感知系统有障碍物感知遮挡盲区，则认为所述无人驾驶车辆在当前场景中存在潜在风险。
所述机器学习系统包括基于神经网络的机器学习模型。
所述方法还包括：根据决策结果，生成局部规划轨迹。
如图3所示当前场景：场景简单，感知系统无盲区即无风险，采用机器学习系统处理决策规划。其中包括无人驾驶车辆B、行人A。无人驾驶车辆B行驶的当前场景可以直接看到行人A并无盲区。
如图4所示当前场景：感知系统有盲区即可能有潜在风险，在未获取到V2X信息的情况下，采用有限状态机系统处理，具体采用保守策略：降低速度、换道等。其中包括无人驾驶车辆B、行人A、停靠车辆C。具体而言，路旁停靠车辆C遮挡产生感知盲区，为防止行人A从盲区穿出，无人驾驶车辆B会采取保守策略，比如，减速、向远离盲区一侧偏移，从而避免碰撞风险。
此外，还包括其他需要紧急停车的场景，也需要避免碰撞风险。
如图5所示当前场景：感知系统有盲区即可能有潜在风险，采用有限状态机系处理，基于获取的V2X信息确认盲区风险，有风险则采用保守策略，无风险则正常行驶。其中包括无人驾驶车辆B、行人A、停靠车辆C以及V2X信息device。除此以外，如果路侧的感知系统能够提供有效信息，消除车端感知盲区，则无需采用保守策略。这种方法兼顾了安全性和效率。
本申请实施例还提供了用于无人驾驶车辆的决策规划装置600，如图6所示，提供了本申请实施例中用于无人驾驶车辆的决策规划装置的结构示意图，所述用于无人驾驶车辆的决策规划装置600至少包括：风险评估模块610、第一决策模块620以及第二决策模块630，其中：
在本申请的一个实施例中，所述风险评估模块610具体用于：评估所述无人驾驶车辆在当前场景中是否存在潜在风险。
在无人驾驶车辆的决策模块的最顶层先要评估所述无人驾驶车辆在当前场景中是否存在潜在风险。也就是说，既不假设存在风险，也不用根据传感器的结果进行风险应对。
需要注意的是，无人驾驶车辆包括但不限于，Robotaxi、Robobus，能够提高安全性和乘坐舒适性。
评估潜在风险，对于感知系统的性能限制比如感知距离、甚至是未知的潜在风险，进行决策规划，提高安全性、舒适性。
在本申请的一个实施例中，所述第一决策模块620具体用于：在不存在潜在风险的情况下，使用机器学习系统决策规划。
在不存在潜在风险的情况下，采用机器学习方法，避免了有限状态机方法中环境复杂时需要穷举的规则很多、不得不牺牲一部分性能以简化规则等缺点。对于无风险的场景，直接提升了决策的效率、提高了舒适性。
在本申请的一个实施例中，所述第二决策模块630具体用于：在存在潜在风险的情况下，使用有限状态机系统决策规划。
当所述自动驾驶车辆有潜在风险时使用有限状态机系统决策规划，保证安全性。
如果潜在风险且不可消除的情况，则需要使用保守策略保证安全性。
此外，如果潜在风险可消除的情况下，则可以不使用保守策略，提高消息。
在使用有限状态机系统处理并决策时，根据V2X信息进行决策规划。
在使用机器学习系统决策规划或者使用有限状态机系统决策规划之后，如果在使用有限状态机系统处理并决策时，还可以根据V2X信息进行决策规划。
需要注意的是，这里的V2X信息可以通过无人驾驶车辆的感知模块获取。
能够理解，上述用于无人驾驶车辆的决策规划装置，能够实现前述实施例中提供的用于无人驾驶车辆的决策规划方法的各个步骤，关于用于无人驾驶车辆的决策规划方法的相关阐释均适用于用于无人驾驶车辆的决策规划装置，此处不再赘述。
图7是本申请的一个实施例电子设备的结构示意图。请参考图7，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述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7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成用于无人驾驶车辆的决策规划装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
评估所述无人驾驶车辆在当前场景中是否存在潜在风险；
在不存在潜在风险的情况下，使用机器学习系统决策规划；
在存在潜在风险的情况下，使用有限状态机系统决策规划；
在使用有限状态机系统决策规划时，根据V2X信息进行决策规划。
上述如本申请图1所示实施例揭示的用于无人驾驶车辆的决策规划装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中用于无人驾驶车辆的决策规划装置执行的方法，并实现用于无人驾驶车辆的决策规划装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中用于无人驾驶车辆的决策规划装置执行的方法，并具体用于执行：
评估所述无人驾驶车辆在当前场景中是否存在潜在风险；
在不存在潜在风险的情况下，使用机器学习系统决策规划；
在存在潜在风险的情况下，使用有限状态机系统决策规划；
在使用有限状态机系统决策规划时，根据V2X信息进行决策规划。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种用于无人驾驶车辆的决策规划方法，其中，所述方法包括：
评估所述无人驾驶车辆在当前场景中是否存在潜在风险；
在不存在潜在风险的情况下，使用机器学习系统决策规划；
在存在潜在风险的情况下，使用有限状态机系统决策规划；
在使用有限状态机系统决策规划时，根据V2X信息进行决策规划；
所述在使用有限状态机系统处理并决策时，根据V2X信息进行决策规划，还包括：
在使用有限状态机系统决策规划时，如果获取得到V2X信息，则根据所述V2X信息决策规划；
在使用有限状态机系统决策规划时，如果未获取得到V2X信息，则根据预设策略决策规划；
所述在使用有限状态机系统处理并决策时，如果获取得到V2X信息，则根据所述V2X信息决策规划，包括：
如果根据所述V2X信息确认盲区存在风险，则采用所述预设策略；
如果根据所述V2X信息确认盲区不存在风险，则正常行驶，所述V2X信息通过路端或他车获得。
2.如权利要求1所述方法，其中，所述预设策略至少包括以下之一的保守策略：降低速度、向远离盲区一侧偏移。
3.如权利要求1所述方法，其中，所述评估所述无人驾驶车辆在当前场景中是否存在潜在风险，包括：
如果所述无人驾驶车辆的感知系统无障碍物感知遮挡盲区，则认为所述无人驾驶车辆在当前场景中不存在潜在风险；
如果所述无人驾驶车辆的感知系统有障碍物感知遮挡盲区，则认为所述无人驾驶车辆在当前场景中存在潜在风险。
4.如权利要求1至3任一项所述方法，其中，所述机器学习系统包括基于神经网络的机器学习模型。
5.如权利要求1所述方法，其中，所述方法还包括：
根据决策结果，生成局部规划轨迹。
6.一种用于无人驾驶车辆的决策规划装置，其中，所述装置包括：
风险评估模块，用于评估所述无人驾驶车辆在当前场景中是否存在潜在风险；
第一决策模块，用于在不存在潜在风险的情况下，使用机器学习系统决策规划；
第二决策模块，用于在存在潜在风险的情况下，使用有限状态机系统决策规划，以及用于在使用有限状态机系统处理并决策时，根据V2X信息进行决策规划；
所述在使用有限状态机系统处理并决策时，根据V2X信息进行决策规划，还包括：
在使用有限状态机系统决策规划时，如果获取得到V2X信息，则根据所述V2X信息决策规划；
在使用有限状态机系统决策规划时，如果未获取得到V2X信息，则根据预设策略决策规划；
所述在使用有限状态机系统处理并决策时，如果获取得到V2X信息，则根据所述V2X信息决策规划，包括：
如果根据所述V2X信息确认盲区存在风险，则采用所述预设策略；
如果根据所述V2X信息确认盲区不存在风险，则正常行驶，所述V2X信息通过路端或他车获得。
7.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1~5之任一所述方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1~5之任一所述方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210778938.0A CN115027500B (zh) | 2022-06-30 | 2022-06-30 | 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 |
| PCT/CN2023/086656 WO2024001393A1 (zh) | 2022-06-30 | 2023-04-06 | 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210778938.0A CN115027500B (zh) | 2022-06-30 | 2022-06-30 | 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115027500A CN115027500A (zh) | 2022-09-09 |
| CN115027500B true CN115027500B (zh) | 2024-05-14 |
Family
ID=83128679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210778938.0A Active CN115027500B (zh) | 2022-06-30 | 2022-06-30 | 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115027500B (zh) |
| WO (1) | WO2024001393A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115027500B (zh) * | 2022-06-30 | 2024-05-14 | 智道网联科技(北京)有限公司 | 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6839326B1 (en) * | 2000-09-26 | 2005-01-04 | Nokia Corporation | Antenna phase estimation algorithm for WCDMA closed loop transmitter antenna diversity system |
| US9020873B1 (en) * | 2012-05-24 | 2015-04-28 | The Travelers Indemnity Company | Decision engine using a finite state machine for conducting randomized experiments |
| US10446273B1 (en) * | 2013-08-12 | 2019-10-15 | Cerner Innovation, Inc. | Decision support with clinical nomenclatures |
| EP3575172A1 (en) * | 2018-05-31 | 2019-12-04 | Visteon Global Technologies, Inc. | Adaptive longitudinal control using reinforcement learning |
| CN110969848A (zh) * | 2019-11-26 | 2020-04-07 | 武汉理工大学 | 一种对向双车道下基于强化学习的自动驾驶超车决策方法 |
| WO2020113187A1 (en) * | 2018-11-30 | 2020-06-04 | Sanjay Rao | Motion and object predictability system for autonomous vehicles |
| CN111679660A (zh) * | 2020-06-16 | 2020-09-18 | 中国科学院深圳先进技术研究院 | 一种融合类人驾驶行为的无人驾驶深度强化学习方法 |
| CN113269299A (zh) * | 2020-02-14 | 2021-08-17 | 辉达公司 | 使用深度学习的机器人控制 |
| CN113568416A (zh) * | 2021-09-26 | 2021-10-29 | 智道网联科技(北京)有限公司 | 无人车轨迹规划方法、装置和计算机可读存储介质 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8515609B2 (en) * | 2009-07-06 | 2013-08-20 | Honeywell International Inc. | Flight technical control management for an unmanned aerial vehicle |
| WO2018102425A1 (en) * | 2016-12-02 | 2018-06-07 | Starsky Robotics, Inc. | Vehicle control system and method of use |
| US11402839B2 (en) * | 2017-03-07 | 2022-08-02 | Robert Bosch Gmbh | Action planning system and method for autonomous vehicles |
| US10268191B1 (en) * | 2017-07-07 | 2019-04-23 | Zoox, Inc. | Predictive teleoperator situational awareness |
| US10564638B1 (en) * | 2017-07-07 | 2020-02-18 | Zoox, Inc. | Teleoperator situational awareness |
| US10809722B2 (en) * | 2018-01-29 | 2020-10-20 | Telenav, Inc. | Navigation system with route prediction mechanism and method of operation thereof |
| US11169536B2 (en) * | 2018-04-09 | 2021-11-09 | SafeAI, Inc. | Analysis of scenarios for controlling vehicle operations |
| US10649453B1 (en) * | 2018-11-15 | 2020-05-12 | Nissan North America, Inc. | Introspective autonomous vehicle operational management |
| EP3726497A1 (en) * | 2019-04-15 | 2020-10-21 | Zenuity AB | Autonomous decisions in traffic situations with planning control |
| CN113511215B (zh) * | 2021-05-31 | 2022-10-04 | 西安电子科技大学 | 一种混合自动驾驶决策方法、设备及计算机存储介质 |
| CN115027500B (zh) * | 2022-06-30 | 2024-05-14 | 智道网联科技(北京)有限公司 | 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 |
-
2022
- 2022-06-30 CN CN202210778938.0A patent/CN115027500B/zh active Active
-
2023
- 2023-04-06 WO PCT/CN2023/086656 patent/WO2024001393A1/zh unknown
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6839326B1 (en) * | 2000-09-26 | 2005-01-04 | Nokia Corporation | Antenna phase estimation algorithm for WCDMA closed loop transmitter antenna diversity system |
| US9020873B1 (en) * | 2012-05-24 | 2015-04-28 | The Travelers Indemnity Company | Decision engine using a finite state machine for conducting randomized experiments |
| US10446273B1 (en) * | 2013-08-12 | 2019-10-15 | Cerner Innovation, Inc. | Decision support with clinical nomenclatures |
| EP3575172A1 (en) * | 2018-05-31 | 2019-12-04 | Visteon Global Technologies, Inc. | Adaptive longitudinal control using reinforcement learning |
| WO2020113187A1 (en) * | 2018-11-30 | 2020-06-04 | Sanjay Rao | Motion and object predictability system for autonomous vehicles |
| CN110969848A (zh) * | 2019-11-26 | 2020-04-07 | 武汉理工大学 | 一种对向双车道下基于强化学习的自动驾驶超车决策方法 |
| CN113269299A (zh) * | 2020-02-14 | 2021-08-17 | 辉达公司 | 使用深度学习的机器人控制 |
| CN111679660A (zh) * | 2020-06-16 | 2020-09-18 | 中国科学院深圳先进技术研究院 | 一种融合类人驾驶行为的无人驾驶深度强化学习方法 |
| CN113568416A (zh) * | 2021-09-26 | 2021-10-29 | 智道网联科技(北京)有限公司 | 无人车轨迹规划方法、装置和计算机可读存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 无人驾驶车辆行为决策系统研究;熊璐;康宇宸;张培志;朱辰宇;余卓平;;汽车技术(第08期);4-12 * |
| 维夫克D.比泽.《汽车产品开发》.机械工业出版社,2020,(第1版),88-91. * |
| 自动驾驶发展与关键技术综述;王金强;黄航;郅朋;申泽邦;周庆国;;电子技术应用(第06期);34-42 * |
| 车路协同自动驾驶发展趋势及建议;智能网联汽车;20190725(04);50-60 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115027500A (zh) | 2022-09-09 |
| WO2024001393A1 (zh) | 2024-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7047089B2 (ja) | セルラーネットワークベース運転支援方法及び交通制御ユニット | |
| Tettamanti et al. | Impacts of autonomous cars from a traffic engineering perspective | |
| JP6838241B2 (ja) | 移動体挙動予測装置 | |
| CN111127931A (zh) | 一种智能网联汽车的车路云协同方法、装置及系统 | |
| US20210107499A1 (en) | Method and system for development and verification of autonomous driving features | |
| CN115027500B (zh) | 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质 | |
| Hussain et al. | DeepGuard: A framework for safeguarding autonomous driving systems from inconsistent behaviour | |
| CN115042788A (zh) | 交通路口通行方法、装置及电子设备、存储介质 | |
| CN115431967A (zh) | 车辆四轮紧急避险方法、装置、存储介质和电子设备 | |
| CN110745119B (zh) | 一种防碰撞方法及装置 | |
| CN114368394A (zh) | 攻击基于车联网的v2x设备的方法、装置及存储介质 | |
| CN112396183A (zh) | 自动驾驶决策的方法、装置、设备及计算机存储介质 | |
| CN116811856A (zh) | 智能辅助驾驶的避让控制方法、系统、设备及存储介质 | |
| CN116080676B (zh) | 车道偏离预警方法、装置及电子设备、存储介质 | |
| CN116384755A (zh) | 车路云协同驾驶安全的确定方法、装置、车辆及存储介质 | |
| CN116433988A (zh) | 一种多源异构的图像数据分类治理方法 | |
| US20230185919A1 (en) | System and process using homomorphic encryption to secure neural network parameters for a motor vehicle | |
| CN116279450B (zh) | 车辆控制方法、装置及电子设备、存储介质 | |
| Singh et al. | Vulnerability assessment, risk, and challenges associated with automated vehicles based on artificial intelligence | |
| CN116959253A (zh) | 目标预警方法、装置及电子设备 | |
| US11722865B2 (en) | Vehicle-to-everything (V2X) information verification for misbehavior detection | |
| CN115376343B (zh) | 车路协同驾驶预警方法及相关设备 | |
| EP3822141B1 (en) | Operational design domain validation coverage for adjacent lane relative velocity | |
| CN114771655B (zh) | 自动驾驶中的半挂汽车列车转向方法、装置和电子设备 | |
| CN116524759A (zh) | 路口防碰撞预警方法、装置及电子设备、存储介质 |
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 |