CN115056772A - 一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆 - Google Patents
一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆 Download PDFInfo
- Publication number
- CN115056772A CN115056772A CN202210742589.7A CN202210742589A CN115056772A CN 115056772 A CN115056772 A CN 115056772A CN 202210742589 A CN202210742589 A CN 202210742589A CN 115056772 A CN115056772 A CN 115056772A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- scene
- track
- collision
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000008447 perception Effects 0.000 claims abstract description 20
- 230000004888 barrier function Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 22
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
- 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
- B60W30/06—Automatic manoeuvring for parking
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆。所述方包括获取感知地图信息进行场景判断,输出场景标志位;基于场景标志位进入相应的场景轨迹生成模块,并输出场景运动障碍物的预测轨迹;获取本车信息进行处理,输出本车运动轨迹;基于场景运动障碍物的预测轨迹和本车运动轨迹,进行轨迹碰撞预测,并输出预测结果;对有碰撞风险的,在对应场景下保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间。本发明对数据库要求更宽松,量产化过程中对设备计算能力要求更低、可解释更高,并且降低了成本,提高了决策的准确性。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆。
背景技术
在自动驾驶中,自动驾驶车辆通过内部车体传感器和对环境道路感知的外部传感器采集信息,决策算法基于该感知信息对自动驾驶环境和周围障碍物的意图,在满足全局路径规划和自动驾驶车辆安全的前提下,决策出当前环境下自动驾驶车辆的驾驶行为。最后基于该驾驶行为将下游轨迹规划可行解空间进行限定,将求解后的可规划可行解空间下发到规划控制模块计算对应的控制指令给车辆执行,完成自动驾驶任务。其中,决策系统除了对自动驾驶车辆所在环境的理解外,还需要对自身状态进行计算和障碍物意图预测。
现有行为决策方案主要有三类,基于学习方法的数据驱动类、基于规则的传统类和基于学习与规则的混合类方法。华为在其专利《一种行驶决策选择方法以及装置》中,申请号CN112312887A,基于其研发的神经网络处理器芯片,首先基于传感器检测范围进行区域划分后的区间选择一个区间,每个区间对应至少一个行驶决策,最后基于车辆速度计算出车辆行驶决策结果。该方法隶属于学习类,对数据库要求较高,且该类方法可解释性较差,工程应用受到计算力和成本的限制。中国科学院计算技术研究所的专利《一种构建自动驾驶决策系统的方法、系统和介质》,申请号CN111985614A,结合强化学习和基于规则的混合方案,通过随机初始化强化学习模块和基于数据驱动的子模块的神经网络参数,对自动驾驶决策系统进行学习训练,最后输出解析解作为纠正的安全动作向量。该专利隶属于混合类方案,但基于学习模块仍要求采集环境数据样本训练模型,同时对设备计算能力也有较高要求。传统基于规则类方法主要考虑基于本车传感信息和外部传感信息判断车辆当前所处行车环境,再按照规则逻辑决策出车辆行为的方法,具有传感局限性。
发明内容
针对现有技术存在的上述不足,本发明的目的在于解决现有的学习类行为决策方案对数据库要求较高、可解释性较差、容易受到计算力、传感信息和成本的限制的问题,提供一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆,对数据库要求更宽松,量产化过程中对设备计算能力要求更低、可解释更高,并且降低了成本,提高了决策的准确性。
为了解决上述技术问题,本发明采用如下技术方案:
一种用于自主代客泊车的预测和决策方法,包括以下步骤,
获取感知地图信息,并基于感知地图信息进行场景判断,输出场景标志位;
基于场景标志位进入相应的场景轨迹生成模块,并输出场景运动障碍物的预测轨迹;
获取本车信息,对本车信息进行处理,输出本车运动轨迹;其中,本车信息包括全局路径规划下的XY坐标和heading角;
基于场景运动障碍物的预测轨迹和本车运动轨迹,进行轨迹碰撞预测,并输出预测结果;
对有碰撞风险的,在对应场景下保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间。
进一步,所述场景包括直道ACC场景、直道会车场景、直角转弯场景、横穿场景和脱困场景,分别对应场景标志位0-4。
进一步,进行轨迹碰撞预测时,从场景运动障碍物的预测轨迹和本车运动轨迹中获取全局路径规划下的XY坐标和时间。
进一步,进行轨迹碰撞预测,并输出预测结果具体为,对获得的场景运动障碍物的预测轨迹和本车运动轨迹接进行碰撞预测,输出有碰撞风险和无碰撞风险。
进一步,当碰撞预测结果为有碰撞风险时,用三阶曲线表示虚拟墙。
本发明还提供一种用于自主代客泊车的预测和决策系统,包括感知模块、本车行为决策模块、预测轨迹碰撞检测模块和规划可行解空间求解模块;
所述感知模块用于获取感知地图信息和本车信息;
所述本车行为决策模块用于接收到感知地图信息、本车信息和多传感器融合输出的目标状态信息后,输出场景运动障碍物的预测轨迹;还用于接收到碰撞检测结果后,对有碰撞风险的,在对应场景下保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间;
所述预测轨迹碰撞检测模块用于接收场景运动障碍物的预测轨迹和本车运动轨迹,进行轨迹碰撞预测,并输出预测结果。
本发明还提供一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序被处理器运行时,执行所述的用于自主代客泊车的预测和决策方法的步骤。
本发明还提供一种车辆,所述车辆搭载有所述的用于自主代客泊车的预测和决策系统。
与现有技术相比,本发明具有如下有益效果:
本方面提供的方法结合了障碍物意图预测,将场景运动障碍物的预测轨迹和本车运动轨迹进行轨迹碰撞预测,对有碰撞风险的场景,在保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间。其中,具体包括直道ACC场景、直道会车场景、直角转弯场景、横穿场景和脱困场景等检测。针对不同场景设计运动障碍物轨迹预测算法。该方法与基于学习类方案比较,对数据库要求更宽松,同时量产化过程中对设备计算能力要求更低,降低了成本,同时可解释更高。与传统只考虑当前环境检测结果方案比较,针对不同场景对轨迹进行准确性设计,基于意图进行本车行为决策,提高了决策的准确性。
附图说明
图1为本发明一种用于自主代客泊车的预测和决策方法的原理框图。
图2为本发明实施例三中一种用于自主代客泊车的预测和决策方法的逻辑流程图。
具体实施方式
下面将结合附图及实施例对本发明作进一步说明。
实施例一
本实施例公开一种用于自主代客泊车的预测和决策方法。
一种用于自主代客泊车的预测和决策方法,参见图1,包括以下步骤,
获取感知地图信息,并基于感知地图信息进行场景判断,输出场景标志位;
基于场景标志位进入相应的场景轨迹生成模块,并输出场景运动障碍物的预测轨迹;
获取本车信息,对本车信息进行处理,输出本车运动轨迹;其中,本车信息包括全局路径规划下的XY坐标和heading角;
基于场景运动障碍物的预测轨迹和本车运动轨迹,进行轨迹碰撞预测,并输出预测结果;
对有碰撞风险的,在对应场景下保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间。
具体实施时,所述场景包括直道ACC场景、直道会车场景、直角转弯场景、横穿场景和脱困场景,分别对应场景标志位0-4。具体的,如果标志位是0,则进入直道ACC场景轨迹生成模块;如果标志位是1,则进入直道会车场景轨迹生成模块;如果标志位是2,则进入直角弯场景轨迹生成模块;如果标志位是3,则进入横穿场景轨迹生成模块;如果标志位是4,则进入脱困场景轨迹生成模块。
具体实施时,进行轨迹碰撞预测时,从场景运动障碍物的预测轨迹和本车运动轨迹中获取全局路径规划下的XY坐标和时间进行轨迹碰撞预测。当碰撞预测结果为有碰撞风险时,用三阶曲线表示虚拟墙,基于虚拟墙划分出可行空间与不可通行空间,输出规划可行解空间。
这样,针对不同场景设计运动障碍物轨迹预测和决策的方法,与基于学习类方案比较,对数据库要求更宽松,同时量产化过程中对设备计算能力要求更低,降低了成本,同时可解释更高。与传统只考虑当前环境检测结果方案比较,增添基于跟踪历史状态的意图预测逻辑,针对不同场景对轨迹进行准确性设计,基于意图进行本车行为决策,提高了决策的准确性。
实施例二
本实施例在实施例一的基础上,公开了一种用于自主代客泊车的预测和决策系统,用于所述方法中。
一种用于自主代客泊车的预测和决策系统,包括感知模块、本车行为决策模块、预测轨迹碰撞检测模块和规划可行解空间求解模块;
所述感知模块用于获取感知地图信息和本车信息;
所述本车行为决策模块用于接收到感知地图信息、本车信息和目标状态信息后,输出场景运动障碍物的预测轨迹;还用于接收到碰撞检测结果后,对有碰撞风险的,在对应场景下保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间;
所述预测轨迹碰撞检测模块用于接收场景运动障碍物的预测轨迹和本车运动轨迹,进行轨迹碰撞预测,并输出预测结果。
由于具有上述系统,能够对场景运动障碍物的预测轨迹和本车运动轨迹进行轨迹碰撞进行预测,从而对有碰撞风险的场景在保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间。对数据库要求更宽松,量产化过程中对设备计算能力要求更低,降低了成本,同时可解释更高。针对不同场景对轨迹进行准确性设计,基于意图进行本车行为决策,提高了决策的准确性。
实施例三
为了进一步说明本发明用于自主代客泊车的预测和决策的实际效果,本实施例公开了一种基于实施例一和实施例二实现的用于自主代客泊车的预测和决策方法及应用场景。
一种用于自主代客泊车的预测和决策方法,参见图2,其步骤如下:
当“本车行为决策”模块接收到感知输出的地图信息、本车状态和目标状态信息后,对本车所处场景进行判断,利用地图定位信息、本车历史轨迹信息和目标历史轨迹信息,对场景进行识别并对障碍物意图进行预测,输出场景标志位Flag—1;
如果场景标志位值为0,即Flag=0,则进入“直道ACC场景轨迹生成”模块,该模块基于障碍物沿着当前运动状态(障碍物沿着当前车道)向前运动的意图预测,输出障碍物预测轨迹—2;
如果场景标志位值为1,即Flag=1,则进入“直道会车场景轨迹生成”模块,本模块基于障碍物沿着当前运动状态(障碍物沿着当前车道)向前运动的意图进行轨迹预测,输出障碍物预测轨迹—3;
如果场景标志位值为2,即Flag=2,则进入“直角转弯场景轨迹生成”模块,该模块结合感知输出地图信息、上层全局路径规划信息和本车状态信息,基于障碍物沿着当前规划路径向前运动的预测轨迹—4;
如果场景标志位值为3,即Flag=3,则进入“障碍物横穿场景轨迹生成”模块,该模块基于障碍物横穿意图预测完成移动障碍物预测轨迹—5;
如果场景标志位值为4,即Flag=4,则进入“脱困场景轨迹生成”模块,该模块基于自动驾驶车辆脱困的意图预测,输出本车预测轨迹—6;
当“预测轨迹碰撞检测”模块接收到预测的障碍物轨迹和本车轨迹后,包括X、Y和时间等信息,对轨迹进行碰撞检测输出—7;
当“本车行为决策”模块接收到碰撞检测结果后,在对应场景下保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并用三阶曲线表示—8;
当“规划可行解空间求解”模块接收到行为决策输出的虚拟墙后,划分出可行空间与不可通行空间,输出规划可行解空间—9。
这样,在全局定位坐标系下,基于跟踪历史状态完成轨迹预测,包括运动障碍物和自车轨迹预测。自主代客泊车过程中结合该轨迹与目标障碍物预测轨迹,预测碰撞风险,为规划控制层提前给出解决方案保证自动驾驶车辆安全的同时提升乘坐体验。
实施例四
本实施例在实施例一的基础上,公开了一种存储介质。
一种存储介质,所述存储介质存储有一个或者多个程序,所述一个或者多个程序被处理器运行时,执行所述的用于自主代客泊车的预测和决策方法的步骤。计算机可读存储介质可以是U盘、硬盘或其他具有存储功能的设备。
实施例五
本实施例在实施例四的基础上,公开了一种车辆。
一种车辆,所述车辆搭载有所述的用于自主代客泊车的预测和决策系统。这样,车辆在代客泊车时,能够保证自动驾驶的安全性的同时提升乘坐体验。
如上所述,本发明的提醒系统不限于所述配置,其他可以实现本发明的实施例的系统均可落入本发明所保护的范围内。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种用于自主代客泊车的预测和决策方法,其特征在于,包括以下步骤,
获取感知地图信息,并基于感知地图信息进行场景判断,输出场景标志位;
基于场景标志位进入相应的场景轨迹生成模块,并输出场景运动障碍物的预测轨迹;
获取本车信息,对本车信息进行处理,输出本车运动轨迹;其中,本车信息包括全局路径规划下的XY坐标和heading角;
基于场景运动障碍物的预测轨迹和本车运动轨迹,进行轨迹碰撞预测,并输出预测结果;
对有碰撞风险的,在对应场景下保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间。
2.根据权利要求1所述的用于自主代客泊车的预测和决策方法,其特征在于,所述场景包括直道ACC场景、直道会车场景、直角转弯场景、横穿场景和脱困场景,分别对应场景标志位0-4。
3.根据权利要求1所述的用于自主代客泊车的预测和决策方法,其特征在于,进行轨迹碰撞预测时,从场景运动障碍物的预测轨迹和本车运动轨迹中获取全局路径规划下的XY坐标和时间。
4.根据权利要求1或3所述的用于自主代客泊车的预测和决策方法,其特征在于,进行轨迹碰撞预测,并输出预测结果具体为,对获得的场景运动障碍物的预测轨迹和本车运动轨迹接进行碰撞预测,输出有碰撞风险和无碰撞风险。
5.根据权利要求1所述的用于自主代客泊车的预测和决策方法,其特征在于,当碰撞预测结果为有碰撞风险时,用三阶曲线表示虚拟墙。
6.一种用于自主代客泊车的预测和决策系统,其特征在于,包括感知模块、本车行为决策模块、预测轨迹碰撞检测模块和规划可行解空间求解模块;
所述感知模块用于获取感知地图信息和本车信息;
所述本车行为决策模块用于接收到感知地图信息、本车信息和多传感器融合输出的目标状态信息后,输出场景运动障碍物的预测轨迹;还用于接收到碰撞检测结果后,对有碰撞风险的,在对应场景下保证障碍物与本车无碰撞的安全前提下,建立虚拟墙,并根据虚拟墙划分出可行空间与不可通行空间,输出最终本车行为对应的规划可行解空间;
所述预测轨迹碰撞检测模块用于接收场景运动障碍物的预测轨迹和本车运动轨迹,进行轨迹碰撞预测,并输出预测结果。
7.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序被处理器运行时,执行如权利要求1~5中任一项所述的用于自主代客泊车的预测和决策方法的步骤。
8.一种车辆,其特征在于,所述车辆搭载有如权利要求6所述的用于自主代客泊车的预测和决策系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210742589.7A CN115056772A (zh) | 2022-06-28 | 2022-06-28 | 一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210742589.7A CN115056772A (zh) | 2022-06-28 | 2022-06-28 | 一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115056772A true CN115056772A (zh) | 2022-09-16 |
Family
ID=83203361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210742589.7A Pending CN115056772A (zh) | 2022-06-28 | 2022-06-28 | 一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115056772A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109383497A (zh) * | 2017-08-09 | 2019-02-26 | 株式会社日立制作所 | 用于避免撞击的方法和系统 |
CN110775052A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 一种基于视觉与超声波感知融合的自动泊车方法 |
CN111912423A (zh) * | 2020-10-13 | 2020-11-10 | 北京三快在线科技有限公司 | 一种预测障碍物轨迹以及模型训练的方法及装置 |
CN113548039A (zh) * | 2021-07-29 | 2021-10-26 | 上海欧菲智能车联科技有限公司 | 自动泊车方法、自动泊车装置、车辆及存储介质 |
CN114426032A (zh) * | 2022-01-05 | 2022-05-03 | 重庆长安汽车股份有限公司 | 一种基于自动驾驶的本车轨迹预测方法、系统、车辆及计算机可读存储介质 |
-
2022
- 2022-06-28 CN CN202210742589.7A patent/CN115056772A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109383497A (zh) * | 2017-08-09 | 2019-02-26 | 株式会社日立制作所 | 用于避免撞击的方法和系统 |
CN110775052A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 一种基于视觉与超声波感知融合的自动泊车方法 |
CN111912423A (zh) * | 2020-10-13 | 2020-11-10 | 北京三快在线科技有限公司 | 一种预测障碍物轨迹以及模型训练的方法及装置 |
CN113548039A (zh) * | 2021-07-29 | 2021-10-26 | 上海欧菲智能车联科技有限公司 | 自动泊车方法、自动泊车装置、车辆及存储介质 |
CN114426032A (zh) * | 2022-01-05 | 2022-05-03 | 重庆长安汽车股份有限公司 | 一种基于自动驾驶的本车轨迹预测方法、系统、车辆及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Recent advances in motion and behavior planning techniques for software architecture of autonomous vehicles: A state-of-the-art survey | |
Li et al. | Real-time trajectory planning for autonomous urban driving: Framework, algorithms, and verifications | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
CN111583715B (zh) | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 | |
Yoon et al. | Interaction-aware probabilistic trajectory prediction of cut-in vehicles using Gaussian process for proactive control of autonomous vehicles | |
CN113848914B (zh) | 动态环境下碰撞系数人工势场法局部路径规划方法 | |
Ben-Messaoud et al. | Smooth obstacle avoidance path planning for autonomous vehicles | |
CN113291318B (zh) | 基于部分可观测马尔科夫模型的无人车盲区转弯规划方法 | |
CN114426032A (zh) | 一种基于自动驾驶的本车轨迹预测方法、系统、车辆及计算机可读存储介质 | |
CN112286049A (zh) | 运动轨迹预测方法和装置 | |
Verma et al. | Vehicle detection, tracking and behavior analysis in urban driving environments using road context | |
CN114967701B (zh) | 一种动态环境下移动机器人自主导航方法 | |
Cao et al. | Lidar-based object detection failure tolerated autonomous driving planning system | |
CN117885764B (zh) | 车辆的轨迹规划方法、装置、车辆及存储介质 | |
CN116758741A (zh) | 一种多维度不确定性感知的智能汽车碰撞概率预测方法 | |
Jo et al. | Track fusion and behavioral reasoning for moving vehicles based on curvilinear coordinates of roadway geometries | |
Wang et al. | Bevgpt: Generative pre-trained large model for autonomous driving prediction, decision-making, and planning | |
CN117360546A (zh) | 一种车辆控制方法、车辆、电子设备及存储介质 | |
Gómez-Huélamo et al. | Improving multi-agent motion prediction with heuristic goals and motion refinement | |
CN116203956A (zh) | 一种融合安全距离和全局信息的速度障碍规划方法、系统 | |
CN115056772A (zh) | 一种用于自主代客泊车的预测和决策方法、系统、存储介质及车辆 | |
CN116257058A (zh) | 一种园区自动驾驶物流小车智能局部规划方法 | |
Hu et al. | Decision-making system based on finite state machine for low-speed autonomous vehicles in the park | |
US11900689B1 (en) | Traffic light identification and/or classification for use in controlling an autonomous vehicle |
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 |