CN115092181A - 车辆的控制方法、装置、存储介质和处理器 - Google Patents
车辆的控制方法、装置、存储介质和处理器 Download PDFInfo
- Publication number
- CN115092181A CN115092181A CN202210780958.1A CN202210780958A CN115092181A CN 115092181 A CN115092181 A CN 115092181A CN 202210780958 A CN202210780958 A CN 202210780958A CN 115092181 A CN115092181 A CN 115092181A
- Authority
- CN
- China
- Prior art keywords
- track
- road object
- time period
- prediction model
- predicted
- 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
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆的控制方法、装置、存储介质和处理器。其中,该方法包括:获取在当前时间段内采集到的至少一个道路对象的环境信息;将该环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的预测行驶轨迹;基于道路对象的预测行驶轨迹,控制车辆的行驶状态。本发明解决了车辆行驶轨迹预测准确性低的技术问题。
Description
技术领域
本发明涉及智能车辆技术领域,具体而言,涉及一种车辆的控制方法、装置、存储介质和处理器。
背景技术
随着人工智能技术的飞速发展,自动驾驶成为了未来交通的主要发展方向。在自动驾驶场景中,预测其他道路到的行驶轨迹,可以辅助车辆做出正确的决策,提升车辆驾驶的安全性。
目前,主要通过道路对象的行驶状态以及预先设立好的行为规则库来预测道路对象的行驶状态,但由于该行为规则库中包含的道路场景有限,基于此,在面对一些复杂的交通状况时,将无法准确预测出道路对象的行驶轨迹。在这种情况下,车辆也就无法基于其他道路对象的行驶轨迹来确定自身的行驶状态,导致车辆行驶轨迹的预测准确性较低。
针对上述车辆行驶轨迹预测准确性低的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆的控制方法、装置、存储介质和处理器,以至少解决车辆行驶轨迹预测准确性低的技术问题。
根据本发明实施例的一个方面,提供了一种车辆的控制方法。该方法可以包括:获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,道路对象为处于车辆的信息采集范围内的道路对象;将环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的预测行驶轨迹,其中,轨迹预测模型为预先基于道路对象在历史时间段内的历史环境信息与历史行驶轨迹信息对原始轨迹预测模型进行训练得到;基于道路对象的预测行驶轨迹,控制车辆的行驶状态。
可选地,将环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的预测行驶轨迹,包括:对环境信息添加特征值,得到环境信息所对应的特征向量;将特征向量输入至轨迹预测模型中进行处理,得到预测行驶轨迹。
可选地,历史时间段包括第一历史时间段和第二历史时间段,其中,第二历史时间段为在第一历史时间段之后,且与第一历史时间段相邻的时间段,该方法还包括:将第一历史时间段内道路对象的环境信息输入至原始轨迹预测模型中进行预测,得到道路对象在第二历史时间段内的预测行驶轨迹;基于道路对象在第二历史时间段内的预测行驶轨迹与实际行驶轨迹,调整原始轨迹预测模型的参数,得到轨迹预测模型。
可选地,基于道路对象在第二历史时间段内的预测行驶轨迹与实际行驶轨迹,调整原始轨迹预测模型的参数,包括:基于道路对象在历史时间段内的历史行驶轨迹信息,确定道路对象在第二历史时间段内的实际行驶轨迹;基于道路对象在第二历史时间段内的预测行驶轨迹与实际行驶轨迹,确定预测行驶轨迹与实际行驶轨迹之间的匹配率;基于匹配率,调整原始轨迹模型的参数。
可选地,该方法还包括:响应于预测行驶轨迹与实际行驶轨迹之间的匹配率小于第一阈值,则调整原始轨迹预测模型的参数,增加原始轨迹预测模型的训练轮次,直至预测行驶轨迹与实际行驶轨迹之间的匹配率不小于第一阈值,则将当前原始轨迹预测模型确定为轨迹预测模型。
可选地,基于道路对象的预测行驶轨迹,控制车辆的行驶状态,包括:基于道路对象的预测行驶轨迹,确定车辆的行驶策略,其中,行驶策略用于表征车辆在未来时间段内的行驶轨迹;基于行驶策略,控制所述车辆的行驶状态,其中,行驶状态包括以下之一:左转弯、右转弯、向左变道、向右变道、巡航、急停、掉头和未知状态。
根据本发明实施例的另一方面,还提供了一种车辆的控制装置,包括:获取模块,用于获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,道路对象为处于车辆的信息采集范围内的道路对象;预测模块,用于将环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的预测行驶轨迹,其中,轨迹预测模型为预先基于道路对象在历史时间段内的历史环境信息与历史行驶轨迹信息对原始轨迹预测模型进行训练得到;控制模块,用于基于道路对象的预测行驶轨迹,控制车辆的行驶状态。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行本发明实施例的车辆的控制方法。
根据本发明实施例的另一方面,还提供了一种处理器。该处理器用于运行程序,其中,程序运行时执行本发明实施例的车辆的控制方法。
根据本发明实施例的另一方面,还提供了一种车辆,该车辆用于执行本发明实施例的车辆的控制方法。
在本发明实施例中,通过获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,该道路对象为处于车辆的信息采集范围内的道路对象;将获取到的环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的行驶轨迹;基于道路对象的预测行驶轨迹,控制车辆的行驶状态。也就是说,本发明实施例提供的车辆的控制方法可以基于获取到的当前车辆的信息采集范围内的至少一个道路对象的环境信息,来预测该道路对象的行驶轨迹,进而基于该道路对象的预测行驶轨迹来控制当前车辆的行驶状态,由于该道路对象的预测行驶轨迹是基于实时获取到的环境信息预测出来的,因此,该道路对象的预测行驶轨迹更加准确,进而基于该道路对象的预测行驶轨迹来控制车辆的行驶状态,可以提升车辆驾驶的安全性,解决了车辆行驶轨迹预测准确性低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种车辆的控制方法的流程图;
图2是根据本发明实施例的一种轨迹预测模型的示意图;
图3是根据本发明实施例的一种车辆的控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种车辆的控制方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种车辆的控制方法的流程图,如图1所示,该方法可以包括如下步骤:
步骤S101,获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,该道路对象为处于车辆的信息采集范围内的道路对象。
在本发明上述步骤S101提供的技术方案中,获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,控制设备可以通过车辆上的雷达和/或图像采集设备采集当前时间段内处于车辆的信息采集范围内的至少一个道路对象的环境信息。其中,该至少一个道路对象可以为车辆的信息采集范围内的行人、机动车以及非机动车等,此处不做具体限定。
可选地,车辆上的雷达和/或图像采集设备可以以预设时间间隔来采集位于车辆的信息采集范围内的道路对象的环境信息。其中,该预设时间间隔可以预先设置,例如,该预设时间间隔可以为0.5s或0.8s,此处不做限定。
可选地,控制设备获取当前时间段采集到的道路对象的环境信息,其中,该当前时间段可以为当前时刻之前的一个时间段,例如,该当前时间段可以为当前时刻之前的1s或当前时刻之前的2s,此处不做具体限定。基于此,控制设备可以获取当前时间段内车辆上的雷达和/或图像采集设备以预设时间间隔采集到的道路对象的环境信息。
可选地,当该车辆的信息采集范围内的道路对象为一个时,则获取到的环境信息为一个道路对象的环境信息,当该车辆的信息采集范围内的道路对象为多个时,则获取到的环境信息为多个道路对象的环境信息。其中,获取到的道路对象的环境信息中包括该道路对象的速度信息、所处场景信息、前方交通灯信息、周围道路对象的车速与车距信息以及该道路对象所处位置的地图信息中的至少一个。
步骤S102,将环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的预测行驶轨迹。
在本发明上述步骤S102提供的技术方案中,将道路对象的环境信息输入至轨迹预测模型中进行预测,其中,该轨迹预测模型为预先基于道路对象在历史时间段内的历史环境信息与历史行驶轨迹信息对原始轨迹预测模型进行训练得到的模型,该轨迹预测模型可以基于该道路对象所处的环境信息预测出该道路对象的行驶轨迹,并输出该道路对象的预测行驶轨迹。
可选地,在将道路对象的环境信息输入至轨迹预测模型中进行预测之前,可以先对获取到的当前时间段内的道路对象的环境信息进行特征值添加,得到道路对象的环境信息所对应的特征向量,进而将得到的特征向量输入至轨迹预测模型中进行处理,从而得到道路对象的预测行驶轨迹。
步骤S103,基于道路对象的预测行驶轨迹,控制车辆的行驶状态。
在本发明上述步骤S103提供的技术方案中,基于道路对象的预测行驶轨迹,控制车辆的行驶状态。其中,由前述介绍可知,该道路对象可能为一个也可能为多个,当该道路对象为一个时,控制设备可以基于该一个道路对象的预测行驶轨迹,来确定车辆的行驶策略,该行驶策略可以用于表征车辆在未来时间段内的行驶轨迹。当该道路对象为多个时控制设备也可以基于该多个道路对象的预测行驶轨迹,来确定车辆的行驶策略。
在确定出车辆的行驶策略后,控制设备可以基于车辆的行驶策略来控制车辆的行驶状态。其中,该车辆的行驶状态可以包括左转弯、右转弯、向左变道、向右变道、巡航、急停、掉头和未知状态中的任意一种。
本申请上述步骤S101至步骤S103,通过获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,该道路对象为处于车辆的信息采集范围内的道路对象;将获取到的环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的行驶轨迹;基于道路对象的预测行驶轨迹,控制车辆的行驶状态。也就是说,本发明实施例提供的车辆的控制方法可以基于获取到的当前车辆的信息采集范围内的至少一个道路对象的环境信息,来预测该道路对象的行驶轨迹,进而基于该道路对象的预测行驶轨迹来控制当前车辆的行驶状态,由于该道路对象的预测行驶轨迹是基于实时获取到的环境信息预测出来的,因此,该道路对象的预测行驶轨迹更加准确,进而基于该道路对象的预测行驶轨迹来控制车辆的行驶状态,可以提升车辆驾驶的安全性,解决了车辆行驶轨迹预测准确性低的技术问题。
下面对该实施例的上述方法进行进一步介绍。
作为一种可选的实施例方式,步骤S102,将环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的预测行驶轨迹,包括:对环境信息添加特征值,得到环境信息所对应的特征向量;将该特征向量输入至轨迹预测模型中进行处理,得到预测行驶轨迹。
在该实施例中,控制设备获取到的每个道路对象的环境信息中包括该道路对象的速度信息、所处场景信息、前方交通等信息、周围道路对象的车速与车距信息以及该道路对象所处位置的地图信息中的至少一个。在这种情况下,控制设备可以先将当前时间段内以预设时间间隔获取到的每个时刻道路对象的环境信息组成一个环境信息集合。之后,控制设备可以将每个环境信息集合输入至目标处理算法中进行处理,该目标处理算法为预先训练好的算法,该目标处理算法可以对每个环境集合中包括的信息进行特征值添加,并输出每个环境信息集合对应的特征向量。
举例而言,以当前时间段内的某一时刻为例,假设控制设备在该时刻获取到的某个道路对象的环境信息中包括该道路对象的速度信息,所处场景信息,前方交通灯信息。其中,该道路对象的速度信息可以用At表示,该道路对象所处场景信息可以用Bt表示,前方交通灯信息可以用Ct表示,道路对象的环境信息集合可以用Xt表示,基于此,该道路对象的环境信息集合可以表示为Xt={At、Bt、Ct}。控制设备可以将该环境信息集合Xt={At、Bt、Ct}输入至目标处理算法,目标处理算法可以对该环境信息集合进行特征值添加和标准化处理,并输出该环境信息集合所对应的特征向量。依据相同的方法,控制设备可以得到当前时间段内不同时刻该道路对象的环境信息集合所对应的特征向量。
在得到当前时间段内不同时刻该道路对象的环境信息集合所对应的特征向量之后,控制设备可以将获取到的多个特征向量输入至轨迹预测模型中,轨迹预测模型可以对控制设备输入的不同时刻道路对象的环境信息集合所对应的特征向量进行处理,进而输出该道路对象在未来时间段内的预测行驶轨迹。
作为一种可选的实施例,在步骤S102之前还包括基于道路对象在历史时间段内的历史环境信息与历史行驶轨迹信息对原始轨迹预测模型进行训练,得到轨迹预测模型的过程。其中,基于道路对象的历史环境信息与历史行驶轨迹信息对原始轨迹预测模型进行训练,得到轨迹预测模型包括:获取历史时间段内道路对象的历史环境信息和历史轨迹信息,该历史时间段包括第一历史时间段和第二历史时间段,其中,第二历史时间段为第一历史时间段之后,且与第一历史时间段相邻的时间段;将第一历史时间段内道路对象的环境信息输入至原始轨迹预测模型中进行预测,得到道路对象在第二历史时间段内的预测行驶轨迹;基于道路对象在第二历史时间段内的预测行驶轨迹与实际行驶轨迹,调整原始轨迹预测模型的参数,得到轨迹预测模型。
在该实施例中,历史时间段为当前时刻之前的一个时间段。其中,该历史时间段可以为当前时间段之前的一个时间段,该历史时间段也可以包括当前时间段,此处不做具体限定。控制设备可以通过车辆的雷达和/或图像采集设备获取历史时间段内车辆的信息采集范围内的道路对象的历史环境信息和历史行驶轨迹信息。在获取到历史时间段内道路对象的历史环境信息和历史行驶轨迹信息之后,控制设备可以对历史时间段进行划分。例如,可以将该历史时间段划分为两个相邻的时间段,其中,为了方便说明,可以将该两个相邻的历史时间段称作第一历史时间段和第二历史时间段,该第一历史时间段和第二历史时间段可以为时长相等的两个时间段,也可以为时长不等的两个时间段。之后,控制设备可以获取第一历史时间段内道路对象的历史环境信息,其中该第一历史时间段内的道路对象的环境信息中包括道路对象的速度信息、所处场景信息、前方交通灯信息、周围道路对象的车速与车距信息以及该道路对象所处位置的地图信息中的至少一个。控制设备还可以获取第二历史时间段内道路对象的历史行驶轨迹信息,其中,该历史行驶轨迹信息中包括该道路对象在第二历史时间段内的实际行驶轨迹。
可选地,控制设备可以基于前述介绍的方法,将第一历史时间段内获取到的不同时刻道路对象的历史环境信息集合输入至目标处理算法中,得到第一历史时间段内道路对象的多个历史环境信息集合所对应的多个特征向量。控制设备可以将该多个特征向量输入至原始轨迹预测模型中。其中,该原始轨迹预测模型可以包括双向GRU神经网络模型和前馈神经网络模型,其中,控制设备将该第一历史时间段内的道路对象的多个环境信息集合所对应的特征向量输入至原始轨迹预测模型中之后,先经过双向GRU神经网络模型进行处理,经由双向GRU神经网络模型处理之后的信息,再经由前馈神经网络进行处理,该前馈神经网络模型可以输出第二历史时间段内该道路对象的预测行驶轨迹。需要说明的是,控制设备在将第一历史时间段内道路对象的多个特征向量输入至原始轨迹预测模型中时,还可以将第二历史时间段内该道路对象的实际行驶轨迹输入至该原始轨迹预测模型中,基于此,当该原始轨迹预测模型预测出道路对象在第二历史时间段内的行驶轨迹之后,可以将该第二历史时间段内的预测行驶轨迹与实际行驶轨迹进行比较,进而调整该原始轨迹预测模型的参数,得到轨迹预测模型。
可选地,基于道路对象在第二历史时间段内的预测行驶估计与实际行驶轨迹,调整原始轨迹预测模型的参数,得到轨迹预测模型包括:基于道路对象在历史时间段内的历史行驶轨迹,确定道路对象的第二历史时间段内的实际行驶轨迹;基于道路对象在第二历史时间段内的预测行驶轨迹与实际行驶轨迹,确定预测行驶轨迹与实际行驶轨迹之间的匹配率;基于匹配率,调整原始轨迹预测模型的参数。
在该实施例中,如果原始轨迹预测模型输出的道路对象在第二历史时间段内的预测行驶轨迹与道路对象在第二历史时间段内的实际行驶轨迹之间的匹配率小于第一阈值,则调整原始轨迹预测模型的参数,增加原始轨迹预测模型的训练轮次,直至道路对象在第二历史时间段内的预测行驶轨迹与实际行驶轨迹之间的匹配率不小于第一阈值,在这种情况下,即可将当前原始轨迹预测模型确定为最终的轨迹预测模型。其中,该第一阈值可以预先设置,例如,可以将该第一阈值设置为85%,此处对此不作限定。
举例而言,原始轨迹预测模型在输出第二历史时间段内道路对象的预测行驶轨迹后,将该预测行驶轨迹与第二历史时间段内的实际行驶轨迹进行比较,得到第二历史时间段内道路对象的预测行驶轨迹与实际行驶轨迹之间的匹配率,如果该匹配率低于85%,则说明该原始轨迹预测模型输出的道路对象的预测行驶轨迹与道路对象的实际行驶轨迹之间的偏差较大,原始轨迹预测模型的准确定较低。在这种情况下,该原始轨迹预测模型可以自适应调整参数,增加训练轮次,每次训练后,都可以将输出的预测行驶轨迹与实际行驶轨迹进行对比,直至该原始轨迹预测模型输出的道路对象的预测行驶轨迹与道路对象的实际行驶轨迹之间的匹配率不小于85%,则说明该原始轨迹预测模型输出的预测行驶轨迹与道路对象的实际行驶轨迹较为吻合,也即该原始轨迹预测模型的预测准确率较高,此时,可将该当前的原始轨迹预测模型作为最终要使用的轨迹预测模型。后续,车辆的控制设备即可利用该轨迹预测模型来预测车辆的信息采集范围内的道路对象的行驶轨迹。
作为一种可选的实施例方式,步骤S103,基于道路对象的预测行驶轨迹,控制车辆的行驶状态,包括:基于道路对象的预测行驶轨迹,确定车辆的行驶策略,其中该行驶策略用于表征车辆在未来时间段内的行驶轨迹;基于行驶策略,控制车辆的行驶状态,该车辆的行驶状态包括左转弯、右转弯、向左变道、向右变道、巡航、急停、掉头和未知状态中的任意一种。
在该实施例中,当控制设备确定出车辆的信息采集范围内道路对象的预测行驶轨迹后,可以基于确定出的道路对象的预测行驶轨迹来确定车辆的行驶策略。举例而言,如果车辆正前方的道路对象的预测行驶轨迹为急停,则为了避免追尾事故的发生,控制设备可以基于车辆前方道路对象的预测行驶轨迹来控制车辆急停,以此来避免碰撞事故的发生。也就是说,控制设备可以基于车辆的信息采集范围内道路对象的预测行驶轨迹,来确定车辆的行驶策略,进而基于该行驶策略,控制车辆的行驶状态。
本实施例通过获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,该道路对象为处于车辆的信息采集范围内的道路对象;将获取到的环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的行驶轨迹;基于道路对象的预测行驶轨迹,控制车辆的行驶状态。也就是说,本发明实施例提供的车辆的控制方法可以基于获取到的当前车辆的信息采集范围内的至少一个道路对象的环境信息,来预测该道路对象的行驶轨迹,进而基于该道路对象的预测行驶轨迹来控制当前车辆的行驶状态,由于该道路对象的预测行驶轨迹是基于实时获取到的环境信息预测出来的,因此,该道路对象的预测行驶轨迹更加准确,进而基于该道路对象的预测行驶轨迹来控制车辆的行驶状态,可以提升车辆驾驶的安全性,解决了车辆行驶轨迹预测准确性低的技术问题。
实施例2
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
目前,在自动驾驶系统中,需要应对很多的突发场景,比如其他车辆的超车、路口车辆冲突、行人横穿马路等,在面对这些复杂的交通场景时,自动驾驶车辆通常基于瞬时状态来做决策,但是这种基于瞬时状态做决策的方法对环境的发展变化适应性较差,在应对一些复杂场景时容易产生延迟,从而导致碰撞风险,在这种情况下,如何提升车辆行驶轨迹预测的准确性就显得尤为重要。
因此,为了克服以上问题,在一种相关技术中提出了基于规则的道路对象行驶轨迹预测方法,这种方法将道路对象的行驶轨迹按照形式规则、交通法规、驾驶常识等建立行为规则库,并按照规则逻辑来预测道路对象的行驶轨迹。由于行为规则库中包含的场景有限,基于此,在面对一些突发场景时,采用这种方法将无法准确的预测道路对象的行驶轨迹。
然而,本发明实施例提出采用轨迹预测模型来预测道路对象的行驶轨迹,该方法采用提前训练好的轨迹预测模型来预测道路对象的行驶轨迹,通过获取道路对象的环境信息,进而将获取到的道路对象的环境信息进行处理,得到特征向量,将特征向量输入至轨迹预测模型中进行预测,进而得到道路对象的预测行驶轨迹。由于该道路对象的预测行驶轨迹是基于道路对象所处的环境信息预测得到的,因此,该道路对象的预测行驶轨迹更加的贴合于实际情况,也即,道路对象的预测行驶轨迹较为准确,基于此,根据道路对象的行驶轨迹,确定出的车辆的行驶策略可以更好的提升车辆驾驶的安全性,以解决了车辆行驶轨迹预测准确性低的技术问题。
下一步对本发明实施例所提供的轨迹预测模型的训练方法做进一步举例介绍,在该方法可以包括以下步骤:
第一步,获取道路对象在历史时间段内的历史环境信息和历史轨迹信息。
车辆的雷达和/或图像采集设备可以以预设时间间隔不断获取车辆的信息采集范围内的道路对象的环境信息的行驶轨迹信息,其中,该环境信息中可以包括道路对象的速度信息、所处场景信息、前方交通灯信息、周围道路对象的车速与车距信息以及该道路对象所处位置的地图信息中的至少一个,该轨迹信息中包括道路对象的行驶估计。其中,以获取到的某一个道路对象为例,控制设备可以从车辆的雷达和/或图像采集设备获取到的该道路对象的多个环境信息中,获取某一历史时间段内以预设时间间隔获取到的该道路对象的多个环境信息和该道路对象在该历史时间段内的行驶轨迹信息。
第二步,将获取到的环境信息处理为[0,1]范围内的特征向量用于训练轨迹预测模型。
在获取到道路对象在历史时间段内的环境信息和行驶轨迹信息之后,控制设备可以将该历史时间段划分为两个相邻的时间段,分别称作第一历史时间段和第二历史时间段,其中第二历史时间段位于第一历史时间段之后。控制设备可以基于目标处理算法将第一历史时间段内获取到的道路对象的多个环境信息集合分别处理为[0,1]范围内的特征向量,进而得到多个特征向量。此外,该控制设备还可以从道路对象在历史时间段内的历史行驶轨迹信息中确定出该道路对象在第二历史时间段内的实际行驶轨迹。
第三步,训练轨迹预测模型。
在确定出第一历史时间段内道路对象的多个环境信息集合所对应的多个特征向量和第二历史时间段内道路对象的实际行驶轨迹之后,控制设备可以将第一时间段内该多个特征向量输入至原始轨迹预测模型中,对该原始轨迹预测模型进行训练,该原始轨迹预测模型基于该第一历史时间段内的多个特征向量输出该道路对象在第二历史时间段段内的预测行驶轨迹,并将该预测行驶轨迹与第二时间段内的实际行驶轨迹进行比较,以确定该原始轨迹预测模型所预测的行驶轨迹的准确性。
举例而言,图2是根据本发明实施例的一种轨迹预测模型的示意图。如图2所示,该轨迹预测模型包括双向GRU神经网络模型和前馈神经网络模型,控制设备可以将第一历史时间段内以预设时间间隔采集到的环境信息所对应的特征向量Xt-1、Xt、Xt+1输入至双向GRU神经网络模型中,该双向GRU神经网络模型包括前向GRU和后向GRU。其中,前向GRU和后向GRU可以单独对数据处理,然后输出两个方向上的隐含层信息。其中,前向GRU输出的隐含层信息可以用来表示,后向GRU输出的隐含层信息可以用来表示。双向GRU神经网络模型在输出两个方向上的隐含层信息之后,该两个方向上的隐含层信息可以输入至前馈神经网络模型中,该前馈神经网络模型包括输入层、隐含层1、隐含层2和输出层,两个方向上的隐含层信息经由前馈神经网络模型的输入层、隐含层1、隐含层2和输出层进行处理后,可以输出道路对象在t-1、t、t+1时刻的行为状态Tt-1、Tt、Tt+1,之后,该轨迹预测模型可以基于预测的每一时刻道路对象的行为状态Tt-1、Tt、Tt+1,确定出道路对象的预测行驶轨迹,进而将该道路对象在第二历史时间段内的预测行驶轨迹与预先输入的道路对象在第二历史时间段内的实际行驶轨迹进行比较,确定该预测行驶轨迹与实际行驶轨迹之间的匹配率。如果该预测行驶轨迹与实际行驶轨迹之间的匹配率小于第一阈值,则该轨迹预测模型可以自适应调整参数,增加训练轮次,并将每次训练之后,输出的预测行驶估计与实际行驶轨迹进行比较,如果预测行驶轨迹与实际行驶轨迹之间的匹配率小于第一阈值,则继续训练,如果预测行驶轨迹与实际行驶轨迹之间的匹配率不小于第一阈值,则将该次训练完成的轨迹预测模型确定为最终要使用的轨迹预测模型。
在本发明该实施例中,提出了一种轨迹预测模型的训练过程,基于历史时间段内获取到的道路对象的历史环境信息对原始轨迹预测模型进行训练,得到轨迹预测模型。由于该轨迹预测模型可以基于环境信息来预测道路对象的行驶轨迹,因此该轨迹预测模型可以适用于不同的道路场景,使用范围更加广泛。
下面对本发明实施例所提供的基于轨迹预测模型确定出的道路对象的预测行驶轨迹,控制车辆的行驶状态的方法做进一步举例介绍,在该方法可以包括以下几个步骤:
第一步,基于训练好的轨迹预测模型,确定道路对象的预测行驶轨迹。
在该实施例中,控制设备可以获取当前时间段内车辆的信息采集范围内的道路对象的环境信息集合,并将获取到的环境信息集合通过目标处理算法处理为满足轨迹预测模型输入的特征向量。在确定出当前时间段内道路对象的环境信息集合所对应的特征向量之后,控制设备可以将特征向量输入至轨迹预测模型中进行预测,该轨迹预测模型可以输出道路对象在未来时间段内的预测行驶轨迹。
第二步,基于道路对象的预测行驶轨迹,控制车辆的行驶状态。
在确定出车辆的信息采集范围内的道路对象的预测行驶轨迹之后,控制设备可以基于确定出的道路对象的预测行驶轨迹来确定车辆的行驶状态。其中,控制设备可以基于道路对象的预测行驶轨迹,确定车辆的行驶策略,并控制车辆按照确定出的行驶策略进行行驶。
在本发明该实施例中,提出了一种基于轨迹预测模型确定出的道路对象的预测行驶轨迹来确定车辆的行驶状态的过程,基于训练好的轨迹预测模型,预测车辆的信息采集范围内的道路对象的行驶轨迹,进而基于道路对象的预测行驶轨迹,控制车辆的行驶状态。由于该迹预测模型可以基于道路对象所处的环境信息预测出道路对象在未来时间段内的行驶轨迹,其中,该环境信息为实时获取到的,所以基于该环境信息预测出的道路对象的行驶轨迹更加准确,进而基于该道路对象的预测行驶轨迹来确定车辆的行驶策略,可以提高车辆驾驶的安全性,解决了车辆行驶轨迹预测准确性低的技术问题。
实施例3
根据本发明实施例,还提供了一种车辆的控制装置。需要说明的是,该车辆的控制装置可以用于执行实施例1中的车辆的控制方法。
图3是根据本发明实施例的一种车辆的控制装置的示意图。如图3所示,车辆的控制装置300可以包括:获取模块301、预测模块302和控制模块303。
获取模块301,用于获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,道路对象为车辆的信息采集范围内的道路对象;
预测模块302,用于将环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的预测行驶轨迹,其中,轨迹预测模型为预先基于道路对象在历史时间段内的历史环境信息与历史行驶轨迹信息对原始轨迹预测模型进行训练得到;
控制模块303,用于基于道路对象的预测行驶轨迹,控制车辆的行驶状态。
可选地,预测模块302可以包括:添加单元,用于对环境信息添加特征值,得到环境信息所对应的特征向量;处理单元,用于将特征向量输入至轨迹预测模型中进行处理,得到预测行驶轨迹。
可选地,历史时间段包括第一历史时间段和第二历史时间段,其中,第二历史时间段为在第一历史时间段之后,且与第一历史时间段相邻的时间段,该装置300可以包括:输入模块,用于将第一历史时间段内道路对象的环境信息输入至原始轨迹预测模型中进行预测,得到道路对象在第二历史时间段内的预测行驶轨迹;调整模块,用于基于道路对象在第二历史时间段内的预测行驶轨迹与实际行驶轨迹,调整原始轨迹预测模型的参数,得到轨迹预测模型。
可选地,调整模块可以包括:第一确定单元,用于基于道路对象在历史时间段内的历史行驶轨迹信息,确定道路对象在第二历史时间段内的实际行驶轨迹;第二确定单元:用于基于道路对象在第二历史时间段内的预测行驶轨迹与实际行驶轨迹,确定预测行驶轨迹与实际行驶轨迹之间的匹配率;调整单元:用于基于匹配率,调整原始轨迹预测模型的参数。
可选地,该装置300可以包括:处理模块,用于响应于预测行驶轨迹与实际行驶轨迹之间的匹配率小于第一阈值,则调整原始轨迹预测模型的参数,增加原始轨迹预测模型的训练轮次,直至预测行驶轨迹与实际行驶轨迹之间的匹配率不小于第一阈值,将当前原始轨迹预测模型确定为轨迹预测模型。
可选地,控制模块303可以包括:第三确定单元,用于基于道路对象的预测行驶轨迹,确定车辆的行驶策略,其中,行驶策略用于表征车辆在未来时间段内的行驶轨迹;控制单元,用于基于行驶策略,控制车辆的行驶状态,其中,行驶状态包括一下之一:左转弯、右转弯、向左变道、向右变道、巡航、急停、掉头和未知状态。
在该实施例中,获取模块,用于获取当前时间段内采集到的至少一个道路对象的的环境信息,其中,该道路对象为处于车辆的信息采集范围内的道路对象;预测模块,用于将环境信息输入至轨迹预测模型中进行预测,得到道路对象在未来时间段内的预测行驶轨迹;控制模块,用于基于道路对象的预测行驶轨迹,控制车辆的行驶状态。由于道路对象的预测行驶轨迹是基于实际获取到的道路对象的环境信息所预测出来的,因此,该预测行驶轨迹较为准确,基于该道路对象的预测行驶轨迹来控制车辆的行驶状态,可以提升车辆驾驶的安全性,解决了车辆行驶轨迹预测准确性低的技术问题
实施例4
根据本发明实施例,还提供了一种计算机可读存储介质,该存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行实施例1中的车辆的控制方法。
实施例5
根据本发明实施例,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行实施例1中的车辆的控制方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,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,可以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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种车辆的控制方法,其特征在于,包括:
获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,所述道路对象为处于车辆的信息采集范围内的道路对象;
将所述环境信息输入至轨迹预测模型中进行预测,得到所述道路对象在未来时间段内的预测行驶轨迹,其中,所述轨迹预测模型为预先基于所述道路对象在历史时间段内的历史环境信息与历史行驶轨迹信息对原始轨迹预测模型进行训练得到;
基于所述道路对象的所述预测行驶轨迹,控制所述车辆的行驶状态。
2.根据权利要求1所述的方法,其特征在于,将所述环境信息输入至轨迹预测模型中进行预测,得到所述道路对象在未来时间段内的预测行驶轨迹,包括:
对所述环境信息添加特征值,得到所述环境信息所对应的特征向量;
将所述特征向量输入至所述轨迹预测模型中进行处理,得到所述预测行驶轨迹。
3.根据权利要求1所述的方法,其特征在于,所述历史时间段包括第一历史时间段和第二历史时间段,其中,所述第二历史时间段为在所述第一历史时间段之后,且与所述第一历史时间段相邻的时间段,所述方法还包括:
将所述第一历史时间段内所述道路对象的环境信息输入至所述原始轨迹预测模型中进行预测,得到所述道路对象在所述第二历史时间段内的预测行驶轨迹;
基于所述道路对象在所述第二历史时间段内的预测行驶轨迹与实际行驶轨迹,调整所述原始轨迹预测模型的参数,得到所述轨迹预测模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述道路对象在所述第二历史时间段内的预测行驶轨迹与实际行驶轨迹,调整所述原始轨迹预测模型的参数,包括:
基于所述道路对象在所述历史时间段内的历史行驶轨迹信息,确定所述道路对象在所述第二历史时间段内的实际行驶轨迹;
基于所述道路对象在所述第二历史时间段内的所述预测行驶轨迹与所述实际行驶轨迹,确定所述预测行驶轨迹与所述实际行驶轨迹之间的匹配率;
基于所述匹配率,调整所述原始轨迹预测模型的参数。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
响应于所述预测行驶轨迹与所述实际行驶轨迹之间的匹配率小于第一阈值,则调整所述原始轨迹预测模型的参数,增加所述原始轨迹预测模型的训练轮次,直至所述预测行驶轨迹与所述实际行驶轨迹之间的匹配率不小于所述第一阈值,则将当前原始轨迹预测模型确定为所述轨迹预测模型。
6.根据权利要求1所述的方法,其特征在于,所述基于所述道路对象的所述预测行驶轨迹,控制所述车辆的行驶状态,包括:
基于所述道路对象的预测行驶轨迹,确定所述车辆的行驶策略,其中,所述行驶策略用于表征所述车辆在所述未来时间段内的行驶轨迹;
基于所述行驶策略,控制所述车辆的行驶状态,其中,所述行驶状态包括以下之一:左转弯、右转弯、向左变道、向右变道、巡航、急停、掉头和未知状态。
7.一种车辆的控制装置,其特征在于,包括:
获取模块,用于获取在当前时间段内采集到的至少一个道路对象的环境信息,其中,所述道路对象为处于车辆的信息采集范围内的道路对象;
预测模块,用于将所述环境信息输入至轨迹预测模型中进行预测,得到所述道路对象在未来时间段内的预测行驶轨迹,其中,所述轨迹预测模型为预先基于所述道路对象在历史时间段内的历史环境信息与历史行驶轨迹信息对原始轨迹预测模型进行训练得到;
控制模块,用于基于所述道路对象的所述预测行驶轨迹,控制所述车辆的行驶状态。
8.一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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序被所述处理器运行时执行权利要求1至6中任意一项所述的方法。
10.一种车辆,其特征在于,所述车辆用于执行权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210780958.1A CN115092181A (zh) | 2022-07-04 | 2022-07-04 | 车辆的控制方法、装置、存储介质和处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210780958.1A CN115092181A (zh) | 2022-07-04 | 2022-07-04 | 车辆的控制方法、装置、存储介质和处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115092181A true CN115092181A (zh) | 2022-09-23 |
Family
ID=83296419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210780958.1A Pending CN115092181A (zh) | 2022-07-04 | 2022-07-04 | 车辆的控制方法、装置、存储介质和处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115092181A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116767186A (zh) * | 2023-07-18 | 2023-09-19 | 北京斯年智驾科技有限公司 | 一种车辆控制方法、装置、计算机设备及可读存储介质 |
-
2022
- 2022-07-04 CN CN202210780958.1A patent/CN115092181A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116767186A (zh) * | 2023-07-18 | 2023-09-19 | 北京斯年智驾科技有限公司 | 一种车辆控制方法、装置、计算机设备及可读存储介质 |
CN116767186B (zh) * | 2023-07-18 | 2024-04-26 | 北京斯年智驾科技有限公司 | 一种车辆控制方法、装置、计算机设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10606264B2 (en) | Control method and control device of automatic driving vehicle | |
CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
CN108919795B (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
Min et al. | Deep Q learning based high level driving policy determination | |
EP2950114B1 (en) | Method for assisting a driver in driving a vehicle, a driver assistance system, a computer software program product and vehicle | |
CN113548054B (zh) | 基于时序的车辆变道意图预测方法及系统 | |
WO2018220418A1 (en) | Driving assistance method and system | |
CN112644511A (zh) | 用于自主车辆的智能升级策略 | |
CN114074681A (zh) | 基于概率的车道变更决策和运动规划系统及其方法 | |
CN113085873B (zh) | 驾驶策略的获取方法、装置、计算机设备和存储介质 | |
CN111301404B (zh) | 车辆的控制方法及装置、存储介质及处理器 | |
CN108657176A (zh) | 车辆控制方法、装置及相关计算机程序产品 | |
WO2021028533A1 (en) | Method, device, medium, and vehicle for providing individual driving experience | |
CN115056798A (zh) | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 | |
JP2019010967A (ja) | 自動制御装置およびその制御方法 | |
CN114559940A (zh) | 车辆换道方法、装置及车辆 | |
CN115092181A (zh) | 车辆的控制方法、装置、存储介质和处理器 | |
CN112896166A (zh) | 车辆换道方法、装置和电子设备 | |
Islam et al. | Enhancing Longitudinal Velocity Control With Attention Mechanism-Based Deep Deterministic Policy Gradient (DDPG) for Safety and Comfort | |
CN112634627A (zh) | 一种高速巡航状态下的换道方法、装置及汽车 | |
WO2023087157A1 (zh) | 一种智能驾驶方法及应用该方法的车辆 | |
CN116080647A (zh) | 一种车辆换道方法、装置及车辆 | |
CN111483463B (zh) | 基于车载单元和路侧单元的预判超车方法、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 |