CN115112141A - 一种车辆路径规划方法、系统、电子设备及存储介质 - Google Patents

一种车辆路径规划方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN115112141A
CN115112141A CN202210739201.8A CN202210739201A CN115112141A CN 115112141 A CN115112141 A CN 115112141A CN 202210739201 A CN202210739201 A CN 202210739201A CN 115112141 A CN115112141 A CN 115112141A
Authority
CN
China
Prior art keywords
unmanned vehicle
vehicle
path
surrounding vehicles
track
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
Application number
CN202210739201.8A
Other languages
English (en)
Inventor
杨东方
王雪成
邱利宏
李琳辉
孔周维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202210739201.8A priority Critical patent/CN115112141A/zh
Publication of CN115112141A publication Critical patent/CN115112141A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种车辆路径规划方法、系统、电子设备及存储介质，首先根据无人驾驶车辆和周围车辆的状态信息、交通环境数据，预测周围车辆的所有可能行驶轨迹；再根据无人驾驶车辆在当前时刻前的路径规划，对周围车辆进行路径规划，生成周围车辆的假定规划轨迹；对假定规划轨迹进行修正，并将修正后的假定规划轨迹与预测轨迹进行合并，根据轨迹合并结果对无人驾驶车辆进行路径规划，以生成让无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。本发明不仅考虑了无人驾驶车辆与周围车辆的交互影响，而且还能够提高周围车辆轨迹预测结果的合理性和准确性，以及提高无人驾驶车辆路径规划的主动性和拟人化程度。

Description

一种车辆路径规划方法、系统、电子设备及存储介质
技术领域
本申请涉及自动驾驶技术领域，具体涉及一种车辆路径规划方法、系统、电子设备及存储介质。
背景技术
无人驾驶车辆(或无人车辆)在机动车道行驶的过程中，需要在实时检测其周围其它车辆(简称周围车辆)的基础上，预测周围车辆在未来一段时间内有可能的多条行驶轨迹，并基于周围车辆的轨迹预测结果，规划出至少一条不会与周围车辆出现冲突或碰撞的安全路径，然后将规划出的安全路径作为无人驾驶车辆运动的依据。所以，无人驾驶车辆的路径规划与周围车辆的轨迹预测之间存在交互耦合，互相影响。
而在当前对周围车辆进行轨迹预测的方法中，并未考虑无人驾驶车辆的路径规划属于已知条件这一特点，不能体现无人驾驶车辆的独特性；导致这些方法一方面会影响周围车辆的轨迹预测精度，尤其是在无人驾驶车辆运动影响下的轨迹预测精度；另一方面，在以该轨迹预测作为无人驾驶车辆路径规划的输入时，容易导致无人驾驶车辆的路径规划偏于被动和保守，不能体现轨迹预测和路径规划的交互耦合。此外，虽然目前有部分文献考虑了无人驾驶车辆与周围车辆之间的双向影响，但是这部分文献不易追溯因果关系和添加约束条件来对轨迹预测进行修正优化。
发明内容
鉴于以上所述现有技术的缺点，本发明提供一种车辆路径规划方法、系统、电子设备及存储介质，以解决上述技术问题。
本发明提供一种车辆路径规划方法，所述方法包括以下步骤：
根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；
根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；
对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；
其中，所述目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，所述周围车辆包括与所述目标无人驾驶车辆处于预设区域内的车辆。
于本发明的一实施例中，根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹的过程包括：
将所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息渲染至满足预设精度的栅格地图中；其中，满足预设精度的栅格地图根据所述交通环境数据得到；
在满足预设精度的栅格地图中使用不同颜色值表示不同的语义信息，以及使用相同颜色的渐变色表示不同历史时间步的信息，得到含有动态信息的栅格地图；
利用卷积神经网络编码含有动态信息的栅格地图，获取包含车辆交互信息和环境数据的空间特征；
利用门控循环单元编码交通规则、所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息，获取时间特征；
对所述空间特征和所述时间特征进行融合，得到时空融合特征；
将所述时空融合特征输入多层感知器中进行解码，预测所述周围车辆在未来多个时间步的所有可能行驶轨迹。
于本发明的一实施例中，根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹的过程包括：
根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列；
利用快速搜索随机树模型对所述周围车辆的路径初始状态序列进行处理，从所述周围车辆的角度对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹。
于本发明的一实施例中，根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列的过程包括：
以所述周围车辆的角度建立部分可观测马尔科夫决策模型；
利用所述部分可观测马尔科夫决策模型从所述目标无人驾驶车辆在当前时刻前的路径规划、所述交通环境数据以及所述周围车辆的当前状态信息中，预测出所述周围车辆的路径初始状态序列。
于本发明的一实施例中，对所述假定规划轨迹进行修正的过程包括：
根据所述目标无人驾驶车辆的状态信息和所述周围车辆的状态信息，确定所述目标无人驾驶车辆与所述周围车辆的交互行为；
基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正；
其中，所述交互行为包括以下之一：超车行为、跟车行为、避让行为、会车行为。
于本发明的一实施例中，基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正的过程包括：
当所述目标无人驾驶车辆处于超车行为时，对所述假定规划路径进行缩短修正；
当所述目标无人驾驶车辆处于跟车行为或避让行为时，对所述假定规划轨迹进行增长修正；
当所述目标无人驾驶车辆处于会车行为时，不对所述假定规划轨迹进行修正。
于本发明的一实施例中，对所述假定规划轨迹进行修正时，所述方法还包括：
根据预设交通先验知识、所述目标无人驾驶车辆的位置信息以及所述周围车辆的位置信息，确定所述目标无人驾驶车辆与所述周围车辆之间的路权优先级；
获取路权优先级低于所述目标无人驾驶车辆的周围车辆，记为待修正周围车辆；
对所述待修正周围车辆的假定规划轨迹进行缩短修正；
其中，所述预设交通先验知识包括交通规则、交通场景和地图。
于本发明的一实施例中，将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划的过程包括：
将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹；
将新的预测轨迹作为所述目标无人驾驶车辆在当前周期的路径规划条件，并利用所述部分可观测马尔科夫决策模型从所述新的预测轨迹、所述目标无人驾驶车辆的当前状态信息、以及所述交通环境数据中，获取所述目标无人驾驶车辆的路径初始状态序列；
利用所述快速搜索随机树模型对所述目标无人驾驶车辆的路径初始状态序列进行处理，对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径。
于本发明的一实施例中，将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹后，所述方法还包括：
获取在预测所述周围车辆的所有可能行驶轨迹时生成的预测轨迹的置信度；其中，置信度用于表示轨迹的可信程度或可信概率；
将一个动态初始值赋值给修正后的假定规划轨迹，作为修正后的假定规划轨迹的置信度；
对合并前的预测轨迹的置信度和所述动态初始值进行归一化处理，修正新的预测轨迹的置信度。
本发明还提供一种车辆路径规划系统，所述系统包括有：
周围车辆轨迹预测模块，用于根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；
周围车辆轨迹规划模块，用于根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；
轨迹修正模块，用于对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并；
无人驾驶车辆路径规划模块，用于根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；
其中，所述目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，所述周围车辆包括与所述目标无人驾驶车辆处于预设区域内的车辆。
本发明还提供一种无人驾驶车辆，所述无人驾驶车辆按照预设行驶路径进行行驶，所述预设行驶路径的生成过程包括：
根据所述无人驾驶车辆的状态信息和环境数据，以及周围车辆的状态信息和环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；
根据所述无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；
对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；
其中，所述周围车辆包括与所述无人驾驶车辆处于预设区域内的车辆。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如上述中任一项所述的车辆路径规划方法。
本发明还提供一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如上述中任一项所述的车辆路径规划方法。
如上所述，本发明提供一种车辆路径规划方法、系统、电子设备及存储介质，具有以下有益效果：
本发明首先根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及目标无人驾驶车辆与周围车辆的交通环境数据，预测周围车辆的所有可能行驶轨迹，并记为周围车辆的预测轨迹；再根据目标无人驾驶车辆在当前时刻前的路径规划，对周围车辆进行路径规划，生成周围车辆的假定规划轨迹；最后对假定规划轨迹进行修正，并将修正后的假定规划轨迹与预测轨迹进行合并，根据轨迹合并结果对目标无人驾驶车辆进行路径规划，以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。其中，目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，周围车辆包括与目标无人驾驶车辆处于预设区域内的车辆。由此可知，本发明不仅能够预测出周围车辆的所有可能行驶轨迹，而且还能够根据无人驾驶车辆在当前周期前的规划路径，从周围车辆的角度对周围车辆进行路径规划，得到周围车辆假定的规划轨迹，作为补充完善周围车辆的预测轨迹，可以降低周围车辆轨迹预测的不确定性，提高轨迹预测结果的合理性和准确性。同时，本发明还能够将修正后的假定轨迹补充到周围车辆的多条预测轨迹中，一起作为目标无人驾驶车辆路径规划的输入，进行当前周期目标无人驾驶车辆的路径规划，可以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。相当于本发明不仅考虑了目标无人驾驶车辆与周围车辆的交互影响，而且还能够提高周围车辆轨迹预测结果的合理性和准确性，以及提高目标无人驾驶车辆路径规划的主动性和拟人化程度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
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。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术者来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为应用本申请中一个或多个实施例中技术方案的示例性系统架构的示意图；
图2为本申请中一实施例提供的车辆路径规划方法的流程示意图；
图3为本申请中一实施例提供的预测周围车辆的行驶轨迹的流程示意图；
图4为本申请中一实施例提供的进行轨迹合并前的预测轨迹示意图；
图5为本申请中一实施例提供的完成轨迹合并后的预测轨迹示意图；
图6为本申请中另一实施例提供的车辆路径规划方法的流程示意图；
图7为本申请中一实施例提供的车辆路径规划系统的硬件结构示意图；
图8为适用于实现本申请中一个或多个实施例的电子设备的硬件结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在下文描述中，探讨了大量细节，以提供对本发明实施例的更透彻的解释，然而，对本领域技术人员来说，可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的，在其他实施例中，以方框图的形式而不是以细节的形式来示出公知的结构和设备，以避免使本发明的实施例难以理解。
图1示出了一种可以应用本申请中一个或多个实施例中技术方案的示例性系统架构的示意图。如图1所示，系统架构100可以包括终端设备110、网络120和服务器130。终端设备110可以包括智能手机、平板电脑、笔记本电脑、台式电脑等各种电子设备。服务器130可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。网络120可以是能够在终端设备110和服务器130之间提供通信链路的各种连接类型的通信介质，例如可以是有线通信链路或者无线通信链路。
根据实现需要，本申请实施例中的系统架构可以具有任意数目的终端设备、网络和服务器。例如，服务器130可以是由多个服务器设备组成的服务器群组。另外，本申请实施例提供的技术方案可以应用于终端设备110，也可以应用于服务器130，或者可以由终端设备110和服务器130共同实施，本申请对此不做特殊限定。
在本申请的一个实施例中，本申请的终端设备110或服务器130可以根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及目标无人驾驶车辆与周围车辆的交通环境数据，预测周围车辆的所有可能行驶轨迹，并记为周围车辆的预测轨迹；再根据目标无人驾驶车辆在当前时刻前的路径规划，对周围车辆进行路径规划，生成周围车辆的假定规划轨迹；最后对假定规划轨迹进行修正，并将修正后的假定规划轨迹与预测轨迹进行合并，根据轨迹合并结果对目标无人驾驶车辆进行路径规划，以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。其中，目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，周围车辆包括与目标无人驾驶车辆处于预设区域内的车辆。由此可知，利用终端设备110或服务器130执行车辆路径规划方法后，不仅能够预测出周围车辆的所有可能行驶轨迹，而且还能够根据无人驾驶车辆在当前周期前的规划路径，从周围车辆的角度对周围车辆进行路径规划，得到周围车辆假定的规划轨迹，作为补充完善周围车辆的预测轨迹，可以降低周围车辆轨迹预测的不确定性，提高轨迹预测结果的合理性和准确性。同时，利用终端设备110或服务器130还能够将修正后的假定轨迹补充到周围车辆的多条预测轨迹中，一起作为目标无人驾驶车辆路径规划的输入，进行当前周期目标无人驾驶车辆的路径规划，可以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。相当于利用终端设备110或服务器130执行车辆路径规划方法，不仅考虑了目标无人驾驶车辆与周围车辆的交互影响，而且还能够提高周围车辆轨迹预测结果的合理性和准确性，以及提高目标无人驾驶车辆路径规划的主动性和拟人化程度。
以上部分介绍了应用本申请技术方案的示例性系统架构的内容，接下来继续介绍本申请的生成数字孪生实例的方法。
图2示出了本申请一实施例提供的车辆路径规划方法流程示意图。具体地，在一示例性实施例中，如图2所示，本实施例提供一种车辆路径规划方法，该方法包括以下步骤：
S210，根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹。作为示例，目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，周围车辆包括与目标无人驾驶车辆处于预设区域内的一台或多台车辆，状态信息包括当前状态信息和历史状态信息。其中，预设区域可以是预先设定的面积区域，也可以是预先设定的距离区域，还可以是预先设定的其他区域；本实施例不对预设区域的形式做任何限定，所以此处不再进行赘述。在本方法的实施例中，无人驾驶车辆还可以简称为无人车辆。
S220，根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹。作为示例，目标无人驾驶车辆在当前时刻前的路径规划包括但不限于：目标无人驾驶车辆在上一周期的路径规划。
S230，对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径。
由此可知，本实施例首先根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及目标无人驾驶车辆与周围车辆的交通环境数据，可以预测出周围车辆的所有可能行驶轨迹，然后再根据无人驾驶车辆在当前周期前的规划路径，从周围车辆的角度对周围车辆进行路径规划，得到周围车辆假定的规划轨迹，作为补充完善周围车辆的预测轨迹，可以降低周围车辆轨迹预测的不确定性，提高轨迹预测结果的合理性和准确性。同时，本实施例还能够将修正后的假定轨迹补充到周围车辆的多条预测轨迹中，一起作为目标无人驾驶车辆路径规划的输入，进行当前周期目标无人驾驶车辆的路径规划，可以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。相当于本实施例不仅考虑了目标无人驾驶车辆与周围车辆的交互影响，而且还能够提高周围车辆轨迹预测结果的合理性和准确性，以及提高目标无人驾驶车辆路径规划的主动性和拟人化程度。
如图3所示，在一示例性实施例中，根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹的过程可以是：
S310，将所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息渲染至满足预设精度的栅格地图中；其中，满足预设精度的栅格地图根据所述交通环境数据得到。作为示例，例如本实施例中的交通环境数据可以包括满足预设精度的栅格地图。其中，栅格地图的精度可以根据实际情况进行预设，本实施例不做具体数值限定。
S320，在满足预设精度的栅格地图中使用不同颜色值表示不同的语义信息，以及使用相同颜色的渐变色表示不同历史时间步的信息，得到含有动态信息的栅格地图；
S330，利用卷积神经网络编码含有动态信息的栅格地图，获取包含车辆交互信息和环境数据的空间特征；
S340，利用门控循环单元编码交通规则、所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息，获取时间特征；
S350，对所述空间特征和所述时间特征进行融合，得到时空融合特征；作为示例，本实施例可以采用特征拼接函数对空间特征和时间特征进行融合。
S360，将所述时空融合特征输入两个多层感知器中进行解码，预测所述周围车辆在未来多个时间步的所有可能行驶轨迹，以及每条行驶轨迹的置信度。其中，每条行驶轨迹的置信度用于表示该条行驶轨迹的可信程度或可信概率，置信度越大，对应行驶轨迹的可信程度越高，或者置信度越大，对应行驶轨迹的可信概率越大。
具体地，将无人驾驶车辆和周围车辆的历史状态信息渲染进三通道的满足预设精度的栅格地图(以下简称栅格高精地图)中，并使用不同颜色值表示不同的语义信息，同时使用相同颜色的渐变色表示不同历史时间步的信息，得到含有动态信息的栅格高精地图Mr。
利用轻量级卷积神经网络(Convolutional Neural Networks，简称CNN)EfficientNet编码栅格高精地图Mr，得到包含车辆交互信息和交通环境数据的空间特征FS，同时利用门控循环单元GRU(Gated Recurrent Unit，简称GRU)编码无人驾驶车辆的历史状态数据、周围车辆的历史状态信息和交通规则，得到时间特征FT；
FS＝EfficientNet(Mr；We)；
Figure BDA0003712918900000081
式中，EfficientNet(·)为轻量级卷积神经网络，Mr为栅格高精地图，We为轻量级卷积神经网络的权重，GRU(·)为门控循环单元，
Figure BDA0003712918900000082
为无人驾驶车辆历史状态信息，
Figure BDA0003712918900000083
为周围车辆历史状态信息，Rt为交通规则信息，WGRU为门控循环单元权重。
利用特征拼接函数Concatenate将空间特征FS和时间特征FT进行融合，得到时空融合特征FST：
FST＝Concatenate(FS,FT)；
式中，Concatenate(·)为特征拼接函数，FS为空间特征，FT为时间特征。
将时空融合特征FST经过两个多层感知器(Multi-Layer Perceptron，MLP)解码，得到未来Tf个时间步的由K条初始预测轨迹组成的多模态初始预测轨迹，以及每条初始预测轨迹的置信度confk；有：
Trajk＝MLPT(FST；WM T LP)；
confk＝Softmax(MLPc(FST；WM c LP))；
式中，MLPT(·)为产生预测轨迹的多层感知器，MLPc(·)为产生置信度的多层感知器，FST为时空融合特征，
Figure BDA0003712918900000091
为多层感知器MLPT(·)的权重，
Figure BDA0003712918900000092
为多层感知器MLPc(·)的权重，Softmax(·)为softmax函数，Trajk为第k条预测轨迹，confk为第k条轨迹的置信度，置信度指的是预测轨迹的可信程度或概率，k＝1，2，…，K。下标f指未来时刻future，时间步指的是经过一条轨迹上连续两个位置点所需的时间。其中，由K条初始预测轨迹组成的多模态初始预测轨迹如图4所示。
在本实施例中，获取无人驾驶车辆的历史状态信息和周围车辆的历史状态信息的方式可以是：通过无人驾驶车辆的车载感知系统和定位系统获得无人驾驶车辆的历史状态信息
Figure BDA0003712918900000093
Figure BDA0003712918900000094
和各周围车辆的历史状态信息
Figure BDA0003712918900000095
其中，上标ego表示无人驾驶车辆，上标tar表示无人驾驶车辆感知到的周围车辆，下标t＝-Tp,-Tp+1,…,0表示时间步，如t＝0为当前时刻，-Tp为过去第T个历史时刻，下标p指的是历史时刻past，pt表示t时刻的位置信息，vt表示t时刻的速度信息，yt表示t时刻的航向角信息，lt代表车辆的长宽尺寸信息。
在一示例性实施例中，根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹的过程包括：根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列；利用快速搜索随机树模型对所述周围车辆的路径初始状态序列进行处理，从所述周围车辆的角度对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹。作为示例，根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列的过程可以是：以所述周围车辆的角度建立部分可观测马尔科夫决策模型；利用所述部分可观测马尔科夫决策模型从所述目标无人驾驶车辆在当前时刻前的路径规划、所述交通环境数据以及所述周围车辆的当前状态信息中，预测出所述周围车辆的路径初始状态序列。
具体地，通过无人驾驶车辆的感知系统和无人驾驶车辆的定位系统，以及坐标转换获得各个周围车辆在车辆坐标系下的周围交通环境数据infoenv，并利用缓存机制获取无人驾驶车辆在当前时刻前或在上一周期的规划路径。如图4所示，灰色虚线表示无人驾驶车辆在上一周期的规划路径
Figure BDA0003712918900000096
在本实施例中，缓存机制是指存储无人驾驶车辆历史信息数据的介质或方法。
从各周围车辆的角度建立部分可观测马尔科夫决策模型(Partially ObservableMarkov Decision Processes，简称POMDP)，然后利用POMDP模型得到各周围车辆路径的初始状态序列
Figure BDA0003712918900000097
有：
Figure BDA0003712918900000101
式中，POMDP(·)为部分可观测马尔可夫决策模型，infoenv为交通环境数据，
Figure BDA0003712918900000102
为无人驾驶车辆在上一周期的规划路径，
Figure BDA0003712918900000103
为周围车辆的当前状态信息。
根据各周围车辆的初始状态序列
Figure BDA0003712918900000104
利用快速搜索随机树模型(Rapidly-exploring Random Trees，RRT)规划周围车辆未来Tf个时间步的路径轨迹，得到各周围车辆的假定规划轨迹
Figure BDA0003712918900000105
Figure BDA0003712918900000106
式中，RRT(·)为快速搜索随机树模型，
Figure BDA0003712918900000107
为各周围车辆的路径初始状态序列。
在一示例性实施例中，对所述假定规划轨迹进行修正的过程包括：根据所述目标无人驾驶车辆的状态信息和所述周围车辆的状态信息，确定所述目标无人驾驶车辆与所述周围车辆的交互行为；基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正。其中，所述交互行为包括以下之一：超车行为、跟车行为、避让行为、会车行为。具体地，基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正的过程可以是：当所述目标无人驾驶车辆处于超车行为时，对所述假定规划路径进行缩短修正。当所述目标无人驾驶车辆处于跟车行为或避让行为时，对所述假定规划轨迹进行增长修正。当所述目标无人驾驶车辆处于会车行为时，不对所述假定规划轨迹进行修正。在对所述假定规划轨迹进行修正时，本实施例还可以：根据预设交通先验知识、所述目标无人驾驶车辆的位置信息以及所述周围车辆的位置信息，确定所述目标无人驾驶车辆与所述周围车辆之间的路权优先级；获取路权优先级低于所述目标无人驾驶车辆的周围车辆，记为待修正周围车辆；对所述待修正周围车辆的假定规划轨迹进行缩短修正；其中，所述预设交通先验知识包括交通规则、交通场景和地图。
具体地，修正假定规划轨迹并获得新的预测轨迹的过程如下：
根据无人驾驶车辆的当前状态信息和历史状态信息、周围车辆的当前状态信息和历史状态信息，判定无人驾驶车辆与周围车辆所处的交互行为。其中，交互行为包括但不限于超车、跟随、避让和会车等交互行为。
根据无人驾驶车辆与周围车辆所处的交互阶段对假定规划轨迹进行修正，当无人驾驶车辆处于超车行为时，对假定规划路径进行缩短修正；当无人驾驶车辆处于跟随或避让行为时，对假定规划轨迹进行增长修正；当处于会车行为时，不对假定规划轨迹进行修正。为保证修正处理后假定规划轨迹的轨迹点数量保持不变，本实施例可以在修正后的轨迹上重新均匀采样10个轨迹点。
根据定位系统、交通规则和高精地图，确定无人驾驶车辆与周围车辆之间的路权优先级，对于路权优先级低于无人驾驶车辆的周围车辆，对其假定的规划轨迹进行缩短处理。如图4所示，在十字交叉路口交通场景中，A为无人驾驶车辆，B为周围车辆中的当前预测车辆，C为其它车辆。当A车直行，对向车道来车B左转时，遵照交通规则规定，A车的路权优先级高于B车，此时A车应该继续直行，可以不对B车让行。因此，为了让无人驾驶车辆尽可能规划出继续直行的轨迹，本实施例可以对周围车辆B的假定规划轨迹进行缩短修正。如图5所示，对周围车辆B的假定规划轨迹进行缩短修正后的轨迹如图5中黑色虚线表示的轨迹。
在一示例性实施例中，将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划的过程包括：将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹；将新的预测轨迹作为所述目标无人驾驶车辆在当前周期的路径规划条件，并利用所述部分可观测马尔科夫决策模型从所述新的预测轨迹、所述目标无人驾驶车辆的当前状态信息、以及所述交通环境数据中，获取所述目标无人驾驶车辆的路径初始状态序列；利用所述快速搜索随机树模型对所述目标无人驾驶车辆的路径初始状态序列进行处理，对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径。在本实施例中，将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹后，本实施例还可以包括：获取在预测周围车辆的所有可能行驶轨迹时生成的预测轨迹的置信度；将一个动态初始值赋值给修正后的假定规划轨迹，作为修正后的假定规划轨迹的置信度；所述置信度用于表示轨迹可信程度或可信概率；对合并前预测轨迹的置信度和所述动态初始值进行归一化处理，修正新的预测轨迹的置信度。其中，置信度用于表示轨迹的可信程度或可信概率。
根据上述记载，具体地，本实施例可以将修正后的假定规划轨迹
Figure BDA0003712918900000111
合并至初始预测出的K条预测轨迹中，得到新的预测轨迹，即得到K+1条预测轨迹
Figure BDA0003712918900000112
然后将一个动态的初始值λ赋值给合并前的假定规划轨迹，作为合并前的假定规划轨迹的置信度；再利用归一化函数softmax对初始K条预测轨迹的置信度confk和初始值λ进行处理，修正新的预测轨迹的置信度
Figure BDA0003712918900000113
有：
Figure BDA0003712918900000114
式中，Softmax(·)为softmax函数，confk为初始K条预测轨迹的置信度，0<λ<1为动态初始值，k＝1，2，…，K。为防止无人驾驶车辆路径行为过于激进，本实施例所有经过增长处理的假定规划轨迹的置信度的动态初始值可以取较大值。
根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径的过程可以是：将新的K+1条预测轨迹作为无人驾驶车辆当前周期的路径和规划依据，利用POMDP和RRT模型得到无人驾驶车辆的规划路径
Figure BDA0003712918900000115
Figure BDA0003712918900000116
Figure BDA0003712918900000117
式中，infoenv为交通环境数据，
Figure BDA0003712918900000118
为无人驾驶车辆的当前状态信息，
Figure BDA0003712918900000119
为预测的K+1条轨迹，
Figure BDA0003712918900000121
无人驾驶车辆的路径初始状态序列，k＝1，2，…，K。
如图6所示，在一示例性实施例中，本实施例还提供一种车辆路径规划方法，该方法包括以下步骤：
A、获取周围车辆的初始多模态预测轨迹。具体地，获取周围车辆的初始多模态预测轨迹的过程如下：
A1、通过无人驾驶车辆的车载感知系统和定位系统，获得无人驾驶车辆的历史状态信息
Figure BDA0003712918900000122
和周围车辆的历史状态信息
Figure BDA0003712918900000123
其中，上标ego表示无人驾驶车辆，上标tar表示无人驾驶车辆感知到的各周围车辆，下标t＝-Tp,-Tp+1,…,0表示时间步，如t＝0为当前时刻，t＝-Tp为过去第T个历史时刻，下标p指的是历史时刻past，pt表示t时刻的位置信息，vt表示t时刻的速度信息，yt表示t时刻的航向角信息，lt代表车辆的长宽尺寸信息。
A2、获取交通环境数据，其中交通环境数据包括无人驾驶车辆和周围车辆所行驶环境的高精地图数据。将无人驾驶车辆和周围车辆的历史状态信息渲染进三通道的栅格高精地图中，并在栅格高精地图中使用不同颜色值表示不同的语义信息，同时使用相同颜色的渐变色表示不同时间步的历史信息，得到含有动态信息的栅格高精地图Mr。
A3、利用含有19个卷积层的轻量级卷积神经网络EfficientNet编码栅格高精地图Mr，得到包含交互信息和交通环境数据的空间特征FS。同时利用含有32个隐藏单元的门控循环单元GRU，编码无人驾驶车辆的历史状态信息、周围车辆的历史状态信息和交通规则，得到时间特征FT：
FS＝EfficientNet(Mr；We)；
Figure BDA0003712918900000124
式中，EfficientNet(·)为轻量级卷积神经网络，Mr为栅格高精地图，We为轻量级卷积神经网络的权重，GRU(·)为门控循环单元，
Figure BDA0003712918900000125
为无人驾驶车辆的历史状态信息，
Figure BDA0003712918900000126
为周围车辆历史状态信息，Rt为交通规则信息，WGRU为门控循环单元权重。
A4、利用特征拼接函数Concatenate将空间特征FS和时间特征FT进行融合，如图6所示，得到时空融合特征FST：
FST＝Concatenate(FS,FT)；
式中，Concatenate(·)为特征拼接函数，FS为空间特征，FT为时间特征。
A5、将时空融合特征FST经过两个多层感知器(Multi-Layer Perceptron，MLP)解码得到未来10个时间步5秒的3条初始的多模态预测轨迹及其相关置信度confk，如图4所示，图中黑色实线表示预测的3条轨迹，数字表示每条轨迹的置信度：
Figure BDA0003712918900000127
Figure BDA0003712918900000128
式中，MLPT(·)为产生预测轨迹的多层感知器，MLPc(·)为产生置信度的多层感知器，FST为时空融合特征，
Figure BDA0003712918900000131
为多层感知器MLPT(·)的权重，
Figure BDA0003712918900000132
为多层感知器MLPc(·)的权重，Softmax(·)为softmax函数，Trajk为第k条预测轨迹，confk为第k条轨迹的置信度，置信度指的是预测轨迹的可信程度或概率，k＝1，2，3。
B、获取周围车辆的假定规划轨迹。具体地，获取周围车辆的假定规划轨迹的过程如下：
B1、通过无人驾驶车辆的感知系统、无人驾驶车辆的定位系统，以及坐标转换，获得各周围车辆在车辆坐标系下的交通环境数据infoenv，并利用缓存机制获取无人驾驶车辆在上一周期的规划路径。如图4所示，灰色的虚线表示无人驾驶车辆上一周期的规划路径
Figure BDA0003712918900000133
B2、从各周围车辆的角度建立部分可观测马尔科夫决策模型(PartiallyObservable Markov Decision Processes，POMDP)，然后利用POMDP模型得到各周围车辆路径的初始状态序列
Figure BDA0003712918900000134
有：
Figure BDA0003712918900000135
式中，POMDP(·)为部分可观测马尔可夫决策模型，infoenv为交通环境数据，
Figure BDA0003712918900000136
为无人驾驶车辆在上一周期的规划路径，
Figure BDA0003712918900000137
为各周围车辆的当前状态信息。
B3、根据各周围车辆的初始状态序列
Figure BDA0003712918900000138
利用快速搜索随机树模型(Rapidly-exploring Random Trees，RRT)规划周围车辆未来Tf个时间步的路径轨迹，得到各周围车辆假定的规划轨迹
Figure BDA0003712918900000139
Figure BDA00037129189000001310
式中，RRT(·)为快速搜索随机树模型，
Figure BDA00037129189000001311
为各周围车辆的路径初始状态序列。
C、修正假定规划轨迹，并获得新的预测轨迹。具体地，获得新的预测轨迹的过程如下：
C1、根据无人驾驶车辆的当前状态信息和历史状态信息、周围车辆的当前状态信息和历史状态信息，判定无人驾驶车辆与周围车辆所处的交互行为，例如无人驾驶车辆与周围车辆处于超车、跟随、避让和会车等交互行为。
C2、根据无人驾驶车辆与周围车辆的交互行为，对假定规划轨迹进行修正。当无人驾驶车辆处于超车行为时，对假定规划路径进行缩短修正；当无人驾驶车辆处于跟随或避让行为时，对假定规划轨迹进行增长修正；当处于会车行为时，不对假定规划轨迹进行修正。为保证修正处理后假定规划轨迹的轨迹点数量保持不变，在修正后的轨迹上重新均匀采样10个轨迹点。
C3、根据定位系统、交通规则和高精地图，确定无人驾驶车辆与周围车辆之间的路权优先级，对于路权优先级低于无人驾驶车辆的周围车辆，对其假定的规划轨迹进行缩短处理。如图4所示，在十字交叉路口交通场景中，A为无人驾驶车辆，B为周围车辆中的当前预测车辆，C为其它车辆。当A车直行，对向车道来车B左转时，遵照交通规则规定，A车的路权优先级高于B车，此时A车应该继续直行，可以不对B车让行。因此，为了让无人驾驶车辆尽可能规划出继续直行的轨迹，对周围车辆B假定的规划轨迹进行缩短修正，如图5中黑色虚线表示的轨迹。
C4、将修正后的假定规划轨迹
Figure BDA0003712918900000141
并入到3条预测轨迹中，并将一个动态的初始值λ赋值给修正后假定规划轨迹的置信度，得到新的4条预测轨迹
Figure BDA0003712918900000142
然后利用softmax函数对预测的3条轨迹的置信度和初始值λ进行处理，如图5所示，修正后的预测轨迹的置信度
Figure BDA0003712918900000143
Figure BDA0003712918900000144
式中，Softmax(·)为softmax函数，confk为初始3条预测轨迹的置信度，0<λ<1为动态初始值，k＝1，2，3。为防止无人驾驶车辆路径行为过于激进，所有经过增长处理的假定规划轨迹置信度的动态初始值λ取较大值。
D、将新的预测轨迹作为无人驾驶车辆在当前周期的路径规划依据，并对当前周期的无人驾驶车辆进行路径规划。具体地，对当前周期的无人驾驶车辆进行路径规划的过程如下：
将新的4条预测轨迹作为无人驾驶车辆当前周期决策和路径规划的依据，利用POMDP进行决策，进而基于RRT模型实现无人驾驶车辆的路径规划。如图5所示，灰色实线表示无人驾驶车辆当前周期的规划路径
Figure BDA0003712918900000145
Figure BDA0003712918900000146
Figure BDA0003712918900000147
式中，infoenv为交通环境数据，
Figure BDA0003712918900000148
为无人驾驶车辆当前状态信息，
Figure BDA0003712918900000149
为新的4条预测轨迹，
Figure BDA00037129189000001410
无人驾驶车辆的路径初始状态序列，n＝1，2，3，4。
综上所述，本发明提供一种车辆路径规划方法，首先根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及目标无人驾驶车辆与周围车辆的交通环境数据，预测周围车辆的所有可能行驶轨迹，并记为周围车辆的预测轨迹；再根据目标无人驾驶车辆在当前时刻前的路径规划，对周围车辆进行路径规划，生成周围车辆的假定规划轨迹；最后对假定规划轨迹进行修正，并将修正后的假定规划轨迹与预测轨迹进行合并，根据轨迹合并结果对目标无人驾驶车辆进行路径规划，以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。其中，目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，周围车辆包括与目标无人驾驶车辆处于预设区域内的车辆。由此可知，本方法不仅能够预测出周围车辆的所有可能行驶轨迹，而且还能够根据无人驾驶车辆在当前周期前的规划路径，从周围车辆的角度对周围车辆进行路径规划，得到周围车辆假定的规划轨迹，作为补充完善周围车辆的预测轨迹，可以降低周围车辆轨迹预测的不确定性，提高轨迹预测结果的合理性和准确性。同时，本方法还能够将修正后的假定轨迹补充到周围车辆的多条预测轨迹中，一起作为目标无人驾驶车辆路径规划的输入，进行当前周期目标无人驾驶车辆的路径规划，可以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。相当于本方法不仅考虑了目标无人驾驶车辆与周围车辆的交互影响，而且还能够提高周围车辆轨迹预测结果的合理性和准确性，以及提高目标无人驾驶车辆路径规划的主动性和拟人化程度。
如图7所示，本发明还提供一种车辆路径规划系统，所述系统包括有：
周围车辆轨迹预测模块710，用于根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹。作为示例，目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，周围车辆包括与目标无人驾驶车辆处于预设区域内的一台或多台车辆，状态信息包括当前状态信息和历史状态信息。其中，预设区域可以是预先设定的面积区域，也可以是预先设定的距离区域，还可以是预先设定的其他区域；本实施例不对预设区域的形式做任何限定，所以此处不再进行赘述。在本系统的实施例中，无人驾驶车辆还可以简称为无人车辆。
周围车辆轨迹规划模块720，用于根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹。作为示例，目标无人驾驶车辆在当前时刻前的路径规划包括但不限于：目标无人驾驶车辆在上一周期的路径规划。
轨迹修正模块730，用于对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并；
无人驾驶车辆路径规划模块740，用于根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径。
由此可知，本实施例首先根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及目标无人驾驶车辆与周围车辆的交通环境数据，可以预测出周围车辆的所有可能行驶轨迹，然后再根据无人驾驶车辆在当前周期前的规划路径，从周围车辆的角度对周围车辆进行路径规划，得到周围车辆假定的规划轨迹，作为补充完善周围车辆的预测轨迹，可以降低周围车辆轨迹预测的不确定性，提高轨迹预测结果的合理性和准确性。同时，本实施例还能够将修正后的假定轨迹补充到周围车辆的多条预测轨迹中，一起作为目标无人驾驶车辆路径规划的输入，进行当前周期目标无人驾驶车辆的路径规划，可以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。相当于本实施例不仅考虑了目标无人驾驶车辆与周围车辆的交互影响，而且还能够提高周围车辆轨迹预测结果的合理性和准确性，以及提高目标无人驾驶车辆路径规划的主动性和拟人化程度。
在一示例性实施例中，周围车辆轨迹预测模块710根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹的过程可以是：
将所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息渲染至满足预设精度的栅格地图中；其中，满足预设精度的栅格地图根据所述交通环境数据得到。作为示例，例如本实施例中的交通环境数据可以包括满足预设精度的栅格地图。其中，栅格地图的精度可以根据实际情况进行预设，本实施例不做具体数值限定。
在满足预设精度的栅格地图中使用不同颜色值表示不同的语义信息，以及使用相同颜色的渐变色表示不同历史时间步的信息，得到含有动态信息的栅格地图；
利用卷积神经网络编码含有动态信息的栅格地图，获取包含车辆交互信息和环境数据的空间特征；
利用门控循环单元编码交通规则、所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息，获取时间特征；
对所述空间特征和所述时间特征进行融合，得到时空融合特征；作为示例，本实施例可以采用特征拼接函数对空间特征和时间特征进行融合。
将所述时空融合特征输入多层感知器中进行解码，预测所述周围车辆在未来多个时间步的所有可能行驶轨迹，以及每条行驶轨迹的置信度。其中，每条行驶轨迹的置信度用于表示该条行驶轨迹的可信程度或可信概率，置信度越大，对应行驶轨迹的可信程度越高，或者置信度越大，对应行驶轨迹的可信概率越大。
具体地，将无人驾驶车辆和周围车辆的历史状态信息渲染进三通道的满足预设精度的栅格地图(以下简称栅格高精地图)中，并使用不同颜色值表示不同的语义信息，同时使用相同颜色的渐变色表示不同历史时间步的信息，得到含有动态信息的栅格高精地图Mr。
利用轻量级卷积神经网络(Convolutional Neural Networks，简称CNN)EfficientNet编码栅格高精地图Mr，得到包含车辆交互信息和交通环境数据的空间特征FS，同时利用门控循环单元GRU(Gated Recurrent Unit，简称GRU)编码无人驾驶车辆的历史状态数据、周围车辆的历史状态信息和交通规则，得到时间特征FT；
FS＝EfficientNet(Mr；We)；
Figure BDA0003712918900000161
式中，EfficientNet(·)为轻量级卷积神经网络，Mr为栅格高精地图，We为轻量级卷积神经网络的权重，GRU(·)为门控循环单元，
Figure BDA0003712918900000162
为无人驾驶车辆历史状态信息，
Figure BDA0003712918900000163
为周围车辆历史状态信息，Rt为交通规则信息，WGRU为门控循环单元权重。
利用特征拼接函数Concatenate将空间特征FS和时间特征FT进行融合，得到时空融合特征FST：
FST＝Concatenate(FS，FT)；
式中，Concatenate(·)为特征拼接函数，FS为空间特征，FT为时间特征。
将时空融合特征FST经过两个多层感知器(Multi-Layer Perceptron，MLP)解码，得到未来Tf个时间步的由K条初始预测轨迹组成的多模态初始预测轨迹，以及每条初始预测轨迹的置信度confk；有：
Figure BDA0003712918900000171
Figure BDA0003712918900000172
式中，MLPT(·)为产生预测轨迹的多层感知器，MLPc(·)为产生置信度的多层感知器，FST为时空融合特征，
Figure BDA0003712918900000173
为多层感知器MLPT(·)的权重，
Figure BDA0003712918900000174
为多层感知器MLPc(·)的权重，Softmax(·)为softmax函数，Trajk为第k条预测轨迹，confk为第k条轨迹的置信度，置信度指的是预测轨迹的可信程度或概率，k＝1，2，…，K。下标f指未来时刻future，时间步指的是经过一条轨迹上连续两个位置点所需的时间。其中，由K条初始预测轨迹组成的多模态初始预测轨迹如图4所示。
在本实施例中，获取无人驾驶车辆的历史状态信息和周围车辆的历史状态信息的方式可以是：通过无人驾驶车辆的车载感知系统和定位系统获得无人驾驶车辆的历史状态信息
Figure BDA0003712918900000175
Figure BDA0003712918900000176
和周围车辆的历史状态信息
Figure BDA0003712918900000177
其中，上标ego表示无人驾驶车辆，上标tar表示无人驾驶车辆感知到的周围车辆，下标t＝-Tp,-Tp+1,…,0表示时间步，如t＝0为当前时刻，-Tp为过去第T个历史时刻，下标p指的是历史时刻past，pt表示t时刻的位置信息，vt表示t时刻的速度信息，yt表示t时刻的航向角信息，lt代表车辆的长宽尺寸信息。
在一示例性实施例中，周围车辆轨迹规划模块720根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹的过程包括：根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列；利用快速搜索随机树模型对所述周围车辆的路径初始状态序列进行处理，从所述周围车辆的角度对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹。作为示例，根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列的过程可以是：以所述周围车辆的角度建立部分可观测马尔科夫决策模型；利用所述部分可观测马尔科夫决策模型从所述目标无人驾驶车辆在当前时刻前的路径规划、所述交通环境数据以及所述周围车辆的当前状态信息中，预测出所述周围车辆的路径初始状态序列。
具体地，通过无人驾驶车辆的感知系统和无人驾驶车辆的定位系统，以及坐标转换获得各个周围车辆在车辆坐标系下的周围交通环境数据infoenv，并利用缓存机制获取无人驾驶车辆在当前时刻前或在上一周期的规划路径。如图4所示，灰色虚线表示无人驾驶车辆在上一周期的规划路径
Figure BDA0003712918900000178
在本实施例中，缓存机制是指存储无人驾驶车辆历史信息数据的介质或方法。
从各周围车辆的角度建立部分可观测马尔科夫决策模型(Partially ObservableMarkov Decision Processes，简称POMDP)，然后利用POMDP模型得到各周围车辆路径的初始状态序列
Figure BDA0003712918900000179
有：
Figure BDA0003712918900000181
式中，POMDP(·)为部分可观测马尔可夫决策模型，infoenv为交通环境数据，
Figure BDA0003712918900000182
为无人驾驶车辆在上一周期的规划路径，
Figure BDA0003712918900000183
为周围车辆的当前状态信息。
根据周围车辆的初始状态序列
Figure BDA0003712918900000184
利用快速搜索随机树模型(Rapidly-exploring Random Trees，RRT)规划周围车辆未来Tf个时间步的路径轨迹，得到周围车辆的假定规划轨迹
Figure BDA0003712918900000185
Figure BDA0003712918900000186
式中，RRT(·)为快速搜索随机树模型，
Figure BDA0003712918900000187
为周围车辆的路径初始状态序列。
在一示例性实施例中，轨迹修正模块730对所述假定规划轨迹进行修正的过程包括：根据所述目标无人驾驶车辆的状态信息和所述周围车辆的状态信息，确定所述目标无人驾驶车辆与所述周围车辆的交互行为；基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正。其中，所述交互行为包括以下之一：超车行为、跟车行为、避让行为、会车行为。具体地，基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正的过程可以是：当所述目标无人驾驶车辆处于超车行为时，对所述假定规划路径进行缩短修正。当所述目标无人驾驶车辆处于跟车行为或避让行为时，对所述假定规划轨迹进行增长修正。当所述目标无人驾驶车辆处于会车行为时，不对所述假定规划轨迹进行修正。在对所述假定规划轨迹进行修正时，本实施例还可以：根据预设交通先验知识、所述目标无人驾驶车辆的位置信息以及所述周围车辆的位置信息，确定所述目标无人驾驶车辆与所述周围车辆之间的路权优先级；获取路权优先级低于所述目标无人驾驶车辆的周围车辆，记为待修正周围车辆；对所述待修正周围车辆的假定规划轨迹进行缩短修正；其中，所述预设交通先验知识包括交通规则、交通场景和地图。
具体地，轨迹修正模块730修正假定规划轨迹并获得新的预测轨迹的过程如下：
根据无人驾驶车辆的当前状态信息和历史状态信息、周围车辆的当前状态信息和历史状态信息，判定无人驾驶车辆与周围车辆所处的交互行为。其中，交互行为包括但不限于超车、跟随、避让和会车等交互行为。
根据无人驾驶车辆与周围车辆所处的交互阶段对假定规划轨迹进行修正，当无人驾驶车辆处于超车行为时，对假定规划路径进行缩短修正；当无人驾驶车辆处于跟随或避让行为时，对假定规划轨迹进行增长修正；当处于会车行为时，不对假定规划轨迹进行修正。为保证修正处理后假定规划轨迹的轨迹点数量保持不变，本实施例可以在修正后的轨迹上重新均匀采样10个轨迹点。
根据定位系统、交通规则和高精地图，确定无人驾驶车辆与周围车辆之间的路权优先级，对于路权优先级低于无人驾驶车辆的周围车辆，对其假定的规划轨迹进行缩短处理。如图4所示，在十字交叉路口交通场景中，A为无人驾驶车辆，B为周围车辆中的当前预测车辆，C为其它车辆。当A车直行，对向车道来车B左转时，遵照交通规则规定，A车的路权优先级高于B车，此时A车应该继续直行，可以不对B车让行。因此，为了让无人驾驶车辆尽可能规划出继续直行的轨迹，本实施例可以对周围车辆B的假定规划轨迹进行缩短修正。如图5所示，对周围车辆B的假定规划轨迹进行缩短修正后的轨迹如图5中黑色虚线表示的轨迹。
在一示例性实施例中，轨迹修正模块730将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划的过程包括：将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹；将新的预测轨迹作为所述目标无人驾驶车辆在当前周期的路径规划条件，并利用所述部分可观测马尔科夫决策模型从所述新的预测轨迹、所述目标无人驾驶车辆的当前状态信息、以及所述交通环境数据中，获取所述目标无人驾驶车辆的路径初始状态序列；利用所述快速搜索随机树模型对所述目标无人驾驶车辆的路径初始状态序列进行处理，对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径。在本实施例中，轨迹修正模块730将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹后，本实施例还可以包括：获取在预测周围车辆的所有可能行驶轨迹时生成的预测轨迹的置信度；将一个动态初始值赋值给修正后的假定规划轨迹，作为修正后的假定规划轨迹的置信度；所述置信度用于表示轨迹可信程度或可信概率；对合并前的预测轨迹的置信度和所述动态初始值进行归一化处理，修正新的预测轨迹的置信度。其中，置信度用于表示轨迹的可信程度或可信概率。
根据上述记载，具体地，本实施例可以将修正后的假定规划轨迹
Figure BDA0003712918900000191
合并至初始预测出的K条预测轨迹中，得到新的预测轨迹，即得到K+1条预测轨迹
Figure BDA0003712918900000192
然后将一个动态的初始值λ赋值给合并前的假定规划轨迹，作为合并前的假定规划轨迹的置信度；再利用归一化函数softmax对初始K条预测轨迹的置信度confk和初始值λ进行处理，修正新的预测轨迹的置信度
Figure BDA0003712918900000193
有：
Figure BDA0003712918900000194
式中，Softmax(·)为softmax函数，confk为初始K条预测轨迹的置信度，0<λ<1为动态初始值，k＝1，2，…，K。为防止无人驾驶车辆路径行为过于激进，本实施例所有经过增长处理的假定规划轨迹的置信度的动态初始值可以取较大值。
无人驾驶车辆路径规划模块740根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径的过程可以是：将新的K+1条预测轨迹作为无人驾驶车辆当前周期的路径和规划依据，利用POMDP和RRT模型得到无人驾驶车辆的规划路径
Figure BDA0003712918900000195
Figure BDA0003712918900000196
Figure BDA0003712918900000197
式中，infoenv为交通环境数据，
Figure BDA0003712918900000198
为无人驾驶车辆的当前状态信息，
Figure BDA0003712918900000199
为预测的K+1条轨迹，
Figure BDA0003712918900000201
无人驾驶车辆的路径初始状态序列，k＝1，2，…，K。
综上所述，本发明提供一种车辆路径规划系统，首先根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及目标无人驾驶车辆与周围车辆的交通环境数据，预测周围车辆的所有可能行驶轨迹，并记为周围车辆的预测轨迹；再根据目标无人驾驶车辆在当前时刻前的路径规划，对周围车辆进行路径规划，生成周围车辆的假定规划轨迹；最后对假定规划轨迹进行修正，并将修正后的假定规划轨迹与预测轨迹进行合并，根据轨迹合并结果对目标无人驾驶车辆进行路径规划，以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。其中，目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，周围车辆包括与目标无人驾驶车辆处于预设区域内的车辆。由此可知，本系统不仅能够预测出周围车辆的所有可能行驶轨迹，而且还能够根据无人驾驶车辆在当前周期前的规划路径，从周围车辆的角度对周围车辆进行路径规划，得到周围车辆假定的规划轨迹，作为补充完善周围车辆的预测轨迹，可以降低周围车辆轨迹预测的不确定性，提高轨迹预测结果的合理性和准确性。同时，本系统还能够将修正后的假定轨迹补充到周围车辆的多条预测轨迹中，一起作为目标无人驾驶车辆路径规划的输入，进行当前周期目标无人驾驶车辆的路径规划，可以生成至少一条让目标无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。相当于本系统不仅考虑了目标无人驾驶车辆与周围车辆的交互影响，而且还能够提高周围车辆轨迹预测结果的合理性和准确性，以及提高目标无人驾驶车辆路径规划的主动性和拟人化程度。
需要说明的是，上述实施例所提供的车辆路径规划系统与上述实施例所提供的车辆路径规划方法属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。上述实施例所提供的车辆路径规划系统在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，本处也不对此进行限制。
在另一示例实施例中，本实施例还提供一种无人驾驶车辆，所述无人驾驶车辆按照预设行驶路径进行行驶，所述预设行驶路径的生成过程包括：
根据所述无人驾驶车辆的状态信息和环境数据，以及周围车辆的状态信息和环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；
根据所述无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；
对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；
其中，所述周围车辆包括与所述无人驾驶车辆处于预设区域内的车辆。
需要说明的是，上述实施例所提供生成预设行驶路径的方式与上述实施例所提供的车辆路径规划方法生成行驶路径的方式属于同一构思，其中各个步骤的执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。
本申请的实施例还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现上述各个实施例中提供的车辆路径规划方法。
图8示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是，图8示出的电子设备的计算机系统800仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机系统800包括中央处理单元(Central Processing Unit，CPU)801，其可以根据存储在只读存储器(Read-Only Memory，ROM)802中的程序或者从储存部分808加载到随机访问存储器(Random Access Memory，RAM)803中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 803中，还存储有系统操作所需的各种程序和数据。CPU801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(Input/Output，I/O)接口805也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分807；包括硬盘等的储存部分808；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入储存部分808。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其合并使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的车辆路径规划方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各个实施例中提供的车辆路径规划方法。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (13)

1.一种车辆路径规划方法，其特征在于，所述方法包括以下步骤：
根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；
根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；
对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；
其中，所述目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，所述周围车辆包括与所述目标无人驾驶车辆处于预设区域内的车辆。
2.根据权利要求1所述的车辆路径规划方法，其特征在于，根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹的过程包括：
将所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息渲染至满足预设精度的栅格地图中；其中，满足预设精度的栅格地图根据所述交通环境数据得到；
在满足预设精度的栅格地图中使用不同颜色值表示不同的语义信息，以及使用相同颜色的渐变色表示不同历史时间步的信息，得到含有动态信息的栅格地图；
利用卷积神经网络编码含有动态信息的栅格地图，获取包含车辆交互信息和环境数据的空间特征；
利用门控循环单元编码交通规则、所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息，获取时间特征；
对所述空间特征和所述时间特征进行融合，得到时空融合特征；
将所述时空融合特征输入多层感知器中进行解码，预测所述周围车辆在未来多个时间步的所有可能行驶轨迹。
3.根据权利要求1所述的车辆路径规划方法，其特征在于，根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹的过程包括：
根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列；
利用快速搜索随机树模型对所述周围车辆的路径初始状态序列进行处理，从所述周围车辆的角度对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹。
4.根据权利要求3所述的车辆路径规划方法，其特征在于，根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列的过程包括：
以所述周围车辆的角度建立部分可观测马尔科夫决策模型；
利用所述部分可观测马尔科夫决策模型从所述目标无人驾驶车辆在当前时刻前的路径规划、所述交通环境数据以及所述周围车辆的当前状态信息中，预测出所述周围车辆的路径初始状态序列。
5.根据权利要求1、3或4所述的车辆路径规划方法，其特征在于，对所述假定规划轨迹进行修正的过程包括：
根据所述目标无人驾驶车辆的状态信息和所述周围车辆的状态信息，确定所述目标无人驾驶车辆与所述周围车辆的交互行为；
基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正；
其中，所述交互行为包括以下之一：超车行为、跟车行为、避让行为、会车行为。
6.根据权利要求5所述的车辆路径规划方法，其特征在于，基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正的过程包括：
当所述目标无人驾驶车辆处于超车行为时，对所述假定规划路径进行缩短修正；
当所述目标无人驾驶车辆处于跟车行为或避让行为时，对所述假定规划轨迹进行增长修正；
当所述目标无人驾驶车辆处于会车行为时，不对所述假定规划轨迹进行修正。
7.根据权利要求5所述的车辆路径规划方法，其特征在于，对所述假定规划轨迹进行修正时，所述方法还包括：
根据预设交通先验知识、所述目标无人驾驶车辆的位置信息以及所述周围车辆的位置信息，确定所述目标无人驾驶车辆与所述周围车辆之间的路权优先级；
获取路权优先级低于所述目标无人驾驶车辆的周围车辆，记为待修正周围车辆；
对所述待修正周围车辆的假定规划轨迹进行缩短修正；
其中，所述预设交通先验知识包括交通规则、交通场景和地图。
8.根据权利要求4所述的车辆路径规划方法，其特征在于，将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划的过程包括：
将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹；
将新的预测轨迹作为所述目标无人驾驶车辆在当前周期的路径规划条件，并利用所述部分可观测马尔科夫决策模型从所述新的预测轨迹、所述目标无人驾驶车辆的当前状态信息、以及所述交通环境数据中，获取所述目标无人驾驶车辆的路径初始状态序列；
利用所述快速搜索随机树模型对所述目标无人驾驶车辆的路径初始状态序列进行处理，对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径。
9.根据权利要求8所述的车辆路径规划方法，其特征在于，将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹后，所述方法还包括：
获取在预测所述周围车辆的所有可能行驶轨迹时生成的预测轨迹的置信度；其中，置信度用于表示轨迹的可信程度或可信概率；
将一个动态初始值赋值给修正后的假定规划轨迹，作为修正后的假定规划轨迹的置信度；
对合并前的预测轨迹的置信度和所述动态初始值进行归一化处理，修正新的预测轨迹的置信度。
10.一种车辆路径规划系统，其特征在于，所述系统包括有：
周围车辆轨迹预测模块，用于根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；
周围车辆轨迹规划模块，用于根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；
轨迹修正模块，用于对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并；
无人驾驶车辆路径规划模块，用于根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；
其中，所述目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，所述周围车辆包括与所述目标无人驾驶车辆处于预设区域内的车辆。
11.一种无人驾驶车辆，其特征在于，所述无人驾驶车辆按照预设行驶路径进行行驶，所述预设行驶路径的生成过程包括：
根据所述无人驾驶车辆的状态信息和环境数据，以及周围车辆的状态信息和环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；
根据所述无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；
对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；
其中，所述周围车辆包括与所述无人驾驶车辆处于预设区域内的车辆。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如权利要求1至9中任一项所述的车辆路径规划方法。
13.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行权利要求1至9中任一项所述的车辆路径规划方法。
CN202210739201.8A 2022-06-24 2022-06-24 一种车辆路径规划方法、系统、电子设备及存储介质 Pending CN115112141A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210739201.8A CN115112141A (zh) 2022-06-24 2022-06-24 一种车辆路径规划方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210739201.8A CN115112141A (zh) 2022-06-24 2022-06-24 一种车辆路径规划方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115112141A true CN115112141A (zh) 2022-09-27

Family

ID=83329924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210739201.8A Pending CN115112141A (zh) 2022-06-24 2022-06-24 一种车辆路径规划方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115112141A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116414140A (zh) * 2023-06-08 2023-07-11 北京中科智易科技股份有限公司 无人作战车辆路径规划方法、装置及计算机存储介质
CN116499468A (zh) * 2023-06-27 2023-07-28 中国科学技术大学 一种机器人路径规划方法、电子设备以及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116414140A (zh) * 2023-06-08 2023-07-11 北京中科智易科技股份有限公司 无人作战车辆路径规划方法、装置及计算机存储介质
CN116414140B (zh) * 2023-06-08 2023-08-04 北京中科智易科技股份有限公司 无人作战车辆路径规划方法、装置及计算机存储介质
CN116499468A (zh) * 2023-06-27 2023-07-28 中国科学技术大学 一种机器人路径规划方法、电子设备以及存储介质
CN116499468B (zh) * 2023-06-27 2023-10-20 中国科学技术大学 一种机器人路径规划方法、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
Feng et al. Dense reinforcement learning for safety validation of autonomous vehicles
CN110796856B (zh) 车辆变道意图预测方法及变道意图预测网络的训练方法
CN115112141A (zh) 一种车辆路径规划方法、系统、电子设备及存储介质
US20230124864A1 (en) Graph Representation Querying of Machine Learning Models for Traffic or Safety Rules
CN112734808B (zh) 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法
CN113033925B (zh) 用于控制自动驾驶车辆行驶、装置、电子设备和介质
CN113807460B (zh) 智能体动作的确定方法和装置、电子设备和介质
CN110733506A (zh) 无人驾驶车辆的车道变更方法及设备
CN112256037B (zh) 应用于自动驾驶的控制方法、装置、电子设备及介质
CN114882457A (zh) 一种模型的训练方法、车道线的检测方法及设备
Choi et al. Hierarchical latent structure for multi-modal vehicle trajectory forecasting
Garlick et al. Real-time optimal trajectory planning for autonomous vehicles and lap time simulation using machine learning
Zhang et al. An efficient planning method based on deep reinforcement learning with hybrid actions for autonomous driving on highway
CN114067371B (zh) 一种跨模态行人轨迹生成式预测框架、方法和装置
CN115937801A (zh) 基于图卷积的车辆轨迹预测方法及装置
CN115366919A (zh) 一种轨迹预测方法、系统、电子设备及存储介质
CN112612277B (zh) 车辆轨迹规划方法、装置、设备和计算机可读介质
Zhang et al. Spatio‐temporal decision‐making and trajectory planning framework with flexible constraints in closed‐loop dynamic traffic
CN116558541B (zh) 模型训练方法和装置、轨迹预测方法和装置
CN116629462B (zh) 一种多智能体统一交互轨迹预测方法、系统、设备和介质
CN117197767A (zh) 车辆轨迹预测方法、装置、电子设备及存储介质
Xia et al. Smart: A decision-making framework with multi-modality fusion for autonomous driving based on reinforcement learning
Leong Bridging the Gap Between Modular and End-to-end Autonomous Driving Systems
Yang et al. Deep Reinforcement Learning Lane-Changing Decision Algorithm for Intelligent Vehicles Combining LSTM Trajectory Prediction
EP4296898A1 (en) Prediction method and system, computer program, computer-readable medium

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