CN115123252A - 车辆控制方法、装置、车辆及存储介质 - Google Patents
车辆控制方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN115123252A CN115123252A CN202210793337.7A CN202210793337A CN115123252A CN 115123252 A CN115123252 A CN 115123252A CN 202210793337 A CN202210793337 A CN 202210793337A CN 115123252 A CN115123252 A CN 115123252A
- Authority
- CN
- China
- Prior art keywords
- detection object
- target detection
- target
- predicted
- driving
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 416
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening 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
- 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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
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
本公开提出了一种车辆控制方法、装置、车辆及存储介质,方法包括:根据多帧图像中至少一个目标检测对象中的任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点;根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点;将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹;根据各目标检测对象的预测行驶轨迹,对目标车辆进行行驶控制,由此,可预测各目标检测对象在设定时段内的预测行驶轨迹,并采用各目标检测对象的预测行驶轨迹对目标车辆进行行驶控制,提高了目标车辆行驶的安全性。
Description
技术领域
本公开涉及自动驾驶技术领域,具体涉及自动驾驶技术领域,尤其涉及一种车辆控制方法、装置、车辆及存储介质。
背景技术
随着智能车辆的发展,自动驾驶功能在车辆中的应用越来越广泛。在自动驾驶过程中,周围环境中交通参与者可能会对自动驾驶车辆的行驶安全造成不同程度的影响,因此,如何对周围环境中交通参与者进行轨迹预测,并根据周围环境中交通参与者的预测轨迹,对自动驾驶车辆的行驶进行控制,以提高车辆的行驶安全是非常重要的。
发明内容
本公开提供了一种车辆控制方法、装置、车辆及存储介质。
根据本公开的一方面,提供了一种车辆控制方法,包括:对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象;针对所述至少一个目标检测对象中的任意一个目标检测对象,获取所述任意一个目标检测对象在目标时刻的定位信息,并根据所述任意一个目标检测对象在目标时刻的定位信息,确定所述任意一个目标检测对象的预测行驶轨迹起点;根据所述任意一个目标检测对象的行驶信息,确定所述任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点;将所述任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到所述目标检测对象的预测行驶轨迹;根据各所述目标检测对象的预测行驶轨迹,对所述目标车辆进行行驶控制。
根据本公开的另一方面,提供了一种车辆控制装置,包括:检测模块,用于对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象;第一确定模块,用于针对所述至少一个目标检测对象中的任意一个目标检测对象,获取所述任意一个目标检测对象在目标时刻的定位信息,并根据所述任意一个目标检测对象在目标时刻的定位信息,确定所述任意一个目标检测对象的预测行驶轨迹起点;第二确定模块,用于根据所述任意一个目标检测对象的行驶信息,确定所述任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点;拟合模块,用于将所述任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到所述目标检测对象的预测行驶轨迹;控制模块,用于根据各所述目标检测对象的预测行驶轨迹,对所述目标车辆进行行驶控制。
根据本公开的另一方面,提供了一种车辆,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:实现本公开第一方面实施例所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开第一方面实施例所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开上述第一方面实施例所述的方法。
本公开的技术方案,通过对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象;针对至少一个目标检测对象中的任意一个目标检测对象,获取任意一个目标检测对象在目标时刻的定位信息,并根据任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点;根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点;将任意一个目标检测对象对应的行驶轨迹起点与行驶轨迹终点进行曲线拟合,以得到目标检测对象的预测行驶轨迹;根据各目标检测对象的预测行驶轨迹,对目标车辆进行行驶控制,由此,在确定各目标检测对象的预测行驶起点和预测行驶终点时,通过对各目标检测对象的预测行驶起点和预测行驶终点进行曲线拟合,可得到至少一个目标检测对象在设定时段内的预测行驶轨迹,从而可实现根据目标检测对象在设定时段内的预测行驶轨迹,对目标车辆进行行驶控制,提高了目标车辆行驶的安全性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例一所提供的车辆控制方法的流程示意图;
图2为本公开实施例二所提供的车辆控制方法的流程示意图;
图3为本公开实施例三所提供的车辆控制方法的流程示意图;
图4为本公开实施例所提供的车道线中的路网区域示意图;
图5为本公开实施例四所提供的车辆控制方法的流程示意图;
图6为本公开实施例五所提供的车辆控制方法的流程示意图;
图7为本公开实施例所提供的车辆控制方法的流程示意图;
图8为本公开实施例六所提供的车辆控制装置的流程示意图;
图9是根据一示例性实施例示出的一种车辆的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,随着深度学习对序列数据展现出的良好的预测性能,应用于轨迹预测的深度学习方法也大量涌现。但是,目前采用深度学习方法进行行驶轨迹预测可能存在以下缺点:1)依赖大规模有标注数据进行训练,获取数据成本较高;2)模型推理消耗时间,在自动驾驶场景下,要求各个环节响应迅速,耗时较短,如果面对障碍物较多的场景,均使用模型来预测,可能不满足自驾场景下的耗时需求;3)根据训练方式和损失函数选取的不同,预测出的行驶轨迹可能不够稳定,存在跳变现象,且未来越远时刻的轨迹点偏差越大,导致轨迹的置信度不高。
针对上述问题,本公开提出一种车辆控制方法、装置、车辆及存储介质。
下面参考附图描述本公开实施例的车辆控制方法、装置、车辆及存储介质。
图1为本公开实施例一所提供的车辆控制方法的流程示意图。
本公开实施例以该车辆控制方法被配置于车辆控制装置中来举例说明,该车辆控制装置可以应用于任一车辆中,以使该车辆可以执行车辆控制功能。
如图1所示,该车辆控制方法可以包括以下步骤:
步骤101,对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象。
在本公开实施例中,采用目标检测算法或者采用目标检测模型对目标车辆采集的多帧图像进行对象检测,可得到至少一个候选检测对象,进而,从候选检测对象中过滤掉静止的候选检测对象或者不在车道线内的候选检测对象,可得到至少一个目标检测对象。
步骤102,针对至少一个目标检测对象中的任意一个目标检测对象,获取任意一个目标检测对象在目标时刻的定位信息,并根据任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点。
在本公开实施例中,针对至少一个目标检测对象中的任意一个目标检测对象,可通过查询地图信息(如,高精度地图)或者数据库中存储的地图信息,获取该任意一个目标检测对象在目标时刻的定位信息,进而,可将该任意一个目标检测对象在目标时刻的定位信息,作为该任意一个目标检测对象的预测行驶轨迹起点。
步骤103,根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点。
进一步地,可根据任意一个目标检测对象的行驶信息,确定目标时刻之后的设定时间段内行驶距离和行驶意图,根据行驶距离和行驶意图,确定该任意一个目标检测对象在设定时间段内的预测行驶轨迹终点。
步骤104,将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹。
作为一种示例,以车道中心线方向和垂直车道中心线的方向为坐标轴方向,建立坐标系,在该坐标系中,根据任意一个目标检测对象的预测行驶起点和预测行驶轨迹终点,采用埃尔米特(hermite)插值在该任意一个目标检测对象的预测行驶起点和预测行驶轨迹终点之间插入预测行驶中间点,以进行曲线拟合,得到该任意一个目标检测对象在设定时间段内的预测行驶轨迹。
此外,为了提高目标车辆的行驶控制准确性,可使任意一个目标检测对象的预测行驶轨迹进行平滑处理,并根据预测行驶轨迹终点与预测行驶轨迹起点的角度关系,在对应的预测行驶轨迹上进行转向标注。
步骤105,根据各目标检测对象的预测行驶轨迹,对目标车辆进行行驶控制。
进一步地,对目标车辆进行行驶控制时,考虑到至少一目标检测对象的预测行驶轨迹,从而可提高目标车辆的行驶安全性。
综上,在确定各目标检测对象的预测行驶起点和预测行驶终点时,通过对各目标检测对象的预测行驶起点和预测行驶终点进行曲线拟合,可得到至少一个目标检测对象在设定时段内的预测行驶轨迹,从而实现根据目标检测对象在设定时段内的预测行驶轨迹,对目标车辆进行行驶控制,提高了目标车辆行驶的安全性。
为了清楚地说明上述实施例是如何根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点的,本公开提出另一种车辆控制方法。
图2为本公开实施例二所提供的车辆控制方法的流程示意图。
如图2所示,该车辆控制方法可包括如下步骤:
步骤201,对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象。
步骤202,针对至少一个目标检测对象中的任意一个目标检测对象,获取任意一个目标检测对象在目标时刻的定位信息,并根据任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点。
步骤203,根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在目标时刻之后的设定时间段内的行驶距离和行驶意图。
在本公开实施例中,可根据任意一个目标检测对象的行驶信息,比如,行驶速度信息、行驶加速度信息以及行驶方向信息等,确定该任意一个目标检测对象在目标时刻之后的设定时间段内的行驶距离,比如,该任意一个目标检测对象为匀速行驶时,行驶速度信息与设定时间段内的时长的乘积,可为该任意一个目标检测对象在该设定时间段内的行驶距离;又比如,该任意一个目标检测对象为以设定加速度加速行驶时,可根据速度信息、加速度信息以及设定时间段内的时长,确定该任意一个目标检测对象在该设定时间段内的行驶距离。
作为一种示例,可查询地图信息或者数据库中的地图信息,确定该任意一个目标检测对象所在车道,可根据该任意一个目标检测对象与自身所在车道的车道边界线之间的距离,以及该任意一个目标检测对象的朝向,确定该任意一个目标检测对象的行驶意图,比如,任意一个目标检测对象距离自身所在车道的左侧车道边界线的距离小于设定距离阈值,根据该任意一个目标检测对象的朝向,确定该任意一个目标检测对象未与左侧车道边界线平行,可确定该任意一个目标检测对象具有向左变道意图。
步骤204,根据任意一个目标检测对象对应的行驶距离与行驶意图,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点。
在本公开实施例中,根据任意一个目标检测对象的行驶意图,可对该任意一个目标检测对象在设定时间段内的行驶车道线进行预测,并根据该任意一个目标检测对象在设定时间段内的行驶距离,并根据该任意一个目标检测对象在设定时间段内的行驶车道线上的行驶距离,确定该任意一个目标检测对象在设定时间段内的预测行驶轨迹终点。
步骤205,将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹。
步骤206,根据各目标检测对象的预测行驶轨迹,对目标车辆进行行驶控制。
需要说明的是,步骤201至202、步骤205至206的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在目标时刻之后的设定时间段内的行驶距离和行驶意图;根据任意一个目标检测对象对应的行驶距离与行驶意图,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点,由此,根据目标检测对象在目标时刻之后的设定时间段内的行驶距离和行驶意图,对该任意一个目标检测对象在设定时间段内的预测行驶轨迹终点进行预测,可提高预测行驶轨迹终点的预测准确性。
为了清楚地说明如何根据任意一个目标检测对象的行驶距离与行驶意图,确定任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点的,本公开提出另一种车辆控制方法。
图3为本公开实施例三所提供的车辆控制方法的流程示意图。
如图3所示,该车辆控制方法可包括如下步骤:
步骤301,对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象。
步骤302,针对至少一个目标检测对象中的任意一个目标检测对象,获取任意一个目标检测对象在目标时刻的定位信息,并根据任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点。
步骤303,根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在目标时刻之后的设定时间段内的行驶距离和行驶意图。
步骤304,根据任意一个目标检测对象对应的行驶意图,确定任意一个目标检测对象在设定时间段中的第一子时间段内的预测行驶轨迹中间点。
作为本公开实施例的一种可能的实现方式,可根据任意一个目标检测对象的行驶意图,结合该任意一个目标检测对象在目标时刻的定位信息,在高精地图中查询该任意一个目标检测对象在设定时间段中的第一子时间段内的所处的目标车道,比如,目标车道可为左前车道、右前车道或当前车道,可在目标车道中,确定该任意一个目标检测对象第一子时间段内的预测行驶轨迹中间点。
作为一种示例,查询与任意一个目标检测对象的定位信息匹配的第一行驶车道线中的第一路网区域;根据任意一个目标检测对象的行驶意图,确定任意一个目标检测对象在第一子时间段内行驶至的第二行驶车道线;查询任意一个目标检测对象对应的第二行驶车道线中与任意一个目标检测对象对应的第一路网区域邻接的至少一个候选路网区域;根据任意一个目标检测对象的行驶意图,从至少一个候选路网区域中,确定任意一个目标检测对象对应的第二路网区域;将任意一个目标检测对象对应的第二路网区域的中心点,作为任意一个目标检测对象的行驶轨迹中间点。
举例而言,如图4所示,以任意一个目标检测对象为车辆M为例,车辆M在设定时间段内的行驶意图为向左变道,根据车辆M的定位信息,查询高精度地图,或者,数据库中的地图信息,可确定与该定位信息匹配的第一车道线中的第一路网区域为B-1,根据车辆M的向左变道的行驶意图,可确定该车辆M在第一子时间段内行驶至的第二路网区域为A(从路网区域B-1经过路网区域A-1,行驶至路网区域A),进而,将第二路网区域A的中心点Q,作为车辆M在设定时间段内的预测行驶轨迹中点。
步骤305,对任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹中间点进行曲线拟合,以得到预测行驶轨迹的第一子行驶轨迹。
进一步地,将任意一个目标检测对象的预测行驶轨迹起点与预测行驶轨迹中间点拟合得到的曲线,可为该任意一个目标检测对象在第一子时间段内的第一子行驶轨迹。
步骤306,根据任意一个目标检测对象对应的行驶距离与第一子行驶轨迹的长度之间的差值,确定任意一个目标检测对象在设定时间段中的第二子时间段内的第二行驶距离。
其中,第二子时间段为设定时间段中位于第一子时间段后的时间段。
进而,根据任意一个目标检测对象在设定时间段内的行驶距离以及该任意一个目标检测对象在设定时间段中的第一子时间段内对应的第一子行驶轨迹的长度之间的差值,可确定该任意一个目标检测对象在设定时间段中的第二子时间段内的第二行驶距离,其中,第二子时间段为设定时间段中位于第一子时间段后的时间段。
步骤307,根据任意一个目标检测对象对应的第二行驶距离与预测行驶轨迹中间点,确定任意一个目标检测对象的预测行驶轨迹终点。
进一步地,据任意一个目标检测对象的第二行驶距离与该任意一个目标检测对象的预测行驶轨迹中间点,可确定该任意一个目标检测对象的第二行驶距离对应的终点,可将第二行驶距离的终点作为该任意一个目标检测对象的行驶轨迹终点。
步骤308,将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹。
对应的,为了提高任意一个目标检测对象的预测行驶轨迹的准确性,可采用任意一个目标检测对象的预测行驶起点、预测行驶轨迹终点以及对应的预测行驶轨迹中间点,进行曲线拟合,得到该任意一个目标检测对象的预测行驶轨迹。
由此,通过曲线拟合的方式,可快速确定各目标检测对象的预测行驶轨迹,在预测任意一个目标检测对象的预测行驶轨迹时,可不必采用轨迹预测模型进行预测,可减少标注数据的成本。
此外,在目标检测对象的个数较多时,可不必均使用模型进行行驶轨迹的预测,可减少自驾场景下的耗时需求。
步骤309,根据各目标检测对象的预测行驶轨迹,对目标车辆进行行驶控制。
需要说明的是,步骤301至303、步骤309的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,根据任意一个目标检测对象在设定时间段内的行驶意图以及行驶距离预测行驶轨迹中间点,并根据预测行驶轨迹起点与预测行驶中间点之间轨迹距离,确定任意一个目标检测对象在设定时间段中的第二子时间段内的第二行驶距离,进而,根据第二行驶距离以及预测行驶轨迹中间点,可确定该任意一个目标检测对象的预测行驶轨迹终点,由此,根据任意一个目标检测对象设定时间段内对应的行驶意图和行驶距离,对该任意一个目标检测对象在设定时间段内的预测行驶轨迹终点进行预测,可提高该任意一个目标检测对象的预测行驶轨迹终点的准确性。
为了说明上述实施例中是如何对目标车辆采集的多帧图像进行对象检测,以得到目标检测对象的,本公开提出另一种车辆控制方法。
图5为本公开实施例四所提供的车辆控制方法的流程示意图。
如图5所示,该车辆控制方法可包括如下步骤:
步骤501,对目标车辆采集的多帧图像进行对象检测,以得到多个候选检测对象。
在本公开实施例中,采用目标检测算法或者采用目标检测模型对目标车辆采集的多帧图像进行对象检测,可得到多个候选检测对象。
步骤502,根据多个候选检测对象的行驶信息,从多个候选检测对象中确定至少一个目标检测对象。
其中,行驶信息包括以下信息中的至少一项:行驶速度信息、行驶加速度信息和行驶方向信息。
为了提高预测行驶轨迹的预测效率,并节省相关计算资源,可从多个候选检测对象中过滤掉静止的候选检测对象或者不在车道线内的候选检测对象,可得到至少一个目标检测对象。其中,可根据各候选检测对象的行驶信息,从多个候选检测对象中确定静止的候选检测对象或者不在车道线内的候选检测对象,其中,行驶信息可包括以下信息中的至少一项:行驶速度信息、行驶加速度信息和行驶方向信息。
步骤503,针对至少一个目标检测对象中的任意一个目标检测对象,获取任意一个目标检测对象在目标时刻的定位信息,并根据任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点。
步骤504,根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点。
步骤505,将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹。
步骤506,根据各目标检测对象的预测行驶轨迹,对目标车辆进行行驶控制。
需要说明的是,步骤503至506的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,对目标车辆采集的多帧图像进行对象检测,以得到多个候选检测对象;根据多个候选检测对象的行驶信息,从多个候选检测对象中确定至少一个目标检测对象,由此,可从候选检测对象中筛选掉对目标车辆行驶安全不造成影响的候选检测对象,可节省相关计算资源和提高预测行驶轨迹的预测效率。
为了进一步提高目标车辆的控制效率,图6为本公开实施例五所提供的车辆控制方法的流程示意图,作为一种示例,在任意一个目标检测对象的预测行驶轨迹为多条时,可对多个行驶轨迹进行排序,根据多条行驶轨迹的排列顺序,对目标车辆进行行驶控制,
如图6所示,图6所示实施例可包括如下步骤:
步骤601,对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象。
步骤602,针对至少一个目标检测对象中的任意一个目标检测对象,获取任意一个目标检测对象在目标时刻的定位信息,并根据任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点。
步骤603,根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点。
步骤604,将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹。
步骤605,根据任意一个目标检测对象的行驶信息,对任意一个目标检测对象的多条预测行驶轨迹进行排序。
为了提高车辆的行驶安全性,在本公开实施例中,可根据任意一个目标检测对象的行驶信息,采用启发式评分模型确定任意一个目标检测对象的各条预测行驶轨迹的分数或置信度,根据各条预测行驶轨迹的分数或置信度,对该任意一个目标检测对象的多条预测行驶轨迹进行排序。
步骤606,根据任意一个目标检测对象的多条预测行驶轨迹的排列顺序,从多条预测行驶轨迹中确定任意一个目标检测对象的目标行驶轨迹。
比如,按照任意一个目标检测对象的多条预测行驶轨迹的分数或置信度从低至高,对多条预测行驶轨迹进行排列,将分数最高或者分数高于设定阈值的预测行驶轨迹作为目标行驶轨迹。
步骤607,根据各目标检测对象的目标行驶轨迹,对目标车辆进行行驶控制。
进而,根据各目标检测对象的目标行驶轨迹,对目标车辆进行行驶控制,可提高车辆行驶控制效率和车辆行驶安全性。
需要说明的是,步骤601至604、步骤607的执行过程可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
综上,通过根据任意一个目标检测对象的行驶信息,对任意一个目标检测对象的多条预测行驶轨迹进行排序;根据任意一个目标检测对象的多条预测行驶轨迹的排列顺序,从多条预测行驶轨迹中确定任意一个目标检测对象的目标行驶轨迹;根据各目标检测对象的目标行驶轨迹,对目标车辆进行行驶控制,由此,根据多条预测行驶轨迹中的目标行驶轨迹对目标车辆进行行驶控制,可提高目标车辆行驶控制效率和车辆行驶安全性。
为了更加清楚地说明上述实施例,现举例进行说明。
举例而言,如图7所示,图7为本公开实施例所提供的车辆控制方法的流程示意图。如图7所示,本公开实施例所提供的车辆控制方法可包括如下步骤:
1、筛选障碍物,过滤掉静止障碍物和不在车道内的障碍物;
2、结合当前时刻的定位信息,lanesequence预测器查询高精地图中障碍物所在车道;
3、先判断变道意图,可以根据障碍物自身朝向以及距离车道左右边线距离来启发式地判断变道,或者训练机器学习模型来进行分类;
4、根据变道意图,在高精地图中查询目标车道,可能为左前车道、右前车道或当前车道;
5、由于未来8秒根据车速不同,行驶距离可能较长,仅有行驶到达目标车道的这段距离可能不够,所以要延伸车道序列。查询高精地图,得到目标车道连接的前继后继车道(目标车道是指如图4中的路网区域A,与目标车道连接的前继车道为路网区域A-1,与目标车道连接的后继车道为A+1),构建路网(路网区域);
6、通过深度优先算法或广度优先算法,由行驶距离确定得到所有候选的车道序列组合;
7、取每个车道序列组合的最后一段车道的道路中心点作为终点,车辆当前所在位置为起点,在道路SL坐标系(S轴为道路中心线方向表示路程,L轴为垂直道路中心线方向表示偏离中心的距离)下用hermite插值生成轨迹;
8、根据终点与起点的角度关系为轨迹增加转向意图;
9、由于后继车道有多个或在交叉路口时会产生多条轨迹,可以结合障碍物速度、高精地图中的车道信息来启发式地对候选轨迹打分排序,或者,训练机器学习模型来进行打分排序;
10、可以对轨迹做平滑等操作。
本公开实施例的车辆控制方法,通过对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象;针对所述至少一个目标检测对象中的任意一个目标检测对象,获取任意一个目标检测对象在目标时刻的定位信息,并根据任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点;根据所述任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点;将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹;根据各所述目标检测对象的预测行驶轨迹,对所述目标车辆进行行驶控制,由此,在确定各目标检测对象的预测行驶起点和预测行驶终点时,通过对各目标检测对象的预测行驶起点和预测行驶终点进行曲线拟合,可得到至少一个目标检测对象在设定时段内的预测行驶轨迹,可实现根据目标检测对象在设定时段内的预测行驶轨迹,对目标车辆进行行驶控制,提高了目标车辆行驶的安全性。
为了实现上述实施例,本公开提出一种车辆控制装置。
图8为本公开实施例六所提供的车辆控制装置的流程示意图。
如图8所示,该车辆控制装置800包括:检测模块810、第一确定模块820、第二确定模块830、拟合模块840和控制模块850。
其中,检测模块810,用于对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象;第一确定模块820,用于针对所述至少一个目标检测对象中的任意一个目标检测对象,获取任意一个目标检测对象在目标时刻的定位信息,并根据任意一个目标检测对象在目标时刻的定位信息,确定任意一个目标检测对象的预测行驶轨迹起点;第二确定模块830,用于根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点;拟合模块840,用于将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹;控制模块850,用于根据各目标检测对象的预测行驶轨迹,对目标车辆进行行驶控制。
作为本公开实施例的一种可能的实现方式,第二确定模块830,具体用于:根据任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在目标时刻之后的设定时间段内的行驶距离和行驶意图;根据任意一个目标检测对象对应的行驶距离与行驶意图,确定任意一个目标检测对象在设定时间段内的预测行驶轨迹终点。
作为本公开实施例的一种可能的实现方式,第二确定模块830,还用于:根据任意一个目标检测对象的行驶意图,确定任意一个目标检测对象在设定时间段中的第一子时间段内的预测行驶轨迹中间点;对任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹中间点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹的第一子行驶轨迹;根据任意一个目标检测对象对应的行驶距离与第一子行驶轨迹的长度之间的差值,确定任意一个目标检测对象在设定时间段中的第二子时间段内的第二行驶距离,其中,第二子时间段为所述设定时间段中位于第一子时间段后的时间段;根据任意一个目标检测对象对应的第二行驶距离与预测行驶轨迹中间点,确定任意一个目标检测对象的预测行驶轨迹终点。
作为本公开实施例的一种可能的实现方式,第二确定模块830,还用于:查询与任意一个目标检测对象的定位信息匹配的第一行驶车道线中的第一路网区域;根据任意一个目标检测对象的行驶意图,确定任意一个目标检测对象在第一子时间段内行驶至的第二行驶车道线;查询任意一个目标检测对象对应的第二行驶车道线中与任意一个目标检测对象对应的第一路网区域邻接的至少一个候选路网区域;根据任意一个目标检测对象的行驶意图,从任意一个目标检测对象的至少一个候选路网区域中,确定任意一个目标检测对象的第二路网区域;将任意一个目标检测对象的第二路网区域的中心点,作为任意一个目标检测对象的行驶轨迹中间点。
作为本公开实施例的一种可能的实现方式,检测模块810,具体用于:对目标车辆采集的多帧图像进行对象检测,以得到多个候选检测对象;根据多个候选检测对象的行驶信息,从多个候选检测对象中确定至少一个目标检测对象,其中,行驶信息包括以下信息中的至少一项:行驶速度信息、行驶加速度信息和行驶方向信息。
作为本公开实施例的一种可能的实现方式,控制模块850,具体用于:根据任意一个目标检测对象的行驶信息,对任意一个目标检测对象的多条预测行驶轨迹进行排序;根据任意一个目标检测对象的多条预测行驶轨迹的排列顺序,从多条预测行驶轨迹中确定任意一个目标检测对象的目标行驶轨迹;根据各目标检测对象的目标行驶轨迹,对目标车辆进行行驶控制。
本公开实施例的车辆控制装置,通过对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象;针对所述至少一个目标检测对象中的任意一个目标检测对象,获取所述任意一个目标检测对象在目标时刻的定位信息,并根据所述任意一个目标检测对象在目标时刻的定位信息,确定所述任意一个目标检测对象的预测行驶轨迹起点;根据所述任意一个目标检测对象的行驶信息,确定任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点;将任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到任意一个目标检测对象的预测行驶轨迹;根据各目标检测对象的预测行驶轨迹,对目标车辆进行行驶控制,由此,该装置可实现在确定各目标检测对象的预测行驶起点和预测行驶终点时,通过对各目标检测对象的预测行驶起点和预测行驶终点进行曲线拟合,可得到至少一个目标检测对象在设定时段内的预测行驶轨迹,可实现根据目标检测对象在设定时段内的预测行驶轨迹,对目标车辆进行行驶控制,提高了目标车辆行驶的安全性。
为了实现上述实施例,本公开提出一种车辆,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器被配置为:实现上述实施例所述的车辆控制方法的步骤。
为了实现上述实施例,本公开还提出一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使所述计算机执行上述实施例所述的车辆控制方法。
为了实现上述实施例,本公开还提出一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述实施例所述的车辆控制方法。
图9是根据一示例性实施例示出的一种车辆的框图。例如,例如,车辆900可以是混合动力车辆,也可以是非混合动力车辆、电动车辆、燃料电池车辆或者其他类型的车辆。车辆900可以是自动驾驶车辆、半自动驾驶车辆或者非自动驾驶车辆。
参照图9,车辆900可包括各种子系统,例如,信息娱乐系统910、感知系统920、决策控制系统930、驱动系统940以及计算平台950。其中,车辆900还可以包括更多或更少的子系统,并且每个子系统都可包括多个部件。另外,车辆900的每个子系统之间和每个部件之间可以通过有线或者无线的方式实现互连。
在一些实施例中,信息娱乐系统910可以包括通信系统,娱乐系统以及导航系统等。
感知系统920可以包括若干种传感器,用于感测车辆900周边的环境的信息。例如,感知系统920可包括全球定位系统(全球定位系统可以是GPS系统,也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit,IMU)、激光雷达、毫米波雷达、超声雷达以及摄像装置。
决策控制系统930可以包括计算系统、整车控制器、转向系统、油门以及制动系统。
驱动系统940可以包括为车辆900提供动力运动的组件。在一个实施例中,驱动系统940可以包括引擎、能量源、传动系统和车轮。引擎可以是内燃机、电动机、空气压缩引擎中的一种或者多种的组合。引擎能够将能量源提供的能量转换成机械能量。
车辆900的部分或所有功能受计算平台950控制。计算平台950可包括至少一个处理器951和存储器952,处理器951可以执行存储在存储器952中的指令953。
处理器951可以是任何常规的处理器,诸如商业可获得的CPU。处理器还可以包括诸如图像处理器(Graphic Process Unit,GPU),现场可编程门阵列(Field ProgrammableGate Array,FPGA)、片上系统(System on Chip,SOC)、专用集成芯片(ApplicationSpecific Integrated Circuit,ASIC)或它们的组合。
存储器952可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
除了指令953以外,存储器952还可存储数据,例如道路地图,路线信息,车辆的位置、方向、速度等数据。存储器952存储的数据可以被计算平台950使用。
在本公开实施例中,处理器951可以执行指令953,以完成上述的车辆控制方法的全部或部分步骤。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本公开的限制,本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种车辆控制方法,其特征在于,包括:
对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象;
针对所述至少一个目标检测对象中的任意一个目标检测对象,获取所述任意一个目标检测对象在目标时刻的定位信息,并根据所述任意一个目标检测对象在目标时刻的定位信息,确定所述任意一个目标检测对象的预测行驶轨迹起点;
根据所述任意一个目标检测对象的行驶信息,确定所述任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点;
将所述任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到所述任意一个目标检测对象的预测行驶轨迹;
根据各所述目标检测对象的预测行驶轨迹,对所述目标车辆进行行驶控制。
2.根据权利要求1所述的方法,其特征在于,所述根据所述任意一个目标检测对象的行驶信息,确定所述任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点,包括:
根据所述任意一个目标检测对象的行驶信息,确定所述任意一个目标检测对象在目标时刻之后的设定时间段内的行驶距离和行驶意图;
根据所述任意一个目标检测对象对应的行驶距离与行驶意图,确定所述任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点。
3.根据权利要求2所述的方法,其特征在于,所述根据所述任意一个目标检测对象对应的行驶距离与行驶意图,确定所述任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点,包括:
根据所述任意一个目标检测对象的行驶意图,确定所述任意一个目标检测对象在所述设定时间段中的第一子时间段内的预测行驶轨迹中间点;
对所述任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹中间点进行曲线拟合,以得到所述任意一个目标检测对象的预测行驶轨迹的第一子行驶轨迹;
根据所述任意一个目标检测对象对应的行驶距离与第一子行驶轨迹的长度之间的差值,确定所述任意一个目标检测对象在所述设定时间段中的第二子时间段内的第二行驶距离,其中,所述第二子时间段为所述设定时间段中位于所述第一子时间段后的时间段;
根据所述任意一个目标检测对象对应的第二行驶距离与预测行驶轨迹中间点,确定所述任意一个目标检测对象的预测行驶轨迹终点。
4.根据权利要求3所述的方法,其特征在于,所述根据所述任意一个目标检测对象的行驶意图,确定所述任意一个目标检测对象在所述设定时间段中的第一子时间段内的预测行驶轨迹中间点,包括:
查询与所述任意一个目标检测对象的定位信息匹配的第一行驶车道线中的第一路网区域;
根据所述任意一个目标检测对象的行驶意图,确定所述任意一个目标检测对象在所述第一子时间段内行驶至的第二行驶车道线;
查询所述任意一个目标检测对象对应的第二行驶车道线中与所述任意一个目标检测对象对应的第一路网区域邻接的至少一个候选路网区域;
根据所述任意一个目标检测对象的行驶意图,从所述任意一个目标检测对象对应的至少一个候选路网区域中,确定所述任意一个目标检测对象的第二路网区域;
将所述任意一个目标检测对象的第二路网区域的中心点,作为所述任意一个目标检测对象的行驶轨迹中间点。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象,包括:
对目标车辆采集的多帧图像进行对象检测,以得到所述多个候选检测对象;
根据所述多个候选检测对象的行驶信息,从所述多个候选检测对象中确定至少一个目标检测对象,其中,所述行驶信息包括以下信息中的至少一项:行驶速度信息、行驶加速度信息和行驶方向信息。
6.根据权利要求1-4中任一项所述的方法,其特征在于,所述任意一个目标检测对象的预测行驶轨迹为多条,所述根据各所述目标检测对象的预测行驶轨迹,对所述目标车辆进行行驶控制,包括:
根据所述任意一个目标检测对象的行驶信息,对所述任意一个目标检测对象的多条预测行驶轨迹进行排序;
根据所述任意一个目标检测对象的多条预测行驶轨迹的排列顺序,从所述多条预测行驶轨迹中确定所述任意一个目标检测对象的目标行驶轨迹;
根据各所述目标检测对象的目标行驶轨迹,对所述目标车辆进行行驶控制。
7.一种车辆控制装置,其特征在于,包括:
检测模块,用于对目标车辆采集的多帧图像进行对象检测,以得到至少一个目标检测对象;
第一确定模块,用于针对所述至少一个目标检测对象中的任意一个目标检测对象,获取所述任意一个目标检测对象在目标时刻的定位信息,并根据所述任意一个目标检测对象在目标时刻的定位信息,确定所述任意一个目标检测对象的预测行驶轨迹起点;
第二确定模块,用于根据所述任意一个目标检测对象的行驶信息,确定所述任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点;
拟合模块,用于将所述任意一个目标检测对象对应的预测行驶轨迹起点与预测行驶轨迹终点进行曲线拟合,以得到所述任意一个目标检测对象的预测行驶轨迹;
控制模块,用于根据各所述目标检测对象的预测行驶轨迹,对所述目标车辆进行行驶控制。
8.根据权利要求7所述的装置,其特征在于,所述第二确定模块,具体用于:
根据所述任意一个目标检测对象的行驶信息,确定所述任意一个目标检测对象在目标时刻之后的设定时间段内的行驶距离和行驶意图;
根据所述任意一个目标检测对象对应的行驶距离与行驶意图,确定所述任意一个目标检测对象在所述设定时间段内的预测行驶轨迹终点。
9.根据权利要求8所述的装置,其特征在于,所述第二确定模块,还用于:
根据所述任意一个目标检测对象的行驶意图,确定所述任意一个目标检测对象在所述设定时间段中的第一子时间段内的预测行驶轨迹中间点;
对所述任意一个目标检测对象的预测行驶轨迹起点与所述预测行驶轨迹中间点进行曲线拟合,以得到所述任意一个目标检测对象的预测行驶轨迹的第一子行驶轨迹;
根据所述任意一个目标检测对象对应的行驶距离与第一子行驶轨迹的长度之间的差值,确定所述任意一个目标检测对象在所述设定时间段中的第二子时间段内的第二行驶距离,其中,所述第二子时间段为所述设定时间段中位于所述第一子时间段后的时间段;
根据所述任意一个目标检测对象对应的第二行驶距离与预测行驶轨迹中间点,确定所述任意一个目标检测对象的预测行驶轨迹终点。
10.根据权利要求9所述的装置,其特征在于,所述第二确定模块,还用于:
查询与所述任意一个目标检测对象的定位信息匹配的第一行驶车道线中的第一路网区域;
根据所述任意一个目标检测对象的行驶意图,确定所述任意一个目标检测对象在所述第一子时间段内行驶至的第二行驶车道线;
查询所述任意一个目标检测对象对应的第二行驶车道线中与所述任意一个目标检测对象对应的第一路网区域邻接的至少一个候选路网区域;
根据所述任意一个目标检测对象的行驶意图,从所述任意一个目标检测对象的至少一个候选路网区域中,确定所述任意一个目标检测对象的第二路网区域;
将所述任意一个目标检测对象的第二路网区域的中心点,作为所述任意一个目标检测对象的行驶轨迹中间点。
11.根据权利要求7-10所述的装置,其特征在于,所述检测模块,具体用于:
对目标车辆采集的多帧图像进行对象检测,以得到所述多个候选检测对象;
根据所述多个候选检测对象的行驶信息,从所述多个候选检测对象中确定至少一个目标检测对象,其中,所述行驶信息包括以下信息中的至少一项:行驶速度信息、行驶加速度信息和行驶方向信息。
12.根据权利要求7-10所述的装置,其特征在于,所述控制模块,具体用于:
根据所述任意一个目标检测对象的行驶信息,对所述任意一个目标检测对象的多条预测行驶轨迹进行排序;
根据所述任意一个目标检测对象的多条预测行驶轨迹的排列顺序,从所述多条预测行驶轨迹中确定所述任意一个目标检测对象的目标行驶轨迹;
根据各所述目标检测对象的目标行驶轨迹,对所述目标车辆进行行驶控制。
13.一种车辆,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
实现权利要求1-6中任一项所述方法的步骤。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210793337.7A CN115123252B (zh) | 2022-07-05 | 2022-07-05 | 车辆控制方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210793337.7A CN115123252B (zh) | 2022-07-05 | 2022-07-05 | 车辆控制方法、装置、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115123252A true CN115123252A (zh) | 2022-09-30 |
CN115123252B CN115123252B (zh) | 2023-03-31 |
Family
ID=83382246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210793337.7A Active CN115123252B (zh) | 2022-07-05 | 2022-07-05 | 车辆控制方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115123252B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
US20190317511A1 (en) * | 2018-04-17 | 2019-10-17 | Baidu Usa Llc | Method for generating prediction trajectories of obstacles for autonomous driving vehicles |
CN110400490A (zh) * | 2019-08-08 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 轨迹预测方法和装置 |
CN111775933A (zh) * | 2019-06-28 | 2020-10-16 | 百度(美国)有限责任公司 | 用于基于车辆周围障碍物的移动轨迹自主驾驶车辆的方法 |
US20200379461A1 (en) * | 2019-05-29 | 2020-12-03 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
US10928820B1 (en) * | 2019-11-12 | 2021-02-23 | Baidu Usa Llc | Confidence levels along the same predicted trajectory of an obstacle |
CN113264066A (zh) * | 2021-06-03 | 2021-08-17 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
US20210300412A1 (en) * | 2020-03-26 | 2021-09-30 | Pony Ai Inc. | Self-learning vehicle performance optimization |
CN114056347A (zh) * | 2020-07-31 | 2022-02-18 | 华为技术有限公司 | 车辆运动状态识别方法及装置 |
-
2022
- 2022-07-05 CN CN202210793337.7A patent/CN115123252B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190317511A1 (en) * | 2018-04-17 | 2019-10-17 | Baidu Usa Llc | Method for generating prediction trajectories of obstacles for autonomous driving vehicles |
CN110389581A (zh) * | 2018-04-17 | 2019-10-29 | 百度(美国)有限责任公司 | 用于为自动驾驶车辆生成障碍物的预测轨迹的方法 |
CN109583151A (zh) * | 2019-02-20 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
US20200379461A1 (en) * | 2019-05-29 | 2020-12-03 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
CN111775933A (zh) * | 2019-06-28 | 2020-10-16 | 百度(美国)有限责任公司 | 用于基于车辆周围障碍物的移动轨迹自主驾驶车辆的方法 |
CN110400490A (zh) * | 2019-08-08 | 2019-11-01 | 腾讯科技(深圳)有限公司 | 轨迹预测方法和装置 |
US10928820B1 (en) * | 2019-11-12 | 2021-02-23 | Baidu Usa Llc | Confidence levels along the same predicted trajectory of an obstacle |
US20210300412A1 (en) * | 2020-03-26 | 2021-09-30 | Pony Ai Inc. | Self-learning vehicle performance optimization |
CN114056347A (zh) * | 2020-07-31 | 2022-02-18 | 华为技术有限公司 | 车辆运动状态识别方法及装置 |
CN113264066A (zh) * | 2021-06-03 | 2021-08-17 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115123252B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110873568B (zh) | 高精度地图的生成方法、装置以及计算机设备 | |
US20200265710A1 (en) | Travelling track prediction method and device for vehicle | |
CN109491375B (zh) | 用于自动驾驶车辆的基于驾驶场景的路径规划 | |
US20190204842A1 (en) | Trajectory planner with dynamic cost learning for autonomous driving | |
US11467576B2 (en) | Autonomous driving system | |
US20200149896A1 (en) | System to derive an autonomous vehicle enabling drivable map | |
CN110779530B (zh) | 车辆路径生成方法、装置和存储介质 | |
CN111559388A (zh) | 一种目标车辆筛选方法、装置、设备及存储介质 | |
CN113792566A (zh) | 一种激光点云的处理方法及相关设备 | |
CN113324554B (zh) | 自动驾驶路线规划方法、装置、可读存储介质及电子设备 | |
JP7156989B2 (ja) | 走行制御装置、走行制御方法、およびプログラム | |
JP2019189213A (ja) | 自動運転車における車線後処理 | |
KR20230036858A (ko) | 3차원 포인트 클라우드 맵을 이용한 차선 레벨 지도 구축 방법 및 시스템 | |
US11325601B2 (en) | Method for producing a passing probability collection, method for operating a control device of a motor vehicle, passing probability collecting device and control device | |
CN116626670B (zh) | 自动驾驶模型的生成方法、装置、车辆及存储介质 | |
US20210398014A1 (en) | Reinforcement learning based control of imitative policies for autonomous driving | |
CN115123252B (zh) | 车辆控制方法、装置、车辆及存储介质 | |
CN111684379B (zh) | 自动驾驶车辆的三点转弯的最优规划器切换方法 | |
CN116343174A (zh) | 目标检测方法、装置、车辆和存储介质 | |
CN115223015B (zh) | 模型训练方法、图像处理方法、装置和车辆 | |
CN115973164A (zh) | 车辆领航辅助驾驶方法、介质和装置 | |
CN113753038A (zh) | 一种轨迹预测方法、装置、电子设备和存储介质 | |
CN116499488B (zh) | 目标融合方法、装置、车辆及存储介质 | |
WO2023123456A1 (zh) | 一种车辆位置的预测方法、装置、车辆及存储介质 | |
US20230343109A1 (en) | Systems and methods for detecting traffic lights of driving lanes using a camera and multiple models |
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 |