CN115140034A - 碰撞风险检测方法、装置及设备 - Google Patents
碰撞风险检测方法、装置及设备 Download PDFInfo
- Publication number
- CN115140034A CN115140034A CN202210737645.8A CN202210737645A CN115140034A CN 115140034 A CN115140034 A CN 115140034A CN 202210737645 A CN202210737645 A CN 202210737645A CN 115140034 A CN115140034 A CN 115140034A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle
- collision
- risk
- time period
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000033001 locomotion Effects 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000004888 barrier function Effects 0.000 claims description 53
- 238000005070 sampling Methods 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001052 transient effect Effects 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- 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
- B60W2554/402—Type
- B60W2554/4023—Type large-size vehicles, e.g. trucks
-
- 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
- B60W2554/402—Type
- B60W2554/4026—Cycles
-
- 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
- B60W2554/402—Type
- B60W2554/4029—Pedestrians
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了碰撞风险检测方法、装置及设备。其中,所述方法包括:识别自车行驶道路上的障碍物;预测障碍物的第一未来运动轨迹;获取自车的第二未来运动轨迹;根据第一未来运动轨迹和第二未来运动轨迹,获取自车与障碍物发生碰撞的风险值。采用这种处理方式,使得通过概率方法量化车辆在道路上行驶的碰撞风险,这样就不依赖于地图建模,同时又不要求安全员进行强行接管,只要在特定情况下给出安全员确认已收到预警的反馈,在得到反馈的情况下,不改变自动驾驶行为,避免过多耗费人力接管。
Description
技术领域
本申请涉及自动驾驶技术领域,具体涉及碰撞风险检测方法和装置,以及车辆。
背景技术
自动驾驶汽车又称无人驾驶汽车、电脑驾驶汽车、或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能汽车,在即时配送、快递服务等行业领域得到了广泛普及和应用。
碰撞风险检测是自动驾驶的一项基本要求,通过碰撞风险检测技术可实时判断自动驾驶汽车在运行过程中,与道路参与者发生的碰撞风险。根据碰撞风险检测结果来调整对自动驾驶方式进行控制,有助于无人驾驶系统的安全性。目前,一种常用的车辆风险碰撞检测方式是使用主成分分析PCA和支持向量机进行风险建模。另一种常用的车辆风险碰撞检测方式是给予地图环境的先验知识生成概率分布。
然而,在实现本发明过程中,发明人发现上述方案至少存在如下问题:1)给予地图环境的先验知识生成概率分布的方法,在计算风险值时依赖于地图建模;2)使用主成分分析PCA和支持向量机进行风险建模的方法,需要安全人员进行强制接管,无法达到L4自动驾驶标准的要求。
综上所述,现有技术存在无法兼顾不依赖于地图建模、且不要求安全员进行强行接管这两个方面的优点。
发明内容
本申请提供碰撞风险检测方法,以解决现有技术存在的无法兼顾不依赖于地图建模、且不要求安全员进行强行接管这两个方面优点的问题。本申请另外提供碰撞风险检测装置,以及电子设备。
本申请提供一种碰撞风险检测方法,包括:
识别自车行驶道路上的障碍物;
预测障碍物在未来时间段的第一运动轨迹;
获取自车在未来时间段的第二运动轨迹;
根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段发生碰撞的风险值。
可选的,所述障碍物包括动态障碍物;
所述预测障碍物在未来时间段的第一运动轨迹,采用以下方式的至少一个:
根据行人的历史运动轨迹,预测行人在未来时间段的第一运动轨迹;
根据车辆的历史运动轨迹,预测车辆在未来时间段的第一运动轨迹;
根据非机动车的历史运动轨迹,预测非机动车在未来时间段的第一运动轨迹。
可选的,还包括:
采集自车周围空间的环境感知信息;
根据自车周围空间的环境感知信息,确定障碍物的状态类型,所述状态类型包括动态障碍物或者静态障碍物。
可选的,所述获取自车在未来时间段的第二运动轨迹,包括:
根据自车的行驶路线规划信息,获取自车在未来时间段的第二运动轨迹。
可选的,所述根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段发生碰撞的风险值,包括:
根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段内的各个时间点发生碰撞的风险值;
根据各个时间点发生碰撞的风险值,获取自车与障碍物在未来时间段发生碰撞的风险值。
可选的,所述根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段内的各个时间点发生碰撞的风险值,包括:
根据第一运动轨迹,确定障碍物在未来时间段内的各个时间点所处的范围信息;
根据第二运动轨迹,可确定自车在未来时间段内的各个时间点的位置信息;
针对各时间点,根据障碍物在所述时间点所处的范围信息和自车在所述时间点的位置信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
可选的,所述根据障碍物在所述时间点所处的范围信息和自车在所述时间点的位置信息,获取自车与障碍物在所述时间点发生碰撞的风险值,包括:
根据在所述时间点所处的范围信息,采样多个障碍物位置信息;
针对各个障碍物位置,根据障碍物位置信息和自车位置信息,获取自车与障碍物发生碰撞的位置点数量信息;
根据障碍物位置采样数量信息和发生碰撞的位置点数量信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
可选的,所述第一运动轨迹包括:障碍物在时间点所处的位置信息,位置分布协方差信息;
所述根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段内的各个时间点发生碰撞的风险值,包括:
针对任意时间点,通过蒙特卡洛算法,根据所述时间点对应的协方差信息和位置信息,对所述时间点对应的障碍物位置进行采样;
根据第二运动轨迹,可确定自车在未来时间段内的各个时间点的位置信息;
针对障碍物的各采样位置,根据障碍物位置信息和自车位置信息,获取自车与障碍物发生碰撞的位置点数量信息;
根据障碍物位置采样数量信息和发生碰撞的位置点数量信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
可选的,还包括:
根据所述风险值和至少一个风险处理阈值,执行风险处理策略。
可选的,所述根据所述风险值和至少一个风险报警阈值,执行风险处理策略,采用以下方式的至少一个:
若所述风险值小于第一风险处理阈值,则控制自车继续驾驶;
若所述风险值大于第一风险处理阈值且小于第二风险处理阈值,则控制自车继续驾驶,并展示所述风险值;
若所述风险值大于第二风险处理阈值且小于第三风险处理阈值,则展示所述风险值;若接收到反馈信息,则控制自车继续驾驶;若未接收到反馈信息,则控制自车停止驾驶。
本申请还提供一种碰撞检测装置,包括:
障碍物识别单元,用于识别自车行驶道路上的障碍物;
障碍物轨迹预测单元,用于预测障碍物在未来时间段的第一运动轨迹;
自车轨迹获取单元,用于获取自车在未来时间段的第二运动轨迹;
风险确定单元,用于根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段发生碰撞的风险值。
本申请还提供电子设备,包括:
包括:处理器,以及存储器;
所述存储器,用于存储实现根据上述碰撞风险检测方法的程序,该设备通电并通过所述处理器运行所述方法的程序。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各种方法。
本申请还提供一种包括指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各种方法。
与现有技术相比,本申请具有以下优点:
本申请实施例提供的碰撞风险检测方法,通过识别自车行驶道路上的障碍物;预测障碍物的第一未来运动轨迹;获取自车的第二未来运动轨迹;根据第一未来运动轨迹和第二未来运动轨迹,获取自车与障碍物发生碰撞的风险值。采用这种处理方式,使得通过概率方法量化车辆在道路上行驶的碰撞风险,这样就不依赖于地图建模,同时又不要求安全员进行强行接管,只要在特定情况下给出安全员确认已收到预警的反馈,在得到反馈的情况下,不改变自动驾驶行为,避免过多耗费人力接管。
附图说明
图1是本申请提供的碰撞风险检测方法的实施例的流程图;
图2是本申请提供的碰撞风险检测方法的实施例的场景示意图;
图3是本申请提供的碰撞风险检测方法的实施例的碰撞概率示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
在本申请中,提供了碰撞检测方法和装置,碰撞检测模型构建方法和装置,车辆,以及电子设备。在下面的实施例中逐一对各种方案进行详细说明。
第一实施例
请参考图1,其为本申请提供的一种碰撞检测方法实施例的流程图。该方法的执行主体包括但不限于无人驾驶车辆,如无人配送车等等。本申请提供的一种碰撞检测方法包括:
步骤S101:识别自车行驶道路上的障碍物。
在自动驾驶过程中,自车(要进行碰撞风险检测的车辆)会与不同的道路参与者发生交互,这些道路参与者对于自车而言就是障碍物。障碍物包括但不限于:自行车,汽车,行人,等等。要识别自车行驶道路上的障碍物,可采用较为成熟的现有技术,如基于机器学习的目标识别算法等,此处不再赘述。
如图2所示,自车自南向北行驶,其中一个道路参与者1自西向东行驶,随着自车和道路参与者的移动,两者在不同时间点处于不同位置。在tn时刻,自车与道路参与者1发生碰撞。
本申请实施例提供的方法,可检测自车与道路上行驶的动态障碍物或者静态障碍物发生碰撞的风险。动态障碍物可以是行驶中的车辆、行人等,静态障碍物可以是道路上发生事故的车辆等。
在一个示例中,所述方法还可包括如下步骤:采集自车周围空间的环境感知信息;根据自车周围空间的环境感知信息,确定障碍物的状态类型,如动态障碍物或者是静态障碍物。
具体实施时,可根据自车周围空间的环境感知信息,得到障碍物的种类类型(车、人、其他等)、位置、速度等;通过对障碍物的特征分析(车灯、车速、周围的其他障碍物等、或者采用基于深度学习的模式识别)得到障碍物的状态类型。例如,如果障碍物为出现事故临时停车,则其为静态障碍物;如果障碍物有一定的行驶速度,则为动态障碍物。
步骤S103:预测障碍物在未来时间段的第一运动轨迹。
采用本申请实施例提供的方法,自动驾驶汽车在运行过程中,可实时判断与道路参与者发生的碰撞风险,并量化碰撞风险为一个概率值。要获取自车与障碍物发生碰撞的风险值,就需要先获取各障碍物和自车分别在未来时间段的运动轨迹。为了便于描述,本实施例将障碍物在未来时间段的运动轨迹称为第一运动轨迹,将自车在未来时间段的运动轨迹称为第二运动轨迹。
在一个示例中,障碍物为动态障碍物;步骤S103可采用如下方式实现:通过预测模块根据各种物体的历史运动轨迹,预测动态障碍物将来一段时间内的运动轨迹,运动轨迹由一序列的位置点和对应的协方差表示。例如,通过行人轨迹预测模块根据行人的历史运动轨迹,预测行人将来一段时间内的运动轨迹;通过车辆轨迹预测模块根据车辆的历史运动轨迹,预测车辆将来一段时间内的运动轨迹;根据非机动车的历史运动轨迹,预测非机动车在未来时间段的第一运动轨迹。
具体实施时,可以对任何一个运动障碍物的未来一段时间(如5秒)轨迹进行概率建模,可由(x0,y0,θ0),(x1,y1,θ1)…(xt,yt,θt)…(xn,yn,θn),n个点序列表示。其中,脚标表示时间点,(x,y)代表该障碍物在各时刻出现的位置,θ表示该时刻的协方差,根据(xt,yt,θt)表示障碍物在t时刻所在的范围。具体实施时,可以每秒或者每0.1秒产生一个轨迹点。
在另一个示例中,障碍物为静态障碍物,静态障碍物在未来时间段的第一运动轨迹为同一个位置。
步骤S105:获取自车在未来时间段的第二运动轨迹。
在本实施例中,可通过自车的行驶路线规划模块,获取自车的行驶路线规划信息;根据自车的行驶路线规划信息,获取自车在未来时间段的第二运动轨迹。
具体实施时,由于自车未来位姿依赖于行驶路线规划信息,而自车行驶路线确定度通常较高,因此,自车在每个时刻的位置为一个具体位置,而非一个范围,即不用考虑自身未来位姿的协方差。
步骤S107:根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段发生碰撞的风险值。
针对各个障碍物,根据该障碍物和自车分别在未来时间段的运动轨迹,即可确定自车与该障碍物在未来时间段发生碰撞的风险值。例如,自车与车辆1在未来5秒发生碰撞的风险值为30%,与车辆2在未来5秒发生碰撞的风险值为55%。
在一个示例中,步骤S107可包括如下子步骤:
步骤S1071:根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段内的各个时间点发生碰撞的风险值。
在一个示例中,步骤S1071可包括如下子步骤:
步骤S1071-1A:根据第一运动轨迹,可确定障碍物在未来时间段内的各个时间点所处的范围信息。
步骤S1071-2A:根据第二运动轨迹,可确定自车在未来时间段内的各个时间点所处的位置信息。
步骤S1071-3A:针对各时间点,根据障碍物在所述时间点所处的范围信息和自车在所述时间点的位置信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
在一个示例中,步骤S1071-3A可包括如下子步骤:1)根据在所述时间点所处的范围信息,采样多个障碍物位置信息,如采样100个位置;2)针对各个障碍物位置,根据障碍物位置信息和自车位置信息,获取自车与障碍物发生碰撞的位置点数量信息,如有60个位置产生碰撞;3)根据障碍物位置采样数量信息和发生碰撞的位置点数量信息,获取自车与障碍物在所述时间点发生碰撞的风险值,如60/100=60%,即风险概率为60%。
在另一个示例中,对任何一个运动障碍物的未来n秒轨迹进行概率建模,所述第一运动轨迹包括:障碍物在时间点所处的位置信息,位置分布协方差信息,即上述(xt,yt,θt);步骤S1071可包括如下子步骤:
步骤S1071-1B:针对任意时间点,通过蒙特卡洛算法,根据所述时间点对应的协方差信息和位置信息,对所述时间点对应的障碍物位置进行采样。例如,采样服从高斯分布的100个位置。
步骤S1071-2B:根据第二运动轨迹,可确定自车在未来时间段内的各个时间点的位置信息。
步骤S1071-3B:针对障碍物的各采样位置,根据障碍物位置信息和自车位置信息,获取自车与障碍物发生碰撞的位置点数量信息。
步骤S1071-4B:根据障碍物位置采样数量信息和发生碰撞的位置点数量信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
采用这种处理方式,使得使用蒙特卡罗方法,在任意t时间点,根据协方差θt,以障碍物预测位置xt,yt进行采样,并计算与自车位置存在碰撞的采样点数量,可以有效提升碰撞风险检测的准确度。
步骤S1073:根据各个时间点发生碰撞的风险值,获取自车与障碍物在未来时间段发生碰撞的风险值。
综合自车与障碍物在各个时间点发生碰撞的风险值,即可获取自车与障碍物在未来时间段发生碰撞的风险值。如图3所示,可将在未来时间段内的各个时间点发生碰撞的最大风险值作为自车与障碍物在未来时间段发生碰撞的风险值,如判断5秒内最大的碰撞风险概率在2秒到2.5秒之间,自车与障碍物发生碰撞的风险约为70%。采用这种处理方式,可以有效提升碰撞风险检测的准确度。
在一个示例中,所述方法还可包括如下步骤:
步骤S201:根据所述风险值和至少一个风险处理阈值,执行风险处理策略。
根据碰撞风险值对自动驾驶系统、自动驾驶安全员进行不同程度预警。在不同的风险阈值下,可对车辆采取减速、停车、请求人员接管等策略,提升无人驾驶人机共驾系统的安全性。
在一个示例中,步骤S201可采用以下方式的至少一个:若所述风险值小于第一风险处理阈值,则控制自车继续驾驶;若所述风险值大于第一风险处理阈值且小于第二风险处理阈值,则控制自车继续驾驶,并展示所述风险值;若所述风险值大于第二风险处理阈值且小于第三风险处理阈值,则展示所述风险值;若接收到反馈信息,则控制自车继续驾驶;若未接收到反馈信息,则控制自车停止驾驶。
例如,设置三种不同阀值(q1,q2,q3)执行策略。策略一、碰撞风险概率[0,0.3],正常驾驶,无需提示安全人员;策略二、碰撞风险概率[0.3,0.6],正常驾驶,但提示安全员人员进行注意,不要求安全人员必须给出反馈;策略三、碰撞风险概率[0.6,1.0],提示安全员人员进行注意,要求安全人员进行反馈,在安全员给出反馈后正常行驶,在安全员没有给出反馈下进行强制停车。
从上述实施例可见,本申请实施例提供的碰撞风险检测方法,通过识别自车行驶道路上的障碍物;预测障碍物的第一未来运动轨迹;获取自车的第二未来运动轨迹;根据第一未来运动轨迹和第二未来运动轨迹,获取自车与障碍物发生碰撞的风险值。采用这种处理方式,使得通过概率方法量化车辆在道路上行驶的碰撞风险,这样就不依赖于地图建模,同时又不要求安全员进行强行接管,只要在特定情况下给出安全员确认已收到预警的反馈,在得到反馈的情况下,不改变自动驾驶行为,避免过多耗费人力接管。
第二实施例
在上述的实施例中,提供了碰撞风险检测方法,与之相对应的,本申请还提供一种碰撞风险检测装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。
本申请另外提供一种碰撞风险检测装置,包括:障碍物识别单元,障碍物轨迹预测单元,自车轨迹获取单元,风险确定单元。障碍物识别单元,用于识别自车行驶道路上的障碍物;障碍物轨迹预测单元,用于预测障碍物在未来时间段的第一运动轨迹;自车轨迹获取单元,用于获取自车在未来时间段的第二运动轨迹;风险确定单元,用于根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段发生碰撞的风险值。
在一个示例中,所述障碍物包括动态障碍物;所述障碍物轨迹预测单元,具体用于根据行人的历史运动轨迹,预测行人在未来时间段的第一运动轨迹;根据车辆的历史运动轨迹,预测车辆在未来时间段的第一运动轨迹;根据非机动车的历史运动轨迹,预测非机动车在未来时间段的第一运动轨迹。
在一个示例中,所述装置还可包括:环境信息采集单元,障碍物状态类型确定单元。环境信息采集单元,用于采集自车周围空间的环境感知信息;障碍物状态类型确定单元,用于根据自车周围空间的环境感知信息,确定障碍物的状态类型,所述状态类型包括动态障碍物或者静态障碍物。
在一个示例中,所述自车轨迹获取单元,具体用于根据自车的行驶路线规划信息,获取自车在未来时间段的第二运动轨迹。
在一个示例中,所述风险确定单元包括:单点风险确定单元,多点风险处理单元。单点风险确定单元,用于根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段内的各个时间点发生碰撞的风险值;多点风险处理单元,用于根据各个时间点发生碰撞的风险值,获取自车与障碍物在未来时间段发生碰撞的风险值。
在一个示例中,所述单点风险确定单元包括:障碍物范围确定单元,自车位置确定单元,单点碰撞风险获取单元。
障碍物范围确定单元,用于根据第一运动轨迹,确定障碍物在未来时间段内的各个时间点所处的范围信息;
自车位置确定单元,用于根据第二运动轨迹,可确定自车在未来时间段内的各个时间点的位置信息;
单点碰撞风险获取单元,用于针对各时间点,根据障碍物在所述时间点所处的范围信息和自车在所述时间点的位置信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
在一个示例中,所述单点碰撞风险获取单元,具体用于根据在所述时间点所处的范围信息,采样多个障碍物位置信息;针对各个障碍物位置,根据障碍物位置信息和自车位置信息,获取自车与障碍物发生碰撞的位置点数量信息;根据障碍物位置采样数量信息和发生碰撞的位置点数量信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
在一个示例中,所述第一运动轨迹包括:障碍物在时间点所处的位置信息,位置分布协方差信息;所述单点风险确定单元,具体用于针对任意时间点,通过蒙特卡洛算法,根据所述时间点对应的协方差信息和位置信息,对所述时间点对应的障碍物位置进行采样;根据第二运动轨迹,可确定自车在未来时间段内的各个时间点的位置信息;针对障碍物的各采样位置,根据障碍物位置信息和自车位置信息,获取自车与障碍物发生碰撞的位置点数量信息;根据障碍物位置采样数量信息和发生碰撞的位置点数量信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
在一个示例中,所述装置还可包括:风险处理单元,用于根据所述风险值和至少一个风险处理阈值,执行风险处理策略。
在一个示例中,所述风险处理单元具体用于若所述风险值小于第一风险处理阈值,则控制自车继续驾驶;若所述风险值大于第一风险处理阈值且小于第二风险处理阈值,则控制自车继续驾驶,并展示所述风险值;若所述风险值大于第二风险处理阈值且小于第三风险处理阈值,则展示所述风险值;若接收到反馈信息,则控制自车继续驾驶;若未接收到反馈信息,则控制自车停止驾驶。
第三实施例
在上述的实施例中,提供了一种碰撞风险检测方法,与之相对应的,本申请还提供一种电子设备,该设备包括但不限于自动驾驶汽车。该设备的实施例是与上述方法的实施例相对应。由于设备实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。
本申请另外提供一种电子设备,包括:处理器,以及存储器。所述存储器,用于存储实现根据上述实施例提供的碰撞风险检测方法的程序,该设备通电并通过所述处理器运行所述方法的程序。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据数据和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (12)
1.一种碰撞风险检测方法,其特征在于,包括:
识别自车行驶道路上的障碍物;
预测障碍物在未来时间段的第一运动轨迹;
获取自车在未来时间段的第二运动轨迹;
根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段发生碰撞的风险值。
2.根据权利要求1所述的方法,其特征在于,
所述障碍物包括动态障碍物;
所述预测障碍物在未来时间段的第一运动轨迹,采用以下方式的至少一个:
根据行人的历史运动轨迹,预测行人在未来时间段的第一运动轨迹;
根据车辆的历史运动轨迹,预测车辆在未来时间段的第一运动轨迹;
根据非机动车的历史运动轨迹,预测非机动车在未来时间段的第一运动轨迹。
3.根据权利要求2所述的方法,其特征在于,还包括:
采集自车周围空间的环境感知信息;
根据自车周围空间的环境感知信息,确定障碍物的状态类型,所述状态类型包括动态障碍物或者静态障碍物。
4.根据权利要求1所述的方法,其特征在于,所述获取自车在未来时间段的第二运动轨迹,包括:
根据自车的行驶路线规划信息,获取自车在未来时间段的第二运动轨迹。
5.根据权利要求1所述的方法,其特征在于,所述根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段发生碰撞的风险值,包括:
根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段内的各个时间点发生碰撞的风险值;
根据各个时间点发生碰撞的风险值,获取自车与障碍物在未来时间段发生碰撞的风险值。
6.根据权利要求5所述的方法,其特征在于,所述根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段内的各个时间点发生碰撞的风险值,包括:
根据第一运动轨迹,确定障碍物在未来时间段内的各个时间点所处的范围信息;
根据第二运动轨迹,可确定自车在未来时间段内的各个时间点的位置信息;
针对各时间点,根据障碍物在所述时间点所处的范围信息和自车在所述时间点的位置信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
7.根据权利要求6所述的方法,其特征在于,所述根据障碍物在所述时间点所处的范围信息和自车在所述时间点的位置信息,获取自车与障碍物在所述时间点发生碰撞的风险值,包括:
根据在所述时间点所处的范围信息,采样多个障碍物位置信息;
针对各个障碍物位置,根据障碍物位置信息和自车位置信息,获取自车与障碍物发生碰撞的位置点数量信息;
根据障碍物位置采样数量信息和发生碰撞的位置点数量信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
8.根据权利要求5所述的方法,其特征在于,
所述第一运动轨迹包括:障碍物在时间点所处的位置信息,位置分布协方差信息;
所述根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段内的各个时间点发生碰撞的风险值,包括:
针对任意时间点,通过蒙特卡洛算法,根据所述时间点对应的协方差信息和位置信息,对所述时间点对应的障碍物位置进行采样;
根据第二运动轨迹,确定自车在未来时间段内的各个时间点的位置信息;
针对障碍物的各采样位置,根据障碍物位置信息和自车位置信息,获取自车与障碍物发生碰撞的位置点数量信息;
根据障碍物位置采样数量信息和发生碰撞的位置点数量信息,获取自车与障碍物在所述时间点发生碰撞的风险值。
9.根据权利要求1所述的方法,其特征在于,还包括:
根据所述风险值和至少一个风险处理阈值,执行风险处理策略。
10.根据权利要求9所述的方法,其特征在于,所述根据所述风险值和至少一个风险报警阈值,执行风险处理策略,采用以下方式的至少一个:
若所述风险值小于第一风险处理阈值,则控制自车继续驾驶;
若所述风险值大于第一风险处理阈值且小于第二风险处理阈值,则控制自车继续驾驶,并展示所述风险值;
若所述风险值大于第二风险处理阈值且小于第三风险处理阈值,则展示所述风险值;若接收到反馈信息,则控制自车继续驾驶;若未接收到反馈信息,则控制自车停止驾驶。
11.一种碰撞检测装置,其特征在于,包括:
障碍物识别单元,用于识别自车行驶道路上的障碍物;
障碍物轨迹预测单元,用于预测障碍物在未来时间段的第一运动轨迹;
自车轨迹获取单元,用于获取自车在未来时间段的第二运动轨迹;
风险确定单元,用于根据第一运动轨迹和第二运动轨迹,获取自车与障碍物在未来时间段发生碰撞的风险值。
12.一种电子设备,其特征在于,包括:
包括:处理器,以及存储器;
所述存储器,用于存储实现根据上述权利要求1-10任一项所述的碰撞风险检测方法的程序,该设备通电并通过所述处理器运行所述方法的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210737645.8A CN115140034A (zh) | 2022-06-27 | 2022-06-27 | 碰撞风险检测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210737645.8A CN115140034A (zh) | 2022-06-27 | 2022-06-27 | 碰撞风险检测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115140034A true CN115140034A (zh) | 2022-10-04 |
Family
ID=83408412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210737645.8A Pending CN115140034A (zh) | 2022-06-27 | 2022-06-27 | 碰撞风险检测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115140034A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116534052A (zh) * | 2023-05-10 | 2023-08-04 | 上海保隆汽车科技股份有限公司 | 行驶场景感知数据处理方法、装置、控制器及存储介质 |
CN116631221A (zh) * | 2023-05-05 | 2023-08-22 | 同济大学 | 一种基于蒙特卡洛模拟的在途车辆运行风险量化计算方法 |
-
2022
- 2022-06-27 CN CN202210737645.8A patent/CN115140034A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631221A (zh) * | 2023-05-05 | 2023-08-22 | 同济大学 | 一种基于蒙特卡洛模拟的在途车辆运行风险量化计算方法 |
CN116631221B (zh) * | 2023-05-05 | 2024-01-23 | 同济大学 | 一种基于蒙特卡洛模拟的在途车辆运行风险量化计算方法 |
CN116534052A (zh) * | 2023-05-10 | 2023-08-04 | 上海保隆汽车科技股份有限公司 | 行驶场景感知数据处理方法、装置、控制器及存储介质 |
CN116534052B (zh) * | 2023-05-10 | 2023-12-05 | 上海保隆汽车科技股份有限公司 | 行驶场景感知数据处理方法、装置、控制器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110293968B (zh) | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 | |
CN115140034A (zh) | 碰撞风险检测方法、装置及设备 | |
Eidehall et al. | Statistical threat assessment for general road scenes using Monte Carlo sampling | |
CN109686031B (zh) | 基于安防的识别跟随方法 | |
Apostoloff et al. | Robust vision based lane tracking using multiple cues and particle filtering | |
CN107480638A (zh) | 车辆避障方法、控制器、装置和车辆 | |
WO2022035776A1 (en) | Waypoint prediction and motion forecasting for vehicle motion planning | |
CN109740462B (zh) | 目标的识别跟随方法 | |
CN112530170A (zh) | 一种车辆行驶状态检测方法、装置、电子设备及存储介质 | |
CN109682388A (zh) | 跟随路径的确定方法 | |
Gruber et al. | Anytime safety verification of autonomous vehicles | |
CN112631276A (zh) | 一种无人车动态障碍决策方法、系统、介质及设备 | |
CN113034579A (zh) | 一种移动机器人基于激光数据的动态障碍物轨迹预测方法 | |
CN113942524A (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
CN115147790A (zh) | 一种基于图神经网络的车辆未来轨迹预测方法 | |
CN114834486A (zh) | 一种规划车辆掉头路径的方法、装置及设备 | |
Gill et al. | Behavior identification and prediction for a probabilistic risk framework | |
CN116867695A (zh) | 自主车辆转向假动作事件检测器 | |
CN110497906B (zh) | 车辆控制方法、装置、设备和介质 | |
CN115447607A (zh) | 用于规划车辆行驶轨迹的方法和装置 | |
Sanberg et al. | Asteroids: A stixel tracking extrapolation-based relevant obstacle impact detection system | |
Alin et al. | Tracking moving vehicles using an advanced grid-based bayesian filter approach | |
Laugier et al. | Steps towards safe navigation in open and dynamic environments | |
CN117496476B (zh) | 路网生成方法、可读存储介质及智能设备 | |
Zhong et al. | Driving with caution about fully occluded areas based on occupancy maps |
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 |