CN115195785A - 针对自动驾驶模型的优化方法、装置、设备及存储介质 - Google Patents
针对自动驾驶模型的优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115195785A CN115195785A CN202210885451.2A CN202210885451A CN115195785A CN 115195785 A CN115195785 A CN 115195785A CN 202210885451 A CN202210885451 A CN 202210885451A CN 115195785 A CN115195785 A CN 115195785A
- Authority
- CN
- China
- Prior art keywords
- data
- lane
- target vehicle
- driving model
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 description 32
- 230000006399 behavior Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 238000013075 data extraction Methods 0.000 description 4
- 238000010009 beating Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 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
- 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
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了针对自动驾驶模型的优化方法。该方法包括:获取目标车辆的车辆数据和所述目标车辆所在的环境数据,将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型,根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果,将所述输出结果与实际变道结果进行比较,得到比较结果,根据所述比较结果对所述待优化的自动驾驶模型进行优化。如此,通过将自动驾驶模型得到的是否变道的输出结果与实际变道结果进行比较,可以判断自动驾驶模型的决策与实际驾驶员的决策是否一致,根据比较结果对自动驾驶模型进行优化,可以实现在变道场景下对自动驾驶模型的优化。
Description
技术领域
本申请涉及自动驾驶技术领域,特别是涉及一种针对自动驾驶模型的优化方法、装置、设备及存储介质。
背景技术
随着科技的发展,自动驾驶成为当下热门的研究项目之一。自动驾驶是指车辆无需人来进行操作或控制,可以自动行驶到指定的目的地。在自动驾驶中,自动驾驶模型是自动驾驶车辆的关键,自动驾驶模型可以在实际的场景中为自动驾驶车辆提供像人类驾驶员一样的决策、操作或控制。
在现有技术中,自动驾驶模型是通过对获取大量的变道场景数据进行强化学习,从而实现在面对变道场景时做出对应的决策。但是,经过学习变道场景数据的自动驾驶模型,并不一定能够在不同的场景下做出正确的变道行为的决策,一旦自动驾驶模型为自动驾驶车辆提供错误的变道行为的决策,后果将不堪设想。但是,在现有技术中并没有在变道场景下的对自动驾驶模型的优化的方法。
基于此,如何实现在变道场景下对自动驾驶模型的优化,是本领域技术人员亟待解决的问题。
发明内容
基于上述问题,本申请提供了针对自动驾驶模型的优化方法、装置、设备及存储介质,以实现在变道场景下对黑盒的优化。
本申请实施例公开了如下技术方案:
第一方面,本申请实施例提供一种针对自动驾驶模型的优化方法,所述方法包括:
获取目标车辆的车辆数据和所述目标车辆所在的环境数据;
将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型;
由所述自动驾驶模型根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果;
将所述输出结果与实际变道结果进行比较,得到比较结果;其中,所述实际变道结果是通过所述目标车辆的变道数据得到的;
根据所述比较结果对所述待优化的自动驾驶模型进行优化。
可选地,所述根据所述比较结果对所述待优化的自动驾驶模型进行优化,包括:
累计获得预设数量的比较结果;
确定所述输出结果与所述实际变道结果相同的比较结果在所述预设数量的比较结果中的占比率;
判断所述占比率是否大于或等于预设占比值,若是,则完成对所述自动驾驶模型的优化;若否,则调整所述待优化的自动驾驶模型的参数,继续使用所述车辆数据和所述环境数据对所述待优化的自动驾驶模型进行优化。
可选地,所述方法还包括:
获取目标车辆的实际驾驶数据,其中所述实际驾驶数据至少包括所述目标车辆的打轮信息、车辆朝向、目标距离和目标车辆所在车道中的两种,所述目标距离数据由所述目标车辆与所述目标车辆所在车道的距离得到;
根据所述实际驾驶数据获得所述目标车辆的变道数据。
可选地,根据所述实际驾驶数据中的目标距离和目标车辆所在车道获取所述目标车辆的变道数据,包括:
在目标车辆移动时,实时检测目标距离与预设距离的相对大小;
当检测到所述目标距离大于所述预设距离时,记录当前时刻作为所述目标车辆的起始变道时刻,并记录所述目标车辆在所述起始变道时刻所在的车道;
在记录到所述目标车辆的起始变道时刻后,持续检测目标距离与预设距离的相对大小,并判断所述目标车辆所在车道是否与所述目标车辆在所述起始变道时刻所在的车道不一致;
当检测到目标距离小于预设距离,并且所述目标车辆所在车道与所述目标车辆在所述起始变道时刻所在的车道不一致时,记录当前时刻作为目标车辆的结束变道时刻,并记录所述目标车辆在所述结束变道时刻所在的车道;
根据所述起始变道时刻、所述结束变道时刻、所述目标车辆在所述起始变道时刻所在的车道和所述目标车辆在所述结束变道时刻所在的车道,得到所述目标车辆的变道数据。
可选地,根据所述实际驾驶数据获得所述目标车辆的变道数据,包括:
获取目标车辆的实际驾驶数据,其中所述实际驾驶数据包括打轮信息和车辆朝向;
将所述实际驾驶数据划分到多个时间窗口中,得到所述多个时间窗口分别对应的驾驶数据;
将每个时间窗口对应的实际驾驶数据中的打轮信息符合预设打轮规则的实际驾驶数据作为目标数据;
判断每个目标数据中的车辆朝向是否符合预设朝向规则,若符合,则将目标数据标注为变道数据。
第二方面,本申请实施例提供一种针对自动驾驶模型的优化装置,所述装置包括:数据获取单元,输入单元,输出结果确定单元,结果比较单元和自动驾驶模型优化单元;
所述数据获取单元,用于获取目标车辆的车辆数据和所述目标车辆所在的环境数据;
所述输入单元,用于将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型;
所述输出结果确定单元,用于根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果;
所述结果比较单元,用于将所述输出结果与实际变道结果进行比较,得到比较结果;其中,所述实际变道结果是通过所述目标车辆的变道数据得到的;
所述自动驾驶模型优化单元,用于根据所述比较结果对所述待优化的自动驾驶模型进行优化。
可选地,所述自动驾驶模型优化单元,包括:
比较结果累计单元,用于累计获得预设数量的比较结果;
占比率确定单元,用于确定所述输出结果与所述实际变道结果相同的比较结果在所述预设数量的比较结果中的占比率;
自动驾驶模型优化子单元,用于判断所述占比率是否大于或等于预设占比值,若是,则完成对所述自动驾驶模型的优化;若否,则调整所述待优化的自动驾驶模型的参数,继续使用所述车辆数据和所述环境数据对所述待优化的自动驾驶模型进行优化。
可选地,所述装置还包括:
实际驾驶数据获取单元,用于获取目标车辆的实际驾驶数据,其中所述实际驾驶数据至少包括所述目标车辆的打轮信息、车辆朝向、目标距离和目标车辆所在车道中的两种,所述目标距离数据由所述目标车辆与所述目标车辆所在车道的距离得到;
变道数据确定单元,用于根据所述实际驾驶数据获得所述目标车辆的变道数据。
第三方面,本申请实施例提供一种计算机设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如第一方面所述的针对自动驾驶模型的优化方法。
第四方面,本申请实施例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,当所述指令在终端设备上运行时,使得所述终端设备执行如第一方面所述的针对自动驾驶模型的优化方法。
相较于现有技术,本申请具有以下有益效果:
本申请通过获取目标车辆的车辆数据和所述目标车辆所在的环境数据,将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型,根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果,将所述输出结果与实际变道结果进行比较,得到比较结果,根据所述比较结果对所述待优化的自动驾驶模型进行优化。其中,通过将自动驾驶模型得到的是否变道的输出结果与实际变道结果进行比较,可以判断自动驾驶模型的决策与实际驾驶员的决策是否一致,根据比较结果对自动驾驶模型进行进一步的优化,可以实现在变道场景下对自动驾驶模型的优化。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种针对自动驾驶模型的优化方法的流程图;
图2为本申请实施例提供的一种针对自动驾驶模型的优化方法中的变道数据的提取流程图;
图3为本申请实施例提供的S205具体过程的流程图;
图4为本申请实施例提供的一种针对自动驾驶模型的优化方法中的变道数据的定位流程图;
图5为本申请实施例提供的将实际驾驶数据划分到多个时间窗口的示意图;
图6为本申请实施例提供的相邻两个时间节点的横向位移的示意图;
图7为本申请实施例提供的第一个时间节点与最后一个时间节点之间的横向位移的示意图;
图8为本申请实施例提供的一种针对自动驾驶模型的优化装置的结构示意图。
具体实施方式
正如前文描述,发明人在针对自动驾驶模型的研究中发现,在现有技术中,自动驾驶模型是通过对获取大量的变道场景数据进行强化学习,从而实现在面对变道场景时做出对应的决策。但是,经过学习变道场景数据的自动驾驶模型,并不一定能够在不同的场景下做出正确的变道行为的决策,一旦自动驾驶模型为自动驾驶车辆提供错误的变道行为的决策,后果将不堪设想。但是,在现有技术中并没有在变道场景下的对自动驾驶模型的优化的方法。
为了解决上述问题,本申请实施例提供一种针对自动驾驶模型的优化方法。该方法包括:获取目标车辆的车辆数据和所述目标车辆所在的环境数据,将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型,根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果,将所述输出结果与实际变道结果进行比较,得到比较结果,根据所述比较结果对所述待优化的自动驾驶模型进行优化。
如此,通过将自动驾驶模型得到的是否变道的输出结果与实际变道结果进行比较,可以判断自动驾驶模型的决策与实际驾驶员的决策是否一致,根据比较结果对自动驾驶模型进行进一步的优化,可以实现在变道场景下对自动驾驶模型的优化。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
基于上述内容,本申请实施例提供一种针对自动驾驶模型的优化方法,参见图1,图1为本申请实施例提供的一种针对自动驾驶模型的优化方法的流程图,结合图1所示,本申请实施例提供的针对自动驾驶模型的优化方法可以包括:
S101:获取目标车辆的车辆数据和所述目标车辆所在的环境数据。
车辆数据可以包括车辆自身的硬件信息、软件信息、网络信息以及目标车辆在行驶过程中所产生的数据信息,在此并不作具体限定。
环境数据可以包括目标车辆所在车道、目标车辆所在车道的两侧车道(如果存在)、目标车辆与前车的距离、目标车辆与后车的距离、目标车辆前方的转弯车道、施工位置、交通信号灯、行人等等,包括但不限于所述的几种环境数据,在此仅作为举例说明,并不做具体限定。
S102:将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型。
自动驾驶模型一般用于为自动驾驶车辆提供决策、操作或控制,从而实现自动驾驶。
其中,将车辆数据和环境数据输入进自动驾驶模型,自动驾驶模型会根据车辆数据和环境数据给出相应的决策、操作或控制。
S103:由所述自动驾驶模型根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果。
根据输入的车辆数据和环境数据,自动驾驶模型会决策出是进行变道操作还是非变道操作,其中非变道操作是指转弯、停车、上坡等等操作,即,除变道操作以外的所有操作都作为变道操作,对于非变道操作上述仅举几例,在此并不做具体限定。
S104:将所述输出结果与实际变道结果进行比较,得到比较结果;其中,所述实际变道结果是通过所述目标车辆的变道数据得到的。
其中,输出结果是指自动驾驶模型根据车辆数据和环境数据得出的决策结果。
其中,实际变道结果是指上述车辆数据和环境数据在实际的场景中的变道结果,即,真人驾驶员在实际场景中做出的变道决策和操作。
S105:根据所述比较结果对所述待优化的自动驾驶模型进行优化。
将自动驾驶模型的决策结果与真人驾驶员的决策结果进行比较,得到比较结果,根据比较结果对自动驾驶模型进行优化。
作为一种可实现的实施方式,S105具体可以包括:
步骤1:累计获得预设数量的比较结果。
步骤2:确定所述输出结果与所述实际变道结果相同的比较结果在所述预设数量的比较结果中的占比率。
步骤3:判断所述占比率是否大于或等于预设占比值,若是,则完成对所述自动驾驶模型的优化;若否,则调整所述待优化的自动驾驶模型的参数,继续使用所述车辆数据和所述环境数据对所述待优化的自动驾驶模型进行优化。
由于利用一次比较结果对自动驾驶模型进行调整,并不能反应自动驾驶模型的客观真实情况,因此,可以累计获得比较结果,并确定输出结果与所述实际变道结果相同的比较结果在所述预设数量的比较结果中的占比率,将占比率与预设占比值进行比较,大于或等于预设占比值则认为自动驾驶模型输出的正确率或准确性能够用于变道决策,若是占比率小于预设占比值,则认为自动驾驶模型需要进行优化,可以调整自动驾驶模型的参数,并利用所述车辆数据和所述环境数据对自动驾驶模型进行优化。
其中,通过使用同一组车辆数据和环境数据对自动驾驶模型不断调整参数和优化,使得优化后的自动驾驶模型所做出的决策的准确性更高,区别于每调整依次参数就使用新的数据的方法,本申请实施例更能体现出自动驾驶模型优化的迭代过程。
其中,预设占比值是根据实际的优化场景进行设定,在此并不作具体限定。
作为一种可选的实施方式,为了更好的实现对自动驾驶模型的优化,所述方法还可以包括:
步骤一:获取目标车辆的实际驾驶数据,其中所述实际驾驶数据包括所述目标车辆的打轮信息数据、车辆朝向数据、目标距离数据和预设距离数据,所述目标距离数据由所述目标车辆与所述目标车辆所在车道的距离得到;
步骤二:根据所述实际驾驶数据中的至少两种数据获得所述目标车辆的变道数据。
其中,在本申请实施例中,对于用于确定实际变道结果的变道数据,可以利用目标车辆的实际驾驶数据进行确定。
本申请实施例所提供的针对自动驾驶模型的优化方法,通过将自动驾驶模型得到的是否变道的输出结果与实际变道结果进行比较,可以判断自动驾驶模型的决策与实际驾驶员的决策是否一致,根据比较结果对自动驾驶模型进行进一步的优化,可以实现在变道场景下对自动驾驶模型的优化。
基于上述实施例的内容,本申请实施例还提供一种针对自动驾驶模型的优化方法中的变道数据的提取流程,可以根据实际驾驶数据中的目标距离数据和目标车辆所在车道获得变道数据,参见图2,图2为本申请实施例提供的一种针对自动驾驶模型的优化方法中的变道数据的提取流程图,本申请实施例提供的针对自动驾驶模型的优化方法中的变道数据的提取流程,具体流程可以包括:
S201:在目标车辆移动时,实时检测目标距离与预设距离的相对大小。
作为一种可实现的实施方式,步骤S201,具体可以包括:
步骤1:在目标车辆移动时,实时检测所述目标车辆的定位点。
其中,定位点可以安装在目标车辆的中心位置,也可以安装在车头中心位置,或安装在车辆后轴中心位置,包括但不限于所述三种位置,在此并不做具体限定。
步骤2:确定出所述定位点与所述目标车辆所在车道的中线的最短距离。
其中,最短距离是定位点与目标车辆所在车道的中线的最短直线段。
步骤3:实时检测所述最短距离与所述预设距离的相对大小。
其中,预设距离是指目标车辆所在车道的宽度的一半与所述目标车辆的宽度的一半的差值,由于不同车型的车辆的自车宽度的不同,因此对于预设距离并不做具体限定。并且,包括但不限于上述预设距离的确定条件,在此也不做具体限定。
S202:当检测到所述目标距离大于所述预设距离时,记录当前时刻作为所述目标车辆的起始变道时刻,并记录所述目标车辆在所述起始变道时刻所在的车道。
其中,在正常驾驶的过程中,目标距离会一直小于预设距离,当目标车辆发生变道行为时,目标车辆会由原车道变为变更后的车道,在此过程中,目标距离会由小于预设距离变为大于预设距离,从而确定目标距离在大于预设距离时,目标车辆发生变道行为,将此时刻记录为起始变道时刻。
S203:在记录到所述目标车辆的起始变道时刻后,持续检测目标距离与预设距离的相对大小,并判断所述目标车辆所在车道是否与所述目标车辆在所述起始变道时刻所在的车道不一致。
其中,在记录起始变道时刻后,需要确定目标车辆是否由原车道变为变更后的车道,因为在实际场景中,目标车辆可能在变道中途取消变道,即,实际结果是并未进行变道,因此,需要判断在记录起始变道时刻后,目标车辆所在车道是否与所述目标车辆在所述起始变道时刻所在的车道不一致,以判定目标车辆是否发生变道行为。
S204:当检测到目标距离小于预设距离,并且所述目标车辆所在车道与所述目标车辆在所述起始变道时刻所在的车道不一致时,记录当前时刻作为目标车辆的结束变道时刻,并记录所述目标车辆在所述结束变道时刻所在的车道。
其中,在目标车辆所在车道与所述目标车辆在所述起始变道时刻所在的车道不一致时,目标车辆可能存在中途取消变道行为,虽然车道进行变更,但是实际结果可能为未变道,因此,同时需要判断目标距离是否小于预设距离。在车道变更后,目标距离为目标车辆的定位点与变更后的车道的距离,若是发生变道行为,此时的目标距离应该由大于预设距离变为小于预设距离。当目标距离小于预设距离且目标车辆所在车道与目标车辆在起始变道时刻时所在的车道不一致时,证明目标车辆存在变道行为,并且由原车道变更为新的车道,因此将此时刻作为结束变道时刻。
S205:根据所述起始变道时刻、所述结束变道时刻、所述目标车辆在所述起始变道时刻所在的车道和所述目标车辆在所述结束变道时刻所在的车道,得到所述目标车辆的变道数据。
变道数据可以包括:变道发生的时刻、变道过程以及变道结束时刻。通过步骤S202~S204确定变道的起始时刻、由原车道变更为新车道以及结束变道时刻,统一了数据的标准,使得得到的数据整齐,解决了因人工打标签得到的变道数据因人而异,导致数据参差不齐的问题,提高了变道数据的质量。
作为一种可实现的实施方式,为了提高变道数据的可用性以及准确性,参见图3,图3为本申请实施例提供的S205具体过程的流程图,结合图3所示,步骤S205具体可以包括:
S2051:根据所述起始变道时刻和所述结束变道时刻分别确定实际起始变道时刻和实际结束变道时刻。
S2052:根据所述实际起始变道时刻、所述实际结束变道时刻、所述目标车辆在所述实际起始变道时刻所在的车道和所述目标车辆在所述实际结束变道时刻所在的车道,得到所述目标车辆的变道数据。
作为一种可实现的实施方式,步骤S2051具体可以包括:
步骤一:检查在所述起始变道时刻之前的目标车辆的定位点与所述目标车辆所在车道的中线的最短距离。
步骤二:当所述最短距离不减小时,记录当前时刻作为所述目标车辆的实际起始变道时刻,并记录所述目标车辆在所述实际起始变道时刻所在的车道。
其中,由于起始变道时刻为已经开始变道的时刻,并不是开始变道行为的时刻,即,实际变道时刻是在起始变道时刻之前。
因此,在起始变道时刻之前,可以逐个检查最短距离,从起始变道时刻到实际变道时刻的过程中,最短距离应该是逐渐减小的,若最短距离无变化,那么最短距离无变化的时刻就应该为实际变道时刻。
步骤三:检查在所述结束变道时刻之后的目标车辆的定位点与所述目标车辆所在车道的中线的最短距离。
步骤四:当所述最短距离不减小时,记录当前时刻作为所述目标车辆的实际结束变道时刻,并记录所述目标车辆在所述实际结束变道时刻所在的车道。
其中,结束变道时刻为已经由原始道路变更道路后的时刻,但是此时的车辆可能并没有与变道后的道路平行,即在结束变道时刻时,车辆的车身可能还没有转正,因此,实际结束变道时刻是在结束变道时刻之后。
因此,在确定结束变道时刻之后,继续检测最短距离的变化,在结束变道时刻到实际结束变道时刻的过程中,最短距离应该为逐渐减小,当最短距离不再变化时,那么最短距离无变化的时刻为实际结束变道时刻。
本申请实施例提供的步骤S205的具体实现过程,可以使提取的变道数据更加的精确,提高变道数据的可用性以及准确性。
本申请实施例所提供的针对自动驾驶模型的优化方法中的变道数据的提取流程,可以实现自动化提取变道数据,区别于现有技术中的人工打标签的方法,提高了变道数据的提取效率;并且,通过特定的判断条件可以统一判断车辆的起始变道时刻和结束变道时刻的标准,使得数据整齐,提高数据的质量。
经过上述实施例的流程得到的变道数据在应用于优化自动驾驶模型时,会使得优化后的自动驾驶模型所产生的决策更加的准确和可靠。
基于上述实施例的内容,本申请实施例另外提供一种针对自动驾驶模型的优化方法中的变道数据的定位流程,利用实际驾驶数据中的打轮信息和车辆朝向,可以对实际驾驶数据中的变道数据进行定位,从而方便后续人工提取变道数据,参见图4,图4为本申请实施例提供的一种针对自动驾驶模型的优化方法中的变道数据的定位流程图,结合图4所示,本申请实施例提供的针对自动驾驶模型的优化方法中的变道数据的定位流程,具体可以包括:
S401:获取目标车辆的实际驾驶数据,其中所述实际驾驶数据包括打轮信息和车辆朝向。
打轮信息是指在车辆驾驶过程中,驾驶员转动方向盘产生的打轮值,以一汽车转弯为例,在左转弯的过程中,方向盘会由正向转为左向,即,向左打方向盘,将由正向转为左向所产生的差值,作为打轮值。
车辆朝向是指目标车辆在实际驾驶过程中的车头的朝向,包括但不限于使用车头作为朝向的依据,也可以使用目标车辆的其他位置作为依据来判定车辆朝向,在此并不做具体限定。
S402:将所述实际驾驶数据划分到多个时间窗口中,得到所述多个时间窗口分别对应的实际驾驶数据。
作为一种可实现的实施方式,步骤S402具体可以包括:
步骤一:将所述实际驾驶数据按照时间顺序和预设时间长度划分出第一时间窗口,并得到与所述第一时间窗口对应的实际驾驶数据。
步骤二:在划分第二时间窗口时,所述第二时间窗口的起始位置在所述第一时间窗口的终止位置之前,且所述第二时间窗口的起始位置在所述第一时间窗口的起始位置之后,从所述第二时间窗口的起始位置划分出所述预设时间长度的窗口作为第二时间窗口,并得到与所述第二时间窗口对应的实际驾驶数据。
步骤三:按照所述第二时间窗口的划分过程,依次划分剩余所有时间窗口。
其中,预设时间长度根据实际场景进行确定,在此并不做具体限定。
其中,将第二时间窗口的起始位置确定在第一时间窗口的终止位置之前与第一时间窗口的起始位之后,是将第二时间窗口与第一时间窗口之间的数据有重叠,因为在对实际驾驶数据进行时间窗口的划分的过程中,可能会将一个完整的变道过程划分至两个时间窗口,因此,将第一窗口与第二窗口进行数据重叠,可以避免将完整的变道过程划分至两个窗口后,将该变道过程确定为非变道数据,可以提高变道数据的定位的准确性。
对于步骤一至三,以一段实际驾驶数据为例,将实际驾驶数据划分到多个时间窗口,参见图5,图5为本申请实施例提供的将实际驾驶数据划分到多个时间窗口的示意图,结合图5所示,将实际驾驶数据划分到多个时间窗口的过程可以为:
将预设时间长度设置为12秒,对实际驾驶数据进行划分,得到时间窗口1,在对时间窗口2进行划分时,将时间窗口2与时间窗口1的重叠时间长度设置为6秒,依次对剩余的时间窗口进行划分,得到N个时间窗口。
其中,上述内容和图5仅作为对步骤一至三的示例和解释说明,并不作为限缩本申请保护范围的依据。
S403:将每个时间窗口对应的实际驾驶数据中的打轮信息符合预设打轮规则的实际驾驶数据作为目标数据。
作为一种可实现的实施方式,S403具体可以包括:
判断每个时间窗口对应的实际驾驶数据中的打轮信息中是否分别存在超过预设上限值与预设下限值的打轮值,若存在,则将时间窗口对应的实际驾驶数据标注为目标数据。
其中,预设上限值和预设下限值可以根据实际场景确定,在此并不做具体限定。
在实际的驾驶过程中,若目标车辆发生变道行为,其变道过程中方向盘的变化应该为向一侧打轮,然后回正,再向另一侧打轮,再回正。因此,若发生变道行为,该时间窗口中对应的打轮值应分别超过预设上限值与预设下线值。
通过利用实际驾驶数据中的打轮信息,对目标车辆是否发生变道行为进行一个粗判定,将不符合粗判定的时间窗口排除掉,将符合粗判定的时间窗口对应的实际驾驶数据作为目标数据,可以实现对实际驾驶数据的初步判定,缩小定位的范围。
S404:判断每个目标数据中的车辆朝向是否符合预设朝向规则,若符合,则将目标数据标注为变道数据。
作为一种可实现的实施方式,S404具体可以包括:
步骤1:确定出每个目标数据中的打轮值与预设误差值相等的多个时间节点,其中,所述多个时间节点按照时间顺序排列。
其中,由于在实际的驾驶场景中,方向盘并不是一直是正向的,可能会由于道路颠簸或其他情况使得方向盘有波动,因此设定预设误差值,将目标数据中小于预设误差值的打轮值定义为0,通过设置预设误差值可以使得经过粗判定的目标数据更加的精确,排除由实际情况所产生的误差,可以进一步缩小并精确定位的范围。
其中,确定出每个目标数据中的打轮值与预设误差值相等的多个时间节点,可以按照每个时间节点对应的目标车辆的位置以及车辆朝向进行进一步的变道行为的判断。
步骤2:判断在所述多个时间节点对应的目标数据中的车辆朝向是否符合预设朝向规则,若符合,则将目标数据标注为变道数据。
其中,在实际驾驶场景中,符合粗判定的目标数据有可能是目标车辆在拐弯场景或处于非直道的道路,因此进一步需要利用车辆朝向对目标数据进行细判定,确定目标数据是否为变道数据。
作为一种可实现的实施方式,步骤2具体可以包括:
步骤2-1:判断所述多个时间节点中的第一个时间节点与最后一个时间节点对应的目标数据中的车辆朝向的差值是否大于预设朝向差值。
其中,预设朝向差值可依据实际的驾驶场景进行确定,在此并不做具体限定。
其中,在直道的车道下目标车辆进行变道,其变道前与变道后的车辆朝向并不会超过预设朝向差值;若超过预设朝向差值,则证明目标车辆所在的道路是非直道,要进一步判定是否存在变道行为。
步骤2-2:若所述差值大于所述预设朝向差值,则分别获得所述多个时间节点中的每相邻的两个时间节点之间的横向位移,并将所有横向位移相加得到横向总位移;判断所述横向总位移是否大于第一预设横向位移,若大于,则将目标数据标注为变道数据。
当第一个时间节点与最后一个时间节点对应的目标数据中的车辆朝向的差值大于预设朝向差值时,目标车辆所在车道为非直道。需要根据在非直道的情况下的横向位移确定是否发生变道。具体可以通过计算每两个相邻时间节点的横向位移,并将所有横向位移相加得到横向总位移,若横向总位移大于第一预设横向位移,则为发生变道行为,目标数据为变道数据。
作为一种可实现的实施方式,参见图6,图6为本申请实施例提供的相邻两个时间节点的横向位移的示意图,结合图6所示,相邻两个时间节点的横向位移的确定过程可以为:
确定出四个时间节点分别为t1、t2、t3、t4。
t1与t2之间的横向位移的确定过程为:确定t1对应的目标车辆的车辆朝向的直线K1,确定t2对应的目标车辆的定位点与直线K1之间距离a,a即为t1与t2之间的横向位移。
t2与t3之间的横向位移的确定过程为:确定t1与t4的对应的目标车辆的车辆朝向之间的夹角的中线K2,过t2对应的目标车辆的定位点做与中线K2的垂线K3,过t3对应的目标车辆的定位点做垂线K3的垂线K4,垂足为点M,确定点M与t2对应的目标车辆的定位点之间的距离为b,b即为t2与t3之间的横向位移。
t3与t4之间的横向位移的确定过程为:过t4对应的目标车辆的定位点做与t4对应的目标车辆的车辆朝向的垂线K4,过t3对应的目标车辆的定位点做垂线K4的垂线K5,垂足为点N,确定点N与t4对应的目标车辆的定位点之间的距离为c,c即为t3与t4之间的横向位移。
其中,第一预设横向位移为在非直道情况下目标车道发生变道时的横向位移,可根据实际情况确定,在此并不做具体限定。
步骤2-3:若所述差值小于或等于所述预设朝向差值,则判断第一个时间节点和最后一个时间节点之间的横向位移是否大于第二预设横向位移,若大于,则将时间窗口标注为变道数据。
当第一个时间节点与最后一个时间节点对应的目标数据中的车辆朝向的差值小于预设朝向差值时,目标车辆所在车道为直道。此时只需要确定第一个时间节点与最后一个时间节点之间的横向位移是否大于第二预设横向位移,即可确定目标数据是否为变道数据。
作为一种可实现的实施方式,参见图7,图7为本申请实施例提供的第一个时间节点与最后一个时间节点之间的横向位移的示意图,结合图7所示,第一个时间节点与最后一个时间节点之间的横向位移的确定过程可以为:
确定出四个时间节点,按照时间顺序依次为t1、t2、t3、t4,在确定t1与t4两个时间点的车辆朝向之间的差值小于预设朝向差值后,将t4对应的目标车辆的定位点做与目标车辆所在车道的中线的平行线L,t1对应的目标车辆的定位点与平行线L之间距离d,即为横向位移。
其中,上述第一个时间节点与最后一个时间节点之间的横向位移的确定过程和图7仅作为示例和解释说明,并不作为限缩本申请保护范围的依据。
其中,第二预设横向位移为在直道情况下目标车道发生变道时的横向位移,可根据实际情况确定,在此并不做具体限定。
其中,在目标车辆行驶的过程中,无论是否进行变道都会产生横向位移,在确定是否发生变道的过程中,目标车辆的横向位移大于变道时的最小横向位移,才能确定发生变道。
其中,在本实施例中,将沿车道的方向定义为纵向,将与纵向垂直的方向,定义为横向。
本申请实施例提供的针对自动驾驶模型的优化方法中的变道数据的定位流程,通过将实际驾驶数据划分为多个时间窗口,并根据每个时间窗口对应的实际驾驶数据中的打轮信息进行粗判定,即,将符合预设打轮规则的时间窗口对应的实际驾驶数据标注为目标数据,然后再对目标数据进行细判定,即,将符合预设朝向规则的目标数据标注为变道数据,由此,工作人员只需要对经过粗判定和细判定的变道数据进行判定,就可以确定该变道数据是否存在变道行为,不再需要人工查看大量的实际驾驶数据,可以实现自动定位变道数据,节省了人工提取变道数据的时间,并且提高了变道数据的提取效率。
通过上述实施例提供的针对自动驾驶模型的优化方法中的变道数据的定位流程,得到变道是护具,并利用人工进行最终的判断,得到准确的变道数据,在将准确的变道数据应用于自动驾驶模型优化时,优化后的自动驾驶模型的决策的正确性会更高。
基于上述实施例提供的针对自动驾驶模型的优化方法,本申请实施例还提供一种针对自动驾驶模型的优化装置,参见图8,图8为本申请实施例提供的一种针对自动驾驶模型的优化装置的结构示意图,结合图8所示,本申请实施例提供的针对自动驾驶模型的优化装置,可以包括:
数据获取单元801,用于获取目标车辆的车辆数据和所述目标车辆所在的环境数据;
输入单元802,用于将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型;
输出结果确定单元803,用于根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果;
结果比较单元804,用于将所述输出结果与实际变道结果进行比较,得到比较结果;其中,所述实际变道结果是通过所述目标车辆的变道数据得到的;
自动驾驶模型优化单元805,用于根据所述比较结果对所述待优化的自动驾驶模型进行优化。
作为一种可实现的实施方式,自动驾驶模型优化单元805,具体可以包括:
比较结果累计单元,用于累计获得预设数量的比较结果;
占比率确定单元,用于确定所述输出结果与所述实际变道结果相同的比较结果在所述预设数量的比较结果中的占比率;
自动驾驶模型优化子单元,用于判断所述占比率是否大于或等于预设占比值,若是,则完成对所述自动驾驶模型的优化;若否,则调整所述待优化的自动驾驶模型的参数,继续使用所述车辆数据和所述环境数据对所述待优化的自动驾驶模型进行优化。
作为一种可选的实施方式,所述装置还可以包括:
实际驾驶数据获取单元,用于获取目标车辆的实际驾驶数据,其中所述实际驾驶数据包括所述目标车辆的打轮信息数据、车辆朝向数据、目标距离数据和预设距离数据,所述目标距离数据由所述目标车辆与所述目标车辆所在车道的距离得到;
变道数据确定单元,用于根据所述实际驾驶数据中的至少两种数据获得所述目标车辆的变道数据。
作为一种可选的实施方式,当实际驾驶数据为目标距离数据和预设距离数据时,变道数据确定单元,具体可以包括:
相对大小检测单元,用于在目标车辆移动时,实时检测目标距离与预设距离的相对大小;
起始变道时刻确定单元,用于当检测到所述目标距离大于所述预设距离时,记录当前时刻作为所述目标车辆的起始变道时刻,并记录所述目标车辆在所述起始变道时刻所在的车道;
车道确定单元,用于在记录到所述目标车辆的起始变道时刻后,持续检测目标距离与预设距离的相对大小,并判断所述目标车辆所在车道是否与所述目标车辆在所述起始变道时刻所在的车道不一致;
结束变道时刻确定单元,用于当检测到目标距离小于预设距离,并且所述目标车辆所在车道与所述目标车辆在所述起始变道时刻所在的车道不一致时,记录当前时刻作为目标车辆的结束变道时刻,并记录所述目标车辆在所述结束变道时刻所在的车道;
第一变道数据确定子单元,用于根据所述起始变道时刻、所述结束变道时刻、所述目标车辆在所述起始变道时刻所在的车道和所述目标车辆在所述结束变道时刻所在的车道,得到所述目标车辆的变道数据。
作为另一种可选的实施方式,当实际驾驶数据为打轮信息和车辆朝向时,变道数据确定单元,具体可以包括:
实际驾驶数据获取子单元,用于获取目标车辆的实际驾驶数据,其中所述实际驾驶数据包括打轮信息和车辆朝向;
时间窗口划分单元,用于将所述实际驾驶数据划分到多个时间窗口中,得到所述多个时间窗口分别对应的驾驶数据;
目标数据确定单元,用于将每个时间窗口对应的实际驾驶数据中的打轮信息符合预设打轮规则的实际驾驶数据作为目标数据;
待定变道数据确定单元,用于判断每个目标数据中的车辆朝向是否符合预设朝向规则,若符合,则将目标数据标注为待定变道数据;
第二变道数据确定子单元,用于通过人工进行确定所述待定变道数据是否发生变道行为,且将发生变道行为的待定变道数据作为变道数据。
本申请实施例提供的针对自动驾驶模型的优化装置与上述实施例提供的针对自动驾驶模型的优化方法具有相同的有益效果,因此不再赘述。
基于前述实施例提供的针对自动驾驶模型的优化方法和装置,相应地,本申请还提供一种针对自动驾驶模型的优化设备,包括处理器及存储器;所述存储器用于存储计算机程序;所述处理器用于根据所述计算机程序执行如前述方法实施例提供的针对自动驾驶模型的优化方法。
基于前述实施例提供的针对自动驾驶模型的优化方法、装置和设备,相应地,本申请还提供一种计算机可读存储介质,用于存储计算机程序,所述计算机程序被处理器运行时执行如前述方法实施例提供的针对自动驾驶模型的优化方法。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置及设备实施例而言,由于其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。以上所描述的装置及设备实施例仅仅是示意性的,其中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,作为单元提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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本申请实施例中提到的“第一”、“第二”(若存在)等名称中的“第一”、“第二”只是用来做名字标识,并不代表顺序上的第一、第二。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种针对自动驾驶模型的优化方法,其特征在于,所述方法包括:
获取目标车辆的车辆数据和所述目标车辆所在的环境数据;
将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型;
由所述自动驾驶模型根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果;
将所述输出结果与实际变道结果进行比较,得到比较结果;其中,所述实际变道结果是通过所述目标车辆的变道数据得到的;
根据所述比较结果对所述待优化的自动驾驶模型进行优化。
2.根据权利要求1所述的针对自动驾驶模型的优化方法,其特征在于,所述根据所述比较结果对所述待优化的自动驾驶模型进行优化,包括:
累计获得预设数量的比较结果;
确定所述输出结果与所述实际变道结果相同的比较结果在所述预设数量的比较结果中的占比率;
判断所述占比率是否大于或等于预设占比值,若是,则完成对所述自动驾驶模型的优化;若否,则调整所述待优化的自动驾驶模型的参数,继续使用所述车辆数据和所述环境数据对所述待优化的自动驾驶模型进行优化。
3.根据权利要求1所述的针对自动驾驶模型的优化方法,其特征在于,所述方法还包括:
获取目标车辆的实际驾驶数据,其中所述实际驾驶数据至少包括所述目标车辆的打轮信息、车辆朝向、目标距离和目标车辆所在车道中的两种,所述目标距离数据由所述目标车辆与所述目标车辆所在车道的距离得到;
根据所述实际驾驶数据获得所述目标车辆的变道数据。
4.根据权利要求3所述的针对自动驾驶模型的优化方法,其特征在于,根据所述实际驾驶数据中的目标距离和目标车辆所在车道获取所述目标车辆的变道数据,包括:
在目标车辆移动时,实时检测目标距离与预设距离的相对大小;
当检测到所述目标距离大于所述预设距离时,记录当前时刻作为所述目标车辆的起始变道时刻,并记录所述目标车辆在所述起始变道时刻所在的车道;
在记录到所述目标车辆的起始变道时刻后,持续检测目标距离与预设距离的相对大小,并判断所述目标车辆所在车道是否与所述目标车辆在所述起始变道时刻所在的车道不一致;
当检测到目标距离小于预设距离,并且所述目标车辆所在车道与所述目标车辆在所述起始变道时刻所在的车道不一致时,记录当前时刻作为目标车辆的结束变道时刻,并记录所述目标车辆在所述结束变道时刻所在的车道;
根据所述起始变道时刻、所述结束变道时刻、所述目标车辆在所述起始变道时刻所在的车道和所述目标车辆在所述结束变道时刻所在的车道,得到所述目标车辆的变道数据。
5.根据权利要求3所述的针对自动驾驶模型的优化方法,其特征在于,根据所述实际驾驶数据获得所述目标车辆的变道数据,包括:
获取目标车辆的实际驾驶数据,其中所述实际驾驶数据包括打轮信息和车辆朝向;
将所述实际驾驶数据划分到多个时间窗口中,得到所述多个时间窗口分别对应的驾驶数据;
将每个时间窗口对应的实际驾驶数据中的打轮信息符合预设打轮规则的实际驾驶数据作为目标数据;
判断每个目标数据中的车辆朝向是否符合预设朝向规则,若符合,则将目标数据标注为变道数据。
6.一种针对自动驾驶模型的优化装置,其特征在于,所述装置包括:数据获取单元,输入单元,输出结果确定单元,结果比较单元和自动驾驶模型优化单元;
所述数据获取单元,用于获取目标车辆的车辆数据和所述目标车辆所在的环境数据;
所述输入单元,用于将所述车辆数据和所述环境数据输入进待优化的自动驾驶模型;
所述输出结果确定单元,用于根据所述车辆数据和所述环境数据确定是否进行变道,并将是否进行变道的结果作为所述待优化的自动驾驶模型的输出结果;
所述结果比较单元,用于将所述输出结果与实际变道结果进行比较,得到比较结果;其中,所述实际变道结果是通过所述目标车辆的变道数据得到的;
所述自动驾驶模型优化单元,用于根据所述比较结果对所述待优化的自动驾驶模型进行优化。
7.根据权利要求6所述的针对自动驾驶模型的优化装置,其特征在于,所述自动驾驶模型优化单元,包括:
比较结果累计单元,用于累计获得预设数量的比较结果;
占比率确定单元,用于确定所述输出结果与所述实际变道结果相同的比较结果在所述预设数量的比较结果中的占比率;
自动驾驶模型优化子单元,用于判断所述占比率是否大于或等于预设占比值,若是,则完成对所述自动驾驶模型的优化;若否,则调整所述待优化的自动驾驶模型的参数,继续使用所述车辆数据和所述环境数据对所述待优化的自动驾驶模型进行优化。
8.根据权利要求6所述的针对自动驾驶模型的优化装置,所述装置还包括:
实际驾驶数据获取单元,用于获取目标车辆的实际驾驶数据,其中所述实际驾驶数据至少包括所述目标车辆的打轮信息、车辆朝向、目标距离和目标车辆所在车道中的两种,所述目标距离数据由所述目标车辆与所述目标车辆所在车道的距离得到;
变道数据确定单元,用于根据所述实际驾驶数据获得所述目标车辆的变道数据。
9.一种计算机设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5任一项所述的针对自动驾驶模型的优化方法。
10.一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中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-5任一项所述的针对自动驾驶模型的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885451.2A CN115195785A (zh) | 2022-07-26 | 2022-07-26 | 针对自动驾驶模型的优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885451.2A CN115195785A (zh) | 2022-07-26 | 2022-07-26 | 针对自动驾驶模型的优化方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115195785A true CN115195785A (zh) | 2022-10-18 |
Family
ID=83583590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210885451.2A Pending CN115195785A (zh) | 2022-07-26 | 2022-07-26 | 针对自动驾驶模型的优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115195785A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206441A (zh) * | 2022-12-30 | 2023-06-02 | 云控智行科技有限公司 | 一种自动驾驶规划模型的优化方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105523037A (zh) * | 2014-10-16 | 2016-04-27 | 丰田自动车株式会社 | 用于车辆的驾驶支持设备以及驾驶支持方法 |
JP2016091422A (ja) * | 2014-11-07 | 2016-05-23 | トヨタ自動車株式会社 | 車線変更判定システム |
CN111231950A (zh) * | 2020-03-05 | 2020-06-05 | 北京百度网讯科技有限公司 | 规划车辆变道路径的方法、装置、设备及可读存储介质 |
CN111439263A (zh) * | 2018-12-29 | 2020-07-24 | 沈阳美行科技有限公司 | 车辆变道识别方法、装置、电子设备和存储介质 |
CN111984018A (zh) * | 2020-09-25 | 2020-11-24 | 斑马网络技术有限公司 | 自动驾驶方法及装置 |
CN112579464A (zh) * | 2020-12-25 | 2021-03-30 | 北京百度网讯科技有限公司 | 自动驾驶算法的校验方法、装置、设备以及存储介质 |
CN112721932A (zh) * | 2021-01-25 | 2021-04-30 | 中国汽车技术研究中心有限公司 | 车辆变道参数的确定方法、装置、电子设备和介质 |
-
2022
- 2022-07-26 CN CN202210885451.2A patent/CN115195785A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105523037A (zh) * | 2014-10-16 | 2016-04-27 | 丰田自动车株式会社 | 用于车辆的驾驶支持设备以及驾驶支持方法 |
JP2016091422A (ja) * | 2014-11-07 | 2016-05-23 | トヨタ自動車株式会社 | 車線変更判定システム |
CN111439263A (zh) * | 2018-12-29 | 2020-07-24 | 沈阳美行科技有限公司 | 车辆变道识别方法、装置、电子设备和存储介质 |
CN111231950A (zh) * | 2020-03-05 | 2020-06-05 | 北京百度网讯科技有限公司 | 规划车辆变道路径的方法、装置、设备及可读存储介质 |
CN111984018A (zh) * | 2020-09-25 | 2020-11-24 | 斑马网络技术有限公司 | 自动驾驶方法及装置 |
CN112579464A (zh) * | 2020-12-25 | 2021-03-30 | 北京百度网讯科技有限公司 | 自动驾驶算法的校验方法、装置、设备以及存储介质 |
CN112721932A (zh) * | 2021-01-25 | 2021-04-30 | 中国汽车技术研究中心有限公司 | 车辆变道参数的确定方法、装置、电子设备和介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206441A (zh) * | 2022-12-30 | 2023-06-02 | 云控智行科技有限公司 | 一种自动驾驶规划模型的优化方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109785667B (zh) | 车道偏离识别方法、装置、设备和存储介质 | |
CN111102988A (zh) | 基于地图的路径规划方法、服务器、车载终端、存储介质 | |
CN110077397B (zh) | 一种智能车避障轨迹规划方法及装置 | |
CN105270410A (zh) | 用于自主驾驶车辆的路径规划的精确曲率估计算法 | |
CN111413959A (zh) | 任意点至任意点的全局路径规划、泊车方法及系统 | |
AU2018278948B2 (en) | A system to optimize scats adaptive signal system using trajectory data | |
CN110764496A (zh) | 自动驾驶辅助装置及其方法 | |
CN110175654B (zh) | 一种轨迹路标的更新方法及系统 | |
CN115195785A (zh) | 针对自动驾驶模型的优化方法、装置、设备及存储介质 | |
CN111272190A (zh) | 地图标定错误检测方法和装置 | |
CN110779539A (zh) | 行车路径修正方法、装置、设备和存储介质 | |
CN114111758B (zh) | 一种地图数据的处理方法和装置 | |
CN103140738A (zh) | 车辆用信息处理装置 | |
US11442913B2 (en) | Method and device for creating a localization map | |
CN116534059B (zh) | 自适应感知路径决策方法、装置、计算机设备及存储介质 | |
CN112732861A (zh) | 道路信息的数据采集方法、装置及电子设备 | |
CN115240426B (zh) | 一种变道数据的自动定位方法、装置、设备及存储介质 | |
CN117029857A (zh) | 基于高精地图的车辆感知融合方法、设备及存储介质 | |
CN115683139A (zh) | 一种车载地图路径规划方法、系统、电子设备及存储介质 | |
CN116383321A (zh) | 决策环境构建方法、装置、车辆及存储介质 | |
CN116416588A (zh) | 车道线预测方法、装置、电子设备及存储介质 | |
CN112572421B (zh) | 车辆自动泊车方法、装置、车辆和存储介质 | |
CN114238354A (zh) | 地图数据更新方法、装置及计算机存储介质 | |
CN112685517B (zh) | 分歧/合流区域的识别方法和设备 | |
CN114396933B (zh) | 一种车道拓扑构建方法、装置、车辆和存储介质 |
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 |