CN115416692A - 一种自动驾驶方法、装置及电子设备 - Google Patents
一种自动驾驶方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115416692A CN115416692A CN202211208779.7A CN202211208779A CN115416692A CN 115416692 A CN115416692 A CN 115416692A CN 202211208779 A CN202211208779 A CN 202211208779A CN 115416692 A CN115416692 A CN 115416692A
- Authority
- CN
- China
- Prior art keywords
- target
- driving
- current vehicle
- vehicle
- control information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
Abstract
本申请公开一种自动驾驶方法、装置及电子设备,该方法通过获取当前车辆的目标规划路线,并根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定当前车辆在目标规划路线行驶时的参考控制信息,进而,根据参考控制信息,控制当前车辆在目标规划路线上行驶。通过上述方法,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,进而根据参考控制信息实现自动驾驶,使得自动驾驶技术可以学习优秀驾驶员的驾驶经验,提高自动驾驶的安全性。
Description
技术领域
本申请涉及车辆智能控制技术领域,特别是涉及一种自动驾驶方法、装置及电子设备。
背景技术
随着人工智能技术进步,自动驾驶技术得到了快速发展。自动驾驶技术是指依靠计算机与人工智能技术在没有人为操纵的情况下,协助或者代替驾驶员在道路上行驶,实现跟车、制动和变道等一系列操作的技术,因此,利用自动驾驶技术可以规划自动驾驶车辆对应的行车路线。
目前,自动驾驶技术主要是将自动驾驶系统划分为车道线识别、车辆识别、行人检测以及车辆控制等子系统,然后利用车道线识别子系统输出车道线感知信息,利用车辆识别子系统输出车辆感知信息,利用行人检测子系统输出行人感知信息,并利用车辆控制子系统将这些感知信息生成自动驾驶汽车以当前位置为中心的局部高精度地图,并根据局部高精度地图生成车辆下一时间段的规划路线,进而确定出自动驾驶车辆在规划路线上行驶时的控制信息。
由于上述控制信息仅仅依靠于规划路线确定,而规划路线是根据环境感知信息生成的,这些环境感知信息比较依赖于车载传感器的识别精度,因此,在传感器出现误识别时,会影响规划路线生成的准确性,进而影响控制信息的准确性,不利于自动驾驶的行车安全。
发明内容
本申请提供了一种自动驾驶方法、装置及电子设备,可以根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,进而根据参考控制信息实现自动驾驶,使得自动驾驶技术可以学习优秀驾驶员的驾驶经验,提高自动驾驶的安全性。
第一方面,本申请提供了一种自动驾驶方法,所述方法包括:
获取当前车辆的目标规划路线;
根据各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据,确定所述当前车辆在所述目标规划路线行驶时的参考控制信息;
根据所述参考控制信息,控制所述当前车辆在所述目标规划路线上行驶。
通过上述自动驾驶方法,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,进而根据参考控制信息实现自动驾驶,使得自动驾驶技术可以学习优秀驾驶员的驾驶经验,提高自动驾驶的安全性。
在一种可能的场景中,所述获取当前车辆的目标规划路线,包括:
提取环视图像中的第一特征数据,并生成所述第一特征数据对应的第一特征图,其中,所述第一特征图为所述环视图像对应的正视图;
对所述第一特征图进行视觉修正,得到第二特征图,其中,所述第二特征图为所述第一特征图对应的俯视图;
在所述第二特征图中确定出所述目标规划路线。
通过上述方法,将环视图像转换成第二特征图,可以得到畸变程度小、真实度更高的当前车辆的环境信息。
在一种可能的场景中,所述在所述第二特征图中确定出所述目标规划路线,包括:
根据所述第二特征图确定出所述当前车辆的历史行车轨迹,以及所述当前车辆的周围车辆在下一时间段的预测行车轨迹;
根据所述历史行车轨迹以及所述预测行车轨迹,确定出所述当前车辆可行驶的各个规划路线;
根据所述第二特征图中的障碍物信息,在所述各个规划路线中确定出目标规划路线。
通过上述方法,基于当前车辆的历史行车轨迹以及周围车辆的预测行车轨迹确定出当前车辆可行驶的各个规划路线,进而可以在各个规划路线中确定出准确性更高的目标规划路线。
在一种可能的场景中,所述根据所述历史行车轨迹以及所述预测行车轨迹,确定出所述当前车辆可行驶的各个规划路线,包括:
获取所述历史行车轨迹对应的各个第一轨迹点,以及所述预测行车轨迹对应的各个第二轨迹点;
确定所述各个第一轨迹点以及所述各个第二轨迹点分别对应的车辆控制数据;
根据各个车辆控制数据,计算得到所述当前车辆在下一时间段对应各个可行驶轨迹点的行驶概率;
根据各个行驶概率中的目标行驶概率对应的可行驶轨迹点,得到所述当前车辆在下一时间段对应的各个规划路线。
通过上述方法,基于当前车辆在下一时间段对应各个可行驶轨迹点的行驶概率可以确定出各个规划路线。
在一种可能的场景中,所述确定所述当前车辆在所述目标规划路线行驶时的参考控制信息,包括:
获取各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据;
根据各个行驶数据,确定出各个非自动驾驶车辆安全行驶时的数据范围;
在所述数据范围中,确定出所述当前车辆对应的参考控制信息。
通过上述方法,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,可以提高自动驾驶的安全性。
在一种可能的场景中,所述根据所述参考控制信息,控制所述当前车辆在所述目标规划路线上行驶,包括:
确定所述目标规划路线对应的目标控制信息;
将所述目标控制信息与所述参考控制信息进行比对;
在比对不一致时,将所述目标控制信息按照所述参考控制信息进行调整;
控制所述当前车辆按照调整后的目标控制信息在所述目标规划路线上行驶。
通过上述方法,根据参考控制信息调整目标规划路线对应的目标控制信息,使得自动驾驶技术可以学习优秀驾驶员的经验,提高自动驾驶的安全性。
第二方面,本申请提供了一种自动驾驶装置,所述装置包括:
获取模块,用于获取当前车辆的目标规划路线;
确定模块,用于根据各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据,确定所述当前车辆在所述目标规划路线行驶时的参考控制信息;
控制模块,用于根据所述参考控制信息,控制所述当前车辆在所述目标规划路线上行驶。
在一种可能的场景中,所述获取模块包括:
提取单元,用于提取环视图像中的第一特征数据,并生成所述第一特征数据对应的第一特征图,其中,所述第一特征图为所述环视图像对应的正视图;
修正单元,用于对所述第一特征图进行视觉修正,得到第二特征图,其中,所述第二特征图为所述第一特征图对应的俯视图;
确定单元,用于在所述第二特征图中确定出所述目标规划路线。
在一种可能的场景中,所述确定单元具体用于:
第二根据所述第二特征图确定出所述当前车辆的历史行车轨迹,以及所述当前车辆的周围车辆在下一时间段的预测行车轨迹;
根据所述历史行车轨迹以及所述预测行车轨迹,确定出所述当前车辆可行驶的各个规划路线;
根据所述第二特征图中的障碍物信息,在所述各个规划路线中确定出目标规划路线。
在一种可能的场景中,所述确定单元还用于:
获取所述历史行车轨迹对应的各个第一轨迹点,以及所述预测行车轨迹对应的各个第二轨迹点;
确定所述各个第一轨迹点以及所述各个第二轨迹点分别对应的车辆控制数据;
根据各个车辆控制数据,计算得到所述当前车辆在下一时间段对应各个可行驶轨迹点的行驶概率;
根据各个行驶概率中的目标行驶概率对应的可行驶轨迹点,得到所述当前车辆在下一时间段对应的各个规划路线。
在一种可能的场景中,所述确定模块具体用于:
获取各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据;
根据各个行驶数据,确定出各个非自动驾驶车辆安全行驶时的数据范围;
在所述数据范围中,确定出所述当前车辆对应的参考控制信息。
在一种可能的场景中,所述控制模块具体用于:
确定所述目标规划路线对应的目标控制信息;
将所述目标控制信息与所述参考控制信息进行比对;
在比对不一致时,将所述目标控制信息按照所述参考控制信息进行调整;
控制所述当前车辆按照调整后的目标控制信息在所述目标规划路线上行驶。
第三方面,本申请提供了一种电子设备,包括:
存储器,用于存放计算机程序;
处理器,用于执行所述存储器上所存放的计算机程序时,实现上述的自动驾驶方法步骤。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述的自动驾驶方法步骤。
基于本申请所提供的自动驾驶方法,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,进而根据参考控制信息实现自动驾驶,使得自动驾驶技术可以学习优秀驾驶员的驾驶经验,提高自动驾驶的安全性。
上述第二方面至第四方面中的各个方面以及各个方面可能达到的技术效果参照上述针对第一方面或者第一方面中的各种可能方案可以达到的技术效果说明,这里不再重复赘述。
附图说明
图1为本申请提供的一种自动驾驶方法的流程图;
图2为本申请提供的一种确定行车轨迹的示意图;
图3为本申请提供的一种确定行车规划路线的流程图;
图4为本申请提供的一种自动驾驶装置的应用场景示意图;
图5为本申请提供的一种自动驾驶装置的结构示意图;
图6为本申请提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是,在本申请的描述中“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,并存在A和B,单独存在B这三种情况。A与B连接,可以表示:A与B直接连接和A与B通过C连接这两种情况。另外,在本申请的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
下面结合附图,对本申请实施例进行详细描述。
当前自动驾驶车辆的行车路线是根据环境感知信息生成的,而这些环境感知信息比较依赖于车载传感器的识别精度,在传感器出现误识别时,会影响行车路线生成的准确性,又因为自动驾驶时的车辆控制信息是根据行车路线来确定的,其中,车辆控制信息包括车辆速度、转向角等,因此,若行车路线的准确性不高,则会影响自动驾驶的实现。
为了解决上述问题,本申请实施例提供的一种自动驾驶方法,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,进而根据参考控制信息实现自动驾驶,使得自动驾驶技术可以学习优秀驾驶员的驾驶经验,提高自动驾驶的安全性。其中,本申请实施例所述方法和装置基于同一技术构思,由于方法及装置所解决问题的原理相似,因此装置与方法的实施例可以相互参见,重复之处不再赘述。
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请作进一步的详细描述。
如图1所示,为本申请提供的一种自动驾驶方法的流程图,具体包括如下步骤:
S11,获取当前车辆的目标规划路线;
S12,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定当前车辆在目标规划路线行驶时的参考控制信息;
S13,根据参考控制信息,控制当前车辆在目标规划路线上行驶。
在本申请实施例中,当前车辆具有自动驾驶功能,车身设有多个车载环视相机,比如,鱼眼相机。通过车载环视相机获取到车身周围的环视图像后,一方面,需要在环视图像中标定出当前车辆的位置信息和尺寸信息,另一方面,还需要对环视图像进行预处理,包括删除环视图像中无用特征的干扰,比如,马路上的树叶、天空中的云朵等,进而排除无用特征的干扰。优选的,还需要对环视图像中的显著特征进行数据增强,其中,显著特征能够体现当前车辆的位置信息和尺寸信息,比如轮廓、车道线等。对环视图像经过上述标定、预处理、以及数据增强操作后,通过特征提取网络对环视图像进行特征提取,进而得到包含当前车辆对应的位置信息和尺寸信息的第一特征数据。
进一步,由于第一特征数据是通过各个环视相机得到的,因此,第一特征数据中包含同一个物体的多个视角信息,在本申请实施例中,可以通过多层感知机(Multi-LayerPerceptron,MLP)将第一特征数据中,同一物体对应的各个特征数据进行数据融合,得到各个物体分别对应的多视角数据,并根据各个多视角数据,生成第一特征数据对应的第一特征图,其中,第一特征图为环视图像对应的正视图。相比环视特征图来讲,第一特征图中各个物体可以通过多视角数据来表达,并且畸变程度小、真实度更高。
在得到第一特征图后,获取各个环视相机分别对应的相机外参,其中,相机外参确定了相机在某个空间中的位置和朝向,比如旋转参数、平移参数等。然后,通过各个相机外参对第一特征图中进行视觉修正,得到第二特征图,其中,第二特征图为第一特征图对应的俯视图,比如,鸟瞰图(Bird’s Eye View,BEV),BEV代指一种由神经网络将视觉信息从图像空间转换到BEV空间的技术。
通过上述方法,可以将环视图像转换成畸变程度小、真实度更高的第二特征图。
在得到第二特征图后,进一步,在第二特征图中确定出目标行车路线目标规划路线,具体的确定方法可以是:
首先,根据第二特征图确定出当前车辆的历史行车轨迹,以及当前车辆的周围车辆在下一时间段的预测行车轨迹。具体来讲,将第二特征图输入空间-时间解码器进行解码,得到当前车辆的历史行车轨迹以及周围车辆的历史行车轨迹,并通过周围车辆的历史行车轨迹可以得到周围车辆的预测行车轨迹。如图2所示,当前车辆为车辆A,周围车辆为车辆B,将第二特征图输入空间-时间解码器进行解码,得到车辆A的历史行车轨迹为L1,车辆B的历史行车轨迹为L2,进一步,根据L2可以得到车辆B的预测行车轨迹为L3。
然后,通过特征提取网络在第二特征图中提取出当前车辆的历史行车轨迹、周围车辆的历史行车轨迹以及周围车辆的预测行车轨迹,并通过图神经网络生成各个行车轨迹对应的第一全连接图,其中,图神经网络(Graph Neural Network,GNN)是使用神经网络来提取和发掘各个车辆的行车轨迹,并生成全连接图的算法,第一全连接图表征各个行车轨迹对应的关联关系图。
进一步,在第一全连接图中加入不同的实例,比如,各个车辆以及可行驶的车道等,使得各个行车轨迹以及不同实例之间能够进行信息交换,并建立关联关系,比如,车与车之间的位置关系以及车与车道之间的位置关系等。同时,在第一全连接图中加入当前车辆的历史行车轨迹以及标清地图,比如,高德地图,将当前车辆的历史行车轨迹匹配至标清地图,从而得到第二全连接图,实现将当前车辆的历史行车轨迹、周围车辆的历史行车轨迹、周围车辆的预测行车轨迹、各个实例关系以及标清地图进行信息融合。
在得到第二全连接图后,在各个实例关系中,确定出当前车辆的各个可行驶路线,并通过门控循环编码器对当前车辆的历史行车轨迹、周围车辆的预测行车轨迹以及各个可行驶路线进行编码,得到当前车辆的历史行车轨迹对应的各个第一轨迹点,周围车辆的预测行车轨迹对应的各个第二轨迹点以及各个可行驶路线对应的各个第三轨迹点,并进一步确定出各个轨迹点到当前车辆的距离,筛选出到当前车辆的距离小于预设距离值的各个目标轨迹点,将数据处理资源分配给各个目标轨迹点。
进一步,将各个目标轨迹点中到当前车辆距离最小的轨迹点确定为初始点,并运用图遍历离散策略,从初始点出发,按照预设搜索方法,比如,按照重要度由高到低的顺序进行搜索,沿着图边访问图中的所有轨迹点,且每个轨迹点仅被访问一次,并根据搜索到的各个轨迹点分别对应的车辆控制数据,计算得到当前车辆在下一时间段对应各个可行驶轨迹点的行驶概率。
接下来,通过多头注意力层以及MLP对各个可行驶轨迹点的行驶概率进行筛选,将大于预设概率值的各个行驶概率确定为目标行驶概率,并根据各个目标行驶概率对应的可行驶轨迹点,得到当前车辆在下一时间段对应的各个规划路线。
最后,根据第二特征图中的障碍物信息,在各个规划路线中确定出目标规划路线,具体的,将第二特征图输入至包含多个多头注意力的翻译解码器中,突出第二特征图中的显著特征,进一步,经过多层感知机,确定显著特征对应的信息,比如,确定显著特征是行人、车辆或者安全锥,并根据显著特征的信息,得到当前车辆周围的障碍物信息,其中,障碍物信息包括动态障碍物信息以及静态障碍物信息,进一步,将获取到的障碍物信息输入至第二全连接图中,并根据障碍物信息在各个规划路线中确定出目标规划路线,参考图3。
通过上述方法,基于当前车辆的历史行车轨迹以及周围车辆的预测行车轨迹确定出当前车辆可行驶的各个规划路线,进而可以在各个规划路线中确定出准确性更高的目标规划路线。
在得到目标规划路线后,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定当前车辆在目标规划路线行驶时的参考控制信息,具体的,在数据库中,存储着大量优秀驾驶员在各个行车路线上行驶时的各个行驶数据,比如,车辆的速度以及转角度数,通过查找数据库,可以确定各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,进一步,在各个行驶数据中,确定出各个非自动驾驶车辆安全行驶时的数据范围,并在数据范围中,确定出当前车辆对应的参考控制信息。
举例来讲,非自动驾驶车辆1在目标规划路线行驶时的速度1为31,非自动驾驶车辆2在目标规划路线行驶时的速度2为40,非自动驾驶车辆3在目标规划路线行驶时的速度3为25,非自动驾驶车辆4在目标规划路线行驶时的速度4为33,非自动驾驶车辆5在目标规划路线行驶时的速度5为35,且确定出各个非自动驾驶车辆安全行驶时的速度范围为(30~35),速度1、速度4以及速度5都在速度范围内,进一步,通过计算速度1、速度4以及速度5的平均值,确定出当前车辆对应的参考控制信息,即参考速度为33。
通过上述方法,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,可以提高自动驾驶的安全性。
在得到参考控制信息后,根据参考控制信息,控制当前车辆在目标规划路线上行驶,具体来讲,根据目标规划路线以及当前车辆的行车数据,生成当前车辆行驶在目标规划路线时对应的目标控制信息,比如,当前车辆的速度以及转角度数,并将目标控制信息输入生成对抗式网络(Generative Adversarial Networks,GAN),其中,GAN是一种深度学习模型,且至少包括两个模块:生成模型和判别模型,然后,将参考控制信息通过多层感知机,在参考控制信息中提取出与目标控制信息对应的数据,并作为网络真值输入到GAN的判别模块中,判别模块会将目标控制信息与参考控制信息进行比对,在比对不一致时,生成模块会将目标控制信息按照参考控制信息进行调整,最终生成符合人类驾驶员行为规范的车辆刹车、方向盘转角、轮速等行为,控制模块在接收到这些行为后,会控制当前车辆按照这些行为在目标规划路线上行驶。
通过上述自动驾驶方法,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,进而根据参考控制信息实现自动驾驶,使得自动驾驶技术可以学习优秀驾驶员的驾驶经验,提高自动驾驶的安全性。
为了更加详细阐述本申请提供的一种自动驾驶方法,下面通过具体应用场景进行说明。如图4所示,在本应用场景中,将获取到的环视图像数据,通过端到端的网络,直接输出当前车辆的控制信息,从而实现车辆在目标规划路线上的自动驾驶,其中,端到端的网络是由各个优秀驾驶员驾驶车辆行驶在目标规划路线上时,车辆对应的行驶数据训练得到,可以将整个端到端的网络划分为四部分。具体的:
在第一部分网络模型中,输入环视图像数据。
(1)环视图像经过预处理,输入到特征提取网络,并经过多层感知机,生成透视特征图,相当于上述方案中的第一特征图;
(2)通过相机外参将透视特征图转换成BEV特征图,完成视图转换;
(3)通过解码器对生成的BEV特征图解码,得到局部语义片段。
在第二部分网络模型中,输入为第一部分的BEV特征图。
(1)将BEV特征图输入至transformer解码器,其中,解码器包含多个多头注意力和MLP层,得到特征向量,相当于上述方案中的显著特征;
(2)将特征向量经过多层感知机,得到障碍物信息,完成对当前车辆周围的动静态障碍物提取。
在第三部分网络模型中,输入为第一部分网络的BEV特征图与生成的局部语义片段,第二部分的障碍物信息,以及标清地图。
(1)将BEV特征图输入至空间-时间解码器,得到周围车辆的预测行驶轨迹;
(2)抽取局部语义片段中的各个行驶轨迹,然后,通过图神经网络建立一个各个行车轨迹对应的全连接图;
(3)在图神经网络加入各个实例,使各个实例能够进行信息交换,并建立各个实例之间的关系;
(4)将标清地图与当前车辆位置输入图神经网络,匹配当前车辆的历史行车轨迹至标清地图上;
(5)将当前车辆的历史行车轨迹输入至图神经网络,经过门控循环编码器对周围车辆的预测行车轨迹、当前车辆的历史行车轨迹,以及各个实例之间的关系进行编码,得到运动编码、代理编码以及初始节点编码,相当于上述方案中的各个第一轨迹点、各个第二轨迹点以及各个第三轨迹点;
(6)将得到的运动编码、代理编码以及初始节点编码,输入节点的注意力机制,运用图遍历离散策略得到当前车辆的各个行驶概率;
(7)将各个行驶概率经过多头注意力层和多层感知机进行筛选,得到概率最高的各个规划路线;
(8)将动静态障碍物与各个规划路线输入图神经网络筛选,在全连接图中得到目标规划路线。
在第四部分网络模型中,输入为第三部分网络的目标规划路线,以及各个优秀驾驶员驾驶车辆行驶在目标规划路线上时,车辆对应的行驶数据。
(1)由最终运动轨迹生成当前车辆的绝对速度及转角度数;
(2)驾驶员的行驶数据通过多层感知机后,作为网络真值输入生成对抗网络的识别器,同时,生成对抗网络中的生成器接受绝对速度及转角度数,然后,识别器识别由生成器生成的行为,输出当前车辆的控制信息。
基于同一发明构思,本申请实施例中还提供了一种自动驾驶装置,如图4所示,为本申请中一种自动驾驶装置的结构示意图,该装置包括:
获取模块51,用于获取当前车辆的目标规划路线;
确定模块52,用于根据各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据,确定所述当前车辆在所述目标规划路线行驶时的参考控制信息;
控制模块53,用于根据所述参考控制信息,控制所述当前车辆在所述目标规划路线上行驶。
在一种可能的场景中,所述获取模块51包括:
提取单元,用于提取环视图像中的第一特征数据,并生成所述第一特征数据对应的第一特征图,其中,所述第一特征图为所述环视图像对应的正视图;
修正单元,用于对所述第一特征图进行视觉修正,得到第二特征图,其中,所述第二特征图为所述第一特征图对应的俯视图;
确定单元,用于在所述第二特征图中确定出所述目标规划路线。
在一种可能的场景中,所述确定单元具体用于:
第二根据所述第二特征图确定出所述当前车辆的历史行车轨迹,以及所述当前车辆的周围车辆在下一时间段的预测行车轨迹;
根据所述历史行车轨迹以及所述预测行车轨迹,确定出所述当前车辆可行驶的各个规划路线;
根据所述第二特征图中的障碍物信息,在所述各个规划路线中确定出目标规划路线。
在一种可能的场景中,所述确定单元还用于:
获取所述历史行车轨迹对应的各个第一轨迹点,以及所述预测行车轨迹对应的各个第二轨迹点;
确定所述各个第一轨迹点以及所述各个第二轨迹点分别对应的车辆控制数据;
根据各个车辆控制数据,计算得到所述当前车辆在下一时间段对应各个可行驶轨迹点的行驶概率;
根据各个行驶概率中的目标行驶概率对应的可行驶轨迹点,得到所述当前车辆在下一时间段对应的各个规划路线。
在一种可能的场景中,所述确定模块52具体用于:
获取各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据;
根据各个行驶数据,确定出各个非自动驾驶车辆安全行驶时的数据范围;
在所述数据范围中,确定出所述当前车辆对应的参考控制信息。
在一种可能的场景中,所述控制模块53具体用于:
确定所述目标规划路线对应的目标控制信息;
将所述目标控制信息与所述参考控制信息进行比对;
在比对不一致时,将所述目标控制信息按照所述参考控制信息进行调整;
控制所述当前车辆按照调整后的目标控制信息在所述目标规划路线上行驶。
通过上述的一种自动驾驶装置,根据各个非自动驾驶车辆在目标规划路线行驶时的行驶数据,确定出参考控制信息,进而根据参考控制信息实现自动驾驶,使得自动驾驶技术可以学习优秀驾驶员的驾驶经验,提高自动驾驶的安全性。
基于同一发明构思,本申请实施例中还提供了一种电子设备,所述电子设备可以实现前述自动驾驶装置的功能,参考图6,所述电子设备包括:
至少一个处理器61,以及与至少一个处理器61连接的存储器62,本申请实施例中不限定处理器61与存储器62之间的具体连接介质,图6中是以处理器61和存储器62之间通过总线60连接为例。总线60在图6中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线60可以分为地址总线、数据总线、控制总线等,为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。或者,处理器61也可以称为控制器,对于名称不做限制。
在本申请实施例中,存储器62存储有可被至少一个处理器61执行的指令,至少一个处理器61通过执行存储器62存储的指令,可以执行前文论述自动驾驶方法。处理器61可以实现图5所示的装置中各个模块的功能。
其中,处理器61是该装置的控制中心,可以利用各种接口和线路连接整个该控制设备的各个部分,通过运行或执行存储在存储器62内的指令以及调用存储在存储器62内的数据,该装置的各种功能和处理数据,从而对该装置进行整体监控。
在一种可能的设计中,处理器61可包括一个或多个处理单元,处理器61可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器61中。在一些实施例中,处理器61和存储器62可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器61可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的自动驾驶方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器62作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器62可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random Access Memory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等。存储器62是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器62还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通过对处理器61进行设计编程,可以将前述实施例中介绍的自动驾驶方法所对应的代码固化到芯片内,从而使芯片在运行时能够执行图1所示的实施例的自动驾驶方法的步骤。如何对处理器61进行设计编程为本领域技术人员所公知的技术,这里不再赘述。
基于同一发明构思,本申请实施例还提供一种存储介质,该存储介质存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行前文论述自动驾驶方法。
在一些可能的实施方式中,本申请提供的自动驾驶方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在装置上运行时,程序代码用于使该控制设备执行本说明书上述描述的根据本申请各种示例性实施方式的自动驾驶方法中的步骤。
本领域内的技术人员应明白,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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种自动驾驶方法,其特征在于,所述方法包括:
获取当前车辆的目标规划路线;
根据各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据,确定所述当前车辆在所述目标规划路线行驶时的参考控制信息;
根据所述参考控制信息,控制所述当前车辆在所述目标规划路线上行驶。
2.如权利要求1所述的方法,其特征在于,所述获取当前车辆的目标规划路线,包括:
提取环视图像中的第一特征数据,并生成所述第一特征数据对应的第一特征图,其中,所述第一特征图为所述环视图像对应的正视图;
对所述第一特征图进行视觉修正,得到第二特征图,其中,所述第二特征图为所述第一特征图对应的俯视图;
在所述第二特征图中确定出所述目标规划路线。
3.如权利要求2所述的方法,其特征在于,所述在所述第二特征图中确定出所述目标规划路线,包括:
根据所述第二特征图确定出所述当前车辆的历史行车轨迹,以及所述当前车辆的周围车辆在下一时间段的预测行车轨迹;
根据所述历史行车轨迹以及所述预测行车轨迹,确定出所述当前车辆可行驶的各个规划路线;
根据所述第二特征图中的障碍物信息,在所述各个规划路线中确定出目标规划路线。
4.如权利要求3所述的方法,其特征在于,所述根据所述历史行车轨迹以及所述预测行车轨迹,确定出所述当前车辆可行驶的各个规划路线,包括:
获取所述历史行车轨迹对应的各个第一轨迹点,以及所述预测行车轨迹对应的各个第二轨迹点;
确定所述各个第一轨迹点以及所述各个第二轨迹点分别对应的车辆控制数据;
根据各个车辆控制数据,计算得到所述当前车辆在下一时间段对应各个可行驶轨迹点的行驶概率;
根据各个行驶概率中的目标行驶概率对应的可行驶轨迹点,得到所述当前车辆在下一时间段对应的各个规划路线。
5.如权利要求1所述的方法,其特征在于,所述确定所述当前车辆在所述目标规划路线行驶时的参考控制信息,包括:
获取各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据;
根据各个行驶数据,确定出各个非自动驾驶车辆安全行驶时的数据范围;
在所述数据范围中,确定出所述当前车辆对应的参考控制信息。
6.如权利要求1所述的方法,其特征在于,所述根据所述参考控制信息,控制所述当前车辆在所述目标规划路线上行驶,包括:
确定所述目标规划路线对应的目标控制信息;
将所述目标控制信息与所述参考控制信息进行比对;
在比对不一致时,将所述目标控制信息按照所述参考控制信息进行调整;
控制所述当前车辆按照调整后的目标控制信息在所述目标规划路线上行驶。
7.一种自动驾驶装置,其特征在于,所述装置包括:
获取模块,用于获取当前车辆的目标规划路线;
确定模块,用于根据各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据,确定所述当前车辆在所述目标规划路线行驶时的参考控制信息;
控制模块,用于根据所述参考控制信息,控制所述当前车辆在所述目标规划路线上行驶。
8.如权利要求7所述的装置,其特征在于,所述获取模块包括:
提取单元,用于提取环视图像中的第一特征数据,并生成所述第一特征数据对应的第一特征图,其中,所述第一特征图为所述环视图像对应的正视图;
修正单元,用于对所述第一特征图进行视觉修正,得到第二特征图,其中,所述第二特征图为所述第一特征图对应的俯视图;
确定单元,用于在所述第二特征图中确定出所述目标规划路线。
9.如权利要求8所述的装置,其特征在于,所述确定单元具体用于:
第二根据所述第二特征图确定出所述当前车辆的历史行车轨迹,以及所述当前车辆的周围车辆在下一时间段的预测行车轨迹;
根据所述历史行车轨迹以及所述预测行车轨迹,确定出所述当前车辆可行驶的各个规划路线;
根据所述第二特征图中的障碍物信息,在所述各个规划路线中确定出目标规划路线。
10.如权利要求9所述的装置,其特征在于,所述确定单元还用于:
获取所述历史行车轨迹对应的各个第一轨迹点,以及所述预测行车轨迹对应的各个第二轨迹点;
确定所述各个第一轨迹点以及所述各个第二轨迹点分别对应的车辆控制数据;
根据各个车辆控制数据,计算得到所述当前车辆在下一时间段对应各个可行驶轨迹点的行驶概率;
根据各个行驶概率中的目标行驶概率对应的可行驶轨迹点,得到所述当前车辆在下一时间段对应的各个规划路线。
11.如权利要求7所述的装置,其特征在于,所述确定模块具体用于:
获取各个非自动驾驶车辆在所述目标规划路线行驶时的行驶数据;
根据各个行驶数据,确定出各个非自动驾驶车辆安全行驶时的数据范围;
在所述数据范围中,确定出所述当前车辆对应的参考控制信息。
12.如权利要求7所述的装置,其特征在于,所述控制模块具体用于:
确定所述目标规划路线对应的目标控制信息;
将所述目标控制信息与所述参考控制信息进行比对;
在比对不一致时,将所述目标控制信息按照所述参考控制信息进行调整;
控制所述当前车辆按照调整后的目标控制信息在所述目标规划路线上行驶。
13.一种电子设备,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于执行所述存储器上所存放的计算机程序时,实现权利要求1-6中任一项所述的方法步骤。
14.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208779.7A CN115416692A (zh) | 2022-09-30 | 2022-09-30 | 一种自动驾驶方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208779.7A CN115416692A (zh) | 2022-09-30 | 2022-09-30 | 一种自动驾驶方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115416692A true CN115416692A (zh) | 2022-12-02 |
Family
ID=84206980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211208779.7A Pending CN115416692A (zh) | 2022-09-30 | 2022-09-30 | 一种自动驾驶方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115416692A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115675493A (zh) * | 2023-01-04 | 2023-02-03 | 北京易控智驾科技有限公司 | 利用人工驾驶轨迹图层信息进行无人驾驶的方法及装置 |
-
2022
- 2022-09-30 CN CN202211208779.7A patent/CN115416692A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115675493A (zh) * | 2023-01-04 | 2023-02-03 | 北京易控智驾科技有限公司 | 利用人工驾驶轨迹图层信息进行无人驾驶的方法及装置 |
CN115675493B (zh) * | 2023-01-04 | 2023-08-11 | 北京易控智驾科技有限公司 | 利用人工驾驶轨迹图层信息进行无人驾驶的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11501105B2 (en) | Automatic creation and updating of maps | |
EP3686779B1 (en) | Method and device for attention-based lane detection without post-processing by using lane mask and testing method and testing device using the same | |
US20230100014A1 (en) | Map consistency checker | |
US11442464B2 (en) | Bird's eye view map based recognition and motion prediction for autonomous systems | |
EP3710980A1 (en) | Autonomous vehicle lane boundary detection systems and methods | |
US20220326023A1 (en) | Verifying reliability of data used for autonomous driving | |
US11836884B2 (en) | Real-time generation of functional road maps | |
JP2022516288A (ja) | 階層型機械学習ネットワークアーキテクチャ | |
CN113348422A (zh) | 用于生成预测占据栅格地图的方法和系统 | |
US11827214B2 (en) | Machine-learning based system for path and/or motion planning and method of training the same | |
CN111627054A (zh) | 用于预测高置信度密集点云的深度补全误差地图的方法和装置 | |
CN113267199A (zh) | 行驶轨迹规划方法及装置 | |
KR102525191B1 (ko) | 자율주행 차량에서의 주행 경로 생성 및 제어 시스템 및 방법 | |
CN111507160A (zh) | 集成从执行协同驾驶的车辆获取的行驶图像的方法及装置 | |
CN113942524B (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
Paravarzar et al. | Motion prediction on self-driving cars: A review | |
CN115416692A (zh) | 一种自动驾驶方法、装置及电子设备 | |
CN113954836A (zh) | 分段式导航换道方法及其系统、计算机设备、存储介质 | |
WO2022089627A1 (en) | Method and system for motion planning for an autonmous vehicle | |
CN113753038A (zh) | 一种轨迹预测方法、装置、电子设备和存储介质 | |
Bhaggiaraj et al. | Deep Learning Based Self Driving Cars Using Computer Vision | |
Seiya et al. | Point grid map-based mid-to-mid driving without object detection | |
Natan et al. | DeepIPC: Deeply integrated perception and control for an autonomous vehicle in real environments | |
US11972606B2 (en) | Autonomous vehicle lane boundary detection systems and methods | |
EP4137845A1 (en) | Methods and systems for predicting properties of a plurality of objects in a vicinity of a vehicle |
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 |