CN115454082A - 车辆避障方法及系统、计算机可读存储介质和电子设备 - Google Patents
车辆避障方法及系统、计算机可读存储介质和电子设备 Download PDFInfo
- Publication number
- CN115454082A CN115454082A CN202211145945.3A CN202211145945A CN115454082A CN 115454082 A CN115454082 A CN 115454082A CN 202211145945 A CN202211145945 A CN 202211145945A CN 115454082 A CN115454082 A CN 115454082A
- Authority
- CN
- China
- Prior art keywords
- obstacle avoidance
- vehicle
- twin
- information
- decision
- 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 92
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012795 verification Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 17
- 230000000449 premovement Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及互联网技术领域，涉及车辆避障方法及系统、计算机可读存储介质和电子设备，所述车辆避障系统包括数字孪生空间的孪生边缘层和物理空间的边缘服务层，所述方法包括：孪生边缘层根据第一运行数据和第二运行数据进行避障决策模型的训练，所述第一运行数据为物理空间中实体车辆的运行数据，所述第二运行数据为数字孪生空间中孪生车辆的运行数据，所述孪生车辆为所述实体车辆在数字孪生空间的孪生模型；所述孪生边缘层将所述避障决策模型发送至所述边缘服务层，使所述孪生车辆与所述实体车辆同时基于所述避障决策模型进行避障决策，以根据得到的决策结果控制所述实体车辆进行避障过程。本公开能减少边缘计算资源的占用，实现车辆的有效避障。
Description
技术领域
本公开涉及互联网技术领域，更具体地，涉及一种车辆避障方法、车辆避障系统、计算机可读存储介质和电子设备。
背景技术
随着互联网技术领域的发展，基于互联网、传统电信网等的信息承载载体的物联网，让所有能够被独立寻址的普通物理对象形成互联互通的网络，而车联网是以车内网、车际网和车载移动互联网为基础，按照约定的通信协议和数据交互标准，在车-X(X：车、路、行人及互联网等)之间，进行无线通讯和信息交换的大系统网络。其中，车辆避障是车联网领域前沿的研究方向之一，成为自动驾驶技术领域的核心问题。
目前，需要占用大量的边缘计算资源实现车辆避障，边缘计算成本和网络负载压力高。
需要说明的是，在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种车辆避障方法及系统、计算机可读存储介质和电子设备，进而减少车辆避障过程中的边缘计算资源的占用，降低边缘计算成本和网络负载压力。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种车辆避障方法，应用于车辆避障系统，所述车辆避障系统包括数字孪生空间的孪生边缘层和物理空间的边缘服务层，所述方法包括：
所述孪生边缘层根据第一运行数据和第二运行数据进行避障决策模型的训练，所述第一运行数据为所述物理空间中实体车辆的运行数据，所述第二运行数据为所述数字孪生空间中孪生车辆的运行数据，所述孪生车辆为所述实体车辆在所述数字孪生空间的孪生模型；
所述孪生边缘层将所述避障决策模型发送至所述边缘服务层，使所述孪生车辆与所述实体车辆同时基于所述避障决策模型进行避障决策，以根据得到的决策结果控制所述实体车辆进行避障过程。
在本公开的一种示例性实施例中，所述孪生边缘层与所述边缘服务层之间存在实时数据通道；
在所述实体车辆与所述孪生车辆同时运动的过程中，所述边缘服务层基于所述实时数据通道将所述第一运行数据上传至所述孪生边缘层，其中所述孪生边缘层包括对应的所述第二运行数据。
在本公开的一种示例性实施例中，在所述孪生边缘层将所述避障决策模型发送至所述边缘服务层之前，所述方法还包括：
所述孪生边缘层采用测试样本对所述避障决策模型进行验证评估，以确定所述避障决策模型满足模型下发条件；
其中，所述第一运行数据和所述第二运行数据划分为所述测试样本和训练样本，所述避障决策模型基于所述训练样本训练得到。
在本公开的一种示例性实施例中，所述孪生边缘层将所述避障决策模型发送至所述边缘服务层，使所述孪生车辆与所述实体车辆同时基于所述避障决策模型进行避障决策，以根据得到的决策结果控制所述实体车辆进行避障过程，包括：
任一避障车辆基于所述避障决策模型进行避障决策，获得所述决策结果的过程，包括：
所述避障车辆根据所述避障决策模型进行避障决策获得第一避障移动信息，并基于所述第一避障移动信息，按照动态预瞄搜索算法，确定预瞄点信息，所述预瞄点信息为所述避障车辆按照所述第一避障移动信息进行避障移动后的位置信息，所述避障车辆包括所述孪生车辆和所述实体车辆；
根据所述第一避障移动信息对应的预运动参数信息，按照预设的横向路径验证模型，计算第二避障移动信息；
根据所述第一避障移动信息对应的预运动参数信息、避障车辆的当前车辆性能信息和当前路况信息，按照预设的纵向路径验证模型，计算第三避障移动信息；
结合所述第二避障移动信息和第三避障移动信息，对所述预瞄点信息进行验证，在所述预瞄点信息通过验证后，将所述预瞄点信息作为所述决策结果。
在本公开的一种示例性实施例中，所述预瞄点信息包括横向位置信息和纵向位置信息；
所述预瞄点信息通过验证的条件，包括：
所述横向位置信息相较于所述第二避障移动信息的偏离度小于第一偏离度阈值；
所述纵向位置信息相较于所述第三避障移动信息的偏离度小于第二偏离度阈值。
在本公开的一种示例性实施例中，所述根据得到的决策结果控制所述实体车辆进行避障过程，包括：
所述孪生车辆按照所述决策结果进行避障路径移动，获得第一避障结果信息并发送至所述实体车辆；
在所述第一避障结果信息指示所述孪生车辆成功避障时，所述实体车辆按照所述决策结果进行避障路径移动，得到第二避障结果信息。
在本公开的一种示例性实施例中，所述孪生边缘层的所述孪生车辆的数量为多个，且各所述孪生车辆按照各自对应的决策结果进行避障路径移动，获得多个所述第一避障结果信息；
在所述第一避障结果信息指示所述孪生车辆成功避障时，所述实体车辆按照所述决策结果进行避障路径移动，得到第二避障结果信息之前，还包括：
从多个所述第一避障结果信息中，获取指示对应的孪生车辆成功避障的目标第一避障结果信息；
将所述目标第一避障结果信息发送至所述实体车辆，以使所述实体车辆按照所述目标第一避障结果信息所对应的决策结果进行避障路径移动，得到所述第二避障结果信息。
在本公开的一种示例性实施例中，所述方法还包括：
所述孪生边缘层按照设定的周期，利用更新的第一运行数据和更新的第二运行数据，对所述避障决策模型进行训练更新；
其中，所述更新的第一运行数据和所述更新的第二运行数据为所述实体车辆与所述孪生车辆同步运行过程中产生的数据。
根据本公开的一个方面，提供一种车辆避障系统，所述车辆避障系统包括数字孪生空间的孪生边缘层和物理空间的边缘服务层；
所述孪生边缘层用于根据第一运行数据和第二运行数据进行避障决策模型的训练，所述第一运行数据为所述物理空间中实体车辆的运行数据，所述第二运行数据为所述孪生边缘层中孪生车辆的运行数据，所述孪生车辆为所述实体车辆在所述数字孪生空间的孪生模型；
所述孪生边缘层用于将所述避障决策模型发送至所述边缘服务层，使所述孪生车辆与所述实体车辆同时基于所述避障决策模型进行避障决策，以根据得到的决策结果控制所述实体车辆进行避障过程。
在本公开的一种示例性实施例中，决策模块，用于避障车辆根据所述避障决策模型进行避障决策获得第一避障移动信息，所述避障车辆包括所述孪生车辆和所述实体车辆；
动态预瞄点搜索模块，用于基于所述第一避障移动信息，按照动态预瞄搜索算法，确定预瞄点信息，所述预瞄点信息为所述避障车辆按照所述第一避障移动信息进行避障移动后的位置信息；
第一车辆控制模块，用于根据所述第一避障移动信息对应的预运动参数信息，按照预设的横向路径验证模型，计算第二避障移动信息；
第二车辆控制模块，用于根据所述第一避障移动信息对应的预运动参数信息、避障车辆的当前车辆性能信息和当前路况信息，按照预设的纵向路径验证模型，计算第三避障移动信息；
决策结果确定模块，用于结合所述第二避障移动信息和第三避障移动信息，对所述预瞄点信息进行验证，在所述预瞄点信息通过验证后，将所述预瞄点信息作为所述决策结果。
根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。
根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
本公开的示例性实施例中的车辆避障方法，首先边缘服务层收集实体车辆的第一运行数据，孪生边缘层收集孪生车辆的第二运行数据，然后孪生边缘层根据第一运行数据和第二运行数据进行避障决策模型的训练更新，并将得到的避障决策模型发送至边缘服务层，从而使孪生车辆与实体车辆能分别基于避障决策模型进行避障决策，最后根据得到的决策结果控制实体车辆进行避障。一方面，引入边缘孪生网络，通过云边协同采集实体车辆和孪生车辆的运行数据用于模型训练，并在孪生边缘层训练模型后，将避障决策模型下发至边缘服务层，减少了边缘计算资源的占用，降低边缘计算成本和网络负载；另一方面，孪生车辆与实体车辆均参与了避障决策，进而提高决策结果的准确性；再一方面，以更少的边缘计算资源占用率来实现车辆避障，有利于促进车辆网的普及和智能化发展。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
图1示出了根据本公开示例性实施例所涉及的一种应用场景图；
图2示出了根据本公开示例性实施例的一种车辆避障方法的流程图；
图3示出了根据本公开示例性实施例的一种数字孪生边缘网络的结构示意图；
图4示出了根据本公开示例性实施例的一种避障车辆基于避障决策模型进行避障决策的流程图；
图5示出了根据本公开示例性实施例的一种车辆避障应用场景下所涉及的车辆避障系统各部分的交互示意图；
图6示出了根据本公开示例性实施例的一种根据基于避障决策模型，物理空间的实体车辆和数字孪生空间的孪生车辆进行基于DTEN的车辆避障规划决策的流程图；
图7示出了根据本公开示例性实施例的一种车辆避障系统的架构示意图；
图8示出了根据本公开示例性实施例的电子设备的框图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
现在将参考附图更全面地描述示例性实施方式。然而，示例性实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施例使得本公开将更加全面和完整，并将示例性实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本领域的相关技术中，智能车辆作为具有自主决策能力的智能机器人，需要从外部环境获取信息并根据信息做出决策，从而进行全局路径规划和局部危险状况下的避障。相关技术的车辆避障算法需要占用大量的计算资源实现局部避障的功能，边缘计算成本与网络负载压力大，一定程度上影响车联网的普及和智能化发展。
基于此，在本公开示例性实施例中，首先提供了一种车辆避障方法。参考图1为本公开示例性实施例所涉及的一种应用场景图。如图1所示，车辆110在行驶过程中，若行驶方向存在障碍对象120(如车辆、障碍物体等)，车辆110需及时决策出躲避障碍对象120的行驶路径，以避免发生碰撞并继续行驶。其中，车辆110的避障过程可以包括超车、制动和保持车道等，车辆110可以是处于完全自动驾驶的车辆，无需人为干预进行避障，车辆110还可以由人操作驾驶，但在遇到障碍对象120时，车辆可以辅助决策进行避障，进一步确保车辆驾驶的安全性，对此不做特殊限制。
值得说明的是，图1中的障碍对象120的数目仅仅是示意性的，根据实际车辆避障场景的不同，可以具有任意数量的障碍对象，本公开对此不做特殊限定。
如图2示出了根据本公开实施例的一种车辆避障方法的流程图，应用于车辆避障系统，车辆避障系统包括数字孪生空间的孪生边缘层和物理空间的边缘服务层。如图2所示，本公开实施例的车辆避障方法可以包括步骤S210和步骤S220：
步骤S210：孪生边缘层根据第一运行数据和第二运行数据进行避障决策模型的训练，第一运行数据为物理空间中实体车辆的运行数据，第二运行数据为数字孪生空间中孪生车辆的运行数据，孪生车辆为实体车辆在数字孪生空间的孪生模型；
步骤S220：孪生边缘层将避障决策模型发送至边缘服务层，使孪生车辆与实体车辆同时基于避障决策模型进行避障决策，以根据得到的决策结果控制实体车辆进行避障过程。
根据本公开实施例的车辆避障方法，引入边缘孪生网络，通过云边协同采集实体车辆和孪生车辆的运行数据，并在孪生边缘层训练模型后，才将避障决策模型下发至边缘服务层，减少了边缘计算资源的占用，降低边缘计算成本和网络负载；孪生车辆与实体车辆均参与了避障决策，进而提高决策结果的准确性；此外，本公开实施例以更少的边缘计算资源占用率来实现车辆避障，有利于促进车辆网的普及和智能化发展。
下面结合图2对本公开实施例的车辆避障方法进行详细阐述。
在步骤S210中，孪生边缘层根据第一运行数据和第二运行数据进行避障决策模型的训练，第一运行数据为物理空间中实体车辆的运行数据，第二运行数据为数字孪生空间中孪生车辆的运行数据，孪生车辆为实体车辆在数字孪生空间的孪生模型。
在本公开示例性实施例中，数字孪生边缘网络(Digital Twins Egde Network,DTEN)结构如图3所示，物理空间包括边缘服务层和运行于物理空间中的实体车辆。边缘服务层包括边缘服务节点，边缘服务节点可部署MEC(Multi-access Edge Computing,多接入边缘计算)设备、RSU(Road Side Unit,路侧单元)设备等，本公开实施例对边缘服务层中边缘服务节点的数量和边缘服务节点部署的设备类型不做特殊限制。
物理空间中的边缘服务节点和实体车辆等均有各自在数字孪生边缘网络的孪生映像，如孪生边缘节点、孪生车辆等。孪生边缘节点和孪生车辆等孪生数据共同构成数字孪生空间的孪生边缘层。其中，在孪生边缘层与边缘服务层之间存在实时数据通道，物理空间中的实体车辆和边缘服务层的网络实体实时向数字孪生空间发送当前运行状态，数字孪生空间中存放实体车辆和边缘服务层的网络实体的历史运行数据，同时也采集实体车辆和边缘服务层的网络实体的当前运行数据，监控物理空间的整体运行情况。
避障车辆可基于避障决策模型进行避障规划，本公开实施例的避障决策模型是在孪生边缘层完成训练的。
在本公开实施例的车辆避障系统中，实体车辆在物理空间运行时产生第一运行数据，孪生车辆在数字孪生空间中同时运行并产生第二运行数据，孪生边缘网络则根据第一运行数据和第二运行数据进行避障决策模型的训练。通过采集孪生车辆和实体车辆的运行数据作为样本，使用孪生数据和实际数据为学习算法增加样本数量，提高避障决策模型的稳定性和泛化能力。
值得说明的是，本公开实施例中训练避障决策模型所使用的第一运行数据和第二运行数据来自相同的运行时间的数据。例如，第一运行数据来自实体车辆在10:00至12:00运行时的数据，相应的，第二运行数据来自实体车辆在数字孪生空间中的孪生车辆在10:00至12:00运行时的数据，亦即第一运行数据与第二运行数据的采集时间同步。
在一示例性实施例中，可以将第一运行数据和第二运行数据存储于孪生边缘层的存储模块。孪生边缘层还可以包括孪生服务器和孪生边缘节点，其中，孪生边缘节点包括孪生仿真平台，孪生仿真平台包括孪生汽车和孪生汽车对应的孪生环境，基于孪生仿真平台，孪生服务器可以协同孪生边缘节点进行避障决策模型的训练更新。
需要说明的是，本公开实施例的避障决策模型可以为A3C(AsynchronousAdvantage Actor-Critic,异步优势动作评价算法)模型、决策树模型或其它深度学习模型等，对此不做特殊限制。
在步骤S220中，孪生边缘层将避障决策模型发送至边缘服务层，使孪生车辆与实体车辆同时基于避障决策模型进行避障决策，以根据得到的决策结果控制实体车辆进行避障过程。
在本公开示例性实施例中，避障决策模型的训练计算过程在孪生边缘层执行，在完成避障决策模型的训练更新后，孪生边缘层将避障决策模型发送至边缘服务层，从而基于避障决策模型，物理空间的实体车辆和数字孪生空间的孪生车辆可进行基于DTEN的避障规则决策。
将避障决策模型发送至边缘服务层，实体车辆基于避障决策模型进行避障规则决策，保证物理空间与数字孪生空间的数据同步的同时，也可以根据物理空间与数字孪生空间的决策结果进行双重验证。
在一示例性实施例中，孪生边缘层与边缘服务层之间存在实时数据通道，在实体车辆与孪生车辆同时运动的过程中，边缘服务层基于实时数据通道将第一运行数据上传至孪生边缘层，其中孪生边缘层包括对应的第二运行数据。
物理空间中，可以通过边缘节点道路数据收集模块采集实体车辆的第一运行数据，并将第一运行数据上传至数字孪生空间，例如上传至数字孪生空间的数据存储模块中。同时，由于实体车辆与孪生车辆的运动是同步的，孪生车辆在孪生边缘层产生第二运行数据。
本公开实施例将孪生车辆和实体车辆产生的运行数据均存在于数字孪生空间，减少边缘服务层的存储压力。
在一示例性实施例中，为了确保发送至边缘服务层的避障决策模型的完整性和准确性，在孪生边缘层将避障决策模型发送至边缘服务层之前，还可以对避障决策模型进行验证评估。
孪生边缘层采用测试样本对避障决策模型进行验证评估，以确定避障决策模型满足模型下发条件。其中，第一运行数据和第二运行数据划分为测试样本和训练样本，避障决策模型基于所述训练样本训练得到。
实际实施时，在孪生边缘层获得第一运行数据和第二运行数据后，将第一运行数据和第二运行数据划分为测试样本和训练样本。例如，将第一运行数据和第二运行数据中的80％作为训练样本，剩余的20％作为测试样本，本公开实施例对训练样本和测试样本的划分比例不做特殊限制。
在获得训练样本和测试样本后，可以通过孪生边缘层的孪生服务器采用训练样本进行避障决策模型的训练，在完成训练后，孪生服务器将避障决策模型发送至孪生边缘节点，以使孪生边缘节点利用测试样本对避障决策模型进行测试。
测试过程中，孪生边缘节点可以利用测试样本测试当前的避障决策模型的决策准确性是否优于上一次的避障决策模型的决策准确性。孪生边缘节点也可以利用测试样本测试当前的避障决策模型的完整性，例如，该避障决策模型是否能够完整地完成避障决策，并获得决策结果，等等。
模型下发条件根据实际应用需求设置。例如，模型下发条件可以为避障决策模型是完整且决策准确性达到设定的准确性阈值，本公开对此不做特殊要求，可根据实际需求相应调整。
需要说明的是，通过孪生边缘节点对避障决策模型进行验证评估，可以保证下发至物理空间的避障决策模型的准确性，本公开实施例还可以包括其它的模型评估方式，对此不做特殊要求。
在一示例性实施例中，数字孪生空间的孪生车辆和物理空间的实体车辆作为避障车辆，均可利用避障决策模型进行避障过程。如图4示出了根据本公开示例性实施例的避障车辆基于避障决策模型进行避障决策的流程图，参照图4所示，避障车辆基于避障决策模型进行避障决策可以包括步骤S410至步骤S440：
步骤S410：避障车辆根据避障决策模型进行避障决策获得第一避障移动信息，并基于第一避障移动信息，按照动态预瞄搜索算法，确定预瞄点信息。
在本公开示例性实施例中，预瞄点信息为避障车辆按照第一避障移动信息进行避障移动后的位置信息，例如三维坐标信息。避障车辆包括孪生车辆和实体车辆，即孪生车辆在数字孪生空间进行避障决策过程，实体车辆在物理空间进行避障决策过程。其中，第一避障移动信息包括超车移动、制动、保持车道等相关信息，包括但不限于加速度、移动时间、移动速度等预运动参数信息，预运动参数信息是指避障车辆的预瞄点信息进行避障移动时的相关运动参数，如运动时间、加速度、速度等。
其中，动态预瞄搜索算法例如可以为纯跟踪控制算法Pure Pursuit等，对此不做特殊限制。基于动态预瞄搜索算法可以使避障车辆根据路况提前探测前方的路径变化，以预测出避障车辆未来可能的位置信息。
步骤S420：根据第一避障移动信息对应的预运动参数信息，按照预设的横向路径验证模型，计算第二避障移动信息。
在本公开示例性实施例中，除了按照动态预瞄搜索算法确定预瞄点信息以外，为了进一步验证预瞄点信息的准确性，还可以按照预设的横向路径验证模型计算第二避障移动信息。
可以采用以下公式(1)计算第二避障移动信息：
Y横向＝0.5×a×T1 2+v横向×T1 (1)
其中，Y横向为第二避障移动信息，a为预运动参数信息中的横向加速度，v横向为预运动参数信息中的横向速度，T1为预运动参数信息中的横向运动时间。
第二避障移动信息为根据以上公式(1)获得的预测位置信息，即避障车辆的横向位移。其中，根据避障车辆按照横向位移移动，可进一步获得前轮的横向转角。
需要说明的是，实体车辆和孪生车辆分别采用公式(1)计算第二避障移动信息，使实体车辆和孪生车辆之间信息同步。
步骤S430：根据第一避障移动信息对应的预运动参数信息、避障车辆的当前车辆性能信息和当前路况信息，按照预设的纵向路径验证模型，计算第三避障移动信息。
其中，避障车辆的当前性能信息为车辆性能的相关信息，如发动机参数等，当前路况信息是指当前的道路况状对避障车辆性能的影响程度信息。避障车辆的当前车辆性能信息和当前路况信息会影响避障车辆的纵向移动，例如发动机参数、车辆扭矩、当前路况对避障车辆性能的影响等影响纵向移动。本公开实施例可以采用以下公式(2)计算第三避障移动信息：
Y纵向＝λp×λd×Δt纵向Tv (2)
在公式(2)中，Δt纵向为纵向运动时间，Tv为避障车辆的当前扭矩；λp和λd为缩放因子，用于指示发动机性能和当前路况对车辆纵向移动的影响程度，其中λp是发动机性能相关的影响因子，根据避障车辆的发动机性能确定，如发动机参数等；λd为路况相关的影响因子，根据当前路况对避障车辆性能的影响程度确定，路况状况越好，λd越大。例如，行驶在城市公路的车辆的λd大于行驶在野外道路的车辆的λd。
第三避障移动信息为根据以上公式(2)获得的预测位置信息，即避障车辆的纵向位移。
需要说明的是，实体车辆和孪生车辆分别采用公式(2)计算第三避障移动信息，使实体车辆和孪生车辆之间信息同步。
步骤S440：结合第二避障移动信息和第三避障移动信息，对预瞄点信息进行验证，在预瞄点信息通过验证后，将预瞄点信息作为决策结果。
预瞄点信息包括横向位置信息和纵向位置信息，为了进一步确保决策结果的准确性，还可以利用第二避障移动信息和第三避障移动信息对瞄点信息进行验证。
其中，预瞄点信息通过验证的条件，包括：
横向位置信息相较于第二避障移动信息的偏离度小于第一偏离度阈值；
纵向位置信息相较于所述第三避障移动信息的偏离度小于第二偏离度阈值。
第一偏离度阈值和第二偏离度阈值为预先预定的允许偏离值，该允许偏离值越小，表征对避障车辆的避障移动的要求精度越高。若预瞄点信息通过验证，将预瞄点信息作为避障车辆的决策结果。
需要说明的是，孪生车辆和实体车辆在各自的空间内执行上述步骤S410至步骤S440的决策过程，分别得到决策结果，该过程可以保证实体车辆与孪生车辆的信息同步。
通过本公开实施例的获得决策结果的过程，采用动态预瞄搜索算法确定预瞄点信息，同时利用第二避障移动信息和第三避障移动信息验证预瞄点信息的决策准确性，进一步提高决策结果的准确性。
在一示例性实施例中，根据得到的决策结果控制实体车辆进行避障过程可以包括：
孪生车辆按照决策结果进行避障路径移动，获得第一避障结果信息并发送至实体车辆；
在第一避障结果信息指示孪生车辆成功避障时，实体车辆按照决策结果进行避障路径移动，得到第二避障结果信息。
在数字孪生空间的孪生边缘节点获得决策结果后，孪生车辆按照决策结果进行避障路径移动，模拟实体车辆按照决策结果进行避障路径移动，获得第一避障结果信息。其中，第一避障结果信息可以包括成功避障、失败避障。
孪生边缘节点将第一避障结果信息反馈至边缘服务节点，进而使实体车辆获得第一避障结果信息。由于第一避障结果信息反馈至实体车辆的目的在于指示实体车辆正确避障，所以仅当第一避障结果信息指示孪生车辆成功避障时，实体车辆按照决策结果进行避障路径移动，得到第二避障结果信息，进而确保实体车辆正确避障。
在一示例性实施例中，为了进一步确保实体车辆成功避障，在孪生边缘层中实体车辆对应的孪生车辆的数量为多个，且各孪生车辆按照各自对应的决策结果进行避障路径移动，获得多个第一避障结果信息。为了使实体车辆成功避障，数字孪生空间下发至实体车辆的第一避障结果指示孪生车辆避障成功，还可以在实体车辆按照决策结果进行避障路径移动得到第二避障结果信息之前，执行以下过程：
孪生边缘节点从多个第一避障结果信息中，获取指示对应的孪生车辆成功避障的目标第一避障结果信息；
将目标第一避障结果信息发送至实体车辆，以使实体车辆按照目标第一避障结果信息所对应的决策结果进行避障路径移动，得到第二避障结果信息。
实际实施时，数字孪生空间通过多个孪生车辆按照各自的决策结果模拟避障移动，各孪生车辆的第一避障结果信息可以包括成功避障和失败避障，将指示孪生车辆成功避障的目标第一避障结果信息反馈至实体车辆，使实体车辆按照该孪生车辆对应的决策结果进行避障过程，进而实体车辆可以成功避障。
此外，避障车辆在物理空间和孪生空间是持续运动的，在实体车辆成功避障得到第二避障结果信息后，还可以将第二避障结果信息实时同步至数字孪生空间，使数字孪生空间中存储有实体车辆的历史运行数据的同时，实时获取实体车辆的避障移动数据，方便后续的避障决策。
在一示例性实施例中，还提供一种更新避障决策模型的实现方式。孪生边缘层按照设定的周期，利用更新的第一运行数据和更新的第二运行数据，对避障决策模型进行训练更新。其中，更新的第一运行数据和更新的第二运行数据为实体车辆与孪生车辆同步运行过程中产生的数据。
设定的周期可以为一周、一天或一个月，可根据实际需要选择。由于孪生边缘层与边缘服务层之间存在实时数据通道，数字孪生空间实时获取实体车辆和孪生车辆的运动数据，为了保持避障决策模型的准确性，可以定期利用实体车辆和孪生车辆在运动过程中的数据对避障决策模型进行训练更新。更新过程的具体细节与上文中的模型训练和验证评估过程相同，在此不再赘述。
如图5示出了车辆避障应用场景下所涉及的车辆避障系统各部分的交互示意图。数字孪生空间包括用于存储第一运行数据和第二运行数据的数据池、用于训练避障决策模型的孪生服务器和孪生边缘节点。其中，孪生边缘节点中的孪生汽车和孪生环境构成孪生仿真平台。物理空间包括边缘节点道路数据采集模块、边缘服务节点和实体车辆。
其中，边缘节点道路数据采集模块采集实体车辆的第一运行数据并上传至数据池，且孪生边缘节点将孪生车辆的第二运行数据发送至数据池。孪生服务器根据第一运行数据和第二运行数据进行避障决策模型的训练。
孪生服务器将训练完成的避障决策模型发送至孪生边缘节点，通过孪生边缘节点对避障决策模型进行验证评估，并在确定避障决策模型满足模型下发条件时，将避障决策模型发送至边缘服务节点中，从而实体车辆能利用避障决策模型执行避障过程。
图6示出了根据基于避障决策模型，物理空间的实体车辆和数字孪生空间的孪生车辆进行基于DTEN的车辆避障规划决策的流程图。如图6所示，实体车辆1针对实体车辆2进行避障过程，实体车辆1在数字孪生空间的孪生模型为孪生车辆1，实体车辆2在数字孪生空间的孪生模型为孪生车辆2，车辆避障系统还包括决策模块、动态预瞄点搜索模块、第一车辆控制模块、第二车辆控制模块以及决策结果确定模块。下面结合图6对本公开实施例的车辆避障方法进行说明。
数字孪生空间中，孪生车辆1针对孪生车辆2，根据避障决策模型进行避障决策获得决策过程，过程参见步骤S410至步骤S440，在此不再赘述。
其中，决策模块用于孪生车辆1根据避障决策模型进行避障决策获得第一避障移动信息；动态预瞄点搜索模块用于基于第一避障移动信息，按照动态预瞄搜索算法，确定预瞄点信息；第一车辆控制模块用于根据第一避障移动信息对应的预运动参数信息，按照预设的横向路径验证模型计算第二避障移动信息；第二车辆控制模块用于根据第一避障移动信息对应的预运动参数信息、避障车辆的当前车辆性能信息和当前路况信息，按照预设的纵向路径验证模型计算第三避障移动信息；决策结果确定模块用于结合第二避障移动信息和第三避障移动信息，对预瞄点信息进行验证，在预瞄点信息通过验证后，将预瞄点信息作为决策结果。
物理空间中，孪生车辆1针对孪生车辆2，根据避障决策模型进行避障决策获得决策结果，过程参见步骤S410至步骤S440。物理空间中各模块的详细细节参见数字孪生空间，在此不再赘述。
数字孪生空间中，孪生车辆1按照决策结果成功避障孪生车辆2，并将得到的第一避障结果信息发送至实体车辆1，且第一避障结果信息指示孪生车辆1成功避障，则实体车辆1按照决策结果进行避障过程，以避障实体车辆2。
在实体车辆1成功避障后，将避障结果信息发送至各个模型中，往复循环，进而实体车辆1在物理空间运行时，能够针对遇到的障碍对象进行避障处理。
由以上可知，本公开实施例的车辆避障方法，利用数字孪生技术构建虚拟孪生体，实现孪生车辆、孪生服务器等孪生视觉，将模型训练和大部分决策过程在数字孪生空间实现，减少边缘计算资源的占用，降低边缘网络的计算成本和负载压力，对于公司或企业在车联网中车辆避障方向的探索和应用落地具有实际意义。
此外，根据本公开的示例性实施例，还提供一种车辆避障系统，如图7所示，该系统700包括数字孪生空间的孪生边缘层710和物理空间的边缘服务层720。其中：
孪生边缘层710用于根据第一运行数据和第二运行数据进行避障决策模型的训练，第一运行数据为物理空间中实体车辆的运行数据，第二运行数据为孪生边缘层710中孪生车辆的运行数据，孪生车辆为实体车辆在数字孪生空间的孪生模型；
孪生边缘层710还用于将避障决策模型发送至边缘服务层720，使孪生车辆与实体车辆同时基于避障决策模型进行避障决策，以根据得到的决策结果控制实体车辆进行避障过程。
在本公开一示例性实施例中，车辆避障系统700还包括：
决策模块，用于避障车辆根据避障决策模型进行避障决策获得第一避障移动信息，避障车辆包括孪生车辆和所述实体车辆；
动态预瞄点搜索模块，用于基于第一避障移动信息，按照动态预瞄搜索算法，确定预瞄点信息，预瞄点信息为避障车辆按照第一避障移动信息进行避障移动后的位置信息；
第一车辆控制模块，用于根据第一避障移动信息对应的预运动参数信息，按照预设的横向路径验证模型，计算第二避障移动信息；
第二车辆控制模块，用于根据第一避障移动信息对应的预运动参数信息、避障车辆的当前车辆性能信息和当前路况信息，按照预设的纵向路径验证模型，计算第三避障移动信息；
决策结果确定模块，用于结合第二避障移动信息和第三避障移动信息，对预瞄点信息进行验证，在预瞄点信息通过验证后，将预瞄点信息作为决策结果。
由于本公开的示例性实施例的车辆避障系统的各个功能模块(单元)的具体细节在上述车辆避障方法的发明实施例中已经详细说明，因此不再赘述。
应当注意，尽管在上文详细描述中提及了车辆避障系统的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开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，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
本公开实施例还提供用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本公开的这种实施例的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)821和/或高速缓存存储单元822，还可以进一步包括只读存储单元(ROM)823。
存储单元820还可以包括具有一组(至少一个)程序模块825的程序/实用工具824，这样的程序模块825包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种车辆避障方法，其特征在于，应用于车辆避障系统，所述车辆避障系统包括数字孪生空间的孪生边缘层和物理空间的边缘服务层，所述方法包括：
所述孪生边缘层根据第一运行数据和第二运行数据进行避障决策模型的训练，所述第一运行数据为所述物理空间中实体车辆的运行数据，所述第二运行数据为所述数字孪生空间中孪生车辆的运行数据，所述孪生车辆为所述实体车辆在所述数字孪生空间的孪生模型；
所述孪生边缘层将所述避障决策模型发送至所述边缘服务层，使所述孪生车辆与所述实体车辆同时基于所述避障决策模型进行避障决策，以根据得到的决策结果控制所述实体车辆进行避障过程。
2.根据权利要求1所述的方法，其特征在于，所述孪生边缘层与所述边缘服务层之间存在实时数据通道；
在所述实体车辆与所述孪生车辆同时运动的过程中，所述边缘服务层基于所述实时数据通道将所述第一运行数据上传至所述孪生边缘层，其中所述孪生边缘层包括对应的所述第二运行数据。
3.根据权利要求1所述的方法，其特征在于，在所述孪生边缘层将所述避障决策模型发送至所述边缘服务层之前，所述方法还包括：
所述孪生边缘层采用测试样本对所述避障决策模型进行验证评估，以确定所述避障决策模型满足模型下发条件；
其中，所述第一运行数据和所述第二运行数据划分为所述测试样本和训练样本，所述避障决策模型基于所述训练样本训练得到。
4.根据权利要求1所述的方法，其特征在于，所述孪生边缘层将所述避障决策模型发送至所述边缘服务层，使所述孪生车辆与所述实体车辆同时基于所述避障决策模型进行避障决策，以根据得到的决策结果控制所述实体车辆进行避障过程，包括：
任一避障车辆基于所述避障决策模型进行避障决策，获得所述决策结果的过程，包括：
所述避障车辆根据所述避障决策模型进行避障决策获得第一避障移动信息，并基于所述第一避障移动信息，按照动态预瞄搜索算法，确定预瞄点信息，所述预瞄点信息为所述避障车辆按照所述第一避障移动信息进行避障移动后的位置信息，所述避障车辆包括所述孪生车辆和所述实体车辆；
根据所述第一避障移动信息对应的预运动参数信息，按照预设的横向路径验证模型，计算第二避障移动信息；
根据所述第一避障移动信息对应的预运动参数信息、避障车辆的当前车辆性能信息和当前路况信息，按照预设的纵向路径验证模型，计算第三避障移动信息；
结合所述第二避障移动信息和第三避障移动信息，对所述预瞄点信息进行验证，在所述预瞄点信息通过验证后，将所述预瞄点信息作为所述决策结果。
5.根据权利要求4所述的方法，其特征在于，所述预瞄点信息包括横向位置信息和纵向位置信息；
所述预瞄点信息通过验证的条件，包括：
所述横向位置信息相较于所述第二避障移动信息的偏离度小于第一偏离度阈值；
所述纵向位置信息相较于所述第三避障移动信息的偏离度小于第二偏离度阈值。
6.根据权利要求4所述的方法，其特征在于，所述根据得到的决策结果控制所述实体车辆进行避障过程，包括：
所述孪生车辆按照所述决策结果进行避障路径移动，获得第一避障结果信息并发送至所述实体车辆；
在所述第一避障结果信息指示所述孪生车辆成功避障时，所述实体车辆按照所述决策结果进行避障路径移动，得到第二避障结果信息。
7.根据权利要求6所述的方法，其特征在于，所述孪生边缘层的所述孪生车辆的数量为多个，且各所述孪生车辆按照各自对应的决策结果进行避障路径移动，获得多个所述第一避障结果信息；
在所述第一避障结果信息指示所述孪生车辆成功避障时，所述实体车辆按照所述决策结果进行避障路径移动，得到第二避障结果信息之前，还包括：
从多个所述第一避障结果信息中，获取指示对应的孪生车辆成功避障的目标第一避障结果信息；
将所述目标第一避障结果信息发送至所述实体车辆，以使所述实体车辆按照所述目标第一避障结果信息所对应的决策结果进行避障路径移动，得到所述第二避障结果信息。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：
所述孪生边缘层按照设定的周期，利用更新的第一运行数据和更新的第二运行数据，对所述避障决策模型进行训练更新；
其中，所述更新的第一运行数据和所述更新的第二运行数据为所述实体车辆与所述孪生车辆同步运行过程中产生的数据。
9.一种车辆避障系统，其特征在于，所述车辆避障系统包括数字孪生空间的孪生边缘层和物理空间的边缘服务层；
所述孪生边缘层用于根据第一运行数据和第二运行数据进行避障决策模型的训练，所述第一运行数据为所述物理空间中实体车辆的运行数据，所述第二运行数据为所述孪生边缘层中孪生车辆的运行数据，所述孪生车辆为所述实体车辆在所述数字孪生空间的孪生模型；
所述孪生边缘层用于将所述避障决策模型发送至所述边缘服务层，使所述孪生车辆与所述实体车辆同时基于所述避障决策模型进行避障决策，以根据得到的决策结果控制所述实体车辆进行避障过程。
10.根据权利要求9所述的系统，其特征在于，所述车辆避障系统还包括：
决策模块，用于避障车辆根据所述避障决策模型进行避障决策获得第一避障移动信息，所述避障车辆包括所述孪生车辆和所述实体车辆；
动态预瞄点搜索模块，用于基于所述第一避障移动信息，按照动态预瞄搜索算法，确定预瞄点信息，所述预瞄点信息为所述避障车辆按照所述第一避障移动信息进行避障移动后的位置信息；
第一车辆控制模块，用于根据所述第一避障移动信息对应的预运动参数信息，按照预设的横向路径验证模型，计算第二避障移动信息；
第二车辆控制模块，用于根据所述第一避障移动信息对应的预运动参数信息、避障车辆的当前车辆性能信息和当前路况信息，按照预设的纵向路径验证模型，计算第三避障移动信息；
决策结果确定模块，用于结合所述第二避障移动信息和第三避障移动信息，对所述预瞄点信息进行验证，在所述预瞄点信息通过验证后，将所述预瞄点信息作为所述决策结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211145945.3A CN115454082A (zh) | 2022-09-20 | 2022-09-20 | 车辆避障方法及系统、计算机可读存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211145945.3A CN115454082A (zh) | 2022-09-20 | 2022-09-20 | 车辆避障方法及系统、计算机可读存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115454082A true CN115454082A (zh) | 2022-12-09 |
Family
ID=84304114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211145945.3A Pending CN115454082A (zh) | 2022-09-20 | 2022-09-20 | 车辆避障方法及系统、计算机可读存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115454082A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115640760A (zh) * | 2022-12-26 | 2023-01-24 | 中国航空油料集团有限公司 | 面向数字孪生的云边端协同系统、方法、装置及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113401145A (zh) * | 2021-07-29 | 2021-09-17 | 国汽智控(北京)科技有限公司 | 一种车辆驾驶控制方法及系统 |
| US20210314417A1 (en) * | 2020-04-03 | 2021-10-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Digital twin-based edge server switching decision |
| CN113495578A (zh) * | 2021-09-07 | 2021-10-12 | 南京航空航天大学 | 一种基于数字孪生式训练的集群航迹规划强化学习方法 |
| US20210325198A1 (en) * | 2020-04-21 | 2021-10-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicular edge server switching mechanism based on historical data and digital twin simulations |
| CN113572804A (zh) * | 2021-04-29 | 2021-10-29 | 重庆工程职业技术学院 | 一种基于边缘协作的任务卸载系统、方法及装置 |
| CN113642177A (zh) * | 2021-08-16 | 2021-11-12 | 清华大学 | 数字孪生虚实多车混行仿真方法及装置 |
-
2022
- 2022-09-20 CN CN202211145945.3A patent/CN115454082A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210314417A1 (en) * | 2020-04-03 | 2021-10-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Digital twin-based edge server switching decision |
| US20210325198A1 (en) * | 2020-04-21 | 2021-10-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Vehicular edge server switching mechanism based on historical data and digital twin simulations |
| CN113572804A (zh) * | 2021-04-29 | 2021-10-29 | 重庆工程职业技术学院 | 一种基于边缘协作的任务卸载系统、方法及装置 |
| CN113401145A (zh) * | 2021-07-29 | 2021-09-17 | 国汽智控(北京)科技有限公司 | 一种车辆驾驶控制方法及系统 |
| CN113642177A (zh) * | 2021-08-16 | 2021-11-12 | 清华大学 | 数字孪生虚实多车混行仿真方法及装置 |
| CN113495578A (zh) * | 2021-09-07 | 2021-10-12 | 南京航空航天大学 | 一种基于数字孪生式训练的集群航迹规划强化学习方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115640760A (zh) * | 2022-12-26 | 2023-01-24 | 中国航空油料集团有限公司 | 面向数字孪生的云边端协同系统、方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7086911B2 (ja) | 自動運転車両のためのリアルタイム意思決定 | |
| WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
| CN111133485B (zh) | 自主交通工具的对象预测优先级排序系统和方法 | |
| US10459444B1 (en) | Autonomous vehicle fleet model training and testing | |
| JP7086111B2 (ja) | 自動運転車のｌｉｄａｒ測位に用いられるディープラーニングに基づく特徴抽出方法 | |
| JP7060625B2 (ja) | 自動運転車において３ｄｃｎｎネットワークを用いてソリューション推断を行うｌｉｄａｒ測位 | |
| CN112249032B (zh) | 一种自动驾驶决策方法、系统、设备及计算机存储介质 | |
| US20230350399A1 (en) | Operational testing of autonomous vehicles | |
| JP2021515178A (ja) | 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位 | |
| US11577750B2 (en) | Method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle | |
| US20190130056A1 (en) | Deterministic Simulation Framework for Autonomous Vehicle Testing | |
| CN113076897A (zh) | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 | |
| CN113511215A (zh) | 一种混合自动驾驶决策方法、设备及计算机存储介质 | |
| CN112406905A (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
| CN116917827A (zh) | 驾驶仿真中的代理转换 | |
| US20230339502A1 (en) | Safety measurement of autonomous vehicle driving | |
| CN115402344A (zh) | 泊车场景仿真方法和装置 | |
| US20230339519A1 (en) | Safety measurement for a counterfactual risk in autonomous vehicle driving | |
| CN115454082A (zh) | 车辆避障方法及系统、计算机可读存储介质和电子设备 | |
| US20220348232A1 (en) | Fleet-level av simulation system and method | |
| Selvaraj et al. | Edge learning of vehicular trajectories at regulated intersections | |
| KR20230024392A (ko) | 주행 의사 결정 방법 및 장치 및 칩 | |
| CN117104272A (zh) | 一种智能驾驶方法、系统、交通工具及存储介质 | |
| CN116541295A (zh) | 一种道路动态场景仿真方法及系统 | |
| CN114104005B (zh) | 自动驾驶设备的决策方法、装置、设备及可读存储介质 |
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 |