CN115540893A - 车辆路径规划方法、装置、电子设备和计算机可读介质 - Google Patents
车辆路径规划方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115540893A CN115540893A CN202211513078.4A CN202211513078A CN115540893A CN 115540893 A CN115540893 A CN 115540893A CN 202211513078 A CN202211513078 A CN 202211513078A CN 115540893 A CN115540893 A CN 115540893A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane line
- obstacle
- path
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 230000008447 perception Effects 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆路径规划方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取道路感知数据和当前车辆位置坐标;对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合;基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵;将上述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。该实施方式可以减少计算资源的占用。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车辆路径规划方法、装置、电子设备和计算机可读介质。
背景技术
随着计算机行业的快速发展,硬件计算能力的提高,自动驾驶各个模块的研究也在不断地深入,自动驾驶的水平也在飞速发展。目前,在进行车辆路径规划时,通常采用的方式为:利用栅格地图,对自车和周围车辆的历史轨迹信息及车道信息的每一帧编码成对应的图像信息,再通过卷积神经网络提取特征以便模型识别,以此得到车辆规划路径。
然而,发明人发现,当采用上述方式进行车辆路径规划时,经常会存在如下技术问题:
第一,通过栅格地图对车辆轨迹和道路信息进行表示,需要对每一时刻的场景进行渲染得到地图信息,从而,导致占用较多的计算资源;
第二,卷积神经网络的特征提取能力比较有限,卷积操作过于局部,难以建模长距离的车辆交互信息,从而,导致生成的规划路径的准确度降低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆路径规划方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种车辆路径规划方法,该方法包括:获取道路感知数据和当前车辆位置坐标;对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合;基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵;将上述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。
第二方面,本公开的一些实施例提供了一种车辆路径规划装置,该装置包括:获取单元,被配置成获取道路感知数据和当前车辆位置坐标;特征提取单元,被配置成对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合;构建单元,被配置成基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵;输入以及生成单元,被配置成将上述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车辆路径规划方法,可以减少计算资源的占用。具体来说,造成占用计算资源较多的原因在于:通过栅格地图对车辆轨迹和道路信息进行表示,需要对每一时刻的场景进行渲染得到地图信息。基于此,本公开的一些实施例的车辆路径规划方法,首先,获取道路感知数据和当前车辆位置坐标。然后,对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合。接着,基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵。通过构建场景特征矢量矩阵,可以用于替代栅格地图。也因为生成了场景特征矢量矩阵,可以避免对每一时刻场景的渲染。由此,可以在保证特征较为完整的情况下,减少计算资源的消耗。最后,将上述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。从而,减少了计算资源的占用。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的车辆路径规划方法的一些实施例的流程图;
图2是根据本公开的车辆路径规划装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的车辆路径规划方法的一些实施例的流程100。该车辆路径规划方法,包括以下步骤:
步骤101,获取道路感知数据和当前车辆位置坐标。
在一些实施例中,车辆路径规划方法的执行主体可以通过有线的方式或者无线的方式获取当前车辆检测信息。其中,道路感知数据可以是从当前车辆的感知设备(例如,激光雷达)获取的点云数据。当前车辆位置坐标可以是从当前车辆的定位设备获取的。当前车辆位置坐标可以表征当前车辆在当前时刻的位置。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,对道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合。
在一些实施例中,上述执行主体可以对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合。
在一些实施例的一些可选的实现方式中,上述执行主体对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合,可以包括以下步骤:
第一步,对上述道路感知数据进行障碍物特征提取,以生成障碍物车辆信息集。其中,上述障碍物车辆信息中的每个障碍物车辆信息可以包括障碍物位置坐标。可以通过预设的障碍物特征提取算法,对上述道路感知数据进行障碍物特征提取。每个障碍物车辆信息可以对应一个障碍物车辆。障碍物车辆信息集中的各个障碍物车辆信息可以表征处于当前车辆一定范围(例如,50米)之内的障碍物车辆的信息。
作为示例,上述障碍物特征提取算法可以包括但不限于以下至少一项:Resnet(Residual Network,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型和Google Net(深度神经网络)模型等。
第二步,对上述道路感知数据进行道路特征提取,以生成车道线坐标组集合。其中,车道线坐标组集合中的每个车道线坐标组可以对应一段车道线。其次,可以通过预设的道路特征提取算法,对上述道路感知数据进行道路特征提取。
作为示例,上述道路特征提取算法可以包括但不限于以下至少一项:G-CRF(Gaus-conditional random field,高斯条件随机场)模型、DenseCRF(Fully-ConnectedConditional Random Fields,全连接条件随机场)模型、MRF(MRF-Markov Random Field,马尔科夫条件随机场)模型等。
步骤103,基于当前车辆位置坐标、障碍物车辆信息集、车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵。
在一些实施例中,上述执行主体可以基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵。其中,历史场景信息可以是历史时间段(例如,2秒)之内已经生成的连续型的场景信息。场景信息可以表征当前车辆及其周围一定范围内的道路上车道线、障碍物车辆等信息的集合。
在一些实施例的一些可选的实现方式中,上述历史场景信息可以包括:当前车辆历史位置坐标序列、障碍物车辆历史位置坐标序列集和历史车道线坐标组集合;以及上述执行主体基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵,可以包括以下步骤:
第一步,将上述历史车道线坐标组集合与上述车道线坐标组集合中对应同一段车道线的历史车道线坐标组和车道线坐标组进行融合以生成融合后车道线坐标组,得到融合后车道线坐标组集合。其中,融合可以是将车道线坐标添加至对应同一段车道线的历史车道线坐标组中。这里,车道线坐标组和历史车道线坐标组在生成的过程中可以对应唯一的车道线标识,因此可以存在对应关系。另外,对于没有对应同一段车道线的车道线坐标组或历史车道线坐标组,也可以分别作为融合后车道线坐标组。
第二步,对上述融合后车道线坐标组集合中各个融合后车道线坐标组中的各个融合后车道线坐标进行矢量化表示,以生成道路车道线矢量化图。其中,可以通过以下步骤对上述融合后车道线坐标组集合中的每个融合后车道线坐标组进行矢量化表示:
首先,可以将上述融合后车道线坐标组中的各个融合后车道线坐标转换至当前时刻的车辆坐标系中,以进行车道线拟合,得到拟合车道线。
然后,可以通过预设的车道线特征提取算法,从道路图像中提取出与上述拟合车道线对应的车道线特征信息。这里,车道线特征信息可以包括:车道线是否转向信息、车道线是否处为交叉口信息、车道线前方是否存在红绿灯信息和车道线标识。其中,车道线是否转向、车道线是否处为交叉口、车道线前方是否存在红绿灯和车道线标识分别可以用预先设定的标识进行表示。例如,车道线是否转向的标识为:d0。车道线是否处为交叉口的标识为:d1。车道线前方是否存在红绿灯的标识为:d2。车道线标识为:id。具体的,标识可以为键,对应具体的值可以表征具体含义。例如,若d0对应的值为1,则表征车道线转向。
之后,可以将拟合车道线对应的一段车道线的起始坐标:[x1,y1]、终止坐标:[x2,y2]、车道线是否转向的标识值、车道线是否处为交叉口的标识值、车道线前方是否存在红绿灯的标识值和车道线标识作为向量的元素,构建矢量化向量。这里,x表示坐标的横坐标值。Y表示坐标的纵坐标值。例如,车道线的矢量化向量可以是:[x1,y1,x2,y2,d0,d1,d2,id]。
最后,可以将所生成的各个矢量化向量组合为矢量化特征矩阵。这里,组合可以是将矢量化向量按照顺序排列以组合为矩阵。
第三步,基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述当前车辆历史位置坐标序列和上述障碍物车辆历史位置坐标序列集,生成当前车辆移动路径和障碍物车辆移动路径集。其中,当前车辆移动路径可以表征当前车辆在历史时间段内的移动轨迹。障碍物车辆移动路径可以表征障碍物车辆在历史时间段内的移动轨迹。
第四步,将上述当前车辆移动路径和上述障碍物车辆移动路径集中的各个障碍物车辆移动路径转换至上述道路车道线矢量化矩阵中,以生成场景特征矢量矩阵。其中,可以通过以下步骤将上述当前车辆移动路径和上述障碍物车辆移动路径集中的各个障碍物车辆移动路径转换至上述道路车道线矢量化矩阵中:
首先,构建与当前车辆移动路径和各个障碍物车辆移动路径对应的移动路径矢量化矩阵。其中,移动路径矢量化矩阵可以包括三个向量。第一个向量可以是当前车辆和障碍物车辆的标识。这里,当前车辆的标识可以排在第一位。第二个向量中的每个元素可以是对应第一个向量中每个车辆标识的移动路径的时间戳序列。第三个向量中每个元素可以包括对应每个车辆标识的移动路径。然后,可以将上述道路车道线矢量化矩阵与移动路径矢量化矩阵相加,得到场景特征矢量矩阵。
可选的,上述执行主体基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述当前车辆历史位置坐标序列和上述障碍物车辆历史位置坐标序列集,生成当前车辆移动路径和障碍物车辆移动路径集,可以包括以下步骤:
第一步,对上述当前车辆位置坐标与上述当前车辆历史位置坐标序列中的各个当前车辆历史位置坐标进行拟合处理,以生成当前车辆移动路径。
第二步,将上述障碍物车辆信息集中每个障碍物车辆信息包括的障碍物位置坐标添加至上述障碍物车辆历史位置坐标序列集中对应同一障碍物车辆的障碍物车辆历史位置坐标序列中以生成添加后障碍物车辆位置坐标序列,得到添加后障碍物车辆位置坐标序列集。其中,由于障碍物车辆信息和障碍物车辆历史位置坐标序列在生成的过程中可以对应唯一的障碍物标识,因此可以存在对应关系。另外,对于没有对应同一障碍物的障碍物位置坐标或障碍物车辆历史位置坐标,也可以单独作为一个添加后障碍物车辆位置坐标序列。
第三步,对上述添加后障碍物车辆位置坐标序列集中每个添加后障碍物车辆位置坐标序列中的各个添加后障碍物车辆位置坐标进行拟合处理以生成障碍物车辆移动路径,得到障碍物车辆移动路径集。
步骤104,将场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。
在一些实施例中,上述执行主体可以将上述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。
在一些实施例的一些可选的实现方式中,上述车辆路径规划模型可以是通过以下步骤生成:
第一步,获取训练样本。其中,上述训练样本可以包括:样本场景矢量矩阵、样本规划路径和样本路径损失值。这里,训练样本可以是从预设的数据集中获取的。
作为示例,上述数据集可以是Argoverse Dataset(自动驾驶运动预测数据集)。
第二步,将上述样本场景矢量矩阵输入至初始路径规划模型包括的场景特征编码网络,以生成场景高维特征编码。其中,上述初始路径规划模型还可以包括场景特征解码网络。其次,上述场景特征编码网络可以包括特征映射网络层和特征交互编码机制。
首先,可以将样本场景矢量矩阵输入至特征映射网络层,以供特征映射网络层将场景矢量矩阵中的每个向量映射至高维空间,得到映射特征向量组。然后,可以将映射特征向量组输入至特征交互编码机制,以生成场景高维特征编码。这里,特征交互编码机制可以包括注意力机制,可以对映射特征向量组中的各个映射特征向量交互处理,同时通过函数型位置编码对特征进行编码以生成场景高维特征编码。这里,为了减少计算量,设置的注意力机制可以是包括时间维度和空间维度的注意力机制。在时间维度可以确保模型可以独立的进行平滑轨迹的学习。在空间维度可以使得模型可以综合当前车辆和障碍物车辆之间的特征进行交互学习。
实践中,由于通过注意力机制对特征进行交互处理,会导致特征丧失时序性,无法确定每一帧时间戳对应的信息位置。因此,通过位置编码以保留特征的时序性。然而,若直接使用位置作为编码,则会导致编码位置没有上限,过大的编码位置和特征相结合会导致丢失特征原本的含义。因此,通过函数型位置编码,确保特征有意义且具有时序性。
作为示例,可以通过全连接神经网络将样本场景矢量矩阵中的每个向量映射为128维的映射特征向量。另外,函数型位置编码方法可以包括Positional Encoding(位置编码)算法。
第三步,将上述场景高维特征编码输入至上述场景特征解码网络,以生成训练规划路径集。其中,场景特征解码网络可以包括多个解码网络,以分别解码出训练规划路径,得到训练规划路径集。这里,场景特征解码网络还可以包括全连接神经网络,以用于生成预每个训练规划路径对应的评分值。
作为示例,解码网络可以是交叉注意力网络。
第四步,基于预设的损失函数,确定上述训练规划路径集中每个训练规划路径与上述样本规划路径之间的分类损失值和回归损失值。其中,预设的损失函数可以包括分类损失函数和回归损失函数。可以通过分类损失函数生成每个训练规划路径与上述样本规划路径之间的分类损失值。可以通过回归损失函数生成每个训练规划路径与上述样本规划路径之间的回归损失值。
实践中,考虑到在训练阶段希望模型学习参数使得越接近真实轨迹的预测轨迹的概率分数尽可能大,因此将多分类交叉熵损失函数确定为分类损失函数。 其次,考虑到对于轨迹预测,希望预测的轨迹能够整体与真实轨迹逼近,即轨迹点的位置差的均值最小。因此,将均方根误差损失函数确定为回归损失函数。
第五步,响应于确定上述分类损失值和上述回归损失值的加权结果大于上述样本路径损失值,调整上述初始路径规划模型的参数。其中,可以利用预先设定的上述分类损失值和上述回归损失值的权重值进行加权求和,得到加权结果。
可选的,上述执行主体还可以响应于确定上述分类损失值和上述回归损失值的加权结果小于等于上述样本路径损失值,将上述初始路径规划模型确定为车辆路径规划模型。
上述步骤及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“卷积神经网络的特征提取能力比较有限,卷积操作过于局部,难以建模长距离的车辆交互信息,从而,导致生成的规划路径的准确度降低”。导致生成的规划路径的准确度降低的因素往往如下:卷积神经网络的特征提取能力比较有限,卷积操作过于局部,难以建模长距离的车辆交互信息。如果解决了上述因素,就能提高生成的规划路径的准确度。为了达到这一效果,首先,通过矢量化表示操作进行特征转换,可以便于车辆路径规划模型对特征的提取。通过引入车辆路径规划模型,使得车辆路径规划模型包括的场景特征编码网络中的注意力机制,确保特征可以在时间维度和空间维度进行交互,同时,也因为通过场景特征编码网络进行位置编码,使得特征编码不丢失时序性。为场景特征解码网络提供准确的时间序列中的时间距离关系。接着,通过场景特征解码网络包括的多头解码设定,可以实现多模态轨迹的预测输出。这里,为了便于选出更加准确度规划路径,引入分类损失函数和回归损失函数。同时利用不同的损失函数,不仅可以确保生成的多条预测轨迹的准确度,还可以确保从多条预测轨迹中选出最优的预测轨迹。从而,可以提高生成的规划路径的准确度。
可选的,上述执行主体还可以将上述车辆规划路径发送至当前车辆的控制终端以供控制当前车辆移动。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车辆路径规划方法,可以减少计算资源的占用。具体来说,造成占用计算资源较多的原因在于:通过栅格地图对车辆轨迹和道路信息进行表示,需要对每一时刻的场景进行渲染得到地图信息。基于此,本公开的一些实施例的车辆路径规划方法,首先,获取道路感知数据和当前车辆位置坐标。然后,对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合。接着,基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵。通过构建场景特征矢量矩阵,可以用于替代栅格地图。也因为生成了场景特征矢量矩阵,可以避免对每一时刻场景的渲染。由此,可以在保证特征较为完整的情况下,减少计算资源的消耗。最后,将上述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。从而,减少了计算资源的占用。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种车辆路径规划装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的车辆路径规划装置200包括:获取单元201、特征提取单元202、构建单元203和输入以及生成单元204。其中,获取单元201,被配置成获取道路感知数据和当前车辆位置坐标;特征提取单元202,被配置成对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合;构建单元203,被配置成基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵;输入以及生成单元204,被配置成将上述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。
可以理解的是,该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置301(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机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。而在本公开的一些实施例中,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,其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、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。计算机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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取道路感知数据和当前车辆位置坐标;对上述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合;基于上述当前车辆位置坐标、上述障碍物车辆信息集、上述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵;将上述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、特征提取单元、构建单元和输入以及生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,特征提取单元还可以被描述为“对道路感知数据进行场景特征提取的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种车辆路径规划方法,包括:
获取道路感知数据和当前车辆位置坐标;
对所述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合;
基于所述当前车辆位置坐标、所述障碍物车辆信息集、所述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵;
将所述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述车辆规划路径发送至当前车辆的控制终端以供控制当前车辆移动。
3.根据权利要求1所述的方法,其中,所述对所述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合,包括:
对所述道路感知数据进行障碍物特征提取,以生成障碍物车辆信息集,其中,所述障碍物车辆信息集中的每个障碍物车辆信息包括障碍物位置坐标;
对所述道路感知数据进行道路特征提取,以生成车道线坐标组集合,其中,所述车道线坐标组集合中的每个车道线坐标组对应一段车道线。
4.根据权利要求3所述的方法,其中,所述历史场景信息包括:当前车辆历史位置坐标序列、障碍物车辆历史位置坐标序列集和历史车道线坐标组集合;以及
所述基于所述当前车辆位置坐标、所述障碍物车辆信息集、所述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵,包括:
将所述历史车道线坐标组集合与所述车道线坐标组集合中对应同一段车道线的历史车道线坐标组和车道线坐标组进行融合以生成融合后车道线坐标组,得到融合后车道线坐标组集合;对所述融合后车道线坐标组集合中各个融合后车道线坐标组中的各个融合后车道线坐标进行矢量化表示,以生成道路车道线矢量化矩阵;
基于所述当前车辆位置坐标、所述障碍物车辆信息集、所述当前车辆历史位置坐标序列和所述障碍物车辆历史位置坐标序列集,生成当前车辆移动路径和障碍物车辆移动路径集;
将所述当前车辆移动路径和所述障碍物车辆移动路径集中的各个障碍物车辆移动路径转换至所述道路车道线矢量化矩阵中,以生成场景特征矢量矩阵。
5.根据权利要求4所述的方法,其中,所述基于所述当前车辆位置坐标、所述障碍物车辆信息集、所述当前车辆历史位置坐标序列和所述障碍物车辆历史位置坐标序列集,生成当前车辆移动路径和障碍物车辆移动路径集,包括:
对所述当前车辆位置坐标与所述当前车辆历史位置坐标序列中的各个当前车辆历史位置坐标进行拟合处理,以生成当前车辆移动路径;
将所述障碍物车辆信息集中每个障碍物车辆信息包括的障碍物位置坐标添加至所述障碍物车辆历史位置坐标序列集中对应同一障碍物车辆的障碍物车辆历史位置坐标序列中以生成添加后障碍物车辆位置坐标序列,得到添加后障碍物车辆位置坐标序列集;
对所述添加后障碍物车辆位置坐标序列集中每个添加后障碍物车辆位置坐标序列中的各个添加后障碍物车辆位置坐标进行拟合处理以生成障碍物车辆移动路径,得到障碍物车辆移动路径集。
6.根据权利要求1所述的方法,其中,所述车辆路径规划模型通过以下步骤生成:
获取训练样本,其中,所述训练样本包括:样本场景矢量矩阵、样本规划路径和样本路径损失值;
将所述样本场景矢量矩阵输入至初始路径规划模型包括的场景特征编码网络,以生成场景高维特征编码,其中,所述初始路径规划模型还包括场景特征解码网络;
将所述场景高维特征编码输入至所述场景特征解码网络,以生成训练规划路径集;
基于预设的损失函数,确定所述训练规划路径集中每个训练规划路径与所述样本规划路径之间的分类损失值和回归损失值;
响应于确定所述分类损失值和所述回归损失值的加权结果大于所述样本路径损失值,调整所述初始路径规划模型的参数。
7.根据权利要求6所述的方法,其中,所述方法还包括:
响应于确定所述分类损失值和所述回归损失值的加权结果小于等于所述样本路径损失值,将所述初始路径规划模型确定为车辆路径规划模型。
8.一种车辆路径规划装置,包括:
获取单元,被配置成获取道路感知数据和当前车辆位置坐标;
特征提取单元,被配置成对所述道路感知数据进行场景特征提取,以生成障碍物车辆信息集和车道线坐标组集合;
构建单元,被配置成基于所述当前车辆位置坐标、所述障碍物车辆信息集、所述车道线坐标组集合和预获取的历史场景信息,构建场景特征矢量矩阵;
输入以及生成单元,被配置成将所述场景特征矢量矩阵输入至预设的车辆路径规划模型,以生成当前车辆的车辆规划路径。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513078.4A CN115540893B (zh) | 2022-11-30 | 2022-11-30 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513078.4A CN115540893B (zh) | 2022-11-30 | 2022-11-30 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115540893A true CN115540893A (zh) | 2022-12-30 |
CN115540893B CN115540893B (zh) | 2023-03-14 |
Family
ID=84721725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211513078.4A Active CN115540893B (zh) | 2022-11-30 | 2022-11-30 | 车辆路径规划方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115540893B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937046A (zh) * | 2023-01-09 | 2023-04-07 | 禾多科技(北京)有限公司 | 道路地面信息生成方法、装置、设备和计算机可读介质 |
CN116164770A (zh) * | 2023-04-23 | 2023-05-26 | 禾多科技(北京)有限公司 | 路径规划方法、装置、电子设备和计算机可读介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110733504A (zh) * | 2019-11-27 | 2020-01-31 | 禾多科技(北京)有限公司 | 具有备份路径的自动驾驶车辆行驶方法 |
US20200379461A1 (en) * | 2019-05-29 | 2020-12-03 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
CN112651557A (zh) * | 2020-12-25 | 2021-04-13 | 际络科技(上海)有限公司 | 轨迹预测系统及方法、电子设备及可读存储介质 |
CN112839855A (zh) * | 2020-12-31 | 2021-05-25 | 华为技术有限公司 | 一种轨迹预测方法与装置 |
CN113033364A (zh) * | 2021-03-15 | 2021-06-25 | 商汤集团有限公司 | 轨迹预测、行驶控制方法、装置、电子设备及存储介质 |
CN113128381A (zh) * | 2021-04-06 | 2021-07-16 | 浙江吉利控股集团有限公司 | 障碍物轨迹预测方法、系统及计算机存储介质 |
CN113954864A (zh) * | 2021-09-22 | 2022-01-21 | 江苏大学 | 一种融合周边车辆交互信息的智能汽车轨迹预测系统及方法 |
CN114371703A (zh) * | 2021-12-22 | 2022-04-19 | 杭州鸿泉物联网技术股份有限公司 | 一种无人车轨迹预测方法及装置 |
CN114426032A (zh) * | 2022-01-05 | 2022-05-03 | 重庆长安汽车股份有限公司 | 一种基于自动驾驶的本车轨迹预测方法、系统、车辆及计算机可读存储介质 |
CN114663852A (zh) * | 2022-02-21 | 2022-06-24 | 北京箩筐时空数据技术有限公司 | 车道线图的构建方法、装置、电子设备及可读存储介质 |
CN114802303A (zh) * | 2022-04-26 | 2022-07-29 | 中国第一汽车股份有限公司 | 障碍物轨迹预测方法、装置、电子设备及存储介质 |
CN114964296A (zh) * | 2022-07-29 | 2022-08-30 | 禾多科技(北京)有限公司 | 车辆行驶路径规划方法、装置、设备和计算机可读介质 |
CN115146873A (zh) * | 2022-07-30 | 2022-10-04 | 重庆长安汽车股份有限公司 | 一种车辆轨迹预测方法及系统 |
-
2022
- 2022-11-30 CN CN202211513078.4A patent/CN115540893B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200379461A1 (en) * | 2019-05-29 | 2020-12-03 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
CN110733504A (zh) * | 2019-11-27 | 2020-01-31 | 禾多科技(北京)有限公司 | 具有备份路径的自动驾驶车辆行驶方法 |
CN112651557A (zh) * | 2020-12-25 | 2021-04-13 | 际络科技(上海)有限公司 | 轨迹预测系统及方法、电子设备及可读存储介质 |
CN112839855A (zh) * | 2020-12-31 | 2021-05-25 | 华为技术有限公司 | 一种轨迹预测方法与装置 |
CN113033364A (zh) * | 2021-03-15 | 2021-06-25 | 商汤集团有限公司 | 轨迹预测、行驶控制方法、装置、电子设备及存储介质 |
CN113128381A (zh) * | 2021-04-06 | 2021-07-16 | 浙江吉利控股集团有限公司 | 障碍物轨迹预测方法、系统及计算机存储介质 |
CN113954864A (zh) * | 2021-09-22 | 2022-01-21 | 江苏大学 | 一种融合周边车辆交互信息的智能汽车轨迹预测系统及方法 |
CN114371703A (zh) * | 2021-12-22 | 2022-04-19 | 杭州鸿泉物联网技术股份有限公司 | 一种无人车轨迹预测方法及装置 |
CN114426032A (zh) * | 2022-01-05 | 2022-05-03 | 重庆长安汽车股份有限公司 | 一种基于自动驾驶的本车轨迹预测方法、系统、车辆及计算机可读存储介质 |
CN114663852A (zh) * | 2022-02-21 | 2022-06-24 | 北京箩筐时空数据技术有限公司 | 车道线图的构建方法、装置、电子设备及可读存储介质 |
CN114802303A (zh) * | 2022-04-26 | 2022-07-29 | 中国第一汽车股份有限公司 | 障碍物轨迹预测方法、装置、电子设备及存储介质 |
CN114964296A (zh) * | 2022-07-29 | 2022-08-30 | 禾多科技(北京)有限公司 | 车辆行驶路径规划方法、装置、设备和计算机可读介质 |
CN115146873A (zh) * | 2022-07-30 | 2022-10-04 | 重庆长安汽车股份有限公司 | 一种车辆轨迹预测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937046A (zh) * | 2023-01-09 | 2023-04-07 | 禾多科技(北京)有限公司 | 道路地面信息生成方法、装置、设备和计算机可读介质 |
CN115937046B (zh) * | 2023-01-09 | 2023-05-26 | 禾多科技(北京)有限公司 | 道路地面信息生成方法、装置、设备和计算机可读介质 |
CN116164770A (zh) * | 2023-04-23 | 2023-05-26 | 禾多科技(北京)有限公司 | 路径规划方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115540893B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115540893B (zh) | 车辆路径规划方法、装置、电子设备和计算机可读介质 | |
EP4009300A1 (en) | Vehicle automatic control method and lane change intention prediction network training method | |
US11907637B2 (en) | Image processing method and apparatus, and storage medium | |
CN108805348B (zh) | 一种交叉口信号配时控制优化的方法和装置 | |
US20220156939A1 (en) | Systems and Methods for Video Object Segmentation | |
CN112001287A (zh) | 障碍物的点云信息生成方法、装置、电子设备和介质 | |
CN115616937B (zh) | 自动驾驶仿真测试方法、装置、设备和计算机可读介质 | |
CN107830869A (zh) | 用于车辆的信息输出方法和装置 | |
CN115546293B (zh) | 障碍物信息融合方法、装置、电子设备和计算机可读介质 | |
JP2023022185A (ja) | 地図データ処理方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
JP2023015230A (ja) | 高精度マップを生成する方法及び装置、電子機器並びに記憶媒体 | |
US20210064955A1 (en) | Methods, apparatuses, and computer program products using a repeated convolution-based attention module for improved neural network implementations | |
Liu et al. | Towards vehicle-to-everything autonomous driving: A survey on collaborative perception | |
CN116164770B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN115526069B (zh) | 仿真驾驶场景生成方法、装置、设备和计算机可读介质 | |
CN115272667B (zh) | 农田图像分割模型训练方法、装置、电子设备和介质 | |
CN115761702A (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
CN115366919A (zh) | 一种轨迹预测方法、系统、电子设备及存储介质 | |
CN113094422B (zh) | 一种城市道路交通流量图生成方法、系统及设备 | |
CN115049730A (zh) | 零件装配方法、装置、电子设备及存储介质 | |
CN114140553A (zh) | 一种基于条件变分自编码器的路口引导线生成方法及系统 | |
CN114821257A (zh) | 导航中视频流与自然语言的智能处理方法和装置、设备 | |
CN115661238B (zh) | 可行驶区域生成方法、装置、电子设备和计算机可读介质 | |
CN116934557B (zh) | 行为预测信息生成方法、装置、电子设备和可读介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |