CN115817515B - 车辆控制方法、装置、电子设备和计算机可读介质 - Google Patents
车辆控制方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115817515B CN115817515B CN202310059765.1A CN202310059765A CN115817515B CN 115817515 B CN115817515 B CN 115817515B CN 202310059765 A CN202310059765 A CN 202310059765A CN 115817515 B CN115817515 B CN 115817515B
- Authority
- CN
- China
- Prior art keywords
- track
- value
- vehicle
- information
- state vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 131
- 238000005070 sampling Methods 0.000 claims abstract description 73
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆控制方法、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:获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息;对车辆预测状态向量集进行采样处理,得到车辆预测采样状态向量集;基于车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和全局路径信息,生成备选轨迹信息集;基于历史轨迹信息和全局路径信息,确定备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集;将轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息;将行驶轨迹信息发送至控制终端以控制目标车辆进行移动。该实施方式可以提高车辆控制的实时性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车辆控制方法、装置、电子设备和计算机可读介质。
背景技术
车辆控制过程,主要是依据规划好的行驶轨迹,控制车辆进行行驶。目前,在规划行驶轨迹以控制车辆行驶时,通常采用的方式为:利用欧拉螺旋曲线形成备选轨迹,然后对得到的各个备选曲线进行速度规划,从中选择目标轨迹,或者利用g2o(General GraphOptimization,通用图优化)求解器求解轨迹方程以确定目标轨迹,然后依据目标轨迹控制车辆进行行驶。
然而,发明人发现,当采用上述方式控制车辆时,经常会存在如下技术问题:
第一,利用欧拉螺旋曲线不一定能得到满足条件(例如,曲率约束条件)的备选轨迹,而对得到的各个备选曲线进行速度规划以选择目标轨迹的方式,计算的复杂度较高,降低了轨迹规划的实时性,从而导致降低了车辆控制的实时性;
第二,利用g2o求解器的方式依赖第三方求解库,并且需要将轨迹方程转化为g2o求解器指定的格式,计算复杂度较高,导致降低了轨迹规划的实时性,从而导致降低了车辆控制的实时性。
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控制方法、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控制方法,该方法包括:获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息,其中,上述车辆初始状态向量包括:初始横向距离坐标和初始纵向距离坐标;对上述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集;基于上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述全局路径信息,生成上述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集;基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集;将上述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息;将上述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。
第二方面,本公开的一些实施例提供了一种车辆控制装置,装置包括:获取单元,被配置成获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息,其中,上述车辆初始状态向量包括:初始横向距离坐标和初始纵向距离坐标;采样单元,被配置成对上述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集;生成单元,被配置成基于上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述全局路径信息,生成上述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集;第一确定单元,被配置成基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值;第二确定单元,被配置成将上述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息;发送单元,被配置成将上述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。
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中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中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控制方法,可以提高车辆控制的实时性。具体来说,造成车辆控制的实时性不足的原因在于:利用欧拉螺旋曲线不一定能得到满足条件(例如,曲率约束条件)的备选轨迹,而对每个备选曲线进行速度规划以选择目标轨迹的方式,计算的复杂度较高,降低了轨迹规划的实时性,从而导致降低了车辆控制的实时性。基于此,本公开的一些实施例的车辆控制方法,首先,获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息。其次,对上述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集。由此,可以得到车辆预测采样状态向量集,以便生成备选轨迹信息。然后,基于上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述全局路径信息,生成上述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集。由此,可以依据获取的信息生成备选轨迹信息集。再然后,基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集。由此,可以根据一定的规则对备选轨迹进行评分。接着,将上述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息。由此,可以得到一定的规则下最优的备选轨迹。最后,将上述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。由此,可以控制车辆行驶。因此,本公开的一些车辆控制方法,可以在考虑全局路径信息的情况下,得到满足条件的备选轨迹信息,并通过对备选轨迹信息评分的方式,选择目标轨迹,降低了计算的复杂度,提高了轨迹规划的实时性,从而可以提高车辆控制的实时性。
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控制方法的一些实施例的流程图;
图2是根据本公开的车辆控制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控制方法的一些实施例的流程100。该车辆控制方法,包括以下步骤:
步骤101,获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息。
在一些实施例中,车辆控制方法的执行主体可以通过有线连接或无线连接的方式从目标车辆的控制终端上获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和从上述目标车辆的导航终端上获取全局路径信息。其中,上述车辆初始状态向量可以包括但不限于以下至少一项:初始横向距离坐标、初始纵向距离坐标和初始航向夹角值。上述目标车辆可以是驾驶中的车辆。上述车辆初始状态向量可以表征上述目标车辆当前时刻在弗雷内特坐标系(frenet frame)下的状态。上述初始横向距离坐标可以表征上述目标车辆当前时刻在弗雷内特坐标系下与上述全局路径信息对应的全局路径的横向距离。上述初始纵向距离坐标可以表征上述目标车辆当前时刻在弗雷内特坐标系下沿上述全局路径信息对应的全局路径行驶的纵向距离。上述初始航向夹角值可以表征上述目标车辆当前时刻在弗雷内特坐标系下的航向角的角度值与上述全局路径信息对应的全局路径的航向角的角度值的差值。这里,上述纵向距离中的纵向可以是上述目标车辆行驶的方向,上述横向距离中的横向可以是与上述目标车辆行驶方向成90度夹角水平向右的方向。上述历史轨迹信息可以表征上述目标车辆在当前时刻的上一时刻的行驶轨迹信息。上述历史轨迹信息可以包括但不限于以下至少一项:历史目标横向偏差值,历史局部轨迹点坐标序列和历史全局路径点坐标序列。历史目标横向偏差值可以是上述历史局部轨迹点坐标序列中最后一个历史局部轨迹点坐标的横向距离坐标和上述历史全局路径点坐标序列中最后一个历史全局路径点坐标的横向距离坐标的差值。上述车辆预测状态向量集中的车辆预测状态向量可以表征上述目标车辆在当前时刻的下一时刻在弗雷内特坐标系(frenetframe)下可能存在的状态。这里,上述车辆预测状态向量可以包括但不限于以下至少一项:预测横向距离坐标、预测纵向距离坐标和预测航向夹角值。上述预测横向距离坐标可以表征上述目标车辆在当前时刻的下一时刻在弗雷内特坐标系下可能与上述全局路径信息对应的全局路径的横向距离。上述预测纵向距离坐标可以表征上述目标车辆在当前时刻的下一时刻在弗雷内特坐标系下可能沿上述全局路径信息对应的全局路径行驶的纵向距离。上述预测航向夹角值可以表征上述目标车辆可以表征上述目标车辆在当前时刻的下一时刻在弗雷内特坐标系下可能的航向角的角度值与上述全局路径信息对应的全局路径的航向角的角度值的差值。上述全局路径信息可以包括但不限于以下至少一项:全局路径曲率值集和全局路径点坐标序列。这里,上述全局路径曲率值集中的一个全局路径曲率值可以与上述全局路径点坐标序列中的一个全局路径点坐标对应。
步骤102,对车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集。
在一些实施例中,上述执行主体可以对上述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集。其中,可以通过采样算法,对上述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理。上述车辆预测采样状态向量可以包括但不限于以下至少一项:预测采样横向距离坐标、预测采样纵向距离坐标和预测采样航向角度值。
作为示例,上述采样算法可以是但不限于PRM(Probabilistic Road Map,路线图)算法、RRT(Rapidly-exploringRandom Trees,快速探索随机树)算法、CVM(CurvatureVelocity Method,曲率速度)算法或DWA(Dynamic Window Approach,动态窗口)算法。
步骤103,基于车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和全局路径信息,生成车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集。
在一些实施例中,上述执行主体可以基于上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述全局路径信息,生成上述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述全局路径信息,生成上述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,可以包括以下步骤:
第一步,建立初始轨迹方程。
作为示例,上述初始轨迹方程可以是:
其中,表示弗雷内特坐标系下的纵向距离坐标。表示上述弗雷内特坐标系下的横向距离坐标。表示上述初始轨迹方程。表示初始轨迹方程的常数项系数。表示初始轨迹方程的一次项系数。表示初始轨迹方程的二次项系数。表示初始轨迹方程的三次项系数。
第二步,基于上述初始轨迹方程、上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述车辆预测采样状态向量,确定轨迹方程参数值集。
第三步,对上述轨迹方程参数值集和上述初始轨迹方程进行融合处理,得到目标轨迹方程。其中,上述对上述轨迹方程参数值集和上述初始轨迹方程进行融合处理,可以是将上述轨迹方程参数值集中的各个轨迹方程参数值确定为上述目标轨迹方程的参数。
第四步,对上述目标轨迹方程进行离散化处理,得到局部轨迹点坐标序列。其中,可以通过欧拉法,对上述目标轨迹方程进行离散化处理,得到局部轨迹点坐标序列。上述局部轨迹点坐标序列中的一个局部轨迹点坐标可以与上述全局路径点坐标序列中的一个全局路径点坐标对应。这里,上述全局路径点坐标序列中与上述局部轨迹点坐标对应的全局路径点坐标,可以是与上述局部轨迹点坐标距离值最近的全局路径点坐标。
第五步,基于上述全局路径信息和上述局部轨迹点坐标序列,生成上述备选轨迹信息。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述初始轨迹方程、上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述车辆预测采样状态向量,确定轨迹方程参数值集,可以包括以下步骤:
第一步,将上述初始轨迹方程的一阶导数方程确定为轨迹导数方程。
第二步,将上述车辆初始状态向量包括的初始纵向距离坐标和初始横向距离坐标的比值确定为初始轨迹正切值。
第三步,将上述车辆预测采样状态向量包括的预测采样纵向距离坐标和预测采样横向距离坐标的比值确定为目标轨迹正切值。
第四步,基于上述初始轨迹方程、上述轨迹导数方程、上述车辆初始状态向量、上述车辆预测采样状态向量、上述初始轨迹正切值和上述目标轨迹正切值,生成轨迹参数方程组。
作为示例,上述轨迹参数方程组可以是:
其中,表示微分。表示上述轨迹导数方程。表示车辆状态向量包括的航向角度值。表示上述车辆初始状态向量包括的初始航向角度值。表示上述车辆预测采样状态向量包括的预测采样航向角度值。表示上述初始轨迹正切值。表示上述目标轨迹正切值。表示上述车辆初始状态向量包括的初始纵向距离坐标。表示上述车辆预测采样状态向量包括的预测采样纵向距离坐标。表示上述初始纵向距离坐标对应的轨迹导数值。表示上述预测采样纵向距离坐标对应的轨迹导数值。
第五步,将上述轨迹参数方程组的解确定为上述轨迹方程参数信息。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述全局路径信息和上述局部轨迹点坐标序列,生成备选轨迹信息,可以包括以下步骤:
第一步,基于上述全局路径曲率值集,生成上述局部轨迹点坐标序列中每个局部轨迹点对应的曲率系数和轨迹曲率值,得到曲率系数集和轨迹曲率值集。其中,可以通过以下公式生成上述局部轨迹点坐标序列中每个局部轨迹点对应的曲率系数和轨迹曲率值:
第二步,将上述轨迹曲率值集中在预设区间外的轨迹曲率值从上述轨迹曲率值集中删除。其中,上述预设区间可以是将预设曲率最大值确定为上述预设区间的区间上限,以及将预设曲率最大值的相反数确定为上述预设区间的区间下限。这里,对于上述预设曲率最大值的设定,不作限定。
第三步,基于上述曲率系数集和上述轨迹曲率值集,对上述局部轨迹点坐标序列中的各个局部轨迹点进行坐标转换,得到备选轨迹点坐标序列。其中,可以通过以下公式,对上述局部轨迹点坐标序列中的各个局部轨迹点进行坐标转换:
其中,表示横坐标。表示纵坐标。表示上述备选轨迹点坐标序列中的备选轨迹点坐标的横坐标。表示上述备选轨迹点坐标序列中的备选轨迹点坐标的纵坐标。表示角度值。表示通过上述轨迹曲率值集中的轨迹曲率值确定的与上述局部轨迹点序列中的局部轨迹点对应的角度值。由于上述轨迹曲率值集中的轨迹曲率值是由轨迹导数方程和轨迹导数方程的导数方程确定的曲率微分值,因此上述角度值也是通过导数方程确定的角度微分值。
实践中,上述对离散化后的局部轨迹点坐标序列进行坐标转换的过程,可以将局部轨迹方程转换为计算机可处理的离散化后的笛卡尔坐标系下的坐标,由此可以降低计算的复杂度,从而可以提高轨迹规划的实时性,进而,提高了车辆控制的实时性。
第四步,基于上述备选轨迹点坐标序列,生成备选轨迹长度值。其中,上述基于上述备选轨迹点坐标序列,生成备选轨迹长度值,可以是确定上述备选轨迹点坐标序列中每相邻两个备选轨迹点坐标的距离值,然后将得到的各个距离值的总和确定为备选轨迹长度值。
第五步,对上述轨迹曲率值集、上述备选轨迹点坐标序列和上述备选轨迹长度值进行融合处理,得到上述备选轨迹信息。其中,上述对上述轨迹曲率值集、上述备选轨迹点坐标序列和上述备选轨迹长度值进行融合处理,得到上述备选轨迹信息,可以是将上述轨迹曲率值集、上述备选轨迹点坐标序列和上述备选轨迹长度值确定为上述备选轨迹信息包括的轨迹曲率值集、备选轨迹点坐标序列和备选轨迹长度值。
步骤103的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“降低了车辆控制的实时性”。其中,导致降低了车辆控制的实时性的因素往往如下:利用g2o求解器的方式依赖第三方求解库,并且需要将轨迹方程转化为g2o求解器指定的格式,计算复杂度较高,导致降低了轨迹规划的实时性。如果解决了上述因素,就能达到提高车辆控制的实时性的效果。为了达到这一效果,本公开可以通过设置初始的轨迹方程,不需要对获取的信息和数据进行格式转换而直接进行处理,以逐步确定轨迹方程的参数,得到轨迹方程,然后将轨迹方程转化为计算机可处理的轨迹信息,因此降低了计算的复杂度,从而可以提高轨迹规划的实时性,进而,提高了车辆控制的实时性。
步骤104,基于历史轨迹信息和全局路径信息,确定备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集。
在一些实施例中,上述执行主体可以基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集。
在一些实施例的一些可选的实现方式中,上述执行主体基于历史轨迹信息和全局路径信息,确定备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集,可以包括以下步骤:
第一步,基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息对应的轨迹安全值、轨迹平滑值、轨迹偏差比值和轨迹周期偏差比值。
第二步,对上述轨迹安全值、上述轨迹平滑值、上述轨迹偏差比值和上述轨迹周期偏差比值进行加权求和处理,得到上述轨迹分数值。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息对应的轨迹安全值、轨迹平滑值、轨迹偏差比值和轨迹周期偏差比值,可以包括以下步骤:
第一步,响应于确定上述备选轨迹信息包括的备选轨迹长度值大于预设最小长度值、小于预设最大长度值,将上述预设最大长度值和上述备选轨迹长度值的差值与上述预设最大长度值的比值确定为上述轨迹安全值。其中,对于上述预设最小长度值和预设最大长度值的设定,不作限定。
第二步,基于上述备选轨迹信息包括的轨迹曲率值集和备选轨迹长度值,生成上述轨迹平滑值。其中,可以通过以下公式生成上述轨迹平滑值:
第三步,将上述备选轨迹信息对应的局部轨迹点坐标序列中最后一个局部轨迹点坐标的横向距离坐标、与上述全局路径信息包括的全局路径点坐标序列中最后一个全局路径点坐标的横向距离坐标的差值,确定为目标横向偏差值。
第四步,将上述备选轨迹信息对应的局部轨迹点坐标序列中每两个局部轨迹点坐标的横向距离坐标之间的差值确定为路径横向偏差值,得到路径横向偏差值集。
第五步,将上述目标横向偏差值与上述路径横向偏差值集中最大的路径横向偏差值的比值确定为上述轨迹偏差比值。
第六步,将上述目标横向偏差值与上述历史目标横向偏差值的差值确定为周期差值。
第七步,将上述周期差值与上述路径横向偏差值集中最大的路径横向偏差值的比值确定为上述轨迹周期偏差比值。
可选的,上述执行主体还可以执行以下步骤:
第一步,响应于确定上述备选轨迹长度值小于等于上述预设最小长度值,将第一目标值确定为上述轨迹安全值。
作为示例,上述第一目标值可以是0。
第二步,响应于确定上述备选轨迹长度值大于等于上述预设最大长度值,将第二目标值确定为上述轨迹安全值。
作为示例,上述第二目标值可以是1。
步骤105,将轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息。
在一些实施例中,上述执行主体可以将上述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息。
步骤106,将行驶轨迹信息发送至控制终端以控制目标车辆进行移动。
在一些实施例中,上述执行主体可以将上述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。实践中,上述控制终端可以通过调整上述目标车辆的速度和航向角度来控制目标车辆进行移动。
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控制方法,可以提高车辆控制的实时性。具体来说,造成车辆控制的实时性不足的原因在于:利用欧拉螺旋曲线不一定能得到满足条件(例如,曲率约束条件)的备选轨迹,而对每个备选曲线进行速度规划以选择目标轨迹的方式,计算的复杂度较高,降低了轨迹规划的实时性,从而导致降低了车辆控制的实时性。基于此,本公开的一些实施例的车辆控制方法,首先,获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息。其次,对上述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集。由此,可以得到车辆预测采样状态向量集,以便生成备选轨迹信息。然后,基于上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述全局路径信息,生成上述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集。由此,可以依据获取的信息生成备选轨迹信息集。再然后,基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集。由此,可以根据一定的规则对备选轨迹进行评分。接着,将上述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息。由此,可以得到一定的规则下最优的备选轨迹。最后,将上述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。由此,可以控制车辆行驶。因此,本公开的一些车辆控制方法,可以在考虑全局路径信息的情况下,得到满足条件的备选轨迹信息,并通过对备选轨迹信息评分的方式,选择目标轨迹,降低了计算的复杂度,提高了轨迹规划的实时性,从而可以提高车辆控制的实时性。
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控制装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该车辆控制装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的车辆控制装置200包括:获取单元201、采样单元202、生成单元203、第一确定单元204、第二确定单元205和发送单元206。其中,获取单元201,被配置成获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息,其中,上述车辆初始状态向量包括:初始横向距离坐标和初始纵向距离坐标;采样单元202,被配置成对上述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集;生成单元203,被配置成基于上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述全局路径信息,生成上述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集;第一确定单元204,被配置成基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值;第二确定单元205,被配置成将上述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息;发送单元206,被配置成将上述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。
可以理解的是,该车辆控制装置200中记载的诸单元与参考图1描述的车辆控制方法中的各个步骤相对应。由此,上文针对车辆控制方法描述的操作、特征以及产生的有益效果同样适用于车辆控制装置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。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的终端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(例如中央处理器、图形处理器等)301,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中记载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(HyperText 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,adhoc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电子设备中所包含的;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:获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息,其中,上述车辆初始状态向量包括:初始横向距离坐标和初始纵向距离坐标;对上述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集;基于上述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和上述全局路径信息,生成上述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集;基于上述历史轨迹信息和上述全局路径信息,确定上述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集;将上述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息;将上述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。
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、采样单元、生成单元、第一确定单元、第二确定单元和发送单元。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,获取单元还可以被描述为“获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息的单元”。
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)
1.一种车辆控制方法,包括:
获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息,其中,所述车辆初始状态向量包括:初始横向距离坐标和初始纵向距离坐标;
对所述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集;
基于所述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和所述全局路径信息,生成所述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集;
基于所述历史轨迹信息和所述全局路径信息,确定所述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值集;
将所述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息;
将所述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。
2.根据权利要求1所述的方法,其中,所述基于所述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和所述全局路径信息,生成所述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,包括:
建立初始轨迹方程;
基于所述初始轨迹方程、所述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和所述车辆预测采样状态向量,确定轨迹方程参数值集;
对所述轨迹方程参数值集和所述初始轨迹方程进行融合处理,得到目标轨迹方程;
对所述目标轨迹方程进行离散化处理,得到局部轨迹点坐标序列;
基于所述全局路径信息和所述局部轨迹点坐标序列,生成所述备选轨迹信息。
3.根据权利要求2所述的方法,其中,所述车辆预测采样状态向量包括:预测采样纵向距离坐标和预测采样横向距离坐标;以及
所述基于所述初始轨迹方程、所述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和所述车辆预测采样状态向量,确定轨迹方程参数值集,包括:
将所述初始轨迹方程的一阶导数方程确定为轨迹导数方程;
将所述车辆初始状态向量包括的初始纵向距离坐标和初始横向距离坐标的比值确定为初始轨迹正切值;
将所述车辆预测采样状态向量包括的预测采样纵向距离坐标和预测采样横向距离坐标的比值确定为目标轨迹正切值;
基于所述初始轨迹方程、所述轨迹导数方程、所述车辆初始状态向量、所述车辆预测采样状态向量、所述初始轨迹正切值和所述目标轨迹正切值,生成轨迹参数方程组;
将所述轨迹参数方程组的解确定为所述轨迹方程参数值集。
4.根据权利要求2所述的方法,其中,所述全局路径信息包括:全局路径曲率值集;以及
所述基于所述全局路径信息和所述局部轨迹点坐标序列,生成备选轨迹信息,包括:
基于所述全局路径曲率值集,生成所述局部轨迹点坐标序列中每个局部轨迹点对应的曲率系数和轨迹曲率值,得到曲率系数集和轨迹曲率值集;
将所述轨迹曲率值集中在预设区间外的轨迹曲率值从所述轨迹曲率值集中删除;
基于所述曲率系数和所述轨迹曲率值集,对所述局部轨迹点坐标序列中各个局部轨迹点进行坐标转换,得到备选轨迹点坐标序列;
基于所述备选轨迹点坐标序列,生成备选轨迹长度值;
对所述轨迹曲率值集、所述备选轨迹点坐标序列和所述备选轨迹长度值进行融合处理,得到所述备选轨迹信息。
5.根据权利要求4所述的方法,其中,所述基于所述历史轨迹信息和所述全局路径信息,确定所述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,包括:
基于所述历史轨迹信息和所述全局路径信息,确定所述备选轨迹信息对应的轨迹安全值、轨迹平滑值、轨迹偏差比值和轨迹周期偏差比值;
对所述轨迹安全值、所述轨迹平滑值、所述轨迹偏差比值和所述轨迹周期偏差比值进行加权求和处理,得到所述轨迹分数值。
6.根据权利要求5所述的方法,其中,所述历史轨迹信息包括:历史目标横向偏差值,所述全局路径信息还包括:全局路径点坐标序列;以及
所述基于所述历史轨迹信息和所述全局路径信息,确定所述备选轨迹信息对应的轨迹安全值、轨迹平滑值、轨迹一致值和轨迹周期一致值,包括:
响应于确定所述备选轨迹信息包括的备选轨迹长度值大于预设最小长度值、小于预设最大长度值,将所述预设最大长度值和所述备选轨迹长度值的差值与所述预设最大长度值的比值确定为所述轨迹安全值;
基于所述备选轨迹信息包括的轨迹曲率值集,生成所述轨迹平滑值;
将所述备选轨迹信息对应的局部轨迹点坐标序列中最后一个局部轨迹点坐标的横向距离坐标、与所述全局路径信息包括的全局路径点坐标序列中最后一个全局路径点坐标的横向距离坐标的差值,确定为目标横向偏差值;
将所述备选轨迹信息对应的局部轨迹点坐标序列中每两个局部轨迹点坐标的横向距离坐标之间的差值确定为路径横向偏差值,得到路径横向偏差值集;
将所述目标横向偏差值与所述路径横向偏差值集中最大的路径横向偏差值的比值确定为所述轨迹偏差比值;
将所述目标横向偏差值与所述历史目标横向偏差值的差值确定为周期差值;
将所述周期差值与所述路径横向偏差值集中最大的路径横向偏差值的比值确定为所述轨迹周期偏差比值。
7.根据权利要求6所述的方法,其中,所述方法还包括:
响应于确定所述备选轨迹长度值小于等于所述预设最小长度值,将第一目标值确定为所述轨迹安全值;
响应于确定所述备选轨迹长度值大于等于所述预设最大长度值,将第二目标值确定为所述轨迹安全值。
8.一种车辆控制装置,包括:
获取单元,被配置成获取车辆初始状态向量、历史轨迹信息、车辆预测状态向量集和全局路径信息,其中,所述车辆初始状态向量包括:初始横向距离坐标和初始纵向距离坐标;
采样单元,被配置成对所述车辆预测状态向量集中的各个车辆预测状态向量进行采样处理,得到车辆预测采样状态向量集;
生成单元,被配置成基于所述车辆初始状态向量包括的初始横向距离坐标、初始纵向距离坐标和所述全局路径信息,生成所述车辆预测采样状态向量集中每个车辆预测采样状态向量对应的备选轨迹信息,得到备选轨迹信息集;
第一确定单元,被配置成基于所述历史轨迹信息和所述全局路径信息,确定所述备选轨迹信息集中每个备选轨迹信息对应的轨迹分数值,得到轨迹分数值;
第二确定单元,被配置成将所述轨迹分数值集中最小的轨迹分数值对应的备选轨迹信息确定为行驶轨迹信息;
发送单元,被配置成将所述行驶轨迹信息发送至控制终端以控制目标车辆进行移动。
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 |
---|---|---|---|
CN202310059765.1A CN115817515B (zh) | 2023-01-18 | 2023-01-18 | 车辆控制方法、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 |
---|---|---|---|
CN202310059765.1A CN115817515B (zh) | 2023-01-18 | 2023-01-18 | 车辆控制方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115817515A CN115817515A (zh) | 2023-03-21 |
CN115817515B true CN115817515B (zh) | 2023-05-26 |
Family
ID=85520769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310059765.1A Active CN115817515B (zh) | 2023-01-18 | 2023-01-18 | 车辆控制方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115817515B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116088537B (zh) * | 2023-04-06 | 2023-06-13 | 禾多科技(北京)有限公司 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
CN112347567A (zh) * | 2020-11-27 | 2021-02-09 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
CN112389427A (zh) * | 2021-01-19 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 车辆轨迹优化方法、装置、电子设备和存储介质 |
CN113022580A (zh) * | 2021-03-17 | 2021-06-25 | 地平线(上海)人工智能技术有限公司 | 轨迹预测方法、装置、存储介质及电子设备 |
CN113386795A (zh) * | 2021-07-05 | 2021-09-14 | 西安电子科技大学芜湖研究院 | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 |
WO2022022384A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 车辆运动状态识别方法及装置 |
WO2022148282A1 (zh) * | 2021-01-07 | 2022-07-14 | 腾讯科技(深圳)有限公司 | 一种车辆轨迹规划方法、装置、存储介质及设备 |
CN114872718A (zh) * | 2022-04-11 | 2022-08-09 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
-
2023
- 2023-01-18 CN CN202310059765.1A patent/CN115817515B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
WO2022022384A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 车辆运动状态识别方法及装置 |
CN112347567A (zh) * | 2020-11-27 | 2021-02-09 | 青岛莱吉传动系统科技有限公司 | 一种车辆意图和轨迹预测的方法 |
WO2022148282A1 (zh) * | 2021-01-07 | 2022-07-14 | 腾讯科技(深圳)有限公司 | 一种车辆轨迹规划方法、装置、存储介质及设备 |
CN112389427A (zh) * | 2021-01-19 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 车辆轨迹优化方法、装置、电子设备和存储介质 |
CN113022580A (zh) * | 2021-03-17 | 2021-06-25 | 地平线(上海)人工智能技术有限公司 | 轨迹预测方法、装置、存储介质及电子设备 |
CN113386795A (zh) * | 2021-07-05 | 2021-09-14 | 西安电子科技大学芜湖研究院 | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 |
CN114872718A (zh) * | 2022-04-11 | 2022-08-09 | 清华大学 | 车辆轨迹预测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115817515A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023273611A1 (zh) | 语音识别模型的训练方法、语音识别方法、装置、介质及设备 | |
CN113327598B (zh) | 模型的训练方法、语音识别方法、装置、介质及设备 | |
CN113033925B (zh) | 用于控制自动驾驶车辆行驶、装置、电子设备和介质 | |
CN112001287A (zh) | 障碍物的点云信息生成方法、装置、电子设备和介质 | |
CN113635892B (zh) | 车辆控制方法、装置、电子设备和计算机可读介质 | |
CN113050643B (zh) | 无人车路径规划方法、装置、电子设备和计算机可读介质 | |
CN114964296B (zh) | 车辆行驶路径规划方法、装置、设备和计算机可读介质 | |
CN115817515B (zh) | 车辆控制方法、装置、电子设备和计算机可读介质 | |
US20230223155A1 (en) | Method for evaluating distribution of infected persons in area | |
CN115257727A (zh) | 障碍物信息融合方法、装置、电子设备和计算机可读介质 | |
CN116164770B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN115534939B (zh) | 车辆控制方法、装置、电子设备和计算机可读介质 | |
CN116088537B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN114724115B (zh) | 障碍物定位信息生成方法、装置、设备和计算机可读介质 | |
CN112461239B (zh) | 移动体路径规划方法、装置、设备及存储介质 | |
CN116283487A (zh) | 应用于甲醇制备的控制方法、装置、电子设备和可读介质 | |
CN112612277B (zh) | 车辆轨迹规划方法、装置、设备和计算机可读介质 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
CN111832279B (zh) | 文本划分方法、装置、设备和计算机可读介质 | |
CN113778078A (zh) | 定位信息生成方法、装置、电子设备和计算机可读介质 | |
CN111897903A (zh) | 船舶位置预测方法、装置、电子设备和计算机可读介质 | |
CN115817163B (zh) | 车辆轮速调整方法、装置、电子设备和计算机可读介质 | |
CN115471708B (zh) | 车道线类型信息生成方法、装置、设备和计算机可读介质 | |
CN118228200B (zh) | 基于多模态模型的电力设备异常识别方法、装置与设备 | |
CN115310728B (zh) | 泊车路线生成方法、装置、设备和计算机可读介质 |
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 | ||
CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |
|
CP03 | Change of name, title or address |