CN115909749A - 车辆运行道路风险预警方法、装置、设备及存储介质 - Google Patents
车辆运行道路风险预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115909749A CN115909749A CN202310023371.0A CN202310023371A CN115909749A CN 115909749 A CN115909749 A CN 115909749A CN 202310023371 A CN202310023371 A CN 202310023371A CN 115909749 A CN115909749 A CN 115909749A
- Authority
- CN
- China
- Prior art keywords
- traffic
- interactive
- early warning
- road
- traffic object
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种车辆运行道路风险预警方法、装置、设备及存储介质。方法包括:获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列,将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征,针对目标路段内的每一交通对象,基于交通对象的历史轨迹序列、交互特征和目标路段的地图信息,预测交通对象在下一时刻的行为,在交通对象出现异常行为时,通过路侧单元向路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号,能够提前预测目标路段内交通对象的行为,并提前发出异常行为预警,给目标车辆充足的处理时间,提高道路交通安全性。
Description
技术领域
本发明涉及智能交通技术,尤其涉及一种车辆运行道路风险预警方法、装置、设备及存储介质。
背景技术
车路协同是采用先进的无线通信和新一代信息技术,全方位实现车与车、车与路、车与人之间动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成安全、高效和环保的智慧交通系统。
在目前的车路协同道路预警方案中,车载单元接收到路侧单元发送的预警数据后就当即播放。但是,现有的预警方案都是依据已发生的事件进行预警,存在一定的滞后性,给道路交通安全带来安全隐患。
发明内容
本发明提供一种车辆运行道路风险预警方法、装置、设备及存储介质,以实现提前预测车辆行为,并进行提前预警,提高道路交通安全性能。
第一方面,本发明提供了一种车辆运行道路风险预警方法,包括:
获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列;
将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征;
针对所述目标路段内的每一交通对象,基于所述交通对象的历史轨迹序列、所述交互特征和所述目标路段的地图信息,预测所述交通对象在下一时刻的行为;
在所述交通对象出现异常行为时,通过所述路侧单元向所述路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号。
可选的,将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征,包括:
基于所有交通对象的历史轨迹序列,构建表征交通对象间交互关系的交互图数据;
采用图卷积神经网络对所述交互图数据进行处理,得到表征交通对象间交互信息的交互特征。
可选的,基于所有交通对象的历史轨迹序列,构建表征交通对象间交互关系的交互图数据,包括:
对所述交通对象的本身属性进行编码,得到属性向量,所述本身属性包括交通对象的类型;
采用长短期记忆网络对所述交通对象的历史轨迹序列进行处理,得到所述交通对象在隐空间中的状态特征;
融合所述状态特征和所述交通对象在当前时刻的状态信息,得到第一融合特征;
以所述交通对象的属性向量表征所述交通对象作为交互图数据中的节点,得到所述交互图数据的节点集;
计算各所述交通对象的第一融合特征之间的距离作为所述交互图数据中相邻节点的边,得到所述交互图数据的边集。
可选的,所述图卷积神经网络包括第一图卷积层、激活函数层和第二图卷积层,采用图卷积神经网络对所述交互图数据进行处理,得到表征交通对象间交互信息的交互特征,包括:
将所述节点集和所述边集输入所述第一图卷积层进行卷积处理,得到图卷积特征;
将所述第一图卷积特征输入所述激活函数层进行处理,得到激活特征;
将所述激活特征和所述边集输入所述第二图卷积层进行卷积处理,得到表征交通对象间交互信息的交互特征。
可选的,基于所述交通对象的历史轨迹序列、所述交互特征和所述目标路段的地图信息,预测所述交通对象在下一时刻的行为,包括:
采用循环神经网络对所述历史轨迹序列进行编码,得到表征所述历史轨迹序列的历史编码特征;
基于深度卷积神经网络对所述目标路段的地图信息进行编码,得到地图编码特征;
融合所述历史编码特征、所述地图编码特征和所述交互特征,得到第二融合特征:
将所述第二融合特征输入预先训练的行为预测模型,得到所述交通对象在下一时刻的行为。
可选的,所述异常行为包括超车、并线、刹车和转向。
可选的,在所述交通对象出现异常行为时,通过所述路侧单元向所述路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号,包括:
通过所述路侧单元采集的当前时刻所述交通对象的位置信息和所述目标车辆的位置信息,计算出现异常行为的所述交通对象与所述目标车辆的距离;
在所述距离大于预设的预警距离时,向所述目标车辆发送路况提醒信号;
在所述距离小于或等于预设的预警距离时,向所述目标车辆发送减速信号。
第二方面,本发明还提供了一种车辆运行道路风险预警装置,包括:
历史轨迹获取模块,用于获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列;
交互特征提取模块,用于将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征;
行为预测模块,用于针对所述目标路段内的每一交通对象,基于所述交通对象的历史轨迹序列、所述交互特征和所述目标路段的地图信息,预测所述交通对象在下一时刻的行为;
预警模块,用于在所述交通对象出现异常行为时,通过所述路侧单元向所述路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号。
第三方面,本发明还提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
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本发明第一方面提供的车辆运行道路风险预警方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面提供的车辆运行道路风险预警方法。
本发明提供的车辆运行道路风险预警方法,包括:获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列,将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征,针对目标路段内的每一交通对象,基于交通对象的历史轨迹序列、交互特征和目标路段的地图信息,预测交通对象在下一时刻的行为,在交通对象出现异常行为时,通过路侧单元向路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号,能够提前预测目标路段内交通对象的行为,并提前发出异常行为预警,给目标车辆充足的处理时间,提高道路交通安全性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种车辆运行道路风险预警方法的流程图;
图2为本发明实施例提供的一种交互图数据的构建过程示意图;
图3为本发明实施例提供的一种图卷积神经网络的处理流程图;
图4为本发明实施例提供的一种交通对象行为预测流程图;
图5为本发明实施例提供的一种车辆运行道路风险预警装置的结构示意图;
图6为本发明的实施例提供的一种电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的一种车辆运行道路风险预警方法的流程图,本实施例可适用于提前预测车辆行为,并进行异常行为预警的情况,该方法可以由本发明实施例提供的车辆运行道路风险预警装置来执行,该装置可以由软件和/或硬件的方式实现,通常配置于电子设备中,如图1所示,车辆运行道路风险预警方法具体包括如下步骤:
S101、获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列。
路侧设备(Road Side Unit,RSU)是车路协同路侧端的重要组成部分,是突破车路协同技术的关键所在,其主要功能是采集当前的道路状况、交通状况等信息,通过通讯网络,与路侧感知设备、交通信号灯、电子标牌等终端通信,实现车路互联互通、交通信号实时交互等功能,辅助驾驶员进行驾驶,保障整个交通领域的人员及车辆安全。路侧单元可以对接多种传感单元如摄像头、气象站、检测线圈及微波雷达、激光雷达、微波车检器等多种感知设备,能融合多种感知数据进行检测,深层次的提供道路状态感知能力。路侧单元和车载设备之间通过LTE-V进行信息交互。沿道路侧可以布置多个单元,每一路侧单元负责对应的一段道路的感知数据检测。
在本发明实施例中,路侧单元可以通过感知设备采集该路侧设备负责的目标路段内所有交通对象的历史轨迹序列,并上传给处理设备。示例性的,在本发明实施例中,交通对象可以是机动车或非机动,包括行人、自行车、汽车等,本发明实施例在此不做限定。
S102、将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征。
在本发明的实施例中,将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征。交互特征用于表征交通对象之间的交互信息。示例性的,交互特征提取模型可以是基于Transformer的注意力机制模型、PointNet模型、MCG block模型、基于图卷积神经网络的模型,本发明实施例在此不做限定。
本发明通过提取各交通对象之间的交互特征,能够基于交通对象与其他交通对象的交互特征,更准确地预设交通对象的行为,进而提高道路预警准确率,降低误报概率。
示例性的,在本发明的一些实施例中,上述步骤S102包括如下子步骤:
1、基于所有交通对象的历史轨迹序列,构建表征交通对象间交互关系的交互图数据。
在本发明实施例中,用交互图数据的形式描述车辆在时间和空间层面的交互关系。示例性的,交互图数据包括表示目标路段中所有车辆的节点,和表示节点之间的交互关系的边。
图2为本发明实施例提供的一种交互图数据的构建过程示意图,示例性的,如图2所示,在本发明的一些实施例中,构建交互图数据的过程如下:
1)、对交通对象的本身属性进行编码,得到属性向量,本身属性包括交通对象的类型。
在本发明实施例中,交通对象的本身属性包括交通对象的类型,交通对象的类型包括大型车辆、特殊车辆(例如,救援车、警车等)、普通车辆、非机动车、行人等。不同类型的交通对象之间具有特定的交互行为,例如,所有车辆避让行人和非机动车,普通车辆避让大型车辆和特殊车辆,等。
在本发明的一些实施例中,可以采用词嵌入(Word Embedding)的方式,对对交通对象的本身属性进行编码,得到属性向量E1。词嵌入(Word Embedding)是一种将文本中的词(word)转换成数字向量(vector)的方法。为了使用标准机器学习算法来对词进行分析,就需要把这些词转换成数字的向量以数字形式作为输入。词嵌入过程就是把一个维数为所有词数量的高维空间嵌入到一个维数低得多的连续向量空间中,每个单词或词组被映射为实数域上的向量。
在本发明的另一些实施例中,可以采用one-hot形式的编码对交通对象的本身属性进行编码,得到属性向量E1。具体的,对类型库中所有类型进行排序,得到类型集合,针对目标路段中每一交通对象,将该交通对象的类型映射到类型集合中,得到二进制的属性向量。
需要说明的是,在本发明的其他实施例中,也可以采用其他编码方式对交通对象的本身属性进行编码,本发明实施例在此不做限定。
2)、采用长短期记忆网络对交通对象的历史轨迹序列进行处理,得到交通对象在隐空间中的状态特征。
在本发明实施例中,隐空间中的状态特征表示不可直接观测的状态,例如,交通对象的意图等。在本发明实施例中,长短期记忆网络(Long short-term memory,LSTM)是一种特殊的循环神经网络,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。
如图2所示,在本发明采用长短期记忆网络对交通对象的历史轨迹序列S进行处理,得到交通对象在隐空间中的状态特征state。
3)、融合状态特征和交通对象在当前时刻的状态信息,得到第一融合特征。
交通对象的状态信息y包括交通对象相对于上一时刻的位移、此刻速度、朝向等可直接观测的信息。在本发明实施例中,融合状态特征和交通对象在当前时刻的状态信息y,得到第一融合特征R。融合操作可以是将状态特征和状态信息进行拼接,增加特征维度,有利于提高行为预测准确性。
4)、以交通对象的属性向量表征交通对象作为交互图数据中的节点,得到交互图数据的节点集。
在本发明实施例中,以交通对象的属性向量E1表征交通对象作为交互图数据G中的节点,得到交互图数据G的节点集{E1}。
5)、计算各交通对象的第一融合特征之间的距离作为交互图数据中相邻节点的边,得到交互图数据的边集。
在本发明实施例中,计算各交通对象的第一融合特征R之间的距离D,该距离可以是欧式距离,将该距离作为交互图数据中相邻节点的边,得到交互图数据的边集{D}。
节点集{E1}和边集{D}组合形成表征交通对象间交互关系的交互图数据G。
2、采用图卷积神经网络对交互图数据进行处理,得到表征交通对象间交互信息的交互特征。
在本发明实施例中,采用图卷积神经网络(Graph Neural Networks,GNN)对交互图数据进行处理,充分挖掘交通对象之间的交互信息,得到表征交通对象间交互信息的交互特征。
图3为本发明实施例提供的一种图卷积神经网络的处理流程图,如图3所示,在本发明的一些实施例中,图卷积神经网络依次包括第一图卷积层、激活函数层和第二图卷积层,图卷积神经网络的处理过程如下:
将节点集{E1}和边集{D}组成的交互图数据G输入第一图卷积层进行卷积处理,得到图卷积特征。将第一图卷积特征输入激活函数层进行处理,得到激活特征。示例性的,在本发明实施例中,激活函数层的激活函数为ReLU函数:
当输入为负数时,则完全不激活,ReLU函数死掉。ReLU函数输出要么是0,要么是正数。ReLU可以克服梯度消失的问题,加快训练速度。需要说明的是,在本发明的其他实施例中,该实施例中的激活函数层中的激活函数也可以是其他激活函数,例如,Sigmoid函数或Tanh函数,本发明实施例在此不做限定。
将激活特征和边集{D}输入第二图卷积层进行卷积处理,得到表征交通对象间交互信息的交互特征T。
需要说明的是,上述实施例中,图卷积网络的结构也可以包括多层图卷积层,各图卷积层的具体参数应该理解为对本发明实施例的示例性说明,而非对本发明实施例的具体限定。
S103、针对目标路段内的每一交通对象,基于交通对象的历史轨迹序列、交互特征和目标路段的地图信息,预测交通对象在下一时刻的行为。
在本发明实施例中,针对目标路段内的每一交通对象,基于交通对象的历史轨迹序列、交互特征和目标路段的地图信息,预测交通对象在下一时刻的行为。
图4为本发明实施例提供的一种交通对象行为预测流程图,如图4所示,在本发明的一些实施例中,步骤S103包括如下子步骤:
1、采用循环神经网络(Recurrent Neural Network,RNN)对历史轨迹序列S进行编码,得到表征历史轨迹序列S的历史编码特征S1。
2、采用深度卷积神经网络(Deep Neural Networks,DNN)对目标路段的地图信息M进行编码,得到地图编码特征E2。地图信息可以是预先构建的高精度地图的信息,高精度地图是指绝对精度和相对精度均在厘米级(10厘米至20厘米)的高分辨率、高丰度要素的导航地图,包含了最底层的静态高精度地图以及其他动态信息。
3、融合历史编码特征S1、地图编码特征E2和交互特征T,得到第二融合特征E3。
示例性的,在本发明实施例中,将历史编码特征S1、地图编码特征E2和交互特征T在特征维度上拼接,得到第二融合特征E3,扩展特征维度,有利于提高预测准确度。
4、将第二融合特征E3输入预先训练的行为预测模型,得到交通对象在下一时刻的行为。
在本发明实施例中,行为预测模型可以是长短期记忆网络模型,或其他时间循环网络模型,本发明实施例在此不做限定。交通对象在下一时刻的行为Act可以用交通对象在下一时刻相对于当前时刻的位移、速度、朝向等来表示。
S104、在交通对象出现异常行为时,通过路侧单元向路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号。
在本发明的一些实施例中,交通对象的异常行为可以包括超车、并线、刹车和转向等。在交通对象出现异常行为时,处理设备通过路侧单元向路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号。例如,交通对象超车,则向受超车影响的两个车道内的目标车辆的车载设备发送预警信号。
在本发明的一些实施例中,为了实现预警分级,可以基于目标车辆与异常行为的车辆的距离,发出不同级别的预警信号。示例性的,通过路侧单元采集的当前时刻交通对象的位置信息和目标车辆的位置信息,计算出现异常行为的交通对象与目标车辆的距离,在该距离大于预设的预警距离时,说明目标车辆尚有充足的时间进行处理,此时,向目标车辆发送路况提醒信号,提醒目标车辆前方有存在异常行为,需谨慎驾驶。在距离小于或等于预设的预警距离时,目标车辆已经距离异常行为较近,此时,向目标车辆发送减速信号,提醒目标车辆及时减速或刹停。
本发明实施例提供的车辆运行道路风险预警方法,包括:获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列,将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征,针对目标路段内的每一交通对象,基于交通对象的历史轨迹序列、交互特征和目标路段的地图信息,预测交通对象在下一时刻的行为,在交通对象出现异常行为时,通过路侧单元向路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号,能够提前预测目标路段内交通对象的行为,并提前发出异常行为预警,给目标车辆充足的处理时间,提高道路交通安全性。
本发明实施例还提供了一种车辆运行道路风险预警装置,图5为本发明实施例提供的一种车辆运行道路风险预警装置的结构示意图,如图5所示,车辆运行道路风险预警装置包括:
历史轨迹获取模块201,用于获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列;
交互特征提取模块202,用于将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征;
行为预测模块203,用于针对所述目标路段内的每一交通对象,基于所述交通对象的历史轨迹序列、所述交互特征和所述目标路段的地图信息,预测所述交通对象在下一时刻的行为;
预警模块204,用于在所述交通对象出现异常行为时,通过所述路侧单元向所述路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号。
在本发明的一些实施例中,交互特征提取模块202包括:
交互图数据构建子模块,用于基于所有交通对象的历史轨迹序列,构建表征交通对象间交互关系的交互图数据;
交互特征提取子模块,用于采用图卷积神经网络对所述交互图数据进行处理,得到表征交通对象间交互信息的交互特征。
在本发明的一些实施例中,交互图数据构建子模块包括:
属性编码单元,用于对所述交通对象的本身属性进行编码,得到属性向量,所述本身属性包括交通对象的类型;
状态特征提取单元,用于采用长短期记忆网络对所述交通对象的历史轨迹序列进行处理,得到所述交通对象在隐空间中的状态特征;
特征融合单元,用于融合所述状态特征和所述交通对象在当前时刻的状态信息,得到第一融合特征;
节点集确定单元,用于以所述交通对象的属性向量表征所述交通对象作为交互图数据中的节点,得到所述交互图数据的节点集;
边集确定单元,用于计算各所述交通对象的第一融合特征之间的距离作为所述交互图数据中相邻节点的边,得到所述交互图数据的边集。
在本发明的一些实施例中,所述图卷积神经网络包括第一图卷积层、激活函数层和第二图卷积层,交互特征提取子模块包括:
第一卷积单元,用于将所述节点集和所述边集输入所述第一图卷积层进行卷积处理,得到图卷积特征;
激活单元,用于将所述第一图卷积特征输入所述激活函数层进行处理,得到激活特征;
第二卷积单元,用于将所述激活特征和所述边集输入所述第二图卷积层进行卷积处理,得到表征交通对象间交互信息的交互特征。
在本发明的一些实施例中,行为预测模块203包括:
历史轨迹编码子模块,用于采用循环神经网络对所述历史轨迹序列进行编码,得到表征所述历史轨迹序列的历史编码特征;
地图信息编码子模块,用于基于深度卷积神经网络对所述目标路段的地图信息进行编码,得到地图编码特征;
特征融合子模块,用于融合所述历史编码特征、所述地图编码特征和所述交互特征,得到第二融合特征:
行为预测子模块,用于将所述第二融合特征输入预先训练的行为预测模型,得到所述交通对象在下一时刻的行为。
在本发明的一些实施例中,所述异常行为包括超车、并线、刹车和转向。
在本发明的一些实施例中,在所述交通对象出现异常行为时,预警模块204包括:
距离计算子模块,用于通过所述路侧单元采集的当前时刻所述交通对象的位置信息和所述目标车辆的位置信息,计算出现异常行为的所述交通对象与所述目标车辆的距离;
提醒信号发送子模块,用于在所述距离大于预设的预警距离时,向所述目标车辆发送路况提醒信号;
减速信号发送子模块,用于在所述距离小于或等于预设的预警距离时,向所述目标车辆发送减速信号。
上述车辆运行道路风险预警装置可执行本申请任意实施例所提供的车辆运行道路风险预警方法,具备执行车辆运行道路风险预警方法相应的功能模块和有益效果。
图6为本发明的实施例提供的一种电子设备的结构示意图,该电子设备可以是前述实施例中所述的处理设备。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如车辆运行道路风险预警方法。
在一些实施例中,车辆运行道路风险预警方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的车辆运行道路风险预警方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆运行道路风险预警方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
本发明实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现如本申请任意实施例所提供的车辆运行道路风险预警方法。
计算机程序产品在实现的过程中,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发明操作的计算机程序代码,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)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆运行道路风险预警方法,其特征在于,包括:
获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列;
将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征;
针对所述目标路段内的每一交通对象,基于所述交通对象的历史轨迹序列、所述交互特征和所述目标路段的地图信息,预测所述交通对象在下一时刻的行为;
在所述交通对象出现异常行为时,通过所述路侧单元向所述路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号。
2.根据权利要求1所述的车辆运行道路风险预警方法,其特征在于,将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征,包括:
基于所有交通对象的历史轨迹序列,构建表征交通对象间交互关系的交互图数据;
采用图卷积神经网络对所述交互图数据进行处理,得到表征交通对象间交互信息的交互特征。
3.根据权利要求2所述的车辆运行道路风险预警方法,其特征在于,基于所有交通对象的历史轨迹序列,构建表征交通对象间交互关系的交互图数据,包括:
对所述交通对象的本身属性进行编码,得到属性向量,所述本身属性包括交通对象的类型;
采用长短期记忆网络对所述交通对象的历史轨迹序列进行处理,得到所述交通对象在隐空间中的状态特征;
融合所述状态特征和所述交通对象在当前时刻的状态信息,得到第一融合特征;
以所述交通对象的属性向量表征所述交通对象作为交互图数据中的节点,得到所述交互图数据的节点集;
计算各所述交通对象的第一融合特征之间的距离作为所述交互图数据中相邻节点的边,得到所述交互图数据的边集。
4.根据权利要求3所述的车辆运行道路风险预警方法,其特征在于,所述图卷积神经网络包括第一图卷积层、激活函数层和第二图卷积层,采用图卷积神经网络对所述交互图数据进行处理,得到表征交通对象间交互信息的交互特征,包括:
将所述节点集和所述边集输入所述第一图卷积层进行卷积处理,得到图卷积特征;
将所述第一图卷积特征输入所述激活函数层进行处理,得到激活特征;
将所述激活特征和所述边集输入所述第二图卷积层进行卷积处理,得到表征交通对象间交互信息的交互特征。
5.根据权利要求1-4任一所述的车辆运行道路风险预警方法,其特征在于,基于所述交通对象的历史轨迹序列、所述交互特征和所述目标路段的地图信息,预测所述交通对象在下一时刻的行为,包括:
采用循环神经网络对所述历史轨迹序列进行编码,得到表征所述历史轨迹序列的历史编码特征;
基于深度卷积神经网络对所述目标路段的地图信息进行编码,得到地图编码特征;
融合所述历史编码特征、所述地图编码特征和所述交互特征,得到第二融合特征:
将所述第二融合特征输入预先训练的行为预测模型,得到所述交通对象在下一时刻的行为。
6.根据权利要求5所述的车辆运行道路风险预警方法,其特征在于,所述异常行为包括超车、并线、刹车和转向。
7.根据权利要求1-4、6任一所述的车辆运行道路风险预警方法,其特征在于,在所述交通对象出现异常行为时,通过所述路侧单元向所述路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号,包括:
通过所述路侧单元采集的当前时刻所述交通对象的位置信息和所述目标车辆的位置信息,计算出现异常行为的所述交通对象与所述目标车辆的距离;
在所述距离大于预设的预警距离时,向所述目标车辆发送路况提醒信号;
在所述距离小于或等于预设的预警距离时,向所述目标车辆发送减速信号。
8.一种车辆运行道路风险预警装置,其特征在于,包括:
历史轨迹获取模块,用于获取路侧单元采集的目标路段内所有交通对象的历史轨迹序列;
交互特征提取模块,用于将所有交通对象的历史轨迹序列输入预设的交互特征提取模型中进行处理,得到表征交通对象间交互信息的交互特征;
行为预测模块,用于针对所述目标路段内的每一交通对象,基于所述交通对象的历史轨迹序列、所述交互特征和所述目标路段的地图信息,预测所述交通对象在下一时刻的行为;
预警模块,用于在所述交通对象出现异常行为时,通过所述路侧单元向所述路侧单元通讯范围内受异常行为影响的车道内的目标车辆发送预警信号。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
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中任一所述的车辆运行道路风险预警方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的车辆运行道路风险预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310023371.0A CN115909749B (zh) | 2023-01-09 | 2023-01-09 | 车辆运行道路风险预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310023371.0A CN115909749B (zh) | 2023-01-09 | 2023-01-09 | 车辆运行道路风险预警方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909749A true CN115909749A (zh) | 2023-04-04 |
CN115909749B CN115909749B (zh) | 2023-07-14 |
Family
ID=86495753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310023371.0A Active CN115909749B (zh) | 2023-01-09 | 2023-01-09 | 车辆运行道路风险预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909749B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152782A (zh) * | 2023-04-18 | 2023-05-23 | 苏州魔视智能科技有限公司 | 一种障碍物轨迹预测方法、装置、设备及存储介质 |
CN116844340A (zh) * | 2023-08-29 | 2023-10-03 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
CN116989818A (zh) * | 2023-09-26 | 2023-11-03 | 毫末智行科技有限公司 | 一种轨迹生成方法、装置、电子设备及可读存储介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140400A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Atomic scenes for scalable traffic scene recognition in monocular videos |
DE102016009954A1 (de) * | 2016-08-16 | 2018-02-22 | MSR ENGINEERING Heiko Evers e.K. | Verfahren zur Früherkennung von Kollisionen zwischen mindestens zwei mobilen Objekten und Frühwarnsystem |
US20190135296A1 (en) * | 2017-11-03 | 2019-05-09 | Toyota Research Institute, Inc. | Methods and systems for predicting object action |
CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
CN111354193A (zh) * | 2020-02-26 | 2020-06-30 | 江苏大学 | 一种基于5g通信的高速公路车辆异常行为预警系统 |
CN111540237A (zh) * | 2020-05-19 | 2020-08-14 | 河北德冠隆电子科技有限公司 | 基于多数据融合的车辆安全行驶保障方案自动生成的方法 |
CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
US20210125076A1 (en) * | 2019-10-29 | 2021-04-29 | Denso International America, Inc. | System for predicting aggressive driving |
US20210241624A1 (en) * | 2020-01-31 | 2021-08-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Edge-assisted alert system |
US20210287531A1 (en) * | 2020-03-12 | 2021-09-16 | Honda Motor Co., Ltd. | Systems and methods for heterogeneous multi-agent multi-modal trajectory prediction with evolving interaction graphs |
CN113516846A (zh) * | 2021-06-24 | 2021-10-19 | 长安大学 | 车辆换道行为预测模型构建、预测预警方法及系统 |
US20210347383A1 (en) * | 2020-05-08 | 2021-11-11 | Zoox, Inc. | Trajectories with intent |
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 |
CN114379595A (zh) * | 2022-02-22 | 2022-04-22 | 无锡物联网创新中心有限公司 | 基于车辆行为特征与环境交互信息的车辆轨迹预测方法 |
CN114446049A (zh) * | 2021-12-29 | 2022-05-06 | 北京理工大学 | 基于社会价值取向的交通流预测方法、系统、终端及介质 |
US20220156576A1 (en) * | 2020-11-13 | 2022-05-19 | Amir RASOULI | Methods and systems for predicting dynamic object behavior |
CN114530058A (zh) * | 2022-03-03 | 2022-05-24 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 一种碰撞预警方法、装置和系统 |
CN114802296A (zh) * | 2022-03-17 | 2022-07-29 | 浙江工业大学 | 一种基于动态交互图卷积的车辆轨迹预测方法 |
CN115206087A (zh) * | 2022-05-25 | 2022-10-18 | 中国人民公安大学 | 一种高速公路关键路段交通风险动态预警系统及研判方法 |
US20220379923A1 (en) * | 2021-05-26 | 2022-12-01 | Nissan North America, Inc. | Road User Categorization Through Monitoring |
-
2023
- 2023-01-09 CN CN202310023371.0A patent/CN115909749B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140400A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Atomic scenes for scalable traffic scene recognition in monocular videos |
DE102016009954A1 (de) * | 2016-08-16 | 2018-02-22 | MSR ENGINEERING Heiko Evers e.K. | Verfahren zur Früherkennung von Kollisionen zwischen mindestens zwei mobilen Objekten und Frühwarnsystem |
US20190135296A1 (en) * | 2017-11-03 | 2019-05-09 | Toyota Research Institute, Inc. | Methods and systems for predicting object action |
US20210125076A1 (en) * | 2019-10-29 | 2021-04-29 | Denso International America, Inc. | System for predicting aggressive driving |
CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
US20210241624A1 (en) * | 2020-01-31 | 2021-08-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Edge-assisted alert system |
CN111354193A (zh) * | 2020-02-26 | 2020-06-30 | 江苏大学 | 一种基于5g通信的高速公路车辆异常行为预警系统 |
US20210287531A1 (en) * | 2020-03-12 | 2021-09-16 | Honda Motor Co., Ltd. | Systems and methods for heterogeneous multi-agent multi-modal trajectory prediction with evolving interaction graphs |
US20210347383A1 (en) * | 2020-05-08 | 2021-11-11 | Zoox, Inc. | Trajectories with intent |
CN111540237A (zh) * | 2020-05-19 | 2020-08-14 | 河北德冠隆电子科技有限公司 | 基于多数据融合的车辆安全行驶保障方案自动生成的方法 |
US20220156576A1 (en) * | 2020-11-13 | 2022-05-19 | Amir RASOULI | Methods and systems for predicting dynamic object behavior |
CN112347993A (zh) * | 2020-11-30 | 2021-02-09 | 吉林大学 | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 |
US20220379923A1 (en) * | 2021-05-26 | 2022-12-01 | Nissan North America, Inc. | Road User Categorization Through Monitoring |
CN113516846A (zh) * | 2021-06-24 | 2021-10-19 | 长安大学 | 车辆换道行为预测模型构建、预测预警方法及系统 |
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 |
CN114446049A (zh) * | 2021-12-29 | 2022-05-06 | 北京理工大学 | 基于社会价值取向的交通流预测方法、系统、终端及介质 |
CN114379595A (zh) * | 2022-02-22 | 2022-04-22 | 无锡物联网创新中心有限公司 | 基于车辆行为特征与环境交互信息的车辆轨迹预测方法 |
CN114530058A (zh) * | 2022-03-03 | 2022-05-24 | 恒大恒驰新能源汽车研究院(上海)有限公司 | 一种碰撞预警方法、装置和系统 |
CN114802296A (zh) * | 2022-03-17 | 2022-07-29 | 浙江工业大学 | 一种基于动态交互图卷积的车辆轨迹预测方法 |
CN115206087A (zh) * | 2022-05-25 | 2022-10-18 | 中国人民公安大学 | 一种高速公路关键路段交通风险动态预警系统及研判方法 |
Non-Patent Citations (2)
Title |
---|
濮稳稳: "多类别交通参与者轨迹预测算法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 * |
连静 等: "基于图网络和注意力机制的轨迹预测方法研究", 兵工学报 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152782A (zh) * | 2023-04-18 | 2023-05-23 | 苏州魔视智能科技有限公司 | 一种障碍物轨迹预测方法、装置、设备及存储介质 |
CN116844340A (zh) * | 2023-08-29 | 2023-10-03 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
CN116844340B (zh) * | 2023-08-29 | 2023-11-21 | 临沂大学 | 基于人工智能的道路交通风险预测方法 |
CN116989818A (zh) * | 2023-09-26 | 2023-11-03 | 毫末智行科技有限公司 | 一种轨迹生成方法、装置、电子设备及可读存储介质 |
CN116989818B (zh) * | 2023-09-26 | 2024-01-19 | 毫末智行科技有限公司 | 一种轨迹生成方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115909749B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115909749B (zh) | 车辆运行道路风险预警方法、装置、设备及存储介质 | |
CN113221677B (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
US20220035733A1 (en) | Method and apparatus for checking automatic driving algorithm, related device and storage medium | |
CN114120650B (zh) | 用于生成测试结果的方法、装置 | |
CN112069279A (zh) | 地图数据更新方法、装置、设备及可读存储介质 | |
CN113593218A (zh) | 交通异常事件的检测方法、装置、电子设备及存储介质 | |
CN113657299A (zh) | 交通事故确定方法及电子设备 | |
CN115761702A (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
CN114333312A (zh) | 一种道路交通环境信息的展示方法、装置以及电子设备 | |
CN113753078A (zh) | 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 | |
CN117168488A (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN116358584A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN116295496A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN116451862A (zh) | 模型训练方法和装置、交通事件发生概率评估方法和装置 | |
CN114333416A (zh) | 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆 | |
CN114852068A (zh) | 一种行人避撞方法、装置、设备以及存储介质 | |
CN114419883A (zh) | 识别路口缺失交通限制信息的方法、装置和电子设备 | |
CN114620039A (zh) | 轨迹修正方法、设备、云控平台和自动驾驶车辆 | |
CN116071925B (zh) | 轨迹预测方法、装置及电子处理装置 | |
CN114572233B (zh) | 基于模型集合的预测方法、电子设备及自动驾驶车辆 | |
CN114596552B (zh) | 信息处理方法、训练方法、装置、设备、车辆及介质 | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN112907949B (zh) | 交通异常的检测方法、模型的训练方法及装置 | |
Sinha et al. | AI Sovereignty in Autonomous Driving: Exploring Needs and Possibilities for Overcoming Challenges | |
CN116853295A (zh) | 一种障碍物轨迹预测方法、装置、设备和介质 |
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 |