CN115923847A - 自动驾驶车辆的感知信息的预处理方法、装置及车辆 - Google Patents
自动驾驶车辆的感知信息的预处理方法、装置及车辆 Download PDFInfo
- Publication number
- CN115923847A CN115923847A CN202310249545.5A CN202310249545A CN115923847A CN 115923847 A CN115923847 A CN 115923847A CN 202310249545 A CN202310249545 A CN 202310249545A CN 115923847 A CN115923847 A CN 115923847A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- coordinate system
- perception information
- target
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶技术领域,具体提供一种自动驾驶车辆的感知信息的预处理方法、装置及车辆,旨在解决如何对自动驾驶车辆的感知信息进行处理,以提升信息密度,降低资源占用的问题。为此目的,本发明将自动驾驶车辆的感知信息进行结构化处理,目标车辆包括自动驾驶车辆和自动驾驶车辆周围环境中的车辆;为每个目标车辆的结构化数据添加语义信息获得目标车辆的向量化特征。向量化特征占用资源较少,能够为车端程序节省更多计算资源,且包含语义信息的向量化特征能够为自动驾驶车辆的预测决策过程提供包含更大信息密度的数据,使得应用向量化特征进行决策预测时,获得更为精确合理的结果。
Description
技术领域
本发明涉及自动驾驶技术领域,具体提供一种自动驾驶车辆的感知信息的预处理方法、装置及车辆。
背景技术
高级辅助驾驶功能越来越受到大家的认可,同时其使用的场景也随着传感器和信息技术的进步,也在不断的增加,功能体验也在不断的提升。针对辅助驾驶技术中的预测决策模块而言,如何建模车辆的轨迹信息和周边路网信息这些感知模型获得的感知信息是一个非常关键的问题。现有技术中,大多是将车辆轨迹和路网信息预处理成稀疏的图像特征,并用CNN(Convolutional Neural Networks,卷积神经网络)模型进行处理。这样的处理方法信息密度不高,但是占用的资源却是较大的。
相应地,本领域需要一种新的感知信息预处理方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决如何对感知模型的感知信息进行处理,以提升信息密度,降低资源占用的问题。
在第一方面,本发明提供一种自动驾驶车辆的感知信息的预处理方法,所述方法包括:
将所述自动驾驶车辆的的感知信息进行结构化处理,获取多个目标车辆的结构化数据,其中,所述目标车辆包括所述自动驾驶车辆和按照预设的第一规则挑选的所述自动驾驶车辆的周围环境中的车辆;所述感知信息为基于所述自动驾驶车辆的传感器采集数据获取的;
为每个目标车辆的结构化数据添加语义信息,获取每个目标车辆的向量化特征,以使得所述自动驾驶车辆根据所述目标车辆的向量化特征进行决策预测。
在上述自动驾驶车辆的感知信息的预处理方法的一个技术方案中,所述将所述自动驾驶车辆的感知信息进行结构化处理,获取目标车辆的结构化数据,包括:
将所述感知信息进行结构化处理,获取在所述自动驾驶车辆的自车坐标系下的结构化数据;
将所述自车坐标系下的结构化数据转换至以所述目标车辆当前帧位置为原点的坐标系下,以作为所述目标车辆的结构化数据。
在上述自动驾驶车辆的感知信息的预处理方法的一个技术方案中,所述感知信息包括所述目标车辆的车辆轨迹,所述结构化处理包括时序化处理;
所述将所述感知信息进行结构化处理,获取在所述自动驾驶车辆的自车坐标系下的结构化数据,包括:
将所述目标车辆的车辆轨迹进行时序化处理,获取包含预设长度的历史帧和当前帧的时间序列数据;
将所述时间序列数据作为在所述自动驾驶车辆的自车坐标系下的结构化数据。
在上述自动驾驶车辆的感知信息的预处理方法的一个技术方案中,所述将所述自车坐标系下的结构化数据转换至以所述目标车辆当前帧位置为原点的坐标系下,以作为所述目标车辆的结构化数据,包括:
将所述时间序列数据中每帧数据在对应帧的自车坐标系下的目标车辆的位置转换至全局坐标系下;
将每帧数据在全局坐标系下的目标车辆的位置转换至以所述目标车辆当前帧位置为原点的坐标系下;
将转换获得的时间序列数据作为所述目标车辆的结构化数据。
在上述自动驾驶车辆的感知信息的预处理方法的一个技术方案中,所述感知信息包括路网信息,所述结构化处理包括分段处理;
所述将所述感知信息进行结构化处理,获取在所述自动驾驶车辆的自车坐标系下的结构化数据,包括:
将所述路网信息中车道线按照预设距离进行分段处理,获取多个车道线段,其中,所述车道线段通过所述车道线段的端点坐标表示;
将所述车道线段的端点坐标作为在所述自动驾驶车辆的自车坐标系下的结构化数据。
在上述自动驾驶车辆的感知信息的预处理方法的一个技术方案中,所述将所述自车坐标系下的结构化数据转换至以所述目标车辆当前帧位置为原点的坐标系下,以作为所述目标车辆的结构化数据,包括:
将所述车道线段的端点坐标转换至以所述目标车辆当前帧位置为原点的坐标系下;
针对以所述目标车辆当前帧位置为原点的坐标系下的车道线段,按照预设的第二规则,对所述车道线段进行挑选,将挑选获得的车道线段的端点坐标作为所述目标车辆的结构化数据。
在上述自动驾驶车辆的感知信息的预处理方法的一个技术方案中,所述为每个目标车辆的结构化数据添加语义信息,获取每个目标车辆的向量化特征,包括:
针对每个车道线段,根据所述车道线段的端点坐标和所述目标车辆的位置,获取所述车道线段距离所述目标车辆的最近点坐标;
根据所述最近点坐标为所述结构化数据添加语义信息,以获取所述目标车辆的向量化特征。
在第二方面,提供一种控制装置,该控制装置包括至少一个处理器和至少一个存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述自动驾驶车辆的感知信息的预处理方法的技术方案中任一项技术方案所述的自动驾驶车辆的感知信息的预处理方法。
在第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述自动驾驶车辆的感知信息的预处理方法的技术方案中任一项技术方案所述的自动驾驶车辆的感知信息的预处理方法。
在第四方面,提供一种车辆,所述车辆包括上述控制装置技术方案中的控制装置。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本发明的技术方案中,本发明将自动驾驶车辆的感知信息进行结构化处理,获取目标车辆的结构化数据,其中,目标车辆包括自动驾驶车辆自身和该自动驾驶车辆周围环境中的车辆;并为每个目标车辆的结构化数据添加语义信息,从而获得目标车辆的向量化特征。通过上述配置方式,本发明能够将自动驾驶车辆的感知信息转换为各个目标车辆的向量化特征,而向量化特征占用资源较少,能够为车端程序节省更多计算资源,且包含语义信息的向量化特征能够为自动驾驶车辆的预测决策过程提供包含更大信息密度的数据,使得应用向量化特征进行决策预测时,获得更为精确合理的结果。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。其中:
图1是根据本发明的一个实施例的自动驾驶车辆的感知信息的预处理方法的主要步骤流程示意图;
图2是根据本发明实施例的一个实施方式的获取车辆轨迹的向量化特征的主要步骤流程示意图;
图3是根据本发明实施例的一个实施方式的获取路网信息的向量化特征的主要步骤流程示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
参阅附图1,图1是根据本发明的一个实施例的自动驾驶车辆的感知信息的预处理方法的主要步骤流程示意图。如图1所示,本发明实施例中的自动驾驶车辆的感知信息的预处理方法主要包括下列步骤S101-步骤S102。
步骤S101:将自动驾驶车辆的感知信息进行结构化处理,获取多个目标车辆的结构化数据,其中,目标车辆包括自动驾驶车辆和按照预设的第一规则挑选的自动驾驶车辆的周围环境中的车辆;感知信息为基于自动驾驶车辆的传感器采集数据获取的。
在本实施例中,可以将自动驾驶车辆的感知信息进行结构化处理,来获取多个目标车辆的结构化数据。目标车辆可以包括自动驾驶车辆本身(即,自车)以及按照第一规则挑选的自动驾驶车辆周围环境中的车辆。
一个实施方式中,感知信息可以包括目标车辆的车辆轨迹和路网信息。当感知信息为车辆轨迹时,结构化处理可以为时序化处理,即将车辆轨迹时序化后,获得车辆轨迹的时间序列数据。当感知信息为路网信息时,结构化处理可以为分段处理,即将路网信息划分为多个车道线段,使用端点坐标来表示这些车道线段的过程。
一个实施方式中,可以将自动驾驶车辆的传感器采集的数据输入至感知模型中,感知模型可以根据传感器采集的数据,获取自动驾驶车辆的感知信息,如自身的车辆轨迹、周围环境中车辆的车辆轨迹以及周围环境中的路网信息等。
一个实施方式中,第一规则可以为离自动驾驶车辆(自车)最近的预设数量的车辆。如,预设数量可以为24。本领域技术人员可以根据实际应用的需要对第一规则和预设数量进行设定。
步骤S102:为每个目标车辆的结构化数据添加语义信息,获取每个目标车辆的向量化特征,以使得自动驾驶车辆根据目标车辆的向量化特征进行决策预测。
在本实施例中,可以为每个目标车辆的结构化数据添加语义信息,从而将结构化数据转换为向量化特征。这样能够使得自动驾驶车辆根据各个目标车辆的向量化特征进行决策预测。
一个实施方式中,当感知信息为车辆轨迹时,语义信息可以包括目标车辆的速度、尺寸、类型等信息。
一个实施方式中,可以通过决策预测模块进行决策预测,可以应用车辆轨迹和路网信息的向量化特征作为输入,以对这两类向量化特征进行融合,以实现自动驾驶的决策预测。决策预测模块可以包括轨迹预测、意图预测以及决策等下游的算法模块。其中,轨迹预测是指预测目标车辆未来一段时间的轨迹;意图预测是指预测目标车辆未来的行驶意图,如超车、减速、转弯等;决策是指确定自动驾驶车辆(自车)未来一段时间的行驶动作的过程,如加速、减速、直行、左转等。
基于上述步骤S101-步骤S102,本发明实施例将自动驾驶车辆的感知信息进行结构化处理,获取目标车辆的结构化数据,其中,目标车辆包括自动驾驶车辆自身和该自动驾驶车辆周围环境中的车辆;并为每个目标车辆的结构化数据添加语义信息,从而获得目标车辆的向量化特征。通过上述配置方式,本发明实施例能够将自动驾驶车辆的感知信息转换为各个目标车辆的向量化特征,而向量化特征占用资源较少,能够为车端程序节省更多计算资源,且包含语义信息的向量化特征能够为自动驾驶车辆的预测决策过程提供包含更大信息密度的数据,使得应用向量化特征进行决策预测时,获得更为精确合理的结果。
下面分别对步骤S101和步骤S102作进一步地说明。
在本发明实施例的一个实施方式中,步骤S101可以包括以下步骤S1011和步骤S1012:
步骤S1011:将感知信息进行结构化处理,获取在自动驾驶车辆的自车坐标系下的结构化数据。
在本实施方式中,可以先获取自动驾驶车辆的自车坐标系下的结构化数据。
一个实施方式中,当感知信息为车辆轨迹时,步骤S1011可以进一步包括步骤S10111和步骤S10112:
步骤S10111:将目标车辆的车辆轨迹进行时序化处理,获取包含预设长度的历史帧和当前帧的时间序列数据。
步骤S10112:将时间序列数据作为在自动驾驶车辆的自车坐标系下的结构化数据。
在本实施方式中,可以将目标车辆的车辆轨迹的逐帧信息转换成包含预设长度的历史帧和当前帧的时间序列数据。即,将每帧的车辆轨迹的标注框整理出来,将其按照时间顺序进行排列以获得在自车坐标系下的结构化数据。
一个实施方式中,当感知信息为路网信息时,步骤S1011可以进一步包括步骤S10113和步骤S10114:
步骤S10113:将路网信息中车道线按照预设距离进行分段处理,获取多个车道线段,其中,车道线段通过车道线段的端点坐标表示。
步骤S10114:将车道线段的端点坐标作为在自动驾驶车辆的自车坐标系下的结构化数据。
在本实施方式中,可以将目标车辆的路网信息按照预设距离进行分段,可以获得多个用端点坐标表示的车道线段,以获得在自车坐标系下的结构化数据。本领域技术人员可以根据实际应用的需要对预设距离的取值进行设置。
一个实施方式中,预设距离可以为10m。
步骤S1012:将自车坐标系下的结构化数据转换至以目标车辆当前帧位置为原点的坐标系下,以作为目标车辆的结构化数据。
在本实施方式中,可以将每个目标车辆在自车坐标系下的结构化数据转换至以目标车辆当前帧位置为原点的坐标系下。当目标车辆为自车时,则仅需要将自车的时间序列数据中每帧数据转换至以自车当前帧位置为原点的坐标系下。
一个实施方式中,步骤S1012可以进一步包括以下步骤S10121和步骤S10123:
步骤S10121:将时间序列数据中每帧数据在对应帧的自车坐标系下的目标车辆的位置转换至全局坐标系下。
步骤S10122:将每帧数据在全局坐标系下的目标车辆的位置转换至以目标车辆当前帧位置为原点的坐标系下。
步骤S10123:将转换获得的时间序列数据作为目标车辆的结构化数据。
在本实施方式中,由于时间序列数据都是在各自帧的自车坐标系下的,可以根据各自帧自车坐标系与全局坐标系之间的相对位姿,将车辆轨迹获得的时间序列数据转换至全局坐标系下,然后再将全局坐标系下的时间序列数据转换至以目标车辆当前帧位置为原点的坐标系下。
一个实施方式中,步骤S1012可以进一步包括以下步骤S10124和步骤S10125:
步骤S10124:将车道线段的端点坐标转换至以目标车辆当前帧位置为原点的坐标系下。
步骤S10125:针对以目标车辆当前帧位置为原点的坐标系下的车道线段,按照预设的第二规则,对车道线段进行挑选,将挑选获得的车道线段的端点坐标作为目标车辆的结构化数据。
在本实施方式中,由于车道线段的端点坐标均是在当前帧的自车坐标系下,可以根据当前帧的自车坐标系与全局坐标系之间的相对位姿将车道线段的端点坐标转换至全局坐标系下,再从全局坐标系转换至以目标车辆当前帧位置为原点的坐标系下。由于路网信息的车道线范围比较广(如方圆一公里内的),而预测决策模型所需要的仅为一个小范围的路网信息即可,因而可以按照第二规则,对车道线段进行挑选。如第二规则可以为挑选出目标车辆周边的200m内的车道线段即可。本领域技术人员可以根据实际应用的需要对第二规则进行设定。
一个实施方式中,步骤S102可以进一步包括以下步骤S1021和步骤S1022:
步骤S1021:针对每个车道线段,根据车道线段的端点坐标和目标车辆的位置,获取车道线段距离目标车辆的最近点坐标。
步骤S1022:根据最近点坐标为结构化数据添加语义信息,以获取目标车辆的向量化特征。
在本实施方式中,可以先获取每个车道线段上距离目标车辆的最近点坐标,并基于最近点坐标来为结构化数据添加语义信息。具体的语义信息可以包括以下内容:
1. 最近点距离目标车辆的距离;
2. 从目标车辆指向最近点单位向量;
3. 车道线段的单位向量;
4. 从车道线段的起点指向车道线段的终点的单位向量;
5. 车道线段的长度;
6. 车道线段终点到最近点的长度;
7. 车道线段所属的车道线种类。
需要说明的是,上述仅包含了部分车道线的语义信息,本领域技术人员可以根据实际应用的需要来对语义信息进行增减。车道线段的语义信息能够从不同几何角度描述车道线段,决策预测模块可以根据这些语义信息获取到更多角度的车道线特征,从而使得决策预测结果的准确度更高。
一个实施方式中,可以参阅附图2,图2是根据本发明实施例的一个实施方式的获取车辆轨迹的向量化特征的主要步骤流程示意图。如图2所示,可以通过以下步骤S201至步骤S206来获取车辆轨迹的向量化特征。
步骤S201:车辆轨迹输入。
在本实施方式中,可以将自动驾驶车辆的感知模型获取的车辆轨迹输入。
步骤S202:挑选目标车辆。
在本实施方式中,可以按照第一规则挑选目标车辆,如距离自车最近的24辆车。
步骤S203:构建时间序列数据。
在本实施方式中,步骤S203所述的方法与前述步骤S10111类似,为了描述简单,在此不再赘述。
步骤S204:坐标系转换。
在本实施方式中,步骤S204所述的方法与前述步骤S10121至步骤S10123类似,为了描述简单,在此不再赘述。
步骤S205:添加语义信息。
在本实施方式中,可以为时间序列数据添加语义信息。
步骤S206:生成车辆轨迹的向量化特征。
在本实施方式中,将添加了语义信息的时间序列数据作为车辆轨迹的向量化特征。
一个实施方式中,可以参阅附图3,图3是根据本发明实施例的一个实施方式的获取路网信息的向量化特征的主要步骤流程示意图。如图3所示,可以根据以下步骤S301至步骤S306获取路网信息的向量化特征。
步骤S301:路网信息输入。
在本实施方式中,可以将自动驾驶车辆的感知模型获取的路网信息输入。
步骤S302:车道线等距离分段。
在本实施方式中,步骤S302所述的方法与前述步骤S10113类似,为了描述简单,在此不再赘述。
步骤S303:坐标系转换。
在本实施方式中,步骤S303所述的方法与前述步骤S10124类似,为了描述简单,在此不再赘述。
步骤S304:挑选指定范围内的车道线。
在本实施方式中,步骤S304所述的方法与前述步骤S10125类似,为了描述简单,在此不再赘述。
步骤S305:构建高阶语义信息。
在本实施方式中,步骤S305所述的方法与前述步骤S1021和步骤S1022类似,为了描述简单,在此不再赘述。
步骤S306:路网信息的向量化特征。
在本实施方式中,将添加了语义信息的车道线段作为路网信息的向量化特征。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中,控制装置包括至少一个处理器和至少一个存储装置,存储装置可以被配置成存储执行上述方法实施例的自动驾驶车辆的感知信息的预处理方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的自动驾驶车辆的感知信息的预处理方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。
在本发明实施例中控制装置可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中,控制装置可以包括多个存储装置和多个处理器。而执行上述方法实施例的自动驾驶车辆的感知信息的预处理方法的程序可以被分割成多段子程序,每段子程序分别可以由处理器加载并运行以执行上述方法实施例的自动驾驶车辆的感知信息的预处理方法的不同步骤。具体地,每段子程序可以分别存储在不同的存储装置中,每个处理器可以被配置成用于执行一个或多个存储装置中的程序,以共同实现上述方法实施例的自动驾驶车辆的感知信息的预处理方法,即每个处理器分别执行上述方法实施例的自动驾驶车辆的感知信息的预处理方法的不同步骤,来共同实现上述方法实施例的自动驾驶车辆的感知信息的预处理方法。
上述多个处理器可以是部署于同一个设备上的处理器,例如上述控制装置可以是由多个处理器组成的高性能设备,上述多个处理器可以是该高性能设备上配置的处理器。此外,上述多个处理器也可以是部署于不同设备上的处理器,例如上述控制装置可以是服务器集群,上述多个处理器可以是服务器集群中不同服务器上的处理器。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的自动驾驶车辆的感知信息的预处理方法的程序,该程序可以由处理器加载并运行以实现上述自动驾驶车辆的感知信息的预处理方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,本发明还提供了一种车辆。在根据本发明的一个车辆实施例中,车辆可以包括控制装置实施例中的控制装置。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本发明的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理,因此,拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种自动驾驶车辆的感知信息的预处理方法,其特征在于,所述方法包括:
将所述自动驾驶车辆的感知信息进行结构化处理,获取多个目标车辆的结构化数据,其中,所述目标车辆包括所述自动驾驶车辆和按照预设的第一规则挑选的所述自动驾驶车辆的周围环境中的车辆;所述感知信息为基于所述自动驾驶车辆的传感器采集数据获取的;
为每个目标车辆的结构化数据添加语义信息,获取每个目标车辆的向量化特征,以使得所述自动驾驶车辆根据所述目标车辆的向量化特征进行决策预测。
2.根据权利要求1所述的自动驾驶车辆的感知信息的预处理方法,其特征在于,
所述将所述自动驾驶车辆的感知信息进行结构化处理,获取目标车辆的结构化数据,包括:
将所述感知信息进行结构化处理,获取在所述自动驾驶车辆的自车坐标系下的结构化数据;
将所述自车坐标系下的结构化数据转换至以所述目标车辆当前帧位置为原点的坐标系下,以作为所述目标车辆的结构化数据。
3.根据权利要求2所述的自动驾驶车辆的感知信息的预处理方法,其特征在于,所述感知信息包括所述目标车辆的车辆轨迹,所述结构化处理包括时序化处理;
所述将所述感知信息进行结构化处理,获取在所述自动驾驶车辆的自车坐标系下的结构化数据,包括:
将所述目标车辆的车辆轨迹进行时序化处理,获取包含预设长度的历史帧和当前帧的时间序列数据;
将所述时间序列数据作为在所述自动驾驶车辆的自车坐标系下的结构化数据。
4.根据权利要求3所述的自动驾驶车辆的感知信息的预处理方法,其特征在于,
所述将所述自车坐标系下的结构化数据转换至以所述目标车辆当前帧位置为原点的坐标系下,以作为所述目标车辆的结构化数据,包括:
将所述时间序列数据中每帧数据在对应帧的自车坐标系下的目标车辆的位置转换至全局坐标系下;
将每帧数据在全局坐标系下的目标车辆的位置转换至以所述目标车辆当前帧位置为原点的坐标系下;
将转换获得的时间序列数据作为所述目标车辆的结构化数据。
5.根据权利要求2所述的自动驾驶车辆的感知信息的预处理方法,其特征在于,所述感知信息包括路网信息,所述结构化处理包括分段处理;
所述将所述感知信息进行结构化处理,获取在所述自动驾驶车辆的自车坐标系下的结构化数据,包括:
将所述路网信息中车道线按照预设距离进行分段处理,获取多个车道线段,其中,所述车道线段通过所述车道线段的端点坐标表示;
将所述车道线段的端点坐标作为在所述自动驾驶车辆的自车坐标系下的结构化数据。
6.根据权利要求5所述的自动驾驶车辆的感知信息的预处理方法,其特征在于,
所述将所述自车坐标系下的结构化数据转换至以所述目标车辆当前帧位置为原点的坐标系下,以作为所述目标车辆的结构化数据,包括:
将所述车道线段的端点坐标转换至以所述目标车辆当前帧位置为原点的坐标系下;
针对以所述目标车辆当前帧位置为原点的坐标系下的车道线段,按照预设的第二规则,对所述车道线段进行挑选,将挑选获得的车道线段的端点坐标作为所述目标车辆的结构化数据。
7.根据权利要求6所述的自动驾驶车辆的感知信息的预处理方法,其特征在于,
所述为每个目标车辆的结构化数据添加语义信息,获取每个目标车辆的向量化特征,包括:
针对每个车道线段,根据所述车道线段的端点坐标和所述目标车辆的位置,获取所述车道线段距离所述目标车辆的最近点坐标;
根据所述最近点坐标为所述结构化数据添加语义信息,以获取所述目标车辆的向量化特征。
8.一种控制装置,包括至少一个处理器和至少一个存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至7中任一项所述的自动驾驶车辆的感知信息的预处理方法。
9.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至7中任一项所述的自动驾驶车辆的感知信息的预处理方法。
10.一种车辆,其特征在于,所述车辆包括权利要求8所述的控制装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249545.5A CN115923847B (zh) | 2023-03-15 | 2023-03-15 | 自动驾驶车辆的感知信息的预处理方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249545.5A CN115923847B (zh) | 2023-03-15 | 2023-03-15 | 自动驾驶车辆的感知信息的预处理方法、装置及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115923847A true CN115923847A (zh) | 2023-04-07 |
CN115923847B CN115923847B (zh) | 2023-06-02 |
Family
ID=85832316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310249545.5A Active CN115923847B (zh) | 2023-03-15 | 2023-03-15 | 自动驾驶车辆的感知信息的预处理方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115923847B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019185246A (ja) * | 2018-04-05 | 2019-10-24 | 三菱電機株式会社 | 自動運転制御システム |
WO2020053611A1 (en) * | 2018-09-12 | 2020-03-19 | Toyota Motor Europe | Electronic device, system and method for determining a semantic grid of an environment of a vehicle |
CN110942000A (zh) * | 2019-11-13 | 2020-03-31 | 南京理工大学 | 一种基于深度学习的无人驾驶车辆目标检测方法 |
CN111027430A (zh) * | 2019-11-29 | 2020-04-17 | 西安交通大学 | 一种面向无人车智能评估的交通场景复杂度计算方法 |
WO2020253842A1 (zh) * | 2019-06-20 | 2020-12-24 | 杭州海康威视数字技术股份有限公司 | 一种车辆位姿确定方法、装置及电子设备 |
WO2021005296A1 (fr) * | 2019-07-11 | 2021-01-14 | Psa Automobiles Sa | Procédé de prise de décision pour un véhicule, en fonction de son environnement |
US20210096241A1 (en) * | 2019-09-30 | 2021-04-01 | Zoox, Inc. | Perception system |
CN112734808A (zh) * | 2021-01-19 | 2021-04-30 | 清华大学 | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 |
US20210276591A1 (en) * | 2020-03-05 | 2021-09-09 | Uber Technologies, Inc. | Systems and Methods for Selecting Trajectories Based on Interpretable Semantic Representations |
CN113879295A (zh) * | 2020-07-02 | 2022-01-04 | 华为技术有限公司 | 轨迹预测方法及装置 |
CN115493612A (zh) * | 2022-10-12 | 2022-12-20 | 中国第一汽车股份有限公司 | 一种基于视觉slam的车辆定位方法及装置 |
-
2023
- 2023-03-15 CN CN202310249545.5A patent/CN115923847B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019185246A (ja) * | 2018-04-05 | 2019-10-24 | 三菱電機株式会社 | 自動運転制御システム |
WO2020053611A1 (en) * | 2018-09-12 | 2020-03-19 | Toyota Motor Europe | Electronic device, system and method for determining a semantic grid of an environment of a vehicle |
WO2020253842A1 (zh) * | 2019-06-20 | 2020-12-24 | 杭州海康威视数字技术股份有限公司 | 一种车辆位姿确定方法、装置及电子设备 |
WO2021005296A1 (fr) * | 2019-07-11 | 2021-01-14 | Psa Automobiles Sa | Procédé de prise de décision pour un véhicule, en fonction de son environnement |
US20210096241A1 (en) * | 2019-09-30 | 2021-04-01 | Zoox, Inc. | Perception system |
CN110942000A (zh) * | 2019-11-13 | 2020-03-31 | 南京理工大学 | 一种基于深度学习的无人驾驶车辆目标检测方法 |
CN111027430A (zh) * | 2019-11-29 | 2020-04-17 | 西安交通大学 | 一种面向无人车智能评估的交通场景复杂度计算方法 |
US20210276591A1 (en) * | 2020-03-05 | 2021-09-09 | Uber Technologies, Inc. | Systems and Methods for Selecting Trajectories Based on Interpretable Semantic Representations |
CN113879295A (zh) * | 2020-07-02 | 2022-01-04 | 华为技术有限公司 | 轨迹预测方法及装置 |
CN112734808A (zh) * | 2021-01-19 | 2021-04-30 | 清华大学 | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 |
CN115493612A (zh) * | 2022-10-12 | 2022-12-20 | 中国第一汽车股份有限公司 | 一种基于视觉slam的车辆定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115923847B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
CN111860155B (zh) | 一种车道线的检测方法及相关设备 | |
CN109885058B (zh) | 行车轨迹规划方法、装置、电子设备及存储介质 | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN112528807B (zh) | 行驶轨迹的预测方法、装置、电子设备及存储介质 | |
CN115965657B (zh) | 目标跟踪方法、电子设备、存储介质及车辆 | |
CN112819864A (zh) | 一种行驶状态检测方法、装置及存储介质 | |
CN112622923B (zh) | 用于控制车辆的方法和装置 | |
CN115761702A (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
CN117392181A (zh) | 运动信息的预测方法、计算机设备、存储介质及智能设备 | |
CN115923847B (zh) | 自动驾驶车辆的感知信息的预处理方法、装置及车辆 | |
CN110057377B (zh) | 路径导航方法及相关产品 | |
CN115984824A (zh) | 基于轨迹信息的场景信息筛选方法、电子设备及存储介质 | |
CN114872718B (zh) | 车辆轨迹预测方法、装置、计算机设备和存储介质 | |
CN116310179A (zh) | 点云补全方法、装置、设备和介质 | |
CN110363847B (zh) | 一种基于点云数据的地图模型构建方法和装置 | |
CN112558036A (zh) | 用于输出信息的方法和装置 | |
CN116010543A (zh) | 车道信息确定方法、装置、电子设备以及存储介质 | |
CN113743456B (zh) | 一种基于无监督学习的场景定位方法及系统 | |
CN112465076A (zh) | 多特征融合的方法、装置、系统及存储介质 | |
CN116061973B (zh) | 车辆轨迹预测方法、控制装置、可读存储介质及车辆 | |
CN115965944B (zh) | 目标信息的检测方法、设备、驾驶设备和介质 | |
CN117113281B (zh) | 多模态数据的处理方法、设备、智能体和介质 | |
CN117831003A (zh) | 通用障碍物检测方法、可读存储介质及智能设备 | |
CN117576926B (zh) | 车辆违规检测方法、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |