CN115973190A - 自动驾驶车辆的决策方法、装置和电子设备 - Google Patents

Abstract

本公开提供了一种自动驾驶车辆的决策方法、装置和电子设备，涉及人工智能技术领域，尤其涉及自动驾驶技术领域。具体实现方案为：获取第一车辆在目标道路上的历史运营数据；基于所述历史运营数据，识别所述目标道路的当前场景；基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策，得到所述第一车辆的自动驾驶行为。由此，可考虑到第一车辆在目标道路上的历史运营数据，来识别目标道路的当前场景，以进行自动驾驶行为决策，相较于相关技术中大多依赖实时感知数据进行自动驾驶行为决策，感知盲区导致自动驾驶行为决策的不准确性，本方案中不需要实时采集感知数据，提高了自动驾驶行为决策的准确性和效率。

Description

自动驾驶车辆的决策方法、装置和电子设备

技术领域

本公开涉及人工智能技术领域，尤其涉及自动驾驶技术领域，尤其涉及一种自动驾驶车辆的决策方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

目前，随着人工智能技术的不断发展，自动驾驶在车辆领域得到了广泛应用，具有自动化程度高、智能化高等优点。相关技术中，大多依赖实时感知数据进行车辆的自动驾驶行为决策。然而，感知盲区会导致自动驾驶行为决策准确性较低，且感知数据的采集、处理过程耗时较长，导致自动驾驶行为决策效率较低。

发明内容

本公开提供了一种自动驾驶车辆的决策方法、装置、电子设备、存储介质和计算机程序产品。

根据本公开的一方面，提供了一种自动驾驶车辆的决策方法，包括：获取第一车辆在目标道路上的历史运营数据；基于所述历史运营数据，识别所述目标道路的当前场景；基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策，得到所述第一车辆的自动驾驶行为。

根据本公开的另一方面，提供了一种自动驾驶车辆的决策装置，包括：获取模块，用于获取第一车辆在目标道路上的历史运营数据；识别模块，用于基于所述历史运营数据，识别所述目标道路的当前场景；决策模块，用于基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策，得到所述第一车辆的自动驾驶行为。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行自动驾驶车辆的决策方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行自动驾驶车辆的决策方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现自动驾驶车辆的决策方法的步骤。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的自动驾驶车辆的决策方法的流程示意图；

图2是根据本公开第二实施例的自动驾驶车辆的决策方法的流程示意图；

图3是根据本公开第三实施例的自动驾驶车辆的决策方法的流程示意图；

图4是根据本公开第四实施例的自动驾驶车辆的决策方法的流程示意图；

图5是根据本公开第五实施例的自动驾驶车辆的决策方法的流程示意图；

图6是根据本公开第一实施例的自动驾驶车辆的决策装置的框图；

图7是用来实现本公开实施例的自动驾驶车辆的决策方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

AI(Artificial Intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

自动驾驶是传感器、计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等多门前沿学科的综合体。进入21世纪后，随着物理计算能力的大幅度提升、动态视觉技术的快速发展以及人工智能技术迅猛发展，路线导航、障碍躲避、突发决策等关键技术得到解决，自动驾驶技术取得了突破性进展。

图1是根据本公开第一实施例的自动驾驶车辆的决策方法的流程示意图。

如图1所示，本公开第一实施例的自动驾驶车辆的决策方法，包括：

S101，获取第一车辆在目标道路上的历史运营数据。

需要说明的是，本公开实施例的自动驾驶车辆的决策方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地，执行主体可包括工作站、服务器，计算机、用户终端及其他智能设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。

需要说明的是，第一车辆为自动驾驶车辆，对目标道路不做过多限定，比如，目标道路可包括高速公路、快速路、主干路、次干路、支路等。以第一车辆为公交车为例，目标道路可包括公交线路上的道路。

需要说明的是，对历史运营数据不做过多限定，比如，历史运营数据包括目标道路的标识、时间数据、目标道路的历史场景、第一车辆的位置、第一车辆的速度、第一车辆上的感知模组采集的数据等。

其中，目标道路的标识可包括目标道路的编号、名称等。

其中，时间数据可包括第一车辆驶入目标道路的历史时间、第一车辆离开目标道路的历史时间、第一车辆在目标道路上行驶的时间段、日期、工作日还是假期等。

其中，目标道路的历史场景可包括排队场景、停车场景、施工场景等。

排队场景可包括道路拥堵、交通信号灯指示车辆停止行驶、交通信号灯被遮挡等情况下，第一车辆的速度由非零变为零(即第一车辆从运动变为静止)、第一车辆缓慢行驶等场景。

停车场景可包括第二车辆临时停车、违章停车等场景，比如，第二车辆路边临时停车的场景。第二车辆与第一车辆非同一车辆。

其中，对感知模组不做过多限定，比如，可包括摄像头、激光雷达、传感器等。感知模组采集的数据可包括图像、视频、点云数据等。

在一种实施方式中，获取第一车辆在目标道路上的历史运营数据，包括获取第一车辆的历史运营数据库，基于目标道路的标识，从历史运营数据库中获取目标道路上的历史运营数据。可以理解的是，历史运营数据库中包括多条候选道路上的历史运营数据。

在一种实施方式中，在第一车辆行驶过程中，可采集第一车辆的运营数据，并将运营数据存储至设定存储空间，以便后续获取。

在一些例子中，可获取第一车辆在目标道路上行驶的历史时长，若历史时长大于设定阈值，表明第一车辆在目标道路上行驶时长较长，则可确定目标道路的历史场景为排队场景。

在一些例子中，在第一车辆行驶过程中，可通过第一车辆上的感知模组采集第一车辆的运营数据，和/或，基于第一车辆的感知模组采集的数据，得到第一车辆的运营数据。

比如，可对第一车辆的感知模组采集的图像进行障碍物识别，若障碍物为第二车辆，且第二车辆与第一车辆处于同一车道，可确定目标道路的历史场景为排队场景，或者，若障碍物为第二车辆，且第二车辆处于目标道路上的最右侧车道，可确定目标道路的历史场景为停车场景，或者，若障碍物为施工设备，可确定目标道路的历史场景为施工场景。

在一些例子中，在第一车辆行驶过程中，用户可对第一车辆的运营数据进行标注，得到第一车辆的运营数据。以第一车辆为公交车为例，用户可包括安全员、驾驶员等。

比如，用户可对目标道路上的历史场景进行标注，若目标道路拥堵导致第一车辆缓慢行驶，则用户可标注目标道路的历史场景为排队场景，若目标道路的路边存在临停车辆，则用户可标注目标道路的历史场景为停车场景，若目标道路存在施工路段，则用户可标注目标道路的历史场景为施工场景。

S102，基于历史运营数据，识别目标道路的当前场景。

在一种实施方式中，历史运营数据包括第一车辆在目标道路上行驶的历史时长，基于历史运营数据，识别目标道路的当前场景，包括获取第一车辆在目标道路上行驶的当前时长，若当前时长与历史时长之间的差值大于设定阈值，表明当前时长超出历史时长较多，可确定目标道路的当前场景为排队场景。

在一种实施方式中，历史运营数据包括目标道路的历史场景，基于历史运营数据，识别目标道路的当前场景，包括将历史场景确定为当前场景。比如，若目标道路的历史场景为施工场景，则可将施工场景确定为当前场景。

在一种实施方式中，历史运营数据包括目标道路的历史场景，基于历史运营数据，识别目标道路的当前场景，包括从多个历史场景中筛选出当前场景。

在一些例子中，从多个历史场景中筛选出当前场景，包括获取历史场景的频次，将频次最高的历史场景确定为当前场景。

在一些例子中，多个历史场景中筛选出当前场景，包括识别当前时刻处于的时间段，将时间段对应的历史场景确定为当前场景。由此，该方法中可综合考虑到当前时刻处于的时间段和历史场景，来确定当前场景。

可以理解的是，目标道路在不同时间段可对应不同的历史场景，比如，目标道路在8:00至9:00时间段对应的历史场景可为排队场景，目标道路在11:00至13:00时间段对应的历史场景可为停车场景。

若当前时刻为7:30，则可识别当前时刻处于的时间段为8:00至9:00，将排队场景确定为当前场景，或者，若当前时刻为11:30，则可识别当前时刻处于的时间段为11:00至13:00，将停车场景确定为当前场景。

S103，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。

在一种实施方式中，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为，包括基于当前场景，对第一车辆的自动驾驶路线进行规划，得到第一车辆的自动驾驶路线，基于自动驾驶路线，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。由此，该方法中可考虑到当前场景，来对自动驾驶路线进行规划，以对自动驾驶行为进行决策。

在一种实施方式中，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为，包括响应于当前场景为排队场景，可确定第一车辆的自动驾驶策略为继续在原有车道内行驶，基于上述自动驾驶策略，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。可以理解的是，本实施例中第一车辆的自动驾驶行为可包括直行、刹车、停车等。

在一种实施方式中，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为，包括响应于当前场景为停车场景，可确定第一车辆的自动驾驶策略为变道超车，基于上述自动驾驶策略，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。可以理解的是，本实施例中第一车辆的自动驾驶行为可包括变更车道、超车等。

在一种实施方式中，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为，包括响应于当前场景为施工场景，可确定第一车辆的自动驾驶策略为绕行施工区域，基于上述自动驾驶策略，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。可以理解的是，本实施例中第一车辆的自动驾驶行为可包括变更车道等。

综上，根据本公开实施例的自动驾驶车辆的决策方法，获取第一车辆在目标道路上的历史运营数据，基于历史运营数据，识别目标道路的当前场景，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。由此，可考虑到第一车辆在目标道路上的历史运营数据，来识别目标道路的当前场景，以进行自动驾驶行为决策，相较于相关技术中大多依赖实时感知数据进行自动驾驶行为决策，感知盲区导致自动驾驶行为决策的不准确性，本方案中不需要实时采集感知数据，提高了自动驾驶行为决策的准确性和效率。

图2是根据本公开第二实施例的自动驾驶车辆的决策方法的流程示意图。

如图2所示，本公开第二实施例的自动驾驶车辆的决策方法，包括：

S201，获取第一车辆在目标道路上的历史运营数据。

步骤S201的相关内容可参见上述实施例，这里不再赘述。

S202，获取第一车辆的障碍物数据。

需要说明的是，对障碍物不做过多限定，比如，障碍物可包括第二车辆、行人、施工设备等。其中，施工设备可包括锥形桶、水马、压路机等。

需要说明的是，对障碍物数据不做过多限定，比如，可包括障碍物的类别、位置、速度、尺寸等。

在一种实施方式中，获取第一车辆的障碍物数据，包括基于第一车辆上的感知模组采集的数据，得到障碍物数据。

在一些例子中，可对第一车辆的感知模组采集的图像进行障碍物识别，得到障碍物的类别、位置、尺寸等。

在一些例子中，可从第一车辆的速度传感器采集的数据中提取出障碍物的速度。

S203，基于历史运营数据和障碍物数据，识别当前场景。

在一种实施方式中，基于历史运营数据和障碍物数据，识别当前场景，可包括如下几种可能的实施方式：

方式1、获取第一车辆在目标道路上行驶的当前时长，响应于当前时长与历史时长之间的差值大于设定阈值，且障碍物为第二车辆，确定当前场景为排队场景。

方式2、响应于历史场景包括排队场景，且障碍物为第二车辆，且第二车辆与第一车辆处于同一车道，确定当前场景为排队场景。

方式3、响应于历史场景包括排队场景，且障碍物为第二车辆，且第二车辆的速度小于或者等于第一设定阈值，确定当前场景为排队场景。

方式4、响应于历史场景包括排队场景，且障碍物为第二车辆，且目标道路上的交通信号灯被遮挡，或者交通信号灯指示车辆停止行驶，确定当前场景为排队场景。

方式5、响应于历史场景包括排队场景，且障碍物为第二车辆，且相邻两个第二车辆之间的间隔处于第一设定区间，确定当前场景为排队场景。

需要说明的是，对第一设定区间不做过多限定，比如，可为0.3至3米。

方式6、响应于历史场景包括排队场景，且障碍物为第二车辆，获取第一车辆到目标道路连通的路口之间的距离，基于第二车辆的数量和距离，确定当前场景为排队场景。

在一些例子中，基于第二车辆的数量和距离，确定当前场景为排队场景，包括获取距离和第二车辆的数量的比值，响应于比值处于第二设定区间，确定当前场景为排队场景。

需要说明的是，对第二设定区间不做过多限定，比如，可为2至5米。

方式7、响应于历史场景包括停车场景，且障碍物为第二车辆，且第二车辆处于目标道路上的最右侧车道，确定当前场景为停车场景。

方式8、响应于历史场景包括停车场景，且障碍物为第二车辆，且第二车辆静止，确定当前场景为停车场景。

方式9、响应于历史场景包括停车场景，且障碍物为第二车辆，且第二车辆的周围区域存在行人，确定当前场景为停车场景。

方式10、响应于历史场景包括施工场景，且障碍物为施工设备，确定当前场景为施工场景。

方式11、响应于历史场景包括施工场景，且障碍物为施工设备，基于施工设备的尺寸和位置，获取第一车辆的原有车道的可通行空间，响应于可通行空间小于设定阈值，确定当前场景为施工场景。

S204，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。

步骤S204的相关内容可参见上述实施例，这里不再赘述。

综上，根据本公开实施例的自动驾驶车辆的决策方法，获取第一车辆的障碍物数据，基于历史运营数据和障碍物数据，识别当前场景。由此，可综合考虑到第一车辆的历史运营数据和障碍物数据，来识别目标道路的当前场景，以进行自动驾驶行为决策，提高了自动驾驶行为决策的准确性和效率。

图3是根据本公开第三实施例的自动驾驶车辆的决策方法的流程示意图。

如图3所示，本公开第三实施例的自动驾驶车辆的决策方法，包括：

S301，获取第一车辆在目标道路上的历史运营数据。

S302，获取第一车辆的障碍物数据。

步骤S301-S302的相关内容可参见上述实施例，这里不再赘述。

S303，基于障碍物数据，确定目标道路的候选场景。

需要说明的是，候选场景的数量可为至少一个。

在一种实施方式中，基于障碍物数据，确定目标道路的候选场景，包括如下几种可能的实施方式：

方式1、响应于障碍物为第二车辆，确定候选场景包括停车场景、排队场景。

方式2、响应于障碍物为第二车辆，且第二车辆的速度小于或者等于第二设定阈值，确定候选场景包括停车场景、排队场景。

需要说明的是，对第二设定阈值不做过多限定，比如，可包括5km/h。

方式3、响应于障碍物为施工设备，确定候选场景包括施工场景。

方式4、响应于障碍物为施工设备，基于施工设备的尺寸和位置，获取第一车辆的原有车道的可通行空间，响应于可通行空间小于设定阈值，确定候选场景包括施工场景。

S304，响应于历史场景包括候选场景，确定当前场景为候选场景。

比如，可基于障碍物数据，确定目标道路的候选场景包括停车场景、排队场景，若目标道路的历史场景包括停车场景，则可确定当前场景为停车场景，或者，若目标道路的历史场景包括排队场景，则可确定当前场景为排队场景。

比如，可基于障碍物数据，确定目标道路的候选场景包括施工场景，若目标道路的历史场景包括施工场景，则可确定当前场景为施工场景。

在一种实施方式中，响应于历史场景包括候选场景，确定当前场景为候选场景，包括识别当前时刻处于的时间段，响应于时间段对应的历史场景包括候选场景，确定当前场景为候选场景。由此，该方法中可在当前时刻处于的时间段对应的历史场景包括候选场景时，确定当前场景为候选场景。

比如，目标道路在8:00至9:00时间段对应的历史场景包括排队场景，目标道路在11:00至13:00时间段对应的历史场景包括停车场景。候选场景包括排队场景、停车场景。

若当前时刻为7:30，则可识别当前时刻处于的时间段为8:00至9:00，8:00至9:00时间段对应的历史场景包括排队场景，则可确定当前场景为排队场景。

若当前时刻为11:30，则可识别当前时刻处于的时间段为11:00至13:00，11:00至13:00时间段对应的历史场景包括停车场景，则可确定当前场景为停车场景。

在一种实施方式中，在障碍物为第二车辆，且候选场景为停车场景的情况下，确定当前场景为候选场景之前，还包括识别第二车辆静止，和/或，识别第二车辆处于目标道路上的最右侧车道，和/或，识别第二车辆的周围区域存在行人。由此，该方法中可在第二车辆静止，和/或，第二车辆处于目标道路上的最右侧车道，和/或，第二车辆的周围区域存在行人，且历史场景包括停车场景时，确定当前场景为停车场景。

在一种实施方式中，在障碍物为第二车辆，且候选场景为排队场景的情况下，确定当前场景为候选场景之前，还包括识别第二车辆的速度小于或者等于第二设定阈值，和/或，识别第二车辆与第一车辆处于同一车道，和/或，识别目标道路上的交通信号灯被遮挡，或者交通信号灯指示车辆停止行驶。由此，该方法中可在第二车辆的速度较慢，和/或，第二车辆与第一车辆处于同一车道，和/或，交通信号灯被遮挡，或者交通信号灯指示车辆停止行驶，且历史场景包括排队场景时，确定当前场景为排队场景。

S305，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。

步骤S305的相关内容可参见上述实施例，这里不再赘述。

综上，根据本公开实施例的自动驾驶车辆的决策方法，可基于障碍物数据，确定目标道路的候选场景，在历史场景包括候选场景时，确定当前场景为候选场景。

图4是根据本公开第四实施例的自动驾驶车辆的决策方法的流程示意图。

如图4所示，本公开第四实施例的自动驾驶车辆的决策方法，包括：

S401，获取第一车辆在目标道路上的历史运营数据。

S402，获取第一车辆的障碍物数据。

S403，基于障碍物数据，确定目标道路的候选场景。

步骤S401-S403的相关内容可参见上述实施例，这里不再赘述。

S404，响应于历史场景包括候选场景，基于候选场景对应的历史运营数据的数量，得到当前场景为候选场景的概率。

S405，识别概率大于或者等于第一设定阈值，确定当前场景为候选场景。

在一种实施方式中，候选场景对应的历史运营数据的数量，与当前场景为候选场景的概率正相关。

在一种实施方式中，基于候选场景对应的历史运营数据的数量，得到当前场景为候选场景的概率，包括获取历史场景对应的历史运营数据的总数量，基于候选场景对应的历史运营数据的数量和总数量，得到当前场景为候选场景的概率。

在一些例子中，基于候选场景对应的历史运营数据的数量和总数量，得到当前场景为候选场景的概率，包括将候选场景对应的历史运营数据的数量和总数量的比值，确定为当前场景为候选场景的概率。

比如，若候选场景包括排队场景、停车场景，若目标道路的历史场景为排队场景对应的历史运营数据的数量为20个，目标道路的历史场景为停车场景对应的历史运营数据的数量为5个，目标道路的历史场景对应的历史运营数据的总数量为30个。

可获取排队场景对应的历史运营数据的数量和总数量的比值为66.7％，并将66.7％确定为当前场景为排队场景的概率，可获取停车场景对应的历史运营数据的数量和总数量的比值为16.7％，并将16.7％确定为当前场景为停车场景的概率。

若第一设定阈值为60％，则可识别当前场景为排队场景的概率大于第一设定阈值，确定当前场景为排队场景。

S406，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。

步骤S406的相关内容可参见上述实施例，这里不再赘述。

综上，根据本公开实施例的自动驾驶车辆的决策方法，可考虑到候选场景对应的历史运营数据的数量，来得到当前场景为候选场景的概率，在概率较大时，确定当前场景为候选场景。

图5是根据本公开第五实施例的自动驾驶车辆的决策方法的流程示意图。

如图5所示，本公开第五实施例的自动驾驶车辆的决策方法，包括：

S501，获取第一车辆在目标道路上的历史运营数据。

S502，基于历史运营数据，识别目标道路的当前场景。

S503，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。

步骤S501-S503的相关内容可参见上述实施例，这里不再赘述。

S504，控制第一车辆执行自动驾驶行为。

S505，在控制第一车辆执行自动驾驶行为的过程中，识别满足设定切换条件，将当前场景从第一场景切换到第二场景。

本公开的实施例中，将当前场景从第一场景切换到第二场景之后，可返回执行步骤S503及其后续步骤。

需要说明的是，对设定切换条件不做过多限定。

在一种实施方式中，识别满足设定切换条件，将当前场景从第一场景切换到第二场景，包括在第一场景为停车场景的情况下，响应于第一车辆的原始车道内的第三车辆的速度从非零变为零(即第三车辆从运动变为静止)，和/或，第三车辆的速度大于或者等于第二设定阈值，表明第三车辆为排队车辆，识别满足第一切换条件，并将当前场景从停车场景切换到排队场景。由此，该方法中可基于原始车道内的第三车辆的速度，识别第三车辆为排队车辆，进而识别满足第一切换条件，实现从停车场景切换到排队场景。

需要说明的是，对第二设定阈值不做过多限定，比如，可为3km/h。

比如，若第一场景为停车场景，自动驾驶行为包括变更车道、超车等，在控制第一车辆执行变更车道、超车的过程中，响应于第一车辆的原始车道内的第三车辆的速度从5km/h变为零，和/或，第三车辆的速度大于或者等于3km/h，识别满足第一切换条件，并将当前场景从停车场景切换到排队场景。

可基于排队场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为包括停止变更车道行为、停止超车行为、返回原有车道、直行、刹车、停止等，并控制第一车辆执行上述自动驾驶行为。

在一种实施方式中，识别满足设定切换条件，将当前场景从第一场景切换到第二场景，包括在第一场景为排队场景的情况下，响应于第一车辆的等待时长大于或者等于第三设定阈值，表明第一车辆等待时长较长，识别满足第二切换条件，并将当前场景从排队场景切换到停车场景。由此，该方法中可在第一车辆的等待时长较长时，识别满足第二切换条件，实现从排队场景切换到停车场景。

需要说明的是，第一车辆的等待时长，可包括第一车辆的速度小于或者等于第二设定阈值的时长，或者，第一车辆静止的时长。

需要说明的是，对第三设定阈值不做过多限定，比如，可包括交通信号灯的开启时长，比如，可为2分钟。

比如，若第一场景为排队场景，自动驾驶行为包括直行、刹车、停止等，在控制第一车辆执行直行、刹车、停止的过程中，若第三设定阈值为2分钟，响应于第一车辆的等待时长达到2分钟，识别满足第二切换条件，并将当前场景从排队场景切换到停车场景。

可基于停车场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为包括变更车道、超车等，并控制第一车辆执行上述自动驾驶行为。

综上，根据本公开实施例的自动驾驶车辆的决策方法，得到第一车辆的自动驾驶行为之后，可控制第一车辆执行自动驾驶行为，在控制第一车辆执行自动驾驶行为的过程中，识别满足设定切换条件，将当前场景从第一场景切换到第二场景，并返回执行基于当前场景，对第一车辆的自动驾驶行为进行决策及其后续步骤。由此，可在满足设定切换条件时，对当前场景进行切换，以及时更新当前场景，尤其适用于当前场景出现误判的情况，提高了当前场景的准确性，进而提高了自动驾驶行为决策的准确性。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种自动驾驶车辆的决策装置，用于实现上述的自动驾驶车辆的决策方法。

图6是根据本公开第一实施例的自动驾驶车辆的决策装置的框图。

如图6所示，本公开实施例的自动驾驶车辆的决策装置600，包括：获取模块601、识别模块602和决策模块603。

获取模块601用于获取第一车辆在目标道路上的历史运营数据；

识别模块602用于基于所述历史运营数据，识别所述目标道路的当前场景；

决策模块603用于基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策，得到所述第一车辆的自动驾驶行为。

在本公开的一个实施例中，所述识别模块602还用于：获取所述第一车辆的障碍物数据；基于所述历史运营数据和所述障碍物数据，识别所述当前场景。

在本公开的一个实施例中，所述历史运营数据包括所述目标道路的历史场景，所述识别模块602还用于：基于所述障碍物数据，确定所述目标道路的候选场景；响应于所述历史场景包括所述候选场景，确定所述当前场景为所述候选场景。

在本公开的一个实施例中，所述识别模块602还用于：响应于所述障碍物为第二车辆，确定所述候选场景包括停车场景、排队场景；或者，响应于所述障碍物为施工设备，确定所述候选场景包括施工场景。

在本公开的一个实施例中，所述识别模块602还用于：识别当前时刻处于的时间段；响应于所述时间段对应的历史场景包括所述候选场景，确定所述当前场景为所述候选场景。

在本公开的一个实施例中，所述识别模块602还用于：响应于所述历史场景包括所述候选场景，基于所述候选场景对应的历史运营数据的数量，得到所述当前场景为所述候选场景的概率；识别所述概率大于或者等于第一设定阈值，确定所述当前场景为所述候选场景。

在本公开的一个实施例中，在所述障碍物为所述第二车辆，且所述候选场景为停车场景的情况下，所述确定所述当前场景为所述候选场景之前，所述识别模块602还用于：识别所述第二车辆静止；和/或，识别所述第二车辆处于所述目标道路上的最右侧车道；和/或，识别所述第二车辆的周围区域存在行人。

在本公开的一个实施例中，在所述障碍物为所述第二车辆，且所述候选场景为排队场景的情况下，所述确定所述当前场景为所述候选场景之前，所述识别模块602还用于：识别所述第二车辆的速度小于或者等于第二设定阈值；和/或，识别所述第二车辆与所述第一车辆处于同一车道；和/或，识别所述目标道路上的交通信号灯被遮挡，或者所述交通信号灯指示所述车辆停止行驶。

在本公开的一个实施例中，还包括：切换模块，所述切换模块，用于：控制所述第一车辆执行所述自动驾驶行为；在控制所述第一车辆执行所述自动驾驶行为的过程中，识别满足设定切换条件，将所述当前场景从第一场景切换到第二场景，并返回执行所述基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策及其后续步骤。

在本公开的一个实施例中，所述切换模块，还用于：在所述第一场景为停车场景的情况下，响应于所述第一车辆的原始车道内的第三车辆的速度从非零变为零，和/或，所述第三车辆的速度大于或者等于第二设定阈值，识别满足第一切换条件，并将所述当前场景从停车场景切换到排队场景。

在本公开的一个实施例中，所述切换模块，还用于：在所述第一场景为排队场景的情况下，响应于所述第一车辆的等待时长大于或者等于第三设定阈值，识别满足第二切换条件，并将所述当前场景从排队场景切换到停车场景。

综上，本公开实施例的自动驾驶车辆的决策装置，获取第一车辆在目标道路上的历史运营数据，基于历史运营数据，识别目标道路的当前场景，基于当前场景，对第一车辆的自动驾驶行为进行决策，得到第一车辆的自动驾驶行为。由此，可考虑到第一车辆在目标道路上的历史运营数据，来识别目标道路的当前场景，以进行自动驾驶行为决策，相较于相关技术中大多依赖实时感知数据进行自动驾驶行为决策，感知盲区导致自动驾驶行为决策的不准确性，本方案中不需要实时采集感知数据，提高了自动驾驶行为决策的准确性和效率。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。

如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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。

计算单元701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。计算单元701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计算单元、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。计算单元701执行上文所描述的各个方法和处理，例如图1至图5所述的自动驾驶车辆的决策方法。例如，在一些实施例中，自动驾驶车辆的决策方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的自动驾驶车辆的决策方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶车辆的决策方法。

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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。

在本公开的上下文中，机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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，可以在计算机上实施此处描述的系统和技术，该计算机具有：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计算机。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)和互联网。

计算机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("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开上述实施例所述的自动驾驶车辆的决策方法的步骤。

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，本发公开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，只要能够实现本公开公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (25)

1.一种自动驾驶车辆的决策方法，包括：

获取第一车辆在目标道路上的历史运营数据；

基于所述历史运营数据，识别所述目标道路的当前场景；

基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策，得到所述第一车辆的自动驾驶行为。

2.根据权利要求1所述的方法，其中，所述基于所述历史运营数据，识别所述目标道路的当前场景，包括：

获取所述第一车辆的障碍物数据；

基于所述历史运营数据和所述障碍物数据，识别所述当前场景。

3.根据权利要求2所述的方法，其中，所述历史运营数据包括所述目标道路的历史场景；

其中，所述基于所述历史运营数据和所述障碍物数据，识别所述当前场景，包括：

基于所述障碍物数据，确定所述目标道路的候选场景；

响应于所述历史场景包括所述候选场景，确定所述当前场景为所述候选场景。

4.根据权利要求3所述的方法，其中，所述基于所述障碍物数据，确定所述目标道路的候选场景，包括：

响应于所述障碍物为第二车辆，确定所述候选场景包括停车场景、排队场景；或者，

响应于所述障碍物为施工设备，确定所述候选场景包括施工场景。

5.根据权利要求3所述的方法，其中，所述响应于所述历史场景包括所述候选场景，确定所述当前场景为所述候选场景，包括：

识别当前时刻处于的时间段；

响应于所述时间段对应的历史场景包括所述候选场景，确定所述当前场景为所述候选场景。

6.根据权利要求3所述的方法，其中，所述响应于所述历史场景包括所述候选场景，确定所述当前场景为所述候选场景，包括：

响应于所述历史场景包括所述候选场景，基于所述候选场景对应的历史运营数据的数量，得到所述当前场景为所述候选场景的概率；

识别所述概率大于或者等于第一设定阈值，确定所述当前场景为所述候选场景。

7.根据权利要求4所述的方法，其中，在所述障碍物为所述第二车辆，且所述候选场景为停车场景的情况下，所述确定所述当前场景为所述候选场景之前，还包括：

识别所述第二车辆静止；和/或，

识别所述第二车辆处于所述目标道路上的最右侧车道；和/或，

识别所述第二车辆的周围区域存在行人。

8.根据权利要求4所述的方法，其中，在所述障碍物为所述第二车辆，且所述候选场景为排队场景的情况下，所述确定所述当前场景为所述候选场景之前，还包括：

识别所述第二车辆的速度小于或者等于第二设定阈值；和/或，

识别所述第二车辆与所述第一车辆处于同一车道；和/或，

识别所述目标道路上的交通信号灯被遮挡，或者所述交通信号灯指示所述车辆停止行驶。

9.根据权利要求1-8中任一项所述的方法，其中，所述得到所述第一车辆的自动驾驶行为之后，还包括：

控制所述第一车辆执行所述自动驾驶行为；

在控制所述第一车辆执行所述自动驾驶行为的过程中，识别满足设定切换条件，将所述当前场景从第一场景切换到第二场景，并返回执行所述基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策及其后续步骤。

10.根据权利要求9所述的方法，其中，所述识别满足设定切换条件，将所述当前场景从第一场景切换到第二场景，包括：

在所述第一场景为停车场景的情况下，响应于所述第一车辆的原始车道内的第三车辆的速度从非零变为零，和/或，所述第三车辆的速度大于或者等于第二设定阈值，识别满足第一切换条件，并将所述当前场景从停车场景切换到排队场景。

11.根据权利要求9所述的方法，其中，所述识别满足设定切换条件，将所述当前场景从第一场景切换到第二场景，包括：

在所述第一场景为排队场景的情况下，响应于所述第一车辆的等待时长大于或者等于第三设定阈值，识别满足第二切换条件，并将所述当前场景从排队场景切换到停车场景。

12.一种自动驾驶车辆的决策装置，包括：

获取模块，用于获取第一车辆在目标道路上的历史运营数据；

识别模块，用于基于所述历史运营数据，识别所述目标道路的当前场景；

决策模块，用于基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策，得到所述第一车辆的自动驾驶行为。

13.根据权利要求12所述的装置，其中，所述识别模块，还用于：

获取所述第一车辆的障碍物数据；

基于所述历史运营数据和所述障碍物数据，识别所述当前场景。

14.根据权利要求13所述的装置，其中，所述历史运营数据包括所述目标道路的历史场景，所述识别模块，还用于：

基于所述障碍物数据，确定所述目标道路的候选场景；

响应于所述历史场景包括所述候选场景，确定所述当前场景为所述候选场景。

15.根据权利要求14所述的装置，其中，所述识别模块，还用于：

响应于所述障碍物为第二车辆，确定所述候选场景包括停车场景、排队场景；或者，

响应于所述障碍物为施工设备，确定所述候选场景包括施工场景。

16.根据权利要求14所述的装置，其中，所述识别模块，还用于：

识别当前时刻处于的时间段；

响应于所述时间段对应的历史场景包括所述候选场景，确定所述当前场景为所述候选场景。

17.根据权利要求14所述的装置，其中，所述识别模块，还用于：

响应于所述历史场景包括所述候选场景，基于所述候选场景对应的历史运营数据的数量，得到所述当前场景为所述候选场景的概率；

识别所述概率大于或者等于第一设定阈值，确定所述当前场景为所述候选场景。

18.根据权利要求15所述的装置，其中，在所述障碍物为所述第二车辆，且所述候选场景为停车场景的情况下，所述确定所述当前场景为所述候选场景之前，所述识别模块，还用于：

识别所述第二车辆静止；和/或，

识别所述第二车辆处于所述目标道路上的最右侧车道；和/或，

识别所述第二车辆的周围区域存在行人。

19.根据权利要求15所述的装置，其中，在所述障碍物为所述第二车辆，且所述候选场景为排队场景的情况下，所述确定所述当前场景为所述候选场景之前，所述识别模块，还用于：

识别所述第二车辆的速度小于或者等于第二设定阈值；和/或，

识别所述第二车辆与所述第一车辆处于同一车道；和/或，

识别所述目标道路上的交通信号灯被遮挡，或者所述交通信号灯指示所述车辆停止行驶。

20.根据权利要求12-19中任一项所述的装置，其中，还包括：切换模块，所述切换模块，用于：

控制所述第一车辆执行所述自动驾驶行为；

在控制所述第一车辆执行所述自动驾驶行为的过程中，识别满足设定切换条件，将所述当前场景从第一场景切换到第二场景，并返回执行所述基于所述当前场景，对所述第一车辆的自动驾驶行为进行决策及其后续步骤。

21.根据权利要求20所述的装置，其中，所述切换模块，还用于：

在所述第一场景为停车场景的情况下，响应于所述第一车辆的原始车道内的第三车辆的速度从非零变为零，和/或，所述第三车辆的速度大于或者等于第二设定阈值，识别满足第一切换条件，并将所述当前场景从停车场景切换到排队场景。

22.根据权利要求20所述的装置，其中，所述切换模块，还用于：

在所述第一场景为排队场景的情况下，响应于所述第一车辆的等待时长大于或者等于第三设定阈值，识别满足第二切换条件，并将所述当前场景从排队场景切换到停车场景。

23.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-11中任一项所述的自动驾驶车辆的决策方法。

24.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如权利要求1-11中任一项所述的自动驾驶车辆的决策方法。

25.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如权利要求1-11中任一项所述的自动驾驶车辆的决策方法的步骤。

Images