CN116070903A - 通过障碍物区域的风险确定方法、装置以及电子设备 - Google Patents
通过障碍物区域的风险确定方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN116070903A CN116070903A CN202211632778.5A CN202211632778A CN116070903A CN 116070903 A CN116070903 A CN 116070903A CN 202211632778 A CN202211632778 A CN 202211632778A CN 116070903 A CN116070903 A CN 116070903A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- rectangular
- vector
- state vector
- sector
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 291
- 238000004891 communication Methods 0.000 claims description 18
- 230000004888 barrier function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种通过障碍物区域的风险确定方法、装置以及电子设备,其中,该方法包括:获取目标车辆的特征数据;根据特征数据,确定目标车辆的障碍物描述区域;获取障碍物描述区域的区域线段;根据区域线段与障碍物集合的交点,得到障碍物描述区域的状态向量,其中,状态向量用于描述障碍物集合的状态;根据状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,偏置向量用于调整状态向量,权重向量用于确定障碍物集合中不同障碍物对目标车辆的影响。通过本申请,解决了相关技术中存在无法准确地描述数量及形状不固定的外部障碍物和车道边界的状态以及无法确定通过障碍物区域的风险的问题。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种通过障碍物区域的风险确定方法、装置以及电子设备。
背景技术
在自动驾驶技术中,自动驾驶车辆基于自动驾驶仿真环境,根据输入的外部障碍物和地图边界状态以及奖励函数,利用深度强化学习进行试错训练,充分发挥车辆的通行优势。根据已有的障碍物感知识别技术,将识别后的障碍物数据结果输入给强化学习神经网络,可以大大提高神经网络训练的收敛效率。然而,在强化学习神经网络的输入中,需要外部数据维度的统一,又需要反应外部障碍物数量、形状等不固定的状态。因此,完善车道地图边界约束条件下的障碍物表示方法,对深度强化学习避障训练具有重要意义。
现有的障碍物描述方法一般为栅格地图法,即将地图栅格化,当地图栅格中有对应的障碍物时,当前栅格单元的状态为占用状态,反之当前栅格为未占用状态。栅格尺寸越大,描述外部状态的精度越高,但所需要的计算资源也较多;反之,栅格尺寸越小,精度越低,只可以大致描述外部状态。栅格地图法虽然能在一定范围内统一地描述障碍物状态,但其精度范围均为提前预设,无法根据实际情况进行自适应调整。此外,栅格地图法需要提前了解地图和障碍物状态,实际情况下,车辆获得的障碍物信息是由传感器获得的,会出现由于遮挡无法完全描述障碍物的情况,因此无法及时更新栅格地图。另外一种方法是固定数量法,提前预设一些较大数目的障碍物数量,只要实际障碍物的数量在最大范围内,均可描述其状态,然而,该方法只能表示一定数量范围内的障碍物状态,无法很好的动态描述不断变化的外部环境。另外,上述两种方法均无法很好地根据自身车速描述外部障碍物数量及形状信息,也无法反映车辆通过障碍物区域的风险情况。
因此,现有技术存在无法准确地描述数量及形状不固定的外部障碍物和车道边界的状态以及无法确定通过障碍物区域的风险的问题。
发明内容
本申请提供了一种通过障碍物区域的风险确定方法、装置以及电子设备,以至少解决相关技术中存在无法准确地描述数量及形状不固定的外部障碍物和车道边界的状态以及无法确定通过障碍物区域的风险的问题。
根据本申请实施例的一个方面,提供了一种通过障碍物区域的风险确定方法,该方法包括:
获取目标车辆的特征数据;
根据所述特征数据,确定所述目标车辆的障碍物描述区域;
获取所述障碍物描述区域的区域线段;
根据所述区域线段与障碍物集合的交点,得到所述障碍物描述区域的状态向量,其中,所述状态向量用于描述所述障碍物集合的状态;
根据所述状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,所述偏置向量用于调整所述状态向量,所述权重向量用于确定所述障碍物集合中不同障碍物对所述目标车辆的影响。
根据本申请实施例的另一个方面,还提供了一种通过障碍物区域的风险确定装置,该装置包括:
第一获取模块,用于获取目标车辆的特征数据;
确定模块,用于根据所述特征数据,确定所述目标车辆的障碍物描述区域;
第二获取模块,用于获取所述障碍物描述区域的区域线段;
第一得到模块,用于根据所述区域线段与障碍物集合的交点,得到所述障碍物描述区域的状态向量,其中,所述状态向量用于描述所述障碍物集合的状态;
第二得到模块,用于根据所述状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,所述偏置向量用于调整所述状态向量,所述权重向量用于确定所述障碍物集合中不同障碍物对所述目标车辆的影响。
可选地,第一获取模块包括:
第一获取单元,用于获取所述目标车辆的前轮最大侧偏角、车辆边框宽度以及车速;
作为单元,用于将所述前轮最大侧偏角、所述车辆边框宽度以及所述车速作为所述特征数据。
可选地,所述障碍物描述区域包括扇形障碍物描述区域和矩形障碍物描述区域,确定模块包括:
第一得到单元,用于根据所述车速得到扇形半径和矩形长度;
第二得到单元,用于将所述目标车辆的车身中心作为圆心,并根据所述前轮最大侧偏角和所述扇形半径,得到扇形障碍物描述区域;
第三得到单元,用于根据所述矩形长度和所述车辆边框宽度,得到矩形障碍物描述区域。
可选地,所述区域线段包括扇形区域线段和矩形区域线段,第二获取模块包括:
第二获取单元,用于获取扇形分割个数和矩形分割个数;
第一确定单元,用于根据所述扇形分割个数和所述矩形分割个数,确定扇形角度间隔和矩形距离间隔;
第二确定单元,用于根据所述扇形角度间隔,确定所述扇形障碍物描述区域的第一预设数量个扇形区域线段;
第三确定单元,用于根据所述矩形距离间隔,确定所述矩形障碍物描述区域的第二预设数量个矩形区域线段。
可选地,所述状态向量包括扇形状态向量和矩形状态向量,第一得到模块包括:
第一计算单元,用于在所述扇形区域线段与所述障碍物集合相交的情况下,计算所述扇形区域线段与所述障碍物集合的交点到所述圆心的第一距离;
第四得到单元,用于根据所述第一距离得到所述扇形障碍物描述区域的初始扇形状态向量;
第二计算单元,用于在所述矩形区域线段与所述障碍物集合相交的情况下,计算所述矩形区域线段与所述障碍物集合的交点到所述目标车辆的前向基准线的第二距离;
第五得到单元,用于根据所述第二距离得到所述矩形障碍物描述区域的初始矩形状态向量;
第六得到单元,用于根据预设方法归一化所述初始扇形状态向量,得到扇形状态向量、根据所述预设方法归一化所述初始矩形状态向量,得到矩形状态向量。
可选地,所述风险数值包括扇形风险数值和矩形风险数值,所述偏置向量包括扇形偏置向量和矩形偏置向量,所述权重向量包括扇形权重向量和矩形权重向量,第二得到模块包括:
第七得到单元,用于利用所述扇形状态向量减去扇形偏置向量,得到调整后的扇形状态向量;
第八得到单元,用于根据所述调整后的扇形状态向量、扇形权重向量以及第一预设公式,得到所述扇形障碍物描述区域对应的扇形风险数值;
第九得到单元,用于利用所述矩形状态向量减去所述矩形偏置向量,得到调整后的矩形状态向量;
第十得到单元,用于根据所述调整后的矩形状态向量、所述矩形权重向量以及第二预设公式,得到所述矩形障碍物描述区域对应的矩形风险数值。
可选地,第六得到单元包括:
第一得到子模块,用于将所述初始扇形状态向量中所述第一距离除以所述扇形半径,得到所述扇形状态向量;
第二得到子模块,用于将所述初始矩形状态向量中所述第二距离除以所述矩形长度,得到所述矩形状态向量。
根据本申请实施例的又一个方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;其中,存储器,用于存储计算机程序;处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
根据本申请实施例的又一个方面,还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
在本申请实施例中,通过获取目标车辆的特征数据;根据特征数据,确定目标车辆的障碍物描述区域;获取障碍物描述区域的区域线段;根据区域线段与障碍物集合的交点,得到障碍物描述区域的状态向量,其中,状态向量用于描述障碍物集合的状态;根据状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,偏置向量用于调整状态向量,权重向量用于确定障碍物集合中不同障碍物对目标车辆的影响。通过上述方法,一方面,根据目标车辆的特征数据确定障碍物描述区域,再根据区域线段与障碍物的交点得到状态向量,通过状态向量准确地描述外部障碍物和车道边界的状态。另一方面,通过划分不同的障碍物描述区域,根据不同区域的权重向量和偏置向量,并结合状态向量,计算出目标车辆通过障碍物区域的风险,动态描述数量、形状等不固定的外部障碍物。解决了相关技术中存在无法准确地描述数量及形状不固定的外部障碍物和车道边界的状态以及无法确定通过障碍物区域的风险的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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是根据本申请实施例的一种可选的通过障碍物区域的风险确定方法的流程示意图;
图2是根据本申请实施例的一种可选的障碍物描述区域的示意图;
图3是根据本申请实施例的一种可选的通过障碍物区域的风险确定装置的结构框图;
图4是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请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。
传统避障方法在考虑障碍物时,为了更加安全地规划出避障轨迹,通常会设定一个障碍物的膨胀区域,然后生成避障轨迹。通过强化学习方法可以提高自动驾驶车辆的通行效率,真正发挥车辆的避障潜能。然而,因为存在可通行区域较窄,障碍物形状及数量不固定、避障相应要求高、强化学习方法要求描述外部障碍物的状态量维度需固定等问题,很难对车辆外部环境进行精准地描述,也很难确定车辆通过障碍物区域的风险。
基于上述内容,根据本申请实施例的一个方面,提供了一种通过障碍物区域的风险确定方法,如图1所示,该方法的流程可以包括以下步骤:
步骤S101,获取目标车辆的特征数据。
可选地,获取目标车辆的特征数据,特征数据可以表示当前目标车辆的结构状况、性能状况,也可以反应目标车辆的行驶状态。
步骤S102,根据特征数据,确定目标车辆的障碍物描述区域。
可选地,障碍物描述区域用于描述目标车辆前方或附近的障碍物和道路边界,障碍物描述区域的形状可以根据需求设定,例如:矩形、圆形、扇形等。根据目标车辆的特征数据,确定障碍物描述区域的形状、位置以及尺寸大小。
步骤S103,获取障碍物描述区域的区域线段。
可选地,利用区域线段划分障碍物描述区域,其中,区域线段能够用于描述障碍物。根据障碍物描述区域被划分的数量,确定区域线段的数量和分布情况,根据障碍物描述区域的尺寸大小,确定区域线段的长度。
步骤S104,根据区域线段与障碍物集合的交点,得到障碍物描述区域的状态向量,其中,状态向量用于描述障碍物集合的状态。
可选地,将多个障碍物和车道边界合成一个障碍物集合。区域线段遇到障碍物及车道边界线并和它们相交时,将不同间隔的区域线段和障碍物相交的数据存成列表作为状态向量,用来表征障碍物描述区域区域内的障碍物集合状态。根据状态向量可以确定每个区域线段的序号、区域线段是否和障碍物集合相交、交点在障碍物描述区域中的位置等。
为了能够体现不同车速下的障碍物状态,更加准确地计算相关状态下的奖励函数,可以选择将状态向量进行归一化。
步骤S105,根据状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,偏置向量用于调整状态向量,权重向量用于确定障碍物集合中不同障碍物对目标车辆的影响。
可选地,根据区域线段和障碍物及边界的交点距离中轴线的位置,设置权重向量,通过权重向量反映不同位置的障碍物及边界对目标车辆影响的重要程度。为了使强化学习神经网络更容易收敛,根据障碍物描述区域的对称性,引入偏置向量,使状态向量中的数值在目标数值附近均匀分布。
将状态向量和偏置向量相加后,再与权重向量相乘,得到目标车辆以当前姿态通过障碍物区域的代价,即风险数值。
在本申请实施例中,通过获取目标车辆的特征数据;根据特征数据,确定目标车辆的障碍物描述区域;获取障碍物描述区域的区域线段;根据区域线段与障碍物集合的交点,得到障碍物描述区域的状态向量,其中,状态向量用于描述障碍物集合的状态;根据状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,偏置向量用于调整状态向量,权重向量用于确定障碍物集合中不同障碍物对目标车辆的影响。通过上述方法,一方面,根据目标车辆的特征数据确定障碍物描述区域,再根据区域线段与障碍物的交点得到状态向量,通过状态向量准确地描述外部障碍物和车道边界的状态。另一方面,通过划分不同的障碍物描述区域,根据不同区域的权重向量和偏置向量,并结合状态向量,计算出目标车辆按当前姿态通过障碍物区域的风险,动态描述数量、形状等不固定的外部障碍物。解决了相关技术中存在无法准确地描述数量及形状不固定的外部障碍物和车道边界的状态以及无法确定通过障碍物区域的风险的问题。
作为一种可选实施例,获取目标车辆的特征数据,包括:
获取目标车辆的前轮最大侧偏角、车辆边框宽度以及车速;
将前轮最大侧偏角、车辆边框宽度以及车速作为特征数据。
可选地,获取目标车辆的特征数据,例如:前轮最大侧偏角、车辆的边框宽度、车辆的车速等。根据特征数据中的前轮最大侧偏角确定扇形区域的开角。根据特征数据中的车辆边框宽度确定矩形区域的长度。根据特征数据中的车速确定扇形区域的半径和矩形区域的长度即向前延伸的长度。
在本申请实施例中,采集目标车辆的特征数据,为后续生成障碍物描述区域提供基础。
作为一种可选实施例,障碍物描述区域包括:扇形障碍物描述区域和矩形障碍物描述区域,根据特征数据,确定障碍物描述区域,包括:
根据车速得到扇形半径和矩形长度;
将目标车辆的车身中心作为圆心,并根据前轮最大侧偏角和扇形半径,得到扇形障碍物描述区域;
根据矩形长度和车辆边框宽度,得到矩形障碍物描述区域。
可选地,本申请设置了两个障碍物描述区,分别为扇形障碍物描述区域(下文称作扇形区域)和矩形障碍物描述区域(下文称作矩形区域),其中,矩形区域为从车辆前侧基准面向车辆移动方向延伸的矩形。根据特征数据中的前轮最大侧偏角确定扇形区域的开角。根据特征数据中的车辆边框宽度确定矩形区域的长度。根据特征数据中的车速确定扇形区域的半径和矩形区域的长度即向前延伸的长度。
扇形区域的半径、矩形区域的长度分别和车速成正比,车速越大,障碍物表征区域的范围越大,如公式(1)所示:
r=k3×vego
l=k4×vego (1)
其中,k3和k4为预设参数,vego为车速,r表示扇形的半径,l表示矩形的长度。
将目标车辆的车身中心作为圆心,根据特征数据中的前轮最大侧偏角确定扇形区域的开角,根据特征数据中的车辆边框宽度确定矩形区域的长度,根据特征数据中的车速确定扇形区域的半径和矩形区域的长度即向前延伸的长度,进而确定扇形区域和矩形区域。
在本申请实施例中,描述障碍物和边界的障碍物描述区域根据目标车辆的特征数据生成,并且障碍物描述区域可以根据射速实时调整,能够实时反应当前车速下的外部状态。
作为一种可选实施例,区域线段包括:扇形区域线段和矩形区域线段,获取障碍物描述区域的区域线段,包括:
获取扇形分割个数和矩形分割个数;
根据扇形分割个数和矩形分割个数,确定扇形角度间隔和矩形距离间隔;
根据扇形角度间隔,确定扇形障碍物描述区域的第一预设数量个扇形区域线段;
根据矩形距离间隔,确定矩形障碍物描述区域的第二预设数量个矩形区域线段。
可选地,由参数列表获取扇形和矩形被分割的个数Nsector(即扇形分割个数)和Nrectangle(即矩形分割个数),并由此确定扇形角度间隔θ和矩形距离间隔ζ。再根据θ和ζ确定障碍物描述区域的区域线段和区域线段的数量,例如:扇形区域被一簇长度为扇形半径的等角度间隔线段(即扇形区域的区域线段)分割,矩形区域也由一簇等间隔的线段(即矩形区域的区域线段)所分割,第一预设数量根据扇形区域的开角和θ计算得到,第二预设数量根据矩形区域的宽度和ζ计算得到。
上述内容如图2所示:提出的障碍物描述区域包括以目标车辆结构中心为圆心的扇形区域和向目标车辆前进方向延长的矩形区域。目标车辆用实线边框表示,实线边框右侧边为目标车辆的前向基准线,障碍物车辆用虚线边框表示,车道边界用长直线表示,S箭头表示车辆前进方向。扇形的角度由自车两侧的前轮最大侧偏角确定,延长矩形区域的宽度由自车的边框宽度确定,两个区域都以车辆前进方向的中心线为中轴线。其中,扇形区域被一簇长度为扇形半径的等角度间隔线段(即扇形区域的区域线段)分割,遇到障碍物和车道边界线后,对应的区域线段会与其相交,之后将不同角度线段和障碍物相交的数据存成列表作为扇形区域的状态向量,用来表征扇形范围内的障碍物状态。类似的,矩形区域也由一簇等间隔的线段(即矩形区域的区域线段)所分割。
在本申请实施例中,分割障碍物描述区域并生成区域线段,根据区域线段与障碍物集合的交点确定状态向量,能够准确地描述外部障碍物和车道边界的状态,解决了现有技术存在无法准确地描述数量及形状不固定的外部障碍物和车道边界的状态的问题。
作为一种可选实施例,状态向量包括:扇形状态向量和矩形状态向量,根据区域线段与障碍物集合的交点,得到状态向量,包括:
在扇形区域线段与障碍物集合相交的情况下,计算扇形区域线段与障碍物集合的交点到圆心的第一距离;
根据第一距离得到扇形障碍物描述区域的初始扇形状态向量;
在矩形区域线段与障碍物集合相交的情况下,计算矩形区域线段与障碍物集合的交点到目标车辆的前向基准线的第二距离;
根据第二距离得到矩形障碍物描述区域的初始矩形状态向量;
根据预设方法归一化初始扇形状态向量,得到扇形状态向量、根据预设方法归一化初始矩形状态向量,得到矩形状态向量。
可选地,将多个障碍物和车道边界合成一个障碍物集合。设定扇形区域的状态向量形式为Ssector=[[β1,r],...,[βi,r]],设定矩形区域的状态向量形式为Srectangle=[[w1,l],...,[wj,l]],其中,βi表示扇形区域中第i条区域线段,r表示扇形的半径,wj表示矩形区域中第j条区域线段,l表示矩形的长度。
根据区域线段和障碍物集合的交点,确定状态向量。例如:对于扇形区域,在区域线段βi和障碍物或边界相交时,计算交点距离扇形区域圆心的距离,将该距离代替[βi,r]中的r。同理,对于矩形区域,在区域线段wj和障碍物或边界相交时,计算交点距离目标车辆的前向基准线的距离,将该距离代替[wj,l]中的l。
具体算法如下:
for Nsector个循环内do:
if当前线段和障碍物集合相交:
计算当前线段和障碍物的交点,并计算交点到圆心的距离y(即第一距离),更新相应的Ssector
else:
当前Ssector对应部分不更新
for Nrectangle个循环内do:
if当前线段和障碍物集合相交:
计算当前线段和障碍物的交点,并计算交点到对应目标车辆前
向基准线的距离d(即第二距离),更新相应的Srectangle
else:
当前Srectangle对应部分不更新
end for
在实际训练过程中,扇形和矩形的分割数量是由参数文件提前设定好的,且间隔大小相同,因此Ssector中的β1至βi和Srectangle中的w1至wj在每个回合内的顺序都是相同的,因此可以省略掉。
为了能够体现不同车速下的障碍物状态,更加准确地计算相关状态下的奖励函数,需要将区域内的表征列表归一化。
通过预设方法将未归一化的Ssector和Srectangle进行归一化,其中,预设方法可以为:线性归一化、标准差归一化、使用函数进行非线性归一化、通过扇形的半径r和矩形的长度l进行归一化等。
以图2所示的目标车辆和障碍物车辆位置关系为例,若初始化过程中参数列表中的扇形区域被分割的个数为10,矩形区域被分割的个数为10,在经过上述算法和归一化后。归一化后的扇形状态向量,例如:Ssector=[0.75,0.61,0.73,0.82,1,1,1,1,0.52,0.39,0.35]。归一化后的矩形状态向量,例如:Srectangle=[1,1,1,1,1,1,1,1,1,1]。
可知,在扇形区域左侧和右侧范围内和障碍物有交集,对应状态列表元素不为1,靠近扇形对称轴中心区域和障碍物无交集,对应状态列表元素为1。在矩形区域中,当前回合内矩形区域和障碍物无交集,状态列表元素均为1。从当前场景图及该表征很容易想到,在当前回合下,目标车辆可按当前姿态向前直行。
在本申请实施例中,通过状态向量的形式,可以描述数量及形状不固定的外部障碍物和车道边界状态,从而降低解析外部状态所消耗的计算资源。通过状态向量统一了障碍物输入状态,便于在训练过程中生成更加复杂的障碍物场景,将每个时刻需要考虑的障碍物车辆和两侧车道边界线统一成了一个障碍物集合,简化了避障过程中障碍物和车道边界模块的考虑过程。
作为一种可选实施例,风险数值包括:扇形风险数值和矩形风险数值,根据状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,包括:
利用扇形状态向量减去扇形偏置向量,得到调整后的扇形状态向量,其中,偏置向量包括扇形偏置向量和矩形偏置向量;
根据调整后的扇形状态向量、扇形权重向量以及第一预设公式,得到扇形障碍物描述区域对应的扇形风险数值,其中,权重向量包括扇形权重向量和矩形权重向量;
利用矩形状态向量减去矩形偏置向量,得到调整后的矩形状态向量;
根据调整后的矩形状态向量、矩形权重向量以及第二预设公式,得到矩形障碍物描述区域对应的矩形风险数值。
可选地,根据区域线段和障碍物及边界的交点距离中轴线的位置,设置权重向量,通过权重向量反映不同位置的障碍物及边界对目标车辆影响的重要程度。为了使强化学习神经网络更容易收敛,根据扇形区域和矩形区域的对称性,引入偏置向量。
公式(2)和(3)中的具体数值均根据实际需求进行设定。如公式(2)和(3)所示,Bsector为扇形区域状态偏置向量,Brectangle为扇形区域状态偏置向量,其作用都是平移调整障碍物及车道边界的状态向量,使状态向量中的数值在目标数值附近均匀分布。以归一化后的扇形状态向量Ssector=[0.75,0.61,0.73,0.82,1,1,1,1,0.52,0.39,0.35]为例,假设均为0.7,设定目标数值为0,此时Ssector-Bsector=[0.05,-0.09,0.03,0.12,0.3,0.3,0.3,0.3,-0.18,-0.31,-0.35](即调整后的扇形状态向量),调整后的扇形状态向量相较于目标数值0更为均匀分布。调整后的矩形状态向量Srectangle-Brectangle同理。
如公式(2)和(3)所示,Wsector为扇形权重向量,在ws_1至这些权重值中,越靠近中心,权重越大,代表该位置对应的障碍物或边界距离对目标车辆行驶的影响越大,目标车辆尽可能倾向于前进方向无障碍物及边界的行驶状态。矩形权重向量Wrectangle与Wsector的分布不同,Wrectangle表示的是车辆前进方向的权重向量,在该区域任何一个地方出现障碍物或车道边界后,自车继续直行均会和障碍物发生碰撞或超出车道边界,因此矩形区域的权重值w's_1至之间相差不大。
先利用扇形状态向量减去扇形偏置向量,得到调整后的扇形状态向量例如再将调整后的扇形状态向量与扇形权重向量的转置的乘积,作为扇形区域中障碍物及车道边界部分的代价值costsector(即扇形风险数值),如公式(4)即第一预设公式所示,其中T表示矩阵转置。
先利用矩形状态向量减去矩形偏置向量,得到调整后的矩形状态向量例如再将调整后的矩形状态向量与矩形权重向量的转置的乘积,作为矩形区域中障碍物及车道边界部分的代价值costrectangle(即矩形风险数值),如公式(5)即第二预设公式所示。其中T表示矩阵转置。
在本申请实施例中,根据自车速度描述外部数量及形状不固定的障碍物,并且预设相对目标车辆不同位置的权重向量和偏置向量,从而反应目标车辆以当前姿态通过障碍物区域所需的风险,以便通过神经网络进行下一步避障调整。解决了现有技术存在无法确定通过障碍物区域的风险的问题。
作为一种可选实施例,根据预设方法归一化初始扇形状态向量,得到扇形状态向量、根据预设方法归一化初始矩形状态向量,得到矩形状态向量,包括:
将初始扇形状态向量中第一距离除以扇形半径,得到扇形状态向量;
将初始矩形状态向量中第二距离除以矩形长度,得到矩形状态向量。
可选地,通过扇形的半径r和矩形的长度l进行归一化的方法如公式(6)所示:
即将未归一化的Ssector中的第一距离yi分别除以r。将未归一化的Srectangle中的第二距离dj分别除以l,i和j为序号。
在本申请实施例中,通过扇形的半径r和矩形的长度l分别对初始扇形状态向量和初始矩形状态向量进行归一化,方法简洁,易于实现,有利于体现不同车速下的障碍物状态,更加准确地计算相关状态下的奖励函数。
根据本申请实施例的另一个方面,还提供了一种用于实施上述通过障碍物区域的风险确定方法的通过障碍物区域的风险确定装置。图3是据本申请实施例的一种可选的通过障碍物区域的风险确定装置的结构框图,如图3所示,该装置可以包括:
第一获取模块301,用于获取目标车辆的特征数据;
确定模块302,用于根据特征数据,确定目标车辆的障碍物描述区域;
第二获取模块303,用于获取障碍物描述区域的区域线段;
第一得到模块304,用于根据区域线段与障碍物集合的交点,得到障碍物描述区域的状态向量,其中,状态向量用于描述障碍物集合的状态;
第二得到模块305,用于根据状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,偏置向量用于调整状态向量,权重向量用于确定障碍物集合中不同障碍物对目标车辆的影响。
需要说明的是,该实施例中的第一获取模块301可以用于执行上述步骤S101,该实施例中的确定模块302可以用于执行上述步骤S102,该实施例中的第二获取模块303可以用于执行上述步骤S103,该实施例中的第一得到模块304可以用于执行上述步骤S104,该实施例中的第二得到模块305可以用于执行上述步骤S105。
通过上述模块,一方面,根据目标车辆的特征数据确定障碍物描述区域,再根据区域线段与障碍物的交点得到状态向量,通过状态向量准确地描述外部障碍物和车道边界的状态。另一方面,通过划分不同的障碍物描述区域,根据不同区域的权重向量和偏置向量,并结合状态向量,计算出目标车辆按当前姿态通过障碍物区域的风险,动态描述数量、形状等不固定的外部障碍物。解决了相关技术中存在无法准确地描述数量及形状不固定的外部障碍物和车道边界的状态以及无法确定通过障碍物区域的风险的问题。
作为一种可选实施例,第一获取模块包括:
第一获取单元,用于获取目标车辆的前轮最大侧偏角、车辆边框宽度以及车速;
作为单元,用于将前轮最大侧偏角、车辆边框宽度以及车速作为特征数据。
作为一种可选实施例,障碍物描述区域包括扇形障碍物描述区域和矩形障碍物描述区域,确定模块包括:
第一得到单元,用于根据车速得到扇形半径和矩形长度;
第二得到单元,用于将目标车辆的车身中心作为圆心,并根据前轮最大侧偏角和扇形半径,得到扇形障碍物描述区域;
第三得到单元,用于根据矩形长度和车辆边框宽度,得到矩形障碍物描述区域。
作为一种可选实施例,区域线段包括扇形区域线段和矩形区域线段,第二获取模块包括:
第二获取单元,用于获取扇形分割个数和矩形分割个数;
第一确定单元,用于根据扇形分割个数和矩形分割个数,确定扇形角度间隔和矩形距离间隔;
第二确定单元,用于根据扇形角度间隔,确定扇形障碍物描述区域的第一预设数量个扇形区域线段;
第三确定单元,用于根据矩形距离间隔,确定矩形障碍物描述区域的第二预设数量个矩形区域线段。
作为一种可选实施例,状态向量包括扇形状态向量和矩形状态向量,第一得到模块包括:
第一计算单元,用于在扇形区域线段与障碍物集合相交的情况下,计算扇形区域线段与障碍物集合的交点到圆心的第一距离;
第四得到单元,用于根据第一距离得到扇形障碍物描述区域的初始扇形状态向量;
第二计算单元,用于在矩形区域线段与障碍物集合相交的情况下,计算矩形区域线段与障碍物集合的交点到目标车辆的前向基准线的第二距离;
第五得到单元,用于根据第二距离得到矩形障碍物描述区域的初始矩形状态向量;
第六得到单元,用于根据预设方法归一化初始扇形状态向量,得到扇形状态向量、根据预设方法归一化初始矩形状态向量,得到矩形状态向量。
作为一种可选实施例,风险数值包括扇形风险数值和矩形风险数值,偏置向量包括扇形偏置向量和矩形偏置向量,权重向量包括扇形权重向量和矩形权重向量,第二得到模块包括:
第七得到单元,用于利用扇形状态向量减去扇形偏置向量,得到调整后的扇形状态向量,其中,偏置向量包括扇形偏置向量和矩形偏置向量;
第八得到单元,用于根据调整后的扇形状态向量、扇形权重向量以及第一预设公式,得到扇形障碍物描述区域对应的扇形风险数值,其中,权重向量包括扇形权重向量和矩形权重向量;
第九得到单元,用于利用矩形状态向量减去矩形偏置向量,得到调整后的矩形状态向量;
第十得到单元,用于根据调整后的矩形状态向量、矩形权重向量以及第二预设公式,得到矩形障碍物描述区域对应的矩形风险数值。
作为一种可选实施例,第六得到单元包括:
第一得到子模块,用于将初始扇形状态向量中第一距离除以扇形半径,得到扇形状态向量;
第二得到子模块,用于将初始矩形状态向量中第二距离除以矩形长度,得到矩形状态向量。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。
根据本申请实施例的又一个方面,还提供了一种用于实施上述通过障碍物区域的风险确定方法的电子设备,该电子设备可以是服务器、终端、或者其组合。
图4是根据本申请实施例的一种可选的电子设备的结构框图,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401、通信接口402和存储器403通过通信总线404完成相互间的通信,其中,
存储器403,用于存储计算机程序;
处理器401,用于执行存储器403上所存放的计算机程序时,实现如下步骤:
获取目标车辆的特征数据;
根据特征数据,确定目标车辆的障碍物描述区域;
获取障碍物描述区域的区域线段;
根据区域线段与障碍物集合的交点,得到障碍物描述区域的状态向量,其中,状态向量用于描述障碍物集合的状态;
根据状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,偏置向量用于调整状态向量,权重向量用于确定障碍物集合中不同障碍物对目标车辆的影响。
可选地,在本实施例中,上述的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM,也可以包括非易失性存储器(non-volatile memory),例如,至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例,如图4所示,上述存储器403中可以但不限于包括上述通过障碍物区域的风险确定装置中的第一获取模块301、确定模块302、第二获取模块303、第一得到模块304、第二得到模块305。此外,还可以包括但不限于上述通过障碍物区域的风险确定装置中的其他模块单元,本示例中不再赘述。
上述处理器可以是通用处理器,可以包含但不限于:CPU(Central ProcessingUnit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(DigitalSignal Processing,数字信号处理器)、ASIC(Application Specific IntegratedCircuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图4所示的结构仅为示意,实施上述通过障碍物区域的风险确定方法的设备可以是终端设备,该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图4其并不对上述电子设备的结构造成限定。例如,终端设备还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图4所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面,还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于存储执行通过障碍物区域的风险确定方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行以下步骤的程序代码:
获取目标车辆的特征数据;
根据特征数据,确定目标车辆的障碍物描述区域;
获取障碍物描述区域的区域线段;
根据区域线段与障碍物集合的交点,得到障碍物描述区域的状态向量,其中,状态向量用于描述障碍物集合的状态;
根据状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,偏置向量用于调整状态向量,权重向量用于确定障碍物集合中不同障碍物对目标车辆的影响。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例中对此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在本说明书的描述中,参考术语“本实施例”、“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种通过障碍物区域的风险确定方法,其特征在于,所述方法包括:
获取目标车辆的特征数据;
根据所述特征数据,确定所述目标车辆的障碍物描述区域;
获取所述障碍物描述区域的区域线段;
根据所述区域线段与障碍物集合的交点,得到所述障碍物描述区域的状态向量,其中,所述状态向量用于描述所述障碍物集合的状态;
根据所述状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,所述偏置向量用于调整所述状态向量,所述权重向量用于确定所述障碍物集合中不同障碍物对所述目标车辆的影响。
2.根据权利要求1所述的方法,其特征在于,所述获取目标车辆的特征数据,包括:
获取所述目标车辆的前轮最大侧偏角、车辆边框宽度以及车速;
将所述前轮最大侧偏角、所述车辆边框宽度以及所述车速作为所述特征数据。
3.根据权利要求2所述的方法,其特征在于,所述障碍物描述区域包括扇形障碍物描述区域和矩形障碍物描述区域,所述根据所述特征数据,确定障碍物描述区域,包括:
根据所述车速得到扇形半径和矩形长度;
将所述目标车辆的车身中心作为圆心,并根据所述前轮最大侧偏角和所述扇形半径,得到所述扇形障碍物描述区域;
根据所述矩形长度和所述车辆边框宽度,得到所述矩形障碍物描述区域。
4.根据权利要求3所述的方法,其特征在于,所述区域线段包括扇形区域线段和矩形区域线段,所述获取所述障碍物描述区域的区域线段,包括:
获取扇形分割个数和矩形分割个数;
根据所述扇形分割个数和所述矩形分割个数,确定扇形角度间隔和矩形距离间隔;
根据所述扇形角度间隔,确定所述扇形障碍物描述区域的第一预设数量个所述扇形区域线段;
根据所述矩形距离间隔,确定所述矩形障碍物描述区域的第二预设数量个所述矩形区域线段。
5.根据权利要求4所述的方法,其特征在于,所述状态向量包括扇形状态向量和矩形状态向量,所述根据所述区域线段与障碍物集合的交点,得到状态向量,包括:
在所述扇形区域线段与所述障碍物集合相交的情况下,计算所述扇形区域线段与所述障碍物集合的交点到所述圆心的第一距离;
根据所述第一距离得到所述扇形障碍物描述区域的初始扇形状态向量;
在所述矩形区域线段与所述障碍物集合相交的情况下,计算所述矩形区域线段与所述障碍物集合的交点到所述目标车辆的前向基准线的第二距离;
根据所述第二距离得到所述矩形障碍物描述区域的初始矩形状态向量;
根据预设方法归一化所述初始扇形状态向量,得到所述扇形状态向量、根据所述预设方法归一化所述初始矩形状态向量,得到所述矩形状态向量。
6.根据权利要求5所述的方法,其特征在于,所述风险数值包括扇形风险数值和矩形风险数值,所述偏置向量包括扇形偏置向量和矩形偏置向量,所述权重向量包括扇形权重向量和矩形权重向量,所述根据所述状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,包括:
利用所述扇形状态向量减去所述扇形偏置向量,得到调整后的扇形状态向量;
根据所述调整后的扇形状态向量、所述扇形权重向量以及第一预设公式,得到所述扇形障碍物描述区域对应的所述扇形风险数值;
利用所述矩形状态向量减去所述矩形偏置向量,得到调整后的矩形状态向量;
根据所述调整后的矩形状态向量、所述矩形权重向量以及第二预设公式,得到所述矩形障碍物描述区域对应的所述矩形风险数值。
7.根据权利要求5所述的方法,其特征在于,所述根据预设方法归一化所述初始扇形状态向量,得到扇形状态向量、根据所述预设方法归一化所述初始矩形状态向量,得到矩形状态向量,包括:
将所述初始扇形状态向量中所述第一距离除以所述扇形半径,得到所述扇形状态向量;
将所述初始矩形状态向量中所述第二距离除以所述矩形长度,得到所述矩形状态向量。
8.一种通过障碍物区域的风险装置,其特征在于,包括:
第一获取模块,用于获取目标车辆的特征数据;
确定模块,用于根据所述特征数据,确定所述目标车辆的障碍物描述区域;
第二获取模块,用于获取所述障碍物描述区域的区域线段;
第一得到模块,用于根据所述区域线段与障碍物集合的交点,得到所述障碍物描述区域的状态向量,其中,所述状态向量用于描述所述障碍物集合的状态;
第二得到模块,用于根据所述状态向量、偏置向量以及权重向量,得到通过障碍物区域的风险数值,其中,所述偏置向量用于调整所述状态向量,所述权重向量用于确定所述障碍物集合中不同障碍物对所述目标车辆的影响。
9.一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信,其特征在于,
所述存储器,用于存储计算机程序;
所述处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至7中任一项中所述的方法步骤。
10.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1至7中任一项中所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211632778.5A CN116070903A (zh) | 2022-12-19 | 2022-12-19 | 通过障碍物区域的风险确定方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211632778.5A CN116070903A (zh) | 2022-12-19 | 2022-12-19 | 通过障碍物区域的风险确定方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070903A true CN116070903A (zh) | 2023-05-05 |
Family
ID=86172511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211632778.5A Pending CN116070903A (zh) | 2022-12-19 | 2022-12-19 | 通过障碍物区域的风险确定方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070903A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700315A (zh) * | 2023-07-03 | 2023-09-05 | 苏州优世达智能科技有限公司 | 一种无人艇的航迹跟踪控制方法及系统 |
-
2022
- 2022-12-19 CN CN202211632778.5A patent/CN116070903A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700315A (zh) * | 2023-07-03 | 2023-09-05 | 苏州优世达智能科技有限公司 | 一种无人艇的航迹跟踪控制方法及系统 |
CN116700315B (zh) * | 2023-07-03 | 2024-02-06 | 苏州优世达智能科技有限公司 | 一种无人艇的航迹跟踪控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109648560B (zh) | 工业机器人的空间轨迹过渡方法、系统及机器人 | |
CN111813101B (zh) | 机器人路径规划方法、装置、终端设备及存储介质 | |
EP3699890A2 (en) | Information processing method and apparatus, and storage medium | |
US20240166196A1 (en) | Obstacle avoidance method, apparatus, electronic device and storage medium for vehicle | |
US10838424B2 (en) | Charging station identifying method and robot | |
CN109739230B (zh) | 驾驶轨迹生成方法、装置及存储介质 | |
CN110654381B (zh) | 用于控制车辆的方法和装置 | |
JP7122059B2 (ja) | シミュレーションデータ量拡張方法、装置、端末、記憶媒体、及びプログラム | |
US11077756B2 (en) | Area occupancy determining device | |
JP2020042791A (ja) | マルチモデルに基づく障害物分布シミュレーション方法、装置及び端末 | |
CN113110484B (zh) | 一种步态轨迹规划方法、装置、可读存储介质及机器人 | |
CN115179949A (zh) | 车辆的压速变道控制方法、装置、设备及存储介质 | |
CN116070903A (zh) | 通过障碍物区域的风险确定方法、装置以及电子设备 | |
CN111932644A (zh) | 融合占用地图的方法及系统 | |
CN112912894A (zh) | 道路边界识别方法和装置 | |
CN116295473A (zh) | 无人车路径规划方法、装置、设备及存储介质 | |
CN112622923B (zh) | 用于控制车辆的方法和装置 | |
US11383704B2 (en) | Enhanced vehicle operation | |
CN113954836B (zh) | 分段式导航换道方法及其系统、计算机设备、存储介质 | |
CN108961353B (zh) | 道路模型的构建 | |
CN110083158B (zh) | 一种确定局部规划路径的方法和设备 | |
JP2018140735A (ja) | 走行軌道生成装置 | |
CN113705272A (zh) | 可行驶区域检测方法、装置、设备及存储介质 | |
CN109831717B (zh) | 一种降噪处理方法、系统及终端设备 | |
KR102305673B1 (ko) | 카메라와 v2v를 이용한 주변차량 차선변경 의도 및 경로 예측 방법 |
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 |