CN116088537A - 车辆避障方法、装置、电子设备和计算机可读介质 - Google Patents
车辆避障方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116088537A CN116088537A CN202310354800.2A CN202310354800A CN116088537A CN 116088537 A CN116088537 A CN 116088537A CN 202310354800 A CN202310354800 A CN 202310354800A CN 116088537 A CN116088537 A CN 116088537A
- Authority
- CN
- China
- Prior art keywords
- information set
- state information
- obstacle
- map
- initial
- 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
本公开的实施例公开了车辆避障方法、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:生成地图状态信息组集和障碍物状态信息组集;生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集;将交互隐藏状态信息集、第一交互状态信息集和第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集;将轨迹信息集、障碍物地图隐藏状态信息集和交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集;根据轨迹信息集和轨迹权重信息集,控制目标车辆进行避障。该实施方式可以有效控制目标车辆进行避障。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车辆避障方法、装置、电子设备和计算机可读介质。
背景技术
预测出障碍物的轨迹信息之后,可以根据轨迹信息对目标车辆进行路径规划,以便控制目标车辆避开障碍物。目前,预测障碍物的轨迹信息,通常采用的方式为:根据运动学模型(例如,恒定速度模型、恒定加速度模型、恒定转率和速度模型、恒定转率和加速度模型等)对障碍物进行轨迹信息的预测或根据多模态的神经网络模型(例如,卷积神经网络或图卷积神经网络等)对障碍物的轨迹信息进行预测。
然而,采用上述方式通常存在以下技术问题:
第一,通过运动学模型预测轨迹信息的方式,只能预测出较短时间内的轨迹信息,会导致预测出的轨迹信息的准确度较低,造成难以有效控制目标车辆进行避障;
第二,通过神经网络预测轨迹信息的方式,需要对每个障碍物单独进行预测,当障碍物较多时,在预设周期内无法完成对全部障碍物的预测,导致预测出的轨迹信息的准确度较低,造成难以有效控制目标车辆进行避障。
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避障方法、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避障方法,该方法包括:获取地图信息集和障碍物轨迹信息集;基于上述地图信息集和上述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集;基于上述地图状态信息组集和上述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集;将上述障碍物隐藏状态信息组集和上述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集;将上述障碍物隐藏状态信息组集和上述地图隐藏状态信息组集输入至上述交互注意力模型中,得到第二交互状态信息集;将上述交互隐藏状态信息集、上述第一交互状态信息集和上述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集;将上述轨迹信息集、上述障碍物地图隐藏状态信息集和上述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集;根据上述轨迹信息集和上述轨迹权重信息集,控制目标车辆进行避障。
第二方面,本公开的一些实施例提供了一种车辆避障装置,装置包括:获取单元,被配置成获取地图信息集和障碍物轨迹信息集;第一生成单元,被配置成基于上述地图信息集和上述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集;第二生成单元,被配置成基于上述地图状态信息组集和上述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集;第一输入单元,被配置成将上述障碍物隐藏状态信息组集和上述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集;第二输入单元,被配置成将上述障碍物隐藏状态信息组集和上述地图隐藏状态信息组集输入至上述交互注意力模型中,得到第二交互状态信息集;第三输入单元,被配置成将上述交互隐藏状态信息集、上述第一交互状态信息集和上述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集;第四输入单元,被配置成将上述轨迹信息集、上述障碍物地图隐藏状态信息集和上述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集;控制单元,被配置成根据上述轨迹信息集和上述轨迹权重信息集,控制目标车辆进行避障。
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避障方法,可以有效控制目标车辆进行避障。具体来说,造成难以有效控制目标车辆进行避障的原因在于:通过运动学模型预测轨迹信息的方式,只能预测出较短时间内的轨迹信息,会导致预测出的轨迹信息的准确度较低。基于此,本公开的一些实施例的车辆避障方法,首先,获取地图信息集和障碍物轨迹信息集。其次,基于上述地图信息集和上述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集。由此,可以将表征地图数据的地图信息集和障碍物轨迹信息集,转换成表征向量的地图状态信息组集和障碍物状态信息组集,以便后续对地图状态信息组集和障碍物状态信息组集进行处理。接着,基于上述地图状态信息组集和上述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集。由此,可以得到地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集,以便后续生成轨迹信息集。然后,将上述障碍物隐藏状态信息组集和上述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集。由此,可以通过交互注意力模型,得到障碍物隐藏状态信息组集和障碍物地图隐藏状态信息集之间的交互关系的第一交互状态信息集。再然后,将上述障碍物隐藏状态信息组集和上述地图隐藏状态信息组集输入至上述交互注意力模型中,得到第二交互状态信息集。由此,可以通过交互注意力模型,得到障碍物隐藏状态信息组集和地图隐藏状态信息组集之间的交互关系的第二交互状态信息集。之后,将上述交互隐藏状态信息集、上述第一交互状态信息集和上述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集。由此,可以通过轨迹信息生成模型生成较长时间(例如,3s或其它指定时长)的轨迹信息集。再之后,将上述轨迹信息集、上述障碍物地图隐藏状态信息集和上述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集。由此,可以通过轨迹权重信息生成模型生成与轨迹信息集对应的轨迹权重信息集。最后,根据上述轨迹信息集和上述轨迹权重信息集,控制目标车辆进行避障。由此,可以通过交互注意力模型、轨迹信息生成模型、轨迹权重信息生成模型来代替运动学模型,生成较为准确的轨迹信息集和对应的轨迹权重信息集,以控制目标车辆进行避障。从而,可以有效控制目标车辆进行避障。
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,原件和元素不一定按照比例绘制。
图1是根据本公开的车辆避障方法的一些实施例的流程图;
图2是根据本公开的车辆避障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。
参考图1,示出了根据本公开的车辆避障方法的一些实施例的流程100。该车辆避障方法,包括以下步骤:
步骤101,获取地图信息集和障碍物轨迹信息集。
在一些实施例中,车辆避障方法的执行主体(例如车载终端)可以通过有线连接或无线连接的方式从终端设备中获取地图信息集和障碍物轨迹信息集。其中,上述地图信息集中的地图信息可以是地图坐标系中一条道路的地图数据。上述障碍物轨迹信息集中的障碍物轨迹信息可以是在地图坐标系中,障碍物运行的轨迹对应的地图数据。障碍物可以是目标车辆附近(例如,5千米内)正在行驶的车辆。目标车辆可以是当前正在行驶的车辆。障碍物轨迹信息集中的障碍物轨迹信息可以对应一个障碍物。
步骤102,基于地图信息集和障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集。
在一些实施例中,上述执行主体可以基于上述地图信息集和上述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集。
实践中,基于上述地图信息集和上述障碍物轨迹信息集,上述执行主体可以通过如下步骤生成地图状态信息组集和障碍物状态信息组集:
第一步,对上述地图信息集中的每个地图信息进行采样处理,以生成地图向量信息组,得到地图向量信息组集。实践中,首先,上述执行主体可以对于上述地图信息集中的每个地图信息,第一,对上述地图信息进行等距采样,以生成地图离散点信息组。其中,上述地图散列点信息组中的各个地图散列点信息之间存在顺序。第二,对上述地图离散点信息组中相邻的两个地图离散点信息组合为地图向量信息,得到地图向量信息组。最后,上述执行主体可以将得到的各个地图向量信息组确定为地图向量信息组集。这里,地图向量信息组集中的地图向量信息组可以对应一个地图信息。
第二步,对上述障碍物轨迹信息集中的每个障碍物轨迹信息进行采样处理,以生成障碍物向量信息组,得到障碍物向量信息组集。实践中,首先,上述执行主体可以对于上述障碍物轨迹信息集中的每个障碍物轨迹信息,第一,对上述障碍物轨迹信息进行等距采样,以生成障碍物离散点信息组。其中,上述障碍物散列点信息组中的各个障碍物散列点之间存在顺序。第二,对上述障碍物离散点信息组中相邻的两个障碍物离散点信息组合为障碍物向量信息,得到障碍物向量信息组。最后,上述执行主体可以将得到的各个障碍物向量信息组确定为障碍物向量信息组集。这里,障碍物向量信息组集中的障碍物向量信息组可以对应一个障碍物。
第三步,对上述地图向量信息组集中的每个地图向量信息进行嵌入处理,以生成地图状态信息,得到地图状态信息组集。实践中,上述执行主体可以通过预设函数,对上述地图向量信息组集中的每个地图向量信息进行嵌入处理,以生成地图状态信息,得到地图状态信息组集。例如,预设函数可以是embedding(嵌入)函数。例如,上述地图状态信息组集中的地图状态信息表征的向量的位数可以是128。
第四步,对上述障碍物向量信息组集中的每个障碍物向量信息进行嵌入处理,以生成障碍物状态信息,得到障碍物状态信息组集。实践中,上述执行主体可以通过上述预设函数,对上述障碍物向量信息组集中的每个障碍物向量信息进行嵌入处理,以生成障碍物状态信息,得到障碍物状态信息组集。例如,上述障碍物状态信息组集中的障碍物状态信息表征的向量的位数可以是128。
步骤103,基于地图状态信息组集和障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集。
在一些实施例中,基于上述地图状态信息组集和上述障碍物状态信息组集,上述执行主体可以生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集。这里,地图隐藏状态信息组集中的地图隐藏状态信息组可以对应一个地图信息。障碍物隐藏状态信息组集中的障碍物隐藏状态信息组可以对应一个障碍物。障碍物地图隐藏状态信息集中的障碍物地图隐藏状态信息可以对应一个障碍物或地图信息。交互隐藏状态信息集中的交互隐藏状态信息可以对应一个障碍物。
实践中,基于上述地图状态信息组集和上述障碍物状态信息组集,上述执行主体可以通过如下步骤生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集:
第一步,将上述地图状态信息组集中的每个地图状态信息输入至预先训练的第一注意力模型中,以生成地图隐藏状态信息,得到地图隐藏状态信息组集。其中,上述第一注意力模型可以是以状态信息为输入,以隐藏状态信息为输出的神经网络模型。地图隐藏状态信息可以是地图线条的隐藏状态信息。这里,隐藏状态信息可以包括高权重状态信息和低权重状态信息。例如,高权重状态信息可以是权重大于0.8的第一状态信息。低权重状态信息可以是权重小于0.2的第二状态信息。第一状态信息可以是地图坐标系下的坐标。第二状态信息可以是土壤情况。
第二步,将上述障碍物状态信息组集中的每个障碍物状态信息输入至上述第一注意力模型中,以生成障碍物隐藏状态信息,得到障碍物隐藏状态信息组集。其中,障碍物隐藏状态信息可以是障碍物的隐藏状态信息。
第三步,将上述障碍物隐藏状态信息组集和上述地图隐藏状态信息组集组合为障碍物地图隐藏状态信息集。实践中,首先,上述执行主体可以将上述障碍物隐藏状态信息组确定为障碍物地图隐藏状态信息。然后,上述执行主体可以将上述地图隐藏状态信息组确定为障碍物地图隐藏状态信息。最后,上述执行主体可以将所确定的各个障碍物地图隐藏状态信息确定为障碍物地图隐藏状态信息集。
第四步,将上述障碍物地图隐藏状态信息集输入至第二注意力模型中,得到交互隐藏状态信息集。其中,上述第二注意力模型可以是以障碍物地图隐藏状态信息集为输入,以交互隐藏状态信息集为输入的自注意力模型。例如,上述第二注意力模型可以是self_attention(自注意力)模型。这里,交互隐藏状态信息集中的交互隐藏状态信息可以表征障碍物对应的障碍物地图隐藏状态信息与障碍物隐藏状态信息集之间的相关性关系。
可选地,上述第一注意力模型可以是通过以下步骤训练得到的:
第一步,获取训练样本集。
在一些实施例中,上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中,上述训练样本集中的训练样本可以包括:样本状态信息和样本隐藏状态信息。样本隐藏状态信息可以表征样本状态信息对应的标签。
第二步,从上述训练样本集中选取训练样本。
在一些实施例中,上述执行主体可以从上述训练样本集中选取训练样本。实践中,上述执行主体可以随机从上述训练样本集中选择训练样本。
第三步,确定初始第一注意力模型。
在一些实施例中,上述执行主体可以确定初始第一注意力模型。其中,上述初始第一注意力模型可以是未经训练的以状态信息为输入,以隐藏状态信息为输出的神经网络模型。这里,上述初始第一注意力模型可以包括:初始第一感知模型、初始第二感知模型、初始自注意力模型和初始预定义模型。上述初始第一感知模型可以是以状态信息为输入,以初始第一感知信息为输出的人工神经网络模型。例如,初始第一感知模型可以是MLP(Multilayer Perceptron,多层感知机)模型。上述初始第二感知模型可以是以初始第一感知信息为输入,以初始第二感知信息为输出的人工神经网络模型。例如,初始第二感知模型可以是MLP模型。上述初始自注意力模型可以是以初始第二感知信息为输入,以初始注意力信息为输出的自注意力模型。例如,初始自注意力模型可以是self_attention(自注意力)模型。上述初始预定义模型可以是以初始注意力信息为输入,以初始隐藏状态信息为输出的预定义模型。例如,预定义模型可以分为三层:
第一层可以是激活层,用于基于激活函数,对初始注意力信息进行激活处理,以生成初始激活信息。例如,激活函数可以是ReLU(Rectified Linear Unit,修正线性单元)函数。
第二层可以是归一化层,用于基于归一化函数,对第一层输出的初始激活信息进行归一化处理,以生成初始归一化信息。例如,上述归一化函数可以是LN(LayerNormalization,层归一化)函数。
第三层可以是池化层,用于对第二层输出的初始归一化信息进行池化处理,以生成初始隐藏状态信息。例如,池化处理可以是MaxPooling(最大池化)处理。
第四步,将上述训练样本包括的样本状态信息输入至上述初始第一感知模型中,得到初始第一感知信息。
在一些实施例中,上述执行主体可以将上述训练样本包括的样本状态信息输入至上述初始第一感知模型中,得到初始第一感知信息。
第五步,将上述初始第一感知信息输入至上述初始第二感知模型中,得到初始第二感知信息。
在一些实施例中,上述执行主体可以将上述初始第一感知信息输入至上述初始第二感知模型中,得到初始第二感知信息。
第六步,将上述初始第二感知信息输入至上述初始自注意力模型中,得到初始注意力信息。
在一些实施例中,上述执行主体可以将上述初始第二感知信息输入至上述初始自注意力模型中,得到初始注意力信息。
第七步,将上述初始注意力信息输入至上述初始预定义模型中,得到初始隐藏状态信息。
在一些实施例中,上述执行主体可以将上述初始注意力信息输入至上述初始预定义模型中,得到初始隐藏状态信息。
第八步,基于预设的第一损失函数,确定上述初始隐藏状态信息与上述训练样本包括的样本隐藏状态信息之间的第一差异值。
在一些实施例中,基于预设的第一损失函数,上述执行主体可以确定上述初始隐藏状态信息与上述训练样本包括的样本隐藏状态信息之间的第一差异值。其中,预设的第一损失函数可以是但不限于:均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第九步,基于上述第一差异值,调整上述初始第一注意力模型的网络参数。
在一些实施例中,基于上述第一差异值,上述执行主体可以调整上述初始第一注意力模型的网络参数。实践中,上述执行主体可以响应于确定上述第一差异值不满足第一预设条件,调整上述初始第一注意力模型的网络参数。其中,第一预设条件可以是上述第一差异值小于等于预设差异值。例如,可以对第一差异值和预设差异值求差值。在此基础上,利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。其中,对于预设差异值的设定,不作限定,例如,预设差异值可以是0.5。
可选地,响应于确定上述第一差异值满足第一预设条件,将上述初始第一注意力模型确定为训练后的第一注意力模型。
在一些实施例中,响应于确定上述第一差异值满足第一预设条件,上述执行主体可以将上述初始第一注意力模型确定为训练后的第一注意力模型。
步骤104,将障碍物隐藏状态信息组集和障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集。
在一些实施例中,上述执行主体可以将上述障碍物隐藏状态信息组集和上述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集。其中,上述交互注意力模型可以是以障碍物隐藏状态信息组集和障碍物地图隐藏状态信息集为输入,以交互状态信息集为输出的交互注意力模型。例如,交互注意力模型可以是cross_attention(交互注意力)模型。这里,可以将障碍物隐藏状态信息组集中的每个障碍物隐藏状态信息组作为交互注意力模型中的查询,将障碍物地图隐藏状态信息集作为交互注意力模型中的键和值,以通过交互注意力模型生成第一交互状态信息,得到第一交互状态集。第一交互状态信息集中的第一交互状态信息可以对应一个障碍物。
步骤105,将障碍物隐藏状态信息组集和地图隐藏状态信息组集输入至交互注意力模型中,得到第二交互状态信息集。
在一些实施例中,上述执行主体可以将上述障碍物隐藏状态信息组集和上述地图隐藏状态信息组集输入至上述交互注意力模型中,得到第二交互状态信息集。这里,可以将障碍物隐藏状态信息组集中的每个障碍物隐藏状态信息组作为交互注意力模型中的查询,将地图隐藏状态信息组集作为交互注意力模型的键和值,以通过交互注意力模型生成第二交互状态信息集。第二交互状态信息集中的第二交互状态信息可以对应一个障碍物。
步骤106,将交互隐藏状态信息集、第一交互状态信息集和第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集。
在一些实施例中,上述执行主体可以将上述交互隐藏状态信息集、上述第一交互状态信息集和上述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集。其中,上述轨迹信息生成模型可以是以交互隐藏状态信息集、第一交互状态信息集和第二交互状态信息集为输入,以轨迹信息集为输出的神经网络模型。这里,轨迹信息集中的轨迹信息可以对应一个障碍物。
可选地,上述轨迹信息生成模型可以是通过以下步骤训练得到的:
第一步,获取训练样本集。
在一些实施例中,上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中,上述训练样本集中的训练样本可以包括:样本交互信息和样本轨迹信息集,上述样本交互信息可以包括:样本交互隐藏状态信息集、样本第一交互状态信息集和样本第二交互状态信息集。样本轨迹信息集可以表征样本交互信息对应的标签。
第二步,从上述训练样本集中选取训练样本。
在一些实施例中,上述执行主体可以从上述训练样本集中选取训练样本。实践中,上述执行主体可以随机从上述训练样本集中选择训练样本。
第三步,确定初始轨迹信息生成模型。
在一些实施例中,上述执行主体可以确定初始轨迹信息生成模型。其中,上述初始轨迹信息生成模型可以是未经训练的以交互隐藏状态信息集、第一交互状态信息集和第二交互状态信息集为输入,以轨迹信息集为输出的神经网络模型。这里,上述初始轨迹信息生成模型可以包括:初始拼接模型、初始第三感知模型和初始第四感知模型。上述初始拼接模型可以用于将交互隐藏状态信息集中的每个交互隐藏状态信息、第一交互状态信息集中与上述交互隐藏状态信息对应的第一交互状态信息、第二交互状态信息集中与上述交互隐藏状态信息对应的第二交互状态信息进行拼接处理,以生成初始拼接信息,得到初始拼接信息集。上述初始第三感知模型可以包括初始拼接感知模型和初始第一拼接模型。这里,初始拼接感知模型可以是以初始拼接信息集为输入,以初始拼接感知信息集为输出的人工神经网络模型。例如,初始拼接感知模型可以是MLP模型。初始第一拼接模型可以用于将初始拼接信息集中的每个初始拼接信息、初始拼接感知信息集中对上述初始拼接信息对应的初始拼接感知信息进行拼接处理,以生成初始第三感知信息,得到初始第三感知信息集。上述初始第四感知模型可以包括初始归一化模型和初始归一化感知模型。这里,初始归一化模型可以用于基于归一化函数,对初始第三感知信息集中的初始第三感知信息进行归一化处理,以生成初始归一化感知信息,得到初始归一化感知信息集。例如,上述归一化函数可以是LN函数。初始归一化感知模型可以是以初始归一化感知信息集为输入,以初始轨迹信息集为输出的人工神经网络模型。例如,初始归一化感知模型可以是MLP模型。
第四步,将上述训练样本包括的样本交互隐藏状态信息集、样本第一交互状态信息集和样本第二交互状态信息集输入至上述初始拼接模型中,得到初始拼接信息集。
在一些实施例中,上述执行主体可以将上述训练样本包括的样本交互隐藏状态信息集、样本第一交互状态信息集和样本第二交互状态信息集输入至上述初始拼接模型中,得到初始拼接信息集。
第五步,将上述初始拼接信息集输入至上述初始第三感知模型中,得到初始第三感知信息集。
在一些实施例中,上述执行主体可以将上述初始拼接信息集输入至上述初始第三感知模型中,得到初始第三感知信息集。
第六步,将上述初始第三感知信息集输入至上述初始第四感知模型中,得到初始轨迹信息集。
在一些实施例中,上述执行主体可以将上述初始第三感知信息集输入至上述初始第四感知模型中,得到初始轨迹信息集。
第七步,基于预设的第二损失函数,确定上述初始轨迹信息集与上述训练样本包括的样本轨迹信息集之间的第二差异值。
在一些实施例中,基于预设的第二损失函数,上述执行主体可以确定上述初始轨迹信息集与上述训练样本包括的样本轨迹信息集之间的第二差异值。其中,预设的第二损失函数可以是但不限于:均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第八步,基于上述第二差异值,调整上述初始轨迹信息生成模型的网络参数。
在一些实施例中,基于上述第二差异值,上述执行主体可以调整上述初始轨迹信息生成模型的网络参数。实践中,上述执行主体可以响应于确定上述第二差异值不满足第二预设条件,调整上述初始轨迹信息生成模型的网络参数。其中,第二预设条件可以是上述第二差异值小于等于预设差异值。例如,可以对第二差异值和预设差异值求差值。在此基础上,利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
步骤106中的可选的技术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“造成难以有效控制目标车辆进行避障”。造成难以有效控制目标车辆进行避障的因素往往如下:通过神经网络预测轨迹信息的方式,需要对每个障碍物单独进行预测,当障碍物较多时,在预设周期内无法完成对全部障碍物的预测,导致预测出的轨迹信息的准确度较低。如果解决了上述因素,就能达到可以有效控制目标车辆进行避障的效果。为了达到这一效果,首先,获取训练样本集。其中,上述训练样本集中的训练样本包括:样本交互信息和样本轨迹信息集,上述样本交互信息包括:样本交互隐藏状态信息集、样本第一交互状态信息集和样本第二交互状态信息集。其次,从上述训练样本集中选取训练样本。接着,确定初始轨迹信息生成模型。其中,上述初始轨迹信息生成模型包括:初始拼接模型、初始第三感知模型和初始第四感知模型。由此,可以确定轨迹信息生成模型的初始模型,以便后续对初始轨迹信息生成模型进行训练得到轨迹信息生成模型。然后,将上述训练样本包括的样本交互隐藏状态信息集、样本第一交互状态信息集和样本第二交互状态信息集输入至上述初始拼接模型中,得到初始拼接信息集。由此,可以将各个障碍物对应的样本交互隐藏状态信息集、样本第一交互状态信息集和样本第二交互状态信息集输入至初始拼接模型得到初始拼接信息集,可以对每个障碍物一起进行处理。再然后,将上述初始拼接信息集输入至上述初始第三感知模型中,得到初始第三感知信息集。由此,可以通过初始第三感知模型,得到各个障碍物对应的第三感知信息集。之后,将上述初始第三感知信息集输入至上述初始第四感知模型中,得到初始轨迹信息集。由此,可以根据初始第三感知模型,得到各个障碍物对应的初始轨迹信息集。再之后,基于预设的第二损失函数,确定上述初始轨迹信息集与上述训练样本包括的样本轨迹信息集之间的第二差异值。由此,通过预设的第二损失函数计算轨迹信息集生成结果的差异值,用来是否需要调整模型。例如,当第二差异值小于等于预设差异值时,表示当前的初始轨迹信息生成模型生成的轨迹信息集的效果已经很好,从而,可以不对当前的初始轨迹信息生成模型进行调整。最后,基于上述第二差异值,调整上述初始轨迹信息生成模型的网络参数。由此,可以调整初始轨迹信息生成模型的网络参数,以便让模型生成的轨迹信息集更准确。从而,可以在预设周期内,通过一次轨迹信息生成模型的输出便可得到的各个障碍物对应的轨迹信息集。进而,可以有效控制目标车辆进行避障。
可选地,响应于确定上述第二差异值满足第二预设条件,将上述初始轨迹信息生成模型确定为训练后的轨迹信息生成模型。
在一些实施例中,响应于确定上述第二差异值满足第二预设条件,上述执行主体可以将上述初始轨迹信息生成模型确定为训练后的轨迹信息生成模型。
步骤107,将轨迹信息集、障碍物地图隐藏状态信息集和交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集。
在一些实施例中,上述执行主体可以将上述轨迹信息集、上述障碍物地图隐藏状态信息集和上述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集。其中,上述轨迹权重信息生成模型可以是以轨迹信息集、障碍物地图隐藏状态信息集和交互隐藏状态信息集为输入,以轨迹权重信息集为输出的神经网络模型。
可选地,上述轨迹权重信息生成模型可以是通过以下步骤训练得到的:
第一步,获取训练样本集。
在一些实施例中,上述执行主体可以通过有线连接或无线连接的方式从终端设备中获取训练样本集。其中,上述训练样本集中的训练样本可以包括:样本轨迹隐藏信息和样本轨迹权重信息集,上述样本轨迹隐藏信息可以包括:样本轨迹信息集、样本障碍物地图隐藏状态信息集和样本交互隐藏状态信息集。样本轨迹权重信息集可以表征样本轨迹隐藏信息对应的标签。
第二步,从上述训练样本集中选取训练样本。
在一些实施例中,上述执行主体可以从上述训练样本集中选取训练样本。实践中,上述执行主体可以随机从上述训练样本集中选择训练样本。
第三步,确定初始轨迹权重信息生成模型。
在一些实施例中,上述执行主体可以确定初始轨迹权重信息生成模型。其中,上述初始轨迹权重信息生成模型可以是未经训练的以轨迹信息集、障碍物地图隐藏状态信息集和交互隐藏状态信息集为输入,以轨迹权重信息集为输出的神经网络模型。上述初始轨迹权重信息生成模型可以包括:初始第五感知模型、初始交互注意力模型和初始第六感知模型。上述初始第五感知模型可以是与轨迹信息集为输入,以初始轨迹感知信息集为输出的人工神经网络模型。例如,初始第五感知模型可以是MLP模型。上述初始交互注意力模型可以是以初始轨迹感知信息集和障碍物地图隐藏状态信息集为输入,以初始交互感知信息集为输出的交互注意力模型。例如,初始交互注意力模型可以是cross_attention模型。这里,可以将初始轨迹感知信息集中的每个初始轨迹感知信息作为初始交互注意力模型中的查询,将障碍物地图隐藏状态信息集作为初始交互注意力模型中的键和值,以通过初始交互注意力模型生成初始交互感知信息,得到初始交互感知信息集。上述初始第六感知模型可以包括初始第一拼接模型和初始权重感知模型。初始第一拼接模型可以用于对初始轨迹感知信息集中的每个初始轨迹感知信息、初始交互感知信息集中与上述初始轨迹感知信息对应的初始交互感知信息、交互隐藏状态信息集中与上述初始轨迹感知信息对应的交互隐藏状态信息进行拼接处理,以生成初始拼接隐藏信息,得到初始拼接隐藏信息集。初始权重感知模型可以是以初始拼接隐藏信息集为输入,以初始轨迹权重信息集为输出的人工神经网络模型。例如,初始权重感知模型可以是MLP模型。
第四步,将上述训练样本包括的样本轨迹信息集输入至上述初始第五感知模型中,得到初始轨迹感知信息集。
在一些实施例中,上述执行主体可以将上述训练样本包括的样本轨迹信息集输入至上述初始第五感知模型中,得到初始轨迹感知信息集。
第五步,将上述初始轨迹感知信息集和上述训练样本包括的样本障碍物地图隐藏状态信息集输入至上述初始交互注意力模型中,得到初始交互感知信息集。
在一些实施例中,上述执行主体可以将上述初始轨迹感知信息集和上述训练样本包括的样本障碍物地图隐藏状态信息集输入至上述初始交互注意力模型中,得到初始交互感知信息集。
第六步,将上述初始轨迹感知信息集、上述初始交互感知信息集和上述训练样本包括的样本交互隐藏状态信息集输入至上述初始第六感知模型中,得到初始轨迹权重信息集。
在一些实施例中,上述执行主体可以将上述初始轨迹感知信息集、上述初始交互感知信息集和上述训练样本包括的样本交互隐藏状态信息集输入至上述初始第六感知模型中,得到初始轨迹权重信息集。
第七步,基于预设的第三损失函数,确定上述初始轨迹权重信息集与上述训练样本包括的样本轨迹权重信息集之间的第三差异值。
在一些实施例中,基于预设的第三损失函数,上述执行主体可以确定上述初始轨迹权重信息集与上述训练样本包括的样本轨迹权重信息集之间的第三差异值。其中,预设的第三损失函数可以是但不限于:均方误差损失函数(MSE)、合页损失函数(SVM)、交叉熵损失函数(CrossEntropy)、0-1损失函数、绝对值损失函数、log对数损失函数、平方损失函数、指数损失函数等。
第八步,基于上述第三差异值,调整上述初始轨迹权重信息生成模型的网络参数。
在一些实施例中,基于上述第三差异值,上述执行主体可以调整上述初始轨迹权重信息生成模型的网络参数。实践中,上述执行主体可以响应于确定上述第三差异值不满足第三预设条件,调整上述初始轨迹权重信息生成模型的网络参数。其中,第三预设条件可以是上述第三差异值小于等于预设差异值。例如,可以对第三差异值和预设差异值求差值。在此基础上,利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
可选地,响应于确定上述第三差异值满足第三预设条件,将上述初始轨迹权重信息生成模型确定为训练后的轨迹权重信息生成模型。
在一些实施例中,响应于确定上述第三差异值满足第三预设条件,上述执行主体可以将上述初始轨迹权重信息生成模型确定为训练后的轨迹权重信息生成模型。
步骤108,根据轨迹信息集和轨迹权重信息集,控制目标车辆进行避障。
在一些实施例中,根据上述轨迹信息集和上述轨迹权重信息集,上述执行主体可以控制目标车辆进行避障。实践中,上述执行主体可以控制目标车辆行驶在指定路线上以进行避障。其中,指定路线可以是在地图坐标系中,与上述轨迹信息集中的各个目标轨迹信息相异的路线。这里,目标轨迹信息可以是轨迹信息集中与轨迹权重信息集中大于预设权重值的轨迹权重信息对应的轨迹信息。例如,预设权重值可以是0.5。
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避障方法,可以有效控制目标车辆进行避障。具体来说,造成难以有效控制目标车辆进行避障的原因在于:通过运动学模型预测轨迹信息的方式,只能预测出较短时间内的轨迹信息,会导致预测出的轨迹信息的准确度较低。基于此,本公开的一些实施例的车辆避障方法,首先,获取地图信息集和障碍物轨迹信息集。其次,基于上述地图信息集和上述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集。由此,可以将表征地图数据的地图信息集和障碍物轨迹信息集,转换成表征向量的地图状态信息组集和障碍物状态信息组集,以便后续对地图状态信息组集和障碍物状态信息组集进行处理。接着,基于上述地图状态信息组集和上述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集。由此,可以得到地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集,以便后续生成轨迹信息集。然后,将上述障碍物隐藏状态信息组集和上述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集。由此,可以通过交互注意力模型,得到障碍物隐藏状态信息组集和障碍物地图隐藏状态信息集之间的交互关系的第一交互状态信息集。再然后,将上述障碍物隐藏状态信息组集和上述地图隐藏状态信息组集输入至上述交互注意力模型中,得到第二交互状态信息集。由此,可以通过交互注意力模型,得到障碍物隐藏状态信息组集和地图隐藏状态信息组集之间的交互关系的第二交互状态信息集。之后,将上述交互隐藏状态信息集、上述第一交互状态信息集和上述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集。由此,可以通过轨迹信息生成模型生成较长时间(例如,3s或其它指定时长)的轨迹信息集。再之后,将上述轨迹信息集、上述障碍物地图隐藏状态信息集和上述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集。由此,可以通过轨迹权重信息生成模型生成与轨迹信息集对应的轨迹权重信息集。最后,根据上述轨迹信息集和上述轨迹权重信息集,控制目标车辆进行避障。由此,可以通过交互注意力模型、轨迹信息生成模型、轨迹权重信息生成模型来代替运动学模型,生成较为准确的轨迹信息集和对应的轨迹权重信息集,以控制目标车辆进行避障。从而,可以有效控制目标车辆进行避障。
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避障装置的一些实施例,这些车辆避障装置实施例与图1所示的那些方法实施例相对应,该车辆避障装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的车辆避障装置200包括:获取单元201、第一生成单元202、第二生成单元203、第一输入单元204、第二输入单元205、第三输入单元206、第四输入单元207和控制单元208。其中,获取单元201,被配置成获取地图信息集和障碍物轨迹信息集;第一生成单元202,被配置成基于上述地图信息集和上述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集;第二生成单元203,被配置成基于上述地图状态信息组集和上述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集;第一输入单元204,被配置成将上述障碍物隐藏状态信息组集和上述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集;第二输入单元205,被配置成将上述障碍物隐藏状态信息组集和上述地图隐藏状态信息组集输入至上述交互注意力模型中,得到第二交互状态信息集;第三输入单元206,被配置成将上述交互隐藏状态信息集、上述第一交互状态信息集和上述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集;第四输入单元207,被配置成将上述轨迹信息集、上述障碍物地图隐藏状态信息集和上述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集;控制单元208,被配置成根据上述轨迹信息集和上述轨迹权重信息集,控制目标车辆进行避障。
可以理解的是,该车辆避障装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于车辆避障装置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(例如车载终端)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示出的电子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RAM303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、ROM302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ROM302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,ad hoc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:获取地图信息集和障碍物轨迹信息集;基于上述地图信息集和上述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集;基于上述地图状态信息组集和上述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集;将上述障碍物隐藏状态信息组集和上述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集;将上述障碍物隐藏状态信息组集和上述地图隐藏状态信息组集输入至上述交互注意力模型中,得到第二交互状态信息集;将上述交互隐藏状态信息集、上述第一交互状态信息集和上述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集;将上述轨迹信息集、上述障碍物地图隐藏状态信息集和上述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集;根据上述轨迹信息集和上述轨迹权重信息集,控制目标车辆进行避障。
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、第一生成单元、第二生成单元、第一输入单元、第二输入单元、第三输入单元、第四输入单元和控制单元。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“获取地图信息集和障碍物轨迹信息集”。
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)
1.一种车辆避障方法,包括:
获取地图信息集和障碍物轨迹信息集;
基于所述地图信息集和所述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集;
基于所述地图状态信息组集和所述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集;
将所述障碍物隐藏状态信息组集和所述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集;
将所述障碍物隐藏状态信息组集和所述地图隐藏状态信息组集输入至所述交互注意力模型中,得到第二交互状态信息集;
将所述交互隐藏状态信息集、所述第一交互状态信息集和所述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集;
将所述轨迹信息集、所述障碍物地图隐藏状态信息集和所述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集;
根据所述轨迹信息集和所述轨迹权重信息集,控制目标车辆进行避障。
2.根据权利要求1所述的方法,其中,所述基于所述地图信息集和所述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集,包括:
对所述地图信息集中的每个地图信息进行采样处理,以生成地图向量信息组,得到地图向量信息组集;
对所述障碍物轨迹信息集中的每个障碍物轨迹信息进行采样处理,以生成障碍物向量信息组,得到障碍物向量信息组集;
对所述地图向量信息组集中的每个地图向量信息进行嵌入处理,以生成地图状态信息,得到地图状态信息组集;
对所述障碍物向量信息组集中的每个障碍物向量信息进行嵌入处理,以生成障碍物状态信息,得到障碍物状态信息组集。
3.根据权利要求1所述的方法,其中,所述基于所述地图状态信息组集和所述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集,包括:
将所述地图状态信息组集中的每个地图状态信息输入至预先训练的第一注意力模型中,以生成地图隐藏状态信息,得到地图隐藏状态信息组集;
将所述障碍物状态信息组集中的每个障碍物状态信息输入至所述第一注意力模型中,以生成障碍物隐藏状态信息,得到障碍物隐藏状态信息组集;
将所述障碍物隐藏状态信息组集和所述地图隐藏状态信息组集组合为障碍物地图隐藏状态信息集;
将所述障碍物地图隐藏状态信息集输入至第二注意力模型中,得到交互隐藏状态信息集。
4.根据权利要求3所述的方法,其中,所述第一注意力模型是通过以下步骤训练得到的:
获取训练样本集,其中,所述训练样本集中的训练样本包括:样本状态信息和样本隐藏状态信息;
从所述训练样本集中选取训练样本;
确定初始第一注意力模型,其中,所述初始第一注意力模型包括:初始第一感知模型、初始第二感知模型、初始自注意力模型和初始预定义模型;
将所述训练样本包括的样本状态信息输入至所述初始第一感知模型中,得到初始第一感知信息;
将所述初始第一感知信息输入至所述初始第二感知模型中,得到初始第二感知信息;
将所述初始第二感知信息输入至所述初始自注意力模型中,得到初始注意力信息;
将所述初始注意力信息输入至所述初始预定义模型中,得到初始隐藏状态信息;
基于预设的第一损失函数,确定所述初始隐藏状态信息与所述训练样本包括的样本隐藏状态信息之间的第一差异值;
基于所述第一差异值,调整所述初始第一注意力模型的网络参数。
5.根据权利要求4所述的方法,其中,所述方法还包括:
响应于所述第一差异值满足第一预设条件,将所述初始第一注意力模型确定为训练后的第一注意力模型。
6.根据权利要求1所述的方法,其中,所述轨迹权重信息生成模型是通过以下步骤训练得到的:
获取训练样本集,其中,所述训练样本集中的训练样本包括:样本轨迹隐藏信息和样本轨迹权重信息集,所述样本轨迹隐藏信息包括:样本轨迹信息集、样本障碍物地图隐藏状态信息集和样本交互隐藏状态信息集;
从所述训练样本集中选取训练样本;
确定初始轨迹权重信息生成模型,其中,所述初始轨迹权重信息生成模型包括:初始第五感知模型、初始交互注意力模型和初始第六感知模型;
将所述训练样本包括的样本轨迹信息集输入至所述初始第五感知模型中,得到初始轨迹感知信息集;
将所述初始轨迹感知信息集和所述训练样本包括的样本障碍物地图隐藏状态信息集输入至所述初始交互注意力模型中,得到初始交互感知信息集;
将所述初始轨迹感知信息集、所述初始交互感知信息集和所述训练样本包括的样本交互隐藏状态信息集输入至所述初始第六感知模型中,得到初始轨迹权重信息集;
基于预设的第三损失函数,确定所述初始轨迹权重信息集与所述训练样本包括的样本轨迹权重信息集之间的第三差异值;
基于所述第三差异值,调整所述初始轨迹权重信息生成模型的网络参数。
7.根据权利要求6所述的方法,其中,所述方法还包括:
响应于所述第三差异值满足第三预设条件,将所述初始轨迹权重信息生成模型确定为训练后的轨迹权重信息生成模型。
8.一种车辆避障装置,包括:
获取单元,被配置成获取地图信息集和障碍物轨迹信息集;
第一生成单元,被配置成基于所述地图信息集和所述障碍物轨迹信息集,生成地图状态信息组集和障碍物状态信息组集;
第二生成单元,被配置成基于所述地图状态信息组集和所述障碍物状态信息组集,生成地图隐藏状态信息组集、障碍物隐藏状态信息组集、障碍物地图隐藏状态信息集和交互隐藏状态信息集;
第一输入单元,被配置成将所述障碍物隐藏状态信息组集和所述障碍物地图隐藏状态信息集输入至交互注意力模型中,得到第一交互状态信息集;
第二输入单元,被配置成将所述障碍物隐藏状态信息组集和所述地图隐藏状态信息组集输入至所述交互注意力模型中,得到第二交互状态信息集;
第三输入单元,被配置成将所述交互隐藏状态信息集、所述第一交互状态信息集和所述第二交互状态信息集输入至预先训练的轨迹信息生成模型中,得到轨迹信息集;
第四输入单元,被配置成将所述轨迹信息集、所述障碍物地图隐藏状态信息集和所述交互隐藏状态信息集输入至预先训练的轨迹权重信息生成模型中,得到轨迹权重信息集;
控制单元,被配置成根据所述轨迹信息集和所述轨迹权重信息集,控制目标车辆进行避障。
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 |
---|---|---|---|
CN202310354800.2A CN116088537B (zh) | 2023-04-06 | 2023-04-06 | 车辆避障方法、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 |
---|---|---|---|
CN202310354800.2A CN116088537B (zh) | 2023-04-06 | 2023-04-06 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116088537A true CN116088537A (zh) | 2023-05-09 |
CN116088537B CN116088537B (zh) | 2023-06-13 |
Family
ID=86201072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310354800.2A Active CN116088537B (zh) | 2023-04-06 | 2023-04-06 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116088537B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299474A (zh) * | 2023-05-23 | 2023-06-23 | 禾多科技(北京)有限公司 | 一体化雷达装置和车辆避障方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4705206B1 (ja) * | 2011-01-31 | 2011-06-22 | キャンバスマップル株式会社 | 電子ブック装置、および電子ブックプログラム |
CN110345935A (zh) * | 2019-06-04 | 2019-10-18 | 中国地质大学(武汉) | 一种室内地图匹配定位的方法 |
CN113253608A (zh) * | 2021-06-25 | 2021-08-13 | 北京国电通网络技术有限公司 | 基于人工智能的无人驾驶行吊设备轨迹生成方法和装置 |
CN115257727A (zh) * | 2022-09-27 | 2022-11-01 | 禾多科技(北京)有限公司 | 障碍物信息融合方法、装置、电子设备和计算机可读介质 |
EP4134878A2 (en) * | 2022-03-11 | 2023-02-15 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Method and apparatus for training a model, and method and apparatus for predicting a trajectory |
CN115761429A (zh) * | 2022-12-01 | 2023-03-07 | 北京地平线机器人技术研发有限公司 | 车辆轨迹预测方法和装置、轨迹预测模型训练方法和装置 |
CN115817515A (zh) * | 2023-01-18 | 2023-03-21 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、电子设备和计算机可读介质 |
-
2023
- 2023-04-06 CN CN202310354800.2A patent/CN116088537B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4705206B1 (ja) * | 2011-01-31 | 2011-06-22 | キャンバスマップル株式会社 | 電子ブック装置、および電子ブックプログラム |
CN110345935A (zh) * | 2019-06-04 | 2019-10-18 | 中国地质大学(武汉) | 一种室内地图匹配定位的方法 |
CN113253608A (zh) * | 2021-06-25 | 2021-08-13 | 北京国电通网络技术有限公司 | 基于人工智能的无人驾驶行吊设备轨迹生成方法和装置 |
EP4134878A2 (en) * | 2022-03-11 | 2023-02-15 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Method and apparatus for training a model, and method and apparatus for predicting a trajectory |
CN115257727A (zh) * | 2022-09-27 | 2022-11-01 | 禾多科技(北京)有限公司 | 障碍物信息融合方法、装置、电子设备和计算机可读介质 |
CN115761429A (zh) * | 2022-12-01 | 2023-03-07 | 北京地平线机器人技术研发有限公司 | 车辆轨迹预测方法和装置、轨迹预测模型训练方法和装置 |
CN115817515A (zh) * | 2023-01-18 | 2023-03-21 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、电子设备和计算机可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299474A (zh) * | 2023-05-23 | 2023-06-23 | 禾多科技(北京)有限公司 | 一体化雷达装置和车辆避障方法 |
CN116299474B (zh) * | 2023-05-23 | 2023-09-12 | 禾多科技(北京)有限公司 | 一体化雷达装置和车辆避障方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116088537B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001287B (zh) | 障碍物的点云信息生成方法、装置、电子设备和介质 | |
CN112918487B (zh) | 无人车起步方法、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 | |
CN113050643A (zh) | 无人车路径规划方法、装置、电子设备和计算机可读介质 | |
CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN110956128A (zh) | 生成车道线图像的方法、装置、电子设备和介质 | |
CN116164770B (zh) | 路径规划方法、装置、电子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 | |
CN111626990A (zh) | 目标检测框处理方法、装置及电子设备 | |
CN116258911A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN110555861A (zh) | 光流计算方法、装置及电子设备 | |
CN116072108A (zh) | 模型生成方法、语音识别方法、装置、介质及设备 | |
CN113741750B (zh) | 光标位置更新方法、装置和电子设备 | |
CN112685996B (zh) | 文本标点预测方法、装置、可读介质和电子设备 | |
CN111310858B (zh) | 用于生成信息的方法和装置 | |
CN115876493B (zh) | 用于自动驾驶的测试场景生成方法、装置、设备和介质 | |
CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 | |
CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
CN110633707A (zh) | 预测速度的方法和装置 | |
CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
CN116645211B (zh) | 推荐用户信息生成方法、装置、设备和计算机可读介质 | |
CN115565607B (zh) | 确定蛋白质信息的方法、装置、可读介质及电子设备 | |
CN111738416B (zh) | 模型同步更新方法、装置及电子设备 | |
CN115731525B (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN116071224A (zh) | 图像转换模型训练方法、图像转换方法和装置 |
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 |