CN116091855A - 车辆的停靠位置确定方法及装置、车辆 - Google Patents
车辆的停靠位置确定方法及装置、车辆 Download PDFInfo
- Publication number
- CN116091855A CN116091855A CN202111289367.6A CN202111289367A CN116091855A CN 116091855 A CN116091855 A CN 116091855A CN 202111289367 A CN202111289367 A CN 202111289367A CN 116091855 A CN116091855 A CN 116091855A
- Authority
- CN
- China
- Prior art keywords
- real
- vehicle
- road condition
- condition information
- machine learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种车辆的停靠位置确定方法,所述方法包括:根据车辆的目的位置确定目标区域,目标区域与目的位置的最大距离小于距离阈值;获取当前时刻目标区域的实时路况信息,实时路况信息包括至少一种道路元素;根据实时路况信息和目标机器学习模型,确定当前时刻车辆在目标区域的停靠位置。本申请可以使得车辆在确定的停靠位置停车,且使得用户在确定的停靠位置上下车更加便捷、安全。
Description
技术领域
本申请实施例涉及自动驾驶领域,尤其涉及一种车辆的停靠位置确定方法及装置、车辆。
背景技术
随着计算机技术的发展,自动驾驶技术的应用越来越广泛。在自动驾驶场景下,车辆可以自动停靠以使用户上下车。
在目前已有的方案中,当用户需要上车或下车时,可以向车辆发送携带有目的位置的行车指令,车辆根据接收到的行车指令确定目的位置。之后车辆行驶至目的位置并在目的位置停靠,以使用户在目的位置上下车。
但是目的位置可能存在障碍物或者目的位置的路面状况较差(例如存在积水、淤泥或者坑洼区域较深),从而导致车辆无法停靠或者停靠后用户上下车的便捷性较差。
发明内容
本申请提供一种车辆的停靠位置确定方法及装置、车辆,使得车辆在确定的停靠位置停车和用户在确定的停靠位置上下车更加便捷、安全。
第一方面,本申请提供一种车辆的停靠位置确定方法,所述方法包括:根据车辆的目的位置确定目标区域,所述目标区域与所述目的位置的最大距离小于距离阈值;获取当前时刻所述目标区域的实时路况信息,所述实时路况信息包括至少一种道路元素;根据所述实时路况信息和目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
该方法中,根据实时路况信息和目标机器学习模型,确定当前时刻车辆在目标区域的停靠位置,在确定停靠位置的过程中考虑了路况的变化情况,使得车辆可以在确定的停靠位置停车,且使得用户在确定的停靠位置上下车更加便捷、安全。
并且目标机器学习模型为通过数据训练,使用算法得到数据的规律和本质后得到的模型。实时路况信息通常包括较多种类的道路元素,其信息量较为复杂。目标机器学习模型能够对较多种类的道路元素进行处理,进而从多个候选位置中准确且高效地确定最佳的停靠位置。具体地,目标机器学习模型在训练过程中能够根据训练标签自适应得到较多种类的道路元素中各种道路元素的重要性以及多种道路元素之间的冗余性。这样使得训练得到的目标机器学习模型能够准确得到每个候选位置对应的多种道路元素的重要性以及多种道路元素之间的冗余性,从而能够根据每个候选位置对应的多种道路元素的重要性以及多种道路元素之间的冗余性,从多个候选位置中确定并输出最佳的停靠位置。
其中,目标机器学习模型可以包括以下至少一种:视觉变换(VisionTransformers)模型、卷积神经网络(Convolutional Neural Networks,CNN)模型、图变换(Graph Transformers)模型、图神经网络(Graph Neural Network,GNN)模型。
目标区域为目的位置的附近区域,其可以包括目的位置,也可以不包括目的位置。示例地,目标区域可以为以目的位置为几何中心的圆形区域或矩形区域等。
目的位置可以是车辆根据接收到的行车指令确定的。用户可以通过外围设备或者终端设备(例如手机、计算机和手环等)上运行的应用程序发送行车指令。
在一种可能的实现方式中,所述实时路况信息包括以下至少一种道路元素:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域、坑洼区域。实时路况信息包括的道路元素通常为动态的道路元素。
实时路况信息可以由车辆中的传感器系统对目标区域进行识别得到。示例地,传感器系统可以通过雷达或相机获取目标区域的图像,之后通过计算机视觉系统对目标区域的图像进行处理和分析,得到目标区域的实时路况信息。计算机视觉系统可以通过以下至少一种处理和分析方式得到实时路况信息:障碍物检测、车道线检测、可行驶区域分割、积水区域分割、淤泥区域分割、坑洼区域分割。
可选地,实时路况信息中的部分道路元素具有相同意义,例如实时路况信息中的车辆、路障、行人或栏杆为目标区域中除可行驶区域之外的区域(也称不可行驶区域),因此实时路况信息中也可以不包括车辆、路障、行人或栏杆等,只要使得可行驶区域中不包括车辆、路障、行人或栏杆等即可。
在一种可能的实现方式中,所述方法还包括:获取所述当前时刻所述目标区域的地图信息,所述地图信息包括至少一种道路元素;所述根据所述实时路况信息和目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置,包括:根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置。
可选地,地图信息可以通过地图得到,地图可以为高精地图。高精地图通常通过至少一个地图图层表示道路元素,每个地图图层用于表示一种道路元素。示例地,地图信息可以包括以下至少一种道路元素:车道线、人行道、路沿、道路坡度、道路限速、车流量、可行驶区域。
地图信息可以预先存储在车辆中或者云端。
在一种可能的实现方式中,所述方法还包括:利用所述实时路况信息更新所述地图信息,得到更新后的地图信息,所述更新后的地图信息包括所述实时路况信息中的道路元素;所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:根据所述更新后的地图信息和所述目标机器学习模型,确定所述停靠位置。
对于实时路况信息中的任一道路元素,若地图信息中已有该道路元素,则将地图信息中的道路元素更新为实时路况信息中的道路元素。若地图信息中不存在该道路元素,则在地图信息中增加该道路元素。
实时路况信息和地图信息中的部分道路元素具有相同意义,车辆可以将具有相同意义的道路元素分别用不同的地图图层表示,也可以用同一地图图层表示,本申请实施例对此不做限定。
利用地图存储实时路况信息,地图的数据结构比较适用于存储实时路况信息。此外更新后的地图信息还可以用于后续车辆的自动驾驶和自动停靠(例如路径规划或者下一次的停靠位置确定等),提高了对实时路况信息的利用率。
在一种可能的实现方式中,所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:将所述实时路况信息和所述地图信息输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
该实现方式中,目标区域包括多个候选位置,目标机器学习模型用于基于输入的实时路况信息,确定目标区域中多个候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。该停靠优先级可以用字母或者阿拉伯数字表示。可选地,多个候选位置可以为目标区域中的所有位置。
目标机器学习模型可以通过监督学习的训练过程得到。可选地,可以根据训练位置确定训练区域,训练区域与训练位置的最大距离小于距离阈值,训练区域包括多个位置。利用训练区域的实时路况信息和地图信息(即训练区域中多个位置分别对应的实时路况信息和地图信息)以及训练区域中多个位置分别对应的训练标签对初始模型进行训练,得到目标机器学习模型。
该模型训练过程中,可以通过仿真模拟车辆向训练位置自动行驶的过程,以获取到训练区域的实时路况信息和地图信息。
在一种可能的实现方式中,所述方法还包括:通过仿真获取所述多个位置分别对应的标签参数,所述位置对应的所述标签参数包括以下至少一种:从所述训练位置步行至所述位置的耗时、所述车辆停靠在所述位置时所述位置的车流的延迟、所述位置的停靠状态、在所述位置发生事故的概率;基于所述位置对应的标签参数,确定所述位置对应的训练标签。
对于不同种类的模型,其输入数据的格式不同,因此当实时路况信息的格式与目标机器学习模型的输入数据的格式不同时,需要对应目标机器学习模型的种类对实时路况信息进行数据编码,以使数据编码后的数据格式符合目标机器学习模型的输入格式要求。之后将数据编码后的信息输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。
在一种可能的实现方式中,目标机器学习模型的输入格式要求为特征图,例如Vision Transformers模型和CNN模型。此时需要将实时路况信息数据编码为特征图。所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:根据所述实时路况信息和所述地图信息,得到至少一个特征图,所述特征图用于指示所述实时路况信息和所述地图信息中的至少一种道路元素;将所述至少一个特征图输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
示例地,可以确定鸟瞰视角下的目标区域对应的栅格图。之后根据实时路况信息中的至少一种道路元素,确定每个栅格的中心点的位置对应的至少一种道路元素,得到用于指示该至少一种道路元素的一个特征图。
该实现方式中,目标区域包括多个候选位置,目标机器学习模型用于基于输入的至少一个特征图,确定目标区域中多个候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息。之后根据训练区域的实时路况信息得到至少一个特征图,并利用至少一个特征图和训练区域中多个位置分别对应的训练标签对初始模型进行训练,得到目标机器学习模型。
在一种可能的实现方式中,目标机器学习模型的输入格式要求为数据集合,例如Graph Transformers模型或GNN模型等,此时需要将实时路况信息数据数据编码为数据集合。数据集合可以包括非欧几里得数据格式,非欧几里得数据格式指的是离散分布的数据格式。所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:确定所述实时路况信息和所述地图信息中的道路元素分别对应的初始候选位置集,所述初始候选位置集包括所述多个候选位置中的至少一个候选位置;将所述实时路况信息和所述地图信息中的所有道路元素分别对应的初始候选位置集进行合并,得到候选位置集;根据所述实时路况信息和所述地图信息中所述候选位置集中的候选位置分别对应的道路元素,得到所述候选位置集中的候选位置分别对应的数据集合,所述候选位置集中的任一候选位置对应的数据集合用于指示所述实时路况信息和所述地图信息中所述任一候选位置对应的道路元素;将所述候选位置集中的候选位置分别对应的数据集合输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
示例地,对于实时路况信息和地图信息中的每个道路元素,其对应的初始候选位置集可以为该道路元素中的关键位置。
该实现方式中,目标区域包括多个候选位置,目标机器学习模型用于基于输入的候选位置集中的候选位置分别对应的数据集合,确定候选位置集中的候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息。之后确定训练区域的实时路况信息中的道路元素分别对应的初始位置集,初始位置集包括训练区域的多个位置中的至少一个位置。将训练区域的实时路况信息中的所有道路元素分别对应的初始位置集进行合并,得到位置集。根据训练区域的实时路况信息中位置集中的位置分别对应的道路元素,得到位置集中的位置分别对应的数据集合,位置集中的任一位置对应的数据集合用于指示训练区域的实时路况信息中任一位置对应的道路元素。最后利用位置集中的位置分别对应的数据集合和训练标签对初始模型进行训练,得到目标机器学习模型。
在一种可能的实现方式中,所述目标区域包括多个候选位置,所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:根据所述实时路况信息、所述地图信息以及所述目的位置,确定所述多个候选位置中每个候选位置对应的一个或多个特征数据,所述一个或多个特征数据包括以下至少一种特征数据:可停靠特征、距离特征、阻挡车流特征、车流量特征;将所述多个候选位置分别对应的一个或多个特征数据输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置;其中,所述可停靠特征表示所述候选位置的停靠状态,所述距离特征表示所述目的位置与所述候选位置的距离,所述阻挡车流特征表示所述车辆停靠在所述候选位置时对车流的阻挡程度、所述车流量特征表示所述候选位置的车流量。
可停靠特征可以表示为F1,停靠状态可以包括以下至少一种:不可停靠、可以停靠、可以停靠但路面状况较差(例如候选位置处于积水区域、淤泥区域或坑洼区域等)。
距离特征可以通过两个距离F2和F3表示。F2表示目的位置与候选位置在第一方向的距离,F3表示目的位置与候选位置在第二方向上的距离。示例地,第一方向可以为车辆的长度所在的方向,第二方向为车辆的宽度所在的方向。
阻挡车流特征可以表示为F4,F4可以通过候选位置所在的道路的宽度以及车辆的宽度得到,例如F4可以为车辆的宽度与候选位置所在的道路的宽度的比值。
车流量特征可以表示为F5,F5可以通过候选位置的坐标以及地图信息得到。示例地,车辆可以基于地图信息中的车流量确定候选位置的坐标所对应的车流量,进而得到F5的值。
该实现方式中,目标机器学习模型用于基于输入的多个候选位置分别对应的一个或多个特征数据,确定多个候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息。之后根据训练区域的实时路况信息和目的位置,确定训练区域的多个位置分别对应的一个或多个特征数据。最后利用多个位置分别对应的一个或多个特征数据和训练标签对初始模型进行训练,得到目标机器学习模型。
在一种可能的实现方式中,所述方法还包括:循环执行停靠位置确定过程,直至所述车辆停止行驶;所述停靠位置确定过程包括:获取当前时刻所述目标区域的实时路况信息;根据所述实时路况信息和所述目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
由于在车辆自动行驶过程中,实时路况信息一直是变化的,因此循环执行停靠位置确定过程,可以根据变化的实时路况信息确定最佳的停靠位置。示例地,车辆可以每间隔t即重新执行前述过程201至过程204,t可以为0.25秒、0.3秒或0.5秒等,本申请实施例对t的取值不做限定。
第二方面,本申请提供一种车辆的停靠位置确定装置,所述装置包括:第一确定模块,用于根据车辆的目的位置确定目标区域,所述目标区域与所述目的位置的最大距离小于距离阈值;第一获取模块,用于获取当前时刻所述目标区域的实时路况信息,所述实时路况信息包括至少一种道路元素;第二确定模块,用于根据所述实时路况信息和目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
在一种可能的实现方式中,所述实时路况信息包括以下至少一种道路元素:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域、坑洼区域。
在一种可能的实现方式中,所述装置还包括:第二获取模块,用于获取所述当前时刻所述目标区域的地图信息,所述地图信息包括至少一种道路元素;所述第二确定模块,包括:确定单元,用于根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置。
在一种可能的实现方式中,所述装置还包括:更新模块,用于利用所述实时路况信息更新所述地图信息,得到更新后的地图信息,所述更新后的地图信息包括所述实时路况信息中的道路元素;所述确定单元,具体用于根据所述更新后的地图信息和所述目标机器学习模型,确定所述停靠位置。
在一种可能的实现方式中,所述确定单元,具体用于将所述实时路况信息和所述地图信息输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
在一种可能的实现方式中,所述确定单元,具体用于根据所述实时路况信息和所述地图信息,得到至少一个特征图,所述特征图用于指示所述实时路况信息和所述地图信息中的至少一种道路元素;将所述至少一个特征图输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
在一种可能的实现方式中,所述目标区域包括多个候选位置,所述确定单元,具体用于确定所述实时路况信息和所述地图信息中的道路元素分别对应的初始候选位置集,所述初始候选位置集包括所述多个候选位置中的至少一个候选位置;将所述实时路况信息和所述地图信息中的所有道路元素分别对应的初始候选位置集进行合并,得到候选位置集;根据所述实时路况信息和所述地图信息中所述候选位置集中的候选位置分别对应的道路元素,得到所述候选位置集中的候选位置分别对应的数据集合;将所述候选位置集中的候选位置分别对应的数据集合输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
在一种可能的实现方式中,所述目标区域包括多个候选位置,所述确定单元,具体用于根据所述实时路况信息、所述地图信息以及所述目的位置,确定所述多个候选位置中每个候选位置对应的一个或多个特征数据,所述一个或多个特征数据包括以下至少一个特征数据:可停靠特征、距离特征、阻挡车流特征、车流量特征;将所述多个候选位置分别对应的一个或多个特征数据输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置;其中,所述可停靠特征表示所述候选位置的停靠状态,所述距离特征表示所述目的位置与所述候选位置的距离,所述阻挡车流特征表示所述车辆停靠在所述候选位置时对车流的阻挡程度、所述车流量特征表示所述候选位置的车流量。
在一种可能的实现方式中,所述装置还包括:循环模块,用于循环执行停靠位置确定过程,直至所述车辆停止行驶;所述停靠位置确定过程包括:获取当前时刻所述目标区域的实时路况信息;根据所述实时路况信息和目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
第三方面,本申请提供一种车辆的停靠位置确定装置,包括:一个或多个处理器;存储器,用于存储一个或多个计算机程序或指令;当所述一个或多个计算机程序或指令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第一方面中任一项所述的方法。
第四方面,本申请提供一种车辆的停靠位置确定装置,包括:处理器,所述处理器用于执行如第一方面中任一项所述的方法。
第五方面,本申请提供一种计算机可读存储介质,包括计算机程序或指令,所述计算机程序或指令在计算机上被执行时,使得所述计算机执行第一方面中任一项所述的方法。
第六方面,本申请提供一种计算机程序产品,所述计算机程序产品包括计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行第一方面中任一项所述的方法。
第七方面,本申请提供一种车辆,所述车辆包括控制系统和如第二方面至第四方面任一项所述的车辆的停靠位置确定装置;所述车辆的停靠位置确定装置用于确定所述车辆在目标区域的停靠位置;所述控制系统用于根据确定的所述停靠位置控制所述车辆泊车。
附图说明
图1为本申请实施例提供的一种车辆的自动行驶以及自动停靠的流程示意图;
图2为本申请实施例提供的一种车辆的功能框图;
图3为本申请实施例提供的一种车辆的停靠位置确定方法的流程示意图;
图4为本申请实施例提供的一种根据实时路况信息和目标机器学习模型确定停靠位置的方法示意图;
图5为本申请实施例提供的另一种根据实时路况信息和目标机器学习模型确定停靠位置的方法示意图;
图6为本申请实施例提供的再一种根据实时路况信息和目标机器学习模型确定停靠位置的方法示意图;
图7为本申请实施例提供的又一种根据实时路况信息和目标机器学习模型确定停靠位置的方法示意图;
图8为本申请实施例提供的一种车辆停靠在候选位置的场景示意图;
图9为本申请实施例提供的另一种车辆的停靠位置确定方法的流程示意图;
图10为本申请实施例提供的一种车辆的停靠位置确定装置的框图;
图11为本申请实施例提供的另一种车辆的停靠位置确定装置的框图;
图12为本申请实施例提供的一种第二确定模块的框图;
图13为本申请实施例提供的再一种车辆的停靠位置确定装置的框图;
图14为本申请实施例提供的又一种车辆的停靠位置确定装置的框图;
图15为本申请实施例提供的一种车辆的停靠位置确定装置的结构示意图;
图16为本申请实施例提供的另一种车辆的停靠位置确定装置的结构示意图。
具体实施方式
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,所描述的实施例是本申请一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述对象的特定顺序。例如,第一范围和第二范围等是用于区别不同的范围,而不是用于描述范围的特定顺序。
在本申请实施例中,“在一种示例中”、“示例地”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“在一种示例中”、“示例地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“在一种示例中”、“示例地”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,除非另有说明,“至少一个”的含义是指一个或多个,“多个”的含义是指两个或两个以上。例如,多个处理单元是指两个或两个以上的处理单元;多个系统是指两个或两个以上的系统。
在自动驾驶场景下,车辆可以被配置为完全或部分地自动驾驶模式。例如,车辆可以在处于自动驾驶模式中的同时控制自身,并且可通过人为操作来确定车辆及其周边环境的当前状态,确定周边环境中的至少一个其他车辆的可能行为,并确定其他车辆执行可能行为的可能性相对应的置信水平,基于所确定的信息来控制车辆。在车辆处于自动驾驶模式时,可以将车辆置为在没有和人交互的情况下操作。
示例地,自动驾驶场景可以包括自动泊车场景、自动召回场景以及自动接驳场景等。自动泊车场景中,车辆可以在停车场入口附近自动停靠,在用户下车后车辆自动泊车。自动召回场景中,车辆从当前位置自动行驶至用户指定位置并自动停靠,用户在车辆自动停靠后上下车。自动接驳场景中,车辆在自动行驶过程中临时自动停靠以使得用户上下车。
以下对自动驾驶场景中车辆的自动行驶以及自动停靠过程进行说明。请参考图1,图1为本申请实施例提供的一种车辆的自动行驶以及自动停靠的流程示意图。当用户需要上车或下车时,可以向车辆发送携带有目的位置的行车指令,车辆接收携带有目的位置的行车指令,之后车辆根据目的位置规划行驶路径,并从当前位置出发向目的位置行驶。在行驶至目的位置附近时(例如距离目的位置几十米),车辆确定停靠位置,根据停靠位置泊车,随后用户上下车。
相关技术中,车辆通常直接将目的位置确定为停靠位置,但是目的位置可能存在障碍物,例如目的位置临时施工、临时建有围栏或者被其他车辆占用等,导致车辆无法自动停靠。此外,目的位置的路面状况可能较差,例如存在积水、淤泥或者坑洼区域较深等,导致用户上下车的便捷性较差进而影响用户上下车体验。
本申请实施例提供了一种车辆的停靠位置确定方法,以在车辆的自动行驶以及自动停靠的流程中确定停靠位置。该车辆的停靠位置确定方法可以应用于车辆,请参考图2,图2为本申请实施例提供的一种车辆的功能框图,该车辆100可以包括各种子系统,例如行进系统101、传感器系统102、控制系统103、一个或多个外围设备104、电源105、用户接口106和计算机系统107。可选地,车辆100可以包括更多或更少的子系统,并且每个子系统可以包括多个元件。另外,车辆100的每个子系统和元件可以通过有线或者无线互连,例如可以通过车载通讯网络互连,车载通讯网络可以包括控制器局域网络总线(Controller AreaNetwork Bus,CAN Bus)或车载以太网等。
行进系统101可以包括用于向车辆100提供动力的组件。在一个实施例中,行进系统101可以包括引擎1011、能量源1012、传动装置1013和车轮1014。
其中,引擎1011可以是内燃引擎、电动机、空气压缩引擎或其他类型的一种引擎或多种引擎的组合,这里多种引擎的组合,举例来说可以包括:汽油发动机和电动机组成的混动引擎,内燃引擎和空气压缩引擎组成的混动引擎。引擎1011用于将能量源1012转换成机械能量。
能量源1012可以包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源1012也可以向车辆100的其他系统提供能量。
传动装置1013可以将来自引擎1011的机械动力传送到车轮1014。传动装置1013可以包括变速箱、差速器和驱动轴。在一个实施例中,传动装置1013还可以包括其他器件,比如离合器。其中,驱动轴可包括可耦合到一个或多个车轮1014的一个或多个轴。
传感器系统102可以包括感测关于车辆100自身以及车辆100周边的环境的信息的若干个传感器。例如,传感器系统102可以包括定位系统1021(定位系统可以是全球定位系统(global positioning system,GPS),也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit,IMU)1022、雷达1023(雷达可以是激光雷达)、激光测距仪1024、相机1025、计算机视觉系统1026以及传感器融合算法1027。传感器系统102还可以包括车辆100的内部系统的传感器(例如,车内空气质量监测器、燃油量表以及机油温度表等)。来自这些传感器中的一个或多个传感器数据可用于检测待检测的对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆100实现安全操作的关键功能。
其中,定位系统1021可以用于估计车辆100的地理位置。IMU 1022可以用于基于惯性加速度来感测车辆100的位置和朝向变化。在一个实施例中,IMU 1022可以是加速度计和陀螺仪的组合。
雷达1023可以利用无线电信号来感测车辆100的周边环境中的物体。在一些实施例中,除了感测物体以外,雷达1023还可用于感测物体的速度和/或行进方向。雷达1023包括但不限于激光雷达和毫米波雷达。
激光测距仪1024可以利用激光来感测车辆100所处环境中的物体。在一些实施例中,激光测距仪1024可以包括一个或多个激光源、激光扫描器以及一个或多个检测器,以及其他系统组件。
相机1025可以用于捕捉车辆100的周边环境的多个图像。相机1025可以是静态相机或视频相机。
计算机视觉系统1026可以用于处理和分析由相机1025捕捉的图像以便识别车辆100周边环境中的物体和/或特征。所述物体和/或特征可包括交通信号、道路边界、障碍物和路面状况。计算机视觉系统1026可使用物体识别算法、运动中恢复结构(Structure fromMotion,SFM)算法、视频跟踪和其他计算机视觉技术。在一些实施例中,计算机视觉系统1026可以用于为环境绘制地图、跟踪物体、估计物体的速度等。
控制系统103用于执行控制车辆100及其组件的操作。控制系统103可以包括各种元件。如图2所示,控制系统103可以包括转向系统1031、油门1032、制动单元1033、路线规划系统1034以及障碍物避免系统1035。
通过对转向系统1031的操作可以调整车辆100的前进方向。例如在一个实施例中可以为方向盘系统。油门1032用于控制引擎1011的操作速度并进而控制车辆100的速度。
制动单元1033用于控制车辆100减速。制动单元1033可使用摩擦力来减慢车轮1014。在其他实施例中,制动单元1033可将车轮1014的动能转换为电流。制动单元1033也可采取其他形式来减慢车轮1014的转速从而控制车辆100的速度。
路线规划系统1034用于确定车辆100的行驶路线。在一些实施例中,路线控制系统1034可结合来自传感器系统102(例如定位系统1021和计算机视觉系统1026)和一个或多个预定地图的数据为车辆100规划出能避开环境中潜在障碍物的行驶路线。
障碍物避免系统1035用于根据路线规划系统1034输出的行驶路线或行驶轨迹生成油门刹车以及转向角的控制量,从而对转向系统1031、油门1032以及制动单元1033进行控制。
当然,在一个实例中,控制系统103可以增加或替换地包括除了所示出和描述的那些以外的组件。或者也可以减少一部分上述示出的组件。
车辆100通过一个或多个外围设备104与外部传感器、其他车辆、其他计算机系统或用户之间进行交互。外围设备104可包括无线通信系统1041、车载电脑1042、麦克风1043和/或扬声器1044。
在一些实施例中,外围设备104用于提供车辆100的用户与用户接口106交互的手段。例如,车载电脑1042可以向车辆100的用户提供信息。用户接口106还可以操作车载电脑1042来接收用户的输入。在一种实现方式中,车载电脑1042可以通过触摸屏进行操作。在其他情况中,外围设备104可提供用于车辆100与位于车内的其它设备通信的手段。例如,麦克风1043可以从车辆100的用户接收音频(例如,语音命令或其他音频输入)。类似地,扬声器1044可以向车辆100的用户输出音频。
无线通信系统1041可以直接地或者经由通信网络来与一个或多个设备无线通信。例如,无线通信系统1041可使用第三代移动通信技术(3th generation mobilecommunication technology,3G)通信,例如码分多址(code division multiple access,CDMA)、全球移动通信系统(global systemfor mobile communications,GSM),或者第四代移动通信技术(4th generation mobile communication technology,4G)通信,例如LTE(long termevolution,长期演进)。或者第五代移动通信技术(5th generation mobilecommunication technology,5G)通信。无线通信系统1041可利用无线保真(wirelessfidelity,WiFi)与无线局域网(wireless localarea network,WLAN)通信。在一些实施例中,无线通信系统1041可以利用红外链路、蓝牙或紫蜂(Zigbee)与设备直接通信。其他无线协议,例如各种车辆通信系统,例如,无线通信系统1041可以包括一个或多个专用短程通信(dedicated short range communications,DSRC)设备,这些设备可以包括车辆和/或路边台站之间的公共和/或私有数据通信设备。
电源105可以向车辆100的各种组件提供电力。在一个实施例中,电源105可以为可再充电锂离子或铅酸电池。这种电池的一个或多个电池组可被配置为电源并为车辆100的各种组件提供电力。在一些实施例中,电源105和能量源1012可以一起实现,如在全电动车中,电源105和能量源1012可以一起实现。
车辆100的部分或所有功能受计算机系统107控制。计算机系统107可以包括至少一个处理器1071,处理器1071执行存储在例如存储器1072这样的非暂态计算机可读介质中的指令1073。计算机系统107还可以是采用分布式方式控制车辆100的个体组件或子系统的多个计算设备。
处理器1071可以是任何常规的处理器,诸如商业可获得的中央处理器(centralprocessing unit,CPU)。替选地,该处理器1071可以是诸如集成电路(applicationspecific integrated circuit,ASIC)或其它基于硬件的处理器的专用设备。尽管图2功能性地图示了处理器1071、存储器1072以及计算机系统107的其它元件,但是本领域的普通技术人员应该理解该处理器1071和存储器1072实际上可以包括不位于相同物理外壳内的其他多个处理器、或存储器。例如,存储器1072可以是硬盘驱动器或位于不同于计算机系统107的外壳内的其它存储介质。因此,对处理器1071的引用将被理解为包括对可以并行或不并行操作的处理器或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤,诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器,所述处理器只执行与特定于组件的功能相关的计算;或者行进系统101、传感器系统102和控制系统103等子系统也可以有自己的处理器,用于实现对应子系统的相关任务的计算从而实现相应功能。
在此处所描述的各个方面中,处理器1071可以位于远离该车辆100的地方并且与该车辆100进行无线通信。在其它方面中,此处所描述的过程中的一些在布置于车辆100内的处理器上执行,而其它则由远程处理器执行,包括采取执行单一操纵的必要步骤。
在一些实施例中,存储器1072可包含指令1073(例如,程序逻辑),指令1073可被处理器1071执行来执行车辆100的各种功能,包括以上描述的那些功能。存储器1072也可包含额外的指令,包括向行进系统101、传感器系统102、控制系统103和外围设备104中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令1073以外,存储器1072还可存储其他相关数据,例如地图信息、路线信息,车辆的位置、方向、速度以及其它相关信息。这种信息可在车辆100处于自主、半自主和/或手动模式的操作期间被车辆100或具体被计算机系统107使用。
用户接口106用于向车辆100的用户提供信息或从其接收信息。可选地,用户接口106可包括在外围设备104的集合内的一个或多个输入/输出设备,例如无线通信系统1041、车载电脑1042、麦克风1043和扬声器1044。
计算机系统107可以基于从各种子系统(例如,行进系统101、传感器系统102和控制系统103)以及从用户接口106接收的输入来控制车辆100的功能。在一些实施例中,计算机系统107可操作以对车辆100及其子系统的许多方面提供控制。
可选地,上述这些组件中的一个或多个可与车辆100分开安装或关联。例如,存储器1072可以部分或完全地与车辆100分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地,上述组件只是一个示例,实际应用中,上述各个模块中的组件有可能根据实际需要增添或者删除,图2不应理解为对本申请实施例的限制。
在道路行进的自动驾驶汽车,如上面的车辆100,可以识别其周围环境内的物体以确定对车辆行驶轨迹的调整,其中包括对车辆速度的调整。所述物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中,可以独立地考虑每个识别的物体,并且基于物体的各自的特性,诸如它的当前速度、加速度、与车辆的间距等,用来确定自动驾驶汽车的轨迹规划,包含所要调整的速度。
可选地,与车辆100相关联的计算设备(如图2的计算机系统107、计算机视觉系统1026)可以基于所识别的物体的特性和周围环境的状态(例如,交通、雨、道路上的冰、等等)来预测所述识别的物体的行为。可选地,每一个所识别的物体都依赖于彼此的行为,因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆100能够基于预测的所述识别的物体的行为来规划它的行驶轨迹(其中包括速度)。并基于该规划结果为自动驾驶汽车确定车辆将需要调整到什么状态(就速度调整而言,例如加速、减速或停止)。在这个过程中,也可以考虑其它因素来确定车辆100的行驶轨迹,诸如,车辆100在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
基于规划结果,除了为自动驾驶汽车调整速度以外,计算设备还可以提供修改车辆100的转向角的指令,以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如,道路上的相邻车道中的轿车)的安全横向和纵向距离。
上述车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车和手推车等,本申请实施例不做特别的限定。
本申请实施例提供了一种车辆的停靠位置确定方法,该车辆的停靠位置确定方法可以应用于车辆,例如前述图2所示的车辆100。以下以两种实施例为例对车辆的停靠位置确定方法进行说明。
实施例一:根据实时路况信息确定车辆的停靠位置。
请参考图3,图3为本申请实施例提供的一种车辆的停靠位置确定方法的流程示意图,该方法可以包括以下过程:
201、根据车辆的目的位置确定目标区域,目标区域与目的位置的最大距离小于距离阈值。
目标区域为目的位置的附近区域,其可以包括目的位置,也可以不包括目的位置。示例地,目标区域可以为以目的位置为几何中心的圆形区域或矩形区域等。当目标区域为圆形区域时,目标区域的半径小于或等于距离阈值;当目标区域为矩形区域时,目标区域的对角线的一半小于或等于距离阈值。距离阈值可以为40米、50米或者75米等,本申请实施例对目标区域的形状和距离阈值的具体数值均不做限定。
目的位置可以是车辆(例如车辆100中的外围设备104)根据接收到的行车指令确定的。用户可以通过外围设备104或者终端设备(例如手机、计算机和手环等)上运行的应用程序发送行车指令。当用户通过外围设备104上运行的应用程序发送行车指令时,车辆直接接收该行车指令。当用户通过终端设备上运行的应用程序发送行车指令时,终端设备可以通过该应用设备的后台服务器向车辆发送该行车指令。
车辆在确定目的位置后,根据目的位置确定行驶路径,并从当前位置按照确定的行驶路径向目的位置行驶,该过程可以由图2所示的车辆100中的路线规划系统1034执行。车辆在行驶过程中当通过定位确定当前位置与目的位置的距离小于或等于一定距离时可以开始执行该过程201,也即是车辆在行驶至目的位置附近时开始执行过程201。示例地,该一定距离可以为40米、50米或者75米等,本申请实施例对此不做限定。或者车辆也可以在确定目的位置后即开始执行该过程201,本申请实施例对该过程的执行时间不做限定。
202、获取当前时刻目标区域的实时路况信息,实时路况信息包括至少一种道路元素。
实时路况信息包括的道路元素通常为动态的道路元素,例如障碍物和/或路面状况等。可选地,实时路况信息可以包括以下至少一种道路元素:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域、坑洼区域。其中,车辆、路障、行人和栏杆均属于障碍物,积水区域、淤泥区域和坑洼区域均属于路面状况。
可选地,实时路况信息可以由图2所示的车辆100中的传感器系统102对目标区域进行识别得到。传感器系统102可以先获取目标区域的图像,之后对目标区域的图像进行处理和分析,得到目标区域的实时路况信息。
示例地,传感器系统102可以通过雷达1023或相机1025获取目标区域的图像,之后通过计算机视觉系统1026对目标区域的图像进行处理和分析,得到目标区域的实时路况信息。计算机视觉系统1026可以通过以下至少一种处理和分析方式得到实时路况信息:障碍物检测、车道线检测、可行驶区域分割、积水区域分割、淤泥区域分割、坑洼区域分割。
进一步地,在通过传感器系统102得到实时路况信息后,可以对实时路况信息进行预处理,以得到实时路况信息中的每个道路元素与坐标的对应关系。可选地,预处理可以包括:深度估计、坐标转换以及逻辑运算等。示例地,坐标可以为车辆中存储的地图所采用的坐标系中的坐标。
可选地,实时路况信息中的部分道路元素具有相同意义,例如实时路况信息中的车辆、路障、行人或栏杆为目标区域中除可行驶区域之外的区域(也称不可行驶区域),因此实时路况信息中也可以不包括车辆、路障、行人或栏杆等,只要使得可行驶区域中不包括车辆、路障、行人或栏杆等即可。
203、根据实时路况信息和目标机器学习模型,确定当前时刻车辆在目标区域的停靠位置。
目标机器学习模型为通过数据训练,使用算法得到数据的规律和本质后得到的模型。目标机器学习模型可以包括以下至少一种:Vision Transformers模型、CNN模型、GraphTransformers模型、GNN模型。目标机器学习模型用于确定停靠位置(也可称为位置确定模型),其输入有多种实现方式,以下对多种实现方式分别进行说明。
在第一种实现方式中,请参考图4,图4为本申请实施例提供的一种根据实时路况信息和目标机器学习模型确定停靠位置的方法示意图,该方法包括以下过程:
2031a、将实时路况信息输入目标机器学习模型。
2032a、获取目标机器学习模型输出的停靠位置。
该实现方式中,目标区域包括多个候选位置,目标机器学习模型用于基于输入的实时路况信息,确定目标区域中多个候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。该停靠优先级可以用字母或者阿拉伯数字表示。可选地,多个候选位置可以为目标区域中的所有位置。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,训练区域与训练位置的最大距离小于距离阈值,训练区域包括多个位置。利用训练区域的实时路况信息(即训练区域中多个位置分别对应的实时路况信息)和训练区域中多个位置分别对应的训练标签对初始模型进行训练,得到目标机器学习模型。
训练区域的实时路况信息的获取方式可以参考前述过程202,本申请实施例在此不做赘述。需要说明的是,前述过程201至203是在车辆自动驾驶过程中执行的,该模型训练过程中,可以通过仿真模拟车辆向训练位置自动行驶的过程,以获取到多个位置分别对应的实时路况信息。
训练标签的获取过程包括:通过仿真获取多个位置分别对应的标签参数,基于位置对应的标签参数,确定位置对应的训练标签。位置对应的标签参数包括以下至少一种:从训练位置步行至位置的耗时(表示为Time)、车辆停靠在位置时位置的车流的延迟(表示为Delay)、位置的停靠状态(表示为Mood)、在位置发生事故的概率(表示为Risk)。
示例地,以多个位置中的任一位置为例,对于训练标签中的从训练位置步行至位置的耗时,可以通过仿真用户从训练位置步行至该任一位置的场景确定。对于训练标签中的车辆停靠在位置时位置的车流的延迟,可以通过仿真车辆停靠在该任一位置时其他车辆继续行驶的场景确定。
对于训练标签中的位置的停靠状态,可以由操作人员确定。停靠状态可以包括以下至少一种:不可停靠、可以停靠、可以停靠但路面状况较差(例如候选位置处于积水区域、淤泥区域或坑洼区域等)。示例地,停靠状态的取值可以包括以下至少一种:inf、0以及大于0且小于等于1,三种取值分别对应前述三种停靠状态。当停靠状态的值为inf时,表示候选位置不可停靠。当停靠状态的值为0时,表示候选位置可以停靠。当停靠状态的值大于0且小于等于1时,表示候选位置可以停靠但路面状况较差。停靠状态的值越接近0,表示候选位置的路面状况越好,停靠状态的值越接近1,表示候选位置的路面状况越差。该停靠状态和停靠状态的取值仅为示例性说明,本申请实施例对此不做限定。对于训练标签中的在位置发生事故的概率,可以通过仿真用户在该任一位置上下车时的场景确定。
示例地,可以根据位置对应的标签参数,计算得到位置对应的训练标签。训练标签的计算方式可以包括:score2=n1T+n2D+n3M+n4R+n5,n1至n5均为自定义参数。T表示Time,D表示Delay,M表示Mood,R表示Risk。
该模型训练过程可以由车辆执行,也可以由独立的模型训练设备执行,此时模型训练设备训练得到目标机器学习模型后,需要向车辆发送目标机器学习模型。
对于不同种类的模型,其输入数据的格式不同,因此当实时路况信息的格式与目标机器学习模型的输入数据的格式不同时,需要对应目标机器学习模型的种类对实时路况信息进行数据编码,以使数据编码后的数据格式符合目标机器学习模型的输入格式要求。之后将数据编码后的信息输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。
在第二种实现方式中,目标机器学习模型的输入格式要求为特征图,例如VisionTransformers模型和CNN模型。此时需要将实时路况信息数据编码为特征图。请参考图5,图5为本申请实施例提供的另一种根据实时路况信息和目标机器学习模型确定停靠位置的方法示意图,该方法包括以下过程:
2031b、根据实时路况信息得到至少一个特征图。
其中,一个特征图用于指示实时路况信息中的至少一种道路元素。示例地,可以确定鸟瞰(Birds Eye Views,BEV)视角下的目标区域对应的栅格图。之后根据实时路况信息中的至少一种道路元素,确定每个栅格的中心点的位置对应的至少一种道路元素,得到用于指示该至少一种道路元素的一个特征图。
2032b、将至少一个特征图输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。
该实现方式中,目标区域包括多个候选位置,目标机器学习模型用于基于输入的至少一个特征图,确定目标区域中多个候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息。之后根据训练区域的实时路况信息得到至少一个特征图,并利用至少一个特征图和训练区域中多个位置分别对应的训练标签对初始模型进行训练,得到目标机器学习模型。训练区域的实时路况信息的获取方式可以参考前述过程202,根据训练区域的实时路况信息得到至少一个特征图的过程可以参考前述过程2031b,训练标签的获取过程以及训练过程均可以参考前述过程2031a,本申请实施例在此不做赘述。
在第三种实现方式中,目标机器学习模型的输入格式要求为数据集合,例如GraphTransformers模型或GNN模型等,此时需要将实时路况信息数据数据编码为数据集合。数据集合可以包括非欧几里得数据格式,非欧几里得数据格式指的是离散分布的数据格式。
请参考图6,图6为本申请实施例提供的再一种根据实时路况信息和目标机器学习模型确定停靠位置的方法示意图,该方法包括以下过程:
2031c、确定实时路况信息中的道路元素分别对应的初始候选位置集,初始候选位置集包括目标区域中多个候选位置中的至少一个候选位置。
示例地,对于实时路况信息中的每个道路元素,其对应的初始候选位置集可以为该道路元素中的关键位置。例如对于路障这一道路元素,可以将各个路障的中心位置确定为路障对应的初始候选位置集。对于积水区域这一道路元素,可以将各个积水区域的中心位置确定为积水区域对应的初始候选位置集。
2032c、将实时路况信息中的所有道路元素分别对应的初始候选位置集进行合并,得到候选位置集。
2033c、根据实时路况信息中候选位置集中的候选位置分别对应的道路元素,得到候选位置集中的候选位置分别对应的数据集合,候选位置集中的任一候选位置对应的数据集合用于指示实时路况信息中任一候选位置对应的道路元素。
候选位置集中的任一候选位置对应的数据集合可以表示为{U,V,F1,F2,F3,F4,F5,F5,F6,F7,F8},U和V表示该任一候选位置的坐标,F1至F8表示该任一候选位置对应的至少一种道路元素。
2034c、将候选位置集中的候选位置分别对应的数据集合输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。
该实现方式中,目标区域包括多个候选位置,目标机器学习模型用于基于输入的候选位置集中的候选位置分别对应的数据集合,确定候选位置集中的候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息。之后确定训练区域的实时路况信息中的道路元素分别对应的初始位置集,初始位置集包括训练区域的多个位置中的至少一个位置。将训练区域的实时路况信息中的所有道路元素分别对应的初始位置集进行合并,得到位置集。根据训练区域的实时路况信息中位置集中的位置分别对应的道路元素,得到位置集中的位置分别对应的数据集合,位置集中的任一位置对应的数据集合用于指示训练区域的实时路况信息中任一位置对应的道路元素。最后利用位置集中的位置分别对应的数据集合和训练标签对初始模型进行训练,得到目标机器学习模型。训练区域的实时路况信息的获取方式可以参考前述过程202,根据训练区域的实时路况信息得到位置集中的位置分别对应的数据集合的过程可以参考前述过程2031c至2033c,训练标签的获取过程以及训练过程均可以参考前述过程2031a,本申请实施例在此不做赘述。
需要说明的是,前述三种实现方式中,实时路况信息通常包括较多种类的道路元素,其信息量较为复杂。目标机器学习模型能够对较多种类的道路元素进行处理,进而从多个候选位置中准确且高效地确定最佳的停靠位置。具体地,目标机器学习模型在训练过程中能够根据训练标签自适应得到较多种类的道路元素中各种道路元素的重要性以及多种道路元素之间的冗余性。这样使得训练得到的目标机器学习模型能够准确得到每个候选位置对应的多种道路元素的重要性以及多种道路元素之间的冗余性,从而能够根据每个候选位置对应的多种道路元素的重要性以及多种道路元素之间的冗余性,从多个候选位置中确定并输出最佳的停靠位置。
在第四种实现方式中,目标区域包括多个候选位置,请参考图7,图7为本申请实施例提供的又一种根据实时路况信息和目标机器学习模型确定停靠位置的方法示意图,该方法包括以下过程:
2031d、根据实时路况信息和目的位置,确定多个候选位置中每个候选位置对应的一个或多个特征数据。
该一个或多个特征数据包括以下至少一个特征数据:可停靠特征、距离特征、阻挡车流特征、车流量特征。其中,可停靠特征表示候选位置的停靠状态,距离特征表示目的位置与候选位置的距离,阻挡车流特征表示车辆停靠在候选位置时对车流的阻挡程度、车流量特征表示候选位置的车流量。
可停靠特征可以表示为F1,F1的含义可以参考训练标签中的位置的停靠状态,本申请实施例在此不做赘述。
以下以实时路况信息包括:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域以及坑洼区域为例进行说明。当车辆根据实时路况信息确定候选位置属于不可行驶区域时,将F1值确定为inf。当确定候选位置属于可行驶区域且不属于积水区域、淤泥区域以及坑洼区域时,将F1值确定为0。当确定候选位置属于可行驶区域,且属于积水区域、淤泥区域以及坑洼区域中的至少一个时,将F1值确定为大于0且小于等于1的值。
距离特征可以通过两个距离F2和F3表示。F2表示目的位置与候选位置在第一方向的距离,F3表示目的位置与候选位置在第二方向上的距离,第一方向与第二方向存在夹角。示例地,第一方向可以为车辆的长度所在的方向,第二方向为车辆的宽度所在的方向。
F2和F3的值可以根据目的位置的坐标以及候选位置的坐标得到。F2的值为目的位置的横坐标与候选位置的横坐标的差值绝对值,F3的值为目的位置的纵坐标与候选位置的纵坐标的差值绝对值。
示例地,请参考图8,图8为本申请实施例提供的一种车辆停靠在候选位置的场景示意图,图8示出了车辆301、目的位置302、道路303、第一方向a1以及第二方向a2。目的位置302与车辆301在第一方向a1上的距离为b,在第二方向上的距离为c,F2的值即为b,F3的值即为c。
阻挡车流特征可以表示为F4,F4可以通过候选位置所在的道路的宽度以及车辆的宽度得到,例如F4可以为车辆的宽度与候选位置所在的道路的宽度的比值。车辆可以基于候选位置的坐标确定候选位置所在的道路,进而得到候选位置所在的道路的宽度。示例地,如前述图8所示,车辆301的宽度为d,候选位置所在道路303的宽度为e,F4的值即为d/e。
车流量特征可以表示为F5,F5可以通过候选位置的坐标得到。示例地,车辆可以基于车流量确定候选位置的坐标所对应的车流量,进而得到F5的值。
2032d、将多个候选位置分别对应的一个或多个特征数据输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。
该实现方式中,目标机器学习模型用于基于输入的多个候选位置分别对应的一个或多个特征数据,确定多个候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息。之后根据训练区域的实时路况信息和目的位置,确定训练区域的多个位置分别对应的一个或多个特征数据。最后利用多个位置分别对应的一个或多个特征数据和训练标签对初始模型进行训练,得到目标机器学习模型。训练区域的实时路况信息的获取方式可以参考前述过程202,根据训练区域的实时路况信息得到训练区域的多个位置分别对应的一个或多个特征数据的过程可以参考前述过程2031d,训练标签的获取过程以及训练过程均可以参考前述过程2031a,本申请实施例在此不做赘述。
当训练区域的多个位置分别对应的一个或多个特征数据的格式与目标机器学习模型的输入数据的格式不同时,也需要根据初始模型的种类对训练区域的多个位置分别对应的一个或多个特征数据进行数据编码,该过程可以参考前述图5或图6的过程,本申请实施例在此不做赘述。
本申请实施例中,前述过程202和过程203可以循环执行。由于在车辆自动行驶过程中,实时路况信息一直是变化的,因此循环执行过程202和过程203,可以根据变化的实时路况信息确定最佳的停靠位置。示例地,车辆可以每间隔t即重新执行前述过程202和过程203,t可以为0.25秒、0.3秒或0.5秒等,本申请实施例对t的取值不做限定。
车辆在确定停靠位置后,可以根据确定的停靠位置泊车,例如可以由图2所示的车辆100中的控制系统103控制车辆100根据确定的停靠位置泊车。之后可以通知用户上下车,对于需要通知用户上车的场景,可以通过发送用户指令的应用程序向用户发送上车通知。
综上所述,本申请实施例提供的车辆的停靠位置确定方法,根据车辆的目的位置确定目标区域,之后获取当前时刻目标区域的实时路况信息,实时路况信息包括至少一种道路元素,再根据实时路况信息和目标机器学习模型,确定当前时刻车辆在目标区域的停靠位置。根据实时路况信息和目标机器学习模型确定停靠位置,在确定停靠位置的过程中考虑了路况的变化情况,使得车辆可以在确定的停靠位置停车,且使得用户在确定的停靠位置上下车更加便捷、安全。
并且,实时路况信息通常包括较多种类的道路元素,其信息量较为复杂。目标机器学习模型能够对较多种类的道路元素进行处理,进而从多个候选位置中准确且高效地确定最佳的停靠位置。具体地,目标机器学习模型在训练过程中能够根据训练标签自适应得到较多种类的道路元素中各种道路元素的重要性以及多种道路元素之间的冗余性。这样使得训练得到的目标机器学习模型能够准确得到每个候选位置对应的多种道路元素的重要性以及多种道路元素之间的冗余性,从而能够根据每个候选位置对应的多种道路元素的重要性以及多种道路元素之间的冗余性,从多个候选位置中确定并输出最佳的停靠位置。
此外,实时路况信息可以包括以下至少一种道路元素:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域、坑洼区域。因此可以减小确定的停靠位置的路面状况较差的情况(例如停靠位置位于积水区域、淤泥区域或坑洼区域)发生的概率,从而使得用户在得到的停靠位置上下车更加便捷、安全,提高了用户上下车体验。
本申请实施例提供的方法的先后顺序可以进行适当调整,过程也可以根据情况进行相应增减。任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,本申请实施例对此不做限定。
实施例二:根据实时路况信息和地图信息确定车辆的停靠位置。
请参考图9,图9为本申请实施例提供的另一种车辆的停靠位置确定方法的流程示意图,该方法可以包括以下过程:
401、根据车辆的目的位置确定目标区域,目标区域与目的位置的最大距离小于距离阈值。
该过程401可以参考前述过程201,本申请实施例在此不做赘述。
402、获取当前时刻目标区域的地图信息,地图信息包括至少一种道路元素。
可选地,地图信息可以通过高精地图得到。高精地图通常通过至少一个地图图层表示道路元素,每个地图图层用于表示一种道路元素。示例地,地图信息可以包括以下至少一种道路元素:车道线、人行道、路沿、道路坡度、道路限速、车流量、可行驶区域。
地图信息可以预先存储在车辆中,例如可以存储在图2所示的车辆100的计算机系统107中的存储器1072中。存储器1072将当前时刻目标区域的地图信息通过车载通讯网络传输至车辆100。或者地图信息也可以存储在云端,车辆从云端获取地图信息,本申请实施例对此不做限定。
403、获取当前时刻目标区域的实时路况信息,实时路况信息包括至少一种道路元素。
该过403可以参考前述过程202,本申请实施例在此不做赘述。车辆在获取实时路况信息后需要存储实时路况信息,以便后续确定停靠位置。车辆可以利用地图存储实时路况信息或者单独存储实时路况信息。本申请实施例对实时路况信息的存储方式不做限定。
在利用地图存储实时路况信息时,可以利用实时路况信息更新地图信息,得到更新后的地图信息,更新后的地图信息包括更新前已有的道路元素和实时路况信息中的道路元素。
对于实时路况信息中的任一道路元素,若地图信息中已有该道路元素,则将地图信息中的道路元素更新为实时路况信息中的道路元素。若地图信息中不存在该道路元素,则在地图信息中增加该道路元素。以高精地图为例,对于实时路况信息中的任一道路元素,若高精地图中存在表示该道路元素的地图图层,则基于该道路元素更新地图图层。若高精地图中不存在表示该道路元素的地图图层,则在高精地图中添加新的地图图层,并定义该新的地图图层的表示规则,之后基于该道路元素更新添加的地图图层。
实时路况信息和地图信息中的部分道路元素具有相同意义,车辆可以将具有相同意义的道路元素分别用不同的地图图层表示,也可以用同一地图图层表示,本申请实施例对此不做限定。
利用地图存储实时路况信息,地图的数据结构比较适用于存储实时路况信息。此外更新后的地图信息还可以用于后续车辆的自动驾驶和自动停靠(例如路径规划或者下一次的停靠位置确定等),提高了对实时路况信息的利用率。
404、根据实时路况信息、地图信息以及目标机器学习模型,确定当前时刻车辆在目标区域的停靠位置。
该过程404中,若在过程403中利用地图存储实时路况信息,则可以根据更新后的地图信息和目标机器学习模型,确定停靠位置。
目标机器学习模型的输入有多种实现方式,以下对多种实现方式分别进行说明。
在第一种实现方式中,可以将实时路况信息和地图信息输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。目标机器学习模型用于基于输入的实时路况信息和地图信息,确定目标区域中多个候选位置分别对应的停靠优先级,并输出停靠优先级最高的候选位置。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息和地图信息。之后利用训练区域的实时路况信息、训练区域的地图信息以及训练区域中多个位置分别对应的训练标签对初始模型进行训练,得到目标机器学习模型。训练区域的实时路况信息的获取方式可以参考前述过程202和403,训练区域的地图信息的获取方式可以参考前述过程402,训练标签的获取过程以及训练过程均可以参考前述过程2031a,本申请实施例在此不做赘述。
在第二种实现方式中,目标机器学习模型的输入格式要求为特征图,可以根据实时路况信息和地图信息得到至少一个特征图,再将至少一个特征图输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。一个特征图用于指示实时路况信息和地图信息中的至少一种道路元素。根据实时路况信息和地图信息得到至少一个特征图的过程可以参考前述过程2031b,本申请实施例在此不做赘述。
该实现方式中,目标机器学习模型的作用可以参考前述过程2032b,本申请实施例在此不做赘述。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息和地图信息。之后根据训练区域的实时路况信息和地图信息得到至少一个特征图,并利用至少一个特征图和训练区域中多个位置分别对应的训练标签对初始模型进行训练,得到目标机器学习模型。训练区域的实时路况信息的获取方式可以参考前述过程202和403,训练区域的地图信息的获取方式可以参考前述过程402,根据训练区域的实时路况信息得到至少一个特征图的过程可以参考前述过程2031b,训练标签的获取过程以及训练过程均可以参考前述过程2031a,本申请实施例在此不做赘述。
在第三种实现方式中,目标机器学习模型的输入格式要求为数据集合,可以确定实时路况信息和地图信息中的道路元素分别对应的初始候选位置集。将实时路况信息和地图信息中的所有道路元素分别对应的初始候选位置集进行合并,得到候选位置集。根据实时路况信息和地图信息中候选位置集中的候选位置分别对应的道路元素,得到候选位置集中的候选位置分别对应的数据集合,候选位置集中的任一候选位置对应的数据集合用于指示实时路况信息和地图信息中任一候选位置对应的道路元素。之后将候选位置集中的候选位置分别对应的数据集合输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。根据实时路况信息和地图信息得到候选位置集中的候选位置分别对应的数据集合的过程可以参考前述过程2031c至2033c,本申请实施例在此不做赘述。
该实现方式中,目标机器学习模型的作用可以参考前述过程2034c,本申请实施例在此不做赘述。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息和地图信息。之后确定训练区域的实时路况信息和地图信息中的道路元素分别对应的初始位置集,将训练区域的实时路况信息和地图信息中的所有道路元素分别对应的初始位置集进行合并,得到位置集。根据训练区域的实时路况信息和地图信息中位置集中的位置分别对应的道路元素,得到位置集中的位置分别对应的数据集合。最后利用位置集中的位置分别对应的数据集合和训练标签对初始模型进行训练,得到目标机器学习模型。训练区域的实时路况信息的获取方式可以参考前述过程202和403,训练区域的地图信息的获取方式可以参考前述过程402,根据训练区域的实时路况信息和地图信息得到位置集中的位置分别对应的数据集合的过程可以参考前述过程2031b,训练标签的获取过程以及训练过程均可以参考前述过程2031a,本申请实施例在此不做赘述。
在第四种实现方式中,可以根据实时路况信息、地图信息以及目的位置,确定多个候选位置中每个候选位置对应的一个或多个特征数据,之后将多个候选位置分别对应的一个或多个特征数据输入目标机器学习模型,得到目标机器学习模型输出的停靠位置。该一个或多个特征数据以及根据实时路况信息、地图信息以及目的位置,确定多个候选位置中每个候选位置对应的一个或多个特征数据的过程均可以参考前述过程2031d,本申请实施例在此不做赘述。地图信息可以包括:可行驶区域以及车流量。需要说明的是,此时F1值可以基于实时路况信息和地图信息得到,F5可以通过候选位置的坐标以及地图信息得到。示例地,车辆可以基于地图信息中的车流量确定候选位置的坐标所对应的车流量,进而得到F5的值。
该实现方式中,目标机器学习模型的作用可以参考前述过程2032d,本申请实施例在此不做赘述。目标机器学习模型可以通过监督学习的训练过程得到,以下对目标机器学习模型的训练过程进行说明。
可选地,可以根据训练位置确定训练区域,获取训练区域的实时路况信息和地图信息。之后根据训练区域的实时路况信息、训练区域的地图信息以及目的位置,确定训练区域的多个位置分别对应的一个或多个特征数据。最后利用多个位置分别对应的一个或多个特征数据和训练标签对初始模型进行训练,得到目标机器学习模型。训练区域的实时路况信息的获取方式可以参考前述过程202和403,训练区域的地图信息的获取方式可以参考前述过程402,根据训练区域的实时路况信息得到训练区域的多个位置分别对应的一个或多个特征数据的过程可以参考前述过程2031d,训练标签的获取过程以及训练过程均可以参考前述过程2031a,本申请实施例在此不做赘述。
本申请实施例中,前述过程402至过程404可以循环执行。示例地,车辆可以每间隔t即重新执行前述过程402至过程404。
综上所述,本申请实施例提供的车辆的停靠位置确定方法,根据车辆的目的位置确定目标区域,之后获取当前时刻目标区域的实时路况信息和地图信息,实时路况信息包括至少一种道路元素,再根据实时路况信息、地图信息以及目标机器学习模型,确定当前时刻车辆在目标区域的停靠位置。根据实时路况信息、地图信息以及目标机器学习模型确定停靠位置,在确定停靠位置的过程中考虑了路况的变化情况和地图信息,使得车辆可以在确定的停靠位置停车,且使得用户在确定的停靠位置上下车更加便捷、安全。
并且实时路况信息和地图信息通常包括较多种类的道路元素,其信息量较为复杂。目标机器学习模型能够对较多种类的道路元素进行处理,进而从多个候选位置中准确且高效地确定最佳的停靠位置。具体地,目标机器学习模型在训练过程中能够根据训练标签自适应得到较多种类的道路元素中各种道路元素的重要性以及多种道路元素之间的冗余性。这样使得训练得到的目标机器学习模型能够准确得到每个候选位置对应的多种道路元素的重要性以及多种道路元素之间的冗余性,从而能够根据每个候选位置对应的多种道路元素的重要性以及多种道路元素之间的冗余性,从多个候选位置中确定并输出最佳的停靠位置。
此外,实时路况信息可以包括以下至少一种道路元素:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域、坑洼区域。因此可以减小确定的停靠位置的路面状况较差的情况(例如停靠位置位于积水区域、淤泥区域或坑洼区域)发生的概率,从而使得用户在得到的停靠位置上下车更加便捷、安全,提高了用户上下车体验。
本申请实施例提供的方法的先后顺序可以进行适当调整,过程也可以根据情况进行相应增减。例如前述过程402可以不执行,此时可以直接根据实时路况信息确定停靠位置,或者过程402和过程403的顺序可以颠倒,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化的方法,都应涵盖在本申请的保护范围之内,本申请实施例对此不做限定。
上述对本申请实施例提供的车辆的停靠位置确定方法进行了介绍。可以理解的是,车辆为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对车辆进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
示例性地,该车辆的停靠位置确定装置可以是车辆,也可以是其中的芯片或者其他具有上述车辆的停靠位置确定装置功能的组合器件、部件等。图10为本申请实施例提供的一种车辆的停靠位置确定装置的框图,在采用对应各个功能划分各个功能模块的情况下,车辆的停靠位置确定装置500包括:
第一确定模块501,用于根据车辆的目的位置确定目标区域,所述目标区域与所述目的位置的最大距离小于距离阈值;
第一获取模块502,用于获取当前时刻所述目标区域的实时路况信息,所述实时路况信息包括至少一种道路元素;
第二确定模块503,用于根据所述实时路况信息和目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
结合上述方案,所述实时路况信息包括以下至少一种道路元素:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域、坑洼区域。
结合上述方案,请参考图11,图11为本申请实施例提供的另一种车辆的停靠位置确定装置的框图,在图10的基础上,车辆的停靠位置确定装置500还包括:
第二获取模块504,用于获取所述当前时刻所述目标区域的地图信息,所述地图信息包括至少一种道路元素;
请参考图12,图12为本申请实施例提供的一种第二确定模块的框图,该第二确定模块503,包括:
确定单元5031,用于根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置。
结合上述方案,请参考图13,图13为本申请实施例提供的再一种车辆的停靠位置确定装置的框图,在图11的基础上,车辆的停靠位置确定装置500还包括:
更新模块505,用于利用所述实时路况信息更新所述地图信息,得到更新后的地图信息,所述更新后的地图信息包括所述实时路况信息中的道路元素;
所述确定单元5031,具体用于根据所述更新后的地图信息和所述目标机器学习模型,确定所述停靠位置。
结合上述方案,所述确定单元5031,具体用于将所述实时路况信息和所述地图信息输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
结合上述方案,所述确定单元5031,具体用于根据所述实时路况信息和所述地图信息,得到至少一个特征图,所述特征图用于指示所述实时路况信息和所述地图信息中的至少一种道路元素;将所述至少一个特征图输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
结合上述方案,所述目标区域包括多个候选位置,所述确定单元5031,具体用于确定所述实时路况信息和所述地图信息中的道路元素分别对应的初始候选位置集,所述初始候选位置集包括所述多个候选位置中的至少一个候选位置;将所述实时路况信息和所述地图信息中的所有道路元素分别对应的初始候选位置集进行合并,得到候选位置集;根据所述实时路况信息和所述地图信息中所述候选位置集中的候选位置分别对应的道路元素,得到所述候选位置集中的候选位置分别对应的数据集合;将所述候选位置集中的候选位置分别对应的数据集合输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
结合上述方案,所述目标区域包括多个候选位置,所述确定单元5031,具体用于根据所述实时路况信息、所述地图信息以及所述目的位置,确定所述多个候选位置中每个候选位置对应的一个或多个特征数据,所述一个或多个特征数据包括以下至少一个特征数据:可停靠特征、距离特征、阻挡车流特征、车流量特征;将所述多个候选位置分别对应的一个或多个特征数据输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置;其中,所述可停靠特征表示所述候选位置的停靠状态,所述距离特征表示所述目的位置与所述候选位置的距离,所述阻挡车流特征表示所述车辆停靠在所述候选位置时对车流的阻挡程度、所述车流量特征表示所述候选位置的车流量。
结合上述方案,请参考图14,图14为本申请实施例提供的又一种车辆的停靠位置确定装置的框图,在图10的基础上,车辆的停靠位置确定装置500还包括:
循环模块506,用于循环执行停靠位置确定过程,直至所述车辆停止行驶;
所述停靠位置确定过程包括:
获取当前时刻所述目标区域的实时路况信息;
根据所述实时路况信息和所述目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
图15为本申请实施例提供的一种车辆的停靠位置确定装置的结构示意图,该车辆的停靠位置确定装置600可以为车辆或者车辆中的芯片或者功能模块。如图15所示,该车辆的停靠位置确定装置600包括处理器601,收发器602以及通信线路603。
其中,处理器601用于执行如图3和图9所示的方法实施例中的任一步骤,且在执行诸如接收目的位置等数据传输时,可选择调用收发器602以及通信线路603来完成相应操作。
进一步的,该车辆的停靠位置确定装置600还可以包括存储器604。其中,处理器601,存储器604以及收发器602之间可以通过通信线路603连接。
其中,处理器601是中央处理器(central processing unit,CPU)、通用处理器网络处理器(network processor,NP)、数字信号处理器(digital signal processing,DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device,PLD)或它们的任意组合。处理器601还可以是其它具有处理功能的装置,例如电路、器件或软件模块,不予限制。
收发器602,用于与其他设备或其它通信网络进行通信,其它通信网络可以为以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。收发器602可以是模块、电路、收发器或者任何能够实现通信的装置。
收发器602主要用于信号/数据的收发,可以包括发射器和接收器,分别进行信号/数据的发送和接收;除信号/数据收发之外的操作由处理器实现,如信息处理,计算等。
通信线路603,用于在车辆的停靠位置确定装置600所包括的各部件之间传送信息。
在一种设计中,可以将处理器看做逻辑电路,收发器看做接口电路。
存储器604,用于存储指令。其中,指令可以是计算机程序。
其中,存储器604可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DRRAM)。存储器604还可以是只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或其他磁存储设备等。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
需要指出的是,存储器604可以独立于处理器601存在,也可以和处理器601集成在一起。存储器604可以用于存储指令或者程序代码或者一些数据等。存储器604可以位于车辆的停靠位置确定装置600内,也可以位于车辆的停靠位置确定装置600外,不予限制。处理器601,用于执行存储器604中存储的指令,以实现本申请上述实施例提供的方法。
在一种示例中,处理器601可以包括一个或多个CPU,例如图15中的CPU0和CPU1。
作为一种可选的实现方式,车辆的停靠位置确定装置600包括多个处理器,例如,除图15中的处理器601之外,还可以包括处理器607。
作为一种可选的实现方式,车辆的停靠位置确定装置600还包括输出设备605和输入设备606。示例性地,输入设备606是键盘、鼠标、麦克风或操作杆等设备,输出设备605是显示屏、扬声器(speaker)等设备。
需要指出的是,车辆的停靠位置确定装置600可以是终端设备、网络设备、中继设备、嵌入式设备、芯片系统或有图15中类似结构的设备。此外,图15中示出的组成结构并不构成对该车辆的停靠位置确定装置600的限定,除图15所示部件之外,该车辆的停靠位置确定装置600可以包括比图15所示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本申请中描述的处理器和收发器可实现在集成电路(integrated circuit,IC)、模拟IC、射频集成电路、混合信号IC、专用集成电路(application specific integratedcircuit,ASIC)、印刷电路板(printed circuit board,PCB)、电子设备等上。该处理器和收发器也可以用各种IC工艺技术来制造,例如互补金属氧化物半导体(complementary metaloxide semiconductor,CMOS)、N型金属氧化物半导体(nMetal-oxide-semiconductor,NMOS)、P型金属氧化物半导体(positive channel metal oxide semiconductor,PMOS)、双极结型晶体管(Bipolar Junction Transistor,BJT)、双极CMOS(BiCMOS)、硅锗(SiGe)、砷化镓(GaAs)等。
需要指出的是,车辆的停靠位置确定装置600可以是任意类型的手持设备或固定设备,例如,笔记本电脑或膝上型电脑、手机、智能手机、平板或平板电脑、相机、台式计算机、机顶盒、电视机、显示设备、数字媒体播放器、视频游戏控制台、视频流设备(例如,内容业务服务器或内容分发服务器)、广播接收设备、广播发射设备以及监控设备等等,并可以不使用或使用任意类型的操作系统。车辆的停靠位置确定装置600也可以是云计算场景中的设备,例如云计算场景中的虚拟机等。在一些情况下,车辆的停靠位置确定装置600可配备用于无线通信的组件。因此,车辆的停靠位置确定装置600可以是无线通信设备。或有图15中类似结构的设备。此外,图15中示出的组成结构并不构成对该车辆的停靠位置确定装置600的限定,除图15所示部件之外,该车辆的停靠位置确定装置600可以包括比图15所示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
车辆的停靠位置确定装置600还可以是芯片系统,芯片系统可以由芯片构成,也可以包括芯片和其他分立器件。此外,本申请的各实施例之间涉及的动作、术语等均可以相互参考,不予限制。
图16为本申请实施例提供的另一种车辆的停靠位置确定装置的结构示意图。该车辆的停靠位置确定装置可适用于上述方法实施例所示出的场景中。为了便于说明,图16仅示出了车辆的停靠位置确定装置的主要部件,包括处理器、存储器、控制电路、以及输入输出装置。处理器主要用于对通信协议以及通信数据进行处理,执行软件程序,处理软件程序的数据。存储器主要用于存储软件程序和数据。控制电路主要用于供电及各种电信号的传递。输入输出装置主要用于接收用户输入的数据以及对用户输出数据。
当该车辆的停靠位置确定装置为车辆时,该控制电路可以为主板,存储器包括硬盘,RAM,ROM等具有存储功能的介质,处理器可以包括基带处理器和中央处理器,基带处理器主要用于对通信协议以及通信数据进行处理,中央处理器主要用于对整个信号测试装置进行控制,执行软件程序,处理软件程序的数据,输入输出装置包括显示屏、键盘和鼠标等;控制电路可以进一步包括或连接收发电路或收发器,例如:网线接口等,用于发送或接收数据或信号,例如与其他设备进行数据传输及通信。进一步的,还可以包括天线,用于无线信号的收发,用于与其他设备进行数据/信号传输。
根据本申请实施例提供的方法,本申请还提供一种计算机程序产品,该计算机程序产品包括计算机程序代码,当计算机程序代码在计算机上运行时,使得计算机执行本申请实施例任一所述的方法。
本申请实施例还提供了一种计算机可读存储介质。上述方法实施例中的全部或者部分流程可以由计算机或者具有信息处理能力的装置执行计算机程序或指令,以控制相关的硬件完成,该计算机程序或该组指令可存储于上述计算机可读存储介质中,该计算机程序或该组指令在执行时,可包括如上述各方法实施例的流程。计算机可读存储介质可以是前述任一实施例的车辆的内部存储单元,例如车辆的硬盘或内存。上述计算机可读存储介质也可以是上述车辆的外部存储设备,例如上述车辆上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,上述计算机可读存储介质还可以既包括上述车辆的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序或指令以及上述车辆所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (22)
1.一种车辆的停靠位置确定方法,其特征在于,所述方法包括:
根据车辆的目的位置确定目标区域,所述目标区域与所述目的位置的最大距离小于距离阈值;
获取当前时刻所述目标区域的实时路况信息,所述实时路况信息包括至少一种道路元素;
根据所述实时路况信息和目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
2.根据权利要求1所述的方法,其特征在于,所述实时路况信息包括以下至少一种道路元素:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域、坑洼区域。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
获取所述当前时刻所述目标区域的地图信息,所述地图信息包括至少一种道路元素;
所述根据所述实时路况信息和目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置,包括:
根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
利用所述实时路况信息更新所述地图信息,得到更新后的地图信息,所述更新后的地图信息包括所述实时路况信息中的道路元素;
所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:
根据所述更新后的地图信息和所述目标机器学习模型,确定所述停靠位置。
5.根据权利要求3或4所述的方法,其特征在于,所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:
将所述实时路况信息和所述地图信息输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
6.根据权利要求3或4所述的方法,其特征在于,所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:
根据所述实时路况信息和所述地图信息,得到至少一个特征图,所述特征图用于指示所述实时路况信息和所述地图信息中的至少一种道路元素;
将所述至少一个特征图输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
7.根据权利要求3或4所述的方法,其特征在于,所述目标区域包括多个候选位置,所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:
确定所述实时路况信息和所述地图信息中的道路元素分别对应的初始候选位置集,所述初始候选位置集包括所述多个候选位置中的至少一个候选位置;
将所述实时路况信息和所述地图信息中的所有道路元素分别对应的初始候选位置集进行合并,得到候选位置集;
根据所述实时路况信息和所述地图信息中所述候选位置集中的候选位置分别对应的道路元素,得到所述候选位置集中的候选位置分别对应的数据集合,所述候选位置集中的任一候选位置对应的数据集合用于指示所述实时路况信息和所述地图信息中所述任一候选位置对应的道路元素;
将所述候选位置集中的候选位置分别对应的数据集合输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
8.根据权利要求3或4所述的方法,其特征在于,所述目标区域包括多个候选位置,所述根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置,包括:
根据所述实时路况信息、所述地图信息以及所述目的位置,确定所述多个候选位置中每个候选位置对应的一个或多个特征数据,所述一个或多个特征数据包括以下至少一个特征数据:可停靠特征、距离特征、阻挡车流特征、车流量特征;
将所述多个候选位置分别对应的一个或多个特征数据输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置;
其中,所述可停靠特征表示所述候选位置的停靠状态,所述距离特征表示所述目的位置与所述候选位置的距离,所述阻挡车流特征表示所述车辆停靠在所述候选位置时对车流的阻挡程度、所述车流量特征表示所述候选位置的车流量。
9.根据权利要求1至8任一项所述的方法,其特征在于,所述方法还包括:
循环执行停靠位置确定过程,直至所述车辆停止行驶;
所述停靠位置确定过程包括:
获取当前时刻所述目标区域的实时路况信息;
根据所述实时路况信息和所述目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
10.一种车辆的停靠位置确定装置,其特征在于,所述装置包括:
第一确定模块,用于根据车辆的目的位置确定目标区域,所述目标区域与所述目的位置的最大距离小于距离阈值;
第一获取模块,用于获取当前时刻所述目标区域的实时路况信息,所述实时路况信息包括至少一种道路元素;
第二确定模块,用于根据所述实时路况信息和目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
11.根据权利要求10所述的装置,其特征在于,所述实时路况信息包括以下至少一种道路元素:可行驶区域、车辆、路障、行人、栏杆、积水区域、淤泥区域、坑洼区域。
12.根据权利要求10或11所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取所述当前时刻所述目标区域的地图信息,所述地图信息包括至少一种道路元素;
所述第二确定模块,包括:
确定单元,用于根据所述实时路况信息、所述地图信息以及所述目标机器学习模型,确定所述停靠位置。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括:
更新模块,用于利用所述实时路况信息更新所述地图信息,得到更新后的地图信息,所述更新后的地图信息包括所述实时路况信息中的道路元素;
所述确定单元,具体用于根据所述更新后的地图信息和所述目标机器学习模型,确定所述停靠位置。
14.根据权利要求12或13所述的装置,其特征在于,所述确定单元,具体用于将所述实时路况信息和所述地图信息输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
15.根据权利要求12或13所述的装置,其特征在于,所述确定单元,具体用于根据所述实时路况信息和所述地图信息,得到至少一个特征图,所述特征图用于指示所述实时路况信息和所述地图信息中的至少一种道路元素;将所述至少一个特征图输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
16.根据权利要求12或13所述的装置,其特征在于,所述目标区域包括多个候选位置,所述确定单元,具体用于确定所述实时路况信息和所述地图信息中的道路元素分别对应的初始候选位置集,所述初始候选位置集包括所述多个候选位置中的至少一个候选位置;将所述实时路况信息和所述地图信息中的所有道路元素分别对应的初始候选位置集进行合并,得到候选位置集;根据所述实时路况信息和所述地图信息中所述候选位置集中的候选位置分别对应的道路元素,得到所述候选位置集中的候选位置分别对应的数据集合;将所述候选位置集中的候选位置分别对应的数据集合输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置。
17.根据权利要求12或13所述的装置,其特征在于,所述目标区域包括多个候选位置,所述确定单元,具体用于根据所述实时路况信息、所述地图信息以及所述目的位置,确定所述多个候选位置中每个候选位置对应的一个或多个特征数据,所述一个或多个特征数据包括以下至少一个特征数据:可停靠特征、距离特征、阻挡车流特征、车流量特征;将所述多个候选位置分别对应的一个或多个特征数据输入所述目标机器学习模型,得到所述目标机器学习模型输出的所述停靠位置;其中,所述可停靠特征表示所述候选位置的停靠状态,所述距离特征表示所述目的位置与所述候选位置的距离,所述阻挡车流特征表示所述车辆停靠在所述候选位置时对车流的阻挡程度、所述车流量特征表示所述候选位置的车流量。
18.根据权利要求10至17任一项所述的装置,其特征在于,所述装置还包括:
循环模块,用于循环执行停靠位置确定过程,直至所述车辆停止行驶;
所述停靠位置确定过程包括:
获取当前时刻所述目标区域的实时路况信息;
根据所述实时路况信息和所述目标机器学习模型,确定所述当前时刻所述车辆在所述目标区域的停靠位置。
19.一种车辆的停靠位置确定装置,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计算机程序或指令;
当所述一个或多个计算机程序或指令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至9中任一项所述的方法。
20.一种计算机可读存储介质,其特征在于,包括计算机程序或指令,所述计算机程序或指令在计算机上被执行时,使得所述计算机执行权利要求1至9中任一项所述的方法。
21.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行权利要求1至9中任一项所述的方法。
22.一种车辆,其特征在于,所述车辆包括控制系统和如权利要求10至19任一项所述的车辆的停靠位置确定装置;
所述车辆的停靠位置确定装置用于确定所述车辆在目标区域的停靠位置;
所述控制系统用于根据确定的所述停靠位置控制所述车辆泊车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111289367.6A CN116091855A (zh) | 2021-11-02 | 2021-11-02 | 车辆的停靠位置确定方法及装置、车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111289367.6A CN116091855A (zh) | 2021-11-02 | 2021-11-02 | 车辆的停靠位置确定方法及装置、车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091855A true CN116091855A (zh) | 2023-05-09 |
Family
ID=86205009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111289367.6A Pending CN116091855A (zh) | 2021-11-02 | 2021-11-02 | 车辆的停靠位置确定方法及装置、车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091855A (zh) |
-
2021
- 2021-11-02 CN CN202111289367.6A patent/CN116091855A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021135371A1 (zh) | 一种自动驾驶方法、相关设备及计算机可读存储介质 | |
CN113968216B (zh) | 一种车辆碰撞检测方法、装置及计算机可读存储介质 | |
CN112859830B (zh) | 一种设计运行区域odd判断方法、装置及相关设备 | |
WO2021000800A1 (zh) | 道路可行驶区域推理方法及装置 | |
WO2022062825A1 (zh) | 车辆的控制方法、装置及车辆 | |
CN112672942A (zh) | 一种车辆换道方法及相关设备 | |
US20240017719A1 (en) | Mapping method and apparatus, vehicle, readable storage medium, and chip | |
CN114754780A (zh) | 车道线规划方法及相关装置 | |
CN114693540A (zh) | 一种图像处理方法、装置以及智能汽车 | |
CN113954858A (zh) | 一种规划车辆行驶路线的方法以及智能汽车 | |
CN114792149A (zh) | 一种轨迹预测方法、装置及地图 | |
CN113859265B (zh) | 一种驾驶过程中的提醒方法及设备 | |
CN112829762A (zh) | 一种车辆行驶速度生成方法以及相关设备 | |
CN115205311B (zh) | 图像处理方法、装置、车辆、介质及芯片 | |
Wishart et al. | Fundamentals of Connected and Automated Vehicles | |
CN114764980B (zh) | 一种车辆转弯路线规划方法及装置 | |
CN115042814A (zh) | 交通灯状态识别方法、装置、车辆及存储介质 | |
CN115205848A (zh) | 目标检测方法、装置、车辆、存储介质及芯片 | |
WO2021110166A1 (zh) | 道路结构检测方法及装置 | |
CN115100630A (zh) | 障碍物检测方法、装置、车辆、介质及芯片 | |
CN113799794B (zh) | 车辆纵向运动参数的规划方法和装置 | |
CN116091855A (zh) | 车辆的停靠位置确定方法及装置、车辆 | |
CN115508841A (zh) | 一种路沿检测的方法和装置 | |
CN114092898A (zh) | 目标物的感知方法及装置 | |
CN115082886B (zh) | 目标检测的方法、装置、存储介质、芯片及车辆 |
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 |