CN116101320A - 车辆的纵横向决策方法、装置及自动驾驶车辆 - Google Patents
车辆的纵横向决策方法、装置及自动驾驶车辆 Download PDFInfo
- Publication number
- CN116101320A CN116101320A CN202211661599.4A CN202211661599A CN116101320A CN 116101320 A CN116101320 A CN 116101320A CN 202211661599 A CN202211661599 A CN 202211661599A CN 116101320 A CN116101320 A CN 116101320A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- interactive
- interaction
- current vehicle
- road
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开公开了一种车辆的纵横向决策方法、装置及自动驾驶车辆,涉及人工智能技术领域,尤其涉及自动驾驶技术领域。具体实现方案为:通过确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆,从而获取交互车辆的驾驶状态,并根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型,进而根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。由此,能够在解决相关技术中纵横向决策割裂的难题的同时,使得当前车辆能够处理复杂动态交互场景下面临的人类驾驶车辆行为动态不确定、车辆间行为交互动态不确定等多种不确定性问题,保证了当前车辆对交互车辆的行驶安全性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自动驾驶技术领域,具体涉及一种车辆的纵横向决策方法、装置及自动驾驶车辆。
背景技术
随着自动驾驶技术在汽车行业不断推进产业化落地,自动驾驶车辆在实际交通环境中面临的严峻挑战日益增多,其中,在复杂动态交互场景下实现自动驾驶车辆的行为决策是实现高级自动驾驶急需解决的难题,也是保证自动驾驶车辆安全行驶的关键技术。
相关技术中,一方面,车辆的决策方法多采用分层式决策的思路,通过将车辆的纵向运动决策和横向运动决策分离,实现模块化处理,这种方式虽然有利于实际开发,但在动态交互场景下,由于车辆的纵向和横向运动的耦合性高,车辆的安全决策依赖于纵向和横向的联动决策(纵向的决策和横向的决策同时考虑),而不利于车辆的安全决策。另一方面,现有的车辆的纵横向联合决策方法在面对复杂动态交互场景时,由于驾驶环境的动态变化性大,周围人类驾驶车辆的行为不确定性大,且车辆对环境的理解有限,会存在纵横向决策协同难、交互车辆运动不确定性高、车辆间交互过程建模复杂等难题。
发明内容
本公开提供了一种车辆的纵横向决策方法、装置及自动驾驶车辆。
根据本公开的第一方面,提供了一种车辆的纵横向决策方法,包括:
确定当前车辆的动态交互场景,以及确定在所述动态交互场景之中与所述当前车辆进行交互的交互车辆;
获取所述交互车辆的驾驶状态;
根据所述交互车辆的驾驶状态获取所述交互车辆对应的车辆交互决策模型;
根据所述交互车辆对应的车辆交互决策模型生成所述当前车辆的纵横向决策结果。
根据本公开的第二方面,提供了一种车辆的纵横向决策装置,包括:
第一确定模块,用于确定当前车辆的动态交互场景,以及确定在所述动态交互场景之中与所述当前车辆进行交互的交互车辆;
第一获取模块,用于获取所述交互车辆的驾驶状态;
第二获取模块,用于根据所述交互车辆的驾驶状态获取所述交互车辆对应的车辆交互决策模型;
生成模块,用于根据所述交互车辆对应的车辆交互决策模型生成所述当前车辆的纵横向决策结果。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的车辆的纵横向决策方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面所述的车辆的纵横向决策方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面所述的车辆的纵横向决策方法。
根据本公开的第六方面,提供了一种自动驾驶车辆,包括如第三方面所述的电子设备。
本公开实施例所提供的技术方案包含如下的有益效果:
通过确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆,从而获取交互车辆的驾驶状态,并根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型,进而根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。由此,能够在解决相关技术中纵横向决策割裂的难题的同时,使得当前车辆能够处理复杂动态交互场景下面临的人类驾驶车辆行为动态不确定、车辆间行为交互动态不确定等多种不确定性问题,保证了当前车辆对交互车辆的行驶安全性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例所提供的车辆的纵横向决策方法的流程示意图;
图2是根据本公开第二实施例所提供的一种场景下道路场景的示意图;
图3是根据本公开第三实施例所提供的车辆的纵横向决策方法的流程示意图;
图4是根据本公开第四实施例所提供的车辆的纵横向决策方法的流程示意图;
图5是根据本公开第五实施例所提供的车辆的纵横向决策方法的流程示意图;
图6是根据本公开第六实施例所提供的车辆的纵横向决策方法的流程示意图;
图7是根据本公开第七实施例所提供的车辆的纵横向决策方法的流程示意图;
图8是根据本公开第八实施例所提供的车辆的纵横向决策方法的流程示意图;
图9是根据本公开第九实施例所提供的车辆的纵横向决策方法的流程示意图;
图10是根据本公开第十实施例所提供的一种场景下车辆的纵横向决策方法的原理示意图;
图11是根据本公开第十一实施例所提供的车辆的纵横向决策装置的结构示意图;
图12是根据本公开第十二实施例所提供的车辆的纵横向决策装置的结构示意图;
图13是根据本公开第十三实施例所提供的车辆的纵横向决策装置的结构示意图;
图14是根据本公开第十四实施例所提供的车辆的纵横向决策装置的结构示意图;
图15示出了可以用来实施本公开的实施例的示例电子设备1500的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本公开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,以便这里描述的本公开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。
本公开实施例针对相关技术中,一方面,采用分层式决策的思路,将车辆的纵向运动决策和横向运动决策分离,不利于车辆的安全决策,另一方面,现有的车辆的纵横向联合决策方法在面对复杂动态交互场景时,会存在纵横向决策协同难、交互车辆运动不确定性高、车辆间交互过程建模复杂等难题的情况,提出了一种车辆的纵横向决策方法。
下面参考附图描述本公开实施例的车辆的纵横向决策方法、装置及自动驾驶车辆。
图1是根据本公开第一实施例所提供的车辆的纵横向决策方法的流程示意图。
需要说明的是,本公开实施例的车辆的纵横向决策方法可以由本公开实施例提供的车辆的纵横向决策装置执行。该车辆的纵横向决策装置可以为电子设备,也可以被配置在电子设备中,以实现根据在动态交互场景之中与当前车辆进行交互的交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果,解决相关技术中纵横向决策割裂的难题的同时,使得当前车辆能够处理复杂动态交互场景下面临的人类驾驶车辆行为动态不确定、车辆间行为交互动态不确定等多种不确定性问题,保证了当前车辆对交互车辆的行驶安全性。
其中,电子设备,可以是任意能够进行数据处理的静止或者移动计算设备,例如笔记本电脑、智能手机、可穿戴设备等移动计算设备,或者台式计算机等静止的计算设备,或者服务器,或者其它类型的计算设备等,本实施例中对此不作限制。
如图1所示,该车辆的纵横向决策方法包括以下步骤:
步骤101,确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆。
在本实施例中,动态交互场景可以理解为当前车辆在其所在道路上与其他车辆进行交互的场景,具体可以包括斜向汇入场景、水平汇入场景等。
在本实施例的一种可能的实现方式中,可以依据当前车辆所在道路的道路结构是否满足动态交互场景下的道路特点来确定当前车辆的动态交互场景。例如,针对图2所示的道路场景,假设车辆A为本实施例中的当前车辆,由于车辆A所在道路的道路结构满足斜向汇入场景下的道路特点,从而可以确定当前车辆的动态交互场景为斜向汇入场景。
在本实施例中,在确定好当前车辆的动态交互场景之后,可以确定在动态交互场景之中与当前车辆进行交互的交互车辆。
在本实施例的一种可能的实现方式中,可以基于当前车辆与动态交互场景中其他车辆的位置关系,确定在动态交互场景之中与当前车辆进行交互的交互车辆。可选地,可以将动态交互场景中位于当前车辆的前方,且距离当前车辆最近的车辆确定为在动态交互场景之中与当前车辆进行交互的交互车辆。此外,当动态交互场景为斜向汇入场景时,易确定交互车道为斜向汇入车道,从而可以直接将斜向汇入车道中距离汇入口最近的车辆确定为在动态交互场景之中与当前车辆进行交互的交互车辆。例如,针对图2所示的道路场景,假设车辆A为本实施例中的当前车辆,一方面,由于动态交互场景为斜向汇入场景,易确定交互车道为斜向汇入车道,且只有车辆B位于斜向汇入车道,从而可以确定车辆B为在该动态交互场景之中与车辆A进行交互的交互车辆,另一方面,尽管车辆B、车辆C和车辆D都位于车辆A的前方,但由于车辆B与车辆A的相对纵向距离ΔDab相较于车辆C与车辆A的距离、车辆D与车辆A的距离数值更小,从而可以确定车辆B距离车辆A最近,进而也可以确定车辆B为在动态交互场景之中与车辆A进行交互的交互车辆。
步骤102,获取交互车辆的驾驶状态。
在本实施例中,可以获取交互车辆的驾驶状态。需要说明的是,本步骤获取到的交互车辆的驾驶状态主要用于区分交互车辆是否属于理性驾驶,仅为一个先验判断,便于后续决策模型的选择,并不能完全代表交互车辆的真实驾驶状态。
由于本步骤获取到的交互车辆的驾驶状态主要用于区分交互车辆是否属于理性驾驶,从而在本实施例中,交互车辆的驾驶状态可以包括理性驾驶状态和非理性驾驶状态。
步骤103,根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型。
在本实施例中,在得到交互车辆的驾驶状态之后,可以根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型。具体地,当交互车辆的驾驶状态为理性驾驶状态时,可以获取理性驾驶状态下交互车辆对应的车辆交互决策模型,当交互车辆的驾驶状态为非理性驾驶状态时,可以获取非理性驾驶状态下交互车辆对应的车辆交互决策模型。
步骤104,根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。
在本实施例中,当前车辆的纵横向决策结果可以理解为当前车辆的纵横向行为策略,具体指当前车辆纵向是否让行、横行是否避让。
在本实施例中,可以根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。其中,纵横向决策结果可以包括纵向让行横向避让、纵向让行横向不避让、纵向不让行横向避让、纵向不让行横向不避让。
本公开实施例提供的车辆的纵横向决策方法,通过确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆,从而获取交互车辆的驾驶状态,并根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型,进而根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。由此,能够在解决相关技术中纵横向决策割裂的难题的同时,使得当前车辆能够处理复杂动态交互场景下面临的人类驾驶车辆行为动态不确定、车辆间行为交互动态不确定等多种不确定性问题,保证了当前车辆对交互车辆的行驶安全性。
通过上述分析可知,本公开实施例中,可以确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆,为了清楚说明本公开中是如何确定动态交互场景和交互车辆的,本公开实施例提供了另一种车辆的纵横向决策方法,图3是根据本公开第三实施例所提供的车辆的纵横向决策方法的流程示意图。
如图3所示,该车辆的纵横向决策方法包括以下步骤:
步骤301,获取当前车辆采集的道路图像。
在本实施例中,当前车辆上配置有图像采集设备,比如行车记录仪、车载摄像头等,从而当前车辆能够基于其所配置的图像采集设备采集其所在道路的道路图像。
在本实施例中,车辆的纵横向决策装置可以通过各种公开、合法、合规的方式获取当前车辆采集的道路图像,例如车辆的纵横向决策装置可以在当前车辆采集道路图像的过程中,实时获取当前车辆采集的道路图像,或者也可以通过网络传输或者物理拷贝的方式从其它装置获取当前车辆采集的道路图像,或者也可以通过其它公开、合法、合规的方式获取当前车辆采集的道路图像,本实施例中对此不作限制。
步骤302,根据道路图像获取道路特点,并根据道路特点确定当前车辆的动态交互场景。
在本实施例中,动态交互场景可以理解为当前车辆在其所在道路上与其他车辆进行交互的场景,具体可以包括斜向汇入场景、水平汇入场景等。
在本实施例中,可以基于当前车辆采集的道路图像获取道路特点,从而根据道路特点来确定当前车辆的动态交互场景。例如,可以判断获取到的道路特点是否满足斜向汇入场景下的道路特点,从而在满足斜向汇入场景下的道路特点的情况下,确定当前车辆的动态交互场景为斜向汇入场景,或者,在不满足斜向汇入场景下的道路特点的情况下,进入其他动态交互场景的判别。
步骤303,获取动态交互场景之中的其他车辆。
在本实施例中,在确定好动态交互场景之后,可以获取动态交互场景之中除了当前车辆之外的其他车辆。可选地,可以基于当前车辆采集的道路图像,获取动态交互场景之中的其他车辆。
需要说明的是,本步骤获取到的动态交互场景之中其他车辆的数量可以为一个或者多个,本实施例中对此不做限制。
步骤304,计算当前车辆与动态交互场景之中其他车辆之间的距离。
在本实施例中,可以计算当前车辆与动态交互场景之中其他车辆之间的距离,以基于当前车辆与动态交互场景之中其他车辆之间的距离确定在动态交互场景之中与当前车辆进行交互的交互车辆。
需要说明的是,当动态交互场景之中其他车辆为斜向汇入车道中的车辆,比如图2所示的道路场景中车辆B时,计算当前车辆与动态交互场景之中其他车辆之间的距离即为计算当前车辆与斜向汇入车道中的车辆之间的相对纵向距离。
步骤305,将其他车辆之中与当前车辆距离最近的车辆作为交互车辆。
在本实施例中,在计算完当前车辆与动态交互场景之中其他车辆之间的距离之后,可以基于当前车辆与动态交互场景之中其他车辆之间的距离,将其他车辆之中与当前车辆距离最近的车辆作为在动态交互场景之中与当前车辆进行交互的交互车辆。
步骤306,获取交互车辆的驾驶状态。
步骤307,根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型。
步骤308,根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。
需要说明的是,步骤306-308的具体实现过程可以参见上一实施例步骤102-104的描述,此处不再赘述。
本公开实施例提供的对话处理方法,通过获取当前车辆采集的道路图像,实现根据道路图像获取道路特点,并根据道路特点确定当前车辆的动态交互场景,以及通过获取动态交互场景之中的其他车辆,从而计算当前车辆与动态交互场景之中其他车辆之间的距离,进而将其他车辆之中与当前车辆距离最近的车辆作为交互车辆。由此,可实现基于道具特点确定当前车辆的动态交互场景,以及基于车辆间距离确定在动态交互场景之中与当前车辆进行交互的交互车辆。
通过上述分析可知,本公开实施例中,可以获取交互车辆的驾驶状态,为了清楚说明本公开中是如何获取交互车辆的驾驶状态的,本公开实施例提供了另一种车辆的纵横向决策方法,图4是根据本公开第四实施例所提供的车辆的纵横向决策方法的流程示意图。
如图4所示,该车辆的纵横向决策方法包括以下步骤:
步骤401,确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆。
需要说明的是,本步骤的具体实现过程可以参见上述实施例步骤101的描述,此处不再赘述。
步骤402,获取交互车辆所在道路的汇入终点。
需要说明的是,在本实施例中,动态交互场景为如图2所示的斜向汇入场景,从而可以在确定好动态交互场景和交互车辆之后,获取交互车辆所在道路的汇入终点。可选地,可以在当前车辆上配置有图像采集设备,并且当前车辆基于其所配置的图像采集设备采集了其所在道路的道路图像的情况下,基于当前车辆采集的道路图像获取交互车辆所在道路的汇入终点。
步骤403,获取交互车辆相对于汇入终点的车头碰撞时距G。
在本实施例中,可以在获取到交互车辆所在道路的汇入终点之后,计算出交互车辆距离汇入终点的相对纵向距离ΔD1,并在获取到交互车辆的纵向速度v1之后,基于交互车辆距离汇入终点的相对纵向距离ΔD1和交互车辆的纵向速度v1,通过公式G=ΔD1v1计算出交互车辆相对于汇入终点的车头碰撞时距G。
步骤404,获取交互车辆在预设时间段内的G序列,并对G序列进行聚类以生成聚类结果。
在本实施例中,在得到交互车辆相对于汇入终点的车头碰撞时距G之后,可以获取交互车辆在预设时间段内的G序列,并利用序列聚类法对G序列进行聚类,以生成聚类结果。其中,对于预设时间段的具体设定本公开实施例并没有作出限定,可选地,可以根据人工经验进行设定,例如,可以将预设时间段设定为10:00-10:10,或者,也可以根据实际应用需求进行动态调整,本实施例中对此不作限制。
在本实施例中,利用序列聚类法对G序列进行聚类,生成的聚类结果分别代表理性驾驶状态和非理性驾驶状态。
步骤405,根据聚类结果获取交互车辆的驾驶状态。
由于上一步骤生成的聚类结果分别代表理性驾驶状态和非理性驾驶状态,从而可以基于聚类结果获取交互车辆的驾驶状态。
步骤406,根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型。
步骤407,根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。
需要说明的是,步骤406-407的具体实现过程可以参见上述实施例步骤103-104的描述,此处不再赘述。
本公开实施例提供的车辆的纵横向决策方法,通过获取交互车辆所在道路的汇入终点,实现获取交互车辆相对于汇入终点的车头碰撞时距G,从而获取交互车辆在预设时间段内的G序列,并对G序列进行聚类以生成聚类结果,进而根据聚类结果获取交互车辆的驾驶状态。由此,可通过利用序列聚类法对交互车辆在预设时间段内的G序列进行聚类,实现基于聚类结果获取交互车辆的驾驶状态。
在本公开实施例中,还可以在确定好交互车辆之后,获取当前车辆与交互车辆的车头碰撞时距,以基于当前车辆与交互车辆的车头碰撞时距,判断当前车辆与交互车辆之间的交互程度,为了清楚说明这一过程,本公开实施例提供了另一种车辆的纵横向决策方法,图5是根据本公开第五实施例所提供的车辆的纵横向决策方法的流程示意图。
如图5所示,该车辆的纵横向决策方法包括以下步骤:
步骤501,确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆。
需要说明的是,本步骤的具体实现过程可以参见上述实施例步骤101的描述,此处不再赘述。
步骤502,获取当前车辆和交互车辆的车头碰撞时距。
在本实施例中,在确定好动态交互场景和交互车辆之后,可以获取当前车辆和交互车辆的车头碰撞时距。其中,当前车辆和交互车辆的车头碰撞时距可以通过当前车辆和交互车辆的相对纵向距离,以及位于后方车辆的纵向速度计算得到。例如,针对图2所示的斜向汇入场景,当前车辆为车辆A,交互车辆为车辆B,车辆A与车辆B的车头碰撞时距W=ΔDabvrear,其中,ΔDab表示车辆A与车辆B的相对纵向距离,vrear表示位于后方车辆的纵向速度。
步骤503,如果车头碰撞时距小于第一阈值,则进一步根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型。
在本实施例中,如果当前车辆和交互车辆的车头碰撞时距小于第一阈值,则说明当前车辆和交互车辆之间的交互程度为强交互,需要进一步获取交互车辆的驾驶状态,并根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型。其中,对于第一阈值的具体取值本公开实施例并没有作出限定,可选地,可以根据人工经验进行设定,例如,可以将第一阈值设定为50,或者,也可以根据实际应用需求进行动态调整,本实施例中对此不作限制。
步骤504,根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。
需要说明的是,本步骤的具体实现过程可以参见上述实施例步骤104的描述,此处不再赘述。
步骤505,如果车头碰撞时距大于第二阈值,则停止决策,其中,第二阈值大于第一阈值。
在本实施例中,如果当前车辆和交互车辆的车头碰撞时距大于第二阈值,则说明当前车辆和交互车辆之间的交互程度为弱交互,此时无需进行决策,即可以停止决策。其中,第二阈值要大于第一阈值,但对于第二阈值的具体取值本公开实施例也没有作出限定,可选地,可以根据人工经验进行设定,例如,可以在第一阈值设定为50的情况下,将第二阈值设定为大于50的任一数据,比如70、80、100等,或者,也可以根据实际应用需求进行动态调整,本实施例中对此不作限制。
步骤506,如果车头碰撞时距大于或等于第一阈值,且小于或等于第二阈值,则按照上一帧的纵横向决策结果作为车辆当前帧的纵横向决策结果。
在本实施例中,如果当前车辆和交互车辆的车头碰撞时距大于或等于第一阈值,且小于或等于第二阈值,即当前车辆和交互车辆的车头碰撞时距落于[第一阈值,第二阈值]这个区间内,则可以将上一帧的纵横向决策结果作为车辆当前帧的纵横向决策结果,由此,可以保证帧间结果的一致性。
本公开实施例提供的车辆的纵横向决策方法,通过获取当前车辆和交互车辆的车头碰撞时距,实现如果车头碰撞时距小于第一阈值,则进一步根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型,并根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果,或者,如果车头碰撞时距大于第二阈值,则停止决策,其中,第二阈值大于第一阈值,或者,如果车头碰撞时距大于或等于第一阈值,且小于或等于第二阈值,则按照上一帧的纵横向决策结果作为车辆当前帧的纵横向决策结果。由此,可实现基于当前车辆与交互车辆之间不同的交互程度,执行不同的决策。
为了清楚说明上述实施例中,根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果的过程,本公开实施例提供了另一种车辆的纵横向决策方法,图6是根据本公开第六实施例所提供的车辆的纵横向决策方法的流程示意图。
如图6所示,该车辆的纵横向决策方法包括以下步骤:
步骤601,确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆。
需要说明的是,本步骤的具体实现过程可以参见上述实施例步骤101的描述,此处不再赘述。
步骤602,获取交互车辆的驾驶状态。
在本实施例中,交互车辆的驾驶状态为理性驾驶状态。
本步骤的其他实现过程可以参见上述实施例步骤102的描述,此处不再赘述。
步骤603,获取当前车辆所属的道路,以及交互车辆所属的道路。
由于当前车辆在不同的路权对车辆的决策过程有一定的影响,比如当前车辆在不同路权的道路上采取的交互动作可能有差异,因此需要提前判别当前车辆和交互车辆之间的路权关系。其中,路权即交通参与者的权利,是交通参与者根据交通法规的规定,一定空间和时间内在道路上进行道路交通活动的权利。
在本实施例中,可以在获取到交互车辆的驾驶状态之后,获取当前车辆所属的道路和交互车辆所属的道路,以确定当前车辆和交互车辆之间的路权关系。
步骤604,根据当前车辆所属的道路和交互车辆所属的道路确定当前车辆和交互车辆之间的路权关系。
在本实施例中,当前车辆和交互车辆之间的路权关系可以理解为当前车辆相对于交互车辆的路权高低。可选地,当前车辆和交互车辆之间的路权关系可以包括:当前车辆高路权,交互车辆低路权,或者,当前车辆低路权,交互车辆高路权,等等。
在本实施例中,在得到当前车辆所属的道路和交互车辆所属的道路之后,可以基于当前车辆所属的道路和交互车辆所属的道路确定当前车辆和交互车辆之间的路权关系。可选地,可以基于当前车辆所属的道路和交互车辆所属的道路,依据交规来判断当前车辆相对于交互车辆的路权高低。例如,针对图2所示的道路场景,依据交规可以确定车辆A(当前车辆)高路权,车辆B(交互车辆)低路权。
需要说明的是,在本实施例中,针对当前车辆低路权的情况可以发起变道决策,也就是说当前车辆可以在其路权低的情况下发起变道决策,从而如果当前车辆发起了变道决策,且变道成功,则无需进行后续决策,此时可以停止决策;如果当前车辆发起了变道决策,但变道失败,则需要进入后续决策。
步骤605,获取当前车辆与交互车辆之间的交互动作空间。
在本实施例中,由于交互车辆的驾驶状态为理性驾驶状态,从而可以获取理性驾驶状态下交互车辆对应的车辆交互决策模型,进入理性驾驶状态下车辆交互决策阶段。
步骤606,分别生成当前车辆的第一代价函数和交互车辆的第二代价函数。
在本实施例中,可以在获取到当前车辆与交互车辆之间的交互动作空间之后,分别生成当前车辆的第一代价函数和交互车辆的第二代价函数。可选地,可以根据车辆的安全性和效率分别生成当前车辆的第一代价函数Ca和交互车辆的第二代价函数Cb。
步骤607,根据路权关系对第一代价函数的第一权重因子进行调整,并将第二代价函数的第二权重因子设置为先验值。
在本实施例中,可以根据当前车辆和交互车辆之间的路权关系对第一代价函数的第一权重因子进行调整,并将第二代价函数的第二权重因子设置为先验值。可选地,可以基于当前车辆路权的高低,调整第一代价函数Ca中的第一权重因子λa,并将第二代价函数Cb中的第二权重因子λb设置为先验值。
步骤608,根据第一代价函数、第二代价函数、第一权重因子和第二权重因子生成当前车辆的纵横向决策结果。
在本实施例中,可以根据第一代价函数、第二代价函数、第一权重因子和第二权重因子生成当前车辆的纵横向决策结果。可选地,可以利用博弈模型的均衡求解方法,得到当前车辆和交互车辆采取交互动作空间中不同交互动作的概率值,从而取最大概率值对应的交互动作作为输出,来得到当前车辆的纵横向决策结果和交互车辆的纵横向决策结果。
本公开实施例提供的车辆的纵横向决策方法,通过获取当前车辆所属的道路,以及交互车辆所属的道路,实现根据当前车辆所属的道路和交互车辆所属的道路确定当前车辆和交互车辆之间的路权关系,并在获取当前车辆与交互车辆之间的交互动作空间之后,分别生成当前车辆的第一代价函数和交互车辆的第二代价函数,从而根据路权关系对第一代价函数的第一权重因子进行调整,并将第二代价函数的第二权重因子设置为先验值,进而根据第一代价函数、第二代价函数、第一权重因子和第二权重因子生成当前车辆的纵横向决策结果。由此,可实现在交互车辆的驾驶状态为理性驾驶状态的情况下,根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型,并根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。
为了使得交互车辆的驾驶状态为理性驾驶状态的情况下生成的当前车辆的纵横向决策结果具有较高的准确性,本公开实施例提供了另一种车辆的纵横向决策方法,图7是根据本公开第七实施例所提供的车辆的纵横向决策方法的流程示意图。
如图7所示,该车辆的纵横向决策方法包括以下步骤:
步骤701,确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆。
步骤702,获取交互车辆的驾驶状态。
步骤703,获取当前车辆所属的道路,以及交互车辆所属的道路。
步骤704,根据当前车辆所属的道路和交互车辆所属的道路确定当前车辆和交互车辆之间的路权关系。
步骤705,获取当前车辆与交互车辆之间的交互动作空间。
步骤706,分别生成当前车辆的第一代价函数和交互车辆的第二代价函数。
步骤707,根据路权关系对第一代价函数的第一权重因子进行调整,并将第二代价函数的第二权重因子设置为先验值。
步骤708,根据第一代价函数、第二代价函数、第一权重因子和第二权重因子生成当前车辆的纵横向决策结果。
需要说明的是,步骤701-708的具体实现过程可以参见上述实施例步骤601-608的描述,此处不再赘述。
步骤709,获取交互车辆的实际交互动作。
由于人类驾驶员的不确定性,交互车辆的实际驾驶行为和决策模型预设的驾驶行为会有区别,因此需要调整决策模型的参数,使得决策模型输出的交互车辆的预测结果与其实际驾驶结果保持一致。
在本实施例中,可以采用“先验假设-引入观测-后验修正”的反馈式修正机制,由于已将交互车辆的第二代价函数Cb中的第二权重因子κb设置为先验值,从而可以在决策模型开始运行后,获取前一帧下交互车辆的实际交互动作,以判别前一帧下交互车辆的实际交互动作属于交互动作空间中的哪种情况,即引入实际观测数据。
步骤710,根据交互车辆的实际交互动作与对交互车辆预测的预测交互动作对第二权重因子进行调整。
在本实施例中,在引入实际观测数据之后,就可以进行后验修正,即可以基于交互车辆的实际交互动作与对交互车辆预测的预测交互动作对第二权重因子进行调整。可选地,如果交互车辆的实际交互动作与决策模型前一帧下输出的交互车辆的纵横向决策结果一致,则不作修正,如果不一致,则根据交互车辆的实际交互动作和对交互车辆预测的预测交互动作对第二权重因子κb进行调整,使得新的第二权重因子κb下决策模型输出的交互车辆的纵横向决策结果与交互车辆的实际交互动作保持一致。
本公开实施例提供的车辆的纵横向决策方法,通过获取交互车辆的实际交互动作,实现根据交互车辆的实际交互动作与对交互车辆预测的预测交互动作对第二权重因子进行调整。由于可以基于交互车辆的实际交互动作与对交互车辆预测的预测交互动作对第二权重因子进行调整,从而能够有效提高生成当前车辆的纵横向决策结果的准确性。
上述实施例描述了交互车辆的驾驶状态为理性驾驶状态的情况下车辆的纵横向决策方法的实现过程,下面结合图8,对交互车辆的驾驶状态为非理性驾驶状态的情况下车辆的纵横向决策方法的实现过程进一步说明。
图8是根据本公开第八实施例所提供的车辆的纵横向决策方法的流程示意图。
如图8所示,该车辆的纵横向决策方法包括以下步骤:
步骤801,确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆。
需要说明的是,本步骤的具体实现过程可以参见上述实施例步骤101的描述,此处不再赘述。
步骤802,获取交互车辆的驾驶状态。
在本实施例中,交互车辆的驾驶状态为非理性驾驶状态。
本步骤的其他实现过程可以参见上述实施例步骤102的描述,此处不再赘述。
步骤803,获取当前车辆所属的道路,以及交互车辆所属的道路。
步骤804,根据当前车辆所属的道路和交互车辆所属的道路确定当前车辆和交互车辆之间的路权关系。
需要说明的是,步骤803-804的具体实现过程可以参见上述实施例步骤603-604的描述,此处不再赘述。
步骤805,获取当前车辆相对于汇入终点的第一距离,以及交互车辆相对于汇入终点的第二距离。
在本实施例中,由于交互车辆的驾驶状态为非理性驾驶状态,从而可以获取非理性驾驶状态下交互车辆对应的车辆交互决策模型,进入非理性驾驶状态下车辆交互决策阶段。
在本实施例中,可以根据当前车辆的路权高低和当前车辆、交互车辆相对于汇入终点的距离,生成当前车辆的纵横向决策结果。
在本实施例中,可以获取当前车辆相对于汇入终点的第一距离,以及交互车辆相对于汇入终点的第二距离,以基于第一距离和第二距离确定当前车辆、交互车辆谁距离汇入终点更近。可以理解的是,当第一距离大于第二距离时,说明当前车辆相对于交互车辆距离汇入终点更近,否则反之。
步骤806,如果根据路权关系判断当前车辆为高路权,且第一距离大于第二距离,则控制当前车辆选择纵向不让行横向不避让策略。
在本实施例中,如果根据当前车辆和交互车辆之间的路权关系判断当前车辆为高路权,并且当前车辆相对于汇入终点的第一距离大于交互车辆相对于汇入终点的第二距离,则可以控制当前车辆选择纵向不让行横向不避让策略。
步骤807,如果根据路权关系判断当前车辆为低路权,且第一距离小于或等于第二距离,则控制当前车辆选择纵向让行横向避让策略。
在本实施例中,如果根据当前车辆和交互车辆之间的路权关系判断当前车辆为低路权,并且当前车辆相对于汇入终点的第一距离小于或等于交互车辆相对于汇入终点的第二距离,则可以控制当前车辆选择纵向让行横向避让策略。
本公开实施例提供的车辆的纵横向决策方法,通过获取当前车辆所属的道路,以及交互车辆所属的道路,实现根据当前车辆所属的道路和交互车辆所属的道路确定当前车辆和交互车辆之间的路权关系,并获取当前车辆相对于汇入终点的第一距离,以及交互车辆相对于汇入终点的第二距离,从而如果根据路权关系判断当前车辆为高路权,且第一距离大于第二距离,则控制当前车辆选择纵向不让行横向不避让策略,或者,如果根据路权关系判断当前车辆为低路权,且第一距离小于或等于第二距离,则控制当前车辆选择纵向让行横向避让策略。由此,可实现在交互车辆的驾驶状态为非理性驾驶状态的情况下,根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型,并根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。
上一实施例描述了一种交互车辆的驾驶状态为非理性驾驶状态时车辆的纵横向决策方法的实现方式,本实施例提供了另一种交互车辆的驾驶状态为非理性驾驶状态时车辆的纵横向决策方法的实现方式,图9是根据本公开第九实施例所提供的车辆的纵横向决策方法的流程示意图。
如图9所示,该车辆的纵横向决策方法包括以下步骤:
步骤901,确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆。
步骤902,获取交互车辆的驾驶状态。
需要说明的是,步骤901-902的具体实现过程可以参见上一实施例步骤801-802的描述,此处不再赘述。
步骤903,获取交互车辆的驾驶行为。
在本实施例中,由于交互车辆的驾驶状态为非理性驾驶状态,从而可以获取非理性驾驶状态下交互车辆对应的车辆交互决策模型,进入非理性驾驶状态下车辆交互决策阶段。
在本实施例中,可以根据交互车辆的驾驶行为,生成当前车辆的纵横向决策结果。
在本实施例中,由于交互车辆的驾驶状态为非理性驾驶状态,从而获取到的交互车辆的驾驶行为为非理性驾驶行为,具体可以包括激进驾驶行为和保守驾驶行为两种。
步骤904,如果驾驶行为是激进驾驶行为,则控制当前车辆选择纵向让行策略,并根据当前车辆与交互车辆之间的相对横向距离,选择横向避让策略。
在本实施例中,如果交互车辆的驾驶行为是激进驾驶行为,则可以认为交互车辆将会采取纵向不让行决策,从而可以控制当前车辆选择纵向让行策略。
在本实施例中,当前车辆的横向决策结果可以基于当前车辆与交互车辆之间的相对横向距离来确定。可选地,可以根据当前车辆与交互车辆之间的相对横向距离是否大于预设阈值来确定是否选择横向避让策略。其中,对于预设阈值的具体取值本公开实施例也没有作出限定,可选地,可以根据人工经验进行设定,例如,将预设阈值设定为50,或者,也可以根据实际应用需求进行动态调整,本实施例中对此不作限制。
步骤907,如果驾驶行为是保守驾驶行为,则控制当前车辆选择纵向不让行策略,并根据当前车辆与交互车辆之间的相对横向距离,选择横向避让策略。
在本实施例中,如果交互车辆的驾驶行为是保守驾驶行为,则可以认为交互车辆将会采取纵向让行决策,从而可以控制当前车辆选择纵向不让行策略。
类似地,在本实施例中,当前车辆的横向决策结果也可以基于当前车辆与交互车辆之间的相对横向距离来确定。可选地,可以根据当前车辆与交互车辆之间的相对横向距离是否大于预设阈值来确定是否选择横向避让策略。其中,对于预设阈值的具体取值本公开实施例也没有作出限定,可选地,可以根据人工经验进行设定,例如,将预设阈值设定为50,或者,也可以根据实际应用需求进行动态调整,本实施例中对此不作限制。
本公开实施例提供的车辆的纵横向决策方法,通过获取当前车辆所属的道路,以及交互车辆所属的道路,实现根据当前车辆所属的道路和交互车辆所属的道路确定当前车辆和交互车辆之间的路权关系,并获取交互车辆的驾驶行为,从而如果驾驶行为是激进驾驶行为,则控制当前车辆选择纵向让行策略,并根据当前车辆与交互车辆之间的相对横向距离,选择横向避让策略,或者,如果驾驶行为是保守驾驶行为,则控制当前车辆选择纵向不让行策略,并根据当前车辆与交互车辆之间的相对横向距离,选择横向避让策略。由此,可实现在交互车辆的驾驶状态为非理性驾驶状态的情况下,根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型,并根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。
为了清楚说明上述公开实施例,现举例进行说明。
图10是根据本公开第十实施例所提供的一种场景下车辆的纵横向决策方法的原理示意图。
如图10所示,车辆联合决策模块主要包括以下三个步骤:
步骤1,交互场景理解,此步骤主要包括动态交互场景的确定、交互车辆的确定、车辆交互程度的判别和交互车辆运动认知的判别这四个子步骤。
步骤1.1,动态交互场景的确定,主要依据当前车辆所在道路的道路结构是否满足动态交互场景下的道路特点来确定当前车辆的动态交互场景。例如,可以判断当前车辆所在道路的道路结构是否满足斜向汇入场景下的道路特点,如果满足斜向汇入场景下的道路特点,则进入步骤1.2交互车辆的确定,如果不满足,则进入其他动态交互场景的判别。针对图2所示的道路场景,可以判断其满足斜向汇入场景下的道路特点,因此会进入步骤1.2。
步骤1.2,交互车辆的确定,可以基于当前车辆与动态交互场景中其他车辆的位置关系,确定在动态交互场景之中与当前车辆进行交互的交互车辆。例如,针对斜向汇入场景,可以搜寻在斜向汇入车道中距离汇入口最近的车辆,并将该车辆确定为在动态交互场景之中与当前车辆进行交互的交互车辆。针对图2所示的道路场景,根据图2中车辆A(当前车辆)和其他车辆的位置情况,可以确定与车辆A交互的车辆是车辆B。
步骤1.3,车辆交互程度的判别。根据所确定的交互车辆为车辆B,分析其与车辆A的交互强弱情况,根据车辆B的当前速度,计算车辆A与车辆B的车头碰撞时距W:
其中,ΔDab代表车辆A与车辆B的相对纵向距离,vrear代表位于后方车辆的纵向速度。
设定一个区间[α,β],如果W小于α,则判为强交互,进入步骤1.4;如果W大于α,则判为弱交互,不继续后续步骤,跳出决策模块;若落在这个区间内,则沿用上一帧的结果,从而保证帧间结果的一致性。
步骤1.4,交互车辆运动认知的判别,主要区分交互车辆是否为理性驾驶状态,给出一个先验判断,便于后续决策模型的选择。可选地,可以构建训练数据样本:区分不同的速度区间(0~20km/h;20~40km/h;40~60km/h;60km/h以上),以交互车辆相对于汇入终点的车头碰撞时距G作为分类特征,收集交互车辆一段时域内的G序列,
其中,ΔD1代表交互车辆距离汇入终点的相对纵向距离;v1表示交互车辆的纵向速度。
然后,利用序列聚类法对样本序列进行聚类,得到的聚类结果分别代表理性驾驶状态和非理性驾驶状态。
通过上述方法,可以初步判定图2中车辆B是否为理性驾驶状态,方便后续步骤2中选择不同的车辆交互决策模型。
步骤2,车辆动态交互决策,主要包括主车高低路权判定、理性驾驶情况车辆交互决策、非理性驾驶情况车辆交互决策和交互决策模型的参数修正这四个部分。根据步骤1.4的结果,若车辆B为理性驾驶状态,则选择理性驾驶情况车辆交互决策模型;若车辆B为非理性驾驶状态,则选择非理性驾驶情况车辆交互决策模型。
步骤2.1,主车高低路权判定,即当前车辆高低路权的判定。由于当前车辆在不同的路权对车辆的决策过程有一定的影响,比如当前车辆在不同路权的道路上采取的交互动作可能有差异,因此需要提前判别当前车辆和交互车辆之间的路权关系。可选地,可以根据交规判断当前车辆相对于交互车辆的路权高低。同时针对当前车辆低路权的情况发起变道决策。若当前车辆发起变道决策,变道成功,则不进入后续模块;若变道失败进入后续模块。根据图2可以判断,车辆A高路权,车辆B低路权。
步骤2.2,理性驾驶情况车辆交互决策,根据步骤1.4的结果,若车辆B为理性驾驶状态,则进入理性驾驶状态下车辆交互决策阶段。
根据非合作静态博弈理论,对车辆A和车辆B进行交互性建模,首先,确定车辆的交互动作空间为:纵向让行横向避让、纵向让行横向不避让、纵向不让行横向避让、纵向不让行横向不避让;接着,根据车辆的安全性和效率分别设计交互模型中车辆A和车辆B的代价函数Ca和Cb,根据步骤2.1当前车辆路权高低,确定代价函数Ca中的权重因子λa,根据步骤1.4对车辆B的认知结果,初步假设Cb中权重因子的先验值为λb;最后,利用博弈模型的均衡求解方法,得到车辆A和车辆B采取中不同交互动作的概率值,取最大概率值对应的交互动作作为输出,分别代表当前车辆的纵横向决策结果和交互车辆的纵横向决策结果。
步骤2.3,非理性驾驶情况车辆交互决策,根据步骤1.4的结果,若车辆B为非理性驾驶状态,则进入非理性驾驶情况下车辆交互决策阶段。
这里预设交互车辆的非理性驾驶行为有2种情况:激进驾驶行为和保守驾驶行为。首先根据步骤2.1当前车辆路权高分析情况,结合步骤1.3车辆间交互程度的判别,若当前车辆处于高路权且相对于交互车辆明显靠近汇入口,则当前车辆选择纵向不让行横向不避让决策;若当前车辆处于低路权且相对于交互车辆明显远离汇入口,则当前车辆选择纵向让行横向避让决策;其余情况按照交互车辆的非理性情况进行分析:(1)若交互车辆的驾驶行为是激进驾驶行为,则认为交互车辆将会采取纵向不让行决策,从而可以控制当前车辆选择纵向让行决策,横向决策结果则基于当前车辆与交互车辆之间的相对横向距离来确定,即可以根据当前车辆与交互车辆之间的相对横向距离选择是否横向避让;(2)若交互车辆的驾驶行为是保守驾驶行为,则认为交互车辆将会采取纵向让行决策,从而可以控制当前车辆选择纵向不让行决策,横向决策结果同样可以基于当前车辆与交互车辆之间的相对横向距离来确定,即可以根据当前车辆与交互车辆之间的相对横向距离选择是否横向避让。
步骤2.4,车辆交互决策模型的参数修正,由于人类驾驶员的不确定性,交互车辆的实际驾驶行为和决策模型预设的驾驶行为会有区别,因此需要调整决策模型的参数,使得决策模型输出的交互车辆的预测结果与其实际驾驶结果保持一致。
这里主要采取“先验假设-引入观测-后验修正”的反馈式修正机制,主要流程如下:在步骤2.2中,已知Cb中权重因子的先验值为λb,从决策模型开始运行后,判别前一帧下车辆B的实际交互动作属于交互动作空间中哪一个情况,即引入实际观测数据,若车辆B的实际交互动作与步骤2.2中决策模型前一帧下输出的交互车辆的纵横向决策结果一致,则不作修正,若不一致,则根据车辆B的实际交互动作调整λb,使得新的λb下决策模型输出的交互车辆的纵横向决策结果与车辆B的实际交互动作保持一致。
步骤3,交互车辆轨迹预测。根据步骤2.2输出的当前车辆的纵横向决策结果和交互车辆预测结果,对交互车辆进行轨迹预测,方便后续进行当前车辆的路径和速度规划。采取的轨迹预测方法可选择基于车辆运动学模型的轨迹预测,使得预测出的轨迹能够符合步骤2中交互车辆预测结果。
之后,还可以将步骤2输出的车辆A的纵横向决策结果和步骤3输出的车辆B的轨迹预测结果,输入至车辆路径规划模块,以输出车辆路径规划结果。而车辆的速度规划模块则根据步骤2输出的车辆A的纵横向决策结果、步骤3输出的车辆B的轨迹预测结果和车辆路径规划结果,进行当前车辆的速度规划,从而得到当前车辆未来的轨迹规划点序列,发送到底层控制模块进行执行。
下面结合图11,对本公开提供的车辆的纵横向决策装置进行说明。
图11是根据本公开第十一实施例所提供的车辆的纵横向决策装置的结构示意图。
如图11所示,该车辆的纵横向决策装置1100可以包括:第一确定模块11、第一获取模块12、第二获取模块13和生成模块14。
其中,第一确定模块11,用于确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆;
第一获取模块12,用于获取交互车辆的驾驶状态;
第二获取模块13,用于根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型;
生成模块14,用于根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。
在本公开实施例的一种可能的实现方式中,第一确定模块11,具体用于:
获取当前车辆采集的道路图像;
根据道路图像获取道路特点,并根据道路特点确定当前车辆的动态交互场景。
在本公开实施例的一种可能的实现方式中,第一确定模块11,具体用于:
获取动态交互场景之中的其他车辆;
计算当前车辆与动态交互场景之中其他车辆之间的距离;
将其他车辆之中与当前车辆距离最近的车辆作为交互车辆。
在本公开实施例的一种可能的实现方式中,第一获取模块12,具体用于:
获取交互车辆所在道路的汇入终点;
获取交互车辆相对于汇入终点的车头碰撞时距G;
获取交互车辆在预设时间段内的G序列,并对G序列进行聚类以生成聚类结果;
根据聚类结果获取交互车辆的驾驶状态。
在本公开实施例的一种可能的实现方式中,交互车辆的驾驶状态包括理性驾驶状态和非理性驾驶状态。
基于上一实施例,本公开实施例还提供了一种车辆的纵横向决策装置的可能的实现方式,图12为根据本公开第十二实施例所提供的车辆的纵横向决策装置的结构示意图,在上一实施例的基础上,该车辆的纵横向决策装置1200还包括:第三获取模块15、第一处理模块16、第二处理模块17和第三处理模块18。
其中,第三获取模块15,用于获取当前车辆和交互车辆的车头碰撞时距;
第一处理模块16,用于如果车头碰撞时距小于第一阈值,则进一步根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型;
第二处理模块17,用于如果车头碰撞时距大于第二阈值,则停止决策,其中,第二阈值大于第一阈值;
第三处理模块18,用于如果车头碰撞时距大于或等于第一阈值,且小于或等于第二阈值,则按照上一帧的纵横向决策结果作为车辆当前帧的纵横向决策结果。
基于上述实施例,本公开实施例还提供了一种车辆的纵横向决策装置的可能的实现方式,图13为根据本公开第十三实施例所提供的车辆的纵横向决策装置的结构示意图,在图11实施例的基础上,该车辆的纵横向决策装置1300还包括:第四获取模块19和第二确定模块20。
其中,第四获取模块19,用于获取当前车辆所属的道路,以及交互车辆所属的道路;
第二确定模块20,用于根据当前车辆所属的道路和交互车辆所属的道路确定当前车辆和交互车辆之间的路权关系。
在本公开实施例的一种可能的实现方式中,如果交互车辆的驾驶状态为理性驾驶状态,则生成模块14,具体用于:
获取当前车辆与交互车辆之间的交互动作空间;
分别生成当前车辆的第一代价函数和交互车辆的第二代价函数;
根据路权关系对第一代价函数的第一权重因子进行调整,并将第二代价函数的第二权重因子设置为先验值;
根据第一代价函数、第二代价函数、第一权重因子和第二权重因子生成当前车辆的纵横向决策结果。
在本公开实施例的一种可能的实现方式中,如果交互车辆的驾驶状态为非理性驾驶状态,则生成模块14,具体用于:
获取当前车辆相对于汇入终点的第一距离,以及交互车辆相对于汇入终点的第二距离;
如果根据路权关系判断当前车辆为高路权,且第一距离大于第二距离,则控制当前车辆选择纵向不让行横向不避让策略;
如果根据路权关系判断当前车辆为低路权,且第一距离小于或等于第二距离,则控制当前车辆选择纵向让行横向避让策略。
在本公开实施例的一种可能的实现方式中,如果交互车辆的驾驶状态为非理性驾驶状态,则生成模块14,具体用于:
获取交互车辆的驾驶行为;
如果驾驶行为是激进驾驶行为,则控制当前车辆选择纵向让行策略,并根据当前车辆与交互车辆之间的相对横向距离,选择横向避让策略;
如果驾驶行为是保守驾驶行为,则控制当前车辆选择纵向不让行策略,并根据当前车辆与交互车辆之间的相对横向距离,选择横向避让策略。
基于上一实施例,本公开实施例还提供了一种车辆的纵横向决策装置的可能的实现方式,图14为根据本公开第十四实施例所提供的车辆的纵横向决策装置的结构示意图,在上一实施例的基础上,该车辆的纵横向决策装置1400还包括:第五获取模块21和调整模块22。
其中,第五获取模块21,用于获取交互车辆的实际交互动作;
调整模块22,用于根据交互车辆的实际交互动作与对交互车辆预测的预测交互动作对第二权重因子进行调整。
本公开实施例提供的车辆的纵横向决策装置,通过确定当前车辆的动态交互场景,以及确定在动态交互场景之中与当前车辆进行交互的交互车辆,从而获取交互车辆的驾驶状态,并根据交互车辆的驾驶状态获取交互车辆对应的车辆交互决策模型,进而根据交互车辆对应的车辆交互决策模型生成当前车辆的纵横向决策结果。由此,能够在解决相关技术中纵横向决策割裂的难题的同时,使得当前车辆能够处理复杂动态交互场景下面临的人类驾驶车辆行为动态不确定、车辆间行为交互动态不确定等多种不确定性问题,保证了当前车辆对交互车辆的行驶安全性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质、一种计算机程序产品和一种自动驾驶车辆。
图15示出了可以用来实施本公开的实施例的示例电子设备1500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图15所示,电子设备1500包括计算单元1501,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)1502中的计算机程序或者从存储单元1508加载到RAM(Random AccessMemory,随机访问/存取存储器)1503中的计算机程序,来执行各种适当的动作和处理。在RAM 1503中,还可存储设备1500操作所需的各种程序和数据。计算单元1501、ROM 1502以及RAM 1503通过总线1504彼此相连。I/O(Input/Output,输入/输出)接口1505也连接至总线1504。
电子设备1500中的多个部件连接至I/O接口1505,包括:输入单元1506,例如键盘、鼠标等;输出单元1507,例如各种类型的显示器、扬声器等;存储单元1508,例如磁盘、光盘等;以及通信单元1509,例如网卡、调制解调器、无线通信收发机等。通信单元1509允许设备1500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1501的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元1501执行上文所描述的各个方法和处理,例如上述车辆的纵横向决策方法。例如,在一些实施例中,上述车辆的纵横向决策方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1502和/或通信单元1509而被载入和/或安装到设备1500上。当计算机程序加载到RAM 1503并由计算单元1501执行时,可以执行上文描述的上述车辆的纵横向决策方法的一个或多个步骤。备选地,在其他实施例中,计算单元1501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述车辆的纵横向决策方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (26)
1.一种车辆的纵横向决策方法,其特征在于,包括:
确定当前车辆的动态交互场景,以及确定在所述动态交互场景之中与所述当前车辆进行交互的交互车辆;
获取所述交互车辆的驾驶状态;
根据所述交互车辆的驾驶状态获取所述交互车辆对应的车辆交互决策模型;
根据所述交互车辆对应的车辆交互决策模型生成所述当前车辆的纵横向决策结果。
2.如权利要求1所述的方法,其特征在于,所述确定当前车辆的动态交互场景,包括:
获取所述当前车辆采集的道路图像;
根据所述道路图像获取所述道路特点,并根据所述道路特点确定所述当前车辆的动态交互场景。
3.如权利要求1所述的方法,其特征在于,所述确定在所述动态交互场景之中与所述当前车辆进行交互的交互车辆,包括:
获取所述动态交互场景之中的其他车辆;
计算所述当前车辆与所述动态交互场景之中其他车辆之间的距离;
将所述其他车辆之中与所述当前车辆距离最近的车辆作为所述交互车辆。
4.如权利要求1所述的方法,其特征在于,在所述确定在所述动态交互场景之中与所述当前车辆进行交互的交互车辆之后,还包括:
获取所述当前车辆和所述交互车辆的车头碰撞时距;
如果所述车头碰撞时距小于第一阈值,则进一步根据所述交互车辆的驾驶状态获取所述交互车辆对应的车辆交互决策模型;
如果所述车头碰撞时距大于第二阈值,则停止决策,其中,所述第二阈值大于所述第一阈值;
如果所述车头碰撞时距大于或等于所述第一阈值,且小于或等于所述第二阈值,则按照上一帧的纵横向决策结果作为所述车辆当前帧的纵横向决策结果。
5.如权利要求1所述的方法,其特征在于,所述获取所述交互车辆的驾驶状态,包括:
获取所述交互车辆所在道路的汇入终点;
获取所述交互车辆相对于所述汇入终点的车头碰撞时距G;
获取所述交互车辆在预设时间段内的G序列,并对所述G序列进行聚类以生成聚类结果;
根据所述聚类结果获取所述交互车辆的驾驶状态。
6.如权利要求1-5任一项所述的方法,其特征在于,所述交互车辆的驾驶状态包括理性驾驶状态和非理性驾驶状态。
7.如权利要求6所述的方法,其特征在于,还包括:
获取所述当前车辆所属的道路,以及所述交互车辆所属的道路;
根据所述当前车辆所属的道路和所述交互车辆所属的道路确定所述当前车辆和所述交互车辆之间的路权关系。
8.如权利要求7所述的方法,其特征在于,如果所述交互车辆的驾驶状态为理性驾驶状态,则所述根据所述交互车辆对应的车辆交互决策模型生成所述当前车辆的纵横向决策结果,包括:
获取所述当前车辆与所述交互车辆之间的交互动作空间;
分别生成所述当前车辆的第一代价函数和所述交互车辆的第二代价函数;
根据所述路权关系对所述第一代价函数的第一权重因子进行调整,并将所述第二代价函数的第二权重因子设置为先验值;
根据所述第一代价函数、所述第二代价函数、所述第一权重因子和所述第二权重因子生成所述当前车辆的纵横向决策结果。
9.如权利要求7所述的方法,其特征在于,如果所述交互车辆的驾驶状态为非理性驾驶状态,则所述根据所述交互车辆对应的车辆交互决策模型生成所述当前车辆的纵横向决策结果,包括:
获取所述当前车辆相对于所述汇入终点的第一距离,以及所述交互车辆相对于所述汇入终点的第二距离;
如果根据所述路权关系判断所述当前车辆为高路权,且所述第一距离大于所述第二距离,则控制所述当前车辆选择纵向不让行横向不避让策略;
如果根据所述路权关系判断所述当前车辆为低路权,且所述第一距离小于或等于所述第二距离,则控制所述当前车辆选择纵向让行横向避让策略。
10.如权利要求6所述的方法,其特征在于,如果所述交互车辆的驾驶状态为非理性驾驶状态,则所述根据所述交互车辆对应的车辆交互决策模型生成所述当前车辆的纵横向决策结果,包括:
获取所述交互车辆的驾驶行为;
如果所述驾驶行为是激进驾驶行为,则控制所述当前车辆选择纵向让行策略,并根据所述当前车辆与所述交互车辆之间的相对横向距离,选择横向避让策略;
如果所述驾驶行为是保守驾驶行为,则控制所述当前车辆选择纵向不让行策略,并根据所述当前车辆与所述交互车辆之间的相对横向距离,选择横向避让策略。
11.如权利要求8所述的方法,其特征在于,还包括:
获取所述交互车辆的实际交互动作;
根据所述交互车辆的实际交互动作与对所述交互车辆预测的预测交互动作对所述第二权重因子进行调整。
12.一种车辆的纵横向决策装置,其特征在于,包括:
第一确定模块,用于确定当前车辆的动态交互场景,以及确定在所述动态交互场景之中与所述当前车辆进行交互的交互车辆;
第一获取模块,用于获取所述交互车辆的驾驶状态;
第二获取模块,用于根据所述交互车辆的驾驶状态获取所述交互车辆对应的车辆交互决策模型;
生成模块,用于根据所述交互车辆对应的车辆交互决策模型生成所述当前车辆的纵横向决策结果。
13.如权利要求12所述的装置,其特征在于,所述第一确定模块,具体用于:
获取所述当前车辆采集的道路图像;
根据所述道路图像获取所述道路特点,并根据所述道路特点确定所述当前车辆的动态交互场景。
14.如权利要求12所述的装置,其特征在于,所述第一确定模块,具体用于:
获取所述动态交互场景之中的其他车辆;
计算所述当前车辆与所述动态交互场景之中其他车辆之间的距离;
将所述其他车辆之中与所述当前车辆距离最近的车辆作为所述交互车辆。
15.如权利要求12所述的装置,其特征在于,还包括:
第三获取模块,用于获取所述当前车辆和所述交互车辆的车头碰撞时距;
第一处理模块,用于如果所述车头碰撞时距小于第一阈值,则进一步根据所述交互车辆的驾驶状态获取所述交互车辆对应的车辆交互决策模型;
第二处理模块,用于如果所述车头碰撞时距大于第二阈值,则停止决策,其中,所述第二阈值大于所述第一阈值;
第三处理模块,用于如果所述车头碰撞时距大于或等于所述第一阈值,且小于或等于所述第二阈值,则按照上一帧的纵横向决策结果作为所述车辆当前帧的纵横向决策结果。
16.如权利要求12所述的装置,其特征在于,所述第一获取模块,具体用于:
获取所述交互车辆所在道路的汇入终点;
获取所述交互车辆相对于所述汇入终点的车头碰撞时距G;
获取所述交互车辆在预设时间段内的G序列,并对所述G序列进行聚类以生成聚类结果;
根据所述聚类结果获取所述交互车辆的驾驶状态。
17.如权利要求12-16任一项所述的装置,其特征在于,所述交互车辆的驾驶状态包括理性驾驶状态和非理性驾驶状态。
18.如权利要求17所述的装置,其特征在于,还包括:
第四获取模块,用于获取所述当前车辆所属的道路,以及所述交互车辆所属的道路;
第二确定模块,用于根据所述当前车辆所属的道路和所述交互车辆所属的道路确定所述当前车辆和所述交互车辆之间的路权关系。
19.如权利要求18所述的装置,其特征在于,如果所述交互车辆的驾驶状态为理性驾驶状态,则所述生成模块,具体用于:
获取所述当前车辆与所述交互车辆之间的交互动作空间;
分别生成所述当前车辆的第一代价函数和所述交互车辆的第二代价函数;
根据所述路权关系对所述第一代价函数的第一权重因子进行调整,并将所述第二代价函数的第二权重因子设置为先验值;
根据所述第一代价函数、所述第二代价函数、所述第一权重因子和所述第二权重因子生成所述当前车辆的纵横向决策结果。
20.如权利要求18所述的装置,其特征在于,如果所述交互车辆的驾驶状态为非理性驾驶状态,则所述生成模块,具体用于:
获取所述当前车辆相对于所述汇入终点的第一距离,以及所述交互车辆相对于所述汇入终点的第二距离;
如果根据所述路权关系判断所述当前车辆为高路权,且所述第一距离大于所述第二距离,则控制所述当前车辆选择纵向不让行横向不避让策略;
如果根据所述路权关系判断所述当前车辆为低路权,且所述第一距离小于或等于所述第二距离,则控制所述当前车辆选择纵向让行横向避让策略。
21.如权利要求17所述的装置,其特征在于,如果所述交互车辆的驾驶状态为非理性驾驶状态,则所述生成模块,具体用于:
获取所述交互车辆的驾驶行为;
如果所述驾驶行为是激进驾驶行为,则控制所述当前车辆选择纵向让行策略,并根据所述当前车辆与所述交互车辆之间的相对横向距离,选择横向避让策略;
如果所述驾驶行为是保守驾驶行为,则控制所述当前车辆选择纵向不让行策略,并根据所述当前车辆与所述交互车辆之间的相对横向距离,选择横向避让策略。
22.如权利要求19所述的装置,其特征在于,还包括:
第五获取模块,用于获取所述交互车辆的实际交互动作;
调整模块,用于根据所述交互车辆的实际交互动作与对所述交互车辆预测的预测交互动作对所述第二权重因子进行调整。
23.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
25.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
26.一种自动驾驶车辆,包括如权利要求23所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211661599.4A CN116101320A (zh) | 2022-12-22 | 2022-12-22 | 车辆的纵横向决策方法、装置及自动驾驶车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211661599.4A CN116101320A (zh) | 2022-12-22 | 2022-12-22 | 车辆的纵横向决策方法、装置及自动驾驶车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116101320A true CN116101320A (zh) | 2023-05-12 |
Family
ID=86258921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211661599.4A Pending CN116101320A (zh) | 2022-12-22 | 2022-12-22 | 车辆的纵横向决策方法、装置及自动驾驶车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116101320A (zh) |
-
2022
- 2022-12-22 CN CN202211661599.4A patent/CN116101320A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3944213A2 (en) | Method and apparatus of controlling traffic, roadside device and cloud control platform | |
EP4033453A1 (en) | Training method and apparatus for target detection model, device and storage medium | |
US20200090057A1 (en) | Human-computer hybrid decision method and apparatus | |
US11783588B2 (en) | Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform | |
JP7436670B2 (ja) | 路車協調における目標検出方法、装置及び路側機器 | |
CN110595490B (zh) | 车道线感知数据的预处理方法、装置、设备和介质 | |
CN111353451A (zh) | 电瓶车检测方法、装置、计算机设备及存储介质 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
EP3955218A2 (en) | Lane line detection method and apparatus, electronic device, computer storage medium, and computer program product | |
CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
CN113392793A (zh) | 用于识别车道线的方法、装置、设备、存储介质以及无人车 | |
CN112528927A (zh) | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 | |
CN114987546A (zh) | 轨迹预测模型的训练方法、装置、设备及存储介质 | |
US20220204000A1 (en) | Method for determining automatic driving feature, apparatus, device, medium and program product | |
US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
CN111645695A (zh) | 一种疲劳驾驶的检测方法、装置、计算机设备和存储介质 | |
CN113177497B (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
CN113052047B (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN109977884B (zh) | 目标跟随方法和装置 | |
CN116101320A (zh) | 车辆的纵横向决策方法、装置及自动驾驶车辆 | |
CN116563801A (zh) | 交通事故检测方法、装置、电子设备和介质 | |
CN113516013B (zh) | 目标检测方法、装置、电子设备、路侧设备和云控平台 | |
CN115311723A (zh) | 活体检测方法、装置及计算机可读存储介质 | |
CN113033475B (zh) | 目标对象追踪方法、相关装置及计算机程序产品 | |
CN115959154A (zh) | 变道轨迹的生成方法、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |