CN116215572A - 避让决策方法、装置、设备、存储介质和自动驾驶车辆 - Google Patents
避让决策方法、装置、设备、存储介质和自动驾驶车辆 Download PDFInfo
- Publication number
- CN116215572A CN116215572A CN202310135602.7A CN202310135602A CN116215572A CN 116215572 A CN116215572 A CN 116215572A CN 202310135602 A CN202310135602 A CN 202310135602A CN 116215572 A CN116215572 A CN 116215572A
- Authority
- CN
- China
- Prior art keywords
- period
- rotation angle
- future
- target
- angular velocity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims description 23
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000977 initiatory effect Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开提供了一种避让决策方法、装置、设备、存储介质和自动驾驶车辆,涉及人工智能技术领域,具体涉及自动驾驶、决策规划等技术领域。避让决策方法包括:获取目标车辆在未来时段内的转角变化曲线;基于所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹;确定所述未来轨迹与主车车道的侵入关系;基于所述侵入关系确定所述主车的避让决策结果。本公开可以提高避让决策的精准度。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自动驾驶、决策规划等技术领域,尤其涉及一种避让决策方法、装置、设备、存储介质和自动驾驶车辆。
背景技术
保证自动驾驶的安全性一直是自动驾驶技术的核心,避让决策技术可以有效提升自动驾驶的安全性。
相关技术中,存在一些避让决策方案,但存在不准确的问题。
发明内容
本公开提供了一种避让决策方法、装置、设备、存储介质和自动驾驶车辆。
根据本公开的一方面,提供了一种避让决策方法,包括:获取目标车辆在未来时段内的转角变化曲线;基于所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹;确定所述未来轨迹与主车车道的侵入关系;基于所述侵入关系确定所述主车的避让决策结果。
根据本公开的另一方面,提供了一种避让决策装置,包括:获取模块,用于获取目标车辆在未来时段内的转角变化曲线;生成模块,用于基于所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹;确定模块,用于获取所述未来轨迹与主车车道的侵入关系;决策模块,用于基于所述侵入关系确定所述主车的避让决策结果。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种自动驾驶车辆,包括上述任一方面的任一项所述的电子设备。
根据本公开的技术方案,可以提高避让决策的精准度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开实施例提供的自动驾驶场景的示意图;
图3是根据本公开实施例提供的避让决策场景的示意图;
图4是根据本公开实施例提供的运动学模型的示意图;
图5是根据本公开实施例提供的转角变化曲线的示意图;
图6是根据本公开第二实施例的示意图;
图7是根据本公开实施例提供的未来轨迹与主车车道的侵入关系的示意图;
图8是根据本公开第三实施例的示意图;
图9是根据本公开第四实施例的示意图;
图10是用来实现本公开实施例的避让决策方法的电子设备的示意图。
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。
相关技术中,存在一些避让决策方案,例如,通过预测系统生成障碍物车辆的预测轨迹,根据该预测轨迹是否侵入主车车道进行避让决策。障碍物车辆的预测轨迹通常是基于历史轨迹计算的,通常不考虑转角,存在预测轨迹不准确的问题,进而导致避让决策结果不精准。
为了提高避让决策的精准度,本公开提供如下实施例。
图1是根据本公开第一实施例的示意图,本实施例提供一种避让决策方法,该方法包括:
101、获取目标车辆在未来时段内的转角变化曲线。
102、基于所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹。
103、确定所述未来轨迹与主车车道的侵入关系。
104、基于所述侵入关系确定所述主车的避让决策结果。
其中,主车是指执行避让决策的车辆,在自动驾驶场景下,主车为自动驾驶车辆。
目标车辆,是指主车之外的其他车辆,还可以称为障碍物车辆,社会车辆等,可以为自动驾驶车辆或者人工驾驶车辆。
转角,是指目标车辆的驱动轮的转角,以前驱车辆为例,为前轮转角。
转角变化曲线是转角与时间之间的映射关系曲线,假设转角用α表示,时间t用表示,则转角变化曲线可以表示为α(t)。
主车从观测(感知)到目标车辆开始,可以以预设的采集周期采集目标车辆的相关数据,并基于该相关数据进行避让决策。相应地,在每个采集点可以执行一次避让决策。
未来时段,是指当前时刻之后的时段,具体是指,当前的决策点(采集点)之后的时段。
进一步地,未来时段可以选择为当前的决策点与目标车辆结束转向的时间之间的时段,即,未来时段t=[t起始,t结束]。相应地,转角变化曲线可以具体表示为:α(t),t=[t起始,t结束]。其中,t起始是起始时间,也就是当前的决策点时间,初始值是主车观测到目标车辆的时间;t结束是结束时间,具体是目标车辆结束转向的时间。
未来轨迹,是指主车推演的目标车辆在未来时段的行驶轨迹。
获取转角变化曲线后,可以基于该曲线生成目标车辆在该未来时段(t=[t起始,t结束])内的行驶轨迹,作为未来轨迹。
主车车道,是指主车所在的车道。
未来轨迹与主车车道的侵入关系包括:侵入或不侵入。
避让决策结果包括:避让,或者,无需避让(保持主车正常行驶)。
本实施例中,通过获取目标车辆的转角变化曲线,基于该曲线生成未来轨迹,以及根据该未来轨迹与主车车道的侵入关系确定避让决策结果,可以在避让决策时参考目标车辆的转角信息,从而可以提高避让决策的精准度。
为了更好地理解本公开实施例,对本公开实施例的应用场景进行说明。本实施例可以应用于自动驾驶场景。
自动驾驶车辆的自动驾驶功能可以通过自动驾驶系统实现。自动驾驶系统实现的自动驾驶级别目前可以分为L0~L5级别。其中,L0级驾驶表示无自动驾驶,即传统的驾驶员人工驾驶;L1级驾驶又称为辅助驾驶,包括定速巡航、自动泊车以及车道保持等基本功能;L2级驾驶又称为半自动驾驶,包括自动辅助驾驶,危险预判刹车等功能;L3级驾驶又称为有条件自动驾驶,与L2级相比,它可以在正常的路段下实现完全自动化驾驶,但是在一些紧急情况发生时,还是需要人工来进行辅助制动;L4级驾驶属于高度自动驾驶,汽车的整体制动性能以及反应能力已经达到了一个比较高的水准,驾驶员坐在汽车内部不用自己操控,而且汽车行驶比较平稳顺畅;L5级自动驾驶,它可以实现无条件的全自动驾驶技术,不管在任何情况下,都不用担心路况以及天气,实现全自动驾驶。
如图2所示,自动驾驶系统200的核心模块包括:高精地图(High Definition map,HD map)201、定位系统(localization)202、感知系统(Perception)203、预测系统(Prediction)204、全局导航系统(Routing)205、规划系统(Planning)206和控制模块(Control)207。
其中,高精地图201,也称自动驾驶地图、高分辨率地图,是面向自动驾驶汽车的一种新的地图数据范式。高精地图绝对位置精度接近1m相对位置精度在厘米级别,能够达到10-20cm。
定位系统202,可以基于定位装置和高精地图提供高精度(厘米级)定位服务。定位装置例如包括全球定位系统(Global Positioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GNSS)和惯性导航系统(Inertial NavigationSystem,INS)中的一项或多项。
感知系统203,为自动驾驶车辆提供全方位的环境感知服务。具体可以包括:相机、激光雷达、毫米波雷达、超声波雷达等设备。
预测系统204,以感知系统的数据为输入,通过提取本车和/或障碍物历史运动参数,结合结合卡尔曼滤波、神经网络等手段,推理得到本车和/或障碍物未来时刻运动轨迹。预测的运动轨迹可以提供给规划系统。
全局导航系统205,用于根据车辆初始位置和目标位置,结合路网拓扑结构,通过全局路径搜索算法,得到符合性能评估指标的最优全局导航路径。
规划系统206,主要提供车辆避让障碍物、换道决策,路径规划、速度规划服务。
控制系统207,用于根据决策规划系统提供的驾驶轨迹,进行纵向和横向的跟踪控制。具体可以通过控制器局域网络(Controller Area Network,CAN)总线,控制车辆的底盘系统执行转向、油门、刹车等操作。
在避让决策场景下,主车可以为自动驾驶车辆,具有上述的自动驾驶系统。具体地,避让决策方法可以由主车的规划系统执行,主车的感知系统可以获得目标车辆的相关数据,规划系统基于感知系统获得的目标车辆的相关数据进行避让决策。进一步地,控制系统可以基于规划系统获取的避让决策结果控制车辆执行对应的操作,例如,避让决策结果是避让,则可以控制车辆执行减速、变道等操作,或者,避让决策结果是不避让,则可以控制车辆保持正常行驶。
如图3所示,示出了一种避让决策场景。图3中,目标车辆用社会车辆表示,社会车辆从路口出车,由于社会车辆在纵向距离上占有明显的优势,所以有些社会车辆会在明显影响主车行驶的情况下进行出车。若社会车辆以①号轨迹进行出车,则不会影响主车的行驶,主车保持当前状态继续行驶即可;若社会车辆以②号轨迹行驶,则会影响主车行驶,主车需要提前减速,避免追尾。
因此,在图3所示的场景下,主车观测到路口处的目标车辆(社会车辆)后,需要进行避让决策处理。
相关技术中,避让决策可以基于预测系统生成的预测轨迹执行,但是,由于出车车辆的意图不确定性和轨迹预测的局限性,可能造成轨迹预测给的太保守(如右侧车辆出车,但最终选择了主车的右侧车道,但轨迹预测给的结果是会侵入主车当前车道,导致不合理减速避让或者向左变道避让),或者轨迹召回太晚(比如右侧车辆出车,最终选择了主车当前车道,当轨迹预测结果给的是最终选择主车的右侧车道,而等出车车辆已经侵入主车的当前车道,轨迹结果才会给出出车车辆侵入当前车道的轨迹,此时会由于避让不及时,而引起重度急刹),造成避让不合理。
本公开实施例中,避让决策中会推演目标车辆的未来轨迹,且基于运动学模型和人类驾驶习惯进行未来轨迹的推演,从而更好地分析目标车辆的意图,以获得更精准的未来轨迹,进而保证避让决策的精准度。
针对车辆的运动学模型:
如图4所示,车辆模型可以简化为二维平面上运动的刚体结构,任意时刻车辆的状态可用(x,y,θ)表示,其中(x,y)为车辆在X-Y坐标系下的坐标,θ为车辆的航向角(heading),α为前轮转角(steering angle,左为正,右为负),L表示前轮和后轮的距离,即轴距,v为车辆的速度。其运动学模型可以使用以下公式表示。
针对人类的驾驶习惯:
如图5所示,目标车辆(社会车辆)从路口驶出的出车过程可以包括:在t=0时刻开始出车;在t=t0时刻开始转向;在t=t1时刻,转角达到最大值,用αmax表示;人类开车时,一般在最大转角维持一段时间,即t=[t1,t2]时段是维持最大转角的时段;之后,驾驶人员将方向盘回正,转角从最大值αmax降到0,在t=t3时刻结束转向,完成出车过程。
基于图5所示的出车过程,目标车辆的出车过程可以包括如下的转向时段:
第一时段:t=[0,t0),未开始转向的时段;
第二时段:t=[t0,t1),转角增大时段;
第三时段:t=[t1,t2),转角保持时段;
第四时段:t=[t2,t3],转角减小时段。
上述四个时段中,第一时段的转向状态是未开始转向,第二时段、第三时段和第四时段的转向状态是已经转向。
从开始转向的时间(t0)到结束转向的时间(t3)之间的转角变化曲线(对应图5中的梯形部分)可以采用如下四个转角曲线信息确定:
结合上述的应用场景,本公开还提供一种避让决策方法。
图6是根据本公开第二实施例的示意图,本实施例提供一种避让决策方法,该方法包括:
601、获取目标车辆的历史观测数据。
其中,历史观测数据是指,主车从观测到目标车辆开始,采集的目标车辆的相关数据,例如包括目标车辆的位置坐标、航向角和速度,用(x,和,θ,v)表示。主车的感知系统通过点云等数据能够比较精确的计算出来上述数据。
主车可以基于预设周期进行上述数据的采集,例如,每间隔0.1秒采集一次。以航向角为例,各个时间点采集的航向角可以表示为θi,i=1,2,...。
相应地,主车可以在每个采样点进行一次避让决策,即避让决策的周期也为上述的采集周期(如0.1秒)。
602、基于所述历史观测数据确定所述目标车辆的转向状态。
其中,转向状态包括:未开始转向,或者,已经转向。
具体地,结合图5,在0~t0时间段,转向状态为未开始转向;而在其他时间段,具体包括t0~t1时间段、t1~t2时间段和t2~t3时间段,转向状态为已经转向。
其中,可以基于历史观测数据和运动学模型,计算历史转角,基于历史转角确定转向状态。
另外,可以认为目标车辆是匀速运动,即,上述的运动学模型中的v=v0,v0是主车观测到目标车辆时的速度。另外,主车的感知系统还可以观测到目标车辆的车长,根据预设配置的车长和轴距的关系,计算出目标车辆的轴距L。因此,再利用转角与航向角导数的关系,基于观测的v0、L和一系列的航向角θi,可以计算出一系列的转角αi,i=1,2,...,获得的一系列转角作为历史转角。
基于不同时刻的转角可以确定转向状态,例如,从采集开始直至当前时刻的转角αi一直为0,则表明是未开始转向,即0~t0时间段;当前时刻的转角αi大于前一时刻的转角αi-1,则表明是转角增大时段,即t0~t1时间段;当前时刻的转角αi等于前一时刻的转角αi-1且不为0,则表明是转角保持时段,即t1~t2时间段;当前时刻的转角αi小于前一时刻的转角αi-1,则表明是转角减小时段,即t2~t3时间段。第一个时段的转向状态是未开始转向,后三个时段的转向状态为已经转向。
由于转角较小,直接采用感知系统进行观测误差会较大,本实施例中,基于观测的航向角和运动学模型计算历史转角,可以提高转角的准确度,进而可以提高转向状态的准确度。
主车确定目标车辆的转向状态后,可以基于不同的转向状态执行对应的流程。具体地,若转向状态是未开始转向,则执行603,若转向状态是已经转向,则执行604-607。
603、确定主车的避让决策结果是避让。
在转向状态为未开始转向时,即0~t0时间段内,由于该时段内目标车辆的状态不明确,按照交规,需要避让。
其中,避让可以具体包括:减速避让,和/或,变道避让。
本实施例中,通过在转向状态是未开始转向时,确定避让决策结果是避让,可以提高车辆行驶的安全性。
604、获取所述目标车辆在未来时段内的目标转角曲线信息。
605、基于所述目标转角曲线信息,生成所述目标车辆在所述未来时段内的转角变化曲线。
其中,结合图5,由于转角曲线信息可以唯一确定转角变化曲线,例如,通过拟合的方式可以基于该曲线信息生成对应的曲线。
因此,基于目标转角曲线信息生成转角变化曲线,可以提高转角变化曲线的准确度,进而提高避让决策的准确度。
606、基于运动学模型和所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹。
其中,基于车辆的运动学模型,以及所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹。
结合图4所示的运动学模型,运动学模型可以表示为:
转角变化曲线α(t)确定后,基于上述公式,可以获得航向角变化曲线θ(t),具体可以基于上述公式计算出航向角导数再进行积分后得到θ(t);获取θ(t)后,再基于上述公式,可以获取对应的轨迹,即x(t),y(t)。
本实施例中,通过基于运动学模型和转角变化曲线,生成未来轨迹,可以参考了转角的信息,可以提高未来轨迹的准确度,进而提高避让决策的准确度。
607、获取所述未来轨迹与主车车道的侵入关系。
其中,可以基于所述主车车道确定参考线;确定所述未来轨迹在所述参考线上的投影距离;基于所述投影距离确定所述侵入关系。
例如,如图7所示,可以将主车车道的中心线作为参考线,未来轨迹可以基于轨迹上的采样点(用黑点表示)向参考线进行投影,得到各个投影距离d,采样周期可以为历史观测数据的采集周期。若最短投影距离大于等于预设阈值,则确定不侵入,否则侵入。
本实施例中,通过未来轨迹向参考线上进行投影,基于投影距离可以确定侵入关系,提高准确度。
608、基于所述侵入关系确定所述主车的避让决策结果。
其中,未来轨迹可以为一条或多条,若未来轨迹为一条,则可以直接根据该一条未来轨迹与主车车道的侵入关系确定避让决策结果,例如,该一条未来轨迹侵入主车车道,则避让决策结果为避让,否则为无需避让。或者,未来轨迹可以为多条,可以根据多条中各条的未来轨迹与主车车道的侵入关系,获取侵入主车车道的未来轨迹的数量(用m表示)和不侵入主车车道的未来轨迹的数量(用n表示),可以基于m和n确定避让决策结果。
具体地,所述未来轨迹为至少一条,所述侵入关系包括侵入或不侵入,所述基于所述侵入关系确定所述主车的避让决策结果,包括:
基于所述侵入关系,获取侵入所述主车车道的未来轨迹的第一数量,以及不侵入所述主车车道的未来轨迹的第二数量;
基于所述第一数量和所述第二数量,确定所述主车的避让决策结果。
例如,m/(m+n)(或者m/n)大于预设值,确定避让决策结果是避让,否则为不避让。
本实施例中,获取侵入主车车道的未来轨迹的第一数量,以及不侵入主车车道的未来轨迹的第二数量;基于第一数量和第二数量,确定避让决策结果,可以综合考虑整体情况,提高避让决策的精准度,提高避让决策的合理性,减少目标车辆和主车均避让的情况,也能够减少主车急刹情况,提高通行效率。
针对604的进一步说明如下:
其中,未来时段,是指当前的决策点(采集点)与目标车辆结束转向的时间之间的时段,即,未来时段t=[t起始,t结束],t起始是起始时间,也就是当前的决策点时间,初始值是主车观测到目标车辆的时间;t结束是结束时间,具体是目标车辆结束转向的时间,结合图5,结束时间=t3。
目标转角曲线信息,是指上述的未来时段内的转角曲线信息。
其中,所述已经转向的转向状态包括:转角增大时段、转角保持时段和转角减小时段;所述获取所述目标车辆在所述未来时段内的目标转角曲线信息,包括:
若所述未来时段包括:所述转角增大时段、所述转角保持时段和所述转角减小时段,获取第一角速度均值、最大转角、最大转角保持时长和第二角速度均值,作为所述目标转角曲线信息;其中,所述第一角速度均值是所述转向增大时段内的转角的角速度均值,所述第二角速度均值是所述转向减小时段内的转角的角速度均值;或者,
若所述未来时段包括:所述转角保持时段和所述转角减小时段,获取最大转角保持时长和第二角速度均值,作为所述目标转角曲线信息;其中,所述第二角速度均值是所述转向减小时段内的转角的角速度均值;或者,
若所述未来时段包括:所述转角减小时段,获取第二角速度均值,作为所述目标转角曲线信息;其中,所述第二角速度均值是所述转向减小时段内的转角的角速度均值。
具体地,若当前时刻(当前避让决策的时间点)属于第二时段,则未来时段包括第二时段~第四时段,目标转角信息包括:αmax,Δt,/>若当前时刻属于第三时段,则未来时段包括第三时段~第四时段,目标转角信息包括:Δt,/>若当前时刻属于第四时段,则未来时段包括第四时段,目标转角信息包括:/>
本实施例中,未来时段包括不同的转角时段时,获取不同的参数作为目标转角曲线信息,可以提高目标转角曲线信息的准确度,进而提高避让决策的准确度。
目标转角曲线信息可以基于历史观测数据和/或统计信息获取。
一般来讲,历史观测数据较为准确时,可以直接基于历史观测数据获取目标转角曲线信息;否则,若历史观测数据不准确或无法获取,可以基于统计信息获取目标转角曲线信息。
可以采用方差判断历史观测数据是否准确,比如,方差较小(小于预设方差值),则认为历史观测数据较为准确。
本实施例中,通过基于历史观测数据和/或统计信息获取目标转角曲线信息,可以提高目标转角曲线信息的准确度和全面性。
统计信息是预先存储在自动驾驶系统中的。统计信息可以是离线对大量车辆的转向数据进行统计后获得的。
针对单个车辆的转向数据,可以记录该车辆在出路口时的初始速度v0与转角曲线信息之间的对应关系,可以采用hash结构进行记录,如表1所示:
表1
通过对大量的单个车辆的转向数据进行统计,可以获得转角曲线信息的统计信息,具体可以是根据速度区间进行统计的,如表2所示:
表2
由于不同时段的目标转角曲线信息是不同的,具体方案可以如下:
其中,针对当前时刻属于第二时段,即,未来时段包括:第二时段(转角增大时段)、第三时段(转角保持时段)和第四时段(转角减小时段):
获得一系列的历史转角的角速度后,可以计算这些角速度的方差,方差的计算公式为:
其中,xj是变量X的离散值,σ2是X的方差,μ是X的均值,n是离散值的数量。
因此,基于上述方差的计算公式,可以计算出第二阶段的历史转角的角速度的方差。
若该方差大于预设值,可以基于统计信息获取。针对统计信息,可以基于主车观测到目标车辆时的速度(v0),查询表2,获取v0所属的速度区间对应的统计信息。
进一步地,所述基于预先存储的统计信息,获取所述目标转角曲线信息,可以包括:基于所述统计信息确定极限数据,基于所述极限数据获取所述目标转角曲线信息;或者,基于所述统计信息生成对应的分布函数,对所述分布函数进行采样处理,以获得所述目标转角曲线信息。
其中,极限数据包括:最大转向力度对应的极限数据和最小转向力度对应的极限数据。
针对最大转向力度,该物理意义为,社会车辆为避免影响主车行驶,采用最大转向力度。若基于该极限数据推演的未来轨迹(极限轨迹),依然会入侵主车车道,则直接进行避让,无须后面的采样。
针对最小转向力度,该物理意义为,社会车辆为保证自己的体感,采用最小转向力度进行出车,若基于该极限数据推演的未来轨迹(极限轨迹),依然不会入侵主车车道,则直接进行忽略该车(不避让),无须后面的采样。
具体地,最大转向力度对应的极限数据包括: 最小转向力度对应的极限数据包括:/> 其中,/>是/>的均值,σ1是/>的标准差(标准差的平方是方差),是αmax的均值,σ2是αmax的标准差,/>是Δt的均值,σ3是Δt的标准差,是/>的均值,σ4是的标准差。
采样是指对分布函数进行采样,分布函数是高斯分布函数,即基于各个转角曲线信息的均值和方差生成高斯分布函数,再采用设置的采样周期对该高斯分布函数进行采样,从而可以获得采样值,将采样值作为目标转角曲线信息。以为例,基于/>的统计信息(均值和方差)可以生成对应的高斯分布函数,对该高斯分布函数进行采样后,可以获得多个采样值(采样周期和数量可以设置),即一系列的/>基于每个/>可以生成一种转角变化曲线,进而生成一种未来轨迹,从而获得多个未来轨迹。
本实施例中,利用极限数据获取目标转角曲线信息,进而生成极限轨迹,可以利用极限轨迹进行避让决策,降低运算量;利用采样数据获取目标转角曲线信息,进而生成未来轨迹并进行避让决策,可以提高决策准确度。
上述描述了的获取过程。而针对其他的目标转角曲线参数/> 由于当前时刻属于第二阶段时,无法基于历史观测数据获得,因此需要基于统计信息获得。具体的基于统计信息的获取过程可以类似/>的基于统计信息的获取过程,不再赘述。
针对当前时刻属于第三时段,即,未来时段包括:第三时段(转角保持时段)和第四时段(转角减小时段):
针对当前时刻属于第四时段,即,未来时段包括:第四时段(转角减小时段):
图8是根据本公开第三实施例的示意图,本实施例提供一种避让决策装置,该装置800包括:获取模块801、生成模块802、确定模块803和决策模块804。
获取模块801用于获取目标车辆在未来时段内的转角变化曲线;生成模块802用于基于所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹;确定模块803用于获取所述未来轨迹与主车车道的侵入关系;决策模块804用于基于所述侵入关系确定所述主车的避让决策结果。
本实施例中,通过获取目标车辆的转角变化曲线,基于该曲线生成未来轨迹,以及根据该未来轨迹与主车车道的侵入关系确定避让决策结果,可以在避让决策时参考目标车辆的转角信息,从而可以提高避让决策的精准度。
一些实施例中,所述获取模块801进一步用于:获取所述目标车辆的历史观测数据;若基于所述历史观测数据确定所述目标车辆的转向状态是已经转向,获取所述目标车辆在所述未来时段内的目标转角曲线信息;基于所述目标转角曲线信息,生成所述转角变化曲线。
本实施例中,基于目标转角曲线信息生成转角变化曲线,可以提高转角变化曲线的准确度,进而提高避让决策的准确度。
一些实施例中,所述获取模块801进一步用于:基于历史观测数据,和/或,预先存储的统计信息,获取所述目标转角曲线信息。
本实施例中,通过基于历史观测数据和/或统计信息获取目标转角曲线信息,可以提高目标转角曲线信息的准确度和全面性。
一些实施例中,所述获取模块801进一步用于:基于所述统计信息确定极限数据,基于所述极限数据获取所述目标转角曲线信息;或者,
基于所述统计信息生成对应的分布函数,对所述分布函数进行采样处理,以获得所述目标转角曲线信息。
本实施例中,利用极限数据获取目标转角曲线信息,进而生成极限轨迹,可以利用极限轨迹进行避让决策,降低运算量;利用采样数据获取目标转角曲线信息,进而生成未来轨迹并进行避让决策,可以提高决策准确度。
一些实施例中,所述已经转向的转向状态包括:转角增大时段、转角保持时段和转角减小时段;所述获取模块801进一步用于:若所述未来时段包括:所述转角增大时段、所述转角保持时段和所述转角减小时段,获取第一角速度均值、最大转角、最大转角保持时长和第二角速度均值,作为所述目标转角曲线信息;其中,所述第一角速度均值是所述转向增大时段内的转角的角速度均值,所述第二角速度均值是所述转向减小时段内的转角的角速度均值;或者,若所述未来时段包括:所述转角保持时段和所述转角减小时段,获取最大转角保持时长和第二角速度均值,作为所述目标转角曲线信息;其中,所述第二角速度均值是所述转向减小时段内的转角的角速度均值;或者,若所述未来时段包括:所述转角减小时段,获取第二角速度均值,作为所述目标转角曲线信息;其中,所述第二角速度均值是所述转向减小时段内的转角的角速度均值。
本实施例中,未来时段包括不同的转角时段时,获取不同的参数作为目标转角曲线信息,可以提高目标转角曲线信息的准确度,进而提高避让决策的准确度。
一些实施例中,所述决策模块804还用于:若基于所述历史观测数据确定所述目标车辆的转向状态是未开始转向,确定所述避让决策结果是避让。
本实施例中,通过在转向状态是未开始转向时,确定避让决策结果是避让,可以提高车辆行驶的安全性。
一些实施例中,所述确定模块803进一步用于:基于所述主车车道确定参考线;确定所述未来轨迹在所述参考线上的投影距离;基于所述投影距离确定所述侵入关系。
本实施例中,通过未来轨迹向参考线上进行投影,基于投影距离可以确定侵入关系,提高准确度。
一些实施例中,所述未来轨迹为至少一条,所述侵入关系包括侵入或不侵入,所述决策模块804进一步用于:基于所述侵入关系,获取侵入所述主车车道的未来轨迹的第一数量,以及不侵入所述主车车道的未来轨迹的第二数量;基于所述第一数量和所述第二数量,确定所述主车的避让决策结果。
本实施例中,获取侵入主车车道的未来轨迹的第一数量,以及不侵入主车车道的未来轨迹的第二数量;基于第一数量和第二数量,确定避让决策结果,可以综合考虑整体情况,提高避让决策的精准度,提高避让决策的合理性,减少目标车辆和主车均避让的情况,也能够减少主车急刹情况,提高通行效率。
可以理解的是,本公开实施例中,不同实施例中的相同或相似内容可以相互参考。
可以理解的是,本公开实施例中的“第一”、“第二”等只是用于区分,不表示重要程度高低、时序先后等。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,如图9所示,本公开还提供了一种自动驾驶车辆900,该自动驾驶车辆900包括电子设备901。关于电子设备901的说明可以参见后续实施例。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备1000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、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1000还可以表示各种形式的移动装置,诸如,个人数字助理、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10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元10010加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000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1001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1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如避让决策方法。例如,在一些实施例中,避让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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的避让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1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行避让决策方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程负载均衡装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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 (22)
1.一种避让决策方法,包括:
获取目标车辆在未来时段内的转角变化曲线;
基于所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹;
确定所述未来轨迹与主车车道的侵入关系;
基于所述侵入关系确定所述主车的避让决策结果。
2.根据权利要求1所述的方法,其中,所述获取目标车辆在未来时段内的转角变化曲线,包括:
获取所述目标车辆的历史观测数据;
若基于所述历史观测数据确定所述目标车辆的转向状态是已经转向,获取所述目标车辆在所述未来时段内的目标转角曲线信息;
基于所述目标转角曲线信息,生成所述转角变化曲线。
3.根据权利要求2所述的方法,其中,所述获取所述目标车辆在所述未来时段内的目标转角曲线信息,包括:
基于历史观测数据,和/或,预先存储的统计信息,获取所述目标转角曲线信息。
4.根据权利要求3所述的方法,其中,所述基于预先存储的统计信息,获取所述目标转角曲线信息,包括:
基于所述统计信息确定极限数据,基于所述极限数据获取所述目标转角曲线信息;或者,
基于所述统计信息生成对应的分布函数,对所述分布函数进行采样处理,以获得所述目标转角曲线信息。
5.根据权利要求2所述的方法,其中,
所述已经转向的转向状态包括:转角增大时段、转角保持时段和转角减小时段;
所述获取所述目标车辆在所述未来时段内的目标转角曲线信息,包括:
若所述未来时段包括:所述转角增大时段、所述转角保持时段和所述转角减小时段,获取第一角速度均值、最大转角、最大转角保持时长和第二角速度均值,作为所述目标转角曲线信息;其中,所述第一角速度均值是所述转向增大时段内的转角的角速度均值,所述第二角速度均值是所述转向减小时段内的转角的角速度均值;或者,
若所述未来时段包括:所述转角保持时段和所述转角减小时段,获取最大转角保持时长和第二角速度均值,作为所述目标转角曲线信息;其中,所述第二角速度均值是所述转向减小时段内的转角的角速度均值;或者,
若所述未来时段包括:所述转角减小时段,获取第二角速度均值,作为所述目标转角曲线信息;其中,所述第二角速度均值是所述转向减小时段内的转角的角速度均值。
6.根据权利要求2所述的方法,还包括:
若基于所述历史观测数据确定所述目标车辆的转向状态是未开始转向,确定所述避让决策结果是避让。
7.根据权利要求1-6任一项所述的方法,其中,所述基于所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹,包括:
基于车辆的运动学模型,以及所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹。
8.根据权利要求1-6任一项所述的方法,其中,所述确定所述未来轨迹与主车车道的侵入关系,包括:
基于所述主车车道确定参考线;
确定所述未来轨迹在所述参考线上的投影距离;
基于所述投影距离确定所述侵入关系。
9.根据权利要求1-6任一项所述的方法,其中,所述未来轨迹为至少一条,所述侵入关系包括侵入或不侵入,所述基于所述侵入关系确定所述主车的避让决策结果,包括:
基于所述侵入关系,获取侵入所述主车车道的未来轨迹的第一数量,以及不侵入所述主车车道的未来轨迹的第二数量;
基于所述第一数量和所述第二数量,确定所述主车的避让决策结果。
10.一种避让决策装置,包括:
获取模块,用于获取目标车辆在未来时段内的转角变化曲线;
生成模块,用于基于所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹;
确定模块,用于获取所述未来轨迹与主车车道的侵入关系;
决策模块,用于基于所述侵入关系确定所述主车的避让决策结果。
11.根据权利要求10所述的装置,其中,所述获取模块进一步用于:
获取所述目标车辆的历史观测数据;
若基于所述历史观测数据确定所述目标车辆的转向状态是已经转向,获取所述目标车辆在所述未来时段内的目标转角曲线信息;
基于所述目标转角曲线信息,生成所述转角变化曲线。
12.根据权利要求11所述的装置,其中,所述获取模块进一步用于:
基于历史观测数据,和/或,预先存储的统计信息,获取所述目标转角曲线信息。
13.根据权利要求12所述的装置,其中,所述获取模块进一步用于:
基于所述统计信息确定极限数据,基于所述极限数据获取所述目标转角曲线信息;或者,
基于所述统计信息生成对应的分布函数,对所述分布函数进行采样处理,以获得所述目标转角曲线信息。
14.根据权利要求11所述的装置,其中,
所述已经转向的转向状态包括:转角增大时段、转角保持时段和转角减小时段;
所述获取模块进一步用于:
若所述未来时段包括:所述转角增大时段、所述转角保持时段和所述转角减小时段,获取第一角速度均值、最大转角、最大转角保持时长和第二角速度均值,作为所述目标转角曲线信息;其中,所述第一角速度均值是所述转向增大时段内的转角的角速度均值,所述第二角速度均值是所述转向减小时段内的转角的角速度均值;或者,
若所述未来时段包括:所述转角保持时段和所述转角减小时段,获取最大转角保持时长和第二角速度均值,作为所述目标转角曲线信息;其中,所述第二角速度均值是所述转向减小时段内的转角的角速度均值;或者,
若所述未来时段包括:所述转角减小时段,获取第二角速度均值,作为所述目标转角曲线信息;其中,所述第二角速度均值是所述转向减小时段内的转角的角速度均值。
15.根据权利要求11所述的装置,其中,所述决策模块还用于:
若基于所述历史观测数据确定所述目标车辆的转向状态是未开始转向,确定所述避让决策结果是避让。
16.根据权利要求10-15任一项所述的装置,其中,所述生成模块进一步用于:
基于车辆的运动学模型,以及所述转角变化曲线,生成所述目标车辆在所述未来时段内的未来轨迹。
17.根据权利要求10-15任一项所述的装置,其中,所述确定模块进一步用于:
基于所述主车车道确定参考线;
确定所述未来轨迹在所述参考线上的投影距离;
基于所述投影距离确定所述侵入关系。
18.根据权利要求10-15任一项所述的装置,其中,所述未来轨迹为至少一条,所述侵入关系包括侵入或不侵入,所述决策模块进一步用于:
基于所述侵入关系,获取侵入所述主车车道的未来轨迹的第一数量,以及不侵入所述主车车道的未来轨迹的第二数量;
基于所述第一数量和所述第二数量,确定所述主车的避让决策结果。
19.一种电子设备,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权利要求1-9中任一项所述的方法。
20.一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根据权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
22.一种自动驾驶车辆,包括:如权利要求19所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135602.7A CN116215572A (zh) | 2023-02-10 | 2023-02-10 | 避让决策方法、装置、设备、存储介质和自动驾驶车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135602.7A CN116215572A (zh) | 2023-02-10 | 2023-02-10 | 避让决策方法、装置、设备、存储介质和自动驾驶车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116215572A true CN116215572A (zh) | 2023-06-06 |
Family
ID=86585249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310135602.7A Pending CN116215572A (zh) | 2023-02-10 | 2023-02-10 | 避让决策方法、装置、设备、存储介质和自动驾驶车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116215572A (zh) |
-
2023
- 2023-02-10 CN CN202310135602.7A patent/CN116215572A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110487288B (zh) | 一种行车道路的估计方法以及行车道路估计系统 | |
Polychronopoulos et al. | Sensor fusion for predicting vehicles' path for collision avoidance systems | |
CN112154455B (zh) | 数据处理方法、设备和可移动平台 | |
CN111775961A (zh) | 自动驾驶车辆规划方法、装置、电子设备及存储介质 | |
CN113715814A (zh) | 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆 | |
CN114572240B (zh) | 车辆行驶控制方法、装置、车辆、电子设备及存储介质 | |
CN115675534A (zh) | 车辆轨迹预测方法、装置、电子设备及存储介质 | |
CN114802250A (zh) | 数据处理方法、装置、设备、自动驾驶车辆及介质 | |
CN114030486B (zh) | 动态障碍物的轨迹预测方法、装置、电子设备和存储介质 | |
CN115092130A (zh) | 车辆碰撞预测方法、装置、电子设备、介质和车辆 | |
CN114802251A (zh) | 自动驾驶车辆的控制方法、装置、电子设备以及存储介质 | |
CN114212108A (zh) | 自动驾驶方法、装置、车辆、存储介质及产品 | |
CN115497322B (zh) | 一种窄路会车方法、装置、设备及存储介质 | |
CN116215572A (zh) | 避让决策方法、装置、设备、存储介质和自动驾驶车辆 | |
CN116215517A (zh) | 碰撞检测方法、装置、设备、存储介质和自动驾驶车辆 | |
CN113928341B (zh) | 一种道路决策方法、系统、设备和介质 | |
CN115469669A (zh) | 一种窄路会车方法、装置、设备及存储介质 | |
CN114889587A (zh) | 一种代客泊车车速的确定方法、装置、设备及介质 | |
WO2022088658A1 (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
CN114852066A (zh) | 车辆行驶策略确定方法、装置、电子设备及存储介质 | |
CN111596086B (zh) | 一种自动驾驶中障碍物的速度估计方法、装置和电子设备 | |
CN114771533A (zh) | 自动驾驶车辆的控制方法、装置、设备、车辆及介质 | |
CN114735024A (zh) | 一种车辆控制方法、装置、设备以及存储介质 | |
CN114379584B (zh) | 车辆控制方法、装置、车辆、设备和存储介质 | |
CN114030483B (zh) | 车辆控制方法、装置、电子设备和介质 |
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 |