CN116494969A - 一种车辆行驶规划方法、装置、设备和存储介质 - Google Patents
一种车辆行驶规划方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116494969A CN116494969A CN202310552132.4A CN202310552132A CN116494969A CN 116494969 A CN116494969 A CN 116494969A CN 202310552132 A CN202310552132 A CN 202310552132A CN 116494969 A CN116494969 A CN 116494969A
- Authority
- CN
- China
- Prior art keywords
- target
- obstacle
- information
- running
- vehicle
- 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 57
- 238000012549 training Methods 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 32
- 238000010586 diagram Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 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
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- 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
-
- 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
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆行驶规划方法、装置、设备和存储介质,包括:通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定目标障碍物的待调整运行状态;通过运行信息预测模型,根据待调整运行状态,确定目标障碍物的待调整运行信息,以及待调整运行信息对应的运行信息发生概率;通过运行信息预测模型,根据待调整运行信息、运行信息发生概率和目标车辆的待调整行驶规划信息,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。可以提高目标运行信息的准确度,从而提高获取的目标车辆的目标行驶规划信息的可靠性。
Description
技术领域
本发明实施例涉及计算机领域,尤其涉及一种车辆行驶规划方法、装置、设备和存储介质。
背景技术
在L4级自动驾驶系统中,需要应对其他车辆插队、路口车辆冲突和行人横穿马路等可能影响自车行驶轨迹的场景。传统基于瞬时状态对车辆运行轨迹进行决策的方法对车辆周围环境的发展变化适应性较差,在应对上述场景时容易产生延迟,从而导致碰撞风险。为了使车辆合理应对环境变化,需要给车辆上的决策规划模块提供未来一段时间的环境变化趋势,即车辆周边障碍物在未来一段时间可能的运行信息,因此需要对车辆周围障碍物的运行信息进行预测。障碍物运行信息预测主要有基于规则的预测方法和基于学习算法的预测方法两大类。基于规则的预测方法,即将障碍物行为与轨迹按照形式规则、交通法规和驾驶常识等信息建立行为规则库,并根据行为规则库预测障碍物运行信息的方法。基于学习算法的预测方法即通过机器学习,由数据驱动建立行为规则库,利用机器学习算法将障碍物环境信息结合障碍物行为信息与行为规则库进行行为匹配,以预测障碍物运行信息的方法。但是,现有的障碍物运行信息预测方法只考虑了障碍物和自车的交通状况在时间上的动态变换,忽略障碍物和自车在空间上的相互依赖,难以将障碍物与自车之间的交互关系引入车辆行驶规划系统。且对交通场景的场景深度遍历不足导致车辆行驶规划系统确定的障碍物运行信息的正确率较低。因此,如何实现提高对障碍物运行信息预测结果的准确性,从而提高对自车的车辆行驶规划的精确性,是需要解决的问题。
发明内容
本发明提供了一种车辆行驶规划方法、装置、设备和存储介质,可以提高对障碍物运行信息预测结果的准确性,从而提高对自车的车辆行驶规划的精确性。
通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定所述目标障碍物的待调整运行状态;
通过所述运行信息预测模型,根据所述待调整运行状态,确定所述目标障碍物的待调整运行信息,以及所述待调整运行信息对应的运行信息发生概率;
通过所述运行信息预测模型,根据所述待调整运行信息、所述运行信息发生概率和所述目标车辆的待调整行驶规划信息,确定所述目标障碍物的目标运行信息,以及所述目标车辆的目标行驶规划信息。
根据本发明的另一方面,提供了一种车辆行驶规划装置,该装置包括:
运行状态确定模块,用于通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定所述目标障碍物的待调整运行状态;
运行信息确定模块,用于通过所述运行信息预测模型,根据所述待调整运行状态,确定所述目标障碍物的待调整运行信息,以及所述待调整运行信息对应的运行信息发生概率;
行驶规划信息确定模块,用于通过所述运行信息预测模型,根据所述待调整运行信息、所述运行信息发生概率和所述目标车辆的待调整行驶规划信息,确定所述目标障碍物的目标运行信息,以及所述目标车辆的目标行驶规划信息。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的车辆行驶规划方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车辆行驶规划方法。
本发明实施例的技术方案,通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定目标障碍物的待调整运行状态;通过运行信息预测模型,根据待调整运行状态,确定目标障碍物的待调整运行信息,以及待调整运行信息对应的运行信息发生概率;通过运行信息预测模型,根据待调整运行信息、运行信息发生概率和目标车辆的待调整行驶规划信息,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。上述方案,解决了在对障碍物运行信息进行预测,以根据障碍物运行信息的预测结果对自车进行车辆行驶规划时,只考虑了障碍物和自车的交通状况在时间上的动态变换,忽略障碍物和自车在空间上的相互依赖,导致的障碍物运行信息的预测结果存在误差,且获取的自车的车辆行驶规划不可靠的问题。通过运行信息预测模型确定目标障碍物的待调整运行状态,再根据待调整运行状态确定待调整运行信息和待调整运行信息出现的概率,根据对待调整运行信息、待调整运行信息出现的概率和输入的待调整行驶规划信息进行分析,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息,能够在对目标障碍物的目标运行信息进行预测时,考虑到目标障碍物和目标车辆在空间上的相互依赖关系,提高目标运行信息的准确度,从而提高获取的目标车辆的目标行驶规划信息的可靠性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种车辆行驶规划方法的流程图;
图2为本发明实施例二提供的一种车辆行驶规划方法的流程图;
图3为本发明实施例三提供的一种车辆行驶规划装置的结构示意图;
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“候选”和“目标”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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“等”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种车辆行驶规划方法的流程图,本实施例可适用于确定车辆周围的目标障碍物的运行信息,以及车辆的目标行驶规划信息的情况。该方法可以由车辆行驶规划装置来执行,该车辆行驶规划装置可以采用硬件和/或软件的形式实现,该车辆行驶规划装置可配置于电子设备中。如图1所示,该方法包括:
S110、通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定目标障碍物的待调整运行状态。
其中,运行信息预测模型包括卷积神经网络和长短期记忆网络。卷积神经网络可以是MobilenetV3模型,长短期记忆网络即LSTM。待检测运行时间可以根据实际需要进行设定,例如待检测运行时间可以是目标车辆的当前运行时间的前8S。目标障碍物是指目标车辆周围可能对目标车辆的行驶轨迹造成影响的障碍物,目标障碍物可以是静止物体也可以是移动物体。障碍物环境信息是指目标车辆周围的,包含有障碍物的环境图像。目标障碍物的待调整运行状态是指通过运行信息预测模型获得的目标障碍物初始的运行状态信息。待调整运行状态与目标障碍物的实际运行状态可能存在一定的误差,因此需要在后续步骤中进行进一步的调整。
具体的,通过运行信息预测模型中的卷积神经网络,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定目标障碍物在待检测运行时间的运行动作和运行轨迹,运行动作包括:左转弯、右转弯、左变道、右变道、直行和掉头等。将目标障碍物在待检测运行时间的运行动作和运行轨迹作为目标障碍物的待调整运行状态。
示例性的,可以通过如下子步骤确定目标障碍物的待调整运行状态:
S1101、根据目标车辆在待检测运行时间的车辆位置,以及目标障碍物在待检测运行时间的障碍物位置,确定目标车辆和目标障碍物的目标位置关系图,并根据目标位置关系图确定目标位置关系向量;
其中,目标位置关系图是指可以表征目标车辆和目标障碍物之间位置关系的图像。目标位置关系向量可以是待检测时间最开始的一秒钟对应的位置关系向量。
具体的,根据目标车辆在待检测运行时间的车辆位置和障碍物位置,以及目标障碍物在待检测运行时间的障碍物位置,绘制目标车辆和目标障碍物的目标位置关系图,可以每秒绘制一张目标位置关系图。位置关系图包括表征目标车辆的车辆几何图像和表征目标障碍物的障碍物几何图像,车辆几何图像和障碍物几何图像之间有连接线,连接线设置有表征目标车辆和目标障碍物的距离值。读取待检测时间最开始的一秒钟的目标位置关系图,并将待检测时间最开始的一秒钟的目标位置关系图处理为[0,1]范围内的特征向量,将根据目标位置关系图得到的特征向量作为目标位置关系向量。
S1102、根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息和目标位置关系向量,确定目标障碍物的目标特征数据。
具体的,将目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息渲染为栅格图片,将栅格图片处理为[0,1]范围内的特征向量,将根据栅格图片得到的特征向量作为障碍物环境向量。将障碍物环境向量和目标位置关系向量作为目标障碍物的目标特征数据。
S1103、通过运行信息预测模型,根据目标特征数据,确定目标障碍物的待调整运行状态。
其中,待调整运行状态是指初步获取的目标障碍物的
具体的,将目标特征数据作为运行信息预测模型的输入数据,通过运行信息预测模型中的卷积神经网络,根据输入的目标特征数据,确定目标障碍物的待调整运行状态。
可以理解的是,根据障碍物环境信息和能够表征目标车辆和目标障碍物之间位置关系的目标位置关系向量,确定目标障碍物的目标特征数据,可以在确定目标特征数据时能够考虑到目标车辆和目标障碍物之间的位置关系,能够提高目标特征数据的可靠性。
S120、通过运行信息预测模型,根据待调整运行状态,确定目标障碍物的待调整运行信息,以及待调整运行信息对应的运行信息发生概率。
其中,待调整运行信息是指初步获取的目标障碍物的运行动作和运行轨迹。待调整运行信息和实际障碍物运行信息可能存在一定的误差,因此需要在后续进行进一步的调整才能够获取到准确度较高的目标障碍物的障碍物运行信息。运行信息发生概率是指目标障碍物的实际运行情况符合待调整运行信息的概率。
具体的,通过运行信息预测模型中的卷积神经网络,根据待调整运行状态,确定目标障碍物的至少一个待调整运行信息,并获取各待调整运行信息对应的运行信息发生概率。
示例性的,可以将5帧障碍物环境信息渲染为栅格图片,5帧障碍物环境信息的时间步长为0.2s。通过运行信息预测模型,根据障碍物环境信息渲染的栅格图片,可以输出5帧目标障碍物的待调整运行状态。通过运行信息预测模型,根据上述5帧目标障碍物的待调整运行状态,分别确定各待调整运行状态下目标障碍物的待调整运行信息,以及待调整运行信息对应的运行信息发生概率。
S130、通过运行信息预测模型,根据待调整运行信息、运行信息发生概率和目标车辆的待调整行驶规划信息,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。
其中,待调整行驶规划信息可以是人工输入的初始车辆行驶规划信息。车辆行驶规划信息即自车规划信息,是指对目标车辆的后续动作和后续行驶轨迹进行规划后确定的目标车辆的车辆行驶动作和车辆行驶轨迹。
具体的,通过运行信息预测模型中的长短期记忆网络,根据待调整运行信息、运行信息发生概率和目标车辆的待调整行驶规划信息,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。
示例性的,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息的方法可以是:将待调整运行信息和运行信息发生概率作为障碍物相关信息,并通过运行信息预测模型,对障碍物相关信息和目标车辆的待调整行驶规划信息进行博弈交互;根据博弈交互结果确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。
具体的,将待调整运行信息和运行信息发生概率作为障碍物相关信息,将障碍物相关信息和目标车辆的待调整行驶规划信息作为运行信息预测模型中的LSTM,此时LSTM可以作为运行信息预测模型中的编码器和解码器。通过LSTM对障碍物相关信息和目标车辆的待调整行驶规划信息进行博弈交互,根据博弈交互结果确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。
上述方法,根据障碍物相关信息和目标车辆的待调整行驶规划信息的博弈交互结果,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息,能够提高目标障碍物的目标运行信息和目标车辆的目标行驶规划信息的可靠性。
本实施例提供的技术方案,通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定目标障碍物的待调整运行状态;通过运行信息预测模型,根据待调整运行状态,确定目标障碍物的待调整运行信息,以及待调整运行信息对应的运行信息发生概率;通过运行信息预测模型,根据待调整运行信息、运行信息发生概率和目标车辆的待调整行驶规划信息,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。上述方案,解决了在对障碍物运行信息进行预测,以根据障碍物运行信息的预测结果对自车进行车辆行驶规划时,只考虑了障碍物和自车的交通状况在时间上的动态变换,忽略障碍物和自车在空间上的相互依赖,导致的障碍物运行信息的预测结果存在误差,且获取的自车的车辆行驶规划不可靠的问题。通过运行信息预测模型确定目标障碍物的待调整运行状态,再根据待调整运行状态确定待调整运行信息和待调整运行信息出现的概率,根据对待调整运行信息、待调整运行信息出现的概率和输入的待调整行驶规划信息进行分析,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息,能够在对目标障碍物的目标运行信息进行预测时,考虑到目标障碍物和目标车辆在空间上的相互依赖关系,提高目标运行信息的准确度,从而提高获取的目标车辆的目标行驶规划信息的可靠性。
实施例二
图2为本发明实施例二提供的一种车辆行驶规划方法的流程图,本实施例在上述实施例的基础上进行了优化,给出了一种根据目标车辆的历史行驶规划信息,历史位置,以及车辆历史障碍物的历史障碍物数据,对双流网络模型进行模型训练,确定运行信息预测模型的优选实施方式。具体的,如图2所示,该方法包括:
S210、根据目标车辆的历史行驶规划信息,历史位置,以及车辆历史障碍物的历史障碍物数据,确定双流网络模型的模型训练数据。
双流网络模型包括卷积神经网络和长短期记忆网络;历史障碍物数据包括车辆历史障碍物对应的历史环境数据集和历史运行状态数据集。
其中,历史障碍物是指目标车辆在历史行驶过程中车辆周围的障碍物。历史环境数据集是由历史障碍物环境信息组成的数据集。历史运行状态数据集是由历史障碍物运行状态信息组成的数据集。历史障碍物运行状态信息包括历史障碍物的运行动作和运行轨迹。
示例性的,确定双流网络模型的模型训练数据的方法可以是:根据目标车辆的历史位置和车辆历史障碍物的历史障碍物数据,确定目标车辆和车辆历史障碍物的历史位置关系;根据历史位置关系和历史障碍物数据,确定车辆历史障碍物的历史特征数据,并将历史特征数据和目标车辆的历史行驶规划信息作为双流网络模型的模型训练数据。
其中,历史位置关系可以用目标车辆和历史障碍物之间的历史位置关系图表示。
具体的,根据目标车辆的历史位置和车辆历史障碍物的历史障碍物数据,确定目标车辆和车辆历史障碍物的历史位置关系图,将历史位置关系图处理为[0,1]范围内的特征向量,将根据历史位置关系图得到的特征向量作为历史位置关系向量。从历史障碍物数据中提取出历史环境数据集,并将历史环境数据集中的历史环境图像处理为[0,1]范围内的特征向量,将根据历史环境图像得到的特征向量作为历史环境向量。同时,从历史障碍物数据中提取历史运行状态,将历史运行状态处理为[0,1]范围内的特征向量,将根据历史运行状态得到的特征向量作为历史运行状态向量。将历史位置关系向量、历史环境向量和历史运行状态向量作为双流网络模型的模型训练数据。
上述方案,在确定双流网络模型的模型训练数据时,考虑到了目标车辆和车辆历史障碍物之间的位置关系,能够提高训练后的双流网络模型所确定的目标障碍物的目标运行信息和目标车辆的目标行驶规划信息的可靠性。
S220、根据模型训练数据,对双流网络模型进行模型训练,确定运行信息预测模型。
运行信息预测模型用于根据目标车辆的在待检测运行时间的障碍物环境信息和待调整行驶规划信息,确定目标车辆对应的目标障碍物的目标运行信息和目标车辆的目标行驶规划信息。
具体的,将历史位置关系向量和历史环境向量为模型训练数据中的样本训练数据,历史运行状态向量为模型训练数据中的样本监督数据。根据样本训练数据和样本监督数据对双流网络模型进行监督训练,确定运行信息预测模型。
示例性的,确定运行信息预测模型的方法可以是:根据模型训练数据,采用梯度下降法对双流网络模型进行训练,确定在训练过程中的障碍物预测运行状态。根据历史运行状态数据集和障碍物预测运行状态,确定双流网络模型的均方误差,以及障碍物预测运行状态对应的预测成功率。当均方误差和预测成功率满足训练完成条件时,确定双流网络模型训练完成,并将训练完成后的双流网络模型作为运行信息预测模型。
上述方案,提供了一种采用模型训练数据对双流网络模型进行训练的方法,能够提高运行信息预测模型的模型精度。
本实施例的技术方案,根据目标车辆的历史行驶规划信息,历史位置,以及车辆历史障碍物的历史障碍物数据,确定双流网络模型的模型训练数据;根据模型训练数据,对双流网络模型进行模型训练,确定运行信息预测模型。能够获得根据目标车辆的在待检测运行时间的障碍物环境信息和待调整行驶规划信息,确定目标车辆对应的目标障碍物的目标运行信息和目标车辆的目标行驶规划信息的运行信息预测模型。从而提高对目标运行信息和目标行驶规划信息的获取效率。同时,根据目标车辆的历史行驶规划信息,历史位置,以及车辆历史障碍物的历史障碍物数据确定双流网络模型的模型训练数据,充分考虑到了目标车辆和车辆历史障碍物之间得历史位置关系,根据模型训练数据对双流网络模型进行模型训练,能够提高运行信息预测模型得可靠性。
实施例三
图3为本发明实施例三提供的一种车辆行驶规划装置的结构示意图。本实施例可适用于确定车辆周围的目标障碍物的运行信息,以及车辆的目标行驶规划信息的情况。如图3所示,该车辆行驶规划装置包括:运行状态确定模块310、运行信息确定模块320和行驶规划信息确定模块330。
其中,运行状态确定模块310,用于通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定目标障碍物的待调整运行状态;
运行信息确定模块320,用于通过运行信息预测模型,根据待调整运行状态,确定目标障碍物的待调整运行信息,以及待调整运行信息对应的运行信息发生概率;
行驶规划信息确定模块330,用于通过运行信息预测模型,根据待调整运行信息、运行信息发生概率和目标车辆的待调整行驶规划信息,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。
本实施例提供的技术方案,通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定目标障碍物的待调整运行状态;通过运行信息预测模型,根据待调整运行状态,确定目标障碍物的待调整运行信息,以及待调整运行信息对应的运行信息发生概率;通过运行信息预测模型,根据待调整运行信息、运行信息发生概率和目标车辆的待调整行驶规划信息,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。上述方案,解决了在对障碍物运行信息进行预测,以根据障碍物运行信息的预测结果对自车进行车辆行驶规划时,只考虑了障碍物和自车的交通状况在时间上的动态变换,忽略障碍物和自车在空间上的相互依赖,导致的障碍物运行信息的预测结果存在误差,且获取的自车的车辆行驶规划不可靠的问题。通过运行信息预测模型确定目标障碍物的待调整运行状态,再根据待调整运行状态确定待调整运行信息和待调整运行信息出现的概率,根据对待调整运行信息、待调整运行信息出现的概率和输入的待调整行驶规划信息进行分析,确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息,能够在对目标障碍物的目标运行信息进行预测时,考虑到目标障碍物和目标车辆在空间上的相互依赖关系,提高目标运行信息的准确度,从而提高获取的目标车辆的目标行驶规划信息的可靠性。
示例性的,运行状态确定模块310具体用于:
根据目标车辆在待检测运行时间的车辆位置,以及目标障碍物在待检测运行时间的障碍物位置,确定目标车辆和目标障碍物的目标位置关系图,并根据目标位置关系图确定目标位置关系向量;
根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息和目标位置关系向量,确定目标障碍物的目标特征数据;
通过运行信息预测模型,根据目标特征数据,确定目标障碍物的待调整运行状态。
示例性的,行驶规划信息确定模块330具体用于:
将待调整运行信息和运行信息发生概率作为障碍物相关信息,并通过运行信息预测模型,对障碍物相关信息和目标车辆的待调整行驶规划信息进行博弈交互;
根据博弈交互结果确定目标障碍物的目标运行信息,以及目标车辆的目标行驶规划信息。
示例性的,上述车辆行驶规划装置,还包括:
模型训练数据确定模块,用于根据目标车辆的历史行驶规划信息,历史位置,以及车辆历史障碍物的历史障碍物数据,确定双流网络模型的模型训练数据;双流网络模型包括卷积神经网络和长短期记忆网络;历史障碍物数据包括车辆历史障碍物对应的历史环境数据集和历史运行状态数据集;
模型训练模块,用于根据模型训练数据,对双流网络模型进行模型训练,确定运行信息预测模型;运行信息预测模型用于根据目标车辆的在待检测运行时间的障碍物环境信息和待调整行驶规划信息,确定目标车辆对应的目标障碍物的目标运行信息和目标车辆的目标行驶规划信息。
示例性的,模型训练数据确定模块具体用于:
根据目标车辆的历史位置和车辆历史障碍物的历史障碍物数据,确定目标车辆和车辆历史障碍物的历史位置关系;
根据历史位置关系和历史障碍物数据,确定车辆历史障碍物的历史特征数据,并将历史特征数据和目标车辆的历史行驶规划信息作为双流网络模型的模型训练数据。
示例性的,模型训练模块具体用于:
根据模型训练数据,采用梯度下降法对双流网络模型进行训练,确定在训练过程中的障碍物预测运行状态;
根据历史运行状态数据集和障碍物预测运行状态,确定双流网络模型的均方误差,以及障碍物预测运行状态对应的预测成功率;
当均方误差和预测成功率满足训练完成条件时,确定双流网络模型训练完成,并将训练完成后的双流网络模型作为运行信息预测模型。
示例性的,上述运行信息预测模型包括卷积神经网络和长短期记忆网络。
本实施例提供的车辆行驶规划装置可适用于上述任意实施例提供的车辆行驶规划方法,具备相应的功能和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如车辆行驶规划方法。
在一些实施例中,车辆行驶规划方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的车辆行驶规划方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆行驶规划方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种车辆行驶规划方法,其特征在于,包括:
通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定所述目标障碍物的待调整运行状态;
通过所述运行信息预测模型,根据所述待调整运行状态,确定所述目标障碍物的待调整运行信息,以及所述待调整运行信息对应的运行信息发生概率;
通过所述运行信息预测模型,根据所述待调整运行信息、所述运行信息发生概率和所述目标车辆的待调整行驶规划信息,确定所述目标障碍物的目标运行信息,以及所述目标车辆的目标行驶规划信息。
2.根据权利要求1所述的方法,其特征在于,通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定所述目标障碍物的待调整运行状态,包括:
根据目标车辆在待检测运行时间的车辆位置,以及目标障碍物在待检测运行时间的障碍物位置,确定所述目标车辆和所述目标障碍物的目标位置关系图,并根据所述目标位置关系图确定目标位置关系向量;
根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息和所述目标位置关系向量,确定所述目标障碍物的目标特征数据;
通过运行信息预测模型,根据所述目标特征数据,确定所述目标障碍物的待调整运行状态。
3.根据权利要求1所述的方法,其特征在于,通过所述运行信息预测模型,根据所述待调整运行信息、所述运行信息发生概率和所述目标车辆的待调整行驶规划信息,确定所述目标障碍物的目标运行信息,以及所述目标车辆的目标行驶规划信息,包括:
将所述待调整运行信息和所述运行信息发生概率作为障碍物相关信息,并通过所述运行信息预测模型,对所述障碍物相关信息和所述目标车辆的待调整行驶规划信息进行博弈交互;
根据博弈交互结果确定所述目标障碍物的目标运行信息,以及所述目标车辆的目标行驶规划信息。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据目标车辆的历史行驶规划信息,历史位置,以及车辆历史障碍物的历史障碍物数据,确定双流网络模型的模型训练数据;双流网络模型包括卷积神经网络和长短期记忆网络;所述历史障碍物数据包括所述车辆历史障碍物对应的历史环境数据集和历史运行状态数据集;
根据所述模型训练数据,对所述双流网络模型进行模型训练,确定运行信息预测模型;所述运行信息预测模型用于根据目标车辆的在待检测运行时间的障碍物环境信息和待调整行驶规划信息,确定目标车辆对应的目标障碍物的目标运行信息和所述目标车辆的目标行驶规划信息。
5.根据权利要求4所述的方法,其特征在于,根据目标车辆的历史行驶规划信息,历史位置,以及车辆历史障碍物的历史障碍物数据,确定双流网络模型的模型训练数据,包括:
根据目标车辆的历史位置和车辆历史障碍物的历史障碍物数据,确定所述目标车辆和所述车辆历史障碍物的历史位置关系;
根据所述历史位置关系和所述历史障碍物数据,确定所述车辆历史障碍物的历史特征数据,并将所述历史特征数据和所述目标车辆的历史行驶规划信息作为双流网络模型的模型训练数据。
6.根据权利要求4所述的方法,其特征在于,根据所述模型训练数据,对所述双流网络模型进行模型训练,确定运行信息预测模型,包括:
根据所述模型训练数据,采用梯度下降法对所述双流网络模型进行训练,确定在训练过程中的障碍物预测运行状态;
根据所述历史运行状态数据集和所述障碍物预测运行状态,确定所述双流网络模型的均方误差,以及所述障碍物预测运行状态对应的预测成功率;
当所述均方误差和所述预测成功率满足训练完成条件时,确定所述双流网络模型训练完成,并将所述训练完成后的双流网络模型作为运行信息预测模型。
7.根据权利要求1-3中任一项所述的方法,其特征在于,所述运行信息预测模型包括卷积神经网络和长短期记忆网络。
8.一种车辆行驶规划装置,其特征在于,包括:
运行状态确定模块,用于通过运行信息预测模型,根据目标车辆周围的目标障碍物在待检测运行时间的障碍物环境信息,确定所述目标障碍物的待调整运行状态;
运行信息确定模块,用于通过所述运行信息预测模型,根据所述待调整运行状态,确定所述目标障碍物的待调整运行信息,以及所述待调整运行信息对应的运行信息发生概率;
行驶规划信息确定模块,用于通过所述运行信息预测模型,根据所述待调整运行信息、所述运行信息发生概率和所述目标车辆的待调整行驶规划信息,确定所述目标障碍物的目标运行信息,以及所述目标车辆的目标行驶规划信息。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的车辆行驶规划方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车辆行驶规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552132.4A CN116494969A (zh) | 2023-05-16 | 2023-05-16 | 一种车辆行驶规划方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552132.4A CN116494969A (zh) | 2023-05-16 | 2023-05-16 | 一种车辆行驶规划方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116494969A true CN116494969A (zh) | 2023-07-28 |
Family
ID=87328319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552132.4A Pending CN116494969A (zh) | 2023-05-16 | 2023-05-16 | 一种车辆行驶规划方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116494969A (zh) |
-
2023
- 2023-05-16 CN CN202310552132.4A patent/CN116494969A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
CN114771572A (zh) | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 | |
CN115471805B (zh) | 点云处理和深度学习模型训练方法、装置及自动驾驶车辆 | |
CN115221722A (zh) | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 | |
CN114715145A (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN112862017B (zh) | 点云数据的标注方法、装置、设备和介质 | |
CN114022865A (zh) | 基于车道线识别模型的图像处理方法、装置、设备和介质 | |
CN113723607A (zh) | 时空数据处理模型的训练方法、装置、设备及存储介质 | |
CN116749996A (zh) | 轨迹预测方法、装置、电子设备及存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN116494969A (zh) | 一种车辆行驶规划方法、装置、设备和存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN114919661A (zh) | 一种泊车控制方法、装置、设备和存储介质 | |
CN114581869A (zh) | 确定目标对象位置的方法、装置、电子设备和存储介质 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN117589188B (zh) | 行车路径规划方法、装置、电子设备和存储介质 | |
CN116662788B (zh) | 一种车辆轨迹处理方法、装置、设备和存储介质 | |
CN114817430A (zh) | 轨迹数据处理方法、模型训练方法、装置及自动驾驶车辆 | |
CN113361379B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
CN116238482A (zh) | 一种泊车路径规划方法、装置、设备和存储介质 | |
CN117372477A (zh) | 一种目标跟踪匹配方法、装置、设备及介质 | |
CN117392839A (zh) | 交通轨迹预测模型训练、交通轨迹预测方法及相关装置 | |
CN118004215A (zh) | 基于改进DenseTnt模型的自动驾驶轨迹预测方法 | |
CN116946159A (zh) | 基于动态局部地图的运动轨迹预测方法、装置、设备和介质 | |
CN114579594A (zh) | 信息更新方法、装置、电子设备以及存储介质 |
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 |