CN116560377A - 用于预测位置轨迹的自动驾驶模型及其训练方法 - Google Patents

用于预测位置轨迹的自动驾驶模型及其训练方法 Download PDF

Info

Publication number
CN116560377A
CN116560377A CN202310636508.XA CN202310636508A CN116560377A CN 116560377 A CN116560377 A CN 116560377A CN 202310636508 A CN202310636508 A CN 202310636508A CN 116560377 A CN116560377 A CN 116560377A
Authority
CN
China
Prior art keywords
predicted
trajectory
input information
autopilot
information
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
Application number
CN202310636508.XA
Other languages
English (en)
Inventor
王凡
曾增烽
黄际洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202310636508.XA priority Critical patent/CN116560377A/zh
Publication of CN116560377A publication Critical patent/CN116560377A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种能够用于预测位置轨迹的自动驾驶模型及其训练方法，涉及计算机技术领域，尤其涉及自动驾驶技术领域。自动驾驶模型包括预测器，被配置成根据输入的第一输入信息确定基于至少一个预测约束点的用于目标车辆的位置轨迹；以及生成器，被配置成根据位置轨迹生成目标自动驾驶状态信息，其中，位置轨迹是目标车辆的位置相对于时间的连续可导函数。利用本公开的实施例，可以利用模型的输出对车辆的位置轨迹的函数的约束点进行预测，从而使得能够获得连续可导的函数曲线的具体形状。利用这种方式得到的位置轨迹是一条光滑曲线，因此该位置轨迹对应的速度曲线也是连续的，从而能够使得预测的位置轨迹对应的车辆行驶状态是平滑的。

Description

用于预测位置轨迹的自动驾驶模型及其训练方法
技术领域
本公开涉及计算机技术领域，尤其涉及自动驾驶技术领域，具体涉及一种用于预测位置轨迹的自动驾驶模型、利用自动驾驶模型实现的自动驾驶方法、自动驾驶模型的训练方法、自动驾驶装置、训练装置、电子设备、计算机可读存储介质、计算机程序产品和自动驾驶车辆。
背景技术
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。
自动驾驶技术融合了识别、决策、定位、通信安全和人机交互等诸多方面的技术。在自动驾驶过程中，自动驾驶模型基于输入信息得到用于控制车辆行为的自动驾驶策略。在这一过程中，自动驾驶策略信息缺少解释，可能导致用户对自动驾驶行为存在疑虑和不信任感。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于预测位置轨迹的自动驾驶模型、利用自动驾驶模型实现的自动驾驶方法、自动驾驶模型的训练方法、自动驾驶装置、训练装置、电子设备、计算机可读存储介质、计算机程序产品和自动驾驶车辆。
根据本公开的一方面，提供了一种自动驾驶模型，包括：预测器，被配置成根据输入的第一输入信息确定基于至少一个预测约束点的用于目标车辆的位置轨迹；以及生成器，被配置成根据所述位置轨迹生成目标自动驾驶状态信息，其中，所述第一输入信息与针对车辆周围环境的感知信息相关，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
根据本公开的另一方面，提供了一种利用自动驾驶模型实现的自动驾驶方法，所述自动驾驶模型包括预测器和生成器，所述方法包括：获取第一输入信息，其中，所述第一输入信息与针对车辆周围环境的感知信息相关；将所述第一输入信息输入所述自动驾驶模型的预测器，以生成基于至少一个预测约束点的用于目标车辆的位置轨迹；利用所述自动驾驶模型的生成器，根据所述位置轨迹生成目标驾驶状态信息，其中，所述第一输入信息与针对车辆周围环境的感知信息相关，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
根据本公开的另一方面，提供了一种自动驾驶模型的训练方法，所述自动驾驶模型包括预测器和生成器，所述方法包括：获取第一样本输入信息，其中所述第一样本输入信息与针对车辆周围环境的感知信息相关；获取所述第一样本输入信息相对应的真实自动驾驶状态信息；将所述第一样本输入信息输入所述自动驾驶模型的预测器，以确定基于至少一个预测约束点的用于目标车辆的预测位置轨迹；将所述预测位置轨迹输入所述自动驾驶模型的生成器，以根据所述预测位置轨迹生成预测自动驾驶状态信息；以及基于所述预测自动驾驶状态信息和所述真实自动驾驶状态信息之间的差异调整所述自动驾驶模型的参数，其中，所述预测位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
根据本公开的另一方面，提供了一种基于自动驾驶模型的自动驾驶装置，包括：输入信息获取单元，被配置成获取第一输入信息，其中，所述第一输入信息与针对车辆周围环境的感知信息相关；预测单元，被配置成基于所述第一输入信息确定基于至少一个预测约束点的用于目标车辆的位置轨迹；以及生成单元，被配置成根据所述位置轨迹生成目标自动驾驶状态信息，其中，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
根据本公开的另一方面，提供了一种自动驾驶模型的训练装置，所述自动驾驶模型包括预测器和生成器，所述训练装置包括：样本信息获取单元，被配置成获取第一样本输入信息，其中所述第一样本输入信息与针对车辆周围环境的感知信息相关；真实信息获取单元，被配置成获取所述第一样本输入信息相对应的真实自动驾驶状态信息；预测器训练单元，被配置成根据输入的第一输入信息确定基于至少一个预测约束点的用于目标车辆的预测位置轨迹；生成器训练单元，被配置成根据所述预测位置轨迹生成预测自动驾驶状态信息；以及参数调整单元，被配置成基于所述预测自动驾驶状态信息和所述真实自动驾驶状态信息之间的差异调整所述自动驾驶模型的参数，其中，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
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前所述的方法。
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如前所述的方法。
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，其中，所述计算机程序在被处理器执行时实现如前所述的方法。
根据本公开的另一方面，提供了一种自动驾驶车辆，包括：如前所述的用于对自动驾驶模型进行训练的装置或如前所述的电子设备。
根据本公开的一个或多个实施例，可以利用模型的输出对车辆的位置轨迹的函数的约束点进行预测，从而使得能够获得连续可导的函数曲线的具体形状。利用这种方式得到的位置轨迹是一条光滑曲线，因此该位置轨迹对应的速度曲线也是连续的，从而能够使得预测的位置轨迹对应的车辆行驶状态是平滑的。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的自动驾驶模型的示意图；
图3示出了根据本公开的实施例的自动驾驶方法的示例性流程图；
图4示出了根据本公开的实施例的用于对自动驾驶模型进行训练的方法的示例性流程图；
图5示出了根据本公开的实施例的基于自动驾驶模型的自动驾驶装置的示例性框图；
图6示出了根据本公开的实施例的自动驾驶模型的训练装置的示例性框图；以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。
在本公开的实施例中，机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。
服务器120可以运行使得能够实现自动驾驶的一个或多个服务或软件应用。在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。
网络130可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络130可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。
系统100还可以包括一个或多个数据库150。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库150可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库150可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个：视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外，通过对视觉摄像头捕获的画面进行分析，可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周，用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置，用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置，用于检测物体边缘、形状信息，从而进行物体识别和追踪。由于多普勒效应，雷达装置还可以测量车辆与移动物体的速度变化。
机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如，北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块，移动通信网络可以实施任何适合的通信技术，例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything，V2X)模块，被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle，V2V)通信和与基础设施144进行车辆到基础设施(Vehicle-to-Infrastructure，V2I)通信的车与外界的通信。此外，通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112，机动车辆110还可以经由网络130接入服务器120。
机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器，例如中央处理单元(CPU)或图形处理单元(GPU)，或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动，而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如，可以使用车载处理器执行某一些处理，而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外，控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
在对自动驾驶模型进行训练时，通常模仿学习的目标是最小化模型输出的预测轨迹和车辆真实的驾驶轨迹之间的误差。在自动驾驶模型控制的驾驶行为中，实际控制一般是离散的，模型需要提供一连串的预测来继续驾驶过程。在这个过程中，模型的预测结果不能直接保证行驶轨迹的平滑性，也不能保证轨迹和当前车辆状态(如速度、加速度)的一致性。例如，模型预测结果可能会导致车辆需要突然的加速或减速来符合预测轨迹，将降低车辆上的乘客的乘坐舒适性。此外，模型的学习目标通常只包括车辆的位置，这有可能产生位置相近但实际行为非常不同的预测结果。
为了解决上述问题，本专利提出了一种新的自动驾驶模型。
图2示出了根据本公开的实施例的自动驾驶模型的示意图。
如图2所示，自动驾驶模型200包括预测器210和生成器220。
预测器210被配置成根据输入的第一输入信息确定基于至少一个预测约束点的用于目标车辆的位置轨迹。
生成器220被配置成根据目标车辆的位置轨迹生成目标自动驾驶状态信息。
其中第一输入信息与针对车辆周围环境的感知信息相关，位置轨迹是目标车辆的位置相对于时间的连续可导函数。
利用本公开提供的自动驾驶模型，可以利用模型的输出对车辆的位置轨迹的函数的约束点进行预测，从而使得能够获得连续可导的函数曲线的具体形状。利用这种方式得到的位置轨迹是一条光滑曲线，因此该位置轨迹对应的速度曲线也是连续的，从而能够使得预测的位置轨迹对应的车辆行驶状态是平滑的。
以下将具体描述本公开的原理。
预测器210可以被配置成根据输入的第一输入信息确定基于至少一个预测约束点的用于目标车辆的位置轨迹。位置轨迹是目标车辆的位置相对于时间的连续可导函数。
在一些实施例中，所预测的位置轨迹可以被表示为n阶的多项式曲线，其中n是正整数。在一些实现方式中，n可以是大于等于3的整数。在一些示例中，位置轨迹可以是贝塞尔曲线。例如n阶贝塞尔曲线可以被表示为：其中，Pi是贝塞尔曲线的控制点，bn,i(t)为伯恩施坦基本多项式,/>t∈[0,1].这里t是从当前时刻到规划轨迹时间终点的时刻的归一化变量。从而使得针对任意长度的从当前时刻到规划轨迹时间终点的预测时间段的计算方式都是统一的。例如，当预测时间段为△t，预定时刻为δt时，归一化变量可以被表示为δt/△t。
可以理解的是，在不脱离本公开原理的情况下，本领域技术人员可以使用任何其他形式的光滑曲线的函数作为目标车辆的位置轨迹。
通过使用连续可导的光滑曲线表示位置轨迹，该位置轨迹对应的速度轨迹(位置轨迹的一阶导数)是连续的。当位置轨迹的曲线至少二阶可导的情况下，位置轨迹对应的加速度轨迹(位置轨迹的二阶导数)也是连续的。对于其上搭载有乘客的自动驾驶车辆来说，连续的加速度轨迹能够为乘客提供更好的乘坐舒适性。即使在不考虑乘坐舒适性的情况下(例如货运汽车)，连续的速度轨迹能够保证自动驾驶模型的行驶方案是真实可行的。
在一些实施例中，预测器210可以被配置成基于至少一个预测约束点和至少一个预定约束点来确定目标车辆的位置轨迹。在一些实现方式中，预测器210被配置成基于第一输入信息确定至少一个预测约束点，并基于至少一个预测约束点和基于目标车辆的当前状态的至少一个预定约束点确定用于位置轨迹的至少一个参数。基于所确定的至少一个参数可以确定位置轨迹。
以位置轨迹是n阶的多项式曲线为例，为了确定n阶多项式曲线的具体形式，需要n+1个参数作为多项式曲线的系数。因此，需要至少n+1个约束条件来确定多项式曲线的系数。根据本公开的一些实施例中，使用基于目标车辆的当前状态的至少一个预定约束点和基于第一输入信息确定的至少一个预测约束点作为位置轨迹的约束条件。
预测约束点的数量可以是基于位置轨迹的阶数和预定约束点的数量而确定的。在一些示例中，预定约束点可以包括目标车辆的当前位置、当前速度、当前加速度中的至少一项。例如，当位置轨迹的阶数大于等于3时，预定约束点可以是3，即可以将目标车辆的当前位置、当前速度、当前加速度确定为位置轨迹的三个约束条件。
以位置轨迹被表示为贝塞尔曲线为例，基于目标车辆的当前位置X、当前速度V、当前加速度A可以确定以下三个约束条件：
P0＝X(δt＝0)
其中P0、P1、P2是贝塞尔曲线的前三个控制点，δt＝0表示当前时刻，Δt表示预测时间段的持续时长，n表示贝塞尔曲线的阶数。
在这种情况下，位置轨迹还需要至少n-2个约束条件，因此预测约束点的数量可以被确定为大于等于n-2。当预测约束点的数量等于n-2时，可以通过求解基于上述n+1个约束条件建立的方程组来确定位置轨迹的曲线所需的系数。当预测约束点的数量大于n-2时，可以基于例如最小二乘法的拟合方式来对基于约束条件的超定方程组进行拟合，从而得到位置轨迹曲线所需的系数。
利用上述方法，可以使得所得到的位置轨迹及其对应的速度轨迹和加速度轨迹在当前时刻符合或者至少接近目标车辆的当前状态，从而使得目标车辆的预测轨迹对于当前车辆来说是能够实现的。
在一些实施例中，预测约束点可以包括预测曲线参数、指定时刻的预测位置、指定时刻的预测速度、指定时刻的预测加速度中的至少一项。
在一些实现方式中，可以直接利用预测器基于第一输入信息预测曲线参数。在另一些实现方式中，可以利用预测器基于第一输入信息预测从当前时刻到规划轨迹时间终点的时刻之间的任一指定时刻ts处的预测位置、预测度或预测加速度。当预测约束点的数量大于1时，多个预测约束点可以具有相同的形式，也可以具有不同的形式。例如，以预测约束点的数量为4为例，4个预测约束点可以都是预测曲线参数、指定时刻ts处的预测位置、指定时刻ts处的预测速度或指定时刻ts处的预测加速度，也可以是任意数量的预测曲线参数、指定时刻ts处的预测位置、指定时刻ts处的预测速度和指定时刻ts处的预测加速度的组合，只要预测约束点的总数为4即可。如预测约束点可以是1个预测曲线参数、指定时刻t1处的预测位置、指定时刻t2处的预测位置和预测速度。利用上述方式，本领域技术人员可以根据实际情况任意设置预测约束点的形式和数量。由于位置轨迹的曲线是连续可导的，只要获取了能够确定位置轨迹参数的预测约束点，就可以相应地确定从当前时刻到规划轨迹时间终点的时刻之间的预测时间段期间的目标车辆的位置轨迹、速度轨迹和加速度轨迹，从而能够以最少数量的必要控制量来实现对自动驾驶车辆的控制。
在一些实施例中，预测器可以包括基于神经网络的编码和解码模型(如Transformer网络)。
在确定基于预测约束点的位置轨迹后，生成器220可以被配置成根据目标车辆的位置轨迹生成目标自动驾驶状态信息。其中，目标自动驾驶状态信息可以包括目标车辆的速度轨迹和加速度轨迹中的至少一项。基于针对预测时间段期间的位置轨迹，可以利用曲线的导数确定预测时间段期间的速度轨迹和加速度轨迹。基于任意时刻的车辆位置、速度、加速度，可以确定用于目标车辆的控制策略，如控制油门、刹车、转向幅度等的信号。
在一些实施例中，输入自动驾驶模型的第一输入信息可以是传感器所获得的车辆周围环境的感知信息或传感器所获得的车辆周围环境的感知信息的隐式表示。在一些实现方式中，自动驾驶模型还可以包括多模态编码层，被配置用于基于输入的第二输入信息输出第二输入信息相对应的隐式表示。其中第一输入信息可以包括第二输入信息相对应的隐式表示，第二输入信息可以包括利用传感器所获得的车辆周围环境的感知信息。
根据本申请的一些实施例中，目标车辆周围环境的感知信息In2、In3和In4可以包括一个或多个摄像机的感知信息In2、一个或多个激光雷达的感知信息In3、以及一个或多个毫米波雷达的感知信息In4。可以理解的是，目标车辆周围环境的感知信息并不局限于上述一种形式，例如可以仅包括多个摄像机的感知信息In2，而不包括一个或多个激光雷达的感知信息In3以及一个或多个毫米波雷达的感知信息In4。通过摄像机获取到的感知信息In2可以是图片或视频形式的感知信息，通过激光雷达所获取到的感知信息In3可以是雷达点云(例如三维点云)形式的感知信息。在示例中，上述不同形式的信息(图片、视频、点云)等可以直接输入到多模态编码层210而无需进行预处理。此外，感知信息包括在车辆的行驶过程中针对目标车辆周围环境的当前感知信息xt和多个历史时刻对应的历史感知信息xt-Δt，这里，t与Δt之间可以具有预设时长的时间跨度。
在示例中，多模态编码层可以对感知信息进行编码计算，生成相对应的隐式表示et。隐式表示et例如可以是鸟瞰图(BEV)空间中的隐式表示。例如，可以先将摄像机的感知信息In2输入到共享的骨干网络(Backbone)，提取每个摄像机的数据特征。然后，对多个的摄像机的感知信息In2进行融合，并转换到BEV空间。接着，可以在BEV空间内进行跨模态融合，将像素级的视觉数据和激光雷达点云进行融合。最后进行时序融合，形成BEV空间的隐式表示et。
在一个示例中，可以利用融合时空信息的Transformer Encoder结构，实现多摄像头的输入信息到BEV空间的隐式表示et的投影。例如，可以通过预先设置参数的网格划分的BEV查询机制(BEV queries)来利用时空信息。利用空间交叉注意力机制(即BEV查询机制从多相机特征中通过注意力机制提取所需的空间特征)，让BEV查询机制能从其感兴趣的多相机视角中提取特征，从而聚合空间信息；此外，通过时序自注意力机制(即每一时刻生成的BEV特征都从上一时刻的BEV特征获取所需的时序信息)来融合历史信息，从而聚合时序信息。
利用上述方式，可以基于所输入的感知信息直接生成用于位置轨迹的预测约束点，即感知直接对预测结果以及与预测结果对应的驾驶决策负责。这可以解决预测与规划之间的耦合问题。此外，隐式表示的引入可以克服结构化信息的表示缺陷而导致算法容易失败的问题。另外，由于感知直接对决策负责，使得感知能够捕捉对于决策较为关键的信息，减少感知错误导致的误差累积。再者，由于感知直接对决策负责，实现了重感知轻地图的自动驾驶技术，进而能够克服高精地图更新不及时和区域受限而导致决策失败的问题，由于摆脱了对高精地图的依赖，能够节省高精地图的更新成本。
图3示出了根据本公开的实施例的自动驾驶方法的示例性流程图。可以利用结合图2描述的自动驾驶模型来实现图3中示出的自动驾驶方法。
在步骤S302中，获取第一输入信息。其中第一输入信息与针对车辆周围环境的感知信息相关。
在步骤S304中，将第一输入信息输入自动驾驶模型的预测器，以生成基于至少一个预测约束点的用于目标车辆的位置轨迹。
在步骤S306中，利用自动驾驶模型的生成器，根据位置轨迹生成目标驾驶状态信息。
其中，第一输入信息与针对车辆周围环境的感知信息相关，位置轨迹是目标车辆的位置相对于时间的连续可导函数。
利用本公开提供的自动驾驶方法，可以利用模型的输出对车辆的位置轨迹的函数的约束点进行预测，从而使得能够获得连续可导的函数曲线的具体形状。利用这种方式得到的位置轨迹是一条光滑曲线，因此该位置轨迹对应的速度曲线也是连续的，从而能够使得预测的位置轨迹对应的车辆行驶状态是平滑的。
在一些实施例中，所预测的位置轨迹可以被表示为n阶的多项式曲线，其中n是正整数。在一些实现方式中，n可以是大于等于3的整数。在一些示例中，位置轨迹可以是贝塞尔曲线。可以理解的是，在不脱离本公开原理的情况下，本领域技术人员可以使用任何其他形式的光滑曲线的函数作为目标车辆的位置轨迹。
通过使用连续可导的光滑曲线表示位置轨迹，该位置轨迹对应的速度轨迹(位置轨迹的一阶导数)是连续的。当位置轨迹的曲线至少二阶可导的情况下，位置轨迹对应的加速度轨迹(位置轨迹的二阶导数)也是连续的。对于其上搭载有乘客的自动驾驶车辆来说，连续的加速度轨迹能够为乘客提供更好的乘坐舒适性。即使在不考虑乘坐舒适性的情况下(例如货运汽车)，连续的速度轨迹能够保证自动驾驶模型的行驶方案是真实可行的。
在一些实施例中，预测器可以被配置成基于至少一个预测约束点和至少一个预定约束点来确定目标车辆的位置轨迹。在一些实现方式中，预测器被配置成基于第一输入信息确定至少一个预测约束点，并基于至少一个预测约束点和基于目标车辆的当前状态的至少一个预定约束点确定用于位置轨迹的至少一个参数。基于所确定的至少一个参数可以确定位置轨迹。
以位置轨迹是n阶的多项式曲线为例，为了确定n阶多项式曲线的具体形式，需要n+1个参数作为多项式曲线的系数。因此，需要至少n+1个约束条件来确定多项式曲线的系数。根据本公开的一些实施例中，使用基于目标车辆的当前状态的至少一个预定约束点和基于第一输入信息确定的至少一个预测约束点作为位置轨迹的约束条件。
预测约束点的数量可以是基于位置轨迹的阶数和预定约束点的数量而确定的。在一些示例中，预定约束点可以包括目标车辆的当前位置、当前速度、当前加速度中的至少一项。
利用上述方法，可以使得所得到的位置轨迹及其对应的速度轨迹和加速度轨迹在当前时刻符合或者至少接近目标车辆的当前状态，从而使得目标车辆的预测轨迹对于当前车辆来说是能够实现的。
在一些实施例中，预测约束点可以包括预测曲线参数、指定时刻的预测位置、指定时刻的预测速度、指定时刻的预测加速度中的至少一项。
利用上述方式，本领域技术人员可以根据实际情况任意设置预测约束点的形式和数量。由于位置轨迹的曲线是连续可导的，只要获取了能够确定位置轨迹参数的预测约束点，就可以相应地确定从当前时刻到规划轨迹时间终点的时刻之间的预测时间段期间的目标车辆的位置轨迹、速度轨迹和加速度轨迹，从而能够以最少数量的必要控制量来实现对自动驾驶车辆的控制。
在确定基于预测约束点的位置轨迹后，生成器可以被配置成根据目标车辆的位置轨迹生成目标自动驾驶状态信息。其中，目标自动驾驶状态信息可以包括目标车辆的速度轨迹和加速度轨迹中的至少一项。基于针对预测时间段期间的位置轨迹，可以利用曲线的导数确定预测时间段期间的速度轨迹和加速度轨迹。基于任意时刻的车辆位置、速度、加速度，可以确定用于目标车辆的控制策略，如控制油门、刹车、转向幅度等的信号。
在一些实施例中，输入自动驾驶模型的第一输入信息可以是传感器所获得的车辆周围环境的感知信息或传感器所获得的车辆周围环境的感知信息的隐式表示。在一些实现方式中，自动驾驶模型还可以包括多模态编码层，被配置用于基于输入的第二输入信息输出第二输入信息相对应的隐式表示。其中第一输入信息可以包括第二输入信息相对应的隐式表示，第二输入信息可以包括利用传感器所获得的车辆周围环境的感知信息。
利用上述方式，可以基于所输入的感知信息直接生成用于位置轨迹的预测约束点，即感知直接对预测结果以及与预测结果对应的驾驶决策负责。这可以解决预测与规划之间的耦合问题。此外，隐式表示的引入可以克服结构化信息的表示缺陷而导致算法容易失败的问题。另外，由于感知直接对决策负责，使得感知能够捕捉对于决策较为关键的信息，减少感知错误导致的误差累积。再者，由于感知直接对决策负责，实现了重感知轻地图的自动驾驶技术，进而能够克服高精地图更新不及时和区域受限而导致决策失败的问题，由于摆脱了对高精地图的依赖，能够节省高精地图的更新成本。
图4示出了根据本公开的实施例的用于对自动驾驶模型进行训练的方法的示例性流程图。可以利用结合图4描述的方法对结合图2描述的自动驾驶模型进行训练。
在步骤S402中，可以获取第一样本输入信息，其中第一样本输入信息与针对车辆周围环境的感知信息相关。
在步骤S404中，可以获取第一样本输入信息相对应的真实自动驾驶状态信息。
在步骤S406中，可以将第一样本输入信息输入自动驾驶模型的预测器，以确定基于至少一个预测约束点的用于目标车辆的预测位置轨迹。
在步骤S408中，可以将预测位置轨迹输入自动驾驶模型的生成器，以根据预测位置轨迹生成预测自动驾驶状态信息。
在步骤S410中，可以基于预测自动驾驶状态信息和真实自动驾驶状态信息之间的差异调整自动驾驶模型的参数。
其中，预测位置轨迹是目标车辆的位置相对于时间的连续可导函数。
在一些实施例中，输入自动驾驶模型的第一样本输入信息可以是传感器所获得的车辆周围环境的感知信息或传感器所获得的车辆周围环境的样本感知信息的隐式表示。在一些实现方式中，自动驾驶模型还可以包括多模态编码层，被配置用于基于输入的第二样本输入信息输出第二样本输入信息相对应的隐式表示。其中第一样本输入信息可以包括第二样本输入信息相对应的隐式表示，第二样本输入信息可以包括利用传感器所获得的车辆周围环境的样本感知信息。
其中，可以收集大量人类驾驶的自动驾驶样本序列以及人类驾驶策略序列作为第一样本输入信息。可以将人类驾驶每一样本时刻的传感器输入以确定第一样本输入信息。还可以记录人类驾驶在样本时刻的车辆轨迹(包含位置轨迹、速度轨迹或加速度轨迹)作为真实自动驾驶状态信息。
在一些实施例中，预测位置轨迹可以被表示为n阶的多项式曲线，其中n是正整数。在一些实现方式中，n可以是大于等于3的整数。在一些示例中，位置轨迹可以是贝塞尔曲线。
在一些实施例中，预测器可以被配置成基于至少一个预测约束点和至少一个预定约束点来确定目标车辆的位置轨迹。在一些实现方式中，预测器210被配置成基于第一样本输入信息确定至少一个预测约束点，并基于至少一个预测约束点和基于目标车辆的当前样本状态的至少一个样本约束点确定用于预测位置轨迹的至少一个参数。基于所确定的至少一个参数可以确定预测位置轨迹。
预测约束点的数量可以是基于预测位置轨迹的阶数和样本约束点的数量而确定的。在一些示例中，样本约束点可以包括目标车辆的当前位置、当前速度、当前加速度中的至少一项。
在一些实施例中，预测约束点可以包括预测曲线参数、指定时刻的预测位置、指定时刻的预测速度、指定时刻的预测加速度中的至少一项。
在确定基于预测约束点的位置轨迹后，生成器可以被配置成根据目标车辆的位置轨迹生成预测自动驾驶状态信息。其中，预测自动驾驶状态信息可以包括目标车辆的预测速度轨迹和预测加速度轨迹中的至少一项。
在步骤S410中确定的预测自动驾驶状态信息和真实自动驾驶状态信息之间的差异可以包括位置误差、速度误差或加速度误差。在一些示例中，预测自动驾驶状态信息和真实自动驾驶状态信息之间的差异可以是位置误差、速度误差和加速度误差的加权和。
例如，可以基于下式确定用于估计预测自动驾驶状态信息和真实自动驾驶状态信息之间的差异的目标函数L：
L＝λ1Lpos+λ2Lvel+λ3Lacc
其中，λ1、λ2、λ3是预定的加权系数，Lpos是位置误差、Lvel是速度误差、Lacc是加速度误差。
可以基于下式确定位置误差Lpos：
其中，k表示样本点的索引序数，δtk表示样本点对应的样本时刻，x(δt＝δtk)样本时刻的真实位置，表示样本时刻的预测位置，/>是样本时刻的归一化表示，fθ表示位置轨迹B的至少一个参数，/>表示以fθ作为曲线参数而确定的在样本时刻的车辆预测位置。
可以基于下式确定速度误差Lvel：
其中，k表示样本点的索引序数，δtk表示样本点对应的样本时刻，v(δt＝δtk)样本时刻的真实速度，B’表示预测位置轨迹的一阶导数， 表示样本时刻的预测速度，/>是样本时刻的归一化表示，fθ表示位置轨迹B的至少一个参数，/>表示以fθ作为曲线参数而确定的在样本时刻的车辆预测速度。
可以基于下式确定加速度误差Lacc：
其中，k表示样本点的索引序数，δtk表示样本点对应的样本时刻，a(δt＝δtk)样本时刻的真实加速度，B”表示预测位置轨迹的二阶导数，表示样本时刻的预测加速度，/>是样本时刻的归一化表示，fθ表示位置轨迹B的至少一个参数，/>表示以fθ作为曲线参数而确定的在样本时刻的车辆预测加速度。
利用本公开的实施例提供的自动驾驶模型的训练方法，在利用模型进行预测时，可以通过预测曲线参数、位置、速度或加速度中的任意一种或多种来获得预测位置轨迹，而在对模型参数进行调整时，可以将位置、速度、加速度中的任意一种或多种的误差作为目标函数，这使得模型的预测对象和模仿目标可以是不同的，从而可以根据实际需求进行灵活的设置以满足不同使用场景的需求。
图5示出了根据本公开的实施例的基于自动驾驶模型的自动驾驶装置的示例性框图。
如图5所示，装置500包括输入信息获取单元510、预测单元520以及生成单元530。
输入信息获取单元510可以被配置成获取第一输入信息，其中，所述第一输入信息与针对车辆周围环境的感知信息相关。
预测单元520可以被配置成基于所述第一输入信息确定基于至少一个预测约束点的用于目标车辆的位置轨迹。
生成单元530可以被配置成根据所述位置轨迹生成目标自动驾驶状态信息。
其中，位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
应当理解，图5中所示装置500的各个模块或单元可以与参考图3描述的方法300中的各个步骤相对应。由此，上面针对方法300描述的操作、特征和优点同样适用于装置500及其包括的模块以及单元。为了简洁起见，某些操作、特征和优点在此不再赘述。
图6示出了根据本公开的实施例的自动驾驶模型的训练装置的示例性框图。
如图6所示，装置600包括样本信息获取单元610、真实信息获取单元620、预测器训练单元630、生成器训练单元640以及参数调整单元650。
样本信息获取单元610被配置成获取第一样本输入信息，其中所述样本输入信息与针对车辆周围环境的感知信息相关。
真实信息获取单元620被配置成获取所述第一样本输入信息相对应的真实自动驾驶状态信息。
预测器训练单元630被配置成根据输入的第一输入信息确定基于至少一个预测约束点的用于目标车辆的预测位置轨迹。
生成器训练单元640被配置成根据所述预测位置轨迹生成预测自动驾驶状态信息。
参数调整单元650被配置成基于所述预测自动驾驶状态信息和所述真实自动驾驶状态信息之间的差异调整所述自动驾驶模型的参数。
其中，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数
应当理解，图6中所示装置600的各个模块或单元可以与参考图4描述的方法400中的各个步骤相对应。由此，上面针对方法400描述的操作、特征和优点同样适用于装置600及其包括的模块以及单元。为了简洁起见，某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个单元的功能可以分为多个单元，和/或多个单元的至少一些功能可以组合成单个单元。
还应当理解，本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图5、图6描述的各个单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如，这些单元可以被实现为计算机程序代码/指令，该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地，这些单元可以被实现为硬件逻辑/电路。例如，在一些实施例中，单元510至530、单元610至650中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如，中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件)，并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的另一方面，还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；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根据本公开实施例的方法。
根据本公开的另一方面，还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，计算机指令用于使所述计算机执行根据本公开实施例的方法。
根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开实施例的方法。
根据本公开的另一方面，还提供了一种自动驾驶车辆，包括：根据如前所述的自动驾驶装置、训练装置或如前所述的电子设备。
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。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701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701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701执行上文所描述的各个方法和处理，例如方法300、400。例如，在一些实施例中，方法300、400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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法300、400的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法300、400。
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)、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、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)、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，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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (33)

1.一种自动驾驶模型，包括：
预测器，被配置成根据输入的第一输入信息确定基于至少一个预测约束点的用于目标车辆的位置轨迹；以及
生成器，被配置成根据所述位置轨迹生成目标自动驾驶状态信息，
其中，所述第一输入信息与针对车辆周围环境的感知信息相关，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
2.如权利要求1所述自动驾驶模型，其中所述位置轨迹是n阶多项式曲线，n是大于等于3的整数。
3.如权利要求2所述的自动驾驶模型，其中所述位置轨迹是贝塞尔曲线。
4.如权利要求1-3中任一项所述的自动驾驶模型，其中所述预测器被配置成：
基于所述第一输入信息确定所述至少一个预测约束点；
基于所述至少一个预测约束点和基于所述目标车辆的当前状态的至少一个预定约束点确定用于所述位置轨迹的至少一个参数；
基于所述至少一个参数确定所述位置轨迹。
5.如权利要求4所述的自动驾驶模型，其中所述至少一个预测约束点的数量是基于所述位置轨迹的阶数和所述预定约束点的数量确定的。
6.如权利要求4所述的自动驾驶模型，其中所述预定约束点包括所述目标车辆的当前位置、当前速度、当前加速度中的至少一项。
7.如权利要求4所述的自动驾驶模型，所述预测约束点包括预测曲线参数、指定时刻的预测位置、指定时刻的预测速度、指定时刻的预测加速度中的至少一项。
8.如权利要求1-7中任一项所述的自动驾驶模型，其中，所述目标自动驾驶状态信息包括所述目标车辆的速度轨迹和加速度轨迹中的至少一项。
9.如权利要求1-7中任一项所述的自动驾驶模型，其中，所述自动驾驶模型还包括多模态编码层，所述多模态编码层被配置用于基于输入的第二输入信息输出所述第二输入信息相对应的隐式表示，所述第二输入信息包括利用传感器所获得的车辆周围环境的感知信息，
其中，所述第一输入信息包括所述第二输入信息相对应的隐式表示。
10.一种利用自动驾驶模型实现的自动驾驶方法，所述自动驾驶模型包括预测器和生成器，所述方法包括：
获取第一输入信息，其中，所述第一输入信息与针对车辆周围环境的感知信息相关；
将所述第一输入信息输入所述自动驾驶模型的预测器，以生成基于至少一个预测约束点的用于目标车辆的位置轨迹；
利用所述自动驾驶模型的生成器，根据所述位置轨迹生成目标驾驶状态信息，
其中，所述第一输入信息与针对车辆周围环境的感知信息相关，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
11.如权利要求10所述自动驾驶方法，其中所述位置轨迹是n阶多项式曲线，n是大于等于3的整数。
12.如权利要求11所述的自动驾驶方法，其中所述位置轨迹是贝塞尔曲线。
13.如权利要求10-12中任一项所述的自动驾驶方法，其中所述预测器被配置成：
基于所述第一输入信息确定所述至少一个预测约束点；
基于所述至少一个预测约束点和基于所述目标车辆的当前状态的至少一个预定约束点确定用于所述位置轨迹的至少一个参数；
基于所述至少一个参数确定所述位置轨迹。
14.如权利要求13所述的自动驾驶方法，其中所述至少一个预测约束点的数量是基于所述位置轨迹的阶数和所述预定约束点的数量确定的。
15.如权利要求13所述的自动驾驶方法，其中所述预定约束点包括：所述目标车辆的当前位置、当前速度、当前加速度中的至少一项。
16.如权利要求13所述的自动驾驶方法，所述预测约束点包括预测曲线参数、指定时刻的预测位置、指定时刻的预测速度、指定时刻的预测加速度中的至少一项。
17.如权利要求10-16中任一项所述的自动驾驶方法，其中，所述目标自动驾驶状态信息包括所述目标车辆的速度轨迹和加速度轨迹中的至少一项。
18.如权利要求10-16中任一项所述的自动驾驶方法，其中，所述自动驾驶模型还包括多模态编码层，所述多模态编码层被配置用于基于输入的第二输入信息输出所述第二输入信息相对应的隐式表示，所述第二输入信息包括利用传感器所获得的车辆周围环境的感知信息，
其中，所述第一输入信息包括所述第二输入信息相对应的隐式表示。
19.一种自动驾驶模型的训练方法，所述自动驾驶模型包括预测器和生成器，所述方法包括：
获取第一样本输入信息，其中所述第一样本输入信息与针对车辆周围环境的感知信息相关；
获取所述第一样本输入信息相对应的真实自动驾驶状态信息；
将所述第一样本输入信息输入所述自动驾驶模型的预测器，以确定基于至少一个预测约束点的用于目标车辆的预测位置轨迹；
将所述预测位置轨迹输入所述自动驾驶模型的生成器，以根据所述预测位置轨迹生成预测自动驾驶状态信息；以及
基于所述预测自动驾驶状态信息和所述真实自动驾驶状态信息之间的差异调整所述自动驾驶模型的参数，
其中，所述预测位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
20.如权利要求19所述的方法，其中所述预测位置轨迹是n阶多项式曲线，n是大于等于3的整数。
21.如权利要求20所述的方法，其中所述位预测置轨迹是贝塞尔曲线。
22.如权利要求19-21中任一项所述的方法，其中所述预测器被配置成：
基于所述第一样本输入信息确定所述至少一个预测约束点；
基于所述至少一个预测约束点和基于所述目标车辆的当前样本状态的至少一个样本约束点确定用于所述预测位置轨迹的至少一个参数；
基于所述至少一个参数确定所述预测位置轨迹。
23.如权利要求22所述的方法，其中所述至少一个预测约束点的数量是基于所述预测位置轨迹的阶数和所述样本约束点的数量确定的。
24.如权利要求22所述的方法，其中样本约束点包括所述目标车辆的当前位置、当前速度、当前加速度中的至少一项。
25.如权利要求22所述的方法，其中所述预测约束点包括预测曲线参数、指定时刻的预测位置、指定时刻的预测速度、指定时刻的预测加速度中的至少一项。
26.如权利要求19-25中任一项所述的方法，其中，所述预测自动驾驶状态信息包括所述目标车辆的预测速度轨迹和预测加速度轨迹中的至少一项。
27.如权利要求19-25中任一项所述的方法，其中，所述自动驾驶模型还包括多模态编码层，所述多模态编码层被配置用于基于输入的第二样本输入信息输出所述第二样本输入信息相对应的隐式表示，所述第二样本输入信息包括利用传感器所获得的车辆周围环境的样本感知信息，
其中，所述第一样本输入信息包括所述第二样本输入信息相对应的隐式表示。
28.一种基于自动驾驶模型的自动驾驶装置，包括：
输入信息获取单元，被配置成获取第一输入信息，其中，所述第一输入信息与针对车辆周围环境的感知信息相关；
预测单元，被配置成基于所述第一输入信息确定基于至少一个预测约束点的用于目标车辆的位置轨迹；以及
生成单元，被配置成根据所述位置轨迹生成目标自动驾驶状态信息，
其中，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
29.一种自动驾驶模型的训练装置，所述自动驾驶模型包括预测器和生成器，所述训练装置包括：
样本信息获取单元，被配置成获取第一样本输入信息，其中所述第一样本输入信息与针对车辆周围环境的感知信息相关；
真实信息获取单元，被配置成获取所述第一样本输入信息相对应的真实自动驾驶状态信息；
预测器训练单元，被配置成根据输入的第一输入信息确定基于至少一个预测约束点的用于目标车辆的预测位置轨迹；
生成器训练单元，被配置成根据所述预测位置轨迹生成预测自动驾驶状态信息；以及
参数调整单元，被配置成基于所述预测自动驾驶状态信息和所述真实自动驾驶状态信息之间的差异调整所述自动驾驶模型的参数，
其中，所述位置轨迹是所述目标车辆的位置相对于时间的连续可导函数。
30.一种电子设备，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10-27中任一项所述的方法。
31.一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10-27中任一项所述的方法。
32.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求10-27中任一项所述的方法。
33.一种自动驾驶车辆，包括：
根据权利要求28所述的自动驾驶装置、根据权利要求29所述的自动驾驶模型的训练装置、以及根据权利要求30所述的电子设备中的一者。
CN202310636508.XA 2023-05-31 2023-05-31 用于预测位置轨迹的自动驾驶模型及其训练方法 Pending CN116560377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310636508.XA CN116560377A (zh) 2023-05-31 2023-05-31 用于预测位置轨迹的自动驾驶模型及其训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310636508.XA CN116560377A (zh) 2023-05-31 2023-05-31 用于预测位置轨迹的自动驾驶模型及其训练方法

Publications (1)

Publication Number Publication Date
CN116560377A true CN116560377A (zh) 2023-08-08

Family

ID=87494611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310636508.XA Pending CN116560377A (zh) 2023-05-31 2023-05-31 用于预测位置轨迹的自动驾驶模型及其训练方法

Country Status (1)

Country Link
CN (1) CN116560377A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109976355A (zh) * 2019-04-26 2019-07-05 腾讯科技（深圳）有限公司 轨迹规划方法、系统、设备及存储介质
CN112896191A (zh) * 2021-03-08 2021-06-04 京东鲲鹏(江苏)科技有限公司 轨迹处理方法、装置、电子设备和计算机可读介质
CN113159403A (zh) * 2021-04-13 2021-07-23 青岛大学 路口行人轨迹预测的方法及装置
CN113942524A (zh) * 2020-07-15 2022-01-18 广州汽车集团股份有限公司 一种车辆行驶控制方法、系统及计算机可读存储介质
CN113989330A (zh) * 2021-11-03 2022-01-28 中国电信股份有限公司 车辆轨迹预测方法、装置、电子设备和可读存储介质
CN114021080A (zh) * 2021-10-28 2022-02-08 中国第一汽车股份有限公司 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质
CN114880842A (zh) * 2022-04-21 2022-08-09 北京智行者科技有限公司 轨迹预测模型的自动化迭代方法、电子设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109976355A (zh) * 2019-04-26 2019-07-05 腾讯科技（深圳）有限公司 轨迹规划方法、系统、设备及存储介质
CN113942524A (zh) * 2020-07-15 2022-01-18 广州汽车集团股份有限公司 一种车辆行驶控制方法、系统及计算机可读存储介质
CN112896191A (zh) * 2021-03-08 2021-06-04 京东鲲鹏(江苏)科技有限公司 轨迹处理方法、装置、电子设备和计算机可读介质
CN113159403A (zh) * 2021-04-13 2021-07-23 青岛大学 路口行人轨迹预测的方法及装置
CN114021080A (zh) * 2021-10-28 2022-02-08 中国第一汽车股份有限公司 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质
CN113989330A (zh) * 2021-11-03 2022-01-28 中国电信股份有限公司 车辆轨迹预测方法、装置、电子设备和可读存储介质
CN114880842A (zh) * 2022-04-21 2022-08-09 北京智行者科技有限公司 轨迹预测模型的自动化迭代方法、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN114179832B (zh) 用于自动驾驶车辆的变道方法
CN113887400B (zh) 障碍物检测方法、模型训练方法、装置及自动驾驶车辆
CN114758502B (zh) 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆
CN115019060A (zh) 目标识别方法、目标识别模型的训练方法及装置
CN116776151A (zh) 可与车外人员进行自主交互的自动驾驶模型和训练方法
CN117035032A (zh) 融合文本数据和自动驾驶数据进行模型训练的方法和车辆
CN115082690B (zh) 目标识别方法、目标识别模型训练方法及装置
CN116880462A (zh) 自动驾驶模型、训练方法和自动驾驶方法和车辆
CN115556769A (zh) 障碍物状态量确定方法及装置、电子设备和介质
CN114394111B (zh) 用于自动驾驶车辆的变道方法
CN115675528A (zh) 基于相似场景挖掘的自动驾驶方法和车辆
CN116560377A (zh) 用于预测位置轨迹的自动驾驶模型及其训练方法
CN113920174A (zh) 点云配准方法、装置、设备、介质和自动驾驶车辆
CN116859724B (zh) 时序自回归同时决策和预测的自动驾驶模型及其训练方法
CN115019278B (zh) 一种车道线拟合方法、装置、电子设备和介质
CN114715155B (zh) 用于控制车辆的方法、装置及自动驾驶车辆
CN117539260A (zh) 基于时序递归自回归推理的自动驾驶模型、方法和车辆
CN116872962A (zh) 含人工干预预测的自动驾驶模型、训练方法、设备和车辆
CN115583243B (zh) 确定车道线信息的方法、车辆控制方法、装置和设备
CN116311943B (zh) 交叉路口的平均延误时间的估算方法及装置
CN116882122A (zh) 用于自动驾驶的仿真环境的构建的方法和装置
CN116881707A (zh) 自动驾驶模型、训练方法、装置和车辆
CN117707172A (zh) 自动驾驶车辆的决策方法及装置、车辆、设备和介质
CN116991157A (zh) 具备人类专家驾驶能力的自动驾驶模型、训练方法和车辆
CN114179834B (zh) 车辆停靠方法、装置、电子设备、介质及自动驾驶车辆

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