CN116834767A - 运动轨迹生成方法、装置、设备及存储介质 - Google Patents
运动轨迹生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116834767A CN116834767A CN202210303478.6A CN202210303478A CN116834767A CN 116834767 A CN116834767 A CN 116834767A CN 202210303478 A CN202210303478 A CN 202210303478A CN 116834767 A CN116834767 A CN 116834767A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- map
- information
- area
- area map
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013598 vector Substances 0.000 claims description 130
- 230000006399 behavior Effects 0.000 claims description 129
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/40—High definition maps
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种运动轨迹生成方法、装置、设备及存储介质，该方法包括：向云端服务器发送区域地图请求，区域地图请求包括车辆的车辆位置信息；接收云端服务器针对区域地图请求发送的区域地图，区域地图是根据车辆位置信息从全局地图中截取的，区域地图中包括区域地图代表的区域内的历史行驶行为信息；根据车辆所处环境中当前周围车辆的行驶行为信息、环境的道路环境信息以及历史行驶行为信息，生成相应的运动轨迹。通过根据车辆位置信息查找到的全局地图中的区域地图代表的区域内的历史行驶行为信息，结合车辆所处环境中周围车辆的行驶行为信息以及环境的道路环境信息，生成运动轨迹，可以提高轨迹预测的准确性。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及运动轨迹生成方法、装置、设备及存储介质。
背景技术
自动驾驶通常是针对车辆当前的道路状态进行行驶路径的规划，例如，根据高精地图提供的静态地图信息(如车道线、可移动交通路标、道路指示牌等)和动态地图信息(如红绿灯等)，确定车辆行驶区域当前的道路状态，进而对车辆的行驶路径进行规划。然而，单纯以上述信息进行自动驾驶轨迹的规划导致规划的车辆行驶路径准确性较低。
发明内容
为克服相关技术中存在的问题，本公开提供一种运动轨迹生成方法、装置、设备及存储介质。
根据本公开实施例的第一方面，提供一种运动轨迹生成方法，应用于车辆，所述方法包括：
向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息；
接收所述云端服务器针对所述区域地图请求发送的区域地图，所述区域地图是根据所述车辆位置信息从全局地图中截取的，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹。
可选地，所述根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹，包括：
从所述道路环境信息以及历史行驶行为信息中，确定所述当前周围车辆的行驶行为信息的目标特征向量；
根据所述目标特征向量、所述当前周围车辆的行驶行为信息对应的特征向量，生成相应的运动轨迹。
可选地，所述根据所述目标特征向量、所述当前周围车辆的行驶行为信息对应的特征向量，生成相应的运动轨迹，包括：
根据所述目标特征向量与所述当前周围车辆的行驶行为信息对应的特征向量的向量距离，确定所述目标特征向量对应的权重值；
基于所述目标特征向量对应的权重值，对所述目标特征向量与所述当前周围车辆的行驶行为信息对应的特征向量进行加权计算，得到相应的预测特征向量；
根据所述预测特征向量，生成相应的运动轨迹。
可选地，所述根据所述预测特征向量，生成相应的运动轨迹，包括：
确定针对所述当前周围车辆行驶进行预测的预测频率和预测时长；
根据所述预测时长和所述预测频率，确定预测向量矩阵的行数；
根据所述预测向量矩阵的行数对所述预测特征向量进行转换，生成预测向量矩阵；
根据所述预测向量矩阵生成相应的运动轨迹。
可选地，所述方法包括：
根据所述当前周围车辆的行驶行为信息以及所述车辆在所述区域地图代表的区域内的车辆行驶信息确定针对所述区域地图的更新信息；
向所述云端服务器发送所述更新信息，所述更新信息用于将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述当前周围车辆的行驶行为信息更新到全局地图中。
可选地，所述向云端服务器发送区域地图请求，包括：
在所述车辆行驶在所述云端服务器上一次向所述车辆发送的区域地图代表的区域内、且满足地图请求条件的情况下，生成所述区域地图请求；
向所述云端服务器发送所述区域地图请求，所述地图请求条件包括所述车辆距离上一次的所述区域地图代表的区域的边界小于预设距离。
可选地，所述全局地图为服务器中存储的所述车辆当前所在城市的城市地图。
根据本公开实施例的第二方面，提供一种运动轨迹生成方法，应用于云端服务器，所述方法包括：
接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息；
根据所述车辆位置信息从全局地图中截取区域地图，所述区域地图代表的区域为所述车辆未来行驶的区域，所述中包括所述区域地图代表的区域内的历史行驶行为信息；
向所述车辆发送所述区域地图。
可选地，所述根据所述车辆位置信息从全局地图中截取区域地图，包括：
根据所述区域地图请求中携带所述车辆的行驶速度信息，确定所述车辆的行驶方向上的截取长度；
基于所述车辆位置信息，根据所述截取长度从所述全局地图中截取所述区域地图。
可选地，所述方法包括：
接收所述车辆发送的更新信息，所述更新信息是根据所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息生成的；
根据所述更新信息对所述区域地图进行更新，以将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息更新到所述全局地图中。
根据本公开实施例的第三方面，提供一种运动轨迹生成装置，应用于车辆，所述装置包括：
第一发送模块，被配置为向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息；
第一接收模块，被配置为接收所述云端服务器针对所述区域地图请求发送的区域地图，所述区域地图是根据所述车辆位置信息从全局地图中截取的，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
生成模块，被配置为根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹。
可选地，所述生成模块，包括：确定子模块，被配置为从所述道路环境信息以及历史行驶行为信息中，确定所述当前周围车辆的行驶行为信息的目标特征向量；
生成子模块，被配置为根据所述目标特征向量、所述当前周围车辆的行驶行为信息对应的特征向量，生成相应的运动轨迹。
可选地，所述生成子模块，被配置为：
根据所述目标特征向量与所述当前周围车辆的行驶行为信息对应的特征向量的向量距离，确定所述目标特征向量对应的权重值；
基于所述目标特征向量对应的权重值，对所述目标特征向量与所述当前周围车辆的行驶行为信息对应的特征向量进行加权计算，得到相应的预测特征向量；
根据所述预测特征向量，生成相应的运动轨迹。
可选地，所述生成子模块，被配置为：
确定针对所述当前周围车辆行驶进行预测的预测频率和预测时长；
根据所述预测时长和所述预测频率，确定预测向量矩阵的行数；
根据所述预测向量矩阵的行数对所述预测特征向量进行转换，生成预测向量矩阵；
根据所述预测向量矩阵生成相应的运动轨迹。
可选地，所述装置包括更新模块，被配置为：
根据所述当前周围车辆的行驶行为信息以及所述车辆在所述区域地图代表的区域内的车辆行驶信息确定针对所述区域地图的更新信息；
向所述云端服务器发送所述更新信息，所述更新信息用于将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述当前周围车辆的行驶行为信息更新到全局地图中。
可选地，所述第一发送模块，被配置为：
在所述车辆行驶在所述云端服务器上一次向所述车辆发送的区域地图代表的区域内、且满足地图请求条件的情况下，生成所述区域地图请求；
向所述云端服务器发送所述区域地图请求，所述地图请求条件包括所述车辆距离上一次的所述区域地图代表的区域的边界小于预设距离。
可选地，所述全局地图为服务器中存储的所述车辆当前所在城市的城市地图。
根据本公开实施例的第四方面，提供一种运动轨迹生成装置，应用于云端服务器，所述装置包括：
第二接收模块，被配置为接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息；
截取模块，被配置为根据所述车辆位置信息从全局地图中截取区域地图，所述区域地图代表的区域为所述车辆未来行驶的区域，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
第二发送模块，被配置为向所述车辆发送所述区域地图。
可选地，所述截取模块，被配置为：
根据所述区域地图请求中携带所述车辆的行驶速度信息，确定所述车辆的行驶方向上的截取长度；
基于所述车辆位置信息，根据所述截取长度从所述全局地图中截取所述区域地图。
可选地，所述第二接收模块，被配置为：
接收所述车辆发送的更新信息，所述更新信息是根据所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息生成的；
根据所述更新信息对所述区域地图进行更新，以将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息更新到所述全局地图中。
根据本公开实施例的第五方面，提供一种车辆控制器，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息；
接收所述云端服务器针对所述区域地图请求发送的区域地图，所述区域地图是根据所述车辆位置信息从全局地图中截取的，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现第一方面中任一项所述方法的步骤。
根据本公开实施例的第七方面，提供一种云端服务器，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息；
根据所述车辆位置信息从全局地图中截取区域地图，所述区域地图代表的区域为所述车辆未来行驶的区域，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
向所述车辆发送所述区域地图。
根据本公开实施例的第八方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现第二方面中任一项所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过向云端服务器发送区域地图请求，区域地图请求包括车辆的车辆位置信息；接收云端服务器针对区域地图请求发送的区域地图，区域地图是根据车辆位置信息从全局地图中截取的，区域地图中包括区域地图代表的区域内的历史行驶行为信息；根据车辆所处环境中当前周围车辆的行驶行为信息、环境的道路环境信息以及历史行驶行为信息，生成相应的运动轨迹。通过根据车辆位置信息查找到的全局地图中的区域地图代表的区域内的历史行驶行为信息，结合车辆所处环境中周围车辆的行驶行为信息以及环境的道路环境信息，生成运动轨迹，可以提高轨迹预测的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种运动轨迹生成方法的流程图。
图2是根据一示例性实施例示出的一种运动轨迹生成模型的示意图。
图3是根据一示例性实施例示出的一种实现图1中步骤S13的流程图。
图4是根据一示例性实施例示出的一种实现图3中步骤S132的流程图。
图5是根据一示例性实施例示出的一种运动轨迹生成方法的流程图。
图6是根据一示例性实施例示出的一种运动轨迹生成装置的框图。
图7是根据一示例性实施例示出的一种运动轨迹生成装置的框图。
图8是根据一示例性实施例示出的一种用于运动轨迹生成的装置的框图。
图9是根据一示例性实施例示出的一种用于运动轨迹生成的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
在介绍本公开的运动轨迹生成方法、装置、设备及存储介质之前，对本公开的应用场景进行介绍，本公开的应用场景可以是基于移动设备的车辆导航，也可以是基于车载终端的车辆导航、自动驾驶、辅助驾驶等。
相关技术中，根据当前的静态地图信息和动态地图信息，对车辆的行驶路径进行规划，存在浪费路面空间或者导致发生交通事故的风险增加的可能，因为针对不同地区的驾驶员在驾驶习惯上存在差异，若采用相同的行驶策略规划控制车辆行驶，则可能使自车在周围驾驶员驾驶习惯较为保守的情况下，以保守的策略控制车辆行驶，浪费路面空间，也可能在周围驾驶员驾驶习惯较为激进的情况下，以激进的策略控制车辆行驶，导致发生交通事故的风险增加。
为此，本公开提供一种运动轨迹生成方法，图1是根据一示例性实施例示出的一种运动轨迹生成方法的流程图，该方法应用于车辆，例如，车载控制器，如图1所示，包括以下步骤。
在步骤S11中，向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息。
本公开实施例中，在获得用户授权的情况下，获取车辆的车辆位置信息，并根据车辆位置信息生成区域地图请求。其中，可以是根据车辆出发时设置的导航路线，生成区域地图请求，以向云端服务器请求导航路线上所有区域的区域地图。
在步骤S12中，接收云端服务器针对区域地图请求发送的区域地图。
其中，所述区域地图是根据车辆位置信息从全局地图中截取的，所述区域地图包括历史道路参与者在区域地图代表的区域内的历史行驶行为信息。具体地，区域地图是根据车辆位置信息从云端服务器存储的城市地图中截取的自地图，全局地图为服务器中存储的所述车辆当前所在城市的城市地图。
本公开实施例中，云端服务器存储有针对每个城市的城市地图，城市地图中不仅包括静态的道路设施信息，例如，红路灯位置、道路交叉口位置，还包括历史行驶在各个区域的车辆的历史行驶行为信息。
在步骤S13中，根据车辆所处环境中当前周围车辆的行驶行为信息、环境的道路环境信息以及历史行驶行为信息，生成相应的运动轨迹。
其中，针对道路参与者的预测运动轨迹可以用于自车行驶路径的规划，例如规划本车的行驶速度、行驶轨迹、加减速信息等。
本公开实施例中，车辆所处环境中当前周围车辆的行驶行为信息包括通过车载摄像头采集的周围车辆的行驶行为信息。环境的道路环境信息包括红绿灯状态信息，道路施工信息，道路占用信息等。
本公开实施例中，可以将车辆所处环境中当前周围车辆的行驶行为信息、环境的道路环境信息以及历史行驶行为信息输入深度学习模型中，得到深度学习模型生成的针对当前周围车辆对应的预测运动轨迹。其中，深度学习模型可以参见图2所示的框图，深度学习模型可以包括地图特征提取模块、轨迹特征提取模块、地图与轨迹信息交互模块和轨迹特征转换模块。
其中，在深度学习模型为LaneGCN(Lane Graph Convolutional Network)模型的情况下，地图特征提取模块可以为道路卷积网路(Lane Convolution)，即可以通过对道路卷积网路区域地图中的历史行驶行为信息进行地图特征提取，得到历史行为信息对应的特征信息。并且轨迹特征提取模块可以为一维卷积网络，即可以通过一维卷积网络对车辆所处环境中当前周围车辆的行驶行为进行轨迹特征提取，得到所处环境中当前周围车辆的行驶行为特征。
进一步地，地图与轨迹信息交互模块可以包括道路卷积网络、自注意力层(Self-Attention Layer)和交叉注意力层(Cross-Attention Layer)。
在深度学习模型为Scene Transformer模型的情况下，地图特征提取模块和轨迹特征提取模块可以为分解式自注意力层(Factorized Self-Attention Layer)，即可以通过分解式自注意力层进行地图特征提取和轨迹特征提取，地图与轨迹信息交互模块可以包括交叉注意力层。
在模型训练过程中，使用区域内的静态地图信息得到的地图特征作为全局地图特征在当前位置的初始化特征值。在迭代过程中，当采集到的行驶行为信息位于全局特征图中已存储信息的区域时，通过采集到的行驶行为信息替换全局地图中的静态图特征的特征值参与训练，在模型运行结束后更新过后的区域地图的特征值存储到全局地图中。
上述技术方案通过向云端服务器发送区域地图请求，区域地图请求包括车辆的车辆位置信息；接收云端服务器针对区域地图请求发送的区域地图，区域地图是根据车辆位置信息从全局地图中截取的，区域地图中包括区域地图代表的区域内的历史行驶行为信息；根据车辆所处环境中当前周围车辆的行驶行为信息、环境的道路环境信息以及历史行驶行为信息，生成相应的运动轨迹。通过根据车辆位置信息查找到的全局地图中的区域地图代表的区域内的历史行驶行为信息，结合车辆所处环境中周围车辆的行驶行为信息以及环境的道路环境信息，生成运动轨迹，可以提高轨迹预测的准确性。
在上述实施例的基础上，图3是根据一示例性实施例示出的一种实现图1中步骤S13的流程图，在步骤S13中，所述根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹，包括：
在步骤S131中，从道路环境信息以及历史行驶行为信息中，确定当前周围车辆的行驶行为信息的目标特征向量。
本公开实施例中，可以将道路环境信息、区域地图中的历史行驶行为信息以及车辆所处环境中当前周围车辆的行驶行为信息进行特征提取，得到均为128维的环境特征向量、历史行驶行为特征向量以及当前周围车辆的行驶行为特征向量，进而可以根据环境特征向量，从历史行驶行为特征向量中查找当前周围车辆的目标特征向量。
例如，针对车辆当前行驶的路口，历史行驶行为特征向量表征存在三种运动轨迹向量，然而根据一新增花坛得到的环境特征向量，可以确定历史行驶行为特征向量中其中一种运动轨迹向量无法实现，则可以将剩下的两种运动轨迹向量作为当前周围车辆的目标特征向量。
在步骤S132中，根据目标特征向量、当前周围车辆的行驶行为信息对应的特征向量，生成相应的运动轨迹。
可选地，根据目标特征向量与当前周围车辆的行驶行为信息对应的特征向量的相关性，生成针对当前周围车辆的运动轨迹。
在本步骤实施例中，图4是根据一示例性实施例示出的一种实现图3中步骤S132的流程图，在步骤S132中，所述根据目标特征向量、当前周围车辆的行驶行为信息对应的特征向量，生成相应的运动轨迹，包括：
在步骤S1321中，根据目标特征向量与当前周围车辆的行驶行为信息对应的特征向量的向量距离，确定目标特征向量对应的权重值。
可以理解的是，向量距离越远说明目标特征向量与当前周围车辆的行驶行为信息对应的特征向量的相关性越低，即当前周围车辆可能按照目标特征向量对应的历史行驶行为信息进行行驶的概率较小，因此，可以确定目标特征向量对应的权重值越小。同理，向量距离越近说明目标特征向量与当前周围车辆的行驶行为信息对应的特征向量的相关性越高，当前周围车辆可能按照目标特征向量对应的历史行驶行为信息进行行驶的概率较大。
在步骤S1322中，基于目标特征向量对应的权重值，对目标特征向量与当前周围车辆的行驶行为信息对应的特征向量进行加权计算，得到相应的特征向量。
例如，将128为的各目标特征向量与当前周围车辆的行驶行为信息对应的特征向量相乘，再与对应的权重值进行相乘，并将相乘后得到的向量相加，得到128维的向量，进而再将128维的特征向量进行向量扩展得到140维的特征向量。
在步骤S1323中，根据预测特征向量，生成相应的运动轨迹。
在本步骤的实施例中，所述根据预测特征向量，生成相应的运动轨迹，包括：
确定针对当前周围车辆行驶进行预测的预测频率和预测时长。
本公开实施例中，预测频率和预测时长可以预设的，也可以是上层控制器发送的。
根据所述预测时长和所述预测频率，确定预测向量矩阵的行数。
本公开实施例中，预测频率和预测时长可以确定针对道路参与者预测轨迹点的数量，例如，每0.1秒预测一次，持续7秒，也就是针对道路参与者预测70个轨迹点，可以将针对道路参与者预测轨迹点的数量作为预测向量矩阵的行数。
根据所述预测向量矩阵的行数对所述预测特征向量进行转换，生成预测向量矩阵。
以上述预测向量矩阵的行数为70举例说明，预测特征向量为140维度的向量，进行转换后得到70*2的预测向量矩阵。
根据所述预测向量矩阵生成相应的运动轨迹。
其中，可以将预测向量矩阵中的70个轨迹点作为针对当前周围车辆对应的运动轨迹。
可选地，所述方法包括：
根据当前周围车辆的行驶行为信息以及所述车辆在所述区域地图代表的区域内的车辆行驶信息确定针对所述区域地图的更新信息。
其中，车辆在区域地图代表的区域内的车辆行驶信息可以包括行驶轨迹和行驶策略，并且该车辆行驶信息可以与规划的行驶策略相同，也可以是实际的行驶信息，与规划的行驶策略存在差异。道路参与者的行驶行为信息则是车辆行驶过程中，通过车载摄像头采集到的该区域地图代表的区域内行人和车辆的行驶行为信息。
向所述云端服务器发送所述更新信息，所述更新信息用于将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述道路参与者的行驶行为信息更新到全局地图中。
参见图2所示，深度学习模型的地图与轨迹信息交互模块生成针对更新后的区域地图，并将该更新后的区域地图上传到云端服务器。
可选地，生成更新信息后，以本次接收到的区域地图代表的区域进行编码保存，在下一次发送区域地图请求时，将更新信息与区域地图请求一同发送。示例地，针对A区域的更新信息，由于车辆还未行驶出A区域时，已经向云端服务器请求B区域的区域地图，因此可以当车辆在B区域行驶时，向云端服务器请求C区域的区域地图时，将针对C区域的区域地图请求和针对A区域的更新信息一同向云端服务器发送。
在上述实施例的基础上，所述向云端服务器发送区域地图请求，包括：
在所述车辆行驶在所述云端服务器上一次向所述车辆发送的区域地图代表的区域内、且满足地图请求条件的情况下，生成所述区域地图请求；
向所述云端服务器发送所述区域地图请求，所述地图请求条件包括所述车辆距离上一次的所述区域地图代表的区域的边界小于预设距离。
示例地，在车辆行驶在云端服务器上一次向车辆发送的区域地图代表的A区域内、且车辆距离A区域的任意边界小于预设距离100m的情况下，车辆生成区域地图请求，并向云端服务器发送。
在一种实施方式中，预设距离可以根据当前车辆的行驶速度进行标定，预设距离与行驶速度正相关。
这样，在车辆未行驶出上一次向车辆发送的区域地图代表的区域时，可以提前获取下一区域的区域地图。
图5是根据一示例性实施例示出的一种运动轨迹生成方法的流程图，该方法应用于云端服务器，所述方法包括以下步骤：
在步骤S51中，接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息。
参见前文所述，区域地图请求可以是在车辆行驶在云端服务器上一次向车辆发送的区域地图代表的区域内、且车辆距离上一次的区域地图代表的区域的边界小于预设距离的情况下生成的。
在步骤S52中，根据车辆位置信息从全局地图中截取区域地图。
其中，所述区域地图代表的区域为车辆未来行驶的区域，所述中包括所述区域地图代表的区域内的历史行驶行为信息。
在本公开实施例中，在步骤S52中，所述根据所述车辆位置信息从全局地图中截取区域地图，包括：
根据所述区域地图请求中携带所述车辆的行驶速度信息，确定所述车辆的行驶方向上的截取长度；
基于所述车辆位置信息，根据所述截取长度从所述全局地图中截取所述区域地图。
本公开实施例中，可以将车辆前方的全部的道路所在的区域确定为区域地图所在区域，例如，车辆前方存在路口左转后的道路和路口直行后的道路，可以从左转后的道路所在区域和直行后的道路所在区域中截取区域地图。
可选地，可以根据车辆位置信息确定车辆所在的车道，例如直行车道、左转车道和右转车道，进而确定车辆的行驶方向，进而根据行驶方向确定区域地图所在区域。
其中，可以以车辆位置信息表征的位置为起点，截取长度为目标从所述全局地图中截取区域地图，区域地图的宽度可以根据道路宽度进行确定，例如将整个道路宽度作为区域地图的宽度。
其中，行驶速度信息中表征的车辆行驶速度越大，截取长度越大。
在步骤S53中，向车辆发送区域地图。
可以理解的是，云端服务器配置有通讯组件，用于接收车辆发送的信息和向车辆发送信息。
在上述实施例的基础上，所述方法包括：
接收所述车辆发送的更新信息，所述更新信息是根据所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息生成的。
其中，更新信息可以是在车辆行驶出区域地图代表的区域后，根据所述区域地图进行编码生成。并在随后发送的区域地图请求信息中携带该更新信息。不对更新信息进行单独发送，从而可以信息降低发送频率和降低对信道的占用。
根据所述更新信息对所述区域地图进行更新，以将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息更新到所述全局地图中。
这样，可以根据区域地图内新生成的车辆行驶信息以及车辆新采集到的行人行驶行为信息以及道路环境信息，不断对全局地图中的该区域地图进行更新，以便于其他车辆在行驶到该区域地图代表的区域时，获取该区域地图中不断更新的道路参与者的历史行驶行为信息。
基于相同的构思，本公开还提供一种运动轨迹生成装置，用于执行上述方法实施例提供的车辆侧运动轨迹生成方法的部分或者全部步骤，该装置600可以以软件、硬件或者两者相结合的方式实现运动轨迹生成方法。图6是根据一示例性实施例示出的一种运动轨迹生成装置的框图，参见6所示，所述装置600包括：
第一发送模块610，被配置为向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息；
第一接收模块620，被配置为接收所述云端服务器针对所述区域地图请求发送的区域地图，所述区域地图是根据所述车辆位置信息从全局地图中截取的，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
生成模块630，被配置为根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹。
可选地，所述生成模块630，包括：确定子模块，被配置为从所述道路环境信息以及历史行驶行为信息中，确定所述当前周围车辆的行驶行为信息的目标特征向量；
生成子模块，被配置为根据所述目标特征向量、所述当前周围车辆的行驶行为信息对应的特征向量，生成相应的运动轨迹。
可选地，所述生成子模块，被配置为：
根据所述目标特征向量与所述当前周围车辆的行驶行为信息对应的特征向量的向量距离，确定所述目标特征向量对应的权重值；
基于所述目标特征向量对应的权重值，对所述目标特征向量与所述当前周围车辆的行驶行为信息对应的特征向量进行加权计算，得到相应的预测特征向量；
根据所述预测特征向量，生成相应的运动轨迹。
可选地，所述生成子模块，被配置为：
确定针对所述当前周围车辆行驶进行预测的预测频率和预测时长；
根据所述预测时长和所述预测频率，确定预测向量矩阵的行数；
根据所述预测向量矩阵的行数对所述预测特征向量进行转换，生成预测向量矩阵；
根据所述预测向量矩阵生成相应的运动轨迹。
可选地，所述装置600包括更新模块，被配置为：
根据所述当前周围车辆的行驶行为信息以及所述车辆在所述区域地图代表的区域内的车辆行驶信息确定针对所述区域地图的更新信息；
向所述云端服务器发送所述更新信息，所述更新信息用于将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述当前周围车辆的行驶行为信息更新到全局地图中。
可选地，所述第一发送模块610，被配置为：
在所述车辆行驶在所述云端服务器上一次向所述车辆发送的区域地图代表的区域内、且满足地图请求条件的情况下，生成所述区域地图请求；
向所述云端服务器发送所述区域地图请求，所述地图请求条件包括所述车辆距离上一次的所述区域地图代表的区域的边界小于预设距离。
可选地，所述全局地图为服务器中存储的所述车辆当前所在城市的城市地图。
基于相同的构思，本公开还提供一种运动轨迹生成装置，用于执行上述方法实施例提供的云端服务器侧运动轨迹生成方法的部分或全部步骤，该装置700可以以软件、硬件或者两者相结合的方式实现运动轨迹生成方法。图7是根据一示例性实施例示出的一种运动轨迹生成装置的框图，参见7所示，所述装置700包括：
第二接收模块710，被配置为接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息；
截取模块720，被配置为根据所述车辆位置信息从全局地图中截取区域地图，所述区域地图代表的区域为所述车辆未来行驶的区域，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
第二发送模块730，被配置为向所述车辆发送所述区域地图。
可选地，所述截取模块720，被配置为：
根据所述区域地图请求中携带所述车辆的行驶速度信息，确定所述车辆的行驶方向上的截取长度；
基于所述车辆位置信息，根据所述截取长度从所述全局地图中截取所述区域地图。
可选地，所述第二接收模块710，被配置为：
接收所述车辆发送的更新信息，所述更新信息是根据所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息生成的；
根据所述更新信息对所述区域地图进行更新，以将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息更新到所述全局地图中。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
此外值得说明的是，为描述的方便和简洁，说明书中所描述的实施例均属于优选实施例，其所涉及的部分并不一定是本发明所必须的，例如，第二接收模块710和第二发送模块730，在具体实施时可以是相互独立的装置也可以是同一个装置，本公开对此不作限定。
根据本公开实施例还提供一种车辆控制器，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息；
接收所述云端服务器针对所述区域地图请求发送的区域地图，所述区域地图是根据所述车辆位置信息从全局地图中截取的，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹。
根据本公开实施例的第六方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现车辆侧运动轨迹生成方法中任一项所述方法的步骤。
根据本公开实施例还提供一种云端服务器，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息；
根据所述车辆位置信息从全局地图中截取区域地图，所述区域地图代表的区域为所述车辆未来行驶的区域，所述区域地图包括所述区域地图代表的区域内的历史行驶行为信息；
向所述车辆发送所述区域地图。
根据本公开实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现云端服务器侧运动轨迹生成方法中任一项所述方法的步骤。
图8是根据一示例性实施例示出的一种用于运动轨迹生成的装置800的框图。例如，装置800可以是车载终端，例如用于导航的车载多媒体设备，用于自动驾驶行驶策略规划的模块，也可以是移动电话等。
参照图8，装置800可以包括以下一个或多个组件：处理组件802，存储器804，电力组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制装置800的整体操作，诸如与显示，数据通信，位置获取操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述车辆侧运动轨迹生成方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令，车辆位置信息数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统，一个或多个电源，及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以显示预测运动轨迹，或者接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头，用户获取车辆所处环境中道路参与者的行驶行为信息、所述环境的道路环境信息。当装置800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当装置800处于操作模式，如导航模式、自动驾驶模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为装置800提供各个方面的状态评估。例如，传感器组件814可以检测到装置800的打开/关闭状态，组件的相对定位，例如所述组件为装置800的显示器和小键盘，传感器组件814还可以检测装置800或装置800一个组件的位置改变，用户与装置800接触的存在或不存在，装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于装置800和云端服务器之间的通信。装置800可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G或者5G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道向云端服务器发送信息，并接收来自云端服务器的信息。
在示例性实施例中，装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述车辆侧运动轨迹生成方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由装置800的处理器820执行以完成上述车辆侧运动轨迹生成方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的车辆侧运动轨迹生成方法的代码部分。
图9是根据一示例性实施例示出的一种用于运动轨迹生成的装置900的框图。例如，装置900可以被提供为一云端服务器。参照图9，装置900包括处理组件922，其进一步包括一个或多个处理器，以及由存储器932所代表的存储器资源，用于存储可由处理组件922的执行的指令，例如应用程序。存储器932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件922被配置为执行指令，以执行上述云端服务器侧运动轨迹生成方法
装置900还可以包括一个电源组件926被配置为执行装置900的电源管理，一个有线或无线网络接口950被配置为将装置900连接到网络，和一个输入输出(I/O)接口958。装置900可以操作基于存储在存储器932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (16)
1.一种运动轨迹生成方法，其特征在于，应用于车辆，所述方法包括：
向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息；
接收所述云端服务器针对所述区域地图请求发送的区域地图，所述区域地图是根据所述车辆位置信息从全局地图中截取的，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹，包括：
从所述道路环境信息以及历史行驶行为信息中，确定所述当前周围车辆的行驶行为信息的目标特征向量；
根据所述目标特征向量、所述当前周围车辆的行驶行为信息对应的特征向量，生成相应的运动轨迹。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标特征向量、所述当前周围车辆的行驶行为信息对应的特征向量，生成相应的运动轨迹，包括：
根据所述目标特征向量与所述当前周围车辆的行驶行为信息对应的特征向量的向量距离，确定所述目标特征向量对应的权重值；
基于所述目标特征向量对应的权重值，对所述目标特征向量与所述当前周围车辆的行驶行为信息对应的特征向量进行加权计算，得到相应的预测特征向量；
根据所述预测特征向量，生成相应的运动轨迹。
4.根据权利要求3所述的方法，其特征在于，所述根据所述预测特征向量，生成相应的运动轨迹，包括：
确定针对所述当前周围车辆行驶进行预测的预测频率和预测时长；
根据所述预测时长和所述预测频率，确定预测向量矩阵的行数；
根据所述预测向量矩阵的行数对所述预测特征向量进行转换，生成预测向量矩阵；
根据所述预测向量矩阵生成相应的运动轨迹。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法包括：
根据所述当前周围车辆的行驶行为信息以及所述车辆在所述区域地图代表的区域内的车辆行驶信息确定针对所述区域地图的更新信息；
向所述云端服务器发送所述更新信息，所述更新信息用于将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述当前周围车辆的行驶行为信息更新到全局地图中。
6.根据权利要求1-4中任一项所述的方法，其特征在于，所述向云端服务器发送区域地图请求，包括：
在所述车辆行驶在所述云端服务器上一次向所述车辆发送的区域地图代表的区域内、且满足地图请求条件的情况下，生成所述区域地图请求；
向所述云端服务器发送所述区域地图请求，所述地图请求条件包括所述车辆距离上一次的所述区域地图代表的区域的边界小于预设距离。
7.根据权利要求1-4中任一项所述的方法，其特征在于，所述全局地图为服务器中存储的所述车辆当前所在城市的城市地图。
8.一种运动轨迹生成方法，其特征在于，应用于云端服务器，所述方法包括：
接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息；
根据所述车辆位置信息从全局地图中截取区域地图，所述区域地图代表的区域为所述车辆未来行驶的区域，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
向所述车辆发送所述区域地图。
9.根据权利要求8所述的方法，其特征在于，所述根据所述车辆位置信息从全局地图中截取区域地图，包括：
根据所述区域地图请求中携带所述车辆的行驶速度信息，确定所述车辆的行驶方向上的截取长度；
基于所述车辆位置信息，根据所述截取长度从所述全局地图中截取所述区域地图。
10.根据权利要求8或9所述的方法，其特征在于，所述方法包括：
接收所述车辆发送的更新信息，所述更新信息是根据所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息生成的；
根据所述更新信息对所述区域地图进行更新，以将所述车辆在所述区域地图代表的区域内的车辆行驶信息以及所述车辆所处环境中道路参与者的行驶行为信息更新到所述全局地图中。
11.一种运动轨迹生成装置，其特征在于，应用于车辆，所述装置包括：
第一发送模块，被配置为向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息；
第一接收模块，被配置为接收所述云端服务器针对所述区域地图请求发送的区域地图，所述区域地图是根据所述车辆位置信息从全局地图中截取的，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
生成模块，被配置为根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹。
12.一种运动轨迹生成装置，其特征在于，应用于云端服务器，所述装置包括：
第二接收模块，被配置为接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息；
截取模块，被配置为根据所述车辆位置信息从全局地图中截取区域地图，所述区域地图代表的区域为所述车辆未来行驶的区域，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
第二发送模块，被配置为向所述车辆发送所述区域地图。
13.一种车辆控制器，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
向云端服务器发送区域地图请求，所述区域地图请求中包括所述车辆的车辆位置信息；
接收所述云端服务器针对所述区域地图请求发送的区域地图，所述区域地图是根据所述车辆位置信息从全局地图中截取的，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
根据所述车辆所处环境中当前周围车辆的行驶行为信息、所述环境的道路环境信息以及所述历史行驶行为信息，生成相应的运动轨迹。
14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
15.一种云端服务器，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
接收车辆发送的区域地图请求，所述区域地图请求中携带有所述车辆的车辆位置信息；
根据所述车辆位置信息从全局地图中截取区域地图，所述区域地图代表的区域为所述车辆未来行驶的区域，所述区域地图中包括所述区域地图代表的区域内的历史行驶行为信息；
向所述车辆发送所述区域地图。
16.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求8-10中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210303478.6A CN116834767A (zh) | 2022-03-24 | 2022-03-24 | 运动轨迹生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210303478.6A CN116834767A (zh) | 2022-03-24 | 2022-03-24 | 运动轨迹生成方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116834767A true CN116834767A (zh) | 2023-10-03 |
Family
ID=88158645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210303478.6A Pending CN116834767A (zh) | 2022-03-24 | 2022-03-24 | 运动轨迹生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116834767A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496476A (zh) * | 2024-01-02 | 2024-02-02 | 安徽蔚来智驾科技有限公司 | 路网生成方法、可读存储介质及智能设备 |
-
2022
- 2022-03-24 CN CN202210303478.6A patent/CN116834767A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117496476A (zh) * | 2024-01-02 | 2024-02-02 | 安徽蔚来智驾科技有限公司 | 路网生成方法、可读存储介质及智能设备 |
| CN117496476B (zh) * | 2024-01-02 | 2024-03-26 | 安徽蔚来智驾科技有限公司 | 路网生成方法、可读存储介质及智能设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11468581B2 (en) | Distance measurement method, intelligent control method, electronic device, and storage medium | |
| CN110349405B (zh) | 利用联网汽车的实时交通监视 | |
| CN108053690B (zh) | 识别行驶车道的方法、弯道预警方法、装置、介质及设备 | |
| CN114620072B (zh) | 车辆控制方法、装置、存储介质、电子设备及车辆 | |
| US11557206B2 (en) | Information provision system, server, and mobile terminal | |
| CN113442929A (zh) | 一种车辆控制方法、装置、设备和计算机可读存储介质 | |
| CN112092803B (zh) | 自动泊车方法和装置、介质、设备、车辆 | |
| CN111757288A (zh) | 道路交通环境中的感知基站及其消息发送方法、装置 | |
| CN113205088B (zh) | 障碍物图像展示方法、电子设备和计算机可读介质 | |
| CN114935334B (zh) | 车道拓扑关系的构建方法、装置、车辆、介质及芯片 | |
| CN114882464B (zh) | 多任务模型训练方法、多任务处理方法、装置及车辆 | |
| CN114419572B (zh) | 多雷达目标检测方法、装置、电子设备及存储介质 | |
| CN114764911A (zh) | 障碍物信息检测方法、装置、电子设备及存储介质 | |
| CN116834767A (zh) | 运动轨迹生成方法、装置、设备及存储介质 | |
| CN117827997A (zh) | 地图渲染方法、更新方法、装置及服务器 | |
| CN112857381A (zh) | 一种路径推荐方法、装置及可读介质 | |
| CN115170630B (zh) | 地图生成方法、装置、电子设备、车辆和存储介质 | |
| CN114880408A (zh) | 场景构建方法、装置、介质以及芯片 | |
| CN111785044B (zh) | 交通灯控制方法及装置 | |
| CN114550115A (zh) | 目标跟踪方法、装置、终端及存储介质 | |
| CN112148010A (zh) | 自动驾驶功能控制方法、装置、电子设备及存储介质 | |
| CN113450298B (zh) | 基于多传感器的视野图处理方法、装置和设备 | |
| CN114821511B (zh) | 杆体检测方法、装置、车辆、存储介质及芯片 | |
| CN118012030A (zh) | 路径规划方法、装置、车辆、存储介质和计算机程序产品 | |
| CN114633764A (zh) | 交通信号灯检测方法、装置、存储介质、电子设备及车辆 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |