CN116853295A - 一种障碍物轨迹预测方法、装置、设备和介质 - Google Patents
一种障碍物轨迹预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116853295A CN116853295A CN202310986025.2A CN202310986025A CN116853295A CN 116853295 A CN116853295 A CN 116853295A CN 202310986025 A CN202310986025 A CN 202310986025A CN 116853295 A CN116853295 A CN 116853295A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- target
- state information
- vehicle
- track
- 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 51
- 238000012216 screening Methods 0.000 claims abstract description 19
- 230000004888 barrier function Effects 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims description 40
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000004590 computer program Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000002452 interceptive effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 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
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- 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
- 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
- B60W50/0097—Predicting future conditions
-
- 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
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明实施例公开了一种障碍物轨迹预测方法、装置、设备和介质,该方法包括:获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息与自动驾驶轨迹以及候选障碍物的障碍物状态信息;将车辆状态信息、障碍物状态信息、自动驾驶轨迹和环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;目标障碍物是基于障碍物危险等级对候选障碍物进行筛选获得的;基于目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹,从而对候选障碍物进行筛选,获得对自动驾驶影响较大的目标障碍物,并仅对目标障碍物进行运动轨迹预测,进而保证不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
Description
技术领域
本发明实施例涉及车辆自动驾驶技术,尤其涉及一种障碍物轨迹预测方法、装置、设备和介质。
背景技术
随着技术的发展,汽车越来越智能化。智能驾驶车辆可以进行自动驾驶,以降低人为原因造成的交通事故发生率。在智能驾驶车辆进行自动驾驶的过程中,需要根据道路上的各种障碍物规划出最优的自动驾驶轨迹,以便安全的进行自动驾驶。
目前,在根据道路上的各种障碍物规划出最优的自动驾驶轨迹时,会单独针对道路上的每个障碍物进行运动轨迹预测。然而,这种全覆盖式的运动轨迹预测方式,会占用极大的计算资源,并降低运动轨迹预测的效率,导致智能驾驶车辆在自动驾驶时安全性下降。
发明内容
本发明实施例提供了一种障碍物轨迹预测方法、装置、设备和介质,以对候选障碍物进行筛选,获得对自动驾驶影响较大的目标障碍物,并仅对筛选获得的目标障碍物进行运动轨迹预测,从而可以保证不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
第一方面,本发明实施例提供了一种障碍物轨迹预测方法,包括:
获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、所述目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;所述候选障碍物是在所述目标车辆的预设识别范围内识别出的障碍物;
将所述车辆状态信息、所述障碍物状态信息、所述自动驾驶轨迹和所述环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;所述目标障碍物是基于障碍物危险等级对所述候选障碍物进行筛选获得的;
基于所述目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹。
第二方面,本发明实施例提供了一种障碍物轨迹预测装置,包括:
信息获取模块,用于获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、所述目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;所述候选障碍物是在所述目标车辆的预设识别范围内识别出的障碍物;
轨迹预测模块,用于将所述车辆状态信息、所述障碍物状态信息、所述自动驾驶轨迹和所述环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;所述目标障碍物是基于障碍物危险等级对所述候选障碍物进行筛选获得的;
目标运动轨迹获取模块,用于基于所述目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹。
本发明实施例的技术方案,通过获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、所述目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;所述候选障碍物是在所述目标车辆的预设识别范围内识别出的障碍物;将所述车辆状态信息、所述障碍物状态信息、所述自动驾驶轨迹和所述环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;所述目标障碍物是基于障碍物危险等级对所述候选障碍物进行筛选获得的;本发明实施例可以通过确定出的障碍物危险等级对候选障碍物进行筛选,获得对自动驾驶影响较大的目标障碍物,并仅对筛选后获得的目标障碍物进行运动轨迹预测,即基于所述目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹,从而可以保证在不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
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是本发明实施例一提供的一种障碍物轨迹预测方法的流程图;
图2是本发明实施例二提供的一种障碍物轨迹预测方法的流程图;
图3是本发明实施例二所涉及的一种障碍物危险等级划分的示例图;
图4是本发明实施例三提供的一种障碍物轨迹预测装置的结构示意图;
图5是实现本发明实施例的障碍物轨迹预测方法的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“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本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“具有”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障碍物轨迹预测方法的流程图,本实施例可适用于预测障碍物运动轨迹的情况,尤其适用于在自动驾驶时对障碍物运动轨迹进行预测的情况,该方法可以由障碍物轨迹预测装置来执行,该障碍物轨迹预测装置可以采用硬件和/或软件的形式实现,该障碍物轨迹预测装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;候选障碍物是在目标车辆的预设识别范围内识别出的障碍物。
其中,实际的道路通常可以分为结构化道路和非结构化道路。结构化道路可以是指具有清晰的道路标志线、道路的背景环境比较单一或道路的几何特征明显的道路。例如,结构化道路可以是但不限于高速公路或城市干道等结构化较好的道路。环境状态信息可以包括车道类型、是否靠近路口、是否远离路口或交通信号中至少一种。车辆状态信息可以包括车辆位置坐标、车速、加速度、航向角或自车编号中至少一种。障碍物状态信息包括:障碍物位置坐标、速度、加速度、航向角、障碍物类型和障碍物编号中至少一种。示例性地,车辆状态信息还可以包括历史车辆状态信息和当前车辆状态信息。障碍物状态信息还可以包括历史障碍物状态信息和当前障碍物状态信息。目标车辆是指可以进行自动驾驶的车辆。例如,目标车辆可以是但不限于智能驾驶车辆。候选障碍物可以是在目标车辆的预设识别范围内识别出的障碍物。例如,候选障碍物可以是但不限于通过障碍物识别传感器在可识别范围内进行障碍物识别时,识别出的障碍物。候选障碍物可以是但不限于行人、自行车、电动车和汽车。障碍物识别传感器可以是但不限于车载雷达或车载智能摄像头。
具体地,可以通过目标车辆上装配的各种类型的传感器分别采集目标车辆所行驶的结构化道路对应的环境状态信息和候选障碍物的障碍物状态信息,并将采集到的环境状态信息和障碍物状态信息存储到车载数据存储器中。车载数据存储器中还可以存储目标车辆的车辆状态信息和目标车辆的自动驾驶轨迹。可以从车载数据存储器中获取当前时刻和当前时刻的前预设时长内的历史时间段内的环境状态信息、车辆状态信息、自动驾驶轨迹和障碍物状态信息。例如,历史时间段可以是指在当前时刻前5秒内的时间段。历史车辆状态信息可以是指在历史时间段内目标车辆对应的车辆状态信息。当前车辆状态信息可以是指当前时刻目标车辆对应的车辆状态信息。历史障碍物状态信息可以是指在历史时间段内候选障碍物对应的障碍物状态信息。当前障碍物状态信息可以是指在当前时刻候选障碍物对应的障碍物状态信息。
S120、将车辆状态信息、障碍物状态信息、自动驾驶轨迹和环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;目标障碍物是基于障碍物危险等级对候选障碍物进行筛选获得的。
其中,目标预测网络模型可以是指预先训练好的用于进行障碍物运行轨迹预测的网络模型。目标障碍物是基于障碍物危险等级对候选障碍物进行筛选获得的。障碍物危险等级可以用于表征障碍物对目标车辆造成的影响。障碍物危险等级越高,该障碍物对目标车辆自动驾驶造成的影响越大。例如,可以将前两个障碍物危险等级中的障碍物确定为目标障碍物。
具体地,将车辆状态信息、障碍物状态信息、自动驾驶轨迹和环境状态信息输入到目标预测网络模型中,在目标预测网络模型中基于历史车辆状态信息、当前车辆状态信息、历史障碍物状态信息和当前障碍物状态信息对候选障碍物进行障碍物危险等级划分,获得每个障碍物危险等级对应的障碍物。分别对每个障碍物危险等级对应的障碍物进行相应障碍物危险等级的障碍物运动轨迹预测。
S130、基于目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹。
其中,目标运动轨迹可以是指目标障碍物进行障碍物运动轨迹预测后,目标预测网络模型输出的障碍物运动轨迹。目标运动轨迹可以是但不限于包含目标障碍物运动轨迹的图像,或包含目标障碍物运动轨迹的特征数据。
本发明实施例的技术方案,通过获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;候选障碍物是在目标车辆的预设识别范围内识别出的障碍物;将车辆状态信息、障碍物状态信息、自动驾驶轨迹和环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;目标障碍物是基于障碍物危险等级对候选障碍物进行筛选获得的;本发明实施例可以通过确定出的障碍物危险等级对候选障碍物进行筛选,获得对自动驾驶影响较大的目标障碍物,并仅对筛选后获得的目标障碍物进行运动轨迹预测,即基于目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹,从而可以保证在不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
在上述技术方案的基础上,该方法还包括:在获得目标障碍物对应的目标运动轨迹之后,若目标运动轨迹与自动驾驶轨迹之间存在交集,则基于目标运动轨迹对自动驾驶轨迹进行调整,获得调整后的自动驾驶轨迹,并基于调整后的自动驾驶轨迹进行驾驶;若目标运动轨迹与自动驾驶轨迹之间不存在交集,则基于目标车辆的自动驾驶轨迹继续进行驾驶。
其中,需要根据预测出的目标障碍物对应的目标运动轨迹,判断是否需要对目标车辆对应的自动驾驶轨迹进行调整。若存在至少一个目标运动轨迹与自动驾驶轨迹之间存在交集,表明目标车辆在自动驾驶过程中会和至少一个目标障碍物发生碰撞,则需要基于所有目标障碍物对应的目标运动轨迹对目标车辆原有的自动驾驶轨迹进行调整,获得调整后的不会和目标障碍物发生碰撞的自动驾驶轨迹,并基于调整后的自动驾驶轨迹进行自动驾驶。若目标运动轨迹与自动驾驶轨迹之间不存在交集,表明目标车辆在自动驾驶过程中会和所有目标障碍物均不会发生碰撞,则基于目标车辆原有的自动驾驶轨迹继续进行自动驾驶。
实施例二
图2为本发明实施例二提供的一种障碍物轨迹预测方法的流程图,本实施例在上述实施例的基础上,对确定目标障碍物和预测目标障碍物运动轨迹的过程进行了详细描述。其中与上述各实施例相同或相应的术语的解释在此不再赘述。如图2所示,该方法包括:
S210、获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;候选障碍物是在目标车辆的预设识别范围内识别出的障碍物。
S220、将车辆状态信息和障碍物状态信息输入至障碍物危险等级划分子模型,在障碍物危险等级划分子模型中进行障碍物危险等级划分,确定目标障碍物和目标障碍物状态信息。
其中,目标预测网络模型包括:障碍物危险等级划分子模型和障碍物轨迹预测子模型。障碍物危险等级划分子模型可以用于将候选障碍物按照不同危险等级进行划分。目标障碍物信息还可以包括历史目标障碍物信息和当前目标障碍物信息。
具体地,将车辆状态信息和障碍物状态信息输入至障碍物危险等级划分子模型,在障碍物危险等级划分子模型中可以基于车辆状态信息和障碍物状态信息确定目标车辆与每个候选障碍物之间的相对位置信息,并基于相对位置信息和障碍物危险等级与相对位置信息之间的对应关系,对每个候选障碍物进行障碍物危险等级划分,并将前预设数量的危险等级对应的候选障碍物确定为目标障碍物,并确定出目标障碍物对应的目标障碍物状态信息。例如,将第一危险等级对应的候选障碍物和第二危险等级对应的候选障碍物都确定为目标障碍物,并确定出目标障碍物对应的目标障碍物状态信息。本发明实施例通过车辆状态信息和障碍物状态信息对候选障碍物进行障碍物危险等级筛选,获得对自动驾驶影响较大的目标障碍物,缩小了待进行运动轨迹预测的障碍物的范围,并更准确地确定出目标障碍物,进一步保证在不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
S230、将目标障碍物状态信息、车辆状态信息、环境状态信息和自动驾驶轨迹输入至障碍物轨迹预测子模型进行目标障碍物运动轨迹预测。
具体地,将目标障碍物状态信息、车辆状态信息、环境状态信息和自动驾驶轨迹输入至障碍物轨迹预测子模型,在障碍物轨迹预测子模型中基于环境状态信息构建出仿真的结构化道路,并基于目标障碍物状态信息、车辆状态信息和仿真出的结构化道路对目标障碍物进行一段预设时长内的目标障碍物运动轨迹预测,从而仅对筛选后获得的目标障碍物进行运动轨迹预测,进一步保证在不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
S240、基于目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹。
本发明实施例的技术方案,通过将车辆状态信息和障碍物状态信息输入至障碍物危险等级划分子模型,在障碍物危险等级划分子模型中进行障碍物危险等级划分,确定目标障碍物和目标障碍物状态信息,从而通过车辆状态信息和障碍物状态信息对候选障碍物进行障碍物危险等级筛选,获得对自动驾驶影响较大的目标障碍物,缩小了待进行运动轨迹预测的障碍物的范围,并更准确地确定出目标障碍物。将目标障碍物状态信息、车辆状态信息、环境状态信息和自动驾驶轨迹输入至障碍物轨迹预测子模型进行目标障碍物运动轨迹预测,从而仅对筛选后获得的目标障碍物进行运动轨迹预测,进一步保证在不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
在上述技术方案的基础上,“在障碍物危险等级划分子模型中进行障碍物危险等级划分,确定目标障碍物和目标障碍物状态信息”可以包括:基于车辆状态信息、障碍物状态信息、第一危险等级半径和第二危险等级半径,确定目标车辆对应的第一障碍物、第一障碍物状态信息和第二障碍物;基于第一障碍物状态信息、障碍物状态信息、第一危险等级半径和第二危险等级半径,确定目标车辆对应的第三障碍物;基于第一障碍物、第二障碍物、第三障碍物和障碍物状态信息,确定目标障碍物和目标障碍物状态信息。
其中,第一危险等级半径可以是指最高障碍物危险等级所属范围边缘对应的半径。第二危险等级半径可以是指第二高碍物危险等级所属范围边缘对应的半径。第一障碍物可以是指危险等级最高的障碍物,即最高障碍物危险等级所属范围内的障碍物。第二障碍物可以是指危险等级第二高的障碍物。第三障碍物可以用于调整第一障碍物和第二障碍物是否划分准确。
具体地,基于车辆状态信息中目标车辆的位置坐标和第一危险等级半径确定出第一危险等级范围。基于车辆状态信息中目标车辆的位置坐标和第二危险等级半径确定候选第二危险等级范围。基于候选第二危险等级范围和第一危险等级范围确定第二危险等级范围。基于第一危险等级范围、第二危险等级范围和障碍物状态信息确定位于第一危险等级范围的第一障碍物、第一障碍物对应的第一障碍物状态信息、位于第二危险等级范围的第二障碍物和第二障碍物对应的第二障碍物状态信息。基于第一障碍物和第二障碍物组成目标障碍物,并基于第一障碍物状态信息和第二障碍物状态信息组成目标障碍物对应的目标障碍物状态信息,从而将障碍物更加细化,并可以对细化后的障碍物分别进行不同类型的运动轨迹预测,提高了运动轨迹预测的准确性,进一步保证障碍物不对自动驾驶造成影响。
在上述技术方案的基础上,“基于车辆状态信息、障碍物状态信息、第一危险等级半径和第二危险等级半径,确定目标车辆对应的第一障碍物、第一障碍物状态信息和第二障碍物”可以包括:基于车辆状态信息中的当前车辆坐标确定第一次障碍物危险等级划分对应的第一圆心,并基于第一圆心、第一危险等级半径和第二危险等级半径,确定第一危险等级范围和第二危险等级范围;基于每个障碍物状态信息和第一危险等级范围,确定位于第一危险等级范围内的第一障碍物和第一障碍物状态信息;基于每个障碍物状态信息和第二危险等级范围,确定位于第二危险等级范围内的第二障碍物。
其中,第一圆心可以是指第一危险等级范围的圆心和第二危险等级范围的同心圆圆心。图3给出了一种障碍物危险等级划分的示例图。参见图3,第一危险等级范围是圆形范围A,第二危险等级范围是同心圆环范围B,第四危险等级范围是第二危险等级范围B之外的范围D。图3中在目标车辆识别障碍物的范围内存在三个候选障碍物,分别为障碍物1、障碍物2和障碍物3。主车为目标车辆。第一圆心为主车所在位置。
具体地,基于车辆状态信息中的当前车辆坐标确定第一次障碍物危险等级划分对应的第一圆心。基于第一圆心和第一危险等级半径确定第一危险等级范围。基于第一圆心和第二危险等级半径确定候选第二危险等级范围,并基于候选第二危险等级范围和第一危险等级范围确定出第二危险等级范围。基于每个障碍物状态信息和第一危险等级范围,确定位于第一危险等级范围内的第一障碍物和第一障碍物状态信息,并基于每个障碍物状态信息和第二危险等级范围,确定位于第二危险等级范围内的第二障碍物。
示例性低,“基于第一障碍物状态信息、障碍物状态信息、第一危险等级半径和第二危险等级半径,确定目标车辆对应的第三障碍物”可以包括:基于第一障碍物状态信息中的当前障碍物坐标确定第二次障碍物危险等级划分对应的第二圆心,并基于第二圆心、第一危险等级半径和第二危险等级半径,确定第三危险等级范围;基于每个障碍物状态信息和第三危险等级范围,确定位于第三危险等级范围内的第三障碍物。参见图3,障碍物1的位置为第二圆心位置。第三危险等级范围是圆形范围C。
在上述技术方案的基础上,“基于第一障碍物、第二障碍物、第三障碍物和障碍物状态信息,确定目标障碍物和目标障碍物状态信息”可以包括:将第一障碍物和第三障碍物进行合并,确定属于第一危险等级的第四障碍物;基于第三障碍物对第二障碍物进行去重,确定属于第二危险等级的第五障碍物;基于第四障碍物和第五障碍物确定目标障碍物,并基于目标障碍物和障碍物状态信息,确定目标障碍物状态信息。
其中,第一障碍物与第二障碍物之间不存在交集。第三障碍物大概率与第一障碍物和/第二障碍物存在交集。这样设置的好处在于可以将第三障碍物中与第二障碍物重复的障碍物更新进第一障碍物中,并将更新后的第一障碍物确定为第四障碍物。在第二障碍物中删除已更新至第一障碍物中的障碍物,并将更新后的第二障碍物确定为第五障碍物,从而获得细化更新后的第四障碍物和第五障碍物,并对第四障碍物和第五障碍物分别进行不同类型的运行轨迹预测。进一步保证在不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
示例性地,参见图3,caution(警告)表示第一危险等级,normal(正常)表示第二危险等级,ignore(忽视)表示第四危险等级。表1给出了一种障碍物危险等级综合划分的示例,如下:
表1一种障碍物危险等级综合划分的示例
可见,图3中障碍物1对应的caution1可以理解为以主车为中心进行第一次障碍物危险等级划分后,将障碍物1划分为第一障碍物。障碍物3在第一次障碍物危险等级划分时,位于第二危险范围之外,故将障碍物3划分为ignore1。若综合划分结果中障碍物3仍未ignore,则不需要对障碍物3进行运行轨迹预测。
在本实施例中还可以将两次划分结果中每个障碍物对应的最高危险等级确定为该障碍物对应的综合划分结果。例如,以主车为中心的第一次危险等级划分确定caution、normal、ignore范围,同时在第一次危险等级划分时确定障碍物1的危险等级为caution1、障碍物2的危险等级为noamal1、障碍物3的危险等级为ignore1。将第一次危险等级划分后危险等级为caution1的障碍物1作为主体进行第二次为危险等级划分,以障碍物1为中心划分的caution、normal、ignore范围,同时在第二次危险等级划分时确定障碍物2为caution2、障碍物3为normal2。最终综合的障碍物危险等级划分结果为:障碍物1为caution、障碍物2为caution、障碍物3为normal。
在上述技术方案的基础上,S230可以包括:将第四障碍物状态信息和车辆状态信息输入至交互特征预测层,在交互特征预测层中进行交互特征预测,确定目标车辆与第四障碍物之间的交互特征;将交互特征、环境状态信息和自动驾驶轨迹输入至第一障碍物轨迹预测层中进行障碍物运行轨迹预测,获得预设时长内第四障碍物对应的第一运动轨迹;将第五障碍物状态信息和环境状态信息输入至第二障碍物轨迹预测层中进行障碍物运行轨迹预测,获得预设时长内第五障碍物对应的第二运动轨迹。
其中,障碍物轨迹预测子模型包括:交互特征预测层、第一障碍物轨迹预测层和第二障碍物轨迹预测层。交互特征可以是指障碍物的动作和障碍物的动作相互影响下做出的动作特征。例如,交互特征可以是但不限于障碍物加速会导致目标车辆减速和/或避让。具体地,沿用上例,针对危险等级为caution(第一危险等级)的障碍物,在交互特征预测层中确定目标车辆和第四障碍物之间的交互特征,同时将目标车辆的自动驾驶轨迹作为先验知识输入到第一障碍物轨迹预测层中对第四障碍物进行运动轨迹预测。针对危险等级为normal(第二危险等级)的障碍物,不进行目标车辆和第五障碍物之间的交互特征获取,也不将目标车辆的自动驾驶轨迹作作为先验知识,仅将第五障碍物状态信息中的历史第五障碍物状态信息和当前第五障碍物状态信息输入到第二障碍物轨迹预测层对第五障碍物进行运行轨迹预测。针对危险等级为ignore的障碍物同静态障碍物一样不进行障碍物运动轨迹预测。
在上述技术方案的基础上,“在交互特征预测层中进行交互特征预测,确定目标车辆与第四障碍物之间的交互特征”可以包括:基于第四障碍物状态信息、车辆状态信息以及预设交互特征与状态信息之间的对应关系,确定目标车辆与第四障碍物之间的交互特征。
其中,沿用上例,针对危险等级为caution的障碍物,根据目标车辆的历史车辆状态信息、当前车辆状态信息、第四障碍物的历史第四障碍物状态信息和当前第四障碍物状态信息,获取目标车辆和第四障碍物之间的交互特征。
本发明实施例基于深度学习将目标车辆和障碍物视为有关联的整体,即考虑目标车辆与障碍物之间的交互关系和各个障碍物之间的交互关系,如车辆与车辆之间的交互关系、车辆与行人之间的交互关系、行人与行人之间的交互关系等,这些障碍物之间的交互关系都会影响到障碍物本身的轨迹变化,本发明实施例在障碍物运行轨迹预测时考虑到了交互关系,从而提高障碍物运动轨迹的预测准确性,进一步保证自动驾驶安全。
以下是本发明实施例提供的障碍物轨迹预测装置的实施例,该装置与上述各实施例的障碍物轨迹预测方法属于同一个发明构思,在障碍物轨迹预测装置的实施例中未详尽描述的细节内容,可以参考上述障碍物轨迹预测方法的实施例。
实施例三
图4为本发明实施例三提供的一种障碍物轨迹预测装置的结构示意图。如图4所示,该装置包括:信息获取模块310、轨迹预测模块320和目标运动轨迹获取模块330。
其中,信息获取模块310,用于获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;候选障碍物是在目标车辆的预设识别范围内识别出的障碍物;轨迹预测模块320,用于将车辆状态信息、障碍物状态信息、自动驾驶轨迹和环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;目标障碍物是基于障碍物危险等级对候选障碍物进行筛选获得的;目标运动轨迹获取模块330,用于基于目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹。
本发明实施例的技术方案,通过获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;候选障碍物是在目标车辆的预设识别范围内识别出的障碍物;将车辆状态信息、障碍物状态信息、自动驾驶轨迹和环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;目标障碍物是基于障碍物危险等级对候选障碍物进行筛选获得的;本发明实施例可以通过确定出的障碍物危险等级对候选障碍物进行筛选,获得对自动驾驶影响较大的目标障碍物,并仅对筛选后获得的目标障碍物进行运动轨迹预测,即基于目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹,从而可以保证在不对自动驾驶造成影响的同时,节约计算资源,提高运动轨迹预测效率。
可选地,环境状态信息包括:车道类型、是否靠近路口、是否远离路口或交通信号中至少一种;车辆状态信息包括:车辆位置坐标、车速、加速度、航向角或自车编号中至少一种;障碍物状态信息包括:障碍物位置坐标、速度、加速度、航向角、障碍物类型和障碍物编号中至少一种。
可选地,目标预测网络模型包括:障碍物危险等级划分子模型和障碍物轨迹预测子模型;
轨迹预测模块320,可以包括:
目标障碍物状态信息确定子模块,用于将车辆状态信息和障碍物状态信息输入至障碍物危险等级划分子模型,在障碍物危险等级划分子模型中进行障碍物危险等级划分,确定目标障碍物和目标障碍物状态信息;
目标障碍物运动轨迹预测子模块,用于将目标障碍物状态信息、车辆状态信息、环境状态信息和自动驾驶轨迹输入至障碍物轨迹预测子模型进行目标障碍物运动轨迹预测。
可选地,目标障碍物状态信息确定子模块,可以包括:
第一障碍物状态信息确定单元,用于基于车辆状态信息、障碍物状态信息、第一危险等级半径和第二危险等级半径,确定目标车辆对应的第一障碍物、第一障碍物状态信息和第二障碍物;
第三障碍物确定单元,用于基于第一障碍物状态信息、障碍物状态信息、第一危险等级半径和第二危险等级半径,确定目标车辆对应的第三障碍物;
目标障碍物状态信息确定单元,用于基于第一障碍物、第二障碍物、第三障碍物和障碍物状态信息,确定目标障碍物和目标障碍物状态信息。
可选地,第一障碍物状态信息确定单元具体用于:基于车辆状态信息中的当前车辆坐标确定第一次障碍物危险等级划分对应的第一圆心,并基于第一圆心、第一危险等级半径和第二危险等级半径,确定第一危险等级范围和第二危险等级范围;基于每个障碍物状态信息和第一危险等级范围,确定位于第一危险等级范围内的第一障碍物和第一障碍物状态信息;基于每个障碍物状态信息和第二危险等级范围,确定位于第二危险等级范围内的第二障碍物。
可选地,目标障碍物状态信息确定单元具体用于:将第一障碍物和第三障碍物进行合并,确定属于第一危险等级的第四障碍物;基于第三障碍物对第二障碍物进行去重,确定属于第二危险等级的第五障碍物;基于第四障碍物和第五障碍物确定目标障碍物,并基于目标障碍物和障碍物状态信息,确定目标障碍物状态信息。
可选地,障碍物轨迹预测子模型包括:交互特征预测层、第一障碍物轨迹预测层和第二障碍物轨迹预测层;
目标障碍物运动轨迹预测子模块,可以包括:
交互特征确定单元,用于将第四障碍物状态信息和车辆状态信息输入至交互特征预测层,在交互特征预测层中进行交互特征预测,确定目标车辆与第四障碍物之间的交互特征;
第一运动轨迹预测单元,用于将交互特征、环境状态信息和自动驾驶轨迹输入至第一障碍物轨迹预测层中进行障碍物运行轨迹预测,获得预设时长内第四障碍物对应的第一运动轨迹;
第二运动轨迹预测单元,用于将第五障碍物状态信息和环境状态信息输入至第二障碍物轨迹预测层中进行障碍物运行轨迹预测,获得预设时长内第五障碍物对应的第二运动轨迹。
可选地,交互特征确定单元具体用于:基于第四障碍物状态信息、车辆状态信息以及预设交互特征与状态信息之间的对应关系,确定目标车辆与第四障碍物之间的交互特征。
可选地,该装置还包括:
自动驾驶轨迹调整模块,用于在获得目标障碍物对应的目标运动轨迹之后,若目标运动轨迹与自动驾驶轨迹之间存在交集,则基于目标运动轨迹对自动驾驶轨迹进行调整,获得调整后的自动驾驶轨迹,并基于调整后的自动驾驶轨迹进行驾驶;
自动驾驶模块,用于若目标运动轨迹与自动驾驶轨迹之间不存在交集,则基于目标车辆的自动驾驶轨迹继续进行驾驶。
本发明实施例所提供的障碍物轨迹预测装置可执行本发明任意实施例所提供的障碍物轨迹预测方法,具备执行障碍物轨迹预测方法相应的功能模块和有益效果。
值得注意的是,上述障碍物轨迹预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图5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5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,例如障碍物轨迹预测方法。
在一些实施例中,障碍物轨迹预测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障碍物轨迹预测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)而被配置为执行障碍物轨迹预测方法。
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)
1.一种障碍物轨迹预测方法,其特征在于,包括:
获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、所述目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;所述候选障碍物是在所述目标车辆的预设识别范围内识别出的障碍物;
将所述车辆状态信息、所述障碍物状态信息、所述自动驾驶轨迹和所述环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;所述目标障碍物是基于障碍物危险等级对所述候选障碍物进行筛选获得的;
基于所述目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹。
2.根据权利要求1所述的方法,其特征在于,所述环境状态信息包括:车道类型、是否靠近路口、是否远离路口或交通信号中至少一种;
所述车辆状态信息包括:车辆位置坐标、车速、加速度、航向角或自车编号中至少一种;
所述障碍物状态信息包括:障碍物位置坐标、速度、加速度、航向角、障碍物类型和障碍物编号中至少一种。
3.根据权利要求1所述的方法,其特征在于,所述目标预测网络模型包括:障碍物危险等级划分子模型和障碍物轨迹预测子模型;
所述将所述车辆状态信息、所述障碍物状态信息、所述自动驾驶轨迹和所述环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测,包括:
将所述车辆状态信息和所述障碍物状态信息输入至所述障碍物危险等级划分子模型,在所述障碍物危险等级划分子模型中进行障碍物危险等级划分,确定目标障碍物和目标障碍物状态信息;
将所述目标障碍物状态信息、所述车辆状态信息、所述环境状态信息和所述自动驾驶轨迹输入至所述障碍物轨迹预测子模型进行目标障碍物运动轨迹预测。
4.根据权利要求3所述的方法,其特征在于,所述在所述障碍物危险等级划分子模型中进行障碍物危险等级划分,确定目标障碍物和目标障碍物状态信息,包括:
基于所述车辆状态信息、所述障碍物状态信息、第一危险等级半径和第二危险等级半径,确定所述目标车辆对应的第一障碍物、第一障碍物状态信息和第二障碍物;
基于所述第一障碍物状态信息、所述障碍物状态信息、所述第一危险等级半径和所述第二危险等级半径,确定所述目标车辆对应的第三障碍物;
基于所述第一障碍物、所述第二障碍物、所述第三障碍物和所述障碍物状态信息,确定目标障碍物和目标障碍物状态信息。
5.根据权利要求4所述的方法,其特征在于,所述基于所述车辆状态信息、所述障碍物状态信息、第一危险等级半径和第二危险等级半径,确定所述目标车辆对应的第一障碍物、第一障碍物状态信息和第二障碍物,包括:
基于所述车辆状态信息中的当前车辆坐标确定第一次障碍物危险等级划分对应的第一圆心,并基于所述第一圆心、第一危险等级半径和第二危险等级半径,确定第一危险等级范围和第二危险等级范围;
基于每个所述障碍物状态信息和所述第一危险等级范围,确定位于所述第一危险等级范围内的第一障碍物和第一障碍物状态信息;
基于每个所述障碍物状态信息和所述第二危险等级范围,确定位于所述第二危险等级范围内的第二障碍物。
6.根据权利要求4所述的方法,其特征在于,所述基于所述第一障碍物、所述第二障碍物、所述第三障碍物和所述障碍物状态信息,确定目标障碍物和目标障碍物状态信息,包括:
将所述第一障碍物和所述第三障碍物进行合并,确定属于第一危险等级的第四障碍物;
基于所述第三障碍物对所述第二障碍物进行去重,确定属于第二危险等级的第五障碍物;
基于所述第四障碍物和所述第五障碍物确定目标障碍物,并基于所述目标障碍物和所述障碍物状态信息,确定目标障碍物状态信息。
7.根据权利要求3所述的方法,其特征在于,所述障碍物轨迹预测子模型包括:交互特征预测层、第一障碍物轨迹预测层和第二障碍物轨迹预测层;
所述将所述目标障碍物状态信息、所述车辆状态信息、所述环境状态信息和所述自动驾驶轨迹输入至所述障碍物轨迹预测子模型进行目标障碍物运动轨迹预测,包括:
将第四障碍物状态信息和所述车辆状态信息输入至所述交互特征预测层,在所述交互特征预测层中进行交互特征预测,确定所述目标车辆与第四障碍物之间的交互特征;
将所述交互特征、所述环境状态信息和所述自动驾驶轨迹输入至所述第一障碍物轨迹预测层中进行障碍物运行轨迹预测,获得预设时长内所述第四障碍物对应的第一运动轨迹;
将第五障碍物状态信息和所述环境状态信息输入至所述第二障碍物轨迹预测层中进行障碍物运行轨迹预测,获得预设时长内所述第五障碍物对应的第二运动轨迹。
8.根据权利要求7所述的方法,其特征在于,所述在所述交互特征预测层中进行交互特征预测,确定所述目标车辆与第四障碍物之间的交互特征,包括:
基于第四障碍物状态信息、所述车辆状态信息以及预设交互特征与状态信息之间的对应关系,确定所述目标车辆与第四障碍物之间的交互特征。
9.根据权利要求1所述的方法,其特征在于,在获得目标障碍物对应的目标运动轨迹之后,所述方法还包括:
若所述目标运动轨迹与所述自动驾驶轨迹之间存在交集,则基于所述目标运动轨迹对所述自动驾驶轨迹进行调整,获得调整后的自动驾驶轨迹,并基于调整后的自动驾驶轨迹进行驾驶;
若所述目标运动轨迹与所述自动驾驶轨迹之间不存在交集,则基于所述目标车辆的自动驾驶轨迹继续进行驾驶。
10.一种障碍物轨迹预测装置,其特征在于,包括:
信息获取模块,用于获取结构化道路对应的环境状态信息、目标车辆的车辆状态信息、所述目标车辆的自动驾驶轨迹和候选障碍物的障碍物状态信息;所述候选障碍物是在所述目标车辆的预设识别范围内识别出的障碍物;
轨迹预测模块,用于将所述车辆状态信息、所述障碍物状态信息、所述自动驾驶轨迹和所述环境状态信息输入到目标预测网络模型中进行目标障碍物的确定和目标障碍物运动轨迹预测;所述目标障碍物是基于障碍物危险等级对所述候选障碍物进行筛选获得的;
目标运动轨迹获取模块,用于基于所述目标预测网络模型的输出,获得目标障碍物对应的目标运动轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986025.2A CN116853295A (zh) | 2023-08-07 | 2023-08-07 | 一种障碍物轨迹预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986025.2A CN116853295A (zh) | 2023-08-07 | 2023-08-07 | 一种障碍物轨迹预测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116853295A true CN116853295A (zh) | 2023-10-10 |
Family
ID=88230623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310986025.2A Pending CN116853295A (zh) | 2023-08-07 | 2023-08-07 | 一种障碍物轨迹预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116853295A (zh) |
-
2023
- 2023-08-07 CN CN202310986025.2A patent/CN116853295A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111739344B (zh) | 一种预警方法、装置及电子设备 | |
CN113741485A (zh) | 车路协同自动驾驶的控制方法、装置、电子设备及车辆 | |
CN115909749B (zh) | 车辆运行道路风险预警方法、装置、设备及存储介质 | |
CN115221722B (zh) | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 | |
CN112818792A (zh) | 车道线检测方法、装置、电子设备及计算机存储介质 | |
CN116767281A (zh) | 一种辅助驾驶方法、装置、设备、车辆和介质 | |
CN115675534A (zh) | 车辆轨迹预测方法、装置、电子设备及存储介质 | |
CN116499487B (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN117168488A (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN116295496A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN115923780A (zh) | 车辆夜间避撞保护方法、装置、电子设备及存储介质 | |
CN116358584A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN114379587B (zh) | 自动驾驶中避让行人的方法与装置 | |
CN114582125B (zh) | 道路通行方向的识别的方法、装置、设备及存储介质 | |
CN115909813A (zh) | 一种车辆碰撞预警方法、装置、设备及存储介质 | |
CN116853295A (zh) | 一种障碍物轨迹预测方法、装置、设备和介质 | |
CN115817466A (zh) | 一种碰撞风险评估方法及装置 | |
CN115285128A (zh) | 一种危险目标的确定方法、装置、设备及存储介质 | |
CN115214722A (zh) | 自动驾驶方法、装置、电子设备、存储介质及车辆 | |
CN114333416A (zh) | 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆 | |
CN114715151A (zh) | 车辆控制方法、装置、电子设备、介质和自动驾驶车辆 | |
CN111524389A (zh) | 车辆驾驶方法和装置 | |
CN115880946B (zh) | 一种跟车警报方法、装置、设备及存储介质 | |
CN114030483B (zh) | 车辆控制方法、装置、电子设备和介质 | |
CN114590248B (zh) | 行驶策略的确定方法、装置、电子设备和自动驾驶车辆 |
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 |