CN116890881B - 一种车辆变道决策生成方法及装置、电子设备和存储介质 - Google Patents
一种车辆变道决策生成方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116890881B CN116890881B CN202311160719.7A CN202311160719A CN116890881B CN 116890881 B CN116890881 B CN 116890881B CN 202311160719 A CN202311160719 A CN 202311160719A CN 116890881 B CN116890881 B CN 116890881B
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- training
- lane change
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims description 133
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation 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
-
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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)
- Traffic Control Systems (AREA)
Abstract
本公开涉及人工智能技术领域,尤其涉及一种车辆变道决策生成方法及装置、电子设备和存储介质,包括:获取目标车辆在多个第一历史时刻分别对应的各第一特征;利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征;根据所述第二特征,得到所述目标车辆的变道决策标签的评分结果,所述变道决策标签包括:向左变道、向右变道和不变道;根据所述评分结果,确定所述目标车辆在当前时刻的变道决策。本公开实施例能够更加准确地表达车辆周围特征的空间位置关系和时间相关性,使得主动变道决策中第一特征和变道决策之间的非线性关系表达更加充分,从而提高了生成的变道决策的准确性和灵活性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种车辆变道决策生成方法及装置、电子设备和存储介质。
背景技术
汽车变道是日常驾驶中的一个重要场景,不合理、不合时的变道往往是造成交通拥堵,甚至发生交通事故的重要原因。同时,主动变道是高级别无人驾驶中的一个重要场景,因此,合理、合时的主动变道对于提高无人驾驶等级和道路交通效率、安全性都具有重要意义。
现有的主动变道决策技术,变道决策的准确性和灵活性较低,无法满足高级别无人驾驶的需求。
发明内容
有鉴于此,本公开提出了一种车辆变道决策生成技术方案。
根据本公开的一方面,提供了一种车辆变道决策生成方法,包括:
获取目标车辆在多个第一历史时刻分别对应的各第一特征;
利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征;
根据所述第二特征,得到所述目标车辆的变道决策标签的评分结果,所述变道决策标签包括:向左变道、向右变道和不变道;
根据所述评分结果,确定所述目标车辆在当前时刻的变道决策。
在一种可能的实现方式中,所述利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征,包括:
将所述第一特征映射到预设数量的低维特征空间,得到第一低维特征;
利用注意力模块,将各个低维特征空间中的所述第一低维特征分别进行编码,得到编码后的各第二低维特征;
将所述第二低维特征进行融合,得到融合特征;
将所述融合特征投影回高维特征空间,得到所述第二特征。
在一种可能的实现方式中,所述将所述第一特征映射到预设数量的低维特征空间,得到第一低维特征,包括:
根据所述第一特征的类型的数量,确定所述预设数量。
在一种可能的实现方式中,所述方法还包括:
根据所述各第一特征对应的历史时刻,得到所述第一特征的位置信息;
根据所述历史时刻和所述当前时刻,确定所述位置信息的修正值,所述修正值与所述历史时刻和所述当前时刻之间的时长成正比;
所述利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征,包括:
对所述各第一特征进行编码,得到注意力矩阵;
根据所述修正值,对所述注意力矩阵进行修正,得到修正后注意力矩阵;
根据所述修正后注意力矩阵,确定所述第二特征。
在一种可能的实现方式中,所述第一特征,包括下述至少一种:
目标车辆与当前车道前方车辆之间的距离;目标车辆与相邻车道前方车辆之间的距离;目标车辆与相邻车道后方车辆之间的距离;目标车辆的行驶速度;目标车辆的侧向速度;当前车道前方车辆的速度;相邻车道前方车辆的速度;相邻车道后方车辆的速度。
根据本公开的另一方面,提供了一种车辆变道决策生成方法,所述方法基于注意力模块实现,所述注意力模块的训练过程,包括:
获取训练车辆在多个第二历史时刻的各第一训练特征;
利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征;
根据所述第二训练特征,得到所述训练车辆的变道决策标签的训练评分结果;
根据所述训练评分结果,得到预测变道决策;
根据所述预测变道决策和实际变道决策,对所述注意力模块进行训练。
在一种可能的实现方式中,所述注意力模块的训练过程,包括:
根据所述第一训练特征对所述训练评分结果准确度的影响程度,从所述第一训练特征中,确定预设数量的简化特征;
所述利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征,包括:
利用注意力模块,基于所述各简化特征之间的相关性对所述各简化特征进行编码,得到编码后的所述第二训练特征。
根据本公开的一方面,提供了一种车辆变道决策生成装置,所述装置包括注意力模块,所述注意力模块包括输入子模块、编码器子模块和输出子模块;
所述输入子模块包括嵌入层和位置编码层,所述嵌入层将第一特征进行向量化,并扩展到所需维数,所述位置编码层对第一特征进行位置编码,所述第一特征为目标车辆在多个第一历史时刻分别对应的各特征;
所述编码器子模块与所述输入子模块相连,包括注意力编码模块和融合及归一化模块,所述注意力编码模块基于注意力机制对向量化后的第一特征和位置编码进行编码,所述融合及归一化模块对编码后的特征进行融合和归一化处理,得到融合特征;
所述输出子模块与所述编码器子模块相连,包括全连接层、归一化层和评分结果输出层,所述全连接层将融合特征投影到与向量化的第一特征的维数相同的高维特征空间,得到第二特征;所述归一化层对第二特征进行归一化处理;所述评分结果输出层,根据归一化后的第二特征,输出所述目标车辆的变道决策标签的评分结果。
根据本公开的一方面,提供了一种车辆变道决策生成装置,包括:
获取单元,用于获取目标车辆在多个第一历史时刻分别对应的各第一特征;
编码单元,用于利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征;
评分单元,用于根据所述第二特征,得到所述目标车辆的变道决策标签的评分结果,所述变道决策标签包括:向左变道、向右变道和不变道;
决策单元,用于根据所述评分结果,确定所述目标车辆在当前时刻的变道决策。
在一种可能的实现方式中,所述编码单元,用于:
将所述第一特征映射到预设数量的低维特征空间,得到第一低维特征;
利用注意力模块,将各个低维特征空间中的所述第一低维特征分别进行编码,得到编码后的各第二低维特征;
将所述第二低维特征进行融合,得到融合特征;
将所述融合特征投影回高维特征空间,得到所述第二特征。
在一种可能的实现方式中,所述编码单元,用于根据所述第一特征的类型的数量,确定所述预设数量。
在一种可能的实现方式中,所述装置还包括:
位置信息确定模块,用于根据所述各第一特征对应的历史时刻,得到所述第一特征的位置信息;
修正值确定模块,用于根据所述历史时刻和所述当前时刻,确定所述位置信息的修正值,所述修正值与所述历史时刻和所述当前时刻之间的时长成正比;
所述编码单元,用于对所述各第一特征进行编码,得到注意力矩阵;根据所述修正值,对所述注意力矩阵进行修正,得到修正后注意力矩阵;根据所述修正后注意力矩阵,确定所述第二特征。
在一种可能的实现方式中,所述第一特征,包括下述至少一种:
目标车辆与当前车道前方车辆之间的距离;目标车辆与相邻车道前方车辆之间的距离;目标车辆与相邻车道后方车辆之间的距离;目标车辆的行驶速度;目标车辆的侧向速度;当前车道前方车辆的速度;相邻车道前方车辆的速度;相邻车道后方车辆的速度。
根据本公开的另一方面,提供了一种车辆变道决策生成装置,所述装置基于注意力模块实现,所述装置用于对注意力模块进行训练,所述装置包括:
训练特征获取单元,用于获取训练车辆在多个第二历史时刻的各第一训练特征;
训练特征编码单元,用于利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征;
训练评分单元,用于根据所述第二训练特征,得到所述训练车辆的变道决策标签的训练评分结果;
训练结果确定单元,用于根据所述训练评分结果,得到预测变道决策;
注意力模块修正单元,用于根据所述预测变道决策和实际变道决策,对所述注意力模块进行训练。
在一种可能的实现方式中,所述装置还包括:
简化特征确定单元,用于根据所述第一训练特征对所述训练评分结果准确度的影响程度,从所述第一训练特征中,确定预设数量的简化特征;
所述训练特征编码单元,用于利用注意力模块,基于所述各简化特征之间的相关性对所述各简化特征进行编码,得到编码后的所述第二训练特征。
根据本公开的另一方面,提供了一种车辆变道决策生成装置,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在执行所述存储器存储的指令时,实现上述方法。
根据本公开的另一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
在本公开实施例中,通过获取目标车辆在多个第一历史时刻分别对应的各第一特征,利用注意力模块,进行不同历史时刻的各第一特征的编码,进而根据编码得到的第二特征,得到目标车辆的变道决策。由于注意力模块可以较好捕捉较长时间序列上的相关性,该过程通过注意力模块的编码,能够更加准确地表达车辆周围特征的空间位置关系和时间相关性,使得主动变道决策中第一特征和变道决策之间的非线性关系表达更加充分,从而提高了生成的变道决策的准确性和灵活性。
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,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开实施例的车辆变道决策生成方法的流程图。
图2示出根据本公开实施例的变道样本的提取流程图。
图3示出根据本公开实施例的一种车辆变道决策生成装置的框图。
图4示出根据本公开实施例的一种车辆变道决策生成装置的框图。
图5示出根据本公开实施例的一种用于车辆变道决策的装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
主动变道决策技术主要有基于规则和基于机器学习这两大类。
基于规则的变道决策技术,通过考虑变道的可行性、必要性、倾向性等因素,获得“变道收益”和驾驶员的“不满意度”等参数,并根据设定的阈值和规则产生变道决策。由于设定的规则比较固定,因此,在动态、复杂场景下,基于规则的变道决策技术,表现不够灵活,无法获得较优的变道决策。
基于机器学习的变道决策技术,通过大量数据训练的方式,采用传统机器学习方法(如支持向量机)和深度学习模型(如长短时记忆神经网络)等,来对变道决策结果和影响变道决策的多参数之间的非线性关系进行建模。由于基于机器学习的变道决策模型,对变道决策过程中的多参数和非线性特征表征不充分,在空间上对无人驾驶车辆与周围车辆之间的交互关系建模能力不足,在时间上对长时间依赖效果较差,因此,基于机器学习的变道决策技术,得到的变道决策精度较差。
无人驾驶的分级标准是指对无人驾驶技术的等级进行划分,以便于对无人驾驶车辆的管理和监管。目前,国际上通行的无人驾驶分级标准主要是由美国国家公路交通安全管理局(NHTSA)制定的,包括了六个等级,分别是:
0级:该级别表示车辆完全由人类驾驶,没有自动化功能;
1级:该级别表示车辆能够进行某些自动化操作,如自动刹车、自动巡航等,但驾驶员必须时刻掌握车辆的控制权;
2级:该级别表示车辆能够进行更多的自动化操作,如自动泊车、自动变道等,但驾驶员仍需要时刻准备接管车辆;
3级:该级别表示车辆能够在某些情况下完全自主驾驶,但仍需要驾驶员在必要时接管车辆;
4级:该级别表示车辆能够在大部分情况下完全自主驾驶,但仍需要驾驶员在极端情况下接管车辆;
5级:该级别表示车辆完全能够自主驾驶,没有任何人类干预的需求。自动驾驶的最高级别是完全意义的无人驾驶。
可以看出,随着无人驾驶的级别升高,对无人驾驶过程中所作出的变道决策的准确性和灵活性要求也随之升高。而当前的基于规则的变道决策技术和基于机器学习的变道决策技术,都无法满足高级别的无人驾驶的变道决策需求。
图1示出根据本公开实施例的车辆变道决策生成方法的流程图,该方法可以应用于车辆变道决策生成装置,车辆变道决策生成装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中,该车辆变道决策生成方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,所述车辆变道决策生成方法可以包括:
在步骤S11中,获取目标车辆在多个第一历史时刻分别对应的各第一特征。
在步骤S12中,利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征。
在步骤S13中,根据所述第二特征,得到所述目标车辆的变道决策标签的评分结果,所述变道决策标签包括:向左变道、向右变道和不变道。
在步骤S14中,根据所述评分结果,确定所述目标车辆在当前时刻的变道决策。
其中,目标车辆为需要做出变道决策的无人驾驶车辆。第一特征是做出变道决策的时刻之前的目标车辆和周围车辆的用于评估车辆变道决策的数据,具体的,第一特征可以包括目标车辆的行驶速度、相邻车道(包括左、右两条车道)中目标车辆的前方和/或后方车辆的行驶速度等。在一示例中,可以从目标车辆和周围车辆的各种数据中,根据数据是否对变道决策产生影响,从各种数据中筛选出第一特征。表1为已筛选出的影响车辆变道决策的特征变量(第一特征):
表1 影响车辆换道决策的特征变量
具体的,第一特征,可以包括下述至少一种:
目标车辆与当前车道前方车辆之间的距离;目标车辆与相邻车道前方车辆之间的距离;目标车辆与相邻车道后方车辆之间的距离;目标车辆的行驶速度;目标车辆的侧向速度;当前车道前方车辆的速度;相邻车道前方车辆的速度;相邻车道后方车辆的速度。
本公开中的上述第一特征,为对变道决策产生影响的数据,通过上述第一特征,能够在减少变道决策生成过程中的计算量的同时,得到准确度较高的变道决策。
在获取与变道决策的生成密切相关的第一特征后,目标车辆可以基于第一特征,做出变道决策。在一示例中,可以利用注意力模块,基于上述各个第一特征之间的相关性,对各个第一特征进行编码,得到第二特征,进而根据第二特征,生成变道决策。具体的,所述注意力模块可以包括输入子模块、编码器子模块、输出子模块。
其中,输入子模块可以包括嵌入层和位置编码层。具体的,嵌入层可以将第一特征进行向量化,并扩展到所需维数,例如512维;位置编码层可以通过下面的公式(1)和公式(2)实现各第一特征的位置编码。进一步的,将向量化后的第一特征和位置编码相加后,输入编码器子模块。
公式(1)
公式(2)
其中,表示t时刻的位置编码,整个是一个二维矩阵,其中一维表示特征数据
(第一特征)的长度,另一维表示特征维度D,在一个示例中,D=512,d表示的是D中的第d个维
度,d从0取到D-1。其中,第d个维度的特征通过公式(2)确定,当d的值为基数和偶数的情
况下,分别通过不同的三角函数进行确定。
编码器子模块可以使用注意力机制对向量化后的第一特征和位置编码进行编码,得到各第一特征对应的权重向量、查询向量和价值向量。该编码器子模块使用注意力机制进行运算,实现了目标车辆在不同历史时刻的各个第一特征之间相关程度的打分,进而弱化了不相干的部分。在一示例中,编码器子模块可以包括N个相同的编码器。具体的,可以在注意力模块的训练过程中,根据输入数据量的大小来调整N的数值,进而调整注意力模型的复杂度,选择合适的N的数值。在一示例中,可以使N=8。
具体的,注意力模块可以快速扫描全局信息,获得需要重点关注的目标区域信息之后,对重要的信息投入更多注意力资源,从而提取关键的细节信息,同时抑制其他无用信息,进而显著地提高变道决策生成的效率与准确性。
其中,编码器子模块中的注意力机制可以为基于多头的注意力机制。在一种可能的实现方式中,所述利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征,包括:
将所述第一特征映射到预设数量的低维特征空间,得到第一低维特征;
利用注意力模块,将各个低维特征空间中的所述第一低维特征分别进行编码,得到编码后的各第二低维特征;
将所述第二低维特征进行融合,得到融合特征;
将所述融合特征投影回高维特征空间,得到所述第二特征。
具体的,可以先获取向量化后的各第一特征的权重向量、查询向量和价值向量,进而可以将相同的权重向量、查询向量和价值向量,分别投影到不同的低维特征空间中学习不同的特征,最后将得到的不同的特征组合起来。
所述低维特征空间的维数,根据所述预设数量和所述第一特征的维数确定;所述高维特征空间的维数与所述第一特征的维数相同。在一示例中,可以设置预设数量的低维特征空间,且各个低维特征空间的维数相同。其中,低维特征空间的维数可以根据向量化后的第一特征的维数和预设数量得到。具体的,可以将第一特征的维数与预设数量相除,得到低维特征空间的维数。在一种可能的实现方式中,所述将所述第一特征映射到预设数量的低维特征空间,得到第一低维特征,包括:
根据所述第一特征的类型的数量,确定所述预设数量。
其中,第一特征类型的数量可以根据输入数据的数据量的大小进行确定。在一示例中,当数据量较大时,可以确定与变道决策最密切相关的类型的第一特征,以较小的数据量,来尽快确定变道决策;当数据量较小时,可以将与变道决策相关的全部类型的第一特征,均纳入变道决策生成的计算中,以提高变道决策的精确度。
进一步的,可以将第一特征的类型的数量,作为了低维特征空间的数量,即,将多头注意力机制中的头的数量确定为第一特征的类型数量。通过将第一特征的类型的数量,作为了低维特征空间的数量,能够在提高准确率的同时、提升运算速度。
在本公开实施例中,通过多个低维特征空间,实现了各第一特征在不同低维特征空间的数据关联度的挖掘,进而根据挖掘得到的第二特征,生成变道决策,该过程中的不同低维特征空间的第二特征的挖掘,能够有效提高变道决策生成的准确度。
在一示例中,第一特征对应的权重向量、查询向量和价值向量可以进行线性变换,得到第一低维特征。进而将第一低维特征在各个不同的低维特征空间中进行注意力编码,得到第二低维特征。本公开对第一低维特征在低维特征空间中进行编码的方式不作具体限定,可以根据实际情况进行选择。在一示例中,可以使用缩放点乘注意力的方式,进行第一低维特征在低维特征空间内的编码。
进一步的,在得到各个低维特征空间对应的第二低维特征后,可以将各个第二低维特征进行融合,得到融合特征。在一示例中,所述融合方式,可以为表示第二低维特征的向量的拼接。本公开对不同低维特征空间得到的第二低维特征的向量的拼接顺序不作限定,可以根据实际情况进行选择。
输出子模块,可以包括全连接层和归一化层。具体的,所述全连接层可以将融合特征进行线性投影,投影回与向量化的第一特征的维数相同的高维特征空间,得到第二特征。进一步的,可以根据第二特征,对已有的所有变道决策标签进行评分,根据评分结果,确定变道决策。具体的,可以对第二特征采用Softmax回归进行分类,得到各个变道决策标签的概率,将概率最大的变道决策标签,作为最终的变道决策。
在本公开实施例中,通过获取目标车辆在多个第一历史时刻分别对应的各第一特征,利用注意力模块,进行不同历史时刻的各第一特征的编码,进而根据编码得到的第二特征,得到目标车辆的变道决策。由于注意力模块可以较好捕捉较长时间序列上的相关性,该过程通过注意力模块的编码,能够更加准确地表达车辆周围特征的空间位置关系和时间相关性,使得主动变道决策中第一特征和变道决策之间的非线性关系表达更加充分,从而提高了生成的变道决策的准确性和灵活性。
在计算注意力矩阵的过程中,线性变换会导致各个第一特征之间的相对位置关系丢失。在一种可能的实现方式中,所述方法,还包括:
根据所述各第一特征对应的历史时刻,得到所述第一特征的位置信息;
根据所述历史时刻和所述当前时刻,确定所述位置信息的修正值,所述修正值与所述历史时刻和所述当前时刻之间的时长成正比;
所述利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征,包括:
对所述各第一特征进行编码,得到注意力矩阵;
根据所述修正值,对所述注意力矩阵进行修正,得到修正后注意力矩阵;
根据所述修正后注意力矩阵,确定所述第二特征。
具体的,由于利用前述的公式(2)进行的位置编码对“距离”并不敏感,而很明显的,在时间上距离做出变道决策的当前时刻越近的第一特征,对生成的变道决策的影响越大。在一示例中,可以根据各个第一特征与当前时刻之间的时长,设置各个第一特征的修正值,以对注意力矩阵进行修正,进而根据修正后的注意力矩阵,确定第二特征。
在本公开实施例中,对各第一特征设置与当前时刻之间时长正相关的修正值,以对注意力矩阵进行修正。该过程通过修正值,对各个第一特征之间的位置关系进行了补充,能够更加有效地建模注意力模块,提高了生成的变道决策的准确度。
本公开实施例还提出一种车辆变道决策生成方法,所述方法基于注意力模块实现,所述注意力模块的训练过程,包括:
获取训练车辆在多个第二历史时刻的各第一训练特征;
利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征;
根据所述第二训练特征,得到所述训练车辆的变道决策标签的训练评分结果;
根据所述训练评分结果,得到预测变道决策;
根据所述预测变道决策和实际变道决策,对所述注意力模块进行训练。
其中,可以选择车路协同路端系统的数据集 (Next Generation SIMulation,NGSIM)作为基础数据集,并添加实际任务场景采集的数据集,NGSIM数据集是美国联邦公路管理局(FHWA)于2002年发起的NGSIM计划,表2示出了NGSIM数据集的主要信息。
表2 NGSIM数据集的主要信息
该项目通过安装在高处的高清摄像机对研究区域内的车辆进行拍摄,之后通过图像处理技术自动识别并追踪图像中的大部分车辆,最后通过计算机视觉技术以0.1 s的步长(10 HZ)提取出车辆的运动轨迹。
由于NGSIM中车辆的轨迹数据信息是由安装在高处的高清摄像机拍摄,通过视频处理软件获得车辆的位置、速度和加速度信息。在通过视频处理获取车辆位置的过程中,所得位置和车辆实际位置会存在一定误差;而速度和加速度是根据位置通过公式计算得到,这样车辆位置的误差反映在速度和加速度上就会成十倍甚至百倍级放大,导致车辆的速度,尤其是加速度波动明显,存在大量尖峰,这与真实交通情况是不符的。直接使用这些数据会对深度学习模型训练的精度和可信度造成不利影响,因此在使用前需要对数据进行清洗。在一示例中,可以采用局部加权散点平滑(Locally Weighted ScatterplotSmoothing, LOWESS)方法对车辆速度和加速度数据进行平滑处理。
数据筛选及变道、非变道数据样本构造。NGSIM中的原始数据是根据车辆进入研究区域的先后顺序分别编号记录每辆车的位置、速度和所属车道等信息,无法直接提供和相邻车道车辆相关的信息。因此,需要制定规则并设计提取方法获取周围车辆的运动信息,最终获得可用于深度学习建模的车辆变道决策数据集。
在一示例中,可以制定如下规则筛选变道数据:
(1)对车辆类型进行过滤,只研究汽车的变道过程;
(2)只研究单次变道行为,不考虑多次变道的样本数据;
(3)剔除在研究区域内变道轨迹不完整的车辆轨迹样本数据;
(4)剔除变道车辆前方无其他交通车辆的变道轨迹样本数据;
(5)剔除变道过程涉及上、下匝道的变道车辆轨迹样本数据。
具体的,变道车辆横向位置开始连续变化的时刻为变道执行点,变道执行点后,车辆执行变道,直到变道完成。在此期间,车辆的横向位置朝一个方向连续变化。因此,车辆的变道决策在变道执行点前做出,研究表明,对于NGSIM数据集,当车辆的横向速度大于2feet/s时,车辆开始执行变道。具体的,图2示出根据本公开实施例的变道样本的提取流程图,如图2所示,其中,VehID为车辆在数据集中的索引编号,即车辆编号,VehID_max为索引编号的最大值,VehID=VehID+1表示进行下一编号车辆的索引。从车辆编号1的车辆开始,获取车辆所在的车道标识(ID),然后获取车辆换道前5s内的数据,计算自车(车辆自身)的横向速度,得到变道执行点,提取变道执行点前T秒(T的值可根据经验自行设定,可以为整数也可以为小数)内自车与周围车辆的数据,然后构造变道序列数据集。然后再将VehID+1,对下一编号车辆执行上述变道样本的提取,直至遍历完所有编号的车辆。
进一步的,将获取的变道样本和非变道样本,按照比例划分用于模型训练、验证、测试用的训练集、验证集和测试集,在一示例中,该比例可以为6:2:2。
在一示例中,可以根据第一训练特征,得到训练变道决策,通过训练变道决策和真实变道决策,对注意力模块进行训练。具体的,可以使用注意力模块,将训练车辆在多个第二历史时刻的各个第一训练特征进行编码,得到第二训练特征,进而根据得到的第二训练特征,得到各个变道决策标签的训练评分结果,根据该训练评分结果,即可得到训练变道决策。其中,可以使用采用公式(3)所示的交叉熵损失函数计算分类误差。
公式(3)
其中,x为输入的第一特征,y(x)为该第一特征下真实的主动变道决策结果,(x)
为基于该第一特征预测的主动变道决策结果,H(y,)为损失函数的值。
在一示例中,可以使用adam的优化器,以0.01的学习率、0.1的dropout进行训练。具体的,优化器、学习率和dropout可以在训练过程中,根据模型训练情况进行调节。
为了更客观、全面地评价模型,在一示例中,可以以精度、查准率、查全率、F1分数、接受者操作特征曲线(Receiver Operating Characteristic,ROC)及曲线下面积(AreaUnder Curve,AUC)作为评价指标来评价注意力模块的优劣。
具体的,模型训练集超参数的调优,可以采用基于顺序模型的全局优化(sequential model-based optimization,SMBO)算法进行模型训练和超参数调优,具体实现可采用Python中的hyperopt超参数优化库。
通过上述过程,可以基于训练车辆的第一训练特征的预测变道决策和真实变道决策,对注意力模块进行训练,得到具有分类功能(即得到各个变道决策标签的预测概率)的注意力模块,提升变道决策生成的准确度。
在一种可能的实现方式中,所述注意力模块的训练过程,包括:
根据所述第一训练特征对所述训练评分结果准确度的影响程度,从所述第一训练特征中,确定预设数量的简化特征;
所述利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征,包括:
利用注意力模块,基于所述各简化特征之间的相关性对所述各简化特征进行编码,得到编码后的所述第二训练特征。
其中,所述简化特征,为保证注意力模块维持特定准确度所需的第一训练特征,本公开对准确度数值不作具体限定,可以根据实际情况进行选择。具体的,可以在对注意力模块调参的过程中,评估所有第一训练特征对变道决策的重要性,得到根据重要性排序的第一训练特征的列表,从列表中获取预设数量的简化特征,该预设数量的简化特征,能够保证注意力模块维持特定的准确度,仅根据简化特征进行注意力模块的训练,进而通过训练后的注意力模块对当前时刻的训练车辆是否变道进行类型预测。本公开对预设数量的数值不作具体限定,可以在保证注意力模块准确度的同时,进行预设数量的确定。
在本公开实施例中,将所有第一训练特征简化为预设数量的简化特征,再进行注意力模块的训练。该过程通过第一训练特征的简化,降低了注意力模块训练过程和应用过程的计算量,在保证变道决策的精度的同时,提高了变道决策预测的速度。
图3示出根据本公开实施例的一种车辆变道决策生成装置的框图,如图3所示,所述装置包括注意力模块,所述注意力模块包括输入子模块、编码器子模块和输出子模块;
所述输入子模块包括嵌入层和位置编码层,所述嵌入层将第一特征进行向量化,并扩展到所需维数,所述位置编码层对第一特征进行位置编码,所述第一特征为目标车辆在多个第一历史时刻分别对应的各特征;
所述编码器子模块与所述输入子模块相连,包括注意力编码模块和融合及归一化模块,所述注意力编码模块基于注意力机制对向量化后的第一特征和位置编码进行编码,所述融合及归一化模块对编码后的特征进行融合和归一化处理,得到融合特征;
所述输出子模块与所述编码器子模块相连,包括全连接层、归一化层和评分结果输出层,所述全连接层将融合特征投影到与向量化的第一特征的维数相同的高维特征空间,得到第二特征;所述归一化层对第二特征进行归一化处理;所述评分结果输出层,根据归一化后的第二特征,输出所述目标车辆的变道决策标签的评分结果。
其中,嵌入层可以将第一特征进行向量化,并扩展到所需维数,例如512维;位置编码层可以通过公式(1)和公式(2)实现各第一特征的位置编码。进一步的,将向量化后的第一特征和位置编码进行融合(例如相加)后,输入编码器子模块。编码器子模块中的注意力编码模块可以使用注意力机制对向量化后的第一特征和位置编码进行编码,得到各第一特征对应的权重向量、查询向量和价值向量,然后再与向量化后的第一特征和位置编码进行融合及归一化处理,其结果可以输入到前馈神经网络进行处理,处理结果再与处理器的数据进行融合及归一化处理。全连接层可以将融合特征进行线性投影,投影回与向量化的第一特征的维数相同的高维特征空间,得到第二特征。进一步的,可以根据第二特征,对已有的所有变道决策标签进行评分,根据评分结果,确定变道决策。
在本公开实施例中,通过嵌入层和位置编码层实现了对第一特征的向量化及对多个第一历史时刻的目标车辆的特征的编码,然后在利用注意力编码模块对向量化后的第一特征和位置编码进行编码,通过融合及归一化处理使得融合后的特征即保留了原有的特征也保留了编码后的特征,融合后的特征能够更加准确地表达车辆周围特征的空间位置关系和时间相关性,从而提高动态复杂场景下的变道决策的灵活性和准确性。然后通过全连接层将融合特征投影到与向量化的第一特征的维数相同的高维特征空间,得到第二特征,再通过归一化层对第二特征进行归一化处理,最终由评分结果输出层输出结果。由此,建立了主动变道决策中第一特征和变道决策之间的非线性关系,从而提高动态复杂场景下的变道决策的准确性和灵活性。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了车辆变道决策生成装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种车辆变道决策生成方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图4示出根据本公开实施例的一种车辆变道决策生成装置的框图,如图4所示,所述装置40包括:
获取单元41,用于获取目标车辆在多个第一历史时刻分别对应的各第一特征;
编码单元42,用于利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征;
评分单元43,用于根据所述第二特征,得到所述目标车辆的变道决策标签的评分结果,所述变道决策标签包括:向左变道、向右变道和不变道;
决策单元44,用于根据所述评分结果,确定所述目标车辆在当前时刻的变道决策。
在一种可能的实现方式中,所述编码单元,用于:
将所述第一特征映射到预设数量的低维特征空间,得到第一低维特征;
利用注意力模块,将各个低维特征空间中的所述第一低维特征分别进行编码,得到编码后的各第二低维特征;
将所述第二低维特征进行融合,得到融合特征;
将所述融合特征投影回高维特征空间,得到所述第二特征。
在一种可能的实现方式中,所述编码单元,用于根据所述第一特征的类型的数量,确定所述预设数量。
在一种可能的实现方式中,所述装置还包括:
位置信息确定模块,用于根据所述各第一特征对应的历史时刻,得到所述第一特征的位置信息;
修正值确定模块,用于根据所述历史时刻和所述当前时刻,确定所述位置信息的修正值,所述修正值与所述历史时刻和所述当前时刻之间的时长成正比;
所述编码单元,用于对所述各第一特征进行编码,得到注意力矩阵;根据所述修正值,对所述注意力矩阵进行修正,得到修正后注意力矩阵;根据所述修正后注意力矩阵,确定所述第二特征。
在一种可能的实现方式中,所述第一特征,包括下述至少一种:
目标车辆与当前车道前方车辆之间的距离;目标车辆与相邻车道前方车辆之间的距离;目标车辆与相邻车道后方车辆之间的距离;目标车辆的行驶速度;目标车辆的侧向速度;当前车道前方车辆的速度;相邻车道前方车辆的速度;相邻车道后方车辆的速度。
根据本公开的另一方面,提供了一种车辆变道决策生成装置,所述装置基于注意力模块实现,所述装置用于对注意力模块进行训练,所述装置包括:
训练特征获取单元,用于获取训练车辆在多个第二历史时刻的各第一训练特征;
训练特征编码单元,用于利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征;
训练评分单元,用于根据所述第二训练特征,得到所述训练车辆的变道决策标签的训练评分结果;
训练结果确定单元,用于根据所述训练评分结果,得到预测变道决策;
注意力模块修正单元,用于根据所述预测变道决策和实际变道决策,对所述注意力模块进行训练。
在一种可能的实现方式中,所述装置还包括:
简化特征确定单元,用于根据所述第一训练特征对所述训练评分结果准确度的影响程度,从所述第一训练特征中,确定预设数量的简化特征;
所述训练特征编码单元,用于利用注意力模块,基于所述各简化特征之间的相关性对所述各简化特征进行编码,得到编码后的所述第二训练特征。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,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在执行所述存储器存储的指令时,实现上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
图5示出根据本公开实施例的一种用于车辆变道决策的装置1900的框图。例如,装置1900可以被提供为一服务器或终端设备。参照图5,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932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1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出接口1958(I/O接口)。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM, LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种车辆变道决策生成方法,其特征在于,包括:
获取目标车辆在多个第一历史时刻分别对应的各第一特征;
利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征;
根据所述第二特征,得到所述目标车辆的变道决策标签的评分结果,所述变道决策标签包括:向左变道、向右变道和不变道;
根据所述评分结果,确定所述目标车辆在当前时刻的变道决策;
所述方法还包括:根据所述各第一特征对应的历史时刻,得到所述第一特征的位置信息;根据所述历史时刻和所述当前时刻,确定所述位置信息的修正值,所述修正值与所述历史时刻和所述当前时刻之间的时长成正比;
所述利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征,包括:对所述各第一特征进行编码,得到注意力矩阵;根据所述修正值,对所述注意力矩阵进行修正,得到修正后注意力矩阵;根据所述修正后注意力矩阵,确定所述第二特征。
2.根据权利要求1所述的方法,其特征在于,所述利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征,包括:
将所述第一特征映射到预设数量的低维特征空间,得到第一低维特征;
利用注意力模块,将各个低维特征空间中的所述第一低维特征分别进行编码,得到编码后的各第二低维特征;
将所述第二低维特征进行融合,得到融合特征;
将所述融合特征投影回高维特征空间,得到所述第二特征。
3.根据权利要求2所述的方法,其特征在于,所述将所述第一特征映射到预设数量的低维特征空间,得到第一低维特征,包括:
根据所述第一特征的类型的数量,确定所述预设数量。
4.根据权利要求1所述的方法,其特征在于,所述第一特征,包括下述至少一种:
目标车辆与当前车道前方车辆之间的距离;目标车辆与相邻车道前方车辆之间的距离;目标车辆与相邻车道后方车辆之间的距离;目标车辆的行驶速度;目标车辆的侧向速度;当前车道前方车辆的速度;相邻车道前方车辆的速度;相邻车道后方车辆的速度。
5.一种车辆变道决策生成方法,其特征在于,所述方法基于注意力模块实现,所述注意力模块的训练过程,包括:
获取训练车辆在多个第二历史时刻的各第一训练特征;
利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征;
根据所述第二训练特征,得到所述训练车辆的变道决策标签的训练评分结果;
根据所述训练评分结果,得到预测变道决策;
根据所述预测变道决策和实际变道决策,对所述注意力模块进行训练;
所述方法还包括:根据所述各第一训练特征对应的历史时刻,得到所述第一训练特征的位置信息;根据所述历史时刻和当前时刻,确定所述位置信息的修正值,所述修正值与所述历史时刻和所述当前时刻之间的时长成正比;
所述利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征,包括:对所述各第一训练特征进行编码,得到注意力矩阵;根据所述修正值,对所述注意力矩阵进行修正,得到修正后注意力矩阵;根据所述修正后注意力矩阵,确定所述第二训练特征。
6.根据权利要求5所述的方法,其特征在于,所述注意力模块的训练过程,包括:
根据所述第一训练特征对所述训练评分结果准确度的影响程度,从所述第一训练特征中,确定预设数量的简化特征;
所述利用注意力模块,基于所述各第一训练特征之间的相关性对所述各第一训练特征进行编码,得到编码后的第二训练特征,包括:
利用注意力模块,基于所述各简化特征之间的相关性对所述各简化特征进行编码,得到编码后的所述第二训练特征。
7.一种车辆变道决策生成装置,其特征在于,所述装置包括注意力模块,所述注意力模块包括输入子模块、编码器子模块和输出子模块;
所述输入子模块包括嵌入层和位置编码层,所述嵌入层将第一特征进行向量化,并扩展到所需维数,所述位置编码层对第一特征进行位置编码,所述第一特征为目标车辆在多个第一历史时刻分别对应的各特征;
所述编码器子模块与所述输入子模块相连,包括注意力编码模块和融合及归一化模块,所述注意力编码模块基于注意力机制对向量化后的第一特征和位置编码进行编码,所述融合及归一化模块对编码后的特征进行融合和归一化处理,得到融合特征;
所述输出子模块与所述编码器子模块相连,包括全连接层、归一化层和评分结果输出层,所述全连接层将融合特征投影到与向量化的第一特征的维数相同的高维特征空间,得到第二特征;所述归一化层对第二特征进行归一化处理;所述评分结果输出层,根据归一化后的第二特征,输出所述目标车辆的变道决策标签的评分结果;
其中,所述位置编码层根据所述各第一特征对应的历史时刻,得到所述第一特征的位置信息;根据所述历史时刻和当前时刻,确定所述位置信息的修正值,所述修正值与所述历史时刻和所述当前时刻之间的时长成正比;
所述编码器子模块对所述各第一特征进行编码,得到注意力矩阵;根据所述修正值,对所述注意力矩阵进行修正,得到修正后注意力矩阵;所述全连接层根据所述修正后注意力矩阵,确定所述第二特征。
8.一种车辆变道决策生成装置,其特征在于,包括:
获取单元,用于获取目标车辆在多个第一历史时刻分别对应的各第一特征;
编码单元,用于利用注意力模块,基于所述各第一特征之间的相关性对所述各第一特征进行编码,得到编码后的第二特征;
评分单元,用于根据所述第二特征,得到所述目标车辆的变道决策标签的评分结果,所述变道决策标签包括:向左变道、向右变道和不变道;
决策单元,用于根据所述评分结果,确定所述目标车辆在当前时刻的变道决策;
所述装置还包括:
位置信息确定模块,用于根据所述各第一特征对应的历史时刻,得到所述第一特征的位置信息;
修正值确定模块,用于根据所述历史时刻和所述当前时刻,确定所述位置信息的修正值,所述修正值与所述历史时刻和所述当前时刻之间的时长成正比;
所述编码单元,用于对所述各第一特征进行编码,得到注意力矩阵;根据所述修正值,对所述注意力矩阵进行修正,得到修正后注意力矩阵;根据所述修正后注意力矩阵,确定所述第二特征。
9.一种电子设备,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在执行所述存储器存储的指令时,实现权利要求1至6中任意一项所述的方法。
10.一种非易失性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,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160719.7A CN116890881B (zh) | 2023-09-08 | 2023-09-08 | 一种车辆变道决策生成方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311160719.7A CN116890881B (zh) | 2023-09-08 | 2023-09-08 | 一种车辆变道决策生成方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116890881A CN116890881A (zh) | 2023-10-17 |
CN116890881B true CN116890881B (zh) | 2023-12-08 |
Family
ID=88312435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311160719.7A Active CN116890881B (zh) | 2023-09-08 | 2023-09-08 | 一种车辆变道决策生成方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116890881B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
CN110733506A (zh) * | 2019-10-17 | 2020-01-31 | 上海舵敏智能科技有限公司 | 无人驾驶车辆的车道变更方法及设备 |
CN112965499A (zh) * | 2021-03-08 | 2021-06-15 | 哈尔滨工业大学(深圳) | 基于注意力模型和深度强化学习的无人车行驶决策方法 |
WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN113954863A (zh) * | 2021-09-07 | 2022-01-21 | 江苏大学 | 基于双注意力机制和改进Social Gan的车辆轨迹预测方法 |
CN114170789A (zh) * | 2021-10-20 | 2022-03-11 | 南京理工大学 | 基于时空图神经网络的智能网联车换道决策建模方法 |
CN114889608A (zh) * | 2022-05-12 | 2022-08-12 | 重庆长安汽车股份有限公司 | 一种基于注意力机制的车辆换道预测方法 |
CN115743168A (zh) * | 2022-10-18 | 2023-03-07 | 北京集度科技有限公司 | 用于换道决策的模型训练方法、目标车道确定方法及装置 |
CN115909239A (zh) * | 2022-11-02 | 2023-04-04 | 武汉路特斯科技有限公司 | 车辆意图识别方法、装置、计算机设备和存储介质 |
CN116028884A (zh) * | 2022-11-28 | 2023-04-28 | 天津科技大学 | 一种小样本下基于原型网络的车辆换道风险评估方法 |
-
2023
- 2023-09-08 CN CN202311160719.7A patent/CN116890881B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101951595B1 (ko) * | 2018-05-18 | 2019-02-22 | 한양대학교 산학협력단 | 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법 |
CN110733506A (zh) * | 2019-10-17 | 2020-01-31 | 上海舵敏智能科技有限公司 | 无人驾驶车辆的车道变更方法及设备 |
WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN112965499A (zh) * | 2021-03-08 | 2021-06-15 | 哈尔滨工业大学(深圳) | 基于注意力模型和深度强化学习的无人车行驶决策方法 |
CN113954863A (zh) * | 2021-09-07 | 2022-01-21 | 江苏大学 | 基于双注意力机制和改进Social Gan的车辆轨迹预测方法 |
CN114170789A (zh) * | 2021-10-20 | 2022-03-11 | 南京理工大学 | 基于时空图神经网络的智能网联车换道决策建模方法 |
CN114889608A (zh) * | 2022-05-12 | 2022-08-12 | 重庆长安汽车股份有限公司 | 一种基于注意力机制的车辆换道预测方法 |
CN115743168A (zh) * | 2022-10-18 | 2023-03-07 | 北京集度科技有限公司 | 用于换道决策的模型训练方法、目标车道确定方法及装置 |
CN115909239A (zh) * | 2022-11-02 | 2023-04-04 | 武汉路特斯科技有限公司 | 车辆意图识别方法、装置、计算机设备和存储介质 |
CN116028884A (zh) * | 2022-11-28 | 2023-04-28 | 天津科技大学 | 一种小样本下基于原型网络的车辆换道风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116890881A (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7075366B2 (ja) | 運転場面データを分類するための方法、装置、機器及び媒体 | |
US11361557B2 (en) | Attention-based recurrent convolutional network for vehicle taillight recognition | |
Khakzar et al. | A dual learning model for vehicle trajectory prediction | |
EP3822852B1 (en) | Method, apparatus, computer storage medium and program for training a trajectory planning model | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
US20210073626A1 (en) | System, method, and apparatus for a neural network model for a vehicle | |
US11189007B2 (en) | Real-time generation of functional road maps | |
CN112016467B (zh) | 交通标志识别模型训练方法、识别方法、系统、设备及介质 | |
CN111666714B (zh) | 自动驾驶仿真场景识别的方法及装置 | |
Ye et al. | Steering angle prediction YOLOv5-based end-to-end adaptive neural network control for autonomous vehicles | |
US20210295093A1 (en) | Spatio-temporal graph for video captioning with knowledge distillation | |
US20200184285A1 (en) | System and method for label augmentation in video data | |
Darapaneni et al. | Autonomous car driving using deep learning | |
Zhou et al. | Efficient traffic accident warning based on unsupervised prediction framework | |
Sharma et al. | Cost reduction for advanced driver assistance systems through hardware downscaling and deep learning | |
US20200298847A1 (en) | Systems for determining object importance in on-road driving scenarios and methods thereof | |
US20220057992A1 (en) | Information processing system, information processing method, computer program product, and vehicle control system | |
CN116890881B (zh) | 一种车辆变道决策生成方法及装置、电子设备和存储介质 | |
CN117392181A (zh) | 运动信息的预测方法、计算机设备、存储介质及智能设备 | |
Selvaraj et al. | Edge learning of vehicular trajectories at regulated intersections | |
CN113705293A (zh) | 图像场景的识别方法、装置、设备及可读存储介质 | |
CN116740131A (zh) | 行人轨迹预测方法、装置、设备及存储介质 | |
CN113119996B (zh) | 一种轨迹预测方法、装置、电子设备及存储介质 | |
Boisclair et al. | Attention transfer from human to neural networks for road object detection in winter | |
Fennessy | Autonomous vehicle end-to-end reinforcement learning model and the effects of image segmentation on model quality |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |