CN117002528A - 轨迹规划方法、设备和存储介质 - Google Patents
轨迹规划方法、设备和存储介质 Download PDFInfo
- Publication number
- CN117002528A CN117002528A CN202310878277.3A CN202310878277A CN117002528A CN 117002528 A CN117002528 A CN 117002528A CN 202310878277 A CN202310878277 A CN 202310878277A CN 117002528 A CN117002528 A CN 117002528A
- Authority
- CN
- China
- Prior art keywords
- track
- target
- target vehicle
- objective function
- track points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 78
- 230000006870 function Effects 0.000 claims description 107
- 238000000605 extraction Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 19
- 230000036461 convulsion Effects 0.000 claims description 19
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000452 restraining 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—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
- 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
- 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
-
- 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
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种轨迹规划方法、设备和存储介质,该方法包括:获取目标车辆的行驶相关数据;利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,其中,目标预测结果包括目标车辆在未来预设时间段的轨迹边界约束信息;至少基于目标预测结果进行轨迹规划,得到若干轨迹点,其中,轨迹点受轨迹边界约束信息约束,若干轨迹点用于构成目标车辆在未来预设时间段内的目标行驶轨迹。通过上述方式,本申请能够提高车辆驾驶的安全性。
Description
技术领域
本申请涉及自动驾驶领域,特别是涉及一种轨迹规划方法、设备和存储介质。
背景技术
近年来自动驾驶技术愈发被重视和发展,路径规划为自动驾驶中的核心环节,用于生成一条车辆未来运动轨迹,发给控制层,以使控制层实现对该未来运动轨迹的跟随控制,从而实现车辆的自动驾驶。其中,如何提高规划得到的未来运动轨迹的安全性,对实现安全驾驶至关重要。
发明内容
本申请主要解决的技术问题是提供一种轨迹规划方法、设备和存储介质,能够提高车辆驾驶的安全性。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种轨迹规划方法,该方法包括:获取目标车辆的行驶相关数据;利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,其中,目标预测结果包括目标车辆在未来预设时间段的轨迹边界约束信息;至少基于目标预测结果进行轨迹规划,得到若干轨迹点,其中,轨迹点受轨迹边界约束信息约束,若干轨迹点用于构成目标车辆在未来预设时间段内的目标行驶轨迹。
其中,行驶相关数据包括道路边界数据、位于目标车辆的预设距离范围内的周围障碍物数据、目标车辆的历史行驶数据和目标车辆在未来预设时间段的意图轨迹中的至少一者。
其中,行驶相关数据包括目标车辆在未来预设时间段的意图轨迹;轨迹边界约束信息为Frenet坐标系下的边界信息,若干轨迹点为Frenet坐标系下的轨迹点,Frenet坐标系的参考线为意图轨迹;至少基于目标预测结果进行轨迹规划,得到若干轨迹点,包括:将若干轨迹点转换至目标坐标系下。
其中,至少基于目标预测结果进行轨迹规划,得到若干轨迹点,包括:利用若干轨迹点的位置信息以及目标车辆的期待位置、目标车辆在若干轨迹点上的运动信息以及目标车辆的期待车速,构建目标函数,其中,若干轨迹点的位置信息以及目标车辆在若干轨迹点上的运动信息为待求解项;利用轨迹边界约束信息对目标函数中的若干轨迹点的位置信息进行约束,并对目标函数求解,得到若干轨迹点的位置信息。
其中,利用若干轨迹点的位置信息以及目标车辆的期待位置、目标车辆在若干轨迹点上的运动信息以及目标车辆的期待车速,构建目标函数,包括:利用若干轨迹点在第一方向上的位置信息以及目标车辆的期待位置、目标车辆在若干轨迹点上的第一方向的运动信息,构建第一目标函数,以及利用在若干轨迹点上的第二方向的运动信息以及目标车辆的期待车速,构建第二目标函数。
其中,第一目标函数为对位置项和至少一个第一运动项进行预设运算,位置项为各轨迹点在第一方向上的位置信息与期待位置之间的差异表征值之和,每个第一运动项对应一种运动信息,运动信息对应的第一运动项为各轨迹点上的第一方向的运动信息之和;和/或,运动信息包括速度,第二目标函数为对车速项和至少一个第二运动项进行预设运算,车速项为各轨迹点在第二方向上的速度与期待车速之间的差异表征值之和,每个第二运动项对应一种除速度以外的其他运动信息,其他运动信息对应的第二运动项为各轨迹点上的第二方向的其他运动信息之和。
其中,运动信息包括速度和其他运动信息,其他运动信息包括加速度、加加速度中的至少一者;第一目标函数为对位置项和至少一个第一运动项进行加权处理,第二目标函数是对车速项和至少一个第二运动项进行加权处理,其中,目标预测结果包括以下三者中的至少一者:期待位置、期待车速、以及第一目标函数和第二目标函数中各项的权重。
其中,轨迹边界约束信息包括目标车辆在未来预设时间段中的至少一个时间点行驶时对应的预测可通行区域;相邻时间点的时间间隔大于相邻轨迹点的时间间隔;利用轨迹边界约束信息对若干轨迹点的位置信息进行约束,包括:对于各预测可通行区域,获取预测可通行区域和道路边界的重叠程度;基于各预测可通行区域的重叠程度,确定各预测可通行区域的有效性;利用有效的预测可通行区域对若干轨迹点的位置信息进行约束。
其中,基于各预测可通行区域的重叠程度,确定各预测可通行区域的有效性,包括:响应于重叠程度小于第一程度阈值,确定预测可通行区域有效;响应于重叠程度大于或等于第一程度阈值且小于第二程度阈值,将预测可通行区域调整为未超出道路边界,并将调整后的预测可通行区域确定有效。
其中,至少基于目标预测结果进行轨迹规划,得到若干轨迹点,还包括:获取目标车辆的初始状态;以初始状态对目标函数中的求解项进行约束。
其中,利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,包括:利用神经网络的特征提取模块对行驶相关数据进行特征提取,得到行驶特征;利用神经网络的边界输出模块对行驶特征进行边界预测,得到轨迹边界约束信息。
其中,若干轨迹点是通过构建目标函数并求解目标函数得到的,目标函数为对多运算项进行加权处理,目标预测结果包含目标函数中的各运算项的权重,利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,还包括:利用神经网络的权重输出模块对行驶特征进行权重预测,得到目标函数中的各运算项的权重;和/或,在利用神经网络的特征提取模块对行驶相关数据进行特征提取,得到行驶特征之前,该方法还包括:利用神经网络的重构模块对各行驶相关数据转换成统一的数据类型,经转换的行驶相关数据用于输出至特征提取模块进行特征提取。
其中,在至少基于目标预测结果进行轨迹规划,得到若干轨迹点迹后,该方法还包括:获取目标车辆按照目标行驶轨迹行驶时与周围障碍物的碰撞数据;基于碰撞数据,获取关于目标行驶轨迹的评分数据;基于评分数据,调整神经网络的网络参数,得到调整后的神经网络,调整后的神经网络用于对后续的行驶相关数据进行预测。
为解决上述技术问题,本申请采用的再一个技术方案是:提供一种电子设备,包括相互耦接的存储器和处理器,存储器存储有程序指令;处理器用于执行存储器中存储的程序指令,以实现上述方法。
为解决上述技术问题,本申请采用的又一个技术方案是:提供一种计算机可读存储介质,用于存储程序指令,该程序指令能够被执行以实现上述方法。
上述方案,在获取目标车辆的行驶相关数据后,先利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,然后至少基于目标预测结果进行轨迹规划,得到若干轨迹点,其中,目标预测结果包括目标车辆在未来预设时间段的轨迹边界约束信息,轨迹点受轨迹边界约束信息约束,若干轨迹点用于构成目标车辆在未来预设时间段内的目标行驶轨迹。由于构成目标行驶轨迹的若干轨迹点是满足轨迹边界约束信息的轨迹点,因此,目标车辆跟随该目标行驶轨迹行驶时不会超出轨迹边界,能够保证目标车辆的安全驾驶;此外,本申请先利用神经网络预测得到轨迹边界约束信息,再利用规则的方式至少基于目标预测结果规划得到受轨迹边界约束信息约束的若干轨迹点,相比于只利用神经网络和只利用轨迹规划得到目标行驶轨迹的方式,本申请可兼顾神经网络和规则两种方式的优势,使最终得到的目标行驶轨迹更符合目标车辆的行驶情况,进而提高目标车辆驾驶的安全性。
附图说明
图1是本申请提供的轨迹规划方法一实施例的流程示意图;
图2是图1所示步骤S13一实施例的流程示意图;
图3是本申请提供的轨迹规划方法一实施例的部分流程示意图;
图4是本申请提供的轨迹规划方法一实施例的流程示意图;
图5为本申请提供的神经网络的框架图;
图6是本申请提供的电子设备一实施例的框架示意图;
图7是本申请提供的计算机可读存储介质的框架示意图。
具体实施方式
为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
请参阅图1,图1是本申请提供的轨迹规划方法一实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图1所示的流程顺序为限。如图1所示,本实施例包括:
S11:获取目标车辆的行驶相关数据。
本实施例用于规划得到目标车辆在未来预设时间段的目标行驶轨迹。其中,先利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,再至少基于目标预测结果进行轨迹规划,得到若干轨迹点,若干轨迹点可构成目标车辆在未来预设时间段内的目标行驶轨迹。
在一实施方式中,目标车辆的行驶相关数据包括道路边界数据、位于目标车辆的预设距离范围内的周围障碍物数据、目标车辆的历史行驶数据和目标车辆在未来预设时间段的意图轨迹中的至少一者。其中,道路边界数据可以但不限于包括目标车辆所在行驶道路的路沿数据;位于目标车辆的预设距离范围内的周围障碍物可以是目标车辆周围的其他车辆、行人或建筑物等,周围障碍物数据可以是周围障碍物的位置数据,行驶速度数据等;目标车辆的历史行驶数据可以但不限于是目标车辆历史行驶时间范围的位置数据、速度数据或是航向角数据等,上述目标车辆的行驶相关数据可利用相关数据采集模块采集得到。例如,可利用感知模块采集位于目标车辆的预设距离范围内的周围障碍物数据;又如,可利用高精地图模块等采集得到道路边界数据,再如,可利用导航模块获取目标车辆在未来预设时间段的意图轨迹,目标车辆和周围障碍物等位置数据可利用定位模块采集得到。
在另一实施方式中,目标车辆的行驶相关数据还包括行驶道路的车道线信息等。具体需要获取的目标车辆的行驶相关数据可根据实际规划需要和最终规划得到的目标行驶轨迹的情况进行确定,此处不做具体限定。
S12:利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,其中,目标预测结果包括目标车辆在未来预设时间段的轨迹边界约束信息。
本实施例中,神经网络包括特征提取模块和边界输出模块,利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果包括:先利用神经网络的特征提取模块对行驶相关数据进行特征提取,得到行驶特征;再利用神经网络的边界输出模块对行驶特征进行边界预测,得到轨迹边界约束信息。其中,轨迹边界约束信息包括目标车辆在未来预设时间段中的至少一个时间点行驶时对应的预测可通行区域,其中,目标车辆在未来某些时间点对应的预测可通行区域内行驶时,目标车辆和周围的障碍物发生碰撞的概率很低。
在一些实施例中,还可根据实际需要利用神经网络获取所需要的其他信息。
S13:至少基于目标预测结果进行轨迹规划,得到若干轨迹点,其中,轨迹点受轨迹边界约束信息约束,若干轨迹点用于构成目标车辆在未来预设时间段内的目标行驶轨迹。
在一实施方式中,目标车辆的行驶相关数据包括目标车辆在未来预设时间段的意图轨迹,为便于后续轨迹规划,以该意图轨迹为参考线,构建Frenet坐标系,也就是说,Frenet坐标系的参考线为目标车辆在未来预设时间段的意图轨迹。
本实施方式中,步骤S12利用神经网络基于行驶相关数据进行轨迹预测,得到的轨迹边界约束信息为Frenet坐标系下的边界信息,且步骤S13至少基于目标预测结果进行轨迹规划,得到的若干轨迹点为Frenet坐标系下的轨迹点,其中,在得到Frenet坐标系下的若干轨迹点后,可根据实际需要将Frenet坐标系下的若干轨迹点进行坐标转换,转换至目标坐标系下,得到最终的若干轨迹点。示例性的,最终控制目标车辆跟随若干轨迹点(目标行驶轨迹)行驶所采用的目标坐标系为笛卡尔坐标系,则可将Frenet坐标系下的若干轨迹点转换至笛卡尔坐标系下,以便于后续控制目标车辆跟随笛卡尔坐标系下的若干轨迹点行驶。当然,若最终控制目标车辆跟随若干轨迹点(目标行驶轨迹)行驶所采用的目标坐标系为其他坐标系,则可将Frenet坐标系下的若干轨迹点转换至对应的坐标系下;若最终控制目标车辆跟随若干轨迹点(目标行驶轨迹)行驶所采用的目标坐标系为Frenet坐标系,则无需进行坐标转换。
本实施例中,若干轨迹点为需要至少基于目标预测结果进行轨迹规划而得到的轨迹点,为未知的待求解的若干轨迹点。其中,需要说明的是,虽然若干轨迹点为未知的待求解的若干轨迹点,但该若干轨迹点为一轨迹的离散点的表示形式,公知的是,可利用数学方程表示一段轨迹,当然也可对表示一段轨迹的数学方程进行离散化处理,得到各轨迹点的信息表示,例如是位置表示,进一步的,还可根据位置表示确定目标车辆的运动信息表示等,运动信息表示例如是速度表示,加速度表示或者加加速度表示等。
示例性的,请参阅如下数学表示:
dlt=(lt+1-lt)/T
ddlt=(dlt+1-dlt)/T
dddlt=(ddlt+1-ddlt)/T
dst=(st+1-st)/T
ddst=9dst+1-dst)/T
dddst=(ddst+1-ddst)/T
式中,lt和lt+1分别表示目标车辆在t时刻和t+1时刻的横向位置信息,T表示t时刻和t+1时刻的时间间隔,dlt表示目标车辆在t时刻运动的横向速度,ddlt表示目标车辆在t时刻运动的横向加速度,dddlt表示目标车辆在t时刻运动的横向加加速度;相似的,st和st+1分别表示目标车辆在t时刻和t+1时刻的纵向位置信息,dst、ddst和dddst表示目标车辆在t时刻运动的纵向速度、纵向加速度和纵向加加速度。
其中,上述横向位置信息和纵向位置信息分别为目标车辆在横向方向和纵向方向上的位置信息;上述横向速度、横向加速度、横向加加速度、纵向速度、纵向加速度和纵向加加速度均为基于位置信息得到的运动信息。
此外,需要说明的是,目标车辆在跟随待求解的若干轨迹点行驶时,是期望目标车辆能够进行平稳运动的,特别地,目标车辆在跟随目标行驶轨迹行驶时是期望目标车辆在未来预设时间段的最后时刻能够达到期待位置和期待车速的。
基于此,在一实施方式中,可利用若干轨迹点的位置信息以及目标车辆的期待位置、目标车辆在若干轨迹点的运动信息和目标车辆的期待车速,构建目标函数,然后利用步骤S12得到的轨迹边界约束信息对目标函数中的若干轨迹点的位置信息进行约束,并对目标函数求解,得到若干轨迹点的位置信息。其中,若干轨迹点的位置信息以及目标车辆在若干轨迹点上的运动信息为该目标函数的待求解项。
其中,得到的轨迹边界约束信息相当于是求解目标函数的约束条件,通过约束条件对构建的目标函数进行约束,以得到满足约束条件的若干轨迹点的位置信息,本实施方式中,轨迹边界约束信息用于对目标车辆在某些时刻行驶的轨迹点的位置进行约束。其中轨迹边界约束信息可理解为目标车辆在行驶时的预测可通行区域,若干轨迹点的位置应位于预测的可通行区域内。
需要说明的是,为避免约束条件过于严格造成目标函数无解,即得不到若干轨迹点的位置信息,在一实施方式中,可只对若干轨迹点中的部分轨迹点进行约束,故可调整神经网络参数,使神经网络输出未来时间段中部分时间点(至少一个时间点)对应的轨迹点的轨迹边界约束信息,即神经网络输出的轨迹边界约束信息包括目标车辆在未来预设时间段中的至少一个时间点行驶时对应的预测可通行区域,其中,由于只是对若干轨迹点中的部分轨迹点的位置进行约束,因此,相邻两个受约束的轨迹点的时间间隔大于若干轨迹点中相邻轨迹点的时间间隔。
此外,目标车辆的初始状态为相对于未来预设时间段第一个预测时间点的初始状态,其中,未来时间段是相对当前时间点而言的,也就是说,该第一个预测时间点的初始状态即为当前时间点的车辆状态,由于当前时间点的车辆状态是已知的,该初始状态不会因神经网络预测结果和轨迹规划的影响发生改变,因此,为进一步提高求解目标函数得到的若干轨迹点的准确性,在另一实施方式中,除了利用轨迹边界约束信息对目标函数中的若干轨迹点的位置信息进行约束之外,还可利用目标车辆行驶的初始状态对目标函数进行约束,使最终求解的若干轨迹点满足初始状态约束和轨迹边界约束,以提高求解目标函数得到的若干轨迹点的准确性。
具体地,可先获取目标车辆的初始状态,然后以初始状态对目标函数中的求解项进行约束,对目标函数进行求解,得到若干轨迹点的位置信息。其中,该初始状态可通过相关传感器采集得到;当然,也可通过神经网络提取的目标车辆的行驶相关数据预测得到,具体可根据实际情况进行确定,此处不做具体限定。
由上述可以看出,若干轨迹点可通过构建目标函数并求解目标函数得到,其中,目标函数为对多运算项进行加权处理得到,目标预测结果包含目标函数中的各运算项的权重。需要说明的是,驾驶场景不同,各运算项对目标函数的影响程度不同,故各运算项的权重应不同,为了使各运算项的权重能适应不同的驾驶场景,在一实施方式中,神经网络还包括权重输出模块,其中,各运算项的权重可由神经网络的权重输出模块基于提取的目标车辆在当前驾驶场景下的行驶特征预测得到,以使得得到的各运算项的权重更符合当前驾驶场景。也就是说,步骤S12利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果不仅包括目标车辆在未来预设时间段的轨迹边界约束信息,还可以包括利用神经网络的权重输出模块对行驶特征进行权重预测,得到目标函数中的各运算项的权重。
在一些场景中,行驶相关数据为多个不同数据采集模块采集的数据,为了便于神经网络的特征提取模块提取行驶特征,在利用神经网络的特征提取模块对行驶相关数据进行特征提取,得到行驶特征之前,可利用神经网络的重构模块对各行驶相关数据转换成统一的数据类型,经转换的行驶相关数据用于输出至特征提取模块进行特征提取。
上述方案,在获取目标车辆的行驶相关数据后,先利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,然后至少基于目标预测结果进行轨迹规划,得到若干轨迹点,其中,目标预测结果包括目标车辆在未来预设时间段的轨迹边界约束信息,轨迹点受轨迹边界约束信息约束,若干轨迹点用于构成目标车辆在未来预设时间段内的目标行驶轨迹。由于构成目标行驶轨迹的若干轨迹点是满足轨迹边界约束信息的轨迹点,因此,目标车辆跟随该目标行驶轨迹行驶时不会超出轨迹边界,能够保证目标车辆的安全驾驶;此外,本申请先利用神经网络预测得到轨迹边界约束信息,再利用规则的方式至少基于目标预测结果规划得到受轨迹边界约束信息约束的若干轨迹点,相比于只利用神经网络和只利用轨迹规划得到目标行驶轨迹的方式,本申请可兼顾神经网络和规则两种方式的优势,使最终得到的目标行驶轨迹更符合目标车辆的行驶情况,进而提高目标车辆驾驶的安全性。
请参阅图2,图2是图1所示步骤S13一实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图2所示的流程顺序为限。如图2所示,本实施例包括:
S21:利用若干轨迹点的位置信息以及目标车辆的期待位置、目标车辆在若干轨迹点上的运动信息以及目标车辆的期待车速,构建目标函数,其中,若干轨迹点的位置信息以及目标车辆在若干轨迹点上的运动信息为待求解项。
本实施例用于利用目标车辆的期待位置、期待车速、若干轨迹点的位置信息和目标车辆在若干轨迹点上的运动信息构建目标函数,并基于相关约束条件,求解目标函数,得到若干轨迹点的位置信息。
期待位置表示目标车辆在未来预设时间段的最后时刻行驶时车辆在第一方向上的期望运动位置,目标车辆的期待车速表示目标车辆在该最后时刻时在第二方向上的运动速度。其中,在当前坐标系为Frenet坐标系的情况下,可将垂直于Frenet坐标系中参考线的方向作为第一方向,将Frenet坐标系中参考线的方向作为第二方向。当然在非Frenet坐标系的其他坐标系下,也可根据车辆在目标坐标系下(例如笛卡尔坐标系或其他坐标系等)的运动方向情况确定第一方向和第二方向,例如,将垂直于目标车辆运动方向的横向方向作为第一方向,将目标车辆的运动方向作为第二方向。
需要说明的是,轨迹规划的目标期待是:目标车辆在跟随规划得到的目标行驶轨迹行驶时,在第一方向和第二方向上的运动能保持平稳状态,且目标车辆在目标行驶轨迹的终点状态为在第一方向上的速度、加速度和加加速度倾向于0,且在终点时能达到期待位置;在第二方向上的加速度和加加速度倾向于0,且在终点时能达到期待车速;其中,若使目标车辆在第一方向和第二方向上的运动保持平稳状态,则在第一方向和第二方向上的加速度和加加速度的值应较小。
本实施例中,以上述轨迹规划的期待为基础,构建目标函数。其中,利用若干轨迹点在第一方向上的位置信息以及目标车辆的期待位置、目标车辆在若干轨迹点上的第一方向的运动信息,构建第一目标函数,以及利用在若干轨迹点上的第二方向的运动信息以及目标车辆的期待车速,构建第二目标函数。目标函数包括第一目标函数和第二目标函数。
其中,构建的第一目标函数为对位置项和至少一个第一运动项进行预设运算得到,该位置项为各轨迹点在第一方向上的位置信息与期待位置之间的差异表征值之和,每个第一运动项对应一种运动信息,运动信息对应的第一运动项为各轨迹点上的第一方向的运动信息之和。需要说明的是,各运算项均会对第一目标函数的结果产生影响,故可对位置项和至少一个第一运动项进行加权处理,得到第一目标函数。
在一具体实施方式中,运动信息包括目标车辆在第一方向上的运动速度。在另一具体实施方式中,运动信息包括速度和其他运动信息,其中,其他运动信息包括加速度、加加速度中的至少一者。可以理解的是,若要满足轨迹规划的上述目标期待,则需使运动信息包括目标车辆在第一方向上的速度、加速度和加加速度。
示例性的,可参考如下公式,下述公式中第一目标函数为对位置项和3个第一运动项进行预设运算得到:
式中,Ll表示第一目标函数,(li-ltarget)2表示位置项,li为各轨迹点在第一方向上的位置信息,Itarget为期待位置,dli 2、ddli 2、dddli 2均为第一运动项,dli表示目标车辆在第一方向上的速度,ddli表示目标车辆在第一方向上的加速度,dddli表示目标车辆在第一方向上的加加速度,w1、w2、w3和w4为分别为位置项和其他3个第一运动项对第一目标函数的影响权重。
当然,在对规划得到的目标行驶轨迹的平滑性等要求不高的情况下,也可使运动信息包括目标车辆在第一方向上的速度、加速度和加加速度中至少一者。
构建的第二目标函数为对车速项和至少一个第二运动项进行预设运算得到,车速项为各轨迹点在第二方向上的速度与期待车速之间的差异表征值之和,每个第二运动项对应一种除速度以外的其他运动信息,其他运动信息对应的第二运动项为各轨迹点上的第二方向的其他运动信息之和。各运算项均会对第一目标函数的结果产生影响,故可对车速项和至少一个第二运动项进行加权处理得到第二目标函数。其中,除速度以外的其他运动信息包括加速度、加加速度中的至少一者。
可以理解的是,若要更大程度的满足轨迹规划的上述目标期待,可使其他运动信息包括目标车辆在第二方向上的加速度和加加速度。
示例性的,可参考如下公式,下述公式中第二目标函数为对车速项和2个第二运动项进行预设运算得到:
式中,Ls表示第二目标函数,(dsi-dstarget)2车速项,dsi表示任一轨迹点在第二方向上的速度,dstarget表示期待车速,ddsi 2、dddsi 2均为第二运动项,ddsi表示目标车辆在第二方向上的加速度,dddsi表示目标车辆在第二方向上的加加速度,w5、w6和w7分别为车速项、在第二方向上的加速度和在第二方向上的加加速度对第二目标函数的影响权重。
需要说明的是,上述示例中构建的第一目标函数和第二目标函数采用的预设运算均是将各项的结果进行加和,得到对应的目标函数。其中,每一项均是对运动信息或者位置信息进行了平方运算,以使最终规划的目标行驶轨迹更加平滑。当然,在其他实施方式中,也可采用其他的预设运算方式构建第一目标函数和第二目标函数。
此外,由上述可知,构建的目标函数包括基于第一方向构建的第一目标函数、以及基于第二方向构建的第二目标函数,各目标函数均存在多个运算项(例如位置项和至少一个运动项)。其中,各运算项对目标函数的影响程度不同,即各运算项对应的权重不同,且在不同的驾驶场景下,各运算项对应的权重并非是固定的,为了使各运算项的权重能适应不同的驾驶场景,第一目标函数和第二目标中各项(各运算项)的权重可由神经网络基于提取的行驶特征预测得到。此外,为适应不同的驾驶场景,上述期待位置和/或期待车速也可由神经网络基于提取的行驶特征预测得到。当然,期待车速和/或期待位置也可根据实际经验确定。
总结来说,神经网络输出的目标预测结果可以包括以下三者中的至少一者:期待位置、期待车速、以及第一目标函数和第二目标函数中各项的权重,具体神经网络输出的目标预测结果包含的内容可根据驾驶场景确定。
S22:利用轨迹边界约束信息对目标函数中的若干轨迹点的位置信息进行约束,并对目标函数求解,得到若干轨迹点的位置信息。
本实施例中,轨迹边界约束信息包括目标车辆在未来预设时间段中的至少一个时间点行驶时对应的预测可通行区域。
其中,利用轨迹边界约束信息对目标函数中的若干轨迹点的位置信息进行约束,包括以下步骤:
第一、对于各预测可通行区域,获取预测可通行区域和道路边界的重叠程度。
其中,在获取到目标车辆在未来预设时间段中的至少一个时间点行驶时对应的预测可通行区域后,对于各预测可通行区域,可利用相关算法对该预测可通行区域与道路边界进行重叠程度计算,获取预测可通行区域和道路边界的重叠程度。
第二、基于各预测可通行区域的重叠程度,确定各预测可通行区域的有效性。
上文提到预测可通行区域为目标车辆在行驶时的预测可通行区域,即目标车辆的行驶区域,该预测可通行区域可以是由四个边界组成的区域。以Frenet坐标系为例,其中,Frenet坐标系的参考线为驾驶员的意图轨迹,将沿着参考线的方向规定为纵向,将垂直于参考线的方向规定为横向,则四个边界包括横向坐边界、横向右边界,纵向下边界和纵向上边界,为使输出的预测可通行区域更加合理,便于利用构建的目标函数进行轨迹规划,可对四个边界进行数值约束,使各边界具有明确的边界范围。
可采用如下方式对各边界进行数值约束:
式中,Cl(i)表示i时刻的横向左边界,Cr(i)表示i时刻的横向右边界,Cu(i)表示i时刻的纵向上边界,Kl为横向最大允许偏离距离,Ks为最大纵向允许偏离距离,其中,为反正切函数,可将数值约束到[-1,1],/>为Sigmoid函数,可将值约束到[0,1],Kl和Ks可根据实际情况预先设定,例如Kl为道路宽度,Ks根据目标车辆的行驶速度和目标行驶轨迹的预测时间确定。此外,为增加后续有效性的几率,纵向下边界统一取0,上边界大于0,且数值随时间增加而增加。
本实施例中,预测可通行区域为神经网络预测得到,考虑到神经网络输出的可解释性的缺陷,可对神经网络输出的预测可通行区域进行有效性校验,以校验神经网络输出的预测可通行区域是否合理有效。
其中,可根据基础规则预先设置不同重叠程度表示的有效性含义。
具体地,当重叠程度小于第一程度阈值,说明预测可通行区域与道路边界不重复或者只有小部分重叠,则确定预测可通行区域有效;需要说明的是,为了保证驾驶的安全性,预测可通行区域的区域范围一般大于实际可通行的区域范围,因此,即使预测可通行区域与道路边界存在小部分重叠,也是合理有效的,不会存在驾驶安全问题;当重叠程度大于或等于第一程度阈值且小于第二程度阈值,说明预测可通行区域与道路边界存在较大程度的重复,此时,为了保证驾驶的安全性,需对神经网络输出的预测可通行区域进行调整,将神经网络输出的预测可通行区域调整为未超出道路边界,并将调整后的预测可通行区域确定有效;需要说明的是,当重叠程度大于第二程度阈值,目标车辆在预测可通行区域行驶时可能会与路沿发生碰撞,为保证驾驶的安全性,确定预测可通行区域无效,并退出自动驾驶,提醒驾驶员接管。
第三、利用有效的预测可通行区域对若干轨迹点的位置信息进行约束。
确定有效的预测可通行区域后,利用有效的预测可通行区域对若干轨迹点的位置信息进行约束,进而通过求解目标函数,得到若干轨迹点的位置信息。
其中,在确定有效的预测可通行区域后,可利用有效的预测可通行区域对目标函数中的若干轨迹点的位置信息进行约束,并对目标函数求解,得到若干轨迹点的位置信息。其中,可利用相关数学算法求解目标函数,使在目标函数满足上述约束的情况下,得到的结果最小,该最小结果对应的若干轨迹点的位置信息,即为轨迹规划得到的若干轨迹点的位置信息。其中,在目标函数包括第一目标函数和第二目标函数的情况下,使第一目标函数和第二目标函数和最小,以得到若干轨迹点的位置信息。
需要说明的是,在一些实施例中,由神经网络预测得到的目标车辆在未来预设时间段中的至少一个时间点行驶时对应的预测可通行区域,只是未来预设时间段中部分时间点对应的预测可通行区域,也就是说,神经网络只对部分时间点的轨迹点进行了约束(为方便解说,将神经网络进行预测可通行区域约束对应的轨迹点称作约束点),其中,大部分时间点对应的轨迹点是没有进行约束的,为了进一步提高目标车辆跟随目标行驶轨迹行驶的安全性,可对神经网络未输出预测可通行区域对应的剩余轨迹点进行安全校验,其中,可对剩余的所有轨迹点进行安全校验;当然,为了减少计算量,提高轨迹规划的实时性,也可随机选取部分剩余轨迹点进行安全校验。
由于目标行驶轨迹为由未来预设时间段各时间点对应的轨迹点构成,故任一轨迹点均和其前后的轨迹点存在关联,故对于剩余的轨迹点,其和在先或者在后的约束点之间存在关联,其中,各约束点的预测可通行区域已知,故可利用约束点的预测可通行区域和预设的基本约束区域取上下界取代,确定各剩余轨迹点的可通行区域,校验轨迹点的位置是否位于该可通行区域内,若位于该区域,则该轨迹点通过安全校验。其中,预测可通行区域和预设基本约束区域取上下界取代表示,将预测可通行区域和预设基本约束区域中的重合区域作为该剩余轨迹点的可通行区域。当然,上述只是对剩余轨迹点的位置信息进行安全校验,相似的,在其他实施方式中,还可采用上述方式对剩余轨迹点的速度、加速度和加加速度中的至少一者进行安全校验。
请参阅图3,图3是本申请提供的轨迹规划方法一实施例的部分流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图3所示的流程顺序为限。本实施例中,在步骤S13至少基于目标预测结果进行轨迹规划,得到若干轨迹点迹后,还包括以下步骤:
S31:获取目标车辆按照目标行驶轨迹行驶时与周围障碍物的碰撞数据。
本实施例用于获取目标车辆按照目标行驶轨迹行驶时与周围障碍物的碰撞数据,并基于碰撞数据调整神经网络的网络参数,以利用调整后的神经网络对后续的行驶相关数据进行预测,不断提升神经网络目标预测结果的准确性。
本实施例中,在获取轨迹规划的目标行驶轨迹后,将目标行驶轨迹发给目标车辆控制器,由目标车辆控制器控制目标车辆按照目标行驶轨迹行驶,其中,在目标车辆按照目标行驶轨迹行驶时,获取其与周围障碍物的碰撞数据,然后执行步骤S32和S33。其中,周围障碍物可以是任何能够影响目标车辆行驶的物体,例如是车辆、行人或是建筑物等。
S32:基于碰撞数据,获取关于目标行驶轨迹的评分数据。
碰撞数据可以为是否碰撞或碰撞程度等数据,在获取碰撞数据后,可利用相关算法或者模型基于获取的碰撞数据进行评分,获取关于目标行驶轨迹的评分数据,该评分数据用于评价目标车辆按照目标行驶轨迹行驶安全性。
S33:基于评分数据,调整神经网络的网络参数,得到调整后的神经网络,调整后的神经网络用于对后续的行驶相关数据进行预测。
可以理解的是,本实施例可根据目标车辆与周围障碍物的碰撞数据不断调整神经网络参数,以不断提高神经网络目标预测结果的准确性,进而便于根据该准确的目标预测结果进行轨迹规划,得到更加平滑且利于安全自动驾驶的目标行驶轨迹。
当然,在其他实施方式中,在将规划得到的目标行驶轨迹发给目标车辆控制器,控制器控制目标车辆按照目标行驶轨迹行驶过程中,还可获取目标车辆行驶的平滑性数据,根据平滑性数据和碰撞数据,获取关于目标行驶轨迹的评分数据,基于评分数据,调整神经网络的网络参数,得到调整后的神经网络。
请参阅图4,图4是本申请提供的轨迹规划方法一实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图4所示的流程顺序为限。本实施例中,轨迹规划方法包括以下步骤:
S41:获取目标车辆的行驶相关数据。
本实施例中,获取的为不同数据采集模块采集的行驶相关数据,具体可参考步骤S11中部分的相关描述,此处不做过多赘述。
S42:利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果。
请参阅图5,图5为本申请提供的神经网络的框架图。如图5所示,神经网络包括重构模块、特征提取模块、边界输出模块和权重输出模块,其中,重构模块用于将各行驶相关数据转换成统一的数据类型,并将经转换的行驶相关数据发送至特征提取模块进行特征提取,得到行驶特征,权重输出模块用于对行驶特征进行权重预测,得到目标函数中的各运算项的权重,边界输出模块用于对行驶特征进行边界预测,得到轨迹边界约束信息。其中神经网络预测得到的目标预测结果包括目标函数中的各运算项的权重和轨迹边界约束信息。
S43:利用目标预测结果中各运算项的权重和轨迹边界约束信息,求解目标函数得到若干轨迹点。
具体构建目标函数、以及利用目标预测结果中各运算项的权重和轨迹边界约束信息,求解目标函数得到若干轨迹点的内容可参考上文(例如步骤S13部分)相关描述,此处不做过多赘述。
请参阅图6,图6是本申请提供的电子设备一实施例的框架示意图。本实施方式中,电子设备60包括相互耦接的存储器61和处理器62。
存储器61存储有程序指令,处理器62用于执行存储器61中存储的程序指令,以实现上述任一方法实施方式的步骤。在一个具体的实施场景中,电子设备60可以包括但不限于:微型计算机、服务器,此外,电子设备60还可以包括笔记本电脑、平板电脑等移动设备,在此不做限定。
具体而言,处理器62用于控制其自身以及存储器61以实现上述任一实施方式的步骤。处理器62还可以称为CPU(Central Processing Unit,中央处理单元)。处理器62可能是一种集成电路芯片,具有信号的处理能力。处理器62还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器62可以由集成电路芯片共同实现。
请参阅图7,图7是本申请提供的计算机可读存储介质的框架示意图。本申请实施例的计算机可读存储介质70存储有程序指令71,该程序指令71被执行时实现上述方法中任一实施例以及任意不冲突的组合所提供的方法。其中,该程序指令71可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质70中,以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质70包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
上述方案,在获取目标车辆的行驶相关数据后,先利用神经网络基于行驶相关数据进行轨迹预测,得到目标预测结果,然后至少基于目标预测结果进行轨迹规划,得到若干轨迹点,其中,目标预测结果包括目标车辆在未来预设时间段的轨迹边界约束信息,轨迹点受轨迹边界约束信息约束,若干轨迹点用于构成目标车辆在未来预设时间段内的目标行驶轨迹。由于构成目标行驶轨迹的若干轨迹点是满足轨迹边界约束信息的轨迹点,因此,目标车辆跟随该目标行驶轨迹行驶时不会超出轨迹边界,能够保证目标车辆的安全驾驶;此外,本申请先利用神经网络预测得到轨迹边界约束信息,再利用规则的方式至少基于目标预测结果规划得到受轨迹边界约束信息约束的若干轨迹点,相比于只利用神经网络和只利用轨迹规划得到目标行驶轨迹的方式,本申请可兼顾神经网络和规则两种方式的优势,使最终得到的目标行驶轨迹更符合目标车辆的行驶情况,进而提高目标车辆驾驶的安全性。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (15)
1.一种轨迹规划方法,其特征在于,所述方法包括:
获取目标车辆的行驶相关数据;
利用神经网络基于所述行驶相关数据进行轨迹预测,得到目标预测结果,其中,所述目标预测结果包括所述目标车辆在未来预设时间段的轨迹边界约束信息;
至少基于所述目标预测结果进行轨迹规划,得到若干轨迹点,其中,所述轨迹点受所述轨迹边界约束信息约束,所述若干轨迹点用于构成所述目标车辆在所述未来预设时间段内的目标行驶轨迹。
2.根据权利要求1所述的方法,其特征在于,所述行驶相关数据包括道路边界数据、位于所述目标车辆的预设距离范围内的周围障碍物数据、所述目标车辆的历史行驶数据和所述目标车辆在所述未来预设时间段的意图轨迹中的至少一者。
3.根据权利要求1所述的方法,其特征在于,
所述行驶相关数据包括所述目标车辆在所述未来预设时间段的意图轨迹;所述轨迹边界约束信息为Frenet坐标系下的边界信息,所述若干轨迹点为所述Frenet坐标系下的轨迹点,所述Frenet坐标系的参考线为所述意图轨迹;
所述至少基于所述目标预测结果进行轨迹规划,得到若干轨迹点,包括:
将所述若干轨迹点转换至目标坐标系下。
4.根据权利要求1所述的方法,其特征在于,所述至少基于所述目标预测结果进行轨迹规划,得到若干轨迹点,包括:
利用所述若干轨迹点的位置信息以及所述目标车辆的期待位置、所述目标车辆在所述若干轨迹点上的运动信息以及所述目标车辆的期待车速,构建目标函数,其中,所述若干轨迹点的位置信息以及所述目标车辆在所述若干轨迹点上的运动信息为待求解项;
利用所述轨迹边界约束信息对所述目标函数中的若干轨迹点的位置信息进行约束,并对所述目标函数求解,得到若干轨迹点的位置信息。
5.根据权利要求4所述的方法,其特征在于,所述利用所述若干轨迹点的位置信息以及所述目标车辆的期待位置、所述目标车辆在所述若干轨迹点上的运动信息以及所述目标车辆的期待车速,构建目标函数,包括:
利用所述若干轨迹点在第一方向上的位置信息以及所述目标车辆的期待位置、所述目标车辆在所述若干轨迹点上的第一方向的运动信息,构建第一目标函数,以及
利用所述在所述若干轨迹点上的第二方向的运动信息以及所述目标车辆的期待车速,构建第二目标函数。
6.根据权利要求5所述的方法,其特征在于,所述第一目标函数为对位置项和至少一个第一运动项进行预设运算,所述位置项为各所述轨迹点在第一方向上的位置信息与所述期待位置之间的差异表征值之和,每个第一运动项对应一种运动信息,所述运动信息对应的第一运动项为各所述轨迹点上的第一方向的所述运动信息之和;
和/或,所述运动信息包括速度,所述第二目标函数为对车速项和至少一个第二运动项进行预设运算,所述车速项为各所述轨迹点在第二方向上的速度与所述期待车速之间的差异表征值之和,每个第二运动项对应一种除速度以外的其他运动信息,所述其他运动信息对应的第二运动项为各所述轨迹点上的第二方向的所述其他运动信息之和。
7.根据权利要求6所述的方法,其特征在于,所述运动信息包括速度和其他运动信息,所述其他运动信息包括加速度、加加速度中的至少一者;
所述第一目标函数为对所述位置项和至少一个第一运动项进行加权处理,所述第二目标函数是对所述车速项和至少一个第二运动项进行加权处理,其中,所述目标预测结果包括以下三者中的至少一者:所述期待位置、所述期待车速、以及所述第一目标函数和第二目标函数中各项的权重。
8.根据权利要求4所述的方法,其特征在于,所述轨迹边界约束信息包括所述目标车辆在未来预设时间段中的至少一个时间点行驶时对应的预测可通行区域;相邻所述时间点的时间间隔大于相邻所述轨迹点的时间间隔;
所述利用所述轨迹边界约束信息对所述若干轨迹点的位置信息进行约束,包括:
对于各所述预测可通行区域,获取所述预测可通行区域和道路边界的重叠程度;
基于各所述预测可通行区域的所述重叠程度,确定各所述预测可通行区域的有效性;
利用有效的所述预测可通行区域对所述若干轨迹点的位置信息进行约束。
9.根据权利要求8所述的方法,其特征在于,所述基于各所述预测可通行区域的所述重叠程度,确定各所述预测可通行区域的有效性,包括:
响应于所述重叠程度小于第一程度阈值,确定所述预测可通行区域有效;
响应于所述重叠程度大于或等于所述第一程度阈值且小于第二程度阈值,将所述预测可通行区域调整为未超出所述道路边界,并将调整后的所述预测可通行区域确定有效。
10.根据权利要求4所述的方法,其特征在于,所述至少基于所述目标预测结果进行轨迹规划,得到若干轨迹点,还包括:
获取所述目标车辆的初始状态;
以所述初始状态对所述目标函数中的求解项进行约束。
11.根据权利要求1所述的方法,其特征在于,
所述利用神经网络基于所述行驶相关数据进行轨迹预测,得到目标预测结果,包括:
利用所述神经网络的特征提取模块对所述行驶相关数据进行特征提取,得到行驶特征;
利用所述神经网络的边界输出模块对所述行驶特征进行边界预测,得到所述轨迹边界约束信息。
12.根据权利要求11所述的方法,其特征在于,所述若干轨迹点是通过构建目标函数并求解所述目标函数得到的,所述目标函数为对多个运算项进行加权处理,所述目标预测结果还包含所述目标函数中的各运算项的权重,所述利用神经网络基于所述行驶相关数据进行轨迹预测,得到目标预测结果,还包括:
利用所述神经网络的权重输出模块对所述行驶特征进行权重预测,得到所述目标函数中的各运算项的权重;
和/或,在所述利用所述神经网络的特征提取模块对所述行驶相关数据进行特征提取,得到行驶特征之前,所述方法还包括:
利用所述神经网络的重构模块对各所述行驶相关数据转换成统一的数据类型,经转换的所述行驶相关数据用于输出至所述特征提取模块进行特征提取。
13.根据权利要求1所述的方法,其特征在于,在所述至少基于所述目标预测结果进行轨迹规划,得到若干轨迹点迹后,所述方法还包括:
获取所述目标车辆按照所述目标行驶轨迹行驶时与周围障碍物的碰撞数据;
基于所述碰撞数据,获取关于所述目标行驶轨迹的评分数据;
基于所述评分数据,调整所述神经网络的网络参数,得到调整后的神经网络,所述调整后的神经网络用于对后续的行驶相关数据进行预测。
14.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,
所述存储器存储有程序指令;
所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1-13任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有能够被处理器运行的程序指令,所述程序指令用于实现权利要求1-13任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310878277.3A CN117002528A (zh) | 2023-07-17 | 2023-07-17 | 轨迹规划方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310878277.3A CN117002528A (zh) | 2023-07-17 | 2023-07-17 | 轨迹规划方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117002528A true CN117002528A (zh) | 2023-11-07 |
Family
ID=88564658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310878277.3A Pending CN117002528A (zh) | 2023-07-17 | 2023-07-17 | 轨迹规划方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117002528A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117400945A (zh) * | 2023-12-15 | 2024-01-16 | 广汽埃安新能源汽车股份有限公司 | 一种基于单目视觉信息的车辆控制方法及装置 |
-
2023
- 2023-07-17 CN CN202310878277.3A patent/CN117002528A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117400945A (zh) * | 2023-12-15 | 2024-01-16 | 广汽埃安新能源汽车股份有限公司 | 一种基于单目视觉信息的车辆控制方法及装置 |
CN117400945B (zh) * | 2023-12-15 | 2024-02-23 | 广汽埃安新能源汽车股份有限公司 | 一种基于单目视觉信息的车辆控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
US20220227367A1 (en) | Systems and methods for vehicle navigation | |
US10324469B2 (en) | System and method for controlling motion of vehicle in shared environment | |
EP4152204A1 (en) | Lane line detection method, and related apparatus | |
JP7200371B2 (ja) | 車両速度を決定する方法及び装置 | |
US20220410939A1 (en) | Collision detection method, electronic device, and medium | |
WO2015156097A1 (ja) | 衝突防止装置 | |
KR20200123474A (ko) | 자율 주행을 위한 항법 정보의 융합 프레임워크 및 배치 정렬 | |
CN114323054B (zh) | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 | |
US20230075836A1 (en) | Model training method and related device | |
US12005889B2 (en) | Arithmetic operation device for vehicle | |
CN113942524B (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
EP4020113A1 (en) | Dynamic model evaluation package for autonomous driving vehicles | |
JP2018063476A (ja) | 運転支援装置、運転支援方法及び運転支援用コンピュータプログラム | |
US20230053459A1 (en) | Vehicle-based data processing method and apparatus, computer, and storage medium | |
CN117002528A (zh) | 轨迹规划方法、设备和存储介质 | |
JP7125286B2 (ja) | 行動予測装置及び自動運転装置 | |
JP5482323B2 (ja) | 運転支援装置及びプログラム | |
CN116767281A (zh) | 一种辅助驾驶方法、装置、设备、车辆和介质 | |
CN112477855B (zh) | 一种车辆转向辅助方法、装置及设备 | |
CN116736855A (zh) | 评估自主驾驶规划和控制的方法和系统 | |
CN114426030B (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
US20230406300A1 (en) | Lane following system and method considering driving assistance lane | |
RU2783780C1 (ru) | Способ для адаптивного управления характеристиками движения высокоавтоматизированного транспортного средства в зависимости от уровня неопределенности в оценке окружающей ситуации | |
CN113850209B (zh) | 一种动态物体检测方法、装置、交通工具及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |