CN117168488A - 一种车辆的路径规划方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种车辆的路径规划方法、装置、设备及介质。其中，所述方法包括：确定目标车辆在目标时刻的目标数据；根据目标数据以及基于预测模型得到目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；状态信息包括位置信息以及运动状态信息；根据目标数据、各预测时刻的自车状态信息确定目标车辆的目标行驶路径。通过执行本发明实施例提供的方案，可以实现提升轨迹规划结果与人工驾驶估计相似度，可以提高轨迹稳定性，保障动作空间的连续性和平滑性。

Description

一种车辆的路径规划方法、装置、设备及介质

技术领域

本发明涉及自动驾驶车辆的路径规划技术领域，尤其涉及一种车辆的路径规划方法、装置、设备及介质。

背景技术

自动驾驶车辆是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。对于自动驾驶车辆来说，路径规划是关系到车辆行驶安全性及稳定性的重要因素。

相关技术中的车辆行驶轨迹预测方案，在轨迹规划的过程中考虑的影响行车因素有限，设定的约束条件有限，轨迹生成需要依赖优化求解方法，未做到一站式解决问题，且受限优化求解方法易出现异常导致后处理捕获逻辑异常冗杂。导致车辆的规划路径与理想路径存在很大偏差，车辆沿着规划路径行驶的过程中速度和加速度不稳定，增加了道路行车的风险。

发明内容

本发明提供了一种车辆的路径规划方法、装置、设备及介质，可以实现提升轨迹规划结果与人工驾驶估计相似度，可以提高轨迹稳定性，保障动作空间的连续性和平滑性。

根据本发明的一方面，提供了一种车辆的路径规划方法，该方法包括：

确定目标车辆在目标时刻的目标数据；所述目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；所述目标时刻包括当前时刻以及至少一个历史时刻；

根据所述目标数据以及基于预测模型得到所述目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；所述预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；所述状态信息包括位置信息以及运动状态信息；

根据所述目标数据、各所述预测时刻的自车状态信息确定所述目标车辆的目标行驶路径。

根据本发明的另一方面，提供了一种车辆的路径规划装置，该装置包括：

目标数据确定模块，用于确定目标车辆在目标时刻的目标数据；所述目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；所述目标时刻包括当前时刻以及至少一个历史时刻；

自车状态信息确定模块，用于根据所述目标数据以及基于预测模型得到所述目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；所述预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；所述状态信息包括位置信息以及运动状态信息；

目标行驶路径确定模块，用于根据所述目标数据、各所述预测时刻的自车状态信息确定所述目标车辆的目标行驶路径。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的车辆的路径规划方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的车辆的路径规划方法。

本发明实施例的技术方案，确定目标车辆在目标时刻的目标数据；目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；目标时刻包括当前时刻以及至少一个历史时刻；根据目标数据以及基于预测模型得到目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；状态信息包括位置信息以及运动状态信息；根据目标数据、各预测时刻的自车状态信息确定目标车辆的目标行驶路径。通过执行本发明实施例提供的方案，可以实现提升轨迹规划结果与人工驾驶估计相似度，可以提高轨迹稳定性，保障动作空间的连续性和平滑性。

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是本发明实施例提供的一种车辆的路径规划方法的流程图；

图2是本发明实施例提供的另一种车辆的路径规划方法的流程图；

图3是本发明实施例提供的目标车辆的目标运动路径示意图；

图4是本发明实施例提供的又一种车辆的路径规划方法的流程图；

图5是本发明实施例提供的历史预测时刻的自车状态信息的确定过程的流程图；

图6是本发明实施例提供的一种车辆的路径规划装置的结构示意图；

图7是实现本发明实施例的车辆的路径规划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。

图1是本发明实施例提供的车辆的路径规划方法的流程图，本实施例可适用于对自动驾驶车辆的行驶路径进行规划的情况，该方法可以由车辆的路径规划装置来执行，该车辆的路径规划装置可以采用硬件和/或软件的形式实现，该车辆的路径规划装置可配置于用于车辆的路径规划的电子设备中。如图1所示，该方法包括：

S110:确定目标车辆在目标时刻的目标数据。

其中，所述目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；所述目标时刻包括当前时刻以及至少一个历史时刻。

示例性的，目标车辆为自车，本方案可以采用Frenet坐标系，并将目标时刻目标车辆所在的位置作为坐标原点，确定目标车辆在目标时刻的目标数据。自车信息可以是目标车辆的纵向坐标，横向坐标，车头朝向，曲率，纵向速度，横向速度，纵向加速度，横向加速度，车长，车宽，左转信号，左转信号灯状态，直行信号，直行信号灯状态，右转信号，右转信号灯状态，调头信号，调头信号灯状态。

目标数据中的障碍物信息可以是目标时刻目标车辆周围的动态障碍物、静态障碍物的信息，动态障碍物可以是车辆、行人，静态障碍物可以是路障、石头。障碍物信息可以是包括障碍物的纵向坐标，横向坐标，障碍物朝向，纵向速度，横向速度，障碍物长，障碍物宽，障碍物类型，障碍物与目标车辆的距离。障碍物的数量可以为64个。

目标数据中的参考线信息为目标时刻高清地图中的参考线上参考点的信息，可以包括参考线纵向坐标，参考线横向坐标，参考线角度以及纵向累计值。其中，纵向累计值为参考点与坐标原点之间的距离。参考线纵向坐标，参考线横向坐标，参考线角度可以根据高清地图确定。参考点的数量可以为100个。地图信息可以包括地图停止线，人行横道，左车道边界纵向坐标，左车道边界横向坐标，右车道边界纵向坐标，右车道边界横向坐标，左参考线边界纵向坐标，左参考线边界横向坐标，右参考线边界纵向坐标，右参考线边界横向坐标，停止线标识，人行横道标识，减速带标识，车道转向。

例如历史时刻的个数可以为4，前四个历史时刻之间的时间间隔可以为0.5s，最后一个历史时刻与当前时刻的时间间隔为0.1s。

S120:根据所述目标数据以及基于预测模型得到所述目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息。

其中，所述预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；所述状态信息包括位置信息以及运动状态信息。

示例性的，未来预设时间段最少为6s，可以根据实际需要设置，例如8s。预设时间间隔可以根据实际需要设置，例如0.1s。历史数据中可以包括历史车辆在各个轨迹点的障碍物感知信息、时间信息，地图数据、运动状态信息以及位置信息。位置信息可以包括纵向坐标，横向坐标，车头朝向。运动状态信息可以包括速度，加速度，曲率。本方案可以将目标数据输入至预测模型得到目标车辆在未来预设时间段内连续多个预测时刻的自车状态信息，可以实现对未来状态间变化量进行确定，避免了通过优化算法生成过程状态带来的数据异常，可以提高车辆路径规划的准确度。

S130:根据所述目标数据、各所述预测时刻的自车状态信息确定所述目标车辆的目标行驶路径。

其中，如图2所示，为了使梯度下降更迅速，或者模型收敛效果更好，在预测模型的生成过程中采用了归一化处理，通过预测模型确定的各预测时刻的自车状态信息为归一化处理后的数据。其中，纵向坐标(米)的归一化参数范围为[-6.0，6.0]，横向坐标(米)的归一化参数范围为[-0.1，0.1]，车头朝向(弧度)的归一化参数范围为[-0.7，0.7]，曲率的归一化参数范围为[-0.05，0.05]，速度(米/秒)的归一化参数范围为[-0.5，0.5]，加速度(米/秒秒)的归一化参数范围为[-4.0，4.0]。

本方案在确定完成各预测时刻的自车状态信息之后，可以将各预测时刻的自车状态信息进行反归一化处理得到反归一化处理后的自车状态信息，将各预测时刻反归一化处理后的自车状态信息以及目标数据由Frenet坐标系转换至世界坐标系，然后可以根据世界坐标系下的目标车辆在当前时刻的目标数据以及未来预设时间段内各预测时刻反归一化处理后的自车状态信息确定目标车辆的目标行驶路径，完成目标车辆的行驶轨迹规划，如图3所示。

本发明实施例的技术方案，确定目标车辆在目标时刻的目标数据；目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；目标时刻包括当前时刻以及至少一个历史时刻；根据目标数据以及基于预测模型得到目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；状态信息包括位置信息以及运动状态信息；根据目标数据、各预测时刻的自车状态信息确定目标车辆的目标行驶路径。通过执行本发明实施例提供的方案，可以实现提升轨迹规划结果与人工驾驶估计相似度，可以提高轨迹稳定性，保障动作空间的连续性和平滑性。

图4为本发明实施例提供的车辆的路径规划方法的流程图，本实施例在上述实施例的基础上进行优化。如图4所示，本发明实施例中的车辆的路径规划方法可以包括：

S210:确定目标时刻的原始数据。

其中，所述原始数据包括障碍物感知信息、目标车辆的定位信息、高精地图数据以及目标车辆的轮速传感器数据。

示例性的，障碍物感知信息可以包括障碍物类型、障碍物的尺寸(即长、宽、高)以及障碍物的速度等信息。原始数据中还可以包括对目标车辆周围环境的感知数据，例如交通灯的信号数据。

S220:根据所述目标时刻的原始数据确定目标车辆在目标时刻的目标数据。

本方案可以根据目标时刻的高精地图数据确定目标时刻目标车辆在地图中所在车道的参考线，然后根据目标时刻目标车辆所在的位置从参考线上每隔1m确定距离坐标原点最近的100个点作为参考点，70个参考点位于坐标原点前方，30个参考点位于坐标原点后方。本方案还可以选取目标时刻与目标车辆距离最近的64个障碍物，如果障碍物数量不足64以虚拟障碍物(距自车纵向＝100m，横向＝5m,速度＝0m/s,加速度＝0m/s²)进行补位，坐标系全部使用Frenet坐标系。并确定目标时刻目标车辆的各个参考点信息。本方案可以将目标数据中的自车信息用A表示，障碍物信息用B表示，目标车辆的参考线信息以及地图信息用C表示。假设目标车辆数量为1，障碍物数量为64，参考点数量为100，目标时刻的数量有5个。所以A，B，C的输入向量维度均不同，A的向量维度为[5，1，18]，B为[5，64，18]，C为[5，100，18]。其中，障碍物信息不足18个的用0进行补位。

S230:根据所述目标数据以及基于预测模型得到所述目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息。

S240：根据所述目标数据、各所述预测时刻的自车状态信息确定所述目标车辆的目标行驶路径。

在本实施例中，可选的，预测模型的确定过程，包括：对于每一个历史数据，根据所述历史数据确定所述历史车辆在至少两个过去历史时刻的特征数据；所述特征数据包括所述历史车辆在所述历史数据中过去历史时刻的自车信息、障碍物信息、参考线信息以及地图信息；根据各所述特征数据以及基于预设的预测算法得到至少两个历史预测时刻的自车状态信息；确定所述历史数据中所述历史车辆在至少两个未来历史时刻的自车状态信息；所述未来历史时刻根据所述历史数据的过去历史时刻以及预设周期确定；根据各所述历史预测时刻历史车辆的自车状态信息、各所述未来历史时刻历史车辆的自车状态信息以及预设的预测算法的损失函数确定所述预测模型。

其中，历史数据可以包括历史时刻的障碍物感知信息、历史车辆的定位信息、高精地图数据以及历史车辆的轮速传感器数据。以某个历史车辆的历史数据为例，本方案可以采用Frenet坐标系，并将该历史数据中起始时刻历史车辆所在的位置作为坐标原点，确定历史车辆在历史时刻中的5个过去历史时刻的特征数据。根据历史数据确定历史车辆在历史时刻中的5个过去历史时刻的特征数据的过程可以参考前述根据目标时刻的原始数据确定目标车辆在目标时刻的目标数据的过程。

特征数据中的自车信息可以是历史车辆在过去历史时刻的纵向坐标，横向坐标，车头朝向，曲率，纵向速度，横向速度，纵向加速度，横向加速度，车长，车宽，左转信号，左转信号灯状态，直行信号，直行信号灯状态，右转信号，右转信号灯状态，调头信号，调头信号灯状态。

特征数据中的障碍物信息可以是包括过去历史时刻障碍物的纵向坐标，横向坐标，障碍物朝向，纵向速度，横向速度，障碍物长，障碍物宽，障碍物类型，障碍物与目标车辆的距离。障碍物的数量可以为64个。

特征数据中的参考线信息为过去历史时刻高清地图中的参考线上参考点的信息，可以包括参考线纵向坐标，参考线横向坐标，参考线角度以及纵向累计值。其中，纵向累计值为参考点与坐标原点之间的距离。参考线角度参考线纵向坐标，参考线横向坐标，参考线角度可以根据高清地图确定。参考点的数量可以为100个。地图信息可以包括地图停止线，人行横道，左车道边界纵向坐标，左车道边界横向坐标，右车道边界纵向坐标，右车道边界横向坐标，左参考线边界纵向坐标，左参考线边界横向坐标，右参考线边界纵向坐标，右参考线边界横向坐标，停止线标识，人行横道标识，减速带标识，车道转向。

例如过去历史时刻的个数可以为5，前四个过去历史时刻之间的时间间隔可以为0.5s，最后两个过去历史时刻之间的时间间隔为0.1s。过去历史时刻可以是在历史数据中确定多个历史时刻，以其中某个历史时刻T为分界点，T之前的时刻为过去历史时刻，T之后的时刻为未来历史时刻。

预设的预测算法可以根据实际需要选择，通过预设的预测算法对历史车辆在至少两个过去历史时刻的特征数据进行处理可以得到至少两个历史预测时刻历史车辆的自车状态信息。

预设周期可以根据实际需要设置，例如预设周期可以为0.1s。本方案可以根据过去历史时刻按照预设周期确定至少两个未来历史时刻，并确定历史数据中未来历史时刻历史车辆的自车状态信息。

最后，本方案可以根据各历史预测时刻历史车辆的自车状态信息、各未来历史时刻历史车辆的自车状态信息基于预设的预测算法的损失函数对预设的预测算法进行训练以确定预测模型。例如当损失函数的损失值收敛或者损失函数的损失值满足一定条件时，表示预设的预测算法中的参数优化完成，将参数优化完成的预设的预测算法作为预测模型。可以实现通过历史车辆的历史数据确定预测模型，为后续的路径规划提供了可靠的数据基础。

在一个可行的实施方式中，可选的，未来历史时刻的确定过程包括：将所述历史数据中最近一个过去历史时刻作为当前历史时刻；根据所述当前历史时刻以及所述历史数据确定预设历史时间段；将所述历史数据中所述预设历史时间段内与上一个时刻间隔预设周期的时刻作为未来历史时刻。

其中，本方案可以确定历史数据中最近一个过去历史时刻，并将其作为当前历史时刻，根据当前历史时刻以及历史数据确定预设历史时间段，例如8s，然后将8s内与上一历史时刻间隔为预设周期(例如0.1s)的时刻作为未来历史时刻。例如，第一个未来历史时刻与当前历史时刻的时间间隔为0.1s。下一个未来历史时刻与上一个未来历史时刻的时间间隔为0.1s。可以实现为确定能够准确进行路径规划的预测模型提供可靠的数据基础。

在另一个可行的实施方式中，可选的，所述预设的预测算法的网络结构包括预处理层、类型编码层、特征编码层、位置编码层、局部图神经网络层、多头注意力层、多层全连接层；所述历史预测时刻的自车状态信息的确定过程，包括：根据所述特征数据中的自车信息确定自车轨迹屏蔽向量以及自车类型信息；根据所述特征数据中的障碍物信息确定障碍物轨迹屏蔽向量以及障碍物类型信息；根据所述特征数据中的参考线信息以及地图信息确定参考线轨迹屏蔽向量以及参考线类型信息；根据所述特征数据、所述自车轨迹屏蔽向量、所述障碍物轨迹屏蔽向量、所述参考线轨迹屏蔽向量以及基于所述预处理层确定动态特征向量，静态特征向量，动态屏蔽向量以及静态屏蔽向量；将所述障碍物类型信息、所述自车类型信息以及所述参考线类型信息通过所述类型编码层进行处理得到第一向量；通过所述位置编码层对所述动态特征向量进行处理得到位置编码信息；通过所述特征编码层对所述静态特征向量进行处理得到特征编码信息；将所述位置编码信息、特征编码信息、动态屏蔽向量以及静态屏蔽向量通过所述局部图神经网络层进行处理得到第二向量；将所述第一向量和第二向量依次通过所述多头注意力层、多层全连接层进行处理，得到历史预测时刻的自车状态信息。

其中，本方案可以将特征数据中的自车信息用ego表示，障碍物信息用agent表示，参考线信息以及地图信息用refline表示，由于特征数据中的自车信息包括历史车辆在过去历史时刻的纵向坐标，横向坐标，车头朝向，曲率，纵向速度，横向速度，纵向加速度，横向加速度，车长，车宽，左转信号，左转信号灯状态，直行信号，直行信号灯状态，右转信号，右转信号灯状态，调头信号，调头信号灯状态。障碍物的数量为64个，特征数据中的障碍物信息包括过去历史时刻障碍物的纵向坐标，横向坐标，障碍物朝向，纵向速度，横向速度，障碍物长，障碍物宽，障碍物类型，障碍物与目标车辆的距离。参考点的数量为100个，参考线信息包括参考线纵向坐标，参考线横向坐标，参考线角度以及纵向累计值，地图信息包括地图停止线，人行横道，左车道边界纵向坐标，左车道边界横向坐标，右车道边界纵向坐标，右车道边界横向坐标，左参考线边界纵向坐标，左参考线边界横向坐标，右参考线边界纵向坐标，右参考线边界横向坐标，停止线标识，人行横道标识，减速带标识，车道转向。过去历史时刻的数量为5，ego，agent，refline的输入向量维度均不同，ego的向量维度为[5，1，18]，agent的向量维度为[5，64，18]，refline的向量维度为[5，100，18]。

预处理层、类型编码层、特征编码层、位置编码层均为全连接层，如图5所示，本方案可以根据特征数据中的自车信息ego确定自车轨迹屏蔽向量以及自车类型信息，根据特征数据中的障碍物信息agent确定障碍物轨迹屏蔽向量以及障碍物类型信息，根据特征数据中的参考线信息以及地图信息refline确定参考线轨迹屏蔽向量以及参考线类型信息。其中，自车轨迹屏蔽向量的向量维度为[1,5]，自车类型信息的向量维度为[1]，障碍物轨迹屏蔽向量的向量维度为[64,5]，障碍物类型信息的向量维度为[64]，参考线轨迹屏蔽向量的向量维度为[100,5]，参考线类型信息的向量维度为[100]。另外本方案还可以确定场景数量的向量维度为[batch_size]，默认为1,训练阶段根据读入数据场景数量动态更新。例如，将场景数量作为一个向量维度分别添加至训练阶段涉及到的各向量中。

然后根据特征数据、自车轨迹屏蔽向量、障碍物轨迹屏蔽向量、参考线轨迹屏蔽向量以及基于预处理层确定动态特征向量，静态特征向量，动态屏蔽向量以及静态屏蔽向量。动态特征向量的向量维度，静态特征向量的向量维度，动态屏蔽向量的向量维度以及静态屏蔽向量的向量维度分别为[65,5，256]，[100,5，256]，[65,5]，[100,5]。

将障碍物类型信息、自车类型信息以及参考线类型信息通过类型编码层进行处理得到第一向量。通过位置编码层对动态特征向量进行处理得到位置编码信息，通过特征编码层对静态特征向量进行处理得到特征编码信息，将位置编码信息、特征编码信息、动态屏蔽向量以及静态屏蔽向量通过局部图神经网络层构建点间交叉关系处理得到第二向量，将第一向量和第二向量进行组合，然后依次通过多头注意力层、多层全连接层进行处理，得到多个历史预测时刻的自车状态信息，向量维度为[80，6]，80代表预测帧数，6代表行为状态数量。位置编码信息的向量维度为[165,256]，第一向量的向量维度为[165,256]，第二向量的向量维度为[165,256]。可以实现在增加更加丰富的特征输入前提下，使用类型编码方法，位置编码方法，历史信息编码方法提升表征效果，利用多头注意力机制及多层残差传递，局部图神经网络模型架构提升特征融合能力，为确定预测模型提供可靠的训练数据。

在又一个可行的实施方式中，可选的，所述预处理层为全连接层；根据所述特征数据、所述自车轨迹屏蔽向量、所述障碍物轨迹屏蔽向量、所述参考线轨迹屏蔽向量以及基于所述预处理层确定动态特征向量，静态特征向量，动态屏蔽向量以及静态屏蔽向量，包括：基于所述预处理层对所述特征数据中的自车信息以及障碍物信息进行处理得到动态特征向量；基于所述预处理层对所述特征数据中的参考线信息以及地图信息进行处理得到静态特征向量；基于所述预处理层对所述自车轨迹屏蔽向量以及所述障碍物轨迹屏蔽向量进行处理得到动态屏蔽向量；基于所述预处理层对所述参考线轨迹屏蔽向量进行处理得到静态屏蔽向量。

其中，本方案可以采用预处理层对特征数据中的自车信息以及障碍物信息进行拼接处理得到动态特征向量，对特征数据中的参考线信息以及地图信息进行拼接处理得到静态特征向量，对自车轨迹屏蔽向量以及障碍物轨迹屏蔽向量进行拼接处理得到动态屏蔽向量，参考线轨迹屏蔽向量进行处理得到静态屏蔽向量。可以实现为确定预测模型提供可靠的训练数据。

在又一个可行的实施方式中，可选的，所述损失函数的确定过程包括：对于每个历史预测时刻，确定所述历史车辆在历史预测时刻的位置信息与所述历史车辆在与所述历史预测时刻关联的未来历史时刻的位置信息的第一差异；确定所述历史车辆在历史预测时刻的运动状态信息与所述历史车辆在与所述历史预测时刻关联的未来历史时刻的运动状态信息的第二差异；将各所述第一差异绝对值与各所述第二差异绝对值之和作为所述损失函数的损失值。

示例性的，历史车辆在历史预测时刻的信息与历史车辆在未来历史时刻的信息的差异可以根据实际需要进行设置，例如可以是信息之间的差值。由于通过预设的预测算法预测得到的历史预测时刻的位置信息与历史数据中未来历史时刻的位置信息很大概率并不一致，通过预设的预测算法预测得到的历史预测时刻的运动状态信息与历史数据中未来历史时刻的运动状态信息很大概率并不一致。本方案可以将预设的预测算法的损失函数的损失值设置为历史车辆在历史预测时刻的位置信息与历史车辆在未来历史时刻的位置信息的差异绝对值与历史车辆在历史预测时刻的运动状态信息与历史车辆在未来历史时刻的运动状态信息的差异绝对值之和。可以实现为得到较优的规划路径，为车辆行驶的稳定性提供可靠的数据基础。

本发明实施例的技术方案，确定目标时刻的原始数据；原始数据包括障碍物感知信息、目标车辆的定位信息、高精地图数据以及目标车辆的轮速传感器数据；根据目标时刻的原始数据确定目标车辆在目标时刻的目标数据；目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；目标时刻包括当前时刻以及至少一个历史时刻；根据目标数据以及基于预测模型得到目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；状态信息包括位置信息以及运动状态信息；根据目标数据、各预测时刻的自车状态信息确定目标车辆的目标行驶路径。通过执行本发明实施例提供的方案，可以实现提升轨迹规划结果与人工驾驶估计相似度，可以提高轨迹稳定性，保障动作空间的连续性和平滑性。

图6是本发明实施例提供的车辆的路径规划装置的结构示意图。如图6所示，该装置包括：

目标数据确定模块310，用于确定目标车辆在目标时刻的目标数据；所述目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；所述目标时刻包括当前时刻以及至少一个历史时刻；

自车状态信息确定模块320，用于根据所述目标数据以及基于预测模型得到所述目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；所述预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；所述状态信息包括位置信息以及运动状态信息；

目标行驶路径确定模块330，用于根据所述目标数据、各所述预测时刻的自车状态信息确定所述目标车辆的目标行驶路径。

可选的，所述装置还包括原始数据确定模块，用于在确定目标车辆在目标时刻的目标数据之前，确定所述目标时刻的原始数据；所述原始数据包括障碍物感知信息、所述目标车辆的定位信息、高精地图数据以及所述目标车辆的轮速传感器数据；目标数据确定模块310，具体用于根据所述目标时刻的原始数据确定目标车辆在目标时刻的目标数据。

可选的，所述装置还包括预测模型，包括特征数据确定单元，用于在根据所述目标数据以及基于预测模型得到所述目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息之前，对于每一个历史数据，根据所述历史数据确定所述历史车辆在至少两个过去历史时刻的特征数据；所述特征数据包括所述历史车辆在所述历史数据中过去历史时刻的自车信息、障碍物信息、参考线信息以及地图信息；历史预测时刻自车状态信息确定单元，用于根据各所述特征数据以及基于预设的预测算法得到至少两个历史预测时刻的自车状态信息；未来历史时刻自车状态信息确定单元，用于确定所述历史数据中所述历史车辆在至少两个未来历史时刻的自车状态信息；所述未来历史时刻根据所述历史数据的过去历史时刻以及预设周期确定；预测模型确定单元，用于根据各所述历史预测时刻历史车辆的自车状态信息、各所述未来历史时刻历史车辆的自车状态信息以及预设的预测算法的损失函数确定所述预测模型。

可选的，未来历史时刻自车状态信息确定单元，具体用于将所述历史数据中最近一个过去历史时刻作为起始时刻；根据所述起始时刻以及所述历史数据确定预设历史时间段；将所述历史数据中所述预设历史时间段内与上一个时刻间隔预设周期的时刻作为未来历史时刻。

可选的，所述预设的预测算法的网络结构包括预处理层、类型编码层、特征编码层、位置编码层、局部图神经网络层、多头注意力层、多层全连接层；历史预测时刻自车状态信息确定单元，包括自车信息确定子单元，用于根据所述特征数据中的自车信息确定自车轨迹屏蔽向量以及自车类型信息；障碍物信息确定子单元，用于根据所述特征数据中的障碍物信息确定障碍物轨迹屏蔽向量以及障碍物类型信息；参考线信息确定子单元，用于根据所述特征数据中的参考线信息以及地图信息确定参考线轨迹屏蔽向量以及参考线类型信息；动静态信息确定子单元，用于根据所述特征数据、所述自车轨迹屏蔽向量、所述障碍物轨迹屏蔽向量、所述参考线轨迹屏蔽向量以及基于所述预处理层确定动态特征向量，静态特征向量，动态屏蔽向量以及静态屏蔽向量；第一向量确定子单元，用于将所述障碍物类型信息、所述自车类型信息以及所述参考线类型信息通过所述类型编码层进行处理得到第一向量；位置编码信息确定子单元，用于通过所述位置编码层对所述动态特征向量进行处理得到位置编码信息；特征编码信息确定子单元，用于通过所述特征编码层对所述静态特征进行处理得到特征编码信息；第二向量确定子单元，用于将所述位置编码信息、特征编码信息、动态屏蔽向量以及静态屏蔽向量通过所述局部图神经网络层进行处理得到第二向量；历史预测时刻自车状态信息确定子单元，用于将所述第一向量和第二向量依次通过所述多头注意力层、多层全连接层进行处理，得到历史预测时刻的自车状态信息。

可选的，所述预处理层为全连接层；动静态信息确定子单元，具体用于基于所述预处理层对所述特征数据中的自车信息以及障碍物信息进行处理得到动态特征向量；基于所述预处理层对所述特征数据中的参考线信息以及地图信息进行处理得到静态特征向量；基于所述预处理层对所述自车轨迹屏蔽向量以及所述障碍物轨迹屏蔽向量进行处理得到动态屏蔽向量；基于所述预处理层对所述参考线轨迹屏蔽向量进行处理得到静态屏蔽向量。

可选的，预测模型确定单元，具体用于对于每个历史预测时刻，确定所述历史车辆在历史预测时刻的位置信息与所述历史车辆在与所述历史预测时刻关联的未来历史时刻的位置信息的第一差异；确定所述历史车辆在历史预测时刻的运动状态信息与所述历史车辆在与所述历史预测时刻关联的未来历史时刻的运动状态信息的第二差异；将各所述第一差异绝对值与各所述第二差异绝对值之和作为所述损失函数的损失值。

本发明实施例所提供的车辆的路径规划装置可执行本发明任意实施例所提供的车辆的路径规划方法，具备执行方法相应的功能模块和有益效果。

图7示出了可以用来实施本发明的实施例的电子设备40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7所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43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41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。

电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40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41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41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41执行上文所描述的各个方法和处理，例如车辆的路径规划方法。

在一些实施例中，车辆的路径规划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48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的车辆的路径规划方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆的路径规划方法。

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)

1.一种车辆的路径规划方法，其特征在于，包括：

确定目标车辆在目标时刻的目标数据；所述目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；所述目标时刻包括当前时刻以及至少一个历史时刻；

根据所述目标数据以及基于预测模型得到所述目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；所述预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；所述状态信息包括位置信息以及运动状态信息；

根据所述目标数据、各所述预测时刻的自车状态信息确定所述目标车辆的目标行驶路径。

2.根据权利要求1所述的方法，其特征在于，在确定目标车辆在目标时刻的目标数据之前，所述方法还包括：

确定所述目标时刻的原始数据；所述原始数据包括障碍物感知信息、所述目标车辆的定位信息、高精地图数据以及所述目标车辆的轮速传感器数据；

确定目标车辆在目标时刻的目标数据，包括：

根据所述目标时刻的原始数据确定目标车辆在目标时刻的目标数据。

3.根据权利要求1所述的方法，其特征在于，预测模型的确定过程，包括：

对于每一个历史数据，根据所述历史数据确定所述历史车辆在至少两个过去历史时刻的特征数据；所述特征数据包括所述历史车辆在所述历史数据中过去历史时刻的自车信息、障碍物信息、参考线信息以及地图信息；

根据各所述特征数据以及基于预设的预测算法得到至少两个历史预测时刻的自车状态信息；

确定所述历史数据中所述历史车辆在至少两个未来历史时刻的自车状态信息；所述未来历史时刻根据所述历史数据的过去历史时刻以及预设周期确定；

根据各所述历史预测时刻历史车辆的自车状态信息、各所述未来历史时刻历史车辆的自车状态信息以及预设的预测算法的损失函数确定所述预测模型。

4.根据权利要求3所述的方法，其特征在于，未来历史时刻的确定过程包括：

将所述历史数据中最近一个过去历史时刻作为起始时刻；

根据所述起始时刻以及所述历史数据确定预设历史时间段；

将所述历史数据中所述预设历史时间段内与上一个时刻间隔预设周期的时刻作为未来历史时刻。

5.根据权利要求3所述的方法，其特征在于，所述预设的预测算法的网络结构包括预处理层、类型编码层、特征编码层、位置编码层、局部图神经网络层、多头注意力层、多层全连接层；

所述历史预测时刻的自车状态信息的确定过程，包括：

根据所述特征数据中的自车信息确定自车轨迹屏蔽向量以及自车类型信息；

根据所述特征数据中的障碍物信息确定障碍物轨迹屏蔽向量以及障碍物类型信息；

根据所述特征数据中的参考线信息以及地图信息确定参考线轨迹屏蔽向量以及参考线类型信息；

根据所述特征数据、所述自车轨迹屏蔽向量、所述障碍物轨迹屏蔽向量、所述参考线轨迹屏蔽向量以及基于所述预处理层确定动态特征向量，静态特征，动态屏蔽向量以及静态屏蔽向量；

将所述障碍物类型信息、所述自车类型信息以及所述参考线类型信息通过所述类型编码层进行处理得到第一向量；

通过所述位置编码层对所述动态特征向量进行处理得到位置编码信息；

通过所述特征编码层对所述静态特征向量进行处理得到特征编码信息；

将所述位置编码信息、特征编码信息、动态屏蔽向量以及静态屏蔽向量通过所述局部图神经网络层进行处理得到第二向量；

将所述第一向量和第二向量依次通过所述多头注意力层、多层全连接层进行处理，得到历史预测时刻的自车状态信息。

6.根据权利要求5所述的方法，其特征在于，所述预处理层为全连接层；

根据所述特征数据、所述自车轨迹屏蔽向量、所述障碍物轨迹屏蔽向量、所述参考线轨迹屏蔽向量以及基于所述预处理层确定动态特征向量，静态特征向量，动态屏蔽向量以及静态屏蔽向量，包括：

基于所述预处理层对所述特征数据中的自车信息以及障碍物信息进行处理得到动态特征向量；

基于所述预处理层对所述特征数据中的参考线信息以及地图信息进行处理得到静态特征向量；

基于所述预处理层对所述自车轨迹屏蔽向量以及所述障碍物轨迹屏蔽向量进行处理得到动态屏蔽向量；

基于所述预处理层对所述参考线轨迹屏蔽向量进行处理得到静态屏蔽向量。

7.根据权利要求3所述的方法，其特征在于，所述损失函数的确定过程包括：

对于每个历史预测时刻，确定所述历史车辆在历史预测时刻的位置信息与所述历史车辆在与所述历史预测时刻关联的未来历史时刻的位置信息的第一差异；

确定所述历史车辆在历史预测时刻的运动状态信息与所述历史车辆在与所述历史预测时刻关联的未来历史时刻的运动状态信息的第二差异；

将各所述第一差异绝对值与各所述第二差异绝对值之和作为所述损失函数的损失值。

8.一种车辆的路径规划装置，其特征在于，包括：

目标数据确定模块，用于确定目标车辆在目标时刻的目标数据；所述目标数据包括自车信息、障碍物信息、参考线信息以及地图信息；所述目标时刻包括当前时刻以及至少一个历史时刻；

自车状态信息确定模块，用于根据所述目标数据以及基于预测模型得到所述目标车辆在未来预设时间段内至少两个预测时刻的自车状态信息；所述预测模型基于至少一个历史车辆的历史数据进行训练得到；相邻预测时刻之间的时间间隔为预设时间间隔；所述状态信息包括位置信息以及运动状态信息；

目标行驶路径确定模块，用于根据所述目标数据、各所述预测时刻的自车状态信息确定所述目标车辆的目标行驶路径。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的车辆的路径规划方法。

10.一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计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车辆的路径规划方法。