CN117508223A - 自动驾驶变道决策及模型训练方法、装置、设备和车辆 - Google Patents
自动驾驶变道决策及模型训练方法、装置、设备和车辆 Download PDFInfo
- Publication number
- CN117508223A CN117508223A CN202311521662.9A CN202311521662A CN117508223A CN 117508223 A CN117508223 A CN 117508223A CN 202311521662 A CN202311521662 A CN 202311521662A CN 117508223 A CN117508223 A CN 117508223A
- Authority
- CN
- China
- Prior art keywords
- lane change
- data
- encoder
- acceleration
- anchor point
- 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
- 230000008859 change Effects 0.000 title claims abstract description 259
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000001133 acceleration Effects 0.000 claims description 133
- 230000004927 fusion Effects 0.000 claims description 126
- 230000007613 environmental effect Effects 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008447 perception Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000004807 localization Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种自动驾驶变道决策及模型训练方法、装置、设备和车辆,涉及人工智能技术领域,具体涉及自动驾驶、决策规划等技术领域。自动驾驶变道决策方法包括:对主车的模态数据进行编码处理,以获得编码特征;获取预设多个候选锚点的位置坐标,并基于所述候选锚点的位置坐标确定所述候选锚点的锚点特征;其中,每个候选锚点与每个候选变道决策结果一一对应;对所述编码特征和所述候选锚点的锚点特征进行解码处理,以获得解码结果,所述解码结果包括:在所述候选变道决策结果中确定的目标变道决策结果。本公开可以提高自动驾驶变道决策的泛化性。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自动驾驶、决策规划等技术领域,尤其涉及一种自动驾驶变道决策及模型训练方法、装置、设备和车辆。
背景技术
保证自动驾驶的安全性是自动驾驶技术的核心,自动驾驶变道决策技术可以有效提升自动驾驶的安全性。
相关技术中,可以基于预设规则进行变道决策,但存在泛化性差的问题。
发明内容
本公开提供了一种自动驾驶变道决策及模型训练方法、装置、设备、和车辆。
根据本公开的一方面,提供了一种自动驾驶变道决策方法,包括:对主车的模态数据进行编码处理,以获得编码特征;获取预设多个候选锚点的位置坐标,并基于所述候选锚点的位置坐标确定所述候选锚点的锚点特征;其中,每个候选锚点与每个候选变道决策结果一一对应;对所述编码特征和所述候选锚点的锚点特征进行解码处理,以获得解码结果,所述解码结果包括:在所述候选变道决策结果中确定的目标变道决策结果。
根据本公开的另一方面,提供了一种自动驾驶模型的训练方法,该模型包括:全局编码器和解码器,所述方法包括:获取训练数据,所述训练数据包括:主车的模态数据样本、候选锚点的位置坐标样本,以及所述主车的真实变道决策结果;采用所述全局编码器,对所述模态数据样本进行编码处理,以获得编码特征;基于所述候选锚点的位置坐标样本获取锚点特征;采用所述解码器,对所述编码特征和所述锚点特征进行解码处理,以获得预测结果,所述预测结果包括:预测变道决策结果;基于所述预测变道决策结果和所述真实变道决策结果,构建损失函数;基于所述损失函数调整所述编码器的模型参数和所述解码器的模型参数。
根据本公开的另一方面,提供了一种自动驾驶变道决策装置,包括:编码模块,用于对主车的模态数据进行编码处理,以获得编码特征;获取模块,用于获取预设多个候选锚点的位置坐标,并基于所述候选锚点的位置坐标确定所述候选锚点的锚点特征;其中,每个候选锚点与每个候选变道决策结果一一对应;解码模块,用于对所述编码特征和所述候选锚点的锚点特征进行解码处理,以获得解码结果,所述解码结果包括:在所述候选变道决策结果中确定的目标变道决策结果。
根据本公开的另一方面,提供了一种自动驾驶模型的训练装置,该模型包括:全局编码器和解码器,所述装置包括:获取模块,用于获取训练数据,所述训练数据包括:主车的模态数据样本、候选锚点的位置坐标样本,以及所述主车的真实变道决策结果;编码模块,用于采用所述全局编码器,对所述模态数据样本进行编码处理,以获得编码特征;确定模块,用于基于所述候选锚点的位置坐标样本获取锚点特征;解码模块,用于采用所述解码器,对所述编码特征和所述锚点特征进行解码处理,以获得预测结果,所述预测结果包括:预测变道决策结果;构建模块,用于基于所述预测变道决策结果和所述真实变道决策结果,构建损失函数;调整模块,用于基于所述损失函数调整所述编码器的模型参数和所述解码器的模型参数。
根据本公开的另一方面,提供了一种电子设备,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指令,所述指令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如上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种自动驾驶车辆,包括上述任一方面的任一项所述的电子设备。
根据本公开的技术方案,可以提高自动驾驶变道决策的泛化性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开实施例提供的自动驾驶系统的示意图;
图3是根据本公开实施例提供的自动驾驶变道决策场景的示意图;
图4是根据本公开实施例提供的自动驾驶模型的示意图;
图5是根据本公开第二实施例的示意图;
图6是根据本公开第三实施例的示意图;
图7是根据本公开第四实施例的示意图;
图8是根据本公开第五实施例的示意图;
图9是根据本公开第六实施例的示意图;
图10是用来实现本公开实施例的自动驾驶变道决策方法或自动驾驶模型的训练方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术中,可以基于预设规则进行变道决策,例如,可以预先配置驾驶状态(如主车与障碍车的相对位置、相对速度等)与变道决策之间的对应关系,基于该对应关系以及当前驾驶状态确定当前变道决策结果。但是,由于不能穷举所有的驾驶状态,会存在泛化性差的问题。
为了提高自动驾驶变道决策的泛化性,本公开提供如下实施例。
图1是根据本公开第一实施例的示意图,本实施例提供一种自动驾驶变道决策方法,该方法包括:
101、对主车的模态数据进行编码处理,以获得编码特征。
102、获取预设多个候选锚点的位置坐标,并基于所述候选锚点的位置坐标确定所述候选锚点的锚点特征;其中,每个候选锚点与每个候选变道决策结果一一对应。
103、对所述编码特征和所述候选锚点的锚点特征进行解码处理,以获得解码结果,所述解码结果包括:在所述候选变道决策结果中确定的目标变道决策结果。
其中,主车是指执行变道决策的车辆,在自动驾驶场景下,主车为自动驾驶车辆。
障碍车,也可以称为目标车,是指主车之外的其他车辆,可以为自动驾驶车辆或者人工驾驶车辆。
模态数据(modality),是指主车的相关数据。模态数据具体可以包括如下项中的至少一项:主车使用的地图数据,主车的感知系统获得的感知数据,感知数据可以包括:环境数据(如障碍车的位置和速度)和/或主车数据(如主车的位置和速度)。
模态数据是输入序列,为了便于后续处理,将该输入序列(模态数据)转换为特征向量,该特征向量中包含了输入序列的上下文信息。
模态数据对应的特征向量称为编码特征。
具体地,可以采用编码器(Encoder)对模态数据进行编码处理,得到编码特征。编码器可以采用深度学习模型中的编码器,深度学习模型中的编码器将输入序列转换为隐层特征向量。深度学习模型例如为长短期记忆(Long Short-Term Memory,LSTM)模型。
候选锚点(anchor),与候选变道决策结果一一对应,用于牵引主车执行该候选锚点对应的候选变道决策结果。即,基于每个候选锚点可以获取一个候选变道决策结果,例如,假设候选锚点是5个,则可以获得5个候选变道决策结果。之后,可以在这5个候选变道决策结果中确定最终的一个目标变道决策结果。
候选锚点的数量,即候选变道决策结果的数量,是预先设置的,例如,该数量是候选锚点的个数,如5个,每个候选锚点对应一个候选变道决策结果。
确定候选锚点的数量后,可以计算每个候选锚点的位置坐标,该位置坐标可以是候选锚点与主车的相对位置坐标,具体可以根据车道宽度、主车速度、障碍车速度等计算,具体计算公式可以参见后续实施例。
获得候选锚点的位置坐标后,可以将该位置坐标(x,y)转换为特征向量,例如,将该位置坐标输入到嵌入(embedding)层中,嵌入层的输出为锚点特征。
获得编码特征和锚点特征后,可以采用解码器(Decoder),对编码特征和锚点特征进行解码处理。解码器用于根据编码器输出的编码特征和其他特征(如锚点特征)进行解码处理,得到输出序列。解码器的结构与编码器的结构相同或不同。
本实施例中,解码器的输出序列可以称为解码结果,解码结果包括:主车的目标变道决策结果,该目标变道决策结果是根据候选变道决策结果(主车预测轨迹)及其概率确定的,可以将概率最大的候选变道决策结果作为目标变道决策结果。另外,该输出序列还可以包括:障碍物(如障碍车)的预测轨迹,障碍车预测轨迹可以用于后续流程。
本实施例中,基于模态数据获得编码特征,基于编码特征和锚点特征确定目标变道决策结果,由于不受限于对应关系,相对于基于预设规则进行变道决策的方式,可以提高泛化性。
为了更好地理解本公开实施例,对本公开实施例的应用场景进行说明。本实施例可以应用于自动驾驶场景。
自动驾驶车辆的自动驾驶功能可以通过自动驾驶系统实现。自动驾驶系统实现的自动驾驶级别目前可以分为L0~L5级别。其中,L0级驾驶表示无自动驾驶,即传统的驾驶员人工驾驶;L1级驾驶又称为辅助驾驶,包括定速巡航、自动泊车以及车道保持等基本功能;L2级驾驶又称为半自动驾驶,包括自动辅助驾驶,危险预判刹车等功能;L3级驾驶又称为有条件自动驾驶,与L2级相比,它可以在正常的路段下实现完全自动化驾驶,但是在一些紧急情况发生时,还是需要人工来进行辅助制动;L4级驾驶属于高度自动驾驶,汽车的整体制动性能以及反应能力已经达到了一个比较高的水准,驾驶员坐在汽车内部不用自己操控,而且汽车行驶比较平稳顺畅;L5级自动驾驶,它可以实现无条件的全自动驾驶技术,不管在任何情况下,都不用担心路况以及天气,实现全自动驾驶。
如图2所示,自动驾驶系统的核心模块包括:地图和定位系统(Map&Localization)201、全局路径规划系统(Routing)202、感知系统(Perception)203、预测系统(Prediction)204、决策系统(Decision)205、规划系统(Planning)206和控制系统(Control)207。
其中,地图和定位系统(Map&Localization)201,主要提供地图服务和定位服务。在自动驾驶场景下,地图是高清地图,是面向自动驾驶汽车的一种新的地图数据范式。高精地图绝对位置精度接近1m相对位置精度在厘米级别,能够达到10-20cm。定位服务是指通过定位装置确定自动驾驶车辆的位置,定位装置例如包括全球定位系统(GlobalPositioning System,GPS)、全球导航卫星系统(Global Navigation Satellite System,GNSS)和惯性导航系统(Inertial Navigation System,INS)中的一项或多项。
全局路径规划系统(Routing)202,用于根据车辆初始位置和目标位置,结合地图提供的路网拓扑结构,通过全局路径搜索算法,得到符合性能评估指标的最优全局导航路径。
感知系统203,为自动驾驶车辆提供全方位的环境感知服务。具体可以包括:相机、激光雷达、毫米波雷达、超声波雷达等设备。
预测系统204,以感知系统的数据为输入,通过提取主车和/或障碍车的历史运动参数,结合结合卡尔曼滤波、神经网络等手段,推理得到主车和/或障碍车的未来时刻运动轨迹。
决策系统205,主要对车辆行驶过程中的各种情况做出决策,例如,车辆避让、变道决策等。其中,变道决策是决策系统的重要内容,合理的变道决策决定了自动驾驶车辆的通行效率以及保证自动驾驶车辆正确行驶到达目的点。
规划系统206,主要提供路径规划、速度规划服务。
控制系统207,用于对自动驾驶车辆进行纵向和横向的跟踪控制。具体可以通过控制器局域网络(Controller Area Network,CAN)总线,控制车辆的底盘系统执行转向、油门、刹车等操作。
在自动驾驶变道决策场景下,主车可以为自动驾驶车辆,具有上述的自动驾驶系统。具体地,自动驾驶变道决策方法可以由主车的决策系统执行。
如图3所示,示出了一种自动驾驶变道决策场景。如图3所示,候选锚点分别用序号1~5表示,每个候选锚点对应一个候选变道决策结果,候选变道决策结果分别是:向左减速变道;向左超车变道;保持直行(不变道);向右超车变道;向右减速变道。
针对主车,主车可以获取候选变道决策结果的概率,将概率最大的候选变道决策结果作为目标变道决策结果。例如,每个候选变道决策结果的相关信息如表1所示,
表1
序号(Id) | 轨迹点 | 概率 | 候选锚点 | 候选变道决策结果 |
0 | ... | 0.912 | 1 | 向左减速变道 |
1 | ... | 0.321 | 2 | 向左超车变道 |
2 | ... | 0.876 | 3 | 保持直行 |
3 | ... | 0.343 | 4 | 向右超车变道 |
4 | ... | 0.254 | 5 | 向右减速变道 |
基于表1的示例,由于“向左减速变道”的概率最高,则目标变道决策结果是向左减速变道。
相关技术中,可以基于预设规则进行变道决策,即,可以预先配置驾驶状态与变道决策之间的对应关系,基于该对应关系确定变道决策结果,但是,由于难以穷举所有驾驶状态,存在泛化性差的问题。
为了提高泛化性,本实施例基于机器学习的方式进行变道决策。
如图4所示,机器学习模型主要包括:编码器(Encoder)和解码器(Decoder)402,由于编码部分可以进行多个级别的编码,为了区分,整体的编码器称为全局编码器401。
Encoder负责将输入序列转化为一个固定维度的向量表示,其中包含输入序列的上下文信息。常见的Encoder结构是循环神经网络(如LSTM),它通过依次处理输入序列中的每个元素,并暂存一个隐藏状态来捕捉序列中的信息。整个输入序列被经过Encoder处理后,隐藏状态会包含所有序列信息,并被用作Decoder的输入。编码后的向量表示可以看作是输入序列的语义或上下文摘要,可以进一步用于不同的任务,比如翻译、文本摘要等。
Decoder根据Encoder的输出和已有的上下文信息,逐步生成输出序列。它的输入通常是一个起始符号(比如<start>),初始隐藏状态则是Encoder的输出(也可以是其他初始化值)。Decoder在每一步输出一个元素,并在下一步使用前一个输出的元素作为输入和新的隐藏状态,不断进行循环。Decoder可以使用与Encoder相同的RNN结构,也可以采用不同的结构(如自注意力机制)。最终,Decoder生成完整的输出序列,直到遇到结束符号。
本实施例中,全局编码器401,主要用于对主车的模态数据进行编码处理,得到编码特征;解码器402,主要用于对编码特征和锚点特征进行解码处理,得到输出结果。
相关技术中,预测系统与决策系统是独立的,即,预测系统采用预测模型进行预测,得到预测结果;变道决策可以采用变道决策模型,基于预测系统的预测结果进行变道决策。通常的变道决策模型和预测模型是两个独立的模型。为了获得准确的变道决策结果,需要较高精度的变道决策模型和预测模型,这样对车载计算单元的算力要求较高,并且,由于模块间需要传递数据,如预测系统将预测结果传输给决策系统,这样存在处理效率差的问题。
为了降低算力要求,以及提高处理效率,本实施例中,可以对预测系统和决策系统进行统一建模。
在统一建模后,输入序列包括预测相关数据和决策相关数据,输出序列包括轨迹预测结果(如障碍车预测轨迹)和决策结果(主车变道决策结果)。
即,解码结果可以包括目标变道决策结果和障碍物的预测轨迹;
相应地,所述对主车的模态数据进行编码处理,以获得编码特征,包括:对主车的第一模态数据进行编码处理,以获得预测融合特征;所述第一模态数据与所述障碍物的预测轨迹相关;对主车的第二模态数据进行编码处理,以获得决策融合特征;所述第二模态数据与所述目标变道决策结果相关;对所述预测融合特征和所述决策融合特征进行合并处理,以获得所述编码特征。
具体地,所述第一模态数据包括:地图数据;和/或,所述第二模态数据包括:全局路径数据。
进一步地,第一模态数据和第二模态数据还可以包括其他数据。如图4所示,多种模态数据(预测相关数据和决策相关数据)包括:地图数据、环境数据、主车数据和全局路径数据。结合图2,地图数据可以是地图和定位系统201提供的,环境数据和主车数据可以是感知系统203提供的,全局路径数据可以是全局路径规划系统202提供的。
预测相关特征可以通过对地图数据、环境数据和主车数据进行编码后得到,决策相关特征可以通过对环境数据、主车数据和全局路径数据进行编码后得到。即,若第一模态数据包括:地图数据、环境数据和主车数据,第二模态数据包括:环境数据、主车数据和全局路径数据,则可以对所述地图数据进行编码处理,以获得地图特征;对所述环境数据进行编码处理,以获得环境特征;对所述主车数据进行编码处理,以获得主车特征;对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;和/或,对所述全局路径数据进行编码处理,以获得全局路径特征;对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
具体地,采用地图编码器对地图数据进行编码处理,得到地图特征;采用环境编码器对环境数据进行编码处理,得到环境特征;采用主车编码器对主车数据进行编码处理,得到主车特征。
在统一建模的情况下,还采用全局路径编码器对全局路径数据进行编码处理,得到全局路径特征。
不同模态数据对应的特征进行融合处理时,可以包括对应预测的融合处理,以及对应决策的融合处理。如图4所示,采用预测融合编码器(predictor fusion encoder)对地图特征、环境特征和主车特征进行编码处理,得到预测融合特征;采用全局路径编码器对全局路径数据进行编码处理,得到采用决策融合编码器(decision fusion encoder)对环境特征、主车特征和全局路径特征进行编码处理,得到决策融合特征。
上述各种编码器(地图编码器、环境编码器、主车编码器、全局路径编码器、预测融合编码器、决策融合编码器)的具体结构可以根据实际需要设置,例如选择为LSTM模型中的编码器。或者,上述编码器也可以为MultiPath++算法中的编码器。MultiPath++算法是一种车辆轨迹预测算法,其基本思想是通过神经网络完成对现实环境的理解,建立数据驱动的自动驾驶预测问题解决方案。其采用Encoder和Decoder的模式,通过多个不同类型的Encoder把现实世界中的地图信息、障碍物信息、主车信息进行压缩编码;再通过Decoder给出目标的可能性轨迹。
与通常的MultiPath++算法相比,由于本实施例是针对预测系统和决策系统进行统一建模,决策与全局路径相关,因此,输入序列还包括全局路径数据,以及,特征融合时还进行了决策融合。
获得预测融合特征和决策融合特征后,可以对这两种特征进行合并处理,得到全局编码器401输出的编码特征,该编码特征作为解码器402的输入。
如图4所示,解码器402的另一个输入是锚点特征。
通常的MultiPath++算法中,锚点特征是在线学习的,即通过学习确定锚点特征。
而本实施例中,可以预设固定数量(如5个)候选锚点,计算每个候选锚点的位置坐标,将该位置坐标转换为锚点特征。
具体地,如图3所示,以主车中心点为坐标原点构建坐标系,基于该坐标系,5个候选锚点的位置坐标的计算公式可以分别是:
X1=-W;
其中,
其中,(X1,Y1)是第一个(序号1)候选锚点的位置坐标;
Vego是主车速度;
Vtarg是左侧障碍车速度;Vtarg前的系数值可配置,一般是大于0小于1的值,此处以0.8为例;
W是车道宽度,为预先配置的值;
Tstep1,Tstep2是变道过程中的减速行驶时间和匀速行驶时间,为预先配置的值。
X2=-W;
其中,
其中,(X2,Y2)是第二个(序号2)候选锚点的位置坐标;
Vego是主车速度;
Vtarg是左侧障碍车速度;Vtarg前的系数值可配置,一般是大于1的值,此处以1.2为例;
W是车道宽度,为预先配置的值;
Tstep1,Tstep2是变道过程中的加速行驶时间和匀速行驶时间,为预先配置的值。
X3=0;
Y3=50
其中,(X3,Y3)是第三个(序号3)候选锚点的位置坐标;
第三个候选锚点是主车正前方的预设位置,即Y3是大于0的预设值,此时以50为例。
X4=W;
其中,
其中,(X4,Y4)是第四个(序号4)候选锚点的位置坐标;
Vego是主车速度;
Vtarg是右侧障碍车速度;Vtarg前的系数值可配置,一般是大于1的值,此处以1.2为例;
W是车道宽度,为预先配置的值;
Tstep1,Tstep2是变道过程中的加速行驶时间和匀速行驶时间,为预先配置的值。
X5=W;
其中,
其中,(X5,Y5)是第五个(序号5)候选锚点的位置坐标;
Vego是主车速度;
Vtarg是右侧障碍车速度;Vtarg前的系数值可配置,一般是大于0小于1的值,此处以0.8为例;
W是车道宽度,为预先配置的值;
Tstep1,Tstep2是变道过程中的减速行驶时间和匀速行驶时间,为预先配置的值。
获得每个候选锚点的位置坐标后,可以通过嵌入层将其转换为锚点特征。
获得编码特征和锚点特征后,采用解码器对其进行解码处理,得到预测结果(障碍物预测轨迹)和主车决策结果。其中,主车决策结果可以是各个候选变道决策结果及其概率,之后,将概率最大的候选变道决策结果作为目标变道决策结果。
结合上述的应用场景,本公开还提供一种自动驾驶变道决策方法。
图5是根据本公开第二实施例的示意图,本实施例提供一种自动驾驶变道决策方法,该方法包括:
501、对主车的第一模态数据进行编码处理,以获得预测融合特征;所述第一模态数据与障碍物的预测轨迹相关。
502、对主车的第二模态数据进行编码处理,以获得决策融合特征;所述第二模态数据与目标变道决策结果相关。
503、对所述预测融合特征和所述决策融合特征进行合并处理,以获得编码特征。
本实施例中,通过对预测融合特征和决策融合特征进行合并处理,得到编码特征,可以实现预测和决策的统一建模,降低处理复杂度,提高处理效率。
其中,第一模态数据可以包括:地图数据;和/或,第一模态数据可以包括:全局路径数据。
本实施例中,由于障碍物的预测轨迹与地图数据相关,因此对地图数据进行编码处理,可以使得预测融合特征中包含地图信息,进而可以基于该地图信息进行轨迹预测;由于主车的目标变道决策结果与全局路径数据相关,因此对全局路径数据进行编码处理,可以使得决策融合特征中包含全局路径信息,进而可以基于该全局路径信息进行变道决策。
进一步地,所述第一模态数据还包括:环境数据和主车数据;所述第二模态数据还包括:所述环境数据和所述主车数据;所述对主车的第一模态数据进行编码处理,以获得预测融合特征,包括:对所述地图数据进行编码处理,以获得地图特征;对所述环境数据进行编码处理,以获得环境特征;对所述主车数据进行编码处理,以获得主车特征;对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;和/或,所述对主车的第二模态数据进行编码处理,以获得决策融合特征,包括:对所述全局路径数据进行编码处理,以获得全局路径特征;对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
针对预测融合特征:参考图4,采用地图编码器对所述地图数据进行编码处理,以获得地图特征;采用环境编码器对所述环境数据进行编码处理,以获得环境特征;采用主车编码器对所述主车数据进行编码处理,以获得主车特征;采用预测融合编码器对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征。
上述的地图编码器、环境编码器和主车编码器是用于特征提取的编码器,预测融合编码器是用于特征融合的编码器,具体可以采用MultiPath++算法中的对应编码器。
本实施例中,通过对地图特征、环境特征和主车特征进行编码处理,可以融合地图信息、环境信息和主车信息,高效地获得预测融合特征。
针对决策融合特征:参考图4,采用全局路径编码器对所述全局路径数据进行编码处理,以获得全局路径特征;采用决策融合编码器对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
与通常的MultiPath++算法不同的是,由于本实施例中对预测和决策进行统一建模,因此,还融合了决策相关信息。具体地,采用全局路径编码器得到全局特征特征,并对环境特征、主车特征和全局路径特征进行融合,得到决策融合特征。
全局编码器是用于特征提取的编码器,可以采用深度学习模型(如LSTM模型)中的编码器,或者,也可以采用MultiPath++算法中用于特征提取的编码器。决策融合编码器是用于特征融合的编码器,可以采用预测融合编码器的结构,或者根据实际需要设置具体结构。
本实施例中,通过对环境特征、主车特征和全局路径特征进行编码处理,可以融合环境信息、主车信息和全局路径信息,高效地获得决策融合特征。
504、获取预设多个候选锚点的位置坐标,并基于所述候选锚点的位置坐标确定所述候选锚点的锚点特征;其中,每个候选锚点与每个候选变道决策结果一一对应。
其中,所述预设多个候选锚点至少包括:减速变道锚点、加速变道锚点和不变道锚点;所述获取预设多个候选锚点的位置坐标,包括:
基于车道宽度、主车速度和减速加速度,确定所述减速变道锚点的位置坐标;
基于车道宽度、主车速度和加速,确定所述加速变道锚点的位置坐标;
将主车前方预设位置点的位置坐标作为所述不变道锚点的位置坐标。
其中,减速加速度和加速加速度,可以是基于主车速度和障碍物车速,以及预设的加速度与车速之间的对应关系确定的,加速场景下和减速场景下,该加速度与车速之间的对应关系是不同的。例如,上述实施例中,a1和a4是减速加速度,a2和a3是加速加速度。
本实施例中,基于不同情况下的加速度确定对应的候选锚点的位置坐标,可以提高候选锚点的位置坐标的精准度。
进一步地,减速变道锚点和加速变道锚点可以分为主车左右两侧的对应锚点。
所述减速变道锚点至少包括:左侧减速变道锚点和右侧减速变道锚点;
所述基于车道宽度、主车速度和减速加速度,确定所述减速变道锚点的位置坐标,包括:
响应于所述减速变道锚点是所述左侧减速变道锚点,基于车道宽度确定所述左侧减速变道锚点的横坐标;基于主车速度、左侧障碍车速度,以及预设的减速加速度与车速之间的关系,确定左侧减速加速度;基于所述主车速度和所述左侧减速加速度,确定所述左侧减速变道锚点的纵坐标;和/或,
响应于所述减速变道锚点是所述左侧减速变道锚点,基于车道宽度确定所述右侧减速变道锚点的横坐标;基于主车速度、右侧障碍车速度,以及预设的减速加速度与车速之间的关系,确定右侧减速加速度;基于所述主车速度和所述右侧减速加速度,确定所述右侧减速变道锚点的纵坐标。
本实施例中,可以基于车道宽度、主车速度和左侧障碍车速度,确定左侧减速变道锚点的位置坐标,以及基于车道宽度、主车速度和右侧障碍车速度,确定右侧减速变道锚点的位置坐标,从而获得全面准确的减速变道锚点的位置坐标。
所述加速变道锚点至少包括:左侧加速变道锚点和右侧加速变道锚点;
所述基于车道宽度、主车速度和加速加速度,确定所述加速变道锚点的位置坐标,包括:
响应于所述加速变道锚点是所述左侧加速变道锚点,基于车道宽度确定所述左侧加速变道锚点的横坐标;基于主车速度、左侧障碍车速度,以及预设的加速加速度与车速之间的关系,确定左侧加速加速度;基于所述主车速度和所述左侧加速加速度,确定所述左侧加速变道锚点的纵坐标;和/或,
响应于所述加速变道锚点是所述右侧加速变道锚点,基于车道宽度确定所述右侧加速变道锚点的横坐标;基于主车速度、右侧障碍车速度,以及预设的加速加速度与车速之间的关系,确定右侧加速加速度;基于所述主车速度和所述右侧加速加速度,确定所述右侧加速变道锚点的纵坐标。
本实施例中,可以基于车道宽度、主车速度和左侧障碍车速度,确定左侧加速变道锚点的位置坐标,以及基于车道宽度、主车速度和右侧障碍车速度,确定右侧加速变道锚点的位置坐标,从而获得全面准确的加速变道锚点的位置坐标。
505、对所述编码特征和所述候选锚点的锚点特征进行解码处理,以获得解码结果,所述解码结果包括:在所述候选变道决策结果中确定的目标变道决策结果,以及,障碍物的预测轨迹。
图6是根据本公开第三实施例的示意图,本实施例提供一种自动驾驶模型的训练方法。该模型包括全局编码器和解码器,该方法包括:
601、获取训练数据,所述训练数据包括:主车的模态数据样本、候选锚点的位置坐标样本,以及所述主车的真实变道决策结果。
602、采用所述全局编码器,对所述模态数据样本进行编码处理,以获得编码特征。
603、基于所述候选锚点的位置坐标样本获取锚点特征。
604、采用所述解码器,对所述编码特征和所述锚点特征进行解码处理,以获得预测结果,所述预测结果包括:预测变道决策结果。
605、基于所述预测变道决策结果和所述真实变道决策结果,构建损失函数。
606、基于所述损失函数调整所述编码器的模型参数和所述解码器的模型参数。
其中,可以基于已有数据获得训练数据。例如,可以在已有的训练集中获得主车的多种模态数据样本,并根据该样本集中主车及其障碍车的速度计算候选锚点的位置坐标样本,以及,对主车的变道决策结果进行标注得到真实变道决策结果。
获得位置坐标样本后,可以采用预训练的嵌入层将其转换为锚点特征。
损失函数具体可以是表征预测变道决策结果和真实变道决策结果的相似度的损失函数,预测变道决策结果与真实变道决策结果越接近,该损失函数越小。
获得损失函数后,可以采用损失函数调整模型参数,例如,采用反向传播(BackPropagation,BP)算法调整模型参数,直至达到预设的结束条件,如达到预设次数或模型收敛,获得最终的自动驾驶模型。
该最终的自动驾驶模型可以用于推理阶段的变道决策。即,在推理阶段,采用该模型的全局编码器对主车的多种模态数据进行编码处理,得到编码特征;以及,采用该模型的解码器对该编码特征以及获得的锚点特征进行解码处理,确定目标变道决策结果。
本实施例中,通过训练自动驾驶模型,可以将该模型应用到自动驾驶变道决策中,提高变道决策的泛化性。另外,基于候选锚点的位置坐标样本训练该模型,由于位置坐标是选定的,可以选择更精准的位置坐标样本,提高模型的精准度。
一些实施例中,所述预测结果还包括:障碍物的预测轨迹;所述全局编码器包括:第一编码器和第二编码器;
所述采用所述全局编码器,对所述模态数据样本进行编码处理,以获得编码特征,包括:
采用所述第一编码器,对第一数据样本进行编码处理,以获得预测融合特征;所述第一数据样本与所述障碍物的预测轨迹相关;
采用所述第二编码器,对第二数据样本进行编码处理,以获得决策融合特征;所述第二数据样本与所述预测变道决策结果相关;
对所述预测融合特征和所述决策融合特征进行合并处理,以获得所述编码特征。
本实施例中,通过对预测融合特征和决策融合特征进行合并处理,得到编码特征,可以实现预测和决策的统一建模,降低处理复杂度,提高处理效率。
一些实施例中,所述第一数据样本包括:地图数据;和/或,所述第二数据样本包括:全局路径数据。
本实施例中,由于障碍物的预测轨迹与地图数据相关,因此对地图数据进行编码处理,可以使得预测融合特征中包含地图信息,进而可以基于该地图信息进行轨迹预测;由于主车的目标变道决策结果与全局路径数据相关,因此对全局路径数据进行编码处理,可以使得决策融合特征中包含全局路径信息,进而可以基于该全局路径信息进行变道决策。
一些实施例中,所述第一模态数据还包括:环境数据和主车数据;
所述第二模态数据还包括:所述环境数据和所述主车数据;
所述第一编码器包括:地图编码器、环境编码器、主车编码器和预测融合编码器;所述采用所述第一编码器,对第一数据样本进行编码处理,以获得预测融合特征,包括:采用所述地图编码器,对所述地图数据进行编码处理,以获得地图特征;采用所述环境编码器,对所述环境数据进行编码处理,以获得环境特征;采用所述主车编码器,对所述主车数据进行编码处理,以获得主车特征;采用所述预测融合编码器,对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;
和/或,
所述第二编码器包括:全局路径编码器和决策融合编码器;所述采用所述第二编码器,对第二数据样本进行编码处理,以获得决策融合特征,包括:采用所述全局路径编码器,对所述全局路径数据进行编码处理,以获得全局路径特征;采用所述决策融合编码器,对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
本实施例中,通过对地图特征、环境特征和主车特征进行编码处理,可以融合地图信息、环境信息和主车信息,高效地获得预测融合特征;通过对环境特征、主车特征和全局路径特征进行编码处理,可以融合环境信息、主车信息和全局路径信息,高效地获得决策融合特征。
图7是根据本公开第四实施例的示意图,本实施例提供一种自动驾驶变道决策装置,该装置700包括:编码模块701、获取模块702和解码模块703。
编码模块701用于对主车的模态数据进行编码处理,以获得编码特征;获取模块702用于获取预设多个候选锚点的位置坐标,并基于所述候选锚点的位置坐标确定所述候选锚点的锚点特征;其中,每个候选锚点与每个候选变道决策结果一一对应;解码模块703用于对所述编码特征和所述候选锚点的锚点特征进行解码处理,以获得解码结果,所述解码结果包括:在所述候选变道决策结果中确定的目标变道决策结果。
本实施例中,基于模态数据获得编码特征,基于编码特征和锚点特征确定目标变道决策结果,由于不受限于对应关系,相对于基于预设规则进行变道决策的方式,可以提高泛化性。
一些实施例中,所述解码结果还包括:障碍物的预测轨迹;所述编码模块701进一步用于:对主车的第一模态数据进行编码处理,以获得预测融合特征;所述第一模态数据与所述障碍物的预测轨迹相关;对主车的第二模态数据进行编码处理,以获得决策融合特征;所述第二模态数据与所述目标变道决策结果相关;对所述预测融合特征和所述决策融合特征进行合并处理,以获得所述编码特征。
本实施例中,通过对预测融合特征和决策融合特征进行合并处理,得到编码特征,可以实现预测和决策的统一建模,降低处理复杂度,提高处理效率。
一些实施例中,所述第一模态数据包括:地图数据;和/或,所述第二模态数据包括:全局路径数据。
本实施例中,由于障碍物的预测轨迹与地图数据相关,因此对地图数据进行编码处理,可以使得预测融合特征中包含地图信息,进而可以基于该地图信息进行轨迹预测;由于主车的目标变道决策结果与全局路径数据相关,因此对全局路径数据进行编码处理,可以使得决策融合特征中包含全局路径信息,进而可以基于该全局路径信息进行变道决策。
一些实施例中,所述第一模态数据还包括:环境数据和主车数据;所述第二模态数据还包括:所述环境数据和所述主车数据;所述编码模块进一步用于:对所述地图数据进行编码处理,以获得地图特征;对所述环境数据进行编码处理,以获得环境特征;对所述主车数据进行编码处理,以获得主车特征;对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;和/或,对所述全局路径数据进行编码处理,以获得全局路径特征;对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
本实施例中,通过对地图特征、环境特征和主车特征进行编码处理,可以融合地图信息、环境信息和主车信息,高效地获得预测融合特征;通过对环境特征、主车特征和全局路径特征进行编码处理,可以融合环境信息、主车信息和全局路径信息,高效地获得决策融合特征。
一些实施例中,所述预设多个候选锚点至少包括:减速变道锚点、加速变道锚点和不变道锚点;所述获取模块702进一步用于:基于车道宽度、主车速度和减速加速度,确定所述减速变道锚点的位置坐标;基于车道宽度、主车速度和加速加速度,确定所述加速变道锚点的位置坐标;将主车前方预设位置点的位置坐标作为所述不变道锚点的位置坐标。
本实施例中,基于不同情况下的加速度确定对应的候选锚点的位置坐标,可以提高候选锚点的位置坐标的精准度。
一些实施例中,所述减速变道锚点至少包括:左侧减速变道锚点和右侧减速变道锚点;所述获取模块702进一步用于:
响应于所述减速变道锚点是所述左侧减速变道锚点,基于车道宽度确定所述左侧减速变道锚点的横坐标;基于主车速度、左侧障碍车速度,以及预设的减速加速度与车速之间的关系,确定左侧减速加速度;和/或,响应于所述减速变道锚点是所述左侧减速变道锚点,基于所述主车速度和所述左侧减速加速度,确定所述左侧减速变道锚点的纵坐标;基于车道宽度确定所述右侧减速变道锚点的横坐标;基于主车速度、右侧障碍车速度,以及预设的减速加速度与车速之间的关系,确定右侧减速加速度;基于所述主车速度和所述右侧减速加速度,确定所述右侧减速变道锚点的纵坐标。
本实施例中,可以基于车道宽度、主车速度和左侧障碍车速度,确定左侧减速变道锚点的位置坐标,以及基于车道宽度、主车速度和右侧障碍车速度,确定右侧减速变道锚点的位置坐标,从而获得全面准确的减速变道锚点的位置坐标。
一些实施例中,所述加速变道锚点至少包括:左侧加速变道锚点和右侧加速变道锚点;所述获取模块702进一步用于:
响应于所述加速变道锚点是所述左侧加速变道锚点,基于车道宽度确定所述左侧加速变道锚点的横坐标;基于主车速度、左侧障碍车速度,以及预设的加速加速度与车速之间的关系,确定左侧加速加速度;基于所述主车速度和所述左侧加速加速度,确定所述左侧加速变道锚点的纵坐标;和/或,
响应于所述加速变道锚点是所述右侧加速变道锚点,基于车道宽度确定所述右侧加速变道锚点的横坐标;基于主车速度、右侧障碍车速度,以及预设的加速加速度与车速之间的关系,确定右侧加速加速度;基于所述主车速度和所述右侧加速加速度,确定所述右侧加速变道锚点的纵坐标。
本实施例中,可以基于车道宽度、主车速度和左侧障碍车速度,确定左侧加速变道锚点的位置坐标,以及基于车道宽度、主车速度和右侧障碍车速度,确定右侧加速变道锚点的位置坐标,从而获得全面准确的加速变道锚点的位置坐标。
图8是根据本公开第五实施例的示意图,本实施例提供一种自动驾驶模型的训练装置,该模型包括:全局编码器和解码器,该装置800包括:获取模块801、编码模块802、确定模块803、解码模块804、构建模块805和调整模块806。
获取模块801用于获取训练数据,所述训练数据包括:主车的模态数据样本、候选锚点的位置坐标样本,以及所述主车的真实变道决策结果;编码模块802用于采用所述全局编码器,对所述模态数据样本进行编码处理,以获得编码特征;确定模块803用于基于所述候选锚点的位置坐标样本获取锚点特征;解码模块804用于采用所述解码器,对所述编码特征和所述锚点特征进行解码处理,以获得预测结果,所述预测结果包括:预测变道决策结果;构建模块805用于基于所述预测变道决策结果和所述真实变道决策结果,构建损失函数;调整模块806用于基于所述损失函数调整所述编码器的模型参数和所述解码器的模型参数。
本实施例中,通过训练自动驾驶模型,可以将该模型应用到自动驾驶变道决策中,提高变道决策的泛化性。另外,基于候选锚点的位置坐标样本训练该模型,由于位置坐标是选定的,可以选择更精准的位置坐标样本,提高模型的精准度。
一些实施例中,所述预测结果还包括:障碍物的预测轨迹;所述全局编码器包括:第一编码器和第二编码器;
所述编码模块802进一步用于:采用所述第一编码器,对第一数据样本进行编码处理,以获得预测融合特征;所述第一数据样本与所述障碍物的预测轨迹相关;采用所述第二编码器,对第二数据样本进行编码处理,以获得决策融合特征;所述第二数据样本与所述预测变道决策结果相关;
对所述预测融合特征和所述决策融合特征进行合并处理,以获得所述编码特征。
本实施例中,通过对预测融合特征和决策融合特征进行合并处理,得到编码特征,可以实现预测和决策的统一建模,降低处理复杂度,提高处理效率。
一些实施例中,所述第一数据样本包括:地图数据;和/或,所述第二数据样本包括:全局路径数据。
本实施例中,由于障碍物的预测轨迹与地图数据相关,因此对地图数据进行编码处理,可以使得预测融合特征中包含地图信息,进而可以基于该地图信息进行轨迹预测;由于主车的目标变道决策结果与全局路径数据相关,因此对全局路径数据进行编码处理,可以使得决策融合特征中包含全局路径信息,进而可以基于该全局路径信息进行变道决策。
一些实施例中,所述第一模态数据还包括:环境数据和主车数据;所述第二模态数据还包括:所述环境数据和所述主车数据;所述第一编码器包括:地图编码器、环境编码器、主车编码器和预测融合编码器;和/或,所述第二编码器包括:全局路径编码器和决策融合编码器;
所述编码模块进一步用于:
采用所述地图编码器,对所述地图数据进行编码处理,以获得地图特征;采用所述环境编码器,对所述环境数据进行编码处理,以获得环境特征;采用所述主车编码器,对所述主车数据进行编码处理,以获得主车特征;采用所述预测融合编码器,对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;和/或,
采用所述全局路径编码器,对所述全局路径数据进行编码处理,以获得全局路径特征;采用所述决策融合编码器,对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
本实施例中,通过对地图特征、环境特征和主车特征进行编码处理,可以融合地图信息、环境信息和主车信息,高效地获得预测融合特征;通过对环境特征、主车特征和全局路径特征进行编码处理,可以融合环境信息、主车信息和全局路径信息,高效地获得决策融合特征。
可以理解的是,本公开实施例中,不同实施例中的相同或相似内容可以相互参考。
可以理解的是,本公开实施例中的“第一”、“第二”等只是用于区分,不表示重要程度高低、时序先后等。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,如图9所示,本公开还提供了一种自动驾驶车辆900,该自动驾驶车辆900包括电子设备901。关于电子设备901的说明可以参见后续实施例。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备1000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、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1000还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备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/或者要求的本公开的实现。
如图10所示,电子设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元10010加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000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。
计算单元1001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。计算单元1001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计算单元、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。计算单元1001执行上文所描述的各个方法和处理,例如自动驾驶变道决策方法或自动驾驶模型的训练方法。例如,在一些实施例中,自动驾驶变道决策方法或自动驾驶模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的自动驾驶变道决策方法或自动驾驶模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行自动驾驶变道决策方法或自动驾驶模型的训练方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、复杂可编程逻辑设备(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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程负载均衡装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (26)
1.一种自动驾驶变道决策方法,包括:
对主车的模态数据进行编码处理,以获得编码特征;
获取预设多个候选锚点的位置坐标,并基于所述候选锚点的位置坐标确定所述候选锚点的锚点特征;其中,每个候选锚点与每个候选变道决策结果一一对应;
对所述编码特征和所述候选锚点的锚点特征进行解码处理,以获得解码结果,所述解码结果包括:在所述候选变道决策结果中确定的目标变道决策结果。
2.根据权利要求1所述的方法,其中,
所述解码结果还包括:障碍物的预测轨迹;
所述对主车的模态数据进行编码处理,以获得编码特征,包括:
对主车的第一模态数据进行编码处理,以获得预测融合特征;所述第一模态数据与所述障碍物的预测轨迹相关;
对主车的第二模态数据进行编码处理,以获得决策融合特征;所述第二模态数据与所述目标变道决策结果相关;
对所述预测融合特征和所述决策融合特征进行合并处理,以获得所述编码特征。
3.根据权利要求2所述的方法,其中,
所述第一模态数据包括:地图数据;和/或,
所述第二模态数据包括:全局路径数据。
4.根据权利要求3所述的方法,其中,
所述第一模态数据还包括:环境数据和主车数据;
所述第二模态数据还包括:所述环境数据和所述主车数据;
所述对主车的第一模态数据进行编码处理,以获得预测融合特征,包括:
对所述地图数据进行编码处理,以获得地图特征;
对所述环境数据进行编码处理,以获得环境特征;
对所述主车数据进行编码处理,以获得主车特征;
对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;和/或,
所述对主车的第二模态数据进行编码处理,以获得决策融合特征,包括:
对所述全局路径数据进行编码处理,以获得全局路径特征;
对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
5.根据权利要求1-4任一项所述的方法,其中,
所述预设多个候选锚点至少包括:减速变道锚点、加速变道锚点和不变道锚点;
所述获取预设多个候选锚点的位置坐标,包括:
基于车道宽度、主车速度和减速加速度,确定所述减速变道锚点的位置坐标;
基于车道宽度、主车速度和加速加速度,确定所述加速变道锚点的位置坐标;
将主车前方预设位置点的位置坐标作为所述不变道锚点的位置坐标。
6.根据权利要求5所述的方法,其中,
所述减速变道锚点至少包括:左侧减速变道锚点和右侧减速变道锚点;
所述基于车道宽度、主车速度和减速加速度,确定所述减速变道锚点的位置坐标,包括:
响应于所述减速变道锚点是所述左侧减速变道锚点,基于车道宽度确定所述左侧减速变道锚点的横坐标;基于主车速度、左侧障碍车速度,以及预设的减速加速度与车速之间的关系,确定左侧减速加速度;基于所述主车速度和所述左侧减速加速度,确定所述左侧减速变道锚点的纵坐标;和/或,
响应于所述减速变道锚点是所述左侧减速变道锚点,基于车道宽度确定所述右侧减速变道锚点的横坐标;基于主车速度、右侧障碍车速度,以及预设的减速加速度与车速之间的关系,确定右侧减速加速度;基于所述主车速度和所述右侧减速加速度,确定所述右侧减速变道锚点的纵坐标。
7.根据权利要求5所述的方法,其中,
所述加速变道锚点至少包括:左侧加速变道锚点和右侧加速变道锚点;
所述基于车道宽度、主车速度和加速加速度,确定所述加速变道锚点的位置坐标,包括:
响应于所述加速变道锚点是所述左侧加速变道锚点,基于车道宽度确定所述左侧加速变道锚点的横坐标;基于主车速度、左侧障碍车速度,以及预设的加速加速度与车速之间的关系,确定左侧加速加速度;基于所述主车速度和所述左侧加速加速度,确定所述左侧加速变道锚点的纵坐标;和/或,
响应于所述加速变道锚点是所述右侧加速变道锚点,基于车道宽度确定所述右侧加速变道锚点的横坐标;基于主车速度、右侧障碍车速度,以及预设的加速加速度与车速之间的关系,确定右侧加速加速度;基于所述主车速度和所述右侧加速加速度,确定所述右侧加速变道锚点的纵坐标。
8.一种自动驾驶模型的训练方法,所述模型包括:全局编码器和解码器,所述方法包括:
获取训练数据,所述训练数据包括:主车的模态数据样本、候选锚点的位置坐标样本,以及所述主车的真实变道决策结果;
采用所述全局编码器,对所述模态数据样本进行编码处理,以获得编码特征;
基于所述候选锚点的位置坐标样本获取锚点特征;
采用所述解码器,对所述编码特征和所述锚点特征进行解码处理,以获得预测结果,所述预测结果包括:预测变道决策结果;
基于所述预测变道决策结果和所述真实变道决策结果,构建损失函数;
基于所述损失函数调整所述编码器的模型参数和所述解码器的模型参数。
9.根据权利要求8所述的方法,其中,
所述预测结果还包括:障碍物的预测轨迹;
所述全局编码器包括:第一编码器和第二编码器;
所述采用所述全局编码器,对所述模态数据样本进行编码处理,以获得编码特征,包括:
采用所述第一编码器,对第一数据样本进行编码处理,以获得预测融合特征;所述第一数据样本与所述障碍物的预测轨迹相关;
采用所述第二编码器,对第二数据样本进行编码处理,以获得决策融合特征;所述第二数据样本与所述预测变道决策结果相关;
对所述预测融合特征和所述决策融合特征进行合并处理,以获得所述编码特征。
10.根据权利要求9所述的方法,其中,
所述第一数据样本包括:地图数据;和/或,
所述第二数据样本包括:全局路径数据。
11.根据权利要求10所述的方法,其中,
所述第一模态数据还包括:环境数据和主车数据;
所述第二模态数据还包括:所述环境数据和所述主车数据;
所述第一编码器包括:地图编码器、环境编码器、主车编码器和预测融合编码器;
所述采用所述第一编码器,对第一数据样本进行编码处理,以获得预测融合特征,包括:
采用所述地图编码器,对所述地图数据进行编码处理,以获得地图特征;
采用所述环境编码器,对所述环境数据进行编码处理,以获得环境特征;
采用所述主车编码器,对所述主车数据进行编码处理,以获得主车特征;
采用所述预测融合编码器,对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;和/或,
所述第二编码器包括:全局路径编码器和决策融合编码器;
所述采用所述第二编码器,对第二数据样本进行编码处理,以获得决策融合特征,包括:
采用所述全局路径编码器,对所述全局路径数据进行编码处理,以获得全局路径特征;
采用所述决策融合编码器,对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
12.一种自动驾驶变道决策装置,包括:
编码模块,用于对主车的模态数据进行编码处理,以获得编码特征;
获取模块,用于获取预设多个候选锚点的位置坐标,并基于所述候选锚点的位置坐标确定所述候选锚点的锚点特征;其中,每个候选锚点与每个候选变道决策结果一一对应;
解码模块,用于对所述编码特征和所述候选锚点的锚点特征进行解码处理,以获得解码结果,所述解码结果包括:在所述候选变道决策结果中确定的目标变道决策结果。
13.根据权利要求12所述的装置,其中,
所述解码结果还包括:障碍物的预测轨迹;
所述编码模块进一步用于:
对主车的第一模态数据进行编码处理,以获得预测融合特征;所述第一模态数据与所述障碍物的预测轨迹相关;
对主车的第二模态数据进行编码处理,以获得决策融合特征;所述第二模态数据与所述目标变道决策结果相关;
对所述预测融合特征和所述决策融合特征进行合并处理,以获得所述编码特征。
14.根据权利要求13所述的装置,其中,
所述第一模态数据包括:地图数据;和/或,
所述第二模态数据包括:全局路径数据。
15.根据权利要求14所述的装置,其中,
所述第一模态数据还包括:环境数据和主车数据;
所述第二模态数据还包括:所述环境数据和所述主车数据;
所述编码模块进一步用于:
对所述地图数据进行编码处理,以获得地图特征;
对所述环境数据进行编码处理,以获得环境特征;
对所述主车数据进行编码处理,以获得主车特征;
对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;和/或,
对所述全局路径数据进行编码处理,以获得全局路径特征;对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
16.根据权利要求12-15任一项所述的装置,其中,
所述预设多个候选锚点至少包括:减速变道锚点、加速变道锚点和不变道锚点;
所述获取模块进一步用于:
基于车道宽度、主车速度和减速加速度,确定所述减速变道锚点的位置坐标;
基于车道宽度、主车速度和加速加速度,确定所述加速变道锚点的位置坐标;
将主车前方预设位置点的位置坐标作为所述不变道锚点的位置坐标。
17.根据权利要求16所述的装置,其中,
所述减速变道锚点至少包括:左侧减速变道锚点和右侧减速变道锚点;
所述获取模块进一步用于:
响应于所述减速变道锚点是所述左侧减速变道锚点,基于车道宽度确定所述左侧减速变道锚点的横坐标;基于主车速度、左侧障碍车速度,以及预设的减速加速度与车速之间的关系,确定左侧减速加速度;基于所述主车速度和所述左侧减速加速度,确定所述左侧减速变道锚点的纵坐标;和/或,
响应于所述减速变道锚点是所述左侧减速变道锚点,基于车道宽度确定所述右侧减速变道锚点的横坐标;基于主车速度、右侧障碍车速度,以及预设的减速加速度与车速之间的关系,确定右侧减速加速度;基于所述主车速度和所述右侧减速加速度,确定所述右侧减速变道锚点的纵坐标。
18.根据权利要求16所述的装置,其中,
所述加速变道锚点至少包括:左侧加速变道锚点和右侧加速变道锚点;
所述获取模块进一步用于:
响应于所述加速变道锚点是所述左侧加速变道锚点,基于车道宽度确定所述左侧加速变道锚点的横坐标;基于主车速度、左侧障碍车速度,以及预设的加速加速度与车速之间的关系,确定左侧加速加速度;基于所述主车速度和所述左侧加速加速度,确定所述左侧加速变道锚点的纵坐标;和/或,
响应于所述加速变道锚点是所述右侧加速变道锚点,基于车道宽度确定所述右侧加速变道锚点的横坐标;基于主车速度、右侧障碍车速度,以及预设的加速加速度与车速之间的关系,确定右侧加速加速度;基于所述主车速度和所述右侧加速加速度,确定所述右侧加速变道锚点的纵坐标。
19.一种自动驾驶模型的训练装置,所述模型包括:全局编码器和解码器,所述装置包括:
获取模块,用于获取训练数据,所述训练数据包括:主车的模态数据样本、候选锚点的位置坐标样本,以及所述主车的真实变道决策结果;
编码模块,用于采用所述全局编码器,对所述模态数据样本进行编码处理,以获得编码特征;
确定模块,用于基于所述候选锚点的位置坐标样本获取锚点特征;
解码模块,用于采用所述解码器,对所述编码特征和所述锚点特征进行解码处理,以获得预测结果,所述预测结果包括:预测变道决策结果;
构建模块,用于基于所述预测变道决策结果和所述真实变道决策结果,构建损失函数;
调整模块,用于基于所述损失函数调整所述编码器的模型参数和所述解码器的模型参数。
20.根据权利要求19所述的装置,其中,
所述预测结果还包括:障碍物的预测轨迹;
所述全局编码器包括:第一编码器和第二编码器;
所述编码模块进一步用于:
采用所述第一编码器,对第一数据样本进行编码处理,以获得预测融合特征;所述第一数据样本与所述障碍物的预测轨迹相关;
采用所述第二编码器,对第二数据样本进行编码处理,以获得决策融合特征;所述第二数据样本与所述预测变道决策结果相关;
对所述预测融合特征和所述决策融合特征进行合并处理,以获得所述编码特征。
21.根据权利要求20所述的装置,其中,
所述第一数据样本包括:地图数据;和/或,
所述第二数据样本包括:全局路径数据。
22.根据权利要求21所述的装置,其中,
所述第一模态数据还包括:环境数据和主车数据;
所述第二模态数据还包括:所述环境数据和所述主车数据;
所述第一编码器包括:地图编码器、环境编码器、主车编码器和预测融合编码器;和/或,所述第二编码器包括:全局路径编码器和决策融合编码器;
所述编码模块进一步用于:
采用所述地图编码器,对所述地图数据进行编码处理,以获得地图特征;采用所述环境编码器,对所述环境数据进行编码处理,以获得环境特征;采用所述主车编码器,对所述主车数据进行编码处理,以获得主车特征;采用所述预测融合编码器,对所述地图特征、所述环境特征和所述主车特征进行编码处理,以获得所述预测融合特征;和/或,
采用所述全局路径编码器,对所述全局路径数据进行编码处理,以获得全局路径特征;采用所述决策融合编码器,对所述环境特征、所述主车特征和所述全局路径特征进行编码处理,以获得所述决策融合特征。
23.一种电子设备,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指令,所述指令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1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
26.一种自动驾驶车辆,包括:如权利要求23所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521662.9A CN117508223A (zh) | 2023-11-15 | 2023-11-15 | 自动驾驶变道决策及模型训练方法、装置、设备和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311521662.9A CN117508223A (zh) | 2023-11-15 | 2023-11-15 | 自动驾驶变道决策及模型训练方法、装置、设备和车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117508223A true CN117508223A (zh) | 2024-02-06 |
Family
ID=89747112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311521662.9A Pending CN117508223A (zh) | 2023-11-15 | 2023-11-15 | 自动驾驶变道决策及模型训练方法、装置、设备和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117508223A (zh) |
-
2023
- 2023-11-15 CN CN202311521662.9A patent/CN117508223A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113658214B (zh) | 轨迹预测方法、碰撞检测方法、装置、电子设备及介质 | |
CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN114758502B (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
CN116092055A (zh) | 训练方法、获取方法、装置、设备及自动驾驶车辆 | |
CN115675534A (zh) | 车辆轨迹预测方法、装置、电子设备及存储介质 | |
CN113119999B (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
US20210398014A1 (en) | Reinforcement learning based control of imitative policies for autonomous driving | |
CN116499487B (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN116890876A (zh) | 车辆控制方法、装置、电子设备和自动驾驶车辆 | |
CN116776151A (zh) | 可与车外人员进行自主交互的自动驾驶模型和训练方法 | |
CN116215517A (zh) | 碰撞检测方法、装置、设备、存储介质和自动驾驶车辆 | |
CN117508223A (zh) | 自动驾驶变道决策及模型训练方法、装置、设备和车辆 | |
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 | |
CN115583254A (zh) | 路径规划方法、装置、设备以及自动驾驶车辆 | |
CN114030483A (zh) | 车辆控制方法、装置、电子设备和介质 | |
CN114715151A (zh) | 车辆控制方法、装置、电子设备、介质和自动驾驶车辆 | |
CN114620039A (zh) | 轨迹修正方法、设备、云控平台和自动驾驶车辆 | |
CN114299758A (zh) | 车辆控制方法及装置、设备、介质和产品 | |
CN113276888A (zh) | 基于自动驾驶的乘车方法、装置、设备和存储介质 | |
CN117746360A (zh) | 自动驾驶车辆及轨迹规划和模型训练方法、装置和设备 | |
CN114407916B (zh) | 车辆控制及模型训练方法、装置、车辆、设备和存储介质 | |
CN114379584B (zh) | 车辆控制方法、装置、车辆、设备和存储介质 | |
CN114590248B (zh) | 行驶策略的确定方法、装置、电子设备和自动驾驶车辆 | |
CN114572233B (zh) | 基于模型集合的预测方法、电子设备及自动驾驶车辆 | |
CN114283396A (zh) | 用于自动驾驶的方法、装置和计算机可读存储介质 |
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 |