CN117539260A - 基于时序递归自回归推理的自动驾驶模型、方法和车辆 - Google Patents
基于时序递归自回归推理的自动驾驶模型、方法和车辆 Download PDFInfo
- Publication number
- CN117539260A CN117539260A CN202311676405.2A CN202311676405A CN117539260A CN 117539260 A CN117539260 A CN 117539260A CN 202311676405 A CN202311676405 A CN 202311676405A CN 117539260 A CN117539260 A CN 117539260A
- Authority
- CN
- China
- Prior art keywords
- time
- scene representation
- current
- moment
- sample
- 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 80
- 230000009471 action Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 22
- 238000012545 processing Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种基于时序递归自回归推理的自动驾驶模型、方法、装置和车辆,涉及计算机技术领域,尤其涉及自动驾驶和人工智能技术领域。自动驾驶模型中的编码层被配置成对当前时刻的传感器信息进行编码,以得到当前场景表示;轨迹规划层被配置成根据当前时刻的历史场景表示确定从当前时刻到未来时刻的驾驶轨迹;推理层被配置成根据当前场景表示、历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和未来时刻的历史场景表示,其中提示信息至少包括驾驶轨迹。由此,自动驾驶模型可以利用一体化的推理层实现历史信息的学习和未来信息的预测,从而使得模型能够在学习历史的同时进行未来预测,提高模型的预测效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及自动驾驶和人工智能技术领域,具体涉及一种自动驾驶模型、自动驾驶模型的训练方法、利用自动驾驶模型实现的自动驾驶方法、基于自动驾驶模型的自动驾驶装置、自动驾驶模型的训练装置、电子设备、计算机可读存储介质、计算机程序产品和自动驾驶车辆。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
自动驾驶技术融合了识别、决策、定位、通信安全和人机交互等诸多方面的技术。通过人工智能学习能够辅助生成自动驾驶策略。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种基于时序递归自回归推理的自动驾驶模型、方法、装置和车辆。
根据本公开的一方面,提供了一种自动驾驶模型,包括编码层、轨迹规划层和推理层,其中,所述编码层被配置成对当前时刻的传感器信息进行编码,以得到当前场景表示;所述轨迹规划层被配置成根据所述当前时刻的历史场景表示确定从所述当前时刻到未来时刻的驾驶轨迹,其中所述当前时刻的历史场景表示指示所述当前时刻的至少一个先前时刻的场景;所述推理层被配置成根据所述当前场景表示、所述历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述驾驶轨迹。
根据本公开的另一方面,提供了一种用于自动驾驶模型的训练方法,包括:获取样本时段内的样本传感器信息和与所述样本传感器信息对应的真实驾驶轨迹;利用所述自动驾驶模型的编码层对样本时刻的样本传感器信息进行编码,以得到样本场景表示;利用所述自动驾驶模型的轨迹规划层根据所述样本时刻的历史场景表示确定从所述当前时刻到未来时刻的预测驾驶轨迹,其中所述样本时刻的历史场景表示指示所述样本时刻的至少一个先前时刻的场景;利用所述自动驾驶模型的推理层根据所述样本场景表示、所述历史场景表示以及样本提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述当前时刻到未来时刻的预测驾驶轨迹;基于所述当前时刻到未来时刻的所述预测驾驶轨迹和所述当前时刻到所述未来时刻的真实驾驶轨迹之间的差异调整所述自动驾驶模型的参数。
根据本公开的另一方面,提供了一种利用自动驾驶模型实现的自动驾驶方法,包括:对当前时刻的传感器信息进行编码,以得到当前场景表示;根据所述当前时刻的历史场景表示确定从所述当前时刻到未来时刻的驾驶轨迹,其中所述当前时刻的历史场景表示指示所述当前时刻的至少一个先前时刻的场景;以及根据所述当前场景表示、所述历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述驾驶轨迹。
根据本公开的另一方面,提供了一种基于自动驾驶模型的自动驾驶装置,包括:编码单元,被配置成对当前时刻的传感器信息进行编码,以得到当前场景表示;轨迹确定单元,被配置成根据所述当前时刻的历史场景表示确定从所述当前时刻到未来时刻的驾驶轨迹,其中所述当前时刻的历史场景表示指示所述当前时刻的至少一个先前时刻的场景;以及未来预测单元,被配置成根据所述当前场景表示、所述历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述驾驶轨迹。
根据本公开的另一方面,提供了一种用于自动驾驶模型的训练装置,包括:样本获取单元,被配置成获取样本时段内的样本传感器信息和与所述样本传感器信息对应的真实驾驶轨迹;编码单元,被配置成利用所述自动驾驶模型的编码层对样本时刻的样本传感器信息进行编码,以得到样本场景表示;轨迹预测单元,被配置成利用所述自动驾驶模型的轨迹规划层根据所述样本时刻的历史场景表示确定从所述当前时刻到未来时刻的预测驾驶轨迹,其中所述样本时刻的历史场景表示指示所述样本时刻的至少一个先前时刻的场景;推理单元,被配置成利用所述自动驾驶模型的推理层根据所述样本场景表示、所述历史场景表示以及样本提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述当前时刻到未来时刻的预测驾驶轨迹;以及参数调整单元,被配置成基于所述当前时刻到未来时刻的所述预测驾驶轨迹和所述当前时刻到所述未来时刻的真实驾驶轨迹之间的差异调整所述自动驾驶模型的参数。
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;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上述方法。
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,包括计算机程序,其中,所述计算机程序在被处理器执行时实现上述方法。
根据本公开的另一方面,提供了一种自动驾驶车辆,包括:根据本公开实施例的自动驾驶装置、电子设备中的一者。
利用本公开的实施例,可以利用一体化的推理层实现历史信息的学习和未来信息的预测,从而使得模型能够在学习历史的同时进行未来预测,提高模型的预测效果。利用本公开提供的自动驾驶模型,可以利用以t时刻的信息推理t+1时刻的预测结果的方式实现时序的自回归推理。在推理层采用递归结构的情况下,本公开的实施例提供的自动驾驶模型可以实现时序递归自回归推理,并基于推理结果确定自动驾驶决策。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的自动驾驶模型的示例性框图;
图3示出了根据本公开的实施例的用于自动驾驶模型的训练方法的示例性流程图;
图4示出了根据本公开的实施例的利用自动驾驶模型实现的自动驾驶方法的示例性流程图;
图5示出了根据本公开的实施例的t时刻的推理过程的示例;
图6示出了根据本公开的实施例的自动驾驶装置的结构框图;
图7示出了根据本公开的实施例的自动驾驶的训练装置的结构框图;以及
图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。
在本公开的实施例中,机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。
服务器120可以运行使得能够实现自动驾驶的一个或多个服务或软件应用。在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。
网络130可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络130可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。
系统100还可以包括一个或多个数据库150。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库150可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库150可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个:视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外,通过对视觉摄像头捕获的画面进行分析,可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周,用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置,用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置,用于检测物体边缘、形状信息,从而进行物体识别和追踪。由于多普勒效应,雷达装置还可以测量车辆与移动物体的速度变化。
机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如,北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块,移动通信网络可以实施任何适合的通信技术,例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything,V2X)模块,被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle,V2V)通信和与基础设施144进行车辆到基础设施(Vehicle-to-Infrastructure,V2I)通信的车与外界的通信。此外,通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112,机动车辆110还可以经由网络130接入服务器120。
机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器,例如中央处理单元(CPU)或图形处理单元(GPU),或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动,而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如,可以使用车载处理器执行某一些处理,而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外,控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
基于端到端模型的自动驾驶方案,具有无需定义中间表示、可以利用数据驱动不断提升模型效果等特点。为了提高自动驾驶模型的效果,本公开提供了一种新的自动驾驶模型。
图2示出了根据本公开的实施例的自动驾驶模型的示例性框图。
如图2所示,自动驾驶模型200包括编码层210、轨迹规划层220以及推理层230。
编码层210被配置成对当前时刻的传感器信息进行编码,以得到当前场景表示。
轨迹规划层220被配置成根据当前时刻的历史场景表示确定从当前时刻到未来时刻的驾驶轨迹,其中当前时刻的历史场景表示指示当前时刻的至少一个先前时刻的场景。
推理层230被配置成根据当前场景表示、历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和未来时刻的历史场景表示,其中提示信息至少包括驾驶轨迹。
利用本公开的实施例提供的自动驾驶模型,可以利用一体化的推理层实现历史信息的学习和未来信息的预测,从而使得模型能够在学习历史的同时进行未来预测,提高模型的预测效果。
以下将详细描述本公开的原理。
编码层210可以被配置成对当前时刻的传感器信息进行编码,以得到当前场景表示。
传感器信息可以包括由安装在自动驾驶车辆上的至少一个传感器采集的传感器输入。例如,传感器信息可以包括以下项中的至少一项:一个或多个摄像机的感知信息、一个或多个激光雷达的感知信息、以及一个或多个毫米波雷达的感知信息。
当前时刻的传感器信息可以是当前时刻传感器采集的原始传感器信息。编码层可以对传感器采集的原始传感器信息进行编码,以得到指示当前场景的传感器信息的隐式表示形式作为当前场景表示。例如,可以利用例如BEVFormer或BEVFusion的结构将传感器信息映射为鸟瞰图BEV空间的隐式表示,如Nw×NH×D维度的张量。其中,Nw,NH表示BEV空间的长和宽,D是张量的维度。可以理解的是,将传感器信息映射成BEV空间的隐式表示仅仅是本公开的一种示例性说明。在不脱离本公开原理的情况下,可以利用任何合适的方式将三维空间中原始的传感器信息映射为其他空间的隐式表示。
针对每一时刻t,该时刻的当前场景表示是根据t时刻传感器采集到的原始传感器信息(RAWt)编码得到的隐式表示(Ht)。
轨迹规划层220可以被配置成根据当前时刻的历史场景表示确定从当前时刻到未来时刻的驾驶轨迹。其中当前时刻的历史场景表示指示当前时刻的至少一个先前时刻的场景。
针对当前时刻t,历史场景表示M[:t-1]可以包括t时刻之前的一历史时段内的场景的信息。在一些示例中,历史场景表示M[:t-1]可以包括从初始的0时刻直至t-1时刻的场景的信息。
在一些实施例中,当前时刻的历史场景表示可以是根据先前时刻的当前场景表示和先前时刻的历史场景表示进行预测得到的,而不是通过对先前时刻采集的传感器信息编码得到的。利用这种方法,自动驾驶模型能够对历史时刻的场景信息进行学习和利用。
在t=1时刻的历史场景表示M[:0]可以被初始化为默认值(例如0)。在t=1时刻,可以获取当前时刻的传感器信息RAW1,并对RAW1进行编码来得到t=1时刻的场景表示H1。可以根据初始历史场景M[:0]表示和H1进行预测来得到下一时刻(t=2)的历史场景表示M[:1]。例如,可以利用自动驾驶模型的推理层对M[:0]、H1以及包括t=1时刻的驾驶轨迹的提示信息P1进行预测来得到历史场景表示M[:1]。以此类推,可以通过逐步推理得到t时刻的历史场景表示M[:t-1]。
轨迹规划层可以用于根据当前时刻的历史场景表示确定用于当前时刻的驾驶动作的信息,并进一步根据所预测的动作信息确定当前时刻之后的车辆轨迹。例如,轨迹规划层可以被配置成:根据当前时刻的历史场景表示确定当前时刻的驾驶决策动作,并根据当前时刻的驾驶决策动作确定当前时刻到第一时刻的第一驾驶轨迹。其中第一时刻是当前时刻的下一时刻。根据第一驾驶轨迹还可以进一步对第一时刻之后的未来时刻进行预测。其中,驾驶决策动作可以包括车辆的方向盘信号、油门信号等。
在一些示例中,可以利用例如Transformer网络对t时刻的历史场景信息M[:t-1]进行处理,以得到用于当前时刻的动作信息(At)。然后,可以根据正向动力学的原理、根据预测得到的动作信息以及当前车辆的行驶状态(例如车辆的行驶方向、行驶速度、加速度、当前位置等),从而得到t时刻之后的一段轨迹,例如从t时刻到t+1时刻的轨迹S[t:t+1]。
推理层230被配置成根据当前场景表示、历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和未来时刻的历史场景表示,其中提示信息至少包括驾驶轨迹。
推理层230可以根据当前时刻t的信息(例如包括当前时刻的场景表示、历史场景表示以及当前提示信息)进行推理来得到下一时刻(t+1时刻)的预测场景表示和历史场景表示的预测结果。
在一些实施例中,推理层可以根据当前场景表示、历史场景表示以及当前时刻到第一时刻的第一驾驶轨迹确定第一时刻的预测场景表示和第一时刻的历史场景表示。
由于车辆在不同时刻所处的位置和姿态的不同,导致车辆在不同时刻的场景表示的具体内容与不同时刻的坐标系有关。因此,应当在t时刻的坐标系下表示t时刻的场景表示和历史场景表示,在t+1时刻的坐标系下表示t+1时刻的场景表示和历史场景表示。在对下一时刻的场景表示和历史场景表示进行预测时,推理层可以通过根据当前时刻和下一时刻的位置信息的改变确定当前时刻和下一时刻的坐标系映射关系。
在一些实施例中,推理层可以被配置成根据当前场景表示Ht和历史场景表示M[:t-1]确定当前时刻的坐标系中第一时刻的预测场景表示和当前时刻的坐标系中第一时刻的历史场景表示,然后根据第一驾驶轨迹对当前时刻的坐标系中的第一时刻的预测场景表示和当前时刻的坐标系中第一时刻的历史场景表示进行空间变换,以得到第一时刻的坐标系中第一时刻的预测场景表示和第一时刻的坐标系中第一时刻的历史场景表示Mpred[:t]。在一些示例中,可以使用t时刻和t+1时刻的车辆位置信息并利用warp操作进行旋转平移来实现从t时刻的坐标系到t+1时刻的坐标系的变换。可以理解的是,也可以利用任何其他合适的方式来实现坐标系的变换。
利用根据t时刻的信息得到的针对t+1时刻的推理结果,可以对t+2时刻的场景表示进行预测。
在一些实施例中,推理层还被配置成根据第一时刻的预测场景表示、第一时刻的历史场景表示以及第一时刻到第二时刻的第二驾驶轨迹确定第二时刻的预测场景表示和第二时刻的历史场景表示,其中第二时刻是第一时刻的未来时刻。可以利用上述方式不断使用推理层输出的预测结果向前进行推理(例如K步),对未来一定时间段内(例如至t+K时刻)的场景进行预测。利用上述方法可以实现基于时序推理的自动驾驶模型。根据t时刻的信息,可以得到t+1至t+K时刻的场景表示预测历史场景表示Mpred[:t]……Mpred[:t+K-1]。用自动驾驶模型中的轨迹规划层,可以根据预测历史场景表示Mpred[:t]……Mpred[:t+K-1]确定各个时刻的预测驾驶决策动作/>的序列。
在一些实现方式中,轨迹规划层可以被配置成根据第一时刻的历史场景表示确定第一时刻的驾驶决策动作,并根据第一时刻的驾驶决策动作确定第二驾驶轨迹。如前所述,第一时刻的历史场景表示可以是在t时刻的推理过程中,根据t时刻的当前场景表示生成的。
在另一些实现方式中,可以使用考虑了时间延迟的推理过程。可以根据第一时刻的预测历史场景表示确定第一时刻的驾驶决策动作,其中,预测历史场景表示是根据当前时刻的前一时刻的场景表示和前一时刻的历史场景表示进行预测得到的,并根据第一时刻的驾驶决策动作确定第一时刻到第二时刻的第二驾驶轨迹。
在这种情况下,可以使用在先前时刻(如t-1时刻)的推理过程中根据先前时刻的当前场景表示(如Ht-1)生成的t+1时刻的历史场景表示来确定t+1时刻的驾驶决策动作。以时间延迟为Δ为例,在每个时刻的推理过程中只有第Δ+1步之后的预测驾驶决策动作可以生效。也就是说,对于t时刻的推理过程中,只有的动作(及其对应的轨迹)将被执行。在前Δ步推理过程中,可以使用先前时刻的推理过程中针对第t至t+Δ时刻输出预测历史场景表示Mpred(-1)[:t]……Mpred(-1)[:t+Δ]对应的预测驾驶决策动作,即例如其对应的预测轨迹为其中上标(-1)表示这是在t-1时刻的推理步骤中输出的结果。
由此,在考虑了时间延迟的t时刻的推理过程中,模型实际预测的轨迹为
第二时刻可以是第一时刻的下一时刻,即t+2时刻。在一些示例中,推理使用的时间步长可以是固定的,即t时刻和t+1时刻之间的时间步长与t+1时刻和t+2时刻之间的时间步长是相同的。在一些示例中,推理使用的时间步长可以是动态的,即t时刻和t+1时刻之间的时间步长与t+1时刻和t+2时刻之间的时间步长是不同的。因此,第二时刻和第一时刻之间的时间步长不同于第一时刻和当前时刻之间的时间步长。本领域技术人员可以根据实际情况对模型推理时使用的时间步长进行设置。
在一些实施例中,推理层可以包括至少一个可变形交叉注意力层(DeformableCross Attention)。例如,推理层可以包括串联的多个可变形交叉注意力层的形成的递归结构。可以将当前场景表示、当前时刻的历史场景表示以及当前时刻的提示信息作为输入,在经过串联的多个可变形交叉注意力层的结构的处理后得到当前时刻的坐标系中未来时刻的预测场景表示和当前时刻的坐标系中未来时刻的历史场景表示。其中,多个可变形交叉注意力层可以具有不同的参数。
在一些实现方式中,提示信息还可以包括以下信息中的至少一项:地图信息、当前车辆行驶状态信息、导航信息,目的地信息,以及任何与驾驶过程有关的指令信息等。可以利用神经网络对提示信息进行编码,以得到提示信息的隐式表示(Pt)作为推理层230的输入。
在利用可变形交叉注意力层对推理层230的输入进行处理时,可以将当前时刻的历史场景表示和当前场景表示作为可变形交叉注意力层的查询(Q)输入,将当前时刻的历史场景表示、提示信息和当前场景表示作为可变形交叉注意力层的键(K)输入,将当前时刻的历史场景表示、提示信息和当前场景表示作为可变形交叉注意力层的值(V)输入。可以根据可变形交叉注意力层的输出确定当前时刻的坐标系中第一时刻的预测场景表示和当前时刻的坐标系中第一时刻的历史场景表示。当存在串联的多个可变形交叉注意力层时,从第二个可变形交叉注意力层开始,每个可变形交叉注意力层都将前一可变形交叉注意力层输出的历史场景表示和前一可变形交叉注意力层输出的预测场景表示作为当前可变形交叉注意力层的查询(Q)输入,将前一可变形交叉注意力层输出的历史场景表示、提示信息和前一可变形交叉注意力层输出的预测场景表示作为当前可变形交叉注意力层的键(K)输入,将前一可变形交叉注意力层输出的历史场景表示、提示信息和前一可变形交叉注意力层输出的预测场景表示作为当前可变形交叉注意力层的值(V)输入。最后一个可变形交叉注意力层输出的结果可以作为当前时刻的坐标系中第一时刻的预测场景表示和当前时刻的坐标系中第一时刻的历史场景表示。利用基于前一注意力层输出的结果继续向前重复推理可以实现递归推理。
推理层输出的至少一个未来时刻的预测场景表示可以用于对至少一个未来时刻的传感器信息进行预测。在一些实施例中,自动驾驶模型还可以包括预测层。预测层可以被配置成根据至少一个未来时刻的场景表示确定至少一个未来时刻的预测传感器信息。在一些示例中,预测层可以由例如交叉注意力(cross attention)网络或者任何其他合适的神经网络来实现。预测层可以对未来时刻的Nw×NH×D的隐式表示进行反向空间映射,利用反卷积等操作将预测感知表示转换回传感器的成像空间,并转化为未来时刻传感器采集的图像。
利用上述自动驾驶模型,在t时刻的推理过程中,可以根据t时刻的场景表示Ht、t-1时刻预测的历史场景表示Mpred[:t-1]作为t时刻的历史场景表示M[:t-1]以及驾驶轨迹S[t:t+1]确定t+1时刻的预测场景表示和历史感知表示Mpred[:t+1]。进一步地,根据t+1时刻的预测场景表示和历史场景表示,推理层还可以进一步向前预测K步,对后续未来时刻(t+2、t+3……t+K)的场景表示和历史场景表示进行预测,以得到未来时刻的预测历史感知序列(Mpred[:t],Mpred[:t+1],…,Mpred[:t+K-1])、预测感知表示预测动作/>以及预测轨迹从t+1时刻开始的每一步都是基于未来预测的下一步推断。在t时刻的推理过程中,可以保存t+1时刻的历史场景表示用于t+1时刻的推理过程。类似地,可以不断地对未来场景进行预测。
利用本公开提供的上述自动驾驶模型,可以利用以t时刻的信息推理t+1时刻的预测结果的方式实现时序的自回归推理。在推理层采用递归结构的情况下,本公开的实施例提供的自动驾驶模型可以实现时序递归自回归推理,并基于推理结果确定自动驾驶决策。
图3示出了根据本公开的实施例的用于自动驾驶模型的训练方法的示例性流程图。可以利用图3示出的训练方法300对结合图2描述的自动驾驶模型200进行训练。
在步骤S302中,可以获取样本时段内的样本传感器信息和与样本传感器信息对应的真实驾驶轨迹。在一些实施例中,用于训练自动驾驶模型的样本数据可以包括的训练数据时间序列。其中RAWt表示t时刻的样本传感器信息,/>表示t时刻的真实驾驶轨迹,T表示样本数据所属的时间期间。可以通过专家司机驾驶车辆的方式采集样本数据。在一些示例中,样本数据中还可以包括样本提示信息。
利用上述训练数据时间序列可以获取自动驾驶模型需要的输入,例如t时刻的样本传感器信息RAWt。
在步骤S304中,可以利用自动驾驶模型的编码层对样本时刻的样本传感器信息进行编码,以得到样本场景表示。在步骤S306中,可以利用自动驾驶模型的轨迹规划层根据样本时刻的历史场景表示确定从当前时刻到未来时刻的预测驾驶轨迹。其中样本时刻的历史场景表示指示样本时刻的至少一个先前时刻的场景。在步骤S308中,可以利用自动驾驶模型的推理层根据样本场景表示、历史场景表示以及样本提示信息确定至少一个未来时刻的预测场景表示和未来时刻的历史场景表示,其中提示信息至少包括当前时刻到未来时刻的预测驾驶轨迹。可以利用自动驾驶模型200对样本数据进行处理来实现上述步骤S304至S308,在此不再加以赘述。
在步骤S310中,可以基于预测驾驶轨迹和当前时刻到未来时刻的真实驾驶轨迹之间的差异调整自动驾驶模型的参数。
例如,可以利用轨迹规划层根据t时刻的历史场景表示M[:t-1]确定t时刻的预测驾驶决策动作并根据正向动力学的原理根据/>确定t时刻到t+1时刻的第一驾驶轨迹/>可以根据样本数据确定t时刻到t+1时刻的真实驾驶轨迹并可以通过最小化/> 和/>之间的差异调整自动驾驶模型的参数。
在一些实施例中,步骤S306可以用于确定当前样本时刻的驾驶决策动作,并进一步确定当前样本时刻至下一时刻的驾驶轨迹。步骤S306可以包括:根据样本时刻的历史场景表示确定样本时刻的预测驾驶决策动作,并根据当前时刻的预测驾驶决策动作确定样本时刻到下一时刻的第一预测驾驶轨迹。
可以根据当前样本时刻的真实驾驶决策动作和步骤S306中确定的预测驾驶决策动作之间的差异调整自动驾驶模型的参数。在一些实施例中,可以根据样本数据获取样本时刻到下一时刻的第一真实驾驶轨迹,并根据第一真实驾驶轨迹确定样本时刻的真实驾驶决策动作。可以根据反向动力学的原理从真实驾驶轨迹中确定真实驾驶决策动作。然后可以根据样本时刻的预测驾驶决策动作和样本时刻的真实驾驶决策动作之间的差异调整自动驾驶模型的参数。
例如,可以利用轨迹规划层根据t时刻的历史场景表示M[:t-1]确定t时刻的预测驾驶决策动作可以根据反向动力学的原理,根据t时刻到t+1时刻的真实驾驶轨迹/>确定t时刻的真实驾驶决策动作/>可以通过最小化/>和/>之间的差异调整自动驾驶模型的参数。
通过使用驾驶动作和车辆轨迹之间的正/反向动力学转换,能够实现模型编码和决策预测的统一。
在一些实施例中,还可以基于真实传感器信息和自动驾驶模型输出的预测传感器信息之间的差异来调整自动驾驶模型的参数。
自动驾驶模型还可以包括预测层。可以利用预测层根据至少一个未来时刻的预测场景表示确定至少一个未来时刻的预测传感器信息。可以根据样本传感器信息确定至少一个未来时刻的真实传感器信息。然后,可以根据至少一个未来时刻的真实传感器信息和至少一个未来时刻的预测传感器信息之间的差异调整自动驾驶模型的参数。
例如,以未来时刻是t+1时刻为例,可以根据自动驾驶模型输出的t+1时刻的预测场景表示确定未来时刻的预测传感器信息可以从训练的样本数据中获取t+1时刻的样本传感器信息RAWt+1,并可以通过最小化/>和RAWt+1之间的差异对自动驾驶模型的参数进行调整。
在自动驾驶模型的训练过程中,在利用推理层输出未来时刻的历史场景表示和预测场景表示时,可以使用训练数据中的真实驾驶轨迹来实现坐标系的变换。例如,自动驾驶模型的推理层可以根据样本场景表示和历史场景表示确定样本时刻的坐标系中下一时刻的预测场景表示和样本时刻的坐标系中下一时刻的历史场景表示,并根据样本时刻到下一时刻的第一真实驾驶轨迹对样本时刻的坐标系中的下一时刻的预测场景表示和样本时刻的坐标系中下一时刻的历史场景表示进行空间变换,以得到下一时刻的坐标系中下一时刻的预测场景表示和下一时刻的坐标系中下一时刻的历史场景表示。由此可以提高模型对于未来场景预测的准确性,并提高模型针对历史场景进行学习的效率。
在一些示例中,可以将每一段[1,T]的训练数据时间序列划分成更小的批量(batch)进行处理。通过利用自动驾驶模型对训练数据进行前向预测,可以得到预测序列通过最小化/>与对应的真实序列/>之间的误差来调整自动驾驶模型的参数。
图4示出了根据本公开的实施例的利用自动驾驶模型实现的自动驾驶方法400的示例性流程图。可以利用结合图2描述的自动驾驶模型来实现自动驾驶方法400。上述结合图2描述的自动驾驶模型的优点也同样适用于自动驾驶方法400,在此不再加以赘述。
在步骤S402中,可以对当前时刻的传感器信息进行编码,以得到当前场景表示。
在步骤S404中,可以根据当前时刻的历史场景表示确定从当前时刻到未来时刻的驾驶轨迹,其中当前时刻的历史场景表示指示当前时刻的至少一个先前时刻的场景。
在步骤S406中,可以根据当前场景表示、历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和未来时刻的历史场景表示,其中提示信息至少包括驾驶轨迹。
利用本公开的实施例提供的自动驾驶方法,自动驾驶模型可以利用一体化的推理层实现历史信息的学习和未来信息的预测,从而使得模型能够在学习历史的同时进行未来预测,提高自动驾驶模型的驾驶能力。
图5示出了根据本公开的实施例的t时刻的推理过程的示例。
如图5所示,可以利用编码层510对原始传感器信息510进行编码,以得到t时刻的当前场景表示502。可以根据t-1时刻的推理结果确定t时刻的历史场景表示504。自动驾驶模型的轨迹规划层520可以包括动作预测层521和正向动力学层522。可以利用动作预测层对t时刻的历史场景表示504进行处理,以得到t时刻的预测驾驶决策动作505。进一步地,利用正向动力学层522对动作505进行处理,可以得到t时刻的预测轨迹506。预测轨迹506可以作为t时刻的提示信息503输入推理层530。
自动驾驶模型的推理层530可以包括多个可变形注意力层531和空间变换层522。多个可变形注意力层531可以对当前场景表示502、历史场景表示504以及提示信息503进行处理,以得到t时刻坐标系下针对t+1时刻的更新历史场景表示543以及针对t+1时刻的更新当前表示544。利用空间变换层532可以将t时刻坐标系下的更新历史场景表示543和更新当前表示544变换到t+1时刻的坐标系下。可以利用轨迹506中指示的t时刻车辆位置和t+1时刻车辆位置,利用例如warp操作实现空间变换。空间变换层532可以输出t+1时刻坐标系下的t+1时刻的历史场景表示509和t+1时刻的当前场景表示507。类似地,可以利用同样的方式根据历史场景表示509和当前场景表示507继续进行推理。图5中示出的用于对历史场景表示509和当前场景表示507进行处理的多个可变形注意力层531和用于对历史场景表示504和当前场景表示502进行处理的多个可变形注意力层531可以具有同样的参数。利用使用相同参数的推理层可以保持时序推理的稳定性。
图6示出了根据本公开的实施例的自动驾驶装置600的结构框图。如图6所示,自动驾驶装置600包括编码单元610、轨迹确定单元420以及未来预测单元630。
编码单元610可以被配置成对当前时刻的传感器信息进行编码,以得到当前场景表示。
轨迹确定单元620可以被配置成根据当前时刻的历史场景表示确定从当前时刻到未来时刻的驾驶轨迹,其中当前时刻的历史场景表示指示当前时刻的至少一个先前时刻的场景。
未来预测单元630可以被配置成根据当前场景表示、历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和未来时刻的历史场景表示,其中提示信息至少包括驾驶轨迹。
应当理解,图6中所示装置600的各个模块或单元可以与参考图4描述的方法400中的各个步骤相对应。由此,上面针对方法400描述的操作、特征和优点同样适用于装置600及其包括的模块以及单元。为了简洁起见,某些操作、特征和优点在此不再赘述。
图7示出了根据本公开的实施例的自动驾驶的训练装置700的结构框图。如图7所示,自动驾驶装置700包括样本获取单元710、编码单元720、轨迹预测单元730、推理单元740以及参数调整单元750。
样本获取单元710可以被配置成获取样本时段内的样本传感器信息和与样本传感器信息对应的真实驾驶轨迹。
编码单元720可以被配置成利用自动驾驶模型的编码层对样本时刻的样本传感器信息进行编码,以得到样本场景表示。
轨迹预测单元730可以被配置成利用自动驾驶模型的轨迹规划层根据样本时刻的历史场景表示确定从当前时刻到未来时刻的预测驾驶轨迹,其中样本时刻的历史场景表示指示样本时刻的至少一个先前时刻的场景。
推理单元740可以被配置成利用自动驾驶模型的推理层根据样本场景表示、历史场景表示以及样本提示信息确定至少一个未来时刻的预测场景表示和未来时刻的历史场景表示,其中提示信息至少包括当前时刻到未来时刻的预测驾驶轨迹;以及
参数调整单元750可以被配置成基于当前时刻到未来时刻的预测驾驶轨迹和当前时刻到未来时刻的真实驾驶轨迹之间的差异调整自动驾驶模型的参数。
应当理解,图7中所示装置700的各个模块或单元可以与参考图3描述的方法300中的各个步骤相对应。由此,上面针对方法300描述的操作、特征和优点同样适用于装置700及其包括的模块以及单元。为了简洁起见,某些操作、特征和优点在此不再赘述。
虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个单元的功能可以分为多个单元,和/或多个单元的至少一些功能可以组合成单个单元。
还应当理解,本文可以在软件硬件元件或程序模块的一般上下文中描述各种技术。上面关于图6、图7描述的各个单元可以在硬件中或在结合软件和/或固件的硬件中实现。例如,这些单元可以被实现为计算机程序代码/指令,该计算机程序代码/指令被配置为在一个或多个处理器中执行并存储在计算机可读存储介质中。可替换地,这些单元可以被实现为硬件逻辑/电路。例如,在一些实施例中,单元610至630、单元710至750中的一个或多个可以一起被实现在片上系统(System on Chip,SoC)中。SoC可以包括集成电路芯片(其包括处理器(例如,中央处理单元(Central Processing Unit,CPU)、微控制器、微处理器、数字信号处理器(Digital Signal Processor,DSP)等)、存储器、一个或多个通信接口、和/或其他电路中的一个或多个部件),并且可以可选地执行所接收的程序代码和/或包括嵌入式固件以执行功能。
根据本公开的另一方面,还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;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根据本公开实施例的方法。
根据本公开的另一方面,还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,计算机指令用于使所述计算机执行根据本公开实施例的方法。
根据本公开的另一方面,还提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现根据本公开实施例的方法。
根据本公开的另一方面,还提供了一种自动驾驶车辆,包括根据本公开实施例的自动驾驶装置以及上述的电子设备中的一者。
参考图8,现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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8所示,电子设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
电子设备800中的多个部件连接至I/O接口805,包括:输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向电子设备800输入信息的任何类型的设备,输入单元806可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许电子设备800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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元801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801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801执行上文所描述的各个方法和处理,例如方法(或过程)300、400。例如,在一些实施例中,方法(或过程)300、400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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的方法(或过程)300、400的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法(或过程)300、400。
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数据处理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)、互联网和区块链网络。
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,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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (26)
1.一种自动驾驶模型,包括编码层、轨迹规划层和推理层,其中,
所述编码层被配置成对当前时刻的传感器信息进行编码,以得到当前场景表示;
所述轨迹规划层被配置成根据所述当前时刻的历史场景表示确定从所述当前时刻到未来时刻的驾驶轨迹,其中所述当前时刻的历史场景表示指示所述当前时刻的至少一个先前时刻的场景;
所述推理层被配置成根据所述当前场景表示、所述历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述驾驶轨迹。
2.如权利要求1所述的自动驾驶模型,其中,所述当前时刻的历史场景表示是根据先前时刻的当前场景表示和先前时刻的历史场景表示进行预测得到的。
3.如权利要求1所述的自动驾驶模型,其中,所述轨迹规划层被配置成:
根据所述当前时刻的历史场景表示确定所述当前时刻的驾驶决策动作;
根据所述当前时刻的驾驶决策动作确定所述当前时刻到第一时刻的第一驾驶轨迹,其中所述第一时刻是所述当前时刻的下一时刻。
4.如权利要求3所述的自动驾驶模型,其中,所述推理层被配置成:
根据所述当前场景表示、所述历史场景表示以及所述当前时刻到第一时刻的第一驾驶轨迹确定所述第一时刻的预测场景表示和所述第一时刻的历史场景表示。
5.如权利要求4所述的自动驾驶模型,其中,根据所述当前场景表示、所述历史场景表示以及所述当前时刻到第一时刻的第一驾驶轨迹确定所述第一时刻的预测场景表示和所述第一时刻的历史场景表示包括:
根据所述当前场景表示和所述历史场景表示确定所述当前时刻的坐标系中第一时刻的预测场景表示和所述当前时刻的坐标系中第一时刻的历史场景表示;
根据所述第一驾驶轨迹对所述当前时刻的坐标系中的第一时刻的预测场景表示和所述当前时刻的坐标系中第一时刻的历史场景表示进行空间变换,以得到所述第一时刻的坐标系中第一时刻的预测场景表示和所述第一时刻的坐标系中第一时刻的历史场景表示。
6.如权利要求4所述的自动驾驶模型,其中,所述推理层还被配置成:
根据所述第一时刻的预测场景表示、所述第一时刻的历史场景表示以及第一时刻到第二时刻的第二驾驶轨迹确定所述第二时刻的预测场景表示和所述第二时刻的历史场景表示,其中所述第二时刻是所述第一时刻的未来时刻。
7.如权利要求6所述的自动驾驶模型,其中,所述第二时刻是所述第一时刻的下一时刻。
8.如权利要求7所述的自动驾驶模型,其中,所述第二时刻和所述第一时刻之间的时间步长不同于所述第一时刻和所述当前时刻之间的时间步长。
9.如权利要求6所述的自动驾驶模型,其中,所述轨迹规划层还被配置成:
根据所述第一时刻的历史场景表示确定所述第一时刻的驾驶决策动作;
根据所述第一时刻的驾驶决策动作确定所述第二驾驶轨迹。
10.如权利要求6所述的自动驾驶模型,其中,所述轨迹规划层还被配置成:
根据所述第一时刻的预测历史场景表示确定所述第一时刻的驾驶决策动作,其中,所述预测历史场景表示是根据所述当前时刻的前一时刻的场景表示和所述前一时刻的历史场景表示进行预测得到的;
根据所述第一时刻的驾驶决策动作确定第一时刻到第二时刻的第二驾驶轨迹。
11.如权利要求1所述的自动驾驶模型,所述推理层包括至少一个可变形交叉注意力层。
12.如权利要求11所述的自动驾驶模型,其中,所述提示信息还包括以下信息中的至少一项:地图信息、当前车辆行驶状态信息、导航信息,目的地信息以及驾驶指令信息。
13.如权利要求11所述的自动驾驶模型,其中,根据所述当前场景表示、所述历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示包括:
将所述当前时刻的历史场景表示和所述当前场景表示作为所述可变形交叉注意力层的查询(Q)输入;
将所述当前时刻的历史场景表示、所述提示信息和所述当前场景表示作为所述可变形交叉注意力层的键(K)输入;
将所述当前时刻的历史场景表示、所述提示信息和所述当前场景表示作为所述可变形交叉注意力层的值(V)输入;
根据所述可变形交叉注意力层的输出确定所述当前时刻的坐标系中所述未来时刻的预测场景表示和所述未来时刻的历史场景表示。
14.如权利要求1所述的自动驾驶模型,还包括预测层,所述预测层被配置成根据所述至少一个未来时刻的预测场景表示确定所述至少一个未来时刻的预测传感器信息。
15.一种用于自动驾驶模型的训练方法,包括:
获取样本时段内的样本传感器信息和与所述样本传感器信息对应的真实驾驶轨迹;
利用所述自动驾驶模型的编码层对样本时刻的样本传感器信息进行编码,以得到样本场景表示;
利用所述自动驾驶模型的轨迹规划层根据所述样本时刻的历史场景表示确定从所述当前时刻到未来时刻的预测驾驶轨迹,其中所述样本时刻的历史场景表示指示所述样本时刻的至少一个先前时刻的场景;
利用所述自动驾驶模型的推理层根据所述样本场景表示、所述历史场景表示以及样本提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述当前时刻到未来时刻的预测驾驶轨迹;
基于所述当前时刻到未来时刻的所述预测驾驶轨迹和所述当前时刻到所述未来时刻的真实驾驶轨迹之间的差异调整所述自动驾驶模型的参数。
16.如权利要求15所述的训练方法,其中,根据所述样本时刻的历史场景表示确定从所述当前时刻到未来时刻的预测驾驶轨迹包括:
根据所述样本时刻的历史场景表示确定所述样本时刻的预测驾驶决策动作;
根据所述当前时刻的预测驾驶决策动作确定所述样本时刻到下一时刻的第一预测驾驶轨迹。
17.如权利要求16所述的训练方法,其中,根据所述样本场景表示、所述历史场景表示以及样本提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示包括:
根据所述样本场景表示和所述历史场景表示确定所述样本时刻的坐标系中所述下一时刻的预测场景表示和所述样本时刻的坐标系中所述下一时刻的历史场景表示;
根据所述样本时刻到下一时刻的第一真实驾驶轨迹对所述样本时刻的坐标系中的下一时刻的预测场景表示和所述样本时刻的坐标系中下一时刻的历史场景表示进行空间变换,以得到所述下一时刻的坐标系中下一时刻的预测场景表示和所述下一时刻的坐标系中下一时刻的历史场景表示。
18.如权利要求16所述的训练方法,还包括:
获取所述样本时刻到下一时刻的第一真实驾驶轨迹;
根据所述第一真实驾驶轨迹确定所述样本时刻的真实驾驶决策动作;
根据所述样本时刻的预测驾驶决策动作和所述样本时刻的真实驾驶决策动作之间的差异调整所述自动驾驶模型的参数。
19.如权利要求15所述的训练方法,其中,所述自动驾驶模型还包括预测层,
所述训练方法还包括:
利用所述预测层根据所述至少一个未来时刻的预测场景表示确定所述至少一个未来时刻的预测传感器信息;
根据所述样本传感器信息确定所述至少一个未来时刻的真实传感器信息;
根据所述至少一个未来时刻的真实传感器信息和所述至少一个未来时刻的预测传感器信息之间的差异调整所述自动驾驶模型的参数。
20.一种利用如权利要求1-14中任一项所述的自动驾驶模型实现的自动驾驶方法,包括:
对当前时刻的传感器信息进行编码,以得到当前场景表示;
根据所述当前时刻的历史场景表示确定从所述当前时刻到未来时刻的驾驶轨迹,其中所述当前时刻的历史场景表示指示所述当前时刻的至少一个先前时刻的场景;以及
根据所述当前场景表示、所述历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述驾驶轨迹。
21.一种基于如权利要求1-14中任一项所述的自动驾驶模型的自动驾驶装置,包括:
编码单元,被配置成对当前时刻的传感器信息进行编码,以得到当前场景表示;
轨迹确定单元,被配置成根据所述当前时刻的历史场景表示确定从所述当前时刻到未来时刻的驾驶轨迹,其中所述当前时刻的历史场景表示指示所述当前时刻的至少一个先前时刻的场景;以及
未来预测单元,被配置成根据所述当前场景表示、所述历史场景表示以及当前提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述驾驶轨迹。
22.一种用于自动驾驶模型的训练装置,包括:
样本获取单元,被配置成获取样本时段内的样本传感器信息和与所述样本传感器信息对应的真实驾驶轨迹;
编码单元,被配置成利用所述自动驾驶模型的编码层对样本时刻的样本传感器信息进行编码,以得到样本场景表示;
轨迹预测单元,被配置成利用所述自动驾驶模型的轨迹规划层根据所述样本时刻的历史场景表示确定从所述当前时刻到未来时刻的预测驾驶轨迹,其中所述样本时刻的历史场景表示指示所述样本时刻的至少一个先前时刻的场景;
推理单元,被配置成利用所述自动驾驶模型的推理层根据所述样本场景表示、所述历史场景表示以及样本提示信息确定至少一个未来时刻的预测场景表示和所述未来时刻的历史场景表示,其中所述提示信息至少包括所述当前时刻到未来时刻的预测驾驶轨迹;以及
参数调整单元,被配置成基于所述当前时刻到未来时刻的所述预测驾驶轨迹和所述当前时刻到所述未来时刻的真实驾驶轨迹之间的差异调整所述自动驾驶模型的参数。
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15-20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15-20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,其中,所述计算机程序在被处理器执行时实现权利要求15-20中任一项所述的方法。
26.一种自动驾驶车辆,包括:
根据权利要求21所述的自动驾驶装置、根据权利要求23所述的电子设备中的一者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676405.2A CN117539260A (zh) | 2023-12-07 | 2023-12-07 | 基于时序递归自回归推理的自动驾驶模型、方法和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676405.2A CN117539260A (zh) | 2023-12-07 | 2023-12-07 | 基于时序递归自回归推理的自动驾驶模型、方法和车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117539260A true CN117539260A (zh) | 2024-02-09 |
Family
ID=89784181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311676405.2A Pending CN117539260A (zh) | 2023-12-07 | 2023-12-07 | 基于时序递归自回归推理的自动驾驶模型、方法和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117539260A (zh) |
-
2023
- 2023-12-07 CN CN202311676405.2A patent/CN117539260A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN114179832B (zh) | 用于自动驾驶车辆的变道方法 | |
CN113887400B (zh) | 障碍物检测方法、模型训练方法、装置及自动驾驶车辆 | |
CN117035032A (zh) | 融合文本数据和自动驾驶数据进行模型训练的方法和车辆 | |
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 | |
CN116880462A (zh) | 自动驾驶模型、训练方法和自动驾驶方法和车辆 | |
CN114394111B (zh) | 用于自动驾驶车辆的变道方法 | |
CN115019060A (zh) | 目标识别方法、目标识别模型的训练方法及装置 | |
CN115366920A (zh) | 用于自动驾驶车辆的决策方法及装置、设备和介质 | |
CN115556769A (zh) | 障碍物状态量确定方法及装置、电子设备和介质 | |
CN117539260A (zh) | 基于时序递归自回归推理的自动驾驶模型、方法和车辆 | |
CN115082690A (zh) | 目标识别方法、目标识别模型训练方法及装置 | |
CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 | |
CN116560377A (zh) | 用于预测位置轨迹的自动驾驶模型及其训练方法 | |
CN115583243B (zh) | 确定车道线信息的方法、车辆控制方法、装置和设备 | |
CN116859724B (zh) | 时序自回归同时决策和预测的自动驾驶模型及其训练方法 | |
CN118163808A (zh) | 世界知识增强的自动驾驶模型、训练方法,自动驾驶方法和车辆 | |
CN117601898A (zh) | 能够实现多模态交互的自动驾驶模型、方法、装置和车辆 | |
CN114715155B (zh) | 用于控制车辆的方法、装置及自动驾驶车辆 | |
CN117519206A (zh) | 基于生成式扩散模型的自动驾驶模型、方法、装置和车辆 | |
CN116311943B (zh) | 交叉路口的平均延误时间的估算方法及装置 | |
CN116469069A (zh) | 用于自动驾驶的场景编码模型训练方法、装置及介质 | |
CN117539253A (zh) | 能够遵循指令实现自主脱困的自动驾驶方法、装置和车辆 | |
CN117010265A (zh) | 能够进行自然语言交互的自动驾驶模型及其训练方法 | |
CN116882122A (zh) | 用于自动驾驶的仿真环境的构建的方法和装置 |
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 |