CN117698709A - 一种车速决策方法、装置、设备及无人车 - Google Patents
一种车速决策方法、装置、设备及无人车 Download PDFInfo
- Publication number
- CN117698709A CN117698709A CN202311821748.3A CN202311821748A CN117698709A CN 117698709 A CN117698709 A CN 117698709A CN 202311821748 A CN202311821748 A CN 202311821748A CN 117698709 A CN117698709 A CN 117698709A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- risk
- determining
- obstacle
- 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 81
- 230000004888 barrier function Effects 0.000 claims abstract description 50
- 230000001133 acceleration Effects 0.000 claims description 105
- 238000005457 optimization Methods 0.000 claims description 19
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000036461 convulsion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method 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
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- 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
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车速决策方法、装置、设备及无人车,涉及人工智能技术领域,尤其涉及自动驾驶技术领域。具体实现方案为:根据逆行障碍物的逆行轨迹与自车的行驶轨迹,确定逆行障碍物中的无风险障碍物和风险障碍物;对于无风险障碍物,根据无风险障碍物的第一逆行数据和自车的行驶数据,确定自车的第一速度序列;对于风险障碍物,根据风险障碍物的第二逆行数据和自车的行驶数据,确定自车的第二速度序列;根据第一速度序列和第二速度序列确定自车的决策速度序列。本方案区分无风险障碍物和风险障碍物对自车的影响,并将二者结合,可精准判断各逆行障碍物对自车的影响,有效提高自动驾驶的安全性。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及自动驾驶技术领域,尤其涉及一种车速决策方法、装置、设备及无人车。
背景技术
逆行障碍物对自动驾驶车辆的安全带来严重威胁,因此,对于逆行障碍物的处理,是自动驾驶的一个重要挑战。采用传统的速度规划方法,所得到的障碍物在自车的行程占据范围可能是0-∞,从而认为无解而导致自车退出自动驾驶,需要人工接管。
发明内容
本公开提供了一种车速决策方法、装置、设备及无人车。
根据本公开的第一方面,提供了一种车速决策方法,该方法包括:
根据逆行障碍物的逆行轨迹与自车的行驶轨迹,确定逆行障碍物中的无风险障碍物和风险障碍物;
对于无风险障碍物,根据无风险障碍物的第一逆行数据和自车的行驶数据,确定自车的第一速度序列;
对于风险障碍物,根据风险障碍物的第二逆行数据和自车的行驶数据,确定自车的第二速度序列;
根据第一速度序列和第二速度序列,确定自车的决策速度序列。
根据本公开的第二方面,提供了一种车速决策装置,该装置包括:
第一确定模块,被配置为根据逆行障碍物的逆行轨迹与自车的行驶轨迹,确定逆行障碍物中的无风险障碍物和风险障碍物;
第二确定模块,被配置为对于无风险障碍物,根据无风险障碍物的第一逆行数据和自车的行驶数据,确定自车的第一速度序列;
第三确定模块,被配置为对于风险障碍物,根据风险障碍物的第二逆行数据和自车的行驶数据,确定自车的第二速度序列;
决策模块,被配置为根据第一速度序列和第二速度序列,确定自车的决策速度序列。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面提供的方法。
根据本公开的第四方面,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,计算机指令用于使计算机执行如第一方面提供的方法。
根据本公开的第五方面,提供了一种无人车,该无人车包括:
控制器,被配置为执行第一方面提供的方法。
本公开提供的速度决策方法,针对自车的逆行障碍物,按其与自车之间是否存在碰撞风险区分为无风险障碍物和风险障碍物,并分别针对无风险障碍物影响下自车的第一速度序列、风险障碍物影响下自车的第二速度序列进行确定,然后将无风险障碍物影响下的自车第一速度序列和风险障碍物影响下的自车第二速度序列相结合,得出在有逆行障碍物影响下的自车的速度决策序列,使得自车在自动驾驶中综合考虑到所有逆行障碍物的影响,提高自车行驶的自动化程度、平稳性以及安全性。
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是根据本公开的车速决策方法的第一种实施例的流程图;
图2是根据本公开的车速决策方法的第二种实施例中得到第一速度序列的一种实现流程的示意图;
图3是根据本公开的车速决策方法中得到第一速度序列的一种场景示意图;
图4是根据本公开的车速决策方法中第三种实施例中得到第二速度序列的一种实现流程的示意图;
图5是根据本公开的车速决策装置的一种实施例的框图;
图6是用来实现本公开的车速决策方法的电子设备的框图。
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。
车辆在自动驾驶或过程中,车上的各感知设备会实时检测车辆周围一定范围内的障碍物情况,包括障碍物的数量、类型(例如行人、车辆、固定设施等)、方向、位置等,并通过对感知数据的分析,对障碍物的速度、行进方向、行驶轨迹等运行信息进行确定和预测,据以判断对自车是否构成影响,从而对自车的行驶数据进行规划,以保证自车的安全行驶。
在相关技术中,对于逆行障碍物的影响处理,只针对有碰撞风险的障碍物进行判断,而忽略无风险障碍物的影响;并且,往往难以实现完全自动化判断和控制,很多时候会对于有碰撞风险的逆行障碍物对自车的影响判断失真严重,导致频繁退出自动驾驶,甚至会导致车辆发生安全事故。
本公开实施例提供了一种车速决策方法,是在先不考虑逆行障碍物来规划自车的行驶决策数据,并据以控制自车行驶后,才检测到逆行障碍物,此时,需要在当前行驶数据的基础上,增加逆行障碍物的影响,重新对自车的行驶速度进行决策,并据以控制自车安全驾驶。
本公开实施例提供的车速决策方法,在自车安全行驶的基础上,在预设距离范围内检测到逆行障碍物之后,先区分逆行障碍物是否存在与本车发生碰撞的风险,据以划分为风险障碍物和无风险障碍物,然后分别对不同类型的障碍物影响下的自车速度进行重新规划,然后再将两种障碍物的影响相结合,确定自车的决策速度序列,从而有效保证自车在有任何一种逆行障碍物的情况下都能安全行驶,提高自动驾驶的自动化程度和安全性。
需要指出的是,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。
实施本公开提供的车速决策方法的示例性系统架构可以包括终端设备、网络和服务器。其中,网络用以在终端设备和服务器之间提供通信链路,可以包括各种连接类型,例如,有线通信链路、无线通信链路或者光纤电缆等等。
用户可以使用终端设备通过网络与服务器交互,以接收或发送信息等。终端设备上可以安装有各种客户端应用,例如,地图类、娱乐类等客户端应用。
终端设备可以是硬件,也可以是软件。当终端设备为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等;还可以是车辆、智能机器人等智能设备,例如自动驾驶汽车、送货机器人等。当终端设备为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要指出的是,本公开提供的车速决策方法和轨迹模型的训练方法,可以由上述系统架构中的服务器执行,也可以通过上述终端设备实现。
图1示出了本公开提供的车速决策方法的一种实施例的流程100的示意图,参照图1所示,该车速决策方法包括以下步骤:
步骤S101,根据逆行障碍物的逆行轨迹与自车的行驶轨迹,确定逆行障碍物中的无风险障碍物和风险障碍物。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),在检测到逆行障碍物之后,根据逆行障碍物的逆行轨迹与自车的行驶轨迹,确定逆行障碍物中的无风险障碍物和风险障碍物。
示例性地,为在保证自车安全行驶的基础上,尽量减少计算量需求,上述执行主体可以只针对距离车辆预设范围内的逆行障碍物进行分析,例如,只针对车辆前方12米或15米或20米范围内的逆行障碍物进行识别和分析,超出该预设范围的逆行障碍物则默认对自车的影响级别较低,可暂不考虑。
在一些可选的实现方式中,上述执行主体在检测到出现在自车前方预设范围内的逆行障碍物后,对该逆行障碍物的逆行轨迹进行预测,并将预测的逆行轨迹与自车的行驶轨迹进行叠加,判断该逆行障碍物是否存在与自车发生碰撞的风险。
示例性地,执行主体可以根据预测的逆行轨迹结合所检测识别出的逆行障碍物的逆行速度,判断该逆行障碍物在未来每个时刻的逆行位置,再根据自车的行驶轨迹判断自车在未来每个时刻的自车位置,将二者结合可判断自车与逆行障碍物之间是否存在碰撞风险。例如,当某个同一时刻的逆行位置与自车位置发生重叠,则确定该逆行障碍物与自车有碰撞风险,可确定为风险障碍物:若在该逆行障碍物驶出自车的逆行检测范围之前,其逆行位置与自车位置始终未出现重叠,则确定该逆行障碍物与自车之间无碰撞风险,即该逆行障碍物为无风险障碍物。
在一些可选的实现方式中,执行主体可以将逆行障碍物的逆行轨迹叠加在自车的ST图中,用以精准识别逆行障碍物与自车在每个时刻的预测位置,看二者是否有交集,若出现交集,则二者间存在碰撞风险,若无交集则无碰撞风险,从而区分当前预设范围内各逆行障碍物中的无风险障碍物和风险障碍物。
步骤S102,对于无风险障碍物,根据无风险障碍物的第一逆行数据和自车的行驶数据,确定自车的第一速度序列。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),针对步骤S101中识别出的无风险障碍物造成的影响进行确定,根据该无风险障碍物的第一逆行数据和自车的行驶数据,确定自车的第一速度序列。
示例性地,执行主体可以根据无风险障碍物的第一逆行位置与自车位置之间的距离、无风险障碍物的第一逆行速度及其逆行方向等,确定自车的速度和加速度的取值及变化,从而确定自车的第一速度序列。
在一些可选的实现方式中,上述执行主体根据无风险障碍物的第一逆行位置、第一逆速度等在自车的行驶方向及其垂直方向上的位置分量和速度分量,采用预训练的神经网络模型或者预设算法,判断其对自车的影响,从而确定自车的第一速度序列。
步骤S103,对于风险障碍物,根据风险障碍物的第二逆行数据和自车的行驶数据,确定自车的第二速度序列。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),针对步骤S101中确定的风险障碍物对自车造成的影响进行确定,根据该风险障碍物的第二逆行数据和自车的行驶数据确定自车的第二速度序列。
示例性地,上述执行主体对风险障碍物的第二逆行数据在自车行驶方向上的投影数据进行分析,得到该风险障碍物对自车的影响分量,并据以确定自车的第二速度序列。
在本公开实施例的一些可选的实现方式中,执行主体将风险障碍物的逆行速度和逆行位置在自车行驶方向上进行投影,得到对应的投影量,然后判断该投影量对自车速度和加速度(包括负值,即减速度)的影响,然后在此基础上结合当前的自车行驶数据,据以确定自车的第二速度序列。
步骤S104,根据第一速度序列和第二速度序列确定自车的决策速度序列。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据在无风险障碍物影响下的第一速度序列和在风险障碍物影响下的第二速度序列,确定自车最终的决策速度序列。
上述执行主体根据无风险障碍物影响下的自车第一速度序列和风险障碍物影响下的自车第二速度序列,将二者结合,得出在有逆行障碍物影响下自车的速度决策序列,使得自车在自动驾驶中综合考虑到所有逆行障碍物的影响,提高自车行驶的自动化程度和安全性。
在本公开实施例的一些可选的实现方式中,根据第一速度序列和第二速度序列确定自车的决策速度序列,包括:将第一速度序列和第二速度序列叠加,根据相同单位时间段末尾时刻的最小速度值,确定自车的决策速度序列。
在本实现方式中,上述执行主体将无风险障碍物影响下的第一速度序列和风险障碍物影响下的第二速度序列相叠加,根据叠加结果,在同一时刻,选取叠加结果中对应时刻的最小值,从而充分考虑两种障碍物的影响,保证自车行驶的安全性和可靠性。
需要指出的是,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。
图2示出了本公开提供的车速决策方法的第二种实施例中得到第一速度序列的一种实流程200的示意图。
在本公开实施例中,无风险逆行障碍物的第一逆行数据包括第一逆行位置和第一逆行速度,自车的行驶数据包括自车位置、自车速度和自车加速度。
在本公开实施例中,对于无风险障碍物的第一逆行数据,执行主体默认为该无风险障碍物以其当前的逆行速度进行匀速运动,从而根据该无风险障碍物的第一逆行数据确定该无风险障碍物对自车的影响。
参照图2所示,在本公开实施例中针对无风险障碍物对自车的影响,自车的第一速度序列的确定过程主要包括以下步骤:
步骤S201,根据多个单位时间段中当前单位时间段末尾时刻的无风险障碍物的第一逆行位置和自车位置,确定无风险障碍物与自车之间的横向间距和纵向间距。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据多个单位时间段中当前单位时间段末尾时刻的无风险障碍物的第一逆行速度和自车位置,确定无风险障碍物与自车之间的横向间距和纵向间距。
在一些可选的实现方式中,无风险障碍物与自车之间的纵向间距,是指无风险障碍物的第一逆行位置与自车位置之间的直线距离在自车位置对应的行驶方向上的距离分量;相应的,横向间距是指第一逆行位置与自车位置之间的直线距离在垂直于自车在纵向间距方向上的距离分量。
步骤S202,根据横向间距、纵向间距、在当前单位时间段末尾时刻的第一逆行速度和自车速度,确定自车的第一期望加速度。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据当前单位时间段末尾时刻的无风险障碍物与自车之间的横向间距、纵向间距、该当前单位时间段末尾时刻的第一逆行速度和自车速度,确定自车的第一期望速度。
在一些可选的实现方式中,第一逆行速度可以为无风险障碍物的逆行速度在当前单位时间段末尾时刻自车速度方向上的分量速度,然后据以确定自车的第一期望加速度。
示例性地,上述执行主体根据在当前单位时间段末尾时刻无风障碍物到与自车之间的横向间距、纵向间距、第一逆行速度和自车速度,构建无风险障碍物与自车之间的斥力,若该无风险障碍物进入自车预设距离范围内,则令第一期望加速度的取值与该斥力的值相同。
步骤S203,根据第一期望加速度和当前单位时间段内的自车加速度,确定自车在下一单位时间段内的第一决策加速度。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据自车的第一期望加速度和当前单位时间段内的自车加速度,确定自车在下一单位时间段内的第一决策加速度。
示例性地,上述执行主体根据自车的第一期望加速度和在当前时间段内的自车加速度,结合自车的冲击度系数,确定自车在下一单位时间段内的第一决策加速度。
步骤S204,根据第一决策加速度,确定自车在下一单位时间段末尾时刻的第一决策速度。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据第一决策加速度,确定自车在下一单位时间段末尾时刻的第一决策速度。
在一些可选的实现方式中,上述执行主体根据下一单位时间段内的第一决策加速度,结合每个单位时间段的长度和当前单位时间段末尾时刻的自车速度,确定自车在下一单位时间段末尾时刻的第一决策速度。
步骤S205,根据自车在每个单位时间段末尾时刻的第一决策速度,得到自车的第一速度序列。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据自车在每个单位时间段末尾时刻的第一决策速度,按时间排列,作为自车的第一速度序列。
根据本公开实施例提供的车速决策方法,执行主体将当前单位时间段末尾时刻的无风险障碍物的行驶数据按自车在该时刻的行驶方向进行分解,根据各个分解分量以及自车速度,确定自车的第一期望加速度,然后再结合自车在当前单位时间段内的自车加速度,确定自车在下一单位时间段内的第一决策加速度,进而确定自车在下一单位时间段末尾时刻的第一决策速度,再将自车在每个单位时间段末尾时刻的第一决策速度,得到自车的第一速度序列。
在本公开实施例中,上述执行主体对无风险障碍物的第一逆行数据按相同时刻的自车行驶方向分解后,与自车的行驶数据相结合,充分分析无风险障碍物的逆行数据对自车可能造成的影响,并据以得到自车的第一速度序列,提高对周围无碰撞风险的逆行障碍物所造成影响的分析能力,进一步提高自车行驶的安全性和可靠性。
图3是本公开实施例提供的车速决策方法中无风险障碍物对自车产生影响的场景示意图。参照图3所示,障碍物obs的逆行方向(heading箭头方向)虽然朝向自车ego的当前位置,但是随着二者沿各自方向的行驶,二者之间不会发生碰撞,因此,该障碍物obs为无风险障碍物。
对该无风险障碍物obs的分析,其第一逆行速度在自车ego的行驶方向上的速度分量为v′,且该无风险障碍物obs与自车ego之间的横向间距为SL、纵向间距为SR。
此时,根据其在当前单位时间段末尾时刻的横向间距、纵向间距、第一逆行速度和自车速度,可确定该自车的第一期望加速度为
其中,v1 ′ _i为无风险障碍物obs在当前单位时间段末尾时刻的第一逆行速度在自车方向上的分量速度,v1_i为自车在当前单位时间段末尾时刻的自车速度。
进一步的,根据该第一期望加速度和自车在当前时间段内的自车加速度a1_i,结合自车的冲击度系数P,确定自车在下一单位时间段内的第一决策加速度为a1_i+1:
示例性地,可以定义自车的冲击度系数为P,例如,P可以根据自车性能取值0.3。
图4示出了本公开提供的车速决策方法的第三种实施例中得到第二速度序列的一种实流程400的示意图。
在本公开实施例中,对于风险障碍物的第二逆行数据,执行主体默认为该风险障碍物以其当前的逆行速度进行匀速运动,从而根据该风险障碍物的第二逆行数据确定该风险障碍物对自车的影响。
参照图4所示,在本公开实施例中针对风险障碍物对自车的影响,自车的第二速度序列的确定过程主要包括以下步骤:
步骤S401,根据多个单位时间段中当前单位时间段内第二逆行数据在行驶轨迹上的投影数据和行驶数据,确定自车在下一单位时间段内的第二决策加速度。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据多个时间段中当前单位时间段内的第二逆行数据在自车行驶轨迹上的投影数据和自车的行驶数据,确定自车在下一单位时间段内的第二决策加速度。
在一些可选的实现方式中,执行主体先确定该风险障碍物在其逆行方向上的第二逆行速度,然后确定该第二逆行速度在自车速度上的投影分量,据以作为对自车速度产生影响的风险障碍物逆行速度。
在一些可选的实现方式中,执行主体确定风险障碍物的第二逆行速度之后,确定该风险障碍物在当前单位时间段末尾时刻的加速度为0,即在自车速度或加速度预测过程中的每个当前单位时间段末尾时刻,都认为该风险障碍物以其当前单位时间段末尾时刻的第二逆行速度匀速行驶。
在一些可选的实现方式中,执行主体可以采用混合IDM模型来计算自车在每个单位时间段内的第二决策加速度。
在一些可选的实现方式中,自车的行驶数据包括自车位置、自车速度和停车距离,投影数据包括风险障碍物的第二逆行位置和第二逆行速度在自车位置对应自车行驶方向上的投影位置和投影速度。
在本公开实施例的一些可选的实现方案中,根据多个单位时间段中当前单位时间段内第二逆行数据在行驶轨迹上的投影数据和行驶数据,确定自车在下一单位时间段内的第二决策加速度,包括:根据自车位置和投影位置,确定自车与障碍物之间在自车位置对应自车行驶方向上的投影车距;根据自车速度、投影速度和停车距离,确定自车的期望车距;根据投影车距和期望车距,确定自车的第二期望加速度;根据第二期望加速度和行驶数据,确定自车在下一单位时间段内的第二决策加速度。
在本公开实施例中,当前单位时间段内自车的行驶数据包括自车在当前单位时间段末尾时刻的自车位置和自车速度,还可以包括自车进行安全停车所需的停车距离;当前单位时间段内风险障碍物的第二逆行数据包括风险障碍物在当前单位时间段末尾时刻的第二逆行速度和第二逆行位置。
其中,风险障碍物的第二逆行数据是自车的自动驾驶系统对所检测到的风险障碍物行驶信息进行分析得到的,而对于风险障碍物的检测是以风险障碍物的外形位置为检测结果,因此,风险障碍物位置为风险障碍物与自车最邻近的外轮廓(例如车辆的车头外轮廓)边缘所处的位置。
示例性地,执行主体可以根据当前单位时间段末尾时刻的风险障碍物第二逆行位置在自车位置对应的行驶方向上的投影位置,结合自车位置,计算二者的差值,从而得到该当前单位时间段末尾时刻的投影车距。
在一些可选的实现方式中,对于自车位置,执行主体以自车的中心位置为基准而确定的,在对自车的速度决策过程中以自车的车头保险杠的位置为基准进行规划。此时,在任一单位时间段末尾时刻,自车与风险障碍物之间的投影车距为:先计算该风险障碍物的第二逆行位置在自车方向上的投影与自车位置的差值,再将该差值减去车头保险杠与自车中心之间的距离。
例如,若车头保险杠与自车中心之间的距离为L,在第i个单位时间段末尾时刻的自车位置为s2_i、风险障碍物对应的投影位置为s2″_i,则自车与该风险障碍物之间的投影车距S2_i为:S2_i=s2″_i-s2_i-L。
在一些可选的实现方式中,对于自车位置,执行主体以自车的车头保险杠位置为基准进行确定,而在对自车的速度决策过程中,以自车的中心位置为基准进行规划。此时,在任一单位时间段末尾时刻,自车与风险障碍物之间的投影车距为:先计算该风险障碍物的投影位置与自车位置的差值,再将该差值加上车头保险杠与自车中心之间的距离。例如,S2_i=s2″_i-s2_i+L。
在一些可选的实现方式中,执行主体根据当前单位时间段末尾时刻的自车速度、投影速度以及停车距离,结合多个单位时间段的总时长,确定自车在该总时长末尾时刻的期望距离。
在本公开实施例的一些可选的实现方案中,根据自车速度、投影速度和停车距离,确定自车的期望车距,包括:根据投影速度确定自车的车头时距;根据车头时距、停车距离、自车速度和投影速度,确定期望车距。
其中,车头时距为自车与风险障碍物先后经过同一位置的时间差。
在本实现方式中,由于自车在未来时间内的速度和位置都是不定的,因此,根据风险障碍物的第二逆行数据确定自车的车头时距。示例性地,根据该风险障碍物的投影速度确定自车的车头时距。
在一些可选的实现方式中,可以定义自车的车头时距Th=t0+v2″_i/T,其中,t0为自车与风险障碍物之间的最小车头时距,v′i为在第i个单位时间段末尾时刻的投影速度,T为多个单位时间段的总时长。
执行主体在确定自车的车头时距后,可以根据该车头时距、停车距离、在当前单位时间段末尾时刻的自车速度和风险障碍物的投影速度,计算自车的期望车距。
在一些可选的实现方式中,执行主体可以按照以下公式计算自车的期望车距S*:
S*=Ss+Th×v2_i+v2_i×(v2_i-v2″_i)/4
其中,Ss为自车预设的停车距离,Th为自车的车头时距,v2_i为在第i个单位时间段末尾时刻的自车速度,v2″_i为在第i个单位时间段末尾时刻风险障碍物的投影速度。
其中,为保证自车安全刹车,避免发生碰撞,自车的停车距离Ss需要大于自车的最小刹车距离。示例性地,若自车的最小刹车距离为1.5m,其停车距离可以设置为2.5m或3m等。
在本公开实施例的一些可选的实现方式中,上述执行主体根据投影车距和期望车距,确定自车的第二期望加速度。其中,自车的第二期望加速度为自车在不考虑车辆性能和行驶平稳性等因素的情况下,为实现达到期望距离而采用的理论加速度值。
在本公开实施例的一些可选的实现方式中,行驶数据还包括加速度阈值,以及根据投影车距和期望车距,确定自车的第二期望加速度,包括:根据投影车距、期望车距、自车速度和投影速度确定用于自车的加速系数;根据加速系数和加速度阈值确定自车的第二期望加速度。
其中,自车的加速系数表征在当前路径上,自车在风险障碍物的影响下加速(减速)时所能采用的理想系数。
执行主体根据当前单位时间段末尾时刻的期望车距、投影车距、自车速度和投影速度,确定自车的加速系数。然后根据该加速系数与自车的加速度阈值的乘积,确定自车的第二期望加速度。
在一些可选的实现方式中,若定义自车的加速系数为z,则可以通过以下公式计算自车的加速系数:
进一步的,执行主体可以据以确定自车的第二期望加速度为:
即:
示例性地,上述执行主体可以根据自车性能确定自车所能承受的最大冲击度系数,或者自车平稳行驶状态下的平稳冲击度系数。然后,根据该最大冲击度系数或平稳冲击度系数,结合自车的第二期望加速度,确定自车的第二决策加速度。
示例性地,考虑到加速度直接影响的是自车速度,因此,还可以结合在当前单位时间段末尾时刻的自车速度、自车加速度以及自车冲击度系数,确定自车的第二决策加速度。
在本公开实施例的一些可选的实现方式中,自车的行驶数据还包括冲击度系数;以及根据第二期望加速度和行驶数据,确定自车在下一单位时间段内的第二决策加速度,包括:根据第二期望加速度、冲击度系数和当前单位时间单元内的自车加速度,确定自车在下一单位时间段内的第二决策加速度。
示例性地,可以定义自车的冲击度系数为P,例如,P可以根据自车性能取值0.3。自车在下一单位时间段内的第二决策加速度可以按下述公式确定:
步骤S402,根据第二决策加速度和行驶数据,确定自车在下一单位时间段末尾时刻的参考速度。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据步骤S401中确定的第二决策加速度和当前单位时间段内自车的行驶数据,确定自车在下一单位时间段末尾时刻的参考速度。
对于当前时刻之后的每个单位时间段,上述执行主体根据该单位时间段内的第二决策加速度和相邻上一单位时间段内的自车行驶数据,确定自车在该单位时间段末尾时刻的参考速度。
在一些可选的实现方式中,执行主体根据当前时间段末尾时刻的自车速度、下一单位时间段的时长以及下一单位时间段内的第二决策加速度,即可确定自车在该下一单位时间段末尾时刻的参考速度。
步骤S403,根据自车在每个单位时间段末尾时刻的参考速度,得到自车的参考速度序列。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),根据所确定的自车在每个单位时间段末尾时刻的参考速度,按时间顺序排布,即可得到自车的参考速度序列。
示例性地,以当前时刻为当前单位时间段的末尾时刻,以0.5s为一个单位时间段,预测自车在未来8s内的参考速度序列。执行主体根据当前单位时间段(-0.5s~0s)内的自车行驶数据和风险障碍物的第二行驶数据确定自车在0~0.5s内的第二决策加速度,然后再根据该第二决策加速度确定自车在0.5s时刻的参考速度,依此递推,分别确定自车在0.5s、1.0s、1.5s……7.5s、8s时刻的参考速度;执行主体将所确定的每个时刻的参考速度按时间顺序排列,即可得到自车在0~8s内的参考速度序列。
步骤S404,根据参考速度与其优化结果的偏差平方和对参考速度序列进行优化,得到第二速度序列。
在本公开实施例中,车速决策方法的执行主体,例如服务器或终端设备(例如车载终端),通过对参考速度序列进行优化得到第二速度序列。
如上所述,参考速度序列为在多个单位时间段末尾时刻的离散数据,不利于车辆稳定行驶,因此,需要对参考速度序列进行优化。
在一些可选的实现方式中,执行主体可以预设对应的优化规则或者预训练相应的优化模型,据以对参考速度序列优化,以期得到能够控制自车平稳行驶的第二速度序列。
在本公开实施例中,执行主体对于每个单位时间段末尾时刻的参考速度,在优化过程中,以各自的优化速度与该参考速度的偏差平方和作为优化函数,逐一进行优化,得到优化后的优化速度,从而得到相应的第二速度序列。
示例性地,上述执行主体在得到自车在下一单位时间段末尾时刻的参考速度的同时,可以确定相应的参考位置,从而得到相应的参考位置序列;然后可以根据参考位置序列和参考速度序列构建自车行驶的位置(S)-时间(T)关系的ST图,然后通过ST图搜索的方式,对参考速度序列进行优化。
例如,采用优化模型进行优化时,可以将每个时刻的参考速度作为优化模型的输入,以对应的优化速度作为期望输出,以输入与输出的偏差平方和作为该优化模型的损失函数,从而对参考速度序列进行优化,得到对应的优化结果,即第二速度序列。
示例性地,可以采用如下优化模型:
式中,s2_i为自车在单位时间段末尾时刻的自车位置,v2_i为自车在单位时间段末尾时刻的自车速度,为自车在下一单位时间段末尾时刻的优化速度,a2_i为自车在当前时间段内的自车加速度,为自车在下一单位时间段内的第二决策加速度,i为第i个单位时间段,t为每个单位时间段的时长,j为冲击度。其中,冲击度为加速度的倒数。
在一些可选的实现方式中,若执行主体采用混合IDM模型计算自车在每个单位时间段内的第二决策加速度,则难以保证在紧急工况下自车的紧急制动。因此,在对参考速度序列和参考位置序列进行优化时,以每个单位时间段末尾时刻的参考位置作为优化的硬约束,即保证优化后的参考位置不超过计算的参考位置,以保证自车与障碍物之间不会发生碰撞。
在本公开实施例中,其优化后的序列在ST图中表现为位置曲线和速度曲线均为平滑连续变化。因此,根据该优化后的第二速度序列可以控制自车平稳、安全行驶,保证自车在行驶过程中速度平稳变化,避免出现紧急制动或突然加速的情况,又能避免与前方风险障碍物发生碰撞,保证车辆性能和乘客的乘坐体验。
作为对上述各图所示方法的实现,图5示出了根据本公开的车速决策装置的一种实施例。该车速决策装置500与图1所示的方法实施例相对应,该装置可以应用于各种电子设备中。
参照图5所示,本公开实施例提供的车速决策装置500包括:第一确定模块501、第二确定模块502、第三确定模块503和决策模块504。其中,第一确定模块501被配置为,根据逆行障碍物的逆行轨迹与自车的行驶轨迹,确定逆行障碍物中的无风险障碍物和风险障碍物;第二确定模块502被配置为,对于无风险障碍物,根据无风险障碍物的第一逆行数据和自车的行驶数据,确定自车的第一速度序列;第三确定模块503被配置为,对于风险障碍物,根据风险障碍物的第二逆行数据和自车的行驶数据,确定自车的第二速度序列;决策模块504被配置为,根据第一速度序列和第二速度序列,确定自车的决策速度序列。
在本实施例的车速决策装置500中,第一确定模块501、第二确定模块502、第三确定模块503和决策模块504的具体处理及其所带来的技术效果,可分别参考图1对应实施例中的步骤S101-S104的相关说明,在此不再赘述。
在本公开实施例的一些可选的实现方式中,第一逆行数据包括第一逆行位置和第一逆行速度,行驶数据包括自车位置、自车速度和自车加速度;以及第二确定模块被配置为:根据多个单位时间段中当前单位时间段末尾时刻的无风险障碍物的第一逆行位置和自车位置,确定无风险障碍物与自车之间的横向间距和纵向间距;根据横向间距、纵向间距、在当前单位时间段末尾时刻的第一逆行速度和自车速度,确定自车的第一期望加速度;根据第一期望加速度和在当前单位时间段内的自车加速度,确定自车在下一单位时间段内的第一决策加速度;根据第一决策加速度,确定自车在下一单位时间段末尾时刻的第一决策速度;根据自车在每个单位时间段末尾时刻的第一决策速度,得到自车的第一速度序列。
在本实施例的车速决策装置中,第二确定模块的具体处理及其所带来的技术效果,可分别参考图2对应实施例中的步骤S201-S205的相关说明,在此不再赘述。
在本公开实施例的一些可选的实现方式中,第二确定模块包括:第一确定单元、第二确定单元、第三确定单元和优化单元,其中,第一确定单元被配置为,根据多个单位时间段中当前单位时间段内第二逆行数据在行驶轨迹上的投影数据和行驶数据,确定自车在下一单位时间段内的第二决策加速度;第二确定单元被配置为,根据第二决策加速度和行驶数据,确定自车在下一单位时间段末尾时刻的参考速度;第三确定单元被配置为,根据自车在每个单位时间段末尾时刻的参考速度,得到自车的参考速度序列;优化模块被配置为,根据参考速度与其优化结果的偏差平方和对参考速度序列进行优化,得到第二速度序列。
在本实施例的车速决策装置中,第一确定单元、第二确定单元、第三确定单元和优化单元的具体处理及其所带来的技术效果,可分别参考图4对应实施例中的步骤S401-S404的相关说明,在此不再赘述。
在本公开实施例的一些可选的实现方式中,行驶数据包括自车位置、自车速度和停车距离,投影数据包括风险障碍物的第二逆行位置和第二逆行速度在自车位置对应自车行驶方向上的投影位置和投影速度;以及第一确定单元包括第一确定子单元、第二确定子单元、第三确定子单元和第四确定子单元。其中,第一确定子单元被配置为,根据自车位置和投影位置,确定自车与障碍物之间在自车位置对应自车行驶方向上的投影车距;第二确定子单元被配置为,根据自车速度、投影速度和停车距离,确定自车的期望车距;第三确定子单元被配置为,根据投影车距和期望车距,确定自车的第二期望加速度;第四确定子单元被配置为,根据第二期望加速度和行驶数据,确定自车在下一单位时间段内的第二决策加速度。
在本公开实施例的一些可选的实现方式中,第二确定子单元被配置为:根据投影速度确定自车的车头时距;根据车头时距、停车距离、自车速度和投影速度,确定期望车距。
在本公开实施例的一些可选的实现方式中,行驶数据还包括加速度阈值,以及第三确定子单元被配置为:根据投影车距、期望车距、自车速度和投影速度确定用于自车的加速系数;根据加速系数和加速度阈值确定自车的第二期望加速度。
在本公开实施例的一些可选的实现方式中,决策模块被配置为:将第一速度序列和第二速度序列叠加,根据相同单位时间段末尾时刻的最小速度值,确定自车的决策速度序列。
本公开提供的车速决策方法和车速决策装置均可应用与自动驾驶技术领域,用于自动驾驶车辆关于逆行障碍物对自车速度的影响决策。相应的,本公开还提供了一种无人车,用于执行上述车速决策方法。
本公开实施例提供的无人车包括:车辆本体、安装于车辆本体上的至少一个成像设备、定位雷达以及控制器。其中,成像设备被配置为,对车辆本体周围环境进行图像采集,包括对室内环境中的位置标签进行图像采集;定位雷达被配置为,对车辆本体进行定位,例如,将定位雷达在世界坐标系内的位姿信息确定为车辆本体的位姿信息,或者,参照定位雷达在世界坐标系内的位姿信息以及定位雷达在车辆本体内的位置,确定车辆本体的位姿信息;控制器被配置为,执行上述实施例描述的车速决策方法。
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6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如车速决策方法。例如,在一些实施例中,车速决策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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的车速决策方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车速决策方法。
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)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,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 (10)
1.一种车速决策方法,其特征在于,所述方法包括:
根据逆行障碍物的逆行轨迹与自车的行驶轨迹,确定所述逆行障碍物中的无风险障碍物和风险障碍物;
对于所述无风险障碍物,根据所述无风险障碍物的第一逆行数据和所述自车的行驶数据,确定所述自车的第一速度序列;
对于所述风险障碍物,根据所述风险障碍物的第二逆行数据和所述自车的行驶数据,确定所述自车的第二速度序列;
根据所述第一速度序列和所述第二速度序列确定所述自车的决策速度序列。
2.根据权利要求1所述的方法,其特征在于,所述第一逆行数据包括第一逆行位置和第一逆行速度,所述行驶数据包括自车位置、自车速度和自车加速度;以及
所述根据所述无风险障碍物的第一逆行数据与所述自车的行驶数据,确定所述自车的第一速度序列,包括:
根据多个单位时间段中当前单位时间段末尾时刻的所述第一逆行位置和所述自车位置,确定所述无风险障碍物与所述自车之间的横向间距和纵向间距;
根据所述横向间距、所述纵向间距、在当前单位时间段末尾时刻的所述第一逆行速度和所述自车速度,确定所述自车的第一期望加速度;
根据所述第一期望加速度和当前单位时间段内的所述自车加速度,确定所述自车在下一单位时间段内的第一决策加速度;
根据所述第一决策加速度,确定所述自车在下一单位时间段末尾时刻的第一决策速度;
根据所述自车在每个单位时间段末尾时刻的所述第一决策速度,得到所述自车的第一速度序列。
3.根据权利要求1所述的方法,其特征在于,所述根据所述风险障碍物的第二逆行数据和所述自车的行驶数据,确定所述自车的第二速度序列,包括:
根据多个单位时间段中当前单位时间段内所述第二逆行数据在所述行驶轨迹上的投影数据和所述行驶数据,确定所述自车在下一单位时间段内的第二决策加速度;
根据所述第二决策加速度和所述行驶数据,确定所述自车在下一单位时间段末尾时刻的参考速度;
根据所述自车在每个单位时间段末尾时刻的所述参考速度,得到所述自车的参考速度序列;
根据所述参考速度与其优化结果的偏差平方和对所述参考速度序列进行优化,得到所述第二速度序列。
4.根据权利要求3所述的方法,其特征在于,所述行驶数据包括所述自车位置、自车速度和停车距离,所述投影数据包括所述风险障碍物的第二逆行位置和第二逆行速度在所述自车位置对应自车行驶方向上的投影位置和投影速度;以及
所述根据多个单位时间段中当前单位时间段内所述第二逆行数据在所述行驶轨迹上的投影数据和所述行驶数据,确定所述自车在下一单位时间段内的第二决策加速度,包括:
根据所述自车位置和所述投影位置,确定所述自车与所述障碍物之间在所述自车位置对应自车行驶方向上的投影车距;
根据所述自车速度、所述投影速度和所述停车距离,确定所述自车的期望车距;
根据所述投影车距和所述期望车距,确定所述自车的第二期望加速度;
根据所述第二期望加速度和所述行驶数据,确定所述自车在下一单位时间段内的第二决策加速度。
5.根据权利要求4所述的方法,其特征在于,所述根据所述自车速度、所述投影速度和所述停车距离,确定所述自车的期望车距,包括:
根据所述投影速度确定所述自车的车头时距;
根据所述车头时距、所述停车距离、所述自车速度和所述投影速度,确定所述期望车距。
6.根据权利要求4所述的方法,其特征在于,所述行驶数据还包括加速度阈值,以及
所述根据所述投影车距和所述期望车距,确定所述自车的第二期望加速度,包括:
根据所述投影车距、所述期望车距、所述自车速度和所述投影速度确定用于所述自车的加速系数;
根据所述加速系数和所述加速度阈值确定所述自车的第二期望加速度。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第一速度序列和所述第二速度序列确定所述自车的决策速度序列,包括:
将所述第一速度序列和所述第二速度序列叠加,根据相同单位时间段末尾时刻的最小速度值,确定所述自车的决策速度序列。
8.一种车速决策装置,其特征在于,所述装置包括:
第一确定模块,被配置为根据逆行障碍物的逆行轨迹与自车的行驶轨迹,确定所述逆行障碍物中的无风险障碍物和风险障碍物;
第二确定模块,被配置为对于所述无风险障碍物,根据所述无风险障碍物的第一逆行数据和所述自车的行驶数据,确定所述自车的第一速度序列;
第三确定模块,被配置为对于所述风险障碍物,根据所述风险障碍物的第二逆行数据和所述自车的行驶数据,确定所述自车的第二速度序列;
决策模块,被配置为根据所述第一速度序列和所述第二速度序列,确定所述自车的决策速度序列。
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1-7中任一项所述的方法。
10.一种无人车,其特征在于,所述无人车包括:
控制器,所述控制器被配置为执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821748.3A CN117698709A (zh) | 2023-12-27 | 2023-12-27 | 一种车速决策方法、装置、设备及无人车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821748.3A CN117698709A (zh) | 2023-12-27 | 2023-12-27 | 一种车速决策方法、装置、设备及无人车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117698709A true CN117698709A (zh) | 2024-03-15 |
Family
ID=90149749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311821748.3A Pending CN117698709A (zh) | 2023-12-27 | 2023-12-27 | 一种车速决策方法、装置、设备及无人车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117698709A (zh) |
-
2023
- 2023-12-27 CN CN202311821748.3A patent/CN117698709A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112650243B (zh) | 车辆控制方法、装置、电子设备和自动驾驶车辆 | |
CN114194217B (zh) | 车辆自动驾驶方法、装置、电子设备以及存储介质 | |
CN114559956A (zh) | 自动驾驶车辆的避让方法、装置、设备及计算机存储介质 | |
CN110654380B (zh) | 用于控制车辆的方法和装置 | |
CN113479196A (zh) | 泊车方法、装置、电子设备、存储介质和自动驾驶汽车 | |
CN114475651A (zh) | 基于车路协同的盲区障碍物紧急避让方法和装置 | |
US20220340165A1 (en) | Systems and methods for vehicular safety control | |
CN114771533A (zh) | 自动驾驶车辆的控制方法、装置、设备、车辆及介质 | |
CN115675534A (zh) | 车辆轨迹预测方法、装置、电子设备及存储介质 | |
CN114802251A (zh) | 自动驾驶车辆的控制方法、装置、电子设备以及存储介质 | |
CN114802250A (zh) | 数据处理方法、装置、设备、自动驾驶车辆及介质 | |
CN117698709A (zh) | 一种车速决策方法、装置、设备及无人车 | |
CN115782876A (zh) | 一种变道轨迹生成方法、装置、设备及自动驾驶车辆 | |
CN116149329A (zh) | 轨迹确定方法、装置、设备以及自动驾驶车辆 | |
CN113534702B (zh) | 一种控制方法、装置、设备及存储介质 | |
CN115497322A (zh) | 一种窄路会车方法、装置、设备及存储介质 | |
CN115214722A (zh) | 自动驾驶方法、装置、电子设备、存储介质及车辆 | |
CN114299758A (zh) | 车辆控制方法及装置、设备、介质和产品 | |
CN114620039A (zh) | 轨迹修正方法、设备、云控平台和自动驾驶车辆 | |
CN114735024A (zh) | 一种车辆控制方法、装置、设备以及存储介质 | |
CN113715845A (zh) | 一种自动驾驶方法、装置及电子设备 | |
CN109532846B (zh) | 语音控制行驶速度的车载系统、方法、设备及存储介质 | |
CN117533353A (zh) | 车辆控制方法、装置、设备及无人车 | |
CN117533355A (zh) | 一种车速规划方法、装置、车辆、设备及存储介质 | |
CN114379584B (zh) | 车辆控制方法、装置、车辆、设备和存储介质 |
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 |