CN117746360A - 自动驾驶车辆及轨迹规划和模型训练方法、装置和设备 - Google Patents
自动驾驶车辆及轨迹规划和模型训练方法、装置和设备 Download PDFInfo
- Publication number
- CN117746360A CN117746360A CN202311634199.9A CN202311634199A CN117746360A CN 117746360 A CN117746360 A CN 117746360A CN 202311634199 A CN202311634199 A CN 202311634199A CN 117746360 A CN117746360 A CN 117746360A
- Authority
- CN
- China
- Prior art keywords
- embedded vector
- traffic
- automatic driving
- planning
- planner
- 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 69
- 238000012549 training Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 102
- 230000006870 function Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 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
- 230000008447 perception Effects 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000630 rising 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
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种自动驾驶车辆及轨迹规划和模型训练方法、装置和设备，涉及人工智能技术领域，具体涉及自动驾驶、规划控制等技术领域。自动驾驶轨迹规划模型的训练方法，所述模型包括：编码器和规划器，所述方法包括：获取训练数据，所述训练数据包括：自动驾驶车辆的场景信息样本；采用所述编码器对所述场景信息样本进行编码处理，以获得初始嵌入向量；对所述初始嵌入向量进行更新处理，以获得目标嵌入向量；采用所述规划器对所述目标嵌入向量进行规划处理，以获得预测轨迹；基于所述预测轨迹构建损失函数；采用所述损失函数调整所述编码器的模型参数和所述规划器的模型参数。本公开可以提高轨迹规划的泛化性。
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车辆及轨迹规划和模型训练方法、装置和设备。
背景技术
自动驾驶车辆又称无人驾驶车辆、电脑驾驶车辆或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能车辆。
自动驾驶车辆的规划任务之一是轨迹规划，轨迹规划的目的是计算出一条无碰撞可执行的轨迹，保证车辆从起点安全地驾驶到目的地，并尽可能高效。
发明内容
本公开提供了一种自动驾驶车辆及轨迹规划和模型训练方法、装置和设备。
根据本公开的一方面，提供了一种自动驾驶轨迹规划模型的训练方法，所述模型包括：编码器和规划器，所述方法包括：获取训练数据，所述训练数据包括：自动驾驶车辆的场景信息样本；采用所述编码器对所述场景信息样本进行编码处理，以获得初始嵌入向量；对所述初始嵌入向量进行更新处理，以获得目标嵌入向量；采用所述规划器对所述目标嵌入向量进行规划处理，以获得预测轨迹；基于所述预测轨迹构建损失函数；采用所述损失函数调整所述编码器的模型参数和所述规划器的模型参数。
根据本公开的另一方面，提供了一种自动驾驶轨迹规划方法，包括：采用自动驾驶轨迹规划模型的编码器，对自动驾驶车辆的场景信息进行处理，以获得嵌入向量；采用所述自动驾驶轨迹规划模型的规划器，对所述嵌入向量进行处理，以生成目标轨迹；其中，所述编码器和所述规划器是采用如上述任一方面的任一项所述的方法训练的。
根据本公开的另一方面，提供了一种自动驾驶轨迹规划模型的训练装置，所述模型包括：编码器和规划器，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：自动驾驶车辆的场景信息样本；编码模块，用于采用所述编码器对所述场景信息样本进行编码处理，以获得初始嵌入向量；更新模块，用于对所述初始嵌入向量进行更新处理，以获得目标嵌入向量；生成模块，用于采用所述规划器对所述目标嵌入向量进行规划处理，以获得预测轨迹；构建模块，用于基于所述预测轨迹构建损失函数；调整模块，用于采用所述损失函数调整所述编码器的模型参数和所述规划器的模型参数。
根据本公开的另一方面，提供了一种自动驾驶轨迹规划装置，包括：编码模块，用于采用自动驾驶轨迹规划模型的编码器，对自动驾驶车辆的场景信息进行处理，以获得嵌入向量；规划模块，用于采用所述自动驾驶轨迹规划模型的规划器，对所述嵌入向量进行处理，以生成目标轨迹；其中，所述编码器和所述规划器是采用如上述任一方面的任一项所述的方法训练的。
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，可以提高轨迹规划的泛化性。
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轨迹规划模型的示意图；
图4是根据本公开实施例提供的自动驾驶轨迹规划模型的训练过程的示意图；
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轨迹规划方法或自动驾驶轨迹规划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，通常基于预设规则进行轨迹规划，例如，针对大车、盲区、小路口等制定一系列规则，这些规则中可以记录对应情况下的轨迹规划方案，以优化通行效率。但是，基于规则的方式，在泛化性等方面存在问题。
为了提高自动驾驶轨迹规划的效果，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轨迹规划模型的训练方法，该模型包括：编码器和规划器，该方法包括：
101、获取训练数据，所述训练数据包括：自动驾驶车辆的场景信息样本。
102、采用所述编码器对所述场景信息样本进行编码处理，以获得初始嵌入向量。
103、对所述初始嵌入向量进行更新处理，以获得目标嵌入向量。
104、采用所述规划器对所述目标嵌入向量进行规划处理，以获得预测轨迹。
105、基于所述预测轨迹构建损失函数。
106、采用所述损失函数调整所述编码器的模型参数和所述规划器的模型参数。
其中，场景信息(scene)样本可以从公开的样本集中获得。
场景信息样本可以包括：预设历史时长(如历史6秒)内的静态信息和/或动态信息，静态信息例如包括地图信息，动态信息例如包括障碍物的位置、速度等动态信息。
获取场景信息样本后，将场景信息样本输入到编码器中，编码器用于将场景信息样本转换为向量，该向量称为初始嵌入(embedding)向量。
为了提高通行效率，降低通行风险，可以对初始嵌入向量进行更新处理，得到目标嵌入向量。
获得目标嵌入向量后，将目标嵌入向量输入到规划器中，规划器输出预测轨迹。
获取预测轨迹后，可以采用监督或自监督等方式构建损失函数。以监督方式为例，获取场景信息样本后，还可以采用人工标注或其他方式获得场景信息样本对应的真实轨迹，构建损失函数时，可以基于预测轨迹和真实轨迹构建损失函数，损失函数例如为最小均方误差(Mean Square Error，MSE)损失函数。
构建损失函数后，可以采用反向传播(Back Propagation，BP)等方式调整模型参数，直至满足预设的结束条件，得到最终的自动驾驶轨迹规划模型(可简称为模型)，上述的结束条件例如达到预设的迭代次数或者达到预设的模型收敛条件等。之后，在推理阶段采用该模型进行轨迹规划。
上述的编码器和规划器是深度学习模型，具体可以是Transformer模型中的编码器和解码器，或者长短期记忆网络(Long Short-Term Memory，LSTM)模型中的编码器和解码器。
本实施例中，通过训练自动驾驶轨迹规划模型，可以利用该模型进行轨迹规划，相对于基于规则的方式，可以提高泛化性；另外，通过对初始嵌入向量进行更新处理得到目标嵌入向量，基于目标嵌入向量进行轨迹预测，可以获得预测轨迹的精准度，提高轨迹预测效果。
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200的核心模块包括：高精地图(High Definition map，HD map)201、定位系统(localization)202、感知系统(Perception)203、预测系统(Prediction)204、全局导航系统(Routing)205、规划系统(Planning)206和控制模块(Control)207。
其中，高精地图201，也称自动驾驶地图、高分辨率地图，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。
定位系统202，可以基于定位装置和高精地图提供高精度(厘米级)定位服务。定位装置例如包括全球定位系统(Global Positioning System，GPS)、全球导航卫星系统(Global Navigation Satellite System，GNSS)和惯性导航系统(Inertial NavigationSystem，INS)中的一项或多项。
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，通过提取本车和/或障碍物历史运动参数，结合结合卡尔曼滤波、神经网络等手段，推理得到本车和/或障碍物未来时刻运动轨迹。预测的运动轨迹可以提供给规划系统。
全局导航系统205，用于根据车辆初始位置和目标位置，结合路网拓扑结构，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。
规划系统206，主要提供车辆避让障碍物、换道决策，路径规划、轨迹规划、速度规划服务。
控制系统207，用于根据决策规划系统提供的驾驶轨迹，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。
在自动驾驶轨迹规划场景下，自动驾驶轨迹规划方法可以由自动驾驶车辆的规划系统执行。
相关技术中，可以基于预设规则进行轨迹规划，即，可以预先配置驾驶状态与轨迹规划之间的对应关系，基于该对应关系确定轨迹规划结果，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轨迹规划。进行轨迹规划的机器学习模型可以称为自动驾驶轨迹规划模型，如图3所示，该模型包括：编码器301和规划器302。
自动驾驶车辆在行驶过程中，自动驾驶系统可以获取预设的历史时长内(如6s)的场景信息，场景信息例如包括地图和定位系统提供的地图信息，和/或，感知系统提供的障碍物的位置和速度等动态信息，之后，场景信息被输入到编码器301中，编码器301对场景信息进行编码处理，得到嵌入向量，嵌入向量被输入到规划器302中，规划器302对嵌入向量进行解码处理，生成目标轨迹，目标轨迹是所规划的轨迹。
为了提高自动驾驶轨迹规划模型生成的目标轨迹的通行效率，在训练阶段，可以额外引入预测器对自动驾驶轨迹规划模型进行训练。
如图4所示，在训练阶段，除了自动驾驶轨迹规划模型所包括的编码器(Encoder)401和规划器(Planner)402之外，还包括预测器(Predictor)403。编码器可以是Transformer网络或LSTM网络的编码器，规划器和预测器可以是Transformer网络或LSTM网络的解码器。
编码器401，用于对场景信息样本进行编码处理，得到初始嵌入向量；
预测器403，用于基于初始嵌入向量，得到通行参数。
通行参数可以包括：通行效率和/或通行风险，本实施例以通行参数包括通行效率和通行风险为例。另外，通行效率和通行风险可以采用同一个预测器得到，或者，通行效率和通行风险可以分别采用一个预测器得到。
获取通行参数后，可以采用通行参数更新初始嵌入向量，得到目标嵌入向量。嵌入向量可以用z表示。
具体地，针对通行效率，是采用梯度上升方式进行更新，以获得效率更高的通行效率，针对通行风险，是采用梯度下降方式进行更新，以获得风险更低的通行风险。
规划器402，用于基于目标嵌入向量，得到预测轨迹。
以监督训练方式为例，可以基于预测轨迹和场景信息样本对应的真实轨迹构建损失函数，之后利用损失函数调整编码器的模型参数、规划器的模型参数和预测器的模型参数。
结合上述的应用场景，本公开还提供一种自动驾驶轨迹规划模型的训练方法。
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轨迹规划模型的训练方法，该模型包括编码器和规划器，该方法包括：
501、获取训练数据，所述训练数据包括：自动驾驶车辆的场景信息样本。
502、采用所述编码器对所述场景信息样本进行编码处理，以获得初始嵌入向量。
503、采用预测器对所述初始嵌入向量进行预测处理，以获得通行参数。
504、基于所述通行参数对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量。
本实施例中，基于通行参数对初始嵌入向量进行更新处理，得到目标嵌入向量，可以使得目标嵌入向量中包含通行信息，从而基于目标嵌入向量可以获得通行效果更好的目标轨迹，提高目标轨迹的通行效率并降低通行风险。
以通行参数包括通行效率(efficiency)和通行风险(risk)为例，对应通行效率采用梯度上升方式进行更新，对应通行风险采用梯度下降方式进行更新。
具体地，所述通行参数包括：通行效率，和/或，通行风险；
所述基于所述通行参数对所述初始嵌入向量进行更新处理，以获得目标嵌入向量，包括：
确定所述通行效率的第一梯度；
确定所述通行风险的第二梯度；
基于第一权重和所述第一梯度的乘积，和/或，所述第二权重和所述第二梯度的乘积，对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量；所述第一权重为正值，所述第二权重为负值。
具体地，计算公式可以是：
其中，z'是目标嵌入向量；z是初始嵌入向量；fefficency是通行效率；frisk是通行风险；α1是第一权重，-α2是第二权重，α1，α2均为正值。
由于通行效率对应的第一权重是正值，因此，可以认为是采用梯度上升方式优化通行效率；由于通行风险对应的第二权重是负值，因此，可以认为是采用梯度下降方式优化通行风险。
本实施例中，由于第一权重是正值，则可以获得效率更高的通行效率，由于第二权重是负值，可以获得风险更低的通行风险，从而通过上述的更新方式，可以提高通行效率并降低通行风险。
505、采用所述规划器对所述目标嵌入向量进行规划处理，以获得预测轨迹。
506、基于所述预测轨迹构建损失函数。
507、采用所述损失函数调整所述编码器的模型参数、所述规划器的模型参数和所述预测器的模型参数。
其中，预测轨迹可以是预设的未来时长(如8秒)内的预测轨迹，可以用((x1,y1),(x2,y2),...(xn,yn))表示，相应地，通行效率可以包括：该未来时长内的行驶距离，通行风险可以包括：该未来时长内发生风险的概率。
本实施例中，通过设置上述的通行效率和通行风险，可以简便高效地获得通行效率和通行风险。
进一步地，未来时长内发生风险的概率可以包括：如下项中的至少一项：碰撞概率、急刹概率、接管概率。
本实施例中，通过获取上述的通行风险，可以提高通行风险的全面性和准确性。
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轨迹规划方法，该方法包括：
601、采用自动驾驶轨迹规划模型的编码器，对自动驾驶车辆的场景信息进行处理，以获得嵌入向量。
602、采用所述自动驾驶轨迹规划模型的规划器，对所述嵌入向量进行处理，以生成目标轨迹。
其中，所述编码器和所述规划器是采用如上述任一实施例所示的训练方法训练的。
本实施例中，采用模型生成目标轨迹，相对于基于规则方式，可以提高泛化性。
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轨迹规划模型的训练装置，该模型包括：编码器和规划器，该装置700包括：获取模块701、编码模块702、更新模块703、生成模块704、构建模块705和调整模块706。
获取模块701用于获取训练数据，所述训练数据包括：自动驾驶车辆的场景信息样本；编码模块702用于采用所述编码器对所述场景信息样本进行编码处理，以获得初始嵌入向量；更新模块703用于对所述初始嵌入向量进行更新处理，以获得目标嵌入向量；生成模块704用于采用所述规划器对所述目标嵌入向量进行规划处理，以获得预测轨迹；构建模块705用于基于所述预测轨迹构建损失函数；调整模块706用于采用所述损失函数调整所述编码器的模型参数和所述规划器的模型参数。
本实施例中，通过训练自动驾驶轨迹规划模型，可以利用该模型进行轨迹规划，相对于基于规则的方式，可以提高泛化性；另外，通过对初始嵌入向量进行更新处理得到目标嵌入向量，基于目标嵌入向量进行轨迹预测，可以获得预测轨迹的精准度，提高轨迹预测效果。
一些实施例中，所述更新模块703进一步用于：
采用预测器对所述初始嵌入向量进行预测处理，以获得通行参数；
基于所述通行参数对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量。
本实施例中，基于通行参数对初始嵌入向量进行更新处理，得到目标嵌入向量，可以使得目标嵌入向量中包含通行信息，从而基于目标嵌入向量可以获得通行效果更好的目标轨迹，提高目标轨迹的通行效率并降低通行风险。
一些实施例中，所述通行参数包括：通行效率，和/或，通行风险；
所述更新模块703进一步用于：
确定所述通行效率的第一梯度；
确定所述通行风险的第二梯度；
基于第一权重和所述第一梯度的乘积，和/或，所述第二权重和所述第二梯度的乘积，对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量；所述第一权重为正值，所述第二权重为负值。
本实施例中，由于第一权重是正值，则可以获得效率更高的通行效率，由于第二权重是负值，可以获得风险更低的通行风险，从而通过上述的更新方式，可以提高通行效率并降低通行风险。
一些实施例中，所述预测轨迹包括：预设的未来时长的预测轨迹；
所述通行效率包括：所述未来时长的行驶距离；
所述通行风险包括：所述未来时长内发生风险的概率。
本实施例中，通过设置上述的通行效率和通行风险，可以简便高效地获得通行效率和通行风险。
一些实施例中，所述未来时长内发生风险的概率包括如下项中的至少一项：碰撞概率、急刹概率、接管概率。
本实施例中，通过获取上述的通行风险，可以提高通行风险的全面性和准确性。
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轨迹规划装置，该装置800包括：编码模块801和规划模块802。
编码模块801用于采用自动驾驶轨迹规划模型的编码器，对自动驾驶车辆的场景信息进行处理，以获得嵌入向量；规划模块802用于采用所述自动驾驶轨迹规划模型的规划器，对所述嵌入向量进行处理，以生成目标轨迹。
其中，所述编码器和所述规划器是采用如上述任一实施例所示的训练方法训练的。
本实施例中，采用模型生成目标轨迹，相对于基于规则方式，可以提高泛化性；另外，通过对初始嵌入向量进行更新处理得到目标嵌入向量，基于目标嵌入向量进行轨迹预测，可以获得预测轨迹的精准度，提高轨迹预测效果。
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。具体地，该电子设备901可以主要是采用自动驾驶轨迹规划模型进行轨迹规划。
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1008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，例如自动驾驶轨迹规划方法或自动驾驶轨迹规划模型的训练方法。例如，在一些实施例中，自动驾驶轨迹规划方法或自动驾驶轨迹规划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轨迹规划方法或自动驾驶轨迹规划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轨迹规划方法或自动驾驶轨迹规划模型的训练方法。
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 (16)
1.一种自动驾驶轨迹规划模型的训练方法，所述模型包括：编码器和规划器，所述方法包括：
获取训练数据，所述训练数据包括：自动驾驶车辆的场景信息样本；
采用所述编码器对所述场景信息样本进行编码处理，以获得初始嵌入向量；
对所述初始嵌入向量进行更新处理，以获得目标嵌入向量；
采用所述规划器对所述目标嵌入向量进行规划处理，以获得预测轨迹；
基于所述预测轨迹构建损失函数；
采用所述损失函数调整所述编码器的模型参数和所述规划器的模型参数。
2.根据权利要求1所述的方法，其中，所述对所述初始嵌入向量进行更新处理，以获得目标嵌入向量，包括：
采用预测器对所述初始嵌入向量进行预测处理，以获得通行参数；
基于所述通行参数对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量。
3.根据权利要求2所述的方法，其中，
所述通行参数包括：通行效率，和/或，通行风险；
所述基于所述通行参数对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量，包括：
确定所述通行效率的第一梯度；
确定所述通行风险的第二梯度；
基于第一权重和所述第一梯度的乘积，和/或，所述第二权重和所述第二梯度的乘积，对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量；所述第一权重为正值，所述第二权重为负值。
4.根据权利要求3所述的方法，其中，
所述预测轨迹包括：预设的未来时长的预测轨迹；
所述通行效率包括：所述未来时长的行驶距离；和/或，
所述通行风险包括：所述未来时长内发生风险的概率。
5.根据权利要求4所述的方法，其中，所述未来时长内发生风险的概率包括如下项中的至少一项：
碰撞概率、急刹概率、接管概率。
6.一种自动驾驶轨迹规划方法，包括：
采用自动驾驶轨迹规划模型的编码器，对自动驾驶车辆的场景信息进行处理，以获得嵌入向量；
采用所述自动驾驶轨迹规划模型的规划器，对所述嵌入向量进行处理，以生成目标轨迹；
其中，所述编码器和所述规划器是采用如权利要求1-5任一项所述的方法训练的。
7.一种自动驾驶轨迹规划模型的训练装置，所述模型包括：编码器和规划器，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：自动驾驶车辆的场景信息样本；
编码模块，用于采用所述编码器对所述场景信息样本进行编码处理，以获得初始嵌入向量；
更新模块，用于对所述初始嵌入向量进行更新处理，以获得目标嵌入向量；
生成模块，用于采用所述规划器对所述目标嵌入向量进行规划处理，以获得预测轨迹；
构建模块，用于基于所述预测轨迹构建损失函数；
调整模块，用于采用所述损失函数调整所述编码器的模型参数和所述规划器的模型参数。
8.根据权利要求7所述的装置，其中，所述更新模块进一步用于：
采用预测器对所述初始嵌入向量进行预测处理，以获得通行参数；
基于所述通行参数对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量。
9.根据权利要求8所述的装置，其中，
所述通行参数包括：通行效率，和/或，通行风险；
所述更新模块进一步用于：
确定所述通行效率的第一梯度；
确定所述通行风险的第二梯度；
基于第一权重和所述第一梯度的乘积，和/或，所述第二权重和所述第二梯度的乘积，对所述初始嵌入向量进行更新处理，以获得所述目标嵌入向量；所述第一权重为正值，所述第二权重为负值。
10.根据权利要求8所述的装置，其中，
所述预测轨迹包括：预设的未来时长的预测轨迹；
所述通行效率包括：所述未来时长的行驶距离；和/或，
所述通行风险包括：所述未来时长内发生风险的概率。
11.根据权利要求8所述的装置，其中，所述未来时长内发生风险的概率包括如下项中的至少一项：
碰撞概率、急刹概率、接管概率。
12.一种自动驾驶轨迹规划装置，包括：
编码模块，用于采用自动驾驶轨迹规划模型的编码器，对自动驾驶车辆的场景信息进行处理，以获得嵌入向量；
规划模块，用于采用所述自动驾驶轨迹规划模型的规划器，对所述嵌入向量进行处理，以生成目标轨迹；
其中，所述编码器和所述规划器是采用如权利要求1-5任一项所述的方法训练的。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种计算机程序产品，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1-6中任一项所述的方法。
16.一种自动驾驶车辆，包括：如权利要求13所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311634199.9A CN117746360A (zh) | 2023-11-30 | 2023-11-30 | 自动驾驶车辆及轨迹规划和模型训练方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311634199.9A CN117746360A (zh) | 2023-11-30 | 2023-11-30 | 自动驾驶车辆及轨迹规划和模型训练方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117746360A true CN117746360A (zh) | 2024-03-22 |
Family
ID=90249955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311634199.9A Pending CN117746360A (zh) | 2023-11-30 | 2023-11-30 | 自动驾驶车辆及轨迹规划和模型训练方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117746360A (zh) |
-
2023
- 2023-11-30 CN CN202311634199.9A patent/CN117746360A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
| CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| CN114047764B (zh) | 路径规划模型的训练方法和路径规划方法、装置 | |
| CN112763995A (zh) | 雷达标定方法、装置、电子设备和路侧设备 | |
| CN114771572A (zh) | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 | |
| CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
| CN113739811A (zh) | 关键点检测模型的训练和高精地图车道线的生成方法设备 | |
| CN116092055A (zh) | 训练方法、获取方法、装置、设备及自动驾驶车辆 | |
| CN114771551A (zh) | 自动驾驶车辆轨迹规划方法、装置和自动驾驶车辆 | |
| CN116499487B (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
| CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
| 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 | |
| CN113799798B (zh) | 车辆的行驶轨迹的确定方法、装置、电子设备和存储器 | |
| CN115792985A (zh) | 一种车辆定位方法、装置、电子设备、存储介质及车辆 | |
| 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 | |
| CN114140553A (zh) | 一种基于条件变分自编码器的路口引导线生成方法及系统 | |
| CN117508223A (zh) | 自动驾驶变道决策及模型训练方法、装置、设备和车辆 | |
| CN113483769A (zh) | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 | |
| CN114590248B (zh) | 行驶策略的确定方法、装置、电子设备和自动驾驶车辆 | |
| CN114407916B (zh) | 车辆控制及模型训练方法、装置、车辆、设备和存储介质 | |
| CN116203964B (zh) | 一种控制车辆行驶的方法、设备和装置 | |
| CN114379584B (zh) | 车辆控制方法、装置、车辆、设备和存储介质 | |
| CN114620055B (zh) | 道路数据处理方法、装置、电子设备及自动驾驶车辆 | |
| CN114987553A (zh) | 自动驾驶车辆控制方法和装置 | |
| CN116300933A (zh) | 自动驾驶轨迹评估方法、装置以及设备 |
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 |