CN117789523A - 行驶轨迹生成方法、装置、存储介质与电子设备 - Google Patents
行驶轨迹生成方法、装置、存储介质与电子设备 Download PDFInfo
- Publication number
- CN117789523A CN117789523A CN202211193905.6A CN202211193905A CN117789523A CN 117789523 A CN117789523 A CN 117789523A CN 202211193905 A CN202211193905 A CN 202211193905A CN 117789523 A CN117789523 A CN 117789523A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- historical
- driving data
- real
- ramp
- 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 45
- 230000001133 acceleration Effects 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种行驶轨迹生成方法、装置、存储介质与电子设备,涉及车辆技术领域。该方法包括:根据第一车辆在第一历史匝道的第一历史驾驶数据以及该第一车辆在当前匝道的第一实时驾驶数据,预测该第一车辆在该当前匝道的第一行驶轨迹;在该第一车辆的预设范围内存在第二车辆的情况下,根据该第二车辆在第二历史匝道的第二历史驾驶数据以及该第二车辆在该当前匝道的第二实时驾驶数据,预测该第二车辆在当前匝道的第二行驶轨迹;展示该第一行驶轨迹与该第二行驶轨迹。使用本公开提出的行驶轨迹生成方法,可以辅助驾驶员通过匝道,提高驾驶员的驾驶安全性。
Description
技术领域
本公开涉及车辆技术领域,具体地,涉及一种行驶轨迹生成方法、装置、存储介质与电子设备。
背景技术
车辆在高速公路的匝道区域附近行驶时,由于匝道附近的道路比较复杂,各个道路汇合在匝道附近,所以驾驶员不仅需要接收交通标志信息,还要兼顾左右车辆信息以及道路上的车况,来综合这些信息进行车辆的加速、减速以及换道等操作。
然而,若匝道附近的其余车辆不按照交通法规行驶,突然变道、超车或逆行,很容易导致追尾事故发生,导致当前车辆的驾驶安全被极大地降低。
发明内容
本公开的目的是提供一种行驶轨迹生成方法、装置、存储介质与电子设备,以解决上述技术问题。
为了实现上述目的,本公开实施例的第一方面提供一种行驶轨迹生成方法,所述方法包括:
根据第一车辆在第一历史匝道的第一历史驾驶数据以及所述第一车辆在当前匝道的第一实时驾驶数据,预测所述第一车辆在所述当前匝道的第一行驶轨迹;
在所述第一车辆的预设范围内存在第二车辆的情况下,根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹;
展示所述第一行驶轨迹与所述第二行驶轨迹。
可选地,所述在所述第一车辆的预设范围内存在第二车辆的情况下,根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹,包括:
在所述第一车辆的预设范围内存在所述第二车辆的情况下,确定所述第二车辆的数量;
响应于所述第二车辆的数量小于或等于预设数量,利用第一模型根据所述第二历史驾驶数据与所述第二实时驾驶数据,预测所述第二行驶轨迹。
可选地,所述方法还包括:
响应于所述第二车辆的数量大于所述预设数量,利用所述第一模型根据第一目标车辆的第二历史驾驶数据与第二实时驾驶数据,预测所述第一目标车辆的第二行驶轨迹;利用第二模型根据第二目标车辆的第二历史驾驶数据与第二实时驾驶数据,预测所述第二目标车辆的第二行驶轨迹;
所述第一目标车辆为多个所述第二车辆中距离所述第一车辆最近的第二车辆,所述第二目标车辆为多个所述第二车辆中除去所述第一目标车辆的第二车辆。
可选地,所述第一历史驾驶数据包括第一历史车道线特征与第一历史行驶信息,所述第一实时驾驶数据包括当前车道线特征与第一实时行驶信息;所述根据第一车辆在第一历史匝道的第一历史驾驶数据以及所述第一车辆在当前匝道的第一实时驾驶数据,预测所述第一车辆在所述当前匝道的第一行驶轨迹,包括:
根据所述第一历史匝道的第一历史车道线特征、所述第一车辆在所述第一历史匝道行驶过的第一历史行驶信息、所述当前匝道的当前车道线特征以及所述第一车辆在所述当前匝道行驶的第一实时行驶信息,预测所述第一车辆在所述当前匝道的第一行驶轨迹。
可选地,所述第二历史驾驶数据包括第二历史车道线特征与第二历史行驶信息,所述第二实时驾驶数据包括当前车道线特征与第二实时行驶信息;所述根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹,包括:
根据所述第二历史匝道的第二历史车道线特征、所述第二车辆在所述第二历史匝道行驶过的第二历史行驶信息、所述当前匝道的当前车道线特征以及所述第二车辆在所述当前匝道行驶的第二实时行驶信息,预测所述第二车辆在所述当前匝道的第二行驶轨迹。
可选地,所述方法还包括:
确定所述第一车辆与所述第二车辆之间的碰撞风险值;
响应于所述第一车辆与所述第二车辆的碰撞风险值大于预设风险值,将大于所述预设风险值的第二车辆确定为危险车辆;
在所述第一车辆与所述危险车辆之间的距离、所述第一车辆与车道线之间的距离、所述第一车辆的加速度满足约束条件的情况下,以目标加速度均值与目标加速度方差对应的所述第一车辆的第一实时驾驶数据,对转向模块与制动模块进行控制。
可选地,所述确定所述第一车辆与所述第二车辆之间的碰撞风险值,包括:
根据所述第一车辆的第一实时驾驶数据与所述第一车辆的自车信息,确定所述第一车辆发生的目标基本事件;
根据事故发生树,确定所述目标基本事件的结构重要度;
根据所述结构重要度,确定所述碰撞风险值。
根据本公开实施例的第二方面,提供一种行驶轨迹生成装置,所述装置包括:
第一行驶轨迹预测模块,被配置为根据第一车辆在第一历史匝道的第一历史驾驶数据以及所述第一车辆在当前匝道的第一实时驾驶数据,预测所述第一车辆在所述当前匝道的第一行驶轨迹;
第二行驶轨迹预测模块,被配置为在所述第一车辆的预设范围内存在第二车辆的情况下,根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹;
展示模块,被配置为展示所述第一行驶轨迹与所述第二行驶轨迹。
根据本公开实施例的第三方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开实施例的第一方面提供的行驶轨迹生成方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开实施例的第一方面提供的行驶轨迹生成方法的步骤。
通过本公开提出的行驶轨迹生成方法,可以通过第一车辆的第一历史驾驶数据与第一实时驾驶数据,来预测第一车辆在当前匝道的第一行驶轨迹;通过第二车辆的第二历史驾驶数据与第二实时驾驶数据,来预测第二车辆在当前匝道的第二行驶轨迹,并将第一行驶轨迹与第二行驶轨迹展现给第一车辆的驾驶员,从而辅助驾驶员依据本车的第一行驶轨迹与其余车辆的第二行驶轨迹,调整第一车辆的速度与方向,避免与其余车辆碰撞,提高驾驶员的驾驶安全感与驾驶安全性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开一示例性实施例示出的行驶轨迹生成方法的步骤流程图。
图2是本公开一示例性实施例示出的展示第一行驶轨迹与第二行驶轨迹的示意图。
图3是本公开一示例性实施例示出的事故发生树的示意图。
图4是本公开一示例性实施例示出的行驶轨迹生成方法的逻辑示意图。
图5是本公开一示例性实施例示出的行驶轨迹生成装置的框图。
图6是本公开一示例性实施例示出的一种电子设备的框图。
图7是本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
请参阅图1所示,本公开提出一种行驶轨迹生成方法,该方法包括以下步骤:
在步骤S11中,根据第一车辆在第一历史匝道的第一历史驾驶数据以及所述第一车辆在当前匝道的第一实时驾驶数据,预测所述第一车辆在所述当前匝道的第一行驶轨迹。
本步骤中,在第一车辆距离当前匝道第一预设距离的情况下,可以获取第一车辆在以往的第一历史匝道上行驶的第一历史驾驶数据与第一车辆在当前匝道周围的第一实时驾驶数据,并依据第一历史驾驶数据与第一实时驾驶数据,来预测第一车辆在未来第一预设时长内的第一行驶轨迹。
其中,第一预设距离可以为20m、30m等,本公开在此不做限制;第一预设时长可以为6s、10s等,本公开在此不做限制。
其中,第一车辆可以为当前车辆,第一车辆可以通过V2X(Vehicle toEverything,车用无线通信技术)技术,从云平台上获取第一历史驾驶数据,第一历史驾驶数据为第一车辆在以往的历史匝道上行驶的历史驾驶数据,第一历史驾驶数据包括:第一历史匝道的第一历史车道线特征以及第一车辆在第一历史匝道上行驶的第一历史行驶信息。第一历史车道线特征用于表征第一历史匝道上的环境信息,第一历史车道线特征包括第一历史匝道附近的车道宽度、车道数量、车道的边界位置、线性、颜色、限速、车道中心线、曲率以及坡度等;第一历史行驶信息用于表征第一车辆以往在第一历史匝道上行驶时第一车辆的信息,第一历史行驶信息包括第一车辆在第一历史匝道周围处,与车道中心线之间的横纵向距离、第一车辆与车道边缘的横纵向距离、第一车辆行驶在车道上的几何位置、第一车辆的行驶速度以及第一车辆的行驶加速度等,行驶加速度包括横向加速度与纵向加速度。
其中,第一实时驾驶数据为第一车辆在当前匝道的驾驶数据,第一实时驾驶数据包括当前车道线特征与第一实时行驶信息。当前车道线特征指的是当前车道上的环境信息,当前车道线特征与第一历史车道线特征所包含的数据类型相同,当前车道线特征包括当前车道附近的车道宽度、车道数量、车道的边界位置、线性、颜色、限速、车道中心线、曲率以及坡度等;第一实时行驶信息指的是第一车辆在当前匝道上行驶时产生的行驶信息,第一实时行驶信息与第一历史行驶信息包含的数据类型相同,第一实时行驶信息包括第一车辆在当前匝道周围处,与车道中心线之间的横纵向距离、第一车辆与车道边缘的横纵向距离、第一车辆行驶在车道上的几何位置、第一车辆的行驶速度以及第一车辆的行驶加速度等。
本步骤中,由于获取了第一实时驾驶数据,第一实时驾驶数据中记录了第一车辆所在当前匝道的匝道特征,以及第一车辆在当前匝道行驶的第一行驶信息,所以可以通过模型预测出第一车辆在当前匝道附近行驶的多个位置,并将多个位置连接成线,来得到第一车辆在未来第一预设时长内,在当前匝道上行驶的第一行驶轨迹。
在这个过程中,第一实时驾驶数据体现了当前匝道的道路环境与第一车辆当前的位置变化,但是在对第一车辆未来的第一行驶轨迹进行预测时,仅仅通过第一车辆在当前车况下的第一实时驾驶数据来进行预测,得到的第一行驶轨迹的准确性不足。
例如,在第一车辆行驶在当前匝道的过程中,若通过第一实时驾驶数据来预测第一行驶轨迹,所得到的第一行驶轨迹可能是第一车辆路过匝道后沿着左侧车道行驶,但是依据第一车辆的驾驶员以往的驾驶习惯,第一车辆路过匝道后会连续变道沿着中间车道继续行驶,导致预测得到的第一行驶轨迹的准确性不足。
为了提升预测第一行驶轨迹的准确性,本公开引入第一历史驾驶数据,第一历史驾驶数据中包含了第一车辆的驾驶员在以往多个第一历史匝道上行驶的第一历史行驶信息,体现了第一车辆的驾驶员的驾驶行为习惯,所以将第一历史驾驶数据与第一实时驾驶数据作为模型的输入,可以更加准确地预测出第一行驶轨迹。
在步骤S12中,在所述第一车辆的预设范围内存在第二车辆的情况下,根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹。
本步骤中,在第一车辆上的雷达或摄像头等传感器设备,确定出第一车辆的预设范围内存在第二车辆的情况下,可以根据第二历史驾驶数据与第二实时驾驶数据,预测第二车辆在未来第二预设时长内的第二行驶轨迹。
其中,预设范围指的是以第一车辆为圆心,第二预设距离为半径所形成的圆形区域,第二预设距离可以为6m、7m、8m、10m等,本公开在此不做限制;第二预设时长可以与第一预设时长相等,也可以与第一预设时长不等。
其中,由于云平台上存储了多个车辆在不同道路上的历史驾驶数据,因此第一车辆也可以通过V2X技术,从云平台上获取第二车辆的第二历史驾驶数据;由于第一车辆与第二车辆互联,所以第一车辆也可以获取第二车辆的第二实时驾驶数据;并依据第二实时驾驶数据与第二历史驾驶数据,来预测第二车辆未来第二预设时长内的第二行驶轨迹。
其中,第二历史驾驶数据为第二车辆在以往的历史匝道上行驶的历史驾驶数据,第二历史驾驶数据与第一历史驾驶数据的数据类型相同;第二实时驾驶数据为第一车辆在当前匝道上行驶的实时数据,第二实时驾驶数据与第一实时驾驶数据的数据类型相同。
本步骤中,与步骤S12的原理相同,将第二历史驾驶数据与第二实时驾驶数据结合作为模型的输入,可以得到更加准确的第二行驶轨迹。
在步骤S13中,展示所述第一行驶轨迹与所述第二行驶轨迹。
本步骤中,在得到第一行驶轨迹与第二行驶轨迹之后,可以在第一车辆的HMI(Human Machine Interface,人机界面)界面,以指示线的形式来显示本车的第一行驶轨迹与其余车辆的第二行驶轨迹。例如,请参阅图2所示的匝道上有左侧车道与中间车道,其余车辆在左侧车道上行驶,本车在中间车道行驶,通过本公开提出的行驶轨迹生成方法,可以预测出本车在中间车道行驶的第一行驶轨迹,与其余车辆在左侧车道行驶的第二行驶轨迹。
通过本公开提出的行驶轨迹生成方法,可以通过第一车辆的第一历史驾驶数据与第一实时驾驶数据,来预测第一车辆在当前匝道的第一行驶轨迹;通过第二车辆的第二历史驾驶数据与第二实时驾驶数据,来预测第二车辆在当前匝道的第二行驶轨迹,并将第一行驶轨迹与第二行驶轨迹展现给第一车辆的驾驶员,从而辅助驾驶员依据本车的第一行驶轨迹与其余车辆的第二行驶轨迹,调整第一车辆的速度与方向,避免与其余车辆碰撞,提高驾驶员的驾驶安全感。
本公开中,可以用第一模型,例如数据驱动模型(Long Short-Term Memory-Convolutional Neural Network-Short-Term Memory,LSTM-CNN-LSTM模型),来对第一车辆的第一行驶轨迹进行预测,数据驱动模型的预测较为准确,可以结合具有驾驶员驾驶习惯的第一历史驾驶数据与反应驾驶员实时操作的第一实时驾驶数据,来在初次行驶的当前匝道上,得到准确性较高的第一行驶轨迹。在得到的第一行驶轨迹的准确性较高的情况下,可以便于驾驶员依据第一行驶轨迹来规避第二车辆,提高驾驶安全性。
而在预测第二行驶轨迹与第一行驶轨迹时,可以用不同的模型来对不同的行驶轨迹进行预测,具体包括以下步骤:
在步骤S21中,在所述第一车辆的预设范围内存在所述第二车辆的情况下,确定所述第二车辆的数量。
本步骤中,可以通过雷达或摄像头等传感器设备,探测第一车辆的预设范围内是否存在第二车辆,在存在第二车辆的情况下,再确定第二车辆的数量。
在步骤S22中,响应于所述第二车辆的数量小于或等于预设数量,利用第一模型根据所述第二历史驾驶数据与所述第二实时驾驶数据,预测所述第二行驶轨迹。
其中,在第二车辆的数量小于或等于预设数量时,由于第二车辆的数量较少,所以可以利用第一模型来对第二行驶轨迹进行预测,来使得得到的第二车辆的第二行驶轨迹更加准确。
预设数量可以为2,也可以为3,依据具体情况进行设置,本公开在此不做限制。
在步骤S23中,响应于所述第二车辆的数量大于所述预设数量,利用所述第一模型根据第一目标车辆的第二历史驾驶数据与第二实时驾驶数据,预测所述第一目标车辆的第二行驶轨迹;利用第二模型根据第二目标车辆的第二历史驾驶数据与第二实时驾驶数据,预测所述第二目标车辆的第二行驶轨迹;所述第一目标车辆为多个所述第二车辆中距离所述第一车辆最近的第二车辆,所述第二目标车辆为多个所述第二车辆中除去所述第一目标车辆的第二车辆。
其中,第一模型的预测准确性相较于第二模型,第二模型例如可以为马尔科夫预测模型(Markov prediction model,马尔科夫预测模型)的准确性更高,但是第一模型所接收的预测数据相较于第二模型所接收的预测数据更多,第一模型的计算力占用更多,导致预测行驶轨迹的预测速度相对较慢。
所以在第二车辆的数量大于预设数量的情况下,若所有的第二车辆的第二行驶轨迹均使用第一模型来进行预测,会导致预测第二行驶轨迹的速度较慢,而无法及时地显示第二行驶轨迹,为了兼顾预测第二行驶轨迹的准确性与预测速度。
在第二车辆的数量大于预设数量的情况下,从多个第二车辆中,采用准确性更高的第一模型,来对距离第一车辆最近的第一目标车辆的第二行驶轨迹进行预测,从而使得第一车辆的驾驶员,能够依据第一目标车辆的第二行驶轨迹,来对危险性较高的第一目标车辆进行避让,提高第一车辆的驾驶员的驾驶安全性;从多个第二车辆中,采用预测速度更快的第二模型,来对除去第一目标车辆的第二目标车辆的第二行驶轨迹进行预测,从而能够及时地显示第二目标车辆的第二行驶轨迹。
在步骤S21至步骤S23中,在采用第一模型来对第一行驶轨迹与第二行驶轨迹进行预测的过程中,可以通过以下方式来对第一行驶轨迹与第二行驶轨迹进行预测。
其中,在采用第一模型来对第一车辆的第一行驶轨迹进行预测时,将第一车辆的第一历史驾驶数据与第一实时驾驶数据进行归一化预处理后,得到高维的特征向量,再将高维的特征向量输入至特征嵌入层,以将高维的特征向量映射成低维稠密的特征向量;再将低维的特征向量作为时间序列模型输入至第一模型中,采用均方差函数作为第一模型的损失函数来对第一模型进行更新,使得第一模型输出第一车辆未来第一预设时长的第一行驶轨迹。
其中,在采用第一模型来对第一目标车辆的第二行驶轨迹进行预测时,将第二历史驾驶数据与第二实时驾驶数据进行归一化预处理后,得到高维的特征向量,再将高维的特征向量输入至特征嵌入层,以将高维的特征向量映射成低维稠密的特征向量;再将低维的特征向量作为时间序列模型输入至第一模型中,采用均方差函数作为第一模型的损失函数来对第一模型进行更新,使得第一模型输出第二车辆未来第二预设时长的第二行驶轨迹。
其中,在采用第二模型来对第二目标车辆的第二行驶轨迹进行预测时,可以先获取第二目标车辆分米级别的定位信息以及第二目标车辆的第二实时行驶信息,由于第二实时行驶信息中包含了第二目标车辆距离车道中心线的横纵向距离、第二目标车辆与车道边缘的横纵向距离、第二目标车辆在车道的几何位置、第二目标车辆的行驶速度以及第二目标车辆的行驶加速度(行驶加速度包括横向加速度与纵向加速度),所以依据第二目标车辆的定位信息与第二实时信息,可以确定第二目标车辆的驾驶员的驾驶意图,驾驶意图包括驾驶员沿着当前车道直行,从当前车道左转至左侧车道,从当前车道右转至右侧车道等驾驶意图;在确定驾驶员的驾驶意图之后,可以结合第二目标车辆的实时行驶信息,确定第二目标车辆要去的目标车道;再依据第二实时行驶信息中的行驶加速度,确定第二目标车辆在第二预设时长内到达目标车道的纵向距离,得到第二目标车辆在行驶第二预设时长后在目标车道上的终止位置;最后采用迭代算法生成第二目标车辆从当前位置至终止位置的最优动作序列,将最优动作序列生成第二目标车辆的第二行驶轨迹。
其中,最优动作序列包含第二目标车辆从当前位置平滑地移动至终止位置的多个位置点,第二目标车辆的定位信息与第二目标车辆在车道中的几何位置不同,定位信息指的是第二目标车辆在世界坐标系中的位置,几何位置是第二目标车辆在车道中的位置。
其中,获取第二目标车辆分米级别的定位信息可以采用相关技术中高精地图、GNSS(Global Navigation Satellite System,全球导航卫星系统)传感器、RTK(Real-timekinematic,实时动态载波相位差分定位)服务、ADAS(Advanced Driving AssistanceSystem,高级驾驶辅助系统)相机、IMU(Inertial Measurement Unit,惯性测量单元)、车辆CAN(Controller Area Network,控制器域网)信号结合的方案,来获取第二目标车辆分米级别的定位信息。
通过本公开提出的行驶轨迹生成方法,可以使用第一模型来对第一行驶轨迹进行预测,从而使得得到的第一行驶轨迹更加准确,使得第一车辆的驾驶员依据准确性较高的第一行驶轨迹,来确定本车未来的行驶路线,以更加安全地对第二车辆进行避让;在第二车辆数量较少时,采用第一模型来对第二车辆的第二行驶轨迹进行预测,也提高了预测第二行驶轨迹的准确性;在第二车辆数量较多时,才采用第一模型来对距离第一车辆最近的第一目标车辆的第二行驶轨迹进行预测,使得驾驶员能够依据准确的第一行驶轨迹与第二行驶轨迹,来对距离本车最近的第一目标车辆进行精准避让,提高驾驶员的驾驶安全;再采用第二模型来对第二目标车辆的第二行驶轨迹进行预测,能够及时地展示第二目标车辆的第二行驶轨迹,并且第二目标车辆距离第一车辆较远,所以及时展现的第二行驶轨迹的准确性相对较低,也不会对第一车辆造成危险。
在一种可能的实施方式中,可以基于事故发生树来确定第一车辆与第二车辆之间的碰撞风险值,并基于碰撞风险值来控制第一车辆上的转向模块与制动模块,以对第二车辆进行避让,具体包括以下步骤:
在步骤S31中,根据所述第一车辆的第一实时驾驶数据、所述第一车辆的自车信息以及所述第一车辆的定位信息,确定所述第一车辆发生的目标基本事件。
在步骤S32中,根据事故发生树,确定所述目标基本事件的结构重要度。
本步骤中,请参阅图3所示的事故发生树的结构图,事故发生树中将车辆碰撞作为事故发生树的顶上事件T,构成顶上事件T的缺陷事件由中间事件和基本事件组成。
根据对车辆碰撞风险影响因素进行分析后,中间事件如下:
A1:模型车辆的动力特性;A2:车辆初始间距误差;A3:系统延时;A4:车辆初始速度;A5:人为因素;A6:紧急避让速度;A7:延时。
将这些中间事件进行进一步细分为各种基本事件,得到各种基本事件如下:
x1:车身长度;x2:车身宽度;x3:汽车偏航加速度;x4:导航精度不足;x5:执行错误;x6:路径规划算法失误;x7:网络传输延时;x8:机械故障;x9:决策错误;x10:人员反应延时;x11:性能限制。
其中,第一车辆的自车信息包括第一车辆的长宽高与车辆的偏航加速度,用于判断基本事件X1、基本事件X2以及基本事件X3是否发生的依据。当第一车辆的车身长度超过第一预设安全值,基本事件X1发生;当第一车辆的车身宽度超过第二预设安全值,基本事件X2发生;当车辆偏航加速度超过预设限度,基本事件X3发生。
其中,可以将得到的定位信息与第一车辆的摄像头和雷达等传感器结合,来判断获得的定位信息是否满足要求,作为基本事件X4的发生依据。当定位信息不满足分米级别时,基本事件X4发生。
可以将第一模型中的损失函数是否超过预设数值,例如0.6,来作为基本事件X6是否发生的依据。当损失函数的具体值超过0.6时,确定路径规划算法失误。
工作人员可以根据第一车辆的第一实时驾驶数据,来判断出基本事件X7、基本事件X8以及基本事件X11是否发生,具体判断规则可以依据工作人员的工作经验进行判断,本公开不做具体阐述。
可以根据相关研究确定基本事件X9与基本事件X10的概率分布,根据概率分布来确定基本事件X9与基本事件X10是否发生。
其中,本公开所使用的事故发生树的逻辑表达式如下:
T=A1*A2*A4*A6*A7=(x1+x2+x3+A5)*(x4+x5)*(x4+x8)*(x9+x10+x11)*(A5+A3)=(x1+x2+x3+x9+x10)*(x4+x5)*(x4+x8)*(x9+x10+x11)*(x9+x10+x6+x7) (1)
利用布尔代数的对偶法则可以获得事故发生树对偶的成功树的逻辑表达式如下:
在公式(2)中,由5个最小径集构成,根据5个最小径集可以得到各个基本事件的结构重要度。
基本事件xi的结构重要度的计算公式为:
在公式(3)中,IΦ(i)为结构重要度,IΦ(i)的值越大,基本事件xi的重要程度越大,xi∈Gr为基本事件xi属于某个最小径集Gr,n表示基本事件xi所在最小径集中所包含的事件数量。
通过以上公式(3)可以得到各种基本事件的结构重要度分别如下:
IΦ(1)=0.0625;IΦ(2)=0.0625;IΦ(3)=0.0625;IΦ(4)=1;IΦ(5)=0.5;IΦ(6)=0.25;IΦ(7)=0.25;IΦ(8)=0.5;IΦ(9)=0.4375;IΦ(10)=0.4375;IΦ(11)=0.25。
当根据第一车辆的第一实时驾驶数据、第一车辆的自车信息以及所述第一车辆的定位信息,确定出多个目标基本事件发生时,则可以从以上多个结构重要度中,确定多个目标基本事件对应的结构重要度。
在步骤S33中,根据所述结构重要度,确定所述碰撞风险值。
其中,可以将多个目标基本事件对应的结构重要度相加,得到第一车辆与第二车辆之间的碰撞风险值。
例如,在确定基本事件x1、基本事件x4与基本事件x8发生后,则可以将这三个目标基本事件对于应的结构重要度IΦ(1)、IΦ(4)与IΦ(8)相加,得到碰撞风险度为1.5625。
在步骤S34中,响应于所述第一车辆与所述第二车辆的碰撞风险值大于预设风险值,将大于所述预设风险值的第二车辆确定为危险车辆。
其中,预设风险值可以为2,也可以为其余数值,本公开不做限制。
在碰撞风险值大于预设风险值时,说明第一车辆与第二车辆的碰撞风险较大,此时可以将第二车辆确定为危险车辆。
在步骤S35中,在所述第一车辆与所述危险车辆之间的距离、所述第一车辆与车道线之间的距离、所述第一车辆的加速度满足约束条件的情况下,以目标加速度均值与目标加速度方差对应的所述第一车辆的第一实时驾驶数据,对转向模块与制动模块进行控制。
请参阅图4所示,可以先根据第一车辆的速度区间,确定解算时间步长。由于本公开适用的功能场景主要是是自车车辆匝道口变道,所以假设自车车辆的行驶速度是0~40km/h。当第一车辆的行驶速度是0~10km/h(包含0km/h,包含10km/h)时,取解算时间步长是2ms;当第一车辆的行驶速度是10~40km/h(不包含10km/h,包含40km/h)时,取第一时间步长是0.5ms。
先根据第一车辆的第一实时驾驶数据与第一车辆的自车信息,来得到第一车辆在当前时刻的当前匝道上的行驶位置、行驶速度与航向角;根据危险车辆的第二实时驾驶数据与危险车辆的自车信息(自车信息包括危险车辆的长宽高与航向角),来得到危险车辆在当前匝道上的行驶位置、行驶速度与航向角。
再确定解算时间步长之后,在下一时刻的第一车辆与危险车辆的行驶位置、行驶速度与航向角;根据下一时刻的第一车辆与危险车辆的行驶位置、行驶速度与航向角,确定第一车辆与危险车辆之间的距离、第一车辆与车道线之间的距离、第一车辆的加速度。
在第一车辆与危险车辆之间的距离、第一车辆与车道线之间的距离、第一车辆的加速度满足约束条件的情况下,以目标加速度均值与目标加速度方差对应的所述第一车辆的第一实时驾驶数据,来对转向模块与制动模块进行控制,以避免第一车辆与危险车辆碰撞。
具体地,在第一车辆与危险车辆之间的距离大于第一安全距离,第一车辆与车道线之间的距离大于第二安全距离,第一车辆的加速度小于预设加速度的情况下,说明第一车辆与第二车辆满足约束条件,此时第一车辆不会与危险车辆碰撞,为了进一步保障第一车辆的驾驶安全,可以以目标加速度均值与目标加速度方差对应的第一实时驾驶数据,即,将目标加速度均值与目标加速度方差对应的第一车辆的行驶速度作为制动模块的输入变量,将目标加速度均值与目标加速度方差对应的第一车辆的航向角作为转向模块的输入变量,来分别对制动模块(Integrated Power Brake,IPB)与转向模块(Electrical PowerSteering,EPS)进行控制,以避开危险车辆。
为目标加速度均值为最小加速度均值,目标加速度方差为最小加速度方差,具体通过以下公式表达:
在公式(4)中,comf值在第一车辆满足安全距离的情况下,尽可能地小才能避开危险车辆;为加速度均值;σ为加速度方差。
从公式(4)可以看出,在加速度均值与加速度方差的值尽可能小的情况下,得到的comf值才会较小,如此,将comf值对应的第一车辆的行驶速度与航向角来对制动模块与转向模块进行控制,才能避开危险车辆。
在第一车辆与危险车辆之间的距离小于第一安全距离,第一车辆与车道线之间的距离小于第二安全距离,第一车辆的加速度大于预设加速度的情况下,说明第一车辆与第二车辆不满足约束条件,此时为了保障第一车辆的驾驶安全,可以利用约束条件(约束条件包括第一安全距离、第二安全距离与第三安全距离)、目标加速度均值与目标加速度方差来对第一车辆的行驶速度与航向速度进行修正,以使得第一车辆与危险车辆满足约束条件,避免第一车辆与危险车辆碰撞。
基于同一发明构思,请参阅图5所示,本公开提出一种行驶轨迹生成装置,该行驶轨迹生成装置120包括:第一行驶轨迹预测模块121、第二行驶轨迹预测模块122与展现模块123。
第一行驶轨迹预测模块121,被配置为根据第一车辆在第一历史匝道的第一历史驾驶数据以及所述第一车辆在当前匝道的第一实时驾驶数据,预测所述第一车辆在所述当前匝道的第一行驶轨迹;
第二行驶轨迹预测模块122,被配置为在所述第一车辆的预设范围内存在第二车辆的情况下,根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹;
展示模块123,被配置为展示所述第一行驶轨迹与所述第二行驶轨迹。
可选地,第二行驶轨迹预测模块122包括:
车辆数量确定模块,被配置为在所述第一车辆的预设范围内存在所述第二车辆的情况下,确定所述第二车辆的数量;
第一预测模块,被配置为响应于所述第二车辆的数量小于或等于预设数量,利用第一模型根据所述第二历史驾驶数据与所述第二实时驾驶数据,预测所述第二行驶轨迹。
可选地,行驶轨迹生成装置120包括:
第二预测模块,被配置为响应于所述第二车辆的数量大于所述预设数量,利用所述第一模型根据第一目标车辆的第二历史驾驶数据与第二实时驾驶数据,预测所述第一目标车辆的第二行驶轨迹;利用第二模型根据第二目标车辆的第二历史驾驶数据与第二实时驾驶数据,预测所述第二目标车辆的第二行驶轨迹;
所述第一目标车辆为多个所述第二车辆中距离所述第一车辆最近的第二车辆,所述第二目标车辆为多个所述第二车辆中除去所述第一目标车辆的第二车辆。
可选地,所述第一历史驾驶数据包括第一历史车道线特征与第一历史行驶信息,所述第一实时驾驶数据包括当前车道线特征与第一实时行驶信息;第一行驶轨迹预测模块121包括:
第三预测模块,被配置为根据所述第一历史匝道的第一历史车道线特征、所述第一车辆在所述第一历史匝道行驶过的第一历史行驶信息、所述当前匝道的当前车道线特征以及所述第一车辆在所述当前匝道行驶的第一实时行驶信息,预测所述第一车辆在所述当前匝道的第一行驶轨迹。
可选地,所述第二历史驾驶数据包括第二历史车道线特征与第二历史行驶信息,所述第二实时驾驶数据包括当前车道线特征与第二实时行驶信息;第二行驶轨迹预测模块122包括:
第四预测模块,被配置为根据所述第二历史匝道的第二历史车道线特征、所述第二车辆在所述第二历史匝道行驶过的第二历史行驶信息、所述当前匝道的当前车道线特征以及所述第二车辆在所述当前匝道行驶的第二实时行驶信息,预测所述第二车辆在所述当前匝道的第二行驶轨迹。
可选地,行驶轨迹生成装置120包括:
风险确定模块,被配置为确定所述第一车辆与所述第二车辆之间的碰撞风险值;
危险车辆确定模块,被配置为响应于所述第一车辆与所述第二车辆的碰撞风险值大于预设风险值,将大于所述预设风险值的第二车辆确定为危险车辆;
控制模块,被配置为在所述第一车辆与所述危险车辆之间的距离、所述第一车辆与车道线之间的距离、所述第一车辆的加速度满足约束条件的情况下,以目标加速度均值与目标加速度方差对应的所述第一车辆的第一实时驾驶数据,对转向模块与制动模块进行控制。
可选地,风险确定模块包括:
目标基本事件确定模块,被配置为根据所述第一车辆的第一实时驾驶数据与所述第一车辆的自车信息,确定所述第一车辆发生的目标基本事件;
结构重要度确定模块,被配置为根据事故发生树,确定所述目标基本事件的结构重要度;
第一风险确定模块,被配置为根据所述结构重要度,确定所述碰撞风险值。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备700的框图。如图6所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的行驶轨迹生成方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的行驶轨迹生成方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的行驶轨迹生成方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的行驶轨迹生成方法。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的行驶轨迹生成方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的行驶轨迹生成方法的步骤。例如,该非临时性计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的行驶轨迹生成方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的行驶轨迹生成方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种行驶轨迹生成方法,其特征在于,所述方法包括:
根据第一车辆在第一历史匝道的第一历史驾驶数据以及所述第一车辆在当前匝道的第一实时驾驶数据,预测所述第一车辆在所述当前匝道的第一行驶轨迹;
在所述第一车辆的预设范围内存在第二车辆的情况下,根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹;
展示所述第一行驶轨迹与所述第二行驶轨迹。
2.根据权利要求1所述的方法,其特征在于,所述在所述第一车辆的预设范围内存在第二车辆的情况下,根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹,包括:
在所述第一车辆的预设范围内存在所述第二车辆的情况下,确定所述第二车辆的数量;
响应于所述第二车辆的数量小于或等于预设数量,利用第一模型根据所述第二历史驾驶数据与所述第二实时驾驶数据,预测所述第二行驶轨迹。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
响应于所述第二车辆的数量大于所述预设数量,利用所述第一模型根据第一目标车辆的第二历史驾驶数据与第二实时驾驶数据,预测所述第一目标车辆的第二行驶轨迹;利用第二模型根据第二目标车辆的第二历史驾驶数据与第二实时驾驶数据,预测所述第二目标车辆的第二行驶轨迹;
所述第一目标车辆为多个所述第二车辆中距离所述第一车辆最近的第二车辆,所述第二目标车辆为多个所述第二车辆中除去所述第一目标车辆的第二车辆。
4.根据权利要求1所述的方法,其特征在于,所述第一历史驾驶数据包括第一历史车道线特征与第一历史行驶信息,所述第一实时驾驶数据包括当前车道线特征与第一实时行驶信息;所述根据第一车辆在第一历史匝道的第一历史驾驶数据以及所述第一车辆在当前匝道的第一实时驾驶数据,预测所述第一车辆在所述当前匝道的第一行驶轨迹,包括:
根据所述第一历史匝道的第一历史车道线特征、所述第一车辆在所述第一历史匝道行驶过的第一历史行驶信息、所述当前匝道的当前车道线特征以及所述第一车辆在所述当前匝道行驶的第一实时行驶信息,预测所述第一车辆在所述当前匝道的第一行驶轨迹。
5.根据权利要求1所述的方法,其特征在于,所述第二历史驾驶数据包括第二历史车道线特征与第二历史行驶信息,所述第二实时驾驶数据包括当前车道线特征与第二实时行驶信息;所述根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹,包括:
根据所述第二历史匝道的第二历史车道线特征、所述第二车辆在所述第二历史匝道行驶过的第二历史行驶信息、所述当前匝道的当前车道线特征以及所述第二车辆在所述当前匝道行驶的第二实时行驶信息,预测所述第二车辆在所述当前匝道的第二行驶轨迹。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定所述第一车辆与所述第二车辆之间的碰撞风险值;
响应于所述第一车辆与所述第二车辆的碰撞风险值大于预设风险值,将大于所述预设风险值的第二车辆确定为危险车辆;
在所述第一车辆与所述危险车辆之间的距离、所述第一车辆与车道线之间的距离、所述第一车辆的加速度满足约束条件的情况下,以目标加速度均值与目标加速度方差对应的所述第一车辆的第一实时驾驶数据,对转向模块与制动模块进行控制。
7.根据权利要求6所述的方法,其特征在于,所述确定所述第一车辆与所述第二车辆之间的碰撞风险值,包括:
根据所述第一车辆的第一实时驾驶数据与所述第一车辆的自车信息,确定所述第一车辆发生的目标基本事件;
根据事故发生树,确定所述目标基本事件的结构重要度;
根据所述结构重要度,确定所述碰撞风险值。
8.一种行驶轨迹生成装置,其特征在于,所述装置包括:
第一行驶轨迹预测模块,被配置为根据第一车辆在第一历史匝道的第一历史驾驶数据以及所述第一车辆在当前匝道的第一实时驾驶数据,预测所述第一车辆在所述当前匝道的第一行驶轨迹;
第二行驶轨迹预测模块,被配置为在所述第一车辆的预设范围内存在第二车辆的情况下,根据所述第二车辆在第二历史匝道的第二历史驾驶数据以及所述第二车辆在所述当前匝道的第二实时驾驶数据,预测所述第二车辆在当前匝道的第二行驶轨迹;
展示模块,被配置为展示所述第一行驶轨迹与所述第二行驶轨迹。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193905.6A CN117789523A (zh) | 2022-09-28 | 2022-09-28 | 行驶轨迹生成方法、装置、存储介质与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211193905.6A CN117789523A (zh) | 2022-09-28 | 2022-09-28 | 行驶轨迹生成方法、装置、存储介质与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117789523A true CN117789523A (zh) | 2024-03-29 |
Family
ID=90384082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211193905.6A Pending CN117789523A (zh) | 2022-09-28 | 2022-09-28 | 行驶轨迹生成方法、装置、存储介质与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789523A (zh) |
-
2022
- 2022-09-28 CN CN202211193905.6A patent/CN117789523A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3356900B1 (en) | Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle | |
US12017663B2 (en) | Sensor aggregation framework for autonomous driving vehicles | |
US11003189B2 (en) | Trajectory representation in behavior prediction systems | |
US10457294B1 (en) | Neural network based safety monitoring system for autonomous vehicles | |
US10668925B2 (en) | Driver intention-based lane assistant system for autonomous driving vehicles | |
US10782699B2 (en) | Real-time perception adjustment and driving adaption based on surrounding vehicles' behavior for autonomous driving vehicles | |
EP3324332B1 (en) | Method and system to predict vehicle traffic behavior for autonomous vehicles to make driving decisions | |
US11545033B2 (en) | Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction | |
US10507813B2 (en) | Method and system for automated vehicle emergency light control of an autonomous driving vehicle | |
CN108602509B (zh) | 基于运动规划来操作自动驾驶车辆的方法和系统 | |
EP3347785B1 (en) | Method to dynamically adjusting steering rates of autonomous vehicles | |
EP3974270A1 (en) | Device for determining safety state of a vehicle | |
CN108255170B (zh) | 动态地调整自动驾驶车辆的速度控制率的方法 | |
EP3315388B1 (en) | Spring system-based change lane approach for autonomous vehicles | |
US20190318267A1 (en) | System and method for training a machine learning model deployed on a simulation platform | |
EP3091370A1 (en) | Method and arrangement for determining safe vehicle trajectories | |
US11498574B2 (en) | Learning device, learning method, and storage medium | |
US20190278276A1 (en) | Emergency stop speed profile for autonomous vehicles | |
US20210107498A1 (en) | Safe transition from autonomous-to-manual driving mode with assistance of autonomous driving system | |
WO2018220829A1 (ja) | ポリシー生成装置及び車両 | |
US20210316755A1 (en) | Method for real-time monitoring of safety redundancy autonomous driving system (ads) operating within predefined risk tolerable boundary | |
CN114061581A (zh) | 通过相互重要性对自动驾驶车辆附近的智能体排名 | |
US20230256999A1 (en) | Simulation of imminent crash to minimize damage involving an autonomous vehicle | |
CN111145731A (zh) | 车辆语言处理 | |
US20230347882A1 (en) | Baselining autonomous vehicle safety using driving data of human autonomous vehicle operators |
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 |