CN117818638A - 行驶路径的决策方法及装置、存储介质、车辆、终端 - Google Patents
行驶路径的决策方法及装置、存储介质、车辆、终端 Download PDFInfo
- Publication number
- CN117818638A CN117818638A CN202211191670.7A CN202211191670A CN117818638A CN 117818638 A CN117818638 A CN 117818638A CN 202211191670 A CN202211191670 A CN 202211191670A CN 117818638 A CN117818638 A CN 117818638A
- Authority
- CN
- China
- Prior art keywords
- sequence
- vehicle
- track
- running
- state
- 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 53
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000005457 optimization Methods 0.000 claims abstract description 68
- 230000007704 transition Effects 0.000 claims abstract description 54
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种行驶路径的决策方法及装置、存储介质、车辆、终端,涉及智能驾驶技术领域,主要目的在于解决现有车辆行驶路径的优化决策效率较差的问题。包括:获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径。
Description
技术领域
本发明涉及一种智能驾驶技术领域,特别是涉及一种行驶路径的决策方法及装置、存储介质、车辆、终端。
背景技术
随着智能化驾驶技术的快速发展,对车辆行驶过程的控制越来越精细化,尤其需要通过非线性优化算法对行驶轨迹进行优化决策,以基于行驶轨迹控制车辆进行自动控制行驶。
目前,现有应用于车辆自动驾驶的优化决策通常需要依赖具有监督学习功能的神经网络来构建动力学模型,以结合优化算法进行求解运算,得到最优行驶轨迹。但是,基于神经网络构建的动力学模型需要大量的历史样本进行训练,无法满足车辆处于大曲率转弯、掉头等场景时的快速决策需求,需要获取大量的场景训练样本进行优化神经网络,耗时较大,从而使得对车辆行驶路径的优化决策效率较差。
发明内容
有鉴于此,本发明提供一种行驶路径的决策方法及装置、存储介质、车辆、终端,主要目的在于解决现有车辆行驶路径的优化决策效率较差的问题。
依据本发明一个方面,提供了一种行驶路径的决策方法,包括:
获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;
获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;
基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径。
进一步地,所述获取车辆在行驶轨迹点处的行驶曲率包括:
获取所述车辆处于预设坐标系中的坐标角度,并基于角度函数关系确定所述轨迹坐标中的轨迹横坐标、轨迹纵坐标分别对应的坐标导数;
通过所述坐标导数计算所述车辆的行驶曲率。
进一步地,所述获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系之前,所述方法还包括:
基于所述轨迹横坐标、所述轨迹纵坐标确定所述行驶轨迹点处的距离索引;
根据所述距离索引构建与所述轨迹横坐标、所述轨迹纵坐标之间的高阶非线性关系,确定所述控制序列与所述状态序列之间的状态转移关系,所述状态转移关系中包含二次求导关系。
进一步地,所述基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列包括:
获取所述车辆处于所述行驶轨迹点处进行所述决策优化处理的初始解,所述初始解中包含初始控制序列、初始状态序列;
基于所述状态转移关系、所述初始解确定控制序列,并对所述控制序列进行状态转移处理,得到状态序列。
进一步地,所述获取车辆在行驶轨迹点处的行驶曲率之前,所述方法还包括:
对所述车辆的参考轨迹点进行样条差值处理,得到密集行驶轨迹点;
对所述密集行驶轨迹点进行差分处理,生成所述参考轨迹点的初始控制序列,并基于预设距离阈值从所述密集行驶轨迹点中抽取目标行驶轨迹点,生成所述行驶轨迹点的初始状态序列;
将所述初始控制序列、所述初始状态序列确定为优化决策处理的初始解,以基于所述车辆的优化决策目标、所述初始解、所述控制序列以及所述状态序列进行优化决策处理。
进一步地,所述对所述车辆的参考轨迹点进行样条差值处理,得到密集行驶轨迹点包括:
基于预置预测算法预测目标轨迹帧下所述车辆的参考轨迹点,所述参考轨迹点包括所述车辆位于参考路径上的参考横坐标序列、参考纵坐标序列、参考距离索引序列;
对所述参考横坐标序列、所述参考纵坐标序列进行样条差值处理,得到多个密集坐标序列,并基于所述密集坐标序列确定密集距离索引序列,所述密集坐标序列包括密集横坐标序列、密集纵坐标序列;
基于所述密集坐标序列、所述密集距离索引序列生成所述密集行驶轨迹点。
依据本发明另一个方面,提供了一种行驶路径的决策装置,包括:
第一获取模块,用于获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;
第二获取模块,用于获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;
决策模块,用于基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径。
进一步地,所述第一获取模块包括:
第一获取单元,用于获取所述车辆处于预设坐标系中的坐标角度,并基于角度函数关系确定所述轨迹坐标中的轨迹横坐标、轨迹纵坐标分别对应的坐标导数;
计算单元,用于通过所述坐标导数计算所述车辆的行驶曲率。
进一步地,所述装置还包括:
第一确定模块,用于基于所述轨迹横坐标、所述轨迹纵坐标确定所述行驶轨迹点处的距离索引;
构建模块,用于根据所述距离索引构建与所述轨迹横坐标、所述轨迹纵坐标之间的高阶非线性关系,确定所述控制序列与所述状态序列之间的状态转移关系,所述状态转移关系中包含二次求导关系。
进一步地,所述第一确定模块,具体用于获取所述车辆处于所述行驶轨迹点处进行所述决策优化处理的初始解,所述初始解中包含初始控制序列、初始状态序列;基于所述状态转移关系、所述初始解确定控制序列,并对所述控制序列进行状态转移处理,得到状态序列。
进一步地,所述装置还包括:
第一处理模块,用于对所述车辆的参考轨迹点进行样条差值处理,得到密集行驶轨迹点;
第二处理模块,用于对所述密集行驶轨迹点进行差分处理,生成所述参考轨迹点的初始控制序列,并基于预设距离阈值从所述密集行驶轨迹点中抽取目标行驶轨迹点,生成所述行驶轨迹点的初始状态序列;
第二确定模块,用于将所述初始控制序列、所述初始状态序列确定为优化决策处理的初始解,以基于所述车辆的优化决策目标、所述初始解、所述控制序列以及所述状态序列进行优化决策处理。
进一步地,所述第一处理模块包括:
预测单元,用于基于预置预测算法预测目标轨迹帧下所述车辆的参考轨迹点,所述参考轨迹点包括所述车辆位于参考路径上的参考横坐标序列、参考纵坐标序列、参考距离索引序列;
处理单元,用于对所述参考横坐标序列、所述参考纵坐标序列进行样条差值处理,得到多个密集坐标序列,并基于所述密集坐标序列确定密集距离索引序列,所述密集坐标序列包括密集横坐标序列、密集纵坐标序列;
生成单元,用于基于所述密集坐标序列、所述密集距离索引序列生成所述密集行驶轨迹点。
依据本发明一个方面,提供了一种车辆,包括上述行驶路径的决策装置。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述行驶路径的决策方法对应的操作。
根据本发明的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述行驶路径的决策方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种行驶路径的决策方法及装置、存储介质、车辆、终端,与现有技术相比,本发明实施例通过获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径,满足车辆在大曲率转弯、掉头等场景下的快速决策需求,避免依赖大量场景数据训练模型,大大降低时间损耗,提高基于优化决策对车辆行驶路径的求解效率,从而提高车辆行驶路径优化决策的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种行驶路径的决策方法流程图;
图2示出了本发明实施例提供的一种优化决策流程示意图;
图3示出了本发明实施例提供的一种坐标角度示意图;
图4示出了本发明实施例提供的另一种行驶路径的决策方法流程图;
图5示出了本发明实施例提供的另一种行驶路径的决策方法流程图;
图6示出了本发明实施例提供的一种行驶路径的决策装置组成框图;
图7示出了本发明实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
针对应用于车辆自动驾驶的优化决策通常需要依赖具有监督学习功能的神经网络来构建动力学模型,以结合优化算法进行求解运算,得到最优行驶轨迹。但是,基于神经网络构建的动力学模型需要大量的历史样本进行训练,无法满足车辆处于大曲率转弯、掉头等场景时的快速决策需求,需要获取大量的场景训练样本进行优化神经网络,耗时较大,从而使得对车辆行驶路径的优化决策效率较差。本发明实施例提供了一种行驶路径的决策方法,如图1所示,该方法包括:
101、获取车辆在行驶轨迹点处的行驶曲率。
本发明实施例中,为了控制车辆按照行驶轨迹进行自动驾驶,在对车辆的行驶轨迹进行优化决策时,当前执行端会控制车辆按照预先决策好的行驶轨迹点进行行驶,此时,可以获取车辆在行驶轨迹点处的行驶曲率。其中,行驶轨迹点即为车辆正在行驶处的位置点,行驶曲率即为处理处于此行驶轨迹点处的曲率,本发明实施例中,行驶曲率为基于所述车辆的轨迹坐标确定的,本发明实施例不做具体限定。
需要说明的是,车辆为自动驾驶场景中带有自动控制系统的车辆,包括乘用车和商用车,乘用车的常见车型包括但不限于轿车、运动型多用途汽车、多人商务车等,商用车的常见车型包括但不限于皮卡、微客、自缷车、载货车、牵引车、挂车和矿用车辆等,此时,车辆可以基于自动控制系统实现自动驾驶。
102、获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列。
为了实现对车辆的自动控制驾驶目的,本发明实施例中可以通过采用非线性二次型调节器等优化控制决策方法来进行优化决策处理,因此,可以通过控制序列、状态序列作为优化控制决策的求解依据。此时,本发明实施例中,状态转移关系可以表征为行驶曲率与行驶轨迹点求取控制量的运算关系,如x'=cosθ、y'=sinθ,此时,一个轨迹点中包含有横坐标x、纵坐标y以及坐标点所对应的距离s,θ为坐标角度。本发明实施例中,预先构建的状态转移关系中,通过对θ二阶求导,得到u,即θ'=κ;κ'=ω;ω'=u,κ为行驶曲率,ω为行驶曲率的一阶导数,u即为控制量。进而得到控制量后,由于所有轨迹点是基于轨迹帧进行采集的,采集到的一条轨迹中包含多个轨迹点,因此,行驶轨迹点以横坐标序列model_x_{x0,x1,x2...xn-1}、纵坐标序列model_y_{y0,y1,y2...yn-1}、以及距离索引序列model_s_{0,delta_s1,delta_s2,...delta_sn-1}中的具体坐标x、y以及距离索引s形式表示,从而转换为用于进行优化求解的控制序列以及状态序列。
103、基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径。
本发明实施例中,如图2所示,由于优化决策处理是一个迭代求最优解的过程,因此,在基于非线性二次型调节器(Iterative Linear-Quadratic Regulator design,ILQR)进行优化决策时,可以基于优化决策目标、初始解、状态序列、控制序列进行优化求解,得到最优的行驶路径。其中,优化决策目标用于表征进行优化决策求解的对象,即为车辆下一轨迹帧所对应的轨迹点或位置点,本发明实施例不做具体限定。本发明实施例中,初始解为用于作为对优化决策算法进行初始化的最初设定解,以便优化求解算法以此初始解为求取最优解的基础,输入初始解至优化求解算法后,进行优化求解,在满足最大迭代次数后,得到车辆最优的行驶轨迹。
在另一个本发明实施例中,为了进一步说明及限定,步骤获取车辆在行驶轨迹点处的行驶曲率包括:
获取所述车辆处于预设坐标系中的坐标角度,并基于角度函数关系确定所述轨迹坐标中的轨迹横坐标、轨迹纵坐标分别对应的坐标导数;
通过所述坐标导数计算所述车辆的行驶曲率。
为了实现车辆的动力学关系的确定,在获取车辆行驶曲率钱,需要实时针对轨迹帧中的轨迹坐标计算行驶曲率,具体的,首先获取车辆处于预设坐标系中的坐标角度。其中,为了准备计算曲率,预设坐标系选取为笛卡尔坐标系,即获取车辆处于笛卡尔坐标下的坐标角度θ。此时,坐标角度θ与位置坐标之间的关系即为角度函数关系,x'=cosθ、y'=sinθ,cosθ等于轨迹横坐标x的一阶导数,sinθ等于轨迹纵坐标y的一阶导数,即坐标导数包括x的一阶导数x'以及y的一阶导数y'。进而的,基于坐标导数计算车辆的行驶曲率,具体的,根据曲率计算公式其中,x”、y”分别为轨迹横纵坐标的二阶导数,从而计算行驶曲率κ。
需要说明的是,本发明实施例中,车辆处于笛卡尔坐标系中时,当前执行端预先选取或创建笛卡尔坐标系中的原点,以将车辆从其他坐标系中转换来的位置对应至笛卡尔坐标系中,确定坐标角度θ,如图3所示,本发明实施例中不做具体限定。
在另一个本发明实施例中,为了进一步说明及限定,步骤获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系之前,所述方法还包括:
基于所述轨迹横坐标、所述轨迹纵坐标确定所述行驶轨迹点处的距离索引;
根据所述距离索引构建与所述轨迹横坐标、所述轨迹纵坐标之间的高阶非线性关系,确定所述控制序列与所述状态序列之间的状态转移关系。
由于在进行优化决策过程中,如图2所示,需要基于优化决策算法中的控制序列、状态序列进行迭代求解,因此,为了准确获取车辆确定控制序列、状态序列的状态转移关系,此时,状态转移关系中包含二次求导关系。首先,基于轨迹横坐标x、轨迹纵坐标y确定行驶轨迹点处的距离索引,此时,距离索引s即表征轨迹点处于轨迹帧中各个轨迹点的相对距离,可以基于横纵坐标确定的,即从而每一个距离索引可以对应一个索引,结合横、纵坐标序列形成一组距离索引索引序列。另外,由于本发明实施例中采用优化决策算法进行轨迹的求解,因此,基于距离索引构建与轨迹横坐标、轨迹纵坐标之间的高阶非线性关系,包括x=f(s)=a3s3+a2s2+a1s+a0;y=g(s)=b3s3+b2s2+b1s+b0。其中,s表征为距离索引,a0、a1、a2、a3,b0、b1、b2、b3分别为状态系数,进一步地,基于车辆的行驶曲率定义κ=h(s),将控制序列与状态序列之间的状态转移关系配置确定为ω=κ'=h'(s);u=ω'=h”(s),其中,u即为控制量。
在另一个本发明实施例中,为了进一步说明及限定,步骤基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列包括:
获取所述车辆处于所述行驶轨迹点处进行所述决策优化处理的初始解;
基于所述状态转移关系、所述初始解确定控制序列,并对所述控制序列进行状态转移处理,得到状态序列。
为了提高采用的优化决策算法进行车辆路径的优化决策准确性,在一个具体的实时场景中,实现本发明实施例中如图2所示的优化决策时,基于状态转移关系对轨迹坐标进行序列转换处理得到控制序列以及状态序列,具体的,首先获取用于优化决策处理的初始解,此时,初始解中包含初始控制序列、初始状态序列。此时,为了实现对车辆的自动控制驾驶目的,本发明实施例中可以通过采用非线性二次型调节器等优化控制决策方法来进行优化决策处理,优选的,在基于非线性二次型调节器ILQR进行优化决策求解时,基于初始解作为非线性二次型调节器ILQR的输入初始解,结合优化决策目标对控制序列、状态序列进行优化求解,在满足最大迭代次数后,得到车辆最优的行驶轨迹。具体的,将初始解作为非线性二次型调节器ILQR的输入参数,基于状态转移关系计算控制序列,并基于状态转移得到状态序列,即完成一次迭代求解过程,若未满足最大迭代此时,则将本迭代轮次的控制序列、状态序列基于所述状态转移关系重新求解,直至满足最大迭代此时后,得到车辆的最优解,进而确定行驶轨迹。
需要说明的是,本发明实施例中,在每一控制量u所对应的控制序列中的距离均相同,进行状态转移,得到的状态序列为:x(k+1)=x(k)+cosθ(k)·ds;y(k+1)=y(k)+sinθ(k)·ds; ω(k+1)=ω(k)+u(k)·ds;其中,k为当前时刻。
在另一个本发明实施例中,为了进一步说明及限定,如图4所示,步骤获取车辆在行驶轨迹点处的行驶曲率之前,所述方法还包括:
201、对所述车辆的参考轨迹点进行样条差值处理,得到密集行驶轨迹点;
202、对所述密集行驶轨迹点进行差分处理,生成所述参考轨迹点的初始控制序列,并基于预设距离阈值从所述密集行驶轨迹点中抽取目标行驶轨迹点,生成所述行驶轨迹点的初始状态序列;
203、将所述初始控制序列、所述初始状态序列确定为优化决策处理的初始解。
为了提高基于初始解对优化决策处理的效率,首先获取参考轨迹点,以基于参考轨迹点进行样条差值处理,得到密集行驶轨迹点,从而生成初始控制序列、初始状态序列,得到初始解。其中,参考轨迹点用于表征作为参考的轨迹路径上的位置点,在一个具体的实施场景中,参考轨迹点包括车辆位于参考行驶路径上的参考横坐标序列、参考纵坐标序列、参考距离索引序列,以作为车辆在笛卡尔坐标系下的位置参考。此时,由于参考轨迹点是车辆按照轨迹帧为单位采集到的,一个轨迹帧可以采集到21个参考轨迹点,因此,为了准确进行优化决策,增加数据的处理准确性,对参考轨迹点进行样条差值处理,包括但不限于三次样条差值处理、二次样条差值处理,优选为三次样条差值处理,从而得到密集轨迹点,即密集轨迹点的点位数量大于参考轨迹点中的点位数量,本发明实施例不做具体限定。
需要说明的是,差分处理可以包括但不限于二级以高阶差分方法,即对密集轨迹点差分得到初始控制序列,此时,初始控制序列即为控制量的初始变量值序列。同时,由于密集轨迹点中包含有差值后的密集距离索引序列,为了从中找到最优的距离索引点,以基于此距离索引点确定目标轨迹点,按照预设距离阈值进行抽取,此时,预设距离阈值可以预先进行设定,即为待选取的两个距离索引点的最优距离阈值,本发明实施例不做具体限定。基于预设距离阈值选取目标轨迹点后,基于此目标轨迹点进行状态转移,得到初始状态序列。进而的,将初始状态序列、初始控制序列确定为初始解,以基于车辆的优化决策目标、初始解、控制序列以及状态序列进行优化决策处理。
在另一个本发明实施例中,为了进一步说明及限定,如图5所示,步骤对所述车辆的参考轨迹点进行样条差值处理,得到密集行驶轨迹点包括:
301、基于预置预测算法预测目标轨迹帧下所述车辆的参考轨迹点;
302、对所述参考横坐标序列、所述参考纵坐标序列进行样条差值处理,得到多个密集坐标序列,并基于所述密集坐标序列确定密集距离索引序列;
303、基于所述密集坐标序列、所述密集距离索引序列生成所述密集行驶轨迹点。
为了构建密集的轨迹点,以从中抽取更为精准且适用于优化决策的目标轨迹点,对参考轨迹点进行样条差值处理,具体的,首先基于预置预测算法预测目标轨迹帧下处理的参考轨迹点。其中,由于对车辆的轨迹进行采集是按照帧为单位,因此,目标轨迹帧即为预先配置的帧单位,如1帧对应一个轨迹点,形成一条参考轨迹点所配置的目标轨迹帧可以为21帧等,本发明实施例不做具体限定。同时,预置预测算法为具有轨迹点位预测功能的深度学习算法,包括但不限于神经网络模型等,从而预测出车辆在目标轨迹帧下车辆预期行驶的参考轨迹点。此时,参考轨迹点包括所述车辆位于参考行驶路径上的参考横坐标序列、参考纵坐标序列、参考距离索引序列,具体的,参考横坐标序列同样可以表示为model_x_{x0,x1,x2...xn-1},参考纵坐标序列表示为model_y_{y0,y1,y2...yn-1},参考距离索引序列表示为model_s_{0,delta_s1,delta_s2,...delta_sn-1},其中,参考距离索引中的距离为基于参考横纵坐标确定的,即从而每一个参考距离对应一个索引,结合参考横、纵坐标序列形成一组参考距离索引序列。进而的,本发明实施例中优选为三次样条差值对参考横坐标序列、参考纵坐标序列进行样条差值处理,得到密集坐标序列,即密集坐标序列包括密集横坐标序列、密集纵坐标序列,从而结合横纵坐标与距离之间的关系确定距离,即基于密集横坐标序列、密集纵坐标序列计算出对应的密集距离索引序列,将密集横坐标序列、密集纵坐标序列、密集距离索引序列作为密集轨迹点。
本发明实施例提供了一种行驶路径的决策方法,与现有技术相比,本发明实施例通过获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径,满足车辆在大曲率转弯、掉头等场景下的快速决策需求,避免依赖大量场景数据训练模型,大大降低时间损耗,提高基于优化决策对车辆行驶路径的求解效率,从而提高车辆行驶路径优化决策的准确性。
进一步的,作为对上述图1所示方法的实现,本发明实施例提供了一种行驶路径的决策装置,如图6所示,该装置包括:
第一获取模块41,用于获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;
第二获取模块42,用于获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;
决策模块43,用于基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径。
进一步地,所述第一获取模块包括:
第一获取单元,用于获取所述车辆处于预设坐标系中的坐标角度,并基于角度函数关系确定所述轨迹坐标中的轨迹横坐标、轨迹纵坐标分别对应的坐标导数;
计算单元,用于通过所述坐标导数计算所述车辆的行驶曲率。
进一步地,所述装置还包括:
第一确定模块,用于基于所述轨迹横坐标、所述轨迹纵坐标确定所述行驶轨迹点处的距离索引;
构建模块,用于根据所述距离索引构建与所述轨迹横坐标、所述轨迹纵坐标之间的高阶非线性关系,确定所述控制序列与所述状态序列之间的状态转移关系,所述状态转移关系中包含二次求导关系。
进一步地,所述第一确定模块,具体用于获取所述车辆处于所述行驶轨迹点处进行所述决策优化处理的初始解,所述初始解中包含初始控制序列、初始状态序列;基于所述状态转移关系、所述初始解确定控制序列,并对所述控制序列进行状态转移处理,得到状态序列。
进一步地,所述装置还包括:
第一处理模块,用于对所述车辆的参考轨迹点进行样条差值处理,得到密集行驶轨迹点;
第二处理模块,用于对所述密集行驶轨迹点进行差分处理,生成所述参考轨迹点的初始控制序列,并基于预设距离阈值从所述密集行驶轨迹点中抽取目标行驶轨迹点,生成所述行驶轨迹点的初始状态序列;
第二确定模块,用于将所述初始控制序列、所述初始状态序列确定为优化决策处理的初始解,以基于所述车辆的优化决策目标、所述初始解、所述控制序列以及所述状态序列进行优化决策处理。
进一步地,所述第一处理模块包括:
预测单元,用于基于预置预测算法预测目标轨迹帧下所述车辆的参考轨迹点,所述参考轨迹点包括所述车辆位于参考路径上的参考横坐标序列、参考纵坐标序列、参考距离索引序列;
处理单元,用于对所述参考横坐标序列、所述参考纵坐标序列进行样条差值处理,得到多个密集坐标序列,并基于所述密集坐标序列确定密集距离索引序列,所述密集坐标序列包括密集横坐标序列、密集纵坐标序列;
生成单元,用于基于所述密集坐标序列、所述密集距离索引序列生成所述密集行驶轨迹点。
本发明实施例提供了一种行驶路径的决策装置,与现有技术相比,本发明实施例通过获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径,满足车辆在大曲率转弯、掉头等场景下的快速决策需求,避免依赖大量场景数据训练模型,大大降低时间损耗,提高基于优化决策对车辆行驶路径的求解效率,从而提高车辆行驶路径优化决策的准确性。
依据本发明一个方面,提供了一种车辆,包括上述行驶路径的决策装置。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的行驶路径的决策方法。
图7示出了根据本发明一个实施例提供的一种终端的结构示意图,本发明具体实施例并不对终端的具体实现做限定。
如图7所示,该终端可以包括:处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。
其中:处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器502,用于执行程序510,具体可以执行上述行驶路径的决策方法实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。终端包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行以下操作:
获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;
获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;
基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.一种行驶路径的决策方法,其特征在于,包括:
获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;
获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;
基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆在行驶轨迹点处的行驶曲率包括:
获取所述车辆处于预设坐标系中的坐标角度,并基于角度函数关系确定所述轨迹坐标中的轨迹横坐标、轨迹纵坐标分别对应的坐标导数;
通过所述坐标导数计算所述车辆的行驶曲率。
3.根据权利要求2所述的方法,其特征在于,所述获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系之前,所述方法还包括:
基于所述轨迹横坐标、所述轨迹纵坐标确定所述行驶轨迹点处的距离索引;
根据所述距离索引构建与所述轨迹横坐标、所述轨迹纵坐标之间的高阶非线性关系,确定所述控制序列与所述状态序列之间的状态转移关系,所述状态转移关系中包含二次求导关系。
4.根据权利要求3所述的方法,其特征在于,所述基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列包括:
获取所述车辆处于所述行驶轨迹点处进行所述决策优化处理的初始解,所述初始解中包含初始控制序列、初始状态序列;
基于所述状态转移关系、所述初始解确定控制序列,并对所述控制序列进行状态转移处理,得到状态序列。
5.根据权利要求1或4所述的方法,其特征在于,所述获取车辆在行驶轨迹点处的行驶曲率之前,所述方法还包括:
对所述车辆的参考轨迹点进行样条差值处理,得到密集行驶轨迹点;
对所述密集行驶轨迹点进行差分处理,生成所述参考轨迹点的初始控制序列,并基于预设距离阈值从所述密集行驶轨迹点中抽取目标行驶轨迹点,生成所述行驶轨迹点的初始状态序列;
将所述初始控制序列、所述初始状态序列确定为优化决策处理的初始解,以基于所述车辆的优化决策目标、所述初始解、所述控制序列以及所述状态序列进行优化决策处理。
6.根据权利要求5所述的方法,其特征在于,所述对所述车辆的参考轨迹点进行样条差值处理,得到密集行驶轨迹点包括:
基于预置预测算法预测目标轨迹帧下所述车辆的参考轨迹点,所述参考轨迹点包括所述车辆位于参考路径上的参考横坐标序列、参考纵坐标序列、参考距离索引序列;
对所述参考横坐标序列、所述参考纵坐标序列进行样条差值处理,得到多个密集坐标序列,并基于所述密集坐标序列确定密集距离索引序列,所述密集坐标序列包括密集横坐标序列、密集纵坐标序列;
基于所述密集坐标序列、所述密集距离索引序列生成所述密集行驶轨迹点。
7.一种行驶路径的决策装置,其特征在于,包括:
第一获取模块,用于获取车辆在行驶轨迹点处的行驶曲率,所述行驶曲率为基于所述车辆的轨迹坐标确定的;
第二获取模块,用于获取基于所述行驶曲率进行高阶非线性转换确定的所述行驶轨迹点的控制序列与状态序列之间的状态转移关系,并基于所述状态转移关系对所述轨迹坐标进行序列转换处理,得到控制序列以及状态序列;
决策模块,用于基于所述车辆的优化决策目标、初始解、所述控制序列以及所述状态序列进行优化决策处理,得到所述车辆的行驶路径。
8.一种车辆,其特征在于,包括权利要求7所述的行驶路径的决策装置。
9.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-6中任一项所述的行驶路径的决策方法对应的操作。
10.一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的行驶路径的决策方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191670.7A CN117818638A (zh) | 2022-09-28 | 2022-09-28 | 行驶路径的决策方法及装置、存储介质、车辆、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191670.7A CN117818638A (zh) | 2022-09-28 | 2022-09-28 | 行驶路径的决策方法及装置、存储介质、车辆、终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117818638A true CN117818638A (zh) | 2024-04-05 |
Family
ID=90513954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211191670.7A Pending CN117818638A (zh) | 2022-09-28 | 2022-09-28 | 行驶路径的决策方法及装置、存储介质、车辆、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117818638A (zh) |
-
2022
- 2022-09-28 CN CN202211191670.7A patent/CN117818638A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784333B (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
CN109885891A (zh) | 一种智能车gpu并行加速轨迹规划方法 | |
CN110009029B (zh) | 基于点云分割的特征匹配方法 | |
CN112560656A (zh) | 一种联合注意力机制端到端训练的行人多目标跟踪方法 | |
CN110738690A (zh) | 一种基于多目标追踪框架的无人机视频中车速校正方法 | |
US20210056388A1 (en) | Knowledge Transfer Between Different Deep Learning Architectures | |
CN109931943B (zh) | 无人船舶全局路径规划方法及电子设备 | |
CN112580694B (zh) | 基于联合注意力机制的小样本图像目标识别方法及系统 | |
Weber et al. | Automated focal loss for image based object detection | |
CN109323709B (zh) | 视觉里程计方法、装置和计算机可读存储介质 | |
CN111126327B (zh) | 车道线检测方法、系统、车载系统及车辆 | |
Baur et al. | Real-time 3D LiDAR flow for autonomous vehicles | |
Li et al. | Poly-mot: A polyhedral framework for 3d multi-object tracking | |
Huang et al. | MC-VEO: A visual-event odometry with accurate 6-DoF motion compensation | |
CN117392268A (zh) | 一种基于自适应结合cpd和icp算法的激光扫描建图方法及系统 | |
Wang et al. | Object detection algorithm based on improved Yolov3-tiny network in traffic scenes | |
CN117818638A (zh) | 行驶路径的决策方法及装置、存储介质、车辆、终端 | |
WO2019037863A1 (en) | SYSTEM AND METHOD FOR TAG INCREASE IN VIDEO DATA | |
CN116703979A (zh) | 目标跟踪方法、装置、终端及存储介质 | |
CN116823929A (zh) | 基于视觉图像与点云地图的跨模态匹配定位方法及系统 | |
CN116734834A (zh) | 应用于动态场景的定位建图方法、装置和智能设备 | |
CN116594002A (zh) | 一种错时发波的多雷达数据融合方法、装置、设备及介质 | |
CN117818639A (zh) | 行驶轨迹决策的处理方法及装置、存储介质、车辆、终端 | |
CN109711363B (zh) | 车辆定位方法、装置、设备和存储介质 | |
Cheng et al. | MF-MOS: A motion-focused model for moving object segmentation |
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 |