CN117842097A - 基于自动驾驶的车辆控制方法、装置、设备及存储介质 - Google Patents
基于自动驾驶的车辆控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117842097A CN117842097A CN202311802149.7A CN202311802149A CN117842097A CN 117842097 A CN117842097 A CN 117842097A CN 202311802149 A CN202311802149 A CN 202311802149A CN 117842097 A CN117842097 A CN 117842097A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- map information
- historical
- vehicles
- 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 49
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass 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
- 230000008569 process Effects 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
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种基于自动驾驶的车辆控制方法、装置、设备及存储介质。该方法包括:获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;其中,历史轨迹包括多个轨迹点,分别为当前轨迹点及至少一个历史轨迹点;对所述地图信息及历史轨迹中的位置坐标进行坐标系转换;将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹;根据所述预测轨迹控制本车行驶。对地图信息和历史轨迹中的坐标进行坐标系转换,将转换后的地图信息和历史轨迹输入到轨迹预测模型中,获得其他车辆的预测轨迹,进而控制本车行驶,可以准确实时的预测本车周围车辆的轨迹,实现对本车自动驾驶的准确控制,提高自动驾驶的安全性。
Description
技术领域
本发明实施例涉及自动驾驶技术领域,尤其涉及一种基于自动驾驶的车辆控制方法、装置、设备及存储介质。
背景技术
在自动驾驶中,预测车辆的轨迹,是非常重要和非常有挑战性的工作。自动驾驶系统通过预测周围交通参与者在接下来几秒内的轨迹,来形成自己的驾驶策略,轨迹预测深刻影响到自动驾驶的安全性及舒适性。目前,轨迹预测面临许多难点,其中之一就是时效性,因此实时准确的确定车辆的行驶轨迹是自动驾驶控制的关键环节。
发明内容
本发明实施例提供一种基于自动驾驶的车辆控制方法、装置、设备及存储介质,可以准确实时的预测本车周围车辆的行驶控制,利于对本车自动驾驶的准确控制,提高自动驾驶的安全性。
第一方面,本发明实施例提供了一种基于自动驾驶的车辆控制方法,包括:
获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;其中,所述历史轨迹包括多个轨迹点,分别为当前轨迹点及至少一个历史轨迹点;
对所述地图信息及历史轨迹中的位置坐标进行坐标系转换;
将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出所述其他车辆的预测轨迹;
根据所述预测轨迹控制本车行驶。
第二方面,本发明实施例还提供了一种基于自动驾驶的车辆控制装置,该装置包括:
地图信息及历史轨迹获取模块,用于获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;其中,所述历史轨迹包括多个轨迹点,分别为当前轨迹点及至少一个历史轨迹点;
坐标系转换模块,用于对所述地图信息及历史轨迹中的位置坐标进行坐标系转换;
预测轨迹输出模块,用于将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出所述其他车辆的预测轨迹;
车辆控制模块,用于根据所述预测轨迹控制本车行驶。
第三方面,本发明实施例还提供了一种电子设备,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计算机程序,所述计算机程序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本发明实施例所述的基于自动驾驶的车辆控制方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明实施例所述的基于自动驾驶的车辆控制方法。
本发明实施例公开了一种基于自动驾驶的车辆控制方法、装置、设备及存储介质,包括:获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;其中,历史轨迹包括多个轨迹点,分别为当前轨迹点及至少一个历史轨迹点;对地图信息及历史轨迹中的位置坐标进行坐标系转换;将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹;根据预测轨迹控制本车行驶。本发明实施例提供的基于自动驾驶的车辆控制方法,获取地图信息和其他车辆的历史轨迹,并对地图信息和历史轨迹中的坐标进行坐标系转换,将转换后的结果输入到轨迹预测模型中,获得周围其他车辆的预测轨迹,进而控制本车行驶,该方法能够实时准确的预测周围车辆的行驶轨迹,提高了自动驾驶的安全性。
附图说明
图1是本发明实施例一中的一种基于自动驾驶的车辆控制方法的流程图;
图2是为本发明实施例提供的轨迹预测模型的结构示意图;
图3是本发明实施例二中的一种基于自动驾驶的车辆控制方法的流程图;
图4是本发明实施例三中的一种基于自动驾驶的车辆控制装置的结构示意图;
图5是本发明实施例四中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种基于自动驾驶的车辆控制方法的流程图,本实施例可适用于对自动驾驶的车辆进行控制的情况,该方法可以由基于自动驾驶的车辆控制装置来执行,该装置可以通过软件和/或硬件的形式实现,可选的,通过电子设备来实现,该电子设备可以是移动终端、PC端或服务器等。具体包括如下步骤:
S110、获取处于本车设定范围内的地图信息及其他车辆的历史轨迹。
其中,地图信息包括道路信息、车道线信息及交通指示灯信息,历史轨迹包括多个轨迹点,分别为当前轨迹点及至少一个历史轨迹点,还包括各轨迹点对应的位置坐标、时刻及朝向角。其他车辆可以为多个车辆。
示例性的,假设某一个车辆的历史轨迹中包含10个历史轨迹点,并将各轨迹点对应的位置坐标、时刻及朝向角记作(Pi,Ti,Ai),i=0,1,2,…,10。当i=0时,(P0,T0,A0)表示该车辆在当前轨迹点处的位置坐标、时刻及朝向角,当i=1,2,…,10时,(Pi,Ti,Ai)表示该车辆在第i个历史轨迹点处的位置坐标、时刻及朝向角,其中,T0>T1>…>T10。
本实施例中,在对自动驾驶的车辆进行控制时,需要根据其他车辆的预测轨迹来控制本车行驶,因此,在此之前,需要获取处于本车设定范围内的道路信息、车道线信息及交通指示灯信息以及其他车辆的历史轨迹,其中,道路信息、车道线信息及交通指示灯信息以及其他车辆的历史轨迹都是已知的。
S120、对地图信息及历史轨迹中的位置坐标进行坐标系转换。
本实施例中,对地图信息及历史轨迹中的位置坐标进行坐标系转换的方式可以是:每隔设定时长更新各其他车辆分别对应的坐标原点;基于坐标原点更新各其他车辆分别对应的极坐标系;将地图信息及历史轨迹中的位置坐标转换至对应的极坐标系下。
本实施例中,需要根据其他车辆的预测轨迹来控制本车行驶,而预测轨迹是通过将地图信息及历史轨迹输入到轨迹预测模型中获得的,该预测模型的输入数据是基于特定的坐标系,比如直角坐标系、Frenet坐标系、极坐标系。因此,需要对地图信息及历史轨迹中的位置坐标进行坐标系转换,将其转换到特定的坐标系下,而本实施例中选取的特定的坐标系为极坐标系。并且随着其他车辆的行驶,车辆与坐标原点的距离越来越远,因此,需要每隔一段时间更新其他车辆对应的坐标原点,进而更新其他车辆分别对应的极坐标系。
S130、将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹。
其中,图2是为本发明实施例提供的轨迹预测模型的结构示意图,如图2所示,该轨迹预测模型包括输入层、多层前向感知机、注意力子网络及解码器。
本实施例中,将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹的方式可以是:将坐标系转换后的地图信息及历史轨迹依次输入输入层及多层前向感知机,输出当前轨迹点及地图信息对应的查询特征,至少一个历史轨迹点及地图信息对应的关键特征及值特征;将查询特征、关键特征及值特征输入注意力子网络进行处理,将处理后的特征输入解码器进行解码,获得其他车辆的预测轨迹。
其中,多层前向感知机是一种神经网络模型,它由多个神经元组成,包括输入层、隐藏层和输出层,注意力子网络可以是QKV(Qurey-Key-Value)注意力模型,地图信息和历史轨迹为编码数据。
具体的,将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹的方式可以是:首先,将转换到极坐标系下的地图信息和历史轨迹输入到输入层和多层前向感知机中,获得其他车辆的当前轨迹点和地图信息对应的查询特征、多个历史轨迹点和地图信息所对应的关键特征及值特征;接着,将查询特征、关键特征及值特征分别输入到QKV注意力模型中的Q、K和V部分,获得处理的特征;最后,将处理后的特征输入到解码器中进行解码,获得其他车辆的预测轨迹。
其中,在采用QKV注意力模型预测其他车辆的轨迹时,传统的方法为:将其他车辆的当前轨迹点和历史轨迹点以及地图信息对应的查询特征、历史轨迹点和地图信息所对应的关键特征及值特征输入到QKV注意力模型中的Q、K和V部分,可以看出,Q部分的输入和K、V部分的输入有重复的内容,都包含历史轨迹点。而本实施例的方法只是将当前轨迹点和地图信息对应的查询特征输入到QKV注意力模型中的Q部分,并没有将历史轨迹点对应的查询特征输入到Q部分,因此,与传统的方法相比,该方法降低了时间复杂度,提高了预测效率。
S140、根据预测轨迹控制本车行驶。
本实施例中,根据预测轨迹控制本车行驶的方式可以是:根据各其他车辆的预测轨迹确定控制策略;基于控制策略控制本车行驶。
其中,控制策略可以包括变更车道、减速、转向、加速等。
示例性的,假设在本车的前方有一车辆处于慢慢减速的状态,则根据前方车辆的预测轨迹确定控制策略为减速,基于控制策略控制本车减速行驶避免发生碰撞的情况。
本实施例的技术方案,获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;对地图信息及历史轨迹中的位置坐标进行坐标系转换;将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹;根据预测轨迹控制本车行驶。本发明实施例提供的基于自动驾驶的车辆控制方法,对地图信息及历史轨迹中的位置坐标进行坐标系转换,将转换后的结果输入到轨迹预测模型中,获得其他车辆的预测轨迹,进而控制本车行驶,在保证自动驾驶的安全性的同时,提高了轨迹预测的效率。
实施例二
图3是为本发明实施例二提供的一种基于自动驾驶的车辆控制方法的流程图,在上述实施例的基础上,该方法包括如下步骤:
S210、获取处于本车设定范围内的地图信息及其他车辆的历史轨迹。
本实施例中,获取在本车设定范围内的道路信息、车道线信息、交通指示灯信息以及其他车辆的当前轨迹点和至少一个历史轨迹点。其中,各轨迹点分别包含对应的位置坐标、时刻及朝向角。
S220、每隔设定时长更新各其他车辆分别对应的坐标原点。
本实施例中,每隔设定时长更新各其他车辆分别对应的坐标原点的方式可以是:若当前时刻到达坐标系更新时刻,则将其他车辆当前所处的位置或者设定区域的几何中点作为各其他车辆分别对应的坐标原点。
其中,设定区域可以是人行道区域。
示例性的,假设坐标系更新时刻为t时刻,处于本车设定范围内的其他车辆的数量为5辆,其他车辆原来的坐标原点分别为O1,O2,O3,O4,O5。在其他车辆行驶了一段时间后,如果当前时刻为t时刻,则将这5辆车辆当前所处的位置或者人行道区域的几何中点作为它们分别对应的坐标原点,即将坐标原点O1,O2,O3,O4,O5更新为O1’,O2’,O3’,O4’,O5’。其中,可以选择车辆当前所处的位置和人行道区域的几何中点中的任一种方式作为坐标原点。
S230、基于坐标原点更新各其他车辆分别对应的极坐标系。
本实施例中,极坐标系为由极点、极轴和极径组成的坐标系,其中,极点可以理解为本实施例中的坐标原点,由于在上述的步骤中,已经对坐标原点进行了更新,因此,需要基于更新后的坐标原点对各其他车辆分别对应的极坐标系进行更新。
示例性的,将5辆其他车辆的极坐标系R1,R2,R3,R4,R5更新为R1’,R2’,R3’,R4’,R5’。
S240、将地图信息及历史轨迹中的位置坐标转换至对应的极坐标系下。
本实施例中,将地图信息及其他车辆的当前轨迹点和至少一个历史轨迹点中的位置坐标转换至更新后的极坐标系下。
示例性的,将5辆其他车辆分别记为A、B、C、D、E,以及它们所包含的历史轨迹点的数目分别为5个、7个、6个、4个、8个。则将地图信息及A、B、C、D、E车辆的当前轨迹点和多个历史轨迹点中的位置坐标分别转换至更新后的极坐标系R1’,R2’,R3’,R4’,R5’下。
S250、将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹。
示例性的,将上述转换到极坐标系下的地图信息和5辆其他车辆的历史轨迹输入到输入层和多层前向感知机,输出当前轨迹点和地图信息对应的查询特征、历史轨迹点和地图信息所对应的关键特征及值特征;将查询特征、关键特征及值特征输入到QKV注意力模型中的Q、K和V部分进行处理;将处理后的特征输入到解码器中解码,得到5辆车辆的预测轨迹。
S260、根据预测轨迹控制本车行驶。
本实施例的技术方案,获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;每隔设定时长更新各其他车辆分别对应的坐标原点;基于坐标原点更新各其他车辆分别对应的极坐标系;将地图信息及历史轨迹中的位置坐标转换至对应的极坐标系下;将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹;根据预测轨迹控制本车行驶。本发明实施例提供的基于自动驾驶的车辆控制方法,根据更新后的坐标原点更新其他车辆所对应的极坐标系,将地图信息及历史轨迹中的位置坐标转换到更新后的极坐标系下,将坐标系转换后的结果输入轨迹预测模型,获得预测轨迹,根据其他车辆的预测轨迹控制本车行驶,实现了对本车自动驾驶的准确控制。
实施例三
图4为本发明实施例三提供的一种基于自动驾驶的车辆控制装置的结构示意图,如图4所示,该装置包括:
地图信息及历史轨迹获取模块310,用于获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;其中,历史轨迹包括多个轨迹点,分别为当前轨迹点及至少一个历史轨迹点;
坐标系转换模块320,用于对地图信息及历史轨迹中的位置坐标进行坐标系转换;
预测轨迹输出模块330,用于将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出其他车辆的预测轨迹;其中,轨迹预测模型包括输入层、多层前向感知机、注意力子网络及解码器
车辆控制模块340,用于根据预测轨迹控制本车行驶。
其中,地图信息包括道路信息、车道线信息及交通指示灯信息;历史轨迹还包括各轨迹点对应的时刻及朝向角。
可选的,坐标系转换模块320,还用于:
每隔设定时长更新各其他车辆分别对应的坐标原点;基于坐标原点更新各其他车辆分别对应的极坐标系;将地图信息及历史轨迹中的位置坐标转换至对应的极坐标系下。
其中,每隔设定时长更新各其他车辆分别对应的坐标原点,包括:若当前时刻到达坐标系更新时刻,则将其他车辆当前所处的位置或者设定区域的几何中点作为各其他车辆分别对应的坐标原点。
可选的,预测轨迹输出模块330,还用于:
将坐标系转换后的地图信息及历史轨迹依次输入输入层及多层前向感知机,输出当前轨迹点及地图信息对应的查询特征,至少一个历史轨迹点及地图信息对应的关键特征及值特征;将查询特征、关键特征及值特征输入注意力子网络进行处理,将处理后的特征输入解码器进行解码,获得其他车辆的预测轨迹。
可选的,车辆控制模块340,还用于:
根据各其他车辆的预测轨迹确定控制策略;基于控制策略控制本车行驶。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如基于自动驾驶的车辆控制方法。
在一些实施例中,基于自动驾驶的车辆控制方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的基于自动驾驶的车辆控制方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于自动驾驶的车辆控制方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于自动驾驶的车辆控制方法,其特征在于,包括:
获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;其中,所述历史轨迹包括多个轨迹点,分别为当前轨迹点及至少一个历史轨迹点;
对所述地图信息及历史轨迹中的位置坐标进行坐标系转换;
将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出所述其他车辆的预测轨迹;
根据所述预测轨迹控制本车行驶。
2.根据权利要求1所述的方法,其特征在于,对所述地图信息及历史轨迹中的位置坐标进行坐标系转换,包括:
每隔设定时长更新各其他车辆分别对应的坐标原点;
基于所述坐标原点更新各其他车辆分别对应的极坐标系;
将所述地图信息及历史轨迹中的位置坐标转换至对应的极坐标系下。
3.根据权利要求2所述的方法,其特征在于,每隔设定时长更新各其他车辆分别对应的坐标原点,包括:
若当前时刻到达坐标系更新时刻,则将其他车辆当前所处的位置或者设定区域的几何中点作为各其他车辆分别对应的坐标原点。
4.根据权利要求1所述的方法,其特征在于,所述轨迹预测模型包括输入层、多层前向感知机、注意力子网络及解码器。
5.根据权利要求4所述的方法,其特征在于,将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出所述其他车辆的预测轨迹,包括:
将坐标系转换后的地图信息及历史轨迹依次输入所述输入层及多层前向感知机,输出所述当前轨迹点及所述地图信息对应的查询特征,所述至少一个历史轨迹点及所述地图信息对应的关键特征及值特征;
将所述查询特征、所述关键特征及所述值特征输入所述注意力子网络进行处理,将处理后的特征输入所述解码器进行解码,获得所述其他车辆的预测轨迹。
6.根据权利要求1所述的方法,其特征在于,所述地图信息包括道路信息、车道线信息及交通指示灯信息;所述历史轨迹还包括各轨迹点对应的时刻及朝向角。
7.根据权利要求1所述的方法,其特征在于,根据所述预测轨迹控制本车行驶,包括:
根据各所述其他车辆的预测轨迹确定控制策略;
基于所述控制策略控制本车行驶。
8.一种基于自动驾驶的车辆控制装置,其特征在于,包括:
地图信息及历史轨迹获取模块,用于获取处于本车设定范围内的地图信息及其他车辆的历史轨迹;其中,所述历史轨迹包括多个轨迹点,分别为当前轨迹点及至少一个历史轨迹点;
坐标系转换模块,用于对所述地图信息及历史轨迹中的位置坐标进行坐标系转换;
预测轨迹输出模块,用于将坐标系转换后的地图信息及历史轨迹输入轨迹预测模型,输出所述其他车辆的预测轨迹;
车辆控制模块,用于根据所述预测轨迹控制本车行驶。
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计算机程序,所述计算机程序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中任一项所述的基于自动驾驶的车辆控制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于自动驾驶的车辆控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311802149.7A CN117842097A (zh) | 2023-12-25 | 2023-12-25 | 基于自动驾驶的车辆控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311802149.7A CN117842097A (zh) | 2023-12-25 | 2023-12-25 | 基于自动驾驶的车辆控制方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117842097A true CN117842097A (zh) | 2024-04-09 |
Family
ID=90532269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311802149.7A Pending CN117842097A (zh) | 2023-12-25 | 2023-12-25 | 基于自动驾驶的车辆控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117842097A (zh) |
-
2023
- 2023-12-25 CN CN202311802149.7A patent/CN117842097A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220105961A1 (en) | Method for automatic control of vehicle and method for training lane change intention prediction network | |
CN113135193A (zh) | 输出预警信息的方法、设备、存储介质及程序产品 | |
CN113682318A (zh) | 车辆行驶控制方法及装置 | |
CN115083175B (zh) | 基于车路协同的信号管控方法、相关装置及程序产品 | |
CN113753078B (zh) | 障碍物轨迹的预测方法、装置、电子设备及自动驾驶车辆 | |
CN116499487B (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN117168488A (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN114919661B (zh) | 一种泊车控制方法、装置、设备和存储介质 | |
CN117842097A (zh) | 基于自动驾驶的车辆控制方法、装置、设备及存储介质 | |
CN114655254A (zh) | 自动驾驶车辆控制方法、装置及电子设备 | |
CN116264038A (zh) | 信号灯控制方法及装置、电子设备和存储介质 | |
CN114590248B (zh) | 行驶策略的确定方法、装置、电子设备和自动驾驶车辆 | |
CN118323181A (zh) | 车辆控制方法、装置、控制器及存储介质 | |
CN116401554A (zh) | 数据分类方法、装置、设备及介质 | |
CN118062010A (zh) | 换道决策方法、装置、电子设备及存储介质 | |
CN116700065A (zh) | 无人驾驶设备的控制方法、装置、电子设备及存储介质 | |
CN117508223A (zh) | 自动驾驶变道决策及模型训练方法、装置、设备和车辆 | |
CN117928577A (zh) | 一种路径规划方法、装置、电子设备及存储介质 | |
CN117104275A (zh) | 一种自动驾驶轨迹预测方法、装置、电子设备及存储介质 | |
CN117799614A (zh) | 应用于车辆中的智能变道方法 | |
CN116013109A (zh) | 一种通行提示方法、装置、设备及介质 | |
CN117755341A (zh) | 车辆决策控制模型的训练和车辆决策控制方法、装置及设备 | |
CN116674551A (zh) | 一种换道途中紧急退出的路径规划方法、装置和设备 | |
CN116853295A (zh) | 一种障碍物轨迹预测方法、装置、设备和介质 | |
CN116946159A (zh) | 基于动态局部地图的运动轨迹预测方法、装置、设备和介质 |
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 |