CN117928577A - 一种路径规划方法、装置、电子设备及存储介质 - Google Patents
一种路径规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117928577A CN117928577A CN202311738508.7A CN202311738508A CN117928577A CN 117928577 A CN117928577 A CN 117928577A CN 202311738508 A CN202311738508 A CN 202311738508A CN 117928577 A CN117928577 A CN 117928577A
- Authority
- CN
- China
- Prior art keywords
- dynamic
- static
- target vehicle
- association information
- information
- 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 57
- 239000011159 matrix material Substances 0.000 claims abstract description 178
- 230000003068 static effect Effects 0.000 claims abstract description 144
- 230000004927 fusion Effects 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000007499 fusion processing Methods 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network 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
- 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
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000452 restraining effect 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种路径规划方法、装置、电子设备及存储介质,其中,该方法包括:获取与目标车辆相关联的静态关联信息和动态关联信息;基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵;基于融合矩阵,确定与至少一个可移动对象相对应的待参考运动轨迹;基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径。解决了对车辆进行路径规划结果无法泛化,或者由于深度学习时学习数据不稳定导致路径规划结果不理想的问题,通过将目标车辆关联的静态信息和动态信息相结合,实现了根据实际情况为车辆进行规划,并依靠少量历史数据为目标车辆规划安全的行驶路径的效果。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及一种路径规划方法、装置、电子设备及存储介质。
背景技术
在自动驾驶领域,对车辆路径规划十分重要。
目前,主要是基于规则的动力学方程或深度学习方法来实现车辆的路径规划。但是基于规则的动力学方程进行路径规划虽然构建简单,但是泛化性不足,难以应对实际应用中的突发情况,而基于深度学习方法进行路径规划时严重依赖学习数据的准确性,但是由于车辆在行驶过程存在一定的波动性,导致获得的学习数据不够稳定,进而导致基于深度学习方法得到的路径规划结果不够理想。
为了解决上述问题,需要对自动驾驶车辆的路径规划方法进行改进。
发明内容
本发明提供了一种路径规划方法、装置、电子设备及存储介质,以解决对车辆进行路径规划结果无法泛化,或者由于深度学习时学习数据不稳定导致路径规划结果不理想的问题。
第一方面,本发明实施例提供了一种路径规划方法,包括:
获取与目标车辆相关联的静态关联信息和动态关联信息;
基于所述静态关联信息对应的静态特征矩阵以及与所述动态关联信息对应的动态特征矩阵,得到融合矩阵;
基于所述融合矩阵,确定与至少一个所述可移动对象相对应的待参考运动轨迹;
基于至少一个所述待参考运动轨迹,确定与所述目标车辆相对应的待行驶路径。
第二方面,本发明实施例还提供了一种路径规划装置,包括:
信息获取模块,用于获取与目标车辆相关联的静态关联信息和动态关联信息;
矩阵确定模块,用于基于所述静态关联信息对应的静态特征矩阵以及与所述动态关联信息对应的动态特征矩阵,得到融合矩阵;
轨迹确定模块,用于基于所述融合矩阵,确定与至少一个所述可移动对象相对应的待参考运动轨迹;
路径确定模块,用于基于至少一个所述待参考运动轨迹,确定与所述目标车辆相对应的待行驶路径。
第三方面,本发明实施例还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任一实施例所述的路径规划方法。
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任一实施例所述的路径规划方法。
本发明实施例的技术方案,通过获取与目标车辆相关联的静态关联信息和动态关联信息;基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵;基于融合矩阵,确定与至少一个可移动对象相对应的待参考运动轨迹;基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径。解决了对车辆进行路径规划结果无法泛化,或者由于深度学习时学习数据不稳定导致路径规划结果不理想的问题,通过将目标车辆关联的静态信息和动态信息相结合,实现了根据实际情况为车辆进行规划,并依靠少量历史数据为目标车辆规划安全的行驶路径的效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种路径规划方法的流程图;
图2是根据本发明实施例二提供的一种路径规划方法的流程图;
图3是根据本发明实施例二提供的一种路径规划方法的流程图;
图4是根据本发明实施例三提供的一种路径规划装置的结构示意图;
图5是实现本发明实施例的路径规划方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
实施例一
图1为本发明实施例一提供了一种路径规划方法的流程图,本实施例可适用于在目标车辆行驶过程中,获取车辆关联的静态关联信息以及与至少一个可移动对象对应的历史时长内的动态关联信息,并将静态关联信息和动态关联信息进行特征融合,得到融合矩阵,以基于融合矩阵得到与至少一个可移动对象对应的预测轨迹,并根据各可移动对象的预测轨迹对目标车辆的行驶路径进行路径规划的情况,该方法可以由路径规划装置来执行,该路径规划装置可以采用硬件和/或软件的形式实现,该路径规划装置可配置于可执行路径规划方法的计算设备中。
如图1所示,该方法包括:
S110、获取与目标车辆相关联的静态关联信息和动态关联信息。
其中,目标车辆可以理解为具有自动驾驶功能的车辆。静态关联信息可以理解为目标车辆行驶过程中的车道线关联信息。动态关联信息可以理解为目标车辆关联的可移动对象的关联信息,如可移动对象可以是目标车辆所在车道线的车辆,也可以是行人或者其他可以移动的物体。
在实际应用中,对目标车辆进行轨迹规划是自动驾驶的重要组成部分,而在目标车辆行驶过程中包括静态对象和可移动对象,其中,静态对象可以为车道线等,可移动对象可以为移动车辆或交通参与者等。为了更加合理地对目标车辆进行轨迹规划,可以在目标车辆行驶过程中获取目标车辆关联的静态关联信息和动态关联信息。
可选的,获取与目标车辆相关联的静态关联信息和动态关联信息,包括:基于目标车辆中的地图感知模块,获取与目标车辆的当前行驶路径相关联的至少一个静态关联信息;基于目标车辆中的动态感知模块,确定与各可移动对象相对应的动态关联信息。
其中,静态关联信息包括与目标车辆关联的车道线信息,车道线信息包括车道线位置信息和道路属性信息。动态感知模块包括图像获取模块和/或激光雷达模块,动态关联信息包括与目标车辆关联的至少一个可移动对象的位置变化信息。
在实际应用中,目标车辆行驶可以从地图感知模块获取当前行驶路径,可以理解的是,地图感知模块不仅可以获取当前行驶路径,还可以获取当前行驶路径中的静态对象的静态关联信息。如,基于地图感知模块可以获取目标车辆对应的当前行驶路径中关联的车道线数量、车道线位置信息以及车道线属性信息等。其中,车道线属性信息可以理解为机动车辆行驶属性或非机动车辆行驶属性。同时,在目标车辆行驶过程中还可以基于动态感知模块获取与至少一个可移动对象相关联的动态关联信息。
示例性地,基于目标车辆中的地图感知模块可以确定当前行驶路径所对应的车道线位置坐标,在当前行驶路径中包括4个车道线,且车道线属性信息为机动车辆行驶属性。同时,基于动态感知模块,如,图像获取模块,可以在目标车辆行驶过程中实时对目标车辆周围进行图像拍摄,以确定目标车辆邻域内是否存在可移动对象,若是,则获取与至少一个可移动对象在一段时长内的位置变化信息。如,图像获取模块的采集频率为10帧/秒,采集与可移动对象相对应2秒内的图像,即,20帧图像,通过可移动对象在各帧图像中的位置信息即可得到与可移动对象关联的位置变化信息。
可选的,基于目标车辆中的动态感知模块,确定与各可移动对象相对应的动态关联信息,包括:基于动态感知模块,确定目标车辆行驶方向上的至少一个可移动对象;针对各可移动对象,获取与当前可移动对象相关联的至少一个历史运动信息;基于至少一个历史运动信息,确定与当前可移动对象相对应的动态关联信息。
其中,历史运动信息中包括目标车辆在至少一个历史时刻下的坐标位置信息。
具体的,若在目标车辆邻域内存在可移动对象,且可移动对象的数量可以为一个或多个,在基于动态感知模块获取与可移动对象对应的动态关联信息时,需要针对各可移动对象分别进行分析。
示例性地,基于动态感知模块确定与目标车辆相关联的可移动对象为3个,则分别基于各可移动对象的至少一个历史运动信息,得到与各可移动对象对应的动态关联信息,即位置变化信息。以其中一个可移动对象为当前可移动对象为例,获取当前可移动对象在距离当前时刻最近的2秒内的图像,若动态感知模块的采集频率为10帧/秒,则与当前可移动对象相对应的历史运动信息的数量为10个,相应的,在2秒内可以采集得到20个历史运动信息。可以理解的是,可移动对象的位置信息为变化的,相应的,通过对20个历史运动信息所对应的位置坐标信息进行分析处理,即可确定与当前可移动对象对应的位置变化信息,即,动态关联信息。
这样设置的好处在于,在目标车辆行驶过程中采集相关联的静态关联信息和动态关联信息,并基于静态关联信息和动态信息进行融合可以更加准确的模拟目标车辆行驶过程中的真实场景,并将静态关联信息和动态关联信息进行融合处理,更加合理的对目标车辆的运动轨迹进行规划。
S120、基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵。
其中,静态特征矩阵可以理解为对静态关联信息进行矩阵化处理的矩阵,在静态特征矩阵中包括与静态对象相对应的特征信息,如,若静态对象为车道线,则在静态特征矩阵中包括车道线位置信息以及车道线属性信息等特征信息。需要说明的是,在本技术方案中,根据各静态对象的静态关联信息可以得到与各静态对象对应的静态特征矩阵。如,与目标车辆关联的车道线为4个,则静态特征矩阵的数量为4个。
相类似的,动态特征矩阵为基于各可移动对象关联的动态关联信息进行矩阵化处理后的矩阵。在动态特征矩阵中包括与可移动对象相对应的特征信息,如,可移动对象为车辆,则在动态特征矩阵中包括该车辆所对应的位置变化信息。需要说明的是,在本技术方案中,根据各可移动对象的动态关联信息可以得到与各可移动对象对应的动态特征矩阵。如,可移动对象的数量为5个,则动态特征矩阵的数量为5个。
在实际应用中,为了更加合理地对目标车辆进行轨迹规划,本技术方案中对目标车辆相对应的静态关联信息和动态关联信息进行融合,可以更好地把握目标车辆对应的工况。如,基于静态关联信息可以确定目标车辆关联的车道线数量、车道线位置信息以及车道线属性信息等,基于动态关联信息可以确定目标车辆对应的可移动对象的数量,以及各可移动对象的位置变化信息。基于此,本技术方案在得到静态特征矩阵和动态特征矩阵后,对静态特征矩阵和动态特征矩阵进行矩阵融合,得到融合矩阵,以基于融合矩阵表征静态关联信息和动态关联信息的交互信息。如,基于融合矩阵可以确定可移动对象在目标车辆关联的车道线中的具体位置信息。
可选的,基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵,包括:基于预先设置的向量编码模型对静态关联信息进行向量化处理,得到静态特征矩阵;并基于向量编码模型对动态关联信息进行向量化处理,得到动态特征矩阵;对静态特征矩阵和动态特征矩阵进行矩阵拼接,得到融合矩阵。
其中,向量编码模型可以为深度学习模型,如,transformer模型。
在一个具体的例子中,基于目标车辆中的地图感知模块确定取与目标车辆对应的10条车道线,并获取各车道线的车道线关联信息(即,静态关联信息)。同时,基于目标车辆中的动态感知模块实时获取目标车辆相对应的5个可移动对象,以及与各可移动对象相对应的位置变化信息(即,动态关联信息),如,可移动对象包括可移动车辆和/或行人。其中,本技术方案基于动态感知模块进行数据采集的采集频率可以设置为10Hz/s,采集时长为2秒。
在实际应用中,基于向量编码模型分别对10条车道线的车道线关联信息进行向量化处理,得到与各车道线相对应的静态特征向量,并基于各静态特征向量得到静态特征矩阵。同时,基于向量编码模型分别对5个可移动对象的位置变化信息进行向量化处理,得到与各可移动对象相对应的动态特征向量,并基于各动态特征向量构建动态特征矩阵。在本技术方案中个,将静态特征向量和动态特征向量的长度均设置为128,则所述静态特征矩阵为10*128的矩阵,所述动态特征矩阵为5*128的矩阵。
进一步的,为了确定与目标车辆相关联的静态关联信息和动态关联信息之间的交互关系,如,可移动对象处于车道线的位置信息,以及可移动对象在车道线上的位置变化信息等。本技术方案中将静态特征矩阵和动态特征矩阵进行拼接处理,可以得到15*128的融合矩阵。
示例性地,基于向量编码模型中的multi-self-attention模块对静态特征矩阵和动态特征矩阵进行特征融合。具体的,将每个静态特征向量和动态特征向量处理为长度为128的向量,并基于10个静态对象对应的静态特征向量得到10*128的静态特征矩阵,基于5个可移动对象对应的静态特征向量得到5*128的动态特征矩阵,进一步的,对静态特征矩阵和动态特征矩阵进行融合处理,得到15*128的融合矩阵H。
S130、基于融合矩阵,确定与至少一个可移动对象相对应的待参考运动轨迹。
其中,待参考运动轨迹可以理解为根据可移动对象的历史运动信息预测得到的未来一段时长内的运动轨迹。如,根据可移动对象邻近当前时刻的历史2秒内的运动信息,确定可移动对象在未来3秒内的运动轨迹(即,待参考运动轨迹)。
具体的,在得到融合矩阵后可以确定与目标车辆关联的静态对象和可移动对向之间的关联关系,如,可移动车辆在各车道线上的行驶位置变化信息,可移动对象的变道信息等。基于此,通过确定可移动对象在历史时长内在各车道线的行驶位置变化信息,可以得到各可移动对象的历史行驶轨迹,进而根据历史行驶轨迹可以预测各可移动对象在未来一段时长内的待参考运动轨迹。
S140、基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径。
本发明实施例的技术方案,通过获取与目标车辆相关联的静态关联信息和动态关联信息,在实际应用中,获取目标车辆所在路段的静态对象的关联信息,如,与车道线相对应的车道线关联信息,同时,确定与目标车辆关联的至少一个可移动对象,并获取各可移动对象的动态关联信息,如,在2秒内的位置变化信息。进一步的,基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵,基于预先构建的向量编码模型构建与静态关联信息对应静态特征矩阵和与动态关联信息对应的动态特征矩阵,并对静态特征矩阵和动态特征矩阵进行拼接,得到融合矩阵。在此基础上,基于融合矩阵,确定与至少一个可移动对象相对应的待参考运动轨迹,具体的,通过对融合矩阵中的静态关联信息和动态关联信息进行交互融合,可以准确的确定可移动对象在目标车辆所在路段的移动信息,进而,根据可移动对象在该路段的历史运动信息更加准确的预测可移动对象的待参考运动轨迹。也就是说,通过对融合矩阵处理可以更加真实的模拟目标车辆关联的静态对象和可移动对象之间的关联关系,以实现更加准确的预测各可移动对象的运动轨迹的效果。进一步的,基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径,在得到各待参考运动轨迹后,可以根据目标车辆的安全距离确定目标车辆与各待参考运动轨迹之间的距离,为目标车辆规划安全的待行驶路径。解决了对车辆进行路径规划方式单一,或者由于深度学习时学习数据不稳定导致路径规划结果不理想的问题,通过将目标车辆关联的静态信息和动态信息相结合,实现了根据实际情况为车辆进行规划,并依靠少量历史数据为目标车辆规划安全的行驶路径的效果。
实施例二
图2为本发明实施例二提供的一种路径规划方法的流程图,可选的,对基于融合矩阵,确定与至少一个可移动对象相对应的待参考运动轨迹进行细化。
如图2所示,该方法包括:
S210、获取与目标车辆相关联的静态关联信息和动态关联信息。
S220、基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵。
S230、对融合矩阵中静态特征信息和动态特征信息进行特征交互融合,得到待使用特征矩阵。
其中,静态特征信息为静态特征矩阵中包含的静态关联信息,动态特征信息为动态特征矩阵中包含的动态关联信息。
在本技术方案中,融合矩阵为基于静态特征矩阵和动态特征矩阵拼接得到,而在静态特征矩阵中包括与至少一个静态对向对应的静态特征向量,在动态特征矩阵中包括与至少一个可移动对象对应的动态特征向量。
基于上述示例,如图3所示,静态特征矩阵为10*128,动态特征矩阵为5*128,即,得到的融合矩阵为15*128。在进行特征交互融合时,以第一个静态特征向量为例,需要将剩余9个静态特征向量和5个动态特征向量分别与第一个静态特征向量进行融合处理,并将融合处理后得到的14个新的特征向量进行叠加处理,得到与第一个静态特征向量相对应的待使用向量。其中,在各动态特征向量中包括与各可移动对象相对应的位置变化信息,如,可以是包括可移动对象在邻近当前时刻的历史2秒内的位置变化信息。依此操作,对所有的静态特征向量或动态特征向量进行交汇融合处理,得到与各特征向量对应的待使用向量。其中,待使用向量的长度仍为128。基于此,基于各待使用向量可以得到待使用矩阵。
具体来说,从上述示例中,融合矩阵H为15*128的矩阵,从融合矩阵H中截取与可移动对象对应的动态特征矩阵H_v,H_v大小为5x 128;从融合矩阵H中截取车道线对应的静态特征矩阵H_l,H_l大小为道路数量10x 128。进一步的,基于multi-self-attention模块对动态特征矩阵H_v进行特征融合,同时,基于multi-self-attention模块对静态特征矩阵H_l进行特征融合。
更进一步的,基于向量编码模型中的mult-cross_attention模块对H_v和H_l进行交互,得到H_vl特征矩阵,H_vl大小为5*128,即,可移动对象数量*128;将H_l和H_vl通过mult-cross_attention进行交互,得到H_lvl特征矩阵,H_lvl大小为10*128,即,静态对象数量*128;将H_v和H_lvl通过mult-cross_attention进行交互,得到H_vlvl特征矩阵(即,待使用矩阵),H_vlvl大小为5x128,即,可移动对象数量*128。
其中,本示例中的可移动对象包括可移动车辆和/或行人。
S240、基于待使用特征矩阵和预先训练好的轨迹预测模型对各可移动对象进行轨迹预测,得到与各可移动对象对应的待参考运动轨迹。
其中,轨迹预测模型可以是预先训练好的用于对车辆的运动轨迹进行预测的卷积神经网络模型。
具体的,将待使用矩阵输入轨迹预测模型,基于轨迹预测模型中的多层感知器(MLP)和预先设置的隐藏层(Linear)得到与各可移动对象对应的在未来一段时长内的待参考运动轨迹。如,基于轨迹预测模型得到与各可移动对象在未来3秒内的至少一个轨迹预测点,并基于各轨迹预测点得到与各所述可移动对象对应的待参考运动轨迹。其中,估计预测点的数量可以为预先设置的数量,如,可以根据数据采集频率设定,若采集目标的路径参考点时的采集频率为10帧/秒,则与轨迹预测点对应的数量为10帧/秒。
可选的,基于待使用特征矩阵和预先训练好的轨迹预测模型对各可移动对象进行轨迹预测,得到与各可移动对象对应的待参考运动轨迹,包括:将待使用特征矩阵输入轨迹预测模型中,并基于轨迹预测模型中的损失函数确定待使用特征矩阵的损失值;当损失值为最小时,基于轨迹预测模型确定与各可移动对象对应的待参考运动轨迹。
S250、基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径。
在实际应用中,基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径,包括:确定目标车辆的当前行驶路径,并确定当前行驶路径与各待参考运动轨迹之间的安全距离;基于各待参考运动轨迹对应的安全距离对当前行驶路径进行约束,得到与目标车辆相对应的待行驶路径。
具体的,在确定至少一个可移动对象的待参考运动轨迹后,可以更加了解各可移动对象的运动趋势。基于此,在对目标车辆进行路径规划时,根据预先设置的与目标车辆相对应的安全距离,设置目标车辆在未来时长内的至少一个待行驶点,并根据各待行驶点得到目标车辆对应的待行驶路径。其中,所述待行驶点的位置相距各待参考运动轨迹的横向距离大于所述目标车辆的安全距离。
本发明实施例的技术方案,通过获取与目标车辆相关联的静态关联信息和动态关联信息,在实际应用中,获取目标车辆所在路段的静态对象的关联信息,如,与车道线相对应的车道线关联信息,同时,确定与目标车辆关联的至少一个可移动对象,并获取各可移动对象的动态关联信息,如,在2秒内的位置变化信息。进一步的,基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵,基于预先构建的向量编码模型构建与静态关联信息对应静态特征矩阵和与动态关联信息对应的动态特征矩阵,并对静态特征矩阵和动态特征矩阵进行拼接,得到融合矩阵。在此基础上,基于融合矩阵,确定与至少一个可移动对象相对应的待参考运动轨迹,具体的,通过对融合矩阵中的静态关联信息和动态关联信息进行交互融合,可以准确的确定可移动对象在目标车辆所在路段的移动信息,进而,根据可移动对象在该路段的历史运动信息更加准确的预测可移动对象的待参考运动轨迹。也就是说,通过对融合矩阵处理可以更加真实的模拟目标车辆关联的静态对象和可移动对象之间的关联关系,以实现更加准确的预测各可移动对象的运动轨迹的效果。进一步的,基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径,在得到各待参考运动轨迹后,可以根据目标车辆的安全距离确定目标车辆与各待参考运动轨迹之间的距离,为目标车辆规划安全的待行驶路径。解决了对车辆进行路径规划方式单一,或者由于深度学习时学习数据不稳定导致路径规划结果不理想的问题,通过将目标车辆关联的静态信息和动态信息相结合,实现了根据实际情况为车辆进行规划,并依靠少量历史数据为目标车辆规划安全的行驶路径的效果。
实施例三
图4为本发明实施例三提供的一种路径规划装置的结构示意图。如图4所示,该装置包括:信息获取模块310、矩阵确定模块320、轨迹确定模块330和路径确定模块340。
其中,信息获取模块310,用于获取与目标车辆相关联的静态关联信息和动态关联信息;
矩阵确定模块320,用于基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵;
轨迹确定模块330,用于基于融合矩阵,确定与至少一个可移动对象相对应的待参考运动轨迹;
路径确定模块340,用于基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径。
获取与目标车辆相关联的静态关联信息和动态关联信息;基于静态关联信息对应的静态特征矩阵以及与动态关联信息对应的动态特征矩阵,得到融合矩阵;基于融合矩阵,确定与至少一个可移动对象相对应的待参考运动轨迹;基于至少一个待参考运动轨迹,确定与目标车辆相对应的待行驶路径。解决了对车辆进行路径规划结果无法泛化,或者由于深度学习时学习数据不稳定导致路径规划结果不理想的问题,通过将目标车辆关联的静态信息和动态信息相结合,实现了根据实际情况为车辆进行规划,并依靠少量历史数据为目标车辆规划安全的行驶路径的效果。
可选的,信息获取模块包括:静态新获取单元,用于基于目标车辆中的地图感知模块,获取与目标车辆的当前行驶路径相关联的至少一个静态关联信息;其中,静态关联信息包括与目标车辆关联的车道线信息,车道线信息包括车道线位置信息和道路属性信息;
动态信息获取单元,用于基于目标车辆中的动态感知模块,确定与各可移动对象相对应的动态关联信息;其中,动态感知模块包括图像获取模块和/或激光雷达模块,动态关联信息包括与目标车辆关联的至少一个可移动对象的位置变化信息。
可选的,动态信息获取单元包括:可移动对象确定子单元,用于基于动态感知模块,确定目标车辆行驶方向上的至少一个可移动对象;
运动信息获取子单元,用于针对各可移动对象,获取与当前可移动对象相关联的至少一个历史运动信息;其中,至少一个历史运动信息中包括目标车辆在至少一个历史时刻下的坐标位置信息;
动态信息获取子单元,用于基于至少一个历史运动信息,确定与当前可移动对象相对应的动态关联信息。
可选的,矩阵确定模块包括:静态矩阵确定单元,用于基于预先设置的向量编码模型对静态关联信息进行向量化处理,得到静态特征矩阵;并
动态矩阵确定单元,用于基于向量编码模型对动态关联信息进行向量化处理,得到动态特征矩阵;
融合矩阵确定单元,用于对静态特征矩阵和动态特征矩阵进行矩阵拼接,得到融合矩阵。
可选的,轨迹确定模块包括:待使用特征矩阵确定单元,用于对融合矩阵中静态特征信息和动态特征信息进行特征交互融合,得到待使用特征矩阵;其中,静态特征信息为静态特征矩阵中包含的静态关联信息,动态特征信息为动态特征矩阵中包含的动态关联信息;
参考运动轨迹确定单元,用于基于待使用特征矩阵和预先训练好的轨迹预测模型对各可移动对象进行轨迹预测,得到与各可移动对象对应的待参考运动轨迹。
可选的,参考运动轨迹确定单元包括:损失值确定子单元,用于将待使用特征矩阵输入轨迹预测模型中,并基于轨迹预测模型中的损失函数确定待使用特征矩阵的损失值;
参考运动轨迹确定子单元,用于当损失值为最小时,基于轨迹预测模型确定与各可移动对象对应的待参考运动轨迹。
可选的,路径确定模块包括:距离确定单元,用于确定目标车辆的当前行驶路径,并确定当前行驶路径与各待参考运动轨迹之间的安全距离;
路径确定单元,用于基于各待参考运动轨迹对应的安全距离对当前行驶路径进行约束,得到与目标车辆相对应的待行驶路径。
本发明实施例所提供的路径规划装置可执行本发明任意实施例所提供的路径规划方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了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,例如路径规划方法。
在一些实施例中,路径规划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路径规划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)而被配置为执行路径规划方法。
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。
用于实施本发明的路径规划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)
1.一种路径规划方法,其特征在于,包括:
获取与目标车辆相关联的静态关联信息和动态关联信息;
基于所述静态关联信息对应的静态特征矩阵以及与所述动态关联信息对应的动态特征矩阵,得到融合矩阵;
基于所述融合矩阵,确定与至少一个所述可移动对象相对应的待参考运动轨迹;
基于至少一个所述待参考运动轨迹,确定与所述目标车辆相对应的待行驶路径。
2.根据权利要求1所述的方法,其特征在于,所述获取与目标车辆相关联的静态关联信息和动态关联信息,包括:
基于所述目标车辆中的地图感知模块,获取与所述目标车辆的当前行驶路径相关联的至少一个静态关联信息;其中,所述静态关联信息包括与所述目标车辆关联的车道线信息,所述车道线信息包括车道线位置信息和道路属性信息;
基于所述目标车辆中的动态感知模块,确定与各可移动对象相对应的动态关联信息;其中,所述动态感知模块包括图像获取模块和/或激光雷达模块,所述动态关联信息包括与所述目标车辆关联的至少一个可移动对象的位置变化信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标车辆中的动态感知模块,确定与各可移动对象相对应的动态关联信息,包括:
基于所述动态感知模块,确定所述目标车辆行驶方向上的至少一个可移动对象;
针对各可移动对象,获取与当前可移动对象相关联的至少一个历史运动信息;其中,至少一个所述历史运动信息中包括所述目标车辆在至少一个历史时刻下的坐标位置信息;
基于至少一个历史运动信息,确定与所述当前可移动对象相对应的动态关联信息。
4.根据权利要求1所述的方法,其特征在于,所述基于所述静态关联信息对应的静态特征矩阵以及与所述动态关联信息对应的动态特征矩阵,得到融合矩阵,包括:
基于预先设置的向量编码模型对所述静态关联信息进行向量化处理,得到静态特征矩阵;并
基于所述向量编码模型对所述动态关联信息进行向量化处理,得到动态特征矩阵;
对所述静态特征矩阵和所述动态特征矩阵进行矩阵拼接,得到融合矩阵。
5.根据权利要求1所述的方法,其特征在于,所述基于所述融合矩阵,确定与至少一个所述可移动对象相对应的待参考运动轨迹,包括:
对所述融合矩阵中静态特征信息和动态特征信息进行特征交互融合,得到待使用特征矩阵;其中,所述静态特征信息为所述静态特征矩阵中包含的静态关联信息,所述动态特征信息为所述动态特征矩阵中包含的动态关联信息;
基于所述待使用特征矩阵和预先训练好的轨迹预测模型对各所述可移动对象进行轨迹预测,得到与各所述可移动对象对应的待参考运动轨迹。
6.根据权利要求5所述的方法,其特征在于,所述基于所述待使用特征矩阵和预先训练好的轨迹预测模型对各所述可移动对象进行轨迹预测,得到与各所述可移动对象对应的待参考运动轨迹,包括:
将所述待使用特征矩阵输入所述轨迹预测模型中,并基于所述轨迹预测模型中的损失函数确定所述待使用特征矩阵的损失值;
当所述损失值为最小时,基于所述轨迹预测模型确定与各所述可移动对象对应的待参考运动轨迹。
7.根据权利要求1所述的方法,其特征在于,所述基于至少一个所述待参考运动轨迹,确定与所述目标车辆相对应的待行驶路径,包括:
确定所述目标车辆的当前行驶路径,并确定所述当前行驶路径与各待参考运动轨迹之间的安全距离;
基于各所述待参考运动轨迹对应的安全距离对所述当前行驶路径进行约束,得到与所述目标车辆相对应的待行驶路径。
8.一种路径规划装置,其特征在于,包括:
信息获取模块,用于获取与目标车辆相关联的静态关联信息和动态关联信息;
矩阵确定模块,用于基于所述静态关联信息对应的静态特征矩阵以及与所述动态关联信息对应的动态特征矩阵,得到融合矩阵;
轨迹确定模块,用于基于所述融合矩阵,确定与至少一个所述可移动对象相对应的待参考运动轨迹;
路径确定模块,用于基于至少一个所述待参考运动轨迹,确定与所述目标车辆相对应的待行驶路径。
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中任一项所述的路径规划方法。
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中任一项所述的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311738508.7A CN117928577A (zh) | 2023-12-15 | 2023-12-15 | 一种路径规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311738508.7A CN117928577A (zh) | 2023-12-15 | 2023-12-15 | 一种路径规划方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117928577A true CN117928577A (zh) | 2024-04-26 |
Family
ID=90761976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311738508.7A Pending CN117928577A (zh) | 2023-12-15 | 2023-12-15 | 一种路径规划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117928577A (zh) |
-
2023
- 2023-12-15 CN CN202311738508.7A patent/CN117928577A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221677B (zh) | 一种轨迹异常检测方法、装置、路侧设备和云控平台 | |
CN112419722B (zh) | 交通异常事件检测方法、交通管控方法、设备和介质 | |
CN114661574A (zh) | 样本偏差数据的获取方法、装置和电子设备 | |
CN114758502B (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
CN113011323A (zh) | 通行状态的获取方法、相关装置、路侧设备及云控平台 | |
CN114771572A (zh) | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 | |
CN113859264A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN114987546A (zh) | 轨迹预测模型的训练方法、装置、设备及存储介质 | |
CN116358584A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN116295496A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
CN115909749A (zh) | 车辆运行道路风险预警方法、装置、设备及存储介质 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN114386599A (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
CN116499487A (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN113052047A (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN117928577A (zh) | 一种路径规划方法、装置、电子设备及存储介质 | |
CN115959154A (zh) | 变道轨迹的生成方法、装置和存储介质 | |
CN113033475B (zh) | 目标对象追踪方法、相关装置及计算机程序产品 | |
CN114919661A (zh) | 一种泊车控制方法、装置、设备和存储介质 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 | |
CN114596552B (zh) | 信息处理方法、训练方法、装置、设备、车辆及介质 | |
CN113177077B (zh) | 用于自动驾驶的异常事件确定方法、装置及电子设备 | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN115230721B (zh) | 感知数据处理方法、装置和自动驾驶车辆 | |
CN116382298A (zh) | 任务处理系统、方法、电子设备及存储介质 |
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 |