CN117962932B - 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备 - Google Patents
障碍物的行驶轨迹生成方法、装置和存储介质及电子设备 Download PDFInfo
- Publication number
- CN117962932B CN117962932B CN202410393248.2A CN202410393248A CN117962932B CN 117962932 B CN117962932 B CN 117962932B CN 202410393248 A CN202410393248 A CN 202410393248A CN 117962932 B CN117962932 B CN 117962932B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- track
- target
- intention
- preset threshold
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000033001 locomotion Effects 0.000 claims abstract description 153
- 238000007499 fusion processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 68
- 238000012937 correction Methods 0.000 claims description 63
- 230000002159 abnormal effect Effects 0.000 claims description 59
- 238000012795 verification Methods 0.000 claims description 55
- 238000013459 approach Methods 0.000 claims description 43
- 238000001914 filtration Methods 0.000 claims description 41
- 230000003068 static effect Effects 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 26
- 230000004888 barrier function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 10
- 230000000149 penetrating effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 22
- 238000011144 upstream manufacturing Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 206010048669 Terminal state Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种障碍物的行驶轨迹生成方法、装置和存储介质及电子设备,该方法包括:对障碍物对应的多个行驶意图进行筛选,得到障碍物对应的目标行驶意图和目标行驶意图的第一预测概率;按照纵向四次多项式方式生成障碍物的纵向运动轨迹,以及按照基于位置关系确定的目标方式,生成障碍物的横向运动轨迹;将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹;对第一预测概率进行调整,得到调整后的第二预测概率;将目标预测轨迹确定为障碍物在未来一段时间,以第二预测概率发生的相对自车的行驶轨迹。本申请解决了相关技术中障碍物的行驶轨迹生成效率较低的技术问题。
Description
技术领域
本申请涉及自动驾驶领域,具体而言,涉及一种障碍物的行驶轨迹生成方法、装置和存储介质及电子设备。
背景技术
预测模块是实现自动驾驶的重要环节,其在整个自动驾驶系统中扮演着承上启下的重要角色。预测模块接收来自上游感知模块发出的障碍物信息、定位模块发出的定位信息、高精地图模块发出的道路信息、以及上一时刻规划模块发出的自车规划轨迹等信息,综合多模块的输入信息,对自动驾驶车辆周边的障碍物的运动意图进行判断并预测生成周边障碍物未来一定时间段内的轨迹信息,进而下游决策规划模块基于预测的周边障碍物的轨迹信息规划出后续的自车可行驶轨迹,而后再通过控制模块控制自车完成自动驾驶任务。
相关技术中,对于上述周边障碍物在未来一定时间段内的轨迹信息的预测生成,常常直接采用固定的多项式函数进行生成,并未考虑到不同意图下车辆的运动特点不同的特性,不能确保在各个意图下轨迹信息的预测生成的合理性和准确性,进而导致障碍物的行驶轨迹生成的准确性较低。
即,现有技术中存在障碍物的行驶轨迹生成效率较低的问题。
发明内容
本申请实施例提供了一种障碍物的行驶轨迹生成方法、装置和存储介质及电子设备,以至少解决相关技术中存在对象的障碍物的行驶轨迹生成效率较低的技术问题。
根据本申请实施例的一个方面,提供了一种障碍物的行驶轨迹生成方法,包括:基于障碍物的当前行驶信息和历史行驶信息,对障碍物对应的多个行驶意图进行筛选,得到障碍物对应的目标行驶意图和目标行驶意图的第一预测概率,其中,目标行驶意图用于指示障碍物与自车的位置关系;按照纵向四次多项式方式生成障碍物的纵向运动轨迹,以及按照基于位置关系确定的目标方式,生成障碍物的横向运动轨迹,其中,在位置关系为变道关系的情况下,目标方式为横向动态指数趋近方式,在位置关系为非变道关系的情况下,目标方式为横向五次多项式方式;将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹;基于目标预测轨迹的终点所在车道序列上的其他静止障碍物、目标预测轨迹和自车的自车行驶轨迹,对第一预测概率进行调整,得到调整后的第二预测概率;将目标预测轨迹确定为障碍物在未来一段时间,以第二预测概率发生的相对自车的行驶轨迹。
根据本申请实施例的另一方面,还提供了一种障碍物的行驶轨迹生成装置,包括:筛选单元,用于基于障碍物的当前行驶信息和历史行驶信息,对障碍物对应的多个行驶意图进行筛选,得到障碍物对应的目标行驶意图和目标行驶意图的第一预测概率,其中,目标行驶意图用于指示障碍物与自车的位置关系;生成单元,用于按照纵向四次多项式方式生成障碍物的纵向运动轨迹,以及按照基于位置关系确定的目标方式,生成障碍物的横向运动轨迹,其中,在位置关系为变道关系的情况下,目标方式为横向动态指数趋近方式,在位置关系为非变道关系的情况下,目标方式为横向五次多项式方式;融合单元,用于将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹;调整单元,用于基于目标预测轨迹的终点所在车道序列上的其他静止障碍物、目标预测轨迹和自车的自车行驶轨迹,对第一预测概率进行调整,得到调整后的第二预测概率;确定单元,用于将目标预测轨迹确定为障碍物在未来一段时间,以第二预测概率发生的相对自车的行驶轨迹。
根据本申请实施例的又一个方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行如以上障碍物的行驶轨迹生成方法。
根据本申请实施例的又一方面,还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的障碍物的行驶轨迹生成方法。
在本申请实施例中,先基于障碍物关联的行驶信息对障碍物对应的多个行驶意图进行筛选,得到目标行驶意图及其对应的第一预测概率,再根据目标行驶意图所指示的障碍物与自车的位置关系确定出障碍物的横向运动轨迹的生成方式(横向动态指数趋近方式或横向五次多项式方式),进而结合障碍物的纵向运动轨迹的生成方式(纵向四次多项式方式)进行运动轨迹生成和融合得到障碍物的目标预测轨迹。如此,充分考虑到行驶意图下障碍物与自车的位置关系的特性,并基于上述特征确定出与之匹配的横向运动轨迹的生成方式,得到障碍物的横向运动轨迹和纵向运动轨迹,并进行轨迹融合得到障碍物的目标预测轨迹,进而通过提高障碍物的横向运动轨迹的预测生成的合理性和准确性的方式,达到了提高障碍物的目标预测轨迹的预测生成的合理性和准确性的目的,从而实现了提高障碍物的行驶轨迹生成的准确性的技术效果;
另,在得到上述目标预测轨迹之后,还进一步基于目标预测轨迹关联的轨迹信息(即终点所在车道序列上的其他静止障碍物)和自车关联的轨迹信息(即自车行驶轨迹),对用于生成上述目标预测轨迹的目标形行驶意图的第一预测概率进行调整,得到调整后的第二预测概率,以作为上述目标预测轨迹的发生概率,进而可以提高上游感知模块输出的第一预测概率的准确性,为下游决策规划模块提供有效信息支撑,达到基于上述第二预测概率和上述目标预测轨迹规划出更加准确的自车可行驶轨迹的目的,并且在提供更加合理、准确的目标预测轨迹的基础上,再提供更加准确的、目标预测轨迹关联的第二预测概率,从而也实现了提高障碍物的行驶轨迹生成的准确性的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请实施例的一种障碍物的行驶轨迹生成方法的硬件环境示意图;
图2是根据本申请实施例的一种可选的障碍物的行驶轨迹生成方法的流程的示意图;
图3是根据本申请实施例的一种可选的障碍物的行驶轨迹生成过程的示意图;
图4是根据本申请实施例的一种可选的障碍物的行驶意图的过滤示意图;
图5是根据本申请实施例的一种可选的障碍物的行驶轨迹的预测概率的调整示意图;
图6是根据本申请实施例的一种可选的障碍物的行驶轨迹的预测概率的调整示意图;
图7是根据本申请实施例的一种可选的障碍物的行驶轨迹生成方法的流程示意图;
图8是根据本申请实施例的一种可选的障碍物的纵向终点状态的获取示意图;
图9是根据本申请实施例的一种可选的障碍物的纵向终点状态的获取示意图;
图10是根据本发明实施例的一种可选的障碍物的行驶轨迹的异常修剪示意图;
图11是根据本申请实施例的一种可选的障碍物的行驶轨迹生成方法的装置示意图;
图12是根据本申请实施例的一种可选的基于障碍物的行驶轨迹生成方法的电子设备示意图。
附图不一定是按比例的,并且可呈现如本文公开的本申请的各种优选特征的略微简化的表示,包括例如具体尺寸、定向、位置和形状。与此类特征相关联的细节将部分由特定预期应用和使用环境确定。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
附图呈简化形式,并且不是精确按比例的。为了方便和清楚目的,可相对于附图使用方向属于,例如,纵向、横向、顶部、底部、左、右、上、之上、上方、之下、后方和前方。这些以及类似方向属于不应被视为限制本申请的范围。此外,如本文示出和描述的,可在缺少本文未具体公开的元件的情况下实践本公开。
需要说明的是,本申请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,以便这里描述的本申请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。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如本文使用的,术语“系统”指的是机械和电气硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置,其单独地或组合地提供所描述的功能性。这可包括但不限于专用集成电路(ASIC)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用或组)、包含软件或固件指令的存储器、组合逻辑电路和/或其它部件。
可选地,作为一种可选的实施方式,障碍物的行驶轨迹生成方法可以但不限于应用在对交通工具的自动驾驶任务场景。在该场景下,基于来自交通工具的上游感知模块发出的障碍物信息,对障碍物的运动意图进行判断并预测生成上障碍物未来一定时间段内的轨迹信息,进而交通工具的下游决策规划模块基于预测的障碍物的轨迹信息规划出后续的自车可行驶轨迹,而后再通过控制模块控制交通工具完成自动驾驶任务。具体地,图1示出了交通工具101的侧视图,交通工具101被设置在行进表面113上,并且能够横穿行进表面113。交通工具101包括交通工具机载导航系统103、数字化道路地图104的存储器102、空间监测系统117、交通工具控制器109、 GPS(全球定位系统)传感器110、 HMI (人/机界面)装置111,还包括自主控制器112和远程信息处理控制器114。
在一个实施例中,空间监测系统117包括:一个或多个空间传感器和系统,被布置成监测交通工具101前方的可视区域105,以及空间监测控制器118;可视区域105的空间传感器例如包括激光雷达传感器106、雷达传感器107、摄像头108等等。空间传感器可以监测全部或部分可视区域105,以检测接近远程对象。空间监测控制器118基于来自空间传感器的数据输入而生成可视区域105的数字表示。空间监测控制器118可评估来自空间传感器的输入,以鉴于每个接近远程对象而确定交通工具101的线性范围、相对速度和轨迹。空间传感器可位于交通工具101上的各种位置处。空间传感器的放置允许空间监测控制器118监测交通流量。交通工具空间监测系统117的空间传感器可包括对象定位感测装置,对象定位感测装置包括范围传感器,其依赖于例如多普勒效应测量的效应,以定位前方对象。
摄像头108有利地被安装和定位在交通工具101上处于允许捕获可视区域105的图像的位置中,其中,可视区域105的至少部分包括在交通工具101的前方区域以及交通工具101的轨迹的行进表面113的部分。可视区域105还可包括周围环境。还可采用其它摄像头,例如,包括被设置在交通工具101的后部分或侧部分上的第二摄像头,以监测交通工具101的后方或交通工具101的左右侧区域。
自主控制器112被配置成实施自主驾驶或高级驾驶员辅助系统(ADAS)交通工具功能性。此类功能性可包括能够提供一定驾驶自动化水平的交通工具机载控制系统。驾驶自动化可包括一系列动态驾驶和交通工具操作。驾驶自动化可包括涉及单个交通工具功能(例如,转向、加速和/或制动)的某种水平的自动控制或干预。
操作者控制件可被包括在交通工具101的驾驶舱中,并且通过非限制性示例的方式可包括方向盘、加速器踏板、制动踏板和操作者输入装置,操作者输入装置是HMI装置111的元件。操作者控制件使得交通工具操作者能够与运行的交通工具101交互,并且指导交通工具101的操作,以提供乘客运输。
HMI装置111提供人机交互,用于指导信息娱乐系统、GPS (全球定位系统)传感器110、机载导航系统103和类似的操作的目的,并且包括控制器。HMI装置111监测操作者请求,并且向操作者提供交通工具系统的状态、服务和维护信息。HMI装置111与多个操作者界面装置通信,和/或控制多个操作者界面装置的操作。HMI装置111还可与一个或多个装置通信,一个或多个装置监测与交通工具操作者相关联的生物特征数据。为了描述的简单性,HMI装置111被描绘为单一装置,但是在本文描述的系统的实施例中,可被配置为多个控制器和相关联的感测装置。
机载导航系统103采用数字化道路地图104,用于向交通工具操作者提供导航支持和信息的目的。自主控制器112采用数字化道路地图104,用于控制自主交通工具操作或ADAS交通工具功能的目的。
交通工具101可包括远程信息处理控制器114,远程信息处理控制器114包括能够进行交通工具外通信(包括与具有无线和有线通信能力的通信网络115通信)的无线远程信息处理通信系统。无线远程信息处理通信系统能够与手持装置短程无线通信。在一个实施例中,手持装置包括软件应用,软件应用包括无线协议,以与远程信息处理控制器114通信,并且手持装置执行交通工具外通信,包括经由通信网络115与非机载服务器116通信。
术语“控制器”和相关术语(例如,微控制器、控制单元、处理器和类似的术语)指的是以下中的一个或各种组合:(多个)专用集成电路(ASIC)、现场可编程门阵列(FPGA)、(多个)电子电路、(多个)中央处理单元,例如,(多个)微处理器和呈存储器和存储装置(只读、可编程只读、随机存取、硬盘驱动等等)的形式的(多个)相关联的非暂时性存储器部件(由存储器102指示)。非暂时性存储器部件能够呈以下形式存储机器可读指令:一个或多个软件或固件程序或例程、(多个)组合逻辑电路、(多个)输入/输出电路和装置、信号调节和缓冲电路系统以及可由一个或多个处理器存取的其它部件,以提供所描述的功能性。(多个)输入/输出电路和装置包括监测来自传感器的输入的模拟/数字转换器和相关装置,其中,以预设采样频率或响应于触发事件而监测此类输入。软件、固件、程序、指令、控制例程、代码、算法和类似的术语意味着控制器可执行指令集,包括校准和查找表。每个控制器执行(多个)控制例程,以提供期望功能。例程可按定期间隔执行,例如,在正在进行的操作期间每100微秒执行一次。可选地,例程可响应于触发事件的发生而执行。控制器、致动器和/或传感器之间的通信可使用直接有线点对点链路、网络化通信总线链路、无线链路或另一合适的通信链路而实现。通信包括呈合适的形式的交换数据信号,例如,包括经由传导介质的电气信号、经由空气的电磁信号、经由光学波导的光学信号和类似。数据信号可包括离散的、模拟的或数字化的模拟信号,其表示来自传感器的输入、致动器命令以及控制器之间的通信。术语“信号”指的是传递信息的物理可识别指示符,并且可为合适的波形(例如,电气、光学、磁性、机械或电磁),例如,DC、AC、正弦波、三角波、方波、振动和类似,其能够通过介质行进。参数被限定为可测量的量,其表示可使用一个或多个传感器和/或物理模型而识别的装置或其它元件的物理性质。参数可具有离散值,例如,“1”或“0”,或在值上可无限可变。
如本文使用的,术语‘动态’和‘动态地’描述了实时执行的步骤或过程,并且其特征在于监测或以其它方式确定参数的状态,并且在例程的执行期间或在例程的执行的迭代之间定期或周期性地更新参数的状态。
可选地,作为一种可选的实施方式,如图2所示,障碍物的行驶轨迹生成方法包括:
S202,基于障碍物的当前行驶信息和历史行驶信息,对障碍物对应的多个行驶意图进行筛选,得到障碍物对应的目标行驶意图和目标行驶意图的第一预测概率,其中,目标行驶意图用于指示障碍物与自车的位置关系;
S204,按照纵向四次多项式方式生成障碍物的纵向运动轨迹,以及按照基于位置关系确定的目标方式,生成障碍物的横向运动轨迹,其中,在位置关系为变道关系的情况下,目标方式为横向动态指数趋近方式,在位置关系为非变道关系的情况下,目标方式为横向五次多项式方式;
S206,将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹;
S208,基于目标预测轨迹的终点所在车道序列上的其他静止障碍物、目标预测轨迹和自车的自车行驶轨迹,对第一预测概率进行调整,得到调整后的第二预测概率;
S210,将目标预测轨迹确定为障碍物在未来一段时间,以第二预测概率发生的相对自车的行驶轨迹。
可选地,在本实施例中,上述障碍物的行驶轨迹生成方法可以但不限于应用在车辆的自动驾驶场景。在该场景下,获取车辆上游感知模块发出的障碍物信息,再基于定位模块发出的定位信息、高精地图模块发出的道路信息、以及上一时刻规划模块发出的自车规划轨迹等信息,综合多模块的输入信息,对自动驾驶车辆周边的障碍物的运动意图进行判断并预测生成周边障碍物未来一定时间段内的轨迹信息,进而下游决策规划模块基于预测的周边障碍物的轨迹信息规划出后续的自车可行驶轨迹,而后再通过控制模块控制自车完成自动驾驶任务。
可选地,在本实施例中,障碍物可以但不限于为相对于自车的其他行驶车辆,其中,其他行驶车辆与自车行驶在同一个道路区域。可以理解的是,其他行驶车辆的未来行驶轨迹会对自车的行驶计划造成影响。
可选地,在本实施例中,障碍物的当前行驶信息可以但不限于包括障碍物的车道序列信息、障碍物的当前速度信息,障碍物的历史行驶信息可以但不限于包括障碍物在历史N帧的横向速度均值信息、障碍物在历史N帧的航向角均值信息、障碍物在历史N帧的距离左侧/右侧车道边界的距离均值信息,其中,N为正整数。
可选地,在本实施例中,基于障碍物的当前行驶信息和历史行驶信息,对障碍物对应的多个行驶意图进行筛选,可以但不限于包括:先获取障碍物的多个行驶意图以及多个行驶意图中的各个行驶意图分别对应的预测概率,从多个行驶意图中确定出预测概率最高的第一行驶意图(对应第一预测概率),基于障碍物所在车道序列的周围环境信息、障碍物的当前运动状态、障碍物在前N帧的历史运动状态,对第一行驶意图进行合理性验证,其中,在第一行驶意图通过合理性验证的情况下,将第一行驶意图确定为障碍物对应的目标行驶意图,第一预测概率用于指示第一行驶意图的发生概率,障碍物的当前行驶信息包括障碍物的当前运动状态,障碍物的历史行驶信息包括障碍物的历史运动状态。
需要说明的是,在第一行驶意图未通过上述合理性验证的情况下,可以但不限于从上述多个行驶意图中确定出预测概率第二高的第二行驶意图,在对第二行驶意图进行上述合理性验证,直至从上述多个行驶意图中确定出能够通过上述合理性验证且预测概率最高的行驶意图,以作为障碍物对应的目标行驶意图。
可选地,在本实施例中,目标行驶意图用于指示障碍物与自车的位置关系,其中,位置关系可以但不限于包括变道关系和非变道关系,变道关系用于表示障碍物在目标行驶意图下发生车道切换行为(cut-in),即将从一条车道切换到另一条车道,非变道关系用于表示障碍物在目标行驶意图下并不打算发生上述车道切换行为(非cut-in)。
需要说明的是,按照纵向四次多项式方式生成障碍物的纵向运动轨迹,以及按照基于上述位置关系确定的目标方式,生成障碍物的横向运动轨迹,其中,在上述位置关系为变道关系的情况下,上述目标方式为横向动态指数趋近方式,在上述位置关系为非变道关系的情况下,上述目标方式为横向五次多项式方式。
可选地,在本实施例中,按照纵向四次多项式方式生成障碍物的纵向运动轨迹,即障碍物在纵向方向上的运动轨迹用一个四次多项式方程来描述,以模拟障碍物在垂直方向上的运动,例如上下移动,并且可以通过调整四次多项式的系数来控制障碍物的运动轨迹,从而得到不同纵向运动轨迹。
可选地,在本实施例中,按照横向动态指数趋近方式生成障碍物的横向运动轨迹,即障碍物的横向运动轨迹是根据纵横向动态指数趋近方式生成的。也就是说,障碍物的横向运动轨迹是根据一种动态指数趋近的方式生成的,这种方式可能是根据预设规律或者算法来确定障碍物的横向移动轨迹。这种方法根据一定的预设规则或者条件来生成障碍物的横向运动轨迹。
可选地,在本实施例中,按照横向五次多项式方式生成障碍物的横向运动轨迹,即生成障碍物的横向运动轨迹指的是用一个五次多项式方程来描述障碍物在水平方向上的运动轨迹。这种方式可以通过数学方程来精确描述障碍物的运动,可以用来预测障碍物的位置和速度。
需要说明的是,根据障碍物与自车的位置关系,针对变道和非变道两种工况分配不同的轨迹生成算法,充分考虑到行驶意图下障碍物与自车的位置关系的特性,并基于上述特征确定出与之匹配的横向运动轨迹的生成方式,得到障碍物的横向运动轨迹和纵向运动轨迹,并进行轨迹融合得到障碍物的目标预测轨迹,从而达到了尽可能的保证轨迹的及时性、舒适性及合理性的目的。
需要说明的是,在得到上述目标预测轨迹之后,还进一步基于目标预测轨迹关联的轨迹信息(即终点所在车道序列上的其他静止障碍物)和自车关联的轨迹信息(即自车行驶轨迹),对用于生成上述目标预测轨迹的目标行驶意图的第一预测概率进行调整,得到调整后的第二预测概率,以作为上述目标预测轨迹的发生概率。
可选地,在本实施例中,基于目标预测轨迹的终点所在车道序列上的其他静止障碍物、目标预测轨迹和自车的自车行驶轨迹,对第一预测概率进行调整,得到调整后的第二预测概率,可以但不限于包括依据障碍物所在车道序列前方的静止障碍物与目标预测轨迹最近点的欧式距离与相对距离来调节目标预测轨迹对应的第一预测概率;依据目标预测轨迹与自车行驶轨迹来调节目标预测轨迹对应的第一预测概率。
可以理解的是,通过结合障碍物的工况信息(包括障碍物周边环境信息、目标预测轨迹信息、自车行驶轨迹信息等),对目标预测轨迹的第一预测概率进行调整,进而可以提高上游感知模块输出的第一预测概率的准确性,为下游决策规划模块提供有效信息支撑,达到基于上述目标预测概括和上述目标预测轨迹规划处更加准确性的自车可行驶轨迹的目的,并且在提供更加合理、准确的目标预测轨迹的基础上,再提供更加准确的、目标预测轨迹关联的第二预测概率。
通过本申请提供的实施例,先基于障碍物关联的行驶信息对障碍物对应的多个行驶意图进行筛选,得到目标行驶意图及其对应的第一预测概率,再根据目标行驶意图所指示的障碍物与自车的位置关系确定出障碍物的横向运动轨迹的生成方式(横向动态指数趋近方式或横向五次多项式方式),进而结合障碍物的纵向运动轨迹的生成方式(纵向四次多项式方式)进行运动轨迹生成和融合得到障碍物的目标预测轨迹。如此,充分考虑到行驶意图下障碍物与自车的位置关系的特性,并基于上述特征确定出与之匹配的横向运动轨迹的生成方式,得到障碍物的横向运动轨迹和纵向运动轨迹,并进行轨迹融合得到障碍物的目标预测轨迹,进而通过提高障碍物的横向运动轨迹的预测生成的合理性和准确性的方式,达到了提高障碍物的目标预测轨迹的预测生成的合理性和准确性的目的,从而实现了提高障碍物的行驶轨迹生成的准确性的技术效果。另,在得到上述目标预测轨迹之后,还进一步基于目标预测轨迹关联的轨迹信息(即终点所在车道序列上的其他静止障碍物)和自车关联的轨迹信息(即自车行驶轨迹),对用于生成上述目标预测轨迹的目标形行驶意图的第一预测概率进行调整,得到调整后的第二预测概率,以作为上述目标预测轨迹的发生概率,进而可以提高上游感知模块输出的第一预测概率的准确性,为下游决策规划模块提供有效信息支撑,达到基于上述目标预测轨迹和上述目标预测轨迹规划出更加准确性的自车可行驶轨迹的目的,并且在提供更加合理、准确的目标预测轨迹的基础上,再提供更加准确的、目标预测轨迹关联的第二预测概率,从而也实现了提高障碍物的行驶轨迹生成的准确性的技术效果。
作为一种可选的方案,按照基于位置关系确定的目标方式,生成障碍物的横向运动轨迹,包括:
S1,在位置关系为非变道关系的情况下,获取障碍物相对于自车的横向终点状态,其中,横向终点状态包括障碍物到达终点时的横向距离和横向速度;
S2,根据横向距离和横向速度,按照横向五次多项式方式生成横向运动轨迹;或,
S3,在位置关系为变道关系的情况下,获取障碍物到达终点时的横向速度、纵向速度和与道路中心线的横向偏移量;
S4,获取与横向速度匹配的横向速度趋近率、与纵向速度匹配的纵向速度趋近率和与横向偏移量匹配的横向偏移量趋近率,并将横向速度趋近率、纵向速度趋近率和横向偏移量趋近率的乘积结果确定为横向动态指数趋近率;
S5,根据横向动态指数趋近率,调整横向动态指数,并按照调整后的横向动态指数,生成障碍物的横向运动轨迹。
可选地,在本实施例中,在位置关系为非变道关系的情况下,获取障碍物到达终点时的横向距离和横向速度,其中,横向距离为障碍物在目标行驶意图下对应的行驶轨迹的终点至起点之间的距离,横向速度为障碍物在目标行驶意图下对应的行驶轨迹的终点处的横向的速度。
需要说明的是,横向距离和横向速度可以但不限于直接基于自车的上游感知模块进行获取。
可选地,在本实施例中,横向五次多项式的形式可以但不限于为 y = ax^5 + bx^4 + cx^3 + dx^2 + ex + f,其中 a、b、c、d、e、f 是待定系数。根据已知的横向距离和横向速度,建立方程来确定上述横向五次多项式的各个系数。根据得到的多项式系数,生成横向运动轨迹,可以但不限于包括将横向五次多项式代入横向位置和时间的关系式中,得到横向位置随时间的变化规律,从而生成横向运动轨迹。
可选地,在本实施例中,在位置关系为变道关系的情况下,获取障碍物到达终点时的横向速度、纵向速度和与道路中心线的横向偏移量,其中,道路中心线为障碍物在目标行驶意图下对应的行驶轨迹的终点所在的车道的中心线,横向偏移量为障碍物在上述终点时与道路中心线之间的横向的偏移距离,横向速度、纵向速度分别为障碍物在目标行驶意图下对应的行驶轨迹的终点处的横向的速度、纵向的速度。
需要说明的是,横向速度、纵向速度、横向偏移量可以但不限于直接基于自车的上游感知模块进行获取。
可选地,在本实施例中,从第一表格中进行查表操作,确定出与横向速度匹配的横向速度趋近率,其中,第一表格存储有各个横向速度与对应横向速度趋近率的映射关系;从第二表格中进行查表操作,确定出与横纵向速度匹配的纵向速度趋近率,其中,第二表格存储有各个纵向速度与对应纵向速度趋近率的映射关系;从第三表格中进行查表操作,确定出与横向偏移量匹配的横向偏移量趋近率,其中,第三表格存储有各个横向偏移量与对应横向偏移量趋近率的映射关系。
可选地,在本实施例,将横向速度趋近率、纵向速度趋近率和横向偏移量趋近率的乘积结果确定为横向动态指数趋近率。根据横向动态指数趋近率,调整横向动态指数,可以但不限于用于指示将障碍物到达终点时的横向距离乘以上述横向动态指数趋近率得到调整后的横向距离。按照调整后的横向动态指数,生成障碍物的横向运动轨迹,可以但不限于用于指示根据调整后的横向距离和横向速度,生成横向运动轨迹。
举例说明,如图3所示,vx为上述横向速度,vy为上述纵向速度,s_offset 为上述横向偏移量,lane_l为上述横向距离。
进一步,如公式(1)所示,coff(vx)为上述从第一表格中进行查表操作得到的、横向速度匹配的横向速度趋近率, coff(vy)为上述从第二表格中进行查表操作得到的、纵向速度匹配的纵向速度趋近率,coff(s_offset)为上述从第三表格中进行查表操作得到的、横向偏移量匹配的横向偏移量趋近率,coff_approach为上述横向动态指数趋近率。
再进一步,如公式(2)所示,原始横向距离lane_l乘以横向动态指数趋近率coff_approach得到调整后的横向距离,对应上述调整后的横向动态指数,用于生成障碍物的横向运动轨迹。
coff_approach = coff(vx)* coff(vy)* coff(s_offset) (1)
lane_l *= coff_approach (2)
通过本申请提供的实施例,根据目标行驶意图所指示的障碍物与自车的位置关系为变道关系还是非变道关系,分别确定出相应情况下障碍物的横向运动轨迹的生成方式(横向动态指数趋近方式还是横向五次多项式方式),进而结合障碍物的纵向运动轨迹的生成方式(纵向四次多项式方式)进行运动轨迹生成和融合得到障碍物的目标预测轨迹。如此,充分考虑到行驶意图下障碍物与自车的位置关系的特性,并基于上述特征确定出与之匹配的横向运动轨迹的生成方式,进而通过提高障碍物的横向运动轨迹的预测生成的合理性和准确性的方式,达到了提高障碍物的目标预测轨迹的预测生成的合理性和准确性的目的,从而实现了提高障碍物的行驶轨迹生成的准确性的技术效果。
作为一种可选的方案,获取障碍物相对于自车的横向终点状态,包括:
S1,获取障碍物到达终点时的横向距离和横向速度;
S2,在障碍物在道路中心线右侧且向右运动、或在道路中心线左侧且向左运动、或横向速度小于第一预设阈值的情况下,将横向速度更新赋值为第一预设阈值。
可选地,在本实施例中,获取障碍物到达终点时的横向距离和横向速度,可以但不限于基于自车的上游感知模块进行获取。
需要说明的是,在获取到上述横向速度之后,基于障碍物的运动状态信息对上述横向速度进行校验,其中,在障碍物在道路中心右侧且向右运动或在道路中心线左侧且向左运动或横向速度小于第一预设阈值的情况下,确定当前获取到的横向速度并不准确,重新赋值为第一预设阈值。
可以理解的是,以障碍物自车外的其他行驶车辆为例进行说明,其他行驶车辆按照目标行驶意图所得到的行驶轨迹,往往指示其他行驶车辆在车道中心线的中间进行行驶至终点处(如图3所示)。因此,在其他行驶车辆已经位于车道中心线右侧/左侧的情况下,则理应需要向左/右运动以趋近与车道中心线,而如果出现上述障碍物在道路中心线右侧且向右运动、或在道路中心线左侧且向左运动的情况下,确定当前障碍物的运动情况获取有误,因此将横向速度重新赋值为预设的第一预设阈值。
以及,如图3所示,其他行驶车辆运动倾向理应是沿着车道中间进行行驶,并且理应保持一定的速度,不应当小于预设的第一预设阈值,因此在出现获取到的横向速度小于第一预设阈值的情况下,确定当前障碍物的运动情况获取有误,将横向速度重新赋值为预设的第一预设阈值。
通过本申请提供的实施例,在获取障碍物相对于自车的横向终点状态时,在获取到相应横向距离和横向速度之后,进一步基于障碍物在道路上的行驶状态,对所得到的数据信息的合理性进行验证,如合理则确定使用,不合理则使用预设的标准数据,进而达到了提高自车的横向终点状态的获取准确性的目的,从而整体上实现了提高障碍物的行驶轨迹生成的准确性的技术效果。
作为一种可选的方案,基于障碍物的当前行驶信息和历史行驶信息,对障碍物对应的多个行驶意图进行筛选,得到障碍物对应的目标行驶意图和目标行驶意图的第一预测概率,包括:
S1,获取障碍物的多个行驶意图、多个行驶意图中的各个行驶意图分别对应的第一预测概率;
S2,从多个行驶意图中确定出第一预测概率最高的第一行驶意图;
S3,基于障碍物所在车道序列的周围环境信息、障碍物的当前运动状态、障碍物在前N帧的历史运动状态,对第一行驶意图进行合理性验证,其中,当前行驶信息包括当前运动状态、历史行驶信息包括历史运动状态,N为正整数;
S4,在第一行驶意图通过合理性验证的情况下,将第一行驶意图确定为目标行驶意图。
可选地,在本实施例中,先获取障碍物的多个行驶意图以及多个行驶意图中的各个行驶意图分别对应的第一预测概率,从多个行驶意图中确定出第一预测概率最高的第一行驶意图,基于障碍物所在车道序列的周围环境信息、障碍物的当前运动状态、障碍物在前N帧的历史运动状态,对第一行驶意图进行合理性验证,其中,在第一行驶意图通过合理性验证的情况下,将第一行驶意图确定为障碍物对应的目标行驶意图,第一预测概率用于指示行驶意图的发生概率,障碍物的当前行驶信息包括障碍物的当前运动状态,障碍物的历史行驶信息包括障碍物的历史运动状态。
需要说明的是,上述第一预测概率最高的第一行驶意图可以但不限于为一个行驶意图,还可以但不限于为多个行驶意图,其中,在第一行驶意图为一个行驶意图的情况下,对该一个行驶意图进行合理性验证,若验证成功,则执行后续步骤,若验证失败,则流程结束。在第一行驶意图为多个行驶意图的情况下,先后对多个行驶意图中的各个行驶意图进行合理性验证,并基于第一个通过合理性验证的行驶意图执行后续步骤,若各个行驶意图均验证失败,则流程结束。
进一步举例说明,如图4所示,针对所有的3条车道序列(车道序列0、车道序列1和车道序列2),第一步过滤掉第一预测概率小于预设概率阈值且不是最大第一预测概率的车道序列,第二步针对剩下的车道序列,过滤掉第一预测概率不是最大概率的车道序列,仅剩下一条第一预测概率最大的车道序列。可以理解的是,上述过滤车道序列的过程,相当于是在过滤障碍物从当前所在车道序列变道到其他车道序列的意图的过程,若障碍物当前所在车道序列外的其他车道序列均被过滤的情况下,说明障碍物的行驶意图为继续在原车道序列上行驶(即不发生车道序列的变道行为)。
通过本申请提供的实施例,先从可能的多个行驶意图中确定出第一预测概率最高的行驶意图,再进一步结合障碍物所在车道序列的环境信息、当前运动状态、历史运动状态,对上述第一预测概率最高的行驶意图进行合理性验证,进而达到了依据障碍物周边环境信息、当前行驶状态信息及历史行驶状态信息对不合理的意图进行剔除的目的,提高了障碍物的行驶意图的确定的准确性,从而实现了提高障碍物的行驶轨迹的生成准确性的技术效果。
作为一种可选的方案,基于障碍物所在车道序列的周围环境信息、障碍物的当前运动状态、障碍物在前N帧的历史运动状态,对第一行驶意图进行合理性验证,包括以下至少之一:
S1,对第一行驶意图进行异常右侧变道意图过滤,其中,在障碍物所在车道序列的右侧车道序列前方的第一目标距离内不存在其他静止障碍物的情况下,在障碍物的当前速度大于第二预设阈值、且障碍物在前N帧的平均横向速度小于第三预设阈值、且障碍物在前N帧的平均航向角小于第四预设阈值的情况下,或在当前速度大于第二预设阈值、且障碍物在前N帧到右侧车道边界的第一平均距离大于第五预设阈值、平均航向角小于第四预设阈值的情况下,确定第一行驶意图为异常右侧变道意图、以及确定第一行驶意图不通过合理性验证;在第一目标距离内存在其他静止障碍物的情况下,在当前速度大于第二预设阈值、且平均横向速度小于第三预设阈值、且平均航向角小于第四预设阈值、且其他静止障碍物与障碍物之间的第一相差距离小于第六预设阈值的情况下,或在当前速度大于第二预设阈值、且第一平均距离大于第五预设阈值、且平均航向角小于第四预设阈值、且第一相差距离小于第六预设阈值的情况下,确定第一行驶意图为异常右侧变道意图、以及确定第一行驶意图不通过合理性验证;
S2,对第一行驶意图进行异常左侧变道意图过滤,其中,在障碍物所在车道序列的左侧车道序列前方的第二目标距离内不存在其他静止障碍物的情况下,在当前速度大于第二预设阈值、且平均横向速度小于第三预设阈值、且平均航向角小于第四预设阈值的情况下,或在当前速度大于第二预设阈值、且障碍物在前N帧到左侧车道边界的第二平均距离大于第五预设阈值、平均航向角小于第四预设阈值的情况下,确定第一行驶意图为异常左侧变道意图、以及确定第一行驶意图不通过合理性验证;在第一目标距离内存在其他静止障碍物的情况下,在当前速度大于第二预设阈值、且平均横向速度小于第三预设阈值、且平均航向角小于第四预设阈值、且其他静止障碍物与障碍物之间的第二相差距离小于第六预设阈值的情况下,或在当前速度大于第二预设阈值、且第二平均距离大于第五预设阈值、且平均航向角小于第四预设阈值、且第二相差距离小于第六预设阈值的情况下,确定第一行驶意图为异常左侧变道意图、以及确定第一行驶意图不通过合理性验证;
S3,对第一行驶意图进行异常直行意图过滤,其中,在当前速度大于第二预设阈值、且平均横向速度大于第七预设阈值、且第一平均距离和第二平均距离中存在至少一个小于第四预设阈值的距离、且平均航向角大于第五预设阈值的情况下,确定第一行驶意图为异常直行意图、以及确定第一行驶意图不通过合理性验证。
可选地,在本实施例中,依据障碍物信息与交互环境信息进行意图的合理性验证,包括异常右侧变道意图过滤、异常做出变道意图过滤、异常直行意图过滤中的至少一个验证过程。
可选地,在本实施例中,异常右侧变道意图过滤包括:
当障碍物当前所处车道序列的右侧车道序列的前方A处没有静止障碍物时:障碍物当前车速> B且(历史N帧障碍物的横向速度的均值的绝对值< C或历史N帧障碍物到右侧车道边界的距离的均值的绝对值> D) 且历史N帧障碍物的航向角的均值的绝对值 < E,若同时满足以上条件,则确定第一行驶意图为异常右侧变道意图,不通过合理性验证,进行过滤剔除,其中,A为上述第一目标距离,B为上述第二预设阈值,C为上述第三预设阈值,D为上述第四预设阈值,E为上述第五预设阈值;
当障碍物当前所处车道序列的右侧车道序列的前方A处有静止障碍物时:障碍物当前车速> B且 (历史N帧障碍物的横向速度均值的绝对值 < C或历史N帧障碍物到右侧车道边界的距离的均值的绝对值 > D) 且历史N帧障碍物的航向角均值的绝对值< E 且 前方静止障碍物与当前障碍物的相对距离 < F,若同时满足以上条件,则确定第一行驶意图为异常右侧变道意图,不通过合理性验证,进行过滤剔除,其中,F为上述第六预设阈值。
可选地,在本实施例中,异常左侧变道意图过滤包括:
当障碍物当前所处车道序列的左侧车道序列的前方G处没有静止障碍物时:障碍物当前车速>B且 (历史N帧障碍物的横向速度< C或历史N帧障碍物到左侧车道边界的距离的均值的绝对值> D) 且历N帧障碍物的航向角均值的绝对值< E,若同时满足以上条件,则确定第一行驶意图为异常左侧变道意图,不通过合理性验证,进行过滤剔除,其中,G为上述第二目标距离。
当障碍物当前所处车道序列的左侧车道序列的前方G处有静止障碍物时:障碍物当前车速>B且(历史N帧障碍物的横向速度< C或历史N帧障碍物到左侧车道边界的距离的均值的绝对值> D) 且历史N帧障碍物的航向角均值的绝对值< E 且前方静止障碍物与当前障碍物的相对距离 < F,若同时满足以上条件,则确定第一行驶意图为异常左侧变道意图,不通过合理性验证,进行过滤剔除。
可选地,在本实施例中,异常直行意图过滤包括:
障碍物当前车速> B且(历史N帧障碍物的横向速度> C且(历史N帧障碍物到左侧车道边界的距离的均值的绝对值< D或历史N帧障碍物到右侧车道边界的距离的均值的绝对值< D)) 且历史N帧障碍物的航向角均值的绝对值> E,若同时满足以上条件,则确定第一行驶意图为异常直行意图,不通过合理性验证,进行过滤剔除。
通过本申请提供的实施例,结合障碍物所在车道序列的环境信息、当前运动状态、历史运动状态,对上述第一预测概率最高的行驶意图进行合理性验证,进而达到了依据障碍物周边环境信息、当前行驶状态信息及历史行驶状态信息对不合理的意图进行剔除的目的,提高了障碍物的行驶意图的确定的准确性,从而实现了提高障碍物的行驶轨迹的生成准确性的技术效果。
作为一种可选的方案,基于目标预测轨迹的终点所在车道序列上的其他静止障碍物、目标预测轨迹和自车的自车行驶轨迹,对第一预测概率进行调整,得到调整后的第二预测概率,包括:
S1,获取其他静止障碍物与目标预测轨迹最近点的欧式距离,以及获取其他静止障碍物与目标预测轨迹的相对距离;
S2,在获取到与欧式距离匹配的第一成本概率、以及与相对距离匹配的第二成本概率的情况下,将第一成本概率与第二成本概率的乘积结果确定为第一修正概率,其中,第一修正概率用于指示其他静止障碍物对目标预测轨迹的影响成本;
S3,在获取到用于指示自车的自车行驶轨迹对目标预测轨迹的影响成本的第二修正概率的情况下,将第一修正概率与第一参数的乘积结果,加上第二修正概率与第二参数的乘积结果,得到目标修正概率;
S4,将第一预测概率与目标修正概率的乘积结果,确定为调整后的第二预测概率。
可选地,在本实施例中,依据障碍物的目标预测轨迹的终点所在车道序列上的其他静止障碍物与目标预测轨迹最近点的欧式距离与相对距离来调节目标预测轨迹的第一预测概率,以及依据目标预测轨迹与自车行驶轨迹来调节目标预测轨迹的第一预测概率。
可选地,在本实施例中,获取其他静止障碍物与目标预测轨迹最近点的欧式距离,以及获取其他静止障碍物与目标预测轨迹的相对距离,从第四表格中进行查表操作,确定出与上述欧式距离匹配的第一成本概率,以及从第五表格中进行查表操作,确定出与上述相对距离匹配的第二成本概率,其中,第四表格存储有各个欧式距离与成本概率的映射关系,第五表格存储有各个相对距离与成本概率的映射关系。
需要说明的是,将第一成本概率与第二成本概率的乘积结果确定为第一修正概率,其中,第一修正概率用于指示其他静止障碍物对目标预测轨迹的影响成本。
进一步举例说明,如图5所示,smallest_d为上述欧式距离,s_offset为上述相对距离。进一步,如公式(3)所示, cost_smallest_d(smallest_d)为上述从第四表格中进行查表操作得到的、欧式距离smallest_d匹配的第一成本概率, cost_smallest_d(smallest_d)为上述从第五表格中进行查表操作得到的、相对距离s_offset匹配的第二成本概率,cost_still为上述第一修正概率。
cost_still = cost_smallest_d(smallest_d) * cost_s_offset(s_offset)(3)
需要说明的是,在获取到用于指示自车的自车行驶轨迹对目标预测轨迹的影响成本的第二修正概率的情况下,将第一修正概率与第一参数的乘积结果,加上第二修正概率与第二参数的乘积结果,得到目标修正概率;将第一预测概率与目标修正概率的乘积结果,确定为调整后的第二预测概率。
进一步举例说明,如公式(4)所示,TBD1为上述第一参数,为可标定参数,用于指示第一修正概率cost_still的所占权重,TBD2为上述第二参数,为可标定参数,用于指示第二修正概率cost_adc的所占权重,cost_interaction为计算得到的上述目标修正概率。以及,如公式(5)所示,probility1为上述调整前的第一预测概率,probility2为上述调整后的第二预测概率。
cost_interaction =TBD1 * cost_still + TBD2 * cost_adc (4)
probility2 = cost_interaction * probility1 (5)
通过本申请提供的实施例,依据障碍物目标车道序列前方的静止障碍物与轨迹最近点的欧式距离与相对距离来调节轨迹的概率,以及依据障碍物轨迹与自车轨迹来调节轨迹的概率,进而达到结合障碍物当前的工况,对障碍物的轨迹的概率进行调整的目的,从而可以缓解上游意图识别模块输出的不精确的概率的情况,为下游决策规划模块提供有效地支撑。
作为一种可选的方案,在将第一修正概率和第二修正概率的乘积结果确定为目标修正概率之前,方法还包括:
S1,按照目标时间间隔,对目标预测轨迹和自车行驶轨迹进行稀疏化处理,得到稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹;
S2,从稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹上确定出时间信息一致的M组距离点,其中,每一组距离点包括一个来自于稀疏化后的目标预测轨迹上的点和一个来自于稀疏化后的自车行驶轨迹上的点,M为正整数;
S3,获取每一组距离点中的两个点之间的欧式距离,以及获取每一组距离点中欧式距离最小的目标组距离点;
S4,获取每一组距离点对应的、与欧式距离匹配的每一组第三成本概率;
S5,将每一组第三成本概率的平均值乘以第三参数的值,再加上目标组距离点对应的第三成本概率乘以第四参数的值,所得到的和值确定为第二修正概率。
可选地,在本实施例中,按照目标时间间隔,对目标预测轨迹和自车行驶轨迹进行稀疏化处理,得到稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹,可以但不限于包括按照目标时间间隔对目标预测轨迹做稀疏化处理,得到稀疏化后的目标预测轨迹,以及按照目标时间间隔对自车行驶轨迹做稀疏化处理,得到稀疏化后的自车行驶轨迹。
可选地,在本实施例中,按照目标时间间隔对目标对象做稀疏化处理,可以但不限于用于指示从目标对象中确定出一定数量个点对象,其中,各个点对象之间的距离间隔为上述目标时间间隔。可以理解的是,稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹上均包括一定数量个点对象。
可选地,在本实施例中,从稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹上确定出相同时间信息对应的M组距离点,其中,每一组距离点对应相同时间信息。
进一步,获取每一组距离点中所包括的两个距离点之间的欧式距离,以及从中确定出欧式距离最小的目标组距离点;从第六表格中进行查表操作,以获取每一组距离点的欧式距离所匹配的第三成本概率(包括目标组距离点的欧式距离所匹配的第三成本概率),其中,第六表格中存储有不同欧式距离与成本概率(第三成本概率)的映射关系;获取每一组距离点的欧式距离所匹配的第三成本概率的平均值,再乘以预设的第三参数,以及加上目标组距离点的欧式距离所匹配的第三成本概率乘以预设的第四参数,得到第二修正概率,其中,第二修改概率用于指示自车的自车行驶轨迹对目标预测轨迹的影响成本。
进一步举例说明,如图6所示,从稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹上确定出时间信息一致的多组距离点,并获取每一组距离点中的两个点之间的欧式距离,如图6中所示的距离d。获取多组距离点中每一组距离点中对应的、与欧式距离匹配的每一组第三成本概率,相加求平均值得到cost_mean,以及从多组距离点中确定出欧式距离最小的目标组距离点,并获取目标组距离点对应的、与欧式距离匹配的第三成本概率cost_min。
进一步,如公式(6)所示,将上述平均值cost_mean乘以第三参数TBD3,再加上目标组距离点对应的cost_min乘以第四参数的结果,得到第二修正概率cost_adc,其中,TBD3、TBD4为可标定参数,分别用于指示上述cost_mean、上述cost_min所占权重。
cost_adc = TBD4 * cost_min + TBD 3* cost_mean (6)
可以理解的是,第六表格可以但不限于为第四表格,也可以但不限于为不同于第四表格的新表格。
通过本申请提供的实施例,依据障碍物轨迹与自车轨迹来调节轨迹的概率,进而达到结合障碍物当前的工况,对障碍物的轨迹的概率进行调整的目的,从而可以缓解上游意图识别模块输出的不精确的概率的情况,为下游决策规划模块提供有效地支撑。
作为一种可选的方案,按照纵向四次多项式方式生成障碍物的纵向运动轨迹,包括:
S1,获取障碍物相对自车的纵向终点状态,其中,纵向终点状态包括障碍物到达终点时的纵向速度和所需的纵向时间;
S2,根据纵向速度和纵向时间,按照纵向四次多项式方式生成纵向运动轨迹。
可选地,在本实施例中,获取障碍物到达终点时的纵向距离和纵向速度,其中,纵向距离为障碍物在目标行驶意图下对应的行驶轨迹的终点至起点之间的纵向的距离,纵向速度为障碍物在目标行驶意图下对应的行驶轨迹的终点处的纵向的速度。
需要说明的是,纵向距离和纵向速度可以但不限于直接基于自车的上游感知模块进行获取。
可选地,在本实施例中,纵向四次多项式的形式可以但不限于为 y = ax^4 + bx^3 + cx^2 + dx + e,其中 a、b、c、d、e是待定系数。根据已知的纵向距离和纵向速度,建立方程来确定上述纵向四次多项式的各个系数。根据得到的多项式系数,生成纵向运动轨迹,可以但不限于包括将纵向四次多项式代入纵向位置和时间的关系式中,得到纵向位置随时间的变化规律,从而生成纵向运动轨迹。
作为一种可选的方案,将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹包括:
S1,将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的第一预测轨迹;
S2,在第一预测轨迹中存在异常预测轨迹的情况下,将异常预测轨迹从第一预测轨迹中剔除,得到第二预测轨迹,其中,异常预测轨迹为车道序列之外的轨迹、穿过自车的轨迹、穿过障碍物的轨迹;
S3,将第二预测轨迹确定为目标预测轨迹。
可选地,在本实施例中,在得到障碍物的纵向运动轨迹和横向运动轨迹之后,将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的第一预测轨迹。
进一步,对第一预测轨迹进行轨迹校验,以针对可能存在的异常预测轨迹进行修剪,如图10所示的轨迹异常穿过隔离带(即车道序列之外的轨迹)、轨迹异常穿过自车前方行驶区域(即穿过自车的轨迹)、轨迹异常穿过静止障碍物等部分轨迹(穿过障碍物的轨迹),则从第一预测轨迹中剔除上述部分轨迹,得到第二预测轨迹,将第二预测轨迹确定为目标预测轨迹。
需要说明的是,在第一预测轨迹中不存在上述异常预测轨迹的情况下,将第一预测估计确定为目标预测轨迹。
作为一种可选的方案,将上述种障碍物的行驶轨迹生成方法,应用在一种目标障碍物轨迹生成的整体方案,以更快更准确地生成障碍物的轨迹,并节省自动驾驶系统的计算资源。方案具体流程如图7所示,包括:意图过滤、意图合理性验证、轨迹生成、轨迹修建、轨迹概率调整,其中,轨迹生成包括对于cut-in类型和非cut-in类型两种工况采用不同轨迹生成算法进行轨迹生成。
可选地,在本实施例中,意图过滤用于依据多个车道序列的概率进行第一步过滤。意图合理性验证用于依据障碍物当前信息及历史信息对不合理的意图进行剔除。轨迹生成用于针对cut-in(即上述变道关系工况)和非cut-in(即上述非变道关系工况)两种工况分配不同的轨迹生成算法。cut-in工况采用纵向四次多项式结合横向动态指数趋近方式进行轨迹生成,not cut-in工况采用纵向四次多项式结合横向五次多项式进行轨迹生成。轨迹修建用于针对异常的轨迹进行修剪,如轨迹异常穿过隔离带、轨迹异常穿过自车前方行驶区域、轨迹异常穿过静止障碍物等。轨迹概率调整用于依据障碍物目标车道序列前方的静止障碍物与轨迹最近点的欧式距离与相对距离来调节轨迹的概率、以及依据障碍物轨迹与自车轨迹来调节轨迹的概率。
具体地,下面结合一个实例场景对上述意图过滤部分进行说明,意图过滤包括两部分过滤,其中,第一部分过滤用于针对所获取到的障碍物的各个行驶意图所指示的可能行驶的所有车道序列(如图4所示的车道序列0、车道序列1、车道序列2,对应的第一预测概率分别为20%、30%、50%)的,过滤掉其中第一预测概率小于设定阈值(例如30%)且不是最大第一预测概率的车道序列(车道序列0),再针对过滤后的剩下的车道序列(车道序列1、车道序列2),进一步过滤掉非最大概率的车道序列(车道序列2),如此,仅剩下一条最大概率对应的车道序列(车道序列1)。
进一步,依据障碍物信息与交互信息对上述最大概率对应的车道序列所对应的行驶意图进行合理性验证,其中,在上述最大概率对应的车道序列不合理的情况下则剔除该车道序列,可以但不限于重新从剩下车道序列中选择最大概率的车道序列并类推执行相应处理。
具体地,上述合理性验证包括异常的右侧变道意图过滤、异常的左侧变道意图过滤、异常的直行意图过滤。
具体地,异常右侧变道意图过滤包括:
当障碍物当前所处车道序列的右侧车道序列的前方A处没有静止障碍物时:障碍物当前车速> B且(历史N帧障碍物的横向速度的均值的绝对值< C或历史N帧障碍物到右侧车道边界的距离的均值的绝对值> D) 且历史N帧障碍物的航向角的均值的绝对值 < E,若同时满足以上条件,则确定第一行驶意图为异常右侧变道意图,不通过合理性验证,进行过滤剔除,其中,A、B、C、D、E为可标定参数,分别对应上文第一目标距离、第二预设阈值、第三预设阈值、第四预设阈值、第五预设阈值;
当障碍物当前所处车道序列的右侧车道序列的前方A处有静止障碍物时:障碍物当前车速> B且 (历史N帧障碍物的横向速度均值的绝对值 < C或历史N帧障碍物到右侧车道边界的距离的均值的绝对值 > D) 且历史N帧障碍物的航向角均值的绝对值< E 且 前方静止障碍物与当前障碍物的相对距离 < F,若同时满足以上条件,则确定第一行驶意图为异常右侧变道意图,不通过合理性验证,进行过滤剔除,其中,F为可标定参数,对应上文第六预设阈值。
可选地,在本实施例中,异常左侧变道意图过滤包括:
当障碍物当前所处车道序列的左侧车道序列的前方G处没有静止障碍物时:障碍物当前车速>B且 (历史N帧障碍物的横向速度< C或历史N帧障碍物到左侧车道边界的距离的均值的绝对值> D) 且历史N帧障碍物的航向角均值的绝对值< E,若同时满足以上条件,则确定第一行驶意图为异常左侧变道意图,不通过合理性验证,进行过滤剔除,其中,G为可标定参数,对应上文第二目标距离。
当障碍物当前所处车道序列的左侧车道序列的前方G处有静止障碍物时:障碍物当前车速>B且(历史N帧障碍物的横向速度< C或历史N帧障碍物到左侧车道边界的距离的均值的绝对值> D) 且历史N帧障碍物的航向角均值的绝对值< E 且前方静止障碍物与当前障碍物的相对距离 < F,若同时满足以上条件,则确定第一行驶意图为异常左侧变道意图,不通过合理性验证,进行过滤剔除。
可选地,在本实施例中,异常直行意图过滤包括:
障碍物当前车速> B且(历史N帧障碍物的横向速度> C且(历史N帧障碍物到左侧车道边界的距离的均值的绝对值< D或历史N帧障碍物到右侧车道边界的距离的均值的绝对值< D)) 且历史N帧障碍物的航向角均值的绝对值> E,若同时满足以上条件,则确定第一行驶意图为异常直行意图,不通过合理性验证,进行过滤剔除。
进一步,在上述概率最大的车道序列所对应的行驶意图通过上述合理性验证的情况下,获取上述行驶意图所指示的障碍物是否为变道类型,其中,若为变道类型,则按纵向四次多项式结合横向动态指数趋近的方式来生成轨迹,若障碍物Not Cut-in非变道,则按纵向四次多项式结合横向五次多项式的方式来生成轨迹,纵向终点状态,横向终点状态,横向趋近率计算方式如下:
计算纵向终点状态:
针对距离自车距离或道路交叉口较近时,且前方减速较快的障碍物,认定障碍物的终点速度为0,到达终点时间为障碍物当前(减速)速度/加速度。
针对障碍物的目标车道序列为直道且障碍物前方有其他静止障碍物的情况下,认定障碍物的终点速度为0,到达终点的时间为:可标定参数TBD * s_still_offset / v_init,其中,s_still_offset为障碍物与其他静止障碍物之间的纵向距离(如图8中所示的s_still_offset),v_init为障碍物到达终点时的纵向速度。
针对障碍物的目标车道序列为弯道且弯道的最大曲率处与障碍物之间有其他静止障碍物,认定障碍物的终点速度为0,到达终点的时间为:可标定参数TBD * s_still_offset / v_init,其中,s_still_offset为障碍物与其他静止障碍物之间沿弯道的纵向距离(如图9中所示的s_still_offset),v_init为障碍物到达终点时的纵向速度。
计算横向终点状态:
横向距离与横向趋近速度可以直接获取:lane_l 、v_l,当障碍物在参考线右侧但向右运动或在参考线左侧但向左运动或者障碍物v_l < TBD m/s时,确定当前障碍物的运动情况获取有误,因此将横向速度重新赋值为预设的第一预设阈值v_l=TBD m/s。
横向动态指数趋近率计算:
获取障碍物到达终点时的横向速度vx、纵向速度vy和与道路中心线的横向偏移量s_offset;从对应的表(如上文的第一表格、第二表格、第三表格)中确定出上述数据分别对应的趋近率,包括横向速度vx对应的横向速度趋近率coff(vx)、纵向速度vy对应的纵向速度趋近率coff(vy)、横向偏移量s_offset对应的横向偏移量趋近率coff(s_offset),再对上述趋近率相乘得到横向动态指数趋近率coff_approach,计算示意公式如公式(7)所示。再进一步,如公式(8)所示,原始横向距离lane_l乘以横向动态指数趋近率coff_approach得到调整后的横向距离,对应上文调整后的横向动态指数,用于生成障碍物的横向运动轨迹。
coff_approach = 查表coff(vx)* 查表coff(vy)* 查表coff(s_offset) (7)
lane_l *= coff_approach (8)
需要说明的是,在得到障碍物的纵向运动轨迹和横向运动轨迹之后,将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹。进一步,对目标预测轨迹进行轨迹校验,以针对可能存在的异常轨迹部分进行修剪,如图10所示的轨迹异常穿过隔离带、轨迹异常穿过自车前方行驶区域、轨迹异常穿过静止障碍物等部分轨迹,则剔除上述部分轨迹。
进一步,依据障碍物所在车道序列前方的其他静止障碍物与上述目标预测轨迹最近点的欧式距离与相对距离、以及障碍物的目标预测轨迹和自车的自车行驶轨迹,调节上述目标预测轨迹的第一预测概率,包括:获取其他静止障碍物与目标预测轨迹最近点的欧式距离,以及获取其他静止障碍物与目标预测轨迹的相对距离,从相关表(如上文第四表格、第五表格)中获取上述欧式距离匹配的成本概率以及上述相对距离匹配的成本概率,再将上述欧式距离匹配的成本概率乘以上述相对距离匹配的成本概率得到第一修正概率,其中,第一修正概率用于指示其他静止障碍物对目标预测轨迹的影响成本。
以及,还包括:以1s为时间间隔对目标预测轨迹和自车行驶轨迹进行稀疏化处理,以减少计算量;计算对应时间的上述两个轨迹上的点的欧式距离,依据该欧式距离查相关表(如上文第六表格)得到各个时间上相应两个点的欧式距离的成本概率;计算各个点相应的所有成本概率的和,并取平均值作为cost_mean;取上述多个欧式距离中的最小值,依据该最小值查相关表(如上文第六表格)得到最小值对应的成本概率cost_min;最终的第二修正概率cost_adc = a* cost_min + b* cost_mean,其中,a为预设的可标定参数,b为预设的可标定参数,分别用于调整cost_min 、cost_mean的权重值,第二修改概率用于指示自车的自车行驶轨迹对目标预测轨迹的影响成本。
进一步,依据障碍物轨迹与自车轨迹来调节轨迹的概率,包括:以1s为间隔对adc轨迹进行稀疏化处理,减少计算量;计算对应时间的两个轨迹上的点的欧式距离,依据该距离查表得到cost;计算所有cost的和,并取平均值作为cost_mean;取上述欧式距离中的最小值,依据该最小值查表得到cost_min;最终的cost_adc = TBD * cost_min + TBD *cost_mean;最终的轨迹概率为:cost_interaction =TBD * cost_adc + TBD * cost_still;probility = cost_interaction * probility。需要说明的是,上述依据障碍物轨迹与自车轨迹来调节轨迹的概率,可以但不限于参照上述公式(3)至(6)所示的实施例,此处不再赘述。
可以理解的是,至此已完成目标障碍物的轨迹生成和概率权重调整,并将轨迹信息和概率权重信息输入后续的决策规划环节。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
根据本申请实施例的另一个方面,还提供了一种用于实施上述障碍物的行驶轨迹生成方法的障碍物的行驶轨迹生成装置。如图11所示,该装置包括:
筛选单元1102,用于基于障碍物的当前行驶信息和历史行驶信息,对障碍物对应的多个行驶意图进行筛选,得到障碍物对应的目标行驶意图和目标行驶意图的第一预测概率,其中,目标行驶意图用于指示障碍物与自车的位置关系;
生成单元1104,用于按照纵向四次多项式方式生成障碍物的纵向运动轨迹,以及按照基于位置关系确定的目标方式,生成障碍物的横向运动轨迹,其中,在位置关系为变道关系的情况下,目标方式为横向动态指数趋近方式,在位置关系为非变道关系的情况下,目标方式为横向五次多项式方式;
融合单元1106,用于将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹;
调整单元1108,用于基于目标预测轨迹的终点所在车道序列上的其他静止障碍物、目标预测轨迹和自车的自车行驶轨迹,对第一预测概率进行调整,得到调整后的第二预测概率;
确定单元1110,用于将目标预测轨迹确定为障碍物在未来一段时间,以第二预测概率发生的相对自车的行驶轨迹。
作为一种可选的方案,生成单元1104,包括:
第一获取模块,用于在位置关系为非变道关系的情况下,获取障碍物相对于自车的横向终点状态,其中,横向终点状态包括障碍物到达终点时的横向距离和横向速度;
第一生成模块,用于根据横向距离和横向速度,按照横向五次多项式方式生成横向运动轨迹;或,
第二获取模块,用于在位置关系为变道关系的情况下,获取障碍物到达终点时的横向速度、纵向速度和与道路中心线的横向偏移量;
第三获取模块,用于获取与横向速度匹配的横向速度趋近率、与纵向速度匹配的纵向速度趋近率和与横向偏移量匹配的横向偏移量趋近率,并将横向速度趋近率、纵向速度趋近率和横向偏移量趋近率的乘积结果确定为横向动态指数趋近率;
第二生成模块,用于根据横向动态指数趋近率,调整横向动态指数,并按照调整后的横向动态指数,生成障碍物的横向运动轨迹。
作为一种可选的方案,第二获取模块,包括:
获取子模块,用于获取障碍物到达终点时的横向距离和横向速度;
确定子模块,用于在障碍物在道路中心线右侧且向右运动、或在道路中心线左侧且向左运动、或横向速度小于第一预设阈值的情况下,将横向速度更新赋值为第一预设阈值。
作为一种可选的方案,筛选单元1102,包括:
第四获取模块,用于获取障碍物的多个行驶意图、多个行驶意图中的各个行驶意图分别对应的第一预测概率;
第一确定模块,用于从多个行驶意图中确定出第一预测概率最高的第一行驶意图;
验证模块,用于基于障碍物所在车道序列的周围环境信息、障碍物的当前运动状态、障碍物在前N帧的历史运动状态,对第一行驶意图进行合理性验证,其中,当前行驶信息包括当前运动状态、历史行驶信息包括历史运动状态,N为正整数;
第二确定模块,用于在第一行驶意图通过合理性验证的情况下,将第一行驶意图确定为目标行驶意图。
作为一种可选的方案,验证模块,包括以下至少之一:
第一验证子模块,用于对第一行驶意图进行异常右侧变道意图过滤,其中,在障碍物所在车道序列的右侧车道序列前方的第一目标距离内不存在其他静止障碍物的情况下,在障碍物的当前速度大于第二预设阈值、且障碍物在前N帧的平均横向速度小于第三预设阈值、且障碍物在前N帧的平均航向角小于第四预设阈值的情况下,或在当前速度大于第二预设阈值、且障碍物在前N帧到右侧车道边界的第一平均距离大于第五预设阈值、平均航向角小于第四预设阈值的情况下,确定第一行驶意图为异常右侧变道意图、以及确定第一行驶意图不通过合理性验证;在第一目标距离内存在其他静止障碍物的情况下,在当前速度大于第二预设阈值、且平均横向速度小于第三预设阈值、且平均航向角小于第四预设阈值、且其他静止障碍物与障碍物之间的第一相差距离小于第六预设阈值的情况下,或在当前速度大于第二预设阈值、且第一平均距离大于第五预设阈值、且平均航向角小于第四预设阈值、且第一相差距离小于第六预设阈值的情况下,确定第一行驶意图为异常右侧变道意图、以及确定第一行驶意图不通过合理性验证;
第二验证子模块,对第一行驶意图进行异常左侧变道意图过滤,其中,在障碍物所在车道序列的左侧车道序列前方的第二目标距离内不存在其他静止障碍物的情况下,在当前速度大于第二预设阈值、且平均横向速度小于第三预设阈值、且平均航向角小于第四预设阈值的情况下,或在当前速度大于第二预设阈值、且障碍物在前N帧到左侧车道边界的第二平均距离大于第五预设阈值、平均航向角小于第四预设阈值的情况下,确定第一行驶意图为异常左侧变道意图、以及确定第一行驶意图不通过合理性验证;在第一目标距离内存在其他静止障碍物的情况下,在当前速度大于第二预设阈值、且平均横向速度小于第三预设阈值、且平均航向角小于第四预设阈值、且其他静止障碍物与障碍物之间的第二相差距离小于第六预设阈值的情况下,或在当前速度大于第二预设阈值、且第二平均距离大于第五预设阈值、且平均航向角小于第四预设阈值、且第二相差距离小于第六预设阈值的情况下,确定第一行驶意图为异常左侧变道意图、以及确定第一行驶意图不通过合理性验证;
第三验证子模块,用于对第一行驶意图进行异常直行意图过滤,其中,在当前速度大于第二预设阈值、且平均横向速度大于第七预设阈值、且第一平均距离和第二平均距离中存在至少一个小于第四预设阈值的距离、且平均航向角大于第五预设阈值的情况下,确定第一行驶意图为异常直行意图、以及确定第一行驶意图不通过合理性验证。
作为一种可选的方案,调整单元1108,包括:
第五获取模块,用于获取其他静止障碍物与目标预测轨迹最近点的欧式距离,以及获取其他静止障碍物与目标预测轨迹的相对距离;
第三确定模块,用于在获取到与欧式距离匹配的第一成本概率、以及与相对距离匹配的第二成本概率的情况下,将第一成本概率与第二成本概率的乘积结果确定为第一修正概率,其中,第一修正概率用于指示其他静止障碍物对目标预测轨迹的影响成本;
第四确定模块,用于在获取到用于指示自车的自车行驶轨迹对目标预测轨迹的影响成本的第二修正概率的情况下,将第一修正概率与第一参数的乘积结果,加上第二修正概率与第二参数的乘积结果,得到目标修正概率;
第五确定模块,用于将第一预测概率与目标修正概率的乘积结果,确定为调整后的第二预测概率。
作为一种可选的方案,装置还包括:
稀疏模块,用于在将第一修正概率和第二修正概率的乘积结果确定为目标修正概率之前,按照目标时间间隔,对目标预测轨迹和自车行驶轨迹进行稀疏化处理,得到稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹;
第六确定模块,用于在将第一修正概率和第二修正概率的乘积结果确定为目标修正概率之前,从稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹上确定出时间信息一致的M组距离点,其中,每一组距离点包括一个来自于稀疏化后的目标预测轨迹上的点和一个来自于稀疏化后的自车行驶轨迹上的点,M为正整数;
第七获取模块,用于在将第一修正概率和第二修正概率的乘积结果确定为目标修正概率之前,获取每一组距离点中的两个点之间的欧式距离,以及获取每一组距离点中欧式距离最小的目标组距离点;
第七获取模块,用于在将第一修正概率和第二修正概率的乘积结果确定为目标修正概率之前,获取每一组距离点对应的、与欧式距离匹配的每一组第三成本概率;
第七确定模块,用于在将第一修正概率和第二修正概率的乘积结果确定为目标修正概率之前,将每一组第三成本概率的平均值乘以第一参数的值,再加上目标组距离点对应的第三成本概率乘以第二参数的值,所得到的和值确定为第二修正概率。
作为一种可选的方案,生成单元1104,包括:
第八获取模块,用于获取障碍物相对自车的纵向终点状态,其中,纵向终点状态包括障碍物到达终点时的纵向速度和所需的纵向时间;
第三生成模块,用于根据纵向速度和纵向时间,按照纵向四次多项式方式生成纵向运动轨迹。
作为一种可选的方案,融合单元1106,包括:
轨迹融合模块,用于将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的第一预测轨迹;
轨迹剔除模块,用于在第一预测轨迹中存在异常预测轨迹的情况下,将异常预测轨迹从第一预测轨迹中剔除,得到第二预测轨迹,其中,异常预测轨迹为车道序列之外的轨迹、穿过自车的轨迹、穿过障碍物的轨迹;
轨迹确定模块,用于将第二预测轨迹确定为目标预测轨迹。
具体实施例可以参考上述障碍物的行驶轨迹生成方法中所示示例,本示例中在此不再赘述。
根据本申请实施例的又一个方面,还提供了一种用于实施上述障碍物的行驶轨迹生成方法的电子设备,如图12所示,该电子设备包括存储器1202和处理器1204,该存储器1202中存储有计算机程序,该处理器1204被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,基于障碍物的当前行驶信息和历史行驶信息,对障碍物对应的多个行驶意图进行筛选,得到障碍物对应的目标行驶意图和目标行驶意图的第一预测概率,其中,目标行驶意图用于指示障碍物与自车的位置关系;
S2,按照纵向四次多项式方式生成障碍物的纵向运动轨迹,以及按照基于位置关系确定的目标方式,生成障碍物的横向运动轨迹,其中,在位置关系为变道关系的情况下,目标方式为横向动态指数趋近方式,在位置关系为非变道关系的情况下,目标方式为横向五次多项式方式;
S3,将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹;
S4,基于目标预测轨迹的终点所在车道序列上的其他静止障碍物、目标预测轨迹和自车的自车行驶轨迹,对第一预测概率进行调整,得到调整后的第二预测概率;
S5,将目标预测轨迹确定为障碍物在未来一段时间,以第二预测概率发生的相对自车的行驶轨迹。
可选地,本领域普通技术人员可以理解,图12所示的结构仅为示意,电子设备也可以是智能手机(如、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图12其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图12中所示更多或者更少的组件(如网络接口等),或者具有与图12所示不同的配置。
其中,存储器1202可用于存储软件程序以及模块,如本申请实施例中的障碍物的行驶轨迹生成方法和装置对应的程序指令/模块,处理器1204通过运行存储在存储器1202内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的障碍物的行驶轨迹生成方法。存储器1202可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1202可进一步包括相对于处理器1204远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1202具体可以但不限于用于存储行驶轨迹、第一预测概率等信息。作为一种示例,如图12所示,上述存储器1202中可以但不限于包括上述障碍物的行驶轨迹生成装置中的筛选单元1102、生成单元1104、融合单元1106、调整单元1108、确定单元1110。此外,还可以包括但不限于上述障碍物的行驶轨迹生成装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1206用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1206包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置806为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器1208,用于显示行驶轨迹、第一预测概率等信息;和连接总线1210,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(Peer To Peer,简称P2P)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的一个方面,提供了一种计算机程序产品,该计算机程序产品包括计算机程序/指令,该计算机程序/指令包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理器执行时,执行本申请实施例提供的各种功能。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,电子设备的计算机系统仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
计算机系统包括中央处理器(Central Processing Unit,CPU),其可以根据存储在只读存储器(Read-Only Memory,ROM)中的程序或者从存储部分加载到随机访问存储器(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器中,还存储有系统操作所需的各种程序和数据。中央处理器、在只读存储器以及随机访问存储器通过总线彼此相连。输入/输出接口(Input /Output接口,即I/O接口)也连接至总线。
以下部件连接至输入/输出接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至输入/输出接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本申请的实施例,各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。在该计算机程序被中央处理器执行时,执行本申请的系统中限定的各种功能。
根据本申请的一个方面,提供了一种计算机可读存储介质,计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,基于障碍物的当前行驶信息和历史行驶信息,对障碍物对应的多个行驶意图进行筛选,得到障碍物对应的目标行驶意图和目标行驶意图的第一预测概率,其中,目标行驶意图用于指示障碍物与自车的位置关系;
S2,按照纵向四次多项式方式生成障碍物的纵向运动轨迹,以及按照基于位置关系确定的目标方式,生成障碍物的横向运动轨迹,其中,在位置关系为变道关系的情况下,目标方式为横向动态指数趋近方式,在位置关系为非变道关系的情况下,目标方式为横向五次多项式方式;
S3,将纵向运动轨迹和横向运动轨迹进行轨迹融合处理,得到障碍物的目标预测轨迹;
S4,基于目标预测轨迹的终点所在车道序列上的其他静止障碍物、目标预测轨迹和自车的自车行驶轨迹,对第一预测概率进行调整,得到调整后的第二预测概率;
S5,将目标预测轨迹确定为障碍物在未来一段时间,以第二预测概率发生的相对自车的行驶轨迹。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种障碍物的行驶轨迹生成方法,其特征在于,包括:
基于障碍物的当前行驶信息和历史行驶信息,对所述障碍物对应的多个行驶意图进行筛选,得到所述障碍物对应的目标行驶意图和所述目标行驶意图的第一预测概率,其中,所述目标行驶意图用于指示所述障碍物与自车的位置关系;
按照纵向四次多项式方式生成所述障碍物的纵向运动轨迹,以及按照基于所述位置关系确定的目标方式,生成所述障碍物的横向运动轨迹,其中,在所述位置关系为变道关系的情况下,所述目标方式为横向动态指数趋近方式,在所述位置关系为非变道关系的情况下,所述目标方式为横向五次多项式方式;
在所述位置关系为变道关系的情况下,按照所述横向动态指数趋近方式生成所述障碍物的所述横向运动轨迹,包括:获取所述障碍物到达终点时的横向速度、纵向速度和与道路中心线的横向偏移量;
获取与所述横向速度匹配的横向速度趋近率、与所述纵向速度匹配的纵向速度趋近率和与所述横向偏移量匹配的横向偏移量趋近率,并将所述横向速度趋近率、所述纵向速度趋近率和所述横向偏移量趋近率的乘积结果确定为横向动态指数趋近率;
根据所述横向动态指数趋近率,调整横向动态指数,并按照调整后的横向动态指数,生成所述障碍物的所述横向运动轨迹;
将所述纵向运动轨迹和所述横向运动轨迹进行轨迹融合处理,得到所述障碍物的目标预测轨迹;
基于所述目标预测轨迹的终点所在车道序列上的其他静止障碍物、所述目标预测轨迹和所述自车的自车行驶轨迹,对所述第一预测概率进行调整,得到调整后的第二预测概率;
将所述目标预测轨迹确定为所述障碍物在未来一段时间,以所述第二预测概率发生的相对所述自车的行驶轨迹。
2.根据权利要求1所述的方法,其特征在于,所述按照基于所述位置关系确定的目标方式,生成所述障碍物的横向运动轨迹,包括:
在所述位置关系为非变道关系的情况下,获取所述障碍物相对于所述自车的横向终点状态,其中,所述横向终点状态包括所述障碍物到达所述终点时的横向距离和所述横向速度;
根据所述横向距离和所述横向速度,按照所述横向五次多项式方式生成所述横向运动轨迹。
3.根据权利要求2所述的方法,其特征在于,所述获取所述障碍物相对于所述自车的横向终点状态,包括:
获取所述障碍物到达所述终点时的所述横向距离和所述横向速度;
在所述障碍物在所述道路中心线右侧且向右运动、或在所述道路中心线左侧且向左运动、或所述横向速度小于第一预设阈值的情况下,将所述横向速度更新赋值为所述第一预设阈值。
4.根据权利要求1所述的方法,其特征在于,所述基于障碍物的当前行驶信息和历史行驶信息,对所述障碍物对应的多个行驶意图进行筛选,得到所述障碍物对应的目标行驶意图和所述目标行驶意图的第一预测概率,包括:
获取所述障碍物的所述多个行驶意图、所述多个行驶意图中的各个行驶意图分别对应的第一预测概率;
从所述多个行驶意图中确定出所述第一预测概率最高的第一行驶意图;
基于所述障碍物所在车道序列的周围环境信息、所述障碍物的当前运动状态、所述障碍物在前N帧的历史运动状态,对所述第一行驶意图进行合理性验证,其中,所述当前行驶信息包括所述当前运动状态、所述历史行驶信息包括所述历史运动状态,N为正整数;
在所述第一行驶意图通过所述合理性验证的情况下,将所述第一行驶意图确定为所述目标行驶意图。
5.根据权利要求4所述的方法,其特征在于,所述基于所述障碍物所在车道序列的周围环境信息、所述障碍物的当前运动状态、所述障碍物在前N帧的历史运动状态,对所述第一行驶意图进行合理性验证,包括以下至少之一:
对所述第一行驶意图进行异常右侧变道意图过滤,其中,在所述障碍物所在车道序列的右侧车道序列前方的第一目标距离内不存在所述其他静止障碍物的情况下,在所述障碍物的当前速度大于第二预设阈值、且所述障碍物在所述前N帧的平均横向速度小于第三预设阈值、且所述障碍物在所述前N帧的平均航向角小于第四预设阈值的情况下,或在所述当前速度大于所述第二预设阈值、且所述障碍物在所述前N帧到右侧车道边界的第一平均距离大于第五预设阈值、所述平均航向角小于所述第四预设阈值的情况下,确定所述第一行驶意图为异常右侧变道意图、以及确定所述第一行驶意图不通过所述合理性验证;在所述第一目标距离内存在所述其他静止障碍物的情况下,在所述当前速度大于所述第二预设阈值、且所述平均横向速度小于所述第三预设阈值、且所述平均航向角小于所述第四预设阈值、且所述其他静止障碍物与所述障碍物之间的第一相差距离小于第六预设阈值的情况下,或在所述当前速度大于所述第二预设阈值、且所述第一平均距离大于所述第五预设阈值、且所述平均航向角小于所述第四预设阈值、且所述第一相差距离小于所述第六预设阈值的情况下,确定所述第一行驶意图为异常右侧变道意图、以及确定所述第一行驶意图不通过所述合理性验证;
对所述第一行驶意图进行异常左侧变道意图过滤,其中,在所述障碍物所在车道序列的左侧车道序列前方的第二目标距离内不存在所述其他静止障碍物的情况下,在所述当前速度大于第二预设阈值、且所述平均横向速度小于所述第三预设阈值、且所述平均航向角小于所述第四预设阈值的情况下,或在所述当前速度大于所述第二预设阈值、且所述障碍物在所述前N帧到左侧车道边界的第二平均距离大于所述第五预设阈值、所述平均航向角小于所述第四预设阈值的情况下,确定所述第一行驶意图为异常左侧变道意图、以及确定所述第一行驶意图不通过所述合理性验证;在所述第一目标距离内存在所述其他静止障碍物的情况下,在所述当前速度大于所述第二预设阈值、且所述平均横向速度小于所述第三预设阈值、且所述平均航向角小于所述第四预设阈值、且所述其他静止障碍物与所述障碍物之间的第二相差距离小于所述第六预设阈值的情况下,或在所述当前速度大于所述第二预设阈值、且所述第二平均距离大于所述第五预设阈值、且所述平均航向角小于所述第四预设阈值、且所述第二相差距离小于所述第六预设阈值的情况下,确定所述第一行驶意图为异常左侧变道意图、以及确定所述第一行驶意图不通过所述合理性验证;
对所述第一行驶意图进行异常直行意图过滤,其中,在所述当前速度大于所述第二预设阈值、且所述平均横向速度大于第七预设阈值、且所述第一平均距离和所述第二平均距离中存在至少一个小于所述第四预设阈值的距离、且所述平均航向角大于所述第五预设阈值的情况下,确定所述第一行驶意图为异常直行意图、以及确定所述第一行驶意图不通过所述合理性验证。
6.根据权利要求1所述的方法,其特征在于,所述基于所述目标预测轨迹的终点所在车道序列上的其他静止障碍物、所述目标预测轨迹和所述自车的自车行驶轨迹,对所述第一预测概率进行调整,得到调整后的第二预测概率,包括:
获取所述其他静止障碍物与所述目标预测轨迹最近点的欧式距离,以及获取所述其他静止障碍物与所述目标预测轨迹的相对距离;
在获取到与所述欧式距离匹配的第一成本概率、以及与所述相对距离匹配的第二成本概率的情况下,将所述第一成本概率与所述第二成本概率的乘积结果确定为第一修正概率,其中,所述第一修正概率用于指示所述其他静止障碍物对所述目标预测轨迹的影响成本;
在获取到用于指示所述自车的自车行驶轨迹对所述目标预测轨迹的影响成本的第二修正概率的情况下,将所述第一修正概率与第一参数的乘积结果,加上所述第二修正概率与第二参数的乘积结果,得到目标修正概率;
将所述第一预测概率与所述目标修正概率的乘积结果,确定为所述调整后的第二预测概率。
7.根据权利要求6所述的方法,其特征在于,在所述将所述第一修正概率和所述第二修正概率的乘积结果确定为目标修正概率之前,所述方法还包括:
按照目标时间间隔,对所述目标预测轨迹和所述自车行驶轨迹进行稀疏化处理,得到稀疏化后的目标预测轨迹和稀疏化后的自车行驶轨迹;
从所述稀疏化后的目标预测轨迹和所述稀疏化后的自车行驶轨迹上确定出时间信息一致的M组距离点,其中,每一组距离点包括一个来自于所述稀疏化后的目标预测轨迹上的点和一个来自于所述稀疏化后的自车行驶轨迹上的点,M为正整数;
获取所述每一组距离点中的两个点之间的所述欧式距离,以及获取所述每一组距离点中所述欧式距离最小的目标组距离点;
获取所述每一组距离点对应的、与所述欧式距离匹配的每一组第三成本概率;
将所述每一组第三成本概率的平均值乘以第三参数的值,再加上所述目标组距离点对应的第三成本概率乘以第四参数的值,所得到的和值确定为所述第二修正概率。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述按照纵向四次多项式方式生成所述障碍物的纵向运动轨迹,包括:
获取所述障碍物相对所述自车的纵向终点状态,其中,所述纵向终点状态包括所述障碍物到达终点时的纵向速度和所需的纵向时间;
根据所述纵向速度和所述纵向时间,按照所述纵向四次多项式方式生成所述纵向运动轨迹。
9.根据权利要求1至7任一项所述的方法,其特征在于,所述将所述纵向运动轨迹和所述横向运动轨迹进行轨迹融合处理,得到所述障碍物的目标预测轨迹包括:
将所述纵向运动轨迹和所述横向运动轨迹进行轨迹融合处理,得到所述障碍物的第一预测轨迹;
在所述第一预测轨迹中存在异常预测轨迹的情况下,将所述异常预测轨迹从所述第一预测轨迹中剔除,得到第二预测轨迹,其中,所述异常预测轨迹为车道序列之外的轨迹、穿过所述自车的轨迹、穿过所述障碍物的轨迹;
将所述第二预测轨迹确定为所述目标预测轨迹。
10.一种障碍物的行驶轨迹生成装置,其特征在于,包括:
筛选单元,用于基于障碍物的当前行驶信息和历史行驶信息,对所述障碍物对应的多个行驶意图进行筛选,得到所述障碍物对应的目标行驶意图和所述目标行驶意图的第一预测概率,其中,所述目标行驶意图用于指示所述障碍物与自车的位置关系;
生成单元,用于按照纵向四次多项式方式生成所述障碍物的纵向运动轨迹,以及按照基于所述位置关系确定的目标方式,生成所述障碍物的横向运动轨迹,其中,在所述位置关系为变道关系的情况下,所述目标方式为横向动态指数趋近方式,在所述位置关系为非变道关系的情况下,所述目标方式为横向五次多项式方式;
所述生成单元,包括第二获取模块、第三获取模块和第二生成模块,其中,
所述第二获取模块,用于在所述位置关系为所述变道关系的情况下,获取所述障碍物到达终点时的横向速度、纵向速度和与道路中心线的横向偏移量;
所述第三获取模块,用于获取与所述横向速度匹配的横向速度趋近率、与所述纵向速度匹配的纵向速度趋近率和与所述横向偏移量匹配的横向偏移量趋近率,并将所述横向速度趋近率、所述纵向速度趋近率和所述横向偏移量趋近率的乘积结果确定为横向动态指数趋近率;
所述第二生成模块,用于根据所述横向动态指数趋近率,调整横向动态指数,并按照调整后的横向动态指数,生成所述障碍物的所述横向运动轨迹;
融合单元,用于将所述纵向运动轨迹和所述横向运动轨迹进行轨迹融合处理,得到所述障碍物的目标预测轨迹;
调整单元,用于基于所述目标预测轨迹的终点所在车道序列上的其他静止障碍物、所述目标预测轨迹和所述自车的自车行驶轨迹,对所述第一预测概率进行调整,得到调整后的第二预测概率;
确定单元,用于将所述目标预测轨迹确定为所述障碍物在未来一段时间,以所述第二预测概率发生的相对所述自车的行驶轨迹。
11.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至9中任一项所述的方法。
12.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410393248.2A CN117962932B (zh) | 2024-04-02 | 2024-04-02 | 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410393248.2A CN117962932B (zh) | 2024-04-02 | 2024-04-02 | 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117962932A CN117962932A (zh) | 2024-05-03 |
CN117962932B true CN117962932B (zh) | 2024-06-11 |
Family
ID=90851828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410393248.2A Active CN117962932B (zh) | 2024-04-02 | 2024-04-02 | 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117962932B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN112133089A (zh) * | 2020-07-21 | 2020-12-25 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112269384A (zh) * | 2020-10-23 | 2021-01-26 | 电子科技大学 | 一种结合障碍物行为意图的车辆动态轨迹规划方法 |
EP3819182A1 (en) * | 2019-11-08 | 2021-05-12 | Baidu USA LLC | Delay decision making for autonomous driving vehicles in response to obstacles based on confidence level and distance |
CN113335276A (zh) * | 2021-07-20 | 2021-09-03 | 中国第一汽车股份有限公司 | 障碍物的轨迹预测方法、装置、电子设备及存储介质 |
WO2021204092A1 (zh) * | 2020-04-10 | 2021-10-14 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质资源 |
CN114212110A (zh) * | 2022-01-28 | 2022-03-22 | 中国第一汽车股份有限公司 | 障碍物轨迹预测方法、装置、电子设备及存储介质 |
CN115123307A (zh) * | 2022-08-01 | 2022-09-30 | 深圳海星智驾科技有限公司 | 基于障碍物意图的自动驾驶方法、装置及自动驾驶车辆 |
CN117261938A (zh) * | 2023-08-11 | 2023-12-22 | 广州小鹏自动驾驶科技有限公司 | 路径规划方法、装置、车辆以及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11378961B2 (en) * | 2018-04-17 | 2022-07-05 | Baidu Usa Llc | Method for generating prediction trajectories of obstacles for autonomous driving vehicles |
CN114206698B (zh) * | 2019-06-03 | 2024-07-02 | 实时机器人有限公司 | 在具有动态障碍物的环境中促进运动规划的装置、方法和物品 |
CN113753077A (zh) * | 2021-08-17 | 2021-12-07 | 北京百度网讯科技有限公司 | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 |
-
2024
- 2024-04-02 CN CN202410393248.2A patent/CN117962932B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3819182A1 (en) * | 2019-11-08 | 2021-05-12 | Baidu USA LLC | Delay decision making for autonomous driving vehicles in response to obstacles based on confidence level and distance |
WO2021204092A1 (zh) * | 2020-04-10 | 2021-10-14 | 商汤集团有限公司 | 轨迹预测方法、装置、设备及存储介质资源 |
CN111428943A (zh) * | 2020-04-23 | 2020-07-17 | 福瑞泰克智能系统有限公司 | 障碍物车辆轨迹预测的方法、设备和计算机设备 |
CN112133089A (zh) * | 2020-07-21 | 2020-12-25 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112269384A (zh) * | 2020-10-23 | 2021-01-26 | 电子科技大学 | 一种结合障碍物行为意图的车辆动态轨迹规划方法 |
CN113335276A (zh) * | 2021-07-20 | 2021-09-03 | 中国第一汽车股份有限公司 | 障碍物的轨迹预测方法、装置、电子设备及存储介质 |
WO2023001168A1 (zh) * | 2021-07-20 | 2023-01-26 | 中国第一汽车股份有限公司 | 障碍物的轨迹预测方法、装置、电子设备及存储介质 |
CN114212110A (zh) * | 2022-01-28 | 2022-03-22 | 中国第一汽车股份有限公司 | 障碍物轨迹预测方法、装置、电子设备及存储介质 |
CN115123307A (zh) * | 2022-08-01 | 2022-09-30 | 深圳海星智驾科技有限公司 | 基于障碍物意图的自动驾驶方法、装置及自动驾驶车辆 |
CN117261938A (zh) * | 2023-08-11 | 2023-12-22 | 广州小鹏自动驾驶科技有限公司 | 路径规划方法、装置、车辆以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117962932A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110487288B (zh) | 一种行车道路的估计方法以及行车道路估计系统 | |
EP3644294A1 (en) | Vehicle information storage method, vehicle travel control method, and vehicle information storage device | |
US11648936B2 (en) | Method and apparatus for controlling vehicle | |
US11079761B2 (en) | Vehicle path processing | |
US10829114B2 (en) | Vehicle target tracking | |
JP7089832B2 (ja) | 状態推定器 | |
CN110121449A (zh) | 车辆控制装置、车辆控制方法及车辆控制程序 | |
CN112567439B (zh) | 一种交通流信息的确定方法、装置、电子设备和存储介质 | |
CN110654380B (zh) | 用于控制车辆的方法和装置 | |
US11807270B2 (en) | State estimator | |
WO2021147070A1 (en) | A feedback based real time steering calibration system | |
US11845429B2 (en) | Localizing and updating a map using interpolated lane edge data | |
CN112985825B (zh) | 用于确定自动驾驶系统的乘坐稳定性的方法 | |
CN117962932B (zh) | 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备 | |
CN117284318A (zh) | 基于横向对象控制纵向加速度的系统和方法 | |
EP4141482A1 (en) | Systems and methods for validating camera calibration in real-time | |
US11577725B2 (en) | Vehicle speed and steering control | |
CN113928334B (zh) | 用于自主车辆的基于随机位移的路径定心系统 | |
CN117944684B (zh) | 变道轨迹规划方法和装置、存储介质及电子设备 | |
CN114889593B (zh) | 车道偏离干预方法、装置、设备以及存储介质 | |
WO2024113087A1 (en) | On-board parameter tuning for control module for autonomous vehicles | |
CN118671719A (zh) | 雷达的安装角度标定方法、装置和存储介质及电子设备 | |
WO2023225218A1 (en) | Systems and methods for biasing a trajectory of an autonomous vehicle while moving in a lane | |
EP4320019A1 (en) | A systematic approach towards system identification based yaw rate estimation with low-cost imu+gps units |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |