KR20230026961A - 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량 - Google Patents

장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량 Download PDF

Info

Publication number
KR20230026961A
KR20230026961A KR1020220102645A KR20220102645A KR20230026961A KR 20230026961 A KR20230026961 A KR 20230026961A KR 1020220102645 A KR1020220102645 A KR 1020220102645A KR 20220102645 A KR20220102645 A KR 20220102645A KR 20230026961 A KR20230026961 A KR 20230026961A
Authority
KR
South Korea
Prior art keywords
target
obstacle
information
data
movement trajectory
Prior art date
Application number
KR1020220102645A
Other languages
English (en)
Inventor
찌아난 찌앙
찌아난 찌앙
쉬 리우
찐윤 쩌우
팡팡 동
꾸오웨이 완
Original Assignee
베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 filed Critical 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Publication of KR20230026961A publication Critical patent/KR20230026961A/ko

Links

Images

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic 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
    • B60W50/0097—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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • 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
    • 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
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096827—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed onboard
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0022—Gains, weighting coefficients or weighting functions
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • 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
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • 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
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • 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
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/406—Traffic density
    • 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
    • B60W2554/802—Longitudinal distance
    • 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
    • B60W2554/803—Relative lateral speed
    • 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
    • B60W2554/804—Relative longitudinal speed
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

본 발명은 자율 운전 기술 분야에 관한 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량을 제공하여, 적어도 인터랙팅 장면에서 장애물 이동 궤적의 예측 정확도가 낮은 과제를 해결한다. 구체적인 구현수단은 목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 상기 목표 차량의 계획 궤적 정보를 획득하고; 상기 환경 정보, 상기 과거 상태 정보 및 상기 계획 궤적 정보에 기반하여 상기 목표 장애물의 이동 궤적을 예측하는 것이다.

Description

장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량{METHOD AND APPARATUS FOR PREDICTING MOTION TRACK OF OBSTACLE AND AUTONOMOUS VEHICLE}
본 발명은 자율 운전 기술 분야에 관한 것으로, 특히 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량에 관한 것이다.
자율 운전 차량의 순조로운 주행을 구현하기 위해, 자율 운전 차량이 주행 과정에서, 예측된 각 장애물의 이동 상태에 따라 안전하고 고효율적인 운행 궤적을 계획해낼 수 있도록, 자율 운전 차량이 위치한 주변 환경에 포함된 각 장애물의 이동 상태를 예측해야 한다.
종래 수단에서, 자율 운전 차량의 예측 모듈은 각 장애물의 이동 궤적을 개별적으로 예측할 수 있다. 그러나, 일부 복잡한 인터랙팅 장면에서 예측 정확도가 낮아져, 차량 주행의 안전 문제가 쉽게 발생될 수 있다.
본 발명은 적어도 인터랙팅 장면에서 장애물 이동 궤적의 예측 정확도가 낮은 과제를 해결하기 위한 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량을 제공한다.
본 발명의 일 측면에 따르면, 목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득하는 단계; 및 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측하는 단계를 포함하는 장애물 이동 궤적의 예측 방법을 제공한다.
본 발명의 다른 측면에 따르면, 목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득하기 위한 획득 모듈; 및 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측하기 위한 예측 모듈을 포함하는 장애물 이동 궤적의 예측 장치를 제공한다.
본 발명의 또 다른 측면에 따르면, 적어도 하나의 프로세서; 및 적어도 하나의 프로세서와 통신 가능하게 연결되는 메모리를 포함하는 전자 기기로서, 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있으며, 적어도 하나의 프로세서에 의해 명령이 실행되면, 적어도 하나의 프로세서가 상기 장애물 이동 궤적의 예측 방법을 수행할 수 있도록 한다.
본 발명의 또 다른 측면에 따르면, 컴퓨터가 상기 장애물 이동 궤적의 예측 방법을 수행하도록 하는 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체를 제공한다.
본 발명의 또 다른 측면에 따르면, 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품으로서, 컴퓨터 프로그램이 프로세서에 의해 실행될 경우, 상기 장애물 이동 궤적의 예측 방법이 수행되는 컴퓨터 프로그램 제품을 제공한다.
본 발명의 또 다른 측면에 따르면, 상기 전자 기기를 포함하는 자율 운전 차량을 제공한다.
본 발명에서는 목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득하고; 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측함으로써, 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 장애물 이동 궤적 예측을 수행하는 목적을 달성하며, 인터랙팅 장면에서 장애물 이동 궤적에 대한 정확한 예측, 자율 운전 차량의 주행 안정성과 하시니스(harshness) 향상 효과를 구현함으로써, 인터랙팅 장면에서 장애물 이동 궤적의 예측 정확도가 낮은 문제를 해결한다.
본 부분에서 설명된 내용은 본 발명의 실시예의 핵심적이거나 중요한 특징을 식별하도록 의도되지 않으며, 본 발명의 범위를 제한하려는 의도도 아님을 이해해야 한다. 본 발명의 다른 특징은 아래의 명세서를 통해 더 쉽게 이해될 것이다.
구성하지 않는다. 여기서,
도 1은 본 발명의 실시예에 따른 장애물 이동 궤적의 예측 방법을 구현하기 위한 컴퓨터 단말기(또는 이동 기기)의 하드웨어 구조 블록도이다.
도 2는 본 발명의 실시예에 따른 장애물 이동 궤적의 예측 방법의 흐름도이다.
도 3은 본 발명의 실시예에 따른 장애물 이동 궤적의 예측 장치의 구조 블록도이다.
이하, 도면을 참조하면서 본 발명의 예시적인 실시예를 설명하며, 그 중에는 본 발명의 실시예의 다양한 세부사항이 포함되어 이해를 돕고, 이들은 예시적인 것으로만 간주되어야 한다. 따라서, 본 기술분야의 통상의 기술자는 본 발명의 범위와 사상을 벗어나지 않으면서 여기서 설명된 실시예에 대해 다양한 변경 및 수정을 진행할 수 있음을 인식해야 한다. 마찬가지로, 명확하고 간결함을 위해, 이하의 설명에서는 공지된 기능 및 구조에 대한 설명을 생략한다.
설명해야 할 것은, 본 발명의 명세서와 특허청구범위 및 상기 도면의 용어 “제1”, “제2” 등은 유사한 객체를 구별하기 위한 것이고, 반드시 특정된 순서 또는 선후 순서를 설명하는데 사용되는 것은 아니다. 이렇게 사용된 데이터는 적절한 상황에서 서로 교환되어, 여기에서 설명된 본 발명의 실시예가 여기에 도시되거나 설명된 것을 제외한 순서로 구현될 수 있음을 이해해야 한다. 또한, 용어 “포함” 및 “구비” 및 이들의 임의의 변형은 비배타적 포함을 포함하도록 의도되고, 예를 들어, 일련의 단계 또는 유닛을 포함하는 과정, 방법, 시스템, 제품 또는 기기가 반드시 명확하게 나열된 단계 또는 유닛으로 제한될 필요가 없고, 명확하게 나열되지 않았거나 또는 이러한 과정, 방법, 시스템, 제품 또는 기기에 고유한 다른 단계 또는 유닛을 포함할 수 있다.
종래 수단에서, 자율 운전 차량의 예측 모듈은 위치한 환경 중 각 장애물의 이동 궤적을 개별적으로 예측할 경우, 일반적으로, 물리적 모델 기반 궤적 예측, 동작 시퀀스 기반 궤적 예측 및 데이터 구동 기반 궤적 예측의 세 가지 기술을 사용한다.
상기 물리적 모델 기반 궤적 예측 기술은 주로 장애물의 과거 상태 정보를 이용하고, 동역학적, 운동학적 모델을 결합하여 장애물 미래 이동 궤적의 예측을 수행한다. 이 방법에서 흔히 사용되는 알고리즘으로는, 물리적 모델 기반 궤적 확장, 가우시안 노이즈 기반 궤적 예측 및 몬테카를로 과정 기반 궤적 예측이 있다. 그러나, 이러한 예측 기술은 예측 시간 영역이 짧은 경우에만 적합하고, 더 긴 시간 영역에서의 이동 궤적 예측의 경우, 예측 정확도가 크게 감소되며, 또한 이러한 예측 기술은 이동 상태가 갑자기 변하는 장애물을 처리할 수도 없다.
상기 동작 시퀀스 기반 궤적 예측 기술은, 장애물의 이동 궤적을 일련의 이산적인 이동 행동의 조합으로 간주하고, 상이한 이동 모드를 미리 정의하며, 장애물의 과거 상태 정보를 결합하여, 대응되는 이동 모드를 매칭한 다음, 샘플링 등 방법을 결합하여 장애물의 이동 궤적을 예측한다. 그러나, 이산 이동 행동의 생성은 환경 정보, 도로 토폴로지(topology) 관계와 커플링되기 때문에, 이러한 예측 기술은 장면에 대한 의존도가 높고, 알고리즘의 일반화 능력이 부족하다. 또한, 예측 효과가 샘플링 궤적 개수 설정의 영향을 받기 쉽고, 샘플링 개수가 부족하면, 예측 결과의 정확도에 영향을 미치며, 샘플링 개수가 너무 많으면, 컴퓨팅 효율이 떨어진다.
상기 데이터 구동 기반 궤적 예측 기술은, 주로 머신 러닝, 딥 러닝 등 데이터 구동의 방법이 이용되고, 대량의 도로 테스트 데이터와 신경망을 결합하여, 궤적 예측 모델을 훈련하며, 예측 모델에 의해 장애물 이동 궤적의 예측을 수행한다. 그러나, 대부분의 데이터 구동 기반 예측 알고리즘은 모두 장애물을 개별적으로 예측하고, 목표 장애물 이동 상태에 대한 주변 장애물의 영향을 고려하지 않으며, 인터랙팅 장면인 경우, 예측 효과가 이상적이지 못하다.
종래의 기술적 해결수단으로는 인터랙팅 장면에서 자율 운전 차량의 장애물 이동 궤적에 대해 높은 정확도의 예측을 수행할 수 없다. 예를 들면, 좁은 도로에서 차량이 만나는 장면, 갈림길에서 교차하면서 주행하는 장면 등의 경우, 예측 모듈은 주변 환경 중 각 장애물 사이의 이동 상태 영향을 고려하지 않아, 예측 결과와 실제 위치 사이의 편차가 크다.
본 발명의 실시예에 따르면, 장애물 이동 궤적의 예측 방법을 제공한다. 설명해야 할 것은, 도면의 흐름도에 도시된 단계는 예컨대 컴퓨터에 의해 실행 가능한 한 그룹의 명령의 컴퓨터 시스템에서 수행될 수 있고, 또한, 흐름도에서 논리적인 순서를 도시하였으나, 일부 경우에는 이와 다른 순서로 도시되거나 설명된 단계를 수행할 수 있다.
본 발명의 실시예에 따른 방법 실시예는 이동 단말기, 컴퓨터 단말기 또는 유사한 전자 기기에서 수행될 수 있다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크스테이션, 개인 휴대 정보 단말기, 서버, 블레이드 서버, 대형 컴퓨터 및 다른 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 나타내도록 의도된다. 또한, 전자 기기는 개인 휴대 정보 단말기, 셀룰러폰, 스마트폰, 웨어러블 기기 및 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 이동 장치를 나타낼 수 있다. 본 명세서에 도시된 부재, 이들의 연결과 관계, 및 이들의 기능은 단지 예시일 뿐이고, 본 명세서에 설명된 및/또는 요구된 본 발명의 구현을 제한하려는 것이 아니다. 도 1은 장애물 이동 궤적의 예측 방법을 구현하기 위한 컴퓨터 단말기(또는 이동 기기)의 하드웨어 구조 블록도를 도시한다.
도 1에 도시된 바와 같이, 컴퓨터 단말기(100)는 판독 전용 메모리(ROM, 102)에 저장된 컴퓨터 프로그램 또는 저장 유닛(108)으로부터 랜덤 액세스 메모리(RAM, 103)에 로딩된 컴퓨터 프로그램에 따라, 여러 개의 적절한 동작 및 처리를 수행할 수 있는 컴퓨팅 유닛(101)을 포함한다. RAM(103)에는 컴퓨터 단말기(100)의 동작에 필요한 다양한 프로그램 및 데이터가 더 저장될 수 있다. 컴퓨팅 유닛(101), ROM(102) 및 RAM(103)은 버스(104)를 통해 서로 연결된다. 입력/출력(I/O) 인터페이스(105)도 버스(104)에 연결된다.
컴퓨터 단말기(100)의 복수의 부재는 I/O 인터페이스(105)에 연결되고, 키보드, 마우스 등과 같은 입력 유닛(106); 다양한 유형의 디스플레이, 스피커 등과 같은 출력 유닛(107); 자기 디스크, 광 디스크 등과 같은 저장 유닛(108); 및, 네트워크 카드, 모뎀, 무선 통신 송수신기 등과 같은 통신 유닛(109)을 포함한다. 통신 유닛(109)은 컴퓨터 단말기(100)가 인터넷과 같은 컴퓨터 네트워크 및/또는 다양한 전기 통신 네트워크를 통해 다른 기기와 정보/데이터를 교환하도록 허용한다.
컴퓨팅 유닛(101)은 처리 및 컴퓨팅 능력을 갖는 다양한 범용 및/또는 특수 목적 처리 컴포넌트일 수 있다. 컴퓨팅 유닛(101)의 일부 예시로서, 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 다양한 특수 목적 인공 지능(AI) 컴퓨팅 칩, 머신 러닝 모델 알고리즘을 실행하는 다양한 컴퓨팅 유닛, 디지털 신호 프로세서(DSP) 및 임의의 적절한 프로세서, 컨트롤러, 마이크로 컨트롤러 등을 포함하나 이에 제한되지 않는다. 컴퓨팅 유닛(101)은 본 명세서에 설명된 장애물 이동 궤적의 예측 방법을 수행한다. 예를 들어, 일부 실시예에서, 장애물 이동 궤적의 예측 방법은 저장 유닛(108)과 같이 기계 판독 가능 매체에 유형적으로 포함되는 컴퓨터 소프트웨어 프로그램으로 구현될 수 있다. 일부 실시예에서, 컴퓨터 프로그램의 일부 또는 전부는 ROM(102) 및/또는 통신 유닛(109)에 의해 컴퓨터 단말기(100)에 로딩 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM(103)에 로딩되어 컴퓨팅 유닛(101)에 의해 실행되면, 본 명세서에서 설명된 장애물 이동 궤적의 예측 방법의 하나 또는 복수 개의 단계가 수행될 수 있다. 대안적으로, 다른 실시예에서, 컴퓨팅 유닛(101)은 다른 임의의 적절한 방식(예를 들어, 펌웨어)을 통해 장애물 이동 궤적의 예측 방법을 수행하도록 구성될 수 있다.
본 명세서에 설명된 시스템 및 기술의 다양한 실시형태는 디지털 전자회로 시스템, 집적 회로 시스템, 필드 프로그램 가능 게이트 어레이(FPGA), 특수 목적 집적 회로(ASIC), 특수 목적 표준 제품(ASSP), 시스템 온 칩 시스템(SOC), 복합 프로그램 가능 논리 소자(CPLD), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 다양한 실시형태는 하기와 같은 것을 포함할 수 있다. 하나 또는 복수 개의 컴퓨터 프로그램에서 구현되고, 상기 하나 또는 복수 개의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 실행 및/또는 해석될 수 있으며, 상기 프로그램 가능 프로세서는 특수 목적 또는 범용 프로그램 가능 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치, 및 적어도 하나의 출력 장치로부터 데이터와 명령을 수신하고, 또한, 데이터와 명령을 상기 저장 시스템, 상기 적어도 하나의 입력 장치, 및 상기 적어도 하나의 출력 장치에 전송할 수 있다.
여기서 설명해야 할 것은, 일부 선택 가능한 실시예예서, 상기 도 1에 도시된 전자 기기는 하드웨어 소자(회로를 포함), 소프트웨어 소자(컴퓨터 판독 가능 매체에 저장된 컴퓨터 코드를 포함), 또는 하드웨어 소자와 소프트웨어 소자의 결합을 포함할 수 있다. 지적해야 할 것은, 도 1은 특정된 구체적인 구현예의 하나일 뿐이고, 상기 전자 기기에 존재할 수 있는 부재의 유형을 도시하도록 의도된다.
상기 실행 환경에서, 본 발명은 도 2에 도시된 장애물 이동 궤적의 예측 방법을 제공한다. 이 방법은 도 1에 도시된 컴퓨터 단말기 또는 유사한 전자 기기에 의해 수행될 수 있다. 도 2는 본 발명의 실시예에 따른 장애물 이동 궤적의 예측 방법의 흐름도이다. 도 2에 도시된 바와 같이, 이 방법은 하기와 같은 단계를 포함할 수 있다.
단계 S20에서, 목표 장면에서의 환경 정보, 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득한다.
상기 목표 장애물은 목표 차량의 잠재적 대화형 객체이며, 예를 들어, 목표 장애물은 목표 차량에 장애가 되는 다른 차량일 수 있다. 목표 차량은 특정된 선별 방식에 따라 목표 장면에서의 목표 장애물을 자체로 결정할 수 있다.
상기 목표 장면은 주행 과정에서의 차량의 인터랙팅 장면일 수 있고, 예를 들면, 좁은 도로에서 차량이 만나는 장면, 갈림길에서 교차하면서 주행하는 장면 등이다. 이러한 인터랙팅 장면에서, 지리적 위치 제한, 차량 사이의 회피 행동 등 요소가 존재하기 때문에, 목표 장애물의 이동 궤적은 운전자의 주관적인 운전 행동의 영향을 받기 쉽다.
선택 가능하게, 목표 전자 지도에서 목표 장면에서의 환경 정보, 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득할 수 있다.
여기서, 목표 장면에서의 환경 정보는 목표 전자 지도 중 특정 지역의 고정 환경 데이터, 예를 들어, 도로 속성, 교통 신호등 정보 등을 포함할 수 있다. 목표 장면에서의 환경 정보는 목표 전자 지도 중의 실시간 도로 정보, 예를 들어, 도로 원활 상황, 실시간 차량 유동량 등을 더 포함할 수 있다.
상기 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보는 목표 전자 지도의 빅데이터 수집 서버에서 획득될 수 있다.
단계 S22에서, 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측한다.
선택 가능하게, 신경망 모델을 이용하여 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 목표 장애물의 이동 궤적을 예측할 수 있으며, 구체적인 구현 과정은 본 발명의 실시예에 대하여 진일보로 설명한 내용을 참조할 수 있다.
선택 가능하게, 물리적 모델을 이용하여 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 목표 장애물의 이동 궤적을 예측할 수 있다. 상기 물리적 모델은 동역학적 모델, 운동학적 모델 등일 수 있다. 구체적으로, 물리적 모델 기반 궤적 확장, 가우시안 노이즈 기반 궤적 예측 및 몬테카를로 과정 기반 궤적 예측 등 알고리즘에 따라 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 목표 장애물의 이동 궤적을 예측할 수 있다.
선택 가능하게, 동작 시퀀스를 이용하여 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 목표 장애물의 이동 궤적을 예측할 수 있다. 구체적으로, 목표 장애물의 이동 궤적을 일련의 이산적인 이동 행동의 조합으로 간주하고, 이동 행동 조합과 이동 모드 사이의 대응되는 매핑 관계를 미리 정의하며, 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 대응되는 이동 모드를 매칭한 다음, 샘플링 등 방법을 결합하여 목표 장애물의 이동 궤적을 예측할 수 있다.
본 발명의 상기 단계 S20 내지 단계 S22에 따르면, 목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득하고; 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측함으로써, 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 장애물 이동 궤적 예측을 수행하는 목적을 달성하고, 인터랙팅 장면에서 장애물 이동 궤적에 대한 정확한 예측, 자율 운전 차량의 주행 안정성과 하시니스 향상 효과를 구현함으로써, 인터랙팅 장면에서 장애물 이동 궤적의 예측 정확도가 낮은 과제를 해결한다.
이하, 상기 실시예의 상기 방법을 더 설명한다.
일 선택 가능한 실시형태로서, 계획 궤적 정보는 목표 장면에서의 목표 차량의 주행 노선을 계획하기 위한 것이다.
선택 가능하게, 상기 계획 궤적 정보는 목표 차량의 네비게이션 시작 위치, 종료 위치 및 도로망 토폴로지에 따라 결정될 수 있다. 여기서, 목표 차량의 네비게이션 시작 위치는 차량 포지셔닝 장치에 의해 획득된 현재 시각의 목표 차량의 위치일 수 있고, 목표 차량의 네비게이션 종료 위치는 사용자가 수동으로 입력하거나 음성 스마트 인식을 통해 획득된 목적지 위치일 수 있으며, 도로망 토폴로지는 목표 차량이 위치한 도시에 따라 목표 전자 지도에서 획득될 수 있다.
상기 계획 궤적 정보는 차량 탑재 단말기 또는 이동 단말기의 그래픽 디스플레이 인터페이스에서 표시될 수 있고, 방송 기기를 결합하여 사용자에게 음성으로 방송될 수도 있다.
일 선택 가능한 실시형태로서, 환경 정보는 목표 전자 지도를 통해 획득되는 도로 데이터, 교통 신호등 데이터 및 장애물 데이터 중 하나 또는 복수 개를 포함한다.
예를 들어, 도로 데이터는 도로 원활 상황, 실시간 차량 유동량 등 정보를 포함할 수 있고, 교통 신호등 데이터는 목표 장면에서 사전 결정된 범위 내의 교통 신호등의 개수, 상태 및 타이밍 지속 시간을 포함할 수 있으며, 장애물 데이터는 목표 차량 주변 차량의 실시간 위치 정보, 주행 속도 등을 포함할 수 있다.
일 선택 가능한 실시형태로서, 과거 상태 정보는 목표 장애물의 과거 속도 및 과거 위치를 포함한다.
일 선택 가능한 실시형태로서, 목표 차량의 현재 위치의 도로 속성에 기반하여 목표 장애물을 선택하는 방식; 목표 차량의 계획 궤적 정보의 참조 근거로 되는 네비게이션 정보에 기반하여 목표 장애물을 선택하는 방식; 및 목표 차량이 변경하고자 하는 목표 차선에 기반하여 목표 장애물을 선택하는 방식; 중 적어도 하나를 사용하여, 목표 장애물을 선택한다.
선택 가능하게, 목표 차량을 중심으로 하여, 상기 적어도 하나의 방식을 사용하여 목표 장애물을 검색할 수 있다.
예를 들어, 목표 차량은 직선 도로, 갈림길과 같은 현재 위치의 도로 속성을 획득하고, 기설정된 제1 임계값에 따라 도로 위의 장애물을 목표 장애물로 선택할 수 있다.
또 예를 들어, 목표 차량은 네비게이션 정보를 획득하고, 기설정된 제2 임계값에 따라 네비게이션 경로 위의 장애물을 목표 장애물로 선택할 수 있다.
설명해야 할 것은, 상기 제1 임계값 및 제2 임계값은 사용자가 설정한 안전거리 값일 수 있고, 제1 임계값 및 제2 임계값은 사용자에 의해 실시간으로 조절될 수 있다.
또 예를 들어, 목표 차량이 차선 변경을 수행하는 과정에서, 변경하고자 하는 목표 차선 위의 장애물을 목표 장애물로 선택할 수 있다.
일 선택 가능한 실시형태로서, 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측하는 단계는, 신경망 모델을 통해 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 분석하여, 목표 장애물의 이동 궤적을 결정하는 단계를 포함하고, 여기서, 신경망 모델은 복수 개 그룹의 데이터를 이용하여 머신 러닝을 통해 훈련하여 획득되며, 복수 개 그룹의 데이터 중의 각 그룹의 데이터는 모두 샘플 데이터 및 예측된 장애물 이동 궤적을 포함한다.
상기 샘플 데이터는 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 포함하고, 다른 도로 테스트 데이터 정보를 포함할 수도 있다.
일 선택 가능한 실시형태로서, 장애물 이동 궤적의 예측 방법은, 신경망 모델을 훈련하는 과정에서, 신경망 모델의 훈련 결과와 목표 데이터 사이의 차이를 획득하는 단계; 및 훈련 결과와 목표 데이터 사이의 차이에 기반하여, 신경망 모델에 대응되는 손실 함수의 복수의 파라미터의 가중치를 조절하는 단계를 더 포함한다.
상기 목표 데이터는 다양한 인터랙팅 장면에서 목표 차량이 수집한 테스트 데이터를 수동으로 선별하여 획득될 수 있다.
상기 손실 함수는 주로 랜덤 이벤트 또는 관련 랜덤 변수의 값을 마이너스가 아닌 실수로 매핑함으로써, 상기 랜덤 이벤트의 “손실”의 함수를 나타내며, 실제 응용에서는 주로 신경 모델 학습의 규범으로 사용하고, 즉 손실 함수 최소화 솔루션 및 신경망 모델 평가를 통해, 훈련 결과와 목표 데이터 사이의 확률화 분포 차이를 양자화할 수 있다.
일 선택 가능한 실시형태로서, 복수의 파라미터는 목표 차량의 종방향 가속도, 목표 차량의 횡방향 가속도 및 목표 차량의 목표 장애물과의 상대적인 거리를 포함한다.
본 발명에서 제기된 신경망 모델에 대응되는 손실 함수는 다음과 같다.
Figure pat00001
(식 1)
Figure pat00002
(식 2)
Figure pat00003
(식 3)
Figure pat00004
(식 4)
Figure pat00005
(식 5)
여기서, 식 1은 훈련 결과가 목표 데이터에 점차 접근하는 과정을 나타낼 수 있고, 식 1에서, L은 목표 데이터의 손실에서 훈련 결과의 손실을 빼낸 결과이며,
Figure pat00006
는 동적 가중치 계수이고, N은 궤적 포인트의 총 개수이며, M은 예측된 궤적의 개수이고,
Figure pat00007
는 목표 데이터의 궤적 참값 정보이며,
Figure pat00008
는 훈련 결과의 궤적 참값 정보이고,
Figure pat00009
는 레귤러라이제이션(regularization) 계수이며, 훈련 과정에서 오버피팅을 방지할 수 있다.
식 2는 데이터 손실을 산출하는 기본 식으로, 식 2에서,
Figure pat00010
는 종방향 가속도 손실이며,
Figure pat00011
는 횡방향 가속도 손실이고,
Figure pat00012
은 충돌 손실이며,
Figure pat00013
은 종방향 가속도의 동적 가중치이고,
Figure pat00014
는 횡방향 가속도의 동적 가중치이며,
Figure pat00015
는 상대적인 거리의 동적 가중치이다.
식 3은 종방향 가속도 손실을 산출하는 기본 식으로, 식 3에서,
Figure pat00016
는 제i 시각에 대응하는 목표 차량 궤적 포인트의 가속도이다.
식 4는 횡방향 가속도 손실을 산출하는 기본 식으로, 식 4에서, Z1은 각 산출값의 크기가 동일한 레벨이도록 보장할 수 있는 노멀라이제이션(normalization) 파라미터이다.
Figure pat00017
는 제i 시각에 대응하는 목표 차량 궤적 포인트의 속도이고,
Figure pat00018
은 제i 시각에 대응하는 목표 차량 궤적 포인트의 곡률이다.
식 5는 충돌 손실을 산출하는 기본 식으로, 식 5에서, Z2는 각 산출값의 크기가 동일한 레벨이도록 보장할 수 있는 노멀라이제이션 파라미터이다. e는 자연상수이고,
Figure pat00019
는 제i 시각에 대응하는 목표 차량과 목표 장애물 간의 상대적인 거리이다.
상기 손실 함수의 복수 파라미터의 가중치는 훈련 과정에서 반복적으로 디버깅되어, 신경망 모델의 훈련 효과 및 반복 효율을 향상시킬 수 있다.
선택 가능하게, 상기 손실 함수의 복수 파라미터의 가중치는 머신 러닝을 통해 자동으로 생성될 수 있다. 모델 인코딩 과정에서, 각 파라미터의 가중치를 인코딩하면, 신경망 모델 훈련 시 최적의 가중치 계수를 획득하게 되고, 목표 데이터가 증가하고, 장면 복잡도가 향상됨에 따라, 가중치가 동적으로 설계되어, 신경망 모델의 일반화 능력을 향상시킬 수 있다. 예를 들어, 장면 1의 경우, 각 파라미터에 대응되는 가중치는 각각 a1, b1, c1이고, 장면 2의 경우, 각 파라미터에 대응되는 가중치는 각각 a2, b2, c2이다.
본 발명은 목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득하고; 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측함으로써, 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 장애물 이동 궤적 예측을 수행하는 목적을 달성하고, 인터랙팅 장면에서 장애물 이동 궤적에 대한 정확한 예측, 자율 운전 차량의 주행 안정성과 하시니스 향상 효과를 구현함으로써, 인터랙팅 장면에서 장애물 이동 궤적의 예측 정확도가 낮은 과제를 해결한다.
본 발명의 기술적 해결수단에서, 관련된 사용자 개인 정보의 수집, 저장, 사용, 가공, 전송, 제공 및 공개 등 처리는 모두 관련 법률 법규의 규정을 준수하고, 공서양속에 위배되지 않는다.
상기 실시형태의 설명을 통해, 본 기술분야의 통상의 기술자는 상기 실시예에 따른 방법이 소프트웨어와 필요한 범용 하드웨어 플랫폼을 조합한 방식에 의해 구현될 수 있음을 명확하게 이해할 수 있고, 물론 하드웨어에 의해 구현될 수도 있지만, 대부분의 경우, 전자가 더욱 바람직한 실시형태이다. 이러한 이해에 기반하면, 본 발명의 기술적 해결수단은 본질적으로 또는 종래 기술에 대해 기여하는 부분은 소프트웨어 제품 형식으로 구현될 수 있고, 상기 컴퓨터 소프트웨어 제품은 하나의 단말기(휴대폰, 컴퓨터, 서버, 또는 네트워크 기기 등일 수 있음)가 본 발명의 각 실시예에 따른 방법을 수행하도록 하는 복수의 명령이 포함되며 하나의 저장 매체에 저장된다.
본 발명에서는 장애물 이동 궤적의 예측 장치를 더 제공한다. 이 장치는 상기 실시예 및 바람직한 실시형태를 구현하기 위한 것이며, 이미 설명한 내용은 설명을 생략한다. 아래에서 사용되는 용어 “모듈”은 사전 결정된 기능의 소프트웨어 및/또는 하드웨어의 조합을 구현할 수 있다. 아래의 실시예에서 설명된 장치는 소프트웨어로 구현되는 것이 바람직하지만, 하드웨어, 또는 소프트웨어와 하드웨어의 조합으로 구현되는 것도 고려할 수 있다.
도 3은 본 발명의 일 실시예에 따른 장애물 이동 궤적의 예측 장치의 구조 블록도이고, 도 3에 도시된 바와 같이, 장애물 이동 궤적의 예측 장치(300)는 획득 모듈(301) 및 예측 모듈(302)을 포함한다.
획득 모듈(301)은, 목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득하고; 예측 모듈(302)은, 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측한다.
선택 가능하게, 계획 궤적 정보는 목표 장면에서의 목표 차량의 주행 노선을 계획하기 위한 것이다.
선택 가능하게, 환경 정보는, 목표 전자 지도를 통해 획득되는 도로 데이터, 교통 신호등 데이터 및 장애물 데이터 중 하나 또는 복수 개를 포함한다.
선택 가능하게, 과거 상태 정보는 목표 장애물의 과거 속도 및 과거 위치를 포함한다.
선택 가능하게, 목표 차량의 현재 위치의 도로 속성에 기반하여 목표 장애물을 선택하는 방식; 목표 차량의 계획 궤적 정보의 참조 근거로 되는 네비게이션 정보에 기반하여 목표 장애물을 선택하는 방식; 및 목표 차량이 변경하고자 하는 목표 차선에 기반하여 목표 장애물을 선택하는 방식; 중 적어도 하나를 사용하여, 목표 장애물을 선택한다.
선택 가능하게, 예측 모듈(302)이 환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측하는 것은, 신경망 모델을 통해 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 분석하여, 목표 장애물의 이동 궤적을 결정하는 것을 포함하고, 신경망 모델은 복수 개의 그룹의 데이터를 이용하여 머신 러닝을 통해 훈련하여 획득되며, 복수 개의 그룹의 데이터 중의 각 그룹의 데이터는 모두 샘플 데이터 및 예측된 장애물 이동 궤적을 포함한다.
선택 가능하게, 장애물 이동 궤적의 예측 장치는, 신경망 모델을 훈련하는 과정에서, 신경망 모델의 훈련 결과와 목표 데이터 사이의 차이를 획득하고; 훈련 결과와 목표 데이터 사이의 차이에 기반하여, 신경망 모델에 대응되는 손실 함수의 복수 파라미터의 가중치를 조절하기 위한 훈련 모듈(303)을 더 포함한다.
선택 가능하게, 복수의 파라미터는 목표 차량의 종방향 가속도, 목표 차량의 횡방향 가속도 및 목표 차량의 목표 장애물과의 상대적인 거리를 포함한다.
설명해야 할 것은, 상기 각 모듈은 소프트웨어 또는 하드웨어를 통해 구현될 수 있는 것이고, 후자의 경우, 상기 모듈이 모두 동일한 프로세서에 위치하거나; 또는, 상기 각 모듈이 임의의 조합의 형태로 서로 다른 프로세서에 각각 위치하는 방식을 통해 구현될 수 있지만, 이에 제한되지 않는다.
본 발명의 실시예에 따르면, 본 발명은 메모리 및 적어도 하나의 프로세서를 포함하는 전자 기기를 더 제공하고, 상기 메모리에는 컴퓨터 명령이 저장되어 있으며, 상기 프로세서는 컴퓨터 명령을 실행하여 상기 중 어느 하나의 방법 실시예의 단계를 수행하도록 설정된다.
선택 가능하게, 상기 전자 기기는 상기 프로세서에 연결되는 전송 기기 및 상기 프로세서에 연결되는 입출력 기기를 더 포함할 수 있다.
선택 가능하게, 본 발명에서, 상기 프로세서는 컴퓨터 프로그램을 통해,
목표 장면에서의 환경 정보, 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득하는 단계 S1; 및
환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측하는 단계 S2; 를 수행하도록 설정될 수 있다.
선택 가능하게, 본 실시예의 구체적인 예시는 상기 실시예 및 선택 가능한 실시형태에서 설명된 예시를 참조할 수 있으며, 본 실시예는 여기에서 설명을 생략한다.
본 발명의 실시예에 따르면, 본 발명은 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체를 더 제공한다. 이 비일시적 컴퓨터 판독 가능 저장 매체에는, 실행 시 상기 중 어느 하나의 방법 실시예의 단계가 수행되도록 설정되는 컴퓨터 명령이 저장되어 있다.
선택 가능하게, 본 실시예에서, 상기 비일시적 저장 매체는,
목표 장면에서의 환경 정보, 목표 장애물의 과거 상태 정보 및 목표 차량의 계획 궤적 정보를 획득하는 단계 S1; 및
환경 정보, 과거 상태 정보 및 계획 궤적 정보에 기반하여 목표 장애물의 이동 궤적을 예측하는 단계 S2; 를 수행하기 위한 컴퓨터 프로그램이 저장되도록 설정될 수 있다.
선택 가능하게, 본 실시예에서, 상기 비일시적 컴퓨터 판독 가능 저장 매체는 전기적, 자기적, 광학적, 전자기, 적외선, 또는 반도체 시스템, 장치 또는 기기, 또는 상기 내용의 임의의 적절한 조합을 포함할 수 있지만, 이에 제한되지 않는다. 판독 가능 저장 매체의 보다 구체적인 예시로는, 하나 또는 복수 개의 와이어에 기반한 전기적 연결, 휴대용 컴퓨터 디스크, 하드디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거 가능 프로그램 가능 판독 전용 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 컴팩트 디스크 판독 전용 메모리(CD-ROM), 광학 저장 기기, 자기 저장 기기, 또는 상기 내용의 임의의 적절한 조합을 포함한다.
본 발명의 실시예에 따르면, 본 발명은 컴퓨터 프로그램 제품을 더 제공한다. 본 발명의 장애물 이동 궤적의 예측 방법을 구현하기 위한 프로그램 코드는 하나 또는 복수 개의 프로그래밍 언어의 임의의 조합을 사용하여 작성될 수 있다. 이러한 프로그램 코드는 범용 컴퓨터, 특수 목적 컴퓨터, 다른 프로그램 가능 데이터 처리 장치의 프로세서 또는 컨트롤러에 제공되어, 프로그램 코드가 프로세서 또는 컨트롤러에 의해 실행될 경우, 흐름도 및/또는 블록도에 지정된 기능/조작이 구현되도록 할 수 있다. 프로그램 코드는 완전히 기계에서 실행되거나, 부분적으로 기계에서 실행되거나, 독립적인 소프트웨어 패키지로서 부분적으로 기계에서 실행되되 부분적으로 원격 기계에서 실행되거나 또는 완전히 원격 기계 또는 서버에서 실행될 수 있다.
본 발명의 실시예에 따르면, 본 발명은 자율 운전 차량을 더 제공한다. 이 자율 운전 차량은 본 발명의 실시예의 장애물 이동 궤적의 예측 방법을 수행할 수 있는, 상기 실시예의 전자 기기를 포함하여, 환경 정보, 과거 상태 정보 및 계획 궤적 정보를 결합하여 장애물 이동 궤적 예측을 수행하는 목적을 달성하고, 인터랙팅 장면에서 장애물 이동 궤적에 대한 정확한 예측, 자율 운전 차량의 주행 안정성과 하시니스 향상 효과를 구현함으로써, 인터랙팅 장면에서 장애물 이동 궤적의 예측 정확도가 낮은 과제를 해결한다.
상기 본 발명의 실시예의 번호는 설명을 위한 것일 뿐, 실시예의 우열을 나타내지 않는다.
본 발명의 상기 실시예에서, 각 실시예에 대한 설명은 각각 중점을 갖고 있으며, 일부 실시예에서 상세하게 설명되지 않은 부분은 다른 실시예의 관련 설명을 참조할 수 있다.
본 발명에 의해 제공된 각 실시예에서, 개시된 기술 내용은 다른 방식으로 구현될 수 있음을 이해해야 한다. 여기서, 위에서 설명된 장치 실시예는 단지 예시적인 것일 뿐이고, 예를 들어, 상기 유닛의 구획은 논리적 기능 구획일 수 있으며, 실제 구현 시 다른 구획 방식이 있을 수 있고, 예를 들어, 복수의 유닛 또는 컴포넌트가 다른 하나의 시스템에 결합 또는 집적될 수 있거나, 또는 일부 특징이 생략되거나 실행되지 않을 수 있다. 또한, 표시 또는 논의된 상호 간의 커플링, 직접 커플링 또는 통신 가능한 연결은 일부 인터페이스를 통한 것일 수 있고, 유닛 또는 모듈의 간접 커플링 또는 통신 가능한 연결은 전기적 또는 다른 형식일 수 있다.
분리 부재로서 설명된 상기 유닛은 물리적으로 분리되거나 분리되지 않을 수 있고, 유닛으로 표시된 부재는 물리적 유닛이거나 아닐 수도 있으며, 즉 한 곳에 위치하거나, 또는 복수의 유닛에 분포될 수도 있다. 실제 수요에 따라 그 중 일부 또는 전부 유닛을 선택하여 본 실시예의 수단의 목적을 구현할 수 있다.
또한, 본 발명의 각 실시예의 각 기능 유닛은 하나의 처리 유닛에 집적되거나 각각의 유닛이 단독으로 물리적으로 존재할 수도 있고, 두 개 또는 그 이상의 유닛이 하나의 유닛에 집적될 수도 있다. 상기 집적된 유닛은 하드웨어 형식으로 구현될 수 있고, 소프트웨어 기능 유닛의 형식으로 구현될 수도 있다.
상기 집적된 유닛이 소프트웨어 기능 유닛의 형식으로 구현되고, 독립적인 제품으로 판매되거나 사용될 경우, 하나의 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 이러한 이해에 기반하면, 본 발명의 기술적 해결수단은 본질적으로 또는 종래 기술에 대해 기여하는 부분 또는 상기 기술적 해결수단의 전부 또는 일부는 소프트웨어 제품 형식으로 구현될 수 있고, 상기 컴퓨터 소프트웨어 제품은 하나의 컴퓨터 기기(개인용 컴퓨터, 서버, 또는 네트워크 기기 등일 수 있음)가 본 발명의 각 실시예에 따른 방법의 전부 또는 일부 단계를 수행하도록 하는 복수의 명령이 포함된 하나의 저장 매체에 저장된다. 전술한 저장 매체는 USB 메모리, 판독 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 이동식 하드디스크, 자기 디스크 또는 광 디스크 등 프로그램 코드를 저장할 수 있는 다양한 매체를 포함한다.
이상은 본 발명의 바람직한 실시형태일 뿐이고, 지적해야 할 것은, 본 기술분야의 통상의 기술자에게 있어서, 본 발명의 원리를 벗어나지 않으면서 다양한 개선 또는 수정을 진행할 수도 있으며, 이러한 개선 및 수정도 본 발명의 보호범위로 간주해야 한다.

Claims (20)

  1. 장애물 이동 궤적의 예측 방법으로서,
    목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 상기 목표 차량의 계획 궤적 정보를 획득하는 단계; 및
    상기 환경 정보, 상기 과거 상태 정보 및 상기 계획 궤적 정보에 기반하여 상기 목표 장애물의 이동 궤적을 예측하는 단계를 포함하는 장애물 이동 궤적의 예측 방법.
  2. 제1항에 있어서,
    상기 계획 궤적 정보는 상기 목표 장면에서 상기 목표 차량의 주행 노선을 계획하기 위한 것인 장애물 이동 궤적의 예측 방법.
  3. 제1항에 있어서,
    상기 환경 정보는, 목표 전자 지도를 통해 획득되는 도로 데이터, 교통 신호등 데이터 및 장애물 데이터 중 하나 또는 복수 개를 포함하는 장애물 이동 궤적의 예측 방법.
  4. 제1항에 있어서,
    상기 과거 상태 정보는 상기 목표 장애물의 과거 속도 및 과거 위치를 포함하는 장애물 이동 궤적의 예측 방법.
  5. 제1항에 있어서,
    상기 목표 차량의 현재 위치의 도로 속성에 기반하여 상기 목표 장애물을 선택하는 방식;
    상기 목표 차량의 상기 계획 궤적 정보의 참조 근거로 되는 네비게이션 정보에 기반하여 상기 목표 장애물을 선택하는 방식; 및
    상기 목표 차량이 변경하고자 하는 목표 차선에 기반하여 상기 목표 장애물을 선택하는 방식; 중 적어도 하나를 사용하여, 상기 목표 장애물을 선택하는 장애물 이동 궤적의 예측 방법.
  6. 제1항에 있어서,
    상기 환경 정보, 상기 과거 상태 정보 및 상기 계획 궤적 정보에 기반하여 상기 목표 장애물의 이동 궤적을 예측하는 단계는,
    신경망 모델을 통해 상기 환경 정보, 상기 과거 상태 정보 및 상기 계획 궤적 정보를 분석하여, 상기 목표 장애물의 이동 궤적을 결정하는 단계를 포함하고, 상기 신경망 모델은 복수 개의 그룹의 데이터를 이용하여 머신 러닝을 통해 훈련하여 획득되며, 상기 복수 개의 그룹의 데이터 중의 각 그룹의 데이터는 모두 샘플 데이터 및 예측된 장애물 이동 궤적을 포함하는 장애물 이동 궤적의 예측 방법.
  7. 제6항에 있어서,
    상기 신경망 모델을 훈련하는 과정에서, 상기 신경망 모델의 훈련 결과와 목표 데이터 사이의 차이를 획득하는 단계; 및
    상기 훈련 결과와 상기 목표 데이터 사이의 차이에 기반하여, 상기 신경망 모델에 대응되는 손실 함수의 복수의 파라미터의 가중치를 조절하는 단계를 더 포함하는 장애물 이동 궤적의 예측 방법.
  8. 제7항에 있어서,
    상기 복수의 파라미터는,
    상기 목표 차량의 종방향 가속도, 상기 목표 차량의 횡방향 가속도 및 상기 목표 차량의 상기 목표 장애물과의 상대적인 거리를 포함하는 장애물 이동 궤적의 예측 방법.
  9. 장애물 이동 궤적의 예측 장치로서,
    목표 장면에서의 환경 정보, 목표 차량의 잠재적 대화형 객체인 목표 장애물의 과거 상태 정보 및 상기 목표 차량의 계획 궤적 정보를 획득하기 위한 획득 모듈; 및
    상기 환경 정보, 상기 과거 상태 정보 및 상기 계획 궤적 정보에 기반하여 상기 목표 장애물의 이동 궤적을 예측하기 위한 예측 모듈을 포함하는 장애물 이동 궤적의 예측 장치.
  10. 제9항에 있어서,
    상기 계획 궤적 정보는 상기 목표 장면에서의 상기 목표 차량의 주행 노선을 계획하기 위한 것인 장애물 이동 궤적의 예측 장치.
  11. 제9항에 있어서,
    상기 환경 정보는, 목표 전자 지도를 통해 획득되는 도로 데이터, 교통 신호등 데이터 및 장애물 데이터 중 하나 또는 복수 개를 포함하는 장애물 이동 궤적의 예측 장치.
  12. 제9항에 있어서,
    상기 과거 상태 정보는 상기 목표 장애물의 과거 속도 및 과거 위치를 포함하는 장애물 이동 궤적의 예측 장치.
  13. 제9항에 있어서
    상기 목표 차량의 현재 위치의 도로 속성에 기반하여 상기 목표 장애물을 선택하는 방식;
    상기 목표 차량의 상기 계획 궤적 정보의 참조 근거로 되는 네비게이션 정보에 기반하여 상기 목표 장애물을 선택하는 방식; 및
    상기 목표 차량이 변경하고자 하는 목표 차선에 기반하여 상기 목표 장애물을 선택하는 방식; 중 적어도 하나를 사용하여, 상기 목표 장애물을 선택하는 장애물 이동 궤적의 예측 장치.
  14. 제9항에 있어서,
    상기 예측 모듈이 상기 환경 정보, 상기 과거 상태 정보 및 상기 계획 궤적 정보에 기반하여 상기 목표 장애물의 이동 궤적을 예측하는 것은,
    신경망 모델을 통해 상기 환경 정보, 상기 과거 상태 정보 및 상기 계획 궤적 정보를 분석하여, 상기 목표 장애물의 이동 궤적을 결정하는 것을 포함하고, 상기 신경망 모델은 복수 개의 그룹의 데이터를 이용하여 머신 러닝을 통해 훈련하여 획득되며, 상기 복수 개의 그룹의 데이터 중의 각 그룹의 데이터는 모두 샘플 데이터 및 예측된 장애물 이동 궤적을 포함하는 장애물 이동 궤적의 예측 장치.
  15. 제14항에 있어서,
    상기 신경망 모델을 훈련하는 과정에서, 상기 신경망 모델의 훈련 결과와 목표 데이터 사이의 차이를 획득하기 위한 훈련 모듈을 더 포함하고;
    상기 훈련 모듈은 상기 훈련 결과와 상기 목표 데이터 사이의 차이에 기반하여, 상기 신경망 모델에 대응되는 손실 함수의 복수의 파라미터의 가중치를 조절하는 장애물 이동 궤적의 예측 장치.
  16. 제15항에 있어서,
    상기 복수의 파라미터는,
    상기 목표 차량의 종방향 가속도, 상기 목표 차량의 횡방향 가속도 및 상기 목표 차량의 상기 목표 장애물과의 상대적인 거리를 포함하는 장애물 이동 궤적의 예측 장치.
  17. 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서와 통신 가능하게 연결되는 메모리를 포함하는 전자 기기로서,
    상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있으며, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행되면, 상기 적어도 하나의 프로세서는 제1항 내지 제8항 중 어느 한 항에 따른 방법을 수행할 수 있는 전자 기기.
  18. 상기 컴퓨터가 제1항 내지 제8항 중 어느 한 항에 따른 방법을 수행하도록 하는 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체.
  19. 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품으로서,
    상기 컴퓨터 프로그램이 프로세서에 의해 실행될 경우, 제1항 내지 제8항 중 어느 한 항에 따른 방법이 구현되는 컴퓨터 프로그램 제품.
  20. 제17항에 따른 전자 기기를 포함하는 자율 운전 차량.
KR1020220102645A 2021-08-17 2022-08-17 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량 KR20230026961A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110945481.3A CN113753077A (zh) 2021-08-17 2021-08-17 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆
CN202110945481.3 2021-08-17

Publications (1)

Publication Number Publication Date
KR20230026961A true KR20230026961A (ko) 2023-02-27

Family

ID=78790175

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220102645A KR20230026961A (ko) 2021-08-17 2022-08-17 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량

Country Status (5)

Country Link
US (1) US20230060005A1 (ko)
EP (1) EP4140845A1 (ko)
JP (1) JP2023027777A (ko)
KR (1) KR20230026961A (ko)
CN (1) CN113753077A (ko)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114162144B (zh) * 2022-01-06 2024-02-02 苏州挚途科技有限公司 自动驾驶决策方法、装置以及电子设备
CN114610020B (zh) * 2022-01-28 2023-05-23 广州文远知行科技有限公司 障碍物运动轨迹的预测方法、装置、设备及存储介质
CN114604268A (zh) * 2022-02-24 2022-06-10 福思(杭州)智能科技有限公司 一种车辆行驶意图预测方法、装置、电子设备和车辆
CN114475585B (zh) * 2022-03-11 2022-11-01 阿波罗智能技术(北京)有限公司 路口自动驾驶方法、装置、电子设备及自动驾驶车辆
CN115218902B (zh) * 2022-04-02 2024-02-02 广州汽车集团股份有限公司 一种轨迹规划方法、装置、设备及存储介质
CN114715145B (zh) * 2022-04-29 2023-03-17 阿波罗智能技术(北京)有限公司 一种轨迹预测方法、装置、设备及自动驾驶车辆
CN115431943A (zh) * 2022-05-10 2022-12-06 北京罗克维尔斯科技有限公司 目标筛选方法、装置、设备、介质及车辆
CN114884952A (zh) * 2022-05-25 2022-08-09 北京百度网讯科技有限公司 车辆监测中的采集数据处理、车辆监测控制方法及装置
CN115047439B (zh) * 2022-05-27 2024-10-18 中国第一汽车股份有限公司 基于车辆的检测系统的数据处理方法、装置和存储介质
CN115221722B (zh) * 2022-07-28 2023-11-17 北京百度网讯科技有限公司 自动驾驶车辆的仿真测试方法、模型训练方法和设备
CN117799633A (zh) * 2022-09-26 2024-04-02 华为技术有限公司 一种预测方法、装置和智能驾驶设备
CN116001807B (zh) * 2023-02-27 2023-07-07 安徽蔚来智驾科技有限公司 多场景轨迹预测方法、设备、介质及车辆
CN116203964B (zh) * 2023-03-13 2024-02-09 阿波罗智联(北京)科技有限公司 一种控制车辆行驶的方法、设备和装置
CN116882122A (zh) * 2023-03-17 2023-10-13 北京百度网讯科技有限公司 用于自动驾驶的仿真环境的构建的方法和装置
CN116069041B (zh) * 2023-03-20 2023-06-23 北京集度科技有限公司 轨迹规划方法、装置、车辆及介质
CN116309689B (zh) * 2023-05-17 2023-07-28 上海木蚁机器人科技有限公司 障碍物轨迹预测方法、装置、设备和介质
CN116734882B (zh) * 2023-08-14 2023-11-24 禾昆科技(北京)有限公司 车辆路径规划方法、装置、电子设备和计算机可读介质
CN116842392B (zh) * 2023-08-29 2024-04-16 新石器慧通（北京）科技有限公司 轨迹预测方法及其模型的训练方法、装置、设备及介质
CN117141474B (zh) * 2023-10-30 2024-01-30 深圳海星智驾科技有限公司 障碍物轨迹预测方法、装置、车辆控制器、系统及车辆
CN117601903B (zh) * 2024-01-19 2024-04-26 福思(杭州)智能科技有限公司 车辆行驶场景的生成方法、装置和存储介质及电子设备
CN117962932B (zh) * 2024-04-02 2024-06-11 福瑞泰克智能系统有限公司 障碍物的行驶轨迹生成方法、装置和存储介质及电子设备
CN118587894B (zh) * 2024-08-05 2024-10-15 浙江数智交院科技股份有限公司 一种预判紧急停车带内车辆驶出和预警的方法
CN118701110A (zh) * 2024-08-14 2024-09-27 比亚迪股份有限公司 轨迹预测方法、装置、车载终端、车辆及存储介质

Family Cites Families (18)

* Cited by examiner, † Cited by third party
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
CN109739246B (zh) * 2019-02-19 2022-10-11 阿波罗智能技术(北京)有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
US11679764B2 (en) * 2019-06-28 2023-06-20 Baidu Usa Llc Method for autonomously driving a vehicle based on moving trails of obstacles surrounding the vehicle
CN110329249B (zh) * 2019-07-02 2020-08-07 武汉理工大学 一种循环神经网络的汽车前向碰撞预警控制系统及方法
CN110371112B (zh) * 2019-07-06 2021-10-01 深圳数翔科技有限公司 一种自动驾驶车辆的智能避障系统及方法
US11436926B2 (en) * 2019-10-08 2022-09-06 Uber Technologies, Inc. Multi-autonomous vehicle servicing and control system and methods
CN110834644B (zh) * 2019-10-30 2021-01-19 中国第一汽车股份有限公司 一种车辆控制方法、装置、待控制车辆及存储介质
US11912271B2 (en) * 2019-11-07 2024-02-27 Motional Ad Llc Trajectory prediction from precomputed or dynamically generated bank of trajectories
CN111002980B (zh) * 2019-12-10 2021-04-30 苏州智加科技有限公司 基于深度学习的道路障碍物轨迹预测方法和系统
CN111401458A (zh) * 2020-03-23 2020-07-10 清华大学 一种基于深度强化学习的多模型目标状态预测方法及系统
CN111114543B (zh) * 2020-03-26 2020-07-03 北京三快在线科技有限公司 一种轨迹预测方法及装置
CN111190427B (zh) * 2020-04-10 2020-10-02 北京三快在线科技有限公司 一种轨迹规划的方法及装置
CN111428943B (zh) * 2020-04-23 2021-08-03 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
CN111572562A (zh) * 2020-07-03 2020-08-25 腾讯科技（深圳）有限公司 自动驾驶方法、装置、设备、系统、车辆和计算机可读存储介质
CN112109704B (zh) * 2020-09-22 2022-04-01 同济大学 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法
US11082487B1 (en) * 2020-09-22 2021-08-03 Vignet Incorporated Data sharing across decentralized clinical trials using customized data access policies
CN111912423B (zh) * 2020-10-13 2021-02-02 北京三快在线科技有限公司 一种预测障碍物轨迹以及模型训练的方法及装置
CN113128381A (zh) * 2021-04-06 2021-07-16 浙江吉利控股集团有限公司 障碍物轨迹预测方法、系统及计算机存储介质

Also Published As

Publication number Publication date
EP4140845A1 (en) 2023-03-01
JP2023027777A (ja) 2023-03-02
CN113753077A (zh) 2021-12-07
US20230060005A1 (en) 2023-02-23

Similar Documents

Publication Publication Date Title
KR20230026961A (ko) 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량
CN112133089B (zh) 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
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
WO2019105971A1 (en) System and method for predicting and maximizing traffic flow
CN114415628A (zh) 自动驾驶测试方法及装置、电子设备和存储介质
CN115221722B (zh) 自动驾驶车辆的仿真测试方法、模型训练方法和设备
US20230391362A1 (en) Decision-making for autonomous vehicle
CN113392793A (zh) 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN113859264A (zh) 车辆控制方法、装置、电子设备及存储介质
CN113837268A (zh) 确定轨迹点状态的方法、装置、设备和介质
CN114715145B (zh) 一种轨迹预测方法、装置、设备及自动驾驶车辆
WO2021150166A1 (en) Determining a route between an origin and a destination
CN115471805A (zh) 点云处理和深度学习模型训练方法、装置及自动驾驶车辆
CN115285147A (zh) 无人车的驾驶决策方法、装置及无人车
CN115330067A (zh) 一种交通拥堵预测方法、装置、电子设备及存储介质
CN114419883A (zh) 识别路口缺失交通限制信息的方法、装置和电子设备
CN113147794A (zh) 生成自动驾驶预警信息方法、装置、设备及自动驾驶车辆
CN112100836B (zh) 车辆边界参数的获取方法和装置
CN116842392B (zh) 轨迹预测方法及其模型的训练方法、装置、设备及介质
CN117302268A (zh) 行驶策略确定方法、模型训练方法以及自动驾驶车辆
CN112907949B (zh) 交通异常的检测方法、模型的训练方法及装置
CN116596051A (zh) 场景表征模型训练方法、障碍物标记方法及自动驾驶车辆
CN117636306A (zh) 行驶轨迹确定、模型训练方法、装置、电子设备及介质
CN114954520A (zh) 一种控制无人驾驶车辆的方法和装置
CN115394103A (zh) 识别信号灯的方法、装置、设备以及存储介质