WO2022052556A1 - 一种车辆行为预测方法、装置及车辆 - Google Patents

一种车辆行为预测方法、装置及车辆 Download PDF

Info

Publication number
WO2022052556A1
WO2022052556A1 PCT/CN2021/101191 CN2021101191W WO2022052556A1 WO 2022052556 A1 WO2022052556 A1 WO 2022052556A1 CN 2021101191 W CN2021101191 W CN 2021101191W WO 2022052556 A1 WO2022052556 A1 WO 2022052556A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
behavior
maneuvering
relationship
model
Prior art date
Application number
PCT/CN2021/101191
Other languages
English (en)
French (fr)
Inventor
覃力
张晓毓
Original Assignee
华为技术有限公司
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 华为技术有限公司 filed Critical 华为技术有限公司
Publication of WO2022052556A1 publication Critical patent/WO2022052556A1/zh

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
    • 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
    • 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
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • 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
    • 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
    • B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

一种车辆行为预测方法、装置及车辆。预测方法包括：确定在第一车辆的关系模型中的第二车辆采取第一机动行为，关系模型中包括用于表征车辆的结点、结点之间的位置关系和结点之间的关系边，关系边用于表征结点之间的关系影响类型；确定在下一时刻第一机动行为对关系模型中至少一个第三车辆当前的第二机动行为的第一影响值，在关系模型中用于表征第三车辆的结点和用于表征第一车辆的结点之间存在直接或间接的关系边；基于第一影响值，预测第三车辆在下一时刻的第三机动行为，以决策下一时刻第一车辆的机动行为。该方法能够对局部范围内具有相互影响关系的车辆的机动行为进行预测，为车辆进行安全决策赢得宝贵时间，降低或减少潜在的安全风险，提升车辆行驶的安全性。

Description

一种车辆行为预测方法、装置及车辆
本申请要求于2020年9月8日提交中国国家知识产权局、申请号为2020109355870、申请名称为“一种车辆行为预测方法、装置及车辆”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及车辆技术领域，尤其涉及一种车辆行为预测方法、装置及车辆。
背景技术
智能车(smart/intelligent car)在自动驾驶(automated driving，ADS)过程中，会根据周围环境中其他车辆的机动行为，对其自身机动行为进行规划。因此，提前预测出智能车周边车辆未来一段时间内可能的行为，能为智能车的安全决策赢得宝贵时间和重要先验信息，对于提升智能车安全性具有实际意义。但在自动驾驶中，预测某一车辆可能的行为是非常困难的问题，而预估局部范围内相互影响下各个车辆可能的行为则是更加困难的问题。
发明内容
本申请实施例提供了一种车辆行为预测方法、装置及车辆，能够在智能车周边某一车辆采取机动行为后，预测出智能车周边其它车辆受该车辆影响时可能采取的机动行为，从而为智能车进行安全决策赢得宝贵时间，降低或减少潜在的安全风险，提升智能车行驶的安全性。
第一方面，本申请实施例提供了一种车辆行为预测方法，方法包括：
确定在第一车辆的关系模型中的第二车辆采取第一机动行为，关系模型中包括用于表征车辆的结点、结点之间的位置关系和结点之间的关系边，关系边用于表征结点之间的关系影响类型；
确定在下一时刻第一机动行为对关系模型中至少一个第三车辆当前的第二机动行为的第一影响值，在关系模型中用于表征第三车辆的结点和用于表征第一车辆的结点之间存在直接或间接的关系边；
基于第一影响值，预测第三车辆在下一时刻的第三机动行为，以便决策在下一时刻第一车辆的机动行为。
由此，当第一车辆的关系模型中第二车辆采取机动行为后，可以预测到在关系模型中与第二车辆具有直接或间接影响关系的至少一个第三车辆的在下一时刻的机动行为，进而可以基于预测到的机动行为，对第一车辆在下一时刻的机动行为进行决策，从而为第一车辆进行安全决策赢得宝贵时间，降低或减少潜在的安全风险，提升了车辆行驶的安全性。
在一种可能的实现方式中，确定在下一时刻第一机动行为对关系模型中至少一个第三车辆当前的第二机动行为的第一影响值，包括：
将第一机动行为、第一机动行为对应的第一分布列、第二机动行为对应的第二分布列、第二车辆的第一行驶数据、第三车辆的第二行驶数据、在关系模型中第二车辆与第三车辆之间的第一关系边，输入影响传递模型，得到第一影响值；
其中，第一分布列和第二分布列均包括车辆实施多种机动行为的发生概率，第一分布列为根据第一机动行为确定，第二分布列为根据第二机动行为确定，第一行驶数据包括第二车辆的速度和位置，第二行驶数据包括第三车辆的速度和位置。由此，通过影响传递模型，得到第一影响值，提升了数据处理速度。
在一种可能的实现方式中，将第一机动行为、第一机动行为对应的第一分布列、第二机动行为对应的第二分布列、第二车辆的第一行驶数据、第三车辆的第二行驶数据、在关系模型中第二车辆与第三车辆之间的第一关系边，输入影响传递模型，得到第一影响值，包括：
基于第一分布列，确定第一控制参数，第一控制参数用于强化在第一分布列中第一机动行为被选取的概率；
将第一机动行为、第一控制参数、第二控制参数、第一行驶数据、第二行驶数据和第一关系边，输入影响传递模型，得到第一影响值；其中，第二控制参数基于第二分布列确定，第二控制参数用于强化在第二分布列中第二机动行为被选取的概率。由此，利用控制参数替换分布列，可以强化分布列中的某项机动行为被选取的概率，提升计算精度，使得得到的第一影响值更为精准。
在一种可能的实现方式中，基于第一影响值，预测第三车辆在下一时刻的第三机动行为，包括：
根据第二机动行为，确定第三分布列，以及基于第三分布列，确定第三控制参数，第三分布列包括车辆实施多种机动行为的发生概率，第三控制参数用于强化在第三分布列中第二机动行为被选取的概率；
根据第一影响值和第三控制参数，得到第四控制参数；
根据第四控制参数，确定第四分布列，第四分布列包括车辆实施多种机动行为的发生概率，第四控制参数用于强化在第四分布列中第三机动行为被选取的概率；
基于第四分布列，确定第三机动行为。
在一种可能的实现方式中，基于第一影响值，预测第三车辆在下一时刻的第三机动行为之后，还包括：
迭代确定在下一时刻第一机动行为和/或第三机动行为对关系模型中其他车辆的第二影响值；
基于第二影响值，预测其他车辆在下一时刻的第四机动行为。由此，预测出关系模型中各个车辆的机动行为，从而为决策第一车辆在下一时刻的机动行为提供了丰富的数据，提升决策的准确度。
在一种可能的实现方式中，预测到在下一时刻关系模型中的车辆的机动行为之后，还包括：
基于关系模型中的车辆的机动行为，决策在下一时刻第一车辆的机动行为。
在一种可能的实现方式中，确定在第一车辆的关系模型中的第二车辆采取第一机动行为之前，包括：
针对任一第四车辆，确定第一车辆与第四车辆之间的第一位置关系，在关系模型中增加用于表征第四车辆的第一结点；
确定第四车辆与关系模型中第五车辆之间的第二位置关系，第四车辆与第五车辆相邻；
基于第二位置关系，在关系模型中构建第一结点和用于表征第五车辆的第二结点之间的第二关系边。由此，构建出第一车辆中的关系模型。
在一种可能的实现方式中，关系边根据目标参数确定，目标参数包括责任敏感模型、第一车辆所处区域的交通规则、第一车辆与第四车辆之间的行驶参数，行驶参数包括碰撞时间。由此，确定出关系模型中结点之间的关系边。
在一种可能的实现方式中，关系模型中的车辆处于结构化道路中。
在一种可能的实现方式中，针对关系模型中的任一车辆，任一车辆所具有的关系边的类型均不同。由此，避免在同一车辆所具有的关系边中出现多个类型相同的关系边，从而提升关系模型的准确度。
第二方面，本申请实施例提供了一种车辆行为预测装置，装置包括：
第一确定模块，配置为确定在第一车辆的关系模型中的第二车辆采取第一机动行为，关系模型中包括用于表征车辆的结点、结点之间的位置关系和结点之间的关系边，关系边用于表征结点之间的关系影响类型；
第二确定模块，配置为确定在下一时刻第一机动行为对关系模型中至少一个第三车辆当前的第二机动行为的第一影响值，在关系模型中用于表征第三车辆的结点和用于表征第一车辆的结点之间存在直接或间接的关系边；
预测模块，配置为基于第一影响值，预测第三车辆在下一时刻的第三机动行为，以便决策在下一时刻第一车辆的机动行为。
在一种可能的实现方式中，第二确定模块，还配置为：
将第一机动行为、第一机动行为对应的第一分布列、第二机动行为对应的第二分布列、第二车辆的第一行驶数据、第三车辆的第二行驶数据、在关系模型中第二车辆与第三车辆之间的第一关系边，输入影响传递模型，得到第一影响值；
其中，第一分布列和第二分布列均包括车辆实施多种机动行为的发生概率，第一分布列为根据第一机动行为确定，第二分布列为根据第二机动行为确定，第一行驶数据包括第二车辆的速度和位置，第二行驶数据包括第三车辆的速度和位置。
在一种可能的实现方式中，第二确定模块，还配置为：
基于第一分布列，确定第一控制参数，第一控制参数用于强化在第一分布列中第一机动行为被选取的概率；
将第一机动行为、第一控制参数、第二控制参数、第一行驶数据、第二行驶数据和第一关系边，输入影响传递模型，得到第一影响值；其中，第二控制参数基于第二分布列确定，第二控制参数用于强化在第二分布列中第二机动行为被选取的概率。
在一种可能的实现方式中，预测模块，还配置为：
根据第二机动行为，确定第三分布列，以及基于第三分布列，确定第三控制参数，第三分布列包括车辆实施多种机动行为的发生概率，第三控制参数用于强化在第三分布列中第二机动行为被选取的概率；
根据第一影响值和第三控制参数，得到第四控制参数；
根据第四控制参数，确定第四分布列，第四分布列包括车辆实施多种机动行为的发生概率，第四控制参数用于强化在第四分布列中第三机动行为被选取的概率；
基于第四分布列，确定第三机动行为。
在一种可能的实现方式中，预测模块，还配置为：
迭代确定在下一时刻第一机动行为和/或第三机动行为对关系模型中其他车辆的第二影 响值；
基于第二影响值，预测其他车辆在下一时刻的第四机动行为。
在一种可能的实现方式中，预测模块，还配置为：
基于关系模型中的车辆的机动行为，决策在下一时刻第一车辆的机动行为。
在一种可能的实现方式中，第一确定模块，还配置为：
针对任一第四车辆，确定第一车辆与第四车辆之间的第一位置关系，在关系模型中增加用于表征第四车辆的第一结点；
确定第四车辆与关系模型中第五车辆之间的第二位置关系，第四车辆与第五车辆相邻；
基于第二位置关系，在关系模型中构建第一结点和用于表征第五车辆的第二结点之间的第二关系边。
在一种可能的实现方式中，关系边根据目标参数确定，目标参数包括责任敏感模型、第一车辆所处区域的交通规则、第一车辆与第四车辆之间的行驶参数，行驶参数包括碰撞时间。
在一种可能的实现方式中，关系模型中的车辆处于结构化道路中。
在一种可能的实现方式中，针对关系模型中的任一车辆，任一车辆所具有的关系边的类型均不同。
第三方面，本申请实施例提供了一种电子设备，包括：
存储器，用于存储程序；
处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面所提供的方法。
第四方面，本申请实施例提供了一种车辆，其特征在于，包括第二方面所提供的装置。
第五方面，本申请实施例提供了一种计算机存储介质，计算机存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行第一方面所提供的方法。
第六方面，本申请实施例提供了一种芯片，包括至少一个处理器和接口；
接口，用于为至少一个处理器提供程序指令或者数据；
至少一个处理器用于执行程序行指令，以实现第一方面所提供的方法。
附图说明
图1是本申请实施例提供的一个应用场景示意图；
图2是本申请实施例提供的一种车辆结构示意图；
图3是本申请实施例提供的一种行为模型的示意图；
图4是本申请实施例提供的另一种行为模型的示意图；
图5a至图5g是本申请实施例提供的关系边的示意图；
图6是本申请实施例提供的一种关系模型的示意图；
图7是本申请实施例提供的另一种关系模型的示意图；
图8是本申请实施例提供的又一种关系模型的示意图；
图9是本申请实施例提供的又一种关系模型的示意图；
图10是本申请实施例提供的又一种行为模型的示意图；
图11是本申请实施例提供的一种车辆行为预测装置的结构示意图；
图12是本申请实施例提供的一种芯片的结构示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本申请实施例中的技术方案进行描述。
在本申请实施例的描述中，“示例性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B这三种情况。另外，除非另有说明，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1是本申请实施例提供的一个应用场景示意图。参阅图1，车辆11、12、13、14、15、16、17、18在结构化道路上行驶。根据人们的一般驾驶规律或习惯，若车辆12出现减速行为，车辆11大概率也会出现减速行为，以避免发生事故。此外，由于车辆12、11驾驶状态的改变，车辆13原本的左变道预期将受影响，因此车辆13未来一段时间的驾驶策略也会在一定概率及程度上发生改变。同理，车辆14、15的右变道预期受车辆12、11驾驶状态的改变，14、15未来一段时间的驾驶策略也会在一定概率及程度上发生改变。更进一步，位于A、B、C三个车道上的车辆16、18、17行驶于车辆15、11、13之后，由于车辆15、11、13机动策略的变化，16、18、17为了应对前车的机动行为，也有可能调整自身的驾驶策略。由于车辆11正好位于所有车辆的中心，因此当车辆14、15、16、17、13的驾驶策略改变时，这种改变也会反过来作用于车辆11，如影响车辆11左、右变道的预期，形成局部范围内车辆间的互相影响。由此可见，在结构化道路中，当局部范围内某辆车实施某一机动动作后，它可能会对局部范围内周边的车辆的行驶带来一系列影响。以车辆11为例，若它能够预先估计出其周边车辆(如车辆13、14、15)为应对车辆12减速这一状况而有可能采取的驾驶行为，则车辆11可以更好的基于周边车辆可能的机动行为进行决策规划，从而降低或减少潜在的安全风险。
可以理解的是，在本方案中，结构化道路可以包括具有清晰的道路标志线、道路的背景环境比较单一，且道路的几何特征也比较明显的道路，例如，高速公路、城市干道等道路。
下面介绍本申请实施例中一种车辆的结构示意图。
图2是本申请实施例提供的一种车辆的结构示意图。如图2所示，该车辆200包括传感器201、处理器202、存储器203和总线204。车辆200中的传感器201、处理器202和存储器203可以通过总线204建立通信连接。
传感器201可以为摄像头、超声波雷达、激光雷达、毫米波雷达、全球卫星定位系统(global navigation satellite system，GNSS)、惯性导航系统(inertial navigation  system，INS)等器件中一个或多个。传感器201中的各个器件可以安装在车辆200的车头、车门、车尾、车顶、车体内等位置上。传感器201可以对车辆200、车辆200所处道路和车辆200周边的其它车辆进行检测，从而获取到车辆200的速度、位置等信息，车辆200所处道路是否有车道线、车道线结构、路沿等信息，车辆200周边的每个车辆的速度、、位置、刹车灯、左转向灯、右转向灯、瞬时角速度、横摆角、航向角等信息，以及车辆200与周边的每个车辆的相对位置、相距距离等信息。
处理器202可以为中央处理器(central processing unit，CPU)。处理器202与传感器201连接，用于对传感器201检测到的数据进行处理，确定车辆200周边的其它车辆的机动行为，如加速左变道、加速直行、加速右变道、匀速左变道、匀速直行、匀速右变道、减速左变道、减速直行、减速右变道等，以及确定车辆200与周边的每个车辆的间隔距离等，构建车辆之间相互影响的关系模型等等。对于关系模型，详见下文描述。
存储器203可以包括易失性存储器(volatile memory，VM)，例如随机存取存储器(random-access memory，RAM)；存储器203也可以包括非易失性存储器(non-volatile memory，NVM)，例如只读存储器(read-only memory，ROM)、快闪存储器、硬盘(hard disk drive，HDD)或固态硬盘(solid state drive，SSD)；存储器203还可以包括上述种类的存储器的组合。存储器203与传感器201连接，用于存储传感器201对车辆200、车辆200所处道路和车辆200周边的其它车辆进行检测得到的数据，以及存储预先构建的行为模型、控制参数、影响传递模型等等。另外，存储器203还与处理器202连接，用于存储处理器202处理后的数据，以及存储处理器202实现上述处理过程对应的程序指令等等。
下面结合图1所示的应用场景和图2所示的车辆的结构，以车辆11为例介绍本申请实施例提供的车辆行为预测方法。
(1)预先构建行为模型
行为模型是指车辆实施某种机动行为时对应的模型。该行为模型中可以包括车辆可能实施的大部分机动行为的概率。
具体地，车辆11行驶过程中，在速度上一般有加速、匀速、减速等几种行为，在方向上一般有左变道、直行、右变道等几种行为，因此，可以基于速度上的行为和方向上的行为构建行为模型。若速度上的行为和方向上的行为均为三种，则可以使用9维离散分布列描述车辆可能的机动行为，如图3所示，即加速左变道、加速直行、加速右变道、匀速左变道、匀速直行、匀速右变道、减速左变道、减速直行、减速右变道；接着，可以设定每种机动行为发生的概率，从而完成了行为模型的构建。例如，继续参阅图3，设定机动行为为加速左变道的行为模型时，可以将加速左变道发生的概率设定为P 1，而将其他机动行为发生的概率均设定为P 2、P 3、P 4、…、P 9，其中，P 1+P 2+P 3+…+P 9＝1；如，P 1＝0.9，P 2至P 9均为0.0125等。可以理解的是，不同的机动行为对应着不同的行为模型。
在一个例子中，构建行为模型时，也可以预先构建一个初始行为模型，例如，正常状态时的行为模型，其中，每种机动行为发生的概率均相同，此时如图4所示，可以均为0.1111。
接着，可将行为模型看作一个多项分布随机变量，在不同情况下该随机变量取不同的取值，如图3、图4所示。为了更好的控制行为模型随机变量的取值，使其更符合具体的驾驶场景，本方案向该多项分布添加基于狄利克雷分布的共轭先验。通过对狄利克雷分布中控制参数α(实际可能包含α 0、α 1、…、α k多个参数，为了简洁统称为α，参数的具体数量由其 对应的多项分布列的样本点数量决定)的改变，达到对行为模型分布列取值的控制。如，使某车其中一些操作的可能性更大，另一些更小。在一个例子中，控制参数α可以理解为是用于强化某种机动行为在行为模型中被选取的概率。
然后，在车辆11检测到车辆12的机动行为时，则可以确定出车辆12的机动行为对应的控制参数。
最后，车辆11可以基于确定出的控制参数和初始行为模型，确定出车辆12当前的机动行为对应的行为模型。
可以理解的是，由于机动行为与控制参数之间具有映射关系，因此，在确定出车辆的机动行为后，就可以获知相应的控制参数。进一步地，基于该控制参数，就可以获知该机动行为下的行为模型。
可以理解的是，在行为模型中，当发生某一项机动行为时，不能简单的将该项机动行为发生时的概率置为1，而把其他项置为0，而应该采用更平滑的措施(例如拉普拉斯平滑)，例如，可以将该项机动行为发生时的概率置为0.9，而其他项机动行为的共同分享剩余的0.1，以使预估状态符合实际路况。
需说明的是，在本方案中，行为模型也可以称之为分布列。
(2)预先训练影响传递模型
影响传递模型是指当前正在实施机动行为的车辆对其相邻车辆的影响模型。
具体地，可以使用深度神经网络(deep neural network，DNN)、卷积神经网络(convolutional neuron network，CNN)、循环神经网络(recurrent neural networks，RNN)等神经网络，或其它基于数据驱动的参数自适应模型，将一个车辆的每种机动行为对其相邻车辆的影响均训练出来。
在一个例子中，训练过程中所需的训练数据，可以通过车辆模拟仿真软件进行模拟得出；其中，车辆模拟仿真软件可以为Gazebo、Carla等。可选地，训练数据可以包括第一车辆的行驶数据，与第一车辆相邻的其他车辆的行驶数据，其中，行驶数据包括行驶速度、车辆的位置等，第一车辆的变化后的机动行为，第一车辆与其他车辆的位置关系，第一车辆和其他车辆各自的机动行为对应的控制参数、第一车辆与其他车辆之间的关系影响类型等等；其中，第一车辆为机动行为发生变化的车辆，其他车辆可以为受到第一车辆的机动行为所影响的车辆。可以理解的是，在使用影响传递模型时，输入的数据可以为第一车辆的行驶数据、第一车辆的机动行为、第一车辆与其他车辆的位置关系、第一车辆和其他车辆各自的机动行为对应的控制参数、第一车辆与其他车辆之间的关系影响类型；输出的数据可以为第一车辆当前实施的机动行为对其他车辆产生的影响值。
(3)构建局部范围内车辆间相互影响的关系模型
车辆11在行驶过程中，可以利用其上的传感器持续或间歇性的检测其周边环境中的信息。若车辆11检测到周边环境中存在其他车辆，如车辆12，则车辆11可以获取其与车辆12之间的间隔距离。获取到间隔距离后，将间隔距离与预设距离阈值进行比对。若该间隔距离小于预设距离阈值，则表明车辆12的机动行为对车辆11产生影响的概率较大，因此，此时可以将车辆12加入关系模型中。若该间隔距离大于或等于预设距离阈值，则表明车辆12的机动行为对车辆11产生影响的概率较小，因此，此时可以不必将车辆12加入关系模型中， 或者可以从关系模型中将车辆12剔除。其中，在关系模型中默认存在车辆11。需说明的是，在关系模型中，可以用结点代表车辆，结点与结点之间的位置关系代表了实际道路上车辆间的相对位置关系。
将车辆12加入关系模型中后，可以基于车辆11与车辆12间的位置关系，在关系模型中构建代表车辆11的结点和代表车辆12的结点之间的关系边。该关系边具有方向，其中，关系边所指的方向表示该方向上结点所代表的车辆的机动行为会对另一结点所代表的车辆的机动行为产生影响。可以理解的是，关系边可以用于表征车辆11与车辆12之间的关系影响类型。
在一个例子中，关系边的类型分为7种，分别为：前后关系边、左前方关系边、左方关系边、右前方关系边、右方关系边、右后方关系边、左后方关系边。下面对关系边的7种类型分别进行说明。
如图5a所示，若结点1代表车辆11，结点2代表车辆12，此时，车辆12位于车辆11的正前方，关系边的方向由结点1指向结点2，则表示车辆12的机动行为会对车辆11的机动行为产生影响，例如，车辆12出现减速行为，则车辆11也需要减速行驶，车辆12变道至其他车道时，则车辆11可以加速行驶等等。由图5a中可看出，该关系边只有一个方向，也就是说，车辆11的机动行为对车辆12的影响较小，因此，可以忽略不计，即此时关系边只有一个方向即可。在本实施例中可以将图5a中所示的关系边称之为“前后关系边”。
同样的，如图5b所示，此时，车辆12位于车辆11的左前方，关系边的一种方向是由结点1指向结点2，另一种方向是由结点2指向结点1，此时表示车辆12的机动行为与车辆11的机动行为会相互影响，例如，车辆12出现出现右变道行为，则为了降低事故发生的概率，车辆11需要减速避让等，而若车辆11出现加速行为，则会影响车辆12的右变道行为等等。也就是说，此时车辆11和车辆12的机动行为会互相影响。在本实施例中可以将图5b中所示的关系边称之为“左前方关系边”。
如图5c所示，此时，车辆12位于车辆11的正左方，关系边的一种方向是由结点1指向结点2，另一种方向是由结点2指向结点1。在本实施例中可以将图5c中所示的关系边称之为“左方关系边”。
如图5d所示，此时，车辆12位于车辆11的右前方，关系边的一种方向是由结点1指向结点2，另一种方向是由结点2指向结点1。在本实施例中可以将图5d中所示的关系边称之为“右前方关系边”。
如图5e所示，此时，车辆12位于车辆11的正右方，关系边的一种方向是由结点1指向结点2，另一种方向是由结点2指向结点1。在本实施例中可以将图5e中所示的关系边称之为“右方关系边”。
如图5f所示，此时，车辆12位于车辆11的右后方，关系边的一种方向是由结点1指向结点2，另一种方向是由结点2指向结点1。在本实施例中可以将图5f中所示的关系边称之为“右后方关系边”。
如图5g所示，此时，车辆12位于车辆11的左后方，关系边的一种方向是由结点1指向结点2，另一种方向是由结点2指向结点1。在本实施例中可以将图5g中所示的关系边称之为“左后方关系边”。
举例来说，若车辆11行驶过程中，根据其与其他车辆之间的间隔距离，确定出可以加入关系模型中的车辆有车辆12、车辆15和车辆18，则构建的关系模型为图6所示的模型，图 中结点1代表车辆11，结点2代表车辆12，结点5代表车辆15，结点8代表车辆18。
在一个例子中，车辆11行驶过程中，在车辆11的关系模型中，若其他车辆(如车辆12)与车辆11之间的间隔距离变化为大于或等于预设距离阈值，则在关系模型中将其他车辆(如车辆12)从关系模型中剔除，并更新车辆11中的关系模型。
在一个例子中，在关系模型中，建立结点之间的关系边时，每个结点与其他结点之间可以只建立一种类型的关系边。如图7所示，结点1的左前方存在结点2和结点3，以结点1为基准结点，结点1与结点2和3之间的关系边的类型均属于左前方关系边，因此，此时可以择一建立结点1与结点2和3之间的关系边，例如，仅建立结点1和结点2之间的关系边，或者仅建立结点1和结点3之间的关系边。
进一步地，考虑到距离基准结点越近的结点，其代表的车辆的机动行为对基准结点代表的车辆影响最大，因此，在建立结点之间的关系边时，若一种类型的关系边为多个时，则可以选取与基准结点代表的车辆相距最近的车辆对应的结点，作为目标节点。例如，继续参阅图7，此时结点1和结点2之间的距离小于结点1和结点3之间的距离，因此，此时可以仅建立结点1和结点2之间的关系边。
在一个例子中，车辆11在确定关系模型中各个结点之间的关系边时，可以基于车辆之间的碰撞时间(time to collision，TTC)、车辆所处区域的交通规则、责任敏感模型(responsibility sensitive safety，RSS)等参考因素来确定。
可选地，可以预先为不同的参数分配不同的权重值，之后，利用以下公式进行获取。具体公式为：
d＝w 1*d TTC+w 2*d regulation+w 3*dR SS+C
其中，d为用于建立关系边的参考距离，w 1、w 2、w 3为权重值，d TTC为基于碰撞时间换算的碰撞距离，d regulation为交规中规定的当前道路上车辆之间需间隔的距离，d RSS为责任敏感模型中规定的车辆之间需保持的安全距离，C为常数。当d值小于或等于预设距离阈值时，则可以构建两个结点之间的关系边。当d值大于预设距离阈值时，则禁止构建两个结点之间的关系边。
(4)确定关系模型中至少一个结点代表的车辆的机动行为出现变化
车辆11行驶过程中，可以利用其上的传感器对其周边环境中的车辆进行检测，当检测到有车辆的机动行为出现变化时，可以基于车辆11与机动行为发生变化的车辆之间的间隔距离，确定机动行为发生变化的车辆是否处于关系模型中。若确定出机动行为发生变化的车辆处于关系模型中，车辆11则确定机动行为发生变化的车辆对关系模型中其他结点代表的车辆的影响。若确定出机动行为发生变化的车辆未处于关系模型中，车辆11则继续对其周边环境中车辆进行检测。
(5)确定机动行为发生变化的车辆对关系模型中结点代表的其他车辆的影响
车辆11行驶过程中，若其检测到其构建的关系模型中车辆13的机动行为发生变化，则车辆11可以确定车辆13的变化后的机动行为对关系模型中结点代表的其他车辆的影响值；以及基于影响值，确定车辆13的变化后的机动行为对关系模型中结点代表的其他车辆的影响大小。
在一个例子中，车辆11可以但不限于通过以下方式确定影响值。
第一种，车辆11可以基于预先构建的影响传递模型，确定车辆13的机动行为对关系模型中结点代表的其他车辆的影响值，如对车辆12的影响值。具体地，在车辆13出现某种机动行为时，可以将该车辆13的第一行驶数据和与其相邻的车辆12的第二行驶数据输入至影响传递模型中，就可以得出该车辆13实施的机动行为对车辆12的影响值。可选地，第一行驶数据可以包括车辆13的速度、位置、其正在实施的机动行为、其正在实施的机动行为对应的控制参数，第二行驶数据可以包括车辆12的速度、位置、其当前的机动行为对应的控制参数、在关系模型中其与车辆13间关系边的类型。
举例来说，如图8所示，若关系模型中的结点1代表车辆11，结点2代表车辆12，结点3代表车辆13，则当车辆12实施的机动行为为匀速右变道时，若此时车辆13的行驶数据中速度为v 1、位置为p 1、车辆13当前的机动行为对应的控制参数为α 1、车辆13与车辆12间关系边的类型为e left-front，车辆12的行驶数据中速度为v 2、位置为p 2、车辆12正在实施的机动行为对应的控制参数为α 2、车辆12正在实施的机动行为为m 12。若影响传递模型为f，则车辆12实施的机动行为对应车辆13的影响值Δα＝f(v 1，p 1，α 1，v 2，p 2，α 2，e left-front，m 12)。本公式中的位置p指某种定位系统或坐标系下的车辆位置，如可以车辆11为原点建立坐标系并确定每辆车的位置，或以车辆12为原点建立坐标系，或以地图中的经纬度为坐标确定车辆位置等。
可以理解的是，控制参数α 1和α 2也可以替换为它们各自对应的分布列(即行为模型)。此时，可以直接用车辆12和车辆13各自机动行为对应的分布列、车辆12的机动行为、车辆13与车辆12间关系边的类型，以及车辆12和车辆13各自的行驶数据，作为影响传递模型的输入；而影响传递模型的输出仍为车辆12实施的机动行为对应车辆13的影响值。
第二种，继续参阅图8，确定影响值时，车辆11可以获取车辆12的当前机动行为对应的控制参数与车辆13正在实施的机动行为对应的控制参数之间的偏差值，并将该偏差值作为影响值。例如，若车辆12的当前机动行为对应的控制参数为α 1，车辆13正在实施的机动行为对应的控制参数为α 2，则影响值可以为Δα＝α 1-α 2，或者Δα＝α 1/α 2等等。
在一个例子中，车辆11可以基于影响值与预设影响阈值之间的关系，确定车辆13的变化后的机动行为对关系模型中结点代表的其他车辆的影响大小。例如，若车辆13变化后的机动行为对车辆12的影响值为n，如果影响值n大于预设影响阈值，则表明车辆13变化后的机动行为对车辆12的影响较大，此时车辆12存在变更其当前的机动行为的概率较大；如果影响值n小于或等于预设影响阈值，则表明车辆13正在实施的机动行为对车辆12的影响较小，此时车辆12存在变更其当前的机动行为的概率较小。
(6)确定关系模型中结点代表的车辆的机动行为模型
若车辆13的变化后的机动行为对关系模型中结点代表的其他车辆的影响值大于预设影响阈值，则可以更新其他车辆的当前机动行为对应的控制参数。可选地，可以将其他车辆当前的控制参数与影响值的和值或差值作为新的控制参数；例如，若车辆13变化后的机动行为对车辆12的影响值n大于预设影响阈值，车辆12的当前机动行为对应的控制参数为α，则可以车辆12对应的新的控制参数为α+n。
进一步地，车辆11确定出其他车辆对应的新的控制参数后，就可以基于预先构建的控制参数与行为模型之间的关系，确定出新的控制参数对应的新的行为模型。例如，将新的控制参数与初始行为模型相乘，即可以得到新的行为模型；或者，当新的控制参数与预先构建的 控制参数相等时，则直接选取该控制参数所对应的行为模型作为新的行为模型；亦或者，当新的控制参数与预先构建的控制参数不相等时，则可以选取与新的控制参数相差较小的预先构建的控制参数所对应的行为模型，作为新的行为模型。
若车辆13的变化后的机动行为对关系模型中结点代表的其他车辆的影响值小于或等于预设影响阈值，则可以不必更新其他车辆的当前机动行为对应的控制参数。此时，可以继续使用其他车辆原有的行为模型。
在一个例子中，若关系模型中除代表车辆11的结点外，还包括三个及三个以上的结点，则可以以代表正在实施机动行为的车辆的结点为起点，以广度优先方式获取具有连接关系的结点之间的影响值。之后，基于前述所描述的基于影响值确定车辆的行为模型的方式，确定每个结点对应的车辆的行为模型。最后，再基于每个结点对应的车辆的行为模型，对每个车辆可能实施的机动行为进行预测。
举例来说，如图9所示，关系模型中共有8个结点，若结点2代表的车辆在t1时刻变化后的机动行为是直行减速，这时结点3、4和5所代表的车辆可以直接受到影响。因此，在t1时刻结点1代表的车辆可以获取到结点3、4和5所代表的车辆的行为模型，从而由结点3、4和5所代表的车辆的行为模型，预测出结点3、4和5所代表的车辆可能实施的机动行为。同样的，在t2时刻，则可以选择一个结点代表的车辆出现某种机动行为时，获取此时刻该结点出现某种机动行为对其他结点代表的车辆的影响值，并由获取到的影响值，确定其他结点代表的车辆的行为模型。
(7)车辆行为预测
车辆11确定出关系模型中结点代表的车辆新的行为模型后，就可以基于新的行为模型对其他车辆可能实施的机动行为进行预测，以及基于预测结果，确定车辆11下一时刻的机动行为。例如，若图9中结点5代表的车辆对应的行为模型为图10所示的模型，在该模型中结点5代表的车辆出现减速直行的机动行为的概率为0.7，出现减速左变道的机动行为的概率为0.2，出现加速直行的机动行为的概率为0.0004，出现其他机动行为的概率均为0.0166，则此时结点1代表的车辆就可以预测出结点5代表的车辆出现减速执行这一机动行为的概率较大；进一步地，结点1代表的车辆可以预先进行减速直行这一机动行为，从而降低或减少潜在的安全风险，如追尾风险等。
可以理解的是，本方案所提供的车辆行为预测方法可以由车辆自身执行，也可以由其他设备(如服务器等)执行，在本方案中并不对此进行限定。对于由其他设备完成的情形，该方法所需的数据可从车辆处获取到，例如，其他设备与车辆之间可以通过网络进行通信，以完成数据交互。
综上，本方案提供的车辆行为预测方法，当第一车辆的关系模型中第二车辆采取机动行为后，可以预测到在关系模型中与第二车辆具有直接或间接影响关系的至少一个第三车辆的在下一时刻的机动行为，进而可以基于预测到的机动行为，对第一车辆在下一时刻的机动行为进行决策，从而为第一车辆进行安全决策赢得宝贵时间，降低或减少潜在的安全风险，提升了车辆行驶的安全性。
基于上述实施例提供的方法，本申请实施例还提供了一种车辆行为预测装置。请参阅图11，图11是本申请实施例提供的一种车辆行为预测装置的结构示意图，如图11所示，该车 辆行为预测装置300包括：
第一确定模块31，配置为确定在第一车辆的关系模型中的第二车辆采取第一机动行为，关系模型中包括用于表征车辆的结点、结点之间的位置关系和结点之间的关系边，关系边用于表征结点之间的关系影响类型；
第二确定模块32，配置为确定在下一时刻第一机动行为对关系模型中至少一个第三车辆当前的第二机动行为的第一影响值，在关系模型中用于表征第三车辆的结点和用于表征第一车辆的结点之间存在直接或间接的关系边；
预测模块33，配置为基于第一影响值，预测第三车辆在下一时刻的第三机动行为，以便决策在下一时刻第一车辆的机动行为。
在一个例子中，第二确定模块32，还配置为：
将第一机动行为、第一机动行为对应的第一分布列、第二机动行为对应的第二分布列、第二车辆的第一行驶数据、第三车辆的第二行驶数据、在关系模型中第二车辆与第三车辆之间的第一关系边，输入影响传递模型，得到第一影响值；
其中，第一分布列和第二分布列均包括车辆实施多种机动行为的发生概率，第一分布列为根据第一机动行为确定，第二分布列为根据第二机动行为确定，第一行驶数据包括第二车辆的速度和位置，第二行驶数据包括第三车辆的速度和位置。
在一个例子中，第二确定模块32，还配置为：
基于第一分布列，确定第一控制参数，第一控制参数用于强化在第一分布列中第一机动行为被选取的概率；
将第一机动行为、第一控制参数、第二控制参数、第一行驶数据、第二行驶数据和第一关系边，输入影响传递模型，得到第一影响值；其中，第二控制参数基于第二分布列确定，第二控制参数用于强化在第二分布列中第二机动行为被选取的概率。
在一个例子中，预测模块33，还配置为：
根据第二机动行为，确定第三分布列，以及基于第三分布列，确定第三控制参数，第三分布列包括车辆实施多种机动行为的发生概率，第三控制参数用于强化在第三分布列中第二机动行为被选取的概率；
根据第一影响值和第三控制参数，得到第四控制参数；
根据第四控制参数，确定第四分布列，第四分布列包括车辆实施多种机动行为的发生概率，第四控制参数用于强化在第四分布列中第三机动行为被选取的概率；
基于第四分布列，确定第三机动行为。
在一个例子中，预测模块33，还配置为：
迭代确定在下一时刻第一机动行为和/或第三机动行为对关系模型中其他车辆的第二影响值；
基于第二影响值，预测其他车辆在下一时刻的第四机动行为。
在一个例子中，预测模块33，还配置为：
基于关系模型中的车辆的机动行为，决策在下一时刻第一车辆的机动行为。
在一个例子中，第一确定模块31，还配置为：
针对任一第四车辆，确定第一车辆与第四车辆之间的第一位置关系，在关系模型中增加用于表征第四车辆的第一结点；
确定第四车辆与关系模型中第五车辆之间的第二位置关系，第四车辆与第五车辆相邻；
基于第二位置关系，在关系模型中构建第一结点和用于表征第五车辆的第二结点之间的第二关系边。
在一个例子中，关系边根据目标参数确定，目标参数包括责任敏感模型、第一车辆所处区域的交通规则、车辆之间的行驶参数，行驶参数包括碰撞时间。
在一个例子中，关系模型中的车辆处于结构化道路中。
在一个例子中，针对关系模型中的任一车辆，任一车辆所具有的关系边的类型均不同。
应当理解的是，上述装置用于执行上述实施例中的方法，装置中相应的程序模块，其实现原理和技术效果与上述方法中的描述类似，该装置的工作过程可参考上述方法中的对应过程，此处不再赘述。
基于上述实施例中的车辆行为预测方法，本申请实施例还提供了一种电子设备，该电子设备包括至少一个处理器，该处理器用于执行存储器中存储的指令，以使得电子设备执行上述实施例中的方法。
基于上述实施例中的车辆行为预测方法，本申请实施例还提供了一种车辆，该车辆包含以上方面所提供的车辆行为预测装置。
基于上述实施例中的车辆行为预测方法，本申请实施例还提供了一种芯片。请参阅图12，图12为本申请实施例提供的一种芯片的结构示意图。芯片1200包括一个或多个处理器1201以及接口电路1202。可选的，所述芯片1200还可以包含总线1203。其中：
处理器1201可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1201中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1201可以是通用处理器、数字通信器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
接口电路1202可以用于数据、指令或者信息的发送或者接收，处理器1201可以利用接口电路1202接收的数据、指令或者其它信息，进行加工，可以将加工完成信息通过接口电路1202发送出去。
可选的，芯片还包括存储器，存储器可以包括只读存储器和随机存取存储器，并向处理器提供操作指令和数据。存储器的一部分还可以包括非易失性随机存取存储器(NVRAM)。
可选的，存储器存储了可执行软件模块或者数据结构，处理器可以通过调用存储器存储的操作指令(该操作指令可存储在操作系统中)，执行相应的操作。
可选的，芯片可以使用在本申请实施例涉及的通信装置(包括主节点和从节点)中。可选的，接口电路1202可用于输出处理器1201的执行结果。关于本申请的一个或多个实施例提供的数据传输方法可参考前述各个实施例，这里不再赘述。
需要说明的，处理器1201、接口电路1202各自对应的功能既可以通过硬件设计实现，也可以通过软件设计来实现，还可以通过软硬件结合的方式来实现，这里不作限制。
可以理解的是，本申请的实施例中的处理器可以是中央处理单元(central processing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件，硬件部件或 者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。
本申请的实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(random access memory，RAM)、闪存、只读存储器(read-only memory，ROM)、可编程只读存储器(programmablerom，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。

Claims (24)

  1. 一种车辆行为预测方法，其特征在于，所述方法包括：
    确定在第一车辆的关系模型中的第二车辆采取第一机动行为，所述关系模型中包括用于表征车辆的结点、结点之间的位置关系和结点之间的关系边，所述关系边用于表征结点之间的关系影响类型；
    确定在下一时刻所述第一机动行为对所述关系模型中至少一个第三车辆当前的第二机动行为的第一影响值，在所述关系模型中用于表征所述第三车辆的结点和用于表征所述第一车辆的结点之间存在直接或间接的关系边；
    基于所述第一影响值，预测所述第三车辆在下一时刻的第三机动行为，以便决策在下一时刻所述第一车辆的机动行为。
  2. 根据权利要求1所述的方法，其特征在于，所述确定在下一时刻所述第一机动行为对所述关系模型中至少一个第三车辆当前的第二机动行为的第一影响值，包括：
    将所述第一机动行为、所述第一机动行为对应的第一分布列、所述第二机动行为对应的第二分布列、所述第二车辆的第一行驶数据、所述第三车辆的第二行驶数据、在所述关系模型中所述第二车辆与所述第三车辆之间的第一关系边，输入影响传递模型，得到所述第一影响值；
    其中，所述第一分布列和所述第二分布列均包括车辆实施多种机动行为的发生概率，所述第一分布列为根据所述第一机动行为确定，所述第二分布列为根据所述第二机动行为确定，所述第一行驶数据包括所述第二车辆的速度和位置，所述第二行驶数据包括所述第三车辆的速度和位置。
  3. 根据权利要求2所述的方法，其特征在于，所述将所述第一机动行为、所述第一机动行为对应的第一分布列、所述第二机动行为对应的第二分布列、所述第二车辆的第一行驶数据、所述第三车辆的第二行驶数据、在所述关系模型中所述第二车辆与所述第三车辆之间的第一关系边，输入影响传递模型，得到所述第一影响值，包括：
    基于所述第一分布列，确定第一控制参数，所述第一控制参数用于强化在所述第一分布列中所述第一机动行为被选取的概率；
    将所述第一机动行为、所述第一控制参数、第二控制参数、所述第一行驶数据、所述第二行驶数据和所述第一关系边，输入所述影响传递模型，得到所述第一影响值；其中，所述第二控制参数基于所述第二分布列确定，所述第二控制参数用于强化在所述第二分布列中所述第二机动行为被选取的概率。
  4. 根据权利要求1-3任意一项所述的方法，其特征在于，所述基于所述第一影响值，预测所述第三车辆在下一时刻的第三机动行为，包括：
    根据所述第二机动行为，确定第三分布列，以及基于所述第三分布列，确定第三控制参数，所述第三分布列包括车辆实施多种机动行为的发生概率，所述第三控制参数用于强化在所述第三分布列中所述第二机动行为被选取的概率；
    根据所述第一影响值和所述第三控制参数，得到第四控制参数；
    根据所述第四控制参数，确定第四分布列，所述第四分布列包括车辆实施多种机动行为的发生概率，所述第四控制参数用于强化在所述第四分布列中所述第三机动行为被选取的概率；
    基于所述第四分布列，确定所述第三机动行为。
  5. 根据权利要求1所述的方法，其特征在于，所述基于所述第一影响值，预测所述第三车辆在下一时刻的第三机动行为之后，还包括：
    迭代确定在下一时刻所述第一机动行为和/或所述第三机动行为对所述关系模型中其他车辆的第二影响值；
    基于所述第二影响值，预测所述其他车辆在下一时刻的第四机动行为。
  6. 根据权利要求1-3、5任意一项所述的方法，其特征在于，预测到在下一时刻所述关系模型中的车辆的机动行为之后，还包括：
    基于所述关系模型中的车辆的机动行为，决策在下一时刻所述第一车辆的机动行为。
  7. 根据权利要求1-3、5任意一项所述的方法，其特征在于，所述确定在第一车辆的关系模型中的第二车辆采取第一机动行为之前，包括：
    针对任一第四车辆，确定所述第一车辆与所述第四车辆之间的第一位置关系，在所述关系模型中增加用于表征所述第四车辆的第一结点；
    确定所述第四车辆与所述关系模型中第五车辆之间的第二位置关系，所述第四车辆与所述第五车辆相邻；
    基于所述第二位置关系，在所述关系模型中构建所述第一结点和用于表征所述第五车辆的第二结点之间的第二关系边。
  8. 根据权利要求1-3、5任意一项所述的方法，其特征在于，所述关系边根据目标参数确定，所述目标参数包括责任敏感模型、所述第一车辆所处区域的交通规则、所述第一车辆与所述第四车辆之间的行驶参数，所述行驶参数包括碰撞时间。
  9. 根据权利要求1-3、5任意一项所述的方法，其特征在于，所述关系模型中的车辆处于结构化道路中。
  10. 根据权利要求1-3、5任意一项所述的方法，其特征在于，针对所述关系模型中的任一车辆，所述任一车辆所具有的关系边的类型均不同。
  11. 一种车辆行为预测装置，其特征在于，所述装置包括：
    第一确定模块，配置为确定在第一车辆的关系模型中的第二车辆采取第一机动行为，所述关系模型中包括用于表征车辆的结点、结点之间的位置关系和结点之间的关系边，所述关系边用于表征结点之间的关系影响类型；
    第二确定模块，配置为确定在下一时刻所述第一机动行为对所述关系模型中至少一个第三车辆当前的第二机动行为的第一影响值，在所述关系模型中用于表征所述第三车辆的结点和用于表征所述第一车辆的结点之间存在直接或间接的关系边；
    预测模块，配置为基于所述第一影响值，预测所述第三车辆在下一时刻的第三机动行为，以便决策在下一时刻所述第一车辆的机动行为。
  12. 根据权利要求11所述的装置，其特征在于，所述第二确定模块，还配置为：
    将所述第一机动行为、所述第一机动行为对应的第一分布列、所述第二机动行为对应的第二分布列、所述第二车辆的第一行驶数据、所述第三车辆的第二行驶数据、在所述关系模型中所述第二车辆与所述第三车辆之间的第一关系边，输入影响传递模型，得到所述第一影响值；
    其中，所述第一分布列和所述第二分布列均包括车辆实施多种机动行为的发生概率，所 述第一分布列为根据所述第一机动行为确定，所述第二分布列为根据所述第二机动行为确定，所述第一行驶数据包括所述第二车辆的速度和位置，所述第二行驶数据包括所述第三车辆的速度和位置。
  13. 根据权利要求12所述的装置，其特征在于，所述第二确定模块，还配置为：
    基于所述第一分布列，确定第一控制参数，所述第一控制参数用于强化在所述第一分布列中所述第一机动行为被选取的概率；
    将所述第一机动行为、所述第一控制参数、第二控制参数、所述第一行驶数据、所述第二行驶数据和所述第一关系边，输入所述影响传递模型，得到所述第一影响值；其中，所述第二控制参数基于所述第二分布列确定，所述第二控制参数用于强化在所述第二分布列中所述第二机动行为被选取的概率。
  14. 根据权利要求11-13任意一项所述的装置，其特征在于，所述预测模块，还配置为：
    根据所述第二机动行为，确定第三分布列，以及基于所述第三分布列，确定第三控制参数，所述第三分布列包括车辆实施多种机动行为的发生概率，所述第三控制参数用于强化在所述第三分布列中所述第二机动行为被选取的概率；
    根据所述第一影响值和所述第三控制参数，得到第四控制参数；
    根据所述第四控制参数，确定第四分布列，所述第四分布列包括车辆实施多种机动行为的发生概率，所述第四控制参数用于强化在所述第四分布列中所述第三机动行为被选取的概率；
    基于所述第四分布列，确定所述第三机动行为。
  15. 根据权利要求11所述的装置，其特征在于，所述预测模块，还配置为：
    迭代确定在下一时刻所述第一机动行为和/或所述第三机动行为对所述关系模型中其他车辆的第二影响值；
    基于所述第二影响值，预测所述其他车辆在下一时刻的第四机动行为。
  16. 根据权利要求11-13、15任意一项所述的装置，其特征在于，所述预测模块，还配置为：
    基于所述关系模型中的车辆的机动行为，决策在下一时刻所述第一车辆的机动行为。
  17. 根据权利要求11-13、15任意一项所述的装置，其特征在于，所述第一确定模块，还配置为：
    针对任一第四车辆，确定所述第一车辆与所述第四车辆之间的第一位置关系，在所述关系模型中增加用于表征所述第四车辆的第一结点；
    确定所述第四车辆与所述关系模型中第五车辆之间的第二位置关系，所述第四车辆与所述第五车辆相邻；
    基于所述第二位置关系，在所述关系模型中构建所述第一结点和用于表征所述第五车辆的第二结点之间的第二关系边。
  18. 根据权利要求11-13、15任意一项所述的装置，其特征在于，所述关系边根据目标参数确定，所述目标参数包括责任敏感模型、所述第一车辆所处区域的交通规则、车辆之间的行驶参数，所述行驶参数包括碰撞时间。
  19. 根据权利要求11-13、15任意一项所述的装置，其特征在于，所述关系模型中的车辆处于结构化道路中。
  20. 根据权利要求11-13、15任意一项所述的装置，其特征在于，针对所述关系模型中的任一车辆，所述任一车辆所具有的关系边的类型均不同。
  21. 一种电子设备，其特征在于，包括至少一个处理器，所述处理器用于执行存储器中存储的指令，以使得所述电子设备执行如权利要求1-10任一所述的方法。
  22. 一种车辆，其特征在于，包括如权利要求11-20任一所述的装置。
  23. 一种计算机存储介质，所述计算机存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-10任一所述的方法。
  24. 一种芯片，其特征在于，包括至少一个处理器和接口；
    所述接口，用于为所述至少一个处理器提供程序指令或者数据；
    所述至少一个处理器用于执行所述程序行指令，以实现如权利要求1-10中任一项所述的方法。
PCT/CN2021/101191 2020-09-08 2021-06-21 一种车辆行为预测方法、装置及车辆 WO2022052556A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010935587.0A CN114148344B (zh) 2020-09-08 2020-09-08 一种车辆行为预测方法、装置及车辆
CN202010935587.0 2020-09-08

Publications (1)

Publication Number Publication Date
WO2022052556A1 true WO2022052556A1 (zh) 2022-03-17

Family

ID=80460766

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/101191 WO2022052556A1 (zh) 2020-09-08 2021-06-21 一种车辆行为预测方法、装置及车辆

Country Status (2)

Country Link
CN (1) CN114148344B (zh)
WO (1) WO2022052556A1 (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073662A1 (en) * 2013-09-09 2015-03-12 Honda Research Institute Europe Gmbh Driving assistance technique for active vehicle control
CN105711586A (zh) * 2016-01-22 2016-06-29 江苏大学 一种基于前向车辆驾驶人驾驶行为的前向避撞系统及避撞算法
CN109726804A (zh) * 2019-01-25 2019-05-07 江苏大学 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法
CN109855639A (zh) * 2019-01-15 2019-06-07 天津大学 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
US20200172093A1 (en) * 2018-11-29 2020-06-04 291, Daehak-ro Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130238181A1 (en) * 2012-03-12 2013-09-12 Toyota Motor Eng. & Man. North America (Tema) On-board vehicle path prediction using processed sensor information
CN111559388B (zh) * 2020-03-26 2022-07-12 吉利汽车研究院（宁波）有限公司 一种目标车辆筛选方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073662A1 (en) * 2013-09-09 2015-03-12 Honda Research Institute Europe Gmbh Driving assistance technique for active vehicle control
CN105711586A (zh) * 2016-01-22 2016-06-29 江苏大学 一种基于前向车辆驾驶人驾驶行为的前向避撞系统及避撞算法
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
US20200172093A1 (en) * 2018-11-29 2020-06-04 291, Daehak-ro Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus
CN109855639A (zh) * 2019-01-15 2019-06-07 天津大学 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN109726804A (zh) * 2019-01-25 2019-05-07 江苏大学 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法
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

Also Published As

Publication number Publication date
CN114148344B (zh) 2023-06-02
CN114148344A (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
US11899411B2 (en) Hybrid reinforcement learning for autonomous driving
CN110834644B (zh) 一种车辆控制方法、装置、待控制车辆及存储介质
US20220324481A1 (en) Method and apparatus for planning vehicle trajectory, intelligent driving domain controller, and intelligent vehicle
CN108692734B (zh) 一种路径规划方法和装置
US10678248B2 (en) Fast trajectory planning via maneuver pattern selection
WO2022052406A1 (zh) 一种自动驾驶训练方法、装置、设备及介质
CN111506058B (zh) 通过信息融合来计划自动驾驶的短期路径的方法及装置
JP6742802B2 (ja) 対象物体の将来状態を計算により予測する方法の性能を向上するための方法、運転者支援システム、そのような運転者支援システムを備える車両、並びに対応するプログラムの記憶媒体及びプログラム
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
WO2020243162A1 (en) Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
US11498577B2 (en) Behavior prediction device
CN112888612A (zh) 自动驾驶车辆规划
CN110843789B (zh) 一种基于时序卷积网络的车辆换道意图预测方法
WO2023070258A1 (zh) 一种车辆的轨迹规划方法、装置及车辆
WO2022052856A1 (zh) 基于交通工具的数据处理方法、装置、计算机及存储介质
CN112859838B (zh) 一种自动驾驶控制方法、装置、设备和介质
CN114906164A (zh) 用于自主驾驶的轨迹验证
WO2022052556A1 (zh) 一种车辆行为预测方法、装置及车辆
KR102602271B1 (ko) 인공신경망을 이용한 주행 차량의 충돌 가능성 판단 방법 및 장치
Delp et al. Classifying and passing 3d obstacles for autonomous driving
CN113635900A (zh) 一种预测巡航过程中基于能量管理的换道决策控制方法
RU2767826C1 (ru) Способ и устройство для управления автомобилем
RU2789921C2 (ru) Способ и устройство для управления беспилотным автомобилем
RU2790105C2 (ru) Способ и электронное устройство для управления беспилотным автомобилем
US20240092398A1 (en) Trajectory prediction based on a decision tree

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21865614

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21865614

Country of ref document: EP

Kind code of ref document: A1