WO2023202485A1 - 一种自动驾驶系统中的轨迹预测方法及系统 - Google Patents
一种自动驾驶系统中的轨迹预测方法及系统 Download PDFInfo
- Publication number
- WO2023202485A1 WO2023202485A1 PCT/CN2023/088404 CN2023088404W WO2023202485A1 WO 2023202485 A1 WO2023202485 A1 WO 2023202485A1 CN 2023088404 W CN2023088404 W CN 2023088404W WO 2023202485 A1 WO2023202485 A1 WO 2023202485A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- trajectory
- current frame
- result
- information
- map
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 10
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种自动驾驶系统中的轨迹预测方法及系统。自动驾驶系统中的轨迹预测方法包括以下步骤:获取感知障碍物的结果信息以进行自车轨迹预测;还包括以下步骤:获取当前帧高精地图和/或当前帧地图的可行驶区域,并获取自车的上一帧轨迹规划信息;根据所述当前帧高精地图和/或当前帧地图的可行驶区域确定当前帧轨迹预测结果;根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果。该预测方法,在预测时获取当前帧高精地图和/或当前帧地图的可行驶区域,并获取自车的上一帧轨迹规划信息,可以充分保证生成的预测轨迹在可行驶区域当中。
Description
本发明涉及自动驾驶领域,特别是涉及一种自动驾驶系统中的轨迹预测方法及系统。
轨迹预测是自动驾驶中重要的环节,根据环境感知模块采集的信息,预测环境中障碍物未来轨迹并将其输入给规划模块用于合理、准确规划路径,以避免车辆与障碍物发生碰撞。现有的自动驾驶在做轨迹预测时,通常仅根据感知到的环境信息预测障碍物的未来轨迹,将预测结果给到规划模块,规划模块根据预测结果对自车轨迹进行规划。发明人认为,现有技术方案在做轨迹预测时不考虑自车轨迹规划结果,可能使得轨迹预测不够准确、合理。
发明内容
本发明的一个目的是要提供一种轨迹预测不够准确合理的自动驾驶系统中的轨迹预测方法及系统。
本发明一个进一步的目的是要使得自动驾驶系统中的轨迹预测方法获得更加多元的输入信息,以弥补自车轨迹预测的局限性。
特别地,本发明提供了一种自动驾驶系统中的轨迹预测方法,获取感知障碍物的结果信息以进行自车轨迹预测;还包括以下步骤:
获取当前帧高精地图和/或当前帧地图的可行驶区域,并获取自车的上一帧轨迹规划信息;
根据所述当前帧高精地图和/或当前帧地图的可行驶区域确定当前帧轨迹预测结果;
根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果。
进一步地,所述根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果步骤中,具体包括以下步骤:
对所述当前帧高精地图和/或当前帧地图的可行驶区域进行编码,得到第一编码结果;
接收自车的上一帧轨迹规划信息和感知障碍物的信息,对所述上一帧轨
迹规划信息和感知障碍物的信息进行编码,得到第二编码结果;
将所述第一编码结果、所述第二编码结果进行交互关系的建模;
将建模过程中使用的高维特征按照输出信息的需求,解码成多种可视信息。
进一步地,所述将建模过程中使用的高维特征按照输出信息的需求,解码成多种可视信息步骤中,神经网络对多个可能性轨迹进行多个假设的交互场景下的评估,输出多个假设的交互场景的状态下的最优轨迹。
进一步地,所述可视信息包括轨迹图、概率图或轨迹热力图。
进一步地,所述根据所述当前帧高精地图和/或当前帧地图的可行驶区域确定当前帧轨迹预测结果步骤中,具体包括以下步骤:
以所述高精地图或地图的可行驶区域作为神经网络的输入;
神经网络生成多个可能性轨迹以作为自车的可能性行驶路径。
进一步地,所述根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果步骤中,包括以下步骤:
对高精地图或地图的可行驶区域进行编码,得到第三编码结果;
接收自车的上一帧轨迹规划信息和感知障碍物的信息,对所述上一帧轨迹规划信息和感知障碍物的信息进行编码,得到第四编码结果;
将所述第三编码结果、所述第四编码结果进行交互关系的建模,解码建模过程中的高维特征,得到自车轨迹预测结果;
将自车的轨迹预测的结果直接作为当前帧规划模块的输入,得到当前帧规划模块的结果。
进一步地,所述将自车的轨迹预测的结果直接作为当前帧规划模块的输入,得到当前帧规划模块的结果步骤中,神经网络将自车规划解耦为横向轨迹规划和纵向轨迹规划,根据自车轨迹预测结果修正横向轨迹规划和纵向轨迹规划得到当前帧轨迹规划。
特别地,本发明还公开了一种自动驾驶系统中的轨迹预测系统,包括处理器和存储器,所处存储器储存用于执行所述的自动驾驶系统中的轨迹预测方法的程序。
进一步地,所述处理器包括预测单元,所述预测单元包括用于执行所述存储器中存储的所述自动驾驶系统中的轨迹预测方法的程序。
进一步地,所述预测单元在执行程序是采用基于Transformer的可训练
的神经网络神经网络。
本发明所提供的预测方法,在预测时获取当前帧高精地图和/或当前帧地图的可行驶区域,并获取自车的上一帧轨迹规划信息,可以充分保证生成的预测轨迹在可行使区域当中。在预测的过程中,根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果,可以充分考虑各个主体(Agent)行驶的合理性和不同主体之间的交互性。
进一步地,本发明通过接收高精地图和/或地图的可行驶区域,可以更好的建模周围环境的道路拓扑约束和可行驶区域约束,提高轨迹预测的道路通行合理性。
进一步地,本发明通过对轨迹生成器的多条候选轨迹分别进行编码,分别进行周围主体的预测,可以给出更多元的自车规划可能性,通过对考虑不同轨迹预测的候选轨迹进行评估,有利于选出比传统架构更优的规划轨迹。
进一步地,本发明可以给出的可视信息包括轨迹图、概率图或轨迹热力图,充分考虑不同智能驾驶框架下的使用需求。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的自动驾驶系统中的轨迹预测方法的示意性步骤图;
图2是根据本发明一个实施例的步骤S400的逻辑框图;
图3是根据本发明一个实施例的自动驾驶系统中的轨迹预测方法所使用的神经网络的结构图;
图4是根据本发明一个实施例的步骤S400的逻辑框图;
图5是根据本发明一个实施例的自动驾驶系统中的轨迹预测方法所使用的神经网络的结构图。
实施例1
图1是根据本发明一个实施例的自动驾驶系统中的轨迹预测方法的示意性步骤图。特别地,本实施例公开了一种自动驾驶系统中的轨迹预测方法,一般性地可包括以下步骤:
S100、获取感知障碍物的结果信息以进行自车轨迹预测。
S200、获取当前帧高精地图和/或当前帧地图的可行驶区域,并获取自车的上一帧轨迹规划信息。
S300、根据所述当前帧高精地图和/或当前帧地图的可行驶区域确定当前帧轨迹预测结果。
S400、根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果。
本实施例中的预测方法,在预测时获取当前帧高精地图和/或当前帧地图的可行驶区域,并获取自车的上一帧轨迹规划信息,可以充分保证生成的预测轨迹在可行使区域当中。在预测的过程中,根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果,可以充分考虑各个主体(Agent)行驶的合理性和不同主体之间的交互性。
根据本发明的一个实施例,地图信息中的高精地图、地图的可行驶区域两者不必同时满足,具备其一即可。在预测的过程中,通过对预测和规划这两个步骤之间进行交互,修正自车行驶轨迹预测结果,可以充分考虑各个主体(Agent)行驶的合理性和不同主体之间的交互性。可以理解的是,高精地图是现有技术中的一种绝对精度在亚米级的地图,高精地图不仅有高精度的坐标,同时还有准确的道路形状,并且每个车道的坡度、曲率、航向、高程,侧倾的数据也都包含在内,对于地图的可行驶区域,一般地是基于摄像头视觉检测图像和激光雷达测量点云感知道路可行驶区域,在此不再赘述。
根据本发明的一个实施例,在步骤S100、获取感知障碍物的结果信息以进行自车轨迹预测之后,步骤S200、获取当前帧高精地图和/或当前帧地图的可行驶区域,并获取自车的上一帧轨迹规划信息之前,执行相关动作的计算机模块还获取自车的定位信息,该三类信息分别属于感知信息、地图信息和定位信息,在输入进神经网络以后,神经网络模拟人类神经元的复杂分类功能,通过建立“黑匣子”预测模块,实现根据输入的信息输出预测结果。
图2是根据本发明一个实施例的步骤S400的逻辑框图。图3是根据本发明一个实施例的自动驾驶系统中的轨迹预测方法所使用的神经网络的结
构图。根据本发明的一个实施例,在步骤S400、根据上一帧轨迹规划信息修正当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果中,具体包括以下步骤:
S401、对当前帧高精地图和/或当前帧地图的可行驶区域进行编码,得到第一编码结果。
S402、接收自车的上一帧轨迹规划信息和感知障碍物的信息,对上一帧轨迹规划信息和感知障碍物的信息进行编码,得到第二编码结果。
S403、将第一编码结果、第二编码结果进行交互关系的建模。
S404、将建模过程中使用的高维特征按照输出信息的需求,解码成多种可视信息。
根据本发明的一个实施例,上述步骤S401、S402中执行的编码动作,是神经网络中的常用动作,在此不再赘述其具体原理。仍需要说明的是,在执行完编码动作后,神经网络对编码进行处理并建模,此时编码操作即作为通常神经网络获取样本数据的一个步骤,神经网络通过对样本数据的处理进行机器学习产生特征,再根据特征进行步骤S403中的建模。
根据本发明的一个实施例,上述步骤404中的高维特征为神经网络领域的术语,在神经网络进行深度学习的过程中,依赖于神经网络所提取的特征,当特征包含的信息较多时,称为高维特征。例如包括图像灰度、图像形象、图像纹理的一组特征。
根据本发明的一个实施例,上述步骤404中,输出信息的需求是指不同智能驾驶框架下的使用需求,可视信息包括轨迹图、概率图或轨迹热力图。神经网络可以根据输出信息的需求输出多种形式预测结果,例如只输出轨迹图,同时输出轨迹概率图,只输出轨迹热力图。其中,轨迹图是多个点组成的轨迹线,轨迹概率图是每个轨迹线标记有该轨迹对应的概率值,轨迹热力图是以热力图的形式表示未来处于某空间的概率,充分考虑不同智能驾驶框架下的使用需求。
在一个具体地实施场景中,采用上述步骤S401~S404中进行具体实施的流程,首先接入上游的感知信息、地图信息和定位信息,利用图神经网络(Graph Network)技术对进行编码,接入自车的规划结果和感知障碍物的结果信息,利用卷积网络和循环神经网络进行自车的规划结果和感知障碍物结果信息的编码,最终将三者的编码结果送入attention模块当中,进行交互关
系的建模,之后将高维特征送入预测解码器当中,按照下游需求,解码成不同的可视信息。
根据本发明的一个实施例,在步骤S404、将建模过程中使用的高维特征按照输出信息的需求,解码成多种可视信息中,神经网络对多个可能性轨迹进行多个假设的交互场景下的评估,输出多个假设的交互场景的状态下的最优轨迹。此处的交互场景是指不同主体之间的交互主要是指车与车之间的交互,例如避让、超车等。本实施例将神经网络中的预测模块和规划模块进行重构,在预测模块具体的实现过程中,预测模块和规划模块进行充分融合,其中规划模块可以解耦成轨迹生成器和轨迹预测器,其中轨迹生成器用于生成自车的多种可能性轨迹,预测模块接收各种可能性轨迹,进行交互情景下的多个假设场景预测,并将多个假设场景的预测结果输出给轨迹评估器,轨迹评估器结合代价函数等评估技术,给出多个假设场景的状态下,自车规划的最优轨迹。
实施例2
图4是根据本发明一个实施例的步骤S400的逻辑框图。图5是根据本发明一个实施例的自动驾驶系统中的轨迹预测方法所使用的神经网络的结构图。特别地,本实施例与实施例1的区别在于,在步骤S400、根据上一帧轨迹规划信息修正当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果中,具体包括以下步骤:
S411、根据上一帧轨迹规划信息修正当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果步骤中,包括以下步骤:
S412、对高精地图或地图的可行驶区域进行编码,得到第三编码结果;
S413、接收自车的上一帧轨迹规划信息和感知障碍物的信息,对上一帧轨迹规划信息和感知障碍物的信息进行编码,得到第四编码结果;
S414、将第三编码结果和第四编码结果进行交互关系的建模,解码建模过程中的高维特征,得到自车轨迹预测结果;
S415、将自车的轨迹预测的结果直接作为当前帧规划模块的输入,得到当前帧规划模块的结果。
根据本发明的一个实施例,在步骤S415、将自车的轨迹预测的结果直接作为当前帧规划模块的输入,得到当前帧规划模块的结果中,神经网络将自车规划解耦为横向轨迹规划和纵向轨迹规划,根据自车轨迹预测结果修正
横向轨迹规划和纵向轨迹规划得到当前帧轨迹规划。
实施例3
特别地,本发明还公开了一种自动驾驶系统中的轨迹预测系统,包括处理器和存储器,所处存储器储存用于执行上述实施例1或实施例2或两者的结合方案中的自动驾驶系统中的轨迹预测方法的程序。
处理器包括预测单元,预测单元包括用于执行存储器中存储的自动驾驶系统中的轨迹预测方法的程序。
预测单元在执行程序是采用基于Transformer的可训练的神经网络神经网络,以期提高性能。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (10)
- 一种自动驾驶系统中的轨迹预测方法,获取感知障碍物的结果信息以进行自车轨迹预测;所述方法包括以下步骤:获取当前帧高精地图和/或当前帧地图的可行驶区域,并获取自车的上一帧轨迹规划信息;根据所述当前帧高精地图和/或当前帧地图的可行驶区域确定当前帧轨迹预测结果;根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果。
- 根据权利要求1所述的自动驾驶系统中的轨迹预测方法,其中,所述根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果步骤中,具体包括以下步骤:对所述当前帧高精地图和/或当前帧地图的可行驶区域进行编码,得到第一编码结果;接收自车的上一帧轨迹规划信息和感知障碍物的信息,对所述上一帧轨迹规划信息和感知障碍物的信息进行编码,得到第二编码结果;将所述第一编码结果、所述第二编码结果进行交互关系的建模;将建模过程中使用的高维特征按照输出信息的需求,解码成多种可视信息。
- 根据权利要求2所述的自动驾驶系统中的轨迹预测方法,其中,所述将建模过程中使用的高维特征按照输出信息的需求,解码成多种可视信息步骤中,神经网络对多个可能性轨迹进行多个假设的交互场景下的评估,输出多个假设的交互场景的状态下的最优轨迹。
- 根据权利要求2或3所述的自动驾驶系统中的轨迹预测方法,其中,所述可视信息包括轨迹图、概率图或轨迹热力图。
- 根据权利要求1所述的自动驾驶系统中的轨迹预测方法,其中,所述根据所述当前帧高精地图和/或当前帧地图的可行驶区域确定当前帧轨迹预测结果步骤中,具体包括以下步骤:以所述高精地图或地图的可行驶区域作为神经网络的输入;神经网络生成多个可能性轨迹以作为自车的可能性行驶路径。
- 根据权利要求1所述的自动驾驶系统中的轨迹预测方法,其中,所述根据所述上一帧轨迹规划信息修正所述当前帧轨迹预测结果,得到修正后的当前帧轨迹预测结果步骤中,包括以下步骤:对高精地图或地图的可行驶区域进行编码,得到第三编码结果;接收自车的上一帧轨迹规划信息和感知障碍物的信息,对所述上一帧轨迹规划信息和感知障碍物的信息进行编码,得到第四编码结果;将所述第三编码结果、所述第四编码结果进行交互关系的建模,解码建模过程中的高维特征,得到自车轨迹预测结果;将自车的轨迹预测的结果直接作为当前帧规划模块的输入,得到当前帧规划模块的结果。
- 根据权利要求6所述的自动驾驶系统中的轨迹预测方法,其中,所述将自车的轨迹预测的结果直接作为当前帧规划模块的输入,得到当前帧规划模块的结果步骤中,神经网络将自车规划解耦为横向轨迹规划和纵向轨迹规划,根据自车轨迹预测结果修正横向轨迹规划和纵向轨迹规划得到当前帧轨迹规划。
- 一种自动驾驶系统中的轨迹预测系统,包括处理器和存储器,所处存储器储存用于执行如权利要求1~7任意一项所述的自动驾驶系统中的轨迹预测方法的程序。
- 根据权利要求8所述的自动驾驶系统中的轨迹预测系统,其中,所述处理器包括预测单元,所述预测单元包括用于执行所述存储器中存储的如权利要求1~7任意一项所述的自动驾驶系统中的轨迹预测方法的程序。
- 根据权利要求9所述的自动驾驶系统中的轨迹预测系统,其中,所述预测单元在执行程序是采用基于Transformer的可训练的神经网络神经网络。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210430682.4A CN114889638A (zh) | 2022-04-22 | 2022-04-22 | 一种自动驾驶系统中的轨迹预测方法及系统 |
CN202210430682.4 | 2022-04-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023202485A1 true WO2023202485A1 (zh) | 2023-10-26 |
Family
ID=82717937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2023/088404 WO2023202485A1 (zh) | 2022-04-22 | 2023-04-14 | 一种自动驾驶系统中的轨迹预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114889638A (zh) |
WO (1) | WO2023202485A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114889638A (zh) * | 2022-04-22 | 2022-08-12 | 武汉路特斯汽车有限公司 | 一种自动驾驶系统中的轨迹预测方法及系统 |
CN116238524B (zh) * | 2023-03-27 | 2024-02-09 | 宁波斯年智驾科技有限公司 | 基于高精地图与车辆历史轨迹的驾驶行为判别方法及系统 |
CN116184352B (zh) * | 2023-04-26 | 2023-08-22 | 武汉能钠智能装备技术股份有限公司四川省成都市分公司 | 基于轨迹估计的射频目标侦测系统 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111829545A (zh) * | 2020-09-16 | 2020-10-27 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆及其运动轨迹的动态规划方法及系统 |
CN112327830A (zh) * | 2020-10-19 | 2021-02-05 | 东风汽车集团有限公司 | 车辆自动驾驶变道轨迹的规划方法及电子设备 |
CN112622924A (zh) * | 2019-09-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 一种驾驶规划方法及装置、车辆 |
CN113128326A (zh) * | 2019-12-31 | 2021-07-16 | 百度(美国)有限责任公司 | 具有语义地图和lstm的车辆轨迹预测模型 |
WO2022016941A1 (zh) * | 2020-07-20 | 2022-01-27 | 华为技术有限公司 | 行驶装置的避障路径的规划方法和装置 |
WO2022035602A2 (en) * | 2020-07-28 | 2022-02-17 | Waymo Llc | Agent trajectory prediction using target locations |
CN114889638A (zh) * | 2022-04-22 | 2022-08-12 | 武汉路特斯汽车有限公司 | 一种自动驾驶系统中的轨迹预测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092751A (zh) * | 2020-07-09 | 2022-02-25 | 北京图森未来科技有限公司 | 一种轨迹预测方法和装置 |
CN111873995B (zh) * | 2020-08-04 | 2021-07-23 | 禾多科技(北京)有限公司 | 高速公路自动驾驶上下匝道的系统及方法 |
CN112577506B (zh) * | 2020-10-30 | 2023-04-07 | 上汽大众汽车有限公司 | 一种自动驾驶局部路径规划方法和系统 |
CN113085850B (zh) * | 2021-06-08 | 2021-09-21 | 新石器慧通(北京)科技有限公司 | 车辆避障方法、装置、电子设备及存储介质 |
CN114005280B (zh) * | 2021-11-17 | 2023-03-28 | 同济大学 | 一种基于不确定性估计的车辆轨迹预测方法 |
-
2022
- 2022-04-22 CN CN202210430682.4A patent/CN114889638A/zh active Pending
-
2023
- 2023-04-14 WO PCT/CN2023/088404 patent/WO2023202485A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112622924A (zh) * | 2019-09-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 一种驾驶规划方法及装置、车辆 |
CN113128326A (zh) * | 2019-12-31 | 2021-07-16 | 百度(美国)有限责任公司 | 具有语义地图和lstm的车辆轨迹预测模型 |
WO2022016941A1 (zh) * | 2020-07-20 | 2022-01-27 | 华为技术有限公司 | 行驶装置的避障路径的规划方法和装置 |
WO2022035602A2 (en) * | 2020-07-28 | 2022-02-17 | Waymo Llc | Agent trajectory prediction using target locations |
CN111829545A (zh) * | 2020-09-16 | 2020-10-27 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆及其运动轨迹的动态规划方法及系统 |
CN112327830A (zh) * | 2020-10-19 | 2021-02-05 | 东风汽车集团有限公司 | 车辆自动驾驶变道轨迹的规划方法及电子设备 |
CN114889638A (zh) * | 2022-04-22 | 2022-08-12 | 武汉路特斯汽车有限公司 | 一种自动驾驶系统中的轨迹预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114889638A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023202485A1 (zh) | 一种自动驾驶系统中的轨迹预测方法及系统 | |
Peng et al. | MASS: Multi-attentional semantic segmentation of LiDAR data for dense top-view understanding | |
CN113283458A (zh) | 利用局部区分信息使用鉴别器来训练生成器神经网络 | |
CN112950645A (zh) | 一种基于多任务深度学习的图像语义分割方法 | |
EP4145345A1 (en) | Data annotation method and device, and fine granularity identification method and device | |
CN111275707B (zh) | 肺炎病灶分割方法和装置 | |
CN114550223B (zh) | 人物交互检测方法、装置及电子设备 | |
US20230230484A1 (en) | Methods for spatio-temporal scene-graph embedding for autonomous vehicle applications | |
CN114926766A (zh) | 识别方法及装置、设备、计算机可读存储介质 | |
Munir et al. | LDNet: End-to-end lane marking detection approach using a dynamic vision sensor | |
Lange et al. | Attention augmented ConvLSTM for environment prediction | |
CN114997307A (zh) | 一种轨迹预测方法、装置、设备及存储介质 | |
Nakamura et al. | An effective combination of loss gradients for multi-task learning applied on instance segmentation and depth estimation | |
CN114550116A (zh) | 一种对象识别方法和装置 | |
CN112765302B (zh) | 位置信息的处理方法、装置及计算机可读介质 | |
US20210192345A1 (en) | Method for generating labeled data, in particular for training a neural network, by using unlabeled partitioned samples | |
EP3859598A1 (en) | Training method for a generator neural network imposing data equivariances | |
CN115294176B (zh) | 一种双光多模型长时间目标跟踪方法、系统及存储介质 | |
CN113191301B (zh) | 融合时序和空间信息的视频密集人群计数方法及系统 | |
CN111539292B (zh) | 一种用于具现化场景问答任务的动作决策模型及方法 | |
JP2023529239A (ja) | マルチモーダルエゴセントリック将来予測のためのコンピュータ実装方法 | |
CN115457081A (zh) | 一种基于图神经网络的分层融合式预测方法 | |
van Kempen et al. | Combined Registration and Fusion of Evidential Occupancy Grid Maps for Live Digital Twins of Traffic | |
CN117649665B (zh) | 矿区自动驾驶场景数据标注方法及系统 | |
CN113902776B (zh) | 目标行人轨迹预测方法、装置、电子设备及存储介质 |
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: 23791140 Country of ref document: EP Kind code of ref document: A1 |