CN110487288B - 一种行车道路的估计方法以及行车道路估计*** - Google Patents
一种行车道路的估计方法以及行车道路估计*** Download PDFInfo
- Publication number
- CN110487288B CN110487288B CN201810458047.0A CN201810458047A CN110487288B CN 110487288 B CN110487288 B CN 110487288B CN 201810458047 A CN201810458047 A CN 201810458047A CN 110487288 B CN110487288 B CN 110487288B
- Authority
- CN
- China
- Prior art keywords
- target
- probability value
- track
- formula
- moving object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 51
- 230000001133 acceleration Effects 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 33
- 230000010354 integration Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 36
- 210000002569 neuron Anatomy 0.000 description 28
- 238000010586 diagram Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
- B60W2554/4049—Relationship among other objects, e.g. converging dynamic objects
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明实施例公开了一种行车道路的估计方法,属于自动驾驶领域中车道预测技术,包括:本车在获取到周围的目标运动对象的目标状态信息的情况下,可对目标状态信息进行离散化处理以获取到参数序列,本车即可基于参数序列所包括的目标离散值以及所述目标状态信息进行预测以获取到目标运动轨迹,本车即可根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域,则本车即可确定出本车在未来时刻进行行驶的区域,且使得本车在未来时刻进行行驶的区域与目标运动对象在未来时刻进行行驶区域不重合即可。本实施例所示的方法应用在智能汽车、电动车上,使得车辆沿着估计出来的道路区域进行安全行驶,从而有效的提升了本车驾驶的安全性以及可靠性。
Description
技术领域
本申请涉及车辆自动驾驶领域,尤其涉及一种行车道路的估计方法以及行车道路估计***。
背景技术
随着经济的发展,道路上行驶的车辆越来越多,交通拥堵现象也日益严重,导致道路驾驶的情况越来越复杂,在驾驶过程中,需要驾驶员长时间将高度的注意力集中在本车与其他车辆之间的距离上,以避免本车与其他车辆相撞。
为提高驾驶的安全性,现有技术提供了一种自动跟车***,该自动跟车***根据车载雷达、车载相机实现对于前方车辆的跟踪,进而控制本车车速,从而使得本车与前车保持一定安全车距。
但是在拥堵道路场景和交通状况不明的夜间场景中,由于经常有其他车辆、非机动车或者行人的穿插以及光线条件的剧烈变化,会极大地影响车载雷达和车载相机的检测跟踪结果,导致此情况下跟踪目标不稳定甚至丢失,而无法有效的实现跟车行驶,从而提升了驾驶的危险性。
发明内容
本发明实施例提供了一种能够提升安全驾驶的行车道路的估计方法以及行车道路估计***。
本发明实施例第一方面提供了一种行车道路的估计方法,包括:
步骤A、在当前时刻,本车获取目标运动对象的目标状态信息。
其中,所述目标运动对象为位于本车周围的至少一个运动对象中的任一个运动对象,所述运动对象可为车辆、非机动车、行人等能够对本车的行驶轨迹造成影响的对象。
具体的,在当前时刻所获取到的所述目标状态信息包括目标运动对象的加速度,所述目标运动对象的加速度可包括目标运动对象在GPS坐标系中,沿X轴的横向加速度ax以及沿Y轴的纵向加速度ay。
在当前时刻所获取到的所述目标状态信息还可包括所述目标运动对象的运动速度,所述目标运动对象的运动速度包括目标运动对象在GPS坐标系中,沿X轴的横向运动速度Vx以及沿Y轴的纵向运动速度Vy,和/或所述目标运动对象的属性信息、和/或目标运动对象的位置信息,和/或目标运动对象在GPS坐标系中的运动方向θ。
步骤B、本车对所述目标状态信息进行离散化处理以获取参数序列。
本车通过对所述目标状态信息进行离散化处理的方式即可获取包括有多个离散值的所述参数序列。
步骤C、本车预测出目标运动轨迹。
具体的,若本车对所述目标状态信息进行离散化处理可获取到包括有2(k+1)个离散值的参数序列,则本车可基于2(k+1)个离散值中的任一目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹,从而使得本车基于2(k+1)个离散值可预测出2(k+1)条运动轨迹,所述目标运动轨迹可为本车所预测出的2(k+1)条运动轨迹中的任一条运动轨迹。
步骤D、本车确定出所述目标运动对象在未来时刻进行行驶的道路区域。
具体的,本车可根据所述目标运动轨迹确定出所述目标运动对象在未来时刻进行行驶的道路区域,所述未来时刻为所述当前时刻的下一时刻,从而使得本车所确定出的在未来时刻进行行驶的区域与目标运动对象在未来时刻进行行驶区域不重合。
采用本方面所示,即便在交通状况恶劣的情况下,如拥堵道路场景以及交通状况不明的夜间场景等,本车只需要获取到目标运动对象在当前时刻的目标状态信息即可在,而且获取目标表状态信息的过程中,可不依赖周围环境,基于所述目标状态信息,本车即可估计出本车在未来时刻进行行驶的道路区域,因本车所确定出的在未来时刻进行行驶的区域与目标运动对象在未来时刻进行行驶区域不重合,在使得本车可沿着估计出来的道路区域进行安全行驶,从而有效的提升了本车驾驶的安全性以及可靠性。
基于本发明实施例第一方面,本发明实施例的一种可选的实现方式中,所述步骤B具体包括:
步骤B1、本车设定所述目标状态信息符合目标高斯分布
其中,所述目标高斯分布的期望为所述横向加速度ax1,方差为且所述方差/>表征所述目标高斯分布/>的离散程度,符合所述目标高斯分布/>的所述目标状态信息被离散化为2(k+1)个区间,所述k为预设的离散化系数。
具体的,本实施例所示的k可与本车所存储的地图的分辨率f成反比,即k∝1/f,且地图的分辨率f的单位为米。
步骤B2、本车在目标区间内采样以获取目标离散值。
其中,所述目标区间为目标状态信息离散化后的钟型区域所形成的2(k+1)个区间所包括的任一区间。
步骤B3、本车获取与所述目标离散值对应的目标概率值。
本车所获取到的与所述目标离散值对应的目标概率值等于所述目标区间的面积。
步骤B4、本车将目标概率值设置于所述参数序列中。
具体的,本车所获取到的所述吧概率值与所述目标离散值以及与所述目标离散值对应。
采用本实现方式所示,本车可基于高斯分布的概率离散化处理方式对运动对象的横向加速度进行离散化处理,以获取包括有多个离散值的所述参数序列,从而有效的降低了本车估计出参数序列的计算难度,提升计算出目标概率值的速度,进而有效的提升了本车估计出目标运动对象在未来时刻进行行驶的道路区域的效率。
基于本发明实施例第一方面,本发明实施例的一种可选的实现方式中,所述步骤B3的具体执行过程包括:
步骤B31、本车根据第一公式确定与所述目标离散值对应的目标概率值Pi。
具体的,所述目标状态信息还包括所述目标运动对象的纵向加速度ay1,所述目标区间为所述2(k+1)个区间中的第i个区间,则在本车确定出所述i为大于0且小于或等于所述k之间的任一整数的情况下,则本车根据第一公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第一公式为:
所述第一公式的积分区间为积分变量为ax,被积函数为/>其中,为e的/>次方。
或,所述步骤B3的具体执行过程包括步骤B32、本车根据第二公式确定与所述目标离散值对应的目标概率值Pi。
具体的,若本车确定出所述i为大于-k且小于0之间的任一整数,则本车可根据第二公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第二公式为:
所述第二公式的积分区间为积分变量为ax,被积函数为/>其中,为e的/>次方。
或,所述步骤B3的具体执行过程包括步骤B33、本车根据第三公式确定与所述目标离散值对应的目标概率值Pi。
具体的,若本车确定出所述i等于-k-1,则本车即可根据第三公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第三公式为:
所述/>所述amax表示所述目标运动对象的最大加速度,所述第三公式的积分区间为/>积分变量为ax,被积函数为/>其中,/>为e的/>次方;
或,所述步骤B3的具体执行过程包括步骤B34、本车根据第四公式确定与所述目标离散值对应的目标概率值Pi。
若所述i等于k+1,则本车根据第四公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第四公式为:
所述/>所述第四公式的积分区间为/>积分变量为ax,被积函数为/>其中,为e的/>次方。
采用本实现方式所示,本车可准确的计算出与所述目标离散值对应的目标概率值,从而使得本车基于准确的所述目标概率值可有效的提升了本车估计出目标运动对象在未来时刻进行行驶的道路区域的准确性。
基于本发明实施例第一方面,本发明实施例的一种可选的实现方式中,所述步骤C具体包括:
步骤C1、本车根据第五公式确定所述目标运动轨迹所包括的目标轨迹点的坐标
具体的,所述目标状态信息还包括所述目标运动对象的横向速度以及所述目标运动对象的纵向速度/>则本车即可根据第五公式确定所述目标运动轨迹所包括的目标轨迹点的坐标(/>),所述目标轨迹点为所述目标运动轨迹所包括的多个轨迹点中的第n个轨迹点,所述t0为当前时刻,所述Δt为预测的时间步长,且所述n为大于或等于0的正整数;
所述第五公式为:
其中,所述ay1为所述目标状态信息所包括的所述目标运动对象的纵向加速度,所述ax_sample[i]为所述目标离散值。
采用本实现方式所示,本车可准确的预测出目标运动轨迹所包括的任一轨迹点的坐标的情况下,本车即可预测出所述目标运动轨迹,有效的提升本车估计出目标运动对象在未来时刻进行行驶的道路区域的准确性以及效率。
基于本发明实施例第一方面,本发明实施例的一种可选的实现方式中,所述步骤D的具体执行过程包括:
步骤D1、本车获取所述目标运动轨迹所包括的所述目标轨迹点对应的目标概率值。
其中,所述目标轨迹点对应的目标概率值等于所述目标离散值对应的目标概率值。
步骤D2、本车获取满足回归拟合条件的目标轨迹点。
本车所获取到的满足所述回归拟合条件的目标轨迹点为对应的目标概率值大于或等于预设概率值的轨迹点。
具体的,因本车所确定出所述目标运动轨迹所包括的目标轨迹点对应的目标概率值的额情况下,若所述目标概率值越大,则说明该目标轨迹点属于所述目标运动对象在未来时刻的道路区域的可能性越大,若所述目标概率值越小,则说明该目标轨迹点属于所述目标运动对象在未来时刻的道路区域的可能性越小,则为使得本车能够剔除掉属于道路区域可能性低的轨迹点,从而使得本车所估计出来的本车在未来时刻进行行驶的道路区域的可靠性,则本车可通过步骤D2所示对目标运动轨迹所包括的各轨迹点进行过滤,从而保留下属于道路区域的可能性大的轨迹点。
步骤D3、本车根据满足所述回归拟合条件的目标轨迹点进行回归拟合以获取所述目标运动对象在未来时刻进行行驶的道路区域。
采用本实现方式所示,有效的剔除掉属于道路区域可能性低的轨迹点,从而使得本车所估计出来的本车在未来时刻进行行驶的道路区域的可靠性,则本车所预测出的道路区域的准确性有所提升。
基于本发明实施例第一方面,本发明实施例的一种可选的实现方式中,所述步骤D1具体包括:
步骤D11、本车根据第六公式对所述目标轨迹点对应的目标概率值Pi进行衰减处理。
本车所获取到的衰减处理后的目标概率值为目标概率值
所述第六公式为:其中,所述λ为预设数值。
步骤D12、本车确定所述目标轨迹点对应的目标概率值为所述衰减处理后的目标概率值
由于随着时间的推移,在本车对目标运动对象进行预测所获取到的所述目标运动轨迹所包括的轨迹点的准确性是逐步降低的,其中,若本车所估计的轨迹点的准确性越高,则说明该轨迹点属于所述目标运动对象未来时刻所行驶的道路区域的概率越高,若本车所估计的轨迹点的准确性越低,则说明该轨迹点属于所述目标运动对象未来时刻所行驶的道路区域的概率越低。则本实现方式所示本车可基于时间的推移,对所述目标概率值进行衰减处理,从而使得经过衰减处理后的目标概率值能够提升轨迹点的准确性。
基于本发明实施例第一方面,本发明实施例的一种可选的实现方式中,所述步骤D的还可包括:
步骤D13、本车获取与所述目标轨迹点对应的多个概率值。
具体的,若本车确定出可获取到满足第一预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的多个概率值,所述第一预设条件为所述目标轨迹点同时位于不同的运动轨迹中。
步骤D14、本车确定所述目标轨迹点对应的所述目标概率值为所述目标轨迹点在不同的运动轨迹中所对应的概率值之间的最大值。
具体的,在本车对运动对象在未来时刻的运动轨迹的预测时,会出现满足第一预设条件的目标轨迹点,即在不同的运动轨迹出现空间位置重叠的情况下,所述目标轨迹点会同时位于不同的运动轨迹中,为提升本车所估计的轨迹点的准确性越低,则本车所确定出的目标概率值为所述目标轨迹点在不同的运动轨迹中所对应的概率值之间的最大值,从而使得经过衰减处理后的目标概率值能够提升轨迹点的准确性。
基于本发明实施例第一方面,本发明实施例的一种可选的实现方式中,所述步骤D的还可包括:
步骤D15、本车获取在历史时刻对所述目标运动对象已预测出的历史运动轨迹。
所述历史时刻为所述当前时刻的上一时刻;
步骤D16、本车获取与所述目标轨迹点对应的第一概率值以及第二概率值。
具体的,若获取到满足第二预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的第一概率值以及第二概率值,所述第二预设条件为所述目标轨迹点同时位于所述目标运动轨迹以及所述历史运动轨迹中,其中,所述第一概率值为在当前时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值,所述第二概率值为在历史时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值;
步骤D17、本车确定所述目标轨迹点对应的目标概率值为所述第一概率值以及所述第二概率值之间的最大值。
本车在存储有在历史时刻对所述目标运动对象进行预测所获取到的历史运动轨迹,则本车在当前时刻对所述目标运动对象进行预测可获取所述目标运动轨迹,而所述历史运动轨迹以及所述目标运动轨迹相交有交点,该交点即为满足第二预设条件的目标轨迹点,则为提升本车所估计的轨迹点的准确性越低,则本车所确定出的目标概率值为所述目标轨迹点对应的目标概率值为所述第一概率值以及所述第二概率值之间的最大值。
本发明实施例第二方面提供了一种行车道路估计***,包括:
获取单元,用于获取目标运动对象在当前时刻的目标状态信息,所述目标运动对象位于本车周围的至少一个运动对象中的任一个运动对象,所述目标状态信息包括所述目标运动对象的横向加速度;
处理单元,用于对所述目标状态信息进行离散化处理以获取参数序列,所述参数序列包括多个离散值;
预测单元,用于基于目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹,所述目标离散值为所述参数序列所包括的多个离散值中的任一个;
确定单元,用于根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域,所述未来时刻为所述当前时刻的下一时刻。
本方面所示的所述行车道路估计***用于实现上述第一方面所示的行车道路的估计方法,具体执行过程请详见上述第一方面所示,具体不做赘述。
基于本发明实施例第二方面,本发明实施例的一种可选的实现方式中,所述处理单元包括:
第一获取模块,用于设定所述目标状态信息符合目标高斯分布其中,所述目标高斯分布的期望为所述横向加速度ax1,方差为/>且所述方差/>表征所述目标高斯分布/>的离散程度,符合所述目标高斯分布/>的所述目标状态信息被离散化为2(k+1)个区间,所述k为预设的离散化系数;
采样模块,用于在目标区间内采样以获取目标离散值,所述目标区间为离散化后的2(k+1)个区间中的任一个区间;
第二获取模块,用于获取与所述目标离散值对应的目标概率值,与所述目标离散值对应的目标概率值等于所述目标区间的面积;
设置模块,用于将所述目标离散值以及与所述目标离散值对应的目标概率值设置于所述参数序列中。
基于本发明实施例第二方面,本发明实施例的一种可选的实现方式中,所述目标状态信息还包括所述目标运动对象的纵向加速度ay1,所述目标区间为所述2(k+1)个区间中的第i个区间,则所述第二获取模块具体包括:
第一计算子模块,用于若所述i为大于0且小于或等于所述k之间的任一整数,则根据第一公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第一公式为:
所述第一公式的积分区间为积分变量为ax,被积函数为/>其中,为e的/>次方;
第二计算子模块,用于若所述i为大于-k且小于0之间的任一整数,则根据第二公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第二公式为:
所述第二公式的积分区间为积分变量为ax,被积函数为/>其中,为e的/>次方;
第三计算子模块,用于若所述i等于-k-1,则根据第三公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第三公式为:
所述/>所述amax表示所述目标运动对象的最大加速度,所述第三公式的积分区间为/>积分变量为ax,被积函数为/>其中,/>为e的/>次方;
第四计算子模块,用于若所述i等于k+1,则根据第四公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第四公式为:
所述/>听述第四公式的积分区间为/>积分变量为ax,被积函数为/>其中,/>为e的/>次方。
基于本发明实施例第二方面,本发明实施例的一种可选的实现方式中,所述目标状态信息还包括所述目标运动对象的横向速度以及所述目标运动对象的纵向速度/>则所述预测单元具体用于,根据第五公式确定所述目标运动轨迹所包括的目标轨迹点的坐标/>所述目标轨迹点为所述目标运动轨迹所包括的多个轨迹点中的第n个轨迹点,所述t0为当前时刻,所述Δt为预测的时间步长,且所述n为大于或等于0的正整数;
所述第五公式为:
其中,所述ay1为所述目标状态信息所包括的所述目标运动对象的纵向加速度,所述ax_sample[i]为所述目标离散值。
基于本发明实施例第二方面,本发明实施例的一种可选的实现方式中,所述确定单元包括:
第一确定模块,用于获取所述目标运动轨迹所包括的所述目标轨迹点对应的目标概率值,其中,所述目标轨迹点对应的目标概率值等于所述目标离散值对应的目标概率值;
第二确定模块,用于获取满足回归拟合条件的目标轨迹点,满足所述回归拟合条件的目标轨迹点为对应的目标概率值大于或等于预设概率值的轨迹点;
第三确定模块,用于根据满足所述回归拟合条件的目标轨迹点进行回归拟合以获取所述目标运动对象在未来时刻进行行驶的道路区域。
基于本发明实施例第二方面,本发明实施例的一种可选的实现方式中,所述第一确定模块包括:
第一确定子模块,用于根据第六公式对所述目标轨迹点对应的目标概率值Pi进行衰减处理以获取衰减处理后的目标概率值/>
所述第六公式为:其中,所述λ为预设数值;
第二确定子模块,用于确定所述目标轨迹点对应的目标概率值为所述衰减处理后的目标概率值
基于本发明实施例第二方面,本发明实施例的一种可选的实现方式中,所述第一确定模块包括:
第三确定子模块,用于若获取到满足第一预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的多个概率值,所述第一预设条件为所述目标轨迹点同时位于不同的运动轨迹中;
第四确定子模块,用于确定所述目标轨迹点对应的所述目标概率值为所述目标轨迹点在不同的运动轨迹中所对应的概率值之间的最大值。
基于本发明实施例第二方面,本发明实施例的一种可选的实现方式中,所述第一确定模块包括:
第五确定子模块,用于获取在历史时刻对所述目标运动对象已预测出的历史运动轨迹,所述历史时刻为所述当前时刻的上一时刻;
第六确定子模块,用于若获取到满足第二预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的第一概率值以及第二概率值,所述第二预设条件为所述目标轨迹点同时位于所述目标运动轨迹以及所述历史运动轨迹中,其中,所述第一概率值为在当前时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值,所述第二概率值为在历史时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值;
第七确定子模块,用于确定所述目标轨迹点对应的目标概率值为所述第一概率值以及所述第二概率值之间的最大值。
本发明实施例第三方面提供了一种行车道路估计***,包括:处理器和存储器,其中,所述存储器中存有计算机可读程序,所述处理器通过运行所述存储器中的程序,以用于完成本发明实施例第一方面所示的方法,具体请详见上述所示。
本发明实施例第四方面提供了一种计算机可读存储介质,包括指令,当所述指令在处理器上运行时,使得所述处理器执行如本发明实施例第一方面所示的方法,具体请详见上述所示。
本发明实施例第五方面提供了一种包含指令的计算机程序产品,当所述计算机程序产品在处理器上运行时,使得所述处理器执行如本发明实施例第一方面所示的方法,具体请详见上述所示。
采用本申请所提供的行车道路的估计方法以及行车道路估计***,本车在获取到周围的目标运动对象的目标状态信息的情况下,可对目标状态信息进行离散化处理以获取到参数序列,本车即可基于参数序列所包括的目标离散值以及所述目标状态信息进行预测以获取到目标运动轨迹,本车即可根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域,则本车即可确定出本车在未来时刻进行行驶的区域,且使得本车在未来时刻进行行驶的区域与目标运动对象在未来时刻进行行驶区域不重合即可。可见,采用本实施例所示的方法,即便在交通状况恶劣的情况下,如拥堵道路场景以及交通状况不明的夜间场景等,本车只需要获取到目标运动对象在当前时刻的目标状态信息即可在不依赖周围环境的情况下,估计出本车在未来时刻进行行驶的道路区域,本车即可沿着估计出来的道路区域进行安全行驶,从而有效的提升了本车驾驶的安全性以及可靠性。
附图说明
图1为本发明所提供的车道路估计***的一种实施例结构示意图;
图2为本发明所提供的车道路估计***的另一种实施例结构示意图;
图3为本发明所提供的行车道路的估计方法的一种实施例步骤流程图;
图4为本发明所提供的行车道路的估计方法的一种实施例场景示意图;
图5为本发明所提供的行车道路的估计方法的另一种实施例场景示意图;
图6为本发明所提供的行车道路的估计方法的另一种实施例场景示意图;
图7为本发明所提供的行车道路的估计方法的另一种实施例场景示意图;
图8为本发明所提供的行车道路的估计方法的另一种实施例场景示意图;
图9为本发明所提供的行车道路的估计方法的另一种实施例场景示意图;
图10为本发明所提供的行车道路的估计方法的另一种实施例步骤流程图;
图11为本发明所提供的行车道路的估计方法的另一种实施例场景示意图;
图12为本发明所提供的行车道路的估计方法的另一种实施例场景示意图;
图13为本发明所提供的广义回归神经网络的一种实施例结构示意图;
图14为本发明所提供的行车道路估计***的另一种实施例结构示意图;
图15为本发明所提供的行车道路估计***的另一种实施例结构示意图。
具体实施方式
本申请提供了一种行车道路的估计方法以及行车道路估计***,为更好的理解本申请所提供的行车道路估计方法,则首先结合图1所示对行车道路估计方法所应用的行车道路估计***的具体硬件结构进行示例性说明:
首先需明确的是,本申请所示的行车道路估计***不仅仅可应用至车辆的行驶,还可应用至飞机驾驶或者船舶驾驶,使得飞机或者船舶也能在航道上行驶,本申请以所述行车道路估计***应用至车辆的行驶为例进行示例性说明:
如图1所示,本实施例所示的行车道路估计***应用至车辆100上为例进行示例性说明,在其他实施例中,所述行车道路估计***还可运行在单独的计算设备上,则在本车需要进行行车道路估计时,可将运行有行车道路估计***的计算设备安装在本车上,则本车即可执行本申请所示的形成道路的估计方法。
具体的,本实施例所示的行车道路估计***可包括传感器层11、数据处理层12以及车辆控制层13。
参见图2所示对所述行车道路估计***的具体结构进行说明:
所述传感器层11包括相机111、雷达112以及全球定位***(global positioningsystem,GPS)接收机113等。其中,所述相机111负责采集道路场景图像,可选的,本实施例对所述相机111的具体设备类型不做限定,只要所述相机111能够采集到车辆所位于的道路场景图像即可,例如所述相机111可为单目相机,又如,所述相机111可为双目相机等。所述雷达112负责动态障碍物数据采集以及静态障碍物数据采集以生成障碍物状态数据,具体的,障碍物状态数据可为障碍物的位置,运动速度,运动方向等,其中,本实施例所示的雷达112可为激光雷达或毫米波雷达等。所述GPS接收机113用于接收GPS信号,给车辆的定位提供初始化的参考位。其中,GPS接收机113是接收GPS卫星信号并确定地面空间位置的仪器,GPS卫星发送的导航定位信号是一种可供大量用户共享的信息资源。对于陆地、海洋和空间的广大用户拥有能够接收、跟踪、变换和测量GPS信号的接收设备,而GPS接收机113通过对接收到的GPS信号进行解算可以得到粗精度(几米到十几米精度不等)定位结果。
所述数据处理层12包括图像处理器121、中央处理器(central processing unit,CPU)122以及存储器133。所述存储器133中存储有计算机可读程序,所述CPU122可运行计算机可读程序,则所述CPU122通过运行所述计算机可读程序获取所述相机101所采集到的道路场景图像以及所述雷达112所采集到的障碍物状态数据,所述CPU122将所获取到的道路场景图像以及障碍物状态数据发送给图像处理器121,所述图像处理器121用于对道路场景图像以及障碍物状态数据进行车道线识别、路沿识别、车辆、非机动车以及行人识别等操作以生成识别结果数据,其中,所述识别结果数据用于指示所述图像处理器121已识别出的车道线、路沿、车辆、非机动车以及行人等。
所述图像处理器121将所述识别结果数据发送给CPU122,所述CPU122即可根据识别结果数据以及所述雷达112所采集到的障碍物状态数据,进行道路预测、道路融合以及道路提取等以生成控制信号,其中,所述CPU122用于基于所述控制信息对车辆进行控制以使车辆按已规划的轨迹进行行驶。
所述车辆控制层13包括有控制器131,所述控制器131用于接收所述CPU122所发送的所述控制信号,并根据所述控制信号实现对车辆的横向和/或纵向控制。
本实施例对上述所示的各器件所位于的车辆上的具***置不做限定,只要能够实现其对应的功能即可。
基于图1所示的行车道路估计***,以下结合图3所示对本实施例所提供的行车道路的估计方法的具体执行过程进行详细说明:
步骤301、本车获取目标运动对象在当前时刻的目标状态信息。
本实施例中,本车在行驶过程中可直接执行步骤301以执行本车获取目标运动对象在当前时刻的目标状态信息的步骤,或者本车在确定出满足目标条件的情况下,则可执行本车获取目标运动对象在当前时刻的目标状态信息的步骤,以下对所述目标条件进行说明:
本实施例所示的所述目标条件可为本车获取当前道路的道路信息失败,所述当前道路为本车当前所位于的道路。其中,所述道路信息用于指示当前道路的行车状况,如当前道路的几何结构,车道线的类型以及位置、交通信号灯的位置及类型等。
本车获取道路信息失败的原因可为,本车查询高精度地图失败且本车获取道路信息失败。其中,高精度电子地图为面向自动驾驶所使用的精度更高(厘米级精度)的地图数据。本车获取道路信息失败可因为本车驾驶环境不良而无法基于传感器层检测到所述道路信息,本实施例所示的驾驶环境不良可为,本车行驶于夜间场景或当前道路无车道线等情况。本车获取道路信息失败的原因还可为本车定位失败,如本车获取GPS定位数据失败。
其中,本车获取当前道路的道路信息失败的场景可参见图4所示,如图4所示,位于本车401前方的车辆402、车辆403、车辆404以及车辆405对所述当前道路的车道线进行了遮挡,从而使得本车401获取当前道路的道路信息失败,则本车401即可确定出需要进行行车道路估计的目标运动对象。
以下对本车确定所述目标运动对象的具体过程进行说明:
首先对目标运动对象进行说明,本实施例所示的目标运动对象是指位于本车401周围的至少一个运动对象中的任一个运动对象,例如,所述运动对象可为车辆、非机动车、行人等能够对本车的行驶轨迹造成影响的对象。
为降低本实施例所示的行车道路估计的运算量,则本车401可确定目标运动对象为位于本车401前方的运动对象,以图4所示为例,则目标运动对象可为车辆402、车辆403、车辆404以及车辆405。
在本车确定出目标运动对象后,本车即可确定出目标运动对象在当前时刻的目标状态信息。
以下对所述目标状态信息所包括的具体内容进行说明:
本车所确定出的目标状态信息可为目标运动对象的属性信息,所述目标运动对象的属性信息用于指示目标运动对象的类型,本实施例所示的目标运动对象的类型可为车辆、非机动车还是行人等。
所述目标状态信息还可为目标运动对象的位置信息,具体的,所述目标运动对象的位置信息是指所述目标运动对象在GPS坐标系中的位置信息。
所述目标状态信息还可为目标运动对象的运动速度,具体的,所述目标运动对象的运动速度可包括目标运动对象在GPS坐标系中,沿X轴的横向运动速度Vx以及沿Y轴的纵向运动速度Vy。
所述目标状态信息还可为目标运动对象的加速度,具体的,所述目标运动对象的加速度可包括目标运动对象在GPS坐标系中,沿X轴的横向加速度ax以及沿Y轴的纵向加速度ay。
所述目标状态信息还可为目标运动对象在GPS坐标系中的运动方向θ。
以图4所示为例,在本车401确定出目标运动对象为车辆402,则本车401所获取到的与车辆402对应的状态信息可为:{属性信息(type):车辆,位置信息(position):(x1,y1),运动速度(velocity):(Vx1,Vy1),加速度(acceleration):(ax1,ay1),运动方向(heading):θ1}。
以此类推,本车401可获取到与车辆403对应的状态信息为:{type:车辆,position:(x2,y2),velocity:(Vx2,Vy2),acceleration:(ax2,ay2),heading:θ2}、本车401可获取到与车辆404对应的状态信息为{type:车辆,position:(x3,y3),velocity:(Vx3,Vy3),acceleration:(ax3,ay3),heading:θ3};本车401可获取到与车辆405对应的状态信息为{type:车辆,position:(x4,y4),velocity:(Vx4,Vy4),acceleration:(ax4,ay4),heading:θ4}。
步骤302、本车对所述目标状态信息进行离散化处理以获取参数序列。
本车为实现在不依赖对本车周围环境进行检测的情况下即可对行车道路的估计,则本车需要对上述所示的目标运动对象的运动方向进行估计,基于所估计出来的目标运动对象的运动方向即可预测出本车在将来时刻的运动轨迹。
以下所示说明本车如何对目标运动对象的运动方向进行估计:
以运动对象为车辆为例进行示例性说明,对于车辆来说,车辆的运动方向的变换受限于车辆的加速度,即车辆不同的横向加速度ax以及不同的纵向加速度ay会使得车辆的运动方向发生变化,如图5所示为例,图5为本车对本车所位于的当前道路所绘制的栅格图,本实施例以本车所包括的雷达为激光雷达为例进行示例性说明,因激光雷达的精度为5厘米,则本车所绘制的栅格图的每个网格的大小为5×5厘米,图5左侧所示的车辆和图5右侧所示的车辆的横向加速度ax以及纵向加速度ay不同,则会导致图5左侧所示的车辆的运动方向θi与图5右侧所示的车辆的运动方向θj不同。
可见,对车辆的加速度进行离散化取值,就近似于对车辆的运动方向进行离散化取值,而由于本实施例所示的本车需要进行行车道路的估计,则本车更关注本车在驾驶的过程中道路中可行区域是否够宽,所以本车需要估计出前方车辆的横向加速度对于运动方向的影响,因此,本车仅需要对运动对象的横向加速度进行离散化处理即可。
本实施例对本车如何对运动对象的横向加速度进行离散化处理的不做限定,只要能够将呈连续性数据的所述运动对象的横向加速度离散化为离散型数据即可,本实施例以本车基于高斯分布(gaussian distribution)的概率离散化处理方式对运动对象的横向加速度进行离散化处理为例进行示例性说明:
具体的,本车以上述所示的目标运动对象为所述车辆402为例,则本车可设定所述车辆402的横向加速度符合如图6所示的目标高斯分布
如图6所示可知,呈目标高斯分布的所述横向加速度ax1被离散化呈钟型区域,且所述目标高斯分布的期望为所述车辆402的横向加速度ax1,方差为且所述方差/>表征所述目标高斯分布/>的离散程度,符合所述目标高斯分布/>的所述横向加速度ax1所呈的钟型区域被离散化为如图6所示的2(k+1)个区间,所述k为预设的离散化系数,本实施例对k的具体取值范围不做限定。
可选的,本实施例所示的k可与本车所存储的地图的分辨率f成反比,即k∝1/f,且地图的分辨率f的单位为米。
具体的,呈钟型区域的中心位置的坐标点为C1,且C1的取值为所述车辆402的横向加速度ax1,即钟型区域以横坐标C1为中心对称分布,且以钟型区域以横坐标C1左侧为负向,以横坐标C1右侧为正向,则2(k+1)个区间可表示为P={P-k-1,P-l,…,Pi…,Pk+1},i为位于区间[-k-1,k+1]内的非零整数。
具体的,所述横向加速度ax1被离散化后的区间P-k表示所述横向加速度ax1被离散化后的2(k+1)个区间中,位于横坐标C1左侧的k个区间,所述横向加速度ax1被离散化后的区间Pi表示所述横向加速度ax1被离散化后的2(k+1)个区间中,位于横坐标C1右侧的i个区间。
在将所述车辆402的横向加速度ax1离散化处理后,本车即可在目标区间内进行采样以获取目标离散值,其中,所述目标区间为所述车辆402的横向加速度离散化后的钟型区域所形成的2(k+1)个区间所包括的任一区间。
本车基于2(k+1)个区间中的任一区间进行采样所获取到的采样值创建参数序列,其中,所述参数序列包括在所述车辆402的横向加速度离散化后的2(k+1)个区间中的任一区间内采样到的离散值。具体的,所述参数序列S={(ax_sample[-k-1]),(ax_sample[-k]),…(ax_sample[i]),…,(ax_sample[k]),(ax_sample[k+1])},这里ax_sample[i]表示本车在所述2(k+1)个区间中的第i个区间中采样的离散值。
步骤303、本车基于目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹。
其中,所述目标离散值为所述参数序列所包括的多个离散值中的任一个。
由上述所示可知,本车基于离散化处理后的所述2(k+1)个区间所包括的任一目标区间进行采样即可获取到所述目标离散值,针对所述目标离散值能够预测出所述目标运动轨迹,可见,本车通过对2(k+1)个区间的预测,即可预测出2(k+1)条运动轨迹,其中,2(k+1)条运动轨迹可表示为T={T-k-1,…,Ti,…,Tk+1},其中,目标运动轨迹Ti为2(k+1)条运动轨迹中的第i条轨迹。
以下以本车基于目标离散值预测目标运动轨迹Ti的具体过程进行说明:
本实施例所示的所述目标运动轨迹Ti包括一系列轨迹点,具体的,所述目标运动轨迹Ti=(xt0,yt0),(xt0+Δt,yt0+Δt),…,(xt0+nΔt,yt0+nΔt)},其中,t0表示当前时刻,Δt是预测的时间步长,nΔt表示本车向前预测的总时间,本实施例对Δt的具体取值不做限定,本实施例以Δt为位于3秒到5秒之间的任一数值为例进行示例性说明,所述n为大于或等于0的正整数,所述目标运动轨迹Ti所包括的目标轨迹点的坐标所述目标轨迹点为所述目标运动轨迹Ti所包括的多个轨迹点中的第n个轨迹点,可见,在本车确定出所述目标轨迹点Ti所包括的所有轨迹点的坐标的情况下,本车即可确定出所述目标运动轨迹Ti。
更具体的,本车可基于第五公式确定所述目标运动轨迹;
本实施例所示的第五公式为:
其中,第五公式所示的所述ay1为所述目标状态信息所包括的所述纵向加速度,所述ax_sample[i]为所述目标离散值。
参见上述所示的本车基于第五公式预测出目标运动轨迹Ti的过程,如图7所示,本车即可预测出2(k+1)条运动轨迹中任一运动轨迹。
步骤304、本车根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域。
以下参见图8所示对如何根据所述目标运动轨迹确定所述道路区域的进行示例性说明,其中,图8所示为本车对目标运动对象801进行估计所预测出的一条目标运动轨迹。
具体的,若本车所确定出所述目标运动轨迹,则本车即可基于所述目标运动轨迹在未来时刻的道路占据图,所述未来时刻为所述当前时刻的下一时刻。
可选的,本车确定所述目标运动对象801在未来时刻的道路占据图的一种可选方式为:
更具体的,本车可获取所述目标运动对象801的目标状态信息,本实施例所示的所述目标状态信息还可包括所述目标运动对象801的车宽L,则本车可对所述目标运动轨迹所包括的任一轨迹点的横坐标进行第一预设处理以获取第一轨迹点,本车所确定出的所有所述第一轨迹点即可组成目标运动对象801在未来时刻的左侧车道边界线,本车还可对所述目标运动轨迹所包括的任一轨迹点的纵坐标进行第二预设处理以获取第二轨迹点,本车所确定出的所有所述第二轨迹点即可组成目标运动对象801在未来时刻的右侧车道边界线。
以图9所示为例,对所述目标运动轨迹所包括的任一轨迹点的横坐标进行第一预设处理以获取所有第一轨迹点后,所有的所述第一轨迹点即可形成所述目标运动对象801在未来时刻的左侧车道边界线901:
其中,所述目标运动对象801在未来时刻的左侧车道边界线901={(xt0-L*sin(θ1)/2,yt0+L*cos(θ1)/2)),(xt0+Δt-L*sin(θ2)/2,yt0+Δt+L*cos(02)/2)),…(xt0+nΔt-L*sin(θn)/2,yt0+nΔt+L*cos(θn)/2))}。
对所述目标运动轨迹所包括的任一轨迹点的纵坐标进行第二预设处理以获取所有第二轨迹点后,所有的所述第二轨迹点即可形成所述目标运动对象801在未来时刻的右侧车道边界线902:
所述目标运动对象801在未来时刻的右侧车道边界线902={(xt0+L*sin(θ1)/2,yt0-L*cos(θ1)/2),(xt0+Δt+L*sin(θ2)/2,yt0+Δt-L*cos(θ2)/2),…,(xt0+nΔt+L*sin(θn)/2,yt0+nΔt-L*cos(θn)/2))}。
其中,θi=arctan[yt0+iΔt-yt0+(i-1)Δt)/(xt0+iΔt-xt0+(i-1)Δt)],θn=θn-1。
本车基于所确定出的左侧车道边界线以及右侧车道边界线可形成所述目标运动对象801在未来时刻的道路占据图。
可选的,本车确定所述目标运动对象801在未来时刻的道路占据图的另一种可选方式为:
本车确定所述目标运动轨迹为所述目标运动对象801在未来时刻的道路占据图的车道中轴线,则在本车确定出所述目标运动对象801在未来时刻的道路占据图的车道中轴线的情况下,本车即可确定出所述目标运动对象801在未来时刻的道路占据图。
可见,基于上述过程,本车可确定出位于本车前方的所有运动对象在未来时刻的道路占据图,则本车即可估计出所述目标运动对象在未来时刻进行行驶的道路区域,本实施例对所述道路区域的具体延伸方向不做限定。
继续参见图4所示,本车可获取出目标运动对象402、所述目标运动对象403、所述目标运动对象404以及所述目标运动对象405在未来时刻进行行驶的道路区域,则本车即可估计出本车在未来时刻进行行驶的道路区域,本实施例对本车在未来时刻进行行驶的道路区域不做限定,只要本车在未来时刻进行行驶的道路区域与所估计出来的目标运动对象在未来时刻进行行驶的道路区域不重合即可,以图4所示为例,则本车在未来时刻进行行驶的道路区域与目标运动对象402在未来时刻进行行驶的道路区域、目标运动对象403在未来时刻进行行驶的道路区域、目标运动对象404在未来时刻进行行驶的道路区域以及目标运动对象405在未来时刻进行行驶的道路区域不重合即可,从而保障在未来时刻进行行驶的场景,本车不会与目标运动对象402、所述目标运动对象403、所述目标运动对象404以及所述目标运动对象405出现碰撞,以实现安全驾驶的目的。
采用本实施例所示的所述行车道路的估计方法的有益效果在于:
采用本实施例所示的方法,本车在当前时刻获取目标运动对象的目标状态信息,则在不依赖当前行车环境的情况下,本车直接对目标状态信息进行离散化处理以获取参数序列,进而根据参数序列即可获取到目标运动轨迹,本车对所述目标运动轨迹进行计算即可估计出本车在未来时刻进行行驶的道路区域,因本车获取道路区域的过程中,无需依赖行车环境,从而使得即便环境恶劣,如夜间行驶的场景以及交通复杂的场景下,无需对目标运动对象进行跟踪,本车能够准确的估计出本车所行驶的道路区域,从而提高了对本车在未来时刻进行行驶的道路区域估计的准确性以及鲁棒性,为自动驾驶提供安全保障。
本车基于图3所示的实施例可对各目标运动对象在未来时刻的道路占据图进行预测,以下结合图10所示的实施例说明,如何提高本车所预测的未来时刻的道路区域的准确性的具体过程:
步骤1001、本车获取目标运动对象在当前时刻的目标状态信息。
本实施例所示的步骤1001的具体执行过程,请详见图3所示的步骤301所示,具体在本实施例中不做赘述。
步骤1002、本车对所述目标状态信息进行离散化处理以获取参数序列。
由图3所示的实施例所示所述参数序列包括目标运动对象的横向加速度离散化后的2(k+1)个区间中的任一区间内采样到的目标离散值。具体的,所述参数序列S={(ax_sample[-k-1]),(ax_sample[-k]),…(ax_sample[i]),…,(ax_sample[k]),(ax_sample[k+1])},这里ax_sample[i]表示本车在所述2(k+1)个区间中的第i个区间中采样的离散值。
而本实施例中,相对于图3所示的参数序列,本实施例所示的参数序列还包括与所述目标离散值对应的目标概率值,具体过程如下:
本车在所述目标区间采样所获取到的所述目标离散值对应的目标概率值等于所述目标区间的目标概率值。可见,本车在确定出目标区间的目标概率值的情况下,即可确定出与所述目标区间的目标概率值相等的所述目标离散值所对应的目标概率值。
以下对本车获取目标区间的目标概率值的具体过程进行示例性说明。
具体的,所述目标区间的目标概率值等于所述目标区间的面积,则本车可通过计算所述目标区间的面积的方式以计算出目标区间的目标概率值。
本车计算所述目标区间的面积的具体过程如下所示:
若所述目标区间为所述2(k+1)个区间中的第i个区间,且在本车确定出所述i为大于0且小于或等于所述k之间的任一整数时,则本车可根据第一公式确定与所述目标区间应的目标概率值Pi,其中,所述第一公式为:
积分变量为ax,且ax为位于/>至区间内的任一数值,所述第一公式的积分区间为/>被积函数为/>其中,/>为e的/>次方。
若在本车确定出所述i为大于-k且小于0之间的任一整数,则本车可根据第二公式确定与所述目标区间应的目标概率值Pi,其中,所述第二公式为:
ax为位于/>至/>区间内的任一数值,所述第二公式的积分区间为/>积分变量为ax,被积函数为/>其中,/>为e的/>次方;
若在本车确定出所述i等于-k-1,则本车可根据第三公式确定与所述目标区间应的目标概率值Pi,其中,所述第三公式为:
ax为位于/>至ax min区间内的任一数值,且所述/>所述amax表示所述车辆402的最大加速度,本实施例所示的所述amax小于重力加速度g,g=9.8m/s^2,所述ay1为所述车辆402在当前时刻的纵向加速度。且所述第三公式的积分区间为/>积分变量为ax,被积函数为/>其中,/>为e的/>次方。/>
若在本车确定出所述i等于k+1,则本车可根据第四公式确定与所述目标区间应的目标概率值Pi,其中,所述第四公式为:
ax为位于ax max至/>区间内的任一数值,所述/>所述第四公式的积分区间为/>积分变量为ax,被积函数为/>其中,/>为e的/>次方。
本车在获取到目标区间的目标概率值Pi的情况下,本车即可确定出在所述目标区间内采样所获取到的目标离散值所对应的目标概率值也为Pi,则本车即可创建参数序列,其中,所述参数序列包括在所述车辆402的横向加速度离散化后的2(k+1)个区间中的任一区间内采样到的离散值以及对应的目标概率值,具体的,本实施例所示的所述参数序列S={(ax_sample[-k-1],P-k-1),(ax_sample[-k],P-k),…(ax_sample[i],Pi),…,(ax_sample[k],Pk),(ax_sample[k+1],Pk+1)},这里ax_sample[i]表示本车在所述2(k+1)个区间中的第i个区间中采样的离散值,Pi表示第i个区间的目标概率值。
步骤1003、本车基于目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹。
本实施例所示的步骤1003的具体执行过程,请详见图3所示的步骤303所示,具体执行过程在本实施例中不做赘述。
步骤1004、本车根据第六公式对所述目标轨迹点对应的目标概率值进行衰减处理以获取衰减处理后的目标概率值。
具体的,以图8所示为例,由于随着时间的推移,在本车对目标运动对象进行预测所获取到的所述目标运动轨迹所包括的轨迹点的准确性是逐步降低的,其中,若本车所估计的轨迹点的准确性越高,则说明该轨迹点属于所述目标运动对象未来时刻所行驶的道路区域的概率越高,若本车所估计的轨迹点的准确性越低,则说明该轨迹点属于所述目标运动对象未来时刻所行驶的道路区域的概率越低。
继续如图8所示,则本车对轨迹点所估计的准确性低于本车对轨迹点所估计的准确性。
基于轨迹点随着时间的推移准确性降低的特性,则在本实施例中本车可对已预测出的目标运动轨迹所包括的目标轨迹点进行衰减处理,以下对本车如何对所述目标轨迹点进行衰减处理的具体过程进行详细说明:
以目标轨迹点为为例,则本车可首先通过查询所述参数序列的方式获取到与所述目标轨迹点对应的目标概率值,具体的,本车可通过获取出所述目标轨迹点所属的目标运动轨迹,从而确定出在所述参数序列中与所述目标运动轨迹对应的目标概率值Pi。
本车即可根据第六公式对所述目标轨迹点对应的目标概率值Pi进行衰减处理以获取衰减处理后的目标概率值/>
其中,所述第六公式为:其中,所述λ为本车预存的衰减因子,即所述λ为本车已存储的预设数值,本实施例对λ的具体取值不做限定,具体的,为实现对目标轨迹线所包括的轨迹点进行衰减,则本实施例所示的λ可为位于0至1之间的任一数值。
在本车基于所述第六公式所确定的所述衰减处理后的目标概率值的情况下,则本车可确定所述目标轨迹点对应的目标概率值为所述衰减处理后的目标概率值/>
采用本实施例所示的第六公式,则本车即可对目标运动对象的所述目标运动轨迹所包括的每个轨迹点的坐标所对应的目标概率值进行衰减处理。
可见,本车通过对所述目标运动轨迹所包括的任一轨迹点的概率进行衰减处理,从而有效的提升了目标运动轨迹所包括的任一轨迹点的准确性,进而使得本车所预测出的轨迹点能够更为准确的反映目标运动对象在未来时刻的运动轨迹。
可选的,在本车对运动对象在未来时刻的运动轨迹的预测时,会出现满足第一预设条件的目标轨迹点,以下对满足所述第一预设条件的目标轨迹点的情况进行说明:
本实施例所示的所述第一预设条件为所述目标轨迹点同时位于不同的运动轨迹中,以图11所示为例,本车在对第一运动对象1101进行预测以获取第一目标运动轨迹1103,在对第二运动对象1102进行预测以获取第二目标运动轨迹1104,如图11所示可知,所述第一目标运动轨迹1103和所述第二目标运动轨迹1104在空间位置存在重叠,该重叠的交点为图11所示的交点1105,而交点1105为第一目标运动轨迹1103中的第n1个轨迹点,交点1105为第二目标运动轨迹1104中的第n2个轨迹点,可见,本实施例所示的交点1105同时位于所述第一目标运动轨迹1103中以及所述第二目标运动轨迹1104中。
可见,图11所示的交点1105为满足所述第一预设条件的所述目标轨迹点,则本车可获取与所述交点1105对应的第一概率值和第二概率值,其中,若本车基于上述所示已对所述第一目标运动轨迹1103进行了衰减处理,则所述第一概率值为本车对所述第一目标运动轨迹1103进行衰减处理后,位于所述第一目标运动轨迹1103中的所述交点1105所对应的目标概率值,若本车基于上述所示已对所述第二目标运动轨迹1104进行了衰减处理,则所述第二概率值为本车对所述第二目标运动轨迹1104进行衰减处理后,位于所述第二目标运动轨迹1104中的所述交点1105所对应的目标概率值。
可选的,若本车没有对目标轨迹进行衰减处理,则所述第一概率值为本车所述第一目标运动轨迹1103所对应的目标概率值,所述第二概率值为本车所述第二目标运动轨迹1104所对应的目标概率值。
以图11所示为例,本车可确定出所述交点1105所对应的第一概率值以及第二概率值/>则本车可基于下述方式确定出所述交点1105对应的目标概率值P(x,y),其中,/>即所述交点1105对应的目标概率值P(x,y)为交点1105所对应的所述第一概率值/>以及所述第二概率值/>之间的最大值。
上述所示以目标轨迹点为两条运动轨迹的交点为例进行示例性说明,在其他实施例中,所述目标轨迹点也可为两条以上的运动轨迹的交点,只要本车能够确定出所述目标轨迹点在多条运动轨迹中分别对应的概率值,从而确定出所述目标概率值为多个概率值中的最大值。
可选的,本实施例所示本车可基于历史运动轨迹对所述目标运动轨迹所包括的轨迹点的目标概率值进行修正,以提高所获取到的目标概率值的准确性,具体的,本车可在执行步骤1004之前,或执行步骤1004的过程中,或执行步骤1004之后,执行基于历史运动轨迹对所述目标运动轨迹所包括的轨迹点的目标概率值进行修正的过程:
参见图7所示,由上述所示可知,图7为本车在当前时刻对所述目标运动对象进行预测所获取到2(k+1)条运动轨迹的分布示意图,而本车还存储有在历史时刻对所述目标运动对象进行预测所获取到的2(k+1)条历史运动轨迹,其中,所述历史时刻为所述当前时刻的上一时刻,以图12所示为例,本车在历史时刻对所述目标运动对象1201进行预测可获取历史运动轨迹1202,本车在当前时刻对所述目标运动对象1201进行预测可获取所述目标运动轨迹1203,而所述历史运动轨迹1202以及所述目标运动轨迹1203相交有交点1204,该交点1204即为满足第二预设条件的目标轨迹点,具体的,如图12所示,所述第二预设条件为目标轨迹点1204同时位于所述目标运动对象1201以及所述历史运动轨迹1202中。
本车即可获取所述目标轨迹点1204的第一概率值PC1(x,y)以及第二概率值PH1(x,y),其中,所述第一概率值PC1(x,y)为在当前时刻对所述目标运动对象1201进行预测所获取到的与所述目标轨迹点对应的概率值,所述第二概率值PH1(x,y)为在历史时刻对所述目标运动对象1201进行预测所获取到的与所述目标轨迹点对应的概率值。
本车基于所述第一概率值PC1(x,y)以及第二概率值PH1(x,y)确定出与所述目标轨迹点对应的目标概率值P(x,y)=max(PC1(x,y),PH1(x,y)),即所述目标概率值为所述第一概率值和所述第二概率值之中的最大值。
基于上述所示,本车即可在当前时刻所预测出的目标运动轨迹所包括的任一轨迹点的概率值,与在历史时刻所预测出的历史运动轨迹进行叠加处理以获取到目标轨迹点的所述目标概率值,从而提高本车所预测的目标轨迹点的目标概率值的准确性。
步骤1005、本车获取满足回归拟合条件的目标轨迹点。
可见,本车通过步骤1004即可确定出所述目标运动轨迹所包括的任一轨迹点(目标轨迹点)对应的目标概率值,若所述目标概率值越大,则说明该目标轨迹点属于所述目标运动对象在未来时刻的道路区域的可能性越大,若所述目标概率值越小,则说明该目标轨迹点属于所述目标运动对象在未来时刻的道路区域的可能性越小。
为使得本实施例所示的方法能够剔除掉属于道路区域可能性低的轨迹点,从而使得本车所估计出来的本车在未来时刻进行行驶的道路区域的可靠性,则本车可对目标运动轨迹所包括的各轨迹点进行过滤,从而保留下属于道路区域的可能性大的轨迹点。
以下所示说明本车如何对目标运动轨迹所包括的各轨迹点进行过滤:
本车在获取到目标轨迹点对应目标概率值,若所述目标概率值大于或等于预设概率值,则确定该目标轨迹点满足回归拟合条件,所述回归拟合条件的目标轨迹点用于进行对目标运动对象在未来时刻进行行驶的道路区域的估计,若所述目标概率值小于预设概率值,则本车即可确定出该目标轨迹点不满足回归拟合条件,从而使得不满足回归拟合条件该目标轨迹点不会用于进行目标运动对象在未来时刻进行行驶的道路区域的估计。本实施例对所述预设概率值Pthreshold的具体的大小不做限定,只要目标概率值大于或等于所述预设概率值Pthreshold的情况下,与目标概率值对应的目标轨迹点属于道路区域即可。
具体的参见如下公式所示进行说明,以目标轨迹点的坐标为(x,y)为例,则在目标轨迹点的目标概率值P(x,y)≥Pthreshold的情况下,则目标轨迹点(x,y)满足所述回归拟合条件,在目标轨迹点的目标概率值P(x,y)<Pthreshold的情况下,则目标轨迹点(x,y)不满足所述回归拟合条件。
步骤1006、本车根据满足所述回归拟合条件的目标轨迹点进行回归拟合以获取所述目标运动对象在未来时刻进行行驶的道路区域。
通过步骤1005本车对所述目标运动轨迹所包括的所有轨迹点进行了过滤,如过滤后的目标运动轨迹可为:
Ti={(xsample1,ysample1),(xsample2,ysample2),...,(xsamplek,ysamplek),...,(xsamplen,ysamplen)},其中,1≤k≤n,所述目标运动轨迹所包括的轨迹点(xsample1,ysample1)、轨迹点(xsample2,ysample2)……轨迹点(xsamplen,ysamplen)均满足所述回归拟合条件,可知,本车将所述目标运动轨迹过滤后所包括的轨迹点分布会比较分散,则本车基于目标运动轨迹所包括的分散的目标轨迹点无法估计出能够进行行驶的道路区域,则本车为提高所估计的能够进行行驶的道路区域的准确性,则本车可通过回归拟合的方法对所述目标运动轨迹所包括的满足所述回归拟合条件的轨迹点进行处理。
以下对本车如何对目标运动轨迹所包括的满足所述回归拟合条件的轨迹点进行回归拟合的方式进行示例性说明:
本实施例对回归拟合的具体方式不做限定,只要本车能够基于所述目标运动轨迹预测出目标参考线,以使本车基于所述目标参考线即可预测出目标运动对象在未来时刻进行行驶的道路区域即可。
本实施例以本车基于广义回归神经网络(general regression neural network,GRNN)确定所述目标参考线为例进行示例性说明,即本实施例通过GRNN将所述目标运动轨迹所包括的分散的轨迹点进行回归拟合以形成所述目标参考线。
具体的,本车可基于如图13所示的GRNN网络结构对所述目标运动轨迹所包括的满足所述回归拟合条件的轨迹点进行训练以获取所述目标参考线。
本实施例以采用GRNN网络结构进行回归拟合为例进行示例性说明,则本实施例所示的所述GRNN将所述目标运动轨迹所包括的满足所述回归拟合条件的轨迹点作为学习样本,因所述GRNN具有很强的非线性映射能力,则在样本数据少时,回归效果也很好,则通过GRNN能够提高所预测的目标运动对象在未来时刻的运动轨迹的准确性。
以下首先对GRNN网络结构的具体结构进行说明,本实施例所示的所述GRNN网络结构包括有四层网络,第一层网络为输入层1301、第二层网络为模式层1302、第三层网络为求和层1303以及第四层网络为输出层1304。
因所述目标运动轨迹Ti={(xsample1,ysample1),(xsample2,ysample2),...,(xsamplek,ysamplek),...,(xsamplen,ysamplen)},则本车可生成输入向量,本实施例所示的输入向量所包括的一个元素为所述目标运动轨迹所包括的目标轨迹点的横坐标xsamplek,且所述输入向量的维度为1。
所述模式层1302包括有多个模式层神经元,且所述模式层1302所包括的模式层神经元的数目等于所述目标运动轨迹所包括的轨迹点的数目,以本实施例所示的目标运动轨迹包括有n个轨迹点为例,则所述模式层1302也包括有n个模式层神经元,即本车创建有不同的模式层神经元与所述目标运动轨迹所包括的不同的轨迹点的对应关系,则所述输入层1301即可将输入向量所包括的任一元素输入至对应的模式层神经元。
具体的,本车可将所述输入向量所包括的任一元素xsamplek输入至所述模式层1302所包括的第k个模式层神经元中,第k个模式层神经元通过模式神经元传递函数对xsamplek进行计算以获取模式神经元输出参数pk。
具体的,所述模式神经元传递函数如下所示:
其中,所述xi为位于目标范围内的任一数值,所述目标范围的最小值为所述目标运动轨迹所包括的轨迹点(xsample1,ysample1)、轨迹点(xsample2,ysample2)……轨迹点(xsamplen,ysamplen)的横坐标中的最小值,所述目标范围的最大值为所述目标运动轨迹所包括的轨迹点(xsample1,ysample1)、轨迹点(xsample2,ysample2)……轨迹点(xsamplen,ysamplen)的横坐标中的最大值,其中,本实施例所示的不同的模式层神经元的所述模式神经元传递函数,可选定不同取值的所述xi。
本车可将所述模式层1302所包括的任一模式层神经元所输出的模式神经元输出参数分别输入至第一求和神经元以及第二求和神经元。
具体的,所述第一求和神经元基于第一求和函数进行计算以生成第一目标参数SD,其中,所述第一求和函数为:
可见,本实施例所示的第一求和神经元可对所有所述模式层神经元所输出的输出参数pk进行算术求和,其中,所述M1为所述第一求和神经元与各所述模式层神经元的连接权值,本实施例以所述第一求和神经元的连接权值M1为1为例进行示例性说明。
具体的,所述第二求和神经元基于第二求和函数进行计算以生成第二目标参数SN,其中,所述第二求和函数为:
可见,本实施例所示的第二求和神经元可对所有所述模式层神经元所输出的输出参数pk进行加权求和,其中,所述M2为所述第二求和神经元与各所述模式层神经元的连接权值,本实施例以所述第二求和神经元的连接权值M2为所述目标运动轨迹所包括的各轨迹点的纵坐标。
本车将所述第一目标参数SD以及所述第二目标参数SN输入至输出层,输出层基于输出函数计算输出参数,其中,所述输出函数为
可见,本实施例所示的GRNN网络结构可输出坐标点序列,所述坐标点序列包括有多个坐标点(x1 y1)、(x2 y2)……(xn yn),则本车即可确定出所述坐标点序列所构成的轨迹线为所述目标参考线,则本车即可基于所述目标参考线确定出所述目标运动对象在未来时刻进行行驶的道路区域。
其中,本车基于所述坐标点序列所构成的目标参考线确定所述本车在未来时空进行行驶的道路区域的具体过程,请详见图3所示的实施例中,本车基于目标运动轨迹确定所述道路区域的具体过程,具体不做赘述。
采用本实施例所示的所述行车道路的估计方法的有益效果在于:
采用本实施例所示的方法,本车在当前时刻获取目标运动对象的目标状态信息,则在不依赖当前行车环境的情况下,本车直接对目标状态信息进行离散化处理以获取参数序列,进而根据参数序列即可获取到目标运动轨迹,本车对所述目标运动轨迹进行计算即可估计出本车在未来时刻进行行驶的道路区域,本车获取道路区域的过程中,利用所述目标概率值随着时间推移而越来越偏离真实值的特点,对每个所述目标概率值乘以相应的时间衰减因子λ,从而得到较为准确的目标运动对象在未来时刻的道路区域,本车基于目标运动对象在未来时刻的道路区域进行估计,即可准确的获取到本车在未来时刻的道路区域,从而提高了对本车在未来时刻进行行驶的道路区域估计的准确性以及鲁棒性,为自动驾驶提供安全保障。
以下结合图14所示对本实施例所提供的行车道路估计***的具体结构进行示例性说明:
如图14所示,所述行车道路估计***包括:
获取单元141,用于获取目标运动对象在当前时刻的目标状态信息,所述目标运动对象位于本车周围的至少一个运动对象中的任一个运动对象,所述目标状态信息包括所述目标运动对象的横向加速度;
处理单元142,用于对所述目标状态信息进行离散化处理以获取参数序列,所述参数序列包括多个离散值;
具体的,所述处理单元142包括:
第一获取模块1421,用于设定所述目标状态信息符合目标高斯分布其中,所述目标高斯分布的期望为所述横向加速度ax1,方差为/>且所述方差/>表征所述目标高斯分布/>的离散程度,符合所述目标高斯分布/>的所述目标状态信息被离散化为2(k+1)个区间,所述k为预设的离散化系数;
采样模块1422,用于在目标区间内采样以获取目标离散值,所述目标区间为离散化后的2(k+1)个区间中的任一个区间;
第二获取模块1423,用于获取与所述目标离散值对应的目标概率值,与所述目标离散值对应的目标概率值等于所述目标区间的面积;
设置模块1424,用于将所述目标离散值以及与所述目标离散值对应的目标概率值设置于所述参数序列中。
预测单元143,用于基于目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹,所述目标离散值为所述参数序列所包括的多个离散值中的任一个;
所述目标状态信息还包括所述目标运动对象的横向速度以及所述目标运动对象的纵向速度/>则所述预测单元143具体用于,根据第五公式确定所述目标运动轨迹所包括的目标轨迹点的坐标/>所述目标轨迹点为所述目标运动轨迹所包括的多个轨迹点中的第n个轨迹点,所述t0为当前时刻,所述Δt为预测的时间步长,且所述n为大于或等于0的正整数;
所述第五公式为:
其中,所述ay1为所述目标状态信息所包括的所述目标运动对象的纵向加速度,所述ax_sample[i]为所述目标离散值。
确定单元144,用于根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域。
本实施例所示的行车道路估计***执行行车道路估计方法的具体过程以及有益效果,请详见图3所示的实施例具体在本实施例中不做赘述。
基于图14所示的实施例行车道路估计***可对各目标运动对象在未来时刻的道路占据图进行预测,以下结合图15所示的实施例说明,行车道路估计***如何提高行车道路估计***所预测的未来时刻的道路区域的准确性的具体过程:
如图15所示,所述行车道路估计***包括:
获取单元151,用于获取目标运动对象在当前时刻的目标状态信息,所述目标运动对象位于本车周围的至少一个运动对象中的任一个运动对象,所述目标状态信息包括所述目标运动对象的横向加速度;
处理单元152,用于对所述目标状态信息进行离散化处理以获取参数序列,所述参数序列包括多个离散值;
具体的,所述处理单元152包括:
第一获取模块1521,用于设定所述目标状态信息符合目标高斯分布其中,所述目标高斯分布的期望为所述横向加速度ax1,方差为/>且所述方差/>表征所述目标高斯分布/>的离散程度,符合所述目标高斯分布/>的所述目标状态信息被离散化为2(k+1)个区间,所述k为预设的离散化系数;
采样模块1522,用于在目标区间内采样以获取目标离散值,所述目标区间为离散化后的2(k+1)个区间中的任一个区间;
第二获取模块1523,用于获取与所述目标离散值对应的目标概率值,与所述目标离散值对应的目标概率值等于所述目标区间的面积;
具体的,所述第二获取模块1523具体包括:
第一计算子模块15231,用于若所述i为大于0且小于或等于所述k之间的任一整数,则根据第一公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第一公式为:
所述第一公式的积分区间为/>积分变量为ax,被积函数为/>其中,为e的/>次方;
第二计算子模块15232,用于若所述i为大于-k且小于0之间的任一整数,则根据第二公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第二公式为:
所述第二公式的积分区间为积分变量为ax,被积函数为/>其中,/>为e的/>次方;
第三计算子模块15233,用于若所述i等于-k-1,则根据第三公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第三公式为:
所述/>所述amax表示所述目标运动对象的最大加速度,所述第三公式的积分区间为/>积分变量为ax,被积函数为/>其中,/>为e的/>次方;
第四计算子模块15234,用于若所述i等于k+1,则根据第四公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第四公式为:
所述/>所述第四公式的积分区间为/>积分变量为ax,被积函数为/>其中,为e的/>次方。
设置模块1524,用于将所述目标离散值以及与所述目标离散值对应的目标概率值设置于所述参数序列中。
预测单元153,用于基于目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹,所述目标离散值为所述参数序列所包括的多个离散值中的任一个;
所述目标状态信息还包括所述目标运动对象的横向速度以及所述目标运动对象的纵向速度/>则所述预测单元143具体用于,根据第五公式确定所述目标运动轨迹所包括的目标轨迹点的坐标/>所述目标轨迹点为所述目标运动轨迹所包括的多个轨迹点中的第n个轨迹点,所述t0为当前时刻,所述Δt为预测的时间步长,且所述n为大于或等于0的正整数;/>
所述第五公式为:
其中,所述ay1为所述目标状态信息所包括的所述目标运动对象的纵向加速度,所述ax_sample[i]为所述目标离散值。
确定单元154,用于根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域。
具体的,所述确定单元154包括:
第一确定模块1541,用于获取所述目标运动轨迹所包括的所述目标轨迹点对应的目标概率值,其中,所述目标轨迹点对应的目标概率值等于所述目标离散值对应的目标概率值;
可选的,所述第一确定模块1541具体包括:
第一确定子模块15411,用于根据第六公式对所述目标轨迹点对应的目标概率值Pi进行衰减处理以获取衰减处理后的目标概率值/>
所述第六公式为:其中,所述λ为预设数值;
第二确定子模块15412,用于确定所述目标轨迹点对应的目标概率值为所述衰减处理后的目标概率值
可选的,所述第一确定模块1541具体包括:
第三确定子模块15413,用于若获取到满足第一预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的多个概率值,所述第一预设条件为所述目标轨迹点同时位于不同的运动轨迹中;
第四确定子模块15414,用于确定所述目标轨迹点对应的所述目标概率值为所述目标轨迹点在不同的运动轨迹中所对应的概率值之间的最大值。
可选的,所述第一确定模块1541还包括:
第五确定子模块15415,用于获取在历史时刻对所述目标运动对象已预测出的历史运动轨迹;
第六确定子模块15416,用于若获取到满足第二预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的第一概率值以及第二概率值,所述第二预设条件为所述目标轨迹点同时位于所述目标运动轨迹以及所述历史运动轨迹中,其中,所述第一概率值为在当前时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值,所述第二概率值为在历史时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值;
第七确定子模块15417,用于确定所述目标轨迹点对应的目标概率值为所述第一概率值以及所述第二概率值之间的最大值。
第二确定模块1542,用于获取满足回归拟合条件的目标轨迹点,满足所述回归拟合条件的目标轨迹点为对应的目标概率值大于或等于预设概率值的轨迹点;
第三确定模块1543,用于根据满足所述回归拟合条件的目标轨迹点进行回归拟合以获取所述目标运动对象在未来时刻进行行驶的道路区域。
本实施例所示的行车道路估计***执行行车道路估计方法的具体过程以及有益效果,请详见图10所示的实施例具体在本实施例中不做赘述。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质包括指令,当所述指令在如图2所示的中央处理器上运行时,使得所述中央处理器执行如图3以及图10所示的方法,具体执行过程不做赘述。
本申请还提供一种包含指令的计算机程序产品,当所述计算机程序产品在如图2所示的中央处理器上运行时,使得所述中央处理器执行如图3以及图10所示的方法,具体执行过程不做赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种行车道路的估计方法,其特征在于,包括:
获取目标运动对象在当前时刻的目标状态信息,所述目标运动对象为位于本车周围的至少一个运动对象中的任一个运动对象,所述目标状态信息包括所述目标运动对象的横向加速度;
对所述目标状态信息进行离散化处理以获取参数序列,所述参数序列包括多个离散值;
基于目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹,所述目标离散值为所述参数序列所包括的多个离散值中的任一个;
根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域,所述未来时刻为所述当前时刻的下一时刻;
所述根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域包括:
获取所述目标运动轨迹所包括的所述目标轨迹点对应的目标概率值,其中,所述目标轨迹点对应的目标概率值等于所述目标离散值对应的目标概率值;
获取满足回归拟合条件的目标轨迹点,满足所述回归拟合条件的目标轨迹点为对应的目标概率值大于或等于预设概率值的轨迹点;
根据满足所述回归拟合条件的目标轨迹点进行回归拟合以获取所述目标运动对象在未来时刻进行行驶的道路区域;
所述目标状态信息还包括所述目标运动对象的横向速度以及所述目标运动对象的纵向速度/>则所述基于目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹包括:
根据第五公式确定所述目标运动轨迹所包括的目标轨迹点的坐标所述目标轨迹点为所述目标运动轨迹所包括的多个轨迹点中的第n个轨迹点,所述t0为当前时刻,所述Δt为预测的时间步长,且所述n为大于或等于0的正整数;
所述第五公式为:
2.根据权利要求1所述的方法,其特征在于,所述对所述目标状态信息进行离散化处理以获取参数序列包括:
设定所述目标状态信息符合目标高斯分布其中,所述目标高斯分布的期望为横向加速度ax1,方差为/>且所述方差/>表征所述目标高斯分布/>的离散程度,符合所述目标高斯分布/>的所述目标状态信息被离散化为2(k+1)个区间,所述k为预设的离散化系数;
在目标区间内采样以获取目标离散值,所述目标区间为离散化后的2(k+1)个区间中的任一个区间;
获取与所述目标离散值对应的目标概率值,与所述目标离散值对应的目标概率值等于所述目标区间的面积;
将所述目标离散值以及与所述目标离散值对应的目标概率值设置于所述参数序列中。
3.根据权利要求2所述的估计方法,其特征在于,所述目标状态信息还包括所述目标运动对象的纵向加速度ay1,所述目标区间为所述2(k+1)个区间中的第i个区间,则所述获取与所述目标离散值对应的目标概率值包括:
若所述i为大于0且小于或等于所述k之间的任一整数,则根据第一公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第一公式为:
所述第一公式的积分区间为积分变量为ax,被积函数为/>其中,为e的/>次方;
或,若所述i为大于-k且小于0之间的任一整数,则根据第二公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第二公式为:
所述第二公式的积分区间为积分变量为ax,被积函数为/>其中,为e的/>次方;
或,若所述i等于-k-1,则根据第三公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第三公式为:
所述/>所述amax表示所述目标运动对象的最大加速度,所述第三公式的积分区间为/>积分变量为ax,被积函数为其中,/>为e的/>次方;
或,若所述i等于k+1,则根据第四公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第四公式为:
所述/>所述第四公式的积分区间为/>积分变量为ax,被积函数为/>其中,为e的/>次方。
4.根据权利要求1所述的方法,其特征在于,所述获取所述目标运动轨迹所包括的所述目标轨迹点对应的目标概率值还包括:
根据第六公式对所述目标轨迹点对应的目标概率值Pi进行衰减处理以获取衰减处理后的目标概率值/>
所述第六公式为:其中,所述λ为预设数值;
确定所述目标轨迹点对应的目标概率值为所述衰减处理后的目标概率值
5.根据权利要求1或4所述的方法,其特征在于,所述获取所述目标运动轨迹所包括的所述目标轨迹点对应的目标概率值还包括:
若获取到满足第一预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的多个概率值,所述第一预设条件为所述目标轨迹点同时位于不同的运动轨迹中;
确定所述目标轨迹点对应的所述目标概率值为所述目标轨迹点在不同的运动轨迹中所对应的概率值之间的最大值。
6.根据权利要求1或4所述的方法,其特征在于,所述获取所述目标运动轨迹所包括的所述目标轨迹点对应的目标概率值还包括:
获取在历史时刻对所述目标运动对象已预测出的历史运动轨迹,所述历史时刻为所述当前时刻的上一时刻;
若获取到满足第二预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的第一概率值以及第二概率值,所述第二预设条件为所述目标轨迹点同时位于所述目标运动轨迹以及所述历史运动轨迹中,其中,所述第一概率值为在当前时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值,所述第二概率值为在历史时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值;
确定所述目标轨迹点对应的目标概率值为所述第一概率值以及所述第二概率值之间的最大值。
7.一种行车道路估计***,其特征在于,包括:
获取单元,用于获取目标运动对象在当前时刻的目标状态信息,所述目标运动对象位于本车周围的至少一个运动对象中的任一个运动对象,所述目标状态信息包括所述目标运动对象的横向加速度;
处理单元,用于对所述目标状态信息进行离散化处理以获取参数序列,所述参数序列包括多个离散值;
预测单元,用于基于目标离散值以及所述目标状态信息预测出与所述目标离散值对应的目标运动轨迹,所述目标离散值为所述参数序列所包括的多个离散值中的任一个;
确定单元,用于根据所述目标运动轨迹确定所述目标运动对象在未来时刻进行行驶的道路区域,所述未来时刻为所述当前时刻的下一时刻;
所述确定单元包括:
第一确定模块,用于获取所述目标运动轨迹所包括的所述目标轨迹点对应的目标概率值,其中,所述目标轨迹点对应的目标概率值等于所述目标离散值对应的目标概率值;
第二确定模块,用于获取满足回归拟合条件的目标轨迹点,满足所述回归拟合条件的目标轨迹点为对应的目标概率值大于或等于预设概率值的轨迹点;
第三确定模块,用于根据满足所述回归拟合条件的目标轨迹点进行回归拟合以获取所述目标运动对象在未来时刻进行行驶的道路区域;
所述目标状态信息还包括所述目标运动对象的横向速度以及所述目标运动对象的纵向速度/>则所述预测单元具体用于,根据第五公式确定所述目标运动轨迹所包括的目标轨迹点的坐标/>所述目标轨迹点为所述目标运动轨迹所包括的多个轨迹点中的第n个轨迹点,所述t0为当前时刻,所述Δt为预测的时间步长,且所述n为大于或等于0的正整数;
所述第五公式为:
其中,所述ay1为所述目标状态信息所包括的所述目标运动对象的纵向加速度,所述ax_sample[i]为所述目标离散值。
8.根据权利要求7所述的行车道路估计***,其特征在于,所述处理单元包括:
第一获取模块,用于设定所述目标状态信息符合目标高斯分布其中,所述目标高斯分布的期望为横向加速度ax1,方差为/>且所述方差/>表征所述目标高斯分布的离散程度,符合所述目标高斯分布/>的所述目标状态信息被离散化为2(k+1)个区间,所述k为预设的离散化系数;
采样模块,用于在目标区间内采样以获取目标离散值,所述目标区间为离散化后的2(k+1)个区间中的任一个区间;
第二获取模块,用于获取与所述目标离散值对应的目标概率值,与所述目标离散值对应的目标概率值等于所述目标区间的面积;
设置模块,用于将所述目标离散值以及与所述目标离散值对应的目标概率值设置于所述参数序列中。
9.根据权利要求8所述的行车道路估计***,其特征在于,所述目标状态信息还包括所述目标运动对象的纵向加速度ay1,所述目标区间为所述2(k+1)个区间中的第i个区间,则所述第二获取模块具体包括:
第一计算子模块,用于若所述i为大于0且小于或等于所述k之间的任一整数,则根据第一公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第一公式为:
所述第一公式的积分区间为积分变量为ax,被积函数为/>其中,为e的/>次方;
第二计算子模块,用于若所述i为大于-k且小于0之间的任一整数,则根据第二公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第二公式为:
所述第二公式的积分区间为积分变量为ax,被积函数为/>其中,/>为e的/>次方;
第三计算子模块,用于若所述i等于-k-1,则根据第三公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第三公式为:
所述/>所述amax表示所述目标运动对象的最大加速度,所述第三公式的积分区间为/>积分变量为ax,被积函数为其中,/>为e的/>次方;
第四计算子模块,用于若所述i等于k+1,则根据第四公式确定与所述目标离散值对应的目标概率值Pi,其中,所述第四公式为:
所述/>所述第四公式的积分区间为/>积分变量为ax,被积函数为/>其中,为e的/>次方。
10.根据权利要求7所述的行车道路估计***,其特征在于,所述第一确定模块包括:
第一确定子模块,用于根据第六公式对所述目标轨迹点对应的目标概率值Pi进行衰减处理以获取衰减处理后的目标概率值/>
所述第六公式为:其中,所述λ为预设数值;
第二确定子模块,用于确定所述目标轨迹点对应的目标概率值为所述衰减处理后的目标概率值
11.根据权利要求7或10所述的行车道路估计***,其特征在于,所述第一确定模块包括:
第三确定子模块,用于若获取到满足第一预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的多个概率值,所述第一预设条件为所述目标轨迹点同时位于不同的运动轨迹中;
第四确定子模块,用于确定所述目标轨迹点对应的所述目标概率值为所述目标轨迹点在不同的运动轨迹中所对应的概率值之间的最大值。
12.根据权利要求7或10所述的行车道路估计***,其特征在于,所述第一确定模块包括:
第五确定子模块,用于获取在历史时刻对所述目标运动对象已预测出的历史运动轨迹,所述历史时刻为所述当前时刻的上一时刻;
第六确定子模块,用于若获取到满足第二预设条件的所述目标轨迹点,则获取与所述目标轨迹点对应的第一概率值以及第二概率值,所述第二预设条件为所述目标轨迹点同时位于所述目标运动轨迹以及所述历史运动轨迹中,其中,所述第一概率值为在当前时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值,所述第二概率值为在历史时刻对所述目标运动对象进行预测所获取到的与所述目标轨迹点对应的概率值;
第七确定子模块,用于确定所述目标轨迹点对应的目标概率值为所述第一概率值以及所述第二概率值之间的最大值。
13.一种行车道路估计***,其特征在于,包括:处理器和存储器,其中,所述存储器中存有计算机可读程序,所述处理器通过运行所述存储器中的程序,以用于完成权利要求1至6任一项所述的方法。
14.一种计算机可读存储介质,其特征在于,包括指令,当所述指令在处理器上运行时,使得所述处理器执行如权利要求1至6任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458047.0A CN110487288B (zh) | 2018-05-14 | 2018-05-14 | 一种行车道路的估计方法以及行车道路估计*** |
EP19803310.2A EP3779922A4 (en) | 2018-05-14 | 2019-04-28 | TRAFFIC ROUTE ESTIMATION PROCESS AND SYSTEM |
MX2020012153A MX2020012153A (es) | 2018-05-14 | 2019-04-28 | Metodo para estimar camino de conduccion y sistema de estimacion de camino de conduccion. |
PCT/CN2019/084747 WO2019218861A1 (zh) | 2018-05-14 | 2019-04-28 | 一种行车道路的估计方法以及行车道路估计*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458047.0A CN110487288B (zh) | 2018-05-14 | 2018-05-14 | 一种行车道路的估计方法以及行车道路估计*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110487288A CN110487288A (zh) | 2019-11-22 |
CN110487288B true CN110487288B (zh) | 2024-03-01 |
Family
ID=68539401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458047.0A Active CN110487288B (zh) | 2018-05-14 | 2018-05-14 | 一种行车道路的估计方法以及行车道路估计*** |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3779922A4 (zh) |
CN (1) | CN110487288B (zh) |
MX (1) | MX2020012153A (zh) |
WO (1) | WO2019218861A1 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191697B (zh) * | 2019-12-21 | 2023-04-28 | 武汉光庭信息技术股份有限公司 | 基于传感器融合的adas道路测试验证优化方法和装置 |
WO2021134742A1 (zh) * | 2020-01-02 | 2021-07-08 | 华为技术有限公司 | 一种处理预测运动轨迹的方法、显示约束屏障的方法以及装置 |
CN113460042B (zh) * | 2020-03-31 | 2022-12-30 | 华为技术有限公司 | 车辆驾驶行为的识别方法以及识别装置 |
WO2021196041A1 (zh) * | 2020-03-31 | 2021-10-07 | 华为技术有限公司 | 一种关键目标选取方法、装置及*** |
CN111583715B (zh) * | 2020-04-29 | 2022-06-03 | 宁波吉利汽车研究开发有限公司 | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 |
CN113701746A (zh) * | 2020-05-21 | 2021-11-26 | 华为技术有限公司 | 目标朝向确定方法和装置 |
CN114067556B (zh) * | 2020-08-05 | 2023-03-14 | 北京万集科技股份有限公司 | 环境感知方法、装置、服务器和可读存储介质 |
CN111994085A (zh) * | 2020-08-25 | 2020-11-27 | 吉林大学 | 复杂路况下车辆行驶稳定区域的估计方法 |
CN111951144B (zh) * | 2020-08-26 | 2022-08-30 | 腾讯科技(深圳)有限公司 | 一种违章路段的确定方法、设备及计算机可读存储介质 |
CN112596514B (zh) * | 2020-11-18 | 2024-05-31 | 广州文远知行科技有限公司 | 控制操作调整方法、装置、可移动载体及存储介质 |
WO2022104790A1 (zh) * | 2020-11-23 | 2022-05-27 | 深圳元戎启行科技有限公司 | 行驶轨迹确定方法、装置、计算机设备和存储介质 |
CN112884837B (zh) * | 2021-03-16 | 2023-06-20 | 百度在线网络技术(北京)有限公司 | 道路定位方法、装置、设备及存储介质 |
CN113963537A (zh) * | 2021-10-19 | 2022-01-21 | 东软睿驰汽车技术(上海)有限公司 | 一种针对路口的车辆轨迹预测方法和相关装置 |
WO2023122915A1 (zh) * | 2021-12-27 | 2023-07-06 | 华为技术有限公司 | 一种车辆变道的预警方法及装置 |
CN114578401B (zh) * | 2022-04-29 | 2022-08-30 | 泽景(西安)汽车电子有限责任公司 | 一种车道航迹点的生成方法、装置、电子设备及存储介质 |
CN115187637B (zh) * | 2022-09-13 | 2022-11-22 | 北京控制工程研究所 | 目标运动参数实时辨识方法、轨迹预估方法及装置 |
CN118211853B (zh) * | 2024-05-17 | 2024-07-19 | 四川国蓝中天环境科技集团有限公司 | 一种基于跨时空聚类的运渣车活跃点位计算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1668938A (zh) * | 2002-07-15 | 2005-09-14 | 汽车***实验室公司 | 道路曲率估计和车辆目标状态估计*** |
CN101536058A (zh) * | 2006-11-10 | 2009-09-16 | 丰田自动车株式会社 | 障碍物行进道路预测方法、装置以及程序 |
CN102209658A (zh) * | 2008-11-06 | 2011-10-05 | 沃尔沃技术公司 | 用于确定道路数据的方法和*** |
CN105667518A (zh) * | 2016-02-25 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车道检测的方法及装置 |
CN106355948A (zh) * | 2015-07-17 | 2017-01-25 | 本田技研工业株式会社 | 转弯预测 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6321532B2 (ja) * | 2014-11-28 | 2018-05-09 | 株式会社デンソー | 車両の走行制御装置 |
-
2018
- 2018-05-14 CN CN201810458047.0A patent/CN110487288B/zh active Active
-
2019
- 2019-04-28 EP EP19803310.2A patent/EP3779922A4/en active Pending
- 2019-04-28 MX MX2020012153A patent/MX2020012153A/es unknown
- 2019-04-28 WO PCT/CN2019/084747 patent/WO2019218861A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1668938A (zh) * | 2002-07-15 | 2005-09-14 | 汽车***实验室公司 | 道路曲率估计和车辆目标状态估计*** |
CN101536058A (zh) * | 2006-11-10 | 2009-09-16 | 丰田自动车株式会社 | 障碍物行进道路预测方法、装置以及程序 |
CN102209658A (zh) * | 2008-11-06 | 2011-10-05 | 沃尔沃技术公司 | 用于确定道路数据的方法和*** |
CN106355948A (zh) * | 2015-07-17 | 2017-01-25 | 本田技研工业株式会社 | 转弯预测 |
CN105667518A (zh) * | 2016-02-25 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车道检测的方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于粒子滤波的移动物体定位和追踪算法;周帆等;《软件学报》;20131231;第24卷(第9期);2196-2213 * |
雷达机动目标运动模型与跟踪算法研究;刘昌云;《中国博士学位论文全文数据库信息科技辑》;20141215(第12期);I136-94 * |
Also Published As
Publication number | Publication date |
---|---|
MX2020012153A (es) | 2021-01-29 |
WO2019218861A1 (zh) | 2019-11-21 |
EP3779922A1 (en) | 2021-02-17 |
CN110487288A (zh) | 2019-11-22 |
EP3779922A4 (en) | 2021-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110487288B (zh) | 一种行车道路的估计方法以及行车道路估计*** | |
US10963462B2 (en) | Enhancing autonomous vehicle perception with off-vehicle collected data | |
CN108693878B (zh) | 前进路线设定装置以及前进路线设定方法 | |
CN108327716B (zh) | 碰撞缓解和避免 | |
EP2942687B1 (en) | Automated driving safety system | |
US9340207B2 (en) | Lateral maneuver planner for automated driving system | |
US11521329B2 (en) | Updated point cloud registration pipeline based on ADMM algorithm for autonomous vehicles | |
US10232849B2 (en) | Collision mitigation and avoidance | |
JP2019532292A (ja) | 車両位置特定の自律走行車両 | |
KR20200081526A (ko) | 자율 주행 차량 및 그를 이용한 차량의 주행 제어 방법 | |
RU2735720C1 (ru) | Способ оценки транспортного средства, способ корректировки маршрута движения, устройство оценки транспортного средства и устройство корректировки маршрута движения | |
US11608059B2 (en) | Method and apparatus for method for real time lateral control and steering actuation assessment | |
Kim et al. | Probabilistic threat assessment with environment description and rule-based multi-traffic prediction for integrated risk management system | |
US11688082B2 (en) | Coordinate gradient method for point cloud registration for autonomous vehicles | |
US11310269B2 (en) | Methods to detect spoofing attacks on automated driving systems | |
US11260875B2 (en) | Systems and methods for road surface dependent motion planning | |
EP4242998A1 (en) | Traffic stream information determination method and apparatus, electronic device and storage medium | |
WO2019040201A1 (en) | VEHICLE INTERFACE FOR AUTONOMOUS VEHICLE | |
CN114442101A (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
Chae et al. | Design and vehicle implementation of autonomous lane change algorithm based on probabilistic prediction | |
WO2018199941A1 (en) | Enhancing autonomous vehicle perception with off-vehicle collected data | |
US10845814B2 (en) | Host vehicle position confidence degree calculation device | |
CN114162116A (zh) | 车辆检测和响应 | |
CN113432615A (zh) | 基于多传感器融合可驾驶区域的检测方法、***和车辆 | |
US11353595B2 (en) | Sidelobe subtraction method in automotive radar signal processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |