CN111186437B - 一种车辆轨迹的风险确定方法及装置 - Google Patents
一种车辆轨迹的风险确定方法及装置 Download PDFInfo
- Publication number
- CN111186437B CN111186437B CN202010015694.1A CN202010015694A CN111186437B CN 111186437 B CN111186437 B CN 111186437B CN 202010015694 A CN202010015694 A CN 202010015694A CN 111186437 B CN111186437 B CN 111186437B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle
- risk
- determining
- movement distance
- 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 94
- 230000033001 locomotion Effects 0.000 claims abstract description 264
- 230000000875 corresponding effect Effects 0.000 claims description 159
- 230000001133 acceleration Effects 0.000 claims description 41
- 230000036961 partial effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 16
- 230000035484 reaction time Effects 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 45
- 238000010586 diagram Methods 0.000 description 19
- 230000006399 behavior Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/107—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/109—Lateral acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本说明书公开了一种车辆轨迹的风险确定方法及装置,在确定轨迹的风险时,以车辆处于最大风险时的第一极限状态,确定车辆可能为自身带来的最大风险。针对车辆所处环境中的各障碍物,则以障碍物能够做出的对车辆最为不利的行为的第二极限状态为依据,确定障碍物可能对车辆带来的最大风险。本说明书中的方法及装置,能以车辆可能面临的最为恶劣的行驶环境,及车辆自身最为极端的运动状态作为确定轨迹风险的依据,提高轨迹风险确定的全面性、前瞻性和敏感性。此外,本说明书能够通过风险区域这一具有图形属性表达方式将车辆的最低风险承担能力,以及障碍物可能为车辆带来的最大风险一定程度的图形化。有利于提高确定车辆轨迹的风险的效率及直观性。
Description
相关申请的交叉引用
本申请要求于2019年12月25日提交国家知识产权局、申请号为201911355415.X、发明名称为“一种车辆轨迹的风险确定方法及装置”的中国专利申请的优先权,该申请的全文以引用的形式并入本文中用于所有目的。
技术领域
本说明书涉及无人驾驶技术领域,尤其涉及一种车辆轨迹的风险确定方法及装置。
背景技术
目前,车辆的智能化作为人工智能技术的重要组成部分,在社会生产、生活中的作用日益凸显,成为引导交通技术发展的主要方向之一。
在现有技术中,无人车及具有辅助驾驶功能的车辆(以下统称“车辆”)多采用预设的轨迹确定方法,为车辆预先的规划出可供该车辆运动的轨迹。在车辆按照规划出的轨迹执行实际的运动动作之前,需要衡量该轨迹作为实际运动轨迹的风险。
其中,轨迹的风险主要取决于该车辆所处环境中的障碍物在未来时刻的运动状态。在现有的方法中,对障碍物的运动状态的预测,多以该障碍物历史上的运动状态为依据,从该障碍物历史上的运动状态中归纳出该障碍物的运动遵循的规律;并假设该障碍物在未来时刻不会做出与其历史行为相差较大的动作,继续按照该规律运动。
可见,现有的障碍物运动状态预测方法,无法预测出车辆所处环境中的障碍物的突发行为(违背该障碍物运动的规律的行为),则在后续确定轨迹的风险时,无法根据可能出现的障碍物的突发行为,对预先规划出的所述车辆的轨迹进行风险评估,无法达到车辆的轨迹的风险评估目的。
发明内容
本说明书实施例提供一种车辆轨迹的风险确定方法及装置,以部分的解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种车辆轨迹的风险确定方法,所述方法包括:
根据针对车辆预设的所述车辆处于最大风险时所述车辆对应的第一极限状态,确定所述车辆处于最大风险时的极限运动距离;
根据所述极限运动距离,确定所述车辆对应的风险区域;
针对所述车辆当前所处环境中的每个障碍物,根据预设的该障碍物为所述车辆造成最大风险时该障碍物对应的第二极限状态,确定该障碍物的极限运动距离;
根据该障碍物的极限运动距离,确定该障碍物对应的风险区域;
根据所述车辆沿规划轨迹运动时,所述车辆对应的风险区域与所述每个障碍物对应的风险区域的重叠面积,确定该规划轨迹的风险。
可选地,所述极限运动状态包括:极限速度、极限加速度、所述车辆的反应时间中的至少一种。
可选地,根据针对车辆预设的所述车辆处于最大风险时所述车辆对应的第一极限状态,确定所述车辆处于最大风险时的极限运动距离,具体包括:
根据所述车辆沿车道纵向的纵向极限速度,以及所述车辆的纵向极限加速度,确定所述车辆的纵向极限运动距离;和/或,根据所述车辆沿车道横向的横向极限速度,以及所述车辆的横向极限加速度,确定所述车辆的横向极限运动距离;
根据所述极限运动距离,确定所述车辆对应的风险区域,具体包括:
根据所述车辆的纵向极限运动距离、车辆的横向极限运动距离中的至少一种,确定所述车辆对应的风险区域。
可选地,根据所述车辆沿车道纵向的纵向极限速度,以及所述车辆的纵向极限加速度,确定所述车辆的纵向极限运动距离,具体包括:
确定所述车辆在所述反应时间内,以纵向极限速度匀速运动的纵向距离;
确定所述车辆以纵向极限加速度刹车至停止静止时,减速运动的纵向距离;
根据所述匀速运动的纵向距离和减速运动的纵向距离,确定所述车辆的纵向极限运动距离;和/或,
根据所述车辆沿车道横向的横向极限速度,以及所述车辆的横向极限加速度,确定所述车辆的横向极限运动距离,具体包括:
确定所述车辆在所述反应时间内,以横向极限速度横向匀速运动的横向距离;确定所述车辆以横向极限加速度横向减速至横向静止停止时,在横向上减速运动的横向距离;根据所述匀速运动的横向距离和减速运动的横向距离,确定所述车辆的横向极限运动距离。
可选地,根据所述车辆的纵向极限运动距离和车辆的横向极限运动距离,确定所述车辆对应的风险区域,具体包括:
以所述车辆的纵向极限运动距离为长半轴、所述车辆的横向极限运动距离为短半轴,以所述车辆的预设指定点为椭圆中心,确定所述车辆对应的椭圆形区域;
根据所述车辆对应的椭圆形区域,确定所述车辆对应的风险区域。
可选地,根据所述车辆对应的椭圆形区域,确定所述车辆对应的风险区域,具体包括:
以所述短轴为分界线,确定所述椭圆形区域中覆盖所述车辆的车头的部分区域,作为所述车辆对应的风险区域。
可选地,根据预设的该障碍物为所述车辆造成最大风险时该障碍物对应的第二极限状态,确定该障碍物的极限运动距离,具体包括:
将所述减速运动的纵向距离,作为该障碍物的偏置距离;
根据所述偏置距离和该障碍物对应的第二极限状态,确定该障碍物的极限运动距离。
可选地,当该障碍物与所述车辆同向运动时,根据该障碍物的极限运动距离,确定该障碍物对应的风险区域,具体包括:
根据该障碍物的极限运动距离,以所述障碍物的预设指定点为椭圆中心,确定该障碍物对应的椭圆形区域;
以该障碍物对应的椭圆形区域的短轴为分界线,确定该椭圆形区域中覆盖该障碍物的车尾的部分区域,作为该障碍物对应的风险区域。
可选地,当该障碍物与所述车辆相向运动时,根据该障碍物的极限运动距离,确定该障碍物对应的风险区域,具体包括:
根据该障碍物的极限运动距离,以所述障碍物的预设指定点为椭圆中心,确定该障碍物对应的椭圆形区域;
以该障碍物对应的椭圆形区域的短轴为分界线,确定该椭圆形区域中覆盖该障碍物的车头的部分区域,作为该障碍物对应的风险区域。
可选地,所述车辆当前所处环境中的障碍物包括虚拟障碍物;所述虚拟障碍物是所述车辆到达第一指定位置时生成的;所述第一指定位置至少包括路口;所述虚拟障碍物位于第二指定位置;所述第二指定位置至少包括所述车辆的探测盲区;
路口所述车辆的盲区所述根据所述车辆沿规划轨迹行驶时,所述车辆的风险区域与所述每个障碍物的风险区域的重叠面积,确定该规划轨迹的风险之前当该障碍物为虚拟障碍物时,确定该障碍物对应的风险区域对应的风险区域,所述方法还具体包括:
根据该虚拟障碍物对应的第二极限状态,确定该虚拟障碍物的极限运动距离;
根据该虚拟障碍物的极限运动距离和预设的衰减系数,确定该虚拟障碍物衰减后的极限运动距离;
根据该虚拟障碍物衰减后的极限运动距离,确定该虚拟障碍物的风险区域对应的风险区域。
可选地,根据所述车辆沿规划轨迹运动时,所述车辆的风险区域对应的风险区域与所述每个障碍物的风险区域对应的风险区域的重叠面积,确定该规划轨迹的风险根据该车辆沿预先规划的轨迹行驶时,该车辆的风险区域与各障碍物的风险区域的累计交叠程度,确定该轨迹的风险,具体包括:
针对未来的各时刻,预测所述车辆沿规划轨迹运动时,所述车辆在该时刻所处的位置;并且,预测每个障碍物在该时刻所处的位置;
根据所述车辆在该时刻所处的位置和每个障碍物在该时刻所处的位置,确定在该时刻,所述车辆对应的风险区域与每个各障碍物对应的风险区域的重叠面积;
根据该时刻的重叠面积和该时刻对应的预设风险权重,确定所述规划轨迹在该时刻的风险分量,所述风险权重与该时刻距当前时刻的时长负相关;
根据所述规划轨迹在各时刻的风险分量,确定该轨迹的风险。
本说明书提供的一种车辆轨迹的风险确定装置,所述装置包括:
车辆距离确定模块,用于根据针对车辆预设的所述车辆处于最大风险时所述车辆对应的第一极限状态,确定所述车辆处于最大风险时的极限运动距离;
车辆区域确定模块,用于根据所述极限运动距离,确定所述车辆对应的风险区域;
障碍物距离确定模块,用于针对所述车辆当前所处环境中的每个障碍物,根据预设的该障碍物为所述车辆造成最大风险时该障碍物对应的第二极限状态,确定该障碍物的极限运动距离;
障碍物区域确定模块,用于根据该障碍物的极限运动距离,确定该障碍物对应的风险区域;
风险确定模块,用于根据所述车辆沿规划轨迹运动时,所述车辆对应的风险区域与所述每个障碍物对应的风险区域的重叠面积,确定该规划轨迹的风险。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的车辆轨迹的风险确定方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的车辆轨迹的风险确定方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例中的车辆轨迹的风险确定方法及装置,在确定轨迹的风险时,以该车辆处于最大风险时的、对该车辆最为不利的第一极限状态,确定出该车辆可能为自身带来的最大风险。针对该车辆所处环境中的各障碍物,则以该障碍物能够做出的最为突然的、对该车辆最为不利的行为的第二极限状态为依据,确定该障碍物可能对该车辆带来的最大风险。可见,本说明书中的方法及装置,在衡量该车辆按照预设的轨迹行驶的可行性时,能够以车辆和障碍物的极端情形作为确定轨迹风险的依据,进而能够提高轨迹风险确定的全面性、前瞻性和敏感性。此外,本说明书中的方法,能够通过确定出的风险区域将该车辆的最低风险承担能力,以及障碍物可能为该车辆带来的最大风险一定程度的图形化。则可以根据各风险区域之间的相对位置关系对轨迹的风险进行衡量。有利于提高确定车辆轨迹的风险的效率,并提高该风险确定的结果的直观性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的一种车辆轨迹的风险确定过程;
图2a为本说明书提供的一种车辆轨迹的风险确定过程的车辆的极限运动距离示意图;
图2b和图2c为本说明书提供的一种车辆轨迹的风险确定过程的车辆的对应的风险区域示意图;
图3a为本说明书提供的一种车辆轨迹的风险确定过程的障碍物的极限运动距离示意图;
图3b为本说明书提供的一种车辆轨迹的风险确定过程的障碍物的对应的风险区域示意图;
图4a为本说明书提供的一种车辆轨迹的风险确定过程中,车辆和障碍物同向行驶时,风险区域的重叠面积示意图;
图4b为本说明书提供的一种车辆轨迹的风险确定过程中,车辆和障碍物相向行驶时,风险区域的重叠面积示意图;
图5为本说明书提供的一种车辆轨迹的风险确定过程中,车辆所处环境中的障碍物包括虚拟障碍物示意图;
图6a为本说明书提供的一种车辆轨迹的风险确定过程中,车辆和障碍物同向行驶时,以风险区域表征产生潜在的风险的原因、以及该潜在的风险的责任归属示意图;
图6b为本说明书提供的一种车辆轨迹的风险确定过程中,车辆和障碍物相向行驶时,以风险区域表征产生潜在的风险的原因、以及该潜在的风险的责任归属示意图;
图7为本说明书提供的一种车辆轨迹的风险确定装置的结构示意图;
图8为本说明书实施例提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的一种车辆轨迹的风险确定过程,具体可包括以下步骤:
S100:根据针对车辆预设的所述车辆处于最大风险时所述车辆对应的第一极限状态,确定所述车辆处于最大风险时的极限运动距离。
车辆在运动过程中,其所面临的安全方面的风险一定程度的取决于该车辆自身的运动状态。当车辆的运动状态较为剧烈(例如,该车辆的速度较大)时,该车辆所面临的风险也较大。本说明书通过车辆的运动状态,从该车辆的角度衡量该车辆可能面临的风险程度。
为从该车辆的角度,确定出能够表征该车辆可能面临的最大风险,本说明书以该车辆的第一极限状态作为确定该车辆可能面临的最大风险的依据。第一极限状态可以为车辆在运动过程中能够达到的极限的、最为剧烈的运动状态。
具体地,第一极限状态可以包括:车辆的极限速度(可以为该车辆能够达到的最大速度)、车辆的极限加速度(可以为该车辆能够达到的最大加速度)、车辆的反应时间中的至少一种。其中,车辆的反应时间可以为:车辆从识别到其所处环境中能够给该车辆造成风险的障碍物开始,到作出应对反应所需的时间。该反应时间可以由车辆上的用于检测障碍物的运动状态的传感器的识别能力确定。
在确定出该车辆的第一极限状态之后,即可通过计算得到该车辆以能够为其带来最大风险的第一极限状态运动时的极限运动距离。由于该极限运动距离由该车辆最为危险的运动状态得到,则该极限运动距离能够一定程度的表征该车辆能够为其自身带来的最大风险(相当于该车辆的最低风险承担能力)。当该车辆处于最低风险承担能力时,环境对该车辆的影响最为明显。
例如,车辆以较低的速度运动,车辆在识别到环境中存在需要躲避的障碍物(例如,路障、行人)时开始刹车,车辆仅需较短的刹车运动距离即可从行驶状态调整至静止状态,使得车辆可以及时、敏捷的躲避环境中的障碍物,此时,车辆承担的能力较高;但是车辆以极限速度躲避环境中的相同条件的障碍物时,则需要较长的极限运动距离才能够从行驶状态调整至静止状态(即,“刹不住车”),此时,车辆承担风险的能力达到最低。
可选地,由于车辆的第一极限状态所包含的至少部分参数为车辆自身的属性信息,则由第一极限状态确定出的极限运动距离,可以作为该车辆的属性信息之一储存在车辆的控制***中,而无需在每次实施本说明书中的方法时分别地确定。
S102:根据所述极限运动距离,确定所述车辆对应的风险区域。
由于极限运动距离的维度属性为一维,则单纯的以极限运动距离表征车辆承担风险的能力具有一定的局限性。
本说明书中,在确定出车辆的极限运动距离之后,进一步根据该极限运动距离,确定能够表征该车辆能够为其自身带来的最大风险的、具有二维图形属性的风险区域,在实现车辆最低风险承担能力的图形化的同时,能够以车辆对应的风险区域的覆盖范围对车辆的最低风险承担能力进行量化。该风险区域对应于该车辆,在车辆运动过程中跟随该车辆一起运动。可选地,该风险区域覆盖该车辆的至少部分。
S104:针对所述车辆当前所处环境中的每个障碍物,根据预设的该障碍物为所述车辆造成最大风险时该障碍物对应的第二极限状态,确定该障碍物的极限运动距离。
除车辆自身的因素之外,车辆在运动过程中面临的风险还一定程度的取决于车辆所处环境中的障碍物以及障碍物的运动状态。当环境中的障碍物相对于该车辆的运动状态较为剧烈时,该障碍物可能为该车辆造成的风险较大。为从障碍物的角度衡量该车辆所面临的风险,本说明书以障碍物的运动状态作为确定障碍物对车辆造成的风险的依据。
考虑到障碍物的运动状态的剧烈程度与该障碍物能够为车辆带来的风险一定程度的正相关,本说明书根据障碍物的第二极限状态,确定障碍物能够为车辆带来的最大的风险。第二极限状态可以为障碍物在运动过程中能够达到的极限的、相对于该车辆最为剧烈的运动状态。
具体地,第二极限状态可以包括:障碍物的极限速度(可以为该障碍物能够达到的最大速度)、障碍物的极限加速度(可以为该障碍物能够达到的最大加速度)中的至少一种。
可选地,确定障碍物的第二极限状态的过程可以为:确定车辆当前所处环境中的障碍物的属性信息,障碍物的属性信息可以包括该障碍物的种类(例如,机动车类、非机动车类、人类)、型号(例如,机动车的型号)中的至少一种。然后,根据该障碍物的属性信息,在预设的各第二极限状态中,确定出该障碍物的第二极限状态。
其中,预设的各第二极限状态可以储存在该车辆的控制***中。各预设的第二极限状态均对应于预设的障碍物的属性信息,并根据障碍物的属性信息建立索引。则在确定出环境中的障碍物的属性信息之后,即可根据障碍物的属性信息查找到该障碍物的第二极限状态。此外,各预设的第二极限状态也可以储存在与该车辆通信连接的云端服务器中。
在确定出该障碍物的第二极限状态之后,即可通过计算得到该障碍物以能够为车辆带来最大风险的第二极限状态运动时的极限运动距离。
S106:根据该障碍物的极限运动距离,确定该障碍物的风险区域。
本说明书在确定出障碍物的极限运动距离之后,进一步地根据该极限运动距离,确定出能够表征该障碍物能够为该车辆带来的最大风险、且具有二维图形属性的障碍物的对应的风险区域。以障碍物的对应的风险区域的覆盖范围,对障碍物对车辆的最大的不利影响进行量化。
S108:根据所述车辆沿规划轨迹运动时,所述车辆的风险区域与所述每个障碍物的风险区域的重叠面积,确定该规划轨迹的风险。
前述的步骤分别从车辆的角度和障碍物的角度,将车辆在运动过程中可能面临的来自于不同方面的最大的风险通过风险区域的形式量化,则在确定轨迹的风险时,可以在该车辆沿规划的轨迹运动的情况下,确定该车辆与每个障碍物的风险区域的重叠面积。并以该重叠面积的尺寸表征该车辆沿该轨迹运动时,该轨迹的风险。
可见,本说明书中的方法能够分别从车辆和障碍物的角度,确定出车辆和障碍物在极端情形下能够对该车辆造成的最大的风险,并通过“风险区域”对该风险进行量化。则可以根据风险区域反映出的图形信息,以及车辆的风险区域与障碍物的风险区域之间的相对位置关系,对轨迹的风险进行衡量。有利于提高确定车辆轨迹的风险的效率,并提高该风险确定的结果的直观性。
并且,本说明书针对车辆和障碍物分别地确定风险区域,能够明显降低确定轨迹风险时数据处理的复杂程度,提高方法步骤执行次序的灵活性。具体地,确定出车辆对应的风险区域的过程(即,步骤S100和S102)和确定出障碍物对应的风险区域的过程(即,步骤S104和S106)的执行次序可以不分先后。
下面对本说明书中的车辆轨迹的风险确定过程进行详细说明。
如图2a至图2c所示,在本说明书中,车辆在运动过程中面临的风险,一方面来自于其自身的运动状态。在实际的应用场景中,车辆需要对其运动状态进行一定的调整,才能够实现行驶目的。而车辆对其运动状态的调整可以为沿其所在的车道的纵向的调整,也可以为沿该车道的横向的调整(可选地,该“横向”、“纵向”的确定以车道的横、纵方向为依据,如图2c所示,车辆的位姿发生变化时,该车辆对应的风险区域的纵向和横向保持不变)。
为适应车辆运动过程中,运动状态变化的多向性,本说明书车辆的极限运动距离可以包括车辆的纵向极限运动距离dp c、车辆的横向极限运动距离dt c中的至少一中。
具体地,可以根据所述车辆沿车道纵向的纵向极限速度,以及所述车辆的纵向极限加速度,确定所述车辆的纵向极限运动距离dp c;和/或,根据所述车辆沿车道横向的横向极限速度,以及所述车辆的横向极限加速度,确定所述车辆的横向极限运动距离dt c。
如图2a所示,为确定出该车辆的纵向极限运动距离dp c,可以假设该车辆在发现位于其前方的障碍物的突发行为(例如,急刹车)之前,该车辆以其纵向极限速度沿纵向匀速运动并向该障碍物靠近。并且,在该车辆发现位于其前方的障碍物的突发行为之后,该车辆以其纵向极限加速度减速行驶。综合该匀速运动的纵向距离dp/u c和该减速运动的纵向距离dp/s c,即可确定出该车辆的纵向极限运动距离dp c。
则,确定车辆的纵向极限运动距离dp c的具体过程可以为:首先确定所述车辆在所述反应时间内,以纵向极限速度匀速运动的纵向距离dp/u c。该匀速运动的纵向距离dp/u c能够表征该车辆行驶过程中发现位于其前方的障碍物之前最大的、对该车辆最为不利的纵向运动距离。
然后,确定所述车辆以纵向极限加速度刹车至静止时的,减速运动的纵向距离dp/s c。该减速运动的纵向距离dp/s c能够表征该车辆行驶过程中发现位于其前方的障碍物之后采取刹车措施,可以达到的最大的、对该车辆最为不利的纵向运动距离。
最后,可对匀速运动的纵向距离dp/u c和减速运动的纵向距离dp/s c求和,即可得到该车辆的纵向极限运动距离dp c(该通过“求和”的方式确定纵向极限运动距离dp c仅为示例。在实际的使用场景中,还可以通过其他的方式根据匀速运动的纵向距离和减速运动的纵向距离确定纵向极限运动距离)。可选地,该车辆的纵向极限运动距离可以通过以下公式(1)计算得到:
进一步地,如图2a所示,为确定出该车辆的横向极限运动距离dt c,可以假设该车辆在发现位于其左侧和/或右侧的障碍物之前,该车辆以其横向极限速度(该车辆的横向极限速度可以根据该车辆的纵向极限速度以及该车辆的转弯速度计算得到)在横向上匀速运动,并向该障碍物靠近。并且,在该车辆发现位于其侧向的障碍物之后,以其横向极限加速度减速行驶至在横向上静止(该车辆处于横向静止时,纵向上仍然可以处于移动的状态)。综合该匀速运动的横向距离和该减速运动的横向距离,即可确定出该车辆的横向极限运动距离。
则,确定车辆的横向极限运动距离的具体过程可以为:首先确定所述车辆在所述反应时间内,以横向极限速度横向匀速运动的横向距离dt/u c。该匀速运动的横向距离dt/u c能够表征该车辆在并道时发现位于其侧向的障碍物之前的最大的、对该车辆最为不利的横向运动距离。
然后,确定所述车辆以横向极限加速度横向减速至横向静止时,在横向上减速运动的横向距离dt/s c。该减速运动的横向距离dt/s c能够表征该车辆在并道时发现位于其侧向的障碍物之后停止并道的情况下,可以达到的最大的、对该车辆最为不利的横向运动距离。
最后,可对匀速运动的横向距离dt/u c和减速运动的横向距离dt/s c求和,即可以得到该车辆的横向极限运动距离dt c。
可选地,该车辆的横向极限运动距离可以通过以下公式(2)计算得到:
至此,确定车辆的风险区域所需的车辆的纵向极限运动距离和/或车辆的横向极限运动距离已经确定完毕。则在后续步骤中,可以根据车辆的纵向极限运动距离、车辆的横向极限运动距离中的至少一种,确定该车辆的风险区域。
本说明书中,如图2b所示,以车辆的纵向极限运动距离dp c和车辆的横向极限运动距离dt c,确定所述车辆对应的风险区域的过程,具体可以包括:以所述车辆的纵向极限运动距离dp c为长半轴(至少能够表征该车辆在纵向上的能够承担的最低风险)、所述车辆的横向极限运动距离dt c为短半轴(至少能够表征该车辆在横向上的能够承担的最低风险),以所述车辆的预设指定点Dc为椭圆中心,确定所述车辆对应的椭圆形区域。则该椭圆形区域限定的范围,可以表征出该车辆在其周围各个方向上的最低的风险承担能力。在本说明书一个可选的应用场景中,可以以该椭圆形区域作为该车辆的风险区域。
可选地,该车辆的指定点Dc可以为该车辆的后轮车轴的中心。此外,还可以以其他位置作为车辆的指定点。
此外,本说明书实施例中的确定轨迹风险的过程还可以以车辆的纵向极限运动距离和车辆的横向极限运动距离之一,确定车辆的风险区域。
例如,以车辆的纵向极限运动距离的确定车辆的风险区域时,可以以该车辆的纵向极限运动距离为半径,车辆的预设指定点为圆心作圆,确定出该车辆对应的圆形区域。以该圆形区域沿横向的直径为界线,确定该圆形区域覆盖该车辆车头的部分作为该车辆对应的风险区域。由车辆的纵向极限运动距离确定出的车辆对应的风险区域,至少能够表征该车辆在纵向上的能够承担的最低风险。则该风险区域至少能够用于确定预设轨迹在纵向上的风险。
再例如,以车辆的横向极限运动距离的确定车辆的风险区域时,可以以该车辆的横向极限运动距离为半径,车辆的预设指定点为圆心作圆,确定出该车辆对应的圆形区域。以该车辆的前轮车轴和后轮车轴为界线,确定该圆形区域位于前轮车轴和后轮车轴之间的部分,作为该车辆对应的风险区域,此时,车辆的风险区域至少覆盖该车辆的左、右两侧。由车辆的横向极限运动距离确定出的车辆对应的风险区域,至少能够表征该车辆在横向上的能够承担的最低风险。则该风险区域至少能够用于确定预设轨迹在横向上的风险。
进一步地,如图3a和图3b所示,在本说明书中,车辆在运动过程中面临的风险,另一方面来自于车辆所处环境中的障碍物。障碍物可能在车辆的各个方向对该车辆造成影响。基于相类似的思路,本说明书从车道纵向、车道的横向中的至少一个方向,确定障碍物的风险区域。
具体地,本说明书中,障碍物的极限运动距离可以包括障碍物的纵向极限运动距离dp o、障碍物的横向极限运动距离dt o中的至少一种。
为确定出该障碍物的纵向极限运动距离dp o,可以假设该障碍物位于车辆的前方以该障碍物的纵向极限加速度刹车至静止。该障碍物的“急刹车”的行为,即为对该车辆最为不利的运动状态。则该障碍物刹车后行驶的距离,即可以为该障碍物的纵向极限运动距离dp o。
则,确定障碍物的纵向极限运动距离dp o的具体过程可以为:根据所述障碍物沿车道纵向的纵向极限速度,确定所述障碍物以其纵向极限加速度刹车至静止时的纵向的运动距离,作为该障碍物的纵向极限运动距离dp o。该障碍物的纵向极限运动距离dp o越大,表明该障碍物给该车辆带来的风险越大。
可选地,该障碍物的纵向极限运动距离可以通过以下公式(3)计算得到:
进一步地,为确定出该障碍物的横向极限运动距离dt o,可以假设该障碍物在车辆的侧向并道,并在车辆识别出该障碍物的并道行为之前,该障碍物以其横向极限速度在横向上匀速的向该车辆靠近。该“横向匀速靠近”的行为,即为该障碍物在被车辆识别出之前,对该车辆最为不利的运动状态。在该车辆发现位于其侧向的障碍物之后,该障碍物以其横向极限加速度减速行驶至在横向上静止。该“横向减速靠近”的行为,即为该障碍物在被车辆识别出之后,对该车辆最为不利的运动状态。此后,综合该障碍物的匀速运动的横向距离和该障碍物的减速运动的横向距离,即可确定出该障碍物的横向极限运动距离。
则,确定障碍物的横向极限运动距离的具体过程可以为:首先确定所述障碍物在所述反应时间内,以横向极限速度横向匀速运动的横向距离dt/u o。该障碍物的匀速运动的横向距离dt/u o能够表征该障碍物在车辆能够针对该障碍物的并道行为做出反应之前的最大的、对该车辆最为不利的横向运动距离。
然后,确定该障碍物以横向极限加速度横向减速至横向静止时,在横向上减速运动的横向距离dt/s o。则该障碍物的减速运动的横向距离dt/s o能够表征该障碍物在车辆能够针对该障碍物的并道行为做出反应之后的最大的、对该车辆最为不利的横向运动距离。
最后,可对该障碍物的匀速运动的横向距离dt/u o和减速运动的横向距离dt/s o求和,以得到该障碍物的横向极限运动距离dt o。
可选地,该车辆的横向极限运动距离可以通过以下公式(4)计算得到:
至此,确定障碍物的风险区域所需的纵向极限运动距离dp o和/或车辆的横向极限运动距离dt o已经确定完毕。则在后续步骤中,可以根据障碍物的纵向极限运动距离dp o、障碍物的横向极限运动距离dt o中的至少一种确定障碍物的风险区域。
然而,在实际的场景中,障碍物在车辆的前方实施突然刹车的行为时,该障碍物的实际速度可能远小于该障碍物的纵向极限速度,这就使得该障碍物的实际的纵向实际运动距离可能小于以该障碍物的纵向极限速度确定出的纵向极限运动距离。则可以以增加偏置距离的方式,修正该障碍物的纵向极限运动距离。
具体地,根据偏置距离确定障碍物的纵向极限运动距离的具体过程可以为:将前述步骤中确定出的该车辆的以纵向极限加速度刹车至静止时的,减速运动的纵向距离,作为该障碍物的偏置距离。然后,根据所述障碍物沿车道纵向的纵向极限速度(或者该障碍物当前的沿车道纵向的实际速度),确定所述障碍物以其纵向极限加速度刹车至静止时的纵向的运动距离。最后,对该障碍物刹车至静止时的纵向的运动距离和该偏置距离求和,以得到该障碍物的极限运动距离。
可选地,该障碍物的纵向极限运动距离可以通过以下公式(5)和公式(6)计算得到:
其中:dbias为偏置距离。
可选地,可以在确定障碍物的横向极限运动距离的过程中,增加该偏置距离,以修正障碍物的横向极限运动距离。和/或,可以在确定车辆的横向极限运动距离的过程中,增加该偏置距离,以修正车辆的横向极限运动距离。
以障碍物的纵向极限运动距离和/或障碍物的横向极限运动距离确定障碍物的风险区域的过程,可以与前述的以车辆的纵向极限运动距离和/或车辆的横向极限运动距离确定车辆的风险区域相同或相似;障碍物的指定点Do的选取可以与前述的车辆的指定点Dc的选取规则相同或相似,在此不做赘述。通过本说明书中方法确定出的障碍物的风险区域如图3b所示。
在确定出障碍物对应的风险区域和车辆对应的风险区域之后,即可根据步骤S108确定轨迹的风险。以车辆和障碍物各自对应的椭圆形区域作为风险区域,并根据车辆和障碍物各自对应的的风险区域的重叠面积Sintersect,确定轨迹的风险如图4a和图4b所示.
此外,在本说明书的可选的实施场景中,“障碍物”可以做广义理解。即,障碍物可以包括车辆上的传感器实际检测到的障碍物(即,位于传感器的探测范围内的障碍物),也可以包括被建筑物等遮挡的、能够对该车辆的行驶带来风险的障碍物(即,位于传感器的探测盲区内的障碍物)。
可以理解的是,当车辆处于路口等存在道路交叉的环境中时,由侧向行驶过来的障碍物将对车辆的轨迹的风险造成明显影响。并且,路口为闯红灯等违规行为的高发地带,车辆在该位置所面临的潜在的风险不容忽视。
然而,实际场景中很难保证路口等位置能够为车辆提供开阔的视野,如图5所示,若路口位置存在建筑物、广告牌的遮挡,将造成传感器的探测盲区,明显影响到车辆上的传感器对障碍物的检测能力。进而影响到对轨迹的风险确定的精度。
为将环境中被遮挡的障碍物作为确定轨迹风险的依据,在车辆到达第一指定位置(该第一指定位置至少包括路口、弯道中的至少一种)时,生成位于第二指定位置(该第二指定位置至少包括车辆上传感器的探测盲区)的虚拟障碍物。然后,将该虚拟障碍物作为所述车辆当前所处环境中的障碍物,并以该虚拟障碍物对应的风险区域,确定该虚拟障碍物能够为车辆带来的风险。
具体地,确定该虚拟障碍物对应的风险区域,可以包括:根据该虚拟障碍物对应的第二极限状态,确定该虚拟障碍物的极限运动距离;根据该虚拟障碍物的极限运动距离和预设的衰减系数,确定该虚拟障碍物对应的风险区域,所述衰减系数小于1。
在实际场景中,由于车辆无法获知第二指定的位置是否真正的存在有可能为该车辆带来风险的障碍物,若假设第二指定位置必然存在障碍物,难免会在追求高精度的轨迹风险确定的过程中,引入了可能与实际情况不符的确定依据,引起“矫枉过正”的现象。为避免此种情形,本说明书在确定虚拟障碍物对应的风险区域时,引入了小于1的衰减系数,使得本说明中的确定轨迹风险的过程,能够将第二指定位置可能存在的障碍物对轨迹风险的影响体现在风险确定的结果中;并且能够避免过于沉溺于虚拟障碍物可能带来的风险,进而避免风险确定的结果脱离实际。
进一步地,在实际的行驶环境中,往往难以保证环境中的各障碍物均能够做到以交通规则规范自身的行为。在障碍物做出违反交通规则的行为的情形下,碰撞等交通事故造成的风险是在所难免的。若在确定轨迹风险的过程中一味的追求降低轨迹的风险或者选择风险最低的轨迹行驶,而不顾及产生潜在的风险的原因,则会造成车辆对障碍物可能带来的影响“考虑的过多”,使得车辆在行驶过程中过于追求安全性,影响行驶的效率。
由此,本说明书中的确定轨迹风险的过程,在将车辆自身存在的风险图形化、以及将障碍物能够为车辆带来的风险图形化的同时,还能够将车辆行驶过程中产生潜在的风险的原因、以及该潜在的风险的责任归属图形化。在风险产生的原因以及风险的责任不在车辆时,车辆可以降低甚至忽略该风险,大胆地执行行驶的动作。
具体地,从车辆的角度,将该车辆行驶过程中产生潜在的风险的原因、以及该潜在的风险的责任归属图形化的过程可以为:
在根据车辆的纵向极限运动距离和车辆的横向极限运动距离,确定出车辆对应的椭圆形区域之后,以该椭圆形区域的短轴为分界线,确定所述椭圆形区域中覆盖所述车辆的车头的部分区域,作为所述车辆对应的风险区域。以现有的交通规则,在行驶过程中出现该车辆追尾障碍物的情况时,该车辆的责任较大,则应尽量避免出现车辆追尾的现象。同理,当障碍物追尾车辆时,障碍物的责任较大,而此种情形由于并非车辆引起的,可以一定程度的允许此种情形。在本说明书中,对于车辆尾部对应的部分椭圆形区域所表征的车辆的最低风险承担能力不做考虑,表明对于可能出现的车辆被追尾的情况,由于责任不在该车辆,则可以一定程度的容忍。避免车辆在行驶过程中过多的考虑后车。
此外,在本说明书中,如图6a和图6b所示,从障碍物的角度,将风险产生原因以及风险责任进行图形化的过程,可以根据该障碍物的运动方向加以区分:
如图6a所示,当该障碍物与该车辆同向运动时,根据该障碍物的极限运动距离,确定该障碍物对应的风险区域,具体可以包括:根据该障碍物的极限运动距离,确定该障碍物对应的椭圆形区域。以所述椭圆形区域的短轴为分界线,确定所述椭圆形区域中覆盖该障碍物的车尾的部分区域,作为该障碍物对应的风险区域。
即车辆与障碍物同向运动时,风险最大的情形为车辆追尾障碍物。此时车辆与障碍物的车头发生碰撞的概率较小,则可以在确定障碍物对应的风险区域时忽略障碍物的车头能够给车辆带来的风险。
如图6b所示,当该障碍物与所述车辆相向运动时,根据该障碍物的极限运动距离,确定该障碍物对应的风险区域,具体可以包括:根据该障碍物的极限运动距离,确定该障碍物对应的椭圆形区域;以所述椭圆形区域的短轴为分界线,确定所述椭圆形区域中覆盖该障碍物的车头的部分区域,作为该障碍物对应的风险区域。
车辆与障碍物相向运动时,风险最大的情形为车辆与障碍物正面碰撞。此时车辆与障碍物的尾部发生碰撞的概率较小,则可以在确定障碍物对应的风险区域时忽略障碍物的尾部能够给车辆带来的风险。
通过上述的对车辆和障碍物各自对应的椭圆形区域进行分割,得到车辆和障碍物各自对应的风险区域的过程,即可实现通过风险区域表征产生风险的原因、以及该风险的责任归属。则在确定轨迹的风险时,能够避免车辆为降低风险而牺牲行驶效率。
车辆在沿规划的轨迹行驶时,其周围的行驶环境以及环境中的障碍物的位置将随时间的延续发生一定程度的变化,很难保证在各个时刻,该车辆均能够与其周围的障碍物保持不变的相对位置关系。可以理解的是,对障碍物在距当前时刻较近的未来时刻的位置的预测的精度,高于对障碍物在距当前时刻较远的未来时刻的位置的预测的精度。然而,在本说明书中,车辆轨迹的规划需以预测的障碍物在未来时刻的位置为依据。
为提高距当前时刻较近的时刻的障碍物的预测位置(该预测位置的精度较高)在轨迹风险确定过程中发挥的作用,并且避免距当前时刻较远的时刻的障碍物的预测位置(该预测位置的精度较低)为轨迹风险的确定引入过多的误差,本说明在所述车辆沿规划轨迹运动时,根据所述车辆对应的风险区域与所述每个障碍物对应的风险区域的重叠面积,确定该规划轨迹的风险,具体可以包括:
针对未来的各时刻,预测所述车辆沿规划轨迹运动时,所述车辆在该时刻所处的位置;并且,预测每个障碍物在该时刻所处的位置。根据所述车辆在该时刻所处的位置和每个障碍物在该时刻所处的位置,确定在该时刻所述车辆对应的风险区域与每个障碍物对应的风险区域的重叠面积。根据该时刻的重叠面积和该时刻对应的预设风险权重,确定所述规划轨迹在该时刻的风险分量,所述风险权重与该时刻距当前时刻的时长负相关。根据所述规划轨迹在各时刻的风险分量,确定该轨迹的风险。
可选地,轨迹的风险的可以通过以下公式(7)至公式(9)计算:
其中:βi为第i时刻的风险权重;k为预设的系数,可以为经验系数;hn为预设时长中距当前时刻最远的时刻,该距当前时刻最远的时刻为第n时刻;hi为第i时刻;h0为当前时刻;Sintersect为第i时刻车辆对应的风险区域与各障碍物的对应的风险区域的重叠面积;Se为车辆对应的风险区域的面积;Mi为第i时刻的重叠面积与车辆对应的风险区域的比率;(βi·Mi)为第i时刻的风险分量;R为轨迹的风险。hn可以根据实际的需求进行调整。
本说明书提供的上述车辆轨迹的风险确定过程具体可应用于针对无人车的轨迹风险的确定。该无人车可以为无人配送车。该无人配送车可以应用于使用无人配送车进行配送的领域,如,使用无人配送车进行快递、外卖等配送的场景。具体的,在上述的场景中,可使用多个无人配送车所构成的自动驾驶车队进行配送。
基于同样的思路,本说明书实施例还提供了相应的车辆轨迹的风险确定装置如图7。
图7为本说明书实施例提供的一种车辆轨迹的风险确定装置的结构示意图,该装置可以包括:
车辆距离确定模块700,用于根据针对车辆预设的所述车辆处于最大风险时所述车辆对应的第一极限状态,确定所述车辆处于最大风险时的极限运动距离;
车辆区域确定模块702,用于根据所述极限运动距离,确定所述车辆对应的风险区域;
障碍物距离确定模块704,用于针对所述车辆当前所处环境中的每个障碍物,根据预设的该障碍物为所述车辆造成最大风险时该障碍物对应的第二极限状态,确定该障碍物的极限运动距离;
障碍物区域确定模块706,用于根据该障碍物的极限运动距离,确定该障碍物对应的风险区域;
风险确定模块708,用于根据所述车辆沿规划轨迹运动时,所述车辆对应的风险区域与所述每个障碍物对应的风险区域的重叠面积,确定该规划轨迹的风险。
其中,车辆距离确定模块700和车辆区域确定模块702电连接,障碍物距离确定模块704和障碍物区域确定模块706电连接,车辆区域确定模块702和障碍物区域确定模块706分别地与风险确定模块708电连接。
可选地,车辆距离确定模块700可以包括并联的:车辆纵向距离子模块7000和车辆横向距离子模块7002。
车辆纵向距离子模块7000用于根据所述车辆沿车道纵向的纵向极限速度,以及所述车辆的纵向极限加速度,确定所述车辆的纵向极限运动距离。
车辆横向距离子模块7002用于根据所述车辆沿车道横向的横向极限速度,以及所述车辆的横向极限加速度,确定所述车辆的横向极限运动距离。
则车辆区域确定模块702具体可以用于根据所述车辆的纵向极限运动距离、车辆的横向极限运动距离中的至少一种,确定所述车辆对应的风险区域。
可选地,车辆纵向距离子模块7000可以包括:车辆匀速纵向距离单元、车辆减速纵向距离单元和车辆纵向距离单元。车辆匀速纵向距离单元、车辆减速纵向距离单元分别地与车辆纵向距离单元电连接。
车辆匀速纵向距离单元用于确定所述车辆在所述反应时间内,以纵向极限速度匀速运动的纵向距离。
车辆减速纵向距离单元用于确定所述车辆以纵向极限加速度刹车至静止时,减速运动的纵向距离。
车辆纵向距离单元用于根据所述匀速运动的纵向距离和减速运动的纵向距离,确定所述车辆的纵向极限运动距离。
车辆横向距离子模块7002可以包括:车辆匀速横向距离单元、车辆减速横向距离单元和车辆横向距离单元。车辆匀速横向距离单元和车辆减速横向距离单元分别地与车辆横向距离单元电连接。
车辆匀速横向距离单元用于确定所述车辆在所述反应时间内,以横向极限速度横向匀速运动的横向距离。
车辆减速横向距离单元用于确定所述车辆以横向极限加速度横向减速至横向静止时,在横向上减速运动的横向距离。
车辆横向距离单元用于根据所述匀速运动的横向距离和减速运动的横向距离,确定所述车辆的横向极限运动距离。
可选地,车辆区域确定模块702可以包括电连接的车辆椭圆形区域子模块7020和车辆风险区域子模块7022。
车辆椭圆形区域子模块7020用于以所述车辆的纵向极限运动距离为长半轴、所述车辆的横向极限运动距离为短半轴,以所述车辆的预设指定点为椭圆中心,确定所述车辆对应的椭圆形区域。
车辆风险区域子模块7022用于根据所述车辆对应的椭圆形区域,确定所述车辆对应的风险区域。
可选地,车辆风险区域子模块7022具体用于以所述短轴为分界线,确定所述椭圆形区域中覆盖所述车辆的车头的部分区域,作为所述车辆对应的风险区域。
可选地,障碍物距离确定模块704可以包括串联的偏置距离子模块7040和障碍物距离子模块7042。
偏置距离子模块7040用于将所述减速运动的纵向距离,作为该障碍物的偏置距离。
障碍物距离子模块7042用于根据所述偏置距离和该障碍物对应的第二极限状态,确定该障碍物的极限运动距离。
可选地,障碍物区域确定模块706可以包括并联的同向模块7060和相向模块7062。
同向模块7060用于当该障碍物与所述车辆同向运动时,确定障碍物对应的风险区域。相向模块7062用于当该障碍物与所述车辆相向运动时,确定障碍物对应的风险区域。
同向模块7060可以包括串联的第一区域子模块和第一风险区域子模块。
第一区域子模块用于当该障碍物与所述车辆同向运动时,根据该障碍物的极限运动距离,以所述障碍物的预设指定点为椭圆中心,确定该障碍物对应的椭圆形区域。
第一风险区域子模块用于当该障碍物与所述车辆同向运动时,以该障碍物对应的椭圆形区域的短轴为分界线,确定该椭圆形区域中覆盖该障碍物的车尾的部分区域,作为该障碍物对应的风险区域。
相向模块7062可以包括串联的第二区域子模块和第二风险区域子模块。
第二区域子模块用于当该障碍物与所述车辆相向运动时,根据该障碍物的极限运动距离,以所述障碍物的预设指定点为椭圆中心,确定该障碍物对应的椭圆形区域。
第二风险区域子模块用于当该障碍物与所述车辆相向运动时,以该障碍物对应的椭圆形区域的短轴为分界线,确定该椭圆形区域中覆盖该障碍物的车头的部分区域,作为该障碍物对应的风险区域。
可选地,所述装置还可以包括虚拟障碍物确定模块710。虚拟障碍物确定模块710与障碍物距离确定模块704电连接。
虚拟障碍物确定模块710用于在车辆到达第一指定位置时,生成位于第二指定位置的虚拟障碍物。
所述障碍物距离确定模块704还可以包括虚拟障碍物距离子模块7044。所述虚拟障碍物距离子模块7044与障碍物距离子模块7042并联。
虚拟障碍物距离子模块7044可以包括串联的虚拟障碍物距离单元和衰减单元。
虚拟障碍物距离单元用于根据该虚拟障碍物对应的第二极限状态,确定该虚拟障碍物的极限运动距离。
衰减单元用于根据该虚拟障碍物的极限运动距离和预设的衰减系数,确定该虚拟障碍物衰减后的极限运动距离。使得障碍物区域确定模块706能够根据该虚拟障碍物衰减后的极限运动距离,确定该虚拟障碍物对应的风险区域。
可选地,风险确定模块708可以包括依次串联的位置子模块7080、重叠面积子模块7082、风险分量子模块7084和风险确定子模块7086。
位置子模块7080可以包括并联的车辆位置单元和障碍物位置单元。车辆位置单元用于针对未来的各时刻,预测所述车辆沿规划轨迹运动时,所述车辆在该时刻所处的位置。障碍物位置单元用于预测每个障碍物在该时刻所处的位置。
重叠面积子模块7082用于根据所述车辆和每个障碍物在该时刻所处的位置,确定在该时刻所述车辆对应的风险区域与各障碍物对应的风险区域的重叠面积。
风险分量子模块7084用于根据该时刻的重叠面积和该时刻对应的预设风险权重,确定所述规划轨迹在该时刻的风险分量,所述风险权重与该时刻距当前时刻的时长负相关。
风险确定子模块7086用于根据所述规划轨迹在各时刻的风险分量,确定该轨迹的风险。
本说明书实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的车辆轨迹的风险确定过程。
本说明书实施例还提出了图8所示的电子设备的示意结构图。如图8,在硬件层面,该电子设备可以包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的车辆轨迹的风险确定过程。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、MicrochipPIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备可以包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (14)
1.一种车辆轨迹的风险确定方法,其特征在于,所述方法包括:
根据针对车辆预设的所述车辆处于最大风险时所述车辆对应的第一极限状态,确定所述车辆处于最大风险时的极限运动距离;
根据所述极限运动距离,确定所述车辆对应的风险区域;
针对所述车辆当前所处环境中的每个障碍物,根据预设的该障碍物为所述车辆造成最大风险时该障碍物对应的第二极限状态,确定该障碍物的极限运动距离;
根据该障碍物的极限运动距离,确定该障碍物对应的风险区域;
根据所述车辆沿规划轨迹运动时,所述车辆对应的风险区域与所述每个障碍物对应的风险区域的重叠面积,确定该规划轨迹的风险;
其中,采用下述方式确定极限运动距离:
根据所述车辆沿车道纵向的纵向极限速度,以及所述车辆的纵向极限加速度,确定所述车辆的纵向极限运动距离;和/或,根据所述车辆沿车道横向的横向极限速度,以及所述车辆的横向极限加速度,确定所述车辆的横向极限运动距离。
2.如权利要求1所述的方法,其特征在于,所述极限状态包括:极限速度、极限加速度、所述车辆的反应时间中的至少一种。
3.如权利要求2所述的方法,其特征在于,根据所述极限运动距离,确定所述车辆对应的风险区域,具体包括:
根据所述车辆的纵向极限运动距离、车辆的横向极限运动距离中的至少一种,确定所述车辆对应的风险区域。
4.如权利要求3所述的方法,其特征在于,根据所述车辆沿车道纵向的纵向极限速度,以及所述车辆的纵向极限加速度,确定所述车辆的纵向极限运动距离,具体包括:
确定所述车辆在所述反应时间内,以纵向极限速度匀速运动的纵向距离;
确定所述车辆以纵向极限加速度刹车至静止时,减速运动的纵向距离;
根据所述匀速运动的纵向距离和减速运动的纵向距离,确定所述车辆的纵向极限运动距离;和/或,
根据所述车辆沿车道横向的横向极限速度,以及所述车辆的横向极限加速度,确定所述车辆的横向极限运动距离,具体包括:
确定所述车辆在所述反应时间内,以横向极限速度横向匀速运动的横向距离;确定所述车辆以横向极限加速度横向减速至横向静止时,在横向上减速运动的横向距离;根据所述匀速运动的横向距离和减速运动的横向距离,确定所述车辆的横向极限运动距离。
5.如权利要求3所述的方法,其特征在于,根据所述车辆的纵向极限运动距离和车辆的横向极限运动距离,确定所述车辆对应的风险区域,具体包括:
以所述车辆的纵向极限运动距离为长半轴、所述车辆的横向极限运动距离为短半轴,以所述车辆的预设指定点为椭圆中心,确定所述车辆对应的椭圆形区域;
根据所述车辆对应的椭圆形区域,确定所述车辆对应的风险区域。
6.如权利要求5所述的方法,其特征在于,根据所述车辆对应的椭圆形区域,确定所述车辆对应的风险区域,具体包括:
以短轴为分界线,确定所述椭圆形区域中覆盖所述车辆的车头的部分区域,作为所述车辆对应的风险区域。
7.如权利要求4所述的方法,其特征在于,根据预设的该障碍物为所述车辆造成最大风险时该障碍物对应的第二极限状态,确定该障碍物的极限运动距离,具体包括:
将所述减速运动的纵向距离,作为该障碍物的偏置距离;
根据所述偏置距离和该障碍物对应的第二极限状态,确定该障碍物的极限运动距离。
8.如权利要求2所述的方法,其特征在于,当该障碍物与所述车辆同向运动时,根据该障碍物的极限运动距离,确定该障碍物对应的风险区域,具体包括:
根据该障碍物的极限运动距离,以所述障碍物的预设指定点为椭圆中心,确定该障碍物对应的椭圆形区域;
以该障碍物对应的椭圆形区域的短轴为分界线,确定该椭圆形区域中覆盖该障碍物的车尾的部分区域,作为该障碍物对应的风险区域。
9.如权利要求2所述的方法,其特征在于,当该障碍物与所述车辆相向运动时,根据该障碍物的极限运动距离,确定该障碍物对应的风险区域,具体包括:
根据该障碍物的极限运动距离,以所述障碍物的预设指定点为椭圆中心,确定该障碍物对应的椭圆形区域;
以该障碍物对应的椭圆形区域的短轴为分界线,确定该椭圆形区域中覆盖该障碍物的车头的部分区域,作为该障碍物对应的风险区域。
10.如权利要求8或9所述的方法,其特征在于,所述车辆当前所处环境中的障碍物包括虚拟障碍物;所述虚拟障碍物是所述车辆到达第一指定位置时生成的;所述虚拟障碍物位于第二指定位置;
当该障碍物为虚拟障碍物时,确定该障碍物对应的风险区域,具体包括:
根据该虚拟障碍物对应的第二极限状态,确定该虚拟障碍物的极限运动距离;
根据该虚拟障碍物的极限运动距离和预设的衰减系数,确定该虚拟障碍物衰减后的极限运动距离;
根据该虚拟障碍物衰减后的极限运动距离,确定该虚拟障碍物对应的风险区域。
11.如权利要求1所述的方法,其特征在于,根据所述车辆沿规划轨迹运动时,所述车辆对应的风险区域与所述每个障碍物对应的风险区域的重叠面积,确定该规划轨迹的风险,具体包括:
针对未来的各时刻,预测所述车辆沿规划轨迹运动时,所述车辆在该时刻所处的位置;并且,预测每个障碍物在该时刻所处的位置;
根据所述车辆和每个障碍物在该时刻所处的位置,确定在该时刻所述车辆对应的风险区域与各障碍物对应的风险区域的重叠面积;
根据该时刻的重叠面积和该时刻对应的预设风险权重,确定所述规划轨迹在该时刻的风险分量,所述风险权重与该时刻距当前时刻的时长负相关;
根据所述规划轨迹在各时刻的风险分量,确定该轨迹的风险。
12.一种车辆轨迹的风险确定装置,其特征在于,所述装置包括:
车辆距离确定模块,用于根据针对车辆预设的所述车辆处于最大风险时所述车辆对应的第一极限状态,确定所述车辆处于最大风险时的极限运动距离;其中,采用下述方式确定极限运动距离:根据所述车辆沿车道纵向的纵向极限速度,以及所述车辆的纵向极限加速度,确定所述车辆的纵向极限运动距离;和/或,根据所述车辆沿车道横向的横向极限速度,以及所述车辆的横向极限加速度,确定所述车辆的横向极限运动距离;
车辆区域确定模块,用于根据所述极限运动距离,确定所述车辆对应的风险区域;
障碍物距离确定模块,用于针对所述车辆当前所处环境中的每个障碍物,根据预设的该障碍物为所述车辆造成最大风险时该障碍物对应的第二极限状态,确定该障碍物的极限运动距离;
障碍物区域确定模块,用于根据该障碍物的极限运动距离,确定该障碍物对应的风险区域;
风险确定模块,用于根据所述车辆沿规划轨迹运动时,所述车辆对应的风险区域与所述每个障碍物对应的风险区域的重叠面积,确定该规划轨迹的风险。
13.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-11任一所述的方法。
14.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-11任一所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911355415 | 2019-12-25 | ||
CN201911355415X | 2019-12-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111186437A CN111186437A (zh) | 2020-05-22 |
CN111186437B true CN111186437B (zh) | 2021-07-30 |
Family
ID=70703541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010015694.1A Active CN111186437B (zh) | 2019-12-25 | 2020-01-07 | 一种车辆轨迹的风险确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111186437B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113859251B (zh) * | 2021-10-29 | 2023-04-28 | 广州文远知行科技有限公司 | 涉及行驶盲区的车速规划方法、驾驶控制方法及相关设备 |
CN114030483B (zh) * | 2021-12-16 | 2024-06-07 | 阿波罗智联(北京)科技有限公司 | 车辆控制方法、装置、电子设备和介质 |
CN114148350B (zh) * | 2021-12-21 | 2024-07-23 | 北京三快在线科技有限公司 | 一种无人设备的控制方法及装置 |
CN114407883B (zh) * | 2022-01-11 | 2024-03-08 | 北京经纬恒润科技股份有限公司 | 障碍物方向角的融合方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109334661A (zh) * | 2018-09-06 | 2019-02-15 | 上海工程技术大学 | 基于速度障碍模型/碰撞概率密度模型的避障预判方法 |
CN109910878A (zh) * | 2019-03-21 | 2019-06-21 | 山东交通学院 | 基于轨迹规划的自动驾驶车辆避障控制方法及*** |
JP2019114030A (ja) * | 2017-12-22 | 2019-07-11 | 株式会社デンソー | 衝突判定装置 |
CN110352153A (zh) * | 2018-02-02 | 2019-10-18 | 辉达公司 | 自主车辆中用于障碍物躲避的安全程序分析 |
CN110461676A (zh) * | 2017-03-29 | 2019-11-15 | 三菱电机株式会社 | 控制车辆的横向运动的***和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6981837B2 (ja) * | 2017-10-05 | 2021-12-17 | トヨタ自動車株式会社 | 車両の運転支援制御装置 |
-
2020
- 2020-01-07 CN CN202010015694.1A patent/CN111186437B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110461676A (zh) * | 2017-03-29 | 2019-11-15 | 三菱电机株式会社 | 控制车辆的横向运动的***和方法 |
JP2019114030A (ja) * | 2017-12-22 | 2019-07-11 | 株式会社デンソー | 衝突判定装置 |
CN110352153A (zh) * | 2018-02-02 | 2019-10-18 | 辉达公司 | 自主车辆中用于障碍物躲避的安全程序分析 |
CN109334661A (zh) * | 2018-09-06 | 2019-02-15 | 上海工程技术大学 | 基于速度障碍模型/碰撞概率密度模型的避障预判方法 |
CN109910878A (zh) * | 2019-03-21 | 2019-06-21 | 山东交通学院 | 基于轨迹规划的自动驾驶车辆避障控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111186437A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111186437B (zh) | 一种车辆轨迹的风险确定方法及装置 | |
CN111427369B (zh) | 一种无人车控制方法及装置 | |
CN109739230B (zh) | 驾驶轨迹生成方法、装置及存储介质 | |
CN111619560A (zh) | 车辆控制方法及装置 | |
CN112799411B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN112987760B (zh) | 一种轨迹规划方法、装置、存储介质及电子设备 | |
US11789141B2 (en) | Omnidirectional sensor fusion system and method and vehicle including the same | |
CN111338360B (zh) | 一种规划车辆行驶状态的方法及装置 | |
CN113296541B (zh) | 一种基于未来碰撞风险的无人设备控制方法及装置 | |
CN111873989B (zh) | 车辆控制方法及装置 | |
US11167754B2 (en) | Systems and methods for trajectory based safekeeping of vehicles | |
US11072326B2 (en) | Systems and methods for trajectory based safekeeping of vehicles | |
CN111126362A (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN112987762B (zh) | 一种轨迹规划方法、装置、存储介质及电子设备 | |
CN115123262A (zh) | 自主驾驶的纵向加速度控制 | |
CN115107808A (zh) | 一种车辆行驶轨迹规划方法及设备 | |
CN112947495B (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
CN114167857B (zh) | 一种无人驾驶设备的控制方法及装置 | |
WO2023087157A1 (zh) | 一种智能驾驶方法及应用该方法的车辆 | |
CN114623824A (zh) | 一种确定障碍物速度的方法及装置 | |
CN114148350B (zh) | 一种无人设备的控制方法及装置 | |
CN117382593B (zh) | 一种基于激光点云过滤的车辆紧急制动方法和*** | |
US20240182028A1 (en) | Apparatus and method for responding to cut-in of a vehicle | |
CN114153202B (zh) | 一种无人设备的控制方法及控制装置 | |
CN113815651B (zh) | 一种无人设备控制方法、装置、设备及存储介质 |
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 |