CN111427369B - 一种无人车控制方法及装置 - Google Patents

一种无人车控制方法及装置 Download PDF

Info

Publication number
CN111427369B
CN111427369B CN202010509758.3A CN202010509758A CN111427369B CN 111427369 B CN111427369 B CN 111427369B CN 202010509758 A CN202010509758 A CN 202010509758A CN 111427369 B CN111427369 B CN 111427369B
Authority
CN
China
Prior art keywords
obstacle
risk
determining
distribution
coordinate
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
Application number
CN202010509758.3A
Other languages
English (en)
Other versions
CN111427369A (zh
Inventor
樊明宇
任冬淳
白钰
杨秋实
夏华夏
朱炎亮
李鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202010509758.3A priority Critical patent/CN111427369B/zh
Publication of CN111427369A publication Critical patent/CN111427369A/zh
Application granted granted Critical
Publication of CN111427369B publication Critical patent/CN111427369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书公开了一种无人车控制方法及装置，根据获取的环境信息，确定当前时刻各障碍物的位置，并根据历史时刻以及当前时刻的障碍物的位置，确定障碍物在未来指定时间段内的若干预测运动轨迹，之后针对每个障碍物，根据该障碍物的各预测运动轨迹，确定在指定时间段内各时刻，该障碍物在预测运动轨迹对应的风险分布，最后根据确定出的该指定时间段内的风险分布，确定总时空风险分布，以用于确定无人车的控制策略。由于不需要确定无人车的行驶轨迹，就可以确定障碍物的时空风险分布，因此并非基于碰撞确定风险分布的，而是基于客观事实来确定障碍物引起的客观存在的风险分布，使得基于风险分布可确定更加准确的控制策略。

Description

一种无人车控制方法及装置
技术领域
本申请涉及无人驾驶领域，尤其涉及一种无人车控制方法以及装置。
背景技术
目前，无人车控制方法中，通常会基于外界的障碍物与无人车的碰撞风险，确定无人车的控制策略。
现有技术中确定碰撞风险的方法，通常需要先预测障碍物的运动轨迹，之后通过判断无人车的运动轨迹是否与障碍物的运动轨迹交叉，来确定障碍物与无人车是否会出现碰撞，从而确定碰撞风险。也就是基于障碍物与无人车是否会发生碰撞的判断结果，确定障碍物对于无人车是否存在风险，因此现有技术中的碰撞风险通常描述的是障碍物与无人车之间的关系属性。
但是，现有技术的碰撞风险是基于预测的无人车以及障碍物运动轨迹确定的，也就是要求预先有对无人车轨迹的预测，因此现有技术基于碰撞风险确定的控制策略，实际上存在无人车预先规划轨迹所带来的影响，但最终无人车是否按照该轨迹行驶是不确定的。也就是说，无人车预先规划轨迹实际上也在碰撞风险中贡献了作用，而为无人车规划的轨迹并非客观事实，因此现有技术并非仅基于客观事实确定碰撞风险的。这就导致现有基于障碍物与无人车的碰撞风险，确定无人车的控制策略不够准确。
发明内容
本说明书实施例提供的一种无人车控制方法及装置，用于部分解决现有技术中存在的问题。
本说明书实施例采用下述技术方案：
本说明书提供的无人车控制方法，包括：
根据获取的无人车周围的环境信息，确定当前时刻各障碍物的位置，所述环境信息至少包括图像以及激光雷达信息；
将各障碍物历史时刻的位置以及当前时刻的位置作为输入，输入预先训练的轨迹预测模型，分别确定各障碍物在未来的指定时间段内的若干预测运动轨迹；
针对每个障碍物，根据确定出的该障碍物的若干预测运动轨迹以及预设的第一高斯分布参数，确定所述指定时间段内各时刻，该障碍物的各预测运动轨迹对应的风险分布；
根据确定出的所述指定时间段内各时刻的风险分布，确定总时空风险分布，并根据总时空风险分布，确定所述无人车的控制策略。
可选地，根据确定出的所述指定时间段内各时刻的风险分布，确定总时空风险分布，具体包括：
根据所述激光雷达信息，确定当前时刻各障碍物造成的激光雷达信息缺失的区域，作为当前时刻的遮挡区域，并确定各遮挡区域的边界；
根据确定出的各条边界的坐标，以及预设的第二高斯分布参数，确定当前时刻各边界对应的风险分布；
根据所述环境信息，确定所述无人车周围的交通标识，根据预设的交通标识对应的风险区域以及预设的风险概率，确定所述指定时间段内交通标识对应的风险分布；
根据所述环境信息，确定所述无人车周围的交通事件，根据预设的交通事件的对应的风险时刻以及第三高斯分布参数，确定在所述指定时间段内交通事件对应的风险分布；
根据确定出的所述指定时间内障碍物的各预测运动轨迹对应的风险分布、交通标识对应的风险分布、交通事件对应的风险分布以及当前时刻各边界对应的风险分布，确定总时空风险分布。
可选地，根据确定出的该障碍物的若干预测运动轨迹以及预设的第一高斯分布参数，确定所述指定时间段内各时刻，该障碍物的各预测运动轨迹对应的风险分布，具体包括：
根据所述若干预测运动轨迹，确定在所述指定时间段中的各时刻该障碍物在各坐标出现的概率，作为该障碍物的时空占用概率分布，其中，在所述指定时间段的任一时刻该障碍物在各坐标出现的概率是归一化的；
根据确定出的该障碍物的时空占用概率分布以及预设的所述第一高斯分布参数，确定所述指定时间段内各时刻该障碍物在各坐标的风险分布，其中，针对每个坐标，该障碍物在该坐标出现的概率越高，该障碍物导致的该坐标出现风险的概率越高。
可选地，根据确定出的该障碍物的时空占用概率分布以及预设的所述第一高斯分布参数，确定所述指定时间段内各时刻该障碍物在各坐标的风险分布，具体包括：
针对所述指定时间段内的每个时刻，根据该障碍物的若干预测运动轨迹，确定该时刻该障碍物在各坐标的速度以及朝向；
针对该时刻中的每个坐标，根据该障碍物在该坐标出现的概率、该障碍物在该坐标的速度以及朝向，基于所述第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布。
可选地，根据该障碍物在该坐标出现的概率、该障碍物在该坐标的速度以及朝向，基于所述第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布，具体包括：
根据该障碍物在该坐标的速度，判断该障碍物在该时刻是否为静止障碍物；
若是，则基于所述第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布，所述风险分布为以该坐标为中心的等轴二维高斯分布；
若否，则根据该障碍物在该坐标的朝向，确定不等轴二维高斯分布的长轴方向，根据该障碍物在该坐标的速度，确定不等轴二维高斯分布的长轴长度，根据该障碍物的尺寸，确定不等轴二维高斯分布的短轴长度，基于所述第一高斯分布参数、确定出的短轴以及确定出的长轴，确定以该坐标为中心的不等轴二维高斯分布，作为该障碍物在该时刻该坐标的风险分布，其中，所述速度越大所述长轴越长，所述尺寸越大所述短轴越长。
可选地，所述方法还包括：
当该障碍物不是静止障碍物时，根据障碍物在该坐标的朝向，将以该坐标为中心确定的不等轴二维高斯分布中所述朝向一侧的高斯分布，作为该障碍物在该时刻该坐标的风险分布。
可选地，根据所述环境信息，确定所述无人车周围的交通标识，根据预设的交通标识对应的风险区域以及预设的风险概率，确定所述指定时间段内交通标识对应的风险分布，具体包括：
根据所述环境信息，确定所述无人车周围的各交通标识的坐标以及交通标识；
针对每个交通标识，根据预设的交通标识对应的风险区域的形状、尺寸、相对位置以及该交通标识的坐标，确定该交通标识对应的风险区域，所述交通标识包括交通标志以及交通标线。
可选地，根据预设的交通事件的对应的风险时刻以及第三高斯分布参数，确定在所述指定时间段内交通事件对应的风险分布，具体包括：
根据所述环境信息，确定当前时刻发生的交通事件以及发生的坐标；
根据预设的各交通事件与风险时刻的对应关系，确定所述当前时刻发生的交通事件的风险时刻；
根据历史上确定出的其他交通事件的风险时刻、所述其他交通事件发生的坐标、所述当前时刻发生的交通事件的风险时刻、所述当前时刻发生的交通事件的坐标以及第三高斯分布参数，确定在所述指定时间段内各交通事件对应的风险分布。
本说明书提供的无人车控制装置，包括：
障碍物确定模块，根据获取的无人车周围的环境信息，确定当前时刻各障碍物的位置，所述环境信息至少包括图像以及激光雷达信息；
轨迹预测模块，将各障碍物历史时刻的位置以及当前时刻的位置作为输入，输入预先训练的轨迹预测模型，分别确定各障碍物在未来的指定时间段内的若干预测运动轨迹；
障碍物风险确定模块，针对每个障碍物，根据确定出的该障碍物的若干预测运动轨迹以及预设的第一高斯分布参数，确定所述指定时间段内各时刻，该障碍物的各预测运动轨迹对应的风险分布；
控制策略模块，根据确定出的所述指定时间段内各时刻的风险分布，确定总时空风险分布，并根据总时空风险分布，确定所述无人车的控制策略。
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任一所述的方法。
本说明书提供的无人车，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任一所述的方法。
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：
根据获取的环境信息，确定当前时刻各障碍物的位置，并根据历史时刻以及当前时刻的障碍物的位置，确定障碍物在未来指定时间段内的若干预测运动轨迹，之后针对每个障碍物，根据该障碍物的各预测运动轨迹，确定在指定时间段内各时刻，该障碍物在预测运动轨迹对应的风险分布，最后根据确定出的该指定时间段内的风险分布，确定总时空风险分布，以用于确定无人车的控制策略。由于不需要确定无人车的行驶轨迹，就可以确定障碍物的时空风险分布，因此本说明提供的方法并非基于碰撞确定风险的，而是基于客观事实来确定当前时刻周围环境中障碍物客观存在的风险。通过确定障碍物的时空占用概率，确定障碍物带来的风险在时空上的分布，使得后续确定无人车控制策略时更加准确客观，即，从行驶安全方面只需要考虑总时空风险分布即可。可见，本说明书提供的方法，由于确定的风险分布更准确，内容更丰富因此可以优化确定控制策略的准确性，提高确定控制策略的效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的无人车控制流程示意图；
图2为本说明书实施例提供的无人车采集环境信息的示意图；
图3为本说明书实施例提供的预测运动轨迹的示意图；
图4为本说明书实施例提供的预测运动轨迹概率示意图；
图5a~5d为本说明书实施例提供的风险分布示意图；
图6为本说明书实施例提供的遮挡边界的示意图；
图7为本说明书实施例提供的边界引起的风险分布示意图；
图8为本说明书实施例提供的移动障碍物的风险分布示意图；
图9和图10为本说明书实施例提供的无人车控制装置的结构示意图；
图11为本说明书实施例提供的实现无人车控制方法的无人车示意图。
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申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的无人车控制流程示意图，包括：
S100：根据获取的无人车周围的环境信息，确定当前时刻各障碍物的位置，所述环境信息至少包括图像以及激光雷达信息。
目前无人驾驶领域中，无人车的控制主要是根据感知到的环境信息，确定无人车控制策略。同理在本说明书中，在控制无人车的过程中可以获取该无人车周围的环境信息，其中，该环境信息至少可包括图像以及激光雷达信息。
在本说明书中，可由无人车或者服务器执行该无人车控制过程，前者可在该无人车本地完成对无人车自身的控制，后者则可由无人车获取环境信息后，发送至服务器确定控制策略，再返回该无人车，由无人车根据控制策略行驶，本说明书对于具体在那一侧（无人车侧还是服务器侧）执行该过程不作限定，可根据需要具体设置。例如，为了减少无人车执行控制过程消耗无人车的资源，可由服务器执行，为了避免网络传输数据带来的不稳定因此，可由无人车执行。
为了方便描述，本说明书后续以该无人车执行该控制过程为例进行说明，具体可由该无人车上的处理设备执行控制过程，例如，无人车上的行车电脑或者专门用于确定控制策略的设备等。
具体的，该无人车可通过在无人车上设置的传感器，采集该无人车周围的环境信息。由于本说明书中该环境信息至少包括图像以及激光雷达信息，因此该无人能车上设置的传感器至少可包括图像传感器以及激光雷达，其中，激光雷达信息具体可以是激光雷达采集的激光点云信息。之后，该无人车可根据获取的环境信息，确定该无人车周围的障碍物的位置。由于目前根据图像或者激光点云信息或者两者的结合，确定障碍物的位置已经有多种成熟的方案，因此对于具体如何确定障碍物的位置本说明书不做限制。该位置具体可以是世界坐标系下的坐标。或者以无人车为原点的，无人车坐标系下的坐标，对于后续步骤不会产生影响。
并且，图像传感器以及激光雷达采集方向可以是该无人车的四周，或者该无人车前进方向，本说明书对此不做限制，如图2所示。图2为本说明书提供的无人车采集环境信息的示意图，其中，虚线扇形表示激光雷达信息的采集范围，实线扇形表示图像采集范围，可见两种环境信息采集范围的不同，当然后续由于是根据采集的环境信息来确定无人车的控制策略的，因此采集的环境信息范围的不同可能会影响确定的控制策略。
另外，本说明书中对于无人车周围对应的具体范围不做限制，例如，该无人车可以将以无人车为中心，预设半径内的环境信息，作为无人车周围的环境信息，如图2中填充斜线的圆所圈定的范围。其中预设半径的长度可根据需要，例如20m、50m、100m。
当然，由于通过本说明书提供的方法，无人车可确定未来指定时间段内的控制策略，因此也可根据该无人车的移动速度以及指定时间段的时长，确定无人车在该指定时间段内可能达到的最大行驶距离，并以此作为预设半径，确定该预设半径内的环境信息。
S102：将各障碍物历史时刻的位置以及当前时刻的位置作为输入，输入预先训练的轨迹预测模型，分别确定各障碍物在未来的指定时间段内的若干预测运动轨迹。
由于无人车在行驶时周围环境的风险是由障碍物本身带来的，也就是风险是一种客观存在，因此只要障碍物还存在那么就会带来风险，而并非仅当与无人车的行驶轨迹与障碍物的行驶轨迹交汇时才会产生风险。于是在本说明书中，基于贝叶斯理论无人车可根据预测出的障碍物行驶轨迹，通过后续步骤确定障碍物带来的时空风险分布。简单理解为：障碍物在指定时间段的不同时刻在各位置出现的概率，对无人车周围范围内各坐标带来的风险。于是，首先无人车可确定障碍物子指定时间段内的预设运动轨迹。
具体的，针对在步骤S100中确定出的每个障碍物，该无人车可先确定当前时刻之前的各历史时刻该障碍物的位置，之后将当前时刻以及历史时刻确定出的各障碍物位置作为输入，输入预先训练的轨迹预测模型，得到该轨迹预测模型输出的各障碍物在未来的指定时间段内的若干预测运动轨迹。
其中，针对每个障碍物，该无人车获取的当前时刻以及历史时刻该障碍物位置，可用于确定该障碍物的历史运动轨迹，因此只要是根据历史运动轨迹，对障碍物未来运动轨迹进行预测的模型均可用于在步骤S102中确定预测运动轨迹。
需要说明的是，当前时刻和历史时刻可以是有单位时间间隔的时间点，其中单位时间可以为1s，1ms等等，可根据需要设置。例如，无人车按照1s为间隔获取环境信息。
另外，由于通常轨迹预测模型输出的预测运动轨迹并非绝对准确的，在现实场景中也可能由于意外或者特例，出现障碍物的实际运动轨迹与预测运动轨迹不匹配的情况，因此在本说明书中该轨迹预测模型可输出多个预测运动轨迹。当然，本说明书对于具体的轨迹预测模型是何种形式的不做限定，只要是可以输出多条预测运动轨迹的轨迹预测模型便可应用在本说明书步骤S102中。
进一步地，当模型输出多条预测运动轨迹时，通常还可输出每个预测运动轨迹的置信度。其中，置信度用于表征障碍物沿预测运动轨迹行驶的概率，通常预测运动轨迹的置信度越高，障碍物在指定时间段内沿该预测运动轨迹行驶的概率越高。当然，本说明书中所述的置信度，在不同的模型也可称为评价值等不同的称呼。若模型只输出多条预测运动轨迹，则可认为各预测运动轨迹的置信度相同。
更进一步地，在本说明书中若模型根据输入历史运动轨迹，只能输出一条预测运动轨迹，则该无人车还可对模型中的模型参数添加干扰，以使模型在输入不变的情况下，输出不完全相同的若干预测运动轨迹。其中，对那些模型参数添加干扰可以随机选择，干扰的模型参数的数量也可随机设置。当然，为了尽量减少干扰对模型预测结果准确度的影响，干扰的模型参数的数量可以小于预设值，对模型参数添加的干扰可以不大于原模型参数的预设比例。例如，假设预设比例为5%，某个模型参数为10，则增加干扰后的模型参数取值范围为9.5~10.5，无人车在该取值范围内随机选择一个数值作为模型参数。
在本说明书中，该轨迹预测模型既可以是针对每个障碍物，根据该障碍物的历史运动轨迹，确定该障碍物的预测运动轨迹，也可以是根据各障碍物的历史运动轨迹，分别输出各障碍物的预测运动轨迹。
在本说明书提供的一个实施例中，该轨迹预测预测模型可以是基于星状网络结构的预测模型，也就是该轨迹预测模型可由两个分支网络构成的神经网络模型。其中，分支网络分别为中心分支网络以及边缘分支网络。中心分支网络用于根据输入的所有障碍物的历史运动轨迹，确定各障碍物的全局交互向量。该全局交互向量可视为是共享数据，后续通过边缘分支网络，根据不同的障碍物的历史运动轨迹以及该全局交互向量，确定不同障碍物的预测运动轨迹。
图3为本说明书提供的无人车确定出的障碍物的预测运动轨迹的示意图，其中，三角形、圆形和方形分别表示不同的障碍物当前时刻的位置，斜线填充的图形表示地面的交通标线，粗线表示道路边界。从各表示障碍物的图形上延伸出的不同形式的虚线以及实线，分别表示不同无人车确定的各预测运动轨迹，例如，从三角形表示的无人车延伸出的3条实线表示该无人能车的3条预测运动轨迹。
S104：针对每个障碍物，根据确定出的该障碍物的若干预测运动轨迹以及预设的第一高斯分布参数，确定所述指定时间段内各时刻，该障碍物的各预测运动轨迹对应的风险分布。
在本说明书中，无人车在确定出各障碍物分别对应的各预测运动轨迹后，便可针对每个障碍物，确定由该障碍物在指定时间段内的时空占用概率，也就是障碍物在不同时刻不同位置出现的概率，之后根据时空占用概率确定服从高斯分布的风险分布，也就是该障碍物带来的该指定时间段内的风险分布，即，预测运动轨迹对应的时空风险分布。
首先针对每个障碍物，该无人车可根据该障碍物的各预测运动轨迹，确定在该指定时间段中的各时刻该障碍物在各坐标出现的概率，作为该障碍物的时空占用概率分布。
具体的，时空占用概率分布可用公式
Figure 221218DEST_PATH_IMAGE001
表示，其中，t表示指定时间段 内的时刻t，
Figure 76042DEST_PATH_IMAGE002
表示障碍物在p点处，则
Figure 793462DEST_PATH_IMAGE003
表示t时刻障碍物在p点出现，
Figure 126354DEST_PATH_IMAGE001
表示t时刻障碍物在p点出现的概率，该概率值范围假设为[μ，1]，μ为预设常 数，且大于0小于1，表示背景风险，也可理解为障碍物能够引起的最低风险。指定时间段的 时长可根据需要设置，例如10s，1min等等，本说明书不做限制，而该指定时间段内的各时 刻，与步骤S100中所述的一致，可以是该指定时间段内以单位时间间隔确定若干时间点，例 如，单位时间为1s，指定时间段为10s，则指定时间段中的各时刻包括当前时刻后的第1s、第 2s、第3s……第10s。
由于预测运动轨迹有置信度或者评价预测准确程度的评价值，因此可根据该置信度确定障碍物沿不同预测运动轨迹行驶的概率，也就是障碍物在不同轨迹出现的概率。具体可根据各预测运动轨迹的置信度进行归一化，确定该障碍物沿不同预测运动轨迹行驶的概率。
如图4所示，其中，斜线填充的图形表示地面的交通标线，粗线表示道路边界。假设对于障碍物即图4中的四角星图形，步骤S102确定其有预测运动轨迹3条，沿这3条预测运动估计行驶的概率分别为25%、30%以及45%，其中三角形、圆形、方形以及菱形，分别为在该指定时间段内不同时刻，该障碍物在不同预测轨迹上的位置。其中，可见在指定时间段的任一时刻该障碍物在各坐标出现的概率是归一化的。
之后，该无人车可根据确定出的该障碍物的时空占用概率分布以及预设的所述第一高斯分布参数，确定指定时间段内各时刻该障碍物在各坐标的风险分布。其中，针对每个坐标，该障碍物在该坐标出现的概率越高，该障碍物导致的该坐标出现风险的概率越高。
具体的，可根据公式
Figure 940727DEST_PATH_IMAGE004
确定风险分布，该公式 表示障碍物在t时刻p’点出现时引起的p点的风险分布，并且该分布服从高斯分布，μ=p’表 示风险分布的中心是p’点，
Figure 205267DEST_PATH_IMAGE005
为协方差矩阵，
Figure 472300DEST_PATH_IMAGE006
为第一高斯分布参 数，数值越大风险分布的范围越大，具体可根据需要设置。当然，第一高斯分布参数可以是 经过归一化处理的，因此分布范围越大，也会导致障碍物引起的风险分布概率的最大值降 低。后续若不做特别说明，第一至第三高斯分布参数均可为经过归一化处理的。
图5a为本说明书实施例提供的风险分布示意图，图5a展示的是一个坐标对应的风险分布，也就是：
Figure 608883DEST_PATH_IMAGE004
公式对应的风 险分布，中心点为p’点。
图5b为本说明书实施例提供的风险分布示意图，图5b中从上到下显示了顺序的3个时刻分别对应的风险分布，将3个时刻的风险分布组合，便为时空风险分布。其中，由于不同的预测运动轨迹的置信度不同，因此带来的风险的概率（即二维高斯分布的峰高）不完全一致。
另外，该无人车可针对指定时间段内的每个时刻，根据该障碍物的若干预测运动轨迹，确定该时刻该障碍物在各坐标的速度以及朝向。再针对该时刻中的每个坐标，根据该障碍物在该坐标出现的概率、该障碍物在该坐标的速度以及朝向，基于第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布。
具体的，可根据公式：
Figure 277762DEST_PATH_IMAGE007
表示，其中，
Figure 208809DEST_PATH_IMAGE008
表示沿速度方向的不等轴二维高斯分布，
Figure 900822DEST_PATH_IMAGE009
表示在t时刻不等轴二维高斯分布的中心在p’点，risk表示与速度正相关的风 险函数，可用公式
Figure 637833DEST_PATH_IMAGE010
表示，含义为障碍物在t时刻p’位置的速度V相关的函 数。
其中，对于不在任一预测运动轨迹上的坐标，其占用概率
Figure 597437DEST_PATH_IMAGE001
为最小值 μ，速度以及朝向为零。而对于该时刻预测运动轨迹对应的坐标，障碍物在该坐标该时刻的 速度和朝向可根据预测运动轨迹确定。例如，根据与该时刻相邻的其他时刻该无人车沿该 预测运动轨迹移动的距离，以及时刻的间隔时长，确定障碍物的移动速度。朝向则可以该坐 标该预测运动轨迹的切线方向确定。当然，若步骤S102的轨迹预测模型直接可以输出速度 以及朝向，则在步骤S104可以直接使用模型输出的速度的以及朝向。
进一步地，由于障碍物的移动速度越快，该障碍物引起的风险越高，风险所能波及的范围越广泛。并且，风险的波及也与该障碍物的朝向有关系，因此该无人车可以确定向障碍物朝向方向的服从高斯分布的风险分布。
图5c和图5d为本说明书实施例提供的风险分布示意图，图5c展示的是一个坐标按照速度以及朝向确定的不等轴二维高斯风险分布，深色箭头表示障碍物在该p’点的速度朝向，深色箭头越长表示速度越大，类似的填充斜线的箭头表示障碍物的尺寸对应的短轴长度，填充斜线的箭头越长表示障碍物尺寸越大，图5d展示的是不同时刻对应的风险分布朝向以及范围不完全相同，虚线为预测运动轨迹。
更进一步地，由于根据预测的障碍物的预测运动轨迹，也可将障碍物细分为静止障碍物以及运动障碍物，因此在确定各障碍物时空风险分布时，无人车也可先判断障碍物是否为静止障碍物，并通过上述两种方式中的至少一种，确定时空风险分布。
具体的，无人车可根据各预测移动轨迹，针对在该指定时段内的每个时刻，确定该 时刻各预测移动轨迹对应的坐标，针对确定出的每个坐标，根据该障碍物在该坐标的速度， 判断该障碍物在该时刻是否为静止障碍物，若是，则基于所述第一高斯分布参数，确定该障 碍物在该时刻该坐标的风险分布，所述风险分布为以该坐标为中心的等轴二维高斯分布， 即公式
Figure 27281DEST_PATH_IMAGE004
表示的风险分 布，对于静止障碍物来说，其预测运动轨迹为一个固定的点，即，p’。
若否，则根据障碍物在该坐标的朝向，确定不等轴二维高斯分布的长轴方向，根据障碍物在该坐标的速度，确定不等轴二维高斯分布的长轴长度，根据该障碍物的尺寸，确定不等轴二维高斯分布的短轴长度，基于所述第一高斯分布参数、确定出的短轴以及确定出的长轴，确定以该坐标为中心的不等轴二维高斯分布，作为该障碍物在该时刻该坐标的风险分布，其中，速度越大长轴越长，尺寸越大短轴越长，即，公式：
Figure 206590DEST_PATH_IMAGE007
表示的风险分布。通过不等轴高斯分布表示不同时刻移动障碍物所在坐标对应的风险分 布，也就是说对于无人车周围的任一坐标，当障碍物在该坐标出现的概率越高，且在该坐标 的速度越快时，在该坐标该障碍物朝向上的风险分布概率越高。其中，静止障碍物由于在指 定时间段内不会移动，因此确定出的风险分布在任一时刻，风险分布的中心可以用
Figure 481713DEST_PATH_IMAGE011
表示，而不同时刻移动障碍物所在位置可能不同，因此风险分布的中心用
Figure 436769DEST_PATH_IMAGE009
表示。
在本说明书中，该无人车综合各障碍物的时空风险分布，可用公式
Figure 771935DEST_PATH_IMAGE012
表示t时刻所有可能的障碍物 p’给p点的风险带来的累积作用之和。
S106：根据确定出的所述指定时间段内各时刻的风险分布，确定总时空风险分布，并根据总时空风险分布，确定所述无人车的控制策略。
在本说明书中，当针对每个障碍物确定出该障碍物的时空风险分布后，该无人车可以根据当前时刻无人车周围所有障碍物的时空风险分布，进行时空风险分布的叠加，并确定总时空风险分布，最后根据总时空风险分布确定无人车的控制策略。
另外，在本说明书中该无人车根据该总时空风险分布，可确定无人车行驶的策略、规划以及控制，在本说明书中你统称为控制策略。其中，策略是指无人车行驶的策略，例如是要加速还是减速还是变线避障，规划可视为根据策略确定具体的路径规划，控制为根据确定出的策略以及规划，结合无人车的硬件（如，底盘结构、动力***等），确定的具体输出控制信号。
基于图1所示的无人车控制方法，根据获取的环境信息，确定当前时刻各障碍物的位置，并根据历史时刻以及当前时刻的障碍物的位置，确定障碍物在未来指定时间段内的若干预测运动轨迹，之后针对每个障碍物，根据该障碍物的各预测运动轨迹，确定在指定时间段内各时刻，该障碍物在预测运动轨迹对应的风险分布，最后根据确定出的该指定时间段内的风险分布，确定总时空风险分布，以用于确定无人车的控制策略。由于不需要确定无人车的行驶轨迹，就可以确定障碍物的时空风险分布，因此本说明提供的方法并非基于碰撞确定风险的，而是基于客观事实来确定当前时刻周围环境中障碍物客观存在的风险。通过确定障碍物的时空占用概率，确定障碍物带来的风险在时空上的分布，使得后续确定无人车控制策略时更加准确客观，即，从行驶安全方面只需要考虑总时空风险分布即可。可见，本说明书提供的方法，由于确定的风险分布更准确，内容更丰富因此可以优化确定控制策略的准确性，提高确定控制策略的效率。
另外，在本说明书提供一个或多个实施例中，该无人车在确定总时空风险分布时，还可以参考无人车周围环境中的其他能够引起风险的因素。具体可包括：由障碍物的遮挡引起的风险的风险分布、由交通标识引起的风险的风险分布以及由交通事件引起的风险的风险分布。
具体的，在步骤S106中，该无人车还可执行以下步骤：
S1061：根据所述激光雷达信息，确定当前时刻各障碍物造成的激光雷达信息缺失的区域，作为当前时刻的遮挡区域，并确定各遮挡区域的边界。
在本说明书中，由于无人车获取的环境信息依赖于自身的传感器，如步骤S100中所述图像以及激光雷达信息，这些信息通常都是利用波的传播特性获取的，并且所基于的波均非长波，因此从原理上来说容易被遮挡。例如，图像传感器不能绕过遮挡物，获取并显示遮挡物后方的信息，激光雷达发射的激光，也难以返回遮挡物后方的信息，目前无人车领域较为常见的毫米波雷达（用于测距）也不能返回遮挡物后方的信息。于是，由于不能确定遮挡区域中是否存在风险，因此可认为遮挡区域的边界是会带来风险的，可确定遮挡区域的边界对应的时空风险分布。
具体的，无人车可根据获取的激光雷达信息，确定当前时刻各障碍物造成的激光雷达信息缺失的区域，作为当前时刻的遮挡区域，并确定各遮挡区域的边界，并确定边界对应的坐标。图6为本说明书实施例提供的遮挡边界的示意图，图6为激光点云信息组成的图像示意图，其中，中心的车辆为无人车，周围的车辆为障碍物，以曲线以及圆形表示无人车的激光雷达能够接收到的激光信号，没有曲线的区域为障碍物造成的激光雷达信息缺失的区域，粗线表示确定出的遮挡区域的边界。
并且，由于激光雷达能够探测的范围有限，而本申请步骤S100中也表示了，无人车可以获取周围预设范围内的环境信息（包含激光雷达信息），因此该遮挡区域的边界通常是由图6中的粗线所示的边界，以及预设范围的边界组成的。但是，预测范围的边界是预先限制的，因此是不客观存在风险的区域，于是在本说明书中，仅将由障碍物遮挡导致的遮挡区域的边界，作为可能引起风险的边界，确定其风险分布。
该无人车具体可在确定出各遮挡区域的边界后，确定每条边界对应的坐标，以便后续确定每条边界带来的风险分布。
另外，在本说明书中，由于对于运动障碍物来说，遮挡区域可能随着障碍物移动而变化，因此在指定时间段内不同时刻遮挡区域可能不完全一致，也就是说遮挡区域会出现变化，而遮挡区域的边界也会随之变化。于是，在本说明书中，无人车可根据步骤S102确定出的各障碍物的各预测运动轨迹，确定指定时间段内不同时刻的遮挡区域的边界，以及遮挡区域的边界存在的概率，并确定各时刻的遮挡区域的边界，本说明书后续再对此进行详细描述。或者，为了简化计算该无人车也可仅确定当前时刻的遮挡区域的边界。
S1062：根据确定出的各条边界的坐标，以及预设的第二高斯分布参数，确定当前时刻各边界对应的风险分布。
在本说明书中，无人车在确定出各遮挡区域的边界后，便可根据各条边界的坐标以及预设的第二高斯分布参数，确定各条边界的坐标在当前时刻对应的风险分布。
具体的，由于当前时刻遮挡区域的边界实际存在的，因此没有概率分布，于是可采 用公式
Figure 438540DEST_PATH_IMAGE013
，表示t时刻p’点是遮挡区域的边界，
Figure 455037DEST_PATH_IMAGE014
表示t时刻p’ 点不是遮挡区域的边界，来对步骤S106中确定的遮挡区域的边界的各坐标，以无人车周围 区域的其他非边界的坐标进行定义。
之后，采用公式
Figure 953015DEST_PATH_IMAGE015
，来表示遮挡区域的 边界引起的风险分布，其中，
Figure 662345DEST_PATH_IMAGE016
为第二高斯参数，数值越大风险分布的范围越大，
Figure 612983DEST_PATH_IMAGE017
为预 设的风险概率，具体可根据需要设置。在本说明书中风险概率越高，则说明风险越大。例如，
Figure 931707DEST_PATH_IMAGE017
大于1则，说明遮挡区域的边界引起的风险要大于静止障碍物引起的风险。
参考步骤S104中静态障碍物带来的风险分布的公式
Figure 284191DEST_PATH_IMAGE004
，可见边界上各坐标与 静止障碍物引起的风险分布在形式上是类似的，区别在于静止障碍物的风险概率在公式中 为1，当然也是预设的数值。在边界引起的风险分布中，风险概率 QUOTE
Figure 164422DEST_PATH_IMAGE018
Figure 602357DEST_PATH_IMAGE018
既可以等于1 也可不等于1，同理，
Figure 960657DEST_PATH_IMAGE016
既可以等于
Figure 433227DEST_PATH_IMAGE006
也可不等于
Figure 484359DEST_PATH_IMAGE006
。若风险概率和高斯参数都相同，则 表示边界上每个坐标都可以视为是一个静止障碍物，其带来的风险分布与静止障碍物等 同。
基于图6所示的遮挡区域的边界示意图，本说明书还提供图7所示的边界引起的风险分布示意图，左侧车辆为无人车，右侧车辆为障碍物，粗线为确定出的边界，可见边界对应的风险分布类似于两个“山梁”，形成了一个高风险分布的“墙”，可使无人车后续步骤减少选择通过边界的控制策略。
S1063：根据所述环境信息，确定所述无人车周围的交通标识，根据预设的交通标识对应的风险区域以及预设的风险概率，确定所述指定时间段内交通标识对应的风险分布。
在本说明书中，由于交通环境通常较为复杂，除了障碍物和障碍物遮挡会引起风险以外，交通标识和交通事件也可引起风险，例如交通标识为限速标识、前方有学校的标识等，会引起交通参与者行为的变化从而导致风险，同样的交通事件也会导致风险。
为了同样基于贝叶斯理论，给出交通标识以及交通事件引起的时空风险分布，使得多种因素引起的时空风险分布可以融合为统一的风险分布，用于后续确定无人车控制策略，在本说明书中无人车可根据环境信息，确定周围的交通标识，根据预设的交通标识对应的风险区域以及预设的风险概率，确定指定时间段内交通标识对应的风险分布。
具体的，根据所述环境信息，确定所述无人车周围的各交通标识的坐标以及交通标识。
在本说明书中，该无人车可以先识别交通标识，再确定交通标识的坐标。由于目前识别交通标识已经是较为成熟的技术，因此对于如何通过图像识别出交通标识以及识别出交通标识的类型，本说明书不再赘述，只要能够识别出图像中那部分是交通标识，以及交通标识的坐标即可。
其中，需要说明的是确定的交通标识的坐标，可以是根据图像以及激光雷达信息共同确定的，也就是图像识别出交通标识的特征点，与激光点云信息进行匹配，确定交通标识的特征点对应的坐标，作为交通标识的坐标。
当然，若一个交通标识对应多个特征点，则可将多个特征点对应的坐标的中心点坐标，作为交通标识的坐标。并且，特征点对应的坐标以及该交通标识坐标，均可不包含高度维度的坐标，也就是地面上的二维坐标。
然后，根据预设的交通标识对应的风险区域的形状、尺寸、相对位置以及该交通标识的坐标，确定该交通标识对应的风险区域。其中，不同类型的交通标识对应的风险区域的形状、尺寸以及与交通标识的坐标的相对位置不完全相同。交通标识包括交通标志以及交通标线。
在本说明书中，不同交通标识对应的风险区域可以是预先确定。由于通常看到减速标志驾驶员会减慢速度，而车辆的速度变化容易导致事故，是会引起风险的，因此在该交通标识前后路段就是该交通标识对应的风险区域。而例如斑马线，表示行人拥有优先通过权，机动车辆需要减速让行，因此斑马线本身及其前方的路段就是该交通标线对应的风险区域。
当然，由于不同的交通标识与风险区域的相对位置关系可能不同，因此本说明书中交通标识对应的风险区域中，既包括了风险区域的形状和尺寸，也包含了风险区域与交通标识的坐标的相对位置关系。
另外，在本说明书中，可采用公式
Figure 409590DEST_PATH_IMAGE019
表示交通 标识引起的风险分布，其中，风险概率在固定区域内可以定义为0~1之间常数值，即公式中 的α。Zone即表示风险区域对应的坐标，也就是说当p坐标位于风险区域内时，该坐标的风险 为α。只有风险区域内的风险分布为固定值，而非风险区域内风险分布为0。
S1064：根据所述环境信息，确定所述无人车周围的交通事件，根据预设的交通事件的对应的风险时刻以及第三高斯分布参数，确定在所述指定时间段内交通事件对应的风险分布。
在本说明书中，基于标准GB/T 28789-2012视频交通检测器中的定义，交通事件为道路上发生的，影响车辆通行及交通安全的异常交通状况及行为，主要指停止事件、逆行事件、行人事件、抛洒物事件、拥堵事件、机动车驶离事件等典型交通事件种类。可见各种类型的交通事件也是引起风险的因素之一，因此在本说明书中还可对交通事件引起的风险分布进行考虑，
具体的，交通事件发生后有可能会立刻引起风险，或者也可延时一段时间后再引起风险，例如，侧边停车事件发生后，驾驶员可能需要一段时间再开门下车，而开门下车这一动作可能引起风险，或者在抛洒物事件中，当前车辆抛洒物品后，会立刻引起后方的风险。由于不同的交通事件引起风险的时间点不同，因此无人车可根据当前时刻获取的环境信息，确定周围的交通事件后，可根据预设的交通事件的对应的风险时刻以及第三高斯分布参数，确定在指定时间段内交通事件对应的风险分布。
具体的，在本说明书中，该无人车可先根据当前时刻获取的环境信息，确定当前时刻发生的交通事件以及发生的坐标。其中，确定当前时刻发生的交通事件时，相当于确定了该交通事件是何种类型的交通事件。在本说明书中，交通事件的类型具体包含哪些可以根据需要设置，本说明书不做限制，并且可以根据需要进行细分。例如，将侧边停车，倒库停车等停止事件进行细分。
其次，针对确定出的每个交通事件，根据预设的各交通事件与风险时刻的对应关系，确定该当前时刻发生的该交通事件的风险时刻。在本说明书中，该对应关系中的风险时刻，具体可以根据大数据挖掘出的不同类型交通事件与其引起风险的风险时刻的数据，通过统计计算确定的。
例如，对于侧边停车事件可以通过大数据挖掘，通过交通监控视频采集海量的侧边停车事件，以及确定停车时间与司乘人员开门下车的时间的时差，通过统计计算确定停车到开门时间的统计值（如平均时长），根据该平均时长，确定侧边停车事件对应的风险时刻。同理，也可通过统计其他类型的交通事件对应的风险时刻，确定各交通事件与风险时刻的对应关系。
然后，无人车可根据历史上确定出的其他交通事件的风险时刻、该其他交通事件发生的坐标、该当前时刻发生的交通事件的风险时刻、该当前时刻发生的交通事件的坐标以及第三高斯分布参数，确定在该指定时间段内各交通事件对应的风险分布。
也就是说，若历史时刻也确定出了若干交通事件对应的时空风险分布，则在当前时刻确定该指定时间段内交通事件对应的风险分布时，也要考虑历史时刻中各交通事件的时空风险分布。
具体的，无人车针对当前时刻确定出的每个交通事件可根据公式，
Figure 87694DEST_PATH_IMAGE020
确定该交 通事件对应的时空风险分布，其中
Figure 149191DEST_PATH_IMAGE021
为预设风险概率，
Figure 371225DEST_PATH_IMAGE022
为第三高斯参数，
Figure 783752DEST_PATH_IMAGE023
为风险 时刻，e为交通事件发生的坐标，其他时刻该交通事件带来的风险分布为0。结合历史时刻确 定出的交通事件的时空风险分布，以及当前时刻确定出的各交通事件的时空风险分布，确 定总的交通事件带来的时空风险分布。
S1065：根据确定出的所述指定时间内障碍物的各预测运动轨迹对应的风险分布、交通标识对应的风险分布、交通事件对应的风险分布以及当前时刻各边界对应的风险分布，确定总时空风险分布。
最后，无人车可根据前述步骤确定出的指定时间内各类风险分布，确定总时空风 险分布，并根据总时空风险分布，确定所述无人车的控制策略。具体的，利用公式表示为：
Figure 749434DEST_PATH_IMAGE024
。
当然，无人车也可通过加权求和的方式确定总时空风险分布，加权值可根据需要设置。当然，由于风险是客观因素引起的，在各步骤确定不同客观因素的风险分布时已经考虑到了其引起的风险的大小和范围，因此直接进行风险分布叠加即可。
需要说明的是，在本说明书中所述的障碍物的预测运动轨迹对应的风险分布、边界对应的风险分布、交通标识对应的风险分布、交通事件对应的风险分布，均可理解为客观因素引起的风险的分布概率。该风险分布既包含了风险概率的高低，也包含了客观因素引起的风险的分布范围。
另外，在本说明书中该无人车根据该总时空风险分布，可确定无人车行驶的策略、规划以及控制，在本说明书中你统称为控制策略。其中，策略是指无人车行驶的策略，例如是要加速还是减速还是变线避障，规划可视为根据策略确定具体的路径规划，控制为根据确定出的策略以及规划，结合无人车的硬件（如，底盘结构、动力***等），确定的具体输出控制信号。
基于上述步骤 S1061~ S1065所示的无人车控制方法，无人车根据获取的环境信息，确定当前时刻各障碍物的位置，并根据历史时刻以及当前时刻的障碍物的位置，确定障碍物在未来指定时间段内的若干预测运动轨迹，之后针对每个障碍物，根据该障碍物的各预测运动轨迹，确定在指定时间段内各时刻，该障碍物在预测运动轨迹对应的风险分布，根据激光雷达信息确定当前时刻遮挡区域的边界，并确定当前时刻各边界对应的风险分布，根据环境信息分别确定该指定时间段内，交通标识在各时刻对应的风险分布以及交通事件在各时刻对应的风险分布，最后根据确定出的该指定时间段内的各类风险分布，确定总时空风险分布，以用于确定无人车的控制策略。由于不需要确定无人车的行驶轨迹，就可以确定障碍物的时空风险分布，因此本说明提供的方法并非基于碰撞确定风险的，而是基于客观事实来确定当前时刻周围环境客观存在的风险。通过确定障碍物的时空占用概率，确定障碍物带来的风险在时空上的分布，并且采用同样思路，确定影响行驶安全性的其他客观因素带来的风险在时空上的分布，一方面时空风险分布，更有利于确定一段时间内无人车控制策略，另一方面由于各影响行驶安全性的因素都统一以总时空风险分布来体现，使得后续确定无人车控制策略时更加简单，即，从行驶安全方面只需要考虑总时空风险分布即可。可见，本说明书提供的方法，由于确定的风险分布更准确，内容更丰富因此可以优化确定控制策略的准确性，提高确定控制策略的效率。
另外，在步骤S104确定指定时间段内各时刻，障碍物的各预测运动轨迹对应的风险分布时，对于预测运动轨迹未经过的坐标可以不额外计算风险分布，或按照预设的背景风险确定风险分布。其中，预设的背景风险分布其分布范围也可以是符合二维高斯分布的，并且最大风险概率通常是远小于前文所述的各种客观因素对应的最大风险概率，具体可根据需要设置，本申请不做限制。
进一步地，由于在车行驶时，车辆对该车行驶方向的后方不构成风险，因此风险分布仅存在于行驶方向的前方（即车辆朝向方向），在车辆的正后方不存在风险，故采用在长轴方向截断了的高斯分布来描述移动障碍物在预测运动轨迹上各坐标对应的风险分布，如图8所示。
更进一步地，在本说明书中对于移动障碍物，为了避免由于risk函数导致风险分布中的“峰高”变化，导致相同占用概率的位置上由于速度不同导致最大风险上产生差异，一般要求风险risk函数的选择满足在某时刻t时候，
Figure 931016DEST_PATH_IMAGE026
，其中一种选择是
Figure 58372DEST_PATH_IMAGE028
。
需要说明的是，静止障碍物的风险分布公式可以为
Figure 958195DEST_PATH_IMAGE029
，当
Figure 960524DEST_PATH_IMAGE030
时就 是步骤S104中的静止障碍物的风险分布公式。
另外，在本说明书步骤S1061中，当无人车需要确定该指定时间段内各时刻，遮挡区域的边界对应的风险分布时，可以针对每个障碍物，根据预测的该障碍物的各预测运动轨迹，确定各时刻该障碍物在各位置出现的概率，并针对每个位置，确定该障碍物在该位置出现时，由该障碍物遮挡导致的遮挡区域，根据该障碍物在该位置出现的概率，确定该障碍物遮挡导致的遮挡区域的边界对应的风险分布。
进一步地，在步骤S1063中，由于交通标识通常是固定的，因此不会随时间变化，因此确定当前时刻的交通标识的风险分布，相当于确定了指定时间段内的交通标识的风险分布，从而确定交通标识的时空风险分布。
更进一步地，在步骤S1064中，由于风险时刻可以是通过统计计算确定，因此也可确定各类型事件对应的风险时刻分布。例如，通过统计计算确定停车到开门时间的统计分布，并作为该侧边停车事件对应的风险时刻分布。
另外，在本说明书中该无人车可为用于无人配送，本说明书提供的上述控制方法具体可应用于使用无人车进行配送的领域中，当无人车进行配送时，通过该控制方法，确定周围环境信息，根据环境信息确定各种客观因素引起的总时空风险分布，并基于总时空风险分布，对确定无人车的控制策略。具体可用于如，使用无人车进行快递、外卖等配送的场景中。
进一步地，在本说明书中，并不限制该无人车控制过程的主体，有移动功能的机器人在移动过程中，也可通过执行该无人车控制过程确定控制策略，或者具有无人驾驶功能的车辆，在实现无人驾驶功能时，也可通过执行该无人车控制过程进行运动状态的规划，或者，智能车辆在控制车辆运动状态时，也可通过该过程进行运动状态的规划，例如，利用车辆在使用自适应巡航控制（Adaptive Cruise Control，ACC）功能时，通过该运动状态规划过程控制车辆的运动状态，等等。也就是说，本说明书提供的无人车运动状态规划过程为：对自身运动状态可自主控制的设备，如何对运动状态进行规划的过程。因此，在本说明书中执行该运动状态规划过程的主体，既可以是无人车、也可以是机器人、智能车辆或者具有无人假设功能的车辆等，本说明书对此不做限制。
基于图1所示的无人车控制过程，本说明书实施例还对应提供无人车控制装置的结构示意图，如图9所示。
图9为本说明书实施例提供的无人车控制装置的结构示意图，所述装置包括：
障碍物确定模块200，根据获取的无人车周围的环境信息，确定当前时刻各障碍物的位置，所述环境信息至少包括图像以及激光雷达信息；
轨迹预测模块202，将各障碍物历史时刻的位置以及当前时刻的位置作为输入，输入预先训练的轨迹预测模型，分别确定各障碍物在未来的指定时间段内的若干预测运动轨迹；
障碍物风险确定模块204，针对每个障碍物，根据确定出的该障碍物的若干预测运动轨迹以及预设的第一高斯分布参数，确定所述指定时间段内各时刻，该障碍物的各预测运动轨迹对应的风险分布；
控制策略模块206，根据确定出的所述指定时间段内各时刻的风险分布，确定总时空风险分布，并根据总时空风险分布，确定所述无人车的控制策略。
可选地，所述控制策略模块206，可由遮挡信息确定子模块2061，遮挡风险确定子模块2062，标识风险确定子模块2063，事件风险确定子模块2064，综合控制策略子模块2065组成，如图10所示。
其中，所述遮挡信息确定子模块2061，根据所述激光雷达信息，确定当前时刻各障碍物造成的激光雷达信息缺失的区域，作为当前时刻的遮挡区域，并确定各遮挡区域的边界；
所述遮挡风险确定子模块2062，根据确定出的各条边界的坐标，以及预设的第二高斯分布参数，确定当前时刻各边界对应的风险分布；
所述标识风险确定子模块2063，根据所述环境信息，确定所述无人车周围的交通标识，根据预设的交通标识对应的风险区域以及预设的风险概率，确定所述指定时间段内交通标识对应的风险分布；
所述事件风险确定子模块2064，根据所述环境信息，确定所述无人车周围的交通事件，根据预设的交通事件的对应的风险时刻以及第三高斯分布参数，确定在所述指定时间段内该交通事件对应的风险分布；
所述综合控制策略子模块2065，根据确定出的所述指定时间内障碍物的各预测运动轨迹对应的风险分布、交通标识对应的风险分布、交通事件对应的风险分布以及当前时刻各边界对应的风险分布，确定总时空风险分布。
可选地，所述障碍物风险确定模块204，根据所述若干预测运动轨迹，确定在所述指定时间段中的各时刻该障碍物在各坐标出现的概率，作为该障碍物的时空占用概率分布，其中，在所述指定时间段的任一时刻该障碍物在各坐标出现的概率是归一化的，根据确定出的该障碍物的时空占用概率分布以及预设的所述第一高斯分布参数，确定所述指定时间段内各时刻该障碍物在各坐标的风险分布，其中，针对每个坐标，该障碍物在该坐标出现的概率越高，该障碍物导致的该坐标出现风险的概率越高。
可选地，所述障碍物风险确定模块204，针对所述指定时间段内的每个时刻，根据该障碍物的若干预测运动轨迹，确定该时刻该障碍物在各坐标的速度以及朝向，针对该时刻中的每个坐标，根据该障碍物在该坐标出现的概率、该障碍物在该坐标的速度以及朝向，基于所述第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布。
可选地，所述障碍物风险确定模块204，根据该障碍物在该坐标的速度，判断该障碍物在该时刻是否为静止障碍物，若是，则基于所述第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布，所述风险分布为以该坐标为中心的等轴二维高斯分布，若否，则根据该障碍物在该坐标的朝向，确定不等轴二维高斯分布的长轴方向，根据该障碍物在该坐标的速度，确定不等轴二维高斯分布的长轴长度，根据该障碍物的尺寸，确定不等轴二维高斯分布的短轴长度，基于所述第一高斯分布参数、确定出的短轴以及确定出的长轴，确定以该坐标为中心的不等轴二维高斯分布，作为该障碍物在该时刻该坐标的风险分布，其中，所述速度越大所述长轴越长，所述尺寸越大所述短轴越长。
可选地，所述障碍物风险确定模块204，当该障碍物不是静止障碍物时，根据障碍物在该坐标的朝向，将以该坐标为中心确定的不等轴二维高斯分布中所述朝向一侧的高斯分布，作为该障碍物在该时刻该坐标的风险分布。
可选地，所述标识风险确定子模块2063，根据所述环境信息，确定所述无人车周围的各交通标识的坐标以及交通标识，针对每个交通标识，根据预设的交通标识对应的风险区域的形状、尺寸、相对位置以及该交通标识的坐标，确定该交通标识对应的风险区域，其中，不同类型的交通标识对应的风险区域的形状、尺寸以及与交通标识的坐标的相对位置不完全相同，所述交通标识包括交通标志以及交通标线。
可选地，所述事件风险确定子模块2064，根据所述环境信息，确定当前时刻发生的交通事件以及发生的坐标，根据预设的各交通事件与风险时刻的对应关系，确定所述当前时刻发生的交通事件的风险时刻，根据历史上确定出的其他交通事件的风险时刻、所述其他交通事件发生的坐标、所述当前时刻发生的交通事件的风险时刻、所述当前时刻发生的交通事件的坐标以及第三高斯分布参数，确定在所述指定时间段内各交通事件对应的风险分布。
本说明书实施例还提供了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无人车控制方法中的任一个。
基于图1提供的无人车控制过程，本说明书实施例还提出了图11所示的无人车的示意结构图。如图11，在硬件层面，该无人车包括处理器、内部总线、网络接口、内存以及非易失性存储器，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，以实现上述无人车控制方法中的任一个。当然，该无人车中还可包括实现无人车其他功能所需要的硬件。例如，无人车移动所需的移动装置、进行通信所需的通信装置、采集周围环境信息的电子设备等等。
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 Specific Integrated 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：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 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 (11)

1.一种无人车控制方法，其特征在于，包括：
根据获取的无人车周围的环境信息，确定当前时刻各障碍物的位置，所述环境信息至少包括图像以及激光雷达信息；
将各障碍物历史时刻的位置以及当前时刻的位置作为输入，输入预先训练的轨迹预测模型，分别确定各障碍物在未来的指定时间段内的若干预测运动轨迹；
针对每个障碍物，根据确定出的该障碍物的若干预测运动轨迹以及预设的第一高斯分布参数，确定所述指定时间段内各时刻，该障碍物的各预测运动轨迹对应的风险分布，其中，所述指定时间段的任一时刻该障碍物在各坐标出现的概率是归一化的；
根据确定出的所述指定时间段内各时刻的风险分布，确定总时空风险分布，并根据总时空风险分布，确定所述无人车的控制策略，其中，所述指定时间段内各时刻的风险分布还包括当前时刻各边界对应的风险分布，所述各边界对应的风险分布采用以下方法确定：
根据所述激光雷达信息，确定当前时刻各障碍物造成的激光雷达信息缺失的区域，作为当前时刻的遮挡区域，并确定各遮挡区域的边界；
根据确定出的各条边界的坐标，以及预设的第二高斯分布参数，确定当前时刻各边界对应的风险分布。
2.如权利要求1所述的方法，其特征在于，根据确定出的所述指定时间段内各时刻的风险分布，确定总时空风险分布，具体包括：
根据所述环境信息，确定所述无人车周围的交通标识，根据预设的交通标识对应的风险区域以及预设的风险概率，确定所述指定时间段内交通标识对应的风险分布；
根据所述环境信息，确定所述无人车周围的交通事件，根据预设的交通事件的对应的风险时刻以及第三高斯分布参数，确定在所述指定时间段内交通事件对应的风险分布；
根据确定出的所述指定时间内障碍物的各预测运动轨迹对应的风险分布、边界对应的风险分布、交通标识对应的风险分布以及交通事件对应的风险分布，确定总时空风险分布。
3.如权利要求1所述的方法，其特征在于，根据确定出的该障碍物的若干预测运动轨迹以及预设的第一高斯分布参数，确定所述指定时间段内各时刻，该障碍物在各预测运动轨迹对应的风险分布，具体包括：
根据所述若干预测运动轨迹，确定在所述指定时间段中的各时刻该障碍物在各坐标出现的概率，作为该障碍物的时空占用概率分布，其中，在所述指定时间段的任一时刻该障碍物在各坐标出现的概率是归一化的；
根据确定出的该障碍物的时空占用概率分布以及预设的所述第一高斯分布参数，确定所述指定时间段内各时刻该障碍物在各坐标的风险分布，其中，针对每个坐标，该障碍物在该坐标出现的概率越高，该障碍物导致的该坐标出现风险的概率越高。
4.如权利要求3所述的方法，其特征在于，根据确定出的该障碍物的时空占用概率分布以及预设的所述第一高斯分布参数，确定所述指定时间段内各时刻该障碍物在各坐标的风险分布，具体包括：
针对所述指定时间段内的每个时刻，根据该障碍物的若干预测运动轨迹，确定该时刻该障碍物在各坐标的速度以及朝向；
针对该时刻中的每个坐标，根据该障碍物在该坐标出现的概率、该障碍物在该坐标的速度以及朝向，基于所述第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布。
5.如权利要求4所述的方法，其特征在于，根据该障碍物在该坐标出现的概率、该障碍物在该坐标的速度以及朝向，基于所述第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布，具体包括：
根据该障碍物在该坐标的速度，判断该障碍物在该时刻是否为静止障碍物；
若是，则基于所述第一高斯分布参数，确定该障碍物在该时刻该坐标的风险分布，所述风险分布为以该坐标为中心的等轴二维高斯分布；
若否，则根据该障碍物在该坐标的朝向，确定不等轴二维高斯分布的长轴方向，根据该障碍物在该坐标的速度，确定不等轴二维高斯分布的长轴长度，根据该障碍物的尺寸，确定不等轴二维高斯分布的短轴长度，基于所述第一高斯分布参数、确定出的短轴以及确定出的长轴，确定以该坐标为中心的不等轴二维高斯分布，作为该障碍物在该时刻该坐标的风险分布，其中，所述速度越大所述长轴越长，所述尺寸越大所述短轴越长。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
当该障碍物不是静止障碍物时，根据障碍物在该坐标的朝向，将以该坐标为中心确定的不等轴二维高斯分布中所述朝向一侧的高斯分布，作为该障碍物在该时刻该坐标的风险分布。
7.如权利要求2所述的方法，其特征在于，根据所述环境信息，确定所述无人车周围的交通标识，根据预设的交通标识对应的风险区域以及预设的风险概率，确定所述指定时间段内交通标识对应的风险分布，具体包括：
根据所述环境信息，确定所述无人车周围的各交通标识的坐标以及交通标识；
针对每个交通标识，根据预设的交通标识对应的风险区域的形状、尺寸、相对位置以及该交通标识的坐标，确定该交通标识对应的风险区域，所述交通标识包括交通标志以及交通标线。
8.如权利要求2所述的方法，其特征在于，根据预设的交通事件的对应的风险时刻以及第三高斯分布参数，确定在所述指定时间段内交通事件对应的风险分布，具体包括：
根据所述环境信息，确定当前时刻发生的交通事件以及发生的坐标；
根据预设的各交通事件与风险时刻的对应关系，确定所述当前时刻发生的交通事件的风险时刻；
根据历史上确定出的其他交通事件的风险时刻、所述其他交通事件发生的坐标、所述当前时刻发生的交通事件的风险时刻、所述当前时刻发生的交通事件的坐标以及第三高斯分布参数，确定在所述指定时间段内各交通事件对应的风险分布。
9.一种无人车控制装置，其特征在于，包括：
障碍物确定模块，根据获取的无人车周围的环境信息，确定当前时刻各障碍物的位置，所述环境信息至少包括图像以及激光雷达信息；
轨迹预测模块，将各障碍物历史时刻的位置以及当前时刻的位置作为输入，输入预先训练的轨迹预测模型，分别确定各障碍物在未来的指定时间段内的若干预测运动轨迹；
障碍物风险确定模块，针对每个障碍物，根据确定出的该障碍物的若干预测运动轨迹以及预设的第一高斯分布参数，确定所述指定时间段内各时刻，该障碍物在各预测运动轨迹对应的风险分布，其中，所述指定时间段的任一时刻该障碍物在各坐标出现的概率是归一化的；
控制策略模块，根据确定出的所述指定时间段内各时刻的风险分布，确定总时空风险分布，并根据总时空风险分布，确定所述无人车的控制策略，其中，所述指定时间段内各时刻的风险分布还包括当前时刻各边界对应的风险分布，所述各边界对应的风险分布采用以下方法确定：根据所述激光雷达信息，确定当前时刻各障碍物造成的激光雷达信息缺失的区域，作为当前时刻的遮挡区域，并确定各遮挡区域的边界，根据确定出的各条边界的坐标，以及预设的第二高斯分布参数，确定当前时刻各边界对应的风险分布。
10.一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1-8任一所述的方法。
11.一种无人车，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1-8任一所述的方法。
CN202010509758.3A 2020-06-08 2020-06-08 一种无人车控制方法及装置 Active CN111427369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010509758.3A CN111427369B (zh) 2020-06-08 2020-06-08 一种无人车控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010509758.3A CN111427369B (zh) 2020-06-08 2020-06-08 一种无人车控制方法及装置

Publications (2)

Publication Number Publication Date
CN111427369A CN111427369A (zh) 2020-07-17
CN111427369B true CN111427369B (zh) 2020-11-03

Family

ID=71559075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010509758.3A Active CN111427369B (zh) 2020-06-08 2020-06-08 一种无人车控制方法及装置

Country Status (1)

Country Link
CN (1) CN111427369B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114076603B (zh) * 2020-08-18 2024-04-16 财团法人车辆研究测试中心 轨迹决定方法
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
CN112462368B (zh) * 2020-11-25 2022-07-12 中国第一汽车股份有限公司 一种障碍物检测方法、装置、车辆及存储介质
CN112327888B (zh) * 2021-01-07 2021-03-30 中智行科技有限公司 路径规划方法、装置、电子设备和存储介质
CN112799411B (zh) * 2021-04-12 2021-07-30 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及装置
CN113156947B (zh) * 2021-04-14 2024-03-08 武汉理工大学 一种船舶在动态环境下的路径规划的方法
CN113110479A (zh) * 2021-04-27 2021-07-13 北京三快在线科技有限公司 一种控制移动载具的方法及装置
CN112987760B (zh) * 2021-05-10 2021-09-07 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备
CN115246416B (zh) * 2021-05-13 2023-09-26 上海仙途智能科技有限公司 轨迹预测方法、装置、设备及计算机可读存储介质
CN113313182B (zh) * 2021-06-07 2023-10-17 北博（厦门）智能科技有限公司 一种基于雷达和视频融合的目标识别方法及终端
CN113359763A (zh) * 2021-07-05 2021-09-07 广州蓝胖子移动科技有限公司 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质
CN113296541B (zh) * 2021-07-27 2021-11-30 北京三快在线科技有限公司 一种基于未来碰撞风险的无人设备控制方法及装置
CN114115240B (zh) * 2021-11-04 2024-02-27 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
CN114153207B (zh) * 2021-11-29 2024-02-27 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
CN114512006B (zh) * 2022-04-18 2022-08-23 深圳市城市交通规划设计研究中心股份有限公司 一种路面抛洒物预警方法、装置和存储介质
CN115534939B (zh) * 2022-12-06 2023-04-14 广汽埃安新能源汽车股份有限公司 车辆控制方法、装置、电子设备和计算机可读介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103558856A (zh) * 2013-11-21 2014-02-05 东南大学 动态环境下服务动机器人导航方法
JP6622148B2 (ja) * 2016-06-17 2019-12-18 日立オートモティブシステムズ株式会社 周辺環境認識装置
US10324469B2 (en) * 2017-03-28 2019-06-18 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling motion of vehicle in shared environment
CN109249930B (zh) * 2018-08-10 2021-08-31 重庆大数据研究院有限公司 一种智能车碰撞安全预测方法
CN109334661B (zh) * 2018-09-06 2020-05-29 上海工程技术大学 基于速度障碍模型和碰撞概率密度模型的避障预判方法
CN110989636B (zh) * 2020-02-26 2020-08-07 北京三快在线科技有限公司 一种障碍物的轨迹预测方法及装置

Also Published As

Publication number Publication date
CN111427369A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111427369B (zh) 一种无人车控制方法及装置
CN111619560B (zh) 车辆控制方法及装置
CN113071520B (zh) 车辆行驶控制方法及装置
US20200180615A1 (en) Method, apparatus, device and readable storage medium for preventing vehicle collision
CN113296541B (zh) 一种基于未来碰撞风险的无人设备控制方法及装置
CN109969172A (zh) 车辆控制方法、设备及计算机存储介质
CN111873989B (zh) 车辆控制方法及装置
US11415992B2 (en) Resource prioritization based on travel path relevance
CN112799411B (zh) 一种无人驾驶设备的控制方法及装置
CN112631276A (zh) 一种无人车动态障碍决策方法、***、介质及设备
CN111338360B (zh) 一种规划车辆行驶状态的方法及装置
CN113341941B (zh) 一种无人驾驶设备的控制方法及装置
US11960292B2 (en) Method and system for developing autonomous vehicle training simulations
CN115292435B (zh) 高精地图的更新方法和装置、电子设备和存储介质
WO2021051959A1 (zh) 车辆控制的方法、装置、控制器和智能汽车
CN113968243A (zh) 一种障碍物轨迹预测方法、装置、设备及存储介质
CN112947495B (zh) 模型训练的方法、无人驾驶设备的控制方法以及装置
CN114475656A (zh) 行驶轨迹预测方法、装置、电子设备以及存储介质
CN113074748A (zh) 一种无人驾驶设备的路径规划方法及装置
CN116394892A (zh) 车辆的横向制动方法、装置、设备及存储介质
WO2022088658A1 (zh) 一种行人穿行意图估计方法、装置、设备和汽车
CN114590250A (zh) 一种无人设备的控制方法及装置
CN114019971A (zh) 一种无人设备控制方法、装置、存储介质及电子设备
CN117382593B (zh) 一种基于激光点云过滤的车辆紧急制动方法和***
Honer et al. Motion state classification for automotive lidar based on evidential grid maps and transferable belief model

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