CN111469841B - 一种弯道目标选择方法、车载设备和存储介质 - Google Patents

一种弯道目标选择方法、车载设备和存储介质 Download PDF

Info

Publication number
CN111469841B
CN111469841B CN202010331967.3A CN202010331967A CN111469841B CN 111469841 B CN111469841 B CN 111469841B CN 202010331967 A CN202010331967 A CN 202010331967A CN 111469841 B CN111469841 B CN 111469841B
Authority
CN
China
Prior art keywords
vehicle
distance
target
driving vehicle
intelligent driving
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
CN202010331967.3A
Other languages
English (en)
Other versions
CN111469841A (zh
Inventor
刘洋
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.)
Uisee Shanghai Automotive Technologies Ltd
Original Assignee
Uisee Shanghai Automotive Technologies 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 Uisee Shanghai Automotive Technologies Ltd filed Critical Uisee Shanghai Automotive Technologies Ltd
Priority to CN202010331967.3A priority Critical patent/CN111469841B/zh
Publication of CN111469841A publication Critical patent/CN111469841A/zh
Application granted granted Critical
Publication of CN111469841B publication Critical patent/CN111469841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
    • 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
    • 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
    • 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
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • 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
    • B60W2520/12—Lateral speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (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

本公开实施例涉及一种弯道目标选择方法、车载设备和存储介质，应用于行驶在弯道中的智能驾驶车辆，所述方法包括：获取智能驾驶车辆的第一运动信息和目标选择区段，其中目标选择区段包括上限值和下限值；获取候选目标车辆的第二运动信息；基于第一运动信息确定智能驾驶车辆的转弯半径；基于第二运动信息和转弯半径，确定候选目标车辆与转弯半径的起始点之间的距离；基于所述距离和目标选择区段，确定目标车辆。本公开实施例中，通过确定候选目标车辆与智能驾驶车辆转弯半径起始点之间的距离，从而确定目标车辆，适配于各种类型的传感器和传感器组合，降低由于不同传感器性能表现各异导致在弯道中进行候选目标车辆选择出现漏选或者错选的现象。

Description

一种弯道目标选择方法、车载设备和存储介质
技术领域
本公开实施例涉及智能驾驶技术领域，具体涉及一种弯道目标选择方法、车载设备和存储介质。
背景技术
目前，智能驾驶车辆所装配的传感器包括视觉传感器、超声波传感器、毫米波雷达和激光雷达等。智能驾驶车辆的智能驾驶***综合收集、分析这些传感器数据，并加以关联、匹配和融合，可以获得智能驾驶车辆周围多个候选目标车辆的信息。但是受限于智能驾驶***(例如L2级别的智能驾驶***)的纵向控制算法，需要从这些候选目标车辆中选择合适的前方目标车辆进行跟驰。
当智能驾驶车辆与候选目标车辆均进行直线运动时，由于目标选择的区域较容易划定，因此选择前方目标车辆相对比较简单。当智能驾驶车辆与候选目标车辆均处于弯道环境中，目前主要依靠估算智能驾驶车辆的行驶轨迹和候选目标车辆的行驶轨迹，并判断两个轨迹是否存在交叠可能来进行目标车辆选择。
由于智能驾驶车辆安装的各类型传感器的探测表现和性能各异，探测所得的候选目标车辆的信息不一定准确，进而对于候选目标车辆行驶轨迹的估算存在一定偏差，导致在弯道中进行候选目标车辆选择容易出现漏选或者错选的现象。造成车辆纵向控制的错误；可能造成智能驾驶车辆不能有效制动减速或者错误制动减速。影响智能驾驶车辆的行驶安全。
因此，亟需提供一种弯道目标选择方案，降低由于不同传感器性能表现各异导致在弯道中进行候选目标车辆选择出现漏选或者错选的现象。上述对问题的发现过程的描述，仅用于辅助理解本公开的技术方案，并不代表承认上述内容是现有技术。
发明内容
为了解决现有技术存在的至少一个问题，本公开的至少一个实施例提供了一种弯道目标选择方法、车载设备和存储介质。
第一方面，本公开实施例提出一种弯道目标选择方法，应用于行驶在弯道中的智能驾驶车辆，所述方法包括：
获取所述智能驾驶车辆的第一运动信息和目标选择区段，其中所述目标选择区段包括上限值和下限值；
获取候选目标车辆的第二运动信息；
基于所述第一运动信息确定所述智能驾驶车辆的转弯半径；
基于所述第二运动信息和所述转弯半径，确定所述候选目标车辆与所述转弯半径的起始点之间的距离；
基于所述距离和所述目标选择区段，确定目标车辆。
第二方面，本公开实施例还提出一种车载设备，包括：处理器和存储器；所述处理器通过调用所述存储器存储的程序或指令，用于执行如第一方面所述方法的步骤。
第三方面，本公开实施例还提出一种非暂态计算机可读存储介质，用于存储程序或指令，所述程序或指令使计算机执行如第一方面所述方法的步骤。
可见，本公开的至少一个实施例中，通过智能驾驶车辆安装的传感器可获取智能驾驶车辆的运动信息和候选目标车辆的运动信息，进而可确定候选目标车辆与智能驾驶车辆转弯半径起始点之间的距离，从而确定目标车辆，不依赖于昂贵的惯性导航设备，也不依赖于某一特定传感器，利用目前市面上已大规模量产的各类型传感器即可完成弯道内目标选择功能，可以适配于各种类型的传感器和传感器组合，降低由于不同传感器性能表现各异导致在弯道中进行候选目标车辆选择出现漏选或者错选的现象。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种智能驾驶车辆的示例性架构图；
图2是本公开实施例提供的一种智能驾驶***的示例性框图；
图3是本公开实施例提供的一种弯道目标选择模块的示例性框图；
图4是本公开实施例提供的一种车载设备的示例性框图；
图5是本公开实施例提供的一种弯道目标选择方法的示例性流程图；
图6是本公开实施例提供的一种智能驾驶车辆上各类型传感器的布置位置的俯视图；
图7是本公开实施例提供的一种智能驾驶车辆上各类型传感器的布置位置的侧视图；
图8是本公开实施例提供的一种智能驾驶车辆上各类型传感器的探测范围示意图；
图9是本公开实施例提供的一种弯道场景示意图；
图10是本公开实施例提供的另一种弯道场景示意图；
图11是本公开实施例提供的又一种弯道场景示意图；
图12是本公开实施例提供的一种智能驾驶车辆与候选目标车辆位于不同车道的示意图；
图13是本公开实施例提供的一种智能驾驶车辆与候选目标车辆位于同一车道的示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本公开的限定。基于所描述的本公开的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
本公开实施例提供了一种弯道目标选择方法、车载设备和存储介质，通过智能驾驶车辆安装的传感器可获取智能驾驶车辆的运动信息和候选目标车辆的运动信息，进而可确定候选目标车辆与智能驾驶车辆转弯半径起始点之间的距离，从而确定目标车辆，不依赖于昂贵的惯性导航设备，也不依赖于某一特定传感器，利用目前市面上已大规模量产的各类型传感器即可完成弯道内目标选择功能，可以适配于各种类型的传感器和传感器组合，降低由于不同传感器性能表现各异导致在弯道中进行候选目标车辆选择出现漏选或者错选的现象。可以应用于智能驾驶车辆，还可以应用于车载设备。所述智能驾驶车辆为搭载不同等级智能驾驶***的车辆，智能驾驶***例如包括：无人驾驶***、辅助驾驶***、驾驶辅助***、高度自动驾驶***、完全自动驾驶车辆等等。所述车载设备安装有智能驾驶***。以下为了能够更清楚无误的阐述，本公开实施例以智能驾驶车辆为例对弯道目标选择方法、车载设备和存储介质进行说明。
图1为本公开实施例提供的一种智能驾驶车辆的示例性整体架构图。如图1所示，智能驾驶车辆包括：传感器组、智能驾驶***100、车辆底层执行***以及其他可用于驱动车辆和控制车辆运行的部件，例如制动踏板、方向盘和油门踏板。
传感器组，用于采集车辆外界环境的数据和探测车辆的位置数据。传感器组例如包括但不限于摄像头、激光雷达、毫米波雷达、超声波雷达、GPS(Global PositioningSystem，全球定位***)和IMU(Inertial Measurement Unit，惯性测量单元)中的至少一个。
在一些实施例中，传感器组，还用于采集车辆的动力学数据，传感器组例如还包括但不限于车轮转速传感器、速度传感器、加速度传感器、方向盘转角传感器、前轮转角传感器中的至少一个。
智能驾驶***100，用于获取传感器组的传感数据，其中，所述传感数据包括但不限于图像、视频、激光点云、毫米波、GPS信息、车辆状态等。在一些实施例中，智能驾驶***100基于所述传感数据进行环境感知和车辆定位，生成感知信息和车辆位姿；智能驾驶***100基于所述感知信息和车辆位姿进行规划和决策，生成规划和决策信息；智能驾驶***100基于规划和决策信息生成车辆控制指令，并下发给车辆底层执行***。
在一些实施例中，智能驾驶***100可以为软件***、硬件***或者软硬件结合的***。例如，智能驾驶***100是运行在操作***上的软件***，车载硬件***是支持操作***运行的硬件***。
在一些实施例中，智能驾驶***100可以与云端服务器进行交互。在一些实施例中，智能驾驶***100与云端服务器通过无线通讯网络(例如包括但不限于GPRS网络、Zigbee网络、Wifi网络、3G网络、4G网络、5G网络等无线通讯网络)进行交互。
在一些实施例中，云端服务器用于与车辆进行交互。其中，所述云端服务器可以向车辆发送环境信息、定位信息、控制信息及车辆智能驾驶过程中需要的其他信息。在一些实施例中，所述云端服务器可以接收来自车端的传感数据、车辆状态信息、车辆行驶信息以及车辆请求的相关信息。在一些实施例中，云端服务器可以基于用户设置或车辆请求对所述车辆进行远程控制。在一些实施例中，云端服务器可以是一个服务器，也可以是一个服务器群组。服务器群组可以是集中式的，也可以是分布式的。在一些实施例中，云端服务器可以是本地的或远程的。
车辆底层执行***，用于接收车辆控制指令，并基于所述车辆控制指令控制车辆行驶。在一些实施例中，车辆底层执行***包括但不限于：转向***、制动***和驱动***。在一些实施例中，所述车辆底层执行***还可包括底层控制器，用于可以解析车辆控制指令，并将其分别下发至转向***、制动***和驱动***等对应***。
在一些实施例中，智能驾驶车辆还可包括图1中未示出的车辆CAN总线，车辆CAN总线连接车辆底层执行***。智能驾驶***100与车辆底层执行***之间的信息交互通过车辆CAN总线进行传递。
图2为本公开实施例提供的一种智能驾驶***200的示例性框图。在一些实施例中，智能驾驶***200可以实现为图1中的智能驾驶***100或者智能驾驶***100的一部分，用于控制车辆行驶。
如图2所示，智能驾驶***200可划分为多个模块，例如可包括：感知模块201、规划模块202、控制模块203、弯道目标选择模块204以及其他一些可用于智能驾驶的模块。
感知模块201用于进行环境感知与定位。在一些实施例中，感知模块201用于获取传感器数据、V2X(Vehicle to X，车用无线通信)数据、高精度地图等数据并基于以上至少一种数据进行环境感知与定位，生成感知信息和定位信息。其中，感知信息可包括但不限于以下至少一个：障碍物信息、道路标志/标记、行人/车辆信息、可行驶区域。定位信息包括车辆位姿。
规划模块202用于进行路径规划和决策。在一些实施例中，规划模块202基于感知模块201生成的感知信息和定位信息，生成规划和决策信息。在一些实施例中，规划模块202还可以结合V2X数据、高精度地图等数据中的至少一种，生成规划和决策信息。其中，规划信息可包括但不限于规划路径等；决策信息可包括但不限于以下至少一种：行为(例如包括但不限于跟车、超车、停车、绕行等)、车辆航向、车辆速度、车辆的期望加速度、期望的方向盘转角等。
控制模块203用于基于规划和决策信息生成车辆底层执行***的控制指令，并下发控制指令，以使车辆底层执行***控制车辆行驶。其中，控制指令可包括但不限于：方向盘转向、横向控制指令、纵向控制指令等。
弯道目标选择模块204用于智能驾驶车辆行驶在弯道场景下，进行候选目标车辆的选择。在一些实施例中，弯道目标选择模块204可获取所述智能驾驶车辆的第一运动信息和目标选择区段，其中所述目标选择区段包括上限值和下限值，进而基于所述第一运动信息确定所述智能驾驶车辆的转弯半径。在一些实施例中，弯道目标选择模块204可获取候选目标车辆的第二运动信息，进而基于所述第二运动信息和所述智能驾驶车辆的转弯半径，确定所述候选目标车辆与所述转弯半径的起始点之间的距离。在一些实施例中，弯道目标选择模块204基于所述候选目标车辆与所述转弯半径的起始点之间的距离和所述目标选择区段，确定目标车辆。
在一些实施例中，弯道目标选择模块204的功能可集成到感知模块201、规划模块202或控制模块203中，也可配置为与智能驾驶***200相独立的模块，弯道目标选择模块204可以为软件模块、硬件模块或者软硬件结合的模块。例如，弯道目标选择模块204是运行在操作***上的软件模块，车载硬件***是支持操作***运行的硬件***。
图3为本公开实施例提供的一种弯道目标选择模块300的示例性框图。弯道目标选择模块300应用于行驶在弯道中的智能驾驶车辆。在一些实施例中，弯道目标选择模块300可以实现为图2中的弯道目标选择模块204或者弯道目标选择模块204的一部分。
如图3所示，弯道目标选择模块300可包括但不限于以下单元：第一获取单元301、第二获取单元302、第一确定单元303、第二确定单元304和第三确定单元305。
第一获取单元301，用于获取所述智能驾驶车辆的第一运动信息。在一些实施例中，所述第一运动信息可包括但不限于：所述智能驾驶车辆的速度和横摆角速度。
在一些实施例中，第一获取单元301还用于获取目标选择区段。所述目标选择区段为所述智能驾驶车辆行驶在弯道时选择目标车辆的距离区段，也即所述区段中的每个取值均为距离，所述距离为候选目标车辆与所述智能驾驶车辆的转弯半径的起始点之间的距离。在一些实施例中，所述目标选择区段包括上限值和下限值。
在一些实施例中，所述目标选择区段的上限值和下限值并非固定值，可以有多个取值，使得所述智能驾驶车辆的横摆角速度、候选目标车辆的纵向距离等信息存在测量误差的情况下，降低出现漏选或者错选的现象。在一些实施例中，所述上限值和下限值均为基于候选目标车辆的运动信息的函数表示。在一些实施例中，所述函数表示为基于候选目标车辆的纵向距离的函数表示。在一些实施例中，所述函数表示基于所述智能驾驶车辆的传感器数据进行标定得到，可以适配于各种类型的传感器和传感器组合，可以有效提升工程和产品开发效率，具有良好的工程与产品实用性。由于不同智能驾驶车辆的传感器组不同，因而基于不用传感器组数据进行标定得到的函数表示不同，也即不同智能驾驶车辆的函数表示均不同。而同一智能驾驶车辆标定得到的函数表示固定不变，可多次使用，除非该智能驾驶车辆的传感器组发生变化，例如更换某个传感器为不同类型传感器或不同供应商的同一类型传感器；又例如某个传感器损坏无法使用等等。
在一些实施例中，所述函数表示基于所述智能驾驶车辆的传感器数据进行标定的过程包括如下七个步骤两个阶段：
步骤一：获取传感器数据。步骤一在两个阶段均持续进行。
阶段一：步骤二至步骤四。
步骤二：基于所述智能驾驶车辆与测试车辆位于同一车道，如图13所示，基于所述传感器数据调整函数表示的初始系数；其中，函数表示包括上限值的函数表示和下限值的函数表示。
步骤三：判断所述智能驾驶车辆是否持续选中所述测试车辆为目标车辆。其中持续选中可以理解为智能驾驶车辆在弯道行驶的过程中能够始终选择所述测试车辆为目标车辆。通过调整函数表示的初始系数，可以使得所述测试车辆被持续选中。
步骤四：若所述测试车辆被持续选中，说明初始系数调整后得到的中间系数较合理，则确定(或记录)调整所述初始系数得到的中间系数；若所述测试车辆没有被持续选中，说明初始系数调整后得到的中间系数不合理，进一步调整系数的取值。
阶段二：步骤五至步骤六。
步骤五：基于所述智能驾驶车辆与测试车辆不在同一车道，如图12所示，基于所述传感器数据调整所述中间系数。其中所述中间系数为阶段一记录的中间系数。
步骤六：判断所述智能驾驶车辆是否持续不选所述测试车辆为目标车辆。其中持续不选可以理解为智能驾驶车辆在弯道行驶的过程中始终不选择所述测试车辆为目标车辆。通过调整中间系数的取值，可以使得所述智能驾驶车辆持续不选所述测试车辆。
步骤七：若所述智能驾驶车辆持续不选所述测试车辆，说明所述中间系数调整后得到的系数合理，则确定(或记录)调整所述中间系数得到的最终系数为所述函数表示的系数。
需要说明书的是，阶段一和阶段二可以互换，也即，先执行阶段二的步骤，再执行阶段一的步骤，具体流程不再赘述。
在一些实施例中，所述函数表示为分段函数，具有较好的工程可操作性，可以避免复杂函数的较大运算量。在一些实施例中，上限值的分段函数如下：
Figure BDA0002465270110000101
其中，Host_upper_bound为上限值；R为所述智能驾驶车辆的转弯半径；CLane为常数，一个典型取值为7.3；Const_H1至Const_H9为常数，一组典型取值为[0.3，0.27，0.21，0.15，0.12，0.07，0.06，0.05]；Range_H1至Range_H8为常数，一组典型取值[22，24.5，30，35，40，50，60，70]；Rx为候选目标车辆的纵向距离。
下限值的分段函数如下：
Figure BDA0002465270110000102
其中，Host_lower_bound为下限值；R为所述智能驾驶车辆的转弯半径；CLane为常数，一个典型取值为7.3；Const_L1至Const_L9为常数，一组典型取值为[0.43，0.403，0.38，0.3685，0.34，0.335，0.32，0.3]；Range_L1至Range_L9为常数，一组典型取值[7.5，8.5，9.1，12，18，20，30，50]；Rx为候选目标车辆的纵向距离。
在一些实施例中，所述上限值和下限值的分段函数的分段数、CLane、Const_H1至Const_H9、Range_H1至Range_H8、Const_L1至Const_L9、Range_L1至Range_L9的具体取值可基于所述智能驾驶车辆的传感器数据进行标定得到。
在一些实施例中，选择具有多个曲率的弯道的场地进行实车测试，实现基于传感器数据标定分段函数的分段数和各系数取值。标定过程沿用前述的七个步骤两个阶段，概括描述如下：
阶段一：将测试车辆(例如图9至11中的目标车辆1)与智能驾驶车辆(例如图9至11中的自动驾驶车辆)位于同一车道内，基于分段函数已有的经验参数进行测试，其中经验参数的取值可预先设置，经验参数包括分段数、CLane、Const_H1至Const_H9、Range_H1至Range_H8、Const_L1至Const_L9、Range_L1至Range_L9。判断测试车辆是否能被持续稳定的选中。如果不能，则在相应的区段调整、标定对应的Const_H1至Const_H9或者Const_L1至Const_L9参数取值。
阶段二：当测试车辆在智能驾驶车辆所在车道内可以被持续稳定的选中后，将测试车辆与智能驾驶车辆位于不同车道，再次进行测试。根据阶段二获得的参数组，判断测试车辆是否能够避免被选中。当出现被错误选中的情况，则对Const_H1至Const_H9或者Const_L1至Const_L9参数取值进行调整，使得测试车辆避免被选中。
在一些实施例中，阶段二完成后，将测试车辆与智能驾驶车辆位于同一车道内，判断阶段二调整获得的参数组是否使测试车辆被持续稳定的选中。如果不能，则可增加分段数，对分段函数细化。
标定得到的上限值和下限值的分段函数的形状例如图9至11中所示的转弯目标选择区段上限和转弯目标选择区段下限，可见上限值和下限值的函数表示不依赖于车道线信息，适用于无法检测车道线的场景。
第二获取单元302，用于获取候选目标车辆的第二运动信息。在一些实施例中，所述第二运动信息包括但不限于：纵向距离、横向距离、纵向速度和横向速度。在一些实施例中，所述第二运动信息由所述智能驾驶车辆的各传感器对处于探测范围内的候选目标车辆进行探测得到。图6为所述智能驾驶车辆上各类型传感器的布置位置的俯视图，图7为侧视图，图8则示出了各类型传感器的探测范围。图6至图8中所示的各传感器用于探测所述智能驾驶车辆前方的目标，其中图6所示的传感器3和传感器4并非探测前方目标的必要传感器，但可用于对传感器1和传感器2的探测范围进行补充。
第一确定单元303，用于基于所述第一运动信息确定所述智能驾驶车辆的转弯半径，其中所述第一运动信息可包括但不限于：所述智能驾驶车辆的速度和横摆角速度。在一些实施例中，第一确定单元303基于所述第一运动信息计算所述智能驾驶车辆的运动轨迹，并且基于所述运动轨迹进行跟踪，确定稳定运动轨迹信息，也即对运动轨迹进行稳定跟踪得到的轨迹，经典且广泛使用的稳定跟踪方法有线性卡尔曼滤波方法，可以取得效果与计算时长的良好平衡。在一些实施例中，第一确定单元303基于所述稳定运动轨迹信息，确定所述智能驾驶车辆的转弯半径。其中，转弯半径的计算公式如下：
Figure BDA0002465270110000121
其中，R为所述智能驾驶车辆的转弯半径，VHost为所述智能驾驶车辆的速度，|w|为所述智能驾驶车辆的横摆角速度。图9至图11中示出了转弯半径曲线。
第二确定单元304，用于基于所述第二运动信息和所述转弯半径，确定所述候选目标车辆与所述转弯半径的起始点之间的距离。其中所述第二运动信息包括但不限于：纵向距离、横向距离、纵向速度和横向速度。所述转弯半径的起始点如图9至图11中所示的转弯半径起始点O。所述候选目标车辆与所述转弯半径的起始点之间的距离如图9至图11中所示的目标车辆距离转弯半径原点距离d。在一些实施例中，第二确定单元304通过下式计算距离d：
Figure BDA0002465270110000131
其中，d为所述候选目标车辆与所述转弯半径的起始点之间的距离，Rx为所述候选目标车辆的纵向距离，Ry为所述候选目标车辆的横向距离，x0和y0为起始点O的坐标(x0＝±R，y0＝0；当所述智能驾驶车辆的横摆角速度＞0时，x0＝-R；当所述智能驾驶车辆的横摆角速度＜0时，x0＝R，其中R为所述智能驾驶车辆的转弯半径)。
第三确定单元305，用于基于所述候选目标车辆与所述转弯半径的起始点之间的距离d和所述目标选择区段，确定目标车辆。在一些实施例中，第三确定单元305基于所述候选目标车辆的纵向距离确定所述目标选择区段的上限值和下限值，进而基于所述距离d和所述目标选择区段的上限值和下限值，确定目标车辆。在一些实施例中，第三确定单元305基于所述距离d处于所述目标选择区段，也即所述上限值≤所述距离d≤所述下限值，确定所述候选目标车辆为目标车辆。在一些实施例中，第三确定单元305基于所述距离d未处于所述目标选择区段且未超过距离阈值，以及基于所述候选目标车辆向所述智能驾驶车辆的运动轨迹内切，确定所述候选目标车辆为目标车辆。例如：第三确定单元305判断所述距离d是否满足：
Host_upper_bound≤d≤Host_upper_bound+RThres，或者，
Host_lower_bound-RThres≤d≤Host_lower_bound；其中，RThres为所述距离阈值；若满足，且所述候选目标车辆向所述智能驾驶车辆的运动轨迹内切，则第三确定单元305确定所述候选目标车辆为目标车辆。其中，所述内切的判断方式为：基于所述候选目标车辆的横向速度的符号与横向距离的符号相反且所述横向速度的绝对值大于速度阈值，则判定内切。
基于以上各单元的功能描述，可见弯道目标选择模块300仅需要传感器提供候选目标车辆的纵横向距离和纵横向速度，以及所述智能驾驶车辆的速度和横摆角速度，即可完成目标车辆的选择。
在一些实施例中，弯道目标选择模块300中各单元的划分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，例如第一获取单元301、第二获取单元302、第一确定单元303、第二确定单元304和第三确定单元305中的至少两个单元可以实现为一个单元；第一获取单元301、第二获取单元302、第一确定单元303、第二确定单元304或第三确定单元305也可以划分为多个子单元。可以理解的是，各个单元或子单元能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能。
图4是本公开实施例提供的一种车载设备的结构示意图。车载设备可支持智能驾驶***的运行。
如图4所示，车载设备包括：至少一个处理器401、至少一个存储器402和至少一个通信接口403。车载设备中的各个组件通过总线***404耦合在一起。通信接口403，用于与外部设备之间的信息传输。可理解地，总线***404用于实现这些组件之间的连接通信。总线***404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图4中将各种总线都标为总线***404。
可以理解，本实施例中的存储器402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
在一些实施方式中，存储器402存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作***和应用程序。
其中，操作***，包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本公开实施例提供的弯道目标选择方法的程序可以包含在应用程序中。
在本公开实施例中，处理器401通过调用存储器402存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器401用于执行本公开实施例提供的弯道目标选择方法各实施例的步骤。
本公开实施例提供的弯道目标选择方法可以应用于处理器401中，或者由处理器401实现。处理器401可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecific IntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开实施例提供的弯道目标选择方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成方法的步骤。
图5为本公开实施例提供的一种弯道目标选择方法的示例性流程图，该方法可应用于行驶在弯道中的智能驾驶车辆。该方法的执行主体为所述智能驾驶车辆中的车载设备，在一些实施例中，该方法的执行主体还可以为车载设备所支持的智能驾驶***。为便于描述，以下实施例中以车载设备为执行主体说明弯道目标选择方法的流程。
如图5所示，在步骤501中，车载设备获取所述智能驾驶车辆的第一运动信息和目标选择区段，其中所述目标选择区段包括上限值和下限值。其中，所述第一运动信息可包括但不限于：所述智能驾驶车辆的速度和横摆角速度。所述目标选择区段为所述智能驾驶车辆行驶在弯道时选择目标车辆的距离区段，也即所述区段中的每个取值均为距离，所述距离为候选目标车辆与所述智能驾驶车辆的转弯半径的起始点之间的距离。
在一些实施例中，所述目标选择区段的上限值和下限值并非固定值，可以有多个取值，使得所述智能驾驶车辆的横摆角速度、候选目标车辆的纵向距离等信息存在测量误差的情况下，降低出现漏选或者错选的现象。在一些实施例中，所述上限值和下限值均为基于候选目标车辆的运动信息的函数表示。在一些实施例中，所述函数表示为基于候选目标车辆的纵向距离的函数表示。在一些实施例中，所述函数表示基于所述智能驾驶车辆的传感器数据进行标定得到，可以适配于各种类型的传感器和传感器组合，可以有效提升工程和产品开发效率，具有良好的工程与产品实用性。由于不同智能驾驶车辆的传感器组不同，因而基于不用传感器组数据进行标定得到的函数表示不同，也即不同智能驾驶车辆的函数表示均不同。而同一智能驾驶车辆标定得到的函数表示固定不变，可多次使用，除非该智能驾驶车辆的传感器组发生变化，例如更换某个传感器为不同类型传感器或不同供应商的同一类型传感器；又例如某个传感器损坏无法使用等等。
在一些实施例中，所述函数表示基于所述智能驾驶车辆的传感器数据进行标定的过程包括如下七个步骤两个阶段：
步骤一：获取传感器数据。步骤一在两个阶段均持续进行。
阶段一：步骤二至步骤四。
步骤二：基于所述智能驾驶车辆与测试车辆位于同一车道，如图13所示，基于所述传感器数据调整函数表示的初始系数；其中，函数表示包括上限值的函数表示和下限值的函数表示。
步骤三：判断所述智能驾驶车辆是否持续选中所述测试车辆为目标车辆。其中持续选中可以理解为智能驾驶车辆在弯道行驶的过程中能够始终选择所述测试车辆为目标车辆。通过调整函数表示的初始系数，可以使得所述测试车辆被持续选中。
步骤四：若所述测试车辆被持续选中，说明初始系数调整后得到的中间系数较合理，则确定(或记录)调整所述初始系数得到的中间系数；若所述测试车辆没有被持续选中，说明初始系数调整后得到的中间系数不合理，进一步调整系数的取值。
阶段二：步骤五至步骤六。
步骤五：基于所述智能驾驶车辆与测试车辆不在同一车道，如图12所示，基于所述传感器数据调整所述中间系数。其中所述中间系数为阶段一记录的中间系数。
步骤六：判断所述智能驾驶车辆是否持续不选所述测试车辆为目标车辆。其中持续不选可以理解为智能驾驶车辆在弯道行驶的过程中始终不选择所述测试车辆为目标车辆。通过调整中间系数的取值，可以使得所述智能驾驶车辆持续不选所述测试车辆。
步骤七：若所述智能驾驶车辆持续不选所述测试车辆，说明所述中间系数调整后得到的系数合理，则确定(或记录)调整所述中间系数得到的最终系数为所述函数表示的系数。
需要说明书的是，阶段一和阶段二可以互换，也即，先执行阶段二的步骤，再执行阶段一的步骤，具体流程不再赘述。
在一些实施例中，所述函数表示为分段函数，具有较好的工程可操作性，可以避免复杂函数的较大运算量。在一些实施例中，上限值的分段函数如下：
Figure BDA0002465270110000181
其中，Host_upper_bound为上限值；R为所述智能驾驶车辆的转弯半径；CLane为常数，一个典型取值为7.3；Const_H1至Const_H9为常数，一组典型取值为[0.3，0.27，0.21，0.15，0.12，0.07，0.06，0.05]；Range_H1至Range_H8为常数，一组典型取值[22，24.5，30，35，40，50，60，70]；Rx为候选目标车辆的纵向距离。
下限值的分段函数如下：
Figure BDA0002465270110000182
其中，Host_lower_bound为下限值；R为所述智能驾驶车辆的转弯半径；CLane为常数，一个典型取值为7.3；Const_L1至Const_L9为常数，一组典型取值为[0.43，0.403，0.38，0.3685，0.34，0.335，0.32，0.3]；Range_L1至Range_L9为常数，一组典型取值[7.5，8.5，9.1，12，18，20，30，50]；Rx为候选目标车辆的纵向距离。
在一些实施例中，所述上限值和下限值的分段函数的分段数、CLane、Const_H1至Const_H9、Range_H1至Range_H8、ConstL1至Const_L9、Range_L1至Range_L9的具体取值可基于所述智能驾驶车辆的传感器数据进行标定得到。
在一些实施例中，选择具有多个曲率的弯道的场地进行实车测试，实现基于传感器数据标定分段函数的分段数和各系数取值。标定过程沿用前述的七个步骤两个阶段，概括描述如下：
阶段一：将测试车辆(例如图9至11中的目标车辆1)与智能驾驶车辆(例如图9至11中的自动驾驶车辆)位于同一车道内，基于分段函数已有的经验参数进行测试，其中经验参数的取值可预先设置，经验参数包括分段数、CLane、Const_H1至Const_H9、Range_H1至Range_H8、Const_L1至Const_L9、Range_L1至Range_L9。判断测试车辆是否能被持续稳定的选中。如果不能，则在相应的区段调整、标定对应的Const_H1至Const_H9或者Const_L1至Const_L9参数取值。
阶段二：当测试车辆在智能驾驶车辆所在车道内可以被持续稳定的选中后，将测试车辆与智能驾驶车辆位于不同车道，再次进行测试。根据阶段二获得的参数组，判断测试车辆是否能够避免被选中。当出现被错误选中的情况，则对Const_H1至Const_H9或者Const_L1至Const_L9参数取值进行调整，使得测试车辆避免被选中。
在一些实施例中，阶段二完成后，将测试车辆与智能驾驶车辆位于同一车道内，判断阶段二调整获得的参数组是否使测试车辆被持续稳定的选中。如果不能，则可增加分段数，对分段函数细化。
标定得到的上限值和下限值的分段函数的形状例如图9至11中所示的转弯目标选择区段上限和转弯目标选择区段下限，可见上限值和下限值的函数表示不依赖于车道线信息，适用于无法检测车道线的场景。
在步骤502中，所述车载设备获取候选目标车辆的第二运动信息。其中，所述第二运动信息包括但不限于：纵向距离、横向距离、纵向速度和横向速度。在一些实施例中，所述第二运动信息由所述智能驾驶车辆的各传感器对处于探测范围内的候选目标车辆进行探测得到。图6为所述智能驾驶车辆上各类型传感器的布置位置的俯视图，图7为侧视图，图8则示出了各类型传感器的探测范围。图6至图8中所示的各传感器用于探测所述智能驾驶车辆前方的目标，其中图6所示的传感器3和传感器4并非探测前方目标的必要传感器，但可用于对传感器1和传感器2的探测范围进行补充。
在步骤503中，所述车载设备基于所述第一运动信息确定所述智能驾驶车辆的转弯半径。其中所述第一运动信息可包括但不限于：所述智能驾驶车辆的速度和横摆角速度。在一些实施例中，所述车载设备基于所述第一运动信息计算所述智能驾驶车辆的运动轨迹，并且基于所述运动轨迹进行跟踪，确定稳定运动轨迹信息，也即对运动轨迹进行稳定跟踪得到的轨迹，经典且广泛使用的稳定跟踪方法有线性卡尔曼滤波方法，可以取得效果与计算时长的良好平衡。在一些实施例中，所述车载设备基于所述稳定运动轨迹信息，确定所述智能驾驶车辆的转弯半径。其中，转弯半径的计算公式如下：
Figure BDA0002465270110000201
其中，R为所述智能驾驶车辆的转弯半径，vHost为所述智能驾驶车辆的速度，|w|为所述智能驾驶车辆的横摆角速度。图9至图11中示出了转弯半径曲线。
在步骤504中，所述车载设备基于所述第二运动信息和所述转弯半径，确定所述候选目标车辆与所述转弯半径的起始点之间的距离。其中所述第二运动信息包括但不限于：纵向距离、横向距离、纵向速度和横向速度。所述转弯半径的起始点如图9至图11中所示的转弯半径起始点O。所述候选目标车辆与所述转弯半径的起始点之间的距离如图9至图11中所示的目标车辆距离转弯半径原点距离d。在一些实施例中，第二确定单元304通过下式计算距离d：
Figure BDA0002465270110000202
其中，d为所述候选目标车辆与所述转弯半径的起始点之间的距离，Rx为所述候选目标车辆的纵向距离，Ry为所述候选目标车辆的横向距离，x0和y0为起始点O的坐标(x0＝±R，y0＝0；当所述智能驾驶车辆的横摆角速度＞0时，x0＝-R；当所述智能驾驶车辆的横摆角速度＜0时，x0＝R，其中R为所述智能驾驶车辆的转弯半径)。
在步骤505中，所述车载设备基于所述候选目标车辆与所述转弯半径的起始点之间的距离d和所述目标选择区段，确定目标车辆。在一些实施例中，所述车载设备基于所述候选目标车辆的纵向距离确定所述目标选择区段的上限值和下限值，进而基于所述距离d和所述目标选择区段的上限值和下限值，确定目标车辆。在一些实施例中，所述车载设备基于所述距离d处于所述目标选择区段，也即所述上限值≤所述距离d≤所述下限值，确定所述候选目标车辆为目标车辆。在一些实施例中，所述车载设备基于所述距离d未处于所述目标选择区段且未超过距离阈值，以及基于所述候选目标车辆向所述智能驾驶车辆的运动轨迹内切，确定所述候选目标车辆为目标车辆。例如：所述车载设备判断所述距离d是否满足：
Host_upper_bound≤d≤Host_upper_bound+RThres，或者，
Host_lower_bound-RThres≤d≤Host_lower_bound；其中，RThres为所述距离阈值；若满足，且所述候选目标车辆向所述智能驾驶车辆的运动轨迹内切，则所述车载设备确定所述候选目标车辆为目标车辆。其中，所述内切的判断方式为：基于所述候选目标车辆的横向速度的符号与横向距离的符号相反且所述横向速度的绝对值大于速度阈值，则判定内切。
基于图5所示的弯道目标选择方法流程，以两个实例进行详细说明。前向传感器例如为C公司的一款毫米波雷达A，以及H公司的一款前视摄像头模块M。
在图12所示的场景中，智能驾驶车辆在弯道内偏左侧车道行驶，弯道内偏右侧车道有一目标车。该目标车的运动信息在此刻为：Rx＝18.53m，Ry＝5.506m，Vx＝9.118m/s，Vy＝1.103m/s，所述智能驾驶车辆在此刻的运动信息为vHost＝8.906m/s；W＝-0.1189rad/s。计算获得所述智能驾驶车辆的转弯半径n＝74.9m。Host_upper_bound的取值为前文所述的典型取值，而所选择的CLane＝7.3m，ConstH1＝0.2，所以Host_upper_bound＝76.36m；Host_lower_bound的分段取值为[7.5，8.5，9.1，12，13，15.5，18，20，32]，而所选择的CLane＝7.3m，ConstL9＝0.33，所以Host_lower_bound＝72.491m。计算所得的目标车距离转弯半径起始点距离d＝71.8254m。由于d不在[Host_lower_bound，Host_upper_bound]区间内，且该目标车的横向速度没有切入本车道内趋势，所以该目标车不会被选择。
在图13所示的场景中，智能驾驶车辆在弯道内偏右侧车道行驶，弯道内偏右侧车道有一目标车。该目标车的运动信息在此刻为：Rx＝26.64m，Ry＝0.7201m，Vx＝8.775m/s，Vy＝0.9472m/s，所述智能驾驶车辆在此刻的运动信息为VHost＝8.763m/s；W＝-0.01527rad/s。计算获得所述智能驾驶车辆的转弯半径R＝573.87m。Host_upper_bound的取值为前文所述的典型取值，而所选择的CLane＝7.3m，ConstH3＝0.11，所以Host_upper_bound＝574.67m；Host_lower_bound的分段取值为[7.5，8.5，9.1，12，13，15.5，18，20，32]，而所选择的CLane＝7.3m，ConstL9＝0.33，所以Host_lower_bound＝570.35m。计算所得的目标车距离转弯半径起始点距离d＝573.769m。由于d在[Host_lower_bound，Host_upper_bound]区间内，所以该目标车会被选择。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员能够理解，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行。另外，本领域技术人员能够理解，说明书中所描述的实施例均属于可选实施例。
本公开实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如弯道目标选择方法各实施例的步骤，为避免重复描述，在此不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。
本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
虽然结合附图描述了本公开的实施方式，但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种弯道目标选择方法，其特征在于，应用于行驶在弯道中的智能驾驶车辆，所述方法包括：
获取所述智能驾驶车辆的第一运动信息和目标选择区段，其中所述目标选择区段包括上限值和下限值；
获取候选目标车辆的第二运动信息；所述上限值和下限值均为基于第二运动信息的函数表示；不同智能驾驶车辆的函数表示均不同；
基于所述第一运动信息确定所述智能驾驶车辆的转弯半径；
基于所述第二运动信息和所述转弯半径，确定所述候选目标车辆与所述转弯半径的起始点之间的距离；
基于所述距离和所述目标选择区段，确定目标车辆。
2.根据权利要求1所述的方法，其特征在于，
所述第一运动信息包括：所述智能驾驶车辆的速度和横摆角速度；
所述第二运动信息包括：纵向距离、横向距离、纵向速度和横向速度。
3.根据权利要求1所述的方法，其特征在于，所述目标选择区段为所述智能驾驶车辆行驶在弯道时选择目标车辆的距离区段。
4.根据权利要求1所述的方法，其特征在于，所述上限值和下限值的函数表示基于所述智能驾驶车辆的传感器数据进行标定得到。
5.根据权利要求4所述的方法，其特征在于，所述基于所述智能驾驶车辆的传感器数据进行标定，包括：
获取传感器数据；
基于所述智能驾驶车辆与测试车辆位于同一车道，基于所述传感器数据调整函数表示的初始系数；
判断所述智能驾驶车辆是否持续选中所述测试车辆为目标车辆；
若是，则确定调整所述初始系数得到的中间系数；
基于所述智能驾驶车辆与测试车辆不在同一车道，基于所述传感器数据调整所述中间系数；
判断所述智能驾驶车辆是否持续不选所述测试车辆为目标车辆；
若是，则确定调整所述中间系数得到的最终系数为所述函数表示的系数。
6.根据权利要求1所述的方法，其特征在于，所述基于所述距离和所述目标选择区段，确定目标车辆，包括：
基于所述候选目标车辆的纵向距离确定所述目标选择区段的上限值和下限值；
基于所述距离和所述目标选择区段的上限值和下限值，确定目标车辆。
7.根据权利要求6所述的方法，其特征在于，所述基于所述距离和所述目标选择区段，确定目标车辆，包括：
基于所述距离处于所述目标选择区段，确定所述候选目标车辆为目标车辆。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于所述距离未处于所述目标选择区段且未超过距离阈值，以及基于所述候选目标车辆的横向速度的符号与横向距离的符号相反且所述横向速度的绝对值大于速度阈值，确定所述候选目标车辆为目标车辆。
9.根据权利要求1所述的方法，其特征在于，所述基于所述第一运动信息确定所述智能驾驶车辆的转弯半径，包括：
基于所述第一运动信息计算所述智能驾驶车辆的运动轨迹；
基于所述运动轨迹进行跟踪，确定稳定运动轨迹信息；
基于所述稳定运动轨迹信息，确定所述智能驾驶车辆的转弯半径。
10.一种车载设备，其特征在于，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至9任一项所述方法的步骤。
11.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至9任一项所述方法的步骤。
CN202010331967.3A 2020-04-24 2020-04-24 一种弯道目标选择方法、车载设备和存储介质 Active CN111469841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010331967.3A CN111469841B (zh) 2020-04-24 2020-04-24 一种弯道目标选择方法、车载设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010331967.3A CN111469841B (zh) 2020-04-24 2020-04-24 一种弯道目标选择方法、车载设备和存储介质

Publications (2)

Publication Number Publication Date
CN111469841A CN111469841A (zh) 2020-07-31
CN111469841B true CN111469841B (zh) 2021-12-14

Family

ID=71764111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010331967.3A Active CN111469841B (zh) 2020-04-24 2020-04-24 一种弯道目标选择方法、车载设备和存储介质

Country Status (1)

Country Link
CN (1) CN111469841B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103419784A (zh) * 2012-05-15 2013-12-04 现代摩比斯株式会社 智能巡航控制***及控制对象目标选定方法
CN105667509A (zh) * 2015-12-30 2016-06-15 苏州安智汽车零部件有限公司 一种用于汽车自适应巡航控制***的弯道控制***及方法
CN109532833A (zh) * 2018-12-18 2019-03-29 重庆长安汽车股份有限公司 自适应巡航***过弯控制方法及计算机可读存储介质
CN110562222A (zh) * 2019-08-30 2019-12-13 驭势（上海）汽车科技有限公司 用于弯道场景的紧急制动控制方法、车载设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6643588B1 (en) * 2002-04-11 2003-11-04 Visteon Global Technologies, Inc. Geometric based path prediction method using moving and stop objects

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103419784A (zh) * 2012-05-15 2013-12-04 现代摩比斯株式会社 智能巡航控制***及控制对象目标选定方法
CN105667509A (zh) * 2015-12-30 2016-06-15 苏州安智汽车零部件有限公司 一种用于汽车自适应巡航控制***的弯道控制***及方法
CN109532833A (zh) * 2018-12-18 2019-03-29 重庆长安汽车股份有限公司 自适应巡航***过弯控制方法及计算机可读存储介质
CN110562222A (zh) * 2019-08-30 2019-12-13 驭势（上海）汽车科技有限公司 用于弯道场景的紧急制动控制方法、车载设备和存储介质

Also Published As

Publication number Publication date
CN111469841A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
EP3699048B1 (en) Travelling track prediction method and device for vehicle
CN112242069B (zh) 一种确定车速的方法和装置
CN108688660B (zh) 运行范围确定装置
US9269264B2 (en) Vehicle driving assistance device
CN111559388B (zh) 一种目标车辆筛选方法、装置、设备及存储介质
US20160018229A1 (en) Accurate curvature estimation algorithm for path planning of autonomous driving vehicle
US20210031831A1 (en) System and method for calibrating a steering wheel neutral position
CN113165648A (zh) 用于基于采样对机动车辆的可能轨迹进行规划的控制***和控制方法
CN112567439B (zh) 一种交通流信息的确定方法、装置、电子设备和存储介质
US20200074851A1 (en) Control device and control method
CN104554275A (zh) 用于求取位于车辆前方的道路的高度走向的方法和设备
CN110673602A (zh) 一种强化学习模型、车辆自动驾驶决策的方法和车载设备
JP7147442B2 (ja) 地図情報システム
CN112829753B (zh) 基于毫米波雷达的护栏估计方法、车载设备和存储介质
CN112046481B (zh) 自动驾驶装置和方法
CN113805145B (zh) 动态激光雷达对准
US11326889B2 (en) Driver assistance system and control method for the same
US11780468B2 (en) Vehicle-behavior prediction method and vehicle-behavior prediction device
US12030483B2 (en) Automated valet parking system, control method of automated valet parking system, and autonomous driving vehicle
US11741719B2 (en) Approach to maneuver planning for navigating around parked vehicles for autonomous driving
JP7087896B2 (ja) 走行車線推定装置、走行車線推定方法、及び制御プログラム
US20200385023A1 (en) Vehicle control apparatus, vehicle, operation method of vehicle control apparatus, and non-transitory computer-readable storage medium
CN113227831B (zh) 基于多传感器数据融合的护栏估计方法和车载设备
CN111469841B (zh) 一种弯道目标选择方法、车载设备和存储介质
CN116225026A (zh) 自动驾驶车辆操作方法、电子设备以及计算机可读介质

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