CN112185148A - 用于评估可能轨迹的方法 - Google Patents

用于评估可能轨迹的方法 Download PDF

Info

Publication number
CN112185148A
CN112185148A CN202010625817.3A CN202010625817A CN112185148A CN 112185148 A CN112185148 A CN 112185148A CN 202010625817 A CN202010625817 A CN 202010625817A CN 112185148 A CN112185148 A CN 112185148A
Authority
CN
China
Prior art keywords
traffic
trajectory
environment
trajectories
participant
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.)
Pending
Application number
CN202010625817.3A
Other languages
English (en)
Inventor
K·贝伦特
J·克莱丁克
J·S·哈尔迪
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN112185148A publication Critical patent/CN112185148A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/096741—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where the source of the transmitted information selects which information to transmit to each vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
    • G08G1/09675—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where a selection from the received information takes place in the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096791—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is another vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30236—Traffic on road, railway or crossing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Atmospheric Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

用于评估可能轨迹的方法。描述了一种用于评估交通环境的交通参与者的可能轨迹的方法，具有以下步骤：检测具有静态和动态特征的所述交通环境；识别至少一个交通参与者；为所述交通环境的所述至少一个交通参与者确定至少一个可能的轨迹；借助于经过适配/经过训练的推荐服务和所检测的交通环境来评估为所述至少一个交通参与者确定的所述至少一个可能的轨迹。

Description

用于评估可能轨迹的方法
技术领域
本发明涉及一种用于评估交通状况的交通参与者的可能轨迹的方法。
背景技术
为了在真实交通状况中对至少部分自动化的车辆进行可靠的轨迹规划，评估其他交通参与者的轨迹选项是至关重要的。如果另一车辆例如跨入公共车道，则至少部分自动化的车辆可能必须减小速度。如果行人想在所述自动化的车辆前横穿街道，该车辆必要时必须完全停下来。
已知的分类模型具有固定数量的类别。这些类别分别代表交通参与者针对交叉路口类型的特殊轨迹，并且高度特定于这种情况。在此，例如将一般性问题简化为固定的一组选项，使用启发式方法，或使用机器学习技术来计算特定的轨迹。
发明内容
现有技术中说明的解决方案的问题在于，并未涵盖可能交通状况的所有选项，这可能导致过于谨慎的规划或者另一方面可能导致过于危险的规划。无法使用预先设定的环境类型变体来反映大量可能的真实场景。
在不同类别的轨迹的数量太大的情况下，用于基于划分为类别的轨迹规划的***由于大量可能性而迅速达到功能极限。如果这些类别难以区分并因此可能无法被正确注释，则尤其如此。因为其他代理的代理相互影响，包括自动化的自车辆的动作在内。这导致可能替代方案的组合***式增长，并且为所有可能解决方案创建一套规则超出了实际的可能性。
创建启发式方法，即可以在特定状况下应用并且可能取决于位置或场景的一组学习规则，也随着不同停留地点和场景的数量增加而很快就变得不可执行。
在使用最新的机器学习方案来估计代理轨迹（即交通参与者的轨迹）时，例如通过强化学习（reinforcement learning）、递归神经网络或模仿学习来产生这些轨迹。
该措施的问题在于，经过训练的模型必须接收并理解所有必要的输入，并且然后必须能够输出与交通法规相对应的一个或多个不同的轨迹或意图。但是，在不评估各个轨迹的情况下很难进一步处理大量的计算出的轨迹。以这种方式产生的机器学习***不够可靠并且难以验证。
在通过确定有限的一组可能类别来简化轨迹估计的方案中存在以下问题，即并非所有选项都被涵盖，由此可能导致过于谨慎或危险的规划。因为规划***必须尽可能获得其他代理的所有选项，并根据这些选项的概率和影响对这些选项进行加权，以便能够规划舒适和安全的轨迹。
根据本发明，说明了一种根据独立权利要求的特征的用于评估交通环境的交通参与者的可能轨迹的方法、设备以及计算机程序产品和计算机可读存储介质，其至少部分地具有上述效果。有利的构型是从属权利要求以及以下描述的主题。
本发明基于以下知识，即可以借助于推荐服务特别合适地评估交通参与者行进出特殊交通环境的在交通技术和交通法规上可能的轨迹并且由此显示所观察到的轨迹的概率。
在此，这样的评估应理解为将轨迹推荐给所述交通环境，所述交通环境可以说是使用所述推荐服务并且所述交通参与者是所述交通环境的一部分。在推荐服务情况下的基本假设是相似用户的行为是相似的。对这些用户的评估通过使用所述轨迹和度量来隐式地得出。
对用户的评估通过所述用户的未来行为隐式地得出，其方式是将可能的轨迹与实际观察到的轨迹进行比较。这在较长的时间段内针对大量交通环境重复数百万次。在此，该方法的优点是，可以进行多次几乎相同概率的评估而不会例如通过一种不同类型的方法预测两个轨迹的平均而导致歧义，后者是不利的并且可能导致不可能的轨迹。
根据用于评估交通环境的交通参与者的可能轨迹的方法的一个方面，在一个步骤中检测具有静态和动态特征的所述交通环境。
在所述方法的进一步的步骤中，识别至少一个交通参与者。特别地，该识别可以借助于交通状况的所检测的动态特征来进行。
特别地，可以借助于所述交通状况的所检测的动态特征来识别交通参与者。
在所述方法的进一步的步骤中，为所述交通状况的所述至少一个交通参与者确定至少一个可能的轨迹。
在所述方法的进一步的步骤中，借助于经过适配的推荐服务和所检测的交通环境来评估为所述至少一个交通参与者确定的所述至少一个可能的轨迹。
在此，交通参与者的可能轨迹是相应的交通参与者可以在遵守交通规则的情况下行进的轨迹。然而，特别是也可以是相应的交通参与者可能行进的轨迹。在此，相对于相应的交通参与者来说明所述环境。例如，可以以所述交通参与者为中心来说明所述环境。
在此，推荐服务是一种方法，其目的是进行预测并量化用户对对象的兴趣的强烈程度，以便从所有现有对象的集合中向该用户恰好推荐该用户可能最感兴趣的对象。
协作推荐服务，也称为协作过滤器，推荐具有相似评估行为的用户（即相似用户）最感兴趣的对象。为此无需具有关于所述对象本身的其他知识。因此，这样的协作推荐服务能够恰好推荐复杂的对象，而不必“理解”所述对象本身。推荐服务基于先前基于度量考虑的用户-对象组合借助于有关当前使用的给定信息来评估对象。
协作过滤器***具有许多形式，但是可以将许多常见的***简化为两个步骤：
- 搜索与活跃使用者共享相同评估模式的使用者，所述活跃使用者即所述预测所针对的使用者。
- 使用在所述搜索中找到的使用者的评估来计算针对所述活跃使用者的预测。
这属于基于使用者的协作过滤的类别。具体的应用是使用者定义的K最近邻算法（K-nächste Nachbar-Algorithmus）。
用于评估交通参与者的可能轨迹的所述方法的优点在于，不存在关于所述交通环境的限制。无需明确开发规则或启发式方法。这样的对可能轨迹的评估可以几乎实时地快速完成。
所述交通环境的静态和动态特征可涉及静态和动态对象的细节，但是这些特征也可涉及整个对象本身，例如作为一个整体。
对交通参与者的识别可以借助于所述交通状况的所检测的动态特征来进行。
所检测的具有静态和动态特征的交通环境意味着在特定时刻检测特征，在这些特征处可以获取信息以执行该方法。
经过适配的推荐服务是这样一种推荐服务，该推荐服务在其结构、即推荐服务的类型或方式方面以及在其特殊构型——例如通过训练神经网络或通过借助于训练数据或训练向量等构造K最近邻方法——方面被设计和测试为，执行具体任务。这种推荐服务的示例性结构或适配还将被更详细地描述。
根据一个方面建议，所述交通环境具有交通状况的以下动态和静态特征或对象：速度、速度差、交通参与者的相互距离、交通参与者与环境的距离、交通参与者和交通状况的俯视图、交通参与者相对于环境的运动方向或定向。
此外，所述交通环境具有交通状况的以下动态和静态特征或对象：交通规则——特别是本地相关的交通规则、停止线、停车线、交通线、车道标记。
此外，所述交通环境具有交通状况的以下动态和静态特征或对象：交通信号灯状态、地理地图数据、车道、交叉路口的结构、一般的丁字路口和交通路线；以及附加地交通环境的总结性描述，例如：一般的交通状况、交通流量、交通拥堵、空闲的驾驶道路。
在此，所述交通参与者不仅涉及一般意义上的车辆，而且还涉及所有交通参与者（如特别也包括行人）及其位置、定向和速度。
根据一个方面建议，借助于传感器来检测所述交通环境的至少一个特征。在此，这可以是静态或动态特征，由此也可以检测临时特征或时间过程。
根据一个方面建议，通过在至少两个时间上连续的时刻确定至少一个动态特征来检测所述交通环境。如果为了描述所述交通环境在每个单个评估步骤中都存在时间上连续的信息，则可以明显提高所述方法的准确性。
根据一个方面建议，所述交通环境的特征具有至少一个交通规则和/或至少一个交通灯标志设备的至少一个特征和/或至少一个静态或动态交通标志。这些附加的说明更详细地描述了所述交通环境，并且因此使得可以更好地评估可能的轨迹。
根据一个方面建议，借助于成像传感器来检测所述交通环境的至少一个特征。这样的成像传感器使得可以非常准确地识别和分类所述交通环境的至少一部分，这又可以对所述评估的准确性产生积极影响。
根据一个方面建议，借助于自车辆的传感器来检测所述交通环境的至少一个特征。有利地，所述交通环境的这种类型的检测集中在与所述自车辆有关的特别相关的部分上。
根据一个方面建议，借助于固定传感器来检测所述交通环境的至少一个特征。例如，这样的传感器在交通繁忙或结构复杂的交叉路口处可以将数据传送到例如自车辆，所述数据使得所述自车辆能够改善对特别是其他交通参与者的可能轨迹的评估。
根据一个方面建议，借助于传感器来检测所述交通环境的至少一个动态特征。与用于检测动态特性的其他可能性相比较，这样的传感器可以提高可靠性。例如，雷达传感器可以直接确定交通参与者的速度。但是动态的特征或对象也可以例如从成像传感器的具体图像处理中推导得出。
根据一个方面建议，将至少一个交通参与者的交通状况的静态特征和/或动态特征中的至少一些无线地传送到所述交通状况的其他交通参与者。
由此，通过多个交通参与者的相互作用可以纵览更大的交通状况，并且例如可以提供对于一些交通参与者而言难以看到的交通环境或交通状况。
根据一个方面建议，借助于由经过评估的观察到的轨迹、不同的交通环境和所述至少一个可能的轨迹构成的大量对应组合将所述推荐服务适配为评估可能的轨迹。
这意味着可以基于观察到的轨迹来构造所述推荐服务，所述观察到的轨迹与相应的交通环境结合以适配所述推荐***。观察到的轨迹是在真实世界中在具体交通环境中行进过的轨迹，并且可以通过多种方式表示和绘制。
根据一个方面建议，所述推荐服务是协作推荐服务并且具有带有至少一个卷积层的神经网络，或具有递归神经网络，或基于K最近邻方法。
根据一个方面建议，所述神经网络具有用于检测所述环境的第一自动编码器和用于检测所述可能的轨迹的第二自动编码器。通过以所描述的方式来划分所述神经网络，可以使训练更加简单。
“自动编码器”应当理解为一种人工神经网络，其使得可以学习输入数据中包含的特定模式。自动编码器被用于通过相应地从一般化的背景中提取重要特征（如特定类别）来生成所述输入数据的压缩的或无噪声的表示。
自动编码器使用三层或更多层：
•输入层，例如二维图像。
•多个明显更小的层，这些层形成用于减少数据的编码。
•输出层，该输出层的维度与所述输入层的维度相对应，即所述输出层中的每个输出参数具有与所述输入层中的相应参数相同的含义。
替代地，也可以将所述交通环境和所述可能的轨迹直接输入到神经卷积网络（CNN：convolutional neural net，卷积神经网络）中以获得评估。
根据另一方面建议，借助于由检测的交通环境和观察到的轨迹构成的大量对应组合来形成K最近邻方法的向量。所述K最近邻方法提供了一种无参数且易于实现的方案，用于基于先前明确评估并存储的对象来评估新对象。
根据一个方面建议，借助于地理地图来检测所述交通环境的至少一个静态特征。这是一种用于检测与交通相关的静态特征的简单方法。可以使用高精度地理地图进一步改进该方法。
根据一个方面建议，通过根据所述交通环境的俯视图将所述交通环境的空间部分转换成二维参考***来检测所述交通环境。
俯视图或平面图是空间条件的图形表示的二维正交投影。与鸟瞰图相比，所述俯视图是一种平面表示，从中可以测量对象的尺寸。
根据一个方面建议，所检测的交通环境包含至少一个交通参与者的到目前为止的轨迹。
根据另一方面建议，至少一个交通参与者的交通环境的至少一个动态特征在其到目前为止的走向中被检测了足够长时间，以能够从中估计所述轨迹的其他走向。
根据一个方面建议，所检测的交通环境包含至少一个交通参与者的速度。
根据一个方面建议，所检测的交通环境包含至少一个交通参与者的运动方向。
根据一个方面建议，借助于成本函数的优化和/或借助于基于搜索的方法和/或机器学习的方法来确定至少一个可能的轨迹。借助于用于确定所述可能的轨迹的多种方法，可以将所述方法适配于当地条件。
可以通过用于保持车道、用于调节速度的启发式方法以及根据街道走向来确定可能的轨迹。例如，为所有可能的车道确定可能的轨迹，并补充考虑不同交通信号灯电路的其他轨迹。
标准方法可以基于成本函数的优化来创建可能的轨迹，可以基于搜索或经过机器学习。通过优化来计算轨迹迭代地或直接地创建与最佳可能属性（如驾驶舒适性、与交通参与者的距离以及遵守交通规则）的偏差尽可能小的轨迹。简而言之，基于搜索的方法通过搜索从A到B的连接来迭代地搜索对于其当前环境来说最佳的轨迹。经过机器学习的方法可以学习模仿已经看到的轨迹，并基于这些轨迹生成新的轨迹。
替代的轨迹计算函数例如基于优化，并且搜索使给定成本函数最小化的轨迹；基于地图的方法例如仅简单地遵循车道；诸如“模仿学习”、“强化学习”的深度学习方法借助于机器学习来创建轨迹；基于物理的方法基于车辆的动态性确定轨迹并且主要用于短近似。
特别地，轨迹映射随着时间对象的位置，但是也可以替代地或附加地表示为随着时间的速度说明和/或随着时间的加速度说明。
在确定轨迹时，可以考虑根据车道和车道的合并来改变驾驶方向的所有可能性。特别地，可以借助于相应环境的准确地图表示来确定每个交通参与者的可能轨迹，所述环境包括交叉路口、丁字路口、街道布局和/或当前交通规则。
根据一个方面建议，考虑到轨迹上的驾驶舒适性和/或与其他交通参与者的距离和/或交通规则的遵循来确定至少一个可能的轨迹。特别是在至少部分自动化的车辆情况下，所述车辆使用所描述的方法来例如确定自己要行进的轨迹，这用于改善交通状况或交通环境中的安全性。
根据一个方面建议，借助于所述交通环境的地图表示来确定至少一个可能的轨迹。在此，要考虑根据车道和车道的合并以及交叉路口、当前的交通规则来改变驾驶方向的所有可能性。
根据一个方面，建议一种用于创建推荐服务以评估可能轨迹的方法。
在此，在一个步骤中针对大量不同的交通环境，通过重复以下步骤来确定由检测的交通环境、观察到的轨迹以及至少一个可能的轨迹构成的大量对应组合：
在一个步骤中，检测具有至少一个静态特征和至少一个动态特征的所述交通环境。
在进一步的步骤中，识别交通状况的至少一个交通参与者。
在进一步的步骤中，检测所述至少一个交通参与者的观察到的轨迹。
在进一步的步骤中，为所述交通环境的所述至少一个交通参与者确定至少一个可能的轨迹。
然后，随后借助于观察到的轨迹与所述至少一个可能的轨迹的偏差，利用由检测的交通环境、观察到的轨迹和所述至少一个可能的轨迹构成的多个对应组合来适配所述推荐服务。
在此，可以借助于融合的传感器数据来检测用于检测所述交通环境的传感器数据。
根据一个方面建议，为了评估在所检测的交通环境中的观察到的轨迹-交通环境组合，借助于一种度量来计算交通参与者的可能轨迹与观察到的轨迹之差。通过将所述度量应用于观察到的轨迹与可能轨迹的偏差的结果，可以定量描述所使用的轨迹并存储所述轨迹以用于其他计算。
对于训练数据，明确地借助于一种度量来评估所有轨迹。然后，所述推荐服务将根据相似性度量隐式地通过所述评估来尝试最小化所述度量。
例如，一种***基于当前的街道地图来确定一系列可能的轨迹。计算基于现有车道以及可能的车道合并的所有可能的方向变化。然后，将交通环境的一系列特征，例如相对距离、速度、交通参与者的数量、交通参与者的关系、交通规则、停车线、交通线、交通参与者的俯视图等用作推荐服务的输入，以用于估计所述可能的轨迹的概率。离线地，即在不影响主动预测***的情况下，将所有交通参与者的可能轨迹与观察到的轨迹进行比较。借助于车道位置、速度偏差等之间的差，可以针对多个时间步骤评估各个可能的轨迹。
将这些评估用于训练机器学习***，以
a）将意图的评估作为回归问题来估计，
b）比较两个可能轨迹的概率，其方式是对具有更高概率的可能轨迹进行分类，并且
c）为每种可能轨迹说明估计的概率。
然后，该经过训练或适配的推荐***（也称为评级估计器）将在线用于估计不同意图的概率。
根据一个方面建议，用于计算交通参与者的可能轨迹与观察到的轨迹之间的差的度量确定相应轨迹上的路径点的距离。
根据另一方面建议，所述度量计算在检测所述交通环境的时刻之后的三个不同时刻在相应轨迹上的路径点的绝对差，即可能的轨迹与观察到的轨迹的绝对差，并将它们相加。这三个不同时刻可以位于确定了所述可能的轨迹之后例如1秒、2秒或3秒，并且可以由成本和效益的权衡而得到。
根据另一方面建议，所述度量是在相应轨迹上的路径点的差和/或路径点处的速度和/或加速度的差的函数。
特别地，可以在三个时刻计算在位置、速度和加速度方面的差。
可以用以下公式1描述这样的关系：
Figure 313290DEST_PATH_IMAGE001
其中
Figure 496009DEST_PATH_IMAGE002
表示轨迹tk的度量，其中：
tk=可能的轨迹；t=观测到的轨迹；
Figure 541326DEST_PATH_IMAGE003
是在时刻
Figure 936535DEST_PATH_IMAGE004
时轨迹tk处的速度；
Figure 141120DEST_PATH_IMAGE005
是在时刻
Figure 229162DEST_PATH_IMAGE004
时轨迹tk处的位置；
Figure 761775DEST_PATH_IMAGE006
是在时刻
Figure 226254DEST_PATH_IMAGE004
时轨迹tk处的加速度。
变量t_k代表第k个轨迹，t代表观察到的轨迹，t1，t2，t3代表三个时间步骤，v代表速度，x代表位置，而a代表加速度。
根据一个方面建议，所述推荐服务是协作推荐服务。
根据一个方面建议，对所述推荐***的适配或训练离线地进行。
根据一个方面建议，所述推荐服务借助于神经网络评估所述至少一个可能的轨迹，所述神经网络被利用交通参与者的大量经过评估的观察到的轨迹-交通环境组合训练过。
这使得经过训练的神经网络可以在其输出端处直接提供标量作为用于评估可能轨迹的度量值（Maßzahl）。
神经网络为用于机器学习、协作和处理复杂数据输入的许多不同算法提供了框架。这样的神经网络学习基于示例来执行任务，而无需典型地使用特定于任务的规则对所述神经网络编程。
这样的神经网络基于被称为人工神经元的连接单元或节点的集合。每个连接都可以将信号从一个人工神经元传输到另一个人工神经元。接收信号的人工神经元可以处理所述信号，并且然后必要时转发经过更改的信号。
在常规实现神经网络的情况下，所述信号在人工神经元的连接处是实数，并且人工神经元的输出通过该人工神经元的输入总和的非线性函数来计算。人工神经元的连接典型地具有随着学习进度而适配的权重。所述权重增加或减小所述信号在连接处的强度。人工神经元可以具有阈值，使得只有在总信号超过该阈值时才输出信号。典型地将大量人工神经元组合为层。不同的层可以对其输入执行可能不同类型的转换。可能在多次经过这些层之后，信号从第一层（即输入层）迁移到最后一层（即输出层）。
人工神经前馈网络的体系架构可以是按照以下方式配置的体系架构，即，该体系架构在其输入级中例如根据图像接收单个数据模式，并且提供输出值，例如分类向量或标量，所述输出值根据提出的问题包含基于先前训练的近似。前馈网络对每个神经元恰好通过一次。
多层感知器（MLP）属于前馈人工神经网络家族。基本上，MLP由至少三层神经元组成：输入层、中间层（hidden layer，隐藏层）和输出层。这意味着所述网络的所有神经元都被分为层，其中给定层的神经元总是仅从单个先前层获得其输入，并且将其输出同样仅转发到一个固定层中。因此，不存在跳过一个层或被多次激活的连接。除了所述输入层之外，不同的层都由神经元组成，这些神经元通常经历非线性激活函数并与下一层的神经元连接。
反馈神经网络（英语：Recurrent Neural Network，RNN，递归神经网络）是这样一种神经网络，其与前馈网络相比还具有从一层的神经元到同一层或前一层的神经元的连接。在此，该结构特别适合于发现数据中的时间编码信息。
作为对上面的前馈神经网络的讲述的补充，人工神经卷积网络（ConvolutionalNeural Network，卷积神经网络）的结构由一个或多个卷积层（convolutional layer）构成，必要时跟随有池化层。可以在具有或不具有归一化层（例如，批量归一化）、零填充层、退出层和激活函数（例如，整流线性单元ReLU、sigmoid函数、tanh函数或softmax函数）的情况下使用层序列。原则上，这些单元可以重复任意多次直到重复足够的次数，然后称为深度卷积神经网络。在重复了几个由卷积层和池化层组成的块之后，可以使用一个（或多个）全连接层（类似于MLP的体系结构）来结束所述CNN。
对于K最近邻方法，在适配或训练期间，将具有来自环境检测、用于自主驾驶的地图的信息以及关于可能轨迹的信息的向量存储在向量空间中。
所述向量空间通过输入向量的长度来撑开，所述输入向量例如具有80个用于环境检测的条目和20个用于轨迹的条目，将会撑开R^100的向量空间。R在这里代表实数，并且可以根据各个条目的维度来减小R，例如对于离散值或二进制输入减小到自然数。
为了评估由向量表示的新的环境检测-轨迹组合，借助于一种度量（例如欧几里得范数）将所述新向量与现有向量进行比较。现有的“k”个最近向量将被添加到所述评估中。该估值被评估为K个最近邻居的估值的加权总和。作为权重，例如可以使用相同的权重或与距离相反选择的权重。
这意味着借助于自动编码器将所述交通环境的检测（包括来自地图材料的静态信息）压缩为向量。附加地，将直接计算出的针对环境（例如交通灯状态、先行权规则、速度限制）的特征数保存在单独的向量中。所述自动编码器提供大小为256的向量，即特征数向量64。附加地，借助于自动编码器压缩的向量和特征数向量来表示所述轨迹。这些向量的大小分别为64和24。由环境检测和轨迹组合的组合向量由408个条目组成，并撑开具有此大小的向量空间。对于每个向量条目，在训练时都存在基于实际驶过的轨迹与可能的预测轨迹的相似性的评估。在推断时，即在在线评估时，对给定环境的预测轨迹的3个最近邻居的评估进行算术平均。
为了优化运行时间，可以借助于主成分分析来压缩撑开的向量空间，并且然后借助于“树”来划分该向量空间，由此更快地找到接下来的条目。
对于所述推荐服务，将具有关联的观察到的轨迹的交通环境的特征转换为特征空间并进行存储。例如，通过K最近邻方法，基于所述特征空间中的距离确定最可能的轨迹。在此，不是采用下一个类别，而是采用其特征最接近当前轨迹的类别。
根据一个方面建议，重复地，例如循环地对所述可能的轨迹进行评估。由此实现了可以对交通状况的变化做出反应。
例如，一旦计算出异步确定的交通环境之一，就执行新的评估。
建议了一种用于规划要由交通环境的至少一个交通参与者行进的轨迹的方法，其中在一个步骤中为所述交通环境的每个交通参与者确定至少一个可能的轨迹。在进一步的步骤中，根据前述方法，为每个交通参与者评估多个每个可能轨迹中的至少一个。例如，每个可达到车道以及多个额外状况的一个可能的轨迹。在进一步的步骤中，借助于其他交通参与者的所有评估的、可能的轨迹来确定所述交通状况的所述至少一个交通参与者要行进的轨迹。
根据一个方面建议，将对可能的轨迹的评估转移到轨迹规划***。然后，这使得所述轨迹规划***能够规划要行进的轨迹。
根据一个方面建议，依据对所述轨迹的评估，车辆中的至少一个车辆基于所有可用的信息来计算其自轨迹。
所描述的方法可以用于行为规划、轨迹规划、运动规划以及用作紧急制动助手或驾驶员辅助***。
可以根据对可能的轨迹的评估来计算出概率，并且然后利用以此方式识别出的可能轨迹可以执行对要行进的自轨迹的规划。
建议了一种用于建议要行进的自轨迹的***，所述***被设计为执行根据上述方法的方法，并且依据对其他交通参与者的轨迹的评估向所述交通参与者之一建议要行进的轨迹。所述要行进的轨迹是所述交通参与者想要用于到达其目的地的轨迹。
建议了一种设备，其被设计为执行上述方法。
建议了一种计算机程序，其包括指令，所述指令在由计算机实施程序时促使所述计算机实施上述方法。
建议了一种机器可读存储介质，其上存储了所描述的计算机程序。
附图说明
本发明的实施例在图1至图3中示出，并且在下面得到更详细的说明。
图1示出了具有交通参与者的可能轨迹的街道交叉路口；
图2示出了具有两个交通参与者和可能轨迹的丁字路口；以及
图3示出了用于评估可能轨迹的方法的步骤。
具体实施方式
在图1中，以多车道的街道交叉路口的俯视图的形式概略地绘出交通环境100。概略地绘出交通参与者110，以及用虚线a至f绘制了交通参与者110的各种可能轨迹。在此，也可以为至少一个车道考虑多个轨迹。更早了解到的交通参与者仅通过其观察到的轨迹的细线来表示。
图2从具有位于停止线211前面的自车辆210的T型路口或丁字路口的俯视图中概略地绘出另一交通环境200，所述自车辆没有先行权。从自车辆210的角度来看，交通参与者220来自左侧，其车辆220与先行权街道上的直线方向成微小角度。在交通参与者220的状况下得出继续行驶的三个可能性，并且为每个可能性绘制了一个可能的轨迹。对于转弯进入横街是轨迹230，对于在直线方向上继续行驶是轨迹250，并且对于在所述先行权街道上掉头是轨迹240。所有可能的方向改变都是基于现有车道和可能的合并来计算。此外，以虚线绘制出计划向左转弯到所述先行权街道上的自车辆210的要行进的轨迹。时刻t1、t2、t3在交通参与者220的可能轨迹230、240、250上通过黑点表示。此外，绘制了交通参与者220的观察到的轨迹270，并且在观察到的轨迹270上用小方块表示时刻t1、t2、t3，以描述适配推荐服务的步骤。
根据用于评估交通环境的交通参与者的可能轨迹的方法，在一个步骤中借助于地理地图（例如，自车辆210和交通参与者220的俯视图和动态特征）检测交通环境200，该交通环境200具有其T型交叉路口的静态特征。提供了一系列特征，例如车辆210、220的相对距离：几乎没有车辆长度，交通参与者的数量：这里是两个，这些交通参与者相对于彼此的空间位置：这里几乎彼此垂直，交通规则：这里是具有先行权的街道和停车线作为用于所述推荐服务的输入，以评估所有可能的轨迹230、240、250。
在进一步的步骤中，借助于例如交通状况200的所检测的动态特征来识别交通参与者220。在进一步的步骤中，确定交通状况200的至少一个交通参与者220的可能的轨迹230、240、250。在进一步的步骤中，借助于推荐服务来评估交通环境200的至少一个交通参与者220的可能的轨迹230、240、250。在此，如从图2可以获悉的那样，特别是考虑到在所述轨迹上的驾驶舒适性和交通规则的遵循来确定可能的轨迹230、240、250。
如上面已经描述的，所述推荐服务借助于交通参与者的大量经过评估的观察到的轨迹-交通环境组合来评估可能的轨迹230、240、250。
当交通参与者220继续其路径时，可以确定在图2中标示的观察到的轨迹270，以获得用于训练所述推荐服务的其他轨迹-交通环境组合。可以借助于一种度量使用可能的轨迹230、240、250来评估观察到的轨迹270，其方式是在三个时刻确定相应轨迹上的路径点以及分别测量在来自观察到的轨迹270的路径点和来自相应可能的轨迹230、240、250的路径点之间的距离。这些值的总和根据公式1得出了用于评估的度量。
所使用的推荐服务具有经过适配的、特别是经过训练的神经网络，其中所述推荐服务借助于神经网络来评估所述至少一个可能的轨迹，该神经网络被利用交通参与者的大量经过评估的观察到的轨迹-交通环境组合训练过。所述神经网络在此具有用于检测所述环境的第一自动编码器和用于检测所述可能的轨迹的第二自动编码器。
环境检测的输出用作自动编码器的输入，以表示自车辆和交通参与者周围的当前交通状况。
为此，所述环境检测的输出部分地借助于3D转换被转换为俯视图（top-down-view，自顶向下视图），并相应地以2D形式表示为图像平面。这些图像平面随后借助于卷积层被压缩为自动编码器的一部分。
附加地，将诸如交通规则、交通参与者之间的距离、速度、交通信号灯状态以及其他难以可视化的属性的信息作为向量添加到所述自动编码器的后一层。同样借助于3D投影将所述可能的轨迹处理为包括在单独的自动编码器中的地图材料在内的2D可视化，并借助于附加信息向量补充到所述可能的轨迹中。
然后，将这两个自动编码器的输出进行组合，并在密集层（dense layer）和归一化层处导入到多个层的***中。该***的输出是对当前环境的可能轨迹的标量评估。额外的退出层随机地使所述神经网络中的一些神经元缄默（stummschalten），以减少过度适配的可能性。
将所述环境检测的不同属性的可视化作为输入导入到具有设定的基本结构的自动编码器中。在（6，224，224）张量中定义所述环境，该张量作为所述环境的可视化定义为具有224像素x 224像素分辨率结构的6颜色通道图像。不同的颜色通道代表静态结构、地图信息、动态结构、速度、当前的先行权车道和交通信号灯阶段。
所述卷积网络的基本结构被设定为具有2000个单元的输出向量的RESNET-34。补充地，我们添加了96个单元，其具有关于环境的附加信息，如速度限制、先行权规则、准确的距离和车道关联性。所述轨迹被可视化为两通道图像。一个通道可视化地图材料，并且另一个通道可视化可能的轨迹。借助于Resnet-34的自动编码器将所述可视化编码为512个单元的向量。附加地，在72个单元的向量中添加一维的速度步长、加速度步长和定向步长。
将所述自动编码器的具有信息向量、即2096和584个单元的输出作为向量导入到具有标量输出的密集前馈网络中。该网络的结构如下。
层（类型） 初始形式 参数＃
输入 (2680, 1) 0
密集21 (4096, 1) 4096*2680
退出 (4096, 1) 0
密集2 (2048, 1) 2048*4096
批量归一化 (2048, 1) 0
密集3 (1028, 1) 1028*2048
密集4 (512, 1) 512*1028
输出 (1) 512
表格1描述了所述自动编码器后面的前馈网络。输入是2680个单元的输入向量。

Claims (15)

1.用于评估交通环境的交通参与者的可能轨迹的方法，具有以下步骤：
检测具有静态和动态特征的所述交通环境（S1）；
识别至少一个交通参与者（S2）；
为所述交通环境的所述至少一个交通参与者确定至少一个可能的轨迹（S3）；
借助于经过适配/经过训练的推荐服务和所检测的交通环境来评估为所述至少一个交通参与者确定的所述至少一个可能的轨迹（S4）。
2.根据权利要求1所述的方法，其中，借助于由经过评估的观察到的轨迹、不同的交通环境和所述至少一个可能的轨迹构成的大量对应组合将所述推荐服务适配为评估可能的轨迹。
3.根据前述权利要求中任一项所述的方法，其中，所述推荐服务是协作推荐服务并且具有带有至少一个卷积层的神经网络，或具有递归神经网络，或基于K最近邻方法。
4.根据前述权利要求中任一项所述的方法，其中，所述神经网络具有用于检测所述环境的第一自动编码器和用于检测所述可能的轨迹的第二自动编码器。
5.根据前述权利要求中任一项所述的方法，其中，借助于由检测的交通环境和观察到的轨迹构成的大量对应组合来形成所述K最近邻方法的向量。
6.根据前述权利要求中任一项所述的方法，其中，借助于所述交通环境的地理地图来确定所述至少一个可能的轨迹。
7.根据前述权利要求中任一项所述的方法，其中，通过根据所述交通环境的俯视图将所述交通环境的空间部分转换成二维参考***来检测所述交通环境。
8.根据前述权利要求中任一项所述的方法，其中，所检测的交通环境包含至少一个交通参与者的到目前为止的轨迹。
9.根据前述权利要求中任一项所述的方法，其特征在于，借助于成本函数的优化和/或借助于基于搜索的方法和/或机器学习的方法来确定至少一个可能的轨迹。
10.用于创建推荐服务以评估可能轨迹的方法，具有以下步骤：
针对大量不同的交通环境，通过重复以下步骤来确定由检测的交通环境、观察到的轨迹以及至少一个可能的轨迹构成的大量对应组合：
检测具有至少一个静态特征和至少一个动态特征的所述交通环境；
识别交通状况的至少一个交通参与者；
检测所述至少一个交通参与者的观察到的轨迹；
为所述交通环境的所述至少一个交通参与者确定至少一个可能的轨迹；以及
借助于观察到的轨迹与所述至少一个可能的轨迹的偏差，利用由检测的交通环境、观察到的轨迹和所述至少一个可能的轨迹构成的多个对应组合来适配所述推荐服务。
11.根据权利要求10所述的方法，其中，为了评估在所检测的交通环境中的观察到的轨迹-交通环境组合，借助于一种度量来计算交通参与者的可能轨迹与观察到的轨迹之差。
12.用于规划要由交通环境的至少一个交通参与者行进的轨迹的方法，具有以下步骤：
为所述交通环境的每个交通参与者确定至少一个可能的轨迹；
根据权利要求1至11中任一项，为每个交通参与者评估多个每个可能的轨迹；
借助于其他交通参与者的所有评估的、可能的轨迹来确定所述交通状况的所述至少一个交通参与者要行进的轨迹。
13.设备，被设计为执行根据权利要求1至12中任一项所述的方法。
14.计算机程序，包括指令，所述指令在由计算机实施时促使所述计算机实施根据权利要求1至12中任一项所述的方法（10）。
15.机器可读存储介质，其上存储有根据权利要求14所述的计算机程序。
CN202010625817.3A 2019-07-03 2020-07-02 用于评估可能轨迹的方法 Pending CN112185148A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019209736.7 2019-07-03
DE102019209736.7A DE102019209736A1 (de) 2019-07-03 2019-07-03 Verfahren zur Bewertung möglicher Trajektorien

Publications (1)

Publication Number Publication Date
CN112185148A true CN112185148A (zh) 2021-01-05

Family

ID=73919582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010625817.3A Pending CN112185148A (zh) 2019-07-03 2020-07-02 用于评估可能轨迹的方法

Country Status (3)

Country Link
US (1) US11501449B2 (zh)
CN (1) CN112185148A (zh)
DE (1) DE102019209736A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113619603A (zh) * 2021-08-25 2021-11-09 华中科技大学 一种双阶段自动驾驶车辆调头轨迹规划方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11900224B2 (en) * 2019-12-26 2024-02-13 Waymo Llc Generating trajectory labels from short-term intention and long-term result
DE102021203440A1 (de) 2021-04-07 2022-10-13 Zf Friedrichshafen Ag Computerimplementiertes Verfahren, Computerprogramm und Anordnung zum Vorhersagen und Planen von Trajektorien
GB2606752A (en) * 2021-05-20 2022-11-23 Continental Automotive Gmbh Robot fleet management method and system using a graph neural network
CN113291320A (zh) * 2021-06-15 2021-08-24 苏州智加科技有限公司 一种车辆轨迹预测方法、装置、设备及存储介质
DE102021208472B3 (de) 2021-08-04 2022-12-01 Continental Autonomous Mobility Germany GmbH Computerimplementiertes Verfahren zum Trainieren eines Machine-Learning-Modells für ein Fahrzeug oder einen Roboter
CN115099009B (zh) * 2022-05-31 2023-08-29 同济大学 一种基于推理图的混合交通流运动行为建模方法
DE102022002457A1 (de) * 2022-07-05 2024-01-11 Mercedes-Benz Group AG Verfahren zur Prädiktion eines Einflusses eines Verkehrsteilnehmers auf zumindest einen anderen Verkehrsteilnehmer und Verfahren zum Betrieb eines Fahrzeugs
CN115687764B (zh) * 2022-11-01 2023-12-01 北京百度网讯科技有限公司 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置
DE102023200197A1 (de) 2023-01-12 2024-07-18 Zf Friedrichshafen Ag Fahrzeugsystem und Verfahren zur Erhöhung der Verlässlichkeit einer Vorhersage von Zukunftstrajektorien

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9098753B1 (en) * 2014-04-25 2015-08-04 Google Inc. Methods and systems for object detection using multiple sensors
CN107010053A (zh) * 2015-10-20 2017-08-04 罗伯特·博世有限公司 用于选择优化轨迹的方法
DE102017212629A1 (de) * 2017-07-24 2019-01-24 Bayerische Motoren Werke Aktiengesellschaft Prädiktion des Verhaltens eines Verkehrsteilnehmers
US20190164422A1 (en) * 2017-11-28 2019-05-30 Honda Motor Co., Ltd. System and method for providing an infrastructure based safety alert associated with at least one roadway
CN109937343A (zh) * 2017-06-22 2019-06-25 百度时代网络技术（北京）有限公司 用于自动驾驶车辆交通预测中的预测轨迹的评估框架

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2995866A1 (en) * 2015-09-03 2017-03-09 Miovision Technologies Incorporated System and method for detecting and tracking objects
CN106114507B (zh) * 2016-06-21 2018-04-03 百度在线网络技术（北京）有限公司 用于智能车辆的局部轨迹规划方法和装置
DE102016215314A1 (de) * 2016-08-17 2018-02-22 Bayerische Motoren Werke Aktiengesellschaft Fahrerassistenzsystem, Fortbewegungsmittel und Verfahren zur Prädiktion einer Verkehrssituation
DE102017216202A1 (de) * 2017-09-13 2019-03-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße
CN112470199B (zh) * 2018-07-31 2023-05-02 北京嘀嘀无限科技发展有限公司 用于点对点流量预测的***和方法
US11618481B2 (en) * 2019-07-03 2023-04-04 Waymo Llc Agent trajectory prediction using anchor trajectories
US11403853B2 (en) * 2019-08-30 2022-08-02 Waymo Llc Occupancy prediction neural networks
US11127142B2 (en) * 2019-12-31 2021-09-21 Baidu Usa Llc Vehicle trajectory prediction model with semantic map and LSTM

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9098753B1 (en) * 2014-04-25 2015-08-04 Google Inc. Methods and systems for object detection using multiple sensors
CN107010053A (zh) * 2015-10-20 2017-08-04 罗伯特·博世有限公司 用于选择优化轨迹的方法
CN109937343A (zh) * 2017-06-22 2019-06-25 百度时代网络技术（北京）有限公司 用于自动驾驶车辆交通预测中的预测轨迹的评估框架
DE102017212629A1 (de) * 2017-07-24 2019-01-24 Bayerische Motoren Werke Aktiengesellschaft Prädiktion des Verhaltens eines Verkehrsteilnehmers
US20190164422A1 (en) * 2017-11-28 2019-05-30 Honda Motor Co., Ltd. System and method for providing an infrastructure based safety alert associated with at least one roadway

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113619603A (zh) * 2021-08-25 2021-11-09 华中科技大学 一种双阶段自动驾驶车辆调头轨迹规划方法
CN113619603B (zh) * 2021-08-25 2023-02-07 华中科技大学 一种双阶段自动驾驶车辆调头轨迹规划方法

Also Published As

Publication number Publication date
US11501449B2 (en) 2022-11-15
US20210004966A1 (en) 2021-01-07
DE102019209736A1 (de) 2021-01-07

Similar Documents

Publication Publication Date Title
CN112185148A (zh) 用于评估可能轨迹的方法
US11131993B2 (en) Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
US20210362596A1 (en) End-To-End Tracking of Objects
CN111670468B (zh) 移动体行为预测装置以及移动体行为预测方法
US20230359202A1 (en) Jointly Learnable Behavior and Trajectory Planning for Autonomous Vehicles
US20230042431A1 (en) Prediction and planning for mobile robots
CN107310550B (zh) 道路交通工具行驶控制方法和装置
JP2022058566A (ja) 自律走行車両用動的モデル評価パッケージ
CN114127810A (zh) 车辆自主级功能
Huang et al. Recoat: A deep learning-based framework for multi-modal motion prediction in autonomous driving application
Sharma et al. Kernelized convolutional transformer network based driver behavior estimation for conflict resolution at unsignalized roundabout
Srinivasan et al. Beyond RMSE: Do machine-learned models of road user interaction produce human-like behavior?
Meyer et al. Anytime lane-level intersection estimation based on trajectories of other traffic participants
WO2024049925A1 (en) Trajectory prediction based on a decision tree
Huang et al. An autonomous UAV navigation system for unknown flight environment
Kuhnt et al. Towards a unified traffic situation estimation model—Street-dependent behaviour and motion models
Li et al. Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation
Salzmann et al. Online Path Generation from Sensor Data for Highly Automated Driving Functions
Hjaltason Predicting vehicle trajectories with inverse reinforcement learning
Tao et al. Geo-spatial and temporal relation driven vehicle motion prediction: A geographic perspective
US20240071211A1 (en) Predicting the behavior of road users based on a graph representation of a traffic situation
Xu et al. SoLo T-DIRL: Socially-Aware Dynamic Local Planner based on Trajectory-Ranked Deep Inverse Reinforcement Learning
Gillam Deep Learning for Autonomous Vehicle Path Optimization in Urban Environments
Schöller Robust and Probabilistic Motion Prediction for Intelligent Infrastructure Systems
Nivash MULTI-AGENT TRAJECTORY PREDICTION FOR AUTONOMOUS VEHICLES

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