CN113424022B - 一种处理预测运动轨迹的方法、显示约束屏障的方法以及装置 - Google Patents
一种处理预测运动轨迹的方法、显示约束屏障的方法以及装置 Download PDFInfo
- Publication number
- CN113424022B CN113424022B CN202080002621.7A CN202080002621A CN113424022B CN 113424022 B CN113424022 B CN 113424022B CN 202080002621 A CN202080002621 A CN 202080002621A CN 113424022 B CN113424022 B CN 113424022B
- Authority
- CN
- China
- Prior art keywords
- barrier
- road
- constraint
- constraint barrier
- grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004888 barrier function Effects 0.000 title claims abstract description 383
- 230000033001 locomotion Effects 0.000 title claims abstract description 299
- 238000000034 method Methods 0.000 title claims abstract description 135
- 238000012545 processing Methods 0.000 title claims abstract description 79
- 230000007613 environmental effect Effects 0.000 claims abstract description 80
- 230000008447 perception Effects 0.000 claims abstract description 76
- 238000005070 sampling Methods 0.000 claims description 163
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000004891 communication Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 230000006399 behavior Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000004927 fusion Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 7
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 6
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 6
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000010267 cellular communication Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- G—PHYSICS
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
-
- 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
- B60W40/04—Traffic 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
- B60W40/02—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
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4045—Intention, e.g. lane change or imminent movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4049—Relationship among other objects, e.g. converging dynamic objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/40—High definition maps
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
一种处理预测运动轨迹的方法,可以应用在自动驾驶领域,属于运动轨迹预测应用场景,该方法包括:获取候选运动轨迹(S100),候选运动轨迹为通过预测方法得到的目标对象在未来时间段内的移动轨迹,目标对象在自车的感知范围内;获取感知范围内的环境信息,并基于环境信息生成约束屏障(S200),约束屏障用于指示可约束目标对象通行的区域;基于约束屏障对候选运动轨迹进行处理(S300)。通过基于环境信息生成的约束屏障对预测得到的运动估计进行处理,可以提升预测运动估计的准确性、合理性和可靠性。
Description
技术领域
本申请涉及自动驾驶领域,尤其涉及一种处理预测运动轨迹的方法。
背景技术
预测模块是自动驾驶***(ADS,automated driving system)或者高级辅助驾驶***(ADAS,Advanced Driver Assistance Systems)的核心模块之一。预测模块用于根据上游模块感知到的运动对象的相关信息(例如运动对象的位置、速度、朝向等等)并结合自车周围的环境信息(道路拓扑结构、交通信号灯、交互行为等),推理出运动对象未来时刻可能的行为和/或运动轨迹。预测模块的预测结果可以用于下游模块进行决策规划的输入信息,合理的决策规划能够有效地降低交通事故的发生率。可以看出,预测模块在ADS或ADAS中发挥着承上启下的关键作用,预测结果的准确性对自动驾驶功能的可靠性有着重大影响。
运动对象的预测可以分为机动车预测、非机动车预测和行人预测三大类,推理出运动对象未来时刻可能的行为和/或轨迹。在运动轨迹预测领域,由于现有技术在预测过程中所依赖的信息不够全面以及使用的预测算法存在误差,可能会预测出不合理的运动轨迹,进而影响后面的决策规划过程,对自动驾驶的安全性、可靠性以及舒适性都会产生很大影响。
发明内容
为了解决现有技术中存在预测得到的运动轨迹不合理的技术问题,本申请实施例提供了一种处理预测运动轨迹的方法,通过后续处理使得预测得到的运动轨迹更符合实际情况、更合理。
第一方面,本申请实施例提供了一种处理预测运动轨迹的方法,该方法包括:获取候选运动轨迹,其中候选运动轨迹为通过预测方法得到的目标对象在未来时间段内的移动轨迹,目标对象在自车的感知范围内;获取自车感知范围内的环境信息,并基于环境信息生成约束屏障,约束屏障用于指示可约束所述目标对象通行的区域;基于约束屏障对候选运动轨迹进行处理。通过基于环境信息生成的约束屏障对预测得到的运动轨迹进一步处理,可以使得预测得到的运动轨迹更符合实际情况与更加合理,经过上述处理后的运动轨迹更加准确,运用到自动驾驶领域的决策规划更安全、更可靠、更舒适。可选的,自车的感知范围包括自车通过自车配置的传感设备或/和V2X***可以获知的区域,也可以理解为自车需要感知到的区域。在本申请实施例提供的一种处理预测运动轨迹的方法中,推理运动轨迹的预测方法不做任何限定。
第一方面的一种可能的实现方式,上述获取感知范围内的环境信息具体包括:获取目标道路在感知范围内的道路边界和感知范围内的可通行区域Drivable area观测信息,目标道路为自车处于的道路;那么,上述基于环境信息生成约束屏障具体包括:根据道路边界和Drivable area观测信息获得被占据道路边界,其中被占据道路边界表示被障碍物占据的道路边界;在被占据的道路边界处设置约束屏障。结合道路边界属性和可通行区域drivable area的观测信息,可以推理出路面上的不可通行边界,引入更多的环境语义信息,提高对环境的理解能力,能够使得处理后的运动轨迹更准确、更合理。一般来说,基于道路边界和可通行区域Drivable area观测信息生成的约束屏障是一种硬约束,也就是不允许运动轨迹穿过的区域,引入这种硬约束可以修正或移除穿越硬约束的轨迹,是的预测结果更准确和符合实际。
第一方面的一种可能的实现方式,上述根据道路边界和Drivable area观测信息,获得被占据道路边界包括:将Drivable area观测信息投影到道路边界上,并将投影到道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,其中栅格占用概率表示对应栅格被占用的可能性;基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界。
第一方面的一种可能的实现方式,上述基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界具体包括:沿道路边界每间隔预设距离进行采样获得多个采样点;获取多个采样点中各采样点所在栅格的栅格占用概率;根据多个采样点中各采样点所在栅格的栅格占用概率和预设规则获得所述被占据道路。
第一方面的一种可能的实现方式,上述根据多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得被占据道路具体包括:判断多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;若多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则确定道路边界为所述被占据道路。可选的,根据连续采样点所在栅格的栅格占用概率大于预设阈值判断道路边界是否是被占据道路时,预设数量可设置为6,预设阈值可以设置为0.5。可选的,根据不连续采样点所在栅格的栅格占用概率大于预设阈值判断道路边界是否是被占据道路时,预设数量可设置为12,预设阈值可以设置为0.5。
第一方面的一种可能的实现方式,上述获取感知范围内的环境信息包括:获取感知范围内目标道路上的间隔GAP,目标道路为自车处于的道路,GAP为前后车辆之间的间隔;那么,上述基于环境信息生成约束屏障包括:计算GAP的可被穿越概率,可被穿越概率表示目标道路上的移动对象可以穿越对应GAP的可能性;根据可被穿越概率和GAP获得目标车流,目标车流包括GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域;在目标车流处设置约束屏障。基于车流生成的约束屏障是一种软约束。运动对象个体的驾驶行为差异性较大,有激进型、保守型等,很难准确预知每一个对象的抢行、让行意图,引入车流信息可以在交互层面对预测得到的运动轨迹处理,能有效的预测是否存在抢行、让行意图的可能性,并从路权因素提升车流的路权。利用单车与车流交互场景的确定性,提高交互式预测的准确性,降低交互预测的复杂性,减少计算量。GAP越小越容易构成车流,可选的,可被穿越概率小于0.5则认为GAP前后车辆构成车流。
第一方面的一种可能的实现方式,上述计算GAP的可被穿越概率具体包括:对GAP的前后车辆是否构成车流进行评估获得评估结果;根据评估结果计算GAP的可被穿越概率。
第一方面的一种可能的实现方式,上述获取感知范围内的环境信息具体包括:获取感知范围内目标道路的交通信号灯的状态,其中目标道路为自车处于的道路,交通信号灯的状态包括可通行状态和不可通行状态;那么,上述基于环境信息生成约束屏障具体包括:在不可通行状态的交通信号灯所对应车道的停止线处设置约束屏障。基于交通信号状态生成的约束屏障是一种软约束,用于约束动态的驾驶行为,可以减少不合理的预测结果。而且软约束在交通参与者违反交通规则的情况下可以被打破,所以能够兼顾违章行为。可选的,若自车所处车道对应的交通信号灯状态为红灯,在自车所在车道以及与自车所在车道同向的车道的停止线处设置约束屏障。若自车所处车道对应的交通信号灯状态为绿灯且自车所处车道为直行车道,在自车所处车道对面的左转车道的停止线处设置约束屏障。若自车所处车道对应的交通信号灯状态为绿灯且自车所处车道为左转车道,在自车所处车道对面的直行车道的停止线处设置约束屏障。若自车所处车道对应的交通信号灯状态为绿灯且自车所处车道为直行车道,在自车所处车道侧面的直行车道和/或左转车道的停止线处设置约束屏障。该方法进一步还可以还包括:检测目标对象是否违反了交通信号灯的交通规则;若检测目标对象违反了交通信号灯的交通规则将相应的约束屏障移除,即不设置约束屏障。
第一方面的一种可能的实现方式,上述基于约束屏障对候选运动轨迹进行处理具体包括:判断候选运动轨迹与约束屏障是否相交;若候选运动轨迹与约束屏障相交,则降低所述候选运动轨迹的预测结果概率。可选的,与硬约束的约束屏障相交的候选运动轨迹的预测结果概率所要降低的幅度大于与软约束的约束屏障相交的候选运动轨迹的预测结果概率所要降低的幅度。一般可以将与硬约束的约束屏障相交的候选运动轨迹的预测结果概率降到0,也就是将该候选运动轨迹从预测得到的候选运动轨迹中剔除。
第一方面的一种可能的实现方式,上述基于约束屏障对候选运动轨迹进行处理具体包括:判断候选运动轨迹与约束屏障是否相交;若候选运动轨迹与约束屏障相交,则将候选运动轨迹在相交处进行截断处理。截断处理是指清除相交点和候选运动轨迹终点之间的轨迹点。
第一方面的一种可能的实现方式,在上述将候选运动轨迹在候选运动轨迹与约束屏障相交处进行截断处理之前,该方法还包括:根据目标对象的速度和预设减速度,得到目标对象按照候选运动轨迹移动不能在触及约束屏障之前刹停。可选的预设减速度可以设置为3m/m2。
第一方面的一种可能的实现方式,上述将候选运动轨迹在候选运动轨迹与约束屏障的相交处进行截断处理具体包括:获取第一相交点,第一相交点为候选运动轨迹与约束屏障的相交点中最靠近候选运动轨迹起始端的相交点;将候选运动轨迹在第一相交点进行截断处理,即清除第一相交点和候选运动轨迹终点之间的轨迹点。
第一方面的一种可能的实现方式,上述基于约束屏障对候选运动轨迹进行处理具体包括:判断候选运动轨迹与约束屏障是否相交;若候选运动轨迹与约束屏障相交,则将候选运动轨迹沿约束屏障进行绕行处理,也就是通过处理使得候选运动轨迹避开约束屏障,避免候选运动轨迹与约束屏障相交。具体地,绕行段轨迹通过平移虚拟屏障轮廓获得。
第一方面的一种可能的实现方式,在上述将候选运动轨迹沿约束屏障进行绕行处理之前,该方法还包括:根据目标对象的速度和预设减速度,得到目标对象按照候选运动轨迹移动能在触及约束屏障之前刹停。可选的预设减速度可以设置为3m/m2。
第一方面的一种可能的实现方式,上述基于约束屏障对候选运动轨迹进行处理具体包括:判断候选运动轨迹与约束屏障相交是否;若候选运动轨迹与约束屏障相交,则对候选运动轨迹进行处理。约束屏障作为判断预测得到的运动轨迹是否合理的判断基准,与约束屏障相交说明该运动轨迹不合理,需要对其进行处理,以使得其符合更符合实际。
第一方面的一种可能的实现方式,该方法还包括:输出处理后的候选运动轨迹。预测得到的候选运动轨迹经过处理后可以输入到下游处理模块(例如决策规划模块),也可以输入到其他需要运动轨迹的模块/装置。
第一方面的一种可能的实现方式,该方法还包括:显示包含自车和约束屏障之间位置关系的影像,用于向用户提示环境信息。让用户直观地了解周边场景,获知更形象的预测结果。进一步的,同时将有约束的运动轨迹和无约束的轨迹用颜色加以区分。
本申请实施例提供的处理预测运动轨迹的方法,从***角度来看,是轨迹预测子***的后处理过程,能够有效提高轨迹预测子***预测得到的运动轨迹更合理、更准确。
第二方面,本申请实施例提供了一种显示约束屏障的方法,该方法包括:获取自车感知范围内的实况影像并显示所述实况影像;获取所述感知范围内的环境信息,并基于所述环境信息生成约束屏障,所述约束屏障用于指示可约束移动对象通行的区域;在所述实况影像中显示所述约束屏障。可选的,自车的感知范围包括自车通过自车配置的传感设备或/和V2X***可以获知的区域,也可以理解为自车需要感知到的区域。
第二方面的一种可能的实现方式,所述获取所述感知范围内的环境信息包括:获取目标道路在所述感知范围内的道路边界和所述感知范围内的可通行区域Drivable area观测信息,所述目标道路为所述自车处于的道路;其中,所述基于所述环境信息生成约束屏障,包括:根据所述道路边界和所述Drivable area观测信息获得被占据道路边界,其中所述被占据道路边界表示被障碍物占据的道路边界;在所述被占据的道路边界处设置所述约束屏障。
第二方面的一种可能的实现方式,所述根据所述道路边界和所述Drivable area观测信息,获得被占据道路边界包括:将所述Drivable area观测信息投影到所述道路边界上,并将投影到所述道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,所述栅格占用概率表示对应栅格被占用的可能性;基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界。
第二方面的一种可能的实现方式,所述基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界包括:沿所述道路边界每间隔预设距离进行采样获得多个采样点;获取所述多个采样点中各采样点所在栅格的栅格占用概率;根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路。
第二方面的一种可能的实现方式,所述根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路包括:判断所述多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;若所述多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则所述道路边界为所述被占据道路。可选的,根据连续采样点所在栅格的栅格占用概率大于预设阈值判断道路边界是否是被占据道路时,预设数量可设置为6,预设阈值可以设置为0.5。可选的,根据不连续采样点所在栅格的栅格占用概率大于预设阈值判断道路边界是否是被占据道路时,预设数量可设置为12,预设阈值可以设置为0.5。
第二方面的一种可能的实现方式,所述获取所述感知范围内的环境信息包括:获取所述感知范围内目标道路上的间隔GAP,所述目标道路为所述自车处于的道路,所述GAP为前后车辆之间的间隔;其中,所述基于所述环境信息生成约束屏障,包括:计算所述GAP的可被穿越概率,所述可被穿越概率表示所述目标道路上的移动对象可以穿越所述GAP的可能性;根据所述可被穿越概率和所述GAP获得目标车流,所述目标车流包括所述GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域;在所述目标车流处设置约束屏障。GAP越小越容易构成车流,可选的,可被穿越概率小于0.5则认为GAP前后车辆构成车流。
第二方面的一种可能的实现方式,所述计算所述GAP的可被穿越概率包括:对所述GAP的前后车辆是否构成车流进行评估获得评估结果;根据所述评估结果计算所述GAP的可被穿越概率。
第二方面的一种可能的实现方式,所述获取所述感知范围内的环境信息包括:获取所述感知范围内目标道路的交通信号灯的状态,所述目标道路为所述自车处于的道路,所述交通信号灯的状态包括可通行状态和不可通行状态;其中,所述基于所述环境信息生成约束屏障,包括:在不可通行状态的交通信号灯所对应车道的停止线处设置所述约束屏障。
第三方面,本申请实施例提供了一种处理预测运动轨迹的装置,用于实现第一方面以及第一方面的可能的实现方式所描述的方法,该装置包括可以实现第一方面以及第一方面的可能的实现方式中所描述方法的各个模块/单元。
第四方面,本申请实施例提供了一种显示约束屏障的装置,用于实现第二方面以及第二方面的可能的实现方式所描述的方法,该装置包括可以实现第二方面以及第二方面的可能的实现方式中所描述方法的各个模块/单元。
第五方面,本申请实施例提供了一种处理预测运动轨迹的设备,包括处理器和存储器,所述处理器与所述存储器耦合,所述存储器,用于存储程序;所述处理器,用于执行所述存储器中的程序,使得所述设备执行第一方面以及第一方面的可能的实现方式所描述的方法。
第六方面,本申请实施例提供了一种显示约束屏障的设备,包括处理器和存储器,所述处理器与所述存储器耦合,所述存储器,用于存储程序;所述处理器,用于执行所述存储器中的程序,使得所述设备执行第二方面以及第二方面的可能的实现方式所描述的方法。
第七方面,本申请实施例提供了一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行第一方面以及第一方面的可能的实现方式所描述的方法。
第八方面,本申请实施例提供了一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行第二方面以及第二方面的可能的实现方式所描述的方法。
第九方面,本申请实施例提供了一种车辆,包括第三方面描述的一种处理预测运动轨迹的装置或第五方面描述的一种处理预测运动轨迹的设备。
第十方面,本申请实施例提供了一种车辆,包括第四方面描述的一种显示约束屏障的装置或第六方面描述的一种显示约束屏障的设备。
第十一方面,本申请实施例提供了一种预测运动轨迹的方法,该方法包括:获取目标对象周边的环境信息;根据所述环境信息生成约束屏障,所述约束屏障用于指示可约束所述目标对象通行的区域;根据所述约束屏障和预测算法预测所述目标对象的运动轨迹。其中预测算法不做限定,可以是将约束屏障作为数据输入已训练好的神经网络输出目标对象的运动轨迹。
第十一方面的一种可能的实现方式,所述获取目标对象周边的环境信息包括:获取所述目标对象周边的道路边界和可通行区域Drivable area观测信息;其中,所述基于所述环境信息生成约束屏障,包括:根据所述道路边界和所述Drivable area观测信息获得被占据道路边界,其中所述被占据道路边界表示被障碍物占据的道路边界;在所述被占据的道路边界处设置所述约束屏障。
第十一方面的一种可能的实现方式,所述根据所述道路边界和所述Drivablearea观测信息,获得被占据道路边界包括:将所述Drivable area观测信息投影到所述道路边界上,并将投影到所述道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,所述栅格占用概率表示对应栅格被占用的可能性;基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界。
第十一方面的一种可能的实现方式,所述基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界包括:沿所述道路边界每间隔预设距离进行采样获得多个采样点;获取所述多个采样点中各采样点所在栅格的栅格占用概率;根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路。
第十一方面的一种可能的实现方式,所述根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路包括:判断所述多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;若所述多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则所述道路边界为所述被占据道路。
第十一方面的一种可能的实现方式,所述获取目标对象周边的环境信息包括:获取所述目标对象周边道路上的间隔GAP,所述GAP为前后车辆之间的间隔;其中,所述基于所述环境信息生成约束屏障,包括:计算所述GAP的可被穿越概率,所述可被穿越概率表示所述目标道路上的移动对象可以穿越所述GAP的可能性;根据所述可被穿越概率和所述GAP获得目标车流,所述目标车流包括所述GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域;
在所述目标车流处设置约束屏障。
第十一方面的一种可能的实现方式,所述计算所述GAP的可被穿越概率包括:对所述GAP的前后车辆是否构成车流进行评估获得评估结果;根据所述评估结果计算所述GAP的可被穿越概率。
第十一方面的一种可能的实现方式,所述获取目标对象周边的环境信息包括:获取所述目标对象周边道路的交通信号灯的状态,所述交通信号灯的状态包括可通行状态和不可通行状态;其中,所述基于所述环境信息生成约束屏障,包括:在不可通行状态的交通信号灯所对应车道的停止线处设置所述约束屏障。可选的,若自车的交通信号灯状态为红灯,在自车所在车道以及与自车所在车道同向的车道的停止线处设置约束屏障。若自车的交通信号灯状态为绿灯且自车所处车道为直行车道,在自车所处车道对面的左转车道的停止线处设置约束屏障。若自车的交通信号灯状态为绿灯且自车所处车道为左转车道,在自车所处车道对面的直行车道的停止线处设置约束屏障。若自车的交通信号灯状态为绿灯且自车所处车道为直行车道,在自车所处车道侧面的直行车道和/或左转车道的停止线处设置约束屏障。该方法进一步还可以还包括:检测目标对象是否违反了交通信号灯的交通规则;若检测目标对象是否违反了交通信号灯的交通规则将约束屏障移除,即不设置约束屏障。
第十二方面,本申请实施例提供了一种预测运动轨迹的装置,用于实现第十一方面以及第十一方面的可能的实现方式所描述的方法,该装置包括可以实现第十一方面以及第十一方面的可能的实现方式中所描述方法的各个模块/单元。
第十三方面,本申请实施例提供了一种预测运动轨迹的设备,包括处理器和存储器,所述处理器与所述存储器耦合,所述存储器,用于存储程序;所述处理器,用于执行所述存储器中的程序,使得所述设备执行第十一方面以及第十一方面的可能的实现方式所描述的方法。
第十四方面,本申请实施例提供了一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行第十一方面以及第十一方面的可能的实现方式所描述的方法。
第十五方面,本申请实施例提供了一种车辆,包括第十二方面描述的一种预测运动轨迹的装置或第十三方面描述的一种预测运动轨迹的设备。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1是本申请实施例提供的一种车辆架构示意图;
图2是本申请实施例提供的一种预测***结构示意图;
图3是本申请实施例提供的一种处理预测运动轨迹的方法流程图;
图4是本申请实施例提供的一种显示实况影像的示意图;
图5是本中请实施例提供的一种生成约束屏障的方法流程示意图;
图6是本申请实施例提供的一种drivable area观测信息示意图;
图7是本申请实施例提供的另一种生成约束屏障的方法流程图;
图8是本申请实施例提供的一种GAP示意图;
图9是本申请实施例提供的另一种生成约束屏障的方法流程图;
图10是本申请实施例提供的一种处理候选运动轨迹的方法流程图;
图11是本申请实施例提供的一种截断处理前后对照示意图;
图12是本申请实施例提供的一种绕行处理前后对照示意图;
图13是本申请实施例提供的一种处理预测运动轨迹的装置结构示意图;
图14是本申请实施例提供的一种处理预测运动轨迹的设备结构示意图;
图15是本申请实施例提供的一种显示约束屏障的方法流程图;
图16是本申请实施例提供的一种显示约束屏障的装置结构示意图;
图17是本申请实施例提供的一种显示约束屏障的设备结构示意图;
图18是本申请实施例提供的一种预测运动轨迹的方法流程图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图,对本申请实施例中的技术方案进一步地详细描述。显然,所描述的实施例仅是本申请的部分实施例,而不是全部的实施例。基于本申请中的实施例,本技术领域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。
如图1所示,本申请实施例提供了一种车辆100。在一个实施例中,将车辆100配置为完全或部分地自动驾驶模式。例如,车辆100可以在处于自动驾驶模式中的同时控制自身,并且可通过人为操作来确定车辆及其周边环境的当前状态,确定周边环境中的至少一个其他车辆的可能行为,并确定该其他车辆执行可能行为的可能性相对应的置信水平,基于所确定的信息来控制车辆100。在车辆100处于自动驾驶模式中时,可以将车辆100置为在没有和人交互的情况下操作。
车辆100可包括各种子***,例如感知***110、融合***120、预测***130、决策规划***140、控制***150和***设备160。可选地,车辆100可包括更多或更少的子***,并且每个子***可包括多个元件。另外,车辆100的每个子***和元件可以通过有线或者无线互连。其中,感知***110、融合***120、预测***130和决策规划***140是自动驾驶***(ADS,automated driving system)和/或高级辅助驾驶***(ADAS,Advanced DriverAssistance Systems)的核心模块。
感知***110可包括感测关于车辆100周边的环境的信息的若干个传感器。例如,传感器***110可包括定位***(定位***可以是GPS***,也可以是北斗***或者其他定位***)、惯性测量单元(inertial measurement unit,IMU)、雷达、毫米波雷达、激光雷达以及相机。传感器***110还可包括被监视车辆100的内部***的传感器(例如,车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆100的安全操作的关键功能。
融合***120是感知***110的下游模块,主要用于将感知***110输入的数据进行融合,再向下游模块(例如预测***130)输出所需要的数据。在一个实施例中,融合***120可以向预测***130输出全局定位坐标、相对定位坐标、道路结构模型、可通行区域drivable area和遮挡区域occlusion area等数据。
预测***130在ADS和/或ADAS中发挥着承上启下的角色,主要用于根据上游模块(例如感知***110、融合***120)输入的数据对运动对象、车辆环境等进行推理,其中预测运动对象未来时刻可能的行为和/或运动轨迹是预测***130的关键功能之一。预测***130将推理结果再向下游模块(例如决策规划***140)传输。
决策规划***140相当于ADS和/或ADAS的主脑,主要负责作出一系列类人的关于驾驶的决策和规划(例如变道、加速、行驶路径规划等),在将决策规划的指令传递给控制***150来控制车辆100执行。
车辆100通过***设备160与外部传感器、其他车辆、其他计算机***或用户之间进行交互。***设备160可包括无线通信***、车载电脑、麦克风0和/或扬声器。
在一些实施例中,***设备160提供车辆100的用户与用户接***互的手段。例如,车载电脑可向车辆100的用户提供信息。用户接口还可操作车载电脑来接收用户的输入。车载电脑可以通过触摸屏进行操作。在其他情况中,***设备160可提供用于车辆100与位于车内的其它设备通信的手段。例如,麦克风可从车辆100的用户接收音频(例如,语音命令或其他音频输入)。类似地,扬声器可向车辆100的用户输出音频。
无线通信***可以直接地或者经由通信网络来与一个或多个设备无线通信。例如,无线通信***可使用3G蜂窝通信,例如CDMA、EVDO、GSM/GPRS,或者4G蜂窝通信,例如LTE。或者5G蜂窝通信。无线通信***可利用WiFi与无线局域网(wireless local areanetwork,WLAN)通信。在一些实施例中,无线通信***可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议,例如各种车辆通信***,例如,无线通信***可包括一个或多个专用短程通信(dedicated short range communications,DSRC)设备,这些设备可包括车辆和/或路边站台之间的公共和/或私有数据通信。通过无线通信***,车辆100可以加入V2X(vehicle to everything,车对外界的信息交换)***,车辆进而可以通过V2X***获取更多数据和信息。
上述车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等,本发明实施例不做特别的限定。
如图2所示,在本申请实施例中,预测***130包括轨迹预测子***131和轨迹处理子***132。其中轨迹预测子***131用于根据上游模块(例如感知***110、融合***120)输入的数据预测运动对象的运动轨迹,轨迹处理子***132从轨迹预测子***131中获取预测得到的运动对象的运动轨迹,并基于上游模块(例如感知***110、融合***120)输入的环境数据对预测得到的运动轨迹进行处理,将处理后的运动轨迹在输出给下游相应模块(例如决策规划模***140)。
经过对预测得到的运动轨迹进一步的处理可以提升运动轨迹预测的准确性、可靠性和符合实际环境的合理性。
本申请实施例提供了一种预测运动对象轨迹的方法,可以应用在自动驾驶领域,该方法步骤如下:
步骤1:获取与运动轨迹预测相关的数据,并基于获取到的数据预测目标对象在未来一段时间内可能的候选运动轨迹。在本申请实施例中,该步骤中提到的预测目标对象在未来一段时间内可能的候选运动轨迹的具体方法不做任何限定。可以是现有技术中的任何一种轨迹预测方法。在具体实现中,一般会针对目标对象推理出若干条可能的候选运动轨迹,并且每条候选运动轨迹都有对应的预测结果概率,预测结果概率用于表明相应候选运动轨迹是目标对象未来真实移动轨迹的可能性。可选的,结合图2所示的预测***130,可以理解的是步骤1可以由轨迹预测子***131完成运动轨迹推理过程。
步骤2:对步骤1预测得到的候选运动轨迹进行处理。步骤2的目的是通过处理提高运动轨迹预测的准确性、可靠性和合理性。可选的结合图2所示的预测***130,可以理解的是步骤2可以由轨迹处理子***132完成运动轨迹进一步处理过程。
步骤3:输出处理后的候选运动轨迹,例如将处理后的候选运动轨迹输出给图1所示的决策规划***140。或者结合感知***110输入的数据(例如实况影像、地理位置等)显示处理后的运动轨迹,便于用户可以直观地获知包括约束屏障在内的车辆周边的环境情况,提高人机交互体验。
本申请实施例提供的预测运动对象轨迹的方法,通过对预测得到的运动轨迹进一步处理能够提升运动轨迹预测的准确性、可靠性和合理性,进而保障ADS和/或ADAS的稳定性、安全性和可靠性。
下面通过具体实施例更详细地描述处理预测得到的运动轨迹的方法。
本申请实施例提供了一种处理预测运动轨迹的方法,用于处理预测得到的候选运动轨迹,提升其预测的准确性、可靠性和合理性,可以理解为实现上述实施例中的步骤2。如图3所示,该处理预测运动轨迹的方法200包括以下步骤:
S100,获取候选运动轨迹,该候选运动轨迹为通过预测方法得到的目标对象在未来时间段内的移动轨迹,该目标对象在自车的感知范围内。在本申请实施例中,候选运动轨迹的预测方法不做任何限定。需要说明的,感知范围不是绝对的描述,在本申请实施例中,自车的感知范围可以是包括自车通过自车配置的传感设备或/和V2X***可以感知到的区域。也可以理解为是自车为了实现自动驾驶/高级辅助驾驶功能所需要感知到的区域。在实际实现时,可选的,感知范围是指自车上配置传感设备所能感知到的自车周边范围区域。可选的,感知范围大概在以自车为中心、半径为30m的区域。
S200,获取自车感知范围内的环境信息,并基于获取的环境信息生成约束屏障,其中约束屏障用于指示可约束所述目标对象通行的区域。在本申请实施例中,环境信息可以通过自车配置的传感设备获取,也可以通过V2X***从云端设备或其他车辆获取。在具体实现中,可以选的,以图1所示的车辆100为例,环境信息可以是通过传感***110采集再经由融合***120处理后的环境数据。可选的,根据不同类型的环境信息生成的约束屏障,可以分为硬约束和软约束两种属性的约束屏障。软约束屏障可以约束目标对象的通行,但在特殊情形下,目标对象可以穿过软约束屏障所指示的区域。目标对象是不能穿过硬约束屏障所指示的区域。需要注意的是,在本申请实施例中,约束屏障是根据环境信息的更新实时生成的,也就是随着自车的移动,自车感知范围内的环境也会随之发生变化,相应地,生成的约束屏障同样随之自车移动而实时刷新。
S300,基于约束屏障对候选运动轨迹进行处理。基于约束屏障,对通过预测方法推理出的候选运动轨迹进行处理,能够引入更多的环境语义信息,提升运动轨迹预测的准确性、可靠性和合理性。
可选的,该方法还包括S400,输出处理后的候选运动轨迹。在本申请实施例中,可以将处理后的候选运动轨迹输出给下游模块,例如图1所示的决策规划***140。
可选的,该方法还包括S500:显示约束屏障。可选的,通过在显示屏中显示包含约束屏障的自车感知范围内实况影像的方式显示。在具体实现时,可以先获取自车周边环境的实况影像,再在实况影像中相应位置显示约束屏障,通过视觉方式提示用户注意自车周边的约束屏障,提高驾驶的安全性。在一个示例中,如图4所示,在显示屏中显示自车前方区域的实况影像,并在实况影像中相应位置显示出了约束屏障,如约束屏障1是指道路左侧的绿化带的区域,约束屏障2是指自车右前方的构成车流的3辆车辆所在区域。需要说明的,图4仅是简单的示意图,为了说明显示效果。进一步的,该步骤S500具体包括:显示处理后的候选运动轨迹和约束屏障。可选的,先获取自车周边环境的实况影像,再在实况影像中对应的区域实时显示处理后的候选运动轨迹和约束屏障,以更直观的方式向用于提示环境信息以及更形象地展示预测结果。进一步的,同时将基于不同属性的约束屏障进行处理的运动轨迹用颜色加以区分,例如基于车流生成的约束屏障处理的候选运动轨迹可以已黄色标记,基于道路边界生成的约束屏障处理的候选运动轨迹可以以蓝色标记。除了通过颜色加以区分不同属性的约束屏障和/或处理后的候选运动轨迹,还可以通过闪亮的方式区分。
在申请实施例中,步骤S200生成的约束屏障包括硬约束和软约束两种属性的屏障。
在一个本申请实施例中,可选的,步骤S200具体包括:
所述获取感知范围内的环境信息包括:获取目标道路在感知范围内的道路边界和感知范围内的可通行区域Drivable area观测信息,其中目标道路为自车处于的道路;
所述基于环境信息生成约束屏障,包括:根据道路边界和Drivable area观测信息获得被占据道路边界,其中被占据道路边界表示被障碍物占据的道路边界;在被占据的道路边界处设置约束屏障。基于道路边界和Drivable area观测信息生成的约束屏障是一种硬约束属性的约束屏障。
进一步地,所述根据道路边界和Drivable area观测信息,获得被占据道路边界包括:将Drivable area观测信息投影到道路边界上,并将投影到道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,其中栅格占用概率表示对应栅格被占用的可能性;基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界。
进一步地,所述基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界包括:沿道路边界每间隔预设距离进行采样获得多个采样点;获取多个采样点中各采样点所在栅格的栅格占用概率;根据多个采样点中各采样点所在栅格的栅格占用概率和预设规则获得被占据道路。预设距离可以设置为0.2米至1米区间的一个值。
进一步地,所述根据多个采样点中各采样点所在栅格的栅格占用概率和预设规则获得被占据道路包括:判断多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;若多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则确定道路边界为被占据道路。可选的,预设阈值可以设置为0.5。
可选的,更为具体的一个示例,如图5所示步骤S200包括以下步骤:
S211,从高精地图获取自车周围的道路边界和从上游模块(例如图1所示的融合模块120)获取drivable area观测信息。drivable area观测信息是栅格化的观测信息,由上游的融合模块输出,可以分为占用栅格、空闲栅格和未知栅格,如图6所示,占用栅格表示不可通行,反之空闲栅格表示可通行,mi表示第i个栅格单元。可选的,自车周围可以是指自车的感知范围覆盖到的区域。
S212,将drivable area观测信息投影到道路边界上,并利用二值贝叶斯滤波器把投影在道路边界上的观测信息概率化。具体描述如下:
初始化:先验占用概率
更新:t时刻的占用概率
计算:后验占用概率
上述公式中,mi表示第i个栅格单元,zt是t时刻的测量值,xt是t时刻的路径,p(mi)表示该栅格被占用的可能性,即栅格占用概率。
S213,通过采样方法判断道路边界是否是被占据道路边界。具体的可选,在道路边界上每隔0.5米生成一个采样点,判断道路边界被占据条件为:连续至少6个采样点所在栅格的栅格占用概率大于0.5或者不连续至少12个采样点所在栅格的栅格占用概率大于0.5。判断道路边界被占据的条件成立,即满足连续至少6个采样点所在栅格的栅格占用概率大于0.5或者不连续至少12个采样点所在栅格的栅格占用概率大于0.5,那么道路边界是被占据道路边界。反之,判断道路边界被占据的条件不成立,那么道路边界不是被占据道路边界。
S214,若道路边界是被占据道路边界,则在道路边界上加约束屏障(如图4中约束屏障1)。
可选的,S215,若道路边界不是被占据道路边界,则不在道路边界上加约束屏障(如图4中左侧粗黑线表示的道路边界未有约束屏障)。
上述步骤S211-S214是实时进行处理的,随着自车的移动实时刷新约束屏障。
本申请实施例在时域空间内推理出基于地图和drivable area的硬约束的约束屏障。结合高精地图的道路边界的属性信息和drivable area的观测信息生成约束屏障,能够获得了更多的环境语义信息。如果既是道路边界,又是occupied被占用区域,则该路面为不可通行边界。这样可以区分道路上的隔离带、双黄线和路边停止车辆等场景。
在另一个本申请实施例中,可选的,步骤S200具体包括:
所述获取感知范围内的环境信息具体包括:获取感知范围内目标道路上的间隔GAP,其中目标道路为自车处于的道路,GAP为前后车辆之间的间隔。可选的,获取感知范围内目标道路上的间隔GAP具体包括:先从目标道路的所有车道中选择一个车道,再从该车道上所有GAP中选择与自车距离最小的GAP。在具体实现中,可以选择与自车所在车道相邻的车道。
所述基于环境信息生成约束屏障具体包括:计算GAP的可被穿越概率,其中可被穿越概率表示目标道路上的移动对象可以穿越所述GAP的可能性;根据可被穿越概率和GAP获得目标车流,其中目标车流包括GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域;在目标车流处设置约束屏障。从技术方案来看,GAP越小,其可被穿越概率越小,其前后车辆越有可能构成车流。基于GAP前后车辆构成的车流生成的约束屏障是一种软约束属相的屏障。
进一步地,所述根据可被穿越概率和GAP获得目标车流具体包括:判断可被穿越概率是否小于预设阈值;若可被穿越概率小于预设的可被穿越概率阈值,则将GAP的前后车辆构成车流,也就是将GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域确定为目标车流。可选的,预设的可被穿越概率阈值可以设置0.5。在本申请实施例中,可以基于多个GAP得到更长的车流,例如在同一车道的3辆车辆形成的两个相邻GAP的可被穿越概率都满足小于预设的可被穿越概率阈值,则上述3辆车辆中最前的车辆的前沿至最后的车辆的后沿的区域构成一个车流,在3辆车辆构成的车流上加约束屏障(如图4所示的约束屏障2)。
进一步地,所述计算GAP的可被穿越概率包括:对GAP的前后车辆是否构成车流进行评估获得评估结果;根据评估结果计算GAP的可被穿越概率。
可选的,更为具体的一个示例,以处理一个GAP为例,如图7所示步骤S200包括以下步骤:
S221,从获取到的GAP中选择目标GAP。具体的可以是,从选定的车道中选择相距自车最近的GAP。
S222,计算目标GAP前后车辆构成车流的score,公式如下:
score=w1*f(gap)+w2*f(vfrontedge)+w3*f(vrearedge)
如图8所示,gap大小为front edge前沿和rear edge后沿的距离,vfrontedge为前沿的运动速度,vrsaredge为后沿的运动速度。在本申请实施例中,vfrontedge可以是GAP的前车速度,vrsoredge可以是GAP后车速度。
S223,根据上述得到score计算目标GAP的可被穿越概率,公式如下:
观测概率:P(cross|gap)=sigmoid(score)
t时刻gap可被穿越的概率:
S224,根据目标GAP的可被穿越概率判断是否构成车流。具体的是,判断目标GAP的可被穿越概率是否小于0.5,若是则构成车流,反之不构成车流。
S225,若构成车流,则计算车流的边界。可以的,将GAP前后车辆的宽度作为车流的宽度,将GAP的前后车辆中前车的前沿到后车后沿的距离作为车流的长度。
S226,在车流的车流边界上加约束屏障,如图8所示的约束屏障。
可选的,S227,若不构成车流,则不加约束屏障。
在无保护左转路口的场景下,自车直行,对向左转车辆密集,形成稳定的车流。本申请实施例在车流边界加了基于车流的软约束的屏障,可用于提升车流相对于单车的路权,降低单车的轨迹穿过车流屏障的概率,从而推理出更准确的抢行、让行的行为。
在另一个本申请实施例中,可选的,步骤S200具体包括:
所述获取感知范围内的环境信息具体包括:获取感知范围内目标道路的交通信号灯的状态,其中目标道路为自车处于的道路,交通信号灯的状态包括可通行状态和不可通行状态。
所述基于环境信息生成约束屏障,包括:在不可通行状态的交通信号灯所对应车道的停止线处设置约束屏障。基于交通信号状态生成的约束屏障是一种软约束,用于约束动态的驾驶行为,可以减少不合理的预测结果。而且软约束在交通参与者违反交通规则的情况下可以被打破,所以能够兼顾违章行为。
可选的,更为具体的一个示例,以交通信号等为红绿灯,如图9所示,步骤S200包括以下步骤:
S231,基于红绿灯检测方法或V2X的方法,并结合道路路口的车道拓扑关系推理出道路路口各方向的红绿灯状态。
S232,根据红绿灯状态,生成约束屏障。可选的,若自车所在车道对应的是红灯,在自车所在车道以及与自车所在车道同向的车道的停止线处设置约束屏障。若自车所在车道对应的是绿灯且自车所处车道为直行车道,在自车所处车道对面的左转车道的停止线处设置约束屏障。若自车所在车道对应的是为绿灯且自车所处车道为左转车道,在自车所处车道对面的直行车道的停止线处设置约束屏障。若自车所在车道对应的是为绿灯且自车所处车道为直行车道,在自车所处车道侧面的直行车道和/或左转车道的停止线处设置约束屏障。
S233,检测目标对象是否违反了交通信号灯的交通规则,例如目标对象闯红灯。
S234,若检测目标对象违反了交通信号灯的交通规则将相应的约束屏障移除,即不设置约束屏障。例如目标对象已经违反了车道1对应的红灯的停止通行的规则,则可以将车道1在路口停止线处设置的约束屏障移除。
S235,若检测目标对象没有违反了交通信号灯的交通规则保留设置的约束屏障。
在受保护左转路口的场景下,自车左转车道为绿灯,可以推理出此刻对向的直行车道为红灯。在运动对象不违反交通规则的前提下,可以预测运动对象会在停止线前刹停。本申请实施例在对向直行车道的停止线位置加约束屏障,从而约束运动对象越过停止线,避免预测得到的运动对象的轨迹入侵造成自车点刹,甚至刹停。
在一个本申请实施例中,可选的,步骤S300具体包括:判断候选运动轨迹与约束屏障是否相交;若候选运动轨迹与约束屏障相交,则降低候选运动轨迹的预测结果概率。一般预测方法输出的候选运动轨迹都有对应的预测结果概率,用于表示预测得到某一候选运动轨迹的是目标对象真实移动轨迹的可能性。例如,在实际中决策规划模块可以根据预测结果概率配置对应候选运动轨迹的在决策规划中的权重。
在另一个本申请实施例中,可选的,步骤S300具体包括:判断候选运动轨迹与约束屏障是否相交;若候选运动轨迹与约束屏障相交,则将候选运动轨迹在候选运动轨迹与约束屏障相交处进行截断处理。
进一步地,在所述将候选运动轨迹在候选运动轨迹与约束屏障相交处进行截断处理之前,步骤S300还包括:根据目标对象的速度和预设减速度,判断目标对象按照候选运动轨迹移动是否能在触及约束屏障之前刹停;并且得到目标对象按照候选运动轨迹移动不能在触及约束屏障之前刹停。
进一步地,所述将候选运动轨迹在候选运动轨迹与约束屏障相交处进行截断处理具体包括:获取第一相交点,其中第一相交点为候选运动轨迹与约束屏障的相交点中最靠近候选运动轨迹起始端的相交点;将候选运动轨迹在第一相交点进行截断处理。
在另一个本申请实施例中,可选的,步骤S300具体包括:判断候选运动轨迹与约束屏障是否相交;若候选运动轨迹与约束屏障相交,则将候选运动轨迹沿约束屏障进行绕行处理。
进一步地,在所述将候选运动轨迹沿约束屏障进行绕行处理之前,步骤S300还包括:根据目标对象的速度和预设减速度,判断目标对象按照候选运动轨迹移动是否能在触及约束屏障之前刹停;并且得到目标对象按照候选运动轨迹移动能在触及所述约束屏障之前刹停。
在另一个本申请实施例中,可选的,步骤S300具体包括:判断候选运动轨迹与约束屏障相交是否;若候选运动轨迹与约束屏障相交,则对候选运动轨迹进行处理。
在本申请实施例中,步骤S100获取到的候选运动轨迹是通过预测方法推理出来的,在实际中,预测方法会输出多条候选运动轨迹。可选的,步骤S300中可以基于约束屏障对步骤S100获取的全部候选运动轨迹进行处理。通过约束屏障对预测得到的候选运动轨迹进行处理,可以提升最终输出的候选运动轨迹在预测上的准确性、可靠性和合理性。
可选的,更为具体的一个示例,以处理一条候选运动轨迹为例,如图10所示,步骤S300具体包括以下步骤:
S310,判断候选运动轨迹与生成的约束屏障是否相交,也就是生成的约束屏障中是否存在与候选运动轨迹相交的约束屏障。若预测得到的候选运动轨迹有约束屏障相交,则表示如果目标对象按照该候选运动轨迹移动,未来会穿越约束屏障或者说穿过约束屏障对应的实际空间中的区域的,而实际中目标对象是不会穿过约束屏障对应的实际空间中的区域,所以这样的候选运动轨迹需要处理以使得的轨迹预测的结果更符合实际情况。可以理解的,判断候选运动轨迹与所有生成的约束屏障是否相交是下面对候选运动轨迹进行处理的前提条件。在实际中,预测方法可能会输出多条候选运动轨迹,在申请实施例中,仅对满足相交条件的候选运动轨迹进行处理,目的就是讲不合理的候选运动轨迹移除、改变或者降低其预测结果概率。
S320,若候选运动轨迹与某一约束屏障相交,则计算候选运动轨迹与该约束屏障的最靠近候选运动轨迹起始端的相交点。可以理解的,若候选运动轨迹与几个约束屏障相交,则分别计算相应的相交点。若候选运动轨迹与所有的约束屏障均不相交,则不需要对该候选运动轨迹进行处理。
S330,根据目标对象的速度和预设的减速度,判断目标对象按照候选运动轨迹移动是否能在触及与其相交的约束屏障之前刹停。也就是目标对象按照候选运动轨迹移动是否可以在上述步骤S320计算的相交点前,以预设的减速度可以将速度减到0。预设的减速度应该是最大合理减速度,可以设置为3m/s2。
S340,若不能刹停,则在S320计算的相交点处截断候选运动轨迹。在具体实现上,截断处理可以是清除相交点和候选运动轨迹终点之间的轨迹点。一个示例,如图11所示的截断处理的前后对照示意图。
S350,若能刹停,则将候选运动轨迹沿着对应约束屏障进行绕行处理,以避开该约束屏障。在具体实现上,绕行段的轨迹可以通过平移约束屏障得到。一个示例,如图12所示的绕行处理的前后对照示意图。
综上所述,本申请实施例提供的一种预测运动对象轨迹的方法,可以提高运动轨预测的准确性和合理性。
本申请实施例提供一种处理预测运动轨迹的装置300,主要用于实现上面实施例描述的处理预测运动轨迹的方法200。如图13所示,该装置300包括:
轨迹获取模块310,用于获取候选运动轨迹,其中候选运动轨迹为通过预测方法得到的目标对象在未来时间段内的移动轨迹,目标对象在自车的感知范围内;环境信息模块320,用于获取感知范围内的环境信息;约束屏障生成模块330,用于基于环境信息模块310获取的环境信息生成约束屏障,约束屏障用于指示可约束目标对象通行的区域;轨迹处理模块340,用于基于约束屏障生成模块330生成的约束屏障对轨迹获取模块310获得的候选运动轨迹进行处理。
可选的,环境信息模块320具体用于:获取目标道路在感知范围内的道路边界和感知范围内的可通行区域Drivable area观测信息,目标道路为自车处于的道路。约束屏障生成模块330具体用于:根据环境信息模块320获取的道路边界和Drivable area观测信息获得被占据道路边界,其中被占据道路边界表示被障碍物占据的道路边界;在被占据的道路边界处设置约束屏障。
进一步地,约束屏障生成模块330具体用于:将Drivable area观测信息投影到道路边界上,并将投影到道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,栅格占用概率表示对应栅格被占用的可能性;基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界。
进一步地,约束屏障生成模块330具体用于:沿道路边界每间隔预设距离进行采样获得多个采样点;获取多个采样点中各采样点所在栅格的栅格占用概率;根据多个采样点中各采样点所在栅格的栅格占用概率和预设规则获得被占据道路。
进一步地,约束屏障生成模块330具体用于:判断多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;若多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则道路边界为被占据道路。
可选的,环境信息模块320具体用于:获取感知范围内目标道路上的间隔GAP,目标道路为自车处于的道路,GAP为前后车辆之间的间隔。约束屏障生成模块330具体用于:计算环境信息模块320获取的GAP的可被穿越概率,可被穿越概率表示目标道路上的移动对象可以穿越所述GAP的可能性;根据可被穿越概率和GAP获得目标车流,其中目标车流包括GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域;在目标车流处设置约束屏障。
进一步地,约束屏障生成模块330具体用于:对GAP的前后车辆是否构成车流进行评估获得评估结果;根据评估结果计算GAP的可被穿越概率。
可选的,环境信息模块320具体用于:获取感知范围内目标道路的交通信号灯的状态,其中目标道路为自车处于的道路,交通信号灯的状态包括可通行状态和不可通行状态。约束屏障生成模块330具体用于:在不可通行状态的交通信号灯所对应车道的停止线处设置约束屏障。
可选的,轨迹处理模块340具体用于:判断候选运动轨迹与约束屏障是否相交;若候选运动轨迹与约束屏障相交,则降低候选运动轨迹的预测结果概率。
可选的,轨迹处理模块340具体用于:判断候选运动轨迹与约束屏障是否相交;若候选运动轨迹与约束屏障相交,则将候选运动轨迹在候选运动轨迹与约束屏障相交处进行截断处理。可选的,轨迹处理模块340还用于:根据目标对象的速度和预设减速度,得到目标对象按照候选运动轨迹移动不能在触及约束屏障之前刹停。进一步地,轨迹处理模块340具体用于:获取第一相交点,其中第一相交点为候选运动轨迹与约束屏障的相交点中最靠近候选运动轨迹起始端的相交点;将候选运动轨迹在第一相交点进行截断处理。
可选的,基轨迹处理模块340具体用于:判断候选运动轨迹与所述约束屏障是否相交;若候选运动轨迹与约束屏障相交,则将候选运动轨迹沿着约束屏障进行绕行处理。可选的,轨迹处理模块340还用于:根据目标对象的速度和预设减速度,得到目标对象按照候选运动轨迹移动能在触及约束屏障之前刹停。
可选的,轨迹处理模块340具体用于:判断候选运动轨迹与约束屏障相交是否;若候选运动轨迹与约束屏障相交,则对候选运动轨迹进行处理。
可选的,装置300还包括:轨迹输出模块350,用于输出处理后的候选运动轨迹。
可选的,装置300还包括:显示模块360,用于显示包含自车和约束屏障之间位置关系的影像。
本申请实施例描述的装置300用于实现图3-12对应实施例中描述的处理预测运动轨迹的方法200的所有步骤,图13对应实施例的更为详细描述可以参见图3-12对应实施例中描述的相应内容,在此不再赘述。
本申请实施例提供了一种处理预测运动轨迹的设备,如图14所示,该处理预测运动轨迹的设备400可以实现图3-12对应实施例描述的处理预测运动轨迹的方法200。处理预测运动轨迹的设备400包括:存储器401、处理器402、通信接口403以及总线404。其中,存储器401、处理器402、通信接口403通过总线404实现彼此之间的通信连接。处理器402调用存储器401中存储的程序可以实现图3-12对应实施例描述的处理预测运动轨迹的方法200的所有步骤,详细内容可以参见图3-12对应实施例中描述的相应内容,在此不再赘述。
本申请实施例提供了一种显示约束屏障的方法,如图15所示,该方法500包括以下步骤:
S510,获取自车感知范围内的实况影像并显示所述实况影像。可选的,可以通过自车上配置的摄像头获取实况影像。
S520,获取感知范围内的环境信息,并基于环境信息生成约束屏障;其中约束屏障用于指示可约束移动对象通行的区域。
S530,在实况影像中显示约束屏障。可选的,通过在显示屏中显示包含约束屏障的自车感知范围内实况影像的方式显示。在具体实现时,可以先获取自车周边环境的实况影像,再在实况影像中相应位置显示约束屏障,通过视觉方式提示用户注意自车周边的约束屏障,提高驾驶的安全性。在一个示例中,如图4所示,在显示屏中显示自车前方区域的实况影像,并在实况影像中相应位置显示出了约束屏障,如约束屏障1是指道路左侧的绿化带的区域,约束屏障2是指自车右前方的构成车流的3辆车辆所在区域。需要说明的,图4仅是简单的示意图,为了说明显示效果。进一步的,该步骤S500具体包括:显示处理后的候选运动轨迹和约束屏障。可选的,先获取自车周边环境的实况影像,再在实况影像中对应的区域实时显示处理后的候选运动轨迹和约束屏障,以更直观的方式向用于提示环境信息以及更形象地展示预测结果。进一步的,同时将基于不同属性的约束屏障进行处理的运动轨迹用颜色加以区分,例如基于车流生成的约束屏障处理的候选运动轨迹可以已黄色标记,基于道路边界生成的约束屏障处理的候选运动轨迹可以以蓝色标记。除了通过颜色加以区分不同属性的约束屏障和/或处理后的候选运动轨迹,还可以通过闪亮的方式区分。
可选的,一个具体的示例,上述获取感知范围内的环境信息具体包括:获取目标道路在感知范围内的道路边界和感知范围内的可通行区域Drivable area观测信息,其中目标道路为所述自车处于的道路。
上述基于环境信息生成约束屏障具体包括:根据道路边界和Drivable area观测信息获得被占据道路边界,其中被占据道路边界表示被障碍物占据的道路边界;在被占据的道路边界处设置约束屏障。
进一步地,上述根据道路边界和Drivable area观测信息,获得被占据道路边界具体包括:将Drivable area观测信息投影到道路边界上,并将投影到道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,其中栅格占用概率表示对应栅格被占用的可能性;基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界。
进一步地,上述基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界具体包括:沿道路边界每间隔预设距离进行采样获得多个采样点;获取多个采样点中各采样点所在栅格的栅格占用概率;根据多个采样点中各采样点所在栅格的栅格占用概率和预设规则获得被占据道路。
进一步地,上述根据多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路包括:判断多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;若多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则道路边界为所述被占据道路。
可选的,另一个具体的示例,上述获取感知范围内的环境信息具体包括:获取感知范围内目标道路上的间隔GAP,其中目标道路为自车处于的道路,GAP为前后车辆之间的间隔。
上述基于环境信息生成约束屏障具体包括:计算GAP的可被穿越概率,其中可被穿越概率表示目标道路上的移动对象可以穿越GAP的可能性;根据可被穿越概率和GAP获得目标车流,目标车流包括所述GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域;在目标车流处设置约束屏障。
进一步地,上述计算GAP的可被穿越概率具体包括:对GAP的前后车辆是否构成车流进行评估获得评估结果;根据评估结果计算GAP的可被穿越概率。
可选的,另一个具体的示例,上述获取感知范围内的环境信息具体包括:获取感知范围内目标道路的交通信号灯的状态,其中目标道路为自车处于的道路,交通信号灯的状态包括可通行状态和不可通行状态。
上述基于环境信息生成约束屏障具体包括:在不可通行状态的交通信号灯所对应车道的停止线处设置约束屏障。
图15对应实施例提供的显示约束屏障的方法500中步骤S520的更详细内容可以参见上面图3对应实施例描述的处理预测运动轨迹的方法200中步骤S200的相关描述,在此不再赘述。
本申请实施例提供的显示约束屏障的方法500,通过显示包含约束屏障的实况影像直观地向用户展示自车周边的环境状况,能够提高驾驶的安全性和交互体验。
本申请实施例提供一种显示约束屏障的装置600,主要用于实现上面实施例描述的显示约束屏障的方法500。如图16所示,该装置600包括:
实况影像获取模块610,用于获取自车感知范围内的实况影像;显示模块620,用于显示实况影像;环境信息模块630,用于获取感知范围内的环境信息;约束屏障生成模块640,用于基于环境信息模块630获取的环境信息生成约束屏障,其中约束屏障用于指示可约束移动对象通行的区域;进一步地,显示模块620,还用于在实况影像中显示约束屏障。
可选的,环境信息模块630具体用于:获取目标道路在感知范围内的道路边界和感知范围内的可通行区域Drivable area观测信息,目标道路为所述自车处于的道路。约束屏障生成模块640具体用于:根据道路边界和Drivable area观测信息获得被占据道路边界,其中被占据道路边界表示被障碍物占据的道路边界;在被占据的道路边界处设置约束屏障。
进一步地,约束屏障生成模块640具体用于:将Drivable area观测信息投影到道路边界上,并将投影到道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,栅格占用概率表示对应栅格被占用的可能性;基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界。
进一步地,约束屏障生成模块640具体用于:沿道路边界每间隔预设距离进行采样获得多个采样点;获取多个采样点中各采样点所在栅格的栅格占用概率;根据多个采样点中各采样点所在栅格的栅格占用概率和预设规则获得被占据道路。
进一步地,约束屏障生成模块640具体用于:判断多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;若多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则道路边界为所述被占据道路。
可选的,环境信息模块630具体用于:获取感知范围内目标道路上的间隔GAP,目标道路为所述自车处于的道路,GAP为前后车辆之间的间隔。约束屏障生成模块640具体用于:计算GAP的可被穿越概率,可被穿越概率表示目标道路上的移动对象可以穿越GAP的可能性;根据可被穿越概率和GAP获得目标车流,其中目标车流包括GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域;在目标车流处设置约束屏障。
进一步地,约束屏障生成模块640具体用于:对GAP的前后车辆是否构成车流进行评估获得评估结果;根据评估结果计算GAP的可被穿越概率。
可选的,环境信息模块630具体用于:获取感知范围内目标道路的交通信号灯的状态,目标道路为自车处于的道路,交通信号灯的状态包括可通行状态和不可通行状态。约束屏障生成模块640具体用于:在不可通行状态的交通信号灯所对应车道的停止线处设置约束屏障。
本申请实施例描述的显示约束屏障的装置600可以实现上面实施例描述的显示约束屏障的方法500的所有步骤,相关描述可以参见图15对应实施例描述的方法500的描述,在此不再赘述。
本申请实施例提供了一种显示约束屏障的设备,如图17所示,该显示约束屏障的设备700可以实现图15对应实施例描述的显示约束屏障的方法500。显示约束屏障的设备700包括:存储器701、处理器702、通信接口703以及总线704。其中,存储器701、处理器702、通信接口703通过总线704实现彼此之间的通信连接。处理器702调用存储器701中存储的程序可以实现图15对应实施例描述的显示约束屏障的方法500的所有步骤,详细内容可以参见图15对应实施例中描述的相关内容,在此不再赘述。
本申请实施例提供了一种预测运动轨迹的方法,如图18所示,该方法800包括以下步骤:
S810,获取目标对象周边的环境信息。可选的,可以自车配置的传感设备获取目标对象周边的环境信息,也可以通过V2X***从云端设备或目标车辆或其他车辆获取目标对象周边的环境信息。具体获取方法不做任何限定。
S820,根据环境信息生成约束屏障,其中约束屏障用于指示可约束目标对象通行的区域;
S830,根据约束屏障和预测算法预测目标对象的运动轨迹。其中预测算法不做限定,可以是将约束屏障作为数据输入已训练好的神经网络输出目标对象的运动轨迹。
可选的,步骤S810具体包括:获取目标对象周边的道路边界和可通行区域Drivable area观测信息。步骤S820具体包括:根据道路边界和Drivable area观测信息获得被占据道路边界,其中被占据道路边界表示被障碍物占据的道路边界;在被占据的道路边界处设置约束屏障。
进一步地,上述根据道路边界和Drivable area观测信息,获得被占据道路边界具体包括:将Drivable area观测信息投影到道路边界上,并将投影到道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,其中栅格占用概率表示对应栅格被占用的可能性;基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界。
进一步地,上述基于栅格占用概率,通过采样方式和预设规则获得被占据道路边界具体包括:沿道路边界每间隔预设距离进行采样获得多个采样点;获取多个采样点中各采样点所在栅格的栅格占用概率;根据多个采样点中各采样点所在栅格的栅格占用概率和预设规则获得被占据道路。
进一步地,上述根据多个采样点中各采样点所在栅格的栅格占用概率和预设规则获得被占据道路包括:判断多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;若多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则确定道路边界为被占据道路。
可选的,步骤S810具体包括:获取目标对象周边道路上的间隔GAP,GAP为前后车辆之间的间隔;步骤S820具体包括:计算GAP的可被穿越概率,可被穿越概率表示目标道路上的移动对象可以穿越GAP的可能性;根据可被穿越概率和GAP获得目标车流,目标车流包括GAP的前后车辆中前车辆的前沿至后车辆的后沿的区域;在目标车流处设置约束屏障。
进一步地,上述计算GAP的可被穿越概率具体包括:对GAP的前后车辆是否构成车流进行评估获得评估结果;根据评估结果计算GAP的可被穿越概率。
可选的,步骤S810具体包括:获取目标对象周边道路的交通信号灯的状态,其中交通信号灯的状态包括可通行状态和不可通行状态;步骤S820具体包括:在不可通行状态的交通信号灯所对应车道的停止线处设置约束屏障。可选的,若自车的交通信号灯状态为红灯,在自车所在车道以及与自车所在车道同向的车道的停止线处设置约束屏障。若自车的交通信号灯状态为绿灯且自车所处车道为直行车道,在自车所处车道对面的左转车道的停止线处设置约束屏障。若自车的交通信号灯状态为绿灯且自车所处车道为左转车道,在自车所处车道对面的直行车道的停止线处设置约束屏障。若自车的交通信号灯状态为绿灯且自车所处车道为直行车道,在自车所处车道侧面的直行车道和/或左转车道的停止线处设置约束屏障。该方法进一步还可以还包括:检测目标对象是否违反了交通信号灯的交通规则;若检测目标对象是否违反了交通信号灯的交通规则将约束屏障移除,即不设置约束屏障。
图18对应实施例提供的预测运动轨迹的方法800中步骤S810和S820的更详细内容可以参见上面图3对应实施例描述的处理预测运动轨迹的方法200中步骤S200的相关描述,在此不再赘述。
本申请实施例提供了一种预测运动轨迹的装置,用于实现图18对应实施例描述的方法800,该装置包括可以实现图18对应实施例描述的方法800的各个模块/单元。该装置可以是软件,也可以硬件实现,也可以是软硬件结合的方式实现。
本申请实施例提供了一种预测运动轨迹的设备,包括处理器和存储器,处理器与存储器耦合。存储器用于存储程序;处理器用于执行所述存储器中的程序,使得该设备执行图18对应实施例描述的方法800。
本申请实施例还提供了一种存储介质,包括程序,当其在计算机上运行时,使得计算机执行上面实施例描述的方法中任一个方法的所有步骤。
需要说明的,上面实施例描述装置/设备可以是同一装置/设备来实现,可以是不同的装置/设备。上面实施例描述的装置300、装置600可以是软件,也可以硬件实现,也可以是软硬件结合的方式实现。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (53)
1.一种处理预测运动轨迹的方法,其特征在于,包括:
获取候选运动轨迹,所述候选运动轨迹为通过预测方法得到的目标对象在未来时间段内的移动轨迹,所述目标对象在自车的感知范围内;
获取所述感知范围内的环境信息,并基于所述环境信息生成约束屏障,所述约束屏障用于指示可约束所述目标对象通行的区域,所述约束屏障包括硬约束屏障和/或软约束屏障,所述硬约束屏障用于指示所述目标对象不可通行区域,所述软约束屏障用于指示所述目标对象受限通行区域;
基于所述约束屏障对所述候选运动轨迹进行处理。
2.根据权利要求1所述的方法,其特征在于,所述获取所述感知范围内的环境信息包括:
获取目标道路在所述感知范围内的道路边界和所述感知范围内的可通行区域观测信息,所述目标道路为所述自车处于的道路;
其中,所述基于所述环境信息生成约束屏障,包括:
根据所述道路边界和所述可通行区域观测信息获得被占据道路边界,其中所述被占据道路边界表示被障碍物占据的道路边界;
在所述被占据的道路边界处设置所述约束屏障。
3.根据权利要求2所述的方法,其特征在于,所述根据所述道路边界和所述可通行区域观测信息,获得被占据道路边界包括:
将所述可通行区域观测信息投影到所述道路边界上,并将投影到所述道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,所述栅格占用概率表示对应栅格被占用的可能性;
基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界。
4.根据权利要求3所述的方法,其特征在于,所述基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界包括:
沿所述道路边界每间隔预设距离进行采样获得多个采样点;
获取所述多个采样点中各采样点所在栅格的栅格占用概率;
根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路包括:
判断所述多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;
若所述多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则所述道路边界为所述被占据道路。
6.根据权利要求1所述的方法,其特征在于,所述获取所述感知范围内的环境信息包括:
获取所述感知范围内目标道路上的间隔,所述目标道路为所述自车处于的道路,所述间隔为前后车辆之间的间隔;
其中,所述基于所述环境信息生成约束屏障,包括:
计算所述间隔的可被穿越概率,所述可被穿越概率表示所述目标道路上的移动对象可以穿越所述间隔的可能性;
根据所述可被穿越概率和所述间隔获得目标车流,所述目标车流包括所述间隔的前后车辆中前车辆的前沿至后车辆的后沿的区域;
在所述目标车流处设置约束屏障。
7.根据权利要求6所述的方法,其特征在于,所述计算所述间隔的可被穿越概率包括:
对所述间隔的前后车辆是否构成车流进行评估获得评估结果;
根据所述评估结果计算所述间隔的可被穿越概率。
8.根据权利要求1所述的方法,其特征在于,所述获取所述感知范围内的环境信息包括:
获取所述感知范围内目标道路的交通信号灯的状态,所述目标道路为所述自车处于的道路,所述交通信号灯的状态包括可通行状态和不可通行状态;
其中,所述基于所述环境信息生成约束屏障,包括:
在不可通行状态的交通信号灯所对应车道的停止线处设置所述约束屏障。
9.根据权利要求1-8中任一项所述的方法,其特征在于,所述基于所述约束屏障对所述候选运动轨迹进行处理包括:
判断所述候选运动轨迹与所述约束屏障是否相交;
若所述候选运动轨迹与所述约束屏障相交,则降低所述候选运动轨迹的预测结果概率。
10.根据权利要求1-8中任一项所述的方法,其特征在于,所述基于所述约束屏障对所述候选运动轨迹进行处理包括:
判断所述候选运动轨迹与所述约束屏障是否相交;
若所述候选运动轨迹与所述约束屏障相交,则将所述候选运动轨迹在所述候选运动轨迹与所述约束屏障相交处进行截断处理。
11.根据权利要求10所述的方法,其特征在于,在所述将所述候选运动轨迹在所述候选运动轨迹与所述约束屏障相交处进行截断处理之前,还包括:
根据所述目标对象的速度和预设减速度,得到所述目标对象按照所述候选运动轨迹移动不能在触及所述约束屏障之前刹停。
12.根据权利要求10所述的方法,其特征在于,所述将所述候选运动轨迹在所述候选运动轨迹与所述约束屏障相交处进行截断处理包括:
获取第一相交点,所述第一相交点为所述候选运动轨迹与所述约束屏障的相交点中最靠近所述候选运动轨迹起始端的相交点;
将所述候选运动轨迹在所述第一相交点进行截断处理。
13.根据权利要求1-8中任一项所述的方法,其特征在于,所述基于所述约束屏障对所述候选运动轨迹进行处理包括:
判断所述候选运动轨迹与所述约束屏障是否相交;
若所述候选运动轨迹与所述约束屏障相交,则将所述候选运动轨迹沿所述约束屏障进行绕行处理。
14.根据权利要求13所述的方法,其特征在于,在所述将所述候选运动轨迹沿所述约束屏障进行绕行处理之前,还包括:
根据所述目标对象的速度和预设减速度,得到所述目标对象按照所述候选运动轨迹移动能在触及所述约束屏障之前刹停。
15.根据权利要求1-8中任一项所述的方法,其特征在于,所述基于所述约束屏障对所述候选运动轨迹进行处理包括:
判断所述候选运动轨迹与所述约束屏障相交是否;
若所述候选运动轨迹与所述约束屏障相交,则对所述候选运动轨迹进行处理。
16.根据权利要求1-8中任一项所述的方法,其特征在于,还包括:输出处理后的候选运动轨迹。
17.根据权利要求1-8中任一项所述的方法,其特征在于,还包括:显示包含所述自车和所述约束屏障之间位置关系的影像。
18.一种显示约束屏障的方法,其特征在于,包括:
获取自车感知范围内的实况影像并显示所述实况影像;
获取所述感知范围内的环境信息,并基于所述环境信息生成约束屏障,所述约束屏障用于指示可约束移动对象通行的区域,所述约束屏障包括硬约束屏障和/或软约束屏障,所述硬约束屏障用于指示移动对象不可通行区域,所述软约束屏障用于指示移动对象受限通行区域;
在所述实况影像中显示所述约束屏障。
19.根据权利要求18所述的方法,其特征在于,所述获取所述感知范围内的环境信息包括:
获取目标道路在所述感知范围内的道路边界和所述感知范围内的可通行区域观测信息,所述目标道路为所述自车处于的道路;
其中,所述基于所述环境信息生成约束屏障,包括:
根据所述道路边界和所述可通行区域观测信息获得被占据道路边界,其中所述被占据道路边界表示被障碍物占据的道路边界;
在所述被占据的道路边界处设置所述约束屏障。
20.根据权利要求19的方法,其特征在于,所述根据所述道路边界和所述可通行区域观测信息,获得被占据道路边界包括:
将所述可通行区域观测信息投影到所述道路边界上,并将投影到所述道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,所述栅格占用概率表示对应栅格被占用的可能性;
基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界。
21.根据权利要求20所述的方法,其特征在于,所述基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界包括:
沿所述道路边界每间隔预设距离进行采样获得多个采样点;
获取所述多个采样点中各采样点所在栅格的栅格占用概率;
根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路。
22.根据权利要求21所述的方法,其特征在于,所述根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路包括:
判断所述多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;
若所述多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则所述道路边界为所述被占据道路。
23.根据权利要求18所述的方法,其特征在于,所述获取所述感知范围内的环境信息包括:
获取所述感知范围内目标道路上的间隔,所述目标道路为所述自车处于的道路,所述间隔为前后车辆之间的间隔;
其中,所述基于所述环境信息生成约束屏障,包括:
计算所述间隔的可被穿越概率,所述可被穿越概率表示所述目标道路上的移动对象可以穿越所述间隔的可能性;
根据所述可被穿越概率和所述间隔获得目标车流,所述目标车流包括所述间隔的前后车辆中前车辆的前沿至后车辆的后沿的区域;
在所述目标车流处设置所述约束屏障。
24.根据权利要求23所述的方法,其特征在于,所述计算所述间隔的可被穿越概率包括:
对所述间隔的前后车辆是否构成车流进行评估获得评估结果;
根据所述评估结果计算所述间隔的可被穿越概率。
25.根据权利要求18所述的方法,其特征在于,所述获取所述感知范围内的环境信息包括:
获取所述感知范围内目标道路的交通信号灯的状态,所述目标道路为所述自车处于的道路,所述交通信号灯的状态包括可通行状态和不可通行状态;
其中,所述基于所述环境信息生成约束屏障,包括:
在不可通行状态的交通信号灯所对应车道的停止线处设置所述约束屏障。
26.一种处理预测运动轨迹的装置,其特征在于,包括:
轨迹获取模块,用于获取候选运动轨迹,所述候选运动轨迹为通过预测方法得到的目标对象在未来时间段内的移动轨迹,所述目标对象在自车的感知范围内;
环境信息模块,用于获取所述感知范围内的环境信息;
约束屏障生成模块,用于基于所述环境信息模块获取的环境信息生成约束屏障,所述约束屏障用于指示可约束所述目标对象通行的区域,所述约束屏障包括硬约束屏障和/或软约束屏障,所述硬约束屏障用于指示所述目标对象不可通行区域,所述软约束屏障用于指示所述目标对象受限通行区域;
轨迹处理模块,用于基于所述约束屏障生成模块生成的约束屏障对所述轨迹获取模块获得的候选运动轨迹进行处理。
27.根据权利要求26所述的装置,其特征在于,所述环境信息模块具体用于:
获取目标道路在所述感知范围内的道路边界和所述感知范围内的可通行区域观测信息,所述目标道路为所述自车处于的道路;
其中,所述约束屏障生成模块具体用于:
根据所述环境信息模块获取的所述道路边界和所述可通行区域观测信息获得被占据道路边界,其中所述被占据道路边界表示被障碍物占据的道路边界;
在所述被占据的道路边界处设置所述约束屏障。
28.根据权利要求27所述的装置,其特征在于,所述约束屏障生成模块具体用于:
将所述可通行区域观测信息投影到所述道路边界上,并将投影到所述道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,所述栅格占用概率表示对应栅格被占用的可能性;
基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界。
29.根据权利要求28所述的装置,其特征在于,所述约束屏障生成模块具体用于:
沿所述道路边界每间隔预设距离进行采样获得多个采样点;
获取所述多个采样点中各采样点所在栅格的栅格占用概率;
根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路。
30.根据权利要求29所述的装置,其特征在于,所述约束屏障生成模块具体用于:
判断所述多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;
若所述多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则所述道路边界为所述被占据道路。
31.根据权利要求26所述的装置,其特征在于,所述环境信息模块具体用于:
获取所述感知范围内目标道路上的间隔,所述目标道路为所述自车处于的道路,所述间隔为前后车辆之间的间隔;
其中,所述约束屏障生成模块具体用于:
计算所述环境信息模块获取的所述间隔的可被穿越概率,所述可被穿越概率表示所述目标道路上的移动对象可以穿越所述间隔的可能性;
根据所述可被穿越概率和所述间隔获得目标车流,所述目标车流包括所述间隔的前后车辆中前车辆的前沿至后车辆的后沿的区域;
在所述目标车流处设置约束屏障。
32.根据权利要求31所述的装置,其特征在于,所述约束屏障生成模块具体用于:
对所述间隔的前后车辆是否构成车流进行评估获得评估结果;
根据所述评估结果计算所述间隔的可被穿越概率。
33.根据权利要求26所述的装置,其特征在于,所述环境信息模块具体用于:
获取所述感知范围内目标道路的交通信号灯的状态,所述目标道路为所述自车处于的道路,所述交通信号灯的状态包括可通行状态和不可通行状态;
其中,所述约束屏障生成模块具体用于:
在不可通行状态的交通信号灯所对应车道的停止线处设置所述约束屏障。
34.根据权利要求26-33中任一项所述的装置,其特征在于,所述轨迹处理模块具体用于:
判断所述候选运动轨迹与所述约束屏障是否相交;
若所述候选运动轨迹与所述约束屏障相交,则降低所述候选运动轨迹的预测结果概率。
35.根据权利要求26-33中任一项所述的装置,其特征在于,所述轨迹处理模块具体用于:
判断所述候选运动轨迹与所述约束屏障是否相交;
若所述候选运动轨迹与所述约束屏障相交,则将所述候选运动轨迹在所述候选运动轨迹与所述约束屏障相交处进行截断处理。
36.根据权利要求35所述的装置,其特征在于,所述轨迹处理模块还用于:
根据所述目标对象的速度和预设减速度,得到所述目标对象按照所述候选运动轨迹移动不能在触及所述约束屏障之前刹停。
37.根据权利要求35所述的装置,其特征在于,所述轨迹处理模块具体用于:
获取第一相交点,所述第一相交点为所述候选运动轨迹与所述约束屏障的相交点中最靠近所述候选运动轨迹起始端的相交点;
将所述候选运动轨迹在所述第一相交点进行截断处理。
38.根据权利要求26-33中任一项所述的装置,其特征在于,所述轨迹处理模块具体用于:
判断所述候选运动轨迹与所述约束屏障是否相交;
若所述候选运动轨迹与所述约束屏障相交,则将所述候选运动轨迹沿所述约束屏障进行绕行处理。
39.根据权利要求38所述的装置,其特征在于,所述轨迹处理模块还用于:
根据所述目标对象的速度和预设减速度,得到所述目标对象按照所述候选运动轨迹移动能在触及所述约束屏障之前刹停。
40.根据权利要求26-33中任一项所述的装置,其特征在于,所述轨迹处理模块具体用于:
判断所述候选运动轨迹与所述约束屏障相交是否;
若所述候选运动轨迹与所述约束屏障相交,则对所述候选运动轨迹进行处理。
41.根据权利要求26-33中任一项所述的装置,其特征在于,还包括:轨迹输出模块,用于输出处理后的候选运动轨迹。
42.根据权利要求26-33中任一项所述的装置,其特征在于,还包括:显示模块,用于显示包含所述自车和所述约束屏障之间位置关系的影像。
43.一种显示约束屏障的装置,其特征在于,包括:
实况影像获取模块,用于获取自车感知范围内的实况影像;
显示模块,用于显示所述实况影像;
环境信息模块,用于获取所述感知范围内的环境信息;
约束屏障生成模块,用于基于所述环境信息模块获取的环境信息生成约束屏障,所述约束屏障用于指示可约束移动对象通行的区域,所述约束屏障包括硬约束屏障和/或软约束屏障,所述硬约束屏障用于指示移动对象不可通行区域,所述软约束屏障用于指示所述移动对象受限通行区域;
所述显示模块,还用于在所述实况影像中显示所述约束屏障。
44.根据权利要求43所述的装置,其特征在于,所述环境信息模块具体用于:
获取目标道路在所述感知范围内的道路边界和所述感知范围内的可通行区域观测信息,所述目标道路为所述自车处于的道路;
其中,所述约束屏障生成模块具体用于:
根据所述道路边界和所述可通行区域观测信息获得被占据道路边界,其中所述被占据道路边界表示被障碍物占据的道路边界;
在所述被占据的道路边界处设置所述约束屏障。
45.根据权利要求44的装置,其特征在于,所述约束屏障生成模块具体用于:
将所述可通行区域观测信息投影到所述道路边界上,并将投影到所述道路边界上的观测信息中的栅格信息转化成为对应栅格的栅格占用概率,所述栅格占用概率表示对应栅格被占用的可能性;
基于所述栅格占用概率,通过采样方式和预设规则获得所述被占据道路边界。
46.根据权利要求45所述的装置,其特征在于,所述约束屏障生成模块具体用于:
沿所述道路边界每间隔预设距离进行采样获得多个采样点;
获取所述多个采样点中各采样点所在栅格的栅格占用概率;
根据所述多个采样点中各采样点所在栅格的栅格占用概率和所述预设规则获得所述被占据道路。
47.根据权利要求46所述的装置,其特征在于,所述约束屏障生成模块具体用于:
判断所述多个采样点中各采样点所在栅格的栅格占用概率是否大于预设阈值;
若所述多个采样点中存在预设数量连续或不连续的采样点所在栅格的栅格占用概率大于预设阈值,则所述道路边界为所述被占据道路。
48.根据权利要求43所述的装置,其特征在于,所述环境信息模块具体用于:
获取所述感知范围内目标道路上的间隔,所述目标道路为所述自车处于的道路,所述间隔为前后车辆之间的间隔;
其中,所述约束屏障生成模块具体用于:
计算所述间隔的可被穿越概率,所述可被穿越概率表示所述目标道路上的移动对象可以穿越所述间隔的可能性;
根据所述可被穿越概率和所述间隔获得目标车流,所述目标车流包括所述间隔的前后车辆中前车辆的前沿至后车辆的后沿的区域;
在所述目标车流处设置约束屏障。
49.根据权利要求48所述的装置,其特征在于,所述约束屏障生成模块具体用于:
对所述间隔的前后车辆是否构成车流进行评估获得评估结果;
根据所述评估结果计算所述间隔的可被穿越概率。
50.根据权利要求43所述的装置,其特征在于,所述环境信息模块具体用于:
获取所述感知范围内目标道路的交通信号灯的状态,所述目标道路为所述自车处于的道路,所述交通信号灯的状态包括可通行状态和不可通行状态;
其中,所述约束屏障生成模块具体用于:
在不可通行状态的交通信号灯所对应车道的停止线处设置所述约束屏障。
51.一种处理预测运动轨迹的设备,包括处理器和存储器,所述处理器与所述存储器耦合,其特征在于,
所述存储器,用于存储程序;
所述处理器,用于执行所述存储器中的程序,使得所述设备执行如权利要求1-17中任一项所述的方法。
52.一种显示约束屏障的设备,包括处理器和存储器,所述处理器与所述存储器耦合,其特征在于,
所述存储器,用于存储程序;
所述处理器,用于执行所述存储器中的程序,使得所述设备执行如权利要求18-25中任一项所述的方法。
53.一种计算机可读存储介质,所述计算机可读存储介质存储有程序,所述程序被处理器执行时实现如权利要求1-25中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/070008 WO2021134742A1 (zh) | 2020-01-02 | 2020-01-02 | 一种处理预测运动轨迹的方法、显示约束屏障的方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113424022A CN113424022A (zh) | 2021-09-21 |
CN113424022B true CN113424022B (zh) | 2024-04-16 |
Family
ID=76685886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080002621.7A Active CN113424022B (zh) | 2020-01-02 | 2020-01-02 | 一种处理预测运动轨迹的方法、显示约束屏障的方法以及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220340167A1 (zh) |
EP (1) | EP4071441A4 (zh) |
CN (1) | CN113424022B (zh) |
WO (1) | WO2021134742A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023102827A1 (zh) * | 2021-12-09 | 2023-06-15 | 华为技术有限公司 | 一种路径约束方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策***及方法 |
CN109572694A (zh) * | 2018-11-07 | 2019-04-05 | 同济大学 | 一种考虑不确定性的自动驾驶风险评估方法 |
CN109782763A (zh) * | 2019-01-18 | 2019-05-21 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN110168312A (zh) * | 2017-05-16 | 2019-08-23 | 大陆汽车有限责任公司 | 基于目标预测动态物体的方法和装置 |
CN110487288A (zh) * | 2018-05-14 | 2019-11-22 | 华为技术有限公司 | 一种行车道路的估计方法以及行车道路估计*** |
CN110517483A (zh) * | 2019-08-06 | 2019-11-29 | 杭州博信智联科技有限公司 | 一种路况信息处理方法及数字轨路侧单元 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4483486B2 (ja) * | 2004-09-01 | 2010-06-16 | マツダ株式会社 | 車両の走行制御装置 |
EP2562060B1 (en) * | 2011-08-22 | 2014-10-01 | Honda Research Institute Europe GmbH | A method and system for predicting movement behavior of a target traffic object |
DE102012008659A1 (de) * | 2012-05-03 | 2012-11-29 | Daimler Ag | Verhahren zur Situationsanalyse von Einscher,-Ausscher-, Einfädel- und/oder Ausfädelvorgängen von Fahrzeugen |
DE102014204309A1 (de) * | 2014-03-10 | 2015-09-10 | Robert Bosch Gmbh | Vorrichtung und Verfahren zum Betreiben eines Fahrzeugs |
EP3032454B1 (en) * | 2014-12-10 | 2018-09-26 | Honda Research Institute Europe GmbH | Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system |
CN107161141B (zh) * | 2017-03-08 | 2023-05-23 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车***及汽车 |
JP2019202722A (ja) * | 2018-05-25 | 2019-11-28 | 株式会社デンソー | 車両制御装置 |
JP7194755B2 (ja) * | 2018-05-31 | 2022-12-22 | ニッサン ノース アメリカ,インク | 軌道計画 |
-
2020
- 2020-01-02 WO PCT/CN2020/070008 patent/WO2021134742A1/zh unknown
- 2020-01-02 EP EP20909358.2A patent/EP4071441A4/en active Pending
- 2020-01-02 CN CN202080002621.7A patent/CN113424022B/zh active Active
-
2022
- 2022-07-01 US US17/856,088 patent/US20220340167A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110168312A (zh) * | 2017-05-16 | 2019-08-23 | 大陆汽车有限责任公司 | 基于目标预测动态物体的方法和装置 |
CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策***及方法 |
CN110487288A (zh) * | 2018-05-14 | 2019-11-22 | 华为技术有限公司 | 一种行车道路的估计方法以及行车道路估计*** |
CN109572694A (zh) * | 2018-11-07 | 2019-04-05 | 同济大学 | 一种考虑不确定性的自动驾驶风险评估方法 |
CN109782763A (zh) * | 2019-01-18 | 2019-05-21 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN110517483A (zh) * | 2019-08-06 | 2019-11-29 | 杭州博信智联科技有限公司 | 一种路况信息处理方法及数字轨路侧单元 |
Also Published As
Publication number | Publication date |
---|---|
WO2021134742A1 (zh) | 2021-07-08 |
US20220340167A1 (en) | 2022-10-27 |
EP4071441A1 (en) | 2022-10-12 |
EP4071441A4 (en) | 2022-12-28 |
CN113424022A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11390300B2 (en) | Method for using lateral motion to optimize trajectories for autonomous vehicles | |
CN112629551B (zh) | 具有施加的责任约束的导航*** | |
US11577746B2 (en) | Explainability of autonomous vehicle decision making | |
US10095234B2 (en) | Planning for unknown objects by an autonomous vehicle | |
US10281920B2 (en) | Planning for unknown objects by an autonomous vehicle | |
EP3854646A2 (en) | Systems and methods for navigating with safe distances | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US10234864B2 (en) | Planning for unknown objects by an autonomous vehicle | |
EP3640105A1 (en) | Modified responsibility sensitivity safety model | |
CN114364591A (zh) | 用于交通工具导航***和方法 | |
JP2020523660A (ja) | 自律走行に関する走行情報のフレームワークとバッチ調整との結合 | |
US11884155B2 (en) | Graphical user interface for display of autonomous vehicle behaviors | |
US20210191394A1 (en) | Systems and methods for presenting curated autonomy-system information of a vehicle | |
US20230286536A1 (en) | Systems and methods for evaluating domain-specific navigation system capabilities | |
US20210389133A1 (en) | Systems and methods for deriving path-prior data using collected trajectories | |
US20220084405A1 (en) | Determining vehicle path | |
US20220343762A1 (en) | Quantitative driving evaluation and vehicle safety restrictions | |
CN116466697A (zh) | 用于运载工具的方法、***以及存储介质 | |
CN113424022B (zh) | 一种处理预测运动轨迹的方法、显示约束屏障的方法以及装置 | |
US20210404841A1 (en) | Systems and methods for inferring information about stationary elements based on semantic relationships | |
CN115257813B (zh) | 通过施工障碍物的智能驾驶控制方法及车辆 | |
US20210405641A1 (en) | Detecting positioning of a sensor system associated with a vehicle |
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 |