CN114056425B - 车辆转向控制方法、装置、车辆及存储介质 - Google Patents
车辆转向控制方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN114056425B CN114056425B CN202111395577.3A CN202111395577A CN114056425B CN 114056425 B CN114056425 B CN 114056425B CN 202111395577 A CN202111395577 A CN 202111395577A CN 114056425 B CN114056425 B CN 114056425B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- steering
- sample
- vehicles
- opposite
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种车辆转向控制方法、装置、车辆及存储介质,该方法包括:获取待转向车辆在当前路口的检测数据,检测数据包括对向车辆的信息,基于检测数据和预先训练好的转向决策模型,控制待转向车辆在当前路口的转向操作,本公开能够有效地判别自动驾驶汽车是否能进行转向操作,提高了自动驾驶***的行车安全。
Description
技术领域
本公开涉及自动驾驶汽车领域,具体地,涉及一种车辆转向控制方法、装置、车辆及存储介质。
背景技术
近年来,自动驾驶汽车技术发展迅速,在未来,也与人们的日常生活息息相关。在自动驾驶汽车自动行驶的过程中,转向决策是最难解决的关键问题之一,如左转。如何在路口根据对向车的一些信息,实现高效、安全的左转,对于整个自动驾驶***具有重要的意义。
发明内容
为了实现上述目的,本公开提供一种车辆转向控制方法、装置、车辆及存储介质,用于解决车辆自动驾驶时转向决策的问题。
根据本公开实施例的第一方面,提供一种车辆转向控制方法,所述方法包括:
获取待转向车辆在当前路口的检测数据,所述检测数据包括所述待转向车辆在所述当前路口的对向车辆的信息,所述对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶且离所述待转向车辆最近的车辆;
基于所述检测数据和预先训练好的转向决策模型,控制所述待转向车辆在所述当前路口的转向操作;所述转向决策模型是基于样本车辆在目标路口的多组样本数据进行训练得到的,所述样本数据包括所述样本车辆在所述目标路口的对向车辆的信息。
可选地,在所述获取待转向车辆在当前路口的检测数据之前,所述方法包括:采集所述样本车辆在所述目标路口的所述多组样本数据;基于所述多组样本数据训练所述转向决策模型。
可选地,所述对向车辆的车辆信息包括所述对向车辆的车辆速度、车辆位置、车辆加速度信息;基于所述多组样本数据训练所述转向决策模型的步骤包括:基于所述对向车辆的车辆速度、车辆位置、车辆加速度信息计算所述对向车辆到达所述样本车辆的所在位置的碰撞时间;基于所述碰撞时间训练转向决策模型。
可选地,所述样本数据包括数量相等的第一样本数据及第二样本数据,所述第一样本数据为建议所述样本车辆向第一方向转向的场景下的样本数据,所述第二样本数据为不建议所述样本车辆向所述第一方向转向的场景下的样本数据。
可选地,所述对向车辆的车辆信息还包括所述对向车辆的车辆数量;基于所述样本数据训练转向决策模型的步骤包括:基于第一容错系数及所述第一样本数据计算所述样本车辆的转向概率;所述转向概率表征所述样本车辆能向所述第一方向转向的概率;所述第一容错系数为基于所述第一样本数据的训练结果确定的偏移系数;所述转向概率的计算公式包括:
其中,λ为所述第一容错系数,n为所述车辆数量;ttcn为所述第一样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un为所述第一样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;σn 2为所述第一样本数据中对向车道n上的碰撞时间的方差;
基于第二容错系数及所述第二样本数据计算所述样本车辆的非转向概率;所述非转向概率表征所述样本车辆不能向所述第一方向转向的概率;所述第二容错系数为基于所述第二样本数据的训练结果确定的偏移系数;所述非转向概率的计算公式包括:
其中,λ′为所述第二容错系数,n为所述车辆数量;ttcn′为所述第二样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un′为所述第二样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;为所述第二样本数据中对向车道n上的碰撞时间的方差;根据所述转向概率及所述非转向概率分别对所述第一容错系数和所述第二容错系数进行更新,并以更新后的所述第一容错系数和所述第二容错系数再次执行所述基于第一容错系数及所述第一样本数据计算所述样本车辆的转向概率和所述基于第二容错系数及所述第二样本数据计算所述样本车辆的非转向概率的步骤,直至满足预设的训练条件,得到所述转向决策模型。
可选地,所述对向车辆的车辆信息包括所述对向车辆的车辆数量及车辆类型;基于所述样本数据训练转向决策模型的步骤包括:基于碰撞危险系数、第一容错系数及所述第一样本数据计算所述待转向车辆的转向概率;所述转向概率表征所述样本车辆能向所述第一方向转向的概率;所述碰撞危险系数为基于所述车辆类型及所述车辆速度确定的常数;所述第一容错系数为基于所述第一样本数据的训练结果确定的偏移系数;所述转向概率的计算公式包括:
其中,Tn为所述对向车辆n的所述碰撞危险系数,λ为所述第一容错系数,n为所述车辆数量;ttcn为所述第一样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un为所述第一样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;σn 2为所述第一样本数据中对向车道n上的碰撞时间的方差。
可选地,所述基于所述检测数据和预先训练好的转向决策模型,控制所述待转向车辆在所述当前路口的转向操作的步骤包括:获取所述待转向车辆在所述当前路口的目标对向车辆的信息;所述目标对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶的车辆,所述目标对向车辆的信息包括车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度信息;基于所述目标对向车辆的信息,利用所述转向决策模型计算所述待转向车辆在第一方向上的转向概率及非转向概率;根据所述待转向车辆的转向概率及非转向概率控制所述待转向车辆的转向操作。
根据本公开实施例的第二方面,提供一种车辆转向控制装置,所述装置包括:获取模块,用于获取待转向车辆在当前路口的检测数据,所述检测数据包括所述待转向车辆在所述当前路口的对向车辆的信息,所述对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶的车辆;
处理模块,用于基于所述检测数据和预先训练好的转向决策模型,控制所述待转向车辆在所述当前路口的转向操作;所述转向决策模型是基于样本车辆在目标路口的多组样本数据进行训练得到的,所述样本数据包括所述样本车辆在所述目标路口的对向车辆的信息。
根据本公开实施例的第三方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述的车辆转向控制方法的步骤。
根据本公开实施例的第四方面,提供一种车辆,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现前述的车辆转向控制方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:本公开能够获取待转向车辆在当前路口的检测数据,检测数据包括对向车辆的信息,基于检测数据和预先训练好的转向决策模型,控制待转向车辆在当前路口的转向操作,能够有效地判别自动驾驶汽车是否能进行转向操作,提高了自动驾驶***的行车安全。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开示例性实施例示出的一种车辆转向控制方法的流程图。
图2是本公开示例性实施例示出的样本车辆在目标路口的场景示意图。
图3是本公开示例性实施例示出的步骤S202的子步骤的流程图。
图4是本公开示例性实施例示出的步骤S2022的子步骤的流程图。
图5是本公开示例性实施例示出的步骤S204的子步骤的流程图。
图6是本公开示例性实施例示出的一种车辆转向控制装置框图。
图7是本公开示例性实施例示出的一种车辆的框图。
附图标记说明
10-对向车辆;20-对向车辆;30-样本车辆;200-车辆转向控制装置;203-获取模块;205-处理模块;1900-车辆;1922-处理器;1932-存储器;1926-电源组件;1950-通信组件;1958-输入/输出接口。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
请参阅图1,图1为本公开示例性实施例示出的一种车辆转向控制方法的流程图,该方法可应用于电子设备,该电子设备可以为车辆中的电子设备,该车辆可以是自动驾驶车辆。图1所示的车辆转向控制方法包括以下步骤:
在步骤S201中,采集样本车辆在目标路口的多组样本数据。
请参阅图2,图2为本公开示例性实施例示出的样本车辆在目标路口的场景示意图;图2中,样本车辆在十字路口等待左转,可以通过有丰富驾驶经验的司机驾驶样本车辆来采集样本数据,为提高样本数据的精确性,样本车辆(自动驾驶车辆)上可配多于一名驾驶经验丰富的司机,例如两名、三名等;司机根据对向车道上的对向车辆的信息判断车辆是否可以左转,对向车辆为每条对向车道上与样本车辆相向行驶且离样本车辆最近的车辆,如图2中所示对向车辆包括对向车辆10及对向车辆20,对向车辆10为对向车辆10所在车道上离样本车辆30最近的车辆,对向车辆20为对向车辆20所在车道上离样本车辆30最近的车辆;图2中仅示出两辆对向车辆,在一种实施方式中对向车辆还可以是一辆、三辆等。司机驾驶的样本车辆30可以获取到对向车辆的信息,对向车辆的信息包括对向车辆的车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度信息。这些对向车辆的信息可以通过网联设备或是雷达、摄像头等传感器获取,本公开对此不做具体要求。
样本数据包括但不限于样本车辆的对向车辆的信息。在获取到样本数据的同时记录样本数据的样本标签(可以基于司机的判断来确定样本标签),样本标签包括建议样本车辆向第一方向转向以及不建议样本车辆向第一方向转向,在一种实施例中该第一方向为左转的方向。
需要说明的是,本步骤中样本车辆可以是多个,目标路口也可以是多个,例如,可以是一个样本车辆去多个目标路口采集得到多组样本数据,也可以是多个样本车辆去多个目标路口采集得到多组样本数据,也可以是多个样本车辆去同一个目标路口采集得到多组样本数据,也可以是一个样本车辆在一个目标路口反复采集得到多组样本数据,可以根据需要采用上述的任意一种或多种方式采集得到该多组样本数据,本公开对此不做限制。
在步骤S202中,基于多组样本数据训练转向决策模型。
需要说明的是,由于司机根据对向车道上的对向车辆的信息判断车辆是否可以左转,因此得到了第一样本数据及第二样本数据,第一样本数据为建议样本车辆向第一方向转向的场景下的样本数据,第二样本数据为不建议样本车辆向第一方向转向的场景下的样本数据,在一种实施例中该第一方向为左转的方向;在步骤S202中,选取数量相等的第一样本数据及第二样本数据用于训练转向决策模型。
步骤S202包括子步骤S2021及子步骤S2022,训练转向决策模型的具体方式将在步骤S202的子步骤中进行详细描述。请参阅图3,图3是本公开示例性实施例示出的步骤S202的子步骤的流程图。
在子步骤S2021中,基于对向车辆的车辆速度、车辆位置、车辆加速度信息计算对向车辆到达样本车辆的所在位置的碰撞时间。
根据选取的第一样本数据及第二样本数据计算对向车辆到达样本车辆的所在位置的碰撞时间(Time-To-Collision,TTC)。具体的,根据第一样本数据中的对向车辆的车辆速度、车辆位置、车辆加速度信息计算对向车辆到达样本车辆的所在位置的第一碰撞时间ttcn,根据第二样本数据中的对向车辆的车辆速度、车辆位置、车辆加速度信息计算对向车辆到达样本车辆的所在位置的第二碰撞时间ttcn′。
根据该第一碰撞时间ttcn以及第二碰撞时间ttcn′可以计算得到样本车辆的转向概率及非转向概率,转向概率表征样本车辆能向第一方向转向的概率,非转向概率表征样本车辆不能向第一方向转向的概率,在一种实施方式中第一方向为左转的方向。例如,可以参阅图2,转向概率表征样本车辆30在对向车辆10及对向车辆20的当前状态下可以进行左转的概率,非转向概率表征样本车辆30在对向车辆10及对向车辆20的当前状态下不可以进行左转的概率。
根据第一样本数据可以得到上述的转向概率,转向概率p1的计算公式包括:
其中,n为对向车辆的车辆数量;ttcn为第一样本数据中对向车辆n到达样本车辆的当前位置的碰撞时间,例如,可以参阅图2,图2中有两辆对向车辆,ttc1可以表示对象车辆10到达样本车辆的当前位置的碰撞时间,ttc2可以表示对象车辆20到达样本车辆的当前位置的碰撞时间,此时n的值为2;un为第一样本数据中对向车道n上的对向车辆的碰撞时间的平均值,对向车道n为对向车辆n所在的对向车道;σn 2为第一样本数据中对向车道n上的碰撞时间的方差。
根据第二样本数据可以得到上述的非转向概率,非转向概率p2的计算公式包括:
其中,n为对向车辆的车辆数量;ttcn′为第二样本数据中对向车辆n到达样本车辆的当前位置的碰撞时间,例如,可以参阅图2,图2中有两辆对向车辆,ttc1′可以表示对象车辆10到达样本车辆的当前位置的碰撞时间,ttc2′可以表示对象车辆20到达样本车辆的当前位置的碰撞时间,此时n的值为2;u′n为第二样本数据中对向车道n上的对向车辆的碰撞时间的平均值,对向车道n为对向车辆n所在的对向车道;为第二样本数据中对向车道n上的碰撞时间的方差。
在子步骤S2022中,基于碰撞时间训练转向决策模型。
对于自动驾驶***而言,行车安全必须是第一位的,所以建立的转向决策模型可以容忍将“车辆可以左转”错误地判定为“车辆不可以左转”,但是不能容忍将“车辆不可以左转”错误地判定为“车辆可以左转”,这就是基于代价敏感的分类,为解决这个问题,提高自动驾驶行车安全。
在一种实施方式中,本公开引入了表征代价的容错系数,该容错系数用于将转向决策模型的输出结果进行偏移,例如将“车辆可以左转”的结果向“车辆不可以左转”进行偏移。
步骤S2022包括子步骤S20221及子步骤S20222,训练转向决策模型的具体方式将在步骤S2022的子步骤中进行详细描述。请参阅图4,图4是本公开示例性实施例示出的步骤S2022的子步骤的流程图。
在子步骤S20221中,基于第一容错系数及第一样本数据计算样本车辆的转向概率。
示例性的,引入第一容错系数,基于第一样本数据,计算样本车辆的转向概率,第一容错系数为基于第一样本数据的训练结果确定的偏移系数;此时,转向概率的计算公式包括:
其中,λ为第一容错系数,取值范围为0<λ<1,n、ttcn、un及σn 2的含义与前述实施方式所描述的含义一致,具体可以参考前述实施方式,在此不再赘述。
在子步骤S20222中,基于第二容错系数及第二样本数据计算样本车辆的非转向概率。
示例性的,引入第二容错系数,基于第二样本数据,计算样本车辆的转向概率,第二容错系数为基于第二样本数据的训练结果确定的偏移系数;此时,非转向概率的计算公式包括:
其中,λ′为第二容错系数,取值范围为λ′>1,n、ttcn′、un′及σn′2的含义与前述实施方式所描述的含义一致,具体可以参考前述实施方式,在此不再赘述。
根据转向概率及非转向概率分别对第一容错系数和第二容错系数进行更新,并以更新后的第一容错系数和第二容错系数再次执行子步骤S20221以计算样本车辆的转向概率,及再次执行子步骤S20222以计算样本车辆的非转向概率,直至满足预设的训练条件,得到转向决策模型。预设的训练条件为预先设定的一个本领域的合理的值,旨在使得转向决策模型的正确率能达到预定的值,可以基于经验取得。
需要说明的是,更新第一容错系数和第二容错系数旨在使转向决策模型的边界向“车辆不能左转”的方向偏移,即降低转向概率的值,增加非转向概率的值,以减少将样本车辆“车辆不可以左转”错误判定为“车辆可以左转”的风险。
另外,对于自动驾驶***而言,还需要考虑车辆碰撞带来的风险大小,例如,在对向车辆是普通小型车辆且低速和对向车辆是大型车辆且高速两种情形下,自动驾驶汽车产生碰撞后的结果完全不同,为此,本公开基于车辆碰撞可能产生的后果的严重性,设计另一种转向决策模型的训练方法,下面将详细介绍。
本实施例中,引入了表征车辆碰撞危险等级的碰撞危险系数Tn,碰撞危险系数为基于车辆类型及车辆速度确定的常数。首先按照车辆碰撞产生后果的严重性进行了碰撞危险等级的划分:
例如,对向车辆是普通小型车辆、且行驶速度低于预定阈值行驶时,碰撞危险等级为4级;对向车辆是普通小型车辆、且行驶速度高于预定阈值行驶时,碰撞危险等级为3级;对向车辆是大型车辆、且行驶速度低于预定阈值行驶时,碰撞危险等级为2级;对向车辆是大型车辆、且行驶速度高于预定阈值行驶时,碰撞危险等级为1级。在一种实施方式中,该预定阈值可以是但不限于50千米每小时。请参阅图2,以图2中的对向车辆来进行说明,对向车辆10所在的对向车道为样本车辆的相邻对向车道,对于相邻对向车道上的对向车辆来说,当碰撞危险等级分别为1级、2级、3级、4级时,对应的Tn的取值可以是但不限于0.9、0.6、0.3、0;对向车辆20所在的对向车道为样本车辆的远邻对向车道,因为对向车辆20所在的对向车道与样本车辆所在车道的相隔了一个车道,对于远邻对向车道上的对向车辆来说,当碰撞危险等级分别为1级、2级、3级、4级时,对应的Tn的取值可以是但不限于1.2、0.8、0.4、0。
基于碰撞危险系数对转向概率的计算公式进行了进一步的优化,基于碰撞危险系数、第一容错系数及第一样本数据计算待转向车辆的转向概率的计算公式包括:
其中,Tn为所述对向车辆n的所述碰撞危险系数,λ、n、ttcn、un及σn 2的含义与前述实施方式所描述的含义一致,具体可以参考前述实施方式,在此不再赘述。
碰撞危险系数可以依据用户平时驾驶车辆的行为数据和***时驾驶非常谨慎的用户,可以适当增加碰撞危险系数的取值。
优化后的转向决策模型,改变了随机变量ttcn服从数学期望的位置,通过增加安全时间Tn,可以进一步确保自动驾驶车辆上人员的安全。
例如,在对转向决策模型进行优化之前,当相邻对向车道碰撞危险等级为1-4级时,假设临界碰撞时间TTC为5秒时,可判定车辆左转;调整后,在相邻对向车道碰撞等级为2级时,临界碰撞时间TTC要达到5.6秒,才判定车辆左转,而在相邻对向车道碰撞等级为1级时,临界碰撞时间TTC要达到5.9秒,才判定车辆左转。显然,优化后的转向决策模型会根据车辆碰撞带来的后果的严重性进行调整,以提高行车安全。
在步骤S203中,获取待转向车辆在当前路口的检测数据。
在本步骤中,检测数据为待转向车辆在当前路口的对向车辆的信息,该对向车辆的信息包括对向车辆的车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度信息。
在步骤S204中,基于检测数据和预先训练好的转向决策模型,控制待转向车辆在当前路口的转向操作。
步骤S204包括子步骤S2041、子步骤S2042及子步骤S2043,控制待转向车辆在当前路口的转向操作的具体方式将在步骤S204的子步骤中进行详细描述。请参阅图5,图5是本公开示例性实施例示出的步骤S204的子步骤的流程图。
在子步骤S2041中,获取待转向车辆在当前路口的目标对向车辆的信息。
目标对向车辆为每条对向车道上与待转向车辆相向行驶且离待转向车辆最近的车辆,目标对向车辆的信息包括目标对向车辆的车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度信息。目标对向车辆的信息从步骤S203中获取到的检测数据中获得。
在子步骤S2042中,基于目标对向车辆的信息,利用转向决策模型计算待转向车辆在第一方向上的转向概率及非转向概率。
将目标对向车辆的信息输入至步骤S202中任意一个训练好的转向决策模型,以计算待转向车辆在第一方向上的转向概率及非转向概率,在一种实施方式中第一方向可以是左转的方向。
在子步骤S2043中,根据待转向车辆的转向概率及非转向概率控制待转向车辆的转向操作。
当待转向车辆的转向概率大于非转向概率时,控制待转向车辆向第一方向转向,在一种实施方式中第一方向可以是左转的方向。
当待转向车辆的转向概率小于或等于非转向概率时,控制待转向车辆不进行转向操作。
综上所述,本公开能够获取待转向车辆在当前路口的检测数据,检测数据包括对向车辆的信息,基于检测数据和预先训练好的转向决策模型,控制待转向车辆在当前路口的转向操作,能够有效地判别自动驾驶汽车是否能进行转向操作,提高了自动驾驶***的行车安全。通过容错系数调整转向决策模型的边界,提高了的自动驾驶***的容错率;基于车辆类型调整碰撞危险系数提高了行车安全。
图6是本公开示例性实施例示出的一种车辆转向控制装置框图。参照图6,该装置20包括获取模块203和处理模块205。
该获取模块203,用于获取待转向车辆在当前路口的检测数据,所述检测数据包括所述待转向车辆在所述当前路口的对向车辆的信息,所述对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶的车辆。
该处理模块205,用于基于所述检测数据和预先训练好的转向决策模型,控制所述待转向车辆在所述当前路口的转向操作;所述转向决策模型是基于样本车辆在目标路口的多组样本数据进行训练得到的,所述样本数据包括所述样本车辆在所述目标路口的对向车辆的信息。
可选地,该获取模块203,还用于采集所述样本车辆在所述目标路口的所述多组样本数据。
可选地,该处理模块205,还用于基于所述多组样本数据训练所述转向决策模型。
可选地,该处理模块205,包括:
时间计算子模块,用于基于所述对向车辆的车辆速度、车辆位置、车辆加速度信息计算所述对向车辆到达所述样本车辆的所在位置的碰撞时间。
模型训练子模块,用于基于所述碰撞时间训练转向决策模型。
可选地,模型训练子模块,还用于基于第一容错系数及所述第一样本数据计算所述样本车辆的转向概率;所述转向概率表征所述样本车辆能向所述第一方向转向的概率;所述第一容错系数为基于所述第一样本数据的训练结果确定的偏移系数;
所述转向概率的计算公式包括:
其中,λ为所述第一容错系数,n为所述车辆数量;ttcn为所述第一样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un为所述第一样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;σn 2为所述第一样本数据中对向车道n上的碰撞时间的方差。
以及模型训练子模块,还用于基于第二容错系数及所述第二样本数据计算所述样本车辆的非转向概率;所述非转向概率表征所述样本车辆不能向所述第一方向转向的概率;所述第二容错系数为基于所述第二样本数据的训练结果确定的偏移系数;
所述非转向概率的计算公式包括:
其中,λ′为所述第二容错系数,n为所述车辆数量;ttcn′为所述第二样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un′为所述第二样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;为所述第二样本数据中对向车道n上的碰撞时间的方差。
以及模型训练子模块,还用于根据所述转向概率及所述非转向概率分别对所述第一容错系数和所述第二容错系数进行更新,并以更新后的所述第一容错系数和所述第二容错系数再次执行所述基于第一容错系数及所述第一样本数据计算所述样本车辆的转向概率和所述基于第二容错系数及所述第二样本数据计算所述样本车辆的非转向概率的步骤,直至满足预设的训练条件,得到所述转向决策模型。
可选地,模型训练子模块,还用于基于碰撞危险系数、第一容错系数及所述第一样本数据计算所述待转向车辆的转向概率;所述转向概率表征所述样本车辆能向所述第一方向转向的概率;所述碰撞危险系数为基于所述车辆类型及所述车辆速度确定的常数;所述第一容错系数为基于所述第一样本数据的训练结果确定的偏移系数;
所述转向概率的计算公式包括:
其中,Tn为所述对向车辆n的所述碰撞危险系数,λ为所述第一容错系数,n为所述车辆数量;ttcn为所述第一样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un为所述第一样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;σn 2为所述第一样本数据中对向车道n上的碰撞时间的方差。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
可选地,该处理模块205,还用于获取所述待转向车辆在所述当前路口的目标对向车辆的信息;所述目标对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶的车辆,所述目标对向车辆的信息包括车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度信息。
以及还用于基于所述目标对向车辆的信息,利用所述转向决策模型计算所述待转向车辆在第一方向上的转向概率及非转向概率。
以及还用于根据所述待转向车辆的转向概率及非转向概率控制所述待转向车辆的转向操作。
图7是根据本公开示例性实施例示出的一种车辆1900的框图,该车辆1900可以是自动驾驶车辆。参照图7,车辆1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的车辆转向控制方法。
另外,车辆1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行车辆1900的电源管理,该通信组件1950可以被配置为实现车辆1900的通信,例如,有线或无线通信。此外,该车辆1900还可以包括输入/输出(I/O)接口1958。车辆1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的车辆转向控制方法的步骤。例如,该非临时性计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由车辆1900的处理器1922执行以完成上述的车辆转向控制方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的车辆转向控制方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (9)
1.一种车辆转向控制方法,其特征在于,包括:
获取待转向车辆在当前路口的检测数据,所述检测数据包括所述待转向车辆在所述当前路口的对向车辆的信息,所述对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶且离所述待转向车辆最近的车辆;
基于所述检测数据和预先训练好的转向决策模型,控制所述待转向车辆在所述当前路口的转向操作;所述转向决策模型是基于样本车辆在目标路口的多组样本数据进行训练得到的,所述样本数据包括所述样本车辆在所述目标路口的对向车辆的信息;
其中,基于所述检测数据和预先训练好的转向决策模型,控制所述待转向车辆在所述当前路口的转向操作的步骤包括:
获取所述待转向车辆在所述当前路口的目标对向车辆的信息;所述目标对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶的车辆,所述目标对向车辆的信息包括车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度信息;
基于所述目标对向车辆的信息,利用所述转向决策模型计算所述待转向车辆在第一方向上的转向概率及非转向概率;
根据所述待转向车辆的转向概率及非转向概率控制所述待转向车辆的转向操作。
2.根据权利要求1所述的方法,其特征在于,在所述获取待转向车辆在当前路口的检测数据之前,所述方法包括:
采集所述样本车辆在所述目标路口的所述多组样本数据;
基于所述多组样本数据训练所述转向决策模型。
3.根据权利要求2所述的方法,其特征在于,所述对向车辆的车辆信息包括所述对向车辆的车辆速度、车辆位置、车辆加速度信息;
基于所述多组样本数据训练所述转向决策模型的步骤包括:
基于所述对向车辆的车辆速度、车辆位置、车辆加速度信息计算所述对向车辆到达所述样本车辆的所在位置的碰撞时间;
基于所述碰撞时间训练转向决策模型。
4.根据权利要求3所述的方法,其特征在于,所述样本数据包括数量相等的第一样本数据及第二样本数据,所述第一样本数据为建议所述样本车辆向第一方向转向的场景下的样本数据,所述第二样本数据为不建议所述样本车辆向所述第一方向转向的场景下的样本数据。
5.根据权利要求4所述的方法,其特征在于,所述对向车辆的车辆信息还包括所述对向车辆的车辆数量;
基于所述样本数据训练转向决策模型的步骤包括:
基于第一容错系数及所述第一样本数据计算所述样本车辆的转向概率;所述转向概率表征所述样本车辆能向所述第一方向转向的概率;所述第一容错系数为基于所述第一样本数据的训练结果确定的偏移系数;
所述转向概率的计算公式包括:
其中,λ为所述第一容错系数,n为所述车辆数量;ttcn为所述第一样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un为所述第一样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;σn 2为所述第一样本数据中对向车道n上的碰撞时间的方差;
基于第二容错系数及所述第二样本数据计算所述样本车辆的非转向概率;所述非转向概率表征所述样本车辆不能向所述第一方向转向的概率;所述第二容错系数为基于所述第二样本数据的训练结果确定的偏移系数;
所述非转向概率的计算公式包括:
其中,λ′为所述第二容错系数,n为所述车辆数量;ttcn′为所述第二样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un′为所述第二样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;为所述第二样本数据中对向车道n上的碰撞时间的方差;
根据所述转向概率及所述非转向概率分别对所述第一容错系数和所述第二容错系数进行更新,并以更新后的所述第一容错系数和所述第二容错系数再次执行所述基于第一容错系数及所述第一样本数据计算所述样本车辆的转向概率和所述基于第二容错系数及所述第二样本数据计算所述样本车辆的非转向概率的步骤,直至满足预设的训练条件,得到所述转向决策模型。
6.根据权利要求4所述的方法,其特征在于,所述对向车辆的车辆信息包括所述对向车辆的车辆数量及车辆类型;
基于所述样本数据训练转向决策模型的步骤包括:
基于碰撞危险系数、第一容错系数及所述第一样本数据计算所述待转向车辆的转向概率;所述转向概率表征所述样本车辆能向所述第一方向转向的概率;所述碰撞危险系数为基于所述车辆类型及所述车辆速度确定的常数;所述第一容错系数为基于所述第一样本数据的训练结果确定的偏移系数;
所述转向概率的计算公式包括:
其中,Tn为所述对向车辆n的所述碰撞危险系数,λ为所述第一容错系数,n为所述车辆数量;ttcn为所述第一样本数据中对向车辆n到达所述样本车辆的当前位置的碰撞时间;un为所述第一样本数据中对向车道n上的对向车辆的碰撞时间的平均值,所述对向车道n为所述对向车辆n所在的对向车道;σn 2为所述第一样本数据中对向车道n上的碰撞时间的方差;
根据所述转向概率对所述碰撞危险系数进行更新,并以更新后的所述碰撞危险系数再次执行所述基于碰撞危险系数、第一容错系数及所述第一样本数据计算所述样本车辆的转向概率的步骤,直至满足预设的训练条件,得到所述转向决策模型。
7.一种车辆转向控制装置,其特征在于,
获取模块,用于获取待转向车辆在当前路口的检测数据,所述检测数据包括所述待转向车辆在所述当前路口的对向车辆的信息,所述对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶的车辆;
处理模块,用于基于所述检测数据和预先训练好的转向决策模型,控制所述待转向车辆在所述当前路口的转向操作;所述转向决策模型是基于样本车辆在目标路口的多组样本数据进行训练得到的,所述样本数据包括所述样本车辆在所述目标路口的对向车辆的信息;
其中,基于所述检测数据和预先训练好的转向决策模型,控制所述待转向车辆在所述当前路口的转向操作的步骤包括:
获取所述待转向车辆在所述当前路口的目标对向车辆的信息;所述目标对向车辆为所述待转向车辆的对向车道上与所述待转向车辆相向行驶的车辆,所述目标对向车辆的信息包括车辆数量、车辆类型、车辆速度、车辆位置、车辆加速度信息;
基于所述目标对向车辆的信息,利用所述转向决策模型计算所述待转向车辆在第一方向上的转向概率及非转向概率;
根据所述待转向车辆的转向概率及非转向概率控制所述待转向车辆的转向操作。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项车辆转向控制方法的步骤。
9.一种车辆,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项车辆转向控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111395577.3A CN114056425B (zh) | 2021-11-23 | 2021-11-23 | 车辆转向控制方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111395577.3A CN114056425B (zh) | 2021-11-23 | 2021-11-23 | 车辆转向控制方法、装置、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114056425A CN114056425A (zh) | 2022-02-18 |
CN114056425B true CN114056425B (zh) | 2023-07-18 |
Family
ID=80275436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111395577.3A Active CN114056425B (zh) | 2021-11-23 | 2021-11-23 | 车辆转向控制方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114056425B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4947028B2 (ja) * | 2008-10-10 | 2012-06-06 | 株式会社デンソー | 自動車の運転支援装置及び運転支援方法 |
JP2014241036A (ja) * | 2013-06-11 | 2014-12-25 | 三菱電機株式会社 | 車両運転支援装置 |
US10569772B2 (en) * | 2017-04-12 | 2020-02-25 | Hrl Laboratories, Llc | Cognitive behavior prediction system for autonomous systems |
US10019011B1 (en) * | 2017-10-09 | 2018-07-10 | Uber Technologies, Inc. | Autonomous vehicles featuring machine-learned yield model |
US11257370B2 (en) * | 2018-03-19 | 2022-02-22 | Derq Inc. | Early warning and collision avoidance |
TWI690440B (zh) * | 2018-10-17 | 2020-04-11 | 財團法人車輛研究測試中心 | 基於支持向量機之路口智慧駕駛方法及其系統 |
CN109901574B (zh) * | 2019-01-28 | 2021-08-13 | 华为技术有限公司 | 自动驾驶方法及装置 |
CN110298122B (zh) * | 2019-07-03 | 2021-04-27 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
CN110723207B (zh) * | 2019-09-23 | 2021-08-03 | 江苏大学 | 基于模型重构的智能汽车模型预测转向控制器及其控制方法 |
CN112365710B (zh) * | 2020-10-19 | 2021-09-24 | 南京航空航天大学 | 一种基于概率输出模型的智能车辆换道决策方法 |
CN113200086A (zh) * | 2021-06-21 | 2021-08-03 | 盐城工学院 | 一种智能车转向控制***及其控制方法 |
-
2021
- 2021-11-23 CN CN202111395577.3A patent/CN114056425B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114056425A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
US11940790B2 (en) | Safe hand-off between human driver and autonomous driving system | |
CN110214107B (zh) | 提供驾驶员教育的自主车辆 | |
CN116342655A (zh) | 用于在线实时多对象跟踪的装置和方法 | |
CN108944939B (zh) | 用于提供驾驶指导的方法和*** | |
US10168697B2 (en) | Assistance for an autonomous vehicle using crowd-sourced responses | |
Shin et al. | Randomized adversarial imitation learning for autonomous driving | |
US11242050B2 (en) | Reinforcement learning with scene decomposition for navigating complex environments | |
US12005922B2 (en) | Toward simulation of driver behavior in driving automation | |
CN111583716B (zh) | 一种车辆避障方法、装置、电子设备及存储介质 | |
EP3915851B1 (en) | System and method for estimating take-over time | |
CN113085873B (zh) | 驾驶策略的获取方法、装置、计算机设备和存储介质 | |
JP6924629B2 (ja) | 自動制御装置およびその制御方法 | |
EP3751465A1 (en) | Methods, apparatuses and computer programs for generating a reinforcement learning-based machine-learning model and for generating a control signal for operating a vehicle | |
CN111666307A (zh) | 根据场景观察进行直觉推断的无人驾驶安全判断*** | |
CN114502442A (zh) | 用于运行车辆的方法 | |
CN116331221A (zh) | 辅助驾驶方法、装置、电子设备及存储介质 | |
US20210341885A1 (en) | Device and method for training a control strategy for a control device over several iterations | |
CN114056425B (zh) | 车辆转向控制方法、装置、车辆及存储介质 | |
CN110932932A (zh) | 自动驾驶云服务平台的可靠性确定方法及相关装置 | |
WO2023230740A1 (zh) | 一种异常驾驶行为识别的方法、装置和交通工具 | |
CN112634627A (zh) | 一种高速巡航状态下的换道方法、装置及汽车 | |
EP3989031B1 (en) | Systems and methods for fusing road friction data to enhance vehicle maneuvering | |
CN116767237A (zh) | 针对自动化驾驶上的动手的欺骗检测 | |
Yeo | Autonomous Driving Technology through Image Classfication and Object Recognition Based on CNN |
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 |