CN114556251B - 用于确定车辆可通行空间的方法和装置 - Google Patents
用于确定车辆可通行空间的方法和装置 Download PDFInfo
- Publication number
- CN114556251B CN114556251B CN201980101534.4A CN201980101534A CN114556251B CN 114556251 B CN114556251 B CN 114556251B CN 201980101534 A CN201980101534 A CN 201980101534A CN 114556251 B CN114556251 B CN 114556251B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parameter
- gaussian
- target position
- mixed gaussian
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000000203 mixture Substances 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 7
- 241000282414 Homo sapiens Species 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000010267 cellular communication Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000011151 fibre-reinforced plastic Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000779 depleting effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及人工智能领域,具体为提供了一种用于确定车辆可通行空间的方法和装置。车辆将第一混合高斯参数和该第一测量值作为输入,通过概率假设密度PHD模型之后得到第二混合高斯参数。也就是说,车辆通过第一测量值和第一混合高斯参数得到一个精度更高的第二混合高斯参数,这样车辆可以得到更加准确的网络的状态值,从而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。此外,本申请实施例可以不限制于传感器的敏感度要求,从而提高了应用场景的灵活性。
Description
技术领域
本申请涉及自动驾驶领域,更具体地涉及一种用于确定车辆可通行空间(freespace)的方法和装置。
背景技术
人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以与人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人,自然语言处理,计算机视觉,决策与推理,人机交互,推荐与搜索,AI基础理论等。
自动驾驶是人工智能领域的一种主流应用,自动驾驶技术依靠计算机视觉、雷达、监控装置和全球定位***等协同合作,让机动车辆可以在不需要人类主动操作下,实现自动驾驶。自动驾驶的车辆使用各种计算***来帮助将乘客从一个位置运输到另一位置。一些自动驾驶车辆可能要求来自操作者(诸如,领航员、驾驶员、或者乘客)的一些初始输入或者连续输入。自动驾驶车辆准许操作者从手动模操作式切换到自东驾驶模式或者介于两者之间的模式。由于自动驾驶技术无需人类来驾驶机动车辆,所以理论上能够有效避免人类的驾驶失误,减少交通事故的发生,且能够提高公路的运输效率。因此,自动驾驶技术越来越受到重视。
可通行空间是一种描述车辆周边环境的表述方式。例如,可通行空间一般包含其他车辆,行人和马路边等信息,主要用于将自动驾驶车辆附近的可以自由行使的空间描述清楚。
传统方案中,使用网络地图(gridmap)对freespace进行表述。gridmap是将一片面积离散化,例如,将一块100m*100m的区域用1m*1m的网格进行划分,即该区域会被划分为100*100共1万个网格。每个网格对应的一个状态值,根据该状态值确定该网格覆盖的区域是否是freespace。其中,确定网格的状态值的方式有两种,一种是基于优势率的方式,另一种是基于深度学习的方式。
然而,上述两种确定网格的状态值的方式对传感器的敏感度要求比较高,应用场景不够灵活。
发明内容
本申请提供一种用于确定车辆可通行空间的方法和装置,能够提高应用场景的灵活性。
第一方面,提供了一种用于确定车辆可通行空间的方法,该方法包括:获取目标位置的第一混合高斯参数;获取第一测量值,该第一测量值为车辆在第一时刻测量得到的该车辆与该目标位置的距离;将该第一混合高斯参数和该第一测量值通过概率假设密度PHD模型得到第二混合高斯参数;根据该第二混合高斯参数,确定该目标位置对应的网格的状态值,该网格的状态值用于指示该目标位置是否可通行。
PHD模型为一种贝叶斯统计算法,通过该PHD模型能够提高分析精度。车辆将第一混合高斯参数和该第一测量值作为输入,通过该PHD模型之后得到第二混合高斯参数。也就是说,车辆通过测量值和第一混合高斯参数得到一个精度更高的第二混合高斯参数,这样车辆可以得到更加准确的网络的状态值,从而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。此外,本申请实施例对传感器的敏感度可以不进行要求,从而提高了应用场景的灵活性。
在一些可能的实现方式中,该PHD模型包括检测概率模型,该检测概率模型满足瑞利分布。
在中间区域检测效果较好,在最近或最远区域检测效果较差,瑞利分布能够更进一步符合传感器的测量状态,使得输出的第二混合高斯参数的精度更高,得到的网格的状态值更准确,从而有助于更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。
在一些可能的实现方式中,该根据该第二混合高斯参数,确定该目标位置对应的网格的状态值包括:对该第二混合高斯参数进行裁剪得到第三混合高斯参数,该第三混合高斯参数中的高斯元的数目小于该第二混合高斯参数的高斯元的数目;根据该第三混合高斯参数,确定该目标位置对应的网格的状态值。
车辆可以将部分高斯元进行合并,例如将距离很近的高斯元进行合并,这样可以减少一些权值较小的高斯元,从而减少了后续计算的复杂度,以及能够减少杂波的影响。
在一些可能的实现方式中,该根据该第三混合高斯参数,确定该目标位置对应的网格的状态值包括:在该第三混合高斯参数中高斯元的权值中的最大值小于或等于该预设阈值的情况下,将第二测量值和该第三混合高斯参数通过该PHD模型得到第四混合高斯参数,该第二测量值为该车辆在第二时刻测量得到的该车辆与该目标位置的距离,该第二时刻晚于该第一时刻;在该第四混合高斯参数中的第一高斯元的权值大于该预设阈值的情况下,将该第一高斯元的权值确定为该目标位置对应的网格的状态值。
若第三混合高斯参数中的所有高斯元的取值都小于或等于该预设阈值,则根据第二时刻的第二测量值和该第三混合高斯参数通过PHD模型得到第四混合高斯参数。这样可以在第四混合高斯参数中找到大于该预设阈值的高斯元的权值,从而提高了该状态值的准确性,进而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。
在一些可能的实现方式中,该根据该第三混合高斯参数,确定该目标位置对应的网格的状态值包括:在该第三混合高斯参数中第二高斯元的权值大于预设阈值的情况下,将该第二高斯元的权值确定为该目标位置对应的网格的状态值。
车辆可以预先设置一个预设阈值(例如,权值阈值),并将第四混合高斯参数中大于该预设阈值的高斯元的权值作为该目标位置对应的网格的状态值,这样可以提高该状态值的准确性,进而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。
第二方面,提供了一种用于确定车辆可通行空间的装置,该装置包括:存储器,用于存储程序;处理器,用于执行所述存储器存储的程序,当所述存储器存储的程序被执行时,所述处理器用于执行上述第一方面,以及上述第一方面中的任意一种可能的实现方式中的方法。
第三方面,提供一种计算机可读介质,该计算机可读介质存储用于处理数据的装置执行的指令,该指令用于执行上述第一方面,以及上述第一方面中的任意一种可能的实现方式中的方法。
第四方面,提供一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述第一方面,以及上述第一方面中的任意一种可能的实现方式中的方法。
第五方面,提供一种芯片,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,执行上述第一方面,以及上述第一方面中的任意一种可能的实现方式中的方法。
可选地,作为一种实现方式,所述芯片还可以包括存储器,所述存储器中存储有指令,所述处理器用于执行所述存储器上存储的指令,当所述指令被执行时,所述处理器用于执行第一方面中的任意一种实现方式中的方法。
上述芯片具体可以是现场可编程门阵列(field-programmable gate array,FPGA)或者专用集成电路(application-specific integrated circuit,ASIC)。
第六方面,提供了一种终端,该终端包括上述第二方面的装置。
第七方面,提供了一种车辆,该车辆包括上述第二方面的装置。
基于上述技术方案,车辆将第一混合高斯参数和该第一测量值作为输入,通过该PHD模型之后得到第二混合高斯参数。也就是说,车辆通过第一测量值和第一混合高斯参数得到一个精度更高的第二混合高斯参数,这样车辆可以得到更加准确的网络的状态值,从而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。此外,本申请实施例可以不限制于传感器的敏感度要求,从而提高了应用场景的灵活性。
附图说明
图1是本申请实施例的车辆的功能框图;
图2是本申请实施例的自动驾驶***的示意图;
图3是本申请实施例的用于确定车辆可通行空间的装置的示意性流程图;
图4是本申请实施例的用于确定车辆可通行空间的装置的示意性框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
图1是本发明实施例提供的车辆100的功能框图。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***,例如行进***102、传感器***104、控制***106、一个或多个***设备108以及电源110、计算机***112和用户接口116。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。
行进***102可包括为车辆100提供动力运动的组件。在一个实施例中,推进***102可包括引擎118、能量源119、传动装置120和车轮/轮胎121。引擎118可以是内燃引擎、电动机、空气压缩引擎或其他类型的引擎组合,例如气油发动机和电动机组成的混动引擎,内燃引擎和空气压缩引擎组成的混动引擎。引擎118将能量源119转换成机械能量。
能量源119的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源119也可以为车辆100的其他***提供能量。
传动装置120可以将来自引擎118的机械动力传送到车轮121。传动装置120可包括变速箱、差速器和驱动轴。在一个实施例中,传动装置120还可以包括其他器件,比如离合器。其中,驱动轴可包括可耦合到一个或多个车轮121的一个或多个轴。
传感器***104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***104可包括定位***122(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)124、雷达126、激光测距仪128以及相机130。传感器***104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)。这种检测和识别是自主车辆100的安全操作的关键功能。
定位***122可用于估计车辆100的地理位置。IMU 124用于基于惯性加速度来感测车辆100的位置和朝向变化。在一个实施例中,IMU 124可以是加速度计和陀螺仪的组合。
雷达126可利用无线电信号来感测车辆100的周边环境内的物体。在一些实施例中,除了感测物体以外,雷达126还可用于感测物体的速度和/或前进方向。
激光测距仪128可利用激光来感测车辆100所位于的环境中的物体。在一些实施例中,激光测距仪128可包括一个或多个激光源、激光扫描器以及一个或多个检测器,以及其他***组件。
相机130可用于捕捉车辆100的周边环境的多个图像。相机130可以是静态相机或视频相机。
控制***106为控制车辆100及其组件的操作。控制***106可包括各种元件,其中包括转向***132、油门134、制动单元136、传感器融合算法138、计算机视觉***140、路线控制***142以及障碍物避免***144。
转向***132可操作来调整车辆100的前进方向。例如在一个实施例中可以为方向盘***。
油门134用于控制引擎118的操作速度并进而控制车辆100的速度。
制动单元136用于控制车辆100减速。制动单元136可使用摩擦力来减慢车轮121。在其他实施例中,制动单元136可将车轮121的动能转换为电流。制动单元136也可采取其他形式来减慢车轮121转速从而控制车辆100的速度。
计算机视觉***140可以操作来处理和分析由相机130捕捉的图像以便识别车辆100周边环境中的物体和/或特征。所述物体和/或特征可包括交通信号、道路边界和障碍物。计算机视觉***140可使用物体识别算法、运动中恢复结构(Structure from Motion,SFM)算法、视频跟踪和其他计算机视觉技术。在一些实施例中,计算机视觉***140可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。
路线控制***142用于确定车辆100的行驶路线。在一些实施例中,路线控制***142可结合来自传感器138、GPS 122和一个或多个预定地图的数据以为车辆100确定行驶路线。
障碍物避免***144用于识别、评估和避免或者以其他方式越过车辆100的环境中的潜在障碍物。
当然,在一个实例中,控制***106可以增加或替换地包括除了所示出和描述的那些以外的组件。或者也可以减少一部分上述示出的组件。
车辆100通过***设备108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108可包括无线通信***146、车载电脑148、麦克风150和/或扬声器152。
在一些实施例中,***设备108提供车辆100的用户与用户接口116交互的手段。例如,车载电脑148可向车辆100的用户提供信息。用户接口116还可操作车载电脑148来接收用户的输入。车载电脑148可以通过触摸屏进行操作。在其他情况中,***设备108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150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152可向车辆100的用户输出音频。
无线通信***146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***146可使用3G蜂窝通信,例如CDMA、EVD0、GSM/GPRS,或者4G蜂窝通信,例如LTE。或者5G蜂窝通信。无线通信***146可利用WiFi与无线局域网(wireless localarea network,WLAN)通信。在一些实施例中,无线通信***146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***146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/或路边台站之间的公共和/或私有数据通信。
电源110可向车辆100的各种组件提供电力。在一个实施例中,电源110可以为可再充电锂离子或铅酸电池。这种电池的一个或多个电池组可被配置为电源为车辆100的各种组件提供电力。在一些实施例中,电源110和能量源119可一起实现,例如一些全电动车中那样。
车辆100的部分或所有功能受计算机***112控制。计算机***112可包括至少一个处理器113,处理器113执行存储在例如数据存储装置114这样的非暂态计算机可读介质中的指令115。计算机***112还可以是采用分布式方式控制车辆100的个体组件或子***的多个计算设备。
处理器113可以是任何常规的处理器,诸如商业可获得的CPU。替选地,该处理器可以是诸如ASIC或其它基于硬件的处理器的专用设备。尽管图1功能性地图示了处理器、存储器、和在相同块中的计算机110的其它元件,但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如,存储器可以是硬盘驱动器或位于不同于计算机110的外壳内的其它存储介质。因此,对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤,诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器,所述处理器只执行与特定于组件的功能相关的计算。
在此处所描述的各个方面中,处理器可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中,此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行,包括采取执行单一操纵的必要步骤。
在一些实施例中,数据存储装置114可包含指令115(例如,程序逻辑),指令115可被处理器113执行来执行车辆100的各种功能,包括以上描述的那些功能。数据存储装置114也可包含额外的指令,包括向推进***102、传感器***104、控制***106和***设备108中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令115以外,数据存储装置114还可存储数据,例如道路地图、路线信息,车辆的位置、方向、速度以及其它这样的车辆数据,以及其他信息。这种信息可在车辆100在自主、半自主和/或手动模式中操作期间被车辆100和计算机***112使用。
用户接口116,用于向车辆100的用户提供信息或从其接收信息。可选地,用户接口116可包括在***设备108的集合内的一个或多个输入/输出设备,例如无线通信***146、车车在电脑148、麦克风150和扬声器152。
计算机***112可基于从各种子***(例如,行进***102、传感器***104和控制***106)以及从用户接口116接收的输入来控制车辆100的功能。例如,计算机***112可利用来自控制***106的输入以便控制转向单元132来避免由传感器***104和障碍物避免***144检测到的障碍物。在一些实施例中,计算机***112可操作来对车辆100及其子***的许多方面提供控制。
可选地,上述这些组件中的一个或多个可与车辆100分开安装或关联。例如,数据存储装置114可以部分或完全地与车辆1100分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地,上述组件只是一个示例,实际应用中,上述各个模块中的组件有可能根据实际需要增添或者删除,图1不应理解为对本发明实施例的限制。
在道路行进的自动驾驶汽车,如上面的车辆100,可以识别其周围环境内的物体以确定对当前速度的调整。所述物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中,可以独立地考虑每个识别的物体,并且基于物体的各自的特性,诸如它的当前速度、加速度、与车辆的间距等,可以用来确定自动驾驶汽车所要调整的速度。
可选地,自动驾驶汽车车辆100或者与自动驾驶车辆100相关联的计算设备(如图1的计算机***112、计算机视觉***140、数据存储装置114)可以基于所识别的物体的特性和周围环境的状态(例如,交通、雨、道路上的冰、等等)来预测所述识别的物体的行为。可选地,每一个所识别的物体都依赖于彼此的行为,因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆100能够基于预测的所述识别的物体的行为来调整它的速度。换句话说,自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如,加速、减速、或者停止)什么稳定状态。在这个过程中,也可以考虑其它因素来确定车辆100的速度,诸如,车辆100在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外,计算设备还可以提供修改车辆100的转向角的指令,以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如,道路上的相邻车道中的轿车)的安全横向和纵向距离。
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。
图2示出了自动驾驶***的示意图。根据图2,计算机***101包括处理器103,处理器103和***总线105耦合。处理器103可以是一个或者多个处理器,其中每个处理器都可以包括一个或多个处理器核。显示适配器(video adapter)107,显示适配器可以驱动显示器109,显示器109和***总线105耦合。***总线105通过总线桥111和输入输出(I/O)总线113耦合。I/O接口115和I/O总线耦合。I/O接口115和多种I/O设备进行通信,比如输入设备117(如:键盘,鼠标,触摸屏等),多媒体盘(media tray)121,(例如,CD-ROM,多媒体接口等)。收发器123(可以发送和/或接受无线电通信信号),摄像头155(可以捕捉景田和动态数字视频图像)和外部USB接口125。其中,可选地,和I/O接口115相连接的接口可以是USB接口。
其中,处理器103可以是任何传统处理器,包括精简指令集计算(“RISC”)处理器、复杂指令集计算(“CISC”)处理器或上述的组合。可选地,处理器可以是诸如专用集成电路(“ASIC”)的专用装置。可选地,处理器103可以是神经网络处理器或者是神经网络处理器和上述传统处理器的组合。
可选地,在本文所述的各种实施例中,计算机***101可位于远离自动驾驶车辆的地方,并且可与自动驾驶车辆0无线通信。在其它方面,本文所述的一些过程在设置在自动驾驶车辆内的处理器上执行,其它由远程处理器执行,包括采取执行单个操纵所需的动作。
计算机101可以通过网络接口129和软件部署服务器149通信。网络接口129是硬件网络接口,比如,网卡。网络127可以是外部网络,比如因特网,也可以是内部网络,比如以太网或者虚拟私人网络(VPN)。可选地,网络127还尅是无线网络,比如WiFi网络,蜂窝网络等。
硬盘驱动接口和***总线105耦合。硬件驱动接口和硬盘驱动器相连接。***内存135和***总线105耦合。运行在***内存135的数据可以包括计算机101的操作***137和应用程序143。
操作***包括壳(shell)139和内核(kernel)141。Shell 139是介于使用者和操作***之内核(kernel)间的一个接口。shell是操作***最外面的一层。shell管理使用者与操作***之间的交互:等待使用者的输入,向操作***解释使用者的输入,并且处理各种各样的操作***的输出结果。
内核141由操作***中用于管理存储器、文件、外设和***资源的那些部分组成。直接与硬件交互,操作***内核通常运行进程,并提供进程间的通信,提供CPU时间片管理、中断、内存管理、IO管理等等。
应用程序141包括控制汽车自动驾驶相关的程序,比如,管理自动驾驶的汽车和路上障碍物交互的程序,控制自动驾驶汽车路线或者速度的程序,控制自动驾驶汽车和路上其他自动驾驶汽车交互的程序。应用程序141也存在于软件部分服务器(deployingserver)149的***上。在一个实施例中,在需要执行应用程序141时,计算机***101可以从deploying server14下载应用程序141。
传感器153和计算机***101关联。传感器153用于探测计算机101周围的环境。举例来说,传感器153可以探测动物,汽车,障碍物和人行横道等,进一步传感器还可以探测上述动物,汽车,障碍物和人行横道等物体周围的环境,比如:动物周围的环境,例如,动物周围出现的其他动物,天气条件,周围环境的光亮度等。可选地,如果计算机101位于自动驾驶的汽车上,传感器可以是摄像头,红外线感应器,化学检测器,麦克风等。
传统方案中,使用网络地图(gridmap)对freespace进行表述。gridmap是将一片面积离散化,例如,将一块100m*100m的区域用1m*1m的网格进行划分,即该区域会被划分为100*100共1万个网格。每个网格对应一个状态值,根据该状态值确定对应的网格覆盖的区域是否是freespace。其中,确定每个网格对应的状态值的方式有两种,一种是基于优势率的方式,另一种是基于深度学习的方式。
基于优势率的方式确定每个网格对应的状态值具体如下所述:
1、在gridmap的区域里,对每个网格点进行观测;
具体地,初始化一张gridmap,传感器接收障碍物信息,通过算法将该障碍物信息投影到gridmap中。
例如,令mx,y为事件:(x,y)处出现障碍物,在1-T时刻进行观测,得到后验概率p(mx,y|z1...zT),其中,z1,...,zT为1至T时刻的观测值,则对数优势率为:
2、约定每次观测的后验概率,即认为网格的当前观测只与当前的状态相关;
具体地,假设当前测量值与历史测量值无关,即
p(zt|z1,....,zt-1,mx,y)=p(zt|mx,y)
则经过传感器持续的更新后获得的空间内的状态值为:
3、gridmap中每个网格观测一次,对数优势率便会累加一次,即障碍物落到哪个网格中,则该网格的对数优势率就会累加。
4、该对数优势率可以作为对应网格的状态值,其中,对数优势率高的格子可以看作占据状态,对数优势率低的格子可以看作非占据状态。即gridmap会不断的被更新,随着传感器观测数量的增加,girdmap中网格是处于占据状态,还是非占据状态的概率值可信度更高。
基于深度学习的方式确定每个网格对应的状态值具体如下所述:
1、基于深度学习的方式使用残差网络(residual network,resnet)进行特征的提取;
具体地,图像预处理模块对图像进行预处理,具体地对图像进行缩放,变换成神经网络需要的输入,并将缩放后的图像送入神经网络输入口。
2、在图像坐标系对图像区域进行处理,神经网络会输出在图片中freespace的区域;
3、使用平面假设将图像坐标系的区域变换到自车坐标系(即以车为中心的地面位置),从而确定出地面的freespace。
然而,上述通过gridmap确定freespace的方式对传感器的要求比较高,应用场景不够灵活。
图3示出了本申请实施例的用于确定车辆可通行空间的方法的示意性流程图。
本申请实施例的执行主体可以是车辆、或车辆内的终端、或车辆内的处理模块。例如,图1所示的计算机***112。为方便描述,下述实施例以车辆为执行主体进行描述,但本申请并不限于此。
301,车辆获取目标位置的第一混合高斯参数。
具体地,目标位置可以是目标所在的位置,目标位置的状态可以通过第一混合高斯参数表示。该第一混合高斯参数可以是x为随机变量,Jk为k时刻的高斯元的数目,/>为k时刻第j个高斯元的均值,/>是权值,/>是协方差,j=1,2,...,Jk。例如,若以在k-1时刻,第一混合高斯元只包括一个高斯元(例如,序号为0)为例,则第一混合高斯参数可以表示为/>
可以理解的是,该目标位置的第一混合高斯参数可以是经验所得,也可以是车辆上一次测量得到的,本申请对此不进行限定。
还可以理解的是,目标所在的位置可以是障碍物(例如,其他车辆,行人和马路边等)所在的位置。此外,目标所在的位置可以是一个,也可以是多个,本申请实施例以某一个目标所在的位置为例进行说明,但本申请并不限于此。其中,目标的数目即为第一混合高斯函数中的高斯元的数目。
302,车辆获取第一测量值,该第一测量值为该车辆在第一时刻测量得到的该车辆与该目标位置的距离。
具体地,车辆可以通过传感器***(例如,图1所示的传感器***104)的测量该车辆与目标位置之间的距离。例如,车辆是以目标位置作为质心坐标测量的目标位置与车辆的距离。
303,车辆将该第一混合高斯参数和该第一测量值通过概率假设密度(probability hypothesis density,PHD)模型得到第二混合高斯参数。
具体地,PHD模型为一种贝叶斯统计算法,通过该PHD模型能够提高分析精度。车辆将第一混合高斯参数和该第一测量值作为输入,通过该PHD模型之后得到第二混合高斯参数。也就是说,车辆通过测量值和第一混合高斯参数得到一个精度更高的第二混合高斯参数,这样有助于车辆得到更加准确的网络的状态值,从而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。此外,本申请实施例对传感器的敏感度要求可以降低,提高了应用场景的灵活性。
PHD模型可以由两个部分实现,一部分由预测模块(predict)实现,另一部分由更新模块(update)实现。具体地,若第一混合高斯参数为vk-1(x),通过预测模块处理后得到vk|k-1(x)。将该vk|k-1(x)和第一测量值z作为输入,由更新模块处理后得到vk(x)。若第一混合高斯参数包括一个高斯元(例如,序号为0)则通过预测模块后处理后得到/>将vk|k-1(x)和z作为输入通过更新模块后得到
具体地,
其中,
其中,z为目标位置与车辆的距离,pD,k(x)为k时刻x被探测到的概率,Kk(z)为k时刻杂波的密度,Rk为噪声协方差,Hk为观测矩阵(本申请可以假设Hk=1)。
若则/>最后得到/>
可选地,该PHD模型包括检测概率模型,其中该检测概率模型满足瑞利分布。即在中间区域检测效果较好,在最近或最远区域检测效果较差。这样能够更进一步符合传感器的测量状态,使得第二混合高斯参数的精度更高,网格的状态值更准确,从而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。
具体地,检测概率模型即上述公式(4)中的pD,k(x),检测概率模型满足瑞利分布具体可以是
其中,pD,k(x)表示该检测概率模型,d表示微分算子,σ表示方差,x表示随机变量。
304,车辆根据该第二混合高斯参数,确定该目标位置对应的网格的状态值,该网格的状态值用于指示该目标位置是否可通行。
具体地,车辆根据第二混合高斯参数中的高斯元可以得到该目标位置对应的网格的状态值,例如,可以将该第二混合高斯参数中的高斯元的权值确定为该目标位置对应的网格的状态值,从而根据该状态值的大小确定目标位置是否可通行,进而提高了车辆通行的安全性。
可以理解的是,高斯元的权值可以是期望值。
可选地,步骤304具体可以是将第二混合高斯参数进行裁剪得到第三混合高斯参数,并根据该第三混合高斯参数中的高斯元确定该目标位置对应的网格的状态值。其中,该第三混合高斯参数包括的高斯元的数目小于该第二混合高斯参数包括的高斯元的数目。
具体地,车辆可以将部分高斯元进行合并,例如将距离很近的高斯元进行合并,这样可以减少一些权值较小的高斯元,从而减少了后续计算的复杂度,以及能够减少杂波的影响。
可以理解的是,减少权值较小的高斯元的操作在本领域内可以称为“裁剪”。
在一个实施例中,在该第三混合高斯参数中第二高斯元的权值大于预设阈值的情况下,将该第二高斯元的权值确定为该目标位置对应的网格的状态值。
具体地,车辆预先设置一个权值阈值,并将第三混合高斯参数中大于该预设阈值的高斯元的权值作为该目标位置对应的网格的状态值,这样可以提高该状态值的准确性,进而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。
可以理解的是,该第三混合高斯参数中权值大于该预设阈值的高斯元可以是一个,也可以是多个。可以将权值大于该预设阈值的多个高斯元中的任意一个高斯元的权值作为该目标位置对应的网格的状态值,也可以是多个高斯元中最大的权值作为目标位置对应的网格的状态值。
还可以理解的是,高斯元的权值小于预设阈值时,可以将该权值作丢弃处理。
还可以理解的是,本技术领域中,可以将根据高斯元的权值与预设阈值的大小关系对权值所做的处理称为“栅格化”。
在另一个实施例中,在该第三混合高斯参数中高斯元的权值中的最大值小于或等于该预设阈值的情况下,将第二测量值和该第三混合高斯参数通过该PHD模型得到第四混合高斯参数,再将第四混合高斯参数中大于该预设阈值的第一高斯元的权值确定为该目标位置对应的网格的状态值。其中,该第二测量值为该车辆在第二时刻测量得到的该车辆与该目标位置的距离,该第二时刻晚于该第一时刻。
具体地,若第三混合高斯参数中的所有高斯元的取值都小于或等于该预设阈值,则将该目标位置在下一个时刻的测量值(即第二测量值)和该第三混合高斯参数通过该PHD模型得到第四混合高斯参数。这样将第四混合高斯参数中大于该预设阈值的高斯元的权值作为状态值,从而提高了该状态值的准确性,进而更加准确的确定出目标位置是否可通行,进一步提高了车辆通行的安全性。
例如,第三混合高斯参数为vk|k-1(x),第四混合高斯参数为vk(x),则根据目标位置在下一个时刻的检测结果状态参数,更新该第三混合高斯参数得到第四混合高斯参数具体可以是满足如下公式:
其中,
此外,可以由前述公式(4)、(5)、(6)、(7)和(8)确定。
可以理解的是,若该第四混合高斯参数中没有找到大于该预设阈值的高斯元的权值,则根据目标位置在下下个时刻的检测结果状态参数更新该第四混合高斯参数得到第五混合高斯参数,并在第五混合高斯参数中找到大于该预设阈值的高斯元的权值。若第五混合高斯参数中没有找到大于该预设阈值的高斯元的权值,则继续循环寻找,直到找到大于该预设阈值的高斯元的权值为止。这样通过多次观测结果的传递,能够对盲区以及虚警进行处理,得到更加可靠的可通行区域。
应理解,本申请实施例中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例,而非限制本申请实施例的范围。
还应理解,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
还应理解,本申请实施例中,“预先配置”、可以通过在设备(例如,包括智能设备和云端服务器)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现,本申请对于其具体的实现方式不做限定。
还应理解,在本申请的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
以上,结合图3详细说明了本申请实施例提供的方法。以下,结合图4详细说明本申请实施例提供的装置。应理解,装置实施例的描述与方法实施例的描述相互对应,因此,未详细描述的内容可以参见上文方法实施例,为了简洁,部分内容不再赘述。
图4示出了本申请一个实施例的用于确定车辆可通行空间的装置400的结构示意图。应理解,该装置400可以实现3所示的方法。该装置可以是车辆、或车辆内的终端、或车辆内的处理模块或部件(例如芯片或者电路)。
该装置400可以包括用于执行前述方法实施例中的各个操作的单元。并且,该装置400中的各单元分别为了实现前述任意方法的相应流程。该装置400包括收发模块410和处理模块420。
该收发模块410,用于获取目标位置的第一混合高斯参数;
该收发模块410,还用于获取第一测量值,该第一测量值为车辆在第一时刻测量得到的该车辆与该目标位置中的目标位置的距离;
该处理模块420,用于将该第一混合高斯参数和该第一测量值通过概率假设密度PHD模型得到第二混合高斯参数;
该处理模块420,还用于根据该第二混合高斯参数,确定该目标位置对应的网格的状态值,该网格的状态值用于指示该目标位置是否可通行。
可选地,该PHD模型包括检测概率模型,该检测概率模型满足瑞利分布。
可选地,该处理模块420具体用于:对该第二混合高斯参数进行裁剪得到第三混合高斯参数,该第三混合高斯参数中的高斯元的数目小于该第二混合高斯参数的高斯元的数目;根据该第三混合高斯参数,确定该目标位置对应的网格的状态值。
可选地,该处理模块420具体用于:在该第三混合高斯参数中高斯元的权值中的最大值小于或等于该预设阈值的情况下,将第二测量值和该第三混合高斯参数通过该PHD模型得到第四混合高斯参数,该第二测量值为该车辆在第二时刻测量得到的该车辆与该目标位置的距离,该第二时刻晚于该第一时刻;在该第四混合高斯参数中的第一高斯元的权值大于该预设阈值的情况下,将该第一高斯元的权值确定为该目标位置对应的网格的状态值。
可选地,该处理模块420具体用于:在该第三混合高斯参数中第二高斯元的权值大于预设阈值的情况下,将该第二高斯元的权值确定为该目标位置对应的网格的状态值。
应理解,各单元执行上述相应步骤的具体过程在上述方法实施例中已经详细说明,为了简洁,在此不再赘述。
还应理解,该装置400为终端、配置于车辆中的芯片或芯片***,或配置于终端中的芯片或芯片***时,该装置400中的收发模块410可以为数据传输接口、接口电路、数据传输电路或管脚,处理模块420可以为处理器、处理电路或逻辑电路,存储单元可以为存储器或存储电路。
应理解,上述装置400为芯片时,该芯片可以是现场可编程门阵列(fieldprogrammable gate array,FPGA),可以是专用集成芯片(application specificintegrated circuit,ASIC),还可以是***芯片(system on chip,SoC),还可以是中央处理器(central processor unit,CPU),还可以是网络处理器(network processor,NP),还可以是数字信号处理电路(digital signal processor,DSP),还可以是微控制器(microcontroller unit,MCU),还可以是可编程控制器(programmable logic device,PLD)或其他集成芯片。
根据本申请实施例提供的方法,本申请还提供一种计算机程序产品,该计算机程序产品包括:计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行前述任意一个方法实施例中的方法。
根据本申请实施例提供的方法,本申请还提供一种计算机可读介质,该计算机可读介质存储有指令,当该指令在计算机上运行时,使得该计算机执行前述任意一个方法实施例中的方法。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-0nly Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (13)
1.一种用于确定车辆可通行空间的方法,其特征在于,包括:
获取目标位置的第一混合高斯参数;
获取第一测量值,所述第一测量值为车辆在第一时刻测量得到的所述车辆与所述目标位置中的目标位置的距离;
将所述第一混合高斯参数和所述第一测量值通过概率假设密度PHD模型得到第二混合高斯参数;
根据所述第二混合高斯参数,确定所述目标位置对应的网格的状态值,所述网格的状态值用于指示所述目标位置是否可通行。
2.根据权利要求1所述的方法,其特征在于,所述PHD模型包括检测概率模型,所述检测概率模型满足瑞利分布。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述第二混合高斯参数,确定所述目标位置对应的网格的状态值包括:
对所述第二混合高斯参数进行裁剪得到第三混合高斯参数,所述第三混合高斯参数中的高斯元的数目小于所述第二混合高斯参数的高斯元的数目;
根据所述第三混合高斯参数,确定所述目标位置对应的网格的状态值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第三混合高斯参数,确定所述目标位置对应的网格的状态值包括:
在所述第三混合高斯参数中高斯元的权值中的最大值小于或等于预设阈值的情况下,将第二测量值和所述第三混合高斯参数通过所述PHD模型得到第四混合高斯参数,所述第二测量值为所述车辆在第二时刻测量得到的所述车辆与所述目标位置的距离,所述第二时刻晚于所述第一时刻;
在所述第四混合高斯参数中的第一高斯元的权值大于所述预设阈值的情况下,将所述第一高斯元的权值确定为所述目标位置对应的网格的状态值。
5.根据权利要求3所述的方法,其特征在于,所述根据所述第三混合高斯参数,确定所述目标位置对应的网格的状态值包括:
在所述第三混合高斯参数中第二高斯元的权值大于预设阈值的情况下,将所述第二高斯元的权值确定为所述目标位置对应的网格的状态值。
6.一种用于确定车辆可通行空间的装置,其特征在于,包括:
收发模块,用于获取目标位置的第一混合高斯参数;
所述收发模块,还用于获取第一测量值,所述第一测量值为车辆在第一时刻测量得到的所述车辆与所述目标位置中的目标位置的距离;
处理模块,用于将所述第一混合高斯参数和所述第一测量值通过概率假设密度PHD模型得到第二混合高斯参数;
所述处理模块,还用于根据所述第二混合高斯参数,确定所述目标位置对应的网格的状态值,所述网格的状态值用于指示所述目标位置是否可通行。
7.根据权利要求6所述的装置,其特征在于,所述PHD模型包括检测概率模型,所述检测概率模型满足瑞利分布。
8.根据权利要求6或7所述的装置,其特征在于,所述处理模块具体用于:
对所述第二混合高斯参数进行裁剪得到第三混合高斯参数,所述第三混合高斯参数中的高斯元的数目小于所述第二混合高斯参数的高斯元的数目;
根据所述第三混合高斯参数,确定所述目标位置对应的网格的状态值。
9.根据权利要求8所述的装置,其特征在于,所述处理模块具体用于:
在所述第三混合高斯参数中高斯元的权值中的最大值小于或等于预设阈值的情况下,将第二测量值和所述第三混合高斯参数通过所述PHD模型得到第四混合高斯参数,所述第二测量值为所述车辆在第二时刻测量得到的所述车辆与所述目标位置的距离,所述第二时刻晚于所述第一时刻;
在所述第四混合高斯参数中的第一高斯元的权值大于所述预设阈值的情况下,将所述第一高斯元的权值确定为所述目标位置对应的网格的状态值。
10.根据权利要求8所述的装置,其特征在于,所述处理模块具体用于:
在所述第三混合高斯参数中第二高斯元的权值大于预设阈值的情况下,将所述第二高斯元的权值确定为所述目标位置对应的网格的状态值。
11.一种用于确定车辆可通行空间的装置,其特征在于,包括处理器和存储器,所述存储器用于存储程序指令,所述处理器用于调用所述程序指令来执行权利要求1至5中任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储用于设备执行的程序代码,该程序代码包括用于执行如权利要求1至5中任一项所述的方法。
13.一种芯片,其特征在于,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,以执行如权利要求1至5中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/120348 WO2021097823A1 (zh) | 2019-11-22 | 2019-11-22 | 用于确定车辆可通行空间的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114556251A CN114556251A (zh) | 2022-05-27 |
CN114556251B true CN114556251B (zh) | 2023-11-17 |
Family
ID=75981151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980101534.4A Active CN114556251B (zh) | 2019-11-22 | 2019-11-22 | 用于确定车辆可通行空间的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114556251B (zh) |
WO (1) | WO2021097823A1 (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018155397A1 (ja) * | 2017-02-24 | 2018-08-30 | 株式会社日立製作所 | 混雑予測システムおよび歩行者シミュレーション装置 |
WO2019007605A1 (de) * | 2017-07-07 | 2019-01-10 | Robert Bosch Gmbh | Verfahren zur verifizierung einer digitalen karte eines höher automatisierten fahrzeugs, entsprechende vorrichtung und computerprogramm |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10474157B2 (en) * | 2017-06-06 | 2019-11-12 | Baidu Usa Llc | Data-based control error detection and parameter compensation system |
EP3436783A4 (en) * | 2017-06-22 | 2019-02-06 | Baidu.com Times Technology (Beijing) Co., Ltd. | FRAMEWORK FOR THE ASSESSMENT OF PREVIEWED TRAJECTORIES IN TRAFFIC FORECASTING AUTONOMOUS VEHICLES |
DE102017120729A1 (de) * | 2017-09-08 | 2019-03-14 | Connaught Electronics Ltd. | Freiraumdetektion in einem Fahrerassistenzsystem eines Kraftfahrzeugs mit einem neuralen Netzwerk |
CN108594812A (zh) * | 2018-04-16 | 2018-09-28 | 电子科技大学 | 一种结构化道路的智能车辆平滑轨迹规划方法 |
CN108764373B (zh) * | 2018-06-08 | 2021-11-30 | 北京领骏科技有限公司 | 一种用于自动驾驶中的传感器数据过滤及融合方法 |
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 |
-
2019
- 2019-11-22 CN CN201980101534.4A patent/CN114556251B/zh active Active
- 2019-11-22 WO PCT/CN2019/120348 patent/WO2021097823A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018155397A1 (ja) * | 2017-02-24 | 2018-08-30 | 株式会社日立製作所 | 混雑予測システムおよび歩行者シミュレーション装置 |
WO2019007605A1 (de) * | 2017-07-07 | 2019-01-10 | Robert Bosch Gmbh | Verfahren zur verifizierung einer digitalen karte eines höher automatisierten fahrzeugs, entsprechende vorrichtung und computerprogramm |
Non-Patent Citations (3)
Title |
---|
不确定环境下移动对象自适应轨迹预测方法;夏卓群等;计算机研究与发展(第11期);全文 * |
基于概率假设密度滤波方法的多目标跟踪技术综述;杨峰 等;自动化学报;第39卷(第11期);全文 * |
夏卓群等.不确定环境下移动对象自适应轨迹预测方法.计算机研究与发展.2017,(第11期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
WO2021097823A1 (zh) | 2021-05-27 |
CN114556251A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109901574B (zh) | 自动驾驶方法及装置 | |
CN110379193B (zh) | 自动驾驶车辆的行为规划方法及行为规划装置 | |
US20210262808A1 (en) | Obstacle avoidance method and apparatus | |
CN113879295B (zh) | 轨迹预测方法及装置 | |
WO2021102955A1 (zh) | 车辆的路径规划方法以及车辆的路径规划装置 | |
CN113460042B (zh) | 车辆驾驶行为的识别方法以及识别装置 | |
JP2023508114A (ja) | 自動運転方法、関連装置及びコンピュータ読み取り可能記憶媒体 | |
CN112639793A (zh) | 一种自动驾驶车辆的测试方法及装置 | |
CN112512887B (zh) | 一种行驶决策选择方法以及装置 | |
CN112543877B (zh) | 定位方法和定位装置 | |
CN113498529B (zh) | 一种目标跟踪方法及其装置 | |
WO2022142839A1 (zh) | 一种图像处理方法、装置以及智能汽车 | |
WO2022062825A1 (zh) | 车辆的控制方法、装置及车辆 | |
CN113968242B (zh) | 自动驾驶场景生成方法、装置及*** | |
CN113954858A (zh) | 一种规划车辆行驶路线的方法以及智能汽车 | |
CN112810603B (zh) | 定位方法和相关产品 | |
EP4286972A1 (en) | Vehicle driving intention prediction method and apparatus, terminal and storage medium | |
CN113022573B (zh) | 道路结构检测方法及装置 | |
CN112654547A (zh) | 驾驶提醒的方法、装置及*** | |
CN113741384A (zh) | 检测自动驾驶***的方法和装置 | |
WO2022022284A1 (zh) | 目标物的感知方法及装置 | |
CN113799794B (zh) | 车辆纵向运动参数的规划方法和装置 | |
CN114556251B (zh) | 用于确定车辆可通行空间的方法和装置 | |
CN113859265A (zh) | 一种驾驶过程中的提醒方法及设备 | |
CN115508841A (zh) | 一种路沿检测的方法和装置 |
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 |