CN114563007A - 障碍物的运动状态预测方法、装置、电子设备及存储介质 - Google Patents
障碍物的运动状态预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114563007A CN114563007A CN202210455799.8A CN202210455799A CN114563007A CN 114563007 A CN114563007 A CN 114563007A CN 202210455799 A CN202210455799 A CN 202210455799A CN 114563007 A CN114563007 A CN 114563007A
- Authority
- CN
- China
- Prior art keywords
- data
- result
- frame
- motion state
- target obstacle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008447 perception Effects 0.000 claims abstract description 54
- 230000003068 static effect Effects 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 27
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000009191 jumping Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及自动驾驶技术领域，提供了障碍物的运动状态预测方法、装置、电子设备及存储介质。该方法包括：采集目标障碍物的感知时序数据，感知时序数据包括输出时刻连续的多帧感知数据；对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果；若初步运动状态预测结果中出现动态跳变结果，则从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；对多帧待校验数据进行校验，并根据校验结果，确定目标障碍物的最终运动状态预测结果。本公开能够有效减少自动驾驶车辆在行驶过程中将静态的目标障碍物预测为动态目标障碍而导致误刹车的情况，提高了后续规划决策和运动控制的安全性和智能性。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种障碍物的运动状态预测方法、装置、电子设备及存储介质。
背景技术
现有自动驾驶系统，基本上都是基于深度学习网络模型来预测障碍物（如其他交通参与者）在未来时刻的相对速度、可能会到达的位置、相对距离等及这些预测项所对应的概率，然后再根据这些预测值来决策下一步的行驶动作。例如，是否需要刹车等。
但是，由于目前的主流预测模型由于模型本身的召回率和精度误差，或者是由于测距错误导致测速错误，从而导致深度学习网络模型的输出错误等原因，所以目前主流预测方法仍存在较容易将静态的障碍物错误预测为动态的情况，从而导致自动驾驶车辆在行驶到静态障碍物附近容易出现误刹车的错误决策和运动控制。
可见，现有的障碍物预测方法仍存在无法精准预测障碍物在未来时刻的运动状态，从而导致后续自动驾驶车辆的规划决策以及运动控制不够安全和智能问题。
发明内容
有鉴于此，本公开实施例提供了一种障碍物的运动状态预测方法、装置、电子设备及存储介质，以解决现有的障碍物预测方法仍存在无法精准预测障碍物在未来时刻的运动状态，从而导致后续自动驾驶车辆的规划决策以及运动控制不够安全和智能的问题。
本公开实施例的第一方面，提供了一种障碍物的运动状态预测方法，包括：
采集目标障碍物的感知时序数据，感知时序数据包括输出时刻连续的多帧感知数据；
对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果，初步运动状态预测结果至少包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；
若初步运动状态预测结果中出现动态跳变结果，则根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；
对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；
根据校验结果，确定目标障碍物的最终运动状态预测结果。
本公开实施例的第二方面，提供了一种障碍物的运动状态预测装置，包括：
采集模块，被配置为采集目标障碍物的感知时序数据，感知时序数据包括输出时刻连续的多帧感知数据；
分析模块，被配置为对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果，初步运动状态预测结果至少包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；
抽取模块，被配置为若初步运动状态预测结果中出现动态跳变结果，则根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；
校验模块，被配置为对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；
确定模块，被配置为根据校验结果，确定目标障碍物的最终运动状态预测结果。
本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比，其有益效果至少包括：通过采集目标障碍物的感知时序数据，感知时序数据包括输出时刻连续的多帧感知数据；对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果，初步运动状态预测结果至少包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；若初步运动状态预测结果中出现动态跳变结果，则根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；根据校验结果，确定目标障碍物的最终运动状态预测结果，能够在运动状态预测结果一直为静态的目标障碍物，在某个时刻，其运动状态预测结果突然跳变为动态的情况下，通过根据动态跳变结果从多帧感知时序数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据，并对这多帧待校验数据的初步运动状态预测结果做进一步的校验，再根据校验结果确定目标障碍物的最终运动状态预测结果，可有效避免将静态的目标障碍物预测为动态目标障碍物，从而导致后续自动驾驶车辆在行驶到静态目标障碍物附近误刹车的情况，提高了自动驾驶车辆的后续规划决策和运动控制的安全性和智能性。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本公开实施例的一种应用场景的场景示意图；
图2是本公开实施例提供的一种障碍物的运动状态预测方法的流程示意图；
图3是本公开实施例提供的障碍物的运动状态预测中一种感知时序数据的示意图；
图4是本公开实施例提供的一种障碍物的运动状态预测装置的结构示意图；
图5是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
下面将结合附图详细说明根据本公开实施例的一种障碍物的运动状态预测方法和装置。
图1是本公开实施例的一种应用场景的场景示意图。该应用场景可以包括自动驾驶车辆101、目标障碍物102。
一般而言，自动驾驶车辆101的核心系统包括感知系统、预测系统、决策系统和运动控制系统。其中，感知系统可包括各类传感器（如激光雷达、相机、毫米波雷达等）、车辆定位系统（如组合导航系统、全球定位系统等）、惯性测量单元（Inertial Measurement Unit，IMU）。预测系统可包括各种用于预测车辆的运动轨迹、速度等的算法模型。自动驾驶车辆101可以是集成了上述核心系统和算法模型等的轿车、卡车、巴士、物流车、用于末端配送场景的低速（15km/h）无人驾驶小车等。
目标障碍物102，通常是指自动驾驶车辆101的行驶区域的高精度地图中的没有的物体，例如，停在行驶区域中的行驶道路的路边（或者非机动车道上）的车辆、行人或者其他目标障碍物（如物流箱等）。
在一些实施例中，当自动驾驶车辆101行驶在行驶区域中的行驶道路上，可通过车辆上的感知系统中的各种传感器采集目标障碍物（如停在道路边的车辆或者走在路上的行人等）的感知时序数据，感知时序数据包括输出时刻连续的多帧感知数据；再将采集到的多帧感知数据输入预测系统，通过预测系统对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果，初步运动状态预测结果至少包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；若初步运动状态预测结果中出现动态跳变结果，则根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；根据校验结果，确定目标障碍物的最终运动状态预测结果，并将最终运动状态预测结果发送给决策系统，使得决策系统能够利用该最终运动状态预测结果做出相应的驾驶决策（比如，刹车或者继续行驶），然后将决策结果发送给运动控制系统，使得运动控制系统能够根据该决策结果做出相应的运动控制。本公开能够在运动状态预测结果一直为静态的目标障碍物，在某个时刻，其运动状态预测结果突然跳变为动态的情况下，通过根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据，并对这多帧待校验数据的初步运动状态预测结果做进一步的校验，再根据校验结果确定目标障碍物的最终运动状态预测结果，可有效避免将静态的目标障碍物预测为动态目标障碍物，从而导致后续自动驾驶车辆在行驶到静态目标障碍物附近误刹车的情况，提高了自动驾驶车辆的后续规划决策和运动控制的安全性和智能化程度。
需要说明的是，自动驾驶车辆101、目标障碍物102的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。例如，自动驾驶车辆可以将采集到的目标障碍物的感知时序数据传送给远程服务端，以通过远程服务端来执行对感知时序数据的分析及以后的校验步骤，得到目标障碍物的最终运动状态预测结果，然后，再将最终运动状态预测结果反馈给自动驾驶车辆，以使自动驾驶车辆根据该最终运动状态预测结果进行后续的规划决策和运动控制。
图2是本公开实施例提供的一种障碍物的运动状态预测方法的流程示意图。图2的障碍物的运动状态预测方法可以由图1的自动驾驶车辆101执行。如图2所示，该障碍物的运动状态预测方法包括：
步骤S201，采集目标障碍物的感知时序数据，感知时序数据包括输出时刻连续的多帧感知数据。
感知时序数据，是指自动驾驶车辆采集到同一统一指标按时间顺序记录的感知数据列。该感知数据列包括多帧输出时刻连续的感知数据。感知数据，可以是自动驾驶车辆在行驶区域上采集到的目标障碍物的图像和位置等数据。
示例性的，假设在1秒内，自动驾驶车辆可采集到目标障碍物的10帧感知数据，这10帧感知数据所构成的数据列即为目标障碍物的感知时序数据。结合图3，自动驾驶车辆可在0.1秒时对应采集记录感知数据A1，0.2秒时对应采集记录感知数据A2，0.3秒时对应采集记录感知数据A3…1秒时对应采集记录感知数据A10，由此可得到目标障碍物的10帧输出时刻连续的感知时序数据。
步骤S202，对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果，初步运动状态预测结果至少包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹。
结合上述示例，假设采集到10帧感知数据A1~A10，可将感知数据A1~A10输入到自动驾驶车辆的预测系统中预置的深度学习神经网络预测模型进行数据分析，得到每一帧感知数据对应的初步运动状态预测结果。深度学习神经网络预测模型，可以是预先通过自动驾驶车辆采集到的行驶区域内的各种目标障碍物的感知数据集训练得到的预测模型。预测模型可以是YOLO系列算法模型（比如，Yolov3、Yolov4算法、Yolov5算法、Yolox算法），也可以是其他预测算法模型。
目标障碍物的大小，可以用目标障碍物的长、宽、高来表征。
目标障碍物的类型，是表征目标障碍物大概率为车辆、行人还是其他目标障碍物（如动物等）中的哪一个。
预设时长，一般是指想要预测目标障碍物在未来多长时间内的运动状态的时间跨度。其数值可以根据实际情况来设定，例如，可以设置为8秒、10秒等。
预测速度，通常是指自动驾驶车辆根据预设模型推测出来的目标障碍物在预设时长内的每个时刻的可能运动速度及其概率值。
预测运动轨迹，通常是指自动驾驶车辆根据预设模型推测出来的目标障碍物在预设时长内的每一时刻可能按照什么样的运动路线从上一时刻的位置运动到当前时刻的位置。
步骤S203，若初步运动状态预测结果中出现动态跳变结果，则根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据。
作为一示例，假设某目标障碍物为停靠在行驶区域的行驶道路（如非机动车道）右边上的一车辆P，自动驾驶车辆在行驶区域的行驶道路上行驶时，采集到车辆P的10帧感知数据，分别为A1~A10，其中A1~A6的预测结果均指示车辆P的运动状态为静态，而A7的预测结果指示车辆P的运动状态为动态。此时，自动驾驶车辆会认为在A7处出现了动态跳变结果。
步骤S204，对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果。
结合上述示例，假设在A7处出现了动态跳变结果，抽取出的待校验数据为A2~A6，那么可以对A2~A6的初步运动状态预测结果进行校验，得到校验结果。
步骤S205，根据校验结果，确定目标障碍物的最终运动状态预测结果。
根据上述步骤S204得出的校验结果，进一步确定目标障碍物在A7的输出时刻处的初步运动状态预测结果是否有误，从而确定目标障碍物的最终运动状态预测结果。若根据上述校验结果，确认目标障碍物在A7的输出时刻处的初步运动状态预测结果有误，则输出的最终运动状态预测结果仍表征目标障碍物的运动状态为静态，否则表征为动态。
本公开实施例提供的技术方案，通过采集目标障碍物的感知时序数据，感知时序数据包括输出时刻连续的多帧感知数据；对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果，初步运动状态预测结果至少包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；若初步运动状态预测结果中出现动态跳变结果，则根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；根据校验结果，确定目标障碍物的最终运动状态预测结果，即在运动状态预测结果一直为静态的目标障碍物，在某个时刻，其运动状态预测结果突然跳变为动态的情况下，可根据动态跳变结果从多帧感知时序数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据，并对这多帧待校验数据的初步运动状态预测结果做进一步的校验，再根据校验结果确定目标障碍物的最终运动状态预测结果，可有效避免将静态的目标障碍物预测为动态目标障碍物，从而导致后续自动驾驶车辆在行驶到静态目标障碍物附近误刹车的情况，提高了自动驾驶车辆的后续规划决策和运动控制的安全性和智能性。
在一些实施例中，上述步骤S201，包括：
在自动驾驶过程中，采集行驶区域的周围环境数据；
根据周围环境数据和预设的行驶区域地图，确定目标障碍物；
从周围环境数据中筛选出包含目标障碍物的感知时序数据。
作为一示例，自动驾驶车辆在行驶区域上自动驾驶过程中，可通过安装在车上的各种传感器（如激光雷达、相机、惯性导航、红外线传感器等）采集行驶区域的周围环境数据。周围环境数据，包括目标障碍物（如停靠在非机动车道侧边上的一辆或者一些车辆，或者是行走在非机动车道上的行人、动物等活动障碍物）和非目标障碍物（如非活动障碍物，如临时堆放在非机动车道上的货物等）的图像数据、位置数据等。
自动驾驶车辆可通过调取其数据库中预先存储的行驶区域地图（高精度地图），或者是向远程服务端发送请求以获取相应的行驶区域地图。行驶区域地图上包含有交通信号灯、车道标记（如白线、黄线、双车道或单车道、实线、虚线）、路缘石、障碍物、电线杆、立交桥、地下通道等详细信息，这些信息均有对应的地理编码。对于在行驶区域地图上没有的物体可视为障碍物。目标障碍物，可以是自动驾驶车辆在行驶过程中，通过计算机视觉系统等跟踪检测到的某个或某些可能需要后续做出避让等运动控制的障碍物。
在确定了目标障碍物之后，可从采集到的周围环境数据中筛选出包含该目标障碍物的感知时序数据。
上述感知时序数据包括目标障碍物图像数据、包含目标障碍物的三维空间感知数据。
目标障碍物图像数据，可以是自动驾驶车辆上的相机扫描拍摄到包含目标障碍物的图像。包含目标障碍物的三维空间感知数据，可以是包括自动驾驶车辆上的激光雷达对周围环境的三维空间感知，获取到的包含目标障碍物的三维尺寸、距离等空间感知信息，毫米雷达获取到的目标障碍物的目标距离信息，以及其他超声波传感器、红外线传感器等其他光电传感器获取到的各种包含目标障碍物的各种信息。
在一些实施例中，对每一帧感知时序数据进行数据分析，得到对应的初步运动状态预测结果，包括：
采集自车的位置数据以及自身姿态数据；
对目标障碍物图像数据、三维空间感知数据、自车位置数据以及自身姿态数据进行特征提取和特征融合，得到每一帧感知数据对应的初步运动状态预测结果。
自动驾驶车辆可以通过其车上安装的定位装置（如组合导航）采集自车的位置数据，同时，可通过惯性测量单元等采集自车的自身姿态数据。自身姿态数据主要包括自车的三轴姿态角（或角速率）以及加速度。
在一实施例中，可以将目标障碍物图像数据、三维空间感知数据、自车位置数据以及自身姿态数据输入预设的深度学习神经网络模型中进行特征提取和特征融合，得到每一帧感知数据对应的初步运动状态预测结果。
在一些实施例中，根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据，包括：
查找出与动态跳变结果对应的结果跳变帧，确定结果跳变帧的输出时刻；
从多帧感知数据中抽取出在结果跳变帧的输出时刻之前的多帧输出时刻连续的待校验数据。
作为一示例，结合上述步骤S203的示例，当自动驾驶车辆确定在A7处出现了动态跳变结果时，可先查找出A7对应的结果跳变帧的ID及其对应的输出时刻。在此示例中，可以预先分别给感知数据A1~A10分配一个数据ID，如分别对应为01~10，即A1的数据ID为01，A2的数据ID为02…A10的数据ID为10。每个感知数据对应的输出时刻分别为0.1秒、0.2秒…1秒，即A1对应的输出时刻为0.1秒，A2对应的输出时刻为0.2秒…A10对应的输出时刻为1秒。由此可知，A7对应的数据ID为07，输出时刻为0.7秒。
接下来，可根据动态跳变结果对应的感知数据帧（即A7）从这10帧感知数据中抽取出多帧输出时刻连续的待校验数据。例如，可抽取A7之前的A2~A6，或者A3~A6或者A4~A6等作为待检验数据。优选的，待校验数据的抽取帧数一般为2~5帧。当然也可以是抽取更多帧的待校验数据，这需要根据出现动态跳变结果的数据帧的输出时刻之前有多少帧感知数据来具体增加或减少抽取的待校验数据的帧数，抽取的帧数不能少于2帧，且抽取距离出现动态跳变结果的输出时刻越近的感知数据，后续的校验结果则越精准，有利于排除“假动态”跳变结果，提高自动驾驶车辆的预测结果的准确性。
在一些实施例中，上述步骤S204，包括：
将多帧待校验数据中的输出时刻最早的一帧确定为先验数据，将除了先验数据之外的其他待校验数据确定为比对数据；
确定目标障碍物在先验数据的输出时刻下对应的先验预测速度，以及在每一帧比对数据的输出时刻下对应的比对预测速度；
根据先验预测速度对比对预测速度进行校验，得到校验结果。
作为一示例，假设自动驾驶车辆确定在A7处出现了动态跳变结果，并根据该动态跳变结果从10帧感知数据A1~A10中抽取出了在A7的输出时刻之前的感知数据A2~A6作为待校验数据。感知数据A2~A6分别对应的输出时刻为0.2秒、0.3秒、0.4秒、0.5秒、0.6秒，输出时间最早的为感知数据A2。将感知数据A2确定为先验数据，A3~A6确定为比对数据。
接着，可根据感知数据A2对应的初步运动状态预测结果，确定其先验预测速度（即其预测结果中的预测速度）。同理，根据感知数据A3~A6对应的初步运动状态预测结果，确定它们的比对预测速度（即它们的预测结果中的预测速度）。然后，逐一将感知数据A3~A6的比对预测速度与感知数据A2的先验预测速度进行比对校验，得到校验结果。
在一些实施例中，可分别计算每一帧比对数据对应的比对预测速度与先验预测速度之间的预测速度变化值；再根据预测速度变化值，确定目标障碍物的最终运动状态预测结果。
具体的，计算感知数据A3的比对预测速度与感知数据A2的先验预测速度之间的预测速度变化值（即二者的速度差值），得到预测速度变化值01。计算感知数据A4的比对预测速度与感知数据A2的先验预测速度之间的预测速度变化值（即二者的速度差值），得到预测速度变化值02。计算感知数据A5的比对预测速度与感知数据A2的先验预测速度之间的预测速度变化值（即二者的速度差值），得到预测速度变化值03。计算感知数据A6的比对预测速度与感知数据A2的先验预测速度之间的预测速度变化值（即二者的速度差值），得到预测速度变化值04。之后，根据预测速度变化值01、02、03、04，确定目标障碍物的最终运动状态预测结果。
在一些实施例中，根据预测速度变化值，确定目标障碍物的最终运动状态预测结果，具体包括：
若每一帧比对数据对应的预测速度变化值均大于允许变化阈值，则确定目标障碍物在预设时长内的运动状态为动态，输出动态预测结果；
若有至少一帧比对数据对应的预测速度变化值等于允许变化阈值，则确定目标障碍物在预设时长内的运动状态为静态，输出静态预测结果。
允许变化阈值，可以根据实际情况来设定，一般地，可设置为0。
结合上述示例，假设预测速度变化值01、02、03、04均大于允许变化阈值0，即表明目标障碍物在输出时刻0.2秒~0.6秒的预测速度均有发生变化（即自动驾驶车辆感知到目标障碍物在此期间有横/纵向速度），则可确定目标障碍物在预设时长内的运动状态为动态，输出动态预测结果。该动态预测结果包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹。若预测速度变化值01、02、03、04当中的任意一个或者至少两个等于允许变化阈值0，即表明目标障碍物在输出时刻0.2秒~0.6秒的预测速度有至少一个发生变化（即自动驾驶车辆感知到目标障碍物在此期间有部分输出帧有横/纵向速度，部分输出帧没有横/纵向速度），则可确定目标障碍物在预设时长内的运动状态仍然为静态，输出静态预测结果。该静态预测结果包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹。
本公开实施例提供的技术方案，通过在确认目标障碍物的初步运动状态预测结果一直为静态预测结果，突然在某个时刻跳变为动态预测结果的情况下，可进一步抽取在出现动态跳变结果的输出时刻的感知数据之前的多帧输出时刻连续的待校验数据，并通过校验这些待校验数据的预测速度是否发生变化来进一步排除一些误测的动态跳变结果，从而可有效避免将静态的目标障碍物预测为动态目标障碍物，导致后续自动驾驶车辆在行驶到静态目标障碍物附近误刹车的情况，提高了自动驾驶车辆的后续规划决策和运动控制的安全性和智能性。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图4是本公开实施例提供的一种障碍物的运动状态预测装置的示意图。如图4所示，该障碍物的运动状态预测装置包括：
采集模块401，被配置为采集目标障碍物的多帧感知数据，多帧感知数据的输出时刻连续；
分析模块402，被配置为对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果，初步运动状态预测结果至少包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；
抽取模块403，被配置为若初步运动状态预测结果中出现动态跳变结果，则根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；
校验模块404，被配置为对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；
确定模块405，被配置为根据校验结果，确定目标障碍物的最终运动状态预测结果。
本公开实施例提供的技术方案，通过采集模块401采集目标障碍物的感知时序数据，感知时序数据包括输出时刻连续的多帧感知数据；分析模块402对每一帧感知数据进行数据分析，得到对应的初步运动状态预测结果，初步运动状态预测结果至少包括目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；抽取模块403若初步运动状态预测结果中出现动态跳变结果，则根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；校验模块404对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；确定模块405根据校验结果，确定目标障碍物的最终运动状态预测结果，即在运动状态预测结果一直为静态的目标障碍物，在某个时刻，其运动状态预测结果突然跳变为动态的情况下，可根据动态跳变结果从多帧感知时序数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据，并对这多帧待校验数据的初步运动状态预测结果做进一步的校验，再根据校验结果确定目标障碍物的最终运动状态预测结果，可有效避免将静态的目标障碍物预测为动态目标障碍物，从而导致后续自动驾驶车辆在行驶到静态目标障碍物附近误刹车的情况，提高了自动驾驶车辆的后续规划决策和运动控制的安全性和智能性。
在一些实施例中，上述采集模块401包括：
环境数据采集单元，被配置为在自动驾驶过程中，采集行驶区域的周围环境数据；
障碍物确定单元，被配置为根据周围环境数据和预设的行驶区域地图，确定目标障碍物；
数据筛选单元，被配置为从周围环境数据中筛选出包含目标障碍物的感知时序数据。
在一些实施例中，上述感知数据包括目标障碍物图像数据、包含目标障碍物的三维空间感知数据。上述分析模块402包括：
数据采集单元，被配置为采集自车的位置数据以及自身姿态数据；
预测单元，被配置为对目标障碍物图像数据、三维空间感知数据、自车位置数据以及自身姿态数据进行特征提取和特征融合，得到每一帧感知数据对应的初步运动状态预测结果。
在一些实施例中，根据动态跳变结果从多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据，包括：
查找出与动态跳变结果对应的结果跳变帧，确定结果跳变帧的输出时刻；
从多帧感知数据中抽取出在结果跳变帧的输出时刻之前的多帧输出时刻连续的待校验数据。
在一些实施例中，上述校验模块404包括：
数据确定单元，被配置为将多帧待校验数据中的输出时刻最早的一帧确定为先验数据，将除了先验数据之外的其他待校验数据确定为比对数据；
速度确定单元，被配置为确定目标障碍物在先验数据的输出时刻下对应的先验预测速度，以及在每一帧比对数据的输出时刻下对应的比对预测速度；
校验单元，被配置为根据先验预测速度对比对预测速度进行校验，得到校验结果。
在一些实施例中，上述确定模块405包括：
计算单元，被配置为分别计算每一帧比对数据对应的比对预测速度与先验预测速度之间的预测速度变化值；
最终结果确定单元，被配置为根据预测速度变化值，确定目标障碍物的最终运动状态预测结果。
在一些实施例中，上述最终结果确定单元，可具体被配置为：
若每一帧比对数据对应的预测速度变化值均大于允许变化阈值，则确定目标障碍物在预设时长内的运动状态为动态，输出动态预测结果；
若有至少一帧比对数据对应的预测速度变化值小于或等于允许变化阈值，则确定目标障碍物在预设时长内的运动状态为静态，输出静态预测结果。
应理解，上述实施例中各步骤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，而不应对本公开实施例的实施过程构成任何限定。
图5是本公开实施例提供的电子设备5的示意图。如图5所示，该实施例的电子设备5包括：处理器501、存储器502以及存储在该存储器502中并且可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。
电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5的限定，可以包括比图示更多或更少的部件，或者不同的部件。
处理器501可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器502可以是电子设备5的内部存储单元，例如，电子设备5的硬盘或内存。存储器502也可以是电子设备5的外部存储设备，例如，电子设备5上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。存储器502还可以既包括电子设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元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存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。
Claims (10)
1.一种障碍物的运动状态预测方法，其特征在于，包括：
采集目标障碍物的感知时序数据，所述感知时序数据包括输出时刻连续的多帧感知数据；
对每一帧所述感知数据进行数据分析，得到对应的初步运动状态预测结果，所述初步运动状态预测结果至少包括所述目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；
若所述初步运动状态预测结果中出现动态跳变结果，则根据所述动态跳变结果从所述多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；
对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；
根据所述校验结果，确定所述目标障碍物的最终运动状态预测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述动态跳变结果从所述多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据，包括：
查找出与所述动态跳变结果对应的结果跳变帧，确定所述结果跳变帧的输出时刻；
从所述多帧感知数据中抽取出在所述结果跳变帧的输出时刻之前的多帧输出时刻连续的待校验数据。
3.根据权利要求1所述的方法，其特征在于，对所述多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果，包括：
将所述多帧待校验数据中的输出时刻最早的一帧确定为先验数据，将除了所述先验数据之外的其他待校验数据确定为比对数据；
确定所述目标障碍物在所述先验数据的输出时刻下对应的先验预测速度，以及在每一帧所述比对数据的输出时刻下对应的比对预测速度；
根据所述先验预测速度对所述比对预测速度进行校验，得到校验结果。
4.根据权利要求3所述的方法，其特征在于，根据所述校验结果，确定所述目标障碍物的最终运动状态预测结果，包括：
分别计算每一帧所述比对数据对应的比对预测速度与所述先验预测速度之间的预测速度变化值；
根据所述预测速度变化值，确定所述目标障碍物的最终运动状态预测结果。
5.根据权利要求4所述的方法，其特征在于，根据所述预测速度变化值，确定所述目标障碍物的最终运动状态预测结果，包括：
若每一帧比对数据对应的预测速度变化值均大于允许变化阈值，则确定所述目标障碍物在所述预设时长内的运动状态为动态，输出动态预测结果；
若有至少一帧比对数据对应的预测速度变化值小于或等于允许变化阈值，则确定所述目标障碍物在所述预设时长内的运动状态为静态，输出静态预测结果。
6.根据权利要求1所述的方法，其特征在于，采集目标障碍物的感知时序数据，包括：
在自动驾驶过程中，采集行驶区域的周围环境数据；
根据所述周围环境数据和预设的行驶区域地图，确定目标障碍物；
从所述周围环境数据中筛选出包含所述目标障碍物的感知时序数据。
7.根据权利要求1所述的方法，其特征在于，所述感知数据包括目标障碍物图像数据、包含所述目标障碍物的三维空间感知数据；
对每一帧所述感知数据进行数据分析，得到对应的初步运动状态预测结果，包括：
采集自车的位置数据以及自身姿态数据；
对所述目标障碍物图像数据、三维空间感知数据、所述自车位置数据以及自身姿态数据进行特征提取和特征融合，得到每一帧所述感知数据对应的初步运动状态预测结果。
8.一种障碍物的运动状态预测装置，其特征在于，包括：
采集模块，被配置为采集目标障碍物的多帧感知数据，所述多帧感知数据的输出时刻连续；
分析模块，被配置为对每一帧所述感知数据进行数据分析，得到对应的初步运动状态预测结果，所述初步运动状态预测结果至少包括所述目标障碍物的大小、类型以及在预设时长内的预测速度和预测运动轨迹；
抽取模块，被配置为若所述初步运动状态预测结果中出现动态跳变结果，则根据所述动态跳变结果从所述多帧感知数据中抽取出多帧输出时刻连续且输出时刻在所述动态跳变结果的输出时刻之前的待校验数据；
校验模块，被配置为对多帧待校验数据的初步运动状态预测结果进行校验，得到校验结果；
确定模块，被配置为根据所述校验结果，确定所述目标障碍物的最终运动状态预测结果。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210455799.8A CN114563007B (zh) | 2022-04-28 | 2022-04-28 | 障碍物的运动状态预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210455799.8A CN114563007B (zh) | 2022-04-28 | 2022-04-28 | 障碍物的运动状态预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114563007A true CN114563007A (zh) | 2022-05-31 |
| CN114563007B CN114563007B (zh) | 2022-07-29 |
Family
ID=81721247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210455799.8A Active CN114563007B (zh) | 2022-04-28 | 2022-04-28 | 障碍物的运动状态预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114563007B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115050000A (zh) * | 2022-06-24 | 2022-09-13 | 广州文远知行科技有限公司 | 一种运行场景的识别方法、装置、计算机设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255341A (zh) * | 2018-10-30 | 2019-01-22 | 百度在线网络技术（北京）有限公司 | 障碍物感知错误数据的提取方法、装置、设备及介质 |
| CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
| CN110018496A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 障碍物识别方法及装置、电子设备、存储介质 |
| CN111091591A (zh) * | 2019-12-23 | 2020-05-01 | 百度国际科技（深圳）有限公司 | 一种碰撞检测方法、装置、电子设备及存储介质 |
| CN111361570A (zh) * | 2020-03-09 | 2020-07-03 | 福建汉特云智能科技有限公司 | 一种多目标跟踪反向验证方法及存储介质 |
| CN113050122A (zh) * | 2021-03-24 | 2021-06-29 | 的卢技术有限公司 | 一种基于卷积神经网络感知动态障碍物速度的方法及系统 |
| CN113239719A (zh) * | 2021-03-29 | 2021-08-10 | 深圳元戎启行科技有限公司 | 基于异常信息识别的轨迹预测方法、装置和计算机设备 |
| CN113264066A (zh) * | 2021-06-03 | 2021-08-17 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
| US20210350715A1 (en) * | 2020-05-11 | 2021-11-11 | Honeywell International Inc. | System and method for database augmented ground collision avoidance |
| CN114104006A (zh) * | 2022-01-28 | 2022-03-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 一种自动驾驶车辆实现错会车的方法及装置 |
-
2022
- 2022-04-28 CN CN202210455799.8A patent/CN114563007B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110018496A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 障碍物识别方法及装置、电子设备、存储介质 |
| CN109255341A (zh) * | 2018-10-30 | 2019-01-22 | 百度在线网络技术（北京）有限公司 | 障碍物感知错误数据的提取方法、装置、设备及介质 |
| CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
| CN111091591A (zh) * | 2019-12-23 | 2020-05-01 | 百度国际科技（深圳）有限公司 | 一种碰撞检测方法、装置、电子设备及存储介质 |
| CN111361570A (zh) * | 2020-03-09 | 2020-07-03 | 福建汉特云智能科技有限公司 | 一种多目标跟踪反向验证方法及存储介质 |
| US20210350715A1 (en) * | 2020-05-11 | 2021-11-11 | Honeywell International Inc. | System and method for database augmented ground collision avoidance |
| CN113050122A (zh) * | 2021-03-24 | 2021-06-29 | 的卢技术有限公司 | 一种基于卷积神经网络感知动态障碍物速度的方法及系统 |
| CN113239719A (zh) * | 2021-03-29 | 2021-08-10 | 深圳元戎启行科技有限公司 | 基于异常信息识别的轨迹预测方法、装置和计算机设备 |
| CN113264066A (zh) * | 2021-06-03 | 2021-08-17 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
| CN114104006A (zh) * | 2022-01-28 | 2022-03-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 一种自动驾驶车辆实现错会车的方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115050000A (zh) * | 2022-06-24 | 2022-09-13 | 广州文远知行科技有限公司 | 一种运行场景的识别方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114563007B (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109927719B (zh) | 一种基于障碍物轨迹预测的辅助驾驶方法和系统 | |
| US11460851B2 (en) | Eccentricity image fusion | |
| RU2742213C1 (ru) | Способ управления информацией о полосах движения, способ управления движением и устройство управления информацией о полосах движения | |
| CN109871787B (zh) | 一种障碍物检测方法及装置 | |
| RU2750243C2 (ru) | Способ и система для формирования траектории для беспилотного автомобиля (sdc) | |
| RU2744012C1 (ru) | Способы и системы для автоматизированного определения присутствия объектов | |
| RU2757234C2 (ru) | Способ и система для вычисления данных для управления работой беспилотного автомобиля | |
| US11531349B2 (en) | Corner case detection and collection for a path planning system | |
| Virdi | Using deep learning to predict obstacle trajectories for collision avoidance in autonomous vehicles | |
| CN114426030B (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
| EP4141482A1 (en) | Systems and methods for validating camera calibration in real-time | |
| CN114563007B (zh) | 障碍物的运动状态预测方法、装置、电子设备及存储介质 | |
| CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| US11983918B2 (en) | Platform for perception system development for automated driving system | |
| CN114730492A (zh) | 断言交通工具检测模型生成和实现 | |
| CN110497906B (zh) | 车辆控制方法、装置、设备和介质 | |
| JP7532569B2 (ja) | 歩行者の位置を決定する方法及び装置 | |
| CN110696828A (zh) | 前向目标选择方法、装置及车载设备 | |
| Franke et al. | Towards holistic autonomous obstacle detection in railways by complementing of on-board vision with UAV-based object localization | |
| CN113715846B (zh) | 借道控制方法、装置、存储介质以及车辆 | |
| US12043290B2 (en) | State identification for road actors with uncertain measurements based on compliant priors | |
| US12147232B2 (en) | Method, system and computer program product for the automated locating of a vehicle | |
| US20240067222A1 (en) | Vehicle controller, vehicle control method, and vehicle control computer program for vehicle control | |
| US20240077320A1 (en) | Vehicle controller, method, and computer program for vehicle control | |
| US20230024799A1 (en) | Method, system and computer program product for the automated locating of 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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230824 Address after: Building 2, No. 209 Changxing Third Road, Xiping Street, Songyang County, Lishui City, Zhejiang Province, 323000 Patentee after: Neolithic Unmanned Vehicle (Songyang) Co.,Ltd. Address before: 100176 room 613, 6 / F, area 2, building a, 12 Hongda North Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Patentee before: NEOLIX TECHNOLOGIES Co.,Ltd. |
|
| TR01 | Transfer of patent right |