掌桥专利:专业的专利平台
掌桥专利
首页

自动驾驶决策方法、装置、电子设备及存储介质

文献发布时间:2023-06-19 18:37:28


自动驾驶决策方法、装置、电子设备及存储介质

技术领域

本发明涉及自动驾驶技术领域,尤其是一种自动驾驶决策方法、装置、电子设备及存储介质。

背景技术

作为一个实现自动驾驶的重要场景,特定区域范围内(例如园区、景区或大型建筑内)的低速自动驾驶具有巨大的商业应用潜力。其中,决策、路径规划和控制系统是自动驾驶的关键技术。

目前关于行为决策的算法主要包括基于规则的行为决策算法和基于学习的行为决策算法。基于规则的决策方法在场景遍历广度上具备优势,逻辑可解释性强,易于根据场景分模块设计,但其系统结构决定了其在场景遍历深度、决策正确率上存在一定的瓶颈,难以处理复杂工况,控制精度低。基于学习算法的行为决策系统的优点是具备场景遍历深度的优势,针对某一细分场景,通过大数据系统更容易覆盖全部工况,但学习算法不具备场景遍历广度优势,需要大量试验数据作为学习样本,实时性差。

发明内容

本发明的目的是提供一种自动驾驶决策方法、装置、电子设备及存储介质,旨在提升特定区域范围内的低速自动驾驶的同步性和安全性。

第一方面,提供一种自动驾驶决策方法,包括:

获取感知信息,所述感知信息包括自车环境信息、自车状态信息和预先设定的初始行驶路线;

基于感知信息,确定实时行驶路线和实时行驶区域;

依据实时行驶区域的行车空间进行行驶模式决策,得到第一决策结果,所述第一决策结果为车道保持模式、换道行驶模式或路口转向模式;

基于第一决策结果,控制自车沿实时行驶路线行驶。

在一些实施例中,所述基于感知信息,确定实时行驶路线和实时行驶区域,包括:

对感知信息进行信息提取处理,得到提取结果;

基于提取结果确定自车与障碍物的距离,依据自车与障碍物的距离确定自车的可行驶区域,得到实时行驶区域;

依据实时行驶区域对初始行驶路线进行调整处理,得到实时行驶路线。

在一些实施例中,所述自车前方第一距离内无障碍物或者是前方第一距离内存在车辆时,所述第一决策结果为车道保持模式;

所述基于第一决策结果,控制自车沿实时行驶路线行驶,包括:

判断自车前方第一距离范围内是否存在车辆;

若是,对实时行驶区域进行区域划分,得到跟车行驶区域和避碰区域,若自车处于跟车行驶区域,根据自车与前车的实际距离调节自车行驶时的目标速度,使目标速度跟自车与前车的实际距离呈负相关,若自车处于避碰区域,将目标速度调节至零;

若否,控制自车沿初始行驶路线匀速行驶。

在一些实施例中,所述自车前方第二距离内存在障碍物时,所述第一决策结果为换道行驶模式;

所述基于第一决策结果,控制自车沿实时行驶路线行驶,包括:

依据自车与障碍物的距离找寻若干个预瞄点,使用预瞄点构建的贝塞尔曲线绘制换道路线;

对障碍物进行边界膨胀处理,依据当前的换道路线和自车环境信息设定障碍物的膨胀半径;

判断障碍物的膨胀半径是否大于障碍物的宽度;

若是,控制自车沿当前的换道路线行驶;

若否,重置预瞄点的位置,使用重置后的预瞄点构建的贝塞尔曲线重新绘制换道路线,重新绘制的换道路线所对应的自车转向角大于上一次绘制的换道路线所对应的自车转向角,返回对障碍物进行边界膨胀处理的步骤。

在一些实施例中,所述控制自车沿当前的换道路线行驶,包括:

检测范围内未出现连续障碍物时,控制换道后的自车驶过障碍物后再变换至初始行驶路线的车道;检测范围内出现连续障碍物时,控制换道后的自车驶过连续障碍物后再变换至初始行驶路线的车道;

所述连续障碍物为与相同车道中的前一个障碍物的距离小于预设的障碍距离阈值的障碍物。

在一些实施例中,所述自车到达路口时,所述第一决策结果为路口转向模式;

所述基于第一决策结果,控制自车沿实时行驶路线行驶,包括:

检测自车当前所在路口的其他行驶车辆,检测范围内未出现其他行驶车辆时,等待检测范围内出现的其他行驶车辆离开检测范围后,控制自车在当前所在路口转向。

在一些实施例中,自动驾驶决策方法还包括:

通过脑电采集获取驾驶员的制动意图,得到脑电波信息;

对脑电波信息进行预处理,利用训练好的卷积神经网络对预处理后的脑电波信息进行分类测试,得到分类结果;

基于分类结果识别驾驶员的驾驶意图,得到识别结果,将识别结果转换为控制指令,得到第二决策结果;

基于第二决策结果,控制自车进入制动状态。

第二方面,提供一种自动驾驶决策装置,所述装置包括:

获取模块,用于获取感知信息,所述感知信息包括自车环境信息、自车状态信息和预先设定的初始行驶路线;

确定模块,用于基于感知信息,确定实时行驶路线和实时行驶区域;

决策模块,用于依据实时行驶区域的行车空间进行行驶模式决策,得到第一决策结果,所述第一决策结果为车道保持模式、换道行驶模式或路口转向模式;

控制模块,用于基于第一决策结果,控制自车沿实时行驶路线行驶。

第三方面,提供一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面的自动驾驶决策方法。

第四方面,提供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,所述计算机程序被处理器执行时实现第一方面的自动驾驶决策方法。

本发明的有益效果:通过获取感知信息来确定车辆环境、车辆状态和预先设定的初始行驶路线,以此确定实时行驶路线和实时行驶区域,控制自车沿实时行驶路线行驶时依据实时行驶区域的行车空间进行行驶模式决策,通过决策来决定自动驾驶的行驶模式,从而基于第一决策结果控制自车沿实时行驶路线行驶,提升特定区域范围内的低速自动驾驶的同步性和安全性。

附图说明

图1是第一个实施例示出的一种自动驾驶决策方法的流程示意图。

图2是图1中的步骤S102的流程示意图。

图3是图1中的步骤S104的第一种流程示意图。

图4是图1中的步骤S104的第二种流程示意图。

图5是图1中的步骤S104的第三种流程示意图。

图6是本申请实施例提供的自动驾驶决策装置的结构示意图。

图7是本申请实施例提供的电子设备的硬件结构示意图。

图8是第一个实施例示出的绘制换道路线的示意图。

图9是第二个实施例示出的绘制换道路线的示意图。

图10是第三个实施例示出的绘制换道路线的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。

需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。

除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。

首先,对本申请中涉及的若干名词进行解析:

1)人工智能(Artificial Intelligence,AI)

人工智能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、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。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。

人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

2)机器学习(Machine Learning,ML)

机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。

相关技术中,行为决策的算法主要包括基于规则的行为决策算法和基于学习的行为决策算法;基于规则的决策方法在场景遍历广度上具备优势,逻辑可解释性强,易于根据场景分模块设计,国内外均有很多应用有限状态机的决策系统实例。然而其系统结构决定了其在场景遍历深度、决策正确率上存在一定的瓶颈,难以处理复杂工况;基于学习算法的行为决策系统的优点是具备场景遍历深度的优势,针对某一细分场景,通过大数据系统更容易覆盖全部工况,但学习算法不具备场景遍历广度优势,不同场景所需采用的学习模型可能完全不同;机器学习需要大量试验数据作为学习样本;决策效果依赖数据质量,样本不足、数据质量差、网络结构不合理等会导致过学习、欠学习等问题。

基于此,本申请实施例提供了一种自动驾驶决策方法、装置、电子设备及存储介质,旨在提升特定区域范围内的低速自动驾驶的同步性和安全性。

本申请实施例提供的自动驾驶决策方法、装置、电子设备及存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的推荐方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,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、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的自动驾驶决策方法,涉及人工智能技术领域。本申请实施例提供的自动驾驶决策方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现表格信息抽取方法的应用等,但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是,在本申请的各个具体实施方式中,当涉及到需要根据用户信息、用户行为数据,用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时,都会先获得用户的许可或者同意,而且,对这些数据的收集、使用和处理等,都会遵守相关国家和地区的相关法律法规和标准。此外,当本申请实施例需要获取用户的敏感个人信息时,会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意,在明确获得用户的单独许可或者单独同意之后,再获取用于使本申请实施例能够正常运行的必要的用户相关数据。

图1是第一个实施例示出的一种自动驾驶决策方法的流程示意图,图1中的方法可以包括但不限于包括步骤S101至步骤S104。

步骤S101,获取感知信息。

感知信息包括自车环境信息、自车状态信息和预先设定的初始行驶路线。可以理解的是,所谓感知信息指的是能够对车辆驾驶过程中造成安全影响的外部数据和车辆自身状态数据,例如车辆环境信息和车辆状态信息。

在一种可能的实现方式中,该感知信息通过具有感知模块的设备采集的车辆的车辆环境信息和车辆状态信息,该感知模块包括激光雷达、摄像头、导航系统以及车机系统等。

在一种可能的实现方式中,车辆环境信息可以是指通过激光雷达或摄像头等感知模块采集的该车辆所在环境中所有与车辆行驶安全相关的数据,例如车辆环境信息可以是车辆所在环境中所有车辆的行驶状态,也可以是车辆所在环境中行驶环境(例如车道线数据、障碍物数据、实时定位数据以及地图数据),本申请实施例对此不做特殊限定。

在一种可能的实现方式中,车辆状态信息可以是指车机系统等感知模块采集的该车辆在行驶中所有与车辆自身行驶状态的数据,例如车辆状态信息、实际车速数据、方向盘、制动踏板、油门踏板、离合器上的传感数据,本申请实施例对此不做特殊限定。

在一种可能的实现方式中,预先设定的初始行驶路线可以是通过导航软件获取自车的定位信息,在驾驶开始前输入终点,导航软件依据自车的当前位置和终点位置生成若干条行驶路线,驾驶员或乘客通过与车机交互,选择其中一条行驶路线作为初始行驶路线。

步骤S102,基于感知信息,确定实时行驶路线和实时行驶区域。

在一种可能的实现方式中,实施行驶路线和实时行驶区域可以是基于车辆环境信息和车辆状态信息作出的自车行驶控制规划,通过分析车辆环境信息来确定当前的实时行驶区域,进而在确保行车安全的前置条件基础上基于当前的实时行驶区域局部调整初始行驶路线,得到实时行驶路线。

行驶区域可以理解为在保证车辆行驶安全的基础上车辆可处的区域,行驶路线可以理解为用来指示车辆在路口驶入段应按所指方向行驶的车道,可通过车道线来确认行驶路线,目的就是明确行车方向,各行其道,减缓交通压力,车道线包括白色虚线、白色实线、导向指示线、减速提示线等等。

具体地,在检测到车辆环境信息时,获取车辆环境信息对应的图片分辨率数据、发送周期数据、时间戳数据以及颜色通道信息,将车辆环境信息对应的图片分辨率数据、发送周期数据、时间戳数据以及颜色通道信息与图片形式的车辆行驶信息进行关联,在检测到车辆状态信息时,获取车辆状态信息的采集参数数据、采集周期数据和时间戳数据,将车辆状态信息对应的采集参数数据、采集周期数据和时间戳数据进行关联,然后将相同时刻的车辆环境信息和车辆状态信息进行关联,提高设备的计算速度,提升数据的准确度,确保实时行驶路线和实时行驶区域的精度。

步骤S103,依据实时行驶区域的行车空间进行行驶模式决策,得到第一决策结果。

第一决策结果为车道保持模式、换道行驶模式或路口转向模式。可以理解的是,车道保持模式、换道行驶模式和路口转向模式均为预设的行驶模式,行驶模式决策是基于实时行驶区域的行车空间判断自车当前所处的路况,实时行驶区域的行车空间满足对应行驶模式的预设条件时,输出对应行驶模式的第一决策结果。在本实施例中,车道保持模式可理解为自车维持沿当前车道行驶的行驶模式,换道行驶模式可理解为自车从当前行驶车道切换至其他车道行驶的行驶模式,路口转向可以理解为自车到达路口时依据初始行驶路线或实时行驶路线进行转向的行驶模式。

在一种可能的实现方式中,实时接收自车的周边环境信息,提取对自车的障碍物信息,根据当前车道前方障碍物距离及相对速度信息,确定实时行驶区域的行车空间,再结合自车的期望车间距、速度信息进行判断决策,得到第一决策结果。

具体地,当前车道前方对自车行驶有影响范围内不存在障碍物或障碍物距离大于最小安全车间距时,进入车道保持模式;当前车道前方障碍物距离小于安全车间距,障碍物与自车相对速度小于零且相差不大于一定范围时,为了提高车辆安全性,进入车道保持模式;当前车道前方障碍物距离小于安全车间距,障碍物与自车速度相差较大影响通行效率但无可换道路径时,进入车道保持模式,在此情形下,若有可换道路径,为了提高行车效率,切出车道保持模式模式并转换为换道行驶模式。

步骤S104,基于第一决策结果,控制自车沿实时行驶路线行驶。

在一种可能的实现方式中,通过与自车的控制系统进行交互,将第一决策结果发送至车辆的控制系统,车辆的控制系统将接收到的第一决策结果所指示的行驶模式转换为对车辆的控制指令,控制车辆按照基于第一决策结果所指示的行驶模式来行驶。

请参阅图2,在一些实施例中,步骤S102可以包括但不限于包括步骤S201至步骤S203。

步骤S201,对感知信息进行信息提取处理,得到提取结果。

在一种可能的实现方式中,对感知信息进行信息提取处理可以理解为根据采集到感知信息的原始数据计算出对应的精确性、时延性和反馈动作对应的指标值。

具体地,对车辆环境信息进行信息提取,提取出精确性、时延性和反馈动作对应的指标值,精确性对应的指标值可以为车辆环境信息识别准确率和识别召回率,要提取到识别准确率和识别召回率,就需要根据识别结果来判断识别正确的次数和识别错误的次数,根据识别正确的次数除以总的识别次数就可以得到识别准确率。识别召回率也可以采用类似的计算方法。时延性对应的指标值就可以为识别性能(识别速度),就需要根据总的识别次数和每次或全部识别完成所花费的时间,来计算出识别性能(识别速度)。反馈动作对应指标值可以为刹车/油门踏板变化量、方向盘转动角度和方向盘转动方向,当车辆环境信息中存在反馈对应的指标值的话,直接在目标行驶数据中筛选出来即可。

步骤S202,基于提取结果确定自车与障碍物的距离,依据自车与障碍物的距离确定自车的可行驶区域,得到实时行驶区域。

在一种可能的实现方式中,根据自车与前方障碍物之间的距离以及根据自车与其左右两侧方向的障碍物的距离来进行确定自车的可行驶区域,通过雷达测距或者是摄像头拍摄,从而根据雷达测距确定的自车与各个方向障碍物之间的距离划分车辆的可行驶区域或者是识别摄像头拍摄的图像中自车与各个方向障碍物之间的距离划分车辆的可行驶区域,得到实时行驶区域。

步骤S203,依据实时行驶区域对初始行驶路线进行调整处理,得到实时行驶路线。

在一种可能的实现方式中,依据实时行驶区域对初始行驶路线进行调整处理可以是根据实时行驶区域的行车空间选择在原车道继续行驶或者是变更车道,实时行驶区域的行车空间充足时,不对初始行驶路线进行调整,实时行驶区域的行车空间不充足时,对初始行驶路线进行调整。示例性地,在自车与前车之间的距离小于预设的跟车预设值而车辆与其左侧方向的障碍物的距离大于预设的相邻预设值时控制自车变道,生成实时行驶路线,实时行驶路线可以是选择左侧的车道作为行驶路线,自车沿实时行驶路线行驶时变道至左侧车道。

请参阅图3,在一些实施例中,步骤S104可以包括但不限于包括步骤S301至步骤S303。

本实施例中,自车前方第一距离内无障碍物或者是前方第一距离内存在车辆,第一决策结果为车道保持模式。

步骤S301,判断自车前方第一距离范围内是否存在车辆。若是,执行步骤S302;若否,执行步骤S303。

步骤S302,对实时行驶区域进行区域划分,得到跟车行驶区域和避碰区域,若自车处于跟车行驶区域,根据自车与前车的实际距离调节自车行驶时的目标速度,使目标速度跟自车与前车的实际距离呈负相关,若自车处于避碰区域,将目标速度调节至零。

在一种可能的实现方式中,对实时行驶区域进行区域划分可以是预先设定避碰区域的范围,包括行驶方向上的距离以及转向方向上的距离,确定避碰区域后,行驶区域的剩余区域划分为跟车行驶区域。

对于跟车行驶区域,满足以下关系:

d

对于避碰区域,满足以下关系:

d

其中,d

例如,跟车行驶模式时,预设避碰区域在行驶方向上的距离为5m,当车辆前方20m内有车辆行驶时,避碰区域在行驶方向上的距离以外的15m设为跟车行驶区域。

根据自车与前车之间的实际距离调节自车行驶时的目标速度,使目标速度与自车与前车之间的实际距离呈负相关,可以是周期性地采集自车的实际速度以及自车与前车之间的实际距离,当前采集周期采集的自车与前车之间的实际距离小于上一个采集周期采集的自车与前车之间的实际距离时,提升自车行驶时的目标速度,以提升的目标速度作为自车行驶的实际速度,反之,当前采集周期采集的自车与前车之间的实际距离大于上一个采集周期采集的自车与前车之间的实际距离时,降低自车行驶时的目标速度,以降低的目标速度作为自车行驶的实际速度。

示例性地,当前采集周期采集的自车与前车之间的实际距离小于上一个采集周期采集的自车与前车之间的实际距离时,目标速度满足:

v

当前采集周期采集的自车与前车之间的实际距离大于上一个采集周期采集的自车与前车之间的实际距离时,目标速度满足:

v

其中,v

步骤S303,控制自车沿初始行驶路线匀速行驶。

在一种可能的实现方式中,行驶模式为匀速行驶时,自车与前车之间的实际距离处于匀速行驶预设范围内,按照预设的匀速行驶速度控制自车沿初始行驶路线匀速行驶。

请参阅图4,在一些实施例中,步骤S104可以包括但不限于包括步骤S401至步骤S405。

本实施例中,自车前方第二距离内存在障碍物时,第一决策结果为换道行驶模式。

步骤S401,依据自车与障碍物的距离找寻若干个预瞄点,使用预瞄点构建的贝塞尔曲线绘制换道路线。

贝塞尔曲线(Bézier curve),又称贝兹曲线或贝济埃曲线,是应用于二维图形应用程序的数学曲线。贝塞尔曲线是通过控制曲线上的四个点(起始点、终止点以及两个相互分离的中间点)来创造、编辑图形,其中起重要作用的是位于曲线中央的控制线。这条线是虚拟的,中间与贝塞尔曲线交叉,两端是控制端点。移动两端的端点时贝塞尔曲线改变曲线的曲率(弯曲的程度);移动中间点(也就是移动虚拟的控制线)时,贝塞尔曲线在起始点和终止点锁定的情况下做均匀移动。

贝塞尔曲线具有曲率连续、易于跟踪和满足车辆动力学约束等优点。因此本发明实施例选择采用五阶贝塞尔曲线进行换道路线绘制。

五阶贝塞尔曲线可以表示为:

其中,B(t)表示贝塞尔曲线,P

依据自车与障碍物的距离找寻若干个预瞄点可以是在实时行驶区域内进行选取,将选取得到的各个预瞄点进行连接得到贝塞尔曲线,作为换道路线。如图8所示,五阶贝塞尔曲线中的6个预瞄点的坐标P

首先确定预瞄点P

P

P

将自车与障碍物的距离划分为4个部分,得到P

P

P

P

P

其中,L为感知系统检测到的在frenet坐标系下自车与障碍物的距离;w

步骤S402,对障碍物进行边界膨胀处理,依据当前的换道路线和自车环境信息设定障碍物的膨胀半径。

使用贝塞尔曲线绘制变道路线时,由于将车辆看作为一个质点,忽略了车辆自身宽度,自车沿变道路线行驶时存在与障碍物产生碰撞的可能,通过对障碍物进行边界膨胀处理,将自车沿变道路线行驶时与障碍物之间的距离和边界膨胀处理的障碍物碰撞的半径进行比较,进行碰撞评估。碰撞评估的公式可以表示为:

其中,r为障碍物的膨胀半径,

步骤S403,判断障碍物的膨胀半径是否大于障碍物的宽度。若是,执行步骤S403;若否,执行步骤S404。

判断障碍物的膨胀半径是否大于障碍物的宽度时,即:

步骤S404,控制自车沿当前的换道路线行驶。

步骤S405,重置预瞄点的位置,使用重置后的预瞄点构建的贝塞尔曲线重新绘制换道路线,重新绘制的换道路线所对应的自车转向角大于上一次绘制的换道路线所对应的自车转向角。返回步骤S402。

在实时行驶区域内重新选取预瞄点,首先重新确定预瞄点P

P

如图9所示,自车沿当前的换道路线行驶并绕过障碍物后,控制自车返回值初始行驶路线的车道上,可以是使用镜像的贝塞尔曲线绘制返回初始行驶路线的车道上的路线,从而在绕过障碍物后返回值初始行驶路线的车道。

在一些实施例中,如图10所示,控制自车沿当前的换道路线行驶可以是检测范围内未出现连续障碍物时,控制换道后的自车驶过障碍物后再变换至初始行驶路线的车道;检测范围内出现连续障碍物时,控制换道后的自车驶过连续障碍物后再变换至初始行驶路线的车道。

其中,连续障碍物为与相同车道中的前一个障碍物的距离小于预设的障碍距离阈值的障碍物。

在一实施例中,自车到达路口时,第一决策结果为路口转向模式。本实施例中,检测自车当前所在路口的其他行驶车辆,检测范围内未出现其他行驶车辆时,等待检测范围内出现的其他行驶车辆离开检测范围后,控制自车在当前所在路口转向。

上述实施例中,对自车的控制包括横向控制和纵向控制。

横向控制采用纯跟踪控制算法,控制自车的换道过程中方向盘转角公式为:

其中,δ(t)为纯跟踪控制算法在t时刻计算得到的车辆前轮转角,L′为轴距;k为比例系数,v

纵向控制基于PID算法进行控制,具体为:

构建基于目标速度的控制量输出模型,所述控制量输出模型为:

其中,U

对所述控制量输出模型进行离散化处理,得到离散的控制量输出模型,所述离散的控制量输出模型为:

其中,T为控制器的指令周期,e

使用所述离散的控制量输出模型计算所述控制输出量,通过计算得到的所述控制输出量对车辆进行辅助驾驶控制。

图5是本申请实施例提供的自动驾驶决策方法的第一个可选的流程图,在图1实施例的基础上,图5中的方法可以包括但不限于包括步骤S501至步骤S504。

步骤S501,通过脑电采集获取驾驶员的制动意图,得到脑电波信息。

在本申请实施例中,脑神经细胞在发生反应时会产生相应的电波,这些电波称为脑电波,对脑电波进行采集并以信号的形式进行表达,即为脑电信号。

在一种可能的实现方式中,该脑电信号可以是通过具有脑机接口的设备采集到的驾驶员的脑电波信号,该脑机接口具有至少两个电极,在通过该脑机接口对该驾驶员进行信号采集的过程中,该两个电极位于驾驶员头部的不同区域,以便采集到该驾驶员不同区域产生的脑电波信号。

步骤S502,对脑电波信息进行预处理,利用训练好的卷积神经网络对预处理后的脑电波信息进行分类测试,得到分类结果。

在一种可能的实现方式中,对脑电波信息进行预处理可以是包括去噪、整形、滤波和信号放大处理等信号处理过程。

在一种可能的实现方式中,利用训练好的卷积神经网络对预处理后的脑电波信息进行分类测试,得到分类结果,具体为:在检测到脑电波信息时,可以是通过训练好的卷积神经网络对脑电波信息进行分类处理,利用该训练后的卷积神经网络该脑电波信号所属的驾驶意图类型进行预测。根据计算得到的余弦相似度构建余弦相似度矩阵,通过训练后的卷积神经网络对该余弦相似度矩阵所属的类型进行预测,得到该脑电波信号所属的驾驶意图类型。例如,若脑电波信息的特征向量均为128个,则可以计算出128个余弦相似度,那么此时,便可以基于这128个余弦相似度构建余弦相似度矩阵,然后通过训练后的卷积神经网络对该余弦相似度矩阵所属的类型进行预测,得到该脑电波信号所属的驾驶意图类型。

利用该训练后的卷积神经网络该脑电波信号所属的驾驶意图类型进行预测,具体为:

对预处理后的脑电波信息进行标签化处理,得到标签化脑电波信息;

将标签化脑电波信息以帧形式输入到训练好的卷积神经网络进行分类测试,将训练好的卷积神经网络的输出结果按照标签化脑电波信息的标签进行重新排列,作为分类结果。

训练好的卷积神经网络由5层组成,包括:1)输入层,2)第一卷积层,3)第二卷积层,4)全连接层和5)输出层。其中输入的脑电波信息为200*16的矩阵形式,全连接层的输入是最后一个卷积层的输出:

y=sigmoid(WM+b);

其中,y表示全连接层的输出,W表示权重矩阵,b表示偏差,M表示最后一个卷积层的输出。

获取标签化脑电波信息样本中每一个脑电波信息信号段的标签后,通过训练好的卷积神经网络分类标签化脑电波信息,判别驾驶员的驾驶意图,根据计算得到的余弦相似度构建余弦相似度矩阵,通过卷积神经网络对该余弦相似度矩阵所属的类型进行预测,得到该脑电波信号样本所属的驾驶意图类型,训练好的卷积神经网络的输出结果按照预先获取的每一个脑电波信息信号段的标签进行重新排列,进而得到分类结果。

步骤S503,基于分类结果识别驾驶员的驾驶意图,得到识别结果,将识别结果转换为控制指令,得到第二决策结果。

步骤S504,基于第二决策结果,控制自车进入制动状态。

在一种可能的实现方式中,具有脑电波信息分类功能的设备与自车的控制系统进行交互,设备将识别结果发送至自车的控制系统,自车的控制系统根据接收到的识别结果转换为对车辆的控制指令,从而基于第二决策结果控制自车进入制动状态。

由上可知,在本申请实施例所提供的自动驾驶决策方法中,通过获取感知信息来确定车辆环境、车辆状态和预先设定的初始行驶路线,以此确定实时行驶路线和实时行驶区域,控制自车沿实时行驶路线行驶时依据实时行驶区域的行车空间进行行驶模式决策,通过决策来决定自动驾驶的行驶模式,从而基于第一决策结果控制自车沿实时行驶路线行驶,提升特定区域范围内的低速自动驾驶的同步性和安全性。

为了更好地实施以上方法,本发明实施例还提供一种辅助驾驶装置,该辅助驾驶装置具体可以集成在服务器或终端等电子设备中。

请参阅图6,本申请实施例还提供一种自动驾驶决策装置,可以实现上述实施例提到的自动驾驶决策方法,该装置包括:

获取模块601,用于获取感知信息,感知信息包括自车环境信息、自车状态信息和预先设定的初始行驶路线;

确定模块602,用于基于感知信息,确定实时行驶路线和实时行驶区域;

决策模块603,用于依据实时行驶区域的行车空间进行行驶模式决策,得到第一决策结果,第一决策结果为车道保持模式、换道行驶模式或路口转向模式;

控制模块604,用于基于第一决策结果,控制自车沿实时行驶路线行驶。

该自动驾驶决策装置的具体实施方式与上述自动驾驶决策方法的具体实施例基本相同,在此不再赘述。

本申请实施例还提供了一种电子设备,电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述自动驾驶决策方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图7,图7示意了另一实施例的电子设备的硬件结构,电子设备包括:

处理器701,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;

存储器702,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器702可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器702中,并由处理器701来调用执行本申请实施例的自动驾驶决策方法;

输入/输出接口703,用于实现信息输入及输出;

通信接口704,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;

总线705,在设备的各个组件(例如处理器701、存储器702、输入/输出接口703和通信接口704)之间传输信息;

其中处理器701、存储器702、输入/输出接口703和通信接口704通过总线705实现彼此之间在设备内部的通信连接。

本申请实施例还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自动驾驶决策方法。

存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的自动驾驶决策方法、装置、电子设备及存储介质,通过获取感知信息来确定车辆环境、车辆状态和预先设定的初始行驶路线,以此确定实时行驶路线和实时行驶区域,控制自车沿实时行驶路线行驶时依据实时行驶区域的行车空间进行行驶模式决策,通过决策来决定自动驾驶的行驶模式,从而基于第一决策结果控制自车沿实时行驶路线行驶,提升特定区域范围内的低速自动驾驶的同步性和安全性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。

本领域技术人员可以理解的是,图中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的,其中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,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模块来实现本实施例方案的目的。

本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。

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,上述单元的划分,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系统,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。

上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。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全部或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,包括多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的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-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。

技术分类

06120115629906