一种车辆运动状态模型优化方法、设备、装置及存储介质
文献发布时间:2024-01-17 01:28:27
技术领域
本申请涉及车辆控制技术领域,尤其涉及一种车辆运动状态模型优化方法、设备、装置及存储介质。
背景技术
随着车辆智能化和精准化技术发展,不仅能够有效提升用户的乘驾体验,还能够有效降低司机的驾驶难度。
然而,在实际进行车辆运动状态相关信息输出或者航迹信息输出的时候,由于传感器本身精度不高,或者全球定位系统(Global Positioning System,GPS)信号不稳定等问题,导致无法实时准确确定车辆运动轨迹。因此,可以采用预测的方式,获取到车辆轨迹。但是现有预测方式得到的车辆运动状态相关信息不准确,在无法实时获取到车辆状态信息的情况下,在利用车辆运动状态模型进行轨迹预测时容易产生偏差。因此,一种新的解决方案亟待提出。
发明内容
本申请实施例提供一种车辆运动状态模型优化方法、设备、装置及存储介质,用以优化车辆运动状态模型。
本申请实施例提供一种车辆运动状态模型优化方法,包括:
获取离线前第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据;
根据所述车辆位置观测数据,确定高精地图中地图道路数据;
将所述车辆监测数据以及所述车辆传感器数据输入车辆运动状态模型,得到所述第一时间段之后的模型预测轨迹;
利用所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正。
可选地,所述根据所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正,包括:
将所述地图道路数据和所述模型预测轨迹输入到训练好的误差修正模型,得到轨迹补偿数据;
基于所述轨迹补偿数据对所述车辆运动状态模型进行修正,以得到修正后目标轨迹。
可选地,所述误差修正模型是通过如下方式得到的模型:
基于获取到的历史地图道路数据和历史模型预测轨迹,生成轨迹补偿样本;
利用所述轨迹补偿样本对所述误差修正模型进行训练,以得到训练好的用于确定所述轨迹补偿数据的误差修正模型。
可选地,所述利用车辆运动状态模型对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行处理,输出所述第一时间段之后的模型预测轨迹,包括:
利用车辆运动状态模型对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行处理,输出车辆平面运动信息、车辆空间运动信息以及车辆非圆周运动信息;
基于所述车辆平面运动信息、所述车辆空间运动信息以及所述车辆非圆周运动信息进行积分处理,生成所述第一时间段之后的模型预测轨迹。
可选地,所述车辆运动状态模型包括:车辆平面运动模型和车辆空间运动模型;
所述车辆平面运动信息和所述车辆空间运动信息的生成方式,包括:
对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行滤波处理;
利用所述车辆平面运动模型对滤波处理后数据进行计算,输出速度、加速度、平面位移、转向角中至少一个作为所述车辆平面运动信息;
利用所述车辆空间运动模型对滤波处理后数据进行计算,输出垂直位移、俯仰角中至少一个作为所述车辆空间运动信息。
可选地,所述车辆运动状态模型包括:车辆非圆周运动模型;
对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行滤波处理;
利用所述车辆非圆周运动模型对滤波处理后数据进行计算,输出非圆周加速度、非圆周位移中至少一个作为所述车辆非圆周运动信息。
可选地,所述输出所述第一时间段之后的模型预测轨迹,包括:
基于所述车辆非圆周运动信息在所述第一时间段内单位时间信息,利用积分运算得到位置信息和位置变化信息;
基于所述车辆平面运动信息和所述车辆空间运动信息在所述第一时间段内单位时间信息,利用积分运算得到距离信息和运动信息;
根据所述位置信息、所述位置变化信息、所述距离信息和所述运动信息,计算得到所述模型预测轨迹。
本申请实施例提供一种车辆设备,包括:车身,所述车身上安装有雷达和图像采集设备,还设置有存储器、处理器、通信组件和显示组件;所述存储器,用于存储一条或多条计算机指令;所述处理器用于执行所述一条或多条计算机指令以用于:通过所述通信组件以及所述显示组件执行车辆运动预测方法中的步骤。
本申请实施例提供一种车辆运动状态模型优化装置,应用于车辆设备上,所述装置包括:
获取模块,用于获取离线前第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据;
确定模块,用于根据所述车辆位置观测数据,确定高精地图中地图道路数据;
输出模块,用于将所述车辆监测数据以及所述车辆传感器数据输入车辆运动状态模型,得到所述第一时间段之后的模型预测轨迹;
修正模块,用于根据所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正。
本申请实施例提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现车辆运动预测方法中的步骤。
本申请实施例提供的车辆运动状态模型优化方法、设备、装置及存储介质中,获取离线前第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据;根据所述车辆位置观测数据,确定高精地图中地图道路数据;利用车辆运动状态模型对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行处理,输出所述第一时间段之后的模型预测轨迹;根据所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正。通过上述方案,将车辆位置观测数据、车辆监测数据以及车辆传感器数据等数据输入到车辆运动状态模型中,能够输出预测到的模型预测轨迹,进而,结合地图道路数据与模型预测轨迹的偏差对车辆运动状态模型进行修正,能够有效提升车辆运动状态模型的预测效果,提升预测准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请一示例性实施例提供的车辆运动状态模型优化方法的流程示意图;
图2为本申请一示例性实施例提供的一种车辆运动状态模型优化的示意图;
图3为本申请一示例性实施例提供的车辆设备的结构示意图;
图4为本申请一示例性实施例提供的车辆运动状态模型优化装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书、权利要求书及上述附图中描述的一些流程中,包含了按照特定顺序出现的多个操作,这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等,仅仅是用于区分各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
针对现有技术中,通过车辆监测数据以及车辆上安装的传感器采集到车辆传感器数据,能够对车辆运动状态进行预测。或者,通过全球定位系统(Global PositioningSystem,GPS)数据以及高精地图,对车辆运动状态、运动航迹进行预测。但是,通过上述方式得到的车辆运动状态或车辆运动航迹是不精确的,无法满足对车辆进行高精度监控或者控制,无法满足自动驾驶/控制场景中对车辆运动状态或者航迹的需求。在一些复杂的应用场景中,比如,车辆穿过隧道等,会出现信号丢失等问题,也会导致获取到的车辆运动状态或者航迹不够精确。在本申请一些实施例中,提供了一种车辆运动状态模型优化方法。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的车辆运动状态模型优化方法的流程示意图,如图1所示,该方法包括:
101:获取离线前第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据。
102:根据所述车辆位置观测数据,确定高精地图中地图道路数据。
103:将所述车辆监测数据以及所述车辆传感器数据输入车辆运动状态模型,得到所述第一时间段之后的模型预测轨迹。
104:根据所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正。
这里所说的第一时间段,可以理解为在车辆的全球定位系统(GlobalPositioning System,GPS)离线前的时间段。在全球定位系统(Global PositioningSystem,GPS)离线之后(比如,第一时间段之后的时间),将无法连续获取到车辆位置观测数据(也就是GPS数据),也无法实现对道路位置数据、车道数据、车道方向数据、路况数据等等的获取。
在获取到第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据之后,会对数据进行预处理,比如,滤波、去噪等处理。进而,可以在GPS数据丢失的情况下,利用车辆运动状态模型基于上述数据对车辆运动轨迹进行预测。具体来说,在获取到历史全球定位系统(Global Positioning System,GPS)数据之后,可以利用隐马尔科夫模型结合深度学习模型获得作为观测数据的车辆位置观测数据。在获取到车辆监测数据和车辆传感器数据之后,利用车辆运动状态模型得到模型预测轨迹。
当然,在实际应用中,由于模型或者数据原因,导致输出的模型预测轨迹存在偏差,因此可以进一步采取校正措施。获取到第一时间段内的车辆监测数据和车辆传感器数据之后,可以利用车辆运动状态模型计算得到模型预测轨迹,这个模型预测轨迹是仅依据车辆自身数据计算得到的,还需要进行进一步优化校正。如前文所述可知,在第一时间段内还能够获取到车辆位置观测数据,在与高精地图完成道路匹配后,能够获取到车辆位置观测数据对应的地图道路数据,因此,可以利用地图道路数据与模型预测轨迹的偏差关系,对车辆运动状态模型的预测效果进行优化。
在本申请一个或者多个实施例中,所述根据所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正,包括:将所述地图道路数据和所述模型预测轨迹输入到训练好的误差修正模型;确定轨迹补偿数据;基于所述轨迹补偿数据对所述车辆运动状态模型进行修正,以得到修正后目标轨迹。
为了获得更好的优化效果,还可以借助离线高精度地图数据对车辆运动状态模型进行优化处理。具体来说,在时间上累计一定时间内的车辆的模型预测轨迹,利用地图道路数据与模型预测轨迹确定累积偏差值。进而,按照一定的时间周期,将累积偏差值与离线高精地图道路数据进行数据匹配和累计误差校验,进行欧氏距离,方向偏移角计算等,获得更加精准的车辆的轨迹补偿数据,利用这个轨迹补偿数据对车辆运动状态模型进行补偿后得到更加精准的修正后目标轨迹。
在本申请一个或者多个实施例中,所述误差修正模型是通过如下方式得到的模型:基于获取到的历史地图道路数据和历史模型预测轨迹,生成轨迹补偿样本;利用所述轨迹补偿样本对所述误差修正模型进行训练,以得到训练好的用于确定所述轨迹补偿数据的误差修正模型。
在实际应用中,在能够接收到GPS等相关数据的时候,可以基于高精地图获取到历史地图道路数据和历史模型预测轨迹等。具体来说,这些历史地图数据是基于较为准确的GPS数据进行道路匹配后确定的,因此,匹配到的历史地图道路数据是正确的。由于模型预测轨迹是基于真实数据预测得到的,但是由于车辆运动状态模型参数相对固定,若持续预测,可能会出现累积误差的问题。因此,需要借助一定的补偿方式,对因为时间轴上的累积误差进行纠正。
在本实施例中,通过获取大量的历史地图道路数据和历史模型预测轨迹计算得到大量的轨迹补偿样本,进而利用这些轨迹补偿样本对误差修正模型进行训练。比如,假设计算得到的1分钟内模型预测轨迹有多个,分别为A1、A2、A3、A4,分别对应的时间戳为TA1、TA2、TA3、TA4,这几个时间戳之间的时间间隔为15秒。由于车辆位置观测数据(也就是GPS数据)的采样频率比较高,比如,1秒一次。因此根据车辆位置观测数据得到的1分钟内地图道路数据分别为B1、B2、B3、B4、B5……B15……B30……B45……B60,一共60个数据,分别对应的时间戳为TB1、TB2、TB3、TB4、TB5……TB15……TB30……TB45……TB60。因此,按照时间戳的对应关系可知,TB1与TA1对应偏差值为TAB1,TB15与TA2对应偏差值为TAB2,TB30与TA3对应偏差值为TAB3,TB60与TA4对应偏差值为TAB4,进而可以将该偏差值作为轨迹补偿样本。利用轨迹补偿样本对误差修正模型进行训练,训练好的误差修正模型可以根据输入的模型预测轨迹等数据输出对应的轨迹补偿数据。
在本申请一个或者多个实施例中,所述利用车辆运动状态模型对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行处理,输出所述第一时间段之后的模型预测轨迹,包括:利用车辆运动状态模型对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行处理,输出车辆平面运动信息、车辆空间运动信息以及车辆非圆周运动信息;基于所述车辆平面运动信息、所述车辆空间运动信息以及所述车辆非圆周运动信息,生成所述第一时间段之后的模型预测轨迹。这里所说的车辆传感器数据比如可以是利用轮速计采集到的行驶速度、利用位姿传感器采集到的加速度、横摆角速度等,这里所说的车辆监测数据可以是车辆四轮轮速、方向盘转角、车辆档位等。
需要说明的是,车辆在行驶过程中,会在是三维空间中分别产生对应的数据,包括车辆平面运动信息、车辆空间运动信息和车辆非圆周运动信息。车辆在运动过程中,在宏观上看车辆可能正在执行直线运动,但是,若车辆的变化状态划分的足够细,比如,划分到毫秒级,确定每个毫秒车辆行驶速度、加速度、行驶方向、车辆四轮轮速、方向盘转角等,会发现这些数据时刻存在微小变动的。因此,为了实现对车辆的轨迹的精准预测,将根据车辆平面运动信息、车辆空间运动信息和车辆非圆周运动信息等,综合预测并输出模型预测轨迹。由于车辆运动状态模型在进行轨迹预测的时候,不会依赖车辆位置观测数据(比如,GPS数据),因此,在车辆处于离线(无法获取到GPS数据)状态下,仍然能够准确的知道车辆运动轨迹。
在本申请一个或者多个实施例中,所述车辆运动状态模型包括:车辆平面运动模型和车辆空间运动模型。
所述车辆平面运动信息和所述车辆空间运动信息的生成方式,包括:对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行滤波处理;利用所述车辆平面运动模型对滤波处理后数据进行计算,输出行驶速度、加速度、平面位移、转向角中至少一个作为所述车辆平面运动信息;利用所述车辆空间运动模型对滤波处理后数据进行计算,输出垂直位移、俯仰角中至少一个作为所述车辆空间运动信息。
在实际应用中,能够监测到车辆监测数据,比如,车辆四轮轮速、方向盘转角、车辆档位;以及通过传感器采集到的行驶速度、加速度、横摆角速度等。将这些数据输入到车辆平面运动模型中,进而可以得到车辆运动速度,航向角,加速度,横摆角速度,前后向运动判断,平面位移,转向角等平面运动数据。
将监测到的车辆监测数据传感器采集到的数据输入到车辆空间运动模型中,该模型是基于车辆平面运动模型输出的平面运动数据以及三维相关数据(IMU)作为输入。进而利用车辆空间运动模型俯仰角、垂直位移、航向角等。
在本申请一个或者多个实施例中,所述车辆运动状态模型包括:车辆非圆周运动模型。对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行滤波处理;利用所述车辆非圆周运动模型对滤波处理后数据进行计算,输出非圆周加速度、非圆周位移中至少一个作为所述车辆非圆周运动信息。
如前文所述,车辆在转弯过程中,在旁观者看来,车辆可能进行的是比较连贯规则的曲线运动,但是,实际车轮移动轨迹或者车身移动轨迹来看,则是由多端曲线组成的非规则圆周移动轨迹。因此,为了能够获取到更加精准、真实的车辆运动状态信息,需要对采样得到的车辆位置观测数据、车辆监测数据以及车辆传感器数据进行分解处理,从而得到运动基础数据。进而,利用运动基础数据以及车辆非圆周运动模型计算得到车辆非圆周运动信息。例如,以毫秒级作为分隔单位将车辆位置观测数据、车辆监测数据以及车辆传感器数据进行分解,然后对每一小段运动采用非圆周加速度(匀加速或匀减速)运动方式进行数值计算,进而利用车辆运动状态模型可以获得车辆在每一时刻到下一时刻的运动状态,以及会根据方向盘转角变化计算的非圆周位移等。
在本申请一个或者多个实施例中,所述生成所述第一时间段之后的模型预测轨迹,包括:基于所述车辆非圆周运动信息在所述第一时间段内单位时间信息,利用积分运算得到位置信息和位置变化信息;基于所述车辆平面运动信息和所述车辆空间运动信息在所述第一时间段内单位时间信息,利用积分运算得到距离信息和运动信息;根据所述位置信息、所述位置变化信息、所述距离信息和所述运动信息,计算得到所述模型预测轨迹。
如前文所述,获取到的车辆非圆周运动信息、车辆平面运动信息和车辆空间运动信息等,都是单位时间信息,进而,可以基于单位时间信息进行积分处理得到相关的距离信息和运动信息。基于距离信息、运动信息以及位置信息、位置变化信息构建成基于时间序列的车辆运动状态矩阵,比如,该矩阵当中可以包括车辆速度,航向角,转向角,横摆角速度,俯仰角,平面位移,垂直位移及定位坐标,前进后退驻车状态,6轴位姿状态等。
如图2为本申请一示例性实施例提供的一种车辆运动状态模型优化的示意图。从图2中可以看到,首先获取到第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据。进而通过滤波处理以及车辆状态决策规则判断等,通过车辆运动状态模型中包含的车辆平面运动模型、车辆空间运动模型以及车辆非圆周运动模型,预测得到车辆在第一时间段之后的模型预测轨迹。为了提升车辆运动状态模型的预测效果,还可以基于得到的车辆运动状态信息不断对模型进行修正优化,具体来说,在每次得到模型预测轨迹之后,都可以进一步利用误差修正模型输出轨迹补偿数据,利用轨迹补偿数据对车辆运动状态模型进行参数修正优化,从而获得更好的预测效果。
在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如11、12等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。
需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图3是本申请一示例性实施例提供的终端设备的结构示意图,如图3所示,该终端设备包括:存储器301以及处理器302。
存储器301,用于存储计算机程序,并可被配置为存储其它各种数据以支持在终端设备上的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。
其中,存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random-Access Memory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable read only memory,EEPROM),可擦除可编程只读存储器(Electrical Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable read-only memory,PROM),只读存储器(Read-Only Memory,ROM),磁存储器,快闪存储器,磁盘或光盘。
该车辆设备还包括:显示组件303。处理器302,与存储器301耦合,用于执行存储器301中的计算机程序,以用于:
获取离线前第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据;
根据所述车辆位置观测数据,确定高精地图中地图道路数据;
将所述车辆监测数据以及所述车辆传感器数据输入车辆运动状态模型,得到所述第一时间段之后的模型预测轨迹;
根据所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正。
进一步可选地,处理器320用于将所述地图道路数据和所述模型预测轨迹输入到训练好的误差修正模型;确定轨迹补偿数据;基于所述轨迹补偿数据对所述车辆运动状态模型进行修正,以得到修正后目标轨迹。
进一步可选地,处理器320用于基于获取到的历史地图道路数据和历史模型预测轨迹,生成轨迹补偿样本;利用所述轨迹补偿样本对所述误差修正模型进行训练,以得到训练好的用于确定所述轨迹补偿数据的误差修正模型。
进一步可选地,处理器320用于利用车辆运动状态模型对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行处理,输出车辆平面运动信息、车辆空间运动信息以及车辆非圆周运动信息;基于所述车辆平面运动信息、所述车辆空间运动信息以及所述车辆非圆周运动信息,生成所述第一时间段之后的模型预测轨迹。
进一步可选地,所述车辆运动状态模型包括:车辆平面运动模型和车辆空间运动模型。处理器302用于:对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行滤波处理;
利用所述车辆平面运动模型对滤波处理后数据进行计算,输出行驶速度、加速度、平面位移、转向角中至少一个作为所述车辆平面运动信息;
利用所述车辆空间运动模型对滤波处理后数据进行计算,输出垂直位移、俯仰角中至少一个作为所述车辆空间运动信息。
进一步可选地,所述车辆运动状态模型包括:车辆非圆周运动模型。处理器302用于:对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行滤波处理;利用所述车辆非圆周运动模型对滤波处理后数据进行计算,输出非圆周加速度、非圆周位移中至少一个作为所述车辆非圆周运动信息。
进一步可选地,处理器302用于:基于所述车辆非圆周运动信息在所述第一时间段内单位时间信息,利用积分运算得到位置信息和位置变化信息;基于所述车辆平面运动信息和所述车辆空间运动信息在所述第一时间段内单位时间信息,利用积分运算得到距离信息和运动信息;根据所述位置信息、所述位置变化信息、所述距离信息和所述运动信息,计算得到所述模型预测轨迹。
上述图3中的存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random-Access Memory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable read only memory,EEPROM),可擦除可编程只读存储器(Electrical Programmable Read Only Memory,EPROM),可编程只读存储器(Programmable read-only memory,PROM),只读存储器(Read-Only Memory,ROM),磁存储器,快闪存储器,磁盘或光盘。
上述图3中的显示组件303包括屏幕,其屏幕可以包括液晶显示器((LiquidCrystal Display,LCD)和触摸面板(Touch Panel,TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
上图3中的音频组件304,可被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(microphone,MIC),当音频组件所在设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。
进一步,如图3所示,该车辆设备还包括:通信组件305、电源组件306等其它组件。图3中仅示意性给出部分组件,并不意味着车辆设备只包括图3所示组件。
上述图3中的通信组件305被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G或5G,或它们的组合。在一个示例性实施例中,通信组件可基于近场通信(Near FieldCommunication,NFC)技术、射频识别(Radio Frequency Identification,RFID)技术、红外数据协会(Infrared Data Association,IrDA)技术、超宽带(Ultra Wide Band,UWB)技术、蓝牙技术和其他技术来实现。
其中,电源组件306,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
图4为本申请一示例性实施例提供的车辆运动预测装置的示意图,如图4所示,该车辆运动预测装置包括:
获取模块41,用于获取离线前第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据;
确定模块42,用于根据所述车辆位置观测数据,确定高精地图中地图道路数据;
输出模块43,用于将所述车辆监测数据以及所述车辆传感器数据输入车辆运动状态模型,得到所述第一时间段之后的模型预测轨迹;
修正模块44,用于根据所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正。
可选地,修正模块44,还用于将所述地图道路数据和所述模型预测轨迹输入到训练好的误差修正模型;确定轨迹补偿数据;基于所述轨迹补偿数据对所述车辆运动状态模型进行修正,以得到修正后目标轨迹。
可选地,还包括训练模块45,用于基于获取到的历史地图道路数据和历史模型预测轨迹,生成轨迹补偿样本;利用所述轨迹补偿样本对所述误差修正模型进行训练,以得到训练好的用于确定所述轨迹补偿数据的误差修正模型。
可选地,输出模块43还用于利用车辆运动状态模型对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行处理,输出车辆平面运动信息、车辆空间运动信息以及车辆非圆周运动信息;基于所述车辆平面运动信息、所述车辆空间运动信息以及所述车辆非圆周运动信息,生成所述第一时间段之后的模型预测轨迹。
可选地,所述车辆运动状态模型包括:车辆平面运动模型和车辆空间运动模型;
输出模块43还用于对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行滤波处理;利用所述车辆平面运动模型对滤波处理后数据进行计算,输出行驶速度、加速度、平面位移、转向角中至少一个作为所述车辆平面运动信息;利用所述车辆空间运动模型对滤波处理后数据进行计算,输出垂直位移、俯仰角中至少一个作为所述车辆空间运动信息。
可选地,所述车辆运动状态模型包括:车辆非圆周运动模型;输出模块43还用于对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行滤波处理;利用所述车辆非圆周运动模型对滤波处理后数据进行计算,输出非圆周加速度、非圆周位移中至少一个作为所述车辆非圆周运动信息。
可选地,输出模块43还用于基于所述车辆非圆周运动信息在所述第一时间段内单位时间信息,利用积分运算得到位置信息和位置变化信息;
基于所述车辆平面运动信息和所述车辆空间运动信息在所述第一时间段内单位时间信息,利用积分运算得到距离信息和运动信息;
根据所述位置信息、所述位置变化信息、所述距离信息和所述运动信息,计算得到所述模型预测轨迹。
本申请实施例中,获取离线前第一时间段内的车辆位置观测数据、车辆监测数据以及车辆传感器数据;根据所述车辆位置观测数据,确定高精地图中地图道路数据;利用车辆运动状态模型对所述车辆位置观测数据、车辆监测数据以及车辆传感器数据进行处理,输出所述第一时间段之后的模型预测轨迹;根据所述地图道路数据和所述模型预测轨迹,对所述车辆运动状态模型进行修正。通过上述方案,将车辆位置观测数据、车辆监测数据以及车辆传感器数据等数据输入到车辆运动状态模型中,能够输出预测到的模型预测轨迹,进而,结合地图道路数据与模型预测轨迹的偏差对车辆运动状态模型进行修正,能够有效提升车辆运动状态模型的预测效果,提升预测准确率。
相应地,本申请实施例还提供一种存储有计算机程序的计算机可读存储介质,计算机程序被执行时能够实现上述方法实施例中可由终端设备执行的各步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(central processingunit,CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(Random-Access Memory,RAM)和/或非易失性内存等形式,如只读存储器(Read-Only Memory,ROM)或闪存(flash Random-Access Memory,flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(Phase Change Random-AccessMemory,PRAM)、静态随机存取存储器(Static Random-Access Memory,SRAM)、动态随机存取存储器(Dynamic Random Access Memory,DRAM)、其他类型的随机存取存储器(Random-Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable read only memory,EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
- 一种存储系统的状态检测方法、装置、设备及存储介质
- 运动向量场的确定方法、装置、设备、存储介质和车辆
- 一种车辆行驶风险预警方法、装置、存储介质及电子设备
- 一种车辆预警方法、装置、电子设备及存储介质
- 一种车位确定方法、装置、电子设备、车辆及存储介质
- 车辆运动模型的优化方法、装置、设备及介质、程序产品
- 状态管理模型优化方法、装置、电子设备及可读存储介质