一种基于轨迹重预测的自动驾驶车辆运动规划方法、装置及存储介质

车辆装置的制造及其改造技术1.本发明涉及自动驾驶技术领域，尤其涉及一种基于轨迹重预测的自动驾驶车辆运动规划方法、装置及存储介质。背景技术：2.自动驾驶的运动规划模块通过感知所得的障碍物信息、道路及路侧信息，在满足一定约束条件情况下生成可供自车安全行驶的路径。现有的运动规划方法可分为基于瞬时状态的规划方法和基于长时预测的规划方法。但是基于瞬时状态的规划方法仅考虑当前时刻的周围交通环境信息，进而寻找满足约束条件期望范围内的连续路径点，没有考虑到交通参与者的动态变化，规划出的运动路径安全性较低；基于长时预测的规划方法考虑了周围交通环境未来一段时间内的变化，通过计算碰撞概率或时空维度建模选择安全系数较强的路径，但是对预测精度要求较高，对其他交通参与者的轨迹预测精度会直接影响规划路径可靠性与安全性。因此，如何提高轨迹预测的精度，并提高安全性、可信任度、可解释性是亟待解决的技术问题。技术实现要素：3.针对上述技术问题，本技术实施例提供了一种基于轨迹重预测的自动驾驶车辆运动规划方法、装置及存储介质，用以提高轨迹预测的精度，并提高安全性、可信任度、可解释性。4.第一方面，本技术实施例提供的一种基于轨迹重预测的自动驾驶车辆运动规划方法，包括：5.确定预设的特征，并对所述预设的特征进行预处理；6.确定深度神经网络，所述深度神经网络用于预测未来时域δtfut内的其他车辆的运动轨迹；7.建立所述未来时域δtfut内的多维空间占用栅格网络图；8.对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息；9.对筛选出的具有冲突行为的轨迹对进行重新预测；10.根据重新预测的结果规划车辆运动路径。11.优选的，所述确定预设的特征，并对所述预设的特征进行预处理包括：12.所述预设的特征包括以下之一或者组合：13.纵向位置x，横向位置y、速度v、加速度a、偏航角yaw、与前车间距df、前车种类tf、道路类型r；14.所述预处理包括：15.将所述前车种类tf、所述道路类型r数值化表示并对周围所有车辆的历史行驶信息总和past作标准化处理。16.具体的，所述预设的特征满足以下关系：[0017][0018]其中，n代表车辆编号，n代表周围车辆总数，依次分别代表编号为n的车辆在t时刻的纵向位置、横向位置、速度、加速度、偏航角、与前车间距、前车种类和道路类型，δtpast代表设定的历史时间，pastn表示δtpast时间段内编号为n的车辆行驶信息的向量化表示，t0表示当前时刻，past表示周围所有车辆的历史行驶信息总和。[0019]优选的，所述预设的特征满足以下关系：[0020][0021]其中，n代表车辆编号，n代表周围车辆总数，依次分别代表编号为n的车辆在t时刻的纵向位置、横向位置、速度、加速度、偏航角、与前车间距、前车种类和道路类型，δtpast代表设定的历史时间，pastn表示δtpast时间段内编号为n的车辆行驶信息的向量化表示，t0表示当前时刻，past表示周围所有车辆的历史行驶信息总和。[0022]所述深度神经网络用于预测未来时域δtfut内的其他车辆的运动轨迹包括：[0023]编号为n的车辆未来时域的运动轨迹pren为：[0024]pren＝[xn,yn]＝model(pastn,actionm)[0025][0026]actionm＝[1,2,...,m],m≥1[0027]其中，xn,yn分别为编号为n的车辆在未来时域δtfut内纵向和横向位置的向量化表示，actionm代表其他车驾驶行为，m代表预设的离散的驾驶行为的个数，m为预设的离散的驾驶行为的编号，model()代表不同actionm对应的预测模型。[0028]优选的，所述建立所述未来时域内的多维空间占用栅格网络图包括：[0029]将所述其他车辆的运动轨迹映射到多维空间占用栅格图msogm中；[0030]对映射的轨迹点进行高斯噪声处理。[0031]优选的，所述对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息包括：[0032]计算两辆车需要保持的横向安全间距和纵向安全间距；[0033]其中，后车cr应该与前车cf保持的纵向安全距离d0,lon为：[0034][0035]其中，vr代表后车初始时刻纵向速度，vf代表前车初始时刻纵向速度，ρ代表反应时间，amax,accel,lon代表车辆的最大纵向前进加速度，amin,brake,lon代表车辆的最小纵向制动加速度，amax,brake,lon代表车辆的最大纵向制动加速度；[0036]左车cl应与右车cr保持的最小横向安全距离d0,lat为：[0037][0038]其中，μ代表两车为保持安全需要保持的最小横向间距，v1代表左侧车辆的初始时刻横向速度，v2代表右侧车辆的初始时刻横向速度，v1,ρ代表经过时间ρ后的左车横向速度且v1,ρ＝v1+ρamax,accel,lat，amax,accel,lat代表车辆的最大横向加速度，v2,ρ代表经过时间ρ后的右车横向速度且v2,ρ＝v2-ρamax,accle,lat，amin,brake,lat代表车辆的最小横向加速度。[0039]优选的，所述对轨迹对进行冲突行为检查包括：[0040]冲突行为conflicti,j的判断依据为：[0041][0042]当conflicti,j值为1时表示预测的轨迹对具有冲突行为；[0043]其中，分别表示编号为i的车辆在时刻t的纵向和横向坐标，分别表示编号为j的车辆在时刻t的纵向和横向坐标；k1,k2代表安全距离系数且k1,k2∈r，r代表实数。[0044]优选的，所述对筛选出的具有冲突行为的轨迹对进行重新预测包括：[0045]对于具有冲突行为的车辆结合rss原则输出其相应的驾驶行为：[0046][0047]actionrea代表具有冲突行为的车辆经过rss原则分析后所得的修正驾驶行为，代表编号为n的车辆对应actionrea下重预测的轨迹；[0048]将重预测的轨迹重新投影至多维空间占用栅格图msogm中，得到新的msogm。[0049]作为一种优选示例，本发明的自动驾驶车辆运动规划方法还可以包括：[0050]若重新预测的计算时间超过预设的门限，则重新预测。[0051]优选的，所述根据重新预测的结果规划车辆运动路径包括：[0052]根据所述新的msogm、预设的目标函数和约束条件规划车辆运动路径；[0053]其中，所述新的msogm为：[0054]msogm＝[xts,yts,tts][0055]xts＝[xk],k∈[xmin,xmax][0056]yts＝[yl],l∈[ymiin,ymax][0057]tts＝[to],o∈[t0,t0+δtfut][0058]其中，xts,yts,tts依次表示预测时域msogm纵向坐标维度、横向坐标维度和预测时域维度的向量表示，xk为纵向位置、yl为横向位置、to为时间维度上的坐标刻度，xmin,xmax依次代表x维度的最小、最大值、ymin,ymax依次代表y维度的最小、最大值，t0,t0+δtpre依次代表t维度的最小、最大值；[0059]所述预设的目标函数和约束条件为：[0060][0061]pathrisk代表每条路径的综合风险值，代表t时刻本车与最近邻车辆j的纵向间距，代表t时刻本车与最近邻车辆j的横向间距，分别代表本车在t时刻的纵向位置、横向位置，分别代表t时刻与本车最近邻车辆j的纵向位置、横向位置，k,q代表距离风险系数，且k,q∈r，r为实数。[0062]使用本发明提供的基于轨迹重预测的自动驾驶车辆运动规划方法，第一部分是从感知模块中提出相关特征并进行预处理。第二部分是设计合理的深度神经网络，使得该深度神经网络能够输出周围车辆的驾驶行为，并且输出结果中包含相应的置信度。第三部分是建立预测时域内的多维空间占用栅格图，并将预测时域内的轨迹投影到msogm中，同时也将预测轨迹的不确定用高斯分布表示并一同投影至msogm中。第四部分是建立预测轨迹对冲突检查体系，结合rss模型计算所得的横纵向安全间距对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息。第五部分是对冲突轨迹对的相关车辆进行情景分析，即确定预测时域内具有冲突行为车辆的后续驾驶行为，并结合驾驶行为和预训练的模型重新预测车辆轨迹。第六部分是在已经进行冲突行为检查和重预测的msogm中规划出满足约束条件的路径。本发明实施例提供的自动驾驶车辆运动规划，能有效提高轨迹预测的精度，并提高可靠性和可信度。[0063]第二方面，本技术实施例还提供一种基于轨迹重预测的自动驾驶车辆运动规划装置，包括：[0064]预处理模块，被配置用于确定预设的特征，并对所述预设的特征进行预处理；[0065]神经网络模块，被配置用于确定深度神经网络，所述深度神经网络用于预测未来时域δtfut内的其他车辆的运动轨迹；[0066]网格图模块，被配置用于建立所述未来时域δtfut内的多维空间占用栅格网络图；[0067]冲突检查模块，被配置用于对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息；[0068]重预测模块，被配置用于对筛选出的具有冲突行为的轨迹对进行重新预测；[0069]规划模块，被配置用于根据重新预测的结果规划车辆运动路径。[0070]第三方面，本技术实施例还提供一种基于轨迹重预测的自动驾驶车辆运动规划装置，包括：存储器、处理器和用户接口；[0071]所述存储器，用于存储计算机程序；[0072]所述用户接口，用于与用户实现交互；[0073]所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程序时，实现本发明提供的自动驾驶车辆运动规划方法。[0074]第四方面，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现本发明提供的自动驾驶车辆运动规划方法。附图说明[0075]为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域的普通技术人员来讲，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他的附图。[0076]图1为本技术实施例提供的基于轨迹重预测的自动驾驶车辆运动规划示意图之一；[0077]图2为本技术实施例提供的基于轨迹重预测的自动驾驶车辆运动规划示意图之二；[0078]图3为本技术实施例提供的驾驶行为建模及行驶方向示意图；[0079]图4为本技术实施例提供的基于驾驶行为的他车轨迹预测神经网络示意图；[0080]图5为本技术实施例提供的预测轨迹在msogm中投影示意图；[0081]图6为本技术实施例提供的基于轨迹重预测的自动驾驶车辆运动规划装置结构示意图之一；[0082]图7为本技术实施例提供的基于轨迹重预测的自动驾驶车辆运动规划装置结构示意图之二。具体实施方式[0083]为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。[0084]下面对文中出现的一些词语进行解释：[0085]1、本发明实施例中术语“和/或”，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：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。[0086]2、本技术实施例中术语“多个”是指两个或两个以上，其它量词与之类似。[0087]3、dnn，深度神经网络deep neural networks；[0088]4、msogm，多维空间占用栅格图multidimensional space occupancy grid mapping；[0089]5、rss，责任敏感安全responsibility sensitive safety模型；[0090]6、他车，即除实施本发明实施例的本车之外的其他车辆；[0091]7、本技术中，重预测和重新预测是相同的概念；[0092]8、本技术中，他车和其他车是相同的概念。[0093]基于瞬时状态的规划方法是指规划模块仅考虑当前时刻的周围交通环境信息，进而寻找满足约束条件期望范围内的连续路径点，例如以dijkstra算法和a*算法为基础的空间搜索规划方法，快速扩展随机树(rapidly-exploring random tree,rrt)算法、hybrid a*算法等。但是基于瞬时状态的规划方法没有考虑到交通参与者的动态变化，规划出的运动路径不能满足未来交通局面下的安全性需求。[0094]基于长时预测的规划方法是指规划模块考虑了周围交通环境未来一段时间内的变化，例如交通参与者的运动路径变化趋势、交通信号灯的状态等，通过计算碰撞概率或时空维度建模选择安全系数较强的路径，此类方法能够对未来一段时间内交通场景的演变来规划自己的运动路径，具有预见性，但是此类方法对预测精度要求较高，对其他交通参与者的轨迹预测精度会直接影响规划路径可靠性与安全性。[0095]针对上述规划方法中他车的轨迹预测结果精度不高，可信度低、可靠性难以衡量的问题，本发明实施例提出了一种基于轨迹重预测的自动驾驶车辆运动规划方法。依据责任敏感安全(responsibility sensitive safety,rss)模型建立对预测系统输出的他车轨迹进行可靠性检查，并对可靠性不满足预设条件的轨迹进行重预测，从而提高轨迹预测的精度，并提高可靠性和可信度，最终增强本车运动规划路径的安全性。[0096]本发明实施例提供的基于轨迹重预测的自动驾驶车辆运动规划方法包括六个部分：第一部分是从感知模块中提出相关特征并进行预处理。第二部分是设计合理的深度神经网络，使得该深度神经网络能够输出周围车辆的驾驶行为，并且输出结果中包含相应的置信度。第三部分是建立预测时域内的多维空间占用栅格图，并将预测时域内的轨迹投影到msogm中，同时也将预测轨迹的不确定用高斯分布表示并一同投影至msogm中。第四部分是建立预测轨迹对冲突检查体系，结合rss模型计算所得的横纵向安全间距对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息。第五部分是对冲突轨迹对的相关车辆进行情景分析，即确定预测时域内具有冲突行为车辆的后续驾驶行为，并结合驾驶行为和预训练的模型重新预测车辆轨迹。第六部分是在已经进行冲突行为检查和重预测的msogm中规划出满足约束条件的路径。[0097]下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，并不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。[0098]需要说明的是，本技术实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。[0099]实施例一[0100]参见图1，本技术实施例提供的一种基于轨迹重预测的自动驾驶车辆运动规划方法示意图，如图1所示，该方法包括步骤s101到s106：[0101]s101、确定预设的特征，并对所述预设的特征进行预处理；[0102]作为一种优选示例，预设的特征包括以下之一或者组合：[0103]纵向位置x，横向位置y、速度v、加速度a、偏航角yaw、与前车间距df、前车种类tf、道路类型r。即预设的特征包括上述特征中的一个或者多个。[0104]作为一个优选示例，预设的特征包括上述全部特征，并满足以下关系：[0105][0106]其中，n代表车辆编号，n代表周围车辆总数，依次分别代表编号为n的车辆在t时刻的纵向位置、横向位置、速度、加速度、偏航角、与前车间距、前车种类和道路类型，δtpast代表设定的历史时间，pastn表示δtpast时间段内编号为n的车辆行驶信息的向量化表示，t0表示当前时刻，past表示周围所有车辆的历史行驶信息总和。[0107]作为一种优选示例，预处理包括：将所述前车种类tf、所述道路类型r数值化表示并对周围所有车辆的历史行驶信息总和past作标准化处理。作为另一种优选示例，预处理还可以包括对上述预设的特征进行标准化和/或归一化处理，以消除不同量纲的特征带来的影响。[0108]s102、确定深度神经网络，所述深度神经网络用于预测未来时域δtfut内的其他车辆的运动轨迹；[0109]作为一种优选示例，编号为n的车辆未来时域的运动轨迹pren为：[0110][0111]其中，xn,yn分别为编号为n的车辆在未来时域δtfut内纵向和横向位置的向量化表示，actionm代表其他车驾驶行为，m代表预设的离散的驾驶行为的个数，m为预设的离散的驾驶行为的编号，model()代表不同actionm对应的预测模型。[0112]作为一种优选示例，本发明实施例提供的深度神经网络如图4所示，其中多层感知机(multilayer perceptron,mlp)指的是多层神经网络(neural network,nn)的叠加，lstm-encoder和lstm-decoder代表由基本的lstm单元所组成的编码器(encoder)、解码器(decoder)神经网络结构。[0113]作为一种优选示例，本明实施例提供的深度神经网络还可以划分为以下子部分：[0114](21)针对周围车辆历史信息的编码模块；[0115](22)基于长短期记忆神经网络(long short-term memory,lstm)的预测模块，针对不同驾驶行为的历史数据预训练不同的模型；[0116](23)针对周围车辆行为意图的识别模块；[0117](24)结合周围车辆的意图和历史轨迹，输出不同驾驶行为(意图)下的轨迹预测结果，并赋予置信度水平。[0118]s103、建立所述未来时域δtfut内的多维空间占用栅格网络图；[0119]作为一种优选示例，建立所述未来时域内的多维空间占用栅格网络图包括：将所述其他车辆的运动轨迹映射到多维空间占用栅格图msogm中；对映射的轨迹点进行高斯噪声处理。[0120]作为一种优选示例，未来时域δtfut内的多维空间占用栅格网络图还可以由以下两部分组成：[0121](31)建立预测时域内的多维空间；[0122](32)针对预测所得轨迹，结合高斯噪声表示预测结果的不确定性。[0123]作为一种优选示例，建立所述未来时域δtfut内的多维空间占用栅格网络图即为s102中得到的其他车辆的运动轨迹迹映射到msogm中，如图5所示，两条线分别代表某两辆车在预测时域内的轨迹，pre1、pre2分别表示编号为1、2的车辆在预测时域的轨迹点，然后对映射的轨迹点进行高斯噪声处理，以描述预测结果的不确定性。[0124]s104、对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息；[0125]作为一种优选示例，本步骤可以分为以下部分：[0126](41)基于rss的安全间距模型建立。利用rss模型，结合具体情况传入模型参数，计算应保持的横纵向安全间距；[0127](42)对所有的轨迹对进行冲突检查，检查标准为横纵向安全间距；[0128](43)筛选出具有冲突行为的轨迹对，并记录相应车辆信息。[0129]作为一种优选示例，本步骤s104可以包括：[0130]计算两辆车需要保持的横向安全间距和纵向安全间距；[0131]其中，后车cr应该与前车cf保持的纵向安全距离d0,lon为：[0132][0133]其中，vr代表后车初始时刻纵向速度，vf代表前车初始时刻纵向速度，ρ代表反应时间，amax,accel,lon代表车辆的最大纵向前进加速度，amin,brake,lon代表车辆的最小纵向制动加速度，amax,brake,lon代表车辆的最大纵向制动加速度；[0134]左车cl应与右车cr保持的最小横向安全距离d0,lat为：[0135][0136]其中，μ代表两车为保持安全需要保持的最小横向间距，v1代表左侧车辆的初始时刻横向速度，v2代表右侧车辆的初始时刻横向速度，v1,ρ代表经过时间ρ后的左车横向速度且v1,ρ＝v1+ρamax,accel,lat，amax,accel,lat代表车辆的最大横向加速度，v2,ρ代表经过时间ρ后的右车横向速度且v2,ρ＝v2-ρamax,accle,lat，amin,brake,lat代表车辆的最小横向加速度。[0137]作为一种优选示例，冲突行为检查包括：[0138]冲突行为conflicti,j的判断依据为：[0139][0140]当conflicti,j值为1时表示预测的轨迹对具有冲突行为；[0141]其中，分别表示编号为i的车辆在时刻t的纵向和横向坐标，分别表示编号为j的车辆在时刻t的纵向和横向坐标；k1,k2代表安全距离系数且k1,k2∈r，r代表实数。[0142]s105、对筛选出的具有冲突行为的轨迹对进行重新预测；[0143]本实施例中，对筛选出的具有冲突行为的轨迹对进行重新预测可以包括以下部分：[0144](51)结合rss的基本原则对具有冲突行为的相关车辆进行冲突行为检查，包括从不会在后方撞向他车、不要鲁莽加塞(cut-in)等驾驶原则；[0145](52)输出相应车辆应采取的驾驶行为，并赋予置信度水平；[0146](53)根据相应的驾驶行为对原有轨迹进行重预测；[0147](54)循环进行轨迹对冲突行为检查，直至没有冲突或超过预测系统时限。[0148]作为一种优选示例，所述对筛选出的具有冲突行为的轨迹对进行重新预测也可以包括：[0149]对于具有冲突行为的车辆结合rss原则输出其相应的驾驶行为：[0150][0151]actionrea代表具有冲突行为的车辆经过rss原则分析后所得的修正驾驶行为，代表编号为n的车辆对应actionrea下重预测的轨迹；[0152]将重预测的轨迹重新投影至多维空间占用栅格图msogm中，得到新的msogm。[0153]作为另一种优选示例，在本步骤之后还可以包括对重预测时间的限定，如图2所示：[0154]s1052：判断重新预测的计算时间是否超过预设的门限，即判断重新预测的计算是否超时，若超时则回到s101，即从头重新进行运动规划过程；若未超时，则执行s106。[0155]也就是说，如果在预定的时间范围内完成重预测，则根据重新预测的结果规划车辆运动路径；如果未在预定的时间范围内完成重预测，则放弃本次重预测的尝试，回到s101重新开始运动规划过程。[0156]s106、根据重新预测的结果规划车辆运动路径。[0157]作为一种优选示例，本步骤可以分为以下部分：[0158](61)根据不同驾驶目的，确定规划路径的限制；[0159](62)从所有符合要求的规划路径中选取最安全的路径。[0160]作为一种优选示例，本步骤中，所述根据重新预测的结果规划车辆运动路径可以包括：[0161]根据所述新的msogm、预设的目标函数和约束条件规划车辆运动路径；[0162]其中，所述新的msogm为：[0163]msogm＝[xts,yts,tts][0164]xts＝[xk],k∈[xmin,xmax][0165]yts＝[yl],l∈[ymiin,ymax][0166]tts＝[to],o∈[t0,t0+δtfut][0167]其中，xts,yts,tts依次表示预测时域msogm纵向坐标维度、横向坐标维度和预测时域维度的向量表示，xk为纵向位置、yl为横向位置、to为时间维度上的坐标刻度，xmin,xmax依次代表x维度的最小、最大值、ymin,ymax依次代表y维度的最小、最大值，t0,t0+δtpre依次代表t维度的最小、最大值；[0168]所述预设的目标函数和约束条件为：[0169][0170]pathrisk代表每条路径的综合风险值，代表t时刻本车与最近邻车辆j的纵向间距，代表t时刻本车与最近邻车辆j的横向间距，分别代表本车在t时刻的纵向位置、横向位置，分别代表t时刻与本车最近邻车辆j的纵向位置、横向位置，k,q代表距离风险系数，且k,q∈r，r为实数。[0171]也就是说，本步骤在msogm中找到满足目标函数和约束条件的解，即为重新规划的运动路径。[0172]通过本实施例的方法，首先获取dnn需要的输入特征，然后对特征数据进行预处理，并设计合理的dnn实现对他车不同的驾驶行为分别输出对应轨迹，并赋予每条轨迹相应的置信度，以此来弥补预测本身具有的不确定性。其次，建立msogm并将车辆位姿与预测时域内的轨迹投影到msogm中，同时将预测轨迹用高斯分布再次拟合轨迹点分布的不确定性，并一同投影到msogm中。然后，根据rss对所有的轨迹对进行冲突行为检查，以此来筛选不符合现实场景的预测轨迹，并对冲突轨迹对进行基于现实场景的重预测，提升预测结果的可靠性与客观性。最终，在msogm中，按照规划的约束要求找到满足条件的路径，从而提高轨迹预测的精度，并提高可靠性和可信度。[0173]实施例二[0174]基于同一个发明构思，本发明实施例还提供了一种基于轨迹重预测的自动驾驶车辆运动规划装置，如图6所示，该装置包括：[0175]预处理模块601，被配置用于确定预设的特征，并对所述预设的特征进行预处理；[0176]神经网络模块602，被配置用于确定深度神经网络，所述深度神经网络用于预测未来时域δtfut内的其他车辆的运动轨迹；[0177]网格图模块603，被配置用于建立所述未来时域δtfut内的多维空间占用栅格网络图；[0178]冲突检查模块604，被配置用于对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息；[0179]重预测模块605，被配置用于对筛选出的具有冲突行为的轨迹对进行重新预测；[0180]规划模块606，被配置用于根据重新预测的结果规划车辆运动路径。[0181]作为一种优选示例，预处理模块601还用于根据以下方式对预设的特征进行预处理：[0182]所述预设的特征包括以下之一或者组合：[0183]纵向位置x，横向位置y、速度v、加速度a、偏航角yaw、与前车间距df、前车种类tf、道路类型r；[0184]所述预设的特征满足以下关系：[0185][0186]其中，n代表车辆编号，n代表周围车辆总数，依次分别代表编号为n的车辆在t时刻的纵向位置、横向位置、速度、加速度、偏航角、与前车间距、前车种类和道路类型，δtpast代表设定的历史时间，pastn表示δtpast时间段内编号为n的车辆行驶信息的向量化表示，t0表示当前时刻，past表示周围所有车辆的历史行驶信息总和。[0187]所述预处理包括：[0188]将所述前车种类tf、所述道路类型r数值化表示并对周围所有车辆的历史行驶信息总和past作标准化处理。[0189]作为一种优选示例，神经网络模块602还用于根据以下方式预测未来时域δtfut内的其他车辆的运动轨迹：[0190]编号为n的车辆未来时域的运动轨迹pren为：[0191]pren＝[xn,yn]＝model(pastn,actionm)[0192][0193]actionm＝[1,2,...,m],m≥1[0194]其中，xn,yn分别为编号为n的车辆在未来时域δtfut内纵向和横向位置的向量化表示，actionm代表其他车驾驶行为，m代表预设的离散的驾驶行为的个数，m为预设的离散的驾驶行为的编号，model()代表不同actionm对应的预测模型。[0195]作为一种优选示例，网格图模块603还用于根据以下方式建立所述未来时域内的多维空间占用栅格网络图：[0196]将所述其他车辆的运动轨迹映射到多维空间占用栅格图msogm中；[0197]对映射的轨迹点进行高斯噪声处理。[0198]作为一种优选示例，冲突检查模块604还用于根据以下方式对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息：[0199]计算两辆车需要保持的横向安全间距和纵向安全间距；[0200]其中，后车cr应该与前车cf保持的纵向安全距离d0,lon为：[0201][0202]其中，vr代表后车初始时刻纵向速度，vf代表前车初始时刻纵向速度，ρ代表反应时间，amax,accel,lon代表车辆的最大纵向前进加速度，amin,brake,lon代表车辆的最小纵向制动加速度，amax,brake,lon代表车辆的最大纵向制动加速度；[0203]左车cl应与右车cr保持的最小横向安全距离d0,lat为：[0204][0205]其中，μ代表两车为保持安全需要保持的最小横向间距，v1代表左侧车辆的初始时刻横向速度，v2代表右侧车辆的初始时刻横向速度，v1,ρ代表经过时间ρ后的左车横向速度且v1,ρ＝v1+ρamax,accel,lat，amax,accel,lat代表车辆的最大横向加速度，v2,ρ代表经过时间ρ后的右车横向速度且v2,ρ＝v2-ρamax,accle,lat，amin,brake,lat代表车辆的最小横向加速度。[0206]作为一种优选示例，冲突检查模块604还用于根据以下方式对轨迹对进行冲突行为检查：[0207]冲突行为conflicti,j的判断依据为：[0208][0209]当conflicti,j值为1时表示预测的轨迹对具有冲突行为；[0210]其中，分别表示编号为i的车辆在时刻t的纵向和横向坐标，分别表示编号为j的车辆在时刻t的纵向和横向坐标；k1,k2代表安全距离系数且k1,k2∈r，r代表实数。[0211]作为一种优选示例，重预测模块605还用于根据以下方式对筛选出的具有冲突行为的轨迹对进行重新预测：[0212]对于具有冲突行为的车辆结合rss原则输出其相应的驾驶行为：[0213][0214]actionrea代表具有冲突行为的车辆经过rss原则分析后所得的修正驾驶行为，代表编号为n的车辆对应actionrea下重预测的轨迹；[0215]将重预测的轨迹重新投影至多维空间占用栅格图msogm中，得到新的msogm。[0216]作为一种优选示例，规划模块606还用于根据重新预测的结果规划车辆运动路径：[0217]根据所述新的msogm、预设的目标函数和约束条件规划车辆运动路径；[0218]其中，所述新的msogm为：[0219]msogm＝[xts,yts,tts][0220]xts＝[xk],k∈[xmin,xmax][0221]yts＝[yl],l∈[ymiin,ymax][0222]tts＝[to],o∈[t0,t0+δtfut][0223]其中，xts,yts,tts依次表示预测时域msogm纵向坐标维度、横向坐标维度和预测时域维度的向量表示，xk为纵向位置、yl为横向位置、to为时间维度上的坐标刻度，xmin,xmax依次代表x维度的最小、最大值、ymin,ymax依次代表y维度的最小、最大值，t0,t0+δtpre依次代表t维度的最小、最大值；[0224]所述预设的目标函数和约束条件为：[0225][0226]pathrisk代表每条路径的综合风险值，代表t时刻本车与最近邻车辆j的纵向间距，代表t时刻本车与最近邻车辆j的横向间距，分别代表本车在t时刻的纵向位置、横向位置，分别代表t时刻与本车最近邻车辆j的纵向位置、横向位置，k,q代表距离风险系数，且k,q∈r，r为实数。[0227]需要说明的是，本实施例提供的预处理模块601，能实现实施例一中步骤s101包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；[0228]需要说明的是，本实施例提供的神经网络模块602，能实现实施例一中步骤s102包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；[0229]需要说明的是，本实施例提供的网格图模块603，能实现实施例一中步骤s103包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；[0230]需要说明的是，本实施例提供的冲突检查模块604，能实现实施例一中步骤s104包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；[0231]需要说明的是，本实施例提供的重预测模块605，能实现实施例一中步骤s105和s1052包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；[0232]需要说明的是，本实施例提供的规划模块606，能实现实施例一中步骤s106包含的全部功能，解决相同技术问题，达到相同技术效果，在此不再赘述；[0233]需要说明的是，实施例二提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例二提供的装置能实现实施例一的所有方法，相同之处不再赘述。[0234]实施例三[0235]基于同一个发明构思，本发明实施例还提供了一种基于轨迹重预测的自动驾驶车辆运动规划装置，如图7所示，该装置包括：[0236]包括存储器702、处理器701和用户接口703；[0237]所述存储器702，用于存储计算机程序；[0238]所述用户接口703，用于与用户实现交互；[0239]所述处理器701，用于读取所述存储器702中的计算机程序，所述处理器701执行所述计算机程序时，实现：[0240]确定预设的特征，并对所述预设的特征进行预处理；[0241]确定深度神经网络，所述深度神经网络用于预测未来时域δtfut内的其他车辆的运动轨迹；[0242]建立所述未来时域δtfut内的多维空间占用栅格网络图；[0243]对轨迹对进行冲突行为检查，筛选并记录具有冲突行为的轨迹对相关信息；[0244]对筛选出的具有冲突行为的轨迹对进行重新预测；[0245]根据重新预测的结果规划车辆运动路径。[0246]其中，在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器701代表的一个或多个处理器和存储器702代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。处理器701负责管理总线架构和通常的处理，存储器702可以存储处理器701在执行操作时所使用的数据。[0247]处理器701可以是cpu、asic、fpga或cpld，处理器501也可以采用多核架构。[0248]处理器701执行存储器702存储的计算机程序时，实现实施例一中的任一基于轨迹重预测的自动驾驶车辆运动规划方法。[0249]需要说明的是，实施例三提供的装置与实施例一提供的方法属于同一个发明构思，解决相同的技术问题，达到相同的技术效果，实施例三提供的装置能实现实施例一的所有方法，相同之处不再赘述。[0250]本技术还提出一种处理器可读存储介质。其中，该处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现实施例一中的任一基于轨迹重预测的自动驾驶车辆运动规划方法。[0251]需要说明的是，本技术实施例中对单元的划分是示意性的，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。另外，在本技术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。[0252]本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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和光学存储器等)上实施的计算机程序产品的形式。[0253]本技术是参照根据本技术实施例的方法、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。[0254]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。[0255]显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!