轨迹规划方法、装置、设备和计算机可读存储介质制造方法及图纸

本申请实施例公开了一种轨迹规划方法、装置、设备和计算机可读存储介质。该方法包括：获取针对目标车辆的多个不同角度的图像和当前时刻的导航指示信息；对多个不同角度的图像进行特征提取并融合，确定当前时刻对应的特征矩阵和历史时刻对应的特征矩阵；根据当前时刻对应的特征矩阵进行网络预测，确定第一特征矩阵，以及根据当前时刻对应的特征矩阵和历史时刻对应的特征矩阵进行网络预测，得到第二特征矩阵；基于第一特征矩阵和第二特征矩阵，融合得到未来时刻对应的特征矩阵；根据当前时刻对应的特征矩阵和未来时刻对应的特征矩阵进行对象分割，得到对象分割结果；根据对象分割结果和导航指示信息进行轨迹规划，得到未来时刻的行驶轨迹。的行驶轨迹。的行驶轨迹。

【技术实现步骤摘要】
轨迹规划方法、装置、设备和计算机可读存储介质


[0001]本申请涉及计算机
，尤其涉及一种轨迹规划方法、装置、设备和计算机可读存储介质。

技术介绍

[0002]随着人工智能的快速发展，使得自动驾驶成为可能。根据大量的图像数据预测周围车辆、行人等轨迹，感知危险，从而提前规划出自动驾驶车辆的行驶轨迹，在交通等领域中有着很重要的意义。
[0003]现有技术中的车辆轨迹预测方案，大多采用激光雷达检测点云数据，结合高精地图提供丰富的交通信息，例如，车道、人行道、信号灯等，对车辆的行驶轨迹进行预测。
[0004]然而，高精地图的构建需要大量的人力物力，无法做到实时更新，由于现有技术的车辆轨迹规划方案中，依赖于激光雷达检测的点云数据以及高精地图，降低了轨迹规划效率。

技术实现思路

[0005]本申请实施例提供了一种轨迹规划方法、装置、设备和计算机可读存储介质，通过提取车辆周围的信息，根据当前信息预测未来信息，根据当前信息和未来信息进行分割，得到车辆周围各种不同类别的物体，结合导航指示进行轨迹规划，完成端到端的预测过程，提高了轨迹规划效率。
[0006]本申请实施例的技术方案是这样实现的：
[0007]第一方面，本申请实施例提供一种轨迹规划方法，所述方法包括：获取针对目标车辆的多个不同角度的图像和当前时刻的导航指示信息；对所述多个不同角度的图像进行特征提取并融合，确定当前时刻对应的特征矩阵和历史时刻对应的特征矩阵；根据所述当前时刻对应的特征矩阵进行网络预测，确定表征不确定性的第一特征矩阵，以及根据所述当前时刻对应的特征矩阵和所述历史时刻对应的特征矩阵进行网络预测，得到第二特征矩阵；基于所述第一特征矩阵和所述第二特征矩阵，融合得到未来时刻对应的特征矩阵；根据所述当前时刻对应的特征矩阵和所述未来时刻对应的特征矩阵进行对象分割，得到对象分割结果；根据所述对象分割结果和所述导航指示信息进行轨迹规划，得到未来时刻的行驶轨迹。
[0008]第二方面，本申请实施例提供一种轨迹规划装置，所述装置包括：获取模块，用于获取针对目标车辆的多个不同角度的图像和当前时刻的导航指示信息；确定模块，用于对所述多个不同角度的图像进行特征提取并融合，确定当前时刻对应的特征矩阵和历史时刻对应的特征矩阵；预测模块，用于根据所述当前时刻对应的特征矩阵进行网络预测，确定表征不确定性的第一特征矩阵，以及根据所述当前时刻对应的特征矩阵和所述历史时刻对应的特征矩阵进行网络预测，得到第二特征矩阵；基于所述第一特征矩阵和所述第二特征矩阵，融合得到未来时刻对应的特征矩阵；分割模块，用于根据所述当前时刻对应的特征矩阵
和所述未来时刻对应的特征矩阵进行对象分割，得到对象分割结果；规划模块，用于根据所述对象分割结果和所述导航指示信息进行轨迹规划，得到未来时刻的行驶轨迹。
[0009]第三方面，本申请实施例提供一种轨迹规划设备，所述设备包括存储器，用于存储可执行指令，处理器，用于执行所述存储器中存储的可执行指令时，实现上述轨迹规划方法。
[0010]第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有可执行指令，用于被处理器执行时，实现上述轨迹规划方法。
[0011]本申请实施例提供了一种轨迹规划方法、装置、设备和计算机可读存储介质。根据本申请实施例提供的方案，获取针对目标车辆的多个不同角度的图像和当前时刻的导航指示信息；对多个不同角度的图像进行特征提取并融合，确定当前时刻对应的特征矩阵和历史时刻对应的特征矩阵，各个时刻的特征矩阵包括目标车辆周围的所有信息，提高了特征矩阵所表达周围信息的全面性。根据当前时刻对应的特征矩阵进行网络预测，确定表征不确定性的第一特征矩阵，以及根据当前时刻对应的特征矩阵和历史时刻对应的特征矩阵进行网络预测，得到第二特征矩阵；基于第一特征矩阵和第二特征矩阵，融合得到未来时刻对应的特征矩阵。根据当前时刻对应的特征矩阵和未来时刻对应的特征矩阵进行对象分割，得到对象分割结果；对象分割结果表示目标车辆周围各种不同类别的物体，以使在规划轨迹时避开这些物体，避免目标车辆与物体发生相撞。根据对象分割结果和导航指示信息进行轨迹规划，得到未来时刻的行驶轨迹，导航指示信息反映了目标车辆在未来时刻将要行驶的路径，结合目标车辆周围的物体进行轨迹规划，完成端到端的预测过程，提高了轨迹规划效率。
附图说明
[0012]图1为本申请实施例提供的一种轨迹规划方法的可选的流程图；
[0013]图2为本申请实施例提供的另一种轨迹规划方法的可选的流程图；
[0014]图3为本申请实施例提供的再一种轨迹规划方法的可选的流程图；
[0015]图4A为本申请实施例提供的一种预测未来的可选的示意图；
[0016]图4B为本申请实施例提供的另一种预测未来的可选的示意图；
[0017]图4C为本申请实施例提供的再一种预测未来的可选的示意图；
[0018]图5为本申请实施例提供的又一种轨迹规划方法的可选的流程图；
[0019]图6为本申请实施例提供的又一种轨迹规划方法的可选的流程图；
[0020]图7为本申请实施例提供的一种轨迹规划的可选的示意图；
[0021]图8为本申请实施例提供的另一种轨迹规划的可选的示意图；
[0022]图9为本申请实施例提供的一种轨迹规划装置的结构示意图；
[0023]图10为本申请实施例提供的一种轨迹规划设备的结构示意图。
具体实施方式
[0024]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。应当理解的是，此处所描述的一些实施例仅仅用以解释本申请的技术方案，并不用于限定本申请的技术范围。
[0025]为便于理解本方案，在对本申请实施例进行说明之前，对本申请实施例中的相关技术进行说明。
[0026]在自动驾驶领域中，在轨迹规划时，通常采用以下两种方案，模块化设计和端到端设计。其中，模块化设计包括三个部分：感知
‑
预测
‑
规划控制。相较于模块化设计，端到端设计能避免级连误差、信息损失等问题，并且规划控制作为自动驾驶终极问题，端到端能够直接聚焦于规划控制，充分优化终端用户的体验。相关技术中主要依赖于激光雷达和高精地图来构建端到端的感知决策一体化，通过输入激光雷达检测得到的点云数据，经过深度网络提取出特征，判断鸟瞰图中每个位置车辆存在的可能性，同时，加上高精地图给予的路面信息，规划出一条符合交通规则，同时不与其他车辆相撞的安全路线。然而激光雷达由于其昂贵的成本很难实际投入生产，而高精地图的构建则需要花费大量的人力、物力，且一旦路面情况发生了变化，该路况信息需要重新采集，降低了高精地图提供路面信息的准确性。
[0027]基于此，本申请实施例提供的轨迹规划方案，采用纯视觉输入的方法，实时构建出当前时刻车辆周围的车辆信息以及路面情况，并将其用于最终的轨迹规划任务。同时，无需事先构建高精地图，在保证最终规划的路线的安全性的前提下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种轨迹规划方法，其特征在于，所述方法包括：获取针对目标车辆的多个不同角度的图像和当前时刻的导航指示信息；对所述多个不同角度的图像进行特征提取并融合，确定当前时刻对应的特征矩阵和历史时刻对应的特征矩阵；根据所述当前时刻对应的特征矩阵进行网络预测，确定表征不确定性的第一特征矩阵，以及根据所述当前时刻对应的特征矩阵和所述历史时刻对应的特征矩阵进行网络预测，得到第二特征矩阵；基于所述第一特征矩阵和所述第二特征矩阵，融合得到未来时刻对应的特征矩阵；根据所述当前时刻对应的特征矩阵和所述未来时刻对应的特征矩阵进行对象分割，得到对象分割结果；根据所述对象分割结果和所述导航指示信息进行轨迹规划，得到未来时刻的行驶轨迹。2.根据权利要求1所述的方法，其特征在于，所述根据所述当前时刻对应的特征矩阵进行网络预测，确定表征不确定性的第一特征矩阵，以及根据所述当前时刻对应的特征矩阵和所述历史时刻对应的特征矩阵进行网络预测，得到第二特征矩阵；基于所述第一特征矩阵和所述第二特征矩阵，融合得到未来时刻对应的特征矩阵，包括：利用预设的第一时间序列模型，对所述当前时刻对应的特征矩阵进行未来预测，得到未来时刻对应的第一特征矩阵；利用预设的第二时间序列模型，对所述历史时刻对应的特征矩阵和所述当前时刻对应的特征矩阵进行未来预测，得到未来时刻对应的第二特征矩阵；利用预设的混合预测网络，对所述第一特征矩阵和所述第二特征矩阵进行融合，得到所述未来时刻对应的特征矩阵。3.根据权利要求2所述的方法，其特征在于，所述利用预设的第一时间序列模型，对所述当前时刻对应的特征矩阵进行未来预测，得到未来时刻对应的第一特征矩阵，包括：利用所述预设的第一时间序列模型，对所述当前时刻对应的特征矩阵进行处理，生成未来不确定概率矩阵；对所述未来不确定概率矩阵和所述当前时刻对应的特征矩阵进行未来预测，得到所述未来时刻对应的第一特征矩阵。4.根据权利要求3所述的方法，其特征在于，所述对所述未来不确定概率矩阵和所述当前时刻对应的特征矩阵进行未来预测，得到所述未来时刻对应的第一特征矩阵，包括：利用所述第一时间序列模型和所述未来不确定概率矩阵，对所述当前时刻对应的特征矩阵进行预测，得到当前时刻的第一隐层状态；对所述当前时刻的第一隐层状态进行解码，得到当前时刻的下一时刻的第一特征预测矩阵；继续利用所述第一时间序列模型和所述未来不确定概率矩阵，对所述下一时刻的第一特征预测矩阵进行预测，直至完成对所述未来时刻的最后时刻的特征矩阵预测时为止，得到所述多个在当前时刻之后的时刻的第一特征预测矩阵；将所述多个在当前时刻之后的时刻的第一特征预测矩阵，作为所述未来时刻对应的第一特征矩阵。
5.根据权利要求2所述的方法，其特征在于，所述历史时刻包括多个在当前时刻之前的时刻，所述未来时刻包括多个在当前时刻之后的时刻；所述利用预设的第二时间序列模型，对所述历史时刻对应的特征矩阵和所述当前时刻对应的特征矩阵进行未来预测，得到未来时刻对应的第二特征矩阵，包括：利用所述第二时间序列模型和初始状态，对所述历史时刻中的第一时刻对应的特征矩阵进行预测，得到所述历史时刻中的第一时刻的隐层状态；利用所述第二时间序列模型和所述第一时刻的隐层状态，对所述历史时刻中的第二时刻对应的特征矩阵进行预测，得到所述历史时刻中的第二时刻的隐层状态；所述第二时刻为所述第一时刻的下一个时刻；继续基于所述第二时间序列模型和所述第二时刻的隐层状态，对第三时刻对应的特征矩阵进行预测，直至完成对所述当前时刻的特征矩阵预测时为止，得到当前时刻的第二隐层状态；对所述当前时刻的第二隐层状态进行解码，得到当前时刻的下一时刻的第二特征预测矩阵；基于所述第二时间序列模型和所述当前时刻的第二隐层状态，对当前时刻的下一时刻的第二特征预测矩阵进行预测，得到所述下一时刻的第二隐层状态；继续基于所述第二时间序列模型和所述下一时刻的第二隐层状态，对所述下一时刻的下一时刻的第二特征预测矩阵进行预测，直至完成对所述未来时刻的最后时刻的特征矩阵预测时为止，得到所述多个在当前时刻之后的时刻的第二特征预测矩阵；将所述多个在当前时刻之后的时刻的第二特征预测矩阵，作为所述未来时刻对应的第二特征矩阵。6.根据权利要求1所述的方法，其特征在于，所述根据所述对象分割结果和所述导航指示信息进行轨迹规划，得到未来时刻的行驶轨迹，包括：获取所述目标车辆的动力学状态信息；根据所述动力学状态信息，生成多个方向的多个行驶轨迹；根据所述对象分割结果，确定代价矩阵；所述代价矩阵表征...

【专利技术属性】
技术研发人员：陈立，胡胜超，李弘扬，李阳，严骏驰，
申请(专利权)人：上海人工智能创新中心，
类型：发明
国别省市：