车辆运动状态响应的预测方法及其相关装置制造方法及图纸

本申请涉及一种车辆运动状态响应的预测方法及其相关装置。其中，该方法包括：根据车辆在当前时刻之前的历史控制量，以及车辆响应于历史控制量产生的历史运动状态响应量，提取车辆在当前时刻的运动状态编码特征；对车辆在当前时刻的期望控制量进行特征编码，并映射为与运动状态编码特征相同的特征维度，作为车辆在当前时刻之后的期望控制量编码特征，其中，期望控制量用于控制车辆在当前时刻之后的运动状态响应量；融合运动状态编码特征和期望控制量编码特征，得到融合特征；对融合特征进行解码，获得车辆在当前时刻之后的预测运动状态响应量。通过本申请，实现了车辆的运动状态响应的预测。的预测。的预测。

【技术实现步骤摘要】
车辆运动状态响应的预测方法及其相关装置


[0001]本申请涉及车辆控制领域，特别是涉及车辆运动状态响应的预测方法及其相关装置。

技术介绍

[0002]随着自动驾驶的发展，对于车辆运动状态的预测方法应运而生。在自动驾驶领域中，往往通过车辆上的行车雷达等传感器获取附近的环境、车辆及其当前的运动状况等信息，以预测附近车辆在未来的位置、运动路线等信息，以控制或者辅助车辆的驾驶。
[0003]专利技术人在研究过程中发现，车辆的运动状态响应与控制量之间的关系呈现出复杂性而并非总是保持线性关系，例如，当车辆处于不同的速度和角速度时，对车辆施加的相同控制量可能出现不同的车速或角速度的状态响应结果。实现车辆运动状态响应的准确预测，有助于驾驶员或者自动驾驶系统根据车辆当前所处的运动状态来准确施加控制量，以使得车辆在施加了控制量后能够运行在驾驶员或者自动驾驶系统期望的运动状态下，从而提高驾驶安全性。
[0004]然而，针对如何预测车辆的运动状态响应的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本实施例提供的车辆运动状态响应的预测方法及其相关装置，至少解决如何预测车辆的运动状态响应的问题。
[0006]一种车辆运动状态响应的预测方法，包括：
[0007]根据车辆在当前时刻之前的历史控制量，以及所述车辆响应于所述历史控制量产生的历史运动状态响应量，提取所述车辆在当前时刻的运动状态编码特征；
[0008]对所述车辆在当前时刻的期望控制量进行特征编码，并映射为与所述运动状态编码特征相同的特征维度，作为所述车辆在当前时刻之后的期望控制量编码特征，其中，所述期望控制量用于控制所述车辆在当前时刻之后的运动状态响应量；
[0009]融合所述运动状态编码特征和所述期望控制量编码特征，得到融合特征；
[0010]对所述融合特征进行解码，获得所述车辆在当前时刻之后的预测运动状态响应量。
[0011]在其中的一些实施例中，
[0012]在根据车辆在当前时刻之前的历史控制量，以及所述车辆响应于所述历史控制量产生的历史运动状态响应量，提取所述车辆在当前时刻的运动状态编码特征之前，所述方法还包括：对所述历史控制量和所述历史运动状态响应量进行采样，获得历史控制量序列和历史运动状态响应量序列，按照所述历史控制量序列和所述历史运动状态响应量序列中各元素对应的采样时间融合所述历史控制量序列和所述历史运动状态响应量序列，得到融合序列；
[0013]根据车辆在当前时刻之前的历史控制量，以及所述车辆响应于所述历史控制量产
生的历史运动状态响应量，提取所述车辆在当前时刻的运动状态编码特征包括：根据所述融合序列，提取所述车辆在当前时刻的运动状态编码特征。
[0014]在其中的一些实施例中，所述运动状态编码特征采用基于人工神经网络的第一编码器提取，所述第一编码器包括输入层、隐藏层和输出层；其中，根据所述融合序列，提取所述车辆在当前时刻的运动状态编码特征包括：
[0015]将所述融合序列从所述输入层输入；
[0016]对于每个隐藏层：
[0017]在当前隐藏层的上一层为所述输入层时，根据所述输入层中第t时刻至第t
‑
n时刻对应的n+1个节点的输入数据和所述输出层中第t
‑
1时刻对应的节点的输出结果，获取当前隐藏层中与第t时刻对应的节点的隐藏状态；
[0018]在当前隐藏层的上一层为隐藏层时，根据上一层的隐藏层中第t时刻至第t
‑
n时刻对应的n+1个节点的隐藏状态，获取当前隐藏层中与第t时刻对应的节点的隐藏状态；
[0019]在当前隐藏层的下一层为输出层时，由所述输出层中第t时刻对应的节点处理当前隐藏层的隐藏状态并获得输出结果，作为所述车辆在第t时刻的运动状态编码特征。
[0020]在其中的一些实施例中，所述运动状态编码特征采用基于人工神经网络的第一编码器提取，所述第一编码器包括输入层、隐藏层和输出层；其中，根据所述融合序列，提取所述车辆在当前时刻的运动状态编码特征包括：
[0021]将所述融合序列从所述输入层输入；
[0022]对于每个隐藏层：
[0023]在当前隐藏层的上一层为所述输入层时，根据所述输入层中第t时刻至第t
‑
n时刻对应的n+1个节点的输入数据和所述输出层中第t
‑
1时刻对应的节点的输出结果，获取当前隐藏层中与第t时刻对应的节点的隐藏状态；
[0024]在当前隐藏层的上一层为隐藏层时，在上一层的隐藏层中第t时刻至第t
‑
n时刻对应的节点的隐藏状态中，按照相等的时间间隔选取n+1个隐藏状态，以及根据选取的n+1个隐藏状态，获取当前隐藏层中与第t时刻对应的节点的隐藏状态，其中，所述时间间隔随隐藏层层数逐层增大；
[0025]在当前隐藏层的下一层为输出层时，由所述输出层中第t时刻对应的节点处理当前隐藏层的隐藏状态并获得输出结果，作为所述车辆在第t时刻的运动状态编码特征。
[0026]在其中的一些实施例中，在由所述输出层中第t时刻对应的节点处理当前隐藏层的隐藏状态并获得输出结果，作为所述车辆在第t时刻的运动状态编码特征之后，所述方法还包括：
[0027]在所述输出层包括对应于未来时刻的节点的情况下，从所述输出层的输出结果中剪除所述未来时刻的节点的输出结果；以及
[0028]从所述输出层的输出结果中截取与当前时刻至历史时刻之间预设数量个输出结果作为所述运动状态编码特征。
[0029]在其中的一些实施例中，所述期望控制量编码特征采用基于人工神经网络的第二编码器提取，所述第二编码器包括输入层、隐藏层和输出层；其中，对所述期望控制量进行特征编码，并映射为与所述运动状态编码特征相同的特征维度，作为所述车辆在当前时刻之后的期望控制量编码特征包括：
[0030]对所述期望控制量进行采样，获得期望控制量序列；
[0031]将所述期望控制量序列从所述输入层输入；
[0032]对于每个隐藏层：
[0033]在当前隐藏层的上一层为所述输入层时，根据所述输入层中所有节点的输入数据，获取当前隐藏层中各节点的隐藏状态；
[0034]在当前隐藏层的上一层为隐藏层时，根据上一层的隐藏层中所有节点的隐藏状态，获取当前隐藏层中各节点的隐藏状态；
[0035]在当前隐藏层的下一层为输出层时，由所述输出层处理当前隐藏层中各节点的隐藏状态并获得输出结果，作为所述期望控制量编码特征，其中，所述输出层的节点个数与所述运动状态编码特征的特征维度数相同。
[0036]在其中的一些实施例中，融合所述运动状态编码特征和所述期望控制量编码特征，得到融合特征包括：
[0037]将所述运动状态编码特征和所述期望控制量编码特征通过并行策略融合，得到所述融合特征。
[0038]在其中的一些实施例中，所述预测运动状态响应量采用基于人工神经网络的解码器解码；所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆运动状态响应的预测方法，其特征在于，包括：根据车辆在当前时刻之前的历史控制量，以及所述车辆响应于所述历史控制量产生的历史运动状态响应量，提取所述车辆在当前时刻的运动状态编码特征；对所述车辆在当前时刻的期望控制量进行特征编码，并映射为与所述运动状态编码特征相同的特征维度，作为所述车辆在当前时刻之后的期望控制量编码特征，其中，所述期望控制量用于控制所述车辆在当前时刻之后的运动状态响应量；融合所述运动状态编码特征和所述期望控制量编码特征，得到融合特征；对所述融合特征进行解码，获得所述车辆在当前时刻之后的预测运动状态响应量。2.根据权利要求1所述的方法，其特征在于，在根据车辆在当前时刻之前的历史控制量，以及所述车辆响应于所述历史控制量产生的历史运动状态响应量，提取所述车辆在当前时刻的运动状态编码特征之前，所述方法还包括：对所述历史控制量和所述历史运动状态响应量进行采样，获得历史控制量序列和历史运动状态响应量序列，按照所述历史控制量序列和所述历史运动状态响应量序列中各元素对应的采样时间融合所述历史控制量序列和所述历史运动状态响应量序列，得到融合序列；根据车辆在当前时刻之前的历史控制量，以及所述车辆响应于所述历史控制量产生的历史运动状态响应量，提取所述车辆在当前时刻的运动状态编码特征包括：根据所述融合序列，提取所述车辆在当前时刻的运动状态编码特征。3.根据权利要求2所述的方法，其特征在于，所述运动状态编码特征采用基于人工神经网络的第一编码器提取，所述第一编码器包括输入层、隐藏层和输出层；其中，根据所述融合序列，提取所述车辆在当前时刻的运动状态编码特征包括：将所述融合序列从所述输入层输入；对于每个隐藏层：在当前隐藏层的上一层为所述输入层时，根据所述输入层中第t时刻至第t
‑
n时刻对应的n+1个节点的输入数据和所述输出层中第t
‑
1时刻对应的节点的输出结果，获取当前隐藏层中与第t时刻对应的节点的隐藏状态；在当前隐藏层的上一层为隐藏层时，根据上一层的隐藏层中第t时刻至第t
‑
n时刻对应的n+1个节点的隐藏状态，获取当前隐藏层中与第t时刻对应的节点的隐藏状态；在当前隐藏层的下一层为输出层时，由所述输出层中第t时刻对应的节点处理当前隐藏层的隐藏状态并获得输出结果，作为所述车辆在第t时刻的运动状态编码特征。4.根据权利要求2所述的方法，其特征在于，所述运动状态编码特征采用基于人工神经网络的第一编码器提取，所述第一编码器包括输入层、隐藏层和输出层；其中，根据所述融合序列，提取所述车辆在当前时刻的运动状态编码特征包括：将所述融合序列从所述输入层输入；对于每个隐藏层：在当前隐藏层的上一层为所述输入层时，根据所述输入层中第t时刻至第t
‑
n时刻对应的n+1个节点的输入数据和所述输出层中第t
‑
1时刻对应的节点的输出结果，获取当前隐藏层中与第t时刻对应的节点的隐藏状态；在当前隐藏层的上一层为隐藏层时，在上一层的隐藏层中第t时刻至第t
‑
n时刻对应的
节点的隐藏状态中，按照相等的时间间隔选取n+1个隐藏状态，以及根据选取的n+1个隐藏状态，获取当前隐藏层中与第t时刻对应的节点的隐藏状态，其中，所述时间间隔随隐藏层层数逐层增大；在当前隐藏层的下一层为输出层时，由所述输出层中第t时刻对应的节点处理当前隐藏层的隐藏状态并获得输出结果，作为所述车辆在第t时刻的运动状态编码特征。5....

【专利技术属性】
技术研发人员：李睿哲，
申请(专利权)人：杭州海康汽车软件有限公司，
类型：发明
国别省市：