一种基于学习的加速度平滑方法技术

本发明专利技术涉及自动驾驶技术领域，提供了提供了一种基于学习的加速度平滑方法。该方法包括：选择Frenet道路坐标系，采集目标车辆附近设定范围内的车辆的跟踪轨迹数据；提取行车特征；设定帧的目标车辆，输入设定帧过去的第一设定数量的帧的特征矩阵至时序卷积网络，经训练，输出过去速度、当前速度和未来速度的时间序列；将预测的平滑后的速度序列中的未来速度所包含的帧，通过后处理，获得当前帧的加速度。本发明专利技术避免了帧与帧之间的输出加速度没有联系，无法达到平滑的目的；实现了在速度变化上不会有实时滤波的延迟，结果更准确；做到了在后处理上更为灵活。后处理上更为灵活。后处理上更为灵活。

【技术实现步骤摘要】
一种基于学习的加速度平滑方法


[0001]本专利技术涉及自动驾驶
，尤其涉及一种基于学习的加速度平滑方法。

技术介绍

[0002]随着无人驾驶技术的发展，为了安全并且有效率地通过复杂的交通场景并作出最优的决策，无人驾驶汽车需要有能够预测周围车辆的未来意图与轨迹的能力。周围车辆的历史与当前状态对无人驾驶车辆的行为规划有极大的影响，现在周围车辆的速度信息多来自于多普勒雷达，存在相当的设备噪音及环境噪音，而由这样速度数据计算出的加速度的噪音甚至比原始速度噪音还高出一个数量级，而且让无人驾驶车辆无法确认附近具体某辆车是在加速还是在减速。在无人驾驶车辆完成的一系列任务中，对前车的跟车及节油是其中两个重要任务，而前车精确且平滑的加速度信息则能帮助无人驾驶车辆更好地完成这些任务。
[0003]现有方法中，基于车辆运动模型的实时滤波平滑方法被使用的最多，如Constant Turn Rate and Acceleration(CTRA)模型，然而所有这种实时滤波都存在一个问题，所产生的结果越平滑，速度，加速度的变化延迟就越高。一个常见的情况是，前车在一个匀加速过程中突然急刹，基于实时滤波的方法可能需要1秒或更长的时间才能检测到加速度的符号变化。而这对于无人驾驶的安全产生了极大的威胁。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于学习的加速度平滑方法，以解决现有技术中速度、加速度变化检测延迟过高的技术问题。
[0005]本专利技术提供了一种基于学习的加速度平滑方法，包括：
[0006]S1.选择Frenet道路坐标系，采集目标车辆附近设定范围内的车辆的跟踪轨迹数据；
[0007]S2.基于所述目标车辆附近设定范围内的车辆的跟踪轨迹数据，提取行车特征；
[0008]S3.基于所述行车特征，对设定帧的目标车辆，输入设定帧过去的第一设定数量的帧的特征矩阵至时序卷积网络，经训练，输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列；
[0009]S4.将所述预测的平滑后的速度序列中的未来速度所包含的帧，通过后处理，获得当前帧的加速度。
[0010]进一步地，所述S1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征一共39个特征，
[0011]所述S1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征，
[0012]所述目标车辆状态特征包括：目标车辆相对于所在车道左右两条边界的距离、目标车辆相对于所在车道的s方向速度、目标车辆相对于所在车道的l方向速度、目标车辆在
所在车道上的转向角大小和车辆朝向方向和车辆在所在车道投影点上切线方向角度差；
[0013]所述道路状态特征包括：所在车道及左右两条车道上除目标车辆之外前后100米内的车辆数量；
[0014]所述周围车辆互动特征：该车辆距离目标车辆在s方向的相对距离、该车辆相对于目标车辆的s方向速度和该车辆相对于目标车辆的l方向速度；
[0015]所述S2中，
[0016]所述行车数据包括：目标车辆附近设定范围内的车辆的行车速度。
[0017]进一步地，所述S3中，
[0018]所述过去速度包括设定帧过去的第一设定数量的平滑速度；
[0019]所述未来速度包括设定帧未来的第一设定数量的平滑速度。
[0020]进一步地，所述S3包括：
[0021]S31.基于所述行车特征，将所述设定帧的目标车辆，输入所述设定帧过去的第一设定数量的帧数的特征矩阵至时序卷积网络；
[0022]S32.采用平滑过的速度作为输出值的真值，对所述设定帧过去的第一设定数量的帧的特征矩阵进行训练，获得预测的平滑后的速度输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列，其中，平滑过的速度包括某帧速度的在不同帧的预测结果。
[0023]进一步地，所述S31中，所述特征矩阵大小为设定帧过去的第一设定数量x39阶；
[0024]所述S32中，平滑过的速度是通过离线采用Savitzky
–
Golay Smoothing进行平滑的。
[0025]进一步地，所述S32中，所述速度融合采用加权平均法进行融合，每一帧权重的计算包括如下步骤：
[0026]a.基于标准差描述置信度，用统计的方法计算出预测的平滑后的速度与作为标注的真值的区别，获得标准差序列；
[0027]b.基于所述标准差序列，根据误差传递公式，输出对应权重系列。
[0028]进一步地，所述对应权重序列包括如下表达式：
[0029]W＝[1/σ
12
,1/σ
22
,...,1/σ
m+12
,...,1/σ
2*m2
,1/σ
2*m+12
][0030] ＝[w1,w2,...,w
m+1
,...,w
2*m
,w
2*m+1
][0031]进一步地，所述S4包括：
[0032]S41.对所述预测的平滑后的速度序列中未来速度所包含的帧，做设定窗口大小的平滑；
[0033]S42.基于做设定窗口大小的平滑的结果，获得所述平滑后的速度的加速度。
[0034]进一步地，所述窗口的大小为所述设定窗口大小为未来速度所包含的帧的数量的两倍加一。
[0035]进一步地，所述平滑后的速度的加速度包括如下表达式：
[0036]acc
i
＝(v
i+1s
‑
v
is
)/(t
i+1s
‑
t
is
)
[0037]其中，acc
i
表示当前帧的加速度。
[0038]本专利技术与现有技术相比存在的有益效果是：
[0039]1、本专利技术采用Frenet坐标系，更加适合无人驾驶车基于道路进行加速或换道的决
策。
[0040]2、本专利技术采用输出平滑速度的时间序列，避免帧与帧之间的输出加速度没有联系，无法达到平滑的目的。
[0041]3、本专利技术采用离线的平滑考虑了速度未来变化的趋势，实现了在速度变化上不会有实时滤波的延迟，结果更准确。
[0042]4、本专利技术采用速度作为输出值比加速度直接作为输出值在后处理上更为灵活。
附图说明
[0043]为了更清楚地说明本专利技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，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它的附图。
[0044]图1是本专利技术实施例提供的一种基于学习的加速度平滑方法的流程图；
[0045]图2是本专利技术实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于学习的加速度平滑方法，其特征在于，包括：S1.选择Frenet道路坐标系，采集目标车辆附近设定范围内的车辆的跟踪轨迹数据；S2.基于所述目标车辆附近设定范围内的车辆的跟踪轨迹数据，提取行车特征；S3.基于所述行车特征，对设定帧的目标车辆，输入设定帧过去的第一设定数量的帧的特征矩阵至时序卷积网络，经训练，输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列；S4.将所述预测的平滑后的速度序列中的未来速度所包含的帧，通过后处理，获得当前帧的加速度。2.根据权利要求1所述的加速度平滑方法，其特征在于，所述S1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征一共39个特征，所述S1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征，所述目标车辆状态特征包括：目标车辆相对于所在车道左右两条边界的距离、目标车辆相对于所在车道的s方向速度、目标车辆相对于所在车道的l方向速度、目标车辆在所在车道上的转向角大小和车辆朝向方向和车辆在所在车道投影点上切线方向角度差；所述道路状态特征包括：所在车道及左右两条车道上除目标车辆之外前后100米内的车辆数量；所述周围车辆互动特征：该车辆距离目标车辆在s方向的相对距离、该车辆相对于目标车辆的s方向速度和该车辆相对于目标车辆的l方向速度；所述S2中，所述行车数据包括：目标车辆附近设定范围内的车辆的行车速度。3.根据权利要求1所述的加速度平滑方法，其特征在于，所述S3中，所述过去速度包括设定帧过去的第一设定数量的平滑速度；所述未来速度包括设定帧未来的第一设定数量的平滑速度。4.根据权利要求1所述的加速度平滑方法，其特征在于，所述S3包括：S31.基于所述行车特征，将所述设定帧的目标车辆，输入所述设定帧过去的第一设定数量的帧数的特征矩阵至时序卷积网络；S32.采用平滑过的速度作为输出值的真值，对所述设定帧过去的第一设定数量的帧的特征矩阵进行训练，获得预测的平滑后的速度输出过去速度、当前速度和未来速度的时间序列，获得预...

【专利技术属性】
技术研发人员：张笑枫，江頔，
申请(专利权)人：苏州智加科技有限公司，
类型：发明
国别省市：