智能驾驶车辆的控制方法技术

本发明专利技术提供了一种智能驾驶车辆的控制方法

【技术实现步骤摘要】
智能驾驶车辆的控制方法、机器可读存储介质及车辆


[0001]本专利技术涉及智能驾驶
，特别是涉及一种智能驾驶车辆的控制方法
、
机器可读存储介质及车辆
。

技术介绍

[0002]随着机动车行业的发展，出现了采用部分辅助驾驶的车辆
。
在车辆进行智能驾驶时，假设在与自车行驶路线周围有遮挡的区域中存在虚拟车辆，并假设虚拟车辆以最大可能的速度行驶
。
在靠近十字路口时，虚拟车辆可以沿着任何路径行驶，此时，为保证只能驾驶车辆的安全，必须减速以使得虚拟车辆出现在可见区域时智能驾驶车辆及时刹停
。
这种方法虽然相对可靠，但几乎忽略了所有与车辆意图相关的信息
。
其次，使用碰撞时间作为自车是否会与未知区域车辆产生交互的判断过于谨慎，可能会造成不必要的刹车和延迟
。
该方案对于不同场景没有可区分性，不能体现车辆的智能行为
。
[0003]目前的智能驾驶中，也存在通过他车意图预测遮挡区域内障碍物的意图的方案，利用网格图表示环境信息，将车辆意图与传统传感器输出融合在一起进行判断
。
该方法虽然将其他车辆的意图信息做了融合来推断遮挡区域，但由于环境地图的分割，仍然缺乏全局交互信息，仅识别遮挡区域，却未能识别遮挡区域内障碍物的位置及遮挡范围内存在障碍物的概率
。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的智能驾驶车辆的控制方法
、
机器可读存储介质及车辆，能够解决智能驾驶车辆在智能驾驶未能进行全局信息交互的问题，识别遮挡区域内障碍物的位置及遮挡范围内存在障碍物的概率，提高智能驾驶车辆做出和执行决策时的全局性和准确性，提高车辆的智能行为
。
[0005]具体地，本专利技术提供了一种智能驾驶车辆的控制方法，包括：
[0006]在自车进入智能驾驶模式后，获取障碍物的障碍物信息
、
遮挡区域的遮挡区域信息
、
地图信息；
[0007]将所述障碍物的信息
、
所述遮挡区域的信息和所述地图信息输入至预先设置的神经网络模型中进行处理，得到预测遮挡区域信息
、
以及得到所述预测遮挡区域中被遮挡物的信息；
[0008]所述障碍物为自车前方和
/
或侧前方，阻挡自车视线的移动物体；
[0009]所述遮挡区域为所述自车前方和
/
或侧前方被所述障碍物遮挡，所述自车无法观测到的区域
。
[0010]可选地，所述预测遮挡区域信息为所述遮挡区域被遮挡的概率；
[0011]所述预测遮挡区域中被遮挡物的信息包括被遮挡物在所述预测遮挡区域中的位置信息和被遮挡物在所述预测遮挡区域内存在的概率
。
[0012]可选地，所述神经网络模型的构建，包括：
[0013]获取训练样本集，所述训练样本集包括障碍物的信息
、
遮挡区域的信息
、
地图信息
、
以及遮挡区域内的被遮挡物的信息；
[0014]根据所述障碍物的信息
、
所述遮挡区域的信息和所述地图信息，获取第一矩阵和第二矩阵；
[0015]根据所述遮挡区域信息和所述地图信息得到遮挡网格信息，根据所述遮挡网格信息获取第三矩阵；
[0016]根据所述第一矩阵
、
所述第二矩阵和所述第三矩阵进行融合计算，得到预测遮挡区域信息
、
以及得到所述预测遮挡区域中被遮挡物的信息；
[0017]进行验证；
[0018]验证通过后完成所述神经网络模型的训练过程，输出所述神经网络模型
。
[0019]可选地，所述的障碍物信息为所述障碍物在过去的预设时长内的历史轨迹；
[0020]所述遮挡区域信息为按照顺时针方向记录的所述遮挡区域的遮挡区域矢量；
[0021]所述的地图信息为所述自车所在的平面信息
。
[0022]可选地，根据所述遮挡网格信息获取第三矩阵包括：
[0023]将所述遮挡网格信息传输至自注意力机制获取第三矩阵
。
[0024]可选地，所述的根据所述遮挡区域的信息和所述地图信息得到遮挡网格信息，包括：
[0025]基于所述地图信息，在所述自车前方划定一个矩形区域，所述矩形区域覆盖所述遮挡区域；
[0026]将所述矩形区域划分成长度和宽度相同大小的网格；
[0027]根据每个所述网格的遮挡面积对所述网格进行遮挡区域标注，并根据所述网格中是否存在遮挡物对所述网格进行被遮挡物位置标注，得到所述遮挡网格信息
。
[0028]可选地，所述神经网络模型的构建还包括：利用损失函数进行梯度反向传播训练所述神经网络模型
。
[0029]可选地，所述遮挡区域内的被遮挡物的信息包括遮挡物存在信息和遮挡物实际位置信息；
[0030]所述设计损失函数的确定包括：将所述训练样本集的所述遮挡区域信息与所述预测遮挡区域信息做交叉熵损失，得到第一损失；
[0031]将所述训练样本集的所述遮挡物存在信息与被遮挡物在所述预测遮挡区域内存在的概率做交叉熵损失，得到第二损失；
[0032]将所述训练样本集的所述遮挡物实际位置信息和被遮挡物在所述预测遮挡区域中的位置信息做均方差损失得到第三损失；
[0033]确定所述第一损失
、
所述第二损坏和所述第三损失的加权和
。
[0034]本专利技术还提供了一种机器可读存储介质，其上存储有机器可执行程序，所述机器可执行程序被处理器执行时，实现上述任一项中所述的智能驾驶车辆的控制方法
。
[0035]本专利技术还提供了一种车辆，包括存储器
、
处理器及存储在所述存储器上并在所述处理器上运行的机器可执行程序，并且所述处理器执行所述机器可执行程序时，实现上述任一项中所述的智能驾驶车辆的控制方法
。
[0036]本专利技术中的智能驾驶车辆防御性避让方法，自车进入智能驾驶模式后，通过自车传感器将
3D
点云投影到二维平面识别遮挡区域，与获取的自车及障碍物信息
、
地图信息共同作为遮挡区域识别模型的信息输入
。
通过神经网络模型进行融合计算得到预测遮挡区域和预测遮挡区域中被遮挡物的信息
。
在通过神经网络进行计算时，输入的数据涵盖了障碍物
、
障碍物引起的遮挡区域
、
自车行驶所处的地图信息，解析到自车和他车在地图中的相对位置，又可以体现出车辆之间的相互作用，还可以跟踪遮挡区域内车辆信息及遮挡区域边界信息，相对于仅凭障碍物信息进行遮挡区域的推测考虑因素更为全面，增加了了信息的全局交互性，提高了智能驾驶车辆做出和执行决本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能驾驶车辆的控制方法，其特征在于，包括：在自车进入智能驾驶模式后，获取障碍物的信息
、
遮挡区域的信息
、
地图信息；将所述障碍物的信息
、
所述遮挡区域的信息和所述地图信息输入至预先设置的神经网络模型中进行处理，得到预测遮挡区域信息
、
以及得到所述预测遮挡区域中被遮挡物的信息；所述障碍物为自车前方和
/
或侧前方，阻挡自车视线的移动物体；所述遮挡区域为所述自车前方和
/
或侧前方被所述障碍物遮挡，所述自车无法观测到的区域
。2.
根据权利要求1所述的智能驾驶车辆的控制方法，其特征在于，所述预测遮挡区域信息为所述遮挡区域被遮挡的概率；所述预测遮挡区域中被遮挡物的信息包括被遮挡物在所述预测遮挡区域中的位置信息和被遮挡物在所述预测遮挡区域内存在的概率
。3.
根据权利要求1所述的智能驾驶车辆的控制方法，其特征在于，所述神经网络模型的构建，包括：获取训练样本集，所述训练样本集包括障碍物的信息
、
遮挡区域的信息
、
地图信息
、
以及遮挡区域内的被遮挡物的信息；根据所述障碍物的信息
、
所述遮挡区域的信息和所述地图信息，获取第一矩阵和第二矩阵；根据所述遮挡区域的信息和所述地图信息得到遮挡网格信息，根据所述遮挡网格信息获取第三矩阵；根据所述第一矩阵
、
所述第二矩阵和所述第三矩阵进行融合计算，得到预测遮挡区域信息
、
以及得到所述预测遮挡区域中被遮挡物的信息；进行验证；验证通过后完成所述神经网络模型的训练过程，输出所述神经网络模型
。4.
根据权利要求1或3所述的智能驾驶车辆的控制方法，其特征在于，所述的障碍物的信息为所述障碍物在过去的预设时长内的历史轨迹；所述遮挡区域的信息为按照顺时针方向记录的所述遮挡区域的遮挡区域矢量；所述的...

【专利技术属性】
技术研发人员：李梦雨，宋永康，
申请(专利权)人：宁波路特斯机器人有限公司，
类型：发明
国别省市：