【技术实现步骤摘要】
本专利技术涉及自动驾驶，尤其是涉及一种基于自动驾驶车辆的人机交互方法、系统及介质。
技术介绍
1、在城市交通系统中，行人与车辆的交互是非常重要的存在，现有技术中，采用车辆蜂鸣器喇叭提醒交通参与者，存在噪音污染、交互形式不友好的缺点，提醒方式单一，未对交通参与者进行危险分级，如何对交通参与者进行友好提醒且保证不会产生噪音污染，成为我们亟待解决的问题。
2、现有技术中，专利（申请号：202110882258.9）公开了行人轨迹预测方法、装置、电子设备及存储介质，包括：获取场景的至少一个行人的观测轨迹信息，将各个行人的观测轨迹信息转换为各个行人的自我视角下的自我视角轨迹信息；基于各个行人的自我视角轨迹信息获取各个行人的运动趋势特征，并获取各个行人与其他行人的交互特征；至少基于各个行人的运动趋势特征以及各个行人与其他行人的交互特征，生成各个行人的自我视角下的未来位置信息；以及至少基于各个行人的自我视角下的未来位置信息生成各个行人的至少一条自我视角下的未来轨迹，并将自我视角下的未来轨迹转换为世界坐标系下的未来轨迹。但是对行人轨迹的预测还不够完善，还需进一步的进行拓展。
技术实现思路
1、鉴于以上问题，本专利技术提供了一种基于自动驾驶车辆的人机交互方法、系统及介质，不仅能够对行人的轨迹预测的更加准确，而且人机交互方式更加合理，不会产生噪音污染，从而提高无人驾驶车辆的运行效率。
2、为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：
3、一种基于自
4、l1.自动驾驶车辆行驶在道路上，基于车载摄像头实时获取道路的图像数据信息，基于车载激光雷达实时获取道路的点云数据信息，并进行预处理，得到处理后的道路的图像和点云数据信息；
5、l2.基于所述处理后的道路的图像和点云数据信息，构建道路的时空图，并进行行人的特征提取，得到行人的特征时空图数据信息，采用行人关系核函数轨迹算法对行人的轨迹进行推算，输出行人的轨迹数据信息；
6、l3.将所述行人的轨迹数据信息输入训练好的时空图卷积神经网络模型进行特征提取，得到行人的轨迹的特征数据信息，并将所述行人的轨迹的特征数据信息输入训练好的时间外推器卷积神经网络模型对行人的轨迹进行预测，输出预测后的行人轨迹数据信息；
7、l4.基于所述预测后的行人轨迹数据信息，采用安全距离交互算法对行人与车辆之间的距离进行推算，得到行人与车辆的安全交互距离数据信息；
8、l5.基于所述行人与车辆的安全交互距离数据信息，采用交互音量与距离控制算法对车辆的交互音量进行调整，输出行人与车辆的交互音量数据信息。
9、进一步的，在步骤l2中，所述采用行人关系核函数轨迹算法对行人的轨迹进行推算包括：
10、l21.基于所述行人的特征时空图数据信息，对每一个行人之间的的关系进行表征，输出行人的关系表征数据信息；
11、l22.基于所述行人的关系表征数据信息，建立行人关系核函数q，
12、，
13、i≠j，
14、其中，ɑ为常量参数矩阵，β为内积缩放矩阵，xi为第i个行人关系矩阵，xj为第j个行人关系矩阵，ω为行人模拟控制参数，得到行人关系数据信息；
15、l23.基于所述行人关系数据信息，采用三次样条函数对行人的轨迹进行拟合，得到行人的轨迹数据信息。
16、进一步的，在步骤l23中，所述采用三次样条函数对行人的轨迹进行拟合包括：
17、l231.基于所述行人关系数据信息，建立行人轨迹的三次样条拟合函数f，
18、f=(q×λ3)x3+(q×λ2)x2+(q×λ1)x+(q×λ0)，
19、其中，q为行人关系数据信息，λ0，λ1，λ2和λ3为三次样条函数的系数矩阵，x为自变量；
20、l232.基于所述行人轨迹的三次样条拟合函数f，对行人的轨迹进行推算，得到行人的轨迹数据信息。
21、进一步的，在步骤l3中，所述训练好的时空图卷积神经网络模型为将所述行人的轨迹数据信息划分为训练数据集和测试训练数据集，并将所述训练数据集输入时空图卷积神经网络模型进行训练和学习，确定网络参数，得到训练好的时空图卷积神经网络模型。
22、进一步的，所述时空图卷积神经网络模型包括时空图卷积输入层、时空图卷积核函数和时空图卷积输出层，所述时空图卷积核函数为g，
23、，
24、其中，a为权重矩阵，(x,y,z)为行人轨迹坐标，η0，η1和η2为对应的行人轨迹坐标的学习因子参数。
25、进一步的，所述训练好的时间外推器卷积神经网络模型为将所述行人的轨迹的特征数据信息划分为训练数据集和测试训练数据集，并将所述训练数据集输入时间外推器卷积神经网络模型进行训练和学习，确定网络参数，得到训练好的时间外推器卷积神经网络模型。
26、进一步的，所述时间外推器卷积神经网络模型包括时间外推器输入层、时间外推器核函数和时间外推器输入层，所述时间外推器核函数为h，
27、，
28、，
29、其中，f为观测值函数，xi为第i个行人的轨迹的特征数据信息，x为行人的轨迹的特征数据信息，oi为第i个行人拉格朗日基函数，xj为第j个行人的轨迹的特征数据信息，n为行人的轨迹的特征数据的样本总量。
30、进一步的，在步骤l4中，所述采用安全距离交互算法对行人与车辆之间的距离进行推算包括：
31、l41.基于所述预测后的行人轨迹数据信息，建立行人与车辆的安全距离交互函数j，
32、，
33、其中，(cxk,cyk,czk)为车辆第k个轨迹点，(rxk,ryk,rzk)为行人的第k个预测轨迹点，n为正整数，n为采样样本总数；
34、l42.基于所述行人与车辆安全距离交互函数j，得到行人与车辆的安全交互距离数据信息；
35、在步骤l5中，采用交互音量与距离控制算法对车辆的交互音量进行调整包括：
36、l51.基于所述行人与车辆的安全交互距离数据信息，建立交互音量与距离控制函数m，
37、m=(|p×b|)·j,
38、其中，p为音量调节矩阵，b为距离控制矩阵，j为行人与车辆的安全距离交互函数；
39、l52.基于所述交互音量与距离控制函数m，得到行人与车辆的交互音量数据信息。
40、为了实现上述目的及其他相关目的，本专利技术还提供了一种基于自动驾驶车辆的人机交互系统，包括计算机设备，该计算机设备被编程或配置以执行任意一项所述的基于自动驾驶车辆的人机交互方法的步骤。
41、为了实现上述目的及其他相关目的，本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述的基于自动驾驶车辆的人机交互方法的计算机程序。
42、本专利技术具有以下本文档来自技高网...
【技术保护点】
1.一种基于自动驾驶车辆的人机交互方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于自动驾驶车辆的人机交互方法，其特征在于，在步骤L2中，所述采用行人关系核函数轨迹算法对行人的轨迹进行推算包括：
3.根据权利要求2所述的基于自动驾驶车辆的人机交互方法，其特征在于，在步骤L23中，所述采用三次样条函数对行人的轨迹进行拟合包括：
4.根据权利要求1所述的基于自动驾驶车辆的人机交互方法，其特征在于，在步骤L3中，所述训练好的时空图卷积神经网络模型为将所述行人的轨迹数据信息划分为训练数据集和测试训练数据集，并将所述训练数据集输入时空图卷积神经网络模型进行训练和学习，确定网络参数，得到训练好的时空图卷积神经网络模型。
5.根据权利要求4所述的基于自动驾驶车辆的人机交互方法，其特征在于：所述时空图卷积神经网络模型包括时空图卷积输入层、时空图卷积核函数和时空图卷积输出层，所述时空图卷积核函数为G，
6.根据权利要求1所述的基于自动驾驶车辆的人机交互方法，其特征在于：所述训练好的时间外推器卷积神经网络模型为将所述行人的轨迹的
7.根据权利要求6所述的基于自动驾驶车辆的人机交互方法，其特征在于：所述时间外推器卷积神经网络模型包括时间外推器输入层、时间外推器核函数和时间外推器输入层，所述时间外推器核函数为H，
8.根据权利要求1所述的基于自动驾驶车辆的人机交互方法，其特征在于，在步骤L4中，所述采用安全距离交互算法对行人与车辆之间的距离进行推算包括：
9.一种基于自动驾驶车辆的人机交互系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～8中任意一项所述的基于自动驾驶车辆的人机交互方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～8中任意一项所述的基于自动驾驶车辆的人机交互方法的计算机程序。
...【技术特征摘要】
1.一种基于自动驾驶车辆的人机交互方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于自动驾驶车辆的人机交互方法，其特征在于，在步骤l2中，所述采用行人关系核函数轨迹算法对行人的轨迹进行推算包括：
3.根据权利要求2所述的基于自动驾驶车辆的人机交互方法，其特征在于，在步骤l23中，所述采用三次样条函数对行人的轨迹进行拟合包括：
4.根据权利要求1所述的基于自动驾驶车辆的人机交互方法，其特征在于，在步骤l3中，所述训练好的时空图卷积神经网络模型为将所述行人的轨迹数据信息划分为训练数据集和测试训练数据集，并将所述训练数据集输入时空图卷积神经网络模型进行训练和学习，确定网络参数，得到训练好的时空图卷积神经网络模型。
5.根据权利要求4所述的基于自动驾驶车辆的人机交互方法，其特征在于：所述时空图卷积神经网络模型包括时空图卷积输入层、时空图卷积核函数和时空图卷积输出层，所述时空图卷积核函数为g，
6.根据权利要求1所述的基于自动驾驶车辆的人机交互方法，其特征在于...
【专利技术属性】
技术研发人员：罗庚，孙云程，薛玉华，刘丹丹，姜麟，芮建秋，沈彧，夏建文，孙朋，袁威，
申请(专利权)人：东风悦享科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。