用于操作自动驾驶车辆的方法和装置制造方法及图纸

本申请公开了用于操作自动驾驶车辆的方法和装置。所述方法的一具体实施方式包括：收集驾驶员对半自动驾驶车辆进行异常干预时所采用的驾驶方案以及半自动驾驶车辆所处驾驶场景的驾驶场景信息；根据驾驶员所采用的驾驶方案，确定半自动驾驶车辆在所述驾驶场景下所处驾驶风险的风险等级；从驾驶场景信息中分解出所述驾驶场景中各个场景对象的对象信息；对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息与风险等级之间的关联关系以作为自动驾驶车辆的风险评估策略；利用风险评估策略识别自动驾驶车辆所处驾驶风险的风险等级。该实施方式实现了对自动驾驶车辆所处驾驶风险的自动识别。

【技术实现步骤摘要】

本申请涉及车辆
，具体涉及无人驾驶车辆技术，尤其涉及用于操作自动驾驶车辆的方法和装置。
技术介绍
自动驾驶主要涉及识别、决策、控制三种主要技术。对于自动驾驶，安全性是第一位的条件。现有技术中，通常采用人工方式去标注供车载感应器所识别的风险对象，并进一步评估各个对象的风险或通过反复测试建立驾驶方案。然而，完全依靠人工对风险因素进行标注，成本极高。并且，在开放性的驾驶环境中，现有的风险因素难以被设计者与生产者穷尽和人为标注，从而让系统去自动识别。此外，即使设计或制造车辆时已预先标注出当前所有的风险对象，但在车辆投入使用后也会不断有可能造成行车风险的新事物出现在车辆行驶过程中，而现有方式无法及时对这些不断出现的新风险对象进行标注，更无法及时针对这些新风险对象建立风险评估策略或驾驶策略。因此，需要设计出对风险对象的快速、规模化、低成本的识别方法。
技术实现思路
本申请提供了用于操作自动驾驶车辆的方法和装置，用于解决上述
技术介绍
部分存在的技术问题。第一方面，本申请提供了一种用于操作自动驾驶车辆的方法，所述方法包括：收集驾驶员对半自动驾驶车辆进行异常干预时所采用的驾驶方案以及所述半自动驾驶车辆所处驾驶场景的驾驶场景信息；根据驾驶员所采用的驾驶方案，确定所述半自动驾驶车辆在所述驾驶场景下所处驾驶风险的风险等级；从所述驾驶场景信息中分解出所述驾驶场景中各个场景对象的对象信息；对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息与风险等级之间的关联关系以作为自动驾驶车辆的风险评估策略；利用所述风险评估策略识别自动驾驶车辆所处驾驶风险的风险等级。在一些实施例中，采用深度神经网络算法对对象信息以及对应的风险等级进行学习。在一些实施例中，所述方法还包括：从所述驾驶场景信息中分解出车辆行驶状态信息以及车辆所处驾驶环境的驾驶环境信息；以及所述对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息与风险等级之间的关联关系以作为自动驾驶车辆的风险评估策略，包括：对对象信息、车辆行驶状态信息、驾驶环境信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息、车辆行驶状态信息、驾驶环境信息的组合与风险等级的之间关联关系。在一些实施例中，所述驾驶方案包括对车辆行驶速度和/或车辆行驶方向进行控制的控制行为数据。第二方面，本申请提供了一种用于操作自动驾驶车辆的方法，所述方法包括：收集驾驶员对半自动驾驶车辆进行异常干预时所采用的驾驶方案以及所述半自动驾驶车辆所处驾驶场景的驾驶场景信息；根据驾驶员所采用的驾驶方案，确定所述半自动驾驶车辆在所述驾驶场景下所处驾驶风险的风险等级；从所述驾驶场景信息中分解出所述驾驶场景中场景对象的对象信息、车辆行驶状态信息以及车辆所处驾驶环境的驾驶环境信息；对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象；针对所识别出的风险对象，对对象信息、车辆行驶状态信息、驾驶环境信息以及对应的驾驶方案进行学习，确定风险对象的对象信息、车辆行驶状态信息、驾驶环境信息的组合与驾驶方案之间的关联关系以作为自动驾驶车辆的驾驶策略；利用所述驾驶策略确定自动驾驶车辆的候选驾驶方案。在一些实施例中，所述方法还包括：对所述驾驶策略进行优化的步骤，包括：使用所述驾驶策略，在驾驶模拟器所模拟的场景中控制测试用车辆行驶；检测所述测试用车辆行驶时是否满足所述驾驶模拟器中预先配置的驾驶规则；根据检测结果修正所述驾驶策略。在一些实施例中，采用强化学习算法修正所述驾驶策略。在一些实施例中，所述方法还包括：将所述驾驶策略添加至半自动驾驶车辆的驾驶策略数据库中；确定所述驾驶策略被触发时半自动驾驶车辆是否被驾驶员进行异常干预；若半自动驾驶车辆未被异常干预，则提高所述驾驶策略的可信度。在一些实施例中，所述方法还包括：若半自动驾驶车辆被异常干预，则继续采集驾驶员对半自动驾驶车辆进行干预时所采用的驾驶方案以及对应的驾驶场景信息，以根据新采集的驾驶方案与驾驶场景信息调整所述驾驶策略。第三方面，本申请提供了一种用于操作自动驾驶车辆的装置，所述装置包括：收集单元，用于收集驾驶员对半自动驾驶车辆进行异常干预时所采用的驾驶方案以及所述半自动驾驶车辆所处驾驶场景的驾驶场景信息；风险等级确定单元，用于根据驾驶员所采用的驾驶方案，确定所述半自动驾驶车辆在所述驾驶场景下所处驾驶风险的风险等级；分解单元，用于从所述驾驶场景信息中分解出所述驾驶场景中各个场景对象的对象信息；学习单元，用于对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息与风险等级之间的关联关系以作为自动驾驶车辆的风险评估策略；识别单元，用于利用所述风险评估策略识别所述自动驾驶车辆所处驾驶风险的风险等级。在一些实施例中，所述分解单元还用于从所述驾驶场景信息中分解出车辆行驶状态信息以及车辆所处驾驶环境的驾驶环境信息；以及所述学习单元进一步用于：对对象信息、车辆行驶状态信息、驾驶环境信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息、车辆行驶状态信息、驾驶环境信息的组合与风险等级的之间的关联关系。在一些实施例中，所述驾驶方案包括对车辆行驶速度和/或车辆行驶方向进行控制的控制行为数据。第四方面，本申请提供了一种用于操作自动驾驶车辆的装置，所述装置包括：所述装置包括：收集单元，用于收集驾驶员对半自动驾驶车辆进行异常干预时所采用的驾驶方案以及所述半自动驾驶车辆所处驾驶场景的驾驶场景信息；等级确定单元，用于根据驾驶员所采用的驾驶方案，确定所述半自动驾驶车辆在所述驾驶场景下所处驾驶风险的风险等级；分解单元，用于从所述驾驶场景信息中分解出所述驾驶场景中各个场景对象的对象信息、车辆行驶状态信息以及车辆所处驾驶环境的驾驶环境信息；风险对象学习单元，用于对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象；驾驶方案学习单元，针对所识别出的风险对象，对对象信息、车辆行驶状态信息、驾驶环境信息以及对应的驾驶方案进行学习，确定风险对象的对象信息、车辆行驶状态信息、驾驶环境信息的组合与驾驶方案之间的关联关系以作为自动驾驶车辆的驾驶策略；驾驶方案确定单元，用于利用所述驾驶策略确定自动驾驶车辆的候选驾驶方案。在一些实施例中，所述装置还包括驾驶策略优化单元，所述驾驶策略优化单元用于：使用所述驾驶策略，在驾驶模拟器所模拟的场景中控制测试用车辆行驶；检测所述测试用车辆行驶时是否满足所述驾驶模拟器中预先配置的驾驶规则；根据检测结果修正所述驾驶策略。在一些实施例中，所述装置还包括策略修正单元，用于：将所述驾驶策略添加至半自动驾驶车辆的驾驶策略数据库中；确定所述驾驶策略被触发时半自动驾驶车辆是否被驾驶员进行异常干预；若半自动驾驶车辆未被异常干预，则提高所述驾驶策略的可信度。在一些实施例中，所述策略修正单元还用于：若半自动驾驶车辆被异常干预，则继续采集驾驶员对半自动驾驶车辆进行干预时所采用的驾驶方案以及对应的驾驶场景信息，以根据新采集的驾驶方案本文档来自技高网...

【技术保护点】
一种用于操作自动驾驶车辆的方法，其特征在于，所述方法包括：收集驾驶员对半自动驾驶车辆进行异常干预时所采用的驾驶方案以及所述半自动驾驶车辆所处驾驶场景的驾驶场景信息；根据驾驶员所采用的驾驶方案，确定所述半自动驾驶车辆在所述驾驶场景下所处驾驶风险的风险等级；从所述驾驶场景信息中分解出所述驾驶场景中各个场景对象的对象信息；对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息与风险等级之间的关联关系以作为自动驾驶车辆的风险评估策略；利用所述风险评估策略识别自动驾驶车辆所处驾驶风险的风险等级。

【技术特征摘要】
1.一种用于操作自动驾驶车辆的方法，其特征在于，所述方法包括：收集驾驶员对半自动驾驶车辆进行异常干预时所采用的驾驶方案以及所述半自动驾驶车辆所处驾驶场景的驾驶场景信息；根据驾驶员所采用的驾驶方案，确定所述半自动驾驶车辆在所述驾驶场景下所处驾驶风险的风险等级；从所述驾驶场景信息中分解出所述驾驶场景中各个场景对象的对象信息；对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息与风险等级之间的关联关系以作为自动驾驶车辆的风险评估策略；利用所述风险评估策略识别自动驾驶车辆所处驾驶风险的风险等级。2.根据权利要求1所述的方法，其特征在于，采用深度神经网络算法对对象信息以及对应的风险等级进行学习。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：从所述驾驶场景信息中分解出车辆行驶状态信息以及车辆所处驾驶环境的驾驶环境信息；以及所述对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息与风险等级之间的关联关系以作为自动驾驶车辆的风险评估策略，包括：对对象信息、车辆行驶状态信息、驾驶环境信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象，并确定风险对象的对象信息、车辆行驶状态信息、驾驶环境信息的组合与风险等级的之间的关联关系。4.根据权利要求1-3之一所述的方法，其特征在于，所述驾驶方案包括对车辆行驶速度和/或车辆行驶方向进行控制的控制行为数据。5.一种用于操作自动驾驶车辆的方法，其特征在于，所述方法包括：收集驾驶员对半自动驾驶车辆进行异常干预时所采用的驾驶方案以及所述半自动驾驶车辆所处驾驶场景的驾驶场景信息；根据驾驶员所采用的驾驶方案，确定所述半自动驾驶车辆在所述驾驶场景下所处驾驶风险的风险等级；从所述驾驶场景信息中分解出所述驾驶场景中场景对象的对象信息、车辆行驶状态信息以及车辆所处驾驶环境的驾驶环境信息；对对象信息以及对应的风险等级进行学习，识别出场景对象中与风险等级相关联的风险对象；针对所识别出的风险对象，对对象信息、车辆行驶状态信息、驾驶环境信息以及对应的驾驶方案进行学习，确定风险对象的对象信息、车辆行驶状态信息、驾驶环境信息的组合与驾驶方案之间的关联关系以作为自动驾驶车辆的驾驶策略；利用所述驾驶策略确定自动驾驶车辆的候选驾驶方案。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：对所述驾驶策略进行优化的步骤，包括：使用所述驾驶策略，在驾驶模拟器所模拟的场景中控制测试用车辆行驶；检测所述测试用车辆行驶时是否满足所述驾驶模拟器中预先配置的驾驶规则；根据检测结果修正所述驾驶策略。7.根据权利要求6所述的方法，其特征在于，采用强化学习算法修正所述驾驶策略。8.根据权利要求5-7之一所述的方法，其特征在于，所述方法还包括：将所述驾驶策略添加至半自动驾驶车辆的驾驶策略数据库中；确定所述驾驶策略被触发时半自动驾驶车辆是否被驾驶员进行异常干预；若半自动驾驶车辆未被异常干预，则提高所述驾驶策略的可信度。9.根据权利要求8所述的方法，其特征在于，所述方法还包括：若半自动驾驶车辆被异常干预，则继续采集驾驶员对半自动驾驶车辆进行干预时所采用的驾驶方案以及对应的驾驶场景信息，以根据新采集的驾...

【专利技术属性】
技术研发人员：韩博，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11