规划行驶轨迹的方法及装置制造方法及图纸

本申请公开了一种规划行驶轨迹的方法及装置，属于数据处理技术领域。所述方法包括：服务器确定与第一车辆当前所处的目标位置所在的路段对应的目标神经网络模型，并向第一车辆发送该目标神经网络模型，以使第一车辆通过该目标神经网络模型确定行驶轨迹。由于该目标神经网络模型是服务器根据多个第二车辆的行驶轨迹训练得到，而该多个第二车辆是指当前时间之前经过第一车辆当前所处的目标位置所在的路段的车辆。也即，当第一车辆在目标位置处通过目标神经网络模型确定自身的行驶轨迹时，参考了当前时间之前经过该目标位置所在的路段的多个第二车辆的行驶轨迹，提高了该确定出的行驶轨迹的可行性。

【技术实现步骤摘要】
规划行驶轨迹的方法及装置
本申请涉及数据处理
，特别涉及一种规划行驶轨迹的方法及装置。
技术介绍
自动驾驶，也即，在车辆行驶的过程中，由车辆自身规划行驶轨迹，并按照规划的行驶轨迹行驶。然而在实际应用中，若车辆规划的行驶轨迹不合适，则容易对其他车辆以及自身的安全造成影响，因此如何规划行驶轨迹就显得尤为重要。相关技术中，当需要规划行驶轨迹时，车辆确定需要执行的行驶任务和在当前道路中所处的车道位置，并根据确定的行驶任务和在当前道路中所处的车道位置规划行驶轨迹。其中，行驶任务包括直行、左转、右转和掉头，在当前道路中所处的车道位置包括直行车道、左转车道和右转车道。比如，确定的行驶任务为右转，在当前道路中所处的车道位置为直行车道，此时规划的行驶轨迹可以为：从当前所处车道的中心线出发，沿着当前所处车道的中心线与右侧车道中心线之间的连接线行驶，直至到达右侧车道的中心线。然而，当车辆按照上述方法确定的行驶轨迹行驶时，很容易发生事故，也即是，车辆按照上述方法确定的行驶轨迹行驶时事故发生率较高，因此，按照上述方法规划的行驶轨迹的可行性较低。
技术实现思路
为了解决相关技术中规划的行驶轨迹可行性较低的问题本文档来自技高网...

【技术保护点】
1.一种规划行驶轨迹的方法，应用于第一车辆，其特征在于，所述方法包括：接收服务器发送的目标神经网络模型，所述目标神经网络模型是指与所述第一车辆当前所处的目标位置所在的路段对应的神经网络模型，且所述目标神经网络模型是所述服务器根据多个第二车辆的行驶轨迹训练得到的，所述多个第二车辆是指当前时间之前经过所述目标位置所在的路段的车辆；根据所述第一车辆的行驶任务和行驶信息，以及第一障碍车辆的行驶信息，通过所述目标神经网络模型确定所述第一车辆的行驶轨迹；其中，所述行驶任务包括直行、左转、右转和掉头，所述行驶信息包括当前所处的位置的位置信息、行驶方向和行驶速度，所述第一障碍车辆为与所述第一车辆之间的距离小于...

【技术特征摘要】
1.一种规划行驶轨迹的方法，应用于第一车辆，其特征在于，所述方法包括：接收服务器发送的目标神经网络模型，所述目标神经网络模型是指与所述第一车辆当前所处的目标位置所在的路段对应的神经网络模型，且所述目标神经网络模型是所述服务器根据多个第二车辆的行驶轨迹训练得到的，所述多个第二车辆是指当前时间之前经过所述目标位置所在的路段的车辆；根据所述第一车辆的行驶任务和行驶信息，以及第一障碍车辆的行驶信息，通过所述目标神经网络模型确定所述第一车辆的行驶轨迹；其中，所述行驶任务包括直行、左转、右转和掉头，所述行驶信息包括当前所处的位置的位置信息、行驶方向和行驶速度，所述第一障碍车辆为与所述第一车辆之间的距离小于预设距离阈值的车辆。2.根据权利要求1所述的方法，其特征在于，所述目标位置所在的路段为路口；所述根据所述第一车辆的行驶任务和行驶信息，以及第一障碍车辆的行驶信息，通过所述目标神经网络模型确定所述第一车辆的行驶轨迹，包括：将所述第一车辆的行驶任务和行驶信息、所述第一障碍车辆的行驶信息以及所述路口处与所述目标位置对应的信号灯状态作为所述目标神经网络模型的输入，通过所述目标神经网络模型确定所述第一车辆的行驶轨迹。3.根据权利要求1或2所述的方法，其特征在于，所述目标神经网络模型是指与所述目标位置所在的路段和所述第一车辆的行驶任务均对应的神经网络模型，且所述多个第二车辆是指当前时间之前经过所述目标位置所在的路段且行驶任务与所述第一车辆的行驶任务相同的车辆。4.一种规划行驶轨迹的方法，应用于服务器，其特征在于，所述方法包括：从存储的神经网络模型中确定与第一车辆当前所处的目标位置所在的路段对应的目标神经网络模型，所述目标神经网络模型是根据多个第二车辆的行驶轨迹训练得到的，所述多个第二车辆是指当前时间之前经过所述目标位置所在的路段的车辆；向所述第一车辆发送所述目标神经网络模型，以使所述第一车辆通过所述目标神经网络模型确定所述第一车辆的行驶轨迹。5.根据权利要求4所述的方法，其特征在于，所述从存储的神经网络模型中确定与第一车辆当前所处的目标位置所在的路段对应的目标神经网络模型之前，还包括：确定预设时间段内经过所述目标位置所在的路段的所有第二车辆的行驶轨迹和每个第二车辆的行驶轨迹的评分；从获取到的所有行驶轨迹中选择评分大于预设评分的N个行驶轨迹，所述N大于1且小于或等于获取到的行驶轨迹的总数量；通过所述N个行驶轨迹对初始化的神经网络模型进行训练，得到所述目标神经网络模型。6.根据权利要求5所述的方法，其特征在于，所述通过所述N个行驶轨迹对初始化的神经网络模型进行训练，得到所述目标神经网络模型，包括：确定N个第二车辆的行驶任务和行驶信息，以及N个第二障碍车辆的行驶信息；其中，所述N个第二车辆为所述N个行驶轨迹对应的车辆，所述N个第二障碍车辆与所述N个第二车辆一一对应，且第二障碍车辆为与对应的第二车辆之间的距离小于预设距离阈值的车辆，所述行驶任务包括直行、左转、右转和掉头，所述行驶信息包括当前所处的位置、行驶方向和行驶速度；根据所述N个第二车辆的行驶任务和行驶信息、所述N个第二障碍车辆的行驶信息以及所述N个第二车辆的行驶轨迹，对初始化的神经网络模型进行训练，得到所述目标神经网络模型。7.根据权利要求6所述的方法，其特征在于，所述目标位置所在的路段为路口；所述确定N个第二车辆的行驶任务和行驶信息，以及N个第二障碍车辆的行驶信息之后，还包括：确定N个信号灯状态，所述N个信号灯状态与所述N个第二车辆一一对应，每个信号灯状态是指对应的第二车辆在经过所述路口时所述路口处对应的信号灯状态；相应地，所述根据所述N个第二车辆的行驶任务和行驶信息、所述N个第二障碍车辆的行驶信息以及所述N个第二车辆的行驶轨迹，对初始化的神经网络模型进行训练，得到所述目标神经网络模型，包括：将所述N个第二车辆的行驶任务和行驶信息、所述N个第二障碍车辆的行驶信息以及所述N个信号灯状态作为所述初始化的神经网络模型的输入，将所述N个第二车辆的行驶轨迹作为所述初始化的神经网络模型的输出，对所述初始化的神经网络模型进行训练，得到所述目标神经网络模型。8.根据权利要求7所述的方法，其特征在于，所述确定每个第二车辆的行驶轨迹的评分，包括：对于所有第二车辆中的任一第二车辆，根据所述第二车辆的行驶轨迹确定所述第二车辆在行驶过程中的行驶状况，所述行驶状况包括发生碰撞的次数、是否遵守交通规则、变道次数、行驶时长以及是否为平稳驾驶；根据所述第二车辆在行驶过程中的行驶状况，确定所述第二车辆的行驶轨迹的评分。9.根据权利要求4至8任一所述的方法，其特征在于，所述从存储的神经网络模型中确定与第一车辆当前所处的目标位置所在的路段对应的目标神经网络模型，包括：根据所述目标位置的位置信息和所述第一车辆的行驶任务，从存储的神经网络模型中确定与所述目...

【专利技术属性】
技术研发人员：古强，姚骏，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东,44