无人驾驶设备的运行规划方法、装置及无人驾驶设备制造方法及图纸

本申请提供一种无人驾驶设备的运行规划方法、装置及无人驾驶设备，所述方法的一具体实施方式包括：获取时间序列数据；所述时间序列数据由多帧路况图构成，每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息；基于所述时间序列数据，确定规划引导地图，所述规划引导地图包括未来预设时段内，所述障碍物对应的可能位置区域信息；基于所述规划引导地图，确定所述目标设备的运行规划信息。该实施方式无需消耗大量的计算资源，也无需进行复杂的流程，从而提高了运行规划的效率，降低了运行规划的复杂性，也提高了运行规划的准确度。

Operational Planning Method, Device and Unmanned Equipment of Unmanned Driving Equipment

【技术实现步骤摘要】
无人驾驶设备的运行规划方法、装置及无人驾驶设备
本申请涉及无人驾驶
，特别涉及一种无人驾驶设备的运行规划方法、装置及无人驾驶设备。
技术介绍
目前来说，在对无人驾驶设备进行运行规划时，通常需要采集大量采样点，再基于预设的驾驶规则生成大量可能的备选路径，从大量备选路径中择优选取目标路径，以进行路径规划，并进一步基于目标路径进行速度规划。由于要生成大量的备选路径，并在生成备选路径时，还需要进行平滑处理，并且，在从大量备选路径中择优选取目标路径时，也需要消耗大量的计算资源。因此，进行运行规划的流程复杂，计算资源消耗量大。从而降低了运行规划的效率，增加了运行规划的复杂性，运行规划的准确度也较低。
技术实现思路
为了解决上述技术问题之一，本申请提供一种无人驾驶设备的运行规划方法、装置及无人驾驶设备。根据本申请实施例的第一方面，提供一种无人驾驶设备的运行规划方法，包括：获取时间序列数据；所述时间序列数据由多帧路况图构成，每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息；基于所述时间序列数据，确定规划引导地图，所述规划引导地图包括未来预设时段内，所述障碍物对应的可能位置区域信息；基于所述规划引导地图，确定所述目标设备的运行规划信息。可选的，所述获取时间序列数据，包括：获取第一信息、第二信息以及目标地图；所述第一信息包括所述目标设备在每个预设的目标时刻的状态信息，所述第二信息包括所述障碍物在每个所述目标时刻的状态信息，所述目标地图包括所述目标设备在每个所述目标时刻所处环境的地图帧；基于所述第一信息、所述第二信息以及所述目标地图，生成每个所述目标时刻对应的一帧路况图；基于每个所述目标时刻对应的一帧路况图，确定所述时间序列数据。可选的，所述基于所述时间序列数据，确定规划引导地图，包括：基于所述时间序列数据，利用预先训练的ARIMA差分整合移动平均自回归模型，确定规划引导地图。可选的，所述基于所述时间序列数据，利用预先训练的ARIMA差分整合移动平均自回归模型，确定规划引导地图，包括：针对每帧所述路况图，按照预设顺序将该路况图的每个像素点进行排列，构成该路况图的一维数组；根据每帧所述路况图的一维数组，确定所述时间序列数据的目标向量；将所述目标向量输入至预先训练的ARIMA模型中；获取所述ARIMA模型输出的所述规划引导地图。可选的，所述基于所述规划引导地图，确定所述目标设备的运行规划信息，包括：利用预先训练的DCNN深度卷积神经网络，基于所述规划引导地图，确定所述目标设备的运行规划信息。可选的，所述利用预先训练的DCNN深度卷积神经网络，基于所述规划引导地图，确定所述目标设备的运行规划信息，包括：确定预先输入的驾驶模式标签；将所述规划引导地图及所述驾驶模式标签，输入至预先训练的DCNN；获取所述DCNN输出的所述驾驶模式标签对应的所述运行规划信息。可选的，所述DCNN利用StarGAN星型生成式对抗网络训练得到。根据本申请实施例的第二方面，提供一种无人驾驶设备的运行规划装置，包括：获取模块，用于获取时间序列数据；所述时间序列数据由多帧路况图构成，每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息；预测模块，用于基于所述时间序列数据，确定规划引导地图，所述规划引导地图包括未来预设时段内，所述障碍物对应的可能位置区域信息；确定模块，用于基于所述规划引导地图，确定目标设备的运行规划信息。根据本申请实施例的第三方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。根据本申请实施例的第四方面，提供一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面中任一项所述的方法。本申请的实施例提供的技术方案可以包括以下有益效果：本申请的实施例提供的无人驾驶设备的运行规划方法和装置，通过获取时间序列数据，该时间序列数据由多帧路况图构成，每帧路况图包括目标设备的状态信息及目标设备检测到的障碍物的状态信息，基于上述时间序列数据，确定规划引导地图，该规划引导地图包括未来预设时段内，障碍物对应的可能位置区域信息，并基于上述规划引导地图，确定目标设备的运行规划信息。由于本实施例能够基于由多帧路况图构成的时间序列数据，预测得到规划引导地图，并基于规划引导地图进行运行规划，无需消耗大量的计算资源，也无需进行复杂的流程，从而提高了运行规划的效率，降低了运行规划的复杂性，也提高了运行规划的准确度。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1是本申请根据一示例性实施例示出的一种无人驾驶设备的运行规划方法的流程图；图2是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划方法的流程图；图3是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划方法的流程图；图4是本申请根据一示例性实施例示出的一种无人驾驶设备的运行规划装置的框图；图5是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图；图6是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图；图7是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图；图8是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图；图9是本申请根据一示例性实施例示出的另一种无人驾驶设备的运行规划装置的框图；图10是本申请根据一示例性实施例示出的一种无人驾驶设备的结构示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。如图1所示，图1是根据一示例性实施例示出的一种无人驾驶设备的运行规划方法的流程图，该方法可以应用于无人驾驶设备中。本领域技术人员可以理解，该无人驾驶设备可以包括但不限于无人车、无人操作机器人、无人机、无人船等等。该方法包括以下步骤：在步骤101中，获取时间序列数据，该时间序列数据由多帧路况图构成，每帧路况图包括目标设备本文档来自技高网...

【技术保护点】
1.一种无人驾驶设备的运行规划方法，其特征在于，所述方法包括：获取时间序列数据；所述时间序列数据由多帧路况图构成，每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息；基于所述时间序列数据，确定规划引导地图，所述规划引导地图包括未来预设时段内，所述障碍物对应的可能位置区域信息；基于所述规划引导地图，确定所述目标设备的运行规划信息。

【技术特征摘要】
1.一种无人驾驶设备的运行规划方法，其特征在于，所述方法包括：获取时间序列数据；所述时间序列数据由多帧路况图构成，每帧所述路况图包括目标设备的状态信息及所述目标设备检测到的障碍物的状态信息；基于所述时间序列数据，确定规划引导地图，所述规划引导地图包括未来预设时段内，所述障碍物对应的可能位置区域信息；基于所述规划引导地图，确定所述目标设备的运行规划信息。2.根据权利要求1所述的方法，其特征在于，所述获取时间序列数据，包括：获取第一信息、第二信息以及目标地图；所述第一信息包括所述目标设备在每个预设的目标时刻的状态信息，所述第二信息包括所述障碍物在每个所述目标时刻的状态信息，所述目标地图包括所述目标设备在每个所述目标时刻所处环境的地图帧；基于所述第一信息、所述第二信息以及所述目标地图，生成每个所述目标时刻对应的一帧路况图；基于每个所述目标时刻对应的一帧路况图，确定所述时间序列数据。3.根据权利要求1所述的方法，其特征在于，所述基于所述时间序列数据，确定规划引导地图，包括：基于所述时间序列数据，利用预先训练的ARIMA差分整合移动平均自回归模型，确定规划引导地图。4.根据权利要求3所述的方法，其特征在于，所述基于所述时间序列数据，利用预先训练的ARIMA差分整合移动平均自回归模型，确定规划引导地图，包括：针对每帧所述路况图，按照预设顺序将该路况图的每个像素点进行排列，构成该路况图的一维数组；根据每帧所述路况图的一维数组，确定所述时间序列数据的目标向量；将所述目标向量输入至预先训练的ARIMA模型中；获取所述ARIM...

【专利技术属性】
技术研发人员：丁曙光，郭潇阳，任冬淳，付圣，钱德恒，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：北京,11