一种确定无人车运动策略的方法及装置制造方法及图纸

本说明书公开了一种确定无人车运动策略的方法及装置，无人车在行驶过程中持续采集图像，因此可确定当前时刻采集的图像，之后将该图像输入到预先训练的决策模型的编码端，以得到当前时刻对应的路况特征向量。之后，将历史上通过决策模型的编码端得到的各历史时刻分别对应的路况特征向量，当前时刻对应的路况特征向量以及该无人车当前时刻的运动策略，输入决策模型的解码端，得到该无人车下一时刻的运动策略。

A method and device for determining the motion strategy of unmanned vehicle

The specification discloses a method and device for determining the motion strategy of the unmanned vehicle. The unmanned vehicle continuously collects images during the driving process, so the image collected at the current time can be determined, and then the image is input to the coding end of the pre trained decision model to obtain the road condition feature vector corresponding to the current time. After that, input the road condition eigenvector corresponding to each historical time, the road condition eigenvector corresponding to the current time and the motion strategy corresponding to the current time of the unmanned vehicle, and input the decoding end of the decision model to get the motion strategy of the unmanned vehicle at the next time.

【技术实现步骤摘要】
一种确定无人车运动策略的方法及装置
本申请涉及无人驾驶车辆
，尤其涉及一种确定无人车运动策略的方法及装置。
技术介绍
无人驾驶车辆是指通过自身搭载的传感系统，感知周围道路环境，并自动规划行车路线并控制车辆到达预定目标的一种智能车辆。现有技术中，一种无人车的路径规划方法，是使用基于长短期记忆网络(LongShort-TermMemory，LSTM)的编码-解码器结构，通过输入历史上M个时刻的障碍物的实际坐标，输出未来N个时刻的障碍物的预测坐标，并根据预设的避障方法，控制无人车行驶。该方法最大的优势是模型简单，同时确定无人车避障的方式。缺点也比较明显，由于仅仅使用各障碍物的位置信息，使得避障和路径选择的效果差。并且，也没有考虑到各个时刻的路况信息的不同带来的影响，例如，道路数量的变化带来的影响，车辆类型带来的影响等等。使得现有方法确定无人车运动策略，不够灵活准确。
技术实现思路
本说明书实施例提供一种确定无人车运动策略的方法及装置，以部分的解决现有技术存在的上述问题。r>本说明书实施例采本文档来自技高网...

【技术保护点】
1.一种确定无人车运动策略的方法，其特征在于，无人车在行驶过程中持续采集图像，所述方法包括：/n确定无人车当前时刻采集的图像；/n将所述图像输入到预先训练的决策模型的编码端，以得到所述当前时刻对应的路况特征向量；/n将已经通过所述编码端得到的各历史时刻分别对应的路况特征向量、所述当前时刻对应的路况特征向量以及所述当前时刻所述无人车的运动策略输入所述决策模型的解码端，以得到所述无人车在下一时刻的运动策略。/n

【技术特征摘要】
1.一种确定无人车运动策略的方法，其特征在于，无人车在行驶过程中持续采集图像，所述方法包括：
确定无人车当前时刻采集的图像；
将所述图像输入到预先训练的决策模型的编码端，以得到所述当前时刻对应的路况特征向量；
将已经通过所述编码端得到的各历史时刻分别对应的路况特征向量、所述当前时刻对应的路况特征向量以及所述当前时刻所述无人车的运动策略输入所述决策模型的解码端，以得到所述无人车在下一时刻的运动策略。


2.如权利要求1所述的方法，其特征在于，所述编码端包括卷积神经网络CNN、第一长短期记忆网络LSTM；
将所述图像输入到预先训练的决策模型的编码端，以得到所述当前时刻对应的路况特征向量，具体包括：
将所述当前时刻的图像，输入到所述CNN，得到图像特征向量；
将得到的所述图像特征向量，以及所述当前时刻的上一时刻对应的路况特征向量，输入到所述第一LSTM，得到所述当前时刻对应的路况特征向量。


3.如权利要求1所述的方法，其特征在于，所述解码端包括注意力层、第二长短期记忆网络LSTM；
将已经通过所述编码端得到的各历史时刻分别对应的路况特征向量、所述当前时刻对应的路况特征向量以及所述当前时刻所述无人车的运动策略输入所述决策模型的解码端，以得到所述无人车在下一时刻的运动策略，具体包括：
根据所述当前时刻所述无人车的运动策略，以及所述当前时刻所述无人车的位置，确定所述注意力层的注意力矩阵；
将所述各历史时刻分别对应的路况特征向量以及所述当前时刻对应的路况特征向量，输入到所述注意力层，得到注意力加权的路况特征向量；
将所述注意力加权的路况特征向量输入所述第二LSTM，得到所述无人车在下一时刻的运动策略。


4.如权利要求3所述的方法，其特征在于，将所述各历史时刻分别对应的路况特征向量以及所述当前时刻对应的路况特征向量，输入到所述注意力层，得到所述注意力加权的路况特征向量，具体包括：
根据所述各历史时刻分别对应的路况特征向量以及所述当前时刻对应的路况特征向量，确定路况特征矩阵；
根据所述路况特征矩阵与所述注意力矩阵，得到注意力加权的路况特征矩阵；
根据所述注意力加权的路况特征矩阵，通过最大池化方法，确定注意力加权的路况特征向量。


5.如权利要求3所述的方法，其特征在于，所述解码端还包括：道路约束层；
将所述注意力加权的路况特征向量输入所述第二LSTM，得到所述无人车在下一时刻的运动策略，具体包括：
根据所述无人车行驶的目标位置以及所述当前时刻所述无人车的位置，确定至少一个规划路径；
采集各规划路径中指定点的坐标，并根据采集的坐标确定路径特征矩阵；
根据所述路径特征矩阵与所述道路约束层的注意力矩阵，确定注意力加权的路径特征矩阵；
根据所述注意力加权的路径特征矩阵，通过最大池化方法，确定注意力加权的路况特征向量；
将所述注意力加权的路况特征向量和所...

【专利技术属性】
技术研发人员：朱炎亮，任冬淳，钱德恒，付圣，丁曙光，王志超，周奕达，
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