预测车辆的移动轨迹的方法及系统技术方案

提供一种预测车辆的移动轨迹的方法及系统。确定移动障碍物的空间位置在一段时间内的障碍物状态演变。还确定移动障碍物与移动障碍物附近的一条或多条车道中的每条车道在一段时间内的障碍物关系演变。基于障碍物状态演变和车道‑障碍物演变预测移动障碍物的预期移动。此后，基于所预测的移动障碍物的预期移动，规划ADV的轨迹以控制ADV避免与移动障碍物碰撞。对于在ADV的预定邻近范围内检测到的移动障碍物中的每个，迭代地执行以上过程。

【技术实现步骤摘要】
预测车辆的移动轨迹的方法及系统
本公开的实施例总体上涉及操作自主驾驶车辆。更具体地，本公开的实施例涉及预测移动障碍物的移动或轨迹。
技术介绍
以自主模式(例如，无人驾驶)操作的车辆可以减轻乘员(特别是驾驶员)免于某些与驾驶有关的责任。当以自主模式操作时，车辆可以使用车载传感器导航到各种位置，允许车辆在最少的人机交互、或者在某些情况下无需任何乘客的情况下行进。运动规划和控制是自主驾驶中至关重要的操作。在规划自主驾驶车辆(autonomousdrivingvehicle,ADV)的路径或轨迹时，重要的是预测在ADV邻近范围内的每个移动障碍物的移动或轨迹。但是，这样的预测难以实现高精度。例如，可以通过移动障碍物的驾驶员的意图确定移动障碍物的轨迹，这受周围静态环境(诸如，移动障碍物附近的风景、车道线和道路形状)的影响。因此，可能难以估计移动障碍物的驾驶员的意图。
技术实现思路
在第一方面中，提供一种用于操作自主驾驶车辆(ADV)的计算机实现方法，方法包括：确定移动障碍物的空间位置在一段时间内的障碍物状态演变；确定移动障碍物与移动障碍物附近的一条或多条车道中的每条车道在一段时间内的车道-障碍物关系演变；基于障碍物状态演变和车道-障碍物关系演变，预测移动障碍物的预期移动；以及基于所预测的移动障碍物的预期移动，规划ADV的轨迹以控制ADV避免与移动障碍物碰撞。在第二方面中，提供一种非暂时性机器可读介质，具有存储在其中的指令，指令在由处理器执行时使处理器执行如第一方面所述的操作自主驾驶车辆(ADV)的方法的操作。在第三方面中，提供一种数据处理系统，包括：处理器；以及存储器，耦合到处理器并被配置为存储指令，指令在由处理器执行时使处理器执行如第一方面所述的操作自主驾驶车辆(ADV)的方法的操作。通过本专利技术的方法及系统，可以准确地预测移动障碍物的移动轨迹。附图说明在附图的图中以示例而非限制的方式示出本公开的实施例，在附图中，相似的附图标记指示相似的元件。图1是示出根据一个实施例的联网系统的框图。图2是示出根据一个实施例的自主车辆的示例的框图。图3A-3B是示出根据一个实施例的与自主车辆一起使用的感知和规划系统的示例的框图。图4是示出根据一个实施例的预测模块的示例的框图。图5是示出根据一个实施例的预测模块的示例的处理流程图。图6示出预测移动障碍物在出口附近的轨迹的问题的示例。图7A示出通过网格状欧几里得方法基于动态交互作用预测行人的轨迹的示例。图7B示出通过非欧几里得方法基于动态交互作用预测行人的轨迹的示例。图7C示出通过网格状欧几里得方法基于静态环境预测移动障碍物的轨迹的示例。图7D示出根据一个实施例的基于静态环境预测移动障碍物的轨迹的示例。图8示出根据一个实施例的预测移动障碍物的轨迹的方法的示例。图9A-9E示出预测移动障碍物的轨迹的方法的示例的细节。图9A示出新信息的接收；图9B示出时间演变；图9C示出空间聚合；图9D示出车道注意力；以及图9E示出移动障碍物的整体状态的更新。图10是示出根据一个实施例的预测移动障碍物的轨迹的过程的流程图。具体实施方式将参考下面讨论的细节来描述本公开的各种实施例和方面，并且附图将示出各种实施例。以下描述和附图是本公开的说明，并且不应被解释为限制本公开。许多具体细节被描述以提供对本公开的各种实施例的全面理解。然而，在某些情况下，为了提供对本公开的实施例的简要讨论，没有描述公知的或常规的细节。在说明书中对“一个实施例”或“一实施例”的引用是指结合该实施例描述的特定特征、结构或特性可以被包含在本公开的至少一个实施例中。说明书中各个地方出现的短语“在一个实施例中”不一定都指相同的实施例。根据一些实施例，通过利用注意力机制以及长短期记忆(longshort-termmemory,LSTM)网络，学习驾驶员的意图与移动障碍物相对于道路基础设施改变位置之间的关系。关系用于指导移动障碍物的预期移动的预测。例如，公路上的车道可以被视为非欧几里得结构，以及移动障碍物的移动历史可以被展开以形成时空图。可以基于图形神经网络预测移动障碍物的预期移动。通过使用非欧几里得方法处理所预测物体周围的静态环境特征是有利的。本文公开的方法的实用性和可解释性分析示出在各种自主驾驶系统中大规模部署的巨大潜力。根据一个实施例，公开了一种用于操作ADV的计算机实现方法。确定移动障碍物的空间位置在一段时间内的障碍物状态演变。还确定移动障碍物与移动障碍物附近的一条或多条车道中的每条车道在一段时间内的车道-障碍物关系演变。基于障碍物状态演变和车道-障碍物关系演变预测移动障碍物的预期移动。此后，基于所预测的移动障碍物的预期移动，规划ADV的轨迹以控制ADV避免与移动障碍物碰撞。对于在ADV的预定邻近范围内检测到的移动障碍物中的每个，迭代地执行以上过程。在一个实施例中，可以基于移动障碍物的空间位置以及移动障碍物与一条或多条车道中的每条车道的车道-障碍物关系演变生成时空图。时空图可以包括两种类型的节点、空间边的集合和两种类型的时间边。两种类型的节点可以包括表示移动障碍物在给定时间的空间位置的障碍物节点，以及表示在给定时间的多条车道中的每条车道的对应车道节点。例如，空间边的集合中的每条空间边可以指示障碍物节点与对应车道节点之间的对应成对关系。例如，两种类型的时间边可以包括移动障碍物的空间位置在一段时间内的障碍物状态演变，以及移动障碍物与一条或多条车道中的每条车道在一段时间内的车道-障碍物关系演变。。在一个实施例中，通过使用包括多层感知(multi-layerperception,MLP)网络的LSTM网络确定移动障碍物的空间位置在一段时间内的障碍物状态演变。在一个实施例中，通过使用包括MLP网络的LSTM网络确定移动障碍物对一条或多条车道中的每条车道在一段时间内的车道-障碍物关系演变。在一个实施例中，确定指示移动障碍物的预期移动的聚合车道编码，其中，还基于聚合车道编码预测移动障碍物的预期移动。在一个实施例中，对于一条或多条车道中的每条车道，基于移动障碍物与车道的车道-障碍物关系演变、车道对移动障碍物的当前相对位置以及车道的未来形状确定车道编码。在一个实施例中，对于一条或多条车道中的每条车道，基于移动障碍物与车道的车道-障碍物关系演变以及车道对移动障碍物的当前相对位置确定车道的注意力得分。在一个实施例中，聚合车道编码基于一条或多条车道中的每条车道的车道编码的加权和，其中一条或多条车道中的每条车道的权重基于车道的注意力得分。图1是示出根据本公开的一个实施例的自主车辆网络配置的框图。参考图1，网络配置100包括可以通过网络102通信地耦合到一个或多个服务器103-104的自主车辆101。尽管示出一个自主车辆，但是多个自主车辆可以彼此耦合和/或通过网络102耦合到服务器103-104。网络102可以本文档来自技高网...

【技术保护点】
1.一种用于操作自主驾驶车辆(ADV)的计算机实现方法，方法包括：/n确定移动障碍物的空间位置在一段时间内的障碍物状态演变；/n确定移动障碍物与移动障碍物附近的一条或多条车道中的每条车道在一段时间内的车道-障碍物关系演变；/n基于障碍物状态演变和车道-障碍物关系演变，预测移动障碍物的预期移动；以及/n基于所预测的移动障碍物的预期移动，规划ADV的轨迹以控制ADV避免与移动障碍物碰撞。/n

【技术特征摘要】
20191212 US 16/712,3171.一种用于操作自主驾驶车辆(ADV)的计算机实现方法，方法包括：
确定移动障碍物的空间位置在一段时间内的障碍物状态演变；
确定移动障碍物与移动障碍物附近的一条或多条车道中的每条车道在一段时间内的车道-障碍物关系演变；
基于障碍物状态演变和车道-障碍物关系演变，预测移动障碍物的预期移动；以及
基于所预测的移动障碍物的预期移动，规划ADV的轨迹以控制ADV避免与移动障碍物碰撞。


2.根据权利要求1所述的方法，还包括，基于移动障碍物的空间位置和移动障碍物与一条或多条车道中的每条车道的车道-障碍物关系演变生成时空图。


3.根据权利要求2所述的方法，其中时空图包括多种类型的节点、空间边的集合和多种类型的时间边。


4.根据权利要求3所述的方法，其中多种类型的节点包括：表示移动障碍物在给定时间的空间位置的障碍物节点；以及表示在给定时间的多条车道中的每条车道的对应车道节点。


5.根据权利要求4所述的方法，其中空间边的集合中的每条空间边指示障碍物节点与对应车道节点之间的对应成对关系。


6.根据权利要求3所述的方法，其中多种类型的时间边包括：移动障碍物在一段时间内的空间位置的障碍物状态演变，以及移动障碍物与一条或多条车道中的每条车道在一段时间内的车道-障碍物关系演变。


7.根据权利要求1所述的方法，其中通过使用长短期记忆(LSTM)网络或多层感知(MLP)网络中的至少...

【专利技术属性】
技术研发人员：潘嘉诚，孙宏艺，许珂诚，蒋一飞，肖祥全，胡江滔，缪景皓，
申请(专利权)人：百度美国有限责任公司，
类型：发明
国别省市：美国;US