【技术实现步骤摘要】
一种车辆在路口处的行驶控制方法、系统及计算机可读存储介质
[0001]本专利技术涉及车辆驾驶控制
，具体而言，主要涉及一种车辆在路口处的行驶控制方法、系统及计算机可读存储介质。
技术介绍
[0002]在自动驾驶领域，基于深度学习的学习方式是指使用深度学习网络技术对人类司机的驾驶行为进行模仿和学习的一种自动驾驶技术。这一技术的主要缺点体现在学习能力上，能够从数据中学习人类的驾驶行为，其缺点在于，该自动驾驶系统高度依赖输入信息，这是因为该系统是通过学习输入数据来进行驾驶功能所导致的。
[0003]目前的自动驾驶中，无人车按照导航指令做出行驶选择，但是其只使用了单一的车载摄像头，造成了系统输入数据所含信息量不足的问题。具体体现为，在路口转弯的场景下，现有的方案没有考虑到路口中行人和车辆等障碍物和自车的交互，没有考虑到自车的行驶趋势，而且不涉及自动驾驶车辆在路口区域中具体的行驶，因而采用现有技术的方案进行路口转弯的成功率很低。
技术实现思路
[0004]本专利技术的目的在于克服现有技术的缺陷，提供一种车...
【技术保护点】
【技术特征摘要】
1.一种车辆在路口处的行驶控制方法，其特征在于，包括：接收路口行驶指引指令并获取车辆当前行车图像、车辆历史行驶轨迹以及识别对象的历史行驶轨迹，其中所述识别对象为对历史行车图像进行图像识别获得的对象；将所述当前行车图像、车辆历史行驶轨迹以及识别对象的历史行驶轨迹输入已训练好的神经网络模型中进行处理，获得所述车辆在所述路口行驶指引指令控制下的预测行驶轨迹；根据所述预测行驶轨迹生成控制指令，将所述控制指令发送给车辆执行机构，以控制车辆执行机构执行所述控制指令。2.根据权利要求1所述的方法，其特征在于，所述将所述当前行车图像、车辆历史行驶轨迹以及识别对象的历史行驶轨迹输入已训练好的神经网络模型中进行处理，获得所述车辆在所述路口行驶指引指令控制下的预测行驶轨迹具体包括：将所述当前行车图像输入第一深度学习网络中，对所述当前行车图像进行特征提取获得第一特征向量；以及将所述识别对象的历史行驶轨迹输入第二深度学习网络中进行处理，获得所述识别对象的预测行驶轨迹的第二特征向量；以及将所述车辆的历史行驶轨迹输入第三深度学习网络中进行处理，获得所述车辆的预测行驶轨迹的第三特征向量；对所述第一特征向量、第二特征向量和第三特征向量进行处理，获得第四特征向量；根据所述路口行驶指引指令和所述第四特征向量计算获得所述车辆在所述路口行驶指引指令控制下的预测行驶轨迹。3.根据权利要求2所述的方法，其特征在于，所述将所述识别对象的历史行驶轨迹输入第二深度学习网络中进行处理，获得所述识别对象的预测行驶轨迹的第二特征向量具体包括：将所述识别对象的历史行驶轨迹输入第一长短期记忆神经网络中进行处理，获得第二特征向量，其中，所述第二特征向量包括所述历史识别对象在设定数量帧的预测图像中的行驶轨迹点坐标；其中，所述将所述车辆的历史行驶轨迹输入第三深度学习网络中进行处理，获得所述车辆的预测行驶轨迹的第三特征向量具体包括：将所述车辆历史行驶轨迹输入第二长短期记忆神经网络中进行学习，获得所述第三特征向量，其中，所述第三特征向量包括所述车辆在设定数量帧的预测图像中的行驶轨迹点坐标。4.根据权利要求3所述的方法，其特征在于，所述对所述第一特征向量、第二特征向量和第三特征向量进行处理，获得第四特征向量具体包括：分别对所述第一特征向量、所述第二特征向量和所述第三特征向量进行展平处理，对应得到第一展平特征向量、第二压展平征向量和第三展平特征向量；对所述第一展平特征向量、所述第二展平特征向量和所述第三展平特征向量进行拼接，获得所述第四特征向量。5.根据权利要求4所述的方法，其特征在于，所述根据所述路口行驶指引指令和所述第四特征向量计算获得所述车辆在所述路口行驶指引指令控制下的预测行驶轨迹具体包括：若所述路口行驶指引指令为左转，则将所述第四特征向量输入所述已训练好的神经网络模型的左转输...
【专利技术属性】
技术研发人员：刘文如，覃小艺，关倩仪，王玉龙，闵欢，
申请(专利权)人：广州汽车集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。