碰撞危险状态的确定方法、装置、电子设备和存储介质制造方法及图纸

本公开实施例公开了一种碰撞危险状态的确定方法、装置、电子设备和存储介质，其中，方法包括：获取当前自车状态信息及当前对象信息，当前对象信息包括当前观测到的对象的当前状态信息；基于当前自车状态信息和当前对象信息，确定具有潜在碰撞风险的目标对象；基于当前自车状态信息、目标对象的当前状态信息及预设运动模型预测规则，确定自车与目标对象的碰撞危险状态。本公开实施例可以有效提高碰撞危险识别的鲁棒性和泛用性，避免或大大降低不可预期的风险，且基于规则的识别方法相对于机器学习还可以有效降低计算复杂度。学习还可以有效降低计算复杂度。学习还可以有效降低计算复杂度。

【技术实现步骤摘要】
碰撞危险状态的确定方法、装置、电子设备和存储介质


[0001]本公开涉及汽车安全技术，尤其是一种碰撞危险状态的确定方法、装置、电子设备和存储介质。

技术介绍

[0002]在汽车行业中，随着汽车保有量的增加和道路交通的建设，车流量和行车速度大幅增长，为道路交通安全带来很大压力。为了提高汽车行驶安全性，汽车安全技术取得了蓬勃发展，比如汽车硬件与算法均得到了长足的发展，高级驾驶辅助系统(Advanced Driver Assistance System，简称：ADAS)技术日趋成熟，更高级别的自动驾驶技术也在逐步地测试落地。但是，自动驾驶安全性使得自动驾驶车辆的量产化较困难。相关技术中，通常基于机器学习的主动安全保障功能识别车辆行驶过程中的碰撞危险，并在识别出碰撞危险时控制车辆进行制动操作。但是，基于机器学习的识别方法在应用过程中容易存在不可预期的风险。

技术实现思路

[0003]为了解决上述机器学习识别存在不可预期的风险等技术问题，本公开的实施例提供了一种碰撞危险状态的确定方法、装置、电子设备和存储介质，以提高碰撞风险识别的鲁棒性和泛用性，避免不可预期的风险，从而提高车辆行驶安全性。
[0004]本公开的第一个方面，提供了一种碰撞危险状态的确定方法，包括：获取当前自车状态信息及当前对象信息，所述当前对象信息包括当前观测到的对象的当前状态信息；基于所述当前自车状态信息和所述当前对象信息，确定具有潜在碰撞风险的目标对象；基于所述当前自车状态信息、所述目标对象的所述当前状态信息及预设运动模型预测规则，确定自车与所述目标对象的碰撞危险状态。
[0005]本公开的第二个方面，提供了一种碰撞危险状态的确定装置，包括：第一获取模块，用于获取当前自车状态信息及当前对象信息，所述当前对象信息包括当前观测到的对象的当前状态信息；第一处理模块，用于基于所述当前自车状态信息和所述当前对象信息，确定具有潜在碰撞风险的目标对象；第二处理模块，用于基于所述当前自车状态信息、所述目标对象的所述当前状态信息及预设运动模型预测规则，确定所述自车与所述目标对象的碰撞危险状态。
[0006]本公开的第三个方面，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，所述计算机程序用于执行本公开上述任一实施例所述的碰撞危险状态的确定方法。
[0007]本公开的第四个方面，提供一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本公开上述任一实施例所述的碰撞危险状态的确定方法。
[0008]本公开的第五个方面，提供了一种计算机程序产品，当所述计算机程序产品中的
指令被处理器执行时，执行本公开第一个方面实施例提供的碰撞危险状态的确定方法。
[0009]基于本公开上述实施例提供的碰撞危险状态的确定方法、装置、电子设备和存储介质，通过先确定出具有潜在碰撞风险的目标对象，对于明显没有碰撞风险的对象无需进行碰撞危险状态的确定，可以有效降低后续的计算复杂度，进而基于运动模型预测规则确定自车与目标对象的碰撞危险状态，由于运动模型预测规则具有较强的可解释性，且是基于自车与目标对象的实时运动状态确定是否具有碰撞危险，更加符合车辆行驶的实际情况，因此，一方面可以有效提高碰撞危险识别的鲁棒性和泛用性，避免或大大降低不可预期的风险，另一方面基于规则的识别方法相对于机器学习还可以有效降低计算复杂度。
附图说明
[0010]图1本公开提供的碰撞危险状态的确定方法的一个示例性的应用场景；
[0011]图2是本公开一示例性实施例提供的碰撞危险状态的确定方法的流程示意图；
[0012]图3是本公开另一示例性实施例提供的碰撞危险状态的确定方法的流程示意图；
[0013]图4是本公开一示例性实施例提供的步骤2031的流程示意图；
[0014]图5是本公开一示例性实施例提供的曲线运动下的侵入状态确定原理示意图；
[0015]图6是本公开一示例性实施例提供的纵向指标阈值的与车速和相对距离的关系示意图；
[0016]图7是本公开一示例性实施例提供的碰撞危险状态的确定装置的结构示意图；
[0017]图8是本公开另一示例性实施例提供的碰撞危险状态的确定装置的结构示意图；
[0018]图9是本公开实施例提供的一种电子设备的结构图。
具体实施方式
[0019]为了解释本公开，下面将参考附图详细地描述本公开的示例实施例，显然，所描述的实施例仅是本公开的一部分实施例，而不是全部实施例，应理解，本公开不受示例性实施例的限制。
[0020]应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0021]本公开概述
[0022]在实现本公开的过程中，专利技术人发现，在汽车行业中，随着汽车保有量的增加和道路交通的建设，车流量和行车速度大幅增长，为道路交通安全带来很大压力。为了提高汽车行驶安全性，汽车安全技术取得了蓬勃发展，比如汽车硬件与算法均得到了长足的发展，高级驾驶辅助系统(Advanced Driver Assistance System，简称：ADAS)技术日趋成熟，更高级别的自动驾驶技术也在逐步地测试落地。但是，自动驾驶安全性使得自动驾驶车辆的量产化较困难。相关技术中，通常基于机器学习的主动安全保障功能识别车辆行驶过程中的碰撞危险，并在识别出碰撞危险时控制车辆进行制动操作。但是，基于机器学习的识别方法可解释性差，在应用过程中容易存在不可预期的风险。
[0023]示例性概述
[0024]图1是本公开提供的碰撞危险状态的确定方法的一个示例性的应用场景。
[0025]在自动驾驶、辅助驾驶等场景，车辆行驶过程中，为了能够及时进行碰撞预警及采
取避撞措施，利用本公开的碰撞危险状态的确定方法，可以获取当前自车状态信息及当前对象信息，当前对象信息包括当前观测到的对象的当前状态信息，当前自车状态信息可以包括自车的当前速度、当前加速器、当前方向盘转角等信息，还可以包括自车的当前定位信息，比如自车的当前位置和当前姿态，或者用于确定自车当前位置和当前姿态的各种传感器数据，具体可以根据实际需求设置。当前对象信息可以包括当前观测到的对象的位置、速度、加速度、朝向、大小等信息，当前对象信息可以基于视觉、雷达等感知方式感知获得，具体不作限定。基于当前自车状态信息和当前对象信息，确定出具有潜在碰撞风险的目标对象，进而针对目标对象，基于当前自车状态信息、目标对象的当前状态信息及预设运动模型预测规则，确定自车与目标对象的碰撞危险状态，从而可以根据碰撞危险状态采取对应的避撞措施，比如，碰撞危险状态可以分为多种情况，当可以通过转向避撞时，及时采取转向避撞，当无法通过转向避撞时，及时通过紧急制动避撞，等等，以保障车辆行驶的安全性。图中xoy表示自车的车辆坐标系(可以称为自车坐标系)，原点o为自车后轴中心，x表示纵轴(沿自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种碰撞危险状态的确定方法，包括：获取当前自车状态信息及当前对象信息，所述当前对象信息包括当前观测到的对象的当前状态信息；基于所述当前自车状态信息和所述当前对象信息，确定具有潜在碰撞风险的目标对象；基于所述当前自车状态信息、所述目标对象的所述当前状态信息及预设运动模型预测规则，确定自车与所述目标对象的碰撞危险状态。2.根据权利要求1所述的方法，其中，所述基于所述当前自车状态信息、所述目标对象的所述当前状态信息及预设运动模型预测规则，确定自车与所述目标对象的碰撞危险状态，包括：基于所述当前自车状态信息、所述目标对象的所述当前状态信息及所述预设运动模型预测规则，确定所述自车与所述目标对象避免碰撞的横向指标值和纵向指标值；基于所述横向指标值、所述纵向指标值、预配置的横向指标阈值和纵向指标阈值，确定所述自车与所述目标对象的碰撞危险状态。3.根据权利要求2所述的方法，其中，所述基于所述当前自车状态信息、所述目标对象的所述当前状态信息及所述预设运动模型预测规则，确定所述自车与所述目标对象避免碰撞的横向指标值和纵向指标值，包括：基于预配置的自车响应时间，确定起始预测时间点；基于所述当前自车状态信息和所述目标对象的所述当前状态信息，确定所述起始预测时间点对应的第一自车状态信息和所述目标对象的第一状态信息；基于所述起始预测时间点及第一时间间隔，确定从所述起始预测时间点开始的预测时间窗内的关键预测时间点；基于所述目标对象的所述第一状态信息，确定所述目标对象的第一运动类型；采用所述第一运动类型对应的运动模型，确定所述目标对象在各所述关键预测时间点的第二状态信息；基于所述目标对象在各所述关键预测时间点的所述第二状态信息，以及所述第一自车状态信息，确定所述横向指标值和所述纵向指标值。4.根据权利要求3所述的方法，其中，所述基于所述目标对象在各所述关键预测时间点的所述第二状态信息，以及所述第一自车状态信息，确定所述横向指标值，包括：获取所述自车与所述目标对象的碰撞时间；基于所述碰撞时间，从各所述关键预测时间点中确定目标关键预测时间点；基于所述目标关键预测时间点及第二时间间隔，确定第一数量的目标时间点，所述第二时间间隔小于所述第一时间间隔；基于所述目标对象在各所述关键预测时间点的所述第二状态信息，确定所述目标对象在各所述目标时间点的第三状态信息；基于所述第一自车状态信息，采用所述第一自车状态信息对应的运动模型，确定在各所述目标时间点的第二自车状态信息；基于各所述第二自车状态信息和各所述第三状态信息，确定所述自车与所述目标对象在各所述目标时间点的纵向相遇状态；
针对任一所述目标时间点，响应于该目标时间点的所述纵向相遇状态为相遇，基于所述第一自车状态信息，采用预设转向避让运动模型，确定该目标时间点对应的所述自车避免与所述目标对象发生碰撞的转向曲率；基于所述纵向相遇状态为相遇的各所述目标时间点分别对应的所述转向曲率，确定最大转向曲率和/或最小转向曲率；将所述最大转向曲率和/或所述最小转向曲率，作为所述横向指标值。5.根据权利要求4所述的方法，其中，所述基于各所述第二自车状态信息和各所述第三状态信息，确定所述自车与所述目标对象在各所述目标时间点的纵向相遇状态，包括：基于各所述第三状态信息，确定所述目标对象在各所述目标时间点分别对应的角点坐标；针对任一所述目标时间点，基于所述目标对象在该目标时间点的角点坐标，确定该目标时间点离所述自车最近的目标角点坐标；基于该目标时间点的所述第二自车状态信息，确定所述自车的前端预设点的第一纵坐标；基于所述第一纵坐标和所述目标角点坐标的第二纵坐标，确定所述自车与所述目标对象在该目标时间点的所述纵向相遇状态。6.根据权利要求4所述的方法，其中，所述基于所述第一自车状态信息，采用预设转向避让运动模型，确定该目标时间点对应的所述自车避免与所述目标对象发生碰撞的转向曲率，包括：基于所述第一自车状态信息，确定所述自车的初始曲率和初始速度；基于所述初始曲率、所述初始速度、所述目标对象的所述角点坐标及曲率变化率确定规则，确定所述自车避免与所述目标对象的所述角点坐标产生交集所需要的曲率变化率；基于所述初始曲率和所述曲率变化率，确定所述转向曲率。7.根据权利要求3所述的方法，其中，基于所述目标对象在各所述关键预测时间点的所述第二状态信息，以及所述第一自车状态信息，确定所述纵向指标值，包括：基于所述目标对象在各所述关键预测时间点的所述第二状态信息，确定所述目标对象在各所述关键预测时间点的角点坐标；针对任一所述关键预测时间点，基于所述目标对象在该关键预测时间点的角点坐标，及所述第一自车状态信息，确定所述目标对象在该关键预测时间点侵入自车行驶轨迹的侵入状态；响应于所述侵入状态为侵入，基于所述第一自车状态信息和所述目标对象在该关键预测时间点的所述角点坐标，采用预设变速运动模型，确定所述自车避免与所述目标对象碰撞所需要的目标速...

【专利技术属性】
技术研发人员：王桢，常敬虎，齐连军，王东，
申请(专利权)人：地平线上海人工智能技术有限公司，
类型：发明
国别省市：