一种应用于辅助驾驶的云边协同自动驾驶方法技术

本发明专利技术涉及一种应用于辅助驾驶的云边协同自动驾驶方法

【技术实现步骤摘要】
一种应用于辅助驾驶的云边协同自动驾驶方法、系统及介质


[0001]本专利技术涉及自动驾驶
，尤其是涉及一种应用于辅助驾驶的云边协同自动驾驶方法
、
系统及介质
。

技术介绍

[0002]近年来由于辅助驾驶技术的快速发展，关于交通环境下的云边协同自动驾驶方法也在不断更替
。
云边协同自动驾驶系统是自动驾驶系统的研究前沿，实现云边协同自动驾驶是辅助驾驶必须攻克的难题，以此对其进行研究具有重要的意义
。
目前交通环境下的自动驾驶的方法主要是车端实时自动驾驶
。
[0003]现有技术中，专利（申请号：
202310282688.6
）公开了一种端到端自动驾驶方法
、
系统及电子设备，该方法包括：分别获取安装于车辆上的相机和激光雷达的相机数据和激光雷达数据；对相机数据和激光雷达数据编码，得到编码器特征；将编码器特征输入第一多层感知机，预测自车的粗粒度的轨迹与控制信号；对粗粒度的轨迹与控制信号进行迭代优化，得到细粒度的轨迹与控制信号
。
但是该方案容易受到车端计算设备算力的的影响，端到端自动驾驶系统在驾驶过程中需要处理各种复杂的交通场景和不确定性因素，鲁棒性和安全性是重要的考虑因素，因为任何失误都可能导致事故，该方案在这方面仍存在挑战，需要更好的算法和策略来提高系统的可靠性和安全性
。
[0004]现有技术中，专利（申请号：
202011118233.3
）公开了基于激光雷达和导航地图的端到端自动驾驶方法及系统，包括：获取车辆周围道路环境的多线激光雷达俯视图图像
、
局部导航地图
、
车辆历史运动信息；构建包括卷积层
、
全连接层
、
展开层以及长短期记忆网络层
LSTM
的端到端神经网络模型；将车辆方向盘的预测转向角和预测车速作为车辆控制信息，通过
CAN
总线输入到整车控制网络，实现对车辆的控制
。
但是该方案是典型的多模态端到端自动驾驶方案，使用深度学习算法计算车辆控制信息，该深度学习算法网络是黑盒模型，难以解释其决策过程，这使得难以对模型的行为进行解释和验证，在自动驾驶领域，解释性和透明度对于确保安全性和可信度至关重要
。

技术实现思路

[0005]鉴于以上现有技术的不足，本专利技术提供了一种应用于辅助驾驶的云边协同自动驾驶方法
、
系统及介质，不仅解决了辅助驾驶端到端自动驾驶的实时性
、
安全性问题，而且优化了端到端自动驾驶车端算力不足导致的规划路径安全问题，保障了辅助驾驶端到端自动驾驶的可行性
。
[0006]为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：一种应用于辅助驾驶的云边协同自动驾驶方法，所述方法包括：
L1.
车辆行驶在道路上，基于车载高精地图实时获取道路的静态地图数据信息，基于车载摄像头实时获取道路的图像数据信息，并进行图像的标准化处理，输出处理后的道路图像数据信息；
L2.
基于所述处理后的道路图像数据信息，采用均衡漂移算法对图像中多目标的像素点进行聚类分析，得到分类后的道路图像数据信息，将所述分类后的道路图像数据信息输入深度学习鸟瞰视角目标检测模型进行目标特征提取，输出多目标的
BEV
特征数据信息；
L3.
将所述多目标的
BEV
特征数据信息输入
Panoptic Segformer
网络模型进行目标语义类别分配和多目标识别，生成多目标的地图数据信息，将所述多目标的地图数据信息和所述道路的静态地图数据信息进行耦合，输出多目标与地图元素的交互数据信息；
L4.
基于所述多目标与地图元素的交互数据信息，采用多层交互注意力算法对车辆轨迹进行预测，输出车辆的规划轨迹数据信息，从而辅助车辆进行自动驾驶
。
[0007]进一步的，在步骤
L4
中，所述采用多层交互注意力算法对车辆轨迹进行预测的步骤包括：
L41.
基于所述多目标与地图元素的交互数据信息，建立第一层注意力函数
MHSA(x)
，，，其中，
n
为目标总数，
x
i
为第
i
个目标与地图元素的交互数据，
x
为多目标与地图元素的交互数据，
ω
i
为第
i
个目标的注意力因子，输出多目标的第一层注意力数据信息；
L42.
基于所述多目标的第一层注意力数据信息，建立第二层注意力函数
F,,
其中，
m
为采样总数，
α
j
为第
j
个目标的权重系数，
MHSA(x)
为第一注意力函数，
x
j
为第
j
个目标与地图元素的交互数据，对多目标的注意力数据信息进行权重分析和融合，输出融合后的注意力数据信息；
L43.
将所述融合后的注意力数据信息输入多层神经网络进行车辆的轨迹的预测，输出车辆的规划轨迹数据信息
。
[0008]进一步的，在步骤
L2
中，所述采用均衡漂移算法对图像中多目标的像素点进行聚类分析的步骤包括：
L21.
基于所述处理后的道路图像数据信息，进行多目标特征提取，得到多目标特征矩阵数据信息；
L22
，基于所述多目标特征矩阵数据信息，建立多目标特征点偏移值函数
Q
，，其中，
S
h
为多目标特征矩阵，
t
为多目标特征矩阵
S
h
中元素的个数，
o
i
为多目标特征矩阵
S
h
中的元素，
x
为中心点，输出多目标特征点偏移值数据信息；
L23.
基于所述多目标特征点偏移值数据信息，设置预设阈值，若所述多目标特征
点偏移值数据信息超过预设阈值则剔除，若所述多目标特征点偏移值数据信息未超过预设阈值则归为一类进行保存；
L24.
重复步骤
L22—L23
，对多目标特征点进行归类，输出分类后的道路图像数据信息
。
[0009]进一步的，所述多目标的
BEV
特征数据信息包括其他车辆的
BEV
特征数据信息
、
障碍物的
BEV
特征数据信息
、
行人的
BEV
特征数据信息和车道线的
BEV
特征数据信息
。
[0010]为了实现上述目的及其他相关目的，本专利技术还提供了一种应用于辅助本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种应用于辅助驾驶的云边协同自动驾驶方法，其特征在于，所述方法包括：
L1.
车辆行驶在道路上，基于车载高精地图实时获取道路的静态地图数据信息，基于车载摄像头实时获取道路的图像数据信息，并进行图像的标准化处理，输出处理后的道路图像数据信息；
L2.
基于所述处理后的道路图像数据信息，采用均衡漂移算法对图像中多目标的像素点进行聚类分析，得到分类后的道路图像数据信息，将所述分类后的道路图像数据信息输入深度学习鸟瞰视角目标检测模型进行目标特征提取，输出多目标的
BEV
特征数据信息；
L3.
将所述多目标的
BEV
特征数据信息输入
Panoptic Segformer
网络模型进行目标语义类别分配和多目标识别，生成多目标的地图数据信息，将所述多目标的地图数据信息和所述道路的静态地图数据信息进行耦合，输出多目标与地图元素的交互数据信息；
L4.
基于所述多目标与地图元素的交互数据信息，采用多层交互注意力算法对车辆轨迹进行预测，输出车辆的规划轨迹数据信息，从而辅助车辆进行自动驾驶
。2.
根据权利要求1所述的应用于辅助驾驶的云边协同自动驾驶方法，其特征在于，在步骤
L4
中，所述采用多层交互注意力算法对车辆轨迹进行预测的步骤包括：
L41.
基于所述多目标与地图元素的交互数据信息，建立第一层注意力函数
MHSA(x)
，，，其中，
n
为目标总数，
x
i
为第
i
个目标与地图元素的交互数据，
x
为多目标与地图元素的交互数据，
ω
i
为第
i
个目标的注意力因子，输出多目标的第一层注意力数据信息；
L42.
基于所述多目标的第一层注意力数据信息，建立第二层注意力函数
F,,
其中，
m
为采样总数，
α
j
为第
j
个目标的权重系数，
MHSA(x)
为第一注意力函数，
x
j
为第
j
个目标与地图元素的交互数据，对多目标的注意力数据信息进行权重分析和融合，输出融合后的注意力数据信息；
L43.
将所述融合后的注意力数据信息输入多层神经网络进行车辆的轨迹的预测，输出车辆的规划轨迹数据信息
。3.
根据权利要求1所述的应用于辅助驾驶的云边协同自动驾驶方法，其特征在于，在步骤
L2
中，所述采用均衡漂移算法对图像中多目标的像素点进行聚类分析的步骤包括：
L21.
基于所述处理后的道路图像数据信息，进行多目标特征提取，得到多目标特征矩阵数据信息；
L22
，基于所述多目标特征矩阵数据信息，建立多目标特征点偏移值函数
Q
，，其中，
S
h
为多目标特征矩阵，
t
为多目标特征矩阵

【专利技术属性】
技术研发人员：雷迪，占锐，徐新平，许子鸣，马立坤，于欢，章品，江成杰，李鑫，崔志斌，吴迪，李满，石雨芳，
申请(专利权)人：东风悦享科技有限公司，
类型：发明
国别省市：