【技术实现步骤摘要】
本专利技术涉及智能驾驶，具体涉及驾驶场景的预测方法和装置、车辆设备、存储介质及程序产品。
技术介绍
1、目前，在车辆的自动驾驶场景中，需要对危险场景进行预测，从而使得规划器可以根据预测的场景信息进行车辆行驶轨迹的预测，然而，常见的场景预测过程中，采用的是传统的动态模型或者运动学模型或者是基于规则的模拟器，只能应对比较常规的交通环境，而在一些突发的危险交通环境下，无法获取到危险场景的准确的环境特征，从而降低了场景预测的准确性，进而降低了智能驾驶的安全性。
技术实现思路
1、本申请实施例提供驾驶场景的预测方法和装置、车辆设备、存储介质及程序产品，可以提升场景预测的准确性，进而提高智能驾驶的安全性。
2、本申请的技术方案是这样实现的：
3、本申请实施例提供一种驾驶场景的预测方法，所述方法应用于驾驶场景的预测装置，所述驾驶场景的预测装置包括：规划器，可学习流量模型，第一优化模块，其中，所述可学习流量模型包括神经网络模型和cvae编码器，所述方法包括：
4、基于所...
【技术保护点】
1.一种驾驶场景的预测方法，其特征在于，所述方法应用于驾驶场景的预测装置，所述驾驶场景的预测装置包括：规划器，可学习流量模型，第一优化模块，其中，所述可学习流量模型包括神经网络模型和条件变分自编码器CVAE，所述方法包括：
2.根据权利要求1所述的驾驶场景的预测方法，其特征在于，所述可学习流量模型还包括：提取网络和第一解码器，所述基于所述神经网络模型对获取的行驶数据进行学习，确定多个车辆设备对应的多个环境特征，包括：
3.根据权利要求2所述的驾驶场景的预测方法，其特征在于，所述将所述多个车辆设备对应的多个驾驶特征输入至所述第一解码器，获得所述多...
【技术特征摘要】
1.一种驾驶场景的预测方法，其特征在于，所述方法应用于驾驶场景的预测装置，所述驾驶场景的预测装置包括：规划器，可学习流量模型，第一优化模块，其中，所述可学习流量模型包括神经网络模型和条件变分自编码器cvae，所述方法包括：
2.根据权利要求1所述的驾驶场景的预测方法，其特征在于，所述可学习流量模型还包括：提取网络和第一解码器，所述基于所述神经网络模型对获取的行驶数据进行学习，确定多个车辆设备对应的多个环境特征，包括：
3.根据权利要求2所述的驾驶场景的预测方法，其特征在于，所述将所述多个车辆设备对应的多个驾驶特征输入至所述第一解码器，获得所述多个车辆设备对应的多个初始环境特征，包括：
4.根据权利要求1所述的驾驶场景的预测方法，其特征在于，所述可学习流量模型还包括第二解码器，所述基于所述多个车辆设备对应的多个环境特征，通过所述cvae编码器确定所述行驶数据对应的初始预测场景，还包括：
5.根据权利要求1所述的驾驶场景的预测方法，其特征在于，所述根据所述初始预测场景和所述第一优化模块，确定所述行驶数据对应的目标预测场景，包括：
6.根据权利要求1所述的驾驶场景的预测方法，其特征在于，所述驾驶场景的预测装置还包括：第二优化模块，所述根据所述初始预测场景和所述第一优化模块，确定所述行驶数据对应的...
【专利技术属性】
技术研发人员：汪向阳，马旭，冯超，癿建建，王科，田浩东，
申请(专利权)人：重庆长安汽车股份有限公司，
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。