一种车辆驾驶轨迹规划方法、装置、车辆和存储介质与流程

摘要: 本技术涉及自动驾驶,特别是涉及一种车辆驾驶轨迹规划方法、装置、车辆和存储介质。背景技术:1、随着人工智能技术的发展,端到端自动驾驶规划方法已在常规驾驶场景中展现...
一种车辆驾驶轨迹规划方法、装置、车辆和存储介质与流程

本技术涉及自动驾驶,特别是涉及一种车辆驾驶轨迹规划方法、装置、车辆和存储介质。

背景技术:

1、随着人工智能技术的发展,端到端自动驾驶规划方法已在常规驾驶场景中展现出较高的规划精度和计算效率。其主流方法是将传感器采集的观测数据直接映射为未来多个时刻的车辆轨迹,然而,仅依赖当前观测信息的方法在复杂交互场景、转弯路段和远期规划节点中,由于缺乏对未来环境演化的推演,容易产生远端轨迹漂移,影响规划精度。

2、相关技术引入世界模型对未来环境状态进行预测,并将预测结果用于辅助轨迹生成。这类方案通常在每个未来时间步均计算并融合世界模型输出,即采用密集未来预测和融合策略。但在实际应用中,高维未来状态在每个轨迹点的重复计算容易导致显著的计算冗余和推理时延,增加车端部署压力;并且,递归滚动预测时早期误差沿时间链累积,导致远端预测结果偏离实际情况。

技术实现思路

1、基于此,有必要针对至少一个上述技术问题,提供一种车辆驾驶轨迹规划方法、装置、车辆和存储介质。

2、在第一方面,本技术的实施例提供了一种车辆驾驶轨迹规划方法,该方法包括:

3、获取车辆在多个历史时刻的环境感知数据、运动状态数据和位姿数据;

4、根据环境感知数据提取当前驾驶场景的场景特征;

5、基于场景特征,生成多条候选轨迹;每条候选轨迹包括预设数量按时间顺序排列的轨迹点;

6、根据多条候选轨迹的代价评分,确定目标规划轨迹;

7、在生成每条候选轨迹时:

8、若已生成的上一个轨迹点的置信度不低于预设阈值,则根据场景特征生成下一个轨迹点;

9、若上一个轨迹点的置信度低于预设阈值,则采用预设环境预测模型,根据场景特征、运动状态数据、位姿数据,以及已生成的驾驶指令序列,生成下一个轨迹点对应的未来时刻的环境预测特征,将环境预测特征与场景特征进行融合,并根据融合特征生成下一个轨迹点。

10、在一些实施例中,车辆驾驶轨迹规划方法还包括:

11、基于当前轨迹点的网络隐藏状态和当前轨迹点对应的规划位姿数据,采用预设置信度估计网络,确定当前轨迹点的预测偏差尺度;

12、根据预测偏差尺度确定当前轨迹点的置信度;其中,预测偏差尺度与置信度呈负相关。

13、在一些实施例中,车辆驾驶轨迹规划方法还包括:

14、获取参考轨迹中与模拟轨迹点对应时刻的参考轨迹点;参考轨迹为按照规范驾驶路线行驶所产生的标准轨迹;

15、根据参考轨迹点与模拟轨迹点之间的误差,以及模拟轨迹点对应的初始预测偏差尺度,构建置信度损失;其中,初始预测偏差尺度是通过初始置信度估计网络得到的;初始预测偏差尺度越大,对置信度损失的贡献越小;

16、根据置信度损失修正初始置信度网络的参数,确定预设置信度估计网络。

17、在一些实施例中,采用预设的环境预测模型,根据场景特征、运动状态数据、位姿数据,以及当前已生成的驾驶指令序列,生成下一个轨迹点对应的未来时刻的环境预测特征,包括以下步骤:

18、将场景特征、运动状态数据、位姿数据以及驾驶指令序列排列为统一序列;

19、采用因果注意力机制对统一序列进行编码;因果注意力机制用于限定统一序列中的任一元素在编码时仅能关注位于当前元素之前的元素;

20、根据编码结果生成环境预测特征。

21、在一些实施例中,将环境预测特征与场景特征进行融合,包括以下步骤:

22、将场景特征作为查询矩阵,将环境预测特征作为键矩阵和值矩阵;

23、通过跨注意力机制计算查询矩阵与键矩阵的注意力权重;

24、根据注意力权重对值矩阵进行加权求和,得到融合后的特征。

25、在一些实施例中,车辆驾驶轨迹规划方法还包括:

26、获取样本数据集;样本数据集包括:环境感知数据、样本运动状态数据、样本位姿数据,以及样本驾驶指令序列;

27、采用初始环境预测模型,基于样本数据集,确定目标时刻的样本环境预测特征;

28、根据样本环境预测特征与目标时刻对应的真实环境特征,确定第一损失值;

29、根据第一损失值更新初始环境预测模型的参数,以减少样本环境预测特征与真实环境特征之间的差异。

30、在一些实施例中,车辆驾驶轨迹规划方法还包括:

31、采用初始环境预测模型,根据第一起始时刻到指定时刻的第一样本驾驶指令序列,确定指定时刻的第一环境预测特征;

32、采用初始环境预测模型,根据第二起始时刻到指定时刻的第二样本驾驶指令序列,确定指定时刻的第二环境预测特征;

33、根据第一环境预测特征和第二环境预测特征,确定第二损失值;

34、根据第二损失值更新初始环境预测模型的参数,以减少第一环境预测特征与第二环境预测特征之间的差异。

35、在一些实施例中,车辆驾驶轨迹规划方法还包括:

36、采用初始环境预测模型,根据第一驾驶场景对应的第一样本数据集,确定目标未来时刻的第一样本环境预测特征;

37、根据同一训练批次中至少一个第二驾驶场景对应的第二样本数据集,确定目标未来时刻的第二样本环境预测特征;

38、根据第一样本环境预测特征和第二样本环境预测特征,确定第三损失值;

39、根据第三损失值更新初始环境预测模型的参数,以减少第一样本环境预测特征和第二样本环境预测特征之间的相似度。

40、在第二方面,本技术的实施例提供了一种车辆驾驶轨迹规划装置,该装置包括:

41、数据获取模块,用于获取车辆在多个历史时刻的环境感知数据、运动状态数据和位姿数据;

42、场景特征提取模块,用于根据环境感知数据提取当前驾驶场景的场景特征;

43、候选轨迹生成模块,用于基于场景特征,生成多条候选轨迹;每条候选轨迹包括预设数量按时间顺序排列的轨迹点;

44、目标轨迹确定模块,用于根据多条候选轨迹的代价评分,确定目标规划轨迹;

45、其中,候选轨迹模块还包括第一生成单元和第二生成单元,候选轨迹模块在生成每条候选轨迹时:

46、第一生成单元用于若已生成的上一个轨迹点的置信度不低于预设阈值,则根据场景特征生成下一个轨迹点;

47、第二生成单元用于若上一个轨迹点的置信度低于预设阈值,则采用预设环境预测模型,根据场景特征、运动状态数据、位姿数据,以及已生成的驾驶指令序列,生成下一个轨迹点对应的未来时刻的环境预测特征,将环境预测特征与场景特征进行融合,并根据融合特征生成下一个轨迹点。

48、在第三方面,本技术的实施例提供了一种自动驾驶车辆,该车辆包括:

49、传感器组件,用于采集车辆的环境感知数据、运动状态数据和位姿数据;

50、车载控制器,包括一个或多个处理器以及存储有计算机程序的存储器,当处理器执行计算机程序时,实现如第一方面本技术的任一实施例中提供的车辆驾驶轨迹规划方法的步骤。

51、在第四方面,本技术的实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面本技术的任一实施例中提供的车辆驾驶轨迹规划方法的步骤。

52、上述车辆驾驶轨迹规划方法、装置、车辆和存储介质,为候选轨迹中的每个轨迹点赋予置信度,并基于置信度门控决定是否调用环境预测模型,使得环境预测模型的调用不再是固定密集的,而是根据轨迹点自身的可靠性按需触发,避免了高维环境预测特征在每个轨迹点均被重复计算所带来的计算冗余问题,降低了轨迹规划过程中的额外计算开销和推理时延;并且,环境预测模型的计算资源能够被精准地分配到真正需要未来信息的关键时刻,实现了计算资源的按需分配和高效利用。