车辆变道决策方法、装置、存储介质及车辆与流程

1.本公开涉及自动驾驶领域，尤其涉及一种车辆变道决策方法、装置、存储介质及车辆。


背景技术：

2.自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
3.目前，由于车辆变道导致的交通事故十分常见。因此，对于自动驾驶而言，能够准确决策本车是否能够变道显得尤为重要。


技术实现要素：

4.为克服相关技术中存在的问题，本公开提供一种车辆变道决策方法、装置、存储介质及车辆。
5.根据本公开实施例的第一方面，提供一种车辆变道决策方法，包括：获取用于决策本车是否变道的待处理数据；根据所述待处理数据，通过预训练好的变道决策模型，确定变道概率；根据预设变道概率阈值和所述变道概率，确定所述本车是否变道。
6.可选的，所述方法还包括：采集所述本车在人工驾驶模式的行驶过程中的多个时刻的行驶数据，每一时刻的所述行驶数据包括第一数据和与所述第一数据对应的第二数据；在根据所述行驶数据中的第一数据检测到所述本车发生变道预动作的情况下，将与所述第一数据对应的第二数据确定为变道样本数据；在根据所述行驶数据中的第一数据检测到所述本车未发生所述变道预动作的情况下，将与所述第一数据对应的第二数据确定为非变道样本数据；根据所述变道样本数据和所述非变道样本数据，确定训练所述变道决策模型的样本数据。
7.可选的，所述方法还包括：获取所述本车的行驶场景；在所述行驶场景与获取的所述本车的上一行驶场景相比发生变化的情况下，更新所述预设变道概率阈值。
8.可选的，所述待处理数据包括多组，所述获取用于决策本车是否变道的待处理数据，包括：在预设周期内多次获取用于决策本车是否变道的待处理数据；所述根据预设变道概率阈值和所述变道概率，确定所述本车是否变道，包括：根据预设变道概率阈值和所有所述待处理数据对应的变道概率，确定所述本车是否变道。
9.可选的，所述样本数据包括训练集和测试集，所述方法还包括：通过所述训练集对初始变道决策模型进行多次训练，得到多个中间变道决策模型；通过所述测试集对每个所述中间变道决策模型的参数进行测试，得到与每个所述中间变道决策模型分别对应的测试结果；根据与每个所述中间变道决策模型分别对应的测试结果，确定与每个所述中间变道决策模型分别对应的评价结果，其中，所述评价结果包括多个性能指标的评价指标值；根据所有所述中间变道决策模型对应的评价结果，选择评价结果最优的中间变道决策模型作为所述变道决策模型。
10.可选的，所述方法还包括：获取变道数据集，所述变道数据集包括通过所述变道决策模型和所述预设变道阈值概率确定出变道和/或不变道的结果数据；响应于确定所述变道数据集中表征异常的结果数据，确定所述结果数据为异常变道结果数据；在所述变道数据集中确定的异常变道结果数据的数量大于预设数量阈值的情况下，更新所述变道决策模型。
11.可选的，所述待处理数据包括本车车道类型数据、邻车车道类型数据、本车状态数据、邻车状态数据、所述本车所在位置与导航信息的关系数据以及将所述本车投影至邻车车道所确定的位置与所述导航信息的关系数据。
12.根据本公开实施例的第二方面，提供一种车辆变道决策装置，包括：第一获取模块，被配置为获取用于决策本车是否变道的待处理数据；第一确定模块，被配置为根据所述待处理数据，通过预训练好的变道决策模型，确定变道概率；第二确定模块，被配置为根据预设变道概率阈值和所述变道概率，确定所述本车是否变道。
13.根据本公开实施例的第三方面，提供一种车辆变道决策装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取用于决策本车是否变道的待处理数据；根据所述待处理数据，通过预训练好的变道决策模型，确定变道概率；根据预设变道概率阈值和所述变道概率，确定所述本车是否变道。
14.根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的车辆变道决策方法的步骤。
15.根据本公开实施例的第五方面，提供一种车辆，包括第三方面中所述的装置。
16.本公开的实施例提供的技术方案可以包括以下有益效果：获取用于决策本车是否变道的待处理数据；根据待处理数据，通过预训练好的变道决策模型，确定变道概率；根据预设变道概率阈值和变道概率，确定本车是否变道，通过设置安全的预设变道概率阈值用
于辅助确定本车是否变道，有效地提高本车变道判断的精准度，进而提高了车辆行驶的安全性。
17.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
18.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
19.图1是根据一示例性实施例示出的一种车辆变道决策方法的流程图。
20.图2是根据一示例性实施例示出的一种车辆变道决策装置的框图。
21.图3是根据一示例性实施例示出的一种车辆变道决策装置的另一框图。
22.图4是根据一示例性实施例示出的一种车辆的功能框图示意图。
具体实施方式
23.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
24.需要说明的是，本技术中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
25.图1是根据一示例性实施例示出的一种车辆变道决策方法的流程图，如图1所示，车辆变道决策方法用于终端中，包括以下步骤。
26.在步骤s11中，获取用于决策本车是否变道的待处理数据。
27.在一些实施例中，待处理数据可以包括与车辆本身相关的数据，待处理数据还可以包括车辆与导航信息相关的数据，这里的车辆包括本车与邻车，邻车可以是与本车的前后左右分别相邻车辆。其中，待处理数据的具体示例可以参照下述实施例。
28.举例来讲，待处理数据可以包括包括本车车道类型数据、邻车车道类型数据、本车状态数据、邻车状态数据、本车所在位置与导航信息的关系数据以及将本车投影至邻车车道所确定的位置与导航信息的关系数据。
29.本车车道类型数据和邻车车道类型数据是用于表征车道类型的数据，车道类型例如可以是机动车道类型、非机动车道类型。
30.本车状态数据和邻车状态数据用于表征车辆的状态，本车状态数据例如可以是本车的速度、本车的加速度、本车距离邻车的距离、本车距离当前路口的剩余距离、本车距离前方实线处的距离；邻车状态数据例如可以是邻车的速度、邻车的加速度。
31.导航信息可以包括导航道路，导航道路表征通路，在导航信息是导航道路的情况下，本车所在位置与导航信息的关系数据可以包括本车所在位置的道路是否是属于通路。
32.导航信息可以包括导航终点，导航终点表征每一段导航子路径的终点。需要说明的是，在导航过程中，通常将从出发地到目的地划分为多条导航子路径，其中，每条导航子
路径对应一导航终点，最后一条导航子路径的导航终点为目的地，在每一条导航子路径中，可以存在多条车道，从上一导航子路径转到下一导航子路径可能只能通过一条车道。在导航信息是导航终点的情况下，本车车道与导航信息的关系数据可以是本车所在位置距离本次导航子路径的导航终点的距离，即用于描述本车在本车车道再走多少米就不能再走了，否则就无法以最优行驶路径到达导航终点。
33.类似地，本车投影至邻车车道所确定的位置与导航信息的关系数据可以参照上述相关实施例。
34.在步骤s12中，根据待处理数据，通过预训练好的变道决策模型，确定变道概率。
35.其中，可以利用待处理数据，对例如支持向量机、随机森林或决策树的神经网络进行训练，进而得到训练好的变道决策模型，预训练好的变道决策模型用于根据待处理数据输出变道概率。变道决策模型的训练方式可以参照相关技术，本实施例在此不作赘述。
36.需要说明的是，在本车车道的邻车车道包括多个时，变道决策模型可以输出对应各个邻车车道的变道概率。
37.在步骤s13中，根据预设变道概率阈值和变道概率，确定本车是否变道。
38.需要说明的是，预设变道概率阈值是决定本车是否变道的临界值。例如，在变道概率大于或等于预设变道概率阈值的情况下，确定本车变道。在变道概率小于预设变道概率阈值的情况下，确定本车不变道。
39.需要说明的是，在本车车道的邻车车道包括多个时，变道决策模型可以输出对应各个邻车车道的变道概率。在此情况下，可以将与各个邻车车道对应的变道概率与预设变道概率阈值进行大小比较，以此来确定车辆是否变道，且在存在至少两个邻车车道的变道概率大于或等于预设变道概率阈值的情况下，可以根据预设定的条件选择一条目标车道进行变道。这里的条件例如可以是车道拥堵情况，选择拥堵情况较好的车道作为目标车道，对本车进行变道。
40.通过上述方式，通过设置安全的预设变道概率阈值用于辅助确定本车是否变道，有效地提高本车变道判断的精准度，进而提高了车辆行驶的安全性。
41.在一些实施例中，可以采集本车在人工驾驶模式的真实行驶数据作为样本数据来进行变道决策模型的训练。举例来讲，包括以下步骤：采集本车在人工驾驶模式的行驶过程中的多个时刻的行驶数据，每一时刻的行驶数据包括第一数据和与第一数据对应的第二数据；在根据行驶数据中的第一数据检测到本车发生变道预动作的情况下，将与第一数据对应的第二数据确定为变道样本数据；在根据行驶数据中的第一数据检测到本车未发生变道预动作的情况下，将与第一数据对应的第二数据确定为非变道样本数据；根据变道样本数据和非变道样本数据，确定训练变道决策模型的样本数据。
42.其中，第一数据用于本车是否发生变道预动作的判断。示例地，第一数据可以是转向灯状态数据，在转向灯状态数据表征司机触发转向灯的情况下，确定本车发生变道预动作；第一数据也可以是本车与本车车道的车道线的距离，在本车与本车车道的车道线的距离逐渐减小的情况下，确定本车发生变道预动作。为避免误操作，也可以设置至少两种第一数据用于本车是否发生变道预动作的判断。
43.其中，将与第一数据对应的第二数据确定为变道样本数据和将与第一数据对应的第二数据确定为非变道样本数据可以通过对数据进行打标签实现。例如，变道样本数据的
标签可以设置为1，非变道样本数据的标签可以设置为0，以便于后续训练变道决策模型的样本数据使用。
44.通过上述方式，在采集到一大批本车的真实行驶数据后，根据表征本车是否发生变道预动作的第一数据来确定与该第一数据对应的第二数据为变道样本数据或非变道样本数据，且为每个时刻的第二数据打上一个标签，得到训练变道决策模型的样本数据，如此，通过本车的真实行驶数据去模拟人类的变道决策，进而进行变道决策模型的训练，使得训练后的变道决策模型可以根据实际行驶过程中的待处理数据模拟输出人类的变道决策；且样本生成过程中无需人工参与。
45.在对变道决策模型的训练过程中，可以将前述确定的样本数据划分为训练集和测试集，通过训练集对初始变道决策模型进行多次训练，得到多个中间变道决策模型；通过测试集对每个中间变道决策模型的参数进行测试，得到与每个中间变道决策模型分别对应的测试结果；根据与每个中间变道决策模型分别对应的测试结果，确定与每个中间变道决策模型分别对应的评价结果，其中，评价结果包括多个性能指标的评价指标值；根据所有中间变道决策模型对应的评价结果，选择评价结果最优的中间变道决策模型作为变道决策模型。
46.其中，测试结果可以包括测试集中每个样本数据对应预测变道概率，根据该预测变道概率可以确定每个样本数据对应的预测变道结果（包括变道或不变道）。通过每个样本数据对应的预测变道结果和每个样本对应的标签，以此来确定每个中间变道决策模型的评价结果。
47.示例地，性能指标可以包括准确率，意指预测正确的样本数与样本数总数的比值；性能指标可以包括精确率，意指在预测为变道的样本里面，有多少标签确实为变道的样本数；性能指标可以包括召回率，意指在样本总数中实际上正确的样本有多少被中间变道决策模型挑出来了；性能指标可以包括精确率与召回率的调和指标，调和指标是衡量的是模型寻找正例的能力，其通过精确率和召回率进行计算，示例地，调和指标=（2*q1*q2）/（q1 q2），其中，q1是精确率，q2是召回率。
48.需要说明的是，在性能指标包括多个时，可以根据实际的模型需求选择某一性能指标高的中间变道决策模型作为评价结果最优的。例如，更注重准确率，可以选取准确率最高的中间变道决策模型作为评价结果最优的；也可以对多个性能指标归一化到同一量级，再将归一化的所有性能指标之和最高的中间变道决策模型作为评价结果最优的。本实施例在此不作限定。
49.通过上述方式，利用训练集训练多个中间变道决策模型，并利用测试集根据选取性能指标最优的中间变道决策模型来用于实际的应用中，有效地提高本车变道判断的精准度。
50.在一些实施例中，在划分测试集和训练集时，可以保证测试集和训练集的重复程度低于预设程度，如此，可以更好的检验召回率。
51.在实际应用中，为不断优化模型，可以获取通过变道决策模型和预设变道阈值概率确定出的包括变道和/或不变道的结果数据的变道数据集；响应于确定变道数据集中表征异常的结果数据，确定结果数据为异常变道结果数据；在变道数据集中确定的异常变道结果数据的数量大于预设数量阈值的情况下，更新变道决策模型。
52.需要说明的是，表征异常的结果数据是通过专家进行确定的。且表征异常表征专家认为不变道，但变道决策模型和预设变道阈值概率确定为变道，或者专家认为变道，但变道决策模型和预设变道阈值概率确定为不变道的结果数据。
53.其中，预设数量阈值可以通过人工进行设定，本实施例在此不作限定。
54.通过上述方式，利用专家数据对变道决策模型和预设变道概率阈值实际预测的数据进行确定，在变道决策模型和预设变道概率阈值预测异常的结果数据较多时，对变道决策模型进行更新，以进一步提高变道决策模型的准确性。
55.在实际应用中，风险程度不同的行驶场景对变道的安全性要求不同。例如，对于高速行驶场景而言，在所有车辆都是高速行驶的情况下，一次变道事故将引起，因此，基于前述，所述方法还可以包括：获取本车的行驶场景；在行驶场景与获取的本车的上一行驶场景相比发生变化的情况下，更新预设变道概率阈值。
56.示例地，可以设置不同行驶场景与不同行驶场景对应的预设变道概率阈值的对应关系。根据获取的本车的行驶场景，在对应关系中确定与该行驶场景对应的目标预设变道概率阈值，并将目标预设变道概率阈值替换预设变道概率阈值，以此实现预设变道概率阈值的更新。
57.示例地，行驶场景可以包括高速行驶场景、乡村行驶场景、城市行驶场景等等。本实施例在此不作限定。其中，不同行驶场景与不同行驶场景对应的预设变道概率阈值可以通过人工进行设定，本实施例在此不作限定。
58.通过上述方式，对于不同行驶场景设置不同的预设变道概率阈值，提高变道灵活性；且在行驶场景与获取的本车的上一行驶场景相比发生变化的情况下，才更新预设变道概率阈值，降低更新所产生的控制指令等带来的功耗，特别是对本公开这种自动驾驶的应用场景而言，功耗的高低显得尤为重要。
59.在一些实施例中，为提高变道预测的准确性，待处理数据可以包括多组，图1所示的步骤s11可以包括：在预设周期内多次获取用于决策本车是否变道的待处理数据；在此情况下，图1所示的步骤s13可以包括：根据预设变道概率阈值和所有待处理数据对应的变道概率，确定本车是否变道。
60.其中，预设周期可以通过实际情况进行设定，本实施例在此不作限定。
61.示例地，上述的根据预设变道概率阈值和所有待处理数据对应的变道概率，确定本车是否变道的步骤可以包括：根据预设变道概率阈值和每一待处理数据对应的变道概率，确定本车是否变道；对于确定本车变道的次数大于确定本车不变道的次数的情况下，确定本车变道。
62.通过上述方式，联合多组待处理数据的变道概率来确定车辆是否变道，以进一步提高变道决策模型的准确性。
63.图2是根据一示例性实施例示出的一种车辆变道决策装置200的框图。参照图2，该车辆变道决策装置200包括：第一获取模块201，被配置为获取用于决策本车是否变道的待处理数据；第一确定模块202，被配置为根据所述待处理数据，通过预训练好的变道决策模型，确定变道概率；第二确定模块203，被配置为根据预设变道概率阈值和所述变道概率，确定所述本
车是否变道。
64.可选的，所述车辆变道决策装置200还包括：采集模块，被配置为采集所述本车在人工驾驶模式的行驶过程中的多个时刻的行驶数据，每一时刻的所述行驶数据包括第一数据和与所述第一数据对应的第二数据；第三确定模块，被配置为在根据所述行驶数据中的第一数据检测到所述本车发生变道预动作的情况下，将与所述第一数据对应的第二数据确定为变道样本数据；第四确定模块，被配置为在根据所述行驶数据中的第一数据检测到所述本车未发生所述变道预动作的情况下，将与所述第一数据对应的第二数据确定为非变道样本数据；第五确定模块，被配置为根据所述变道样本数据和所述非变道样本数据，确定训练所述变道决策模型的样本数据。
65.可选的，所述车辆变道决策装置200还包括：第二获取模块，被配置为获取所述本车的行驶场景；第一更新模块，被配置为在所述行驶场景与获取的所述本车的上一行驶场景相比发生变化的情况下，更新所述预设变道概率阈值。
66.可选的，所述待处理数据包括多组，所述第一获取模块201具体被配置为在预设周期内多次获取用于决策本车是否变道的待处理数据；所述第二确定模块203具体被配置为根据预设变道概率阈值和所有所述待处理数据对应的变道概率，确定所述本车是否变道。
67.可选的，所述样本数据包括训练集和测试集，所述车辆变道决策装置200还包括：训练模块，被配置为通过所述训练集对初始变道决策模型进行多次训练，得到多个中间变道决策模型；测试模块，被配置为通过所述测试集对每个所述中间变道决策模型的参数进行测试，得到与每个所述中间变道决策模型分别对应的测试结果；第六确定模块，被配置为根据与每个所述中间变道决策模型分别对应的测试结果，确定与每个所述中间变道决策模型分别对应的评价结果，其中，所述评价结果包括多个性能指标的评价指标值；选择模块，被配置为根据所有所述中间变道决策模型对应的评价结果，选择评价结果最优的中间变道决策模型作为所述变道决策模型。
68.可选的，所述车辆变道决策装置200还包括：第三获取模块，被配置为获取变道数据集，所述变道数据集包括通过所述变道决策模型和所述预设变道阈值概率确定出变道和/或不变道的结果数据；第七确定模块，被配置为响应于确定所述变道数据集中表征异常的结果数据，确定所述结果数据为异常变道结果数据；第二更新模块，被配置为在所述变道数据集中确定的异常变道结果数据的数量大于预设数量阈值的情况下，更新所述变道决策模型。
69.可选的，所述待处理数据包括本车车道类型数据、邻车车道类型数据、本车状态数据、邻车状态数据、所述本车所在位置与导航信息的关系数据以及将所述本车投影至邻车车道所确定的位置与所述导航信息的关系数据。
70.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该车辆
变道决策方法的实施例中进行了详细描述，此处将不做详细阐述说明。
71.本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的车辆变道决策方法的步骤。
72.图3是根据一示例性实施例示出的一种车辆变道决策装置300的另一框图。例如，装置300可以是移动电话，平板设备等。
73.参照图3，装置300可以包括以下一个或多个组件：处理组件302，第一存储器304，电源组件306，多媒体组件308，音频组件310，输入/输出接口312，传感器组件314，以及通信组件316。
74.处理组件302通常控制装置300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个第一处理器320来执行指令，以完成上述的车辆变道决策方法的全部或部分步骤。此外，处理组件302可以包括一个或多个模块，便于处理组件302和其他组件之间的交互。例如，处理组件302可以包括多媒体模块，以方便多媒体组件308和处理组件302之间的交互。
75.第一存储器304被配置为存储各种类型的数据以支持在装置300的操作。这些数据的示例包括用于在装置300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。第一存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（sram），电可擦除可编程只读存储器（eeprom），可擦除可编程只读存储器（eprom），可编程只读存储器（prom），只读存储器（rom），磁存储器，快闪存储器，磁盘或光盘。
76.电源组件306为装置300的各种组件提供电力。电源组件306可以包括电源管理系统，一个或多个电源，及其他与为装置300生成、管理和分配电力相关联的组件。
77.多媒体组件308包括在所述装置300和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（lcd）和触摸面板（tp）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件308包括一个前置摄像头和/或后置摄像头。当装置300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
78.音频组件310被配置为输出和/或输入音频信号。例如，音频组件310包括一个麦克风（mic），当装置300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在第一存储器304或经由通信组件316发送。在一些实施例中，音频组件310还包括一个扬声器，用于输出音频信号。
79.输入/输出接口312为处理组件302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
80.传感器组件314包括一个或多个传感器，用于为装置300提供各个方面的状态评估。例如，传感器组件314可以检测到装置300的打开/关闭状态，组件的相对定位，例如所述组件为装置300的显示器和小键盘，传感器组件314还可以检测装置300或装置300一个组件
的位置改变，用户与装置300接触的存在或不存在，装置300方位或加速/减速和装置300的温度变化。传感器组件314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
81.通信组件316被配置为便于装置300和其他设备之间有线或无线方式的通信。装置300可以接入基于通信标准的无线网络，如wifi，2g或3g，或它们的组合。在一个示例性实施例中，通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件316还包括近场通信（nfc）模块，以促进短程通信。例如，在nfc模块可基于射频识别（rfid）技术，红外数据协会（irda）技术，超宽带（uwb）技术，蓝牙（bt）技术和其他技术来实现。
82.在示例性实施例中，装置300可以被一个或多个应用专用集成电路（asic）、数字信号处理器（dsp）、数字信号处理设备（dspd）、可编程逻辑器件（pld）、现场可编程门阵列（fpga）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述车辆变道决策方法。
83.在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的第一存储器304，上述指令可由装置300的第一处理器320执行以完成上述车辆变道决策方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器（ram）、cd-rom、磁带、软盘和光数据存储设备等。
84.上述装置300除了可以是独立的电子设备外，也可是独立电子设备的一部分，例如在一种实施例中，该装置300可以是集成电路（integrated circuit，ic）或芯片，其中该集成电路可以是一个ic，也可以是多个ic的集合；该芯片可以包括但不限于以下种类：gpu（graphics processing unit，图形处理器）、cpu（central processing unit，中央处理器）、fpga（field programmable gate array，可编程逻辑阵列）、dsp（digital signal processor，数字信号处理器）、asic（application specific integrated circuit，专用集成电路）、soc（system on chip，soc，片上系统或系统级芯片）等。上述的集成电路或芯片中可以用于执行可执行指令（或代码），以实现上述的车辆变道决策方法。其中该可执行指令可以存储在该集成电路或芯片中，也可以从其他的装置或设备获取，例如该集成电路或芯片中包括第二处理器、第二存储器，以及用于与其他的装置通信的接口。该可执行指令可以存储于该第二存储器中，当该可执行指令被第二处理器执行时实现上述的车辆变道决策方法；或者，该集成电路或芯片可以通过该接口接收可执行指令并传输给该第二处理器执行，以实现上述的车辆变道决策方法。
85.参阅图4，图4是根据一示例性实施例示出的一种车辆400的功能框图示意图。车辆400可以被配置为完全或部分自动驾驶模式。例如，车辆400可以通过感知系统420获取其周围的环境信息，并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶，或者将分析结果呈现给用户以实现部分自动驾驶。
86.车辆400可包括各种子系统，例如，信息娱乐系统410、感知系统420、决策控制系统430、驱动系统440以及计算平台450。可选的，车辆400可包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆400的每个子系统和部件可以通过有线或者无线的
方式实现互连。
87.在一些实施例中，信息娱乐系统410可以包括通信系统411，娱乐系统412以及导航系统413。
88.通信系统411可以包括无线通信系统，无线通信系统可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统可使用3g蜂窝通信，例如cdma、evd0、gsm/gprs，或者4g蜂窝通信，例如lte。或者5g蜂窝通信。无线通信系统可利用wifi与无线局域网（wireless local area network，wlan）通信。在一些实施例中，无线通信系统可利用红外链路、蓝牙或zigbee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统可包括一个或多个专用短程通信（dedicated short range communications，dsrc）设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
89.娱乐系统412可以包括显示设备，麦克风和音响，用户可以基于娱乐系统在车内收听广播，播放音乐；或者将手机和车辆联通，在显示设备上实现手机的投屏，显示设备可以为触控式，用户可以通过触摸屏幕进行操作。
90.在一些情况下，可以通过麦克风获取用户的语音信号，并依据对用户的语音信号的分析实现用户对车辆400的某些控制，例如调节车内温度等。在另一些情况下，可以通过音响向用户播放音乐。
91.导航系统413可以包括由地图供应商所提供的地图服务，从而为车辆400提供行驶路线的导航，导航系统413可以和车辆的全球定位系统421、惯性测量单元422配合使用。地图供应商所提供的地图服务可以为二维地图，也可以是高精地图。
92.感知系统420可包括感测关于车辆400周边的环境的信息的若干种传感器。例如，感知系统420可包括全球定位系统421（全球定位系统可以是gps系统，也可以是北斗系统或者其他定位系统）、惯性测量单元（inertial measurement unit，imu）422、激光雷达423、毫米波雷达424、超声雷达425以及摄像装置426。感知系统420还可包括被监视车辆400的内部系统的传感器（例如，车内空气质量监测器、燃油量表、机油温度表等）。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性（位置、形状、方向、速度等）。这种检测和识别是车辆400的安全操作的关键功能。
93.全球定位系统421用于估计车辆400的地理位置。
94.惯性测量单元422用于基于惯性加速度来感测车辆400的位姿变化。在一些实施例中，惯性测量单元422可以是加速度计和陀螺仪的组合。
95.激光雷达423利用激光来感测车辆400所位于的环境中的物体。在一些实施例中，激光雷达423可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。
96.毫米波雷达424利用无线电信号来感测车辆400的周边环境内的物体。在一些实施例中，除了感测物体以外，毫米波雷达424还可用于感测物体的速度和/或前进方向。
97.超声雷达425可以利用超声波信号来感测车辆400周围的物体。
98.摄像装置426用于捕捉车辆400的周边环境的图像信息。摄像装置426可以包括单目相机、双目相机、结构光相机以及全景相机等，摄像装置426获取的图像信息可以包括静态图像，也可以包括视频流信息。
99.决策控制系统430包括基于感知系统420所获取的信息进行分析决策的计算系统
431，决策控制系统430还包括对车辆400的动力系统进行控制的整车控制器432，以及用于控制车辆400的转向系统433、油门434和制动系统435。
100.计算系统431可以操作来处理和分析由感知系统420所获取的各种信息以便识别车辆400周边环境中的目标、物体和/或特征。目标可以包括行人或者动物，物体和/或特征可包括交通信号、道路边界和障碍物。计算系统431可使用物体识别算法、运动中恢复结构（structure from motion，sfm）算法、视频跟踪等技术。在一些实施例中，计算系统431可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算系统431可以将所获取的各种信息进行分析并得出对车辆的控制策略。
101.整车控制器432可以用于对车辆的动力电池和引擎441进行协调控制，以提升车辆400的动力性能。
102.转向系统433可操作来调整车辆400的前进方向。例如在一个实施例中可以为方向盘系统。
103.油门434用于控制引擎441的操作速度并进而控制车辆400的速度。
104.制动系统435用于控制车辆400减速。制动系统435可使用摩擦力来减慢车轮444。在一些实施例中，制动系统435可将车轮444的动能转换为电流。制动系统435也可采取其他形式来减慢车轮444转速从而控制车辆400的速度。
105.驱动系统440可包括为车辆400提供动力运动的组件。在一个实施例中，驱动系统440可包括引擎441、能量源442、传动系统443和车轮444。引擎441可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合，例如汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎441将能量源442转换成机械能量。
106.能量源442的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源442也可以为车辆400的其他系统提供能量。
107.传动系统443可以将来自引擎441的机械动力传送到车轮444。传动系统443可包括变速箱、差速器和驱动轴。在一个实施例中，传动系统443还可以包括其他器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮444的一个或多个轴。
108.车辆400的部分或所有功能受计算平台450控制。计算平台450可包括至少一个第三处理器451，第三处理器451可以执行存储在例如第三存储器452这样的非暂态计算机可读介质中的指令453。在一些实施例中，计算平台450还可以是采用分布式方式控制车辆400的个体组件或子系统的多个计算设备。
109.第三处理器451可以是任何常规的处理器，诸如商业可获得的cpu。可替换地，第三处理器451还可以包括诸如图像处理器（graphic process unit，gpu），现场可编程门阵列（field programmable gate array，fpga）、片上系统（system on chip，soc）、专用集成芯片（application specific integrated circuit，asic）或它们的组合。尽管图4功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件，但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如，存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此，对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执
行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，处理器只执行与特定于组件的功能相关的计算。
110.在本公开实施方式中，第三处理器451可以执行上述的车辆变道决策方法。
111.在此处所描述的各个方面中，第三处理器451可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行，包括采取执行单一操纵的必要步骤。
112.在一些实施例中，第三存储器452可包含指令453（例如，程序逻辑），指令453可被第三处理器451执行来执行车辆400的各种功能。第三存储器452也可包含额外的指令，包括向信息娱乐系统410、感知系统420、决策控制系统430、驱动系统440中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
113.除了指令453以外，第三存储器452还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在车辆400在自主、半自主和/或手动模式中操作期间被车辆400和计算平台450使用。
114.计算平台450可基于从各种子系统（例如，驱动系统440、感知系统420和决策控制系统430）接收的输入来控制车辆400的功能。例如，计算平台450可利用来自决策控制系统430的输入以便控制转向系统433来避免由感知系统420检测到的障碍物。在一些实施例中，计算平台450可操作来对车辆400及其子系统的许多方面提供控制。
115.可选地，上述这些组件中的一个或多个可与车辆400分开安装或关联。例如，第三存储器452可以部分或完全地与车辆400分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
116.可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图4不应理解为对本公开实施例的限制。
117.在道路行进的自动驾驶汽车，如上面的车辆400，可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶汽车所要调整的速度。
118.可选地，车辆400或者与车辆400相关联的感知和计算设备（例如计算系统431、计算平台450）可以基于所识别的物体的特性和周围环境的状态（例如，交通、雨、道路上的冰、等等）来预测识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆400能够基于预测的识别的物体的行为来调整它的速度。换句话说，自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到（例如，加速、减速、或者停止）何种稳定状态。在这个过程中，也可以考虑其它因素来确定车辆400的速度，诸如，车辆400在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
119.除了提供调整自动驾驶汽车的速度的指令之外，计算设备还可以提供修改车辆400的转向角的指令，以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体（例如，道路上的相邻车道中的车辆）的安全横向和纵向距离。
120.上述车辆400可以为各种类型的行驶工具，例如，轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等，本公开实施例不做特别的限定。
121.本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
122.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。