两个人的电影免费视频_国产精品久久久久久久久成人_97视频在线观看播放_久久这里只有精品777_亚洲熟女少妇二三区_4438x8成人网亚洲av_内谢国产内射夫妻免费视频_人妻精品久久久久中国字幕

道路交通工具行駛控制方法和裝置與流程

文檔序號:12853480閱讀:422來源:國知局
道路交通工具行駛控制方法和裝置與流程

本發(fā)明涉及道路交通信息技術(shù)領(lǐng)域,特別是涉及行駛控制領(lǐng)域,尤其涉及一種道路交通工具行駛控制方法和裝置。



背景技術(shù):

隨著道路交通工具的普及以及互聯(lián)網(wǎng)技術(shù)的發(fā)展,道路交通工具行駛控制成為一種新的需求,可用于導(dǎo)航提示或者無人駕駛等。目前道路交通工具行駛控制主要是通過計算機視覺識別出障礙物,并基于地圖數(shù)據(jù)所記載的道路信息規(guī)劃行車路線,從而依據(jù)規(guī)劃的行車路線進行行駛控制。

然而,目前的道路交通工具行駛控制方式,依賴于地圖數(shù)據(jù)所記載的道路信息,而地圖數(shù)據(jù)的更新是滯后的,當?shù)缆沸畔l(fā)生改變時并不能及時更新,這就導(dǎo)致無法準確地進行行駛控制;而且還會帶來駕駛安全問題,尤其是應(yīng)用于無人駕駛時問題更為嚴重。



技術(shù)實現(xiàn)要素:

基于此,有必要針對目前的道路交通工具行駛控制方式依賴于地圖數(shù)據(jù)導(dǎo)致行駛控制不準確的問題,提供一種道路交通工具行駛控制方法和裝置。

一種道路交通工具行駛控制方法,所述方法包括:

獲取道路交通環(huán)境的實時感知結(jié)果;

根據(jù)所述實時感知結(jié)果得到多種道路元素相應(yīng)的當前道路元素參數(shù);

根據(jù)因子圖模型和所述當前道路元素參數(shù)預(yù)測道路場景參數(shù);所述因子圖模型用于表達道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù);

根據(jù)預(yù)測的道路場景參數(shù)生成行駛控制指令并輸出。

一種道路交通工具行駛控制裝置,所述裝置包括:

數(shù)據(jù)獲取模塊,用于獲取道路交通環(huán)境的實時感知結(jié)果;根據(jù)所述實時感知結(jié)果得到多種道路元素相應(yīng)的當前道路元素參數(shù);

預(yù)測模塊,用于根據(jù)因子圖模型和所述當前道路元素參數(shù)預(yù)測道路場景參數(shù);所述因子圖模型用于表達道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù);

輸出模塊,用于根據(jù)預(yù)測的道路場景參數(shù)生成行駛控制指令并輸出。

上述道路交通工具行駛控制方法和裝置,利用實時感知結(jié)果的當前道路元素參數(shù)來預(yù)測道路場景參數(shù),從而根據(jù)預(yù)測的道路場景參數(shù)來進行行駛控制,不再依賴于地圖數(shù)據(jù),交通工具行駛控制的準確性得以增強。而且,通過因子圖來表達道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù),因子圖用圖結(jié)構(gòu)描述全局目標函數(shù)的因式分解形式,將大規(guī)劃的全局運算劃分為簡單的局部運算,提高了行駛控制的效率。再者,通過因子圖模型可以將多種道路元素融合,可以考慮到道路元素參數(shù)之間的相關(guān)性,而不是假設(shè)彼此獨立,使得交通工具行駛控制符合真實道路場景,控制準確。

附圖說明

圖1為一個實施例中道路交通工具行駛控制系統(tǒng)的應(yīng)用環(huán)境圖;

圖2為一個實施例中電子設(shè)備的內(nèi)部結(jié)構(gòu)示意圖;

圖3為一個實施例中道路交通工具行駛控制方法的流程示意圖;

圖4為一個實施例中訓練因子圖模型的步驟的流程示意圖;

圖5為一個實施例中將復(fù)合概率圖模型轉(zhuǎn)化為因子圖模型的過程示意圖;

圖6為一個實施例中因子圖模型的建模、學習及推理過程示意圖;

圖7為一個實施例中因子圖模型的結(jié)構(gòu)學習過程示意圖;

圖8為一個實施例中道路交通工具行駛控制裝置的結(jié)構(gòu)框圖;

圖9為另一個實施例中道路交通工具行駛控制裝置的結(jié)構(gòu)框圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白,以下結(jié)合附圖及實施例,對本發(fā)明進行進一步詳細說明。應(yīng)當理解,此處所描述的具體實施例僅僅用以解釋本發(fā)明,并不用于限定本發(fā)明。

圖1為一個實施例中道路交通工具行駛控制系統(tǒng)的應(yīng)用環(huán)境圖,該系統(tǒng)包括感知設(shè)備110、電子設(shè)備120和道路交通工具130。其中感知設(shè)備110可以是攝像頭或者雷達;電子設(shè)備120可以置于交通工具130內(nèi)部直接控制交通工具130,也可以是通過網(wǎng)絡(luò)遠程向交通工具130發(fā)送行駛控制指令。道路交通工具130是可沿道路行駛的交通工具,比如小汽車、貨車、客車、摩托車或者電動自行車等。

圖2為一個實施例中電子設(shè)備120的內(nèi)部結(jié)構(gòu)示意圖。如圖2所示,該電子設(shè)備包括通過系統(tǒng)總線連接的處理器、非易失性存儲介質(zhì)、內(nèi)存儲器和網(wǎng)絡(luò)接口。其中,電子設(shè)備的非易失性存儲介質(zhì)存儲有操作系統(tǒng),還包括一種道路交通工具行駛控制裝置,該道路交通工具行駛控制裝置用于實現(xiàn)一種道路交通工具行駛控制方法。電子設(shè)備的處理器用于提供計算和控制能力,支撐電子設(shè)備的運行。電子設(shè)備的內(nèi)存儲器為非易失性存儲介質(zhì)中的道路交通工具行駛控制裝置提供運行環(huán)境。該內(nèi)存儲器中可存儲有計算機可讀指令,該計算機可讀指令被處理器執(zhí)行時,可使得處理器執(zhí)行一種道路交通工具行駛控制方法。網(wǎng)絡(luò)接口用于連接到網(wǎng)絡(luò)。該電子設(shè)備可以是手機、車載電腦或者服務(wù)器等。本領(lǐng)域技術(shù)人員可以理解,圖2中示出的結(jié)構(gòu),僅僅是與本申請方案相關(guān)的部分結(jié)構(gòu)的框圖,并不構(gòu)成對本申請方案所應(yīng)用于其上的電子設(shè)備的限定,具體的電子設(shè)備可以包括比圖中所示更多或更少的部件,或者組合某些部件,或者具有不同的部件布置。

如圖3所示,在一個實施例中,提供了一種道路交通工具行駛控制方法,本實施例以該方法應(yīng)用于上述圖1和圖2中的電子設(shè)備120來舉例說明。該方法具體包括如下步驟:

步驟302,獲取道路交通環(huán)境的實時感知結(jié)果。

道路交通環(huán)境是指道路交通工具行駛時所處的環(huán)境,實時感知結(jié)果則是通過感知設(shè)備實時感知的用于描述道路交通環(huán)境中的道路元素的數(shù)據(jù)。電子設(shè)備 可通過感知設(shè)備采集道路交通環(huán)境的圖像,對道路交通環(huán)境進行語義分割,區(qū)分出各種道路元素,得到實時感知結(jié)果。

實時感知結(jié)果包括道路信息,還可以包括交通標志信息、車輛信息、行人信息以及場景光流等中的至少一種。其中,道路信息可包括車道線信息和道路滅點信息。車道線是道路路面上用于對道路交通工具的行駛進行指示的形狀規(guī)則的線狀標示,車道線信息比如車道線位置或車道線類型或車道線所屬道路。道路滅點是道路在遠處消失的點,道路滅點以上一般是天空部分,道路滅點信息比如道路滅點位置或者道路滅點所屬的道路。

進一步地,車輛和行人是道路交通環(huán)境中的動態(tài)道路元素,可采用目標跟蹤方式得到車輛信息和/或行人信息。車輛信息比如行駛速度、行駛方向、車輛位置以及車輛所在道路等,行人信息比如行走速度、行走方向、行人位置以及行人所在道路等。場景光流也可以表達道路交通環(huán)境中運動目標的信息。

步驟304,根據(jù)實時感知結(jié)果得到多種道路元素相應(yīng)的當前道路元素參數(shù)。

其中,道路元素是指道路交通環(huán)境中對道路交通工具在道路上行駛狀態(tài)造成影響的因素,比如車道線、道路滅點、交通標志、車輛或者行人等。道路元素參數(shù)是將相應(yīng)道路元素的感知結(jié)果參數(shù)化表達后得到的表征該道路元素特征的參數(shù)。在一個實施例中,道路元素參數(shù)包括車輛跟蹤參數(shù)、行人跟蹤參數(shù)、車道線檢測結(jié)果、道路滅點檢測結(jié)果以及交通標志檢測結(jié)果中的至少一種。這里將實時感知結(jié)果參數(shù)化為相應(yīng)道路元素在當前的道路元素參數(shù)。多種道路元素的種類數(shù)是確定的。

步驟306,根據(jù)因子圖模型和當前道路元素參數(shù)預(yù)測道路場景參數(shù);因子圖模型用于表達道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù)。

其中,因子圖是貝葉斯網(wǎng)絡(luò)和馬爾科夫網(wǎng)絡(luò)的統(tǒng)一表示,通過引入因子節(jié)點來明確地描述因子圖上聯(lián)合概率分布的分解。進一步地,因子圖引入了一個因子節(jié)點集合,相當于定義在通常節(jié)點子集上的目標函數(shù)。因子圖是一個二部圖,用來描述某個變量集上的局部函數(shù)的乘積。

因子圖模型是采用因子圖的原理訓練得到的數(shù)學模型,表達了道路場景參 數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù),電子設(shè)備根據(jù)該聯(lián)合分布概率密度函數(shù)以及當前道路元素參數(shù),估計道路場景參數(shù)取值的概率,從而將概率最大的取值作為預(yù)測的道路場景參數(shù)。估計道路場景參數(shù)取值的概率時可采用最大后驗概率估計方法(map)或者最大似然估計方法。

道路場景參數(shù)是對道路交通工具進行行駛控制時所依據(jù)的參數(shù),在一個實施例中,道路場景參數(shù)包括道路拓撲關(guān)系、路口中心位置、道路寬度、即將駛?cè)氲牡缆放c車頭方向夾角以及當前道路與即將駛?cè)氲牡缆分g的夾角中的至少一種。其中道路拓撲關(guān)系比如直行道路、左轉(zhuǎn)道路、右轉(zhuǎn)道路、t型道路或者十字路口等。路口中心位置可以是路口中心在車體坐標系下的坐標。

在一個實施例中,因子圖模型所表達的道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù)即目標函數(shù)可用如下公式(1)表示:

其中,θ表示因子圖模型中的所有參數(shù)。r={k,c,w,r,a}表示道路場景參數(shù),是用來描述道路拓撲關(guān)系和幾何結(jié)構(gòu)的隨機變量;其中k表示道路拓撲關(guān)系,c=(x,z)表示路口中心在車體坐標系下的坐標,w表示道路寬度,r表示即將駛?cè)氲牡缆放c車頭方向夾角,a表示當前道路與即將駛?cè)氲牡缆分g的夾角。

t={t1,...,tnt}表示車輛跟蹤參數(shù),共有nt個參數(shù);p={p1,...,pnp}表示行人跟蹤參數(shù),共有np個參數(shù);l={l1,...,lnl}表示道路滅點檢測結(jié)果,共有nl個參數(shù);v={v1,...,vnv}表示車道線檢測結(jié)果,共有nv個參數(shù);s={s1,...,sns}表示交通標志檢測結(jié)果,共有ns個參數(shù)。e={t,p,l,v,s}構(gòu)成因子圖模型的觀測變量,也叫作數(shù)據(jù)證據(jù)。{e-t}是集合{p,l,v,s}的簡化表達,類似的,{e-p}表示集合{t,l,v,s,}{e-l}表示集合{t,p,v,s},{e-v}表示集合{t,p,l,s},{e-s}表示集合{t,p,l,v}。

在一個實施例中,電子設(shè)備具體可以根據(jù)以下公式(2)采用最大后驗概率估計方法預(yù)測道路場景參數(shù)r:

r=argmaxrp(r|e,θ)公式(2)

其中,這里e表示當前道路元素參數(shù),θ表示因子圖模型中的所有參數(shù),r表示預(yù)測的道路場景參數(shù),公式(2)表示預(yù)測的道路場景參數(shù)r使得概率p(r|e,θ)最大化。

步驟308,根據(jù)預(yù)測的道路場景參數(shù)生成行駛控制指令并輸出。

其中,行駛控制指令是可控制道路交通工具行駛的指令,比如控制道路交通工具的行駛方向、行駛速度或者剎車等。電子設(shè)備可直接將行駛控制指令輸出給道路交通工具的控制器,使得道路交通工具實現(xiàn)自動駕駛;電子設(shè)備也可以將行駛控制指令以可視提示方式或者語音播放方式輸出,比如提示改變行駛方向、提示改變行駛速度或者提示剎車等,以實現(xiàn)道路交通工具的導(dǎo)航。

上述道路交通工具行駛控制方法,利用實時感知結(jié)果的當前道路元素參數(shù)來預(yù)測道路場景參數(shù),從而根據(jù)預(yù)測的道路場景參數(shù)來進行行駛控制,不再依賴于地圖數(shù)據(jù),交通工具行駛控制的準確性得以增強。而且,通過因子圖來表達道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù),因子圖用圖結(jié)構(gòu)描述全局目標函數(shù)的因式分解形式,將大規(guī)劃的全局運算劃分為簡單的局部運算,提高了行駛控制的效率。再者,通過因子圖模型可以將多種道路元素融合,可以考慮到道路元素參數(shù)之間的相關(guān)性,而不是假設(shè)彼此獨立,使得交通工具行駛控制符合真實道路場景,控制準確。

在一個實施例中,道路元素參數(shù)包括跟蹤目標參數(shù);該方法還包括:根據(jù)因子圖模型和預(yù)測的道路場景參數(shù)預(yù)測跟蹤目標相對于道路位置;步驟308包括:根據(jù)預(yù)測的道路場景參數(shù)和預(yù)測的跟蹤目標相對于道路位置生成行駛控制指令并輸出。

其中,跟蹤目標比如車輛或者行人等運動目標,跟蹤目標參數(shù)比如上述的車輛跟蹤參數(shù)t或者行人跟蹤參數(shù)p。跟蹤目標相對于道路位置是指車輛或者行人等跟蹤目標相對于道路的位置關(guān)系。根據(jù)預(yù)測的道路目標相對于道路位置,電子設(shè)備可確定行駛的道路上存在的障礙物,與預(yù)測的道路場景參數(shù)結(jié)合,便可以確定可行的行進路線,從而生成相應(yīng)的行駛控制指令并輸出。

在一個實施例中,電子設(shè)備具體可以根據(jù)以下公式(3)采用最大后驗概率估計方法預(yù)測車輛在道路中的位置:

其中,l表示當前所在道路的標識,lnt表示車輛tnt所在道路的標識,snt表示車輛跟蹤參數(shù)中的車輛位置的樣條模型的表達;t表示當前車輛的車輛跟蹤參數(shù);r表示預(yù)測的道路場景參數(shù);vl表示預(yù)測得到的車輛在道路中的位置的集合;vl表示預(yù)測的各個追蹤車輛在道路中的位置。對于行人也可以采用相同的方法求得行人在道路中的位置,具體將公式(3)中跟蹤車輛的信息替換為跟蹤行人的信息。

本實施例中,通過預(yù)測跟蹤目標相對于道路位置,在生成行駛控制指令時不僅考慮預(yù)測的道路場景參數(shù),還會考慮預(yù)測的跟蹤目標相對于道路位置,這樣可以使得道路交通工具行駛更加智能化,應(yīng)用于無人駕駛場景時會更加安全。

如圖4所示,在一個實施例中,在步驟302之前,該道路交通工具行駛控制方法還包括訓練因子圖模型的步驟,具體包括如下步驟:

步驟402,將多種道路元素進行參數(shù)化表達,得到相應(yīng)的道路元素參數(shù)。

電子設(shè)備將各種道路元素進行坐標系的統(tǒng)一以及參數(shù)化表達,得到相應(yīng)的道路元素參數(shù)。具體對于車道線可采用通過若干點的樣條模型表達,將樣條模型表達中的參數(shù)作為車道線相應(yīng)的道路元素參數(shù)。道路滅點的道路元素參數(shù)可采用道路滅點在道路鳥瞰圖中的坐標位置。交通標志的道路元素參數(shù)可采用交通標志的位置及其語義表示。行人和車輛等跟蹤目標是動態(tài)數(shù)據(jù),可采用每一幀視頻圖像中跟蹤目標的位置及其跟蹤模型的參數(shù)作為跟蹤目標的道路元素參數(shù)。

步驟404,根據(jù)各道路元素對應(yīng)的道路元素參數(shù)分別構(gòu)建概率圖模型。

具體地,由于道路交通環(huán)境中存在靜態(tài)的道路元素,比如車道線或者交通標志;也存在動態(tài)的道路元素,比如光流、行人或者車輛,這里對于靜態(tài)和動態(tài)的道路元素可分別采用不同類型的概率圖模型建模。具體對于靜態(tài)的道路元素可采用貝葉斯網(wǎng)絡(luò)(bn)模型建立概率圖模型,對于動態(tài)的道路元素可采用隱馬爾科夫(hmm)模型或者多重參考(mrf)模型建立概率圖模型。

步驟406,根據(jù)道路交通先驗知識將各概率圖模型連接,得到因子圖模型。

其中,道路交通先驗知識是已知的在道路交通環(huán)境中存在的信息,比如紅燈時車輛多數(shù)減速或者停車,道路路口處車輛速度較慢,車輛在左側(cè)道路超車,行人在道路兩旁,兩輛車不可能在相同位置等。道路交通先驗知識可以反映出各個道路元素參數(shù)之間的關(guān)聯(lián),因此可利用交通先驗知識,將各概率圖模型連接中相關(guān)聯(lián)的節(jié)點連接,并標記相應(yīng)的概率,從而將各概率圖模型統(tǒng)一起來形成復(fù)合概率圖模型。電子設(shè)備根據(jù)因子圖的表達規(guī)則,將復(fù)合概率圖模型重表達,以將有向圖模式的概率圖模型轉(zhuǎn)化為無向圖模式的因子圖模型。如圖5所示,將復(fù)合概率圖模型中的貝葉斯網(wǎng)絡(luò)模型和隱馬爾科夫模型分別進行因子圖表達,得到因子圖模型。

概率圖模型是對復(fù)雜不確定性問題進行建模、推理的重要工具之一,常用的概率圖模型主要包括貝葉斯網(wǎng)絡(luò)模型、馬爾科夫網(wǎng)絡(luò)模型以及因子圖模型等。其中因子圖模型是一種表示多元函數(shù)因式分解結(jié)構(gòu)的二分圖,具有很強的表達能力。因子圖模型不僅可以表示貝葉斯網(wǎng)絡(luò)模型和馬爾科夫網(wǎng)絡(luò)模型所能夠表示的所有獨立性關(guān)系,還能夠表示她們所不能表示的獨立性關(guān)系。而且,貝葉斯網(wǎng)絡(luò)模型和馬爾科夫網(wǎng)絡(luò)模型只需經(jīng)過簡單的步驟就可以轉(zhuǎn)化為因子圖模型。

步驟408,根據(jù)道路數(shù)據(jù)樣本訓練因子圖模型。

具體地,因子圖模型的訓練包括結(jié)構(gòu)學習和參數(shù)學習。結(jié)構(gòu)學習包括確定因子圖模型的節(jié)點和邊,以及節(jié)點與邊的連接方式,以及是否存在反饋回路等。電子設(shè)備可根據(jù)標記道路數(shù)據(jù)樣本進行各種道路場景下的道路場景參數(shù)及相應(yīng)道路元素參數(shù)之間的依賴性聚類分析,確定因子圖模型中存在關(guān)聯(lián)的因子,從而學習因子圖模型的結(jié)構(gòu),將層次因子圖模型轉(zhuǎn)化為標準因子圖。進而通過一些bp(errorbackpropagation,誤差反向傳播)算法學習因子圖模型中的參數(shù)。

其中道路數(shù)據(jù)樣本可以是標記道路數(shù)據(jù)樣本,標記道路數(shù)據(jù)樣本是已標注預(yù)測結(jié)果和觀測變量的樣本。依賴性聚類分析具體可依據(jù)歐氏距離或者馬氏距離通過聚類算法(如k-means等非監(jiān)督方法)進行聚類分析。層次因子圖模型是在標準因子圖模型基礎(chǔ)上增加了有關(guān)復(fù)合變量和復(fù)合因子,其中復(fù)合變量和 復(fù)合因子是在建模過程中可獲得的中間結(jié)果,將層次因子圖模型轉(zhuǎn)化為標準因子圖模型,可使得建模過程更加條理有序,也可以簡化因子圖模型的推理過程。

對因子圖模型的參數(shù)學習,具體可采用置信傳播(beliefpropagation)機制利用和積算法(sum-productalgorithm)。和積算法是常用的因子圖模型推理算法,采用和積算法訓練因子圖模型時,通過在因子圖模型相鄰結(jié)點間進行消息傳遞來實現(xiàn)邊緣概率分布函數(shù)的計算,邊緣概率是指某一組概率的加和。

在一個實施例中,電子設(shè)備可根據(jù)道路數(shù)據(jù)樣本載入根據(jù)道路交通先驗知識得到的先驗的因子圖模型,采用置信傳播機制并利用和積算法進行邊緣概率分布函數(shù)的計算,并驗證因子圖模型中節(jié)點之間的依賴關(guān)系,根據(jù)依賴關(guān)系進行減枝,逐步形成一個標準因子圖模型,實現(xiàn)因子圖模型的結(jié)構(gòu)學習,進而根據(jù)道路數(shù)據(jù)樣本進行參數(shù)學習。

具體地,電子設(shè)備可對因子圖模型的兩兩道路元素的相應(yīng)道路元素參數(shù)的節(jié)點,比如交通標志和車輛,道路和行人等,進行依賴關(guān)系的分析,這種依賴關(guān)系表示節(jié)點之間的相關(guān)性。如果因子間關(guān)系比較小就直接切掉因子圖模型中相應(yīng)節(jié)點之間的邊關(guān)聯(lián)。對因子圖模型進行結(jié)構(gòu)學習時可構(gòu)建因子圖模型的觀測變量和關(guān)聯(lián)矩陣的代價函數(shù),通過求取最小代價函數(shù)求得關(guān)聯(lián)矩陣,從而根據(jù)關(guān)聯(lián)矩陣進行減枝,其中關(guān)聯(lián)矩陣表示因子圖模型中節(jié)點之間的依賴關(guān)系。求取最小化代價函數(shù)是一個np-hard(非確定性多項式困難)問題,可采用模擬退火方式實現(xiàn)。

本實施例中,將各種道路元素進行參數(shù)化表達得到道路元素參數(shù)并構(gòu)建概率圖模型,根據(jù)道路交通先驗知識將概率圖模型連接得到因子圖模型,可得到符合道路交通先驗知識的因子圖模型,進而利用道路數(shù)據(jù)樣本訓練因子圖模型,可使得因子圖模型能夠準確描述道路交通環(huán)境,使得電子設(shè)備可準確理解道路交通環(huán)境,進而準確地對道路交通工具的行駛進行控制。

在一個實施例中,道路數(shù)據(jù)樣本包括標記道路數(shù)據(jù)樣本和未標記道路數(shù)據(jù)樣本;步驟408具體包括:根據(jù)標記道路數(shù)據(jù)樣本和未標記道路數(shù)據(jù)樣本,采用半監(jiān)督學習方式對因子圖模型進行結(jié)構(gòu)學習和參數(shù)學習。

未標記道路數(shù)據(jù)樣本是指僅標記觀測變量而未標記預(yù)測結(jié)果的樣本。電子 設(shè)備可先確定標記道路數(shù)據(jù)樣本和未標記道路數(shù)據(jù)樣本的相似度,從而根據(jù)標記道路數(shù)據(jù)樣本所標注的預(yù)測結(jié)果來估計未標記道路數(shù)據(jù)樣本的預(yù)測結(jié)果,進而根據(jù)標記道路數(shù)據(jù)樣本、未標記道路數(shù)據(jù)樣本及估計的預(yù)測結(jié)果對因子圖模型進行結(jié)構(gòu)學習和參數(shù)學習。計算相似度可考慮多種相似度,比如道路形態(tài)相似度、場景結(jié)構(gòu)相似度以及語義相似度等,還可以將車道線與可行駛區(qū)域探測結(jié)果融合,建立道路及車道線形態(tài)樣本特征字典,從而根據(jù)車道線形態(tài)樣本特征字典中的特征矢量來度量相似度。

本實施例中,通過半監(jiān)督學習方式訓練因子圖模型,可減少標注代價,提高因子圖模型的訓練效率。

在一個實施例中,因子圖模型是動態(tài)的;該道路交通工具行駛控制方法還包括:收集實時感知結(jié)果;根據(jù)收集的實時感知結(jié)果更新因子圖模型。具體地,電子設(shè)備可收集實時感知結(jié)果以及相應(yīng)的預(yù)測結(jié)果作為標注道路數(shù)據(jù)樣本,或者收集實時感知結(jié)果作為未標注道路數(shù)據(jù)樣本,進一步對因子圖模型進行結(jié)構(gòu)學習和/或參數(shù)學習。電子設(shè)備還可以基于大規(guī)模稀疏矩陣對因子圖模型進行優(yōu)化。通過不斷更新因子圖模型,可以保持因子圖模型用于道路交通工具行駛控制的準確性。

在一個具體的應(yīng)用場景中,道路交通工具行駛控制方法的整個流程如圖6所示。電子設(shè)備收集參與道路交通環(huán)境的各種道路元素的實時感知結(jié)果,實時感知結(jié)果可通過視覺系統(tǒng)或雷達系統(tǒng)等感知設(shè)備感知得到。各種道路元素比如車道線、道路滅點、交通標志、行人、車輛等,實時感知結(jié)果如車道線檢測結(jié)果、道路滅點檢測結(jié)果、交通標志檢測結(jié)果及其語義、行人跟蹤器的參數(shù)以及車輛跟蹤器的參數(shù)等。通過語義分割可識別各種道路元素。

進一步地,電子設(shè)備將實時感知結(jié)果進行參數(shù)化表達,得到道路元素參數(shù);根據(jù)各道路元素對應(yīng)的道路元素參數(shù)分別構(gòu)建概率圖模型;根據(jù)道路交通先驗知識將各概率圖模型連接,得到復(fù)合概率圖模型,將復(fù)合概率圖模型轉(zhuǎn)化為動態(tài)因子圖。將道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù)作為目標函數(shù)。

進一步地,電子設(shè)備基于時間和空間的關(guān)聯(lián)性,根據(jù)實時感知結(jié)果并采用 半監(jiān)督學習方式對因子圖模型進行結(jié)構(gòu)學習和參數(shù)學習,其中結(jié)構(gòu)學習過程如圖7所示。利用更新的增量數(shù)據(jù)動態(tài)更新因子圖模型,并利用大規(guī)模稀疏矩陣優(yōu)化因子圖模型。最終可采用例如metropolis-hastings算法的mcmc(markovchainmontecarlo,隨機模擬)算法來實現(xiàn)參數(shù)推理,如預(yù)測道路場景參數(shù)。

如圖8所示,在一個實施例中,提供了一種道路交通工具行駛控制裝置800,包括:數(shù)據(jù)獲取模塊801、預(yù)測模塊802和輸出模塊803。

數(shù)據(jù)獲取模塊801,用于獲取道路交通環(huán)境的實時感知結(jié)果;根據(jù)實時感知結(jié)果得到多種道路元素相應(yīng)的當前道路元素參數(shù)。

預(yù)測模塊802,用于根據(jù)因子圖模型和當前道路元素參數(shù)預(yù)測道路場景參數(shù);因子圖模型用于表達道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù)。

輸出模塊803,用于根據(jù)預(yù)測的道路場景參數(shù)生成行駛控制指令并輸出。

上述道路交通工具行駛控制裝置800,利用實時感知結(jié)果的當前道路元素參數(shù)來預(yù)測道路場景參數(shù),從而根據(jù)預(yù)測的道路場景參數(shù)來進行行駛控制,不再依賴于地圖數(shù)據(jù),交通工具行駛控制的準確性得以增強。而且,通過因子圖來表達道路場景參數(shù)和多種道路元素相應(yīng)的道路元素參數(shù)間的聯(lián)合分布概率密度函數(shù),因子圖用圖結(jié)構(gòu)描述全局目標函數(shù)的因式分解形式,將大規(guī)劃的全局運算劃分為簡單的局部運算,提高了行駛控制的效率。再者,通過因子圖模型可以將多種道路元素融合,可以考慮到道路元素參數(shù)之間的相關(guān)性,而不是假設(shè)彼此獨立,使得交通工具行駛控制符合真實道路場景,控制準確。

在一個實施例中,預(yù)測模塊802還用于根據(jù)因子圖模型和預(yù)測的道路場景參數(shù)預(yù)測跟蹤目標相對于道路位置。輸出模塊803還用于根據(jù)預(yù)測的道路場景參數(shù)和預(yù)測的跟蹤目標相對于道路位置生成行駛控制指令并輸出。

本實施例中,通過預(yù)測跟蹤目標相對于道路位置,在生成行駛控制指令時不僅考慮預(yù)測的道路場景參數(shù),還會考慮預(yù)測的跟蹤目標相對于道路位置,這樣可以使得道路交通工具行駛更加智能化,應(yīng)用于無人駕駛場景時會更加安全。

如圖9所示,在一個實施例中,道路交通工具行駛控制裝置800還包括: 因子圖模型訓練模塊804,用于將多種道路元素進行參數(shù)化表達,得到相應(yīng)的道路元素參數(shù);根據(jù)各道路元素對應(yīng)的道路元素參數(shù)分別構(gòu)建概率圖模型;根據(jù)道路交通先驗知識將各概率圖模型連接,得到因子圖模型;根據(jù)道路數(shù)據(jù)樣本訓練因子圖模型。

本實施例中,將各種道路元素進行參數(shù)化表達得到道路元素參數(shù)并構(gòu)建概率圖模型,根據(jù)道路交通先驗知識將概率圖模型連接得到因子圖模型,可得到符合道路交通先驗知識的因子圖模型,進而利用道路數(shù)據(jù)樣本訓練因子圖模型,可使得因子圖模型能夠準確描述道路交通環(huán)境,使得電子設(shè)備可準確理解道路交通環(huán)境,進而準確地對道路交通工具的行駛進行控制。

在一個實施例中,道路數(shù)據(jù)樣本包括標記道路數(shù)據(jù)樣本和未標記道路數(shù)據(jù)樣本;因子圖模型訓練模塊804還用于根據(jù)標記道路數(shù)據(jù)樣本和未標記道路數(shù)據(jù)樣本,采用半監(jiān)督學習方式對因子圖模型進行結(jié)構(gòu)學習和參數(shù)學習。

本實施例中,通過半監(jiān)督學習方式訓練因子圖模型,可減少標注代價,提高因子圖模型的訓練效率。

在一個實施例中,道路交通工具行駛控制裝置800還包括:因子圖模型更新模塊805,用于收集實時感知結(jié)果;根據(jù)收集的實時感知結(jié)果更新因子圖模型。

在一個實施例中,道路場景參數(shù)包括道路拓撲關(guān)系、路口中心位置、道路寬度、即將駛?cè)氲牡缆放c車頭方向夾角以及當前道路與即將駛?cè)氲牡缆分g的夾角中的至少一種;道路元素參數(shù)包括車輛跟蹤參數(shù)、行人跟蹤參數(shù)、車道線檢測結(jié)果、道路滅點檢測結(jié)果以及交通標志檢測結(jié)果中的至少一種。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程,是可以通過計算機程序來指令相關(guān)的硬件來完成,該計算機程序可存儲于一計算機可讀取存儲介質(zhì)中,該程序在執(zhí)行時,可包括如上述各方法的實施例的流程。其中,前述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(read-onlymemory,rom)等非易失性存儲介質(zhì),或隨機存儲記憶體(randomaccessmemory,ram)等。

以上實施例的各技術(shù)特征可以進行任意的組合,為使描述簡潔,未對上述實施例中的各個技術(shù)特征所有可能的組合都進行描述,然而,只要這些技術(shù)特征的組合不存在矛盾,都應(yīng)當認為是本說明書記載的范圍。

以上實施例僅表達了本發(fā)明的幾種實施方式,其描述較為具體和詳細,但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當指出的是,對于本領(lǐng)域的普通技術(shù)人員來說,在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干變形和改進,這些都屬于本發(fā)明的保護范圍。因此,本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準。

當前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
习水县| 正阳县| 广德县| 大冶市| 北川| 肃宁县| 公主岭市| 洞口县| 石林| 吕梁市| 云霄县| 靖西县| 大新县| 托克逊县| 巫溪县| 思茅市| 大城县| 明溪县| 蕲春县| 崇州市| 德清县| 广丰县| 荆门市| 上蔡县| 珠海市| 大渡口区| 中山市| 雷山县| 雅安市| 华容县| 双辽市| 永川市| 石楼县| 阿图什市| 石阡县| 洛宁县| 依安县| 阿瓦提县| 宿迁市| 漳浦县| 师宗县|