[发明专利]道路交通工具行驶控制方法和装置有效

专利信息
申请号: 201610270123.6 申请日: 2016-04-27
公开(公告)号: CN107310550B 公开(公告)日: 2019-09-17
发明(设计)人: 陈龙 申请(专利权)人: 腾讯科技(深圳)有限公司;中山大学
主分类号: B60W30/00 分类号: B60W30/00;B60W40/02;B60W50/00
代理公司: 广州华进联合专利商标代理有限公司 44224 代理人: 何平;邓云鹏
地址: 518000 广东省深圳*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 道路 交通工具 行驶 控制 方法 装置
【权利要求书】:

1.一种道路交通工具行驶控制方法,所述方法包括:

获取道路交通环境的实时感知结果;

根据所述实时感知结果得到多种道路元素相应的当前道路元素参数;

根据因子图模型和所述当前道路元素参数预测道路场景参数;其中,所述因子图模型用于表达道路场景参数和多种道路元素相应的道路元素参数间的联合分布概率密度函数;所述因子图模型是根据道路交通先验知识将各概率图模型连接、并根据道路数据样本训练得到的;所述概率图模型是根据多种道路元素相应的道路元素参数分别构建的;

根据预测的道路场景参数生成行驶控制指令并输出。

2.根据权利要求1所述的方法,其特征在于,所述道路元素参数包括跟踪目标参数;所述方法还包括:

根据所述因子图模型和预测的道路场景参数预测跟踪目标相对于道路位置;

所述根据预测的道路场景参数生成行驶控制指令并输出,包括:

根据预测的道路场景参数和预测的跟踪目标相对于道路位置生成行驶控制指令并输出。

3.根据权利要求1所述的方法,其特征在于,所述获取道路交通环境的实时感知结果之前,所述方法还包括:

将多种道路元素进行参数化表达,得到相应的道路元素参数;

根据各道路元素对应的道路元素参数分别构建概率图模型;

根据道路交通先验知识将各所述概率图模型连接,得到因子图模型;

根据道路数据样本训练所述因子图模型。

4.根据权利要求3所述的方法,其特征在于,所述道路数据样本包括标记道路数据样本和未标记道路数据样本;所述根据道路数据样本训练所述因子图模型,包括:

根据标记道路数据样本和未标记道路数据样本,采用半监督学习方式对所述因子图模型进行结构学习和参数学习。

5.根据权利要求1所述的方法,其特征在于,所述方法还包括:

收集所述实时感知结果;

根据收集的所述实时感知结果更新所述因子图模型。

6.根据权利要求1所述的方法,其特征在于,所述道路场景参数包括道路拓扑关系、路口中心位置、道路宽度、即将驶入的道路与车头方向夹角以及当前道路与即将驶入的道路之间的夹角中的至少一种;所述道路元素参数包括车辆跟踪参数、行人跟踪参数、车道线检测结果、道路灭点检测结果以及交通标志检测结果中的至少一种。

7.一种道路交通工具行驶控制装置,其特征在于,所述装置包括:

数据获取模块,用于获取道路交通环境的实时感知结果;根据所述实时感知结果得到多种道路元素相应的当前道路元素参数;

预测模块,用于根据因子图模型和所述当前道路元素参数预测道路场景参数;其中,所述因子图模型用于表达道路场景参数和多种道路元素相应的道路元素参数间的联合分布概率密度函数;所述因子图模型是根据道路交通先验知识将各概率图模型连接、并根据道路数据样本训练得到的;所述概率图模型是根据多种道路元素相应的道路元素参数分别构建的;输出模块,用于根据预测的道路场景参数生成行驶控制指令并输出。

8.根据权利要求7所述的装置,其特征在于,所述预测模块还用于根据所述因子图模型和预测的道路场景参数预测跟踪目标相对于道路位置;

所述输出模块还用于根据预测的道路场景参数和预测的跟踪目标相对于道路位置生成行驶控制指令并输出。

9.根据权利要求7所述的装置,其特征在于,所述装置还包括:因子图模型训练模块,用于将多种道路元素进行参数化表达,得到相应的道路元素参数;根据各道路元素对应的道路元素参数分别构建概率图模型;根据道路交通先验知识将各所述概率图模型连接,得到因子图模型;根据道路数据样本训练所述因子图模型。

10.根据权利要求9所述的装置,其特征在于,所述道路数据样本包括标记道路数据样本和未标记道路数据样本;所述因子图模型训练模块还用于根据标记道路数据样本和未标记道路数据样本,采用半监督学习方式对所述因子图模型进行结构学习和参数学习。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于腾讯科技(深圳)有限公司;中山大学,未经腾讯科技(深圳)有限公司;中山大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201610270123.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top