[发明专利]利用车道汇总的用于自动驾驶期间的移动对象的车道选择预测的神经网络在审
申请号: | 202010095932.4 | 申请日: | 2020-02-17 |
公开(公告)号: | CN112241166A | 公开(公告)日: | 2021-01-19 |
发明(设计)人: | 潘嘉诚;许珂诚;孙宏艺;张雅嘉;缪景皓 | 申请(专利权)人: | 百度(美国)有限责任公司 |
主分类号: | G05D1/02 | 分类号: | G05D1/02 |
代理公司: | 北京英赛嘉华知识产权代理有限责任公司 11204 | 代理人: | 马晓亚;王艳春 |
地址: | 美国加利*** | 国省代码: | 暂无信息 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 利用 车道 汇总 用于 自动 驾驶 期间 移动 对象 选择 预测 神经网络 | ||
1.用于操作自动驾驶车辆的计算机实施方法,所述方法包括:
基于从所述自动驾驶车辆的多个传感器获得的传感器数据来感知所述自动驾驶车辆周围的驾驶环境,包括识别多条车道和移动障碍物;
针对所识别的车道中的每一条,对所述车道应用神经网络车道特征编码器,以提取所述车道的一组车道特征;
对所述移动障碍物应用神经网络障碍物特征编码器,以提取所述移动障碍物的一组障碍物特征;以及
对所识别的车道的所述车道特征和所述移动障碍物的所述障碍物特征应用车道选择预测模型,以确定所述移动障碍物将会选择所识别的车道中的哪一条。
2.根据权利要求1所述的方法,还包括:
对从相应的所述神经网络车道特征编码器接收到的所识别的车道中的至少两条车道的车道特征应用神经网络环境特征编码器,以生成一组环境特征;以及
对所识别的车道的所述车道特征、所述移动障碍物的所述障碍物特征以及所述环境特征应用所述车道选择预测模型,以预测所述移动障碍物的车道选择。
3.根据权利要求2所述的方法,其中,对所识别的车道的所述车道特征、所述移动障碍物的所述障碍物特征以及所述环境特征应用所述车道选择预测模型包括:
将与第一车道对应的第一组车道特征、所述障碍物特征和所述环境特征馈送到所述车道选择预测模型的第一输入;以及
将与第二车道对应的第二组车道特征、所述障碍物特征和所述环境特征馈送到所述车道选择预测模型的第二输入。
4.根据权利要求3所述的方法,其中,所述车道选择预测模型生成具有第一概率的第一输出和具有第二概率的第二输出,所述第一输出和所述第二输出表示所述移动障碍物分别选择所述第一车道和所述第二车道的概率。
5.根据权利要求1所述的方法,其中,所识别的车道包括相对于所述移动障碍物的当前位置的一条或多条前向车道和一条或多条后向车道。
6.根据权利要求1所述的方法,其中,所述车道选择预测模型生成一个或多个输出,每个输出对应于所识别的车道中的一条,其中,每个输出包括所述移动障碍物可能选择的相应车道的概率。
7.根据权利要求1所述的方法,其中,对车道应用神经网络车道特征编码器包括:将所述车道的车道中心线的坐标馈送到所述神经网络车道特征编码器的输入。
8.根据权利要求1所述的方法,其中,对所述移动障碍物应用所述神经网络障碍物特征编码器包括:将所述移动障碍物的移动历史的坐标馈送到所述神经网络障碍物特征编码器的输入。
9.其中存储有指令的非暂时性机器可读介质,所述指令在由处理器运行时使得所述处理器执行操作,所述操作包括:
基于从自动驾驶车辆的多个传感器获得的传感器数据来感知所述自动驾驶车辆周围的驾驶环境,包括识别多条车道和移动障碍物;
针对所识别的车道中的每一条,对所述车道应用神经网络车道特征编码器,以提取所述车道的一组车道特征;
对所述移动障碍物应用神经网络障碍物特征编码器,以提取所述移动障碍物的一组障碍物特征;以及
对所识别的车道的所述车道特征和所述移动障碍物的所述障碍物特征应用车道选择预测模型,以确定所述移动障碍物将会选择所识别的车道中的哪一条。
10.根据权利要求9所述的机器可读介质,其中,所述操作还包括:
对从相应的所述神经网络车道特征编码器接收到的所识别的车道中的至少两条车道的车道特征应用神经网络环境特征编码器,以生成一组环境特征;以及
对所识别的车道的所述车道特征、所述移动障碍物的所述障碍物特征以及所述环境特征应用所述车道选择预测模型,以预测所述移动障碍物的车道选择。
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百度(美国)有限责任公司,未经百度(美国)有限责任公司许可,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/202010095932.4/1.html,转载请声明来源钻瓜专利网。