[發(fā)明專利]自動(dòng)駕駛路徑規(guī)劃方法及系統(tǒng)、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110376837.6
• 申請(qǐng)日: 2021-04-08
• 公開（公告）號(hào): CN115195760A
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 劉文如;閔歡;王玉龍;覃小藝;張劍鋒
• 申請(qǐng)（專利權(quán)）人: 廣州汽車集團(tuán)股份有限公司
• 主分類號(hào): B60W50/00
• 分類號(hào): B60W50/00;B60W60/00
• 代理公司: 深圳匯智容達(dá)專利商標(biāo)事務(wù)所(普通合伙) 44238
• 代理人: 徐文城

1.一種自動(dòng)駕駛路徑規(guī)劃方法，其特征在于，包括：

獲取車載前視攝像頭所采集的當(dāng)前時(shí)刻之前的n個(gè)時(shí)刻的前方圖像；n為預(yù)設(shè)數(shù)值；

將所述n個(gè)時(shí)刻的前方圖像輸入預(yù)先訓(xùn)練好的第一神經(jīng)網(wǎng)絡(luò)模型以進(jìn)行交通元素檢測(cè)處理，獲得交通元素；

獲取歷史車輛軌跡，并將所述歷史車輛軌跡輸入預(yù)先訓(xùn)練好的第二神經(jīng)網(wǎng)絡(luò)模型以進(jìn)行未來車輛軌跡預(yù)測(cè)處理，獲得未來車輛軌跡；

根據(jù)所述前方圖像、所述前方交通元素以及所述未來車輛軌跡生成特征量，并將所述特征量輸入預(yù)先訓(xùn)練好的第三神經(jīng)網(wǎng)絡(luò)模型進(jìn)行路徑規(guī)劃，獲得規(guī)劃路徑。

2.根據(jù)權(quán)利要求1所述的自動(dòng)駕駛路徑規(guī)劃方法，其特征在于，所述交通元素和所述未來車輛軌跡均為圖像格式；其中，一個(gè)交通元素與未來任一時(shí)刻的車輛軌跡均對(duì)應(yīng)一個(gè)尺寸為W*H*1的圖像，且所述前方圖像的尺寸為W*H*Z；W、H、Z為預(yù)設(shè)數(shù)值；所述交通元素至少包括車道線、車輛。

3.根據(jù)權(quán)利要求1所述的自動(dòng)駕駛路徑規(guī)劃方法，其特征在于，所述第一神經(jīng)網(wǎng)絡(luò)模型包括卷積神經(jīng)網(wǎng)絡(luò)模型和SSD網(wǎng)絡(luò)模型；其中，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取所述n個(gè)時(shí)刻的前方圖像的圖像特征；所述SSD網(wǎng)絡(luò)模型用于對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)所提取的圖像特征進(jìn)行交通元素檢測(cè)獲得交通元素。

4.根據(jù)權(quán)利要求1所述的自動(dòng)駕駛路徑規(guī)劃方法，其特征在于，所述第二神經(jīng)網(wǎng)絡(luò)模型為Resnet網(wǎng)絡(luò)模型。

5.根據(jù)權(quán)利要求1所述的自動(dòng)駕駛路徑規(guī)劃方法，其特征在于，所述第三神經(jīng)網(wǎng)絡(luò)為深度學(xué)習(xí)網(wǎng)絡(luò)模型，所述深度學(xué)習(xí)網(wǎng)絡(luò)模型包括依次連接的圖像處理部分和全連接網(wǎng)絡(luò)部分，所述圖像處理部分包括依次連接的5個(gè)模塊，所述5個(gè)模塊均由多層Conv2D的卷積層構(gòu)成，層數(shù)依次分別為2、2、3、6、5；所述5個(gè)模塊的過濾器數(shù)量分別為32、64、128、256、256，且過濾器的大小均為3*3，步幅均為1；

其中，所述圖像處理部分用于對(duì)所述特征量進(jìn)行圖像卷積處理以獲得未來車輛軌跡對(duì)應(yīng)的圖像序列；所述全連接網(wǎng)絡(luò)部分用于對(duì)所述圖像處理部分所提取的圖像序列，進(jìn)行壓縮得到規(guī)劃路徑并輸出。

6.一種自動(dòng)駕駛路徑規(guī)劃系統(tǒng)，其特征在于，包括：

圖像獲取單元，用于獲取車載前視攝像頭所采集的當(dāng)前時(shí)刻之前的n個(gè)時(shí)刻的前方圖像；n為預(yù)設(shè)數(shù)值；

交通元素檢測(cè)單元，用于將所述n個(gè)時(shí)刻的前方圖像輸入預(yù)先訓(xùn)練好的第一神經(jīng)網(wǎng)絡(luò)模型以進(jìn)行交通元素檢測(cè)處理，獲得交通元素；

軌跡預(yù)測(cè)單元，用于獲取歷史車輛軌跡，并將所述歷史車輛軌跡輸入預(yù)先訓(xùn)練好的第二神經(jīng)網(wǎng)絡(luò)模型以進(jìn)行未來車輛軌跡預(yù)測(cè)處理，獲得未來車輛軌跡；以及

路徑規(guī)劃單元，用于根據(jù)所述前方圖像、所述前方交通元素以及所述未來車輛軌跡生成特征量，并將所述特征量輸入預(yù)先訓(xùn)練好的第三神經(jīng)網(wǎng)絡(luò)模型進(jìn)行路徑規(guī)劃，獲得規(guī)劃路徑。

7.根據(jù)權(quán)利要求6所述的自動(dòng)駕駛路徑規(guī)劃系統(tǒng)，其特征在于，所述交通元素和所述未來車輛軌跡均為圖像格式；其中，一個(gè)交通元素與未來任一時(shí)刻的車輛軌跡均對(duì)應(yīng)一個(gè)尺寸為W*H*1的圖像，且所述前方圖像的尺寸為W*H*Z；W、H、Z為預(yù)設(shè)數(shù)值；所述交通元素至少包括車道線、車輛。

8.根據(jù)權(quán)利要求6所述的自動(dòng)駕駛路徑規(guī)劃系統(tǒng)，其特征在于，所述第一神經(jīng)網(wǎng)絡(luò)模型包括卷積神經(jīng)網(wǎng)絡(luò)模型和SSD網(wǎng)絡(luò)模型；其中，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取所述n個(gè)時(shí)刻的前方圖像的圖像特征；所述SSD網(wǎng)絡(luò)模型用于對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)所提取的圖像特征進(jìn)行交通元素檢測(cè)獲得交通元素。