轨迹控制方法、装置、车辆及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114274980A(43)申请公布日2022.04.05(21)申请号202210100296.9(22)申请日2022.01.27(71)申请人中国第一汽车股份有限公司地址130011吉林省长春市汽车经济技术开发区新红旗大街1号(72)发明人何柳李宇寂尚秉旭(74)专利代理机构北京远智汇知识产权代理有限公司11659代理人鲁艳萍(51)Int.Cl.B60W60/00(2020.01)权利要求书2页说明书8页附图3页(54)发明名称轨迹控制方法、装置、车辆及存储介质(57)摘要本发明公开了一种轨迹控制方法、装置、车辆及存储介质。该方法包括：获取当前环境数据；将所述当前环境数据输入至卷积神经网络‑支持向量机模型CNN‑SVM模型，以通过所述CNN‑SVM模型输出由至少两种行为决策的预测值组成的输出向量；根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。上述技术方案解决了智能车辆在自动驾驶过程中基于规则学习不能自调整、场景覆盖不完全等缺点，提高了自动驾驶车辆的行为决策可靠性和行车安全性。CN114274980ACN114274980A权利要求书1/2页1.一种轨迹控制方法，其特征在于，包括：获取当前环境数据；将所述当前环境数据输入至卷积神经网络‑支持向量机模型CNN‑SVM模型，以通过所述CNN‑SVM模型输出由至少两种行为决策的预测值组成的输出向量；根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。2.根据权利要求1所述的方法，其特征在于，在将所述当前环境数据输入至CNN‑SVM模型之前，还包括：将所述当前环境数据归一化，得到所述当前环境数据的特征向量；所述通过所述CNN‑SVM模型输出由至少两种行为决策的预测值组成的输出向量，包括：通过所述CNN‑SVM模型对所述特征向量进行处理，并对处理后的特征向量映射到每种行为决策对应空间内的概率进行预测，各所述行为决策对应的预测值组成所述输出向量。3.根据权利要求1所述的方法，其特征在于，所述根据所述输出向量确定目标行为决策，包括：将所述输出向量中最高预测值所对应的行为决策作为所述目标行为决策。4.根据权利要求1所述的方法，其特征在于，所述CNN‑SVM模型包括CNN和SVM，其中，所述CNN包括两个卷积层、两个池化层以及一个全连接层；所述全连接层的输出为所述SVM的输入。5.根据权利要求1所述的方法，其特征在于，所述CNN‑SVM模型的训练过程包括：获取所述车辆的历史轨迹数据以及历史环境数据，其中，所述历史轨迹数据以及所述历史环境数据以相同的采样频率采集；根据所述历史轨迹数据生成所述车辆的历史决策数据，所述历史决策数据与所述历史环境数据具有时序对应关系；选取设定比例的历史环境数据及时序对应的历史决策数据，并基于选取的历史环境数据以及历史决策数据训练所述CNN‑SVM模型。6.根据权利要求5所述的方法，其特征在于，还包括：将未选取的历史环境数据输入经过训练的CNN‑SVM模型；根据所述CNN‑SVM模型的输出，与所述未选取的历史环境数据时序对应的历史决策数据之间的误差，验证所述CNN‑SVM模型的预测准确率。7.根据权利要求1所述的方法，其特征在于，所述当前环境数据至少包括：自动驾驶地图数据、车辆行驶参数、路径规划数据、设定范围内的障碍物数据以及交通灯数据；所述行为决策至少包括：转弯、变道、巡航以及急停。8.一种轨迹控制装置，其特征在于，包括：获取模块，用于获取当前环境数据；预测模块，用于将所述当前环境数据输入至卷积神经网络‑支持向量机模型CNN‑SVM模型，以通过所述CNN‑SVM模型输出由至少两种行为决策的预测值组成的输出向量；行为决策模块，用于根据所述输出向量确定目标行为决策，并按照所述目标行为决策控制车辆的行驶轨迹。9.一种车辆，其特征在于，包括：2CN114274980A权利要求书2/2页一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1‑7中任一所述的行为决策方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7中任一所述的行为决策方法。3CN114274980A说明书1/8页轨迹控制方法、装置、车辆及存储介质技术领域[0001]本发明实施例涉及车辆控制技术领域，尤其涉及一种轨迹控制方法、装置、车辆及存储介质。背景技术[0002]随着人工智能飞速发展，智能车辆也逐渐融入我们生活，自动驾驶成为了未来交通的发展方向，自动驾驶不仅具备加减速、转向等常规汽车功能，还集成了环境感知、行为决策、路径规划、车辆控制