CN109496288A - 用于确定轨迹的系统和方法 - Google Patents

Abstract

本申请提供了用于确定轨迹的系统和方法。所述系统执行以下操作：获取车辆的状态信息(410)；基于车辆的状态信息确定出从车辆的当前位置到目的地的一个或以上原始轨迹(420)；从原始轨迹中确定出一个或以上候选轨迹(430)；并且基于轨迹评估模型从候选轨迹中确定目标轨迹(440)。

Description

用于确定轨迹的系统和方法

技术领域

本申请一般涉及用于确定轨迹的系统和方法，更具体地，涉及用于无人驾驶车辆的轨迹确定的系统和方法。

背景技术

随着人工智能(AI)等尖端技术的发展，无人驾驶车辆具有多种应用前景，例如运输服务。在没有人类操纵的情况下，无人驾驶车辆安全到达目的地是具有挑战性的。因此，有必要确定无人驾驶车辆的最优轨迹，使得无人驾驶车辆能够安全到达目的地。

发明内容

根据本申请的一个方面，提供了一种系统。该系统包括至少一个存储介质和至少一个用于与所述至少一个存储介质通信的处理器。所述至少一个存储介质包括一组指令。当所述至少一个存储介质执行所述指令时，可以指示所述至少一个处理器执行以下操作中的一个或以上。所述至少一个处理器可以获取车辆的状态信息。所述至少一个处理器可以基于车辆的状态信息确定从车辆的当前位置到目的地的一个或以上原始轨迹。所述至少一个处理器可以从所述一个或以上原始轨迹中确定一个或以上候选轨迹。所述至少一个处理器可以基于轨迹评估模型从所述一个或以上候选轨迹中确定目标轨迹。

在一些实施例中，车辆的状态信息包括车辆的行驶方向、车辆的瞬时速度、车辆的瞬时加速度、车辆的轴距、车辆的前轮转向角等，或其任何组合。

在一些实施例中，所述至少一个处理器可以确定与目的地相关的一个或以上子目标位置。所述至少一个处理器可以基于车辆的状态信息和所述一个或以上子目标位置确定一个或以上原始轨迹。

在一些实施例中，所述至少一个处理器可以确定网格图中的一个或以上障碍物。所述至少一个处理器可以执行一个或以上原始轨迹与一个或以上障碍物之间的碰撞检测。所述至少一个处理器可以基于碰撞检测从一个或以上原始轨迹中确定一个或以上候选轨迹。

在一些实施例中，所述至少一个处理器可以提取关于所述一个或以上候选轨迹的一个或以上特征。所述至少一个处理器可以基于所述一个或以上特征和轨迹评估模型评估所述一个或以上候选轨迹。所述至少一个处理器可以进一步基于轨迹评估模型确定目标轨迹。

在一些实施例中，所述至少一个处理器可以获取至少两个样本轨迹。所述至少一个处理器基于所述至少两个样本轨迹确定训练数据。所述至少一个处理器基于训练数据确定轨迹评估模型。

在一些实施例中，所述至少一个处理器可以提取关于所述至少两个样本轨迹的一个或以上样本特征，以及与每一个样本轨迹相关联的样本评估结果。所述至少一个处理器可以确定所述一个或以上样本特征和相应的样本评估结果作为训练数据。

在一些实施例中，所述一个或以上样本特征包括样本起始位置、样本目的地、车辆的样本速度、车辆的样本加速度、样本轨迹的样本曲率等，或其任何组合。

在一些实施例中，所述至少一个处理器可以基于目标轨迹确定速度规划策略。

根据本申请的另一个方面，提供了一种方法。所述方法包括获取车辆的状态信息。所述方法包括基于车辆的状态信息确定从车辆的当前位置到目的地的一个或以上原始轨迹。所述方法包括从一个或以上原始轨迹中确定一个或以上候选轨迹。所述方法包括基于轨迹评估模型从所述一个或以上候选轨迹中确定目标轨迹。

根据本申请的另一个方面，提供了一种系统。所述系统包括：状态信息获取模块，用于获取车辆的状态信息；轨迹生成模块，用于根据车辆的状态信息确定从车辆当前位置到目的地的一个或以上原始轨迹；候选轨迹确定模块，用于从所述一个或以上原始轨迹中确定一个或以上候选轨迹；目标轨迹确定模块，用于基于轨迹评估模型从一个或以上候选轨迹中确定目标轨迹。

根据本申请的另一个方面，提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质包括用于确定车辆轨迹的至少一组指令。当由电子终端的至少一个处理器执行所述至少一组指令时，所述至少一组指令指示所述至少一个处理器执行以下操作：获取车辆的状态信息；基于车辆的状态信息确定从车辆的当前位置到目的地的一个或以上原始轨迹；从所述一个或以上原始轨迹中确定一个或以上候选轨迹；和基于轨迹评估模型从所述一个或以上候选轨迹中确定目标轨迹。

附图说明

下面根据示例性实施例进一步描述本申请。参考附图详细描述这些示例性实施例。这些实施例是非限制性示例性实施例，其中相同的附图标记在附图的若干视图中表示类似的结构，并且其中：

图1是根据本申请的一些实施例所示的示例性无人驾驶车辆辅助系统的框图；

图2是根据本申请的一些实施例所示的计算设备的示例性硬件和软件组件的示意图；

图3是根据本申请的一些实施例所示的示例性处理器的框图；

图4是根据本申请的一些实施例所示的用于确定目标轨迹的示例性过程和/或方法的流程图；

图5A是根据本申请的一些实施例所示的示例性轨迹生成模块的框图；

图5B是根据本申请的一些实施例所示的用于确定一个或以上原始轨迹的示例性过程和/或方法的流程图；

图5C是根据本申请的一些实施例所示的至少两个示例性轨迹的示意图；

图5D是根据本申请的一些实施例所示的示例性车辆动力学模型的示意图；

图6A是根据本申请的一些实施例所示的示例性候选轨迹确定模块的框图；

图6B是根据本申请的一些实施例所示的用于确定一个或以上候选轨迹的示例性过程和/或方法的流程图；

图6C是根据本申请的一些实施例所示的示例性碰撞检测的示意图；

图7A是根据本申请的一些实施例所示的示例性目标轨迹确定模块的框图；

图7B是根据本申请的一些实施例所示的用于确定目标轨迹的示例性过程和/或方法的流程图；

图8A是根据本申请的一些实施例所示的示例性模型确定模块的框图；和

图8B是根据本申请的一些实施例所示的用于确定轨迹评估模型的示例性过程和/或方法的流程图。

具体实施方式

以下描述是为了使得本领域技术人员能够制造和使用本申请，并且在特定应用及其要求的背景下提供以下描述。对于本领域技术人员来说，对所公开的实施例的各种修改是显而易见的，并且在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用。因此，本申请不限于所示的实施例，而是与权利要求一致的最宽范围。

这里使用的术语仅用于描述特定示例实施例，而不是限制性的。如这里所使用的，单数形式“一”、“一个”和“该”也可以包括复数形式，除非上下文另有明确说明。需要进一步理解的是，当在本说明书中使用术语“包括”与“包含”时，表明所述特征、整数、步骤、操作、元素和/或组件的存在，但不排除一个或以上其他特征、整数、步骤、操作、元素、组件和/或组的存在或添加。

本申请的所有功能和特征、结构的相关元件的操作和功能以及部件的组合和制造经济性，在参考以下附图描述时可以变得更加明显，所有这些描述构成本申请的一部分。然而，应该清楚地理解，附图仅用于说明和描述的目的，并不旨在限制本申请的保护范围。应当理解，附图未按比例绘制。

本申请使用流程图来说明根据本申请的一些实施例的系统所执行的操作。应该理解的是，流程图的操作可以不按顺序执行。相反，操作可以倒序或同时执行。此外，可以向流程图添加一个或以上其他操作，或从流程图中移除一个或以上操作。

本申请中使用的定位技术可以基于全球定位系统(GPS)、全球导航卫星系统(GLONASS)、北斗卫星导航系统(COMPASS)、伽利略卫星定位系统、准天顶卫星系统(QZSS)、无线保真(WiFi)定位技术等，或其任何组合。一个或以上上述定位系统可以在本申请中互换使用。

此外，尽管本申请中披露的系统和方法主要是描述关于确定车辆的轨迹(例如，无人驾驶车辆)，但是应当理解的是，这仅是一个示例性实施例。本申请的系统或方法可以应用于任何其他类型的导航系统。例如，本申请的系统或方法可以应用于不同环境的运输系统，包括陆地、海洋、航空航天等，或其任何组合。运输系统的交通工具包括出租车、私家车、公共汽车、火车、高速列车、高速铁路、地铁、船只、飞机、飞船、热气球、无人驾驶车辆等，或其任何组合。在一些实施例中，该系统或方法可以在例如物流仓储、军事事务中找到应用。

本申请的一个方面涉及用于确定车辆轨迹的系统和方法。为此，系统可以获得车辆的车辆状态信息。然后，系统可基于车辆状态信息确定从车辆的当前位置到目的地的一个或以上原始轨迹。在一些实施例中，系统通过使用多项式曲线生成算法生成从车辆当前位置到目的地的一个或以上原始轨迹。然后，系统可以对一个或以上原始轨迹执行碰撞检测，以确定一些轨迹是否与障碍物不发生碰撞。所述系统还可以从与障碍物不发生碰撞的轨迹中选择出一个最优轨迹。在一些实施例中，可以基于机器学习技术(例如，人工神经网络、支持向量机(SVM)、决策树、随机森林)来确定轨迹评估模型。

图1是根据本申请的一些实施例所示的示例性无人驾驶车辆辅助系统100的框图。例如，所述无人驾驶车辆辅助系统100可以是在线平台，包括服务器110、存储器120、网络130、至少两个无人驾驶车辆140-1、140-2、140-3等。服务器110包括处理引擎112。

在一些实施例中，服务器110可以是独立服务器或服务器组。服务器组可以是集中式的或分布式的(例如，服务器110可以是分布式系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可通过网络130访问存储在无人驾驶车辆140-1、140-2、140-3和/或存储器120中的信息和/或数据。又例如，服务器110直接连接到无人驾驶车辆140-1、140-2、140-3、…、和/或存储器120以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上执行。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、内部云、多云等，或其任何组合。在一些实施例中，服务器110可以在具有一个或以上组件的计算设备上执行，例如本申请中图2所示的计算设备200。

在一些实施例中，服务器110包括处理引擎112。处理引擎112可以处理与轨迹确定相关的信息和/或数据，以执行本申请中描述的一个或以上功能。例如，处理引擎112可以收集车辆的状态信息和/或车辆周围的环境信息，并确定车辆的目标轨迹。在一些实施例中，处理引擎112可以包括一个或以上处理引擎(例如，单核处理器或多核处理器)。仅作为示例，处理引擎112包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑电路(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等，或其任何组合。

存储器120可以存储数据和/或指令。在一些实施例中，存储器120可以存储从无人驾驶车辆140-1、140-2、140-3获得的数据。在一些实施例中，存储器120可以存储服务器110执行或使用的数据和/或指令，以执行本申请中描述的示例性方法。在一些实施例中，存储器120包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等，或其任何组合。示例性大容量存储器包括磁盘、光盘、固态驱动器等。示例性可移动存储器包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等。示例性易失性读写存储器包括随机存取存储器(RAM)。示例性随机存取存储器(RAM)包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器(ROM)包括光罩式只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电子式可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字通用ROM等。在一些实施例中，存储设备可以在云平台上执行。仅作为示例，云平台包括私有云、公共云、混合云、社区云、分布式云、内部云、多云等，或其任何组合。

在一些实施例中，存储器120可以连接到网络130从而与无人驾驶车辆辅助系统100中的一个或以上部件(例如，服务器110、无人驾驶车辆140-1、140-2、140-3)通信。无人驾驶车辆辅助系统100中的一个或以上组件可以通过网络130访问存储在存储器120中的数据或指令。在一些实施例中，存储器120可以直接连接到无人驾驶车辆辅助系统100中的一个或以上组件，或与之通信。(例如，服务器110、无人驾驶车辆140-1、140-2、140-3)。在一些实施例中，存储器120可以是服务器110的一部分。

网络130可以用于信息和/或数据的交换。在一些实施例中，无人驾驶车辆辅助系统100中的一个或以上组件(例如，服务器110、存储器120和无人驾驶车辆140-1、140-2、140-3)可以通过网络130向所述无人驾驶车辆辅助系统100中其他组件发送信息和/或数据。例如，服务器110可以通过网络130获得/获取车辆的车辆状态信息和/或车辆周围的环境信息。在一些实施例中，网络130可以是任何类型的有线或无线网络，或其组合。仅作为示例，网络130包括缆线网络、有线网络、光纤网络、电信网络、内联网、因特网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等，或其任何组合。在一些实施例中，网络130包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或互联网交换点130-1、130-2、...，通过这些接入点，所述无人驾驶车辆辅助系统100中的一个或以上部件可以连接到网络130以交换数据和/或信息。

在一些实施例中，无人驾驶车辆140-1、140-2、140-3包括传统车辆的结构。所述传统车辆的结构包括底盘、悬架、转向、制动、动力传动系统部件或发动机。无人驾驶车辆还包括至少两个传感器，以提供用于控制无人驾驶车辆的信息。在一些实施例中，传感器可以感测关于无人驾驶车辆的车辆状态信息。所述传感器包括距离传感器、速度传感器、加速度传感器、转向角传感器、牵引相关传感器，和/或用于感测与无人驾驶车辆的动态情况相关信息的任何传感器。

例如，距离传感器(例如，雷达、激光雷达、红外传感器)可以确定某一车辆(例如140-1)与其他车辆(例如140-2、140-3)之间的距离。距离传感器还可以确定某一车辆(例如140-1、140-2、140-3)与一个或以上障碍物(例如，静态障碍物、动态障碍物)之间的距离。速度传感器(例如，霍尔传感器)可以确定无人驾驶车辆(例如，140-1、140-2、140-3)的速度(例如，瞬时速度、平均速度)。加速度传感器(例如，加速度计)可以确定无人驾驶车辆(例如，140-1、140-2、140-3)的加速度(例如，瞬时加速度、平均加速度)。转向角传感器(例如，倾斜传感器)可以确定无人驾驶车辆(例如，140-1、140-2、140-3)的转向角。牵引相关传感器(例如，力传感器)可以确定无人驾驶车辆(例如，140-1、140-2、140-3)的牵引力。

在一些实施例中，传感器可以感测车辆周围的环境信息。例如，一个或以上传感器可以检测路形和障碍物(例如，静态障碍物、动态障碍物)。路形包括道路宽度、道路长度、道路类型(例如，环形道路、直行道路、单向道路、双向道路)。静态障碍物包括建筑物、树木、路障等，或其任何组合。动态障碍物包括移动车辆、行人和/或动物等，或其任何组合。所述一个或以上传感器可以包括一个或以上摄像机、激光传感系统、红外传感系统、声学传感系统、热传感系统等，或其任何组合。

在一些实施例中，车辆还包括定位系统。在一些实施例中，定位系统可以在无人驾驶车辆上实施。定位系统可以提供与无人驾驶车辆相关的导航信息。所述导航信息包括无人驾驶车辆的当前位置，无人驾驶车辆的目的地、速度、加速度、当前时间等，或其任何组合。所述位置可以是坐标的形式，例如纬度坐标和经度坐标。定位系统包括北斗导航系统(COMPASS)、全球定位系统(GPS)、伽利略卫星定位系统、准天顶卫星系统(QZSS)等。

在一些实施例中，无人驾驶车辆辅助系统100(例如，服务器110)的一个或以上组件可以访问存储器120。在一些实施例中，无人驾驶车辆辅助系统100的一个或以上组件可以读取和/或修改与无人驾驶车辆的一个或以上设置相关的信息。所述设置包括速度设置、导航设置、音乐设置、座椅调节设置、雨天驾驶模式设置、雪地驾驶模式设置、模糊驾驶模式设置等，或其任何组合。

图2是根据本申请的一些实施例所示的计算设备200的示例性硬件和软件组件的示意图，服务器110、无人驾驶车辆140-1、140-2、140-3、...、可以在所述计算设备200上执行。例如，处理引擎112可以在所述计算设备200上执行，并且用于执行本申请中披露的处理引擎112的功能。

计算设备200可以是通用计算机或专用计算机，两者都可以用于实现本申请的按需系统。所述计算设备200可用于实现如本说明书所述的按需服务的任何组件。例如，处理引擎112可通过其硬件、软件程序、固件或其组合在计算设备200上执行。为了方便起见，仅示出了一个这样的计算机，但是与这里描述的按需服务相关的计算机功能可以在至少两个类似平台上以分布式方式实现，以分配处理负载。

例如，计算设备200包括连接到网络的通信端口250，以用于数据通信。计算设备200还包括以一个或以上处理器的形式存在的处理器220，用于执行计算机指令。计算机指令包括执行本说明书描述的特定功能的例程、程序、对象、组件、数据结构、过程、模块和功能。例如，处理器220可以获得与至少两个样本轨迹相关的一个或以上样本特征。样本轨迹包括预定时间段内的历史轨迹。与样本轨迹相关的所述一个或以上样本特征包括样本起始位置、样本目的地、与样本轨迹相关联的车辆的样本速度、车辆的样本加速度、样本轨迹的样本瞬时曲率或类似特征，或其任何组合。

在一些实施例中，处理器220包括一个或以上硬件处理器，例如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机器(ARM)、可编程逻辑电路(PLD)，能够执行一个或以上功能的任何电路或处理器等，或其任何组合。

示例性计算机设备200包括内部通信总线210、程序存储器和不同形式的数据存储器，例如磁盘270、只读存储器(ROM)230，或随机存取存储器(RAM)240，用于由计算机处理和/或传输的各种数据文件。示例性计算机设备200还包括存储在只读存储器(ROM)230、随机存储器(RAM)240和/或将由处理器220执行的其他类型的非暂时性存储介质中的程序指令。本申请的方法和/或过程可以作为程序指令实现。计算设备200还包括输入/输出组件260，用于支持计算机和其他组件(例如，用户界面元件)之间的输入/输出。计算设备200还可以通过网络通信接收程序和数据。

仅为了说明，在计算设备200中仅描述了一个处理器。然而，应当注意的是，本申请中的计算设备200还可以包括至少两个处理器，因此本申请中描述的由一个处理器执行的处理操作和/或方法步骤，也可以由至少两个处理器联合或单独执行。例如，如果在本申请中，计算设备200的处理器220执行步骤A和步骤B，则应当理解的是，步骤A和步骤B也可以由计算设备200中的两个不同处理器联合或单独执行。(例如，第一处理器执行步骤A，第二处理器执行步骤B，或者第一处理器和第二处理器共同执行步骤A和B)

图3是根据本申请的一些实施例所示的示例性处理器300的框图。所述处理器300包括状态信息获取模块310、轨迹生成模块320、候选轨迹确定模块330、目标轨迹确定模块340、速度规划模块350和模型确定模块360。每个模块可以是设计用于执行以下操作的硬件电路、存储在一个或以上存储介质中的一组指令、和/或硬件电路和一个或以上存储介质的组合。

状态信息获取模块310可用于获得车辆的车辆状态信息(也称为车辆状态信息)。在一些实施例中，所述车辆可以是任何类型的无人驾驶车辆(例如，140-1、140-2、140-3)。无人驾驶车辆能够感测其环境并在没有人类操纵的情况下导航。在一些实施例中，状态信息获取模块310可以从一个或以上传感器中获得车辆状态信息。所述一个或以上传感器包括距离传感器、速度传感器、加速度传感器、转向角传感器、牵引相关传感器、制动相关传感器、和/或用于感测与车辆动态情况相关的信息的任何传感器。在一些实施例中，状态信息获取模块310可以将获得的车辆状态信息发送到其他模块进一步处理(例如，轨迹生成模块320、模型确定模块360)。

在一些实施例中，车辆状态信息包括车辆的行驶方向、车辆的瞬时速度、车辆的瞬时加速度、车辆的轴距长度、车辆的前轮转向角等。

轨迹生成模块320可以用于确定一个或以上原始轨迹。所确定的原始轨迹可以存储在无人驾驶车辆辅助系统100中的任何存储介质(例如，存储器120)中。在一些实施例中，轨迹生成模块320可以基于车辆状态信息确定从车辆的当前位置到目的地的一个或以上原始轨迹。轨迹生成模块320可以从存储介质(例如，存储器120)获得车辆状态信息，或者从状态信息获取模块310获得车辆状态信息。在一些实施例中，轨迹生成模块320可以通过使用多项式曲线生成算法来生成从当前位置到目的地的一个或以上原始轨迹。在一些实施例中，轨迹生成模块320基于车辆动力学模型进一步确定一个或以上原始轨迹。车辆动力学模型可以基于车辆状态信息来确定。

在一些实施例中，轨迹生成模块320可以获得车辆周围的环境信息。例如，环境信息包括道路边缘、车道、可用车道、道路类型、路面状态、交通状况、天气状况、障碍物信息或类似信息，或其任何组合。在一些实施例中，轨迹生成模块320基于车辆状态信息确定一个或以上原始轨迹。在一些实施例中，轨迹生成模块320基于车辆状态信息和车辆周围的环境信息确定一个或以上原始轨迹。

候选轨迹确定模块330可以用于从一个或以上原始轨迹中确定出一个或以上候选轨迹。所述候选轨迹可以存储在无人驾驶车辆辅助系统100中的任何存储介质(例如，存储器120)中。在一些实施例中，候选轨迹确定模块330可以通过检测车辆在沿着一个或以上原始轨迹移动时是否与一个或以上障碍物发生碰撞来确定候选轨迹。例如，假设在车辆前方存在一个或以上障碍物，候选轨迹确定模块330可以确定当车辆沿着第一轨迹移动时是否会与一个或以上障碍物中的任何障碍物发生碰撞。如果候选轨迹确定模块330确定车辆可能与一个或以上障碍物中的任何障碍物发生碰撞，则候选轨迹确定模块330不会将所述第一轨迹确定为候选轨迹。在一些实施例中，候选轨迹确定模块330可以基于网格法确定车辆是否可能与一个或以上障碍物发生碰撞。

目标轨迹确定模块340可以用于从候选轨迹中确定目标轨迹。目标轨迹确定模块340可以从存储介质(例如，存储器120)获得候选轨迹，或者直接从候选轨迹确定模块330获得候选轨迹。在一些实施例中，目标轨迹模块340基于轨迹评估模型从候选轨迹中确定目标轨迹。目标轨迹模块340可以从模型确定模块360获得轨迹评估模型。在一些实施例中，轨迹评估模型可以基于机器学习技术来确定。机器学习技术包括人工神经网络、支持向量机(SVM)、决策树、随机森林等，或其任何组合。在一些实施例中，轨迹评估模型包括加权函数。目标轨迹确定模块340还可以基于与至少两个候选轨迹对应的加权函数的值来确定目标轨迹。

速度规划模块350可以用于确定与目标轨迹相关的速度规划策略。速度规划模块350可以基于所确定的速度规划策略输出一个或以上指令和/或操作来控制车辆的运动。速度规划策略包括与目标轨迹上的每个位置相关的时间信息、与目标轨迹的每个位置相关的速度、与目标轨迹的每个位置相关的加速度、与目标轨迹的每个位置相关的转向角等。例如，当车辆需要改变车道时，速度规划模块350可以基于该车辆与前方车辆之间的距离(例如，横向距离、纵向距离)来指示该车辆执行加速和/或减速策略。又例如，当在弯道上行驶时，相对于车辆在直道上行驶时的状况，速度规划模块350可以指示车辆以较慢的速度移动。

模型确定模块360用于确定轨迹评估模型。在一些实施例中，模型确定模块360可以从存储介质(例如，存储器120)获得至少两个样本轨迹。所述至少两个样本轨迹可以包括预定时间段内的历史轨迹。模型确定模块360可以提取关于每一个样本轨迹中的一个或以上样本特征。所述一个或以上样本特征包括样本起始位置、样本目的地、车辆的样本速度、车辆的样本加速速度、样本轨迹的样本曲率等，或其任何组合。在一些实施例中，模型确定模块360基于一个或以上特征来训练轨迹评估模型。在一些实施例中，该轨迹评估模型可以基于机器学习技术(例如，人工神经网络、决策树、随机森林)来确定。在一些实施例中，该轨迹评估模型可以是加权函数。

处理器300中的模块可以通过有线连接或无线连接彼此连接或通信。有线连接包括金属电缆、光缆、混合电缆等，或其任何组合。无线连接包括局域网(LAN)、广域网(WAN)、蓝牙、ZigBee、近场通信(NFC)等，或其任何组合。任何两个模块可以被组合为单个模块，任何一个模块也可被划分成两个或更至少两个单元。

图4是根据本申请的一些实施例所示的用于确定目标轨迹的示例性过程和/或方法的流程图。过程和/或方法400可以由无人驾驶车辆辅助系统100中的处理器执行(例如，服务器110)。例如，过程和/或方法400可以作为存储在非暂时性计算机可读存储介质(例如，存储器120)中的一组指令(例如，应用程序)来实现。处理器可以执行所述指令，并相应地通过接收和/或发送电子信号来执行所述过程和/或方法400。

在步骤410中，处理器300(例如，状态信息获取模块310)可以获得车辆的状态信息(也称为车辆状态信息)。在一些实施例中，车辆可以是任何类型的无人驾驶车辆。无人驾驶车辆能够感测其周围环境并在没有人类操纵的情况下导航。无人驾驶车辆包括一个或以上传感器(例如，雷达、激光雷达)来感测关于车辆状态信息和/或车辆周围环境的信息。在一些实施例中，车辆状态信息包括车辆的行驶方向、车辆的速度(例如，瞬时速度、平均速度)、加速速度(例如，瞬时加速度、平均加速度)、车辆的轴距、车辆的车轮转向角(例如，前轮的转向角)等，或其任何组合。

在步骤420中，处理器300(例如，轨迹生成模块320)可以基于车辆状态信息确定从车辆的当前位置到目的地的一个或以上原始轨迹。车辆的当前位置可以通过使用定位系统(例如，GPS)来获得。在一些实施例中，目的地可以是道路或车道的中心线上的位置。在一些实施例中，目的地可以是包括道路或车道的中心线的区域。

在一些实施例中，处理器300可以通过使用多项式曲线生成算法生成从当前位置到目的地的一个或以上原始轨迹。所述多项式曲线生成算法包括三次样条曲线生成算法、五次多项式曲线生成算法、欧拉螺线生成算法、贝塞尔曲线生成算法等，或其任何组合。在一些实施例中，轨迹生成模块320可以基于车辆动力学模型进一步确定一个或以上原始轨迹。所述车辆动力学模型可以基于车辆状态信息来确定。关于确定一个或以上原始轨迹的详细描述可以参考本申请的其他描述，例如，图5A-5D及其描述。

在步骤430中，处理器300(例如，候选轨迹确定模块330)可以从一个或以上原始轨迹中确定一个或以上候选轨迹。在一些实施例中，处理器300(例如，候选轨迹确定模块330)可以确定当车辆沿着一个或以上原始轨迹移动时是否会与一个或以上障碍物发生碰撞。例如，假设在车辆行驶的路径周围或沿着路径上存在一个或以上障碍物，处理器300(例如，候选轨迹确定模块330)可以确定当车辆沿着所述一个或以上轨迹中的第一轨迹移动时，是否会与一个或以上障碍物中的任何障碍物发生碰撞。如果所述车辆与一个或以上障碍物中的任何障碍物不会发生碰撞，则处理器300(例如，候选轨迹确定模块330)将所述第一轨迹确定为候选轨迹。如果处理器300(例如，候选轨迹确定模块330)确定所述车辆在沿着第一轨迹移动时可能与一个或以上障碍物中的任何一个发生碰撞，则处理器300(例如，候选轨迹确定模块330)不会将所述第一轨迹确定为候选轨迹。在一些实施例中，处理器300(例如，候选轨迹确定模块330)基于网格图确定车辆是否会与一个或以上障碍物发生碰撞。在一些实施例中，候选轨迹可以通过执行图6B描述的一个或以上操作来确定。

在步骤440中，处理器300(例如，目标轨迹确定模块340)可以基于轨迹评估模型从候选轨迹中确定目标轨迹。在一些实施例中，轨迹评估模型可以基于机器学习技术来确定。机器学习技术包括人工神经网络、支持向量机(SVM)、决策树、随机森林等，或其任何组合。基于轨迹评估模型，目标轨迹确定模块340可以确定出车辆要遵循的最优轨迹。在一些实施例中，轨迹评估模型可以通过执行图7B描述的一个或以上操作来确定。

在一些实施例中，所述过程和/或方法还包括目标轨迹的速度规划。在步骤450中，处理器300(例如，速度规划模块350)可以确定与目标轨迹相关的速度规划策略。速度规划策略包括与目标轨迹上的每个位置相关的时间信息、与目标轨迹的每个位置相关的速度、与目标轨迹的每个位置相关的加速度、与目标轨迹的每个位置相关的转向角等。例如，当车辆需要改变车道时，处理器可以基于所述车辆与前方车辆之间的距离(例如，横向距离、纵向距离)来指示车辆执行加速和/或减速策略。当所述距离大于安全距离时，车辆可以保持原速度或以某一加速度来加速以改变车道。当所述距离小于安全距离时，车辆可以保持原速度或减速直到改变车道是安全的，即直到该车辆与前方车辆之间的距离大于安全距离。在一些实施例中，安全距离可以基于车辆的当前速度实时确定。在一些实施例中，安全距离可以是在车辆中预设的默认值。

在一些实施例中，处理器300(例如，速度规划模块350)可以基于道路信息(例如，交叉路口、速度限制、道路类型等)来确定速度规划策略。例如，当在弯道上行驶时，处理器300(例如，速度规划模块350)可以指示所述车辆，相对于其在直道上行驶时的状况，以较慢的速度移动。又例如，当行驶通过隧道时，处理器可以指示该车辆，相对于其在室外道路上移动时的状况，以较慢的速度移动。在一些实施例中，处理器300(例如，速度规划模块350)可以基于实时交通信息(例如城市区域中的拥堵状况)来确定速度规划策略。在一些实施例中，处理器300(例如，速度规划模块350)可以基于可能导致拥堵状况的天气信息来确定速度规划策略。例如，处理器300(例如，速度规划模块350)可以指示车辆，相对于晴天的状况，在雨天以较慢的速度移动。在一些实施例中，处理器300(例如，速度规划模块350)可以确保目标轨迹的每个位置处的加速度不超过第一加速度阈值，以保证车辆中的乘客感到舒适。应该理解的是，对于本领域普通技术人员而言，速度规划策略可以变化。所有这些变化都在本申请的保护范围内。

图5A是根据本申请的一些实施例所示的示例性轨迹生成模块320的框图。轨迹生成模块320包括信息获取单元510、子目标位置确定单元520和原始轨迹确定单元530。

信息获取单元510可以获得车辆的车辆状态信息。在一些实施例中，信息获取单元510可以从无人驾驶车辆辅助系统100中的存储介质(例如，存储器120或状态信息获取模块310中的任何存储介质(未示出))里获得车辆状态信息。

在一些实施例中，信息获取单元510还可以获得车辆周围的环境信息。在一些实施例中，信息获取单元510可以从一个或以上传感器中获得所述车辆周围的环境信息。所述一个或以上传感器用于获取车辆周围环境信息的图像和/或数据，所述传感器包括一个或以上摄像机、激光传感装置、红外传感装置、声学传感装置、热敏装置等，或其任何组合。

在一些实施例中，车辆周围的环境信息包括道路边缘、车道、可用车道、道路类型、路面状况、交通状况、天气状况、障碍物信息等，或其任何组合。障碍物信息包括一个或以上障碍物的位置、一个或以上障碍物的大小、一个或以上障碍物的类型、一个或以上障碍物的运动状态、一个或以上障碍物的移动速度等，或其任何组合。

子目标位置确定单元520可以确定与目的地相关的一个或以上子目标位置。子目标位置确定单元520可以以任何合适的方式来确定一个或以上子目标位置。例如，所述一个或以上子目标位置可以基于车辆的当前速度来确定。又例如，如图5C中所示，假设点A表示车辆的当前位置，点B5表示与车辆相关的目的地。子目标位置(例如，B1、B2、B3、B4)可以是当前位置A和目的地B5之间的道路中心线上的彼此等距的位置点。在一些实施例中，子目标位置可以通过基于采样的方法来确定。在一些实施例中，所述一个或以上子目标位置可以通过在目标区域中随机采样获取。所述目标区域可以是包括目的地的区域，例如，包括了目的地B5的矩形区域B，如图5C所示。在一些实施例中，子目标位置的数量可以是无人驾驶车辆辅助系统100的默认值。在一些实施例中，子目标位置的数量可以根据不同情况进行调节，例如车辆的状态信息、车辆周围的环境信息或目的地周围的环境信息。

原始轨迹确定单元530可以确定一个或以上原始轨迹。此外，原始轨迹确定单元530可以基于车辆状态信息和/或环境信息确定一个或以上原始轨迹。在一些实施例中，原始轨迹确定单元530可以生成从车辆的当前位置到一个或以上子目标位置和目的地的一个或以上原始轨迹。在一些实施例中，原始轨迹确定单元可以使用多项式曲线生成算法来生成一个或以上原始轨迹。所述多项式曲线生成算法包括三次样条曲线生成算法、五次多项式生成算法、欧拉螺线生成算法、贝塞尔曲线生成算法等，或其任何组合。

图5B是根据本申请的一些实施例所示的用于确定一个或以上原始轨迹的示例性过程和/或方法的流程图。过程和/或方法500可以由无人驾驶车辆辅助系统100中的处理器执行(例如，服务器110)。例如，过程和/或方法500可以作为存储在非暂时性计算机可读存储介质(例如，存储器120)中的一组指令(例如，应用程序)来实现。处理器可以执行所述指令，并相应地通过接收和/或发送电子信号来执行所述过程和/或方法500。

在步骤515中，处理器300(例如，轨迹生成模块320中的信息获取单元510)可以获得车辆的车辆状态信息。在一些实施例中，处理器300可以从一个或以上传感器中获得车辆状态信息。所述一个或以上传感器包括距离传感器、速度传感器、加速度传感器、转向角传感器、牵引相关传感器、制动相关传感器、和/或用于感测与车辆动态情况相关信息的任何传感器。在一些实施例中，处理器300还可以获得车辆或目的地周围的环境信息。在一些实施例中，环境信息包括道路边缘、车道、可用车道、道路类型、路面状况、交通状况、天气状况、障碍物信息等，或其任何组合。障碍物信息包括一个或以上障碍物的位置、一个或以上障碍物的大小、一个或以上障碍物的类型、一个或以上障碍物的运动状态、一个或以上障碍物的移动速度等，或其任何组合。

在步骤525中，处理器300(例如，轨迹生成模块320中的子目标位置确定单元520)可以确定与目的地相关的一个或以上子目标位置。在一些实施例中，目的地可以是道路或车道中心线上的位置。在一些实施例中，目的地可以是包括道路或车道中心线的区域。在一些实施例中，处理器300(例如，轨迹生成模块320中的原始轨迹确定单元530)可以确定车辆的当前位置与所确定的子目标位置之间的对应轨迹。所述一个或以上子目标位置可以以任何合适的方式来确定。例如，所述一个或以上子目标位置可以基于车辆的当前速度来确定。又例如，如图5C中所示，假设点A表示车辆的起始位置，点B5在车道的中心线上并且表示车辆的目的地。子目标位置(例如，B1、B2、B3、B4)可以是当前位置A和目的地B5之间的道路中心线上的彼此等距的位置点。在一些实施例中，子目标位置可以通过采样的方法来确定。在一些实施例中，所述一个或以上子目标位置可以通过在目标区域中随机采样获取。目标区域可以是包括车道中心线的区域，例如图5C中所示的矩形区域B。子目标位置的数量可以是无人驾驶车辆辅助系统100中的默认值。在一些实施例中，子目标位置的数量可以根据不同情况进行调节，例如车辆的状态信息、车辆或目的地周围的环境信息。

在步骤535中，处理器300(例如，轨迹生成模块320中的原始轨迹确定单元530)可以基于车辆状态信息和子目标位置来确定一个或以上原始轨迹。例如，处理器300(例如，轨迹生成模块320中的原始轨迹确定单元530)可以分别确定从车辆当前位置A到对应的子目标位置(B1、B2、B3、B4)和目的地(B5)的轨迹AB1、AB2、AB3、AB4、AB5。在一些实施例中，处理器300基于多项式曲线生成算法，生成一个或以上从车辆的当前位置到一个或以上子目标位置和目的地位置的原始轨迹。例如，多项式曲线生成算法包括三次样条曲线生成算法、五次多项式生成算法、欧拉螺线生成算法、贝塞尔曲线生成算法等，或其任何组合。

在一些实施例中，处理器300(例如，轨迹生成模块320中的原始轨迹确定单元530)可以基于车辆的车辆动力学模型进一步确定一个或以上原始轨迹。在一些实施例中，所述车辆动力学模型可以基于车辆状态信息来确定。

在一些实施例中，如图5D所示，车辆动力学模型如等式(1)所示：

其中，(x,y)表示车辆后轴中点在车辆轨迹坐标系中的坐标，v表示车辆的当前速度，θ表示车辆轨迹坐标系中的车身方向角，δ表示车辆轨迹坐标系中的前轮转向角，l表示轴距长度，表示x的一阶导数，表示y的一阶导数，表示θ的一阶导数。在一些实施例中，车辆轨迹坐标是局部坐标系(例如，Frenet坐标系)，或全局坐标系(例如，笛卡尔坐标系)。局部坐标系包括与轨迹的每个位置对应的坐标，其中局部坐标系中的第一轴与该位置处的轨迹相切，局部坐标系中的第二轴与第一轴正交。全局坐标系是与轨迹中所有位置对应的坐标系。在一些实施例中，如果中心点的坐标是由局部坐标系中的坐标表示，则处理器300(例如，轨迹生成模块320中的原始轨迹确定单元530)将该局部坐标系中的坐标转换为全局坐标系中的坐标。

图6A是根据本申请的一些实施例所示的示例性候选轨迹确定模块330的框图。在一些实施例中，候选轨迹确定模块330包括障碍物获取单元610、碰撞检测单元620和候选轨迹确定单元630。

障碍物获取单元610用于获取与一个或以上障碍物相关联的信息。在一些实施例中，障碍物获取单元610可以从一个或以上传感器中获得与一个或以上障碍物(例如，静态障碍物、动态障碍物)相关联的信息。在一些实施例中，所述一个或以上障碍物可以在车辆周围的预定区域之内。静态障碍物包括建筑物、树木、路障等，或其任何组合。动态障碍物包括车辆、行人和/或动物等，或其任何组合。在一些实施例中，所述一个或以上传感器用于获得车辆周围环境信息的图像和/或数据，所述传感器包括一个或以上摄像机、激光传感装置、红外传感装置、声学传感装置、热敏装置等，或其任何组合。

碰撞检测单元620用于执行一个或以上原始轨迹与一个或以上障碍物之间的碰撞检测。碰撞检测单元620可以将碰撞检测的结果发送到候选轨迹单元630，以确定一个或以上候选轨迹。在一些实施例中，对于静态障碍物，碰撞检测单元620可以确定出该静态障碍物是否在所述一个或以上轨迹上或者静态障碍物与轨迹之间的距离是否小于预定阈值，从而生成碰撞检测结果。在一些实施例中，对于动态障碍物，碰撞检测单元620可以基于动态障碍物的信息来预测动态障碍物的轨迹。碰撞检测单元620可以通过检测沿着一个或以上原始轨迹移动的车辆是否与沿预测轨迹移动的一个或以上障碍物发生碰撞，来执行碰撞检测。在一些实施例中，碰撞检测单元620基于网格图确定车辆是否可能与一个或以上障碍物发生碰撞。例如，碰撞检测单元620基于数学形态学算法来确定网格图中是否存在可能阻挡一个或以上原始轨迹的一个或以上障碍物。在一些实施例中，碰撞检测单元620可以基于与每个网格相关的冲突值(CV)来确定所述一个或以上障碍物是否会阻挡一个或以上原始轨迹。

候选轨迹单元630用于从一个或以上原始轨迹中确定一个或以上候选轨迹。在一些实施例中，候选轨迹单元630基于碰撞检测的结果从一个或以上原始轨迹中确定出一个或以上候选轨迹。在一些实施例中，候选轨迹单元630可以将所述一个或以上候选轨迹发送到目标轨迹确定模块340以产生目标轨迹。

图6B是根据本申请的一些实施例所示的用于通过使用网格图确定一个或以上候选轨迹的示例性过程和/或方法的流程图。过程和/或方法600可以由无人驾驶车辆辅助系统100中的处理器执行(例如，服务器110)。例如，过程和/或方法600可以作为存储在非暂时性计算机可读存储介质(例如，存储器120)中的指令(例如，应用程序)来实现。所述处理器可以执行所述指令，并相应地通过接收和/或发送电子信号来执行该过程和/或方法600。

在步骤615中，处理器300(例如，候选轨迹确定模块330中的障碍物获取单元610)可以确定一个或以上障碍物。在一些实施例中，候选轨迹确定模块330可以从一个或以上传感器中获得与一个或以上障碍物相关联的信息。在一些实施例中，所述障碍物可以在车辆周围的预定区域之内。与所述障碍物相关的信息包括一个或以上障碍物的位置、一个或以上障碍物的大小、一个或以上障碍物的类型、一个或以上障碍物的运动状态、一个或以上障碍物的移动速度或者类似信息，或其任何组合。

在步骤625中，处理器300(例如，候选轨迹确定模块330中的碰撞检测单元620)可以执行一个或以上原始轨迹与一个或以上障碍物之间的碰撞检测。在一些实施例中，当车辆沿着一个或以上原始轨迹移动时，处理器300(例如，候选轨迹确定模块330中的碰撞检测单元620)可以通过检测车辆是否可能与一个或以上障碍物发生碰撞，以执行碰撞检测。在一些实施例中，处理器300(例如，候选轨迹确定模块330中的碰撞检测单元620)基于网格图确定所述车辆是否可能与一个或以上障碍物发生碰撞。通过使用网格图执行碰撞检测的详细描述可以参考本申请的其他地方，例如，图6C及其描述。

在步骤635中，处理器300(例如，候选轨迹确定模块330中的候选轨迹确定单元630)基于碰撞检测从一个或以上原始轨迹中确定一个或以上候选轨迹。例如，假设在车辆行驶的路径周围或沿着路径存在一个或以上障碍物，处理器300可以确定当所述车辆沿着第一轨迹移动时是否可能与一个或以上障碍物中的任何障碍物发生碰撞。如果处理器300确定所述车辆在沿第一轨迹移动时不会与一个或以上障碍物中的任何一个碰撞，则处理器300可将该第一轨迹确定为候选轨迹。如果处理器确定出车辆在沿第一轨迹移动时可能与一个或以上障碍物中的任何一个发生碰撞，则处理器不会将该第一轨迹确定为候选轨迹。此外，对于静态障碍物，碰撞检测单元620可以确定出所述静态障碍物是否在所述一个或以上轨迹上，或者所述静态障碍物与所述轨迹之间的距离是否小于预定距离。如果所述静态障碍物在所述一个或以上轨迹上，或者所述静态障碍物与所述轨迹之间的距离短于预定距离，则候选轨迹确定单元630不会将所述轨迹确定为候选轨迹。如果所述静态障碍物距离所述一个或以上轨迹较远(例如，所述静态障碍物与所述轨迹之间的距离大于或等于预定距离)，则候选轨迹确定单元630将所述轨迹确定为候选轨迹。对于动态障碍物，碰撞检测单元620可以基于动态障碍物的信息来预测动态障碍物的轨迹。碰撞检测单元620可以通过检测沿着一个或以上原始轨迹移动的车辆是否可能会与沿预测轨迹移动的一个或以上障碍物发生碰撞，来执行碰撞检测。

图6C是根据本申请的一些实施例所示的示例性碰撞检测的示意图。在一些实施例中，处理器300(例如，候选轨迹确定模块330)可以执行道路场景的网格处理。例如，处理器300可以将道路场景转换为网格图。所述网格图包括至少两个网格。每个网格可以代表一条道路的一个区域。在一些实施例中，网格图中的至少两个网格中的每个网格的大小可以是任何合适的值，例如10cm×10cm、20cm×20cm、30cm×30cm。在一些实施例中，候选轨迹确定模块330可将障碍物和车辆映射到网格图中。如图6C所示，A表示无人驾驶车辆，B、C和D表示无人驾驶车辆前方的障碍物，E表示无人驾驶车辆的目的地和/或目标区域。处理器可以将道路场景映射到相应的网格图中。应当理解的是，对于本领域普通技术人员而言，所述网格图可以将至少两个网格划分为障碍网格和自由网格。障碍网格指的是由一个或以上障碍物占据的网格。自由网格指的是未被任何障碍物占据的网格。在一些实施例中，处理器可以定义二进制数作为与每个网格相关的值。例如，障碍网格可以被指定为1，自由网格可以被指定为0。如果轨迹经过障碍物网格，则候选轨迹确定单元630不会将该轨迹确定为候选轨迹。如果轨迹没有经过任何障碍物网格，则候选轨迹确定单元630将该轨迹确定为候选轨迹。

在一些实施例中，处理器300可以基于与每个网格相关的冲突值(CV)来确定所述一个或以上障碍物是否在网格图中的一个或以上原始轨迹上或附近。与网格相关的冲突值(CV)表征车辆与障碍物之间的碰撞概率。在一些实施例中，处理器可以基于冲突圆方法确定冲突值CV。例如，所述冲突圆方法根据车辆的速度确定一个圆。圆的中心是车辆的质心。圆的半径可以基于与一个或以上因素相关的函数来确定，例如车辆的速度、质量、最大牵引力。在一些实施例中，处理器300可以基于障碍物(例如，包含障碍物的网格的中心)与圆的中心之间的距离来确定CV。在一些实施例中，处理器300可以基于网格和圆之间的公共区域的面积来确定与每个网格相关的CV。在一些实施例中，碰撞检测单元620可以通过阈值来执行碰撞检测。例如，如果与第一网格相关的CV大于阈值，并且第一网格在网格图中的第一轨迹上，则碰撞确定单元620可以确定当车辆沿第一轨迹移动时，可能会与第一网格中的障碍物发生碰撞。

图7A是根据本申请的一些实施例所示的示例性目标轨迹确定模块340的框图。目标轨迹确定模块340包括特征提取单元710、轨迹评估单元720和目标轨迹确定单元730。

特征提取单元710可以用于提取与一个或以上候选轨迹相关的一个或以上特征。所述一个或以上候选轨迹可以从存储设备(例如，存储器120)或候选轨迹确定模块340获得。在一些实施例中，与轨迹相关的一个或以上特征包括车辆的速度(例如，瞬时速度、平均速度)、车辆的加速度(例如，瞬时加速度、平均加速度)、轨迹相似度和/或轨迹曲率(例如，瞬时曲率)。在一些实施例中，所述一个或以上特征可以是矢量的形式。所述一个或以上特征可以用作轨迹评估模型的输入，所述轨迹评估模型用于评估轨迹并从一个或以上候选轨迹中确定目标轨迹。

轨迹评估单元720用于评估一个或以上候选轨迹。此外，轨迹评估单元720用于基于一个或以上特征和轨迹评估模型来评估所述一个或以上候选轨迹。关于所述一个或以上候选轨迹的评估结果可以存储在存储设备(例如，存储器120)中。在一些实施例中，轨迹评估模型可以基于机器学习技术来确定。机器学习技术包括人工神经网络、支持向量机(SVM)、决策树、随机森林等，或其任何组合。在一些实施例中，所述轨迹评估模型可以包括加权函数。轨迹评估单元720可以基于加权函数来评估所述一个或以上候选轨迹。评估结果确定单元720可以将评估结果发送到处理器300(例如，目标轨迹确定单元730)，用于从一个或以上候选轨迹中确定目标轨迹。

目标轨迹确定单元730可以基于与一个或以上候选轨迹相关的评估结果来确定目标轨迹。

图7B是根据本申请的一些实施例所示的用于确定目标轨迹的示例性过程和/或方法的流程图。过程和/或方法700可以由无人驾驶车辆辅助系统100中的处理器执行(例如，服务器110)。例如，过程和/或方法700可以作为存储在非暂时性计算机可读存储介质(例如，存储器120)中的指令(例如，应用程序)来实现。处理器可以执行所述指令，并相应地通过接收和/或发送电子信号来执行所述过程和/或方法700。

在步骤715中，处理器300(例如，目标轨迹确定模块340中的特征提取单元710)可以提取与一个或以上候选轨迹相关的一个或以上特征。在一些实施例中，所述一个或以上特征包括车辆的速度(例如，瞬时速度、平均速度)、车辆的加速度(例如，瞬时加速度、平均加速度)，轨迹相似度，和/或轨迹的曲率(例如，瞬时曲率)等。轨迹相似度可以基于当前时刻的候选轨迹与前一时刻的轨迹的重合度来确定。例如，在前一时刻T，车辆的轨迹是R1。前一时刻R1的轨迹包括至少两个位置(也称为至少两个第一位置)。在当前时刻T+1，候选轨迹是R2。当前时刻的候选轨迹R2包括至少两个位置(也称为至少两个第二位置)。处理器300可以基于所述至少两个第一位置和所述至少两个第二位置来确定重合度。在一些实施例中，候选轨迹的瞬时曲率可以表示为车辆的前轮转向角和车辆的轴距长度的函数。在一些实施例中，所述一个或以上特征可以是矢量的形式。所述一个或以上特征可以用作轨迹评估模型的输入，所述轨迹评估模型可以从一个或以上候选轨迹中确定目标轨迹。

在步骤725中，处理器300(例如，目标轨迹确定模块340中的评估结果确定单元720)可以基于所述一个或以上特征和轨迹评估模型来评估所述一个或以上候选轨迹。在一些实施例中，轨迹评估单元720可以确定所述一个或以上候选轨迹中的每一个的评估结果。评估结果可以反映出所述轨迹被确定为目标轨迹的可能性。评估结果可以呈现为数字格式(例如，从0到100，从0到10等)、字符格式(例如，A、B、C、D…)等。如果评估结果是以0到100的数字格式呈现，相比对应于较小评估结果的轨迹，对应于较大评估结果的轨迹更可能被确定为目标轨迹。如果评估结果呈现为A、B、C、D、…，相比对应于评估结果为B的轨迹，对应于评估结果为A的轨迹更可能被确定为目标轨迹。

在一些实施例中，轨迹评估模型可以包括加权函数。在一些实施例中，加权函数可以基于等式(2)确定：

其中，F表示与候选轨迹对应的加权函数的值，f_i表示候选轨迹的特征，w_i表示特征的权重。目标轨迹可以基于至少两个候选轨迹的加权函数的值来确定。在一些实施例中，可以将与每个候选轨迹对应的函数值转换为对应的评估结果。目标轨迹确定单元730可以基于评估结果确定目标轨迹。在一些实施例中，轨迹评估模型可以基于机器学习技术来确定。机器学习技术包括人工神经网络、支持向量机(SVM)、决策树、随机森林等，或其任何组合。在一些实施例中，可以预先训练轨迹评估模型。替代地或附加地，可以实时地训练和/或更新轨迹评估模型。在一些实施例中，轨迹评估模型可以通过执行图8B描述的一个或以上操作来确定。

在步骤735中，处理器300(例如，目标轨迹确定模块340中的目标轨迹确定单元730)可以基于在步骤725中确定的轨迹评估结果来确定目标轨迹。在一些实施例中，目标轨迹确定模块340可以将与加权函数的最小值对应的候选轨迹确定为目标轨迹。例如，S1是对应于第一候选轨迹的加权函数的值，S2是对应于第二候选轨迹的加权函数的值，S3是对应于第三候选轨迹的加权函数的值，如果S1是S1、S2和S3中的最小值，那么目标轨迹确定单元730可以将第一候选轨迹确定为目标轨迹。

图8A是根据本申请的一些实施例所示的示例性模型确定模块360的框图。模型确定模块360包括样本轨迹获取单元810、训练数据确定单元820和轨迹评估模型确定单元830。

样本轨迹获取单元810用于获取至少两个样本轨迹。样本轨迹获取单元810可以从存储设备(例如，存储器120)获取至少两个样本轨迹。所述至少两个样本轨迹的数量可以是无人驾驶车辆辅助系统100的默认值，或者可以根据不同情况进行调节。在一些实施例中，所述至少两个样本轨迹包括预定时间段内的历史轨迹。在一些实施例中，所述至少两个样本轨迹可以包括与具体区域(例如，州、省、城市、区等)相关联的历史轨迹。

训练数据确定单元820用于基于至少两个样本轨迹确定训练数据。在一些实施例中，训练数据确定单元820可以提取与所述至少两个样本轨迹相关的一个或以上样本特征。所述一个或以上样本特征包括样本起始位置、样本目的地、与轨迹相关联的车辆的样本速度、车辆的样本加速度、轨迹相似度、轨迹的样本曲率等，或其任何组合。在一些实施例中，训练数据确定单元820还可从存储器120获得至少两个对应的样本评估结果。训练数据确定单元820可以将所述至少两个样本特征和所述至少两个对应的样本评估结果确定为训练数据。

轨迹评估模型确定单元830用于基于训练数据生成轨迹评估模型。在一些实施例中，轨迹评估模型确定单元830基于机器学习技术确定轨迹评估模型。机器学习技术包括人工神经网络、支持向量机(SVM)、决策树、随机森林等，或其任何组合。

图8B是根据本申请的一些实施例所示的用于确定轨迹评估模型的示例性过程和/或方法的流程图。过程和/或方法800可以由无人驾驶车辆辅助系统100中的处理器执行(例如，服务器110)。例如，过程和/或方法800可以作为存储在非暂时性计算机可读存储介质(例如，存储器120)中的指令(例如，应用程序)来实现。处理器可以执行所述指令，并相应地通过接收和/或发送电子信号来执行该过程和/或方法800。

在步骤815中，处理器300(例如，模型确定模块360中的样本轨迹获取单元810)可以获取至少两个样本轨迹。处理器300可以从存储介质(例如，存储器120)获取至少两个样本轨迹。所述至少两个样本轨迹的数量可以是无人驾驶车辆辅助系统100的默认值，或者可以在不同情况下进行调节。所述至少两个样本轨迹可以包括预定时间段内的历史轨迹。在一些实施例中，所述至少两个样本轨迹可以包括与具体区域(例如，州、省、城市、区等)相关联的历史轨迹。

在步骤825中，处理器300(例如，模型确定模块360中的训练数据确定单元820)可以基于所述至少两个样本轨迹确定训练数据。在一些实施例中，处理器300(例如，模型确定模块360中的训练数据确定单元820)可以提取与每一个样本轨迹相关的一个或以上样本特征。样本轨迹的一个或以上样本特征包括样本起始位置、样本目的地、与样本轨迹相关联的车辆的样本速度(例如，瞬时速度、平均加速度)、车辆的样本加速度(例如，瞬时加速度、平均加速度)、轨迹相似度、样本轨迹的样本曲率(例如，瞬时曲率、平均曲率)等，或其任何组合。在一些实施例中，处理器300(例如，模型确定模块360中的训练数据确定单元820)可以获得与所述至少两个样本轨迹相关的至少两个对应的样本评估结果。在一些实施例中，处理器300(例如，模型确定模块360中的训练数据确定单元820)可以从存储器120获得所述至少两个对应的样本评估结果。在一些实施例中，处理器300(例如，模型确定模块360中的训练数据确定单元820)可以将所述一个或以上样本特征和对应的样本评估结果确定为训练数据。

在步骤835中，处理器300(例如，模型确定模块360中的轨迹评估确定单元820)可以基于训练数据生成轨迹评估模型。应当注意的是，当基于训练数据训练轨迹评估模型时，过程和/或方法800包括一次或多次迭代。在每一次迭代中，处理器都可以生成一个轨迹评估模型。在一些实施例中，直到所生成的轨迹评估模型的损失函数可以收敛到阈值时，处理器才结束迭代。在一些实施例中，该阈值可以是存储在存储介质(例如，存储器120)中的预定值，和/或动态阈值。

上文已经对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，并不构成对本申请的限定。尽管这里没有明确说明，本领域技术人员可以对本申请进行各种改变、改进和修改。这类改变、改进和修改在本申请中被建议，所以这类改变、改进和修改仍属于本申请的示例性实施例的精神和范围内。

此外，本申请使用了特定词语来描述本申请的实施例。例如，术语“一个实施例”，“一实施例”和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应该强调并注意的是，在本说明书的各个部分中对“实施例”、“一个实施例”或“一替代性实施例”的两次或更多次引用不一定都指代相同的实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请的各方面可能表现为位于一个或以上计算机可读介质中的计算机程序产品，该产品具有计算机可读程序编码。

计算机可读信号介质包括一个内含有计算机可读程序编码的传播数据信号，例如在基带中或作为载波的一部分。这种传播信号可能采用多种表现形式，包括电磁形式、光形式等，或其他合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传输，包括无线电、电缆、光纤电缆、RF等，或者任何上述介质的组合。

用于执行本申请各方面的操作的计算机程序代码可以用任意一种或多种编程语言的任何组合来编写，包括面向对象的编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB、.NET、Python等，传统的面向过程编程语言如“C”语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言。该程序代码可以完全在用户的计算机上运行，或作为独立的软件包在部分用户的计算机上运行，部分在用户的计算机上运行部分在远程计算机上运行，或完全在远程计算机或服务器上运行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，比如，局域网(LAN)或广域网(WAN)、或者连接到外部计算机(例如，通过互联网)或在云计算环境中、或作为服务使用例如软件即服务(SaaS)。

此外，除非申请专利范围中明确说明，本申请所述处理元素和序列的顺序、数字和字母的使用、或其他名称的使用，并不旨在限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例，但是应该理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在包括所有符合本申请实施例的精神和范围内的修改和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (20)

1.用于确定车辆轨迹的系统，其特征在于，所述系统包括：

至少一个存储介质，其包括一组指令；和

至少一个处理器，用于与所述至少一个存储介质通信，其中，当执行所述指令时，所述至少一个处理器用于：

获取车辆的状态信息；

基于车辆的状态信息确定从车辆的当前位置到目的地的一个或以上原始轨迹；

从所述一个或以上原始轨迹中确定一个或以上候选轨迹；和

基于轨迹评估模型从所述一个或以上候选轨迹中确定目标轨迹。

2.如权利要求1所述的系统，其特征在于，所述车辆的状态信息包括以下至少一个：

车辆的行驶方向，

车辆的速度，

车辆的加速度，

车辆的轴距，或

车辆的前轮转向角。

3.如权利要求1所述的系统，其特征在于，为了确定一个或以上原始轨迹，所述至少一个处理器还用于：

确定与目的地相关的一个或以上子目标位置；和

基于至少一部分所述一个或以上子目标位置确定一个或以上原始轨迹。

4.如权利要求1所述的系统，其特征在于，为了从所述一个或以上原始轨迹中确定一个或以上候选轨迹，所述至少一个处理器还用于：

确定网格图中的一个或以上障碍物；

执行一个或以上原始轨迹与一个或以上障碍物之间的碰撞检测；和

基于碰撞检测从一个或以上原始轨迹中确定一个或以上候选轨迹。

5.如权利要求1所述的系统，其特征在于，为了基于轨迹评估模型从所述候选轨迹中确定目标轨迹，所述至少一个处理器还用于：

提取关于所述一个或以上候选轨迹的一个或以上特征；

基于所述一个或以上特征和轨迹评估模型评估所述一个或以上候选轨迹；和

基于轨迹评估模型确定目标轨迹。

6.如权利要求1所述的系统，其特征在于，所述至少一个处理器还用于：

获取至少两个样本轨迹；

基于所述至少两个样本轨迹确定训练数据；和

基于训练数据确定轨迹评估模型。

7.如权利要求6所述的系统，其特征在于，为了基于所述至少两个样本轨迹确定训练数据，所述至少一个处理器还用于：

提取关于所述至少两个样本轨迹的一个或以上样本特征以及与每一个样本轨迹相关联的样本评估结果；和

确定所述一个或以上样本特征和相应的样本评估结果作为训练数据。

8.如权利要求7所述的系统，其特征在于，所述一个或以上样本特征包括以下至少一个：

样本起始位置，

样本目的地，

车辆的样本速度，

车辆的样本加速度，或

样本曲率。

9.如权利要求1所述的系统，其特征在于，所述至少一个处理器还用于：

基于目标轨迹确定速度规划策略。

10.一种在计算机设备上实现的方法，所述计算机设备具有处理器、存储介质和连接到网络的通信平台，其特征在于，所述方法包括：

处理器获取车辆的状态信息；

处理器基于车辆的状态信息，确定从车辆的当前位置到目的地的一个或以上原始轨迹；

处理器从一个或以上原始轨迹中确定一个或以上候选轨迹；和

处理器基于轨迹评估模型从所述一个或以上候选轨迹中确定目标轨迹。

11.如权利要求10所述的方法，其特征在于，所述车辆的状态信息包括以下至少一个：

车辆的行驶方向，

车辆的速度，

车辆的加速度，

车辆的轴距，或

车辆的前轮转向角。

12.如权利要求10所述的方法，其特征在于，所述确定一个或以上原始轨迹包括：

确定与目的地相关的一个或以上子目标位置；和

基于至少一部分所述一个或以上子目标位置确定一个或以上原始轨迹。

13.如权利要求10所述的方法，其特征在于，所述确定一个或以上候选轨迹包括：

确定网格图中的一个或以上障碍物；

在所述一个或以上原始轨迹与一个或以上障碍物之间执行碰撞检测；和

基于碰撞检测从所述一个或以上原始轨迹中确定一个或以上候选轨迹。

14.如权利要求10所述的方法，其特征在于，所述从一个或以上候选轨迹中确定目标轨迹包括：

提取关于所述一个或以上候选轨迹的一个或以上特征；

基于所述一个或以上特征和轨迹评估模型评估所述一个或以上候选轨迹；和

基于轨迹评估模型确定目标轨迹。

15.如权利要求10所述的方法，其特征在于，还包括：

获取至少两个样本轨迹；

基于所述至少两个样本轨迹确定训练数据；和

基于训练数据确定轨迹评估模型。

16.如权利要求15所述的方法，其特征在于，所述基于所述至少两个样本轨迹确定训练数据包括：

提取关于所述至少两个样本轨迹的一个或以上样本特征以及与每一个样本轨迹相关联的样本评估结果；和

确定所述一个或以上样本特征和相应的样本评估结果作为训练数据。

17.如权利要求10所述的方法，其特征在于，所述一个或以上样本特征包括以下至少一个：

样本起始位置，

样本目的地，

车辆的样本速度，

车辆的样本加速度，或

样本轨迹的样本曲率。

18.如权利要求10所述的方法，其特征在于，还包括：

基于目标轨迹确定速度规划策略。

19.一种系统，其特征在于，所述系统包括：

状态信息获取模块，用于获取车辆的状态信息；

轨迹生成模块，用于根据车辆的状态信息确定从车辆当前位置到目的地的一个或以上原始轨迹；

候选轨迹确定模块，用于从所述一个或以上原始轨迹中确定一个或以上候选轨迹；和

目标轨迹确定模块，用于基于轨迹评估模型从一个或以上候选轨迹中确定目标轨迹。

20.一种非暂时性计算机可读介质，包括用于确定车辆轨迹的至少一组指令，其特征在于，当由电子终端的至少一个处理器执行所述至少一组指令时，所述至少一组指令指示所述至少一个处理器执行：

获取车辆的状态信息；

基于车辆的状态信息确定从车辆的当前位置到目的地的一个或以上原始轨迹；

从所述一个或以上原始轨迹中确定一个或以上候选轨迹；和

基于轨迹评估模型从所述一个或以上候选轨迹中确定目标轨迹。