CN117826816A - 用以解决智能队列定位误差的安全冗余方法 - Google Patents

Abstract

本公开实施例涉及一种用以解决智能队列定位误差的安全冗余方法。所述方法包括：在预设定位失效场景下，基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息；获取前车发送的前车轨迹信息；基于所述静态障碍物信息、所述前车轨迹信息以及预先获取到的动态障碍物信息，确定自车轨迹信息。采用本方法能够提高自动驾驶编队的安全性。

Description

用以解决智能队列定位误差的安全冗余方法

技术领域

本公开实施例涉及自动驾驶技术领域，特别是涉及一种用以解决智能队列定位误差的安全冗余方法。

背景技术

在自动驾驶编队任务中，定位一致性指的是保持车队中各车辆之间的位置信息高度一致和同步。这包括确保车辆间的相对位置、方向和速度信息准确对齐。在车辆编队驾驶中，定位一致性对于确保车队内各车辆安全、高效地协同工作至关重要。它有助于减少由于定位误差导致的不必要制动或加速，从而提高整个车队的行驶效率和安全性。因此，保持前后车车辆之间定位的一致性是完成驾驶任务的关键。准确的定位可以使得车辆能够同步移动，从而减少碰撞和交通拥堵的概率。

尽管现代定位技术高度发达，但它们仍然无法完全消除误差。这些误差在车辆编队驾驶中尤为关键，因为前后车辆之间的微小定位差异可能导致意外的制动或加速，从而降低编队的安全性。

发明内容

本公开实施例提供一种用以解决智能队列定位误差的安全冗余方法，可以用于提高自动驾驶编队的安全性。

第一方面，本公开实施例提供一种安全冗余方法，该方法包括：

在预设定位失效场景下，基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息；

获取前车发送的前车轨迹信息；

基于静态障碍物信息、前车轨迹信息以及预先获取到的动态障碍物信息，确定自车轨迹信息。

第二方面，本公开实施例提供一种安全冗余装置，该装置包括：

障碍物信息确定模块，用于在预设定位失效场景下，基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息；

获取模块，用于获取前车发送的前车轨迹信息；

轨迹信息确定模块，用于基于静态障碍物信息、前车轨迹信息以及预先获取到的动态障碍物信息，确定自车轨迹信息。

第三方面，本公开实施例提供一种车辆，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面的方法。

第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面的方法。

第五方面，本公开实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面的方法。

本公开实施例提供的用以解决智能队列定位误差的安全冗余方法，在预设定位失效场景下，通过激光雷达采集到的点云数据和预设算法，获取静态障碍物信息，以及通过车辆间通信获取前车轨迹信息，再结合预先获取到的动态障碍物信息，后车能够在跟随前车的过程中，即使在全局定位和前后车一致定位失效的情况下，仍能有效识别并避让静态障碍物，从而提高编队车辆的安全能力。

附图说明

图1为一个实施例中安全冗余方法的应用环境图；

图2为一个实施例安全冗余方法的流程示意图；

图3为另一个实施例中安全冗余方法的流程示意图；

图4为另一个实施例中安全冗余方法的流程示意图；

图5为另一个实施例中安全冗余方法的流程示意图；

图6为另一个实施例中安全冗余方法的流程示意图；

图7为另一个实施例中安全冗余方法的流程示意图；

图8为另一个实施例中安全冗余方法的流程示意图；

图9为一个实施例中安全冗余装置的结构框图；

图10为一个实施例中车辆的内部结构图。

具体实施方式

为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。

首先，在具体介绍本公开实施例的技术方案之前，有必要对其基于的技术背景进行详细介绍。在全局定位和前后车一致定位失效的情况下，自动驾驶系统可能面临导航偏离、编队失效、障碍物避让问题、交叉口和转弯困难、停车困难以及整体系统安全性等一系列严重挑战。在这种紧急情况下，车辆将失去对自身位置的准确认知，导致规划路径的不准确性，进而影响车队的协同性，增大交通事故的风险。基于这一背景，申请人通过长期的研究和实践积累，发现在全局定位和前后车一致定位失效的情况下，需要车辆能够识别并避让静态障碍物，并重新生成新的轨迹，以提高车队的安全和协同性。然而，如何高效地识别并避让静态障碍物、并在失效情况下重新生成新的轨迹，一直是当前自动驾驶领域亟待解决的难题。在此基础上，申请人提出并深入研究了本实施例的技术方案，包括静态障碍物感知与识别、新轨迹生成等创新性解决方案，为解决自动驾驶系统在失去定位准确性时所面临的复杂问题提供了技术支持。需要强调的是，为了实现静态障碍物的有效感知、避让和轨迹重新生成，在本实施例中，申请人付出了大量的创造性劳动，并提供了一系列领先的技术方案，这将为自动驾驶系统在异常情况下的安全性和可靠性提供重要的技术突破。

下面结合本公开实施例所应用的场景，对本公开实施例涉及的技术方案进行介绍。

本公开实施例提供的安全冗余方法，可以应用于如图1所示的应用环境中。该应用环境为编队自动驾驶，编队自动驾驶是一种汽车自动驾驶技术，其中一组车辆被组织成一个编队，并通过自动化系统进行协同行驶。在编队自动驾驶中，车辆之间通过通信和传感器技术进行实时互联，以协同完成特定任务，如高速公路巡航或城市交通中的编队行驶。在编队自动驾驶系统中，后车通常会密切追随前车的轨迹，因此对于前车的准确定位和位姿信息显得尤为关键。然而，一旦前车出现位置偏差或轨迹偏离的情况，若后车仍然盲目地跟随前车轨迹，就可能引发与障碍物(如图1中路沿、水马锥桶等障碍物)潜在碰撞的风险。

在一个实施例中，如图2所示，提供了一种安全冗余方法，以该方法应用于图1中的后车为例进行说明，包括以下步骤：

S202，在预设定位失效场景下，基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息。

其中，预设定位失效场景为全局定位失效以及前后车一致定位失效。

全局定位失效是指自动驾驶系统在导航过程中无法准确确定车辆在地图上的全局位置的情况。这可能是由于各种原因导致的，例如全球定位系统(Global PositioningSystem，GPS)信号丢失、传感器故障、环境变化等。全局定位的失败会对自动驾驶系统产生重要的影响，导致以下问题：

(1)导航困难：缺乏准确的全局位置信息，车辆将无法进行有效的导航。这可能导致车辆在道路上迷失方向，无法按照预定路径前进。

(2)路径规划问题：全局定位失效会使得路径规划变得困难。车辆无法正确理解其相对于整个地图的位置，因此无法规划适当的路径以达到目的地。

(3)障碍物避让困难：在全局定位失效的情况下，车辆可能无法正确识别周围的障碍物，从而无法采取适当的措施进行避让。这增加了与其他车辆或障碍物发生碰撞的风险。

(4)交叉口和转弯问题：全局定位的失败可能导致车辆在交叉口和转弯时无法准确确定自己的位置和正确执行相应的行驶动作。

(5)编队和车队协同问题：对于自动驾驶车队，全局定位的失败可能破坏车辆之间的相对位置关系，使得编队和车队协同性无法有效维持。

前后车一致定位失效是指在自动驾驶车队中，前车和后车之间无法保持准确的定位信息一致性。这种情况可能由于多种原因引起，包括但不限于传感器故障、通信问题、定位算法错误等。前后车一致定位失效可能导致以下问题：

(1)编队协同性降低：在自动驾驶车队中，前后车的一致定位是确保编队协同行驶的关键。一致定位失效可能导致车队成员之间的相对位置无法准确维持，影响编队的协同性和稳定性。

(2)路径规划和跟随问题：缺乏一致的定位信息可能使后车无法正确跟随前车的轨迹，导致路径规划和车辆跟随行为出现问题。

(3)安全性降低：一致定位的失败可能导致车辆之间的空间关系失控，增加了车队行驶中发生事故的潜在风险。

(4)交叉口和转弯困难：在失去一致定位的情况下，车队中的车辆可能在交叉口和转弯时难以正确执行协同动作，导致交通不畅或违规行为。

其中，点云数据是由激光雷达采集得到的离散的三维坐标点集合。每个点的坐标表示在空间中的位置，通常包括三个坐标值：(x，y，z)。

在本公开实施例中，激光雷达通过发射激光束并测量其返回时间，得到周围环境的点云数据。接着对采集到的点云数据需要进行预处理，包括去除噪声、滤波和去除地面等操作，以提高后续的障碍物检测准确性。预设算法被应用于点云数据，以检测并识别静态障碍物。接着，从检测到的障碍物中提取如位置、形状、大小等关键信息。这些信息将被用于后续的决策和规划步骤。静态障碍物的信息被集成到地图中。

上述点云数据可以包括环境中物体的位置、形状和距离等信息。上述地图可以是局部地图，用于实时感知和避障，也可以是全局地图，以供规划路径时参考。

在车辆行驶过程中，激光雷达持续采集点云数据，并通过预设算法更新静态障碍物信息。预设算法可以基于点云聚类、分割、形状分析等技术，将点云数据分组成代表单个物体或障碍物的集合。具体地，(1)点云聚类是将点云数据中相邻的点分组成簇，每个簇代表一个物体或障碍物。聚类算法通常基于点之间的距离、密度等特征，将点云数据分成具有相似属性的簇。(2)点云分割旨在将整个点云分割成不同的部分，每个部分对应于一个独立的物体或障碍物。分割算法可以根据点云的几何、强度等属性来确定分割边界。(3)形状分析涉及对点云中的物体形状进行分析，以进一步确定其类型和特征。形状分析可以包括检测平面、拟合几何形状(如圆柱、球体)等技术，从而更精确地描述物体的外形。

通过这些技术，预设算法能够将点云数据有效地分组成代表单个物体或障碍物的集合。这些集合中的每一个都可以被视为激光雷达感知到的一个独立的静态障碍物，并从中提取关键信息，如位置、形状、大小等，用于后续的障碍物避让和路径规划。

S204，获取前车发送的前车轨迹信息。

在本公开实施例中，前车和后车之间需要建立通信协议，以确定如何传递前车的历史轨迹信息。接着，前车使用其感知系统和规划算法生成前车轨迹信息。前车将生成的前车轨迹信息通过事先建立的通信协议传递给后车。后车接收到前车发送的前车轨迹信息后，需要解析该信息以获取历史轨迹的各个时刻的具体数据。

上述通信协议可以包括信息的格式、传输频率、加密方式等。常见的通信方式包括车辆间通信协议(如车辆对车辆(Vehicle-to-Vehicle，简称V2V通信)。上述前车轨迹信息可以包括前车一段时间内的位置、速度、加速度以及沿途经过的路径信息。

S206，基于静态障碍物信息、前车轨迹信息以及预先获取到的动态障碍物信息，确定自车轨迹信息。

其中，预先获取动态障碍物信息，这可以通过传感器(如雷达、摄像头)实时检测周围环境中的动态障碍物，如其他车辆、行人等。

在本公开实施例中，后车基于获取到的静态障碍物信息、前车轨迹信息和动态障碍物信息，使用轨迹规划算法确定自车轨迹信息。这个轨迹应考虑避开静态障碍物、与前车保持安全跟随距离，以及避免与动态障碍物发生碰撞。在轨迹规划的基础上，生成自车的行驶路径。其中，路径规划可以包括考虑交叉口、道路曲率、车道变化等因素，以使得自车能够按照规定的路径安全行驶。在行驶过程中，实时监测周围环境，根据实际情况调整轨迹和路径。这可以涉及重新规划或调整，以适应动态变化的障碍物或交通状况。

在一些实施例中，后车使用激光雷达、摄像头等传感器获取周围环境信息。这包括静态障碍物(如建筑物、路沿)、动态障碍物(其他车辆、行人)以及前车的历史轨迹信息。结合车辆当前位置和地图信息，将静态障碍物的位置转换为全局坐标系下的信息。使用轨迹规划算法考虑以上信息，以确定自车的轨迹。常见的轨迹规划算法包括以下步骤：(1)规划目标设置：确定车辆的规划目标，可能包括前进到某个目标点、跟随前车、避开障碍物等。(2)轨迹生成：生成候选轨迹，考虑车辆的动力学限制、舒适性、安全性等因素。(3)轨迹评估：对生成的轨迹进行评估，考虑避障、保持安全跟随距离、最小化变速度等目标。(4)选择最优轨迹：选择满足各项条件最优的轨迹作为自车的行驶轨迹。

最后，将确定的自车轨迹信息导入车辆控制系统，实施轨迹行驶。同时，还可以不断监测环境变化，如动态障碍物的移动、前车行为的变化，实时调整轨迹以提高行驶的安全性和效率。

上述安全冗余方法中，在预设定位失效场景下，通过激光雷达采集到的点云数据和预设算法，获取静态障碍物信息，以及通过车辆间通信获取前车轨迹信息，再结合预先获取到的动态障碍物信息，后车能够在跟随前车的过程中，即使在全局定位和前后车一致定位失效的情况下，仍能有效识别并避让静态障碍物，从而提高编队车辆的安全能力。另外，基于激光雷达数据和预设算法得到的静态障碍物信息，后车能够实时识别静态障碍物并采取避让措施，降低碰撞的风险，提高了车队行驶的安全性。获取前车发送的轨迹信息使后车能够更好地适应前车的运动状态，即使全局定位失效，也能够根据前车的运动轨迹做出相应的调整，增加了车队协同性。结合预先获取到的动态障碍物信息，后车在轨迹规划时可以更全面地考虑周围环境，包括其他车辆的行为，提高了对动态变化的适应能力。在全局定位失效的情况下，依然能够通过局部感知和车辆间通信保持安全行驶，减少对全局定位系统的依赖。

上述实施例中提到了可以基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息，实际上，静态障碍物信息包括路沿信息和其他障碍物信息。在此基础上，以下实施例就对基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息的具体过程进行详细说明。

在一个实施例中，如图3所示，上述实施例中的S202可以包括如下步骤：

S302，根据点云数据和预设算法确定多个障碍物格子和各障碍物格子的属性信息。

其中，障碍物格子是在处理激光雷达获取的点云数据时，将点云中的某些点聚合成一个个较小的区域或集合的结果。这个区域或集合通常被称为格子。这种处理的目的是将环境中的障碍物分割出来，形成一系列有限的、描述障碍物形状和位置的区域。

其中，各障碍物格子的属性信息通常包括了对每个障碍物格子的特性和特征的描述。各障碍物格子的属性信息提供了关于障碍物的各种关键信息，如位置、形状、高度等。以下是障碍物格子可能包含的属性信息：

(1)位置信息：表示障碍物格子在全局坐标系或车辆局部坐标系下的位置。这可以通过格子中心点的坐标来表示，以便后车知道障碍物在环境中的具体位置。

(2)形状信息：描述障碍物格子的几何形状，如矩形、圆形等。这有助于对障碍物的简化和建模。

(3)尺寸信息：包括障碍物格子的长度、宽度、高度等尺寸信息，以便更准确地估计障碍物的空间占用。

(4)地面高度：标识障碍物所在位置相对于地面的高度。这有助于确定障碍物的垂直位置。

(5)障碍物高度：表示障碍物格子的垂直尺寸。这个属性可以帮助后车判断障碍物的垂直延伸。

(6)密度信息：描述障碍物格子内点云的密度，即在该区域内点云的数量。密度信息可以用于判断障碍物的致密程度。

(7)是否是树枝：有时候后车需要区分树木等细长障碍物，因此可能会有一个属性用于标识是否是树枝。

在本公开实施例中，使用激光雷达等传感器获取环境中的点云数据。对获取到的点云数据进行预处理。接着利用几何方法，检测出表示障碍物的点云群集。

上述预处理过程可以包括去除噪声、滤波、点云配准等操作，以提高后续处理的准确性和稳定性。上述几何方法可以包括聚类算法或者分割算法，以对点云数据进行处理。

针对每个检测到的障碍物格子，计算相应的属性信息。以下是一般性的计算流程：

(1)位置信息计算：对于每个障碍物格子，计算其在全局坐标系或车辆局部坐标系下的位置。通常采用格子中心点的坐标表示。

(2)形状信息计算：对障碍物格子进行形状分析，确定其几何形状，如矩形、圆形等。可以通过计算格子的边界框或者拟合形状曲线来得到形状信息。

(3)尺寸信息计算：根据形状信息，计算障碍物格子的长度、宽度、高度等尺寸信息。这可以通过边界框的尺寸或者曲线拟合的结果得到。

(4)地面高度计算：根据点云数据中障碍物格子底部点的高度信息，计算障碍物格子在地面上的高度。

(5)障碍物高度计算：根据点云数据中障碍物格子顶部点的高度信息，计算障碍物格子的垂直尺寸。

(6)密度信息计算：统计障碍物格子内点云的数量，计算点云的密度。可以通过点的数量和格子的体积进行估算。

(7)是否是树枝判断：根据形状、密度等特征判断障碍物格子是否可能是树枝。

S304，根据障碍物格子的属性信息分别确定路沿信息和其他障碍物信息。

在本公开实施例中，根据障碍物格子的属性信息分别确定路沿信息和其他障碍物信息。其中，路沿信息可以通过以下方式确定：

(1)高度判定：考虑到路沿通常较低，可以通过判断障碍物格子的高度是否在一个预先定义的范围内来确定。例如，如果高度较小，则可能是路沿。

(2)形状判定：考虑到路沿通常呈现较为线状的形状，可以通过形状分析判断。例如，如果格子形状较长而窄，可能是路沿。

其中，其他障碍物信息可以通过以下方式：

(1)高度判定：其他障碍物通常具有不同的高度特征。可以通过设定高度范围或者与路沿高度进行比较，判定是否为其他障碍物。

(2)形状判定：具体障碍物可能有不同的形状，可以通过形状分析进行判断。例如，较为扁平的形状可能代表车辆，而较为立体的形状可能代表建筑物。

(3)密度判定：考虑到一些障碍物可能比较密集，可以通过计算格子内点云的密度，判断是否为较为密集的障碍物。

上述实施例中，通过对点云数据进行处理和分析，能够更准确地识别和划分环境中的障碍物。这有助于提高后车对周围环境的感知精度，从而增强车辆的决策和规划能力。根据障碍物格子的属性信息，可以更详细地了解每个障碍物的位置、形状、尺寸等特征。通过对障碍物格子的属性信息进行处理，可以确定路沿信息。这有助于实现安全稳定的自动驾驶。障碍物格子的属性信息还可以用于分析其他类型的障碍物，如停车车辆、行人、建筑物等。这种详细的环境感知有助于车辆更好地适应复杂多变的交通环境。

总体而言，根据点云数据和预设算法确定障碍物格子及其属性信息，对于提升自动驾驶系统的环境感知能力、决策准确性和行驶安全性具有重要的益处。这一步骤为系统后续的路径规划、障碍物避让等模块提供了可靠的输入数据，从而全面提高自动驾驶系统的整体性能。

在一个实施例中，如图4所示，上述实施例中的S304可以包括如下步骤：

S402，根据障碍物格子的属性信息进行曲线拟合处理，确定路沿信息。

在本公开实施例中，根据上述实施例得到的属性信息，选择可能代表路沿的障碍物格子。这可能涉及到对高度、形状、密度等属性进行筛选，以提取出候选格子。接着从所选的候选格子中提取点云数据。这将是后续曲线拟合的输入。对提取的路沿候选格子点云进行曲线拟合。这可以使用数学模型或曲线拟合算法，例如最小二乘法、Bezier曲线拟合等。

在一些实施例中，还可以对拟合得到的曲线进行其它处理和平滑处理，以去除噪声和提高曲线的稳定性。这可以涉及到滤波技术、曲线参数调整等。将经过其它处理和平滑处理的曲线信息确定为路沿信息。这些信息可以包括路沿的几何特征，如曲率、方向等。

在一些实施例中，还可以将靠近车队形式路径两侧的障碍物格子，作为可能代表路沿的障碍物格子，并针对这些障碍物格子进行曲线拟合处理，从而确定路沿信息。

具体地，后车先获取激光雷达扫描数据或其他传感器数据，包括靠近车队行驶路径两侧的点云信息。接着利用几何方法或其他障碍物检测算法，从点云数据中提取可能的障碍物格子，特别关注靠近车队形式路径两侧的障碍物。接着选择靠近车队形式路径两侧的障碍物格子作为候选格子，对选定的候选格子进行曲线拟合处理。这可以涉及到以下步骤：(1)提取格子的位置信息。(2)提取格子的形状和尺寸信息。(3)选择适当的曲线拟合算法，比如最小二乘法。(4)进行曲线拟合，得到候选曲线。

在得到候选曲线之后，还可以对候选曲线进行再次处理，以使得得到的路沿信息更为平滑和符合实际道路的形状。将获得的路沿信息融合到整体的地图或感知数据中，供规划和决策模块使用。

S404，根据障碍物格子的属性信息进行更新处理，确定其他障碍物信息。

在本公开实施例中，根据上述实施例得到的属性信息选择可能代表其他障碍物的格子。这可能涉及到对高度、形状、密度等属性进行筛选，以提取出候选格子。从所选的候选格子中提取点云数据。这将是后续处理的输入。针对其他障碍物候选格子的点云数据，还可以进行进一步的处理和更新。最后，再将更新和优化后的信息确定为其它障碍物信息。

上述处理和更新过程可以包括：

(1)对点云进行分析、聚类、形状分析等步骤，以获得更详细和准确的障碍物信息。

(2)利用滤波算法、形状匹配、点云聚类等技术对处理得到的障碍物信息进行优化和过滤，以去除可能的噪声或误差。

上述实施例中，通过曲线拟合处理，可以根据障碍物格子的属性信息确定路沿的形状和位置。路沿信息的准确提取有助于车辆实现稳定、安全的行驶。曲线拟合和更新处理将不同类型的障碍物信息结合在一起，形成更为综合的环境感知结果。这有助于提高自动驾驶系统对于复杂交通场景的理解和适应能力。

在一个实施例中，如图5所示，上述实施例中的S404可以包括如下步骤：

S502，获取多帧平滑的车辆姿态信息。

其中，平滑的车辆姿态信息描述了车辆在三维空间中的方位和位置状态。它通常包括以下几个主要元素：(1)位置信息：表示车辆在地球坐标系或局部坐标系中的位置。通常用经度、纬度和高度(或者X、Y、Z坐标)来表示。在地球坐标系中，这些信息可以用于全局定位。(2)姿态角信息：表示车辆的朝向，即车辆相对于某个坐标系的旋转状态。常见的姿态角包括俯仰角、偏航角和横滚角。这些角度描述了车辆相对于水平面的倾斜、朝向方向的偏转和侧翻的状态。(3)线速度和角速度：线速度表示车辆在空间中沿各个轴的速度，通常用三个分量(vx、vy、vz)来表示。角速度表示车辆绕各个轴的旋转速度，通常用三个分量(ωx、ωy、ωz)来表示。(4)加速度信息：表示车辆在各个方向上的线性加速度，通常用三个分量(ax、ay、az)来表示。

平滑的车辆姿态信息提供了车辆在运动中的状态描述，对路径规划、障碍物避免、控制等方面的决策过程起着关键作用。获取平滑的车辆姿态信息的传感器可以包括惯性测量单元、全球定位系统、惯导系统、激光雷达、相机等。

在本公开实施例中，利用车载传感器获取车辆在多个时间点上的姿态信息。

S504，利用预设概率模型和多帧平滑的车辆姿态信息对各障碍物格子的属性信息进行更新处理，得到其他障碍物信息。

其中，预设概率模型采用贝叶斯概率更新模型，更新每个障碍物格子代表有效障碍物的概率。贝叶斯概率更新模型包括先验概率、似然度计算和后验概率更新。先验概率表示在没有新信息的情况下，该障碍物格子代表有效障碍物的概率。先验概率可能基于历史数据、地图信息或其他先验知识。似然度计算即给定平滑的车辆姿态信息条件下，该格子代表有效障碍物的概率。这可以涉及到与车辆姿态相关的几何关系、传感器测量模型等。后验概率更新是将先前的信念与新的观测信息相结合，逐步更新对有效障碍物存在的概率。

在本公开实施例中，在利用车载传感器获取车辆在多个时间点上的姿态信息之后，接着利用基于贝叶斯概率更新的模型更新每个障碍物格子代表有效障碍物的概率。首先，对每个障碍物格子初始化先验概率，接着利用多帧平滑的车辆姿态信息计算每个障碍物格子的似然度。最后，利用贝叶斯概率更新公式，将先验概率和似然度结合，计算每个障碍物格子的后验概率。基于更新后的后验概率，可以设置一个阈值，将概率超过该阈值的格子判定为代表有效障碍物，而概率低于阈值的格子则被认为无效或未包含有效障碍物。根据阈值处理的结果，对被判定为有效的障碍物格子进行相应的属性信息更新。

上述实施例中，多帧平滑的车辆姿态信息提供了车辆在一段时间内的演变情况。通过考虑时序性，能够更好地理解车辆运动的趋势和动态变化，有助于准确把握障碍物的运动状态。利用多帧姿态信息，可以更准确地估计车辆的运动轨迹和速度，从而更精确地更新障碍物格子的属性信息。

在一个实施例中，如图6所示，上述实施例中的S402可以包括如下步骤：

S602，根据障碍物格子的属性信息进行曲线拟合处理，得到候选曲线。

在本公开实施例中，首先，通过属性信息提取障碍物格子的位置坐标。同时，获取障碍物格子的形状信息。

上述位置坐标可以是中心点坐标或其他表示位置的信息；上述形状信息可以包括矩形、圆形等，以及相关的尺寸信息，如长度、宽度、半径等。这些信息用于后续曲线拟合的形状和大小确定。

接下来，根据提取的属性信息，选择适当的曲线拟合算法进行处理。以采用最小二乘法生成候选曲线为例，在决定采用何种数学模型进行曲线拟合时，考虑到最小二乘法适用于多种模型，如直线、多项式、指数函数等。在本公开实施例中，以简单的直线拟合为例进行详细说明。

首先，构建拟合方程，对于直线拟合，拟合方程通常采用一次多项式的形式，例如：y＝mx+b，其中m是斜率，b是截距。接着，通过最小二乘法优化拟合参数，即找到使得实际观测值与拟合值之间残差平方和最小的m和b。最后，使用最优的m和b参数，构建拟合曲线，即候选曲线。

S604，对候选曲线进行优化处理，得到路沿信息。

在本公开实施例中，针对当前帧的候选曲线和上一帧已知的曲线，采用匹配算法进行对应。匹配算法可能基于曲线的形状、位置等特征进行相似性度量，以确定哪些候选曲线与已知曲线相匹配。通过匹配结果，对已知曲线的参数进行更新。这包括更新曲线的位置、形状、尺寸等参数，以反映实际场景中曲线的变化。在匹配和参数更新的基础上，可能存在多个相似的曲线。为了简化表示并提高鲁棒性，可以考虑将相似的曲线合并成一个更为稳定和完整的曲线。有些候选曲线可能是误检测或无效的。通过一定的判别标准，识别并删除那些不符合规则或置信度较低的曲线。经过匹配、参数更新、曲线合并和曲线删除等操作，得到了最终的路沿信息。路沿信息反映了实际道路的曲线轮廓，为后续车辆路径规划提供了关键的参考。

上述实施例中，通过优化处理后的候选曲线，获得路沿信息。这可以用于识别车辆行驶路径两侧的路沿，为车辆导航和路径规划提供关键信息。进而可以更精确地获取道路的几何形状，有助于提高车辆在编队行驶中的安全性和稳定性。

在一个实施例中，如图7所示，上述实施例中的S302可以包括如下步骤：S702，根据点云数据确定多个候选格子和各候选格子的属性信息。

在本公开实施例中，首先从激光雷达等传感器中获取点云数据。接着可以利用聚类算法对点云进行分组，将同一物体上的点划分到同一个簇中。对于每个聚类(簇)，提取其形状和位置信息。这可以包括计算簇的中心点坐标、形状特征(如长宽高)等。针对每个候选格子，提取其他属性信息，例如格子的地面高度、障碍物高度、是否是树枝等。这些属性信息有助于更准确地表示每个候选格子的特征。

S704，根据其他传感器的传感数据对各候选格子的属性信息进行更新处理，并标注类别，得到多个障碍物格子和各障碍物格子的属性信息。

在本公开实施例中，整合其他传感器(如摄像头、雷达等)的数据并将点云数据与其他传感器的输出结果进行融合。利用其他传感器的数据对每个候选格子的属性信息进行更新。基于更新后的属性信息，进行类别标注，即确定每个障碍物格子所代表的具体类型，如路沿、障碍物、交通标识等。将更新后的属性信息整合，得到多个障碍物格子及其详细属性信息。

上述其他传感器可以提供更多的信息，如颜色、纹理、形状等，以进一步丰富每个候选格子的属性信息。上述融合算法可以为传感器数据融合算法，以综合利用不同传感器的优势。

在一些实施例中，还可以将其他传感器的传感数据输入到其它模型中，并同步或者异步接收其它模型的输出结果，对各候选格子的属性信息进行更新处理，根据更新后的属性信息，确定每个障碍物格子所代表的具体类别，并对该类别进行标注，例如：树枝、路障等。

其中，其它模型包括但不限于激光雷达的静态障碍物检测模型，视觉的检测分割模型，激光视觉融合的检测模型。其中，激光雷达的静态障碍物检测结果可以提供更精确的位置信息，视觉检测分割结果可以提供更详细的形状和类别信息，激光视觉融合的检测模型可以整合多传感器信息提高准确性。

其中，同步表示在相同时间步骤内接收所有传感器的数据，异步表示在不同时间步骤内接收不同传感器的数据。

上述实施例中，利用点云数据，能够准确地检测出环境中的障碍物格子，并获取其基本属性信息。通过融合其他传感器的数据，可以更全面地感知环境，包括对不同类型的障碍物的识别和分类。通过融合不同传感器的输出，特别是激光雷达、相机和其他传感器的数据，可以弥补各传感器单独存在的局限性，提高后车对障碍物的感知准确性和鲁棒性。通过多传感器数据的综合处理，能够更全面地理解环境，为后续的决策和规划提供更精准的信息，从而提高自动驾驶系统的安全性和可靠性。

在一个实施例中，如图8所示，上述实施例中的S702可以包括如下步骤：

S802，根据点云数据确定构成静态障碍物的点云集合。

在本公开实施例中，接收激光雷达传感器采集到的点云数据。接着利用聚类算法对点云数据进行分组，将相邻的点归为同一类。聚类的目的是将属于同一物体的点归为一组，形成点云集合。从聚类中识别并提取出构成静态障碍物的点云集合。

S804，根据点云集合确定多个候选格子和各候选格子的属性信息。

在本公开实施例中，将点云集合划分为多个小区域，每个区域可看作是一个候选格子。这可以通过空间分割或网格划分等方式实现。对每个候选格子进行属性信息的提取，包括但不限于格子的位置、形状、尺寸等。这些信息可以通过分析格子内点云的特征得到。得到多个候选格子及其各自的属性信息，这些信息描述了静态障碍物在环境中的分布和特征。

上述实施例中，利用点云数据可以更准确地定位构成静态障碍物的点云集合，有助于对环境中的障碍物进行高精度的定位和识别。通过对点云集合的处理，可以提取候选格子的属性信息，例如格子的位置、形状、尺寸等。这些细致的属性信息为后续的障碍物识别和轨迹规划提供了重要依据。点云数据对于复杂环境中的障碍物有较强的适应性，能够有效应对各种形状和尺寸的障碍物，包括建筑物、树木等。总体而言，通过点云数据确定静态障碍物的点云集合，并提取候选格子及其属性信息，有益于提高障碍物感知的精度和鲁棒性，为自动驾驶系统在复杂环境中的安全驾驶提供可靠的环境感知基础。

在一个实施例中，本公开实施例还可以包括：对静态障碍物信息进行后处理；后处理包括聚类处理、属性判断处理、延长处理以及过滤处理中的至少一个。

其中，聚类处理可以将点云数据中的散乱点进行分组，形成具有一定形状或密度的点云簇，从而更好地表示实际的静态障碍物。属性判断处理可以根据特定的属性标准对障碍物进行分类或判别。例如，可以判断障碍物的高度、形状等属性，从而更好地理解环境中的物体特征。针对较小的障碍物，延长处理可以将其尺寸进行一定的扩展，以减少由于传感器误差或数据不完整性导致的障碍物被低估的情况。过滤处理可以排除一些不相关或不必要的点云数据，减少系统对无关信息的处理。

在本公开实施例中，对静态障碍物信息进行后处理可以包括：

(1)基于距离的聚类：对静态障碍物信息进行基于距离的聚类，将相邻且距离较近的障碍物归为同一簇。这有助于对障碍物进行分组，提高感知结果的清晰度。

(2)基于形状的属性判断：对每个聚类中的障碍物信息进行形状属性的判断，例如判断是否为矩形、圆形等。这可以通过对障碍物边界点的分析和形状拟合算法实现。

(3)对较小障碍物的处理：

1)延长操作：针对较小的障碍物信息，可能会进行一定的延长操作，使其在空间上更为显著，增强感知结果的稳定性。

2)过滤：对于极小或者非实际障碍物的点云数据，进行过滤操作，将其排除在障碍物感知结果之外。

上述实施例中，聚类处理可以提高障碍物的整体形状清晰度，减少噪声点的影响，有助于后续处理更加准确。属性判断处理可以更精准的障碍物分类，为车辆决策提供更详细的环境信息。延长处理可以提高对小型障碍物的感知准确性，减少漏检的可能性。过滤处理可以简化结果，使其更加清晰和可解释，减少误判的可能性。

综合而言，这些后处理步骤有助于提高静态障碍物信息的可靠性和精确性，为自动驾驶系统提供更准确的环境感知，从而增强动驾驶系统的安全性和鲁棒性。

以下给出一个详细实施例来对本公开中安全冗余方法的过程进行说明，在上述实施例的基础上，该方法的实现过程可以包括以下内容：

S1，在预设定位失效场景下，根据点云数据确定构成静态障碍物的点云集合。

S2，根据点云集合确定多个候选格子和各候选格子的属性信息。

S3，根据其他传感器的传感数据对各候选格子的属性信息进行更新处理，并标注类别，得到多个障碍物格子和各障碍物格子的属性信息。

S4，根据障碍物格子的属性信息进行曲线拟合处理，得到候选曲线。

S5，对候选曲线进行优化处理，得到路沿信息。

S6，获取多帧平滑的车辆姿态信息。

S7，利用预设概率模型和多帧平滑的车辆姿态信息对各障碍物格子的属性信息进行更新处理，得到其他障碍物信息。

S8，对静态障碍物信息进行后处理；后处理包括聚类处理、延长处理以及过滤处理中的至少一个。

S9，获取前车发送的前车轨迹信息。

S10，基于静态障碍物信息、前车轨迹信息以及预先获取到的动态障碍物信息，确定自车轨迹信息。

上述实施例中，通过点云数据，后车能够全面感知环境中的静态障碍物。这有助于在定位失效的情况下，车辆依然能够准确感知并理解周围的环境，提高行车安全性。通过整合其他传感器的数据，对候选格子的属性信息进行更新处理，得到更全面和准确的障碍物信息。这种融合机制提高了后车对环境的理解能力，减少了单一传感器可能存在的误差和局限性。通过曲线拟合，特别是对路沿信息的提取，后车能够更好地理解道路的几何结构。这对于车辆在车道中行驶时具有指导作用，有助于更准确地规划轨迹。利用多帧平滑的车辆姿态信息，通过预设概率模型对障碍物格子的属性信息进行更新处理，增强了对障碍物的长期跟踪能力。获取前车发送的轨迹信息，结合静态障碍物和预先获取到的动态障碍物信息，有助于更智能地规划自车的轨迹。通过聚类、延长、过滤等后处理方式，对静态障碍物信息进行优化，提高了环境感知的准确性。

整体而言，通过多传感器数据融合、曲线拟合、多帧信息融合和后处理等步骤，形成了一个综合而高效的感知和规划系统。在定位失效的情况下，后车依然能够有效地理解并适应环境，从而提高了自动驾驶车辆的安全性和可靠性。

应该理解的是，虽然图2至图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种安全冗余装置，包括：障碍物信息确定模块11、获取模块12和轨迹信息确定模块13，其中：

障碍物信息确定模块11，用于在预设定位失效场景下，基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息；

获取模块12，用于获取前车发送的前车轨迹信息；

轨迹信息确定模块13，用于基于静态障碍物信息、前车轨迹信息以及预先获取到的动态障碍物信息，确定自车轨迹信息。

在另一个实施例中，提供了另一种安全冗余装置，在上述实施例的基础上，上述障碍物信息确定模块11包括：

第一确定单元，用于根据点云数据和预设算法确定多个障碍物格子和各障碍物格子的属性信息；

第二确定单元，用于根据障碍物格子的属性信息分别确定路沿信息和其他障碍物信息。

在另一个实施例中，提供了另一种安全冗余装置，在上述实施例的基础上，上述第二确定单元包括：

第一确定子单元，用于根据障碍物格子的属性信息进行曲线拟合处理，确定路沿信息；

第二确定子单元，用于根据障碍物格子的属性信息进行更新处理，确定其他障碍物信息。

在另一个实施例中，提供了另一种安全冗余装置，在上述实施例的基础上，上述第二确定子单元具体用于获取多帧平滑的车辆姿态信息；利用预设概率模型和多帧平滑的车辆姿态信息对各障碍物格子的属性信息进行更新处理，得到其他障碍物信息。

在另一个实施例中，提供了另一种安全冗余装置，在上述实施例的基础上，上述第一确定子单元具体用于根据障碍物格子的属性信息进行曲线拟合处理，得到候选曲线；对候选曲线进行优化处理，得到路沿信息。

在另一个实施例中，提供了另一种安全冗余装置，在上述实施例的基础上，上述第一确定单元包括：

第三确定子单元，用于根据点云数据确定多个候选格子和各候选格子的属性信息；

更新子单元，用于根据其他传感器的传感数据对各候选格子的属性信息进行更新处理，并标注类别，得到多个障碍物格子和各障碍物格子的属性信息。

在另一个实施例中，提供了另一种安全冗余装置，在上述实施例的基础上，上述第三确定子单元具体用于根据点云数据确定构成静态障碍物的点云集合；根据点云集合确定多个候选格子和各候选格子的属性信息。

在另一个实施例中，提供了另一种安全冗余装置，在上述实施例的基础上，上述安全冗余装置还包括：

后处理模块，用于对静态障碍物信息进行后处理；后处理包括聚类处理、属性判断处理、延长处理以及过滤处理中的至少一个。

关于安全冗余装置的具体限定可以参见上文中对于安全冗余方法的限定，在此不再赘述。上述安全冗余装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于车辆中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图10是根据一示例性实施例示出的一种车辆1400的框图。参照图10，车辆1400包括处理组件1420，其进一步包括一个或多个处理器，以及由存储器1422所代表的存储器资源，用于存储可由处理组件1420执行的指令或者计算机程序，例如应用程序。存储器1422中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1420被配置为执行指令，以执行上述轨迹确定的方法。

车辆1400还可以包括一个电源组件1424被配置为执行设备1400的电源管理，一个有线或无线网络接口1426被配置为将设备1400连接到网络，和一个输入输出(I/O)接口1428。车辆1400可以操作基于存储在存储器1422的操作系统，例如Window14 14erverTM，Mac O14 XTM，UnixTM,LinuxTM，FreeB14DTM或类似。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器1422，上述指令可由车辆1400的处理器执行以完成上述方法。存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品，该计算机程序被处理器执行时，可以实现上述方法。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行这些计算机指令时，可以全部或部分地按照本公开实施例所述的流程或功能实现上述方法中的部分或者全部。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种安全冗余方法，其特征在于，所述方法包括：

在预设定位失效场景下，基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息；

获取前车发送的前车轨迹信息；

基于所述静态障碍物信息、所述前车轨迹信息以及预先获取到的动态障碍物信息，确定自车轨迹信息。

2.根据权利要求1所述的方法，其特征在于，所述静态障碍物信息包括路沿信息和其他障碍物信息，所述基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息，包括：

根据所述点云数据和所述预设算法确定多个障碍物格子和各所述障碍物格子的属性信息；

根据所述障碍物格子的属性信息分别确定所述路沿信息和所述其他障碍物信息。

3.根据权利要求2所述的方法，其特征在于，所述根据所述障碍物格子的属性信息分别确定所述路沿信息和所述其他障碍物信息，包括：

根据所述障碍物格子的属性信息进行曲线拟合处理，确定所述路沿信息；

根据所述障碍物格子的属性信息进行更新处理，确定所述其他障碍物信息。

4.根据权利要求3所述的方法，其特征在于，所述根据所述障碍物格子的属性信息进行更新处理，确定所述其他障碍物信息，包括：

获取多帧平滑的车辆姿态信息；

利用预设概率模型和多帧所述平滑的车辆姿态信息对各所述障碍物格子的属性信息进行更新处理，得到所述其他障碍物信息。

5.根据权利要求3所述的方法，其特征在于，所述根据所述障碍物格子的属性信息进行曲线拟合处理，确定所述路沿信息，包括：

根据所述障碍物格子的属性信息进行曲线拟合处理，得到候选曲线；

对所述候选曲线进行优化处理，得到所述路沿信息。

6.根据权利要求2所述的方法，其特征在于，所述根据所述点云数据和所述预设算法确定多个障碍物格子和各所述障碍物格子的属性信息，包括：

根据所述点云数据确定多个候选格子和各所述候选格子的属性信息；

根据其他传感器的传感数据对各所述候选格子的属性信息进行更新处理，并标注类别，得到所述多个障碍物格子和各所述障碍物格子的属性信息。

7.根据权利要求6所述的方法，其特征在于，所述根据所述点云数据确定多个候选格子和各所述候选格子的属性信息，包括：

根据所述点云数据确定构成静态障碍物的点云集合；

根据所述点云集合确定多个所述候选格子和各所述候选格子的属性信息。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述静态障碍物信息进行后处理；所述后处理包括聚类处理、属性判断处理、延长处理以及过滤处理中的至少一个。

9.一种安全冗余装置，其特征在于，所述装置包括：

障碍物信息确定模块，用于在预设定位失效场景下，基于激光雷达采集到的点云数据和预设算法确定静态障碍物信息；

获取模块，用于获取前车发送的前车轨迹信息；

轨迹信息确定模块，用于基于所述静态障碍物信息、所述前车轨迹信息以及预先获取到的动态障碍物信息，确定自车轨迹信息。

10.一种车辆，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

11.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。