1.一种考虑感知不确定性的自动驾驶轨迹规划方法,其特征在于,包括:构建概率化目标检测模型进行环境感知,构建障碍物缓冲区;构建基于软约束凸可行集的轨迹规划算法,生成最优规划轨迹;
所述概率化目标检测模型包括四个部分:环境编码器、类别解码器、包络框解码器和方差解码器;当环境信息X输入概率化目标检测模型后,环境编码器进行特征提取,得到环境信息的高阶特征,类别解码器、包络框解码器和方差解码器分别获得障碍物类别、包络框属性和方差信息;数据流表示为:其中,表示环境信息的高级语义信息,表示预测的障碍物种类,表示预测的障碍物包络框信息,fenc(·;θ)是在参数θ下的编码过程,Dcls(·;θ)是在参数θ下的类别解码过程,Dreg(·;θ)是在参数θ下的包络框解码过程,Dvar(·;θ)是在参数θ下的方差解码过程,该过程输出端添加了softplus层,以保证输出结果恒为正;是模型预测的障碍物的协方差矩阵;
所述概率化目标检测模型,是基于多元高斯分布所构建;
假设环境中障碍物的包络框属性信息服从多元高斯分布,概率化目标检测模型输出障碍物分布的参数,将多元高斯分布的均值向量作为包络框的属性信息方差信息构成分布的协方差矩阵表示为:其中,θ表示网络参数,B表示障碍物属性的真值;|·|表示取矩阵的行列式,·T表示矩阵的转置运算;
将数据集的标签信息看作一组协方差矩阵为全0矩阵的多元高斯分布,视作一个狄拉克分布,表示为:其中,PG表示标签的分布,δ(·)表示狄拉克函数;
通过优化网络参数θ,最小化模型预测的分布和真实分布的差异程度,使模型具有环境感知和方差推理的能力,表示为:其中,表示两个分布之间的Kullback-Leibler(KL)散度;
使用KL散度作为衡量两个分布之间的差异程度的指标,将该差异程度作为神经网络的学习优化目标,构建损失函数优化每个方差推断神经网络的回归任务和方差推断任务;该损失函数表示为:其中,表示模型检测出的障碍物的数量;Bn表示第n个包络框的真值,和分别表示模型预测的第n个包络框属性信息和协方差矩阵,n表示障碍物的序号索引;
利用数据集对所构建的概率化目标检测模型进行训练,损失函数包含三个部分,分别是类别损失,回归损失和方向损失;选择Focal Loss作为类别损失:其中,表示分类损失函数,pa是类别解码器中anchor的softmax输出,α,γ是损失函数中的经验参数;
概率化目标检测模型的损失函数表示为:
其中,表示模型总损失函数,βcls,βKL和βdir是三个损失类别的平衡系数,是一个softmax分类损失;
将概率化目标检测模型训练多个轮次后,构建了具备了环境感知和方差推断能力的概率化目标检测模型,当环境信息X输入模型后,得到概率化感知结果:其中,表示模型预测的感知结果集合;
模型的编码器、解码器逐渐具备对点云信息特征提取和预测的能力;
构建障碍物缓冲区,具体内容如下:
基于概率化目标检测模型的分布假设和输出的方差信息,设置障碍物缓冲区;
得到概率化目标检测结果
通过可知,第n个障碍物包络框的各个属性标准差为:其中,n表示障碍物的ID;σx、σy和σz分别是障碍物中心点在x、y和z轴上的标准差;σl、σw和σh分别是障碍物包络框长度、宽度和高度的标准差;σθ是障碍物航向角的标准差;
所有感知障碍物的包络框属性均应遵循3σ原则,各属性信息的抖动范围均应在其±3σ值之间,即:x∈[x-3σx,x+3σx]l∈[l-3σl,l+3σl]y∈[y-3σy,y+3σy]w∈[w-3σw,w+3σw]θ∈[θ-3σθ,θ+3σθ]z∈[z-3σz,z+3σz]h∈[h-3σh,h+3σh]选择包络框,在BEV视角下的坐标系中进行平移变化,并选取并集,作为障碍物拓展包络框,拓展包络框的长度和宽度分别为:其中,l和w分别表示感知模块预测的障碍物包络框的长度和宽度,le和we分别表示拓展后的障碍物包络框的长度和宽度。
2.根据权利要求1所述的一种考虑感知不确定性的自动驾驶轨迹规划方法,其特征在于:包络框的每个属性之间相互独立,协方差矩阵是一个7×7的对角矩阵。
3.根据权利要求1所述的一种考虑感知不确定性的自动驾驶轨迹规划方法,其特征在于:构建基于软约束凸可行集的轨迹规划算法,具体内容如下:定义规划轨迹点序列为
其中,表示车辆规划轨迹的坐标,H表示预瞄的规划步长,p0表示车辆当前的位置;
求解车辆的最优轨迹,表示为:
s.t.Γ(S)=∩nΓn(S)=∩n{P:φn(P)≥-S}其中,J(P)表示轨迹规划过程中的目标函数,ω||S||2是对侵入软约束的罚项,P*,S*表示在状态空间中的最优状态,φn(P)表示距离第n个障碍物的距离,Γn(·)表示对第n个障碍物的约束条件,Γ(·)表示所有的并集;
状态变量被拓展为
可行集表示为:
整理得到
其中,Z表示推理过程中的中间变量,表示算法的在第n个障碍物下的可行集,表示整个环境中的可行集,k表示第k次迭代过程,L和S表示推导过程中的系数;
在每一轮迭代中,算法都从当前解出发,在全局凸可行集中找到一个新的解,使得状态变量向最优方向移动,即利用凸可行集算法对对状态变量的多次迭代求解,当迭代次数之间的差值小于阈值后,得到最优状态Z*,从而得到最优输出轨迹P*。
4.根据权利要求1所述的一种考虑感知不确定性的自动驾驶轨迹规划方法,其特征在于,在构建概率化目标检测模型进行环境感知前,需进行如下步骤:步骤一:车辆利用车载传感器,采集行驶过程中的环境信息;
步骤二:对步骤一中采集的数据进行标注,形成带有标签的数据集;
步骤三:对步骤二中数据集进行划分,分割为训练集、验证集和测试集;
步骤一、步骤二、步骤三中,自车利用车载传感器,采集车辆行驶过程中的环境信息,并进行标注划分,具体内容如下:智能汽车配有各类车载传感器,能够对周围环境进行感知,获取环境信息,记为X,每个环境信息X中均包含有N个障碍物,记为:其中,表示障碍物列表,on表示第n个障碍物,N表示障碍物的数量;
数据集D中包括每个障碍物的种类信息cn和3-D包络框信息Bn={xn,yn,zn,wn,ln,hn,θn};其中,(xn,yn,zn)表示障碍物on的位置信息,(wn,ln,hn,θn)表示障碍物on的3-D包络框的属性和方向;
定义在每个X中,障碍物标签定义为:
以上数据集切分为训练集、验证集和测试集。
5.一种装置,其特征在于:包括一个或多个处理器;
存储器,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1-4中任一所述的方法。
6.一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1-4中任一所述的方法。