基于分层强化学习的自动驾驶决策方法和装置

    公开(公告)号:CN114523990B

    公开(公告)日:2025-05-09

    申请号:CN202210304345.0

    申请日:2022-03-25

    Abstract: 本发明提供了基于分层强化学习的自动驾驶决策方法和装置,包括:获取上游数据,上游数据包括感知融合数据、定位数据和控制数据;将上游数据输入到深度学习的模型中,输出得到感受野模型和第一预测轨迹;将感受野模型和第一预测轨迹输入到强化学习算法中,输出得到第一规划轨迹;根据第一规划轨迹控制车辆执行相应操作;将深度学习的模型和强化学习算法结合,确保了决策的稳定性和前瞻性,降低了预测的计算消耗。

    基于分层强化学习的自动驾驶决策方法和装置

    公开(公告)号:CN114523990A

    公开(公告)日:2022-05-24

    申请号:CN202210304345.0

    申请日:2022-03-25

    Abstract: 本发明提供了基于分层强化学习的自动驾驶决策方法和装置,包括:获取上游数据,上游数据包括感知融合数据、定位数据和控制数据;将上游数据输入到深度学习的模型中,输出得到感受野模型和第一预测轨迹;将感受野模型和第一预测轨迹输入到强化学习算法中,输出得到第一规划轨迹;根据第一规划轨迹控制车辆执行相应操作;将深度学习的模型和强化学习算法结合,确保了决策的稳定性和前瞻性,降低了预测的计算消耗。

    自动驾驶决策方法、装置以及电子设备

    公开(公告)号:CN114162144B

    公开(公告)日:2024-02-02

    申请号:CN202210010100.7

    申请日:2022-01-06

    Abstract: 本发明提供了一种自动驾驶决策方法、装置以及电子设备,涉及自动驾驶技术领域,缓解了现有技术中自动驾驶决策局限性较高的技术问题。该方法包括:获取待测试车辆的预设范围内的周围车辆的信息,并基于周围车辆的信息预测周围车辆的预测意图以及预测轨迹;基于预测意图构建序贯博弈树,通过序贯博弈树得到博弈结果;将博弈结果以及预测轨迹均作为输入条件输入至DRL模型,通过DRL模型得到自动驾驶决策结果。

    行人轨迹预测方法、装置和电子设备

    公开(公告)号:CN115205335A

    公开(公告)日:2022-10-18

    申请号:CN202210849384.9

    申请日:2022-07-19

    Abstract: 本发明提供了一种行人轨迹预测方法、装置和电子设备,包括:获取目标行人的行人历史轨迹数据和距离目标行人预设范围内的目标车辆的车辆历史轨迹数据;采用行人轨迹预测模型对行人历史轨迹数据和车辆历史轨迹数据进行行人轨迹预测,得到目标行人的预测轨迹,其中,行人轨迹预测模型为预先训练得到的。该方法通过引入目标行人的行人历史轨迹数据,和距离目标行人预设范围内的目标车辆的车辆历史轨迹数据,使得在预测行人轨迹时考虑到行人与其周围车辆之间的信息交互,提高了行人轨迹预测结果的精准度,有效缓解了现有的行人轨迹预测方法存在的缺乏行人与车辆之间的信息交互的技术问题。

    自动驾驶决策方法、装置以及电子设备

    公开(公告)号:CN114162144A

    公开(公告)日:2022-03-11

    申请号:CN202210010100.7

    申请日:2022-01-06

    Abstract: 本发明提供了一种自动驾驶决策方法、装置以及电子设备,涉及自动驾驶技术领域,缓解了现有技术中自动驾驶决策局限性较高的技术问题。该方法包括:获取待测试车辆的预设范围内的周围车辆的信息,并基于周围车辆的信息预测周围车辆的预测意图以及预测轨迹;基于预测意图构建序贯博弈树,通过序贯博弈树得到博弈结果;将博弈结果以及预测轨迹均作为输入条件输入至DRL模型,通过DRL模型得到自动驾驶决策结果。

Patent Agency Ranking