一种规划车辆驾驶路径的方法、装置、智能车以及存储介质与流程

1.本技术涉及自动驾驶领域，尤其涉及一种规划车辆驾驶路径的方法、装置、智能车以及存储介质。


背景技术：

2.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索， ai基础理论等。
3.自动驾驶是人工智能领域的一种主流应用，自动驾驶技术依靠计算机视觉、雷达、监控装置和全球定位系统等协同合作，让机动车辆可以在不需要人类主动操作下，实现自动驾驶。自动驾驶的车辆使用各种计算系统来帮助将乘客从一个位置运输到另一位置。一些自动驾驶车辆可能要求来自操作者(诸如，领航员、驾驶员、或者乘客)的一些初始输入或者连续输入。自动驾驶车辆准许操作者从手动模操作式切换到自动驾驶模式或者介于两者之间的模式。由于自动驾驶技术无需人类来驾驶机动车辆，所以理论上能够有效避免人类的驾驶失误，减少交通事故的发生，且能够提高公路的运输效率。因此，自动驾驶技术越来越受到重视。
4.在自动驾驶技术领域，若能提前感知其它车辆的运行状态并预测出其它车辆的行驶轨迹，可以有效降低自车与其他车辆发生碰撞的风险。


技术实现要素：

5.本技术提供了一种规划车辆驾驶的方法以及相关设备，在预测其他车辆的行驶轨迹时，考虑驾驶意图的不确定性，驾驶过程的不确定性以及障碍物入侵的不确定性，以使预测的行驶轨迹更符合车辆的实际驾驶情况。根据本技术提供的方案预测的它车的行驶轨迹调整自车的规划路径，可以有效降低自车与其他车辆发生碰撞的风险。
6.为解决上述技术问题，本技术提供以下技术方案：
7.本技术第一方面提供一种规划车辆驾驶路径的方法，本技术提供的方法可用于人工智能领域的自动驾驶领域中，可以包括：获取第一车辆的初始规划路径，可以理解为获取第一车辆的一个初始规划路径，或者获取第一车辆的多个初始规划路径。第一车辆为自车感知范围内的车辆，其中感知范围是指传感器系统能够感知的范围，比如传感器系统可以包括雷达、激光测距仪以及相机等设备，感知范围可以指传感器系统中的一个或者多个设备能够探测的范围。其中，第一车辆可以理解为自车感知范围内的任意一辆车或者任意一个动态障碍物。根据第一分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，
第一偏转角是第一车辆按照初始规划路径行驶至第一位置点时偏离初始规划路径的角度，第一分布函数指示第一车辆在行驶过程中偏离初始规划路径的角度所对应的概率分布。第一位置点根据自车的第一规划路径确定，目标角度包括第一偏转角。第一位置点可以是第一区域中的一个或者多个位置点，第一区域根据第一规划路径确定。比如，自车的第一规划路径中包括n个坐标点，自车按照第一规划路径行驶时，即自车按照该n个坐标点依次行驶，第一区域可以包括n个坐标点中的一个或者多个坐标点，第一位置点是第一区域中包括的至少一个位置点。第一车辆可能沿多个行驶方向行驶第一区域，并且通过每一个方向行驶至第一区域的概率可能不同。可以通过第一分布函数获取车辆沿不同方向驶入第一区域的概率。比如车辆从一个方向驶入另一个方向，车辆的偏转角会发生变化，其中偏转角是指车辆前轮向左或者向右转到第一区域与前轮不发生偏转时中心线所形成的角度。根据第一分布函数和至少一个第一行驶方向，确定第一车辆行驶至第一区域内的多个位置点中每个位置点的概率可以理解为根据车辆从一个位置驶入另一个位置的偏转角确定车辆从一个位置驶入另一个位置的概率，或者根据车辆从一个区域驶入另一个区域的一个偏转角的范围确定车辆从一个区域驶入另一个区域的概率。在一个优选的方案中，第一分布函数可以是高斯分布函数或者混合高斯分布函数。由第一方面可知，自车在预测它车的行驶轨迹时，考虑了驾驶过程的不确定性。现有技术往往只能确定初始规划路径，而没有考虑驾驶过程中的不确定性，车辆可能行驶至初始规划路径之外的其他地方，根据第一车辆行驶至第一区域内的多个位置点中各个位置点的各自概率，对第一规划路径进行调整，以得到自车的第二规划路径，第二规划路径用于指示自车的驾驶路径。第一方面提供的方案通过第一分布函数来描述驾驶过程中的不确定性，使预测的它车的行驶轨迹更符合它车实际的行驶轨迹，可以使预测的给结果包含更多的信息量，为自车规划自车的行驶轨迹时提供更多的参考信息，辅助自车预测出更符合当前驾驶环境的行驶路径，避免碰撞的发生。
8.可选地，结合上述第一方面，在第一种可能的实施方式中，该方法还包括：获取第一车辆在预设时长内沿第一初始规划路径行驶的第一距离。根据第一距离与第二距离的比值确定第一车辆沿第一初始规划路径行驶的概率，第二距离包括预设时长内第一车辆沿每一个初始规划路径行驶的距离。根据第一分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，包括：根据第一分布函数、第一偏转角以及第一车辆沿第一初始规划路径行驶的概率，获取第一车辆从第一初始规划路径行驶至第一位置点的概率。由第一方面第一种可能的实施方式可知，在预测它车的行驶轨迹中考虑了它车行驶至每一条初始规划路径的概率，并给出了一种具体的确定它车行驶至每一条初始规划路径的概率的方式，为自车规划自车的行驶路径提供更多的参考信息，辅助自车预测出更符合当前驾驶环境的行驶路径，比如自车可以更多关注概率更大的初始规划路径，避免碰撞的发生。
9.可选地，结合上述第一方面，在第二种可能的实施方式中，该方法还包括：获取统计数据，统计数据用于指示历史上经过第一车辆所在道路的车辆沿第二初始规划路径行驶的概率，初始规划路径中包括第二初始规划路径。根据第一分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，包括：根据第一分布函数、第一偏转角以及第一车辆沿第二初始规划路径行驶的概率，获取第一车辆从第二行驶轨迹行驶至第一位置点的概率。由第一方面第二种可能的实施方式可知，在预测它车的行驶轨迹中考虑了它车行驶至每一条初始规划路径的概率，并给出了一种具体的确定它车行驶至每一条初始规划路径的概率的
方式，为自车规划自车的行驶路径提供更多的参考信息，辅助自车预测出更符合当前驾驶环境的行驶路径，比如自车可以更多关注概率更大的初始规划路径，避免碰撞的发生。
10.可选地，结合上述第一方面或第一方面第一种第二种可能的实施方式或第一方面第二种可能的实施方式，在第三种可能的实施方式中，根据第一分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，还包括：获取到第一位置点有障碍物的概率超过第一预设阈值时，根据第二分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，第二分布函数根据第一分布函数以及第一预设算法确定。由第一方面第三种可能的实施方式可知，自车在预测它车的行驶轨迹时，考虑到了障碍物入侵的不确定性，即它车在行驶过程中，可能受障碍物的影响而改变行驶轨迹，第一方面第四种可能的实施方式，当感知到了它车在行驶轨迹中的第一位置可能有障碍物时，降低它车行驶至第一位置的概率。
11.可选地，结合上述第一方面或第一方面第一种第二种可能的实施方式或第一方面第二种可能的实施方式，在第四种可能的实施方式中，该方法还包括：获取到第一位置点有障碍物的概率超过第一预设阈值时，根据第一位置点有障碍物的概率和第一车辆行驶至第一位置点的概率确定第一车辆行驶至第一位置点时停止行驶的概率。由第一方面第四种可能的实施方式可知，第一位置点有障碍物时，它车有一定的概率停止行驶，等待障碍物经过，通过第一方面第四种可能的实施方式，更全面的考虑到障碍物对它车行驶轨迹的影响，使预测的它车的行驶轨迹更符合实际情况。
12.可选地，结合上述第一方面或第一方面第一种至第一方面第四种可能的实施方式，在第五种可能的实施方式中，获取第一车辆的初始规划路径，包括：获取第一车辆所在道路的车道信息，车道信息用于指示第一车辆的法定行驶方向。根据第一车辆的法定行驶方向获取第一车辆的初始规划路径。
13.可选地，结合上述第一方面或第一方面第一种至第一方面第五种可能的实施方式，在第六种可能的实施方式中，该方法还包括：自车和第一车辆同时到达第一位置点的概率大于第二预设阈值时，发送提示消息，提示消息用于在自车上显示第一位置点。由第一方面第六种可能的实施方式可知，当自车预测到可能与它车发生碰撞时，可以发送提示消息提示驾驶员注意，以减少碰撞的发生。
14.本技术第二方面提供一种规划车辆驾驶路径的装置，可以包括获取模块，用于获取第一车辆的初始规划路径，第一车辆为自车感知范围内的车辆。获取模块，还用于根据第一分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，第一偏转角是第一车辆按照初始规划路径行驶至第一位置点时偏离初始规划路径的角度，第一分布函数指示第一车辆在行驶过程中偏离初始规划路径的角度所对应的概率分布，第一位置点根据自车的第一规划路径确定。规控模块，用于根据第一车辆行驶至第一位置点的概率，对第一规划路径进行调整，以得到自车的第二规划路径。
15.可选地，结合上述第二方面，在第一种可能的实施方式中，获取模块，还用于获取第一车辆在预设时长内沿第一初始规划路径行驶的第一距离，初始规划路径中包括第一初始规划路径。获取模块，还用于根据第一分布函数和第一偏转角，获取所述第一车辆行驶至第一位置点的概率，所述第一偏转角是所述第一车辆按照所述初始规划路径行驶至所述第一位置点时偏离所述初始规划路径的角度，所述第一分布函数指示所述第一车辆在行驶过程中偏离所述初始规划路径的角度所对应的概率分布，所述第一位置点根据所述自车的第
一规划路径确定。获取模块，具体用于根据第一分布函数、第一偏转角以及第一车辆沿第一初始规划路径行驶的概率，获取第一车辆从第一初始规划路径行驶至第一位置点的概率。
16.可选地，结合上述第二方面，在第二种可能的实施方式中，获取模块，还用于获取统计数据，统计数据用于指示历史上经过第一车辆所在道路的车辆沿第二初始规划路径行驶的概率，初始规划路径中包括第二初始规划路径。获取模块，具体用于根据第一分布函数、第一偏转角以及第一车辆沿第二初始规划路径行驶的概率，获取第一车辆从第二行驶轨迹行驶至第一位置点的概率。
17.可选地，结合上述第二方面或第二方面第一种第二种可能的实施方式或第二方面第二种可能的实施方式，在第三种可能的实施方式中，获取模块，还用于：获取到第一位置点有障碍物的概率超过第一预设阈值时，根据第二分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，第二分布函数根据第一分布函数以及第一预设算法确定。
18.可选地，结合上述第二方面或第二方面第一种第二种可能的实施方式或第二方面第二种可能的实施方式，在第四种可能的实施方式中，获取模块，还用于：获取到第一位置点有障碍物的概率超过第一预设阈值时，根据第一位置点有障碍物的概率和第一车辆行驶至第一位置点的概率确定第一车辆行驶至第一位置点时停止行驶的概率。
19.可选地，结合上述第二方面或第二方面第一种至第二方面第四种可能的实施方式，在第五种可能的实施方式中，获取模块，具体用于：获取第一车辆所在道路的车道信息，车道信息用于指示第一车辆的法定行驶方向。根据第一车辆的法定行驶方向获取第一车辆的初始规划路径。
20.可选地，结合上述第二方面或第二方面第一种至第二方面第五种可能的实施方式，在第六种可能的实施方式中，还包括提示模块，提示模块，用于自车和第一车辆同时到达第一位置点的概率大于第二预设阈值时，发送提示消息，提示消息用于在自车上显示第一位置点。
21.本技术第三方面提供一种规划车辆驾驶路径的装置，可以包括处理器，处理器和存储器耦合，存储器存储有程序指令，当存储器存储的程序指令被处理器执行时实现第一方面或第一方面任意一种可能的实施方式所描述的方法。
22.本技术第四方面提供一种智能汽车，可以包括处理器，处理器和存储器耦合，存储器存储有程序指令，当存储器存储的程序指令被处理器执行时实现第一方面或第一方面任意一种可能的实施方式所描述的方法。
23.本技术第五方面提供一种计算机可读存储介质，可以包括程序，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任意一种可能的实施方式中所描述的方法。
24.本技术第六方面提供一种智能汽车，智能汽车可以包括处理电路和存储电路，处理电路和存储电路被配置为执行上述第一方面或第一方面任意一种可能的实施方式中所描述的规划车辆驾驶路径的方法。
25.本技术第七方面提供一种电路系统，电路系统可以包括处理电路，处理电路配置为执行上述第一方面或第一方面任意一种可能的实施方式中所描述的方法。
26.本技术第八方面提供了一种计算机程序，当其在计算机上行驶时，使得计算机执行上述第一方面或第一方面任意一种可能的实施方式中所描述的方法。
27.本技术第九方面提供一种芯片系统，该芯片系统可以包括处理器，用于支持预测行驶轨迹的装置实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据和 /或信息。在一种可能的设计中，芯片系统还可以包括存储器，存储器，用于保存服务器或通信设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
28.本技术第十方面提供一种规划车辆驾驶路径的系统，包括云侧设备和端侧设备，其中端侧设备可以理解为自车，云侧设备用于获取第一车辆的初始规划路径，第一车辆为自车感知范围内的车辆。获取模块，还用于根据第一分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，第一偏转角是所述第一车辆按照所述初始规划路径行驶至所述第一位置点时偏离所述初始规划路径的角度，所述第一分布函数指示所述第一车辆在行驶过程中偏离所述初始规划路径的角度所对应的概率分布，第一位置点根据自车的第一规划路径确定，目标角度包括第一偏转角。云侧设备，还用于根据第一车辆行驶至第一位置点的概率，对第一规划路径进行调整，以得到自车的第二规划路径，第二规划路径用于指示自车的驾驶路径。
29.可选地，结合上述第十方面，在第一种可能的实施方式中，云侧设备，还用于获取第一车辆在预设时长内沿第一初始规划路径行驶的第一距离，初始规划路径中包括第一初始规划路径。云侧设备，还用于根据第一距离与第二距离的比值获取第一车辆沿第一初始规划路径行驶的概率，第二距离为第一车辆在预设时长内沿各个初始规划路径行驶的距离之和。云侧设备，具体用于根据第一分布函数、第一偏转角以及第一车辆沿第一初始规划路径行驶的概率，获取第一车辆从第一初始规划路径行驶至第一位置点的概率。
30.可选地，结合上述第十方面，在第二种可能的实施方式中，云侧设备，还用于获取统计数据，统计数据用于指示历史上经过第一车辆所在道路的车辆沿第二初始规划路径行驶的概率，初始规划路径中包括第二初始规划路径。云侧设备，具体用于根据第一分布函数、第一偏转角以及第一车辆沿第二初始规划路径行驶的概率，获取第一车辆从第二行驶轨迹行驶至第一位置点的概率。
31.可选地，结合上述第十方面或第十方面第一种第二种可能的实施方式或第十方面第二种可能的实施方式，在第三种可能的实施方式中，云侧设备，还用于：获取到第一位置点有障碍物的概率超过第一预设阈值时，根据第二分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，第二分布函数根据第一分布函数以及第一预设算法确定。
32.可选地，结合上述第十方面或第十方面第一种第二种可能的实施方式或第十方面第二种可能的实施方式，在第四种可能的实施方式中，云侧设备，还用于：获取到第一位置点有障碍物的概率超过第一预设阈值时，根据第一位置点有障碍物的概率和第一车辆行驶至第一位置点的概率确定第一车辆行驶至第一位置点时停止行驶的概率。
33.可选地，结合上述第十方面或第十方面第一种至第十方面第四种可能的实施方式，在第五种可能的实施方式中，云侧设备，具体用于：获取第一车辆所在道路的车道信息，车道信息用于指示第一车辆的法定行驶方向。根据第一车辆的法定行驶方向获取第一车辆的初始规划路径。
34.可选地，结合上述第十方面或第十方面第一种至第十方面第五种可能的实施方式，在第六种可能的实施方式中，端侧设备还包括提示模块，提示模块，用于自车和第一车
辆同时到达第一位置点的概率大于第二预设阈值时，发送提示消息，提示消息用于在自车上显示第一位置点。
35.对于本技术第二方面至第十方面以及各种可能实现方式的具体实现步骤，以及每种可能实现方式所带来的有益效果，均可以参考第一方面中各种可能的实现方式中的描述，此处不再一一赘述。
36.通过本技术提供的方案，充分考虑它车在驾驶过程中存在的不确定性，实现了对未来一段时间内碰撞发生的对象、位置、概率的实时评估。
附图说明
37.图1为本技术实施例提供的自动驾驶车辆的一种结构示意图；
38.图2-a为本技术提供的一种规划车辆驾驶路径的应用场景示意图；
39.图2-b为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
40.图3为本技术提供的一种规划车辆驾驶路径的方法的流程图；
41.图3-a为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
42.图3-b为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
43.图3-c为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
44.图4为本技术提供的另一种规划车辆驾驶路径的方法的流程图；
45.图4-a为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
46.图4-b为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
47.图4-c为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
48.图5为本技术提供的另一种规划车辆驾驶路径的方法的流程图；
49.图5-a为车辆在行驶过程中存在驾驶过程不确定性的示意图；
50.图5-b为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
51.图5-c为本技术中一种混合高斯分布函数的示意图；
52.图5-d为本技术中通过建立平面二维坐标系将道路环境网格化的示意图；
53.图5-e为根据偏转角和混合高斯分布函数获取不同偏转角度下对应的概率面积的示意图；
54.图5-f为车辆可能从任意方向进入某个位置的示意图；
55.图5-g为车辆可能从任意方向离开某个位置的示意图；
56.图5-h为本技术中一个示例中概率分布的示意图；
57.图6-a为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
58.图6-b为本技术提供的另一种规划车辆驾驶路径的方法的流程图；
59.图6-c为本技术根据第一分布函数确定第二分布函数的示意图；
60.图6-d为按一定映射规律对拒绝率作放大操作的示意图；
61.图6-e为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
62.图7-a为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
63.图7-b为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
64.图7-c为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
65.图7-d为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
66.图7-e为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
67.图7-f为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
68.图8-a为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
69.图8-b为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
70.图8-c为本技术提供的涉及概率剪枝截断的方案的示意图；
71.图8-d为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
72.图8-e为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
73.图8-f为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
74.图8-g为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
75.图8-h为本技术提供的另一种规划车辆驾驶路径的应用场景示意图；
76.图8-i为本技术提供的一个示例中偏转角和概率对应关系示意图；
77.图8-j为本技术提供的一个示例中偏转角和概率对应关系示意图；
78.图9为本技术提供的一种规划车辆驾驶路径的流程示意图；
79.图10为本技术实施例提供的另一种规划车辆驾驶路径的应用场景示意图；
80.图11为本技术实施例提供的规划车辆驾驶路径的装置的一种结构示意图；
81.图12为本技术实施例提供的自动驾驶车辆的一种结构示意图；
82.图13为本技术实施例提供的芯片的一种结构示意图。
具体实施方式
83.本技术实施例提供了一种规划车辆驾驶路径的方法以及相关设备，本技术提供的方案在预测动态障碍物的行驶轨迹时，考虑到了动态障碍物在运动过程的不确定性。通过本技术提供的方案，可以预测出更符合实际情况的动态障碍物的行驶轨迹，此外，自车结合自身的规划路径可以评估出自车感知范围内与动态障碍物发送碰撞的位置，时间以及概率。
84.本技术的说明书和权利要求书及上述附图中的术语“第一”、第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本技术的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
85.下面结合附图，对本技术的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
86.为了便于理解本方案，本技术实施例中首先结合图1对自动驾驶车辆的结构进行介绍，请先参阅图1，图1为本技术实施例提供的自动驾驶车辆的一种结构示意图，自动驾驶车辆100配置为完全或部分地自动驾驶模式，例如，自动驾驶车辆100可以在处于自动驾驶模式中的同时控制自身，并且可通过人为操作来确定车辆及其周边环境的当前状态，确定周边环境中的至少一个其他车辆的可能行为。在本技术中，可通过本技术提供的方案确定周边环境中的至少一个其他车辆的可能行为，比如预测其他车辆在一段时间内可能行驶的轨迹，并且根据预测的结果来控制自动驾驶车辆100。在自动驾驶车辆100处于自动驾驶模
式中时，也可以将自动驾驶车辆100置为在没有和人交互的情况下操作。
87.自动驾驶车辆100可包括各种子系统，例如行进系统102、传感器系统104、控制系统106、一个或多个外围设备108以及电源110、计算机系统112和用户接口116。可选地，自动驾驶车辆100可包括更多或更少的子系统，并且每个子系统可包括多个部件。另外，自动驾驶车辆100的每个子系统和部件可以通过有线或者无线互连。
88.行进系统102可包括为自动驾驶车辆100提供动力运动的组件。在一个实施例中，行进系统102可包括引擎118、能量源119、传动装置120和车轮121。
89.其中，引擎118可以是内燃引擎、电动机、空气压缩引擎或其他类型的引擎组合，例如，汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎118将能量源119转换成机械能量。能量源119的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源119也可以为自动驾驶车辆100的其他系统提供能量。传动装置120可以将来自引擎118的机械动力传送到车轮121。传动装置120可包括变速箱、差速器和驱动轴。在一个实施例中，传动装置120还可以包括其他器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮121的一个或多个轴。
90.传感器系统104可包括感测关于自动驾驶车辆100周边的环境的信息的若干个传感器。例如，传感器系统104可包括全球定位系统122(定位系统可以是全球定位gps系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，imu)124、雷达126、激光测距仪128以及相机130。传感器系统104还可包括被监视自动驾驶车辆 100的内部系统的传感器(例如，车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是自主自动驾驶车辆100的安全操作的关键功能。
91.其中，定位系统122可用于估计自动驾驶车辆100的地理位置。imu 124用于基于惯性加速度来感知自动驾驶车辆100的位置和朝向变化。在一个实施例中，imu 124可以是加速度计和陀螺仪的组合。雷达126可利用无线电信号来感知自动驾驶车辆100的周边环境内的物体，具体可以表现为毫米波雷达或激光雷达。在一些实施例中，除了感知物体以外，雷达126还可用于感知物体的速度和/或前进方向。激光测距仪128可利用激光来感知自动驾驶车辆100所位于的环境中的物体。在一些实施例中，激光测距仪128可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。相机130可用于捕捉自动驾驶车辆100的周边环境的多个图像。相机130可以是静态相机或视频相机。
92.控制系统106为控制自动驾驶车辆100及其组件的操作。控制系统106可包括各种部件，其中包括转向系统132、油门134、制动单元136、计算机视觉系统140、线路控制系统142以及障碍避免系统144。
93.其中，转向系统132可操作来调整自动驾驶车辆100的前进方向。例如在一个实施例中可以为方向盘系统。油门134用于控制引擎118的操作速度并进而控制自动驾驶车辆100 的速度。制动单元136用于控制自动驾驶车辆100减速。制动单元136可使用摩擦力来减慢车轮121。在其他实施例中，制动单元136可将车轮121的动能转换为电流。制动单元 136也可采取其他形式来减慢车轮121转速从而控制自动驾驶车辆100的速度。计算机视觉系统140可以操作来处理和分析由相机130捕捉的图像以便识别自动驾驶车辆100周边环境中的
物体和/或特征。所述物体和/或特征可包括交通信号、道路边界和障碍体。计算机视觉系统140可使用物体识别算法、运动中恢复结构(structure from motion，sfm)算法、视频跟踪和其他计算机视觉技术。在一些实施例中，计算机视觉系统140可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。线路控制系统142用于确定自动驾驶车辆100的行驶路线以及行驶速度。在一些实施例中，线路控制系统142可以包括横向规划模块1421和纵向规划模块1422，横向规划模块1421和纵向规划模块1422分别用于结合来自障碍避免系统144、gps 122和一个或多个预定地图的数据为自动驾驶车辆100确定行驶路线和行驶速度。障碍避免系统144用于识别、评估和避免或者以其他方式越过自动驾驶车辆100的环境中的障碍体，前述障碍体具体可以表现为实际障碍体和可能与自动驾驶车辆100发生碰撞的虚拟移动体。在一个实例中，控制系统106可以增加或替换地包括除了所示出和描述的那些以外的组件。或者也可以减少一部分上述示出的组件。
94.自动驾驶车辆100通过外围设备108与外部传感器、其他车辆、其他计算机系统或用户之间进行交互。外围设备108可包括无线通信系统146、车载电脑148、麦克风150和/ 或扬声器152。在一些实施例中，外围设备108为自动驾驶车辆100的用户提供与用户接口116交互的手段。例如，车载电脑148可向自动驾驶车辆100的用户提供信息。用户接口116还可操作车载电脑148来接收用户的输入。车载电脑148可以通过触摸屏进行操作。在其他情况中，外围设备108可提供用于自动驾驶车辆100与位于车内的其它设备通信的手段。例如，麦克风150可从自动驾驶车辆100的用户接收音频(例如，语音命令或其他音频输入)。类似地，扬声器152可向自动驾驶车辆100的用户输出音频。无线通信系统 146可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统146 可使用3g蜂窝通信，例如例如码分多址(code division multipleaccess，cdma)、evd0、全球移动通信系统(global system for mobile communications，gsm)，通用分组无线服务技术 (general packet radio service，gprs)，或者4g蜂窝通信，例如长期演进(long term evolution， lte)或者5g蜂窝通信。无线通信系统146可利用无线局域网(wireless localarea network， wlan)通信。在一些实施例中，无线通信系统146可利用红外链路、蓝牙或zigbee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统146可包括一个或多个专用短程通信(dedicated short range communications，dsrc)设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
95.电源110可向自动驾驶车辆100的各种组件提供电力。在一个实施例中，电源110可以为可再充电锂离子或铅酸电池。这种电池的一个或多个电池组可被配置为电源为自动驾驶车辆100的各种组件提供电力。在一些实施例中，电源110和能量源119可一起实现，例如一些全电动车中那样。
96.自动驾驶车辆100的部分或所有功能受计算机系统112控制。计算机系统112可包括至少一个处理器113，处理器113执行存储在例如存储器114这样的非暂态计算机可读介质中的指令115。计算机系统112还可以是采用分布式方式控制自动驾驶车辆100的个体组件或子系统的多个计算设备。处理器113可以是任何常规的处理器，诸如商业可获得的中央处理器(central processing unit，cpu)。可选地，处理器113可以是诸如专用集成电路(application specific integrated circuit，asic)或其它基于硬件的处理器的专用设备。尽管图1功能性地图示了处理器、存储器、和在相同块中的计算机系统112的其它部件，
但是本领域的普通技术人员应该理解该处理器、或存储器实际上可以包括不存储在相同的物理外壳内的多个处理器、或存储器。例如，存储器114可以是硬盘驱动器或位于不同于计算机系统112的外壳内的其它存储介质。因此，对处理器113或存储器114的引用将被理解为包括可以并行操作或者可以不并行操作的处理器或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，所述处理器只执行与特定于组件的功能相关的计算。在此处所描述的各个方面中，处理器113可以位于远离自动驾驶车辆100并且与自动驾驶车辆100进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于自动驾驶车辆100内的处理器113上执行而其它则由远程处理器113执行，包括采取执行单一操纵的必要步骤。在一些实施例中，存储器114可包含指令115(例如，程序逻辑)，指令115可被处理器113 执行来执行自动驾驶车辆100的各种功能，包括以上描述的那些功能。存储器114也可包含额外的指令，包括向行进系统102、传感器系统104、控制系统106和外围设备108中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。例如，以向右换道为例，则对于人工驾驶员需要进行以下操作：第一步：考虑安全因素和交规因素，决定换道的时机；第二步：规划出一条行驶轨迹；第三步：控制油门、刹车和方向盘，让车辆沿着预定轨迹行驶。上述操作对应于自动驾驶车辆，可以分别由自动驾驶车辆的行为规划器(behavior planner，bp)，运动规划器(motion planner，mop)和运动控制器(control)执行。其中，bp负责下发高层决策，mop负责规划预期轨迹和速度，control负责操作油门刹车方向盘，让自动驾驶车辆根据目标轨迹并达到目标速度。应理解，行为规划器、运动规划器和运动控制器执行的相关操作可以是如图1所示的处理器113执行存储器114中的指令115，该指令115可以用于指示线路控制系统142。本技术实施例有时也将行为规划器，运动规划器以及运动控制器统称为规控模块。
97.除了指令115以外，存储器114还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在自动驾驶车辆100 在自主、半自主和/或手动模式中操作期间被自动驾驶车辆100和计算机系统112使用。用户接口116，用于向自动驾驶车辆100的用户提供信息或从其接收信息。可选地，用户接口116可包括在外围设备108的集合内的一个或多个输入/输出设备，例如无线通信系统 146、车载电脑148、麦克风150和扬声器152。
98.计算机系统112可基于从各种子系统(例如，行进系统102、传感器系统104和控制系统106)以及从用户接口116接收的输入来控制自动驾驶车辆100的功能。例如，计算机系统112可利用来自控制系统106的输入以便控制转向系统132来避免由传感器系统104 和障碍避免系统144检测到的障碍体。在一些实施例中，计算机系统112可操作来对自动驾驶车辆100及其子系统的许多方面提供控制。
99.可选地，上述这些组件中的一个或多个可与自动驾驶车辆100分开安装或关联。例如，存储器114可以部分或完全地与自动驾驶车辆100分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
100.可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图1不应理解为对本技术实施例的限制。在道路行进的自动驾驶车辆，如上面的自动驾驶车辆100，可以识别其周围环境内的物体以确定对当前速度的调整。所述物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立
地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶车辆所要调整的速度。
101.可选地，自动驾驶车辆100或者与自动驾驶车辆100相关联的计算设备如图1的计算机系统112、计算机视觉系统140、存储器114可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰、等等)来预测所识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。自动驾驶车辆100能够基于预测的所识别的物体的行为来调整它的速度。换句话说，自动驾驶车辆100能够基于所预测的物体的行为来确定车辆将需要调整到(例如，加速、减速、或者停止)什么稳定状态。在这个过程中，也可以考虑其它因素来确定自动驾驶车辆100的速度，诸如，自动驾驶车辆100在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。除了提供调整自动驾驶车辆的速度的指令之外，计算设备还可以提供修改自动驾驶车辆100的转向角的指令，以使得自动驾驶车辆100遵循给定的轨迹和/或维持与自动驾驶车辆100附近的物体(例如，道路上的相邻车道中的轿车)的安全横向和纵向距离。
102.上述自动驾驶车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车和火车等，本技术实施例不做特别的限定。
103.结合上述描述，本技术实施例提供了一种规划车辆驾驶路径的方法，本技术提供的方案可应用于图1中示出的自动驾驶车辆100中。为了更好的理解本技术提供的一种规划车辆驾驶路径的方法，下面先对本技术提供的方案的研究思路进行介绍。需要说明的是，本技术有时也将轨迹称为路线或者路径，在本技术中，他们表示相同的意思。
104.上文在介绍自动驾驶车辆100时介绍到，自车可以预测其他车辆在一段时间内可能的行驶轨迹，并根据预测的结果来控制自动驾驶车辆，比如可以根据预测结果来调整自动驾驶车辆的规划路径。申请人发现已有的预测其他车辆行驶轨迹的方案并不理想，至少存在以下几个问题：
105.1、在预测它车一段时间内的行驶轨迹时，只能假定它车在这一段时间内的行驶意图确定不变，没有考虑行驶过程中它车变更行驶轨迹的情况。比如，在一段时间内，它车改变了行驶的目的地，它车的行驶意图可能由直行变更为左转，或者由左转变更为直行，等等。
106.2、在预测它车在一段时间内的行驶轨迹时，没有考虑特殊因素导致的行驶轨迹变更的情况。比如，假定它车的行驶意图是直行，但是在行驶过程中由于驾驶员的水平不足，使它车没有沿直线行驶，等等。
107.3、在预测它车一段时间内的行驶轨迹时，没有考虑到这一段时间内，可能有障碍物对它车行驶轨迹的影响。比如，它车在行驶过程中，可能为了躲避障碍物更改变行驶轨迹，或者它车在行驶过程中，为了躲避障碍物而停止行驶，等等。
108.综上，想要准确预测它车的行驶轨迹往往非常困难，因为车辆的行驶轨迹受多方面因素的影响，并且这些因素自动驾驶车辆很难完全感知。目前预测其他车辆行驶轨迹的方案没有考虑这些不确定因素，预测的结果包含的信息量不够丰富，无法为自车规划自车的行驶路径提供更多参考信息，辅助自车预测出更符合当前驾驶环境的行驶路径，避免碰
撞的发生。
109.为了解决这些问题，本技术实施例提供一种规划车辆驾驶路径的方法，充分考虑它车在驾驶过程中存在的不确定性，实现了对未来一段时间内碰撞发生的对象、位置、概率的实时评估。本技术将它车在驾驶过程中的不确定性概括为以下四个方面：一、受驾驶员驾驶意图的影响。例如，假设最内侧车道既能直行又能左转和调头，则驾驶员的真实意图将决定车辆未来一段时间内的轨迹到底是直线还是曲线。二、受驾驶员感知、判断、操控能力的不足及车辆动力系统、控制系统等精度有限的影响，车辆的实际行驶过程往往无法与用户意图完全一致，而是存在一定的随机偏移。例如，驾驶员原本想要控制车辆直行，但在某一时刻由于注意力不集中，可能会导致车辆出现相对车道中线一定程度的左偏或右偏。又例如，由于驾驶员及车辆控制系统精度有限，即使驾驶员小心驾驶也无法保证车辆的轨迹呈绝对直线，而是在理想直线的上下波动。三、受交通环境影响，主要是障碍物对车辆已规划行车路线的阻碍，将迫使车辆临时变更行车路线。例如，原本预计直行的车辆由于车道上有障碍物阻挡，不得不变更驾驶策略，从障碍物的上方、下方绕行，或者在原地停等一段时间待障碍物离开后继续直行，此时，车辆将有三条可能的行驶轨迹。四、车辆所在车道的法定行驶方向及道路的几何特征。例如，直行车道上的车辆在未来一段时间内极有可能保持直行，因而它的行驶轨迹也极有可能是直线；左转车道上的车辆左转概率较大，因而它的轨迹也更有可能是左转的平滑圆弧形。对于弯曲形状的道路，如山路转弯处或高速公路圆形匝道，车辆的行驶轨迹则几乎等同于道路的几何形状。
110.需要说明的是，以上四个方面是决定车辆行驶轨迹的主要因素但并非全部因素。例如，驾驶员酒后驾车、车辆失控等都有可能导致车辆轨迹混乱无序，本技术提供的方案不涉及这些特殊情况。此外，影响车辆轨迹的四个因素中，车道的法定行驶方向及道路几何特征几乎是确定不变的，可以通过地图、高精地图、网络或车载感知获取相关信息。其余三个因素则随时间及环境变化存在较大的不确定性，是它车轨迹预测问题的重点和难点，也是碰撞风险评估问题的重点和难点。本技术将这三个因素归纳为驾驶意图不确定性，驾驶过程不确定性以及障碍物入侵不确定性，以下分别进行说明。
111.一、驾驶意图不确定性
112.目前自动驾驶车辆无法准确感知它车驾驶员的驾驶意图，因此它车的驾驶意图对自车而言具有不确定性。如图2-a所示，以十字路口的场景为例进行说明，当它车行驶的车道同时允许调头、左转、直行时，它车的驾驶意图相对于自车有强烈的不确定性。一般情况下，这种不确定性会随着车辆的行驶不断减小。例如，当车辆位于路口时左转、直行、调头的可能性都存在，当车辆沿左转线路行驶一半时可判断该车左转的可能性较大，当车辆左转完成进入另一方向车道时此次驾驶的不确定性完全消失。通常，驾驶员的驾驶意图在一次驾驶过程中不会改变，但在少数特殊情况下，也可能出现驾驶意图变更。如图2-b所示，由于驾驶员对道路环境不熟悉或对道路标识的误读，有可能在直行线路上行驶一段时间后突然切换到左转道上。为了能够在预测它车行驶轨迹的时候考虑到它车驾驶意图的不确定性，本技术实施例计算它车行驶至多条初始规划路径中的每一条初始规划路径的概率，其中，多条初始规划路径是通过它车所在路面的车道线信息确定的。此外需要说明的，本技术中的它车可以理解为车辆以及其他动态障碍物，比如动态障碍物还可以包括行人，为了简化描述，本技术统一称之为它车，或者第一车辆。以下介绍三种考虑驾驶意图不确定性预测它
车行驶轨迹的方式：分别是根据历史数据预测驾驶意图，根据第一距离预测驾驶意图，以及每隔预设时长预测自车感知范围内的车辆的行驶轨迹。
113.1.1根据历史数据预测驾驶意图
114.参阅图3，为本技术实施例提供的一种规划车辆驾驶路径的方法，可以包括以下步骤：
115.301、获取第一车辆的初始规划路径。
116.第一车辆为自车感知范围内的车辆。本技术有时也将第一车辆称为它车。
117.在一个可能的实施方式中，可以根据它车所在路面的车道信息确定它车在第一预设时长内有一条或者多条初始规划路径。
118.车道信息可以包括它车所在车道的法定行驶方向及道路的几何特征。其中，法定行驶方向可以理解它车当前所在车道允许的行驶方向。参阅图3-a，假设自车获取到它车当前所在的车道的法定行驶方向为左转，掉头以及直行，则自车有极大的可能性会驶入第一车道，第二车道，以及第三车道其中一个车道。上文已经介绍到直行车道上的车辆在未来一段时间内极有可能保持直行，因而它的行驶轨迹也极有可能是直线；左转车道上的车辆左转概率较大，因而它的轨迹也更有可能是左转的平滑圆弧形。对于弯曲形状的道路，如山路转弯处或高速公路圆形匝道，车辆的行驶轨迹则几乎等同于道路的几何形状。自车可以通过地图、高精地图、网络或车载感知获取它车所在路面的车道信息。
119.其次，为了保证预测它车行驶轨迹的实时性，自车可以每隔预设时长预测自车感知范围内的车辆的行驶轨迹，并且每次只预测它车在第一预设时长内的行驶轨迹，在保障预测它车行驶轨迹的实时性的基础上，减少自车需要计算的数据量。
120.此外，初始规划路径是自车根据它车的运动信息，它车的速度信息，以及它车所在的路面的车道线信息获取的。在计算它车的初始规划路径时，暂不考虑驾驶意图的不确定性，驾驶过程的不确定性以及障碍物入侵的不确定性。示例性的，下面结合一个具体的例子，对如何确定它车的初始规划路径进行说明。
121.上文介绍到自车可以感知自车周边环境的物体，具体可以表现为通过传感器系统104 感知自车周边环境的物体。此外，自车可以通过地图，高精地图或者网络获取自车当前所在的环境信息，比如环境信息可以包括详细道路模型，包括车道模型、道路部件、道路属性等等。假设自车通过传感器系统以及高精地图获取到的周边环境对应的模型的模拟图如图3-a，下面结合图3-a对如何确定它车的初始规划路径进行说明。
122.参阅图3-a，假设自车获取到它车当前所在的车道的法定行驶方向为左转，掉头以及直行，则可以认为它车驶入第一车道的最优行驶轨迹为一条初始规划路径，它车驶入第二车道的最优行驶路径为第二条初始行驶路径，它车驶入第三车道的最优行驶路径为第三条初始行驶路径。
123.为了便于自车计算，可以通过坐标系对周边环境进行描述，周边环境的每一个位置分别对应坐标系中的一个坐标点，本技术实施例对采用坐标系的种类并不进行限定，比如平面直角坐标系(笛卡尔坐标系)，平面极坐标系，柱坐标系等等均可以。为了便于说明，本技术中以直角坐标系为例进行说明。由于它车有极大可能性驶入第一车道，第二车道，以及第三车道的其中一个车道，则可以在第一车道至第三车道中的每一个车道对应的区域分别选取一个目标点，比如参阅图3-a，在第一车道对应的区域选择a点，在第二车道对应的区
域选择b点，在第三车道对应的区域选择c点，其中，a点至c点的位置信息可以通过坐标系中的坐标点表示。车辆当前的位置信息也可以通过坐标点表示，自车可以根据预先规定的条件为它车规划出一条从当前位置驶入目标点的最优路径，其中预先规定的条件可以理解为约束条件，最优路径可以理解为满足约束条件的同时，从当前位置驶入目标位置的最短路径。本技术有时也将目标位置称为目标点，比如第一目标位置和第一目标点表示相同的意思。关于自车如何根据约束条件为它车规划从一个位置驶入另一个位置的最优路径为现有技术，现有技术中可以采用的手段，本技术实施例均可以采用，本技术实施例对此并不进行限定。示例性的，下面给出几个可能的约束条件：
124.路径约束是指对车辆运动行为产生限制的约束条件。如车辆前轮偏转允许的最大值φ
max
，车辆安全通过路口所允许的行驶最大速度v
max
，为保证乘客舒适性对加速度、前轮转角速度的限制a
max
和ω
max
。其中t0，tf分别为运动的起始及终止时刻，t0已知，但tf未固定，v(t)，a(t)，ω(t)分别代表沿车体纵轴方向的速度，加速度以及加速度，以车辆前进方向为正方向；φ(t)为车辆前轮偏转角，这些约束用不等式表示如下：
125.|φ(t)|≤φ
max
，
126.|v(t)|≤v
max
，
127.|a(t)|≤a
max
，
128.|ω(t)|≤ω
max
，t∈[t0，tf]
[0129]
此外，车辆在行驶过程中要避开车道上的静态障碍物(比如路中心的交通岗亭，转盘路口的花坛，道路维修被占用的路面等)。可以根据障碍物的类型不同，将静态障碍物看做一个圆形或者一个矩形，通过圆形或者矩形的中心点对应的坐标点表示静态障碍物，对于障碍物所在的区域车辆不可行，应当将这部分区域对应的坐标点排除，以通过单个圆形表示一个障碍物为例进行说明，设障碍物i的中心位置为(p
x
(i)，py(i))，半径为ri。实施约束时，车辆也视作一个单圆，中心位置为(p
x
(t)，py(t))，半径为r。此时约束条件为 (p
x
(t)-p
x
(i))2+(py(t)-py(i))2≥(r+ri)2。
[0130]
此外，上文提到在第一车道至第三车道中的每一个车道对应的区域分别选取一个目标点，自车可以根据预先规定的条件为它车规划出一条从当前位置驶入目标点的最优路径。在一个可能的实施方式中，也可以选定一个目标区域，为它车规划从当前位置驶入目标区域的最优路径，如图3-b所示，当车辆调头时行驶的终止位置必须位于第一区域内，当车辆左转时行驶的终止位置必须位于第二区域内，当车辆直行时，车辆必须位于第三区域内。这类约束可用下列不等式值表示，其中pxf表示路径的终点的横坐标，pyf表示路径的终点的纵坐标，rw表示车道的宽度，r表示将车视为一个单圆模型，单圆模型的半径。θ(f)为路径的终点处车辆在坐标系中的姿态角。
[0131]
p
xf
≤-rw-r，p
yf
≥r，target∈第一区域
[0132]
p
xf
≥r，p
yf
≥rw+r，target∈第二区域
[0133]
p
xf
≥rw+r，target∈第三区域
[0134][0135]
在图3-a所示的场景中，它车在第一预设时长内可能已经驶离十字路口，进入了第一车道至第三车道中的任意一个车道，也可能它车在第一预设时长内还没有驶离十字路口，这些并不影响计算它车的初始规划路径。比如，它车从当前位置驶入第三车道的完整最优行驶路径为曲线1，则它车从当前位置行驶至第三车道的过程中对应的最优行驶路径为曲线1的一部分曲线。
[0136]
302、根据自车预先获取的统计数据预测第一车辆行驶至初始规划路径的概率。
[0137]
初始规划路径可能包括多个，可以根据自车预先获取的统计数据预测第一车辆行驶至多条初始规划路径中的各个初始规划路径上的各个概率。
[0138]
统计数据用于指示历史上经过路面的车辆行驶至每一条初始规划路径上的概率。
[0139]
下面结合图3-c进行解释说明，当自车经过该路段时，自车可以向云服务器发送请求，云服务器响应于自车发送的请求消息，向自车发送目标路段的统计数据，比如该统计数据用于指示历史上经过它车当前所在车道的其他车辆的行驶方向，以及对应的行驶方向的统计概率，比如统计数据指示了在过去一周的时间内，经过它车所在车道的车辆一共有10000 辆，其中60％的车辆在该车道直行行驶，20％的车辆在该车道掉头行驶至第一车道，20％的车辆在该车道左转行驶。假设通过步骤301确定了它车的初始规划路径为初始规划路径 1，初始规划路径2以及初始规划路径3，其中初始规划路径1对应它车从当前位置驶入第一车道，初始规划路径2对应它车从当前位置驶入第二车道，初始规划路径3对应它车从当前位置驶入第三车道，则根据统计数据，它车行驶至初始规划路径1上对应的概率为20％，它车行驶至初始规划路径2上对应的概率为20％，它车行驶至初始规划路径3上对应的概率为60％。
[0140]
假设为它车规划了k条初始规划路径，假设统计数据统计了n辆车，沿初始规划路径i行驶的车辆数量为ni，则可为行驶至初始规划路径i分配第一概率同时有
[0141]
图3对应的实施例描述的方案，在预测它车的行驶轨迹中考虑了它车行驶至每一条初始规划路径的概率，为自车规划自车的行驶路径提供更多的参考信息，辅助自车预测出更符合当前驾驶环境的行驶路径，比如自车可以更多关注概率更大的初始规划路径，避免碰撞的发生。
[0142]
图3对应的实施例具体的给出一种通过统计数据确定它车行驶至多条初始规划路径中的每一条初始规划路径上的概率。然而在通常情况下，通过统计数据确定它车行驶至多条初始规划路径中的每一条初始规划路径上的概率并不够精确，并且可能需要投入大量的人力和物力来获取这些统计数据。本技术还提供一种根据第一距离预测驾驶意图的方式，下面对此进行说明。
[0143]
1.2根据第一距离预测驾驶意图
[0144]
参阅图4，为本技术实施例提供的另一种规划车辆驾驶路径的方法，可以包括以下步骤：
[0145]
401、获取第一车辆的初始规划路径。
[0146]
步骤401可以参照图3对应的实施例中的301进行理解，此处不再重复赘述。
[0147]
402、根据第一距离预测第一车辆行驶至初始规划路径上的第一概率。
[0148]
初始规划路径可能包括多个，则根据第一距离预测第一车辆行驶至多条初始规划路径中的每一条初始规划路径上的第一概率。
[0149]
第一距离是自车根据第一信息预测的第一车辆在第二预设时长内在每一条初始规划路径上行驶的距离，第二预设时长小于第一预设时长。
[0150]
上文介绍到一般情况下，驾驶意图的不确定性会随着车辆的行驶不断减小。例如，当车辆位于路口时左转、直行、调头的可能性都存在，当车辆沿左转线路行驶一半时可判断该车左转的可能性较大，当车辆左转完成进入另一方向车道时此次驾驶的不确定性完全消失。图4对应的实施例利用这种思路根据第一距离预测它车行驶至每一条初始规划路径上的概率。
[0151]
下面结合图4-a进行说明，假设通过步骤401确定了它车的初始规划路径为初始规划路径1，初始规划路径2，以及初始规划路径3，其中初始规划路径1对应它车从当前位置驶入第一车道，初始规划路径2对应它车从当前位置驶入第二车道，初始规划路径3对应它车从当前位置驶入第三车道。并且，假设第二预设时长内，预测它车可能沿初始规划路径1行驶至s1点，沿初始行驶估计2行驶至s2点，沿初始规划路径3行驶至s2点。
[0152]
下面以预测它车从当前位置行驶至s1点的过程为例进行说明，预测它车从当前位置驶入s1的过程可以认为它车沿初始规划路径1行驶了第一距离l，它车沿初始规划路径2 行驶了0长度的距离，它车沿初始规划路径3行驶了0长度的距离，则它车行驶至每一条初始规划路径上的概率可以通过如下公式表示：
[0153][0154]
上述公式容易出现概率为0的极端情况，这与现实情况不符。因为即使车辆位于s1，仍有一定的概率左拐进入第二车道，直行进入第三车道，只不过这些概率要小于掉头驶入第一车道。因此，基于拉普拉斯平滑思想对上述公式进行调整，以避免概率为0或概率为 1的情况，调整后的公式如下所示：
[0155][0156]
其中，j代表非0的正数，可以将该公式可推广到一般情况，假设为它车规划了k条初始规划路径，预测第二预设时长内沿初始规划路径i行驶的距离为第一距离li，则对未来一段时间内，可为行驶至初始规划路径i分配第一概率为：
[0157]
为了更好的理解方案，下面以预测它车从当前位置行驶至s2点的过程为例再次进行说明，预测它车从当前位置驶入s2的过程可以认为它车沿初始规划路径1行驶了0长度的距离，它车沿初始规划路径2行驶了第一距离l，沿初始规划路径3行驶了第一距离l，则它车行驶至每一条初始规划路径上的概率可以通过如下公式表示：
[0158][0159]
由于自车预测了它车在第一预设时长内的可能行驶的多条初始规划路径，自车可以在第一预测时长内，每隔第二预设时长确定它车行驶至每一条初始规划路径上的概率，以更好的预测它车在第一预设时长内的可能的多种行驶轨迹。
[0160]
上文介绍到为了保证预测它车行驶轨迹的实时性，自车可以每隔预设时长预测自车感知范围内的车辆的行驶轨迹，并且每次只预测它车在第一预设时长内的行驶轨迹，在保障预测它车行驶轨迹的实时性的基础上，减少自车需要计算的数据量。自车感知范围内的车辆可能随时发生变化，比如自车第一次预测自车感知范围内的车辆行驶轨迹时，它车1在自车的感知范围内，自车第二次预测自车感知范围内的车辆行驶轨迹时，它车1可能不在自车的感知范围内，可能在自车第二次预测自车感知范围内的车辆行驶轨迹时，它车2第一次出现在自车的感知范围内。在比如，自车第一次预测自车感知范围内的车辆行驶轨迹时，它车1在自车的感知范围内，自车为它车1规划了k条初始规划路径，自车第二次预测自车感知范围内的车辆行驶轨迹时，它车1没有按照初始规划路径行驶，而是驶入了未规划的位置，则自车可以根据第一次预测的它车1的初始规划路径调整第二次预测的它车 1的行驶轨迹，以下对自车每隔预设时长预测自车感知范围内的车辆的行驶轨迹进行解释说明。
[0161]
1.3每隔预设时长预测自车感知范围内的车辆的行驶轨迹
[0162]
假设自车第一次预测自车感知范围内的车辆的行驶轨迹时，自车的感知范围如图4-a 所示，自车的感知范围内包括它车1，自车预测它车1的初始规划路径，并计算它车1行驶至每一条初始规划路径上的概率。假设自车第二次预测自车感知范围内的车辆的行驶轨迹时，自车的感知范围如图4-b所示，自车的感知范围内仍然包括它车1，此外，自车的感知范围内还增加了它车2。
[0163]
则对于新增加的它车2，自车根据它车2所在路面的车道信息确定它车2在第一预设时长内的初始规划路径，如果有多条初始规划路径，则自车确定它车2在第一预设时长内行驶至多条初始规划路径中的每一条行驶轨迹上的概率，关于如何预测它车2的初始形式轨迹，以及确定它车2在第一预设时长内行驶至多条初始规划路径中的每一条行驶轨迹上的概率可以参照图3以及图4对应的实施例进行理解，这里不再重复赘述。
[0164]
对于它车1，在自车第一次预测自车感知范围内的车辆的行驶轨迹时，预测它车1有 3条初始规划路径，分别是初始规划路径1，初始规划路径2以及初始规划路径3，在自车第二次预测自车感知范围内的车辆的行驶轨迹时，车辆位于s2时，按规划的预期路径下一时刻应到达初始规划路径2上的某一点，或者初始规划路径3上的某一点。但由于某些原因，如驾驶员注意力不集中或初始规划路径2或者初始规划路径3上有障碍物等，车辆下一时刻实际驶入了s3。而从s2到s3的这段距离不属于初始规划路径1至初始规划路径 3中的任何一条路径，为了保证计算的平滑性，本文规定这种情况下将d加入到所有li中并在下一时刻重新对车辆的初始规划路径进行规划，参阅图4-b，曲线a，曲线b以及曲线 c表示车辆未按照初始规划路径行驶时，自车根据它车新增加的行驶距离对初始行驶行驶1 至3进行更新计算，以得到更新后的初始规划路径。可以通过如下公式表示：
[0165]
[0166]
此外，对于它车1而言，如果在自车第二次预测自车感知范围内的车辆的行驶轨迹时，第一次预测确定的它车1的初始规划路径已经消失的话，则第二次预测自车感知范围内的它车1的初始规划路径时，对于消失路径的概率不再进行计算，参阅图4-c，当车辆行驶至s3点时，初始规划路径1已经完全不可见(不在它车1的感知范围内)，则自车不再对初始轨迹1相关的数据进行后续的计算。此外，假设在一些特殊场景下，它车行驶至s3 点时，它车1所在的路面允许车辆右拐了，则它车还有可能右拐，新增的初始规划路径由过去一段时间内车辆的行驶距离计算得到。假设t代表第一次预测时它车1的位置与第二次预测时它车1的位置之间的距离，则有它车1驶入新增加的路径的概率为
[0167]
以上对基于驾驶意图不确定性，预测它车的初始规划路径进行了说明，在一些路况比较简单的场景下，比如在高速公路的场景下，可以认为初始规划路径就是最终预测的它车的行驶轨迹。基于驾驶意图的不确定性预测它车初始规划路径时，确定它车行驶至每一条初始规划路径上的概率，且每隔预设时长预测自车感知范围内的车辆的行驶轨迹，为自车规划自车的行驶路径提供更多的参考信息，辅助自车预测出更符合当前驾驶环境的行驶路径。
[0168]
此外，为了能够更好的预测它车的行驶轨迹，在预测它车的行驶轨迹时，还可以考虑它车行驶过程中的更多不确定性因素，比如可以考虑驾驶过程的不确定性，以下对如何在预测它车行驶轨迹时，考虑它车驾驶过程不确定的方案进行说明。
[0169]
二、驾驶过程不确定性
[0170]
由于人的感知力、注意力、操作力等能力无法像计算机一样精确且车辆的动力系统、控制系统也无法实现对车辆绝对精准的控制，因此车辆轨迹在车辆驾驶过程中始终存在一定的不确定性。这类不确定性在一程度上受外界环境的干扰，如与驾驶员交谈会分散其注意力、疲劳驾驶会降低驾驶员的驾驶能力等，但总体上，这类不确定性的来源主要是驾驶员及车辆本身。这类不确定性的另一个特点是只在车辆运动行驶时出现，当车辆静止时会自然消失。(驾驶意图不确定性在车辆静止时依然存在，例如在等红绿灯的车辆，仍有可能左转、调头或者直行)。本技术将这类不确定性称之为驾驶过程的不确定性。驾驶过程不确定性主要包括两类且各自具有不同特点：第一类主要由驾驶员或车辆能力不足造成，这类不确定性是客观存在、无法避免的。但这类不确定性往往较小且在驾驶意图真实值附近随机发生；第二类主要由驾驶员注意力不集中导致，这类不确定性有可能累积放大，甚至最终迫使驾驶员改变驾驶意图。例如车辆原本想要直行，由于驾驶员失误使得车辆持续出现左偏并最终驶入左转车道，此时受交通规则约束驾驶员不得不临时改变驾驶意图为左转。以下方案主要针对第一类由驾驶员或车辆能力不足造成的驾驶过程的不确定性。
[0171]
需要说明的是，在考虑驾驶过程的不确定性预测它车的行驶轨迹时，可以不考虑驾驶意图的不确定性，也可以同时考虑驾驶意图的不确定性，以下将会针对这两种情况分别进行说明。
[0172]
2.1基于驾驶意图的不确定性和驾驶过程的不确定性预测它车的行驶轨迹
[0173]
参阅图5，为本技术实施例提供的一种规划车辆驾驶路径的方法，可以包括以下步骤：
[0174]
501、获取第一车辆的初始规划路径。
[0175]
步骤501可以参照图3对应的实施例中的步骤301进行理解，此处不再重复赘述。
[0176]
502、获取第一车辆行驶至初始规划路径上的第一概率。
[0177]
初始规划路径可能包括多个，则自车可以预测第一车辆行驶至多条初始规划路径中的每一条初始规划路径上的第一概率。
[0178]
步骤502可以包括至少两种方式，其中一种方式为根据自车预先获取的统计数据预测第一车辆行驶至多条初始规划路径中的每一条初始规划路径上的第一概率。第二种方式为根据第一距离预测第一车辆行驶至多条初始规划路径中的每一条初始规划路径上的第一概率。步骤502可以参照图3对应的实施例中的步骤302以及图4对应的实施例中的步骤 402进行理解，此处不再重复赘述。
[0179]
503、根据第一概率、第一分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率。
[0180]
第一偏转角是第一车辆按照初始规划路径行驶至第一位置点时偏离初始规划路径的角度，第一分布函数指示第一车辆在行驶过程中偏离初始规划路径的角度所对应的概率分布，第一位置点根据自车的第一规划路径确定，目标角度包括第一偏转角。在一个可能的实施方式中，第一位置点可以是第一规划路径上的任意一个位置点，举例说明，上文介绍到可以通过建立坐标系的方式将道路环境网格化，实现对道路环境的网格化建模。车辆在道路上行驶的过程可以看做车辆由一个网格进入到另一个网格，此处参阅图7-a，假设第一规划路径为路径1，路径1上包括4个网格，可以认为4个网格中的任意一个网格为第一位置点。在一个可能的实施方式中，可以根据第一规划路径确定第一区域，第一位置点是在第一区域中选取的一个位置点。其中，第一区域可以理解为第一规划路径上选取的部分区域，举例说明，继续参阅图7-a，假设第一规划路径为路径1，则第一区域可以理解4 个网格中的一个或者多个网格，或者一个网格中的部分区域。
[0181]
驾驶过程不确定性可认为是在驾驶意图基础上产生的随机误差，第一分布函数用于指示车辆的行驶方向一定时，车辆的偏转角在车辆的行驶过程中的概率分布。如图5-a所示，假设车辆的行驶方向是直行，但是实际上车辆的实际行驶轨迹往往并不是绝对的直线，比如可能是上下扰动的。本技术可以通过统计大量数据，比如统计大量的车辆，其中，车辆的类型可以涵盖多种，统计这些车辆在给定行驶方向后，行驶过程中车辆的偏转角，以获取车辆的行驶方向一定时，车辆的偏转角在车辆的行驶过程中的概率分布。
[0182]
在一个可能的实施方式中，可以利用高斯分布描述驾驶过程的不确定性，即第一分布函数是高斯分布函数，用高斯分布描述驾驶过程不确定性的原因主要有如下两点：1、高斯分布是连续型分布，以一定驾驶方向的偏转角作分布均值，既能表现车辆行驶过程中偏转角主要围绕均值变化的特点，又允许车辆偏转到其它任意方向且与均值偏离越大概率越小。这与现实情况相符。2、高斯分布是关于均值对称分布的，它在均值两边取样的概率相等。这表现了驾驶偏移的随机性特点。其中需要说明的，一定驾驶方向可以理解为初始规划路径的方向，还可以理解为从第一目标位置行驶至第二目标位置的方向。上文介绍到初始规划路径可能有多条，比如自车根据车道信息预测它车有多条初始规划路径，在这种场景下，驾驶方向可能有多个，则可以通过混合高斯分布函数描述驾驶过程中的不确定性，即当有多条初始规划路径时，第一分布函数为混合高斯分布函数。如图5-b所示，假设自车预测它车在s0处有3条初始规划路径，分别是曲线1，曲线2以及曲线3，假设它车驶入曲线1的概
率为p1，驶入曲线2的概率为p2以及驶入曲线3的概率为p3。p1，p2以及 p3的计算方法可以参照图3对应的实施例以及图4对应的实施例中的获取第一概率的方式确定，这里不再重复赘述。假设它车从s0处行驶至曲线1的偏转角为μ1，它车从s0处行驶至曲线2的偏转角为μ2，它车从s0处行驶至曲线3的偏转角为μ3，且假设与偏转角μ1作分布均值的高斯分布函数的偏差为σ1，与偏转角μ2作分布均值的高斯分布函数的偏差为σ2，与偏转角μ3作分布均值的高斯分布函数的偏差为σ3，则从s0出发下一时间段内的偏转角的混合高斯函数如图5-c所示。则它车驶入曲线1以及以曲线1对应的方向为分布均值，可能行驶至其他区域的概率为p1
·
g(μ1,σ1)，它车驶入曲线2以及以曲线 2对应的方向为分布均值，可能行驶至其他区域的概率为p2
·
g(μ2,σ2)，它车驶入曲线3 以及以曲线3对应的方向为分布均值，可能行驶至其他区域的概率为p3
·
g(μ3,σ3)。理论上，已知行驶至某个方向的偏转角，可以根据如下公式确定行驶至该某个方向的概率：
[0183]
p(x)＝p1.g(μ1,σ1)+p2.g(μ2,σ2)+p3.g(μ3,σ3),p1+p2+p3＝1
[0184]
当有3条以上的初始规划路径时，可以对上述公式进行扩展，以根据预测的行驶至某个方向的偏转角确定行驶至某个方向的概率。为了更好的理解如何确定行驶至某个方向的概率，下面结合一个具体的例子进行说明。参阅图5-d，通过建立平面二维坐标系将道路环境网格化，实现对道路环境的网格化建模。对于网格化后的道路环境，车辆行驶过程相当于从一个网格驶入另一个网格中。如图5-d所示，假设自车第一次预测它车的行驶轨迹时，它车位于s0的位置，根据自车为它车预测的初始规划路径，它车可能行驶至d2方向， d3方向以及d4方向，考虑到驾驶过程中的不确定性，它车还可能行驶至d1方向以及d5 方向，实际上，它车可能行驶至网格1至网格5中任意一个网格所在的方向。为了更好的理解计算过程，参阅图5-d，可能行驶至网格1和网格5对应的方向的偏转角的范围设为α，将可能行驶至网格2和网络4对应的方向的偏转角的范围设为β，将可能行驶至3对应的方向的偏转角的范围设为γ，则根据数学公式可以获取到α的角度范围为-90度～-72 度以及72度～90度，β的角度范围为-72度～-19度，19度～72度，γ的角度范围为-19度～19度。假设正值表示右偏，负值表示左偏，0度表示没有偏转，则参阅图5-e，认为行驶至网格1的概率为混合高斯分布函数中，-90度～-72度对应的概率面积，行驶至网格2的概率为-72度～-19度对应的概率面积，行驶至网格3的概率为-19度～19度对应的概率面积，行驶至网格4的概率为19度～72度对应的概率面积，行驶至网格5的概率为72度～90度。简而言之，计算出α，β以及γ的取值后，再根据预先设定的混合高斯分布函数，可以获取不同偏转角度下对应的概率面积，并以此作为它车沿该方向行驶的概率。需要说明的是，可根据实际情况调整α、β、γ的取值，或在对应高斯分布中调整方差值，修正它车沿各个方向行驶的概率。总体而言，α、β、γ的取值及各个方向对应的高斯分量方差均可按需设定，或者根据真实情况仿真、统计得到，以获取更符合实际情况的它车沿各个方向行驶的概率。在图5-e中，是假设它车行驶至初始规划路径对应的方向d2、d3、d4的第一概率分别为0.2、0.5、0.3，并假设其中d1、d3、d5方向为均值方向时，对应的高斯分布函数的方差为1.5，假设d2、d4方向为均值方向时，对应的高斯分布函数的方差为2，图 5-e是在这些假设条件下获取的对应的偏转角分布及α、β、γ对应分布的取值面积。由于在该例子中α角对应的d1、d5方向概率面积很小，所以在图中几乎看不见。通过图5-e 可以看出，在d2，d3以及d4三个方向的偏转角对应的概率最大，这是因为它车行驶至初始规划路径对应的方向的概率更大一些。
[0185]
需要说明的是，可以将偏转角α、β、γ理解为步骤503中的第一偏转角，根据第一概率，第一分布函数，以及第一偏转角可以预测第一车辆行驶至第一目标位置的第二概率。具体的，可以预测它车从初始位置到任意一个可能的第一目标位置的概率。为了获取它车可能行驶至更多目标位置的概率，下面对如何确定它车从第一目标位置行驶至第二目标位置的概率进行说明。
[0186]
对于网格化后的道路环境，车辆可能从任意方向进入某个网格。如图5-f所示，车辆可能从d1～d8任意方向进入网格s。同理，如图5-g所示车辆也可能从任意一个角度离开网格s。假设第一目标位置为s，第二目标位置可能是d1至d8中的任意一个网格，上文已经介绍可以获取它车从初始位置驶入任何一个网格的概率，即第二概率，而进入某个网格的偏转角又影响着离开该网格的偏转角，比如，参阅图5-f，例如从d5进入网格s，沿 d1离开网格s的偏转角为0度；从d7进入网格s，沿d1离开网格s的偏转角为右转90 度。因此，根据驾驶过程的不确定性预测它车行驶至某一目标位置的概率，既要考虑它车进入某个网格时的偏转角也要考虑它车离开该网格时的方向。
[0187]
基于上述思路，车辆可能从任意方向进入某个网格(目标位置)，因此，车辆在某个时刻到达第一目标位置的概率是沿各个方向进入该第一目标位置的概率之和，车辆从第一目标位置驶入第二目标位置的概率的计算可以是根据第二概率，第一分布函数，以及第三偏转角预测第一车辆从第一目标位置行驶至第二目标位置的第三概率，第三偏转角是第一车辆从第一目标位置行驶至第二目标位置的偏转角，第三概率用于预测第一车辆行驶至第三目标位置的概率，第一行驶轨迹包括第二目标位置和第三目标位置。下面结合一个具体的例子进行说明。参阅图5-g，假设网格s为第一目标位置，上文已经介绍了如何确定达到第一目标位置的概率，比如，当预测有三条初始规划路径时，达到网格s的概率可以通过如下公式确定：
[0188]
p(x)＝p1.g(μ1,σ1)+p2.g(μ2,σ2)+p3.g(μ3,σ3),p1+p2+p3＝1
[0189]
由于有三条初始规划路径，则它车可能从三个方向行驶至网格s，假设在图5-f以及图 5-g所示的例子中，设t时刻它车可能从d4、d5、d6方向进入s且各自概率为p
d4
、p
d5
、p
d6
，则车辆在t时刻到达s处的最终概率为ps＝p
d4
+p
d5
+p
d6
，其中，p
d4
通过p1.g(μ1,σ1)表示，p
d5
通过p2.g(μ2,σ2)表示，p
d6
通过p3.g(μ3,σ3)表示，当车辆基于d5方向进入s时，假设此时第二目标位置为网格s1，而从d5进入s并沿d1离开时车辆的预计偏转角为0 度。因此，确定该情况下第一分布函数是分布均值为0的单一高斯分布。设该高斯分布的标准差为16(举例值，不具有实际意义。具体应用时可根据实际统计结果或仿真结果设置)，则t时刻沿d5进入s、t+δt时刻沿d1离开s的偏转角分布如图5-h所示。在该分布下，还可以包括车辆沿d2、d8、d3、d7驶离s的概率分布，分别是对应角度下的概率面积，经计算有p
d1
≈0.765，p
d2
＝p
d8
≈0.118，另有p
d3
＝p
d7
≈0。此处p
d1
、p
d2
、p
d8
之和大于1是由于四舍五入所至，并非计算错误。而p
d3
、p
d7
取值为0也是由于计算精度有限，理论上它们的取值均大于0。基于上述结果进行连乘可得，车辆t时刻从d5进入s并在t+δt 时刻进入网格s1的概率为p
s1
＝p
d5
*p
d1
。进入网格s2、s8、s3、s7的计算依次类推为 p
si
＝p
di
*p
di
。因为车辆有可能从d4、d5、d6进入s，而这些情况下分别计算了在t+δt时刻驶入s1的概率，则t+δt时刻车辆位于s1的概率为所有情况下概率的累加和，有其中表示t+δt时刻到s1处的概率，表示
t时刻沿di方向到达s的概率，例如上述提到的p
d5
、p
d4
、p
d6
等，表示沿di方向进入s、沿d1方向驶离的概率，比如上述提到的p
d1
。
[0190]
在自动驾驶技术领域，若能提前感知其它车辆的运行状态并预测出其它车辆的行驶轨迹，可以有效降低自车与其他车辆发生碰撞的风险。在本技术提供的方案中，自车获取到它车到达第一位置点的概率后，可以根据它车到达第一位置点的概率调整自车的规划路径。需要说明的是，本技术对如何根据它车到达第一位置点的概率调整自车的规划路径的方案并不进行限定，示例性的，下面给出一种可能的方式。在一种可能的实施方式中，若自车和它车在第一时刻同时到达第一位置点的概率大于预设阈值时，则自车调整规划路径，以避开第一位置点行驶。当自车和它车在同一时刻到达第一位置点的概率大于预设阈值时，可以认为在该时刻自车和它车碰撞的风险等级高，自车可以通过调整规划路径的方式，使自车在该时刻避开第一位置点行驶，进而减少和它车碰撞的风险。
[0191]
2.2只基于驾驶过程的不确定性预测它车的行驶轨迹
[0192]
在一些可能的实施方式中，也可以不考虑驾驶意图的不确定性，只考虑根据驾驶过程的不确定性预测它车的行驶轨迹，即在预测它车的行驶轨迹时，不考虑第一概率。比如，在图5对应的实施例中的步骤502可以省略，不执行。自车可以认为第一车辆行驶至多条初始规划路径中的每一条初始行驶上的概率是一样的。自车根据第一分布函数以及第一偏转角预测第一车辆行驶至第一目标位置的第二概率，自车根据第二概率，第一分布函数以及第三偏转角预测第一车辆从第一目标位置行驶至第二目标位置的概率。
[0193]
以上对基于驾驶意图的不确定性，驾驶过程的不确定性预测它车的行驶轨迹进行了说明。在基于驾驶过程的不确定性预测它车的行驶轨迹的基础上，还可以考虑它车行驶过程中的更多不确定因素，比如还可以考虑障碍物的入侵，以下对如何在预测它车行驶轨迹时，考虑障碍物入侵的不确定性的方案进行说明。
[0194]
三、障碍物入侵的不确定性
[0195]
由于障碍物的普遍存在，车辆往往无法按预定路线行驶，而是要不断变更行驶轨迹。而障碍物可能在任意时间、任意地点以任意运动状态出现，因而由此造成的不确定性是最复杂、最难以处理的。这类不确定性由外部对象造成，本技术称之为障碍物入侵的不确定性。与驾驶意图不确定性相比，障碍物的出现更加频繁，导致车辆行驶路线变更的频率也更高，与驾驶过程不确定性相比，障碍物入侵对行车轨迹造成的改变则更大、更显著。驾驶意图及驾驶过程不确定性主要针对车辆内部及驾驶员的不确定性，轨迹入侵不确定性则重点描述了外部环境实时改变给车辆行驶轨迹造成的影响。当障碍物(可能是机动车、自行车、摩托车、行人、突然掉落的货物等)侵入它车的预期行驶位置时，它车可能被迫做出应对。现实中，最常见的应对办法包括停等或绕行。所有这些操作都将改变车辆的行驶轨迹，并进而可能会影响自车对自身行驶路径的规划。
[0196]
本技术从时间和空间两方面对障碍物如今进行定义。时间上，包括当前时刻或第一预设时长内的某一未来时刻，空间上指障碍物当前或未来时刻与它车可能驶入位置相重叠的位置。如图6-a所示，设当前时刻它车位于s处，它可能沿d1、d2、d3、d4、d5方向行驶。设障碍物位于s4处，下一时刻它可能驶往s3处。当它车从s沿d4方向驶入s4时，由于当前时刻障碍物所在位置与下一时刻它车可能的行驶位置重叠，因此它车下一时刻在 s4的行驶轨迹被入侵。当它车从s沿d3方向驶入s3时，由于障碍物也有可能在下一时刻驶入s3，因此它
车在s3的行驶轨迹也在下一时刻被入侵。简单来说，若障碍物当前时刻位于a处，若它车下一时刻驶向a处则认定a处属于轨迹入侵；若障碍物和它车下一时刻都有可能驶向b处，则b处也属于轨迹入侵。
[0197]
此外，需要说明的是，车辆在相互避让时还会对对方的行驶产生影响。为了让计算便于实现，预测它车vi的行车轨迹时，只考虑剩余车辆对vi的影响，不考虑vi对其它车辆的影响。例如，设vi的行车轨迹被vj侵入，vi可能因此变更行车路线以避开vj。此时，本文不再考虑因vi路线变更对vj造成的影响(只考虑一次)。如果考虑vj受vi影响而调整行车线路，则又要重新考虑vj改变路线后对vi的影响，如此反复递归将陷入死循环。
[0198]
下面对如何对基于障碍物入侵的不确定性预测它车的行驶轨迹的方案进行说明。
[0199]
参阅图6-b，为本技术实施例提供的另一种规划车辆驾驶路径的方法，可以包括以下步骤：
[0200]
601、获取第一车辆的初始规划路径。
[0201]
步骤601可以参照图5对应的实施例中的步骤501进行理解，此处不再重复赘述。
[0202]
602、获取第一车辆行驶至初始规划路径上的第一概率。
[0203]
步骤602可以参照图5对应的实施例中的步骤502进行理解，此处不再重复赘述。
[0204]
需要说明的是，步骤602是可选的步骤，即在一个可能的实施方式中，可以认为第一车辆行驶至多条初始规划路径中的每一条初始规划路径上的概率是相同的。
[0205]
603、根据第一概率、第一分布函数和第一偏转角获取第一车辆行驶至第一位置点的概率。
[0206]
步骤603可以参照图5对应的实施例中的步骤503进行理解，此处不再重复赘述。
[0207]
需要说明的，当步骤602是可选地，则根据第一分布函数和第一偏转角预测第一车轮行驶至第一目标位置的第二概率。
[0208]
604、感知到第一位置点有障碍物时，根据第一概率，第二分布函数，以及第一偏转角获取第二概率。
[0209]
第二分布函数根据第一分布函数以及第一预设算法确定，以使第二分布函数指示的第一偏转角对应的概率小于第一分布函数指示的第一偏转角对应的概率。
[0210]
当自车感知到第一目标位置有障碍物时，自车可以认为第一车辆行驶至第一目标位置的概率相比于第一目标位置没有障碍物时第一车辆行驶至第一目标位置的概率要小，所以此时需要对第一分布函数进行调整，得到第二分布函数，使第二分布函数指示的第一偏转角对应的概率小于第一分布函数指示的第一偏转角对应的概率。参阅图6-c，图中虚线表示第一分布函数，实线表示第二分布函数。从图中可见，d4和d3方向的概率面积都在一定程度上减少，而d2方向的概率面积有较大增加，d1和d5方向的概率面积有少量增加。出现这一结果的原因可以理解为：原本d3、d4方向行驶的概率，由于障碍物的出现被“挤压”或者“转移”到了d2、d1和d5，其中由于d2也是初始规划路径对应的方向，因此 d2方向受益最多。得到新的第二分布函数即可利用该分布计算车辆沿各个方向行驶的概率，计算方法与没有障碍物的情况类似。
[0211]
示例性的，下面给出两种根据第一分布函数以及第一预设算法确定第二分布函数的方式。在一种可能的实施方式中，假设自车确定障碍物在t时刻到达s4、s3位置的概率分别为p
o1
＝0.7、p
o2
＝0.6，其中自车确定障碍物在t时刻到达s4、s3位置的概率可以参照自车
确定第一车辆在t时刻到达第一目标位置或第二目标位置的概率进行理解，这里不再重复讲解计算过程以及原理。则自车以p
o1
、p
o2
为d4、d3方向的拒绝率，对第一分布函数进行采样，利用采样后的样本重新学习得到第二分布函数。比如说统计了10000辆在行驶方向一定的情况下，在行驶过程中偏转角的概率分布，得到了第一分布函数，其中有3000 辆车的偏转角的范围在d4方向，有5000辆车的偏转角在d3方向，则以p
o1
、p
o2
为d4、 d3方向的拒绝率，对第一分布函数进行采样时，对于d4方向要从3000个样本中删除一部分样本，具体的删除2100个样本，对于d3方向要从5000个样本中删除一部分样本，具体的删除3000个样本，根据删除一部分样本后的更新后的样本进行统计，以获取第二分布函数。
[0212]
在一个可能的实施方式中，为了能够突出障碍物入侵对它车行驶轨迹的影响，还可以按一定映射规律对拒绝率作放大操作，以突出障碍物对车辆行驶轨迹的影响。假设通过p
oi
表示拒绝率，参阅图6-d虚线曲线a为原始p
oi
取值，根据圆的方程(x-1)2+y2＝1有对拒绝率进行放大操作后，拒绝率的取值如曲线b所示，除了圆的方程外，其它将p
oi
映射到0～1范围内的函数都可以作为映射函数，如变形后的log函数、 logistic函数、sigmoid函数等，通过不同的函数按不同方式放大拒绝率，以影响第二分布函数。
[0213]
上文中提到当障碍物入侵它车的预期行驶位置时，它车最常见的应对办法包括停等或绕行，绕行是指车辆不停车而沿非入侵方向行驶以绕过障碍物，停等是指车辆在当前时刻位置静止不动，直到障碍物离开后恢复行驶。在一个可能的实施方式中，自车感知到第一目标位置有障碍物时，预测自车感知范围的障碍物行驶至第一目标位置的第四概率，根据第四概率和第二概率确定第一车辆行驶至第一目标位置时停止行驶的概率。假设它车面对障碍物停等概率为p
wait
、绕行概率为p
bypass
，则有1＝p
wait
+p
bypass
，表示它车有p
wait
的可能性在某一时长内停止不动。现实中，停等的概率与障碍物分布情况有关。如果障碍物入侵轨迹的可能性较大或者轨迹中有较多位置被障碍物入侵，则停等的可能性相应增加。如图6-e所示，它车180感知范围内可能的行驶方向有五个，它车行驶至各个方向的概率可由第一分布函数求得，上文已经介绍了计算过程和原理，这里不再重复说明，设行驶至五个方向的概率分别为p
d1
～p
d5
。极端情况下，这五个方向都可能被障碍物入侵，设入侵的概率为p
o1
～p
o5
。若p
o1
～p
o5
的取值均为1，也就是确定在下一时刻它车一定会被障碍物包围，则此时车辆停等的概率为1才能保证行驶安全。若p
o1
～p
o5
的取值均为0，即确定下一时刻不会有任何障碍物入侵它车轨迹，则车辆停等的概率应为0，这符合现实中人的驾驶习惯。因为p
d1
～p
d5
是从同一个第一分布函数中计算得到的，因此有而 p
o1
～p
o5
可能分别由五个不同障碍物侵入，因此有因为要有0≤p
wait
≤1，可由p
o1
到p
o5
的加权和计算得到p
wait
，计算公式为相应的有 p
bypass
＝1-p
wait
。p
wait
的这一计算公式可以理解为：当它车行驶概率较大的方向被入侵时，其等待的概率变大，当障碍物入侵的是原本就驶入概率较小的位置，则等待的概率较小。
[0214]
通过以上的介绍，理论上可以预测它车行驶至任意一点的概率，比如根据初始规划路径，第一分布函数，初始确定的偏转角，确定驶入第一目标位置的概率，根据驶入第一目标位置的概率确定驶入第二目标位置的概率，根据驶入第二目标位置的概率确定驶入第三目标位置的概率，以此类推。但是，它车行驶至大多数区域的概率是很低的，如果持续计
算从低概率区域行驶至其他区域的概率将会更低，这些低概率对于自车规划自身的行驶路径往往是没有意义的。针对这一问题，本技术还可以通过概率剪枝截断进行优化，以减少计算量、提高计算效率。
[0215]
参阅图7-a，假设路径1为车辆的一条初始规划路径，其它方向为在驾驶过程不确定性作用下导致的非预期行驶路径，如图7-a中的路径2和路径3。假设初始规划路径上从当前网格行驶到下一网格的概率按0.6倍递减，则到达特定网格的概率分别为0.6、0.36、 0.216、0.130，这些概率值对应了车辆最有可能的行驶轨迹，对风险评估非常有价值。但另外两条行驶轨迹，概率值呈指数级递减，很快就降低到很低的水平，如0.0001、0.000001 等，进一步计算概率值只会更低。理论上，任意时刻到达任意位置的概率值只会极低而不会为0，但低于一定水平的概率值对实际应用几乎没有意义。如评估出0.00000000001的碰撞发生概率，几乎可以认为碰撞不会发生。本文设定第一预设阈值作为概率剪枝截断的最低值，凡是小于或小于等于第一预设阈值就截止计算，以减小计算量。如图7-a所示，可以设定当车辆到达s的概率为0.0001时，不再继续计算从s驶离到达新网格的概率。概率截断除了能降低计算量外，还能避免很多无意义的计算。如图7-b所示，车辆的预期路径通过路径1表示，但在驾驶过程不确定性作用下车辆有可能驶入右上方网格。紧接着，继续在驾驶过程不确定性作用下车辆有可能沿菱形形成环路，如图7-b中的路径2所示。这种情况可以随着第一预设时长的延长无限持续下去，但现实中正常情况下几乎不会有驾驶员会驾驶车辆在十字路口局部转圈。
[0216]
概率剪枝截断的一个直接表现为车辆在某一时刻到达所有位置的概率和小于1(不考虑计算精度损失和四舍五入)且随着时间推移，概率和的值会逐渐减小。如图7-c到图7-f 所示，参阅图7-c，车辆沿直行方向在t时刻进入s，理论上从s驶离、t1时刻可达网格1 至网格5处，设各自的概率分别为p1到p8。参阅图7-d，设概率剪枝后只剩下网格2至网格4可达，则t1时刻车辆到达各可行位置的概率和为p2、p3、p4之和，很明显其和小于 p1到p8的和且小于1，这便是由剪枝截断导致的概率丢失。更进一步，从网格2至网格4 处驶离、t2时刻理论上可达的位置如图7-e所示，经剪枝后只剩如图7-f所示网格。概率丢失可理解为因减小计算量而付出的精度代价。
[0217]
概率剪枝截断的方案可以和上面提到的图5对应的实施例以及图6-b对应的实施例进行结合，比如上面图5对应的实施例中，确定从第一目标位置行驶至第二目标位置的概率时，第二概率大于第一预设阈值时，根据第二概率，第一分布函数，以及从第一目标位置行驶至第二目标位置的偏转角预测第一车辆从第一目标位置驶入第二目标位置的第三概率，第三概率大于第一预设阈值时，第三概率用于预测行驶至第三位置的概率。在图6-b 对应的实施例中，当车辆行驶到某一位置的概率大于第一预设阈值时，有可能因为障碍物的入侵，要重新分配行驶至各个预测的行驶轨迹的概率。
[0218]
为了更好的理解本技术提出的方案，下面以一个具体的示例对本技术提供的一个优选的方案进行介绍，在该示例中，考虑驾驶意图的不确定性，驾驶过程的不确定性，障碍物入侵的不确定性，以及概率剪枝截断的方案，以下进行说明。如图8-a所示，以最复杂的十字路口场景为例进行说明，假设t时刻十字路口下有三辆车，分别是自车和它车v1以及它车v2，设第二预设时长为δt，第一预设时长为n*δt，其中n可以是大于1的整数。图 8-a所示，为自车预测的它车的初始规划路径。假设预测结果为v1有三条可能的初始规划路径，分别
对应调头、左转和直线，假设预测结果为v2有一条可能的初始规划路径(为了简化说明过程，这里假设只有一条)。结合自车的线路控制系统，可以得到自车未来一段时间内的行驶轨迹，假设自车为直线行驶。根据前文介绍，评估时需要对每一辆它车的行驶轨迹作预测，即自车感知范围内的每一辆车都可以看作第一车辆，此处以v1为例进行说明。
[0219]
假设在v1到达s之前，三条初始规划路径重合，因此v1只有一个初始规划路径对应的方向。然而考虑到驾驶过程的不确定性，v1可能的行驶方向如8-b所示，其中s1方向表示初始规划路径对应的方向，s2，s3，s7，s8表示非初始规划路径对应的方向但可是它车v1有可能驶入的方向。此时v1的第一分布函数为单一高斯分布，设v1直行时高斯分布方差为12，其第一分布函数如图8-c所示。根据前文介绍，设偏转角角大于0为右转，小于0为左转，等于0为直行，有α3～(-90
°
，-72
°
)、α2～(-72
°
，-19
°
)、α1～(19
°
，19
°
)、α8～(19
°
，72
°
)、α7～(72
°
，90
°
)，利用分布概率面积求得 p1＝0.887、p2＝0.057、p8＝0.057，p3、p7取值概率极小，低于10负9次方，依据概率剪枝截断可以忽略不计。因此，t1时刻v1可能处于的位置及概率如图8-d所示。由于v1 有可能驶入s2和s8，而这两个方向是非初始规划路径对应的方向(本技术有时也将非初始规划路径对应的方向称为非预期路径对应的方向)，因此当车辆进入s2和s8时需要根据前文所述重新对v1进行路径规划。如图8-e所示，分别展示了进入s2时v1重新规划得到的潜在路径，进入s8时v1重新规划得到的潜在路径，以及原先规划的初始规划路径。 t1时刻结束后，t2时刻要分别对三个可能位置的v1分别进行计算。如图8-f、图8-g和图 8-h分别展示了位于三个位置时v1在t2时刻可能的行驶方向。对于图8-f、图8-g和图8-h 的第一目标位置s，它可能由v1从三个不同方向进入。分别是从s2处右偏进入、s8处左偏进入、s1处直行进入。此时要根据前文介绍的概率累加计算v1在t2时刻最终进入s的概率。假设从s2进入s的概率为p＝0.057*0.057≈0.0032。其中第一个0.057为t1时刻到达s2的概率，第二个0.057为t2时刻从s2到达s的概率。同理可得，从s8进入s 的概率也为0.0032。从s1进入s的概率为p＝0.887*0.887≈0.787。此处设截断概率为 0.01，则0.0032由于数值太小被直接舍弃，因此到达第一目标位置的概率约为0.787。
[0220]
假设v1在某时刻位于s处且该位置下一时刻各行驶方向没有障碍物，设s处有三个初始规划路径对应的方向，分别是d2方向概率为p2、沿d1方向概率为p2和沿d8方向行驶概率为p8。且α1直行方向高斯分量的期望为μ1＝0
°
，α2、α8方向高斯分量的期望为μ2＝-45
°
、μ8＝-45
°
。设有p2＝0.3、p1＝0.5、p8＝0.2。此时v1对应的第一分布函数是混合高斯分布函数，如图8-i所示，假设车辆直行时随机偏移较小，d1方向分量的方差为σ1＝6；调头方向d2驾驶的随机偏移略大，方差为σ2＝8；右转方向d8的偏移更大，方差为σ3＝10。此时有p
d2
＝0.300、p
d1
＝0.500、p
d8
＝0.198，其它方向概率低于截断概率，忽略不计。
[0221]
最后考虑遇到障碍物时v1的行驶情况。如图8-j所示，车辆有可能前往s，而障碍物也可能在t时刻前往s。为了躲避障碍物，v1可能停止行驶，也可能绕行躲避障碍物。本技术针对这两种情况，可以分别计算v1停止行驶的概率，以及v1绕行的概率，上文对此进行详细介绍，这里不再进行举例说明。
[0222]
以上，对本技术提供的一种预测行驶估计的方案进行了介绍，预测它车的行驶轨迹可以辅助自车更好的规划自身的行驶路径，避免碰撞的发生，在一个可能的实施方式中，自车获取自车在第一预设时长内的第二行驶轨迹，并根据第一行驶轨迹和第二行驶轨迹，预测自车和第一车辆在第一预设时长内碰撞的概率。为了更好的理解本技术提供的方案，
下面结合一个框图，对自车的一种可能的计算流程进行说明。参阅图9，如图9所示，自车通过规控模块规划自车的行驶轨迹，通过感知模块获取当前环境信息以及它车状态信息，其中规控模块可以参照图1中的线路控制系统进行理解，感知模块可以按照图1中的传感器系统进行理解。自车预测感知范围内的所有它车的初始规划路径，具体的，可以逐一预测感知范围内每一个它车的初始规划路径。针对每一个它车，自车预测它车行驶至初始规划路径上的第一概率。自车判断已预测时间是否大于等于第一预设时长，如果已预设时长大于或等于第一预设时长，则自车停止预测，生成感知范围内所有它车可能的行驶轨迹，并结合自车规控模块确定的自车的行驶轨迹计算碰撞的概率。当预测时间大于第一预设时长时，本技术认为涉及的计算量过大，且实时性较差，预测的自车感知范围的它车可能早已驶离自车的感知范围。如果已预测时间小于第一时长，则自车判断当前预测的位置是否属于已预测的位置，如果是已预测的位置，则更新初始规划路径，此处可以参照图4-b进行理解。如果当前预测的位置不属于已预测的位置，则根据第一分布函数，第一概率预测到的目标位置的概率。此外，自车可以判断目标位置是否有障碍物，如果有障碍物，则根据第二分布函数，第一概率预测到达目标位置的概率，还可以预测在目标位置停止行驶的概率。如果目标位置没有障碍物，则预测到的多个目标位置，多个方向的概率，得到更多的预测信息。自车还可以对多个目标为的概率进行剪枝，已节省时间量，当已预测时间累加达到第一预设时长时，停止预测。
[0223]
在一个可能的实施方式中，如果确定自车和感知范围内的某个它车的碰撞概率大于预先设定的阈值时，可以发生提示消息，提示自车调整行驶轨迹，或者在自车上提示碰撞可能发生的对象以及位置。参阅图10，通过可视化系统实时显示障碍物分布情况及碰撞发生的相关信息，让驾驶员或乘客更加清楚的了解交通状况。必要时通过可视化系统、音频、座椅震动等方式提示驾驶员接管或关注当前情况，或直接触发其它安全算法，如碰撞躲避，保证车辆安全。
[0224]
此外，需要说明的是，本技术大多数的实施例以十字路口场景为例进行的说明，这是因为十字路口是驾驶条件最为复杂的交通场景之一。本技术提供的方案当然可以应用到其它交通场景，如高速公路、城市道路等等，本技术对本方案可以适用的场景并不进行限定。
[0225]
在图3至图10所对应的实施例的基础上，为了更好的实施本技术实施例的上述方案，下面还提供用于实施上述方案的相关设备。具体参阅图11，图11为本技术实施例提供的规划车辆行驶路线的装置的一种结构示意图。规划车辆行驶路线的装置可以包括获取模块 1001，还可以包括规控模块1002，提示模块1003。
[0226]
在一个可能的实施方式中，规划车辆行驶路线的装置可以包括：获取模块，用于获取第一车辆的初始规划路径，第一车辆为自车感知范围内的车辆。获取模块1001，还用于根据第一分布函数和第一偏转角，获取第一车辆行驶至第一位置点的概率，第一偏转角是所述第一车辆按照所述初始规划路径行驶至所述第一位置点时偏离所述初始规划路径的角度，所述第一分布函数指示所述第一车辆在行驶过程中偏离所述初始规划路径的角度所对应的概率分布，第一位置点根据自车的第一规划路径确定，目标角度包括第一偏转角。规控模块1002，还用于根据第一车辆行驶至第一位置点的概率，对第一规划路径进行调整，以得到自车的第二规划路径，第二规划路径用于指示自车的驾驶路径。
1202还可以包括显示屏等显示设备。
[0237]
本技术实施例中，应用处理器1131，用于执行图3至图10对应实施例中的自动驾驶车辆执行的规划车辆驾驶路径的方法。
[0238]
需要说明的是，对于应用处理器1131执行规划车辆驾驶路径的方法的具体实现方式以及带来的有益效果，均可以参考图3至图10对应的各个方法实施例中的叙述，此处不再一一赘述。
[0239]
本技术实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于规划车辆行驶路线的程序，当其在计算机上行驶时，使得计算机执行如前述图3至图10 所示实施例描述的方法中自动驾驶车辆(或者规划车辆驾驶路径的装置)所执行的步骤。
[0240]
本技术实施例中还提供一种包括计算机程序产品，当其在计算机上行驶时，使得计算机执行如前述图3至图10所示实施例描述的方法中自动驾驶车辆所执行的步骤。
[0241]
本技术实施例中还提供一种电路系统，所述电路系统包括处理电路，所述处理电路配置为执行如前述图3至图10所示实施例描述的方法中自动驾驶车辆所执行的步骤。
[0242]
本技术实施例提供的规划车辆驾驶路径的装置或自动驾驶车辆具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使服务器内的芯片执行上述图3至图10所示实施例描述的规划车辆驾驶路径的方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory， rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(randomaccess memory，ram)等。
[0243]
具体的，请参阅图13，图13为本技术实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器npu 130，npu 130作为协处理器挂载到主cpu(host cpu) 上，由host cpu分配任务。npu的核心部分为运算电路1303，通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。
[0244]
在一些实现中，运算电路1303内部包括多个处理单元(process engine,pe)。在一些实现中，运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1303是通用的矩阵处理器。
[0245]
举例来说，假设有输入矩阵a，权重矩阵b，输出矩阵c。运算电路从权重存储器1302 中取矩阵b相应的数据，并缓存在运算电路中每一个pe上。运算电路从输入存储器1301 中取矩阵a数据与矩阵b进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1308中。
[0246]
统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(direct memory access controller，dmac)1305，dmac被搬运到权重存储器1302 中。输入数据也通过dmac被搬运到统一存储器1306中。
[0247]
总线接口单元(bus interface unit，biu)1310，用于axi总线与dmac和取指存储器 (instruction fetch buffer，ifb)1309的交互。
[0248]
biu1310，用于取指存储器1309从外部存储器获取指令，还用于存储单元访问控制器 1305从外部存储器获取输入矩阵a或者权重矩阵b的原数据。
[0249]
dmac主要用于将外部存储器ddr中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。
[0250]
向量计算单元1307包括多个运算处理单元，在需要的情况下，对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如批归一化(batch normalization)，像素级求和，对特征平面进行上采样等。
[0251]
在一些实现中，向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如，向量计算单元1307可以将线性函数和/或非线性函数应用到运算电路1303的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1307生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1303的激活输入，例如用于在神经网络中的后续层中的使用。
[0252]
控制器1304连接的取指存储器(instruction fetch buffer)1309，用于存储控制器1304 使用的指令。
[0253]
统一存储器1306，输入存储器1301，权重存储器1302以及取指存储器1309均为 on-chip存储器。外部存储器私有于该npu硬件架构。
[0254]
其中，循环神经网络中各层的运算可以由运算电路1303或向量计算单元1307执行。
[0255]
其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，asic，或一个或多个用于控制上述第一方面方法的程序执行的集成电路。
[0256]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
[0257]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用 clu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述的方法。
[0258]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实
现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0259]
所述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所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。