一种基于学习的加速度平滑方法与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种基于学习的加速度平滑方法。


背景技术：

2.随着无人驾驶技术的发展，为了安全并且有效率地通过复杂的交通场景并作出最优的决策，无人驾驶汽车需要有能够预测周围车辆的未来意图与轨迹的能力。周围车辆的历史与当前状态对无人驾驶车辆的行为规划有极大的影响，现在周围车辆的速度信息多来自于多普勒雷达，存在相当的设备噪音及环境噪音，而由这样速度数据计算出的加速度的噪音甚至比原始速度噪音还高出一个数量级，而且让无人驾驶车辆无法确认附近具体某辆车是在加速还是在减速。在无人驾驶车辆完成的一系列任务中，对前车的跟车及节油是其中两个重要任务，而前车精确且平滑的加速度信息则能帮助无人驾驶车辆更好地完成这些任务。
3.现有方法中，基于车辆运动模型的实时滤波平滑方法被使用的最多，如constant turn rate and acceleration(ctra)模型，然而所有这种实时滤波都存在一个问题，所产生的结果越平滑，速度，加速度的变化延迟就越高。一个常见的情况是，前车在一个匀加速过程中突然急刹，基于实时滤波的方法可能需要1秒或更长的时间才能检测到加速度的符号变化。而这对于无人驾驶的安全产生了极大的威胁。


技术实现要素：

4.有鉴于此，本发明提供了一种基于学习的加速度平滑方法，以解决现有技术中速度、加速度变化检测延迟过高的技术问题。
5.本发明提供了一种基于学习的加速度平滑方法，包括：
6.s1.选择frenet道路坐标系，采集目标车辆附近设定范围内的车辆的跟踪轨迹数据；
7.s2.基于所述目标车辆附近设定范围内的车辆的跟踪轨迹数据，提取行车特征；
8.s3.基于所述行车特征，对设定帧的目标车辆，输入设定帧过去的第一设定数量的帧的特征矩阵至时序卷积网络，经训练，输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列；
9.s4.将所述预测的平滑后的速度序列中的未来速度所包含的帧，通过后处理，获得当前帧的加速度。
10.进一步地，所述s1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征一共39个特征，
11.所述s1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征，
12.所述目标车辆状态特征包括：目标车辆相对于所在车道左右两条边界的距离、目标车辆相对于所在车道的s方向速度、目标车辆相对于所在车道的l方向速度、目标车辆在
所在车道上的转向角大小和车辆朝向方向和车辆在所在车道投影点上切线方向角度差；
13.所述道路状态特征包括：所在车道及左右两条车道上除目标车辆之外前后100米内的车辆数量；
14.所述周围车辆互动特征：该车辆距离目标车辆在s方向的相对距离、该车辆相对于目标车辆的s方向速度和该车辆相对于目标车辆的l方向速度；
15.所述s2中，
16.所述行车数据包括：目标车辆附近设定范围内的车辆的行车速度。
17.进一步地，所述s3中，
18.所述过去速度包括设定帧过去的第一设定数量的平滑速度；
19.所述未来速度包括设定帧未来的第一设定数量的平滑速度。
20.进一步地，所述s3包括：
21.s31.基于所述行车特征，将所述设定帧的目标车辆，输入所述设定帧过去的第一设定数量的帧数的特征矩阵至时序卷积网络；
22.s32.采用平滑过的速度作为输出值的真值，对所述设定帧过去的第一设定数量的帧的特征矩阵进行训练，获得预测的平滑后的速度输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列，其中，平滑过的速度包括某帧速度的在不同帧的预测结果。
23.进一步地，所述s31中，所述特征矩阵大小为设定帧过去的第一设定数量x39阶；
24.所述s32中，平滑过的速度是通过离线采用savitzky
–
golay smoothing进行平滑的。
25.进一步地，所述s32中，所述速度融合采用加权平均法进行融合，每一帧权重的计算包括如下步骤：
26.a.基于标准差描述置信度，用统计的方法计算出预测的平滑后的速度与作为标注的真值的区别，获得标准差序列；
27.b.基于所述标准差序列，根据误差传递公式，输出对应权重系列。
28.进一步地，所述对应权重序列包括如下表达式：
29.w＝[1/σ
12
,1/σ
22
,...,1/σ
m+12
,...,1/σ
2*m2
,1/σ
2*m+12
]
[0030] ＝[w1,w2,...,w
m+1
,...,w
2*m
,w
2*m+1
]
[0031]
进一步地，所述s4包括：
[0032]
s41.对所述预测的平滑后的速度序列中未来速度所包含的帧，做设定窗口大小的平滑；
[0033]
s42.基于做设定窗口大小的平滑的结果，获得所述平滑后的速度的加速度。
[0034]
进一步地，所述窗口的大小为所述设定窗口大小为未来速度所包含的帧的数量的两倍加一。
[0035]
进一步地，所述平滑后的速度的加速度包括如下表达式：
[0036]
acci＝(v
i+1s-v
is
)/(t
i+1s-t
is
)
[0037]
其中，acci表示当前帧的加速度。
[0038]
本发明与现有技术相比存在的有益效果是：
[0039]
1、本发明采用frenet坐标系，更加适合无人驾驶车基于道路进行加速或换道的决
策。
[0040]
2、本发明采用输出平滑速度的时间序列，避免帧与帧之间的输出加速度没有联系，无法达到平滑的目的。
[0041]
3、本发明采用离线的平滑考虑了速度未来变化的趋势，实现了在速度变化上不会有实时滤波的延迟，结果更准确。
[0042]
4、本发明采用速度作为输出值比加速度直接作为输出值在后处理上更为灵活。
附图说明
[0043]
为了更清楚地说明本发明中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0044]
图1是本发明实施例提供的一种基于学习的加速度平滑方法的流程图；
[0045]
图2是本发明实施例提供的一种基于学习的加速度平滑方法的示意图；
[0046]
图3是本发明实施例提供的采用frenet坐标系的示意图；
[0047]
图4是本发明实施例提供的目标车辆附近车辆的选取示意图；
[0048]
图5是本发明实施例提供的平滑过的速度与非平滑过的速度效果对比示意图；
[0049]
图6是本发明实施例提供的是本发明实施例提供的tcn的网络结构示意图。
具体实施方式
[0050]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
[0051]
下面将结合附图详细说明本发明的一种基于学习的加速度平滑方法。
[0052]
图1是本发明实施例提供的一种基于学习的加速度平滑方法的流程图。
[0053]
图2是本发明实施例提供的一种基于学习的加速度平滑方法的示意图。
[0054]
如图1所示，该噪音数据的加速度平滑方法包括：
[0055]
s1.选择frenet道路坐标系，采集目标车辆附近设定范围内的车辆的跟踪轨迹数据；
[0056]
所述s1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征一共39个特征，
[0057]
所述目标车辆状态特征包括：目标车辆相对于所在车道左右两条边界的距离、目标车辆相对于所在车道的s方向速度、目标车辆相对于所在车道的l方向速度、目标车辆在所在车道上的转向角大小和车辆朝向方向和车辆在所在车道投影点上切线方向角度差；
[0058]
所述道路状态特征包括：所述目标车辆所在车道及左右两条车道上除目标车辆之外前后100米内的车辆数量；
[0059]
所述周围车辆互动特征：该车辆距离目标车辆在s方向的相对距离、该车辆相对于目标车辆的s方向速度和该车辆相对于目标车辆的l方向速度；
[0060]
车辆的跟踪轨迹数据由无人驾驶感知系统驾驶路测产生，包括低精度的地图，车辆物理信息，例如，车辆类别，长宽高，车辆位置基于frenet道路坐标系，所在车道，速度，由相机，激光雷达，毫米波雷达等感知数据进行融合后对车辆进行跟踪处理后产生。
[0061]
图3是本发明实施例提供的采用frenet坐标系的示意图。
[0062]
采用frenet坐标系使用道路的中心线作为参考线，使用参考线的切线方向和法线方向定义坐标系。车辆相对于道路中心线的切线方向距离s和横向距离l为该车在frenet坐标系上的坐标。
[0063]
所述目标车辆状态特征：
[0064][0065]
所述道路状态特征：
[0066][0067]
所述周围车辆互动特征：
[0068]
在所在车道及左右两条上，离目标车辆最近的周围车辆对目标车辆的速度及加速度变化将会有直接的影响。在现有的算法中，为了让特征矩阵长度保持恒定，只考虑最近的三条车道上相对于目标车辆前后100米的周围车辆。
[0069]
图4是本发明实施例提供的目标车辆附近车辆的选取示意图。
[0070]
如图4所示，在目标车辆周围共有八辆车。车道1上有三辆，但只有车2会被考虑，因为只有车2在目标车辆的前后100米范围内。对于车道2来说，车5和车6会被考虑，即使车4离目标车辆距离比车6离目标车辆更近，这是因为在一条车道上我们以目标车辆位置为基点前后各考虑一辆车。对于车道三，则车7和车8会被考虑。
[0071]
在此阶段，考虑离目标车辆最近的六辆车对车辆互动的建模已足够。对该车道上前后各两辆最近的车各五个特征：
[0072][0073]
一共39个特征。
[0074]
s2.基于所述目标车辆附近设定范围内的车辆的跟踪轨迹数据，提取行车特征；
[0075]
所述s2中，
[0076]
所述行车数据包括：目标车辆附近设定范围内的车辆的行车速度。
[0077]
s3.基于所述行车特征，将设定帧的目标车辆，输入设定帧过去的第一设定数量的帧的特征矩阵至时序卷积网络，经训练，输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列；
[0078]
所述s3中，
[0079]
所述过去速度包括设定帧过去的第一设定数量的平滑速度；
[0080]
所述未来速度包括设定帧未来的第一设定数量的平滑速度。
[0081]
所述s3包括：
[0082]
s31.基于所述行车特征，将所述设定帧的目标车辆，输入所述设定帧过去的第一设定数量的帧数的特征矩阵至时序卷积网络；
[0083]
s32.采用平滑过的速度作为输出值的真值，对所述设定帧过去的第一设定数量的
帧的特征矩阵进行训练，获得预测的平滑后的速度输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列，其中，平滑过的速度包括某帧速度的在不同帧的预测结果。
[0084]
基于过去速度的中的每一帧、当前速度中的每一帧进行预测，获得过去速度、当前速度和未来速度的预测序列，获得预测的平滑后的速度。
[0085]
平滑后的速度已经历去噪过程，以便消除所述目标车辆在行车过程中由设备噪音等杂质噪音，以免给采集的目标车辆附近的车辆的行车数据带来干扰。
[0086]
基于学习的方法需要对数据进行标注和训练。在本发明中，该方法所训练的模型并不直接输出目标车辆当前帧的加速度，而是输出平滑速度的时间序列。原因包括：
[0087]
(1)直接输出目标车辆当前帧的加速度，这样帧与帧之间的输出加速度并没有联系，并没有办法达到平滑的目的；(2)以原始速度值离线平滑处理过的速度作为真值输入网络进行训练，要注意的是，这样的平滑和之前提到的实时滤波有本质区别，离线的平滑考虑了速度未来变化的趋势，所以在速度变化上不会有实时滤波的延迟；(3)速度作为输出值比加速度直接作为输出值在后处理上更为灵活。
[0088]
图5是本发明实施例提供的平滑过的速度与非平滑过的速度效果对比示意图。
[0089]
所述s31中，所述特征矩阵大小为设定帧过去的第一设定数量x39阶；
[0090]
所述s32中，平滑过的速度是通过离线采用savitzky
–
golay smoothing进行平滑的。
[0091]
如图5所示，由上至下，上面第一条呈现锯齿形状的线为原始速度，与所述上面第一条呈现锯齿形状的线相交的较为平滑的线为离线用savitzky
–
golay smoothing平滑过的速度(平滑窗口大小为21，多项式次数为2)，下面第一条呈现锯齿形状的线为原始数据差分计算出的加速度，而所述下面第一条呈现锯齿形状的线相交的较为平滑的线为平滑过的速度差分计算出的加速度。可以看出蓝线很好的抓住了速度的变化趋势，理想中的加速度(有未来的速度信息计算出的加速度)应该是这样。
[0092]
该发明以紫线平滑过的速度作为输出值真值训练神经网络，对于第n帧的目标车辆，网络输入为过去10帧的特征矩阵，特定矩阵大小为10
×
39，输出为长度为2
×
m+1的平滑速度时间序列，即输出未来m帧的平滑速度及过去m帧的平滑速度，例如，本方法中m取10。
[0093]
其中，速度融合采用tcn，全拼temporal neural network，一种时序卷积网络作为骨架网络，本发明采用tcn是基于其具有并行性和稳定的梯度。
[0094]
图6是本发明实施例提供的是本发明实施例提供的tcn的网络结构示意图。
[0095]
第i帧，对第i-10帧到第i帧共10帧提取特征矩阵，矩阵输入到例如tcn的时序卷积神经网络，输出第i-m帧到第i+m帧的平滑速度。
[0096]
所述s32中，所述速度融合采用加权平均法进行融合，每一帧权重的计算包括如下步骤：
[0097]
a.基于标准差描述置信度，用统计的方法计算出预测的平滑后的速度与作为标注的真值的区别，获得标准差序列；
[0098]
每一帧输出2
×
m+1帧平滑速度预测，则输出序列的第1位到第m位为过去的平滑速度，第m+1位为当前帧平滑速度，而第m+2到第2
×
m+1位为未来平滑速度。显然过去及当前帧的平滑速度预测在特征矩阵中有相应的原始速度，而未来的速度则为基于特征矩阵的纯粹
预测，两者置信度有极大差别。为了让由融合过的速度产生的加速度帧与帧之间平滑连续，所以需要考虑到如何将每一帧的平滑速度预测序列与过去的预测融合,本方法使用加权平均法，每一帧权重由如下方法计算。
[0099]
本发明采用标准差描述置信度，用统计的方法计算出预测的平滑速度与作为标注的真值的区别，对应标准差序列为：
[0100]
[σ1,σ2,...,σ
m+1
,...,σ
2*m
,σ
2*m+1
]
[0101]
其中，对于序列每一位：
[0102][0103]
vk为第i位模型预测值，为第j位模型标注值(真值)，n为所使用的统计数据数量。
[0104]
b.基于所述标准差序列，根据误差传递公式，输出对应权重系列；
[0105]
所述对应权重序列包括如下表达式：
[0106]
w＝[1/σ
12
,1/σ
22
,...,1/σ
m+12
,...,1/σ
2*m2
,1/σ
2*m+12
]
[0107] ＝[w1,w2,...,w
m+1
,...,w
2*m
,w
2*m+1
]
[0108]
其中，w表示对应权重序列，w_1,w_2,...,w_(m+1),...,w_(2*m),w_(2*m+1)分别表示各对应权重。
[0109]
该权重序列为固定值。
[0110]
假设第i-1帧融合后的平滑速度序列为：
[0111]vsmooth
＝[v
1s
，v
2s
，...，v
i-2s
，v
i-1s
，...，v
i+m-2s
，v
i+m-1s
]
[0112]
其对应权重为
[0113]wsmooth
＝[w
1s
，w
2s
，...，w
i-2s
，w
i-1s
，...，w
i+m-2s
，w
i+m-1s
]
[0114]
当对第i帧平滑速度预测后我们需要更新v
smooth
，第i帧预测值为：
[0115]vi
＝[v
i-m
，v
i-m+1
，...，v
i-1
，vi，...，v
i+m-1
，v
i+m
]
[0116]
对应权重为w。
[0117]
则w
smooth
中对应项更新：w
i-m+ks
＝w
i-m+ks
+w
k+1
，k＝0，1，...2*m-1
[0118]
最后，将v
i+m
及w
2*m+1
直接推入v
smooth
和w
smooth
[0119]
对每一帧速度预测序列执行同样操作，获得预测的平滑后的速度。
[0120]
s4.将所述预测的平滑后的速度序列中的未来速度所包含的帧，通过后处理，获得当前帧的加速度。
[0121]
所述s4包括：
[0122]
s41.对所述预测的平滑后的速度序列中未来速度所包含的帧，做设定窗口大小的平滑；
[0123]
s42.基于做设定窗口大小的平滑的结果，获得所述平滑后的速度的加速度。
[0124]
所述设定窗口大小为未来速度所包含的帧的数量的两倍加一。
[0125]
例如，对于第i帧，
[0126]vsmooth
＝[v
1s
，v
2s
，...，v
i-2s
，v
i-1s
，...，v
i+m-2s
，v
i+m-1s
]，看出这个序列有m帧的未来速度信息。在这个速度序列上做窗口大小为2*m+1的savitzky-golay smoothing平滑，则当
前帧的加速度可以由以下公式计算得到：
[0127]
acci＝(v
i+1s-v
is
)/(t
i+1s-t
is
)
[0128]
所述平滑后的速度的加速度包括如下表达式：
[0129]
acci＝(v
i+1s-v
is
)/(t
i+1s-t
is
)
[0130]
其中，acci表示当前帧的加速度。
[0131]
本发明采用frenet坐标系，更加适合无人驾驶车基于道路进行加速或换道的决策；采用输出平滑速度的时间序列，避免帧与帧之间的输出加速度没有联系，无法达到平滑的目的；本发明考虑了速度未来变化的趋势，实现了在速度变化上不会有实时滤波的延迟，结果更准确；采用速度作为输出值比加速度直接作为输出值在后处理上更为灵活。
[0132]
上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
[0133]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0134]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于学习的加速度平滑方法，其特征在于，包括：s1.选择frenet道路坐标系，采集目标车辆附近设定范围内的车辆的跟踪轨迹数据；s2.基于所述目标车辆附近设定范围内的车辆的跟踪轨迹数据，提取行车特征；s3.基于所述行车特征，对设定帧的目标车辆，输入设定帧过去的第一设定数量的帧的特征矩阵至时序卷积网络，经训练，输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列；s4.将所述预测的平滑后的速度序列中的未来速度所包含的帧，通过后处理，获得当前帧的加速度。2.根据权利要求1所述的加速度平滑方法，其特征在于，所述s1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征一共39个特征，所述s1中，所述目标车辆附近设定范围内的车辆的跟踪轨迹数据包括：目标车辆状态特征、道路状态特征和周围车辆互动特征，所述目标车辆状态特征包括：目标车辆相对于所在车道左右两条边界的距离、目标车辆相对于所在车道的s方向速度、目标车辆相对于所在车道的l方向速度、目标车辆在所在车道上的转向角大小和车辆朝向方向和车辆在所在车道投影点上切线方向角度差；所述道路状态特征包括：所在车道及左右两条车道上除目标车辆之外前后100米内的车辆数量；所述周围车辆互动特征：该车辆距离目标车辆在s方向的相对距离、该车辆相对于目标车辆的s方向速度和该车辆相对于目标车辆的l方向速度；所述s2中，所述行车数据包括：目标车辆附近设定范围内的车辆的行车速度。3.根据权利要求1所述的加速度平滑方法，其特征在于，所述s3中，所述过去速度包括设定帧过去的第一设定数量的平滑速度；所述未来速度包括设定帧未来的第一设定数量的平滑速度。4.根据权利要求1所述的加速度平滑方法，其特征在于，所述s3包括：s31.基于所述行车特征，将所述设定帧的目标车辆，输入所述设定帧过去的第一设定数量的帧数的特征矩阵至时序卷积网络；s32.采用平滑过的速度作为输出值的真值，对所述设定帧过去的第一设定数量的帧的特征矩阵进行训练，获得预测的平滑后的速度输出过去速度、当前速度和未来速度的时间序列，获得预测的平滑后的速度序列，其中，平滑过的速度包括某帧速度的在不同帧的预测结果。5.根据权利要求4所述的加速度平滑方法，其特征在于，所述s31中，所述特征矩阵大小为设定帧过去的第一设定数量x39阶；所述s32中，平滑过的速度是通过离线采用savitzky
–
golay smoothing进行平滑的。6.根据权利要求1所述的加速度平滑方法，其特征在于，所述s32中，所述速度融合采用加权平均法进行融合，每一帧权重的计算包括如下步骤：a.基于标准差描述置信度，用统计的方法计算出预测的平滑后的速度与作为标注的真值的区别，获得标准差序列；
b.基于所述标准差序列，根据误差传递公式，输出对应权重系列。7.根据权利要求1所述的加速度平滑方法，其特征在于，所述对应权重序列包括如下表达式：w＝[1/σ
12
,1/v
22
,...,1/σ
m+12
,...,1/σ
2*m2
,1/σ
2*m+12
]＝[w1,w2,...,w
m+1
,...,w
2*m
,w
2*m+1
]。8.根据权利要求1所述的加速度平滑方法，其特征在于，所述s4包括：s41.对所述预测的平滑后的速度序列中未来速度所包含的帧，做设定窗口大小的平滑；s42.基于做设定窗口大小的平滑的结果，获得所述平滑后的速度的加速度。9.根据权利要求8所述的加速度平滑方法，其特征在于，所述窗口的大小为所述设定窗口大小为未来速度所包含的帧的数量的两倍加一。10.根据权利要求9所述的加速度平滑方法，其特征在于，所述平滑后的速度的加速度包括如下表达式：acc
i
＝(v
i+1s-is
)/(
i+1s-is
)其中，acc
i
表示当前帧的加速度。

技术总结
本发明涉及自动驾驶技术领域，提供了提供了一种基于学习的加速度平滑方法。该方法包括：选择Frenet道路坐标系，采集目标车辆附近设定范围内的车辆的跟踪轨迹数据；提取行车特征；设定帧的目标车辆，输入设定帧过去的第一设定数量的帧的特征矩阵至时序卷积网络，经训练，输出过去速度、当前速度和未来速度的时间序列；将预测的平滑后的速度序列中的未来速度所包含的帧，通过后处理，获得当前帧的加速度。本发明避免了帧与帧之间的输出加速度没有联系，无法达到平滑的目的；实现了在速度变化上不会有实时滤波的延迟，结果更准确；做到了在后处理上更为灵活。后处理上更为灵活。后处理上更为灵活。


技术研发人员：张笑枫 江頔
受保护的技术使用者：苏州智加科技有限公司
技术研发日：2023.05.22
技术公布日：2023/9/14