车辆自动驾驶轨迹规划的方法及装置与流程

1.本技术涉及智能驾驶技术领域，特别涉及一种车辆自动驾驶轨迹规划的方法及装置。


背景技术：

2.相关技术中，在轨迹簇生成后，通过路径选择代价函数包括优先级代价、过渡代价、碰撞代价和平滑代价，而后评估每一条生成的候选轨迹，并挑选出总代价最小的一条作为最优轨迹。
3.然而，相关技术中代价权重通过人工整定，增加了人工操作成本的同时，降低了权重整定的精准性，车辆的智能化水平较低，降低了用户的驾乘体验，无法满足用户的驾乘需求，亟待解决。


技术实现要素：

4.本技术提供一种车辆自动驾驶轨迹规划的方法及装置，以解决相关技术中代价权重通过人工整定，增加了人工操作成本的同时，降低了权重整定的精准性，车辆的智能化水平较低，降低了用户的驾乘体验，无法满足用户的驾乘需求的问题。
5.本技术第一方面实施例提供一种车辆自动驾驶轨迹规划的方法，包括以下步骤：根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数；采集所述车辆的行驶轨迹点集的同时，获取所述车辆的轨迹簇；基于所述轨迹的代价函数、所述行驶轨迹点集和所述轨迹簇，通过预设神经网络训练方式反向传播，得到最佳代价函数权重参数，以利用所述最佳代价函数权重参数选取所述车辆行驶的最优轨迹。
6.可选地，在本技术的一个实施例中，所述至少一个目标参数包括障碍物位置、目标位置、历史数据和路径平滑性中的任一项。
7.可选地，在本技术的一个实施例中，所述轨迹的代价函数为：
8.c(θ；ξ)＝θ1c1+θ2c2+θ3c3+θ4c4，
9.其中，c1表示所述障碍物位置的代价函数，c2表示所述目标位置的代价函数，c3表示所述历史数据代价函数，c4表示所述路径平滑代价函数，ξ表示规划轨迹。
10.可选地，在本技术的一个实施例中，在根据预设神经网络训练方式反向传播之前，还包括：将损失函数转换为预设神经网络的形式，并进行叠加，通过relu(rectified linear unit，线性整流函数)得到损失函数的输出。
11.可选地，在本技术的一个实施例中，所述预设神经网络的损失函数为：
[0012][0013]
其中，表示截取驾驶员行驶轨迹，ξ表示规划轨迹，c表示代价函数，δ表示常量。
[0014]
本技术第二方面实施例提供一种车辆自动驾驶轨迹规划的装置，包括：建立模块，
用于根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数；采集模块，用于采集所述车辆的行驶轨迹点集的同时，获取所述车辆的轨迹簇；获取模块，用于基于所述轨迹的代价函数、所述行驶轨迹点集和所述轨迹簇，通过预设神经网络训练方式反向传播，得到最佳代价函数权重参数，以利用所述最佳代价函数权重参数选取所述车辆行驶的最优轨迹。
[0015]
可选地，在本技术的一个实施例中，所述至少一个目标参数包括障碍物位置、目标位置、历史数据和路径平滑性中的任一项。
[0016]
可选地，在本技术的一个实施例中，所述轨迹的代价函数为：
[0017]
c(θ；ξ)＝θ1c1+θ2c2+θ3c3+θ4c4，
[0018]
其中，c1表示所述障碍物位置的代价函数，c2表示所述目标位置的代价函数，c3表示所述历史数据代价函数，c4表示所述路径平滑代价函数，ξ表示规划轨迹。
[0019]
可选地，在本技术的一个实施例中，本技术实施例的装置还包括：处理模块，用于在根据预设神经网络训练方式反向传播之前，将损失函数转换为预设神经网络的形式，并进行叠加，通过relu得到损失函数的输出。
[0020]
可选地，在本技术的一个实施例中，所述预设神经网络的损失函数为：
[0021][0022]
其中，表示截取驾驶员行驶轨迹，ξ表示规划轨迹，c表示代价函数，δ表示常量。
[0023]
本技术第三方面实施例提供一种车辆，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，所述处理器执行所述程序，以实现如上述实施例所述的车辆自动驾驶轨迹规划的方法。
[0024]
本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的车辆自动驾驶轨迹规划的方法。
[0025]
本技术实施例可以根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数，进行采集车辆的行驶轨迹点集的同时，获取车辆的轨迹簇，从而基于轨迹的代价函数、行驶轨迹点集和轨迹簇，通过神经网络训练方式反向传播，得到最佳代价函数权重参数，进而选取车辆行驶的最优轨迹，有效的降低了人工操作成本，提升了权重整定的精准性的同时，提升了车辆的智能化水平。由此，解决了相关技术中代价权重通过人工整定，增加了人工操作成本的同时，降低了权重整定的精准性，车辆的智能化水平较低，降低了用户的驾乘体验，无法满足用户的驾乘需求的问题。
[0026]
本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
[0027]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0028]
图1为根据本技术实施例提供的一种车辆自动驾驶轨迹规划的方法的流程图；
[0029]
图2为本技术一个具体实施例的siamese网络的结构示意图；
[0030]
图3为根据本技术实施例的车辆自动驾驶轨迹规划的装置的结构示意图；
[0031]
图4为根据本技术实施例提供的车辆的结构示意图。
具体实施方式
[0032]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
[0033]
下面参考附图描述本技术实施例的车辆自动驾驶轨迹规划的方法及装置。针对上述背景技术中心提到的相关技术中代价权重通过人工整定，增加了人工操作成本的同时，降低了权重整定的精准性，车辆的智能化水平较低，降低了用户的驾乘体验，无法满足用户的驾乘需求的问题，本技术提供了一种车辆自动驾驶轨迹规划的方法，在该方法中，可以根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数，进行采集车辆的行驶轨迹点集的同时，获取车辆的轨迹簇，从而基于轨迹的代价函数、行驶轨迹点集和轨迹簇，通过神经网络训练方式反向传播，得到最佳代价函数权重参数，进而选取车辆行驶的最优轨迹，有效的降低了人工操作成本，提升了权重整定的精准性的同时，提升了车辆的智能化水平。由此，解决了相关技术中代价权重通过人工整定，增加了人工操作成本的同时，降低了权重整定的精准性，车辆的智能化水平较低，降低了用户的驾乘体验，无法满足用户的驾乘需求的问题。
[0034]
具体而言，图1为本技术实施例所提供的一种车辆自动驾驶轨迹规划的方法的流程示意图。
[0035]
如图1所示，该车辆自动驾驶轨迹规划的方法包括以下步骤：
[0036]
在步骤s101中，根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数。
[0037]
可以理解的是，本技术实施例可以根据下述步骤中车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到下述步骤中的轨迹的代价函数，从而有效的提升了车辆自动驾驶轨迹规划的可执行性。
[0038]
其中，在本技术的一个实施例中，至少一个目标参数包括障碍物位置、目标位置、历史数据和路径平滑性中的任一项。
[0039]
在实际执行过程中，本技术实施例中的目标参数包括但不限于障碍物位置、目标位置、历史数据和路径平滑性中的任一项，并且本技术实施例可以根据至少一项目标参数建立对应的代价函数，例如，障碍物位置的代价函数为：
[0040]
c1＝f((x
t
,y
t
),(xo,yo))，
[0041]
其中，(x
t
,y
t
)表示本次路径信息，(xo,yo)表示本次障碍物信息。
[0042]
目标位置的代价函数为：
[0043]
c2＝f((x
t
,y
t
),(xc,yc))，
[0044]
其中，(x
t
,y
t
)表示本次路径信息，(xc,yc)表示本次目标特征点信息。
[0045]
历史数据代价函数为：
[0046]
c3＝f((x
t
,y
t
),(x
t-1
,y
t-1
))，
[0047]
其中，(x
t
,y
t
)表示本次路径信息，(x
t-1
,y
t-1
)表示本次历史数据信息。
[0048]
路径的平滑性代价函数为：
[0049]
c4＝f(κ)，
[0050]
其中，k表示路径曲率。
[0051]
进而，本技术实施例可以根据每个目标参数的代价函数得到轨迹的代价函数，其中，轨迹的代价函数为：
[0052]
c(θ；ξ)＝θ1c1+θ2c2+θ3c3+θ4c4，
[0053]
其中，c1表示障碍物位置的代价函数，c2表示目标位置的代价函数，c3表示历史数据代价函数，c4表示路径平滑代价函数，ξ表示规划轨迹。
[0054]
在步骤s102中，采集车辆的行驶轨迹点集的同时，获取车辆的轨迹簇。
[0055]
可以理解的是，本技术实施例可以采集车辆的行驶轨迹点集的同时，获取车辆的轨迹簇，举例而言，本技术实施例可以通过但不限于组合导航采集车辆行驶轨迹点集，即实车轨迹数据，通过但不限于自动驾驶软件系统采集轨迹簇，从而可以有效的提升车辆选取车辆自动驾驶轨迹规划的精准性，提高车辆的智能化水平。
[0056]
在步骤s103中，基于轨迹的代价函数、行驶轨迹点集和轨迹簇，通过预设神经网络训练方式反向传播，得到最佳代价函数权重参数，以利用最佳代价函数权重参数选取车辆行驶的最优轨迹。
[0057]
可以理解的是，本技术实施例可以基于上述步骤中轨迹的代价函数、行驶轨迹点集和轨迹簇，通过神经网络训练方式反向传播，得到最佳代价函数权重参数，从而可以利用最佳代价函数权重参数选取车辆行驶的最优轨迹，进而有效的降低了人工操作成本，提升了权重整定的精准性的同时，提升了车辆的智能化水平
[0058]
可选地，在本技术的一个实施例中，在根据预设神经网络训练方式反向传播之前，还包括：将损失函数转换为预设神经网络的形式，并进行叠加，通过relu得到损失函数的输出。
[0059]
举例而言，如图2所示，本技术实施例可以将损失函数转换为神经网络的形式，并进行叠加，从而通过relu得到损失函数的输出，并通过神经网络的训练方式反向传播，对图2中的θ1、θ2、θ3、θ4四个参数进行训练，最后获得合适的代价函数权重参数，并根据合适的代价函数权重参数进行最优轨迹选择，从而可以迅速且有效的整定权重参数，提升了车辆的智能化水平，提高了用户的驾乘体验。
[0060]
其中，在本技术的一个实施例中，预设神经网络的损失函数为：
[0061][0062]
其中，表示截取驾驶员行驶轨迹，ξ表示规划轨迹，c表示代价函数，δ表示常量。
[0063]
综上，本技术实施例可以运用神经网络训练方法的反向传播，训练获得代价函数权重参数，并进行最优轨迹选择，有校的提升了车辆的智能化水平，提高了用户的驾乘体验。
[0064]
根据本技术实施例提出的车辆自动驾驶轨迹规划的方法，可以根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数，进行采集车辆的行驶轨迹点集的同时，获取车辆的轨迹簇，从而基于轨迹的代价函数、行驶轨迹点集和轨迹簇，通过神经网络训练方式反向传播，得到最佳代价函数权重参数，进而选取车辆行驶的最优轨迹，有效的降低了人工操作成本，提升了权重整定的精准性的同
时，提升了车辆的智能化水平。由此，解决了相关技术中代价权重通过人工整定，增加了人工操作成本的同时，降低了权重整定的精准性，车辆的智能化水平较低，降低了用户的驾乘体验，无法满足用户的驾乘需求的问题。
[0065]
其次参照附图描述根据本技术实施例提出的车辆自动驾驶轨迹规划的装置。
[0066]
图3是本技术实施例的车辆自动驾驶轨迹规划的装置的方框示意图。
[0067]
如图3所示，该车辆自动驾驶轨迹规划的装置10包括：建立模块100、采集模块200和获取模块300。
[0068]
具体地，建立模块100，用于根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数。
[0069]
采集模块200，用于采集车辆的行驶轨迹点集的同时，获取车辆的轨迹簇。
[0070]
获取模块300，用于基于轨迹的代价函数、行驶轨迹点集和轨迹簇，通过预设神经网络训练方式反向传播，得到最佳代价函数权重参数，以利用最佳代价函数权重参数选取车辆行驶的最优轨迹。
[0071]
可选地，在本技术的一个实施例中，至少一个目标参数包括障碍物位置、目标位置、历史数据和路径平滑性中的任一项。
[0072]
可选地，在本技术的一个实施例中，轨迹的代价函数为：
[0073]
c(θ；ξ)＝θ1c1+θ2c2+θ3c3+θ4c4，
[0074]
其中，c1表示障碍物位置的代价函数，c2表示目标位置的代价函数，c3表示历史数据代价函数，c4表示路径平滑代价函数，ξ表示规划轨迹。
[0075]
可选地，在本技术的一个实施例中，本技术实施例的装置10还包括：处理模块。
[0076]
其中，处理模块，用于在根据预设神经网络训练方式反向传播之前，将损失函数转换为预设神经网络的形式，并进行叠加，通过relu得到损失函数的输出。
[0077]
可选地，在本技术的一个实施例中，预设神经网络的损失函数为：
[0078][0079]
其中，表示截取驾驶员行驶轨迹，ξ表示规划轨迹，c表示代价函数，δ表示常量。
[0080]
需要说明的是，前述对车辆自动驾驶轨迹规划的方法实施例的解释说明也适用于该实施例的车辆自动驾驶轨迹规划的装置，此处不再赘述。
[0081]
根据本技术实施例提出的车辆自动驾驶轨迹规划的装置，可以根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数，进行采集车辆的行驶轨迹点集的同时，获取车辆的轨迹簇，从而基于轨迹的代价函数、行驶轨迹点集和轨迹簇，通过神经网络训练方式反向传播，得到最佳代价函数权重参数，进而选取车辆行驶的最优轨迹，有效的降低了人工操作成本，提升了权重整定的精准性的同时，提升了车辆的智能化水平。由此，解决了相关技术中代价权重通过人工整定，增加了人工操作成本的同时，降低了权重整定的精准性，车辆的智能化水平较低，降低了用户的驾乘体验，无法满足用户的驾乘需求的问题。
[0082]
图4为本技术实施例提供的车辆的结构示意图。该车辆可以包括：
[0083]
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
[0084]
处理器402执行程序时实现上述实施例中提供的车辆自动驾驶轨迹规划的方法。
[0085]
进一步地，车辆还包括：
[0086]
通信接口403，用于存储器401和处理器402之间的通信。
[0087]
存储器401，用于存放可在处理器402上运行的计算机程序。
[0088]
存储器401可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0089]
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0090]
可选地，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
[0091]
处理器402可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0092]
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的车辆自动驾驶轨迹规划的方法。
[0093]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0094]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0095]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0096]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设
备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0097]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0098]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0099]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0100]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种车辆自动驾驶轨迹规划的方法，其特征在于，包括以下步骤：根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数；采集所述车辆的行驶轨迹点集的同时，获取所述车辆的轨迹簇；以及基于所述轨迹的代价函数、所述行驶轨迹点集和所述轨迹簇，通过预设神经网络训练方式反向传播，得到最佳代价函数权重参数，以利用所述最佳代价函数权重参数选取所述车辆行驶的最优轨迹。2.根据权利要求1所述的方法，其特征在于，所述至少一个目标参数包括障碍物位置、目标位置、历史数据和路径平滑性中的任一项。3.根据权利要求2所述的方法，其特征在于，所述轨迹的代价函数为：c(θ；ξ)＝θ1c1+θ2c2+θ3c3+θ4c4其中，c1表示所述障碍物位置的代价函数，c2表示所述目标位置的代价函数，c3表示所述历史数据代价函数，c4表示所述路径平滑代价函数，ξ表示规划轨迹。4.根据权利要求1所述的方法，其特征在于，在根据预设神经网络训练方式反向传播之前，还包括：将损失函数转换为预设神经网络的形式，并进行叠加，通过线性整流函数relu得到损失函数的输出。5.根据权利要求3所述的方法，其特征在于，所述预设神经网络的损失函数为：其中，ξ表示截取驾驶员行驶轨迹，ξ表示规划轨迹，c表示代价函数，δ表示常量。6.一种车辆自动驾驶轨迹规划的装置，其特征在于，包括：建立模块，用于根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数；采集模块，用于采集所述车辆的行驶轨迹点集的同时，获取所述车辆的轨迹簇；以及获取模块，用于基于所述轨迹的代价函数、所述行驶轨迹点集和所述轨迹簇，通过预设神经网络训练方式反向传播，得到最佳代价函数权重参数，以利用所述最佳代价函数权重参数选取所述车辆行驶的最优轨迹。7.根据权利要求6所述的装置，其特征在于，所述至少一个目标参数包括障碍物位置、目标位置、历史数据和路径平滑性中的任一项。8.根据权利要求7所述的装置，其特征在于，所述轨迹的代价函数为：c(θ；ξ)＝θ1c1+θ2c2+θ3c3+θ4c4其中，c1表示所述障碍物位置的代价函数，c2表示所述目标位置的代价函数，c3表示所述历史数据代价函数，c4表示所述路径平滑代价函数，ξ表示规划轨迹。9.一种车辆，其特征在于，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，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的车辆自动驾驶轨迹规划的方法。10.一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，以用于实现如权利要求1-5任一项所述的车辆自动驾驶轨迹规划的方法。

技术总结
本申请涉及智能驾驶技术领域，特别涉及一种车辆自动驾驶轨迹规划的方法及装置，其中，方法包括：根据车辆的至少一个目标参数分别建立对应的代价函数，并根据每个目标参数的代价函数得到轨迹的代价函数；采集车辆的行驶轨迹点集的同时，获取车辆的轨迹簇；基于轨迹的代价函数、行驶轨迹点集和轨迹簇，通过预设神经网络训练方式反向传播，得到最佳代价函数权重参数，以利用最佳代价函数权重参数选取车辆行驶的最优轨迹。由此，解决了相关技术中代价权重通过人工整定，增加了人工操作成本的同时，降低了权重整定的精准性，车辆的智能化水平较低，降低了用户的驾乘体验，无法满足用户的驾乘需求的问题。乘需求的问题。乘需求的问题。


技术研发人员：张茂胜 臧金雪 汪娟 孟宇翔 赵庆波 程成 蒲恒 吴超
受保护的技术使用者：奇瑞汽车股份有限公司
技术研发日：2023.04.10
技术公布日：2023/7/25