基于无人驾驶的车辆自动变道方法、装置、设备及介质

摘要

本发明提供的基于无人驾驶的车辆自动变道方法、装置、设备及介质，首先若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，进而一方面能够减少代码之间的冲突，提高系统稳定性，另一方面使得自动驾驶更为智能，变道更为平滑，提高了在换道场景下的躲避动态障碍物的能力。

权利要求

1.一种基于无人驾驶的车辆自动变道方法，其特征在于，包括：获取车辆当前帧的车道信息以及自车行驶信息；

若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，所述神经网络模型输出变道行驶轨迹；

结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，以使车辆以所述更新的变道行驶轨迹进行变道；其中，神经网络模型的输出仅作为代价优化函数的引导项，代价优化函数的约束条件为横向上的障碍物上下边界和车辆动力学限制。

2.根据权利要求1所述的基于无人驾驶的车辆自动变道方法，其特征在于，还包括：利用边界生成器，结合所述车道信息，生成各个车道的边界信息；

所述结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，包括：将所述变道行驶轨迹和所述边界信息输入至预设的轨迹合理性判断模型，所述轨迹合理性判断模型判断当前的变道行驶轨迹是否合理，若合理，则结合所述变道行驶轨迹和所述目标车道的参考线输出轨迹初始解；

根据所述轨迹初始解，结合所述变道行驶轨迹和代价优化函数，生成更新的变道行驶轨迹。

3.根据权利要求2所述的基于无人驾驶的车辆自动变道方法，其特征在于，则结合所述变道行驶轨迹和所述目标车道的参考线输出轨迹初始解，包括：对所述变道行驶轨迹和目标车道的参考线进行拼接处理，得到组合轨迹；

对所述组合轨迹进行平滑处理，得到所述轨迹初始解。

4.根据权利要求2或3所述的基于无人驾驶的车辆自动变道方法，其特征在于，根据所述轨迹初始解，结合所述变道行驶轨迹、代价优化函数，生成更新的变道行驶轨迹包括：将所述轨迹初始解作为所述代价优化函数的引导项；其中所述代价优化函数的约束条件为横向上的障碍物上下边界和车辆动力学限制条件；

计算所述代价优化函数在所述约束条件下的最小损失对应的行驶轨迹，并用该最小损失对应的行驶轨迹更新所述变道行驶轨迹，得到更新的变道行驶轨迹。

5.根据权利要求4所述的基于无人驾驶的车辆自动变道方法，其特征在于，所述车道信息包括障碍车信息、车道线投影；

在将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型之前，还包括：将当前帧以及当前帧之前若干帧的自车行驶信息、障碍车信息以及车道线投影分别绘制于预设鸟瞰图的不同通道中；

相对应地，所述将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型包括：将绘制之后的所述预设鸟瞰图作为所述神经网络模型的输入，进而将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型。

6.根据权利要求4所述的基于无人驾驶的车辆自动变道方法，其特征在于，还包括：建立所述神经网络模型；

利用一段时间内的连续多帧对应的车道信息和自车行驶信息训练所述神经网络模型。

7.根据权利要求1所述的基于无人驾驶的车辆自动变道方法，其特征在于，还包括：从多个神经网络模型中载入其中一个神经网络模型；每个神经网络模型是利用不同驾驶风格下的历史车道信息和历史自车行驶信息训练形成。

8.一种基于无人驾驶的车辆自动变道装置，其特征在于，包括：获取模块，获取车辆当前帧的车道信息以及自车行驶信息；

变道行驶轨迹输出模块，若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，所述神经网络模型输出变道行驶轨迹；

车辆自动变道模块，结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，以使车辆以所述更新的变道行驶轨迹进行变道；其中，神经网络模型的输出仅作为代价优化函数的引导项，代价优化函数的约束条件为横向上的障碍物上下边界和车辆动力学限制。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述的基于无人驾驶的车辆自动变道方法。

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，该计算机程序被处理器执行时实现权利要求1至7任一项所述的基于无人驾驶的车辆自动变道方法。

说明书

基于无人驾驶的车辆自动变道方法、装置、设备及介质

技术领域

[0001] 本发明涉及智能驾驶技术领域，具体涉及基于无人驾驶的车辆自动变道方法、装置、电子设备及存储介质。

背景技术

[0002] 自动驾驶车辆的决策规划模块是整个算法中的核心模块。基于规则的运动规划算法一般解耦为路径规划和速度规划。路径规划作为运动规划的重要组成部分，主要作用是接收上游感知、地图、定位和决策数据，通过对当前环境的整合，实时规划出局部范围内安全和平滑的可行路径点序列。

[0003] 当前的路径规划算法会先根据道路结构生成一条道路引导线，将这条引导线作为原始的参考路径，将障碍物边界进行膨胀生成一个凸空间，然后将路径规划问题转换为在凸空间内的二次规划（Quadratic Program，QP）问题。常用的QP代价函数一般包括两项：光滑项和引导项，约束条件为横向上的障碍物上下边界和车辆动力学限制。该类算法的效果是规划路径会在保证安全避障的前提下，尽量贴近引导线行驶。

[0004] 聚焦到交通场景中常见的换道场景，目前已有的路径规划算法已经比较成熟，但还是存在以下两个待优化的地方:

[0005] 一是路径规划模块所规划出的路径不符合乘坐人的期待，第一把会比较猛之后会比较平缓导致乘客在换道过程中较强烈地感受到是机器在驾驶，而不是一个“老司机”；

[0006] 二是目前的路径规划换道场景只支持让车变道，模块会在打转向灯之后0.5s进行变道。不支持动态障碍物的规划换道。与目前规划模块输出的换道轨迹相比，一个熟练的人类司机的变道轨迹更合理，更符合乘坐人的舒适性要求。

发明内容

[0007] 针对现有技术中的问题，本发明提供一种基于无人驾驶的车辆自动变道方法、装置、电子设备及存储介质，旨在解决目前车辆自动变道技术的缺陷。

[0008] 为解决上述技术问题，本发明提供以下技术方案：

[0009] 本申请第一方面实施例提供一种基于无人驾驶的车辆自动变道方法，包括：

[0010] 获取车辆当前帧的车道信息以及自车行驶信息；

[0011] 若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，所述神经网络模型输出变道行驶轨迹；

[0012] 结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，以使车辆以所述更新的变道行驶轨迹进行变道。

[0013] 在可选的实施例中，其特征在于，还包括：

[0014] 利用边界生成器，结合所述车道信息，生成各个车道的边界信息；

[0015] 所述结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，包括：

[0016] 将所述变道行驶轨迹和所述边界信息输入至预设的轨迹合理性判断模型，所述轨迹合理性判断模型判断当前的变道行驶轨迹是否合理，若合理，则结合所述变道行驶轨迹和所述目标车道的参考线输出轨迹初始解；

[0017] 根据所述轨迹初始解，结合所述变道行驶轨迹和代价优化函数，生成更新的变道行驶轨迹。

[0018] 在可选的实施例中，则结合所述变道行驶轨迹和所述目标车道的参考线输出轨迹初始解，包括：

[0019] 对所述变道行驶轨迹和目标车道的参考线进行拼接处理，得到组合轨迹；

[0020] 对所述组合轨迹进行平滑处理，得到所述轨迹初始解。

[0021] 在可选的实施例中，根据所述轨迹初始解，结合所述变道行驶轨迹、代价优化函数，生成更新的变道行驶轨迹包括：

[0022] 将所述轨迹初始解作为所述代价优化函数的引导项；其中所述代价优化函数的约束条件为横向上的障碍物上下边界和车辆动力学限制条件；

[0023] 计算所述代价优化函数在所述约束条件下的最小损失对应的行驶轨迹，并用该最小损失对应的行驶轨迹更新所述变道行驶轨迹，得到更新的变道行驶轨迹。

[0024] 在可选的实施例中，所述车道信息包括障碍车信息、车道线投影；

[0025] 在将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型之前，还包括：

[0026] 将当前帧以及当前帧之前若干帧的自车行驶信息、障碍车信息以及车道线投影分别绘制于预设鸟瞰图的不同通道中；

[0027] 相对应地，所述将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型包括：

[0028] 将绘制之后的所述预设鸟瞰图作为所述神经网络模型的输入，进而将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型。

[0029] 在可选的实施例中，还包括：

[0030] 建立所述神经网络模型；

[0031] 利用一段时间内的连续多帧对应的车道信息和自车行驶信息训练所述神经网络模型。

[0032] 在可选的实施例中，还包括：

[0033] 从多个神经网络模型中载入其中一个神经网络模型；每个神经网络模型是利用不同驾驶风格下的历史车道信息和历史自车行驶信息训练形成。

[0034] 本申请第二方面实施例提供一种基于无人驾驶的车辆自动变道装置，包括：

[0035] 获取模块，获取车辆当前帧的车道信息以及自车行驶信息；

[0036] 变道行驶轨迹输出模块，若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，所述神经网络模型输出变道行驶轨迹；

[0037] 车辆自动变道模块，结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，以使车辆以所述更新的变道行驶轨迹进行变道。

[0038] 本发明的又一个方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于无人驾驶的车辆自动变道方法。

[0039] 本发明的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于无人驾驶的车辆自动变道方法。

[0040] 由上述技术方案可知，本发明提供的基于无人驾驶的车辆自动变道方法、装置、电子设备及存储介质，首先若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，进而一方面能够减少代码之间的冲突，提高系统稳定性，另一方面使得自动驾驶更为智能，变道更为平滑，提高了在换道场景下的躲避动态障碍物的能力。

附图说明

[0041] 为了更清楚地说明本发明实施例或现有技术中的技术方案，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他的附图。

[0042] 图1为本发明实施例中一种基于无人驾驶的车辆自动变道方法的流程示意图。

[0043] 图2为本发明实施例中一种基于无人驾驶的车辆自动变道方法中步骤S3的具体流程示意图。

[0044] 图3为本发明实施例中一种基于无人驾驶的车辆自动变道方法中步骤S31的具体流程示意图。

[0045] 图4为本发明实施例中一种基于无人驾驶的车辆自动变道方法中步骤S32的具体流程示意图。

[0046] 图5为本发明实施例中的场景示意图。

[0047] 图6示出了本申请实施例中变道的轨迹变化示意图。

[0048] 图7为一种基于无人驾驶的车辆自动变道装置的结构示意图。

[0049] 图8为本发明实施例中的电子设备的结构示意图。

具体实施方式

[0050] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0051] 当前的路径规划算法会先根据道路结构生成一条道路引导线，将这条引导线作为原始的参考路径，将障碍物边界进行膨胀生成一个凸空间，然后将路径规划问题转换为在凸空间内的二次规划（Quadratic Program，QP）问题。常用的QP代价函数一般包括两项：光滑项和引导项，约束条件为横向上的障碍物上下边界和车辆动力学限制。该类算法的效果是规划路径会在保证安全避障的前提下，尽量贴近引导线行驶。

[0052] 聚焦到交通场景中常见的换道场景，目前已有的路径规划算法已经比较成熟，但还是存在以下两个待优化的地方:

[0053] 一是路径规划模块所规划出的路径不符合乘坐人的期待，第一把会比较猛之后会比较平缓导致乘客在换道过程中较强烈地感受到是机器在驾驶，而不是一个“老司机”；

[0054] 二是目前的路径规划换道场景只支持让车变道，模块会在打转向灯之后0.5s进行变道。不支持动态障碍物的规划换道。与目前规划模块输出的换道轨迹相比，一个熟练的人类司机的变道轨迹更合理，更符合乘坐人的舒适性要求。

[0055] 本申请的核心构思在于在原有的lane follow场景下加入学习模型生成换道轨迹的task。来实现在上游发出换道指令后，加载模型生成轨迹点，作为后面的二次优化的参考线初解，而不再使用原始的规划模块提供的参考线，从而让QP优化出一条更拟人的轨迹让下游的控制去执行。

[0056] 结合图1所示，本申请第一方面实施例提供一种基于无人驾驶的车辆自动变道方法，包括：

[0057] S1：获取车辆当前帧的车道信息以及自车行驶信息；

[0058] S2：若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，所述神经网络模型输出变道行驶轨迹；

[0059] S3：结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，以使车辆以所述更新的变道行驶轨迹进行变道。

[0060] 本发明提供的基于无人驾驶的车辆自动变道方法，首先若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，进而一方面能够减少代码之间的冲突，提高系统稳定性，另一方面使得自动驾驶更为智能，变道更为平滑，提高了在换道场景下的躲避动态障碍物的能力。

[0061] 下面结合图2至图6对本申请实施例进行详细说明，其中图5示出了本申请实施例中的车道变道示意图，图6示出了本申请的整体框架示意图。

[0062] 本申请实施例中，执行所述基于无人驾驶的车辆自动变道方法的主体可以是安装在车辆上的车载设备，例如车机，也可以是与车辆通信连接（例如蓝牙连接）的移动终端，例如手机、便携式笔记本等，进一步的，本申请也可以是车辆通过无线通讯模块将相关数据发送至云端服务器，由云端服务器执行后将结果传输给车辆进行控制，本申请对此不做限制。

[0063] 在本申请实施例中，车道信息具体可以包括每个车道的边界线、车道标识、车道上的警示物以及车道上的障碍物等。

[0064] 示例性的，本申请实施例中的一个场景下，车道信息包括三个单向车道的边界线、车道上显示的客车通道、货车通道、限速100等，以及车道上因车祸导致的障碍区，此时障碍物为故障车辆。

[0065] 在本申请实施例中，自车行驶信息可以包括自车的速度、驾驶方向、发动机扭矩、处于哪个车道、目前的方向盘方向、刹车扭矩以及车辆的导航信息等。

[0066] 示例性的，本申请实施例中的一个场景下，自车行驶信息为：车速100，驾驶方向朝正南方向，发动机扭矩为A，方向盘方向左打10°，刹车扭矩为B，车辆导航到C地点。

[0067] 进一步的，本申请实施例中上述信息可以通过采集或者直接获取得到，例如车道信息可以通过图像识别、激光雷达识别等方式采集得到，导航信息可以通过车机自身内部数据调取或者从手机等终端调取得到，本申请对此不做限制。

[0068] 本申请实施例中，当前帧之前若干帧的车道信息和自车行驶信息可以通过预存储实现，对于模型输入的数据需要提前做好存储和构造，通过在处理器的全局变量中声明，将上游传入的过去10帧和当前帧的车道信息，本车的速度、朝向信息和预测得到的障碍物信息存到全局变量中，为学习模型调用做好基础准备。

[0069] 进一步的，在可选的实施例中，所述车道信息包括障碍车信息、车道线投影；

[0070] 在将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型之前，还包括：将当前帧以及当前帧之前若干帧的自车行驶信息、障碍车信息以及车道线投影分别绘制于预设鸟瞰图的不同通道中；相对应地，所述将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型包括：将绘制之后的所述预设鸟瞰图作为所述神经网络模型的输入，进而将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型。

[0071] 本申请实施例中，结合图5和图6，首先判断车辆目前的状态是否在换道状态，如果不在换道状态，将会直接跳过本次任务；在换道状态下，首先会对获取的上游数据进行组合，将过去10帧和当前帧的本车信息，障碍车信息和车道线投影分别绘制到鸟瞰图的不同通道中，将其作为模型的输入。之后，将预先训练好的模型加载，将最终的结果存到系统的全局变量中。

[0072] 在可选的实施例中，还包括：利用边界生成器，结合所述车道信息，生成各个车道的边界信息。

[0073] 如图所示，边界生成器是根据车道信息生成车道的边界信息，最终形成图中的轨迹图。该实施例中，所述结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，如图2所示，包括：

[0074] S31：将所述变道行驶轨迹和所述边界信息输入至预设的轨迹合理性判断模型，所述轨迹合理性判断模型判断当前的变道行驶轨迹是否合理，若合理，则结合所述变道行驶轨迹和所述目标车道的参考线输出轨迹初始解；

[0075] S32：根据所述轨迹初始解，结合所述变道行驶轨迹和代价优化函数，生成更新的变道行驶轨迹。

[0076] 具体而言，这部分是判断学习模型输出的轨迹的合理性，要求其处在边界生成器生成的边界内，即判断拟人轨迹的有效性。如果无效，则在换道场景依旧使用原始的方法；有效，则需要把生成的轨迹线和目标车道的参考线进行拼接平滑，作为后续优化器的初解进行传入。

[0077] 可以理解，本申请实施例中结合所述变道行驶轨迹和所述目标车道的参考线输出轨迹初始解，如图3所示，包括：

[0078] S311：对所述变道行驶轨迹和目标车道的参考线进行拼接处理，得到组合轨迹；

[0079] S312：对所述组合轨迹进行平滑处理，得到所述轨迹初始解。

[0080] 在可选的实施例中，如图4所示，根据所述轨迹初始解，结合所述变道行驶轨迹、代价优化函数，生成更新的变道行驶轨迹包括：

[0081] S321：将所述轨迹初始解作为所述代价优化函数的引导项；其中所述代价优化函数的约束条件为横向上的障碍物上下边界和车辆动力学限制条件；

[0082] S322：计算所述代价优化函数在所述约束条件下的最小损失对应的行驶轨迹，并用该最小损失对应的行驶轨迹更新所述变道行驶轨迹，得到更新的变道行驶轨迹。

[0083] 具体的，将路径规划问题转换为在凸空间内的二次规划（Quadratic Program，QP）问题，本申请实施例通过生成目标函数实现，使目标函数所计算的cost最小，从而得到一条最优的曲线，本申请上述实施例提出的学习模型的曲线，可以作为目标函数的一个优化项，加入到优化当中来，通过加入这个优化项和调整优化项的权重，来实现调整优化无人驾驶汽车运动轨迹的功能。

[0084] 示例性的，具体的，可以在更新的变道行驶轨迹上等距或者不等距地配置不同目标点，不同目标点标记为i，变道行驶轨迹的起点标记为1，终点标记为end。

[0085] 无人车的路径规划来自于参考线的sl坐标系（s为本车行使方向，车辆纵向，l为车辆的横向），所以状态变量为sl坐标系下一系列采样点的优化值、一阶导、二阶导，即[0086]

[0087] 可以在需要更新的变道行驶轨迹上等距或者不等距地配置不同目标点（默认等距），规划的起始点为l0。

[0088] 在可选的实施例中，代价函数为：

[0089]

[0090]

[0091]

[0092]

[0093]

[0094] 其中 和 为生成的优化轨迹的在cost函数中的权重和参考轨迹本身，即上述的更新的变道行驶轨迹。ddl为二次求导，dl为一次求导，w为权重，从而本申请将 作为代价函数的引导项，权重的选择自行决定。

[0095] 约束函数主要目的是实现避障，以及满足车辆运动学要求，在可选的实施例中，约束函数如下：

[0096]

[0097]

[0098]

[0099] 其中对于 的约束， 和 由图5中边界boundary生成器生成，主要是根据静态障碍物的上下边界、自车车道边界，以及根据是否有借道或换道决策，扩展出邻近车道边界。

[0100] 对于 的约束，本申请实施例定义默认为‑2.0 2.0。~

[0101] 对于 的约束，主要是曲率的约束， ，kmax为车辆可行驶的最大曲率，kref为原始点的航向角。

[0102] 对于 的约束，z主要包含曲率变化率的约束,。

[0103] 其中α'max为前轮转向角速度，可以从方向盘最大转向角速度得到。L为轴距，v为车速。

[0104] 对于第5，6个约束，主要是保证优化的变量x，x一阶导，x二阶导之间的依赖关系的。

[0105] 上述实施例介绍的这一部分对应图5的QP优化器优化，即为其中的考虑了学习模型轨迹的代价函数，本步骤之后就是路径规划和速度规划解耦后的速度规划，从而再两者结合，再输送给控制模块。

[0106] 本实施例中，为了保证行驶的安全性，模型的输出仅作为代价优化函数的引导项。代价优化函数的约束条件为横向上的障碍物上下边界和车辆动力学限制，其光滑项不进行改变。最终优化器会输出一个cost最小的轨迹，作为后续速度规划和控制模块执行的前提。
通过提出这样一种轨迹方法，可以使自动驾驶汽车的运行轨迹更加合理，提高乘客的乘坐感受。本专利提出的方法可以针对换道场景载入各种不同的模型，同时后续可以用同样的方法对适用的场景进行设计。

[0107] 可以理解的是，常用的QP代价函数一般包括两项：光滑项和引导项，约束条件为横向上的障碍物上下边界和车辆动力学限制。该类算法的效果是规划路径会在保证安全避障的前提下，尽量贴近引导线行驶。

[0108] 可以看出，通过上述方法实现，通过神经网络的方法从“老司机”驾车轨迹中学习一条拟人化的轨迹出来，并将其与二次规划问题所结合，作为QP代价函数中的引导项，即作为路径二次优化模块的初解进行输入，从而让输入的路径更为合理，更为舒适。从而解决在变道场景下目前变道轨迹不够合理，不够拟人的问题，同时提高路径规划模块在换道场景下的躲避动态障碍物的能力。同时为各种模仿学习、强化学习、离线强化学习等基于学习的模型结合到现有路径规划模块提供一种通用的方法。

[0109] 在可选的实施例中，还包括：

[0110] S01：建立所述神经网络模型；

[0111] S02：利用一段时间内的连续多帧对应的车道信息和自车行驶信息训练所述神经网络模型。

[0112] 本申请实施例中，具体的训练过程可以通过采集司机的手动行驶信息和对应场景下的车道信息组合形成训练集，并标注司机形成的变道轨迹，之后输入到神经网络模型中，更具体的，训练集具体可以组合形成鸟瞰图的形式加载到神经网络模型中。

[0113] 在可选的实施例中，还包括：从多个神经网络模型中载入其中一个神经网络模型；每个神经网络模型是利用不同驾驶风格下的历史车道信息和历史自车行驶信息训练形成。

[0114] 本实施例中可以采用多个不同司机风格的神经网络模型，相对应地，其训练数据采用不同风格司机的实际驾驶数据进行训练，以达到“老司机”的效果。

[0115] 可以看出，本申请通过利用从真实人类驾驶数据中学习人类驾驶轨迹的模型，在现有的路径规划方法的基础上进行改进，提出了一种结合神经网络的自动驾驶换道轨迹规划方法。首先可以让自动驾驶汽车能够按照更拟人的轨迹行驶，提高乘客的舒适性感受，原始的换道轨迹合理但不合情，不够智能；同时，还能通过更改模型来使换道轨迹体现不同司机的驾驶风格，丰富驾驶轨迹的多样性；再者，本方法相对于现有的规划系统，能增加躲避动态障碍物的驾驶轨迹设计，不用传统的方法去设计动态避障场景下的换道，反而用神经网络模型去设计，能大幅度减少代码之间的冲突性，提高系统的稳定性；此外，本申请具有良好的扩展性，可以随着人类驾驶数据的增加进行模型的迭代，区分不同的驾驶风格，同时还能脱离换道场景，再其他场景中实现泛化设计。

[0116] 本申请第二方面实施例提供一种基于无人驾驶的车辆自动变道装置，如图7所示，包括：

[0117] 获取模块1，获取车辆当前帧的车道信息以及自车行驶信息；

[0118] 变道行驶轨迹输出模块2，若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，所述神经网络模型输出变道行驶轨迹；

[0119] 车辆自动变道模块3，结合所述变道行驶轨迹、代价优化函数和目标车道的参考线，生成更新的变道行驶轨迹，以使车辆以所述更新的变道行驶轨迹进行变道。

[0120] 通过上述实施例可知，本发明提供的基于无人驾驶的车辆自动变道装置，通过配置获取模块、变道行驶轨迹输出模块以及车辆自动变道模块，首先若车辆处于换道状态，将当前帧以及当前帧之前若干帧的车道信息和自车行驶信息输入至预设的神经网络模型，进而一方面能够减少代码之间的冲突，提高系统稳定性，另一方面使得自动驾驶更为智能，变道更为平滑，提高了在换道场景下的躲避动态障碍物的能力。

[0121] 从硬件层面来说，为了本发明提供一种用于实现所述基于无人驾驶的车辆自动变道方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：

[0122] 处理器(processor) 、存储器(memory) 、通信接口(Communications Interface) 和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现服务器、装置、分布式消息中间件集群装置、各类数据库以及用户终端等相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例中的基于无人驾驶的车辆自动变道方法的实施例，以及，基于无人驾驶的车辆自动变道装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

[0123] 图8为本发明实施例的电子设备9600的系统构成的示意框图。如图8所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图8是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

[0124] 一实施例中，基于无人驾驶的车辆自动变道功能可以被集成到中央处理器9100中。

[0125] 在另一个实施方式中，基于无人驾驶的车辆自动变道装置可以与中央处理器9100分开配置，例如可以将基于无人驾驶的车辆自动变道配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于无人驾驶的车辆自动变道功能。

[0126] 如图8所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。

[0127] 如图8所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

[0128] 其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

[0129] 输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

[0130] 该存储器9140可以是固态存储器，例如，只读存储器（ROM）、随机存取存储器（RAM）、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141（有时被称为缓冲器）。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

[0131] 存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能（如消息传送应用、通讯录应用等）的各种驱动程序。

[0132] 通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块（发送机/接收机）9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

[0133] 基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块（发送机/接收机）9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

[0134] 本发明的实施例还提供能够实现上述实施例中的执行主体可以为服务器的基于无人驾驶的车辆自动变道方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于无人驾驶的车辆自动变道方法的全部步骤。

[0135] 本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD‑ROM、光学存储器等）上实施的计算机程序产品的形式。

[0136] 本发明是参照根据本发明实施例的方法、设备（装置）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0137] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0138] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0139] 本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。