CN119283896A 一种自动驾驶车辆轨迹规划方法 （同济大学）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119283896A(43)申请公布日2025.01.10

(21)申请号202411367472.0

(22)申请日2024.09.29

(71)申请人同济大学

地址200092上海市杨浦区四平路1239号

(72)发明人范佳琦吴建华王于廑黄昭彦褚洪庆高炳钊陈虹

(74)专利代理机构上海科盛知识产权代理有限公司31225

专利代理师赵志远

(51)Int.CI.

B60W60/00(2020.01)

B60W50/00(2006.01)

权利要求书2页说明书9页附图1页

(54)发明名称

CN119283896

CN119283896A

(57)摘要

本发明涉及一种自动驾驶车辆轨迹规划方法，该方法包括：采用端到端分支从自动驾驶多模态数据中提取出驾驶场景的全面时空信息表示，预测生成未来设定时段内自车预测的轨迹序列；采用视觉语言模型分支将与文本指令相关的视觉特征嵌入到大语言模型中，预测得到未来设定时段内若干条不同的轨迹序列；根据损失值大小以及当前驾驶场景的危险态势对两个分支输出的轨迹序列进行融合，得到最终的规划轨迹。与现有技术相比，本发明具有安全可靠性高的优

点。

虚然

CN119283896A权利要求书1/2页

2

1.一种自动驾驶车辆轨迹规划方法，其特征在于，该方法包括：

端到端分支：对自动驾驶多模态数据进行特征提取得到驾驶场景的全面时空信息表示；对驾驶场景的全面时空信息表示进行多尺度特征学习捕获各交通参与者特征以及道路基础特征，通过交互网络提取出驾驶场景下交通参与者的交互特征；结合自车历史动态信息和驾驶场景下交通参与者的交互特征，采用时序预测模块对自车驾驶轨迹进行概率分布预测；根据驾驶场景的全面时空信息表示以及概率分布预测结果，生成未来设定时段内自车预测的轨迹序列；

视觉语言模型分支：从自动驾驶图像数据中提取到与文本指令相关的视觉特征，通过适配网络将视觉特征嵌入到大语言模型中，结合编码提示语，以结构化文本形式输出对驾驶场景的环境理解，预测未来设定时段内若干条不同的轨迹序列；

端到端分支与视觉语言模型分支的融合：将端到端分支输出的轨迹序列分别与视觉语言模型分支输出的每一条轨迹序列计算损失值，根据损失值大小以及当前驾驶场景的危险态势对两个分支输出的轨迹序列进行融合，得到最终的规划轨迹。

2.根据权利要求1所述的一种自动驾驶车辆轨迹规划方法，其特征在于，所述对自动驾驶多模态数据进行特征提取得到驾驶场景的全面时空信息表示，具体包括：分别对输入的连续多帧点云数据和图像数据进行编码，将编码得到的点云特征L和图像特征I拼接序列和图像驶场景的多模态特征F,将多模态特征F输入至时空Transformer网络，经过多模态融合得到驾驶场景的鸟瞰图特征B,即为驾驶场景的全面时空信息表示。

3.根据权利要求2所述的一种自动驾驶车辆轨迹规划方法，其特征在于，所述对驾驶场景的全面时空信息表示进行多尺度特征学习捕获各交通参与者特征以及道路基础特征，通过交互网络提取出驾驶场景下交通参与者的交互特征，具体包括：

将驾驶场景下的各智能体查询以及时空网络编码后的鸟瞰图特征B输入至基于Transformer的可变注意力网络，得到驾驶场景下的各智能体特征A;

将交通场景下的道路设施查询Mauery以及时空网络编码后的鸟瞰图特征B输入至基于Transformer的可变注意力网络，得到交通场景下的道路设施特征M;

将自车查询Egoquery、驾驶场景下的各智能体特征A以及交通场景下的道路设施特征M输入至基于图神经网络的交互网络，进行交叉注意力计算捕获以自车为中心的多阶邻域的特征交互R。

4.根据权利要求1所述的一种自动驾驶车辆轨迹规划方法，其特征在于，所述时序预测模块为基于U-Net网络的时序预测模块。

5.根据权利要求1所述的一种自动驾驶车辆轨迹规划方法，其特征在于，所述根据驾驶场景的全面时空信息表示以及概率分布预测结果，生成未来设定时段内自车预测的轨迹序列，具体包括：

将驾驶场景的全面时空信息表示以及初步概率分布预测结果通过占据栅格网络合生成道路场景约束；

根据道路场景约束和初步概率分布预测结果，通过轨迹规划网络得到短时域轨迹预测结果；

采用基于Transformer的回归式轨迹生成网络，将短时域轨迹预测结果转换得到长