一种道路车辆行为预测优先级的处理方法与流程

1.本发明涉及数据处理技术领域，特别涉及一种道路车辆行为预测优先级的处理方法。


背景技术：

2.自动驾驶中对自车行为的预测与对自车附近其他道路车辆的行为预测息息相关。原理上，在自动驾驶过程中若对自车周围的所有其他道路车辆的行为进行无差别预测，就可确保自车预测的准确度是最高的。但自动驾驶系统的软硬件资源并不是可以无限拓展的，且用于预测的预测器也并不是支持无限并发的，所以对自车周围的所有其他道路车辆的行为进行无差别预测实际是很难实现的。
3.为了能在预测器资源有限的情况下，既能对自车周围的其他道路车辆的行为进行预测又能满足指定的预测时间限制，我们给出按行为预测优先级配置预测器资源的方法来为不同的道路车辆选择不同等级的预测器进行预测。对应高优先级的道路车辆，自动驾驶系统为其选配的用于行为预测的预测器越精准，相应的软硬件资源占用也较大；对应低优先级的道路车辆，自动驾驶系统为其选配的用于行为预测的预测器较为简单，相应的软硬件资源占用也较小。而要实现上述按行为预测优先级配置预测器资源的方法，就需要预先对各个道路车辆的行为预测优先级进行确认。


技术实现要素：

4.本发明的目的，就是针对现有技术的缺陷，提供一种道路车辆行为预测优先级的处理方法、电子设备及计算机可读存储介质，将自车周围的道路车辆分为高、低优先级的道路车辆两大类，并对高优先级的道路车辆进行评分和排序。通过本发明，不但可以协助自动驾驶系统达到按行为预测优先级配置预测器资源的目的，还可以提升自动驾驶系统对高优先级车辆的资源配置精度。
5.为实现上述目的，本发明实施例第一方面提供了一种道路车辆行为预测优先级的处理方法，所述方法包括：
6.获取自车在当前时刻的位置、速度和历史轨迹信息，生成第一自车数据；
7.获取所述自车附近多个第一道路车辆在当前时刻的位置、速度和历史轨迹信息，生成第一道路车辆数据集合；所述第一道路车辆数据集合包括多个第一道路车辆数据；
8.根据所述第一自车数据和各个所述第一道路车辆对应的所述第一道路车辆数据，对所述多个第一道路车辆进行低优先级道路车辆和次高优先级道路车辆识别处理，得到多个低优先级道路车辆和多个次高优先级道路车辆；
9.对所述多个次高优先级道路车辆，进行高优先级道路车辆识别处理，得到多个所述低优先级道路车辆和多个高优先级道路车辆；
10.根据所述第一自车数据和各个所述高优先级道路车辆对应的所述第一道路车辆数据，对各个所述高优先级道路车辆进行高优先级评分处理，生成对应的第一高优先级评
分数据；
11.按对应的所述第一高优先级评分数据从大到小的顺序，对各个所述高优先级道路车辆进行排序；
12.若所述高优先级道路车辆的总数超过了预设的高优先级车数阈值，则将排序在所述高优先级车数阈值之后的所述高优先级道路车辆转为所述低优先级道路车辆。
13.优选的，所述第一自车数据包括第一自车位置数据、第一自车车速数据和第一自车历史轨迹数据；所述第一自车位置数据包括第一自车坐标数据、第一自车车道标识数据和第一自车车道路段标识数据；所述第一自车车速数据包括第一自车横向车速数据和第一自车纵向车速数据；
14.所述第一道路车辆数据包括第一位置数据、第一车速数据和第一历史轨迹数据；所述第一位置数据包括第一坐标数据、第一车道标识数据和第一车道路段标识数据；所述第一车速数据包括第一横向车速数据和第一纵向车速数据。
15.优选的，所述根据所述第一自车数据和各个所述第一道路车辆对应的所述第一道路车辆数据，对所述多个第一道路车辆进行低优先级道路车辆和次高优先级道路车辆识别处理，得到多个低优先级道路车辆和多个次高优先级道路车辆，具体包括：
16.按所述自车与各个所述第一道路车辆的距离，对所述多个第一道路车辆进行第一优先级识别处理，得到多个所述低优先级道路车辆和多个第二道路车辆；
17.在所述自车周围构建椭圆道路区域，并按各个所述第二道路车辆与构建的椭圆道路区域的归属关系，对所述多个第二道路车辆进行第二优先级识别处理，得到多个所述次高优先级道路车辆和多个第三道路车辆；
18.按所述自车与各个所述第三道路车辆所在车道的关联关系，对所述多个第三道路车辆进行第三优先级识别处理，得到多个所述低优先级道路车辆和多个所述次高优先级道路车辆。
19.进一步的，所述按所述自车与各个所述第一道路车辆的距离，对所述多个第一道路车辆进行第一优先级识别处理，得到多个所述低优先级道路车辆和多个第二道路车辆，具体包括：
20.根据所述自车对应的所述第一自车数据的所述第一自车坐标数据和各个所述第一道路车辆对应的所述第一道路车辆数据的所述第一坐标数据，计算自车与各个第一道路车辆的车间距，生成对应的第一距离数据；
21.将所述第一距离数据超过预设距离阈值的所述第一道路车辆，记为所述低优先级道路车辆；
22.将所述第一距离数据未超过所述预设距离阈值的所述第一道路车辆，记为所述第二道路车辆。
23.进一步的，所述在所述自车周围构建椭圆道路区域，并按各个所述第二道路车辆与构建的椭圆道路区域的归属关系，对所述多个第二道路车辆进行第二优先级识别处理，得到多个所述次高优先级道路车辆和多个第三道路车辆，具体包括：
24.根据预设的第一椭圆长轴长度和第一椭圆短轴长度，以所述自车对应的所述第一自车数据的所述第一自车坐标数据为椭圆中心构建椭圆道路区域，生成第一椭圆区域；
25.根据所述自车对应的所述第一自车数据的所述第一自车横向车速数据和各个所
述第二道路车辆对应的所述第一道路车辆数据的所述第一横向车速数据，计算自车与各个第二道路车辆的横向相对速度，生成对应的第一横向相对速度数据；并根据预设的短轴时间因子和所述第一横向相对速度数据的乘积关系，计算生成对应的第二椭圆短轴长度；
26.根据所述自车对应的所述第一自车数据的所述第一自车纵向车速数据和各个所述第二道路车辆对应的所述第一道路车辆数据的所述第一纵向车速数据，计算自车与各个第二道路车辆的纵向相对速度，生成对应的第一纵向相对速度数据；并根据预设的长轴时间因子和所述第一纵向相对速度数据的乘积关系，计算生成对应的第二椭圆长轴长度；
27.根据所述第二椭圆长轴长度和所述第二椭圆短轴长度，以所述自车对应的所述第一自车数据的所述第一自车坐标数据为椭圆中心构建椭圆道路区域，生成与各个所述第二道路车辆对应的第二椭圆区域；
28.将所述第一坐标数据位于所述第一椭圆区域内或所述第二椭圆区域内的所述第二道路车辆，记为所述次高优先级道路车辆；
29.将所述第一坐标数据既不位于所述第一椭圆区域内也不位于所述第二椭圆区域内的所述第二道路车辆，记为所述第三道路车辆。
30.进一步的，所述按所述自车与各个所述第三道路车辆所在车道的关联关系，对所述多个第三道路车辆进行第三优先级识别处理，得到多个所述低优先级道路车辆和多个所述次高优先级道路车辆，具体包括：
31.根据所述自车对应的所述第一自车数据的所述第一自车车道标识数据和各个所述第三道路车辆对应的所述第一道路车辆数据的所述第一车道标识数据，查询预设的反映车道关联关系的车道关联关系数据库，得到对应的第一车道关联数据；所述第一车道关联数据包括第一关联关系数据和第二关联关系数据；所述第一关联关系数据包括对向车道关系和同向车道关系；所述第二关联关系数据包括有障碍物隔离关系和无障碍物隔离关系；
32.将所述第一关联关系数据为对向车道关系且所述第二关联关系数据为有障碍物隔离关系的所述第三道路车辆，记为所述低优先级道路车辆；
33.在所述第一关联关系数据为对向车道关系且所述第二关联关系数据为无障碍物隔离关系的多个所述第三道路车辆中，将与所述自车距离最近的所述第三道路车辆记为所述次高优先级道路车辆，其余的则记为所述低优先级道路车辆；
34.获取所述自车所在位置的相邻车道路段的车道路段标识信息，生成对应的第一相邻车道路段标识数据；
35.根据所述自车对应的所述第一自车数据的所述第一自车车道路段标识数据和预设的关联路段数量，计算生成对应的第一关联路段范围；所述第一关联路段范围包括第一范围最小标识数据和第一范围最大标识数据，第一范围最小标识数据＝第一自车车道路段标识数据
‑
关联路段数量，第一范围最大标识数据＝第一自车车道路段标识数据+关联路段数量；
36.根据所述第一相邻车道路段标识数据和所述关联路段数量，计算生成对应的第二关联路段范围；所述第二关联路段范围包括第二范围最小标识数据和第二范围最大标识数据，第二范围最小标识数据＝第一相邻车道路段标识数据
‑
关联路段数量，第二范围最大标识数据＝第一相邻车道路段标识数据+关联路段数量；
37.在所述第一关联关系数据为同向车道关系的多个所述第三道路车辆中，将处于所
述第一关联路段范围或所述第二关联路段范围中的所述第三道路车辆记为所述次高优先级道路车辆，其余的则记为所述低优先级道路车辆。
38.优选的，所述对所述多个次高优先级道路车辆，进行高优先级道路车辆识别处理，得到多个所述低优先级道路车辆和多个高优先级道路车辆，具体包括：
39.根据各个所述次高优先级道路车辆对应的所述第一道路车辆数据的所述第一历史轨迹数据，预测各个次高优先级道路车辆在未来指定时段内的行驶轨迹，生成对应的第一道路车辆预测轨迹数据；
40.根据所述第一自车历史轨迹数据，对自车在未来指定时段内的行驶轨迹进行预测，生成第一自车预测轨迹数据；
41.根据所述第一自车预测轨迹数据和各个所述次高优先级道路车辆对应的所述第一道路车辆预测轨迹数据，预测自车与各个次高优先级道路车辆的轨迹相交概率，生成对应的第一相交概率；
42.将所述第一相交概率超过预设的第一相交概率阈值的所述次高优先级道路车辆，记为所述高优先级道路车辆；将所述第一相交概率未超过所述第一相交概率阈值的所述次高优先级道路车辆，转为所述低优先级道路车辆。
43.优选的，所述根据所述第一自车数据和各个所述高优先级道路车辆对应的所述第一道路车辆数据，对各个所述高优先级道路车辆进行高优先级评分处理，生成对应的第一高优先级评分数据，具体包括：
44.对所述第一自车数据的所述第一自车车速数据进行向量转换，生成对应的第一自车速度向量
45.对所述高优先级道路车辆的所述第一道路车辆数据的所述第一车速数据进行向量转换，生成对应的第一道路车辆速度向量
46.根据所述第一自车数据的所述第一自车坐标数据和所述高优先级道路车辆的所述第一道路车辆数据的所述第一坐标数据，构建从自车到高优先级道路车辆的第一位置向量
47.获取在上一时刻预测的自车与所述次高优先级道路车辆的轨迹相交概率，生成对应的第二相交概率；
48.获取在上一时刻自车对所述次高优先级道路车辆的关联行为状态，生成对应的第一行为状态；所述第一行为状态包括关联状态和无关联状态；所述关联状态至少包括邻侧行驶关联状态、跟从行驶关联状态和领航行驶关联状态；
49.对所述第一自车速度向量与所述第一道路车辆速度向量进行向量点乘，生成第一点乘结果n；
50.根据所述第一点乘结果n对反映自车与当前高优先级道路车辆间相对行驶方向的第一行驶状态进行设置；若所述第一点乘结果n为正数，则设置所述第一行驶状态为同向行驶；若所述第一点乘结果n为负数，则设置所述第一行驶状态为反向行驶；
51.当所述第一行驶状态为同向行驶时，按公式计算生成第一评分数据
s1，α为预设的第一评分参数；并设置第二评分数据s2为预设的第二一评分参数；
52.当所述第一行驶状态为反向行驶时，按公式计算生成所述第一评分数据s1；并设置所述第二评分数据s2为预设的第二二评分参数；
53.根据所述第二相交概率对第三评分数据s3进行设置；若所述第二相交概率超过预设的第二相交概率阈值，则设置所述第三评分数据s3为预设的第三一评分参数；若所述第二相交概率未超过所述第二相交概率阈值，则设置所述第三评分数据s3为预设的第三二评分参数；
54.根据所述第一行为状态对第四评分数据s4进行设置；若所述第一行为状态为关联状态，则设置所述第四评分数据s4为预设的第四一评分参数；若所述第一行为状态为无关联状态，则设置所述第四评分数据s4为预设的第四二评分参数；
55.根据所述第一评分数据s1、所述第二评分数据s2、所述第三评分数据s3和所述第四评分数据s4，按第一高优先级评分数据＝s1+s2+s3+s4，计算生成所述第一高优先级评分数据。
56.本发明实施例第二方面提供了一种电子设备，包括：存储器、处理器和收发器；
57.所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
58.所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
59.本发明实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
60.本发明实施例提供了一种道路车辆行为预测优先级的处理方法、电子设备及计算机可读存储介质，将自车周围的道路车辆分为高、低优先级的道路车辆两大类，并对高优先级的道路车辆进行评分和排序。通过本发明，不但可以协助自动驾驶系统达到按行为预测优先级配置预测器资源的目的，还可以提升自动驾驶系统对高优先级车辆的资源配置精度。
附图说明
61.图1为本发明实施例一提供的一种道路车辆行为预测优先级的处理方法示意图；
62.图2为本发明实施例二提供的一种电子设备的结构示意图。
具体实施方式
63.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
64.本发明实施例一提供一种道路车辆行为预测优先级的处理方法，如图1为本发明实施例一提供的一种道路车辆行为预测优先级的处理方法示意图所示，本方法主要包括如下步骤：
65.步骤1，获取自车在当前时刻的位置、速度和历史轨迹信息，生成第一自车数据；
66.其中，第一自车数据包括第一自车位置数据、第一自车车速数据和第一自车历史轨迹数据；第一自车位置数据包括第一自车坐标数据、第一自车车道标识数据和第一自车车道路段标识数据；第一自车车速数据包括第一自车横向车速数据和第一自车纵向车速数据。
67.这里，第一自车位置数据的第一自车坐标数据可为地图绝对坐标信息，也可为以某条道路为参照在该条道路上的道路坐标信息，常规情况下优选地图绝对坐标作为自车坐标数据；第一自车车道标识数据为自车所在道路车道的标识信息；每个车道沿行驶方向可被划分为多个路段，第一自车车道路段标识数据即为自车所在车道的路段标识信息；第一自车车速数据为自车当前时刻的速度信息，分解第一自车车速数据可得到第一自车横向车速数据和第一自车纵向车速数据，第一自车横向车速数据为与车道行驶方向垂直的横向速度分量，第一自车纵向车速数据为沿与车道行驶方向的纵向速度分量；第一自车历史轨迹数据也就是自动驾驶系统在每个时刻对自车进行行为轨迹预测后累计的历史轨迹信息，第一自车历史轨迹数据实际为多个时刻的预测轨迹信息的合集。
68.步骤2，获取自车附近多个第一道路车辆在当前时刻的位置、速度和历史轨迹信息，生成第一道路车辆数据集合；
69.其中，第一道路车辆数据集合包括多个第一道路车辆数据；第一道路车辆数据包括第一位置数据、第一车速数据和第一历史轨迹数据；第一位置数据包括第一坐标数据、第一车道标识数据和第一车道路段标识数据；第一车速数据包括第一横向车速数据和第一纵向车速数据。
70.这里，在自车附近可能存在多个道路车辆也就是多个第一道路车辆，与自车数据类似，第一坐标数据可为地图绝对坐标信息，也可为以某条道路为参照在该条道路上的道路坐标信息，常规情况下优选地图绝对坐标作为道路车辆坐标数据；第一车道标识数据为对应的道路车辆所在道路车道的标识信息；每个车道沿行驶方向可被划分为多个路段，第一车道标识数据即为对应的道路车辆所在车道的路段标识信息；第一车速数据为对应的道路车辆当前时刻的速度信息，分解第一车速数据可得到第一横向车速数据和第一纵向车速数据，第一横向车速数据为与车道行驶方向垂直的横向速度分量，第一纵向车速数据为沿与车道行驶方向的纵向速度分量；第一历史轨迹数据也就是自动驾驶系统在每个时刻对第一道路车辆数据进行行为轨迹预测后累计的历史轨迹信息，第一历史轨迹数据实际为多个时刻的预测轨迹信息的合集。
71.步骤3，根据第一自车数据和各个第一道路车辆对应的第一道路车辆数据，对多个第一道路车辆进行低优先级道路车辆和次高优先级道路车辆识别处理，得到多个低优先级道路车辆和多个次高优先级道路车辆；
72.这里，将自车附近多个第一道路车辆划分为两大类：低优先级道路车辆和次高优先级道路车辆；
73.具体包括：步骤31，按自车与各个第一道路车辆的距离，对多个第一道路车辆进行第一优先级识别处理，得到多个低优先级道路车辆和多个第二道路车辆；
74.这里，实际以自车的坐标为圆心，以一个预设的距离阈值为半径，在自车周围做了一个圆形道路区域；本发明实施例认为处于圆形道路区域之外的第一道路车辆与自车发生
碰撞的几率较小，所以将这样的第一道路车辆识别为低优先级道路车辆；对于处于该圆形道路区域的第一道路车辆，本发明实施例会将其标记成第二道路车辆并送入后续步骤32进行进一步的识别；
75.具体包括：步骤311，根据自车对应的第一自车数据的第一自车坐标数据和各个第一道路车辆对应的第一道路车辆数据的第一坐标数据，计算自车与各个第一道路车辆的车间距，生成对应的第一距离数据；
76.这里，第一距离数据就是两个坐标点之间的直线距离；
77.步骤312，将第一距离数据超过预设距离阈值的第一道路车辆，记为低优先级道路车辆；将第一距离数据未超过预设距离阈值的第一道路车辆，记为第二道路车辆；
78.这里，预设距离阈值为预先设定的系统参数，也即是上述圆形道路区域的半径；第一距离数据超过预设距离阈值则说明未处于该圆形道路区域，对应的第一道路车辆将被识别为低优先级道路车辆；第一距离数据未超过预设距离阈值则说明处于该圆形道路区域，对应的第一道路车辆将被识别为第二道路车辆送入后续步骤32进行进一步的识别；
79.步骤32，在自车周围构建椭圆道路区域，并按各个第二道路车辆与构建的椭圆道路区域的归属关系，对多个第二道路车辆进行第二优先级识别处理，得到多个次高优先级道路车辆和多个第三道路车辆；
80.这里，我们已知常规情况下车辆行驶的特点是纵向速度远大于横向速度，若以自车的坐标为中心、以自车行驶方向也就是纵向方向为长轴方向、以与自车行驶方向的垂直方向也就是横向方向为短轴方向做椭圆道路区域，更符合车辆的速度分配特征，从而可以提升筛查精度；
81.具体包括：步骤321，根据预设的第一椭圆长轴长度和第一椭圆短轴长度，以自车对应的第一自车数据的第一自车坐标数据为椭圆中心构建椭圆道路区域，生成第一椭圆区域；
82.这里，第一椭圆区域的形状是一个固定的椭圆形状，其长轴也就是第一椭圆长轴长度、短轴也就是第一椭圆短轴长度，都是预先设定好的；
83.步骤322，根据自车对应的第一自车数据的第一自车横向车速数据和各个第二道路车辆对应的第一道路车辆数据的第一横向车速数据，计算自车与各个第二道路车辆的横向相对速度，生成对应的第一横向相对速度数据；并根据预设的短轴时间因子和第一横向相对速度数据的乘积关系，计算生成对应的第二椭圆短轴长度；
84.步骤323，根据自车对应的第一自车数据的第一自车纵向车速数据和各个第二道路车辆对应的第一道路车辆数据的第一纵向车速数据，计算自车与各个第二道路车辆的纵向相对速度，生成对应的第一纵向相对速度数据；并根据预设的长轴时间因子和第一纵向相对速度数据的乘积关系，计算生成对应的第二椭圆长轴长度；
85.步骤324，根据第二椭圆长轴长度和第二椭圆短轴长度，以自车对应的第一自车数据的第一自车坐标数据为椭圆中心构建椭圆道路区域，生成与各个第二道路车辆对应的第二椭圆区域；
86.这里，本发明实施例除了提供一个固定形状的第一椭圆区域之外，还会基于自车与各个第二道路车辆间的相对速度构建一个动态的第二椭圆区域；该区域的中心仍旧是以自车的坐标为中心；该区域的长轴是动态变化的，由纵向相对速度与时间的乘积关系得到，
此处的长轴时间因子为一个预先设定的用于与纵向相对速度相乘的时间参数；该区域的短轴也是动态变化的，由横向相对速度与时间的乘积关系得到，此处的短轴时间因子为一个预先设定的用于与横向相对速度相乘的时间参数；
87.步骤325，将第一坐标数据位于第一椭圆区域内或第二椭圆区域内的第二道路车辆，记为次高优先级道路车辆；将第一坐标数据既不位于第一椭圆区域内也不位于第二椭圆区域内的第二道路车辆，记为第三道路车辆；
88.这里，本发明实施例认为处于第一椭圆区域或第二椭圆区域内的第二道路车辆与自车发生碰撞的几率较大，会将其直接设定为次高优先级道路车辆；对于既不处于第一椭圆区域内也不处于第二椭圆区域内的第二道路车辆，本发明实施例会将之标记为第三道路车辆并送入后续步骤33进行进一步的识别；
89.步骤33，按自车与各个第三道路车辆所在车道的关联关系，对多个第三道路车辆进行第三优先级识别处理，得到多个低优先级道路车辆和多个次高优先级道路车辆；
90.这里，本步骤还会对处于步骤31的圆形道路区域内但未处于步骤32的椭圆道路区域内的其他道路车辆也就是第三道路车辆基于其与自车所在车道的关联关系进行进一步的筛查；
91.具体包括：步骤331，根据自车对应的第一自车数据的第一自车车道标识数据和各个第三道路车辆对应的第一道路车辆数据的第一车道标识数据，查询预设的反映车道关联关系的车道关联关系数据库，得到对应的第一车道关联数据；
92.其中，第一车道关联数据包括第一关联关系数据和第二关联关系数据；第一关联关系数据包括对向车道关系和同向车道关系；第二关联关系数据包括有障碍物隔离关系和无障碍物隔离关系；
93.车道关联关系数据库包括多个车道关联关系数据记录；每个车道关联关系数据记录至少包括两个车道的关联特征信息：第一车道标识字段、第二车道标识字段和第一关联特征字段；第一关联特征字段包括第一车道方向关联信息和第一车道隔离物关联信息；第一车道方向关联信息包括对向车道关系和同向车道关系；第一车道隔离物关联信息包括有障碍物隔离关系和无障碍物隔离关系；
94.在根据自车对应的第一自车数据的第一自车车道标识数据和各个第三道路车辆对应的第一道路车辆数据的第一车道标识数据，查询预设的反映车道关联关系的车道关联关系数据库时，具体为：对车道关联关系数据库的车道关联关系数据记录进行轮询，并将当前被轮询的车道关联关系数据记录作为当前记录；若当前记录的第一车道标识字段与第一自车车道标识数据匹配，且当前记录的第二车道标识字段与第一车道标识数据匹配，则提取当前记录的第一关联特征字段的第一车道方向关联信息作为第一关联关系数据，提取当前记录的第一关联特征字段的第一车道隔离物关联信息作为第二关联关系数据，并由第一关联关系数据和第二关联关系数据构成反映自车与当前第三道路车辆车道关联关系的第一车道关联数据；
95.这里，在地图中每条道路可分为多个车道，每个车道被分配了一个唯一车道标识予以对应，第一自车车道标识数据为自车所在车道的唯一标识，第一车道标识数据为对应的第三道路车辆所在车道的唯一标识；
96.第一关联关系数据反映了比对车道(自车和第三道路车辆各自所在车道)间的关
联特征，包括反映比对车道行驶方向状态的第一关联关系数据和反映比对车道间隔离物状态的第二关联关系数据；
97.第一关联关系数据若为对向车道关系即说明自车与第三道路车辆各自所在车道的行驶方向相反，若为同向车道关系即说明自车与第三道路车辆各自所在车道的行驶方向相同；
98.第二关联关系数据若为有障碍物隔离关系即说明自车与第三道路车辆各自所在车道间有实体障碍物对车道进行了物理隔离(例如，绿化带、防护栏、隔离路基等)，若为无障碍物隔离关系即说明自车与第三道路车辆各自所在车道间没有使用实体障碍物对车道进行物理隔离；
99.步骤332，将第一关联关系数据为对向车道关系且第二关联关系数据为有障碍物隔离关系的第三道路车辆，记为低优先级道路车辆；
100.这里，若自车与某个第三道路车辆间处于两个对向车道且车道间有实体障碍物对车道进行了物理隔离，本发明实施例认为二者发生碰撞的几率较小，所以将这样的第三道路车辆识别为低优先级道路车辆；
101.步骤333，在第一关联关系数据为对向车道关系且第二关联关系数据为无障碍物隔离关系的多个第三道路车辆中，将与自车距离最近的第三道路车辆记为次高优先级道路车辆，其余的则记为低优先级道路车辆；
102.这里，对于与自车处于两个对向车道且车道间没有实体障碍物的多个第三道路车辆，本发明实施例认为距离最近那辆与自车发生碰撞的几率较大，所以将其识别为次高优先级道路车辆，其他的则识别为低优先级道路车辆；
103.具体在判断自车与各个第三道路车辆之间距离时，可根据步骤31中计算得到的第一距离数据进行判断，选择数值最小的第一距离数据对应的第三道路车辆作为距离最近的第三道路车辆并将其标记为次高优先级道路车辆；
104.步骤334，获取自车所在位置的相邻车道路段的车道路段标识信息，生成对应的第一相邻车道路段标识数据；
105.这里，在地图中每条道路可分为多个车道，每个车道还可分为多个路段，每个路段被分配了一个唯一车道路段标识予以对应；
106.需要说明的是，本发明实施例默认设置相邻车道路段为左右相邻的第一条车道，但在一些应用场景中还可通过设置相邻车道阈值n来拓展相邻关系；具体的，以自车所在位置对自车所在车道做垂线生成第一路段垂线；相邻车道阈值n为1时，相邻车道路段包括与自车所在车道路段相邻的左边第1条车道中处于第一路段垂线上的路段，和与自车所在车道路段相邻的右边第1条车道中处于第一路段垂线上的路段；相邻车道阈值n大于1时，相邻车道路段包括与自车所在车道路段相邻的左边n条车道中处于第一路段垂线上的所有路段，和与自车所在车道路段相邻的右边n条车道中处于第一路段垂线上的所有路段；默认情况下相邻车道阈值n被预设为1，在高速行驶道路上或者交通状态较为复杂的情况下相邻车道阈值n可被设为大于1的值；
107.步骤335，根据自车对应的第一自车数据的第一自车车道路段标识数据和预设的关联路段数量，计算生成对应的第一关联路段范围；
108.其中，第一关联路段范围包括第一范围最小标识数据和第一范围最大标识数据，
第一范围最小标识数据＝第一自车车道路段标识数据
‑
关联路段数量，第一范围最大标识数据＝第一自车车道路段标识数据+关联路段数量；
109.这里，关联路段数量为一个预设的前后路段拓展数量；
110.步骤336，根据第一相邻车道路段标识数据和关联路段数量，计算生成对应的第二关联路段范围；
111.其中，第二关联路段范围包括第二范围最小标识数据和第二范围最大标识数据，第二范围最小标识数据＝第一相邻车道路段标识数据
‑
关联路段数量，第二范围最大标识数据＝第一相邻车道路段标识数据+关联路段数量；
112.这里，通过上述步骤334
‑
336的操作，在自车周围按车道路段划出了一个道路路段区域，该道路路段区域由第一关联路段范围和多个第二关联路段范围构成；对于第二关联路段范围的数量，若当前道路只有一条车道那么第二关联路段范围的数量为0，若当前道路有两条或两条以上车道那么第二关联路段范围的数量大于或等于1；
113.步骤337，在第一关联关系数据为同向车道关系的多个第三道路车辆中，将处于第一关联路段范围或第二关联路段范围中的第三道路车辆记为次高优先级道路车辆，其余的则记为低优先级道路车辆。
114.这里，对于与自车处于同向车道的第三道路车辆，本发明实施例认为若其处于由第一关联路段范围和第二关联路段范围构成的道路路段区域内，则与自车发生碰撞的几率较大，所以将这样的第三道路车辆识别为次高优先级道路车辆，其余的则记为低优先级道路车辆。
115.步骤4，对多个次高优先级道路车辆，进行高优先级道路车辆识别处理，得到多个低优先级道路车辆和多个高优先级道路车辆；
116.这里，在对得到的多个次高优先级道路车辆还需做进一步的优先级识别，并从中识别出与自车碰撞几率最高的车辆集合也就是多个高优先级道路车辆，未被识别为高优先级道路车辆的则归为低优先级道路车辆；
117.具体包括：步骤41，根据各个次高优先级道路车辆对应的第一道路车辆数据的第一历史轨迹数据，预测各个次高优先级道路车辆在未来指定时段内的行驶轨迹，生成对应的第一道路车辆预测轨迹数据；
118.这里，第一道路车辆预测轨迹数据是以当前时刻为出发点预测出某个次高优先级道路车辆在未来一段时间内也就是指定时段内的行驶轨迹，第一道路车辆预测轨迹数据常规情况下由多个第一预测轨迹点构成，每个第一预测轨迹点对应一组第一轨迹点预测数据，每组第一轨迹点预测数据至少包括预测坐标、预测速度和预测位姿等信息；
119.步骤42，根据第一自车历史轨迹数据，对自车在未来指定时段内的行驶轨迹进行预测，生成第一自车预测轨迹数据；
120.这里，与步骤41类似，第一自车预测轨迹数据是以当前时刻为出发点预测出自车在未来一段时间内也就是指定时段内的行驶轨迹，第一自车预测轨迹数据规情况下由多个第一自车预测轨迹点构成，每个第一自车预测轨迹点对应一组第一自车轨迹点预测数据，每组第一自车轨迹点预测数据至少包括预测坐标、预测速度和预测位姿等信息；
121.步骤43，根据第一自车预测轨迹数据和各个次高优先级道路车辆对应的第一道路车辆预测轨迹数据，预测自车与各个次高优先级道路车辆的轨迹相交概率，生成对应的第
一相交概率；
122.这里，在预测自车与各个次高优先级道路车辆的轨迹相交概率时，处理方法有多种；
123.例如，计算第一自车预测轨迹数据与第一道路车辆预测轨迹数据间的交叉轨迹点位置生成第一相交轨迹点；若第一相交轨迹点不存在则第一相交概率为0；若第一相交轨迹点存在则计算第一相交轨迹点对应的预测时间距离当前时刻的时差生成第一时差；并根据第一相交概率与第一时差的性正相关关系，计算出对应的第一相交概率；
124.又例如，依次连接第一自车预测轨迹数据的第一自车预测轨迹点做几何封闭图形生成第一图形；依次连接第一道路车辆预测轨迹数据间的第一预测轨迹点做几何封闭图形生成第二图形；计算第一图形与第二图形的重叠区域的重叠度，并将计算结果作为第一相交概率；
125.步骤43，将第一相交概率超过预设的第一相交概率阈值的次高优先级道路车辆，记为高优先级道路车辆；将第一相交概率未超过第一相交概率阈值的次高优先级道路车辆，转为低优先级道路车辆。
126.这里，第一相交概率阈值为一个预先设定的用于判断自车与次高优先级道路车辆在未来指定时段内发生碰撞的概率阈值；若第一相交概率超过第一相交概率阈值则说明自车与次高优先级道路车辆在未来指定时段内发生碰撞的几率很高，反之则视为碰撞几率较小或不会碰撞；那么自然，第一相交概率超过第一相交概率阈值的次高优先级道路车辆会被识别为高优先级道路车辆，反之则降为低优先级道路车辆。
127.步骤5，根据第一自车数据和各个高优先级道路车辆对应的第一道路车辆数据，对各个高优先级道路车辆进行高优先级评分处理，生成对应的第一高优先级评分数据；
128.这里，在得到高优先级道路车辆之后，本发明实施例还会对高优先级道路车辆的车辆集合进行进一步细化也就是对各个高优先级道路车辆进行优先级评分；
129.具体包括：步骤51，对第一自车数据的第一自车车速数据进行向量转换，生成对应的第一自车速度向量对高优先级道路车辆的第一道路车辆数据的第一车速数据进行向量转换，生成对应的第一道路车辆速度向量根据第一自车数据的第一自车坐标数据和高优先级道路车辆的第一道路车辆数据的第一坐标数据，构建从自车到高优先级道路车辆的第一位置向量获取在上一时刻预测的自车与次高优先级道路车辆的轨迹相交概率，生成对应的第二相交概率；获取在上一时刻自车对次高优先级道路车辆的关联行为状态，生成对应的第一行为状态；
130.其中，第一行为状态包括关联状态和无关联状态；关联状态至少包括邻侧行驶关联状态、跟从行驶关联状态和领航行驶关联状态；
131.这里，第一自车速度向量为第一自车车速数据的向量表达方式；第一道路车辆速度向量为第一车速数据的向量表达方式；第一位置向量为由第一自车坐标数据指向第一坐标数据的方向向量；第二相交概率实际就是当前时刻的上一时刻预测得到的第一相交概率；第一行为状态为自动驾驶系统在上一时刻基于预测出的第一相交概率和其他感知数据状态做出的与行驶决策有关的状态信息；第一行为状态若为关联状态说明上一时刻
该高优先级道路车辆的行为轨迹对自车的形式决策造成了影响，其中，邻侧行驶关联状态说明上一时刻的行驶决策为继续在高优先级道路车辆的邻侧车道行驶、跟从行驶关联状态说明上一时刻的行驶决策为在高优先级道路车辆的同车道内跟车行驶、领航行驶关联状态说明上一时刻的行驶决策为在高优先级道路车辆的同车道内完成超车；第一行为状态若为无关联状态说明上一时刻该高优先级道路车辆的行为轨迹对自车的形式决策未造成任何影响；
132.步骤52，对第一自车速度向量与第一道路车辆速度向量进行向量点乘，生成第一点乘结果n；
133.步骤53，根据第一点乘结果n对反映自车与当前高优先级道路车辆间相对行驶方向的第一行驶状态进行设置；若第一点乘结果n为正数，则设置第一行驶状态为同向行驶；若第一点乘结果n为负数，则设置第一行驶状态为反向行驶；
134.这里，由向量点乘原理我们可知，同向向量点乘的结果为正数，反之为负数；通过判断第一点乘结果n的正负，可确认自车与高优先级道路车辆的行驶方向是同向还是反向；
135.步骤54，当第一行驶状态为同向行驶时，按公式计算生成第一评分数据s1，α为预设的第一评分参数；并设置第二评分数据s2为预设的第二一评分参数；
136.步骤55，当第一行驶状态为反向行驶时，按公式计算生成第一评分数据s1；并设置第二评分数据s2为预设的第二二评分参数；
137.这里，第一评分参数α常规可被设为0.5，这样第一评分数据s1的取值范围就为0到0.5之间；第二一评分参数常规可被设为0.1,第二二评分参数常规可被设为0，这样第二评分数据s2的取值要么为0.1要么为0；
138.步骤56，根据第二相交概率对第三评分数据s3进行设置；若第二相交概率超过预设的第二相交概率阈值，则设置第三评分数据s3为预设的第三一评分参数；若第二相交概率未超过第二相交概率阈值，则设置第三评分数据s3为预设的第三二评分参数；
139.这里，第二相交概率阈值是用于设别是否存在碰撞可能的概率，可与前文的第一相交概率阈值一致，也可低于第一相交概率阈值，例如直接设为0；第三一评分参数常规可被设为0.3,第三二评分参数常规可被设为0，这样第三评分数据s3的取值要么为0.3要么为0；
140.步骤57，根据第一行为状态对第四评分数据s4进行设置；若第一行为状态为关联状态，则设置第四评分数据s4为预设的第四一评分参数；若第一行为状态为无关联状态，则设置第四评分数据s4为预设的第四二评分参数；
141.这里，若第一行为状态为关联状态说明上一时刻该高优先级道路车辆对自车的行为决策造成了影响，因此与自车相关度较高；若第一行为状态为无关联状态说明上一时刻该高优先级道路车辆对自车的行为决策未造成了影响，因此与自车相关度较低；第四一评分参数常规可被设为0.1,第四二评分参数常规可被设为0，这样第四评分数据s4的取值要么为0.1要么为0；
142.步骤58，根据第一评分数据s1、第二评分数据s2、第三评分数据s3和第四评分数据
s4，按第一高优先级评分数据＝s1+s2+s3+s4，计算生成第一高优先级评分数据。
143.这里，若第一评分数据s1的取值范围就为0到0.5之间，第二评分数据s2的取值要么为0.1要么为0，第三评分数据s3的取值要么为0.3要么为0，第四评分数据s4的取值要么为0.1要么为0，那么第一高优先级评分数据的取值范围就为0到1之间；第一高优先级评分数据越高，则对应的高优先级道路车辆与自车的关联度越高，碰撞几率越大。
144.步骤6，按对应的第一高优先级评分数据从大到小的顺序，对各个高优先级道路车辆进行排序。
145.步骤7，若高优先级道路车辆的总数超过了预设的高优先级车数阈值，则将排序在高优先级车数阈值之后的高优先级道路车辆转为低优先级道路车辆。
146.例如，高优先级道路车辆的总数为10，预设的高优先级车数阈值为5，那么对10辆高优先级道路车辆按各自对应的第一高优先级评分数据从大到小排序后，将排在前面的5辆高优先级道路车辆进行保留，将排序在6
‑
10的5辆高优先级道路车辆降级为低优先级道路车辆。
147.经过上述步骤1
‑
7的操作之后，本发明实施例可将自车周围的所有道路车辆划分出高、低优先级道路车辆两种优先级车辆集合；对于高优先级道路车辆所在的集合还会挨个进行优先级评分，并评分高低排序。这样一来，自动驾驶系统就能根据高优先级道路车辆的排序为对应车辆分配不同精度级别的高精度预测器进行预测，还能使用通用的低精度预测器对所有低优先级道路车辆进行预测；从而就实现了在有限的预测器软硬件资源的情况下，还可兼顾对所有车辆的预测准确度和预测时限要求。
148.图2为本发明实施例二提供的一种电子设备的结构示意图。该电子设备可以为实现本发明实施例方法的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图2所示，该电子设备可以包括：处理器301(例如cpu)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
149.在图2中提到的系统总线305可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该系统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。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，ram)，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。
150.上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)、图形处理器(graphics processing unit，gpu)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件。
151.需要说明的是，本发明实施例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指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
152.本发明实施例还提供一种运行指令的芯片，该芯片用于执行前述方法实施例描述的处理步骤。
153.本发明实施例提供了一种道路车辆行为预测优先级的处理方法、电子设备及计算机可读存储介质，将自车周围的道路车辆分为高、低优先级的道路车辆两大类，并对高优先级的道路车辆进行评分和排序。通过本发明，不但可以协助自动驾驶系统达到按行为预测优先级配置预测器资源的目的，还可以提升自动驾驶系统对高优先级车辆的资源配置精度。
154.专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
155.结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。
156.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。