一种车辆预瞄点的确定方法、装置、电子设备及介质与流程

1.本技术涉及辅助驾驶技术领域，尤其涉及一种车辆预瞄点的确定方法、装置、电子设备及介质。


背景技术：

2.车辆轨迹跟随控制技术是智能辅助驾驶以及无人驾驶中不可或缺的环节。而在曲线路径跟踪控制过程中，预瞄点的确定又是非常重要的技术。预瞄点是指车辆在经过控制后达到期望路径上的一个目标点。在确定预瞄点后，就可以根据预瞄点信息，进行纵向加速度等控制参数的计算，进而执行整车动力扭矩和制动减速度。
3.相关技术中，在确定预瞄点时多采用预瞄时间法或预瞄距离法，即采用固定的预瞄时间或者固定的预瞄距离来确定预瞄点。但是现有方案在遇到行驶场景切换时，会导致速度波动较大等问题，降低了乘坐的舒适性和安全性。


技术实现要素：

4.本技术实施例提供了一种车辆预瞄点的确定方法、装置、电子设备及介质，以达到实时、动态地选择合适的预瞄点以进行控制策略切换，在驾驶场景切换等复杂工况下能够稳定车速，提升控制的舒适性和安全性的技术效果。
5.依据本技术的第一方面，提供了一种车辆预瞄点的确定方法，所述方法包括：
6.获取车辆的轨迹规划结果；
7.通过预先训练的双通道cnn模型，得到所述轨迹规划结果中的预瞄点结果，其中所述双通道cnn模型为使用多组数据通过神经网络训练得出的，多组数据中的每组数据均包括目标状态序列集；
8.根据所述预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。
9.可选地，所述双通道cnn模型包括速度卷积神经网络通道和加速度卷积神经网络通道，并且所述速度卷积神经网络通道和所述加速度卷积神经网络通道的构型一致。
10.可选地，所述双通道cnn模型由输入层、第一卷积层、第二卷积层、第一池化层、第二池化层以及全连接层组成，其中，所述第一池化层采用均值池化层，所述第二池化层采用最大值池化层。
11.可选地，所述目标状态序列集包括实时采集的时间-速度状态序列集以及时间-加速度状态序列集，
12.所述方法还包括：
13.将所述时间-速度状态序列集以及所述时间-加速度状态序列集划分为训练数据和测试数据；
14.利用所述训练数据对所述双通道cnn模型进行预先训练，并得到训练好的双通道cnn模型；
15.将所述测试数据输入所述训练好的双通道cnn模型，输出得到速度预瞄点结果以
及加速度预瞄点结果。
16.可选地，利用所述训练数据对所述双通道cnn模型进行预先训练之前，还包括：
17.对所述训练数据进行滤波处理、离散傅里叶变换以及归一化处理。
18.可选地，所述利用所述训练数据对所述双通道cnn模型进行预先训练，并得到训练好的双通道cnn模型，包括：
19.采用随机梯度下降算法，并通过不断降低损失函数的函数值来学习和更新所述双通道cnn模型的模型参数。
20.可选地，所述方法还包括：对所述速度预瞄点结果和所述加速度预瞄点结果进行逻辑判断，其中，
21.当输出的两个预瞄点结果中的预瞄点编号的序号差值大于10时，选取加速度预瞄点结果为最终的输出结果；
22.当输出的两个预瞄点结果中的预瞄点编号的序号差值小于5时，选取序号的平均值所对应的预瞄点结果为最终的输出结果。
23.依据本技术的第二方面，提供了一种车辆预瞄点的确定装置，所述装置包括：
24.获取单元，用于获取车辆的轨迹规划结果；
25.选择单元，用于通过预先训练的双通道cnn模型，得到所述轨迹规划结果中的预瞄点结果，其中所述双通道cnn模型为使用多组数据通过神经网络训练得出的，多组数据中的每组数据均包括目标状态序列集；
26.确定单元，用于根据所述预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。
27.依据本技术的第三方面，提供了一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述任一项所述的车辆预瞄点的确定方法。
28.依据本技术的第四方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一项所述的车辆预瞄点的确定方法。
29.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
30.提供了一种车辆预瞄点的确定方法，首先，获取车辆的轨迹规划结果，并以规划的时间-车速、时间-加速度状态序列集为输入，将其输入预先训练的双通道cnn模型；其次，通过预先训练的双通道cnn模型，得到所述轨迹规划结果中的预瞄点结果，其中所述双通道cnn模型为使用多组数据通过神经网络训练得出的，多组数据中的每组数据均包括目标状态序列集；最后，根据所述预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。本技术通过搭建双通道一维卷积神经网络模型的方式，能够实时、动态地确定出速度和加速度的突变点，解决了复杂驾驶工况下系统控制较差等问题，在车辆场景切换时，提前输出场景切换的临界点作为预瞄点，并以此进行控制策略的切换。本技术不仅能够稳定车速，提升了控制的舒适性和安全性，而且所述双通道cnn模型的训练方式简单、计算过程快速准确，进而提高了预瞄点选择的准确性和可靠性。
附图说明
31.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本申
请的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
32.图1为本技术一个实施例中的车辆预瞄点的确定方法的流程示意图；
33.图2为本技术一个实施例中的双通道cnn模型的网络结构示意图；
34.图3为本技术一个实施例中的预瞄点结果逻辑判断示意图；
35.图4为本技术一个实施例中的双通道cnn模型的训练阶段和测试阶段的流程示意图；
36.图5为本技术一个实施例中的车辆预瞄点的确定装置的结构示意图；
37.图6为本技术一个实施例中的电子设备的结构示意图；
38.图7为本技术一个实施例中的计算机可读存储介质的结构示意图。
具体实施方式
39.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
40.如前所述，预瞄点是指车辆在经过控制后达到期望路径上的一个目标点。现有技术在确定预瞄点时多采用预瞄时间法或预瞄距离法，但是其无法应对遇到行驶场景切换时速度波动较大等问题。例如，车辆高速行驶且前方进入限速路段时，如果预瞄点较近，会使得系统无法及时响应速度请求，造成急刹车；而如果预瞄点较远，会造成控制精度较低，在未进入限速段前就产生大幅减速等问题。
41.基于此，本技术的实施例中提出了一种车辆预瞄点的确定方法、装置、电子设备及介质，以达到实时、动态地选择合适的预瞄点以进行控制策略切换，在驾驶场景切换等复杂工况下能够稳定车速，提升控制的舒适性和安全性的技术效果。
42.本技术的技术构思在于提供了一种车辆预瞄点的确定方法，适用于车辆辅助驾驶系统的轨迹跟随控制，通过将轨迹规划结果中的目标状态序列集输入预先训练的双通道cnn模型的方式，得到所述轨迹规划结果中的预瞄点结果，并由此确定预瞄点编号以及对应的预瞄点参数，进而将输出的预瞄点参数发送至下层控制器，以执行整车动力扭矩及制动减速度。本技术能够实时、动态地确定出速度和加速度的突变点，解决复杂驾驶工况下的行驶路径控制较差等问题，即在车辆场景切换时，提前输出场景切换的临界点作为预瞄点，并以此进行控制策略的切换。不仅能够稳定车速，提升了控制的舒适性和安全性，而且所述双通道cnn模型的训练方式简单、计算过程快速准确，进一步提高了预瞄点确定的准确性和可靠性。
43.以下结合附图，详细说明本技术各实施例提供的技术方案。
44.本技术的一个实施例中提出了一种车辆预瞄点的确定方法，如图1所示，所述方法包括如下的步骤s110至步骤s130：
45.步骤s110，获取车辆的轨迹规划结果。
46.智能驾驶车辆主要包括智能辅助驾驶和无人驾驶，涉及到轨迹跟随控制部分，主要是通过控制车辆的转向系统及驱动制动系统使得车辆按照期望的轨迹规划结果行驶，具体可以包括纵向的速度跟随控制和侧向的路径跟随控制等。在本实施例中，轨迹规划结果
由车辆的上游规划模块下发，其中包括由实车采集到的规划模块发出的时间/速度序列、时间/加速度序列等数据。
47.步骤s120，通过预先训练的双通道cnn模型，得到所述轨迹规划结果中的预瞄点结果，其中所述双通道cnn模型为使用多组数据通过神经网络训练得出的，多组数据中的每组数据均包括目标状态序列集。
48.在本技术的一个实施例中，所述双通道cnn模型(convolutional neural networks,cnn，卷积神经网络)为双通道一维卷积神经网络模型。该模型包括两个通道，分别为速度卷积神经网络通道和加速度卷积神经网络通道，并且所述速度卷积神经网络通道和所述加速度卷积神经网络通道的构型一致，且模型参数也一致，即能够分别进行数据的输入训练。可以理解，在本技术实施例中，以轨迹规划结果中的时间-速度状态序列集、时间-加速度状态序列集作为输入数据，将其输入预先训练的双通道cnn模型，即可得到所述轨迹规划结果中的预瞄点结果。
49.步骤s130，根据所述预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。
50.在本技术的一个实施例中，通过双通道cnn模型输出的预瞄点结果，可以得到预瞄点编号以及与预瞄点编号相对应的预瞄点参数。其中，预瞄点参数包括车辆的位置信息、速度信息和加速度信息等，所述预瞄点参数用于确定车辆的速度、加速度等控制量，将这些控制量的计算结果发送到下层控制器，就能够实现整车的轨迹控制。
51.在本技术的一个实施例中，如图2所示，所述双通道cnn模型由输入层、第一卷积层、第二卷积层、第一池化层、第二池化层以及全连接层组成，可以看出，所述模型的输入样本长度为100，所述第一卷积层的卷积核大小为1*5，所述第一卷积层的数量为6个；所述第二卷积层的卷积核大小为1*9，所述第二卷积层的数量为12个；其中，所述第一卷积层的样本长度为96，所述第二卷积层的样本长度为16。
52.所述第一池化层采用均值池化层，样本长度为24，所述第二池化层采用最大值池化层，样本长度为4，同时，两个池化层的采样降幅均为4。在本技术实施例中，第二次池化后的输出展开，并通过全连接的方式构成单层感知机，输出预瞄结果。
53.可以理解，池化层可以分为最大池化(max pooling)和平均池化(averagepooling)，最大池化是从多个神经元中提取出最大值作为输出，以此对输入特征进行降维，并保留最重要的特征。平均池化会对窗口中的所有值求和，然后除以窗口大小，得到一个窗口内所有值的平均值。本实施例中采用均值池化层和最大值池化层的方式，可以帮助提升双通道cnn模型的性能。
54.在本技术的一个实施例中，所述目标状态序列集包括实时采集的时间-速度状态序列集以及时间-加速度状态序列集，如图4所示，所述方法包括模型的训练阶段和测试阶段。具体可以包括：将所述时间-速度状态序列集以及所述时间-加速度状态序列集划分为训练数据和测试数据；利用所述训练数据对所述双通道cnn模型进行预先训练，并得到训练好的双通道cnn模型；将所述测试数据输入所述训练好的双通道cnn模型，输出得到速度预瞄点结果以及加速度预瞄点结果。
55.进一步地，如图4所示，利用所述训练数据对所述双通道cnn模型(图中的2d cnn模型)进行预先训练之前，还包括：对所述训练数据进行滤波处理、离散傅里叶变换以及归一化处理。
56.在训练阶段，具体训练过程为：第一，进行数据滤波处理，过滤掉突变点、噪声点等干扰数据；第二，进行数据离散傅里叶变换，将时域的离散车辆时间状态序列转换到频域；第三，进行数据归一化处理，将分散的数据归一化到[0,1]区间之内；第四，将数据输入模型进行训练，并采用随机梯度下降算法，通过不断降低损失函数的函数值来学习建立后的卷积神经网络的参数，并且在每一次迭代中进行参数学习和更新。当然，在所述模型的训练阶段，还包括模型前向传播(作用于每一层的输入，通过逐层计算得到输出结果)和模型调优过程，此处不做赘述。完成训练之后，在测试阶段，可以将训练完成后的双通道cnn模型，输入测试数据进行验证，进而输出预瞄点数据。
[0057]
优选地，为了获得更精确的结果，在进行训练前，需要对车辆状态时间序列数据进行数据滤波处理。数据滤波处理的基本思想是利用核函数对数据中心点附近的观测数据点进行权重分配，可以理解，其距离越小，则表示权重越大。在本实施例中，具体的数据滤波公式如下：
[0058][0059]
式中，kh(x)表示核函数；{y
t
}是时间序列的车辆状态数据，包括速度数据和加速度数据(时间-速度状态序列集以及时间-加速度状态序列集)；x
t
为样本中心点y
t
的坐标；x为样本中心点与其附近的观测样本点的距离；h为核平滑的宽度；mh(x)为时间序列的车辆状态数据{y
t
}经过处理后的对应序列值。
[0060]
优选地，对于一个长度为n的时域离散车辆状态数列(其中包括速度和加速度参数)，对于经滤波处理后的训练数据，进行离散傅里叶变换。可以理解，离散傅里叶变换(dft，discrete fourier transform)，是傅里叶变换在时域和频域上都呈现离散的形式，即将时域信号的采样变换为在离散时间傅里叶变换(dtft，discrete-time fourier transform)频域的采样。在本实施例中，离散傅里叶变换的具体公式为：
[0061][0062]
式中，f0表示采样频率，a(k)表示傅里叶变换后的加速度频域内复数序列，v(k)表示傅里叶变换后的速度频域内复数序列，f(k)表示对应的频率，a(n)表示长度为n的时域离散车辆状态数列(加速度)；v(n)表示长度为n的时域离散车辆状态数列(速度)；k表示转换后频域的维度；n表示长度n，代表转换前时域的维度；ak表示加速度频域内复数序列复数的实部；bk表示加速度频域内复数序列复数的虚部；ck表示速度频域内复数序列复数的实部；dk表示速度频域内复数序列复数的虚部；i表示虚数单位。
[0063]
优选地，在数据归一化部分，对于车辆时间状态序列数据值，通常波动范围较大，不利于数据计算以及模型收敛，因此需要将训练数据按照统一的标准或者方法限制在某一
networks,cnn，卷积神经网络)为双通道一维卷积神经网络模型。该模型包括速度卷积神经网络通道和加速度卷积神经网络通道，并且所述速度卷积神经网络通道和所述加速度卷积神经网络通道的构型一致，且模型参数也一致，即能够分别进行数据的输入训练。可以理解，在本技术实施例中，以轨迹规划结果中的时间-速度状态序列集、时间-加速度状态序列集作为输入数据，将其输入预先训练的双通道cnn模型，即可得到所述轨迹规划结果中的预瞄点结果。
[0077]
确定单元530，用于根据所述预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。
[0078]
在本技术的一个实施例中，通过双通道cnn模型输出的预瞄点结果，可以得到预瞄点编号以及与预瞄点编号相对应的预瞄点参数。其中，预瞄点参数包括车辆的位置信息、速度信息和加速度信息等，所述预瞄点参数用于确定车辆的速度、加速度等控制量，将这些控制量的计算结果发送到下层控制器，就能够实现整车的轨迹控制。
[0079]
在本技术的一个实施例中，在所述选择单元520中，所述双通道cnn模型包括速度卷积神经网络通道和加速度卷积神经网络通道，并且所述速度卷积神经网络通道和所述加速度卷积神经网络通道的构型一致。
[0080]
进一步地，所述双通道cnn模型由输入层、第一卷积层、第二卷积层、第一池化层、第二池化层以及全连接层组成，其中，所述第一池化层采用均值池化层，所述第二池化层采用最大值池化层。
[0081]
在本技术的一个实施例中，在所述选择单元520中，所述目标状态序列集包括实时采集的时间-速度状态序列集以及时间-加速度状态序列集，
[0082]
所述选择单元520还用于：
[0083]
将所述时间-速度状态序列集以及所述时间-加速度状态序列集划分为训练数据和测试数据；
[0084]
利用所述训练数据对所述双通道cnn模型进行预先训练，并得到训练好的双通道cnn模型；
[0085]
将所述测试数据输入所述训练好的双通道cnn模型，输出得到速度预瞄点结果以及加速度预瞄点结果。
[0086]
在本技术的一个实施例中，利用所述训练数据对所述双通道cnn模型进行预先训练之前，所述选择单元520还用于：
[0087]
对所述训练数据进行滤波处理、离散傅里叶变换以及归一化处理。
[0088]
在本技术的一个实施例中，所述选择单元520还用于：
[0089]
采用随机梯度下降算法，并通过不断降低损失函数的函数值来学习和更新所述双通道cnn模型的模型参数。
[0090]
进一步地，所述确定单元530用于：
[0091]
对所述速度预瞄点结果和所述加速度预瞄点结果进行逻辑判断，其中，
[0092]
当输出的两个预瞄点结果中的预瞄点编号的序号差值大于10时，选取加速度预瞄点结果为最终的输出结果；
[0093]
当输出的两个预瞄点结果中的预瞄点编号的序号差值小于5时，选取序号的平均值所对应的预瞄点结果为最终的输出结果。
[0094]
需要说明的是，上述车辆预瞄点的确定装置，能够实现前述实施例中提供的车辆预瞄点的确定方法的各个步骤，关于车辆预瞄点的确定方法的相关阐释均适用于车辆预瞄点的确定装置，此处不再赘述。
[0095]
综上所述，本技术的技术方案至少达到了如下的技术效果：
[0096]
提供了一种车辆预瞄点的确定方法，首先，获取车辆的轨迹规划结果，并以规划的时间-车速、时间-加速度状态序列集为输入，将其输入预先训练的双通道cnn模型；其次，通过预先训练的双通道cnn模型，得到所述轨迹规划结果中的预瞄点结果，其中所述双通道cnn模型为使用多组数据通过神经网络训练得出的，多组数据中的每组数据均包括目标状态序列集；最后，根据所述预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。本技术通过搭建双通道一维卷积神经网络模型的方式，能够实时、动态地确定出速度和加速度的突变点，解决了复杂驾驶工况下的行驶路径控制较差等问题，即在车辆场景切换时，提前输出场景切换的临界点作为预瞄点，并以此进行控制策略的切换。由此可见，本技术不仅能够稳定车速，提升控制的舒适性和安全性，而且所述双通道cnn模型的训练方式简单、计算过程快速准确，进而提高了预瞄点确定的准确性和可靠性。
[0097]
需要说明的是：
[0098]
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
[0099]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0100]
类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
[0101]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0102]
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例
中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0103]
本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的车辆预瞄点的确定装置中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0104]
例如，图6示出了根据本技术一个实施例的电子设备的结构示意图。该电子设备600包括处理器610和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器620。存储器620可以是诸如闪存、eeprom(电可擦除可编程只读存储器)、eprom、硬盘或者rom之类的电子存储器。存储器620具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码631的存储空间630。例如，用于存储计算机可读程序代码的存储空间630可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码631。计算机可读程序代码631可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(cd)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图7所示的计算机可读存储介质。
[0105]
图7示出了根据本技术一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质700存储有用于执行根据本技术的方法步骤的计算机可读程序代码631，可以被电子设备600的处理器610读取，当计算机可读程序代码631由电子设备600运行时，导致该电子设备600执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码631可以执行上述任一实施例中示出的方法。计算机可读程序代码631可以以适当形式进行压缩。
[0106]
应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

技术特征：
1.一种车辆预瞄点的确定方法，其特征在于，所述方法包括：获取车辆的轨迹规划结果；通过预先训练的双通道cnn模型，得到所述轨迹规划结果中的预瞄点结果，其中所述双通道cnn模型为使用多组数据通过神经网络训练得出的，多组数据中的每组数据均包括目标状态序列集；根据所述预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。2.如权利要求1所述的确定方法，其特征在于，所述双通道cnn模型包括速度卷积神经网络通道和加速度卷积神经网络通道，并且所述速度卷积神经网络通道和所述加速度卷积神经网络通道的构型一致。3.如权利要求2所述的确定方法，其特征在于，所述双通道cnn模型由输入层、第一卷积层、第二卷积层、第一池化层、第二池化层以及全连接层组成，其中，所述第一池化层采用均值池化层，所述第二池化层采用最大值池化层。4.如权利要求1所述的确定方法，其特征在于，所述目标状态序列集包括实时采集的时间-速度状态序列集以及时间-加速度状态序列集，所述方法还包括：将所述时间-速度状态序列集以及所述时间-加速度状态序列集划分为训练数据和测试数据；利用所述训练数据对所述双通道cnn模型进行预先训练，并得到训练好的双通道cnn模型；将所述测试数据输入所述训练好的双通道cnn模型，输出得到速度预瞄点结果以及加速度预瞄点结果。5.如权利要求4所述的确定方法，其特征在于，利用所述训练数据对所述双通道cnn模型进行预先训练之前，还包括：对所述训练数据进行滤波处理、离散傅里叶变换以及归一化处理。6.如权利要求4所述的确定方法，其特征在于，所述利用所述训练数据对所述双通道cnn模型进行预先训练，并得到训练好的双通道cnn模型，包括：采用随机梯度下降算法，并通过不断降低损失函数的函数值来学习和更新所述双通道cnn模型的模型参数。7.如权利要求4所述的确定方法，其特征在于，所述方法还包括：对所述速度预瞄点结果和所述加速度预瞄点结果进行逻辑判断，其中，当输出的两个预瞄点结果中的预瞄点编号的序号差值大于10时，选取加速度预瞄点结果为最终的输出结果；当输出的两个预瞄点结果中的预瞄点编号的序号差值小于5时，选取序号的平均值所对应的预瞄点结果为最终的输出结果。8.一种车辆预瞄点的确定装置，其特征在于，所述装置包括：获取单元，用于获取车辆的轨迹规划结果；选择单元，用于通过预先训练的双通道cnn模型，得到所述轨迹规划结果中的预瞄点结果，其中所述双通道cnn模型为使用多组数据通过神经网络训练得出的，多组数据中的每组数据均包括目标状态序列集；
确定单元，用于根据所述预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。9.一种电子设备，其特征在于，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1至7中任一项所述的车辆预瞄点的确定方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1至7中任一项所述的车辆预瞄点的确定方法。

技术总结
本申请公开了一种车辆预瞄点的确定方法、装置、电子设备、介质，所述方法包括：获取车辆的轨迹规划结果；通过预先训练的双通道CNN模型，得到轨迹规划结果中的预瞄点结果，其中双通道CNN模型为使用多组数据通过神经网络训练得出的，多组数据中的每组数据均包括目标状态序列集；根据预瞄点结果，确定预瞄点编号以及对应的预瞄点参数。本申请能够实时、动态地确定出速度和加速度的突变点，解决复杂驾驶工况下系统控制较差等问题。不仅能够稳定车速，提升控制的舒适性和安全性，而且对于双通道CNN模型的训练方式简单、计算过程快速准确，进而提高了预瞄点确定的准确性和可靠性。提高了预瞄点确定的准确性和可靠性。提高了预瞄点确定的准确性和可靠性。


技术研发人员：贾世鹏 田山 张东好 丁峰 杨兴邦 马朋涛 杨海泉 沈鹏
受保护的技术使用者：北京京深深向科技有限公司
技术研发日：2023.04.28
技术公布日：2023/6/28