CN105446338B - 云辅助自动驾驶方法及系统 - Google Patents
云辅助自动驾驶方法及系统 Download PDFInfo
- Publication number
- CN105446338B CN105446338B CN201510967349.7A CN201510967349A CN105446338B CN 105446338 B CN105446338 B CN 105446338B CN 201510967349 A CN201510967349 A CN 201510967349A CN 105446338 B CN105446338 B CN 105446338B
- Authority
- CN
- China
- Prior art keywords
- sensor
- information
- sensor information
- cloud
- request
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003068 static effect Effects 0.000 claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000004888 barrier function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011551 heat transfer agent Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
Abstract
一种云辅助自动驾驶方法及系统,其中方法包括如下步骤,云端向汽车端和路边静态传感器发送数据请求;汽车端和路边静态传感器根据数据请求发送传感器信息;云端接收传感器模块与路边静态传感器发送的传感器信息,根据所述传感器信息规划分析得到规划分析结果,将规划分析结果发送至汽车端;汽车端接收规划分析结果,根据规划分析结果及传感器信息进行路径规划得到路径规划结果,再根据路径规划结果控制车辆的行驶。本发明通过设计路边静态传感器和车载传感器模块的信息共享,云端统筹分析可通行路径等多功能辅助,供当前车进行参考。提高了可用信息量,因而进一步提高了自动驾驶的安全性。
Description
技术领域
本发明涉及自动驾驶领域,尤其涉及一种云辅助的自动驾驶方法及系统。
背景技术
无人驾驶技术日趋成熟,无人车或智能车在很多情况下已经能够满足自主导航的需要,然而无人车终究是机器,需要倚仗传感器信息进行判断,分析。对于一些复杂路段,如施工、下雨等情况,需要分析的情况进一步增多,仅仅依靠车载传感器进行采集、判断、驾驶是不够的,不能够满足安全性的要求。
发明内容
为此,需要提供一种能够提供更多传感器信息参考的驾驶方法,具体的,通过多传感器及云端分析提供传感器信息共享和路径共享,以提高无人车自动驾驶的安全性。
为实现上述目的,发明人提供了一种云辅助自动驾驶方法,包括如下步骤,
云端向汽车端和路边静态传感器发送数据请求;
汽车端和路边静态传感器根据数据请求发送传感器信息;
云端接收传感器模块与路边静态传感器发送的传感器信息,根据所述传感器信息规划分析得到规划分析结果,将规划分析结果发送至汽车端;
汽车端接收规划分析结果,根据规划分析结果及传感器信息进行路径规划得到路径规划结果,再根据路径规划结果控制车辆的行驶。
进一步地,所述传感器信息包括以八叉树为结构的数据集,所述八叉树的节点包括属性:被占用、未占用或未知。
具体地,所述数据请求包括分辨率信息。
进一步地,所述传感器信息的编码过程包括步骤,
随机选择第一叶节点,将从根节点到所述第一叶节点的路径信息记录到第一传感器信息中,若所述第一传感器信息大小未超过数据包的容量,再将所述第一叶节点的父节点下所有子节点的路径信息记录到第一传感器信息,递归记录已记录父节点的上一级父节点下所有子节点的路径信息到第一传感器信息,直到超出数据包容量。
一种云辅助自动驾驶系统,包括云端、汽车端、路边静态传感器;
所述云端包括请求模块、云规划模块、云发送模块和云接收模块;
所述汽车端包括汽车接收模块、传感器模块、汽车规划模块、控制模块;
所述请求模块用于向传感器模块和路边静态传感器发送数据请求,所述云接收模块用于接收传感器模块与路边静态传感器发送的传感器信息,所述云规划模块用于根据所述传感器信息规划分析得到规划分析结果,所述云发送模块用于将规划分析结果发送至汽车端;
所述汽车接收模块用于接收所述数据请求、规划分析结果;所述传感器模块用于根据数据请求发送传感器信息,所述汽车规划模块用于根据规划分析结果及传感器信息进行路径规划得到路径规划结果,所述控制模块用于根据路径规划结果控制车辆的行驶;
所述路边静态传感器用于根据所述数据请求发送传感器信息。
进一步地,所述传感器信息包括以八叉树为结构的数据集,所述八叉树的节点包括属性:被占用、未占用或未知。
具体地,所述数据请求包括分辨率信息。
进一步地,所述传感器模块、路边静态传感器还用于:
随机选择第一叶节点,将从根节点到所述第一叶节点的路径信息记录到第一传感器信息中,若所述第一传感器信息大小未超过数据包的容量,再将所述第一叶节点的父节点下所有子节点的路径信息记录到第一传感器信息,递归记录已记录父节点的上一级父节点下所有子节点的路径信息到第一传感器信息,直到超出数据包容量。
区别于现有技术,上述技术方案通过设计路边静态传感器和车载传感器模块的信息共享,云端统筹分析可通行路径等多功能辅助,供当前车进行参考。提高了可用信息量,因而进一步提高了自动驾驶的安全性。
附图说明
图1为本发明具体实施方式所述的云辅助自动驾驶方法方法流程图;
图2为本发明具体实施方式所述的车辆架构示意图;
图3为本发明具体实施方式所述的云系统示意图;
图4为本发明具体实施方式所述的八叉树表示法示意图;
图5为本发明具体实施方式所述的云辅助自动驾驶系统模块图
附图标记说明:
50、云端;
500、请求模块;
502、云规划模块;
504、云发送模块;
506、云接收模块;
52、汽车端;
520、传感器模块;
524、汽车规划模块;
526、控制模块;
54、路边静态传感器。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,为一种云辅助自动驾驶方法流程图,本实施例中方法,包括如下步骤,
S100云端向汽车端和路边静态传感器发送数据请求;
S102汽车端和路边静态传感器根据数据请求发送传感器信息;
S104云端接收传感器模块与路边静态传感器发送的传感器信息,根据所述传感器信息规划分析得到规划分析结果,将规划分析结果发送至汽车端;
S106汽车端接收规划分析结果,根据规划分析结果及传感器信息进行路径规划得到路径规划结果,再根据路径规划结果控制车辆的行驶。
本方案方案使用云从自动驾驶汽车的传感器和路边静态传感器获得信息,用来帮助自动驾驶汽车规划他们的轨迹。采用云辅助可以使自动驾驶车辆规划更安全更高效的路径。云辅助的优势在于可以同时向自动驾驶汽车和路边静态设备请求传感器信息,其中汽车端可以对应多个同时在路上行驶的车辆,在某些实施例中,车辆还会对行驶轨迹进行共享。云记录所有车辆的当前轨迹、聚合了所有这些信息并且向区域内的每辆自动驾驶汽车传达包括障碍、盲点和备用路径在内的信息。
云访问由多个自动驾驶车辆和路边静态传感器组成的更大的传感器数据池,从而可以更安全、更高效的规划路径。因此,云访问的传感器信息可能是某些自动驾驶车辆的盲点也可能是车载传感器范围以外的信息。因此,云可以帮助自动驾驶车辆预测不能直接从自动驾驶车辆自身上的传感器检测到的障碍,从而做出更明智的决策。此外,由于云拥有更广范围的交通信息和突发事件的信息(如:施工或者事故等),因此可以使自动驾驶车辆规划更有效的路径。通过上述方法,达到了提高自动驾驶可参考信息量的效果,提高了无人驾驶的安全性。
在另一些实施例中,为了成功地导航,自动驾驶汽车依靠车载传感器提供描述他们所处环境的传感器信息,比如使用激光扫描仪和超声波测距仪等提供准确的测距信息来描述车辆周围障碍物的距离,或者额外使用摄像头和光线传感器来增加信息量。
自动驾驶汽车上的操纵系统提供了一个“发布/订阅”架构,,其中,主题可以被一个或多个模块订阅,而模块(如激光测距仪)通过主题发布信息。自动驾驶汽车的架构如图2所示,图中各个模块的功能如下文所述,现有技术均可以实现,统筹在本架构中有助于更好地实现云辅助自动驾驶方法或系统的完成。
传感器模块:每个连接到一个自动驾驶汽车的传感器都有一个关联的模块,把原始传感器信息转换成通用格式的数据。最常用的格式是三维点云,它提供了一组由障碍物表面点的三维坐标组成的集合,再加上被采集时间的信息后,传感器信息会发布出去。
路径规划模块:路径规划模块从传感器模块订阅信息,建立一个详细的全局地图。它使用这张地图来计算一个让车到达目的地的无障碍路径。规划模块细分为五个子模块:
感知模块:感知模块从传感器模块订阅三维点云信息,并使用障碍检测算法来识别围绕车辆参照系的障碍。然后,该模块发布的一个这些障碍物的地图。
定位模块:定位模块发布车辆在全局地图中的当前位置。该模块通常通过全球定位系统、里程计和其他更高级传感器的组合使用,可以使精度小于几厘米。
绘图模块:绘图模块,分别从感知模块和定位模块中订阅障碍物地图和车辆的当前位置。它发布一个包含所有障碍物位置的全局地图。
规划模块:规划模块订阅从绘图模块得到障碍物的全局地图和车辆的当前位置,并发布一个为车辆导航的无障碍路径。
应急模块:应急模块订阅障碍物的地图,并且检测地图上意想不到的变化,这些变化包括会导致妨碍车辆前行路径的新障碍物(例如,一个行人突然过马路)。根据障碍物的位置,它可以更新车辆的轨迹路径从而避开障碍物或完全停止车辆。
控制模块:控制模块订阅汽车的计划路径,并向汽车发出转向、加速和换档命令,从而使车辆遵循计划的路径。
在图3所示的实施例中,介绍了一种云系统,云端从自动驾驶汽车和路边静态传感器中获取传感信息,然而,传感器生成的高速实时数据流(通常在Gb/s)无法全部在自动驾驶汽车有限的无线带宽中传输,只能根据信息的重要性进行选择性传输,因此只从周围驾驶环境中选择重要的区域,通过云请求更高分辨率的信息,非重要区域请求低分辨率的信息。云在推断环境中不同区域的重要性时会考虑:(1)来自这些区域的可用低分辨率信息;(2)车辆当前的路径和位置;(3)汽车盲点的位置。
云系统的请求模块通过整合和分析由八叉树表示的各个传感器回传的信息,生成不同区域特定分辨率的数据请求,向传感器发出这些数据请求。请求会被优先发送到靠近当前车辆位置、接近当前车辆轨迹或车辆盲点区域的其他自动驾驶汽车和路边静态传感器。
规划模块汇总从各自动驾驶汽车获得的传感器信息以及通过接收器模块得到的路边静态传感器信息,同时还记录当前所有车辆的轨迹。规划模块分析已经得到的汇总的传感器信息,来检测可能会阻碍当前任何车辆的障碍。如果存在障碍和可用的备用路径,则通过发送模块传递给每一个车辆。
在每辆自动驾驶汽车上,接收模块记录请求,并指示发送者传送已请求区域合适分辨率的传感器信息。接收模块也会提醒规划模块关于障碍物或云上报的备用轨迹的信息。发送模块传送各种被请求区域的传感器信息,传送的信息数量正比于从云中接收到的这些区域的请求数量,发送模块也传输车辆的当前位置和轨道。
在某些具体的实施例中,传感器信息包括以八叉树为结构的数据集,所述八叉树的节点包括属性:被占用、未占用或未知。数据请求又包括分辨率信息。关于分辨率的定义在下文中说明,传感器信息的编码方法又具体包括步骤,随机选择第一叶节点,将从根节点到所述第一叶节点的路径信息记录到第一传感器信息中,若所述第一传感器信息大小未超过数据包的容量,再将所述第一叶节点的父节点下所有子节点的路径信息记录到第一传感器信息,递归记录已记录父节点的上一级父节点下所有子节点的路径信息到第一传感器信息,直到超出数据包容量。下面用三组实施例进行说明:
实施例1利用八叉树实现环境区域命名
利用八叉树来标识和命名在环境中的区域:将世界递归地划分成多维数据集,开始于一个车辆已知边界的整个环境的数据集。每个多维数据集然后递归地分为八个小的多维数据集。维护递归结构的八叉树,每个八叉树中的节点代表一个多维数据集,并且该节点下的子树代表了该数据集的递归划分,这样可以为坏境中不同位置的区域命名。八叉树中的每个节点(即每个区域)给定了一个全局唯一标识符id,来区分不同的区域。
八叉树数据结构也可以用来表示传感器信息(即三维点云)。八叉树中的每个节点(即每个区域)具有以下属性之一:(1)被占用的,如果点云中有任意点在相应的多维数据集中(即,多维数据集中有一些物体,所以汽车不应该从中驾驶通过);(2)未占用的,如果这个区域没有点(即,多维数据集是空的,因此汽车可以从中驾驶通过);(3)未知的,如果这个区域没有足够的传感器信息(即,多维数据集中可能有一些对象,但这些都没有被传感器检测到)。我们注意到,如果任意子节点被占用,则父节点是被占用的。只有当所有的子节点都是已知的和未占用的,则父节点是未占用的。如果没有子节点是被占用的且至少有一个是未知的,则父节点是未知的。通过上述结构,使得三维区域中每个区域都有节点属性,便于编码、分割、传输、提高了本发明方法的实用性。
实施例2云如何获得不同分辨率的区域信息
八叉树数据结构提供了一种查询各个区域不同分辨率信息的机制。八叉树中更深层次的信息提供区域更高分辨率的信息,上一层的信息提供同一区域的一个低分辨率的信息。因此,一个区域的请求会表示成一个二元数组(id,res),其中id表示区域的位置,res则表示被请求区域的分辨率(深度)。自动驾驶汽车的传感器信息使用八叉树数据结构来表示以及回复数据请求,数据回复包括八叉树节点id下深度为res的子树节点的编码。通过对数据请求添加分辨率信息,使得重要的区域被精细地描述,不重要的地方节省数据空间,提高了本发明方法的效率。
实施例3信息丢包可恢复
向云端传输的传感器信息会受丢包影响,丢失一个由八叉树编码的数据包,常常会破坏所有存储在八叉树上的信息。标准的八叉树编码技术按照如下步骤进行:八叉树的每个节点表示成一个8元组,分别表示其子节点的被占用情况;编码是通过自顶向下和广度优先遍历并读出相应的元组。根节点总是假定为占用,对于每个节点,它的被占用和未知的子节点会被递归地编码。未被占用的节点中,没有信息会被编码,因为相应的区域被假定成完全没有被占用。此外,那些子节点都是被占用或未知的节点,因此会被一个特殊的8元组完成编码(所有条目分别被标识成被占用或者未知),并且不会被进一步编码。在接收模块上,译码器可以通过与编码器一样的遍历规则,如实地恢复八叉树。
以上标准的八叉树编码存在问题:八叉树中一个节点对应一个字节,描述了它的子节点的数量和位置,即使只是丢失了八叉树中的单个字节也会破坏该字节下的所有数据,这个字节的丢失会破坏整个子树下的节点。例如,图4中八叉树的第一个字节的丢失,会破坏整个八叉树,这是因为描述根上子节点位置的信息丢失了。
采用改进的八叉树编码解决以上问题,确保每个通过发送器发送的数据包是独立的且独立于其他数据包。随机选择从八叉树的根节点开始的子树,且它们的编码正好放在一个数据包中。要选择这样的子树,要从八叉树中随机选择一个叶节点l,通过包含从根到叶子节点的路径信息来创建数据包。这个数据包还可以包含叶子节点l的父节点P(l)下的所有子节点信息,只要没有超过一个数据包的容量,继续递归地包含父节点P(P(l))下的所有子节点。这个递归过程结束时将得到一个子树,从这个子树中的所有节点到根的路径是已知的。这可以确保每个数据包可以独立于其他数据包被重建。此外,自底向上的编码过程确保数据包的最小重叠,从而整个八叉树的编码所需要的数据包更少。
除了丢包可恢复,改进的八叉树编码方案还有令人满意的特点:(1)由于与区域的子树大小成线性关系,所以它的计算很有效率;(2)收到的来自不同车辆探测的相同区域的数据包具有最小的重叠,这是由于随机化过程可以确保在任何时候,它们传递的是该区域八叉树的不同部分;(3)支持非均匀的差错保护,因为传播的子树包含所有节点到该区域根节点的路径,树的高层顶点比低层顶点有更小的丢包,所以,丢包通常会导致分辨率的损失,而不是整个信息的丢失。通过上述编码步骤设计,达到了提高传输效率的效果。
在某些具体的实施例中,自动驾驶汽车的操作系统在Ubuntu11.04版本上运行,处理的环境是一个包含80个区域的全局地图,并且使用WiFi无线网络连接到云,订阅包含操作系统的点云格式传感器信息的多个主题。系统追踪云发出的请求消息,然后使用UDP数据包将相应的传感器信息传输至云。车和云的路径规划模块可以使用快速轨道交通算法。
一种云辅助自动驾驶系统,如图5所示,包括云端50、汽车端52、路边静态传感器54;
所述云端50包括请求模块500、云规划模块502、云发送模块504和云接收模块506;
所述汽车端52包括汽车接收模块520、传感器模块522、汽车规划模块524、控制模块526;
所述请求模块500用于向传感器模块522和路边静态传感器54发送数据请求,所述云接收模块506用于接收传感器模块与路边静态传感器发送的传感器信息,所述云规划模块502用于根据所述传感器信息规划分析得到规划分析结果,所述云发送模块504用于将规划分析结果发送至汽车端;
所述汽车接收模块520用于接收所述数据请求、规划分析结果;所述传感器模块522用于根据数据请求发送传感器信息,所述汽车规划模块524用于根据规划分析结果及传感器信息进行路径规划得到路径规划结果,所述控制模块526用于根据路径规划结果控制车辆的行驶;
所述路边静态传感器54用于根据所述数据请求发送传感器信息。
进一步地,所述传感器信息包括以八叉树为结构的数据集,所述八叉树的节点包括属性:被占用、未占用或未知。
具体地,所述数据请求包括分辨率信息。
进一步地,所述传感器模块522、路边静态传感器54还用于:
随机选择第一叶节点,将从根节点到所述第一叶节点的路径信息记录到第一传感器信息中,若所述第一传感器信息大小未超过数据包的容量,再将所述第一叶节点的父节点下所有子节点的路径信息记录到第一传感器信息,递归记录已记录父节点的上一级父节点下所有子节点的路径信息到第一传感器信息,直到超出数据包容量。
上述系统模块设计通过设计路边静态传感器和车载传感器模块的信息共享,云端统筹分析可通行路径等多功能辅助,供当前车进行参考。提高了可用信息量,因而进一步提高了自动驾驶的安全性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例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。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、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计算机设备的处理器以产生一个机器,使得通过计算机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。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中,使得存储在该计算机设备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。
这些计算机程序指令也可装载到计算机设备上,使得在计算机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。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (4)
1.一种云辅助自动驾驶方法,其特征在于,包括如下步骤,
云端向汽车端和路边静态传感器发送数据请求;
汽车端和路边静态传感器根据数据请求发送传感器信息;
所述传感器信息包括障碍物表面点的三维坐标组成的三维点云;
云端接收传感器模块与路边静态传感器发送的传感器信息,还记录所有车辆的当前位置,并结合所述传感器信息规划分析得到规划分析结果,将规划分析结果发送至汽车端;
汽车端接收规划分析结果,根据规划分析结果及传感器信息进行路径规划得到路径规划结果,再根据路径规划结果控制车辆的行驶;
所述传感器信息包括以八叉树为结构的数据集,所述八叉树的节点包括属性:被占用、未占用或未知所述数据请求包括分辨率信息;
所述传感器信息根据重要性进行选择性传输,向重要的区域请求更高分辨率的信息,非重要区域请求低分辨率的信息;
所述重要性通过来自这些区域的可用低分辨率信息、车辆当前的路径和位置、汽车盲点的位置确定。
2.根据权利要求1所述的自动驾驶方法,其特征在于,所述传感器信息的编码过程包括步骤,
随机选择第一叶节点,将从根节点到所述第一叶节点的路径信息记录到第一传感器信息中,若所述第一传感器信息大小未超过数据包的容量,再将所述第一叶节点的父节点下所有子节点的路径信息记录到第一传感器信息,递归记录已记录父节点的上一级父节点下所有子节点的路径信息到第一传感器信息,直到超出数据包容量。
3.一种云辅助自动驾驶系统,其特征在于,包括云端、汽车端、路边静态传感器;
所述云端包括请求模块、云规划模块、云发送模块和云接收模块;
所述汽车端包括汽车接收模块、传感器模块、汽车规划模块、控制模块;
所述请求模块用于向传感器模块和路边静态传感器发送数据请求,所述云接收模块用于接收传感器模块与路边静态传感器发送的传感器信息,所述传感器信息包括障碍物表面点的三维坐标组成的三维点云;所述云规划模块用于记录所有车辆的当前位置,并结合所述传感器信息规划分析得到规划分析结果,所述云发送模块用于将规划分析结果发送至汽车端;
所述汽车接收模块用于接收所述数据请求、规划分析结果;所述传感器模块用于根据数据请求发送传感器信息,所述汽车规划模块用于根据规划分析结果及传感器信息进行路径规划得到路径规划结果,所述控制模块用于根据路径规划结果控制车辆的行驶;
所述路边静态传感器用于根据所述数据请求发送传感器信息;
所述传感器信息包括以八叉树为结构的数据集,所述八叉树的节点包括属性:被占用、未占用或未知所述数据请求包括分辨率信息;
所述传感器信息根据重要性进行选择性传输,向重要的区域请求更高分辨率的信息,非重要区域请求低分辨率的信息;
所述重要性通过来自这些区域的可用低分辨率信息、车辆当前的路径和位置、汽车盲点的位置确定。
4.根据权利要求3所述的自动驾驶系统,其特征在于,所述传感器模块、路边静态传感器还用于:
随机选择第一叶节点,将从根节点到所述第一叶节点的路径信息记录到第一传感器信息中,若所述第一传感器信息大小未超过数据包的容量,再将所述第一叶节点的父节点下所有子节点的路径信息记录到第一传感器信息,递归记录已记录父节点的上一级父节点下所有子节点的路径信息到第一传感器信息,直到超出数据包容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510967349.7A CN105446338B (zh) | 2015-12-21 | 2015-12-21 | 云辅助自动驾驶方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510967349.7A CN105446338B (zh) | 2015-12-21 | 2015-12-21 | 云辅助自动驾驶方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105446338A CN105446338A (zh) | 2016-03-30 |
CN105446338B true CN105446338B (zh) | 2017-04-05 |
Family
ID=55556658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510967349.7A Active CN105446338B (zh) | 2015-12-21 | 2015-12-21 | 云辅助自动驾驶方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105446338B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9817403B2 (en) * | 2016-03-31 | 2017-11-14 | Intel Corporation | Enabling dynamic sensor discovery in autonomous devices |
CN105739534B (zh) * | 2016-04-22 | 2020-02-21 | 百度在线网络技术(北京)有限公司 | 基于车联网的无人驾驶车多车协同驾驶方法及装置 |
CN106020198B (zh) * | 2016-07-06 | 2020-03-31 | 深圳市汲众科技开发有限公司 | 一种体感车载物的方法和体感车 |
CN106200637A (zh) * | 2016-07-06 | 2016-12-07 | 尚艳燕 | 一种利用平衡车载物的方法和平衡车 |
US10921810B2 (en) | 2016-08-02 | 2021-02-16 | Pcms Holdings, Inc. | System and method for optimizing autonomous vehicle capabilities in route planning |
US10235875B2 (en) * | 2016-08-16 | 2019-03-19 | Aptiv Technologies Limited | Vehicle communication system for cloud-hosting sensor-data |
CN106444747B (zh) * | 2016-09-05 | 2020-02-28 | 深圳市汲众科技开发有限公司 | 一种平衡车载物的方法和平衡车 |
CN106502248B (zh) * | 2016-11-15 | 2019-11-05 | 百度在线网络技术(北京)有限公司 | 一种启动智能车辆的方法及装置 |
WO2018106774A1 (en) | 2016-12-08 | 2018-06-14 | Pcms Holdings, Inc. | System and method for routing and reorganization of a vehicle platoon in a smart city |
CN106681250B (zh) * | 2017-01-24 | 2019-01-25 | 浙江大学 | 一种基于云的智能汽车控制与管理系统 |
CN107329471B (zh) * | 2017-06-20 | 2018-10-09 | 广州中国科学院软件应用技术研究所 | 一种无人驾驶车辆的智能决策系统 |
CN107463172B (zh) * | 2017-07-21 | 2019-08-27 | 浙江大学 | 一种基于sumo和统一时间轴的云端控制自动驾驶系统 |
CN107562056A (zh) * | 2017-09-06 | 2018-01-09 | 郑州云海信息技术有限公司 | 一种基于云计算的机动车自动驾驶方法及系统 |
CN109561409A (zh) * | 2017-09-27 | 2019-04-02 | 郑州宇通客车股份有限公司 | 一种用于无人驾驶汽车的控制系统 |
CN107894768A (zh) * | 2017-11-13 | 2018-04-10 | 苏州睿安芯微电子有限公司 | 一种汽车自动驾驶系统及方法 |
CN107943041A (zh) * | 2017-12-06 | 2018-04-20 | 张秀妙 | 一种自动驾驶的新能源车 |
CN108762245B (zh) * | 2018-03-20 | 2022-03-25 | 华为技术有限公司 | 数据融合方法以及相关设备 |
CN108490942A (zh) * | 2018-04-03 | 2018-09-04 | 张富红 | 5g网络环境下云计算无人驾驶车辆控制系统及方法 |
CN111279280B (zh) * | 2018-08-24 | 2023-08-04 | 百度时代网络技术(北京)有限公司 | 用于在传感器之间传送数据的数据传送逻辑与自动驾驶车辆的规划和控制 |
CN110880235A (zh) * | 2018-09-05 | 2020-03-13 | 阿里巴巴集团控股有限公司 | 路况信息处理系统中的路侧设备、处理方法及装置 |
CN110880236B (zh) * | 2018-09-05 | 2022-06-14 | 阿里巴巴集团控股有限公司 | 路况信息处理方法、装置及系统 |
CN109460016A (zh) * | 2018-09-06 | 2019-03-12 | 百度在线网络技术(北京)有限公司 | 自动驾驶协助方法、驾驶设备、协助设备及可读存储介质 |
EP3621310A1 (en) * | 2018-09-10 | 2020-03-11 | Panasonic Intellectual Property Corporation of America | Video transmitting device, video transmitting method, and program |
CN109491392A (zh) * | 2018-12-03 | 2019-03-19 | 上海木木聚枞机器人科技有限公司 | 一种共享避障的方法和系统 |
CN109828561B (zh) * | 2019-01-15 | 2022-03-01 | 北京百度网讯科技有限公司 | 自动驾驶方法、装置、电子设备及可读存储介质 |
KR102319036B1 (ko) * | 2019-01-30 | 2021-10-28 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 포인트 클라우드 고스트 효과 검출 시스템 |
CN110377027A (zh) * | 2019-06-04 | 2019-10-25 | 深圳市速腾聚创科技有限公司 | 无人驾驶感知方法、系统、装置和存储介质 |
CN110422177A (zh) * | 2019-07-08 | 2019-11-08 | 浙江吉利汽车研究院有限公司 | 一种车辆控制方法、装置及系统 |
CN113138864A (zh) * | 2020-01-19 | 2021-07-20 | 华为技术有限公司 | 消息通信方法、计算机系统及代理装置 |
CN112289057A (zh) * | 2020-09-30 | 2021-01-29 | 深圳市金溢科技股份有限公司 | 车路协同自动驾驶辅助方法、系统、处理设备及车载设备 |
CN112526990B (zh) * | 2020-11-24 | 2022-03-04 | 深圳市优必选科技股份有限公司 | 机器人通过窄道的方法、装置、可读存储介质及机器人 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103557870A (zh) * | 2013-10-09 | 2014-02-05 | 董路 | 一种动态轨迹导航方法及云平台 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8898002B2 (en) * | 2012-11-27 | 2014-11-25 | Cloudcar, Inc. | Geographical location aggregation from multiple sources |
CN104570987A (zh) * | 2013-10-29 | 2015-04-29 | 上海沐风数码科技有限公司 | 基于3g网络的自动化车载终端设备 |
CN104391504B (zh) * | 2014-11-25 | 2017-05-31 | 浙江吉利汽车研究院有限公司 | 基于车联网的自动驾驶控制策略的生成方法与生成装置 |
CN104794748A (zh) * | 2015-03-17 | 2015-07-22 | 上海海洋大学 | 基于Kinect视觉技术的三维空间地图构建方法 |
-
2015
- 2015-12-21 CN CN201510967349.7A patent/CN105446338B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103557870A (zh) * | 2013-10-09 | 2014-02-05 | 董路 | 一种动态轨迹导航方法及云平台 |
Also Published As
Publication number | Publication date |
---|---|
CN105446338A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105446338B (zh) | 云辅助自动驾驶方法及系统 | |
US11810454B2 (en) | Map data construction method vehicle terminal, and server | |
US11521010B2 (en) | Automatically choosing data samples for annotation | |
CN111506058B (zh) | 通过信息融合来计划自动驾驶的短期路径的方法及装置 | |
CN108089571A (zh) | 用于预测无人驾驶车辆的车辆交通行为以做出驾驶决策的方法和系统 | |
KR20210055617A (ko) | 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측 | |
KR20210047341A (ko) | 모션 그래프 구성 및 차선 레벨 루트 계획 | |
US20210064040A1 (en) | System and method for predictive path planning in autonomous vehicles | |
US11670088B2 (en) | Vehicle neural network localization | |
KR20210139181A (ko) | 동적 점유 격자를 사용하는 차량 동작 | |
US11887324B2 (en) | Cross-modality active learning for object detection | |
US20220101155A1 (en) | Trajectory Generation Using Road Network Model | |
DE102021132851A1 (de) | Fahrzeugbetrieb unter verwendung von manövererzeugung | |
CN116653963B (zh) | 车辆变道控制方法、系统和智能驾驶域控制器 | |
Hacohen et al. | Autonomous driving: a survey of technological gaps using google scholar and web of science trend analysis | |
CN116245183B (zh) | 基于图神经网络的交通场景泛化理解方法及装置 | |
US20210150892A1 (en) | Vehicle operating parameters | |
CN115230688B (zh) | 障碍物轨迹预测方法、系统和计算机可读存储介质 | |
US11946749B2 (en) | Driving data guided spatial planning | |
US11783178B2 (en) | Systems and methods for corridor intent prediction | |
US20230003533A1 (en) | Fast collision free path generation by connecting c-slices through cell decomposition | |
CN114830202A (zh) | 通过自主运载工具针对未知对象的规划 | |
CN113178088A (zh) | 向车辆广播的基础设施部件 | |
CN111650934A (zh) | 自动驾驶系统局部路径规划的方法 | |
CN116680186B (zh) | 一种车路协同自动驾驶仿真测试方法、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |