CN108089572B - 用于车辆定位的方法和装置 - Google Patents

用于车辆定位的方法和装置 Download PDF

Info

Publication number
CN108089572B
CN108089572B CN201710786478.5A CN201710786478A CN108089572B CN 108089572 B CN108089572 B CN 108089572B CN 201710786478 A CN201710786478 A CN 201710786478A CN 108089572 B CN108089572 B CN 108089572B
Authority
CN
China
Prior art keywords
candidate
feature space
cells
cell
candidate cell
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
Application number
CN201710786478.5A
Other languages
English (en)
Other versions
CN108089572A (zh
Inventor
王全
翟静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu USA LLC
Original Assignee
Baidu USA LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Baidu USA LLC filed Critical Baidu USA LLC
Publication of CN108089572A publication Critical patent/CN108089572A/zh
Application granted granted Critical
Publication of CN108089572B publication Critical patent/CN108089572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G01C21/3881—Tile-based structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0248—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Optics & Photonics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

相对于高清晰度地图来确定无人驾驶车辆(ADV)的位置。ADV的车载传感器获得ADV周围的对象的3D点云。3D点云组织成小区的ADV特征空间。每个小区具有中间强度值和海拔变化。为了确定ADV位置，使用相似性度量相对于高清晰度地图来执行ADV特征空间中的小区的子集的粗略搜索，该相似性度量基于候选小区的中间强度和海拔变化。当确定第一候选小区的相似性后，生成相似性得分的查找表并且将它用于确定后续候选小区的相似性得分。随后在最高相似性得分小区周围的候选小区的较小子集上执行精细搜索。

Description

用于车辆定位的方法和装置
技术领域
本发明的实施方案总体涉及操作无人驾驶车辆。更具体地，本发明的实施方案涉及提高无人驾驶车辆定位的效率和准确性。
背景技术
以自主模式运行(例如，无人驾驶)的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自主模式运行时，车辆可以使用车载传感器导航到各种位置，从而允许车辆在最少人机交互的情况下或在一些没有任何乘客的情况下行驶。
无人驾驶的一个根本挑战是相对于注释有各种重要信息的高清晰度(HD)地图来有效、准确且实时地确定无人驾驶车辆(ADV)的位置。在最坏的情况下，准确性需要在10cm内。高清晰度(HD)地图中的ADV位置由诸如感知、规划和控制等ADV系统部件用来作出精确且及时的ADV驾驶决定。为了在HD地图内确定ADV的位置，ADV中或ADV上包括一个或多个ADV位置传感器。传感器可以包括全球定位卫星检测器(GPS)、惯性测量单元传感器(IMU)、无线电探测和测距(RADAR)以及光探测和测距(LIDAR)。诸如全球定位卫星传感器(GPS)和惯性测量单元传感器(IMU)等现有的基于硬件的定位系统无法提供相对于HD地图的必要准确性，尤其是在具有复杂信号闭塞情形的动态城市环境下。
无人驾驶车辆的现有定位方法通常是三个大类：2D、3D和2D-3D混合法。在这三大类中，使用激光扫描器(例如，LIDAR传感器)的基于3D的方法当前比较普及，因为它的准确性和可靠性较高。使用LIDAR传感器在HD地图中确定ADV位置的现有技术方法在计算方面比较昂贵，并且只具有适度的准确性和适度的稳健性。
附图说明
本发明的实施方案在附图的各图中以举例而非限制的方式示出，附图中的相同参考数字指示类似元件。
图1是示出根据本发明一个实施方案的网络化系统的概述的框图。
图2是示出根据本发明一个实施方案的无人驾驶车辆(ADV)传感器和控制模块的示例的框图。
图3是示出根据本发明一个实施方案的ADV感知与规划系统的示例的框图。
图4A示出根据一些实施方案的被候选小区的ADV粗略搜索空间和ADV精细搜索空间环绕的ADV，以用于搜索HD地图以便相对于HD地图来确定ADV的位置。
图4B示出根据一些实施方案的被候选小区的阵列或网格环绕的ADV，以用于搜索HD地图以便相对于HD地图来确定ADV的位置，以及ADV粗略和精细候选搜索空间周围的ADV特征空间。
图5A以框的形式示出根据一些实施方案的搜索HD地图以相对于HD地图来确定ADV的位置的方法的概述。
图5B以框的形式示出根据一些实施方案的搜索HD地图以相对于HD地图来确定ADV的位置的方法的概述。
图6以框的形式示出根据一些实施方案的执行HD地图的粗略搜索以相对于HD地图来确定ADV的位置的方法。
图7以框的形式示出根据一些实施方案的执行HD地图的精细搜索以相对于HD地图来确定ADV的位置的方法。
图8以框的形式示出根据一些实施方案的将候选小区特征空间匹配到HD地图特征空间以确定ADV候选特征空间与HD地图特征空间的相似性得分的方法。
图9以框的形式示出根据一些实施方案的建立查找表以确定候选小区特征空间与HD地图特征空间的相似性得分的方法。
图10以框的形式示出根据一些实施方案的更新HD地图的方法。
图11是示出根据一个实施方案的数据处理系统的框图。
具体实施方式
以下将参考所讨论的细节来描述本发明的各种实施方案和方面，附图将示出所述各种实施方案。下列描述和附图是对本发明的说明，而不应当解释为限制本发明。描述了许多特定细节以便提供对本发明各种实施方案的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节以便提供对本发明实施方案的简洁讨论。
本说明书中对“一个实施方案”或“实施方案”的提及意味着结合该实施方案所描述的特定特征、结构或特性可以包括在本发明的至少一个实施方案中。短语“在一个实施方案中”在本说明书中各个地方的出现不必全部是指同一实施方案。
在第一实施方案中，相对于高清晰度(HD)地图来确定ADV的位置的方法包括使用例如全球定位卫星位置数据来确定ADV的大概位置。可以访问含有与GPS位置对应的HD地图的数据库，以获得HD地图的有注释特征空间。典型的GPS读数在约3米的分辨率内是准确的。HD地图可以包括小区，例如，10cm×10cm，具有与每个小区相关联的海拔和强度值，诸如，从多个LIDAR读数中获得的强度值。强度值表明反射LIDAR的对象的表面的性质。对于具有直接反射LIDAR激光的硬表面的对象而言，强度可较高。对于具有软表面或不规则表面的对象(诸如，灌木或人)而言，强度可较低。HD地图可以包括每个小区的注释，所述注释包括用来生成小区的传感器强度读数的平均值，以及从用来生成小区的多个传感器读数中获得的海拔信息的变化。每个小区还可以包括可用来相对于HD地图确定ADV的位置的位置信息。
ADV可以使用传感器，例如LIDAR，来收集ADV周围的传感器数据的3D点云。传感器数据可以进行分析并且分解成小区，诸如，10cm×10cm或更小。如同HD地图，小区的集合可以用来生成ADV周围的特征空间。特征空间可以包括相对于ADV的小区的(x，y)坐标、传感器读数的平均强度，以及传感器数据中的海拔读数的变化。从ADV特征空间中，可以选择ADV周围的例如32×32个候选小区的粗略搜索空间，表示约3米×3米的物理空间。可以选择步长以跨步通过候选小区。例如，步长为二将意味着候选小区中的每隔一个小区用来确定候选小区周围的特征空间的相似性，以获得它与HD地图特征空间的相似性。候选小区周围的候选特征空间可以是约1024×1024个小区(每侧约100米的正方形)。HD地图也可以具有约1024×1024个小区的HD地图特征空间。针对每个遍历的候选小区，可以确定相似性度量。相似性度量将候选小区周围的特征空间与HD地图的特征空间的相似程度量化。相似性度量可以至少部分基于候选小区的强度属性的平均值以及小区的海拔属性的变化。在实施方案中，可以计算第一候选小区相似性度量。使用由第一候选计算的相似性度量产生的数据，可以生成查找表。查找表可以用来查找第二和后续候选小区的相似性度量的近似值。可以确定具有最高相似性度量的候选小区。从具有最高相似性度量的候选小区中可以确定精细搜索候选空间。在实施方案中，精细搜索候选空间可以是3个小区×3个小区。在实施方案中，可以计算ADV的每个精细搜索候选小区的相似性度量。在实施方案中，可以使用查找表来确定精细搜索候选小区相似性度量中的一个或多个。
在另一实施方案中，ADV可以收集3D点云信息，以用于生成HD地图的更新。ADV的大概位置可以使用例如全球定位卫星位置数据来确定。可以获得与ADV的大概位置对应的HD地图的一部分。在实施方案中，所述HD地图部分的尺寸是至少1024×1024个小区(每边上大约100米的正方形)。ADV可以使用传感器，例如LIDAR，来收集ADV周围的传感器数据的3D点云。3D点云可以进行分析并且分解成小区，诸如，10cm×10cm或更小。小区的集合可以用来生成ADV周围的特征空间。特征空间可以包括相对于ADV的小区的(x，y)坐标、传感器读数的平均强度，以及传感器数据中的海拔读数的变化。从ADV特征空间中，可以选择ADV周围的例如32×32个候选小区的粗略搜索空间，表示约3米×3米的物理空间。可以选择步长以跨步通过候选小区。例如，步长为二将意味着候选小区中的每隔一个小区用来检查候选周围的候选特征空间，以获得它与HD地图特征空间的相似性。候选小区周围的候选特征空间可以是约1024×1024个小区(每边上大约100米的正方形)。HD地图也可以具有约1024×1024个小区的HD地图特征空间。针对每个候选小区，可以确定相似性度量。相似性度量可以至少部分基于候选小区的强度属性的平均值以及小区的海拔属性的变化。在实施方案中，计算第一候选小区相似性度量，并且可以生成查找表以查找第二以及后续候选小区的相似性度量的近似值。可以确定具有最高相似性度量的候选小区。从具有最高相似性度量的候选小区中可以确定精细搜索候选空间。在实施方案中，精细搜索候选空间可以是3×3个小区。在实施方案中，可以计算ADV的每个精细搜索候选小区的相似性度量。在实施方案中，可以使用查找表来确定精细搜索候选小区相似性度量中的一个或多个。
在ADV特征空间与HD地图对准之后，ADV特征空间可以上传到服务器进行进一步分析，以便更新HD地图。在实施方案中，服务器分析所上传的ADV特征空间与HD地图特征空间之间的差异。差异可以包括新的建筑物、树木、人、不同的临时对象等。在实施方案中，小区的海拔信息是小区内容的可靠指标。例如，一个或多个高层建筑物在HD地图中可能相对恒定，并且可以比例如做运动(因此具有变化的强度)且与建筑物相比具有较低高度的人更恒定。
在另一实施方案中，用于存储快速变化的大数据集(诸如，ADV周围的ADV特征空间)的改进数据结构可以包括以可更新的索引为索引的特征空间小区的预分配或静态阵列。在实施方案中，特征空间小区的阵列可以确定自从上次特征空间计算发生距离变化(偏移)的小区的数量。x坐标索引阵列和y坐标索引阵列可以用来旋转或重新对准特征空间小区的网格的索引，以便可以添加新数据，从而覆盖不再是特征空间的网格的一部分的旧数据。这允许从第一时间t0到第二时间t1没有变化的数据在第二时间t1留在相同的网格空间存储器中。这节省大量的存储器“移动”操作并且也节省分配和取消分配存储器空间的开销，因为ADV物理地移动并且ADV特征空间数据被更新。
图1是示出根据本发明一个实施方案的无人驾驶车辆网络配置100的框图。参考图1，网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的无人驾驶车辆101。尽管示出一个无人驾驶车辆101，但多个无人驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网、蜂窝网络、卫星网络的广域网(WAN)或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或者位置服务器等。下文参考图11描述示例服务器系统。服务器103可以包括分析系统，所述分析系统包括机器学习引擎103A和地图更新模块103B，以及地图网格模块103C。
无人驾驶车辆101是指可以被配置成处于自主模式下的车辆，在所述自主模式下车辆在极少或没有来自驾驶员的控制输入的情况下导航通过环境。这种无人驾驶车辆101可以包括传感器系统115，所述传感器系统具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。无人驾驶车辆101可以在手动模式下、在全自主模式下或者在部分自主模式下运行。
在一个实施方案中，无人驾驶车辆101包括，但不限于，感知与规划系统110、车辆控制系统111、无线通信系统112、用户界面系统113和传感器系统115。无人驾驶车辆101还可以包括普通车辆中包括的某些常用部件，诸如，发动机、车轮、方向盘、变速器等，所述部件可以由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制，例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
服务器103可以包括数据分析系统，所述数据分析系统包括机器学习引擎103A、地图更新模块103B，以及地图网格模块103C。每个这种模块可以在软件、硬件或其组合中实施。在实施方案中，模块103A、103B和103C包括至少一个硬件处理器。
部件110至115可以经由互连件、总线、网络或其组合通信地联接到彼此。例如，部件110至115可以经由控域网(CAN)总线通信地联接到彼此。CAN总线是被设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是基于消息的协议，最初是为汽车内的多路电线设计的，但也用于许多其他环境。
图2是示出根据本发明一个实施方案的无人驾驶车辆101(AV)传感器和控制模块的示例的框图。
现在参考图2，在一个实施方案中，传感器系统115包括，但不限于，一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS系统212可以包括收发器，所述收发器可操作来提供关于无人驾驶车辆的位置的信息。IMU单元213可以基于惯性加速度来感测无人驾驶车辆的位置和定向变化。雷达单元214可以表示利用无线电信号来感测无人驾驶车辆的本地环境内的对象的系统。在一些实施方案中，除感测对象之外，雷达单元214另外可以感测对象的速度和/或前进方向。LIDAR单元215可以使用激光器来感测无人驾驶车辆所处环境中的对象。除其他系统部件之外，LIDAR单元215还可以包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可以包括用来捕获无人驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。
传感器系统115还可以包括其他传感器，诸如，声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如，麦克风)。音频传感器可以被配置成从无人驾驶车辆101周围的环境中捕获声音。转向传感器可以被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可以整合为集成式油门/制动传感器。
在一个实施方案中，车辆控制系统111包括，但不限于，转向单元201、油门单元202(也被称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度，继而控制车辆的速度和加速度。制动单元203用来通过提供摩擦使车辆的车轮或轮胎慢下来而使车辆减速。应注意，如图2所示的部件可以在硬件、软件或其组合中实施。
回到图1，无线通信系统112允许无人驾驶车辆101与诸如装置、传感器、其他车辆等的外部系统之间的通信。例如，无线通信系统112可以直接或者经由通信网络与一个或多个装置无线通信，诸如，通过网络102与服务器103至104通信。无线通信系统112可以使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使用WiFi，以与另一部件或系统通信。无线通信系统112可以例如使用红外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户界面系统113可以是在车辆101内实施的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
无人驾驶车辆101的功能中的一些或全部可以由感知与规划系统110控制或管理，尤其当在无人驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储设备)和软件(例如，操作系统、规划和路线程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户界面系统113接收信息，处理所接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划和控制信息来驾驶车辆101。或者，感知与规划系统110可以与车辆控制系统111整合在一起。在实施方案中，感知与规划模块110的规划部分可以关闭。在实施方案中，控制系统111可以关闭。在规划和控制模块关闭时，无人驾驶车辆101便可以由人类驾驶员驾驶。本文描述的实施方案使用打开的规划模块110和控制系统111。
在操作中，作为乘客的用户可以例如经由用户界面113来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如，感知与规划系统110可以从MPOI服务器中获得位置和路线信息，所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI。或者，此类位置和MPOI信息可以本地高速缓存在感知与规划系统110的永久性存储装置中。
当无人驾驶车辆101沿着路线移动时，感知与规划系统110也可以从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器103至104可以由第三方实体进行操作。或者，服务器103至104的功能可以与感知与规划系统110整合在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可以规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101，以安全有效地到达指定目的地。
在无人驾驶车辆101中，可能不存在实际的或物理的窗口。相反，“窗口”(在本文中被称为虚拟窗口)可以由任选地具有触摸屏的显示装置(即，模制成车窗形状的平面或曲面屏幕显示装置)表示或代替。显示装置将显示通过一个或多个适当的摄像机实时动态地捕获的图像或图像流(例如，视频)，好像用户正在通过透明车窗观看或查看实际的物理内容一样。对于每个“窗口”(例如，显示装置)，可以存在用于流式传输待实时显示的对应内容的对应显示信道，所述对应内容可由增强现实系统，例如数据处理系统110进行集中处理。在此类情形下，经由信息娱乐系统114以虚拟现实方式(也被称为增强现实方式)来显示所增强的图像。
在本文描述的实施方案中，在无人驾驶车辆101以自动模式驾驶时可以记录来自传感器系统115中的每个传感器的输出，其中规划和控制模块打开。对控制系统111的部件的输入可以由规划模块110提供。
图3是示出根据本发明一个实施方案的与无人驾驶车辆101一起使用的感知与规划系统110的示例的框图300。系统300可以被实施为图1的无人驾驶车辆101的一部分，包括但不限于，感知与规划系统110、控制系统111和传感器系统115。参考图3，感知与规划系统110包括，但不限于，定位模块301、感知模块302、决定模块303、规划模块304、控制模块305，以及地图更新模块306。
模块301至306中的一些或全部可以在软件、硬件或其组合中实施。例如，这些模块可以安装在永久性存储装置352中、加载到存储器351中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中的一些或全部可以通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们整合在一起。模块301至306中的一些可以一起整合为集成模块。
定位模块301(也被称为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可以例如经由用户界面登录并且指定行程的起始位置和目的地。定位模块301与无人驾驶车辆300的其他部件通信，诸如，地图和路线信息311，以获得行程相关数据。例如，定位模块301可以从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI，从而可以作为地图和路线信息311的一部分高速缓存。当无人驾驶车辆300沿着路线移动时，定位模块301也可以从交通信息系统或服务器获得实时交通信息。
定位模块301的目标是以较高的准确性确定ADV的位置。ADV位置可以使用例如GPS大概地确定。GPS坐标可以用来获得高清晰度(HD)地图，所述HD地图的中心位于GPS位置并且具有大约100米×100米的小区的HD地图特征空间。感知模块302的ADV车载传感器也可以生成ADV周围的大约100米×100米的小区的ADV特征空间。为了相对于HD地图来确定ADV的实际位置，定位模块301可以找到ADV特征空间的候选部分中的候选小区与HD地图的最佳匹配。所述匹配确定ADV与以GPS为中心的HD地图特征空间的偏移。这个偏移可以与HD地图特征空间结合使用，以确定ADV的实际高精度位置。
定位模块301可以包括位置模块301A、粗略搜索模块301B以及精细搜索模块301C。位置模块301A可以从感知模块302中的传感器获得传感器数据的3D点云。3D点云表示ADV周围的传感器数据。位置模块301A可以分析3D点云，并且生成数据的小区的ADV特征空间，每个小区表示大约10cm×10cm的区域。每个小区可以具有ADV特征空间中的(x，y)坐标、平均强度以及海拔的变化。在实施方案中，ADV特征空间含有ADV周围的大约1024×1024个小区。位置模块301A也可以从例如GPS读数中或者与小区发射塔协作来获得ADV的大概位置。位置模块301A还可以获得小区的高清晰度(HD)地图，所述HD地图表示GPS坐标周围的大约1024×1024个小区的HD地图特征空间。HD地图特征空间的每个小区可以具有表示真实坐标空间(诸如，高分辨率GPS或其他坐标系)中的小区的实际位置的(x，y)坐标。HD地图特征空间的每个小区还可以包括小区的平均强度以及小区中的海拔变化。HD地图特征空间还可以包括注释，所述注释包括HD地图的每个小区的实际高分辨率位置、街道地址信息、商业信息、餐厅、加油站以及其他有用的信息。
GPS的大概精度是约3米的分辨率。粗略搜索模块301B可以确定ADV周围的例如32×32个小区的候选空间，并且将候选空间的每个候选小区周围的例如1024×1024个小区的ADV特征空间与例如1024×1024个小区的HD地图特征空间进行匹配。使用相似性度量来执行匹配，所述相似性度量执行候选小区特征空间(例如，1024×1024个小区)到HD地图特征空间(例如，1024×1024个小区)的混合高斯拟合。所述相似性度量如下：
Figure GDA0003176628210000111
其中P(z|x,y,m)表示候选小区周围的候选特征空间与HD地图特征空间的相似性得分，i和j是各自在1……1024范围内的迭代子，(x，y)是候选小区的坐标，m表示地图特征空间小区数据，z表示ADV特征空间小区数据，r表示值的平均值，σ表示值的变化，以及α是调整参数。在实施方案中，ADV和HD地图特征空间小区数据的平均强度用在exp函数的分子中，并且ADV和HD地图特征空间数据的海拔变化用在exp函数的分母中。相似性度量用来确定例如32×32个小区的候选空间中的每个候选小区的相似性得分。在实施方案中，通过确定例如每隔一个小区或每三个小区或者其他增量的相似性度量来执行候选空间的粗略搜索。确定候选小区之中的最高相似性得分。在实施方案中，由精细搜索模块301C在以上具有粗略搜索的最高相似性得分的候选小区周围执行精细搜索。精细搜索空间是候选小区的第二集合，例如，3×3个小区。可以使用候选小区的第二集合中的每个的相似性度量来执行精细搜索。候选小区的第二集合中的具有最高相似性得分的候选小区用作与HD地图特征空间的中心最匹配的小区。从ADV特征空间中的ADV坐标到最匹配小区的偏移可以用来相对于HD地图特征空间确定ADV的高分辨率位置。
如在上文中可以看出，相似性得分能够是计算上加强的，但必须实时地计算。在实施方案中，在计算第一候选小区的相似性得分之后或期间，可以确定强度值范围和海拔值范围。例如，强度值范围可以被确定为HD地图平均强度与ADV特征空间小区平均强度之间的最低差值和最高差值。海拔值范围可以被确定为HD地图特征空间海拔变化的值和ADV特征空间小区海拔变化的值的最低总和及最高总和。一旦确定了平均强度和海拔变化的范围，便可以确定每一个的逐步增量。例如，如果平均强度差的范围是0.1到14.9，那么可以将0、1、2、……、15的强度范围用作HD地图特征空间小区和ADV特征空间小区的平均强度的差异的估计范围。类似地，如果海拔变化范围在例如0.0到0.81的范围内，那么可以将0.0、0.1、0.2、……、0.8的海拔范围用作HD地图特征空间小区海拔变化与ADV特征空间小区之间的海拔变化的总和的估计范围。使用以上所确定的估计范围，可以通过计算平均强度范围和海拔变化范围的每个组合的相似性度量来生成所估计的相似性值的表。这大大减小了用来确定候选小区的相似性得分的良好估计的计算量。
在实施方案中，上述粗略搜索可以使用相似性得分的查找表。上述精细搜索可以计算精细搜索中的每个候选小区的相似性得分。在实施方案中，查找表可以用于精细搜索相似性得分。
感知与规划系统110还可以包括感知模块302。基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，感知模块302确定周围环境的感知。感知信息可以表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可以包括车道配置(例如，直道或弯道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道，或例如采用对象形式的其他交通相关标志(例如，停止标志、让路标志)等。
感知模块302可以包括计算机视觉系统或计算机视觉系统的功能，以处理并分析由一个或多个摄像机捕获的图像，以便识别无人驾驶车辆环境中的对象和/或特征。所述对象可以包括交通信号、车行道边界、其他车辆、行人和/或障碍物等。计算机视觉系统可以使用对象识别算法、视频跟踪以及其他计算机视觉技术。在一些实施方案中，计算机视觉系统可以绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块302也可以基于由诸如雷达和/或LIDAR的其他传感器提供的其他传感器数据来检测对象。
针对每个对象，决定模块303可以作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决定模块303决定如何遇到所述对象(例如，超车、让路、停止、超过)。决定模块303可以根据诸如交通规则的一套规则来作出此类决定，所述规则可以存储在永久性存储装置352(未示出)中。
基于针对所感知到的对象中的每个的决定，规划模块304为无人驾驶车辆规划路径或路线，以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之，针对给定的对象，决定模块303决定如何处理该对象，而规划模块304确定如何做。例如，针对给定的对象，决定模块303可以决定超过所述对象，而规划模块304可以确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块304生成，包括描述车辆300在下一移动循环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控制数据可以指示车辆300以30英里每小时(mph)的速度移动10米，随后以25mph的速度变到右侧车道。
基于规划和控制数据，控制模块305根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶无人驾驶车辆。所述规划和控制数据包括足够的信息，以便沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动和转向命令)将车辆从路线或路径的第一点驾驶到第二点。
应注意，决定模块303和规划模块304可以整合为集成模块。决定模块303/规划模块304可以包括导航系统或导航系统的功能，以确定无人驾驶车辆的驾驶路径。例如，导航系统可以确定用于实现无人驾驶车辆沿着以下路径移动的一系列速度和定向前进方向：所述路径在大体上使无人驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上避免感知到的障碍物。目的地可以根据经由用户界面系统113进行的用户输入来设定。导航系统可以在无人驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可以将来自GPS系统和一个或多个地图的数据合并，以便确定用于无人驾驶车辆的驾驶路径。
决定模块303/规划模块304还可以包括防撞系统或防撞系统的功能，以识别、评估并且避免或以其他方式绕过无人驾驶车辆环境中的潜在障碍物。例如，防撞系统可以通过以下方式实现无人驾驶车辆的导航中的变化：操作控制系统111中的一个或多个子系统来采取转向操纵、转弯操纵、制动操纵等。防撞系统可以基于周围的交通模式、道路状况等自动确定可行的障碍物回避操纵。防撞系统可以被配置成使得当其他传感器系统检测到位于无人驾驶车辆将转向进入的相邻区域中的车辆、建筑障碍物等时不采取转向操纵。防撞系统可以自动选择既可用又使得无人驾驶车辆乘员的安全性最大化的操纵。防撞系统可以选择被预测为使无人驾驶车辆的乘客舱中出现最小量的加速度的避免操纵。
地图更新模块306可以用来收集ADV特征空间数据并且获得ADV的大概位置的HD地图特征空间，使用如上所述的定位模块301的技术将ADV特征空间与HD地图特征空间对准，并且参考对应的HD地图特征空间将ADV特征空间上传到服务器，诸如，服务器103，以供分析。上文参考图1、地图更新模块103B和地图网格103C描述了服务器侧功能。
永久性存储装置352可以包括地图和路线信息311、地图网格312以及查找表313。地图和路线信息可以用来确定要达成的一系列导航操作以及目的地。导航操作可以表达为图中的弧线，具有表示路线的特征(诸如，速度、交通、信号、道路类型等)的权重和属性。地图网格312可以是某一驾驶地点内(诸如，“在美国(U.S.)范围内”或“在加利福尼亚州(California)范围内”或者“在旧金山(San Francisco)范围内”)的所有已知HD地图网格特征空间的完整地图网格。在实施方案中，针对ADV周围的半径(诸如，100英里的半径)，地图网格312可以根据需要从服务器下载，例如，服务器103或104。上文所述的查找表313可以写入到存储器351(未示出)或永久性存储设备352。
应注意，如上文示出和描述的部件中的一些或全部可以在软件、硬件或其组合中实施。例如，此类部件可以实施为安装并存储在永久性存储装置中的软件，所述软件可以由处理器(未示出)在存储器中加载并执行以实施贯穿本申请所述的过程或操作。或者，此类部件可以实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可以经由来自应用的对应驱动程序和/或操作系统来访问。此外，此类部件可以实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图4A示出根据一些实施方案的被候选小区的ADV粗略搜索空间410和ADV精细搜索空间420环绕的ADV，以用于搜索HD地图以便相对于HD地图来确定ADV的位置。
ADV 101可以具有从感知模块302接收3D点云数据的定位模块301。位置模块301A可以从3D点云数据中生成例如1024×1024个小区的ADV特征空间。每个小区可以是例如10cm×10cm，并且可以包括相对于ADV的(x，y)位置坐标、平均强度值、海拔变化值以及其他传感器数据。如上文所述，参考图3，定位模块301的目标是相对于真实世界和表示ADV周围的真实世界的HD地图来确定ADV的准确位置。ADV可以使用例如GPS读数来获得表示ADV周围的真实世界的HD地图部分。HD地图可以是例如1024个小区×1024个小区，每个小区表示例如10cm×10cm。粗略搜索模块301B可以从ADV特征空间中选择粗略搜索候选空间410。粗略搜索候选空间410是环绕ADV的ADV特征空间的子集。粗略搜索候选空间410可以是例如32×32个小区。在实施方案中，可以以例如二的增量来遍历粗略搜索候选空间410。例如，粗略搜索候选空间410的相似性度量可以在时间t0处以(x，y)＝(0，0)来确定。粗略搜索候选空间410的下一相似性度量可以在时间t0处以(x，y)＝(2，0)来确定，随后在(4，0)处确定等等。在时间t0处搜索粗略搜索候选空间410之后，粗略搜索可以定位粗略搜索候选空间410中的具有最高相似性度量的候选小区415，表明所述候选小区特征空间最接近地匹配HD地图特征空间。精细搜索模块301C可以确定具有最高相似性度量的候选小区415周围的精细搜索候选空间420。在实施方案中，精细搜索候选空间420可以是例如粗略搜索候选空间410中的具有最高相似性得分的候选小区415周围的3个小区×3个小区。精细搜索模块301C可以确定精细搜索候选空间420中的每个候选小区的相似性度量。精细搜索模块301C可以确定精细搜索候选空间420中的候选小区之中的最高相似性得分。精细搜索候选空间420中的具有最高相似性得分的候选小区便可以被确定为与HD地图特征空间的中心重合。可以确定从ADV到HD地图的中心的偏移，并且所述偏移可以用来以较高的准确性确定ADV在真实世界中的与HD地图特征空间对应的位置。
在时间t1处，可以重复以上过程。假设ADV在移动，那么时间t1处的ADV特征空间可以与时间t0处的ADV特征空间具有一些公用数据。图4A示出时间t0和时间t1处的32×32粗略搜索候选空间410。类似的概念应用于时间t0和时间t1处的整个ADV特征空间(1024×1024个小区)。不是转移保留例如粗略搜索候选空间的数据结构内的数据，而是随着ADV移动，定位模块301可以确定有多少ADV已经移动，以及粗略搜索空间410中的多少数据在时间t1处与在时间t0处相同，但逻辑上被时间t1处的新候选搜索空间小区的数据取代。替代于转移数据结构中的数据，可以针对x坐标方向和y坐标方向中的每个方向来转移索引的阵列，这适合ADV的移动。如图4A所示，随着ADV向右移动，时间t1处的候选搜索空间410已添加新的数据。在该图的示例中，新的粗略搜索候选空间数据存储在粗略搜索候选空间的列0、2、4和6中，从而覆盖旧的数据。在实施方案中，随着ADV从时间t0向前移动到时间t1，新的候选搜索空间小区将在逻辑上在例如列32、33等等添加。在32×32个小区的示例候选搜索空间中，候选搜索阵列空间的x坐标索引可以增加(以32为模)，以获得用于在其添加新ADV特征空间数据的候选搜索空间阵列索引。因此，逻辑列32将是32以32为模＝0，逻辑列33将是33以32为模＝1，等等。可以类似地计算候选搜索空间网格的y坐标。将数据添加到32×32的候选搜索空间的以上示例可以延伸到ADV特征空间，所述ADV特征空间可以是大约1024×1024个小区。在实施方案中，ADV特征空间可以是1024×1024个小区，以促进ADV特征空间数据阵列模计算。
图4B示出根据一些实施方案的被候选小区的阵列或网格环绕的ADV 101，以用于搜索HD地图以便相对于HD地图来确定ADV的位置，以及ADV粗略和精细候选搜索空间周围的ADV特征空间。
如上文所述，定位模块301的目标是将从传感器数据的3D点云中生成的ADV特征空间与高清晰度(HD)地图特征空间对准，所述HD地图特征空间以由ADV获得的位置(例如，GPS坐标)为中心。将ADV特征空间与HD地图特征空间对准是相对于HD地图以较高准确性来确定真实世界中的ADV位置的过程中的操作。
图4B示出在ADV特征空间425和HD地图特征空间430的背景下设置的图4A的粗略搜索空间410。由于用来获得ADV的大概位置的位置传感器(例如，GPS坐标或小区发射塔坐标)的准确性有限，因此，HD地图特征空间430可能从ADV特征空间425偏移。针对在ADV粗略搜索空间410中遍历的每个候选小区，将候选小区周围的大约1024×1024个小区的特征空间与HD地图特征空间430进行比较，并且确定候选小区的相似性得分。ADV粗略搜索空间410中的候选小区之中的具有最高相似性得分的候选小区420用来生成大约3×3个小区的精细搜索空间415。遍历ADV精细搜索空间415中的每个小区并且确定相似性得分。选择精细搜索空间415之中的具有最高相似性得分的ADV精细搜索空间415候选小区，作为将ADV特征空间425最佳地对准到HD地图特征空间430的小区。确定从ADV到具有与HD地图特征空间的最高相似性得分的ADV精细搜索空间415中的候选小区的偏移。所述偏移用来以较高的准确性相对于HD地图和真实世界来确定ADV的位置。
图5A以框的形式示出根据一些实施方案的搜索HD地图以相对于HD地图来确定ADV的位置的方法500的概述。
在操作501中，位置模块301A可以确定ADV周围的ADV特征空间的多个候选小区的第一集合。ADV周围的特征空间可以由从感知模块302(例如，LIDAR、GPS坐标或小区发射塔的坐标、声纳、雷达、其他传感器或者这些的组合)获得的数据的3D点云生成。ADV特征空间可以布置成小区，例如，1024×1024个小区，每个小区大约10cm×10cm。每个小区可具有所述小区相对于ADV的(x，y)坐标、从3D点云获得的小区数据的平均强度，以及从3D点云获得的小区数据的海拔变化。ADV特征空间的多个候选小区的第一集合可以以ADV为中心，并且可以是ADV特征空间的子集，例如，ADV周围的32个小区×32个小区。
在操作502中，定位模块301可以获得以大概ADV位置为中心的高清晰度(HD)地图的一部分。HD地图的所述部分可以离线获得，例如，从服务器103或104获得，或者从存储器351或永久性存储设备352中的车载地图中获得。在操作525中，定位模块301(粗略搜索模块301B)可以使用多个候选小区的第一集合来执行地图特征空间的搜索，如下文参考图6在操作600中描述。粗略搜索候选小区410的粗略搜索600产生候选小区特征空间的与HD地图特征空间具有最高相似性得分的候选小区。
在操作503中，定位模块301可以至少部分基于来自粗略搜索600的具有最高相似性得分的候选小区的(x，y)坐标，相对于高清晰度地图特征空间来确定ADV位置。
图5B以框的形式示出根据一些实施方案的搜索HD地图以相对于HD地图来确定ADV的位置的方法500的概述。
在操作505中，位置模块301A可以使用从感知模块302(例如，GPS坐标或小区发射塔的坐标、声纳、雷达、其他传感器或者这些的组合)获得的信息来获得ADV的大概位置。
在操作510中，定位模块301可以获得以大概ADV位置为中心的高清晰度(HD)地图的一部分。HD地图的所述部分可以离线获得，例如，从服务器103或104获得，或者从存储器351或永久性存储设备352中的车载地图中获得。
在操作515中，定位模块301可以从感知模块302获得ADV周围的传感器数据的3D点云。
在操作520中，定位模块301可以使用传感器数据的3D点云来生成例如1024×1024个小区的ADV特征空间，每个小区例如10cm×10cm。每个小区可以具有ADV特征空间的(x，y)坐标、中间强度值以及小区的海拔值变化。中间强度值是从包括所述小区的3D点云传感器数据获得的。海拔值的变化也可以从包括所述小区的3D点云传感器数据获得。
在操作525中，粗略搜索模块301B可以从环绕ADV的ADV特征空间425中确定例如32×32个小区的粗略搜索候选空间410。粗略搜索候选空间410可以以ADV为中心。
在操作600中，执行粗略搜索候选空间410中的候选小区的粗略搜索。以下参考图6详细地描述操作600。粗略搜索候选小区410的粗略搜索600产生候选小区特征空间的与HD地图特征空间具有最高相似性得分的候选小区。
在操作530中，精细搜索模块301C可以将具有最高相似性得分的粗略搜索600的候选小区用作精细搜索候选空间420的中心415。在实施方案中，精细搜索空间420的尺寸可以是3个小区×3个小区。
在操作700中，精细搜索模块301C可以执行精细搜索候选空间420的精细搜索。以下参考图7详细地描述操作700。精细搜索700产生具有最高相似性得分的候选小区，表明其特征空间与HD地图特征空间最佳地匹配的候选小区。
在操作535中，定位模块301可以使用来自精细搜索700的具有最高相似性得分的候选小区的(x，y)坐标以较高的准确性确定ADV位置。
图6以框的形式示出根据一些实施方案的执行HD地图特征空间的粗略搜索以相对于HD地图来确定ADV的位置的方法600。HD地图特征空间430已经在图5的操作510中确定。粗略搜索候选空间410已经在图5的操作525中确定。粗略搜索600可以由定位模块301(粗略搜索模块301B)执行。
在操作605中，可以选择用于遍历候选搜索空间420的步长增量。在实施方案中，步长增量可以是二，使得候选搜索空间410的遍历确定候选搜索空间410中的每隔一个小区的相似性得分。在具有32×32个小区的示例粗略搜索候选空间410中，以步长增量二进行的遍历将搜索16×16个小区(256个小区)，而不是全部的32×32个小区(1024个小区)。
在操作610中，可以将最高相似性得分变量设置为零或其他常量，诸如，-1。
在操作615中，使用在操作605中选择的步长增量开始粗略搜索候选空间410的遍历。
在操作620中，粗略搜索候选空间410中的第一候选小区。方法600根据步长增量来遍历粗略搜索候选空间410的候选小区。
在操作625中，从所遍历的候选小区周围的ADV特征空间中确定例如1024×1024个小区的候选小区特征空间。
在操作800中，确定候选小区的相似性得分。所述相似性得分表示候选小区特征空间与HD地图特征空间430之间的相似程度。以下参考图8详细地描述操作800。
在操作630中，可以确定所遍历的候选小区的相似性得分是否大于迄今在粗略搜索候选空间410中发现的最高相似性。如果是的话，那么在操作635中，将所述最高相似性设置为所遍历的候选小区的相似性得分，并且存储所遍历的候选小区的坐标。方法600在操作640处继续。
在操作640中，可以确定在粗略搜索候选空间410中是否存在要遍历的更多候选小区。如果是的话，那么方法600在操作645处继续，否则方法600结束。
在操作645中，在粗略搜索候选搜索空间410的遍历中选择下一候选小区。方法600在操作625处继续。
图7以框的形式示出根据一些实施方案的执行HD地图的精细搜索以相对于HD地图来确定ADV的位置的方法700。HD地图特征空间430已经在图5的操作510中确定。精细搜索候选空间420已经在图5的操作530中确定。精细搜索700可以由定位模块301(精细搜索模块301C)执行。
在操作705中，可以任选地选择用于遍历精细搜索候选搜索空间420的步长增量。在实施方案中，步长增量可以默认是一。
在操作710中，可以将最高相似性得分变量设置为零或其他常量，诸如，-1。
在操作715，可以使用在操作705中任选地选择的步长增量或者默认为一的步长增量来开始精细搜索候选空间420的遍历。
在操作720中，精细搜索候选搜索空间420中的第一候选小区。方法600根据步长增量来遍历精细搜索候选空间420的候选小区。
在操作725中，从所遍历的候选小区周围的ADV特征空间中确定例如1024×1024个小区的候选小区特征空间。
在操作800中，确定候选小区特征空间的相似性得分。所述相似性得分表示候选小区特征空间与HD地图特征空间430之间的相似程度。以下参考图8详细地描述操作800。
在操作730中，可以确定所遍历的候选小区的相似性得分是否大于迄今在精细搜索候选空间420中发现的最高相似性。如果是的话，那么在操作735中，将所述最高相似性设置为所遍历的候选小区的相似性得分，并且存储所遍历的候选小区的坐标。方法700在操作740处继续。
在操作740中，可以确定在精细搜索候选空间420中是否存在要遍历的更多候选小区。如果是的话，那么方法700在操作745处继续，否则方法700结束。
在操作745中，在精细搜索候选搜索空间420的遍历中选择下一候选小区。方法700在操作725处继续。
图8以框的形式示出根据一些实施方案的将候选小区特征空间匹配到HD地图以确定ADV候选特征空间与HD地图特征空间430的相似性得分的方法800。在以上分别参考图6和图7描述的粗略搜索600和精细搜索700中，确定候选小区的特征空间与HD地图的特征空间之间的相似性得分。候选小区特征空间和HD地图特征空间可以各自是例如1024×1024个小区。确定相似性得分的一种方式是使用本文中描述的相似性度量来计算相似性得分。本文中描述的相似性度量使用候选小区特征空间到HD地图特征空间的混合高斯拟合，所述混合高斯拟合使用候选小区特征空间和HD地图特征空间的每个小区的强度的平均值。候选小区特征空间到HD地图特征空间的混合高斯拟合另外使用候选特征空间和HD地图特征空间的每个小区的海拔变化。在给定候选小区特征空间和HD地图特征空间的尺寸的情况下，这样计算的相似性度量给出非常准确且稳健的拟合，但在计算方面比较昂贵。在实施方案中，确定候选小区的相似性得分可以通过使用查找表而从下列项中确定的估计相似性得分来更快速地执行：候选特征空间与HD地图特征空间的每个小区的平均强度值之间的差异的近似值，以及候选特征空间与HD地图特征空间的每个小区的海拔值的变化的总和的近似值。在实施方案中，在计算第一候选小区的相似性度量时，可以生成查找表。查找表可以存储在永久性存储装置352中作为查找表313，或者存储在存储器351中。在实施方案中，可以基于小区的平均强度和海拔值变化的分析来选择通过计算还是查找表来确定相似性度量。
在操作805中，选择候选搜索空间(例如，粗略搜索空间410)的遍历的候选小区。
在操作810中，可以确定这是不是在候选搜索空间小区的遍历中搜索的第一候选小区。
如果在操作810中确定这是在小区的搜索空间中遍历的第一候选小区，那么在操作820中，可以计算候选小区特征空间与HD地图特征空间的相似性度量，并且在操作900中，可以生成相似性得分查找表。以下参考图9描述操作900。
如果在操作810中确定这不是在小区的搜索空间中遍历的第一候选小区，那么已经生成了查找表，并且在操作815中，可以查找候选小区特征空间与HD地图特征空间的相似性度量。
图9以框的形式示出根据一些实施方案的建立查找表313以确定候选小区特征空间与HD地图特征空间的相似性得分的方法900。查找表313可以是以平均强度值范围和海拔值的变化范围为索引的二维表。
在操作905中，可以确定中间强度的范围，以用于访问查找表313。通过确定在相似性度量计算期间发现的最小中间强度值和最大中间强度值，可以在第一候选小区的相似性度量计算期间确定中间强度的范围。例如，平均强度值的范围可以是例如最小0.01到最大24.92。平均强度值表示候选小区特征空间中的小区的平均强度值与HD地图特征空间小区的平均强度值之间的差异。
在操作910中，可以将中间强度值的范围四舍五入至生成合理规模的查找表的解决方案。在以上的示例中，平均强度值的范围可以四舍五入至0、1、2、……、25，从而生成应用候选特征空间到HD地图特征空间的混合高斯拟合的逐步估计。
在操作915中，可以在第一候选小区的相似性度量计算期间类似地确定海拔值的变化范围。例如，海拔值的变化范围可以是例如最小0.09到最大0.81。海拔值的变化表示候选特征空间中的小区的海拔值的变化和HD地图特征空间的小区的海拔值的变化的总和。
在操作920中，可以将海拔值的变化范围四舍五入至生成合理尺寸的查找表的解决方案。在以上的示例中，海拔值的变化范围可以四舍五入至0.0、0.1、……、0.8，从而生成应用候选小区特征空间到HD网格特征空间的混合高斯拟合的逐步估计。
在操作925中，可以通过在相应的范围上计算四舍五入的平均强度值和四舍五入的海拔值变化的所有组合的相似性得分来生成查找表313。
图10以框的形式示出根据一些实施方案的更新HD地图的方法1000。随着真实世界改变，HD地图可需要更新。为了更新HD地图，ADV可以在它行驶时生成传感器数据的3D点云、生成ADV特征空间、将特征空间与HD地图对准，并且将对准的ADV特征空间上传到例如服务器103，以供HD地图的分析和更新。服务器103可以包括机器学习引擎103A、地图更新模块103B以及地图网格103C。机器学习引擎103A可以由地图更新模块103B用来生成更新的地图网格103C。
在实施方案中，一个或多个客户ADV可以自愿地或者为换取报酬而将它们对准的ADV特征空间上传到服务器103。在实施方案中，服务器103可以随机测验HD地图特征空间内的一个或多个ADV，并且将ADV特征空间从ADV下载到服务器103。在实施方案中，客户ADV可以存储一个或多个HD地图特征空间的ADV特征空间信息，并且作为后台处理任务，在ADV没有移动的时间内更新ADV自己的车载HD地图网格312。这对于经常在一天的相同时间行驶相同路线往返相同目的地的ADV客户而言尤其有用。强化学习可以大大改善HD地图随时间推移的细节和准确性。
地图更新方法1000可以包括两个部分：在车辆被驾驶时执行的在线部分；以及离线部分，其中对所收集的ADV特征空间信息进行收集、分析并用来更新HD地图。地图更新方法1000的在线部分可以由地图更新模块306执行。在线部分非常类似于在图5到图9中描述由定位模块301使用的在线过程。地图更新方法1000的离线部分可以由服务器103上的地图更新模块103B执行。在ADV更新它自己的地图网格312的实施方案中，作为例如后台任务或当ADV没有移动时，地图更新方法1000的离线部分可以由地图更新模块306执行。
在操作1005中，位置模块301A可以使用从感知模块302获得的信息(例如，GPS坐标或小区发射塔的坐标、声纳、雷达、其他传感器或者这些的组合)来获得ADV的大概位置。
在操作1010中，定位模块301可以获得以大概ADV位置为中心的高清晰度(HD)地图的一部分。HD地图的所述部分可以离线获得，例如，从服务器103或104获得，或者从永久性存储设备352中的车载地图中获得。
在操作1015中，定位模块301可以从感知模块302获得ADV周围的传感器数据的3D点云。
在操作1020中，定位模块301可以使用传感器数据的3D点云来生成例如大约1024×1024个小区的ADV特征空间，每个小区例如10cm×10cm。每个小区可以具有ADV特征空间内的(x，y)坐标、中间强度值以及小区的海拔值变化。中间强度值可以从包括所述小区的3D点云传感器数据获得。海拔值的变化也可以从包括所述小区的3D点云传感器数据获得。
在操作1025中，ADV可以将ADV特征空间与HD地图特征空间对准。以上参考图5到图9描述了将ADV特征空间与HD地图特征空间对准。
在操作1030中，ADV可以将对准的ADV特征空间上传到服务器103。在实施方案中，ADV特征空间可以参考HD地图网格空间上传到服务器103。在实施方案中，服务器可以请求对准的ADV特征空间，并且将对准的ADV特征空间下载到服务器103。
操作1035到1050将被描述为由服务器103通过地图更新模块103B来执行(离线操作)。操作1035到1050可以替代地或另外地由ADV地图更新模块306离线执行或在后台任务中执行，从而更新它自己的地图网格312。
在操作1035中，服务器103可以选择ADV特征空间的候选小区，以更新地图网格，例如，地图网格103C。
在操作1040中，地图更新模块103B可以分析ADV候选小区特征空间与地图网格特征空间之间的差异。分析可以包括生成所选择的ADV小区周围的候选特征空间，例如，32×32小区候选特征空间。可以生成候选特征空间内的每个候选小区的相似性度量。可考虑具有较低相似性(例如，在第30个百分位)、较高强度值(例如，在第70个百分位)以及较高海拔变化(例如，在第70个百分位)的一个或多个候选小区，以便利用ADV候选小区来更新HD地图网格。具有较低相似性得分但具有较高强度值和海拔变化的小区可以表明，例如，自从上次HD地图更新，已经建造了新的建筑物。类似地，具有较低相似性得分和较低强度值以及较高海拔变化的小区可以表明对象(例如，建筑物)先前在上次更新时存在于HD地图中，但不再存在于ADV特征空间中。服务器机器学习引擎103A可以应用人工智能方法，包括一个或多个基于规则的系统，以便当在更小的候选空间中分析特征空间时，确定与HD地图网格特征空间具有明显差异的所对准的ADV特征空间的含义。
在操作1045中，取决于操作1040中的分析结果，地图更新模块103B可以使用所述分析来更新HD网格特征空间。
在操作1050中，可以确定是否要分析特征空间的更多ADV小区。如果是的话，那么方法1000在操作1035处继续，否则方法1000结束。
图11是示出可以与本发明一个实施方案一起使用的数据处理系统1100的示例的框图。例如，系统1100可以表示以上所述的执行上述过程或方法中的任一个的任一数据处理系统，例如，无人驾驶车辆101系统，诸如，感知与规划110、控制住系统111、信息娱乐系统114等，或者图1的服务器103至104中的任一个。系统1100可以包括许多不同的部件。这些部件可以实施为集成电路(IC)、集成电路的部分、离散电子装置或被适配用于电路板的其他模块(诸如，计算机系统的主板或插入卡)，或者实施为以其他方式并入计算机系统的底盘内的部件。
还应注意，系统1100旨在示出计算机系统的许多部件的高级视图。然而，应当理解的是，某些实施方式中可以具有附加的部件，此外，其他实施方式中可以具有所示部件的不同配置。系统1100可以表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、嵌入式处理控制器、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外，虽然仅示出了单个机器或系统，但是术语“机器”或“系统”还应当被理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方案中，系统1100包括通过总线或互连件1110连接的处理器1101、存储器1103以及装置1105至1108。处理器1101可以表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1101可以表示一个或多个通用处理器，诸如，微处理器、中央处理单元(CPU)等。更具体地，处理器1101可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其他指令集的处理器、或实施指令集组合的处理器。处理器1101还可以是一个或多个专用处理器，诸如，专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协同处理器、嵌入式处理器，或者能够处理指令的任何其他类型的逻辑。在实施方案中，处理器1101包括至少一个硬件处理器。
处理器1101(其可以是低功率多核处理器插座，诸如超低电压处理器)可以充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可以实施为片上系统(SoC)。处理器1101被配置成执行指令以执行本文所讨论的操作和步骤。系统1100还可以包括与可选的图形子系统1104通信的图形接口，图形子系统1504可以包括显示控制器、图形处理器和/或显示装置。
处理器1101可以与存储器1103通信，存储器1503在一个实施方案中可以经由多个存储器装置实施以提供给定量的系统存储器。存储器1103可以包括一个或多个易失性存储(或存储器)装置，诸如，随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)，或者其他类型的存储装置。存储器1103可以存储包括由处理器1101或任何其他装置执行的指令序列的信息。例如，多种操作系统、装置驱动程序、固件(例如，输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可以加载到存储器1103中并由处理器1101执行。操作系统可以是任何类型的操作系统，例如，机器人操作系统(ROS)、来自
Figure GDA0003176628210000271
公司的
Figure GDA0003176628210000272
操作系统、来自苹果公司的Mac
Figure GDA0003176628210000273
来自
Figure GDA0003176628210000274
公司的
Figure GDA0003176628210000275
LINUX、UNIX，或者其他实时或嵌入式操作系统。
系统1100还可以包括I/O装置，诸如装置1105至1108，包括网络接口装置1105、可选的输入装置1106，以及其他可选的I/O装置1107。网络接口装置1105可以包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如，全球定位系统(GPS)收发器)或其他射频(RF)收发器，或者它们的组合。NIC可以是以太网卡。
输入装置1106可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置1104整合在一起)、指示装置(诸如，指示笔)和/或键盘(例如，物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如，输入装置1106可以包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可以使用多种触摸灵敏度技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种，以及用于确定与触摸屏的一个或多个接触点的其他接近传感器阵列或其他元件来检测其接触和移动或间断。
I/O装置1107可以包括音频装置。音频装置可以包括扬声器和/或麦克风，以促进支持语音的功能，诸如语音识别、语音复制、数字记录和/或电话功能。其他I/O装置1107还可以包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如，PCI-PCI桥)、传感器(例如，运动传感器，诸如加速度计、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)，或者它们的组合。装置1107还可以包括成像处理子系统(例如，摄像机)，所述成像处理子系统可以包括用来促进摄像机功能(诸如，记录照片和视频片段)的光学传感器，诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可以经由传感器集线器(未示出)联接到互连件1110，而诸如键盘或热传感器的其他装置可以由嵌入式控制器(未示出)控制，这取决于系统1100的具体配置或设计。IO装置1107还可以包括RADAR系统(无线电探测和测距)、LIDAR系统(光探测和测距)、GPS系统(全球定位系统)、可以使用小区发射塔进行探测和三角测量的手机子系统、麦克风、其他音频/视频记录摄像机、位置、距离、时间、速度、加速度、水平和竖直度检测器、取向以及方向传感器。
为了提供信息诸如数据、应用、一个或多个操作系统等的永久性存储，大容量存储设备(未示出)也可以联接到处理器1101。在各种实施方案中，为了实现更薄且更轻的系统设计并且改进系统响应能力，这种大容量存储设备可以经由固态装置(SSD)来实施。然而，在其他实施方案中，大容量存储设备可以主要使用硬盘驱动器(HDD)来实施，其中较小量的SSD存储设备充当SSD高速缓存以在断电事件期间实现上下文状态以及其他此类信息的非易失性存储，从而使得在系统活动重新启动时能够实现快速通电。另外，闪存装置可以例如经由串行外围接口(SPI)联接到处理器1101。这种闪存装置可以提供系统软件的非易失性存储，所述系统软件包括所述系统的BIOS以及其他固件。
存储装置1108可以包括计算机可访问的存储介质1109(也被称为机器可读存储介质或计算机可读介质)，其上存储有体现任何一种或多种如本文所述方法或功能的一个或多个指令集或软件(例如，模块、单元和/或逻辑1128)。处理模块/单元/逻辑1128可以表示任一上述部件，例如像无人驾驶车辆101(AV)定位模块301、感知模块302、驾驶决定模块303、规划模块304、控制模块305、地图更新模块306，以及处理传感器数据以便驱动AV规划和控制模块的一个或多个模块。处理模块/单元/逻辑1128还可以在它由数据处理系统1103、存储器1101和处理器1100执行期间完全地或至少部分地驻留在存储器1103内和/或处理器1101内，另外构成机器可访问的存储介质。处理模块/单元/逻辑1128还可以通过网络经由网络接口装置1105被传输或接收。
计算机可读存储介质1109也可以用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1109在示例性实施方案中被示为单个介质，但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质，所述指令集用于由机器执行并且导致所述机器执行本发明的任何一种或多种方法。因此，术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质，或者任何其他非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1128、部件以及其他特征可以实施为离散硬件部件或整合在硬件部件(诸如，ASICS、FPGA、DSP或类似装置)的功能中。此外，处理模块/单元/逻辑1128可以实施为硬件装置内的固件或功能电路。此外，处理模块/单元/逻辑1128可以以硬件装置和软件部件的任何组合来实施。
应注意，虽然系统1100被示出为具有数据处理系统的各种部件，但是并不旨在表示互连部件任何特定架构或方式；因为此类细节和本发明的实施方案没有密切关系。还应当认识到，具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其他数据处理系统也可以与本发明的实施方案一起使用。
前述详细描述中的一些部分已经依据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式，以便最有效地将他们的工作实质传达给本领域中的其他技术人员。这里，算法通常被认为是导致所期望结果的前后一致的操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而，应当牢记，所有这些和类似的术语均意图与适当的物理量关联，并且仅仅是应用于这些量的实用标记。除非在以上讨论中另外明确地说明清楚，否则应当了解，贯穿本说明书的利用术语(诸如所附权利要求书中所阐述的术语)的讨论是指计算机系统或类似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并将所述数据变换成计算机系统存储器或寄存器或者其他此类信息存储设备、传输或显示装置内类似地表示为物理量的其他数据。
本发明的实施方案还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可以由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可以按不同的顺序执行。此外，一些操作可以并行地执行而不是顺序地执行。
本发明的实施方案并未参考任何特定的编程语言进行描述。将认识到的是，可以使用多种编程语言来实施如本文描述的本发明的实施方案的教导。
在以上的说明书中，已经参考本发明的具体示例性实施方案对本发明的实施方案进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本发明的更宽泛精神和范围的情况下，可以对本发明做出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。

Claims (21)

1.一种操作无人驾驶车辆的计算机实施的方法，其包括：
确定所述无人驾驶车辆周围的小区的无人驾驶车辆特征空间的多个候选小区的第一集合，所述多个候选小区中的每个候选小区具有中间强度和海拔变化；
针对所述多个候选小区中的每个候选小区，使用相似性度量来确定环绕所述候选小区的所述无人驾驶车辆特征空间的子集与地图特征空间之间的相似性得分，其中所述相似性度量至少部分基于候选小区中间强度和候选小区海拔变化；
确定所述候选小区的第一集合中的候选小区的最高相似性得分；
确定所述多个候选小区的第一集合中的具有所述最高相似性得分的候选小区周围的多个精细搜索候选小区的第二集合；
针对所述多个精细搜索候选小区的第二集合中的每个精细搜索候选小区，使用所述相似性度量来确定环绕所述精细搜索候选小区的所述无人驾驶车辆特征空间的子集与所述地图特征空间之间的相似性得分；
确定所述多个精细搜索候选小区中的精细搜索候选小区的最高相似性；以及
至少部分基于具有所述最高相似性得分的精细搜索候选小区，相对于所述地图特征空间来确定所述无人驾驶车辆的位置。
2.如权利要求1所述的方法，其中所述多个候选小区的第一集合包括所述无人驾驶车辆周围的小区的预定网格的每隔一个小区。
3.如权利要求1所述的方法，其中针对所述多个候选小区的第一集合中的第一候选小区，确定相似性得分包括使用第一候选小区中间强度和第一候选小区海拔变化来计算相似性得分，并且所述方法还包括：
使用从计算所述第一候选小区的所述相似性得分中获得的信息来生成相似性得分的查找表。
4.如权利要求3所述的方法，其中所述查找表以平均强度值范围和海拔值的变化范围为索引。
5.如权利要求3所述的方法，其中针对第二候选小区以及所述多个候选小区中的后续候选小区，确定候选小区的相似性得分包括使用候选小区的中间强度和海拔变化在所述查找表中查找所述相似性得分。
6.如权利要求1所述的方法，其中确定所述相似性得分包括计算所述多个精细搜索候选小区中的每个的所述相似性得分。
7.如权利要求1所述的方法，其中相对于所述地图特征空间来确定所述无人驾驶车辆的位置还包括确定所述无人驾驶车辆和具有到所述地图特征空间的最高相似性得分的精细搜索候选小区之间的偏移。
8.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行操作，所述操作包括：
确定无人驾驶车辆周围的小区的无人驾驶车辆特征空间的多个候选小区的第一集合，所述多个候选小区中的每个候选小区具有中间强度和海拔变化；
针对所述多个候选小区中的每个候选小区，使用相似性度量来确定环绕所述候选小区的所述无人驾驶车辆特征空间的子集与地图特征空间之间的相似性得分，其中所述相似性度量至少部分基于候选小区中间强度和候选小区海拔变化；确定所述多个候选小区的第一集合中的具有所述最高相似性得分的候选小区周围的多个精细搜索候选小区的第二集合；
针对所述多个精细搜索候选小区的第二集合中的每个精细搜索候选小区，使用所述相似性度量来确定环绕所述精细搜索候选小区的所述无人驾驶车辆特征空间的子集与所述地图特征空间之间的相似性得分；
确定所述多个精细搜索候选小区中的精细搜索候选小区的最高相似性；以及
至少部分基于具有所述最高相似性得分的精细搜索候选小区，相对于所述地图特征空间来确定所述无人驾驶车辆的位置。
9.如权利要求8所述的介质，其中所述多个候选小区的第一集合包括所述无人驾驶车辆周围的小区的预定网格的每隔一个小区。
10.如权利要求8所述的介质，其中针对所述多个候选小区的第一集合中的第一候选小区，确定相似性得分包括使用第一候选小区中间强度和第一候选小区海拔变化来计算相似性得分，并且所述操作还包括：
使用从计算所述第一候选小区的所述相似性得分中获得的信息来生成相似性得分的查找表。
11.如权利要求10所述的介质，其中所述查找表以平均强度值范围和海拔值的变化范围为索引。
12.如权利要求10所述的介质，其中针对第二候选小区以及所述多个候选小区中的后续候选小区，确定候选小区的相似性得分包括使用候选小区的所述中间强度和海拔变化在所述查找表中查找所述相似性得分。
13.如权利要求8所述的介质，其中确定所述相似性得分包括计算所述多个精细搜索候选小区中的每个的所述相似性得分。
14.如权利要求8所述的介质，其中相对于所述地图特征空间来确定所述无人驾驶车辆的位置还包括确定所述无人驾驶车辆和具有到所述地图特征空间的最高相似性得分的精细搜索候选小区之间的偏移。
15.一种数据处理系统，其包括：
处理器；以及
存储器，所述存储器联接到所述处理器，以存储指令，所述指令在由所述处理器执行时致使所述处理器执行操作，所述操作包括：
确定无人驾驶车辆周围的小区的无人驾驶车辆特征空间的多个候选小区的第一集合，所述多个候选小区中的每个候选小区具有中间强度和海拔变化；
针对所述多个候选小区中的每个候选小区，使用相似性度量来确定环绕所述候选小区的所述无人驾驶车辆特征空间的子集与地图特征空间之间的相似性得分，其中所述相似性度量至少部分基于所述候选小区中间强度和候选小区海拔变化；确定所述多个候选小区的第一集合中的具有所述最高相似性得分的候选小区周围的多个精细搜索候选小区的第二集合；
针对所述多个精细搜索候选小区的第二集合中的每个精细搜索候选小区，使用所述相似性度量来确定环绕所述精细搜索候选小区的所述无人驾驶车辆特征空间的子集与所述地图特征空间之间的相似性得分；
确定所述多个精细搜索候选小区中的精细搜索候选小区的最高相似性；以及
至少部分基于具有所述最高相似性得分的精细搜索候选小区，相对于所述地图特征空间来确定所述无人驾驶车辆的位置。
16.如权利要求15所述的数据处理系统，其中所述多个候选小区的第一集合包括所述无人驾驶车辆周围的小区的预定网格的每隔一个小区。
17.如权利要求15所述的数据处理系统，其中针对所述多个候选小区的第一集合中的第一候选小区，确定相似性得分包括使用第一候选小区中间强度和第一候选小区海拔变化来计算相似性得分，并且所述操作还包括：
使用从计算所述第一候选小区的所述相似性得分中获得的信息来生成相似性得分的查找表。
18.如权利要求17所述的数据处理系统，其中所述查找表以平均强度值范围和海拔值的变化范围为索引。
19.如权利要求17所述的数据处理系统，其中针对第二候选小区以及所述多个候选小区中的后续候选小区，确定所述候选小区的相似性得分包括使用候选小区的中间强度和海拔变化在所述查找表中查找所述相似性得分。
20.如权利要求15所述的数据处理系统，其中确定所述相似性得分包括计算所述多个精细搜索候选小区中的每个的所述相似性得分。
21.如权利要求15所述的数据处理系统，其中相对于所述地图特征空间来确定所述无人驾驶车辆的位置还包括确定所述无人驾驶车辆和具有到所述地图特征空间的最高相似性得分的所述精细搜索候选小区之间的偏移。
CN201710786478.5A 2016-11-23 2017-09-04 用于车辆定位的方法和装置 Active CN108089572B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/360,882 US10579065B2 (en) 2016-11-23 2016-11-23 Algorithm and infrastructure for robust and efficient vehicle localization
US15/360,882 2016-11-23

Publications (2)

Publication Number Publication Date
CN108089572A CN108089572A (zh) 2018-05-29
CN108089572B true CN108089572B (zh) 2021-10-26

Family

ID=59649597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710786478.5A Active CN108089572B (zh) 2016-11-23 2017-09-04 用于车辆定位的方法和装置

Country Status (4)

Country Link
US (2) US10579065B2 (zh)
EP (1) EP3327464B1 (zh)
JP (1) JP6644742B2 (zh)
CN (1) CN108089572B (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10436595B2 (en) * 2017-02-02 2019-10-08 Baidu Usa Llc Method and system for updating localization maps of autonomous driving vehicles
US10380890B2 (en) * 2017-02-08 2019-08-13 Baidu Usa Llc Autonomous vehicle localization based on walsh kernel projection technique
US10262234B2 (en) * 2017-04-24 2019-04-16 Baidu Usa Llc Automatically collecting training data for object recognition with 3D lidar and localization
US10216191B1 (en) * 2017-06-13 2019-02-26 Wells Fargo Bank, N.A. Property hunting in an autonomous vehicle
US10438074B2 (en) * 2017-06-14 2019-10-08 Baidu Usa Llc Method and system for controlling door locks of autonomous driving vehicles based on lane information
CN111788789B (zh) * 2018-01-18 2023-12-12 Lg电子株式会社 支持免许可频带的无线通信系统中终端和基站间发送和接收下行信号的方法及支持其的装置
US11126199B2 (en) * 2018-04-16 2021-09-21 Baidu Usa Llc Learning based speed planner for autonomous driving vehicles
US10810792B2 (en) * 2018-05-31 2020-10-20 Toyota Research Institute, Inc. Inferring locations of 3D objects in a spatial environment
CN109080402B (zh) * 2018-07-11 2021-09-10 江苏大学 一种精度可调路面不平度辨识系统及方法
US11055857B2 (en) * 2018-11-30 2021-07-06 Baidu Usa Llc Compressive environmental feature representation for vehicle behavior prediction
US10809073B2 (en) * 2018-12-05 2020-10-20 Here Global B.V. Local window-based 2D occupancy grids for localization of autonomous vehicles
CN111323004B (zh) * 2018-12-16 2022-05-13 北京魔门塔科技有限公司 初始位置的确定方法及车载终端
CN111323029B (zh) * 2018-12-16 2022-05-27 北京魔门塔科技有限公司 导航方法及车载终端
US11520347B2 (en) * 2019-01-23 2022-12-06 Baidu Usa Llc Comprehensive and efficient method to incorporate map features for object detection with LiDAR
CN109931939B (zh) * 2019-02-27 2020-11-03 杭州飞步科技有限公司 车辆的定位方法、装置、设备及计算机可读存储介质
US11416004B2 (en) * 2019-03-28 2022-08-16 Wipro Limited System and method for validating readings of orientation sensor mounted on autonomous ground vehicle
TWI687706B (zh) * 2019-04-02 2020-03-11 廣達電腦股份有限公司 移動裝置之定位系統
CN110686686B (zh) * 2019-06-04 2020-10-02 滴图(北京)科技有限公司 用于地图匹配的系统和方法
WO2021005734A1 (ja) * 2019-07-10 2021-01-14 日本電信電話株式会社 計測方法、計測装置、及びプログラム
US11960024B2 (en) * 2019-07-18 2024-04-16 Jacob Kohn Angle measurement system for automotive collision avoidance sensors
KR102125538B1 (ko) * 2019-12-13 2020-06-22 주식회사 토르 드라이브 자율 주행을 위한 효율적인 맵 매칭 방법 및 그 장치
CN110989619B (zh) * 2019-12-23 2024-01-16 阿波罗智能技术(北京)有限公司 用于定位对象的方法、装置、设备和存储介质
US11827214B2 (en) 2020-03-05 2023-11-28 Huawei Technologies Co., Ltd. Machine-learning based system for path and/or motion planning and method of training the same
US11898853B2 (en) * 2020-03-31 2024-02-13 Gm Cruise Holdings Llc Map surveillance system
WO2021207999A1 (zh) * 2020-04-16 2021-10-21 华为技术有限公司 车辆定位的方法和装置、定位图层生成的方法和装置
DE102020206356A1 (de) * 2020-05-20 2021-11-25 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ermitteln einer Ausgangspose eines Fahrzeugs
US20220067768A1 (en) * 2020-08-28 2022-03-03 Telenav, Inc. Navigation system with high definition mapping mechanism and method of operation thereof
CN112162555B (zh) * 2020-09-23 2021-07-16 燕山大学 混合车队中基于强化学习控制策略的车辆控制方法
TWI793477B (zh) * 2020-12-04 2023-02-21 財團法人船舶暨海洋產業研發中心 船舶輔助校正系統及其運作方法
CN112767740B (zh) * 2021-02-04 2022-08-16 广州小鹏自动驾驶科技有限公司 一种停车场的选取方法和装置
WO2023098976A1 (en) * 2021-11-30 2023-06-08 Telefonaktiebolaget Lm Ericsson (Publ) Radar signal matching for self-positioning
DE102022203267A1 (de) 2022-04-01 2023-10-05 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Lokalisierung eines Fahrzeugs mittels entfernungsbasierter Sensordaten des Fahrzeugs

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NL8702014A (nl) * 1987-08-28 1989-03-16 Philips Nv Routebepalingseenheid.
US5047916A (en) * 1988-03-25 1991-09-10 Kabushiki Kaisha Toshiba Method and apparatus of free space enumeration for collision avoidance
JPH0427818A (ja) * 1990-05-23 1992-01-30 Japan Aviation Electron Ind Ltd デジタルマップを用いた移動体位置測定装置
US6772062B2 (en) * 2001-05-31 2004-08-03 The Regents Of The University Of California Intelligent ultra high speed distributed sensing system and method for sensing roadway markers for intelligent vehicle guidance and control
WO2005027864A1 (en) 2003-09-19 2005-03-31 Symyx Technologies, Inc. Materials for enhanced delivery of hydrophilic active agents in personal care formulations
CN100495274C (zh) * 2007-07-19 2009-06-03 上海港机重工有限公司 大型工程车辆自动驾驶控制方法及系统
US8385971B2 (en) * 2008-08-19 2013-02-26 Digimarc Corporation Methods and systems for content processing
JP2013025467A (ja) * 2011-07-19 2013-02-04 Hitachi Advanced Digital Inc 対数関数の近似演算回路
US9916538B2 (en) * 2012-09-15 2018-03-13 Z Advanced Computing, Inc. Method and system for feature detection
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
US8885151B1 (en) * 2012-09-04 2014-11-11 Google Inc. Condensing sensor data for transmission and processing
DE102012109310A1 (de) * 2012-10-01 2014-04-03 Conti Temic Microelectronic Gmbh Verfahren und Vorrichtung zum Unterstützen des Zurückführens eines Fahrzeugs nach dem Verlassen einer Fahrbahn
US9037403B2 (en) * 2013-03-26 2015-05-19 Toyota Motor Engineering & Manufacturing North America, Inc. Intensity map-based localization with adaptive thresholding
CN104884898B (zh) * 2013-04-10 2018-03-23 哈曼贝克自动系统股份有限公司 确定车辆位置的导航系统和方法
US9280899B2 (en) * 2013-08-06 2016-03-08 GM Global Technology Operations LLC Dynamic safety shields for situation assessment and decision making in collision avoidance tasks
GB201407643D0 (en) * 2014-04-30 2014-06-11 Tomtom Global Content Bv Improved positioning relatie to a digital map for assisted and automated driving operations
CN104318327A (zh) * 2014-10-17 2015-01-28 北京邮电大学 一种车辆轨迹预测分析方法
JP6245140B2 (ja) * 2014-10-27 2017-12-13 株式会社デンソー 対象物識別装置、運転支援システム、車両および対象物識別方法
DE102015217385B4 (de) * 2015-09-11 2022-10-27 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen, ob sich im Umfeld eines innerhalb eines Parkplatzes befindlichen Kraftfahrzeugs ein Objekt befindet
US10229363B2 (en) * 2015-10-19 2019-03-12 Ford Global Technologies, Llc Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking
CN105549614B (zh) * 2015-12-17 2018-06-05 北京猎鹰无人机科技有限公司 无人机目标跟踪方法
CN106023210B (zh) * 2016-05-24 2017-12-12 百度在线网络技术（北京）有限公司 无人车、无人车定位方法、装置和系统
CN106052697B (zh) * 2016-05-24 2017-11-14 百度在线网络技术（北京）有限公司 无人车、无人车定位方法、装置和系统
US20180056800A1 (en) * 2016-07-28 2018-03-01 Witricity Corporation Relative position determination and vehicle guidance in wireless power transfer systems
US10585409B2 (en) * 2016-09-08 2020-03-10 Mentor Graphics Corporation Vehicle localization with map-matched sensor measurements

Also Published As

Publication number Publication date
EP3327464B1 (en) 2020-04-29
JP2018084573A (ja) 2018-05-31
EP3327464A1 (en) 2018-05-30
JP6644742B2 (ja) 2020-02-12
US10579065B2 (en) 2020-03-03
US20200192402A1 (en) 2020-06-18
US11320836B2 (en) 2022-05-03
US20180143647A1 (en) 2018-05-24
CN108089572A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN108089572B (zh) 用于车辆定位的方法和装置
CN108399218B (zh) 基于Walsh内核投影技术的自动驾驶车辆定位
US10816992B2 (en) Method for transforming 2D bounding boxes of objects into 3D positions for autonomous driving vehicles (ADVs)
CN108387241B (zh) 更新自动驾驶车辆的定位地图的方法和系统
CN110386142B (zh) 用于自动驾驶车辆的俯仰角校准方法
US11003183B2 (en) Driving scene based path planning for autonomous driving vehicles
US11378956B2 (en) Perception and planning collaboration framework for autonomous driving
US10579062B2 (en) Scalable smooth reference path generator for autonomous driving vehicles
US10816990B2 (en) Non-blocking boundary for autonomous vehicle planning
US10807599B2 (en) Driving scenario based lane guidelines for path planning of autonomous driving vehicles
US10569651B2 (en) Speed control and steering control assistant based on pitch status and roll status of autonomous driving vehicle
KR102279078B1 (ko) 자율 주행 차량의 v2x 통신 기반의 차량 차로 시스템
US11520347B2 (en) Comprehensive and efficient method to incorporate map features for object detection with LiDAR
US10860868B2 (en) Lane post-processing in an autonomous driving vehicle
US11055857B2 (en) Compressive environmental feature representation for vehicle behavior prediction
US11312380B2 (en) Corner negotiation method for autonomous driving vehicles without map and localization
US11360483B2 (en) Method and system for generating reference lines for autonomous driving vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant