CN108139884A - 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法 - Google Patents

Abstract

在一个实施方式中，识别自动驾驶车辆的下一移动的驾驶场景，其中驾驶场景由一个或多个预定参数的集合表示。使用与该驾驶场景相对应的物理模型为自动驾驶车辆计算第一下一移动。将侧滑预测模型应用于该组预定参数以预测该驾驶场景下的自动驾驶车辆的侧滑。基于自动驾驶车辆的第一下一移动和预测的侧滑来确定自动驾驶车辆的第二下一移动。预测的侧滑被用来修改第一下一移动以补偿侧滑。为第二下一移动生成规划和控制数据，并且基于该规划和控制数据来控制和驾驶自动驾驶车辆。

Description

模拟自动驾驶车辆移动的物理模型和结合机器学习的方法

技术领域

本发明的实施方式总体上涉及操作自动驾驶车辆。更具体地，本发明的实施方式涉及使用物理模型和机器学习方法模拟车辆移动。

背景技术

以自动驾驶模式运行(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。当以自动驾驶模式运行时，车辆可以使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。

运动规划和控制是自动驾驶的关键操作。然而，自动驾驶汽车可能会具有出乎意料的非常复杂的移动行为。不同道路上以不同速度和转向角行驶的不同车辆可能具有不同的转弯半径。尤其是当车辆转弯时，这种不同的转弯半径会影响控制精确度。在许多情况下，特别是在例如掉头、左转或右转的转弯情况下，车辆根据道路状况会侧向滑行。这种侧滑或滑行可能导致控制错误，并且有时会危及乘坐在车辆中的乘客。

另外，根据车辆当前的状况和所执行的命令来确定或预测下一处理周期中的车辆状况或状态是重要的。但是，尚未有任何可行的先进方法来实现这种确定或预测。

本发明的实施方式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相似元件。

附图说明

图1是示出了根据本发明的一个实施方式的联网系统的框图。

图2是示出了根据本发明的一个实施方式的自动驾驶车辆的示例的框图。

图3是示出了根据本发明的实施方式中结合自动驾驶车辆而使用的数据处理系统的示例的框图。

图4A和4B是示出了具有或不具有侧滑补偿的车辆驾驶模式的示意图。

图5是示出了根据本发明的一个实施方式生成侧滑预测模型的机制的框图。

图6是用于说明根据本发明的一个实施方式补偿自动驾驶车辆侧滑的方法的处理流程图。

图7是示出了根据本发明的一个实施方式操作自动驾驶车辆的方法的流程图。

图8是示出了根据本发明的一个实施方式生成侧滑预测模型的方法的流程图。

图9是示出了根据本发明的一个实施方式的驾驶场景到侧滑的映射数据结构的示例的框图。

图10A和图10B是示出了具有或不具有侧滑补偿的车辆驾驶模式的示意图。

图11是示出了根据本发明的一个实施方式生成驾驶场景到侧滑的映射数据结构的方法的流程图。

图12是示出了根据本发明的另一实施方式操作自动驾驶车辆的方法的流程图。

图13是示出了根据一个实施方式的数据处理系统的框图。

具体实施方式

将参考以下所讨论的细节来描述本发明的各种实施方式和方面，附图将示出所述各种实施方式。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提供对本发明各种实施方式的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节以提供对本发明的实施方式的简洁讨论。

本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可以包括在本发明的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。

根据本发明的一个方面，当确定下一移动周期的下一路线或路径段的下一移动(例如，转弯)时，基于规划的路线信息，使用物理模型(例如，预定的公式或一组规则)计算或确定车辆的下一状况或状态。基于该物理模型生成规划和控制数据，规划和控制数据包括足够的数据和命令以控制汽车在下一移动周期内如何移动。另外，侧滑预测模型被应用于与规划和控制数据相关联的至少一组驾驶参数以及该时间点下的驾驶条件(例如，道路状况、天气)。使用侧滑预测模型来预测由规划和控制数据描述的驾驶场景下的侧滑或滑行。然后，可以基于预测的侧滑来修改规划和控制数据以补偿这样的侧滑。接着，基于经修改或补偿的规划和控制数据控制和驾驶车辆。

在一个实施方式中，识别自动驾驶车辆的下一移动的驾驶场景，其中驾驶场景由一组一个或多个预定参数表示。使用与驾驶场景相对应的物理模型为自动驾驶车辆计算第一下一移动。将侧滑预测模型应用于该组预定参数以预测该驾驶场景下的自动驾驶车辆的侧滑。基于自动驾驶车辆的第一下一移动和预测的侧滑来确定自动驾驶车辆的第二下一移动。预测的侧滑被用来修改第一下一移动以补偿侧滑。为第二下一移动生成规划和控制数据，并且基于该规划和控制数据来控制和驾驶自动驾驶车辆。

根据本发明的另一方面，由车辆记录和获取在各种驾驶环境或条件下的各种车辆的驾驶统计。另外，测量并确定在不同驾驶环境或驾驶场景下的车辆的侧滑。然后，由诸如数据分析系统或服务器之类的中心设施收集驾驶统计。然后，分析驾驶统计和所测量的侧滑以制定驾驶场景列表。每个驾驶场景都与可能在相同或类似驾驶场景下发生的特定侧滑或滑行相关联。创建驾驶场景与侧滑(场景/侧滑)映射表或数据库。场景/侧滑映射表将每个驾驶场景映射到基于相同类型或相似类型的各种车辆的驾驶统计和所测量的侧滑而确定的侧滑。

当确定在线的特定车辆的下一移动时，在该时间点确定下一移动的驾驶场景。根据确定的驾驶场景在场景/侧滑映射表中执行查找操作，以获得对应于该时间点的驾驶场景的预定侧滑。在生成用于下一移动的规划和控制数据时将考虑该预定的侧滑。然后在相同或类似的驾驶环境或条件下基于针对预测的侧滑进行了补偿的规划和控制数据来控制和驾驶车辆。

在一个实施方式中，针对不同类型的车辆确定一组驾驶场景。每个驾驶场景对应于特定类型的自动驾驶车辆的特定移动。对于每种类型的自动驾驶车辆的每个驾驶场景，获得一组驾驶统计。该驾驶统计包括用于控制和驾驶车辆的一个或多个驾驶参数(例如，速度、转向角)、在该时间点的驾驶条件(例如，道路状况、天气)以及在驾驶场景下由驾驶参数和驾驶条件引起的侧滑。构建驾驶场景/侧滑映射表或数据库。该场景/侧滑映射表包括许多映射条目。每个映射条目将特定驾驶场景映射到基于驾驶统计计算的侧滑。随后利用该情景/侧滑映射表来预测相似驾驶环境下的侧滑，从而可以补偿驾驶规划和控制。

图1是示出根据本发明的一个实施方式的自动驾驶车辆网络配置的框图。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的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动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)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。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(POI)服务器或者位置服务器等。

自动驾驶车辆是指可以被配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可以包括传感器系统，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。自动驾驶车辆101可以在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。

在一个实施方式中，自动驾驶车辆101包括但不限于包括数据处理系统110、车辆控制系统111、无线通信系统112、用户接口系统113、信息娱乐系统114和传感器系统115。自动驾驶车辆101还可以包括普通车辆中的某些通用部件，例如发动机、车轮、方向盘、变速器等，其可由车辆控制系统111和/或数据处理系统110使用各种通信信号和/或命令控制，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。

部件110-115可以经由互连件、总线、网络或者其组合而彼此通信地耦合。例如，部件110-115可以经由控制器区域网络(CAN)总线彼此通信地耦合。CAN总线是一种车载总线标准，旨在允许微控制器和设备在没有主机的应用中相互通信。这是一种基于消息的协议，最初被设计用于汽车内的多路电线，但也用于许多其他环境。

现在参考图2，在一个实施方式中，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，所述收发器可操作以提供关于自动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自动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自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中，除感测对象之外，雷达单元214可以另外感测对象的速度和/或前进方向。LIDAR单元215可以使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外，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可以包括用来采集自动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还可以包括其它传感器，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自动驾驶车辆周围的环境中采集声音。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集成为集成式油门/制动传感器。

在一个实施方式中，车辆控制系统111包括但不限于包括转向单元201、油门单元202(也称为加速单元)、制动单元203、计算机视觉系统204、导航单元205(也称为导航和路径或导航/路径系统)以及碰撞避免单元206(也称为避障系统)。转向单元201用于调整车辆的方向或方位。油门单元202用于控制马达或发动机的转速，从而控制车辆的速度和加速度。制动单元203通过提供摩擦减慢车辆的车轮或轮胎来使车辆减速。

计算机视觉单元或系统204用于处理和分析由一个或多个摄像机211获取的图像，以识别自动驾驶车辆所处环境中的对象和/或特征。对象可以包括交通信号、道路边界、其他车辆、行人和/或障碍物等。计算机视觉系统204可以使用对象识别算法、视频跟踪和其他计算机视觉技术。在一些实施方式中，计算机视觉系统204可以映射环境、跟踪对象以及估计对象的速度等。

导航单元或系统205用于确定自动驾驶车辆的行驶路径。例如，导航系统可以确定一系列速度和方向方位，以沿着大体上避免感知到的障碍物的路径实现自动驾驶车辆的移动，同时使自动驾驶车辆总体上沿着通往最终目的地的基于道路的路径前进。目的地可以根据经由用户界面的用户输入来设置。当自动驾驶车辆在操作中时，导航系统205可动态地更新行驶路径。导航系统205可以合并来自GPS系统和一个或多个地图的数据，以便确定自动驾驶车辆的行驶路径。

碰撞避免单元或系统206用于识别、评估和避免或以其他方式越过自动驾驶车辆所处环境中的潜在障碍物。例如，碰撞避免系统206可以通过操作控制系统中的一个或多个子系统来实现自动驾驶车辆的导航的变化，以进行转向操作、转弯操作、制动操作等。碰撞避免系统206可以基于周围交通模式、道路状况等自动确定可行的障碍物躲避操作。碰撞避免系统206可以配置成当其他传感器系统在即将转入的与自动驾驶车辆相邻的区域中检测到车辆、建筑障碍物等时不进行转向操作。碰撞避免系统206可以自动选择可用的并使自动驾驶车辆的乘员的安全性最大化的操作。碰撞避免系统206可以选择预计在自动驾驶车辆的客舱中引起最小加速度的避免操作。值得注意的是，图2所示的部件可以由硬件、软件或其组合来实现。

回到图1，无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系统112可以与一个或多个装置直接无线通信，或者经由通信网络进行无线通信，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。用户接口系统113可以是在车辆101内实施的外围装置的部分，包括例如关键字、触摸屏显示装置、麦克风和扬声器等。

自动驾驶车辆101的所有功能中的一些可以由数据处理系统110控制或管理，特别是当以自动驾驶模式操作时。数据处理系统110包括接收来自传感器系统115、控制系统111、无线通信系统112等的信息的必要硬件(例如处理器、内存、存储器)和软件(例如操作系统、规划和路由程序)和/或用户接口系统113，处理所接收的信息，规划从起点到终点的路线或路径，然后基于规划和控制信息来驱动车辆101。或者，数据处理系统110可以与车辆控制系统111集成。

例如，作为乘客的用户可以例如经由用户界面来指定形成的起始位置和目的地。数据处理系统110与自动驾驶车辆101的其他部件通信以获得行程相关数据。例如，数据处理系统110可以从位置服务器和可以是服务器103-104的一部分的地图和POI(MPOI)服务器获得位置和路径信息。位置服务器提供位置服务，MPOI服务器提供地图服务和某些位置的POI。或者，可以将这种位置和MPOI信息本地缓存到数据处理系统110的永久性存储设备中。

在自动驾驶车辆101沿着路线行驶期间，数据处理系统110还可以从交通信息系统或服务器(TIS)获得实时交通信息。值得注意的是，服务器103-104可以由第三方实体操作。可选地，服务器103-104的功能可以与数据处理系统110集成。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、物体、附近车辆)，数据处理系统110可以规划最佳路线并且例如经由控制系统111根据规划路线驾驶车辆101安全且有效地到达指定目的地。

根据一个实施方式，自动驾驶车辆101还可以包括信息娱乐系统114，以向车辆101的乘客提供信息和娱乐。信息和娱乐内容可以基于本地和/或远程(例如，由服务器103-104提供)存储的内容信息被接收、编辑和呈现。例如，可以通过网络102从服务器103-104中的任何一个实时流传输信息，并在车辆101的显示设备上显示该信息。可以利用例如由一个或多个摄像机实时获取的本地信息来充实该信息，然后可以以虚拟现实的方式显示经充实的内容。

在一个实施方式中，基于位置和路线信息、MPOI信息和/或实时交通信息，信息娱乐系统114和/或数据处理系统110确定适合于当前交通环境的某些类型的内容(例如，MPOI)。系统在内容索引(未示出)中执行查找操作，从而例如基于实时行驶信息将列表内容项(例如，赞助内容或广告)标识为候选内容项。然后所选内容项目被呈现并显示在自动驾驶车辆内的显示设备上。值得注意的是，根据一些实施方式，信息娱乐系统114可以与数据处理系统110集成。

在一个实施方式中，当确定下一移动周期的下一路线或路径段的下一移动(例如，转弯)时，基于规划的路线信息，数据处理系统110利用物理模型(例如，预定的公式或一组规则)来计算或确定车辆的下一个状况或状态。物理模型是指已被配置为基于对车辆周围环境的感知来规划和控制自动驾驶车辆的移动的一组规则或算法。规划和控制数据是基于物理模型生成的，其中规划和控制数据包括足够的数据和命令以控制车辆将在下一移动周期中如何移动。此外，侧滑预测模型被应用于与规划和控制数据相关联的至少一组驾驶参数以及在该时间点的驾驶条件(例如，道路状况、天气状况)。利用预测模型来预测规划和控制数据所描述的驾驶场景下的侧滑或滑行。然后基于预测的侧滑可以修改规划和控制数据以补偿这样的侧滑。接着，基于修改或补偿的规划和控制数据来控制和驾驶车辆。

侧滑预测模型可以存储在数据处理系统110中，其可以由数据分析系统(在此示例中为服务器103)提供以作为侧滑预测模型165的一部分。在一个实施方式中，数据分析系统103包括但不限于包括数据收集器或收集模块151、分析模块152和机器学习引擎160。数据收集器151从已经驾驶通过各种驾驶环境或驾驶条件的各种车辆收集驾驶统计155。

车辆的驾驶统计可以由车辆的一个或多个传感器记录和获取。驾驶统计可以包括在表示不同驾驶场景的不同时间点应用于车辆的某些驾驶参数或命令。例如，当驾驶经过特定驾驶环境时，可以将某些驾驶参数记录下来，例如，速度、转向角、加速度(例如，诸如施加于油门踏板的压力之类的油门参数)、减速度(例如，诸如施加于制动踏板上的压力之类的制动参数。另外，也可以测量和记录在各种情况下车辆的侧滑以与相应的一组驾驶参数相关联。侧滑是指如图4A所示车辆预期到达的第一地点或位置与如图4B所示车辆在驾驶条件作用下实际到达的第二地点或位置之间的距离或路径上的偏差。驾驶条件可以基于道路状况、天气、车辆的具体重量或尺寸、速度、转向角、加速度或减速度中的一个或多个来确定。车辆的预期位置可以使用预定公式(称为物理模型)按照规划给定驾驶参数来确定。也就是说，车辆的预期位置是基于与车辆相关联的物理模型来确定的，而未考虑道路状况或天气状况。

根据一个实施方式，可以通过机器学习引擎160使用机器学习技术来分析在各种驾驶场景下各种车辆的侧滑和获取的驾驶参数，以生成一个或多个侧滑预测模型165。机器学习探索可以学习和预测数据的算法的研究和构造。这样的算法通过建立来自示例输入的模型来操作，以便进行由数据驱动的预测或决策，而不是遵循严格的静态程序指令。

现在参照图5，在预测车辆的侧滑时，机器学习引擎160的输入为大量驾驶统计的驾驶参数501及其对应的所测量的侧滑。机器学习引擎160基于驾驶统计155“学习”产生侧滑的驾驶模式，并且作为机器学习的结果生成可以是预测模型165的一部分的侧滑预测模型502。预测模型165中的每一个都可以与特定类型或类别的车辆相关联，因为每种类型的车辆可以具有可能导致不同侧滑的不同配置或物理尺寸。然后侧滑预测模型165可以被上传到车辆以用于在线侧滑预测。

根据另一个实施方式，返回参照图1，分析模块152对驾驶统计155进行分析以识别一系列驾驶情景。驾驶场景是指具体的驾驶模式，例如，以特定速度驾驶特定距离(例如，保持恒定的速度、加速度或减速度)、特定速度下以特定转向角转弯、以特定速度和/或角度变换车道等。对于每一个驾驶场景来说，分析模块152还根据驾驶统计155确定在对应的驾驶场景期间发生的侧滑。针对特定驾驶场景的侧滑可以基于由相同或类似的驾驶场景下大量相同或相似类型的车辆发生的大量的侧滑来确定。例如，可以通过对相似驾驶环境下测量的多个类似车辆的侧滑取平均来确定侧滑。

基于分析，创建场景/侧滑映射表或数据库170。每个场景/侧滑映射表包括多个映射条目。每个映射条目将特定驾驶场景映射到侧滑。侧滑可以用转弯半径表示。可为每种类型或类别的车辆提供一个场景/侧滑映射表。然后将场景/侧滑映射表170加载到相应的车辆上以在实时驾驶期间使用。

图3是示出了根据本发明的一个实施方式的与自动驾驶车辆一起使用的数据处理系统的示例的框图。系统300可以被实现为图1的自动驾驶车辆101的一部分，包括但不限于包括数据处理系统110、控制系统111和传感器系统115。参照图3，数据处理系统110包括但不限于包括视觉系统模块(VSM)301、定位模块302、感知模块303、规划模块304、控制模块305和侧滑确定模块306。

这些模块中的一些或全部可以通过软件、硬件或其组合来实现。例如，这些模块可以被安装在永久性存储设备352中、被加载到存储器351中并且由一个或多个处理器(未示出)执行。值得注意的是，这些模块中的一些或全部可以与图2的车辆控制系统111的一些或全部模块通信地耦合或集成。例如，VSM模块301可以至少部分地与计算机视觉系统204集成。感知模块303、规划模块304和/或控制模块305可以至少部分地与导航单元205和碰撞避免单元206集成。

根据一个实施方式，响应于由传感器系统115获取的传感器数据(例如，图像)，VSM模块301对传感器数据进行分析以得出描述自动驾驶车辆周围的环境的元数据。例如，给定车载摄像机获取的图像，VSM模块301可以对图像进行图像识别以确定由图像表示的内容。图像所代表的内容可以包括人、如建筑物之类的背景、标志、交通信号灯、移动车辆或物体、车道配置等。

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接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图和路线信息311的其它部件通信，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。当自动驾驶车辆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。

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确定对周围环境的感知。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。感知可以包括例如采用对象形式的车道配置(例如，直线车道或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让行标志)等。

基于感知信息，规划模块304用于为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度)。规划和控制数据由规划模块304生成，该规划模块304包括描述车辆300在下一路线或路线段(也被称为下一移动周期)中如何移动的信息。例如，规划和控制数据可以指示车辆以每小时30英里(mph)的速度移动100米，然后以25英里/小时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定义的路线或路径、通过向车辆控制系统111发送适当的命令或信号来控制自动驾驶车辆。规划和控制数据包括足够的信息，以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)沿着路线或路径将车辆从路径或路线的第一点驱动到第二点。

根据一个实施方式，当规划车辆的下一移动时，规划模块304调用侧滑确定模块306以确定或预测下一移动的驾驶场景下的侧滑。规划模块304可以基于由感知模块303提供的感知使用物理模型或预定公式312来确定下一移动。响应于下一移动，侧滑确定模块306通过如图6所示将侧滑预测模型313应用于物理模型312生成的一组驾驶参数来确定与下一移动相关联的侧滑。

参照图6，用于下一移动的一组驾驶参数601被馈送到物理模型312和侧滑预测模型313。驾驶参数可以包括以下的一个或多个：道路类型或道路状况、天气(例如温度、湿度)、车速、车辆目标角度、车辆加速度/减速度、转向角、转向目标角度、转向速度和转向方向。利用驾驶参数601，物理模型312可以确定下一移动602(例如，没有侧滑补偿的预期移动)。例如，物理模型312可以利用前轮的角度和前后轮之间的距离来计算当前移动路径的曲率。通过车辆的速度和路径的长度可以确定车辆的位置偏移。

另外，侧滑预测模型313被应用于在驾驶参数601所表示的驾驶场景下推断或预测侧滑603的一组驾驶参数601。基于所计算的移动602，规划模块304可以修改所计算的移动602来产生补偿移动604，从而基于预测的侧滑603来补偿侧滑。在一个实施方式中，可根据(例如，通过增加)基于物理模型的原始计算位置、车轮的移动和预测的侧滑来确定车辆的修改或补偿位置。可以基于补偿移动604产生用于下一移动的规划和控制数据，并且可以基于该规划和控制数据来控制和驾驶车辆。

图7是示出了根据本发明的一个实施方式的操作自动驾驶车辆的方法的流程图。方法700可以通过处理逻辑来执行，该处理逻辑可以包括软件、硬件或其组合。例如，方法700可以由数据处理系统110执行。参照图7，在框701的在线行驶期间，处理逻辑使用物理模型(或预定算法或一组规则)基于一组驾驶参数计算自动驾驶车辆的下一移动(例如，下一状态或下一状况)。在框702处，处理逻辑将侧滑预测模型应用于表示特定驾驶场景的一组驾驶参数以预测侧滑。在框703处，通过修改驾驶参数，处理逻辑根据预测的侧滑来补偿车辆的下一移动。在框704处，处理逻辑基于经补偿的下一移动来生成规划和控制数据。在框705处，基于规划和控制数据来控制和驾驶自动驾驶车辆。

图8是示出根据本发明一个实施方式的使用机器学习生成侧滑预测模型的方法的流程图。方法800可以由处理逻辑来执行，该处理逻辑可以包括软件、硬件或其组合。方法800可以由诸如图1的服务器103的数据分析系统来执行。参照图8，在框801处，处理逻辑收集各种驾驶场景下的各种车辆的驾驶统计，包括所应用的驾驶参数或命令以及在上述情况下由车辆测量的侧滑。在框802处，对于每种类型或类别的车辆，处理逻辑使用机器学习技术基于相应的驾驶统计来训练侧滑预测模型。在框803处，将侧滑预测模型提供(例如，发送、上传)给自动驾驶车辆以用于随后的实时车载侧滑补偿。

返回参照图3，根据一个实施方式，响应于确定侧滑的请求，侧滑确定模块306确定在该时间点的驾驶场景。该驾驶场景可以基于由规划模块304提供的规划的下一移动的驾驶参数和在该时间点(例如，道路和天气状况)的驾驶条件来确定。例如，驾驶场景可以是一个或多个在干燥路面上以200转向度和30英里/小时的速度进行掉头、在湿滑路面上以150转向角和20英里/小时的速度左转、或者在干燥路面上以100转向度和25英里/小时的速度右转等。

基于所确定的驾驶场景，侧滑确定模块306在场景/侧滑映射表314中进行查找以定位与该时间点处的驾驶场景相匹配的映射条目。根据一个实施方式，图9中示出了场景/侧滑映射表314的示例。从匹配条目中获得侧滑。然后由规划模块304利用该侧滑来修改所计算的驾驶参数以补偿侧滑。在一个实施方式中，基于与下一移动相关联的路线或路线段所需的速度，使用一组规则或物理模型来确定转向角。然后根据从场景/侧滑映射表中获得的所预测的侧滑来修改转向角。经修改的转向角被用于规划和控制自动驾驶车辆。

例如，如图10A所示，如果当前目标是右转，则例如使用物理模型将转向角计算为15度。车辆在高速下可能发生侧滑。尽管转向角度可以在系统检测到车辆打滑时随时被修改，但由于侧滑仍然会存在较大的路线误差。在如上的侧滑补偿的情况下，在规划车辆的下一移动时考虑到这种情况下的滑行会更好一些，在该示例中，通过将转向角调节到如图10B所示的20度，使得车辆在这种情况下贴合所规划的路径。

图11是示出了根据本发明的一个实施方式的将驾驶场景生成到侧滑映射数据结构的方法的流程图。方法1100可以通过处理逻辑来执行，该处理逻辑可以包括软件、硬件或其组合。方法1100可以由诸如图1的服务器103之类的数据分析系统来执行。参照图11，在框1101处，处理逻辑接收各种驾驶环境下各种车辆的驾驶统计(例如，驾驶参数、状态、设置和驾驶条件)。在框1102处，处理逻辑基于驾驶统计确定进行转弯(例如，掉头、左转或右转)的多个驾驶场景。在框1103处，对于每一个所确定的驾驶场景，处理逻辑根据驾驶统计来识别驾驶参数或设置(例如，速度、转向角、道路状况、天气)。在框1104处，处理逻辑根据驾驶统计测量和确定侧滑。在框1105处，创建场景/侧滑映射表。场景/侧滑映射表包括多个映射条目，每个映射条目将驾驶场景映射到侧滑或转弯半径。场景/侧滑映射表可随后用于车载驾驶期间的侧滑补偿。

图12是示出了根据本发明的一个实施方式的操作自动驾驶车辆的方法的流程图。方法1200可以通过处理逻辑来执行，该处理逻辑可以包括软件、硬件或其组合。方法1200可以由数据处理系统110执行。参照图12，在框1201处，处理逻辑检测到自动驾驶车辆的下一移动为根据规划的路线数据进行的转弯(例如，掉头、左转或右转)。在框1202处，处理逻辑基于规划路线数据来确定下一移动(例如，速度、加速度/减速度、转向角、道路状况和天气状况)的驾驶场景。在框1203处，处理逻辑基于所确定的驾驶场景在场景/侧滑映射表中执行查找操作，以定位与所确定的驾驶场景相匹配的映射条目。从匹配条目中获得对应于驾驶场景的侧滑。在方框1204处，处理逻辑修改至少一些规划的驾驶参数(例如，转向角、速度或命令发出时间)以补偿侧滑。在框1205处，处理逻辑基于修改的驾驶参数来生成规划和控制数据。在框1206处，基于规划和控制数据来控制和驾驶自动驾驶车辆。

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，所述软件可以通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。替代地，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相应驱动程序和/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13是示出可以与本发明的一个实施方式一起使用的数据处理系统的示例的框图。例如，系统1500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何数据处理系统，例如，图1的感知与规划系统110或者服务器103至104中的任一个。系统1500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、分立电子装置或适用于电路板(诸如，计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。

还应注意，系统1500旨在示出计算机系统的许多部件的高阶视图。然而，应当理解的是，某些实施例中可以具有附加的部件，此外，其它实施例中可以具有所示部件的不同布置。系统1500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)、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。

在一个实施方式中，系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501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1501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1501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、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501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、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。

处理器1501(其可以是低功率多核处理器套接口，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1501被配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可以包括与可选的图形子系统1504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1501可以与存储器1503通信，存储器1503在一个实施方式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。存储器1503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)或者其它类型的存储装置。存储器1503可以存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如，各种操作系统、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1503中并由处理器1501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)、来自公司的操作系统、来自苹果公司的Mac来自公司的LINUX、UNIX，或者其它实时或嵌入式操作系统。

系统1500还可以包括IO装置，诸如装置1505至1508，包括网络接口装置1505、可选的输入装置1506，以及其它可选的IO装置1507。网络接口装置1505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)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。

输入装置1506可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置1504集成在一起)、指针装置(诸如，手写笔)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1506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敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种，以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。

IO装置1507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。其它IO装置1507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，诸如加速度计运动传感器、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1507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于促进摄像机功能(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1510，而诸如键盘或热传感器的其它装置可以根据系统1500的具体配置或设计由嵌入式控制器(未示出)控制。

为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储，大容量存储设备(未示出)也可以联接到处理器1501。在各种实施方式中，为了实现更薄且更轻的系统设计并且改进系统响应性，这种大容量存储设备可以经由固态装置(SSD)来实施。然而，在其它实施方式中，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它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1501。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以及其它固件。

存储装置1508可以包括计算机可访问的存储介质1509(也被称为机器可读存储介质或计算机可读介质)，其上存储有体现本文所述的任何一种或多种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1528)。处理模块/单元/逻辑1528可以表示上述部件中的任一个，例如学习引擎160、数据收集器151、侧滑确定模块306等。处理模块/单元/逻辑1528还可以在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内，数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可以通过网络经由网络接口装置1505进行传输或接收。

计算机可读存储介质1509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1509在示例性实施方式中被示为单个介质，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使得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，或者任何其它非暂时性机器可读介质。

本文所述的处理模块/单元/逻辑1528、部件以及其它特征可以实施为分立硬件部件或集成在硬件部件(诸如，ASICS、FPGA、DSP或类似装置)的功能中。此外，处理模块/单元/逻辑1528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1528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1500被示出为具有数据处理系统的各种部件，但是并不旨在表示使部件互连的任何特定架构或方式；因为此类细节和本发明的实施方式没有密切关系。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/或其它数据处理系统也可以与本发明的实施方式一起使用。

前述详细描述中的一些部分已经根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，以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中，算法通常被认为是导致所期望结果的自洽操作序列。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旨在与适当的物理量关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸如所附权利要求书中所阐述的术语)进行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它此类信息存储设备、传输或显示装置内类似地表示为物理量的其它数据。

本发明的实施方式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。

本发明的实施方式并未参考任何特定的编程语言进行描述。应认识到，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式的教导。

在以上的说明书中，已经参考本发明的具体示例性实施方式对本发明的实施方式进行了描述。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，可以对本发明作出各种修改。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)

1.一种计算机执行的用于操作自动驾驶车辆的方法，所述方法包括：

识别用于自动驾驶车辆的下一移动的驾驶场景，其中所述驾驶场景由一个或多个预定参数的集合表示；

通过使用对应于所述驾驶场景的物理模型来计算所述自动驾驶车辆的第一下一移动；

将侧滑预测模型应用于所述预定参数的集合以预测给定所述驾驶场景的所述自动驾驶车辆的侧滑；

基于所述第一下一移动和所述自动驾驶车辆的预测的侧滑确定所述自动驾驶车辆的第二下一移动，基于所述第二下一移动生成规划和控制数据；和

基于所述规划和控制数据来控制和驾驶所述自动驾驶车辆。

2.根据权利要求1所述的方法，其中，所述侧滑预测模型是基于多个不同类型的车辆在多个驾驶场景下测量和记录的侧滑和相应的驾驶参数通过使用机器学习而生成的。

3.根据权利要求1所述的方法，其中，所述侧滑表示所述自动驾驶车辆的实际位置与所述自动驾驶车辆的基于所述物理模型的计算位置之间的距离。

4.根据权利要求1所述的方法，其中，确定第二下一移动包括通过添加原始位置、车轮的移动和所述预测的侧滑来计算所述自动驾驶车辆的最终位置。

5.根据权利要求1所述的方法，其中，所述预测的侧滑用于校正基于所述物理模型计算的所述自动驾驶车辆的所述第一移动。

6.根据权利要求1所述的方法，其中，所述驾驶场景包括所述自动驾驶车辆转弯的场景。

7.根据权利要求1所述的方法，其中，所述预定参数包括道路类型、天气状况、所述自动驾驶车辆的速度、所述自动驾驶车辆的目标角度、所述自动驾驶车辆的加速度或减速度、所述自动驾驶车辆的转向角以及所述自动驾驶车辆的转向角。

8.一种其中存储有指令的非瞬时性的机器可读介质，所述指令在由处理器执行时使所述处理器执行操作自动驾驶车辆的操作，所述操作包括：

识别用于自动驾驶车辆的下一移动的驾驶场景，其中所述驾驶场景由一个或多个预定参数的集合表示；

使用对应于所述驾驶场景的物理模型来计算所述自动驾驶车辆的第一下一移动；

将侧滑预测模型应用于所述预定参数的集合以预测给定所述驾驶场景的所述自动驾驶车辆的侧滑；

基于所述第一下一移动和所述自动驾驶车辆的预测的侧滑确定所述自动驾驶车辆的第二下一移动，基于所述第二下一移动生成规划和控制数据；和

基于所述规划和控制数据来控制和驾驶所述自动驾驶车辆。

9.根据权利要求8所述的机器可读介质，其中，所述侧滑预测模型是基于多个不同类型的车辆在多个驾驶场景下测量和记录的侧滑和相应的驾驶参数通过使用机器学习而生成的。

10.根据权利要求8所述的机器可读介质，其中，所述侧滑表示所述自动驾驶车辆的实际位置与所述自动驾驶车辆的基于所述物理模型的计算位置之间的距离。

11.根据权利要求8所述的机器可读介质，其中，确定第二下一移动包括通过添加原始位置，车轮的移动和所述预测的侧滑来计算所述自动驾驶车辆的最终位置。

12.根据权利要求8所述的机器可读介质，其中，所述预测的侧滑用于校正基于所述物理模型计算的所述自动驾驶车辆的所述第一移动。

13.根据权利要求8所述的机器可读介质，其中，所述驾驶场景包括所述自动驾驶车辆转弯的场景。

14.根据权利要求8所述的机器可读介质，其中，所述预定参数包括道路类型、天气状况、所述自动驾驶车辆的速度、所述自动驾驶车辆的目标角度、所述自动驾驶车辆的加速度或减速度、所述自动驾驶车辆的转向角以及所述自动驾驶车辆的转向角。

15.一种数据处理系统，包括：

处理器；和

存储器，所述存储器耦合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使所述处理器执行操作自动驾驶车辆的操作，所述操作包括；

识别用于自动驾驶车辆的下一移动的驾驶场景，其中所述驾驶场景由一个或多个预定参数的集合表示；

使用对应于所述驾驶场景的物理模型来计算所述自动驾驶车辆的第一下一移动；

将侧滑预测模型应用于所述预定参数的集合中以预测给定所述驾驶场景的所述自动驾驶车辆的侧滑；

基于所述第一下一移动和所述自动驾驶车辆的预测的侧滑确定所述自动驾驶车辆的第二下一移动，基于所述第二下一移动生成规划和控制数据；和

基于所述规划和控制数据来控制和驾驶所述自动驾驶车辆。

16.根据权利要求15所述的系统，其中，所述侧滑预测模型是基于多个不同类型的车辆在多个驾驶场景下测量和记录的侧滑和相应的驾驶参数通过使用机器学习而生成的。

17.根据权利要求15所述的系统，其中，所述侧滑表示所述自动驾驶车辆的实际位置与所述自动驾驶车辆的基于所述物理模型的计算位置之间的距离。

18.根据权利要求15所述的系统，其中，确定第二下一移动包括通过添加原始位置，车轮的移动和所述预测的侧滑来计算所述自动驾驶车辆的最终位置。

19.根据权利要求15所述的系统，其中，所述预测的侧滑用于校正基于所述物理模型计算的所述自动驾驶车辆的所述第一移动。

20.根据权利要求15所述的系统，其中，所述驾驶场景包括所述自动驾驶车辆转弯的场景。

21.根据权利要求15所述的系统，其中，所述预定参数包括道路类型、天气状况、所述自动驾驶车辆的速度、所述自动驾驶车辆的目标角度、所述自动驾驶车辆的加速度或减速度、所述自动驾驶车辆的转向角以及所述自动驾驶车辆的转向角。