CN108387241A - 更新自动驾驶车辆的定位地图的方法和系统 - Google Patents
更新自动驾驶车辆的定位地图的方法和系统 Download PDFInfo
- Publication number
- CN108387241A CN108387241A CN201810094566.3A CN201810094566A CN108387241A CN 108387241 A CN108387241 A CN 108387241A CN 201810094566 A CN201810094566 A CN 201810094566A CN 108387241 A CN108387241 A CN 108387241A
- Authority
- CN
- China
- Prior art keywords
- pose
- real
- automatic driving
- driving vehicle
- adv
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 18
- 230000008447 perception Effects 0.000 abstract description 23
- 241001269238 Data Species 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000013480 data collection Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000003716 rejuvenation Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000630329 Scomberesox saurus saurus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005036 potential barrier Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
Classifications
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
-
- 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
- G01C21/3859—Differential updating map 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
- G01C21/38—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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- 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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/20—Data confidence level
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot 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 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
- 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
- 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
- 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 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Abstract
在一个实施方式中,公开了自动驾驶车辆(ADV)的自感知自演化的独立的定位地图系统。定位地图系统收集ADV定位数据和实时位姿,以根据ADV的第一定位地图进行分析。所述分析基于候选位姿的相似性分数的排名、实时位姿的一致性以及与ADV周围的ADV特征空间对应的地图特征空间的空间或时间完整性来确定信心分数。基于最高排名的候选位姿将收集的定位数据的子集与第一定位地图对准,并且基于确定的信心分数将收集的定位数据的子集应用到第一定位地图上以生成第二定位地图,以随后确定ADV的位置。
Description
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更新自动驾驶车辆的定位地图。
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。
地图是自动驾驶车辆系统的基本部件。自动驾驶车辆(ADV)依靠多种陆地地图来做出决策并实时自动地执行多种驾驶功能。例如,定位地图可以为ADV提供定位数据,以基于ADV周围的环境的2D或3D扫描来确定ADV的精确位置。道路图可以提供道路边界、交通灯位置。静态地图可以提供ADV附近的静态对象信息,以减轻ADV的计算负担。
现有的生成定位地图的方法可以被描述为“自顶向下同步”。在这些方法中,安装有多种传感器(诸如,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)以及激光探测和测距(LIDAR))的专用地图数据收集汽车在车行道上行驶以采集图像数据以及汽车的相应的粗略位姿和/或精细位姿。位姿可以描述为位置(x,y,z)和定向(方位角,俯仰,横摇)。随后,对这些采集的图像数据进行离线图像处理。采集的图像数据利用诸如迭代最近点(ICP)或同步定位与地图构建(SLAM)(可能涉及或可能不涉及全局优化)的技术进行处理,以将采集的图像数据与统一的定位地图链接到一起。此后,根据统一的定位地图生成道路图和静态地图。在生成地图之后,地图以自顶向下的方式同步到客户的自动驾驶车辆,因此称为“自顶向下同步”方法。
“自顶向下同步”地图生成方法的缺点包括:当已采集到图像数据但随后移动时,无法灵活地适应动态元素,诸如生长的树木、积雪和停放在道路上的汽车;对传感器和传感器校准的要求很高;以及与维护专用数据收集汽车有关的成本很高。
发明内容
本申请的一个方面提供了一种更新自动驾驶车辆(ADV)的定位地图的计算机实施的方法。该方法可包括:收集所述ADV的定位数据和实时位姿;根据第一定位地图分析所收集的定位数据,以确定基于所述实时位姿选择的多个候选位姿中的每个的信心分数;基于所述分析选择所述候选位姿中具有最高信心分数的一个候选位姿;以及基于所选择的候选位姿,将所述收集的定位数据的子集应用到所述第一定位地图上以生成第二定位地图,其中,所述第二定位地图用于随后确定所述ADV的位置。
本申请的另一方面提供了一种非暂时性机器可读介质,其中存储有指令。当由处理器执行时,所述指令使得所述处理器执行操作,所述操作包括:收集所述ADV的定位数据和实时位姿;根据第一定位地图分析所收集的定位数据以确定基于所述实时位姿选择的多个候选位姿中的每个候选位姿的信心分数;基于所述分析选择具有最高信心分数的所述候选位姿中的一个;以及基于所述选择的候选位姿,将所述收集的定位数据的子集应用到所述第一定位地图上以生成第二定位地图,其中,所述第二定位地图用于随后确定所述ADV的位置。
本申请的又一方面提供了一种数据处理系统。其包括处理器以及存储器,存储器联接到处理器以储存指令。当由所述处理器执行时,所述指令使得所述处理器执行操作,所述操作包括:收集所述ADV的定位数据和实时位姿;根据第一定位地图分析所收集的定位数据,以确定基于所述实时位姿选择的多个候选位姿中的每个候选位姿的信心分数;基于所述分析选择具有最高信心分数的所述候选位姿中的一个;以及基于所选择的候选位姿,将所述收集的定位数据的子集应用到所述第一定位地图上以生成第二定位地图,其中,所述第二定位地图用于随后确定所述ADV的位置。
附图说明
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。
图1是示出根据本发明的一个实施方式的网络化系统的框图。
图2是示出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感知与规划系统的示例的框图。
图4A示出了根据一些实施方式的由候选单元格的ADV粗略搜索空间和ADV精细搜索空间围绕的ADV,ADV粗略搜索空间和ADV精细搜索空间用于搜索HD地图以确定ADV相对于HD地图的位置。
图4B示出了根据一些实施方式的由候选单元格的阵列或网格围绕的ADV以及ADV粗略与精细候选搜索空间周围的ADV特征空间,候选单元格的阵列或网格用于搜索HD地图以确定ADV相对于HD地图的位置。
图5A是示出根据本发明的另一实施方式的网络化系统的框图。
图5B是示出根据本发明的另一实施方式的自动驾驶车辆的示例的框图。
图6是示出根据本发明的一个实施方式的与ADV特征空间对应的地图特征空间的图。
图7是示出根据本发明的一个实施方式的更新独立的自演化定位地图的方法的概述的流程图。
图8是示出根据本发明的一个实施方式的确定收集的定位数据的信心分数以将收集的定位数据应用到独立的自演化定位地图的三个因素的流程图。
图9是示出根据本发明的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。“环境片段”指的是固定时间点处的ADV周围的环境的感知或扫描片段。“位姿”指的是物理对象的位置和定向。
根据一些实施方式,公开了利用ADV的收集的传感器数据的环境片段生成独立的自演化定位地图或更新独立的自演化定位地图的方法或系统。ADV的收集的传感器数据可以包括由周围的传感器(诸如,LIDAR/RADAR扫描器)采集的定位数据和实时位姿(例如,由全球定位卫星(GPS)和/或实时动态卫星(RTK)导航数据提供的位置信息以及由惯性测量单元(IMU)提供的定向信息)。定位数据可以包括二维(2D)或三维(3D)摄影图像数据的扫描环境片段数据或者来自RADAR/LIDAR扫描器的遥测数据(诸如3D点云)、或其组合。环境片段数据可以缩减成2D或3D占据网格的离散化单元格以减少原始测量数据的量。
在一个实施方式中,ADV的系统收集ADV的定位数据(例如,LIDAR扫描器的3D点云)和一个或多个实时位姿。定位数据可以分解成离散的单元格,诸如10cm×10cm的单元格。每个收集的ADV的实时位姿可以表示粗略位姿,诸如来自GPS单元的具有三米的误差容限的定位数据。系统根据收集的ADV的实时位姿生成多个候选位姿。系统根据第一定位地图分析收集的定位数据以确定多个候选位姿的信心分数。所述系统基于分析选择具有最高信心分数的候选位姿中的一个,并基于所选择的候选位姿将收集的定位数据的子集应用到第一定位地图上以生成第二定位地图,从而利用第二定位地图来随后确定ADV的位置。在另一实施方式中,第一定位地图可以是空白地图。第二定位地图代表第一定位地图的更新后的版本。
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(MPOI)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,感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113和传感器系统115。自动驾驶车辆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,该多种通信信号和/或命令例如,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可以经由控制器局域网(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。它是最初是为汽车内的复用电气布线设计的基于消息的协议,但也用于许多其它环境。
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,电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意,如图2所示的部件可以以硬件、软件或其组合实施。
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,包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆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,尤其当在自动驾驶模式下操作时。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、规划和路线安排程序),以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统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。替代地,感知与规划系统110可以与车辆控制系统111集成在一起。
例如,作为乘客的用户可以例如经由用户接口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。替代地,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。
当自动驾驶车辆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。替代地,服务器103至104的功能可以与感知与规划系统110集成在一起。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,以安全且高效到达指定目的地。
服务器103可以是地图分析系统,来为多种数据收集车辆或客户端执行地图分析服务。在一个实施方式中,地图分析系统103包括数据收集器121、机器学习引擎122和地图更新器123。数据收集器121从数据收集车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集地图数据。地图数据包括数据收集车辆在不同的时间点处的定位数据和位姿信息。地图数据还可以包括描述不同的时间点处的驾驶环境的信息,例如,路线(包括开始位置和目的地位置)、MPOI、道路条件、天气条件等。
基于收集的地图数据,机器学习引擎122在收集的地图数据上执行定位技术(诸如,实时SLAM技术,实时ICP技术,或基于LIDAR的定位方法)以将定位数据的片段与统一的定位地图联系到一起。地图更新器123可以通过网络102使用统一的定位地图来更新自动驾驶车辆101。
根据一个实施方式,可以由ADV根据传感器数据或感知的环境片段来更新ADV的独立的自演化定位地图。所述系统收集ADV的定位数据(例如,LIDAR扫描器的3D点云)和实时位姿。定位数据可以分解成离散的单元格,诸如10cm×10cm的单元格,并且收集的ADV的实时位姿可以代表粗略位姿,诸如来自GPS单元的具有三米的误差容限的位置数据。所述系统根据第一定位地图分析收集的定位数据以确定多个候选位姿的信心分数。基于分析选择具有最高信心分数的候选位姿中的一个。然后,所述系统基于所选择的候选位姿将收集的定位数据的子集应用到第一定位地图上以生成第二定位地图,从而利用第二定位地图来随后确定ADV的位置。在一个实施方式中,收集的ADV的实时位姿近似于ADV的位置和定向,并且基于收集的实时位姿和收集的实时位姿的误差容限来确定多个候选位姿。
在一个实施方式中,通过将收集的实时位姿与ADV的先前实时位姿进行比较来分析收集的定位数据,以确定第一信心分数。在一个实施方式中,如果收集的实时位姿与ADV的先前实时位姿一致,则认为第一信心分数最高。在另一实施方式中,如果收集的实时位姿在ADV由于时间延迟(诸如,收集的实时位姿与先前的实时位姿之间的时间延迟)从ADV的先前实时位姿的行进距离内,则收集的实时位姿与ADV的先前实时位姿一致。
在一个实施方式中,通过确定与收集的实时位姿周围的ADV特征空间对应的第一定位地图的子集的完整性来分析收集的定位数据,以确定第二信心分数。如果第一定位地图数据的子集是完整的,则第二信心分数被认为最高。完整性指的是特征空间中离散的单元格的空间空置率或时间空置率。在另一实施方式中,第一定位地图的子集的完整性包括空间完整性。与ADV特征空间对应的第一定位地图的子集的空间完整性可以基于与ADV特征空间对应的第一定位地图的子集的空间空置率来确定。在另一实施方式中,第一定位地图的子集的完整性包括时间完整性。与ADV特征空间对应的第一定位地图的子集的时间完整性可以基于与ADV特征空间对应的第一定位地图的子集中的单元格的时间流逝来确定,即,即使单元格中存在数据,如果所述数据比预定龄期旧,则出于确定时间空置率的目的,所述单元格被视为空置的。
在一个实施方式中,通过基于多个位姿中的每个位姿的相似性分数对多个候选位姿中的每个候选位姿进行排序来分析收集的定位数据,以确定第三信心分数。如果多个候选位姿中的单个候选位姿具有最高排名,则第三信心分数被认为最高。在另一实施方式中,基于收集的实时位姿周围的ADV特征空间的相似性度量来确定相似性分数。
在一个实施方式中,通过将收集的定位数据的子集保存为第一定位地图中的环境片段或定位地图瓦片的增量版本,将收集的定位数据的子集应用到第一定位地图上。在另一实施方式中,当ADV不再对收集的定位数据的子集感兴趣时,保存收集的定位数据的子集。在另一实施方式中,当ADV的位置与收集的定位数据的子集之间的距离高于预定阈值时,ADV不再对收集的定位数据的子集感兴趣。在另一实施方式中,当收集的定位数据的子集不在ADV周围的ADV特征空间中时,ADV的位置与收集的定位数据的子集之间的距离高于预定阈值。
图3是示出根据本发明一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可以被实施为图1的自动驾驶车辆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、决策模块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以软件、硬件或其组合实施。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集成在一起。模块301至306中的一些可以一起集成为集成模块。
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。
定位模块301的目标是高精度地确定ADV的位置。ADV位置可以由位置坐标(例如,GPS坐标)来近似。GPS坐标可以用于检索定位地图(即,高清晰度(HD)地图)的本地版本,所述本地版本以GPS位置为中心并且具有大约100米×100米的单元格的HD地图特征空间。应注意,术语“本地版本”指的是与ADV相关但不一定本地存储到ADV的定位地图或HD地图的版本,即,本地版本可以是通过无线网络从中央服务器流传输到ADV的定位地图的基线版本、空白的初始版本、或由ADV本地自进化到ADV的版本。感知模块302的传感器可以提供ADV周围的大约100米×100米的单元格的ADV特征空间的数据。为了确定ADV相对于HD地图的实际位置,定位模块301可以找到ADV特征空间的候选部分中的候选单元格与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量。此偏移量可以与HD地图特征空间结合使用以确定ADV的实际的高精度位置。
定位模块301的另一目的是确定用于ADV的候选单元格或候选位姿(位置和定向)的所收集的定位数据的信心分数。具有最高信心分数的收集的定位数据将随后根据候选单元格位置应用(即,通过版本化保存)到ADV的现有定位地图,使得现有定位地图利用最新感知的数据进行自演化。
定位模块301可以包括位置模块301A、粗略搜索模块301B、精细搜索模块301C、收集模块301D、分析模块301E、选择模块301F和应用模块301G。收集模块301D周期地收集来自感知模块302的传感器的3D点云和位姿数据。3D点云表示ADV周围的传感器数据。位置模块301A可以从收集模块301D获得3D点云和位姿数据。对于每个数据收集周期,位置模块301A可以分析3D点云并生成数据的单元格的ADV特征空间,每个单元格表示大约10cm×10cm的面积。每个单元格可以具有ADV特征空间中的(x,y)坐标、平均强度和高程方差。在实施方式中,ADV特征空间包含ADV周围的大约1024×1024个单元格。位置模块301A还可以根据位置坐标(例如,GPS读数)或与蜂窝塔进行协调来获得ADV的大概位置。位置模块301A还可以获得表示GPS坐标周围的大约1024×1024个单元格的HD地图特征空间的单元格的高清晰度(HD)地图。HD地图特征空间中的每个单元格可以具有表示单元格在实际坐标空间(诸如,高分辨率GPS坐标系或其他坐标系)中的实际位置的(x,y)坐标。HD地图特征空间中的每个单元格还可以包括单元格的平均强度和单元格中的高程方差。HD地图特征空间还可以包括注解,所述注解包括HD地图中的每个单元格的实际高分辨率位置、街道地址信息、商业信息、饭店、加油站以及其他有用的信息。
GPS的误差容限大约为3米。粗略搜索模块301B可以确定ADV周围的例如32×32个单元格的候选空间,并将候选空间中的每个候选单元格周围的例如1024×1024个单元格的ADV特征空间与例如1024×1024个单元格的HD地图特征空间进行匹配。使用执行候选单元格特征空间(例如1024×1024个单元格)与HD地图特征空间(例如1024×1024个单元格)的混合高斯拟合的相似性度量来执行匹配。相似性度量如下:
其中P(z|x,y,m)表示候选单元格周围的候选特征空间与HD地图特征空间的相似性分数,i和j是迭代子,各自从1到1024变动,(x,y)是候选单元格的坐标,m表示地图特征空间单元格数据,z表示ADV特征空间单元格数据,r表示值的平均值,σ表示值的方差,并且α是调节参数。在实施方式中,在exp函数的分子中使用ADV特征空间单元格数据和HD地图特征空间单元格数据的平均强度,并且在exp函数的分母中使用ADV特征空间单元格数据和HD地图特征空间单元格数据的高程方差。相似性度量用于确定例如32×32个单元格的候选空间中每个候选单元格的相似性分数。在实施方式中,候选空间的粗略搜索通过确定例如每隔一个单元格、或每三个单元格、或每隔其他增量的相似性度量来执行。确定候选单元格中最高的相似性分数。在实施方式中,精细搜索模块301C围绕具有以上粗略搜索的最高相似性分数的候选单元格来进行精细搜索。精细搜索空间是候选单元格的第二集合,例如3×3个单元格。可以使用候选单元格的第二集合中的每个单元格的相似性度量来进行精细搜索。候选单元格的第二集合中具有最高相似性分数的候选单元格被用作与HD地图特征空间的中心最佳匹配的单元格。ADV特征空间中的ADV坐标与最佳匹配单元格的偏移量可以用于确定ADV相对于HD地图特征空间的高分辨率位置。
从上文可以看出,实时计算的相似性分数可以是计算密集的。在实施方式中,在第一候选单元格的相似性分数的计算之后或期间,可以确定强度值的范围和高程值的范围。例如,强度值的范围可以确定为HP地图平均强度与ADV特征空间单元格平均强度之间的最低差值与最高差值。高程值的范围可以确定为HP地图特征空间高程方差与ADV特征空间单元格高程方差的值的最低总和与最高总和。一旦确定平均强度和高程方差的范围,就可以为每个范围确定步进增量。例如,如果平均强度差的范围是0.1至14.9,则0、1、2、...、15的强度的范围可以被用作HD地图特征空间单元格与ADV特征空间单元格的平均强度的差的估计范围。类似地,如果高程方差的范围例如在0.0至0.81的范围内,则0.0、0.1、0.2、...、0.8的高程方差的范围可以用作HD地图特征空间单元格高程方差与ADV特征空间单元格高程方差之间的高程方差的总和的估计范围。使用上文确定的估计范围,可以通过计算平均强度的范围和高程方差的范围的每个组合的相似性度量来生成估计相似性值的表。这大大减少了确定候选单元格的相似性分数的良好估计的计算量。
在实施方式中,以上描述的粗略搜索可以使用相似性分数的查找表。以上描述的精细搜索可以计算在精细搜索中每个候选单元格的相似性分数。在实施方式中,查找表可以用于精细搜索相似性分数。
分析模块301E可以确定关于候选单元格或位姿的收集的定位数据的信心分数。在一个实施方式中,可以通过对候选单元格中的每个进行排序来确定第一信心分数。可以通过将具有最高相似性分数的候选单元格的相似性分数除以具有次高相似性分数的候选单元格的相似性分数来对候选单元格进行排序。大于预定阈值(例如,1)的计算值获得高信心分数。小于或等于预定阈值的计算值获得低信心分数。换句话说,所述系统应该只识别出一个或识别不出具有最高排名的单一候选单元格。
在另一实施方式中,分析模块301E可以通过分析与收集的定位数据有关的收集的实时位姿与先前收集的ADV的实时位姿相比的一致性来确定收集的定位数据的第二信心分数。收集模块301D可以以10赫兹的频率或每1/10秒一次周期地收集实时位姿数据。基于ADV的近似速度(由IMU传感器提供)、数据收集的频率,如果位姿的距离变化在期望的距离加上感测实时位姿的位置的传感器的误差容限内并且定向的变化在预定阈值内,则当前的实际位姿与先前收集的位姿一致。如果收集的实时位姿与先前收集的位姿一致,则定位数据获得高信心分数。否则,定位数据获得低信心分数。
在一个实施方式中,分析模块301E可以通过分析收集的实时位姿周围的地图特征空间的完整性来确定与收集的实时位姿有关的收集的定位数据的第三信心分数。当位置模块301A获得表示GPS坐标周围的大约1024×1024个单元格的地图特征空间的单元格的高清晰度(HD)地图时,地图特征空间中的每个单元格可能由或可能不由平均强度和高程方差占用,即,所述单元格可以为空白单元格。在另一实施方式中,可以基于地图特征空间的空间完整性或占用率来确定第三信心分数,使得全空间占用率返回收集的定位数据的高信心分数。否则,分配低信心分数。替代地,可以基于地图特征空间的百分比占用率来分配第三信心分数。
在另一实施方式中,表示大约1024×1024单元格的地图特征空间的单元的高清晰度(HD)地图中的每个单元格或单元格组可以包括时间标记和/或版本编号。可以基于时间标记和/或版本编号以及预定的时间阈值,基于地图特征空间中的单元格的时间完整性或陈旧度来确定第三信心分数,使得具有最新数据(即,预定时间阈值内的数据)或最新版本编号的地图特征空间返回收集的定位数据的高信心分数。否则,分配低信心分数。替代地,可以基于地图特征空间的百分比时间占用率(例如,具有预定时间阈值内的时间标记的已占用的单元格的百分比)来分配第三信心分数。
在一个实施方式中,选择模块301F可以基于由分析模块301E确定的信心分数从精细搜索空间中的候选单元格的列表中选择具有最高信心分数的候选单元格。应用模块301G基于所选择的具有最高信心分数的候选位姿或候选单元格将收集的定位数据的子集应用到定位地图,以更新或演进定位地图。在一个实施方式中,将收集的定位数据的子集应用到第一定位地图上包括将收集的定位数据的子集保存为第一定位地图中环境片段的增量版本。在另一实施方式中,当ADV不再对收集的定位数据的子集感兴趣时,保存收集的定位数据的子集。在另一实施方式中,当ADV的位置与收集的定位数据的子集之间的距离高于预定阈值时,ADV不再对收集的定位数据的子集感兴趣。在另一实施方式中,当收集的定位数据的子集不在ADV周围的ADV特征空间中时,ADV的位置与收集的定位数据的子集之间的距离高于预定阈值。
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。
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采集的图像,从而识别自动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、道路边界、其它车辆、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、视频跟踪以及其它计算机视觉技术。在一些实施方式中,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的其它传感器提供的其它传感器数据来检测对象。
针对每个对象,决策模块303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),决策模块303决定如何与所述对象相遇(例如,超车、让行、停止、超过)。决策模块303可以根据诸如交通规则或驾驶规则312的规则集来作出此类决定,所述规则集可以存储在永久性存储装置352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、速度和/或转弯角度)。换言之,针对给定的对象,决策模块303决定对该对象做什么,而规划模块304确定如何去做。例如,针对给定的对象,决策模块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来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息,以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、制动和转弯命令)将车辆从路线或路径的第一点驾驶到第二点。
应注意,决策模块303和规划模块304可以集成为集成模块。决策模块303/规划模块304可以包括导航系统或导航系统的功能,以确定自动驾驶车辆的驾驶路径。例如,导航系统可以确定用于实现自动驾驶车辆沿着以下路径移动的一系列速度和前进方向:所述路径在使自动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接口系统113进行的用户输入来设定。导航系统可以在自动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,以确定用于自动驾驶车辆的驾驶路径。
决策模块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它方式越过自动驾驶车辆的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自动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变向操纵、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它传感器系统检测到位于自动驾驶车辆将变向进入的相邻区域中的车辆、建筑障碍物等时不采取变向操纵。防撞系统可以自动选择既可使用又使得自动驾驶车辆乘员的安全性最大化的操纵。防撞系统可以选择预测使得自动驾驶车辆的乘客舱中出现最小量的加速度的避让操纵。
根据一个实施方式,地图更新模块306可以将ADV特征空间的子集或ADV特征空间保存到定位地图。地图更新模块306可以使用诸如SLIM、ICP或LIDAR定位的技术将ADV特征空间或ADV特征空间的子集对准到定位地图,并将对准的ADV特征空间或其子集上传到ADV的存储介质或远程云服务器。
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于确定到达的导航操作的顺序和目的地。导航操作可以表示为具有表征路线的权重和属性(诸如速度、交通、信号、道路类型等)的曲线图中的弧。地图网格312可以是特定驾驶位置(诸如,“美国内”或“加利福利亚州内”或“旧金山内”)内所有已知的HD地图网格特征空间的完整地图网格。在实施方式中,可以根据需要从服务器(例如,服务器103或104)下载ADV周围的半径范围(诸如,100英里半径范围)的地图网格312。以上描述的查找表313可以被写入存储器351或永久性存储装置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4A示出了根据一些实施方式的由候选单元格的ADV粗略搜索空间410和ADV精细搜索空间420围绕的ADV,ADV粗略搜索空间410和ADV精细搜索空间420用于搜索HD地图以确定ADV相对于HD地图的位置。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可以根据3D点云数据生成例如1024×1024个单元格的ADV特征空间。每个单元格可以例如为10cm×10cm并且可以包括相对于ADV的(x,y)位置坐标、平均强度值、高程方差值以及其他传感器数据。
如上所述,参考图3,定位模块301的目的是确定ADV相对于现实世界以及表示ADV周围的现实世界的HD地图的精确位置。ADV可以使用例如GPS读数来获得表示ADV周围的现实世界的HD地图部分。HD地图可以是例如1024个单元格×1024个单元格,每个单元格表示例如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是围绕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个单元格。在实施方式中,可以以例如二为增量对粗略搜索候选空间410进行遍历。例如,在时间t0,可以在(x,y)=(0,0)处为粗略搜索候选空间410确定相似性度量。在时间t0,可以在(x,y)=(2,0)处为粗略搜索候选空间410确定下一相似性度量,然后在(4,0)处,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中具有最高相似性度量的候选单元格415,从而表明所述候选单元格特征空间与HD地图特征空间最紧密地匹配。
精细搜索模块301C可以确定候选单元格415周围的具有最高相似性度量的精细搜索候选空间420。在实施方式中,精细搜索候选空间420可以是粗略搜索候选空间410中具有最高相似性分数的候选单元格415周围的例如3个单元格×3个单元格。精细搜索模块301C可以确定精细搜索候选空间420中的每个候选单元格的相似性度量。精细搜索模块301C可以确定精细搜索候选空间420中的候选单元格中的最高相似性分数。然后,可以将精细搜索候选单元格420中具有最高相似性分数的候选单元格确定为与HD地图特征空间的中心一致。可以确定ADV与HD地图的中心的偏移量,并且所述偏移量可以用于高精度地确定ADV在与HD地图特征空间对应的现实世界中的位置。
在时间t1处,可以重复以上过程。假设ADV正在移动,则时间t1处的ADV特征空间与时间t0处的ADV特征空间可以具有一些共同的数据。图4A示出了时间t0处和时间t1处的32×32单元格粗略搜索候选空间410。类似的构思适用于时间t0处和时间t1处的整个ADV特征空间(1024×1024个单元格)。随着ADV移动,定位模块301可以确定ADV移动了多少以及粗略搜索空间410中的多少数据在时间t1处与时间t0处相同,因此相比于在容纳例如粗略搜索候选空间的数据结构内移位数据,更愿意由时间t1处的数据的新的候选搜索空间单元格在逻辑上来替换。可以在符合ADV的移动的每个x坐标和y坐标的方向上移位索引的数组,而不在数据结构中移位数据。
如图4A所示,随着ADV向右移动,时间t1处的粗略候选搜索空间410增加新的数据。在图中的示例中,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,从而覆盖旧数据。在实施方式中,当ADV从时间t0向前移动到时间t1时,新的候选搜索空间单元格将在逻辑上添加在例如列32、33等处。在32×32个单元格的示例候选搜索空间中,可以对候选搜索数组空间的x坐标索引进行增量(以32取模),以获得添加新的ADV特征空间数据的候选搜索空间数组索引。因此,逻辑列32将为0(32以32取模),逻辑列33将为1(33以32取模)等。候选搜索空间网格的y坐标可以类似地计算。向32×32的候选搜索空间添加数据的以上示例可以扩展到可以大约为1024×1024个单元格的ADV特征空间。在实施方式中,ADV特征空间可以为1024×1024个单元格,以便于进行ADV特征空间数据数组模量计算。
图4B示出了根据一些实施方式的由候选单元格的阵列或网格围绕的ADV以及ADV粗略候选搜索空间与精细候选搜索空间周围的ADV特征空间,候选单元格的阵列或网格用于搜索HD地图以确定ADV相对于HD地图的位置。如上所述,定位模块301的目的是将根据传感器数据的3D点云生成的ADV特征空间与以由ADV获得的位置(例如,GPS坐标)为中心的高清晰度(HD)地图特征空间对齐。将ADV特征空间与HD地图特征空间对齐是高精度地确定ADV在现实世界中以及相对于HD地图的位置的过程中的操作。
图4B示出了在ADV特征空间425和HD地图特征空间430的环境中设置的图4A的粗略搜索空间410。HD地图特征空间430可以由于位置传感器(例如,用于获得ADV的大概位置的GPS坐标或蜂窝塔坐标)的受限的精确度而偏离ADV特征空间425。对于在ADV粗略搜索空间410中遍历的每个候选单元格,将候选单元格周围的大约1024×1024个单元格的特征空间与HD地图特征空间430进行比较,并为候选单元格确定相似性分数。ADV粗略搜索空间410中的候选单元格中具有最高相似性分数的候选单元格420被用于生成大约3×3个单元格的精细搜索空间415。遍历ADV精细搜索空间415中的每个候选单元格并确定相似性分数。精细搜索候选单元格415中具有最高相似性分数的ADV精细搜索空间415的候选单元格被选为使ADV特征空间425与HD地图特征空间430最佳对准的单元格。确定从ADV到ADV精细搜索空间415中与HD地图特征空间具有到最高相似性分数的候选单元格的偏移量。所述偏移量用于高精度地确定ADV相对于HD地图以及现实世界的位置。
根据一个实施方式,如图5A所示,ADV 501至502可以可选地从服务器505下载初始地图版本或服务器505周期地从下载地图版本。ADV 501可以是图1的ADV 101,并且服务器505可以是图1的服务器104。ADV 501可以在道路上巡航,或在下载时沿着道路怠速。一旦ADV 501至502接收初始地图版本,ADV 501至502就各自具有定位地图的独立版本。然后,ADV 501可以自演进其定位地图的本地版本。例如,当ADV 501在线并在道路上行驶时,ADV501从车载传感器(诸如,GPS/IMU单元和LIDAR扫描器)收集定位数据,以对定位数据进行定位和信心分析。具有高信心的定位数据将被应用到ADV的定位地图,以生成定位地图的新版本来随后确定ADV的位置。低信心定位数据将被丢弃。在此示例中,ADV 503不从服务器505下载初始版本。ADV 503可以具有定位地图的空白初始版本。然而,ADV 503可以根据其基于硬件定位方法(诸如,GPS/IMU和/或RTK)的传感器数据来生成后续的定位地图版本。ADV503可以仅根据基于确定所收集的实时位姿的一致性的信心分数来生成第一定位地图版本。
图5B的ADV 501示出了图5A的ADV 501。参考图5B,在路上时,ADV 501收集定位地图数据(诸如来自LIDAR扫描器的3D点云)和来自GPS/IMU单元的实时位姿。ADV 501可以在3D点云数据上执行定位方法,诸如,LIDAR定位、SLAM或ICP。定位方法提供候选单元格的相似性分数。精细搜索空间中的候选单元格基于候选单元格的相似性分数进行排序并且被分配有第一信心分数。
第二信心分数可以基于实时位姿与ADV的先前位姿相比的一致性而分配给收集的定位数据/实时位姿。基于ADV 501的数据收集时间间隔和感测的速度,可以计算大概的行进距离。如果位姿的距离变化在大概的行进距离加上测量设备中的误差容限内,并且位姿的定向变化在预定阈值内,则可以确定实时位姿与ADV的先前位姿一致。
第三信心分数可以基于与ADV特征空间对应的HD地图特征空间的数据与空置的比率(即,具有数据的单元格的数量相对于空白单元格的数量)或空置率而分配给收集的定位数据/实时位姿。为了确定LIDAR定位方法中每个候选单元格的相似性分数,将候选单元格周围的大约1024×1024个单元格的ADV特征空间与HD地图特征空间进行比较。每个单元格包含LIDAR读数的平均强度和高程方差。可以通过遍历1024×1024个单元格或1024×1024个单元格的部分来确定单元格中是否存在数据,从而确定此HD地图特征空间的数据与空置的比率。第三信心分数可以基于数据与空置的比率来分配给收集的定位数据/实时位姿,即,高信心分数被分配给大于预定阈值的数据与空置的比率。替代地,信心分数可以与数据与空置的比率为成比例地分配给收集的定位数据/实时位姿。在另一实施方式中,1024×1024个单元格中的每个单元格包含时间标记和版本编号。第三信心分数可以基于时间空置率来分配给收集的定位数据/实时位姿,即,即使单元格中存在数据,如果数据比预定龄期更旧,则出于确定时间空置率的目的而将所述单元格视为空。如果数据与时间空置的比率大于预定阈值,则高信心分数可以被分配给定位数据。替代地,信心分数可以与数据与时间空置的比率成比例地分配给收集的定位数据/实时位姿。
图6是示出根据一个实施方式的与ADV特征空间对应的地图特征空间600的图。在此示例中,地图特征空间600被用于示出系统如何基于地图特征空间的空间完整性确定信心分数,诸如图8的框803。参考图9,ADV 601通过其GPS/IMU单元感测实时位置和定向,即,实时位姿。从ADV的储存器存储装置中检索预定尺寸的相应的地图特征空间(诸如,100米×100米的块)。地图特征空间600可以细分为多个地图瓦片(在此示例中为16个地图瓦片1至16)。地图瓦片602对应于地图瓦片14。每个地图瓦片与许多相应的平均强度和高程方差单元格(诸如单元格603)相关联。此类信息可以存储在与相应的地图瓦片相关的数据结构中。在此示例中,地图瓦片1至8填充有图案以强调其被数据占据,而地图瓦片9至16为空白的。基于地图特征空间600的百分比占用率的信心分数将导致50%的信心分数。
图7是示出根据一个实施方式的更新定位地图的过程的流程图。过程700可以由处理逻辑执行,处理逻辑可以包括软件、硬件或它们的组合。例如,过程700可以由自动驾驶车辆的定位模块(诸如感知与规划系统110的定位模块301)执行。参考图7,在框701处,处理逻辑收集ADV的定位数据和实时位姿。在框702处,处理逻辑根据第一定位地图分析收集的定位数据以确定基于实时位姿选择的多个候选位姿的信心分数。在框703处,处理逻辑基于所述分析选择具有最高信心分数的候选位姿中的一个。在框704处,处理逻辑基于所选择的候选位姿将收集的定位数据的子集应用到第一定位地图上以生成第二定位地图,使得第二定位地图被用于随后确定ADV的位置。在一个实施方式中,ADV的收集的实时位姿近似ADV的位置和定向,使得多个候选位姿是基于收集的实时位姿和收集的实时位姿的误差容限确定的。
图8是示出分析收集的定位数据的过程的流程图。过程800可以由处理逻辑执行,处理逻辑可以包括软件、硬件、或它们的组合。例如,过程800可以由自动驾驶车辆的定位模块(诸如感知与规划系统110的定位模块301)执行。过程800可以作为框702的操作的部分执行。参考图8,在框801处,通过基于多个位姿中的每个位姿的相似性分数对多个候选位姿中的每个候选位姿进行排序来分析个候选位姿具有最高排名,则第一信心分数最高。在另一实施方式中,使用相似性度量基于收集的实时位姿周围的ADV特征空间的子集和收集的实时位姿周围的第一定位地图的子集来确定相似性分数。
在框802处,通过比较收集的实时位姿与ADV的先前实时位姿的一致性来分析收集的定位数据以确定第二信心分数,使得如果收集的实时位姿与ADV的先前实时位姿一致,则第二信心分数最高。在另一实施方式中,如果收集的实时位姿处于ADV由于时间延迟而从ADV的先前实时位姿行进的距离内,则收集的实时位姿与ADV的先前实时位姿一致。时间延迟例如可以是采集收集的实时位姿与采集先前实时位姿之间的时间延迟。
在框803处,通过确定与收集的实时位姿周围的ADV特征空间对应的第一定位地图的子集的完整性来分析收集的定位数据,以确定第三信心分数,使得如果第一定位地图数据的子集是完整的,则第三信心分数最高。在另一实施方式中,确定完整性包括基于与ADV特征空间对应的第一定位地图的子集的数据与空置的比率来确定与收集的实时位姿周围的ADV特征空间对应的第一定位地图的子集的空间完整性。在另一实施方式中,确定完整性包括基于与ADV特征空间对应的第一定位地图的子集的时间流逝来确定与收集的实时位姿周围的ADV特征空间的子集对应的第一定位地图的子集的时间完整性。
在一个实施方式中,通过将收集的定位数据的子集保存为第一定位地图中的环境片段或地图瓦片的增量版本,将收集的定位数据的子集应用到第一定位地图上。如上文讨论的,第一定位地图是每个单元格包含平均强度和高程方差值的2-D网格空间(x,y)。收集的定位数据可以是由LIDAR扫描器收集的面积为约100×100米的空间或每个单元格的面积为约10cm×10cm的1024×1024个单元格的数据。收集的定位数据中的每个单元格可以具有平均强度和高程方差。为了将收集的定位数据的子集应用到定位地图,将收集的定位数据的子集中的每个单元格与定位地图数据合并。收集的平均强度值可以与定位地图平均强度如下合并:
其中,m12表示合并的平均强度,m1表示收集的平均强度,m2表示定位地图平均强度,c1表示与m1相关的观察扫描的数量,并且c2表示与m2相关的观察扫描的数量。高程方差可以与收集的高程方差如下合并:
其中,v12表示合并的高程方差,v1表示收集的高程方差,v2表示定位地图高程方差,n1表示与v1相关的观察扫描的数量,并且n2表示与v2相关的观察扫描的数量。
当ADV沿着道路行进时,定位地图的一部分(例如,在ADV特征空间的视野范围内的区域的地图瓦片)被动态地加载到地图特征空间中。在另一实施方式中,当ADV不再对收集的定位数据的子集感兴趣时,保存收集的定位数据的子集(例如,ADV特征空间中的定位数据)。在另一实施方式中,当ADV的位置与收集的定位数据的子集之间的距离高于预定阈值(即,由于ADV行进了一段距离,并且不同的实时位姿致使先前收集的定位数据超出预定的距离)时,ADV不再对收集的定位数据的子集感兴趣。在另一实施方式中,当由于ADV行进而使收集的定位数据的子集不在ADV周围的ADV特征空间中时,ADV的位置与收集的定位数据的子集之间的距离高于预定阈值。
图9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,例如图3的定位模块301。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.更新自动驾驶车辆(ADV)的定位地图的计算机实施的方法,所述方法包括:
收集所述自动驾驶车辆的定位数据和实时位姿;
根据第一定位地图分析所收集的定位数据,以确定基于所述实时位姿选择的多个候选位姿中的每个的信心分数;
基于所述分析选择所述候选位姿中具有最高信心分数的一个候选位姿;以及
基于所选择的候选位姿,将所述收集的定位数据的子集应用到所述第一定位地图上以生成第二定位地图,其中,所述第二定位地图用于随后确定所述自动驾驶车辆的位置。
2.根据权利要求1所述的方法,其中,所述自动驾驶车辆的所收集的实时位姿近似于所述自动驾驶车辆的位置和定向,其中,基于所述收集的实时位姿和所述收集的实时位姿的误差容限来确定所述多个候选位姿。
3.根据权利要求1所述的方法,其中,分析所述收集的定位数据包括:基于所述多个位姿中的每个位姿的相似性分数,对所述多个候选位姿中的每个候选位姿进行排序以确定第一信心分数,使得如果所述多个候选位姿中的单个候选位姿具有最高的排名,则所述第一信心分数最高。
4.根据权利要求3所述的方法,其中,基于所述收集的实时位姿周围的自动驾驶车辆特征空间的相似性度量来确定相似性分数。
5.根据权利要求1所述的方法,其中,分析所述收集的定位数据包括:将所述收集的实时位姿与所述自动驾驶车辆的先前实时位姿进行比较,以确定第二信心分数,使得如果所述收集的实时位姿与所述自动驾驶车辆的先前实时位姿一致,则所述第二信心分数最高。
6.根据权利要求5所述的方法,其中,如果所述收集的实时位姿处于所述自动驾驶车辆由于时间延迟而从所述自动驾驶车辆的先前实时位姿行进的距离内,则所述收集的实时位姿与所述自动驾驶车辆的所述先前实时位姿一致。
7.根据权利要求1所述的方法,其中,分析所述收集的定位数据包括:确定与所述收集的实时位姿周围的自动驾驶车辆特征空间对应的所述第一定位地图的子集的完整性,以确定第三信心分数,使得如果所述第一定位地图的所述子集是完整的,则所述第三信心分数最高。
8.根据权利要求7所述的方法,其中,确定完整性包括:基于与所述自动驾驶车辆特征空间对应的、所述第一定位地图的所述子集的空置率,确定与所述收集的实时位姿周围的自动驾驶车辆特征空间对应的所述第一定位地图的所述子集的空间完整性。
9.根据权利要求7所述的方法,其中,确定完整性包括:基于与所述自动驾驶车辆特征空间对应的、所述第一定位地图的子集的时间流逝,确定与所述收集的实时位姿周围的自动驾驶车辆特征空间的子集对应的、所述第一定位地图的子集的时间完整性。
10.根据权利要求1所述的方法,其中,将所述收集的定位数据的子集应用到所述第一定位地图上包括:将所述收集的定位数据的子集保存为所述第一定位地图中的环境片段的增量版本。
11.根据权利要求10所述的方法,其中,当所述自动驾驶车辆不再对所述收集的定位数据的子集感兴趣时,保存所述收集的定位数据的子集。
12.根据权利要求11所述的方法,其中,当所述自动驾驶车辆的位置与所述收集的定位数据的所述子集之间的距离高于预定阈值时,所述自动驾驶车辆不再对所述收集的定位数据的子集感兴趣。
13.根据权利要求12所述的方法,其中,当所述收集的定位数据的子集不在所述自动驾驶车辆周围的自动驾驶车辆特征空间中时,所述自动驾驶车辆的位置与所述收集的定位数据的子集之间的距离高于预定阈值。
14.非暂时性机器可读介质,其中存储有指令,当由处理器执行时,所述指令使得所述处理器执行操作,所述操作包括:
收集所述自动驾驶车辆的定位数据和实时位姿;
根据第一定位地图分析所收集的定位数据以确定基于所述实时位姿选择的多个候选位姿中的每个候选位姿的信心分数;
基于所述分析选择具有最高信心分数的所述候选位姿中的一个;以及
基于所述选择的候选位姿,将所述收集的定位数据的子集应用到所述第一定位地图上以生成第二定位地图,其中,所述第二定位地图用于随后确定所述自动驾驶车辆的位置。
15.根据权利要求14所述的非暂时性机器可读介质,其中,分析所述收集的定位数据包括:基于所述多个位姿中的每个位姿的相似性分数,对所述多个候选位姿中的每个候选位姿进行排序以确定第一信心分数,使得如果所述多个候选位姿中的单个候选位姿具有最高的排名,则所述第一信心分数最高。
16.根据权利要求14所述的非暂时性机器可读介质,其中,分析所述收集的定位数据包括:将所述收集的实时位姿与所述自动驾驶车辆的先前实时位姿进行比较,以确定第二信心分数,使得如果所述收集的实时位姿与所述自动驾驶车辆的先前实时位姿一致,则所述第二信心分数最高。
17.根据权利要求14所述的非暂时性机器可读介质,其中,分析所述收集的定位数据包括:确定与所述收集的实时位姿周围的自动驾驶车辆特征空间对应的所述第一定位地图的子集的完整性,以确定第三信心分数,使得如果所述第一定位地图的所述子集是完整的,则所述第三信心分数最高。
18.数据处理系统,包括:
处理器;以及
存储器,联接到所述处理器以储存指令,当由所述处理器执行时,所述指令使得所述处理器执行操作,所述操作包括:
收集所述自动驾驶车辆的定位数据和实时位姿;
根据第一定位地图分析所收集的定位数据,以确定基于所述实时位姿选择的多个候选位姿中的每个候选位姿的信心分数;
基于所述分析选择具有最高信心分数的所述候选位姿中的一个;以及
基于所选择的候选位姿,将所述收集的定位数据的子集应用到所述第一定位地图上以生成第二定位地图,其中,所述第二定位地图用于随后确定所述自动驾驶车辆的位置。
19.根据权利要求18所述的系统,其中,分析所述收集的定位数据包括:基于所述多个位姿中的每个位姿的相似性分数,对所述多个候选位姿中的每个候选位姿进行排序以确定第一信心分数,使得如果所述多个候选位姿中的单个候选位姿具有最高的排名,则所述第一信心分数最高。
20.根据权利要求18所述的系统,其中,分析所述收集的定位数据包括:将所述收集的实时位姿与所述自动驾驶车辆的先前实时位姿进行比较,以确定第二信心分数,使得如果所述收集的实时位姿与所述自动驾驶车辆的先前实时位姿一致,则所述第二信心分数最高。
21.根据权利要求18所述的系统,其中,分析所述收集的定位数据包括:确定与所述收集的实时位姿周围的自动驾驶车辆特征空间对应的所述第一定位地图的子集的完整性,以确定第三信心分数,使得如果所述第一定位地图的所述子集是完整的,则所述第三信心分数最高。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/423,412 | 2017-02-02 | ||
US15/423,412 US10436595B2 (en) | 2017-02-02 | 2017-02-02 | Method and system for updating localization maps of autonomous driving vehicles |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108387241A true CN108387241A (zh) | 2018-08-10 |
CN108387241B CN108387241B (zh) | 2022-04-05 |
Family
ID=62977660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810094566.3A Active CN108387241B (zh) | 2017-02-02 | 2018-01-31 | 更新自动驾驶车辆的定位地图的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10436595B2 (zh) |
CN (1) | CN108387241B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783593A (zh) * | 2018-12-27 | 2019-05-21 | 驭势科技(北京)有限公司 | 一种可用于自动驾驶的地图更新系统与方法 |
CN109827584A (zh) * | 2019-01-15 | 2019-05-31 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备与存储介质 |
CN110262538A (zh) * | 2019-07-01 | 2019-09-20 | 百度在线网络技术(北京)有限公司 | 地图数据采集方法、装置、设备及存储介质 |
CN110874229A (zh) * | 2018-08-30 | 2020-03-10 | 百度在线网络技术(北京)有限公司 | 自动驾驶汽车的地图升级方法、装置 |
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 |
WO2020140164A1 (en) * | 2019-01-03 | 2020-07-09 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating a high-definition map |
CN111427985A (zh) * | 2020-03-25 | 2020-07-17 | 北京小马智行科技有限公司 | 地图更新的方法及装置、存储介质、处理器 |
WO2020154965A1 (en) * | 2019-01-30 | 2020-08-06 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A real-time map generation system for autonomous vehicles |
CN111508252A (zh) * | 2019-01-30 | 2020-08-07 | 斯特拉德视觉公司 | 利用v2x信息集成技术更新高清地图的方法和装置 |
KR20200096725A (ko) * | 2019-01-30 | 2020-08-13 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 rgb 포인트 클라우드 기반의 맵 생성 시스템 |
CN111806421A (zh) * | 2019-04-01 | 2020-10-23 | 通用汽车环球科技运作有限责任公司 | 车辆姿态确定系统和方法 |
CN111971574A (zh) * | 2019-01-30 | 2020-11-20 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 |
CN112014856A (zh) * | 2019-05-30 | 2020-12-01 | 初速度(苏州)科技有限公司 | 一种适于交叉路段的道路边沿提取方法及装置 |
CN112074871A (zh) * | 2018-11-26 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 高清地图管理系统和方法 |
CN112116654A (zh) * | 2019-06-20 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆位姿确定方法、装置及电子设备 |
US20220276659A1 (en) * | 2019-09-26 | 2022-09-01 | Yamaha Hatsudoki Kabushiki Kaisha | Environment map creation device and method, local position estimation device, and autonomous moving body |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8798840B2 (en) * | 2011-09-30 | 2014-08-05 | Irobot Corporation | Adaptive mapping with spatial summaries of sensor data |
CN110832348B (zh) | 2016-12-30 | 2023-08-15 | 辉达公司 | 用于自主车辆的高清晰度地图的点云数据丰富 |
US10380890B2 (en) * | 2017-02-08 | 2019-08-13 | Baidu Usa Llc | Autonomous vehicle localization based on walsh kernel projection technique |
KR102265376B1 (ko) * | 2017-03-07 | 2021-06-16 | 현대자동차주식회사 | 차량 및 그 제어방법과 이를 이용한 자율 주행 시스템 |
JPWO2018180285A1 (ja) * | 2017-03-31 | 2020-01-16 | パイオニア株式会社 | 3次元データ生成装置、3次元データ生成方法、3次元データ生成プログラム及び3次元データ生成プログラムを記録したコンピュータ読み取り可能な記録媒体 |
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 |
CN109212530B (zh) * | 2017-07-04 | 2022-03-11 | 阿波罗智能技术(北京)有限公司 | 用于确定障碍物速度的方法和装置 |
DE102017217065A1 (de) * | 2017-09-26 | 2019-03-28 | Robert Bosch Gmbh | Verfahren und System zum Kartieren und Lokalisieren eines Fahrzeugs basierend auf Radarmessungen |
DE102017122440A1 (de) * | 2017-09-27 | 2019-03-28 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Lokalisieren und Weiterbilden einer digitalen Karte durch ein Kraftfahrzeug; Lokalisierungseinrichtung |
JP6904208B2 (ja) * | 2017-10-10 | 2021-07-14 | トヨタ自動車株式会社 | 軸ずれ判定装置 |
US10501085B2 (en) * | 2017-12-07 | 2019-12-10 | Waymo Llc | Early object detection for unprotected turns |
US10824162B2 (en) * | 2018-01-03 | 2020-11-03 | Uatc, Llc | Low quality pose lane associator |
US10852146B2 (en) * | 2018-02-28 | 2020-12-01 | Ford Global Technologies, Llc | Localization technique selection |
DE102018205322A1 (de) * | 2018-04-10 | 2019-10-10 | Audi Ag | Verfahren und Steuervorrichtung zum Erkennen einer Fehlfunktion zumindest eines Umfeldsensors eines Kraftfahrzeugs |
US11035933B2 (en) * | 2018-05-04 | 2021-06-15 | Honda Motor Co., Ltd. | Transition map between lidar and high-definition map |
US11592833B2 (en) * | 2018-05-04 | 2023-02-28 | Direct Current Capital LLC | Method for updating a localization map for a fleet of autonomous vehicles |
CN109064506B (zh) * | 2018-07-04 | 2020-03-13 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置及存储介质 |
EP3617749B1 (en) * | 2018-09-03 | 2020-11-11 | Zenuity AB | Method and arrangement for sourcing of location information, generating and updating maps representing the location |
US11340355B2 (en) * | 2018-09-07 | 2022-05-24 | Nvidia Corporation | Validation of global navigation satellite system location data with other sensor data |
US11067994B2 (en) * | 2018-12-06 | 2021-07-20 | Deere & Company | Machine control through active ground terrain mapping |
DE102018222643A1 (de) * | 2018-12-20 | 2020-06-25 | Robert Bosch Gmbh | 5Verfahren zum Ermitteln eines UERE, Verfahren zur Bestimmung eines UERE, computerimplementierte Datenstruktur, Verwendung, Vorrichtung und computerimplementiertes Programm |
US20200307580A1 (en) * | 2019-03-26 | 2020-10-01 | Toyota Jidosha Kabushiki Kaisha | Proactive message transmitter identification system |
EP3739361A1 (en) * | 2019-05-13 | 2020-11-18 | Aptiv Technologies Limited | Method and system for fusing occupancy maps |
TWI735889B (zh) * | 2019-06-11 | 2021-08-11 | 萬潤科技股份有限公司 | 自走式裝置移動方法及執行該移動方法的自走式裝置 |
US11340082B2 (en) * | 2019-07-02 | 2022-05-24 | Nvidia Corporation | Determining localization confidence of vehicles based on convergence ranges |
US20220178716A1 (en) * | 2019-08-23 | 2022-06-09 | Lg Electronics Inc. | Electronic device for vehicles and operation method thereof |
US11010927B2 (en) * | 2019-10-16 | 2021-05-18 | Automotive Research & Testing Center | Method and system for generating dynamic map information capable of providing environment information |
DE102019216732A1 (de) * | 2019-10-30 | 2021-05-06 | Zf Friedrichshafen Ag | Verfahren sowie System zum Plausibilisieren von Kartendaten |
DE102019217264A1 (de) * | 2019-11-08 | 2021-05-12 | Continental Automotive Gmbh | Verfahren zum Erkennen von Änderungen in Referenzdaten für geografische Daten |
DE102019217263A1 (de) * | 2019-11-08 | 2021-05-12 | Continental Automotive Gmbh | Verfahren zum Bestimmen einer Qualität von geografischen Daten |
US11719541B2 (en) * | 2019-11-13 | 2023-08-08 | Aclima Inc. | Hyper-local mapping of environmental conditions |
DE102019219354A1 (de) * | 2019-12-11 | 2021-06-17 | Robert Bosch Gmbh | Optimierte Unterteilung von digitalen Karten in Kartenabschnitte |
US20210199784A1 (en) * | 2019-12-26 | 2021-07-01 | Javad Gnss, Inc. | Calibrating a total station |
US11725944B2 (en) * | 2020-03-02 | 2023-08-15 | Apollo Intelligent Driving Technology (Beijing) Co, Ltd. | Method, apparatus, computing device and computer-readable storage medium for positioning |
US11676392B2 (en) * | 2020-06-03 | 2023-06-13 | Waymo Llc | Localization using surfel data |
US20220026226A1 (en) * | 2020-07-21 | 2022-01-27 | Ag Leader Technology | Visual Boundary Segmentations And Obstacle Mapping For Agricultural Vehicles |
US20220067768A1 (en) * | 2020-08-28 | 2022-03-03 | Telenav, Inc. | Navigation system with high definition mapping mechanism and method of operation thereof |
US20220067458A1 (en) * | 2020-09-01 | 2022-03-03 | International Business Machines Corporation | Smart metadata mapping for sensor data |
CN113295176A (zh) * | 2021-05-27 | 2021-08-24 | 上海商汤临港智能科技有限公司 | 地图更新方法、地图更新装置及计算机可读存储介质 |
US20230286529A1 (en) * | 2022-03-10 | 2023-09-14 | Argo AI, LLC | Systems and methods for dynamic data mining during data collection missions |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356448A (zh) * | 2005-11-07 | 2009-01-28 | 阿尔卡特朗讯公司 | 处理卫星导航系统导航数据以提供完整性区域地图的设备 |
KR101468545B1 (ko) * | 2013-07-10 | 2014-12-03 | 연세대학교 산학협력단 | 이동 로봇의 전역위치인식 및 지도 업데이트 장치 및 방법 |
CN104596533A (zh) * | 2015-01-07 | 2015-05-06 | 上海交通大学 | 基于地图匹配的自动导引车及其导引方法 |
US20150268058A1 (en) * | 2014-03-18 | 2015-09-24 | Sri International | Real-time system for multi-modal 3d geospatial mapping, object recognition, scene annotation and analytics |
CN105928505A (zh) * | 2016-04-19 | 2016-09-07 | 深圳市神州云海智能科技有限公司 | 移动机器人的位姿确定方法和设备 |
CN106023210A (zh) * | 2016-05-24 | 2016-10-12 | 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 |
CN106052697A (zh) * | 2016-05-24 | 2016-10-26 | 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 |
CN106323273A (zh) * | 2016-08-26 | 2017-01-11 | 深圳微服机器人科技有限公司 | 一种机器人重定位方法及装置 |
CN108089572A (zh) * | 2016-11-23 | 2018-05-29 | 百度(美国)有限责任公司 | 用于稳健且有效的车辆定位的算法和基础设施 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014130854A1 (en) * | 2013-02-21 | 2014-08-28 | Regents Of The Univesity Of Minnesota | Extrinsic parameter calibration of a vision-aided inertial navigation system |
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 |
US9747505B2 (en) * | 2014-07-07 | 2017-08-29 | Here Global B.V. | Lane level traffic |
US9658070B2 (en) * | 2014-07-11 | 2017-05-23 | Regents Of The University Of Minnesota | Inverse sliding-window filters for vision-aided inertial navigation systems |
WO2016130719A2 (en) * | 2015-02-10 | 2016-08-18 | Amnon Shashua | Sparse map for autonomous vehicle navigation |
US11370422B2 (en) * | 2015-02-12 | 2022-06-28 | Honda Research Institute Europe Gmbh | Method and system in a vehicle for improving prediction results of an advantageous driver assistant system |
EP3106836B1 (en) * | 2015-06-16 | 2018-06-06 | Volvo Car Corporation | A unit and method for adjusting a road boundary |
US11125566B2 (en) * | 2015-07-16 | 2021-09-21 | Ford Global Technologies, Llc | Method and apparatus for determining a vehicle ego-position |
US9630619B1 (en) * | 2015-11-04 | 2017-04-25 | Zoox, Inc. | Robotic vehicle active safety systems and methods |
US9916703B2 (en) * | 2015-11-04 | 2018-03-13 | Zoox, Inc. | Calibration for autonomous vehicle operation |
CN116659526A (zh) * | 2016-03-15 | 2023-08-29 | 康多尔收购第二分公司 | 用于提供车辆认知的系统和方法 |
US10223380B2 (en) * | 2016-03-23 | 2019-03-05 | Here Global B.V. | Map updates from a connected vehicle fleet |
US9829884B1 (en) * | 2016-05-10 | 2017-11-28 | Dura Operating, Llc | Scalable driver assistance system |
US10203209B2 (en) * | 2016-05-25 | 2019-02-12 | Regents Of The University Of Minnesota | Resource-aware large-scale cooperative 3D mapping using multiple mobile devices |
US11086334B2 (en) * | 2016-07-21 | 2021-08-10 | Mobileye Vision Technologies Ltd. | Crowdsourcing a sparse map for autonomous vehicle navigation |
-
2017
- 2017-02-02 US US15/423,412 patent/US10436595B2/en active Active
-
2018
- 2018-01-31 CN CN201810094566.3A patent/CN108387241B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356448A (zh) * | 2005-11-07 | 2009-01-28 | 阿尔卡特朗讯公司 | 处理卫星导航系统导航数据以提供完整性区域地图的设备 |
KR101468545B1 (ko) * | 2013-07-10 | 2014-12-03 | 연세대학교 산학협력단 | 이동 로봇의 전역위치인식 및 지도 업데이트 장치 및 방법 |
US20150268058A1 (en) * | 2014-03-18 | 2015-09-24 | Sri International | Real-time system for multi-modal 3d geospatial mapping, object recognition, scene annotation and analytics |
CN104596533A (zh) * | 2015-01-07 | 2015-05-06 | 上海交通大学 | 基于地图匹配的自动导引车及其导引方法 |
CN105928505A (zh) * | 2016-04-19 | 2016-09-07 | 深圳市神州云海智能科技有限公司 | 移动机器人的位姿确定方法和设备 |
CN106023210A (zh) * | 2016-05-24 | 2016-10-12 | 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 |
CN106052697A (zh) * | 2016-05-24 | 2016-10-26 | 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 |
CN106323273A (zh) * | 2016-08-26 | 2017-01-11 | 深圳微服机器人科技有限公司 | 一种机器人重定位方法及装置 |
CN108089572A (zh) * | 2016-11-23 | 2018-05-29 | 百度(美国)有限责任公司 | 用于稳健且有效的车辆定位的算法和基础设施 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874229A (zh) * | 2018-08-30 | 2020-03-10 | 百度在线网络技术(北京)有限公司 | 自动驾驶汽车的地图升级方法、装置 |
CN112074871A (zh) * | 2018-11-26 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 高清地图管理系统和方法 |
CN109783593A (zh) * | 2018-12-27 | 2019-05-21 | 驭势科技(北京)有限公司 | 一种可用于自动驾驶的地图更新系统与方法 |
WO2020133088A1 (zh) * | 2018-12-27 | 2020-07-02 | 驭势科技(北京)有限公司 | 一种可用于自动驾驶的地图更新系统与方法 |
CN112005079A (zh) * | 2019-01-03 | 2020-11-27 | 北京嘀嘀无限科技发展有限公司 | 用于更新高清地图的系统和方法 |
CN112005079B (zh) * | 2019-01-03 | 2022-08-09 | 北京嘀嘀无限科技发展有限公司 | 用于更新高清地图的系统和方法 |
WO2020140164A1 (en) * | 2019-01-03 | 2020-07-09 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating a high-definition map |
US10996072B2 (en) | 2019-01-03 | 2021-05-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for updating a high-definition map |
CN109827584A (zh) * | 2019-01-15 | 2019-05-31 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备与存储介质 |
CN109827584B (zh) * | 2019-01-15 | 2021-07-09 | 北京百度网讯科技有限公司 | 路径规划方法、装置、电子设备与存储介质 |
KR102379295B1 (ko) | 2019-01-30 | 2022-03-25 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 rgb 포인트 클라우드 기반의 맵 생성 시스템 |
CN112105893B (zh) * | 2019-01-30 | 2023-08-22 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆的实时地图生成系统 |
KR20200096724A (ko) * | 2019-01-30 | 2020-08-13 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 실시간 지도 생성 시스템 |
CN111971574A (zh) * | 2019-01-30 | 2020-11-20 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 |
KR20200096725A (ko) * | 2019-01-30 | 2020-08-13 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 rgb 포인트 클라우드 기반의 맵 생성 시스템 |
CN111971574B (zh) * | 2019-01-30 | 2022-07-22 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 |
CN111508252A (zh) * | 2019-01-30 | 2020-08-07 | 斯特拉德视觉公司 | 利用v2x信息集成技术更新高清地图的方法和装置 |
CN112105893A (zh) * | 2019-01-30 | 2020-12-18 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆的实时地图生成系统 |
KR102319065B1 (ko) * | 2019-01-30 | 2021-10-29 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 실시간 지도 생성 시스템 |
WO2020154965A1 (en) * | 2019-01-30 | 2020-08-06 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A real-time map generation system for autonomous vehicles |
CN111806421A (zh) * | 2019-04-01 | 2020-10-23 | 通用汽车环球科技运作有限责任公司 | 车辆姿态确定系统和方法 |
CN111765881B (zh) * | 2019-04-02 | 2022-01-11 | 广达电脑股份有限公司 | 移动装置的定位系统 |
US11557021B2 (en) | 2019-04-02 | 2023-01-17 | Quanta Computer Inc. | Positioning system of mobile device |
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 |
CN111765881A (zh) * | 2019-04-02 | 2020-10-13 | 广达电脑股份有限公司 | 移动装置的定位系统 |
CN112014856A (zh) * | 2019-05-30 | 2020-12-01 | 初速度(苏州)科技有限公司 | 一种适于交叉路段的道路边沿提取方法及装置 |
CN112014856B (zh) * | 2019-05-30 | 2023-05-12 | 魔门塔(苏州)科技有限公司 | 一种适于交叉路段的道路边沿提取方法及装置 |
CN112116654A (zh) * | 2019-06-20 | 2020-12-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆位姿确定方法、装置及电子设备 |
CN110262538A (zh) * | 2019-07-01 | 2019-09-20 | 百度在线网络技术(北京)有限公司 | 地图数据采集方法、装置、设备及存储介质 |
CN110262538B (zh) * | 2019-07-01 | 2023-03-14 | 百度在线网络技术(北京)有限公司 | 地图数据采集方法、装置、设备及存储介质 |
US20220276659A1 (en) * | 2019-09-26 | 2022-09-01 | Yamaha Hatsudoki Kabushiki Kaisha | Environment map creation device and method, local position estimation device, and autonomous moving body |
CN111427985B (zh) * | 2020-03-25 | 2023-04-11 | 北京小马慧行科技有限公司 | 地图更新的方法及装置、存储介质、处理器 |
CN111427985A (zh) * | 2020-03-25 | 2020-07-17 | 北京小马智行科技有限公司 | 地图更新的方法及装置、存储介质、处理器 |
Also Published As
Publication number | Publication date |
---|---|
US20180216942A1 (en) | 2018-08-02 |
CN108387241B (zh) | 2022-04-05 |
US10436595B2 (en) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108387241A (zh) | 更新自动驾驶车辆的定位地图的方法和系统 | |
CN110345955A (zh) | 用于自动驾驶的感知与规划协作框架 | |
EP3361278B1 (en) | Autonomous vehicle localization based on walsh kernel projection technique | |
JP6644742B2 (ja) | 頑健で効率的な車両測位用のアルゴリズム及びインフラ | |
CN108732589A (zh) | 利用3d lidar和定位自动采集用于对象识别的训练数据 | |
CN110388931A (zh) | 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法 | |
CN108981730A (zh) | 用于为操作自动驾驶车辆生成参考路径的方法和系统 | |
CN110377024A (zh) | 用于自动驾驶车辆的自动数据标注 | |
CN109489673A (zh) | 用于自动驾驶车辆的数据驱动地图更新系统 | |
CN110239562A (zh) | 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适 | |
CN109429518A (zh) | 基于地图图像的自动驾驶交通预测 | |
CN109935077A (zh) | 用于为自动驾驶车辆构建车辆与云端实时交通地图的系统 | |
CN109491375A (zh) | 用于自动驾驶车辆的基于驾驶场景的路径规划 | |
CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
CN109937343A (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
CN109947090A (zh) | 用于自动驾驶车辆规划的非阻塞边界 | |
CN110377025A (zh) | 用于自动驾驶车辆的传感器聚合框架 | |
CN110119140A (zh) | 用于加速曲线投影的系统和方法 | |
CN110378483A (zh) | 部署在模拟平台上的用于训练机器学习模型的系统和方法 | |
CN109491376A (zh) | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 | |
CN109489675A (zh) | 用于自动驾驶车辆的基于成本的路径规划 | |
CN108139884A (zh) | 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 | |
CN108604095A (zh) | 动态调整自动驾驶车辆的转向率的方法 | |
CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
CN110325935A (zh) | 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线 |
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 |