CN108399218A - 基于Walsh内核投影技术的自动驾驶车辆定位 - Google Patents

基于Walsh内核投影技术的自动驾驶车辆定位 Download PDF

Info

Publication number
CN108399218A
CN108399218A CN201810128046.XA CN201810128046A CN108399218A CN 108399218 A CN108399218 A CN 108399218A CN 201810128046 A CN201810128046 A CN 201810128046A CN 108399218 A CN108399218 A CN 108399218A
Authority
CN
China
Prior art keywords
candidate unit
unit lattice
similarity scores
subset
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
Application number
CN201810128046.XA
Other languages
English (en)
Other versions
CN108399218B (zh
Inventor
王全
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 CN108399218A publication Critical patent/CN108399218A/zh
Application granted granted Critical
Publication of CN108399218B publication Critical patent/CN108399218B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
    • G08G1/13—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station the indicator being in the form of a map
    • 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
    • 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
    • G01S17/88—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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

确定自动驾驶车辆(ADV)相对于高清晰度地图的位置。ADV的车载传感器获得ADV周围的物体的3D点云。3D点云被组织成单元格的ADV特征空间。每个单元格具有中值强度值和高程方差。确定围绕ADV的一组候选单元格。对于每个候选项，使用内核投影在一个或多个维度上将围绕候选单元格的ADV特征空间的一组单元格投影在地图特征空间上。内核可以为沃尔什‑哈达玛向量。拒绝具有不足的相似性的候选。当剩余阈值数量的未拒绝候选项时，可以使用相似性度量来确定候选相似性。最相似的候选单元格的坐标可以用于确定车辆相对于地图的位置。

Description

基于Walsh内核投影技术的自动驾驶车辆定位
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提高自动驾驶车辆定位的效率和精确性。
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。
自动驾驶的一个基本挑战是有效地、精确地且实时地确定自动驾驶车辆(ADV)相对于注释有多种关键信息的高清晰度(HD)地图的位置。在最坏的情况下，精度需要在10cm以内。高清晰度(HD)地图中的ADV位置由ADV系统部件(诸如感知，规划和控制)使用以做出精确且及时的ADV驾驶决策。为了确定ADV在HD地图内的位置，ADV中或ADV上包括有一个或多个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)、无线电检测和测距(RADAR)和光检测和测距(LIDAR)。现有的基于硬件的定位系统(诸如，全球定位卫星传感器(GPS)和惯性测量单元传感器(IMU))不能提供相对于HD地图的必要的精确度，特别是对于具有复信号阻塞情况的动态城市环境。
自动驾驶车辆的现有定位方法通常为三个主要类别：2D方法、3D方法以及2D-3D混合方法。在这三个方法中，使用激光扫描器(例如，LIDAR传感器)的基于3D的方法由于其高精度和高可靠性而普遍地流行。使用LIDAR传感器来确定HD地图中的ADV位置的现有技术方法在计算方面的成本很高，并且仅具有一般的精确度和一般的鲁棒性。
发明内容
本申请的一个方面提供了一种操作自动驾驶车辆(ADV)的计算机实施的方法。该方法包括：确定所述ADV周围的单元格的ADV特征空间中的多个候选单元格的第一子集；对于所述多个候选单元格的所述第一子集中的每个候选单元格：通过使用第一维度基向量将所述ADV特征空间的子集投影在地图特征空间上，确定围绕所述候选单元格的所述ADV特征空间的所述子集与所述地图特征空间之间的相似性分数，以及响应于确定出所述相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述相似性分数与所述候选单元格关联地存储；以及至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述ADV相对于所述地图特征空间的位置。
本申请的另一个方面提供了一种非暂时性机器可读介质，在所述非暂时性机器可读介质中存储有指令。当由处理器执行时，所述指令使得所述处理器执行以下操作：确定ADV周围的单元格的ADV特征空间中的多个候选单元格的第一子集；对于所述多个候选单元格的所述第一子集中的每个候选单元格：通过使用第一维度基向量将所述ADV特征空间的子集投影在地图特征空间上，确定围绕所述候选单元格的所述ADV特征空间的所述子集与所述地图特征空间之间的相似性分数，以及响应于确定出所述相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述相似性分数与所述候选单元格关联地存储；以及至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述ADV相对于所述地图特征空间的位置。
本申请的又一个方面提供了一种数据处理系统，其包括：处理器；以及联接到所述处理器以储存指令的存储器，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：确定ADV周围的单元格的ADV特征空间中的多个候选单元格的第一子集；对于所述多个候选单元格的所述第一子集中的每个候选单元格：通过使用第一维度基向量将所述ADV特征空间的子集投影在地图特征空间上，确定围绕所述候选单元格的所述ADV特征空间的所述子集与所述地图特征空间之间的相似性分数，以及响应于确定出所述相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述相似性分数与所述候选单元格关联地存储；以及至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述ADV相对于所述地图特征空间的位置。
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概况的框图。
图2是示出根据本发明的一个实施方式的自动驾驶车辆(ADV)传感器和控制模块的示例的框图。
图3是示出根据本发明的一个实施方式的ADV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搜索空间围绕的ADV，候选单元格的搜索空间用于搜索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以及围绕ADV候选搜索空间的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5以框图形式示出了根据一些实施方式的搜索HD地图特征空间来确定ADV相对于HD地图的位置的方法的概述。
图6以框图形式示出了根据一些实施方式的使用投影技术来执行ADV周围的候选特征空间的搜索以确定ADV相对于HD地图的位置的方法。
图7以框图形式示出了根据一些实施方式的在最初使用投影技术之后确定ADV周围的候选特征空间中剩余的候选单元格的相似分数的方法。
图8以框图形式示出了根据一些实施方式的通过预处理HD地图特征空间来减少HD地图特征空间中的特征数量的方法。
图9是示出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。
在第一实施方式中，确定ADV相对于高清晰度(HD)地图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。可以访问包含对应于GPS位置的HD地图的数据库来获得HD图的带注释的特征空间。通常的GPS读数在约3米的分辨率内是精确的。HD地图可以包括例如10cm×10cm的单元格，单元格具有与每个单元格相关的高程和强度值，诸如从多个LIDAR读数获得的强度值。强度值表明反射LIDAR的物体的表面性质。对于具有直接地反射LIDAR激光的硬表面的物体，强度可以是高的。对于具有柔软或不规则表面的物体(诸如灌木或人)，强度可以是低的。HD地图可以包括用于每个单元格的注解，注解包括用于生成单元格的传感器强度读数的平均值和从多个传感器读数获得的用于生成单元格的高程信息的方差。每个单元格还可以包括可以用于确定ADV相对于HD地图的位置的位置信息。
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。传感器数据可以被分析并分解成诸如10cm×10cm或更小的单元格。如同HD地图一样，单元格的集合可以用于生成ADV周围的特征空间。特征空间可以包括相对于ADV的单元格的(x，y)坐标、传感器读数的平均强度以及传感器数据中高程读数的方差。可以从ADV特征空间中选择围绕ADV的例如32×32个候选单元格的候选搜索空间，所述候选搜索空间代表约3米×3米的物理空间。可以选择步长来逐步通过候选单元格。例如，对于候选单元格周围的特征空间与HD地图特征空间的相似性，步长为2将意味着候选单元格中的每隔一个单元格被用于确定候选单元格周围的特征空间的相似性。候选单元格周围的候选特征空间可以为约1024×1024个单元格(每边约100米的正方形)。HD地图还可以具有约1024×1024个单元格的HD地图特征空间。可以为每个遍历的候选单元格确定相似性度量。相似性度量量化候选单元格周围的特征空间与HD地图的特征空间的相似程度。相似性度量可以至少部分地基于候选单元格的强度属性的平均值和单元格的高程属性的方差。在实施方式中，可以计算第一候选单元格相似性度量。可以确定具有最高相似性度量的候选单元格。
在另一实施方式中，ADV可以收集3D点云信息以用于生成HD地图的更新。可以使用例如全球定位卫星位置数据来确定ADV的大概位置。可以获得与ADV的大概位置对应的HD地图的一部分。在实施方式中，HD地图部分的大小至少为1024×1024个单元格(每个边缘上约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点云可以被分析并分解成诸如10cm×10cm或更小的单元格。单元格的集合可以用于生成ADV周围的特征空间。特征空间可以包括单元格相对于ADV的(x，y)坐标、传感器读数的平均强度以及传感器数据中高程读数的方差。可以从ADV特征空间中选择围绕ADV的例如32×32个候选单元格的候选搜索空间，所述候选搜索空间表示约3米×3米的物理空间。可以选择步长来逐步通过候选单元格。例如，步长为2将意味着候选单元格中的每隔一个单元格被用于检查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。候选单元格周围的候选特征空间可以为约1024×1024个单元格(每个边缘上约100米的正方形)。HD地图还可以具有约1024×1024个单元格的HD地图特征空间。可以为每个候选单元格确定相似性度量。相似性度量可以至少部分地基于候选单元格的强度属性的平均值和单元格的高程属性的方差。可以确定具有最高相似性度量的候选单元格。
在ADV特征空间与HD地图对准之后，可以将ADV特征空间上传到服务器来进一步分析以更新HD地图。在实施方式中，服务器分析上传的ADV特征空间与HD地图特征空间之间的差异。差异可以包括新建筑、树木、人、不同的临时物体等。在实施方式中，单元格的高程信息是单元格内容的可靠指标。例如，一个或多个高层建筑物在HD地图中可能是相对恒定的，并且可以比例如具有运动(因此强度改变)的人和相比更低高度的建筑物更恒定。
在另一实施方式中，用于存储大量、快速变化的数据集(诸如ADV周围的ADV特征空间)的改进的数据结构可以包括预先分配的或静态的由可更新索引来索引的特征空间单元格的数组。在实施方式中，特征空间单元格的数组可以确定自上次特征空间计算以来距离改变(偏移)的单元格的数量。x坐标索引数组和y坐标索引数组可以用于旋转或重新对准特征空间单元格的网格的索引，从而可以添加新数据，进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未改变的数据在第二时间t1处保持在相同的网格空间存储器中。这节省了大量的存储器“移动”操作，并且还节省了当ADV物理上移动并更新ADV特征空间数据时分配和释放存储器空间的开销。
图1是示出根据本发明的一个实施方式的网络系统的概况的框图。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101，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。在下文中，参考图9描述示例服务器系统。一个或多个服务器103可以包括具有机器学习引擎103A和地图更新模块103B以及地图网格模块103C的分析系统。
自动驾驶车辆101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控制输入的情况下导航通过环境。这种自动驾驶车辆101可以包括传感器系统115，所述传感器系统115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。
服务器103可以包括具有机器学习引擎103A、地图更新模块103B和地图网格模块103C的数据分析系统。每个这样的模块可以以软件、硬件或其组合实施。在实施方式中，模块103A、103B和103C包括至少一个硬件处理器。
地图更新模块103B可以从多个ADV接收ADV特征空间数据以及与ADV特征空间有关的大概地理位置。机器学习引擎103A可以处理特定地理位置的大量ADV特征空间，并使用机器学习来生成所述地理位置处的特征空间的高清晰度(HD)地图。在实施方式中，收集ADV特征空间信息的ADV可以包含高分辨率GPS以用于精确地确定与ADV特征空间有关的地理位置。地图更新模块103B可以确定与HD地图特征空间一起使用的投影内核集，诸如格雷码内核(Gray CodeKernels)。在实施方式中，格雷码内核是投影内核的沃尔什-哈达玛(Walsh-Hadamard)序列。单个ADV特征空间或生成的HD地图特征空间可以被用作测试图像，以使用内核预处理HD地图特征空间。投影内核可以包括按顺序应用的有序集，来为每个投影内核维度生成格雷码地图，并将生成的格雷码地图与投影内核维度和特征空间相关起来进行存储。在实施方式中，可以生成并存储多达500个投影内核维度以与HD地图特征空间一起使用。在实施方式中，利用内核投影向量来预处理HD地图特征空间可以包括确定每个连续的投影内核的相似性采集量之间的关系，并确定用于ADV的投影内核的维度数量，以在确定以候选单元格为中心的ADV特征空间与HD地图特征空间之间的相似性分数中使用。在实施方式中，所确定的投影内核的维度数量可以为五(5)。用于格雷码内核的每个维度的HD特征空间地图以及相关的内核投影可以存储为地图网格103C。
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。
图2是示出根据本发明的一个实施方式的自动驾驶车辆(ADV)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101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。在实施方式中，可以关闭感知与规划模块110的规划部分。在实施方式中，可以关闭控制系统111。然后，自动驾驶车辆101可以在规划和控制模块被关闭时由人类驾驶员驾驶。本文描述的实施方式利用开启的规划模块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接口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。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。
在自动驾驶车辆101中，可能不存在实际的窗口或物理窗口。当然，“窗口”(在本文中称为虚拟窗口)可由显示装置(即，模制成车窗形状的平坦的或弯曲的屏幕显示装置)表示或代替，显示装置可选地具有触摸屏。显示装置将显示由合适的一个或多个摄像机实时动态地采集的图像或图像流(例如，视频)，就好像用户正在通过透视的窗口观看或观察实际的物理内容一样。对于每个“窗口”(例如，显示装置)，可以具有对应的显示通道来流出待实时显示的、可以由增强现实系统(例如，数据处理系统110)集中处理的对应内容。在该情况下，增强图像经由信息娱乐系统114以虚拟现实方式(也称为增强现实方式)显示。
在本文描述的实施方式中，当自动驾驶车辆101在规划和控制模块打开的情况下以自动模式行驶时，可以记录来自传感器系统115中每个传感器的输出。控制系统111的部件的输入可以由规划模块110提供。
图3是示出根据本发明的一个实施方式的包括ADV感知与规划系统110、传感器系统115和控制系统111的系统300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。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的目的是高精度地确定ADV的位置。可以使用例如GPS来大概确定ADV位置。GPS坐标可以用于获得以GPS位置为中心并且具有约100米×100米的单元格的HD地图特征空间的高清晰度(HD)地图。感知模块302的ADV车载传感器还可以生成ADV周围的约100米×100米的单元格的ADV特征空间。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。可以使用此偏移量、结合HD地图特征空间来确定ADV的实际高精度位置。
定位模块301可以包括位置模块301A、投影搜索模块301B和相似性搜索模块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点云并生成数据的单元格的ADV特征空间，每个单元格代表约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特征空间可以包含ADV周围的约1024×1024个单元格。位置模块301A还可以通过例如GPS读数或与单元塔协调来获得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实际坐标空间中(诸如，高分辨率GPS或其他坐标系)单元格的实际位置的(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的近似精确度约为3米分辨率。投影搜索模块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。
投影搜索模块301B可以确定ADV周围的例如32×32个单元格的候选空间。对于候选空间中的每个候选单元格，投影搜索模块301B可以将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。投影搜索模块301B可以使用内核投影方法来确定每个候选单元格周围的ADV特征空间与HD地图特征空间之间的相似性分数或距离测度。在实施方式中，投影搜索模块301B可以确定候选空间的第一子集中每个候选单元格周围的ADV特征空间的匹配。投影搜索模块301B可以确定投影内核集，以用于对第一子集中的候选单元格周围的每个ADV特征空间与HD特征空间进行匹配。在实施方式中，投影内核集可以包括格雷码内核。在实施方式中，投影内核集可以是有序集，使得最低阶(第一)维度投影向量采集候选单元格周围的ADV特征空间与HD地图特征空间的相似性的最大部分。后续维度投影内核可以采集越来越多的特征空间能量。因此，仅使用少量内核投影就可以确定大量的匹配信息。投影搜索模块301B可以将第一子集中每个候选单元格周围的ADV特征空间投影到HD地图特征空间的第一投影内核上。在实施方式中，如果相似性分数不满足阈值量，则由于候选单元格具有与HD地图特征空间不够类似的周围的ADV特征空间而被拒绝花费开销来执行下一内核投影。投影搜索模块301B可以使用连续的内核投影维度迭代地将每个候选单元格周围的ADV特征空间投影到HD地图特征空间上，以获得更新的相似性分数。在实施方式中，如果候选单元格具有更新的相似性分数，该更新的相似性分数不表示与HD特征空间的足够的匹配程度，那么可以将该候选单元格标记为拒绝。在实施方式中，投影搜索模块301B可以在用投影内核的第二后续维度迭代每个候选项之前迭代第一维度中的每个候选项。在此实施方式中，投影搜索模块301B可以确定内核投影维度的每个迭代处的最高相似性候选项，并确定单个候选是否是未拒绝的候选单元格的多于一个迭代的最佳匹配候选。如果是最佳匹配候选，则此候选单元格可以被视为作为应该与HD地图特征空间对准的ADV特征空间的中心的最佳匹配候选。在实施方式中，投影搜索模块301B可以使用投影内核的增加维度继续迭代候选单元格，直到单个候选一直作为最佳候选、或者除一个候选之外的所有的候选均被拒绝、或者所有的未拒绝候选单元格已经在投影内核的所有维度上迭代、或者剩余阈值数量的未拒绝候选。候选空间中的剩余单元格可以形成候选空间的第二子集，并且可以由相似性搜索模块301C使用相似性度量来搜索候选空间中的剩余单元格。
相似性搜索模块301C可以在候选单元格的第二子集中搜索候选项。第二子集中的候选单元格还未由投影搜索模块301B搜索。对于由相似性搜索模块301C搜索的每个候选项，选择用于搜索的候选项，并且可以将候选单元格周围的ADV特征单元格(例如1024×1024个单元格)的候选空间与例如1024×1024个单元格的HD地图特征空间进行匹配。在实施方式中，候选单元格周围的ADV特征单元格的候选空间可以是1024×1024个单元格。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候选单元格周围的ADV空间的匹配。相似性度量公式如下：
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，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32×32个候选空间单元格的第二子集中的每个候选单元格的相似性分数。确定候选单元格中的最高相似性分数。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特征空间的高分辨率位置。
投影搜索模块301B和相似性搜索模块301C可以使用上文的相似性度量的全部或部分来确定候选单元格周围的ADV特征空间与HD地图特征空间的相似性分数。在实施方式中，对于投影内核集中的每个内核投影，投影搜索模块301B可以将候选单元格的ADV特征空间投影在HD地图特征空间上，并使用相似性度量作为ADV特征空间与HD地图特征空间的相似性的测度。相似性分数表示均小于或等于1.0相似性的值的迭代乘积。由于每个小于1.0的数字的集合的乘积只可以变小，并且候选单元格周围的ADV特征空间与HD地图特征空间之间的大部分相似性在内核投影的前几个(例如，五个)维度中被采集，所以可以容易地确定候选单元格是否应该被拒绝，因为相似性度量太低，使得候选的ADV特征空间将永远不会足够地类似于HD地图特征空间来被视为HD地图特征空间的最佳相似性匹配。
在另一实施方式中，相似性度量可以表示为总和总是增加的项的对数总和。在此实施方式中，当相似性分数对数总和为最低值时，候选单元格的ADV特征空间与HD地图特征空间最相似。在此实施方式中，相似性度量可以降低一个或多个exp，α，将括号内的1/2因数降为α次方，并且可以对值进行平方来去掉正负号。在此实施方式中，当相似性度量中的项的总和高于阈值时，可以确定候选单元格应该被拒绝，因为相似性度量将永远不会足够低来表示候选单元格周围的ADV特征空间与HD地图特征空间的最佳匹配。
相似性搜索模块301C可以使用上文的相似性度量(按照写出的以其整体)来确定候选单元格周围的ADV特征空间与HD地图特征空间之间的相似性分数。在实施方式中，投影搜索模块301B处理候选单元格的第一子集，并拒绝具有表示候选单元格周围的ADV特征空间与HD地图特征空间未良好匹配的相似性分数的候选单元格。当只剩下阈值数量的未拒绝候选单元格时，然后可以使用相似性搜索模块301C来搜索候选单元格的第二子集(包括剩余的未拒绝候选单元格)，直到找到最佳匹配候选单元格，该最佳匹配候选单元格是与HD地图特征空间最佳匹配的ADV特征空间的中心。此最佳相似性候选单元格可以用于计算HD特征空间中的偏移量，从而确定HD地图特征空间内的ADV位置。
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(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。
地图更新模块306可以用于在ADV的大概位置处收集ADV特征空间数据并获得HD地图特征空间，使用如上所述的用于定位模块301的技术将ADV特征空间与HD地图特征空间对齐，并相对于相应的HD地图特征空间将ADV特征空间上传到服务器(诸如用于分析和预处理以供ADV使用的服务器103)。通过参考图1、地图更新模块103B和地图网格103C，在上文描述了服务器端功能。
永久性存储装置352可以包括地图和路线信息311以及地图网格312。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的地图网格。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。
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操作或操作。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搜索空间410围绕的ADV，候选单元格的搜索空间410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是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相对于现实世界和表示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地图可以例如是1024个单元格×1024个单元格，每个单元格代表例如10cm×10cm。投影搜索模块301B和相似性搜索模块301C可以从ADV特征空间中选择候选搜索空间410。候选搜索空间410是围绕ADV的ADV特征空间的子集。候选搜索空间410可以为例如32×32个单元格。搜索模块301B和301C可以确定具有最高相似性分数的候选单元格415。然后，可以将具有最高相似性分数的候选单元格415确定为与HD地图特征空间的中心相符。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，可以重复以上操作。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候选搜索空间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移动了多少以及搜索空间410中的数据在时间t1处与时间t0处有多少相同，因此相比于在容纳例如候选搜索空间的数据结构内移位数据，更可取的是在逻辑上由时间t1处的数据的新的候选搜索空间单元格进行替换。索引的数组可以在适于ADV的移动的每个x坐标和y坐标的方向上移位，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处的候选搜索空间410增加新的数据。在图中的示例中，新的搜索候选空间数据存储在候选搜索空间的列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，候选搜索数组空间的x坐标索引可以被增大(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据索引。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坐标可以进行类似计算。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数计算。
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410围绕的ADV以及候选搜索空间410周围的ADV特征空间，候选单元格的阵列或网格410用于搜索HD地图特征空间430以确定ADV相对于HD地图特征空间430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425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430对齐。将ADV特征空间425与HD地图特征空间430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的范围内设置的图4A的候选搜索空间410。HD地图特征空间430可能由于用于获得ADV的大概位置的位置传感器(例如，GPS坐标或蜂窝塔坐标)的精确度的限制而偏离ADV特征空间425。对于ADV候选搜索空间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，并且确定候选单元格的相似性分数。ADV候选搜索空间410中的候选单元格中具有最高相似性分数的候选单元格415被选为将ADV特征空间425最佳地对准到HD地图特征空间430的单元格。确定ADV到ADV候选搜索空间410中与HD地图特征空间具有最高相似性分数的候选单元格415的偏移量。所述偏移量被用于高精度地确定ADV相对于HD地图和现实世界的位置。
图5以框图形式示出了根据一些实施方式的搜索HD地图特征空间430来确定ADV相对于HD地图的位置的方法500的概述。
在操作505中，可以使用感知模块302的多个传感器中的一个来确定ADV的大概的地理位置。可以使用GPS、蜂窝塔三角测量或其他传感器系统来确定所述地理位置。
在操作510中，地图网格模块312可以从远程服务器103(地图网格103C)检索与所述地理位置对应的HD地图的一部分。在实施方式中，HD地图的一些或全部可以从ADV储存器(例如，存储器351或永久性储存器352)中检索。
在操作515中，定位模块301可以检索由ADV感知与规划系统110内的传感器生成的ADV周围的特征空间。定位模块301可以从由ADV感知与规划系统110生成的特征空间检索围绕ADV的ADV特征空间425(例如1024×1024)。
在操作520中，定位模块301可以确定候选搜索特征空间410(例如32×32个单元格)以用于确定ADV在HD地图特征空间430内的位置。
在操作600中，投影搜索模块301B和相似性搜索模块301C可以用于确定这样的候选单元格，该候选单元格具有围绕该候选单元格的与HD地图特征空间430最佳匹配的ADV特征空间425。在下文中，参考图6对操作600进行详细地描述。
在操作525中，定位模块301可以用于确定ADV与具有围绕候选单元格的最佳匹配的ADV特征空间425的候选单元格之间的偏移量。
在操作530中，偏移量可以用于高精度地确定ADV相对于HD地图特征空间430的位置。
图6以框图形式示出了根据一些实施方式的使用投影技术来执行ADV周围的候选特征空间410的搜索以确定ADV相对于HD地图的位置的方法600。在方法600中，可以使用投影搜索方法来处理(例如，32×32)候选搜索特征空间410中的所有候选单元格的第一子集。在投影搜索方法中，可以使用格雷码内核的序列(例如，沃尔什-哈达玛内核投影向量)将候选单元格周围的ADV特征空间425(例如，1024×1024个单元格)迭代地投影在HD地图特征空间430上，以产生候选单元格周围的ADV特征空间425与HD地图特征空间430之间的相似性分数。当仅剩下阈值数量的候选单元格待搜索时，则使用投影方法确定候选单元格的相似性分数的开销可能大于以上描述的相似性度量公式的计算。使用内核投影技术搜索的候选单元格可以包括候选单元格410的第一子集。使用所计算的相似性分数搜索的剩余候选单元格可以包括候选单元格的第二子集。
在操作605中，变量可以被初始化以在方法600中使用。变量candREM表示候选特征空间410中尚未被拒绝的候选单元格的数量。在实施方式中，尚未被拒绝的候选单元格可以包括还未确定相似性分数的候选单元格。变量candREM可以初始化为candMAX。常量candMAX可以表示候选搜索特征空间410中候选单元格的总数最大数量。在32×32候选单元格空间中，candMAX可以初始化为1024。变量“dim”被初始化为1。变量“dim”表示当前正由方法600处理的投影内核维度。变量“cand”可以被初始化为1。变量“cand”表示正由方法600处理的候选搜索特征空间410中的当前候选单元格。可以使用方法600对任何特定的候选单元格进行多次处理，例如由后续内核投影维度进行多次处理。数组SIMLIARITY[x]具有维度“candMax”。数组SIMILARITY[x]由变量“cand”索引，并存储当前候选单元格“cand”的当前更新的相似性分数。在跨越一个或多个内核投影维度更新的候选单元格的相似性分数被表示为相似性分数的迭代乘积的实施方式中，对于所有的数组元素，可以将数组SIMILARITY[x]初始化为1。由于为每个内核投影维度确定每个候选单元格相似性分数，因此对于当前的内核投影维度dim，可以利用SIMILIARITY[cand]乘以当前候选单元格的相似性分数的乘积来更新SIMILARITY[cand]。在跨越多个内核投影维度更新的候选单元格的相似性分数被表示为相似性分数的迭代总和(例如，通过对数总和分数更新方法)的实施方式中，则对于所有的数组元素，可以将数组SIMILARITY[x]初始化为0。对于所有的数组元素，数组(或位向量(bit-vector))REJECTED[x]可以被初始化为FALSE。数组REJECTED[x]根据进一步的相似性分数确定来跟踪特定的候选单元格是否因为该候选单元格的相似性分数太低使得候选单元格不能成为最高分数候选单元格而已经被拒绝。
在操作610中，可以确定剩余的候选单元格的数量candREM是否小于最小阈值candMIN。变量candREM表示例如32×32个单元格中尚未由于具有不满足阈值的相似性分数而被拒绝的候选单元格的数量。当剩余的未被拒绝的候选单元格的数量小于candMIN时，则可以使用以上描述的相似性度量公式来确定候选单元格的相似性分数。
如果在操作610中确定剩余的候选单元格数量小于阈值最小值candMIN，则方法600在操作700处继续，否则方法600在操作625处继续。
在操作700处，可以使用以上描述的相似性度量公式来确定候选单元格cand周围的ADV特征空间425与HD地图特征空间430的相似性分数。在下文中，参考图7对操作700进行详细地描述。方法600在操作615处继续。
在操作615中，确定存储在SIMILARITY[x]数组中的所有候选单元格中的最高相似性分数。在实施方式中，可以依次搜索数组SIMILARITY[x]以确定具有最高相似性分数的候选项。
在操作620中，返回SIMILARITY[x]中具有最高相似性分数的候选单元格的坐标，并在图5的操作525和530中使用该坐标以确定ADV在HD地图特征空间内的偏移量。然后，方法600结束。
如果，在操作610中确定剩余候选单元格的数量candREM不小于候选单元格的最小数量candMIN，则在操作625中可以确定当前内核投影维度是否大于或等于内核投影维度的最大数量。在实施方式中，内核投影维度的最大数量可以为500。如果当前维度大于或等于内核投影维度的最大数量，则方法600在操作700处继续，否则方法600在操作630处继续。
在操作630中，对于32×32单元格候选空间，如果当前候选编号cand大于或等于候选空间中的候选项的最大数量(例如，1024)，则方法600在操作635处继续，否则方法600在操作640处继续。
在操作635中，可以将当前的候选编号cand重置为1，并且可以将当前的投影内核维度dim加1。方法600重返到操作610处。
如果在操作630中确定当前的候选编号cand不大于或等于候选单元格的最大数量candMAX，则在操作640中可以确定当前的候选单元格cand是否先前已经被拒绝。如果REJECTED[cand]为TRUE，则候选单元格cand先前已经被拒绝。如果在操作640中REJECECT[cand]为TRUE，则方法600在操作665处继续，否则方法600在操作645处继续。
在操作645中，使用当前维度内核投影向量将当前候选单元格cand周围的ADV特征空间425投影在HD地图特征空间430上以确定ADV特征空间425与HD地图特征空间430之间的相似性分数。
在操作650中，当前候选单元格cand周围的ADV特征空间425与HD地图特征空间430之间的相似性分数E用于更新当前候选单元格cand的相似性分数SIMILARITY[cand]。
在操作655中，如果当前候选单元格cand的更新后的相似性分数SIMILARITY[cand]不满足阈值标准，则在操作660中，通过设置REJECTED[cand]＝TRUE并使剩余的候选单元数量candREM减1来拒绝当前候选单元格。阈值标准检验取决于用于确定相似性的技术。如果所使用的确定候选单元格cand周围的ADV特征空间425与HD地图特征空间430的相似性的实施方式被确定为迭代值的乘积，那么我们寻找最高相似性分数(直到最大值1.0)，并且用于拒绝的阈值可以为例如0.7，即，如果更新后的相似性分数SIMLIARITY[cand]小于0.7，则拒绝。在使用对数求和技术的实施方式中，我们寻找迭代的相似性分数的最小总和。因此，如果更新后的相似性分数SIMILIARITY[cand]大于阈值总和值，则在操作660中拒绝候选单元格并将REJECTED[cand]设置为TRUE。
方法600在操作665处继续。
在操作665中，当前候选值可以加1，cand＝cand+1，并且方法600在操作610处继续。
图7以框图形式示出了根据一些实施方式的在最初使用投影技术之后确定ADV周围的候选特征空间425中的剩余候选单元格的相似分数的方法700。如上所述，投影搜索模块301B使用内核投影方法来搜索候选单元格的第一子集。对于32×32单元格候选搜索空间，当剩余最小阈值数量(例如，50)的未拒绝的候选单元格待被搜索时，使用内核投影方法的开销可以大于使用以上描述的相似性分数度量计算相似性分数。因此，候选单元格的第二子集包括未被拒绝和/或还未使用内核投影方法搜索的那些候选单元格。确定相似性分数的一个方式是使用本文描述的相似性度量来计算相似性分数。本文描述的相似性度量使用候选单元格特征空间与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单元格特征空间与HD地图特征空间中的每个单元格的强度的平均值。候选单元格特征空间与HD地图特征空间的混合高斯拟合还使用候选特征空间与HD地图特征空间中的每个单元格的高程的方差。
在操作705中，可变的候选单元格索引变量cand可以被初始化为1。
在操作710中，可以确定当前候选单元格索引cand是否大于或等于候选单元格的最大数量candMAX。在候选空间为32×32个单元格的实施方式中，candMAX可以为1024个单元格(32×32)。
如果在操作710中确定当前候选索引cand大于或等于candMAX，那么方法700可以结束，因为所有的候选单元格或具有通过方法600中的内核投影技术确定的相似性分数或具有通过方法700中的相似性度量计算确定的相似性分数。
如果在操作710中确定当前候选索引cand不大于或等于candMAX，那么方法700在操作715处继续。
在操作715中，可以确定当前候选单元格是否先前已经被拒绝，REJECTED[cand]＝TRUE。如果当前候选单元格先前已经被拒绝，那么方法700在操作730处继续，否则方法700在操作720处继续。
在操作720中，可以确定是否已经使用内核投影技术为该候选单元格确定了相似性分数。这可以通过检查SIMILARITY[cand]值来观察该值是否与图6的方法600中的操作605的初始化值不同来确定。如上所述，当相似性分数确定为内核投影的相似性分数的迭代乘积时，以上操作605中所有的SIMILARITY[x]数组元素的初始化值可以为1，当候选单元格的相似性分数确定为迭代内核投影的相似性分数的总和(对数总和方法)时，以上操作605中所有的SIMILARITY[x]数组元素的初始化值可以为0。如果当前候选项的相似性分数SIMILARITY[cand]通过方法600中的内核投影技术确定，则方法700在操作730处继续。否则，方法700在操作725处继续。
在操作725中，使用以上描述的相似性度量公式来计算当前候选单元格周围的ADV特征空间425与HD地图特征空间的相似性分数，并将所述分数存储在SIMILARITY[cand]中。
在操作730中，当前候选单元格可以加1到下一顺序的候选单元格，cand＝cand+1。
图8以框图形式示出了根据一些实施方式的通过使用测试图像预处理HD地图特征空间来减少HD地图特征空间430中的特征数量的方法800。HD地图特征空间430可以包括作为HD地图的子集的1024×1024单元格特征空间。方法800可以由服务器103(由机器学习引擎103A和/或地图更新模块103B中的一个或多个)来执行，以生成地图网格103C。HD地图中的特征可以通过使用内核投影的有序序列来投影到HD地图特征空间上。距离测度(诸如以上描述的相似性度量公式)可以用于确定HD地图特征空间中的特定位置处的距离测度。特定位置处的距离测度越小，测试图像的一部分与HD特征空间的局部窗口越相似。使用相对较少的投影，可以拒绝与测试图像的一部分不够相似的大量局部窗口。例如，(例如256个内核中的)前10个内核可以采集测试图像的一部分与HD地图特征空间的局部窗口之间70％的距离测度。在实施方式中，内核的有序集包括格雷码序列。在实施方式中，内核的有序集包括内核向量的沃尔什-哈达玛序列。在方法800中，可以在使用内核投影向量将测试图像投影在HD地图特征空间上期间生成沃尔什-哈达玛树。沃尔什-哈达玛树包括可以用于过滤包含与测试图像的一部分不够相似的HD地图的特征的格雷码模式匹配树，以用于模式匹配分析。
在操作805中，可以从包含大量特征空间的HD地图中选择特征空间430。
在操作810中，可以为HD地图特征空间430生成投影内核的有序集。在实施方式中，投影内核包括格雷码内核(GCK)。在实施方式中，投影内核包括沃尔什-哈达玛内核的有序序列。
在操作815中，可以使用投影内核的序列来获得测试图像以投影在HD地图特征空间430上。在实施方式中，测试图像可以包括HD地图特征空间430。在实施方式中，测试图像可以包括根据与操作805中所选择的特征空间430的地理位置对应的多个ADV特征空间生成的图像。机器学习引擎103A可以从多个ADV接收多个特征空间并使用机器学习技术来生成测试图像。
在操作820中，可以从在操作810中生成的内核投影的有序集中选择第一维度内核投影。
在操作825中，可以使用所选择的投影内核将测试图像投影在所选择的HD地图特征空间430上。所述投影可以将HD地图特征空间430分解成HD地图特征空间430的多个局部窗口。
在操作830中，可以根据先前选择的内核投影(如果存在的话)生成的距离测度来更新HD地图特征空间430的未拒绝的局部窗口的距离测度。
在操作835中，可以拒绝具有不满足阈值的距离测度的HD地图特征空间430的局部窗口。使用内核投影拒绝HD地图特征空间430的窗口减少了HD地图特征空间430中的特征的数量，因此使得ADV特征空间更高效地实时投影到HD地图特征空间上，并且计算量更少。
在操作840中，可以将所选择的投影内核维度的HD地图特征空间430的拒绝的窗口的记录以及其他内核投影数据与HD地图特征空间430以及所选择的内核投影维度相关地存储。在实施方式中，其他内核投影数据包括使用测试图像生成的格雷码过滤器、HD地图特征空间430和所选择的内核投影向量。
在操作845中，可以确定HD地图特征空间430的特征减少是否完成。如果已经为测试图像和HD地图特征空间430处理完所有的投影内核维度，则可以认为特征减少已完成。在实施方式中，可以存在多达500个内核投影维度，并且特征减少在第500维内核投影处完成。在实施方式中，在HD地图特征空间的未拒绝部分的数量达到预先确定的值时，可以认为特征减少已完成。
如果在操作845中确定已经完成特征空间减少，则方法800结束，否则方法800在操作850处继续。
在操作850中，可以顺序地选择下一内核投影向量，并且方法800在操作825处继续。
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900的示例的框图。例如，系统900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的自动驾驶车辆101系统(诸如，感知与规划系统110，控制系统111等)或者服务器103至104中的任一个。系统900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900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900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。
在一个实施方式中，系统900包括通过总线或互连件910连接的处理器901、存储器903以及装置905至908。处理器901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901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901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901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。在实施方式中，一个或多个处理器901包括至少一个硬件处理器。
处理器901(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901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900还可以包括与可选的图形子系统904通信的图形接口，图形子系统904可以包括显示控制器、图形处理器和/或显示装置。
处理器901可以与存储器903通信，存储器903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903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903可以存储包括由处理器901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903中并由处理器901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、来自苹果公司的来自公司的LINUX、UNIX，或者其它实时或嵌入式操作系统。
系统900还可以包括IO装置，诸如装置905至908，包括网络接口装置905、可选的输入装置906，以及其它可选的IO装置907。网络接口装置905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906可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置904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906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907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907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907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910，而诸如键盘或热传感器的其它装置可以根据系统900的具体配置或设计由嵌入式控制器(未示出)控制。IO装置907还可以包括RADAR系统(无线电探测和测距)、LIDAR系统(激光探测和测距)、GPS系统(全球定位系统)、可以使用蜂窝塔来检测和三角测量的蜂窝电话子系统、一个或多个麦克风、以及其他的一个或多个音频/视频记录摄像机、位置检测器、距离检测器、时间检测器、速度检测器、加速度检测器、水平检测器和垂直检测器、定向传感器和方向传感器。
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901。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901。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908可以包括计算机可访问的存储介质909(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928)。处理模块/单元/逻辑928可以表示上述部件中的任一个，例如，自动驾驶车辆101(ADV)的定位模块301、感知模块302、驾驶决策模块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用于驾驶ADV的规划和控制模块的一个或多个模块。处理模块/单元/逻辑928还可以在其由数据处理系统900、存储器903和处理器901执行期间完全地或至少部分地驻留在存储器903内和/或处理器901内，数据处理系统900、存储器903和处理器901也构成机器可访问的存储介质。处理模块/单元/逻辑928还可以通过网络经由网络接口装置905进行传输或接收。
计算机可读存储介质909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909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928、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928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928可以以硬件装置和软件部件的任何组合来实施。处理逻辑可以包括例如上文参考图8描述的使用投影内核的序列的HD地图特征空间的预处理。处理逻辑还可以包括例如参考图5至图7描述的由投影搜索模块301B或由相似性搜索模块301C执行的使用内核投影技术确定ADV相对于HD地图特征空间的位置的逻辑。
应注意，虽然系统900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.操作自动驾驶车辆(ADV)的计算机实施的方法，所述方法包括：
确定所述自动驾驶车辆周围的单元格的自动驾驶车辆特征空间中的多个候选单元格的第一子集；
对于所述多个候选单元格的所述第一子集中的每个候选单元格：
通过使用第一维度基向量将所述自动驾驶车辆特征空间的子集投影在地图特征空间上，确定围绕所述候选单元格的所述自动驾驶车辆特征空间的所述子集与所述地图特征空间之间的相似性分数，以及
响应于确定出所述相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述相似性分数与所述候选单元格关联地存储；
至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述自动驾驶车辆相对于所述地图特征空间的位置。
2.根据权利要求1所述的方法，其中，确定所述自动驾驶车辆相对于所述地图特征空间的位置包括：
确定未拒绝的所述多个候选单元格中具有所述最高相似性分数的所述候选单元格的坐标。
3.根据权利要求1所述的方法，其中，所述多个候选单元格的所述第一子集包括所述多个候选单元格中的所有候选单元格。
4.根据权利要求1所述的方法，还包括：
响应于未标记为拒绝的所述候选单元格，通过使用第二维度基向量将所述自动驾驶车辆特征空间的所述子集投影在所述地图特征空间上来确定所述候选单元格与所述地图特征空间之间的第二相似性分数；以及
通过使用所述候选单元格的存储的相似性分数和所述第二相似性分数来确定更新的相似性分数；以及
响应于确定出所述更新的相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述更新的相似性分数与所述候选单元格相关地存储。
5.根据权利要求4所述的方法，其中，所述第一维度基向量和所述第二维度基向量各自包括格雷码内核的有序序列。
6.根据权利要求1所述的方法，还包括：
确定所述多个候选单元格的第二子集，所述多个候选单元格的所述第二子集中的每个候选单元格均未被拒绝且不具有与所述候选单元格相关存储的相似性分数，并且所述第二子集中的每个候选单元格均具有中值强度和高程方差；
对于所述第二子集中的每个候选单元格：
使用所述中值强度和所述高程方差来确定围绕所述候选单元格的所述自动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分数。
7.根据权利要求6所述的方法，其中，确定所述第二子集响应于以下项中的一个来执行：
确定所述多个候选单元格中的候选单元格的计数小于候选单元格的阈值数量，其中所述计数中的每个候选单元格均未被拒绝且不具有与所述候选单元格相关联存储的相似性分数；或者
确定已达到基向量的最大维度数量。
8.一种非暂时性机器可读介质，在所述非暂时性机器可读介质中存储有指令，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：
确定自动驾驶车辆周围的单元格的自动驾驶车辆特征空间中的多个候选单元格的第一子集；
对于所述多个候选单元格的所述第一子集中的每个候选单元格：
通过使用第一维度基向量将所述自动驾驶车辆特征空间的子集投影在地图特征空间上，确定围绕所述候选单元格的所述自动驾驶车辆特征空间的所述子集与所述地图特征空间之间的相似性分数，以及
响应于确定出所述相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述相似性分数与所述候选单元格关联地存储；
至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述自动驾驶车辆相对于所述地图特征空间的位置。
9.根据权利要求8所述的介质，其中，确定所述自动驾驶车辆相对于所述地图特征空间的位置包括：
确定未拒绝的所述多个候选单元格中具有所述最高相似性分数的所述候选单元格的坐标。
10.根据权利要求8所述的介质，其中，所述多个候选单元格的所述第一子集包括所述多个候选单元格中的所有候选单元格。
11.根据权利要求8所述的介质，还包括：
响应于未标记为拒绝的所述候选单元格，通过使用第二维度基向量将所述自动驾驶车辆特征空间的所述子集投影在所述地图特征空间上来确定所述候选单元格与所述地图特征空间之间的第二相似性分数；以及
通过使用所述候选单元格的存储的相似性分数和所述第二相似性分数来确定更新的相似性分数；以及
响应于确定出所述更新的相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述更新的相似性分数与所述候选单元格相关地存储。
12.根据权利要求11所述的介质，其中，所述第一维度基向量和所述第二维度基向量各自包括格雷码内核的有序序列。
13.根据权利要求8所述的介质，所述操作还包括：
确定所述多个候选单元格的第二子集，所述多个候选单元格的所述第二子集中的每个候选单元格未被拒绝且不具有与所述候选单元格相关存储的相似性分数，并且所述第二子集中的每个候选单元格具有中值强度和高程方差；
对于所述第二子集中的每个候选单元格：
使用所述中值强度和所述高程方差来确定围绕所述候选单元格的所述自动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分数。
14.根据权利要求13所述的介质，其中，确定所述第二子集响应于以下项中的一个来执行：
确定所述多个候选单元格中的候选单元格的计数小于候选单元格的阈值数量，其中所述计数中的每个候选单元格均未被拒绝且不具有与所述候选单元格相关联存储的相似性分数；或者
确定已达到基向量的最大维度数量。
15.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：
确定自动驾驶车辆周围的单元格的自动驾驶车辆特征空间中的多个候选单元格的第一子集；
对于所述多个候选单元格的所述第一子集中的每个候选单元格：
通过使用第一维度基向量将所述自动驾驶车辆特征空间的子集投影在地图特征空间上，确定围绕所述候选单元格的所述自动驾驶车辆特征空间的所述子集与所述地图特征空间之间的相似性分数，以及
响应于确定出所述相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述相似性分数与所述候选单元格关联地存储；
至少部分地基于所述多个候选单元格中具有最高相似性分数的所述多个候选单元格中的候选单元格来确定所述自动驾驶车辆相对于所述地图特征空间的位置。
16.根据权利要求15所述的系统，其中，确定所述自动驾驶车辆相对于所述地图特征空间的位置包括：
确定未拒绝的所述多个候选单元格中具有所述最高相似性分数的所述候选单元格的坐标。
17.根据权利要求15所述的系统，其中，所述多个候选单元格的所述第一子集包括所述多个候选单元格中的所有候选单元格。
18.根据权利要求15所述的系统，还包括：
响应于未标记为拒绝的所述候选单元格，通过使用第二维度基向量将所述自动驾驶车辆特征空间的所述子集投影在所述地图特征空间上来确定所述候选单元格与所述地图特征空间之间的第二相似性分数；以及
通过使用所述候选单元格的存储的相似性分数和所述第二相似性分数来确定更新的相似性分数；以及
响应于确定出所述更新的相似性分数表示不足的相似性，将所述候选单元格标记为拒绝，否则将所述更新的相似性分数与所述候选单元格相关地存储。
19.根据权利要求18所述的系统，其中，所述第一维度基向量和所述第二维度基向量各自包括格雷码内核的有序序列。
20.根据权利要求15所述的系统，所述操作还包括：
确定所述多个候选单元格的第二子集，所述多个候选单元格的所述第二子集中的每个候选单元格未被拒绝且不具有与所述候选单元格相关存储的相似性分数，并且所述第二子集中的每个候选单元格具有中值强度和高程方差；
对于所述第二子集中的每个候选单元格：
使用所述中值强度和所述高程方差来确定围绕所述候选单元格的所述自动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分数。
21.根据权利要求20所述的系统，其中，确定所述第二子集响应于以下项中的一个来执行：
确定所述多个候选单元格中的候选单元格的计数小于候选单元格的阈值数量，其中所述计数中的每个候选单元格均未被拒绝且不具有与所述候选单元格相关联存储的相似性分数；或者
确定已达到基向量的最大维度数量。
CN201810128046.XA 2017-02-08 2018-02-08 基于Walsh内核投影技术的自动驾驶车辆定位 Active CN108399218B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/427,973 US10380890B2 (en) 2017-02-08 2017-02-08 Autonomous vehicle localization based on walsh kernel projection technique
US15/427,973 2017-02-08

Publications (2)

Publication Number Publication Date
CN108399218A true CN108399218A (zh) 2018-08-14
CN108399218B CN108399218B (zh) 2022-01-04

Family

ID=61188723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810128046.XA Active CN108399218B (zh) 2017-02-08 2018-02-08 基于Walsh内核投影技术的自动驾驶车辆定位

Country Status (4)

Country Link
US (1) US10380890B2 (zh)
EP (1) EP3361278B1 (zh)
JP (1) JP6637088B2 (zh)
CN (1) CN108399218B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109885929A (zh) * 2019-02-19 2019-06-14 百度在线网络技术（北京）有限公司 自动驾驶决策规划数据复现方法及装置
CN109933856A (zh) * 2019-02-19 2019-06-25 百度在线网络技术（北京）有限公司 自动驾驶决策规划数据复现方法及装置
CN111380534A (zh) * 2018-12-27 2020-07-07 百度（美国）有限责任公司 用于自动驾驶车辆的基于st图学习的决策
CN111679303A (zh) * 2019-12-30 2020-09-18 全球能源互联网研究院有限公司 一种多源定位信息融合的综合定位方法及装置
CN113297349A (zh) * 2021-05-18 2021-08-24 中国人民解放军国防科技大学 一种基于知识图谱的ros软件包推荐方法及系统
WO2021174770A1 (en) * 2020-03-05 2021-09-10 Huawei Technologies Co., Ltd. Machine-learning based system for path and/or motion planning and method of training
CN113822924A (zh) * 2019-01-28 2021-12-21 弗劳恩霍夫应用研究促进协会 空间中的元素定位
CN117388898A (zh) * 2023-12-12 2024-01-12 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) 一种融合多源数据分析的北斗定位系统

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10309777B2 (en) 2016-12-30 2019-06-04 DeepMap Inc. Visual odometry and pairwise alignment for high definition map creation
EP3343172B1 (en) * 2017-01-03 2024-03-13 iOnRoad Technologies Ltd. Creation and use of enhanced maps
KR102249599B1 (ko) * 2017-03-21 2021-05-07 현대자동차 주식회사 차량 모듈의 소프트웨어 업데이트 정보 제공 서버 및 방법
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
US10300789B2 (en) * 2017-07-25 2019-05-28 Denso International America, Inc. Vehicle heads-up display
US11077756B2 (en) * 2017-11-23 2021-08-03 Intel Corporation Area occupancy determining device
CN109840448A (zh) * 2017-11-24 2019-06-04 百度在线网络技术（北京）有限公司 用于无人驾驶车辆的信息输出方法和装置
US10824162B2 (en) 2018-01-03 2020-11-03 Uatc, Llc Low quality pose lane associator
WO2019227375A1 (en) * 2018-05-31 2019-12-05 Qualcomm Incorporated Inspection route communications
US10810792B2 (en) * 2018-05-31 2020-10-20 Toyota Research Institute, Inc. Inferring locations of 3D objects in a spatial environment
US11087153B2 (en) * 2018-10-31 2021-08-10 Cognizant Technology Solutions India Pvt. Ltd. Traffic light recognition system and method
JP7351079B2 (ja) * 2018-11-30 2023-09-27 ソニーグループ株式会社 制御装置、制御方法及びプログラム
US10809073B2 (en) * 2018-12-05 2020-10-20 Here Global B.V. Local window-based 2D occupancy grids for localization of autonomous vehicles
US11536844B2 (en) 2018-12-14 2022-12-27 Beijing Voyager Technology Co., Ltd. Dynamic sensor range detection for vehicle navigation
US11861481B2 (en) 2018-12-21 2024-01-02 Waymo Llc Searching an autonomous vehicle sensor data repository
US10733511B1 (en) * 2019-01-30 2020-08-04 StradVision, Inc. Learning method and learning device for updating HD map by reconstructing 3D space by using depth estimation information and class information on each object, which have been acquired through V2X information integration technique, and testing method and testing device using the same
EP3729333A4 (en) * 2019-02-19 2020-12-16 SZ DJI Technology Co., Ltd. AUTONOMOUS NAVIGATION BASED ON LOCAL DETECTION, AND ASSOCIATED SYSTEMS AND PROCESSES
CN115516337A (zh) 2019-10-21 2022-12-23 派珀网络公司 使用lidar的交通测位系统和方法
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
US11846520B2 (en) 2020-09-10 2023-12-19 Topcon Positioning Systems, Inc. Method and device for determining a vehicle position
US11170476B1 (en) 2020-10-15 2021-11-09 Aeva, Inc. Techniques for fast point cloud filtering using a series cascaded filter
KR20220065126A (ko) * 2020-11-12 2022-05-20 현대자동차주식회사 다중 센서 기반 주행 차로 인식 장치 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102879003A (zh) * 2012-09-07 2013-01-16 重庆大学 基于gps终端的面向车辆位置跟踪的地图匹配方法
CN104869634A (zh) * 2015-04-30 2015-08-26 百度在线网络技术（北京）有限公司 定位结果的修正方法和装置
US20150377640A1 (en) * 2014-06-30 2015-12-31 Jennifer A. Healey System and method for familiarity-based navigation
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

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2584564B2 (ja) * 1992-04-15 1997-02-26 住友電気工業株式会社 車両位置検出装置
AUPQ181699A0 (en) * 1999-07-23 1999-08-19 Cmte Development Limited A system for relative vehicle navigation
US8385971B2 (en) * 2008-08-19 2013-02-26 Digimarc Corporation Methods and systems for content processing
US8538673B2 (en) * 2008-10-31 2013-09-17 Czech Technical University In Prague System and method for planning/replanning collision free flight plans in real or accelerated time
JP4934167B2 (ja) * 2009-06-18 2012-05-16 クラリオン株式会社 位置検出装置および位置検出プログラム
GB201116959D0 (en) * 2011-09-30 2011-11-16 Bae Systems Plc Vehicle localisation with 2d laser scanner and 3d prior scans
US20140031980A1 (en) * 2011-11-11 2014-01-30 Jens-Steffen Gutmann Systems and methods for extending slam to multiple regions
US8885151B1 (en) * 2012-09-04 2014-11-11 Google Inc. Condensing sensor data for transmission and processing
US9633564B2 (en) * 2012-09-27 2017-04-25 Google Inc. Determining changes in a driving environment based on vehicle behavior
US9274525B1 (en) * 2012-09-28 2016-03-01 Google Inc. Detecting sensor degradation by actively controlling an autonomous vehicle
US9037403B2 (en) * 2013-03-26 2015-05-19 Toyota Motor Engineering & Manufacturing North America, Inc. Intensity map-based localization with adaptive thresholding
WO2015156821A1 (en) * 2014-04-11 2015-10-15 Nissan North America, Inc. Vehicle localization system
US20150316386A1 (en) * 2014-04-30 2015-11-05 Toyota Motor Engineering & Manufacturing North America, Inc. Detailed map format for autonomous driving
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
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
KR101877553B1 (ko) * 2014-11-14 2018-07-11 한국전자통신연구원 차량 자율주행 시스템 및 이를 이용한 차량 주행 방법
US9862488B2 (en) * 2015-08-28 2018-01-09 Mcafee, Llc Location verification and secure no-fly logic for unmanned aerial vehicles
US10229363B2 (en) * 2015-10-19 2019-03-12 Ford Global Technologies, Llc Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking
US9916703B2 (en) * 2015-11-04 2018-03-13 Zoox, Inc. Calibration for autonomous vehicle operation
US9990548B2 (en) * 2016-03-09 2018-06-05 Uber Technologies, Inc. Traffic signal analysis system
US10545229B2 (en) * 2016-04-22 2020-01-28 Huawei Technologies Co., Ltd. Systems and methods for unified mapping of an environment
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
US10066946B2 (en) * 2016-08-26 2018-09-04 Here Global B.V. Automatic localization geometry detection
US10585409B2 (en) * 2016-09-08 2020-03-10 Mentor Graphics Corporation Vehicle localization with map-matched sensor measurements
US10579065B2 (en) * 2016-11-23 2020-03-03 Baidu Usa Llc Algorithm and infrastructure for robust and efficient vehicle localization
US10436595B2 (en) * 2017-02-02 2019-10-08 Baidu Usa Llc Method and system for updating localization maps of autonomous driving vehicles

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102879003A (zh) * 2012-09-07 2013-01-16 重庆大学 基于gps终端的面向车辆位置跟踪的地图匹配方法
US20150377640A1 (en) * 2014-06-30 2015-12-31 Jennifer A. Healey System and method for familiarity-based navigation
CN104869634A (zh) * 2015-04-30 2015-08-26 百度在线网络技术（北京）有限公司 定位结果的修正方法和装置
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

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111380534A (zh) * 2018-12-27 2020-07-07 百度（美国）有限责任公司 用于自动驾驶车辆的基于st图学习的决策
CN113822924A (zh) * 2019-01-28 2021-12-21 弗劳恩霍夫应用研究促进协会 空间中的元素定位
US11954874B2 (en) 2019-01-28 2024-04-09 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Localization of elements in the space
CN113822924B (zh) * 2019-01-28 2024-04-05 弗劳恩霍夫应用研究促进协会 空间中的元素定位
CN109933856A (zh) * 2019-02-19 2019-06-25 百度在线网络技术（北京）有限公司 自动驾驶决策规划数据复现方法及装置
CN109885929A (zh) * 2019-02-19 2019-06-14 百度在线网络技术（北京）有限公司 自动驾驶决策规划数据复现方法及装置
CN111679303A (zh) * 2019-12-30 2020-09-18 全球能源互联网研究院有限公司 一种多源定位信息融合的综合定位方法及装置
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
WO2021174770A1 (en) * 2020-03-05 2021-09-10 Huawei Technologies Co., Ltd. Machine-learning based system for path and/or motion planning and method of training
CN113297349B (zh) * 2021-05-18 2022-05-31 中国人民解放军国防科技大学 一种基于知识图谱的ros软件包推荐方法及系统
CN113297349A (zh) * 2021-05-18 2021-08-24 中国人民解放军国防科技大学 一种基于知识图谱的ros软件包推荐方法及系统
CN117388898A (zh) * 2023-12-12 2024-01-12 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) 一种融合多源数据分析的北斗定位系统
CN117388898B (zh) * 2023-12-12 2024-03-08 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) 一种融合多源数据分析的北斗定位系统

Also Published As

Publication number Publication date
EP3361278A1 (en) 2018-08-15
JP2018128456A (ja) 2018-08-16
EP3361278B1 (en) 2023-10-25
JP6637088B2 (ja) 2020-01-29
US10380890B2 (en) 2019-08-13
CN108399218B (zh) 2022-01-04
US20180225968A1 (en) 2018-08-09

Similar Documents

Publication Publication Date Title
CN108399218A (zh) 基于Walsh内核投影技术的自动驾驶车辆定位
CN108089572A (zh) 用于稳健且有效的车辆定位的算法和基础设施
CN110386142A (zh) 用于自动驾驶车辆的俯仰角校准方法
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
CN110345955A (zh) 用于自动驾驶的感知与规划协作框架
US10331957B2 (en) Method, apparatus, and system for vanishing point/horizon estimation using lane models
CN108387241A (zh) 更新自动驾驶车辆的定位地图的方法和系统
CN108995657A (zh) 操作自动驾驶车辆的方法和数据处理系统
CN109489673A (zh) 用于自动驾驶车辆的数据驱动地图更新系统
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
CN108732589A (zh) 利用3d lidar和定位自动采集用于对象识别的训练数据
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
CN110377024A (zh) 用于自动驾驶车辆的自动数据标注
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
CN110096053A (zh) 用于自动驾驶车辆的驾驶轨迹生成方法、系统和机器可读介质
CN109429518A (zh) 基于地图图像的自动驾驶交通预测
CN109215433A (zh) 用于自动驾驶仿真的基于视觉的驾驶场景生成器
CN110377025A (zh) 用于自动驾驶车辆的传感器聚合框架
CN109491375A (zh) 用于自动驾驶车辆的基于驾驶场景的路径规划
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
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
CN108604095A (zh) 动态调整自动驾驶车辆的转向率的方法
CN108137083A (zh) 用于自动驾驶车辆控制的系统延迟估计方法
CN108099918A (zh) 用于确定自主车辆的命令延迟的方法
CN110389580A (zh) 用于规划自动驾驶车辆的路径的漂移校正的方法

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