CN108528458A - 用于车辆尺寸预测的系统和方法 - Google Patents

用于车辆尺寸预测的系统和方法 Download PDF

Info

Publication number
CN108528458A
CN108528458A CN201810158440.8A CN201810158440A CN108528458A CN 108528458 A CN108528458 A CN 108528458A CN 201810158440 A CN201810158440 A CN 201810158440A CN 108528458 A CN108528458 A CN 108528458A
Authority
CN
China
Prior art keywords
vehicle
size
groups
machine learning
learning model
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
CN201810158440.8A
Other languages
English (en)
Other versions
CN108528458B (zh
Inventor
L·赖安
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.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations 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 GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN108528458A publication Critical patent/CN108528458A/zh
Application granted granted Critical
Publication of CN108528458B publication Critical patent/CN108528458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • 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
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • 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
    • 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
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • 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
    • G01S2013/9318—Controlling the 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
    • G01S2013/93185—Controlling the brakes
    • 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
    • G01S2013/9319—Controlling the accelerator
    • 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
    • G01S2013/9323—Alternative operation using light waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Computer Hardware Design (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Traffic Control Systems (AREA)

Abstract

提供了用于控制车辆的系统和方法。在一个实施例中，车辆尺寸预测方法包括基于成组已知车辆尺寸产生成组模拟观察尺寸并且基于该成组模拟观测尺寸和该成组已知车辆尺寸来训练机器学习模块。该方法进一步包括获取与由自主车辆的传感器系统观察到的第一车辆相关联的传感器数据、基于获取的传感器数据来确定第一车辆的观察尺寸，以及利用处理器来通过将多个观察尺寸施加于机器学习模型确定第一车辆的预测实际尺寸。

Description

用于车辆尺寸预测的系统和方法
技术领域
本公开总体上涉及自主车辆，并且更具体地涉及用于预测由自主车辆的各种传感器观察的车辆尺寸的系统和方法。
背景技术
自主车辆(AV)是能够感测其环境并且以很少或不需要用户输入进行导航的车辆。这是通过采用诸如雷达、激光雷达、图像传感器等感测装置来进行。自主车辆进一步使用来自全球定位系统(GPS)技术、导航系统、车对车通信、车对基础设施技术和/或线控驱动系统的信息来导航车辆。
虽然近年来在AV中已经有了显著的进步，但是这样的系统在许多方面仍可能得到改进。例如，AV能够确定在操作期间遇到的车辆的实际尺寸将是有利的。即，虽然AV配备有先进的传感器系统(其可以多种方式将附近的车辆和其它物体(例如，从侧面看、从前面看到的车辆等)的观察到的尺寸特征化)，但是部分由于从传感器的角度来看所观察到的车辆的定向不同，这些物体的实际尺寸并不总是可推导的。
因此，期望提供能够更精确地确定由传感器系统观察到的车辆的实际尺寸的系统和方法。另外，从以下结合附图和前面的技术领域及背景技术进行的详细描述和所附权利要求书中将更清楚地明白本发明的其它理想特征和特性。
发明内容
提供了用于控制自主车辆的系统和方法。在一个实施例中，车辆尺寸预测方法包括基于成组已知车辆尺寸产生成组模拟观察尺寸并且基于该成组模拟观测尺寸和该成组已知车辆尺寸来训练机器学习模块。该方法进一步包括获取与由自主车辆的传感器系统观察到的第一车辆相关联的传感器数据、基于获取的传感器数据来确定第一车辆的观察尺寸，以及利用处理器来通过将多个观察尺寸施加于机器学习模型确定第一车辆的预测实际尺寸。
在一个实施例中，一种用于控制车辆的系统包括车辆尺寸预测模块，其被配置为获取与由自主车辆的传感器系统观察到的第一车辆相关联的传感器数据，并且基于获取的传感器数据来确定第一车辆的多个观察尺寸。车辆尺寸预测模块进一步被配置为通过将多个观察尺寸施加于机器学习模型来确定第一车辆的多个预测实际尺寸，其中通过基于该成组已知车辆尺寸产生成组模拟观察尺寸并且基于成组模拟观察尺寸和成组已知车辆尺寸训练机器学习模块来训练该机器学习模型。
附图说明
下文将结合以下附图描述示例性实施例，其中相同标号表示相同元件，且其中：
图1是说明根据各种实施例的包括系统的自主车辆的功能框图；
图2是说明根据各种实施例的具有如图1中所示的一个或多个自主车辆的运输系统的功能框图；
图3是说明根据各种实施例的与自主车辆相关联的自主驾驶系统(ADS)的功能框图；
图4是说明根据各种实施例的车辆尺寸预测系统的数据流图；
图5是根据各种实施例的机器语言(ML)模型的概念框图；
图6是说明根据各种实施例的用于尺寸预测的控制方法的流程图；
图7说明了根据各种实施例的示例车辆尺寸；
图8是根据各种实施例的已知车辆尺寸数据库的概念图；
图9说明了根据各种实施例的基于尺寸的决策树；且
图10说明了根据各种实施例的激光雷达点云的模拟。
具体实施方式
以下详细描述本质上仅仅是示例性的，并且不旨在限制应用和用途。另外，不存在被任何前述的技术领域、背景、摘要或以下详细描述中提出的任何明确的或暗示的理论约束的意图。如本文所使用，术语模块是指个别或呈任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置，包括但不限于：专用集成电路(ASIC)、电子电路、处理器(共享、专用或成组)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能性的其它合适部件。
本公开的实施例在本文可以依据功能和/或逻辑块部件和各个处理步骤来描述。应当明白的是，这些块部件可以由配置成执行指定功能的任何数量的硬件、软件和/或固件部件来实施。例如，本公开的实施例可以采用各种集成电路部件(例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其它控制装置的控制下实行多种功能)。另外，本领域技术人员将明白的是，本公开的实施例可以结合任何数量的系统来实践，且本文所述的传感器平台仅仅是本公开的一个示例性实施例。
为了简明起见，本文可以不详细描述与信号处理、数字传输、信令、控制、自主车辆、机器学习、图像分析、神经网络、激光雷达、解析几何学以及该系统(和该系统的单个操作部件)的其它功能方面有关的常规技术。另外，本文所包括的各个图式中所示的连接线旨在表示各个元件之间的示例性功能关系和/或物理联接。应当注意的是，在本公开的实施例中可以存在许多替代或附加的功能关系或物理连接。
参考图1，根据各种实施例，车辆尺寸预测系统(或简称为“系统”)100与自主车辆(AV)10相关联。通常，车辆尺寸预测系统100包括能够预测AV 10附近的车辆的实际尺寸的机器学习(ML)模型(例如，神经网络或决策树)。使用已知车辆尺寸的数据库用于大量车辆型号，基于与这些已知尺寸相关联的模拟传感器数据来训练ML模型。所得ML模型将车辆的观察尺寸(例如，从AV 10的视角来看，视在高度、宽度和长度)作为其输入，并且产生这些尺寸的预测实际值作为其输出。
现在参考图1，自主车辆(“AV”或简称“车辆”)10通常包括底盘12、车身14、前轮16和后轮18。车身14被布置在底盘12上并且基本上包围车辆10的其它部件。车身14和底盘12可共同形成框架。车轮16至18各自靠近车身14的相应拐角旋转地联接至底盘12。
在各种实施例中，车辆10是自主车辆，且车辆尺寸预测系统100结合至自主车辆10中。自主车辆10例如是被自动控制以将乘客从一个位置运送至另一个位置的车辆。在所说明的实施例中，车辆10被描绘为乘用车，但是应该明白的是，也可使用包括摩托车、卡车、运动型多用途车辆(SUV)、休闲车辆(RV)、船舶、飞行器等任何其它车辆。
在示例性实施例中，自主车辆10对应于汽车工程师协会(SAE)“J3016”标准分类的自动驾驶等级下的四级或五级自动化系统。使用该术语，四级系统指示“高度自动化”，其指代自动驾驶系统在动态驾驶任务的所有方面的驾驶模式所特有的性能，即使人类驾驶员对干预请求没有做出适当响应。另一方面，五级系统指示“全自动化”，其指代自动驾驶系统在可由人类驾驶员管理的所有道路和环境条件下在的动态驾驶任务的所有方面的全面性能。然而，应当明白的是，根据本主题的实施例不限于自动化类别的任何特定的分类学或标题。另外，根据本实施例的系统和方法可与利用导航系统提供路线引导的任何自主车辆结合使用。
如图所示，自主车辆10通常包括推进系统20、变速器系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34和通信系统36。推进系统20在各种实施例中可包括内燃机、诸如牵引电动机等电机和/或燃料电池推进系统。变速器系统22被配置为根据可选速比将来自推进系统20的动力传输至多个车轮16至18。根据各种实施例，变速器系统22可包括分级传动比自动变速器、无级变速器或其它适当的变速器。
制动系统26被配置为向车轮16至18提供制动转矩。在各种实施例中，制动系统26可包括摩擦制动器、线控制动器、诸如电机等再生制动系统，和/或其它适当的制动系统。
转向系统24影响车轮16至18的位置。虽然为了说明目的而被描绘为包括方向盘25，但是在本公开的范围内设想的一些实施例中，转向系统24可不包括方向盘。
传感器系统28包括感测自主车辆10的外部环境和/或内部环境的可观察状况的一个或多个感测装置40a至40n。感测装置40a至40n可包括但不限于雷达、激光雷达、全球定位系统、光学相机、热像仪、超声波传感器和/或其它传感器。致动器系统30包括一个或多个致动器装置42a至42n，其控制一个或多个车辆特征，诸如但不限于推进系统20、变速器系统22、转向系统24和制动系统26。在各种实施例中，自主车辆10还可包括图1中未说明的内部和/或外部车辆特征，诸如各种车门、行李箱，以及诸如无线电、音乐、照明、触摸屏显示部件(诸如与导航系统结合使用的部件)等舱室特征。
数据存储装置32存储用于自动控制自主车辆10的数据。在各种实施例中，数据存储装置32存储可导航环境的限定地图。在各种实施例中，限定地图可由远程系统预定义并且从远程系统获取(关于图2进一步详细描述)。例如，限定地图可由远程系统组装并且(以无线方式和/或以有线方式)传送至自主车辆10并存储在数据存储装置32中。路线信息还可被存储在数据装置32内-即，一组道路段(在地理上与一个或多个限定地图相关联)，其一起限定了用户可从起始位置(例如，用户的当前位置)行进至目标位置所采取的路线。如将明白的是，数据存储装置32可为控制器34的一部分，与控制器34分开，或作为控制器34的一部分以及单独系统的一部分。
控制器34包括至少一个处理器44和计算机可读存储装置或介质46。处理器44可为任何定制的或商业上可用的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制模块34相关联的若干处理器中的辅助处理器、基于半导体的微处理器(呈微芯片或芯片集的形式)、宏处理器、它们的任何组合或通常用于执行指令的任何装置。计算机可读存储装置或介质46可包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储器。KAM是一种持久或非易失性存储器，其可在处理器44断电时用于存储各种操作变量。计算机可读存储装置或介质46可使用诸如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪速存储器或能够存储数据的任何其它电动、磁性、光学或组合存储器装置的许多已知存储器中的任何一种来实施，其中的某些数据表示由控制器34用于控制自主车辆10的可执行指令。
指令可包括一个或多个单独的程序，每个程序包括用于实施逻辑功能的可执行指令的有序列表。指令在由处理器44执行时接收并处理来自传感器系统28的信号，执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法，并且产生控制信号给致动器系统30以基于逻辑、计算、方法和/或算法来自动地控制自主车辆10的部件。虽然图1中仅示出了一个控制器34，但是自主车辆10的实施例可包括通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号、执行逻辑、计算、方法和/或算法且产生控制信号以自动控制自主车辆10的特征的任意数量的控制器34。在一个实施例中，如下面详细讨论的，控制器34被配置为使用ML模型来对环境中的物体进行分类，该ML模型先前已经基于与这些物体相关联的边界曲线的本质进行了训练。
通信系统36被配置为向和从其它实体48(诸如但不限于其它车辆(“V2V”通信)、基础设施(“V2I”通信)、远程运输系统和/或用户装置(关于图2更详细地描述))无线地传送信息。在示例性实施例中，通信系统36是被配置为经由使用IEEE 802.11标准的无线局域网(WLAN)或通过使用蜂窝数据通信来进行通信的通信系统。然而，诸如专用短程通信(DSRC)信道等附加或替代通信方法也被认为在本公开的范围内。DSRC信道是指专门为汽车使用而设计的单向或双向短程至中程无线通信信道，以及相应的一组协议和标准。
现在参考图2，在各种实施例中，关于图1描述的自主车辆10可适用于在某个地理区域(例如，城市、学校或商业园区、购物中心、游乐园，活动中心等)的出租车或班车系统的背景下或可只需由远程系统管理。例如，自主车辆10可与基于自主车辆的远程运输系统相关联。图2说明了总体上以50示出的操作环境的示例性实施例，该操作环境包括基于自主车辆的远程运输系统(或简称为“远程运输系统”)52，其与关于图1所描述的一个或多个自主车辆10a至10n相关联。在各种实施例中，操作环境50(其全部或部分可对应于图1中所示的实体48)进一步包括经由通信网络56与自主车辆10和/或远程运输系统52通信的一个或多个用户装置54。
通信网络56根据需要支持在由操作环境50支持的装置、系统和部件之间(例如，经由有形的通信链路和/或无线通信链路)的通信。例如，通信网络56可包括无线载波系统60，诸如蜂窝电话系统，其包括多个手机信号塔(未示出)、一个或多个移动交换中心(MSC)(未示出)以及将无线载波系统60与陆地通信系统连接所需要的任何其它联网部件。每个手机信号塔均包括发送和接收天线以及基站，其中来自不同手机信号塔的基站直接或经由诸如基站控制器等中间设备连接至MSC。无线载波系统60可实施任何合适的通信技术，包括(例如)诸如CDMA(例如，CDMA2000)、LTE(例如，4G LTE或5G LTE)、GSM/GPRS或其它当前或正涌现的无线技术等数字技术。其它手机信号塔/基站/MSC布置是可能的并且可结合无线载波系统60使用。例如，基站和手机信号塔可共同位于相同站点处或它们可远离彼此，每个基站可负责单个手机信号塔或单个基站可服务于各个手机信号塔，且各个基站可联接至单个MSC，这里仅列举几种可能布置。
除包括无线载波系统60外，可包括呈卫星通信系统64的形式的第二无线载波系统来提供与自主车辆10a至10n进行的单向或双向通信。这可使用一个或多个通信卫星(未示出)和上行链路传输站(未示出)来进行。单向通信可包括(例如)卫星无线电服务，其中节目内容(新闻、音乐等)是由传输站接收、封装上传并且然后发送至卫星，从而向用户广播该节目。双向通信可包括(例如)使用卫星以在车辆10与站之间中继电话通信的卫星电话服务。除了或代替无线载波系统60，可利用卫星电话。
可进一步包括陆地通信系统62，其为连接至一个或多个陆线电话的常规陆基电信网络并且将无线载波系统60连接至远程运输系统52。例如，陆地通信系统62可包括诸如用于提供硬接线电话、分组交换数据通信和因特网基础设施的公共交换电话网(PSTN)。一段或多段陆地通信系统62可通过使用标准有线网络、光纤或其它光学网络、电缆网络、电力线、其它无线网络(诸如无线局域网(WLAN))或提供宽带无线存取(BWA)的网络或其任何组合来实施。另外，远程运输系统52不需要经由陆地通信系统62连接，反而可包括无线电话设备使得其可直接与无线网络(诸如无线载波系统60)通信。
虽然在图2中仅示出了一个用户装置54，但是操作环境50的实施例可支持任意数量的用户装置54，包括由一个人拥有、操作或以其它方式使用的多个用户装置54。由操作环境50支持的每个用户装置54可使用任何合适的硬件平台来实施。就此而言，用户装置54可以任何常见形式因素来实现，包括但不限于：台式计算机；移动计算机(例如，平板电脑、膝上型计算机或上网本计算机)；智能电话；电子游戏装置；数字媒体播放器；家庭娱乐设备的部件；数码相机或视频摄影机；可穿戴计算装置(例如，智能手表、智能眼镜、智能服装)；等。由操作环境50支持的每个用户装置54被实现为具有实行本文描述的各种技术和方法所需的硬件、软件、固件和/或处理逻辑的计算机实施的或基于计算机的装置。例如，用户装置54包括可编程装置形式的微处理器，该微处理器包括存储在内部存储器结构中并且被施加来接收二进制输入以创建二进制输出的一个或多个指令。在一些实施例中，用户装置54包括能够接收GPS卫星信号并且基于那些信号生成GPS坐标的GPS模块。在其它实施例中，用户装置54包括蜂窝通信功能性使得该装置通过通信网络56使用一个或多个蜂窝通信协议(如本文所讨论)实行语音和/或数据通信。在各种实施例中，用户装置54包括可视化显示器，诸如触摸屏图形显示器或其它显示器。
远程运输系统52包括一个或多个后端服务器系统，该后端服务器系统可为基于云的、基于网络的或驻留在由远程运输系统52服务的特定校园或地理位置。远程运输系统52可由现场顾问、自动顾问、人工智能系统或它们的组合来人工操作。远程运输系统52可与用户装置54和自主车辆10a至10n进行通信以安排乘车、派遣自主车辆10a至10n等。在各种实施例中，远程运输系统52存储诸如用户认证信息、车辆标识符、简档记录、生物测量数据、行为模式和其它相关用户信息等帐户信息。在一个实施例中，如下面进一步详细描述的，远程运输系统52包括存储与导航系统路线有关的信息的路线数据库53。
根据典型的用例工作流程，远程运输系统52的注册用户可经由用户装置54创建乘车请求。乘车请求通常将指示乘客希望的乘车位置(或当前GPS位置)、期望目的地位置(其可识别预定义的车辆停靠站和/或用户指定的乘客目的地)以及乘车时间。远程运输系统52接收乘车请求、处理该请求，并且在指定的乘车地点且在适当的时间派遣自主车辆10a至10n中的一个车辆来让乘客乘车(当一个车辆可用时和如果一个车辆可用下)。运输系统52还可产生并向用户装置54发送适当配置的确认消息或通知，以使乘客知道车辆正在途中。
如可明白，本文公开的主题提供了可被认为是标准或基准自主车辆10和/或基于自主车辆的远程运输系统52的某些增强的特征和功能。为此，自主车辆和基于自主车辆的远程运输系统可被修改、增强或以其它方式补充以提供下面更详细描述的附加特征。
根据各种实施例，控制器34实施如图2中所示的自主驾驶系统(ADS)70。即，利用控制器34(例如，处理器44和计算机可读存储装置46)的合适软件和/或硬件部件来提供与车辆10结合使用的自主驾驶系统70。
在各种实施例中，自主驾驶系统70的指令可由功能或系统组织。例如，如图3中所示，自主驾驶系统70可包括传感器融合系统74、定位系统76、引导系统78和车辆控制系统80。如可明白的是，在各种实施例中，由于本公开不限于本示例，所以可将指令组织(例如，组合、进一步划分等)为任何数量的系统。
在各种实施例中，传感器融合系统74合成并处理传感器数据并且预测车辆10的环境的物体和特征的存在、位置、分类和/或路径。在各种实施例中，传感器融合系统74可结合来自多个传感器(包括但不限于相机、激光雷达、雷达和/或任何数量的其它类型的传感器)的信息。
定位系统76处理传感器数据以及其它数据以确定车辆10相对于环境的位置(例如，相对于地图的本地位置、相对于道路车道的精确位置、车辆航向、速度等)。引导系统78处理传感器数据以及其它数据以确定车辆10遵循的路径。车辆控制系统80根据所确定的路径产生用于控制车辆10的控制信号。
在各种实施例中，控制器34实施机器学习技术以辅助控制器34的功能，诸如特征检测/分类、障碍缓解、路线穿越、绘图、传感器集成、地面实况确定等。
根据各种实施例，控制器34实施如图3中所示的自主驾驶系统(ADS)。即，利用控制器34(例如，处理器44和计算机可读存储装置46)的合适软件和/或硬件部件来提供与车辆10结合使用的ADS70。
在各种实施例中，自主驾驶系统70的指令可由功能或系统组织。例如，如图3中所示，自主驾驶系统70可包括传感器融合系统74、定位系统76、引导系统78和车辆控制系统80。如可明白的是，在各种实施例中，由于本公开不限于本示例，所以可将指令组织(例如，组合、进一步划分等)为任何数量的系统。
在各种实施例中，传感器融合系统74合成并处理传感器数据并且预测车辆10的环境的物体和特征的存在、位置、分类和/或路径。在各种实施例中，传感器融合系统74可结合来自多个传感器(包括但不限于相机、激光雷达、雷达和/或任何数量的其它类型的传感器)的信息。
定位系统76处理传感器数据以及其它数据以确定车辆10相对于环境的位置(例如，相对于地图的本地位置、相对于道路车道的精确位置、车辆航向、速度等)。引导系统78处理传感器数据以及其它数据以确定车辆10遵循的路径。车辆控制系统80根据所确定的路径产生用于控制车辆10的控制信号。
在各种实施例中，控制器34实施机器学习技术以辅助控制器34的功能，诸如特征检测/分类、障碍缓解、路线穿越、绘图、传感器集成、地面实况确定等。
如上面简要提及的，图1的系统100能够基于先前训练的ML模型来预测AV 10附近的另一车辆的实际尺寸。在各种实施例中，使用从实际操作期间AV可能遇到的实际车辆型号的已知尺寸数据库推导的模拟传感器结果(例如，模拟激光雷达云)来训练ML模型。
图4是说明可嵌入控制器34内的系统100的各种实施例的数据流程图。参考图4，示例性系统400通常包括车辆尺寸预测模块420，其接收与在环境中遇到的车辆的观察尺寸相关的传感器数据402(例如，相机图像、激光雷达数据或从传感器系统28接收的任何其它传感器数据)，并且将该车辆的预测实际尺寸作为其输出403。在各种实施例中，模块420基于已知车辆尺寸的数据库实施先前已经使用通过模拟传感器数据产生的示例图像的语料库进行训练的ML模型。
将理解的是，根据本公开的系统100的各种实施例可包括嵌入在控制器34内的任何数量的子模块。如可明白，然后图4中示出的任何模块/子模块可被组合和/或被进一步划分以类似地执行在本文描述的各种方法。系统100的输入可从传感器系统28接收、从与自主车辆10相关联的其它控制模块(未示出)接收、从通信系统36接收，和/或由图1的控制器34内的其它子模块(未示出)确定/建模。例如，模块420可在图3中所说明的各种模块中的任一模块中实施。
车辆尺寸预测模块420可实施使用先前获取并存储(例如，在图2的服务器53中)的一组图像和其它数据训练的各种机器学习模型。就此而言，图5是可结合各种实施例使用的ML模型500的概念性概览。
ML模型500包括多个输入501(例如，501a至501c)和多个输出504(例如，504a至504c)。在所说明的实施例中，输入501a、501b和501c分别对应于由AV 10观察到的车辆的观察高度、宽度和长度(例如，以米或其它适当单位表示距离的实数)，且输出504a、504b和504c分别对应于由AV 10观察到的车辆的预测实际高度、宽度和长度。就此而言，取决于用于测量这些属性的特定传感器数据，所观察到的高度、宽度和长度可基于由AV 10确定的简单线性度量，或可基于考虑到由传感器数据推导的深度信息的更详细度量。例如，如果使用激光雷达数据(其包括距离信息)来确定观察长度501c，且观察到的车辆以斜角面向AV 10，那么可通过首先估计即将来临的汽车的角度且然后在计算观察长度501c时考虑该角度来估计观察长度。可类似地计算观察宽度501b和观察高度501a，但是应当注意的是，由于车辆在道路上大体横向移动，观察高度501a将通常与长度504c的预测实际输出基本相同(除了在观察到的车辆处于倾斜的情况下等)。
在各种实施例中，ML模型500经由学习规则进行“训练”，该学习规则允许该模型通过示例进行有效学习。这样的学习可受到监督(利用所提供的已知示例作为输入)，不受到监督(利用所提供的未分类示例作为输入)或涉及强化学习(在训练期间提供“奖励”的一些概念)。一旦ML模型500被‘训练’至令人满意的水平，它可用作分析工具以在AV 10的正常操作期间进行预测。
如下面将详细描述的，可使用图5来通过接受对应于在AV 10附近的车辆的观察尺寸的输入501并产生这些尺寸的预测实际值作为输出504实施图5的分类模块420。
可使用本领域已知的各种机器学习技术来实施ML模型500。在一个实施例中，使用诸如递归神经网络(RNN)等人工网络来实施ML模型500。在另一个实施例中，使用决策树模型来实施ML模型500。在其它实施例中，使用随机森林模型、贝叶斯分类器(例如，朴素贝叶斯)、主成分分析(PCA)模型、聚类模型、支持向量机模型、线性判别分析模型、回归模型、组合模型或可基于对应于观察尺寸的数值在产生对应于预测尺寸的数值时有效的任何其它模型来实施ML模型。
图6是说明根据各种实施例的用于车辆尺寸预测的控制方法的流程图，并且现在将结合图1至5以及图7至10来描述。一般而言并且如下面进一步详细描述，图7说明了已知车辆的示例尺寸，且图8概念性地说明了已知车辆尺寸的示例数据库。图9描绘了根据各种实施例的基于尺寸的决策树，且图10描绘了根据各种实施例的模拟激光雷达数据的产生。
现在参考图6，可由图1的系统100结合图4的车辆尺寸预测模块420来执行控制方法600。如根据本公开将明白，方法600内的操作顺序不限于如图6中所说明的顺序执行，而是可根据需要并且根据本公开来以一个或多个不同顺序来执行。
控制方法600在601处以编译已知车辆尺寸的数据库而开始。图8中概念地说明这样的数据库，图8示出了具有多个字段(801至804)的数据库800，这些字段将由车辆尺寸预测模块420考虑的该成组车辆尺寸特征化。例如，在图8中，数据库800可包括车辆标识字段801(例如，与实际车辆的特定年份、制造商和型号有关的唯一ID，诸如“2018雪佛兰”)，以及高度字段802、宽度字段803和长度字段804。简要参考图7，这些值分别被说明为示例性车辆700的高度702、长度703和宽度704。在一些实施例中，使用更多或更少的尺寸。例如，在各种实施例中，仅编译车辆宽度803和长度804。
数据库800可以多种方式填充或以其它方式编译，并且可以任何方便的方式存储(例如，存储在图2的数据库53内)。例如，数据库800可从公众可获得的数据库、服务器或网站推导，该数据库包括关于新车和/或二手车的尺寸的信息。在其它实施例中，通过环境中的车辆直接观察和测量，以自动化和/或手动方式填充数据库800。
接下来，在602处，基于已知车辆尺寸的数据库800产生模拟观察尺寸的语料库(或成组模拟观察尺寸)。例如，该训练数据的语料库可包括一大组图像，其包括对应于AV 10(例如，相对于AV 10以各种定向)可能遇到的车辆的传感器数据以及与那些图像相关联的已知实际尺寸(例如，图8的字段802至804)。
在一个实施例中，如图9和10中所示般首先优化(或以其它方式训练)决策树900以有效地表示经由数据库800获得的知识且然后基于决策树900随机地(或系统地)产生示例车辆和对应的模拟传感器数据来产生模拟观察尺寸。
基于尺寸的决策树900通常包括这些节点之间的节点组(例如，901至905)和分支(例如910至913)。节点901至905表示决策点(并且因此表示对应于某些尺寸范围的多组车辆)，且分支(910至913)对应于与树上的较低节点相关联的标准。“叶”节点(即，没有子节点的树的端点，诸如节点903、904和905)对应于来自数据库800的单独车辆ID 801(或类似车辆的逻辑上分组ID)。因此，例如，分支910可对应于标准“长度＜4.5米”，分支901可对应于标准“长度≥4.5米，且长度＜5.2米”等等。每个分支(910至913)可包括基于数据库800中编译的各种尺寸的任意数量的条件。因此，将显而易见的是，可通过随机或系统地从顶部至底部简单地遍历树900来产生典型的实际汽车尺寸(例如，以产生符合现实世界中通常遇到的尺寸的比例的示例车辆)。在另一个实施例中，不是利用决策树900，而是直接从数据库800中随机地或系统地选择示例车辆。
无论如何选择车辆尺寸用于模拟，均采用合适的软件来模拟对应于具有选定尺寸和空间定向的车辆的传感器数据。例如，在图10中说明了该过程，图10示出了相对于附图平面(也假定为AV 10观察车辆1000的角度)以大约45度角定向的示例即将来临的车辆1000。系统然后模拟可能由观察车辆1000导致的传感器数据。在所说明实施例中，例如，示出了激光雷达点云1010，但是可模拟任何其它类型的传感器数据(例如，光学数据、雷达数据等)。使用已知技术，然后可使用观察长度(1013)、观察宽度(1012)和观察高度(1011)来产生可用作图5的输入501的成组模拟观察尺寸。
例如，可经由驻留在图2的系统52内的服务器和/或适当的软件来执行上述模拟过程。用于在3D虚拟空间内模拟车辆的存在并确定可能由这样的模拟车辆产生的激光雷达和/或其它传感器数据的系统和软件在本领域中是已知的，并且在本文不需要详细描述。
继续参考图6，在503处，来自603的模拟观察尺寸结合已知的车辆尺寸(如基于决策树900进行模拟或以其它方式从数据库800推导)用于训练ML模型500。例如，在ML模型500是神经网络的实施例中，当已知车辆尺寸被施加于输出节点504a至c时，模拟观察尺寸被施加于输入节点501a至c。然后使用反向传播或其它技术来训练ML模型500。在其中ML模型500是决策树的实施例中，使用合适的树训练/优化技术来产生期望的ML模型500。
接下来，在604处，在正常操作期间由AV 10获取传感器数据。如上所述，传感器数据可包括在AV 10的操作期间由传感器系统28获取的任何可用数据。在各种实施例中，观察车辆的激光雷达数据在车辆尺寸预测过程中特别受关注。虽然如此，本文描述的实施例不限于此，并且可使用任何可用的传感器数据。
接下来，在605处，基于在604处获取的传感器数据来确定车辆的观察尺寸。如以上结合图5所述，在一个实施例中，该分类通常将包括将所提取的观察尺寸(例如，高度、宽度和长度)作为输入501馈送至先前训练的ML模型500。
根据各种实施例，其它数据(诸如存储在AV 10内或其外部的绘图数据)用作训练的ML模型500的输入或在随后的过程中用于进一步帮助估计实际尺寸。例如，AV 10附近的地图数据可能指示，墙壁或其它先前确定的结构(无论是静止的还是移动的)相对于观察到的车辆处于限制观察到的车辆的可能尺寸的这样的位置中。换言之，系统通常可假设观察到的车辆不能在空间上与附近的墙壁相交。以此方式，可推断关于车辆尺寸的附加信息(例如，宽度，长度等)。
最后，在606处，经由ML模型500的输出504来确定预测实际尺寸。这些预测实际尺寸然后可被AV 10的各种模块(例如，图3中所示的任何模块)使用以更准确地执行它们各自的功能。例如，路径规划模块90可使用预测实际尺寸504来规划避免与非常长的车辆(即，仅仅基于可用传感器数据长度可能不明显的车辆)相交的路径。
虽然前述详细描述中已经提出了至少一个示例性实施例，但是应当明白的是，存在许多变化。还应当明白的是，示例性实施例或多个示例性实施例仅仅是示例并且不旨在以任何方式限制本公开的范围、适用性或配置。实情是，前文详细描述将给本领域技术人员提供用于实施示例性实施例或多个示例性实施例的便捷指引。应当理解的是，在不脱离所附权利要求书和其合法等同物的范围的情况下，可对元件的功能和设置作出各种改变。

Claims (10)

1.一种车辆尺寸预测方法，包括：
提供成组已知车辆尺寸；
基于所述成组已知车辆尺寸产生成组模拟观察尺寸；
基于所述成组模拟观察尺寸和所述成组已知车辆尺寸来训练机器学习模块；
获取与由自主车辆的传感器系统观察到的第一车辆相关联的传感器数据；
基于所述获取的传感器数据来确定所述第一车辆的多个观察尺寸；
利用处理器通过将所述多个观察尺寸施加于所述机器学习模型来确定所述第一车辆的多个预测实际尺寸。
2.根据权利要求1所述的方法，其中所述机器学习模型是人工神经网络模型。
3.根据权利要求1所述的方法，其中所述机器学习模型是决策树模型。
4.根据权利要求1所述的方法，其中产生所述成组模拟观察尺寸包括基于所述成组已知车辆尺寸训练基于尺寸的决策树并且基于所述基于尺寸的决策树产生模拟车辆。
5.根据权利要求4所述的方法，其中产生所述成组模拟观察尺寸包括产生与所述模拟车辆相关联的模拟传感器数据。
6.根据权利要求1所述的方法，其中所述成组已知车辆尺寸至少包括车辆类型标识符、对应于所述车辆类型标识符的车辆长度以及对应于所述车辆类型标识符的车辆宽度。
7.一种用于控制自主车辆的系统，包括：
车辆尺寸预测模块，其包括处理器，并被配置为：
获取与由自主车辆的传感器系统观察到的第一车辆相关联的传感器数据；
基于所述获取的传感器数据来确定所述第一车辆的多个观察尺寸；以及
通过将多个观察尺寸施加于机器学习模型来确定所述第一车辆的多个预测实际尺寸，其中通过基于所述成组已知车辆尺寸产生成组模拟观察尺寸并且基于成组模拟观察尺寸和成组已知车辆尺寸训练所述机器学习模块来训练所述机器学习模型。
8.根据权利要求7所述的系统，其中所述机器学习模型是人工神经网络模型。
9.根据权利要求8所述的系统，其中所述机器学习模型是决策树模型。
10.根据权利要求9所述的系统，其中通过基于所述成组已知车辆尺寸训练基于尺寸的决策树并且基于所述基于尺寸的决策树产生模拟车辆来产生所述成组模拟观察尺寸。
CN201810158440.8A 2017-03-02 2018-02-24 用于车辆尺寸预测的系统和方法 Active CN108528458B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/447,612 US10146225B2 (en) 2017-03-02 2017-03-02 Systems and methods for vehicle dimension prediction
US15/447612 2017-03-02

Publications (2)

Publication Number Publication Date
CN108528458A true CN108528458A (zh) 2018-09-14
CN108528458B CN108528458B (zh) 2021-01-22

Family

ID=63171164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810158440.8A Active CN108528458B (zh) 2017-03-02 2018-02-24 用于车辆尺寸预测的系统和方法

Country Status (3)

Country Link
US (1) US10146225B2 (zh)
CN (1) CN108528458B (zh)
DE (1) DE102018104717A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472301A (zh) * 2018-10-26 2019-03-15 上海新增鼎数据科技有限公司 一种车辆长度计算方法、装置、系统及计算机设备
CN111104937A (zh) * 2019-11-25 2020-05-05 上海眼控科技股份有限公司 车门信息检测方法、装置、计算机设备和存储介质
WO2020220222A1 (en) * 2019-04-29 2020-11-05 Volkswagen (China) Investment Co., Ltd. Vehicle control device and vehicle control system
CN114489166A (zh) * 2020-10-27 2022-05-13 通用汽车环球科技运作有限责任公司 利用伪ann的根进行扭矩控制的方法、系统和装置
CN114913469A (zh) * 2022-07-11 2022-08-16 浙江大华技术股份有限公司 一种车辆长度估计模型建立的方法、终端设备及存储介质

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018176000A1 (en) 2017-03-23 2018-09-27 DeepScale, Inc. Data synthesis for autonomous control systems
US10671349B2 (en) 2017-07-24 2020-06-02 Tesla, Inc. Accelerated mathematical engine
US11157441B2 (en) 2017-07-24 2021-10-26 Tesla, Inc. Computational array microprocessor system using non-consecutive data formatting
US11893393B2 (en) 2017-07-24 2024-02-06 Tesla, Inc. Computational array microprocessor system with hardware arbiter managing memory requests
US11409692B2 (en) 2017-07-24 2022-08-09 Tesla, Inc. Vector computational unit
US11561791B2 (en) 2018-02-01 2023-01-24 Tesla, Inc. Vector computational unit receiving data elements in parallel from a last row of a computational array
US10816978B1 (en) * 2018-02-22 2020-10-27 Msc.Software Corporation Automated vehicle artificial intelligence training based on simulations
WO2019191306A1 (en) * 2018-03-27 2019-10-03 Nvidia Corporation Training, testing, and verifying autonomous machines using simulated environments
US11215999B2 (en) 2018-06-20 2022-01-04 Tesla, Inc. Data pipeline and deep learning system for autonomous driving
US11361457B2 (en) 2018-07-20 2022-06-14 Tesla, Inc. Annotation cross-labeling for autonomous control systems
US11636333B2 (en) 2018-07-26 2023-04-25 Tesla, Inc. Optimizing neural network structures for embedded systems
US11562231B2 (en) 2018-09-03 2023-01-24 Tesla, Inc. Neural networks for embedded devices
US11535262B2 (en) 2018-09-10 2022-12-27 Here Global B.V. Method and apparatus for using a passenger-based driving profile
US11358605B2 (en) * 2018-09-10 2022-06-14 Here Global B.V. Method and apparatus for generating a passenger-based driving profile
SG11202103493QA (en) 2018-10-11 2021-05-28 Tesla Inc Systems and methods for training machine models with augmented data
US11196678B2 (en) 2018-10-25 2021-12-07 Tesla, Inc. QOS manager for system on a chip communications
EP3874418A4 (en) * 2018-10-29 2022-08-10 HRL Laboratories, LLC ARTIFICIAL NEURAL NETWORKS WITH COMPETITIVE BACKWARD MODULATED SPIKE TIME DEPENDENT PLASTICITY AND METHODS FOR TRAINING SAME
US11816585B2 (en) 2018-12-03 2023-11-14 Tesla, Inc. Machine learning models operating at different frequencies for autonomous vehicles
US11537811B2 (en) 2018-12-04 2022-12-27 Tesla, Inc. Enhanced object detection for autonomous vehicles based on field view
US11610117B2 (en) 2018-12-27 2023-03-21 Tesla, Inc. System and method for adapting a neural network model on a hardware platform
US10997461B2 (en) 2019-02-01 2021-05-04 Tesla, Inc. Generating ground truth for machine learning from time series elements
US11150664B2 (en) 2019-02-01 2021-10-19 Tesla, Inc. Predicting three-dimensional features for autonomous driving
US11567514B2 (en) 2019-02-11 2023-01-31 Tesla, Inc. Autonomous and user controlled vehicle summon to a target
CN109933852B (zh) * 2019-02-14 2023-05-16 东软集团股份有限公司 预测车辆尺寸偏差的方法、装置、存储介质及电子设备
US10956755B2 (en) 2019-02-19 2021-03-23 Tesla, Inc. Estimating object properties using visual image data
JP7245464B2 (ja) * 2019-05-22 2023-03-24 株式会社アイシン 変速機の開発支援システムおよび方法
DE102020118805A1 (de) 2020-07-16 2022-01-20 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zum autonomen Konstruieren und/oder Designen von zumindest einer Komponente für ein Bauteil
US20220258739A1 (en) * 2021-02-17 2022-08-18 Qualcomm Incorporated Method and System for Generating a Confidence Value in a Position Overlap Check Using Vehicle Threshold Models
CN113536464B (zh) * 2021-07-21 2024-03-08 浙江吉利控股集团有限公司 一种基于人工智能的尺寸控制方法及尺寸控制系统
CN117647807B (zh) * 2024-01-30 2024-04-19 安徽隼波科技有限公司 一种基于毫米波雷达的机动车尺寸估计方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11257943A (ja) * 1998-03-13 1999-09-24 Mitsubishi Heavy Ind Ltd 走行車両寸法計測装置
JPH11296697A (ja) * 1998-04-10 1999-10-29 Toyota Motor Corp 曲面生成方法
CN103162639A (zh) * 2011-12-12 2013-06-19 无锡物联网产业研究院 一种获取车辆三维轮廓的方法、装置及系统
CN103218621A (zh) * 2013-04-21 2013-07-24 北京航空航天大学 一种室外视频监控中多尺度车辆的识别方法
CN104236478A (zh) * 2014-09-19 2014-12-24 山东交通学院 一种基于视觉的车辆外廓尺寸自动测量系统及方法
WO2015020546A2 (en) * 2012-05-21 2015-02-12 Mb Telecom Ltd. Nonintrusive inspection method and system of cargo type objects: vehicles, container trucks, train carriages
US20150302611A1 (en) * 2014-04-16 2015-10-22 Xerox Corporation Vehicle dimension estimation from vehicle images
CN105160397A (zh) * 2014-06-06 2015-12-16 谷歌公司 训练精炼的机器学习模型
CN105509669A (zh) * 2014-09-25 2016-04-20 中联重科股份有限公司 车辆尺寸检测方法及设备
CN105890542A (zh) * 2016-06-02 2016-08-24 合肥市极点科技有限公司 一种机动车外廓尺寸测量系统及方法
WO2016144027A1 (ko) * 2015-03-06 2016-09-15 김석조 레이저 빔을 이용한 물체의 치수 정보 획득 장치
CN106052567A (zh) * 2016-07-27 2016-10-26 柳州科路测量仪器有限责任公司 车辆外廓尺寸光幕测量装置及方法
CN106067035A (zh) * 2016-05-27 2016-11-02 大连楼兰科技股份有限公司 基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统及方法
US20160358475A1 (en) * 2015-06-04 2016-12-08 Toyota Motor Engineering & Manufacturing North America, Inc. Situation-based transfer of vehicle sensor data during remote operation of autonomous vehicles
CN106295541A (zh) * 2016-08-03 2017-01-04 乐视控股（北京）有限公司 车辆类型识别方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8126642B2 (en) * 2008-10-24 2012-02-28 Gray & Company, Inc. Control and systems for autonomously driven vehicles
US20130197736A1 (en) * 2012-01-30 2013-08-01 Google Inc. Vehicle control based on perception uncertainty
US9381916B1 (en) * 2012-02-06 2016-07-05 Google Inc. System and method for predicting behaviors of detected objects through environment representation
US9495874B1 (en) * 2012-04-13 2016-11-15 Google Inc. Automated system and method for modeling the behavior of vehicles and other agents
US9164511B1 (en) * 2013-04-17 2015-10-20 Google Inc. Use of detected objects for image processing
JP6110256B2 (ja) * 2013-08-21 2017-04-05 株式会社日本自動車部品総合研究所 対象物推定装置および対象物推定方法
US9315192B1 (en) * 2013-09-30 2016-04-19 Google Inc. Methods and systems for pedestrian avoidance using LIDAR
US10194163B2 (en) * 2014-05-22 2019-01-29 Brain Corporation Apparatus and methods for real time estimation of differential motion in live video
US9766625B2 (en) * 2014-07-25 2017-09-19 Here Global B.V. Personalized driving of autonomously driven vehicles
US9524461B1 (en) * 2014-09-30 2016-12-20 Steven T. Huynh Conceptual computation system using a hierarchical network of modules
US20160210775A1 (en) * 2015-01-21 2016-07-21 Ford Global Technologies, Llc Virtual sensor testbed
US9547309B2 (en) * 2015-05-13 2017-01-17 Uber Technologies, Inc. Selecting vehicle type for providing transport
US10345809B2 (en) * 2015-05-13 2019-07-09 Uber Technologies, Inc. Providing remote assistance to an autonomous vehicle
US9511767B1 (en) * 2015-07-01 2016-12-06 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous vehicle action planning using behavior prediction

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11257943A (ja) * 1998-03-13 1999-09-24 Mitsubishi Heavy Ind Ltd 走行車両寸法計測装置
JPH11296697A (ja) * 1998-04-10 1999-10-29 Toyota Motor Corp 曲面生成方法
CN103162639A (zh) * 2011-12-12 2013-06-19 无锡物联网产业研究院 一种获取车辆三维轮廓的方法、装置及系统
WO2015020546A2 (en) * 2012-05-21 2015-02-12 Mb Telecom Ltd. Nonintrusive inspection method and system of cargo type objects: vehicles, container trucks, train carriages
CN103218621A (zh) * 2013-04-21 2013-07-24 北京航空航天大学 一种室外视频监控中多尺度车辆的识别方法
US20150302611A1 (en) * 2014-04-16 2015-10-22 Xerox Corporation Vehicle dimension estimation from vehicle images
CN105160397A (zh) * 2014-06-06 2015-12-16 谷歌公司 训练精炼的机器学习模型
CN104236478A (zh) * 2014-09-19 2014-12-24 山东交通学院 一种基于视觉的车辆外廓尺寸自动测量系统及方法
CN105509669A (zh) * 2014-09-25 2016-04-20 中联重科股份有限公司 车辆尺寸检测方法及设备
WO2016144027A1 (ko) * 2015-03-06 2016-09-15 김석조 레이저 빔을 이용한 물체의 치수 정보 획득 장치
US20160358475A1 (en) * 2015-06-04 2016-12-08 Toyota Motor Engineering & Manufacturing North America, Inc. Situation-based transfer of vehicle sensor data during remote operation of autonomous vehicles
CN106067035A (zh) * 2016-05-27 2016-11-02 大连楼兰科技股份有限公司 基于人工智能有监督学习决策树方法建立不同车型分目标远程定损系统及方法
CN105890542A (zh) * 2016-06-02 2016-08-24 合肥市极点科技有限公司 一种机动车外廓尺寸测量系统及方法
CN106052567A (zh) * 2016-07-27 2016-10-26 柳州科路测量仪器有限责任公司 车辆外廓尺寸光幕测量装置及方法
CN106295541A (zh) * 2016-08-03 2017-01-04 乐视控股（北京）有限公司 车辆类型识别方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472301A (zh) * 2018-10-26 2019-03-15 上海新增鼎数据科技有限公司 一种车辆长度计算方法、装置、系统及计算机设备
WO2020220222A1 (en) * 2019-04-29 2020-11-05 Volkswagen (China) Investment Co., Ltd. Vehicle control device and vehicle control system
CN111104937A (zh) * 2019-11-25 2020-05-05 上海眼控科技股份有限公司 车门信息检测方法、装置、计算机设备和存储介质
CN114489166A (zh) * 2020-10-27 2022-05-13 通用汽车环球科技运作有限责任公司 利用伪ann的根进行扭矩控制的方法、系统和装置
CN114489166B (zh) * 2020-10-27 2023-06-16 通用汽车环球科技运作有限责任公司 利用伪ann的根进行扭矩控制的方法、系统和装置
CN114913469A (zh) * 2022-07-11 2022-08-16 浙江大华技术股份有限公司 一种车辆长度估计模型建立的方法、终端设备及存储介质
CN114913469B (zh) * 2022-07-11 2022-11-22 浙江大华技术股份有限公司 一种车辆长度估计模型建立的方法、终端设备及存储介质

Also Published As

Publication number Publication date
DE102018104717A1 (de) 2018-09-06
US20180253095A1 (en) 2018-09-06
US10146225B2 (en) 2018-12-04
CN108528458B (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN108528458A (zh) 用于车辆尺寸预测的系统和方法
CN109291929A (zh) 用于自动驾驶系统的深度集成融合架构
CN109131346A (zh) 用于预测自主车辆中的交通模式的系统和方法
CN110422171A (zh) 使用基于神经网络的驾驶员学习的自主驾驶
CN109808700A (zh) 用于在自主车辆中映射道路干扰物体的系统和方法
CN108725446A (zh) 用于自主车辆的俯仰角补偿
CN109814520A (zh) 用于确定自主车辆的安全事件的系统和方法
CN110126837A (zh) 用于自主车辆运动规划的系统和方法
CN109866778A (zh) 具有自动辅助的自主车辆操作
CN108961320A (zh) 确定移动物体速度的方法和系统
CN110126839A (zh) 用于自主车辆路径跟随器校正的系统和方法
CN109466548A (zh) 用于自主车辆操作的地面参照确定
CN108761475A (zh) 用于自主车辆操作的校准验证
CN109949590A (zh) 交通信号灯状态评估
CN109425359A (zh) 用于生成实时地图信息的方法和系统
CN109507998A (zh) 用于自主车辆之间的协作的系统和方法
CN108981722A (zh) 用于自主驾驶的使用贝塞尔曲线的轨迹规划器
CN108068792A (zh) 用于自主车辆的自动协同驾驶控制
CN109808688A (zh) 针对即将到来的变道在自主车辆中调整速度的系统和方法
CN108693876A (zh) 目标跟踪
CN108628206A (zh) 道路施工检测系统和方法
CN109144049A (zh) 用于控制感测装置视场的系统和方法
CN110126825A (zh) 用于低级别前馈车辆控制策略的系统和方法
CN108268034A (zh) 用于车辆的专家模式
CN109283924A (zh) 分类方法及系统

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