CN108698595B - 用于控制车辆运动的方法和车辆的控制系统 - Google Patents

用于控制车辆运动的方法和车辆的控制系统 Download PDF

Info

Publication number
CN108698595B
CN108698595B CN201780010102.3A CN201780010102A CN108698595B CN 108698595 B CN108698595 B CN 108698595B CN 201780010102 A CN201780010102 A CN 201780010102A CN 108698595 B CN108698595 B CN 108698595B
Authority
CN
China
Prior art keywords
vehicle
probability
state
motion
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201780010102.3A
Other languages
English (en)
Other versions
CN108698595A (zh
Inventor
K·贝恩拓普
S·迪卡拉诺
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN108698595A publication Critical patent/CN108698595A/zh
Application granted granted Critical
Publication of CN108698595B publication Critical patent/CN108698595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

一种方法使用具有不确定性的车辆运动模型来控制车辆运动。方法对车辆运动模型的可能控制输入的控制空间进行采样，以产生一组采样控制输入，并且确定各采样控制输入使车辆进入满足车辆运动约束的状态的概率。方法使用采样控制输入的概率确定具有使车辆进入状态的超过阈值的概率的控制输入。将控制输入映射到针对车辆的至少一个致动器的控制命令，以控制车辆运动。

Description

用于控制车辆运动的方法和车辆的控制系统
技术领域
本发明总体涉及控制车辆，更具体地涉及控制自主或半自主车辆。
背景技术
车辆(自主车辆或以自主行驶模式执行的车辆)所采用的多个控制系统为了避开障碍物(诸如其他车辆或行人)而且优化与车辆操作关联的一些准则而预测车辆朝某一目标状态的将来安全运动。目标状态可以为固定位置、移动位置、速度向量、区域或其组合。车辆的传感器感测周边环境(诸如道路边缘、行人以及其他车辆)和/或周边环境通过先验给定信息至少部分已知。然而，传感器信息嘈杂且不确定，车辆的确切参数未知，并且环境仅是部分已知的。因此，车辆的控制应考虑这种不确定性。
例如，如果自主道路车辆沿着路段行进，则自主车辆的控制系统可以生成使相对于车道中央的偏差以及速度变化中的一项或组合最小化的运动，以提供乘客的平稳乘车并提供顺利的交通流。车辆的传感器检测道路上的潜在障碍物。由于感测噪声和其他不确定性源，障碍物的位置和速度是不确定的。车辆控制系统在计算车辆的合适加速度和转向输入及其对应的结果运动时应将不确定性考虑在内，以避免控制输入中的不必要跳跃或车辆的其他不希望的行为。
因为自主车辆的一些控制系统所用的车辆模型和环境仅是真实世界的简化数学描述，所以必须快速计算所预测的将来运动，使得在每当需要时可以实时更新该运动。因此，需要以固定更新率或在每当新传感器信息到达时递归地计算运动。
多个系统确定路径(US 8666548)或通过生成随机构造而引起的车辆运动或控制输入(US 7447593、US 88825207)，并且将不同的随机样本连接到彼此，以生长可能运动的树。在仅考虑将来路径的预测时，降低了方法的计算复杂度，但其会导致不可行驶的路径。在另一方面，当预测车辆运动时，通过评价整个运动来确定运动的质量。结果是无法在实时操作中保证运动的质量或未足够快速地确定自主车辆应遵循的运动，或这两者的组合。
运动质量不足结合计算/存储负荷的原因是运动的质量是通过调查从初始状态到目标状态的整个运动而确定的。因此，可能运动的树变得不必要地巨大。在这种情况下，计算/存储负荷可能为压倒性的。
快速计算和可靠性能在多个应用中普遍存在。例如，考虑道路绑定自主车辆在高速公路上行进且无法找到将来运动时的情形。所预测的运动应不仅安全，而且它还应通过考虑不同情形来计算。例如，考虑以下场景：车辆在具有两个车道的道路上操作，并且有两辆其他车辆存在；一辆在该车的前面，而一辆在另一车道中从后面接近。在这种场景中，必须通过决定是减速、保持在后面还是启动超车来确定运动。
发明内容
本发明的一些实施方式基于以下认识：通过评价将车辆从一个状态带到另一状态的控制输入的质量，而不是评价整个运动，可以实现车辆的所确定运动的质量，其中，车辆的状态包括车辆的动力学，诸如车辆的位置、速度以及前进方向。例如，如果期望自主车辆以所维持的速度启动车道变换，则本发明的一些实施方式确定导致车道变换和维持速度这两者的状态的控制输入。期望状态的特性可以事先定义或依赖于行为和环境的特性来调节。
本发明的一些实施方式依赖使用车辆运动模型和在车辆操作的环境中的障碍物可以确定状态以及导致该状态的对应控制输入。例如，构成在将来引起与障碍物的碰撞的高风险的控制输入被赋予低或零概率。
因此，一个实施方式公开了一种控制车辆运动的方法。方法包括：对车辆运动模型的可能控制输入的控制空间采样，以产生一组采样控制输入，其中，车辆运动模型具有不确定性；使用车辆运动模型确定各采样控制输入使车辆进入满足车辆运动约束的状态的概率；使用采样控制输入的概率确定具有使车辆进入状态的概率超过阈值的控制输入；将控制输入映射到针对车辆的至少一个致动器的控制命令；以及根据控制命令控制车辆运动。方法的步骤使用车辆的处理器来执行。
另一实施方式公开了一种车辆的控制系统，该控制系统包括：车辆控制器；和运动规划系统，该运动规划系统包括处理器和存储器，该存储器存储包含运动的不确定性和车辆运动约束的车辆运动模型。运动规划系统对车辆运动模型的可能控制输入的控制空间采样，以产生一组采样控制输入；使用车辆运动模型确定各采样控制输入使车辆进入满足车辆运动约束的状态的概率；并且使用采样控制输入的概率确定具有超过阈值的概率的控制输入。车辆控制器将控制输入映射到针对车辆的至少一个致动器的控制命令，并且使用对车辆的致动器的控制命令控制车辆运动。
附图说明
[图1A]图1A是例示了根据本发明的一些实施方式的合适控制输入的示意图。
[图1B]图1B是例示了根据本发明的一些实施方式的具有合适的一些概率的控制输入的示意图。
[图1C]图1C是例示了根据本发明的一些实施方式的不合适控制输入的示意图。
[图1D]图1D是例示了根据本发明的一些实施方式的各种控制输入的概率的示意图。
[图1E]图1E是根据本发明的一个实施方式的用于控制车辆运动的方法的框图。
[图2A]图2A是根据本发明的一些实施方式的用于控制车辆的控制系统的框图。
[图2B]图2B是根据本发明的一个实施方式的运动规划系统的整体结构的图。
[图3]图3是根据本发明的一些实施方式的定义车辆运动的状态转变的曲线图的示意图。
[图4]图4是示出了根据本发明的一些实施方式的关于运动的可能规范的表。
[图5A]图5A是根据由本发明的一些实施方式采用的一些原理确定的不同运动的示意图。
[图5B]图5B是根据由本发明的一些实施方式采用的一些原理确定的不同运动的示意图。
[图5C]图5C是根据由本发明的一些实施方式采用的一些原理确定的不同速度的示意图。
[图5D]图5D示出了例示了根据本发明的一个实施方式的采样控制输入的概率的选择的曲线图。
[图6A]图6A是根据本发明的一些实施方式的用于控制车辆的方法的流程图。
[图6B]图6B是根据本发明的一个实施方式的用于图6A的方法的确定同一组控制输入的示例性实施方案的流程图。
[图6C]图6C是根据本发明的一个实施方式的用于图6A的方法的确定各控制输入的概率的示例性实施方案的流程图。
[图6D]图6D是根据本发明的一些实施方式的确定碰撞概率的示意图。
[图6E]图6E是根据由本发明的一些实施方式采用的一些原理确定下一状态、控制输入以及对应集合体的示意图。
[图6F]图6F是根据由本发明的一些实施方式采用的一些原理确定状态和对应控制输入以及对应集合体的概率的示意图。
[图6G]图6G是根据本发明的一些实施方式的确定存在导致不同组的状态的规范时的聚合状态的示意图。
[图6H]图6H是根据本发明的一些实施方式的用于图6G的情况的方法的迭代的简化示意图。
[图6I]图6I是根据本发明的一个实施方式的对于车辆确定选择运动的示例性实施方案的流程图。
[图7]图7是根据本发明的一些实施方式的运动规划系统与车辆控制器之间的交互的示意图。
[图8]图8是根据本发明的一个实施方式的中间目标位置的插入的示意图。
[图9]图9是根据本发明的一个实施方式的向用于使车辆移动的由车辆控制器提交的运动的示意图。
[图10]图10是根据本发明的一个实施方式的用于更新运动的方法的流程图。
具体实施方式
本发明的一些实施方式基于以下认识：通过评价将车辆从一个状态带到另一状态的控制输入的质量，而不是评价从当前状态到目标状态的整个运动，可以实现车辆运动的质量。如这里所用的，车辆的状态包括车辆的动力学，诸如车辆的位置、速度以及前进方向。
图1A示出了自主车辆的初始状态110和下一状态120的示例。下一状态120可以为笛卡尔(Cartesian)位置、速度或与车辆关联的另一实体。下一状态120可以为特定状态或状态的区域。例如，下一状态120可以为允许速度的间隔或笛卡尔空间中的可能位置的区域。合适的控制输入是将车辆110从其初始状态带到下一状态120的输入。来自输入的结果状态130a可以对应于一个时间步长应用控制输入的状态转变，或者结果状态130a可以利用轨迹111a即一系列状态转变与初始状态110连接。
从初始状态到下一状态的转变可以使用车辆运动模型来执行。运动模型根据向该模型提交的控制输入来转变车辆状态。在各种实施方式中，车辆运动模型具有不确定性。为此，为了考虑模型是车辆的实际运动的简化描述，而且为了考虑在感测车辆真实状态时的不确定性、感测障碍物状态时的不确定性以及感测环境时的不确定性，车辆运动的模型是概率运动模型。
图1A示出了因控制输入的特定选择而产生的下一状态130a和与由于模型的不确定性而引起的进入下一状态的不确定性关联的不确定性区域131a。因为概率模型具有不确定性，所以区域131a大于下一状态130a，即，区域131a包括下一状态130a。下一状态130a在满足车辆运动约束的状态120中结束，控制输入是良好的控制输入。如这里所用的，各控制输入的“良好性”或质量依赖于控制输入使车辆进入满足车辆运动约束的状态的概率。该概率越高，控制输入越好。
图1B示出了对于控制输入的另一选择的下一状态130b和对应的不确定性区域131b。车辆的下一状态不能违反对运动的约束。然而，在不确定性区域131b内存在可以满足约束的如130b的一些状态，因此存在使车辆的状态从初始状态130转变的、图1B的示例的控制输入为良好控制输入的一些概率。
图1C示出了控制输入导致其中不确定性区域不与期望状态120交叉的下一状态130c的情况。图1C的示例的控制输入使车辆的状态从初始状态130转变到满足车辆运动约束的状态的概率接近零。
图1D示出了对各控制输入的可能所赋予概率和对应的状态130a、130b以及130c。如可以看到的，图1A的控制输入使车辆进入满足约束的状态的概率在图1A、图1B以及图1C的控制输入中最高。类似地，图1B的控制输入使车辆进入满足约束的状态的概率高于图1C的控制输入的概率。一些实施方式使用采样控制输入的概率来确定具有使车辆在超过阈值140的状态移动的概率的控制输入。
例如，本发明的一个实施方式使用与具有超过阈值的最高概率的控制输入对应的控制输入，即，与状态130a对应的控制输入。另一实施方式将控制输入确定为控制输入(诸如图1A、图1B以及图1C的控制输入)的加权平均函数。例如，各控制输入在加权平均函数中的权重为其对应的概率。在一些实施方案中，实施方式聚合具有超过阈值的概率的采样控制输入，即，图1A和图1B的控制输入。
图1E示出了根据本发明的一个实施方式的用于控制车辆运动的方法的框图。方法可以使用车辆的处理器来实施。方法对车辆运动模型的可能控制输入的控制空间采样150从而产生一组采样控制输入155。车辆运动模型145包括关于车辆运动的不确定性。方法使用车辆运动模型145来确定160各采样控制输入使车辆进入满足车辆运动约束147的状态的概率165。
接着，方法使用采样控制输入的概率165确定170具有使车辆在超过阈值140的状态移动的概率的控制输入175。方法将控制输入175映射180到对车辆的至少一个致动器的控制命令185并根据该控制命令控制190车辆运动。
图2A示出了根据本发明的一些实施方式的用于控制车辆200的控制系统199的框图。车辆可以为装配有自主系统的任意类型的移动车辆，诸如四轮轿车或移动机器人。车辆还可以接收优先于控制系统199的命令的外部输入210。在这种情况下，车辆是半自主车辆。
控制系统199包括用于确定车辆的当前状态和目标状态和/或区域的导航系统220。例如，导航系统220可以包括全球定位系统(GPS)和/或惯性测量单元(IMU)。例如，IMU可以包括3轴加速器、3轴陀螺仪和/或磁强计。IMU可以向控制系统199的其他部件提供速度、方位和/或其他位置有关信息。
控制系统199还包括运动规划系统240，该运动规划系统用于确定与车辆的将来运动对应的控制输入和/或一系列控制输入。在本发明的一些实施方式中，运动规划系统根据在先前迭代期间确定的车辆状态迭代地确定控制输入和车辆的状态。
例如，初始状态可以为如由GPS确定的当前位置或如由GPS和IMU的组合确定的当前位置和当前速度的组合。可以响应于来自运动规划系统240的预测243障碍物运动的信息244来确定目标状态，该信息从来自感测系统230的感测信息231来获得，该感测系统包括用于检测障碍物位置和速度的至少一个传感器。例如，目标位置可以为避开与障碍物碰撞的位置。
在一个实施方式中，运动规划系统使用车辆的概率运动模型来确定车辆的将来运动，该将来运动具有最高概率来满足对车辆运动的各种约束(诸如，对车辆的位置相对于道路中央的偏差的限制、对相对于车辆的当前加速度和前进方向角度的变化的限制、对相对于车辆的期望速度情况的偏差的限制、以及到道路上的障碍物的最小距离)。
除了初始和目标状态外，运动规划系统240还接收与周边环境250有关的信息231，诸如障碍物、车辆的可行驶、不可行驶或违法区域。信息231可以从传感器230或作为外部信息290来接收，例如使用车辆到车辆或车辆到基础设施通信。与环境有关的信息可以被表示为地图。运动规划系统240还可以从车辆控制单元260接收与车辆运动有关的信息261。信息可以包括车辆的状态，诸如位置、前进方向、速度，并且从直接或远程连接到机器的硬件或软件接收。
运动规划系统240确定在满足车辆运动约束的同时达到目标状态并避开碰撞和不可行驶区域的车辆运动241。该运动至少包括路径、速度以及方位/前进方向，而且可以包括另外的实体，诸如旋转速度、加速度以及转向、制动和引擎转矩。另外，运动规划系统240确定与该运动241对应的控制输入242，这些控制输入可以用作对车辆控制系统的前馈控制输入，其将控制输入映射到针对车辆致动器的控制命令。
在本发明的一个实施方式中，运动规划系统包括由感测系统230检测并由运动规划器接收231的障碍物运动的预测243。响应于以高概率预测在车辆的将来预测运动上的障碍物，本发明的一些实施方式计算车辆的修改后的将来运动。障碍物可以为另一车辆或行人或表示违法行驶行为的虚拟障碍物，诸如界定允许行驶车道的线、停止线、让路标志或来自行驶员或乘客的输入的内容。
例如，针对与使得可能发生碰撞的障碍物的交叉搜索所计算的运动，并且一个实施方式向被预测为与障碍物碰撞的运动赋予低概率甚至丢弃这些运动。修改后的将来运动从先前迭代来计算的、剩余的已存储的一组可能运动开始来确定。本发明的一些实施方式基于以下内容：从感测系统230获得的传感器信息231可能是不确定的且具有误差，并且即使在障碍物预测243考虑了不确定性时，障碍物运动的预测也是不确定的。在这种情况下，当从传感器系统230接收到校正后的信息时，当检测路径上的障碍物时，修改由运动规划系统240计算出的运动。
运动241用作对车辆控制器260的输入或基准轨迹来计算车辆命令，诸如转向、制动以及节气门。这些命令被提交到车辆的致动器，以使车辆根据所预测的运动241来移动。另一实施方式提供与运动241对应的控制输入242。如果运动规划器240中包含的车辆运动模型使用与实际车辆相同的控制输入，则可以使用所计算的输入来直接控制车辆。例如，如果车辆200通过施加转向和引擎转矩来控制，以及如果在运动规划器中使用的运动模型也将转向和引擎转矩用作控制输入，则其可以直接施加于车辆，从而优先于车辆控制系统260。然而，因为在运动规划器240中使用的车辆200的数学描述可以是车辆的真实运动的简化，所以控制输入242反而可以连同运动基准241一起用作前馈或标称控制信号来作为到车辆控制系统260的输入。例如，加速度可以被建模成与引擎转矩成比例。因此，如果加速度在运动规划系统240中采用的车辆运动模型中用作输入，则加速度可以用作对车辆控制系统260的缩放后的前馈输入。
例如，车辆控制系统260可以包括转向控制器、制动控制器以及节气门控制器，其中，转向控制器把转向角作为输入，制动控制器把基准减速度或车轮滑移当作输入，引擎控制器把标称速度或加速度当作输入，所有控制器输出转矩，并且运动规划系统240包括所有这些实体。然后，由运动规划器240计算的转矩可以绕过车辆控制系统260或转矩242可以用作车辆控制系统260的零级值，并且转向角、基准减速度或车轮滑移、以及标称速度或加速度可以用作对车辆控制系统260的基准241。
图2B示出了根据本发明的一个实施方式的运动规划系统240的整体结构。运动规划系统240包括用于执行运动规划系统240的模块的至少一个处理器270。处理器270连接271到存储环境的地图281和车辆信息282的存储器280。存储器280还存储283一直到当前时间计算的将来运动、相应概率和不确定性以及运动规划器的内部信息，该内部信息包括但不限于：成本函数、各所计算状态的值、导致各状态的运动、关于相对于车辆的期望位置的偏差的信息、以及障碍物的将来预测运动。在一些实施方式中，基于从车辆261和感测231接收的信息更新271关于车辆和环境的信息。
一个实施方式依赖以下认识：期望控制输入仅可以通过每次评价一个控制输入来确定，而不是评价从初始状态到目标状态的整个运动的控制输入来确定。即，当评价特定控制输入时可以确定所计算轨迹的质量，而不是在从初始状态到目标状态计算轨迹且然后评价运动的质量。
例如，一些实施方式使用车辆的概率运动模型来计算优化关于车辆运动的成本函数的控制输入，其中，该成本函数被表达为对车辆运动的概率约束，其中，一组控制输入的选择可以根据优化一些其他概率成本函数来选择。成本函数根据本发明的其他实施方式来选择。
图3示出了根据本发明的一些实施方式的定义车辆运动的状态转变的树的示意图。示出了可行驶空间330中的当前树，其中根节点300指示车辆当前状态，并且树包括状态作为节点并且包括状态转变作为根据本发明的其他实施方式选择的控制输入得到的、状态空间中的边缘。例如，边缘321是通过在从根节点300到状态320的预定时间内施加控制输入来生成的运动。树可以包括车辆的目标状态310和目标区域340。在本发明的一个实施方式中，可以存在多个目标状态310和区域340。概率可以关联到生成边缘321的控制输入，因此还关联到状态320，其考虑了车辆、障碍物以及环境的模型中的不确定性。
在本发明的一些实施方式中，通过在多个时刻期间评价控制输入来创建边缘321，而其他实施方式对于各时刻确定新控制输入，其中，控制输入的确定根据本发明的其他实施方式来描述。在其他实施方式中，通过聚合一个或多个时刻期间上的多个控制输入来创建边缘321。在朝目标区域340扩展树时，选择初始状态，确定控制输入，并且确定对应的状态序列和最后状态。例如，380可以为所选择的状态，381可以为轨迹，其作为边缘添加到树，并且360是最终状态，其作为节点添加到树。树的更新由本发明的其他实施方式来描述。
在一些实施方式中，车辆状态根据一些非线性函数xk+1＝f(xk，uk，wk)在时间上动态演变，其中，f∈Rn是描述系统状态的演变的非线性函数，k是离散时间索引，x∈X∈Rn，其中，X是状态空间，uk包含到系统的输入，并且wk是作用于系统状态的噪声，该噪声例如由于车辆数学描述中的不确定性、车辆参数(诸如质量)的不确定性、或其他不确定性源而引起。例如，作用于状态的噪声包括与由函数描述的车辆的动力学的精度有关的不确定性和与由函数使用的车辆参数的精度有关的不确定性中的一项或组合。在一些实施方式中，状态包括车辆的位置向量、速度向量以及前进方向(诸如方位)。关于概率密度函数(PDF)，动态系统可以被描述为xk+1～p(xk+1|xk，uk).一些实施方式依赖于可以确定关于期望运动的现有规范的认识。
图4例示了关于在道路上行驶的自主车辆运动的可能规范的示例性列表。关于运动的规范可以映射到车辆运动约束。例如，关于车辆运动的规范可以指示车辆留在道路上400。可能的另外规范可以指示车辆应以标称速度420在车道中央行驶410。标称速度可以由从地图获得或由感测系统230感测的道路速度限制来给出，或者可以由车辆的行驶员或乘客210来给出。例如，规范还可以指示车辆对周围障碍物维持安全余裕。周围障碍物可以由感测系统230来检测，并且障碍物的将来行为可以由预测系统243来预测。另外，另一可能规范是对同一车道中的车辆维持安全距离440，440可以但通常与430不相同。由于乘客舒适、燃料消耗、磨损或其他原因，规范可以指示车辆的平稳行驶450。如在图4中制成表格的规范可以互相起反作用。例如，不可能在对周围障碍物保持安全余裕430的同时维持恒定速度420，或者规范410仅陈述车辆应维持多个车道中的一个的中央。
在本发明的一些实施方式中，规范被描述为期望输出或动态系统应满足的对运动的约束，yk＝h(xk)。例如，如果一个规范是标称速度vnom且一个状态是车辆速度v，那么理想地vnom＝v，即，车辆的速度应与标称速度相同。
在一个实施方式中，向期望输出添加随机噪声源ek，即，yk＝h(xk,ek)。噪声源ek考虑规范无法且可能不可以被确切满足。噪声源可以以多个方式来选择。例如，噪声源可以被选择为具有零均值和协方差矩阵Rk的加性高斯PDF，即，这导致yk＝h(xk)+ek，或者被选择为具有最小值和最大值的均匀分布，或者被选择为乘性噪声。另外或另选地，噪声源可以以应用特定方式来选择。关于PDF，规范可以被描述为yk～p(yk|xk)。
为此，在本发明的一个实施方式中，车辆运动约束包括对车辆的位置相对于道路中央的偏差的限制、对相对于车辆的当前加速度和前进方向角度的变化的限制、对相对于车辆的期望速度情况的偏差的限制、以及对到道路上的障碍物的最小距离的限制中的一项或组合。另外或另选地，车辆运动约束可以为概率的，并且包括车辆的位置相对于道路中央的偏差的概率、相对于车辆的当前加速度和前进方向角度的偏差的概率、相对于车辆的期望速度情况的偏差的概率、以及违反距道路上的障碍物的最小距离的概率中的一项或组合。
图5A示出了根据由本发明的各种实施方式采用的一些原理确定的不同运动的示意图。可行驶区域500包括除了存在障碍物的区域520之外的道路510。可以根据车道信息、车辆行驶员或乘客的意图确定的期望运动530可以被解释为从车辆的当前状态550达到目标状态540但穿过障碍520的不可行驶区域的基准运动。期望运动530可以被建模为车辆状态的概率密度函数(PDF)531形式的概率约束，其中，期望运动530是PDF的均值，并且所允许的相对于该均值的偏差被建模为标准偏差532。在这种情况下，依赖于运动与PDF 531交叉多少来给予运动不同的概率。运动规划器生成运动，诸如运动560和570，其避开了障碍物520，但在与期望运动530相同的位置处开始和结束。
在本发明的一些实施方式中，运动通过以下方式来计算：第一，根据为良好运动的概率从初始状态到目标状态确定多个运动；第二，优化确定性成本函数，该确定性成本函数组合了相对于标称运动的偏差和性能的其他测度，例如，相对于标称速度、到周围障碍物的距离或转向输入的大小的偏差。为了例示，运动560保持接近于期望运动，而运动570强调了维持小的转向输入的重要性。在运动规划系统240中，计算出得到目标状态540的多个不同运动，并且成本函数确定选择哪个运动。
图5B示出了根据由本发明的各种实施方式采用的一些原理确定的不同运动的示意图。自主车辆在具有分道线510b的两车道道路上处于当前状态550，其中在第一车道中具有移动障碍物520b。关于运动的规范可以为车辆应以相对于规范的相应容许概率偏差561b和571b维持两个车道560b和570b中的任一个，因此运动规划器可以确定留在第一车道中还是进入第二车道。黑线580b和590b示出由运动规划器240进行的两个可能的所计算运动。运动590b不满足规范560b，直到近似在路径中途。
图5C示出了与580b和590b对应的相应速度情况580c和590c，连同维持标称速度(在这种情况下为恒定速度)的规范560c。在图5C中，与运动580b对应的速度580c不满足约束。本发明的一些实施方式在确定最佳运动时将这两个和另外的规范加权在一起。
图5D示出了例示了根据本发明的一个实施方式的使用车辆状态的PDF 531进行的采样控制输入的概率的选择的曲线图。例如，实施方式向车辆运动模型提交初始状态和采样控制输入，从而估计车辆从初始状态向下一状态521的转变，并且选择在与下一状态521对应的点523处的车辆的状态期上的PDF的值522作为采样控制输入的概率。
图6A示出了根据本发明的一些实施方式的用于控制车辆的方法699的流程图。方法迭代地确定指定车辆从车辆的初始状态到车辆的目标状态的运动的一系列控制输入。在不同实施方式中，初始状态是车辆的当前状态，和/或其中，初始状态是与在方法的先前迭代期间确定的控制输入对应的状态。车辆的当前状态和目标状态可以由导航系统220来确定。
运动例如如图3所示由连接车辆状态的状态转变来限定。各状态包括车辆的位置、速度以及前进方向。方法的步骤由运动规划系统240和/或车辆的处理器270来执行。运动被迭代地确定，直到满足终止条件，例如运动被迭代地确定一个时间段或预定数量个迭代。图6A的方法的迭代包括以下步骤。
方法确定600初始状态、一组采样控制输入以及对应的一组状态转变，使得状态和转变满足对车辆状态的静态和动态约束。例如，方法确定图3中的状态380、状态转变381以及状态360。
图6B示出了根据本发明的一个实施方式的确定一组采样控制输入600的示例性实施方案的流程图。确定600使用与环境和使用先前迭代确定的状态有关的信息。先前状态的示例包括图3中的节点320、380、370以及390。
示例性实施方案执行对状态的初始寻找601。如果是方法的第一迭代，则初始状态是车辆的当前状态。否则，可以以许多方式确定初始状态。例如，初始状态可以被确定为具有到目标状态位置的最小欧几里德距离的状态，初始状态可以通过生成[1,M]间的统一整数随机数来确定，其中，初始状态是数字1，并且在先前迭代中确定的最后一个状态为数字M，或者初始状态可以被确定为与在先前迭代期间确定的控制输入对应的状态。
方法对一组N个控制输入进行采样602，其中，N可以为预定的或被使得自适应，并且方法使用一组控制输入来预测603状态在本发明的一些实施方式中，控制输入从动态系统的噪声源即从wk生成，其中标称输入uk作为输入的均值。例如，wk可以被选择为由高斯分布而得到，或者其可以被选择为适于特定应用的PDF。
在本发明的其他实施方式中，通过使用关于运动的规范来生成采样控制输入602。关于运动的规范是预先已知的，并且校正从动态系统的噪声源生成的输入以更佳地满足该规范。例如，可以使用概率函数q(xk+1|xk,yk+1)来生成输入，其中，在给定时间索引k时的状态和时间索引k+1时的规范的情况下，q是时间索引k+1时的状态的函数。
作为特定示例，如果wk和ek这两者是加性高斯PDF，则q可以被选择为其中， 并且即，控制输入可以被生成为来自动态系统的噪声源的随机样本，其用确定性项修改以考虑相对于规范的偏差，并且使用修改后的控制输入来预测603对应的状态。
在本发明的一个实施方式中，采样控制输入602的生成和对应状态603的预测循环地执行，其中，预先确定迭代的数量。在另一实施方式中，控制输入602的生成在T个时间步长之前基于规范进行。例如，迭代的数量T可以被确定为固定数量的步，或者迭代可以被确定为感测系统230的传感器的分辨率的函数。当602被执行T个时间步长时，根据从时间索引k+1到时间索引k+T的所有规范生成输入，即，q(xk+1|xk，yk+1，…，yk+T)。
图6C示出了确定各输入的产生到满足车辆运动约束的状态的移动的概率的方法610的流程图。在确定各输入的概率时，首先对于碰撞611检查下一状态603。如果下一状态603和导致状态603的状态转变是无碰撞的，则确定612状态对规范的符合，并且计算613各输入的概率。
在一个实施方式中，如果碰撞检查611确定下一状态与障碍物碰撞，则导致满足对车辆运动约束的状态的输入的概率可以被设置为零。碰撞检查可以为确定性的，或者可以为概率的，其中，在碰撞概率超过某一阈值的情况下可以假定要发生碰撞，其中，障碍物的预测是根据障碍物的概率运动模型来进行的。
图6D示出了以下示例：自主车辆的位置610d的预测与障碍物620d的不确定性区域621d交叉，并且障碍物620d处于位置610d的概率比碰撞阈值630d高。例如，车辆的传感器可以确定障碍物的位置作为时间的函数。运动规划系统确定下一状态与障碍物的不确定性区域交叉的概率，并且当下一状态与障碍物的不确定性区域交叉的概率超过碰撞阈值时向采样控制输入赋予零概率。
在方法610的另一实施方式中，如果所聚合的概率低于阈值614，其中该阈值可以是预定的，则没有输入具有导致满足车辆运动约束的状态的大概率，因此方法退出615并重新开始599。
在本发明的一些实施方式中，作为规范/约束的下一状态以及在先前循环66期间确定的输入的概率的组合来进行确定612。例如，如果输入是根据车辆的动态模型来生成的，则概率与规范的PDF成比例，即，作为另一示例，如果输入的采样如以上所说明的是根据来进行的，则概率与规范的PDF的预测成比例，即，在一个实施方式中，概率被归一化以使其表示PDF。
在本发明的一个实施方式中，在一些时间步长中用具有较高概率的输入和状态代替具有非零但较低概率的输入和对应状态。例如，一个实施方式以生成的概率为的方式来生成新的一组输入和对应状态。在另一实施方式中，在每当概率的反平方和低于某一预定阈值时执行代替。这样做确保仅使用可能良好的控制输入。
输入和对应状态的确定620可以以多个方式来进行。例如，一个实施方式通过使用加权平均函数来确定控制输入以产生状态作为并且对于控制输入类似。另一实施方式确定控制输入作为具有最高概率的状态和输入，即，另外或另选地，一个实施方式通过在固定数量m<N个采样控制输入上求平均来确定控制输入。
图6E示出了当对于各迭代生成五个采样控制输入时的步骤600、610以及620的三个迭代的结果的简化示意图。使用运动模型和五个采样控制输入在时间上向前预测611e初始状态610e，以产生五个下一状态621e、622e、623e、624e以及525e。概率被确定为规范626e以及规范626e的概率地允许的偏差627e的函数。在各时间步长处，即，在各迭代处，使用概率的聚合来产生聚合后控制输入和对应状态620e。
图6F示出了在图6E中的第一迭代处的五个状态的可能赋予概率。这些概率621f、622f、623f、624f以及525f在选择例示了状态621e、622e、623e、624e以及525e的点的大小时被反映。
返回参照图6E，状态620e变成用于下一迭代的初始状态，其再产生使车辆的状态从初始状态620e转变到下一状态631e、632e、633e、634e以及635e的五个采样控制输入。根据该迭代的采样控制输入的概率选择与状态630e对应的控制输入。状态630e是用于下一迭代的初始状态。
在本发明的一些实施方式中，约束(诸如图4中的)可以对彼此起反作用。例如，考虑在两车道道路上行驶的车辆应维持车道中的一个车道的中央的约束。这可以表达为规范y＝d2，其中，d可以为车辆相对于道路中央的位移的绝对值，即，y的值将相同，而不管车辆是在第一车道中还是在第二车道中。
图6G示出了根据本发明的一个实施方式的对立约束的可能场景的示意图。实施方式首先确定哪些状态属于车道中的哪些，然后计算两个聚合控制输入和对应聚合状态。这可以以多个方式来进行。例如，一个实施方式首先确定离散概率的连续表示630g，例如使用核平滑器，然后确定610g和620g，其在图5B中由560b和570b例示。在另一实施方式中，确定与最大概率640g对应的控制输入和对应状态。在另一实施方式中，具有低于某一阈值的概率的两个靠近状态确定分道线。应理解的是，该示例可以被一般化到其他规范和较高维数。作为另选，对立约束可以通过以下处理来单独对待：首先确定用于包含另一非对立约束在内的第一约束的运动，然后确定用于另一约束的运动。
一些实施方式如下更新节点和边缘的树G＝(V,E)。如果为方法600的第一迭代，则用当前状态来初始化树，并且边缘为空。否则，添加在600-620中确定的一系列聚合状态和一系列控制输入作为节点，并且添加连接状态的轨迹作为边缘。例如，图3中的360是添加的节点，并且对应边缘是381。另选地，在一个实施方式中，所有生成的控制输入和对应状态被添加到树，在这种情况下，可以绕开确定620。
图6H示出了产生PDF的各离散区间的控制的方法的迭代的简化示意图。在该示例中，对于单个迭代选择与状态623e和624e对应的两个控制输入。对于至少一个迭代选择多个控制输入导致连接车辆的当前状态与车辆的目标状态的一组运动。为此，一个实施方式从一组运动选择使成本函数最优的运动。
图6I示出了根据一个实施方式的用于选择车辆运动640的框图。根据已经到达目标区域340的所有运动的成本函数检查运动，确定642导致最佳成本的运动，并且向车辆控制系统应用643具有对应控制输入的运动。
一些实施方式根据由运动规划系统240计算出的运动来控制650车辆。由运动规划系统计算出的运动用作到车辆控制系统的基准轨迹。在一个实施方式中，控制输入用作到车辆控制系统的前馈分量。例如，本发明的一个实施方式使用为笛卡尔平面位置形式的基准轨迹并将车辆的转向角和加速度用作前馈分量。在一个实施方式中，基准轨迹包含车辆的位置、速度向量以及前进方向。
图7示出了根据本发明的一些实施方式的在运动规划系统与车辆控制器之间的交互的示意图。例如，在本发明的一些实施方式中，车辆700的控制器是控制车辆700的旋转和加速度的转向控制器710和制动/节气门控制器720。然而，在一个实施方式中，运动规划系统740使用较简单的模型，使得运动规划器740中的控制输入是转向和速度。为此，车辆控制器700将控制输入映射到针对车辆的至少一个致动器(诸如车辆的方向盘和/或制动器)的控制命令，并且使用对车辆的致动器的控制命令控制车辆运动。
例如，可以向车辆控制系统720的基准轨迹添加运动规划器的控制输入。在一个实施方式中，例如当运动规划系统740的控制输入与710和720部分相同时，在运动规划器中计算的、使车辆移动的控制输入用作对真实车辆控制系统的前馈控制输入。在这样做时，真实车辆控制系统仅控制由于运动规划器中的建模误差而引起的偏差。
运动规划系统240选择使成本函数最小化、满足车辆运动约束且避免与障碍物的碰撞的运动。一个实施方式将成本函数选择为其中，k1和k1是对欧几里德距离的正权重，pref和vref分别是来自导航系统的例如根据行驶员或乘客输入计算的或从摄像头估计的期望路径和速度，并且p和v是车辆的位置和速度。在其他实施方式中，成本函数被选择为J＝T，其中，T是从初始状态到达目标区域的运动的时间。又一个实施方式使用g＝k1Δδ+k1Δv，其中，Δδ和Δv分别是两个连续时间步之间的转向和速度的差，反之亦然。例如，一个实施方式在当前位置与目标状态之间插入中间目标输出。
图8示出了以下情况：自主车辆800在具有道路边缘810和在两个车道之间的分隔线820的两车道道路上移动，接收了目标位置830，但运动规划系统无法在所分配的时隙内计算出到目标830的安全运动。在本发明的一个实施方式中，运动规划器插入较容易到达的中间目标点840和/或841。在一个实施方式中，在各车道中插入一个目标点。例如，当在道路上存在障碍物850时，依赖于所使用的成本函数，运动规划器可以确定是否启动车辆850的超车。在另一实施方式中，导航系统可以提供这种中间目标。
例如，一个实施方式确定中间目标位置，例如初始位置与目标位置之间的位置840，确定初始位置与中间目标位置之间的第一运动，并且使用该第一运动来控制车辆到达该中间目标位置。接着，实施方式确定该中间目标位置与目标位置之间的第二运动，并且使用第二运动来控制车辆到达目标位置。另选地，可以计算如图5B中那样的多个运动560b和570b。
在一些实施方式中，在用于计算的时隙过期时，向车辆控制系统发送到中间目标的计算出运动作为参考，同时运动规划系统继续计算到目标状态830的改进运动。在一些实施方式中，随着新预测的运动被发送到车辆控制系统，更新中间目标。在其他实施方式中，在改进运动之前去除未执行的树的部分从而提高效率。
一些实施方式将目标位置确定为运动规划系统可以处理的最远位置。例如，一个实施方式依赖于多个因素，诸如最大加速度、最大速度以及最大转向，来确定被允许确定运动的时间段，确定允许在该时间段内计算运动的最大距离，并且将从初始位置朝最终目的地最大距离的位置确定为目标位置。
图9示出了向用于使车辆900移动的由车辆控制器提交的运动902的示意图。在下一规划循环处，车辆进入910。在本发明的一个实施方式中，运动规划器预测这一点并去除曲线图中的与冗余部分901对应的节点和边缘。
当先前计算的运动可用时，运动规划系统可以使用该运动从而减少计算量。然而，可能需要调节路径以将不可行驶区域的变化考虑在内，该变化比如由于一个或更多个障碍物与预测系统243所预测的情况不同地移动而引起，即使在243中包括了不确定性预测，并且因此受控车辆位置与运动规划系统240计算出的不确切相同。
图10示出了根据本发明的一个实施方式的用于更新运动的方法的流程图。首先，感测系统检测非预期的环境变化或车辆状态的估计变化1010。去除与导致不安全运动的节点对应的分支1020。对之前未覆盖的潜在区域采样1030，连同在时间允许的情况下进行附加采样和位置的连接，并且更新运动1040。
在一些实施方式中，当新障碍物出现或障碍物相对于在运动规划器中预测的位置改变位置时，首先确定与新预测的障碍物运动碰撞的、树中的边缘。对于与障碍物交叉的各边缘，将对应的子端点节点标记为无效。接着，树被修剪并再生长。
本发明的以上所描述的实施方式可以以大量方式中的任一个来实施。例如，实施方式可以使用硬件、软件或其组合来实施。当在软件中实施时，可以在任意合适的处理器或处理器的集合上执行软件代码，而不管处理器是设置在单个计算机中还是分布在多个计算机之间。这种处理器可以被实施为集成电路，一个或更多个处理器在集成电路部件中。但处理器可以使用任意合适格式的电路来实施。
同样，这里所概述的各种方法或过程可以被编码为可在采用各种操作系统或平台中的任意一个的一个或更多个处理器上执行的软件。另外，这种软件可以使用多个合适的编程语言和/或编程或脚本工具中的任一个来书写，而且可以被编译为在框架或虚拟机上执行的可执行机器语言代码或中间代码。通常，在各种实施方式中，可以根据期望组合或分配程序模块的功能。
同样，本发明的实施方式可以被具体实施为示例已经被提供的方法。被执行为方法的一部分的动作可以以任意合适的方式来排序。因此，可以构造以下实施方式：虽然动作在例示性实施方式中被示出为顺序动作，但动作以与所例示的不同顺序来执行，这可以包括同时执行一些动作。

Claims (16)

1.一种用于控制车辆运动的方法，该方法包括：
对车辆运动模型的可能控制输入的控制空间进行采样，以产生一组采样控制输入，其中，所述车辆运动模型具有不确定性；
使用所述车辆运动模型确定各采样控制输入使车辆进入满足车辆运动约束的状态的概率，包括确定所述车辆的初始状态；向所述车辆运动模型提交所述初始状态和所述采样控制输入，从而估计所述车辆从所述初始状态到下一状态的转变，选择车辆状态的概率分布函数在与该下一状态对应的点处的值作为所述采样控制输入的所述概率，确定下一状态与障碍物的不确定性区域交叉的概率，以及当所述下一状态的所述概率超过碰撞阈值时，向所述采样控制输入赋予零概率；
使用所述采样控制输入的所述概率确定具有使所述车辆在超过相对于所述概率的阈值的所述满足车辆运动约束的状态移动的概率的控制输入；
将所述控制输入映射到针对所述车辆的至少一个致动器的控制命令；以及
根据所述控制命令控制车辆运动，其中，所述方法的步骤使用所述车辆的处理器来执行。
2.根据权利要求1所述的方法，其中，所述车辆运动模型是描述所述车辆的状态的转变的函数，其中，所述函数包含作用于所述状态的噪声，其中，所述状态包括所述车辆的位置、所述车辆的速度以及所述车辆的前进方向，并且其中，作用于所述状态的所述噪声包括由所述函数描述的车辆的动力学的准确性的不确定性和所述函数使用的车辆参数的准确性的不确定性中的一项或组合形成的所述不确定性。
3.根据权利要求1所述的方法，其中，所述控制输入的确定包括：
使用加权平均函数聚合具有超过所述阈值的所述概率的所述采样控制输入，以产生所述控制输入，其中，各采样控制输入在所述加权平均函数中的权重是其对应的概率。
4.根据权利要求1所述的方法，其中，所述控制输入的确定包括：
选择具有所述采样控制输入的超过所述阈值的概率中的最高概率的采样控制输入作为所述控制输入。
5.根据权利要求1所述的方法，其中，所述车辆运动约束包括对所述车辆的位置相对于道路中央的偏差的限制、对相对于所述车辆的当前加速度和前进方向角度的变化的限制、对相对于所述车辆的期望速度情况的偏差的限制、以及对到所述道路上的障碍物的最小距离的限制中的一项或组合。
6.根据权利要求1所述的方法，其中，所述车辆运动约束包括所述车辆的位置相对于道路中央的偏差的概率、相对于所述车辆的当前加速度和前进方向角度的偏差的概率、相对于所述车辆的期望速度情况的偏差的概率、以及违反距道路上的障碍物的最小距离的概率中的一项或组合。
7.根据权利要求1所述的方法，所述方法还包括：
使用所述车辆运动约束和所述车辆运动模型的所述不确定性来确定所述概率分布函数。
8.根据权利要求1所述的方法，其中，所述初始状态是所述车辆的当前状态。
9.根据权利要求1所述的方法，所述方法还包括：
迭代地确定一系列控制输入，该一系列控制输入指定从所述车辆的所述初始状态到所述车辆的目标状态的所述车辆运动，其中，所述初始状态是与所述方法的先前迭代期间确定的所述控制输入对应的状态。
10.根据权利要求9所述的方法，其中，对于所述方法的各迭代确定所述概率分布函数，并且其中，对于至少一个迭代的所述概率分布函数包括具有超过所述阈值的值的多个离散区间，所述迭代包括：
确定一组控制输入，其中，所述概率分布函数的各离散区间存在一个控制从而产生将所述车辆的当前状态与所述车辆的所述目标状态连接的一组运动；以及
从所述一组运动选择使成本函数最优的运动。
11.根据权利要求9所述的方法，所述方法还包括：
基于所述运动的目的和所述处理器的计算能力来确定所述目标状态。
12.一种车辆的控制系统，该控制系统包括：
运动规划系统，该运动规划系统包括处理器和存储器，该存储器存储包含运动的不确定性和车辆运动约束的车辆运动模型，其中，所述运动规划系统：
对车辆运动模型的可能控制输入的控制空间进行采样，以产生一组采样控制输入；
使用所述车辆运动模型确定各采样控制输入使所述车辆进入满足车辆运动约束的状态的概率；并且
使用所述采样控制输入的所述概率确定具有使所述车辆在超过相对于所述概率的阈值的所述满足车辆运动约束的状态移动的概率的控制输入，其中，所述运动规划系统通过在与根据所述采样后控制输入从初始状态转变到的下一状态对应的点处选择车辆状态的概率分布函数的值作为所述采样后控制输入的概率，来确定所述采样后控制输入的概率；
传感器，该传感器确定障碍物的位置作为时间的函数，其中，所述运动规划系统确定下一状态与障碍物的不确定性区域交叉的概率，并且当下一状态与所述障碍物的所述不确定性区域交叉的概率超过碰撞阈值时，向所述采样控制输入赋予零概率；以及
车辆控制器，该车辆控制器将所述控制输入映射到针对所述车辆的至少一个致动器的控制命令，并且使用对所述车辆的所述致动器的所述控制命令控制车辆运动。
13.根据权利要求12所述的控制系统，其中，所述车辆运动模型是描述所述车辆的状态的转变的函数，其中，所述函数包含作用于所述状态的噪声，其中，所述状态包括所述车辆的位置、所述车辆的速度以及所述车辆的前进方向，并且其中，作用于所述状态的所述噪声包括由所述函数描述的车辆的动力学的准确性的不确定性和所述函数使用的车辆参数的准确性的不确定性中的一项或组合形成的不确定性。
14.根据权利要求12所述的控制系统，其中，所述运动规划系统使用加权平均函数聚合具有超过所述阈值的所述概率的所述采样控制输入，以产生所述控制输入，其中，各采样控制输入在所述加权平均函数中的权重是其对应的概率。
15.根据权利要求12所述的控制系统，其中，车辆运动约束包括所述车辆的位置相对于道路中央的偏差的概率、相对于所述车辆的当前加速度和前进方向角度的偏差的概率、相对于所述车辆的期望速度情况的偏差的概率、以及违反距道路上的障碍物的最小距离的概率中的一项或组合。
16.根据权利要求12所述的控制系统，所述控制系统还包括：
导航系统，该导航系统确定所述车辆的当前状态和所述车辆的目标状态，其中，所述运动规划系统迭代地确定指定一系列控制输入，该一系列控制输入指定从所述车辆的所述当前状态到所述车辆的所述目标状态的车辆运动，其中，所述初始状态是所述当前状态或与在方法的先前迭代期间确定的所述控制输入对应的状态。
CN201780010102.3A 2016-02-11 2017-02-06 用于控制车辆运动的方法和车辆的控制系统 Active CN108698595B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/041,639 US9568915B1 (en) 2016-02-11 2016-02-11 System and method for controlling autonomous or semi-autonomous vehicle
US15/041,639 2016-02-11
PCT/JP2017/005026 WO2017138664A1 (en) 2016-02-11 2017-02-06 Method for controlling motion of vehicle and control system of vehicle

Publications (2)

Publication Number Publication Date
CN108698595A CN108698595A (zh) 2018-10-23
CN108698595B true CN108698595B (zh) 2019-06-18

Family

ID=57964876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780010102.3A Active CN108698595B (zh) 2016-02-11 2017-02-06 用于控制车辆运动的方法和车辆的控制系统

Country Status (5)

Country Link
US (1) US9568915B1 (zh)
JP (1) JP6494872B2 (zh)
CN (1) CN108698595B (zh)
DE (1) DE112017000787B4 (zh)
WO (1) WO2017138664A1 (zh)

Families Citing this family (144)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10303166B2 (en) 2016-05-23 2019-05-28 nuTonomy Inc. Supervisory control of vehicles
US10309792B2 (en) 2016-06-14 2019-06-04 nuTonomy Inc. Route planning for an autonomous vehicle
US10126136B2 (en) 2016-06-14 2018-11-13 nuTonomy Inc. Route planning for an autonomous vehicle
US11092446B2 (en) 2016-06-14 2021-08-17 Motional Ad Llc Route planning for an autonomous vehicle
US10829116B2 (en) 2016-07-01 2020-11-10 nuTonomy Inc. Affecting functions of a vehicle based on function-related information about its environment
US10065654B2 (en) * 2016-07-08 2018-09-04 Toyota Motor Engineering & Manufacturing North America, Inc. Online learning and vehicle control method based on reinforcement learning without active exploration
EP3291197A1 (en) * 2016-08-30 2018-03-07 Volvo Car Corporation Method and system for establishing whether a road section is suitable for autonomous vehicle driving
JP6882455B2 (ja) * 2016-09-08 2021-06-02 クノル−ブレムゼ ジステーメ フューア ヌッツファールツォイゲ ゲゼルシャフト ミット ベシュレンクテル ハフツングＫｎｏｒｒ−Ｂｒｅｍｓｅ Ｓｙｓｔｅｍｅ ｆｕｅｒ Ｎｕｔｚｆａｈｒｚｅｕｇｅ ＧｍｂＨ 車両用電気系統
US10681513B2 (en) 2016-10-20 2020-06-09 nuTonomy Inc. Identifying a stopping place for an autonomous vehicle
US10857994B2 (en) 2016-10-20 2020-12-08 Motional Ad Llc Identifying a stopping place for an autonomous vehicle
US10331129B2 (en) 2016-10-20 2019-06-25 nuTonomy Inc. Identifying a stopping place for an autonomous vehicle
US10473470B2 (en) 2016-10-20 2019-11-12 nuTonomy Inc. Identifying a stopping place for an autonomous vehicle
US10730531B1 (en) * 2017-02-02 2020-08-04 Uatc, Llc Machine-learning based vehicle motion control system
CA3052954C (en) 2017-02-10 2023-04-04 Nissan North America, Inc. Autonomous vehicle operational management including operating a partially observable markov decision process model instance
MX2019009392A (es) 2017-02-10 2019-11-28 Nissan North America Inc Control de la administracion operacional de vehiculos autonomos.
CA3052953C (en) 2017-02-10 2021-11-09 Nissan North America, Inc. Autonomous vehicle operational management blocking monitoring
US10449958B2 (en) * 2017-02-15 2019-10-22 Ford Global Technologies, Llc Feedback-based control model generation for an autonomous vehicle
US10133275B1 (en) 2017-03-01 2018-11-20 Zoox, Inc. Trajectory generation using temporal logic and tree search
US10671076B1 (en) 2017-03-01 2020-06-02 Zoox, Inc. Trajectory prediction of third-party objects using temporal logic and tree search
US10671873B2 (en) 2017-03-10 2020-06-02 Tusimple, Inc. System and method for vehicle wheel detection
US10147193B2 (en) 2017-03-10 2018-12-04 TuSimple System and method for semantic segmentation using hybrid dilated convolution (HDC)
US10311312B2 (en) 2017-08-31 2019-06-04 TuSimple System and method for vehicle occlusion detection
US11587304B2 (en) 2017-03-10 2023-02-21 Tusimple, Inc. System and method for occluding contour detection
US9953236B1 (en) 2017-03-10 2018-04-24 TuSimple System and method for semantic segmentation using dense upsampling convolution (DUC)
US9952594B1 (en) 2017-04-07 2018-04-24 TuSimple System and method for traffic data collection using unmanned aerial vehicles (UAVs)
US10471963B2 (en) 2017-04-07 2019-11-12 TuSimple System and method for transitioning between an autonomous and manual driving mode based on detection of a drivers capacity to control a vehicle
US10710592B2 (en) 2017-04-07 2020-07-14 Tusimple, Inc. System and method for path planning of autonomous vehicles based on gradient
US10552691B2 (en) 2017-04-25 2020-02-04 TuSimple System and method for vehicle position and velocity estimation based on camera and lidar data
US10481044B2 (en) 2017-05-18 2019-11-19 TuSimple Perception simulation for improved autonomous vehicle control
US10558864B2 (en) 2017-05-18 2020-02-11 TuSimple System and method for image localization based on semantic segmentation
US10474790B2 (en) 2017-06-02 2019-11-12 TuSimple Large scale distributed simulation for realistic multiple-agent interactive environments
US10762635B2 (en) 2017-06-14 2020-09-01 Tusimple, Inc. System and method for actively selecting and labeling images for semantic segmentation
US10493988B2 (en) 2017-07-01 2019-12-03 TuSimple System and method for adaptive cruise control for defensive driving
US10308242B2 (en) 2017-07-01 2019-06-04 TuSimple System and method for using human driving patterns to detect and correct abnormal driving behaviors of autonomous vehicles
US10737695B2 (en) 2017-07-01 2020-08-11 Tusimple, Inc. System and method for adaptive cruise control for low speed following
US10303522B2 (en) 2017-07-01 2019-05-28 TuSimple System and method for distributed graphics processing unit (GPU) computation
US10752246B2 (en) 2017-07-01 2020-08-25 Tusimple, Inc. System and method for adaptive cruise control with proximate vehicle detection
CN107421615A (zh) 2017-07-21 2017-12-01 北京图森未来科技有限公司 实现车辆自动称重的方法及系统、相关设备
CN107393074B (zh) 2017-07-21 2019-01-18 北京图森未来科技有限公司 实现车辆自动过卡的方法和系统、相关设备
CN107403206A (zh) 2017-07-21 2017-11-28 北京图森未来科技有限公司 实现车辆自动装卸货的方法及系统、相关设备
CN107369218B (zh) 2017-07-21 2019-02-22 北京图森未来科技有限公司 实现车辆自动缴费的方法及系统、相关设备
CN107381488B (zh) 2017-07-21 2018-12-18 北京图森未来科技有限公司 一种车辆的自动加油方法、装置和系统
CN107352497B (zh) 2017-07-21 2018-10-12 北京图森未来科技有限公司 一种车辆的自动加油方法、装置和系统
CN107416754B (zh) 2017-07-21 2018-11-02 北京图森未来科技有限公司 一种长途运输车辆的自动加油方法、装置和系统
CN107272657B (zh) 2017-07-21 2020-03-10 北京图森未来科技有限公司 实现车辆自动检修的方法及系统、相关设备
US11029693B2 (en) 2017-08-08 2021-06-08 Tusimple, Inc. Neural network based vehicle dynamics model
US10360257B2 (en) 2017-08-08 2019-07-23 TuSimple System and method for image annotation
US10816354B2 (en) 2017-08-22 2020-10-27 Tusimple, Inc. Verification module system and method for motion-based lane detection with multiple sensors
US10303956B2 (en) 2017-08-23 2019-05-28 TuSimple System and method for using triplet loss for proposal free instance-wise semantic segmentation for lane detection
US10762673B2 (en) 2017-08-23 2020-09-01 Tusimple, Inc. 3D submap reconstruction system and method for centimeter precision localization using camera-based submap and LiDAR-based global map
US10565457B2 (en) 2017-08-23 2020-02-18 Tusimple, Inc. Feature matching and correspondence refinement and 3D submap position refinement system and method for centimeter precision localization using camera-based submap and LiDAR-based global map
US10678234B2 (en) 2017-08-24 2020-06-09 Tusimple, Inc. System and method for autonomous vehicle control to minimize energy cost
US10783381B2 (en) 2017-08-31 2020-09-22 Tusimple, Inc. System and method for vehicle occlusion detection
US10953881B2 (en) 2017-09-07 2021-03-23 Tusimple, Inc. System and method for automated lane change control for autonomous vehicles
US10782694B2 (en) 2017-09-07 2020-09-22 Tusimple, Inc. Prediction-based system and method for trajectory planning of autonomous vehicles
US10656644B2 (en) 2017-09-07 2020-05-19 Tusimple, Inc. System and method for using human driving patterns to manage speed control for autonomous vehicles
US10782693B2 (en) 2017-09-07 2020-09-22 Tusimple, Inc. Prediction-based system and method for trajectory planning of autonomous vehicles
US10649458B2 (en) 2017-09-07 2020-05-12 Tusimple, Inc. Data-driven prediction-based system and method for trajectory planning of autonomous vehicles
US10953880B2 (en) 2017-09-07 2021-03-23 Tusimple, Inc. System and method for automated lane change control for autonomous vehicles
US10671083B2 (en) 2017-09-13 2020-06-02 Tusimple, Inc. Neural network architecture system for deep odometry assisted by static scene optical flow
US10552979B2 (en) 2017-09-13 2020-02-04 TuSimple Output of a neural network method for deep odometry assisted by static scene optical flow
US10733465B2 (en) 2017-09-20 2020-08-04 Tusimple, Inc. System and method for vehicle taillight state recognition
US10387736B2 (en) 2017-09-20 2019-08-20 TuSimple System and method for detecting taillight signals of a vehicle
US10970564B2 (en) 2017-09-30 2021-04-06 Tusimple, Inc. System and method for instance-level lane detection for autonomous vehicle control
US10768626B2 (en) 2017-09-30 2020-09-08 Tusimple, Inc. System and method for providing multiple agents for decision making, trajectory planning, and control for autonomous vehicles
US10962979B2 (en) 2017-09-30 2021-03-30 Tusimple, Inc. System and method for multitask processing for autonomous vehicle computation and control
US10410055B2 (en) 2017-10-05 2019-09-10 TuSimple System and method for aerial video traffic analysis
US10666730B2 (en) 2017-10-28 2020-05-26 Tusimple, Inc. Storage architecture for heterogeneous multimedia data
US10812589B2 (en) 2017-10-28 2020-10-20 Tusimple, Inc. Storage architecture for heterogeneous multimedia data
US10739775B2 (en) 2017-10-28 2020-08-11 Tusimple, Inc. System and method for real world autonomous vehicle trajectory simulation
WO2019088977A1 (en) * 2017-10-30 2019-05-09 Nissan North America, Inc. Continual planning and metareasoning for controlling an autonomous vehicle
WO2019089015A1 (en) 2017-10-31 2019-05-09 Nissan North America, Inc. Autonomous vehicle operation with explicit occlusion reasoning
US11027751B2 (en) 2017-10-31 2021-06-08 Nissan North America, Inc. Reinforcement and model learning for vehicle operation
US10528851B2 (en) 2017-11-27 2020-01-07 TuSimple System and method for drivable road surface representation generation using multimodal sensor data
US10528823B2 (en) 2017-11-27 2020-01-07 TuSimple System and method for large-scale lane marking detection using multimodal sensor data
US10657390B2 (en) 2017-11-27 2020-05-19 Tusimple, Inc. System and method for large-scale lane marking detection using multimodal sensor data
US10877476B2 (en) 2017-11-30 2020-12-29 Tusimple, Inc. Autonomous vehicle simulation system for analyzing motion planners
JP6992182B2 (ja) 2017-11-30 2022-01-13 ニッサン ノース アメリカ，インク 自律走行車両運行管理計画
US10860018B2 (en) 2017-11-30 2020-12-08 Tusimple, Inc. System and method for generating simulated vehicles with configured behaviors for analyzing autonomous vehicle motion planners
US11874120B2 (en) 2017-12-22 2024-01-16 Nissan North America, Inc. Shared autonomous vehicle operational management
EP3737595B1 (en) 2018-01-09 2023-12-27 TuSimple, Inc. Real-time remote control of vehicles with high redundancy
CN111989716B (zh) 2018-01-11 2022-11-15 图森有限公司 用于自主车辆操作的监视系统
US11009356B2 (en) 2018-02-14 2021-05-18 Tusimple, Inc. Lane marking localization and fusion
US10955851B2 (en) 2018-02-14 2021-03-23 Zoox, Inc. Detecting blocking objects
US11009365B2 (en) 2018-02-14 2021-05-18 Tusimple, Inc. Lane marking localization
JP6963158B2 (ja) 2018-02-26 2021-11-05 ニッサン ノース アメリカ，インク 集中型共有自律走行車動作管理
US10685244B2 (en) 2018-02-27 2020-06-16 Tusimple, Inc. System and method for online real-time multi-object tracking
US10685239B2 (en) 2018-03-18 2020-06-16 Tusimple, Inc. System and method for lateral vehicle detection
US10414395B1 (en) 2018-04-06 2019-09-17 Zoox, Inc. Feature-based prediction
CN110378185A (zh) 2018-04-12 2019-10-25 北京图森未来科技有限公司 一种应用于自动驾驶车辆的图像处理方法、装置
CN110458854B (zh) 2018-05-02 2022-11-15 北京图森未来科技有限公司 一种道路边缘检测方法和装置
DE102018207421A1 (de) * 2018-05-14 2019-11-14 Robert Bosch Gmbh Verfahren und System zum Ermitteln einer erwarteten Vorrichtungskontur
US11049265B2 (en) * 2018-05-16 2021-06-29 Nec Corporation Balancing diversity and precision of generative models with complementary density estimators
US11126873B2 (en) 2018-05-17 2021-09-21 Zoox, Inc. Vehicle lighting state determination
US11231715B2 (en) 2018-05-22 2022-01-25 King Fahd University Of Petroleum And Minerals Method and system for controlling a vehicle
US10800408B2 (en) * 2018-05-24 2020-10-13 Baidu Usa Llc Determining driving paths for autonomous driving that avoid moving obstacles
US10829117B2 (en) 2018-05-29 2020-11-10 Wipro Limited Method and system for correcting velocity of autonomous vehicle to navigate along planned navigation path
US11104334B2 (en) 2018-05-31 2021-08-31 Tusimple, Inc. System and method for proximate vehicle intention prediction for autonomous vehicles
US10860023B2 (en) 2018-06-25 2020-12-08 Mitsubishi Electric Research Laboratories, Inc. Systems and methods for safe decision making of autonomous vehicles
US11120688B2 (en) 2018-06-29 2021-09-14 Nissan North America, Inc. Orientation-adjust actions for autonomous vehicle operational management
WO2020012976A1 (ja) * 2018-07-10 2020-01-16 ソニー株式会社 情報処理装置、情報処理システム、行動予測方法及びプログラム
CN109334661B (zh) * 2018-09-06 2020-05-29 上海工程技术大学 基于速度障碍模型和碰撞概率密度模型的避障预判方法
US10839234B2 (en) 2018-09-12 2020-11-17 Tusimple, Inc. System and method for three-dimensional (3D) object detection
CN112689586B (zh) 2018-09-13 2024-04-16 图森有限公司 远程安全驾驶方法和系统
WO2020079074A2 (en) 2018-10-16 2020-04-23 Five AI Limited Autonomous vehicle planning
US10796402B2 (en) 2018-10-19 2020-10-06 Tusimple, Inc. System and method for fisheye image processing
US10942271B2 (en) 2018-10-30 2021-03-09 Tusimple, Inc. Determining an angle between a tow vehicle and a trailer
CN116184417A (zh) 2018-12-10 2023-05-30 北京图森智途科技有限公司 一种挂车夹角的测量方法、装置及车辆
US10940851B2 (en) 2018-12-12 2021-03-09 Waymo Llc Determining wheel slippage on self driving vehicle
US10852746B2 (en) 2018-12-12 2020-12-01 Waymo Llc Detecting general road weather conditions
CN111319629B (zh) 2018-12-14 2021-07-16 北京图森智途科技有限公司 一种自动驾驶车队的组队方法、装置及系统
DE112019006282T5 (de) * 2018-12-18 2021-10-14 Motional Ad Llc Betrieb eines Fahrzeugs unter Verwendung mehrerer Bewegungsbeschränkungen
WO2020129208A1 (ja) 2018-12-20 2020-06-25 三菱電機株式会社 走行計画生成装置および自動運転システム
US11327496B2 (en) 2019-01-16 2022-05-10 Ford Global Technologies, Llc Vehicle path identification
US11086322B2 (en) 2019-03-19 2021-08-10 Gm Cruise Holdings Llc Identifying a route for an autonomous vehicle between an origin and destination location
WO2020206071A1 (en) * 2019-04-02 2020-10-08 Brain Corporation Systems, apparatuses, and methods for cost evaluation and motion planning for robotic devices
DE102019205520A1 (de) * 2019-04-16 2020-10-22 Robert Bosch Gmbh Verfahren zum Ermitteln von Fahrverläufen
WO2020224778A1 (en) * 2019-05-08 2020-11-12 Volvo Truck Corporation A method for determining if a vehicle control command precludes a future vehicle safety maneuver
US11823460B2 (en) 2019-06-14 2023-11-21 Tusimple, Inc. Image fusion for autonomous vehicle operation
CN110450168B (zh) * 2019-08-28 2022-08-12 佛山市兴颂机器人科技有限公司 一种机器人及其自主导航方法、装置、存储介质
US11648939B2 (en) * 2019-11-13 2023-05-16 Zoox, Inc. Collision monitoring using system data
US11697412B2 (en) 2019-11-13 2023-07-11 Zoox, Inc. Collision monitoring using statistic models
US11635758B2 (en) 2019-11-26 2023-04-25 Nissan North America, Inc. Risk aware executor with action set recommendations
US11899454B2 (en) 2019-11-26 2024-02-13 Nissan North America, Inc. Objective-based reasoning in autonomous vehicle decision-making
US11327492B2 (en) * 2019-12-03 2022-05-10 Mitsubishi Electric Research Laboratories, Inc. Adaptive control of autonomous or semi-autonomous vehicle
US11613269B2 (en) 2019-12-23 2023-03-28 Nissan North America, Inc. Learning safety and human-centered constraints in autonomous vehicles
US11300957B2 (en) 2019-12-26 2022-04-12 Nissan North America, Inc. Multiple objective explanation and control interface design
US11753023B2 (en) * 2020-01-19 2023-09-12 Mitsubishi Electric Research Laboratories, Inc. Adaptive control of autonomous or semi-autonomous vehicle
US11577746B2 (en) 2020-01-31 2023-02-14 Nissan North America, Inc. Explainability of autonomous vehicle decision making
US11714971B2 (en) 2020-01-31 2023-08-01 Nissan North America, Inc. Explainability of autonomous vehicle decision making
US11782438B2 (en) 2020-03-17 2023-10-10 Nissan North America, Inc. Apparatus and method for post-processing a decision-making model of an autonomous vehicle using multivariate data
US11656627B2 (en) * 2020-03-23 2023-05-23 Baidu Usa Llc Open space path planning using inverse reinforcement learning
US11650590B2 (en) 2020-03-26 2023-05-16 Mitsubishi Electric Research Laboratories, Inc. Adaptive optimization of decision making for vehicle control
EP3893150A1 (en) 2020-04-09 2021-10-13 Tusimple, Inc. Camera pose estimation techniques
AU2021203567A1 (en) 2020-06-18 2022-01-20 Tusimple, Inc. Angle and orientation measurements for vehicles with multiple drivable sections
US20210402980A1 (en) * 2020-06-26 2021-12-30 Mitsubishi Electric Research Laboratories, Inc. System and Method for Data-Driven Reference Generation
DE102020133674A1 (de) 2020-12-16 2022-06-23 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zum Koordinieren von fahrerlosen Transportfahrzeugen
CN113077641B (zh) * 2021-03-24 2022-06-14 中南大学 一种面向公交在途控制的决策映射方法、装置及存储介质
US11886196B2 (en) * 2021-04-05 2024-01-30 Mitsubishi Electric Research Laboratories, Inc. Controlling machine operating in uncertain environment discoverable by sensing
US11975742B2 (en) * 2021-05-25 2024-05-07 Ford Global Technologies, Llc Trajectory consistency measurement for autonomous vehicle operation
JP2023048674A (ja) * 2021-09-28 2023-04-07 株式会社J-QuAD DYNAMICS 移動体の制御装置
US12060085B2 (en) * 2022-06-03 2024-08-13 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous vehicle in uncertain environment
US20240308506A1 (en) 2023-03-15 2024-09-19 Mitsubishi Electric Research Laboratories, Inc. System and Method for Vehicle Decision Making and Motion Planning using Real-time Mixed-Integer Programming
JP7475562B1 (ja) 2023-08-22 2024-04-26 三菱電機株式会社 動作計画装置

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6539290B1 (en) * 1995-06-07 2003-03-25 Dabulamanzi Holdings, Llc Method, apparatus and design procedure for controlling multi-input, multi-output (MIMO) parameter dependent systems using feedback LTI'zation
US7447593B2 (en) 2004-03-26 2008-11-04 Raytheon Company System and method for adaptive path planning
JP4760715B2 (ja) * 2004-12-28 2011-08-31 株式会社豊田中央研究所 車両運動制御装置
JP2007099166A (ja) * 2005-10-06 2007-04-19 Fuji Heavy Ind Ltd 車両挙動制御装置
JP4353192B2 (ja) * 2006-03-02 2009-10-28 トヨタ自動車株式会社 進路設定方法、装置、プログラム、および自動運転システム
US7734387B1 (en) 2006-03-31 2010-06-08 Rockwell Collins, Inc. Motion planner for unmanned ground vehicles traversing at high speeds in partially known environments
EP1881346A1 (en) * 2006-07-20 2008-01-23 Bayerische Motoren Werke Aktiengesellschaft A method for the determination of future driving conditions
JP5082433B2 (ja) * 2006-12-26 2012-11-28 トヨタ自動車株式会社 移動体周囲危険度判定方法、装置、およびプログラム
EP1972893A1 (en) * 2007-03-21 2008-09-24 Universiteit Gent System and method for position determination
US8038062B2 (en) 2007-06-05 2011-10-18 Raytheon Company Methods and apparatus for path planning for guided munitions
JP4416020B2 (ja) * 2007-08-03 2010-02-17 トヨタ自動車株式会社 走行計画生成装置
JP2009098877A (ja) * 2007-10-16 2009-05-07 Toyota Motor Corp 状態変数推定装置
US8489317B2 (en) * 2008-08-29 2013-07-16 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for stochastically predicting the future states of a vehicle
JP5336800B2 (ja) * 2008-09-24 2013-11-06 富士重工業株式会社 車両の運転支援装置
KR101554515B1 (ko) 2009-01-07 2015-09-21 삼성전자 주식회사 로봇의 경로계획장치 및 그 방법
EP2306433A1 (en) 2009-10-05 2011-04-06 Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO Collision avoidance system and method for a road vehicle and respective computer program product
US8473447B2 (en) 2010-03-29 2013-06-25 Palo Alto Research Center Incorporated AI planning based quasi-montecarlo simulation method for probabilistic planning
JP5774361B2 (ja) 2011-04-28 2015-09-09 本田技研工業株式会社 軌道計画方法、軌道計画システム及び軌道計画・制御システム
US9562965B2 (en) * 2011-05-04 2017-02-07 Jacques Georgy Two-stage filtering based method for multiple target tracking
US20130197736A1 (en) * 2012-01-30 2013-08-01 Google Inc. Vehicle control based on perception uncertainty
US9096267B2 (en) 2013-01-21 2015-08-04 GM Global Technology Operations LLC Efficient data flow algorithms for autonomous lane changing, passing and overtaking behaviors
US8988524B2 (en) * 2013-03-11 2015-03-24 The United States Of America As Represented By The Secretary Of The Army Apparatus and method for estimating and using a predicted vehicle speed in an indirect vision driving task
US9280899B2 (en) 2013-08-06 2016-03-08 GM Global Technology Operations LLC Dynamic safety shields for situation assessment and decision making in collision avoidance tasks
JP6308032B2 (ja) * 2014-06-04 2018-04-11 株式会社デンソー 運転操作を生成するシステムおよび方法
US9187088B1 (en) 2014-08-15 2015-11-17 Google Inc. Distribution decision trees
US10049578B2 (en) * 2015-06-29 2018-08-14 Hitachi, Ltd. Travel command generation device

Also Published As

Publication number Publication date
JP6494872B2 (ja) 2019-04-03
DE112017000787T5 (de) 2018-10-18
DE112017000787B4 (de) 2024-09-05
CN108698595A (zh) 2018-10-23
US9568915B1 (en) 2017-02-14
JP2018534205A (ja) 2018-11-22
WO2017138664A1 (en) 2017-08-17

Similar Documents

Publication Publication Date Title
CN108698595B (zh) 用于控制车辆运动的方法和车辆的控制系统
JP7345676B2 (ja) 自動または半自動運転車両の適応制御
JP7150067B2 (ja) 車両の制御システム、車両を制御する方法、及び非一時的コンピュータ可読メモリ
US10012984B2 (en) System and method for controlling autonomous vehicles
US12046131B2 (en) Autonomous vehicle planning and prediction
CN112677995B (zh) 一种车辆轨迹规划方法、装置、存储介质及设备
JP6610915B2 (ja) 車両を制御するコントローラー及び方法並びに非一時的コンピューター可読メモリ
US10324469B2 (en) System and method for controlling motion of vehicle in shared environment
Plessen et al. Spatial-based predictive control and geometric corridor planning for adaptive cruise control coupled with obstacle avoidance
US10571922B2 (en) Context-specific tolerance for motion control in autonomous vehicles
JP6715899B2 (ja) 衝突回避装置
US8437890B2 (en) Integrated framework for vehicle operator assistance based on a trajectory prediction and threat assessment
CN117794803A (zh) 使用具有响应型代理预测的树搜索和/或代理滤波进行车辆轨迹控制
Minh et al. Feasible path planning for autonomous vehicles
Frego et al. Trajectory planning for car-like vehicles: A modular approach
Ziegler et al. Anytime tree-based trajectory planning for urban driving
Quirynen et al. Real-time mixed-integer quadratic programming for vehicle decision making and motion planning
Gratzer et al. Two-Layer MPC Architecture for Efficient Mixed-Integer-Informed Obstacle Avoidance in Real-Time
Weiskircher et al. Predictive trajectory guidance for (semi-) autonomous vehicles in public traffic
Gratzer et al. Flatness-Based Mixed-Integer Obstacle Avoidance MPC for Collision-Safe Automated Urban Driving
Chen et al. Deep Reinforcement Learning in Autonomous Car Path Planning and Control: A Survey
Yang et al. An End-to-end Obstacle Avoidance Algorithm for Autonomous Vehicles Based on Global Path Constraint
WO2024202373A1 (en) System and method for controlling motion of an ego vehicle
Duy Application of Deep Reinforcement Learning for Measuring the Efficiency of Autonomous Vehicles under a Mixed-Traffic Condition in Non-Signalized Intersections

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