CN108974009B - 用于自动驾驶控制的方法、介质和系统 - Google Patents

用于自动驾驶控制的方法、介质和系统 Download PDF

Info

Publication number
CN108974009B
CN108974009B CN201810190489.1A CN201810190489A CN108974009B CN 108974009 B CN108974009 B CN 108974009B CN 201810190489 A CN201810190489 A CN 201810190489A CN 108974009 B CN108974009 B CN 108974009B
Authority
CN
China
Prior art keywords
vehicle
data
types
decision
driving 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
CN201810190489.1A
Other languages
English (en)
Other versions
CN108974009A (zh
Inventor
蒋一飞
陶佳鸣
李栋
胡江滔
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 CN108974009A publication Critical patent/CN108974009A/zh
Application granted granted Critical
Publication of CN108974009B publication Critical patent/CN108974009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05D1/0088—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
    • 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
    • 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
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • B60W2050/0001—Details of the control system

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

描述了为自动驾驶提供灵活的决策系统的方法、非暂时性机器可读介质和数据处理系统。系统可包括允许决策系统在审慎的基于规则的决策框架与直觉的基于机器学习模型的决策框架之间切换的框架。系统可基于一系列特定的驾驶条件或者环境调用适当的框架(或者子系统)。相应地，本文中描述的系统可为自动驾驶提供高效的和适配的决策系统。

Description

用于自动驾驶控制的方法、介质和系统
技术领域
本公开的实施方式总体涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及用于控制自动驾驶车辆的适配的决策系统。
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。
对于自动驾驶系统，基于决策制定过程控制车辆是重要的操作。用于自动驾驶车辆的决策制定一般依赖于一系列固定的、确定适合的动作方案的规则。然而，车辆的操作通常涉及遭遇多种不可预知的驾驶场景和条件。相应地，当处理这样的情况时，这一系列固定的规则可能是不足的。此外，为了更新或者改进这系列规则，系统必须等待直到软件更新或者软件升级生效。相应地，用于自动驾驶车辆的单纯基于规则的决策制定系统通常依赖人类驾驶员作为后援。因此，自动驾驶系统一直需要提供针对多种驾驶条件的适配的决策框架。
发明内容
本申请的一方面提供了一种用于为车辆提供自动驾驶控制的计算机实施的方法，包括：在所述车辆的操作期间接收一个或多个类型的数据，其中，所述一个或多个类型的数据至少包括所述车辆周围的驾驶环境的感知数据；以及为所述车辆提供自动驾驶控制，其中，所述自动驾驶控制基于对所述一个或多个类型的数据的分析在审慎模式与直觉模式之间切换，其中，所述审慎模式基于一系列预设驾驶规则提供所述自动驾驶控制，以及所述直觉模式基于机器学习模型提供所述自动驾驶控制。
本申请的另一方面提供了一种非暂时性机器可读介质，所述非暂时性机器可读介质中存储有指令，所述指令当被处理器执行时，致使所述处理器执行为车辆提供自动驾驶控制的操作，所述操作包括：在所述车辆的操作期间接收一个或多个类型的数据，其中，所述一个或多个类型的数据至少包括所述车辆周围的驾驶环境的感知数据；以及为所述车辆提供自动驾驶控制，其中，所述自动驾驶控制基于对所述一个或多个类型的数据的分析在基于规则的决策制定与基于模型的决策制定之间切换，其中，当所述基于规则的决策制定被调用时，所述自动驾驶控制是基于一系列预设驾驶规则的，以及当所述基于模型的决策制定被调用时，所述自动驾驶控制是基于机器学习模型的。
本申请的又一方面提供了一种用于为车辆提供自动驾驶控制的数据处理系统，包括：处理器，以及存储器，所述存储器联接至所述处理器以存储指令，其中，所述指令当被所述处理器执行时，致使所述处理器执行操作，所述操作包括：在所述车辆的操作期间接收一个或多个类型的数据，其中，所述一个或多个类型的数据至少包括所述车辆周围的驾驶环境的感知数据；以及使用决策系统为所述车辆提供自动驾驶控制，其中，所述决策系统基于对所述一个或多个类型的数据的分析在审慎子系统与直觉子系统之间切换，其中，所述审慎子系统基于一系列预设驾驶规则提供所述自动驾驶控制，以及所述直觉子系统基于机器学习模型提供所述自动驾驶控制。
附图说明
本公开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是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。
图2是示出根据本公开的一个实施方式的传感器以及控制系统的框图。
图3是示出根据本公开的一个实施方式的用于自动驾驶车辆的驾驶决策控制的示例性系统的框图。
图4是根据本公开的实施方式的调用基于规则或者基于模型的决策制定的示例性处理流程。
图5是示出根据本公开的实施方式的调用驾驶决策框架的方法的示例性流程图。
图6是示出与本公开的一个或多个实施方式协同使用的示例性计算系统的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开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公开的说明，而不应当解释为限制本公开。描述了许多特定细节以提供对本公开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公开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公开的至少一个实施方式中。短语“实施方式”在本说明书中各个地方的出现不必全部指同一实施方式。
描述了用于为自动驾驶提供灵活的决策系统的系统（和方法）。系统可包括这样的框架，该框架允许决策系统在审慎的（deliberate）基于规则的决策框架与直觉的（intuitive）基于机器学习模型的决策框架之间切换。相应地，系统可基于一系列特定的驾驶条件或者环境调用适合的框架（或者子系统）。这样的系统提供诸多优点，诸如减少了所需要的计算资源。例如，系统可调用直觉的基于模型的决策系统作为默认系统，其中，直觉的基于模型的决策系统比基于规则的系统需要更少的资源。此外，通过实现诸如深度神经网络（DNN）的基于模型的方法，决策系统可学习和适配。例如，在审慎的基于规则的决策框架的使用期间所采集的数据可被用于训练模型。相应地，本文中描述的系统可提供高效和适配的决策系统以用于操作自动驾驶车辆（ADV）。
图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。
自动驾驶车辆（或者车辆）是指可以被配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可以包括传感器系统，所述传感器系统具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可以在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在一个实施方式中，自动驾驶车辆101可包括决策系统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114。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/或决策系统110使用多种通信信号和/或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至114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114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。例如，它可包括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。
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集群，诸如，网络服务器或云服务器、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。
服务器103可以是数据分析系统，从而为多种客户端执行数据分析服务。在一个实施方式中，数据分析系统103包括数据采集器121和机器学习引擎122。数据采集器121从多种车辆（自动驾驶车辆或者由人类驾驶员驾驶的普通车辆）采集驾驶统计123。驾驶统计123包括指示发布的驾驶命令（例如，油门命令、制动命令、转向命令）的信息以及在不同时间点由车辆的传感器采集的车辆的响应（例如，速度、加速度、减速度、方向）的信息。驾驶统计123还可例如包括描述在不同时间点的驾驶环境的信息，诸如，路线（包括开始位置和目的地位置）、MPOI、道路条件、气候条件等。
基于驾驶统计123，机器学习引擎122可为多种目的生成或者训练一系列规则、算法和/或预测模型124。如本文中进一步描述的，模型124可用于驾驶控制决策。此外，如所示，机器学习引擎122和模型124可驻存在服务器上或者至少部分地驻存在自动驾驶车辆101的部件之内。例如，自动驾驶车辆101可将数据发送至服务器103，所述服务器103训练一个或多个模型124，以及还可本地地包括引擎122和/或模型124以用于处理驾驶决策。此外，可预料到当调用驻存在车辆上的模型124时，可从服务器103检索信息。例如，使用局部模型124可发生即时处理，所述局部模型124也可从补充决策处理的远程模型124（例如，从服务器103）检索信息。
现在参考图2，在一个实施方式中，传感器系统114可包括一个或多个相机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。相机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。相机211可以是静物相机和/或视频相机。相机可以是可机械地移动的，例如，通过将相机安装在旋转和/或倾斜平台上。
传感器系统114还可以包括其它传感器，诸如：声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器（例如，麦克风）。音频传感器可以被配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可以被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可以集成为集成式油门/制动传感器。
在一个实施方式中，车辆控制系统111可包括转向单元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，包括例如关键字、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可以由决策系统110控制或管理，尤其当在自动驾驶模式下操作时。决策系统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114、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，决策系统110可以与车辆控制系统111集成在一起。
当自动驾驶车辆101沿着路线移动时，决策系统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的功能可以与决策系统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114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），决策系统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。如本文中进一步地描述的，决策系统110可以响应于辨别驾驶阻障更新规划路线。
图3是示出根据本公开一个实施方式的与自动驾驶车辆一起使用的示例性系统的框图。系统300可以被实施为图1的自动驾驶车辆101的一部分或者系统100的部分。参考图3的实施方式，系统300包括但不限于定位/交通模块301、地图和路线信息311、预测模块303、感知模块302以及决策系统110。
定位/交通模块301可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/交通模块301可与自动驾驶车辆101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/交通模块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101沿着路线移动时，定位/交通模块301也可以从交通信息系统或服务器获得实时交通信息。如进一步描述的，当响应于驾驶阻障确定采取动作（例如，绕路）时，可使用该实时交通信息。
预测模块303可以为决策系统110提供框架、工具或者模型，以预测多种驾驶条件或者事件。基于由传感器系统114提供的传感器数据和由定位/交通模块301获得的位置信息，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相机采集的图像，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。
地图和路线信息311、定位/交通模块301、预测模块303和感知模块302可提供由决策系统110使用的数据。在一个实施方式中，决策系统110可包括审慎子系统（deliberationsubsystem）310和直觉子系统（intuitive subsystem）320。如本文中进一步地描述的，审慎子系统310可在复杂驾驶情况中被调用并且可依赖一系列规则。相应地，审慎子系统310可需要较多计算资源。如本文中进一步地描述的，直觉子系统320可在较简单或者学习阶段（例如，不熟悉）的环境中被调用。直觉子系统320可依赖机器学习模型以进行驾驶决策，以及相应地，模型可适配和学习。
然而，通常，决策系统110（以及决策系统310/320）制定与如何应对由感知模块识别的对象相关的决策。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），决策系统101决定如何与所述对象相遇（例如，超车、让行、停止、超过）。决策系统101可以根据一系列诸如交通规则的规则来作出此类决定，这一系列规则可以存储在永久性存储装置中。
基于针对所感知到的对象中的每个的决策，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）。例如，当决策系统310在操作中（例如，正常或者默认操作模式）时，决策系统110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，决策系统320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。规划和控制数据可由规划模块304生成，包括描述车辆101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101以30英里每小时（mph）的速度移动10米，随后以25 mph的速度变到右侧车道。
基于规划和控制数据，控制模块305根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数（例如，油门、制动和转弯命令）将车辆从路线或路径的第一点驾驶到第二点。
决策系统110（和决策系统310/320）可在普通框架下操作，以遵守交通规则、路线规则、乘坐舒适规则等。例如，交通规则可为决策系统110提供关于在特定管辖区中的特定交通规则（例如，红灯右转）的引导或者关于与行人或者骑行者相关的特定规则的引导。路线规则可涉及提供关于对路线的特定偏好（例如，避免通行费等）的引导以及关于与导航有关的其它规则的引导。例如，乘坐舒适规则可以是用户指定的。例如，乘坐舒适规则可包括对速度、里程油耗、地形等的偏好。
如所描述的，决策系统110可利用子系统以提供驾驶决策，所述子系统包括审慎子系统310和直觉子系统320。审慎子系统310可包括用于确定完整驾驶决策的框架。在一个实施方式中，审慎子系统310可用于较复杂的驾驶决策。审慎子系统310可利用基于规则的方法以确定驾驶决策。相应地，子系统可使用一系列规则312。在一个实施方式中，规则312可以是静态的（虽然可例如经由软件更新而更新），从而输出决策可在与学习模型的输入条件相同的输入条件下不动态地变化或者改进。在一些实现方式中，由于处理多种规则的复杂性，所以审慎子系统310可能是较占用资源的。
直觉子系统320也可包括用于确定完整的驾驶决策的框架。直觉子系统320可利用基于模型的方式以确定驾驶决策。模型124可以是可实现诸如监督学习、无监督学习、混合学习、主动学习等的任意适合的学习技术的任意适合类型的学习模型。在一个实施方式中，模型124可包括深度神经网络模型。模型124可驻存在车辆上、服务器上或者车辆和服务器两者上。例如，模型124可驻存在车辆（例如，存储装置）上，但是可（例如，经由无线连接）与服务器上的模型124协同工作。
切换模块313（或者决策系统110）可从地图和路线信息311、定位/交通模块301、预测模块303和感知模块302接收一个或多个类型的数据。基于接收到的一个或多个类型的数据，切换模块313可执行分析以确定调用哪个子系统（审慎的或者直觉的）。分析可确定可被加权的多种因素。切换模块313可执行分析以确定一系列驾驶条件或者环境条件。驾驶条件可包括驾驶环境的复杂性。例如，与在具有多种类型的车辆和行人交通的拥挤的交叉路口上驾驶相比，在具有最少交通的空的两车道公路上驾驶可被认为复杂性更低。另一条件可包括环境是否被系统所熟悉。例如，对常规路线进行导航可以是较熟悉的，因此，与对可具有最少地图和交通数据的乡村道路进行导航相比，对常规路线进行导航可以是更可预测的。
相应地，当在诸如复杂的驾驶环境、不熟悉的环境或者新环境的特定类型的环境之中驾驶时，可调用审慎子系统310。也可基于确定的一系列驾驶条件或者环境条件而调用直觉子系统320。例如，在较简单的驾驶条件中，或者当在诸如熟悉的环境或者已知的环境的特定类型的环境之中驾驶时，可调用直觉子系统320。当确定是否在子系统之间切换时，切换模块313可考虑多种阈值。例如，复杂性阈值可确定车辆周围的对象的数量，以及基于对象的数量确定是否在子系统之间切换。例如，如果车辆从公路进入交通交叉路口，复杂性阈值可被满足，以及切换模块313可将驾驶控制从直觉子系统320切换至审慎子系统310。此外，切换模块313可基于规则的有效性确定是否切换子系统。例如，如果遭遇的驾驶情况不符合足够的一系列规则312，则可调用直觉子系统320。应当注意，虽然为了方便起见，子系统已被称为审慎系统和直觉系统，但是可预料到其它配置可用于在大致基于规则的决策系统与基于模型的决策系统之间切换。
如所描述的，实现基于模型的决策制定的一个优点是模型学习的能力。相应地，在审慎子系统310的操作期间获取的信息可被采集以及作为训练数据323被发送至模型124。相应地，随后模型124可基于训练数据323被周期地训练。
关于图3应注意，决策子系统310/320和规划模块304可被集成为集成模块。例如，决策系统110和规划模块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，大致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。
此外，图3所示的模块（或者系统）中的一些或者全部可以以软件、硬件或者其组合的形式实现。例如，这些模块可被安装在永久性存储装置中、加载至存储器中以及由一个或多个处理器执行。应注意，这些模块中的一些或者全部可通信地联接至图2的驾驶控制系统111的一些或者全部模块，或者与图2的驾驶控制系统111的一些或者全部模块集成在一起。模块中的一些可彼此集成在一起作为集成模块。此外，此类部件（例如，模块和系统）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4是根据本公开的实施方式的调用基于规则的决策制定或者基于模型的决策制定的示例性处理流程图。图4示出了提供驾驶控制的系统（例如，系统100、系统300）的处理流程。系统可通过实现诸如审慎系统310（或者审慎模式）或者直觉系统320（或者直觉模式）的调用的决策系统操作车辆401（例如，自动地），所述审慎系统310（或者审慎模式）可使用基于规则的决策制定405，以及所述直觉系统320（或者直觉模式）可使用如上所述的基于模型的决策制定406。在操作期间，系统可感知车辆402周围的驾驶条件和/或环境。例如，系统可输出诸如车辆数据、交通数据、地图数据和驾驶条件/环境数据的一个或多个类型的感知数据。系统可随后分析该数据403。当分析数据时，系统可确定一个或多个因素或者准则是否被满足，以及可调用（或者启动）适合的决策制定框架。如上所述，系统可在较复杂的情况下调用基于规则的决策制定405（例如，审慎模式），或者可在较简单的情况下、熟悉的情况下、或者当没有用于特定驾驶条件的足够的规则时调用基于模型的决策制定406（例如，直觉模式）。系统可随后利用调用的决策系统继续车辆401操作，以及处理可通过根据需要在决策制定框架之间切换而重复。此外，在基于规则的决策制定期间采集的信息可被用作训练数据323以用于在基于模型的决策制定中使用的模型。
图5是示出根据本公开的实施方式的调用驾驶决策子系统的方法的示例性流程图。处理500可使用可包括软件、硬件或者其组合的处理逻辑。例如，处理500可由系统（例如，系统100或者系统300）、计算装置或装置执行。
在501中，系统可在车辆的操作期间接收一个或多个类型的数据。一个或多个类型的数据可至少包括车辆周围的驾驶环境的感知数据。一个或多个类型的数据也可包括车辆的位置信息、或者地图或实时交通信息。
在502中，系统可使用决策系统为车辆提供自动驾驶控制。决策系统可基于对一个或多个类型的数据的分析在审慎子系统与直觉子系统之间切换。对一个或多个类型的数据的分析可包括确定驾驶环境的熟悉性阈值是否被满足。如果熟悉性阈值被满足，则决策系统可调用直觉子系统，而如果熟悉性阈值不被满足，则决策系统可调用审慎子系统。
此外，对一个或多个类型的数据的分析可包括确定驾驶环境的复杂性阈值是否被满足。如果复杂性阈值被满足，则决策系统可调用审慎子系统。如果熟悉性阈值不满足，则决策系统可调用直觉子系统。
在503中，当系统调用审慎子系统时，决策系统基于一系列预设驾驶规则提供自动驾驶控制。
在504中，当系统调用直觉子系统时，决策系统基于机器学习模型提供自动驾驶控制。
在一个实施方式中，当审慎子系统被调用时，来自审慎模式的一系列输出被提供至机器学习模型以作为训练数据。
图6是示出与本公开的一个或多个实施方式协同使用的示例性计算系统的框图。
例如，系统1500可以表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统，例如，上述自动驾驶车辆101的一个或多个部件110-111或者服务器103至104。系统1500可以包括许多不同的部件。在一个实施方式中，系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可以表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可以表示一个或多个通用处理器，诸如，微处理器、中央处理单元（CPU）等。处理器1501还可以是一个或多个专用处理器，诸如，专用集成电路（ASIC）、蜂窝或基带处理器、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、网络处理器、图形处理器、网络处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器1501可被配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可以包括与可选的图形子系统1504通信的图形接口，图形子系统1504可以包括显示控制器、图形处理器和/或显示装置。
处理器1501可以与存储器1503通信，存储器1503在一个实施方式中可以经由多个存储器装置实施以提供给定量的系统存储。存储器1503可以包括一个或多个易失性存储（或存储器）装置，诸如，随机存取存储器（RAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、静态RAM（SRAM）或者其它类型的存储装置。
系统1500还可以包括IO装置，诸如装置1505至1508，包括网络接口装置1505、可选的输入装置1506，以及其它可选的IO装置1507。网络接口装置1505可以包括无线收发器和/或网络接口卡（NIC）。所述无线收发器可以是Wi-Fi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器（例如，全球定位系统（GPS）收发器）或其它射频（RF）收发器或者它们的组合。NIC可以是以太网卡。
输入装置1506可以包括触摸板、触敏屏幕（其可以与显示装置1504集成在一起）、指针装置（诸如，手写笔）和/或键盘（例如，物理键盘或作为触敏屏幕的一部分显示的虚拟键盘）。例如，输入装置1506可以包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可以使用多种触敏技术（包括但不限于电容、电阻、红外和表面声波技术）中的任一种，以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置1507可包括多种电子显示器（例如，具有屏幕的显示屏、小LCD触摸屏幕或者可操作以显示信息的任意其它电子装置）、音频输出件（诸如，扬声器）。例如，车辆101可包括内部电子显示器。就此而言，内部电子显示器可安置在车辆驾驶室之内。音频装置可以包括扬声器和/或麦克风，以促进支持语音的功能，诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可以包括通用串行总线（USB）端口、并行端口、串行端口、打印机、网络接口、总线桥（例如，PCI-PCI桥）、传感器（例如，诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等）或者它们的组合。装置1507还可以包括成像处理子系统（例如，相机），所述成像处理子系统可以包括用于促进相机功能（诸如，记录照片和视频片段）的光学传感器，诸如电荷耦合装置（CCD）或互补金属氧化物半导体（CMOS）光学传感器。某些传感器可以经由传感器集线器（未示出）联接到互连件1510，而诸如键盘或热传感器的其它装置可以根据系统1500的具体配置或设计由嵌入式控制器（未示出）控制。
存储装置1508可以包括计算机可访问的存储介质1509（也被称为机器可读存储介质或计算机可读介质），其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件（例如，部件、模块、单元和/或逻辑1528）。
部件/模块/单元/逻辑（例如，处理模块）1528可以表示上述部件中的任一个，例如决策系统110、传感器系统114以及控制系统111（以及相关模块和子模块）。部件/模块/单元/逻辑1528还可以在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻存在存储器1503内和/或处理器1501内，数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。此外，部件/模块/单元/逻辑1528可被实现为固件或者在硬件装置之内的功能电路。进一步地，部件/模块/单元/逻辑1528可以以硬件装置与软件部件的任意组合的形式被实现。
应注意，虽然系统1500被示出为具有数据处理系统的各种部件，但是并不旨在表示使部件互连的任何特定架构或方式；因为此类细节和本公开的实施方式没有密切关系。还应当认识到，具有较少部件或可能具有较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公开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。
图中所示的技术可通过使用在一个或多个电子装置上存储并执行的代码和数据实现。这样的电子装置使用诸如非暂时性计算机可读存储介质（例如，磁盘、光盘、随机存取存储器、只读存储器、闪存装置和相变存储器）的计算机可读介质存储和通信（内部地和/或与网络上的其它电子装置）代码和数据。
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）、固件、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。
在以上的说明书中，已经对本公开的示例性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，可以对本公开作出各种修改。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 (14)

1.用于为车辆提供自动驾驶控制的计算机实施的方法，包括：
在所述车辆的操作期间接收一个或多个类型的数据，其中，所述一个或多个类型的数据至少包括所述车辆周围的驾驶环境的感知数据；以及
为所述车辆提供自动驾驶控制，其中，所述自动驾驶控制基于对所述一个或多个类型的数据的分析在审慎模式与直觉模式之间切换，其中，所述审慎模式基于一系列预设驾驶规则提供所述自动驾驶控制，以及所述直觉模式基于机器学习模型提供所述自动驾驶控制；
其中，来自所述审慎模式的输出被提供至所述直觉模式中的所述机器学习模型以作为训练数据，以及
其中，所述方法还包括：将基于所述机器学习模型控制所述车辆的所述直觉模式作为默认操作模式，以及
响应于对所述一个或多个类型的数据的所述分析确定所述驾驶环境的复杂性高于复杂性阈值，切换至所述审慎模式。
2.根据权利要求1所述的方法，其中，响应于对所述一个或多个类型的数据的所述分析确定所述驾驶环境的熟悉性阈值被满足，所述自动驾驶控制切换至所述直觉模式。
3.根据权利要求2所述的方法，其中，所述复杂性阈值基于所述车辆周围的所述驾驶环境之内感知的车辆或者行人对象的数量而确定。
4.根据权利要求1所述的方法，其中，所述一个或多个类型的数据还包括地图和实时交通信息。
5.根据权利要求1所述的方法，其中，所述一个或多个类型的数据还包括所述车辆的位置信息。
6.非暂时性机器可读介质，所述非暂时性机器可读介质中存储有指令，所述指令当被处理器执行时，致使所述处理器执行为车辆提供自动驾驶控制的操作，所述操作包括：
在所述车辆的操作期间接收一个或多个类型的数据，其中，所述一个或多个类型的数据至少包括所述车辆周围的驾驶环境的感知数据；以及
为所述车辆提供自动驾驶控制，其中，所述自动驾驶控制基于对所述一个或多个类型的数据的分析在基于规则的决策制定与基于模型的决策制定之间切换，其中，当所述基于规则的决策制定被调用时，所述自动驾驶控制是基于一系列预设驾驶规则的，以及当所述基于模型的决策制定被调用时，所述自动驾驶控制是基于机器学习模型的；
其中，来自所述基于规则的决策制定的一系列的输出被提供至所述机器学习模型以作为训练数据，以及
其中，所述操作还包括：将基于所述机器学习模型控制所述车辆作为默认操作模式，以及
响应于对所述一个或多个类型的数据的所述分析确定所述驾驶环境的复杂性高于复杂性阈值，切换至所述基于规则的决策制定。
7.根据权利要求6所述的介质，其中，对所述一个或多个类型的数据的所述分析包括确定所述驾驶环境的熟悉性阈值。
8.根据权利要求6所述的介质，其中，对所述一个或多个类型的数据的所述分析包括确定所述驾驶环境的复杂性阈值。
9.根据权利要求6所述的介质，其中，所述一个或多个类型的数据还包括地图和实时交通信息。
10.根据权利要求6所述的介质，其中，所述一个或多个类型的数据还包括所述车辆的位置信息。
11.用于为车辆提供自动驾驶控制的数据处理系统，包括：
处理器，以及
存储器，所述存储器联接至所述处理器以存储指令，其中，所述指令当被所述处理器执行时，致使所述处理器执行操作，所述操作包括：
在所述车辆的操作期间接收一个或多个类型的数据，其中，所述一个或多个类型的数据至少包括所述车辆周围的驾驶环境的感知数据；以及
使用决策系统为所述车辆提供自动驾驶控制，其中，所述决策系统基于对所述一个或多个类型的数据的分析在审慎子系统与直觉子系统之间切换，其中，所述审慎子系统基于一系列预设驾驶规则提供所述自动驾驶控制，以及所述直觉子系统基于机器学习模型提供所述自动驾驶控制；
其中，来自所述基于预设驾驶规则的一系列的输出被提供至所述机器学习模型以作为训练数据，以及
其中，所述操作还包括：将基于所述机器学习模型控制所述车辆的直觉子系统作为默认系统，以及
响应于对所述一个或多个类型的数据的所述分析确定所述驾驶环境的复杂性高于复杂性阈值，切换至所述审慎子系统。
12.根据权利要求11所述的系统，其中，响应于对所述一个或多个类型的数据的所述分析确定所述驾驶环境的熟悉性阈值被满足，所述决策系统切换至所述直觉子系统。
13.根据权利要求12所述的系统，其中，所述复杂性阈值基于所述车辆周围的所述驾驶环境之内感知的车辆或者行人对象的数量而确定。
14.根据权利要求11所述的系统，其中，所述一个或多个类型的数据还包括地图、实时交通信息以及所述车辆的位置信息。
CN201810190489.1A 2017-06-02 2018-03-08 用于自动驾驶控制的方法、介质和系统 Active CN108974009B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/612,205 2017-06-02
US15/612,205 US10816973B2 (en) 2017-06-02 2017-06-02 Utilizing rule-based and model-based decision systems for autonomous driving control

Publications (2)

Publication Number Publication Date
CN108974009A CN108974009A (zh) 2018-12-11
CN108974009B true CN108974009B (zh) 2022-01-04

Family

ID=64458811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810190489.1A Active CN108974009B (zh) 2017-06-02 2018-03-08 用于自动驾驶控制的方法、介质和系统

Country Status (2)

Country Link
US (1) US10816973B2 (zh)
CN (1) CN108974009B (zh)

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016158197A1 (ja) * 2015-03-31 2016-10-06 日立オートモティブシステムズ株式会社 自動運転制御装置
WO2019017253A1 (ja) * 2017-07-18 2019-01-24 パイオニア株式会社 制御装置、制御方法、およびプログラム
US10627249B2 (en) * 2017-12-01 2020-04-21 At&T Intellectual Property I, L.P. Dynamic customization of an autonomous vehicle experience
JP2019156180A (ja) * 2018-03-13 2019-09-19 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
WO2020014683A1 (en) * 2018-07-13 2020-01-16 Kache.AI Systems and methods for autonomous object detection and vehicle following
JP7201381B2 (ja) * 2018-10-05 2023-01-10 日立Astemo株式会社 電子制御装置、並列処理方法
CN111325230B (zh) * 2018-12-17 2023-09-12 上海汽车集团股份有限公司 车辆换道决策模型的在线学习方法和在线学习装置
CN111338333B (zh) * 2018-12-18 2021-08-31 北京航迹科技有限公司 用于自动驾驶的系统和方法
US10955853B2 (en) 2018-12-18 2021-03-23 Beijing Voyager Technology Co., Ltd. Systems and methods for autonomous driving
CN111399490B (zh) * 2018-12-27 2021-11-19 华为技术有限公司 一种自动驾驶方法以及装置
CN109814552B (zh) * 2018-12-28 2024-05-24 阿波罗智能技术(北京)有限公司 车载控制单元、基于fpga的车辆自动驾驶方法及装置
CN109693672B (zh) * 2018-12-28 2020-11-06 百度在线网络技术（北京）有限公司 用于控制无人驾驶汽车的方法和装置
EP3906506A4 (en) * 2018-12-31 2022-08-24 Intel Corporation METHODS AND APPARATUS FOR IMPLEMENTING ALWAYS-ON CONTEXT SENSOR HUBS TO PROCESS MULTIPLE DIFFERENT TYPES OF DATA INPUT
CN109814113B (zh) * 2019-01-15 2022-02-25 北京百度网讯科技有限公司 一种超声波雷达障碍物检测结果处理方法及系统
WO2020177876A1 (en) * 2019-03-07 2020-09-10 Toyota Motor Europe System and method for training a model performing human-like driving
US11560146B2 (en) 2019-03-26 2023-01-24 Ford Global Technologies, Llc Interpreting data of reinforcement learning agent controller
US11364913B2 (en) * 2019-03-26 2022-06-21 GM Global Technology Operations LLC Situational complexity quantification for autonomous systems
CN110007675B (zh) * 2019-04-12 2021-01-15 北京航空航天大学 一种基于行车态势图的车辆自动驾驶决策系统及基于无人机的训练集制备方法
EP3726497A1 (en) * 2019-04-15 2020-10-21 Zenuity AB Autonomous decisions in traffic situations with planning control
CN110207716B (zh) * 2019-04-26 2021-08-17 纵目科技（上海）股份有限公司 一种参考行驶线快速生成方法、系统、终端和存储介质
CN109991987B (zh) * 2019-04-29 2023-08-04 北京智行者科技股份有限公司 自动驾驶决策方法及装置
US11772671B2 (en) * 2019-06-03 2023-10-03 Toyota Research Institute, Inc. Systems and methods for predicting control handback
US20190318257A1 (en) * 2019-06-28 2019-10-17 Helen Adrienne Frances Gould Assessment and response mechanism for autonomous systems
US20190318265A1 (en) * 2019-06-28 2019-10-17 Helen Adrienne Frances Gould Decision architecture for autonomous systems
DE102019214931A1 (de) * 2019-09-27 2021-04-01 Zf Friedrichshafen Ag Steuerung eines Fahrzeugs
KR20210052621A (ko) * 2019-10-29 2021-05-11 엘지전자 주식회사 자율주행 레벨 결정 장치 및 방법
US11403940B2 (en) * 2020-01-07 2022-08-02 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for installing a structure using moveable objects
JP7369077B2 (ja) * 2020-03-31 2023-10-25 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム
JP7464425B2 (ja) * 2020-03-31 2024-04-09 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム
JP7369078B2 (ja) * 2020-03-31 2023-10-25 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム
CN111679660B (zh) * 2020-06-16 2022-08-05 中国科学院深圳先进技术研究院 一种融合类人驾驶行为的无人驾驶深度强化学习方法
US11731651B2 (en) * 2020-09-30 2023-08-22 Baidu Usa Llc Automatic parameter tuning framework for controllers used in autonomous driving vehicles
CN112437111B (zh) * 2020-10-13 2022-08-26 上海京知信息科技有限公司 一种基于上下文感知的车路协同系统
FR3117971B1 (fr) 2020-12-17 2024-01-19 Renault Sas Méthode d’aide à la conduite d’un véhicule automobile autonome sur une route
US11933513B2 (en) * 2021-07-30 2024-03-19 Johnson Controls Tyco IP Holdings LLP Building control system with setpoint injection for online system identification
CN113848913B (zh) * 2021-09-28 2023-01-06 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
US20240059303A1 (en) * 2022-08-18 2024-02-22 Harman International Industries, Incorporated Hybrid rule engine for vehicle automation
US11972682B2 (en) 2022-09-18 2024-04-30 International Business Machines Corporation Displaying vehicle information to a pedestrian using a visual indicator

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105270407A (zh) * 2015-10-20 2016-01-27 广州橙行智动汽车科技有限公司 一种自动驾驶汽车行驶模式切换方法及系统
CN105654808A (zh) * 2016-02-03 2016-06-08 北京易驾佳信息科技有限公司 一种基于实际机动车的机动车驾驶人智能化训练系统
CN105872088A (zh) * 2016-05-26 2016-08-17 百度在线网络技术（北京）有限公司 无人驾驶车辆的操作系统切换方法和装置
CN106338988A (zh) * 2015-07-06 2017-01-18 丰田自动车株式会社 自动驾驶车辆的控制装置
WO2017033215A1 (ja) * 2015-08-27 2017-03-02 日本電気株式会社 渋滞予防システム、渋滞予防方法、及び、記録媒体

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6567376B2 (ja) * 2015-09-25 2019-08-28 パナソニック株式会社 装置
US9632502B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Machine-learning systems and techniques to optimize teleoperation and/or planner decisions
US10239529B2 (en) * 2016-03-01 2019-03-26 Ford Global Technologies, Llc Autonomous vehicle operation based on interactive model predictive control

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338988A (zh) * 2015-07-06 2017-01-18 丰田自动车株式会社 自动驾驶车辆的控制装置
WO2017033215A1 (ja) * 2015-08-27 2017-03-02 日本電気株式会社 渋滞予防システム、渋滞予防方法、及び、記録媒体
CN105270407A (zh) * 2015-10-20 2016-01-27 广州橙行智动汽车科技有限公司 一种自动驾驶汽车行驶模式切换方法及系统
CN105654808A (zh) * 2016-02-03 2016-06-08 北京易驾佳信息科技有限公司 一种基于实际机动车的机动车驾驶人智能化训练系统
CN105872088A (zh) * 2016-05-26 2016-08-17 百度在线网络技术（北京）有限公司 无人驾驶车辆的操作系统切换方法和装置

Also Published As

Publication number Publication date
CN108974009A (zh) 2018-12-11
US20180348763A1 (en) 2018-12-06
US10816973B2 (en) 2020-10-27

Similar Documents

Publication Publication Date Title
CN108974009B (zh) 用于自动驾驶控制的方法、介质和系统
KR102070530B1 (ko) 모션 계획에 기초한 자율 주행 차량의 운행 방법 및 시스템
CN107943016B (zh) 用于自主车辆的群体驾驶风格学习框架
CN108973990B (zh) 用于自动驾驶控制的方法、介质和系统
US11328219B2 (en) System and method for training a machine learning model deployed on a simulation platform
CN110239562B (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
CN110377025B (zh) 用于自动驾驶车辆的传感器聚合框架
CN110667598B (zh) 用于处理自动驾驶车辆中的传感器故障的方法
CN109426256B (zh) 自动驾驶车辆的基于驾驶员意图的车道辅助系统
KR102078488B1 (ko) 차량 주변의 컨텍스트에 기초하여 차량의 하나 이상의 궤적을 예측하는 방법 및 시스템
CN108733046B (zh) 用于自动驾驶车辆的轨迹重新规划的系统和方法
KR102279078B1 (ko) 자율 주행 차량의 v2x 통신 기반의 차량 차로 시스템
CN108891417B (zh) 用于操作自动驾驶车辆的方法及数据处理系统
US10940795B2 (en) Method for keeping distance between an autonomous driving vehicle and a following vehicle using a braking light
CN108255170B (zh) 动态地调整自动驾驶车辆的速度控制率的方法
CN111328411B (zh) 用于自动驾驶车辆的行人概率预测系统
CN110621541B (zh) 用于生成轨迹以操作自动驾驶车辆的方法和系统
CN111076732A (zh) 基于车辆行驶的轨迹标记和生成高清地图的标记方案
JP2021501714A (ja) 自動運転車両のための低速シーンにおける歩行者インタラクションシステム
CN111857119A (zh) 用于停放自动驾驶车辆的停车管理架构
CN111615477B (zh) 自动驾驶车辆中的非避开规划系统的障碍物过滤的方法
CN111103876A (zh) 自动驾驶车辆的基于雷达通信的扩展感知
CN113226825A (zh) 自动驾驶车辆的基于扭矩反馈的车辆纵向自动校准系统
CN111684379A (zh) 自动驾驶车辆的三点转弯的最优规划器切换方法
EP3697659B1 (en) Method and system for generating reference lines for autonomous driving vehicles

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