CN109429518A - 基于地图图像的自动驾驶交通预测 - Google Patents

基于地图图像的自动驾驶交通预测 Download PDF

Info

Publication number
CN109429518A
CN109429518A CN201780002565.5A CN201780002565A CN109429518A CN 109429518 A CN109429518 A CN 109429518A CN 201780002565 A CN201780002565 A CN 201780002565A CN 109429518 A CN109429518 A CN 109429518A
Authority
CN
China
Prior art keywords
map image
road
map
vehicle
objects
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
CN201780002565.5A
Other languages
English (en)
Other versions
CN109429518B (zh
Inventor
缪景皓
李力耘
夏中谱
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 com Times Technology Beijing Co Ltd
Baidu USA LLC
Original Assignee
Baidu com Times Technology Beijing Co Ltd
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 com Times Technology Beijing Co Ltd, Baidu USA LLC filed Critical Baidu com Times Technology Beijing Co Ltd
Publication of CN109429518A publication Critical patent/CN109429518A/zh
Application granted granted Critical
Publication of CN109429518B publication Critical patent/CN109429518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • 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
    • 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
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/09626—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages where the origin of the information is within the own vehicle, e.g. a local storage device, digital map

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Atmospheric Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Instructional Devices (AREA)

Abstract

在一个实施方式中，响应于感知ADV周围的驾驶环境的感知数据，获取覆盖与驾驶环境相关联的位置的地图的地图图像。对地图图像执行图像识别以从地图图像识别一个或多个对象。对象可代表特定道路、建筑结构(例如，停车场、十字路口或转盘路)。从所识别的对象提取一个或多个特征，其中，特征可指示或描述驾驶环境的交通状况。基于所提取的特征，预测从感知数据感知的一个或多个交通参与者的行为。基于所预测的交通参与者的行为，规划用于控制ADV在驾驶环境中进行导航的轨迹。交通参与者可以是车辆、骑行者或行人。

Description

基于地图图像的自动驾驶交通预测
技术领域
本公开的实施方式大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操作自动驾驶车辆的交通预测。
背景技术
以自动驾驶模式(例如，无人驾驶)操作的车辆可使驾乘者(尤其是驾驶者)免于一些与驾驶有关的职责。当以自动驾驶模式操作时，车辆可使用车载传感器导航到各个位置，从而允许车辆以最少的人机交互或者在没有任何乘客的一些情况下行驶。
交通预测是实现完全自动驾驶方案的关键部分。它如人脑一样用于预测周围的交通参与者在不久的将来将要去哪里，从而使自动驾驶车辆自身能够相应地做出安全和正确的行动。在预测交通参与者在不久的将来的行为方面，交通预测在很大程度上依赖于高精度地图(也被称为高清晰度地图)。然而，制作高精度地图是昂贵和耗时的。其需要大量的人工标记工作，而这是非常昂贵和耗时的。人工标记会遭遇人为错误或误差，而这使得自动驾驶车辆有时会有风险。
发明内容
本公开的实施方式提供了用于操作自动驾驶车辆的计算机实施方法、非暂时性机器可读介质和数据处理系统。
在本公开的一方面中，用于操作自动驾驶车辆的计算机实施方法包括：响应于感知自动驾驶车辆(ADV)周围的驾驶环境的感知数据，获取覆盖与驾驶环境相关联的位置的地图的地图图像；执行对地图图像的图像识别以从地图图像识别一个或多个对象；从所识别的对象提取一个或多个特征，其中，该一个或多个特征指示驾驶环境的交通状况；基于所提取的特征预测从感知数据感知的一个或多个交通参与者的行为；以及基于所预测的一个或多个交通参与者的行为，规划用于控制ADV在驾驶环境中进行导航的轨迹。
在本公开的另一方面中，非暂时性机器可读介质具有存储在其中的指令，该指令在被处理器执行时致使处理器执行操作。该操作包括：响应于感知自动驾驶车辆(ADV)周围的驾驶环境的感知数据，获取覆盖与驾驶环境相关联的位置的地图的地图图像；执行对地图图像的图像识别以从地图图像识别一个或多个对象；从所识别的对象提取一个或多个特征，其中，该一个或多个特征指示驾驶环境的交通状况；基于所提取的特征预测从感知数据感知的一个或多个交通参与者的行为；以及基于所预测的一个或多个交通参与者的行为，规划用于控制ADV在驾驶环境中进行导航的轨迹。
在本公开的又一方面中，数据处理系统包括处理器和存储器，存储器联接至处理器以存储指令，该指令在被处理器执行时致使处理器执行操作。该操作包括：响应于感知自动驾驶车辆(ADV)周围的驾驶环境的感知数据，获取覆盖与驾驶环境相关联的位置的地图的地图图像；执行对地图图像的图像识别以从地图图像识别一个或多个对象；从所识别的对象提取一个或多个特征，其中，该一个或多个特征指示驾驶环境的交通状况；基于所提取的特征预测从感知数据感知的一个或多个交通参与者行为；以及基于所预测的一个或多个交通参与者的行为，规划用于控制ADV在驾驶环境中进行导航的轨迹。
附图说明
本公开的实施方式以示例的方式示出，而不限于附图中的图，在附图中，相同的附图标记表示相同的元件。
图1是示出根据一个实施方式的网络系统的框图。
图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。
图3是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。
图4是示出根据一个实施方式的操作自动驾驶车辆的处理流程的事务图。
图5是示出根据一个实施方式识别的驾驶环境的示例的框图。
图6是示出根据另一实施方式识别的驾驶环境的示例的框图。
图7是示出根据一个实施方式的操作自动驾驶车辆的过程的流程图。
图8是示出根据一个实施方式的数据处理系统的框图。
具体实施方式
将参照以下讨论的细节描述本公开的多种实施方式和方面，并且附图将示出多种实施方式。以下描述和附图是对本公开的说明，而不应被解释为限制本公开。描述了诸多具体细节以提供对本公开的多种实施方式的透彻理解。然而，在某些情况下，为了提供对本公开的实施方式的简要讨论，没有描述公知的或常规的细节。
在说明书中，对“一个实施方式”或“实施方式”的引述是指与该实施方式结合描述的特定特征、结构或特性可包括在本公开的至少一个实施方式中。说明书中各处出现的短语“在一个实施方式中”不一定全部指代同一实施方式。
由于图像处理技术变得越来越成熟。许多这样的技术已成功应用于诸如人脸识别、对象监测等商业商品的生产中。根据本公开的一方面，用于交通预测的新方法是使用常规导航地图作为具有先进视觉技术的图像以从地图图像标识例如重要特征(例如，道路、停车场、十字路口、转盘路等)。自动驾驶车辆(ADV)使用这些特征来对道路上的那些交通参与者的行为作出预测。
根据一个实施方式，响应于感知ADV周围的驾驶环境的感知数据，获取覆盖与驾驶环境相关联的位置的地图(例如，常规地图或常规清晰度地图)的地图图像。对地图图像执行图像识别以从地图图像识别一个或多个对象。对象可代表特定道路、建筑结构(例如，停车场)十字路口或转盘路等。一个或多个特征是从所识别的对象提取的，其中，特征可指示或描述驾驶环境的交通状况。基于所提取的特征，预测从感知数据感知的一个或多个交通参与者的行为。基于所预测的交通参与者的行为来规划轨迹，所述轨迹用于控制ADV在驾驶环境中进行导航。交通参与者可以是车辆、骑行者或行人。
图1是示出根据一个实施方式的自动驾驶车辆网络配置的框图。参照图1，网络配置100包括可通过网络102通信地联接至一个或多个服务器103-104的自动驾驶车辆101。虽然示出了一个自动驾驶车辆，但多个自动驾驶车辆可通过网络102彼此联接和/或联接至服务器103-104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103-104可以是任何种类的服务器或服务器的集群，例如，Web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103-104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)服务器或位置服务器等。
自动驾驶车辆是指可配置成处于自动驾驶模式的车辆，其中车辆在驾驶者很少或没有输入的环境下进行导航。这样的自动驾驶车辆可包括具有一个或多个传感器的传感器系统，该一个或多个传感器配置成检测与车辆操作环境相关的信息。车辆及其关联的控制器使用所检测到的信息在环境中进行导航。自动驾驶车辆101可以以手动模式、全自动驾驶模式或部分自动驾驶模式操作。
在一个实施方式中，自动驾驶车辆101包括但不限于感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113、信息娱乐系统114和传感器系统115。自动驾驶车辆101还可包括普通车辆中包括的某些通用部件(诸如，发动机、车轮、方向盘、变速器等)，这些可由车辆控制系统111和/或感知与规划系统110例如使用各种通信信号和/或命令(例如，加速信号或命令、减速信号或命令、制动信号或命令等)来控制。
部件110-115可经由互连件、总线、网络或其组合而彼此通信地联接。例如，部件110-115可经由控制器区域网(CAN)总线而彼此通信地联接。CAN总线是车辆总线标准，其被设计成允许微控制器和装置在没有主机的应用中彼此通信。它是基于消息的协议，最初被设计用于汽车内的复用电气布线，但也用于许多其它环境。
现在参照图2，在一个实施方式中，传感器系统115包括但不限于一个或多个相机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光检测和测距(LIDAR)单元215。GPS系统212可包括可操作为提供与自动驾驶车辆的位置有关的信息的收发器。IMU单元213可基于惯性加速度来感测自动驾驶车辆的位置和取向变化。雷达单元214可表示利用无线电信号来感测自动驾驶车辆的局部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还可感测对象的速度和/或前进方向。LIDAR单元215可使用激光来感测自动驾驶车辆所位于的环境中的对象。LIDAR单元215可包括一个或多个激光源、激光扫描器和一个或多个检测器以及其它系统部件。相机211可包括一个或多个装置以采集自动驾驶车辆周围环境的图像。相机211可以是静物相机和/或视频相机。可例如通过将相机安装在旋转和/或倾斜的平台上而使相机机械地可移动。
传感器系统115还可包括其它传感器，例如，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)。音频传感器可配置成从自动驾驶车辆周围的环境采集声音。转向传感器可配置成感测车辆的方向盘、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。在一些情况下，油门传感器和制动传感器可集成为集成的油门/制动传感器。
在一个实施方式中，车辆控制系统111包括但不限于转向单元201、油门单元202(也称为加速单元)以及制动单元203。转向单元201用于调节车辆的方向或前进方向。油门单元202用于控制发动机或发动机的速度，继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变慢来使车辆减速。应注意的是，图2中示出的部件可以以硬件、软件或其组合来实施。
返回参考图1，无线通信系统112用于允许自动驾驶车辆101与外部系统(例如，装置、传感器其它车辆等)之间进行通信。例如，无线通信系统112可直接地或经过通信网络而与一个或多个装置无线地通信，例如，通过网络102与服务器103-104通信。无线通信系统112可使用任何蜂窝通信网络或无线局域网(WLAN)，例如利用WiFi来与另一部件或系统通信。无线通信系统112可例如使用红外链路、蓝牙等而与装置(例如，乘客的移动装置、车辆101内的显示装置、扬声器)直接通信。用户接口系统113可以是车辆101内实施的外围装置的一部分，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的一些功能或全部功能可以由感知与规划系统110控制或管理，尤其是当以自动驾驶模式操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储设备)和软件(例如，操作系统、规划和路线安排程序)以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理所接收的信息，规划从起点到终点的路线或路径，随后基于规划和控制信息驾驶车辆101。可替代地，感知与规划系统110可与车辆控制系统111集成。
例如，作为乘客的用户可例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获取与行程相关的数据。例如感知与规划系统110可从MPOI服务器获取位置和路线信息，MPOI服务器可以是服务器103-104中的一部分。位置服务器提供位置服务，以及MPOI服务器提供地图服务和某些位置的POI。可替代地，这样的位置和MPOI信息可本地寄存在感知与规划系统110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时，感知与规划系统110还可从交通信息系统或服务器(TIS)获取实时交通信息。应注意的是，服务器103-104可由第三方实体操作。可替代地，服务器103-104的功能可与感知与规划系统110集成。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测到的或感测到的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可规划最优路线并例如经由控制系统111根据所规划的路线来驾驶车辆101以安全地和高效地到达指定目的地。
服务器103可以是为各种客户端执行数据分析服务的数据分析系统。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由人类驾驶者驾驶的常规车辆)收集驾驶统计信息123。驾驶统计信息123包括指示发出的驾驶命令(例如，油门命令、制动命令、控制命令)和由车辆的传感器在不同时间点捕获的车辆的响应(例如，速度、加速度、减速度、方向)的信息。驾驶统计信息123还可例如包括描述不同时间点的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。
基于驾驶统计信息123，机器学习引擎122出于各种目的生成或训练规则、算法和/或预测模型124的集合。在一个实施方式中，规则/算法/模型124包括规则、算法和/或模型以识别包含在地图图像中的对象以及从该对象提取特征。例如，规则/算法/模型124可包括指定如何(例如，基于包含在地图图像中的对象的形状和/或颜色)从地图图像识别某些对象的数据。对于某一类型的对象，规则/算法/模型124还可例如指定或暗示与该对象相关联的某些特征，例如，停止标志、让行标志、车道配置(例如，仅左转弯车道、仅右转弯车道、仅直行车道)、入口/出口点等。随后，规则/算法/模型124可被加载到ADV上以用于规划轨迹来实施控制ADV。
图3是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可实施为图1的自动驾驶车辆101的一部分，其包括但不限于感知与规划系统110、控制系统111和传感器系统115。参照图3，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、地图图像分析器307和地图特征提取器308。
模块301-308中的一些或全部可以以软件、硬件或其组合来实施。例如，这些模块可安装在永久性存储装置352中，加载到存储器351中并由一个或多个处理器(未示出)执行。应注意的是，这些模块中的一些或全部可以与图2的车辆控制系统111的一些模块或全部模块通信地联接或集成在一起。模块301-308中的一些可一起集成为集成模块。
定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。定位模块301(也称为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可以例如经由用户接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的其它部件(例如，地图和路线信息311)通信以获取与行程相关的数据。例如，定位模块301可从位置服务器及地图和POI(MPOI)服务器获取位置和路线信息。位置服务器提供位置服务，MPOI服务器提供地图服务和某些位置的POI，这可作为地图和路线信息311的一部分寄存。当自动驾驶车辆300沿着路线移动时，定位模块301还可从交通信息系统或服务器获取实时交通信息。
基于由传感器系统115提供的传感器数据和由定位模块301获取的定位信息，感知模块302确定出对周围环境的感知。感知信息可表示普通驾驶者将在驾驶者所驾驶的车辆周围感知到的事物。感知可包括例如呈对象的形式的车道配置(例如，直行或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它与交通相关的标志(例如，停止标志、让行标志)等。
感知模块302可包括计算机视觉系统或计算机视觉系统的功能以处理和分析由一个或多个相机捕获的图像，以便标识自动驾驶车辆的环境中的对象和/或特征。对象可包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可使用对象识别算法、视频跟踪和其它计算机视觉技术。在一些实施方式中，计算机视觉系统可绘制环境的地图、跟踪对象以及估算对象的速度等。感知模块302还可基于由其它传感器(例如，雷达和/或LIDAR)提供的其它传感器数据来检测对象。
针对每个对象，预测模块303预测在该情况下对象将如何表现。考虑到地图/路线信息311和交通规则312的集合，基于感知该时间点的驾驶环境的感知数据执行预测。例如，如果对象是相反方向的车辆并且当前驾驶环境包括十字路口，则预测模块303将预测车辆是可能直接前进还是转弯。如果感知数据指示十字路口没有交通灯，则预测模块303可预测出车辆在进入十字路口前可能必须完全停止。如果感知数据指示车辆当前位于仅左转弯车道或仅右转弯车道，则预测模块303可预测车辆更可能分别左转弯或右转弯。
针对每个对象，决策模块304作出关于如何处理对象的决策。例如，针对特定对象(例如，交叉路线中的另一车辆)以及其描述该对象的元数据(例如，速度、方向、转弯角度)，决策模块304决策如何应对该对象(例如，超车、让行、停止或经过)。决策模块304可根据可存储在永久性存储装置352中的规则(诸如，交通规则或驾驶规则312)的集合作出这种决策。
基于对感知的每个对象的决策，规划模块305为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之，针对给定的对象，决策模块304决策如何面对该对象，而规划模块305确定如何做。例如，针对给定的对象，决策模块304可决定经过该对象，而规划模块305可确定是在该对象的左侧还是右侧经过。规划和控制数据由规划模块305生成，其包括描述车辆300将如何在下一个移动周期(例如，下一路线/路径段)移动的信息。例如，规划和控制数据可指示车辆300以30英里/小时(mph)的速度移动10米，然后以25mph的速度改变到右车道。
基于规划和控制数据，控制模块306根据由规划和控制数据限定的路线或路径通过向车辆控制系统111发送适当的命令或信号来控制并驾驶自动驾驶车辆。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时间点使用适当的车辆设置或驾驶参数(例如，油门、制动和转向命令)将车辆从路线或路径的第一点驾驶到第二点。
在一个实施方式中，规划阶段在一定数量的规划周期(也称为例如命令周期，例如，每次间隔100毫秒(ms))中执行。对于每个规划周期或命令周期，将基于规划和控制数据发出一个或多个控制命令。换言之，对于每100ms，规划模块305规划下一路线段或路径段(例如，ADV所需的目标位置和时间)以到达目标位置。可替代地，规划模块305可进一步指定特定的速度、方向和/或转向角度等。在一个实施方式中，规划模块305规划下一预定时间段(例如，5秒)的路线段或路径段。对于每个规划周期，规划模块305基于前一周期中规划的目标位置来规划当前周期(例如，下一个5秒)的目标位置。随后，控制模块306基于当前周期的规划和控制数据来生成一个或多个控制命令(例如，油门、制动、转向控制命令)。
应注意的是，决策模块304和规划模块305可集成为集成模块。决策模块304/规划模块305可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，导航系统可确定一系列速度和定向的前进方向以实现使自动驾驶车辆沿着基本上回避了感知到的障碍物的路径移动，同时大体上使自动驾驶车辆沿着通往最终目的地的基于道路的路径前进。该目的地可根据经由用户接口系统113进行的用户输入而设置。导航系统可在自动驾驶车辆操作时动态地更新驾驶路径。导航系统可结合来自GPS系统和一个或多个地图的数据，以便确定自动驾驶车辆的驾驶路径。
决策模块304/规划模块305还可包括防碰撞系统或防碰撞系统的功能，以识别、评估和回避或以其它方式越过自动驾驶车辆的环境中的潜在障碍物。例如，防碰撞系统可通过操作控制系统111中的一个或多个子系统来实现自动驾驶车辆的导航的改变，以进行变向操纵、转弯操纵、制动操纵等。防碰撞系统可基于周围交通型式、道路状况等自动地确定可行的障碍物回避操纵。防碰撞系统可配置成当其它传感器系统在自动驾驶车辆将要变向到的相邻区域中检测到车辆、建筑障碍物等时使得不进行变向操纵。防碰撞系统可自动地选择可用的且使自动驾驶车辆的驾乘者最安全的操纵。防碰撞系统可选择预测的使自动驾驶车辆的乘客车厢中的加速度值最小的规避操纵。
现在参照图3和图4，根据一个实施方式，响应于由感知模块302感知的对象，预测模块303调用地图图像分析器307以分析覆盖相对于与当前驾驶环境相关联的位置的预定距离的地图图像。地图图像分析器307用于执行对地图图像的图像识别以识别地图图像中包含的一个或多个对象。可使用地图分析规则313基于对象的形状和/或颜色将所识别的对象识别为一个或多条道路、十字路口、转盘路或建筑结构(例如，停车场)。基于所识别的对象，地图特征提取器308使用地图特征提取规则314从所识别的对象提取或生成一个或多个特征。特征可包括描述对象的信息。特征还可包括基于所识别的对象生成的另外的特征。另外的特征可包括通常可从高清晰度地图获得但不能从常规地图获得的特征，其中另外的特征可根据特征提取规则314基于对象来表示。
高精度地图提供与该车辆可能行驶的位置有关的车道级别信息。例如，给定它在地图中的当前位置的情况下，其可能仅直行或右转弯。由于交通法等其不能调头或左转弯。常规地图不会有这种信息。相反，常规地图将一般包含诸如道路的卫星图像的图像。然而，地图图像可包含诸如道路、十字路口、建筑结构、转盘路等对象的图像。基于对象的形状和/或颜色，图像识别可能能够标识这样的对象。
根据一个实施方式，对象的标识可包括可从地图标识可行驶道路的道路标识。如果障碍物在道路车道上移动，这有利于引导障碍物。对象的标识还可包括沿着道路的某些建筑结构(例如，停车场或停车区域)。这有利于预测障碍物是否将要移动到停车场。对象的标识还可包括十字路口，在十字路口处，交通参与者可能具有不同行为形式。对象的标识还可包括转盘路，其中标识转盘路和它们的出口可有助于规划交通参与者的轨迹。
根据一个实施方式，所提取的特征可包括但不限于道路曲率、十字路口或和转盘路。道路曲率的特征包括指示道路(尤其是在交叉路口上)如何弯曲的信息以帮助预测交通参与者是否将要转弯。与十字路口或交叉路口相关联的特征包括指示如图5中所示的十字路口具有多少横道以及它们如何连接的信息。转盘路的特征包括指示沿着如图6中所示的转盘路有多少出口以及出口是如何分布的信息。
现在参照图5，在此示例中，地图的图像示出了结合感知数据的十字路口500。在此示例中，基于对地图图像的图像识别，图像分析器307识别出十字路口500。十字路口500的特征由特征提取器308提取。十字路口500的特征可包括每一车道的每一方向的车道数量、车道的曲率、人行横道的位置等。此外，特征还可包括在给定十字路口的性质的情况下可推测或预测的交通灯的位置、停止标志和/或让行标志。所提取的特征可转变成描述特征的元数据，元数据可以与由相应高清晰度地图提供的数据相似。然而，通过使用图像识别和特征提取技术，可使用常规地图而不必使用高清晰度地图。
结合感知车辆502-503的感知数据基于十字路口500的特征，预测模块303可确定车辆502-503的当前位置，车辆502-503的当前位置包括车辆502-503当前在哪个车道行驶。预测模块303可预测或确定车辆502-503的下一动作或行为。在此示例中，车辆502在左车道上行驶，并且遵照交通灯，车辆502可直行穿过十字路口或者左转弯。车辆503在右车道上行驶并且遵照交通灯，车辆503可直行穿过十字路口或右转弯。基于车辆502-503的速度(其可基于感知数据估算出)，预测模块303可预测出在较高速度下车辆一般会直行且其进行转弯是不合理或不安全的。另一方面，如果车辆以相对低的速度移动，则车辆很可能转弯。
可替代地，考虑到图像分析，基于感知数据，十字路口500可被确定为4路停车十字路口。4路停车十字路口是指没有交通灯的十字路口。确切地，在进入十字路口的每一车道上设置有停止标志。在该配置中，预测模块303可预测出车辆501-503中的每个必须在进入十字路口之前完全停止。对车辆502-503的行为的预测可由决策模块304用于确定ADV 501在下一时刻将如何移动。
现在参考图6，基于地图图像，转盘路被识别并且出口的数量也可被确定为特征的一部分。此外，基于交通法，在转盘路的入口处可能存在停止标志。在此示例中，特征提取器308可确定转盘路内存在两个车道，包括内车道(例如，快车道)和外车道(例如，慢车道)。基于由图像分析器307和特征提取器308提供的特征，预测模块303可确定车辆602正在外车道行驶并且遵照由感知模块302感知的速度，确定车辆602在下一出口或其后的出口可能出去或可能不出去。预测模块303还可确定：由于车辆605在内车道行驶，因此车辆605将不大可能在下一出口出去。类似地，预测模块303可预测出车辆603和车辆604在进入转盘路之前可能必须完全停止，因为入口处很可能设置有由特征提取器308提供的停止标志。这些信息可由预测模块303用来预测车辆602-605中的每一个将可能如何表现，这将影响决策模块304如何确定ADV 601将在下一命令周期中如何移动。应注意的是，图像分析器307和/或特征提取器308可整合为预测模块303的一部分。
图7是示出根据一个实施方式的操作自动驾驶车辆的过程的流程图。过程700可由处理逻辑执行，处理逻辑可包括软件、硬件或其组合。例如，过程700可由图像分析器307、特征提取器308和/或预测模块303执行。参照图7，在操作701中，处理逻辑接收感知ADV周围的驾驶环境的感知数据。在操作702中，处理逻辑获取与驾驶环境相关联的地图(例如，常规清晰度地图)的地图图像。在操作703中，处理逻辑对地图图像执行图像分析或图像识别以从地图图像标识一个或多个对象(例如，十字路口、转盘路、建筑结构)。在操作704中，处理逻辑从所识别的对象提取一个或多个特征，其中，该特征指示驾驶环境可能的交通状况。在操作705中，处理逻辑根据所提取的特征基于感知数据预测一个或多个交通参与者(例如，车辆、骑行者、行人)的行为。
应注意的是，以上示出和描述的部件中的一些或全部可以以软件、硬件或其组合来实施。例如，这样的部件可以实施为安装和存储在永久性存储装置中的软件，该软件可由处理器(未示出)加载在存储器中并执行，以执行本申请中全文中描述的过程或操作。可替代地，这样的部件可实施为编程到或嵌入到专用硬件(例如，集成电路(例如，专用IC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，可执行代码可经由相应的驱动器和/或操作系统从应用访问。此外，这样的部件可实施为处理器或处理器核中的作为由软件部件经由一个或多个特定指令可访问的指令集的一部分的特定硬件逻辑。
图8是示出可与一个实施方式一起使用的数据处理系统的示例的框图。例如，系统1500可例如代表执行上述过程或方法中的任何一个的上述任何数据处理系统，例如，图1的服务器103-104中的任一个或感知与规划系统110。系统1500可包括许多不同部件。这些部件可实施为集成电路(IC)、集成电路的一部分、离散的电子装置或适合于电路板(例如，计算机系统的主板或插入卡)的其它模块，或作为以其它方式并入计算机系统的框架中的部件。
还应注意的是，系统1500旨在示出计算机系统的许多部件的高层次视图。然而，应当理解的是，在某些实现方式中可以存在另外的部件，此外，在其它实现方式中，可以出现所示部件的不同布置。系统1500可以表示台式机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外，尽管仅示出单个机器或系统，但术语“机器”或“系统”还应当认为包括独立地或联合地执行一组(或多组)指令来执行本文讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方式中，系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503和装置1505至1508。处理器1501可以表示其中包括单个处理器核或多个处理器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，例如微处理器、中央处理单元(CPU)等。更具体地，处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器或者实现其它指令集的处理器或者实现指令集的组合的处理器。处理器1501还可以是一个或多个专用处理器，例如，专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、密码处理器、协处理器、嵌入式处理器或者能够处理指令的任何其它类型的逻辑。
处理器1501(其可以是诸如超低电压处理器的低功率多核处理器套接口)可以充当用于与系统的各种部件进行通信的主处理单元和中央集线器。这种处理器可以实施为片上系统(SoC)。处理器1501被配置成执行用于执行本文中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1504，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通过多个存储器装置来实施，以提供给定量的系统存储。存储器1503可以包括诸如随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)的一个或多个易失性存储(或存储器)装置，或者其它类型的存储装置。存储器1503可以存储包括由处理器1501或任何其它装置执行的一系列指令的信息。例如，各种操作系统、装置驱动程序、固件(例如输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可以加载到存储器1503中并且由处理器1501执行。操作系统可以例如是任何种类的操作系统，例如机器人操作系统(ROS)、LINUX、UNIX、来自微软公司的操作系统、来自苹果公司(Apple)的来自谷歌公司的或者其它实时或嵌入式操作系统。
系统1500还可以包括诸如装置1505-1508的IO装置，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)。无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如，全球定位系统(GPS)收发器)或者其它射频(RF)收发器或其组合。NIC可以是以太网卡。
输入装置1506可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置1504集成)、诸如手写笔的指针装置和/或键盘(例如，物理键盘或者被显示为触敏屏幕的一部分的虚拟键盘)。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可例如使用各种触敏技术中的任何一种以及其它接近传感器阵列或者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其间断，其中，触敏技术包括但不限于电容式、电阻式、红外式和表面声波技术。
IO装置1507可以包括音频装置。音频装置可以包括扬声器和/或麦克风以促进语音支持功能，例如语音识别、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，运动传感器，诸如加速度计、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或它们的组合。装置1507还可以包括成像处理子系统(例如，相机)，成像处理子系统可以包括用于促进相机功能(例如，记录照片和视频剪辑)的光学传感器(例如，电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器)。根据系统1500的特定配置或设计，某些传感器可以通过传感器集线器(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由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储，大容量存储设备(未示出)也可以联接到处理器1501。在各种实施方式中，为了实现更薄和更轻的系统设计以及改善系统响应性，可以通过固态装置(SSD)来实施此大容量存储装置。然而，在其它实施方式中，大容量存储装置可以主要使用硬盘驱动器(HDD)来实施，其中较少量的SSD存储设备充当SSD高速缓存以实现在断电事件期间对环境状态和其它此类信息的非易失性存储，从而使得在重新开始系统活动时可以发生快速通电。闪存装置也可以例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可以提供对系统软件(包括系统的BIOS以及其它固件)的非易失性存储。
存储装置1508可以包括计算机可访问存储介质1509(也称为机器可读存储介质或计算机可读介质)，计算机可访问存储介质1509上存储实现本文中描述的方法或功能中的任何一重或多种的一个或多个指令集或软件(例如，模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可以例如表示上述任何部件，例如规划模块305、控制模块30/6、图像分析器307和/或特征提取器308。处理模块/单元/逻辑1528还可以在其由数据处理系统1500、存储器1503内和/或处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内，数据处理系统1500、存储器1503和处理器1501也构成机器可访问存储介质。处理模块/单元/逻辑1528可以进一步经由网络接口装置1505通过网络传输或接收。
计算机可读存储介质1509还可以用于永久性地存储上述一些软件功能。尽管在示例性实施方式中将计算机可读存储介质1509示出为单个介质，但术语“计算机可读存储介质”应被认为包括存储一个或多个指令集的单个介质或多个介质(例如，集中式数据库或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当包括能够存储或编码指令集的任何介质，该指令集由机器执行并且致使机器执行本公开的方法中的任何一个或多个。应相应地认为术语“计算机可读存储介质”包括但不限于固态存储器以及光学和磁性介质或者任何其它非暂时性机器可读介质。
本文中描述的处理模块/单元/逻辑1528、部件和其它特征可以被实施为离散的硬件部件，或者集成在硬件部件(诸如ASICS、FPGA、DSP或类似装置)的功能中。此外，处理模块/单元/逻辑1528可以被实施为硬件装置内的固件或功能电路。此外，处理模块/单元/逻辑1528可以以任何组合的硬件装置和软件部件来实施。
应注意的是，虽然系统1500被示出为具有数据处理系统的各种部件，但并不旨在表示将部件互连的任何特定架构或方式；因为这样的细节与本公开的实施方式没有密切关系。还应理解，具有更少部件或可能更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可以用于本公开的实施方式。
前面详细描述的一些部分已经根据在计算机存储器内对数据位的操作的算法和符号进行呈现。这些算法描述和表示是由数据处理领域的技术人员使用以将他们的工作要旨最有效地传达给本领域其它技术人员的方式。算法在此并且一般被认为是产生预期结果的一些列自洽操作。这些操作是需要对物理量进行物理操纵的操作。
然而，应当记住的是，所有这些和类似的术语都与适当的物理量相关联，并且仅仅是应用于这些量的方便标签。除非另外特别说明，否则如从以上讨论显而易见，应当理解，在整个说明书中，利用诸如在所附权利要求中阐述的那些术语的讨论是指计算机系统或类似的电子计算装置的动处理，计算机系统或电子计算装置操纵在计算机系统的寄存器和存储器内作为物理(电子)量表示的数据并将其转换为在计算机系统存储器或寄存器或者其它这样的信息存储装置、传输装置或显示装置内的作为物理量类似地表示的其它数据。
本公开的实施方式还涉及用于执行本文的操作的设备。这样的计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质，例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存装置。
前述附图中所描绘的过程或方法可以通过包括硬件(例如，电路、专用逻辑等)、软件(例如，实施在非暂时性计算机可读介质上)或二者的组合的处理逻辑来执行。虽然以上按一些顺序操作描述了该过程或方法，但应当理解的是，所描述的操作中的一些可以以不同的顺序来执行。此外，一些操作可以并行地而不是顺序地执行。
本发明的实施方式未参考任何特定的编程语言来描述。应当理解的是，可以使用各种编程语言来实施如本文所描述的本公开的实施方式的教导。
在上述说明中，已参考本公开的具体示例性实施方式描述了本公开的实施方式。将显而易见的是，在不背离如所附权利要求所阐述的本发明的更广泛的精神和范围的情况下，可以对本公开的实施方式进行各种修改。相应地，说明书和附图被认为是说明性意义而非限制性意义。

Claims (21)

1.用于操作自动驾驶车辆的计算机实施方法，所述方法包括：
响应于感知自动驾驶车辆(ADV)周围的驾驶环境的感知数据，获取覆盖与所述驾驶环境相关联的位置的地图的地图图像；
执行对所述地图图像的图像识别以从所述地图图像识别一个或多个对象；
从所识别的对象提取一个或多个特征，其中，所述一个或多个特征指示所述驾驶环境的交通状况；
基于所提取的特征预测从所述感知数据感知的一个或多个交通参与者的行为；以及
基于所预测的所述一个或多个交通参与者的行为，规划用于控制所述ADV以在所述驾驶环境中进行导航的轨迹。
2.根据权利要求1所述的方法，其中，所述一个或多个对象基于从所述地图图像获取的所述对象的形状或颜色中的至少之一来识别。
3.根据权利要求2所述的方法，其中，所述一个或多个对象代表多条道路的十字路口。
4.根据权利要求2所述的方法，其中，所述一个或多个对象代表联接至多条道路的转盘路。
5.根据权利要求2所述的方法，其中，所述一个或多个对象代表沿着道路的停车场。
6.根据权利要求1所述的方法，其中，提取一个或多个特征包括：基于所述地图图像估算道路的曲率。
7.根据权利要求1所述的方法，其中，提取一个或多个特征包括：基于所述对象的类型预测可能的道路标志，即使所述地图图像不包含所述道路标志。
8.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，所述指令在被处理器执行时致使所述处理器执行操作，所述操作包括：
响应于感知自动驾驶车辆(ADV)周围的驾驶环境的感知数据，获取覆盖与所述驾驶环境相关联的位置的地图的地图图像；
执行对所述地图图像的图像识别以从所述地图图像识别一个或多个对象；
从所识别的对象提取一个或多个特征，其中，所述一个或多个特征指示所述驾驶环境的交通状况；
基于所提取的特征预测从所述感知数据感知的一个或多个交通参与者的行为；以及
基于所预测的所述一个或多个交通参与者的行为，规划用于控制所述ADV以在所述驾驶环境中进行导航的轨迹。
9.根据权利要求8所述的机器可读介质，其中，所述一个或多个对象基于从所述地图图像获取的所述对象的形状或颜色中的至少之一来识别。
10.根据权利要求9所述的机器可读介质，其中，所述一个或多个对象代表多条道路的十字路口。
11.根据权利要求9所述的机器可读介质，其中，所述一个或多个对象代表联接至多条道路的转盘路。
12.根据权利要求9所述的机器可读介质，其中，所述一个或多个对象代表沿着道路的停车场。
13.根据权利要求8所述的机器可读介质，其中，提取一个或多个特征包括：基于所述地图图像估算道路的曲率。
14.根据权利要求8所述的机器可读介质，其中，提取一个或多个特征包括：基于所述对象的类型预测可能的道路标志，即使所述地图图像不包含所述道路标志。
15.数据处理系统，包括：
处理器；以及
存储器，联接至所述处理器以存储指令，所述指令在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：
响应于感知自动驾驶车辆(ADV)周围的驾驶环境的感知数据，获取覆盖与所述驾驶环境相关联的位置的地图的地图图像；
执行对所述地图图像的图像识别以从所述地图图像识别一个或多个对象；
从所识别的对象提取一个或多个特征，其中，所述一个或多个特征指示所述驾驶环境的交通状况；
基于所提取的特征预测从所述感知数据感知的一个或多个交通参与者的行为；以及
基于所预测的所述一个或多个交通参与者的行为，规划用于控制所述ADV以在所述驾驶环境中进行导航的轨迹。
16.根据权利要求15所述的系统，其中，所述一个或多个对象基于从所述地图图像获取的所述对象的形状或颜色中的至少之一来识别。
17.根据权利要求16所述的系统，其中，所述一个或多个对象代表多条道路的十字路口。
18.根据权利要求16所述的系统，其中，所述一个或多个对象代表联接至多条道路的转盘路。
19.根据权利要求16所述的系统，其中，所述一个或多个对象代表沿着道路的停车场。
20.根据权利要求15所述的系统，其中，提取一个或多个特征包括：基于所述地图图像估算道路的曲率。
21.根据权利要求15所述的系统，其中，提取一个或多个特征包括：基于所述对象的类型预测可能的道路标志，即使所述地图图像不包含所述道路标志。
CN201780002565.5A 2017-06-22 2017-06-22 基于地图图像的自动驾驶交通预测 Active CN109429518B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/089488 WO2018232681A1 (en) 2017-06-22 2017-06-22 TRAFFIC PREDICTION BASED ON CARD IMAGES FOR AUTONOMOUS DRIVING

Publications (2)

Publication Number Publication Date
CN109429518A true CN109429518A (zh) 2019-03-05
CN109429518B CN109429518B (zh) 2022-10-28

Family

ID=64692699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780002565.5A Active CN109429518B (zh) 2017-06-22 2017-06-22 基于地图图像的自动驾驶交通预测

Country Status (6)

Country Link
US (1) US11367354B2 (zh)
EP (1) EP3437022A1 (zh)
JP (1) JP6720296B2 (zh)
KR (1) KR102093047B1 (zh)
CN (1) CN109429518B (zh)
WO (1) WO2018232681A1 (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110716552A (zh) * 2019-11-11 2020-01-21 朱云 汽车，火车，地铁以及飞机新型驾驶系统
CN111736142A (zh) * 2019-03-25 2020-10-02 通用汽车环球科技运作有限责任公司 用于雷达交叉交通跟踪和操纵风险评估的系统和方法
CN111860227A (zh) * 2020-06-30 2020-10-30 北京百度网讯科技有限公司 训练轨迹规划模型的方法、装置和计算机存储介质
CN111857119A (zh) * 2019-04-22 2020-10-30 百度（美国）有限责任公司 用于停放自动驾驶车辆的停车管理架构
CN112041773A (zh) * 2019-03-29 2020-12-04 百度时代网络技术（北京）有限公司 自动驾驶车辆的规划和控制之间的通信协议
CN112183175A (zh) * 2019-07-02 2021-01-05 百度（美国）有限责任公司 用于自动驾驶的基于当前帧的对象检测自动标记先前帧中的对象的方法
CN112464229A (zh) * 2019-10-15 2021-03-09 百度（美国）有限责任公司 检测针对自动驾驶系统的欺骗攻击的方法和装置
CN112543876A (zh) * 2019-07-22 2021-03-23 百度时代网络技术（北京）有限公司 用于自动驾驶车辆中的传感器同步性数据分析的系统
CN112598915A (zh) * 2019-10-01 2021-04-02 罗伯特·博世有限公司 使用道路拓扑和交通参与者目标状态的车辆轨迹预测
CN112885132A (zh) * 2021-01-27 2021-06-01 安徽蓝鸟智能停车科技产业化有限公司 一种基于ai无人驾驶智能调度系统及自动驾驶方法
CN112950972A (zh) * 2021-01-25 2021-06-11 广州小鹏自动驾驶科技有限公司 一种停车场地图构建方法、装置、设备和介质
CN113119996A (zh) * 2021-03-19 2021-07-16 京东鲲鹏(江苏)科技有限公司 一种轨迹预测方法、装置、电子设备及存储介质
CN113391628A (zh) * 2020-03-13 2021-09-14 百度（美国）有限责任公司 用于自动驾驶车辆的障碍物预测系统
WO2021189373A1 (en) * 2020-03-26 2021-09-30 Baidu.Com Times Technology (Beijing) Co., Ltd. Time determination of an inertial navigation system in autonomous driving systems
CN113753040A (zh) * 2020-06-04 2021-12-07 伟摩有限责任公司 预测弱势道路用户乱穿马路行为
CN114049615A (zh) * 2021-11-12 2022-02-15 阿波罗智联(北京)科技有限公司 行驶环境中交通对象融合关联方法、装置及边缘计算设备
CN114475642A (zh) * 2020-11-12 2022-05-13 上海海拉电子有限公司 一种面向自动驾驶的路口检测预警方法

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112019027273A2 (pt) * 2017-06-20 2020-07-14 Nissan Motor Co., Ltd. método de controle de destino e dispositivo de controle de destino
US10019011B1 (en) * 2017-10-09 2018-07-10 Uber Technologies, Inc. Autonomous vehicles featuring machine-learned yield model
US10752249B2 (en) * 2018-03-14 2020-08-25 Toyota Research Institute, Inc. Vehicle systems and methods for providing turn assistance at an intersection
US11602999B1 (en) * 2018-05-01 2023-03-14 Zoox, Inc. Predictive control strategies for vehicles
US10816979B2 (en) * 2018-08-24 2020-10-27 Baidu Usa Llc Image data acquisition logic of an autonomous driving vehicle for capturing image data using cameras
US10747230B2 (en) * 2018-10-08 2020-08-18 Mando Corporation Vehicle control apparatus, vehicle control system, and image sensor
US11167751B2 (en) * 2019-01-18 2021-11-09 Baidu Usa Llc Fail-operational architecture with functional safety monitors for automated driving system
JP7127071B2 (ja) * 2019-01-30 2022-08-29 バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッド 自動運転車のための地図区画システム
KR102376709B1 (ko) * 2019-01-30 2022-03-18 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 자율 주행 차량을 위한 포인트 클라우드 등록 시스템
EP3696786B1 (en) * 2019-02-13 2023-12-13 Volkswagen Aktiengesellschaft System, vehicle, network component, apparatuses, methods, and computer programs for a vehicle and a network component
CN109801508B (zh) * 2019-02-26 2021-06-04 百度在线网络技术（北京）有限公司 路口处障碍物的运动轨迹预测方法及装置
FR3093690B1 (fr) * 2019-03-14 2021-02-19 Renault Sas Procédé de sélection pour un véhicule automobile d’une voie de circulation d’un rond-point
EP3726497A1 (en) * 2019-04-15 2020-10-21 Zenuity AB Autonomous decisions in traffic situations with planning control
KR102206512B1 (ko) 2019-05-10 2021-01-22 재단법인대구경북과학기술원 이동로봇의 센서 데이터를 활용한 교차점 패턴 인식모델 생성 방법 및 교차점 패턴 인식 시스템
KR102349159B1 (ko) * 2019-05-21 2022-01-10 엘지전자 주식회사 경로 제공 장치 및 그것의 경로 제공 방법
CN110162062B (zh) * 2019-06-10 2023-04-18 阿波罗智联(北京)科技有限公司 车辆行驶规划方法、装置、设备和可读存储介质
CN110288835B (zh) * 2019-06-28 2021-08-17 江苏大学 一种基于运动学预测补偿机制的周边车辆行为实时识别方法
JP2021043707A (ja) * 2019-09-11 2021-03-18 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
CN112987707A (zh) * 2019-11-29 2021-06-18 北京京东乾石科技有限公司 一种车辆的自动驾驶控制方法及装置
US11891087B2 (en) 2019-12-20 2024-02-06 Uatc, Llc Systems and methods for generating behavioral predictions in reaction to autonomous vehicle movement
US11613275B2 (en) * 2020-04-27 2023-03-28 Baidu Usa Llc Grayscale-based camera perception
US11748995B2 (en) 2020-09-29 2023-09-05 Toyota Research Institute, Inc. Object state tracking and prediction using supplemental information
CN113096427B (zh) * 2021-03-30 2022-08-26 北京三快在线科技有限公司 一种信息显示方法及装置
KR102507973B1 (ko) * 2021-04-28 2023-03-08 주식회사 한화 무인 반송 차량 및 이의 동작 방법
KR102549744B1 (ko) * 2021-07-12 2023-06-29 숭실대학교 산학협력단 심층강화학습기반 자율주행차를 이용한 도로정보시스템에서의 도로 흐름 제어 방법, 이를 수행하기 위한 기록 매체 및 장치
CN113815645B (zh) * 2021-09-14 2024-06-07 江苏大学 一种适用于环形交叉口的自动驾驶行为决策系统与运动规划方法
CN114758311B (zh) * 2022-06-14 2022-09-02 北京航空航天大学 一种基于异质特征融合的交通流量预测方法及系统
CN116168370B (zh) * 2023-04-24 2023-07-18 北京数字政通科技股份有限公司 一种自动驾驶数据识别方法及其系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120216208A1 (en) * 2009-11-06 2012-08-23 Hitachi Automotive Systems Ltd. In-Car-Use Multi-Application Execution Device
CN104203705A (zh) * 2011-12-28 2014-12-10 丰田自动车工程及制造北美公司 用于电动车辆的智能范围地图
CN104574952A (zh) * 2013-10-15 2015-04-29 福特全球技术公司 车辆导航用航摄数据
CN105675005A (zh) * 2014-12-03 2016-06-15 伊莱比特汽车公司 导航系统
CN105718872A (zh) * 2016-01-15 2016-06-29 武汉光庭科技有限公司 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统
CN106384506A (zh) * 2016-09-03 2017-02-08 湖北鑫美电子科技股份有限公司 一种多车辆复杂路段的道路监控系统
CN205992299U (zh) * 2016-08-25 2017-03-01 泉州理工职业学院 一种道路交通标志自动识别系统
CN106537905A (zh) * 2014-08-12 2017-03-22 索尼公司 信号处理设备、信号处理方法和监视系统
US20170140245A1 (en) * 2015-11-16 2017-05-18 Orbital Insight, Inc. Moving vehicle detection and analysis using low resolution remote sensing imagery

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0290633B1 (de) 1987-05-09 1989-11-02 Carl Schenck Ag Verfahren zum Erkennen von Änderungen in Fahrraum eines unbemannten Fahrzeuges
JP3898709B2 (ja) 2004-05-19 2007-03-28 本田技研工業株式会社 車両用走行区分線認識装置
JP2006309445A (ja) * 2005-04-27 2006-11-09 Aisin Aw Co Ltd 運転支援装置
KR20060134719A (ko) 2005-06-23 2006-12-28 주식회사 만도 차량의 주차 구획 인식방법
JP4257661B2 (ja) * 2006-06-30 2009-04-22 アイシン・エィ・ダブリュ株式会社 ナビゲーション装置
US9302678B2 (en) * 2006-12-29 2016-04-05 Robotic Research, Llc Robotic driving system
US8751154B2 (en) * 2008-04-24 2014-06-10 GM Global Technology Operations LLC Enhanced clear path detection in the presence of traffic infrastructure indicator
CN101608924B (zh) * 2009-05-20 2011-09-14 电子科技大学 一种基于灰度估计和级联霍夫变换的车道线检测方法
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
US8195394B1 (en) 2011-07-13 2012-06-05 Google Inc. Object detection and classification for autonomous vehicles
US9221461B2 (en) * 2012-09-05 2015-12-29 Google Inc. Construction zone detection using a plurality of information sources
CN103226354A (zh) 2013-02-27 2013-07-31 广东工业大学 基于光电导航的无人驾驶道路识别系统
US9145139B2 (en) * 2013-06-24 2015-09-29 Google Inc. Use of environmental information to aid image processing for autonomous vehicles
US9523984B1 (en) * 2013-07-12 2016-12-20 Google Inc. Methods and systems for determining instructions for pulling over an autonomous vehicle
US9988047B2 (en) * 2013-12-12 2018-06-05 Magna Electronics Inc. Vehicle control system with traffic driving control
US9395192B1 (en) 2013-12-20 2016-07-19 Google Inc. Methods and systems for road and lane boundary tracing
DE102014007914A1 (de) * 2014-05-27 2015-12-03 Elektrobit Automotive Gmbh Graphisches Darstellen von Straßen und Routen unter Benutzung von Hardware-Tesselierung
WO2015189847A1 (en) * 2014-06-10 2015-12-17 Mobileye Vision Technologies Ltd. Top-down refinement in lane marking navigation
JP6096723B2 (ja) 2014-07-11 2017-03-15 株式会社日本自動車部品総合研究所 走行区画線認識装置及び走行区画線認識プログラム
KR101610502B1 (ko) * 2014-09-02 2016-04-07 현대자동차주식회사 자율주행차량의 주행환경 인식장치 및 방법
US10055850B2 (en) * 2014-09-19 2018-08-21 Brain Corporation Salient features tracking apparatus and methods using visual initialization
US9528838B2 (en) * 2014-12-09 2016-12-27 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous vehicle detection of and response to intersection priority
US9576200B2 (en) * 2014-12-17 2017-02-21 Toyota Motor Engineering & Manufacturing North America, Inc. Background map format for autonomous driving
US9989969B2 (en) * 2015-01-19 2018-06-05 The Regents Of The University Of Michigan Visual localization within LIDAR maps
KR101621649B1 (ko) 2015-01-28 2016-05-16 한양대학교 산학협력단 동적 장애물에 대한 위치 분포 정보 생성 방법, 위치 분포 정보를 이용한 차량 제어 방법 및 시스템
JP6661883B2 (ja) * 2015-02-09 2020-03-11 株式会社デンソー 車両用表示制御装置及び車両用表示制御方法
CA3067177A1 (en) * 2015-02-10 2016-08-18 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
US11370422B2 (en) * 2015-02-12 2022-06-28 Honda Research Institute Europe Gmbh Method and system in a vehicle for improving prediction results of an advantageous driver assistant system
JP6025273B2 (ja) * 2015-03-17 2016-11-16 富士重工業株式会社 車両の走行制御装置
US9711050B2 (en) * 2015-06-05 2017-07-18 Bao Tran Smart vehicle
US9632502B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Machine-learning systems and techniques to optimize teleoperation and/or planner decisions
CA3008886A1 (en) * 2015-12-18 2017-06-22 Iris Automation, Inc. Real-time visual situational awareness system
US10026309B1 (en) * 2016-04-11 2018-07-17 State Farm Mutual Automobile Insurance Company Networked vehicle control systems to facilitate situational awareness of vehicles
US9672446B1 (en) * 2016-05-06 2017-06-06 Uber Technologies, Inc. Object detection for an autonomous vehicle
US20170329332A1 (en) * 2016-05-10 2017-11-16 Uber Technologies, Inc. Control system to adjust operation of an autonomous vehicle based on a probability of interference by a dynamic object
CN106097444B (zh) * 2016-05-30 2017-04-12 百度在线网络技术（北京）有限公司 高精地图生成方法和装置
US9953236B1 (en) * 2017-03-10 2018-04-24 TuSimple System and method for semantic segmentation using dense upsampling convolution (DUC)
US10438074B2 (en) * 2017-06-14 2019-10-08 Baidu Usa Llc Method and system for controlling door locks of autonomous driving vehicles based on lane information

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120216208A1 (en) * 2009-11-06 2012-08-23 Hitachi Automotive Systems Ltd. In-Car-Use Multi-Application Execution Device
CN104203705A (zh) * 2011-12-28 2014-12-10 丰田自动车工程及制造北美公司 用于电动车辆的智能范围地图
CN104574952A (zh) * 2013-10-15 2015-04-29 福特全球技术公司 车辆导航用航摄数据
CN106537905A (zh) * 2014-08-12 2017-03-22 索尼公司 信号处理设备、信号处理方法和监视系统
CN105675005A (zh) * 2014-12-03 2016-06-15 伊莱比特汽车公司 导航系统
US20170140245A1 (en) * 2015-11-16 2017-05-18 Orbital Insight, Inc. Moving vehicle detection and analysis using low resolution remote sensing imagery
CN105718872A (zh) * 2016-01-15 2016-06-29 武汉光庭科技有限公司 两侧车道快速定位及检测车辆偏转角度的辅助方法及系统
CN205992299U (zh) * 2016-08-25 2017-03-01 泉州理工职业学院 一种道路交通标志自动识别系统
CN106384506A (zh) * 2016-09-03 2017-02-08 湖北鑫美电子科技股份有限公司 一种多车辆复杂路段的道路监控系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ELISA C. M. PEREIRA等: "Autonomous vehicle global navigation approach associating sensor based control and digital maps", 《2014 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO 2014)》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111736142A (zh) * 2019-03-25 2020-10-02 通用汽车环球科技运作有限责任公司 用于雷达交叉交通跟踪和操纵风险评估的系统和方法
CN112041773A (zh) * 2019-03-29 2020-12-04 百度时代网络技术（北京）有限公司 自动驾驶车辆的规划和控制之间的通信协议
CN111857119A (zh) * 2019-04-22 2020-10-30 百度（美国）有限责任公司 用于停放自动驾驶车辆的停车管理架构
CN112183175A (zh) * 2019-07-02 2021-01-05 百度（美国）有限责任公司 用于自动驾驶的基于当前帧的对象检测自动标记先前帧中的对象的方法
CN112543876B (zh) * 2019-07-22 2023-11-03 百度时代网络技术（北京）有限公司 用于自动驾驶车辆中的传感器同步性数据分析的系统
CN112543876A (zh) * 2019-07-22 2021-03-23 百度时代网络技术（北京）有限公司 用于自动驾驶车辆中的传感器同步性数据分析的系统
CN112598915A (zh) * 2019-10-01 2021-04-02 罗伯特·博世有限公司 使用道路拓扑和交通参与者目标状态的车辆轨迹预测
CN112464229A (zh) * 2019-10-15 2021-03-09 百度（美国）有限责任公司 检测针对自动驾驶系统的欺骗攻击的方法和装置
CN112464229B (zh) * 2019-10-15 2023-07-21 百度（美国）有限责任公司 检测针对自动驾驶系统的欺骗攻击的方法和装置
CN110716552A (zh) * 2019-11-11 2020-01-21 朱云 汽车，火车，地铁以及飞机新型驾驶系统
CN113391628A (zh) * 2020-03-13 2021-09-14 百度（美国）有限责任公司 用于自动驾驶车辆的障碍物预测系统
US12017681B2 (en) 2020-03-13 2024-06-25 Baidu Usa Llc Obstacle prediction system for autonomous driving vehicles
US11662745B2 (en) 2020-03-26 2023-05-30 Baidu Usa Llc Time determination of an inertial navigation system in autonomous driving systems
WO2021189373A1 (en) * 2020-03-26 2021-09-30 Baidu.Com Times Technology (Beijing) Co., Ltd. Time determination of an inertial navigation system in autonomous driving systems
CN113728211A (zh) * 2020-03-26 2021-11-30 百度时代网络技术（北京）有限公司 自动驾驶系统中惯性导航系统的时间确定
CN113753040A (zh) * 2020-06-04 2021-12-07 伟摩有限责任公司 预测弱势道路用户乱穿马路行为
CN111860227B (zh) * 2020-06-30 2024-03-08 阿波罗智能技术(北京)有限公司 训练轨迹规划模型的方法、装置和计算机存储介质
CN111860227A (zh) * 2020-06-30 2020-10-30 北京百度网讯科技有限公司 训练轨迹规划模型的方法、装置和计算机存储介质
CN114475642A (zh) * 2020-11-12 2022-05-13 上海海拉电子有限公司 一种面向自动驾驶的路口检测预警方法
CN114475642B (zh) * 2020-11-12 2023-12-05 上海海拉电子有限公司 一种面向自动驾驶的路口检测预警方法
CN112950972A (zh) * 2021-01-25 2021-06-11 广州小鹏自动驾驶科技有限公司 一种停车场地图构建方法、装置、设备和介质
CN112885132A (zh) * 2021-01-27 2021-06-01 安徽蓝鸟智能停车科技产业化有限公司 一种基于ai无人驾驶智能调度系统及自动驾驶方法
CN113119996A (zh) * 2021-03-19 2021-07-16 京东鲲鹏(江苏)科技有限公司 一种轨迹预测方法、装置、电子设备及存储介质
CN114049615B (zh) * 2021-11-12 2023-09-05 阿波罗智联(北京)科技有限公司 行驶环境中交通对象融合关联方法、装置及边缘计算设备
CN114049615A (zh) * 2021-11-12 2022-02-15 阿波罗智联(北京)科技有限公司 行驶环境中交通对象融合关联方法、装置及边缘计算设备

Also Published As

Publication number Publication date
US11367354B2 (en) 2022-06-21
EP3437022A4 (en) 2019-02-06
KR102093047B1 (ko) 2020-03-24
EP3437022A1 (en) 2019-02-06
KR20190013688A (ko) 2019-02-11
US20180374360A1 (en) 2018-12-27
WO2018232681A1 (en) 2018-12-27
CN109429518B (zh) 2022-10-28
JP6720296B2 (ja) 2020-07-08
JP2019527862A (ja) 2019-10-03

Similar Documents

Publication Publication Date Title
CN109429518A (zh) 基于地图图像的自动驾驶交通预测
CN109937343A (zh) 用于自动驾驶车辆交通预测中的预测轨迹的评估框架
CN109489673A (zh) 用于自动驾驶车辆的数据驱动地图更新系统
CN110377024A (zh) 用于自动驾驶车辆的自动数据标注
CN110378483A (zh) 部署在模拟平台上的用于训练机器学习模型的系统和方法
CN110389585A (zh) 用于自动驾驶车辆的基于学习的速度规划器
CN110377025A (zh) 用于自动驾驶车辆的传感器聚合框架
CN110345955A (zh) 用于自动驾驶的感知与规划协作框架
CN110239562A (zh) 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适
CN108732589A (zh) 利用3d lidar和定位自动采集用于对象识别的训练数据
CN110389583A (zh) 生成自动驾驶车辆的轨迹的方法
CN110388931A (zh) 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法
CN109491375A (zh) 用于自动驾驶车辆的基于驾驶场景的路径规划
CN109426256A (zh) 自动驾驶车辆的基于驾驶员意图的车道辅助系统
CN110462543A (zh) 用于评估自动驾驶车辆的感知要求的基于仿真的方法
CN108387241A (zh) 更新自动驾驶车辆的定位地图的方法和系统
CN109935077A (zh) 用于为自动驾驶车辆构建车辆与云端实时交通地图的系统
CN110096053A (zh) 用于自动驾驶车辆的驾驶轨迹生成方法、系统和机器可读介质
CN109947090A (zh) 用于自动驾驶车辆规划的非阻塞边界
CN110347145A (zh) 用于自动驾驶车辆的感知辅助
CN110389581A (zh) 用于为自动驾驶车辆生成障碍物的预测轨迹的方法
CN110325935A (zh) 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线
CN108604095A (zh) 动态调整自动驾驶车辆的转向率的方法
CN108139884A (zh) 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法
CN108089571A (zh) 用于预测无人驾驶车辆的车辆交通行为以做出驾驶决策的方法和系统

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