CN109491375A - 用于自动驾驶车辆的基于驾驶场景的路径规划 - Google Patents
用于自动驾驶车辆的基于驾驶场景的路径规划 Download PDFInfo
- Publication number
- CN109491375A CN109491375A CN201810630238.0A CN201810630238A CN109491375A CN 109491375 A CN109491375 A CN 109491375A CN 201810630238 A CN201810630238 A CN 201810630238A CN 109491375 A CN109491375 A CN 109491375A
- Authority
- CN
- China
- Prior art keywords
- scene
- route segment
- route
- path
- adv
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000008859 change Effects 0.000 claims abstract description 45
- 230000004888 barrier function Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 description 28
- 230000008447 perception Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 230000006399 behavior Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000630329 Scomberesox saurus saurus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005036 potential barrier Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3658—Lane guidance
-
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3819—Road shape data, e.g. outline of a route
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3837—Data obtained from a single source
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
- G01C21/3896—Transmission of map data from central databases
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2201/00—Particular use of vehicle brake systems; Special systems using also the brakes; Special software modules within the brake system controller
- B60T2201/08—Lane monitoring; Lane Keeping Systems
- B60T2201/089—Lane monitoring; Lane Keeping Systems using optical detection
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Optics & Photonics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Acoustics & Sound (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
根据一个方面,驾驶场景的集合限定为包括但不限于直线驾驶场景、转弯场景、让道场景以及变道场景。对于预定驾驶场景中的每一个,基于大量车辆过去行驶通过相同或相似驾驶场景(例如,直线驾驶、转弯、变道、为障碍物或另一车辆让道)的驾驶统计数据,确定与一个或多个特征(例如,速度、曲率、转弯半径、相对距离、车道宽度等)组成的集合对应的路径段的列表。路径段之后被存储在针对相应驾驶场景专门配置的驾驶场景‑路径(场景/路径)数据结构中。例如,对于直线驾驶场景、转弯场景、让道场景和变道场景中的每一个,将存在至少一个场景/路径数据结构。
Description
技术领域
本公开的实施方式大体涉及操作自动车辆。更具体地,本公开的实施方式涉及用于自动驾驶车辆的基于驾驶场景的路径规划。
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。
在从起始位置到目的地位置的路线的规划中,路线的参考线路是重要的,因为它是自动驾驶车辆驾驶所沿路径的最终目标。然而,好的路径指南与集中于道路的普通参考线路有很大差别。传统参考线路是基于从标准路线和地图信息获得的特定车道或道路的中心线来确定。然而,这样的参考线路可能不是最佳的参考线路。此外,实时地基于参考线路计算路径是费时的。
发明内容
本公开的实施方式提供用于自动驾驶车辆的路径规划的计算机实现方法、非暂时性机器可读介质以及数据处理系统。
在本公开的一个方面中,用于自动驾驶车辆的路径规划的计算机实现方法包括:响应于使自动驾驶车辆ADV从源位置循迹行驶到目标位置的路线,基于多个预定驾驶场景将路线分段成多个路线段;对于多个路线段中的与多个预定驾驶场景之一匹配的每个路线段,从每个路线段提取由一个或多个特征组成的第一特征集合,以及基于第一特征集合,在与匹配的驾驶场景关联的驾驶场景/路径表中进行搜索,以获得具有与第一特征集合匹配的第二特征集合的预配置路径段;以及基于多个路线段生成具有与多个路线段对应的多个路径段的路径,其中路径的多个路径段中的至少一个路径段基于与多个预定驾驶场景之一对应的预配置路径段来确定。
在本公开的一个方面中,非暂时性机器可读介质中存储有指令,指令在被处理器执行时致使处理器执行操作,操作包括:响应于使自动驾驶车辆ADV从源位置循迹行驶到目标位置的路线,基于多个预定驾驶场景将路线分段成多个路线段;对于多个路线段中的与多个预定驾驶场景之一匹配的每个路线段,从每个路线段提取由一个或多个特征组成的第一特征集合,以及基于第一特征集合,在与匹配的驾驶场景关联的驾驶场景/路径表中进行搜索,以获得具有与第一特征集合匹配的第二特征集合的预配置路径段;以及基于多个路线段生成具有与多个路线段对应的多个路径段的路径,其中路径的多个路径段中的至少一个路径段基于与多个预定驾驶场景之一对应的预配置路径段来确定。
在本公开的一个方面中,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:响应于使自动驾驶车辆ADV从源位置循迹行驶到目标位置的路线,基于多个预定驾驶场景将所述路线分段成多个路线段,对于所述多个路线段中的与所述多个预定驾驶场景之一匹配的每个路线段,从所述每个路线段提取由一个或多个特征组成的第一特征集合,以及基于所述第一特征集合,在与匹配的驾驶场景关联的驾驶场景/路径表中进行搜索,以获得具有与所述第一特征集合匹配的第二特征集合的预配置路径段,以及基于所述多个路线段生成具有与所述多个路线段对应的多个路径段的路径,其中所述路径的多个路径段中的至少一个路径段基于与所述多个预定驾驶场景之一对应的预配置路径段来确定。
附图说明
本公开的实施方式通过示例而不是限制的方式在附图中进行例示,在附图中,相同的标号指示相同的元件。
图1是示出根据一个实施方式的联网系统的框图。
图2是示出根据一个实施方式的自动车辆的示例的框图。
图3A至图3B是示出根据一个实施方式的与自动车辆一起使用的感知和规划系统的示例的框图。
图4A至图4D是示出根据某些实施方式的用于在某些驾驶场景下将位置映射至优选路径段的数据结构的框图。
图5是示出可与实施方式一起使用的道路和车道配置的示例的框图。
图6是示出根据一个实施方式生成用于使自动驾驶车辆循迹行驶的路径的过程的流程图。
图7是示出根据一个实施方式创建驾驶场景-路径映射数据结构的过程的流程图。
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“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
根据某些实施方式,利用基于场景的驾驶指南来引导自动驾驶车辆(ADV)的路径规划。基于场景的驾驶指南表示道路的车道的、根据基于场景的预配置路径段确定的参考线路。基于场景的路径段基于各种驾驶员过去在相同或相似驾驶环境(例如,相似的速度、曲率、车道配置、方向)下手动或自动地驾驶各种车辆的驾驶行为来确定。基于场景的参考线路可不与普通的中心线参考线路相匹配。更确切地说,根据一个实施方式,基于场景的参考线路基于大量驾驶员中的平均驾驶员在相同或相似驾驶环境(即,驾驶场景)下的行为来确定。这样的基于场景的参考线路表示引导大部分驾驶员最舒适和安全地驾驶车辆的最佳参考线路。
根据一个方面,驾驶场景的集合限定为包括但不限于:直线驾驶场景、转弯场景(例如,左转弯、右转弯或U形转弯)、让道(budge)场景、停车和/或泊车(停车/泊车)场景和变道场景(例如,左变道或右变道)。对于预定驾驶场景中的每一个,基于由各种驾驶员过去驾驶诸多车辆通过相同或相似驾驶场景(例如,直线驾驶、转弯、变道、为障碍物或另一车辆让道)的驾驶统计数据,确定与一个或多个特征(例如,速度、曲率、转弯半径、相对距离、车道宽度等)的集合对应的路径段的列表。路径段之后被存储在针对相应驾驶场景专门配置的驾驶场景-路径(场景/路径)数据结构(例如,数据库、表格)中。例如,对于直线驾驶场景、转弯场景、让道场景、停车/泊车场景以及变道场景中的每一个,将存在至少一个场景/路径数据结构。
在一个实施方式中,场景/路径数据结构包括诸多映射条目。每个映射条目将一个或多个特征的特定集合映射至大部分驾驶员可能已经驾驶通过具有相同或相似特征的场景的路径段。路径段表示针对特定驾驶场景的特定特征集合的优选或推荐路径段。这些场景/路径数据结构可基于诸多驾驶员过去在不同时间点驾驶诸多不同类型车辆的驾驶统计数据离线地创建。之后可将这些场景/路径数据结构上传到自动驾驶车辆上,并且随后在相似的驾驶场景下使用其生成路径,而不必动态地实时计算相同的路线段。其结果是,可更有效地执行路径规划。
根据另一方面,响应于用于使自动驾驶车辆从源位置循迹行驶到目标位置的路线,分析所述路线以识别具有与多个预定驾驶场景之一类似的特征的某些部分。基于预定驾驶场景的集合将路线分段成多个路线段。对于所述多个路线段中与多个预限定场景之一匹配的每个路线段,从路线段提取由一个或多个特征组成的第一特征集合。第一特征集合可包括车辆的速度、路线段的曲率、车道宽度、变道或转弯的方向或转弯半径等。基于第一特征集合,在与匹配的驾驶场景关联的驾驶场景-路径(场景/路径)数据结构中进行搜索,以识别预配置路径段,其中,该预配置路径段包括与第一特征集合匹配的第二特征集合或者与所述第二集合关联。之后,基于路线段生成包括与多个路线段对应的多个路径段的路径。路径的路径段中的至少一个基于与多个预定驾驶场景之一对应的预配置路径段来确定。
在生成路径的过程中,在一个实施方式中,对于所述多个路线段中与多个预定驾驶场景之一匹配的每个路线段,基于匹配的驾驶场景识别预配置路径段。在不必动态地计算相同的路径段的情况下,将路径的相应路径段替换为相应的预配置路径段。对于其特征不与相同或相似驾驶场景的预配置路径段关联的特征中的任何特征匹配的那些路线段,动态地计算未匹配路线段的路径段,例如,基于从相应路线段获得的标准参考线路来计算。
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。网络102可以是任何类型的网络,例如,有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集,诸如,网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或者位置服务器等。
自动驾驶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还可以包括普通车辆中包括的某些常用部件,诸如:发动机、车轮、方向盘、变速器等,所述部件可以由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制,该多种通信信号和/或命令例如,加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至115可以经由互连件、总线、网络或其组合通信地联接到彼此。例如,部件110至115可以经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是被设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议,但也用于许多其它环境。
现在参考图2,在一个实施方式中,传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS系统212可以包括收发器,所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可以基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可以表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中,除感测对象之外,雷达单元214可以另外感测对象的速度和/或前进方向。LIDAR单元215可以使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外,LIDAR单元215还可以包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可以包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的,例如,通过将摄像机安装在旋转和/或倾斜平台上。
传感器系统115还可以包括其它传感器,诸如:声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如,麦克风)。音频传感器可以被配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可以被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下,油门传感器和制动传感器可以集成为集成式油门/制动传感器。
在一个实施方式中,车辆控制系统111包括但不限于转向单元201、油门单元202(也被称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度,电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意,如图2所示的部件可以以硬件、软件或其组合实施。
回到图1,无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如,无线通信系统112可以与一个或多个装置直接无线通信,或者经由通信网络进行无线通信,诸如,通过网络102与服务器103至104通信。无线通信系统112可以使用任何蜂窝通信网络或无线局域网(WLAN),例如,使用WiFi,以与另一部件或系统通信。无线通信系统112可以例如使用红外链路、蓝牙等与装置(例如,乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分,包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可以由感知与规划系统110控制或管理,尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如,处理器、存储器、存储设备)和软件(例如,操作系统、规划和路线安排程序),以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息,处理所接收的信息,规划从起始点到目的地点的路线或路径,随后基于规划和控制信息来驾驶车辆101。替代地,感知与规划系统110可以与车辆控制系统111集成在一起。
例如,作为乘客的用户可以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获得行程相关数据。例如,感知与规划系统110可以从MPOI服务器中获得位置和路线信息,所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务,并且MPOI服务器提供地图服务和某些位置的POI。替代地,此类位置和MPOI信息可以本地高速缓存在感知与规划系统110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时,感知与规划系统110也可以从交通信息系统或服务器(TIS)获得实时交通信息。应注意,服务器103至104可以由第三方实体进行操作。替代地,服务器103至104的功能可以与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如,障碍物、对象、附近车辆),感知与规划系统110可以规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101,以安全且高效到达指定目的地。
服务器103可以是针对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包括数据采集器121和数据分析模块122。数据采集器121从各种车辆(自动车辆或者由人类驾驶员驾驶的常规车辆)采集驾驶统计数据123。驾驶统计数据123包括指示在不同时间点所发布的驾驶命令(例如,油门命令、刹车命令、转弯命令)的信息以及通过车辆的传感器捕获的车辆响应(例如,速度、加速、减速、方向)。驾驶统计数据123还可包括描述在不同时间点的驾驶环境的信息,诸如,例如,路线(包括起始位置和目的地位置)、MPOI、道路条件、天气条件等。
基于驾驶统计数据123,分析模块122(可实现为机器学习引擎或模块的一部分)分析驾驶统计数据123并且生成场景/路径数据结构124。数据结构124可实现为多种格式,诸如表格、数据库或预测模型等。出于例示的目的,在本申请通篇使用表格作为数据结构的示例。在一个实施方式中,场景/路径表124中的每一个与预定驾驶场景的集合中的一个预定驾驶场景相关联,例如,直线驾驶场景、转弯场景、让道场景、停车/泊车场景以及变道场景。转弯场景可进一步包括左转弯场景、右转弯场景和U形转弯场景。变道场景可进一步包括左变道场景和右变道场景。驾驶场景也称为驾驶意图,表示以特定方式驾驶车辆的意图,诸如直线驾驶、转弯或变道等。
对于预定驾驶场景中的每一个,分析模块122确定与基于过去行驶通过相同或相似驾驶环境的诸多车辆的驾驶统计数据123确定的一个或多个特征的不同集合对应的路径段的列表。路径段之后被存储在针对相应驾驶场景专门配置的驾驶场景/路径数据结构中。例如,对于直线驾驶场景、转弯场景、让道场景、变道场景或停车或泊车场景中的每一个,在场景/路径表124中,将存在至少一个场景/路径数据结构。在一个实施方式中,场景/路径表124至少包括直行场景/路径表(可选)、左转弯场景/路径表、右转弯场景/路径表、U形转弯场景/路径表、让道场景/路径表、左变道场景/路径表、右变道场景/路径表以及停车/泊车场景/路径表。
在一个实施方式中,场景/路径表包括诸多映射条目。每个映射条目将特定驾驶场景的一个或多个特征的特定集合映射至大多数驾驶员将可能已经在由相同或相似特征表征的驾驶环境的情况下驾驶通过的路径段。路径段表示针对与特定驾驶场景关联的一个或多个特征的特定集合的优选或推荐路径段。这些场景/路径表可由分析模块122基于诸多驾驶员在不同时间点驾驶诸多不同类型车辆的过去驾驶统计数据123创建。注意,对于给定的一个或多个特征的集合,可存在一个以上的驾驶场景。例如,根据给定的特征集合,一些车辆可直线运动、转弯、让道、变道或者停车或泊车。因此,可存在包括与相同特征对应的条目的多个场景/路径表。然而,它们的路径段将是不同的,因为它们与不同的驾驶场景或驾驶员意图关联,其中,驾驶场景或驾驶员意图在不同时间点可能不同。
在一个实施方式中,对于给定驾驶场景的给定特征集合,基于从驾驶统计数据123获得的相应驾驶统计数据确定全部驾驶员的驾驶员行为。例如,对于左转弯驾驶场景的第一特征集合,从驾驶统计数据123识别驾驶员在由相同或相似特征(例如,速度、曲率、转弯半径、车道宽度)表征的相同或相似环境下进行左转弯的全部驾驶行为。分析不同驾驶员在相同或相似环境下进行左转弯的不同路径段,以生成概括驾驶员的全部驾驶行为的优选路径段(也称为推荐或最佳路径段)。例如,可通过采用由不同驾驶员在相同或相似驾驶环境下执行的不同路径段的平均来确定优选路径段。
优选路径段之后存储在相应驾驶场景/路径表(例如,左转弯场景/路径表)的、与相应特征关联的条目中。因此,基于诸多驾驶员历史中在相同或相似驾驶场景的相同或相似环境(例如,速度、曲率、转弯半径、车道宽度)下的驾驶员行为,确定在特定驾驶场景下特定位置的优选路径段,其表示大部分驾驶员优选的路径段。路径表示将起始点连接至结束点的呈串或序列连接的诸多路径点(也称为控制点)。每个路径点通过指示在路径点的时间点处的某些驾驶参数(诸如位置、速度和运动方向等)的元数据来表征。
直行场景是最简单的且向前直行的情况,其与将起始点和结束点连接的相对直的路径段相关。具有小于预定阈值(诸如0.005弧度)的曲率的任何路径段可被视作直行场景。因为直行场景通过连接两个点相对简单,所以可缩放至不同的路径段长度。
图4A示出根据一个实施方式的用于转弯场景的转弯场景/路径表的示例。转弯场景表示车辆从源车道转弯到目标车道的驾驶场景,其中,源车道和目标车道方向显著不同(例如,大于预定阈值)。转弯场景/路径表400可表示左转弯场景/路径表、右转弯场景/路径表或U形转弯场景/路径表。参照图4A,转弯场景/路径表400包括诸多条目。每个条目将包含特征401-404中的一个或多个的集合映射至优选路径段405。特征包括ADV的速度401、源车道宽度402、目标车道宽度403和/或转弯半径或曲率404。出于搜索和定位与路线段中的特定特征集合匹配的条目的目的,可利用特征401-404中的任何一个或多个来进行索引或匹配。例如,可利用速度401和曲率404作为初级搜索索引或搜索特征,并且可利用源车道宽度402和/或目标车道宽度403作为二次搜索索引或搜索特征。
图4B示出根据一个实施方式的让道场景/路径表的示例。让道场景表示车辆试图为对象(例如,障碍物、另一车辆)让道或绕过该对象的驾驶场景。让道场景可包括左让道场景(例如,在对象的左侧让道)和右让道场景(例如,在对象的右侧让道),其可保持在分开的表格中。参照图4B,让道场景/路径表420包括诸多条目。每个条目将特征421-425的特定集合映射至优选路径段426。特征包括ADV的速度421、车辆和对象之间的距离422、对象的类型423(例如,静态或移动对象)、车道宽度424和/或对象在车道内的相对位置425。距离422表示车辆和位于车辆前方的对象之间的距离。对象在车道内的相对位置表示车道的中心线和对象之间的距离。出于搜索和定位与路线段中的特征的特定集合匹配的条目的目的,可利用特征421-425中的任何一个或多个来进行索引或匹配。例如,可利用速度421、距离422和在车道内的相对位置425作为初级搜索索引或搜索特征,并且可利用对象类型423和/或车道宽度424作为二次搜索索引或搜索特征。
图4C示出根据一个实施方式的变道场景/路径表的示例。变道场景表示车辆试图将车道从源车道变道到目标车道的驾驶场景。变道可包括向左变道和向右变道,其可保持在分开的变道场景/路径表中。参照图4C,变道场景/路径表450包括诸多条目。每个条目将特征451-454的特定集合映射至优选路径段455。特征包括ADV的速度451、变道距离452、当前车道宽度453和/或目标车道宽度454。变道距离452表示这样的垂直距离,在所述垂直距离内车辆应完全从源车道变道到目标车道。出于搜索和定位与路线段中的特征的特定集合匹配的条目的目的,可利用特征451-454中的任何一个或多个来进行索引或匹配。例如,可利用速度451以及源车道和目标车道之间的距离作为初级搜索索引或搜索特征,并且可利用变道距离452作为二次搜索索引或搜索特征。源车道和目标车道之间的距离表示源车道的中心线和目标车道的中心线之间的距离,其可基于源车道宽度453和目标车道宽度454来推导。
图4D示出根据一个实施方式的停车/泊车场景/路径表的示例。停车/泊车场景表示车辆试图在特定停车/泊车区中停车并泊车的驾驶场景,其可包括保持在分开的停车/泊车场景/路径表中的向左停车并泊车以及向右停车并泊车。参照图4D,停车/泊车场景/路径表470包括诸多条目。每个条目将特征471-473的特定集合映射至优选路径段474。特征包括ADV的速度471、车道宽度472以及停车/泊车区尺寸473。出于搜索和定位与路线段中的特征的特定集合匹配的条目的目的,可利用特征471-473中的任何一个或多个来进行索引或匹配。例如,可利用速度471和停车/泊车区尺寸473作为初级搜索索引或搜索特征,并且可利用车道宽度472作为二次搜索索引或搜索特征。
在实时驾驶期间,根据一个实施方式,当ADV在具有与特定场景(例如,直行、转弯、让道、变道、停车/泊车)匹配的特征(例如,形状)的特定路线段驾驶时,识别相应的场景/路径表(例如,转弯、让道、变道、停车/泊车场景/路径表)。基于从路线段提取的特征的集合,例如,ADV的速度、源车道宽度、目标车道宽度和/或路线段的转弯半径,在相应场景/路径表中进行搜索以查找具有相同或相似特征的映射条目。如果找到匹配的条目,则从匹配的条目获得优选路径段。可利用优选路径段作为最终路径的一部分,而不必对其进行实时计算。其结果是,可减少用于计算相同路径段的资源和时间。然而,如果在场景/路径表中没有找到匹配的条目,则必须动态地实时计算路径段。注意,术语“匹配(matching)”或“匹配(matched)”表示比较情况,在所述比较情况中,正在被比较两个项目(例如,速度、车道宽度、曲率)的值处于与被比较项目的类型对应的预定阈值内。
注意,用于搜索目的的索引可实施为散列(hash)函数、预测模型或筛选程序,其可利用机器学习方法来生成。实时地,可搜集在时间点处的驾驶参数,并且可利用相应散列函数生成散列。可使用散列函数的输出作为指向场景/路径表中的条目之一(其作为匹配的条目)的索引值。返回参照图1,之后可将这些场景/路径数据结构124上传到自动驾驶车辆上,并且随后在相似驾驶场景下将其用于生成路径而不必动态地计算相同路径段。其结果是,可更有效地执行路径规划。
图3A和图3B是示出根据一个实施方式的与自动车辆一起使用的感知和规划系统的示例的框图。系统300可实现为图1的自动车辆101的一部分,包括但不限于感知和规划系统110、控制系统111和传感器系统115。参照图3A至图3B,感知和规划系统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、路线模块307以及数据采集模块308。
模块301至308中的一些或全部可以以软件、硬件或其组合实施。例如,这些模块可以安装在永久性存储装置352中、加载到存储器351中,并且由一个或多个处理器(未示出)执行。应注意,这些模块中的一些或全部可以通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至308中的一些可以一起集成为集成模块。
定位模块301确定自主车辆300的当前位置(例如,利用GPS单元212)并且管理与用户的行程或路线有关的任何数据。定位模块301(也被称为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可以例如经由用户接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图和路线信息311的其它部件通信,以获得行程相关数据。例如,定位模块301可以从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务,并且MPOI服务器提供地图服务和某些位置的POI,从而可以作为地图和路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时,定位模块301也可以从交通信息系统或服务器获得实时交通信息。
基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息,感知模块302确定对周围环境的感知。感知信息可以表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可以包括例如采用对象形式的车道配置(例如,直线车道或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如,停止标志、让行标志)等。
感知模块302可以包括计算机视觉系统或计算机视觉系统的功能,以处理并分析由一个或多个摄像机采集的图像,从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可以包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可以使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中,计算机视觉系统可以绘制环境地图,跟踪对象,以及估算对象的速度等。感知模块302也可以基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
对于对象中的每一个,预测模块303预测对象在情况下将表现出什么。根据地图/路线信息311和交通规则312的集合,基于对时间点处的驾驶环境进行感知的感知数据来执行预测。例如,如果对象是相反方向上的车辆并且当前驾驶环境包括交叉路口,则预测模块303将预测车辆将可能直线向前移动还是进行转弯。如果感知数据指示交叉路口没有交通灯,则预测模块303可预测车辆可能在进入交叉路口之前必须完全停止。如果感知数据指示车辆当前处于仅左转车道或仅右转车道,则预测模块303可预测车辆将更可能分别进行左转弯或右转弯。
对于对象中的每一个,决策模块304做出与如何处理对象有关的决定。例如,对于特定对象(例如,处于交叉路线中的另一车辆)以及其描述对象的元数据(例如,速度、方向、转弯角度),决策模块304决定如何与对象会车(例如,赶超、让路、停车、经过)。决策模块304可根据规则集合(诸如,交通规则或驾驶规则312)做出这样的决定,其可存储在永久性存储装置352中。
路线制订模块307配置为提供从起始点到目的地点的一个或多个路线或路径。对于例如从用户接收的从起始位置到目的地位置的给定行程,路线制订模块307获得路线和地图信息311并且确定从起始位置到达目的地位置的全部可能路线或路径。对于其确定的从起始位置到达目的地位置的路线中的每一个,路线制订模块307可生成呈地形图形式的参考线路。参考线路表示没有来自其他(诸如,其他车辆、障碍物或交通条件)的任何干扰的理想路线或路径。换言之,如果道路上不存在其他车辆、行人或障碍物,则ADV应当恰好或紧密地跟随参考线路。地形图之后被提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查全部可能路线,以根据由其他模块提供的其他数据,诸如来自定位模块301的交通条件、由感知模块302感知的驾驶环境以及由预测模块303预测的交通条件,选择最佳路线之一。根据在时间点处的特定驾驶环境,用于控制ADV的实际路径或路线可接近或不同于由路线制订模块307提供的参考线路。
基于针对所感知到的对象中的每个的决定,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决定对该对象做什么,而规划模块305确定如何去做。例如,针对给定的对象,决策模块304可以决定超过所述对象,而规划模块305可以确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成,包括描述车辆300在下一移动循环(例如,下一路线/路线段)中将如何移动的信息。例如,规划和控制数据可以指示车辆300以30英里每小时(mph)的速度移动10米,随后以25mph的速度变到右侧车道。
基于规划和控制数据,控制模块306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,以沿着路线或路径在不同时间点使用适当的车辆设置或驾驶参数(例如,油门、制动和转弯命令)将车辆从路径或路线的第一点驾驶到第二点。
在一个实施方式中,在诸多规划周期(也称为命令周期)中,例如以每100毫秒(ms)的时间间隔,执行规划阶段。对于规划周期或命令周期中的每一个,将基于规划和控制数据发布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,包括目标位置和ADV到达目标位置所需要的时间。可替代地,规划模块305可进一步指定特定速度、方向和/或转弯角度等。在一个实施方式中,对于下一预定时间段(诸如5秒),规划模块305规划路线段或路径段。对于每个规划周期,规划模块305基于在先前周期中规划的目标位置来规划用于当前周期(例如,下一个5秒)的目标位置。控制模块306之后基于当前周期的规划和控制数据生成一个或多个控制命令(例如,油门、刹车、转弯控制命令)。
应注意,决策模块304和规划模块305可以集成为集成模块。决策模块304/规划模块305可以包括导航系统或导航系统的功能,以确定自动驾驶车辆的驾驶路径。例如,导航系统可以确定用于实现自动驾驶车辆沿着以下路径移动的一系列速度和前进方向:所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时,基本上避免感知到的障碍物。目的地可以根据经由用户接口系统113进行的用户输入来设定。导航系统可以在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可以将来自GPS系统和一个或多个地图的数据合并,以确定用于自动驾驶车辆的驾驶路径。
决策模块304/规划模块305还可以包括防撞系统或防撞系统的功能,以识别、评估并且避免或以其它方式越过自动驾驶车辆的环境中的潜在障碍物。例如,防撞系统可以通过以下方式实现自动驾驶车辆的导航中的变化:操作控制系统111中的一个或多个子系统来采取变向操纵、转弯操纵、制动操纵等。防撞系统可以基于周围的交通模式、道路状况等自动确定可行的障碍物回避操纵。防撞系统可以被配置成使得当其它传感器系统检测到位于自动驾驶车辆将变向进入的相邻区域中的车辆、建筑障碍物等时不采取变向操纵。防撞系统可以自动选择既可使用又使得自动驾驶车辆乘员的安全性最大化的操纵。防撞系统可以选择预测使得自动驾驶车辆的乘客舱中出现最小量的加速度的避让操纵。
数据采集模块308配置为在ADV的操作期间与其他模块和传感器通信,以采集驾驶统计数据313。周期性地,驾驶统计数据313之后传输至用于数据分析和挖掘的集中式服务器,诸如数据分析系统103,例如以利用机器学习离线地生成场景/路径数据结构124。
根据一个实施方式,规划模块305包括路径分段模块321和路径匹配模块322。响应于从路线制订模块307接收的路线,路径分段模块321解析并分析路线以沿着路线识别包含与一个或多个预定驾驶场景匹配的一个或多个驾驶场景的列表。路线可通过将源位置连接至目标位置的参考线路来表示。路径分段模块321可检查参考线路的元数据(例如,形状和长度),以识别具有预配置优选路径段特性的全部可能路径段。基于所识别的驾驶场景,路径分段模块321将路线分段成包含一个或多个路线段的列表,其中,每个路线段与预定驾驶场景之一对应。如上所述,驾驶场景可以是直线驾驶场景、左转弯场景、右转弯场景、U形转弯场景、左变道场景、右变道场景、让道场景以及停车/泊车场景。其他驾驶场景也可适用。例如,可基于以上多个单独的预定驾驶场景限定混合驾驶场景。
在一个实施方式中,对于路线段中的每一个,路径匹配模块322识别与驾驶场景或路线段的类型对应的场景/路径表。例如,如果路线段是左转弯路线段,则路径匹配模块322将识别并检索左转弯场景/路径表,诸如,如图4A所示的转弯场景/路径表400。一旦识别到关联的场景/路径表,路径匹配模块322便基于从路线段提取的特征的集合在场景/路径表中进行搜索,以定位与路线段的特征中的至少一个匹配的条目。之后,从匹配的条目获得优选路径段。
利用优选路径段作为用于驾驶ADV的最终路径的一部分。例如,优选路径段可替换通过路线制订模块307提供的相应路线段。其结果是,规划模块305不必动态地计算在时间点处的相应路径段,其中,所述动态地计算可能是费时并且费资源的。注意,路线段中的一些可不具有在关联的场景/路径表中找到的相应优选路径段。例如,路线段的特征不与场景/路径表中的特征中的任何特征匹配。在这样的情况中,规划模块305必须动态地计算相应路径段。但是至少对于具有匹配的优选路径段的路线段,在实时驾驶期间可避免对相应路径段的计算,从而减少了时间和资源消耗。
出于例示的目的,现在参照图5,假设ADV将根据通过路线制订模块307提供的从点A到点F的路线驾驶。从点A到点F的路线可通过呈基于路线和地图数据服务确定的地形图形式的参考线路来表示。基于路线A至F的元数据或属性,路径分段模块321沿着路线识别一个或多个驾驶场景。路径分段模块321之后将路线分段成一个或多个路线段。在该示例中,路径分段模块321识别路线A至F并且将路线A至F分段成至少以下路线段:1)与直行场景关联的从A到B的路线段(AB);2)与右变道场景关联的从B到C的路线段(BC);3)与右转弯场景关联的从C到D的路线段(CD);4)与直行场景关联的从D到E的路线段(DE);以及5)与左变道场景关联的从E到F的路线段(EF)。
对于路线段(AB、BC、CD、DE和EF)中的每一个,路径匹配模块322识别与路线段的驾驶场景对应的场景/路径表。路径匹配模块322之后在场景/路径表中进行搜索,从而试图找到与路线段中的特征中的至少一些匹配的映射条目。如果找到匹配的条目,则从匹配的条目获得优选路径,其中,优选路径段将被用作驾驶ADV的最终路径的一部分而不必实时地对其进行计算。
例如,根据一个实施方式,对于与直行驾驶场景关联的路线段AB,路径匹配模块322简单地获得预配置的直行路径段并且放大预配置的直行路径段以与路线段AB的长度匹配。直行场景也称为可缩放场景,其中,直行场景可被缩放成更长或更短以适应路线段的实际长度。
在根据另一实施方式的另一示例中,参照图4C和图5,对于与右变道场景关联的路线段BC,路径匹配模块322识别变道场景/路径表450(假设在该示例中为右变道场景/路径表)。路径匹配模块322从路线段BC提取包含一个或多个特征的集合,例如,ADV的速度、变道距离、当前车道宽度和/或目标车道宽度。利用所提取的特征中的至少一些来搜索具有与所提取的特征匹配的特征451-454的配对集合的条目。一旦找到匹配的条目,可从匹配的条目获得优选路径段455。可利用优选路径段455作为最终路径的路径段,例如通过替换相应路线段BC来实现,而不必在时间点动态地对其进行计算。
在根据又一实施方式的另一示例中,参照图4A和图5,对于与右转弯场景关联的路线段CD,路径匹配模块322识别转弯场景/路径表400(假设在该示例中为右变道场景/路径表)。路径匹配模块322从路线段CD提取一个或多个特征的集合,例如,ADV的速度、源车道宽度、目标车道宽度和/或转弯半径或曲率。利用所提取的特征中的至少一些来搜索具有与所提取的特征匹配的特征401-404的配对集合的条目。一旦找到匹配的条目,可从匹配的条目获得优选路径段405。可利用优选路径段405作为最终路径的路径段,例如通过替换相应路线段CD来进行,而不必在时间点动态地对其进行计算。
图6是示出根据一个实施方式确定用于驾驶自动驾驶车辆的路径的过程的流程图。可通过可包括软件、硬件或它们的组合的处理逻辑来执行过程600。例如,可通过图3A和图3B的系统300来执行过程600。参照图6,在操作601中,处理逻辑接收基于路线和地图数据生成的、用于使ADV从源位置循迹行驶到目标位置的路线。在操作602中,处理逻辑基于一个或多个驾驶场景的集合将路线分段成路线段,其中,路线段中的至少一个与预定驾驶场景之一对应。在操作603中,对于路线段中的每一个,处理逻辑从路线段提取第一特征集合,例如,车辆的速度、车道宽度、路线段的曲率等。
在操作604中,处理逻辑在与匹配场景关联的驾驶场景/路径数据结构中进行搜索,以获得与匹配于第一集合的第二特征集合关联的预配置路径段。在操作605中,处理逻辑生成具有与路线段对应的诸多路径段的路径。基于预定驾驶场景的预配置路径段(例如,优选或推荐路径段)确定路径段中的至少一个,而不必在时间点动态地计算相同的路线段。在操作606中,处理逻辑根据路径规划和控制自动驾驶车辆。
图7是示出根据一个实施方式的生成场景-路径映射数据结构的过程的流程图。可通过可包括软件、硬件或它们的组合的处理逻辑来执行过程700。例如,可通过图1的数据分析系统103执行过程700。参照图7,在操作701中,处理逻辑限定驾驶场景的列表,驾驶场景包括但不限于:直行场景、左转弯/右转弯/U形转弯场景、左变道/右变道场景、让道场景以及停车/泊车场景。在操作702中,处理逻辑采集由各种不同驾驶员在不同时间点在不同道路和位置上驾驶诸多车辆的驾驶统计数据(例如,驾驶行为)。对于所限定的驾驶场景中的每一个,在操作703中,处理逻辑对驾驶统计数据执行分析以利用不同的特征集合识别与驾驶场景关联的驾驶统计数据或驾驶行为。对于每个特征集合,在操作704中,处理逻辑基于相应的特征集合确定优选路径段。在操作705中,处理逻辑生成用于所限定的驾驶场景中的每一个的场景/路径数据结构,以将特征的特定集合映射至基于不同驾驶员在相同或相似驾驶场景下的驾驶统计数据或驾驶行为确定的优选路径段。
应注意,如上文示出和描述的部件中的一些或全部可以在软件、硬件或其组合中实施。例如,此类部件可以实施为安装并存储在永久性存储装置中的软件,所述软件可以通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。替代地,此类部件可以实施为编程或嵌入到专用硬件(诸如,集成电路(例如,专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码,所述可执行代码可以经由来自应用的相应驱动程序和/或操作系统来访问。此外,此类部件可以实施为处理器或处理器内核中的特定硬件逻辑,作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图8是示出可以与本公开的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可以表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统,例如,图1的感知与规划系统110或者服务器103至104中的任一个。系统1500可以包括许多不同的部件。这些部件可以实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如,计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。
还应注意,系统1500旨在示出计算机系统的许多部件的高阶视图。然而,应当理解的是,某些实施例中可以具有附加的部件,此外,其它实施例中可以具有所示部件的不同布置。系统1500可以表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外,虽然仅示出了单个机器或系统,但是术语“机器”或“系统”还应当被理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方式中,系统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。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、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器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、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(其可以是低功率多核处理器套接口,诸如超低电压处理器)可以充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可以实施为片上系统(SoC)。处理器1501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。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指令序列的信息。例如,各种操作系统、装置驱动程序、固件(例如,输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可以加载到存储器1503中并由处理器1501执行。操作系统可以是任何类型的操作系统,例如,机器人操作系统(ROS)、来自公司的操作系统、来自苹果公司的Mac来自公司的LINUX、UNIX,或者其它实时或嵌入式操作系统。
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WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如,全球定位系统(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置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可以包括音频装置。音频装置可以包括扬声器和/或麦克风,以促进支持语音的功能,诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置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,摄像机),所述成像处理子系统可以包括用于促进摄像机功能(诸如,记录照片和视频片段)的光学传感器,诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可以经由传感器集线器(未示出)联接到互连件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。
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,为了实现更薄且更轻的系统设计并且改进系统响应性,这种大容量存储设备可以经由固态装置(SSD)来实施。然而,在其它实施方式中,大容量存储设备可以主要使用硬盘驱动器(HDD)来实施,其中较小量的SSD存储设备充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储,从而使得在系统活动重新启动时能够实现快速通电。另外,闪存装置可以例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可以提供系统软件的非易失性存储,所述系统软件包括所述系统的BIOS以及其它固件。
存储装置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,模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可以表示上述部件中的任一个,例如规划模块305、控制模块306或路线制订模块307。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和处理器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也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可以通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509也可以用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质,但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质,所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此,术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质,或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1528、部件以及其它特征可以实施为分立硬件部件或集成在硬件部件(诸如,ASICS、FPGA、DSP或类似装置)的功能中。此外,处理模块/单元/逻辑1528可以实施为硬件装置内的固件或功能电路。此外,处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。
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,具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可以与本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。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如,计算机)可读的形式存储信息的任何机构。例如,机器可读(例如,计算机可读)介质包括机器(例如,计算机)可读存储介质(例如,只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可以由处理逻辑来执行,所述处理逻辑包括硬件(例如,电路、专用逻辑等)、软件(例如,体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的,但是应当了解,所述操作中的一些可以按不同的顺序执行。此外,一些操作可以并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到,可以使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中,已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是,在不脱离所附权利要求书中阐述的本公开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 (22)
1.用于自动驾驶车辆的路径规划的计算机实现方法,所述方法包括:
响应于使自动驾驶车辆ADV从源位置循迹行驶到目标位置的路线,基于多个预定驾驶场景将所述路线分段成多个路线段;
对于所述多个路线段中的与所述多个预定驾驶场景之一匹配的每个路线段,
从所述每个路线段提取由一个或多个特征组成的第一特征集合,以及
基于所述第一特征集合,在与匹配的驾驶场景关联的驾驶场景/路径表中进行搜索,以获得具有与所述第一特征集合匹配的第二特征集合的预配置路径段;以及
基于所述多个路线段生成具有与所述多个路线段对应的多个路径段的路径,其中所述路径的多个路径段中的至少一个路径段基于与所述多个预定驾驶场景之一对应的预配置路径段来确定。
2.如权利要求1所述的方法,其中,驾驶场景表示直线驾驶场景、转弯场景、让道场景、变道场景或停车/泊车场景之一。
3.如权利要求1所述的方法,其中,基于所述多个路线段生成路径包括:
对于所述路线的多个路线段中与所述多个预定驾驶场景之一匹配的每个路线段,基于与所述每个路线段关联的所述第一特征集合来识别预配置路径段;以及
将所述路径的相应路径段替换为相应的预配置路径段,而不必动态地计算所述相应路径段。
4.如权利要求1所述的方法,还包括:
确定与第一路线段关联的第一驾驶场景是转弯场景;
确定与所述第一路线段关联的所述ADV的速度和所述第一路线段的曲率;以及
基于所述速度和所述曲率从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
5.如权利要求1所述的方法,还包括:
确定与第一路线段关联的第一驾驶场景是为位于所述ADV前方的障碍物让道的让道场景;
确定与所述第一路线段关联的所述ADV的速度、所述ADV和所述障碍物之间的距离以及所述障碍物在道路内的相对位置;以及
基于所述ADV的速度、所述ADV和所述障碍物之间的距离以及所述障碍物在所述道路内的相对位置,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
6.如权利要求1所述的方法,还包括:
确定与第一路线段关联的第一驾驶场景是从源车道到目标车道的变道场景;
确定与所述第一路线段关联的所述ADV的速度以及所述源车道和所述目标车道之间的距离;以及
基于所述ADV的速度以及所述源车道和所述目标车道之间的距离,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
7.如权利要求1所述的方法,还包括:
确定与第一路线段关联的第一驾驶场景是用于使所述ADV在停车/泊车区中停车或泊车的停车/泊车场景;
确定与所述第一路线段关联的所述ADV的速度和所述停车/泊车区的尺寸;以及
基于所述ADV的速度和所述停车/泊车区的尺寸,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
8.如权利要求1所述的方法,其中,所述驾驶场景/路径表是多个驾驶场景/路径表之一,每个驾驶场景/路径表与所述多个预定驾驶场景之一对应,每个驾驶场景/路径表包括多个映射条目,每个映射条目将特定特征集合映射至特定预配置路径。
9.非暂时性机器可读介质,在所述非暂时性机器可读介质中存储有指令,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:
响应于使自动驾驶车辆ADV从源位置循迹行驶到目标位置的路线,基于多个预定驾驶场景将所述路线分段成多个路线段;
对于所述多个路线段中的与所述多个预定驾驶场景之一匹配的每个路线段,
从所述每个路线段提取由一个或多个特征组成的第一特征集合,以及
基于所述第一特征集合,在与匹配的驾驶场景关联的驾驶场景/路径表中进行搜索,以获得具有与所述第一特征集合匹配的第二特征集合的预配置路径段;以及
基于所述多个路线段生成具有与所述多个路线段对应的多个路径段的路径,其中所述路径的多个路径段中的至少一个路径段基于与所述多个预定驾驶场景之一对应的预配置路径段来确定。
10.如权利要求9所述的非暂时性机器可读介质,其中,驾驶场景表示直线驾驶场景、转弯场景、让道场景、变道场景或停车/泊车场景之一。
11.如权利要求9所述的非暂时性机器可读介质,其中,基于所述多个路线段生成路径包括:
对于所述路线的多个路线段中的与所述多个预定驾驶场景之一匹配的每个路线段,基于与所述每个路线段关联的所述第一特征集合来识别预配置路径段;以及
将所述路径的相应路径段替换为相应的预配置路径段,而不必动态地计算所述相应路径段。
12.如权利要求9所述的非暂时性机器可读介质,其中,所述操作还包括:
确定与第一路线段关联的第一驾驶场景是转弯场景;
确定与所述第一路线段关联的所述ADV的速度和所述第一路线段的曲率;以及
基于所述速度和所述曲率从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
13.如权利要求9所述的非暂时性机器可读介质,其中,所述操作还包括:
确定与第一路线段关联的第一驾驶场景是为位于所述ADV前方的障碍物让道的让道场景;
确定与所述第一路线段关联的所述ADV的速度、所述ADV和所述障碍物之间的距离以及所述障碍物在道路内的相对位置;以及
基于所述ADV的速度、所述ADV和所述障碍物之间的距离以及所述障碍物在所述道路内的相对位置,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
14.如权利要求9所述的非暂时性机器可读介质,其中,所述操作还包括:
确定与第一路线段关联的第一驾驶场景是从源车道到目标车道的变道场景;
确定与所述第一路线段关联的所述ADV的速度以及所述源车道和所述目标车道之间的距离;以及
基于所述ADV的速度以及所述源车道和所述目标车道之间的距离,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
15.如权利要求9所述的非暂时性机器可读介质,其中,所述操作还包括:
确定与第一路线段关联的第一驾驶场景是用于使所述ADV在停车/泊车区中停车或泊车的停车/泊车场景;
确定与所述第一路线段关联的所述ADV的速度和所述停车/泊车区的尺寸;以及
基于所述ADV的速度和所述停车/泊车区的尺寸,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
16.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:
响应于使自动驾驶车辆ADV从源位置循迹行驶到目标位置的路线,基于多个预定驾驶场景将所述路线分段成多个路线段,
对于所述多个路线段中的与所述多个预定驾驶场景之一匹配的每个路线段,
从所述每个路线段提取由一个或多个特征组成的第一特征集合,以及
基于所述第一特征集合,在与匹配的驾驶场景关联的驾驶场景/路径表中进行搜索,以获得具有与所述第一特征集合匹配的第二特征集合的预配置路径段,以及
基于所述多个路线段生成具有与所述多个路线段对应的多个路径段的路径,其中所述路径的多个路径段中的至少一个路径段基于与所述多个预定驾驶场景之一对应的预配置路径段来确定。
17.如权利要求16所述的数据处理系统,其中,驾驶场景表示直线驾驶场景、转弯场景、让道场景、变道场景或停车/泊车场景之一。
18.如权利要求16所述的数据处理系统,其中,基于所述多个路线段生成路径包括:
对于所述路线的多个路线段中的与所述多个预定驾驶场景之一匹配的每个路线段,基于与所述每个路线段关联的所述第一特征集合来识别预配置路径段;以及
将所述路径的相应路径段替换为相应的预配置路径段,而不必动态地计算所述相应路径段。
19.如权利要求16所述的数据处理系统,其中,所述操作还包括:
确定与第一路线段关联的第一驾驶场景是转弯场景;
确定与所述第一路线段关联的所述ADV的速度和所述第一路线段的曲率;以及
基于所述速度和所述曲率从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
20.如权利要求16所述的数据处理系统,其中,所述操作还包括:
确定与第一路线段关联的第一驾驶场景是为位于所述ADV前方的障碍物让道的让道场景;
确定与所述第一路线段关联的所述ADV的速度、所述ADV和所述障碍物之间的距离以及所述障碍物在道路内的相对位置;以及
基于所述ADV的速度、所述ADV和所述障碍物之间的距离以及所述障碍物在所述道路内的相对位置,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
21.如权利要求16所述的数据处理系统,其中,所述操作还包括:
确定与第一路线段关联的第一驾驶场景是从源车道到目标车道的变道场景;
确定与所述第一路线段关联的所述ADV的速度以及所述源车道和所述目标车道之间的距离;以及
基于所述ADV的速度以及所述源车道和所述目标车道之间的距离,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
22.如权利要求16所述的数据处理系统,其中,所述操作还包括:
确定与第一路线段关联的第一驾驶场景是用于使所述ADV在停车/泊车区中停车或泊车的停车/泊车场景;
确定与所述第一路线段关联的所述ADV的速度和所述停车/泊车区的尺寸;以及
基于所述ADV的速度和所述停车/泊车区的尺寸,从转弯场景/路径表中获得第一预配置路径段,其中所述第一预配置路径段用于替换所述路径的与所述第一路线段对应的第一路径段。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/703,882 | 2017-09-13 | ||
US15/703,882 US11003183B2 (en) | 2017-09-13 | 2017-09-13 | Driving scene based path planning for autonomous driving vehicles |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109491375A true CN109491375A (zh) | 2019-03-19 |
CN109491375B CN109491375B (zh) | 2022-08-09 |
Family
ID=65631945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810630238.0A Active CN109491375B (zh) | 2017-09-13 | 2018-06-19 | 用于自动驾驶车辆的基于驾驶场景的路径规划 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11003183B2 (zh) |
CN (1) | CN109491375B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110207716A (zh) * | 2019-04-26 | 2019-09-06 | 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 |
CN110843794A (zh) * | 2020-01-15 | 2020-02-28 | 北京三快在线科技有限公司 | 驾驶场景理解方法、装置和轨迹规划方法、装置 |
CN111731270A (zh) * | 2020-06-04 | 2020-10-02 | 重庆长安汽车股份有限公司 | 自动泊车系统1d前行的泊车方法、系统及车辆 |
CN111736606A (zh) * | 2020-06-28 | 2020-10-02 | 杭州海康机器人技术有限公司 | 移动机器人行驶方法、装置及存储介质 |
CN111752265A (zh) * | 2019-03-26 | 2020-10-09 | 通用汽车环球科技运作有限责任公司 | 情景存储器中的超关联 |
CN111775945A (zh) * | 2019-06-28 | 2020-10-16 | 百度(美国)有限责任公司 | 用于自动驾驶的用于检测最接近的路径内对象的方法和装置 |
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 |
CN111856923A (zh) * | 2019-04-30 | 2020-10-30 | 百度(美国)有限责任公司 | 加速对复杂驾驶场景的规划的参数学习的神经网络方法 |
CN111845693A (zh) * | 2019-04-22 | 2020-10-30 | 株式会社电装 | 自主驾驶控制设备 |
CN112417636A (zh) * | 2019-08-23 | 2021-02-26 | 动态Ad 有限责任公司 | 计算机实现的方法和用于运载工具自行操作的系统 |
CN113139454A (zh) * | 2021-04-19 | 2021-07-20 | 国交空间信息技术(北京)有限公司 | 基于单张图像的道路宽度提取方法及装置 |
CN113954858A (zh) * | 2020-07-20 | 2022-01-21 | 华为技术有限公司 | 一种规划车辆行驶路线的方法以及智能汽车 |
CN114326730A (zh) * | 2021-12-28 | 2022-04-12 | 北京百度网讯科技有限公司 | 用于确定停车路径的方法、装置、电子设备、介质 |
CN114394111A (zh) * | 2021-12-29 | 2022-04-26 | 阿波罗智联(北京)科技有限公司 | 用于自动驾驶车辆的变道方法 |
CN114782926A (zh) * | 2022-06-17 | 2022-07-22 | 清华大学 | 驾驶场景识别方法、装置、设备、存储介质和程序产品 |
CN115035718A (zh) * | 2022-06-02 | 2022-09-09 | 东风汽车集团股份有限公司 | 基于车辆动作类型和次数的场景复杂度评价方法 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7095968B2 (ja) | 2017-10-02 | 2022-07-05 | トヨタ自動車株式会社 | 管理装置 |
JP6978992B2 (ja) * | 2018-08-27 | 2021-12-08 | 日立Astemo株式会社 | 更新システム、電子制御装置 |
CN109814568B (zh) * | 2019-02-19 | 2022-05-03 | 阿波罗智能技术(北京)有限公司 | 无人车速度轨迹的生成方法、装置和存储介质 |
US11440471B2 (en) * | 2019-03-21 | 2022-09-13 | Baidu Usa Llc | Automated warning system to detect a front vehicle slips backwards |
NL2023628B9 (nl) * | 2019-08-09 | 2021-08-20 | Wilhelmus Maria Van Bentum Johannes | Systeem voor het aansturen van een op basis van stuur- en versnellingswaarden bestuurbaar autonoom rijdend voer- of (lucht)vaartuig, autonoom rijdend voer- of (lucht)vaartuig voorzien van een dergelijk systeem. |
US11061403B2 (en) * | 2019-12-12 | 2021-07-13 | Baidu Usa Llc | Path planning with a preparation distance for a lane-change |
US11180165B2 (en) * | 2019-12-26 | 2021-11-23 | Baidu Usa Llc | Autonomous driving vehicle three-point turn |
US11685398B2 (en) * | 2020-02-27 | 2023-06-27 | Baidu Usa Llc | Lane based routing system for autonomous driving vehicles |
US11740628B2 (en) * | 2020-03-18 | 2023-08-29 | Baidu Usa Llc | Scenario based control of autonomous driving vehicle |
US11485360B2 (en) * | 2020-04-03 | 2022-11-01 | Baidu Usa Llc | Dynamic speed limit adjustment system based on perception results |
CN111539345B (zh) * | 2020-04-27 | 2023-09-26 | 阿波罗智能技术(北京)有限公司 | 用于确定变道动作的方法、装置、设备及可读存储介质 |
CN113635916B (zh) * | 2020-07-28 | 2023-04-25 | 株洲中车时代电气股份有限公司 | 一种机车运行速度曲线规划方法、装置及相关组件 |
US20220185272A1 (en) * | 2020-12-10 | 2022-06-16 | Motional Ad Llc | Lane connectors as a constraint |
CN113096379A (zh) * | 2021-03-03 | 2021-07-09 | 东南大学 | 基于交通冲突的驾驶风格识别方法 |
CN113487874B (zh) * | 2021-05-27 | 2022-07-01 | 中汽研(天津)汽车工程研究院有限公司 | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 |
CN114577219B (zh) * | 2022-03-01 | 2024-07-09 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于规则评分的航迹匹配区选择系统 |
US20230339505A1 (en) * | 2022-04-20 | 2023-10-26 | Motional Ad Llc | Bidirectional path optimization in a grid |
CN115063998B (zh) * | 2022-06-22 | 2023-09-22 | 亿咖通(湖北)技术有限公司 | 一种辅助驾驶数据的传输方法、装置及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101313199A (zh) * | 2005-10-06 | 2008-11-26 | 通用汽车环球科技运作公司 | 根据群组分析的最优路线计算 |
CN103777631A (zh) * | 2013-12-16 | 2014-05-07 | 北京交控科技有限公司 | 一种自动驾驶的控制系统及方法 |
US9008858B1 (en) * | 2014-03-31 | 2015-04-14 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for providing adaptive vehicle settings based on a known route |
CN104571101A (zh) * | 2013-10-17 | 2015-04-29 | 厦门英拓通讯科技有限公司 | 一种可实现车辆任意位置移动的系统 |
US20160134509A1 (en) * | 2013-06-26 | 2016-05-12 | Huawei Technologies Co., Ltd. | Path acquisition method, path computation element, path computation client and system |
US20160171885A1 (en) * | 2014-12-10 | 2016-06-16 | Here Global B.V. | Method and apparatus for predicting driving behavior |
CN105892464A (zh) * | 2016-04-29 | 2016-08-24 | 大连楼兰科技股份有限公司 | 基于固定路线的专用车自动驾驶系统及其驾驶方法 |
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 |
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
CN107004039A (zh) * | 2016-11-30 | 2017-08-01 | 深圳市大疆创新科技有限公司 | 对象测试方法、装置及系统 |
CN107019915A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技(深圳)有限公司 | 一种确定移动轨迹的方法、用户设备及系统 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7885764B2 (en) * | 2007-09-06 | 2011-02-08 | GM Global Technology Operations LLC | Method for adaptively constructing and revising road maps |
JP2011503639A (ja) * | 2007-11-06 | 2011-01-27 | テレ アトラス ノース アメリカ インコーポレイテッド | 地図の更新において使用される、実世界の変化を検出するために複数の車両からのプローブ・データを使用する方法及びシステム |
US8626230B2 (en) * | 2008-03-04 | 2014-01-07 | Dish Network Corporation | Method and system for using routine driving information in mobile interactive satellite services |
US8698649B2 (en) * | 2008-05-30 | 2014-04-15 | Navteq B.V. | Data mining in a digital map database to identify decreasing radius of curvature along roads and enabling precautionary actions in a vehicle |
US9927251B2 (en) * | 2009-02-24 | 2018-03-27 | Alpine Electronics, Inc. | Method and apparatus for detecting and correcting freeway-ramp-freeway situation in calculated route |
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
US20150142484A1 (en) * | 2013-11-18 | 2015-05-21 | National Taipei University Of Technology | Carpool service providing method and carpool server using the same |
EP3325919B1 (en) * | 2015-07-23 | 2021-12-29 | Harman Becker Automotive Systems GmbH | Providing a navigation system with navigable routes |
US9849883B2 (en) * | 2016-05-04 | 2017-12-26 | Ford Global Technologies, Llc | Off-road autonomous driving |
US10365658B2 (en) * | 2016-07-21 | 2019-07-30 | Mobileye Vision Technologies Ltd. | Systems and methods for aligning crowdsourced sparse map data |
US10274328B2 (en) * | 2016-08-22 | 2019-04-30 | Microsoft Technology Licensing, Llc | Generating personalized routes with route deviation information |
US10042362B2 (en) * | 2016-11-18 | 2018-08-07 | Waymo Llc | Dynamic routing for autonomous vehicles |
US20180374032A1 (en) * | 2017-06-27 | 2018-12-27 | Uber Technologies, Inc. | Match-based route navigation system |
US10514696B2 (en) * | 2017-07-21 | 2019-12-24 | Here Global B.V. | Navigation driving metric |
US10907980B2 (en) * | 2017-08-11 | 2021-02-02 | Here Global B.V. | Method and apparatus for detecting false positive slippery road reports using mapping data |
-
2017
- 2017-09-13 US US15/703,882 patent/US11003183B2/en active Active
-
2018
- 2018-06-19 CN CN201810630238.0A patent/CN109491375B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101313199A (zh) * | 2005-10-06 | 2008-11-26 | 通用汽车环球科技运作公司 | 根据群组分析的最优路线计算 |
US20160134509A1 (en) * | 2013-06-26 | 2016-05-12 | Huawei Technologies Co., Ltd. | Path acquisition method, path computation element, path computation client and system |
CN104571101A (zh) * | 2013-10-17 | 2015-04-29 | 厦门英拓通讯科技有限公司 | 一种可实现车辆任意位置移动的系统 |
CN103777631A (zh) * | 2013-12-16 | 2014-05-07 | 北京交控科技有限公司 | 一种自动驾驶的控制系统及方法 |
US9008858B1 (en) * | 2014-03-31 | 2015-04-14 | Toyota Motor Engineering & Manufacturing North America, Inc. | System and method for providing adaptive vehicle settings based on a known route |
US20160171885A1 (en) * | 2014-12-10 | 2016-06-16 | Here Global B.V. | Method and apparatus for predicting driving behavior |
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 |
CN107019915A (zh) * | 2016-02-01 | 2017-08-08 | 腾讯科技(深圳)有限公司 | 一种确定移动轨迹的方法、用户设备及系统 |
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
CN105892464A (zh) * | 2016-04-29 | 2016-08-24 | 大连楼兰科技股份有限公司 | 基于固定路线的专用车自动驾驶系统及其驾驶方法 |
CN107004039A (zh) * | 2016-11-30 | 2017-08-01 | 深圳市大疆创新科技有限公司 | 对象测试方法、装置及系统 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111752265B (zh) * | 2019-03-26 | 2024-04-05 | 通用汽车环球科技运作有限责任公司 | 情景存储器中的超关联 |
CN111752265A (zh) * | 2019-03-26 | 2020-10-09 | 通用汽车环球科技运作有限责任公司 | 情景存储器中的超关联 |
CN111845693A (zh) * | 2019-04-22 | 2020-10-30 | 株式会社电装 | 自主驾驶控制设备 |
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 |
CN110207716A (zh) * | 2019-04-26 | 2019-09-06 | 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 |
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 |
CN111856923A (zh) * | 2019-04-30 | 2020-10-30 | 百度(美国)有限责任公司 | 加速对复杂驾驶场景的规划的参数学习的神经网络方法 |
US11731612B2 (en) | 2019-04-30 | 2023-08-22 | Baidu Usa Llc | Neural network approach for parameter learning to speed up planning for complex driving scenarios |
CN111775945B (zh) * | 2019-06-28 | 2023-08-04 | 百度(美国)有限责任公司 | 用于自动驾驶的用于检测最接近的路径内对象的方法和装置 |
CN111775945A (zh) * | 2019-06-28 | 2020-10-16 | 百度(美国)有限责任公司 | 用于自动驾驶的用于检测最接近的路径内对象的方法和装置 |
CN112417636A (zh) * | 2019-08-23 | 2021-02-26 | 动态Ad 有限责任公司 | 计算机实现的方法和用于运载工具自行操作的系统 |
US11945440B2 (en) | 2019-08-23 | 2024-04-02 | Motional Ad Llc | Data driven rule books |
CN110843794A (zh) * | 2020-01-15 | 2020-02-28 | 北京三快在线科技有限公司 | 驾驶场景理解方法、装置和轨迹规划方法、装置 |
CN110843794B (zh) * | 2020-01-15 | 2020-05-05 | 北京三快在线科技有限公司 | 驾驶场景理解方法、装置和轨迹规划方法、装置 |
CN111731270A (zh) * | 2020-06-04 | 2020-10-02 | 重庆长安汽车股份有限公司 | 自动泊车系统1d前行的泊车方法、系统及车辆 |
CN111731270B (zh) * | 2020-06-04 | 2022-05-17 | 重庆长安汽车股份有限公司 | 自动泊车系统1d前行的泊车方法、系统及车辆 |
CN111736606A (zh) * | 2020-06-28 | 2020-10-02 | 杭州海康机器人技术有限公司 | 移动机器人行驶方法、装置及存储介质 |
CN111736606B (zh) * | 2020-06-28 | 2024-03-19 | 杭州海康机器人股份有限公司 | 移动机器人行驶方法、装置及存储介质 |
CN113954858A (zh) * | 2020-07-20 | 2022-01-21 | 华为技术有限公司 | 一种规划车辆行驶路线的方法以及智能汽车 |
CN113139454A (zh) * | 2021-04-19 | 2021-07-20 | 国交空间信息技术(北京)有限公司 | 基于单张图像的道路宽度提取方法及装置 |
CN113139454B (zh) * | 2021-04-19 | 2024-04-23 | 国交空间信息技术(北京)有限公司 | 基于单张图像的道路宽度提取方法及装置 |
CN114326730A (zh) * | 2021-12-28 | 2022-04-12 | 北京百度网讯科技有限公司 | 用于确定停车路径的方法、装置、电子设备、介质 |
CN114326730B (zh) * | 2021-12-28 | 2024-04-05 | 北京百度网讯科技有限公司 | 用于确定停车路径的方法、装置、电子设备、介质 |
CN114394111B (zh) * | 2021-12-29 | 2023-08-29 | 阿波罗智联(北京)科技有限公司 | 用于自动驾驶车辆的变道方法 |
CN114394111A (zh) * | 2021-12-29 | 2022-04-26 | 阿波罗智联(北京)科技有限公司 | 用于自动驾驶车辆的变道方法 |
CN115035718B (zh) * | 2022-06-02 | 2023-04-18 | 东风汽车集团股份有限公司 | 基于车辆动作类型和次数的场景复杂度评价方法 |
CN115035718A (zh) * | 2022-06-02 | 2022-09-09 | 东风汽车集团股份有限公司 | 基于车辆动作类型和次数的场景复杂度评价方法 |
CN114782926B (zh) * | 2022-06-17 | 2022-08-26 | 清华大学 | 驾驶场景识别方法、装置、设备、存储介质和程序产品 |
CN114782926A (zh) * | 2022-06-17 | 2022-07-22 | 清华大学 | 驾驶场景识别方法、装置、设备、存储介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
US11003183B2 (en) | 2021-05-11 |
US20190079514A1 (en) | 2019-03-14 |
CN109491375B (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109491375A (zh) | 用于自动驾驶车辆的基于驾驶场景的路径规划 | |
US10331957B2 (en) | Method, apparatus, and system for vanishing point/horizon estimation using lane models | |
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 | |
CN110389583A (zh) | 生成自动驾驶车辆的轨迹的方法 | |
CN109489673A (zh) | 用于自动驾驶车辆的数据驱动地图更新系统 | |
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 | |
US20190147320A1 (en) | "Matching Adversarial Networks" | |
CN108981730A (zh) | 用于为操作自动驾驶车辆生成参考路径的方法和系统 | |
CN109426256A (zh) | 自动驾驶车辆的基于驾驶员意图的车道辅助系统 | |
CN110345955A (zh) | 用于自动驾驶的感知与规划协作框架 | |
CN109429518A (zh) | 基于地图图像的自动驾驶交通预测 | |
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 | |
CN110347145A (zh) | 用于自动驾驶车辆的感知辅助 | |
CN109947090A (zh) | 用于自动驾驶车辆规划的非阻塞边界 | |
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 | |
CN110389585A (zh) | 用于自动驾驶车辆的基于学习的速度规划器 | |
CN108268033A (zh) | 使用基于图的车道变换指导来操作无人驾驶车辆的方法和系统 | |
CN110531749A (zh) | 确定避开移动障碍物的自动驾驶的驾驶路径 | |
CN110377024A (zh) | 用于自动驾驶车辆的自动数据标注 | |
CN110119140A (zh) | 用于加速曲线投影的系统和方法 | |
CN108139756A (zh) | 为自动驾驶车辆构建周围环境以制定驾驶决策的方法和系统 | |
CN108387241A (zh) | 更新自动驾驶车辆的定位地图的方法和系统 | |
CN108255171A (zh) | 用于提高自主驾驶车辆的稳定性的方法和系统 | |
CN110389584A (zh) | 用于评估自动驾驶车辆的轨迹候选项的方法 | |
CN109287122A (zh) | 基于自动驾驶车辆的控制反馈更新地图的方法和系统 |
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 |