CN109808701A - 用于自主车辆进入交通流的系统和方法 - Google Patents
用于自主车辆进入交通流的系统和方法 Download PDFInfo
- Publication number
- CN109808701A CN109808701A CN201811318604.5A CN201811318604A CN109808701A CN 109808701 A CN109808701 A CN 109808701A CN 201811318604 A CN201811318604 A CN 201811318604A CN 109808701 A CN109808701 A CN 109808701A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- obstacle
- visual field
- sensing device
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000000007 visual effect Effects 0.000 claims abstract description 35
- 238000007726 management method Methods 0.000 claims abstract description 23
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 230000006854 communication Effects 0.000 description 33
- 238000004891 communication Methods 0.000 description 33
- 238000012545 processing Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000422846 Sequoiadendron giganteum Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18159—Traversing an intersection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0025—Planning or execution of driving tasks specially adapted for specific operations
- B60W60/00253—Taxi operations
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- 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
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B60W2420/408—
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
- B60W2554/4029—Pedestrians
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4048—Field of view, e.g. obstructed view or direction of gaze
-
- 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
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
- B60W2754/60—Azimuth angle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
Abstract
提供了用于控制车辆的系统和方法。在一个实施例中,障碍管理方法包含经由一个或多个感测装置来接收与车辆所关联的环境相关的传感器数据,其中车辆实质上是静止的且具有与进入第一车道的交通流对应的预期路径。该方法包含确定障碍的存在,该障碍至少部分地遮挡一个或多个感测装置中的第一感测装置对第一车道的视野,以及通过处理器将车辆相对于障碍定位,以改进第一感测装置对第一车道的视野,而不会显著阻碍第一车道。接着经由第一感测装置来监视第一车道以确定预期路径何时通畅。
Description
技术领域
本公开大体上涉及自主车辆,且更具体地涉及用于自主车辆进入交通流的系统和方法。
背景技术
自主车辆是能够感测其环境并在很少或没有用户输入的情况下导航的车辆。它通过使用诸如雷达、激光雷达、图像传感器等感测装置来进行。自主车辆进一步使用来自全球定位系统(GPS)技术、导航系统、车辆与车辆通信、车辆与基础设施技术和/或线控系统的信息来对车辆进行导航。
虽然近年来在自主车辆方面取得了显著进步,但此类车辆在许多方面仍可以得到改进。例如,自主车辆遇到可能在某种程度上遮挡试图监视迎面而来的交通的各种感测装置的视野的障碍并不罕见。当自主车辆在交叉路口静止以进入迎面而来的交通流的情况下尤其如此,例如,当试图从小路或小巷右转进入交通流时。
因此,期望提供障碍管理系统和方法,当障碍正阻挡自主车辆所使用的一个或多个感测装置的视野时允许自主车辆进入交通流。此外,根据结合附图和上述技术领域和背景所得的随后详细描述和随附权利要求,本发明的其他期望特征和特性将变得显而易见。
发明内容
提供了用于控制第一车辆的系统和方法。在一个实施例中,障碍管理方法包含经由一个或多个感测装置来接收与车辆所关联的环境相关的传感器数据,其中车辆实质上是静止的且具有与进入第一车道的交通流对应的预期路径。所述方法进一步包含:使用传感器数据来确定环境中障碍的存在,所述障碍至少部分地遮挡一个或多个感测装置的第一感测装置对第一车道的视野;以及,使用处理器将车辆相对于障碍定位以改进第一感测装置对第一车道的视野,而不会显著阻碍第一车道。所述方法接着继续经由第一感测装置来监视第一车道以确定预期路径何时通畅,并当确定预期路径通畅时进入第一车道的交通流。
在一个实施例中,第一感测装置是雷达传感器。
在一个实施例中,迭代地执行车辆的定位直到第一感测装置对第一车道的视野改进了预定量为止。
在一个实施例中,迭代地执行车辆的定位包含确定进一步重新定位车辆是否将显著阻碍第一车道;以及,如果确定进一步重新定位将不会显著阻碍第一车道,那么将车辆向前移动预定量以改进第一车道的视野。
在一个实施例中,定位车辆包含更改车辆的姿势和位置中的至少一个,使得车辆的一部分部分地延伸到第一车道中。
在一个实施例中,经由第一感测装置监视第一车道包含仅跟踪第一车道内的多个迎面而来的车辆中的带头车辆。
在一个实施例中,方法包含将关于障碍的信息传输到远离车辆的服务器。
根据一个实施例控制车辆的系统包含物体检测模块、定位模块和清障模块。物体检测模块包含处理器,被配置成:经由一个或多个感测装置来接收与车辆所关联的环境相关的传感器数据,其中车辆实质上是静止的且具有与进入第一车道的交通流对应的预期路径;使用传感器数据来确定障碍的存在,所述障碍至少部分地遮挡一个或多个感测装置的第一感测装置对第一车道的视野。所述定位模块被配置成使用处理器将车辆相对于障碍定位,以改进第一感测装置对第一车道的视野,而不会显著阻碍第一车道。所述清障模块被配置成经由第一感测装置来监视第一车道以确定预期路径何时通畅,并当确定预期路径通畅时进入第一车道的交通流。
在一个实施例中,第一感测装置是雷达传感器。
在一个实施例中,所述定位模块迭代地定位车辆直到第一感测装置对第一车道的视野改进了预定量为止。在一个实施例中,迭代地执行车辆的定位包含确定进一步重新定位车辆是否将显著阻碍第一车道;以及,如果确定进一步重新定位将不会显著阻碍第一车道,那么将车辆向前移动预定量以改进第一车道的视野。
在一个实施例中,定位车辆包含更改车辆的姿势和位置中的至少一个,使得车辆的一部分部分地延伸到第一车道中。
在一个实施例中,所述清障模块经由第一感测装置监视第一车道,且仅跟踪第一车道内的多个迎面而来的车辆中的带头车辆。
在一个实施例中,所述清障模块进一步将关于障碍的信息传输到远离车辆的服务器。
根据一个实施例的自主车辆包含提供传感器数据的多个感测装置,以及包含处理器的控制器,所述处理器基于传感器数据来:经由一个或多个感测装置来接收与车辆所关联的环境相关的传感器数据,其中车辆实质上是静止的且具有与进入第一车道的交通流对应的预期路径;使用传感器数据来确定障碍的存在,所述障碍至少部分地遮挡一个或多个感测装置的第一感测装置对第一车道的视野。控制器使用处理器将车辆相对于障碍定位,以改进第一感测装置对第一车道的视野,而不会显著阻碍第一车道;经由第一感测装置来监视第一车道以确定预期路径何时通畅;以及当确定预期路径通畅时进入第一车道的交通流。
在一个实施例中,第一感测装置是雷达传感器。
在一个实施例中,控制器迭代地定位车辆直到第一感测装置对第一车道的视野改进了预定量为止。
在一个实施例中,控制器更改车辆的姿势和位置中的至少一个,使得车辆的一部分部分地延伸到第一车道中。
在一个实施例中,所述清障模块经由第一感测装置监视第一车道包含仅跟踪第一车道内的多个迎面而来的车辆中的带头车辆。
在一个实施例中,所述清障模块进一步将关于障碍的信息传输到远离车辆的服务器。
附图说明
下文将结合以下附图来描述示例性实施例,其中相同数字表示相同的元件,且其中:
图1是示出根据各种实施例的包含障碍管理系统的自主车辆的功能框图;
图2是示出根据各种实施例的具有如图1所示的一个或多个自主车辆的输送系统的功能框图;
图3是示出根据各种实施例的与自主车辆相关联的自主驾驶系统(ADS)的功能框图;
图4至6是根据各种实施例的进入交通流的示例性自主车辆的连续俯视图;
图7是示出根据各种实施例的自主车辆的障碍管理系统的数据流图;
图8是示出根据各种实施例的用于控制自主车辆的控制方法的流程图;以及
图9是示出根据各种实施例的迭代控制方法的流程图。
具体实施方式
以下具体实施方式本质上仅仅是示例性的,且并非意图限制申请和用途。此外,不存在被前述技术领域、背景、摘要或以下具体实施方式中呈现的任何表述的或暗示的理论约束的意图。如本文使用,术语“模块”是指任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置,单独地或以任何组合,包含但不限于:专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、处理器(共享、专用或群组)、以及执行一个或多个软件或固件程序的存储器、组合逻辑电路、和/或提供所描述功能性的其他合适部件。
本文可以在功能和/或逻辑块部件和各种处理步骤方面来描述本公开的实施例。应了解,此类块部件可以通过被配置成执行指定功能的任何数目的硬件、软件和/或固件部件来实现。例如,本公开的实施例可以使用各种集成电路部件,例如,存储器元件、数字信号处理元件、逻辑元件、查询表等,所述部件可以在一个或多个微处理器或其他开支装置的控制下进行多种功能。另外,熟悉此项技术者将了解,本公开的实施例可以结合任何数目的系统来实践,且本文所描述的系统仅仅是本公开的示例性实施例。
为了简明起见,与信号处理、数据传输、信令、控制、机器学习模型、雷达、激光雷达、图像分析和系统的其他功能方面(以及系统的个别操作部件)相关的常规技术可以在本文中不再详细描述。此外,本文所含的各图中所示的连接线是用来表示在各种元件之间的示例性功能关系和/或物理耦合。应注意,在本公开的实施例中可以存在许多替代的或附加的功能关系或者物理连接。
参看图1,根据各种实施例,一般示为100的障碍管理系统与相关联的车辆10相关联。通常,障碍管理系统(或简称“系统”)100允许定位车辆10以减小障碍的遮挡效应而不会显著阻碍车道中的交通流,接着监视车道和任何迎面而来的交通(例如,经由雷达、激光雷达等)以确定预期路径何时通畅。因此,系统100实现本文中可称为“窥视和清障”系统的系统,所述系统在阻碍视野障碍后方有效地向外“窥视”并使道路“清障”以完成所需的操纵。
如图1中描述,车辆10大体包含底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上且实质上包围车辆10的部件。车身14和底盘12可以共同形成车架。车轮16至18各自在靠近车身14的相应角落处可旋转地耦合到底盘12。
在各种实施例中,车辆10是自主车辆,且障碍管理系统100并入到自主车辆10(下文称作自主车辆10)中。自主车辆10例如是自动控制以将乘客从一个位置运送到另一位置的车辆。车辆10在所示实施例中被描绘为乘用车,但应了解,还可以使用任何其他车辆,包含摩托车、卡车、运动型多功能车辆(SUV)、休旅车(RV)、海洋船只、飞行器等。
在示例性实施例中,自主车辆10对应于汽车工程师协会(SAE)“J3016”自动驾驶级别的标准分类法下的四级或五级自动化系统。使用此术语,四级系统指示“高度自动化”,是指自动驾驶系统执行动态驾驶任务的所有方面的驾驶模式,即使人类驾驶员没有对干预请求做出适当响应。另一方面,五级系统指示“完全自动化”,是指自动驾驶系统在可由人类驾驶员管理的所有道路和环境条件下执行动态驾驶任务的所有方面的驾驶模式。然而,应了解,根据本发明主题的实施例并不限于任何特定的分类法或自动化类别的标题。此外,根据本实施例的系统可以结合其中可以实现本发明主题的任何车辆来使用,不管车辆的自主级别如何。
如图所示,自主车辆10大体包含推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34和通信系统36。在各种实施例中,推进系统20可以包含内燃机、诸如牵引马达等电机、和/或燃料电池推进系统。传动系统22被配置成根据可选择的速度比将功率从推进系统20传输到车轮16和18。根据各种实施例,传动系统22可以包含步进比自动变速器、无级变速器或其他适当的变速器。
制动系统26被配置成向车轮16和18提供制动转矩。在各种实施例中,制动系统26可以包含摩擦制动器、线控制动器、诸如电机的再生制动系统、和/或其他适当的制动系统。
转向系统24影响车轮16和/或18的位置。虽然为了说明性目的描绘为包含方向盘25,但在本公开的范围内设想的一些实施例中,转向系统24可以不包含方向盘。
传感器系统28包含一个或多个感测装置40a-40n,其感测自主车辆10的外部环境和/或内部环境的可观测条件(诸如一个或多个乘客的状态),并产生与其相关的传感器数据。感测装置40a-40n可以包含但不限于雷达(例如,远程、中程短程)、激光雷达、全球定位系统、光学相机(例如,前向、360度、后向、侧向、立体等)、热(例如,红外)摄像机、超声波传感器、测距传感器(例如,编码器)、和/或可以结合根据本发明主题的系统和方法使用的其他传感器。
致动器系统30包含控制一个或多个车辆特征的一个或多个致动器装置42a-42n,诸如但不限于:推进系统20、传动系统22、转向系统24和制动系统26。在各种实施例中,自主车辆10还可以包含图1中未示出的内部和/或外部车辆特征,诸如各种车门、行李箱、以及诸如空气、音乐、照明、触摸屏显示部件(诸如与导航系统结合使用的那些部件)等的车厢特征。
数据存储装置32存储用于在自动控制自主车辆10中使用的数据。在各种实施例中,数据存储装置32存储可导航环境的定义的地图。在各种实施例中,定义的地图可以通过远程系统(关于图2进一步详细描述)预定义并从远程系统获得。例如,定义的地图可以通过远程系统组装并被传达到自主车辆10(无线地和/或以有线方式),且存储在数据存储装置32中。路线信息也可以存储在数据存储装置32内,即共同定义用户可以从起始位置(例如,用户的当前位置)行进到目标位置的路线的一组路段(在地理上与一个或多个定义的地图相关联)。如将了解,数据存储装置32可以是控制器34的一部分、与控制器34分开、或者是控制器34的一部分和独立系统的一部分。
控制器34包含至少一个处理器44和计算机可读存储装置或介质46。处理器44可以是任何定制的或市售的处理器、中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)(例如,实现神经网络的定制ASIC)、现场可编程门阵列(FPGA)、与控制器34相关联的若干处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、其任何组合、或通常用于执行指令的任何装置。计算机可读存储装置或介质46可以包含例如只读存储器(ROM)、随机存取存储器(RAM)和保持存储器(KAM)中的易失性和非易失性存储器。KAM是持久性或非易失性存储器,其可以用于在处理器44断电时存储各种操作变量。计算机可读存储装置或介质46可以使用多种已知存储器装置中的任一者来实现,诸如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、快闪存储器、或者能够存储数据的任何其他电子、磁性、光学或组合存储器装置,所述数据中的一些表示由控制器34用于控制自主车辆10的可执行指令。在各种实施例中,控制器34被配置成实现如下文详细论述的障碍管理系统。
指令可以包含一个或多个独立程序,每一程序包括用于实现逻辑功能的可执行指令的有序列表。所述指令在由处理器44执行时接收并处理来自传感器系统28的信号(例如,传感器数据),执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法,并基于逻辑、计算、方法和/或算法来产生传输到致动器系统30以自动控制自主车辆10的部件的控制信号。尽管图1中展示仅一个控制器34,但自主车辆10的实施例可以包含任何数目的控制器34,它们通过任何合适的通信介质或通信介质组合来通信并协作以处理传感器数据,执行逻辑、计算、方法和/或算法,且产生控制信号以自动控制自主车辆10的特征。
通信系统36被配置成向其他实体48和从其他实体48无线地传达信息,该实体诸如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、网络(“V2N”通信)、行人(“V2P”通信)、远程输送系统、和/或用户装置(关于图2更详细描述)。在示例性实施例中,通信系统36是被配置成使用IEEE 802.11标准或通过使用蜂窝式数据通信来经由无线局域网(WLAN)通信的无线通信系统。然而,额外或替代的通信方法,诸如专用短程通信(DSRC)信道也被认为在本公开的范围之内。DSRC信道是指专为汽车使用而设计的单向或双向短程到中程无线通信信道以及相应的协议和标准集。
现参看图2,在各种实施例中,关于图1描述的自主车辆10可以适合用于特定地理区域(例如,城市、学校或商业园区、购物中心、游乐园、活动中心等)中的出租车或班车系统的情况下,或者可以简单地由远程系统管理。例如,自主车辆10可以与基于自主车辆的远程输送系统相关联。图2示出大体在50处展示的操作环境的示例性实施例,其包含与如关于图1描述的一个或多个自主车辆10a-10n相关联的基于自主车辆的远程输送系统(或简称“远程输送系统”)52。在各种实施例中,操作环境50(其全部或部分可以对应于图1中所示的实体48)进一步包含一个或多个用户装置54,所述用户装置54经由通信网络56与自主车辆10和/或远程输送系统52通信。
通信网络56根据需要支持操作环境50所支持的装置、系统和部件之间的通信(例如,经由有形通信链路和/或无线通信链路)。例如,通信网络56可以包含诸如蜂窝式电话系统的无线载波系统60,其包含多个小区发射塔(未示出)、一个或多个移动交换中心(MSC)(未示出)、以及使无线载波系统60与陆地通信系统连接所需的任何其他网络部件。每一小区发射塔包含发送和接收天线以及基站,其中来自不同小区发射塔的基站直接或经由诸如基站控制器的中间设备连接到MSC。无线载波系统60可以实现任何合适的通信技术,包含例如数字技术,诸如CDMA(例如,CDMA2000)、LTE(例如,4G LTE或5G LTE)、GSM/GPRS或其他当前或新兴的无线技术。其他小区发射塔/基站/MSC布置是可能的,且可以与无线载波系统60一起使用。例如,基站和小区发射塔可以共同位于同一地点或它们可以相互远离定位,每一基站可以负责单个小区发射塔或单个基站可以服务多个小区发射塔,或者多个基站可以耦合到单个MSC,仅列出一些可能的布置。
除了包含无线载波系统60之外,可以包含呈卫星通信系统64的形式的第二无线载波系统,以提供与自主车辆10a-10n的单向或双向通信。这可以使用一个或多个通信卫星(未示出)和上行链路传输站(未示出)来进行。单向通信可以包含例如卫星无线电服务,其中节目内容(新闻、音乐等)通过传输站接收,打包用于上载,且接着发送到卫星,卫星将节目广播给订户。双向通信可以包含例如使用卫星在车辆10和站之间中继电话通信的卫星电话服务。除了无线载波系统60之外或代替无线载波系统60,可以利用卫星电话。
可以进一步包含陆地通信系统62,其是连接到一个或多个陆线电话并将无线载波系统60连接到远程输送系统52的传统陆基电信网络。例如,陆地通信系统62可以包含公共交换电话网(PSTN),诸如用于提供硬连线电话、分组交换数据通信和因特网基础设施的公共交换电话网。陆地通信系统62的一个或多个段可以通过使用标准有线网络、光纤或其他光学网络、电缆网络、电力线、诸如无线局域网(WLAN)的其他无线网络、或者提供宽带无线接入(BWA)的网络或其任何组合来实现。此外,远程输送系统52无需经由陆地通信系统62来连接,但可以包含无线电话设备,使得其可以直接与诸如无线载波系统60的无线网络通信。
尽管图2中展示仅一个用户装置54,但操作环境50的实施例可以支持任何数目的用户装置54,包含一个人拥有、操作或以其他方式使用的多个用户装置54。操作环境50所支持的每一用户装置54可以使用任何合适的硬件平台来实现。在这方面,用户装置54可以以任何共同的形状因子实现,包含但不限于:桌上型计算机;移动计算机(例如,平板式计算机、膝上型计算机或笔记型计算机);智能电话;视频游戏装置;数字媒体播放器;家庭娱乐设备的部件;数码相机或视频摄像机;可穿戴计算装置(例如,智能手表、智能眼镜、智能服装);或类似物。操作环境50所支持的每一用户装置54被实现为计算机实现的或基于计算机的装置,其具有进行本文描述的各种技术和方法所需的硬件、软件、固件和/或处理逻辑。例如,用户装置54包含呈可编程装置形式的微处理器,其包含存储在内部存储器结构中且被应用以接收二进制输入来创建二进制输出的一个或多个指令。在一些实施例中,用户装置54包含能够接收GPS卫星信号并基于那些信号来产生GPS坐标的GPS模块。在其他实施例中,用户装置54包含蜂窝式通信功能性,使得所述装置使用一个或多个蜂窝式通信协议在通信网络56上进行语音和/或数据通信,如本文所论述。在各种实施例中,用户装置54包含可视显示器,诸如触摸屏图形显示器或其他显示器。
远程输送系统52包含一个或多个后端服务器系统(未示出),其可以是基于云的、基于网络的、或驻留在由远程输送系统52服务的特定园区或地理位置处。远程输送系统52可以由现场顾问、自动顾问、人工智能系统或其组合来管理。远程输送系统52可以与用户装置54和自主车辆10a-10n通信以安排乘车、派遣自主车辆10a-10n等。在各种实施例中,远程输送系统52存储商店账户信息,诸如订户认证信息、车辆识别符、简档记录、生物特征数据、行为模式和其他相关订户信息。
根据典型的用例工作流程,远程输送系统52的注册用户可以经由用户装置54创建乘车请求。乘车请求通常将指示乘客的期望的接载位置(或当前GPS位置)、期望的目的地位置(其可以标识预定义的车辆停靠点和/或用户指定的乘客目的地)以及接载时间。远程输送系统52接收乘车请求,处理所述请求,并调度自主车辆10a-10n中的选定一辆(当且如果一辆可用的话),以便在指定的接载位置和适当的时间接载乘客。输送系统52还可以产生并向用户装置54发送适当配置的确认消息或通知,以让乘客知道车辆在路上。
可以了解,本文公开的主题提供可以被认为是标准或基线自主车辆10和/或基于自主车辆的远程输送系统52的某些增强的特征和功能性。为此,自主车辆和基于自主车辆的远程输送系统可以被修改、增强或以其他方式补充,以提供下文更详细描述的附加特征。
根据各种实施例,控制器34实现如图3中所示的自主驾驶系统(ADS)70。即,利用控制器34的合适的软件和/或硬件部件(例如,处理器44和计算机可读存储装置46)以提供结合车辆10使用的自主驾驶系统70。
在各种实施例中,自主驾驶系统70的指令可以通过功能或系统来组织。例如,如图3中所示,自主驾驶系统70可以包含计算机视觉系统74、定位系统76、引导系统78和车辆控制系统80。可以了解,在各种实施例中,指令可以被组织成任何数目的系统(例如,组合、进一步划分等),因为本公开并不限于本发明的实施例。
在各种实施例中,计算机视觉系统74合成并处理获取的传感器数据,并预测车辆10的环境的物体和特征的存在、位置、分类和/或路径。在各种实施例中,计算机视觉系统74可以并入来自多个传感器(例如,传感器系统28)的信息,包含但不限于相机、激光雷达、雷达和/或任何数目的其他类型传感器。
定位系统76处理传感器数据连同其他数据以确定车辆10相对于环境的位置(例如,相对于地图的局部位置、相对于道路车道的精确位置、车辆航向等)。可以了解,可以采用各种技术来实现这种定位,包含例如同步定位和映射(SLAM)、粒子滤波器、卡尔曼(Kalman)滤波器、贝叶斯(Bayesian)滤波器等。
引导系统78处理传感器数据连同其他数据以确定车辆10要遵循的路径。车辆控制系统80根据所确定的路径产生用于控制车辆10的控制信号。
在各种实施例中,控制器34实现机器学习技术来辅助控制器34的功能性,诸如特征检测/分类、障碍缓解、路线穿越、映射、传感器集成、地面真实度确定等。
在各种实施例中,障碍管理系统100的全部或部分可以包含在计算机视觉系统74、定位系统76、引导系统78和/或车辆控制系统80内。如上文简要提及,图1的障碍管理系统100被配置成以以下方式来定位AV 10(可能迭代地):在不显著阻碍交通流的情况下减少障碍的遮挡效应,接着监视迎面而来的交通(例如,通过雷达、激光雷达等)以确定预期路径何时通畅以进入迎面而来的交通流,例如,当试图从小路或小巷右转进入交通流时(本文称为“窥视和清障”的技术)。
在这方面,图4至6呈现了有助于理解本发明主题的示例性场景的连续的俯视图。更具体来说,图4示出在如图所示的交叉路口停止或实质上静止在车道420内的AV 10。AV10的预期路径(路径602)需要进入车道410中迎面而来的交通流,其包含车辆421和422,在图4中展示为向右移动。换句话说,AV 10正在等待车道410足够通畅,以便它可以从小路(车道420)右转进入交通。
将显而易见,车辆10以此方式定位,即障碍408(在此实例中,大树)在某种程度上阻挡或遮挡AV 10的一个或多个感测装置(诸如侧向雷达传感器590)的视场502,从而降低了AV 10观察车道410内迎面而来的交通的能力。例如,AV 10可能不能够经由感测装置590来完全跟踪迎面而来的车辆421和/或422。
现参看图5和6,根据各种实施例的障碍管理系统100被配置成以此方式定位AV10,使得它减少障碍408(相对于一个或多个感测装置)的遮挡效应,而不会显著阻碍车道410中迎面而来的交通。下文将详细描述执行此移动的各种方法。在这方面,如本文使用的短语“没有显著阻碍”是指不会阻止迎面而来的车辆在AV 10以外的车道410上行驶的位置和姿势。如本文使用,术语“位置”是指AV 10的空间位置(例如,根据GPS坐标等),而术语“姿势”是指使用任何方便的角度单位或方向指示器的AV 10的定向或“航向”。
例如,如图5中所示,AV 10已被定位而使得AV 10的前部561稍微延伸超出交叉路口的线562,且其姿势已被调整而使得其纵轴不平行于车道410一个小角度,如图所示。如图示出,位置和姿势的此改变导致更有效的视场502,允许任何感测装置590或其他类似位置的感测装置监视车道410,包含诸如车辆421和/或422的迎面而来的车辆的速度、位置和加速度。将了解,如图5中所示的AV 10并未延伸到车道410中,使得车辆421(包含车辆421周围的合理缓冲空间)将被阻止继续经过车道410中的车辆421。
一旦AV 10如图5中所示定位,障碍管理系统100即可以监视迎面而来的交通并确定车道410何时充分通畅,使得AV 10可以沿着如图6中所示的路径602而进入交通流,并沿着其最初预期的路径(即,沿着车道410直线延伸的路径)继续。将了解,图4至6中所示的特定角度和位置并不意图是限制性的,且本发明主题可以适用于解决广泛范围的障碍、车道几何形状和交叉路口。例如,障碍408可以是另一车辆(例如,停放的车辆)、建筑物或其他永久性结构、一组行人、自然植物、标志、建筑相关物体等。
现参看图7,示例性障碍管理系统100大体包含障碍管理模块(或简称“模块”)710,所示模块本身包含障碍检测子模块(或“模块”715)、定位子模块(或“模块”)720和清障子模块(或“模块”)730。大体来说,障碍管理模块710接收传感器数据701(例如,光学相机数据、雷达传感器返回、激光雷达传感器返回等),根据其确定在某种程度上遮挡车道(例如,图6中的车道410)视野的障碍(例如,图4中的障碍408)的存在,且在确定路径通畅后,产生指示AV 10可以继续沿着其预期路径并进入交通流(如图6中所示)的输出731。
障碍检测模块715被配置成确定障碍(例如,图4的障碍408)实际上是可能在相当长的时间内静止的物体,例如,大于AV 10确认路径足够通畅以至于它可以进入交通流所需的时间长度的时间量。此类障碍的非限制性实例包含树木、灌木、标志、建筑结构、行人、汽车、卡车、垃圾箱等。障碍的分类可以使用任何合适的方法来完成,包含被训练成基于传感器数据701对此类障碍进行分类的各种机器学习模型。例如,障碍管理系统100可以实现卷积神经网络(CNN)或其他分类器,所述分类器被训练来辨识广泛范围的此类障碍。然而,请注意,没有必要对障碍进行分类,只要以某种方式确定了障碍的存在即可。在这点上,障碍可以被确定为存在于传感器层面上的传感器的遮挡,而不一定是如所示实施例中所示的显式物体检测系统的一部分。
定位子模块720辅助调整AV 10的位置和/或姿势,使得减少或消除了障碍的遮挡效应,而不会显著阻碍迎面而来的一条或多条车道,如图5所描绘。清障子模块730通常被配置成监视AV 10附近(例如,在迎面而来的车道410中)的任何迎面而来的交通,并确定AV 10是否通畅以继续,如图6所示。子模块730可以使用各种方法来确定是否通畅而继续。
应理解,根据本公开的障碍管理系统100的各种实施例可以包含嵌入在控制器34内的任何数目的附加子模块,所述子模块可以组合和/或进一步划分以类似地实现本文描述的系统和方法。此外,障碍管理系统100的输入可以从传感器系统28接收,从与自主车辆10相关联的其他控制模块(未示出)接收,从通信系统36接收,和/或由图1的控制器34内的其他子模块(未示出)确定/建模。此外,输入也可能经历预处理,诸如子采样、降噪、归一化、特征提取、缺失数据减少等。
上述各种模块可以实现为一个或多个机器学习模型,其经历监督、无监督、半监督或强化学习并执行分类(例如,二进制或多类分类)、检测、回归、聚类、降维和/或此类任务。此类模型的实例包含但不限于人工神经网络(ANN)(诸如递归神经网络(RNN)和卷积神经网络(CNN))、决策树模型(诸如分类和回归树(CART))、集成学习模型(诸如升压、自举聚合、梯度升压机和随机森林)、贝叶斯网络模型(例如,朴素贝叶斯)、主成分分析(PCA)、支持向量机(SVM)、聚类模型(诸如K最近邻、K均值、期望最大化、分层聚类等)、线性判别分析模型。
在一些实施例中,系统100所使用的任何机器学习模型的训练发生在远离AV 10的系统内(例如,图2中的系统52),且随后被下载到车辆10以在车辆10的正常操作期间使用。在其他实施例中,训练至少部分发生在车辆10自身的控制器34内,且所述模型随后与车队中的外部系统和/或其他车辆共享(诸如图2中描绘)。训练数据可以类似地由车辆10产生或从外部获取,且可以在训练之前被划分成训练集、验证集和测试集。
现参看图8,且继续参看图1至7,所示出流程图提供了可以由根据本公开的障碍管理系统100执行的控制方法800。根据本公开将了解,所述方法内的操作顺序并不限于如图所示的顺序执行,而是可以根据本公开在适当时以一个或多个变化的顺序执行。在各种实施例中,所述方法可以被调度为基于一个或多个预定事件运行,和/或可以在自主车辆10的操作期间连续运行。
在各种实施例中,方法在801开始,其中接收与AV 10所关联的环境相关的传感器数据。如上文详细描述,此传感器数据可以从多种感测装置接收,诸如光学相机、激光雷达传感器、雷达传感器等。在802,此传感器数据接着用以确定障碍(例如,障碍408)的存在,如上文描述和图4中的实例所示出。在一个实施例中,障碍检测模块715检测至少部分遮挡传感器系统28的至少一个感测装置(如图4所描绘)对相对车道(例如,面对迎面而来的交通)的视野的物体。如将了解,取决于障碍408的大小和形状,传感器系统28的一些感测装置可以具有车道410的全视野(例如,顶部安装的相机、激光雷达等),而传感器系统28的其他感测装置可能在面对迎面而来的交通的方向上仅具有相对车道410的部分视野(例如,图4的侧面安装的雷达传感器590)。障碍阻挡AV 10的视野的程度可以被量化为置信水平,即,与系统100是否以及在多大程度上可以确定路径是通畅的以进入交通流相关联的置信水平。然后,系统100的任务可以被重改为试图通过将车辆10重新定位为“窥视”障碍408周围来提高置信水平(例如,高于某个阈值)。此置信水平可以预定(例如,大于或等于96%置信区间,或可以基于一个或多个因素自适应,诸如当前位置的性质、天气因素等)。
如本文所使用,关于路径的术语“通畅”通常是指系统100已确定AV 10具有感兴趣区域的合适视野并可以验证它可以观察到所有相关物体,且因此可以以合理的计划加速度、速率和本领域已知的其他运动属性沿着其预期路径前进的状况。这是在AV 10和AV 10附近的任何车辆和物体之间保持足够的空间余量的情况下执行的,诸如在相同和相邻车道上移动的车辆、停放的车辆、行人、地理特征等(即,“相关”物体)。此类确定可以通过图3的ADS 70内的一个或多个模块来进行。
因此,在803,障碍管理模块710定位(或确定)AV 10的必要位置,以减少障碍的遮挡效应(如图5所示),而不会显著阻碍第一车道。在各种实施例中,如果AV 10在正常情况下停在交叉路口,那么此过程之后的AV 10的位置和/或姿势可能与AV的标称位置和/或姿势偏离。换句话说,AV 10可能移动到一个位置,在所述位置,它的前端突出超过了它在那个交叉路口的通常停止点。图4通过对比的方式示出了如果不存在障碍408,什么可以被认为是标称姿势和位置。
关于什么构成“显著阻碍车道”的确定可以考虑例如来自地图数据的车道宽度信息、任何迎面而来的交通的预期宽度、附近可能影响交通行为的其他物体等。在一些实施例中,传感器数据可以用来进行此确定(例如,通过直接确定车道宽度)。
用于“窥视”物体周围的车辆位置和姿势的范围可以根据障碍的性质、AV 10的性质、用于监视迎面而来的交通的传感器类型、相关车道的几何形状以及环境、道路和周围物体的其他特性而变化。
在一些实施例中,可以估计障碍的几何形状(例如,宽度、长度、高度),以辅助确定AV 10的最佳“窥视”位置。例如,在一些实施例中,使用一组已知障碍类型来训练卷积神经网络,诸如树木、灌木、标志、行人、汽车、卡车、垃圾箱等。知道障碍408的类别后,障碍管理模块710接着可以咨询此类障碍类别和已知尺寸(本地或远程存储)的数据库来估计其几何形状。在一个实施例中,清障模块730经由第一感测装置监视第一车道包含仅跟踪第一车道内的多个迎面而来的车辆中的带头车辆。也就是说,可以假设只需要跟踪带头车辆,因为带头车辆后面的任何车辆不可能(在某些情况下)超过带他车辆421(例如,当车辆沿着单车道410移动时)。在一些实施例中,快速启发式方法被用于此任务。例如,在一个实施例中,系统基于第一辆迎面而来的车辆来约束需要清障的区域,这只是一种几何操作。将理解,短语“第一车道”并不意图将本实施例限于单车道的“清障”;本系统和方法可以用于具有任意数目车道的道路的环境中。
在一些实施例中,迭代地执行AV 10在803的定位。也就是说,定位模块720可以指示AV 10在位置上进行微小调整,确定其视场是否令人满意,进行另一次微小调整,等等,直到其位置和姿势使用预定的置信水平和/或任何其他方便的准则而足够。在图9中示出此类实施例,其中图8的步骤803被示为迭代过程。也就是说,过程可以在901开始,其中系统100查询AV 10的进一步重新定位是否会显著阻碍迎面而来的交通可能行驶的车道,随后将AV10重新定位预定量(例如,向前缓行、调整姿势等)(在903)以改进迎面而来的交通的视野。接着,在904,确定迎面而来的交通视野在当前条件下是否是最佳的。也就是说,关于这些条件,确定系统100在给定交叉路口的几何形状、障碍的几何形状、AV 10已经向前移动超过标称位置的程度等的情况下是否具有AV 10可以进入流动交通的合理的高置信度。如果是,那么处理继续到805;如果否,那么处理返回到901,如所示出。将了解,此类迭代移动非常模仿人类驾驶员的行为,他们倾向于连续“缓行”到障碍周围,以实现迎面而来的交通的较佳视野。
再次参看图8,在806,清障模块730监视相对车道和迎面而来的交通(例如,图4的车道410)以及附近可能与预期机动路径的完成相关的任何物体。在807,清障模块730确定迎面而来的交通是否足够通畅以致AV 10可以继续并进入交通流。如果是,那么处理在808继续,且AV 10沿着其原始的预期路径进入交通流。如果路径不够通畅,那么处理返回到806,清障模块730于是继续监视迎面而来的交通。在一些实施例中,清障模块730进一步将关于障碍的信息传输到远离车辆的服务器(例如,服务器52)。以此方式,其他车辆(例如,车队内有可能遭遇相同障碍的车辆)可以从远程服务器下载信息,以便辅助辨识此类障碍的存在。
虽然在以上详细描述中呈现至少一个示例性实施例,但应了解存在多种变化。还应了解,一个或多个示例性实施例仅仅是实例,且并不意图以任何方式来限制本公开的范围、适用性或配置。相反,以上详细描述将为本领域技术人员提供用于实现一个或多个示例性实施例的便利道路图。应理解,在不脱离所附权利要求及其法律等同物中阐述的本公开的范围的情况下,可以对元件的功能和布置进行各种改变。
Claims (10)
1.一种障碍管理方法,其包括:
经由一个或多个感测装置来接收与车辆所关联的环境相关的传感器数据,其中所述车辆实质上是静止的且具有与进入第一车道的交通流对应的预期路径;
通过处理器和所述一个或多个感测装置来确定所述环境中存在障碍,所述障碍至少部分遮挡所述一个或多个感测装置中的第一感测装置对所述第一车道的视野;
通过处理器将所述车辆相对于所述障碍定位,以改进所述第一感测装置对所述第一车道的所述视野,而不会显著阻碍所述第一车道;
通过处理器经由所述第一感测装置来监视所述第一车道以确定所述预期路径何时通畅;以及
当确定所述预期路径通畅时控制所述车辆进入所述第一车道的所述交通流。
2.根据权利要求1所述的方法,其中所述第一感测装置是雷达传感器。
3.根据权利要求1所述的方法,其中迭代地执行所述车辆的所述定位直到所述第一感测装置对所述第一车道的所述视野改进了预定量为止。
4.根据权利要求3所述的方法,其中迭代地执行所述车辆的所述定位包含:
确定进一步重新定位所述车辆是否将显著阻碍所述第一车道;以及
如果确定进一步重新定位将不会显著阻碍所述第一车道,那么将所述车辆向前移动预定量以改进所述第一车道的所述视野。
5.根据权利要求1所述的方法,其中定位所述车辆包含更改所述车辆的姿势和位置中的至少一个,使得所述车辆的一部分部分地延伸到所述第一车道中。
6.一种用于控制车辆的系统,其包括:
障碍检测模块,其包含处理器,被配置成:
经由一个或多个感测装置来接收与车辆所关联的环境相关的传感器数据,其中所述车辆实质上是静止的且具有与进入第一车道的交通流对应的预期路径;
使用所述传感器数据来确定障碍的存在,所述障碍至少部分地遮挡所述一个或多个感测装置的第一感测装置对所述第一车道的视野;
定位模块,其包含处理器,被配置成:
通过处理器将所述车辆相对于所述障碍定位,以改进所述第一感测装置对所述第一车道的所述视野,而不会显著阻碍所述第一车道;
清障模块,其包含处理器,被配置成:
经由所述第一感测装置来监视所述第一车道以确定所述预期路径何时通畅;以及
当确定所述预期路径通畅时控制所述车辆进入所述第一车道的所述交通流。
7.根据权利要求6所述的系统,其中所述第一感测装置是雷达传感器。
8.根据权利要求6所述的系统,其中所述定位模块迭代地定位所述车辆直到所述第一感测装置对所述第一车道的所述视野改进了预定量为止。
9.根据权利要求8所述的系统,其中迭代地执行所述车辆的所述定位包含:
确定进一步重新定位所述车辆是否将显著阻碍所述第一车道;以及
如果确定进一步重新定位将不会显著阻碍所述第一车道,那么将所述车辆向前移动预定量以改进所述第一车道的所述视野。
10.根据权利要求6所述的系统,其中通过所述定位模块进行的定位包含更改所述车辆的姿势和位置中的至少一个,使得所述车辆的一部分部分地延伸到所述第一车道中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/820,578 US10488861B2 (en) | 2017-11-22 | 2017-11-22 | Systems and methods for entering traffic flow in autonomous vehicles |
US15/820578 | 2017-11-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109808701A true CN109808701A (zh) | 2019-05-28 |
CN109808701B CN109808701B (zh) | 2022-06-07 |
Family
ID=61757047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811318604.5A Active CN109808701B (zh) | 2017-11-22 | 2018-11-07 | 用于自主车辆进入交通流的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10488861B2 (zh) |
CN (1) | CN109808701B (zh) |
DE (1) | DE102018129077A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130548A (zh) * | 2019-06-05 | 2020-12-25 | 奥迪股份公司 | 一种用于自动驾驶车辆的障碍物应对系统和方法 |
CN113341824A (zh) * | 2021-06-17 | 2021-09-03 | 鄂尔多斯市普渡科技有限公司 | 一种开放式自动驾驶避障控制系统及控制方法 |
CN114067607A (zh) * | 2020-08-05 | 2022-02-18 | 奥迪股份公司 | 用于控制自动驾驶车辆的方法和装置、车辆及存储介质 |
CN114120691A (zh) * | 2020-08-27 | 2022-03-01 | 伟摩有限责任公司 | 使用远程辅助逐渐调整车辆传感器视角的方法和系统 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170024621A1 (en) * | 2015-07-20 | 2017-01-26 | Dura Operating, Llc | Communication system for gathering and verifying information |
WO2019200563A1 (en) * | 2018-04-18 | 2019-10-24 | Baidu. Com Times Technology (Beijing) Co., Ltd. | Map-less and localization-less lane following method for autonomous driving of autonomous driving vehicles on highway |
US11188082B2 (en) * | 2019-01-11 | 2021-11-30 | Zoox, Inc. | Occlusion prediction and trajectory evaluation |
JP7201550B2 (ja) * | 2019-07-29 | 2023-01-10 | 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 |
US10928820B1 (en) * | 2019-11-12 | 2021-02-23 | Baidu Usa Llc | Confidence levels along the same predicted trajectory of an obstacle |
US11360488B2 (en) * | 2020-01-07 | 2022-06-14 | International Business Machines Corporation | Dynamic relative position reassignment of vehicle in autonomous vehicles ecosystem |
US20220099446A1 (en) * | 2020-09-30 | 2022-03-31 | Toyota Jidosha Kabushiki Kaisha | Operation management apparatus, operation management method, operation management system, and vehicle |
US20220204032A1 (en) * | 2020-12-31 | 2022-06-30 | Waymo Llc | Traffic light viewsheds |
US11678209B2 (en) * | 2021-03-03 | 2023-06-13 | Qualcomm Incorporated | Beam blockage prediction for vehicle communications |
JP2022138782A (ja) * | 2021-03-11 | 2022-09-26 | トヨタ自動車株式会社 | 交差点管制システム、交差点管制方法、及び、プログラム |
US11827223B2 (en) * | 2021-03-31 | 2023-11-28 | GM Global Technology Operations LLC | Systems and methods for intersection maneuvering by vehicles |
US11898871B2 (en) | 2021-09-15 | 2024-02-13 | Here Global B.V. | Apparatus and methods for providing a map layer of one or more temporary dynamic obstructions |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104044587A (zh) * | 2013-03-14 | 2014-09-17 | 通用汽车环球科技运作有限责任公司 | 用于提高处于自主驾驶模式下的车辆的传感器可视性的系统和方法 |
CN104271419A (zh) * | 2012-03-16 | 2015-01-07 | 谷歌公司 | 鉴于约束主动修改自主车辆的视野 |
US20150309510A1 (en) * | 2014-04-29 | 2015-10-29 | Lenovo Enterprise Solutions (Singapore) Pte Ltd. | Positioning autonomous vehicles based on field of view |
US20170011625A1 (en) * | 2010-11-15 | 2017-01-12 | Image Sensing Systems, Inc. | Roadway sensing systems |
US20170036678A1 (en) * | 2014-04-11 | 2017-02-09 | Nissan North America, Inc. | Autonomous vehicle control system |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9302678B2 (en) * | 2006-12-29 | 2016-04-05 | Robotic Research, Llc | Robotic driving system |
US8676466B2 (en) * | 2009-04-06 | 2014-03-18 | GM Global Technology Operations LLC | Fail-safe speed profiles for cooperative autonomous vehicles |
US9940834B1 (en) * | 2016-01-22 | 2018-04-10 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle application |
US10331135B2 (en) * | 2017-11-22 | 2019-06-25 | GM Global Technology Operations LLC | Systems and methods for maneuvering around obstacles in autonomous vehicles |
-
2017
- 2017-11-22 US US15/820,578 patent/US10488861B2/en active Active
-
2018
- 2018-11-07 CN CN201811318604.5A patent/CN109808701B/zh active Active
- 2018-11-19 DE DE102018129077.2A patent/DE102018129077A1/de active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170011625A1 (en) * | 2010-11-15 | 2017-01-12 | Image Sensing Systems, Inc. | Roadway sensing systems |
CN104271419A (zh) * | 2012-03-16 | 2015-01-07 | 谷歌公司 | 鉴于约束主动修改自主车辆的视野 |
CN104044587A (zh) * | 2013-03-14 | 2014-09-17 | 通用汽车环球科技运作有限责任公司 | 用于提高处于自主驾驶模式下的车辆的传感器可视性的系统和方法 |
US20170036678A1 (en) * | 2014-04-11 | 2017-02-09 | Nissan North America, Inc. | Autonomous vehicle control system |
US20150309510A1 (en) * | 2014-04-29 | 2015-10-29 | Lenovo Enterprise Solutions (Singapore) Pte Ltd. | Positioning autonomous vehicles based on field of view |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130548A (zh) * | 2019-06-05 | 2020-12-25 | 奥迪股份公司 | 一种用于自动驾驶车辆的障碍物应对系统和方法 |
CN114067607A (zh) * | 2020-08-05 | 2022-02-18 | 奥迪股份公司 | 用于控制自动驾驶车辆的方法和装置、车辆及存储介质 |
CN114120691A (zh) * | 2020-08-27 | 2022-03-01 | 伟摩有限责任公司 | 使用远程辅助逐渐调整车辆传感器视角的方法和系统 |
CN113341824A (zh) * | 2021-06-17 | 2021-09-03 | 鄂尔多斯市普渡科技有限公司 | 一种开放式自动驾驶避障控制系统及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102018129077A1 (de) | 2019-05-23 |
US20180095466A1 (en) | 2018-04-05 |
US10488861B2 (en) | 2019-11-26 |
CN109808701B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109808701A (zh) | 用于自主车辆进入交通流的系统和方法 | |
CN109808700A (zh) | 用于在自主车辆中映射道路干扰物体的系统和方法 | |
CN110068346B (zh) | 用于自主车辆中不受保护的操纵缓解的系统和方法 | |
CN109814544A (zh) | 用于在自主车辆中操纵绕过障碍物的系统和方法 | |
CN109131346B (zh) | 用于预测自主车辆中的交通模式的系统和方法 | |
CN108802761A (zh) | 用于激光雷达点云异常的方法和系统 | |
US10146225B2 (en) | Systems and methods for vehicle dimension prediction | |
CN110069060A (zh) | 用于自动驾驶车辆中路径规划的系统和方法 | |
CN109291929A (zh) | 用于自动驾驶系统的深度集成融合架构 | |
CN108628206A (zh) | 道路施工检测系统和方法 | |
CN109814520A (zh) | 用于确定自主车辆的安全事件的系统和方法 | |
US20190061771A1 (en) | Systems and methods for predicting sensor information | |
CN108268034A (zh) | 用于车辆的专家模式 | |
US20190026588A1 (en) | Classification methods and systems | |
CN109552212B (zh) | 用于自主车辆中的雷达定位的系统和方法 | |
CN110758399B (zh) | 用于预测实体行为的系统和方法 | |
CN109808688A (zh) | 针对即将到来的变道在自主车辆中调整速度的系统和方法 | |
CN109552211A (zh) | 用于自主车辆中的雷达定位的系统和方法 | |
US20180079422A1 (en) | Active traffic participant | |
CN110341717A (zh) | 在静止车辆周围的自主车辆移动 | |
CN110126825A (zh) | 用于低级别前馈车辆控制策略的系统和方法 | |
US10620637B2 (en) | Systems and methods for detection, classification, and geolocation of traffic objects | |
CN109472986A (zh) | 用于确定交通控制人员和交通控制标志物的存在的系统和方法 | |
US20200070822A1 (en) | Systems and methods for predicting object behavior | |
CN109871009A (zh) | 失效通信模式期间的自主车辆应急转向配置文件 |
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 |