CN110068346B - 用于自主车辆中不受保护的操纵缓解的系统和方法 - Google Patents
用于自主车辆中不受保护的操纵缓解的系统和方法 Download PDFInfo
- Publication number
- CN110068346B CN110068346B CN201910020290.9A CN201910020290A CN110068346B CN 110068346 B CN110068346 B CN 110068346B CN 201910020290 A CN201910020290 A CN 201910020290A CN 110068346 B CN110068346 B CN 110068346B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- graph
- lattice
- solver
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000000116 mitigating effect Effects 0.000 title description 2
- 230000001133 acceleration Effects 0.000 claims description 60
- 230000007704 transition Effects 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 description 36
- 238000004891 communication Methods 0.000 description 35
- 230000015654 memory Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W30/18154—Approaching 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
- 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
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
- B60W40/04—Traffic conditions
-
- 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
-
- 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
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- 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
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Abstract
提供了用于控制车辆的系统和方法。在各个示例中,一种用于车辆的路径规划的方法包括接收和与车辆相关联的环境有关的传感器数据;基于传感器数据来定义车辆的感兴趣区域;基于在多个时间点之一施加于车辆状态的成本函数来定义包括多个节点的图形,该多个节点中的每一个包括车辆状态和相关成本;以及经由处理器基于图形的每个节点的相关成本来执行对图形的搜索以经由图形确定车辆通过感兴趣区域的选定路径,该选定路径最小化总成本。
Description
技术领域
本公开总体上涉及自主车辆,并且更具体地涉及用于自主车辆中的路径规划的系统和方法。
背景技术
自主车辆是能够感测其环境并且以很少或不需要用户输入进行导航的车辆。它通过使用诸如雷达、激光雷达、图像传感器等感测装置来这样做。自主车辆系统进一步使用来自全球定位系统(GPS)技术、导航系统、车对车通信、车辆对基础设施技术和/或线控驱动系统的信息来对车辆进行导航。
虽然近年来自主车辆取得了显著的进步,但是此类车辆仍然可以在许多方面有待改进。例如,自主车辆通常难以快速确定合适的路径(连同目标加速度和速度)来操纵穿过感兴趣区域,同时避开其路径可能在某个预定规划范围内与感兴趣区域相交的障碍物。例如,在采取不受保护左转弯、在并排停放的汽车周围操纵、合并到迎面而来的交通等时,会出现此类情况。
因此,期望提供用于自主车辆中的路径规划的系统和方法。另外,从以下结合附图和前面的技术领域及背景技术进行的详细描述和所附权利要求书中将更清楚地明白本发明的其它理想特征和特性。
发明内容
提供了用于车辆的路径规划的方法和系统。在一个示例中,一种用于车辆的路径规划的方法包括:接收和与车辆相关联的环境有关的传感器数据;基于传感器数据来定义车辆的感兴趣区域;基于在多个时间点之一施加于车辆状态的成本函数来定义包括多个节点的图形,该多个节点中的每一个包括车辆状态和相关成本;以及经由处理器基于图形的每个节点的相关成本来执行对图形的搜索以经由图形确定车辆通过感兴趣区域的选定路径,该选定路径最小化总成本。
同样在一个示例中,该方法包括确定可能与感兴趣区域相交的一个或多个对象的一组预测对象路径;其中定义图形的步骤包括使用可能与感兴趣区域相交的一个或多个对象的该组预测对象路径来定义图形;并且其中成本函数是基于乘员舒适度、能量使用以及车辆与一个或多个对象之间的距离中的至少一个。
同样在一个示例中,定义图形的步骤包括利用时间步长使用车辆在不同的未来时间点的加速度来定义图形,使得基于车辆在时间步长的各个迭代之后的不同时间点的加速度来连接不同的节点。
同样在一个示例中,定义图形的步骤包括定义图形以对于每个节点除了车辆在未来时间点中的一个特定时间点的位置和速度之外还包括包含车辆加速度的对应状态连同与特定状态相关联的成本。
同样在一个示例中,该方法包括从图形中忽略或删除车速小于预定最小阈值速度或大于预定最大阈值速度的任何节点。
同样在一个示例中,定义图形的步骤包括定义图形以对于每个节点除了车辆在未来时间点中的一个特定时间点的位置、速度和加速度之外还包括包含与感兴趣区域中的一个或多个对象的接近度的对应状态连同与特定状态相关联的成本。
同样在一个示例中,车辆是自主车辆,并且该方法还包括经由通过处理器提供的指令来自动实施选定路径以使自主车辆行进通过感兴趣区域。
在另一个示例中,一种用于车辆的路径规划的系统包括感兴趣区域确定模块和图形定义分析模块。感兴趣区域确定模块被配置为至少促进接收和与车辆相关联的环境有关的传感器数据,并且基于传感器数据来定义车辆的感兴趣区域。图形定义分析模块联接到感兴趣区域确定模块,并且被配置为至少促进:基于在多个时间点之一施加于车辆状态的成本函数来定义包括多个节点的图形,该多个节点中的每一个包括车辆状态和相关成本;以及经由处理器基于图形的每个节点的相关成本来执行对图形的搜索以经由图形确定车辆通过感兴趣区域的选定路径,该选定路径最小化总成本。
同样在一个示例中,该系统还包括对象路径确定模块,其被配置为至少促进确定可能与感兴趣区域相交的一个或多个对象的一组预测对象路径;其中图形定义分析模块被配置为至少促进使用可能与感兴趣区域相交的一个或多个对象的该组预测对象路径来定义图形。
同样在一个示例中,图形定义分析模块被配置为至少促进利用时间步长使用车辆在不同的未来时间点的加速度来定义图形,使得基于车辆在时间步长的各个迭代之后的不同时间点的加速度来连接不同的节点。
同样在一个示例中,图形定义分析模块被配置为至少促进定义图形以对于每个节点除了车辆在未来时间点中的一个特定时间点的位置和速度之外还包括车辆加速度的对应状态连同与特定状态相关联的成本。
同样在一个示例中,图形定义分析模块被配置为至少促进从图形中忽略或删除车速小于预定最小阈值速度或大于预定最大阈值速度的任何节点。
同样在一个示例中,图形定义分析模块被配置为至少促进定义图形以对于每个节点除了车辆在未来时间点中的一个特定时间点的位置、速度和加速度之外还包括包含与感兴趣区域中的一个或多个对象的接近度的对应状态连同与特定状态相关联的成本。
同样在一个示例中,车辆是自主车辆,并且图形定义分析模块被配置为至少促进经由通过处理器提供的指令来自动实施选定路径以使自主车辆行进通过感兴趣区域。
在另一个示例中,自主车辆包括至少一个传感器和控制器。至少一个传感器提供传感器数据。控制器被配置为通过处理器基于传感器数据:定义车辆的感兴趣区域;基于在多个时间点之一施加于车辆状态的成本函数来定义包括多个节点的图形,该多个节点中的每一个包括车辆状态和相关成本;基于图形的每个节点的相关成本来执行对图形的搜索以经由图形确定车辆通过感兴趣区域的选定路径,该选定路径最小化总成本;并且自动实施选定路径以使自主车辆通过感兴趣区域。
同样在一个示例中,控制器被配置为确定可能与感兴趣区域相交的一个或多个对象的一组预测对象路径;并且使用可能与感兴趣区域相交的一个或多个对象的该组预测对象路径来定义图形。
同样在一个示例中,控制器被配置为利用时间步长使用车辆在不同的未来时间点的加速度来定义图形,使得基于车辆在时间步长的各个迭代之后的不同时间点的加速度来连接不同的节点。
同样在一个示例中,控制器被配置为定义图形以对于每个节点除了车辆在未来时间点中的一个特定时间点的位置和速度之外还包括车辆加速度的对应状态连同与特定状态相关联的成本。
同样在一个示例中,控制器被配置为从图形中忽略或删除车速小于预定最小阈值速度或大于预定最大阈值速度的任何节点。
同样在一个示例中,控制器被配置为定义图形以对于每个节点除了车辆在未来时间点中的一个特定时间点的位置、速度和加速度之外还包括包含与感兴趣区域中的一个或多个对象的接近度的对应状态连同与特定状态相关联的成本。
附图说明
下文将结合以下附图描述示例性实施例,其中相同标号表示相同元件,且其中:
图1是示出根据各个实施例的包括路径规划系统的自主车辆的功能框图;
图2是示出根据各个实施例的具有如图1中所示的一台或多台自主车辆的运输系统的功能框图;
图3是示出根据各个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是示出根据各个实施例的自主车辆的路径规划系统的数据流程图;
图5是示出根据各个实施例的用于在面对操纵时控制自主车辆的基于点阵的控制方法的流程图;
图6是用于理解根据各个实施例的系统和方法的十字路口的俯视图;
图7示出了根据各个实施例的对应于图6中所示的十字路口的感兴趣区域;
图8和9呈现了根据各个实施例的附加场景和感兴趣区域;以及
图10示出了根据各个实施例的与基于点阵的控制方法(诸如图5的基于点阵的控制方法)结合使用的示例性点阵。
具体实施方式
具体实施方式本质上仅仅是示例性的,而不旨在限制应用和用途。另外,不存在被任何前述的技术领域、背景技术、发明内容或具体实施方式中提出的任何明确的或暗示的理论约束的意图。如本文所使用,术语“模块”是指单独地或呈任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置,包括但不限于: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、专用或成组)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/或提供所述功能性的其它合适部件。
本公开的实施例在本文可以依据功能和/或逻辑块部件和各个处理步骤来描述。应当明白的是,这些块部件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现。例如,本公开的实施例可以采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、查找表等,其可以在一个或多个微处理器或其它控制装置的控制下执行多种功能)。另外,本领域技术人员将明白的是,本公开的实施例可以结合任何数量的系统来实践,并且本文所述的系统仅仅是本公开的示例性实施例。
为了简明起见,本文可以不详细描述与信号处理、数据传输、信令、控制、机器学习模型、雷达、激光雷达、图像分析以及该系统(和该系统的单独操作部件)的其它功能方面有关的常规技术。另外,本文所包括的各个图式中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意的是,在本公开的实施例中可以存在许多替代或附加的功能关系或物理连接。
参考图1,根据各个实施例,总体上示为100的路径规划系统与车辆(“AV”)10相关联。通常,路径规划系统(或简称“系统”)100允许通过组合多个路径规划系统的输出来选择AV10的路径。在各个实施例中,路径规划系统100采用基于点阵的图形,该图形是基于例如离散化的加速度值或其它值。
如图1中所描绘,车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14被布置在底盘12上并且基本上包围车辆10的部件。车身14和底盘12可以共同形成车架。车轮16到18各自在车身14的相应拐角附近旋转地联接到底盘12。
在各个实施例中,车辆10是自主车辆,并且路径规划系统100被结合到自主车辆10(在下文中被称为自主车辆10)中。自主车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。在所示的实施例中,车辆10被描绘为乘用车,但是应当明白的是,也可以使用包括摩托车、卡车、运动型多用途车辆(SUV)、休闲车辆(RV)、船舶、飞行器等任何其它车辆。
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”标准分类的自动驾驶等级下的四级或五级自动化系统。使用该术语,四级系统指示“高度自动化”,其指代自动驾驶系统执行动态驾驶任务的所有方面的驾驶模式,即使人类驾驶员对干预请求没有做出适当响应。另一方面,五级系统指示“全自动化”,其指代自动驾驶系统在可由人类驾驶员管理的所有道路和环境状况下在动态驾驶任务的所有方面的全面性能的驾驶模式。然而,应当明白的是,根据本主题的实施例不限于自动化类别的任何特定的分类学或标题。另外,根据本实施例的系统可以与其中可以实施本主题的任何车辆结合使用,而不管该车辆的自主权级别为何。
如所示,自主车辆10通常包括推进系统20、变速器系统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以及通信系统36。推进系统20在各个实施例中可以包括内燃机、诸如牵引电动机等电机和/或燃料电池推进系统。变速器系统22被配置为根据可选速比将来自推进系统20的动力传输到车轮16和18。根据各个实施例,变速器系统22可以包括分级传动比自动变速器、无级变速器或其它适当的变速器。
制动系统26被配置为向车轮16和18提供制动转矩。在各个实施例中,制动系统26可以包括摩擦制动器、线控制动器、诸如电机等再生制动系统,和/或其它适当的制动系统。
转向系统24影响车轮16和/或18的位置。虽然为了说明目的而被描绘为包括方向盘25,但是在本公开的范围内预期的一些实施例中,转向系统24可以不包括方向盘。
传感器系统28包括感测自主车辆10的外部环境和/或内部环境的可观察状况(诸如一个或多个乘员的状态)的一个或多个感测装置40a到40n。感测装置40a到40n可以包括但不限于雷达(例如,远程、中程-短程)、激光雷达、全球定位系统、光学相机(例如,前视、360度、后视、侧视、立体等)、热(例如,红外)相机、超声波传感器、测距传感器(例如,编码器)和/或可以结合根据本主题的系统和方法利用的其它传感器。
致动器系统30包括一个或多个致动器装置42a到42n,其控制一个或多个车辆特征,诸如但不限于推进系统20、变速器系统22、转向系统24以及制动系统26。在各个实施例中,自主车辆10还可以包括图1中未示出的内部和/或外部车辆特征,诸如各种门、行李箱以及诸如无线电、音乐、照明、触摸屏显示部件(诸如与导航系统连接中所使用的部件)等驾驶室特征。
数据存储装置32存储用于自动控制自主车辆10的数据。在各个实施例中,数据存储装置32存储定义的可导航环境地图。在各个实施例中,定义地图可以由远程系统预定义(关于2进一步详细描述)并且从远程系统获取。例如,定义地图可以由远程系统组装并且(以无线方式和/或以有线方式)传送到自主车辆10并存储在数据存储装置32中。路线信息也可以被存储在数据存储装置32内-即,一组路段(在地理上与一个或多个定义地图相关联),其一起定义了用户可以从起始位置(例如,用户的当前位置)行驶到目标位置所采取的路线。如将明白的是,数据存储装置32可以为控制器34的一部分,与控制器34分开,或作为控制器34的一部分以及单独系统的一部分。
控制器34包括至少一个处理器44和计算机可读存储装置或介质46。处理器44可以为任何定制的或商业上可用的处理器、中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)(例如,实施神经网络的定制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(呈微芯片或芯片集的形式)、它们的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可以包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储装置。KAM是一种持久或非易失性存储器,其可以在处理器44断电时用于存储各种操作变量。计算机可读存储装置或介质46可以使用诸如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪速存储器或能够存储数据的任何其它电动、磁性、光学或组合存储器装置的许多已知存储器中的任何一种来实施,其中的一些数据表示由控制器34用于控制自主车辆10的可执行指令。在各个实施例中,控制器34被配置为实施如下面详细讨论的路径规划系统。
指令可以包括一个或多个单独的程序,每个程序包括用于实施逻辑功能的可执行指令的有序列表。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,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,并且产生控制信号,其被传输到致动器系统30以基于逻辑、计算、方法和/或算法来自动地控制自主车辆10的部件。虽然图1中仅示出了一个控制器34,但是自主车辆10的实施例可以包括通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号、执行逻辑、计算、方法和/或算法并且产生控制信号以自动控制自主车辆10的特征的任意数量的控制器34。
通信系统36被配置为向和从其它实体48(诸如但不限于其它车辆(“V2V”通信)、基础设施(“V2I”通信)、网络(“V2N”通信)、行人(“V2P”通信)、远程运输系统和/或用户装置(关于图2更详细描述)无线地传送信息。在示例性实施例中,通信系统36是被配置为经由使用IEEE802.11标准的无线局域网(WLAN)或通过使用蜂窝数据通信来进行通信的无线通信系统。然而,诸如专用短程通信(DSRC)信道等附加或替代通信方法也被认为在本公开的范围内。DSRC信道是指专门为汽车使用以及对应的一组协议和标准而设计的单向或双向短程到中程无线通信信道。
现在参考图2,在各个实施例中,关于图1描述的自主车辆10可以适用于在某个地理区域(例如,城市、学校或商业园区、购物中心、游乐园,活动中心等)的出租车或班车系统的背景下或可以只需由远程系统管理。例如,自主车辆10可以与基于自主车辆的远程运输系统相关联。图2说明了总体上以50示出的操作环境的示例性实施例,该操作环境包括基于自主车辆的远程运输系统(或简称为“远程运输系统”)52,其与关于图1所描述的一台或多台自主车辆10a到10n相关联。在各个实施例中,操作环境50(其全部或部分可对应于图1中所示的实体48)进一步包括经由通信网络56与自主车辆10和/或远程运输系统52进行通信的一个或多个用户装置54。
通信网络56根据需要支持在由操作环境50支持的装置、系统和部件之间(例如,经由有形的通信链路和/或无线通信链路)的通信。例如,通信网络56可以包括无线载波系统60,诸如蜂窝电话系统,其包括多个蜂窝塔(未示出)、一个或多个移动交换中心(MSC)(未示出)以及将无线载波系统60与陆地通信系统连接所需要的任何其它联网部件。每个蜂窝塔都包括发送和接收天线以及基站,其中来自不同蜂窝塔的基站直接或经由诸如基站控制器等中间设备连接到MSC。无线载波系统60可以实施任何合适的通信技术,包括(例如)诸如CDMA(例如,CDMA2000)、LTE(例如,4G LTE或5G LTE)、GSM/GPRS或其它当前或正涌现的无线技术等数字技术。其它蜂窝/基站/MSC布置是可能的并且可以结合无线载波系统60使用。例如,基站和蜂窝可以共同位于相同站点处或它们可以远离彼此,每个基站可以负责单个蜂窝或单个基站可以服务于各个蜂窝,且各个基站可以联接到单个MSC,这里仅列举几种可能布置。
除包括无线载波系统60外,可以包括呈卫星通信系统64的形式的第二无线载波系统来提供与自主车辆10a到10n进行的单向或双向通信。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。单向通信可以包括(例如)卫星无线电服务,其中节目内容(新闻、音乐等)是由传输站接收、封装上传并且然后发送到卫星,从而向用户广播该节目。双向通信可以包括(例如)使用卫星以在车辆10与站之间中继电话通信的卫星电话服务。除了或代替无线载波系统60,可以利用卫星电话。
可以进一步包括陆地通信系统62,其为连接到一个或多个陆线电话的常规陆基电信网络并且将无线载波系统60连接到远程运输系统52。例如,陆地通信系统62可以包括诸如用于提供硬接线电话、分组交换数据通信和因特网基础设施的公共交换电话网(PSTN)。一段或多段陆地通信系统62可以通过使用标准有线网络、光纤或其它光学网络、电缆网络、电力线、其它无线网络(诸如无线局域网(WLAN))或提供宽带无线接入(BWA)的网络或其任何组合来实施。另外,远程运输系统52不需要经由陆地通信系统62连接,反而可以包括无线电话设备使得其可以直接与无线网络(诸如无线载波系统60)通信。
虽然在图2中仅示出了一个用户装置54,但是操作环境50的实施例可以支持任意数量的用户装置54,包括由一个人拥有、操作或以其它方式使用的多个用户装置54。由操作环境50支持的每个用户装置54可以使用任何合适的硬件平台来实施。在这方面,用户装置54可以任何常见外形规格来实现,包括但不限于:台式计算机;移动计算机(例如,平板计算机、膝上型计算机或上网本计算机);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;数码相机或视频摄影机;可穿戴计算装置(例如,智能手表、智能眼镜、智能服装);等等。由操作环境50支持的每个用户装置54被实现为具有执行本文描述的各种技术和方法所需的硬件、软件、固件和/或处理逻辑的计算机实施的或基于计算机的装置。例如,用户装置54包括可编程装置形式的微处理器,该微处理器包括存储在内部存储器结构中并且被施加来接收二进制输入以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包括能够接收GPS卫星信号并且基于那些信号产生GPS坐标的GPS模块。在其它实施例中,用户装置54包括蜂窝通信功能性使得该装置通过通信网络56使用一个或多个蜂窝通信协议(如本文所讨论)执行语音和/或数据通信。在各个实施例中,用户装置54包括可视显示器,诸如触摸屏图形显示器或其它显示器。
远程运输系统52包括一个或多个后端服务器系统(未示出),该后端服务器系统可以为基于云的、基于网络的或常驻在由远程运输系统52服务的特定校园或地理位置。远程运输系统52可以由现场顾问、自动顾问、人工智能系统或它们的组合来人工操作。远程运输系统52可以与用户装置54和自主车辆10a到10n进行通信以安排乘车、派遣自主车辆10a到10n等。在各个实施例中,远程运输系统52存储诸如用户认证信息、车辆标识符、简档记录、生物测量数据、行为模式以及其它相关用户信息等账户信息。
根据典型的用例工作流程,远程运输系统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希望的乘车位置(或当前GPS位置)、期望目的地位置(其可以表示预定义的车辆停靠站和/或用户指定的乘客目的地)以及乘车时间。远程运输系统52接收乘车请求、处理该请求,并且在指定的乘车地点且在适当的时间派遣自主车辆10a到10n中的选定车辆来让乘客乘车(当一台车辆可用时和如果一台车辆可用)。运输系统52还可以向用户装置54产生并发送适当配置的确认消息或通知,以使乘客知道车辆正在途中。
如可以明白的是,本文公开的主题提供了可以被认为是标准或基线的自主车辆10和/或基于自主车辆的远程运输系统52的某些增强的特征和功能。为此,自主车辆和基于自主车辆的远程运输系统可以被修改、增强或以其它方式补充以提供下面更详细描述的附加特征。
根据各个实施例,控制器34实施如图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)来提供与车辆10结合使用的自主驾驶系统70。
在各个实施例中,自主驾驶系统70的指令可以由功能或系统组织。例如,如图3中所示,自主驾驶系统70可以包括感知系统74、定位系统76、引导系统78以及车辆控制系统80。如可以明白的是,在各个实施例中,由于本公开不限于本示例,所以可以将指令组织(例如,组合、进一步划分等)为任何数量的系统。
在各个实施例中,感知系统74包括计算机视觉系统(并且在各个实施例中,一个或多个激光雷达、雷达和/或其它系统),并且合成和处理传感器数据并预测对象的存在、位置、分类和/或路径以及车辆10的环境的特征。在各个实施例中,计算机视觉系统74可以结合来自多个传感器(例如,传感器系统28)(包括但不限于相机、激光雷达、雷达和/或任何数量的其它类型的传感器)的信息。
定位系统76处理传感器数据以及其它数据以确定车辆10相对于环境的位置(例如,相对于地图的本地位置、相对于道路车道的精确位置、车辆航向等)。如可以明白的是,可以采用各种技术来实现这种定位,包括例如同时定位和映射(SLAM)、粒子滤波器、卡尔曼滤波器、贝叶斯滤波器等。
引导系统78处理传感器数据以及其它数据以确定车辆10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。
在各个实施例中,控制器34实施机器学习技术以辅助控制器34的功能,诸如特征检测/分类、障碍减少、路线穿越、映射、传感器集成、地面实况确定等。
应当理解的是,根据本公开的路径规划系统100的各个实施例可以包括嵌入在控制器34内的任何数量的附加子模块,其可以被组合和/或进一步划分以类似地实施本文所述的系统和方法。另外,路径规划系统100的输入可以从传感器系统28接收,从与自主车辆10相关联的其它控制模块(未示出)接收,从通信系统36接收,和/或由图1的控制器34内的其它子模块(未示出)确定/建模。另外,输入还可以进行预处理,诸如子采样、降噪、归一化、特征提取、丢失数据还原等。
在各个实施例中,路径规划系统100的全部或部分可以包括在计算机视觉系统74、定位系统76、引导系统78和/或车辆控制系统80内。如上面简要提到的,图1的路径规划系统100被配置为通过在多个路径规划模块的输出之间进行选择来为AV10选择路径。
参考图4,示例性路径规划系统通常包括基于点阵的求解器模块(或简称为“求解器模块”)420,其将传感器数据401(例如,数码相机数据、激光雷达数据、雷达数据等)作为其输入并产生指定选定路径的输出461。选定路径被定义通过感兴趣区域,避开移动对象(例如,其它车辆),该移动对象的路径可能在某个预定时间间隔期间(例如,“规划范围”)与感兴趣区域相交。
如在整个本申请中所使用的,在各个实施例中,“路径”是指AV10可以行进的可能路径、候选路径或可能路径的晶种。在某些实施例中,“路径”包括至少部分地基于AV10和/或路径附近的潜在对象的AV10行进的晶种和/或粗略和/或初步可能路径,以在实施AV10的移动之前通过AV10的路径规划系统来进一步细化。因此,在各个实施例中,本文提到的“路径”可以不由控制系统直接实现。相反,在各个实施例中,例如通过过滤预测路径并做出让步决策以细化并实施为更大的计算机控制系统的一部分,“路径”用于识别哪些障碍物应被视为“前方”或“后方”障碍物(即,AV10应在哪些障碍物前方或后方行进)。在各个实施例中,该确定由粒状纵向规划系统使用(例如,在某些实施例中,基于使用二次规划的模型预测控制算法,其可以是AV10的一个或多个其它系统的一部分)。在各个实施例中,这是因为点阵求解器的输出可能不是非常精确;它用于简化问题,使得其它部件可以更容易地选择并实现最佳路径。
根据各个实施例,求解器模块420包括感兴趣区域确定模块430、对象路径确定模块440、AV状态确定模块450,以及图形定义分析模块460。
模块430通常被配置为基于传感器数据401来定义或帮助定义感兴趣区域和车辆的预期路径(产生初步输出431)。模块440通常被配置为确定可能在规划范围(例如,预定时间长度)内与感兴趣区域相交的一个或多个对象的一组预测路径(产生初步输出441)。模块450通常被配置为确定AV10相对于感兴趣区域的状态(例如,包括AV10的位置、速度和加速度)(产生初步输出451)。模块460通常被配置为基于未来状态(例如,位置、速度和加速度)的点阵连同成本函数来构建有向图,以确定选定路径461,其基本上最小化成本函数(产生用于基于点阵的求解器模块420的上述提到的输出461)。
在各个实施例中,基于点阵的求解器模块420的输出461可以采用各种形式,但是通常根据可能通常由图3的引导系统78产生的类型的位置、速度和加速度时间将路径指定为时间函数。即,结合AV10的动作使用的术语“路径”除了作为时间函数的位置信息之外通常还包括将完成预期操纵的一系列规划加速度、制动事件等。基于点阵的求解器模块420在本文中也可以通过简写短语“点阵求解器模块”来表示。
上述一个或多个模块(例如,模块420、430、440、450和460)可以被实施为受到监督、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)、回归、聚类、降维和/或此类任务的一个或多个机器学习模型。此类模型的示例包括但不限于人员工神经网络(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))、集合学习模型(诸如增强、自举聚合、梯度推进机和随机森林)、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、层次聚类等)以及线性判别分析模型。在一些实施例中,结合到模块420中的任何模型的训练可以在远离车辆10的系统(例如,图2中的系统52)内进行,并且随后下载到车辆10以在车辆10的正常操作期间使用。在其它实施例中,训练至少部分地在车辆10本身的控制器34内发生,并且该模型随后为车队中的外部系统和/或其它车辆共享(例如图2中所描绘)。另外,在某些实施例中,一个或多个模块可以实施利用启发式方法进行路径规划和约束处理的点阵求解器。
现在参考图5,并继续参考图1至4,所示流程图提供了用于使用基于点阵的求解器规划车辆(例如,自主车辆)通过感兴趣区域的路径并且可以由路径规划系统100(例如,根据本公开的模块420)执行的控制方法500。如根据本公开可以明白的,该方法内的操作顺序不限于如附图中所示的顺序执行,而是可以根据适用并根据本公开以一个或多个变化的顺序执行。在各个实施例中,该方法可以被安排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。
在各个实施例中,该方法开始于502,其中确定“感兴趣区域”和AV10的预期路径。通常,短语“感兴趣区域”是指AV10预期在近期内(例如,在某个预定时间间隔内或“规划范围内”)穿过的任何封闭空间区域(例如,道路、十字路口等)。该区域可以例如由图3的引导系统78结合图4的模块430来确定并且可以各种不同的方式指定。例如,感兴趣区域可以被定义为多边形、曲线闭合曲线或任何其它闭合形状。在一些实施例中,感兴趣区域的“宽度”(即,在垂直于AV10在感兴趣区域内的预期移动的方向上)等于AV10的宽度加上一些预定余量或缓冲距离(例如,图7中的缓冲距离11)。在一个实施方案中,感兴趣区域涉及到AV执行左转或右转通过十字路口;然而,这可以在其它实施例中变化。应当理解的是,感兴趣区域和预期路径的本质将根据针对AV10规划的背景和操纵(例如,不受保护左转、与交通合并、进入迎面而来的交通、在并排停放的汽车周围操纵、在左边超过一辆慢车等等)而变化。
图6描绘了促进理解本主题的示例性场景。如所示,AV10具有与在十字路口600处不受保护左转到车道621对应的预期路径610。同样在图6中示出了可能与决定AV10是否和/或如何完成其转弯以及其在该转弯期间的目标和加速度和速度相关的多台车辆(或“障碍物”)例如,AV10可以观察到迎面而来的车辆601,其轨迹指示其预期穿过十字路口600并且在车道622中继续;和另一台车辆602,其轨迹指示其预期右转进入作为AV10的目标的同一车道621。该场景中的感兴趣区域是AV10将在后续路径610中可能遍历的区域(或车道)。在这方面,图7描绘了图6的简化版本,其隔离了所示场景的某些特征,即,与AV10左转时其预期路径703对应的感兴趣区域702以及分别车辆601和602的路径611和612。在某些实施例中,图7的感兴趣区域702根据如上文结合图2所讨论的过程500的步骤502(例如,通过图3的引导系统78结合图4的模块430)来确定。在某些实施例中,图7的感兴趣区域702基于车辆10进行左转弯的预期行进路径来确定,该预期行进路径包括沿路径的AV10的宽度和围绕AV10的宽度的缓冲区域。如上所述,虽然感兴趣区域702在图7中被示为多边形,但是本实施例不限于此类表示。
此外,应当明白的是,本系统和方法不限于如图6中所描绘的不受保护左转场景,并且可以在AV10在需要考虑附近的移动对象(例如,其它车辆)的感兴趣区域内具有预期路径的任何环境中采用。暂时参考图8,例如考虑到迎面而来的车辆1421和1422,AV10在尝试从车道1401进入车道1402时具有通过感兴趣区域1461的预期路径1451的情况下可以使用根据各个实施例的系统。图9示出了其中AV10具有预期路径1452的另一个示例,考虑到迎面而来的车辆1424,该预期路径使车辆通过并排停靠的车辆1423周围的感兴趣区域1462。如所示,路径1452将AV10从车道1403到车道1404,并返回到车道1403。
再次参考图5,在各个实施例中,在504处确定AV10和/或感兴趣区域的当前状态。在各个实施例中,AV10的当前状态包括时间值(例如,相对于当前时间点的未来时间点)连同AV10相对于感兴趣区域502的预期相对位置、速度和加速度,连同其它车辆和其附近的其它对象的预测位置。同样在各个实施例中,经由图4的AV状态确定模块450例如基于来自图1的传感器系统28的传感器数据来确定AV10的当前状态。
同样在各个实施例中,在506处,在某个预定时间间隔或“规划范围”内(例如,经由图4的对象路径确定模块440)确定可能与感兴趣区域相交(并通过AV10使用传感器系统28跟踪)的对象(或“障碍物”)的预测路径。在各个实施例中,这些确定可以考虑例如附近对象的位置、速度、加速度、姿态、尺寸和任何其它相关属性,以及感兴趣区域的位置、尺寸和几何形状以及规划范围。
在各个实施例中,可以采用车辆感知系统(例如,可以包括图3的计算机视觉系统74,以及利用雷达、激光雷达和/或其它数据的系统)来确定哪些对象(如果有的话)可能与规划范围内的感兴趣区域相交。在这方面,规划范围时间间隔可以根据许多因素而变化,但是在一个实施例中,在大约10至20秒之间,诸如15秒。然而,可能的实施例的范围不限于此。再次参考图7中描绘的示例,可以看出路径611和612(分别在661和662处)与感兴趣区域702相交。
同样在各个实施例中,在506处定义未来状态的点阵。在各个实施例中,图4的图形定义分析模块460(例如,使用一个或多个处理器,诸如图4的处理器44)定义AV10和/或感兴趣区域在相对于当前时间的各种未来时间点的未来状态的点阵。在各个实施例中,点阵包括图10中描绘并且在下面结合图10进一步描述的点阵求解器图形1500的节点。例如,在各个实施例中,点阵的每个节点表示时间值连同AV10和/或感兴趣区域在与时间值相关联的未来时间点的对应状态的参数值。在各个实施例中,类似于上面的讨论,参数值对于每个特定时间点包括AV10相对于感兴趣区域的预期相对位置和速度,连同其它车辆和其附近的其它对象的预测位置。同样在某些实施例中,AV10的加速度的特征在于状态之间的转换。在某些实施例中,有向图由系统的特定部件一次全部计算。在各种其它实施例中,有向图可以一种或多种不同方式构建。例如,在某些实施例中,根据状态可以如何演变的规范,有向图可以由图形搜索算法(Dijkstra或A*)“惰性地”或“按需”构建。
另外,在各个实施例中,在508处产生有向图,其对应于506的定义点阵。在各个实施例中,有向图基于上述参数和/或AV10的加速度连接在506中定义的点阵的各个节点。同样在各个实施例中,点阵求解器图形包括多个连接的节点,其中第一节点表示当前时间和当前状态,并且每个后续节点取决于一个或多个先前节点。同样在各个实施例中,有向图包括基于相对于各种节点和/或转换中的每一个的感兴趣区域针对AV10的相应状态和/或其间的转换(例如,AV10加速度)施加的成本函数的各种节点和/或其间的转换的各种相关成本。在某些实施例中,成本函数仅施加于节点本身。在其它实施例中,成本函数被施加于状态节点以及状态节点之间的转换(例如,包括AV10加速度)。例如,在某些实施例中,AV10可能在两个离散时间步长之间的时间接触其它车辆和/或其它对象。例如,快速移动车辆可以被预测在t=0.25时穿过AV的路径,但是在t=0.0时遥遥领先AV并且在t=0.5时远远超过AV,等等。因此,在各个实施例中,成本函数被施加于状态节点以及其间的转换。在各个实施例中,图4的图形定义分析模块460(例如,使用一个或多个处理器,诸如图4的处理器44)产生AV10的有向图。
参考图10,根据示例性实施例,描绘了示例性点阵求解器图形1500(包括506的未来状态的点阵和连接508的点阵的各种状态的有向图)。在各个实施例中,点阵求解器图形1500利用启发式方法来进行路径规划和约束处理。另外,在各个实施例中,在AV10运转时动态地“实时”产生点阵求解器图形1500。在某些实施例中,可以在规划问题的约束内预先产生点阵求解器图形1500(例如,利用定义“规划范围”的可能的离散行进和时间限制)。然而,在各个实施例中,这样的预计算可能不是经由点阵求解器图形1500正确且快速地解决问题所必需的。如图10中所描绘,根据各个实施例,点阵求解器图形1500包括表示AV10的初始状态的第一节点1501,连同用于AV10在各种不同场景下在各种不同的未来时间点的各种未来状态的各种后续节点1511至1548。同样在各个实施例中,点阵求解器图形1500对应于如上所述的点阵和有向图。
同样在各个实施例中,后续节点1511至1548中的每一个具有与其相关联的成本,如经由施加成本函数和与各个节点相关联并相对于节点之间的转换的相应状态来确定的。例如,在各个实施例中,与每个节点(和/或节点之间的转换)相关联的分配成本可以是整数、实数或将允许比较不同节点和对应路径的任何其它数量测度。在各个实施例中,成本函数为每个特定节点(和/或节点之间的转换)产生成本数,该成本数是基于成本函数,该成本函数施加于与AV10相对于感兴趣区域的状态有关的特定节点的各种因素。同样在各个实施例中,成本函数也施加于各个节点之间的转换,并且至少部分地基于乘员舒适度、能量和AV10与一个或多个对象之间的距离以及其它可能的因素。例如,在各个实施例中,此类因素可以包括但不限于:另一台车辆或其它对象是否可能接触AV10(在接触的情况下成本相对较高);另一台车辆或其它对象是否可能与AV10的路径相交,诸如需要规避操纵(与这种操纵相关联的成本相对较高,但是可能小于接触本身的成本);另一台车辆或其它对象是否可能足够接近接触AV10,诸如可能使AV10的乘客不舒适(与这种操纵相关联的成本同样相对较高,但是可能小于接触本身的成本);AV10接触或几乎接触的对象类型(例如,与其它车辆或其它对象相比,与行人或骑行者几乎接触的成本相对较高);一个或多个其它乘员舒适测度(例如,与较高加速度、速度和/或加加速度水平相关联的相对较高成本);能源使用(例如,在其它条件相同时,能源使用量越高,成本就相对越高);是否以及在何种程度上到达了感兴趣区域的终点(例如,在其它条件相同时,到达感兴趣区域的终点的持续时间越长,成本就相对越高);等等。在某些实施例中,各个节点的相应成本基于成本函数被确定为在AV10的操作期间在上面结合图5的过程500描述的步骤508期间产生有向图的一部分。同样在某些实施例中,成本函数是预定的(例如,在AV10的制造和/或编程期间)并且预先存储在AV10的存储器(例如,图1的计算机可读存储装置或介质46)中。在某些实施例中,相应成本可以使用与AV10或AV10周围的条件变化(例如,当AV10运转时和/或当AV10遇到道路、交通、速度、加速度、方向、天气、障碍物等的变化时)相同的成本函数来改变。同样在某些实施例中,可以不时地(例如,在AV10的维修期间)更新成本函数,并且可以将成本函数重新存储在AV10的存储器中。
在各个实施例中,第一节点1501包括初始状态,该初始状态包括相对于感兴趣区域的初始位置,以及AV10相对于感兴趣区域的速度。在各个实施例中,第一节点1501与方法500的开始或起始时间(称为时间零(或t0))相关联。从第一节点1501开始,点阵求解器图形1500最初基于AV10的加速度在三个方向1571、1572或1573之一方向上进行。
如果AV10正在减速(即,如果AV10的加速度在时间零小于零),则点阵求解器图形1500在第一方向1571上前进以到达节点1511。具体地,在各个实施例中,节点1511指代AV10在方法500期间的第一后续时间点(称为时间一)的状态。在各个实施例中,时间一(t1)对应于紧接在时间零之后,即,在时间步长之后的时间点。在某些实施方案中,时间步长可以等于大约0.5秒;然而,这可以在其它实施例中变化。
因此,在各个实施例中,节点1511包括AV10的状态。在各个实施例中,在节点1511处表示的AV10的状态包括AV10相对于感兴趣区域的相对位置和速度,并且包括关于任何其它检测到的车辆或其它对象的信息,包括AV10相对于其它车辆或其它对象的接近度,以及相关参数(例如,另一台车辆或其它对象是否可能接触AV10;另一台车辆或其它对象是否可能与AV10的路径相交,诸如需要规避操纵;另一台车辆或其它对象是否可能足够接近接触AV10、能源使用量、与感兴趣区域的终点的接近度等)。另外,在各个实施例中,节点1511包括基于向节点1511处表示的AV10状态施加成本函数的成本。在某些实施例中,与节点1511相关联的成本可以相对较低,例如具有相对平滑的减速度,并且假设AV10与任何其它车辆或其它对象之间存在足够的距离。同样在各个实施例中,节点1511与一个或多个其它节点之间的转换可以包括AV10的加速度以及转换的相关成本。
再次参考第一节点1501,如果AV10既不加速也不减速(或者,在某些实施例中,如果加速度或减速度是最小的,或小于预定阈值),则点阵求解器图形1500在第二方向1572前进到达节点1512。具体地,在各个实施例中,节点1512指代AV10在上述提到的时间一(t1)的另一个状态。
因此,在各个实施例中,节点1512包括在不同场景下AV10在时间一(t1)的状态,其中不存在(或最小)加速度或减速度。在各个实施例中,在节点1512处表示的AV的状态包括AV10相对于感兴趣区域的相对位置和速度,连同上面关于节点1511讨论的其它相关参数。同样类似于上述讨论,在各个实施例中,节点1512包括基于向节点1512处表示的AV10状态施加成本函数的成本。在某些实施例中,与节点1512相关联的成本可以相对较低,例如加速度很小或没有加速度,并且假设AV10与任何其它车辆或其它对象之间存在足够的距离。同样在各个实施例中,节点1512与一个或多个其它节点之间的转换可以包括AV10的加速度以及转换的相关成本。
再次参考第一节点1501,如果AV10正在加速(或者,在某些实施例中,如果加速度大于预定阈值,诸如可能引起AV10的乘客不舒适),则点阵求解器图形1500在第三方向1573上前进到达节点1513。具体地,在各个实施例中,节点1513指代AV10在上述提到的时间一(t1)的另一个状态。
因此,在各个实施例中,节点1513包括在不同场景下AV10在时间一(t1)的状态,其中存在加速度(例如,大于预定阈值的加速度)。在各个实施例中,在节点1513处表示的AV10的状态包括AV10相对于感兴趣区域的相对位置和速度,连同上面关于节点1511讨论的其它相关参数。同样类似于上述讨论,在各个实施例中,节点1513包括基于向节点1513处表示的AV10状态施加成本函数的成本。在某些实施例中,与节点1513相关联的成本可以具有中等幅度(例如,由于潜在的乘客不舒适而大于1511和1512的成本,该乘客不舒适可能与AV10的相对较大的加速度相关联,但是小于例如其中另一台车辆或其它对象可以与AV10接触的其它状态,等等)。同样在各个实施例中,节点1513与一个或多个其它节点之间的转换可以包括AV10的加速度以及转换的相关成本。
同样在各个实施例中,对于每个相应节点1511、1512和1513,点阵求解器图形1500使用三个方向1571、1572或1573之一方向基于AV10在与相应节点1511、1512或1513相关联的时间点的加速度到达下一个相应节点。具体地,在时间二(t2)到达节点1521至1525之一,例如对应于经过等于从时间一开始的时间步长的时间。例如,如上面所讨论,在某些实施例中,时间步长可以的大约等于0.5秒;然而,这可以在其它实施例中变化。
具体地,在各个实施例中,从节点1511开始,对于时间二(t2):如果AV10正在减速,则点阵求解器图形1500前进到(i)节点1521;(ii)如果AV10既不加速或减速(或者,例如加速小于预定阈值),则前进到节点1522;或者(iii)如果AV10正在加速(例如,大于预定值),则前进到节点1523。
类似地,在各个实施例中,从节点1512开始,对于时间二(t2):如果AV10正在减速,则点阵求解器图形前进到(i)节点1522;(ii)如果AV10既不加速或减速(或者,例如加速小于预定阈值),则前进到节点1523;或者(iii)如果AV10正在加速(例如,大于预定值),则前进到节点1524。
同样,在各个实施例中,从节点1513开始,对于时间二(t2):如果AV10正在减速,则点阵求解器图形前进到(i)节点1523;(ii)如果AV10既不加速或减速(或者,例如加速小于预定阈值),则前进到节点1524;或者(iii)如果AV10正在加速(例如,大于预定值),则前进到节点1525。
对于时间二(t2)的节点1521至1525中的每一个,每个节点包括AV10的不同的相应状态,其包括AV10相对于感兴趣区域的相对位置和速度,连同上面针对每个节点讨论的其它相关参数。同样在各个实施例中,节点1521至1525中的每一个类似地包括基于向在相应节点处表示的AV10状态施加成本函数的相应成本。在某些实施例中,并且在某些情况下:(i)与节点1521相关联的成本可能相对较低(例如,没有加速度,并且距对象的距离合理);(ii)与节点1522和1523相关联的成本可能非常高(例如,表示可能与另一台车辆或对象接触);(iii)与节点1524和1525相关联的成本可以是中等的(例如,作为示例,由于显著加速而具有一些可能的不舒适,但是成本比与与另一台车辆接触的成本低)。当然,各个节点的相应成本可以在不同实施例中变化,并且还可以在每个不同实施例中可能遇到的各种不同场景中变化,等等。同样在各个实施例中,节点1521至1525与一个或多个其它节点之间的转换可以包括AV10的加速度以及转换的相关成本。
类似地,对于时间三(t3),点阵求解器图形1500朝向节点1531至1537之一前进,这取决于在时间二(t2)占据的节点以及AV10在此时的加速度或减速度。
如关于时间三(t3)的节点1531至1537所示,在各个实施例中,在任何特定时间点,点阵求解器图形1500将有效地删除或忽略对应于AV10的相应速度小于第一预定阈值或大于第二预定阈值的任何节点。例如,在各个实施例中,点阵求解器图形1500将有效地删除或忽略AV10的相应速度小于零或大于AV10的最大速度限制的任何节点。在某些实施例中,对于AV10的安全和可靠操作,AV10的最大速度限制对应于AV10在任何情况下的最大速度,而不管道路如何。在某些其它实施例中,AV10的最大速度属于AV10行进的道路的最大速度限制。
例如,继续参考时间三(t3)的节点1531至1537,节点1531从点阵求解器图形1500中有效地删除或忽略作为其中AV10的速度小于零的节点的第一组1581的一部分。同样作为示例,节点1537从点阵求解器图形1500中有效地忽略或删除作为其中AV10的速度大于AV10的最大速度的节点的第二组1582的一部分。例如,通过有效地忽略或删除此类节点,可以增加点阵求解器图形1500的计算速度和/或效率。
对于在点阵求解器图形1500正考虑的时间三(t3)的节点1532至1536中的每一个,每个节点包括AV10的不同的相应状态,其包括AV10相对于感兴趣区域的相对位置和速度,连同上面针对每个节点讨论的其它相关参数。同样在各个实施例中,节点1532至1536中的每一个类似地包括基于向在相应节点处表示的AV10状态施加成本函数的相应成本。在某些实施例中,并且在某些情况下:(i)与节点1533和1534相关联的成本可能相对较低(例如,没有加速度,并且距对象的距离合理);(iii)与节点1535和1536相关联的成本可以是中等的(例如,作为示例,由于显著加速而具有一些可能的不舒适,但是成本比与与另一台车辆接触的成本低);以及(iii)与节点1532相关联的成本可以是中等到高的,例如由于避免与另一台车辆或对象接触可能需要的规避动作。当然,各个节点的相应成本可以在不同实施例中变化,并且还可以在每个不同实施例中可能遇到的各种不同场景中变化,等等。同样在各个实施例中,节点1532至1536与一个或多个其它节点之间的转换可以包括AV10的加速度以及转换的相关成本。
类似地,对于时间四(t4),点阵求解器图形1500朝向节点1541至1548之一前进,这取决于在时间三(t3)占据的节点以及AV10在此时的加速度或减速度。
类似于以上讨论,在各个实施例中,节点1541和1542从点阵求解器图形1500中有效地删除或忽略作为其中AV10的速度小于零的节点的第一组1581的一部分。同样在各个实施例中,节点1548从点阵求解器图形1500中有效地忽略或删除作为其中AV10的速度大于AV10的最大速度的节点的第二组1582的一部分。
对于在点阵求解器图形1500正考虑的时间四(t4)的节点1543至1547中的每一个,每个节点包括AV10的不同的相应状态,其包括AV10相对于感兴趣区域的相对位置和速度,连同上面针对每个节点讨论的其它相关参数。同样在各个实施例中,节点1543至1547中的每一个类似地包括基于向在相应节点处表示的AV10状态施加成本函数的相应成本。在某些实施例中,并且在某些情况下:(i)与节点1545相关联的成本可能相对较低(例如,没有加速度,并且距对象的距离合理);(iii)与节点1546和1547相关联的成本可以是中等的(例如,作为示例,由于显著加速而具有一些可能的不舒适,但是成本比与与另一台车辆接触的成本低);以及(iii)与节点1543和1544相关联的成本可以是中等到高,例如由于另一台车辆或其它对象足够接近AV10以便潜在地引起AV10的乘客不舒适。当然,各个节点的相应成本可以在不同实施例中变化,并且还可以在每个不同实施例中可能遇到的各种不同场景中变化,等等。同样在各个实施例中,节点1543至1547与一个或多个其它节点之间的转换可以包括AV10的加速度以及转换的相关成本。
在各种实施例中,可以类似地在任何数量的未来时间点为点阵求解器图形1500构建附加节点。同样在各种实施例中,此类节点可以类似地反映关于AV10相对于感兴趣区域的相应状态,以及使用成本函数的相关联的相应成本。在某些实施例中,为附加的时间点产生此类附加节点,直到利用最大时间阈值和/或直到相应的状态延伸超出感兴趣区域。同样在各个实施例中,此类节点与一个或多个其它节点之间的转换可以包括AV10的加速度以及转换的相关成本。
再次参考图5,在由此构建了有向图并且为点阵求解器图形1500的各个节点分配了成本之后,执行适当的图形搜索(在510处)以选择AV10行进的最佳情况(最低总成本)路径。例如,在某些实施例中,使用点阵求解器图形1500的各种节点来选择路径段序列,其实现AV10的期望目标(例如,沿着其预期路径行进并完成其遍历感兴趣区域,或者到达规划范围的终点),同时最小化选定路径段的成本之和。在各种实施例中,针对每个分段分析的成本包括节点本身的成本以及与节点之间的转换相关联的成本。在各种实施例中,可以使用各种方法来执行该搜索。在一个实施例中,使用Djikstra图形搜索算法。在另一个实施例中,使用A*图形搜索算法。不管用于选择最佳路径或接近最佳路径的特定方法如何,在各种实施例中,结果都是对应于图4中的点阵求解器模块420的输出461的选定路径。
例如,再次参考图10的示例性点阵求解器图形1500,在某些实施例中,系统100可以确定由有序节点集{1501,1511,1521,1533,1545}描述最低成本路径。直观地,可以看出这是合理的选择,例如因为得到的路径将有助于(i)避免与其它车辆或对象的不希望的接触(例如,基于与成本函数相关联的高权重避开此类高成本节点作为第一优先级),同时还(ii)尽可能避免规避操纵和与其它车辆或对象的紧密接触(例如,基于成本函数内的相关中等权重,避开此类中等到高成本节点作为第二优先级);同时在某些实施例中还(iii)尽可能避免或减少其它可能不舒适的状态,诸如增加加速度(例如,基于成本函数内的相关中等权重,避开此类中等成本节点,或其它中等成本模式,诸如更长的行进时间,更高的能源使用量等作为第三优先级)。
返回参考图5,在各个实施例中,AV10在514实施选定路径。在各个实施例中,选定路径由图3的车辆控制系统80例如经由图1的处理器44提供的指令来实施,在各个实施例中,这些指令由图1的推进系统20、转向系统24和制动系统26来实施。同样在各种实施例中,方法500可以在AV10离开感兴趣区域时终止。
类似于本申请先前的讨论,在某些实施例中,被选择并实施的路径可以包括至少部分地基于AV10和/或路径附近的潜在对象的AV10行进的晶种和/或粗略和/或初步可能路径,以在实施AV10的移动之前通过AV10的路径规划系统来进一步细化。因此,在各个实施例中,例如通过过滤预测路径并做出让步决策以细化并实施为更大的计算机控制系统的一部分,选定路径用于识别哪些障碍物应被视为“前方”或“后方”障碍物(即,AV10应在哪些障碍物前方或后方行进)。同样在各种实施例中,可以在514处通过利用初始或晶种路径作为起始点,然后经由AV10的路径规划系统进一步细化路径(诸如如上面所讨论)并最终使AV10沿细化路径行进来实施经由方法500确定的初始或晶种路径。
虽然前述详细描述中已经提出了至少一个示例性实施例,但是应当明白的是,存在许多变化。还应当明白的是,示例性实施或多个示例性实施例仅仅是示例的并且不旨在以任何方式限制本公开的范围、适用性或配置。实情是,前文详细描述将给本领域技术人员提供用于实施示例性实施例或多个示例性实施例的便捷指引。应当理解的是,在不脱离所附权利要求书和其合法等同物的范围的情况下,可以对元件的功能和设置作出各种改变。
Claims (10)
1.一种用于车辆的路径规划的方法,所述方法包括:
接收和与所述车辆相关联的环境有关的传感器数据;
基于所述传感器数据来定义所述车辆的感兴趣区域;
构建点阵求解器图形,所述点阵求解器图形包括多个连接节点的点阵和它们之间的转换,所述多个连接节点中的每一个包括时间和对应车辆状态,每个状态包括在与特定节点相对应的时间处的车辆和附近对象的位置和速度,每个转换表示车辆在相应连接节点之间的加速度;其中,第一节点表示当前时间和当前车辆状态,其中,每个随后节点取决于一个或多个先前节点;
基于在与相应节点相对应的多个时间点之一施加于所述车辆状态的成本函数来生成有向图,所述有向图包括与点阵求解器图形的每个连接节点和它们之间的转换相关联的相应成本;以及
基于所述点阵求解器图形的每个节点的相关成本来执行对所述有向图的搜索以经由所述有向图和点阵求解器图形确定所述车辆通过所述感兴趣区域的选定路径,所述选定路径最小化总成本。
2.根据权利要求1所述的方法,其还包括:
确定可能与所述感兴趣区域相交的一个或多个对象的一组预测对象路径;
其中构建所述点阵求解器图形的步骤包括使用可能与所述感兴趣区域相交的所述一个或多个对象的所述一组预测对象路径来构建所述点阵求解器图形。
3.根据权利要求1所述的方法,其中构建所述点阵求解器图形的步骤包括利用时间步长使用所述车辆在不同的未来时间点的加速度来构建所述点阵求解器图形,使得基于所述车辆在所述时间步长的各个迭代之后的所述不同的未来时间点的所述加速度来连接不同的节点。
4.根据权利要求3所述的方法,其中构建所述点阵求解器图形的步骤包括构建所述点阵求解器图形以对于每个节点包括所述车辆的所述加速度和所述车辆在所述未来时间点中的一个特定时间点的位置和速度的相应状态,连同所述相应状态的相关成本。
5.根据权利要求4所述的方法,其还包括:
从所述点阵求解器图形中忽略或删除所述车辆的速度小于预定最小阈值速度或大于预定最大阈值速度的任何节点。
6.根据权利要求4所述的方法,其中构建所述点阵求解器图形的步骤包括构建所述点阵求解器图形以对于每个节点除了所述车辆在所述未来时间点中的所述一个特定时间点的所述位置、速度和加速度之外还包括包含与所述感兴趣区域中的一个或多个其它对象的接近度的所述相应状态,连同所述相应状态的相关成本。
7.根据权利要求4所述的方法,其中所述车辆包括自主车辆,并且所述方法还包括:
经由通过处理器提供的指令来自动实施所述选定路径以使所述自主车辆行进通过所述感兴趣区域。
8.一种用于车辆的路径规划的系统,所述系统包括:
感兴趣区域确定模块,其被配置为至少促进:
接收和与所述车辆相关联的环境有关的传感器数据;并且
基于所述传感器数据来定义所述车辆的感兴趣区域;以及
图形定义分析模块,其联接到所述感兴趣区域确定模块并且被配置为至少促进:
构建点阵求解器图形,所述点阵求解器图形包括多个连接节点的点阵和它们之间的转换,所述多个连接节点中的每一个包括时间和对应车辆状态,每个状态包括在与特定节点相对应的时间处的车辆和附近对象的位置和速度,每个转换表示车辆在相应连接节点之间的加速度;其中,第一节点表示当前时间和当前车辆状态,其中,每个随后节点取决于一个或多个先前节点;
基于在与相应节点相对应的多个时间点之一施加于所述车辆状态的成本函数来生成有向图,所述有向图包括与点阵求解器图形的每个连接节点和它们之间的转换相关联的相应成本;以及
基于所述点阵求解器图形的每个节点的相关成本来执行对所述有向图的搜索以经由所述有向图和点阵求解器图形确定所述车辆通过所述感兴趣区域的选定路径,所述选定路径最小化总成本。
9.根据权利要求8所述的系统,其还包括:
对象路径确定模块,其被配置为至少促进确定可能与所述感兴趣区域相交的一个或多个对象的一组预测对象路径;
其中所述图形定义分析模块被配置为至少促进使用可能与所述感兴趣区域相交的所述一个或多个对象的所述一组预测对象路径来构建所述点阵求解器图形。
10.一种自主车辆,其包括:
至少一个传感器,其提供传感器数据;以及
控制器,其被配置为由处理器基于所述传感器数据:
定义所述自主车辆的感兴趣区域;
构建点阵求解器图形,所述点阵求解器图形包括多个连接节点的点阵和它们之间的转换,所述多个连接节点中的每一个包括时间和对应车辆状态,每个状态包括在与特定节点相对应的时间处的车辆和附近对象的位置和速度,每个转换表示车辆在相应连接节点之间的加速度;其中,第一节点表示当前时间和当前车辆状态,其中,每个随后节点取决于一个或多个先前节点;
基于在与相应节点相对应的多个时间点之一施加于所述车辆状态的成本函数来生成有向图,所述有向图包括与点阵求解器图形的每个连接节点和它们之间的转换相关联的相应成本;
基于所述点阵求解器图形的每个节点的相关成本来执行对所述有向图的搜索以经由所述有向图和点阵求解器图形确定所述车辆通过所述感兴趣区域的选定路径,所述选定路径最小化总成本;并且
自动实施所述选定路径以使所述自主车辆通过所述感兴趣区域。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/878620 | 2018-01-24 | ||
US15/878,620 US10688991B2 (en) | 2018-01-24 | 2018-01-24 | Systems and methods for unprotected maneuver mitigation in autonomous vehicles |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110068346A CN110068346A (zh) | 2019-07-30 |
CN110068346B true CN110068346B (zh) | 2023-04-07 |
Family
ID=62193055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910020290.9A Active CN110068346B (zh) | 2018-01-24 | 2019-01-09 | 用于自主车辆中不受保护的操纵缓解的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10688991B2 (zh) |
CN (1) | CN110068346B (zh) |
DE (1) | DE102019100569A1 (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016205934B2 (en) * | 2015-01-09 | 2020-02-27 | Bae Systems Plc | Monitoring energy usage of a surface maritime vessel |
US10133275B1 (en) | 2017-03-01 | 2018-11-20 | Zoox, Inc. | Trajectory generation using temporal logic and tree search |
DE102017223486A1 (de) * | 2017-12-21 | 2019-06-27 | Continental Teves Ag & Co. Ohg | Verfahren und System zum Vermeiden von lateralen Kollisionen |
US20190244111A1 (en) * | 2018-02-02 | 2019-08-08 | University Of New Hampshire | Avoiding dead ends in real-time heuristic search |
US10955851B2 (en) * | 2018-02-14 | 2021-03-23 | Zoox, Inc. | Detecting blocking objects |
JP7032178B2 (ja) * | 2018-03-02 | 2022-03-08 | トヨタ自動車株式会社 | 車両制御装置 |
US11417109B1 (en) * | 2018-03-20 | 2022-08-16 | Amazon Technologies, Inc. | Network-based vehicle event detection system |
US10414395B1 (en) | 2018-04-06 | 2019-09-17 | Zoox, Inc. | Feature-based prediction |
US11126873B2 (en) | 2018-05-17 | 2021-09-21 | Zoox, Inc. | Vehicle lighting state determination |
DE102018213971A1 (de) * | 2018-08-20 | 2020-02-20 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Auswahl eines Fahrmanövers |
US10809732B2 (en) * | 2018-09-25 | 2020-10-20 | Mitsubishi Electric Research Laboratories, Inc. | Deterministic path planning for controlling vehicle movement |
US11334074B2 (en) | 2018-11-12 | 2022-05-17 | Infosys Limited | System and method for integrated auto-steering and auto-braking mechanism in autonomous vehicles as a retro fit |
US10962372B1 (en) * | 2018-12-31 | 2021-03-30 | Accelerate Labs, Llc | Navigational routes for autonomous vehicles |
CN109712421B (zh) * | 2019-02-22 | 2021-06-04 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
CN111667719B (zh) * | 2019-04-25 | 2022-05-17 | 文远知行有限公司 | 用于控制自动驾驶车辆的速度的设备和方法及存储介质 |
US11531349B2 (en) * | 2019-06-21 | 2022-12-20 | Volkswagen Ag | Corner case detection and collection for a path planning system |
US11370424B1 (en) * | 2019-08-02 | 2022-06-28 | Zoox, Inc. | Relevant object detection |
US11529951B2 (en) * | 2019-12-24 | 2022-12-20 | Intel Corporation | Safety system, automated driving system, and methods thereof |
RU2757234C2 (ru) * | 2019-12-25 | 2021-10-12 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способ и система для вычисления данных для управления работой беспилотного автомобиля |
DE102020102329A1 (de) | 2020-01-30 | 2021-08-05 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Fahrzeugsteuerung, Assistenzsystem und Kraftfahrzeug |
US11904890B2 (en) * | 2020-06-17 | 2024-02-20 | Baidu Usa Llc | Lane change system for lanes with different speed limits |
US20220097690A1 (en) * | 2020-09-30 | 2022-03-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Optical sense-compute solution for real-time navigation involving multiple vehicles |
JP2022090746A (ja) * | 2020-12-08 | 2022-06-20 | 株式会社J-QuAD DYNAMICS | 運転支援装置、運転支援方法、および運転支援プログラム |
US20220185288A1 (en) * | 2020-12-16 | 2022-06-16 | Zoox, Inc. | Lateral safety area |
CN113627689B (zh) * | 2021-09-03 | 2022-05-27 | 哈尔滨工业大学 | 基于critic与熵值的村镇垃圾移动化处理设备调度寻优方法 |
CN114170826B (zh) * | 2021-12-03 | 2022-12-16 | 地平线(上海)人工智能技术有限公司 | 自动驾驶控制方法和装置、电子设备和存储介质 |
CN116101271A (zh) * | 2022-05-11 | 2023-05-12 | 远峰科技股份有限公司 | 自动泊车路径规划方法、装置、系统及可读存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6477515B1 (en) | 1999-08-11 | 2002-11-05 | The United States Of America As Represented By The Secretary Of The Navy | Efficient computation of least cost paths with hard constraints |
US7587274B2 (en) | 2006-03-14 | 2009-09-08 | Sap Ag | System and method for navigating a facility |
EP2942250B1 (en) * | 2014-05-08 | 2017-02-01 | Volvo Car Corporation | Method for determining an evasive path for a host vehicle |
US9464909B2 (en) * | 2014-09-10 | 2016-10-11 | Volkswagen Ag | Apparatus, system and method for clustering points of interest in a navigation system |
US20160288788A1 (en) * | 2015-03-31 | 2016-10-06 | Toyota Motor Engineering & Manufacturing North America, Inc. | Gap-based speed control for automated driving system |
US10019006B2 (en) * | 2015-04-08 | 2018-07-10 | University Of Maryland, College Park | Surface vehicle trajectory planning systems, devices, and methods |
US10012984B2 (en) * | 2015-12-14 | 2018-07-03 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling autonomous vehicles |
US9645577B1 (en) | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
US10725470B2 (en) * | 2017-06-13 | 2020-07-28 | GM Global Technology Operations LLC | Autonomous vehicle driving systems and methods for critical conditions |
US10515321B2 (en) * | 2017-09-11 | 2019-12-24 | Baidu Usa Llc | Cost based path planning for autonomous driving vehicles |
US10501085B2 (en) | 2017-12-07 | 2019-12-10 | Waymo Llc | Early object detection for unprotected turns |
-
2018
- 2018-01-24 US US15/878,620 patent/US10688991B2/en active Active
-
2019
- 2019-01-09 CN CN201910020290.9A patent/CN110068346B/zh active Active
- 2019-01-10 DE DE102019100569.8A patent/DE102019100569A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
US10688991B2 (en) | 2020-06-23 |
CN110068346A (zh) | 2019-07-30 |
US20180148051A1 (en) | 2018-05-31 |
DE102019100569A1 (de) | 2019-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110068346B (zh) | 用于自主车辆中不受保护的操纵缓解的系统和方法 | |
CN109817008B (zh) | 自主车辆中用于交通繁忙情况中的无保护左转弯的系统和方法 | |
US20180150081A1 (en) | Systems and methods for path planning in autonomous vehicles | |
CN109814544B (zh) | 用于在自主车辆中操纵绕过障碍物的系统和方法 | |
CN108802761B (zh) | 用于激光雷达点云异常的方法和系统 | |
CN109131346B (zh) | 用于预测自主车辆中的交通模式的系统和方法 | |
CN109808701B (zh) | 用于自主车辆进入交通流的系统和方法 | |
CN108268034B (zh) | 用于车辆的专家模式 | |
CN109521764B (zh) | 车辆远程辅助模式 | |
US20180150080A1 (en) | Systems and methods for path planning in autonomous vehicles | |
CN109085820B (zh) | 临界条件的自主车辆驾驶系统和方法 | |
CN109814520B (zh) | 用于确定自主车辆的安全事件的系统和方法 | |
US10427676B2 (en) | Trajectory planner for autonomous driving using bézier curves | |
US10317907B2 (en) | Systems and methods for obstacle avoidance and path planning in autonomous vehicles | |
CN108062094B (zh) | 基于处理器实现车辆行驶轨迹规划的自主系统和方法 | |
CN108725446B (zh) | 用于自主车辆的俯仰角补偿 | |
CN109814543B (zh) | 道路廊道 | |
US20190332109A1 (en) | Systems and methods for autonomous driving using neural network-based driver learning on tokenized sensor inputs | |
US20180074506A1 (en) | Systems and methods for mapping roadway-interfering objects in autonomous vehicles | |
CN109552212B (zh) | 用于自主车辆中的雷达定位的系统和方法 | |
CN111098862A (zh) | 用于预测传感器信息的系统和方法 | |
US20180079422A1 (en) | Active traffic participant | |
US20190026588A1 (en) | Classification methods and systems | |
US20180024239A1 (en) | Systems and methods for radar localization in autonomous vehicles | |
CN112498349A (zh) | 用于紧急车道改变的操纵计划 |
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 |