CN110096053B - 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 - Google Patents

Abstract

公开了用于自动驾驶车辆(ADV)的驾驶轨迹生成方法、系统和机器可读介质。根据一些实施方式，系统接收基于地图和路线信息的第一参考点集，所述第一参考点集表示所述ADV所要遵循的参考线。所述系统沿与所述第一参考点集对应的所述参考线选择第二参考点集，包括重复执行：从所述第一参考点集中选择当前的参考点；使用非线性算法基于当前选择的参考点确定沿所述第一参考点集的采样距离；以及基于确定的采样距离沿所述第一参考点集选择下一参考点，以使得所选择的离ADV近的参考点的密度高于所选择的离ADV远的参考点的密度。所述系统使用所述第二参考点集规划用于所述ADV的轨迹以控制所述ADV。

Description

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

技术领域

本公开的实施方式总体涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及用于自动驾驶车辆(ADV)的动态调整的参考线采样点密度。

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。

车辆能通过规划的驾驶轨迹以自动驾驶模式运行。规划的驾驶轨迹由依赖于“参考线”的ADV规划模块生成。参考线是几何世界地图上的平滑线。参考线由沿道路曲线的点集表示。典型的200米道路曲线使用1000个点用于参考线。许多算法(例如参考线投影以及驾驶轨迹决策与规划)的计算时间与点的数量或参考线的密度直接相关。

发明内容

根据本公开的一方面，一种用自动驾驶车辆(AVD)的渐进采样距离生成驾驶轨迹的计算机实现方法包括：接收基于地图和路线信息的第一参考点集，所述第一参考点集表示所述ADV所要遵循的参考线；沿与所述第一参考点集对应的所述参考线选择第二参考点集；以及使用所述第二参考点集规划用于所述ADV的轨迹以控制所述ADV；其中，沿与所述第一参考点集对应的所述参考线选择第二参考点集包括重复执行以下步骤：从所述第一参考点集中选择当前的参考点；使用非线性算法基于当前选择的参考点确定沿所述第一参考点集的采样距离；以及基于确定的采样距离沿所述第一参考点集选择下一参考点，以使得所选择的离所述ADV近的参考点的密度高于所选择的离所述ADV远的参考点的密度。

根据本公开的另一方面，一种非暂时性机器可读介质存储有指令，所述指令在由处理器执行时使所述处理器执行操作自动驾驶车辆的以下操作：接收基于地图和路线信息的第一参考点集，所述第一参考点集表示所述ADV所要遵循的参考线；沿与所述第一参考点集对应的所述参考线选择第二参考点集；以及使用所述第二参考点集规划用于所述ADV的轨迹以控制所述ADV；其中，沿与所述第一参考点集对应的所述参考线选择第二参考点集包括重复执行以下步骤：从所述第一参考点集中选择当前的参考点；使用非线性算法基于当前选择的参考点确定沿所述第一参考点集的采样距离；以及基于确定的采样距离沿所述第一参考点集选择下一参考点，以使得所选择的离所述ADV近的参考点的密度高于所选择的离所述ADV远的参考点的密度。

根据本公开的又一方面，一种数据处理系统，包括：一个或多个处理器；以及存储器，所述存储器联接到所述一个或多个处理器，以存储指令，所述指令在由所述一个或多个处理器执行时致使所述处理器执行操作自动驾驶车辆的操作，所述操作包括：接收基于地图和路线信息的第一参考点集，所述第一参考点集表示所述ADV所要遵循的参考线；沿与所述第一参考点集对应的所述参考线选择第二参考点集；以及使用所述第二参考点集规划用于所述ADV的轨迹以控制所述ADV；其中，沿与所述第一参考点集对应的所述参考线选择第二参考点集包括重复执行以下步骤：从所述第一参考点集中选择当前的参考点；使用非线性算法基于当前选择的参考点确定沿所述第一参考点集的采样距离；以及基于确定的采样距离沿所述第一参考点集选择下一参考点，以使得所选择的离所述ADV近的参考点的密度高于所选择的离所述ADV远的参考点的密度。

附图说明

本公开的实施方式在附图的各图中以举例而非限制的方式示出，在附图中相似的参考标号指示相似的元件。

图1是示出根据一个实施方式的网络化系统的框图。

图2是示出根据一个实施方式的自动驾驶车辆使用的传感器和控制系统的示例的框图。

图3A-图3B是示出根据一些实施方式的自动驾驶车辆使用的感知与规划系统的示例的框图。

图4是示出等距的示例性的参考线点的框图。

图5是示出根据一个实施方式的示例性的动态调整的参考线采样点密度的框图。

图6是示出根据一个实施方式的方法的流程图。

图7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。

根据一些实施方式，系统动态调整参考线采样点密度。在一个实施方式中，系统接收基于地图和路线信息的第一参考点集，且第一多个参考点表示ADV所要遵循的参考线。系统沿参考线选择第二参考点集，包括重复执行：从第一参考点集选择当前参考点；使用非线性算法基于当前选择的参考点确定沿第一参考点集的采样距离；以及基于所确定的采样距离选择下一参考点使得离ADV近的第二参考点集的密度高于所选择的离ADV远的参考点的密度。系统使用第二参考点集为ADV规划轨迹以控制ADV。

图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，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可以是数据分析系统以为各种客户执行数据分析服务。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由驾驶员驾驶的普通车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发布的驾驶命令(例如，油门、制动、转向命令)的信息和由车辆的传感器在不同时间点采集的车辆响应(例如，速度、加速度、减速度、方向)。驾驶统计数据123还可以包括描述不同时间点的驾驶环境的信息，例如路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。

基于驾驶统计数据123，机器学习引擎122生成或训练一组规则、算法和/或模型124用于各种目的。在一个实施方式中，例如，算法/模型124可以包括可动态调整参考线采样点密度的采样模型或算法。采样模型可包括最小采样距离、最大采样距离和一个或多个采样算法以修改参考线采样点密度。采样模型可被上传到自动驾驶车辆以用于实时地动态调整参考线的参考线点密度。

图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可以被实施为图1的自动驾驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路程安排/采样模块307、以及参考线生成器309。

模块301至309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309中的一些可以一起集成为集成模块。例如，路程安排/采样模块307和参考线生成器309可以被集成为单个模块。

定位模块301确定自动驾驶车辆300(例如，利用GPS单元212)的当前位置并管理与用户的行程或路线相关的任何数据。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。

针对每个对象，预测模块303预测对象在环境下将会如何表现。所述预测基于在时间点感知驾驶环境的感知数据并考虑地图/路线信息311和交通规则312的集合而被执行。例如，如果对象是沿相反方向的车辆且当前驾驶环境包括十字路口，则预测模块303预测车辆可能直行还是转弯。如果感知数据指示十字路口没有交通灯，则预测模块303可以预测到车辆可能必须在进入十字路口之前完全停住。如果感知数据指示车辆当前位于只左转车道或只右转车道，则预测模块303可以预测到车辆更可能左转或右转。

针对每个对象，决策模块304作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所述对象相遇(例如，超车、让行、停止、超过)。决策模块304可以根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集可以存储在永久性存储装置352中。

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/路径段)中将如何移动的信息。例如，规划和控制数据可以指示车辆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，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动和转弯命令)将车辆从路线或路径的第一点驾驶到第二点。

在一个实施方式中，规划阶段在多个也称为命令周期的规划周期中执行，例如在每100毫秒(ms)时间段中执行。对于每个规划周期或命令周期，一个或多个控制命令将基于规划和控制数据被发出。也就是说，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到达目标位置所需的时间。替代地，规划模块305还可以规定具体的速度、方向、和/或转向角度等。在一个实施方式中，规划模块305规划下一预定时间段例如5秒的路线段或路径段。对于每个规划周期，规划模块305基于前一周期中规划的目标位置规划当前周期(例如，下一5秒)的目标位置。然后，控制模块306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、制动、转向控制命令)。

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。

路程安排模块307可例如从地图信息(例如道路段信息、道路段的车道和车道至路边的距离)生成参考线。例如，道路可被划分成区段或段{A、B和C}以表示3个道路段。道路段A的3个车道可枚举如下：{A1、A2和A3}。通过生成沿参考线具有均匀密度的参考点来生成A参考线。例如，对于车辆车道，路程安排模块307可连接由地图数据提供的车辆车道的两个相对路边或边缘的中间点。基于所述中间点和表示所收集的之前在不同时间点行驶在车辆车道上的车辆的数据点的机器学习数据，路程安排模块307可通过选择所收集的位于车辆车道的预定邻近区域内的数据点的子集和基于所收集的数据点的子集将平滑函数应用于所述中间点来计算参考点。

基于参考点，参考线生成器309可通过插入参考点生成参考线，以使得所生成的参考线用作用于控制车辆车道上的ADV的参考线。在一些实施方式中，表示参考线的参考点表和道路段表被实时下载到ADV，以使得ADV可基于ADV的地理位置和驾驶方向从参考点表和道路段表生成参考线。例如，在一个实施方式中，ADV可通过以表示即将遇到的前方道路区段的路径段标识符和/或基于ADV的GPS位置请求用于路径段的路程安排服务来生成参考线。基于路径段标识符，路程安排服务可回到包含用于感兴趣的道路段的所有车道的参考点的ADV参考点表。ADV可查找用于路径段的车道的参考点以生成用于控制车辆车道上的ADV的参考线。

在一个实施方式中，为了减少ADV的计算量，采样模块307可确定用于一段道路长度的最小采样距离和最大采样距离来为具有非均匀线密度的参考线动态调整所生成的参考线的密度。例如，采样模块307可应用(作为采样算法/模型313的一部分的)采样算法动态调整所生成的参考线的密度以基于计算资源的可用性或满足一些客观要求而减少参考线的参考点的数量。例如，采样模块307可(以经由用户接口更改设置的方式、或以经由服务器104下载到ADV的更新的方式)从感知与规划系统110接收请求以将参考点密度减小大约五成而不改变ADV附近的参考线点密度。

采样模块307可通过试错来调整最大采样距离和计算新的参考线点密度，从而动态调整参考线点密度，直到采样模块307达到计算的客观要求。在一种情形中，采样模块307执行以最小采样距离、最大采样距离和采样长度为输入的采样算法计算。采样模块307可尝试0.9米、1.0米、1.1米、1.2米等最大采样距离，同时保持恒定的0.2米的最小采样距离(例如，确保ADV附近的参考线点密度为大约0.2米/点)和200米的道路长度，以获得点密度减小5成的新参考线。然后，新获得的最大采样距离可相应地用于生成后续的参考线点。

如上所述，路线或路程安排模块307管理与用户的行程或路线相关的任何数据。ADV的用户指定起始位置和目的地位置以获得行程相关的数据。行程相关的数据包括路线段以及路线段的参考线或参考点。例如，基于路线地图信息311，路线模块307生成路线或道路段表和参考点表。参考点与道路段表中的道路段和/或车道相关。参考点可被插入以形成用来控制ADV的一个或多个参考线。参考点可专用于道路段和/或道路段的特定车道。

例如，道路段表可以是名称-值对以包括用于道路段A-D的之前和之后的道路车道。例如，道路段表可以是用于具有车道1的道路段A-D的{(A1,B1)，(B1,C1)，(C1,D1)}。参考点表可包括用于道路段车道的位于x-y坐标系中的参考点，例如{(A1,(x1,y1))，(B1,(x2,y2))，(C1，(x3,y3))，(D1，(x4,y4))}，其中A1......D1指道路段A-D的车道1，以及(x1,y1)......(x4,y4)是相应的真实世界坐标。在一个实施方式中，道路段和/或车道被划分成预定的长度例如大致200米段/车道。在另一实施方式中，道路段和/或车道依据道路状况例如道路曲率被划分成各种长度段/车道。在一些实施方式中，每个道路段和/或车道可包括若干参考点。在一些实施方式中，参考点可转换为其它坐标系，例如纬度-经度。然后采样模块307可动态调整参考点的密度。

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4是示出在采样算法/模型被应用之前示例性参考线点的框图。参考图4，参考线401表示从ADV 101开始的参考点402的集合。参考点402可由路程安排模块407基于ADV的当前位置和要到达的目的地位置来提供。参考点402(例如，第一参考点集)可以位于(x，y)真实世界坐标系或经度-纬度坐标系中。在一个示例中，(从初始点403至结束点404的)参考点402可具有表示200米长度的参考线401的相隔大致0.2米的点。

图5是示出根据一个实施方式的示例的动态调整的参考线采样点密度的框图。在一个实施方式中，参考图5，参考线401包括具有非均匀密度的参考点403、502-506(例如，第二参考点集)。参考点502-506可由采样模块307使用(作为采样算法/模型313一部分的)采样算法/模型沿参考线401选择。采样算法可计算所提供的参考点的非均匀密度：最小采样点距离、最大采样点距离和参考线的长度。在一个实施方式中，采样算法为：

其中，s是沿第一参考点集距当前采样参考点的ADV的距离，D_max是最大采样点距离，D_min是最小采样点距离，L是参考线的长度，以及σ是小数，例如1e-3。

参考图5，为了说明目的，参考线401可包括具有非均匀密度的参考点403、502-506。参考点502-506可由采样模块307沿参考线401或其相应的参考点选择。在一个实施方式中，采样模块307从初始点403(例如，s＝0)开始并在初始点s＝0应用采样算法以计算s＝0处的采样点距离f(s)514。然后采样模块307选择下一采样点503，所述采样点503距点403采样点距离514。采样模块307在点503应用采样算法以计算采样点距离515来选择点504。采样模块307将采样算法应用于后续的采样点(504...506)计算后续的采样点距离来选择后续的采样点直到采样算法到达结束点，例如点506。以这种方式，具有非均匀密度的参考点(例如，点403、502-506)的参考线稍后可由其它模块例如决策与规划模块304-305使用以规划驾驶轨迹来控制ADV 101。控制参考点的密度的动机是为了能够减少与参考线上的点数量线性相关的许多算法(例如预测、决策和规划周期中的算法)的计算时间。具有较少参考点的参考线可产生更高效和快速的周期。然而，减少参考点的数量或增大(尤其离ADV近的)参考点之间的采样间隔可能引发错误，例如不能精确地捕获以其它方式可能捕获的发生在相邻参考点之间的事件的错误。因此，参考点的密度随着距ADV渐远而递减将不会在ADV的邻近驾驶范围附近引发这种错误，同时允许随着距ADV渐远的同时保证计算效率的性能增益。

由于这些参考点位于车辆较远处，这些参考点不可能被用于在当前周期中控制ADV。当下一规划周期到来时，会生成新的参考线且不会使用前一规划循环的前一参考线。因此，通过以较高密度等级采样车辆附近的参考点可确保精确地生成轨迹。通过以较低密度等级采样离ADV较远的不会用于在当前采样周期中控制ADV的参考点，计算时间可得以减少。

图6是示出根据一个实施方式的控制ADV的方法的流程图。处理600可通过处理可包括软件、硬件或其组合的逻辑执行。例如，过程600可由图3A至图3B的采样模块307执行。参考图6，在框601，处理逻辑接收基于地图和路线信息的第一参考点集，所述第一参考点集表示ADV所要遵循的参考线。在框602，处理逻辑沿与第一参考点集对应的参考线选择第二参考点集，包括重复执行：在框603，从第一参考点集选择当前参考点。在框604，使用非线性算法基于当前选择的参考点确定沿第一参考点集的采样距离。在框605，基于确定的采样距离沿第一参考点集选择下一参考点，使得离ADV近的第二参考点集的密度高于所选择的离ADV远的参考点的密度。在框606，处理逻辑使用第二参考点集规划用于ADV的轨迹以控制ADV。

在一个实施方式中，确定采样距离进一步包括确定最小采样距离和确定最大采样距离，其中采样距离基于最小采样距离和最大采样距离被确定。在另一实施方式中，采样距离进一步鉴于参考线的长度被确定。

在一个实施方式中，第二参考点集包括ADV附近的以大致等于最小采样距离的距离分隔的点和远离ADV的以大致等于最大采样距离的距离分隔的点。在一个实施方式中，第二参考点集的密度随着离ADV渐远而逐渐减小。

在一个实施方式中，非线性算法是指数函数的反函数。在一个实施方式中，非线性算法是

其中A是最大采样距离，C是A除以(最小采样距离减1)的商的对数，B是A/((A-σ)-1)的对数减C后除以参考线的长度，以及σ是分数。

图7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。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，例如图3的路程安排/采样模块。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 (21)

1.一种用自动驾驶车辆的渐进采样距离生成驾驶轨迹的计算机实现方法，所述方法包括：

接收基于地图和路线信息的第一参考点集，所述第一参考点集表示所述自动驾驶车辆所要遵循的参考线；

沿与所述第一参考点集对应的所述参考线选择第二参考点集，包括重复执行以下步骤：

从所述第一参考点集中选择当前的参考点；

使用非线性算法基于当前选择的参考点确定沿所述第一参考点集的采样距离；以及

基于确定的采样距离沿所述第一参考点集选择下一参考点，以使得所选择的离所述自动驾驶车辆近的参考点的密度高于所选择的离所述自动驾驶车辆远的参考点的密度；以及

使用所述第二参考点集规划用于所述自动驾驶车辆的轨迹以控制所述自动驾驶车辆。

2.如权利要求1所述的计算机实现方法，其中确定采样距离进一步包括：

确定最小采样距离；以及

确定最大采样距离，其中所述采样距离基于所述最小采样距离和所述最大采样距离被确定。

3.如权利要求2所述的计算机实现方法，其中所述采样距离进一步鉴于所述参考线的长度被确定。

4.如权利要求2所述的计算机实现方法，其中所述第二参考点集包括所述自动驾驶车辆附近的以大致等于所述最小采样距离的距离分隔的点和远离所述自动驾驶车辆的以大致等于所述最大采样距离的距离分隔的点。

5.如权利要求1所述的计算机实现方法，其中所述第二参考点集的密度随着离所述自动驾驶车辆渐远而逐渐减小。

6.如权利要求1所述的计算机实现方法，其中所述非线性算法是指数函数的反函数。

7.如权利要求2所述的计算机实现方法，其中所述非线性算法是

其中s是距所述自动驾驶车辆的距离，A是最大采样距离，C是A除以(最小采样距离减1)的商的对数，B是A/((A-σ)-1)的对数减C后除以所述参考线的长度，σ是分数。

8.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时使所述处理器执行操作，所述操作包括：

接收基于地图和路线信息的第一参考点集，所述第一参考点集表示自动驾驶车辆自动驾驶车辆所要遵循的参考线；

沿与所述第一参考点集对应的所述参考线选择第二参考点集，包括重复执行以下步骤：

从所述第一参考点集中选择当前的参考点；

使用非线性算法基于当前选择的参考点确定沿所述第一参考点集的采样距离；以及

基于确定的采样距离沿所述第一参考点集选择下一参考点，以使得所选择的离所述自动驾驶车辆近的参考点的密度高于所选择的离所述自动驾驶车辆远的参考点的密度；以及

使用所述第二参考点集规划用于所述自动驾驶车辆的轨迹以控制所述自动驾驶车辆。

9.如权利要求8所述的非暂时性机器可读介质，其中确定采样距离进一步包括：

确定最小采样距离；以及

确定最大采样距离，其中所述采样距离基于所述最小采样距离和所述最大采样距离被确定。

10.如权利要求9所述的非暂时性机器可读介质，其中所述采样距离进一步鉴于所述参考线的长度被确定。

11.如权利要求9所述的非暂时性机器可读介质，其中所述第二参考点集包括所述自动驾驶车辆附近的以大致等于所述最小采样距离的距离分隔的点和远离所述自动驾驶车辆的以大致等于所述最大采样距离的距离分隔的点。

12.如权利要求8所述的非暂时性机器可读介质，其中所述第二参考点集的密度随着离所述自动驾驶车辆渐远而逐渐减小。

13.如权利要求8所述的非暂时性机器可读介质，其中所述非线性算法是指数函数的反函数。

14.如权利要求8所述的非暂时性机器可读介质，其中所述非线性算法是

其中s是距所述自动驾驶车辆的距离，A是最大采样距离，C是A除以(最小采样距离减1)的商的对数，B是A/((A-σ)-1)的对数减C后除以所述参考线的长度，σ是分数。

15.一种数据处理系统，包括：

一个或多个处理器；以及

存储器，所述存储器联接到所述一个或多个处理器，以存储指令，所述指令在由所述一个或多个处理器执行时致使所述处理器执行操作，所述操作包括：

接收基于地图和路线信息的第一参考点集，所述第一参考点集表示自动驾驶车辆自动驾驶车辆所要遵循的参考线；

沿与所述第一参考点集对应的所述参考线选择第二参考点集，包括重复执行以下步骤：

从所述第一参考点集中选择当前的参考点；

使用非线性算法基于当前选择的参考点确定沿所述第一参考点集的采样距离；以及

基于确定的采样距离沿所述第一参考点集选择下一参考点，以使得所选择的离所述自动驾驶车辆近的参考点的密度高于所选择的离所述自动驾驶车辆远的参考点的密度；以及

使用所述第二参考点集规划用于所述自动驾驶车辆的轨迹以控制所述自动驾驶车辆。

16.如权利要求15所述的系统，其中确定采样距离进一步包括：

确定最小采样距离；以及

确定最大采样距离，其中所述采样距离基于所述最小采样距离和所述最大采样距离被确定。

17.如权利要求16所述的系统，其中所述采样距离进一步鉴于所述参考线的长度被确定。

18.如权利要求16所述的系统，其中所述第二参考点集包括由所述自动驾驶车辆附近的以大致等于所述最小采样距离的距离分隔的点和远离所述自动驾驶车辆的以大致等于所述最大采样距离的距离分隔的点。

19.如权利要求15所述的系统，其中所述第二参考点集的密度随着离所述自动驾驶车辆渐远而逐渐减小。

20.如权利要求15所述的系统，其中所述非线性算法是指数函数的反函数。

21.如权利要求15所述的系统，其中所述非线性算法是

其中s是距所述自动驾驶车辆的距离，A是最大采样距离，C是A除以(最小采样距离减1)的商的对数，B是A/((A-σ)-1)的对数减C后除以所述参考线的长度，σ是分数。

Images