CN110377024A - 用于自动驾驶车辆的自动数据标注 - Google Patents

用于自动驾驶车辆的自动数据标注 Download PDF

Info

Publication number
CN110377024A
CN110377024A CN201910020817.8A CN201910020817A CN110377024A CN 110377024 A CN110377024 A CN 110377024A CN 201910020817 A CN201910020817 A CN 201910020817A CN 110377024 A CN110377024 A CN 110377024A
Authority
CN
China
Prior art keywords
data
barrier
automatic driving
timestamp
driving vehicle
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.)
Pending
Application number
CN201910020817.8A
Other languages
English (en)
Inventor
张亮亮
李栋
胡江滔
陶佳鸣
蒋一飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu USA LLC
Original Assignee
Baidu USA LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baidu USA LLC filed Critical Baidu USA LLC
Publication of CN110377024A publication Critical patent/CN110377024A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Navigation (AREA)

Abstract

在一个实施方式中，当自动驾驶车辆(ADV)在包括多个障碍物的目标区域(ROI)内移动时，从安装在所述ADV上的一个或多个传感器收集传感器数据。对所收集的传感器数据进行操作以获取与障碍物相关的障碍物数据、位置数据以及与障碍物数据和位置数据对应的多个时间戳。针对时间戳中的每个，基于位置数据将障碍物的位置映射到障碍物数据中与时间戳对应的一些，从而生成障碍物的映射信息。自动对映射信息进行标注以生成经标注的数据，其中，经标注的数据随后被用于训练机器学习算法以在ADV的自动驾驶期间识别障碍物。

Description

用于自动驾驶车辆的自动数据标注
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的自动数据标注。
背景技术
以自动驾驶模式运行(例如，无人驾驶)的车辆可以将乘客、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。
运动规划与控制是自动驾驶中的关键操作。然而，传统的运动规划操作主要根据其曲率和速度来估计完成给定路径的难度，而不考虑不同类型的车辆在特征上的差异。相同的运动规划与控制被应用于所有类型的车辆，这使得在一些情况下可能不精确且不平稳。
另外，运动规划与控制的操作通常需要感知周围的障碍物或对象。更具体地，障碍物识别、跟踪和/或分类需要对数据(例如，传感器数据)进行标注以训练和测试用于基于机器学习的感知模块的数据。传统情况下，数据标注由人来执行。然而，因为现代机器学习模型/算法(例如，诸如深度神经网络的深度学习架构)包含了数千万量级的大量参数，所以基于人的数据标注需要大量的人力(如果并非无法执行)，成本高，并且不能在合理的时间段内执行。
发明内容
本申请的一方面提供了一种用于自动生成经标注的数据的计算机实施方法，包括：当自动驾驶车辆在包括多个障碍物的目标区域内移动时，从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据；对所收集的传感器数据进行操作以获取与所述障碍物相关的障碍物数据、位置数据以及与所述障碍物数据和所述位置数据对应的多个时间戳；针对所述时间戳中的每个，基于所述位置数据将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些，从而生成所述障碍物的映射信息；以及自动对所述映射信息进行标注以生成经标注的数据，其中，所述经标注的数据随后被用于训练机器学习算法以在自动驾驶车辆的自动驾驶期间识别障碍物。
根据本申请的实施方式，所述方法还包括：在当所述自动驾驶车辆在所述目标区域内移动时从安装在所述自动驾驶车辆上的所述一个或多个传感器收集所述传感器数据之前，从所述自动驾驶车辆的初始位置预标记所述目标区域和所述多个障碍物，以生成预标记的数据；其中，将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些还基于所述预标记的数据。
根据本申请的实施方式，所述方法还包括：在将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些之前，将所述多个时间戳与所述障碍物的位置对准。
根据本申请的实施方式，所述障碍物数据包括在不同时间点采集的光探测和测距数据，所述不同时间点被包括在所述时间戳中。
根据本申请的实施方式，所述位置数据包括在所述不同时间点采集的所述障碍物的位置。
根据本申请的实施方式，所述位置数据从惯性测量单元或全球定位系统获取。
根据本申请的实施方式，所述预标记的数据包括所述目标区域的边界信息，以及在所述目标区域内的所述多个障碍物的初始位置和边界信息。
本申请的另一方面提供了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运行时致使所述处理器执行以下操作，所述操作包括：当自动驾驶车辆在包括多个障碍物的目标区域内移动时，从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据；对所收集的传感器数据进行操作以获取与所述障碍物相关的障碍物数据、位置数据以及与所述障碍物数据和所述位置数据对应的多个时间戳；针对所述时间戳中的每个，基于所述位置数据将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些，从而生成所述障碍物的映射信息；以及自动对所述映射信息进行标注以生成经标注的数据，其中，所述经标注的数据随后被用于训练机器学习算法以在自动驾驶车辆的自动驾驶期间识别障碍物。
本申请的又一方面提供了一种数据处理系统，包括：处理器；以及存储器，所述存储器联接到所述处理器以存储指令，所述指令在由所述处理器运行时致使所述处理器执行以下操作，所述操作包括：当自动驾驶车辆在包括多个障碍物的目标区域内移动时，从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据；对所收集的传感器数据进行操作以获取与所述障碍物相关的障碍物数据、位置数据以及与所述障碍物数据和所述位置数据对应的多个时间戳；针对所述时间戳中的每个，基于所述位置数据将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些，从而生成所述障碍物的映射信息；以及自动对所述映射信息进行标注以生成经标注的数据，其中，所述经标注的数据随后被用于训练机器学习算法以在自动驾驶车辆的自动驾驶期间识别障碍物。
附图说明
本公开的实施方式以示例而非限制的方式示出在附图的各图中，附图中相似的附图标记指示相似的元件。
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的示例的框图。
图3A至图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。
图4是示出根据一个实施方式的用于自动数据标注的系统的图。
图5是示出根据一个实施方式的具有对应的时间戳的障碍物的映射信息的示例的图。
图6是示出根据一个实施方式的在包括多个障碍物的目标区域内操作自动驾驶车辆的图。
图7是根据一个实施方式的用于自动生成经标注的数据的方法的流程图。
图8是示出根据一个实施方式的数据处理系统的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面，附图将示出所述各种实施方式。下列描述和附图是对本公开的说明，而不应当解释为限制本公开。描述了许多特定细节以提供对本公开各种实施方式的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的引述意味着结合该实施方式所描述的特定特征、结构或特性可包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各处的记载不必全部指同一实施方式。
根据一些实施方式，为了从安装在自动驾驶车辆上的诸如雷达和/或光探测和测距(LIDAR)的一个或多个传感器来自动生成经标注的数据，选择了目标区域(ROI)。在选择ROI时，测量并记录ROI的边界(例如，x和y坐标)。在一个实施方式中，障碍物或对象被编号并放置在ROI内。基于安装在自动驾驶车辆上的感知模块的要求来选择障碍物。例如，在一个实施方式中，障碍物包括其它车辆(例如，常规车辆或另一自动驾驶车辆)、交通标志模型和/或虚拟人体模型。在一个实施方式中，自动驾驶车辆在ROI内(或在接近于ROI处)操作。当在ROI内(或在接近于ROI处)驾驶车辆时，从安装在自动驾驶车辆上的传感器收集传感器数据(例如，LIDAR数据)。处理所收集的数据，以获取所收集数据的相应的时间戳并对准该时间戳，其中，每个时间戳具有采集相应的传感器数据时的当前时间。对于每个时间戳，将相应的传感器数据对准，并基于例如来自惯性测量单元(IMU)和/或全球定位系统(GPS)以及障碍物的预标记位置(和/或边界)的位置数据将障碍物的位置(和/或边界)映射至相应的传感器数据(例如，LIDAR数据)。然后对预标记的数据标注以生成经标注的数据。通过这种方式，可以以成本经济的方式(因为显著减少或消除了人力)以每天数百万的量级自动生成经标注的数据。
在一个实施方式中，当自动驾驶车辆(ADV)在包括多个障碍物的目标区域(ROI)内移动的同时，从安装在ADV上的一个或多个传感器收集传感器数据。操作所收集的传感器数据以获取与障碍物有关的障碍物数据、位置数据以及与障碍物数据和位置数据对应的多个时间戳。对于时间戳中的每个，障碍物的位置基于位置数据被映射至障碍物数据中与该时间戳对应的一些，从而生成障碍物的映射信息。自动对映射信息进行标注以生成经标注的数据，其中，随后使用经标注的数据训练机器学习算法，例如，以在ADV的自动驾驶期间识别障碍物。
在一个实施方式中，在当ADV在ROI内移动的同时从安装在ADV上的传感器收集传感器数据之前，从ADV的初始位置预先标记ROI和障碍物以生成预标记的数据。在一个实施方式中，还基于预标记的数据将障碍物的位置映射至障碍物数据中与时间戳对应的一些。
在一个实施方式中，在将障碍物的位置映射到障碍物数据中与时间戳对应的一些之前，将时间戳和障碍物的位置对准。
图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或者位置服务器等。
自动驾驶车辆是指可以被配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可包括传感器系统，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、娱乐信息系统114和传感器系统115。自动驾驶车辆101还可包括普通车辆中包括的某些常用部件，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相机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS系统212可包括收发器，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。相机211可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。相机211可以是静物相机和/或视频相机。相机可以是可机械地移动的，例如，通过将相机安装在旋转和/或倾斜平台上。
传感器系统115还可包括其它传感器，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获取行程相关数据。例如，感知与规划系统110可以从MPOI服务器中获取位置和路线信息，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)获取实时交通信息。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。
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、路线安排模块307、数据收集器308、数据处理模块309、数据存储模块310、位置对准与映射模块321、数据标注模块322和标记模块313。
模块301至313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313中的一些可以一起集成为集成模块。
定位模块301(例如，利用GPS单元212)确定自动驾驶车辆300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，以获取行程相关数据。例如，定位模块301可以从位置服务器和地图与POI(MPOI)服务器获取位置和路线信息。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取实时交通信息。
基于由传感器系统115提供的传感器数据和由定位模块301获取的定位信息，感知模块302确定对周围环境的感知。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相机采集的图像，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预测所述对象在所述情况下的行为。基于在某时间点感知的驾驶环境的感知数据根据地图和路线信息311与交通规则312的集合来执行所述预测。例如，如果对象是相反方向处的车辆且当前驾驶环境包括十字路口，则预测模块303则将预测该车辆是可能向前直行还是可能转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可预测该车辆可能在进入十字路口之前必须完全停下。如果感知数据表明该车辆当前处于左转专用车道或右转专用车道，则预测模块303可分别预测该车辆更可能进行左转或右转。
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、经过)。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。
路线安排模块307配置成提供从起始点到目的地点的一条或多条路线或路径。对于例如从用户接收的从起始位置到目的地位置的给定行程，路线安排模块307获取地图信息和路线311并确定从起始位置到达目的地位置的所有可能的路线或路径。路线安排模块307可以以地形图的形式为确定从起始位置到达目的地位置的每条路线生成参考线路。参考线路是指在不受诸如其它车辆、障碍物或交通状况等其它的任何干扰的情况下的理想的路线或路径。即，如果道路上没有其它车辆、行人或障碍物，ADV应完全地或接近完全地遵循参考线路。随后将地形图提供给决策模块304和/或规划模块305。决策模块304和/或规划模块305检验所有可能的路线以根据由其它模块提供的其它数据(诸如，来自定位模块301的交通状况、感知模块302所感知的驾驶环境以及预测模块303所预测的交通状况)来选择并修正一条最佳路线。根据在某时间点时具体的驾驶环境，用于控制ADV的实际路径或路线可以接近于或不同于路线安排模块307提供的参考线路。
基于针对所感知到的对象中的每个的决定，规划模块305使用路线安排模块307提供的参考线路作为基础，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可以决定经过所述对象，而规划模块305可以确定在所述对象的左侧还是右侧经过。规划和控制数据由规划模块305生成，包括描述车辆300在下一移动周期(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，规划阶段在多个规划周期(也称为命令周期)中执行，诸如，以例如每100毫秒(ms)的时间间隔执行。针对每个规划周期或命令周期，将基于规划和控制数据发出一个或多个控制命令。即，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到达该目标位置所需的时间。替代地，规划模块305还可指定具体速度、方向和/或转向角度等。在一个实施方式中，规划模块305为下一预定的时间段(诸如5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于先前周期中所规划的目标位置为当前周期(例如，下个5秒)规划目标位置。控制模块306随后基于当前周期的规划和控制数据生成一个或多个控制命令(例如，油门控制命令、制动控制命令、转向控制命令)。
应注意，决策模块304和规划模块305可以集成为集成模块。决策模块304/规划模块305可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客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。
另外参考图4，其中，图4是示出根据一个实施方式的用于自动数据标注的系统的图，数据收集器308可以从安装在自动驾驶车辆101上的传感器系统115的多种传感器(例如，相机211、GPS单元212、IMU 213、雷达单元214和LIDAR单元215)收集传感器数据。例如，现在参考图6，当自动驾驶车辆101在ROI 600内(或在接近于ROI 600处)操作时，传感器系统115可检测ROI 600内的多个障碍物(或对象)601至604，并在不同的时间点时生成传感器数据(例如，位置数据、LIDAR数据等)。当自动驾驶车辆在ROI 600内移动时，生成其它传感器数据。例如，ROI 600可以是车辆可在其中进行操作的任何区域或地区，诸如交叉路口。障碍物601至604可基于感知模块302的要求预先放置在ROI 600中。障碍物601至604例如可以是另一车辆(例如，自动驾驶车辆或常规车辆)、行人的虚拟模型或交通相关标志(停止标志、让行标志)的模型等。应理解的是，虽然图6示出了障碍物601至604，但在ROI 600内可存在任何数量的障碍物。
应理解的是，虽然图6仅示出了一个ROI，但在操作中，自动驾驶车辆101可进入各种ROI，并且每个ROI可取决于区域而具有被不同地定位的不同数量的障碍物。
返回参考图3A至图3B和图4，数据处理模块309对所收集的传感器数据进行处理或操作以获取障碍物数据121、位置数据122和时间戳123。在一个实施方式中，障碍物数据121、位置数据122和时间戳123可被数据存储模块310存储在永久性存储装置352上。在另一实施方式中，数据存储模块310可将障碍物数据121、位置数据122和时间戳123存储在中央服务器上(例如，服务器103)以用于后续处理。在一个实施方式中，障碍物数据121可包括在自动驾驶车辆101所处的环境(诸如，图6的ROI 600)中感测到的每个障碍物或对象的信息(诸如，LIDAR数据和雷达数据)。如前所述，障碍物可被例如雷达单元214和/或LIDAR单元215感测到。在一个实施方式中，位置数据122可包括环境中的每个障碍物的位置信息(例如，x、y、z坐标)和/或边界信息(例如，边界框信息)。在一个实施方式中，位置数据122可由GPS单元212和/或IMU 213提供。在一个实施方式中，时间戳123中的每个均可包括传感器数据(例如，障碍物数据121、位置数据122)被采集时的当前时间。例如，当在自动驾驶车辆101在环境中移动的同时在特定时间点采集传感器数据时，可调用时间戳模块(未示出)以利用当前时间对传感器数据加时间戳，从而在所收集的传感器数据内生成多种时间戳。在一个实施方式中，数据处理模块309可在数据处理模块309对所收集的传感器数据进行操作时对准时间戳123，以与时间戳123同步。
对于时间戳123中的每个，位置对准与映射模块321可基于位置数据122和预标记数据125将环境内的每个障碍物的位置和/或边界对准并映射至障碍物数据121(如本文中下面更详细描述的那样)。例如，现在参考图5，时间戳123可包括多个时间戳，例如TS_1…TS_N。每个时间戳(例如，TS_1、TS_2、TS_3…TS_N)可与由障碍物数据121提供的感测到的多个障碍物(诸如，障碍物1、障碍物2......障碍物M)对应。然后，将感测到的每个障碍物的、可由位置数据122提供的位置(例如，P1、P2、P3......PN)映射到与障碍物相关的障碍物数据，以形成障碍物的映射信息。即，对于时间戳123中的每个，为环境内的感测到的多个障碍物生成映射信息。在一些实施方式中，障碍物的映射信息可包括障碍物的位置(例如，点云数据集中的x、y、z坐标)和障碍物的反射率。
障碍物的映射信息被提供给数据标注模块322以自动生成经标注的数据124。如此，在一个实施方式中，数据标注模块322可针对特定的时间戳(例如，TS_1、TS_2、TS_3…TS_N)自动将标注(例如，多个字符)附加至或标记至每个障碍物(例如，障碍物1、障碍物2......障碍物M)的映射信息，以生成经标注的数据124。在另一实施方式中，数据标注模块322可针对这样特定的时间戳自动将标注标记至一组障碍物(例如，障碍物1、障碍物2......障碍物M或其任何组合)的映射信息。相应地，经标注的数据124可包括具有相应的数据标注的多个障碍物(或多组障碍物)的映射信息。通常，映射信息利用有含义的标注进行标记，虽然这些标注可具有字符的任何组合，但这些标注是附有信息的，以使得标注能够充分描述映射信息。在一些实施方式中，经标注的数据124可用于多种操作，诸如，训练机器学习模型/算法(例如，诸如深度神经网络、卷积神经网络、深度信念网络和/或递归神经网络的深度学习架构)。在一个实施方式中，经标注的数据124可存储在永久性存储装置352中，尽管替代地，经标注的数据124可存储在中央服务器(例如，服务器103)上以用于后续处理。
在环境(例如，图6的ROI 600)内(或在接近于环境处)驾驶自动驾驶车辆101之前，一个实施方式中的标记模块313可从自动驾驶车辆101的初始位置处预标记ROI和ROI内的障碍物。例如，使用来自GPS单元212和/或IMU 213的位置数据，标记模块313可测量并记录ROI的边界(例如，x、y坐标)，以使得随后可选择该ROI来操作自动驾驶车辆101。在一个实施方式中，使用来自雷达单元214的雷达数据和/或来自LIDAR单元215的LIDAR数据，标记模块313可测量并记录ROI内的每个障碍物的初始位置和边界。相应地，所记录的ROI的边界和ROI内的障碍物的初始位置和/或边界可以存储为预标记数据125。在一个实施方式中，预标记数据125可存储在永久性存储装置352上。在另一实施方式中，预标记数据125可存储在中央服务器(例如，服务器103)上。
如前所述，本发明的实施方式允许以成本经济的方式(因为显著减少或消除了人力)以每天数百万的量级自动生成经标注的数据。应注意的是，尽管将模块308至313示出为在感知与规划系统110上实施，但在一些实施方式中，模块308至313可替代地在中央服务器(例如，服务器103)上实施。
图7是根据一个实施方式的用于自动生成经标注的数据的方法的流程图。过程700可由处理逻辑执行，处理逻辑可包括软件、硬件或其组合。例如，过程700可被图1的服务器103和/或感知与规划系统110执行。
参考图7，在框701处，当自动驾驶车辆(ADV)在包括多个障碍物的目标区域(ROI)内移动的同时，处理逻辑从安装在ADV上的一个或多个传感器收集传感器数据。在框702处，处理逻辑对所收集的传感器数据进行操作，以获取与障碍物相关的障碍物数据、位置数据以及与障碍物数据和位置数据对应的多个时间戳。在框703处，针对时间戳中的每个，处理逻辑基于位置数据将障碍物的位置映射到障碍物数据中与时间戳对应的一些障碍物数据，从而生成障碍物的映射信息。在框704处，处理逻辑自动对映射信息进行标注以生成经标注的数据，其中，经标注的数据随后被用于训练机器学习算法以例如在ADV的自动驾驶期间识别障碍物。
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本申请全文中所述的过程或操作。替代地，此类部件可以实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可以经由来自应用的相应驱动程序和/或操作系统来访问。此外，此类部件可以实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图8是示出可以与本公开的一个实施方式一起使用的数据处理系统的示例的框图。例如，系统1500可以表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统，例如，图1的感知与规划系统110或者服务器103至104中的任一个。系统1500可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)可以用作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可包括音频装置。音频装置可包括扬声器和/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还可包括成像处理子系统(例如，相机)，所述成像处理子系统可包括用于促进相机功能(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可包括计算机可访问的存储介质1509(也被称为机器可读存储介质或计算机可读介质)，其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如，模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可以表示上述部件中的任一个，例如规划模块305、控制模块306、数据收集器308、数据处理模块309、数据存储模块310、位置对准与映射模块321、数据标注模块322、标记模块313。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它技术人员。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发明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发明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.用于自动生成经标注的数据的计算机实施方法，包括：
当自动驾驶车辆在包括多个障碍物的目标区域内移动时，从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据；
对所收集的传感器数据进行操作以获取与所述障碍物相关的障碍物数据、位置数据以及与所述障碍物数据和所述位置数据对应的多个时间戳；
针对所述时间戳中的每个，基于所述位置数据将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些，从而生成所述障碍物的映射信息；以及
自动对所述映射信息进行标注以生成经标注的数据，其中，所述经标注的数据随后被用于训练机器学习算法以在自动驾驶车辆的自动驾驶期间识别障碍物。
2.根据权利要求1所述的方法，还包括：
在当所述自动驾驶车辆在所述目标区域内移动时从安装在所述自动驾驶车辆上的所述一个或多个传感器收集所述传感器数据之前，从所述自动驾驶车辆的初始位置预标记所述目标区域和所述多个障碍物，以生成预标记的数据；
其中，将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些还基于所述预标记的数据。
3.根据权利要求1所述的方法，还包括：在将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些之前，将所述多个时间戳与所述障碍物的位置对准。
4.根据权利要求1所述的方法，其中，所述障碍物数据包括在不同时间点采集的光探测和测距数据，所述不同时间点被包括在所述时间戳中。
5.根据权利要求4所述的方法，其中，所述位置数据包括在所述不同时间点采集的所述障碍物的位置。
6.根据权利要求5所述的方法，其中，所述位置数据从惯性测量单元或全球定位系统获取。
7.根据权利要求2所述的方法，其中，所述预标记的数据包括所述目标区域的边界信息，以及在所述目标区域内的所述多个障碍物的初始位置和边界信息。
8.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运行时致使所述处理器执行以下操作，所述操作包括：
当自动驾驶车辆在包括多个障碍物的目标区域内移动时，从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据；
对所收集的传感器数据进行操作以获取与所述障碍物相关的障碍物数据、位置数据以及与所述障碍物数据和所述位置数据对应的多个时间戳；
针对所述时间戳中的每个，基于所述位置数据将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些，从而生成所述障碍物的映射信息；以及
自动对所述映射信息进行标注以生成经标注的数据，其中，所述经标注的数据随后被用于训练机器学习算法以在自动驾驶车辆的自动驾驶期间识别障碍物。
9.根据权利要求8所述的非暂时性机器可读介质，
其中，所述操作还包括：在当所述自动驾驶车辆在所述目标区域内移动时从安装在所述自动驾驶车辆上的所述一个或多个传感器收集所述传感器数据之前，从所述自动驾驶车辆的初始位置预标记所述目标区域和所述多个障碍物，以生成预标记的数据；
其中，将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些还基于所述预标记的数据。
10.根据权利要求8所述的非暂时性机器可读介质，其中，所述操作还包括：在将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些之前，将所述多个时间戳与所述障碍物的位置对准。
11.根据权利要求8所述的非暂时性机器可读介质，其中，所述障碍物数据包括在不同时间点采集的光探测和测距数据，所述不同时间点被包括在所述时间戳中。
12.根据权利要求11所述的非暂时性机器可读介质，其中，所述位置数据包括在所述不同时间点采集的所述障碍物的位置。
13.根据权利要求12所述的非暂时性机器可读介质，其中，所述位置数据从惯性测量单元或全球定位系统获取。
14.根据权利要求9所述的非暂时性机器可读介质，其中，所述预标记的数据包括所述目标区域的边界信息，以及在所述目标区域内的所述多个障碍物的初始位置和边界信息。
15.数据处理系统，包括：
处理器；以及
存储器，所述存储器联接到所述处理器以存储指令，所述指令在由所述处理器运行时致使所述处理器执行以下操作，所述操作包括：
当自动驾驶车辆在包括多个障碍物的目标区域内移动时，从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据；
对所收集的传感器数据进行操作以获取与所述障碍物相关的障碍物数据、位置数据以及与所述障碍物数据和所述位置数据对应的多个时间戳；
针对所述时间戳中的每个，基于所述位置数据将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些，从而生成所述障碍物的映射信息；以及
自动对所述映射信息进行标注以生成经标注的数据，其中，所述经标注的数据随后被用于训练机器学习算法以在自动驾驶车辆的自动驾驶期间识别障碍物。
16.根据权利要求15所述的数据处理系统，
其中，所述操作还包括：在当所述自动驾驶车辆在所述目标区域内移动时从安装在所述自动驾驶车辆上的所述一个或多个传感器收集所述传感器数据之前，从所述自动驾驶车辆的初始位置预标记所述目标区域和所述多个障碍物，以生成预标记的数据；
其中，将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些还基于所述预标记的数据。
17.根据权利要求15所述的数据处理系统，其中，所述操作还包括：在将所述障碍物的位置映射到所述障碍物数据中与所述时间戳对应的一些之前，将所述多个时间戳与所述障碍物的位置对准。
18.根据权利要求15所述的数据处理系统，其中，所述障碍物数据包括在不同时间点采集的光探测和测距数据，所述不同时间点被包括在所述时间戳中。
19.根据权利要求18所述的数据处理系统，其中，所述位置数据包括在所述不同时间点采集的所述障碍物的位置。
20.根据权利要求19所述的数据处理系统，其中，所述位置数据从惯性测量单元或全球定位系统获取。
21.根据权利要求16所述的数据处理系统，其中，所述预标记的数据包括所述目标区域的边界信息，以及在所述目标区域内的所述多个障碍物的初始位置和边界信息。
CN201910020817.8A 2018-04-13 2019-01-09 用于自动驾驶车辆的自动数据标注 Pending CN110377024A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/953,240 2018-04-13
US15/953,240 US10816984B2 (en) 2018-04-13 2018-04-13 Automatic data labelling for autonomous driving vehicles

Publications (1)

Publication Number Publication Date
CN110377024A true CN110377024A (zh) 2019-10-25

Family

ID=68161676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910020817.8A Pending CN110377024A (zh) 2018-04-13 2019-01-09 用于自动驾驶车辆的自动数据标注

Country Status (3)

Country Link
US (1) US10816984B2 (zh)
JP (1) JP6811282B2 (zh)
CN (1) CN110377024A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991489A (zh) * 2019-11-11 2020-04-10 苏州智加科技有限公司 一种驾驶数据的标注方法、装置及系统
CN111125442A (zh) * 2019-12-11 2020-05-08 苏州智加科技有限公司 数据标注方法及装置
CN111242986A (zh) * 2020-01-07 2020-06-05 北京百度网讯科技有限公司 跨相机的障碍物跟踪方法、装置、设备、系统及介质
CN111680730A (zh) * 2020-06-01 2020-09-18 中国第一汽车股份有限公司 一种地理围栏的生成方法、装置、计算机设备和存储介质
CN112200049A (zh) * 2020-09-30 2021-01-08 华人运通(上海)云计算科技有限公司 对路面地形进行数据标注的方法、装置、设备及存储介质
CN113126120A (zh) * 2021-04-25 2021-07-16 北京百度网讯科技有限公司 数据标注方法、装置、设备、存储介质以及计算机程序产品
CN113376657A (zh) * 2020-02-25 2021-09-10 百度（美国）有限责任公司 用于自动驾驶车辆lidar数据的自动标记系统
CN113706870A (zh) * 2021-08-30 2021-11-26 广州文远知行科技有限公司 一种拥堵场景下主车换道数据的收集方法及相关设备
CN114755673A (zh) * 2020-12-25 2022-07-15 欧特明电子股份有限公司 多传感器自动驾驶系统
CN117104265A (zh) * 2023-08-25 2023-11-24 广州小鹏自动驾驶科技有限公司 自动驾驶处理方法、装置、车辆及存储介质

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10816995B2 (en) * 2018-08-24 2020-10-27 Baidu Usa Llc GPS based high precision timestamp generation circuit for an autonomous driving vehicle
US10816979B2 (en) * 2018-08-24 2020-10-27 Baidu Usa Llc Image data acquisition logic of an autonomous driving vehicle for capturing image data using cameras
US10839230B2 (en) * 2018-09-06 2020-11-17 Ford Global Technologies, Llc Multi-tier network for task-oriented deep neural network
US20190061771A1 (en) * 2018-10-29 2019-02-28 GM Global Technology Operations LLC Systems and methods for predicting sensor information
US10503174B1 (en) * 2019-01-31 2019-12-10 StradVision, Inc. Method and device for optimized resource allocation in autonomous driving on the basis of reinforcement learning using data from lidar, radar, and camera sensor
CN110830141B (zh) * 2019-11-26 2021-11-16 北京小马慧行科技有限公司 时间同步方法、系统、存储介质及处理器
CN111008706B (zh) * 2019-12-09 2023-05-05 长春嘉诚信息技术股份有限公司 一种自动标注、训练、预测海量数据的处理方法
US11662475B2 (en) * 2019-12-19 2023-05-30 U-Blox Ag Time stamping asynchronous sensor measurements
US11592575B2 (en) 2019-12-20 2023-02-28 Waymo Llc Sensor steering for multi-directional long-range perception
US12027039B2 (en) 2019-12-30 2024-07-02 Subaru Corporation Mobility information provision system, server, and vehicle
US12046140B2 (en) 2019-12-30 2024-07-23 Subaru Corporation Mobility information provision system, server, and vehicle
US11875572B2 (en) * 2020-03-25 2024-01-16 Ali Corporation Space recognition method, electronic device and non-transitory computer-readable storage medium
CN113446971B (zh) * 2020-03-25 2023-08-08 扬智科技股份有限公司 空间识别方法，电子装置和非暂态计算机可读存储介质
US20240005197A1 (en) * 2020-12-28 2024-01-04 Korea Electronics Technology Institute Method and system for generating ai training hierarchical dataset including data acquisition context information
US11735205B2 (en) * 2021-01-12 2023-08-22 Baidu Usa Llc Audio logging for model training and onboard validation utilizing autonomous driving vehicle
US20220222296A1 (en) * 2021-01-12 2022-07-14 Baidu Usa Llc Automatic audio data labelling utilizing autonomous driving vehicle
US11972015B2 (en) * 2021-06-01 2024-04-30 Ford Global Technologies, Llc Personally identifiable information removal based on private area logic
US11628859B1 (en) * 2022-07-29 2023-04-18 Plusai, Inc. Vehicle placement on aerial views for vehicle control
US11634156B1 (en) 2022-07-29 2023-04-25 Plusai, Inc. Aerial view generation for vehicle control

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014174822A1 (ja) * 2013-04-24 2014-10-30 株式会社デンソー 運転支援ユニット、運転支援装置、センサユニット、及び携帯端末
CN105989749A (zh) * 2015-03-20 2016-10-05 哈曼国际工业有限公司 用于优先化驾驶员警报的系统和方法
CN106503653A (zh) * 2016-10-21 2017-03-15 深圳地平线机器人科技有限公司 区域标注方法、装置和电子设备
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法
CN106778548A (zh) * 2016-11-30 2017-05-31 百度在线网络技术（北京）有限公司 用于检测障碍物的方法和装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7456596B2 (en) * 2005-08-19 2008-11-25 Cisco Technology, Inc. Automatic radio site survey using a robot
US20100026555A1 (en) * 2006-06-09 2010-02-04 Whittaker William L Obstacle detection arrangements in and for autonomous vehicles
US8364334B2 (en) * 2008-10-30 2013-01-29 Honeywell International Inc. System and method for navigating an autonomous vehicle using laser detection and ranging
JP6897668B2 (ja) 2016-03-30 2021-07-07 ソニーグループ株式会社 情報処理方法および情報処理装置
US20180308281A1 (en) * 2016-04-01 2018-10-25 draw, Inc. 3-d graphic generation, artificial intelligence verification and learning system, program, and method
JP6548691B2 (ja) 2016-10-06 2019-07-24 株式会社アドバンスド・データ・コントロールズ 画像生成システム、プログラム及び方法並びにシミュレーションシステム、プログラム及び方法
JP6943187B2 (ja) 2017-07-11 2021-09-29 日本電信電話株式会社 センシングデータ処理システムとそのエッジサーバ、伝送トラフィック削減方法およびプログラム
US10558224B1 (en) * 2017-08-10 2020-02-11 Zoox, Inc. Shared vehicle obstacle data
US10437252B1 (en) * 2017-09-08 2019-10-08 Perceptln Shenzhen Limited High-precision multi-layer visual and semantic map for autonomous driving
JP7149707B2 (ja) 2018-01-15 2022-10-07 キヤノン株式会社 情報処理装置及びその制御方法及びプログラム、並びに、運転制御システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014174822A1 (ja) * 2013-04-24 2014-10-30 株式会社デンソー 運転支援ユニット、運転支援装置、センサユニット、及び携帯端末
CN105989749A (zh) * 2015-03-20 2016-10-05 哈曼国际工业有限公司 用于优先化驾驶员警报的系统和方法
CN106503653A (zh) * 2016-10-21 2017-03-15 深圳地平线机器人科技有限公司 区域标注方法、装置和电子设备
CN106778548A (zh) * 2016-11-30 2017-05-31 百度在线网络技术（北京）有限公司 用于检测障碍物的方法和装置
CN106599832A (zh) * 2016-12-09 2017-04-26 重庆邮电大学 一种基于卷积神经网络的多类障碍物检测与识别方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991489A (zh) * 2019-11-11 2020-04-10 苏州智加科技有限公司 一种驾驶数据的标注方法、装置及系统
CN111125442A (zh) * 2019-12-11 2020-05-08 苏州智加科技有限公司 数据标注方法及装置
CN111125442B (zh) * 2019-12-11 2022-11-15 苏州智加科技有限公司 数据标注方法及装置
CN111242986A (zh) * 2020-01-07 2020-06-05 北京百度网讯科技有限公司 跨相机的障碍物跟踪方法、装置、设备、系统及介质
CN111242986B (zh) * 2020-01-07 2023-11-24 阿波罗智能技术(北京)有限公司 跨相机的障碍物跟踪方法、装置、设备、系统及介质
CN113376657A (zh) * 2020-02-25 2021-09-10 百度（美国）有限责任公司 用于自动驾驶车辆lidar数据的自动标记系统
CN113376657B (zh) * 2020-02-25 2024-05-14 百度（美国）有限责任公司 用于自动驾驶车辆lidar数据的自动标记系统
CN111680730A (zh) * 2020-06-01 2020-09-18 中国第一汽车股份有限公司 一种地理围栏的生成方法、装置、计算机设备和存储介质
CN112200049A (zh) * 2020-09-30 2021-01-08 华人运通(上海)云计算科技有限公司 对路面地形进行数据标注的方法、装置、设备及存储介质
CN112200049B (zh) * 2020-09-30 2023-03-31 华人运通(上海)云计算科技有限公司 对路面地形进行数据标注的方法、装置、设备及存储介质
CN114755673A (zh) * 2020-12-25 2022-07-15 欧特明电子股份有限公司 多传感器自动驾驶系统
CN113126120A (zh) * 2021-04-25 2021-07-16 北京百度网讯科技有限公司 数据标注方法、装置、设备、存储介质以及计算机程序产品
CN113126120B (zh) * 2021-04-25 2023-08-25 北京百度网讯科技有限公司 数据标注方法、装置、设备、存储介质以及计算机程序产品
CN113706870A (zh) * 2021-08-30 2021-11-26 广州文远知行科技有限公司 一种拥堵场景下主车换道数据的收集方法及相关设备
CN117104265A (zh) * 2023-08-25 2023-11-24 广州小鹏自动驾驶科技有限公司 自动驾驶处理方法、装置、车辆及存储介质

Also Published As

Publication number Publication date
JP2019182412A (ja) 2019-10-24
US20190317507A1 (en) 2019-10-17
US10816984B2 (en) 2020-10-27
JP6811282B2 (ja) 2021-01-13

Similar Documents

Publication Publication Date Title
CN110377024A (zh) 用于自动驾驶车辆的自动数据标注
CN110345955A (zh) 用于自动驾驶的感知与规划协作框架
CN109489673A (zh) 用于自动驾驶车辆的数据驱动地图更新系统
CN110388931A (zh) 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法
CN110377025A (zh) 用于自动驾驶车辆的传感器聚合框架
CN109429518A (zh) 基于地图图像的自动驾驶交通预测
CN108732589A (zh) 利用3d lidar和定位自动采集用于对象识别的训练数据
CN110239562A (zh) 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适
CN110325935A (zh) 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线
CN110378483A (zh) 部署在模拟平台上的用于训练机器学习模型的系统和方法
CN110389585A (zh) 用于自动驾驶车辆的基于学习的速度规划器
CN110389583A (zh) 生成自动驾驶车辆的轨迹的方法
CN108604095A (zh) 动态调整自动驾驶车辆的转向率的方法
CN110096053A (zh) 用于自动驾驶车辆的驾驶轨迹生成方法、系统和机器可读介质
CN109947090A (zh) 用于自动驾驶车辆规划的非阻塞边界
CN109287122A (zh) 基于自动驾驶车辆的控制反馈更新地图的方法和系统
CN110349416A (zh) 用于自动驾驶车辆（adv）的基于密度的交通灯控制系统
CN108387241A (zh) 更新自动驾驶车辆的定位地图的方法和系统
CN108139884A (zh) 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法
CN109937343A (zh) 用于自动驾驶车辆交通预测中的预测轨迹的评估框架
CN108733046A (zh) 用于自动驾驶车辆的轨迹重新规划的系统和方法
CN110462543A (zh) 用于评估自动驾驶车辆的感知要求的基于仿真的方法
CN109426256A (zh) 自动驾驶车辆的基于驾驶员意图的车道辅助系统
CN109935077A (zh) 用于为自动驾驶车辆构建车辆与云端实时交通地图的系统
CN110386142A (zh) 用于自动驾驶车辆的俯仰角校准方法

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