CN110386142B - 用于自动驾驶车辆的俯仰角校准方法 - Google Patents

用于自动驾驶车辆的俯仰角校准方法 Download PDF

Info

Publication number
CN110386142B
CN110386142B CN201910034380.3A CN201910034380A CN110386142B CN 110386142 B CN110386142 B CN 110386142B CN 201910034380 A CN201910034380 A CN 201910034380A CN 110386142 B CN110386142 B CN 110386142B
Authority
CN
China
Prior art keywords
autonomous vehicle
distance
pitch angle
bounding box
image
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
Application number
CN201910034380.3A
Other languages
English (en)
Other versions
CN110386142A (zh
Inventor
陈亦魁
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 CN110386142A publication Critical patent/CN110386142A/zh
Application granted granted Critical
Publication of CN110386142B publication Critical patent/CN110386142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/11—Pitch movement
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Human Computer Interaction (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

在一个实施方式中，ADV的系统使用安装在ADV上的多个传感器在ADV的视角图中感知对象，包括使用单目图像捕获设备捕获对象的图像。系统确定对象的二维(2D)边界框以及从ADV到对象的感知距离。系统基于2D边界框和从ADV到对象的感知距离，通过至少修改先前的外在校准值，在图像的图像空间内搜索动态俯仰角，以计算距离。系统基于所搜索的动态俯仰角来确定从ADV到ADV的视角图的地面上的点的距离。系统基于所确定的地面上的点的距离来生成行驶轨迹，以控制ADV。

Description

用于自动驾驶车辆的俯仰角校准方法
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)的俯仰角校准的方法。
背景技术
以自动驾驶模式运行(例如，无人驾驶)的车辆可将乘员、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。
对周围环境的感知可以表示普通驾驶员将感知到的在驾驶员所驾驶的车辆周围的事物。自动驾驶车辆的不同传感器系统可能具有有限的感知。例如，基于摄像机图像的感知缺失深度信息。基于LIDAR和RADAR图像的感知可能局限于黑白。此外，LIDAR和RADAR的精度可能依赖于天气条件和/或感知对象的距离。
一旦已知捕获图像的摄像机的校准参数(诸如摄像机与地面之间的俯仰角的动态变化)，就能够对摄像机图像捕获的任何地面像素(假设相对平坦的地面)计算测距。然而，由于在ADV运行时ADV和/或摄像机设备的俯仰角(例如，车辆倾斜)的变化，基于摄像机设备捕获的图像的测距可能不准确。因此，需要估计ADV俯仰角的变化，以提高使用单目摄像机的地面像素的测距的精度。
发明内容
在本公开的一方面，提供了一种用于操作自动驾驶车辆的计算机实施的方法，所述方法包括：
使用安装在所述自动驾驶车辆上的多个传感器在所述自动驾驶车辆的视角图中感知对象，包括使用单目图像捕获设备捕获所述对象的图像；
基于所述对象的图像确定所述对象的二维边界框以及从所述自动驾驶车辆到所述对象的感知距离；
在所述对象的图像的图像空间内，基于所述二维边界框以及从所述自动驾驶车辆到所述对象的所述感知距离，通过至少修改先前的外在校准值来搜索动态俯仰角，以计算距离值；
基于所搜索的动态俯仰角确定从所述自动驾驶车辆到所述自动驾驶车辆的所述视角图的地面上的点的距离；以及
基于所确定的所述地面上的点的距离来生成行驶轨迹以控制所述自动驾驶车辆。
在本公开的另一方面，提供了一种存储有指令的非暂时性机器可读介质，所述指令在由一个或多个处理器执行时致使所述一个或多个处理器执行操作，所述操作包括：
使用安装在所述自动驾驶车辆上的多个传感器在所述自动驾驶车辆的视角图中感知对象，包括使用单目图像捕获设备捕获所述对象的图像；
基于所述对象的图像确定所述对象的二维边界框以及从所述自动驾驶车辆到所述对象的感知距离；
在所述对象的图像的图像空间内，基于所述二维边界框以及从所述自动驾驶车辆到所述对象的所述感知距离，通过至少修改先前的外在校准值来搜索动态俯仰角，以计算距离值；
基于所搜索的动态俯仰角确定从所述自动驾驶车辆到所述自动驾驶车辆的所述视角图的地面上的点的距离；以及
基于所确定的所述地面上的点的距离来生成行驶轨迹以控制所述自动驾驶车辆。
在本公开的再一方面，提供了一种数据处理系统，包括：
一个或多个处理器；以及
存储器，耦合到所述处理器以存储指令，所述指令在由所述一个或多个处理器执行时致使所述一个或多个处理器执行操作，所述操作包括：
使用安装在所述自动驾驶车辆上的多个传感器在所述自动驾驶车辆的视角图中感知对象，包括使用单目图像捕获设备捕获所述对象的图像；
基于所述对象的图像确定所述对象的二维边界框以及从所述自动驾驶车辆到所述对象的感知距离；
在所述对象的图像的图像空间内，基于所述二维边界框以及从所述自动驾驶车辆到所述对象的所述感知距离，通过至少修改先前的外在校准值来搜索动态俯仰角，以计算距离值；
基于所搜索的动态俯仰角确定从所述自动驾驶车辆到所述自动驾驶车辆的所述视角图的地面上的点的距离；以及
基于所确定的所述地面上的点的距离来生成行驶轨迹以控制所述自动驾驶车辆。
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，附图中的相同参考标记指示相似元件。
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俯仰角模块的示例的框图。
图5A-5B分别是示出具有俯仰角的ADV的示例的框图，以及用于测距的误差率相对于俯仰角的图表。
图6A是示出根据一个实施方式的ADV的视角图(perspective view)的示例的框图。
图6B和6C是示出根据一个实施方式的分别没有俯仰角和具有俯仰角的ADV的侧视图的示例的框图。
图7A-7B是示出两个不同俯仰角的两个示例性视角图的框图。
图8是示出根据一个实施方式的ADV执行的方法的流程图。
图9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。下列描述和附图是本公开的说明，而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的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。
根据一个实施方式，ADV的系统使用安装在ADV上的多个传感器在ADV的视角图中感知对象，包括使用单目图像捕获设备捕获对象的图像。该系统基于图像确定对象的二维(2D)边界框以及从ADV到对象的感知距离。该系统通过至少修改先前的外在校准值，基于2D边界框和从ADV到对象的感知距离，在图像空间内搜索动态俯仰角，以计算距离值。该系统基于所搜索的动态俯仰角来确定从ADV到ADV的视角图的地面上的点的距离。该系统基于所确定的地面上的点的距离来生成行驶轨迹，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)服务器或位置服务器等。
自动驾驶车辆是指可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单元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可另外感测对象的速度和/或前进方向。LIDAR单元215可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。摄像机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。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。
返回参考图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、存储装置)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。可替代地，感知与规划系统110可与车辆控制系统111集成在一起。
例如，作为乘客的用户可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。可替代地，此类位置和MPOI信息可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可由第三方实体进行操作。可替代地，服务器103至104的功能可与感知与规划系统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，从而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(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发出的驾驶指令(例如，油门、制动、转向指令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、气候状况和道路状况，诸如高速公路上交通缓慢，交通中断，车祸，道路建设，临时绕行，未知障碍物等。
基于驾驶统计数据123，出于各种目的，机器学习引擎122生成或训练一组规则、算法和/或预测模型124，包括用于将二维(2D)边界框渲染到由用于ADV的图像捕获设备捕获的图像中标识的对象的模型。
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、路线模块307和俯仰角校准模块308。
模块301至308中的一些或全部可以以软件、硬件或其组合实施。例如，这些模块可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通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至308中的一些可一起集成为集成模块。
定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。定位模块301(又称作为地图与路线模块)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的诸如地图与路线信息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，从而可作为地图与路线信息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预测对象在这种情况下将如何表现。预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。
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，所述规则集可存储在永久性存储装置352中。
路线模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从起始位置到目的地位置的给定行程，例如从用户接收的给定行程，路线模块307获得路线与地图信息311，并确定从起始位置至到达目的地位置的所有可能路线或路径。路线模块307可生成地形图形式的参考线，它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地形图提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和修正最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线模块307提供的参考线。
基于针对所感知到的对象中的每个的决定，规划模块305使用由路线模块307提供的参考线作为基础，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可决定超过所述对象，而规划模块305可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。
规划阶段可以在多个规划周期(也称作为指令周期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或指令周期中的每一个，将基于规划和控制数据发出一个或多个控制指令。即，对于每100ms，规划模块305规划下一个路线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向角等。例如，规划模块305可以为下一个预定时段(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基于在前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制指令(例如，油门、制动、转向控制指令)。
应注意，决策模块304和规划模块305可集成为集成模块。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。
根据一个实施方式，俯仰角校准模块308可以基于感知对象的2D边界框(基于机器学习模型313)和到感知对象的真实距离，对ADV/摄像机设备的实时俯仰角执行在线校准。可以通过调整与俯仰角相对应的摄像机设备的外在校准参数(作为摄像机校准值315的一部分)来校准俯仰角，以计算到感知对象的距离。然后，可以使用搜索算法(作为搜索算法314的一部分)根据到感知对象的真实距离来更新计算的距离，以搜索俯仰角。在一个实施方式中，俯仰角校准模块308可以作为单个模块与感知模块302集成，或者可以是单独的模块。在另一个实施方式中，俯仰角校准模块308可以实现为感知模块302的一部分。
图4是示出根据一个实施方式的俯仰角校准模块的示例的框图。参见图4，俯仰角校准模块308可以校准安装在ADV上的ADV和/或图像捕获设备(例如摄像机)的俯仰角。俯仰角校准模块308可以包括2D边界框确定模块401、真实距离确定模块403、距离计算模块405、俯仰角搜索模块407和视图修改模块409。2D边界框确定模块401能够选择和/或确定用于俯仰角校准的感知对象的2D边界框。真实距离确定模块403能够确定到感知对象的真实距离。距离计算模块405能够基于搜索的俯仰角计算从ADV到感知对象的距离。俯仰角搜索模块407能够搜索将计算的距离匹配为从ADV到对象的真实距离的俯仰角。视图修改模块409能够修改捕获图像的图像平面中的感知视图以考虑任何俯仰角校准，以便计算对于捕获图像中任何像素的精确测距(例如，从ADV到感知对象的距离)。
图5A-5B分别是示出具有俯仰角的ADV的示例的框图，以及对于测距中的误差率相对于俯仰角的图表。参考图5A，ADV 101可以包括一个或多个图像捕获装置(例如，摄像机211)。ADV 101可能相对于平坦路面以某一角度(例如，俯仰角)倾斜，其中俯仰角等于ADV101的tan(升高/路程)。通常，每个图像帧的动态俯仰角的来源可以包括但不限于：悬挂、加速、制动、ADV中的乘客重量分布的变化以及不平坦的道路等。参考图5B，图表510示出了测距的误差率相对于俯仰角。对于距离ADV 101大约20米的障碍物，大小约为0.5度的俯仰角会导致在15％的范围内的测距误差。当从ADV 101到测量对象的距离增加时，测距误差增大。
图6A是示出根据一个实施方式的ADV的视角图的示例的框图。视角图600可以是由ADV 101(ADV 101未显示在图6A中)通过摄像机211看到的视角图。视角图600可以对应于摄像机211捕获的图像(具有图像平面)。参照图6A，视角图600包括道路601以及车辆603和606。车辆603和606可以通过ADV 101的感知模块302作为对象被检测。然后2D边界框确定模块(诸如图4的校准模块408的2D边界框确定模块401)能够应用机器学习模型(作为图3A的机器学习模型313的一部分)将2D边界框604和607叠加到车辆603和606上。可以使用各种机器学习模型来计算2D边界框，包括但不限于，卷积神经网络、区域卷积神经网络诸如快速和更快的区域卷积神经网络、掩蔽(masked)区域神经网络等。在一个实施方式中，2D边界框604和607被收紧以适应对象的尺寸。例如，可以对对象603和606的每个区域应用线性回归，以生成该区域的紧边界框坐标，直到边界框的尺寸(例如，长度或宽度)与其先前尺寸相比达到预定阈值或直到已经经过一定次数的迭代。
对于捕获图像中的紧密包围的2D边界框，假设对象(例如车辆603和606)位于地面上，2D边界框的底部格子能够用作触地点。基于触地点，ADV 101能够基于摄像机211的外在校准参数来估计从ADV到对象的距离，摄像机211可以预先校准。摄像机211包括内在和外在校准参数。内在校准参数包括焦距、偏斜系数和图像平面光学中心。外在校准参数包括摄像机相对于感知对象的旋转和平移。旋转参数可包括摄像机的偏航角、俯仰角和横摆角。摄像机校准可以使用来自诸如OpenCV、Matlab和机器人操作系统(ROS)等软件的校准工具，基于墙壁、地面或场景中的校准目标上的一些图案来执行。一旦摄像机的内在和/或外在参数已知，就能够基于与由摄像机211捕获的图像的像素距离来确定任何真实世界的距离。
一旦将2D边界框应用于感知的对象，则2D边界框确定模块(诸如如图4的2D边界框确定模块401)能够选择2D边界框用于俯仰角校准。在一个实施方式中，模块401基于到对象的距离选择2D边界框。例如，将使用边界框604而不是边界框607，这是因为与边界框604相对应的对象603更接近摄像机211。更接近的对象对于俯仰角校准将倾向于具有更高的精度，这是因为车辆603以及因此边界框604在视角图图像中由更多像素表示。
接着，能够确定到与2D边界框相对应的对象的真实距离。在一个实施方式中，真实距离确定模块403使用捕获车辆603的SONAR、LIDAR和/或RADAR深度图像来确定到车辆603的真实距离。在另一个实施方式中，真实距离确定模块403能够使用机器学习算法来确定真实距离，以基于捕获的RGB(红色、绿色和蓝色)图像中的对象的大小来预测到对象的距离。在另一个实施方式中，真实距离能够由一个或多个用于ADV 101和/或车辆603的位置传感器预先确定。这里，能够使用上述方法的任何组合来确定到车辆603的真实距离(例如，距离613)。
图6B-6C是根据一个实施方式分别示出没有俯仰角和具有俯仰角的ADV的侧视图的示例的框图。图6B的示例630与图6C的示例640类似，除了动态俯仰角624是由图6C中的升高物621引入的。图6B的示例630可以对应于图6A的视角图600。参见图6C，升高物621可以对应于引起动态俯仰角的任何瞬时源，诸如ADV的加速或制动。参见图6C，从ADV到车辆603的距离可以基于以下算法来计算：Dist＝./tan(α+β)，其中Dist是从ADV到车辆603的计算距离，α是从摄像机光轴到车辆603的触地点(例如，α角623)的先前的静态外在校准角(可以包括俯仰角的静态部分)，β是要确定的动态俯仰角(例如，动态俯仰角624)，h是摄像机211距地面的估计高度。在这种情况下，当ADV 101基于先前的静态摄像机外在校准参数(例如，α角)在运行时，可以在线执行实时俯仰角校准。例如，对于已知的α角，距离计算模块405可以基于初始动态俯仰角(例如0.5度)来计算距离值。从初始计算的距离和通过诸如SONAR、LIDAR和/或RADAR测距的其他方法获得的真实距离(例如，距离613)，俯仰角搜索模块407可以应用搜索算法(诸如，贪婪搜索、二分搜索或任何其他搜索算法)以搜索将计算的距离最佳匹配到真实距离的动态俯仰角。然后，可以将动态俯仰角确定为对应于在真实距离的某个预定阈值内的计算的距离的动态俯仰角。注意，贪婪算法是遵循启发式问题求解(例如，从一些候选选择计算解以求解目标函数)的算法，在每个阶段进行局部最优选择，希望找到全局最优。二分搜索是一种查找目标值在分类数组中的位置的搜索算法。一旦在线校准俯仰角(或针对特定摄像机图像和/或帧确定动态俯仰角)，在一个实施方式中，可以将所确定的动态俯仰角合并到用于摄像机211的静态外在校准参数中(例如，修改摄像机外部校准参数)。此后，可以使用在线每帧外在校准参数来确定所有其他地面像素点的3D距离，诸如车道标记、自由空间边界和/或其他检测到的2D边界框(基于它们的触地点)。在另一个实施方式中，所确定的动态俯仰角可以并入转换矩阵，用于将图像平面中捕获的图像的像素转换为现实世界坐标。例如，可以将动态俯仰角合并到矩阵中，诸如：w[x y 1]＝[X Y Z 1][Rt]TK，其中，w是比例因子，[x y 1]是与图像平面中的像素相对应的图像点的x轴和y轴，[XY Z 1]对应于现实世界坐标X、Y和Z轴，R＝[偏航角，静态俯仰角+动态俯仰角，横摇角]T，t是平移，K是内在校准矩阵。然后可以使用示例性矩阵来调整图像的地面像素以感知图像的任何像素的距离，诸如道路上的标记。然后，预测模块303、决策模块304和/或规划模块305可以使用感知到的距离来生成行驶轨迹以控制ADV 101。
图7A-7B是示出两个不同俯仰角的两个示例性视角图的框图。参考图7A-7B，一旦已知俯仰角，就能够使用至少具有摄像机外在校准参数的变换矩阵来生成和/或调整来自捕获图像的视角图。一旦调整了视角图，就能够确定地面上的每个像素的距离。这里，图7A-7B中示出的线能够表示不同的2D坐标值(例如，(x，y)值)在各自的地面上的网格。
图8是示出根据一个实施方式的ADV执行的方法的流程图。过程800可以由处理逻辑来执行，处理逻辑可包括软件、硬件或其组合。例如，过程800可以由图3A的俯仰角校准模块308执行。参考图8，在框801，处理逻辑使用安装在ADV上的多个传感器在ADV的视角图中感知对象，包括使用单目图像捕获设备捕获对象的图像。在框802，处理逻辑基于对象的图像确定对象的二维(2D)边界框以及从ADV到对象的感知距离。在框803，处理逻辑基于2D边界框以及从ADV到对象的感知距离，通过至少修改先前的外部校准值来在对象的图像的图像空间内搜索动态俯仰角，以便计算距离值。在框804，处理逻辑基于所搜索的动态俯仰角来确定从ADV到ADV的视角图的地面上的点的距离。在框805，处理逻辑基于所确定的地面上的点的距离生成行驶轨迹以控制ADV。
在一个实施方式中，至少修改先前的外在校准值包括修改与单目图像捕获装置的先前的外在校准值相关联的动态俯仰角。在一个实施方式中，通过将机器学习算法模型应用于在视角图中捕获对象的图像，并基于机器学习算法模型确定包围对象的2D边界框的尺寸，来确定对象的2D边界框。在一个实施方式中，处理逻辑进一步确定2D边界框的触地点，以基于2D边界框的触地点来计算从ADV到对象的距离。
在一个实施方式中，搜索动态俯仰角包括基于D＝h/tan(α+β)计算从ADV到对象的距离，其中β是要计算的动态俯仰角，D是计算的距离，α是从摄像机光轴到地面的先前校准角，h是对象的估计高度。在一个实施方式中，使用二分搜索算法搜索动态俯仰角，直到从ADV到对象的计算距离在从ADV到对象的感知距离的第二预定阈值内。在一个实施方式中，使用贪婪搜索算法搜索动态俯仰角，直到从ADV到对象的计算距离在从ADV到对象的感知距离的第二预定阈值内。
应注意，如上文示出和描述的部件中的一些或全部可在软件、硬件或其组合中实施。例如，此类部件可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。可替代地，此类部件可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9是示出可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，某些实施例中可具有附加的部件，此外，其它实施例中可具有所示部件的不同布置。系统1500可表示台式计算机、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可与存储器1503通信，存储器1503在一个实施方式中可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
Figure BDA0001945370080000181
公司的
Figure BDA0001945370080000182
操作系统、来自苹果公司的Mac
Figure BDA0001945370080000183
来自
Figure BDA0001945370080000184
公司的
Figure BDA0001945370080000185
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，摄像机)，所述成像处理子系统可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，大容量存储装置(未示出)也可联接到处理器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，这种大容量存储装置可经由固态装置(SSD)来实施。然而，在其它实施方式中，大容量存储装置可主要使用硬盘驱动器(HDD)来实施，其中较小量的SSD存储装置充当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可表示上述部件中的任一个，例如俯仰角校准模块308。处理模块/单元/逻辑1528还可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还可通过网络经由网络接口装置1505进行传送或接收。
计算机可读存储介质1509也可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装置、传送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按不同的顺序执行。此外，一些操作可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，可对本发明作出各种修改。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 (15)

1.一种用于操作自动驾驶车辆的计算机实施的方法，所述方法包括：
使用安装在所述自动驾驶车辆上的多个传感器在所述自动驾驶车辆的视角图中感知对象，包括使用单目图像捕获设备捕获所述对象的图像；
基于所述对象的图像确定所述对象的二维边界框以及从所述自动驾驶车辆到所述对象的感知距离；
在所述对象的图像的图像空间内，基于所述二维边界框以及从所述自动驾驶车辆到所述对象的所述感知距离，通过至少修改先前的外在校准值来搜索动态俯仰角，以计算距离值，其中，至少修改先前的外在校准值包括修改与所述单目图像捕获设备的先前的外在校准值相关联的俯仰角；
基于所搜索的动态俯仰角确定从所述自动驾驶车辆到所述自动驾驶车辆的所述视角图的地面上的点的距离；以及
基于所确定的所述地面上的点的距离来生成行驶轨迹以控制所述自动驾驶车辆，
其中，搜索所述动态俯仰角包括基于公式D＝h/tan(α+β)计算从所述自动驾驶车辆到所述对象的距离，其中β是要计算的动态俯仰角，D是计算的距离，α是从摄像机光轴到地面的先前校准角，h是所述对象的估计高度。
2.根据权利要求1所述的计算机实施的方法，其中，所述对象的所述二维边界框由以下方式确定：
将机器学习算法模型应用于在所述视角图中捕捉所述对象的所述图像；以及
基于所述机器学习算法模型确定包围所述对象的所述二维边界框的尺寸。
3.根据权利要求1所述的计算机实施的方法，还包括确定所述二维边界框的触地点，以基于所述二维边界框的所述触地点计算从所述自动驾驶车辆到所述对象的距离。
4.根据权利要求1所述的计算机实施的方法，其中，使用二分搜索算法搜索所述动态俯仰角，直到从所述自动驾驶车辆到所述对象的计算的距离在从所述自动驾驶车辆到所述对象的所述感知距离的第二预定阈值内。
5.根据权利要求1所述的计算机实施的方法，其中使用贪婪搜索算法搜索动态俯仰角，直到从所述自动驾驶车辆到所述对象的计算的距离在从所述自动驾驶车辆到所述对象的所述感知距离的第二预定阈值内。
6.一种存储有指令的非暂时性机器可读介质，所述指令在由一个或多个处理器执行时致使所述一个或多个处理器执行操作，所述操作包括：
使用安装在自动驾驶车辆上的多个传感器在所述自动驾驶车辆的视角图中感知对象，包括使用单目图像捕获设备捕获所述对象的图像；
基于所述对象的图像确定所述对象的二维边界框以及从所述自动驾驶车辆到所述对象的感知距离；
在所述对象的图像的图像空间内，基于所述二维边界框以及从所述自动驾驶车辆到所述对象的所述感知距离，通过至少修改先前的外在校准值来搜索动态俯仰角，以计算距离值，其中，至少修改先前的外在校准值包括修改与所述单目图像捕获设备的先前的外在校准值相关联的俯仰角；
基于所搜索的动态俯仰角确定从所述自动驾驶车辆到所述自动驾驶车辆的所述视角图的地面上的点的距离；以及
基于所确定的所述地面上的点的距离来生成行驶轨迹以控制所述自动驾驶车辆，
其中，搜索所述动态俯仰角包括基于公式D＝h/tan(α+β)计算从所述自动驾驶车辆到所述对象的距离，其中β是要计算的动态俯仰角，D是计算的距离，α是从摄像机光轴到地面的先前校准角，h是所述对象的估计高度。
7.根据权利要求6所述的非暂时性机器可读介质，其中，所述对象的所述二维边界框由以下方式确定：
将机器学习算法模型应用于在所述视角图中捕捉所述对象的所述图像；以及
基于所述机器学习算法模型确定包围所述对象的所述二维边界框的尺寸。
8.根据权利要求6所述的非暂时性机器可读介质，其中，所述操作还包括确定所述二维边界框的触地点，以基于所述二维边界框的所述触地点计算从所述自动驾驶车辆到所述对象的距离。
9.根据权利要求6所述的非暂时性机器可读介质，其中，使用二分搜索算法搜索所述动态俯仰角，直到从所述自动驾驶车辆到所述对象的计算的距离在从所述自动驾驶车辆到所述对象的所述感知距离的第二预定阈值内。
10.根据权利要求6所述的非暂时性机器可读介质，其中使用贪婪搜索算法搜索动态俯仰角，直到从所述自动驾驶车辆到所述对象的计算的距离在从所述自动驾驶车辆到所述对象的所述感知距离的第二预定阈值内。
11.一种数据处理系统，包括：
一个或多个处理器；以及
存储器，耦合到所述处理器以存储指令，所述指令在由所述一个或多个处理器执行时致使所述一个或多个处理器执行操作，所述操作包括：
使用安装在自动驾驶车辆上的多个传感器在所述自动驾驶车辆的视角图中感知对象，包括使用单目图像捕获设备捕获所述对象的图像；
基于所述对象的图像确定所述对象的二维边界框以及从所述自动驾驶车辆到所述对象的感知距离；
在所述对象的图像的图像空间内，基于所述二维边界框以及从所述自动驾驶车辆到所述对象的所述感知距离，通过至少修改先前的外在校准值来搜索动态俯仰角，以计算距离值，其中，至少修改先前的外在校准值包括修改与所述单目图像捕获设备的先前的外在校准值相关联的俯仰角；
基于所搜索的动态俯仰角确定从所述自动驾驶车辆到所述自动驾驶车辆的所述视角图的地面上的点的距离；以及
基于所确定的所述地面上的点的距离来生成行驶轨迹以控制所述自动驾驶车辆，
其中，搜索所述动态俯仰角包括基于公式D＝h/tan(α+β)计算从所述自动驾驶车辆到所述对象的距离，其中β是要计算的动态俯仰角，D是计算的距离，α是从摄像机光轴到地面的先前校准角，h是所述对象的估计高度。
12.根据权利要求11所述的系统，其中，所述对象的所述二维边界框由以下方式确定：
将机器学习算法模型应用于在所述视角图中捕捉所述对象的所述图像；以及
基于所述机器学习算法模型确定包围所述对象的所述二维边界框的尺寸。
13.根据权利要求11所述的系统，其中，所述操作还包括确定所述二维边界框的触地点，以基于所述二维边界框的所述触地点计算从所述自动驾驶车辆到所述对象的距离。
14.根据权利要求11所述的系统，其中，使用二分搜索算法搜索所述动态俯仰角，直到从所述自动驾驶车辆到所述对象的计算的距离在从所述自动驾驶车辆到所述对象的所述感知距离的第二预定阈值内。
15.根据权利要求11所述的系统，其中使用贪婪搜索算法搜索动态俯仰角，直到从所述自动驾驶车辆到所述对象的计算的距离在从所述自动驾驶车辆到所述对象的所述感知距离的第二预定阈值内。
CN201910034380.3A 2018-04-17 2019-01-15 用于自动驾驶车辆的俯仰角校准方法 Active CN110386142B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/955,644 2018-04-17
US15/955,644 US10769793B2 (en) 2018-04-17 2018-04-17 Method for pitch angle calibration based on 2D bounding box and its 3D distance for autonomous driving vehicles (ADVs)

Publications (2)

Publication Number Publication Date
CN110386142A CN110386142A (zh) 2019-10-29
CN110386142B true CN110386142B (zh) 2022-08-12

Family

ID=68160763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910034380.3A Active CN110386142B (zh) 2018-04-17 2019-01-15 用于自动驾驶车辆的俯仰角校准方法

Country Status (3)

Country Link
US (1) US10769793B2 (zh)
JP (1) JP6878493B2 (zh)
CN (1) CN110386142B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180162291A1 (en) * 2016-12-12 2018-06-14 Wipro Limited System and method of dynamically adjusting field of view of an image capturing device
US10816992B2 (en) * 2018-04-17 2020-10-27 Baidu Usa Llc Method for transforming 2D bounding boxes of objects into 3D positions for autonomous driving vehicles (ADVs)
CN109002039B (zh) * 2018-07-06 2021-04-06 达闼科技（北京）有限公司 避障提醒方法、相关装置及计算机可读存储介质
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
EP3693244B1 (en) * 2019-02-06 2022-08-17 Continental Autonomous Mobility Germany GmbH Vehicle and method for autonomously operating a vehicle
US11276189B2 (en) * 2019-03-06 2022-03-15 Qualcomm Incorporated Radar-aided single image three-dimensional depth reconstruction
US11080561B2 (en) * 2019-05-30 2021-08-03 Qualcomm Incorporated Training and verification of learning models using high-definition map information and positioning information
US11778934B2 (en) * 2019-07-02 2023-10-10 Bear Flag Robotics, Inc. Agricultural lane following
US11699235B2 (en) * 2019-11-20 2023-07-11 Baidu Usa Llc Way to generate tight 2D bounding boxes for autonomous driving labeling
US11080544B1 (en) * 2020-04-24 2021-08-03 StradVision, Inc. Method and device for calibrating pitch of camera on vehicle and method and device for continual learning of vanishing point estimation model to be used for calibrating the pitch
KR102356612B1 (ko) * 2020-06-02 2022-01-28 주식회사 만도모빌리티솔루션즈 충돌 방지 장치, 그를 가지는 차량 및 그 제어 방법
CN112509054B (zh) * 2020-07-20 2024-05-17 重庆兰德适普信息科技有限公司 一种相机外参动态标定方法
CN114572240B (zh) * 2020-11-30 2023-11-14 北京百度网讯科技有限公司 车辆行驶控制方法、装置、车辆、电子设备及存储介质
CN112200172B (zh) * 2020-12-07 2021-02-19 天津天瞳威势电子科技有限公司 一种可行驶区域的检测方法及装置
US11897480B1 (en) 2020-12-18 2024-02-13 Zoox, Inc. Vehicle scheduling based on occupant preferences
US11794742B1 (en) * 2020-12-18 2023-10-24 Zoox, Inc. Dynamic vehicle suspension and steering adjustment
CN115320603B (zh) * 2021-04-26 2024-09-13 毫末智行科技有限公司 一种拍摄仰角校正方法、装置及车辆
CN113625238B (zh) * 2021-08-11 2024-10-11 南京隼眼电子科技有限公司 车载毫米波雷达俯仰角误差校准方法、装置、存储介质及电子设备
US20230145561A1 (en) * 2021-08-23 2023-05-11 Argo AI, LLC Systems and methods for validating camera calibration in real-time
US12073588B2 (en) * 2021-09-24 2024-08-27 Ford Global Technologies, Llc Neural network object pose determination
CN114136333B (zh) * 2021-10-15 2024-09-06 阿波罗智能技术(北京)有限公司 基于分层特征的高精地图道路数据生成方法、装置、设备
US20230166732A1 (en) * 2021-11-30 2023-06-01 Deere & Company Work machine distance prediction and action control
CN116252581B (zh) * 2023-03-15 2024-01-16 吉林大学 直线行驶工况车身垂向及俯仰运动信息估算系统及方法
CN117315035B (zh) * 2023-11-30 2024-03-22 武汉未来幻影科技有限公司 一种车辆朝向的处理方法、装置以及处理设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10222665A (ja) * 1997-01-31 1998-08-21 Fujitsu Ten Ltd 画像認識装置
JP2002116255A (ja) * 2000-10-06 2002-04-19 Nissan Motor Co Ltd 車間距離設定装置
JP2003344190A (ja) * 2002-05-24 2003-12-03 Koyo Seiko Co Ltd トルク検出装置及び舵角検出装置
CN103136747A (zh) * 2011-11-28 2013-06-05 歌乐株式会社 车载摄像系统及其校准方法和校准程序
WO2017080451A1 (en) * 2015-11-11 2017-05-18 Zhejiang Dahua Technology Co., Ltd. Methods and systems for binocular stereo vision
CN107014347A (zh) * 2015-12-14 2017-08-04 奥特润株式会社 用于检测车辆俯仰角的设备及其方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6714851B2 (en) * 2002-01-07 2004-03-30 Ford Global Technologies, Llc Method for road grade/vehicle pitch estimation
US10019008B2 (en) * 2016-09-28 2018-07-10 Baidu Usa Llc Sideslip compensated control method for autonomous vehicles
US11334070B2 (en) * 2017-08-10 2022-05-17 Patroness, LLC Systems and methods for predictions of state of objects for a motorized mobile system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10222665A (ja) * 1997-01-31 1998-08-21 Fujitsu Ten Ltd 画像認識装置
JP2002116255A (ja) * 2000-10-06 2002-04-19 Nissan Motor Co Ltd 車間距離設定装置
JP2003344190A (ja) * 2002-05-24 2003-12-03 Koyo Seiko Co Ltd トルク検出装置及び舵角検出装置
CN103136747A (zh) * 2011-11-28 2013-06-05 歌乐株式会社 车载摄像系统及其校准方法和校准程序
WO2017080451A1 (en) * 2015-11-11 2017-05-18 Zhejiang Dahua Technology Co., Ltd. Methods and systems for binocular stereo vision
CN107014347A (zh) * 2015-12-14 2017-08-04 奥特润株式会社 用于检测车辆俯仰角的设备及其方法

Also Published As

Publication number Publication date
JP6878493B2 (ja) 2021-05-26
CN110386142A (zh) 2019-10-29
US10769793B2 (en) 2020-09-08
US20190318481A1 (en) 2019-10-17
JP2019182415A (ja) 2019-10-24

Similar Documents

Publication Publication Date Title
CN110386142B (zh) 用于自动驾驶车辆的俯仰角校准方法
CN110388931B (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
CN110667591B (zh) 用于自动驾驶车辆的规划驾驶感知系统
US11042157B2 (en) Lane/object detection and tracking perception system for autonomous vehicles
CN110345955B (zh) 用于自动驾驶的感知与规划协作框架
CN111247495B (zh) 用于自动驾驶车辆的低速场景的行人交互系统
CN109489673B (zh) 用于自动驾驶车辆的数据驱动地图更新系统
US10816990B2 (en) Non-blocking boundary for autonomous vehicle planning
US11003183B2 (en) Driving scene based path planning for autonomous driving vehicles
CN110597243B (zh) 自动驾驶车辆的基于v2x通信的车辆车道系统
CN110955236B (zh) 用于自动驾驶车辆的曲率校正路径采样系统
CN111328411B (zh) 用于自动驾驶车辆的行人概率预测系统
CN108733046B (zh) 用于自动驾驶车辆的轨迹重新规划的系统和方法
CN111856923B (zh) 加速对复杂驾驶场景的规划的参数学习的神经网络方法
CN110727267A (zh) 具有冗余超声雷达的自动驾驶车辆
CN109491378B (zh) 自动驾驶车辆的基于道路分段的路线引导系统
CN110621541B (zh) 用于生成轨迹以操作自动驾驶车辆的方法和系统
WO2018232681A1 (en) TRAFFIC PREDICTION BASED ON CARD IMAGES FOR AUTONOMOUS DRIVING
WO2020062034A1 (en) A tunnel-based planning system for autonomous driving vehicles
CN111044992A (zh) 用于自动驾驶的基于交叉验证的自动lidar校准
CN111615476A (zh) 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划系统
CN111328385A (zh) 用于自动驾驶车辆的基于螺旋路径的三点转弯规划
CN111240313A (zh) 用于操作自动驾驶车辆的基于预定校准表的车辆控制系统
CN111328313A (zh) 用于自动驾驶车辆的控制占主导的三点转弯规划
CN111649751B (zh) 一种用于参考线平滑的超自由缝合方法

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
GR01 Patent grant
GR01 Patent grant