CN110389582B - 利用多个线索跟踪对象 - Google Patents
利用多个线索跟踪对象 Download PDFInfo
- Publication number
- CN110389582B CN110389582B CN201910034382.2A CN201910034382A CN110389582B CN 110389582 B CN110389582 B CN 110389582B CN 201910034382 A CN201910034382 A CN 201910034382A CN 110389582 B CN110389582 B CN 110389582B
- Authority
- CN
- China
- Prior art keywords
- affinity
- objects
- affinity scores
- currently detected
- scores
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 40
- 230000000750 progressive effect Effects 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000008447 perception Effects 0.000 description 24
- 238000004891 communication Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002085 persistent effect Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R11/00—Arrangements for holding or mounting articles, not otherwise provided for
- B60R11/04—Mounting of cameras operative during drive; Arrangement of controls thereof relative to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0259—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
Abstract
在一个实施方式中,通过在级联阶段中利用多个线索计算亲和度分数来跟踪对象。在每个阶段中,基于线索计算当前检测到的对象的亲和度分数。然后将亲和度分数馈送到后续阶段,以基于后续线索来通知后续计算,其中,计算可跳过以及节省资源。更新每个帧的对象踪迹,以协助自动驾驶车辆的驾驶。
Description
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利用多个线索跟踪对象。
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。
在自动驾驶期间,车辆可在电子存储器中保持跟踪的对象,例如,以避免碰撞。对象(例如,其它车辆、大型残骸、树木和道路标志)可能具有速度、方向、加速度、定向、位置、与自动驾驶车辆(ADV)的距离,以及能够辅助ADV作出行驶决策以避免碰撞的其它有用信息。
为了确定对象踪迹,ADV捕获过去和现在的图像/数据帧,例如,车辆周围的对象的一系列图像或视频。对当前图像帧进行处理并将其与过去的帧或先前跟踪的对象进行比较,以使当前帧中的对象与先前确定的对象踪迹相匹配。然而,ADV中的传统方法和系统独立地处理多个线索而没有协作,这往往是不可靠的。
发明内容
在本公开的一方面,提供了一种用于自动驾驶车辆的跟踪对象的计算机实施的方法,所述方法包括:
基于第一线索计算当前帧的当前检测到的对象与先前帧的先前跟踪的对象之间的第一组亲和度分数;
基于所述第一组亲和度分数修改一组渐进亲和度分数;
基于后续线索计算所述当前检测到的对象与所述先前跟踪的对象之间的后续一组亲和度分数;
利用所述后续一组亲和度分数来修改所述一组渐进亲和度分数;以及
基于所修改的一组渐进亲和度分数,将所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个关联为相同对象,以跟踪所述相同对象的运动,其中,每个亲和度分数均是所述当前检测到的对象中的一个与所述先前跟踪的对象中的一个之间的相似度的计算。
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,所述指令在由处理器执行时致使所述处理器执行操作,所述操作包括:
基于第一线索计算当前帧的当前检测到的对象与先前帧的先前跟踪的对象之间的第一组亲和度分数;
利用所述第一组亲和度分数来修改一组渐进亲和度分数;
基于后续线索计算所述当前检测到的对象与所述先前跟踪的对象之间的后续一组亲和度分数;
利用所述后续一组亲和度分数来修改所述一组渐进亲和度分数;以及
基于所修改的一组渐进亲和度分数,将所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个关联为相同对象,以跟踪所述相同对象的运动,其中,每个亲和度分数均是所述当前检测到的对象中的一个与所述先前跟踪的对象中的一个之间的相似度的计算。
在本公开的再一方面,提供了一种数据处理系统,包括:
处理器;以及
存储器,所述存储器联接至所述处理器,以存储指令,所述指令在由所述处理器执行时致使所述处理器执行操作,所述操作包括:
基于第一线索计算当前帧的当前检测到的对象与先前帧的先前跟踪的对象之间的第一组亲和度分数,
利用所述第一组亲和度分数来修改一组渐进亲和度分数,
基于后续线索计算所述当前检测到的对象与所述先前跟踪的对象之间的后续一组亲和度分数,
利用所述后续一组亲和度分数来修改所述一组渐进亲和度分数,以及
基于所修改的一组渐进亲和度分数,将所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个关联为相同对象,以跟踪所述相同对象的运动,其中,每个亲和度分数均是所述当前检测到的对象中的一个与所述先前跟踪的对象中的一个之间的相似度的计算。
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3C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4A至图4B是示出跟踪的对象的示例。
图5A至图5D是根据一些实施方式的亲和度矩阵(affinity matrices)的示例。
图6是根据一个实施方式的用于跟踪对象的流程图的示例。
图7是根据一个实施方式的级联跟踪器管线的示例。
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。
根据一些实施方式,为自动驾驶车辆跟踪对象的计算机实施的方法包括:基于第一线索计算当前帧的当前检测到的对象与先前帧的先前跟踪的对象之间的第一组亲和度分数;以及利用第一组亲和度分数来修改一组渐进亲和度分数;基于后续线索计算当前检测到的对象与先前跟踪的对象之间的一组后续亲和度分数;利用该组后续亲和度分数来修改上述一组渐进亲和度分数;以及基于该组渐进亲和度分数,将当前检测到的对象中的一个或多个与先前跟踪的对象中的一个或多个关联为相同的对象,以跟踪相同对象的运动;其中,每个亲和度分数均是当前检测到的对象中的一个与先前跟踪的对象中的一个之间的相似度的计算。通过以级联方式执行阶段(即,基于第一线索计算第一组亲和度分数,然后将一组渐进亲和度分数馈送到下一组亲和度分数的计算中),这提供了基于先前计算的亲和度分数确定是否跳过亲和度分数计算。
在一个实施方式中,确定是否跳过亲和度分数计算可包括:基于先前计算的亲和度分数来确定当前检测到的对象中的一个或多个与先前跟踪的对象中的一个或多个之间的不可能匹配;以及修改后续的亲和度分数计算,以跳过不可能的匹配的计算。可替代地或另外地,确定是否跳过亲和度分数计算可包括:基于先前计算的亲和度分数来确定当前检测到的对象中的一个或多个与先前跟踪的对象中的一个或多个之间的肯定匹配;以及跳过确定肯定匹配的一个或多个当前检测到的对象和一个或多个先前跟踪的对象的计算。
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、道路状况、天气状况等。
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。例如,算法124包括计算亲和度分数的算法,以不时地跟踪障碍物。算法124然后可上载到ADV上进行实时自动驾驶。
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、路线安排模块307。
模块301至307和相关子部件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307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。
路线安排模块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,路线安排模块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。路线安排模块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更改最佳路线中的一个,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安排模块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使用由路线安排模块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。
在一个实施方式中,规划阶段在多个规划周期(也称作为命令周期)中执行,例如,在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或命令周期中的每一个,将基于规划和控制数据发出一个或多个控制命令。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。在一个实施方式中,规划模块305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命令(例如,油门、制动、转向控制命令)。
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。
图3C示出感知模块302的子部件,包括亲和度分数计算器321和亲和度矩阵管理器322。在一个实施方式中,亲和度分数计算器321配置成基于从具体线索中提取的一组特征计算在当前周期中检测到的具体对象的亲和度分数。亲和度矩阵管理器322配置成更新从一个阶段或线索携带到另一个阶段或线索的亲和度矩阵,例如,通过将亲和度分数与存储在亲和度矩阵中的现有分数进行合并或整合(例如,相乘、相加、相减预定公式)。亲和度矩阵从对应于一个线索的一个处理阶段传递到对应于另一线索的下一个处理阶段。如果从来自不同周期的相同对象的线索中提取的特征是相似的,则它们相应的亲和度分数将更高,并且存储在亲和度矩阵中的聚合亲和度分数也将更高。亲和度矩阵中携带的较高亲和度分数表示当前检测到的对象与先前检测到的对象相同或相似的更高概率。因此,亲和度分数表示在两个不同周期(例如,规划周期)中检测到的两个对象之间的相似性。
关于利用多个线索跟踪对象,我们参考图4A和图4B来说明该概念。ADV的感知模块可基于各种线索跟踪对象,包括2D图像块、2D形状、2D框、3D信息、类型、深度学习ROI相似性、光流、直方图或来自机器学习或设计的特定特征。执行对每个线索的处理以确定当前检测到的对象与先前跟踪的对象之间的相似度或亲和度。先前跟踪的对象保持在计算机存储器中并通过处理新的数据帧进行更新。新的数据帧,例如,可生成为2D图像。
例如,图4A示出了来自先前计算的帧的跟踪对象。系统保持被感知到位于相对于ADV的感兴趣区域(例如,ADV前面的区域)中的对象的跟踪数据。在图4A中,示出了对象/汽车402、对象/汽车404和对象/树406位于相对于ADV的感兴趣区域中的示例。
ADV可保持这些对象的踪迹(踪迹可包括例如尺寸、速度、方向、位置、距ADV的距离、转向角、加速度和定向),以通知ADV驾驶决策并防止碰撞。为了实时保持和更新对象的踪迹,对当前帧进行处理,并且将在当前帧中检测到的对象与先前跟踪的对象进行匹配。
例如,图4B示出了后续的帧,其中汽车402、汽车404和树406看起来已经移动得更近,因为它们稍微变大了。另外,新的对象/汽车408进入了该帧中。尽管人类可以相当容易地将当前帧的对象与先前跟踪的对象进行匹配,但是计算机这样做不那么确定。为了提高计算机匹配能力,对于每个帧处理多个线索,以将每个检测到的对象与先前跟踪的对象进行匹配。在这种情况下,ADV系统将尝试将所有新检测到的对象与先前跟踪的对象进行匹配,并更新跟踪信息。另外,ADV系统可确定新的对象/汽车408已进入感兴趣区域,并基于对象/汽车408创建新踪迹。
现在参考图6,ADV(感知模块302)可在操作602中接收最新的图像/帧和对应的检测,以及在操作604中在级联跟踪器管线中处理最新的图像/帧和检测。一旦在级联跟踪器管线中处理了所有的线索,感知模块302就可在操作606中对从级联跟踪器管线中接收的最终一组亲和度计算执行组合算法,例如,匈牙利(Hungarian)方法。在操作606中,匈牙利方法输出来自当前帧中的当前检测到的对象与踪迹之间的最终关系/关联。匈牙利方法是解决多项式时间中的分配问题的组合优化算法。在该示例中,匈牙利方法将当前检测到的对象分配给先前检测到的对象,反之亦然,使得它们被认为彼此相关(例如,相似或相同)。
例如,返回参考图4A和图4B,新检测到的对象402、对象404和对象406将分别与踪迹402、踪迹404和踪迹406相关联。新检测到的对象408将不会与任何现有踪迹相关联。然后在操作608中,跟踪器和ID管理件可为对象408创建新踪迹并更新踪迹402、踪迹404和踪迹406,从而在操作620中产生输出检测到踪迹ID映射以供ADV用于作出驾驶决策。然后,更新的踪迹将在操作610中用作为先前的踪迹,以类似地处理下一帧。
现在参考图7,级联跟踪器管线604可包括多个部分。例如,在操作702中,系统可基于第一线索计算当前帧的当前检测到的对象与先前帧的先前跟踪的对象之间的第一组亲和度分数。亲和度分数可存储在永久性存储装置中,例如,作为亲和度矩阵313的一部分。亲和度分数计算器321配置成使用特定的亲和度得分算法计算特定线索的亲和度分数。每个线索均可具有不同的得分算法。
在一个实施方式中,对于一组预定线索(例如,3D位置、2D图像块、2D框、ROI特征等)中的每一个,从捕获对象的图像中提取一组特征。然后基于相应线索的提取的特征来计算亲和度分数。
接下来,系统可在操作704中利用第一组亲和度分数来修改一组渐进亲和度分数。亲和度分数可在亲和度矩阵中修改并保持。例如,参考图5A,亲和度矩阵可具有m行和n列,每个行表示跟踪的对象(T1、T2和T3),每个列表示在当前帧中检测到的对象(D1、D2、D3和D4)。亲和度矩阵(a11,a12......a34)的每个元素均对应于检测到的对象中的一个与跟踪的对象中的一个之间的相似性。因此,亲和度矩阵累加了来自亲和度分数的历史的亲和度分数。
返回参照图7,在操作706中,系统可基于后续线索计算当前帧的当前检测到的对象与先前跟踪的对象之间的后续一组亲和度分数。有利地且有益地,对于每个后续线索计算或一组计算,系统可基于先前计算的亲和度分数来确定是否跳过亲和度分数计算。
例如,系统可基于先前计算的亲和度分数(例如,来自前一阶段/线索)确定当前检测到的对象中的一个或多个与先前跟踪对象中的一个或多个之间的不可能匹配;以及修改后续的亲和度分数计算,以跳过不可能匹配的计算。可替代地,如果当前检测到的对象与先前检测到的对象之间的差异超过预定阈值,则这两个对象不太可能是相同的对象。因此,可跳过这两个对象之间的亲和度分数的后续计算,以减少资源消耗。类似地,如果亲和度矩阵中的两个对象之间的亲和度分数高于预定阈值,则这些对象很可能是相同的对象。因此,也可以跳过后续计算。计算亲和度分数的目的是确定两个对象是否是相同的对象。如果已经基于累加的亲和度分数已知特定的一对对象是指相同的对象或者不可能是相同的对象,则不需要进一步执行任何亲和度分数计算。
类似地,系统可基于先前计算的亲和度分数(例如,来自前一阶段/线索)确定当前检测到的对象中的一个或多个与先前跟踪对象中的一个或多个之间的肯定匹配;以及跳过确定肯定匹配的一个或多个当前检测到的对象和一个或多个先前跟踪对象的计算。肯定匹配可包括高度可能的匹配,并且可例如在亲和度分数超过阈值时被确定。类似地,否定的或不可能的匹配可包括非常不可能的匹配,并且可例如在已超过或未超过阈值时被确定。基于常规实验,本领域技术人员可确定阈值。
现在参考图5B和图5C,示出了用于进一步说明的示例,其中,针对D4和T3的亲和度分数计算为.01。系统可基于.01的低值确定D4不能与T3相匹配。系统可在后续阶段中跳过D4与T3之间的亲和度计算。因此,在图5C中,因为被确定(例如,基于来自前一阶段的亲和力计算)是不可能的匹配,所以系统没有计算D4/T3的亲和度分数(显示为破折号),从而节省资源。
类似地,图5B示出了D1与T1之间的.99的高亲和度。因此,在后续阶段,可跳过涉及D1和T1的所有组合的亲和度计算,从而也节省了宝贵的资源。
然而,图5B至图5C仅是用于说明各种概念的假设的亲和力矩阵,实施方式、术语和值并不限制本文提供的公开内容。例如,图5D示出了这样的实施方式,其中当已经计算出D1和T1的高概率时,亲和度矩阵中的对应亲和度分数可设置为1,而与D1和T1有关的所有其它组合可设置为0。当执行后续阶段时,系统可跳过设置为0或1的任何值。尽管这只是一种技术,但也能够以不同但等效的方式(诸如通过设置标志或本领域技术人员能够实施的其它技术)执行跳过计算的任务。类似地,尽管计算值显示为具有0到1的范围,但是其它实施方式可能具有不同的范围,相对于彼此或特定应用归一化。
接下来,在操作708中,系统可利用后续一组亲和度分数来修改一组渐进亲和度分数。例如,系统可将每个渐进亲和度分数与对应的计算的亲和度分数相乘(基于对应的后续线索)。
为了说明,假设首先生成亲和度矩阵,其中每个矩阵元素中的值为1。假设基于第一线索计算第一组亲和度分数,然后将亲和度分数中的每个与保持在亲和度矩阵中的渐进亲和度分数中的对应元素相乘。在第一种情况下,第一组亲和力分数的每个分数与1相乘,得到图5B中的渐进亲和力分数。另外,可基于其准确度或动态条件为不同的线索分配不同的权重。
接下来,计算第二组亲和度分数(如图5C中所示)并再次与渐进亲和度分数相乘,得到如图5D中所示的更新/修改的一组渐进亲和度分数。返回参考图7,如果已经处理了所有线索(即,如果执行了所有阶段),则渐进亲和力分数可表示最终的一组渐进亲和力分数。如果要处理更多线索,则可针对每个附加线索/阶段重复操作706和操作708。
接下来,在操作710中,系统可将当前帧的当前检测到的对象中的一个或多个与先前帧的先前跟踪的对象中的一个或多个关联为相同的对象。例如,系统使用最终的一组渐进分数来确定当前检测到的对象中哪个与现有踪迹(即,先前跟踪的对象)相匹配。系统可对最终的一组渐进分数执行组合优化算法,例如匈牙利方法,这可导致当前检测到的对象与先前跟踪的对象之间的最终关联或分配。
然后,系统可利用来自当前检测到的对象的信息来更新先前跟踪的对象或踪迹(包括例如位置、距ADV的距离、速度、方向和加速度)。然后,利用更新的踪迹,系统可以以如上所述的级联方式处理具有多个线索的新的帧。
在一个实施方式中,可基于线索的准确度来确定线索处理或阶段的顺序,例如,具有较高准确度的线索在具有较低准确度的线索之前计算。不同线索的准确度可通过常规实验来确定。有利地,通过首先执行最准确的线索,系统可在早期对肯定或否定(不可能的)匹配进行最准确的确定,并且因此在早期阶段准确地跳过计算。
在另一实施方式中,确定线索处理或阶段的顺序可基于线索处理的速度来确定,其中,具有较短处理时间的线索在具有较长处理时间的线索之前计算。线索处理的速度可通过常规实验或监控进行确定。有利地,通过首先执行最快的阶段,系统可以以最快的方式快速确定肯定或否定(不可能的)匹配,从而在最早阶段跳过计算。
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8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,例如规划模块305、控制模块306、感知模块302以及相关子部件。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进行传输或接收。
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 (20)
1.一种用于自动驾驶车辆的跟踪对象的计算机实施的方法,所述方法包括:
基于第一线索计算当前帧的当前检测到的对象与先前帧的先前跟踪的对象之间的第一组亲和度分数;
基于所述第一组亲和度分数修改一组渐进亲和度分数,其中,所述一组渐进亲和度分数累加了来自亲和度分数的历史的亲和度分数;
基于后续线索计算所述当前检测到的对象与所述先前跟踪的对象之间的后续一组亲和度分数;
利用所述后续一组亲和度分数来修改所述一组渐进亲和度分数;以及
基于所修改的一组渐进亲和度分数,将所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个关联为相同对象,以跟踪所述相同对象的运动,其中,每个亲和度分数均表示所述当前检测到的对象中的一个与所述先前跟踪的对象中的一个之间的相似度,其中,对于一组预定线索中的每一个,从捕获对象的图像中提取一组特征,然后基于相应线索的提取的特征来计算亲和度分数。
2.根据权利要求1所述的方法,还包括:
基于当前计算的亲和度分数与先前计算的亲和度分数之间的差异,确定是否跳过亲和度分数计算。
3.根据权利要求2所述的方法,其中,确定是否跳过亲和度分数计算包括:
基于先前计算的亲和度分数,确定所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个之间的不可能匹配;以及
修改后续的亲和度分数计算,以跳过所述不可能匹配的计算。
4.根据权利要求2所述的方法,其中,确定是否跳过亲和度分数计算包括:
基于先前计算的亲和度分数,确定所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个之间的肯定匹配;以及
跳过确定了所述肯定匹配的一个或多个当前检测到的对象与一个或多个先前跟踪的对象的计算。
5.根据权利要求1所述的方法,还包括:
基于线索的准确度确定线索处理的顺序,其中,具有较高准确度的线索在具有较低准确度的线索之前计算。
6.根据权利要求1所述的方法,还包括:
基于线索处理的速度确定线索处理的顺序,其中,具有较短处理时间的线索在具有较长处理时间的线索之前计算。
7.根据权利要求1所述的方法,其中,所述第一线索和所述后续线索选自:2D图像块、2D形状、2D框、3D信息、类型、深度ROI相似性、光流和直方图。
8.根据权利要求1所述的方法,其中,所述一组渐进亲和度分数在亲和度矩阵中进行修改并保持在所述亲和度矩阵中,以及
其中,将所述当前帧的所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个关联包括对最终一组渐进亲和度分数执行匈牙利方法,产生所述当前检测到的对象与所述先前跟踪的对象之间的最终关联。
9.根据权利要求8所述的方法,还包括:
基于与所述当前检测到的对象相关联的信息,更新所述先前跟踪的对象。
10.一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致使所述处理器执行操作,所述操作包括:
基于第一线索计算当前帧的当前检测到的对象与先前帧的先前跟踪的对象之间的第一组亲和度分数;
利用所述第一组亲和度分数来修改一组渐进亲和度分数,其中,所述一组渐进亲和度分数累加了来自亲和度分数的历史的亲和度分数;
基于后续线索计算所述当前检测到的对象与所述先前跟踪的对象之间的后续一组亲和度分数;
利用所述后续一组亲和度分数来修改所述一组渐进亲和度分数;以及
基于所修改的一组渐进亲和度分数,将所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个关联为相同对象,以跟踪所述相同对象的运动,每个亲和度分数均表示所述当前检测到的对象中的一个与所述先前跟踪的对象中的一个之间的相似度,其中,对于一组预定线索中的每一个,从捕获对象的图像中提取一组特征,然后基于相应线索的提取的特征来计算亲和度分数。
11.根据权利要求10所述的非暂时性机器可读介质,其中,所述操作还包括:
基于当前计算的亲和度分数与先前计算的亲和度分数之间的差异,确定是否跳过亲和度分数计算。
12.根据权利要求11所述的非暂时性机器可读介质,其中,确定是否跳过亲和度分数计算包括:
基于先前计算的亲和度分数,确定所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个之间的不可能匹配;以及
修改后续的亲和度分数计算,以跳过所述不可能匹配的计算。
13.根据权利要求11所述的非暂时性机器可读介质,其中,确定是否跳过亲和度分数计算包括:
基于先前计算的亲和度分数,确定所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个之间的肯定匹配;以及
跳过确定了所述肯定匹配的一个或多个当前检测到的对象与一个或多个先前跟踪的对象的计算。
14.根据权利要求10所述的非暂时性机器可读介质,其中,线索处理的顺序是基于线索的准确度,以使得具有较高准确度的线索在具有较低准确度的线索之前处理。
15.根据权利要求10所述的非暂时性机器可读介质,其中,线索处理的顺序是基于线索处理的速度,以使得具有较短处理时间的线索在具有较长处理时间的线索之前计算。
16.根据权利要求10所述的非暂时性机器可读介质,其中,所述第一线索和所述后续线索选自:2D图像块、2D形状、2D框、3D信息、类型、深度ROI相似性、光流和直方图。
17.根据权利要求10所述的非暂时性机器可读介质,其中,所述一组渐进亲和度分数在亲和度矩阵中进行修改并保持在所述亲和度矩阵中,以及
其中,将所述当前帧的所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个关联包括对最终一组渐进亲和度分数执行匈牙利方法,产生所述当前检测到的对象与所述先前跟踪的对象之间的最终关联。
18.根据权利要求17所述的非暂时性机器可读介质,其中,所述操作还包括:
利用来自所述当前检测到的对象的信息,更新所述先前跟踪的对象。
19.一种数据处理系统,包括:
处理器;以及
存储器,所述存储器联接至所述处理器,以存储指令,所述指令在由所述处理器执行时致使所述处理器执行操作,所述操作包括:
基于第一线索计算当前帧的当前检测到的对象与先前帧的先前跟踪的对象之间的第一组亲和度分数,
利用所述第一组亲和度分数来修改一组渐进亲和度分数,其中,所述一组渐进亲和度分数累加了来自亲和度分数的历史的亲和度分数,
基于后续线索计算所述当前检测到的对象与所述先前跟踪的对象之间的后续一组亲和度分数,
利用所述后续一组亲和度分数来修改所述一组渐进亲和度分数,以及
基于所修改的一组渐进亲和度分数,将所述当前检测到的对象中的一个或多个与所述先前跟踪的对象中的一个或多个关联为相同对象,以跟踪所述相同对象的运动,每个亲和度分数均表示所述当前检测到的对象中的一个与所述先前跟踪的对象中的一个之间的相似度,其中,对于一组预定线索中的每一个,从捕获对象的图像中提取一组特征,然后基于相应线索的提取的特征来计算亲和度分数。
20.根据权利要求19所述的数据处理系统,其中,所述操作还包括:
基于当前计算的亲和度分数与先前计算的亲和度分数之间的差异,确定是否跳过亲和度分数计算。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/956,438 | 2018-04-18 | ||
US15/956,438 US10909377B2 (en) | 2018-04-18 | 2018-04-18 | Tracking objects with multiple cues |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110389582A CN110389582A (zh) | 2019-10-29 |
CN110389582B true CN110389582B (zh) | 2022-07-19 |
Family
ID=68237945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910034382.2A Active CN110389582B (zh) | 2018-04-18 | 2019-01-15 | 利用多个线索跟踪对象 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10909377B2 (zh) |
JP (1) | JP6808775B2 (zh) |
CN (1) | CN110389582B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11915433B2 (en) * | 2019-03-14 | 2024-02-27 | Nec Corporation | Object tracking system, tracking parameter setting method, and non-transitory computer readable medium |
US20210181758A1 (en) * | 2019-10-26 | 2021-06-17 | Zoox, Inc. | Object detection and tracking |
US11774582B2 (en) * | 2020-01-28 | 2023-10-03 | Aptiv Technologies Limited | Imaging and radar fusion for multiple-object tracking |
US11663726B2 (en) * | 2020-01-31 | 2023-05-30 | Zoox, Inc. | Object velocity and/or yaw rate detection and tracking |
CN111626263B (zh) * | 2020-06-05 | 2023-09-05 | 北京百度网讯科技有限公司 | 一种视频感兴趣区域检测方法、装置、设备及介质 |
CN112162550B (zh) * | 2020-09-02 | 2021-07-16 | 北京航空航天大学 | 一种用于汽车主动安全防撞的三维目标跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016071830A (ja) * | 2014-09-26 | 2016-05-09 | 日本電気株式会社 | 物体追跡装置、物体追跡システム、物体追跡方法、表示制御装置、物体検出装置、プログラムおよび記録媒体 |
JP2017182295A (ja) * | 2016-03-29 | 2017-10-05 | Kddi株式会社 | 画像処理装置 |
JP2018045287A (ja) * | 2016-09-12 | 2018-03-22 | 日本電気株式会社 | 画像処理装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705793B2 (en) * | 2009-10-08 | 2014-04-22 | University Of Southern California | Object tracking by hierarchical association of detection responses |
US9465997B2 (en) * | 2012-09-26 | 2016-10-11 | General Electric Company | System and method for detection and tracking of moving objects |
US20160132728A1 (en) * | 2014-11-12 | 2016-05-12 | Nec Laboratories America, Inc. | Near Online Multi-Target Tracking with Aggregated Local Flow Descriptor (ALFD) |
US9978284B2 (en) * | 2015-06-05 | 2018-05-22 | Here Global B.V. | Method and apparatus for generating vehicle maneuver plans |
AU2016349518B2 (en) * | 2015-11-05 | 2018-06-07 | Google Llc | Edge-aware bilateral image processing |
-
2018
- 2018-04-18 US US15/956,438 patent/US10909377B2/en active Active
-
2019
- 2019-01-15 CN CN201910034382.2A patent/CN110389582B/zh active Active
- 2019-04-15 JP JP2019077000A patent/JP6808775B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016071830A (ja) * | 2014-09-26 | 2016-05-09 | 日本電気株式会社 | 物体追跡装置、物体追跡システム、物体追跡方法、表示制御装置、物体検出装置、プログラムおよび記録媒体 |
JP2017182295A (ja) * | 2016-03-29 | 2017-10-05 | Kddi株式会社 | 画像処理装置 |
JP2018045287A (ja) * | 2016-09-12 | 2018-03-22 | 日本電気株式会社 | 画像処理装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2019192234A (ja) | 2019-10-31 |
US20190325223A1 (en) | 2019-10-24 |
JP6808775B2 (ja) | 2021-01-06 |
US10909377B2 (en) | 2021-02-02 |
CN110389582A (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109491375B (zh) | 用于自动驾驶车辆的基于驾驶场景的路径规划 | |
CN109489673B (zh) | 用于自动驾驶车辆的数据驱动地图更新系统 | |
CN110389583B (zh) | 生成自动驾驶车辆的轨迹的方法 | |
CN110325935B (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 | |
CN109287122B (zh) | 基于自动驾驶车辆的控制反馈更新地图的方法和系统 | |
CN108139884B (zh) | 用于操作自动驾驶车辆的方法和系统 | |
CN108604095B (zh) | 确定操作自动驾驶车辆的转向率的方法、介质及处理系统 | |
CN110389580B (zh) | 用于规划自动驾驶车辆的路径的漂移校正的方法 | |
CN108099918B (zh) | 用于确定自主车辆的命令延迟的方法 | |
CN108733046B (zh) | 用于自动驾驶车辆的轨迹重新规划的系统和方法 | |
CN108891417B (zh) | 用于操作自动驾驶车辆的方法及数据处理系统 | |
CN108255170B (zh) | 动态地调整自动驾驶车辆的速度控制率的方法 | |
CN110389582B (zh) | 利用多个线索跟踪对象 | |
CN110667591A (zh) | 用于自动驾驶车辆的规划驾驶感知系统 | |
CN108334077B (zh) | 确定自动驾驶车辆的速度控制的单位增益的方法和系统 | |
CN110621541B (zh) | 用于生成轨迹以操作自动驾驶车辆的方法和系统 | |
CN110096054B (zh) | 用于使用多个线程生成用于自动驾驶车辆的参考线的方法和系统 | |
CN109491378B (zh) | 自动驾驶车辆的基于道路分段的路线引导系统 | |
CN111824139A (zh) | 用于预测与自动驾驶车辆相关的运动对象的运动的方法 | |
CN111857118B (zh) | 对停车轨迹分段以控制自动驾驶车辆停车 | |
CN112084830A (zh) | 通过基于视觉的感知系统检测对抗样本 | |
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 | |
CN111856923A (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 | |
CN111328313A (zh) | 用于自动驾驶车辆的控制占主导的三点转弯规划 | |
CN111830959A (zh) | 用于操作自动驾驶车辆的方法、系统和机器可读介质 |
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 |