CN110398953A - 智能驾驶系统、方法及计算机可读存储介质 - Google Patents
智能驾驶系统、方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110398953A CN110398953A CN201810371209.7A CN201810371209A CN110398953A CN 110398953 A CN110398953 A CN 110398953A CN 201810371209 A CN201810371209 A CN 201810371209A CN 110398953 A CN110398953 A CN 110398953A
- Authority
- CN
- China
- Prior art keywords
- intelligent driving
- unit
- communication unit
- chip
- module
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 95
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 10
- 239000012491 analyte Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005538 encapsulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G05D1/0231—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
- G05D1/0257—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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Abstract
本发明公开了一种智能驾驶系统,所述智能驾驶系统包括感知计算模块、决策规划模块和底层控制模块,其中,所述感知计算模块包括第一通信单元和包含有若干人工智能芯片的感知计算单元;所述决策规划模块包括第二通信单元和决策规划单元;所述底层控制模块包括第三通信单元和底层控制单元。本发明还公开了一种智能驾驶方法和一种计算机可读存储介质。本发明能够降低智能驾驶系统的成本,同时保证智能驾驶系统的计算能力。
Description
技术领域
本发明涉及智能驾驶领域,尤其涉及一种智能驾驶系统、方法及计算机可读存储介质。
背景技术
目前智能驾驶在快速发展过程中,其核心技术包括:感知、决策、控制和计算平台。其中车载计算平台是目前业界的技术焦点之一,与智能驾驶相关的软件、算法,都要运行在这个车载计算平台上,才能够完整的实现智能驾驶的核心功能。
车载计算平台的技术指标包括:计算能力、操作系统实时性、安全性、可靠性和成本。这些指标对智能驾驶的影响是不一样的,不同的厂家由于其技术路线的差异,对这些指标的理解和应对方式也有所区别,下面是目前出现的两种具有代表性的车载计算平台技术路线:
(1)通用高性能车载计算平台。Nvidia(英伟达)在通用车载计算方面具有领先的技术水平,推出了以DRIVE PX、XAVIER系列为代表的高性能智能驾驶计算平台,具有强大的计算能力,能够实现320TOPS(320万亿次每秒)的人工智能推理能力,提供超过1TB/s带宽,并通过ASIL D(Automotive Safety Integrity Level,汽车安全完整性等级)安全认证,能够挂载最多16个摄像头(包括6个光学雷达)。这种计算平台的核心特点是依托强大的芯片计算能力,构建一个集中式的计算平台,运行linux操作系统,使用主机来运行感知、决策与控制模块,输入并计算所有的传感器信息(视频、激光雷达点云等),在主机中计算并做出控制策略,对车辆进行控制。这种模式的优势是计算能力强大,不足之处是平台价格昂贵,功耗高,安全性存在不足,操作系统、中间件、应用软件任意一个环节发生故障时整个车辆会失去控制。
(2)专用车载计算平台。代表性的有恩智浦的bluebox,英特尔的GO无人驾驶车内开发平台,其特点是使用arm或者x86芯片作为控制器,使用专用芯片或者FPGA(FieldProgrammable Gate Array,现场可编程逻辑门阵列)来处理和融合传感器数据。传统车企半导体公司较多采用这种技术路线,这种方案具有高可靠性,由于采用专用芯片,传感器数据处理性能也能够保证。其不足之处在于这种类型的方案定制性很强,算法和软件相对固化,尤其是面向AI(Artificial Intelligence,人工智能)的计算能力不足,很难满足速飞速发展的智能驾驶技术的需求。
发明内容
本发明的主要目的在于提出一种智能驾驶系统、方法及计算机可读存储介质,旨在降低智能驾驶系统的成本,同时保证智能驾驶系统的计算能力。
为实现上述目的,本发明提供一种智能驾驶系统,所述智能驾驶系统包括感知计算模块、决策规划模块和底层控制模块,其中,
所述感知计算模块包括第一通信单元和包含有若干人工智能芯片的感知计算单元,所述感知计算单元用于从传感器获取车辆行驶环境信息,并通过所述人工智能芯片输出基于所述车辆行驶环境信息的分析结果至所述第一通信单元,以使所述第一通信单元将所述分析结果发送给所述决策规划模块;
所述决策规划模块包括第二通信单元和决策规划单元,所述第二通信单元用于接收所述第一通信单元发送的分析结果,并将所述分析结果输入所述决策规划单元,以使所述决策规划单元返回对应的路径规划信息;所述第二通信单元还用于将所述路径规划信息发送给所述底层控制模块;
所述底层控制模块包括第三通信单元和底层控制单元,所述第三通信单元用于接收所述第二通信单元发送的路径规划信息,并将所述路径规划信息输入所述底层控制单元,以使所述底层控制单元向车辆总线发出对应的控制指令。
优选地,所述第一通信单元、所述第二通信单元和所述第三通信单元之间通过数据分发服务中间件进行通信。
优选地,所述决策规划模块还包括存储单元,所述存储单元与所述决策规划单元连接,用于向所述决策规划单元提供预先保存的高精度地图数据;
所述决策规划单元还用于根据所述高精度地图数据和所述分析结果生成对应的路径规划信息。
优选地,所述决策规划单元包含有第一热备份芯片和第一检测判决芯片,其中,
所述第一热备份芯片用于根据所述第二通信单元输入的分析结果输出对应的路径规划信息至所述第一检测判决芯片;
所述第一检测判决芯片用于检测所述路径规划信息的有效性并将有效的路径规划信息发送给所述第二通信单元。
优选地,所述底层控制单元包含有第二热备份芯片和第二检测判决芯片,其中,
所述第二热备份芯片用于根据所述第三通信单元输入的路径规划信息输出对应的控制指令至所述第二检测判决芯片;
所述第二检测判决芯片用于检测所述控制指令的有效性并向车辆总线发出有效的控制指令。
优选地,所述人工智能芯片包括Jetson X2芯片和ATOM芯片。
优选地,所述感知计算单元、所述决策规划单元和所述底层控制单元均搭载有实时操作系统。
优选地,所述实时操作系统为Ubuntu操作系统,或QNX操作系统,或实时Linux操作系统。
优选地,所述底层控制模块采用X86架构或ARM架构。
此外,为实现上述目的,本发明还提供一种智能驾驶方法,所述智能驾驶方法应用于如上所述的智能驾驶系统,所述智能驾驶方法包括:
感知计算模块获取并分析传感器采集到的车辆行驶环境信息,并将分析结果发送给决策规划模块;
所述决策规划模块根据所述分析结果生成对应的路径规划信息,并将所述路径规划信息发送给底层控制模块;
所述底层控制模块根据所述路径规划信息生成对应的控制指令,并根据所述控制指令控制车辆驾驶。
优选地,所述智能驾驶方法还包括:
在所述感知计算模块、所述决策规划模块和所述底层控制模块中分别运行通信代理功能;
当所述第一通信单元、所述第二通信单元和所述第三通信单元的数据分发服务中间件不兼容时,通过所述通信代理功能进行模块间通信。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有智能驾驶程序,所述智能驾驶程序被处理器执行时实现如上所述的智能驾驶方法的步骤。
本发明提出的智能驾驶系统,基于对安全性、可靠性和计算能力的不同需求,采用了包括感知计算模块、决策规划模块和底层控制模块在内的分布式架构,且感知计算模块、决策规划模块和底层控制模块之间通过分布式通信单元进行通信,相比于现有技术中的集中式车载计算平台,降低了智能驾驶系统的成本,同时,通过人工智能芯片运行感知计算模块,能够保证智能驾驶系统的计算能力。
附图说明
图1为本发明智能驾驶系统第一实施例的结构示意图;
图2为本发明智能驾驶系统第二实施例的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“上”、“下”“横向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”“第三”、“第四”“第五”、“第六”仅用于描述的目的,而不能理解指示或暗示的重要性。
本发明提供一种智能驾驶系统。
参照图1,图1为本发明智能驾驶系统第一实施例的结构示意图。
本实施例中,按照安全需求等级,将智能驾驶系统划分为感知计算模块10、决策规划模块20和底层控制模块30,其中,
感知计算模块10包括第一通信单元11和包含有若干人工智能芯片的感知计算单元12,感知计算单元12用于从传感器获取车辆行驶环境信息,并通过人工智能芯片输出基于所述车辆行驶环境信息的分析结果至所述第一通信单元11,以使所述第一通信单元11将所述分析结果发送给所述决策规划模块20;
具体实施时,为保证智能驾驶系统具有强大的计算能力,感知计算单元12可使用一个或多个人工智能芯片,构成一个可扩展的感知计算单元组,其中人工智能芯片可以采用Nvidia(英伟达)公司的Jetson X2芯片和Intel(英特尔)公司的ATOM芯片,或者其他种类的人工智能芯片;同时,感知计算单元12接入各种传感器,包括视觉传感器、激光雷达、毫米波雷达等。在智能驾驶过程中,感知计算单元12从接入的传感器获取车辆行驶环境信息,然后通过人工智能芯片输出基于车辆行驶环境信息的分析结果至第一通信单元11,以使该第一通信单元11将分析结果发送给决策规划模块20,其中,车辆行驶环境信息包括但不限于视频数据、雷达点云数据等,对车辆行驶环境信息的分析包括但不限于按照预设规则对数据进行检测、跟踪、分类、融合等,分析结果包括但不限于当前行驶环境中的障碍物信息、车道信息等。以Nvidia公司的Jetson X2为例,Jetson X2具有强大的AI计算能力,其能够接入摄像机、激光雷达等传感器,并使用深度学习方法对视频数据和激光雷达数据进行检测和分类,每块Jetson X2能够接入2路摄像机或者激光雷达,执行实时检测与分类,根据智能驾驶解决方案的配置情况,可以使用多个Jetson X2来处理多达16路的摄像机和激光雷达数据。
决策规划模块20包括第二通信单元21和决策规划单元22,第二通信单元21用于接收第一通信单元11发送的分析结果,并将分析结果输入决策规划单元22,以使决策规划单元22返回对应的路径规划信息;第二通信单元21还用于将路径规划信息发送给底层控制模块30;
考虑到决策规划模块20需要比较高的可靠性和安全性,且对计算能力的要求不高,因此决策规划模块20可以采用低成本高可靠处理器,如双核热处理器。进一步地,决策规划模块20还可以包括存储单元,该存储单元与决策规划单元22连接,用于向所述决策规划单元22提供预先保存的高精度地图数据,决策规划单元22还用于根据所述高精度地图数据和第一通信单元11输入的分析结果生成对应的路径规划信息,该路径规划信息可以包括行车轨迹和基于车辆的控制信息等。
底层控制模块30包括第三通信单元31和底层控制单元32,第三通信单元31用于接收第二通信单元21发送的路径规划信息,并将路径规划信息输入底层控制单元32,以使底层控制单元32向车辆总线发出对应的控制指令。
上述底层控制模块30直接对车辆总线,即CAN(Controller Area Network,控制器局域网络)总线发出控制指令,需要最高的安全等级,要求在任何情况下都不能失效,且能够在所有其他模块失效的情况下,执行紧急状态指令。考虑到底层控制模块30需要高可靠性和高安全性,所需的计算能力比较低,因此底层控制模块30可以采用X86架构或ARM架构,支持双核热备份的高可靠芯片作为处理器。
进一步地,考虑到智能驾驶系统需要具备高实效性,在一实施方式中,上述感知计算模块10、决策规划模块20和底层控制模块30均搭载有实时操作系统,该实时操作系统可以为Ubuntu操作系统,或QNX操作系统,或实时Linux操作系统。
进一步地,上述第一通信单元11、第二通信单元12和第三通信单元13之间可以通过数据分发服务(DDS,Data Distribution Service,数据分发服务)中间件进行通信。DDS中间件是一种能够实现Ros(Robot Operating System,机器人操作系统)兼容的分布式通信中间件,其支持共享内存模式和网络模式两种消息交换机制,比如,针对感知模块内部之间节点,对于视频帧和激光雷达点云类型的消息,使用共享内存模式进行通信,以保证高吞吐量的需求,对于跨模块节点的消息交换,采用网络模式进行通信,保证跨模块、跨平台、跨操作系统的需求。
需要说明的是,对跨平台不同版本的Ros兼容,可以通过消息代理来实现。各模块采用DDS中间件进行节点间通信,各消息使用Protobuf框架封装为Ros的topic,各节点进行订阅和发布。在跨模块通信时,各计算单元内需要跨模块通信的节点将消息以Protobuf格式封装后提交给通信代理节点,通信代理节点将信息以网络模式发送给远程主机计算单元的通信代理节点,然后再进行模块内消息分发。
本实施例提出的智能驾驶系统,基于对安全性、可靠性和计算能力的不同需求,采用了包括感知计算模块、决策规划模块和底层控制模块在内的分布式架构,且感知计算模块、决策规划模块和底层控制模块之间通过分布式通信单元进行通信,相比于现有技术中的集中式车载计算平台,降低了智能驾驶系统的成本,同时,通过人工智能芯片运行感知计算模块,能够保证智能驾驶系统的计算能力。
进一步的,参照图2,图2为本发明智能驾驶系统第二实施例的结构示意图。基于上述图1所示的实施例,所述决策规划单元22包含有第一热备份芯片和第一检测判决芯片,其中,
所述第一热备份芯片用于根据所述第二通信单元21输入的分析结果输出对应的路径规划信息至所述第一检测判决芯片;
所述第一检测判决芯片用于检测所述路径规划信息的有效性并将有效的路径规划信息发送给所述第二通信单元21。
进一步地,所述底层控制单元32包含有第二热备份芯片和第二检测判决芯片,其中,
所述第二热备份芯片用于根据所述第三通信单元31输入的路径规划信息输出对应的控制指令至所述第二检测判决芯片;
所述第二检测判决芯片用于检测所述控制指令的有效性并向车辆总线发出有效的控制指令。
在本实施例中,考虑到决策规划模块20和底层控制模块30需要比较高的可靠性和安全性,且对计算能力的要求不高,因此决策规划单元22可以采用低成本高可靠处理器,其具体可以包括第一热备份芯片和第一检测判决芯片,其中,第一热备份芯片可以为单核或多核热备份芯片,如可以采用双核热备份芯片,第一热备份芯片用于根据所述第二通信单元21输入的分析结果输出对应的路径规划信息至所述第一检测判决芯片,第一检测判决芯片用于检测所述路径规划信息的有效性并将有效的路径规划信息发送给所述第二通信单元21;同理,底层控制单元32可以也可采用低成本高可靠处理器,其具体可以包括第二热备份芯片和第二检测判决芯片,其中,第二热备份芯片可以为单核或多核热备份芯片,如可以采用双核热备份芯片,第二热备份芯片用于根据第三通信单元31输入的路径规划信息输出对应的控制指令至所述第二检测判决芯片,第二检测判决芯片用于检测所述控制指令的有效性并向车辆总线发出有效的控制指令。
本实施例通过分别在决策规划单元22和底层控制单元32中采用热备份芯片和检测判决芯片,由于该类型芯片成本较低,因此能够有效降低智能驾驶系统的成本,同时依据决策规划单元22和底层控制单元32对计算能力的需求,使用该类型芯片足以保证运算的安全可靠性。
基于上述实施例中的智能驾驶系统,提出本发明智能驾驶方法第一实施例。在本实施例中,所述智能驾驶方法包括如下步骤:
a、感知计算模块获取并分析传感器采集到的车辆行驶环境信息,并将分析结果发送给决策规划模块;
该步骤中,感知计算模块可以通过一个或多个人工智能芯片获取并分析传感器采集到的车辆行驶环境信息。其中,人工智能芯片可以采用Nvidia(英伟达)公司的Jetson X2芯片和Intel(英特尔)公司的ATOM芯片,或者其他种类的人工智能芯片;传感器可以包括视觉传感器、激光雷达、毫米波雷达等;车辆行驶环境信息包括但不限于视频数据、雷达点云数据等,对车辆行驶环境信息的分析包括但不限于按照预设规则对数据进行检测、跟踪、分类、融合等,分析结果包括但不限于当前行驶环境中的障碍物信息、车道信息等。在得到基于车辆行驶环境信息的分析结果后,感知计算模块可以通过分布式通信中间件将该分析结果发送给决策规划模块。
b、所述决策规划模块根据所述分析结果生成对应的路径规划信息,并将所述路径规划信息发送给底层控制模块;
该步骤中,决策规划模块可以采用和感知计算模块相同的分布式通信中间件接收其发送的分析结果,在接收到分析结果后,决策规划模块根据该分析结果生成对应的路径规划信息。具体实施时,决策规划模块可以获取预先保存的高精度地图数据,然后根据所述高精度地图数据和所述分析结果生成对应的路径规划信息,该路径规划信息包括行车轨迹和基于车辆的控制信息,如控制车辆加速、减速、转向、停止等。在得到路径规划信息后,感知计算模块通过分布式通信中间件将该路径规划信息发送给决策规划模块。
c、所述底层控制模块根据所述路径规划信息生成对应的控制指令,并根据所述控制指令控制车辆驾驶。
该步骤中,底层控制模块可以采用和决策规划模块相同的分布式通信中间件接收其发送的路径规划信息,在接收到路径规划信息后,底层控制模块根据该路径规划信息生成对应的控制指令,然后将该控制指令发送给车辆CAN总线,以控制车辆驾驶。比如,当路径规划信息为向某一标定点进行直线加速时,对应的控制指令为直线加速行驶,当路径规划信息为转向时,对应的控制指令为控制方向盘旋转对应角度,等等。
进一步地,上述分布式通信中间件可以为DDS中间件,DDS中间件是一种能够实现Ros(Robot Operating System,机器人操作系统)兼容的分布式通信中间件,其支持共享内存模式和网络模式两种消息交换机制,比如,针对感知模块内部之间节点,对于视频帧和激光雷达点云类型的消息,使用共享内存模式进行通信,以保证高吞吐量的需求,对于跨模块节点的消息交换,采用网络模式进行通信,保证跨模块、跨平台、跨操作系统的需求。
进一步地,所述智能驾驶方法还包括:
在所述感知计算模块、所述决策规划模块和所述底层控制模块中分别运行通信代理功能;
当所述第一通信单元、所述第二通信单元和所述第三通信单元的数据分发服务中间件不兼容时,通过所述通信代理功能进行模块间通信。
对跨平台不同版本的Ros兼容,可以通过消息代理来实现。各模块采用DDS中间件进行节点间通信,各消息使用Protobuf框架封装为Ros的topic,各节点进行订阅和发布。在跨模块通信时,各计算单元内需要跨模块通信的节点将消息以Protobuf格式封装后提交给通信代理节点,通信代理节点将信息以网络模式发送给远程主机计算单元的通信代理节点,然后再进行模块内消息分发。
本实施例提出的智能驾驶方法,通过采用包括感知计算模块、决策规划模块和底层控制模块在内的分布式架构,既能降低智能驾驶系统的成本,又能同时保证智能驾驶系统的计算能力。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有智能驾驶程序程序,所述智能驾驶程序被处理器执行时实现如上所述的智能驾驶方法的步骤。
其中,在所述处理器上运行的智能驾驶程序被执行时所实现的方法可参照本发明智能驾驶方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (12)
1.一种智能驾驶系统,其特征在于,所述智能驾驶系统包括感知计算模块、决策规划模块和底层控制模块,其中,
所述感知计算模块包括第一通信单元和包含有若干人工智能芯片的感知计算单元,所述感知计算单元用于从传感器获取车辆行驶环境信息,并通过所述人工智能芯片输出基于所述车辆行驶环境信息的分析结果至所述第一通信单元,以使所述第一通信单元将所述分析结果发送给所述决策规划模块;
所述决策规划模块包括第二通信单元和决策规划单元,所述第二通信单元用于接收所述第一通信单元发送的分析结果,并将所述分析结果输入所述决策规划单元,以使所述决策规划单元返回对应的路径规划信息;所述第二通信单元还用于将所述路径规划信息发送给所述底层控制模块;
所述底层控制模块包括第三通信单元和底层控制单元,所述第三通信单元用于接收所述第二通信单元发送的路径规划信息,并将所述路径规划信息输入所述底层控制单元,以使所述底层控制单元向车辆总线发出对应的控制指令。
2.如权利要求1所述的智能驾驶系统,其特征在于,所述第一通信单元、所述第二通信单元和所述第三通信单元之间通过数据分发服务中间件进行通信。
3.如权利要求1所述的智能驾驶系统,其特征在于,所述决策规划模块还包括存储单元,所述存储单元与所述决策规划单元连接,用于向所述决策规划单元提供预先保存的高精度地图数据;
所述决策规划单元还用于根据所述高精度地图数据和所述分析结果生成对应的路径规划信息。
4.如权利要求1至3中任一项所述的智能驾驶系统,其特征在于,所述决策规划单元包含有第一热备份芯片和第一检测判决芯片,其中,
所述第一热备份芯片用于根据所述第二通信单元输入的分析结果输出对应的路径规划信息至所述第一检测判决芯片;
所述第一检测判决芯片用于检测所述路径规划信息的有效性并将有效的路径规划信息发送给所述第二通信单元。
5.如权利要求4所述的智能驾驶系统,其特征在于,所述底层控制单元包含有第二热备份芯片和第二检测判决芯片,其中,
所述第二热备份芯片用于根据所述第三通信单元输入的路径规划信息输出对应的控制指令至所述第二检测判决芯片;
所述第二检测判决芯片用于检测所述控制指令的有效性并向车辆总线发出有效的控制指令。
6.如权利要求1所述的智能驾驶系统,其特征在于,所述人工智能芯片包括Jetson X2芯片和ATOM芯片。
7.如权利要求1所述的智能驾驶系统,其特征在于,所述感知计算单元、所述决策规划单元和所述底层控制单元均搭载有实时操作系统。
8.如权利要求7所述的智能驾驶系统,其特征在于,所述实时操作系统为Ubuntu操作系统,或QNX操作系统,或实时Linux操作系统。
9.如权利要求1所述的智能驾驶系统,其特征在于,所述底层控制模块采用X86架构或ARM架构。
10.一种智能驾驶方法,其特征在于,所述智能驾驶方法应用于如权利要求1至9中任一项所述的智能驾驶系统,所述智能驾驶方法包括:
感知计算模块获取并分析传感器采集到的车辆行驶环境信息,并将分析结果发送给决策规划模块;
所述决策规划模块根据所述分析结果生成对应的路径规划信息,并将所述路径规划信息发送给底层控制模块;
所述底层控制模块根据所述路径规划信息生成对应的控制指令,并根据所述控制指令控制车辆驾驶。
11.如权利要求10所述的智能驾驶方法,其特征在于,所述智能驾驶方法还包括:
在所述感知计算模块、所述决策规划模块和所述底层控制模块中分别运行通信代理功能;
当所述第一通信单元、所述第二通信单元和所述第三通信单元的数据分发服务中间件不兼容时,通过所述通信代理功能进行模块间通信。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有智能驾驶程序,所述智能驾驶程序被处理器执行时实现如权利要求10或11中所述的智能驾驶方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810371209.7A CN110398953A (zh) | 2018-04-25 | 2018-04-25 | 智能驾驶系统、方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810371209.7A CN110398953A (zh) | 2018-04-25 | 2018-04-25 | 智能驾驶系统、方法及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110398953A true CN110398953A (zh) | 2019-11-01 |
Family
ID=68320199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810371209.7A Pending CN110398953A (zh) | 2018-04-25 | 2018-04-25 | 智能驾驶系统、方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398953A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110949406A (zh) * | 2019-12-25 | 2020-04-03 | 驭势科技(北京)有限公司 | 一种智能驾驶系统及方法 |
CN112810553A (zh) * | 2021-01-22 | 2021-05-18 | 中汽创智科技有限公司 | 基于自适应平台汽车开放系统架构的数据可视化系统及方法 |
CN113138864A (zh) * | 2020-01-19 | 2021-07-20 | 华为技术有限公司 | 消息通信方法、计算机系统及代理装置 |
CN117389937A (zh) * | 2023-12-11 | 2024-01-12 | 上海建工一建集团有限公司 | 一种车辆避障数据的计算方法、计算机及可读存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326735A1 (en) * | 2008-06-27 | 2009-12-31 | Raytheon Company | Apparatus and method for controlling an unmanned vehicle |
CN105931532A (zh) * | 2016-06-16 | 2016-09-07 | 永州市金锐科技有限公司 | 智能车载驾培系统 |
CN106447256A (zh) * | 2016-09-09 | 2017-02-22 | 智能侠(北京)科技有限公司 | 基于智能移动装备的仓储智能调度监控管理方法及系统 |
CN106774291A (zh) * | 2016-12-26 | 2017-05-31 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶电动汽车的电控系统 |
CN106951627A (zh) * | 2017-03-15 | 2017-07-14 | 北京百度网讯科技有限公司 | 车辆自动驾驶的仿真测试方法、装置、设备及计算机可读存储介质 |
CN106945666A (zh) * | 2017-04-28 | 2017-07-14 | 天津清智科技有限公司 | 车辆节能控制系统 |
CN107024927A (zh) * | 2016-02-01 | 2017-08-08 | 上海无线通信研究中心 | 一种自动驾驶系统和方法 |
CN107422730A (zh) * | 2017-06-09 | 2017-12-01 | 武汉市众向科技有限公司 | 基于视觉导引的agv运输系统及其驾驶控制方法 |
CN107506830A (zh) * | 2017-06-20 | 2017-12-22 | 同济大学 | 面向智能汽车规划决策模块的人工智能训练平台 |
US20180029610A1 (en) * | 2016-07-27 | 2018-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Visually simulating driving plans in autonomous vehicles |
US20180059672A1 (en) * | 2016-08-29 | 2018-03-01 | Baidu Usa Llc | Method and system to construct surrounding environment for autonomous vehicles to make driving decisions |
US9919704B1 (en) * | 2017-01-27 | 2018-03-20 | International Business Machines Corporation | Parking for self-driving car |
CN107886750A (zh) * | 2017-10-24 | 2018-04-06 | 北京邮电大学 | 一种基于超视距协同认知的无人驾驶汽车控制方法与系统 |
CN209928279U (zh) * | 2018-04-25 | 2020-01-10 | 长沙智能驾驶研究院有限公司 | 智能驾驶系统及智能车辆 |
-
2018
- 2018-04-25 CN CN201810371209.7A patent/CN110398953A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326735A1 (en) * | 2008-06-27 | 2009-12-31 | Raytheon Company | Apparatus and method for controlling an unmanned vehicle |
CN107024927A (zh) * | 2016-02-01 | 2017-08-08 | 上海无线通信研究中心 | 一种自动驾驶系统和方法 |
CN105931532A (zh) * | 2016-06-16 | 2016-09-07 | 永州市金锐科技有限公司 | 智能车载驾培系统 |
US20180029610A1 (en) * | 2016-07-27 | 2018-02-01 | Toyota Motor Engineering & Manufacturing North America, Inc. | Visually simulating driving plans in autonomous vehicles |
US20180059672A1 (en) * | 2016-08-29 | 2018-03-01 | Baidu Usa Llc | Method and system to construct surrounding environment for autonomous vehicles to make driving decisions |
CN106447256A (zh) * | 2016-09-09 | 2017-02-22 | 智能侠(北京)科技有限公司 | 基于智能移动装备的仓储智能调度监控管理方法及系统 |
CN106774291A (zh) * | 2016-12-26 | 2017-05-31 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶电动汽车的电控系统 |
US9919704B1 (en) * | 2017-01-27 | 2018-03-20 | International Business Machines Corporation | Parking for self-driving car |
CN106951627A (zh) * | 2017-03-15 | 2017-07-14 | 北京百度网讯科技有限公司 | 车辆自动驾驶的仿真测试方法、装置、设备及计算机可读存储介质 |
CN106945666A (zh) * | 2017-04-28 | 2017-07-14 | 天津清智科技有限公司 | 车辆节能控制系统 |
CN107422730A (zh) * | 2017-06-09 | 2017-12-01 | 武汉市众向科技有限公司 | 基于视觉导引的agv运输系统及其驾驶控制方法 |
CN107506830A (zh) * | 2017-06-20 | 2017-12-22 | 同济大学 | 面向智能汽车规划决策模块的人工智能训练平台 |
CN107886750A (zh) * | 2017-10-24 | 2018-04-06 | 北京邮电大学 | 一种基于超视距协同认知的无人驾驶汽车控制方法与系统 |
CN209928279U (zh) * | 2018-04-25 | 2020-01-10 | 长沙智能驾驶研究院有限公司 | 智能驾驶系统及智能车辆 |
Non-Patent Citations (1)
Title |
---|
韩延光;饶东;闫磊;: "全自动驾驶车辆网络系统的应用分析", 铁道车辆, no. 10, 10 October 2017 (2017-10-10) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110949406A (zh) * | 2019-12-25 | 2020-04-03 | 驭势科技(北京)有限公司 | 一种智能驾驶系统及方法 |
CN110949406B (zh) * | 2019-12-25 | 2022-04-29 | 驭势科技(北京)有限公司 | 一种智能驾驶系统及方法 |
CN113138864A (zh) * | 2020-01-19 | 2021-07-20 | 华为技术有限公司 | 消息通信方法、计算机系统及代理装置 |
WO2021143190A1 (zh) * | 2020-01-19 | 2021-07-22 | 华为技术有限公司 | 消息通信方法、计算机系统及代理装置 |
CN112810553A (zh) * | 2021-01-22 | 2021-05-18 | 中汽创智科技有限公司 | 基于自适应平台汽车开放系统架构的数据可视化系统及方法 |
CN112810553B (zh) * | 2021-01-22 | 2023-10-27 | 中汽创智科技有限公司 | 基于自适应平台汽车开放系统架构的数据可视化系统 |
CN117389937A (zh) * | 2023-12-11 | 2024-01-12 | 上海建工一建集团有限公司 | 一种车辆避障数据的计算方法、计算机及可读存储介质 |
CN117389937B (zh) * | 2023-12-11 | 2024-03-08 | 上海建工一建集团有限公司 | 一种车辆避障数据的计算方法、计算机及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
CN110398953A (zh) | 智能驾驶系统、方法及计算机可读存储介质 | |
JP2023514905A (ja) | 自律型車両のためのビヘイビア・プランニング | |
EP4141736A1 (en) | Lane tracking method and apparatus | |
Munir et al. | Autonomous vehicle: The architecture aspect of self driving car | |
Zhang et al. | A cognitively inspired system architecture for the Mengshi cognitive vehicle | |
WO2020139961A1 (en) | Distributed system task management using a simulated clock | |
US11300957B2 (en) | Multiple objective explanation and control interface design | |
CN109725630A (zh) | 智能驾驶车辆控制器测试方法、装置、服务器和计算机可读介质 | |
US10836405B2 (en) | Continual planning and metareasoning for controlling an autonomous vehicle | |
KR20200102378A (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
US20220091616A1 (en) | Autonomous driving method, intelligent control device and autonomous driving vehicle | |
WO2022142839A1 (zh) | 一种图像处理方法、装置以及智能汽车 | |
WO2020139967A1 (en) | Distributed system execution using a serial timeline | |
US10974730B2 (en) | Vehicle perception system on-line diangostics and prognostics | |
CN209928279U (zh) | 智能驾驶系统及智能车辆 | |
CN110568847A (zh) | 一种车辆的智能控制系统、方法,车载设备和存储介质 | |
Mehr et al. | X-CAR: An experimental vehicle platform for connected autonomy research | |
Gao et al. | Autonomous driving of vehicles based on artificial intelligence | |
CN116686028A (zh) | 一种驾驶辅助的方法以及相关设备 | |
CN110375786A (zh) | 一种传感器外参的标定方法、车载设备及存储介质 | |
WO2022067295A1 (en) | Architecture for distributed system simulation timing alignment | |
US11397610B2 (en) | Architecture for simulation clock-based simulation of distributed systems | |
US11899454B2 (en) | Objective-based reasoning in autonomous vehicle decision-making | |
US11183052B2 (en) | Enhanced vehicle operation |
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 |