CN110462543A - 用于评估自动驾驶车辆的感知要求的基于仿真的方法 - Google Patents
用于评估自动驾驶车辆的感知要求的基于仿真的方法 Download PDFInfo
- Publication number
- CN110462543A CN110462543A CN201880002879.XA CN201880002879A CN110462543A CN 110462543 A CN110462543 A CN 110462543A CN 201880002879 A CN201880002879 A CN 201880002879A CN 110462543 A CN110462543 A CN 110462543A
- Authority
- CN
- China
- Prior art keywords
- collection
- adv
- virtual obstacles
- perceptual parameters
- planning
- 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.)
- Granted
Links
- 230000008447 perception Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000004888 barrier function Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 7
- 239000011800 void material Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000004088 simulation Methods 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000003860 storage Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 241000630329 Scomberesox saurus saurus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 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
- 230000001351 cycling effect Effects 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 229910052738 indium Inorganic materials 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005036 potential barrier Methods 0.000 description 1
- 230000001737 promoting effect 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
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/10—Path keeping
-
- 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
- B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
-
- 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
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
-
- 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
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
- B60W2050/0088—Adaptive recalibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9323—Alternative operation using light waves
Abstract
系统(400)被设计为针对具体类型的车辆和具体的规划与控制技术确定对感知范围的要求。阴影滤波器(400)用于连接基于场景的仿真器(413)和PnC模块(412),并且阴影滤波器(411)的参数被调谐(例如,减小滤波器范围,调谐帧中障碍物待被观察到的概率)以模拟具有有限的范围和可靠性的真实世界感知。基于仿真结果(例如,失败率、平滑度等),系统能够确定当前PnC模块(412)所要求的感知距离。PnC模块(412)代表具体类型的自动驾驶车辆的具体的自动驾驶规划与控制技术。注意,PnC模块(412)是可替换的,从而此方法适于代表不同自动驾驶技术的不同PnC算法。
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使用仿真来确定自动驾驶车辆的感知要求。
背景技术
以自动驾驶模式运行(例如,无人驾驶)的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时,车辆可以使用车载传感器导航到各个位置,从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。
运动规划与控制是自动驾驶中的关键操作。规划与控制基于感知或观察自动驾驶车辆(ADV)周围的驾驶环境的感知信息被执行,所述感知信息可以由安装在车辆上的感知传感器提供。来自不同传感器供应商或制造商的具有不同设计规格的不同感知传感器可能具有不同的表现(例如,不同的灵敏度或扫描范围)。
考虑到用于驾驶车辆的规划与控制技术,车辆设计师可能必须确定为车辆使用哪些类型的传感器。感知模块需要可靠地观察多远是影响感知传感器的选择决定的关键因素之一。同时,不同的传感器与制造或购买的不同成本相关联。需要较长或较远的感知范围通常导致较高成本,而较短感知范围可能会增大盲区和增加车祸概率。如何在传感器类型上作出平衡的决定是需要处理的非常具有挑战性的问题。
解决上面问题的传统尝试是基于人类的实践经验。这是不可靠的,并且可能浪费钱或不适于规划与控制模块安全地驾驶车辆。此外,感知范围的要求与自动驾驶技术的具体的规划与控制(PnC)模块高度相关,但是传统尝试无法基于PnC模块作出适当的评估。
发明内容
在本公开的一个方面,本公开的实施方式提供了一种用于确定自动驾驶车辆所要求的感知范围计算机实现方法,所述方法包括:定义相对于自动驾驶车辆(ADV)的当前位置被布置在多个不同位置的第一虚拟障碍物集;定义与所述ADV的一个或多个感知传感器相关联的多个感知参数集;对于每个所述感知参数集,基于所述感知参数集对所述第一虚拟障碍物集执行过滤操作以确定第二虚拟障碍物集,所述第二虚拟障碍物集是所述第一虚拟障碍物集的子集,以及考虑到所述第二虚拟障碍物集执行规划与控制仿真以规划轨迹并控制所述ADV根据所述轨迹移动;以及基于所述规划与控制仿真从所述多个感知参数集中选择第一感知参数集,其中所述第一感知参数集将被应用于所述ADV的所述感知传感器。
在本公开的另一方面,本公开的实施方式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使所述处理器执行操作,所述操作包括:定义相对于自动驾驶车辆(ADV)的当前位置被布置在多个不同位置的第一虚拟障碍物集;定义与所述ADV的一个或多个感知传感器相关联的多个感知参数集;对于每个所述感知参数集,基于所述感知参数集对所述第一虚拟障碍物集执行过滤操作以确定第二虚拟障碍物集,所述第二虚拟障碍物集是所述第一虚拟障碍物集的子集,以及考虑到所述第二虚拟障碍物集执行规划与控制仿真以规划轨迹并控制所述ADV根据所述轨迹移动;以及基于所述规划与控制仿真从所述多个感知参数集中选择第一感知参数集,其中所述第一感知参数集将被应用于所述ADV的所述感知传感器。
在本公开的又一方面,本公开的实施方式提供了一种数据处理系统,它包括处理器和存储器,所述存储器联接到所述处理器以存储指令,所述指令在由所述处理器执行时使所述处理器执行操作,所述操作包括:定义相对于自动驾驶车辆(ADV)的当前位置被布置在多个不同位置的第一虚拟障碍物集;定义与所述ADV的一个或多个感知传感器相关联的多个感知参数集;对于每个所述感知参数集,基于所述感知参数集对所述第一虚拟障碍物集执行过滤操作以确定第二虚拟障碍物集,所述第二虚拟障碍物集是所述第一虚拟障碍物集的子集,以及考虑到所述第二虚拟障碍物集执行规划与控制仿真以规划轨迹并控制所述ADV根据所述轨迹移动;以及基于所述规划与控制仿真从所述多个感知参数集中选择第一感知参数集,其中所述第一感知参数集将被应用于所述ADV的所述感知传感器。
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,附图中的相同参考数字指示相似元件。
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4A至图4B是示出根据一个实施方式的感知与仿真系统的示例的框图。
图5是示出根据一个实施方式的感知仿真的过程的示图。
图6是示出根据一个实施方式的评估仿真的过程的示图。
图7是示出根据一个实施方式的确定自动驾驶的感知范围的过程的流程图。
图8是示出根据一个实施方式的数据处理系统的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面,附图将示出所述各种实施方式。下列描述和附图是对本公开的说明,而不应当解释为限制本公开。描述了许多特定细节以提供对本公开各种实施方式的全面理解。然而,在某些情况下,并未描述众所周知的或常规的细节以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可以包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
根据一些实施方式,系统被设计为针对具体类型车辆和具体的规划与控制技术确定感知范围的要求。使用阴影滤波器连接基于场景的仿真器与PnC模块,并调谐阴影滤波器的参数(例如,修改滤波器范围、调谐障碍物在帧中待被观察到的概率)以模拟具有有限的范围和可靠性的真实世界感知。基于仿真结果(例如,失败率、平滑度等),系统能够确定当前PnC模块所要求的感知距离。PnC模块代表具体类型的自动驾驶车辆的具体的自动驾驶规划与控制技术。PnC模块包括在本文中执行的用来规划与控制ADV的驾驶操作的自动驾驶算法。应注意,PnC模块是可替换的,从而此方法适于代表不同自动驾驶技术的不同PnC算法。
根据一个实施方式,使用基于场景的仿真引擎,它可仿真成千上百个驾驶场景。驾驶场景可以是关于某些障碍物(例如,车辆、行人、自行车骑行者、例如建筑物或灯柱的静止对象)直行、变道、转弯(例如,左转、右转、掉头)、交叉、合流等,在每个场景中,理想的感知与阴影滤波器相连,其中理想的感知包括在不同位置以不同距离部署的虚拟障碍物的集合。阴影滤波器可(考虑到与具体的规划与控制技术相关联的感知概率)基于ADV的当前状态或ADV的类型和感知参数滤除障碍物。ADV的当前状态包括ADV的前进方向、位置、速度等。感知参数包括过滤范围(即,当障碍物距自动驾驶车辆的距离大于的特定距离时,它将被滤除)和过滤概率(即,当障碍物的距离小于特定距离时,它的一些帧将被滤除)。此概率根据障碍物与ADV之间的相对方向和距离而改变。PnC模块连接至阴影滤波器,从而在PnC模块中,在感知方面仅过滤后的障碍物可用或可见。评估器与仿真引擎并行地运行以收集和评估仿真结果来确定ADV是否安全地运行和轨迹平滑度是否在可接受的范围内。范围确定模块分析评估结果并适当地选择ADV仍能安全运行且人仍能舒适地坐在车上的最小或最短感知范围。所选择的感知范围可用于确定和获取随后在ADV中使用的感知传感器。
在具体的实施方式中,定义第一虚拟障碍物集,第一虚拟障碍物集相对于ADV(例如,虚拟ADV)的当前位置被部署在不同的位置。障碍物可代表行人、骑行者、车辆、或静止的对象(例如,不移动的障碍物)。定义与ADV的一个或多个感知传感器相关联的多个感知参数集。感知参数指扫描距离和/或扫描角度,它代表感知传感器能够覆盖以观察障碍物的扫描范围或扫描区域。对于每个感知参数集,基于相应的感知参数集在第一虚拟障碍物集上执行过滤操作以从第一虚拟障碍物集中确定第二虚拟障碍物集。第二虚拟障碍物集是第一虚拟障碍物集的落入由感知参数定义的扫描区域内的子集。考虑到第二虚拟障碍物集,通过使用规划与控制技术或算法执行规划与控制仿真以规划轨迹和控制ADV根据该轨迹移动。所述规划与控制仿真可在可以为仿真目的预配置的各种驾驶场景下执行。然后,基于规划与控制仿真从感知参数集中选择第一感知参数集。所选择的第一感知参数集可用于为该具体类型的车辆和具体的规划与控制技术识别和选择感知传感器。
在一个实施方式中,对于每个感知参数集,考虑到预定的规则(例如,交通规则)集,评估相应仿真的结果以确定ADV是否已经成功地导航通过第二虚拟障碍物集。第一感知参数集被选择为使得ADV成功地导航通过第二虚拟障碍物集,例如无事故地通过(例如不与障碍物碰撞或不会太过靠近障碍物)。规则集可以包括当ADV导航通过障碍物时ADV与每个虚拟障碍物之间的最小距离、基于地图数据ADV在车道内的相对位置、以及ADV与虚拟障碍物之间的相对速度范围。感知传感器可以包括将在下面详细描述的RADAR装置和LIDAR装置。
图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1,网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆,但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络,例如,有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集,诸如,网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或者位置服务器等。
自动驾驶车辆是指可以被配置成处于自动驾驶模式下的车辆,在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可以包括传感器系统,所述传感器系统具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可以在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在一个实施方式中,自动驾驶车辆101包括,但不限于,感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113、资讯娱乐系统114和传感器系统115。自动驾驶车辆101还可以包括普通车辆中包括的某些常用部件,诸如:发动机、车轮、方向盘、变速器等,所述部件可以由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制,该多种通信信号和/或命令例如,加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至115可以经由互连件、总线、网络或其组合通信地联接到彼此。例如,部件110至115可以经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是被设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议,但也用于许多其它环境。
现在参考图2,在一个实施方式中,传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS系统212可以包括收发器,所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可以基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可以表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中,除感测对象之外,雷达单元214可以另外感测对象的速度和/或前进方向。LIDAR单元215可以使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外,LIDAR单元215还可以包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可以包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的,例如,通过将摄像机安装在旋转和/或倾斜平台上。
传感器系统115还可以包括其它传感器,诸如:声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如,麦克风)。音频传感器可以被配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可以被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下,油门传感器和制动传感器可以集成为集成式油门/制动传感器。
在一个实施方式中,车辆控制系统111包括但不限于转向单元201、油门单元202(也被称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度,电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意,如图2所示的部件可以以硬件、软件或其组合实施。
回到图1,无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如,无线通信系统112可以与一个或多个装置直接无线通信,或者经由通信网络进行无线通信,诸如,通过网络102与服务器103至104通信。无线通信系统112可以使用任何蜂窝通信网络或无线局域网(WLAN),例如,使用WiFi,以与另一部件或系统通信。无线通信系统112可以例如使用红外链路、蓝牙等与装置(例如,乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分,包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可以由感知与规划系统110控制或管理,尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如,处理器、存储器、存储设备)和软件(例如,操作系统、规划和路线安排程序),以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息,处理所接收的信息,规划从起始点到目的地点的路线或路径,随后基于规划与控制信息来驾驶车辆101。替代地,感知与规划系统110可以与车辆控制系统111集成在一起。
例如,作为乘客的用户可以例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如,感知与规划系统110可以从MPOI服务器中获得位置和路线信息,所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务,并且MPOI服务器提供地图服务和某些位置的POI。替代地,此类位置和MPOI信息可以本地高速缓存在感知与规划系统110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时,感知与规划系统110也可以从交通信息系统或服务器(TIS)获得实时交通信息。应注意,服务器103至104可以由第三方实体进行操作。替代地,服务器103至104的功能可以与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如,障碍物、对象、附近车辆),感知与规划系统110可以规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101,以安全且高效到达指定目的地。
服务器103可以是数据分析系统以为各种客户执行数据分析服务。在一个实施方式中,数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由驾驶员驾驶的普通车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发布的驾驶命令(例如,油门、制动、转向命令)的信息和由车辆的传感器在不同时间点采集的车辆响应(例如,速度、加速度、减速度、方向)。驾驶统计数据123还可以包括描述不同时间点的驾驶环境的信息,例如路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。
基于驾驶统计数据123,机器学习引擎122生成或训练一组规则、算法和/或预测模型124用于各种目的。在一个实施方式中,数据124还包括与各种感知传感器相关联的感知参数集、规划与控制技术或算法、用于仿真的驾驶场景集、以及用于评估仿真结果以确定用于选择感知传感器的合适或最佳的感知参数集的规则集。自动驾驶仿真系统125被配置为在用于各种规划与控制技术的不同驾驶场景下基于感知参数候选执行自动驾驶仿真。
在一个实施方式中,在每个场景中,理想的感知与仿真系统125的阴影滤波器相连,其中理想的感知包括在不同位置以不同距离部署的虚拟障碍物集。阴影滤波器可(考虑到与具体的规划与控制技术相关联的感知概率)基于ADV的当前状态或ADV的类型和感知参数来滤除障碍物。ADV的当前状态包括ADV的前进方向、位置、速度等。感知参数包括过滤范围(即,当障碍物距自动驾驶车辆的距离大于特定距离时,它将被滤除)和过滤概率(即,当障碍物的距离小于特定距离时,它的一些帧将被滤除)。此概率根据障碍物与ADV之间的相对方向和距离而改变。仿真系统125的PnC模块连接至阴影滤波器,从而在PnC模块中,在感知方面仅过滤后的障碍物可用或可见。仿真系统125的评估器与仿真引擎并行运行以收集和评估仿真结果来确定ADV是否安全地运行和轨迹平滑度是否在可接受的范围内。仿真系统125的范围确定模块分析评估结果并适当地选择ADV仍能安全运行且人仍能舒适地坐在车上的最小感知范围。
图3A至图3B是示出一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可以被实施为图1的自动驾驶车辆101的一部分,包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B,感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、以及路程安排模块307。
模块301至307中的一些或全部可以以软件、硬件或其组合实施。例如,这些模块可以安装在永久性存储装置352中、加载到存储器351中,并且由一个或多个处理器(未示出)执行。应注意,这些模块中的一些或全部可以通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至307中的一些可以一起集成为集成模块。
定位模块301确定自动驾驶车辆(例如,利用GPS单元212)的当前位置并管理与用户的行程或路线相关的任意数据。定位模块301(也被称为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可以例如经由用户接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图和路线信息311的其它部件通信,以获得行程相关数据。例如,定位模块301可以从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务,并且MPOI服务器提供地图服务和某些位置的POI,从而可以作为地图和路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时,定位模块301也可以从交通信息系统或服务器获得实时交通信息。
基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息,感知模块302确定对周围环境的感知。感知信息可以表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可以包括例如采用对象形式的车道配置(例如,直线车道或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如,停止标志、让行标志)等。
感知模块302可以包括计算机视觉系统或计算机视觉系统的功能,以处理并分析由一个或多个摄像机采集的图像,从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可以包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可以使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中,计算机视觉系统可以绘制环境地图,跟踪对象,以及估算对象的速度等。感知模块302也可以基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
针对每个对象,预测模块303预测对象在环境下将会怎样表现。所述预测是考虑到地图/路线信息311和交通规则312的集合基于在时间点感知驾驶环境的感知数据被执行的。例如,如果对象是沿相反方向的车辆且当前驾驶环境包括十字路口,则预测模块303预测车辆可能直行还是转弯。如果感知数据指示十字路口没有交通灯,则预测模块303可以预测到车辆可能必须在进入十字路口之前完全停住。如果感知数据指示车辆当前位于只左转车道或只右转车道,则预测模块303可以预测到车辆更可能左转还是右转。
针对每个对象,决策模块304作出关于如何处置对象的决定。例如,针对特定对象(例如,交叉路线中的另一车辆)以及描述对象的元数据(例如,速度、方向、转弯角度),决策模块304决定如何与所述对象相遇(例如,超车、让行、停止、超过)。决策模块304可以根据诸如交通规则或驾驶规则312的规则集来作出此类决定,所述规则集可以存储在永久性存储装置352中。
路程安排模块307被配置为提供从起始点到目的地点的一个或多个路线或路径。对于(例如,从用户接收的)从起始位置到目的地位置的给定行程,路程安排模块307获得路线和地图信息311并确定从起始位置开始到达目的地位置的所有可能路线或路径。路程安排模块307可以为确定的从起始位置开始到达目的地位置的每条路线生成地形图形式的参考线。参考线指没有来自例如车辆、障碍物或交通状况的其他事物的任何干扰的理想的路线或路径。也就是说,如果道路上没有其他车辆、行人或障碍物,ADV应该正确地或严密地遵循参考线。然后,地形图被提供给决策模块304和/或规划模块305。考虑到由其他模块提供的其他数据,例如来自定位模块301的交通状况、感知模块302感知的驾驶环境和预测模块303预测的交通状况,决策模块304和/或规划模块305检查所有可能的路线以选择和修改最佳路线之一。依赖于时间点的特定驾驶环境,用于控制ADV的实际路径或路线可以与由路程安排模块307提供的参考线接近或不同。
基于针对所感知到的对象中的每个的决定,规划模块305使用路程安排模块307提供的参考线为基础为自动驾驶车辆规划路径或路线以及驾驶参数(例如,距离、速度和/或转弯角度)。换言之,针对给定的对象,决策模块304决定对该对象做什么,而规划模块305确定如何去做。例如,针对给定的对象,决策模块304可以决定超过所述对象,而规划模块305可以确定在所述对象的左侧还是右侧超过。规划与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,规划与控制数据可以指示车辆300以30英里每小时(mph)的速度移动10米,随后以25mph的速度变到右侧车道。
基于规划与控制数据,控制模块306根据由规划与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。所述规划与控制数据包括足够的信息,以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如,油门、制动和转弯命令)将车辆从路线或路径的第一点驾驶到第二点。
在一个实施方式中,规划阶段在多个也称为命令周期的规划周期中执行,例如在每100毫秒(ms)时间段中执行。对于每个规划周期或命令周期,一个或多个控制命令将基于规划与控制数据被发出。也就是说,对于每100ms,规划模块305规划下一路线段或路径段,例如包括目标位置和ADV到达目标位置所需的时间。替代地,规划模块305还可以规定具体的速度、方向、和/或转向角度等。在一个实施方式中,规划模块305规划下一预定时间段例如5秒的路线段或路径段。对于每个规划周期,规划模块305基于前一周期中规划的目标位置规划当前周期(例如,下一5秒)的目标位置。然后,控制模块306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可以集成为集成模块。决策模块304/规划模块305可以包括导航系统或导航系统的功能,以确定自动驾驶车辆的驾驶路径。例如,导航系统可以确定用于实现自动驾驶车辆沿着以下路径移动的一系列速度和前进方向:所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时,基本上避免感知到的障碍物。目的地可以根据经由用户接口系统113进行的用户输入来设定。导航系统可以在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可以将来自GPS系统和一个或多个地图的数据合并,以确定用于自动驾驶车辆的驾驶路径。
决策模块304/规划模块305还可以包括防撞系统或防撞系统的功能,以识别、评估并且避免或以其它方式越过自动驾驶车辆的环境中的潜在障碍物。例如,防撞系统可以通过以下方式实现自动驾驶车辆的导航中的变化:操作控制系统111中的一个或多个子系统来采取变向操纵、转弯操纵、制动操纵等。防撞系统可以基于周围的交通模式、道路状况等自动确定可行的障碍物回避操纵。防撞系统可以被配置成使得当其它传感器系统检测到位于自动驾驶车辆将变向进入的相邻区域中的车辆、建筑障碍物等时不采取变向操纵。防撞系统可以自动选择既可使用又使得自动驾驶车辆乘员的安全性最大化的操纵。防撞系统可以选择预测使得自动驾驶车辆的乘客舱中出现最小量的加速度的避让操纵。
图4A和图4B是示出根据一个实施方式的仿真系统的示例的框图。仿真系统400可以代表图1的仿真125。仿真系统400被设计为用于为具体的车辆和具体的规划与控制技术执行自动驾驶仿真以确定具有最小或合理的成本的用于车辆的感知传感器的感知参数集,同时允许车辆安全且舒适地驾驶。参考图4A和图4B,仿真系统400包括,但不限于,阴影滤波器411、PnC模块412、基于场景的仿真器413、评估模块414和感知范围确定模块415。模块411至415可以被加载到存储器402中且由一个或多个存储器401执行。PnC模块412可以包括规划模块305和/或控制模块306的功能的至少一些。
在一个实施方式中,在仿真之前,定义和创建理想的感知数据集,它可以作为存储在永久性存储装置403中的部分理想感知421被存储。理想感知421可以包括关于待执行仿真的ADV的当前位置位于各个位置的多个虚拟障碍物。虚拟障碍物的一些可以关于仿真的ADV的当前位置位于不同的位置(例如,不同的x和y坐标)。
另外,还定义了ADV的车辆状态和驾驶限制422的集合。驾驶限制可与所讨论的ADV的规范或车辆的具体类型相关。在一个实施方式中,驾驶限制包括ADV的最大加速度(和/或减速度)率、最大转向角度变化率、最小转弯半径、和/或车辆的物理尺寸(例如,车辆长度和车辆宽度)。车辆的车辆状态包括车辆的当前速度、前进方向、位置(例如,x、y坐标)。车辆状态和驾驶限制422可以在仿真期间为规划与控制操作所用。
此外,还定义了多个感知参数集423,它们可以在仿真期间被用作候选的感知参数集。仿真的目标之一是找到具有最低或合理的成本的感知传感器的最佳感知参数集,同时仍然允许安装有感知传感器的ADV安全且舒适地驾驶。每个感知参数集包括定义了可由感知传感器覆盖的扫描区域的信息。在一个实施方式中,每个感知参数集包括RADAR装置的扫描距离,例如,RADAR装置扫描圈的半径(R)。给定能360度旋转和扫描的RADAR装置,RADAR装置的扫描角度是360度。每个感知参数集还可以包括LIDAR装置的扫描距离(L)和扫描角度(θ)。
扫描距离和扫描角度的组合定义了感知传感器能够扫描和观察障碍物的扫描范围或扫描区域。落入扫描区域内的任意障碍物可被认为对感知传感器可见。每个感知参数集还包括表示感知传感器能够“看见”或观察到落入感知传感器的扫描区域内的障碍物的概率或成功率的感知概率。因此,每个候选的感知参数集具有RADAR装置的扫描半径R、LIDAR装置的扫描距离L和LIDAR装置的扫描角度θ的不同组合。在整个本申请中,使用RADAR装置和LIDAR装置作为感知传感器的示例。然而,例如摄像机或红外传感器的其他传感器也是适用的。
根据一个实施方式,对于每个感知参数集423,阴影滤波器411被配置为基于感知参数集的感知参数对理想感知421的虚拟障碍物(例如,第一虚拟障碍物集)进行过滤以生成虚拟障碍物子集(例如,第二障碍物集)。虚拟障碍物子集中的虚拟障碍物是落入由当前感知参数集定义的扫描区域或扫描范围内的障碍物。
参考图5,在此示例中,作为理想感知一部分的预定义的虚拟障碍物集被设置在不同的位置。每个虚拟障碍物由例如障碍物511至515的方块表示。依赖于特定的感知传感器,在此示例中,感知传感器是RADAR装置和LIDAR装置,相应的扫描区域或扫描范围可能是不同的。例如,RADAR装置可被配置为具有扫描半径R1或R2。LIDAR装置可具有扫描距离L1或L2以及扫描角度θ。RADAR装置和LIDAR装置的R、L和θ的组合表示与安装有RADAR装置和LIDAR装置的ADV的具体感知范围对应的感知参数集。
在此示例中,感知参数集可以是(R1、L1、θ)、(R1、L2、θ)、(R2、L1、θ)、(R2、L2、θ)等中的一个,其中θ也可改变。对于感知参数集(R1、L1、θ),虚拟障碍物511对RADAR装置可见,而障碍物511至513对LIDAR装置可见。虚拟障碍物514至515对RADAR和LIDAR装置不可见,因为它们位于扫描区域外。对于感知参数集(R2、L2、θ),虚拟障碍物511至512对RADAR装置可见,障碍物511至514对LIDAR装置可见。虚拟障碍物515对RADAR装置和LIDAR装置不可见。
应注意,虚拟障碍物的可见性受制于作为感知传感器的感知参数一部分的感知概率,其中感知传感器的感知参数在感知传感器的设计和制造过程中被确定或配置。例如,如果目标感知概率为90%,则在90%的时间内相应扫描范围内的虚拟障碍物对相应的感知传感器是可见的。
参考图4A至图4B以及图5,基于理想的感知数据421、车辆状态422以及作为感知参数423的一部分被提供的给定的感知参数集,阴影滤波器411被配置为滤除位于由给定的感知参数集定义的扫描范围或扫描区域外的任何虚拟障碍物以生成过滤的感知信息430。在一个实施方式中,阴影滤波器411生成感知帧序列,每个帧对应于由感知传感器在具体的时间点采集的具体的感知图像。每个帧根据所讨论的ADV的规划周期(例如,100ms至200ms)周期性地生成。每个帧包括在给定例如感知传感器的感知范围和感知概率的感知参数集、车辆状态以及驾驶限制422下可见的虚拟障碍物。
注意,尽管虚拟障碍物可以在感知传感器的给定扫描范围中可见,但是所述虚拟障碍物可能在当前车辆状态下并不真实可见。例如,如果ADV的当前速度很高,则离ADV近的虚拟障碍物可能不会出现在下一帧中,因为ADV可能已经在下一帧被采集之前高速超过了障碍物。阴影滤波器411还将ADV的车辆状态或物理限制422提供给PnC模块412。对于给定的感知概率(例如,90%),感知图像的仅与感知概率对应的部分(例如,随机选择或根据预定的选择公式选择的90%的帧)包含可见的虚拟障碍物。
基于感知信息430和车辆状态信息412,PnC模块412规划轨迹以控制ADV导航通过观察到的障碍物(例如,过滤后的障碍物子集)。可以为预定的驾驶场景424中的具体驾驶场景生成轨迹。PnC模块412可以为预定的驾驶场景424中的每个生成轨迹。对于由PnC模块424生成的每个轨迹,仿真器413通过根据考虑到感知的虚拟障碍物的轨迹虚拟驾驶ADV来执行仿真。在此仿真中,所讨论的ADV是虚拟ADV。应注意,仿真器413和PnC模块412可以集成在一起作为集成模块,其中PnC模块412执行规划操作和仿真操作。
对于每个感知参数集(例如,扫描半径、扫描距离、扫描角度)和在相应的感知参数集下执行的每个仿真,评估模块414被配置为基于一组规则425检查相应的仿真结果以确定ADV是否已经成功地导航通过观察到的虚拟障碍物。例如,如图6所示,评估模块414可以检查轨迹601与障碍物602之间的最短距离以确定该距离是否低于可以作为规则425的一部分被规定的预定阈值。评估模块414还可以检查轨迹601与车道的边缘603之间的最短距离以确定该距离是否低于预定的阈值。如果ADV 600太过靠近障碍物602或车道的边缘603,则仿真失败。规则425还可以基于地图数据规定车道内的最小相对位置和ADV与障碍物之间的相对速度范围。评估模块414可以考虑到规则425简单指示仿真是否已经通过。
基于为所有感知参数集执行的所有仿真的评估,感知范围确定模块415选择其仿真的全部或(例如,与预定阈值相比的)重要部分已经成功通过的感知参数集中的一个。所选择的感知参数集435用于识别、获取、或配置待在ADV上使用的感知传感器。应注意,评估模块414和感知范围确定模块415可以集成在一起作为集成模块。
图7是示出根据一个实施方式的确定用于感知传感器的感知参数的过程的流程图。过程700可以由处理逻辑执行,所述处理逻辑可以包括软件、硬件、或其组合。例如,过程700可以由图4A的系统400执行。参考图7,在操作701中,定义相对于作为虚拟ADV的ADV的当前位置被布置或部署在各个位置的第一虚拟障碍物集。在操作702中,定义多个感知参数集,并使所述多个感知参数集与ADV的一个或多个感知传感器(例如,RADAR、LIDAR)相关联。对于每个感知参数集,在操作703中,基于给定的感知参数集对第一虚拟障碍物集执行过滤操作,例如通过考虑到由给定感知参数集定义的扫描范围从所述第一虚拟障碍物集移除任意虚拟障碍物,由此生成第二虚拟障碍物集。
在操作704中,考虑到第二虚拟障碍物集,执行规划与控制仿真以规划轨迹并控制ADV根据所述轨迹移动。针对每个感知参数集,可以为多个不同的驾驶场景执行多个仿真。在操作705中,基于规则集分析每个感知参数集用于不同驾驶场景的仿真结果以确定ADV是否已经成功导航通过虚拟障碍物。在操作706中,选择感知参数集中的具有最短扫描范围和高于预定阈值的成功仿真率的一个感知参数集。随后使用这些感知参数购买或配置ADV的一个或多个感知传感器。
应注意,如上文示出和描述的部件中的一些或全部可以在软件、硬件或其组合中实施。例如,此类部件可以实施为安装并存储在永久性存储装置中的软件,所述软件可以通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。替代地,此类部件可以实施为编程或嵌入到专用硬件(诸如,集成电路(例如,专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码,所述可执行代码可以经由来自应用的相应驱动程序和/或操作系统来访问。此外,此类部件可以实施为处理器或处理器内核中的特定硬件逻辑,作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图8是示出可以与本公开的一个实施方式一起使用的数据处理系统的示例的框图。例如,系统1500可以表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统,例如,图1的感知与规划系统110或者服务器103至104中的任一个。系统1500可以包括许多不同的部件。这些部件可以实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如,计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。
还应注意,系统1500旨在示出计算机系统的许多部件的高阶视图。然而,应当理解的是,某些实施例中可以具有附加的部件,此外,其它实施例中可以具有所示部件的不同布置。系统1500可以表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外,虽然仅示出了单个机器或系统,但是术语“机器”或“系统”还应当被理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方式中,系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可以表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可以表示一个或多个通用处理器,诸如,微处理器、中央处理单元(CPU)等。更具体地,处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501还可以是一个或多个专用处理器,诸如,专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器1501(其可以是低功率多核处理器套接口,诸如超低电压处理器)可以充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可以实施为片上系统(SoC)。处理器1501被配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可以包括与可选的图形子系统1504通信的图形接口,图形子系统1504可以包括显示控制器、图形处理器和/或显示装置。
处理器1501可以与存储器1503通信,存储器1503在一个实施方式中可以经由多个存储器装置实施以提供给定量的系统存储。存储器1503可以包括一个或多个易失性存储(或存储器)装置,诸如,随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器1503可以存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如,各种操作系统、装置驱动程序、固件(例如,输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可以加载到存储器1503中并由处理器1501执行。操作系统可以是任何类型的操作系统,例如,机器人操作系统(ROS)、来自公司的操作系统、来自苹果公司的Mac来自公司的LINUX、UNIX,或者其它实时或嵌入式操作系统。
系统1500还可以包括IO装置,诸如装置1505至1508,包括网络接口装置1505、可选的输入装置1506,以及其它可选的IO装置1507。网络接口装置1505可以包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如,全球定位系统(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置1506可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置1504集成在一起)、指针装置(诸如,手写笔)和/或键盘(例如,物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如,输入装置1506可以包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可以使用多种触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种,以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置1507可以包括音频装置。音频装置可以包括扬声器和/或麦克风,以促进支持语音的功能,诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可以包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如,PCI-PCI桥)、传感器(例如,诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置1507还可以包括成像处理子系统(例如,摄像机),所述成像处理子系统可以包括用于促进摄像机功能(诸如,记录照片和视频片段)的光学传感器,诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可以经由传感器集线器(未示出)联接到互连件1510,而诸如键盘或热传感器的其它装置可以根据系统1500的具体配置或设计由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储,大容量存储设备(未示出)也可以联接到处理器1501。在各种实施方式中,为了实现更薄且更轻的系统设计并且改进系统响应性,这种大容量存储设备可以经由固态装置(SSD)来实施。然而,在其它实施方式中,大容量存储设备可以主要使用硬盘驱动器(HDD)来实施,其中较小量的SSD存储设备充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储,从而使得在系统活动重新启动时能够实现快速通电。另外,闪存装置可以例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可以提供系统软件的非易失性存储,所述系统软件包括所述系统的BIOS以及其它固件。
存储装置1508可以包括计算机可访问的存储介质1509(也被称为机器可读存储介质或计算机可读介质),其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如,模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可以表示上述部件中的任一个,例如规划模块305、控制模块306或仿真系统125。处理模块/单元/逻辑1528还可以在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内,数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可以通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509也可以用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质,但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质,所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此,术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质,或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1528、部件以及其它特征可以实施为分立硬件部件或集成在硬件部件(诸如,ASICS、FPGA、DSP或类似装置)的功能中。此外,处理模块/单元/逻辑1528可以实施为硬件装置内的固件或功能电路。此外,处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。
应注意,虽然系统1500被示出为具有数据处理系统的各种部件,但是并不旨在表示使部件互连的任何特定架构或方式;因为此类细节和本公开的实施方式没有密切关系。还应当认识到,具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可以与本公开的实施方式一起使用。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式,以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中,算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而,应当牢记,所有这些和类似的术语均旨在与适当的物理量关联,并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出,否则应当了解,在整个说明书中,利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理,所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据,并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储设备、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如,计算机)可读的形式存储信息的任何机构。例如,机器可读(例如,计算机可读)介质包括机器(例如,计算机)可读存储介质(例如,只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可以由处理逻辑来执行,所述处理逻辑包括硬件(例如,电路、专用逻辑等)、软件(例如,体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的,但是应当了解,所述操作中的一些可以按不同的顺序执行。此外,一些操作可以并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到,可以使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中,已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是,在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下,可以对本公开作出各种修改。因此,应当在说明性意义而不是限制性意义上来理解本说明书和附图。
Claims (20)
1.一种用于确定自动驾驶车辆所要求的感知范围的计算机实现方法,所述方法包括:
定义相对于自动驾驶车辆ADV的当前位置被布置在多个不同位置的第一虚拟障碍物集;
定义与所述ADV的一个或多个感知传感器相关联的多个感知参数集;
对于每个所述感知参数集,
基于所述感知参数集对所述第一虚拟障碍物集执行过滤操作以确定第二虚拟障碍物集,所述第二虚拟障碍物集是所述第一虚拟障碍物集的子集,以及
考虑到所述第二虚拟障碍物集,执行规划与控制仿真以规划轨迹并控制所述ADV根据所述轨迹移动;以及
基于所述规划与控制仿真从所述多个感知参数集中选择第一感知参数集,其中所述第一感知参数集将被应用于所述ADV的所述感知传感器。
2.如权利要求1所述的方法,进一步包括:对于每个感知参数集,基于预定的规则集评估所述规划与控制仿真的结果以确定所述ADV是否已经成功地导航通过所述第二虚拟障碍物集。
3.如权利要求2所述的方法,其中所述第一感知参数集基于所述规划与控制仿真被选择为使得所述ADV已经成功地导航通过所述第二虚拟障碍物集。
4.如权利要求3所述的方法,其中所述第一感知参数集与所述感知传感器的最短扫描范围相关联。
5.如权利要求2所述的方法,其中所述预定的规则集包括所述ADV与每个虚拟障碍物之间的最小距离、基于地图数据所述ADV在车道内的相对位置、以及所述ADV与每个虚拟障碍物之间的相对速度范围。
6.如权利要求1所述的方法,其中每个感知参数集包括RADAR装置的RADAR扫描距离、LIDAR装置的LIDAR扫描距离、所述LIDAR装置的LIDAR扫描角度、以及感知概率。
7.如权利要求6所述的方法,其中所述第二虚拟障碍物集位于基于所述RADAR扫描距离、所述LIDAR扫描距离和所述LIDAR扫描角度中的至少一个确定的扫描区域内,同时对于所述规划与控制仿真,将所述第一虚拟障碍物集的位于所述扫描区域外的虚拟障碍物移除。
8.如权利要求1所述的方法,其中所述第二虚拟障碍物集进一步基于所述ADV的一个或多个驾驶限制被选择。
9.如权利要求8所述的方法,其中所述ADV的驾驶限制包括所述ADV的最大加速度、最小加速度、最大转向角度变化率、最小转弯半径和物理尺寸中的至少一个。
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使所述处理器执行操作,所述操作包括:
定义相对于自动驾驶车辆ADV的当前位置被布置在多个不同位置的第一虚拟障碍物集;
定义与所述ADV的一个或多个感知传感器相关联的多个感知参数集;
对于每个所述感知参数集,
基于所述感知参数集对所述第一虚拟障碍物集执行过滤操作以确定第二虚拟障碍物集,所述第二虚拟障碍物集是所述第一虚拟障碍物集的子集,以及
考虑到所述第二虚拟障碍物集,执行规划与控制仿真以规划轨迹并控制所述ADV根据所述轨迹移动;以及
基于所述规划与控制仿真从所述多个感知参数集中选择第一感知参数集,其中所述第一感知参数集将被应用于所述ADV的所述感知传感器。
11.如权利要求10所述的机器可读介质,所述操作进一步包括:对于每个感知参数集,基于预定的规则集评估所述规划与控制仿真的结果以确定所述ADV是否已经成功地导航通过所述第二虚拟障碍物集。
12.如权利要求11所述的机器可读介质,其中所述第一感知参数集基于所述规划与控制仿真被选择为使得所述ADV已经成功地导航通过所述第二虚拟障碍物集。
13.如权利要求12所述的机器可读介质,其中所述第一感知参数集与所述感知传感器的最短扫描范围相关联。
14.如权利要求11所述的机器可读介质,其中所述预定的规则集包括所述ADV与每个虚拟障碍物之间的最小距离、基于地图数据所述ADV在车道内的相对位置、以及所述ADV与每个虚拟障碍物之间的相对速度范围。
15.如权利要求10所述的机器可读介质,其中每个感知参数集包括RADAR装置的RADAR扫描距离、LIDAR装置的LIDAR扫描距离、所述LIDAR装置的LIDAR扫描角度、以及感知概率。
16.如权利要求15所述的机器可读介质,其中所述第二虚拟障碍物集位于基于所述RADAR扫描距离、所述LIDAR扫描距离和所述LIDAR扫描角度中的至少一个确定的扫描区域内,同时对于所述规划与控制仿真,将所述第一虚拟障碍物集的位于所述扫描区域外的虚拟障碍物移除。
17.如权利要求10所述的机器可读介质,其中所述第二虚拟障碍物集进一步基于所述ADV的一个或多个驾驶限制被选择。
18.如权利要求17所述的机器可读介质,其中所述ADV的驾驶限制包括所述ADV的最大加速度、最小加速度、最大转向角度变化率、最小转弯半径和物理尺寸的至少一个。
19.一种数据处理系统,包括:
处理器;以及
存储器,所述存储器联接到所述处理器,以存储指令,所述指令在由所述处理器执行时使所述处理器执行操作,所述操作包括:
定义相对于自动驾驶车辆ADV的当前位置被布置在多个不同位置的第一虚拟障碍物集;
定义与所述ADV的一个或多个感知传感器相关联的多个感知参数集;
对于每个所述感知参数集,
基于所述感知参数集对所述第一虚拟障碍物集执行过滤操作以确定第二虚拟障碍物集,所述第二虚拟障碍物集是所述第一虚拟障碍物集的子集,以及
考虑到所述第二虚拟障碍物集,执行规划与控制仿真以规划轨迹并控制所述ADV根据所述轨迹移动;以及
基于所述规划与控制仿真从所述多个感知参数集中选择第一感知参数集,其中所述第一感知参数集将被应用于所述ADV的所述感知传感器。
20.如权利要求19所述的系统,进一步包括:对于每个感知参数集,基于预定的规则集评估所述规划与控制仿真的结果以确定所述ADV是否已经成功地导航通过所述第二虚拟障碍物集。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/078423 WO2019169604A1 (en) | 2018-03-08 | 2018-03-08 | Simulation-based method to evaluate perception requirement for autonomous driving vehicles |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110462543A true CN110462543A (zh) | 2019-11-15 |
CN110462543B CN110462543B (zh) | 2022-09-30 |
Family
ID=67843855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880002879.XA Active CN110462543B (zh) | 2018-03-08 | 2018-03-08 | 用于评估自动驾驶车辆的感知要求的基于仿真的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11016500B2 (zh) |
JP (1) | JP6832421B2 (zh) |
CN (1) | CN110462543B (zh) |
WO (1) | WO2019169604A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324945A (zh) * | 2020-01-20 | 2020-06-23 | 北京百度网讯科技有限公司 | 传感器方案确定方法、装置、设备及存储介质 |
CN111879319A (zh) * | 2020-06-29 | 2020-11-03 | 中国科学院合肥物质科学研究院 | 用于地面无人平台的室内测试方法、系统及计算机设备 |
CN114469097A (zh) * | 2021-12-13 | 2022-05-13 | 同济大学 | 一种人机共驾接管状态测试方法 |
CN117405131A (zh) * | 2023-12-14 | 2024-01-16 | 中汽智联技术有限公司 | 偏转算法误差评定方法、设备和存储介质 |
CN117601903A (zh) * | 2024-01-19 | 2024-02-27 | 福思(杭州)智能科技有限公司 | 车辆行驶场景的生成方法、装置和存储介质及电子设备 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109141911B (zh) * | 2018-06-26 | 2019-11-26 | 百度在线网络技术(北京)有限公司 | 无人车性能测试的控制量的获取方法和装置 |
US11105642B2 (en) * | 2019-04-17 | 2021-08-31 | Waymo Llc | Stranding and scoping analysis for autonomous vehicle services |
US11176735B2 (en) * | 2019-05-28 | 2021-11-16 | Applied Intuition, Inc. | Map data filtering for simulated-driving-environment generation |
US11568100B2 (en) * | 2019-06-28 | 2023-01-31 | Zoox, Inc. | Synthetic scenario simulator based on events |
US11574089B2 (en) * | 2019-06-28 | 2023-02-07 | Zoox, Inc. | Synthetic scenario generator based on attributes |
US11958183B2 (en) | 2019-09-19 | 2024-04-16 | The Research Foundation For The State University Of New York | Negotiation-based human-robot collaboration via augmented reality |
EP3800518A1 (en) * | 2019-10-02 | 2021-04-07 | Siemens Industry Software and Services B.V. | System, device and method for testing autonomous vehicles |
WO2021111164A1 (ja) * | 2019-12-02 | 2021-06-10 | 日産自動車株式会社 | 車両制御方法及び車両制御装置 |
WO2021124110A1 (en) * | 2019-12-17 | 2021-06-24 | Foretellix Ltd. | System and methods thereof for monitoring proper behavior of an autonomous vehicle |
US20200130709A1 (en) * | 2019-12-24 | 2020-04-30 | Intel Corporation | Method and device for determining a configuration for an autonomous vehicle |
CN111309600B (zh) * | 2020-01-21 | 2024-04-12 | 上汽通用汽车有限公司 | 虚拟场景注入自动驾驶测试方法及电子设备 |
US11526721B1 (en) | 2020-02-21 | 2022-12-13 | Zoox, Inc. | Synthetic scenario generator using distance-biased confidences for sensor data |
CN115175838B (zh) * | 2020-02-24 | 2023-08-04 | 日产自动车株式会社 | 车辆控制方法及车辆控制装置 |
US11590978B1 (en) * | 2020-03-03 | 2023-02-28 | Waymo Llc | Assessing perception of sensor using known mapped objects |
US11254326B2 (en) * | 2020-06-01 | 2022-02-22 | Baidu Usa Llc | Automatic comfort score system based on human driving reference data |
US11886193B1 (en) * | 2020-06-04 | 2024-01-30 | Nuro, Inc. | Methods and apparatus for using scene-based metrics to gate readiness of autonomous systems |
US11550325B2 (en) | 2020-06-10 | 2023-01-10 | Nvidia Corp. | Adversarial scenarios for safety testing of autonomous vehicles |
CN112100856B (zh) * | 2020-09-17 | 2022-08-19 | 上汽大众汽车有限公司 | 一种基于多平台的自动驾驶联合仿真方法 |
US11731651B2 (en) * | 2020-09-30 | 2023-08-22 | Baidu Usa Llc | Automatic parameter tuning framework for controllers used in autonomous driving vehicles |
CN112337097A (zh) * | 2020-10-27 | 2021-02-09 | 网易(杭州)网络有限公司 | 游戏模拟方法及装置 |
US11529973B1 (en) | 2020-11-09 | 2022-12-20 | Waymo Llc | Software application for sensor analysis |
CN112684450B (zh) * | 2020-12-18 | 2024-03-22 | 上海商汤临港智能科技有限公司 | 一种传感器部署的方法、装置、电子设备及存储介质 |
CN112650243B (zh) * | 2020-12-22 | 2023-10-10 | 北京百度网讯科技有限公司 | 车辆控制方法、装置、电子设备和自动驾驶车辆 |
CN112764013B (zh) * | 2020-12-25 | 2024-03-01 | 北京百度网讯科技有限公司 | 自动驾驶车辆感知系统测试方法、装置、设备及存储介质 |
CN112926224B (zh) * | 2021-03-30 | 2024-02-02 | 深圳安途智行科技有限公司 | 基于事件的仿真方法及计算机设备 |
CN113296099B (zh) * | 2021-05-21 | 2023-09-01 | 福建盛海智能科技有限公司 | 一种根据障碍物自动生成规避路径的方法及终端 |
CN113205070B (zh) * | 2021-05-27 | 2024-02-20 | 三一专用汽车有限责任公司 | 视觉感知算法优化方法及系统 |
US11760368B2 (en) * | 2021-10-19 | 2023-09-19 | Cyngn, Inc. | System and method of same-loop adaptive simulation for autonomous driving |
KR102592112B1 (ko) * | 2021-11-03 | 2023-10-19 | 재단법인 지능형자동차부품진흥원 | 실제 정보와 가상 정보가 선택적으로 혼용된 자율 주행 검증 시스템 및 방법 |
US20240069505A1 (en) * | 2022-08-31 | 2024-02-29 | Gm Cruise Holdings Llc | Simulating autonomous vehicle operations and outcomes for technical changes |
CN117292548B (zh) * | 2023-11-10 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 交通仿真方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135698A (zh) * | 2006-08-31 | 2008-03-05 | 福特环球技术公司 | 主动式轮速传感器的测试器 |
CN102239455A (zh) * | 2008-12-04 | 2011-11-09 | 克朗设备公司 | 用于物料搬运车辆的多区感测 |
US20170185089A1 (en) * | 2015-12-27 | 2017-06-29 | Toyota Motor Engineering & Manufacturing North America, Inc. | Detection of overhanging objects |
CN107531217A (zh) * | 2015-05-12 | 2018-01-02 | 深圳市大疆创新科技有限公司 | 识别或检测障碍物的设备和方法 |
WO2018002910A1 (en) * | 2016-06-28 | 2018-01-04 | Cognata Ltd. | Realistic 3d virtual world creation and simulation for training automated driving systems |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5385009B2 (ja) * | 2009-05-29 | 2014-01-08 | 日立オートモティブシステムズ株式会社 | 車両制御装置および車両制御方法 |
EP2897014B1 (en) | 2014-01-16 | 2023-11-29 | Volvo Car Corporation | A vehicle adapted for autonomous driving and a method for detecting obstructing objects |
US20180349526A1 (en) * | 2016-06-28 | 2018-12-06 | Cognata Ltd. | Method and system for creating and simulating a realistic 3d virtual world |
US10489529B2 (en) * | 2016-10-14 | 2019-11-26 | Zoox, Inc. | Scenario description language |
CN106585623B (zh) * | 2016-12-21 | 2023-12-01 | 驭势科技(北京)有限公司 | 一种用于探测车辆周围目标的探测系统以及其应用 |
CN107145147B (zh) * | 2017-04-10 | 2020-12-15 | 广州小鹏汽车科技有限公司 | 一种车辆低速自动驾驶避碰方法及系统 |
-
2018
- 2018-03-08 CN CN201880002879.XA patent/CN110462543B/zh active Active
- 2018-03-08 JP JP2019508838A patent/JP6832421B2/ja active Active
- 2018-03-08 WO PCT/CN2018/078423 patent/WO2019169604A1/en active Application Filing
- 2018-03-08 US US15/772,525 patent/US11016500B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101135698A (zh) * | 2006-08-31 | 2008-03-05 | 福特环球技术公司 | 主动式轮速传感器的测试器 |
CN102239455A (zh) * | 2008-12-04 | 2011-11-09 | 克朗设备公司 | 用于物料搬运车辆的多区感测 |
CN107531217A (zh) * | 2015-05-12 | 2018-01-02 | 深圳市大疆创新科技有限公司 | 识别或检测障碍物的设备和方法 |
US20170185089A1 (en) * | 2015-12-27 | 2017-06-29 | Toyota Motor Engineering & Manufacturing North America, Inc. | Detection of overhanging objects |
WO2018002910A1 (en) * | 2016-06-28 | 2018-01-04 | Cognata Ltd. | Realistic 3d virtual world creation and simulation for training automated driving systems |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324945A (zh) * | 2020-01-20 | 2020-06-23 | 北京百度网讯科技有限公司 | 传感器方案确定方法、装置、设备及存储介质 |
CN111324945B (zh) * | 2020-01-20 | 2023-09-26 | 阿波罗智能技术(北京)有限公司 | 传感器方案确定方法、装置、设备及存储介质 |
US11953605B2 (en) | 2020-01-20 | 2024-04-09 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method, device, equipment, and storage medium for determining sensor solution |
CN111879319A (zh) * | 2020-06-29 | 2020-11-03 | 中国科学院合肥物质科学研究院 | 用于地面无人平台的室内测试方法、系统及计算机设备 |
CN111879319B (zh) * | 2020-06-29 | 2023-10-20 | 中国科学院合肥物质科学研究院 | 用于地面无人平台的室内测试方法、系统及计算机设备 |
CN114469097A (zh) * | 2021-12-13 | 2022-05-13 | 同济大学 | 一种人机共驾接管状态测试方法 |
CN114469097B (zh) * | 2021-12-13 | 2023-08-29 | 同济大学 | 一种人机共驾接管状态测试方法 |
CN117405131A (zh) * | 2023-12-14 | 2024-01-16 | 中汽智联技术有限公司 | 偏转算法误差评定方法、设备和存储介质 |
CN117405131B (zh) * | 2023-12-14 | 2024-02-23 | 中汽智联技术有限公司 | 偏转算法误差评定方法、设备和存储介质 |
CN117601903A (zh) * | 2024-01-19 | 2024-02-27 | 福思(杭州)智能科技有限公司 | 车辆行驶场景的生成方法、装置和存储介质及电子设备 |
CN117601903B (zh) * | 2024-01-19 | 2024-04-26 | 福思(杭州)智能科技有限公司 | 车辆行驶场景的生成方法、装置和存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
US20190278290A1 (en) | 2019-09-12 |
CN110462543B (zh) | 2022-09-30 |
US11016500B2 (en) | 2021-05-25 |
WO2019169604A1 (en) | 2019-09-12 |
JP6832421B2 (ja) | 2021-02-24 |
JP2020514145A (ja) | 2020-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110462543A (zh) | 用于评估自动驾驶车辆的感知要求的基于仿真的方法 | |
CN109489673A (zh) | 用于自动驾驶车辆的数据驱动地图更新系统 | |
US11328219B2 (en) | System and method for training a machine learning model deployed on a simulation platform | |
CN110388931A (zh) | 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法 | |
CN110345955A (zh) | 用于自动驾驶的感知与规划协作框架 | |
CN110389583A (zh) | 生成自动驾驶车辆的轨迹的方法 | |
CN110389585A (zh) | 用于自动驾驶车辆的基于学习的速度规划器 | |
CN110239562A (zh) | 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适 | |
CN110377024A (zh) | 用于自动驾驶车辆的自动数据标注 | |
CN109429518A (zh) | 基于地图图像的自动驾驶交通预测 | |
CN110389584A (zh) | 用于评估自动驾驶车辆的轨迹候选项的方法 | |
CN110096053A (zh) | 用于自动驾驶车辆的驾驶轨迹生成方法、系统和机器可读介质 | |
CN109426256A (zh) | 自动驾驶车辆的基于驾驶员意图的车道辅助系统 | |
CN109937343A (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
CN109491375A (zh) | 用于自动驾驶车辆的基于驾驶场景的路径规划 | |
CN108733046A (zh) | 用于自动驾驶车辆的轨迹重新规划的系统和方法 | |
CN109947090A (zh) | 用于自动驾驶车辆规划的非阻塞边界 | |
CN110377025A (zh) | 用于自动驾驶车辆的传感器聚合框架 | |
CN108475057A (zh) | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和系统 | |
CN108732589A (zh) | 利用3d lidar和定位自动采集用于对象识别的训练数据 | |
CN108604095A (zh) | 动态调整自动驾驶车辆的转向率的方法 | |
CN108602509A (zh) | 基于运动规划来操作自动驾驶车辆的方法和系统 | |
CN109195860A (zh) | 自动驾驶车辆的车道路缘辅助离道检查和车道保持系统 | |
CN109215433A (zh) | 用于自动驾驶仿真的基于视觉的驾驶场景生成器 | |
CN108139884A (zh) | 模拟自动驾驶车辆移动的物理模型和结合机器学习的方法 |
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 |