CN110654396A - 用于生成用于自主道路车辆的控制命令的方法和装置 - Google Patents
用于生成用于自主道路车辆的控制命令的方法和装置 Download PDFInfo
- Publication number
- CN110654396A CN110654396A CN201910566541.3A CN201910566541A CN110654396A CN 110654396 A CN110654396 A CN 110654396A CN 201910566541 A CN201910566541 A CN 201910566541A CN 110654396 A CN110654396 A CN 110654396A
- Authority
- CN
- China
- Prior art keywords
- road vehicle
- autonomous road
- control commands
- neural network
- data
- 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 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 77
- 238000012502 risk assessment Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 14
- 230000006399 behavior Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
- B60W50/04—Monitoring the functioning of the control system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- 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
- B60W2554/00—Input parameters relating to objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
- B60W2720/106—Longitudinal acceleration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
Abstract
本文中描述的是用于生成用于自主道路车辆(3)的经验证的控制命令(2)的方法和装置(1)。端到端训练的神经网络系统(4)布置成接收来自自主道路车辆(3)的车载传感器(6)的原始传感器数据(5)以及对象级数据(7)和策略信息数据(8)的输入。端到端训练的神经网络系统(4)还布置成在预先设置的时间范围内将输入数据(5、7、8)映射到用于自主道路车辆(3)的控制命令(10)。安全模块(9)布置成在预先设置的时间范围内接收用于自主道路车辆(3)的控制命令(10)并且在预先设置的时间范围内执行对由用于自主道路车辆(3)的控制命令(10)产生的规划轨迹的风险评估。安全模块(9)还布置成验证为安全并输出用于自主道路车辆(3)的经验证的控制命令(2)。
Description
技术领域
本公开一般涉及自主车辆控制技术,并且具体涉及一种用于生成用于自主道路车辆的经验证的控制命令的方法。本公开还涉及一种用于生成用于自主道路车辆的经验证的控制命令的装置和包括此类装置的自主车辆。
背景技术
为了执行到某些预期目的地的行进,自主道路车辆通常需要处理和解释大量的信息。此类信息可包括视觉信息,例如,从摄像头捕捉的信息、来自雷达或激光雷达的信息,并且还可包括从其他源获得的信息,诸如从GPS设备、速度传感器、加速计、悬置传感器等。
在自主道路车辆的行进期间,需要根据可用的信息在实时中做出决策。此类决策可以包括执行制动、加速、车道改变、转弯、U形转弯、倒车等的决策,并且根据做出决策的结果控制自主道路车辆。
WO2017125209 A1公开了一种用于操作机动车辆系统的方法,所述机动车辆系统被设计成以全自动化方式在不同的驾驶状况类别中引导机动车辆,其中-包括多个分析单元的计算结构被用于确定控制数据是从描述机动车辆的周围环境的周围环境数据和描述机动车辆的状态的自我数据中被用作为用于以全自动化方式引导机动车辆的驾驶状况数据并使用所述控制数据以便引导机动车辆,-每个分析单元确定来自至少一个其他分析单元的输出数据和/或驾驶状况数据的输出数据,以及-至少一些分析单元至少部分地在软件的基础上被设计为神经网络。被设计为神经网络的至少一些分析单元是从配置对象中动态产生的,其可在运行时间期间使用配置参数集合来配置,其中-从多个指定的驾驶状况类别中确定当前驾驶状况类别,每个驾驶状况类别使用至少一些驾驶状况数据被分配至少一个分析功能,-从数据库中检索被分配给当前驾驶状况类别的分析功能的配置参数集合,以及-执行分析功能并尚未被提供的分析单元通过使用检索的配置参数集合来配置配置对象而被产生。
WO2017120336 A2公开了使用强化学习技术来导航自主车辆的系统和方法。在一个实施方式中,用于主车辆的导航系统可以包括至少一个处理设备,所述处理设备被编程成:从摄像头接收表示主车辆的环境的多个图像;分析所述多个图像以识别与主车辆相关联的导航状态;向训练的导航系统提供导航状态;从训练的导航系统接收期望的导航动作,以用于由主车辆响应于识别的导航状态来执行;分析相对于一个或多个预定义导航约束的期望的导航动作;确定用于主车辆的实际导航动作,其中实际导航动作包括基于一个或多个预定义导航约束所确定的期望的导航动作的至少一个修改;并且响应于用于主车辆的确定的实际导航动作,引起主车辆的导航致动器的至少一个调整。
US2017357257 A1公开了一种车辆控制方法和设备以及用于获得决策模型的方法和设备。车辆控制方法包括在无人驾驶的车辆的运行过程中在实时中获得当前外部环境信息和地图信息的步骤;以及确定对应于根据决策模型每次获得的外部环境信息和地图信息的车辆状态信息,所述决策模型通过预先训练来获得并且体现了外部环境信息和地图信息与车辆状态信息之中的对应关系,并根据确定的车辆状态信息来控制无人驾驶的车辆的驾驶状态。
从由Mariusz Bojarski等人于2016年4月25日的出版物“End to End Learningfor Self-Driving Cars”,arXiv:1604.07316v1 [cs.CV]中进一步了解的是,训练卷积神经网络(CNN)以将来自自主道路车辆的单个前面摄像头的原始像素直接映射到转向命令。利用来自人类的最少训练数据,相应训练的系统可以在交通上学习在具有或不具有车道标记的地方道路上和在高速公路上进行驾驶。它也可以在视觉引导不清楚的区域中操作,所述区域诸如停车场中和未铺砌的道路上。此类系统可以仅利用人类提供的转向角作为训练信号来自动学习诸如检测有用的道路特征之类的必要处理步骤的内部表示。
发明内容
本发明的目的是提供一种方法和装置,其在生成用于自主道路车辆的控制命令时提供改进的安全性。
本发明由所附独立权利要求来限定。在所附从属权利要求中和在附图中阐述了实施例。
根据第一方面,提供了一种用于生成用于自主道路车辆的经验证的控制命令的方法,该方法包括:将来自自主道路车辆的车载传感器的原始传感器数据以及对象级数据和策略信息数据作为输入数据提供到端到端训练的神经网络系统;由端到端训练的神经网络系统在预先设置的时间范围内将输入数据映射到用于自主道路车辆的控制命令;在预先设置的时间范围内使用于自主道路车辆的控制命令受制于安全模块,所述安全模块布置成在预先设置的时间范围内执行对由用于自主道路车辆的控制命令产生的规划轨迹的风险评估;验证为安全并且从安全模块输出用于自主道路车辆的经验证的控制命令。
在另外的实施例中,该方法还包括向端到端训练的神经网络系统添加机器学习组件。
在还有另外的实施例中,该方法还包括将由安全模块验证为安全的用于自主道路车辆的经验证的控制命令作为反馈提供到端到端训练的神经网络系统。
在仍有另外的实施例中,该方法包括提供以下项中的至少一项作为原始传感器数据:图像数据;来自自主道路车辆的一个或多个车载传感器的速度数据和加速度数据。
在附加的实施例中,该方法还包括提供以下项中的至少一项作为对象级数据:周围环境对象的位置;车道标记和道路条件。
在还有附加的实施例中,该方法还包括提供以下项中的至少一项作为策略信息数据:电子地平线(地图)信息,其包括当前交通规则和道路几何形状、以及高级导航信息。
根据第二方面,提供了一种用于生成用于自主道路车辆的经验证的控制命令的装置,其包括:端到端训练的神经网络系统,其布置成接收来自自主道路车辆的车载传感器的原始传感器数据以及对象级数据和策略信息数据的输入;端到端训练的神经网络系统还布置成在预先设置的时间范围内将输入数据映射到用于自主道路车辆的控制命令;安全模块,其布置成在预先设置的时间范围内接收用于自主道路车辆的控制命令,并且在预先设置的时间范围内执行对由用于自主道路车辆的控制命令产生的规划轨迹的风险评估;安全模块还布置成验证为安全并且输出用于自主道路车辆的经验证的控制命令。
在另外的实施例中,该装置还包括进一步包括机器学习组件的端到端训练的神经网络系统。
在还有另外的实施例中,该装置还布置成将由安全模块验证为安全的用于自主道路车辆的经验证的控制命令反馈到端到端训练的神经网络系统。
在仍有另外的实施例中,该装置还包括布置成接收以下项中的至少一项作为原始传感器数据的端到端训练的神经网络系统:图像数据;来自自主道路车辆的一个或多个车载传感器的速度数据和加速度数据。
在附加的实施例中,该装置还包括布置成接收以下项中的至少一项作为对象级数据的端到端训练的神经网络系统:周围环境对象的位置;车道标记和道路条件。
在还有附加的实施例中,该装置还包括布置成接收以下项中的至少一项作为策略信息数据的端到端训练的神经网络系统:电子地平线(地图)信息,其包括当前交通规则和道路几何形状、以及高级导航信息。
此外,在此设想的是一种自主道路车辆,其包括用于生成如本文中所阐述的经验证的控制命令的装置。
以上实施例具有提供用于在复杂交通环境中为自主道路车辆做出改进的安全整体决策的端到端解决方案的有益效果。
附图说明
在下文中,将仅参考附图通过示例的方式更详细地描述本文中的实施例,所述附图中:
图1示意性图示了根据本文中的实施例的用于生成用于自主道路车辆的经验证的控制命令的方法。
图2示意性图示了包括端到端训练的神经网络系统的装置的示例实施例,其用于生成用于自主道路车辆的经验证的控制命令。
图3示意性图示了根据示例实施例的自主道路车辆,其包括用于生成用于自主道路车辆的经验证的控制命令的装置。
具体实施方式
在下文中,将描述用于生成用于自主道路车辆3的经验证的控制命令的方法和装置1的一些示例实施例。自主道路车辆3可以是汽车、卡车、公共汽车等。自主道路车辆3还可以是完全自主(AD)车辆或具有高级驾驶员辅助系统(ADAS)的部分自主车辆。
根据所提出的方法,如图1中所图示,来自自主道路车辆3的车载传感器6的原始传感器数据5以及对象级数据7和策略信息数据8作为输入数据被提供16到端到端训练的神经网络系统4。
原始传感器数据5可以被提供为以下项中的至少一项:图像数据;来自自主道路车辆3的一个或多个车载传感器6的速度数据和加速度数据。因此,原始传感器数据5可以例如是来自自主道路车辆的视觉系统的图像和关于速度和加速度的信息,诸如,例如通过接进车辆的控制器区域网络(CAN)或类似网络可获得的。图像数据可包括来自环绕观测摄像头的图像,并且还由若干最近的图像组成。
对象级数据7可以例如被提供为以下项中的至少一项:周围环境对象的位置;车道标记和道路条件。
策略信息数据8可以例如被提供为以下项中的至少一项:电子地平线(地图)信息,其包括当前交通规则和道路几何形状、以及高级导航信息。关于当前交通规则和道路几何形状的电子地平线(地图)信息使得神经网络系统4能够在做出决策时考虑诸如可允许的速度、高速公路出口、环形交叉路口和到十字路口的距离之类的事情。
为了在需要车道改变、高速公路出口或类似动作时的状况下引导神经网络系统4,作为到神经网络系统4的输入应当包括高级导航信息。这样,神经网络系统4将能够考虑用户偏好,例如驾驶到用户指定的地点。
原始传感器数据5(诸如图像数据)和对象级数据7不是必须为同步的。先前采样的对象级数据7可以例如连同当前图像数据一起被使用。
神经网络系统4可以基于卷积神经网络(CNN)或基于递归神经网络(RNN)。神经网络4的端到端训练要在按照所提出的方法使用神经网络4之前进行,并且应当以监督的方式来端到端地执行,其中神经网络4开始观察针对非常大量的可能交通场景的专家驾驶行为和/或借助于仿真环境中的强化学习来端到端地执行。
在监督的情况下,使用非常大的且多样化的数据集合将使得模型能够在操作范围内变得尽可能的通用。在强化设置中,神经网络系统4将在仿真环境中被训练,其中神经网络系统4将试图改进良好行为并抑制不良行为。在仿真中这样做将允许神经网络系统4的训练更具探索性,而不会对人或昂贵的硬件施加风险。
卷积神经网络特别适合于与所提出的方法一起使用,因为可以从训练示例中自动地学习特征,例如,大标记数据集合可以用于训练和验证。训练数据可以例如先前已经由在多种多样的道路上和在照明和天气条件的多样化集合中驾驶的车辆所收集。CNN学习算法可以在大规模并行图形处理单元(GPU)上实现,以便加速学习和推理。
方法还包括由端到端训练的神经网络系统4执行将输入数据(诸如来自自主道路车辆3的车载传感器6的原始传感器数据5以及对象级数据7和策略信息数据8)映射17到控制命令10,所述控制命令10是为在预先设置的时间范围内控制由用于自主道路车辆3的控制命令10产生的规划轨迹上的自主道路车辆3的行进所需的。因此,建议使用训练的神经网络4,诸如卷积神经网络(CNN),以将输入数据5、7、8直接映射到控制命令10。
端到端训练的神经网络系统4的输出由在时间范围内的控制命令10的估计组成。时间范围应当足够长以能够实现系统行为的预测,所述时间范围例如1秒。这样,神经网络系统4学习进行长期规划。输出还可以被反馈回到神经网络系统4的模型中,以确保模型考虑先前决策的平滑的驾驶命令。方法可以例如包括在没有障碍物遮掩预期轨迹并且如果道路条件是合适的情况下,将用于速度的控制命令自动地设置成电子地平线推荐值。否则,它可以包括估计合适的速度。
与横向控制命令结合,方法应当优选地提供执行规划的车道改变,例如,在早期阶段改变到适当的车道以用于在十字路口中转弯。因此,在此类情况下,系统的输出中的一个应当是车道改变信号13。此车道改变信号13应当以递归方式被反馈回到神经网络系统4中以允许平滑的超车等。
此外,按照所提出的方法,使用于自主道路车辆3的控制命令10在预先设置的时间范围内受制18于安全模块9。由安全模块9在预先设置的时间范围内执行对由用于自主道路车辆的控制命令10产生的规划轨迹的风险评估19。由图1中的Y选项所图示,要用于控制自主道路车辆3的行进的控制命令2被验证为安全,然后从安全模块9输出20以控制自主道路车辆3的行进。这些经验证的控制命令2可以例如被输出到自主道路车辆3的车辆控制模块15。选项X用来示意性图示安全模块9不能将其验证为安全的控制命令10的拒绝。
为了从预测的系统行为来增强规划能力,方法的一些实施例包括向端到端训练的神经网络系统4添加机器学习组件11。此类机器学习组件11向方法添加“学习”的能力,即从新数据中逐渐改进性能,而无需显式编程。为这样的另一种备选方案是通过更高级的方法,诸如价值迭代网络。
在一些另外的实施例中,方法还包括将由安全模块9验证为安全的用于自主道路车辆3的经验证的控制命令2作为反馈12提供到端到端训练的神经网络系统4。以这种方式,变得有可能进一步训练神经网络系统4以避免不可行的或不安全的一系列控制命令。在此类实施例中,安全模块9必须可用于系统训练。
因此,由此提供了一种方法,方法可用作在复杂交通环境中用于为自主道路车辆3做出的整体决策的端到端解决方案。方法对丰富的传感器信息5、7、8进行操作,以允许做出合适的决策并对于在将来的时间范围内采取什么样的控制命令2做规划。
用于生成用于自主道路车辆3的经验证的控制命令2的所提出的装置1包括端到端训练的神经网络系统4,其布置成接收来自自主道路车辆3的车载传感器6的原始传感器数据5以及对象级数据7和策略信息数据8的输入。
用于生成用于自主道路车辆3的经验证的控制命令的所提出的装置1的端到端训练的神经网络系统4还可以布置成接收以下项中的至少一项作为原始传感器数据5:图像数据;来自自主道路车辆3的一个或多个车载传感器6的速度数据和加速度数据。原始传感器数据5可以例如是来自自主道路车辆3的视觉系统的图像以及关于其速度和加速度的信息,例如,通过接进自主道路车辆的控制器区域网络(CAN)或类似网络获得的。图像数据可包括来自环绕观测摄像头的图像,并且还由若干最近的图像组成。
端到端训练的神经网络系统4还可以进一步布置成接收以下项中的至少一项作为对象级数据7:周围环境对象的位置;车道标记和道路条件。
此外,端到端训练的神经网络系统4可以布置成接收以下项中的至少一项作为策略信息数据8:电子地平线(地图)信息,其包括当前交通规则和道路几何形状、以及高级导航信息。关于当前交通规则和道路几何形状的电子地平线(地图)信息使得端到端训练的神经网络系统4能够在做出决策时考虑诸如可允许的速度、高速公路出口、环形交叉路口、以及到十字路口的距离之类的事情。
为了在需要车道改变、高速公路出口或类似动作时的状况下引导端到端训练的神经网络系统4,系统可布置成将高级导航信息包括为到端到端训练的神经网络系统4的输入。这样,端到端训练的神经网络系统4将能够考虑用户偏好,例如驾驶到用户指定的地点。
端到端训练的神经网络系统4应当基于卷积神经网络(CNN)或基于递归神经网络(RNN)。神经网络4的端到端训练应当在使用所提出的装置1中的神经网络4之前进行,并且应当已经以监督的方式被端到端地执行,其中神经网络4已经被允许观察针对非常大量的可能的交通场景的专家驾驶行为和/或借助于仿真环境中的强化学习被端到端地执行。
在监督的情况下,使用非常大的且多样化的数据集合将使得模型能够在操作范围内变得尽可能通用。在强化设置中,系统将在仿真环境中训练,其中系统将试图改进良好行为并抑制不良行为。在仿真中这样做将允许系统的训练更具探索性,而不会对人或昂贵的硬件施加风险。
卷积神经网络特别适合于与所提出的装置一起使用,因为它能够实现从训练示例中自动地学习特征,例如,通过使用大标记数据集合以用于其训练和验证。训练数据可以例如先前已经由在多种多样的道路上以及在照明和天气条件的多样化集合中驾驶的车辆所收集。训练可以备选地基于类别的预定义集合,所述类别例如,超车、环形交叉路口等,但也基于捕捉没有显式定义的所有状况的“通用”类别。CNN学习算法可以在大规模并行图形处理单元(GPU)上实现,以便加速学习和推理。
端到端训练的神经网络系统4还应当布置成将输入数据(诸如来自自主道路车辆3的车载传感器6的原始传感器数据5以及对象级数据7和策略信息数据8)映射到控制命令10,所述控制命令10是为在预先设置的时间范围内控制由用于自主道路车辆3的控制命令10产生的规划轨迹上的自主道路车辆3的行进所需的。因此,建议使用训练的神经网络4,诸如卷积神经网络(CNN),以将输入数据5、7、8直接映射到控制命令10。
端到端训练的神经网络系统4的输出由在时间范围内的控制命令10的估计组成。时间范围应当足够长以能够预测系统行为,所述时间范围例如1秒。这样,神经网络系统4学习进行长期规划。输出10还可以被反馈回到神经网络系统4的模型中,以确保模型考虑先前决策的平滑的驾驶命令。用于速度的控制命令可以例如在没有障碍物遮掩预期轨迹并且如果道路条件合适的情况下,由神经网络系统4自动地设置为电子地平线推荐值。否则,可以由神经网络系统4估计合适的速度。
与横向控制命令结合,神经网络系统4应当优选地能够执行规划的车道改变,例如,在早期阶段改变到适当的车道以用于在十字路口转弯。因此,系统的输出中的一个应当是车道改变信号13。此车道改变信号13应当以递归方式被反馈回到系统中以允许平滑的超车等。在图2的右下方,在两个设置中描绘了车道改变信号13。第一个包括反馈控制器14而第二个不包括。可选的反馈控制器14被提供为驾驶员或安全监视者与系统之间的链接。该链接还可用作ADAS特征,其中驾驶员可以通过例如占用转弯信号来触发车道改变。可选的反馈控制器14还可以布置成基于除了车道改变信息之外的其他策略信息8来提供反馈。
安全模块9布置成在预先设置的时间范围内接收用于自主道路车辆3的控制命令10,并且在预先设置的时间范围内执行对由用于自主道路车辆3的控制命令10产生的规划轨迹的风险评估。安全模块9还布置成将要用于控制自主道路车辆3的行进的控制命令2验证为安全,并且然后输出此类经验证的控制命令2以控制自主道路车辆3的行进。这些经验证的控制命令2可以例如被输出到车辆控制模块15。安全模块9还可以布置成接收原始传感器数据5和对象级数据7。
为了从预测的系统行为中增强规划能力,装置1的端到端训练的神经网络系统4可以进一步包括机器学习组件11。此类机器学习组件11向装置1添加“学习”的能力,即从新数据中逐渐改进性能,而无需显式编程。为这样的另一种备选方案是通过更高级的方法,诸如价值迭代网络。
装置1还可以布置成将由安全模块9验证为安全的用于自主道路车辆3的经验证的控制命令2反馈12到端到端训练的神经网络系统4。这使得可能进一步训练神经网络系统4以避免不可行的或不安全的一系列的控制命令。在此类实施例中,安全模块9必须可用于系统训练。
因此,由此提供了一种装置1,装置1可用作在复杂交通环境中以及在任何驾驶状况中用于为自主道路车辆3做出的整体决策的端到端解决方案。其神经网络系统4布置成对丰富的传感器信息5、7、8进行操作,以允许做出合适的决策和对于在将来的时间范围内采取什么样的控制命令2的规划。装置1的神经网络系统4可以由仅一个学习的神经网络组成,其用于生成用于执行自主道路车辆3的驾驶的经验证的控制命令2。
此外,在此设想的是自主道路车辆3包括如本文中所阐述的装置1。
Claims (13)
1.用于生成用于自主道路车辆(3)的经验证的控制命令(2)的方法,其特征在于,所述方法包括:
将来自所述自主道路车辆(3)的车载传感器(6)的原始传感器数据(5)以及对象级数据(7)和策略信息数据(8)作为输入数据提供(16)到端到端训练的神经网络系统(4);
由所述端到端训练的神经网络系统(4)在预先设置的时间范围内将输入数据(5、7、8)映射(17)到用于所述自主道路车辆(3)的控制命令(10);
在所述预先设置的时间范围内使用于所述自主道路车辆(3)的所述控制命令(10)受制(18)于安全模块(9),所述安全模块(9)布置成在所述预先设置的时间范围内执行对由用于所述自主道路车辆(3)的所述控制命令(10)产生的规划轨迹的风险评估;
验证(19)为安全并且从所述安全模块(9)输出用于所述自主道路车辆(3)的经验证的控制命令(2)。
2.根据权利要求1所述的方法(1),其中所述方法(1)还包括向所述端到端训练的神经网络系统(4)添加机器学习组件(11)。
3.根据权利要求1或2中任一项所述的方法(1),其中所述方法(1)还包括将由所述安全模块(9)验证为安全的用于所述自主道路车辆(3)的经验证的控制命令(2)作为反馈(12)提供到所述端到端训练的神经网络系统(4)。
4.根据权利要求1至3中任一项所述的方法(1),其中所述方法(1)还包括提供以下项中的至少一项作为原始传感器数据(5):图像数据;来自所述自主道路车辆(3)的一个或多个车载传感器(6)的速度数据和加速度数据。
5.根据权利要求1至4中任一项所述的方法(1),其中所述方法(1)还包括提供以下项中的至少一项作为对象级数据(7):周围环境对象的位置;车道标记和道路条件。
6.根据权利要求1至5中任一项所述的方法(1),其中所述方法(1)还包括提供以下项中的至少一项作为策略信息数据(8):电子地平线(地图)信息,所述电子地平线(地图)信息包括当前交通规则和道路几何形状、以及高级导航信息。
7.用于生成用于自主道路车辆(3)的经验证的控制命令(2)的装置(1),
其特征在于,所述装置(1)包括:
端到端训练的神经网络系统(4),所述端到端训练的神经网络系统(4)布置成接收来自所述自主道路车辆(3)的车载传感器(6)的原始传感器数据(5)以及对象级数据(7)和策略信息数据(8)的输入;
所述端到端训练的神经网络系统(4)还布置成在预先设置的时间范围内将输入数据(5、7、8)映射到用于所述自主道路车辆(3)的控制命令(10);
安全模块(9),所述安全模块(9)布置成在所述预先设置的时间范围内接收用于所述自主道路车辆(3)的所述控制命令(10),并且在所述预先设置的时间范围内执行对由用于所述自主道路车辆(3)的所述控制命令(10)产生的规划轨迹的风险评估;
所述安全模块(9)还布置成验证为安全并且输出用于所述自主道路车辆(3)的经验证的控制命令(2)。
8.根据权利要求7所述的用于生成用于自主道路车辆(3)的经验证的控制命令(2)的装置(1),其中所述装置(1)还包括进一步包括机器学习组件(11)的所述端到端训练的神经网络系统(4)。
9.根据权利要求7至8中任一项所述的用于生成用于自主道路车辆(3)的经验证的控制命令(2)的装置(1),其中所述装置(1)还布置成将由所述安全模块(9)验证为安全的用于所述自主道路车辆(3)的经验证的控制命令(2)反馈(12)到所述端到端训练的神经网络系统(4)。
10.根据权利要求7至9中任一项所述的用于生成用于自主道路车辆(3)的经验证的控制命令(2)的装置(1),其中所述装置(1)还包括布置成接收以下项中的至少一项作为原始传感器数据(5)的所述端到端训练的神经网络系统(4):图像数据;来自所述自主道路车辆(3)的一个或多个车载传感器(6)的速度数据和加速度数据。
11.根据权利要求7至10中任一项所述的用于生成用于自主道路车辆(3)的经验证的控制命令(2)的装置(1),其中所述装置(1)还包括布置成接收以下项中的至少一项作为对象级数据(7)的所述端到端训练的神经网络系统(4):周围环境对象的位置;车道标记和道路条件。
12.根据权利要求7至11中任一项所述的用于生成用于自主道路车辆(3)的经验证的控制命令(2)的装置(1),其中所述装置(1)还包括布置成接收以下项中的至少一项作为策略信息数据(8)的所述端到端训练的神经网络系统(4):电子地平线(地图)信息,所述电子地平线(地图)信息包括当前交通规则和道路几何形状、以及高级导航信息。
13.一种自主道路车辆(3),其特征在于,所述自主道路车辆(3)包括用于生成根据权利要求7至12中任一项所述的经验证的控制命令(2)的装置(1)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18180826.2A EP3588226B1 (en) | 2018-06-29 | 2018-06-29 | Method and arrangement for generating control commands for an autonomous road vehicle |
EP18180826.2 | 2018-06-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110654396A true CN110654396A (zh) | 2020-01-07 |
Family
ID=62837749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910566541.3A Pending CN110654396A (zh) | 2018-06-29 | 2019-06-27 | 用于生成用于自主道路车辆的控制命令的方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200004255A1 (zh) |
EP (1) | EP3588226B1 (zh) |
CN (1) | CN110654396A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361317A (zh) * | 2020-03-04 | 2021-09-07 | 通用汽车环球科技运作有限责任公司 | 用于车道检测不确定性的端到端预测的系统和方法 |
CN114103988A (zh) * | 2020-08-31 | 2022-03-01 | 奥迪股份公司 | 安全监控装置、包括其的车辆及相应的方法、设备和介质 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11691343B2 (en) | 2016-06-29 | 2023-07-04 | Velo3D, Inc. | Three-dimensional printing and three-dimensional printers |
US10656644B2 (en) * | 2017-09-07 | 2020-05-19 | Tusimple, Inc. | System and method for using human driving patterns to manage speed control for autonomous vehicles |
WO2021160273A1 (en) * | 2020-02-13 | 2021-08-19 | Automotive Artificial Intelligence (Aai) Gmbh | Computing system and method using end-to-end modeling for a simulated traffic agent in a simulation environment |
WO2021183137A1 (en) * | 2020-03-13 | 2021-09-16 | Zenuity Ab | Methods and systems for vehicle path planning |
EP3951673A1 (en) * | 2020-08-04 | 2022-02-09 | Aptiv Technologies Limited | Method and system of collecting training data suitable for training an autonomous driving system of a vehicle |
US11853035B2 (en) * | 2021-02-10 | 2023-12-26 | Stoneridge Electronics Ab | Camera assisted docking system for commercial shipping assets in a dynamic information discovery protocol environment |
CN113264043A (zh) * | 2021-05-17 | 2021-08-17 | 北京工业大学 | 基于深度强化学习的无人驾驶分层运动决策控制方法 |
WO2024023835A1 (en) * | 2022-07-27 | 2024-02-01 | Sagar Defence Engineering Private Limited | Self-learning command & control module for navigation (genisys) and system thereof |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130073138A1 (en) * | 2010-05-19 | 2013-03-21 | Glenn Michael Callow | System validation |
CN105573323A (zh) * | 2016-01-12 | 2016-05-11 | 福州华鹰重工机械有限公司 | 自动驾驶轨迹生成方法及装置 |
US20170123422A1 (en) * | 2015-11-04 | 2017-05-04 | Zoox, Inc. | Interactive autonomous vehicle command controller |
US20180101172A1 (en) * | 2016-10-12 | 2018-04-12 | Electronics And Telecommunications Research Institute | Apparatus and method for sharing and learning driving environment data to improve decision intelligence of autonomous vehicle |
US20180107215A1 (en) * | 2016-10-17 | 2018-04-19 | Uber Technologies, Inc. | Neural network system for autonomous vehicle control |
US20180120843A1 (en) * | 2016-11-03 | 2018-05-03 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Controlling Vehicle Using Neural Network |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017155598A2 (en) * | 2016-01-05 | 2017-09-14 | Philip Koopman | A safety architecture for autonomous vehicles |
WO2017120336A2 (en) * | 2016-01-05 | 2017-07-13 | Mobileye Vision Technologies Ltd. | Trained navigational system with imposed constraints |
DE102016000493B4 (de) | 2016-01-19 | 2017-10-19 | Audi Ag | Verfahren zum Betrieb eines Fahrzeugsystems und Kraftfahrzeug |
CN106080590B (zh) | 2016-06-12 | 2018-04-03 | 百度在线网络技术(北京)有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
US11262756B2 (en) * | 2018-01-15 | 2022-03-01 | Uatc, Llc | Discrete decision architecture for motion planning system of an autonomous vehicle |
US11561541B2 (en) * | 2018-04-09 | 2023-01-24 | SafeAI, Inc. | Dynamically controlling sensor behavior |
US11495126B2 (en) * | 2018-05-09 | 2022-11-08 | Cavh Llc | Systems and methods for driving intelligence allocation between vehicles and highways |
-
2018
- 2018-06-29 EP EP18180826.2A patent/EP3588226B1/en active Active
-
2019
- 2019-06-27 CN CN201910566541.3A patent/CN110654396A/zh active Pending
- 2019-06-28 US US16/455,965 patent/US20200004255A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130073138A1 (en) * | 2010-05-19 | 2013-03-21 | Glenn Michael Callow | System validation |
US20170123422A1 (en) * | 2015-11-04 | 2017-05-04 | Zoox, Inc. | Interactive autonomous vehicle command controller |
CN105573323A (zh) * | 2016-01-12 | 2016-05-11 | 福州华鹰重工机械有限公司 | 自动驾驶轨迹生成方法及装置 |
US20180101172A1 (en) * | 2016-10-12 | 2018-04-12 | Electronics And Telecommunications Research Institute | Apparatus and method for sharing and learning driving environment data to improve decision intelligence of autonomous vehicle |
US20180107215A1 (en) * | 2016-10-17 | 2018-04-19 | Uber Technologies, Inc. | Neural network system for autonomous vehicle control |
US20180120843A1 (en) * | 2016-11-03 | 2018-05-03 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Controlling Vehicle Using Neural Network |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361317A (zh) * | 2020-03-04 | 2021-09-07 | 通用汽车环球科技运作有限责任公司 | 用于车道检测不确定性的端到端预测的系统和方法 |
CN113361317B (zh) * | 2020-03-04 | 2023-10-13 | 通用汽车环球科技运作有限责任公司 | 用于车道检测不确定性的端到端预测的系统和方法 |
CN114103988A (zh) * | 2020-08-31 | 2022-03-01 | 奥迪股份公司 | 安全监控装置、包括其的车辆及相应的方法、设备和介质 |
CN114103988B (zh) * | 2020-08-31 | 2024-04-19 | 奥迪股份公司 | 安全监控装置、包括其的车辆及相应的方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3588226A1 (en) | 2020-01-01 |
US20200004255A1 (en) | 2020-01-02 |
EP3588226B1 (en) | 2020-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3588226B1 (en) | Method and arrangement for generating control commands for an autonomous road vehicle | |
US20200269871A1 (en) | Method and system for determining a driving maneuver | |
CN113128326B (zh) | 具有语义地图和lstm的车辆轨迹预测模型 | |
US11269329B2 (en) | Dynamic model with learning based localization correction system | |
US20200134494A1 (en) | Systems and Methods for Generating Artificial Scenarios for an Autonomous Vehicle | |
DE102020103509A1 (de) | Erkennung und vermeidung von kollisionsverhalten | |
KR20200101517A (ko) | 차량-도로인프라 정보융합 기반 자율협력주행 방법 및 시스템 | |
US11662735B2 (en) | Method and system for updating a control model for automatic control of at least one mobile unit | |
KR102589587B1 (ko) | 자율 주행 차량용 동적 모델 평가 패키지 | |
CN111746557B (zh) | 用于车辆的路径规划融合 | |
WO2021090897A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN114730186A (zh) | 用于运行车辆的自主行驶功能的方法 | |
CN111984018A (zh) | 自动驾驶方法及装置 | |
CN113076897A (zh) | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 | |
CN112977473A (zh) | 用于预测移动障碍物驶出十字路口的方法及系统 | |
DE112021005708T5 (de) | Verfahren und Systeme zur Verfolgung einer Fahrspur über die Zeit | |
CN115907250A (zh) | 用于调整自主驾驶车辆的运动规划器的基于学习的评论器 | |
CN117130298A (zh) | 用于评估自动驾驶系统的方法、装置及存储介质 | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
US20230037071A1 (en) | Method and system for training an autonomous vehicle motion planning model | |
CN115136081A (zh) | 用于训练用于机动车的控制器的至少一个算法的方法、用于优化区域中的交通流的方法、计算机程序产品以及机动车 | |
US20240025445A1 (en) | Safety enhanced planning system with anomaly detection for autonomous vehicles | |
CN113119984A (zh) | 高级驾驶辅助系统和高级驾驶辅助方法 | |
EP4082856A2 (en) | E2e learning-based evaluator for an autonomous driving vehicle | |
US20230267719A1 (en) | Neural network training |
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 |