CN111052193B - 用于运输货物的自动驾驶车辆的防盗技术 - Google Patents

用于运输货物的自动驾驶车辆的防盗技术 Download PDF

Info

Publication number
CN111052193B
CN111052193B CN201880053194.8A CN201880053194A CN111052193B CN 111052193 B CN111052193 B CN 111052193B CN 201880053194 A CN201880053194 A CN 201880053194A CN 111052193 B CN111052193 B CN 111052193B
Authority
CN
China
Prior art keywords
autonomous vehicle
person
theft
sensor data
moving object
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201880053194.8A
Other languages
English (en)
Other versions
CN111052193A (zh
Inventor
傅轶群
张亮亮
刘盛翔
胡江滔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu com Times Technology Beijing Co Ltd
Baidu USA LLC
Original Assignee
Baidu com Times Technology Beijing Co Ltd
Baidu USA LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baidu com Times Technology Beijing Co Ltd, Baidu USA LLC filed Critical Baidu com Times Technology Beijing Co Ltd
Publication of CN111052193A publication Critical patent/CN111052193A/zh
Application granted granted Critical
Publication of CN111052193B publication Critical patent/CN111052193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19639—Details of the system layout
    • G08B13/19647—Systems specially adapted for intrusion detection in or around a vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
    • G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/10—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device
    • B60R25/102—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles actuating a signalling device a signal being sent to a remote location, e.g. a radio signal being transmitted to a police station, a security company or the owner
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/30—Detection related to theft or to other events relevant to anti-theft systems
    • B60R25/31—Detection related to theft or to other events relevant to anti-theft systems of human presence inside or outside the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/02—Mechanical actuation
    • G08B13/14—Mechanical actuation by lifting or attempted removal of hand-portable articles
    • G08B13/1436—Mechanical actuation by lifting or attempted removal of hand-portable articles with motion detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • B60R25/30—Detection related to theft or to other events relevant to anti-theft systems
    • B60R25/305—Detection related to theft or to other events relevant to anti-theft systems using a camera

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Alarm Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Burglar Alarm Systems (AREA)

Abstract

描述了对用于运输货物的自动驾驶车辆(ADV)进行防盗的各种技术。在一个实施方式中，由盗窃检测模块捕获表示在ADV的预定接近范围内的人的移动对象的传感器数据以用于实时分析，以便根据一组已知的移动行为，基于传感器数据来确定移动对象的移动行为。盗窃检测模块还使用从历史图像集导出的过程来确定人的意图是否可能从ADV中移走货物中的至少一些，并且响应于确定人的这种意图而向预定目的地发送警报。例如ADV的实时运动和重量的其它传感器数据可与从历史图像集导出的过程结合使用，以确定人的意图。

Description

用于运输货物的自动驾驶车辆的防盗技术
技术领域
本公开的实施方式总体上涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及用于运输货物的自动驾驶车辆的防盗技术。
背景技术
以自动驾驶模式运行(例如，无人驾驶)的车辆可将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。
在自动驾驶模式下运行的车辆(或自动驾驶车辆(ADV))可用于运输货物，例如，将生活用品运送至各个家庭。用于这种目的的ADV通常尺寸较小，并且在它们穿越城市和郊区街道时倾向于无人驾驶。
因此，用于货物运送的ADV容易被盗。例如，非预期人员可能将货物从ADV中移走；甚至整个ADV也可能被带走。
然而，并非接近这种ADV和在其附近移动的每个人都会实施盗窃。出现在ADV附近的人可能只是人类障碍物。在不根据人员的行为来区分他们的情况下发送警报可能会干扰周围的环境，并且给负责响应警报的人员带来不必要的负担。因此，需要可用于有效地检测盗窃行为的技术。
发明内容
在第一方面，本公开提供了一种用于对自动驾驶车辆进行防盗的计算机实施的方法，该方法包括：通过盗窃检测模块从多个传感器接收移动对象的传感器数据，该移动对象表示在用于运输货物的ADV的预定接近范围内的人，其中，传感器数据包括移动对象的多个图像以及ADV的实时重量和运动；根据一组已知的移动行为，基于传感器数据来确定移动对象的移动行为；基于移动行为，确定人的意图是否可能从ADV中移走货物中的一些；以及响应于确定人的意图是可能从ADV中移走货物中的至少一部分，向预定目的地发送警报。
在第二方面，本公开提供了一种存储有指令的非暂时性机器可读介质，该指令在由处理器执行时，致使处理器执行以上在第一方面中所述的方法。
在第三方面，本公开提供了一种系统，该系统包括：处理器；以及存储器，该存储器联接至处理器以存储指令，该指令在由处理器执行时，致使处理器执行以上在第一方面中所述的方法。
附图说明
本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考标记指示相似元件。
图1是示出根据一些实施方式的网络化系统的框图。
图2是示出根据一些实施方式的自动驾驶车辆的示例的框图。
图3A至图3B是示出根据一些实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。
图4示出了根据一个实施方式的用于运输货物的ADV中的示例性防盗系统。
图5示出了根据一个实施方式的用于对用于运输货物的ADV进行防盗的示例性过程。
图6是示出根据一些实施方式的数据处理系统的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面，附图将示出所述各种实施方式。下列描述和附图是本公开的说明，而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的各种实施方式的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节，以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
根据各种实施方式，本文中描述了用于对自动驾驶车辆(ADV)，具体地用于运输货物的那些ADV进行防盗的系统和方法。
在一个实施方式中，防盗系统包括各种传感器和盗窃检测模块。盗窃检测模块从传感器接收移动对象的传感器数据，该移动对象表示在ADV的预定接近范围内的人。盗窃检测模块实时分析传感器数据，以便根据一组已知的移动行为，基于传感器数据确定移动对象的移动行为。盗窃检测模块还使用从历史图像集导出的过程来确定人的意图是否可能从ADV中移走货物中的至少一些，并且响应于确定人的这种意图而向预定目的地发送警报。
在一个实施方式中，一组已知的移动行为可由存储在数据库中的一个或多个图像集表示，其中，每个图像集均表示一种已知的人类行为。在确定移动对象的移动行为时，盗窃检测模块将移动对象的每个图像集与存储在数据库中的那些图像集进行比较。如果找到匹配，则盗窃检测模块可确定此人具有需要进一步分析的移动行为。
在一个实施方式中，数据库存储一组已知的盗窃记录，该盗窃记录表示实施过至少一次盗窃的人员的黑名单。该黑名单包括黑名单中每个人的个人数据和至少一张面部图像。
传感器数据可包括在ADV的预定接近范围内的人的面部图像。传感器数据中的面部图像与黑名单中的面部图像之间的匹配指示此人之前实施过至少一次盗窃(例如，从ADV盗窃货物)。
在一个实施方式中，在识别出移动对象的用于进一步分析和监控的移动行为之后，盗窃检测模块可使用从标记为“盗窃”和“非盗窃”的训练历史图像集导出的算法或过程。标记为“盗窃”的那些图像集中的每个均表示人类盗窃行为，以及标记为“非盗窃”的那些图像集中的每个均表示人类非盗窃行为。图像集训练可由在远程服务器上运行的机器学习引擎执行。
在一个实施方式中，其它指示符中的一个或多个可与从历史图像集导出的过程相结合，以确定移动对象的意图。其它指示符可包括：一个人位于黑名单中；因为此人出现在ADV的预定接近范围内，ADV的重量损失超过预定阈值(例如1公斤)；以及ADV的不稳定运动指示ADV可能被带走。
在替代性实施方式中，如果此人位于黑名单中或者ADV的重量已降低了预定阈值以上，则盗窃检测模块可在不使用从历史图像集导出的过程的情况下确定此人可能从ADV窃取货物，并且可立即向预定目的地发送警报。
ADV可记录在预定接近范围内的移动对象的每个移动行为，以便由机器学习引擎用来确定移动对象(例如，人)的移动行为，以及优化用于确定移动对象的意图的过程。
本文中描述的本公开的实施方式使用人作为移动对象的示例。应理解，本公开的各种实施方式可用于检测其它移动对象(例如，机器人)的盗窃行为或潜在盗窃行为。
自动驾驶车辆
图1是示出根据本公开的一些实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或位置服务器等。
自动驾驶车辆是指可配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可包括传感器系统，所述传感器系统具有配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在一个实施方式中，自动驾驶车辆101包括，但不限于，感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113和传感器系统115。自动驾驶车辆101还可包括普通车辆中包括的某些常用部件，诸如：发动机、车轮、方向盘、变速器等，所述部件可由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至115可经由互连件、总线、网络或其组合通信地联接到彼此。例如，部件110至115可经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议，但也用于许多其它环境。
现在参考图2，在一个实施方式中，传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS单元212可包括收发器，所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中，除感测对象之外，雷达单元214可另外感测对象的速度和/或前进方向。LIDAR单元215可使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外，LIDAR单元215还可包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。
传感器系统115还可包括其它传感器，诸如：声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如，麦克风)。音频传感器可配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可集成为集成式油门/制动传感器。
在一个实施方式中，车辆控制系统111包括但不限于转向单元201、油门单元202(也称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度，电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意，如图2所示的部件可以以硬件、软件或其组合实施。
返回参考图1，无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系统112可以与一个或多个装置直接无线通信，或者经由通信网络进行无线通信，诸如，通过网络102与服务器103至104通信。无线通信系统112可使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使用WiFi，以与另一部件或系统通信。无线通信系统112可例如使用红外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可由感知与规划系统110控制或管理，尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储装置)和软件(例如，操作系统、规划和路线安排程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理所接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划和控制信息来驾驶车辆101。可替代地，感知与规划系统110可与车辆控制系统111集成在一起。
例如，作为乘客的用户可例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如，感知与规划系统110可从MPOI服务器中获得位置和路线信息，所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI。可替代地，此类位置和MPOI信息可本地高速缓存在感知与规划系统110的永久性存储装置中。在一些实施方式中，感知与规划系统110可能不具有MPOI信息(例如，地图数据)。例如，感知与规划系统110可能不具有用于其它环境或地理区域/位置的地图数据，感知与规划系统110可能不具有用于自动驾驶车辆101当前正在行进或所处的环境或地理区域/位置的地图数据(例如，感知与规划系统110可具有一个城市的地图数据，但是可能不具有另一城市的地图数据)。在另一示例中，感知与规划系统110可能不具有任何地图数据或MPOI信息(例如，感知与规划系统110可能未存储任何地图数据)。
当自动驾驶车辆101沿着路线移动时，感知与规划系统110也可从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器103至104可由第三方实体进行操作。可替代地，服务器103至104的功能可与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101，以安全且高效到达指定目的地。
服务器103可以是数据分析系统，从而为各种客户执行数据分析服务。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发出的驾驶指令(例如，油门、制动、转向指令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。在一个实施方式中，驾驶统计数据还包括由诸如摄像机的传感器捕获的人的某些行为或运动。这些人中的一些可能会盗窃或企图盗窃货物或车辆。
基于驾驶统计数据123，机器学习引擎122出于各种目的生成或训练一组规则、算法和/或预测模型124。在一个实施方式中，机器学习引擎122可基于驾驶统计数据123生成或训练一组盗窃检测规则、算法或预测模型124，以确定或预测具体人员的行为是否可指示此人将可能实施盗窃。可基于过去收集的一组已知盗窃的已知行为来生成或训练算法124。然后可将盗窃检测算法124上传至ADV，诸如如图3A中所示的盗窃检测算法313的一部分，该盗窃检测算法124可实时用于检测接近ADV的任何人可能具有从ADV中移走货物的可能性。
图3A和图3B是示出根据一些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可实施为图1的自动驾驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路线安排模块307和盗窃检测模块308。
模块301至308中的一些或全部可以以软件、硬件或其组合实施。例如，这些模块可安装在永久性存储装置352中、加载到存储器351中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中的一些或全部可通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至308中的一些可一起集成为集成模块。
定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。定位模块301(又称作为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可例如经由用户接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图与路线信息311的其它部件通信，以获得行程相关数据。例如，定位模块301可从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI，从而可作为地图与路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时，定位模块301也可从交通信息系统或服务器获得实时交通信息。在一个实施方式中，地图与路线信息311可先前已存储在永久性存储装置352中。例如，地图与路线信息311可先前已下载或复制到永久性存储装置352中。
基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，感知模块302确定对周围环境的感知。感知信息可表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可包括例如采用对象形式的车道配置(例如，直线车道或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让行标志)等。
感知模块302可包括计算机视觉系统或计算机视觉系统的功能，以处理并分析由一个或多个摄像机采集的图像，从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中，计算机视觉系统可绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块302也可基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
针对每个对象，预测模块303预测对象在这种情况下将如何表现。预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。在一些实施方式中，在自动驾驶车辆行进通过环境或地理区域/位置时，可即时生成(例如，由感知模块302生成)用于该环境或地理区域/位置的地图/路线信息311，如以下更详细讨论的。
针对每个对象，决策模块304作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所述对象相遇(例如，超车、让行、停止、超过)。决策模块304可根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集可存储在永久性存储装置352中。
各种移动障碍物/对象可能会不可预测地移动。例如，尽管行人可能正沿着路径移动，但是行人可能突然改变方向(例如，左转)或者可能加速/减速。当试图预测移动对象的路径以避免与移动对象碰撞、撞击或冲击时，这可能会导致问题。因此，确定(例如，计算、估算、获得等)包括移动障碍物可能移动到的可能位置的区域可能是有用的。这可允许ADV增加避开移动障碍物的可能性。
路线安排模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从起始位置到目的地位置的给定行程，例如从用户接收的给定行程，路线安排模块307获得路线与地图信息311，并确定从起始位置至到达目的地位置的所有可能路线或路径。在一些实施例中，地图/路线信息311可由感知模块302生成，如下面更详细地讨论的。路线安排模块307可生成地形图形式的参考线，它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地形图提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考线。
基于针对所感知到的对象中的每个的决定，规划模块305使用由路线安排模块307提供的参考线作为基础，为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之，针对给定的对象，决策模块304决定对该对象做什么，而规划模块305确定如何去做。例如，针对给定的对象，决策模块304可决定超过所述对象，而规划模块305可确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成，包括描述车辆300在下一移动循环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控制数据可指示车辆300以30英里每小时(mph)的速度移动10米，随后以25mph的速度变到右侧车道。
基于规划和控制数据，控制模块306根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动和转弯命令)将车辆从路线或路径的第一点驾驶到第二点。
在一个实施方式中，规划阶段在多个规划周期(也称作为命令周期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或命令周期中的每一个，将基于规划和控制数据发出一个或多个控制命令。即，对于每100ms，规划模块305规划下一个路线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向角等。在一个实施方式中，规划模块305为下一个预定时段(诸如，5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于在前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制命令(例如，油门、制动、转向控制命令)。
应注意，决策模块304和规划模块305可集成为集成模块。决策模块304/规划模块305可包括导航系统或导航系统的功能，以确定自动驾驶车辆的驾驶路径。例如，导航系统可确定用于实现自动驾驶车辆沿着以下路径移动的一系列速度和前进方向：所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上避免感知到的障碍物。目的地可根据经由用户接口系统113进行的用户输入来设定。导航系统可在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可将来自GPS系统和一个或多个地图的数据(其可由感知模块302生成或者可以是先前已存储/下载的)合并，以确定用于自动驾驶车辆的驾驶路径。
决策模块304/规划模块305还可包括防撞系统或防撞系统的功能，以识别、评估并且避免或以其它方式越过自动驾驶车辆的环境中的潜在障碍物。例如，防撞系统可通过以下方式实现自动驾驶车辆的导航中的变化：操作控制系统111中的一个或多个子系统来采取变向操纵、转弯操纵、制动操纵等。防撞系统可基于周围的交通模式、道路状况等自动确定可行的障碍物回避操纵。防撞系统可被配置成使得当其它传感器系统检测到位于自动驾驶车辆将变向进入的相邻区域中的车辆、建筑障碍物等时不采取变向操纵。防撞系统可自动选择既可使用又使得自动驾驶车辆乘员的安全性最大化的操纵。防撞系统可选择预测使得自动驾驶车辆的乘客舱中出现最小量的加速度的避让操纵。
路线安排模块307可例如从地图信息(诸如，路段的信息、路段的车行道信息和车道距路缘的距离信息)生成参考路线。例如，道路可分成{A、B和C}节或段以表示三个路段。路段A的三个车道可列举为{A1、A2和A3}。通过生成沿着参考路线的参考点来生成参考路线。例如，对于车辆车道，路线安排模块307可连接由地图数据(可由感知模块302生成或可以是先前已存储/下载的)提供的车辆车道的两个相对路缘或端点的中点。基于表示先前在不同时间点在车辆车道上行驶的车辆的所收集的数据点的中点和机器学习数据，路线安排模块307可通过以下来计算参考点：选择在车辆车道的预定接近度内所收集的数据点的子集，以及对根据所收集的数据点的子集的中点应用平滑函数。
基于参考点或车道参考点，路线安排模块307可通过对参考点进行插值生成参考线，使得生成的参考线用作为用于控制车辆车道上的ADV的参考线。在一些实施方式中，表示参考线的参考点表和路段表实时上载到ADV中，使得ADV可基于ADV的地理位置和行驶方向生成参考线。例如，在一个实施方式中，ADV可通过表示即将到来的前面的路段的路径段标识符和/或基于ADV的GPS位置，通过请求用于路径段的路线安排服务来生成参考线。基于路径段标识符，路线安排服务可返回到ADV参考点表，该参考点表包括用于所关注的路段的所有车道的参考点。ADV可查阅用于路径段的车道的参考点，以生成用于控制车辆车道上的ADV的参考线。
盗窃检测模块308可配置成分析由传感器系统115收集的传感器数据，以及检测在ADV的预定接近范围内的人是人类障碍物还是意图从ADV实施盗窃或带走整个ADV的人。盗窃检测模块308可基于人的行为使用一组盗窃检测算法或盗窃预测模型313来执行盗窃检测。
防盗系统
图4示出了根据一个实施方式的用于运输货物的ADV中的示例性防盗系统。如图4中所示，防盗系统400可设置在ADV 101中。在一个实施方式中，ADV 101可用于运输货物，例如，从批发商到零售商或者从食品杂货店到个人家庭。
在一实施方式中，防盗系统400可包括传感器系统115、警报器415、盗窃检测模块308和数据库418。传感器系统115可包括多个传感器，例如，一个或多个摄像机211、称重机411(例如，压力传感器)和运动传感器413(也称为移动传感器，诸如加速度计、IMU)。
摄像机211可配置成捕获在ADV的预定接近范围内的移动对象(例如，人)的数据。所捕获的数据可呈多种格式，包括数字图像、视频和音频。可基于一个或多个因素来配置预定的接近范围，包括ADV所有者的需要、ADV通常在其中操作的环境以及先前由ADV和在相同区域中操作的类似ADV捕获的移动对象的活动。例如，摄像机可配置成从在ADV的5米范围内的移动对象捕捉数据。
称重机411可安装在ADV 101中，并且可实时检测ADV的重量。例如，称重机411可包括设置在ADV的各个位置的一个或多个压力传感器，以检测ADV的重量变化。运动传感器413可实时检测ADV的运动，诸如加速度计。ADV的运动或重量方面的实时数据可单独使用或与由摄像机211捕获的数据结合使用，以检测在ADV的预定接近范围内的移动对象的潜在盗窃行为。
警报器415可以是安装在ADV中的外围装置，以发出响亮的声音并向预定目的地发送报告。在一个实施方式中，警报器415可包括用于发出响亮声音的警报喇叭。警报器415可连接至网络接口，使得可将与每个警报有关的数据发送至警报响应中心。与每个警报有关的数据可包括移动对象(例如，人)的面部图像、与盗窃行为有关的图像集以及指示盗窃行为发生的位置的GPS信号。当警报器415检测到ADV的不稳定运动，例如指示整个ADV被带走的运动时，可通过网络将GPS信号和图像连续发送至警报响应中心。
在一个实施方式中，数据库418可用于存储不同类型的数据，包括存储盗窃记录427、图像集429以及所捕获的传感器数据431。每种类型的数据均可存储在一个或多个表中。盗窃记录427可表示包括实施过至少一次盗窃的人员的黑名单。该黑名单包括黑名单中每个人的个人数据和至少一张面部图像。图像集429可包括描述人的移动行为的一个或多个图像集，其可配置为盗窃检测规则或算法313的一部分。传感器数据431可包括在预定的时间段内(例如在过去的6个月内)由传感器捕获的所有传感器数据。
在一个实施方式中，传感器数据431可用于更新图像集419，并且还可由机器学习引擎122用来创建用于检测可能行为的算法或优化用于这种目的的现有算法，所述算法可用于更新盗窃检测算法或模型124或算法313。
可以以可配置的时间间隔将存储盗窃记录427和图像集429的表与远程数据库进行同步，使得可利用来自在一个或多个预定义区域中操作的其它ADV的新生成的盗窃记录和图像集来更新盗窃记录427和图像集429。
如图4中所示，盗窃检测模块308可包括各种模块，包括面部检测模块417、行为检测模块419、行为判断模块421、警报控制模块423和传感器数据记录器模块425。这些模块中的每个均可以是在ADV内的计算装置上执行的软件模块。在一个实施例中，计算装置可是其上安装有Linux操作系统的工业个人计算机(IPC)。可替代地，模块417至模块425中的至少一些可以以硬件或固件来实现。还应指出的是，根据具体应用，这些模块中的一些或全部可集成在更少的模块或单个模块中。
摄像机211可用于提供传感器数据，以供面部检测模块417和行为检测模块419使用。面部检测模块417可预处理人的图像数据并且在黑名单中搜索此人的面部特征以进行匹配。如果找到匹配，则可将标志发送至警报控制模块423，该警报控制模块423可提示警报器415立即发送警报，或者在指示警报器415发送警报之前等待一个或多个附加的盗窃指示符。行为检测模块419可使用所捕获的人的图像集来确定所捕获的图像集与数据库418中的图像集429中的图像集之间是否存在匹配。图像集匹配表明此人执行了需要进一步分析的移动行为。
在一个实施方式中，在检测到这种移动行为之后，行为判断模块421可使用从训练历史图像集导出的过程或算法，以基于移动行为来确定此人是否可能从ADV窃取货物中的一部分。在一个实施方式中，可从图像和/或其它传感器数据(例如，压力传感器数据、加速度计数据)提取一组特征。可将该组特征馈送至盗窃预测模型中以确定这种行为是否与预定的盗窃行为相关联。可使用一组过去的已知的盗窃行为来训练盗窃预测或确定模型。
作为说明性示例，如果通过显示一个人空手接近ADV并且手中拿着一件货物离开ADV的图像集来表示此人的被识别用于进一步分析的移动行为，则行为判断模块421使用的算法或过程将确定此人意图从ADV中移走货物中的至少一部分。
在一个实施方式中，一个或多个附加指示符可单独使用或与算法或过程结合使用，以基于移动行为来确定此人的意图。
例如，如果在检测到人的用于进一步分析的移动行为之后，行为检测模块419从称重机411接收指示ADV的重量损失超过预定阈值的实时重量数据，则行为检测模块419可确定此人意图从ADV中移走货物中的至少一部分，并且可指示警报控制模块423发送警报。此外，警报消息可传输至集中式设施，诸如执法设施或操作ADV的组织。
在一个实施方式中，可用于确定此人的可能盗窃意图的其它指示符包括：此人位于黑名单中，以及ADV的不稳定运动指示ADV可能被带走。例如，如果一个人以态度不明的方式接近车辆，即在缓慢接近车辆的同时四处张望或四处走动，则此人可能不是车辆的所有者或授权人。另一方面，如果此人笔直走近车辆，则这个特定的人可能是所有者或授权人。可根据此人执行的其它动作，利用这种行为来确定这种动作是否与盗窃动作相关联。
在一些情况下，从车辆中移走货物的人可能不是盗窃。此人可能是从车辆卸下货物的授权人。盗窃检测系统可能不仅仅依靠某人已移走货物的事实。必须根据在所述情况下捕获的所有行为数据来执行确定。可通过从捕获人的动作或运动的图像提取一组特征来确定此人的行为。可对特征执行分析以得出结论。在一个实施方式中，所提取的该组特征可馈送至由机器学习引擎生成的盗窃预测模型中，以预测此类行为是否将可能实施盗窃动作。如上所述，可使用诸如机器学习引擎122的机器学习引擎基于大量离线的实施盗窃训练数据来训练和生成盗窃预测模型。
图5示出了根据一个实施方式的用于对用于运输货物的ADV进行防盗的示例性过程。过程500可由处理逻辑执行，该处理逻辑可包括软件、硬件或其组合。图5所示的过程500可由图4中所描述的示例性防盗系统(例如，盗窃检测模块308)执行。
如图5中所示，在操作511中，ADV中的盗窃检测模块从多个传感器接收移动对象的传感器数据，该移动对象表示在用于运输货物的ADV的预定接近范围内的人。传感器数据可包括由传感器捕获的移动对象的一系列图像。
在操作513中，盗窃检测模块根据一组已知的移动行为，基于传感器数据确定移动对象的移动行为。移动行为指示移动对象执行了需要进一步分析的移动行为。当确定移动行为时，盗窃检测模块可搜索传感器数据中的图像集与存储在数据库中的一个或多个图像集之间的匹配，其中，图像集表示一组已知的行为。数据库以可配置的固定时间间隔与远程数据库同步以获取更新信息。
在操作515中，在检测到指示此人执行了用于进一步分析的移动行为的移动行为之后，盗窃检测模块基于该移动行为确定此人的意图是否可能从ADV中移走货物中的至少一些。在确定这种意图时，盗窃检测模块可使用从分类为“盗窃”和“非盗窃”图像集的训练历史图像集导出的算法或过程。可替代地，盗窃检测模块可使用一个或多个附加指示符，该指示符包括：人位于黑名单中、ADV的显著重量损失和/或ADV的不稳定运动指示ADV可能被带走。
在操作517中，盗窃检测模块响应于确定人的意图是可能从ADV中移走货物中的至少一部分，指示警报控制模块向预定目的地发送警报。
图6是示出可与本公开的一个实施方式一起使用的数据处理系统的示例的框图。例如，系统1500可表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统，例如，图1的感知与规划系统110或者服务器103至104中的任一个。系统1500可包括许多不同的部件。这些部件可实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如，计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。
还应注意，系统1500旨在示出计算机系统的许多部件的高阶视图。然而，应当理解的是，某些实施例中可具有附加的部件，此外，其它实施例中可具有所示部件的不同布置。系统1500可表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外，虽然仅示出了单个机器或系统，但是术语“机器”或“系统”还应当理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方式中，系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可表示一个或多个通用处理器，诸如，微处理器、中央处理单元(CPU)等。更具体地，处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501还可以是一个或多个专用处理器，诸如，专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器1501(其可以是低功率多核处理器套接口，诸如超低电压处理器)可充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可实施为片上系统(SoC)。处理器1501配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可包括与可选的图形子系统1504通信的图形接口，图形子系统1504可包括显示控制器、图形处理器和/或显示装置。
处理器1501可与存储器1503通信，存储器1503在一个实施方式中可经由多个存储器装置实施以提供给定量的系统存储。存储器1503可包括一个或多个易失性存储(或存储器)装置，诸如，随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器1503可存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如，各种操作系统、装置驱动程序、固件(例如，输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可加载到存储器1503中并由处理器1501执行。操作系统可以是任何类型的操作系统，例如，机器人操作系统(ROS)、来自
Figure GDA0002385240190000181
公司的
Figure GDA0002385240190000182
操作系统、来自苹果公司的Mac
Figure GDA0002385240190000183
来自
Figure GDA0002385240190000184
公司的
Figure GDA0002385240190000185
LINUX、UNIX，或者其它实时或嵌入式操作系统。
系统1500还可包括IO装置，诸如装置1505至1508，包括网络接口装置1505、可选的输入装置1506，以及其它可选的IO装置1507。网络接口装置1505可包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如，全球定位系统(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置1506可包括鼠标、触摸板、触敏屏幕(其可与显示装置1504集成在一起)、指针装置(诸如，手写笔)和/或键盘(例如，物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如，输入装置1506可包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可使用多种触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种，以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置1507可包括音频装置。音频装置可包括扬声器和/或麦克风，以促进支持语音的功能，诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如，PCI-PCI桥)、传感器(例如，诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置1507还可包括成像处理子系统(例如，摄像机)，所述成像处理子系统可包括用于促进摄像机功能(诸如，记录照片和视频片段)的光学传感器，诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可经由传感器集线器(未示出)联接到互连件1510，而诸如键盘或热传感器的其它装置可根据系统1500的具体配置或设计由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储，大容量存储装置(未示出)也可联接到处理器1501。在各种实施方式中，为了实现更薄且更轻的系统设计并且改进系统响应性，这种大容量存储装置可经由固态装置(SSD)来实施。然而，在其它实施方式中，大容量存储装置可主要使用硬盘驱动器(HDD)来实施，其中较小量的SSD存储装置充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储，从而使得在系统活动重新启动时能够实现快速通电。另外，闪存装置可例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可提供系统软件的非易失性存储，所述系统软件包括所述系统的BIOS以及其它固件。
存储装置1508可包括计算机可访问的存储介质1509(也称为机器可读存储介质或计算机可读介质)，其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如，模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可表示上述部件中的任一个，例如规划模块305、控制模块306和/或盗窃检测模块308。处理模块/单元/逻辑1528还可在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内，数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509也可用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质，但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质，所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此，术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质，或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1528、部件以及其它特征可实施为分立硬件部件或集成在硬件部件(诸如，ASICS、FPGA、DSP或类似装置)的功能中。此外，处理模块/单元/逻辑1528可实施为硬件装置内的固件或功能电路。此外，处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。
应注意，虽然系统1500示出为具有数据处理系统的各种部件，但是并不旨在表示使部件互连的任何特定架构或方式；因为此类细节和本公开的实施方式没有密切关系。还应当认识到，具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可与本公开的实施方式一起使用。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式，以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中，算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而，应当牢记，所有这些和类似的术语均旨在与适当的物理量关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储装置、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可按不同的顺序执行。此外，一些操作可并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到，可使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中，已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下，可对本发明作出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。

Claims (20)

1.一种用于对自动驾驶车辆进行防盗的计算机实施的方法，所述方法包括：
由盗窃检测模块从多个传感器接收移动对象的传感器数据，所述移动对象表示在用于运输货物的所述自动驾驶车辆的预定接近范围内的人员，其中，所述传感器数据包括所述移动对象的多个图像以及所述自动驾驶车辆的实时重量和运动；
根据一组已知的移动行为，基于所述传感器数据确定所述移动对象的移动行为；
基于所述移动行为，确定所述人员的意图是否可能从所述自动驾驶车辆中移走所述货物中的至少一些；
响应于确定所述人员的意图是可能从所述自动驾驶车辆中移走所述货物中的至少一部分，分析从捕获的所述人员的动作或运动的图像提取的一组特征，以预测是否可能实施盗窃动作；以及
响应于确定可能实施所述盗窃动作，向预定目的地发送警报。
2.如权利要求1所述的计算机实施的方法，其中，所述一组已知的移动行为由存储在数据库中的多个图像集表示，每个图像集均表示由人执行的已知行为。
3.如权利要求2所述的计算机实施的方法，其中，所述移动对象的所述移动行为基于所述传感器数据中的图像集与存储在所述数据库中的所述多个图像集中的一个之间的匹配来确定。
4.如权利要求1所述的计算机实施的方法，其中，所述人员的意图基于从训练历史图像集导出的过程来确定，其中，所述训练历史图像集分类为表示盗窃行为的图像集和表示非盗窃行为的图像集。
5.如权利要求4所述的计算机实施的方法，其中，所述人员的意图还基于多个其它指示符中的一个或多个来确定，所述多个其它指示符包括所述人员位于黑名单中、所述自动驾驶车辆的重量损失超过预定阈值以及所述自动驾驶车辆的不稳定运动指示所述自动驾驶车辆可能被带走。
6.如权利要求5所述的计算机实施的方法，其中，所述自动驾驶车辆的重量损失基于由安装在所述自动驾驶车辆中的称重机生成的所述自动驾驶车辆的实时重量来确定。
7.如权利要求5所述的计算机实施的方法，其中，所述自动驾驶车辆的不稳定运动基于由安装在所述自动驾驶车辆中的运动传感器生成的所述自动驾驶车辆的实时运动来确定。
8.如权利要求5所述的计算机实施的方法，其中，所述黑名单表示存储在数据库中的多个车辆盗窃记录，每个记录均包括实施盗窃的人员的面部图像。
9.如权利要求1所述的计算机实施的方法，其中，所述盗窃检测模块包括配置成将所述传感器数据存储到数据库中的传感器数据记录器模块，其中，所述传感器数据发送至机器学习引擎，所述机器学习引擎使用所述传感器数据来优化用于确定所述人员的意图是否可能从所述自动驾驶车辆中移走货物中的至少一部分的过程。
10.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时，致使所述处理器执行用于对自动驾驶车辆进行防盗的操作，所述操作包括：
由盗窃检测模块从多个传感器接收移动对象的传感器数据，所述移动对象表示在用于运输货物的所述自动驾驶车辆的预定接近范围内的人员，其中，所述传感器数据包括所述移动对象的多个图像以及所述自动驾驶车辆的实时重量和运动；
根据一组已知的移动行为，基于所述传感器数据确定所述移动对象的移动行为；
基于所述移动行为，确定所述人员的意图是否可能从所述自动驾驶车辆中移走所述货物中的至少一些；
响应于确定所述人员的意图是可能从所述自动驾驶车辆中移走所述货物中的至少一部分，分析从捕获的所述人员的动作或运动的图像提取的一组特征，以预测是否可能实施盗窃动作；以及
响应于确定可能实施所述盗窃动作，向预定目的地发送警报。
11.如权利要求10所述的非暂时性机器可读介质，其中，所述一组已知的移动行为由存储在数据库中的多个图像集表示，每个图像集均表示由人执行的已知行为。
12.如权利要求11所述的非暂时性机器可读介质，其中，所述移动对象的所述移动行为基于所述传感器数据中的图像集与存储在所述数据库中的所述多个图像集中的一个之间的匹配来确定。
13.如权利要求10所述的非暂时性机器可读介质，其中，所述人员的意图基于从训练历史图像集导出的过程来确定，其中，所述训练历史图像集分类为表示盗窃行为的图像集和表示非盗窃行为的图像集。
14.如权利要求13所述的非暂时性机器可读介质，其中，所述人员的意图还基于多个其它指示符中的一个或多个来确定，所述多个其它指示符包括所述人员位于黑名单中、所述自动驾驶车辆的重量损失超过预定阈值以及所述自动驾驶车辆的不稳定运动指示所述自动驾驶车辆可能被带走。
15.如权利要求14所述的非暂时性机器可读介质，其中，所述自动驾驶车辆的重量损失基于由安装在所述自动驾驶车辆中的称重机生成的所述自动驾驶车辆的实时重量来确定。
16.如权利要求14所述的非暂时性机器可读介质，其中，所述自动驾驶车辆的不稳定运动基于由安装在所述自动驾驶车辆中的运动传感器生成的所述自动驾驶车辆的实时运动来确定。
17.如权利要求14所述的非暂时性机器可读介质，其中，所述黑名单表示存储在数据库中的多个车辆盗窃记录，每个记录均包括实施盗窃的人员的面部图像。
18.如权利要求10所述的非暂时性机器可读介质，其中，所述盗窃检测模块包括配置成将所述传感器数据存储到数据库中的传感器数据记录器模块，其中，所述传感器数据发送至机器学习引擎，所述机器学习引擎使用所述传感器数据来优化用于确定所述人员的意图是否可能从所述自动驾驶车辆中移走货物中的至少一部分的过程。
19.一种对自动驾驶车辆进行防盗的系统，包括：
处理器；以及
存储器，所述存储器联接至所述处理器以存储指令，所述指令在由所述处理器执行时，致使所述处理器执行包括以下的步骤：
由盗窃检测模块从多个传感器接收移动对象的传感器数据，所述移动对象表示在用于运输货物的所述自动驾驶车辆的预定接近范围内的人员，其中，所述传感器数据包括所述移动对象的多个图像以及所述自动驾驶车辆的实时重量和运动；
根据一组已知的移动行为，基于所述传感器数据确定所述移动对象的移动行为；
基于所述移动行为，确定所述人员的意图是否可能从所述自动驾驶车辆中移走所述货物中的至少一些；
响应于确定所述人员的意图是可能从所述自动驾驶车辆中移走所述货物中的至少一部分，分析从捕获的所述人员的动作或运动的图像提取的一组特征，以预测是否可能实施盗窃动作；以及
响应于确定可能实施所述盗窃动作，向预定目的地发送警报。
20.如权利要求19所述的系统，其中，所述一组已知的移动行为由存储在数据库中的多个图像集表示，每个图像集均表示由人执行的已知行为。
CN201880053194.8A 2018-06-29 2018-06-29 用于运输货物的自动驾驶车辆的防盗技术 Active CN111052193B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/093744 WO2020000396A1 (en) 2018-06-29 2018-06-29 Theft proof techniques for autonomous driving vehicles used for transporting goods

Publications (2)

Publication Number Publication Date
CN111052193A CN111052193A (zh) 2020-04-21
CN111052193B true CN111052193B (zh) 2022-08-19

Family

ID=68984588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880053194.8A Active CN111052193B (zh) 2018-06-29 2018-06-29 用于运输货物的自动驾驶车辆的防盗技术

Country Status (5)

Country Link
US (1) US11080975B2 (zh)
EP (1) EP3815061B1 (zh)
JP (1) JP7057874B2 (zh)
CN (1) CN111052193B (zh)
WO (1) WO2020000396A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597962B (zh) * 2020-05-12 2023-05-02 盛景智能科技(嘉兴)有限公司 仓储物料防盗报警方法、装置及电子设备
JP7347371B2 (ja) * 2020-08-26 2023-09-20 トヨタ自動車株式会社 ルート決定システム、ルート決定方法及びルート決定プログラム
CN113537130A (zh) * 2021-07-29 2021-10-22 佳都科技集团股份有限公司 数据处理方法、装置、设备和存储介质
CN116872885B (zh) * 2023-09-07 2023-12-01 江西科技学院 一种智能汽车防盗方法、系统及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034139A (zh) * 2010-04-29 2011-04-27 邬金 一种利用多传感器件实现的货物运输监控方法与系统
CN103198338A (zh) * 2013-03-15 2013-07-10 深圳市亚视威电子科技有限公司 一种基于物联网的物流运输监控系统及方法
CN204856895U (zh) * 2015-08-18 2015-12-09 宁夏纵横宝盈软件服务股份有限公司 一种车辆监控系统
CN205149738U (zh) * 2015-10-29 2016-04-13 杭州冷倍冠科技有限公司 一种重型货车控制系统
WO2016088401A1 (ja) * 2014-12-01 2016-06-09 Ｌｙｋａｏｎ株式会社 防犯システム
WO2016183241A1 (en) * 2015-05-11 2016-11-17 Uber Technologies, Inc. Detecting objects within a vehicle in connection with a service
CN206061006U (zh) * 2016-10-12 2017-03-29 西安外事学院 一种物流车辆监控系统
CN206475813U (zh) * 2017-02-21 2017-09-08 驼队重卡（北京）物流信息技术有限责任公司 一种货车载重实时监控报警系统

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3936057B2 (ja) * 1998-03-12 2007-06-27 富士通テン株式会社 荷物の盗難防止システム
JP2005001642A (ja) * 2003-04-14 2005-01-06 Fujitsu Ten Ltd 盗難防止装置、監視装置、及び盗難防止システム
JP2006085470A (ja) * 2004-09-16 2006-03-30 Mazda Motor Corp 車載品盗難追跡システム
CN201174152Y (zh) * 2008-04-16 2008-12-31 詹勋格 防盗侦测装置
CN101465033B (zh) * 2008-05-28 2011-01-26 丁国锋 一种自动追踪识别系统及方法
CN201278180Y (zh) * 2008-05-28 2009-07-22 丁国锋 一种自动追踪识别系统
CN101700768A (zh) * 2009-11-25 2010-05-05 郭子敬 一种货车防盗装置
SE536729C2 (sv) * 2011-02-14 2014-06-24 Scania Cv Ab Förfarande och system för att övervaka ett motorfordon ur intrångssynpunkt
CN103514639A (zh) * 2012-06-15 2014-01-15 上海智梭信息技术有限公司 一种公路防盗监控系统
CN103778743A (zh) * 2012-10-24 2014-05-07 邱金和 车辆云端监控装置
US9035771B2 (en) * 2013-01-31 2015-05-19 Wal-Mart Stores, Inc. Theft detection system
JPWO2015056530A1 (ja) * 2013-10-17 2017-03-09 みこらった株式会社 自動運転車、自動運転車の盗難防止システム、自動運転車の盗難防止プログラム、端末制御用プログラム、自動運転車のレンタル方法及び自動運転車のカーシェアリング方法
US10065601B2 (en) * 2014-05-01 2018-09-04 Babaco Alarm Systems Inc. Portable, self-contained anti-theft vehicle alarm system with automatic proximity control
CN104298353A (zh) * 2014-10-08 2015-01-21 宁波熵联信息技术有限公司 一种基于逆运动学的车辆监控防盗方法及系统
CN204215240U (zh) * 2014-10-22 2015-03-18 南宁职业技术学院 一种农产品流通环节远程实时监控装置
US10295363B1 (en) * 2016-01-22 2019-05-21 State Farm Mutual Automobile Insurance Company Autonomous operation suitability assessment and mapping
SE541541C2 (en) * 2016-03-10 2019-10-29 Scania Cv Ab Method and system for theft detection in a vehicle
CN105894539A (zh) * 2016-04-01 2016-08-24 成都理工大学 基于视频识别和侦测运动轨迹的预防盗窃方法和系统
CN106274801A (zh) * 2016-09-13 2017-01-04 深圳市几米软件有限公司 汽车防盗预警方法及车载后视镜
US9741010B1 (en) * 2016-12-02 2017-08-22 Starship Technologies Oü System and method for securely delivering packages to different delivery recipients with a single vehicle
CN206363162U (zh) * 2016-12-23 2017-07-28 北京理工大学珠海学院 一种智能物流小车
CN106875140A (zh) * 2016-12-30 2017-06-20 贵港市嘉特电子科技有限公司 货车运输状态监控方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034139A (zh) * 2010-04-29 2011-04-27 邬金 一种利用多传感器件实现的货物运输监控方法与系统
CN103198338A (zh) * 2013-03-15 2013-07-10 深圳市亚视威电子科技有限公司 一种基于物联网的物流运输监控系统及方法
WO2016088401A1 (ja) * 2014-12-01 2016-06-09 Ｌｙｋａｏｎ株式会社 防犯システム
WO2016183241A1 (en) * 2015-05-11 2016-11-17 Uber Technologies, Inc. Detecting objects within a vehicle in connection with a service
CN204856895U (zh) * 2015-08-18 2015-12-09 宁夏纵横宝盈软件服务股份有限公司 一种车辆监控系统
CN205149738U (zh) * 2015-10-29 2016-04-13 杭州冷倍冠科技有限公司 一种重型货车控制系统
CN206061006U (zh) * 2016-10-12 2017-03-29 西安外事学院 一种物流车辆监控系统
CN206475813U (zh) * 2017-02-21 2017-09-08 驼队重卡（北京）物流信息技术有限责任公司 一种货车载重实时监控报警系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Multi-Object Detection and Behavior Recognition from Motion 3D Data;Kyungnam Kim等;《CVPR 2011 WORKSHOPS》;20110812;第37-42页 *

Also Published As

Publication number Publication date
JP2021530039A (ja) 2021-11-04
US20210183221A1 (en) 2021-06-17
WO2020000396A1 (en) 2020-01-02
EP3815061A1 (en) 2021-05-05
EP3815061B1 (en) 2023-09-13
JP7057874B2 (ja) 2022-04-21
EP3815061A4 (en) 2022-01-26
CN111052193A (zh) 2020-04-21
US11080975B2 (en) 2021-08-03

Similar Documents

Publication Publication Date Title
CN110641472B (zh) 基于神经网络的用于自主车辆的安全监控系统
CN110239562B (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
CN109426256B (zh) 自动驾驶车辆的基于驾驶员意图的车道辅助系统
CN110667598B (zh) 用于处理自动驾驶车辆中的传感器故障的方法
CN110347145B (zh) 用于自动驾驶车辆的感知辅助
CN108732589B (zh) 利用3d lidar和定位自动采集用于对象识别的训练数据
CN110462543B (zh) 用于评估自动驾驶车辆的感知要求的基于仿真的方法
CN108089571B (zh) 用于预测无人驾驶车辆的车辆交通行为以做出驾驶决策的方法和系统
CN109429518B (zh) 基于地图图像的自动驾驶交通预测
KR102062608B1 (ko) 자율 주행 차량의 제어 피드백에 기초한 맵 업데이트 방법 및 시스템
CN109195860B (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
CN108859938B (zh) 用于自动驾驶车辆的自动车辆应急灯控制的方法和系统
CN108622003B (zh) 用于自动驾驶车辆的碰撞预测以及安全气囊预先展开系统
CN108891417B (zh) 用于操作自动驾驶车辆的方法及数据处理系统
CN108733046B (zh) 用于自动驾驶车辆的轨迹重新规划的系统和方法
CN110782657A (zh) 使用自动驾驶车辆的子系统进行警车巡逻
CN110597243B (zh) 自动驾驶车辆的基于v2x通信的车辆车道系统
CN110349416B (zh) 用于自动驾驶车辆(adv)的基于密度的交通灯控制系统
CN111076732A (zh) 基于车辆行驶的轨迹标记和生成高清地图的标记方案
CN111247495A (zh) 用于自动驾驶车辆的低速场景的行人交互系统
CN110621541B (zh) 用于生成轨迹以操作自动驾驶车辆的方法和系统
CN109070889B (zh) 自动驾驶车辆的基于减速路缘的方向检测和车道保持系统
CN111052193B (zh) 用于运输货物的自动驾驶车辆的防盗技术
CN111328411A (zh) 用于自动驾驶车辆的行人概率预测系统
CN111724627B (zh) 检测前方车辆向后滑动的自动告警系统

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