CN111076732A - 基于车辆行驶的轨迹标记和生成高清地图的标记方案 - Google Patents
基于车辆行驶的轨迹标记和生成高清地图的标记方案 Download PDFInfo
- Publication number
- CN111076732A CN111076732A CN201910823429.3A CN201910823429A CN111076732A CN 111076732 A CN111076732 A CN 111076732A CN 201910823429 A CN201910823429 A CN 201910823429A CN 111076732 A CN111076732 A CN 111076732A
- Authority
- CN
- China
- Prior art keywords
- lane
- road segment
- lanes
- vehicles
- determining
- 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 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000006399 behavior Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 7
- 230000001953 sensory effect Effects 0.000 abstract description 5
- 238000013480 data collection Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000002379 ultrasonic velocimetry Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002085 persistent effect Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- 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
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- 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
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
- G08G1/096827—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed onboard
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
- G08G1/096844—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route where the complete route is dynamically recomputed based on new data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
根据一个实施方式,通过网络在服务器处从车辆或数据收集代理接收描述由多个车辆行驶的轨迹集合的感知数据。这些车辆在一段时间内行驶通过道路的道路段并且它们的驾驶轨迹被捕获。使用规则集对感知数据执行轨迹分析以确定相应车辆的驾驶行为。然后基于驾驶行为确定道路段的车道配置。然后基于道路段内的一个或多个车道的车道配置更新导航地图的地图段。可以基于导航地图和车道配置的更新来生成更高清地图,更高清地图可以用于随后自动地驾驶ADV。
Description
技术领域
本公开的实施方式大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基于一段时间内各种车辆行驶的轨迹来生成高清(HD)地图。
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。
运动规划和控制是自动驾驶中的关键操作。通常,自动驾驶的规划严重依赖于地图信息以在没有用户干预的情况下引导自动驾驶车辆(ADV)。典型的地图(例如,谷歌或百度地图)指的是可用于在道路之间导航的导航地图。但是,这样的导航地图没有诸如车道配置信息的更多细节。因此,导航地图不足以进行自动驾驶。为了自动地驾驶ADV,需要包括道路的车道配置的高清(HD)地图。然而,这种HD地图可能在一些时候不可用,并且生成和维护HD地图通常是昂贵的。
发明内容
根据本公开的一方面,提供了生成用于自动驾驶的地图的计算机实现方法,所述方法包括:
接收描述在一段时间内导航通过道路的道路段的多个车辆行驶的轨迹集合的感知数据;
使用规则集对所述轨迹执行分析以确定所述多个车辆的驾驶行为;
基于所述多个车辆的所述驾驶行为确定所述道路段的一个或多个车道的车道配置;以及
更新导航地图的与所述道路段对应的地图段以包括所述一个或多个车道的车道配置信息,从而生成高清地图,其中,所述高清地图用于生成随后自动地驾驶车辆的路径。
根据本公开的一方面,提供了非暂时性机器可读介质,所述非暂时性机器可读介质中存储有指令,所述指令在由处理器执行时致使所述处理器执行操作,所述操作包括:
接收描述在一段时间内导航通过道路的道路段的多个车辆行驶的轨迹集合的感知数据;
使用规则集对所述轨迹执行分析以确定所述多个车辆的驾驶行为;
基于所述多个车辆的所述驾驶行为确定所述道路段的一个或多个车道的车道配置;以及
更新导航地图的与所述道路段对应的地图段以包括所述一个或多个车道的车道配置信息,从而生成高清地图,其中,所述高清地图用于生成随后自动地驾驶车辆的路径。
根据本公开的又一方面,提供了数据处理系统,包括:
处理器;以及
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致使所述处理器执行操作,所述操作包括:
接收描述在一段时间内导航通过道路的道路段的多个车辆行驶的轨迹集合的感知数据,
使用规则集对所述轨迹执行分析以确定所述多个车辆的驾驶行为,
基于所述多个车辆的所述驾驶行为确定所述道路段的一个或多个车道的车道配置,以及
更新导航地图的与所述道路段对应的地图段以包括所述一个或多个车道的车道配置信息,从而生成高清地图,其中,所述高清地图用于生成随后自动地驾驶车辆的路径。
附图说明
本公开的实施方式通过示例而非限制的方式在附图中示出,附图中相同的附图标记表示类似的元件。
图1是示出根据一个实施方式的网络系统的框图。
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4是示出根据一个实施方式的云资源自动驾驶数据收集系统的框图。
图5是示出根据一个实施方式的地图生成系统的框图。
图6是示出根据一个实施方式的生成地图的处理流程的流程图。
图7示出从车辆收集的道路段中的车辆的轨迹的示例。
图8是示出根据一个实施方式的生成更高清地图的过程的流程图。
图9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,自动驾驶系统基于过去在一段时间内行驶通过道路的大量车辆的先前驾驶轨迹而不是维护和使用HD地图来导出并确定道路的车道配置。通过分析驾驶轨迹,可以确定车辆的驾驶行为。基于驾驶行为,可以导出车道配置。所导出的车道配置结合标准导航地图可以用作包括道路的至少一些车道配置的更高清地图。这种更高清地图足以达到自动驾驶的目的。
根据一个实施方式,通过网络(例如,云资源)在服务器处从车辆或数据收集代理接收描述多个车辆行驶的轨迹集合的感知数据。车辆在一段时间内行驶通过道路的道路段,以及其驾驶轨迹由另一辆车(例如,另一ADV)或其自身(如果车辆是ADV或能够记录自身的驾驶轨迹)的诸如相机的一个或多个传感器观察和捕获。使用规则集对感知数据执行轨迹分析,以确定相应车辆的驾驶行为。然后基于驾驶行为确定道路段的车道配置。车道配置可以包括识别道路段内的车道数和每个车道的车道宽度等的信息。然后,基于道路段内的一个或多个车道的车道配置更新导航地图的地图段。如上所述,导航地图通常不包含车道配置信息。可以根据导航地图和车道配置的更新生成更高清地图。更高清地图随后可用于自动驾驶ADV。
在一个实施方式中,车道配置可包括道路段内的车道数和每个车道的车道宽度。车道配置还可以包括识别车道边界的位置的信息。在一个实施方式中,基于车辆的移动轨迹,可以识别出没有车辆行驶通过或穿过车道的区域(例如,阻挡区域)。基于该方案,可以确定在该区域内肯定存在防止车辆通过的静态障碍物。这种静态障碍物可以是车道分割器(例如,中心分割)、一侧的车道路缘或者不在普通地图上显示的临时建筑区域。另外,可基于轨迹和静态障碍物来测量阻挡区域的尺寸,并且阻挡区域的尺寸可以在更高清地图上指示。类似地,还可基于从车辆的轨迹导出的驾驶行为来检测交叉路口、停止标志/停止线或交通灯。
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相机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。相机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。相机211可以是静物相机和/或视频相机。相机可以是可机械地移动的,例如,通过将相机安装在旋转和/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,随后基于规划和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可以是为各种客户端执行数据分析服务的数据分析系统。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)收集驾驶统计信息123。驾驶统计信息123包括表示在不同时间点发出的驾驶指令(例如,油门指令、制动指令、控制指令)和由车辆的传感器捕获的车辆的响应(例如,速度、加速度、减速度、方向)的信息。驾驶统计信息123还可例如包括描述不同时间点的驾驶环境的信息,诸如,路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。
另外,数据收集器121可以进一步收集各种道路上的多个车辆行驶的轨迹,这些轨迹可以使用多个自动驾驶车辆各自的传感器从多个自动驾驶车辆感知到。可以通过网络从自动驾驶车辆接收关于轨迹的轨迹信息作为云资源数据收集机制的一部分。
基于驾驶统计信息123,机器学习引擎122出于各种目的生成或训练规则、算法和/或模型124的集合。在一个实施方式中,算法124可以包括用于检测或确定车辆的驾驶行为并基于过去由车辆行驶的轨迹导出车道配置的算法或模型。然后,HD地图生成器125可以利用算法124来基于对轨迹信息的分析而更新标准导航地图,以生成足以用于自动驾驶的更高清地图。可以将更高清地图加载到自动驾驶车辆上以用于随后的自动驾驶。
图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可以被实施为图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和图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以及感知分析器或分析模块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308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300的当前位置(例如,利用GPS单元212)并管理与用户的行程或路线相关的任何数据。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、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/停止线、让行标志)等。车道配置例如包括描述车道的信息,诸如车道的形状(例如,直线或弯曲)、车道的宽度、道路内的车道数、单向车道或双向车道、合并车道或分开车道、出口车道等。
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相机采集的图像,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预测该对象在该境况下将如何表现。基于该时间点处感知驾驶环境的感知数据,考虑到地图/路线信息311和交通规则312的集合执行预测。例如,如果对象是在相反方向上的车辆并且当前驾驶环境包括交叉路口,则预测模块303将预测该车辆将直行还是转弯。如果感知数据指示交叉路口没有交通信号灯,则预测模块303可预测该车辆在进入交叉路口之前可能必须完全停止。如果感知数据指示该车辆当前处于左转专用车道或右转专用车道,则预测模块303可预测该车辆将更可能分别进行左转或右转。
针对每个对象,决策模块304作出关于如何处置对象的决定。例如,针对特定对象(例如,交叉路线中的另一车辆)以及描述对象的元数据(例如,速度、方向、转弯角度),决策模块304决定如何与所述对象相遇(例如,超车、让行、停止、超过)。决策模块304可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。
路线安排模块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,路线安排模块307获得路线和地图信息311并确定从起始位置到达目的地位置的所有可能路线或路径。对于从起始位置到达目的地位置确定的每条路线,路线安排模块307可以生成地形图的形式的参考线。参考线指的是不受其它车辆、障碍物或交通状况等其它事项干扰的理想路线或路径。换言之,如果道路上没有其它车辆、行人或障碍物,则ADV应完全或紧密地跟随参考线。然后将地形图提供给决策模块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其它模块提供的其它数据(例如,来自定位模块301的交通状况、感知模块302感知的驾驶环境以及预测模块303预测的交通状况)来选择和修改最佳路线之一。根据该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接近或不同于路线安排模块307提供的参考线。
基于针对所感知到的对象中的每个对象的决定,规划模块305使用由路线安排模块307提供的参考线作为基准来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在下一移动周期(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、制动和转向命令)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(也称为例如命令周期,诸如,每次间隔100毫秒(ms))执行。对于每个规划周期或命令周期,将基于规划和控制数据发出一个或多个控制命令。换言之,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。可替代地,规划模块305可进一步指定特定的速度、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来规划当前周期(例如,下一个5秒)的目标位置。随后,控制模块306基于当前周期的规划和控制数据来生成一个或多个控制命令(例如,油门控制命令、制动控制命令、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。
当ADV 300在道路周围行驶时,规划模块305和控制模块306生成规划和控制数据以自动地驾驶车辆。规划和控制数据包括不同时间点的诸如路径、速度和前进方向的轨迹。规划和控制数据将被存储为驾驶统计信息313的一部分。此外,为了感知车辆周围的驾驶环境,安装在车辆上的某些传感器(例如,相机)用于捕获和/或预测其它车辆的移动。由传感器捕获的这种感知数据也可以存储为感知数据314的一部分。
根据一个实施方式,系统300还包括配置为分析由传感器和/或感知模块302捕获的驾驶统计信息313和/或感知数据314的感知数据分析器或数据分析模块308。基于该分析,导航通过特定道路或道路段的其它车辆的轨迹以及其自身的轨迹可以发送到远程中央服务器。感知数据分析器308可以实现为感知模块302和/或规划模块305的一部分。类似地,其它ADV也可以收集行驶通过该道路的车辆的这种轨迹信息,也可以通过网络将轨迹信息动态地或离线地发送到中央服务器,如图4中所示。这种配置使服务器能够分析驾驶通过特定道路或道路段的车辆的轨迹以确定车辆的驾驶行为,并且基于分析,服务器可以确定道路或道路段的车道配置。车道配置可以包括道路内的车道数和每个车道的车道宽度等。所确定的车道配置可以与普通导航地图结合以生成可以加载到车辆上并用于自动驾驶的更高清地图。
图5是示出根据一个实施方式的高清地图生成器的框图。参考图5,HD地图生成器125可以由服务器(诸如,图1的服务器103)托管。如图1中所示,服务器103包括数据收集器121,用于从诸如自动驾驶车辆的多个车辆收集驾驶统计信息123。另外,数据收集器121还接收和收集关于在道路上行驶并且由自动驾驶车辆中的至少一些感知的其它车辆的轨迹的轨迹信息。收集的轨迹数据可以作为车辆轨迹数据511的一部分存储在永久性存储装置中。
在一个实施方式中,HD地图生成器125包括但不限于轨迹分析模块501、地图标记模块502和地图更新模块503。轨迹分析模块501配置为对轨迹数据511执行分析。例如,对于给定的道路段,轨迹分析模块501识别与道路段相关联的轨迹511中的至少一些,即,车辆在其上行驶通过该道路段的轨迹。轨迹数据被用作从感知附近其它车辆的驾驶的多个自动驾驶车辆收集的感知数据的示例。然而,与感知相关的其它类型的数据也可以是适用的。
根据一个实施方式,现在参考图5和图6,轨迹分析模块501对轨迹数据511执行分析以确定特定道路段内的相关车辆的驾驶行为。基于驾驶行为,轨迹分析模块501使用分析规则(或者算法或模型)集514确定道路段的车道配置601。车道配置601可包括道路段内的车道数和每个车道的宽度。车道配置还可以包括与停止标志相关联的停止线,其可以基于道路中的车辆的驾驶行为来确定。
例如,现在参考图7,对于给定的道路段700,存在在一段时间内已经行驶通过道路段700的车辆的轨迹。轨迹可以在集中式服务器处从诸如自动驾驶车辆的多个车辆接收,那些车辆使用安装在车辆上的传感器(例如,相机)感知其它车辆如何行驶通过相同的道路段。该多个车辆还使用它们的传感器捕获行驶通过该道路段的其它车辆的轨迹。在特定处理之后,将捕获的轨迹以描述轨迹的轨迹元数据的形式传送到中央服务器,例如,作为存储在服务器处的轨迹数据511的一部分。可选地,轨迹的处理可以在中央服务器处执行,在轨迹的处理中,车辆可以简单地将感知到的环境的图像传送到服务器。但是这样的配置可能需要更高的网络带宽和更大的存储空间。
基于轨迹数据511,轨迹被例如基于它们的GPS坐标而投影到标准导航地图。然后,轨迹分析模块501使用规则集514执行分析以确定相关联的车辆的驾驶行为。在执行分析之前,可以从考虑中去除某些异常的轨迹。另外,可以执行平滑操作以使轨迹的形状平滑。参考图7,在该示例中,分析模块501可以检测道路段700内的轨迹的第一集合701和轨迹的第二集合702。基于该两个集合中的大多数轨迹被分成两个主要流,使用分析规则集可推断出在道路700内可能存在两个车道,即车道711至712。
另外,根据一个实施方式,例如,通过均匀地分割检测到的车道,还可以确定每个车道的车道宽度。此外,例如,可以通过测量轨迹来确定最左侧或最右侧车道的车道边界。例如,通过测量轨迹的最左侧和最右侧点的位置,可以通过在顶部添加缓冲或边缘来导出车道边界(例如,车道边界704)。此外,基于该示例中的驾驶行为,系统可以检测到区域703周围没有车道改变。也就是说,没有车辆在区域703中改变车道。因此,肯定存在可能阻止任何车辆穿过的静止物体(诸如车道分割器)。这样的区域可以在地图上被指示为不允许改变车道。另一方面,通过在周围添加足够的缓冲区域,还可以基于轨迹而在车道不可变区域周围标记车道可变区域。
类似地,还可以基于轨迹来检测道路段的交叉路口。例如,如果有一些轨迹在道路的特定位置左转或右转,而一些其它轨迹直行,则可以合理地假设在那里可能存在交叉路口。在另一示例中,如果由相机捕获的图像显示行人,而轨迹显示大多数或所有车辆在该位置停止,则可以合理地假设在那里可能存在人行横道。在又一示例中,如果系统检测到大多数或所有车辆在特定位置停留几秒钟然后重新开始移动,则可以合理地假设在该位置处可能存在停止线或停止标志。可以将这些发现记录为车道配置信息601的一部分。
基于车道配置601,地图标记模块502根据导航地图512生成HD地图标记信息513。HD地图标记信息513包括待由地图更新模块503标记或添加到标准导航地图512的特定位置的用于生成HD地图602的信息。可替代地,可以将HD地图标记信息513作为单独的层保持,其可以作为用于自动驾驶的更高清地图的一部分而与导航地图512结合使用。然后可以将生成的HD地图加载到自动驾驶车辆上以实时地用于自动驾驶。
如上所述,典型的导航地图不包括道路的车道配置。相反,导航地图仅包含道路等级信息,例如,道路的速度限制、道路是高速公路还是当地道路等。通过本申请描述的HD地图标记方案可用于在导航地图上标记和添加增加的车道信息以生成HD地图。虽然这样的HD地图可能不如标准HD地图那么好,但是它可以包含用于自动驾驶的足够的车道配置信息。当标记导航地图时,可以基于导航地图提供的速度限制来对道路分段,并且可以基于道路段来标记车道配置。
图8是示出根据一个实施方式的基于先前的轨迹生成高清地图的过程的流程图。过程800可以由处理逻辑执行,处理逻辑可以包括软件、硬件或其组合。例如,过程800可以由HD地图生成器125执行。参考图8,在操作801中,处理逻辑接收表示多个车辆已经驾驶通过道路的给定道路段的轨迹集合的感知数据。在操作802中,处理逻辑使用规则集(例如,交通规则或机器预测模型)对感知数据执行分析以确定道路段内的车辆的驾驶行为。在操作803中,处理逻辑基于车辆的驾驶行为确定道路段的车道配置。在操作804中,例如,基于相应的位置信息,将车道配置信息投影到标准导航地图的与道路段对应的地图段上。在操作805中,例如,通过将增加的车道配置数据或地图元数据添加到导航地图上,基于车道配置信息标记导航地图的地图段,以生成更高清地图。
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9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,某些实施方式中可以具有附加的部件,此外,其它实施方式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,相机),所述成像处理子系统可以包括用于促进相机功能(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HD地图生成器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它技术人员。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.生成用于自动驾驶的地图的计算机实现方法,所述方法包括:
接收描述在一段时间内导航通过道路的道路段的多个车辆行驶的轨迹集合的感知数据;
使用规则集对所述轨迹执行分析以确定所述多个车辆的驾驶行为;
基于所述多个车辆的所述驾驶行为确定所述道路段的一个或多个车道的车道配置;以及
更新导航地图的与所述道路段对应的地图段以包括所述一个或多个车道的车道配置信息,从而生成高清地图,其中,所述高清地图用于生成随后自动地驾驶车辆的路径。
2.如权利要求1所述的方法,其中,确定所述道路段的一个或多个车道的车道配置包括:
基于所述道路段内所述多个车辆的所述驾驶行为,确定所述道路段内的车道数;以及
对于每个车道,基于该车道内的多个轨迹的轨迹图案确定车道宽度,其中,所述车道配置信息包括所述车道数和每个车道的车道宽度。
3.如权利要求2所述的方法,还包括:基于所述轨迹测量每个车道的车道边界,其中,所述车道配置信息包括每个车道的车道边界。
4.如权利要求1所述的方法,其中,确定所述道路段的一个或多个车道的车道配置包括:
基于所述驾驶行为识别所述多个车辆行驶避开的区域;以及
基于所述规则集确定所避开的区域内定位有静态障碍物。
5.如权利要求4所述的方法,还包括:基于所避开的区域附近的轨迹测量所避开的区域的尺寸,其中,所避开的区域的所述尺寸包括在所述高清地图中。
6.如权利要求1所述的方法,其中,确定所述道路段的一个或多个车道的车道配置包括:基于所述多个车辆的所述轨迹检测交叉路口。
7.如权利要求1所述的方法,其中,确定所述道路段的一个或多个车道的车道配置包括:基于所述多个车辆的所述轨迹检测停止标志或停止线。
8.如权利要求1所述的方法,其中,确定所述道路段的一个或多个车道的车道配置包括:基于所述感知数据检测交通灯。
9.非暂时性机器可读介质,所述非暂时性机器可读介质中存储有指令,所述指令在由处理器执行时致使所述处理器执行操作,所述操作包括:
接收描述在一段时间内导航通过道路的道路段的多个车辆行驶的轨迹集合的感知数据;
使用规则集对所述轨迹执行分析以确定所述多个车辆的驾驶行为;
基于所述多个车辆的所述驾驶行为确定所述道路段的一个或多个车道的车道配置;以及
更新导航地图的与所述道路段对应的地图段以包括所述一个或多个车道的车道配置信息,从而生成高清地图,其中,所述高清地图用于生成随后自动地驾驶车辆的路径。
10.如权利要求9所述的机器可读介质,其中,确定所述道路段的一个或多个车道的车道配置包括:
基于所述道路段内所述多个车辆的所述驾驶行为,确定所述道路段内的车道数;以及
对于每个车道,基于该车道内的多个轨迹的轨迹图案确定车道宽度,其中,所述车道配置信息包括所述车道数和每个车道的车道宽度。
11.如权利要求10所述的机器可读介质,其中,所述操作还包括:基于所述轨迹测量每个车道的车道边界,其中,所述车道配置信息包括每个车道的车道边界。
12.如权利要求9所述的机器可读介质,其中,确定所述道路段的一个或多个车道的车道配置包括:
基于所述驾驶行为识别所述多个车辆行驶避开的区域;以及
基于所述规则集确定所避开的区域内定位有静态障碍物。
13.如权利要求12所述的机器可读介质,其中,所述操作还包括:基于所避开的区域附近的轨迹测量所避开的区域的尺寸,其中,所避开的区域的所述尺寸包括在所述高清地图中。
14.如权利要求9所述的机器可读介质,其中,确定所述道路段的一个或多个车道的车道配置包括:基于所述多个车辆的所述轨迹检测交叉路口。
15.如权利要求9所述的机器可读介质,其中,确定所述道路段的一个或多个车道的车道配置包括:基于所述多个车辆的所述轨迹检测停止标志或停止线。
16.如权利要求9所述的机器可读介质,其中,确定所述道路段的一个或多个车道的车道配置包括:基于所述感知数据检测交通灯。
17.数据处理系统,包括:
处理器;以及
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致使所述处理器执行操作,所述操作包括:
接收描述在一段时间内导航通过道路的道路段的多个车辆行驶的轨迹集合的感知数据,
使用规则集对所述轨迹执行分析以确定所述多个车辆的驾驶行为,
基于所述多个车辆的所述驾驶行为确定所述道路段的一个或多个车道的车道配置,以及
更新导航地图的与所述道路段对应的地图段以包括所述一个或多个车道的车道配置信息,从而生成高清地图,其中,所述高清地图用于生成随后自动地驾驶车辆的路径。
18.如权利要求17所述的系统,其中,确定所述道路段的一个或多个车道的车道配置包括:
基于所述道路段内所述多个车辆的所述驾驶行为,确定所述道路段内的车道数;以及
对于每个车道,基于该车道内的多个轨迹的轨迹图案确定车道宽度,其中,所述车道配置信息包括所述车道数和每个车道的车道宽度。
19.如权利要求18所述的系统,其中,所述操作还包括:基于所述轨迹测量每个车道的车道边界,其中,所述车道配置信息包括每个车道的车道边界。
20.如权利要求17所述的系统,其中,确定所述道路段的一个或多个车道的车道配置包括:
基于所述驾驶行为识别所述多个车辆行驶避开的区域;以及
基于所述规则集确定所避开的区域内定位有静态障碍物。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/166,033 US11143513B2 (en) | 2018-10-19 | 2018-10-19 | Labeling scheme for labeling and generating high-definition map based on trajectories driven by vehicles |
US16/166,033 | 2018-10-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111076732A true CN111076732A (zh) | 2020-04-28 |
CN111076732B CN111076732B (zh) | 2023-08-29 |
Family
ID=70280751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910823429.3A Active CN111076732B (zh) | 2018-10-19 | 2019-09-02 | 基于车辆行驶的轨迹标记和生成高清地图的标记方案 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11143513B2 (zh) |
CN (1) | CN111076732B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009503A (zh) * | 2020-07-20 | 2021-06-22 | 青岛慧拓智能机器有限公司 | 一种用于矿山道路的拓扑结构自动构建系统及方法 |
WO2022012316A1 (zh) * | 2020-07-16 | 2022-01-20 | 广州小鹏自动驾驶科技有限公司 | 控制方法、车辆和服务器 |
CN114383594A (zh) * | 2020-10-06 | 2022-04-22 | 丰田自动车株式会社 | 地图生成装置、地图生成方法以及地图生成用计算机程序 |
WO2023083120A1 (en) * | 2021-11-15 | 2023-05-19 | International Business Machines Corporation | Dynamic lane adjustment for multipurpose roadway zones |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11486716B2 (en) * | 2018-11-01 | 2022-11-01 | Lg Electronics Inc. | Vehicular electronic device, operation method of vehicular electronic device, and system |
JP2020095565A (ja) * | 2018-12-14 | 2020-06-18 | トヨタ自動車株式会社 | 情報処理システム、プログラム、及び情報処理方法 |
US11640177B2 (en) * | 2019-05-15 | 2023-05-02 | Deere & Company | Control and mapping based on multi-vehicle sensor fusion |
WO2020257366A1 (en) * | 2019-06-17 | 2020-12-24 | DeepMap Inc. | Updating high definition maps based on lane closure and lane opening |
US11087147B2 (en) * | 2019-09-19 | 2021-08-10 | Ford Global Technologies, Llc | Vehicle lane mapping |
US10969232B1 (en) * | 2019-12-06 | 2021-04-06 | Ushr Inc. | Alignment of standard-definition and High-Definition maps |
CN111623789B (zh) * | 2020-05-25 | 2022-05-13 | 北京汽车研究总院有限公司 | 车辆的自动驾驶方法和装置 |
CN111626189B (zh) * | 2020-05-26 | 2023-04-18 | 浙江大华技术股份有限公司 | 一种路面异常检测方法、装置、电子设备及存储介质 |
CN112101527B (zh) * | 2020-09-15 | 2023-09-01 | 北京百度网讯科技有限公司 | 识别车道变化的方法和装置、电子设备和存储介质 |
US11873006B2 (en) * | 2020-09-21 | 2024-01-16 | GM Global Technology Operations LLC | Virtual lane estimation using a recursive self-organizing map |
CN112836586A (zh) * | 2021-01-06 | 2021-05-25 | 北京嘀嘀无限科技发展有限公司 | 一种交叉口信息确定方法、系统和装置 |
CN112735169B (zh) * | 2021-01-06 | 2022-01-28 | 山东旗帜信息有限公司 | 一种车辆路径还原方法、设备及介质 |
DE102021203186A1 (de) * | 2021-03-30 | 2022-10-06 | Continental Teves Ag & Co. Ohg | Verfahren und Warnvorrichtung zum Warnen eines Nachfolgefahrzeugs auf einem definierten Fahrbahnabschnitt vor einem Hindernis. |
CN113516343B (zh) * | 2021-04-06 | 2024-01-12 | 青岛以萨数据技术有限公司 | 基于地图和轨迹数据的车辆预警系统、方法及存储介质 |
JP7447060B2 (ja) * | 2021-07-29 | 2024-03-11 | キヤノン株式会社 | 情報処理装置、情報処理方法、自律走行ロボット装置、及びコンピュータプログラム |
CN114035576B (zh) * | 2021-11-09 | 2023-09-08 | 北京赛目科技股份有限公司 | 一种驾驶路径的确定方法及装置 |
CN114187412B (zh) * | 2021-11-11 | 2024-03-22 | 北京百度网讯科技有限公司 | 高精地图生成方法、装置、电子设备及存储介质 |
CN115164917B (zh) * | 2022-06-17 | 2023-10-13 | 禾多科技(北京)有限公司 | 车辆地图信息生成方法、装置、设备和计算机可读介质 |
CN115162128B (zh) * | 2022-06-20 | 2024-03-29 | 高德软件有限公司 | 道路标线的生成方法、绘制信息的采集方法、装置和设备 |
CN114879702B (zh) * | 2022-07-06 | 2022-09-30 | 季华实验室 | 多智能体巡检控制方法、装置、系统、设备及介质 |
CN115457113B (zh) * | 2022-09-03 | 2023-05-23 | 北京津发科技股份有限公司 | 人机交互移动轨迹检测方法、装置、设备和可读存储介质 |
DE102022210504A1 (de) | 2022-10-05 | 2024-04-11 | Continental Automotive Technologies GmbH | System und Verfahren zur Prädiktion einer zukünftigen Position eines Verkehrsteilnehmers |
WO2024081593A1 (en) * | 2022-10-14 | 2024-04-18 | Motional Ad Llc | Methods and systems for traffic light labelling via motion inference |
US20240194058A1 (en) * | 2022-12-07 | 2024-06-13 | Mercedes-Benz Group AG | System and method for classifying intersections based on sensor data from fleet vehicles |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290725B (zh) * | 2007-04-17 | 2012-11-28 | 株式会社日立制作所 | 数字道路地图的生成方法和地图生成系统 |
CN107438754A (zh) * | 2015-02-10 | 2017-12-05 | 御眼视觉技术有限公司 | 用于自主车辆导航的稀疏地图 |
US20180203453A1 (en) * | 2017-01-19 | 2018-07-19 | Robert Bosch Gmbh | System and Method of Using Crowd-Sourced Driving Path Data in an Autonomous or Semi-Autonomous Driving System |
CN108645420A (zh) * | 2018-04-26 | 2018-10-12 | 北京联合大学 | 一种基于差分导航的自动驾驶车辆多路径地图的创建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3563265B1 (en) * | 2016-12-30 | 2021-06-02 | DeepMap Inc. | High definition map updates |
-
2018
- 2018-10-19 US US16/166,033 patent/US11143513B2/en active Active
-
2019
- 2019-09-02 CN CN201910823429.3A patent/CN111076732B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290725B (zh) * | 2007-04-17 | 2012-11-28 | 株式会社日立制作所 | 数字道路地图的生成方法和地图生成系统 |
CN107438754A (zh) * | 2015-02-10 | 2017-12-05 | 御眼视觉技术有限公司 | 用于自主车辆导航的稀疏地图 |
US20180203453A1 (en) * | 2017-01-19 | 2018-07-19 | Robert Bosch Gmbh | System and Method of Using Crowd-Sourced Driving Path Data in an Autonomous or Semi-Autonomous Driving System |
CN108645420A (zh) * | 2018-04-26 | 2018-10-12 | 北京联合大学 | 一种基于差分导航的自动驾驶车辆多路径地图的创建方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022012316A1 (zh) * | 2020-07-16 | 2022-01-20 | 广州小鹏自动驾驶科技有限公司 | 控制方法、车辆和服务器 |
CN113009503A (zh) * | 2020-07-20 | 2021-06-22 | 青岛慧拓智能机器有限公司 | 一种用于矿山道路的拓扑结构自动构建系统及方法 |
CN114383594A (zh) * | 2020-10-06 | 2022-04-22 | 丰田自动车株式会社 | 地图生成装置、地图生成方法以及地图生成用计算机程序 |
WO2023083120A1 (en) * | 2021-11-15 | 2023-05-19 | International Business Machines Corporation | Dynamic lane adjustment for multipurpose roadway zones |
US11783706B2 (en) | 2021-11-15 | 2023-10-10 | International Business Machines Corporation | Dynamic lane adjustment for multipurpose roadway zones |
Also Published As
Publication number | Publication date |
---|---|
US20200124423A1 (en) | 2020-04-23 |
US11143513B2 (en) | 2021-10-12 |
CN111076732B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111076732B (zh) | 基于车辆行驶的轨迹标记和生成高清地图的标记方案 | |
CN110667598B (zh) | 用于处理自动驾驶车辆中的传感器故障的方法 | |
CN111061261B (zh) | 使用标准导航地图与基于车辆的先前轨迹确定的车道配置的自动驾驶方法 | |
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 | |
CN110347145B (zh) | 用于自动驾驶车辆的感知辅助 | |
CN109489673B (zh) | 用于自动驾驶车辆的数据驱动地图更新系统 | |
CN110325935B (zh) | 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线 | |
US20190317507A1 (en) | Automatic data labelling for autonomous driving vehicles | |
CN110597243B (zh) | 自动驾驶车辆的基于v2x通信的车辆车道系统 | |
CN110621541B (zh) | 用于生成轨迹以操作自动驾驶车辆的方法和系统 | |
CN110667591A (zh) | 用于自动驾驶车辆的规划驾驶感知系统 | |
CN111328411B (zh) | 用于自动驾驶车辆的行人概率预测系统 | |
CN109491378B (zh) | 自动驾驶车辆的基于道路分段的路线引导系统 | |
WO2018232681A1 (en) | TRAFFIC PREDICTION BASED ON CARD IMAGES FOR AUTONOMOUS DRIVING | |
CN111857118B (zh) | 对停车轨迹分段以控制自动驾驶车辆停车 | |
CN111044057A (zh) | 用于自动驾驶车辆的基于先前驾驶轨迹的实时地图生成方案 | |
CN111712417A (zh) | 用于自动驾驶车辆的、基于隧道的规划系统 | |
CN111856923A (zh) | 加速对复杂驾驶场景的规划的参数学习的神经网络方法 | |
CN111328313A (zh) | 用于自动驾驶车辆的控制占主导的三点转弯规划 | |
CN111103876A (zh) | 自动驾驶车辆的基于雷达通信的扩展感知 | |
CN111328385A (zh) | 用于自动驾驶车辆的基于螺旋路径的三点转弯规划 | |
CN111683851B (zh) | 用于自动驾驶的自反向车道的相互避开算法 | |
CN111649751A (zh) | 一种用于参考线平滑的超自由缝合方法 | |
CN112272805A (zh) | 连接两条平滑参考线的基于多点增强的拼接方法 | |
CN111684379A (zh) | 自动驾驶车辆的三点转弯的最优规划器切换方法 |
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 |