CN111183073A - 使用人类驾驶模式来管理自主车辆的速度控制的系统和方法 - Google Patents

使用人类驾驶模式来管理自主车辆的速度控制的系统和方法 Download PDF

Info

Publication number
CN111183073A
CN111183073A CN201880058311.XA CN201880058311A CN111183073A CN 111183073 A CN111183073 A CN 111183073A CN 201880058311 A CN201880058311 A CN 201880058311A CN 111183073 A CN111183073 A CN 111183073A
Authority
CN
China
Prior art keywords
vehicle
human driving
speed control
data
vehicle speed
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
Application number
CN201880058311.XA
Other languages
English (en)
Other versions
CN111183073B (zh
Inventor
林於菟
刘浏
孙行
马凯杰
禤子杰
赵宇飞
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.)
Tusimple Inc
Original Assignee
Tusimple Inc
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 Tusimple Inc filed Critical Tusimple Inc
Priority to CN202310760313.6A priority Critical patent/CN117087681A/zh
Publication of CN111183073A publication Critical patent/CN111183073A/zh
Application granted granted Critical
Publication of CN111183073B publication Critical patent/CN111183073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • G05D1/80—Arrangements for reacting to or preventing system or operator failure
    • G05D1/81—Handing over between on-board automatic and on-board manual control
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • 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
    • B60W2720/103—Speed profile

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

公开了一种用于使用人类驾驶模式来管理自主车辆的速度控制的系统和方法。具体实施例包括：生成与期望的人类驾驶行为相对应的数据；使用强化学习过程和期望的人类驾驶行为来训练人类驾驶模型模块；接收建议的车辆速度控制命令；通过使用人类驾驶模型模块来确定建议的车辆速度控制命令是否符合期望的人类驾驶行为；以及基于所述确定来验证或修改建议的车辆速度控制命令。

Description

使用人类驾驶模式来管理自主车辆的速度控制的系统和方法
相关申请的交叉引用
本申请要求于2017年9月7日提交的美国专利申请No.15/698，375的优先权，该申请全文通过引用并入本文。
版权声明
本专利文件的公开的一部分包含受版权保护的材料。版权拥有者不反对任何人按照在美国专利商标局的专利文件或记录中所显示的那样以传真形式复制本专利文件或专利公开，但在其他方面保留所有版权。以下声明适用于本文的公开内容以及形成本文档一部分的附图：版权2016-2017，TuSimple，保留所有权利。
技术领域
本专利文件总体上涉及用于车辆控制系统、自主驾驶系统、车辆控制命令生成的工具(系统、装置、方法、计算机程序产品等)，更具体地涉及，但不限于，用于使用人类驾驶模式来管理自主车辆的速度控制的系统和方法。
背景技术
自主车辆通常被配置和控制为遵循基于计算的行驶路径的轨迹。然而，当诸如障碍物的变量存在于行驶路径上时，自主车辆必须执行控制操作，使得可以通过实时改变行驶路径或速度来安全地驾驶车辆。车辆的自主驾驶系统或控制系统必须进行这些控制调整，以使车辆遵循期望的轨迹并以期望的速度行驶，同时避开障碍物。但是，这些控制调整可能导致突然、令人不适的、甚至不安全的车辆操纵。
发明内容
本文公开了一种用于使用人类驾驶模式来管理自主车辆的速度控制的系统和方法。本文描述的各种示例实施例提供了采用许多参数来控制车辆的速度的自主驾驶控制过程。示例实施例使自主车辆能够通过使用强化学习框架以学习如何以与自然的人类驾驶行为相对应的方式来调节这些参数，以执行被建模为类似于相对应的自然的人类驾驶行为的加速和减速。自主驾驶控制过程始于粗略训练的参数集，该参数集允许车辆可以在道路上或模拟中正常运行。当车辆在道路上或模拟中运行时，自主驾驶控制过程会随着时间收集车辆的速度简档数据，并将获得的速度简档数据与强化学习框架中维护的相对应的人类驾驶行为数据进行比较。紧密遵循相对应人类行为的实际或模拟速度简档被奖励，而偏离相对应人类行为的简档被惩罚。基于这些奖励/惩罚，自主驾驶控制过程可以调谐其参数集，从而偏向类似于相对应人类行为的简档和行为。
附图说明
在附图的各图中以示例而非限制的方式示出了各种实施例，在附图中：
图1示出了其中可以实现示例实施例的车辆速度控制模块的示例生态系统的框图；
图2示出了示例实施例的车辆速度控制系统的组件；
图3示出了包括用于使用被称为强化学习的过程来训练人类驾驶模型模块的过程的示例实施例；
图4示出了可以在车辆正在沿其行驶的轨迹上的各个点处捕捉操作中的车辆的操作数据的示例性实施例；
图5示出了示例实施例中的强化学习过程；
图6和图7示出了示例实施例中的强化学习处理的操作；
图8是示出了用于使用人类驾驶模式来管理自主车辆的速度控制的系统和方法的示例实施例的过程流程图；以及
图9以计算机系统的示例形式示出了机器的示意图，在该计算机系统内一组指令在被执行时可以使得机器执行本文所讨论的方法中的任何一个或多个。
具体实施方式
在下面的描述中，出于解释的目的，阐述了许多具体细节以便提供对各种实施例的透彻理解。然而，对于本领域的普通技术人员而言显而易见的是，可以在没有这些具体细节的情况下实践各种实施例。
如各种示例实施例中所述，本文描述了用于使用人类驾驶模式来管理自主车辆的速度控制的系统和方法。可以在车辆生态系统101中的车载控制系统150的情况下使用本文公开的示例实施例。在一个示例实施例中，驻留在车辆105中的具有车辆速度控制模块200的车载控制系统150可以像图1中所示的架构和生态系统101一样进行配置。然而，对于本领域的普通技术人员而言显而易见的是，可以在各种其他应用以及系统中实现、配置和使用本文描述和要求保护的车辆速度控制模块200。
现在参考图1，框图示出了示例生态系统101，其中可以实现示例实施例的车载控制系统150和车辆速度控制模块200。将在下面更详细地描述这些组件。生态系统101包括各种系统和组件，它们可以生成信息/数据和相关服务的一个或多个源和/或将其传递给车载控制系统150和车辆速度控制模块200，其可以安装在车辆105中。例如，作为车辆子系统140的设备之一，安装在车辆105中的相机可以生成可由车载控制系统150接收的图像和定时数据。车载控制系统150和在其中执行的图像处理模块可以接收该图像和定时数据输入。图像处理模块可以从图像和定时数据中提取对象数据，以识别车辆105附近的对象。车载控制系统150可以处理对象数据，并基于检测的对象生成针对车辆105的轨迹和运动控制命令。轨迹和运动控制命令可以由自主车辆控制子系统(作为车辆子系统140的另一子系统)使用。在示例实施例中，车载控制系统150可以生成车辆控制命令信号，车辆子系统140中的子系统可以使用车辆控制命令信号来使车辆通过所生成的轨迹或以与运动控制命令相对应的方式移动。自主车辆控制子系统例如可以使用实时生成的轨迹和车辆运动控制命令信号来安全高效地控制车辆105导航通过现实世界驾驶环境，同时避开障碍物并安全地控制车辆。
在本文所述的示例实施例中，车载控制系统150可以与多个车辆子系统140进行数据通信，所有这些车辆子系统140可以驻留在用户的车辆105中。提供车辆子系统接口141以促进车载控制系统150和多个车辆子系统140之间的数据通信。车载控制系统150可以被配置为包括数据处理器171，以执行车辆速度控制模块200，用于处理从车辆子系统140中的一个或多个接收的数据。数据处理器171可与数据存储设备172组合，该数据存储设备172作为车载控制系统150中的计算系统170的一部分。数据存储设备172可用于存储数据、处理参数和数据处理指令。可以提供处理模块接口165以促进数据处理器171与车辆速度控制模块200之间的数据通信。在各个示例实施例中，类似于车辆速度控制模块200配置的多个处理模块可以被提供以供数据处理器171执行。如图1中的虚线所示，车辆速度控制模块200可以集成到车载控制系统150中，可选地下载到车载控制系统150中，或与车载控制系统150分开部署。
车载控制系统150可以被配置为从与其连接的广域网120和网络资源122接收数据或向其发送数据。车载网络支持设备130和/或用户移动设备132可用于经由网络120进行通信。网络支持设备接口131可由车载控制系统150使用以促进经由车载网络支持设备130在车载控制系统150和网络120之间的数据通信。类似地，车载控制系统150可以使用用户移动设备接口133来促进通过用户移动设备132在车载控制系统150和网络120之间的数据通信。以这种方式，车载控制系统150可以获得通过网络120对网络资源122的实时访问。网络资源122可以用于获得用于由数据处理器171执行的处理模块、训练内部神经网络的数据内容、系统参数或其他数据。
生态系统101可以包括广域数据网络120。网络120代表一个或多个常规广域数据网络，例如因特网、蜂窝电话网络、卫星网络、寻呼机网络、无线广播网络、游戏网络、WiFi网络、对等网络、IP语音(VoIP)网络等。这些网络120中的一个或多个可用于将用户或客户端系统与网络资源122(例如，网站、服务器、中央控制站点等)连接起来。网络资源122可以生成和/或分发数据，该数据可以在车辆105中经由车载网络支持设备130或用户移动设备132被接收。网络资源122还可以托管网络云服务，其可以支持用于计算或协助处理对象输入或对象输入分析的功能。天线可用于经由蜂窝、卫星、无线电或其他常规信号接收机制将车载控制系统150以及车辆速度控制模块200与数据网络120连接。这样的蜂窝数据网络当前可用(例如，VerizonTM、AT&TTM、T-MobileTM等)。此类基于卫星的数据或内容网络目前也可用(例如，SiriusXMTM、HughesNetTM等)。诸如AM/FM无线电网络、寻呼机网络、UHF网络、游戏网络、WiFi网络、对等网络、IP语音(VoIP)网络等的常规广播网络也是众所周知的。因此，如下面更详细地描述的，车载控制系统150和车辆速度控制模块200可以经由车载网络支持设备接口131接收基于网络的数据或内容，该车载网络支持设备接口131可以用于与车载网络支持设备接收器130和网络120连接。通过这种方式，车载控制系统150和车辆速度控制模块200可以支持车辆105内的各种可联网车载设备和系统。
如图1所示，车载控制系统150和车辆速度控制模块200还可以从用户移动设备132接收数据、处理控制参数和训练内容，该用户移动设备132可以位于车辆105内部或附近。用户移动设备132可以代表标准移动设备，例如蜂窝电话、智能电话、个人数字助理(PDA)、MP3播放器、平板计算设备(例如，iPadTM)、膝上型计算机、CD播放器和其他移动设备，该移动设备可以产生、接收和/或传递用于车载控制系统150和车辆速度控制模块200的数据、处理控制参数和内容。如图1所示，移动设备132也可以与网络云120进行数据通信。移动设备132可以从移动设备132本身的内部存储器组件或通过网络120从网络资源122获取数据和内容。另外，移动设备132本身可以包括GPS数据接收器、加速度计、WiFi三角测量或移动设备中的其他地理位置传感器或组件，其可用于在任何时间(通过移动设备)确定用户的实时地理位置。在任何情况下，如图1所示，车载控制系统150和车辆速度控制模块200都可以从移动设备132接收数据。
仍然参考图1，生态系统101的示例实施例可以包括车辆操作子系统140。对于在车辆105中实现的实施例，许多标准车辆包括操作子系统，例如支持监测/控制用于发动机、制动器、变速器、电气系统、排放系统、内部环境等的子系统的电子控制单元(ECU)。例如，经由车辆子系统接口141从车辆操作子系统140(例如，车辆105的ECU)传送给车载控制系统150的数据信号可以包括关于车辆105的一个或多个组件或子系统的状态的信息。具体地，可以从车辆操作子系统140传送给车辆105的控制器局域网(CAN)总线的数据信号可以经由车辆子系统接口141由车载控制系统150来接收和处理。本文描述的系统和方法的实施例可以与使用本文定义的CAN总线或类似的数据通信总线的基本上任何机械化系统一起使用，包括但不限于工业设备、船、卡车、机械、或汽车；因此，本文使用的术语“车辆”可以包括任何此类机械化系统。本文描述的系统和方法的实施例还可以与采用某种形式的网络数据通信的任何系统一起使用；然而，不需要这种网络通信。
仍然参考图1，生态系统101以及其中的车辆操作子系统140的示例实施例可以包括支持车辆105的操作的各种车辆子系统。通常，车辆105可以采用以下形式：例如，小汽车、卡车、摩托车、公共汽车、船、飞机、直升机、割草机、推土机、雪地摩托、飞行器、休旅车、游乐园车、农用设备、建筑设备、电车、高尔夫球车、火车和手推车。其他车辆也是可能的。车辆105可被配置为完全或部分地以自主模式操作。例如，车辆105可以在自主模式下控制自己，并且可操作以确定车辆的当前状态及其环境、确定该环境中至少一个其他车辆的预测行为、确定可以与该至少一个其他车辆执行预测行为的概率相对应的置信度、以及基于所确定的信息来控制车辆105。当处于自主模式时，车辆105可以被配置为在没有人类交互的情况下进行操作。
车辆105可以包括各种车辆子系统，例如车辆驱动子系统142、车辆传感器子系统144、车辆控制子系统146和乘员接口子系统148。如上所述，车辆105还可以包括车载控制系统150、计算系统170以及车辆速度控制模块200。车辆105可以包括更多或更少的子系统，并且每个子系统可以包括多个元件。此外，车辆105的每个子系统和元件可以互连。因此，车辆105的所描述的功能中的一个或多个可以被划分为附加的功能或物理组件，或者被组合为较少的功能或物理组件。在一些其他示例中，可以将其他功能和物理组件添加到图1所示的示例中。
车辆驱动子系统142可以包括可操作以为车辆105提供动力运动的组件。在示例实施例中，车辆驱动子系统142可以包括发动机或电动机、车轮/轮胎、变速器、电气子系统和电源。发动机或电动机可以是内燃发动机、电动机、蒸汽发动机、燃料电池发动机、丙烷发动机或其他类型的发动机或电动机的任何组合。在一些示例实施例中，发动机可以配置为将动力源转换成机械能。在一些示例实施例中，车辆驱动子系统142可以包括多种类型的发动机或电动机。例如，气电混合汽车可以包括汽油发动机和电动机。其他示例也是可能的。
车辆105的车轮可以是标准轮胎。车辆105的车轮可以被配置为各种形式，例如包括单轮车、自行车、三轮车或四轮车(例如，在汽车或卡车上)形式。其他车轮几何形状也是可能的，例如包括六个或更多个车轮的那些。车辆105的车轮的任何组合可以可操作以相对于其他车轮不同地旋转。车轮可以表示固定地附接到变速器的至少一个车轮、以及耦接到车轮的轮辋的至少一个轮胎，其可以与驱动表面接触。车轮可以包括金属和橡胶的组合或材料的另一组合。变速器可包括可操作以将机械动力从发动机传递给车轮的元件。为此，变速器可以包括齿轮箱、离合器、差速器和驱动轴。变速器也可以包括其他元件。驱动轴可包括可耦接至一个或多个车轮的一个或多个轮轴。电气系统可包括可操作以传送和控制车辆105中的电信号的元件。这些电信号可用于激活车辆105的灯、伺服、电动机和其他电驱动或控制设备。动力源可以表示可以全部或部分地为发动机或电动机供电的能量。即，发动机或电动机可以被配置为将动力源转换成机械能。动力源的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、燃料电池、太阳能板、电池和其他电源的来源。动力源可以附加地或替代地包括能量箱、电池、电容器或飞轮的任何组合。动力源也可以为车辆105的其他子系统提供能量。
车辆传感器子系统144可以包括多个传感器，其被配置为感测关于车辆105的环境或状况的信息。例如，车辆传感器子系统144可以包括惯性测量单元(TMU)、全球定位系统(GPS)收发器、RADAR单元、激光测距仪/LIDAR单元以及一个或多个相机或图像捕捉设备。车辆传感器子系统144还可以包括被配置为监测车辆105的内部系统的传感器(例如，O2监测器、燃料表、发动机油温)。其他传感器也是可能的。车辆传感器子系统144中包括的一个或多个传感器可以被配置为单独地或共同地被致动，以便修改一个或多个传感器的位置、取向或两者。
IMU可以包括被配置为基于惯性加速度感测车辆105的位置和取向变化的传感器(例如，加速度计和陀螺仪)的任何组合。GPS收发器可以是被配置为估计车辆105的地理位置的任何传感器。为此，GPS收发器可以包括可操作以提供关于车辆105相对于地表的位置的信息的接收器/发送器。RADAR单元可以表示利用无线电信号来感测车辆105的局部环境内的对象的系统。在一些实施例中，除了感测对象之外，RADAR单元还可以被配置为感测车辆105附近的对象的速度和前进方向。激光测距仪或LIDAR单元可以是被配置为使用激光器来感测车辆105所在环境中的对象的任何传感器。在示例实施例中，激光测距仪/LIDAR单元可包括一个或多个激光源、激光扫描仪以及一个或多个检测器以及其他系统组件。激光测距仪/LIDAR单元可以被配置为以相干(例如，使用外差检测)或非相干检测模式操作。相机可以包括一个或多个设备，该设备被配置为捕捉车辆105的环境的多个图像。相机可以是静止图像相机或运动摄像机。
车辆控制系统146可以被配置为控制车辆105及其组件的操作。因此，车辆控制系统146可包括各种元件，例如转向单元、油门、制动单元、导航单元和自主控制单元。
转向单元可以表示可操作以调节车辆105的前进方向的机构的任何组合。油门可以被配置为控制例如发动机的操作速度，并进而控制车辆105的速度。制动单元可以包括被配置为使车辆105减速的机构的任何组合。制动单元可以以标准方式使用摩擦使车轮减速。在其他实施例中，制动单元可以将车轮的动能转换为电流。制动单元也可以采用其他形式。导航单元可以是被配置为确定车辆105的行驶路径或路线的任何系统。导航单元可以被附加地配置为在车辆105操作时动态地更新驾驶路径。在一些实施例中，导航单元可以被配置为合并来自车辆速度控制模块200、GPS收发器以及一个或多个预定地图的数据，以便确定车辆105的驾驶路径。自主控制单元可以表示被配置为识别、评估、避开或以其他方式协商车辆105的环境中的潜在障碍物的控制系统。通常，自主控制单元可以被配置为在没有驾驶员的情况下控制车辆105进行操作或提供驾驶员辅助以控制车辆105。在一些实施例中，自主控制单元可以被配置为合并来自车辆速度控制模块200、GPS收发器、RADAR、LIDAR、相机和其他车辆子系统的数据，以确定车辆105的行驶路径或轨迹。车辆控制系统146可以附加地或替代地包括除了示出和描述的那些组件之外的组件。
乘员接口子系统148可以被配置为允许车辆105与外部传感器、其他车辆、其他计算机系统和/或车辆105的乘员或用户之间的交互。例如，乘员接口子系统148可以包括标准视觉显示设备(例如，等离子体显示器、液晶显示器(LCD)、触摸屏显示器、平视显示器等)、扬声器或其他音频输出设备、麦克风或其他音频输入设备、导航界面以及用于控制车辆105的内部环境(例如，温度、风扇等)的界面。
在示例实施例中，乘员接口子系统148可以提供例如用于车辆105的用户/乘员与其他车辆子系统进行交互的装置。视觉显示设备可以向车辆105的用户提供信息。用户接口设备还可以可操作以经由触摸屏接受来自用户的输入。触摸屏可以被配置为经由电容感测、电阻感测或表面声波过程等来感测用户手指的位置和移动中的至少一个。触摸屏能够感测在与触摸屏表面平行或成平面的方向上、在垂直于触摸屏表面的方向上或者在这两者上的手指移动，并且还能够感测被施加到触摸屏表面的压力水平。触摸屏可以由一个或多个半透明或透明的绝缘层和一个或多个半透明或透明的导电层形成。触摸屏也可以采用其他形式。
在其他实例中，乘员接口子系统148可以提供用于车辆105与其环境内的设备进行通信的装置。麦克风可以被配置为从车辆105的用户接收音频(例如，语音命令或其他音频输入)。类似地，扬声器可以被配置为向车辆105的用户输出音频。在一个示例实施例中，乘员接口子系统148可被配置为直接地或经由通信网络与一个或多个设备无线通信。例如，无线通信系统可以使用3G蜂窝通信，例如CDMA、EVDO、GSM/GPRS，或4G蜂窝通信，例如WiMAX或LTE。备选地，无线通信系统可以例如使用
Figure BDA0002404073310000101
与无线局域网(WLAN)通信。在一些实施例中，无线通信系统146可以例如使用红外链路、
Figure BDA0002404073310000102
或
Figure BDA0002404073310000103
直接与设备进行通信。在本公开的上下文中，诸如各种车辆通信系统之类的其他无线协议也是可能的。例如，无线通信系统可以包括一个或多个专用短程通信(DSRC)设备，其可以包括车辆和/或路侧站点之间的公共或私有数据通信。
车辆105的许多或全部功能可以由计算系统170控制。计算系统170可以包括至少一个数据处理器171(其可以包括至少一个微处理器)，其执行存储在非暂时性计算机可读介质(例如，数据存储设备172)中的处理指令。计算系统170还可以表示多个计算设备，其可以用来控制车辆105的处于分布式方式的各个组件或子系统。在一些实施例中，数据存储设备172可以包含可由数据处理器171执行以执行车辆105的各种功能的处理指令(例如，程序逻辑)，包括本文结合附图所描述的那些功能。数据存储设备172还可以包含其他指令，包括将数据发送给车辆驱动子系统142、车辆传感器子系统144、车辆控制子系统146以及乘员接口子系统148中的一个或多个、从其接收数据、与其进行交互或对其进行控制的指令。
除了处理指令之外，数据存储设备172还可以存储诸如数据处理参数、训练数据、人类驾驶模型数据、人类驾驶模型参数、道路地图和路径信息等信息之类的数据。车辆105和计算系统170可以在车辆105以自主、半自主和/或手动模式进行操作期间使用此类信息。
车辆105可以包括用于向车辆105的用户或乘员提供信息或者从车辆105的用户或乘员接收信息的用户界面。用户界面可以控制可以在显示设备上显示的交互式图像的内容和布局或实现对可以在显示设备上显示的交互式图像的内容和布局的控制。此外，用户界面可包括在一组乘员接口子系统148内的一个或多个输入/输出设备，例如显示设备、扬声器、麦克风或无线通信系统。
计算系统170可以基于从各个车辆子系统(例如，车辆驱动子系统140、车辆传感器子系统144和车辆控制子系统146)接收的以及从乘员接口子系统148接收的输入来控制车辆105的功能。例如，计算系统170可以使用来自车辆控制系统146的输入，以便控制转向单元以避开由车辆传感器子系统144检测到的障碍物，并遵循由车辆速度控制模块200生成的轨迹。在示例实施例中，计算系统170可操作以提供对车辆105及其子系统的许多方面的控制。
尽管图1示出了车辆105的各种组件，例如车辆子系统140、计算系统170、数据存储设备172以及车辆速度控制模块200，它们被集成到车辆105中，这些组件中的一个或多个可以独立于车辆105而安装或相关联。例如，数据存储设备172可以部分地或全部地与车辆105分开地存在。因此，可以以可以分开定位或定位在一起的设备元件的形式来提供车辆105。构成车辆105的设备元件可以以有线或无线方式通信地耦合在一起。
另外，如上所述，可以通过车载控制系统150从本地和/或远程源获得其他数据和/或内容(在本文中表示为辅助数据)。辅助数据可以用于基于各种因素来增加、修改或训练车辆速度控制模块200的操作，这些因素包括用户正在操作车辆的情况(例如，车辆的位置、指定的目的地、行进方向、速度、一天中的时间、车辆的状态等)以及可以从如本文所述的各种源(本地和远程)获得的各种其他数据。
在特定实施例中，车载控制系统150和车辆速度控制模块200可以被实现为车辆105的车载组件。在各个示例实施例中，车载控制系统150以及与之进行数据通信的车辆速度控制模块200可以被实现为集成组件或单独组件。在示例实施例中，可以通过使用经由网络120与移动设备132和/或网络资源122的数据连接来动态地升级、修改和/或扩充车载控制系统150和/或车辆速度控制模块200的软件组件。车载控制系统150可以周期性地向移动设备132或网络资源122查询更新，或者可以将更新推送到车载控制系统150。
现在参考图2，该图示出了示例实施例的具有车辆速度控制模块200的车辆速度控制系统201的组件。在示例实施例中，车辆速度控制模块200可以被配置为包括速度控制模块173和人类驾驶模型模块175。如以下更详细描述的，速度控制模块173和人类驾驶模型模块175用于使得能够基于建议的车辆速度控制命令210与人类驾驶模型模块175维护的相对应的正常人类驾驶行为数据的比较来对针对车辆的车辆速度控制命令进行建模和修改。速度控制模块173和人类驾驶模型模块175可以被配置为由车载控制系统150的数据处理器171执行的软件模块。车辆速度控制模块200的模块173和175可以接收建议的车辆速度控制命令210并产生验证或修改的车辆速度控制命令220，验证或修改的车辆速度控制命令220可以被车辆控制子系统146的自主控制子系统用来更有效和安全地控制车辆105。作为其车辆速度控制命令处理的一部分，速度控制模块173和人类驾驶模型模块175可以被配置为与人类驾驶模型参数174一起使用，人类驾驶模型参数174可以用于配置和微调车辆速度控制模块200的操作。人类驾驶模型参数174可以存储在车载控制系统150的存储器172中。
在示例实施例中，车辆速度控制模块200可以被配置为包括与车载控制系统150的接口，如图1所示，车辆速度控制模块200可以通过该接口发送和接收如本文中描述的数据。另外，车辆速度控制模块200可以被配置为包括与车载控制系统150和/或其他生态系统101子系统的接口，车辆速度控制模块200可以通过该接口从上述各种数据源接收辅助数据。如上所述，车辆速度控制模块200还可以在未部署在车辆中并且不一定在车辆中或与车辆一起使用的系统和平台中实施。
在如图2所示的示例实施例中，车辆速度控制模块200可以被配置为包括速度控制模块173和人类驾驶模型模块175，以及其他为了清楚而未示出的处理模块。这些模块中的每一个都可以被实现为在车辆速度控制模块200的可执行环境中执行或激活的软件、固件或其他逻辑组件，车辆速度控制模块200在车辆控制系统150内操作或与车辆控制系统150进行数据通信。以下结合本文提供的附图更详细地描述示例实施例的这些模块中的每一个。
使用人类驾驶模式来管理自主车辆的速度控制的系统和方法
本文公开了一种用于使用人类驾驶模式来管理自主车辆的速度控制的系统和方法。本文描述的各种示例实施例提供了采用许多参数来控制车辆的速度的自主驾驶控制过程。示例实施例使自主车辆能够通过使用强化学习框架以学习如何以与自然的人类驾驶行为相对应的方式来调节这些参数，以执行被建模为类似于相对应的自然的人类驾驶行为的加速和减速。自主驾驶控制过程始于粗略训练的参数集，该参数集允许车辆可以在道路上或模拟中正常运行。当车辆在道路上或模拟中运行时，自主驾驶控制过程会随着时间收集车辆的速度简档数据，并将获得的速度简档数据与强化学习框架中维护的相对应的人类驾驶行为数据进行比较。紧密遵循相对应人类行为的实际或模拟速度简档被奖励，而偏离相对应人类行为的简档被惩罚。基于这些奖励/惩罚，自主驾驶控制过程可以调谐其参数集，从而偏向类似于相对应人类行为的简档和行为。
示例实施例可以基于与由示例实施例的人类驾驶模型模块175捕捉和保留的各种类型的驾驶行为有关的数据来开发人类驾驶行为模型。示例实施例可以使用通过车辆传感器子系统捕捉的实际经验数据和驾驶模拟数据来对典型的人类驾驶行为(特别是与车辆速度控制有关的人类驾驶行为)进行建模。该经验数据和模拟数据被人类驾驶模型模块175捕捉并使用，以将与这些典型驾驶行为相对应的数据编码为数学或数据表示。可以将数据编码为神经网络、规则集或其他用于开发机器学习系统的众所周知的方法。可以为单个车辆捕捉经验数据和/或从收集自大量车辆和驾驶员的数据中汇总经验数据。随着时间，人类驾驶模型模块175可以学习典型的驾驶行为，识别并保留被认为是正常和安全的驾驶行为，以及去除被认为不安全或处于常见操作阈值之外的行为。
例如，示例实施例可以学习与加速或减速自动驾驶车辆和/或管理车辆的速度有关的常见驾驶行为。人类驾驶模型模块175可以接收与驾驶行为相关的经验数据和模拟数据，所述驾驶行为与根据时间应用于车辆的发动机或动力传动系统控制的油门水平或油门百分比相对应。在一段时间内油门百分比的初始增加可以指示加速或车辆速度增加行为，典型地如在车辆通过障碍物(例如道路上的另一车辆)时。油门百分比的斜率指示此类驾驶行为的典型加速率。陡峭的油门百分比斜率指示的突然或不安全的加速率可以被检测到并从人类驾驶模型中去除。以相对应的方式，在一段时间内油门百分比的减速可以指示减速动作或车辆速度减小行为。陡峭的油门百分比斜率指示的突然或不安全的减速率可以被检测到并从人类驾驶模型中去除。通常，当车辆由人类驾驶员驾驶并且驾驶员执行加速或减速操纵时，人类驾驶模型模块175可以学习油门百分比与时间之间的关系并将其保留为平滑的数据曲线和相对应的函数。这样，与这些加速或减速行为相对应的数据可以被示例实施例的人类驾驶模型模块175接收、保留作为数学或数据表示、并且学习。
示例实施例还可以学习与制动或停止自主车辆和/或管理车辆的速度有关的常见驾驶行为。人类驾驶模型模块175可以接收与驾驶行为有关的经验数据和模拟数据，所述驾驶行为与根据时间应用于应用于车辆的制动控制的制动水平或制动百分比相对应。在一段时间内制动百分比的初始增加可以指示车辆停止行为，典型地如驾驶员踩下制动踏板时的情况。制动百分比的斜率指示此类驾驶行为的典型制动率。陡峭的制动百分比斜率指示的突然或不安全的制动率可以被检测到并从人类驾驶模型中去除。以相对应的方式，在一段时间内减小或递减的制动百分比可以指示减小的车辆制动行为。通常，当车辆由人类驾驶员驾驶并且驾驶员执行制动操纵时，人类驾驶模型模块175可以学习制动百分比与时间之间的关系并将其保留为平滑的数据曲线和相对应的函数。这样，与这些制动行为相对应的数据可以被示例实施例的人类驾驶模型模块175接收、保留作为数学或数据表示、并且学习。
示例实施例还可以学习常见的人类驾驶行为，例如与转向自主车辆和/或通过道路上的障碍物(例如，另一车辆)有关的行为。人类驾驶模型模块175可以接收与驾驶行为有关的经验数据和模拟数据，所述驾驶行为与根据时间应用于车辆的转向控制的转向角相对应。陡峭的转向角斜率指示的突然、急促或不安全的转向率可以被检测到并从人类驾驶模型中去除。通常，当车辆由人类驾驶员驾驶并且驾驶员执行左侧或右侧超车操纵时，人类驾驶模型模块175可以学习转向角与时间之间的关系并且将其保留为平滑的数据曲线和相对应的函数。这样，与这些转向和通过行为相对应的数据可以被示例实施例的人类驾驶模型模块175接收、保留作为数学或数据表示、并且学习。
如上所述，示例实施例的人类驾驶模型模块175可以基于与各种类型的驾驶行为有关的数据来开发人类驾驶行为模型。可以在许多驾驶员、车辆、驾驶场景和驾驶条件上汇总该数据。可以捕捉用于训练人类驾驶行为模型的每个车辆的传感器数据和/或模拟数据，并将其绘制在图上。该图可以表示用于训练人类驾驶行为模型的多个车辆中的每一个车辆的基于随时间从传感器接收的传感器数据和/或模拟数据的人类驾驶员行为数据。绘制在图上的数据还可以包括来自车辆驾驶模拟系统的数据。绘制的传感器或模拟数据可以提供由趋于遵循一致趋势或模式的典型或正常驾驶行为产生的分配聚类效果。换句话说，普通或典型的驾驶员倾向于表现出相似的驾驶行为。绘制的传感器或模拟数据可以提供由趋于遵循一致趋势或模式的典型或正常驾驶行为产生的相对一致的分配的聚类效果。这样，典型的人类驾驶员行为数据的数据聚类可以被识别并用于使用被称为强化学习的过程来训练示例实施例的人类驾驶模型模块175，这将在下面更详细地描述。
现在参考图3，示例实施例包括用于使用被称为强化学习的过程来训练示例实施例的人类驾驶模型模块175的过程。在示例实施例中，强化学习使用驾驶模拟和实际路上训练练习来配置或调谐(例如训练)人类驾驶模型模块175中的参数以对期望的人类驾驶行为进行建模。在初始操作310中，可以记录与典型或正常的人类驾驶行为相对应的数据(例如，车辆操作数据)。典型或正常的人类驾驶行为可以包括人类驾驶员对速度、制动和朝向(例如，轨迹)的管理。如上所述，可以从实际车辆上的传感器捕捉该正常的人类驾驶行为数据，或者可以从驾驶模拟系统获得该正常的人类驾驶行为数据。正常的人类驾驶行为数据可以保留在存储器172中。
在图3所示的操作315中，可以在模拟训练阶段相对于正常的人类驾驶行为数据来运行由人类驾驶模型模块175生成的数据。作为模拟训练阶段(操作320)的强化学习过程的一部分，将模拟中特定时间步长处的车辆的增量速度(或其他车辆操作数据)与人类驾驶模型模块175在相对应的时间步长处会产生的增量速度进行比较。计算模拟车辆与人类驾驶模型模块175之间的相对应时间步长处的速度(或其他车辆操作数据)的差异，并将其与可接受的误差或方差阈值进行比较。如果模拟车辆与人类驾驶模型模块175之间的相对应时间步长处的速度之间的差高于或大于可接受的误差或方差阈值，则人类驾驶模型模块175内的相对应参数被更新(操作317)以减小误差或方差，并使模拟车辆与人类驾驶模型模块175之间的相对应时间步长处的速度之间的差低于、小于或等于可接受的误差或方差阈值。然后，控制可以传递到操作315，在操作315中执行模拟训练的另一迭代。
仍然参考图3，如上所述的模拟训练阶段和强化学习过程可以根据需要执行多次迭代，以使人类驾驶模型模块175中的参数更新朝着缩小相对于可接受的误差或方差阈值的差或偏差进步。最终，由人类驾驶模型模块175产生的行为将收敛于符合在模拟训练阶段人类驾驶模型模块175相对于其进行训练的车辆模拟系统中产生的相对应行为。
为了进一步细化由人类驾驶模型模块175建模的人类驾驶行为，示例实施例还可以在实际路上训练阶段相对于正常的人类驾驶行为数据来运行人类驾驶模型模块175产生的数据。在实际路上训练阶段中，可以从在现实世界的交通环境中操作的车辆捕捉实际人类驾驶行为数据(操作325)。例如，如图4所示，可以在车辆行驶所沿的轨迹上的各个点处捕捉操作中的车辆的操作数据。捕捉的数据可以包括车辆的位置、速度、加速度、增量速度、目标速度、以及与特定时间点的车辆状态相对应的各种其他数据。作为实际路上训练阶段中强化学习过程的一部分(图3，操作330)，将实际车辆在特定时间步长处的增量速度(或其他车辆操作数据)与人类驾驶模型模块175在相对应的时间步长处会生成增量速度(或其他车辆操作数据)进行比较。计算实际车辆与人类驾驶模型模块175之间的相对应时间步长处的速度(或其他车辆操作数据)的差异，并将其与可接受的误差或方差阈值进行比较。如果实际车辆与人类驾驶模型模块175之间的相对应时间步长处的速度之间的差高于或大于可接受的误差或方差阈值，则人类驾驶模型模块175内的相应参数被更新(操作327)以减小误差或方差，并使实际车辆与人类驾驶模型模块175之间的相对应时间步长处的速度之间的差低于、小于或等于可接受的误差或方差阈值。然后，控制可以传递到操作325，在操作325中执行实际路上训练的另一迭代。
仍然参考图3，如上所述的实际道路训练阶段和强化学习过程可以执行所需的任意多次迭代，以使人类驾驶模型模块175中的参数更新朝着缩小相对于可接受的误差或方差阈值的差或偏差进步。最终，由人类驾驶模型模块175产生的行为将收敛于符合在实际路上训练阶段人类驾驶模型模块175相对于其进行训练的具有人类驾驶员的实际车辆产生的相对应行为。给定如上所述使用模拟阶段和实际路上训练阶段对人类驾驶模型模块175的训练，将对人类驾驶模型模块175中的参数进行微调，以产生与相对应的模拟驾驶行为和实际人类驾驶行为密切相关的人类驾驶行为。
现在参考图5，该图示出了示例实施例中的强化学习过程。如图所示，可以通过在特定时间点捕捉车辆操作数据(例如，车辆的位置、速度、加速度、增量速度、目标速度以及各种其他车辆操作数据)来确定模拟或实际操作中的车辆的状态。如上所述，该车辆操作数据可以与人类驾驶模型模块175在相对应时间步长处会产生的增量速度(或其他车辆操作数据)进行比较。计算实际车辆与人类驾驶模型模块175之间在相对应时间步长处的速度(或其他车辆操作数据)的差异，并将其与可接受的误差或方差阈值进行比较。这些差异表示车辆在其当前状态下的行为与相对应的期望的人类驾驶行为之间的偏差。该偏差可以表示为与车辆的当前行为相对应的奖励或惩罚。如果实际车辆与人类驾驶模型模块175之间在相对应时间步长处的速度之间的差高于或大于可接受的误差或方差阈值(例如，惩罚条件)，则人类驾驶模型模块175内的相对应参数被更新或训练以减少误差或方差，并使实际车辆与人类驾驶模型模块175之间在相对应时间步长处的速度之间的差低于、小于或等于可接受的误差或方差阈值(例如奖励条件)。可以将更新的车辆控制参数作为输出提供给人类驾驶模型模块175，并且可以执行模拟或实际路上训练的另一次迭代。
参考图6和图7，图示出了示例实施例中的强化学习过程的操作。如图6所示，建模的车辆最初位于从如上所述的强化学习过程的第一次迭代中学习的轨迹上。在第一次迭代中，确定从强化学习过程的第一迭代中学习的轨迹与期望的人类驾驶轨迹(图6中的示例所示)相比的偏差，并将其用于如上所述更新人类驾驶模型模块175中的参数。执行强化学习过程的下一个(第二次)迭代。如图6所示，从强化学习过程的第二次迭代中学习的轨迹产生与期望的人类驾驶轨迹的偏离小于与第一次迭代的偏离。这样，建模的车辆的轨迹开始与期望的人类驾驶行为的轨迹收敛。随着强化学习过程的后续迭代，与期望的人类驾驶轨迹的偏差继续减小，并且建模的车辆的轨迹继续与期望的人类驾驶行为的轨迹收敛。如图7所示，随着用于使用本文所述的强化学习过程来训练人类驾驶模型模块175的时间，建模的车辆的行为相对于期望的人类驾驶行为的偏差迅速减小。
再次参考图2，示例实施例包括用于将建议的车辆速度控制命令210与如上所述由人驾驶模型模块175学习的正常的人类驾驶员速度控制行为进行比较的过程，以确定建议的车辆速度控制命令210是否对应于正常的人类驾驶员速度控制行为。如果建议的车辆速度控制命令210符合正常的驾驶员速度控制行为，则建议的车辆速度控制命令210被速度控制模块173验证，并且作为验证的车辆速度控制命令220来传递。如果建议的车辆速度控制命令210不符合正常的人类驾驶员速度控制行为，则建议的车辆速度控制命令210被速度控制模块173修改以符合正常的人类驾驶员速度控制行为，并作为修改的车辆速度控制命令220来传递。在控制车辆105的移动的过程中，车载控制子系统150可以向车辆控制子系统146发出许多控制命令，以执行各种驾驶行为或操纵。在实际命令车辆控制子系统146执行特定操纵之前，车载控制子系统150可以向车辆速度控制模块200发出建议的车辆速度控制命令210。如上所述，车辆速度控制模块200(以及其中的速度控制模块173)可以确定建议的车辆速度控制命令210是否符合正常的人类驾驶员速度控制行为，并且可以相应地验证或修改车辆速度控制命令210。换句话说，速度控制模块173可以使建议的车辆速度控制命令210对典型或正常的人类驾驶员速度控制行为建模。
现在参考图8，流程图示出了用于使用人类驾驶模式来管理速度控制的系统和方法1000的示例实施例。该示例实施例可以被配置用于：生成与期望的人类驾驶行为相对应的数据(处理框1010)；使用强化学习过程和期望的人类驾驶行为来训练人类驾驶模型模块(处理框1020)；接收建议的车辆速度控制命令(处理框1030)；通过使用人类驾驶模型模块来确定建议的车辆速度控制命令是否符合期望的人类驾驶行为(处理框1040)；以及基于所述确定来验证或修改建议的车辆速度控制命令(处理框1050)。
如本文所使用的，除非另有说明，否则术语“移动设备”包括可以与本文所述的车载控制系统150和/或车辆速度控制模块200通信以获得通过任何数据通信模式传送的数据信号、消息或内容的读取或写入访问权限的任何计算或通信设备。在许多情况下，移动设备130是手持式便携式设备，例如智能电话、移动电话、蜂窝电话、平板计算机、膝上型计算机、显示寻呼机、射频(RF)设备、红外(IR)设备、全球定位设备(GPS)、个人数字助理(PDA)、手持计算机、可穿戴计算机、便携式游戏机、其他移动通信和/或计算设备或组合一个或多个前述设备的集成设备等。另外，移动设备130可以是计算设备、个人计算机(PC)、多处理器系统、基于微处理器的或可编程的消费电子设备、网络PC、诊断设备、由车辆119的制造商或服务技术人员操作的系统等，但不仅限于便携式设备。移动设备130可以接收和处理多种数据格式中的任何一种格式的数据。数据格式可以包括任何编程格式、协议或语言或被配置为以任何编程格式、协议或语言进行操作，包括但不限于JavaScript、C++、iOS、Android等。
如本文所使用的，除非另有说明，否则术语“网络资源”包括可以与本文所述的车载控制系统150和/或车辆速度控制模块200通信以获得对通过任何模式的进程间或联网数据通信传送的数据信号、消息或内容的读取或写入访问权限的任何设备、系统或服务。在许多情况下，网络资源122是数据网络可访问的计算平台，包括客户端或服务器计算机、网站、移动设备、对等(P2P)网络节点等。此外，网络资源122可以是Web设备、网络路由器、交换机、网桥、网关、诊断设备、由车辆119的制造商或服务技术人员操作的系统或者是能够执行一组指令(顺序或其他方式)的任何机器，该指令指定要由该机器执行的动作。此外，虽然仅示出了单个机器，但是术语“机器”也可以被理解为包括机器的任何集合，其单独地或共同地执行一组(或多组)指令以执行本文讨论的任何一个或多个方法。网络资源122可以包括网络可传输数字内容的各个提供者或处理器中的任何一个。通常，所采用的文件格式是可扩展标记语言(XML)，但是各种实施例不限于此，并且可以使用其他文件格式。例如，各种实施例可以支持除超文本标记语言(HTML)/XML之外的数据格式或除开放/标准数据格式之外的格式。本文所述的各种实施例可以支持任何电子文件格式，例如可移植文档格式(PDF)、音频(例如，运动图像专家组音频第3层-MP3等)、视频(例如，MP4等)以及由特定内容站点定义的任何专有交换格式。
与网络资源122一起使用的广域数据网络120(也称为网络云)可以被配置为将一个计算或通信设备与另一计算或通信设备耦合。可以使网络能够采用任何形式的计算机可读数据或介质来将信息从一个电子设备传送到另一电子设备。网络120可以包括互联网，以及其他广域网(WAN)、蜂窝电话网络、城域网、局域网(LAN)、其他分组交换网络、电路交换网络、例如通过通用串行总线(USB)或以太网端口的直接数据连接、其他形式的计算机可读介质或其任何组合。网络120可以包括互联网，以及其他广域网(WAN)、蜂窝电话网络、卫星网络、空中广播网络、AM/FM无线电网络、寻呼机网络、UHF网络、其他广播网络、游戏网络、WiFi网络、对等网络、IP语音(VoIP)网络、城域网、局域网(LAN)、其他分组交换网络、电路交换网络、直接数据连接(例如，通过通用串行总线(USB)或以太网端口)、其他形式的计算机可读介质或其任意组合。在一组互连的网络(包括基于不同架构和协议的网络)上，路由器或网关可以充当网络之间的链接，使得消息能够在不同网络上的计算设备之间发送。而且，网络内的通信链路通常可以包括双绞线电缆、USB、火线、以太网或同轴电缆，而网络之间的通信链路可以利用模拟或数字电话线、包括T1、T2、T3和T4的全部或部分专用数字线路、综合业务数字网(ISDN)、数字用户线(DSL)、包括卫星链路、蜂窝电话链路或本领域普通技术人员公知的其他通信链路的无线链路。此外，远程计算机和其他相关电子设备可以通过调制解调器和临时电话链路远程连接到网络。
网络120还可以包括可以进一步覆盖独立自组织网络等的各种无线子网络中的任何一个，以提供面向基础设施的连接。这样的子网络可以包括网状网络、无线LAN(WLAN)网络、蜂窝网络等。该网络还可以包括通过无线无线电链路或无线收发器连接的终端、网关、路由器等的自主系统。这些连接器可以被配置为自由随机移动并任意组织，以使网络拓扑可以快速变化。网络120还可以采用多个标准无线和/或蜂窝协议或接入技术中的一个或多个，包括结合本文附图中描述的网络接口712和网络714在本文阐述的那些。
在特定实施例中，移动设备132和/或网络资源122可以充当使得用户能够访问和使用车载控制系统150和/或车辆速度控制模块200与车辆子系统的一个或多个组件交互的客户端设备。这些客户端设备132或122实际上可以包括被配置为通过诸如本文所述的网络120之类的网络发送和接收信息的任何计算设备。这样的客户端设备可以包括移动设备，例如蜂窝电话、智能电话、平板计算机、显示寻呼机、射频(RF)设备、红外(IR)设备、全球定位设备(GPS)、个人数字助理(PDA)、手持式计算机、可穿戴计算机、游戏控制台、组合一个或多个前述设备的集成设备等。客户端设备还可以包括其他计算设备，例如个人计算机(PC)、多处理器系统、基于微处理器的或可编程的消费电子产品、网络PC等。这样，客户端设备在功能和特征方面可以广泛地变化。例如，被配置为电话的客户端设备可以具有数字小键盘和几行单色LCD显示器，在其上只能显示文本。在另一示例中，支持网络的客户端设备可以具有触敏屏幕、手写笔和彩色LCD显示屏，其中可以显示文本和图形两者。此外，支持网络的客户端设备可以包括浏览器应用，该浏览器应用能够接收和发送无线应用协议消息(WAP)和/或有线应用消息等。在一个实施例中，浏览器应用被启用以采用超文本标记语言(HTML)、动态HTML、手持设备标记语言(HDML)、无线标记语言(WML)、WMLScript、JavaScriptTM、可扩展HTML(xHTML)、紧凑HTML(CHTML等)来显示和发送带有相关信息的消息。
客户端设备还可以包括至少一个客户端应用，该至少一个客户端应用被配置为经由网络传输从另一计算设备接收内容或消息。客户端应用可以包括提供和接收文本内容、图形内容、视频内容、音频内容、警报、消息、通知等的功能。此外，客户端设备还可以被配置为例如通过短消息服务(SMS)、直接消息传递(例如，Twitter)、电子邮件、多媒体消息服务(MMS)、即时消息传递(IM)、互联网中继聊天(IRC)、mIRC、Jabber、增强消息传递服务(EMS)、文本消息传递、智能消息传递、空中(OTA)消息传递等在另外的计算设备之间传送和/或接收消息等。客户端设备还可以包括无线应用设备，客户端应用被配置在该无线应用设备上，以使得该设备的用户能够经由网络无线地向/从网络资源发送和接收信息。
可以使用增强执行环境的安全性的系统来实现车载控制系统150和/或车辆速度控制模块200，从而提高安全性并降低车载控制系统150和/或车辆速度控制模块200以及相关服务可能被病毒或恶意软件破坏的可能性。例如，可以使用可信执行环境来实现车载控制系统150和/或车辆速度控制模块200，其可以确保敏感数据以安全的方式被存储、处理和传送。
图9以计算系统700的示例形式示出了机器的示意图，在其中当一组指令被执行时和/或当处理逻辑被激活时可以使该机器执行所描述的和/或本文所要求保护的方法中的任何一个或多个。在替代实施例中，该机器作为独立设备进行操作，或者可以连接(例如，联网)到其他机器。在联网部署中，机器可以在服务器-客户端网络环境中以服务器或客户端机器的身份进行操作，或者在对等(或分布式)网络环境中作为对等机器进行操作。该机器可以是个人计算机(PC)、膝上型计算机、平板计算系统、个人数字助理(PDA)、蜂窝电话、智能电话、网络设备、机顶盒(STB)、网络路由器、交换机或网桥、或能够执行一组指令(顺序指令或其他指令)或激活指定该机器要执行的动作的处理逻辑的任何机器。此外，虽然仅示出了单个机器，但是术语“机器”也可以被理解为包括机器的任何集合，其单独地或共同地执行一组(或多组)指令或处理逻辑以执行本文描述和/或要求保护的方法中的任意一个或多个。
示例计算系统700可以包括可以通过总线或其他数据传输系统706彼此通信的数据处理器702(例如，片上系统(SoC)、通用处理核心、图形核心和可选地其他处理逻辑)和存储器704。移动计算和/或通信系统700还可包括各种输入/输出(I/O)设备和/或接口710，例如触摸屏显示器、音频插孔、语音接口以及可选地网络接口712。在示例实施例中，网络接口712可以包括一个或多个无线电收发器，其被配置为与任何一个或多个标准无线和/或蜂窝协议或接入技术(例如，第二代(2G)、2.5代、第三代(3G)、第四代(4G)和下一代蜂窝系统的无线电接入、全球移动通信系统(GSM)、通用分组无线电业务(GPRS)、增强型数据GSM环境(EDGE)、宽带码分多址(WCDMA)、LTE、CDMA2000、WLAN、无线路由器(WR)网等)兼容。网络接口712还可被配置为与各种其他有线和/或无线通信协议一起使用，包括TCP/IP、UDP、SIP、SMS、RTP、WAP、CDMA、TDMA、UMTS、UWB、WiFi、WiMax、
Figure BDA0002404073310000231
IEEE802.11x等。本质上，网络接口712可以实际上包括或支持任何有线和/或无线通信和数据处理机制，通过该机制，信息/数据可以通过网络714在计算系统700和另一计算或通信系统之间传送。
存储器704可以代表机器可读介质，在其上存储体现本文所描述和/或要求保护的方法或功能中的任何一个或多个的一组或多组指令、软件、固件或其他处理逻辑(例如，逻辑708)。在由移动计算和/或通信系统700执行期间，逻辑708或其一部分也可以完全或至少部分地驻留在处理器702内。这样，存储器704和处理器702也可以构成机器可读介质。逻辑708或其一部分也可以被配置为处理逻辑或逻辑，其至少一部分部分地以硬件实现。逻辑708或其一部分还可以经由网络接口712通过网络714发送或接收。虽然示例实施例的机器可读介质可以是单个介质，但是术语“机器可读介质”应当被认为包括存储一个或多个指令集的单个非暂时性介质或多个非暂时性介质(例如，集中式或分布式数据库和/或相关联的高速缓存和计算系统)。术语“机器可读介质”也可以被认为包括任何非暂时性介质，其能够存储、编码或携带一组指令以供机器执行并且使机器执行各种实施例的任何一个或多个方法，或者能够存储、编码或携带由该组指令利用或与之相关联的数据结构。因此，术语“机器可读介质”可被认为包括但不限于固态存储器、光学介质和磁性介质。
提供本公开的摘要以允许读者快速地确定技术公开的性质。提交本文档时应理解为不会将其用于解释或限制权利要求的范围或含义。另外，在前述具体实施方式中，可以看出，出于简化本公开的目的，在单个实施例中将各种特征组合在一起。本公开的方法不应被解释为反映了以下意图：所要求保护的实施例需要比每个权利要求中明确记载的特征更多的特征。相反，如所附权利要求所反映的，本发明主题在于少于单个公开实施例的所有特征。因此，所附权利要求由此并入详细描述中，其中每个权利要求独立地作为单独的实施例。

Claims (20)

1.一种系统，包括：
数据处理器；以及
车辆速度控制模块，能够由数据处理器执行，所述车辆速度控制模块被配置为执行自主车辆的车辆速度控制命令验证操作，所述车辆速度控制命令验证操作被配置为：
生成与期望的人类驾驶行为相对应的数据；
使用强化学习过程和期望的人类驾驶行为来训练人类驾驶模型模块；
接收建议的车辆速度控制命令；
通过使用人类驾驶模型模块来确定建议的车辆速度控制命令是否符合期望的人类驾驶行为；以及
基于所述确定来验证或修改建议的车辆速度控制命令。
2.根据权利要求1所述的系统，还被配置为：使用具有模拟训练阶段和实际路上训练阶段的强化学习过程来训练所述人类驾驶模型模块。
3.根据权利要求1所述的系统，还被配置为：通过基于所述强化学习过程来修改所述人类驾驶模型模块中的参数，从而训练所述人类驾驶模型模块。
4.根据权利要求1所述的系统，还被配置为：确定所述自主车辆的当前状态。
5.根据权利要求1所述的系统，还被配置为：通过确定所述自主车辆的当前状态并确定所述自主车辆的当前状态与对应于期望的人类驾驶行为的状态之间的偏差，来训练所述人类驾驶模型模块。
6.根据权利要求1所述的系统，还被配置为：通过车辆传感器子系统捕捉数据和捕捉驾驶模拟数据以对期望的人类驾驶行为进行建模。
7.根据权利要求1所述的系统，其中，对应于期望的人类驾驶行为的数据被表示为数学或数据表示。
8.根据权利要求1所述的系统，其中，验证或修改的车辆速度控制命令被输出到车辆控制子系统，使所述自主车辆遵循与验证或修改的车辆速度控制命令相对应的轨迹。
9.一种方法，包括：
生成与期望的人类驾驶行为相对应的数据；
使用强化学习过程和期望的人类驾驶行为来训练人类驾驶模型模块；
接收建议的车辆速度控制命令；
通过使用人类驾驶模型模块来确定建议的车辆速度控制命令是否符合期望的人类驾驶行为；以及
基于所述确定来验证或修改建议的车辆速度控制命令。
10.根据权利要求9所述的方法，包括：使用具有模拟训练阶段和实际路上训练阶段的强化学习过程来训练所述人类驾驶模型模块。
11.根据权利要求9所述的方法，包括：通过基于所述强化学习过程来修改所述人类驾驶模型模块中的参数，从而训练所述人类驾驶模型模块。
12.根据权利要求9所述的方法，包括：确定所述自主车辆的当前状态。
13.根据权利要求9所述的方法，包括：通过确定所述自主车辆的当前状态并确定所述自主车辆的当前状态与对应于期望的人类驾驶行为的状态之间的偏差，来训练所述人类驾驶模型模块。
14.根据权利要求9所述的方法，包括：通过车辆传感器子系统捕捉数据和捕捉驾驶模拟数据以对期望的人类驾驶行为进行建模。
15.根据权利要求9所述的方法，其中，对应于期望的人类驾驶行为的数据被表示为数学或数据表示。
16.根据权利要求9所述的方法，其中，验证或修改的车辆速度控制命令被输出到车辆控制子系统，使所述自主车辆遵循与验证或修改的车辆速度控制命令相对应的轨迹。
17.一种非暂时性机器可用存储介质，包含指令，所述指令在由机器执行时使所述机器：
生成与期望的人类驾驶行为相对应的数据；
使用强化学习过程和期望的人类驾驶行为来训练人类驾驶模型模块；
接收建议的车辆速度控制命令；
通过使用人类驾驶模型模块来确定建议的车辆速度控制命令是否符合期望的人类驾驶行为；以及
基于所述确定来验证或修改建议的车辆速度控制命令。
18.根据权利要求17所述的非暂时性机器可用存储介质，还被配置为：使用具有模拟训练阶段和实际路上训练阶段的强化学习过程来训练所述人类驾驶模型模块。
19.根据权利要求17所述的非暂时性机器可用存储介质，还被配置为：通过基于所述强化学习过程来修改所述人类驾驶模型模块中的参数，从而训练所述人类驾驶模型模块。
20.根据权利要求17所述的非暂时性机器可用存储介质，还被配置为：通过确定所述自主车辆的当前状态并确定所述自主车辆的当前状态与对应于期望的人类驾驶行为的状态之间的偏差，来训练所述人类驾驶模型模块。
CN201880058311.XA 2017-09-07 2018-09-11 使用人类驾驶模式来管理自主车辆的速度控制的系统和方法 Active CN111183073B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310760313.6A CN117087681A (zh) 2017-09-07 2018-09-11 使用人类驾驶模式来管理自主车辆的速度控制的系统和方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/698,375 US10656644B2 (en) 2017-09-07 2017-09-07 System and method for using human driving patterns to manage speed control for autonomous vehicles
PCT/US2018/050526 WO2019051506A1 (en) 2017-09-07 2018-09-11 SYSTEM AND METHOD FOR USING HUMAN DRIVING MODELS TO MANAGE SPEED CONTROL FOR AUTONOMOUS VEHICLES

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310760313.6A Division CN117087681A (zh) 2017-09-07 2018-09-11 使用人类驾驶模式来管理自主车辆的速度控制的系统和方法

Publications (2)

Publication Number Publication Date
CN111183073A true CN111183073A (zh) 2020-05-19
CN111183073B CN111183073B (zh) 2023-06-30

Family

ID=65517987

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201880058311.XA Active CN111183073B (zh) 2017-09-07 2018-09-11 使用人类驾驶模式来管理自主车辆的速度控制的系统和方法
CN202310760313.6A Pending CN117087681A (zh) 2017-09-07 2018-09-11 使用人类驾驶模式来管理自主车辆的速度控制的系统和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202310760313.6A Pending CN117087681A (zh) 2017-09-07 2018-09-11 使用人类驾驶模式来管理自主车辆的速度控制的系统和方法

Country Status (3)

Country Link
US (3) US10656644B2 (zh)
CN (2) CN111183073B (zh)
WO (1) WO2019051506A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT520320B1 (de) * 2017-09-26 2019-03-15 Avl List Gmbh Verfahren und eine Vorrichtung zum Erzeugen eines dynamischen Geschwindigkeitsprofils eines Kraftfahrzeugs
KR102416203B1 (ko) 2018-06-01 2022-07-06 탈레스 캐나다 아이엔씨 자기-학습(self-learning) 차량 제어 시스템
US11584379B2 (en) * 2018-08-06 2023-02-21 Honda Motor Co., Ltd. System and method for learning naturalistic driving behavior based on vehicle dynamic data
US11370446B2 (en) * 2018-08-06 2022-06-28 Honda Motor Co., Ltd. System and method for learning and predicting naturalistic driving behavior
EP3906450A4 (en) * 2019-01-03 2022-09-28 Edge Case Research, Inc. METHODS AND SYSTEMS FOR ENHANCING PERMISSIVENESS WHILE ENSURING SAFETY OF AN AUTONOMOUS VEHICLE
US20210197813A1 (en) * 2019-12-27 2021-07-01 Lyft, Inc. Systems and methods for appropriate speed inference
JP7331704B2 (ja) * 2020-01-09 2023-08-23 トヨタ自動車株式会社 車両用制御データの生成方法、車両用制御装置、および車両用制御システム
JP7287287B2 (ja) 2020-01-09 2023-06-06 トヨタ自動車株式会社 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置
EP4110668A4 (en) * 2020-02-24 2024-06-12 Ground Transportation Systems Canada Inc. CONTROL DEVICE, CONTROL SYSTEM AND CONTROL METHOD FOR VEHICLE CONTROL
US11927967B2 (en) * 2020-08-31 2024-03-12 Woven By Toyota, U.S., Inc. Using machine learning models for generating human-like trajectories
CN113104010B (zh) * 2021-05-07 2022-04-15 的卢技术有限公司 车辆制动控制方法、系统、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8849494B1 (en) * 2013-03-15 2014-09-30 Google Inc. Data selection by an autonomous vehicle for trajectory modification
GB2523232A (en) * 2013-12-18 2015-08-19 Ford Global Tech Llc Autonomous driving style learning
US20150266455A1 (en) * 2013-12-06 2015-09-24 Christopher Kenneth Wilson Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom
CN105575210A (zh) * 2014-10-31 2016-05-11 福特全球技术公司 用于预测性的驾驶模式学习和启用的方法和设备
CN107200017A (zh) * 2017-05-22 2017-09-26 北京联合大学 一种基于深度学习的无人驾驶车辆控制系统
CN107491073A (zh) * 2017-09-05 2017-12-19 百度在线网络技术（北京）有限公司 无人驾驶车辆的数据训练方法和装置
CN108290578A (zh) * 2015-12-18 2018-07-17 英特尔公司 管理自主车辆

Family Cites Families (89)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6822563B2 (en) 1997-09-22 2004-11-23 Donnelly Corporation Vehicle imaging system with accessory control
US5877897A (en) 1993-02-26 1999-03-02 Donnelly Corporation Automatic rearview mirror, vehicle lighting control and vehicle interior monitoring system using a photosensor array
US7103460B1 (en) 1994-05-09 2006-09-05 Automotive Technologies International, Inc. System and method for vehicle diagnostics
US7783403B2 (en) 1994-05-23 2010-08-24 Automotive Technologies International, Inc. System and method for preventing vehicular accidents
US7655894B2 (en) 1996-03-25 2010-02-02 Donnelly Corporation Vehicular image sensing system
WO2003093857A2 (en) 2002-05-03 2003-11-13 Donnelly Corporation Object detection system for vehicle
US6777904B1 (en) 2003-02-25 2004-08-17 Ford Global Technologies, Llc Method and system for controlling a motor
EP1741079B1 (en) 2004-04-08 2008-05-21 Mobileye Technologies Limited Collision warning system
WO2005098751A1 (en) 2004-04-08 2005-10-20 Mobileye Technologies Limited Crowd detection
US20070230792A1 (en) 2004-04-08 2007-10-04 Mobileye Technologies Ltd. Pedestrian Detection
US7526103B2 (en) 2004-04-15 2009-04-28 Donnelly Corporation Imaging system for vehicle
US8553088B2 (en) 2005-11-23 2013-10-08 Mobileye Technologies Limited Systems and methods for detecting obstructions in a camera field of view
US8164628B2 (en) 2006-01-04 2012-04-24 Mobileye Technologies Ltd. Estimating distance to an object using a sequence of images recorded by a monocular camera
US7689559B2 (en) 2006-02-08 2010-03-30 Telenor Asa Document similarity scoring and ranking method, device and computer program product
US7786898B2 (en) 2006-05-31 2010-08-31 Mobileye Technologies Ltd. Fusion of far infrared and visible images in enhanced obstacle detection in automotive applications
ATE519193T1 (de) 2006-12-06 2011-08-15 Mobileye Technologies Ltd Detektion und erkennung von verkehrszeichen
US20080249667A1 (en) 2007-04-09 2008-10-09 Microsoft Corporation Learning and reasoning to enhance energy efficiency in transportation systems
US7839292B2 (en) 2007-04-11 2010-11-23 Nec Laboratories America, Inc. Real-time driving danger level prediction
US8041111B1 (en) 2007-10-15 2011-10-18 Adobe Systems Incorporated Subjective and locatable color theme extraction for images
US9176006B2 (en) 2008-01-15 2015-11-03 Mobileye Vision Technologies Ltd. Detection and classification of light sources using a diffraction grating
US9117133B2 (en) 2008-06-18 2015-08-25 Spectral Image, Inc. Systems and methods for hyperspectral imaging
US20100049397A1 (en) 2008-08-22 2010-02-25 Garmin Ltd. Fuel efficient routing
US8126642B2 (en) 2008-10-24 2012-02-28 Gray & Company, Inc. Control and systems for autonomously driven vehicles
US9459515B2 (en) 2008-12-05 2016-10-04 Mobileye Vision Technologies Ltd. Adjustable camera mount for a vehicle windshield
US8175376B2 (en) 2009-03-09 2012-05-08 Xerox Corporation Framework for image thumbnailing based on visual similarity
CN102365651A (zh) 2009-03-26 2012-02-29 皇家飞利浦电子股份有限公司 用于通过使用基于色彩频率的显著图来修改图像的方法和装置
US8271871B2 (en) 2009-04-30 2012-09-18 Xerox Corporation Automated method for alignment of document objects
US8392117B2 (en) 2009-05-22 2013-03-05 Toyota Motor Engineering & Manufacturing North America, Inc. Using topological structure for path planning in semi-structured environments
US9683854B2 (en) 2009-07-19 2017-06-20 Aaron T. Emigh Pricing by historical comparison
JP2011176748A (ja) 2010-02-25 2011-09-08 Sony Corp 画像処理装置および方法、並びにプログラム
US9118816B2 (en) 2011-12-06 2015-08-25 Mobileye Vision Technologies Ltd. Road vertical contour detection
US9280711B2 (en) 2010-09-21 2016-03-08 Mobileye Vision Technologies Ltd. Barrier and guardrail detection using a single camera
US8509982B2 (en) 2010-10-05 2013-08-13 Google Inc. Zone driving
EP2448251B1 (en) 2010-10-31 2019-09-25 Mobileye Vision Technologies Ltd. Bundling night vision and other driver assistance systems (DAS) using near infra red (NIR) illumination and a rolling shutter
US9355635B2 (en) 2010-11-15 2016-05-31 Futurewei Technologies, Inc. Method and system for video summarization
EP2463843B1 (en) 2010-12-07 2015-07-29 Mobileye Vision Technologies Ltd. Method and system for forward collision warning
US8401292B2 (en) 2011-04-26 2013-03-19 Eastman Kodak Company Identifying high saliency regions in digital images
US9233659B2 (en) 2011-04-27 2016-01-12 Mobileye Vision Technologies Ltd. Pedestrian collision warning system
KR101777875B1 (ko) 2011-04-28 2017-09-13 엘지디스플레이 주식회사 입체 영상 표시장치와 그 입체 영상 조절 방법
US9183447B1 (en) 2011-06-09 2015-11-10 Mobileye Vision Technologies Ltd. Object detection using candidate object alignment
WO2013015416A1 (ja) 2011-07-28 2013-01-31 本田技研工業株式会社 ワイヤレス送電方法
DE102011083749B4 (de) 2011-09-29 2015-06-11 Aktiebolaget Skf Rotorblatt einer Windkraftanlage mit einer Vorrichtung zum Erfassen eines Abstandswertes und Verfahren zum Erfassen eines Abstandswertes
US9297641B2 (en) 2011-12-12 2016-03-29 Mobileye Vision Technologies Ltd. Detection of obstacles at night by analysis of shadows
FR2984254B1 (fr) 2011-12-16 2016-07-01 Renault Sa Controle de vehicules autonomes
US9317776B1 (en) 2013-03-13 2016-04-19 Hrl Laboratories, Llc Robust static and moving object detection system via attentional mechanisms
JP5605381B2 (ja) 2012-02-13 2014-10-15 株式会社デンソー クルーズ制御装置
US9042648B2 (en) 2012-02-23 2015-05-26 Microsoft Technology Licensing, Llc Salient object segmentation
US9476970B1 (en) 2012-03-19 2016-10-25 Google Inc. Camera based localization
US9134402B2 (en) 2012-08-13 2015-09-15 Digital Signal Corporation System and method for calibrating video and lidar subsystems
US9025880B2 (en) 2012-08-29 2015-05-05 Disney Enterprises, Inc. Visual saliency estimation for images and video
US9120485B1 (en) 2012-09-14 2015-09-01 Google Inc. Methods and systems for smooth trajectory generation for a self-driving vehicle
US9111444B2 (en) 2012-10-31 2015-08-18 Raytheon Company Video and lidar target detection and tracking system and method for segmenting moving targets
US9092430B2 (en) 2013-01-02 2015-07-28 International Business Machines Corporation Assigning shared catalogs to cache structures in a cluster computing system
US8788134B1 (en) 2013-01-04 2014-07-22 GM Global Technology Operations LLC Autonomous driving merge management system
CN110213565B (zh) 2013-01-15 2021-03-09 移动眼视力科技有限公司 成像系统和用于深度计算的方法
US9277132B2 (en) 2013-02-21 2016-03-01 Mobileye Vision Technologies Ltd. Image distortion correction of a camera with a rolling shutter
US9147255B1 (en) 2013-03-14 2015-09-29 Hrl Laboratories, Llc Rapid object detection by combining structural information from image segmentation with bio-inspired attentional mechanisms
US9342074B2 (en) 2013-04-05 2016-05-17 Google Inc. Systems and methods for transitioning control of an autonomous vehicle to a driver
US9438878B2 (en) 2013-05-01 2016-09-06 Legend3D, Inc. Method of converting 2D video to 3D video using 3D object models
JP6484228B2 (ja) 2013-06-13 2019-03-13 モービルアイ ビジョン テクノロジーズ リミテッド 視覚強化ナビゲーション
US9315192B1 (en) 2013-09-30 2016-04-19 Google Inc. Methods and systems for pedestrian avoidance using LIDAR
US9122954B2 (en) 2013-10-01 2015-09-01 Mobileye Vision Technologies Ltd. Performing a histogram using an array of addressable registers
US9738280B2 (en) 2013-10-03 2017-08-22 Robert Bosch Gmbh Adaptive cruise control with on-ramp detection
US9299004B2 (en) 2013-10-24 2016-03-29 Adobe Systems Incorporated Image foreground detection
US9330334B2 (en) 2013-10-24 2016-05-03 Adobe Systems Incorporated Iterative saliency map estimation
US9452754B2 (en) 2013-12-04 2016-09-27 Mobileye Vision Technologies Ltd. Systems and methods for detecting and responding to traffic laterally encroaching upon a vehicle
WO2015103159A1 (en) 2013-12-30 2015-07-09 Tieman Craig Arnold Connected vehicle system with infotainment interface for mobile devices
CN106462727B (zh) 2014-01-30 2020-02-11 移动眼视力科技有限公司 车辆、车道终止检测系统和方法
CN106461774B (zh) 2014-02-20 2019-04-23 御眼视觉技术有限公司 基于雷达提示视觉成像的高级驾驶员辅助系统
CN103793925B (zh) 2014-02-24 2016-05-18 北京工业大学 融合时空特征的视频图像视觉显著程度检测方法
DE102014205170A1 (de) 2014-03-20 2015-11-26 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Ermitteln einer Trajektorie für ein Fahrzeug
CN105100134A (zh) 2014-04-28 2015-11-25 思科技术公司 屏幕共享缓存管理
WO2015177648A1 (en) 2014-05-14 2015-11-26 Ofer Springer Systems and methods for curb detection and pedestrian hazard assessment
US9720418B2 (en) 2014-05-27 2017-08-01 Here Global B.V. Autonomous vehicle monitoring and control
CN112528737B (zh) 2014-06-03 2022-03-01 御眼视觉技术有限公司 用于检测对象的系统和方法
US9457807B2 (en) 2014-06-05 2016-10-04 GM Global Technology Operations LLC Unified motion planning algorithm for autonomous driving vehicle in obstacle avoidance maneuver
US9554030B2 (en) 2014-09-29 2017-01-24 Yahoo! Inc. Mobile device image acquisition using objects of interest recognition
US9746550B2 (en) 2014-10-08 2017-08-29 Ford Global Technologies, Llc Detecting low-speed close-range vehicle cut-in
KR101664582B1 (ko) 2014-11-12 2016-10-10 현대자동차주식회사 자율주행차량의 주행경로 생성장치 및 방법
US10115024B2 (en) 2015-02-26 2018-10-30 Mobileye Vision Technologies Ltd. Road vertical contour detection using a stabilized coordinate frame
DE102015204658A1 (de) * 2015-03-16 2016-09-22 Bayerische Motoren Werke Aktiengesellschaft Verfahren, Gerät, und Fahrzeug zum Validieren von Steuerbefehlen einer Haupteinheit
JP6421684B2 (ja) 2015-04-17 2018-11-14 井関農機株式会社 乗用草刈機
US10635761B2 (en) 2015-04-29 2020-04-28 Energid Technologies Corporation System and method for evaluation of object autonomy
DE102015211926A1 (de) 2015-06-26 2016-12-29 Robert Bosch Gmbh Verfahren und Vorrichtung zum Ermitteln bzw. Bewerten einer Soll-Trajektorie eines Kraftfahrzeugs
WO2017013875A1 (ja) 2015-07-23 2017-01-26 日本電気株式会社 経路切替装置、経路切替システムおよび経路切替方法
US9587952B1 (en) 2015-09-09 2017-03-07 Allstate Insurance Company Altering autonomous or semi-autonomous vehicle operation based on route traversal values
US9568915B1 (en) 2016-02-11 2017-02-14 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous or semi-autonomous vehicle
US9535423B1 (en) 2016-03-29 2017-01-03 Adasworks Kft. Autonomous vehicle with improved visual detection ability
EP3588226B1 (en) * 2018-06-29 2020-06-24 Zenuity AB Method and arrangement for generating control commands for an autonomous road vehicle

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8849494B1 (en) * 2013-03-15 2014-09-30 Google Inc. Data selection by an autonomous vehicle for trajectory modification
US20150266455A1 (en) * 2013-12-06 2015-09-24 Christopher Kenneth Wilson Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom
GB2523232A (en) * 2013-12-18 2015-08-19 Ford Global Tech Llc Autonomous driving style learning
CN105575210A (zh) * 2014-10-31 2016-05-11 福特全球技术公司 用于预测性的驾驶模式学习和启用的方法和设备
CN108290578A (zh) * 2015-12-18 2018-07-17 英特尔公司 管理自主车辆
CN107200017A (zh) * 2017-05-22 2017-09-26 北京联合大学 一种基于深度学习的无人驾驶车辆控制系统
CN107491073A (zh) * 2017-09-05 2017-12-19 百度在线网络技术（北京）有限公司 无人驾驶车辆的数据训练方法和装置

Also Published As

Publication number Publication date
US20200241533A1 (en) 2020-07-30
CN117087681A (zh) 2023-11-21
US10656644B2 (en) 2020-05-19
US11983008B2 (en) 2024-05-14
US20190072960A1 (en) 2019-03-07
CN111183073B (zh) 2023-06-30
US20220197283A1 (en) 2022-06-23
US11294375B2 (en) 2022-04-05
WO2019051506A1 (en) 2019-03-14

Similar Documents

Publication Publication Date Title
CN111344646B (zh) 用于自主车辆的轨迹规划的基于数据驱动的预测的系统和方法
US11958473B2 (en) System and method for using human driving patterns to detect and correct abnormal driving behaviors of autonomous vehicles
US11673557B2 (en) System and method for path planning of autonomous vehicles based on gradient
CN111183073B (zh) 使用人类驾驶模式来管理自主车辆的速度控制的系统和方法
CN110944894B (zh) 基于驾驶员控制车辆能力在自主驾驶模式和手动驾驶模式之间转换的系统和方法
US11830205B2 (en) System and method for online real-time multi- object tracking
CN111356620B (zh) 用于自主车辆控制以最小化能量成本的系统和方法
US20190367019A1 (en) System and method for proximate vehicle intention prediction for autonomous vehicles
CN111373458B (zh) 用于自主车辆的轨迹规划的基于预测的系统和方法
CN112154088A (zh) 用于自主车辆的自动车道变更控制的系统和方法
CN112272844B (zh) 针对用于自主车辆的邻近车辆意图预测的系统和方法

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