CN111190418A - 使用多维包络调整运载工具的横向间隙 - Google Patents
使用多维包络调整运载工具的横向间隙 Download PDFInfo
- Publication number
- CN111190418A CN111190418A CN201911037999.6A CN201911037999A CN111190418A CN 111190418 A CN111190418 A CN 111190418A CN 201911037999 A CN201911037999 A CN 201911037999A CN 111190418 A CN111190418 A CN 111190418A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- dimensional envelope
- objects
- trajectory
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000010276 construction Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000036461 convulsion Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 description 109
- 238000004891 communication Methods 0.000 description 49
- 230000008447 perception Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 17
- 230000008859 change Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000001747 pupil Anatomy 0.000 description 3
- 231100000430 skin reaction Toxicity 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000008921 facial expression Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000010344 pupil dilation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010040914 Skin reaction Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035483 skin reaction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
- G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
- G05D1/0261—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic plots
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
- G05D1/0263—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic strips
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- 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
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
- B60W2754/20—Lateral distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
Abstract
除了其他方面,描述了用于使用多维包络调整运载工具的横向间隙的技术。生成针对运载工具的轨迹。生成指示运载工具的可行驶区域并包含轨迹的多维包络。识别沿着或邻近轨迹定位的一个或多个对象。调整所生成的多维包络的至少一个维度以调整运载工具与所识别的一个或多个对象之间的横向间隙。运载工具的控制模块沿着多维包络对运载工具进行导航。
Description
相关申请的交叉引用
本申请要求2018年10月29日提交的美国临时申请62/752,294和2019年2月25日提交的美国临时申请62/810,341的权益,这两个申请均通过引用以其整体并入本文。
技术领域
本说明书涉及使用多维包络调整运载工具的横向间隙。
技术背景
当运载工具正在道路网络内导航时,诸如其他运载工具或行人的对象可能存在或可能会闯入车道,导致运载工具减速或停止。用于运载工具的传统导航系统通常依赖于行驶环境的详细统计模型来做出行驶决策。然而,此类详细的统计模型可能过于复杂而无法即时分析。其他导航系统可能比较保守,导致运载工具在感测到任何附近对象时停止。此外,用于遵循从初始位置到目的地的预定路线的运载工具的传统的反应性导航系统通常不足以进行路线管理。对于快速变化的行驶条件,反应性导航系统可能会导致行程延迟或碰撞。因此,需要一种用于运载工具的路线管理的更灵活的方法。
发明内容
提供了用于使用多维包络调整运载工具的横向间隙的技术。运载工具的一个或多个处理器生成运载工具的轨迹。轨迹包括在初始时空位置处开始并在目的地时空位置处终止的多个连接的时空位置。生成指示运载工具的可行驶区域的多维包络。多维包络包含轨迹。识别位于轨迹上或轨迹附近的一个或多个对象。调整多维包络的尺寸以增加运载工具与所识别的对象之间的横向间隙。运载工具的控制模块沿着多维包络对运载工具进行导航以增加运载工具与其他对象之间的横向间隙。
在一个实施例中,使用运载工具的一个或多个处理器,生成指示运载工具的可行驶区域的多维包络。使用一个或多个处理器,针对所生成的多维包络的至少一侧、相对于对象确定横向误差容限。使用传感器数据识别对象。响应于所确定的横向误差容限小于阈值,使用横向误差容限来调整所生成的多维包络的至少一个维度以改变运载工具与所识别的对象之间的横向间隙。使用运载工具的控制电路,根据调整后的多维包络对运载工具进行导航。
在一个实施例中,轨迹的生成包括从远程服务器或位于运载工具内的输入设备接收轨迹。
在一个实施例中,一个或多个对象的识别包括识别一个或多个对象,其中,运载工具与一个或多个对象发生碰撞的可能性大于零。
在一个实施例中,所生成的多维包络的尺寸的调整基于运载工具的速度、加速度或跃度大小。
在一个实施例中,所生成的多维包络对应于具有几何体积的形状。
在一个实施例中,几何体积为管状、立方体或圆锥形。
在一个实施例中,使用包含在包含运载工具的环境的地图内的信息来生成多维包络。
在一个实施例中,包含在环境的地图中的信息表示环境的道路、停车场、桥梁、施工区域、道路的路缘、车道的边界、交叉口或建筑物。
在一个实施例中,使用描述所识别的一个或多个对象的信息来生成多维包络。
在一个实施例中,一个或多个传感器包括单目摄像机、立体摄像机、可见光相机、红外相机、热成像仪、LiDAR、雷达、超声传感器、飞行时间(TOF)深度传感器、速度传感器、温度传感器、湿度传感器或降水传感器。
在一个实施例中,一个或多个传感器包括惯性测量单元(IMU)、车轮速度传感器、车轮制动压力传感器、制动扭矩传感器、发动机扭矩传感器、车轮扭矩传感器、转向角传感器或角速率传感器。
在一个实施例中,所识别的一个或多个对象包括其他运载工具。
在一个实施例中,所识别的一个或多个对象包括行人或骑自行车的人。
在一个实施例中,所识别的一个或多个对象包括施工区域或路缘。
在一个实施例中,多维包络的生成包括对轨迹进行采样以识别多个时空位置。针对多个时空位置中的每个时空位置、相对于所识别的一个或多个对象确定横向误差容限。针对多个时空位置中的每个时空位置、使用所确定的横向误差容限来生成多维包络。
在一个实施例中,多维包络的生成包括针对所述多维包络的一侧,使用相对于所识别的一个或多个对象的横向误差容限来确定多维包络的宽度。
在一个实施例中,使用针对运载工具的速度约束来确定运载工具与所识别的一个或多个对象发生碰撞的可能性,其中,运载工具沿着运载工具的当前时空位置与轨迹上的轨迹与车道边界相交的时空位置之间的轨迹行进,并且其中运载工具在车道内行进。速度约束的示例包括最大或最小合法速度限制、另一对象(诸如,在运载工具前方的另一移动的运载工具)的速度、运载工具的机械限制、基于运载工具的部件失效的速度限制、基于天气状况的速度限制、用户首选的速度限制或基于道路特征(诸如,曲率角或坡度)的速度限制。
在一个实施例中,相对于运载工具的纵轴上的位置确定运载工具与所识别的一个或多个对象发生碰撞的可能性,其中该位置远离运载工具的后轴。
在一个实施例中,多维包络的生成还包括确定运载工具与物理路缘的距离、车道的边界或车道与另一车道的交叉。
在一个实施例中,所生成的多维包络的尺寸的调整还包括在运载工具从车道导航到第二车道之前减小多维包络的尺寸。
在一个实施例中,多维包络的尺寸的调整包括从一个或多个传感器接收运载工具中的乘客的乘客数据。使用乘客数据调整尺寸。
在一个实施例中,使用表示运载工具正在执行的运载工具操控的信息来生成多维包络。
在一个实施例中,运载工具操控包括变道、经过另一运载工具、平行停车、两点转弯、左转弯、右转弯、对交通转盘进行导航、驶过紧急车辆、转入停车场,或合并到高速公路上。
在一个实施例中,运载工具沿多维包络的导航包括使用控制模块确定调整后的多维包络的中心线。沿着所确定的多维包络的中心线对运载工具进行导航。
在一个实施例中,运载工具包括一个或多个计算机处理器。一个或多个非瞬态存储介质存储指令,当这些指令由一个或多个计算机处理器执行时,使得本文公开的权利要求中任一项的方法被执行。
在一个实施例中,一个或多个非瞬态存储介质存储指令,当这些指令由一个或多个计算设备执行时,使得本文公开的权利要求中任一项的方法被执行。
在一个实施例中,一种方法包括执行涉及指令的机器执行的操作,所述指令在由一个或多个计算设备执行时使得本文公开的权利要求中任一项的方法被执行,其中,机器执行的操作是发送所述指令、接收所述指令、存储所述指令或执行所述指令中的至少一者。
在一个实施例中,运载工具包括被配置为识别一个或多个对象的感知模块,其中该运载工具与一个或多个对象发生碰撞的可能性大于零。规划模块通信地耦合到感知模块并且被配置为生成运载工具的轨迹。生成指示运载工具的可行驶区域并包含轨迹的多维包络。调整所生成的多维包络的尺寸以调整运载工具与一个或多个对象之间的横向间隙。控制模块通信地耦合到规划模块,并且被配置为从规划模块接收调整后的多维包络。确定调整后的多维包络的中心线。运载工具沿着所确定的多维包络的中心线进行导航。
可以将这些和其他方面、特征和实现表达为方法、装置、系统、组件、程序产品、用于执行功能的装置或步骤、以及以其他方式表达。
根据包括权利要求的以下描述,这些和其他方面、特征和实现方式将变得显而易见。
附图说明
图1图示出根据一个或多个实施例的具有自主能力的自主运载工具(AV)的示例。
图2图示出根据一个或多个实施例的示例性“云”计算环境。
图3图示出根据一个或多个实施例的计算机系统。
图4图示出根据一个或多个实施例的用于AV的示例架构。
图5图示出根据一个或多个实施例可由感知模块使用的输入和输出的示例。
图6图示出根据一个或多个实施例的LiDAR系统的示例。
图7图示出根据一个或多个实施例的操作中的LiDAR系统。
图8更详细地图示出根据一个或多个实施例的LiDAR系统的操作。
图9图示出根据一个或多个实施例的规划模块的输入与输出之间的关系的框图。
图10图示出根据一个或多个实施例的在路径规划中使用的有向图。
图11图示出根据一个或多个实施例的控制模块的输入和输出的框图。
图12图示出根据一个或多个实施例的控制器的输入、输出和组件的框图。
图13图示出根据一个或多个实施例的用于使用多维包络调整横向间隙的架构的框图。
图14图示出根据一个或多个实施例的生成用于调整横向间隙的多维包络的示例。
图15图示出根据一个或多个实施例的使用多维包络调整横向间隙的示例。
图16图示出根据一个或多个实施例的基于运载工具的轨迹和速度确定碰撞的可能性的示例。
图17图示出根据一个或多个实施例的使用多维包络调整横向间隙的过程。
图18图示出根据一个或多个实施例的使用多维包络调整横向间隙的过程。
具体实施方式
在以下描述中,出于解释的目的阐述了众多特定细节以便提供对本发明的透彻理解。然而,将显而易见的是,可以在没有这些特定细节的情况下实践本发明。在其他情况下,以框图形式示出了公知的结构和设备,以避免不必要地使本发明模糊。
在附图中,为了易于描述,示出了示意性要素的特定布置或次序,示意性要素诸如表示设备、模块、指令块和数据要素的那些示意性要素。然而,本领域技术人员应当理解,附图中的示意性要素的特定排序或布置并非旨在暗示要求特定的处理次序或顺序、或过程的分离。此外,在附图中包括示意性要素并不意味着暗示在所有实施例中都要求此类要素,或者在一些实施例中由此类要素表示的特征可以不被包括在其他要素中或与其他要素组合。
此外,在附图中,在使用诸如实线或虚线或箭头的之类连接要素来说明两个或更多个其他示意性要素之间的连接、关系或关联的情况下,不存在任何此类连接要素并不意味着暗示没有连接、关系或关联可以存在。换句话说,要素之间的一些连接、关系或关联未在附图中示出,以免使本公开模糊。另外,为了易于说明,使用单个连接要素来表示要素之间的多个连接、关系或关联。例如,在连接要素表示信号、数据或指令的通信的情况下,本领域技术人员应当理解,此类要素如可根据需要来表示一个或多个信号路径(例如,总线)以影响通信。
现在将详细参照实施例,在附图中图示出这些实施例的示例。在以下详细描述中,阐述了众多具体细节以便提供对各个所描述的实施例的透彻理解。然而,对本领域的普通技术人员将显而易见的是,可在没有这些特定细节的情况下实践各个所描述的实施例。在其他实例中,并未对公知方法、程序、组件、电路以及网络进行详细描述,以免不必要地使实施例的各方面模糊。
以下描述了若干特征,这些特征各自可以彼此独立地使用或者与其他特征的任何组合一起使用。然而,任何单独的特征可能无法解决上面讨论的问题中的任一个,或者可能仅解决上面讨论的问题之一。上面讨论的问题中的一些可能无法通过本文中所描述的特征中的任一特征完全解决。尽管提供了标题,与特定标题有关但未在具有该标题的部分中找到的信息也能在本说明书中的其他地方被找到。本文中根据以下大纲来对实施例进行描述:
1.总体概述
2.硬件概述
3.自主运载工具架构
4.自主运载工具输入
5.自主运载工具规划
6.自主运载工具控制
7.用于调整横向间隙的架构
8.调整横向间隙的示例
9.用于调整横向间隙的过程
总体概述
从初始时空位置行进到目的地时空位置的AV在道路网络上遇到环境特征(诸如,路缘)或对象(诸如,其他运载工具)。本文公开的实施例涉及调整AV与道路网络上的其他运载工具或环境特征之间的横向间隙。监测AV的当前位置,并将其与沿其路径的潜在危险的位置相关联,以调整AV的横向移动自由度。生成多维包络,该多维包络考虑了AV的物理存在和操作容限。包络是由围绕AV的可变空间定义的,其中当AV沿着其预期轨迹行进时,AV物理上存在。包络的形状和大小动态变化,以满足面对AV的路况的安全要求,并提高乘客的舒适度。通过识别道路上的其他对象、AV轨迹与其他运载工具之间的交叉并且改变交通状况来调整包络的尺寸。
特别地,公开了用于使用多维包络来调整AV的横向间隙的方法、系统和装置。AV的一个或多个处理器用于生成或接收运载工具的路线或轨迹。生成多维包络,该多维包络表示轨迹上每个采样位置L的横向误差EL的容限。多维包络指示基于静态地图信息和动态跟踪对象的AV的可行驶区域。多维包络包含轨迹。多维包络被包含在环境中。
识别位于环境内的一个或多个对象。调整多维包络的尺寸以增加AV与环境中另一个已识别对象之间的横向间隙。多维包络的尺寸的调整减小了对象与AV和所识别的对象(诸如,活动运载工具、非活动运载工具、行人、自行车,和/或施工区域)碰撞的可能性LC。运载工具的控制模块沿着多维包络对运载工具进行导航以增加横向间隙。
硬件概述
图1图示出具有自主能力的自主运载工具100的示例。
如本文中所使用,术语“自主能力”指使得运载工具能够在没有实时人类干预的情况下被部分地或完全地操作的功能、特征或设施,包括但不限于完全自主的运载工具、高度自主的运载工具以及有条件的自主运载工具。
如本文中所使用,自主运载工具(AV)是具有自主能力的运载工具。
如本文中所使用,“运载工具”包括运输货物或人的装置。例如,汽车、公共汽车、火车、飞机、无人机、卡车、船只、船舶、潜水器、飞船等。无人驾驶汽车是AV的示例。
如本文中所使用,“道路”是可由运载工具穿行的物理区域,并且可以与经命名的通路(例如,城市街道、州际高速公路等)相对应,或可以与未经命名的通路(例如,住宅或办公建筑中的车道、停车场的一段、空地的一段以及乡村区域的土路等)相对应。
如本文中所使用,“车道”是可由运载工具穿行的道路的部分,并且可对应于车道标记之间的大多数或全部空间,或可对应于车道标记之间的空间中的仅一些(例如,少于50%)。例如,具有分隔较远的车道标记的道路可在标记之间容纳两个或更多个运载工具,使得一个运载工具能够在不穿越车道标记的情况下经过另一运载工具,并且可因此解释为在车道标记之间具有两个车道。车道也可以独立于标记。例如,如果另一运载工具临时停在导航运载工具前并且占据导航运载工具正在行驶的标记车道的一部分,“新车道”可以被定义为标记车道的剩余部分和相邻标记车道的一部分。
如本文中所使用,“轨迹”指的是用于将AV从第一时空位置导航至第二时空位置的路径或路线。在实施例中,第一时空位置被称为初始或起始位置,且第二时空位置被称为目的地、最终位置、目标、目标地点或目标位置。在一些示例中,轨迹由一个或多个段(例如,道路区段)组成,并且每段由一个或多个块(例如,车道或交叉口的部分)组成。在实施例中,时空位置与现实世界位置相对应。例如,时空位置是用于接载或卸放人或货物的接载或卸放位置。
如本文所使用,“传感器”包括一个或多个物理组件,该物理组件检测有关该物理组件周围的环境的信息。这些物理组件中的一些可包括电子组件,诸如模数转换器、缓冲器(诸如RAM和/或非易失性存储器)以及数据处理组件,诸如ASIC(专用集成电路)、微处理器和/或微控制器。
“一个或多个”包括:由一个要素执行的功能;由多于一个的要素例如以分布式方式执行的功能;由一个要素执行的若干功能;由若干要素执行的若干功能;或上述的任何组合。
还将理解的是,虽然在一些实例中,术语第一、第二等在本文中用于描述各种要素,但这些要素不应受这些术语的限制。这些术语仅用于将一个要素与另一个区别开来。例如,第一接触件可被称为第二接触件,并且类似地,第二接触件可被称为第一接触件,而没有背离各个所描述的实施例的范围。第一接触件和第二接触件二者都是接触件,但它们并非相同的接触件。
在对本文中各种所描述的实施例的描述中使用的术语仅出于描述特定实施例的目的,而不旨在是限制性的。如在对所描述的各实施例和所附权利要求的描述中所使用,单数形式“一(a、an)”、和“该(the)”旨在也包括复数形式,除非上下文另外明确指出。还将理解的是,本文所使用的术语“和/或”是指并且包含相关联的所列项目中的任一个以及相关联的所列项目中的一个或更多个的所有可能的组合。将进一步理解的是,术语“包含(includes、including)”和/或“包括(comprises、comprising)”当在本申请文件中使用时,指明所陈述的特征、整数、步骤、操作、要素和/或组件的存在,但并不排除一个或多个其他特征、整数、步骤、操作、要素、组件和/或其群组的存在或添加。
如本文中所使用的,取决于上下文,术语“如果(if)”可选地被解释为表示“当…时或“在…后”或“响应于确定”或“响应于检测到”。类似地,取决于上下文,短语“如果被确定”或“如果检测到(所陈述的状况或事件)”被可选地解释为表示“在确定…后”或“响应于确定”或“在检测到(所陈述的状况或事件)后”或“响应于检测到(所陈述的状况或事件)”。
如本文中所使用,AV系统指的是该AV以及支持该AV的操作的硬件、软件、存储的数据以及实时生成的数据的阵列。在实施例中,AV系统被结合到AV中。在实施例中,AV系统跨若干位置分布。例如,AV系统的软件中的一些实现在类似于下文关于图3描述的云计算环境300的云计算环境上。
总体上,本文描述适用于具有一项或多项自主能力的任何运载工具的技术,这些运载工具包括完全自主的运载工具、高度自主的运载工具和有条件自主的运载工具,诸如分别为所谓的5级、4级和3级运载工具(参见SAE国际标准J3016:与道路机动车辆自动驾驶系统相关的术语的分类和定义(Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems),其通过引用整体并入本文,以用于有关运载工具的自主级别的分类的更多详细信息)。本文描述的技术也可以应用于部分自主运载工具和驾驶员辅助运载工具,诸如所谓的2级和1级运载工具(参见SAE国际标准J3016:与道路机动车辆自动驾驶系统相关的术语的分类和定义)。在实施例中,1级、2级、3级、4级和5级运载工具系统中的一个或多个可以基于传感器输入的处理在某些操作条件下使某些运载工具操作(例如,转向、制动和使用地图)自动化。本文描述的技术能够使从完全自主的运载工具到人工操作的运载工具的范围内的任何级别的运载工具受益。
参考图1,AV系统120自主地或半自主地操作AV 100沿着轨迹198通过环境190至目的地199(有时被称为最终位置),同时避开对象(例如,自然障碍191、运载工具193、行人192、骑车者以及其他障碍物)并遵守道路规则(例如,操作规则或驾驶偏好)。
在实施例中,AV系统120包括设备101,该设备101被装配成用于接收并作用于来自计算机处理器E的操作命令。在实施例中,计算处理器146与下文参照图3描述的处理器304类似。设备101的示例包括转向控制件102、制动器103、齿轮、加速器踏板或其他加速控制机制、风挡雨刮器、侧门锁、窗户控制件或转向指示器。
在实施例中,AV系统120包括传感器121,用于测量或推断AV 100的状态或状况的属性,诸如AV的位置、线速度和角速度和加速度、以及前进方向(例如,AV 100前端的取向)。传感器121的示例为GNSS(全球导航卫星系统)传感器、测量运载工具线性加速度和角速度的惯性测量单元(IMU)、用于测量或估计轮滑移率的轮速度传感器、轮制动压力或制动扭矩传感器、发动机扭矩或轮扭矩传感器以及转向角和角速度传感器。
在实施例中,传感器121也包括用于感测或测量AV的环境的属性的传感器。例如,采用可见光、红外或热(或两者)光谱的单目或立体视频相机122、LiDAR 123、雷达、超声传感器、飞行时间(TOF)深度传感器、速度传感器、温度传感器、湿度传感器以及降水传感器。
在实施例中,AV系统120包括数据存储单元142以及存储器144,用于存储与计算机处理器146相关联的机器指令或由传感器121收集的数据。在实施例中,数据存储单元142与下文描述的与图3有关的ROM 308或存储设备310类似。在实施例中,存储器144与下文描述的主存储器306类似。在实施例中,数据存储单元142和存储器144存储与环境190相关的历史信息、实时信息和/或预测信息。在实施例中,所存储的信息包括地图、驾驶性能、交通堵塞更新或天气状况。在实施例中,与环境190相关的数据从位于远程的数据库134通过通信信道被传送到AV 100。
在实施例中,AV系统120包括通信设备140,用于将其他运载工具的状态和状况的所测量或所推断的属性(诸如位置、线速度和角速度、线加速度和角加速度、以及线性前进方向和角航向)传递至AV 100。这些设备包括运载工具到运载工具(V2V)和运载工具到基础设施(V2I)通信设备以及用于通过点对点或自组织网络或通过这两者进行无线通信的设备。在实施例中,通信设备140跨电磁频谱(包括无线电通信和光通信)或其他介质(例如,空气和声学介质)进行通信。运载工具到运载工具(V2V)通信与运载工具到基础设施(V2I)通信(以及在一些实施例中,一个或多个其他类型的通信)的组合有时被称为运载工具到所有(V2X)通信。V2X通信通常遵守一个或多个与自主运载工具通信或在自主运载工具之间进行通信的通信标准。
在实施例中,通信设备140包括通信接口。例如,有线、无线、WiMAX、Wi-Fi、蓝牙、卫星、蜂窝、光、近场、红外或无线电接口。通信接口将数据从位于远程的数据库134传送到AV系统120。在实施例中,位于远程的数据库134嵌入在如图2中所示的云计算环境200中。通信接口140将从传感器121收集的数据或与AV 100的操作相关的其他数据传送到位于远程的数据库134。在实施例中,通信接口140将与遥操作相关的信息传送到AV 100。在一些实施例中,AV 100与其他远程(例如,“云”)服务器136通信。
在实施例中,位于远程的数据库134也存储并传送数字数据(例如,存储诸如道路和街道位置之类的数据)。此类数据被存储在位于AV 100上的存储器144中,或通过通信信道从位于远程的数据库134被传送到AV 100。
在实施例中,位于远程的数据库134存储并传送有关运载工具的驾驶属性的历史信息(例如,速度和加速度分布),该运载工具之前曾在一天中类似的时间沿着轨迹198行驶。在一个实现中,此类数据可被存储在位于AV 100上的存储器144中,或通过通信信道从位于远程的数据库134被传送到AV 100。
位于AV 100上的计算设备146基于实时传感器数据和先前信息通过算法方式生成控制动作,从而允许AV系统120执行其自主驾驶能力。
在实施例中,AV系统120包括耦合至计算设备146的计算机外围设备132,用于向AV100的用户(例如,乘客或远程用户)提供信息和警报以及接收来自该用户的输入。在实施例中,外围设备132与下文参照图3所讨论的显示器312、输入设备314以及光标控制器316类似。耦合是无线的或有线的。可以将接口设备中的任何两个或更多个集成到单个设备中。
云计算环境
图2示出了示例性“云”计算环境。云计算是服务交付模型,用于实现到可配置计算资源(例如,网络、网络带宽、服务器、处理、存储器、存储、应用、虚拟机以及服务)共享池的方便、按需的网络访问。在典型的云计算系统中,一个或多个大型云数据中心容纳被用于交付由云提供的服务的机器。现在参考图2,云计算环境200包括云数据中心204a、204b以及204c,它们通过云202被互连。数据中心204a、204b以及204c向连接到云202的计算机系统206a、206b、206c、206d、206e以及206f提供云计算服务。
云计算环境200包括一个或多个云数据中心。通常,云数据中心(例如图2中所示的云数据中心204a)指的是组成云(例如,图2中示出的云202)或云的特定部分的服务器的物理布置。例如,服务器在云数据中心物理地布置为房间、组、排以及机架。云数据中心具有一个或多个区域,这一个或多个区域包括一个或多个服务器房间。每一个房间具有一排或多排服务器,并且每一排包括一个或多个机架。每一个机架包括一个或多个个体服务器节点。在一些实现中,基于数据中心设施的物理基础设施要求(其包括功率、能源、热、热量和/或其他要求)将区域、房间、机架和/或排中的服务器被布置成组。在实施例中,服务器节点与图3中所述的计算机系统类似。数据中心204a具有通过许多机架而分布的许多计算系统。
云202包括云数据中心204a、204b和204c以及网络和联网资源(例如,联网装备、节点、路由器、交换机以及联网电缆),这些网络和联网资源将云数据中心204a、204b以及204c互连,并帮助促进计算系统206a-f对云计算服务的访问。在实施例中,网络表示使用有线或无线链路耦合的一个或多个本地网络、广域网或互联网络的任何组合,有线和无线链路使用地面或卫星连接来部署。通过网络交换的数据使用任何数量的网络层协议进行传送,这些网络层协议诸如网际协议(IP)、多协议标签交换(MPLS)、异步传输模式(ATM)以及帧中继等。进一步地,在其中网络表示多个子网的组合的实施例中,在下方子网中的每一个子网处使用不同的网络层协议。在一些实施例中,网络表示一个或多个经互连的互联网络,诸如公共因特网。
计算系统206a-f或云计算设备消费方通过网络链路和网络适配器被连接至云202。在实施例中,计算系统206a-f被实现为各种计算设备,例如服务器、台式计算机、膝上型计算机、平板、智能手机、IoT设备、自主运载工具(包括,汽车、无人机、班车、火车、公共汽车等)以及消费者电子产品。在实施例中,计算系统206a-f在其他系统中实现或实现为其他系统的部分。
计算机系统
图3图示出计算机系统300。在实现中,计算机系统300是专用计算设备。专用计算机设备是硬接线的以执行技术,或包括被持久地编程以执行技术的数字电子设备(诸如,一个或多个专用集成电路(ASIC)或现场可编程门阵列(FPGA)),或可包括被编程以依照固件、存储器、其他存储或其组合内的程序指令来执行技术的一个或多个通用硬件处理器。此类专用计算设备还可将定制的硬接线逻辑、ASIC或FPGA与定制的编程进行组合,以实现这些技术。在各种实施例中,专用计算设备是台式计算机系统、便携式计算机系统、手持设备、网络设备或包含用于实现这些技术的硬接线和/或程序逻辑的任何其他设备。
在实施例中,计算机系统300包括用于传送信息的总线302或其他通信机制、以及与总线304耦合以用于处理信息的硬件处理器302。硬件处理器304例如是通用微处理器。计算机系统300还包括主存储器306(诸如,随机存取存储器(RAM)或其他动态存储设备),该主存储器耦合至总线302,用于存储信息以及用于由处理器304执行的指令。在一个实现中,主存储器306被用来在用于处理器304执行的指令的执行期间存储临时变量或其他中间信息。此类指令在被存储在对于处理器304可访问的非瞬态存储介质中时将计算机系统300呈现为被定制成用于执行这些指令中指定的操作的专用机器。
在实施例中,计算机系统300进一步包括耦合至总线302的、用于存储用于处理器304的静态信息和指令的只读存储器(ROM)308或其他静态存储设备。提供存储设备310,并且该存储设备耦合至总线302以用于存储信息和指令,该存储设备诸如,磁盘、光盘、固态驱动器、或三维交叉点存储器。
在实施例中,计算机系统300经由总线302耦合至显示器312以向计算机用户显示信息,该显示器312诸如,阴极射线管(CRT)、液晶显示器(LCD)、等离子体显示器、发光二极管(LED)显示器、或有机发光二极管(OLED)显示器。包括字母数字及其他键的输入设备314耦合至总线302,用于将信息和命令选择传送到处理器304。另一类型的用户输入设备是用于将方向信息和命令选择传送到处理器304并用于控制显示器312上的光标移动的光标控制器316,诸如,鼠标、轨迹球、启用触摸的显示器或光标方向键。该输入设备典型地具有两个轴(第一轴(例如,x轴)和第二轴(例如,y轴))上的两个自由度,这允许设备指定平面中的位置。
根据一个实施例,本文中的技术由计算机系统300响应于处理器304执行主存储器306中所包含的一条或多条指令的一个或多个序列而执行。此类指令从另一存储介质(诸如,存储设备310)被读取到主存储器306中。对主存储器306中所包含的指令序列的执行使得处理器304执行本文中所描述的过程步骤。在替代实施例中,使用硬接线电路代替软件指令,或者与软件指令组合地使用硬接线电路。
本文中所使用的术语“存储介质”是指存储使得机器以特定方式进行操作的数据和/或指令的任何非暂态介质。此类存储介质包括非易失性介质和/或易失性介质。非易失性介质包括例如,光盘、磁盘、固态驱动器或三维交叉点存储器,诸如存储设备310。易失性介质包括动态存储器,诸如主存储器306。常见形式的存储介质包括例如,软盘、柔性盘、硬盘、固态驱动器、磁带或任何其他磁数据存储介质、CD-ROM、任何其他光学数据存储介质、具有孔图案的任何物理介质、RAM、PROM和EPROM、闪存-EPROM、NV-RAM、或任何其他存储芯片或盒式存储器。
存储介质与传输介质不同,但可以与传输介质一同使用。传输介质参与在存储介质之间传递信息。例如,传输介质包括同轴电缆、铜导线和光纤,包括含总线302的导线。传输介质还可以采取声波或光波的形式,诸如那些在无线电波和红外数据通信期间生成的波。
在实施例中,各种形式的介质涉及将一条或多条指令的一个或多个序列承载至处理器304以供执行。例如,指令最初被承载在远程计算机的磁盘或固态驱动器上。远程计算机将这些指令加载到其动态存储器中,并使用调制解调器通过电话线发送这些指令。计算机系统300本地的调制解调器在电话线上接收数据,并使用红外发射器将该数据转换为红外信号。红外检测器接收红外信号中承载的数据,并且适当的电路将该数据置于总线302上。总线302将数据承载至主存储器306,处理器304从该主存储器306检取指令并执行这些指令。由主存储器306接收的指令可在由处理器304执行之前或之后任选地被存储在存储设备310上。
计算机系统300还包括耦合至总线302的通信接口318。通信接口318提供到网络链路320的双向数据通信耦合,该网络链路320连接至本地网络322。例如,通信接口318是集成服务数字网络(ISDN)卡、电缆调制解调器、卫星调制解调器、或用于提供到对应类型的电话线的数据通信连接的调制解调器。作为另一示例,通信接口318是用于提供到兼容的局域网(LAN)的数据通信连接的LAN卡。在一些实现中,还实现了无线链路。在任何此类实现中,通信接口318发送和接收承载表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路320典型地提供通过一个或多个网络到其他数据设备的数据通信。例如,网络链路320提供通过本地网络322到主机计算机324或到由互联网服务提供商(ISP)326运营的云数据中心或装备的连接。ISP 326进而通过世界范围的分组数据通信网络(现在通常被称为“因特网”328)提供数据通信服务。本地网络322和因特网328两者均使用承载数字数据流的电信号、电磁信号或光信号。通过各种网络的信号以及网络链路320上和通过通信接口318的信号是示例形式的传输介质,这些信号承载去往和来自计算机系统300的数字数据。在实施例中,网络320包含上文所述的云202或云202的部分。
计算机系统300通过(多个)网络、网络链路320和通信接口318发送消息并接收包括程序代码的数据。在实施例中,计算机系统300接收代码以用于处理。所接收的代码在其被接收时由处理器304执行,和/或被存储在存储设备310和/或其他非易失性存储中以供稍后执行。
自主运载工具架构
图4图示出用于自主运载工具(例如,图1中所示的AV 100)的示例架构400。架构400包括感知模块402(有时被称为感知电路)、规划模块404(有时被称为规划电路)、控制模块406(有时被称为控制电路)、定位模块408(有时被称为定位电路)以及数据库模块410(有时被称为数据库电路)。每一个模块都在AV 100的操作中发挥作用。模块402、404、406、408以及410一起可以是图1所示的AV系统120的部分。在一些实施例中,模块402、404、406、408以及410中的任一个是计算机软件(例如,存储在计算机可读介质上的可执行代码)以及计算机硬件(例如,一个或多个微处理器、微控制器、专用集成电路(ASIC)、硬件存储器设备、其他类型的集成电路、其他类型的计算机硬件或上述这些事物中的任何事物或所有事物的组合)的组合。
在使用中,规划模块404接收表示目的地412的数据,并确定表示轨迹414(有时被称为路线)的数据,AV 100可沿该轨迹行驶以到达(例如,抵达)目的地412。在使用中,规划模块404接收表示目的地412的数据,并确定表示轨迹414(有时被称为路线)的数据,AV 100可沿该轨迹行驶以到达(例如,抵达)目的地412。
感知模块402使用一个或多个传感器121(例如,也如图1中所示)标识附近的物理对象。对象被分类(例如,被编组为诸如行人、自行车、机动车、交通标志等类型)且表示被分类的对象416的数据被提供给规划模块404。
规划模块404也接收来自定位模块408的表示AV位置418的数据。定位模块408通过使用来自传感器121的数据以及来自数据库模块410的数据(例如,地理数据)来计算位置从而确定AV位置。例如,定位模块408使用来自GNSS(全球导航卫星系统)传感器的数据并使用地理数据来计算AV的经度和纬度。在实施例中,由定位模块408使用的数据包括:道路几何属性的高精度地图、描述道路网络连接性属性的地图、描述道路物理属性(诸如交通速度、交通量、车辆和自行车行车道的数量、车道宽度、车道交通方向或车道标记类型和位置或其组合)的地图、以及描述道路特征(诸如人行横道、交通标志或各种类型的其他行驶信号)的空间位置的地图。
控制模块406接收表示轨迹414的数据以及表示AV位置418的数据,并以将使得AV100沿轨迹414行驶至目的地412的方式操作AV的控制功能420a-c(例如,转向、油门、制动、点火)。例如,如果轨迹414包括左转向,则控制模块406将以如下方式操作控制功能420a-c,该方式使得转向功能的转向角度将使得AV 100左转且油门和制动将使得AV 100在作出转向前停下并等待通行的行人或运载工具。
自主运载工具输入
图5图示出由感知模块402(图4)使用的输入502a-d(例如,图1中所示的传感器121)以及输出504a-d(例如,传感器数据)的示例。一个输入502a是LiDAR(光检测和测距)系统(例如,图1所示的LiDAR123)。LiDAR是使用光(例如,诸如红外光之类的光的猝发)以获得有关其视线内的物理对象的数据的技术。LiDAR系统产生LiDAR数据作为输出504a。例如,LiDAR数据是被用于构建环境190的表示的3D或2D点的集合(也称为点云)。
另一输入502b是雷达系统。雷达是使用无线电波以获取有关附近物理对象的数据的技术。雷达可获取有关不在LiDAR系统视线内的对象的数据。雷达系统502b生成雷达数据作为输出504b。例如,雷达数据是一个或多个被用于构建环境190的表示的射频电磁信号。
另一输入502c是相机系统。相机系统使用一个或多个相机(例如,使用诸如电耦合器件(CCD)之类的光传感器的数码相机)以获得有关附近物理对象的信息。相机系统产生相机数据作为输出504c。相机数据通常采取图像数据的形式(例如,诸如RAW、JPEG、PNG等图像数据格式的数据)。在一些示例中,相机系统具有例如用于立体观测(立体视觉)的多个独立相机,这使得相机系统能够感知深度。尽管由相机系统感知的对象在本文中被描述为“附近”,但这是相对于AV的。在使用中,相机系统可被配置成用于“看见”远处的对象,例如,位于AV前方多达一公里或更远的对象。相应地,相机系统可具有诸如被优化以感知远处对象的传感器以及透镜之类的特征。
另一输入502d是交通灯检测(TLD)系统。TLD系统使用一个或多个相机以获得有关交通灯、街道标志以及提供视觉导航信息的其他物理对象的信息。TLD系统产生TLD数据作为输出504d。TLD数据通常采取图像数据的形式(例如,诸如RAW、JPEG、PNG等图像数据格式的数据)。TLD系统与结合了相机的系统的不同之处在于,TLD系统使用具有广视场(例如,使用广角透镜或鱼眼透镜)的相机以获得有关提供视觉导航信息的尽可能多的物理对象的信息,从而使得AV 100能够访问由这些对象提供的所有相关的导航信息。例如,TLD系统的视角可以是大约120度或更大。
在一些实施例中,输出504a-d是使用传感器融合技术被组合的。因此,各个输出504a-d被提供给AV 100的其他系统(例如,被提供给如图4所示的规划模块404),或者经组合的输出能够以相同类型(例如,使用相同的组合技术,或组合相同的输出,或这两者)或不同类型(例如,使用不同的对应组合技术,或组合不同的对应输出,或这两者)的单个经组合的输出或多个经组合的输出的形式被提供至其他系统,。在一些实施例中,使用早期融合技术。早期融合技术通过在一个或多个数据处理步骤被应用到经组合的输出之前将输出组合来表征。在一些实施例中,使用后期融合技术。后期融合技术通过在一个或多个数据处理步骤被应用到各个输出之后将输出组合来表征。
LiDAR系统的示例
图6图示出LiDAR系统602的示例(例如,图5中所示的输入502a)。LiDAR系统602从光发射器606(例如,激光发射器)发出射线604a-c。由LiDAR系统发出的射线通常不在可视频谱内;例如,通常使用红外射线。发出的射线604b中的一些遇到物理对象608(例如,运载工具)并往回反射到LiDAR系统602。(由LiDAR系统发射的光通常不穿透物理对象,例如,以固态存在的物理对象。)LiDAR系统602也具有一个或多个光检测器610,其检测反射的光。在实施例中,与LiDAR系统相关联的一个或多个数据处理系统生成图像612,该图像612表示LiDAR系统的视场614。图像612包括表示物理对象608的边界616的信息。以此方式,图像612被用于确定AV附近的一个或多个物理对象的边界616。
操作中的LiDAR系统
图7图示出操作中的LiDAR系统602。在该图中示出的场景中,AV 100接收图像702形式的相机系统输出504c以及LiDAR数据点704形式的LiDAR系统输出504a。在使用中,AV100的数据处理系统将图像702与数据点704相比较。具体而言,在图像702中被标识的物理对象706也在数据点704中被标识。以此方式,AV 100基于数据点704的轮廓和密度来感知物理对象的边界。
图8更详细地图示出LiDAR系统602的操作。如上文所述,AV 100基于由LiDAR系统602检测到的数据点的特性来检测物理对象的边界。如图8中所示,平的对象(诸如,地面802)将以一致的方式反射由LiDAR系统602发射的射线804a-d。换言之,由于LiDAR系统602使用一致的间隔发出射线,因此地面802将会以同样一致的间隔将射线往回反射至LiDAR系统602。随着AV 100在地面802上行驶,如果没有对象阻碍道路,则LiDAR系统602将继续检测由下一有效地面点806反射的光。然而,如果对象808阻碍了道路,则由LiDAR系统602发射的光804e-f将以与所预期的一致方式不一致的方式从点810a-b被反射。从该信息中,AV 100可判定存在对象808。
自主运载工具规划
图9图示出规划模块404(例如,如图4中所示)的输入与输出之间的关系的框图900。通常,规划模块404的输出是从起点904(例如,源位置或初始位置)到终点906(例如,目的地或最终位置)的路线902。路线902通常由一个或多个分段定义。例如,分段是指在街道、道路、公路、车道或其他适合机动车行驶的物理区域的至少一部分上行驶的距离。在一些示例中,例如,如果AV 100是具有越野能力的运载工具(诸如,四轮驱动(4WD)或全轮驱动(AWD)汽车、SUV、皮卡等),则路线902包括诸如未铺砌道路或开放空地之类的“越野”区段。
除路线902之外,规划模块也输出车道级路线规划数据908。车道级路线规划数据908被用于基于分段在特定时间的状况来遍历路线902的分段。例如,如果路线902包括多车道公路,则车道级路线规划数据908包括轨迹规划数据910,AV 100可使用该轨迹规划数据,例如基于是否正接近出口、车道中的一个或多个车道是否有其他运载工具、或在几分钟或更短时间内变化的其他因素在多个车道中选择车道。类似地,在一些实现中,车道级路线规划数据908包括特定于路线902的区段的速度约束912。例如,如果区段包括行人或预期外的交通,则速度约束912可将AV 100限制到低于预期速度(例如,基于用于该区段的速度限制数据的速度)的行驶速度。
在实施例中,向规划模块404的输入包括数据库数据914(例如,来自如图4所示的数据库模块410)、当前位置数据916(例如,如图4所示的AV位置418)、目的地数据918(例如,用于如图4所示的目的地412)以及对象数据920(例如,由如图4所示的感知模块402感知的被分类的对象416)。在一些实施例中,数据库数据914包括规划中使用的规则。规则使用正式语言来指定,例如,使用布尔逻辑来指定。在由AV 100遇到的任何给定情况中,规则中的至少一些将应用于该情况。如果规则具有基于可用于AV 100的信息(例如,有关周围环境的信息)而被满足的条件,则该规则应用于给定情况。规则可具有优先级。例如,规则“如果道路为高速公路,则移动至最左侧车道”可具有比“如果一英里以内正接近出口,则移动至最右侧车道”更低的优先级。
路径规划
图10图示出在(例如,由规划模块404(图4)执行的)路线规划中使用的有向图1000。总体上,如图10中所示的有向图那样的有向图1000被用于确定任何起点1002与终点1004之间的路径。在现实世界中,分隔起点1002和终点1004的距离可能相对较大(例如,在两个不同的城市区域)或可能相对较小(例如,紧邻城市街区的两个交叉口或多车道道路的两个车道)。
在实施例中,有向图1000具有节点1006a-d,其表示能够由AV 100占据的起点1002与终点1004之间的不同位置。在一些示例中,例如,当起点1002和终点1004表示不同城市区域时,节点1006a-d表示道路的区段。在一些示例中,例如,当起点1002和终点1004表示相同道路上的不同位置时,节点1006a-d表示该道路上的不同位置。以此方式,有向图1000包括采用不同粒度级别的信息。在实施例中,具有高粒度的有向图也是具有更大比例的另一有向图的子图。例如,在其中起点1002距终点1004较远(例如,相距很多英里)的有向图的大多数信息具有低粒度且该有向图基于所存储的数据,但对于该图的、表示AV 100的视场内的物理位置的部分也包括一些高粒度信息。
节点1006a-d与对象1008a-b不同,对象1008a-b不能与节点重叠。在实施例中,当粒度为低时,对象1008a-b表示不能被机动车穿行的区域,例如,没有街道或道路的区域。当粒度为高时,对象1008a-b表示AV 100的视场内的物理对象,例如,其他机动车、行人、或AV100无法与其共享物理空间的其他实体。在实施例中,对象1008a-b的一些或全部为静态对象(例如,不改变位置的对象,诸如街灯或电线杆)或动态对象(例如,能够改变位置的对象,诸如行人或其他运载工具)。
节点1006a-d由边1010a-c连接。如果两个节点1006a-b由边1010a连接,则AV 100可以在一个节点1006a与另一节点1006b之间行驶,例如,不必在抵达另一节点1006b之前行驶至中间节点。(当我们提到AV 100在节点之间行驶时,我们是指AV 100在由相应节点表示的两个物理位置之间行驶。)在AV 100从第一节点行驶至第二节点或从第二节点行驶至第一节点的意义上,边1010a-c通常是双向的。在实施例中,在AV 100能从第一节点行驶至第二节点但AV 100无法从第二节点行驶至第一节点的意义上,边1010a-c是单向的。当边1010a-c表示例如单行道、街道、道路或公路的各个车道、或由于法律或物理约束仅能在一个方向穿行的其他特征时,边1010a-c是单向的。
在实施例中,规划模块404使用有向图1000来标识由起点1002与终点1004之间的节点和边组成的路径1012。
边1010a-c具有相关联的成本1014a-b。成本1014a-b是表示如果AV 100选择该边则将被花费的资源的值。典型的资源为时间。例如,如果一条边1010a表示另一边1010b两倍的物理距离,则第一边1010a的相关联的成本1014a可以是第二边1010b的相关联的成本1014b的两倍。影响时间的其他因素包括预期交通、交叉路口数量、速度限制等。另一典型的资源为燃料经济性。两条边1010a-b可表示相同的物理距离,但是一条边1010a可能比另一边1010b需要更多的燃料(例如,由于道路状况、预期天气等)。
当规划模块404标识起点1002与终点1004之间的路径1012时,规划模块404通常选择针对成本优化的路径,例如,当各个边的成本加在一起时具有最低总成本的路径。
自主运载工具控制
图11图示出(例如,如图4中所示的)控制模块406的输入和输出的框图1100。控制模块根据控制器1102操作,该控制器1102包括例如与处理器304类似的一个或多个处理器(例如,一个或多个计算机处理器,诸如,微处理器、或微控制器、或这两者)、与主存储器306、ROM 1308以及存储设备210类似的短期和/或长期数据存储(例如,存储器随机存取存储器、或闪存、或这两者)、以及存储在存储器内的指令,当该指令被执行(例如,由一个或多个处理器执行)时执行控制器1102的操作。
在实施例中,控制器1102接收表示期望输出1104的数据。期望输出1104通常包括速度,例如,速率和前进方向。期望输出1104可基于例如从(例如,如图4所示的)规划模块404接收的数据。根据期望输出1104,控制器1102生成可用作油门输入1106以及转向输入1108的数据。油门输入1106表示例如通过接合转向踏板、或接合另一油门控制件以实现期望输出1104来接合AV 100的油门(例如,加速控制)所按照的幅度。在一些示例中,油门输入1106也包括可用于接合AV 100的制动(例如,减速控制)的数据。转向输入1108表示转向角,例如,AV的转向控制件(例如,方向盘、转向角致动器或用于控制转向角的其他功能)为实现期望输出1104而应当被定位所处于的角度。
在实施例中,控制器1102接收反馈,该反馈被用于调整被提供给油门和转向的输入。例如,如果AV 100遇到了扰动1110,诸如山丘,则AV 100的测量速度1112降低至预期输出速度。在实施例中,任何测量输出1114都被提供至控制器1102,使得例如基于测量速度与期望输出之间的差异1113执行必要的调整。测量输出1114包括测量位置1116、测量速度1118(包括速率和朝向)、测量加速度1120以及可由AV 100的传感器测量的其他输出。
在实施例中,有关干扰1110的信息被事先检测(例如,由诸如相机或LiDAR传感器之类的传感器检测),并被提供至预测性反馈模块1122。预测性反馈模块1122随后向控制器1102提供信息,控制器1102可使用该信息以相应地调整。例如,如果AV 100的传感器检测到(“看见”)山,则该信息可被控制器1102使用以准备在合适的时间接合油门以避免显著的减速。
控制器的输入、输出和组件的框图
图12图示出控制器1102的输入、输出以及组件的框图1200。控制器1102具有速度分析器1202,该速度分析器1202影响油门/制动控制器1204的操作。例如,取决于例如由控制器1102接收并由速度分析器1202处理的反馈,速度分析器1202使用油门/制动器1206指示油门/制动器控制器1204进行加速或进行减速。
控制器1102还具有横向跟踪控制器1208,该横向跟踪控制器1208影响转向控制器1210的操作。例如,取决于例如由控制器1102接收且由横向跟踪控制器1208处理的反馈,横向跟踪控制器1208指示转向控制器1204调整转向角致动器1212的位置。
控制器1102接收用于确定如何控制油门/制动器1206以及转向角致动器1212的若干输入。规划模块404提供由例如控制器1102使用以便当AV 100开始操作时选择朝向并且当AV 100到达交叉路口时确定要穿行哪个路段的信息。定位模块408向控制器1102提供例如描述AV 100的当前位置的信息,从而使得控制器1102能够判定AV 100是否位于基于油门/制动器1206以及转向角致动器1212正被控制所按照的方式而预期的位置。在实施例中,控制器1102从其他输入1214接收信息(例如,从数据库、计算机网络等接收的信息)。
使用多维包络调整横向间隙的架构
图13图示出根据一个或多个实施例的用于使用多维包络1308调整AV 1304的横向间隙的架构1300的框图。架构1300包括远程服务器1312和AV 1304周围的环境1316。服务器1312可以是图1中示出的服务器136的实施例,并且AV 1304可以是图1中示出的AV 100的实施例。
环境1316表示地理区域,诸如,城镇、近邻或道路区段。在一个实施例中,环境1316内的时空位置被表示在环境1316的带注释的地图上。使用这些时空位置生成AV 1304的轨迹。环境1316包含AV 1304以及对象1320和1324。在其他实施例中,架构1300包括与本文中所描述的组件相比附加的或更少的组件。类似地,各功能能以与此处所描述的方式不同的方式在各组件和/或不同的实体之间分布。
服务器1312通信地耦合到AV 1304,并且将信息发送到AV 1304。在一个实施例中,服务器1312可以是如以上参考图1和图2中的服务器136更详细地描述的“云”服务器。服务器1312的部分可在软件或硬件中实现。例如,服务器1312或服务器1308的一部分可以是以下各项的部分:PC、平板PC、STB、智能电话、物联网(IoT)器具、或能够执行指定将要由该机器执行的动作的指令的任何机器。
对象1320和1324是AV 1304外部的物理对象。在一个实施例中,对象1320是另一运载工具、骑自行车的人、施工区域的元素、建筑物、交通标志等。对象1324是行人。在一个实施例中,对象1320和1324由AV 1304分类(例如,分组为诸如行人、汽车等的类型),并且表示分类的对象1320和1324的数据被提供给AV 1304的规划模块1328以生成AV 1304的轨迹。上文参考图4和图5中的对象416更加详细地描述了AV 1304外部的对象。
AV 1304包括通信设备1332、规划模块1328、控制模块1336、AV控制件140(例如,转向、制动器、油门)、输入设备1344、感知模块1348以及一个或多个传感器1352。通信设备1332可以是图1所示的通信设备140的实施例,规划模块1328可以是图4所示的规划模块404的实施例,控制模块1336可以是图1所示的控制模块106的实施例,AV控制件1340可以是图4所示的控制件420a-c的实施例,输入设备1344可以是图3所示的输入设备314的实施例,感知模块1348可以是图4所示的感知模块402的实施例,以及传感器1352可以包括图1中所示的传感器121-123中的任何一个或多个。在其他实施例中,AV 1304包括与本文中所描述的那些组件相比附加的或更少的组件。类似地,各功能能以与此处所描述的方式不同的方式在各组件和/或不同的实体之间分布。
通信设备1332还与服务器1312、AV 1304内的乘客或其他运载工具交流信息,诸如指令、轨迹1356或AV 1304或其他运载工具的状态和条件的测量或推断的属性等。通信设备1332跨网络通信地耦合至服务器1312。在实施例中,通信设备1332跨因特网、电磁频谱(包括无线电通信和光通信)或其他介质(例如,空气和声学介质)进行通信。通信设备1332的部分可在软件或硬件中实现。例如,通信设备1332或通信设备1332的一部分可以是PC、平板PC、STB、智能电话、IoT器具或能够执行指定由机器采取的动作的指令的任何机器的一部分。
再次参考图13,在一个实施例中,通信设备1332从服务器1312接收用于AV 1304的轨迹1356。轨迹1356包括用于AV 1304的多个时空位置。轨迹1356可以类似于以上参考图1描述的轨迹198。轨迹1356上的多个时空位置中的每个时空位置包括地理坐标、与位于各地理坐标(例如,GNSS坐标)处的AV 1304关联的时间、位于各地理坐标处的AV 1304的前进方向(方向取向或姿势)。
规划模块1328为AV 1304生成轨迹。在一个实施例中,所生成的轨迹是从通信设备1332接收的轨迹1356。规划模块1328通信地耦合至通信设备1332以从服务器1312接收表示轨迹1356的指令或信息。在一个实施例中,规划模块1328的部分在软件或硬件中实现。例如,规划模块1328或规划模块1328的一部分可以是PC、平板PC、STB、智能电话、IoT器具或能够执行指定由机器采取的动作的指令的任何机器的一部分。上文参考图4中的规划模块404更详细地描述了规划模块1328。
在一个实施例中,规划模块1328基于经由输入设备1344从AV 1304内的乘客接收的信息1360,为AV 1304生成轨迹。规划模块1328使用道路网络的有向图表示来如上面参考图10所详细说明和描述的那样生成轨迹。规划模块1328生成多维包络1308,以沿轨迹对AV1304进行导航并调整AV 1304与对象1320和1324之间的横向间隙。多维包络1308指示AV1308的可行驶区域。多维包络1308包含轨迹,并且表示AV 1304横向操控的空间自由度。
规划模块1328使用来自多个源的信息来生成和调整多维包络1308的尺寸。在一些实施例中,感知模块1348识别位于到轨迹的阈值距离内的一个或多个对象1320或行人1324。感知模块1348使用来自AV 1304的一个或多个传感器1352的传感器数据1364来识别对象1320或行人1324。在一些实施例中,阈值距离是物理距离,诸如1米或3英尺。在其他实施例中,阈值距离是AV 1304的长度(“l”)的一部分。例如,阈值距离可以设置为0.25×l或0.5×l。调整多维包络1308的尺寸,以增加从AV 1304到一个或多个对象1320或行人1324的横向距离。
在一个实施例中,多维包络1308的尺寸基于表示包含在环境1316的地图中的物理障碍和道路特征的信息、来自传感器1352的表示与AV 1306外部的对象的距离和运动的信息、或来自规划模块1328和控制模块1336的表示AV 1306将要执行或已经在执行的运载工具操控的信息。在一个实施例中,运载工具操控包括变道、经过另一运载工具、平行停车、两点转弯、左转弯、右转弯、对交通转盘进行导航、驶过紧急车辆、转入停车场,或合并到高速公路上。
在一个实施例中,使用包含在包含AV 1304的环境1316的地图内的信息来生成多维包络1308。包含在环境1316的地图中的信息表示环境的道路、停车场、桥梁、施工区域、道路的路缘、车道的边界、交叉口或建筑物。在一个实施例中,多维包络1308的生成还包括确定AV 1304与物理路缘的距离、AV 1304正在行进的车道的边界或车道与另一车道的交叉点。可以基于从GNSS设备或IMU导出的AV的当前时空位置和环境1316的地图中包含的信息来确定距离。也可以使用传感器1352来确定距离。在一个实施例中,传感器1352发出电磁场或电磁辐射束(例如,红外线),并确定电场的变化或来自街道上物理路缘的返回信号。在一个实施例中,传感器1352使用激光束以基于飞行时间原理、通过朝着路缘发送窄束的激光脉冲并测量被路缘反射并返回到传感器1352的脉冲所花费的时间来确定到路缘的距离。规划模块1328生成多维包络1308,以包含AV 1304的轨迹,并增加与物理路缘、车道边界或车道与另一车道的交叉口的横向间隙。
在一个实施例中,多维包络1308的生成包括对轨迹进行采样以识别轨迹上的多个时空位置。规划模块1328将连续轨迹简化为离散的时空样本的序列,其中每个样本L是在时间和空间上的一个值或一组值。例如,规划模块1328可以每T秒执行连续轨迹1356功能的采样。在另一个实施例中,规划模块1328基于时间和距离执行时空聚类以识别轨迹1356上的多个时空位置,然后使用密度峰值的识别来提取多个时空位置。规划模块1328针对多个时空位置中的每个采样的时空位置L,相对于所识别的对象1320或1324确定横向误差容限EL。规划模块1328针对多个时空位置中的每个时空位置L、使用所确定的横向误差容限EL来生成多维包络1308。。
在一个实施例中,规划模块1328使用描述所识别的对象1320和1324的动态信息来生成多维包络1308。感知模块1348确定AV 1304与对象1320或1324的距离。规划模块1328生成多维包络1308以包含AV 1304的轨迹1356,并增加与对象1320或1324的横向间隙。
在一个实施例中,AV 1304相对于道路上的在AV 1304的一侧上的移动对象执行碰撞检查。例如,如果从轨迹1356到移动对象的距离小于AV 1304的一半宽度,则可以确定移动对象太靠近轨迹1356。规划模块1328指示AV 1304转向或停止。在另一个实施例中,如果移动对象与轨迹1356几乎垂直(例如,在45°和135°之间的角度),则规划模块1328指示AV1304转向或停止。在另一实施例中,如果移动对象是行人1324,则规划模块1328指示AV1304仅停止。
规划模块1328调整多维包络1308的尺寸,以调整AV 1304与对象1320和/或1324之间的横向间隙。对多维包络1308的尺寸进行调整可防止AV 1304和对象之间的碰撞,增加乘客舒适度,并通过避开对象来提高AV的速度。在一个实施例中,规划模块1328调整多维包络1308的尺寸以改善乘客舒适度,如下面关于传感器1352更详细地描述的。规划模块1328从AV 1304的传感器1352接收表示AV 1304中乘客的乘客数据的信息1364。下面参照传感器1352更详细地描述信息1364,并且该信息1364表示乘客正在体验的舒适度水平。规划模块1328使用乘客数据1364来调整多维包络1308的尺寸以增加乘客舒适度水平。
在一个实施例中,规划模块1328使用AV 1304的环境情境来确定是否调整多维包络1308的尺寸。由规划模块1328基于从传感器1352获得的信息1364来确定AV 1304的环境情境。在一个实施例中,情境以LiDAR点数据云、对象1320的图像、AV 1304的当前位置、AV1304的方向取向、AV 1304的加速度大小或AV 1304的速度来表达。例如,AV 1304可以确定AV 1304与对象1320之间可能发生碰撞。然而,规划模块1328基于从传感器1352获得的信息1364来检测到前方道路弯曲偏离对象1320。规划模块1328将不会(或将仅最小程度地)调整多维包络1308的尺寸。在另一个示例中,规划模块1328基于从传感器1352获得的信息1364,检测到对象1320正在远离AV 1304移动。规划模块1328将不会(或将仅最小程度地)调整多维包络1308的尺寸。
控制模块1336通信地耦合至规划模块1328。控制模块1336接收表示多维包络1308和当前AV位置418的数据,并且操作AV控制件1340以使AV 1304沿着多维包络1308行进。在一个实施例中,控制模块1336的部分在软件或硬件中实现。例如,控制模块1336或控制模块1336的一部分可以是PC、平板PC、STB、智能电话、IoT器具或能够执行指定由机器采取的动作的指令的任何机器的一部分。上文参考图4和图11中的控制模块406更详细地描述了控制模块1336。
在一个实施例中,控制模块1336确定调整后的多维包络1308的中心线。AV 1304定义了多维包络1308,并且将多维包络1308与沿着轨迹1356的取向的路面的图像相继匹配。一旦找到匹配,AV 1304就沿着轨迹1356进一步移动匹配的目标窗口。x通过重复该过程,AV1304获得连续定义中心线的一系列点。AV控制件1340从控制模块1336接收命令1368,并调整AV 1304的转向、制动和油门。在一个实施例中,AV控制件1340的部分在软件或硬件中实现。例如,AV控制件1340或AV控制件1340的部分可以是以下各项的部分:PC、平板PC、STB、智能电话、IoT器具、或能够执行指定将要由该机器采取的动作的指令的任何机器。上文参考图4中的模块406与420a-c更详细地描述了AV控制件1340。
输入设备1344从AV 1304内的乘客接收指令(例如,期望的目的地或轨迹)。输入设备1344将指令1360发送到规划模块1328。在一个实施例中,输入设备1344将指令从人类可读格式或自然语言转译为计算机程序、伪代码、机器语言格式或汇编级格式以供规划模块1328使用。输入设备1344可以包括触摸屏显示器或键盘。上面参考图3中的输入设备314和光标控制器316更详细地描述了输入设备1344。
感知模块1348标识对象1320或1324,并将表示所标识的对象的信息1372发送到规划模块1328。在一个实施例中,感知模块1348包括相机或LiDAR,以确定对象1320或1324。在一个实施例中,感知模块1348从传感器1352接收图像或传感器数据,并对图像或传感器数据执行对象识别。在一个实施例中,感知模块1348使用边缘检测(例如,Canny边缘检测)来找到传感器数据内的边缘,然后将边缘图像与模板进行比较。在一个实施例中,感知模块1348使用梯度匹配来确定所接收的图像或传感器数据中的图像梯度以识别对象1320和1324。表示所识别的对象的信息1372被发送到规划模块1328以确定所识别的对象是否沿着轨迹或与轨迹相邻。规划模块1328还确定AV 1304与对象1320或1324发生碰撞的可能性LC。上文参考图4中的感知模块402更详细地描述了感知模块1348。
传感器1352感测AV 1304及其环境1316的状态(包括对象1320或1324的存在),并将表示该状态的信息1364发送给规划模块1328和/或感知模块1348。在一个实施例中,规划模块1328基于AV 1304的速度、加速度或跃度大小来调整所生成的多维包络1308的尺寸。跃度大小是表示AV 1304的加速度的变化率的矢量(加速度的时间导数,以及AV 1304速度的二阶导数,或AV 1304位置的三阶时间导数)。跃度大小的SI单位为m/s3。
在一个实施例中,传感器1352包括用于测量运载工具线性加速度或角速度的IMU、用于测量或估计车轮打滑率的车轮速度传感器、车轮制动压力或制动扭矩传感器、发动机扭矩或车轮矩传感器,或转向角或角速度传感器,如以上参考图1更详细描述的。传感器1352测量跃度大小作为AV 1304的加速度的变化率。规划模块1328调整所生成的多维包络1308的尺寸以减小AV 1304的速度、加速度、以及跃度大小,从而为AV 1304内的乘客提供了更舒适的乘坐体验。减小的跃度大小和AV 1304与其他对象之间的较大横向间隙提供了更高的乘客舒适度,因为AV 1304的物理运动减少了,并且增加了到闯入的外部对象的距离会对乘客的舒适感产生积极影响。
在一个实施例中,规划模块1328调整多维包络1308的尺寸以增加乘客舒适度。传感器1352将表示运载工具中乘客的乘客舒适度数据的信息1364发送到规划模块1328。在一个实施例中,乘客舒适度数据包括生物特征识别数据(例如,心率、语调、瞳孔活动、皮肤反应、乘客在扶手上的压力等)。在另一个实施例中,传感器1352包括生物特征识别传感器,并且乘客舒适度数据包括表示乘客舒适度水平的皮肤电导、脉搏、心率或体温中的至少一个。在另一个实施例中,传感器1352包括成像传感器,并且乘客舒适度数据包括面部表情或瞳孔扩张大小。在另一实施例中,传感器1352包括压力传感器,并且乘客舒适度数据包括由至少一个乘客在座椅扶手上施加的压力。在另一实施例中,传感器1352心率监测器、血压计、瞳孔计、红外温度计或皮肤电反应传感器中的至少一个。规划模块1328使用所测量的乘客舒适度数据来调整尺寸,以增加乘客舒适度水平,例如,使得乘客的心率降低,声音语调降低,瞳孔活动降低或扶手上压力降低。上面参考图1中的传感器121-123更详细地描述了传感器。
在一个实施例中,规划模块1328包括机器学习模型,该机器学习模型用于调整所生成的多维包络1308的尺寸。机器学习模型可以是规划模块1328的一部分或AV 1304的另一组件。从包含输入(例如,从一个或多个对象1340提取的特征以及到轨迹的阈值距离)和期望的输出(例如,特定的安全或期望的横向间隙)的训练数据构建机器学习模型。
规划模块1328使用机器学习模型来确定多维包络1308与一个或多个对象1320之间的特定横向间隙。该特定横向间隙指示已经训练机器学习模型来确定的安全或优选的横向间隙。在一些实施例中,规划模块1328可以从一个或多个对象1320以及到轨迹的阈值距离中提取特征。在其他实施例中,例如当使用卷积神经网络(CNN)时,特征提取由CNN连同模型构造一起隐式执行。CNN是一种前馈人工神经网络,其神经元之间的连通性模式受到视觉皮层组织的启发。CNN的优点包括避免了显式特征提取,并且在卷积层中使用了共享权重,这意味着该层中的每个元素都使用相同的过滤器(权重库);这既减少了存储器占用,又提高了性能。。
在一个实施例中,机器学习模型基于从传感器数据1364、感知数据1372和数据1360中提取的特征,确定多维包络1308和一个或多个对象1320之间的特定横向间隙。规划模块可以提取特征,这些特征是输入数据的紧凑、非冗余表示。例如,这些特征可以表示乘客偏好或乘客舒适度数据,例如如上所述的表示AV 1304中的乘客的乘客舒适度数据的信息1364。这些特征可以描述感知模块1348已经识别的AV 1308或一个或多个对象1320的结构或形状。特征可以包括对象1340的时空位置(坐标)、对象1340的速度(例如25mph)或对象1340的方向取向(北)。
规划模块1328修改多维包络1308的至少一个维度,以使AV1304和一个或多个对象1320之间的横向间隙大于确定为乘客偏好的或机器学习模型认为安全的特定横向间隙。例如,可以减小多维包络1308的宽度以减小转向角,或者可以横向移动多维包络1308以避开危险。
在一个实施例中,机器学习模型经训练以基于从一个或多个对象1340提取的特征以及到该轨迹的阈值距离来确定多维包络1308与一个或多个对象1340之间的特定横向间隙。例如,服务器1312或规划模块1328可以使用梯度提升来训练机器学习模型以进行回归和分类。梯度提升以决策树整体的形式生成经训练的模型。在一个实施例中,决策树被使用(作为预测模型)以基于乘客舒适度数据、车辆碰撞数据或交通数据导出关于特定横向间隙的结论(由树的叶子表示)。运载工具碰撞数据是指碰撞前几分钟内的碰撞统计数据、碰撞速度和运载工具的横向移动。交通数据是指与运载工具碰撞相关的历史交通模式。
生成多维包络的示例
图14图示出根据一个或多个实施例的生成用于调整AV 1304的横向间隙的多维包络1308的示例。在图14中示出的环境1400包括车道1404。AV 1304在车道1404内行进,并且最初位于时空位置1408。停止的运载工具1412位于车道1404的边界附近。在一个实施例中,车道由路面上的标记限定。在另一个实施例中,可以由规划模块1328独立于道路标记来定义“车道”。例如,如果诸如对象1320之类的运载工具暂时停在AV 1304之前并且正在占用标记车道的一部分,则规划模块1328可以将新的“车道”定义为标记车道的其余部分以及相邻标记车道的一部分。因此,“车道”被定义为路段的可行驶表面区域内的“任何部分”。
AV 1304在位置1408处开始导航。规划模块1328生成指示AV 1304的可行驶区域的多维包络1308。为了确定多维包络1308的宽度1424,规划模块1328确定相对于车道1404的边界的横向误差容限EL 1420。在一个实施例中,将多维包络1308的宽度1424确定为N×EL,其中N等于2。多维包络1308的宽度1424表示AV 1304在AV 1304行进的车道1404内横向转向的横向自由度的大小。
在一个实施例中,控制模块1336沿着多维包络1308从位置1408对AV 1304进行导航。在另一个实施例中,控制模块1336确定多维包络1308的中心线1428。控制模块1336定义了多维包络1308,并且将多维包络1308与沿着轨迹的取向(例如,车道1404的中心)的路面的图像相继匹配。一旦找到匹配,控制模块1336就进一步沿着车道1404移动匹配的目标窗口1432。通过重复该过程,控制模块1336获得连续定义中心线1428的一系列点。控制模块1336沿着多维包络1308的所确定的中心线148从位置1408对AV 1304进行导航。
AV 1304的传感器(例如,图13中所示的1352)检测停止的运载工具1412,并调整AV1304与停止的运载工具1412的横向间隙1416。减小多维包络1308的宽度以使多维包络1308远离停止的运载工具1412弯曲以增加横向间隙1416,即使停止的运载工具1412没有在车道1404内突出。横向间隙1416被增加,因为即使两个运载工具可能不会发生碰撞,较大的横向间隙1416为AV 1304内乘坐的乘客提供了更大的乘客舒适度。此外,如果停止的运载工具1412突然进入车道1404,则较大的横向间隙1416将为AV 1304提供更多的时间来停止、加速或转弯以避免潜在的碰撞。
为了确定多维包络1308的新(较小)宽度1436,规划模块1328确定相对于停止的运载工具1412的横向误差容限EL 1440。在一个实施例中,将多维包络1308的宽度1436确定为N×EL,其中N等于2。AV 1304定义了多维包络1308,并且将多维包络1308与沿着车道1404的中心的路面的图像相继匹配。一旦找到匹配,AV 1304便进一步沿车道1404移动匹配的目标窗口1444,以继续沿多维包络1308的所确定的中心线1428对AV 1304进行导航。
在一个实施例中,规划模块1328考虑(经由传感器1352感知的)停止的运载工具1412的当前状态,并且还预测停止的运载工具1412的潜在未来行为,以调整多维包络1308的宽度1436。规划模块1328在有限的时间范围(例如,AV 1304到达下一个交叉口或下一个车道改变等所花费的时间段)期间考虑AV 1304周围的交通的可能变化。规划模块1328通过考虑其他运载工具(例如,停止的运载工具1412)的未来位置的概率性预测来调整多维包络1308的宽度1436。在一个实施例中,控制模块1336使用模型预测控制(MPC)来生成到AV控制件1340的命令1368以沿着车道1404对AV 1304进行导航,该命令1368表示转向、加速度和速度的变化。
使用多维包络调整横向间隙的示例
图15图示出根据一个或多个实施例的使用多维包络(例如,图13中的1308)调整AV1304的横向间隙的示例。图15中示出的环境1500(例如,路段)包括两个车道1516和1512。车道1516由车道1512和路缘1508界定。AV 1304在车道1516内行进并且位于时空位置1556。车道1516、1512与路缘1504、1508之间的边界将出现在环境1500的地图中。因此,AV 1304将能够使用该地图中的信息进行轨迹规划并调整与这些对象的横向距离(例如1564)。临时施工区域1532部分地位于路缘1508上,部分地位于车道1516内。由于施工区域1532是临时的,因此它在环境1500的地图上可能可见或可能不可见。因此,AV 1304将使用其传感器(例如,图13中所示的1352)以检测施工区域1532,并确定和调节与施工区域1532的横向间隙1560。
车道1512由车道1516和路缘1504界定。运载工具1536停止或停放在车道1512内。因为运载工具1536是动态对象,它在环境1500的地图上将可能不可见。因此,AV 1304将使用其传感器(例如,图13中所示的1352)以检测运载工具1536,并使用本文公开的实施例确定和调节与运载工具1536的横向间隙1568。
现在转向图15,AV 1304在位置1556处开始导航。规划模块(例如,图13中的1328)为AV 1304生成轨迹。该轨迹包括多个时空位置(例如,位置1556和1548)。为了对AV 1304进行导航,规划模块1328生成指示AV 1304的可行驶区域的多维包络1308。多维包络1308包含AV 1304的期望轨迹。
多维包络1308对应于具有几何体积的形状。在一个实施例中,几何体积为管状、立方体或圆锥形。因此,多维包络1308包括完全包含AV 1304的封闭体积。多维包络1308用于通过测试与其他对象的重叠来提高导航和横向机动操作的效率。例如,如果多维包络1308和对象的坐标不相交,则不会预测到碰撞。
感知模块1348使用一个或多个传感器识别沿着或邻近轨迹1356的一个或多个对象,诸如运载工具1536。感知模块1348还确定AV 1304与对象的碰撞可能性LC大于零。在一个实施例中,多维包络1308的生成包括使用相对于所识别的对象(例如路缘1508或施工区域1532)的横向误差容限EL(例如1572)来确定多维包络1308的宽度1524。在一个实施例中,将多维包络1308的宽度1524确定为N×EL,其中N等于2。多维包络1308的宽度1524表示AV1304在AV 1304行进的车道1516内横向转向的横向自由度的大小。AV 1304的转向角的变化(由图13中的命令1362表示)基于多维包络1308的宽度1524,并由控制模块1323提供给AV控制件1340(上面参考图13进行了描述和说明)。
在一个实施例中,规划模块1328使用针对AV 104的速度约束来确定AV 1304与诸如运载工具1536之类的被识别对象发生碰撞的可能性LC。速度约束是与AV 104可沿其行驶的轨迹的分段相关的操作度量。可以基于交通法规和其他规则以及还基于环境1316中静态或动态对象的存在或速度来确定速度约束。速度约束的示例包括最大或最小合法速度限制、另一对象(诸如,在运载工具前方的另一移动的运载工具)的速度、运载工具的机械限制、基于运载工具的部件失效的速度限制、基于天气状况的速度限制、用户偏好的速度限制或基于道路特征(诸如,曲率角或坡度)的速度限制。上面参考图9中的速度约束912更详细地描述了速度约束。在该实施例中,传感器1352确定AV 1304沿着在AV 1304的当前时空位置1556和轨迹上的轨迹与车道1516的边界相交的时空位置1548之间的轨迹行进的速度。在位置1548,AV 1304的轨迹将车道更改为车道1512。仅在运载工具的当前时空位置和车道边界之间确定碰撞可能性LC,以减少计算的复杂性、存储的数据量和计算所需的时间。
在一个实施例中,规划模块1328通过预测运载工具1536的轨迹来确定AV 1304与运载工具1536发生碰撞的可能性LC。在一个实施例中,规划模块1328预测运载工具1536将以当前速度沿直线移动。在一个实施例中,规划模块1328使用扩展的卡尔曼滤波器来跟踪运载工具1536并确定潜在碰撞的时间。在另一个实施例中,规划模块1328使用传感器融合来组合来自传感器1352的数据1364(例如,使用卡尔曼滤波器)。规划模块1328确定车辆1536的潜在行为(例如,车道改变、左转弯等),并为每种潜在行为分配概率。下面参考图16更详细地示出和描述根据AV 1304的轨迹和速度确定AV 1304的碰撞可能性LC。
在一个实施例中,规划模块1328相对于AV 1304的纵轴上的位置确定AV 1304与所识别的对象(例如,运载工具1536)的碰撞可能性LC,其中该位置远离AV 1304的后轴。纵轴是中心线1544的切线。下面参考图16更详细地示出和描述AV 1304的碰撞可能性LC的确定。
为了在导航AV 1304的同时增加与对象(例如,路缘1508和运载工具1536)的横向间隙,规划模块1328调整多维包络1308的至少一个维度(例如,宽度1524)。例如,AV 1304保持与路缘1508的横向间隙1564。当AV 1304感测到施工区域1532时,调整多维包络1308的尺寸。多维包络1308从施工区域1532向分隔车道1516和1512的车道边界弯曲。与不使用多维包络1308的情况相比,这实现了与施工区域1532的更大的横向间隙1560。随着AV 1304接近停止的运载工具1536,再次调整多维包络1308的尺寸,以使多维包络1308从停止的运载工具1536朝向车道1516的中心弯曲。与不使用多维包络1308的情况相比,这实现了与停止的运载工具1536的更大的横向间隙1568。
在图15的实施例中,在AV 1304经过停止的运载工具1536之后,AV 1304的乘客或组件确定AV 1304应将车道从车道1516改变为车道1512。在位置1548处的车道改变操控之前,规划模块1328减小了多维包络1308的至少一个维度(例如宽度1528),以减小AV 1304在改变车道时的操控(例如转向或油门)的自由度。操控的自由度的降低为AV 1304和道路上的可能正在经过或接近AV 1304的其他运载工具提供了增加的安全性。在一个实施例中,控制模块1336沿着多维包络1308从位置1556到位置1548并且在更远处对AV 1304进行导航。在另一个实施例中,控制模块1336确定调整的多维包络1308的中心线1544。控制模块1336沿着多维包络1308的所确定的中心线1544对AV 1304进行导航。
在一些实施例中,AV 1304的一个或多个处理器146用于生成多维包络1308。多维包络1308是表示轨迹(例如,轨迹1356)上每个采样点的横向误差容限的管。在一些实施例中,多维包络1308的生成包括使用一个或多个处理器146生成具有几何体积的形状。几何体积可以是管状的、立方的或圆锥形的。多维包络1308基于静态地图信息和动态跟踪的对象(例如,对象1320)指示AV 1304的可行驶区域。一个或多个处理器146针对所生成的多维包络1308的至少一侧确定相对于对象1320的横向误差容限EL。使用传感器数据1364识别对象1320。响应于所确定的横向误差容限EL小于阈值,横向误差容限EL被使用来调整所生成的多维包络1308的至少一个维度以改变AV 1308与所识别的对象1320之间的横向间隙。例如,阈值可以是1英尺或15%。所计算的多维包络1308的尺寸的调整减小了对象1320与AV 1304碰撞的可能性。对象可以表示活动车辆、非活动车辆、行人、骑自行车的人和/或施工区域。AV 1304的控制模块1336根据调整后的多维包络1308对AV 1304进行导航(例如,以增加横向间隙)。
在一些实施例中,横向误差容限EL的确定包括针对可行驶区域内的多个采样点中的每个采样点确定所识别的对象1320与AV 1320之间的距离。使用一个或多个处理器146,所确定的多个距离被聚合。在一些实施例中,多维包络1308的生成包括使用横向误差容限EL来确定多维包络1308的宽度1424,以避免AV 1304与所识别的对象发生碰撞。在一些实施例中,使用针对AV 1304的速度约束,确定AV 1304与所识别的对象1320发生碰撞的概率。沿着当前时空位置1556和轨迹1356上的轨迹1356与车道1516的边界相交的点1548之间的轨迹1356确定碰撞的概率。在一些实施例中,相对于AV 1304的纵轴上的点确定碰撞的概率。
在一些实施例中,所生成的多维包络1308的尺寸的调整包括使用AV 1304的速度来改变所生成的多维包络1308的宽度1524,以避免AV 1304与所识别的对象1536发生碰撞。在一些实施例中,所生成的多维包络1308的尺寸的调整包括使用AV 1304的加速度来改变所生成的多维包络1308的宽度1524,以避免AV 1304与所识别的对象1536发生碰撞。在一些实施例中,所生成的多维包络1308的尺寸的调整包括使用AV 1304的跃度大小来改变所生成的多维包络1308的宽度1524,以避免AV 1304与所识别的对象1536发生碰撞。可以相对于彼此对诸如速度、加速度和跃度之类的因素进行加权。
在一些实施例中,使用包含在地图内的信息来生成多维包络1308。该信息描述了道路、停车场、桥梁或施工区域中的至少一个。在一些实施例中,所生成的多维包络1308的尺寸的调整包括使用所识别的对象的速度来改变所生成的多维包络1308的宽度,以避免AV1304与所识别的对象发生碰撞。所识别的对象包括另一运载工具或行人。在一些实施例中,对所生成的多维包络1308的尺寸的调整包括:使用传感器数据1364来确定AV 1308与所识别的对象1320的距离。使用AV 1304与所识别的对象1320的距离,调整生成的多维包络1308的宽度1424,以避免AV 1304与所识别的对象1320发生碰撞。
在一些实施例中,所生成的多维包络1308的尺寸的调整包括在AV 1304执行车道改变操控之前,使用一个或多个处理器146减小多维包络1308的宽度1524。进行宽度1524的减小是因为在这种操控过程中会跟踪AV 1304的性能。在一些实施例中,多维包络1308的尺寸的调整包括从一个或多个传感器1352接收传感器数据1364。传感器1352被配置为记录一天中的时间、位置、天气、面部表情、皮肤电导、脉搏和心率、乘客身体的温度、瞳孔扩张或AV1304的AV座椅扶手上的压力。传感器1352进一步配置为感应乘客数据,例如心率、语调、瞳孔活动、皮肤反应或AV 1304中至少一名乘客对扶手的压力。AV 1304使用乘客数据364更改多维包络1308的宽度1524。
本文公开的实施例的益处和优点在于,沿着动态多维包络1308导航AV 1304通过防止AV 1304与其他对象(例如施工区域1532和停放的运载工具1536)之间的碰撞来提高乘客和行人的安全性。响应于变化的交通状况和操作参数,动态地调整多维包络1308的形状或大小以及AV的位置。实施例通过避开对象而导致增加的乘客舒适度和增加的AV 1304可以行进的速度,因为AV 1304能够绕过障碍物而不是仅仅停下来。对于道路网络上的其他运载工具,也获得了增加的安全性。
本文公开的实施例的进一步的益处和优点在于,即使当对象没有在AV 1304正在其中导航的车道内突出时,横向间隙也会增加。横向间隙增加,因为即使运载工具可能将不会发生碰撞,较大的横向间隙为AV 1304内乘坐的乘客提供了更大的乘客舒适度。此外,如果对象突然进入车道,则较大的横向间隙将为AV 1304提供更多的时间来停止、加速或转弯以避免潜在的碰撞。
基于轨迹和速度确定碰撞的可能性
图16图示出根据一个或多个实施例的基于AV 1304的轨迹和速度确定碰撞的可能性LC的示例。函数PE(t)(轨迹的函数)被确定为表示AV 1304在时间t的点的集合。函数PO(t)被确定为表示对象在时间t的点的集合。如在图16中所示的那样确定基于AV 1304的轨迹和速度的碰撞的可能性LC。
使用多维包络调整横向间隙的过程
图17示出了根据一个或多个实施例的用于使用多维包络1308来调整在车道1516内行进的AV 1304的横向间隙的过程1700。在一个实施例中,图17的过程1700可以由AV1304的一个或多个组件(例如,图13中的规划模块1328)执行。在其他实施例中,其他实体(例如,图13中的远程服务器1312)执行过程1700的一些或全部步骤。同样,实施例包括不同和/或附加步骤,或者以不同次序执行步骤。
AV 1304生成1704AV 1304的轨迹。轨迹1356包括多个时空位置,诸如图15中的1556和1548。在一个实施例中,AV 1304从AV 1304中的服务器或乘客接收表示轨迹1356的信息。在一个实施例中,规划模块1328使用道路网络的有向图表示来如上面参考图10所详细说明和描述的那样生成轨迹1356。
AV 1304生成1708多维包络1308,该多维包络1308指示AV 1304的可行驶区域并且包含轨迹1356。在一个实施例中,通过确定距包含在含有AV 1304的环境的地图中的一个或多个对象的距离来生成多维包络1308。
AV 1304识别1712沿着或邻近轨迹1356的对象1532。在一个实施例中,AV 1304使用对AV 1304的速度约束来确定AV 1304与对象1532的碰撞的可能性LC。传感器1352确定沿着运载工具1556的当前时空位置与轨迹1356与车道1516的边界相交的时空位置1548之间的轨迹1356行进的AV 1304的速度。
AV 1304调整1716所生成的多维包络1308的尺寸1524,以调整AV 1304与所识别的施工区域1532之间的横向间隙1560。多维包络1308的至少一个维度1524的调整通过避开施工区域1532而不是停止来防止AV 1304和施工区域1532之间的碰撞,增加乘客舒适度,并提高AV 1304可以行进的速度。
AV 1304沿多维包络1308进行导航1720。在一个实施例中,控制模块1336将命令1368发送到AV控制件1340以操作AV 1304的转向、制动和油门以对AV 1304进行导航。
使用多维包络调整横向间隙的过程
图18示出了根据一个或多个实施例的用于使用多维包络1308来调整AV 1304的横向间隙的过程1800。在一个实施例中,图18的过程1800可以由AV 1304的一个或多个组件(例如,图13中的规划模块1328)执行。在其他实施例中,其他实体(例如,图13中的远程服务器1312)执行过程1800的一些或全部步骤。同样,实施例包括不同和/或附加步骤,或者以不同次序执行步骤。
AV 1304使用一个或多个处理器146生成1804指示AV 1304的可行驶区域的多维包络1308。在一个实施例中,通过确定距包含在含有AV 1304的环境的地图中的一个或多个对象的距离来生成多维包络1308。
AV 1304使用一个或多个处理器146针对所生成的多维包络1308的至少一侧确定1808相对于对象(例如,1320)的横向误差容限EL。使用传感器数据1364识别对象1320。例如,规划模块1328可以确定相对于车道的边界的横向误差容限EL。在一个实施例中,将多维包络1308的宽度1424确定为N×EL,其中N等于2。
响应于所确定的横向误差容限EL小于阈值,AV 1304使用横向误差容限EL来调整所生成的多维包络1308的至少一个维度以改变AV 1308与所识别的对象1304之间的横向间隙。例如,AV 1304的传感器1352可以检测停止的运载工具并且调整AV 1304距停止的运载工具的横向间隙。多维包络1308的宽度被减小以将多维包络1308远离停止的运载工具弯曲以增加横向间隙。
AV 1304根据调整后的多维包络1308、使用控制模块1336进行导航1816。控制模块1336接收表示调整后的多维包络1308的数据和表示AV 1304位置的数据,并以将导致AV1304沿轨迹行进至目的地的方式来操作AV 1304的控制功能420a-c(例如,转向、油门、制动、点火)。
在先前的描述中,已参照许多特定的细节来描述本发明的实施例,这些特定细节可因实现方式而异。因此,说明书和附图应被认为是说明性而非限制性意义的。本发明范围的唯一且排他的指示符,本申请人期望本发明的范围的内容是以发布此类权利要求的特定的形式从本申请发布的权利要求书的字面和等效范围,包括任何后续校正。本文中明确阐述的用于被包括在此类权利要求中的术语的任何定义应当以此类术语如在权利要求中所使用的意义为准。此外,当我们在先前的说明书或所附权利要求中使用术语进一步包括摂时,该短语的下文可以是额外步骤或实体,或先前所述的步骤或实体的子步骤/子实体。
Claims (20)
1.一种方法,包括:
使用运载工具的一个或多个处理器,生成针对所述运载工具的轨迹,所述轨迹包括多个时空位置;
使用所述一个或多个处理器,生成多维包络,所述多维包络指示所述运载工具的可行驶区域并且包含所述轨迹;
使用所述运载工具的一个或多个传感器,识别位于距所述轨迹的阈值距离内的一个或多个对象;
使用所述一个或多个处理器,调整所生成的多维包络的至少一个维度以调整所述运载工具与所识别的一个或多个对象之间的横向间隙;以及
使用所述运载工具的控制模块,在所述多维包络内对所述运载工具进行导航。
2.如权利要求1所述的方法,其中所述一个或多个对象的识别包括:确定所述运载工具与所述一个或多个对象发生碰撞的可能性大于零。
3.如权利要求1所述的方法,其中所生成的多维包络的所述至少一个维度的调整基于所述运载工具的速度、加速度或跃度大小中的至少一者。
4.如权利要求1所述的方法,其中所生成的多维包络对应于具有几何体积的形状。
5.如权利要求4所述的方法,其中所述几何体积为管状、立方体或圆锥形。
6.如权利要求1所述的方法,其中所述多维包络是基于包含在环境的地图内的信息而生成的,所述运载工具正在所述环境中进行导航。
7.如权利要求6所述的方法,其中包含在所述环境的地图内的信息表示道路、停车场、桥梁、施工区域、道路的路缘、车道的边界、交叉口或建筑物中的至少一者。
8.如权利要求1所述的方法,其中所述一个或多个传感器包括单目摄像机、立体摄像机、可见光相机、红外相机、热成像仪、LiDAR、雷达、超声传感器、飞行时间(TOF)深度传感器、速度传感器、温度传感器、湿度传感器或降水传感器中的至少一者。
9.如权利要求1所述的方法,其中所述一个或多个传感器包括惯性测量单元(IMU)、车轮速度传感器、车轮制动压力传感器、制动扭矩传感器、发动机扭矩传感器、车轮扭矩传感器、转向角传感器或角速率传感器中的至少一者。
10.如权利要求1所述的方法,其中所识别的一个或多个对象包括其他运载工具、行人或骑自行车的人中的至少一者。
11.如权利要求1所述的方法,其中所识别的一个或多个对象包括施工区域或路缘。
12.如权利要求1所述的方法,其中所生成的多维包络的所述至少一个维度的调整包括:
使用机器学习模型,基于从所述一个或多个对象提取的特征以及至所述轨迹的阈值距离来确定所述多维包络与所述一个或多个对象之间的特定横向间隙;以及
使用所述一个或多个处理器,修改所述多维包络的所述至少一个维度,以使得所述运载工具与所识别的一个或多个对象之间的横向间隙大于所述特定横向间隙。
13.如权利要求1所述的方法,进一步包括:使用所述一个或多个处理器,训练机器学习模型以基于从所述一个或多个对象提取的特征以及至所述轨迹的阈值距离来确定所述多维包络与所述一个或多个对象之间的特定横向间隙。
14.如权利要求13所述的方法,其中所述训练是基于乘客舒适度数据、运载工具碰撞数据或交通数据中的至少一者而执行的。
15.如权利要求1所述的方法,其中所述多维包络的生成包括:
使用所述一个或多个处理器,对所述轨迹进行采样以识别所述多个时空位置;
针对所述多个时空位置中的每个时空位置,使用所述一个或多个处理器,确定相对于所识别的一个或多个对象的横向误差容限,所述多维包络是基于所确定的横向误差容限而生成的。
16.如权利要求1所述的方法,其中所述多维包络的生成包括:使用所述一个或多个处理器,针对所述多维包络的至少一侧、使用相对于所识别的一个或多个对象的横向误差容限来确定所述多维包络的宽度。
17.如权利要求1所述的方法,进一步包括:使用所述一个或多个处理器,基于针对所述运载工具的速度约束来确定所述运载工具与所识别的一个或多个对象发生碰撞的可能性,所述运载工具沿着所述运载工具的当前时空位置与所述轨迹上的该轨迹与车道的边界相交的时空位置之间的轨迹行进,其中所述运载工具在所述车道内行进。
18.如权利要求1所述的方法,进一步包括:使用所述一个或多个处理器,相对于所述运载工具的纵轴上的位置确定所述运载工具与所识别的一个或多个对象发生碰撞的可能性。
19.一种运载工具,包括:
一个或多个计算机处理器;以及
一个或多个非瞬态存储介质,存储有指令,所述指令在由所述一个或多个计算机处理器执行时,使所述一个或多个计算机处理器:
生成针对所述运载工具的轨迹,所述轨迹包括多个时空位置;
生成指示所述运载工具的可行驶区域并包含所述轨迹的多维包络;
使用所述运载工具的一个或多个传感器,识别位于距所述轨迹的阈值距离内的一个或多个对象;
调整所生成的多维包络的至少一个维度以调整所述运载工具与所识别的一个或多个对象之间的横向间隙;并且
使用所述运载工具的控制模块,在所述多维包络内对所述运载工具进行导航。
20.一个或多个非瞬态存储介质,存储有指令,所述指令在由一个或多个计算设备执行时,使所述一个或多个计算设备:
生成针对所述运载工具的轨迹,所述轨迹包括多个时空位置;
生成指示所述运载工具的可行驶区域并包含所述轨迹的多维包络;
使用所述运载工具的一个或多个传感器,识别位于距所述轨迹的阈值距离内的一个或多个对象;
调整所生成的多维包络的至少一个维度以调整所述运载工具与所识别的一个或多个对象之间的横向间隙;并且
使用所述运载工具的控制模块,在所述多维包络内对所述运载工具进行导航。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862752294P | 2018-10-29 | 2018-10-29 | |
US62/752,294 | 2018-10-29 | ||
US201962810341P | 2019-02-25 | 2019-02-25 | |
US62/810,341 | 2019-02-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111190418A true CN111190418A (zh) | 2020-05-22 |
CN111190418B CN111190418B (zh) | 2023-12-05 |
Family
ID=68387218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911037999.6A Active CN111190418B (zh) | 2018-10-29 | 2019-10-29 | 使用多维包络调整运载工具的横向间隙 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11827241B2 (zh) |
EP (1) | EP3647735A1 (zh) |
CN (1) | CN111190418B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11113971B2 (en) * | 2018-06-12 | 2021-09-07 | Baidu Usa Llc | V2X communication-based vehicle lane system for autonomous vehicles |
US10845197B2 (en) * | 2018-11-27 | 2020-11-24 | Aptiv Technologies Limited | Dead-reckoning guidance system and method with cardinal-direction based coordinate-corrections |
DE102018130243A1 (de) * | 2018-11-29 | 2020-06-04 | Valeo Schalter Und Sensoren Gmbh | Erweitertes Szenario für Autobahnassistenten |
US11460848B1 (en) * | 2018-12-06 | 2022-10-04 | Waymo Llc | Biased trajectory progress metric |
DK201970148A1 (en) * | 2018-12-10 | 2020-07-06 | Aptiv Tech Ltd | Motion graph construction and lane level route planning |
DE112019004832T5 (de) * | 2018-12-18 | 2021-06-24 | Motional Ad Llc | Betrieb eines Fahrzeugs unter Verwendung von Bewegungsplanung mit maschinellem Lernen |
GB2588983B (en) * | 2019-04-25 | 2022-05-25 | Motional Ad Llc | Graphical user interface for display of autonomous vehicle behaviors |
JP6898388B2 (ja) * | 2019-07-05 | 2021-07-07 | 本田技研工業株式会社 | 車両の制御システム、車両の制御方法、およびプログラム |
KR20210121595A (ko) * | 2020-03-30 | 2021-10-08 | 삼성전자주식회사 | 최적 경로 탐색 장치 및 이의 동작 방법 |
US20210364305A1 (en) * | 2020-05-19 | 2021-11-25 | Gm Cruise Holdings Llc | Routing autonomous vehicles based on lane-level performance |
US11628856B2 (en) | 2020-06-29 | 2023-04-18 | Argo AI, LLC | Systems and methods for estimating cuboids from LiDAR, map and image data |
US20220012506A1 (en) * | 2020-07-13 | 2022-01-13 | Wisense Technologies Ltd. | System and method of segmenting free space based on electromagnetic waves |
US11873011B2 (en) * | 2020-10-29 | 2024-01-16 | Waymo Llc | Labeling lane segments for behavior prediction for agents in an environment |
US20220234614A1 (en) * | 2021-01-28 | 2022-07-28 | Motional Ad Llc | Sampling-based maneuver realizer |
WO2022183329A1 (zh) * | 2021-03-01 | 2022-09-09 | 华为技术有限公司 | 一种智能驾驶方法、装置、存储介质及计算机程序 |
US20230068703A1 (en) * | 2021-08-24 | 2023-03-02 | Waymo Llc | Planning system for autonomously navigating around lane-sharing road agents |
US11884304B2 (en) | 2021-09-08 | 2024-01-30 | Ford Global Technologies, Llc | System, method, and computer program product for trajectory scoring during an autonomous driving operation implemented with constraint independent margins to actors in the roadway |
US11778935B2 (en) * | 2021-09-13 | 2023-10-10 | Deere & Company | Controlling operating envelope for off-road equipment based on a digital fence |
US20230083803A1 (en) * | 2021-09-16 | 2023-03-16 | Toyota Research Institute, Inc. | Lateral vehicle position and steering wheel torque control |
US20230192075A1 (en) * | 2021-12-22 | 2023-06-22 | Joseph Burtch | Automated driving obstacle avoidance along a path |
US20230192131A1 (en) * | 2021-12-22 | 2023-06-22 | Joseph Burtch | Automated driving collision prediction |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067557A (zh) * | 2007-07-03 | 2007-11-07 | 北京控制工程研究所 | 适用于自主移动车辆的环境感知的单目视觉导航方法 |
US20090204304A1 (en) * | 2005-08-01 | 2009-08-13 | Werner Urban | Method for recognizing a turn maneuver and driver assistance system for motor vehicles |
CN105009027A (zh) * | 2012-12-03 | 2015-10-28 | 纳维森斯有限公司 | 用于估计对象的运动的系统和方法 |
US9358975B1 (en) * | 2015-04-10 | 2016-06-07 | Google Inc. | Virtual moving safety limits for vehicles transporting objects |
US20160200317A1 (en) * | 2013-08-20 | 2016-07-14 | Audi Ag | Device and method for controlling a motor vehicle |
WO2017050358A1 (en) * | 2015-09-22 | 2017-03-30 | Bluebotics Sa | Dynamic navigation for autonomous vehicles |
CN106564495A (zh) * | 2016-10-19 | 2017-04-19 | 江苏大学 | 融合空间和动力学特性的智能车辆安全驾驶包络重构方法 |
US20170116477A1 (en) * | 2015-10-23 | 2017-04-27 | Nokia Technologies Oy | Integration of positional data and overhead images for lane identification |
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 |
US20180056986A1 (en) * | 2016-08-24 | 2018-03-01 | Ford Global Technologies, Llc | Determining available dynamic turning radius |
CN108074010A (zh) * | 2016-11-15 | 2018-05-25 | 波音公司 | 对周围交通的机动预测 |
US20180194349A1 (en) * | 2017-01-06 | 2018-07-12 | Toyota Research Institute, Inc. | Systems and methods for dynamically adjusting a vehicle trajectory according to deviations of a driver from expected inputs |
CN108320500A (zh) * | 2017-01-16 | 2018-07-24 | 安波福电子(苏州)有限公司 | 一种基于v2x技术的交通管理系统 |
CN108431549A (zh) * | 2016-01-05 | 2018-08-21 | 御眼视觉技术有限公司 | 具有施加的约束的经训练的系统 |
CN108571344A (zh) * | 2017-03-09 | 2018-09-25 | 通用电气公司 | 自适应主动间隙控制逻辑 |
DE102017204983A1 (de) * | 2017-03-24 | 2018-09-27 | Audi Ag | Verfahren zum Vorgeben einer Fahrbewegung in einer auf maschinellem Lernen basierten Autopiloteinrichtung eines Kraftfahrzeugs sowie Steuervorrichtung, Kraftfahrzeug und Trainingsvorrichtung für eine Autopiloteinrichtung |
US20180281785A1 (en) * | 2017-03-29 | 2018-10-04 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Controlling Lateral Motion of Vehicle |
US20180307245A1 (en) * | 2017-05-31 | 2018-10-25 | Muhammad Zain Khawaja | Autonomous Vehicle Corridor |
Family Cites Families (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080186205A1 (en) | 1995-06-07 | 2008-08-07 | Intelligent Technologies International, Inc. | Wireless Sensing and Communications System of Roadways |
JP3574235B2 (ja) | 1995-08-31 | 2004-10-06 | 本田技研工業株式会社 | 車両の操舵力補正装置 |
US8364366B2 (en) * | 2005-06-24 | 2013-01-29 | Deere & Company | System and method for providing a safety zone associated with a vehicle |
CN101466583B (zh) | 2006-06-11 | 2013-05-15 | 沃尔沃技术公司 | 用于使用自动车道保持系统来维持横向车辆间距的方法和设备 |
EP2168079B1 (en) | 2007-01-23 | 2015-01-14 | Valeo Schalter und Sensoren GmbH | Method and system for universal lane boundary detection |
US8452535B2 (en) | 2010-12-13 | 2013-05-28 | GM Global Technology Operations LLC | Systems and methods for precise sub-lane vehicle positioning |
JP5543501B2 (ja) | 2012-01-27 | 2014-07-09 | 株式会社日本自動車部品総合研究所 | 車両制御装置 |
US8504233B1 (en) | 2012-04-27 | 2013-08-06 | Google Inc. | Safely navigating on roads through maintaining safe distance from other vehicles |
US8473144B1 (en) | 2012-10-30 | 2013-06-25 | Google Inc. | Controlling vehicle lateral lane positioning |
JP5743286B2 (ja) | 2012-12-28 | 2015-07-01 | 富士重工業株式会社 | 車両の運転支援装置 |
US9207095B2 (en) * | 2013-03-15 | 2015-12-08 | Harman International Industries, Incorporated | Integrated navigation and collision avoidance systems |
DE102013205882A1 (de) * | 2013-04-03 | 2014-10-09 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Führen eines Fahrzeugs im Umfeld eines Objekts |
US9327693B2 (en) | 2013-04-10 | 2016-05-03 | Magna Electronics Inc. | Rear collision avoidance system for vehicle |
JP5783204B2 (ja) | 2013-05-01 | 2015-09-24 | トヨタ自動車株式会社 | 運転支援装置および運転支援方法 |
US9988047B2 (en) | 2013-12-12 | 2018-06-05 | Magna Electronics Inc. | Vehicle control system with traffic driving control |
JP6280850B2 (ja) * | 2014-09-29 | 2018-02-14 | 日立建機株式会社 | 障害物回避システム |
US20160306357A1 (en) | 2015-04-17 | 2016-10-20 | Delphi Technologies, Inc. | Automated vehicle system with position bias for motorcycle lane splitting |
DE102016000943B4 (de) * | 2016-01-28 | 2023-09-07 | Zf Automotive Germany Gmbh | Steuerungssystem und Steuerungsverfahren zum Ermitteln einer Wahrscheinlichkeit einer bevorstehenden Kollision eines Fahrzeugs |
DE102016117438A1 (de) * | 2016-09-16 | 2018-03-22 | Knorr-Bremse Systeme für Nutzfahrzeuge GmbH | Verfahren und Vorrichtung zum Steuern einer Bewegung eines Fahrzeugs und Fahrzeugbewegungssteuersystem |
EP3551966B1 (en) * | 2016-12-06 | 2021-03-03 | Nissan North America, Inc. | Solution path overlay interfaces for autonomous vehicles |
US11004000B1 (en) * | 2017-01-30 | 2021-05-11 | Waymo Llc | Predicting trajectory intersection by another road user |
US10730531B1 (en) * | 2017-02-02 | 2020-08-04 | Uatc, Llc | Machine-learning based vehicle motion control system |
CN110462544A (zh) * | 2017-03-20 | 2019-11-15 | 御眼视觉技术有限公司 | 自主车辆的轨迹选择 |
US10606259B2 (en) * | 2017-07-07 | 2020-03-31 | Zoox, Inc. | Interactions between vehicle and teleoperations system |
US20190027034A1 (en) | 2017-07-19 | 2019-01-24 | Aptiv Technologies Limited | Variable steering error limits for automated vehicle control |
US20200174490A1 (en) * | 2017-07-27 | 2020-06-04 | Waymo Llc | Neural networks for vehicle trajectory planning |
US10532749B2 (en) * | 2017-08-11 | 2020-01-14 | Uatc, Llc | Systems and methods to adjust autonomous vehicle parameters in response to passenger feedback |
US10635109B2 (en) * | 2017-10-17 | 2020-04-28 | Nio Usa, Inc. | Vehicle path-planner monitor and controller |
US10401863B2 (en) * | 2017-11-22 | 2019-09-03 | GM Global Technology Operations LLC | Road corridor |
CN110352153A (zh) * | 2018-02-02 | 2019-10-18 | 辉达公司 | 自主车辆中用于障碍物躲避的安全程序分析 |
US11550061B2 (en) * | 2018-04-11 | 2023-01-10 | Aurora Operations, Inc. | Control of autonomous vehicle based on environmental object classification determined using phase coherent LIDAR data |
US10614717B2 (en) * | 2018-05-17 | 2020-04-07 | Zoox, Inc. | Drive envelope determination |
WO2019231456A1 (en) * | 2018-05-31 | 2019-12-05 | Nissan North America, Inc. | Probabilistic object tracking and prediction framework |
KR20210134853A (ko) * | 2018-09-28 | 2021-11-10 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량에 사용되는 터널에 기초한 계획 시스템 |
-
2019
- 2019-10-23 US US16/661,228 patent/US11827241B2/en active Active
- 2019-10-29 EP EP19205825.3A patent/EP3647735A1/en active Pending
- 2019-10-29 CN CN201911037999.6A patent/CN111190418B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090204304A1 (en) * | 2005-08-01 | 2009-08-13 | Werner Urban | Method for recognizing a turn maneuver and driver assistance system for motor vehicles |
CN101067557A (zh) * | 2007-07-03 | 2007-11-07 | 北京控制工程研究所 | 适用于自主移动车辆的环境感知的单目视觉导航方法 |
CN105009027A (zh) * | 2012-12-03 | 2015-10-28 | 纳维森斯有限公司 | 用于估计对象的运动的系统和方法 |
US20160200317A1 (en) * | 2013-08-20 | 2016-07-14 | Audi Ag | Device and method for controlling a motor vehicle |
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 |
US9358975B1 (en) * | 2015-04-10 | 2016-06-07 | Google Inc. | Virtual moving safety limits for vehicles transporting objects |
WO2017050358A1 (en) * | 2015-09-22 | 2017-03-30 | Bluebotics Sa | Dynamic navigation for autonomous vehicles |
US20170116477A1 (en) * | 2015-10-23 | 2017-04-27 | Nokia Technologies Oy | Integration of positional data and overhead images for lane identification |
CN108431549A (zh) * | 2016-01-05 | 2018-08-21 | 御眼视觉技术有限公司 | 具有施加的约束的经训练的系统 |
US20180056986A1 (en) * | 2016-08-24 | 2018-03-01 | Ford Global Technologies, Llc | Determining available dynamic turning radius |
CN106564495A (zh) * | 2016-10-19 | 2017-04-19 | 江苏大学 | 融合空间和动力学特性的智能车辆安全驾驶包络重构方法 |
CN108074010A (zh) * | 2016-11-15 | 2018-05-25 | 波音公司 | 对周围交通的机动预测 |
US20180194349A1 (en) * | 2017-01-06 | 2018-07-12 | Toyota Research Institute, Inc. | Systems and methods for dynamically adjusting a vehicle trajectory according to deviations of a driver from expected inputs |
CN108320500A (zh) * | 2017-01-16 | 2018-07-24 | 安波福电子(苏州)有限公司 | 一种基于v2x技术的交通管理系统 |
CN108571344A (zh) * | 2017-03-09 | 2018-09-25 | 通用电气公司 | 自适应主动间隙控制逻辑 |
DE102017204983A1 (de) * | 2017-03-24 | 2018-09-27 | Audi Ag | Verfahren zum Vorgeben einer Fahrbewegung in einer auf maschinellem Lernen basierten Autopiloteinrichtung eines Kraftfahrzeugs sowie Steuervorrichtung, Kraftfahrzeug und Trainingsvorrichtung für eine Autopiloteinrichtung |
US20180281785A1 (en) * | 2017-03-29 | 2018-10-04 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Controlling Lateral Motion of Vehicle |
US20180307245A1 (en) * | 2017-05-31 | 2018-10-25 | Muhammad Zain Khawaja | Autonomous Vehicle Corridor |
Also Published As
Publication number | Publication date |
---|---|
CN111190418B (zh) | 2023-12-05 |
EP3647735A1 (en) | 2020-05-06 |
US20200133280A1 (en) | 2020-04-30 |
US11827241B2 (en) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111190418B (zh) | 使用多维包络调整运载工具的横向间隙 | |
US11320826B2 (en) | Operation of a vehicle using motion planning with machine learning | |
CN111915917B (zh) | 计算机实现的方法、存储介质和运载工具 | |
KR102551208B1 (ko) | 차량의 교통 신호등 검출 시스템 | |
CN111121776B (zh) | 用于对运载工具进行导航的最佳轨迹的生成 | |
US20200216064A1 (en) | Classifying perceived objects based on activity | |
KR102593948B1 (ko) | 주석 달기를 위한 데이터 샘플의 자동 선택 | |
KR20210055617A (ko) | 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측 | |
US11577754B2 (en) | Autonomous vehicle operation using linear temporal logic | |
CN112996703A (zh) | 使用多个运动约束的运载工具的操作 | |
US11731653B2 (en) | Conditional motion predictions | |
CN115328110A (zh) | 用于自主运载工具的系统和方法以及存储介质 | |
WO2020160144A1 (en) | Traffic light estimation | |
CN115079687A (zh) | 用于自主运载工具的系统、方法和存储介质 | |
GB2616739A (en) | Traffic light estimation | |
CN115220439A (zh) | 用于运载工具的系统和方法以及存储介质 | |
CN114938674A (zh) | 基于活动来对感知对象进行分类 | |
CN115016452A (zh) | 用于运载工具的系统和方法以及计算机可读介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201210 Address after: Massachusetts, USA Applicant after: Dynamic ad Co.,Ltd. Address before: Babado J San Michaele Applicant before: Delphi Technologies, Inc. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |