CN111413958B - 用于确定自动驾驶中的驾驶路径的系统和方法 - Google Patents
用于确定自动驾驶中的驾驶路径的系统和方法 Download PDFInfo
- Publication number
- CN111413958B CN111413958B CN201811548158.7A CN201811548158A CN111413958B CN 111413958 B CN111413958 B CN 111413958B CN 201811548158 A CN201811548158 A CN 201811548158A CN 111413958 B CN111413958 B CN 111413958B
- Authority
- CN
- China
- Prior art keywords
- sample
- determining
- samples
- driving
- driving paths
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008569 process Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 94
- 230000000875 corresponding effect Effects 0.000 description 55
- 230000015654 memory Effects 0.000 description 36
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- 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
-
- 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
- B60W30/09—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
- 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
-
- 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
- B60W40/06—Road 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
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本申请涉及一种用于确定自动驾驶中的驾驶路径的系统和方法。所述系统可以获取至少两个候选驾驶路径;基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数;基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径。
Description
技术领域
本申请涉及用于自动驾驶的系统和方法,尤其涉及用于确定自动驾驶中的驾驶路径的系统和方法。
背景技术
随着微电子技术和机器人技术的发展,自动驾驶的探索现已迅速发展。对于自动驾驶系统来说,基于与自动驾驶系统的车辆相关的行驶信息(例如,起始位置、定义的目的地、道路状况)确定合适的驾驶路径是很重要的。通常,自动驾驶系统会确定至少两个候选驾驶路径,并基于与所述至少两个候选驾驶路径中的每一个路径相关的特征(例如,出行成本),从所述至少两个候选驾驶路径中选择目标驾驶路径,并且与所述至少两个候选驾驶路径中的每一个路径相关的特征通常是基于人工定义的参数确定的。然而,在某些情况下,人工定义的参数可能不准确或不适合,因此难以基于这些参数确定最佳驾驶路径。因此,希望提供用于准确和有效地确定最佳驾驶路径的系统和方法,从而改善自动驾驶系统的性能。
发明内容
本申请的一方面涉及一种用于确定自动驾驶中的驾驶路径的系统。该系统包括至少一个包括一组指令的存储介质以及至少一个处理器与所述至少一个存储介质通信。其中当执行所述一组指令时,所述至少一个处理器用于使所述系统执行下述操作。获取至少两个候选驾驶路径;基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数;基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及基于对应于所述至少两个候选驾驶路径中的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径。
在一些实施例中,所述系统可以确定一个或以上成本因素;以及基于所述一个或以上成本因素和所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的所述出行成本。
在一些实施例中,所述一个或以上成本因素包括速度成本因素、相似度成本因素和/或曲率成本因素。
在一些实施例中,所述系数生成模型通过训练过程确定,所述训练过程包括:获取至少两个样本驾驶路径;基于所述至少两个样本驾驶路径确定至少两个样本,其中,所述至少两个样本中的每一个样本都包括对应于相同起始位置和相同目的地的样本驾驶路径集;对于所述至少两个样本中的每一个样本,确定对应于所述样本驾驶路径集的样本分数集;以及基于所述至少两个样本的所述分数确定所述训练的系数生成模型。
在一些实施例中,基于所述至少两个样本,所述确定所述训练系数生成模型包括:获取包括至少两个初始系数的初始系数生成模型,其中,所述至少两个初始系数中的每一个系数都对应于样本;提取所述至少两个样本中的每一个样本的特征信息;对于所述至少两个样本中的每一个样本,基于相应的初始系数和所述特征信息确定对应于所述样本驾驶路径集的样本出行成本集;确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集是否满足预设条件;以及响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集满足所述预设条件,指定所述初始系数生成模型作为所述训练的系数生成模型。
在一些实施例中,基于所述至少两个样本来确定所述训练系数生成模型,进一步包括:更新所述至少两个初始系数,响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集不满足所述预设条件;重复所述步骤,直到确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集集满足所述预设条件。
在一些实施例中,所述至少两个样本中的每一个样本的所述特征信息包括所述样本驾驶路径集的每一个样本驾驶路径的速度信息以及与所述样本驾驶路径集的每一个样本驾驶路径相关的障碍物信息。
在一些实施例中,所述系统可以从所述至少两个出行成本中识别出最小的出行成本;以及将所述最小出行成本对应的候选驾驶路径指定为所述目标驾驶路径。
在一些实施例中,所述系统可以将所述目标驾驶路径发送到车辆的一个或以上控制元件,指示所述车辆遵循所述目标驾驶路径。
本申请的另一方面涉及一种在计算设备上实现的方法,所述计算设备具有至少一个处理器,至少一个存储介质和连接到网络的通信平台。所述方法包括:获取至少两个候选驾驶路径;基于训练的系数生成模型获取与所述至少两个候选驾驶路径相关的一个或以上系数;基于所述一个或以上系数确定所述至少两个候选驾驶路径中每一个候选驾驶路径的出行成本;以及基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径识别目标驾驶路径。
在一些实施例中,所述确定至少两个候选驾驶路径中的每一个候选驾驶路径的所述出行成本,包括:确定一个或以上成本因素;以及基于所述一个或以上成本因素和所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的所述出行成本。
在一些实施例中,所述一个或以上成本因素包括速度成本因素、相似度成本因素和/或曲率成本因素。
在一些实施例中,所述系数生成模型通过训练过程确定,所述训练过程包括:获取至少两个样本驾驶路径;基于所述至少两个样本驾驶路径确定至少两个样本,其中所述至少两个样本中的每一个样本包括对应于相同起始位置和相同目的地的样本驾驶路径集;对于所述至少两个样本中的每一个样本,确定对应于所述样本驾驶路径集的样本分数集;以及基于所述至少两个样本的所述分数,确定所述训练的系数生成模型。
在一些实施例中,所述基于所述至少两个样本,确定所述训练的系数生成模型,包括:获取包括至少两个初始系数的初始系数生成模型,其中所述至少两个初始系数中的每一个系数都对应于样本;提取所述至少两个样本中的每一个样本的特征信息;对于所述至少两个样本中的每一个样本,基于相应的初始系数和所述特征信息确定对应于所述样本驾驶路径集的样本出行成本集;确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集是否满足预设条件;以及响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集满足所述预设条件,指定所述初始系数生成模型作为所述训练的系数生成模型。
在一些实施例中,所述基于所述至少两个样本确定所述训练的系数生成模型,所述进一步包括:响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集不满足所述预设条件,更新所述至少两个初始系数;重复所述步骤,直到确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足所述预设条件。
在一些实施例中,所述至少两个样本中的每一个样本的所述特征信息包括所述样本驾驶路径集的每一个样本驾驶路径的速度信息以及与所述样本驾驶路径集的每一个样本驾驶路径相关的障碍物信息。
在一些实施例中,所述基于对应于所述至少两个候选驾驶路径的所述至少两个路径的出行成本,从所述至少两个候选驾驶路径中识别所述目标驾驶路径,包括:从所述至少两个出行成本中识别出最小的出行成本;以及将所述最小出行成本对应的候选驾驶路径指定为所述目标驾驶路径。
在一些实施例中,所述方法还包括:将所述目标驾驶路径发送到车辆的一个或以上控制元件上,指示所述车辆遵循所述目标驾驶路径。
本申请的又一方面涉及一种用于自动驾驶的车辆,包括检测组件、规划组件和控制组件。所述规划组件用于:获取至少两个候选驾驶路径;基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数;基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径。
本申请的又一方面涉及一种用于确定自动驾驶中的驾驶路径的系统,包括:获取模块、确定模块以及识别模块。所述获取模块用于获取至少两个候选驾驶路径;所述确定模块用于基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数,以及用于基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及所述识别模块用于基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径。
本申请的又一方面涉及一个非暂时计算机可读存储介质,包括至少一组用于确定自动驾驶中的驾驶路径的指令。其中,当被至少一个处理器执行时,所述至少一组指令指示所述至少一个处理器:获取至少两个候选驾驶路径;基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数;基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径。
本申请的一部分附加特征可以在下面的描述中进行说明,通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特征对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例作进一步描述。这些示例性实施例将通过附图进行详细描述。附图不按比例绘制。这些实施例是非限制性示意实施例,其中相同的附图标记表示贯穿附图的若干视图的类似结构,并且其中:
图1是根据本申请的一些实施例的示例性自动驾驶系统的示意图;
图2是根据本申请的一些实施例的示例性计算设备的示例性硬件和/或软件组件的示意图;
图3是根据本申请的一些实施例的示例性处理引擎的框图;
图4是根据本申请的一些实施例的确定驾驶路径的示例性过程的流程图。
图5-A,5-B和5-C是根据本申请的一些实施例的出行成本的示例性成本因素的示意图;
图6是根据本申请的一些实施例的确定训练的系数生成模型的示例性过程的流程图;
图7是根据本申请的一些实施例的示例性驾驶场景的示意图;以及
图8是根据本申请的一些实施例的包括样本驾驶路径集的示例性样本的示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例,并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本申请中,术语
“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
根据以下对附图的描述,本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本申请说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是,流程图中的操作可以不按顺序执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中。一个或以上操作也可以从流程图中删除。
此外,尽管本申请中公开的系统和方法主要涉及陆地中的运输系统,但应该理解,这仅是一个示例性实施例。本申请的系统和方法可以应用于任何其他类型的运输系统。例如,本申请的系统和方法可以应用于不同环境的运输系统,包括海洋、航空航天等或其任何组合。运输系统的车辆可包括汽车、公共汽车、火车、地铁、船只、飞机、宇宙飞船、热气球等或其任何组合。
本申请中使用的定位技术可以包括全球定位系统(GPS)、全球卫星导航系统(GLONASS)、北斗导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(Wi-Fi)定位技术等或其任何组合。上述定位技术中的一种或以上可以在本申请中互换使用。
本申请的一个方面涉及用于确定自动驾驶中的驾驶路径的系统和方法。该系统和方法可以获取至少两个候选驾驶路径。可以基于与车辆相关的行驶信息(例如,道路状况信息、障碍物信息)确定至少两个候选驾驶路径。该系统和方法可以基于训练的系数生成模型获取与至少两个候选驾驶路径相关的一个或以上系数。该系统和方法可以基于一个或以上系数确定至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本。此外,该系统和方法可以基于与至少两个候选驾驶路径相对应的至少两个出行成本,从至少两个候选驾驶路径中识别目标驾驶路径(例如,对应于最小出行成本的候选驾驶路径)。根据本申请的系统和方法,候选驾驶路径的出行成本基于由训练的模型生成的系数确定,可以提高车辆的路径规划的准确性。
图1是根据本申请的一些实施例的示例性自动驾驶系统的示意图。在一些实施例中,自动驾驶系统100可包括服务器110、网络120、车辆130和存储器140。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。服务器组可以是集中式的或分布式的(例如,服务器110可以是分布式系统)。在一些实施例中,服务器110可以是本地的,也可以是远程的。例如,服务器110可以通过网络120访问存储在车辆130和/或存储器140中的信息和/或数据。又例如,服务器110可以直接连接到车辆130和/或存储器140以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台或车载计算机上实现。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任何组合。在一些实施例中,服务器110可以在计算设备200上实现,该计算设备200包括本申请中的图2中所示的一个或以上组件。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理与车辆130的行驶信息相关的信息和/或数据,以执行本申请中描述的一个或以上功能。例如,处理引擎112可以获取与车辆130相关的行驶信息(例如,道路状况信息、障碍物信息),并基于行驶信息确定车辆130的驾驶路径。也就是说,处理引擎112可以被配置为车辆130的规划组件。又例如,处理引擎112可以基于驾驶路径确定控制指令(例如,速度控制指令、方向控制指令)。在一些实施例中,所述处理引擎112可包括一个或以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。仅作为示例,处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任何组合。
在一些实施例中,服务器110可以连接到网络120以与自动驾驶系统100的一个或以上组件(例如,车辆130、存储器140)通信。在一些实施例中,服务器110可以直接连接到自动驾驶系统100的一个或以上组件(例如,车辆130、存储器140)或与之通信。在一些实施例中,服务器110可以集成在车辆130中。例如,服务器110可以是安装在车辆130中的计算设备(例如,车载计算机)。
网络120可以促进信息和/或数据的交换。在一些实施例中,自动驾驶系统100的一个或以上组件(例如,服务器110、车辆130、存储器140)可以通过网络120将信息和/或数据发送到自动驾驶系统100的其他组件。例如,服务器110可以通过网络120获取与车辆130相关的行驶信息。在一些实施例中,网络120可以为任意形式的有线或无线网络,或其任何组合。仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(LAN)、广域网路(WAN)、无线局域网(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络等或其任何组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,通过该接入点,自动驾驶系统100的一个或以上组件可以连接到网络120以交换数据和/或信息。
车辆130可以是任何类型的自动车辆。自动车辆能够在没有人类操纵的情况下感测环境信息和导航。车辆130可包括传统车辆的结构。例如,车辆130可包括至少两个控制元件,其被配置为控制车辆130的操作。至少两个控制元件可包括转向装置(例如,方向盘)、制动装置(例如,制动踏板)、加速器等。转向装置可以被配置为调节车辆130的朝向和/或方向。制动装置可以被配置为执行制动操作以停止车辆130。加速器可以被配置为控制车辆130的速度和/或加速度。
车辆130还可包括至少两个检测单元,被配置为检测与车辆130相关的行驶信息。至少两个检测单元可包括相机、全球定位系统(GPS)模块、加速度传感器(例如,压电传感器)、速度传感器(例如,霍尔传感器)、距离传感器(例如,雷达、激光雷达、红外传感器)、转向角传感器(例如,倾斜传感器)、牵引相关传感器(例如,力传感器)等。在一些实施例中,与车辆130相关的行驶信息可包括车辆130一定范围内的感知信息(例如,道路状况信息、障碍物信息)、车辆130的一定范围内的地图信息等。
存储器140可以存储数据和/或指令。在一些实施例中,存储器140可以存储从车辆130获取的数据,例如由至少两个检测单元获取的与车辆130相关的行驶信息。在一些实施例中,存储器140可以储存服务器110执行或使用以完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储器140可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任何组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写内存可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,所述存储器140可在云平台上实现。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任何组合。
在一些实施例中,存储器140可以连接到网络120,以与自动驾驶系统100的一个或以上组件(例如,服务器110、车辆130)通信。自动驾驶系统100的一个或以上组件可以通过网络120访问存储在存储器140中的数据或指令。在一些实施例中,存储器140可以直接连接到自动驾驶系统100的一个或以上组件(例如,服务器110和车辆130)或与之通信。在一些实施例中,存储器140可以是服务器110的一部分。在一些实施例中,存储器140可以集成在车辆130中。
应当注意自动驾驶系统100仅用于说明的目的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正或改变。例如,自动驾驶系统100还可以包括数据库、信息源等。又例如,自动驾驶系统100可以在其他设备上实现以实现类似或不同的功能。然而,这些修正和改变不会背离本申请的范围。
图2是根据本申请的一些实施例的示例性计算设备的示例性硬件和软件组件的示意图。在一些实施例中,服务器110可以在计算设备200上实现。例如,处理引擎112可以在计算设备200上实施并执行本申请所披露的处理引擎112的功能。
计算设备200可用于实现本申请的自动驾驶系统100的任何组件。例如,自动驾驶系统100的处理引擎112可以通过其硬件、软件程序、固件或其组合在计算设备200上实现。尽管为了方便仅示出了一个这样的计算机,但是与这里描述的自动驾驶系统100相关的计算机功能可以在多个类似平台上以分布式方式实现,以分配处理负荷。
例如,计算设备200可以包括连接到与其连接的网络(例如,网络120)的通信(COMM)端口250,以促进数据通信。计算设备200还可以包括处理器(例如,处理器220),其形式为一个或以上处理器(例如,逻辑电路),用于执行程序指令。例如,处理器可以包括其中的接口电路和处理电路。接口电路可以被被配置为从总线210接收电信号,其中电信号编码用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算,然后将结论、结果和/或指令编码确定为电信号。然后,接口电路可以通过总线210从处理电路发出电信号。
计算设备200还可以包括不同形式的程序存储和数据存储,例如,磁盘270以及只读存储器(ROM)230或随机存取存储器(RAM)240,用于存储要由计算设备200处理和/或发送的各种数据文件。计算设备200还可以包括存储在ROM 230、RAM 240和/或由处理器220执行的其他类型的非暂时性存储介质中的程序指令。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括I/O组件260,其支持计算设备200与其中的其他组件之间的输入/输出。计算设备200也可以通过网络通信接收编程和数据。
仅仅为了说明,在计算设备200中仅描述了一个处理器。然而,应该注意的是,本申请中的计算设备200还可以包括多个处理器,因此由本申请中描述的一个处理器执行的操作也可以由多个处理器联合或单独执行。例如,计算设备200的处理器执行操作A和操作B。如在另一示例中,操作A和操作B也可以由计算设备200中的两个不同的处理器联合或单独地执行(例如,第一处理器执行操作A并且第二处理器执行操作B,或者第一和第二处理器联合执行操作A和B)。
图3是根据本申请的一些实施例所示的示例性处理引擎的框图。处理引擎112可包括获取模块310、训练模块320、确定模块330和识别模块340。
获取模块310可以被配置为获取与车辆(例如,车辆130)相关的至少两个候选驾驶路径。在一些实施例中,获取模块310可以从存储设备(例如,存储器140)中获取至少两个候选驾驶路径,例如本申请中其他地方公开的存储设备。在一些实施例中,获取模块310可以基于行驶信息(例如,车辆的当前位置、车辆的当前速度、车辆的当前加速度、定义的目的地、与车辆相关的道路状况、障碍物信息)确定至少两个候选驾驶路径。关于至少两个候选驾驶路径的更多描述可以在本申请的其他地方找到(例如,图4及其描述)。
训练模块320可以被配置为基于至少两个样本确定训练的系数生成模型。至少两个样本中的每一个样本可以包括对应于相同起始位置和相同目的地的样本驾驶路径集。训练的系数生成模型的更多描述可以在本申请的其他地方找到(例如,图6及其描述)。
确定模块330可以被配置为基于训练的系数生成模型获取与至少两个候选驾驶路径相关的一个或以上系数。确定模块330也可以被配置为基于一个或以上系数确定至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本。在一些实施例中,确定模块330可以确定一个或以上成本因素,并基于一个或以上成本因素和一个或以上系数确定至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本。关于出行成本的更多描述可以在本申请的其他地方找到(例如,图4及其描述)。
识别模块340可以被配置为基于与至少两个候选驾驶路径相对应的至少两个出行成本,从至少两个候选驾驶路径中识别目标驾驶路径。在一些实施例中,识别模块340可以从至少两个出行成本中识别最小出行成本,并将对应于最小出行成本的候选驾驶路径识别为目标驾驶路径。
在一些实施例中,处理引擎112可以进一步包括传输模块(未示出),该传输模块可以被配置为将目标驾驶路径传输到车辆的一个或以上控制元件(例如,制动装置、加速器)并指示车辆遵循目标驾驶路径。
根据上述关于处理引擎112的描述,候选驾驶路径的出行成本基于由训练的模型生成的系数确定,可以提高车辆的路径规划的准确性。处理引擎112中的模块可以通过有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合电缆等或其任何组合。无线连接可以包括局域网络(LAN)、广域网络(WAN)、蓝牙、紫蜂网络、近场通讯(NFC)等或其任何组合。两个或以上模块可以合并成一个模块,以及任意一个模块可以被拆分成两个或以上单元。例如,确定模块330和识别模块340可以组合为单个模块,其可以确定至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本并且从至少两个候选驾驶路径中识别目标驾驶路径。又例如,获取模块也可以用于获取与至少两个候选驾驶路径相关的一个或以上系数。作为另一个例子,处理引擎112可以包括存储模块(图3中未示出),其可以被配置为存储至少两个候选驾驶路径、对应于至少两个候选行驶路线的至少两个出行成本、目标驾驶路径等。作为又一示例,训练模块320可以是不必要的,训练的系数生成模型可以从存储设备(例如,存储器140)中获取,例如本申请中其他地方公开的存储设备。
图4是根据本申请的一些实施例的确定驾驶路径的示例性过程的流程图。过程400可以由自动驾驶系统100执行。例如,过程400可以实现为存储在存储器ROM 230或RAM 240中的一组指令(例如,应用程序)。处理器220和/或图3中所示的模块可以执行该组指令,并且当执行指令时,处理器220和/或模块可以被配置为执行过程400。下述流程/方法的操作仅是示例性的。在一些实施例中,过程400在实现时可以添加一个或以上未描述的额外操作,和/或删减一个或以上此处所讨论的操作。另外,图4中示出并在下面描述的过程400的操作的顺序不是限制性的。
在410中,处理引擎112(例如,获取模块310)(例如,处理器220的接口电路)可以获取与车辆(例如,车辆130)相关的至少两个候选驾驶路径。
在一些实施例中,处理引擎112可以从存储设备(例如,存储器140)中获取至少两个候选驾驶路径,例如本申请中其他地方所公开的存储设备。在一些实施例中,处理引擎112可以基于与车辆相关的行驶信息(例如,车辆的当前位置、车辆的当前速度、车辆的当前加速度、定义的目的地、道路状况、障碍物信息)确定至少两个候选驾驶路径。例如,处理引擎112可以基于曲线拟合方法,确定与车辆的当前位置和所定义的目的地相关的至少两条曲线,并且选择不与障碍物碰撞的曲线作为至少两个候选驾驶路径。又例如,处理引擎112可以基于与车辆相关的行驶信息,根据机器学习模型(例如,人工神经网络模型、支持向量机(SVM)模型、决策树模型),确定至少两个候选驾驶路径。关于确定候选驾驶路径的更多描述可以在2017年7月13日提交的国际申请PCT/CN2017/092714中找到,其全部的内容通过引用将其整体并入本文。
在一些实施例中,处理引擎112可以确定至少两个候选驾驶路径中的每一个候选驾驶路径与对应于先前时间点的先前目标驾驶路径之间的差异。此外,处理引擎112可以过滤出具有大于差阈值(可以是默认设置或可以是可调节的)的候选驾驶路径,并且确定至少两个候选驾驶路径中的剩余部分作为最终候选驾驶路径。应当注意自动驾驶系统100可以根据预定的时间间隔(例如,5ms、10ms、15ms、20ms)确定驾驶路径,即自动驾驶系统100可以确定在第一时间点的第一目标驾驶路径和在第二时间点的第二目标驾驶路径,其中第一时间点和第二时间点被预定的时间间隔分开并且可以被指定为“相邻时间点”。因此,这里所说的先前时间点是指当前时间点之前的相邻时间点。
在420中,处理引擎112(例如,获取模块310或确定模块330)(例如,处理器220的处理电路)可以基于训练的系数生成模型获取与至少两个候选驾驶路径相关的一个或以上系数。处理引擎112可以从训练模块320或存储设备(例如,存储器140)获取训练的系数生成模型,例如本申请中其他地方所公开的存储设备。系数生成模型可以基于至少两个样本驾驶路径获得。训练的系数生成模型的更多描述可以在本申请的其他地方找到(例如,图6及其描述)。
在430中,处理引擎112(例如,确定模块330)(例如,处理器220的处理电路)可以基于一个或以上系数确定至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本。在一些实施例中,处理引擎112可以确定一个或以上成本因素,并基于一个或以上成本因素和一个或以上系数确定至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本。以特定候选驾驶路径为例,处理引擎112可根据下述公式(1)确定特定候选驾驶路径的出行成本:
其中,Fcost是指特定候选驾驶路径的出行成本,ci是指特定候选驾驶路径的第i个成本因素,wi是指与第i个成本因素相对应的第i个系数,n是指一个或以上成本因素的数量。
在一些实施例中,一个或以上成本因素可包括速度成本因素、相似度成本因素、曲率成本因素等。如本文所使用的,还以特定候选驾驶路径为例,速度成本因素表示特定候选驾驶路径上的至少两个点之间的速度差信息;相似度成本因素表示特定候选驾驶路径和先前时间点对应的先前目标驾驶路径之间的相似度信息;曲率成本因素表示与特定候选驾驶路径相关的平滑度信息。
在一些实施例中,处理引擎112可以根据下述公式(2)确定速度成本因素:
其中,Scost是指速度成本因素,vi指特定候选者驾驶路径上的第i个点的速度,vi+1指特定候选驾驶路径上的第(i+1)个点的速度,以及m指特定候选驾驶路径上的至少两个点的数量。在一些实施例中,特定候选驾驶路径上的两个相邻点(即第i点和第(i+1)点)之间的时间间隔可以是自动驾驶系统100的默认设置(例如,5ms,10ms,15ms,20ms),或者可以在不同情况下进行调整。
在一些实施例中,处理引擎112可以根据下述公式(3)确定相似度成本因素:
其中,Similaritycost是指相似度成本因素,(xi,yi)是指特定候选驾驶路径上的第i个点,(xj′,yj′)是指对应于先前时间点的先前目标驾驶路径上的第j个点(其中第j个点是指对应于先前时间点的先前目标驾驶路径上的距离候选驾驶路径上第i个点的最近点),p是指特定候驾驶路径和对应于先前时间点的先前目标驾驶路径的重叠部分(例如,图5-B中所示的重叠部分)内的点的数量。
在一些实施例中,处理引擎112可以基于特定候选驾驶路径的全局曲率确定曲率成本因素。例如,处理引擎112可以确定特定候选驾驶路径上的每个点的曲率,并且确定与特定候选驾驶路径上的至少两个点相对应的至少两个曲率的总和作为全局曲率。又例如,处理引擎112可以确定与特定候选驾驶路径上的至少两个点相对应的至少两个曲率的平均值(或加权平均值)作为全局曲率。
在440中,处理引擎112(例如,识别模块340)(例如,处理器220的处理电路)可以基于对应于至少两个候选驾驶路径的至少两个出行成本,从至少两个候选驾驶路径中识别目标驾驶路径。在一些实施例中,处理引擎112可以从至少两个出行成本中识别最小出行成本,并将对应于最小出行成本的候选驾驶路径识别为目标驾驶路径。
在一些实施例中,处理引擎112可以进一步将目标驾驶路径传输到车辆的一个或以上控制元件(例如,制动装置、加速器),并指示车辆遵循目标驾驶路径。例如,处理引擎112可以确定与目标驾驶路径相关的控制命令,并将控制命令发送到一个或以上控制元件。
如上所述,自动驾驶系统基于与候选驾驶路径相对应的出行成本确定目标驾驶路径,所述候选驾驶路径基于一个或以上系数(其可以基于训练的系数生成模型获取)确定。应当注意自动驾驶系统是一个实时或基本实时的系统,需要快速计算和反应。然而,基于训练的系数生成模型确定一个或以上系数需要时间(尽管非常短),并且累积时间可能导致决策延迟。因此,在某些情况下(例如,简单的道路状况(例如,直路)),可以使用人工定义的系数,以减少计算时间并确保自动驾驶系统的正常操作。
根据400所述的方法,候选驾驶路径的出行成本基于由训练的模型生成的系数确定,可以提高车辆的路径规划的准确性。应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。例如,可以在过程400中的其他地方添加一个或以上其他可选操作(例如,存储操作)。在存储操作中,处理引擎112可以存储至少两个候选驾驶路径、对应于至少两个候选驾驶路径的至少两个出行成本、目标驾驶路径等。又例如,一个或以上成本因素还可以包括与候选驾驶路径的一个或以上特征(例如,候选驾驶路径和障碍物之间的距离、候选驾驶路径的出行时间)相关的其他参数。
图5-A、5-B和5-C是根据本申请的一些实施例的出行成本的示例性成本因素的示意图。如结合操作430所述,成本因素可包括速度成本因素、相似度成本因素、曲率成本因素等。
如图5-A所示,候选驾驶路径包括至少两个点,并且两个相邻点(例如,点i和点(i+1))之间的时间间隔是10ms。根据公式(2),处理引擎112可以基于候选驾驶路径上的任何两个相邻点之间的至少两个速度差(例如,vi和vi+1之间的速度差)确定速度成本因素。
如图5-B所示,实线是指对应于先前时间点的先前目标驾驶路径,虚线是指候选驾驶路径。可以基于先前时间点的车辆的位置和第一预设目的地确定先前目标驾驶路径。可以基于车辆的当前位置和第二预设目的地(与第一预设的目的地相同或不同)确定当前时间点的候选驾驶路径。处理引擎112可以基于先前目标驾驶路径和候选驾驶路径之间的重叠部分内的点确定相似度成本因素。如图所示,第j点是先前目标驾驶路径上的距离候选驾驶路径上的第i点的最近点。根据公式(3),处理引擎112可以基于与多个点对(例如,候选驾驶路径上的第i点和前一目标驾驶路径上的第j点)相关的多个差确定相似度成本因素。
如图5-C所示,候选驾驶路径包括至少两个点,并且两个相邻点之间的时间间隔(例如,点i和点(i+1))是10ms。处理引擎112可以确定全局曲率(例如,对应于至少两个点的至少两个曲率的和或者平均值)作为曲率成本因素。
应当注意示例性成本因素是出于说明目的而不是限制性的,处理引擎112还可以确定与候选驾驶路径一个或以上特征(例如,候选驾驶路径与障碍物之间的距离、候选驾驶路径的出行时间)相关的其他成本因素。
图6是根据本申请的一些实施例的确定训练的系数生成模型的示例性过程的流程图。过程600可以由自动驾驶系统100执行。例如,过程600可以实现为存储在存储器ROM 230或RAM 240中的一组指令(例如,应用程序)。处理器220和/或训练模块320可以执行该组指令,并且当执行指令时,处理器220和/或训练模块320可以被配置为执行该过程600。以下所示过程的操作仅出于说明的目的。在一些实施例中,过程600在实施时可以添加一个或多个本申请未描述的额外操作,和/或删减一个或多个此处所描述的操作。另外,图6中示出并在下面描述的过程600的操作的顺序不是限制性的。
在610中,处理引擎112(例如,训练模块320)(例如,处理器220的接口电路)可以获取至少两个样本驾驶路径。处理引擎112可以从存储设备(例如,存储器140、集成在处理引擎112中的存储模块(未示出))中获取至少两个样本驾驶路径,例如本申请中其他地方公开的描述。至少两个样本驾驶路径的数量可以是自动驾驶系统100的默认设置(例如,256、512、1024),或者在不同情况下是可调节的。在一些实施例中,至少两个样本驾驶路径可以包括基于GPS信息获取的实际驾驶路径或模拟的驾驶路径。
例如,处理引擎112可以定义至少两个驾驶场景并指示司机在至少两个驾驶场景中实际驾驶测试车辆。如本文所使用的,驾驶场景可包括道路状况(例如,高速公路、环形道路、辅路、立交桥、车道信息)、驾驶状况(例如,直线、90°左转弯、60°左转弯、30°左转弯、90°右转弯、60°右转弯、30°右转弯、掉头)、天气信息等。终端(例如,移动设备)、行车记录仪或与测试车辆相关的GPS设备可以在驾驶期间收集GPS信息。进一步地,处理引擎112可以基于与至少两个驾驶场景相关的GPS信息获取实际驾驶路径并作为至少两个样本驾驶路径。
又例如,处理引擎112可以获取与至少两个历史服务订单(例如,出租车服务)相关的至少两个历史驾驶路径,并基于至少两个历史驾驶路径确定至少两个样本驾驶路径。以特定历史服务订单为例,在服务订单期间,与服务订单的乘客相关的请求者终端、与服务订单的司机相关的提供者终端和/或集成在服务订单的车辆中的GPS设备可以周期性地将GPS信息发送到处理引擎112(例如,训练模块320)或本公开中其他地方公开的存储设备(例如,存储设备140)中。进一步地,根据GPS信息,处理引擎112可以将对应的历史驾驶路径或历史驾驶路径的一部分确定为样本驾驶路径。
作为另一示例,处理引擎112可基于车辆的一个或以上特征(例如,车辆类型、车辆重量、车辆模型)和至少两个驾驶场景模拟车辆的操作,并获取至少两个模拟的驾驶路径作为至少两个样本驾驶路径。
在620中,处理引擎112(例如,训练模块320)(例如,处理器220的处理电路)可基于至少两个样本驾驶路径确定至少两个样本,其中至少两个样本中的每一个样本包括对应于相同起始位置和相同目的地的样本驾驶路径集。在一些实施例中,处理引擎112可以将至少两个样本划分为训练集和测试集。
在630中,对于至少两个样本中的每一个样本,处理引擎112(例如,训练模块320)(例如,处理器220的处理电路)可以确定对应于该样本驾驶路径集的样本分数集。如本文所使用的,样本分数是预定范围(例如,0~1)内的值,并且可以与样本驾驶路径的一个或以上特征相关,例如,从样本驾驶路径到车道中心线的偏移、样本驾驶路径的行驶时间、样本驾驶路径的舒适度等。
在一些实施例中,从样本驾驶路径到车道中心线的偏移越大,样本驾驶路径的样本分数可能越低;样本驾驶路径的行驶时间越长,样本驾驶路径的样本分数可能越低;样本驾驶路径的舒适度越低,样本驾驶路径的样本分数可能越低。如本文所使用的,舒适度可以与对应于样本驾驶路径上的至少两个点的至少两个加速度相关。例如,假设至少两个加速度中的每一个加速度小于第一加速度阈值(例如,3m/s2),舒适度可以被指定为1,而假设大于第二加速度阈值(例如,10m/s2)的加速度的百分比大于阈值百分比(例如,50%、60%、70%),则舒适度可以指定为0。相应地,大于第二加速度阈值的加速度百分比越大,样本驾驶路径的舒适度可能越低。
在640中,处理引擎112(例如,训练模块320)(例如,处理器220的处理电路)可以获取包括至少两个初始系数的初始系数生成模型,其中至少两个初始系数中的每一个系数对应一个样本。应当注意,为方便起见,这里使用单数“初始系数”,“初始系数”是指分别对应于一个或以上成本因素的一个或以上初始系数。
在一些实施例中,初始系数生成模型可以是监督学习模型。在一些实施例中,初始系数生成模型可包括初始卷积神经网络(CNN)模型、初始递归神经网络(RNN)模型等。初始系数生成模型可以是系统100的默认设置,或者可以在不同情况下调整。
在650中,处理引擎112(例如,训练模块320)(例如,处理器220的处理电路)可以提取至少两个样本中的每一个样本的特征信息。在一些实施例中,至少两个样本中的每一个样本的特征信息可以包括该样本驾驶路径集中的每一个样本驾驶路径的速度信息、与该样本驾驶路径集中的每一个样本驾驶路径相关的障碍物信息、该样本驾驶路径集中的每一个样本驾驶路径的出行时间。
在660中,对于至少两个样本中的每一个样本,处理引擎112(例如,训练模块320)(例如,处理器220的处理电路)可以基于相应的初始系数和特征信息确定对应于该样本驾驶路径集的样本出行成本集。如结合操作430所述,处理引擎112可根据公式(1)确定该样本出行成本集。
在670中,处理引擎112(例如,训练模块320)(例如,处理器220的处理电路)可以确定对应于至少两个样本的至少两个样本出行成本集和至少两个样本分数集是否满足预设条件。
例如,对于至少两个样本中的每一个样本,处理引擎112可以确定该样本出行成本集是否与该样本分数集负相关。响应于确定该样本出行成本集与该样本分数集负相关,可以确定对应于至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足预设条件。
又例如,处理引擎112可以确定初始系数生成模型的损失函数,并基于至少两个样本出行成本集和至少两个样本分数集确定损失函数的值。进一步地,处理引擎112可以确定损失函数的值是否小于损失阈值。响应于确定损失函数的值小于损失阈值,可以确定对应于至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足预设条件。
作为另一示例,处理引擎112可以确定初始系数生成模型的准确率是否大于准确率阈值。响应于确定准确率大于准确率阈值,可以确定对应于至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足预设条件。
作为又一示例,处理引擎112可以确定迭代次数是否大于计数阈值。响应于确定迭代次数大于计数阈值,可以确定对应于至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足预设条件。
作为又一示例,处理引擎112可以基于测试数据测试初始系数生成模型,并确定测试结果(例如,测试准确率)是否大于测试阈值。响应于确定测试结果大于测试阈值,可以确定对应于至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足预设条件。
响应于确定对应于至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足预设条件,则处理引擎112(例如,训练模块320)(例如,处理器220的处理电路)可以在680中将初始系数生成模型指定为训练的系数生成模型,这意味着训练过程已经完成。
响应于确定对应于至少两个样本的至少两个样本出行成本集和至少两个样本分数集不满足预设条件,则处理引擎112(例如,训练模块320)(例如,处理器220的处理电路)可以执行过程600以返回640以更新至少两个初始系数(即,更新初始系数生成模型)。
进一步地,处理引擎112可以确定对应于至少两个样本的至少两个更新的样本出行成本集和至少两个样本分数集是否满足预设条件。响应于确定至少两个更新的样本出行成本集和至少两个样本分数集满足预设条件,处理引擎112可将更新后的系数生成模型指定为训练后的系数生成模型。另一方面,响应于确定对应于至少两个样本的至少两个更新的样本出行成本集和至少两个样本分数集不满足预设条件,处理引擎112仍可执行过程600返回640以再次更新系数生成模型,直到对应于至少两个样本的至少两个更新的样本出行成本集和至少两个样本分数集满足预设条件。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,根据本申请的教导可以做出多种变化和修改。然而,变化和修改不会背离本申请的范围。例如,训练模块320可以以特定时间间隔(例如,每月、每两个月),基于至少两个新获取的样本更新训练的系数生成模型。
图7是根据本申请的一些实施例的示例性驾驶场景的示意图。如图所示,点A指的是起始位置,点F指的是预设的目的地。驾驶场景包括直线部分(例如,AB、BC、CD、DE和EF)、90°右转弯(例如,从AB到BC)、150°右转弯(例如,从DE到EF)、90°左转弯(例如,从BC到CD)、60°左转弯(例如,从CD到DE)等。
图8是根据本申请的一些实施例的包括样本驾驶路径集的示例性样本的示意图。如图所示,M指的是起始位置,N指的是预设的目的地。样本包括对应于相同起始位置和相同目的地的样本驾驶路径集(例如,L1、L2、L3和L4)。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的修正和改变。然而,这些修正和改变不会背离本申请的范围。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本文中描述之一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若执行得当,计算机亦可用作服务器。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说明,但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等,或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF等,或任何上述介质的组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任何组合编写,包括面向对象的编程语言,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python或类似的常规程序编程语言,如"C"编程语言、Visual Basic、Fortran2003、Perl、COBOL 2002,PHP、ABAP,动态编程语言如Python、Ruby和Groovy或其它编程语言。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN)、或连接至外部计算机(例如通过因特网)、或在云计算环境中、或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。然而,本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (17)
1.一种用于确定自动驾驶中的驾驶路径的系统,包括:
至少一个包括一组指令的存储介质;以及
至少一个处理器与所述至少一个存储介质通信,其中当执行所述一组指令时,所述至少一个处理器用于使所述系统:
获取至少两个候选驾驶路径;
基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数;
基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及
基于对应于所述至少两个候选驾驶路径中的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径,
其中所述系数生成模型通过训练过程确定,所述训练过程包括:
获取至少两个样本驾驶路径;
基于所述至少两个样本驾驶路径确定至少两个样本,其中,所述至少两个样本中的每一个样本都包括对应于相同起始位置和相同目的地的样本驾驶路径集;
对于所述至少两个样本中的每一个样本,确定对应于所述样本驾驶路径集的样本分数集;以及
基于所述至少两个样本的所述分数确定所述训练的系数生成模型,包括:
获取包括至少两个初始系数的初始系数生成模型,其中,所述至少两个初始系数中的每一个系数都对应于样本;
提取所述至少两个样本中的每一个样本的特征信息;
对于所述至少两个样本中的每一个样本,基于相应的初始系数和所述特征信息确定对应于所述样本驾驶路径集的样本出行成本集;
确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集是否满足预设条件;以及
响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集满足所述预设条件,指定所述初始系数生成模型作为所述训练的系数生成模型;
进一步包括:
更新所述至少两个初始系数,响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集不满足所述预设条件;
重复所述步骤,直到确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足所述预设条件。
2.根据权利要求1所述的系统,其特征在于,确定所述至少两个候选驾驶路径中每一个候选驾驶路径的所述出行成本,所述至少一个处理器用于使所述系统:
确定一个或以上成本因素;以及
基于所述一个或以上成本因素和所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的所述出行成本。
3.根据权利要求2所述的系统,其特征在于,所述一个或以上成本因素包括速度成本因素、相似度成本因素或曲率成本因素中的至少一个因素。
4.根据权利要求2所述的系统,其特征在于,所述一个或以上成本因素包括速度成本因素、相似度成本因素和曲率成本因素。
5.根据权利要求1所述的系统,其特征在于,所述至少两个样本中的每一个样本的所述特征信息包括所述样本驾驶路径集的每一个样本驾驶路径的速度信息以及与所述样本驾驶路径集的每一个样本驾驶路径相关的障碍物信息。
6.根据权利要求1所述的系统,其特征在于,基于对应于所述至少两个候选驾驶路径的所述至少两个出行成本,从所述至少两个候选驾驶路径中识别所述目标驾驶路径,所述至少一个处理器用于使所述系统:
从所述至少两个出行成本中识别出最小的出行成本;以及
将所述最小出行成本对应的候选驾驶路径指定为所述目标驾驶路径。
7.根据权利要求1所述的系统,其特征在于,所述至少一个处理器用于使所述系统进一步:
将所述目标驾驶路径发送到车辆的一个或以上控制元件,指示所述车辆遵循所述目标驾驶路径。
8.一种在计算设备上实现的方法,所述计算设备具有至少一个处理器,至少一个存储介质和连接到网络的通信平台,所述方法包括:
获取至少两个候选驾驶路径;
基于训练的系数生成模型获取与所述至少两个候选驾驶路径相关的一个或以上系数;
基于所述一个或以上系数确定所述至少两个候选驾驶路径中每一个候选驾驶路径的出行成本;以及
基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径识别目标驾驶路径,
其中所述系数生成模型通过训练过程确定,所述训练过程包括:
获取至少两个样本驾驶路径;
基于所述至少两个样本驾驶路径确定至少两个样本,其中,所述至少两个样本中的每一个样本都包括对应于相同起始位置和相同目的地的样本驾驶路径集;
对于所述至少两个样本中的每一个样本,确定对应于所述样本驾驶路径集的样本分数集;以及
基于所述至少两个样本的所述分数确定所述训练的系数生成模型,包括:
获取包括至少两个初始系数的初始系数生成模型,其中,所述至少两个初始系数中的每一个系数都对应于样本;
提取所述至少两个样本中的每一个样本的特征信息;
对于所述至少两个样本中的每一个样本,基于相应的初始系数和所述特征信息确定对应于所述样本驾驶路径集的样本出行成本集;
确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集是否满足预设条件;以及
响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集满足所述预设条件,指定所述初始系数生成模型作为所述训练的系数生成模型;
进一步包括:
更新所述至少两个初始系数,响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集不满足所述预设条件;
重复所述步骤,直到确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足所述预设条件。
9.根据权利要求8所述的方法,其特征在于,所述确定至少两个候选驾驶路径中的每一个候选驾驶路径的所述出行成本,包括:
确定一个或以上成本因素;以及
基于所述一个或以上成本因素和所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的所述出行成本。
10.根据权利要求9所述的方法,其特征在于,所述一个或以上成本因素包括速度成本因素、相似度成本因素或曲率成本因素中的至少一个因素。
11.根据权利要求9所述的方法,其特征在于,所述一个或以上成本因素包括速度成本因素、相似度成本因素和曲率成本因素。
12.根据权利要求8所述的方法,其特征在于,所述至少两个样本中的每一个样本的所述特征信息包括所述样本驾驶路径集的每一个样本驾驶路径的速度信息以及与所述样本驾驶路径集的每一个样本驾驶路径相关的障碍物信息。
13.根据权利要求8所述的方法,其特征在于,所述基于对应于所述至少两个候选驾驶路径的所述至少两个路径的出行成本,从所述至少两个候选驾驶路径中识别所述目标驾驶路径,包括:
从所述至少两个出行成本中识别出最小的出行成本;以及
将所述最小出行成本对应的候选驾驶路径指定为所述目标驾驶路径。
14.根据权利要求8所述的方法,其特征在于,所述方法还包括:
将所述目标驾驶路径发送到车辆的一个或以上控制元件上,指示所述车辆遵循所述目标驾驶路径。
15.一种用于自动驾驶的车辆,包括:
检测组件、规划组件和控制组件,其中所述规划组件用于:
获取至少两个候选驾驶路径;
基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数;
基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及
基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径,
其中所述系数生成模型通过训练过程确定,所述训练过程包括:
获取至少两个样本驾驶路径;
基于所述至少两个样本驾驶路径确定至少两个样本,其中,所述至少两个样本中的每一个样本都包括对应于相同起始位置和相同目的地的样本驾驶路径集;
对于所述至少两个样本中的每一个样本,确定对应于所述样本驾驶路径集的样本分数集;以及
基于所述至少两个样本的所述分数确定所述训练的系数生成模型,包括:
获取包括至少两个初始系数的初始系数生成模型,其中,所述至少两个初始系数中的每一个系数都对应于样本;
提取所述至少两个样本中的每一个样本的特征信息;
对于所述至少两个样本中的每一个样本,基于相应的初始系数和所述特征信息确定对应于所述样本驾驶路径集的样本出行成本集;
确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集是否满足预设条件;以及
响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集满足所述预设条件,指定所述初始系数生成模型作为所述训练的系数生成模型;
进一步包括:
更新所述至少两个初始系数,响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集不满足所述预设条件;
重复所述步骤,直到确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足所述预设条件。
16.一种用于确定自动驾驶中的驾驶路径的系统,包括:
获取模块,用于获取至少两个候选驾驶路径;
确定模块,用于基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数,以及用于基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及
识别模块,用于基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径,
其中所述系数生成模型通过训练过程确定,所述训练过程包括:
获取至少两个样本驾驶路径;
基于所述至少两个样本驾驶路径确定至少两个样本,其中,所述至少两个样本中的每一个样本都包括对应于相同起始位置和相同目的地的样本驾驶路径集;
对于所述至少两个样本中的每一个样本,确定对应于所述样本驾驶路径集的样本分数集;以及
基于所述至少两个样本的所述分数确定所述训练的系数生成模型,包括:
获取包括至少两个初始系数的初始系数生成模型,其中,所述至少两个初始系数中的每一个系数都对应于样本;
提取所述至少两个样本中的每一个样本的特征信息;
对于所述至少两个样本中的每一个样本,基于相应的初始系数和所述特征信息确定对应于所述样本驾驶路径集的样本出行成本集;
确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集是否满足预设条件;以及
响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集满足所述预设条件,指定所述初始系数生成模型作为所述训练的系数生成模型;
进一步包括:
更新所述至少两个初始系数,响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集不满足所述预设条件;
重复所述步骤,直到确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足所述预设条件。
17.一个非暂时计算机可读存储介质,包括至少一组用于确定自动驾驶中的驾驶路径的指令,其中,当被至少一个处理器执行时,所述至少一组指令指示所述至少一个处理器:
获取至少两个候选驾驶路径;
基于训练的系数生成模型获取一个或以上与所述至少两个候选驾驶路径相关的系数;
基于所述一个或以上系数确定所述至少两个候选驾驶路径中的每一个候选驾驶路径的出行成本;以及
基于对应于所述至少两个候选驾驶路径的至少两个出行成本,从所述至少两个候选驾驶路径中识别目标驾驶路径,
其中所述系数生成模型通过训练过程确定,所述训练过程包括:
获取至少两个样本驾驶路径;
基于所述至少两个样本驾驶路径确定至少两个样本,其中,所述至少两个样本中的每一个样本都包括对应于相同起始位置和相同目的地的样本驾驶路径集;
对于所述至少两个样本中的每一个样本,确定对应于所述样本驾驶路径集的样本分数集;以及
基于所述至少两个样本的所述分数确定所述训练的系数生成模型,包括:
获取包括至少两个初始系数的初始系数生成模型,其中,所述至少两个初始系数中的每一个系数都对应于样本;
提取所述至少两个样本中的每一个样本的特征信息;
对于所述至少两个样本中的每一个样本,基于相应的初始系数和所述特征信息确定对应于所述样本驾驶路径集的样本出行成本集;
确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集是否满足预设条件;以及
响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集满足所述预设条件,指定所述初始系数生成模型作为所述训练的系数生成模型;
进一步包括:
更新所述至少两个初始系数,响应于确定所述至少两个样本出行成本集和所述至少两个样本分数集不满足所述预设条件;
重复所述步骤,直到确定对应于所述至少两个样本的至少两个样本出行成本集和至少两个样本分数集满足所述预设条件。
Priority Applications (9)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811548158.7A CN111413958B (zh) | 2018-12-18 | 2018-12-18 | 用于确定自动驾驶中的驾驶路径的系统和方法 |
SG11201811629SA SG11201811629SA (en) | 2018-12-18 | 2018-12-19 | Systems and methods for determining driving path in autonomous driving |
EP18819525.9A EP3697661A4 (en) | 2018-12-18 | 2018-12-19 | SYSTEMS AND METHODS FOR DETERMINING DRIVING ROUTE FOR SELF-DRIVING DRIVING |
JP2018567920A JP2021514883A (ja) | 2018-12-18 | 2018-12-19 | 自律走行における走行経路を決定するためのシステムおよび方法 |
CA3028601A CA3028601C (en) | 2018-12-18 | 2018-12-19 | Systems and methods for determining driving path in autonomous driving |
PCT/CN2018/122102 WO2020124438A1 (en) | 2018-12-18 | 2018-12-19 | Systems and methods for determining driving path in autonomous driving |
AU2018286588A AU2018286588B2 (en) | 2018-12-18 | 2018-12-19 | Systems and methods for determining driving path in autonomous driving |
TW107146734A TWI712526B (zh) | 2018-12-18 | 2018-12-24 | 用於確定自動駕駛中的駕駛路徑的系統和方法 |
US16/232,034 US20200191586A1 (en) | 2018-12-18 | 2018-12-25 | Systems and methods for determining driving path in autonomous driving |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811548158.7A CN111413958B (zh) | 2018-12-18 | 2018-12-18 | 用于确定自动驾驶中的驾驶路径的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111413958A CN111413958A (zh) | 2020-07-14 |
CN111413958B true CN111413958B (zh) | 2021-09-24 |
Family
ID=71102385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811548158.7A Active CN111413958B (zh) | 2018-12-18 | 2018-12-18 | 用于确定自动驾驶中的驾驶路径的系统和方法 |
Country Status (7)
Country | Link |
---|---|
EP (1) | EP3697661A4 (zh) |
JP (1) | JP2021514883A (zh) |
CN (1) | CN111413958B (zh) |
AU (1) | AU2018286588B2 (zh) |
SG (1) | SG11201811629SA (zh) |
TW (1) | TWI712526B (zh) |
WO (1) | WO2020124438A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3494448A4 (en) * | 2017-07-13 | 2019-11-06 | Beijing Didi Infinity Technology and Development Co., Ltd. | SYSTEMS AND METHODS FOR TRACK DETERMINATION |
CN111413957B (zh) | 2018-12-18 | 2021-11-02 | 北京航迹科技有限公司 | 用于确定自动驾驶中的驾驶动作的系统和方法 |
CN111415520A (zh) | 2018-12-18 | 2020-07-14 | 北京航迹科技有限公司 | 处理交通目标的系统和方法 |
CN112525551B (zh) * | 2020-12-10 | 2023-08-29 | 北京百度网讯科技有限公司 | 自动驾驶车辆的路测方法、装置、设备及存储介质 |
CN114111830B (zh) * | 2021-12-16 | 2024-01-26 | 童浩峰 | 一种基于ai模型的路径规划方法及装置 |
CN114291111B (zh) * | 2021-12-30 | 2024-03-08 | 广州小鹏自动驾驶科技有限公司 | 目标路径的确定方法、装置、车辆及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102874250A (zh) * | 2011-07-14 | 2013-01-16 | 通用汽车环球科技运作有限责任公司 | 增强车辆控制的系统及方法 |
CN104121918A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种实时路径规划的方法和系统 |
CN105292116A (zh) * | 2014-06-05 | 2016-02-03 | 通用汽车环球科技运作有限责任公司 | 自动驾驶车辆的车道变换路径规划算法 |
JP2016020131A (ja) * | 2014-07-14 | 2016-02-04 | 株式会社豊田自動織機 | 無人搬送車の搬送システム |
CN105324636A (zh) * | 2013-05-16 | 2016-02-10 | 奥迪股份公司 | 用于具有自动驾驶仪的机动车的导航辅助装置 |
CN105980811A (zh) * | 2014-02-25 | 2016-09-28 | 爱信艾达株式会社 | 路径搜索系统、路径搜索方法、计算机程序、以及成本表的数据结构 |
CN106960568A (zh) * | 2015-12-17 | 2017-07-18 | 国际商业机器公司 | 产生基于不确定性的交通拥堵指数的方法、介质和系统 |
CN108137083A (zh) * | 2016-09-28 | 2018-06-08 | 百度(美国)有限责任公司 | 用于自动驾驶车辆控制的系统延迟估计方法 |
CN108303110A (zh) * | 2017-12-29 | 2018-07-20 | 东莞产权交易中心 | 一种车载控制系统及路径速度确定方法 |
CN108489500A (zh) * | 2018-03-13 | 2018-09-04 | 安徽江淮汽车集团股份有限公司 | 一种基于能耗经济性的全局路径规划方法及系统 |
CN108663059A (zh) * | 2017-03-29 | 2018-10-16 | 高德信息技术有限公司 | 一种导航路径规划方法和装置 |
CN110069060A (zh) * | 2018-01-24 | 2019-07-30 | 通用汽车环球科技运作有限责任公司 | 用于自动驾驶车辆中路径规划的系统和方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3544577B2 (ja) * | 1995-03-30 | 2004-07-21 | 株式会社日立製作所 | 経路選択装置 |
US7474961B2 (en) * | 2005-02-04 | 2009-01-06 | Visteon Global Technologies, Inc. | System to determine the path of a vehicle |
US10427676B2 (en) * | 2017-05-31 | 2019-10-01 | GM Global Technology Operations LLC | Trajectory planner for autonomous driving using bézier curves |
KR101664582B1 (ko) * | 2014-11-12 | 2016-10-10 | 현대자동차주식회사 | 자율주행차량의 주행경로 생성장치 및 방법 |
CN111351494A (zh) * | 2015-02-10 | 2020-06-30 | 御眼视觉技术有限公司 | 导航系统及计算机可读介质 |
US9778658B2 (en) * | 2015-03-13 | 2017-10-03 | Nissan North America, Inc. | Pattern detection using probe data |
RU2672796C1 (ru) * | 2015-07-27 | 2018-11-19 | Ниссан Мотор Ко., Лтд. | Устройство поиска маршрута и способ поиска маршрута |
US9958864B2 (en) * | 2015-11-04 | 2018-05-01 | Zoox, Inc. | Coordination of dispatching and maintaining fleet of autonomous vehicles |
US20180004210A1 (en) * | 2016-07-01 | 2018-01-04 | nuTonomy Inc. | Affecting Functions of a Vehicle Based on Function-Related Information about its Environment |
KR102518532B1 (ko) * | 2016-11-11 | 2023-04-07 | 현대자동차주식회사 | 자율주행차량의 경로 결정장치 및 그 방법 |
US10353390B2 (en) * | 2017-03-01 | 2019-07-16 | Zoox, Inc. | Trajectory generation and execution architecture |
EP3566106B1 (en) * | 2017-03-20 | 2024-03-06 | Mobileye Vision Technologies Ltd. | Trajectory selection for an autonomous vehicle |
SG11201810989VA (en) * | 2017-04-27 | 2019-01-30 | Beijing Didi Infinity Technology & Development Co Ltd | Systems and methods for route planning |
US10317907B2 (en) * | 2017-04-28 | 2019-06-11 | GM Global Technology Operations LLC | Systems and methods for obstacle avoidance and path planning in autonomous vehicles |
JP6524144B2 (ja) * | 2017-06-02 | 2019-06-05 | 本田技研工業株式会社 | 車両制御システム及び方法、並びに走行支援サーバ |
US10836379B2 (en) * | 2018-03-23 | 2020-11-17 | Sf Motors, Inc. | Multi-network-based path generation for vehicle parking |
-
2018
- 2018-12-18 CN CN201811548158.7A patent/CN111413958B/zh active Active
- 2018-12-19 AU AU2018286588A patent/AU2018286588B2/en active Active
- 2018-12-19 JP JP2018567920A patent/JP2021514883A/ja active Pending
- 2018-12-19 WO PCT/CN2018/122102 patent/WO2020124438A1/en unknown
- 2018-12-19 EP EP18819525.9A patent/EP3697661A4/en not_active Withdrawn
- 2018-12-19 SG SG11201811629SA patent/SG11201811629SA/en unknown
- 2018-12-24 TW TW107146734A patent/TWI712526B/zh active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102874250A (zh) * | 2011-07-14 | 2013-01-16 | 通用汽车环球科技运作有限责任公司 | 增强车辆控制的系统及方法 |
CN104121918A (zh) * | 2013-04-25 | 2014-10-29 | 北京搜狗信息服务有限公司 | 一种实时路径规划的方法和系统 |
CN105324636A (zh) * | 2013-05-16 | 2016-02-10 | 奥迪股份公司 | 用于具有自动驾驶仪的机动车的导航辅助装置 |
CN105980811A (zh) * | 2014-02-25 | 2016-09-28 | 爱信艾达株式会社 | 路径搜索系统、路径搜索方法、计算机程序、以及成本表的数据结构 |
CN105292116A (zh) * | 2014-06-05 | 2016-02-03 | 通用汽车环球科技运作有限责任公司 | 自动驾驶车辆的车道变换路径规划算法 |
JP2016020131A (ja) * | 2014-07-14 | 2016-02-04 | 株式会社豊田自動織機 | 無人搬送車の搬送システム |
CN106960568A (zh) * | 2015-12-17 | 2017-07-18 | 国际商业机器公司 | 产生基于不确定性的交通拥堵指数的方法、介质和系统 |
CN108137083A (zh) * | 2016-09-28 | 2018-06-08 | 百度(美国)有限责任公司 | 用于自动驾驶车辆控制的系统延迟估计方法 |
CN108663059A (zh) * | 2017-03-29 | 2018-10-16 | 高德信息技术有限公司 | 一种导航路径规划方法和装置 |
CN108303110A (zh) * | 2017-12-29 | 2018-07-20 | 东莞产权交易中心 | 一种车载控制系统及路径速度确定方法 |
CN110069060A (zh) * | 2018-01-24 | 2019-07-30 | 通用汽车环球科技运作有限责任公司 | 用于自动驾驶车辆中路径规划的系统和方法 |
CN108489500A (zh) * | 2018-03-13 | 2018-09-04 | 安徽江淮汽车集团股份有限公司 | 一种基于能耗经济性的全局路径规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3697661A1 (en) | 2020-08-26 |
AU2018286588B2 (en) | 2020-09-10 |
WO2020124438A1 (en) | 2020-06-25 |
TWI712526B (zh) | 2020-12-11 |
CN111413958A (zh) | 2020-07-14 |
TW202023865A (zh) | 2020-07-01 |
AU2018286588A1 (en) | 2020-07-02 |
SG11201811629SA (en) | 2020-07-29 |
EP3697661A4 (en) | 2020-08-26 |
JP2021514883A (ja) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111413958B (zh) | 用于确定自动驾驶中的驾驶路径的系统和方法 | |
CN111413957B (zh) | 用于确定自动驾驶中的驾驶动作的系统和方法 | |
CN111338333B (zh) | 用于自动驾驶的系统和方法 | |
US20200191586A1 (en) | Systems and methods for determining driving path in autonomous driving | |
EP3327530B1 (en) | Method for determining command delays of autonomous vehicles | |
WO2019127479A1 (en) | Systems and methods for path determination | |
US11669097B2 (en) | Systems and methods for autonomous driving | |
CN109923489B (zh) | 用于制动控制的系统和方法 | |
WO2020124440A1 (en) | Systems and methods for processing traffic objects | |
CA3028647A1 (en) | Systems and methods for processing traffic objects | |
US10891951B2 (en) | Vehicle language processing |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230601 Address after: No. 19 Yanjiang Avenue, Huadu District, Guangzhou City, Guangdong Province, 510830 Patentee after: Guangzhou Woya Technology Co.,Ltd. Address before: 100193 no.218, 2nd floor, building 34, courtyard 8, Dongbeiwang West Road, Haidian District, Beijing Patentee before: Beijing Track Technology Co.,Ltd. |