CN111566578A - 自主驾驶设备及其方法 - Google Patents
自主驾驶设备及其方法 Download PDFInfo
- Publication number
- CN111566578A CN111566578A CN201980007249.6A CN201980007249A CN111566578A CN 111566578 A CN111566578 A CN 111566578A CN 201980007249 A CN201980007249 A CN 201980007249A CN 111566578 A CN111566578 A CN 111566578A
- Authority
- CN
- China
- Prior art keywords
- driving
- driving route
- route
- information
- user
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 description 116
- 238000012545 processing Methods 0.000 description 41
- 238000011156 evaluation Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 26
- 238000004891 communication Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000001276 controlling effect Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/146—Display means
-
- 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
- B60W2540/30—Driving style
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Medical Informatics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Social Psychology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
一种用于控制车辆的自主驾驶设备的方法包括:接收用于设置路线的目的地,获得用户的驾驶历史和交通信息,基于作为输入数据提供给通过人工智能算法训练的模型的关于目的地的信息、关于驾驶历史的信息和交通信息确定到目的地的驾驶路线,并且沿着所确定的驾驶路线执行自主驾驶。
Description
技术领域
本公开涉及自主驾驶设备及其控制方法,并且例如涉及用于基于各种信息(诸如目的地信息、交通信息、道路信息、用户驾驶历史等)来设置最佳驾驶路线的方法以及用于根据用户的驾驶习惯来驾驶车辆的方法。
本公开还涉及使用机器学习算法模拟人脑的功能(诸如识别和判断)的人工智能(AI)系统及其应用。
背景技术
与传统的基于规则的智能系统不同,人工智能(AI)系统可指实现人类级智能的系统,在该系统中,机器进行自我训练、判断并变得智能。人工智能系统被使用得越多,识别率就越高并且对用户偏好的理解就越好。因此,传统的基于规则的智能系统被基于深度学习的人工智能系统取代。
人工智能技术包括机器学习(例如,深度学习)和使用机器学习的元素技术。
机器学习可指通过自身对输入数据的特性进行分类/训练的算法技术。元素技术可指使用机器学习算法(诸如深度学习)的技术,并且包括语言理解、视觉理解、推理/预测、知识表示、运动控制等。
人工智能技术可应用于各种领域,下面描述其示例。语言理解可指用于识别和应用/处理人类语言/字符的技术,包括自然语言处理、机器翻译、对话系统、查询响应、语音识别/合成等。视觉理解可指用于识别和处理对象就像它被人类感知一样的技术,包括对象识别、对象跟踪、图像搜索、人类识别、场景理解、空间理解、图像增强等。推断预测可指用于判断、逻辑推断和预测信息的技术,包括基于知识/概率的推理、优化预测、偏好基础规划和推荐。知识表示可指用于将人类经验信息自动转化为知识数据的技术,包括知识构建(数据生成/分类)和知识管理(数据利用)。运动控制可指用于控制车辆的自主驾驶和机器人的运动的技术,包括运动控制(导航、碰撞和驾驶)、操作控制(行为控制)等。
近来,出现了针对可用性的各种自主驾驶算法。应用了上述自主驾驶算法的自主驾驶设备确定从出发到目的地的最优路线,并且沿着所确定的最优路线驾驶车辆。例如,传统的自主驾驶设备可能不考虑对于用户容易的驾驶路线,而是可能驾驶最佳确定的驾驶路线。然而,存在上述自主驾驶算法可能不能反映用户偏好的驾驶路线的问题。
发明内容
技术问题
示例实施例的一方面涉及一种反映用户偏好路径和用户的驾驶习惯的自主驾驶设备及其控制方法。
技术方案
根据示例实施例,提供了一种用于控制车辆的自主驾驶设备的方法,该方法包括:接收用于设置路线的目的地,获得用户的驾驶历史和交通信息,基于作为输入数据提供给通过人工智能算法训练的模型的关于目的地的信息、驾驶历史和交通信息确定到目的地的驾驶路线,并且沿着所确定的驾驶路线执行自主驾驶。
基于在车辆沿着所确定的驾驶路线驾驶时输入的用于改变驾驶路线的用户命令,基于提供给训练后的模型的与用户命令相应的关于驾驶路线改变的信息、关于目的地的信息、关于驾驶历史的信息和交通信息来确定新的驾驶路线。
所述方法还可包括:基于驾驶路线基于用户命令而正被改变,基于关于改变后的驾驶路线的信息来更新用户的驾驶历史。
所述确定的步骤可包括:基于提供给训练后的第一模型的目的地信息和交通信息,获得到目的地的至少一条第一驾驶路线,基于提供给训练后的第二模型的目的地信息和用户的驾驶历史,获得第二驾驶路线,并且基于所述至少一条第一驾驶路线和第二驾驶路线中的一个,确定到目的地的驾驶路线。
所述方法还可包括:基于所确定的驾驶路线不是第二驾驶路线,显示包括所确定的驾驶路线不是用户偏好的消息的UI。
所述方法还可包括:显示包括关于第一驾驶路线和第二驾驶路线的信息的UI,并且基于通过所述UI接收的用户输入将第一驾驶路线和第二驾驶路线中的一个确定为到目的地的驾驶路线。
第一驾驶路线可以是从出发到目的地的最短时间驾驶路线、最短距离驾驶路线和最小成本驾驶路线中的一个,并且其中,第二驾驶路线是用户偏好的驾驶路线。
驾驶历史还可包括:用户的偏好路线、用户的非偏好路线、车辆的驾驶速度信息和变道信息。
所述方法还可包括:基于提供给通过人工智能算法训练的模型的用户的驾驶历史来获得用户的驾驶习惯,其中,所述执行的步骤包括:基于所获得的驾驶习惯来执行自主驾驶。
根据示例实施例,提供了一种车辆的自主驾驶设备,该自主驾驶设备包括:通信器,包括通信电路;存储器,被配置为存储用户的驾驶历史;以及处理器,被配置为通过通信器接收用于设置路线的目的地信息和交通信息,基于作为输入数据提供给通过人工智能算法训练的模型的目的地信息、驾驶历史和交通信息确定到目的地的驾驶路线,并且沿着所确定的驾驶路线执行自主驾驶。
所述处理器还可被配置为:基于在车辆沿着所确定的驾驶路线驾驶时输入的用于改变驾驶路线的用户命令,基于提供给训练后的模型的与用户命令相应的关于驾驶路线改变的信息、目的地信息、驾驶历史和交通信息来确定新的驾驶路线。
所述处理器还可被配置为:基于驾驶路线根据用户命令而正被改变,基于关于改变后的驾驶路线的信息来更新用户的驾驶历史,并且将更新后的驾驶历史存储在存储器中。
所述处理器还可被配置为:基于提供给训练后的第一模型的目的地信息和交通信息,获得到目的地的至少一条第一驾驶路线,基于提供给训练后的第二模型的目的地信息和用户的驾驶历史,获得第二驾驶路线,并且基于所述至少一条第一驾驶路线和第二驾驶路线中的一个,确定到目的地的驾驶路线。
所述设备还可包括显示器,其中,所述处理器还被配置为:基于所确定的驾驶路线不是第二驾驶路线,控制显示器显示包括所确定的驾驶路线不是用户偏好的消息的UI。
所述设备还可包括显示器,其中,所述处理器还被配置为:控制显示器显示包括关于第一驾驶路线和第二驾驶路线的信息的UI,并基于通过所述UI接收的用户输入将第一驾驶路线和第二驾驶路线中的一个确定为到目的地的驾驶路线。
第一驾驶路线可以是从出发到目的地的最短时间驾驶路线、最短距离驾驶路线和最小成本驾驶路线中的一个,并且其中,第二驾驶路线是用户偏好的驾驶路线。
驾驶历史还可包括;用户的偏好路线、用户的非偏好路线、车辆的驾驶速度信息和变道信息。
处理器还可被配置为:基于提供给通过人工智能算法训练的模型的用户的驾驶历史获得用户的驾驶习惯,并且基于所获得的驾驶习惯执行自主驾驶。
有益效果
根据上述各种示例实施例,自主驾驶设备训练用户偏好的驾驶路线和用户的驾驶习惯,从而提供用户期望的驾驶路线。
附图说明
根据以下结合附图的详细描述,本公开的特定实施例的上述和其他方面、特征和优点将更加明显,在附图中:
图1是示出根据本公开的实施例的用于设置车辆的路线的示例方法的示图;
图2是示出根据本公开的实施例的自主驾驶设备的示例配置的框图;
图3是示出根据本公开的实施例的自主驾驶设备的示例配置的框图;
图4A是示出根据本公开的实施例的示例驾驶路线设置方法的示图;
图4B是示出根据本公开的实施例的示例驾驶路线设置方法的示图;
图4C是示出根据本公开的实施例的示例驾驶路线设置方法的示图;
图5A是示出根据本公开的实施例的用于基于在驾驶时接收到的用户命令来改变驾驶路线的示例方法的示图;
图5B是示出根据本公开的实施例的用于基于在驾驶时接收到的用户命令来改变驾驶路线的示例方法的示图;
图6A是示出根据本公开的实施例的用于当在驾驶时发生异常情况时改变驾驶路线的示例方法的示图;
图6B是示出根据本公开的实施例的用于当在驾驶时发生异常情况时改变驾驶路线的示例方法的示图;
图7A是示出根据本公开的实施例的用于通过反映用户的驾驶习惯来驾驶车辆的自主驾驶设备的示例方法的示图;
图7B是示出根据本公开的实施例的用于通过反映用户的驾驶习惯来驾驶车辆的自主驾驶设备的示例方法的示图;
图8是示出根据本公开的实施例的用于在使用学习算法生成数据识别模型之后通过数据识别模型确定到目的地的驾驶路线或驾驶习惯的示例方法的框图;
图9是示出根据本公开的实施例的用于在使用学习算法生成数据识别模型之后通过数据识别模型确定到目的地的驾驶路线或驾驶习惯的示例方法的框图;
图10是示出根据本公开的实施例的用于在使用学习算法生成数据识别模型之后通过数据识别模型确定到目的地的驾驶路线或驾驶习惯的示例方法的框图;
图11是示出根据本公开的实施例的用于在使用学习算法生成数据识别模型之后通过数据识别模型确定到目的地的驾驶路线或驾驶习惯的示例方法的示图;以及
图12是示出根据本公开的实施例的用于控制自主驾驶设备的示例方法的流程图。
具体实施方式
将简要描述本公开中使用的术语,并且将在下文更详细地描述本公开。
本公开中使用的术语(包括技术术语和科学术语)具有与本领域技术人员通常理解的相同的含义。然而,这些术语可根据本领域技术人员的意图、法律或技术解释以及新技术的出现而变化。另外,可任意地选择一些术语。这些术语可基于本文定义的含义来理解,并且除非另有说明,否则可基于本公开的全部内容和本领域的公知技术知识来理解。
本公开不限于以下公开的任何特定示例实施例,并且可以以各种形式实现,并且本公开的范围不限于以下示例实施例。另外,从权利要求及其等同物的含义和范围推导出的所有改变或修改应当被理解为包括在本公开的范围内。在以下描述中,可省略公知但与本公开的要旨无关的配置。
诸如“第一”、“第二”等的术语可用于描述各种元件,但元件不应受这些术语限制。所述术语仅用于将一个元件与其它元件区分开。
只要不与上下文冲突,单数表达也包括复数指代。在本公开中,诸如“包括”和“具有”的术语应当被理解为指定在本公开中存在这样的特征、数字、操作、元件、组件和/或其任何组合,而不排除添加其他特征、数字、操作、元件、组件或其组合中的一个或更多个的存在或可能性。
在示例实施例中,“模块”、“单元”或“部分”执行至少一个功能或操作,并且可被实现为例如但不限于硬件(诸如处理器、集成电路等)、由处理器执行的软件或其任何组合。另外,除了应当以特定硬件实现的“模块”、“单元”或“部分”之外,多个“模块”、多个“单元”或多个“部分”可被集成到至少一个模块或芯片中,并且可被实现为至少一个处理器。
在下文中,将参照附图更详细地描述本公开的各种示例实施例。然而,本公开可以以多种不同的形式实施,并且不限于本文描述的示例实施例。为了在附图中清楚地示出本公开,可为了清楚而省略对完全理解本公开不是必需的一些元件,并且在整个公开中相同的附图标记指代相同的元件。
另外,根据本公开,自主驾驶设备可指例如能够自动地驾驶的设备。自主驾驶设备可被实施为车辆,但不限于此。本公开可被实施为各种运输工具,诸如例如但不限于两轮车辆、机器人、飞行器等,或者用于控制车辆、机器人、飞行器等的附加电子装置。为了便于解释,将假设自主驾驶设备被实施为能够控制车辆的单独的自主电子装置。
图1是示出根据本公开的实施例的用于设置车辆的路线的示例方法的示图。
参照图1,车辆10可通过获得出发和目的地信息来获得从出发到目的地的驾驶路线。例如,车辆10中包括的自主驾驶设备100(例如,参照图2和图3)可基于各种信息(诸如例如但不限于目的地信息、用户驾驶历史、交通信息、预先存储的地图信息、车辆10的状态信息、车辆10的周围环境的状态信息等)来确定到目的地的驾驶路线。用户的驾驶历史可以指例如车辆10由用户直接驾驶时的所有信息,并且可不包括车辆的自主驾驶状态中的信息。例如,驾驶历史可包括各种信息(诸如例如但不限于关于从出发到目的地的所有路线的信息、车辆10的驾驶速度信息、车辆10的变道信息、车辆10的周围环境信息、天气信息、时间信息等)。
参照图1,自主驾驶设备100(例如,参照图2和图3)可使用各种信息来获得多条驾驶路线。作为示例,自主驾驶设备100可获得第一驾驶路线100-1和第二驾驶路线100-2。第一驾驶路线可以是从出发到目的地的最短驾驶路线,并且第二驾驶路线可以是从出发到目的地的用户偏好的驾驶路线。
自主驾驶设备100例如可将所获得的多条驾驶路线中的一条驾驶路线设置为驾驶路线。例如可基于作为输入数据提供给通过人工智能算法训练的模型的各种信息(诸如例如但不限于作为目的地信息、用户的驾驶历史、交通信息、预先存储的地图信息、车辆10的状态信息、车辆10的周围环境的状态信息等)来获得驾驶路线。
根据实施例,基于在沿着车辆10的驾驶路线驾驶时输入的用于改变驾驶路线的用户命令,自主驾驶设备100可基于例如但不限于提供给通过人工智能算法训练的模型的与用户命令相应的关于驾驶路线改变的信息、目的地信息、驾驶历史、交通信息等来获得新的驾驶路线。
可基于提供给由人工智能算法训练的模型的各种输入数据来获得驾驶路线。例如,自主驾驶设备100可基于到训练后的第一模型的目的地信息和交通信息来获得到目的地的至少一条第一驾驶路线。第一驾驶路线可以是例如但不限于最短时间驾驶路线、最短距离驾驶路线和最小成本驾驶路线中的一个。另外,自主驾驶设备100可基于例如但不限于提供给训练后的第二模型的目的地信息和用户的驾驶历史来获得第二驾驶路线。第二驾驶路线可以是例如用户通常偏好的驾驶路线。
自主驾驶设备100可从获得的第一驾驶路线和第二驾驶路线之间选择适合于向用户提供的驾驶路线。例如,自主驾驶设备100可例如基于但不限于基于交通信息、用于驾驶的时间信息、当前时间信息等来确定第一驾驶路线和第二驾驶路线中的一个。
图2是示出根据本公开的实施例的自主驾驶设备的示例配置的框图。
参照图2,自主驾驶设备100可包括通信器(例如,包括通信电路)110、存储器120和处理器(例如,包括处理电路)130。
通信器110可包括各种通信电路,并且可执行与外部设备的通信。自主驾驶设备100可例如但不限于通过通信器110接收用于设置路线的目的地信息和交通信息。
存储器120可存储与自主驾驶设备100相关的各种数据。例如,存储器120可存储用户的驾驶历史和地图信息。存储器120可存储用于驾驶路线设置的人工智能模型。
处理器130可包括各种处理电路并且控制自主驾驶设备100的全部操作。例如,处理器130可将例如但不限于目的地信息、驾驶历史和交通信息提供给通过人工智能算法训练的模型作为输入数据,以确定到达目的地的驾驶路线,并基于所确定的驾驶路线控制车辆10执行自主驾驶。
如上所述,在车辆10沿着所确定的驾驶路线驾驶时,基于用于改变驾驶路线的用户命令被输入,处理器130可将例如但不限于与用户命令相应的关于驾驶路线改变的信息、目的地信息、驾驶历史、交通信息等提供给训练后的模型并确定新的驾驶路线。
当基于用户命令改变驾驶路线时,处理器130可基于关于改变后的驾驶路线的信息更新用户的驾驶历史,并将更新后的驾驶历史存储在存储器120中。当稍后设置驾驶路线时,关于更新后的驾驶路线的信息可被反映。当用户命令是绕过特定路线的命令时,自主驾驶设备100可在稍后设置驾驶路线时确定除了由用户请求的绕过特定路线之外的驾驶路线。例如,当用户命令是“绕过Gangnamdaero”时,自主驾驶设备100可更新用户不喜欢Gangnamdaero的信息,并且当存在经由Gangnamdaero的驾驶路线时,可向用户提供绕过Gangnamdaero的驾驶路线。
可通过将各种输入数据输入(提供)到由人工智能算法训练的模型来获得驾驶路线。如上所述,处理器130可通过向训练后的第一模型输入(提供)目的地信息和交通信息来获得到目的地的至少一条驾驶路线,并可通过向训练后的第二模型输入(提供)目的地信息和用户的驾驶历史来获得第二驾驶路线。
自主驾驶设备100可从所获得的第一驾驶路线和第二驾驶路线之间选择适合于用户的驾驶路线。自主驾驶设备100可基于例如但不限于交通信息、用于驾驶的时间信息、当前时间信息等来确定第一驾驶路线和第二驾驶路线中的一个。
处理器130可通过向由人工智能算法训练的模型输入(提供)道路信息和用户的驾驶历史来获得用户的驾驶习惯,并基于所获得的驾驶习惯控制车辆10执行自主驾驶。例如,当用户具有例如但不限于交通灯改变后改变车道、用户偏好驾驶速度、用户踩刹车的强度/次数、对第一车道的偏好等驾驶习惯时,处理器130可基于用户驾驶历史获得用户驾驶习惯,并基于用户驾驶习惯控制车辆10。
图3是示出根据本公开的实施例的自主驾驶设备100的示例配置的框图。
参照图3,自主驾驶设备100可包括通信器(例如,包括通信电路)110、存储器120、处理器(例如,包括处理电路)130、显示器140、输入单元(例如,包括输入电路)150、音频处理器(例如,包括音频处理电路)160、音频输出单元(例如,包括音频输出电路)170和传感器180。然而,本公开不限于此,一些配置可根据需要被添加到自主驾驶设备100或从自主驾驶设备100省略。
通信器110可包括各种通信电路,并且可执行与外部设备的通信。通信器110可包括被包括在各种通信芯片中的各种通信电路,诸如例如但不限于Wi-Fi芯片111、蓝牙芯片112、无线通信芯片113、NFC芯片114等。例如,Wi-Fi芯片111、蓝牙芯片112和NFC芯片114可分别使用LAN方法、Wi-Fi方法、蓝牙方法和NFC方法来执行通信。当使用Wi-Fi芯片111或蓝牙芯片112时,可首先发送和接收诸如SSID和会话密钥的各种连接性信息,可基于连接性信息建立通信连接,并且可基于此发送和接收各种信息。无线通信芯片113可指例如根据各种通信标准(诸如IEEE、ZigBee、第三代(3G)、第三代合作伙伴计划(3GPP)、长期演进(LTE)等)执行通信的芯片。通信器110可使用有线通信方法,包括例如但不限于通用串行总线(USB)、高清晰度多媒体接口(HDMI)、推荐标准232(RS-232)、电力线通信或普通老式电话服务(POTS)等中的至少一种。
通信器110可接收用于路线设置的目的地信息和交通信息,但是本公开不限于此。当通信器110执行与外部服务器的通信时,外部服务器可执行处理器130的各种功能,并通过通信器110发送所执行的功能。例如,通信器110可接收由外部服务器生成的驾驶路线信息。
存储器120可存储与自主驾驶设备100的至少一个其他元件相关的命令或数据。对于示例实施例,存储器120可包括例如但不限于中间件、应用编程接口(API)和/或应用程序(或应用)等。内核、中间件或API中的至少一部分可被称为操作系统。内核例如控制或管理用于执行在其他程序中实现的功能的操作的系统资源。另外,内核可访问中间件、API或应用程序中的自主驾驶设备100的各个构成元件并提供接口以控制或管理系统资源。
中间件例如可执行中间功能,使得API或应用程序可与内核进行通信以交换数据。另外,中间件可根据优先级处理从应用程序接收的至少一个或更多个任务请求。例如,中间件可将使用自主驾驶设备100的系统资源的优先级给予应用程序,并且处理至少一个或更多个任务请求。API可以是用于应用来控制由内核或中间件提供的功能的接口,例如,用于文件控制、窗口控制、图像处理或文本控制的至少一种接口或功能(例如,命令)。
另外,存储器120可包括例如内部存储器和外部存储器中的至少一个。内部存储器可以是例如但不限于易失性存储器(例如,DRAM、SRAM或SDRAM)、非易失性存储器(例如,OTPROM、PROM、EPROM、EEPROM、掩模ROM、闪存ROM、闪存、硬盘驱动器、固态驱动器(SSD))等。外部存储器可以是闪存驱动器,例如但不限于紧凑闪存(CF)、安全数字(SD)、微型SD、迷你SD、极限数字(xD)、多媒体卡(MMC)、记忆棒等。外部存储器可经由各种接口在功能上或物理上连接到自主驾驶设备100。
显示器140可输出各种信息。例如,显示器140可显示所确定的驾驶路线。又例如,显示器140在所确定的驾驶路线不是用户偏好的驾驶路线时,可显示包括所确定的驾驶路线不是用户偏好的驾驶路线的消息的UI。又例如,显示器140可显示包括由第一模型确定的第一驾驶路线和由第二模型确定的第二驾驶路线的UI。
用于提供各种信息的显示器140可以以各种类型或尺寸的显示面板来实现。例如,但不限于,显示面板可用液晶显示器(LCD)、有机发光二极管(OLED)、有源矩阵有机发光二极管(AM-OLED)、硅上液晶(LcoS)、数字光处理(DLP)等来实施。显示器140可以以柔性显示器的形式与自主驾驶设备100的前表面区域、侧表面区域和后表面区域中的至少一个组合。
输入单元150可包括各种输入电路,并且可接收用户命令。输入单元150可包括各种输入电路,诸如例如但不限于触摸面板151、麦克风152、键153等。
可通过将显示器140与触摸传感器(未示出)组合来配置触摸面板151,并且触摸传感器可使用例如但不限于静电型、压敏型、红外型、超声波型等中的至少一种。触摸屏可包括显示功能以及触摸输入位置、触摸区域和触摸输入压力的感测功能。另外,触摸屏不仅可包括真实触摸的感测功能而且还包括接近触摸的感测功能。
麦克风152可被配置为接收用户语音。麦克风152可从外部源接收声音信号并且生成电语音信息。麦克风152可使用各种噪声消除算法来去除通过接收外部声音信号而生成的噪声。麦克风152可包括例如但不限于内置麦克风、外部麦克风等中的至少一个。键153可包括例如但不限于物理按钮、光学键、小键盘等。
输入单元150可从各种配置接收外部命令并将命令发送到处理器140。处理器140可通过生成与接收到的输入相应的控制信号来控制自主驾驶设备100。
音频处理器160可包括各种音频处理电路和/或程序元件,并且执行音频数据的处理。音频处理器160可执行各种处理,例如但不限于解码、放大、噪声滤波等。由音频处理器160处理的音频数据可被输出到音频输出单元170。
音频输出单元170可包括各种音频输出电路,并且除了由音频处理器160基于各种处理(例如但不限于解码、放大、噪声过滤等)来处理的各种音频数据之外,还可输出各种报警声音或语音消息。音频输出单元170可被实施为例如扬声器,但不限于此,并且可被实施为例如可输出音频数据的输出端子,但不限于此。
传感器180可被配置为感测自主驾驶设备100附近的各种信息。传感器100可获得用于确定车辆10的驾驶状态的各种感测信息。感测信息可包括例如但不限于车辆10的状态信息、关于车辆10驾驶的道路的状态信息、天气信息等。
传感器180可包括各种传感器,诸如例如但不限于加速度传感器、陀螺仪传感器、接近传感器、温度和空气质量传感器、气囊传感器、轮胎空气压力传感器、相机、地磁传感器、震动传感器等。加速度传感器可以是测量移动车辆10的加速度或冲击强度的传感器。陀螺仪传感器可通过旋转现有加速度传感器来识别六轴方向,并且帮助识别更详细和精确的运动。接近传感器可以是用于基于驾驶车辆10来检测车辆10附近的车辆20的接近的传感器。温度和空气质量传感器测量车辆10中的温度和二氧化碳(CO2)的浓度。安全气囊传感器可以是用于检测安全气囊是否被操作以保护驾驶员的身体免受车辆10的汽车碰撞的传感器,轮胎气压传感器可以是用于测量和感测车辆10的轮胎的供应压力状态的传感器。相机可以是用于拍摄进入车辆10的驾驶员的传感器。地磁传感器可以是用于检测车辆10的位置的传感器。重力传感器可以是用于通过感测重力作用于哪个方向来检测车辆10的方向的传感器,车道偏离检测传感器可以是用于检测驾驶车辆10是否正常驾驶而没有离开车道的传感器。冲击传感器可以是用于检测车辆的冲击强度的传感器。安全气囊的操作可根据由冲击传感器检测到的冲击强度来确定。
处理器130可包括各种处理电路,并且使用存储在存储器120中的各种程序来控制自主驾驶设备100的全部操作。
处理器130可包括例如但不限于ROM 132、RAM 131、CPU 134、图形处理单元(GPU)133、第一接口135-1至第n接口135-n以及总线136。RAM 131、ROM 132、CPU 134、图形处理单元(GPU)133和第一接口135-1至第n接口135-n可经由总线136彼此连接。
RAM 131可存储操作系统(O/S)和应用程序。例如,当自主驾驶设备100启动时,O/S可被存储在RAM 131中,并且由用户选择的各种应用数据可被存储在RAM 131中。
用于系统启动的命令集等可被存储在ROM 132中。当输入开启命令并且供电时,CPU 134可根据ROM 132中存储的命令将存储器110中存储的O/S复制到RAM 131,运行O/S并且执行系统启动。当启动完成时,CPU 134可将存储器120中存储的各种应用程序复制到RAM131,运行被复制到RAM 131的应用程序,并且执行各种操作。
图形处理器133可使用计算单元(未示出)和渲染单元(未示出)来生成包括诸如图标、图像、文本等的各种对象的屏幕。计算单元可使用从输入单元150接收的控制命令根据屏幕的布局来计算属性值,诸如对象的坐标值、形状、尺寸、颜色等。渲染单元可基于由计算单元计算的属性值生成包括对象的各种布局的屏幕。由渲染单元生成的屏幕可被显示在显示器140的显示区域中。
CPU 134可访问存储器120并且使用存储器120中存储的O/S执行启动。CPU 134可使用存储器120中存储的各种程序、内容、数据等执行各种操作。
第一接口135-1至第n接口135-n可被连接到上述各种组成元件。第一接口135-1至第n接口135-n中的一个可以是通过网络连接到外部装置的网络接口。
在下文中,下面将参照图4A至图7B更详细地描述本公开的各种示例实施例。
图4A、图4B和图4C是示出根据本公开的实施例的示例驾驶路线设置方法的示图。
参照图4A,自主驾驶设备100可显示提供通过人工智能算法所获得的各种驾驶路线的UI。例如,自主驾驶设备100可显示用于选择例如但不限于最短时间驾驶路线、最短距离驾驶路线、用户偏好路线等的图标。最短时间驾驶路线和最短距离驾驶路线可以是例如基于提供给训练后的第一模型的目的地信息和交通信息而获得的路线,用户偏好路线可以是例如基于提供给训练后的第二模型的目的地信息、交通信息和用户驾驶历史的驾驶路线。
自主驾驶设备100例如可如图4B所示那样显示可驾驶的驾驶路线列表。例如,自主驾驶设备100可以以文本格式显示包括驾驶路线的路线。
用户可通过图4A和图4B所示的UI输入用于选择驾驶路线的用户命令。基于用户命令被输入,自主驾驶设备100可控制车辆10沿着与用户命令相应的驾驶路线执行驾驶。
图4A和图4B示出了用于沿着多条可驾驶的驾驶路线中的与用户命令相应的驾驶路线驾驶车辆10的方法。例如,基于从用户接收到目的地,自主驾驶设备100可将例如但不限于目的地信息、交通信息、用户驾驶历史等作为输入数据输入(提供)到通过人工智能算法训练的模型,并且自行确定到达目的地的驾驶路线。自主驾驶设备100可基于提供给训练后的第一模型的目的地信息和交通信息获得第一驾驶路线,并基于提供给训练后的第二模型的目的地信息、交通信息和用户驾驶历史获得第二驾驶路线,将第一驾驶路线与第二驾驶路线进行比较以确定最佳驾驶路线。自主驾驶设备100可基于作为新的输入数据提供给训练后的模型的所获得的第一驾驶路线和第二驾驶路线来获得最佳驾驶路线。然而,本公开不限于此。自主驾驶设备100可将第一驾驶路线与第二驾驶路线进行比较,并确定最佳驾驶路线。例如,自主驾驶设备100可将沿着第一驾驶路线驾驶所需的时间与沿着第二驾驶路线驾驶所需的时间进行比较。自主驾驶设备100可将第一驾驶路线的驾驶距离与第二驾驶路线的驾驶距离进行比较。自主驾驶设备100可将沿着第一驾驶路线驾驶所需的成本与沿着第二驾驶路线驾驶所需的成本进行比较。自主驾驶设备100可确定第一驾驶路线和第二驾驶路线中包括的路线是否被用户偏好。
如上所述,当确定最佳驾驶路线时,如图4C所示,自主驾驶设备100可在没有用户命令的情况下将驾驶路线2确定为最佳驾驶路线,显示UI“开始经由Tereranro、Seochodaero和Seochodaero 74gil的驾驶”并且驾驶车辆10。UI还可为用户提供输入以确认所确定的最佳驾驶路线,如图4C所示。
图5A和图5B是示出根据本公开的实施例的用于基于在驾驶时接收到的用户命令来改变驾驶路线的示例方法的示图。
自主驾驶设备100可沿着所确定的驾驶路线510驾驶车辆10。在驾驶期间,当需要通过用户命令改变驾驶路线510时,自主驾驶设备100可基于用户命令获得新的驾驶路线,并且沿着新的驾驶路线驾驶车辆10。
用户命令可以是各种类型的用户命令。例如但不限于,用户命令可以是请求用户沿着偏好路线驾驶的命令或请求用户沿着除了非偏好路线之外的路线驾驶的命令。例如,用户命令可以是请求用户沿着用户偏好路线驾驶的命令(诸如“开始经由Tereranro的驾驶”),或者是请求用户沿着非偏好路线驾驶的命令(诸如“绕过Tereranro”)。
基于用户命令被输入,自主驾驶设备100可输入关于驾驶路线改变的信息,并且确定新的驾驶路线520,该关于驾驶路线改变的信息与例如但不限于提供给训练后的模型的输入的用户命令、目的地信息、用户驾驶历史、交通信息等相应。自主驾驶设备100可沿着所确定的新驾驶路线520驾驶车辆。
当基于用户命令改变驾驶路线时,自主驾驶设备100可显示通知驾驶路线改变的消息UI。例如,参照图5B,自主驾驶设备100可响应于用户命令“不要开到Gangnamdaero”而显示诸如“开始经由除了Gangnamdaero之外的新路线的驾驶”的消息UI。然而,虽然未示出,但是自主驾驶设备100可响应于用户命令“开始经由Tereranro的驾驶”而显示诸如“开始经由Tereranro的驾驶”的消息UI。
图5B示出了用于通过显示器140输出消息UI的方法,但是本公开不限于此。换句话说,自主驾驶设备100可通过音频输出单元170输出诸如“在除了Gangnamdaero之外的新道路上开始”或“开始经由Tereranro的驾驶”的音频。UI还可为用户提供输入以确认所确定的驾驶路线,如图5B所示。
图6A和图6B是示出根据本公开的实施例的用于当在驾驶时发生异常情况时改变驾驶路线的示例方法的示图。
自主驾驶设备100可在沿着所确定的驾驶路线610驾驶期间实时地确定到目的地的最佳驾驶路线620。例如,自主驾驶设备100可基于例如但不限于在沿着所确定的驾驶路线610驾驶期间作为输入数据提供给由人工智能算法训练的模型的交通信息和道路信息等来确定最佳驾驶路线620。自主驾驶设备100可将当前驾驶的驾驶路线610与实时确定的最佳驾驶路线620进行比较。当确定实时确定的驾驶路线620比当前驾驶的驾驶路线610更快到达目的地时,自主驾驶设备100可改变驾驶路线。
例如,当当前驾驶的驾驶路线610的交通信息(例如,交通事故)改变,使用当前驾驶的驾驶路线610并且到目的地的到达时间显著延迟时,自主驾驶设备100可将驾驶路线改变为实时确定的驾驶路线620。
根据上述示例实施例,描述了自主驾驶设备100实时地确定驾驶路线,但是本公开不限于此。例如,自主驾驶设备100可以以预定时间间隔或以预定距离确定驾驶路线。自主驾驶设备100可在驾驶路线所包括的多个道路变更时确定新的驾驶路线。例如,当自主驾驶设备100沿着图4B中所示的驾驶路线1驾驶时,自主驾驶设备100可在离开Tereranro之前(或在进入Gangnamdaero之后)以及在离开Gangnamdaero之前(或在进入Gangnamdaero55gil之后)确定新的驾驶路线。
当当前驾驶的驾驶路线610被改变为实时确定的驾驶路线620时,参照图6B,自主驾驶设备100可显示告知驾驶路线改变的原因和改变的驾驶路线的消息UI。换句话说,当自动驾驶设备100改变驾驶路线时,显示诸如“因为驾驶路线上的车祸而绕过Gangnamdaero”的消息UI。如上所述,自主驾驶设备100还可通过音频输出单元170输出与“因为驾驶路线上的车祸而绕过Gangnamdaero”的消息相应的音频。如图6B所示,UI还可为用户提供输入以确认所确定的改变的驾驶路线。
图7A和图7B是示出根据本公开的实施例的用于通过反映用户的驾驶习惯来驾驶车辆的自主驾驶设备的示例方法的示图。
图4A、图4B、图4C、图5A、图5B、图6A和图6B示出了自主驾驶设备100基于各种数据确定驾驶路线的示例方法,但是自主驾驶设备100可通过训练用户的驾驶习惯来以与用户驾驶风格类似的方式驾驶车辆10。
例如,自主驾驶设备100可基于例如但不限于作为输入数据提供给通过人工智能算法训练的模型的用户驾驶历史、交通信息和状态信息等来确定用户的驾驶习惯。用户的驾驶习惯可变化,诸如例如但不限于用户偏好车道、用户偏好变道时间、用户偏好驾驶速度等。例如,参照图7A,当用户具有在等待人行横道上的交通灯改变之后改变车道的驾驶习惯时,自主驾驶设备100可在等待人行横道上的交通灯改变之后启动时改变车辆10的车道。参照图7B,当用户习惯沿着第一车道驾驶时,自主驾驶设备100可控制车辆10沿着第一车道驾驶。然而,上述驾驶习惯不限于此。基于用户驾驶历史、道路信息和周围环境状态信息获得的驾驶习惯可变化,诸如例如但不限于超车操作(加速操作)、刹车操作(减速操作)、操控操作等。
在下文中,参照图8、图9、图10和图11,根据本公开的示例实施例,更详细地描述用于在使用学习算法生成数据识别模型之后通过数据识别模型确定到目的地的驾驶路线或驾驶习惯的方法。
参照图8,处理器130可包括数据训练单元(例如,包括处理电路和/或程序元件)810和数据识别单元(例如,包括处理电路和/或程序元件)820。
数据训练单元810可包括各种处理电路和/或程序元件,并且训练数据识别模型以确定到目的地的驾驶路线并且具有用于确定驾驶习惯的标准。另外,数据训练单元810可训练数据识别模型以具有用于针对数据确定自主驾驶设备100的操作的标准。数据训练单元810可将训练数据应用到用于确定自主驾驶设备100的操作的数据识别模型以用于确定到目的地的驾驶路线或驾驶习惯,并且生成具有标准的数据识别模型。
例如,数据训练单元810可将各种数据(目的地信息、用户驾驶历史、交通信息、预先存储的地图信息、车辆10的状态信息、车辆10的周围环境的状态信息等)用作训练数据并生成或训练数据识别模型。
数据识别单元820可包括各种处理电路和/或程序元件,并且基于识别数据来确定状态。数据识别单元820可使用训练后的数据识别模型,并且基于预定的识别数据确定情况。数据识别单元820可根据预定的标准获得预定的识别数据,将所获得的识别数据应用于数据识别模型作为输入值,并基于预定识别数据确定(或估计)预定的情况。
通过将所获得的识别数据作为输入值应用于数据识别模型而输出的结果值可用于更新数据识别模型。
根据本公开的实施例,数据识别单元820可将目的地信息和交通信息的识别数据作为输入值应用于数据识别模型,并且获得自主驾驶设备100的状态的确定结果(第一驾驶路线)。数据识别单元820可将与用户驾驶历史相关的目的地信息和识别数据作为输入值应用于数据识别模型,并且获得自主驾驶设备100的状态的确定结果(第二驾驶路线)。
数据识别单元820可将与道路信息、交通信息和驾驶信息相关的识别数据作为输入值应用于数据识别模型,并且获得自主驾驶设备100的状态的确定结果(用户的驾驶习惯)。
数据训练单元810的至少一部分和数据识别单元820的至少一部分可被实现为软件模块(例如,程序元件),和/或被制造为待安装在电子装置上的至少一个硬件芯片(例如,包括处理电路和/或程序元件)。例如,数据训练单元810和数据识别单元820中的至少一个可例如但不限于被制造为将被安装在各种电子装置上的用于人工智能(AI)的硬件芯片、通用处理器(例如,CPU或应用处理器)的一部分、图形应用处理器(例如,GPU)的一部分等。用于人工智能的硬件芯片可以是例如但不限于专门用于概率计算的处理器,其具有比现有通用处理器更高的并行处理性能,以快速处理人工智能(诸如机器学习)中的算术运算。当数据训练单元810和数据识别单元820可被实施为软件模块(或者,包括指令的程序模块)时,软件模块可被存储在计算机可读介质、非暂时性计算机可读介质中。在这种情况下,软件模块可例如由操作系统(OS)或由预定的应用提供。软件模块中的一些可例如由操作系统(OS)提供,并且其他软件模块可由预定的应用提供。
数据训练单元810和数据识别单元820可被安装在一个自主驾驶设备100(或电子装置)上,或被安装在分开的自主驾驶设备100(或电子装置)上。例如,数据训练单元810和数据识别单元820中的一个可被包括在自主驾驶设备100中,而另一个可被包括在外部服务器中。
数据训练单元810和数据识别单元820可以以有线/无线方式将由数据训练单元810建立的模型信息提供给数据识别单元820,并且通过数据识别单元820输入的数据可作为附加训练数据被提供给数据训练单元810。
图9是示出示例数据训练单元810的框图。
参照图9,根据本公开的各种示例实施例,数据训练单元810可包括数据获取单元(例如,包括处理电路和/或程序元件)810-1和模型训练单元(例如,包括处理电路和/或程序元件)810-4。另外,数据训练单元810还可选择性地包括预处理器(例如,包括处理电路和/或程序元件)810-2、训练数据选择器(例如,包括处理电路和/或程序元件)810-3和模型评估单元(例如,包括处理电路和/或程序元件)810-5中的至少一个。
数据获取单元810-1可包括各种处理电路和/或程序元件,并且获得用于确定到目的地的驾驶路线和驾驶习惯的自主驾驶设备100的操作所需的训练数据。
由数据训练单元810或自主驾驶设备100的制造商收集或测试的数据可被用作训练数据。训练数据可包括例如但不限于直接驾驶车辆的用户的驾驶历史。训练数据可包括例如但不限于根据预定的标准分类的交通信息。预定的标准可例如与特定时间、特定类型等相关。
数据训练单元810还可包括预处理器810-2和训练数据选择器810-3,以改善数据识别模型的识别结果,或者节省用于生成数据识别模型所需的资源或时间。
预处理器810-2可包括各种处理电路和/或程序元件,并且对由数据获取单元810-1获得的数据进行预处理。
预处理器810-2可以以预定义格式提供所获得的数据,使得模型训练单元810-4可使用用于训练数据识别模型的数据。例如,预处理器810-2可提供由数据获取单元810-1获得的语音数据作为文本数据,并且提供图像数据作为预定的格式的图像数据。预处理后的数据可被提供给模型训练单元810-4作为训练数据。
训练数据选择器810-3可包括各种处理电路和/或程序元件,并从预处理数据中选择性地选择训练所需的训练数据。所选择的训练数据可被提供给模型训练单元810-4。训练数据选择器810-3可根据预定的选择标准从预处理后的数据中选择训练所必需的训练数据。训练数据选择器810-3可通过模型训练单元810-4的训练根据预定的选择标准来选择训练所必需的训练数据。根据本公开的实施例,训练数据选择器810-3可从周围信息中选择在距车辆10预定的距离内的其他车辆。训练数据选择器810-3可仅选择与用户驾驶路线相应的交通信息、道路信息和地图信息。训练数据选择器810-3可仅选择与用户驾驶路线相应的用户驾驶历史。
模型训练单元810-4可包括各种处理电路和/或程序元件,并且使用训练数据来训练用于确定到目的地的驾驶路线或驾驶习惯的数据识别模型。例如,模型训练单元810-4可使用训练数据的至少一部分作为确定标准,通过监督学习来训练数据识别模型。例如,模型训练单元810-4可在没有附加监督的情况下使用训练数据来训练自身,并且通过查找用于确定情况的标准的无监督学习来训练数据识别模型。
模型训练单元810-4可训练区段标准,训练数据将在所述区段标准上用于确定到目的地的驾驶路线或驾驶习惯。
可考虑例如但不限于识别模型的适用性、训练的目的或设备的计算功能来建立数据识别模型。例如,数据识别模型可以是基于神经网络的模型。数据识别模型可被设计成在计算机中模拟人脑结构。数据识别模型可包括具有权重值的多个网络节点,以模拟人类的神经网络的神经元。所述多个网络节点可建立连接关系以模拟突触活动,从而由神经元通过突触发送和接收信号。例如,数据识别模型可包括神经元网络模型、根据神经元网络模型开发的深度学习模型。深度学习模型中的所述多个网络节点可被设置在不同的深度(或层),并且根据卷积连接关系发送和接收数据。
例如,诸如深度神经网络(DNN)、循环神经网络(RNN)或双向循环深度神经网络(BDNR)的模型可被用作数据识别模型,但是本公开不限于此。
根据本公开的各种实施例,如果存在预先构建的多个数据识别模型,则模型训练单元810-4可将输入训练数据和基础训练数据高度相关的数据识别模型确定为待训练的数据识别模型。在这种情况下,可按照数据类型对基础训练数据进行预分类,可按照数据类型预先建立数据识别模型。例如,可基于各种标准(诸如生成训练数据的区域、生成训练数据的时间、训练数据的大小、训练数据的种类、训练数据的创建者、训练数据中的对象的类型等)对基本训练数据进行预分类。
模型学习单元810-4还可使用包括例如误差反向传播方法或梯度下降方法的学习算法来训练数据识别模型。
模型训练单元810-4例如可使用确定的标准作为输入值通过监督学习来训练数据识别模型。另外,模型训练单元810-4例如可在不进行附加训练的情况下使用必要的训练数据来训练自身,并且通过非监督训练来训练数据识别模型,该数据识别模型查找到目的地的驾驶路线或驾驶习惯。模型训练单元810-4例如可使用关于到目的地的驾驶路线或驾驶习惯的结果根据训练是否合适的反馈,通过强化学习来对数据识别模型进行训练。
基于数据识别模型被训练,模型训练单元810-4可存储训练后的数据识别模型。模型训练单元810-4可将训练后的数据识别模型存储在自主驾驶设备100的存储器150中。模型训练单元810-4可将训练后的数据识别模型存储在通过有线/无线网络连接到自主驾驶设备100的服务器的存储器中。
数据训练单元810还可包括模型评估单元810-5,以改善数据识别模型的识别结果。
模型评估单元810-5可包括各种处理电路和/或程序元件并向数据识别模型输入评估数据,当根据评估数据输出的识别结果不满足预定的标准时,可使模型训练单元810-4再次自行训练。在这种情况下,评估数据可以是用于评估数据识别模型的预定义数据。
例如,在关于评估数据训练的数据识别模型的识别结果中,当识别结果不准确的评估数据的数量或比率超过预定的阈值时,模型评估单元810-5可评估出不满足预定的标准。例如,当预定的标准被定义为2%的比率而训练后的数据识别模型针对1000个评估数据中超过20个评估数据输出了不适当的识别结果时,模型评估单元810-5可评估出训练后的数据识别模型不适当。
当存在多个训练后的数据识别模型时,模型评估单元810-5可评估出每个训练后的数据识别模型满足预定的标准,并且将满足预定的标准的模型确定为最终数据识别模型。例如,当存在满足预定的标准的多个模型时,模型评估单元810-5可将以评估分数的降序预设的任何一个或预定数量的模型确定为最终数据识别模型。
如上所述,数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个可被实施为软件模块,和/或被制造为将被安装在电子装置上的至少一个硬件芯片。例如,数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个可被制造为例如但不限于将被安装在上述各种电子装置上的用于人工智能(AI)的硬件芯片、现有通用处理器(例如,CPU或应用处理器)或图形专用处理器(例如,GPU)的一部分等。
另外,数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个可被安装在一个电子装置上,或者被单独地安装在电子装置上。例如,数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的一些可被包括在电子装置中,或者其他可被包括在服务器中。
数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个可被实现为软件模块(程序元件)。当数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个被实现为软件模块(或包括指令的程序模块)时,软件模块可被存储在计算机可读非暂时性计算机可读介质中。在这种情况下,至少一个软件模块可由操作系统(O/S)或预定的应用提供。另外,至少一个软件模块的一部分可由操作系统(O/S)提供,或者其他软件模块可由预定的应用提供。
图10是示出数据识别单元820的框图。
参照图10,识别单元820可包括数据获取单元(例如,包括处理电路和/或程序元件)820-1和识别结果提供器(例如,包括处理电路和/或程序元件)820-4。数据识别单元820还可选择性地包括预处理器(例如,包括处理电路和/或程序元件)820-2、识别数据选择器(例如,包括处理电路和/或程序元件)820-3和模型更新单元(例如,包括处理电路和/或程序元件)820-5。
数据获取单元820-1可包括各种处理电路和/或程序元件,并且获得用于确定到目的地的驾驶路线或驾驶习惯所必需的识别数据。
识别结果提供器820-4可包括各种处理电路和/或程序元件,并且通过将由数据获取单元820-1获得的数据作为输入值应用于训练后的数据识别模型来确定到目的地的驾驶路线或驾驶习惯。识别结果提供器820-4可根据数据识别的目的提供识别结果。识别结果提供器820-4可提供通过将由预处理器820-2预处理后的数据作为输入值应用于训练后的数据识别模型而获得的识别结果。识别结果提供器820-4可提供通过将由识别数据选择器820-3选择的数据作为输入值应用于数据识别模型而获得的识别结果。
数据识别单元820还可包括预处理器820-2和识别数据选择器820-3,以改善数据识别模型的识别结果,或者节省用于提供识别结果的资源或时间。
预处理器820-2可包括各种处理电路和/或程序元件,并且对由数据获取单元820-2获得的数据进行预处理,以用于确定到目的地的驾驶路线或驾驶习惯。
预处理器820-2可以以预定义格式提供所获得的数据,使得识别结果提供器820-4可容易地使用该数据来确定到目的地的驾驶路线或驾驶习惯。根据本公开的实施例,数据获取单元820-1可获得用于确定到目的地的驾驶路线或驾驶习惯的数据,并且预处理器820-2可按照如上所述的预定义格式对数据进行预处理。
识别数据选择器820-3可包括各种处理电路和/或程序元件,并且从预处理后的数据中选择用于确定到目的地的驾驶路线或驾驶习惯所必需的识别数据。所选择的识别数据可被提供给识别结果提供器820-4。识别数据选择器820-3可从预处理后的数据中选择用于确定到目的地的驾驶路线或驾驶习惯所必需的识别数据。识别数据选择器820-3可根据由模型训练单元810-4的训练预定的标准来选择数据。
模型更新单元820-5可包括各种处理电路和/或程序元件,并且基于由结果提供器820-4提供的识别结果的评估来控制数据识别模型进行更新。例如,模型更新单元820-5可将由识别结果提供器820-4提供的识别结果提供给模型训练单元810-4,使得模型更新单元810-4可对数据识别模型进行更新。
数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个可被实现为软件模块(例如,程序元件),和/或被制造为将被安装在电子装置上的至少一个硬件芯片(例如,包括处理电路)。例如,数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个中的至少一个可被制造为将被安装在如上所述的各种电子装置上的用于人工智能(AI)的硬件芯片、或者现有通用处理器(例如,CPU或应用处理器)的一部分、或者图形用户处理器(例如,GUU)的一部分。
如上所述,数据识别单元820中的数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个可被实施为软件模块,和/或被制造为将被安装在电子装置上的至少一个硬件芯片。例如,数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个中的至少一个可被制造为例如但不限于将被安装在如上所述的各种电子装置上的用于人工智能(AI)的硬件芯片、现有通用处理器(例如,CPU或应用处理器)的一部分、或者图形用户处理器(例如,GPU)的一部分等。
数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5可安装在一个电子装置上,或被单独地安装在附加电子装置上。例如,数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的一些可被包括在电子装置中,而其他的可被包括在服务器中。
数据识别单元820中的数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个可被实施为软件模块。当数据获取单元810-1、预处理器810-2、训练数据选择器810-3、模型训练单元810-4和模型评估单元810-5中的至少一个被实施为软件模块(或包括指令的程序模块)时,软件模块可被存储在计算机可读非暂时性计算机可读介质中。在这种情况下,所述至少一个软件模块可由操作系统(O/S)或由预定的应用提供。所述至少一个软件模块中的一些模块可由操作系统(O/S)提供,或者其他模块可由预定的应用提供。
图11是示出自主驾驶设备100可与服务器1100相关联地操作以训练和识别数据的示例的示图。
参照图11,服务器1100可训练用于确定到目的地的驾驶路线或驾驶习惯的标准,并且自主驾驶设备100可基于由服务器1100执行的训练的结果来确定到目的地的驾驶路线或驾驶习惯。
服务器1100的模型训练单元810-4可对关于哪些数据将被用于确定到目的地的驾驶路线或驾驶习惯的标准、或关于如何使用数据确定到目的地的驾驶路线或驾驶习惯的标准进行训练。模型训练单元810-4可获得将被用于训练的数据,将所获得的数据应用于将在下面描述的数据识别模型,并且对用于确定到目的地的驾驶路线或驾驶习惯的标准进行训练。
自主驾驶设备100的识别结果提供器820-4可通过将由识别数据选择器820-3选择的数据应用于由服务器1100生成的数据识别模型来确定到目的地的驾驶路线或驾驶习惯。识别结果提供器820-4可将由识别数据选择器820-3选择的数据发送到服务器1100,并且服务器1100可将由识别数据选择器820-3选择的数据应用于识别模型,并且请求识别模型确定到目的地的驾驶路线或驾驶习惯。识别结果提供器820-4可从服务器1100接收关于由服务器1100确定的到目的地的驾驶路线或驾驶习惯的信息。例如,当通过识别数据选择器820-3将数据发送到服务器1100时,服务器1100可将数据应用于预先存储的数据识别模型,并且将关于到目的地的驾驶路线或驾驶习惯的信息发送到自主驾驶设备100。
自主驾驶设备100的识别结果提供器820-4可从服务器1100接收由服务器1100生成的识别模型,并且使用接收到的识别模型来确定到目的地的驾驶路线或驾驶习惯。在这种情况下,自主驾驶设备100的识别结果提供器820-4可通过将由识别数据选择器820-3选择的数据应用于从服务器1100接收的数据识别模型来确定到目的地的驾驶路线或驾驶习惯。例如,自主驾驶设备100可从服务器1100接收数据识别模型并存储该数据识别模型,将由识别数据选择器820-3选择的数据应用于从服务器1100接收的数据识别模型,并且确定关于到目的地的驾驶路线或驾驶习惯的信息。
图12是根据本公开的实施例的控制自主驾驶设备的示例方法的流程图。
在步骤S1210,自主驾驶设备100可从用户接收用于设置路线的目的地。可以以各种方式从用户接收目的地。例如,可通过设置在自主驾驶设备100中的触摸面板来输入目的地,或者通过分析通过麦克风输入的用户语音来输入目的地,但是本公开不限于此。
在步骤S1220,自主驾驶设备100可获得用户驾驶历史和交通信息。用户驾驶历史可以是用于在非自主驾驶情况下驾驶车辆10的历史,并且驾驶历史可包括在非自主驾驶情况下车辆10的道路信息、车道信息和速度信息。交通信息可以是关于当前交通状况的信息,并且可从外部设备或外部服务器接收。
在步骤S1230,自主驾驶设备100可将目的地信息、驾驶历史和交通信息作为输入数据提供给通过人工智能算法训练的模型,并且确定到目的地的驾驶路线。如上所述,训练后的模型可包括多个模型。第一模型可输入目的地信息和交通信息作为输入数据,并确定最佳驾驶路线(最短时间、最短距离和最小成本),第二模型可通过输入目的地信息和用户历史来确定用户偏好的驾驶路线。自主驾驶设备100可基于通过第一模型和第二模型获得的多条驾驶路线来确定最终驾驶路线。
在步骤S1240,自主驾驶设备100可沿着所确定的最终驾驶路线执行自主驾驶。
虽然本公开已经描述了实施例的所有元件彼此耦合或组合操作,但是应当理解,本公开不限于所公开的实施例。例如,在本公开的范围内,所有元件可以以一种或更多种组合选择性地彼此耦合。另外,虽然可将所有元件实现为一个独立的硬件,但也可选择性地组合一部分或全部元件来实现为包括在一个或更多个硬件中执行功能的一部分或全部的程序模块的计算机程序。本领域技术人员可理解包括计算机程序的代码和代码段。这样的计算机程序可被存储在可由计算机读取的非临时性计算机可读存储介质中,由计算机读取并执行,从而实现本公开的实施例。
根据各种实施例的装置(例如,装置的模块或功能)或方法(例如,操作)的至少一部分可被存储为以程序模块的形式存储在计算机可读非暂态计算机可读介质中的命令。当命令由处理器(例如,处理器130)执行时,处理器可执行与命令相应的功能。
该程序可被存储在计算机可读非临时性记录介质中,由计算机读取并执行,从而实现本公开的实施例。
非暂时性可读记录介质是指半永久地存储数据并且能够被设备读取的介质,但是也包括寄存器、高速缓存、缓冲器等。
例如,上述程序可被存储在非暂时性可读记录介质(诸如CD、DVD、硬盘、蓝光盘、USB、内部存储器(例如,存储器150)、存储卡、ROM、RAM等)中。
另外,根据所公开的实施例的方法可被提供为计算机程序产品。
计算机程序产品可包括软件程序、存储软件程序的计算机可读存储介质、或在卖方和买方之间交易的商品。
例如,计算机程序产品可以是经由电子装置、电子装置的制造商或电子市场(例如,谷歌应用商店、应用商店等)电子分发的软件程序(例如,可下载应用)的产品。对于电子分发,软件程序的至少一部分可被存储在存储介质上或者可被临时地创建。在这种情况下,存储介质可以是制造商或电子市场的服务器或中继服务器的存储介质。
尽管已经示出和描述了示例实施例,但是本领域技术人员将理解,在不脱离本公开的原理和精神的情况下,可对这些示例实施例进行改变。因此,本公开的范围不限于所描述的示例实施例,而是例如由所附权利要求及其等同物限定。
Claims (15)
1.一种用于控制车辆的自主驾驶设备的方法,包括:
接收用于设置路线的目的地;
获取用户的驾驶历史和交通信息;
基于作为输入数据提供给模型的关于目的地的信息、关于驾驶历史的信息和交通信息确定到目的地的驾驶路线,其中,模型是通过人工智能算法训练的;并且
沿着所确定的驾驶路线执行自主驾驶。
2.根据权利要求1所述的方法,还包括:基于提供给训练后的模型的与用于改变驾驶路线的用户命令相应的关于驾驶路线改变的信息、关于目的地的信息、关于驾驶历史的信息和交通信息来确定新的驾驶路线,其中,用户命令是在车辆沿着所确定的驾驶路线驾驶时输入的。
3.根据权利要求2所述的方法,还包括:
基于关于改变后的驾驶路线的信息来更新用户的驾驶历史。
4.根据权利要求1所述的方法,其中,所述确定的步骤包括:
基于提供给训练后的第一模型的目的地信息和交通信息,获得到达目的地的至少一条第一驾驶路线;
基于提供给训练后的第二模型的目的地信息和用户的驾驶历史,获得第二驾驶路线;并且
基于所述至少一条第一驾驶路线和第二驾驶路线中的一个,确定到达目的地的驾驶路线。
5.根据权利要求4所述的方法,还包括:
基于所确定的驾驶路线不是第二驾驶路线,显示包括所确定的驾驶路线不被用户偏好的消息的UI。
6.根据权利要求4所述的方法,其中,所述确定包括:
显示包括关于第一驾驶路线和第二驾驶路线的信息的UI;并且
基于通过所述UI接收的用户输入将第一驾驶路线和第二驾驶路线中的一个确定为到目的地的驾驶路线。
7.根据权利要求4所述的方法,其中,第一驾驶路线是从出发到目的地的最短时间驾驶路线、最短距离驾驶路线和最小成本驾驶路线中的一个,并且
其中,第二驾驶路线是用户偏好的驾驶路线。
8.根据权利要求1所述的方法,其中,驾驶历史还包括:用户的偏好路线、用户的非偏好路线、车辆的驾驶速度信息和变道信息。
9.根据权利要求8所述的方法,还包括:
基于提供给通过人工智能算法训练的模型的用户的驾驶历史来获取用户的驾驶习惯,
其中,所述执行的步骤包括:基于所获得的驾驶习惯来执行自主驾驶。
10.一种车辆的自主驾驶设备,包括:
通信器,包括电路;
存储器,被配置为存储用户的驾驶历史;以及
处理器,被配置为通过通信器接收用于设置路线的目的地信息和交通信息,基于作为输入数据提供给通过人工智能算法训练的模型的目的地信息、驾驶历史和交通信息确定到目的地的驾驶路线,并且使所述驾驶设备沿着所确定的驾驶路线执行自主驾驶。
11.根据权利要求10所述的设备,其中,所述处理器还被配置为:基于提供给训练后的模型的与用于改变驾驶路线的用户命令相应的关于驾驶路线改变的信息、目的地信息、驾驶历史和交通信息来确定新的驾驶路线,其中,用户命令是在车辆沿着所确定的驾驶路线驾驶时输入的。
12.根据权利要求11所述的设备,其中,所述处理器还被配置为:基于关于改变后的驾驶路线的信息来更新用户的驾驶历史,并且将更新后的驾驶历史存储在存储器中。
13.根据权利要求10所述的设备,其中,所述处理器还被配置为:
基于提供给训练后的第一模型的目的地信息和交通信息,获得到目的地的至少一条第一驾驶路线,
基于提供给训练后的第二模型的用户的目的地信息和驾驶历史,获得第二驾驶路线,并且
基于所述至少一条第一驾驶路线和第二驾驶路线中的一个,确定到达目的地的驾驶路线。
14.根据权利要求13所述的设备,还包括:
显示器,
其中,所述处理器还被配置为:基于所确定的驾驶路线不是第二驾驶路线,控制显示器显示包括所确定的驾驶路线不是用户偏好的消息的UI。
15.根据权利要求3所述的设备,还包括:
显示器,
其中,所述处理器还被配置为:
控制显示器显示包括关于第一驾驶路线和第二驾驶路线的信息的UI,并且
基于通过所述UI接收的用户输入将第一驾驶路线和第二驾驶路线中的一个确定为到目的地的驾驶路线。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2018-0023813 | 2018-02-27 | ||
KR1020180023813A KR102481487B1 (ko) | 2018-02-27 | 2018-02-27 | 자율 주행 장치 및 그의 제어 방법 |
PCT/KR2019/002353 WO2019168336A1 (en) | 2018-02-27 | 2019-02-27 | Autonomous driving apparatus and method thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111566578A true CN111566578A (zh) | 2020-08-21 |
Family
ID=67685735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980007249.6A Pending CN111566578A (zh) | 2018-02-27 | 2019-02-27 | 自主驾驶设备及其方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11047698B2 (zh) |
EP (1) | EP3695281A4 (zh) |
KR (1) | KR102481487B1 (zh) |
CN (1) | CN111566578A (zh) |
WO (1) | WO2019168336A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113165670A (zh) * | 2021-03-01 | 2021-07-23 | 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 |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10908614B2 (en) * | 2017-12-19 | 2021-02-02 | Here Global B.V. | Method and apparatus for providing unknown moving object detection |
EP3856596A4 (en) | 2018-09-30 | 2022-10-12 | Strong Force Intellectual Capital, LLC | INTELLIGENT TRANSPORT SYSTEMS |
US11454971B2 (en) * | 2019-08-29 | 2022-09-27 | GM Global Technology Operations LLC | Methods and systems for learning user preferences for lane changes |
US20210095977A1 (en) * | 2019-10-01 | 2021-04-01 | Uatc, Llc | Revising self-driving vehicle routes in response to obstructions |
DE102019127541B3 (de) * | 2019-10-14 | 2021-01-14 | Audi Ag | Verfahren zur assistierten oder zumindest teilautomatisierten Führung eines Kraftfahrzeugs |
US11392484B2 (en) * | 2019-10-31 | 2022-07-19 | Express Scripts Strategie Development, Inc. | Method and system for programmatically testing user interface paths |
DE102019130806A1 (de) * | 2019-11-14 | 2021-05-20 | Albert Lechner | Vorrichtung und Software für ein computerimplementiertes Verfahren zum Optimieren einer Fahrtroute |
WO2021150166A1 (en) * | 2020-01-20 | 2021-07-29 | Nanyang Technological University | Determining a route between an origin and a destination |
WO2021182655A1 (ko) * | 2020-03-10 | 2021-09-16 | 엘지전자 주식회사 | 경로 제공 장치 및 그것의 경로 제공 방법 |
CN111707286B (zh) * | 2020-06-28 | 2022-07-29 | 北京百度网讯科技有限公司 | 规划路线的方法和装置 |
KR20220029833A (ko) * | 2020-08-28 | 2022-03-10 | 현대모비스 주식회사 | 차량의 속도 제어 시스템 |
CN112158199B (zh) * | 2020-09-25 | 2022-03-18 | 阿波罗智能技术(北京)有限公司 | 巡航控制方法、装置、设备、车辆及介质 |
WO2022139009A1 (ko) | 2020-12-22 | 2022-06-30 | 주식회사 모빌린트 | 자율 주행을 위한 딥러닝 알고리즘 설정 방법 및 장치 |
KR102587598B1 (ko) * | 2021-08-27 | 2023-10-13 | 포티투닷 주식회사 | 운전자의 상황별 운전 스타일에 기초한 차량의 자율 운행 제어 방법 및 장치 |
KR20240059462A (ko) | 2022-10-27 | 2024-05-07 | 주식회사 에스더블유엠 | 자율주행차량의 주행경로 결정 방법 |
KR20240062646A (ko) * | 2022-11-02 | 2024-05-09 | 네이버랩스 주식회사 | 하이브리드 주행 알고리즘 기반 주행 정책 결정 방법 및 시스템 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090192705A1 (en) * | 2006-11-02 | 2009-07-30 | Google Inc. | Adaptive and Personalized Navigation System |
US20100106414A1 (en) * | 2008-10-27 | 2010-04-29 | John Whitehead | Method of performing routing with artificial intelligence |
CN102087114A (zh) * | 2009-12-02 | 2011-06-08 | 罗伯特·博世有限公司 | 用于动态地获得路线走向的方法和导航装置 |
US20130041582A1 (en) * | 2011-08-11 | 2013-02-14 | Markus Radner | Method and system for navigation |
CN103413455A (zh) * | 2013-08-23 | 2013-11-27 | 招商局重庆交通科研设计院有限公司 | 一种道路交通引导方法及系统 |
US20160026182A1 (en) * | 2014-07-25 | 2016-01-28 | Here Global B.V. | Personalized Driving of Autonomously Driven Vehicles |
US20160320200A1 (en) * | 2015-04-29 | 2016-11-03 | Microsoft Technology Licensing, Llc | Controlling travel route planning module based upon user travel preference |
KR20170070485A (ko) * | 2015-12-14 | 2017-06-22 | 현대자동차주식회사 | 차량 및 그 제어방법과 내비게이션 |
WO2017124331A1 (en) * | 2016-01-20 | 2017-07-27 | Bayerische Motoren Werke Aktiengesellschaft | Navigation apparatus and method |
US20170262790A1 (en) * | 2016-03-11 | 2017-09-14 | Route4Me, Inc. | Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints |
CN107315359A (zh) * | 2016-04-27 | 2017-11-03 | 华为技术有限公司 | 车辆控制方法及系统 |
US20170370732A1 (en) * | 2016-06-27 | 2017-12-28 | International Business Machines Corporation | Personalized travel routes to reduce stress |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6622087B2 (en) * | 2000-12-26 | 2003-09-16 | Intel Corporation | Method and apparatus for deriving travel profiles |
US20050102098A1 (en) * | 2003-11-07 | 2005-05-12 | Montealegre Steve E. | Adaptive navigation system with artificial intelligence |
KR100920017B1 (ko) | 2007-04-30 | 2009-10-05 | (주)엠앤소프트 | 네비게이션에서의 드래그 입력을 이용한 경로 재탐색 방법 |
KR101703144B1 (ko) * | 2012-02-09 | 2017-02-06 | 한국전자통신연구원 | 차량의 자율주행 장치 및 그 방법 |
US9429943B2 (en) | 2012-03-05 | 2016-08-30 | Florida A&M University | Artificial intelligence valet systems and methods |
US9189959B2 (en) | 2012-06-27 | 2015-11-17 | International Business Machines Corporation | Navigation system providing a super detail mode of operation to assist user's driving |
US9195914B2 (en) | 2012-09-05 | 2015-11-24 | Google Inc. | Construction zone sign detection |
KR20150066303A (ko) | 2013-12-06 | 2015-06-16 | 한국전자통신연구원 | 운전자의 주행 패턴을 반영하는 자율 주행 장치 및 그 방법 |
WO2015134311A1 (en) * | 2014-03-03 | 2015-09-11 | Inrix Inc | Traffic obstruction detection |
CA2958776C (en) | 2014-09-05 | 2020-02-18 | Uber Technologies, Inc. | Providing route information to devices during a shared transport service |
JP6467713B2 (ja) | 2015-09-25 | 2019-02-13 | 本田技研工業株式会社 | ナビゲーションシステムおよび経路探索方法 |
KR101704634B1 (ko) | 2015-12-14 | 2017-02-08 | 현대오트론 주식회사 | 자율 주행 차량의 주행경로 생성 장치 및 그 방법과, 자율 주행 차량의 주행 제어 방법 |
US10386835B2 (en) | 2016-01-04 | 2019-08-20 | GM Global Technology Operations LLC | System and method for externally interfacing with an autonomous vehicle |
US20170219368A1 (en) | 2016-01-28 | 2017-08-03 | At&T Intellectual Property I, L.P. | Navigation system and methods for use therewith |
KR102013590B1 (ko) * | 2017-07-18 | 2019-08-23 | 엘지전자 주식회사 | 차량에 구비된 차량 제어 장치 및 차량의 제어방법 |
US20190185010A1 (en) * | 2017-12-18 | 2019-06-20 | PlusAI Corp | Method and system for self capability aware route planning in autonomous driving vehicles |
-
2018
- 2018-02-27 KR KR1020180023813A patent/KR102481487B1/ko active IP Right Grant
-
2019
- 2019-02-26 US US16/285,717 patent/US11047698B2/en active Active
- 2019-02-27 WO PCT/KR2019/002353 patent/WO2019168336A1/en unknown
- 2019-02-27 CN CN201980007249.6A patent/CN111566578A/zh active Pending
- 2019-02-27 EP EP19760121.4A patent/EP3695281A4/en active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090192705A1 (en) * | 2006-11-02 | 2009-07-30 | Google Inc. | Adaptive and Personalized Navigation System |
US20100106414A1 (en) * | 2008-10-27 | 2010-04-29 | John Whitehead | Method of performing routing with artificial intelligence |
CN102087114A (zh) * | 2009-12-02 | 2011-06-08 | 罗伯特·博世有限公司 | 用于动态地获得路线走向的方法和导航装置 |
US20130041582A1 (en) * | 2011-08-11 | 2013-02-14 | Markus Radner | Method and system for navigation |
CN103413455A (zh) * | 2013-08-23 | 2013-11-27 | 招商局重庆交通科研设计院有限公司 | 一种道路交通引导方法及系统 |
US20160026182A1 (en) * | 2014-07-25 | 2016-01-28 | Here Global B.V. | Personalized Driving of Autonomously Driven Vehicles |
US20160320200A1 (en) * | 2015-04-29 | 2016-11-03 | Microsoft Technology Licensing, Llc | Controlling travel route planning module based upon user travel preference |
KR20170070485A (ko) * | 2015-12-14 | 2017-06-22 | 현대자동차주식회사 | 차량 및 그 제어방법과 내비게이션 |
WO2017124331A1 (en) * | 2016-01-20 | 2017-07-27 | Bayerische Motoren Werke Aktiengesellschaft | Navigation apparatus and method |
US20170262790A1 (en) * | 2016-03-11 | 2017-09-14 | Route4Me, Inc. | Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints |
CN107315359A (zh) * | 2016-04-27 | 2017-11-03 | 华为技术有限公司 | 车辆控制方法及系统 |
US20170370732A1 (en) * | 2016-06-27 | 2017-12-28 | International Business Machines Corporation | Personalized travel routes to reduce stress |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113165670A (zh) * | 2021-03-01 | 2021-07-23 | 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 |
Also Published As
Publication number | Publication date |
---|---|
WO2019168336A1 (en) | 2019-09-06 |
KR20190109624A (ko) | 2019-09-26 |
US11047698B2 (en) | 2021-06-29 |
EP3695281A1 (en) | 2020-08-19 |
EP3695281A4 (en) | 2021-01-06 |
KR102481487B1 (ko) | 2022-12-27 |
US20190265060A1 (en) | 2019-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11047698B2 (en) | Autonomous driving apparatus and method thereof | |
US20200369271A1 (en) | Electronic apparatus for determining a dangerous situation of a vehicle and method of operating the same | |
JP6619778B2 (ja) | 自律走行車の車両交通行動を予測して運転決定をするための方法及びシステム | |
US11208115B2 (en) | Method of assisting autonomous vehicle, and apparatus therefor | |
US10496889B2 (en) | Information presentation control apparatus, autonomous vehicle, and autonomous-vehicle driving support system | |
US11932274B2 (en) | Electronic device and control method therefor | |
EP3539113B1 (en) | Electronic apparatus and method of operating the same | |
US11592825B2 (en) | Electronic device and operation method therefor | |
KR20180125885A (ko) | 차량의 주행 이벤트를 검출하는 전자 장치 및 방법 | |
US11688195B2 (en) | Electronic device and method for assisting with driving of vehicle | |
EP3676147B1 (en) | Autonomous driving apparatus and method for autonomous driving of a vehicle | |
US11508158B2 (en) | Electronic device and method for vehicle driving assistance | |
JP7079069B2 (ja) | 情報提示制御装置、自動運転車、及び自動運転車運転支援システム | |
KR20200143242A (ko) | 비전 기반 인식 시스템에 의한 대립적 샘플들 검출 방법 | |
KR20180072525A (ko) | 경로 안내를 위한 전자 장치 및 이의 제어 방법 | |
US11904853B2 (en) | Apparatus for preventing vehicle collision and method thereof | |
US11454977B2 (en) | Information processing method and information processing device | |
JP6096750B2 (ja) | 走行支援装置 | |
KR20220068314A (ko) | 운전자 성향 기반 적응형 자율주행서비스를 제공하는 방법 및 장치 |
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 |