CN111655561A - 无需地图和定位的自动驾驶车辆的拐角协商方法 - Google Patents

Abstract

ADV基于从安装在ADV上的各种传感器获得的传感器数据来感知ADV周围的驾驶环境，包括例如感知和识别ADV可能即将转弯的拐角。基于驾驶环境的感知数据，表示ADV即将转弯的拐角的进入点的特性的特征集。基于拐角的特性，确定拐角的进入点。基于进入点，在拐角映射表中执行查找操作以定位与进入点匹配的映射条目。然后，从拐角映射表的映射条目获得转弯半径。然后，利用从拐角映射表获得的转弯半径来规划轨迹(例如，转向角度)以驾驶ADV转过拐角。

Description

无需地图和定位的自动驾驶车辆的拐角协商方法

技术领域

本公开的实施方式总体上涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及协商自动驾驶的拐角路线的技术。

背景技术

以自动驾驶模式运行(例如，无人驾驶)的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可以使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。

在自动驾驶中，存在若干级别的自动驾驶。级别之一，级别3(L3)仍然需要车辆中的驾驶员，但是车辆能够在某些交通条件或环境条件下将“安全关键功能”完全转移到车辆。这意味着驾驶员仍然存在并将在必要时进行干预，但不需要以与其他自动驾驶级别相同的方式监控情况。

对自动驾驶车辆的典型需求是适当地对拐角进行协商。对于低成本的自动驾驶解决方案，例如L3自动驾驶，通常不存在定位模块，从而得拐角协商成为一项艰巨的任务。此外，安装在低成本L3自动驾驶车辆上的相机的数量和质量也受到限制，导致拐角感测不足。一种解决方案是升级所有传感器并添加定位模块，但显然会显著增加成本并使其在市场上不那么受欢迎。对于L3自动驾驶车辆来说，缺乏有效的拐角协商机制。

发明内容

在本公开的方面中，本公开的实施方式提供了一种用于操作自动驾驶车辆的计算机实施的方法，该方法包括：基于从多个传感器获得的传感器数据感知自动驾驶车辆(ADV)周围的驾驶环境；从驾驶环境的感知数据中提取一个或多个特征的集合，以表示ADV即将转弯的拐角的进入点；基于进入点在拐角映射表中执行查找操作，以定位与进入点匹配的映射条目；从先前配置的匹配映射条目中获取拐角转弯半径；以及基于拐角转弯半径协商拐角转弯轨迹以控制ADV转过拐角。

在本公开的另一方面中，本公开的实施方式提供了一种其中存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时使处理器执行操作，该操作包括：基于从多个传感器获得的传感器数据感知自动驾驶车辆(ADV)周围的驾驶环境；从驾驶环境的感知数据中提取一个或多个特征的集合，以表示ADV即将转弯的拐角的进入点；基于进入点在拐角映射表中执行查找操作，以定位与进入点匹配的映射条目；从先前配置的匹配映射条目中获取拐角转弯半径；以及基于拐角转弯半径协商拐角转弯轨迹以控制ADV转过拐角。

在本公开的另一方面中，本公开的实施方式提供了确定用于自动驾驶的拐角的拐角配置的计算机实施的方法，该方法包括：定义拐角进入点类别的集合，其中进入点中的每个与描述转过拐角的驾驶场景的特征集相关联；从多个车辆收集在不同的驾驶环境下行驶时捕获的驾驶统计数据，在不同的驾驶环境下行驶包括在不同道路和不同时间点处转过拐角；对于每个转过的拐角，基于所转过拐角的驾驶统计数据将所转过的拐角分类为与定义的拐角进入点类别的集合之一相关联；以及生成具有多个映射条目的拐角映射表，其中，每个映射条目将所述拐角进入点类别中的一个映射到预定的拐角转弯参数，其中，拐角映射表用来确定随后用于拐角转弯的转向命令。

附图说明

本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考数字指代相似的元件。

图1是示出根据一个实施方式的网络化系统的框图。

图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。

图3A至图3B是示出根据一个实施方式的由自动驾驶车辆使用的感知与规划系统的示例的框图。

图4是示出拐角转弯场景的示例的图。

图5A示出了根据一个实施方式的拐角进入点索引表。

图5B示出了根据一个实施方式的拐角映射表。

图6是示出根据一个实施方式的确定拐角的转弯半径的过程的框图。

图7是示出根据一个实施方式的确定拐角的转弯半径的过程的流程图。

图8是示出根据一个实施方式的生成拐角映射表的过程的流程图。

图9是示出根据一个实施方式的数据处理系统的框图。

具体实施方式

将参考以下所讨论的细节来描述本公开的各种实施方式和方面，并且附图将示出各种实施方式。以下描述和附图是对本公开的说明，并且不应被解释为限制本公开。描述了许多特定细节以提供对本公开各种实施方式的透彻理解。然而，在某些情况下，并未描述众所周知的或常规的细节以提供对本公开的实施方式的简洁讨论。

本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可以包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指相同的实施方式。

根据一些实施方式，基于在各种拐角转弯情况下行驶的各种车辆的统计数据来定义预定义的拐角驾驶场景集。对于每个拐角驾驶场景，基于从在那些转过拐角场景下行驶的车辆捕获并收集的驾驶统计数据来确定相应类型的拐角的转弯半径。创建拐角映射表，其中拐角映射表包括多个映射条目。每个映射条目将特定类型拐角的特定拐角行驶场景映射到被推荐用于驾驶车辆转过拐角的转弯半径。然后可以在实时自动驾驶期间利用拐角映射表来确定用于拐角协商的驾驶参数，而不必使用地图和定位过程。

根据本公开的一个方面，ADV基于从安装在ADV上的各种传感器获得的传感器数据来感知ADV周围的驾驶环境，包括例如感知和识别ADV可能即将要转过的拐角。基于驾驶环境的感知数据，提取表示ADV即将要转过的拐角的进入点的特性的特征集。基于拐角的特性，确定拐角的进入点。基于进入点，在拐角映射表中执行查找操作以定位与进入点匹配的映射条目。然后从拐角映射表的匹配条目获得转弯半径。然后，利用从拐角映射表获得的转弯半径来规划轨迹(例如，转向角度)以驾驶ADV转过拐角。在这种情况下，确定转弯半径而不必使用地图或定位过程。

在一个实施方式中，特征集包括但不限于转弯方向(例如，左或右)、车道线标记或曲率、车道标记、车道标记的颜色(例如，白色、黄色)、车道标记的类型(例如，实线、虚线)等。拐角映射表是基于从行驶通过不同类型的拐角的大量车辆收集的大量驾驶统计数据创建的，并且捕获并记录有行驶的转弯半径。

根据本公开的另一方面，定义拐角进入点集，其中，每个拐角进入点表示特定类型拐角的特定设定或环境。从行驶通过不同类型的大量拐角的大量车辆捕获并收集驾驶统计数据，包括测量转过拐角的转弯半径。分析驾驶统计数据以确定不同种类的拐角的类别。对于从驾驶统计数据确认的每个转过的拐角，从驾驶统计数据中提取预定特征集。然后，分析这些特征以与预定义的进入点中的一个匹配。此后，创建具有多个映射条目的拐角映射表，每个映射条目对应于预定义的进入点中的一个。拐角映射表用于实时确定特定拐角的转弯半径，例如，通过简单地执行查找操作而不必利用地图或定位过程。

图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或者位置服务器等。

自动驾驶车辆是指可以被配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可以包括传感器系统，所述传感器系统具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可以在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。

在一个实施方式中，自动驾驶车辆101包括，但不限于，感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113、信息娱乐系统114和传感器系统115。自动驾驶车辆101还可以包括普通车辆中包括的某些常用部件，诸如：发动机、车轮、方向盘、变速器等，所述部件可以由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。

部件110至115可以经由互连件、总线、网络或其组合通信地联接到彼此。例如，部件110至115可以经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是被设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议，但也用于许多其它环境。

现在参考图2，在一个实施方式中，传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS系统212可以包括收发器，所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可以基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可以表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中，除感测对象之外，雷达单元214可以另外感测对象的速度和/或前进方向。LIDAR单元215可以使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外，LIDAR单元215还可以包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可以包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。

传感器系统115还可以包括其它传感器，诸如：声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如，麦克风)。音频传感器可以被配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可以被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可以集成为集成式油门/制动传感器。

在一个实施方式中，车辆控制系统111包括但不限于转向单元201、油门单元202(也被称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度，电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意，如图2所示的部件可以以硬件、软件或其组合实施。

回到图1，无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系统112可以与一个或多个装置直接无线通信，或者经由通信网络进行无线通信，诸如，通过网络102与服务器103至104通信。无线通信系统112可以使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使用WiFi，以与另一部件或系统通信。无线通信系统112可以例如使用红外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声器等。

自动驾驶车辆101的功能中的一些或全部可以由感知与规划系统110控制或管理，尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储设备)和软件(例如，操作系统、规划和路线安排程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理所接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划和控制信息来驾驶车辆101。替代地，感知与规划系统110可以与车辆控制系统111集成在一起。

例如，作为乘客的用户可以例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如，感知与规划系统110可以从MPOI服务器中获得位置和路线信息，所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI。替代地，此类位置和MPOI信息可以本地高速缓存在感知与规划系统110的永久性存储装置中。

当自动驾驶车辆101沿着路线移动时，感知与规划系统110也可以从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器103至104可以由第三方实体进行操作。替代地，服务器103至104的功能可以与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可以规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101，以安全且高效到达指定目的地。

服务器103可以是数据分析系统，从而为各种客户执行数据分析服务。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发出的驾驶指令(例如，油门、制动、转向指令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。

基于驾驶统计数据123，出于各种目的，机器学习引擎122生成或训练一组规则、算法和/或预测模型124。在一个实施方式中，算法124可以包括基于驾驶统计数据123、由拐角映射表生成器125编译和生成的一个或多个拐角映射表。替代地，算法124可以包括训练成基于从实时驾驶统计数据提取的特征确定转弯半径的机器学习模型。然后可以将算法和/或模型124上传到ADV上以在自动驾驶期间实时使用。

在一个实施方式中，定义拐角进入点集，其中每个拐角进入点表示特定类型拐角的特定设定或环境。数据收集器121从行驶通过不同类型的大量拐角的大量车辆捕获和收集驾驶统计数据123，包括测量转过拐角的转弯半径。拐角映射表生成器125分析驾驶统计数据123以确定不同种类的拐角的类别。对于从驾驶统计数据识别出的每个转过的拐角，从驾驶统计数据中提取预定特征集。

然后分析特征以与预定义的进入点中的一个匹配。拐角映射表125可包括用于分析驾驶统计数据的分析模块、用于提取特征以确定进入点的特征提取器、以及用于匹配进入点的匹配模块。其后，将创建具有多个映射条目的拐角映射表，每个映射条目对应于预定义进入点中的一个，例如，如图5中所示。在一个实施方式中，驾驶统计数据可以被输入到机器学习引擎122中以训练预测模型来预测或确定拐角的进入点。在另一实施方式中，还可以训练机器学习模型以基于从驾驶统计数据123提取的特征集来确定转弯半径。机器学习预测模型可以用于实时自动驾驶。拐角映射表和/或机器学习模型被用于实时确定特定拐角的转弯半径，例如，通过简单地执行查找操作或应用机器学习模型，而无需利用地图或定位过程。

图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可实施为图1的自动驾驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路线制定模块307和拐角估计器308。

模块301至308中的一些或全部可以以软件、硬件或其组合实施。例如，这些模块可安装在永久性存储装置352中、加载到存储器351中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中的一些或全部可通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至308中的一些可一起集成为集成模块。例如，拐角估计器308可以与规划模块305集成。

定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)并管理与用户的行程或路线相关的任何数据。定位模块301(也被称为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可以例如经由用户接口登录并且指定行程的开始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图和路线信息311的其它组件通信，以获得行程相关数据。例如，定位模块301可从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务，以及MPOI服务器提供地图服务和某些位置的POI，这些可作为地图和路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时，定位模块301也可从交通信息系统或服务器获得实时交通信息。

基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，感知模块302确定对周围环境的感知。感知信息可以表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可以包括例如采用对象形式的车道配置、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让行标志)等。车道配置包括描述一个或多个车道的信息，诸如例如车道的形状(例如，直线或弯曲)、车道的宽度、道路中的车道数量、单向车道或双向车道、合并车道或分离车道、出口车道等。

感知模块302可以包括计算机视觉系统或计算机视觉系统的功能，以处理并分析由一个或多个摄像机采集的图像，从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可以包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可以使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中，计算机视觉系统可以绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块302也可以基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。

针对每个对象，预测模块303预测对象在这种情况下将如何表现。预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。

针对每个对象，决策模块304作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所述对象相遇(例如，超车、让行、停止、超过)。决策模块304可根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集可存储在永久性存储装置352中。

路线制定模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从开始位置到目的地位置的给定行程，例如从用户接收的给定行程，路线制定模块307获得路线和地图信息311，并且确定从开始位置至到达目的地位置的所有可能的路线或路径。路线制定模块307可生成地形图形式的参考线，它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地形图提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线制定模块307提供的参考线。

基于针对所感知到的对象中的每个的决定，规划模块305使用由路线制定模块307提供的参考线作为基础来为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。即，针对给定的对象，决策模块304决定对该对象做什么，而规划模块305确定如何去做。例如，针对给定的对象，决策模块304可以决定超过所述对象，而规划模块305可以确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成，包括描述车辆300在下一移动循环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控制数据可以指示车辆300以30英里每小时(mph)的速度移动10米，随后以25mph的速度变到右侧车道。

基于规划和控制数据，控制模块306根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动和转向命令)将车辆从路线或路径的第一点驾驶到第二点。

在一个实施方式中，规划阶段在多个规划周期(也称作为驾驶周期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或驾驶周期中的每一个，将基于规划和控制数据发出一个或多个控制命令。即，对于每100ms，规划模块305规划下一个路线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向角等。在一个实施方式中，规划模块305为下一个预定时段(诸如，5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于在前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制命令(例如，油门、制动、转向控制命令)。

应注意，决策模块304和规划模块305可以集成为集成模块。决策模块304/规划模块305可以包括导航系统或导航系统的功能，以确定自动驾驶车辆的驾驶路径。例如，导航系统可以确定用于影响自动驾驶车辆沿着以下路径移动的一系列速度和前进方向：所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上避免感知到的障碍物。目的地可以根据经由用户接口系统113进行的用户输入来设定。导航系统可以在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可以将来自GPS系统和一个或多个地图的数据合并，以确定用于自动驾驶车辆的驾驶路径。

根据一个实施方式，拐角估计器或估计模块308配置成基于在时间点感知拐角的感知数据来估计或确定拐角的转弯半径，而不必使用地图或感知数据的定位过程。拐角估计器308包括特征提取器321和查找模块322。当ADV即将转过拐角时，特征提取器321配置成从感知数据中提取一组特征(即，车道特征)并基于提取的特征确定拐角进入点。查找模块322配置成在拐角映射表314中进行查找以定位与进入点匹配的条目并从匹配条目获得转弯半径。转弯半径可用于确定轨迹和相关的控制命令(例如，转向控制命令)以驾驶车辆转过拐角。

现在参照图4，当ADV面对拐角来转弯时，拐角可以是如实线所示的急转弯拐角或者是如虚线所示的微转弯拐角。可以基于从与拐角相关的感知数据提取的特征来识别拐角的这种特性。可用于表示拐角类型的特征可以包括转弯方向、车道曲线样式或形状、车道线颜色、车道样式类型(虚线或实线)等。用于转过急转弯拐角的投影轨迹401和用于转过微转弯拐角的投影轨迹402将是不同的，这是由于拐角的不同的转弯半径。通过识别拐角的特征，可以确定进入点。一旦确定了进入点，就可以在拐角映射表中执行查找操作，以获得对应于所讨论的拐角的预定转弯半径。转弯半径可用于规划转过拐角轨迹以驾驶车辆转过拐角，而不必使用地图或定位过程。

图5A示出了根据一个实施方式的拐角进入点索引表的示例。参考图5A，基于从与拐角相关的感知数据提取的特征集，这些特征可用于匹配存储在字段502至506中的预先配置的特征以搜索匹配条目。然后从匹配条目的字段501获得拐角进入点。基于进入点，可以在如图5B中所示的拐角映射表中执行查找操作，例如，通过匹配存储在字段601中的进入点来定位匹配条目。然后可以从匹配条目的字段602获得转弯半径。替代地，如图6中所示，可以使用用于估计拐角的转弯半径的机器学习模型，基于时间点从感知数据提取的特征集来估计转弯半径。此外，机器学习模型可以用于基于从拐角的感知数据提取的特征来确定拐角进入点，并且然后可以在如图5B中所示的拐角映射表中执行查找，以确定转弯半径。如上所述，可以使用从大量车辆收集的驾驶统计数据来训练机器学习模型。

图7是示出根据一个实施方式确定拐角的转弯半径的过程的流程图。过程700可以由处理逻辑执行，处理逻辑可以包括软件、硬件或其组合。例如，过程700可以主要由拐角估计器308执行。参考图7，在操作701中，处理逻辑基于从安装在ADV上的各种传感器获得的传感器数据来感知ADV周围的驾驶环境，包括识别ADV即将转过的拐角。在操作702中，处理逻辑从与要转过的拐角相关的感知数据中提取一个或多个特征的集合。

基于特征确定拐角进入点，例如，通过与如图5A中所示的进入点索引表中的特征进行匹配来确定拐角进入点。替代地，如图6中所示，可以将机器学习模型应用于提取的特征以确定拐角进入点。在操作703中，基于进入点在拐角映射表中执行查找操作以定位与进入点匹配的条目。在操作704中，从拐角映射表的匹配条目中获得转弯半径。替代地，可以使用应用于提取的特征的机器学习模型来执行操作703至704中所涉及的操作，以确定转弯半径。此外，可以通过将机器学习模型直接应用至与将转过的拐角相关的感知数据来产生转弯半径，从而替代操作702至704中所涉及的操作。在操作705中，使用转弯半径生成拐角转弯轨迹以控制ADV转过拐角。

图8是示出根据一个实施方式创建拐角映射表的过程的流程图。过程800可以由处理逻辑执行，处理逻辑可以包括软件、硬件或其组合。例如，过程800可以由拐角映射表生成器125执行。参考图8，在操作801中，处理逻辑定义拐角进入点类别集。拐角进入点类别中的每一个与描述转过拐角的特定驾驶场景的特征集相关或基于所述特征集定义。在操作802中，从各种车辆收集在车辆在不同驾驶环境下行驶时捕获的驾驶统计数据，包括在不同时间点处、在不同道路处的转过拐角。在操作803中，对于每个转过的拐角，处理逻辑将基于转过拐角的驾驶统计数据将转过拐角分类成与拐角进入点类别中的一个相关。基于驾驶统计数据获得转过拐角的转弯半径，其中，在车辆转过拐角时测量转弯半径。在操作804中，创建拐角映射表。拐角映射表包括许多映射条目。每个映射条目将拐角进入点类别中的一个映射到拐角转弯半径。可以基于在相同或相似类型的拐角中转弯的所有车辆的平均转弯半径来计算每次进入时的转弯半径。替代地，可以使用驾驶统计数据来训练机器学习模型以生成拐角估计模型，从而确定特定拐角的转弯半径。然后可以将拐角映射表和/或拐角估计模型上传到ADV以实时使用。

应注意，如上文示出和描述的部件中的一些或全部可以在软件、硬件或其组合中实施。例如，此类部件可以实施为安装并存储在永久性存储装置中的软件，所述软件可以通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。替代地，此类部件可以实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可以经由来自应用的相应驱动程序和/或操作系统来访问。此外，此类部件可以实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。

图9是示出可以与本公开的一个实施方式一起使用的数据处理系统的示例的框图。例如，系统1500可以表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统，例如，图1的感知与规划系统110或服务器103至104中的任何一个。系统1500可以包括许多不同的部件。这些部件可以实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如，计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。

还应注意，系统1500旨在示出计算机系统的许多部件的高阶视图。然而，应当理解的是，某些实施方式中可以具有附加的部件，此外，其它实施方式中可以具有所示部件的不同布置。系统1500可以表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外，虽然仅示出了单个机器或系统，但是术语“机器”或“系统”还应当被理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。

在一个实施方式中，系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可以表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可以表示一个或多个通用处理器，诸如，微处理器、中央处理单元(CPU)等。更具体地，处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501还可以是一个或多个专用处理器，诸如，专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。

处理器1501(其可以是低功率多核处理器套接口，诸如超低电压处理器)可以充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可以实施为片上系统(SoC)。处理器1501被配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可以包括与可选的图形子系统1504通信的图形接口，图形子系统1504可以包括显示控制器、图形处理器和/或显示装置。

处理器1501可以与存储器1503通信，存储器1503在一个实施方式中可以经由多个存储器装置实施以提供给定量的系统存储。存储器1503可以包括一个或多个易失性存储(或存储器)装置，诸如，随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器1503可以存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如，各种操作系统、装置驱动程序、固件(例如，输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可以加载到存储器1503中并由处理器1501执行。操作系统可以是任何类型的操作系统，例如，机器人操作系统(ROS)、来自

公司的

操作系统、来自苹果公司的

来自

公司的

LINUX、UNIX，或者其它实时或嵌入式操作系统。

系统1500还可以包括IO装置，诸如装置1505至1508，包括网络接口装置1505、可选的输入装置1506，以及其它可选的IO装置1507。网络接口装置1505可以包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如，全球定位系统(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。

输入装置1506可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置1504集成在一起)、指针装置(诸如，手写笔)和/或键盘(例如，物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如，输入装置1506可以包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可以使用多种触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种，以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。

IO装置1507可以包括音频装置。音频装置可以包括扬声器和/或麦克风，以促进支持语音的功能，诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可以包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如，PCI-PCI桥)、传感器(例如，诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置1507还可以包括成像处理子系统(例如，摄像机)，所述成像处理子系统可以包括用于促进摄像机功能(诸如，记录照片和视频片段)的光学传感器，诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可以经由传感器集线器(未示出)联接到互连件1510，而诸如键盘或热传感器的其它装置可以根据系统1500的具体配置或设计由嵌入式控制器(未示出)控制。

为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储，大容量存储设备(未示出)也可以联接到处理器1501。在各种实施方式中，为了实现更薄且更轻的系统设计并且改进系统响应性，这种大容量存储设备可以经由固态装置(SSD)来实施。然而，在其它实施方式中，大容量存储设备可以主要使用硬盘驱动器(HDD)来实施，其中较小量的SSD存储设备充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储，从而使得在系统活动重新启动时能够实现快速通电。另外，闪存装置可以例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可以提供系统软件的非易失性存储，所述系统软件包括所述系统的BIOS以及其它固件。

存储装置1508可以包括计算机可访问的存储介质1509(也被称为机器可读存储介质或计算机可读介质)，其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如，模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可以表示上述部件中的任一个，例如，规划模块305、控制模块306、拐角估计器308或拐角映射表生成器125。处理模块/单元/逻辑1528还可以在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内，数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可以通过网络经由网络接口装置1505进行传输或接收。

计算机可读存储介质1509也可以用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质，但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如，集中式或分布式数据库和/或相关的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质，所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此，术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质，或者任何其它非暂时性机器可读介质。

本文所述的处理模块/单元/逻辑1528、部件以及其它特征可以实施为分立硬件部件或集成在硬件部件(诸如，ASICS、FPGA、DSP或类似装置)的功能中。此外，处理模块/单元/逻辑1528可以实施为硬件装置内的固件或功能电路。此外，处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。

应注意，虽然系统1500被示出为具有数据处理系统的各种部件，但是并不旨在表示使部件互连的任何特定架构或方式；因为此类细节和本公开的实施方式没有密切关系。还应当认识到，具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可以与本公开的实施方式一起使用。

前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式，以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中，算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。

然而，应当牢记，所有这些和类似的术语均旨在与适当的物理量关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储设备、传输或显示装置内类似地表示为物理量的其它数据。

本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。

前述附图中所描绘的过程或方法可以由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可以按不同的顺序执行。此外，一些操作可以并行地执行而不是顺序地执行。

本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到，可以使用多种编程语言来实施如本文描述的本公开的实施方式的教导。

在以上的说明书中，已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下，可以对本公开作出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。

Claims (20)

1.一种用于操作自动驾驶车辆的计算机实施的方法，所述方法包括：

基于从多个传感器获得的传感器数据感知自动驾驶车辆(ADV)周围的驾驶环境；

从所述驾驶环境的感知数据中提取一个或多个特征的集合，以表示所述ADV即将转弯的拐角的进入点；

基于所述进入点在拐角映射表中执行查找操作，以定位与所述进入点匹配的映射条目；

从先前配置的匹配映射条目中获取拐角转弯半径；以及

基于所述拐角转弯半径协商拐角转弯轨迹以控制所述ADV转过所述拐角。

2.根据权利要求1所述的方法，其中，在不必使用地图或定位过程的情况下基于所述感知数据获得所述拐角转弯半径。

3.根据权利要求1所述的方法，其中，所述拐角映射表包括多个映射条目，每个映射条目将特定进入点映射到特定拐角转弯半径。

4.根据权利要求1所述的方法，其中，从感知数据中提取一个或多个特征的集合包括基于所述感知数据确定所述ADV相对于所述拐角是向右转还是向左转。

5.根据权利要求1所述的方法，其中，从感知数据中提取一个或多个特征的集合包括基于所述感知数据确定当前车道关于所述拐角的车道曲线。

6.根据权利要求1所述的方法，其中，从感知数据中提取一个或多个特征的集合包括识别所述ADV正行驶的车道关于所述拐角的一个或多个车道标记。

7.根据权利要求6所述的方法，还包括识别所述车道的车道线，并确定朝向所述拐角弯曲的车道线与所述车道的车道方向之间的角度，其中，所述角度用作所述集合中的所述特征的一部分。

8.根据权利要求1所述的方法，所述拐角映射表是基于从在相同或相似的转过拐角驾驶场景下行驶的多个车辆收集的驾驶统计数据创建的，包括测量每个拐角的转弯半径。

9.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时使所述处理器执行操作，所述操作包括：

基于从多个传感器获得的传感器数据感知自动驾驶车辆(ADV)周围的驾驶环境；

从所述驾驶环境的感知数据中提取一个或多个特征的集合，以表示所述ADV即将转弯的拐角的进入点；

基于所述进入点在拐角映射表中执行查找操作，以定位与所述进入点匹配的映射条目；

从先前配置的匹配映射条目中获取拐角转弯半径；以及

基于所述拐角转弯半径协商拐角转弯轨迹以控制所述ADV转过所述拐角。

10.根据权利要求9所述的机器可读介质，其中，在不必使用地图或定位过程的情况下基于所述感知数据获得所述拐角转弯半径。

11.根据权利要求9所述的机器可读介质，其中，所述拐角映射表包括多个映射条目，每个映射条目将特定进入点映射到特定拐角转弯半径。

12.根据权利要求9所述的机器可读介质，其中，从感知数据中提取一个或多个特征的集合包括基于所述感知数据确定所述ADV相对于所述拐角是向右转还是向左转。

13.根据权利要求9所述的机器可读介质，其中，从感知数据中提取一个或多个特征的集合包括基于所述感知数据确定当前车道关于所述拐角的车道曲线。

14.根据权利要求9所述的机器可读介质，其中，从感知数据中提取一个或多个特征的集合包括识别所述ADV正行驶的车道关于所述拐角的一个或多个车道标记。

15.根据权利要求14所述的机器可读介质，所述操作还包括识别所述车道的车道线，并确定朝向所述拐角弯曲的车道线与所述车道的车道方向之间的角度，其中，所述角度用作所述特征的集合的一部分。

16.根据权利要求9所述的机器可读介质，所述拐角映射表是基于从在相同或相似的转过拐角驾驶场景下行驶的多个车辆收集的驾驶统计数据创建的，包括测量每个拐角的转弯半径。

17.一种确定用于自动驾驶的拐角的拐角配置的计算机实施的方法，所述方法包括：

定义拐角进入点类别的集合，其中，所述进入点中的每个与描述转过拐角的驾驶场景的特征集相关联；

从多个车辆收集在不同的驾驶环境下行驶时捕获的驾驶统计数据，在不同的驾驶环境下行驶包括在不同道路和不同时间点处转过拐角；

对于每个转过的拐角，基于所转过拐角的驾驶统计数据将所转过的拐角分类为与定义的拐角进入点类别的集合之一相关联；以及

生成具有多个映射条目的拐角映射表，其中，每个映射条目将所述拐角进入点类别中的一个映射到预定的拐角转弯参数，其中，所述拐角映射表用来确定随后用于拐角转弯的转向命令。

18.根据权利要求17所述的方法，其中，所述预定的拐角转弯参数包括拐角的转弯半径。

19.根据权利要求17所述的方法，其中，所述特征集包括表示拐角是左转弯拐角还是右转弯拐角的指示。

20.根据权利要求17所述的方法，其中，所述特征集包括通向拐角的车道的车道曲线形状。

Images