CN111736142A - 用于雷达交叉交通跟踪和操纵风险评估的系统和方法 - Google Patents

用于雷达交叉交通跟踪和操纵风险评估的系统和方法 Download PDF

Info

Publication number
CN111736142A
CN111736142A CN202010165065.7A CN202010165065A CN111736142A CN 111736142 A CN111736142 A CN 111736142A CN 202010165065 A CN202010165065 A CN 202010165065A CN 111736142 A CN111736142 A CN 111736142A
Authority
CN
China
Prior art keywords
vehicle
processor
candidate
detection
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010165065.7A
Other languages
English (en)
Other versions
CN111736142B (zh
Inventor
L.A.布什
M.S.巴伊瓦
S.曾
R.A.斯普拉格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN111736142A publication Critical patent/CN111736142A/zh
Application granted granted Critical
Publication of CN111736142B publication Critical patent/CN111736142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4045—Intention, e.g. lane change or imminent movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
    • G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9323—Alternative operation using light waves

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种风险操纵评估系统和方法，其产生车辆环境的感知和用于车辆的行为决策制定模型；传感器系统配置为将传感器输入提供到环境中以用于过滤目标对象；一个或多个模块配置为映射和跟踪目标对象，以将来自多个候选检测中的一个候选检测作为跟踪的目标对象的真实候选检测；在动态跟踪的目标的真实检测下，应用马尔可夫随机场(MRF)算法用于识别车辆的当前状况并预测执行规划的车辆操纵的风险；应用映射功能到环境的感测数据，用于配置车辆的决策制定行为的机器学习模型；和应用适应性阈值到占用网格的用于表示车辆环境内的对象的跟踪区域的单元。

Description

用于雷达交叉交通跟踪和操纵风险评估的系统和方法
技术领域
本公开总体上涉及预决策操纵风险规划，并且更具体地涉及车辆中的系统和方法，其用于生成不确定性指标的更完整表示，以在减少的感测信息的条件下用于预决策操纵风险规划。
背景技术
车辆感知系统已经被引入到车辆中，以允许车辆感测其环境，并且在某些情况下，允许车辆自主或半自主地导航。可以在车辆感知系统中使用的传感装置包括雷达、激光雷达、图像传感器等。
尽管近年来在车辆感知系统方面取得了显著进步，但是这种系统仍需要在许多方面进行改进。也就是说，雷达，尤其是在车辆应用中使用的雷达，可以提供具有明显的检测、速度和位置不确定性的数据。即，在一定条件下，当被用作进一步处理步骤的基础时，雷达可以在这样的情况下操作：雷达扫描检测产生减少的信息量，且返回阻止实现或无法实现对于操纵规划操作的目标对象跟踪的车辆检测操作所需的精确度的结果。
因此，希望的是，通过关于车辆的来自雷达扫描检测(或类似物)的结果的不确定性指标的更完整表示，提供用于车辆的操纵风险规划的预决策(尚未决策)的改进的系统、装置和方法，其导致减少的感测数据的量，所述感测数据的量能导致用于确定车辆操纵中的操纵风险评估的不确定性的不完整表示。
此外，根据随后的详细描述和所附权利要求，结合附图以及前述技术领域和背景技术，本发明的其他期望特征和特性将变得显而易见。
发明内容
提供了用于操纵风险评估的雷达检测中的不确定性的增强表示的系统和方法。
在一个实施例中，提供了一种规划车辆的具有不确定性的操纵的风险操纵评估系统。该系统包括第一控制器，具有被编程为生成车辆环境的感知的处理器和用于车辆的行为决策制定模型，包括对传感器输入进行计算，以提供动作风险映射和用于车辆环境中的不同区域的至少一个目标对象跟踪作为输出；传感器系统，配置为向处理器提供传感器输入，以用于提供车辆环境中的用于过滤目标对象的区域；一个或多个模块，配置为通过处理器映射和跟踪目标对象，以从真实候选检测的多个候选检测中进行候选检测，作为被跟踪的目标对象；一个或多个第一模块被配置为通过处理器应用马尔可夫随机场(MRF)算法，用于识别环境中车辆的当前状况并预测在动态被跟踪目标的真实检测的情况下执行规划的车辆操纵的风险；一个或多个第二模块被配置为通过处理器将映射功能应用于环境的感测数据，用于配置车辆的决策制定行为的机器学习；一个或多个第三模块被配置为通过处理器将适应性阈值应用于被配置为表示车辆环境内对象的跟踪区域的占用网格的单元；以及具有处理器的第二控制器，其被配置为针对规划的车辆操纵，根据决策制定行为的模型和车辆环境的感知来生成控制命令。
在各种示例性实施例中，系统还包括一个或多个第一模块，被编程为生成马尔可夫随机场(MRF)以识别当前状况。系统还包括第二模块和/或第三模块中的一个或多个，其进一步被配置为选择在目标半径范围内的候选检测中的至少一个作为真实检测，以及最接近第一已知映射路径的候选检测。该系统还包括：第二和/或第三模块中的一个或多个，其进一步被配置为，选择指示与在第二已知行驶映射路径上行驶的目标一致的位置和速度的候选作为真实检测，并且选择指示在第二已知路径之外的位置或与目标行驶不一致的速度作为错误检测。
所述系统进一步包括第四模块，被配置为通过门控操作来计算从跟踪的目标对象的最后位置到预测位置的距离度量，该距离度量小于与一个或多个候选检测有关的阈值距离。所述系统进一步包括：一个或多个第五模块，被配置为通过处理器按以下方式在占用网格的一个或多个单元中应用代表被跟踪目标对象的马尔可夫随机场(MRF)算法：对于在占用网格中的一个或多个单元中表示的每个被跟踪目标对象，计算对象测量密度；将密度分布在一个窗口上，该窗口包括由被跟踪的目标对象表示的占用网格的一组单元；在窗口上分布速度，该窗口包括由被跟踪的目标对象表示的占用网格的同一组单元。
系统还包括一个或多个第六模块，被配置为通过处理器将映射功能应用于环境的感测数据，用于通过使用半监督机器学习技术通过在线和离线训练而训练的动作风险评估模型来配置车辆的决策制定行为的机器学习(ML)模型，用于将功能映射到候选操作，以确定具有风险因子的已学习可驾驶路径。所述系统进一步包括：第七模块，被配置为通过处理器执行ML模型的离线训练，包括：收集标签，共同收集占用速度网格，从占用网格提取特征，并至少应用支持向量机(SVM)技术来识别候选动作的类模式，以通过风险因子确定学习的可驾驶路径。
该系统还包括：第八模块，被配置为通过处理器将适应性阈值应用至被配置为表示车辆环境内的对象的跟踪区域的占用网格的单元，包括：第九模块，被配置为通过处理器通过适应性阈值占用密度，基于计算的密度分布，计算候选动作可用于目标跟踪对象的可能性，并选择具有最高可用概率的候选动作；第十模块，被配置为通过处理器计算用于一组候选动作的速度聚类的聚类，以选择指示与被学习的可驾驶路径一致的位置的目标跟踪对象。使用强化学习技术，使用过去收集的标签和可驾驶路径的传感器数据的数据组来训练ML模型，其中，第八模块配置为选择可能有助于可驾驶路径之一的候选动作，其中传感器数据位于至少包括以下之一：雷达、声学、激光雷达或图像传感器数据。
在另一示例性实施例中，一种车辆包括：传感器检测传感装置，其包括具有雷达、声学、激光雷达和图像传感装置的一个组中的一个或多个；风险操纵评估系统，用于评估规划的操纵中的一个或多个不确定性因子；多个模块，被配置为通过处理器生成车辆的环境的感知，并且提供了输出用于跟踪环境中的不同区域的目标输出。该车辆包括：多个模块，该多个模块包括：一个或多个模块，其被配置为通过处理器映射和跟踪目标对象，以从多个候选检测中指定一候选检测为真实候选检测，作为被跟踪的目标对象；一个或多个模块，其被配置为通过处理器应用马尔可夫随机场(MRF)算法，用于识别环境中车辆的当前状况并用于预测在动态被跟踪目标的真实检测的情况下执行规划的车辆操纵的风险；一个或多个模块，其被配置为通过处理器将映射功能应用于环境的感测数据，用于配置车辆的决策制定行为的机器学习；一个或多个模块，其被配置为通过处理器将适应性阈值应用于被配置为表示环境内对象的跟踪区域的占用网格的单元；以及具有处理器的控制器，其被配置为针对规划的车辆操纵，根据决策制定行为的模型和车辆环境的感知来生成控制命令。
在各种示例性实施例中，一个或多个模块被编程为生成马尔可夫随机场(MRF)以识别当前状况。该系统还包括：被配置为选择真实检测的一个或多个模块，包括：第一模块，配置为选择在目标半径内的候选检测作为真实检测；以及第二模块，配置为选择最接近第一已知映射路径的候选检测作为真实检测。
该系统还包括：进一步被配置为选择真实检测的一个或多个模型，包括：第三模型，其配置为选择指示与在第二已知行驶映射路径上行驶的目标一致的位置和速度的候选作为真实检测，且该第三模型配置为选择指示在第二已知路径之外的位置或与目标行驶不一致的速度作为错误检测。
所述系统进一步包括配置为选择真实检测的一个或多个模块，所述一个或多个模块包括第四模块，被配置为通过门控操作来计算从跟踪的目标对象的最后位置到预测位置的距离度量，该距离度量小于与一个或多个候选检测有关的阈值距离。所述一个或多个模块被配置为通过处理器在占用网格的一个或多个单元中应用代表被跟踪目标对象的马尔可夫随机场(MRF)算法还包括：第五模块被配置为对于在占用网格中的一个或多个单元中表示的每个被跟踪目标对象，计算对象测量密度；第六模块被配置为将密度分布在一窗口上，该窗口包括由被跟踪的目标对象表示的占用网格的一组单元；第七模块被配置为将密度分布在一窗口上，该窗口，该窗口包括由被跟踪的目标对象表示的占用网格的同一组单元。
一个或多个模块被配置为通过处理器将映射功能应用于环境的被感测的数据，用于配置车辆的决策制定行为的机器学习(ML)模型，所述一个或多个模块还包括：第八模块，包括使用半监督机器学习技术通过在线和离线训练而训练动作风险评估模型，用于将功能映射到候选动作，以通过风险因子确定学习的可驾驶路径，其中，ML模型的离线训练中的第八模块包括：收集标签，共同收集占用速度网格，从占用网格提取特征，并至少应用支持向量机(SVM)技术，来识别候选动作的类模式，以通过风险因子确定所学习的可驾驶路径。
一个或多个模块用于将适应性阈值应用于配置为表示车辆环境内的对象跟踪区域的占用网格的单元，该一个或多个模块包括：第九模块，被配置为通过适应性阈值占用密度，基于计算的密度分布，计算候选动作可用于目标被跟踪对象的可能性，并选择具有可用的最高概率的候选动作；和第十模块，被配置为针对一组候选动作计算用于速度聚类的聚类，以选择指示与所学习的可驾驶路径一致的位置的目标被跟踪对象。使用强化学习技术，使用过去收集的标签和可驾驶路径的雷达数据的数据组，通过强化学习技术来训练ML模型，其中，八个模块配置为选择可能有助于可驾驶路径之一的候选动作。
在又一个实施例中，提供了一种车辆的规划系统。该系统包括：传感器系统，被配置为将传感器输入提供给处理器，用于在车辆环境中提供用于过滤目标对象的区域；以及非暂时性计算机可读介质，包括：第一模块，被配置为通过处理器选择在目标的半径内的候选检测作为真实检测；第二模块，配置为通过处理器选择最接近第一已知映射路径的候选检测作为真实检测；第三模块，被配置为通过处理器选择真实检测，该候选指示与在第二已知行程映射路径上行驶的目标相一致的位置和速度，以及第三模块，配置为选择错误检测，该候选指示在第二已知路径之外的位置或与目标行驶不一致的速度；第四模块，被配置为通过处理器通过门控操作来计算从被跟踪目标对象的最后位置到预测位置的距离度量，该距离度量小于与一个或多个候选检测有关的阈值距离；第五模块，用于通过处理器为在所述占用网格的一个或多个单元中表示的每个跟踪目标对象计算对象测量密度；第六模块，被配置为通过处理器将密度分布在窗口上，所述窗口包括由跟踪的目标对象表示的占用网格的一组单元；第七模块，被配置为通过处理器将速度分布在窗口上，所述窗口包括由跟踪的目标对象表示的占用网格的同一组单元；第八模块包括使用半监督机器学习技术通过在线和离线训练来训练的动作风险评估模型，用于将功能映射到候选动作，以通过风险因子确定学习的可驾驶路径，其中，在ML模型的离线训练中，第八模块被配置为通过处理器收集标签，共同收集占用速度网格，从占用网格中提取特征，并至少应用支持向量机(SVM)技术，用于识别候选动作的类模式，以通过风险因子确定学习的驾驶路径；第九模块，被配置为通过处理器通过适应性阈值占用密度，基于计算的密度分布，计算候选动作可用于目标被跟踪对象的可能性，并选择具有可用的最高概率的候选动作；第十模块被配置为通过处理器针对一组候选动作计算用于速度聚类的聚类，以选择指示与所学习的可驾驶路径一致的位置的目标被跟踪对象；其中，使用强化学习技术，使用过去收集的标签和可驾驶路径的雷达数据的数据组，通过强化学习技术来训练ML模型，其中，八个模块配置为选择可能有助于可驾驶路径之一的候选动作。
附图说明
在下文中将结合以下附图描述示例性实施例，其中，相同的标号表示相同的元件，并且其中：
图1示出了根据各种实施例的示例性车辆，其包括使用来自感测的雷达数据的不确定性指标的更完整表示的雷达检测风险操纵规划模块；
图2是示出了根据各种实施例的与自主车辆相关联的自动驾驶系统(ADS)的功能框图；
图3是示出了根据各种实施例的用于车辆中的示例性雷达检测操纵风险规划模块的框图；
图4是示出了根据各种实施例的示例性预过滤模块与跟踪门控一起使用、以在从雷达传感器接收的多个雷达候选检测之间选择更可能的真实检测的示例图示的示图；
图5是示出了根据各种实施例的使用示例马尔可夫随机场(MRF)模块来生成置信状态马尔可夫模型以在交叉交通检测上跟踪不确定性的示例图示的示图；
图6是描绘了根据各种实施例的示例性动作风险评估模块的示例性表示的示图，所述动作风险评估模块通过半监督机器学习(ML)模型和训练，使用路径规划数据，在多个动作候选检测中选择更可能的真实动作候选，以预测可驾驶路径；
图7是描绘了根据各种实施例的用于对象跟踪的示例性对象提取的使用的示图，其使用适应性阈值占用网格密度单元；和
图8是一过程流程图，其示出了根据各种实施例的、用于基于多个雷达候选检测来预测可驾驶路径的不确定性的操纵风险评估的示例过程。
具体实施方式
以下详细描述本质上仅是示例性的，并不旨在限制应用和使用。此外，无意受到在先前技术领域、背景技术、发明内容或以下详细描述中提出的任何明示或暗示的理论的约束。如本文所使用的，术语模块是指任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置，单独地或以任何组合，包括但不限于：专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、执行一个或多个软件或固件程序的处理器(共享的、专用的或组)和存储器、组合逻辑电路和提供描述的功能的其他合适的部件。
这里可以根据功能和/或逻辑块部件以及各种处理步骤来描述本公开的实施例。应当理解，可以通过被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现这样的块部件。例如，本公开的实施例可以采用各种集成电路部件，例如存储器元件、数字信号处理元件逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制装置的控制下执行各种功能。另外，本领域技术人员将理解，可以结合任何数量的系统来实践本公开的实施例，并且本文描述的系统仅仅是本公开的示例性实施例。
在复杂的动态环境中运行的自主车辆需要以实时方式将不可预测的情况和原因一般化、以便即使在复杂的城市情况下也能达到水平可靠性并安全地做出反应的方法。明智的决策需要准确的感知。然而，当前的计算机视觉系统尚未达到对于自主导航可接受的错误率。通过将决策制定、控制和感知与机器学习技术以及此处所述的复杂规划和决策方法相结合，可能是一种可行的选择。
为了简洁起见，与信号处理、数据传输、信令、控制、机器学习模型、雷达、激光雷达、图像分析和系统其他功能方面(以及系统的各个操作部件)相关的常规技术可能不会在这里详细描述。此外，本文包含的各个附图中所示的连接线旨在表示各个元件之间的示例性功能关系和/或物理联接。应当注意，在本公开的实施例中可以存在许多替代或附加的功能关系或物理连接。
本文描述的主题公开了用于操作车辆的操纵控制和规划系统的装置、系统、技术和物品。所描述的装置、系统、技术和物品与车辆的传感器系统以及控制器相关联，所述控制器用于从传感器系统的一个或多个传感装置接收具有不确定性水平的输入，以用于实时或在不久的将来或在将来确定、规划、预测和/或执行车辆操纵。为此，控制器可以采用至少一种适应性算法，该算法通过有限的可用传感器数据和/或在先验传感器数据利用不确定性指标。
传感装置可以包括用于收集各种传感器数据的不同操作模式的传感器的组合。例如，传感装置可以包括一个或多个相机以及基于雷达或基于激光的传感装置(例如，激光雷达传感装置)。也就是说，虽然本公开内容详细描述了基于雷达的扫描检测，但是可以预期，本公开内容不应因此受限，而是包括单独或组合使用的各种不同的传感装置，例如包括声学、激光雷达、图像和IR传感器类型装置的传感装置。
在操作期间，传感器系统可收集传感器数据，该数据由控制器的处理器接收。处理器可以被编程为将传感器数据转换成具有关于车辆和/或其环境的不确定性因子的感知(即，置信(belief))模型，以用于决策或预决策操纵规划。例如，处理器可以确定周围车辆相对于主题车辆位于何处，预测周围车辆的路径，确定和跟踪当前车辆路径，识别路面标记，定位行人和骑自行车的人以及预测他们的运动，以及以即将制定的决策的不确定性的表示对未来车辆操纵进行预测，等。
在一些实施例中，处理器生成具有多个单元的占用网格，该多个单元共同表示车辆的感知环境。处理器为占用网格内的不同单元计算至少一个感知数据。感知数据代表车辆环境的感知元素。处理器生成用于不同单元的不确定性(即不确定性因子)的表示，其中不确定性表示可以指示处理器关于与单元相关联的感知和未来操纵的不确定性，以作为更完整表示的手段，并考虑这种不确定性的因子。可以使用一种或多种评估应用，例如贝叶斯、马尔可夫或其他统计算法，从为车辆传感器接收的传感器输出中计算感知数据和不确定性因子。
当车辆运行时，可以连续地更新包括在网格的单元中的感知(即不确定性的感知)以及各个不确定性因子。另外，处理器确定占用网格内不同单元的情境相关性。可以以各种方式确定相关性。
本文公开的装置、系统、方法可以利用来自车辆中存在的其他传感器(例如，相机，其他雷达)的结果，以实现不确定性的更完整表示以确定预决策操纵风险指标，这避免了由于车辆操纵规划中引起的表示而导致的信息减少的问题。
在各种示例性实施例中，决策指标仍然可以与其他预决策指标组合在一起，以在不确定性下实现更好的规划。
在各种示例性实施例中，所描述的装置、系统、方法可以被组合并且增强来自后端处理方法的结果，该后端处理方法经由表示将数据产品提供给感知融合，以在不确定性下实现更准确的操纵规划。
本文公开的装置、系统、方法使用不确定性的更完整表示来确定预决策操纵风险指标，这避免了由于表示而导致信息减少的问题。此外，预决策指标仍然可以与其他多种方法和/或其他预决策指标和规划目标结合，以在不确定性下实现更好的规划。
在各种实施例中，本公开提供了使用占用速度置信状态密度网格和置信状态马尔可夫模型来跟踪交叉交通检测和感知的不确定性的装置、系统、方法。
在各种实施例中，本公开提供了执行监督、无监督和评估建模的装置、系统和方法，所述监督、无监督和评估建模通过增强的不确定性表示来学习和预测执行某些操纵的风险，例如在有和没有提取到传统对象跟踪的情况下在交叉口处会入交通，其用于方便地将传感器数据与车辆其他传感器(例如相机、激光雷达)的输出融合在一起。
在各种实施例中，本公开提供了用于车辆的如下操纵的装置、系统和方法：会入交通、在高的不确定性的感测下规划会入操纵、更鲁棒地处理不确定性、处理复杂(多模式)的车辆存在分布评估、以及将更高复杂度信息直接传送到区分性的预决策数据产品。
在各种实施例中，本公开提供了用于车辆操纵的装置、系统和方法，所述车辆操纵为：各种复杂事物的多种方法、操纵风险的强化学习、占用速度网格马尔可夫模型跟踪、附加的存在或脱机传感器的利用、和与现存传统跟踪和融合系统的整合。
在各种实施例中，本公开提供了装置、系统和方法，其用于针对特定的感兴趣区域的操纵风险规划，且仅通过置信状态空间中的预测而用于当前置信状态，以确定从当前状态可达到的那些置信状态。
代替使感知模块和风险操纵规划模块保持分离，本文描述了替代的框架，其训练感知模块的某些部分，以合并来自风险操纵规划模块的部分任务。
图1描绘了示例车辆100，其包括交叉交通跟踪和操纵风险评估规划模块，其用于根据来自雷达系统(和/或其他传感器)的感测数据来生成不确定性指标302的完整表示(以下称为“操纵风险规划模块”)。如图1所示，车辆100通常包括底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上并且基本上包围车辆100的部件。车身14和底盘12可以共同形成框架。车轮16-18每个在车身14的相应拐角附近旋转地联接至底盘12。
在各种实施例中，车辆100可以是自主车辆或半自主车辆。自主车辆100例如是自动控制以将乘客从一个位置运送到另一位置的车辆。车辆100在所示实施例中被描述为乘用车，但是也可以使用其他类型的车辆，包括摩托车，卡车，运动型多用途车(SUV)，休闲车(RV)，轮船，飞机等。
如图所示，车辆100通常包括推进系统20，传动系统22，转向系统24，制动系统26，传感器系统28，致动器系统30，至少一个数据存储装置32，至少一个控制器34，和通讯系统36。在各种实施例中，推进系统20可包括内燃机、诸如牵引电动机的电机和/或燃料电池推进系统。传动系统22构造成根据可选择的速比将动力从推进系统20传递到车轮16和18。根据各种实施例，传动系统22可包括有级传动比自动变速器、无级变速器或其他合适的变速器。
制动系统26构造成向车轮16和18提供制动扭矩。在各种实施例中，制动系统26可以包括摩擦制动、线制动、诸如电动机的再生制动系统和/或其他合适的制动系统。
转向系统24影响车轮16和/或18的位置。尽管出于说明性目的被描绘为包括方向盘25，但是在本发明的范围内所预期的一些实施例中，转向系统24可以不包括方向盘。
传感器系统28包括一个或多个传感装置40a-42n，其感测车辆100的外部环境和/或内部环境的可观察到的状况(例如一个或多个乘员的状态)。传感装置40a-42n包括但不限于雷达(例如，长距离，中距离-短距离)、激光雷达、全球定位系统、光学相机(例如，前向，360度，后向，侧面，立体声等)、热(例如红外)相机、超声传感器、测距传感器(例如编码器)和/或其他传感器，这些传感器可与根据本主题的以下系统和方法结合使用。
致动器系统30包括一个或多个致动器装置40a-42n，其控制一个或多个车辆特征，例如但不限于推进系统20、传动系统22、转向系统24和制动系统26。在各种实施例中，车辆100还可以包括在图1中未示出的内部和/或外部车辆特征，例如各种门、行李箱和舱室特征，例如空气、音乐、照明、触摸屏显示组件(例如与导航系统结合使用的那些)等。
数据存储装置32存储用于自动控制车辆100的数据。在各种实施例中，数据存储装置32存储可导航环境的定义的地图。在各种实施例中，定义的地图可以由远程系统预定义并从远程系统获得。例如，所定义的地图可以由远程系统组装，并且(无线地和/或以有线方式)通信至车辆100，并且存储在数据存储装置32中。路线信息也可以存储在数据存储装置32中——即，一组路段(在地理上与一个或多个已定义的地图相关联)，这些路段一起定义了用户可以从起始位置(例如(即用户的当前位置)到目标位置行驶的路线。应当理解，数据存储装置32可以是控制器34的一部分，与控制器34分开，或者是控制器34的一部分并且是单独系统的一部分。
控制器34包括至少一个处理器44和计算机可读存储装置或介质46。处理器44可以是任何定制或可商购的处理器、中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)(例如，实现神经网络的定制ASIC)、现场可编程门阵列(FPGA)、与控制器34相关联的多个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、其任何组合、或通常用于执行指令的任何装置。例如，计算机可读存储装置或介质46可以包括只读存储器(ROM)、随机存取存储器(RAM)和保持活动存储器(KAM)中的易失性和非易失性存储。KAM是持久性或非易失性存储器，其可以在处理器44关电时用于存储各种操作变量。可以使用许多已知的存储装置中的任何一种来实现计算机可读存储装置或介质46，例如PROM(可编程只读存储器)，EPROM(电PROM)，EEPROM(电可擦除PROM)，闪存或任何其他能够存储数据的其他电、磁、光或组合存储装置，其中一些代表在控制车辆100时通过控制器34使用的可执行指令。在各种实施例中，控制器34被配置为实施映射系统，如下面详细讨论的。
指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。指令在通过处理器44执行时，接收并处理来自传感器系统28的信号(例如，传感器数据)，执行用于自动控制车辆100的部件的逻辑、计算、方法和/或算法，并产生控制信号，所述控制信号被发送到致动器系统30以基于逻辑、计算、方法和/或算法来自动控制车辆100的部件。尽管在图1中仅显示了一个控制器34，但车辆100的实施例可以包括任意数量的控制器34，它们通过任何合适的通信介质或通信介质的组合进行通信，并协作处理传感器信号，执行逻辑、计算、方法和/或算法，并生成控制信号以自动控制车辆100的特征。
通信系统36被配置为与其他实体48进行无线通信，例如，但不限于，其他车辆(“V2V”通信)，基础设施(“V2I”通信)，网络(“V2N”通信)，行人(“V2P”通信)，远程运输系统和/或用户装置。在示例性实施例中，通信系统36是无线通信系统，其被配置为使用IEEE802.11标准或通过使用蜂窝数据通信经由无线局域网(WLAN)进行通信。然而，在本公开的范围内还考虑了诸如专用短程通信(DSRC)信道之类的附加或替代通信方法。DSRC信道是指专门为车辆使用而设计的单向或双向短程到中程无线通信通道，以及一组相应的协议和标准。
根据各种实施例，控制器34可以实现如图2所示的自主驾驶系统(ADS)70。也就是说，控制器34的合适的软件和/或硬件组件(例如，处理器44和计算机可读存储装置46)可以用于提供与车辆100结合使用的自主驾驶系统70。
在各种实施例中，自主驾驶系统70的指令可以按功能或系统来组织。例如，如图2所示，自主驾驶系统70可包括感知系统74，定位系统76，路径规划系统78和车辆控制系统80。可以理解，在各种实施例中，由于本公开不限于本示例，可以将所述指示组织成任何数量的系统(例如，组合的，进一步分区等)。
在各种实施例中，感知系统74合成并处理所获取的传感器数据，并预测车辆100的环境的对象和特征的存在、位置、分类和/或路径。在各种实施例中，感知系统74可以合并来自多个传感器(例如，传感器系统28)的信息，包括但不限于相机、激光雷达、雷达和/或任何数量的其他类型的传感器。在各种实施例中，雷达检测的全部或部分可以被包括在感知系统74内。
定位系统76与其他数据一起处理传感器数据以确定车辆100相对于环境的位置(例如，相对于地图的局部位置，相对于道路的车道的准确位置，车辆行驶方向等)。可以理解，可以采用多种技术来完成该定位，包括例如同时的定位和映射(SLAM)，粒子滤波器，卡尔曼滤波器，贝叶斯滤波器等。
路径规划系统78与其他数据一起处理传感器数据，以确定车辆100要遵循的路径。车辆控制系统80根据确定的路径生成用于控制车辆100的控制信号。
在各种实施例中，控制器34实施机器学习技术以辅助控制器34的功能，例如特征检测/分类，障碍缓解，路线行驶，地图绘制，传感器集成，地面真相确定等。
在各种实施例中，定位系统76被配置为确定车辆100位于或定位在网格(即，占用网格)内的位置，并且动态对象检测确定在网格内移动对象相对于车辆100(而不是相对于车辆100)定位的位置。来自传感装置40a-40n的传感器输入可以由操纵风险规划模块302处理，以做出这些确定。同样，在一些实施例中，车辆定位系统76和/或路径规划系统78与其他实体通信，以确定车辆100与周围车辆、行人、骑自行车的人和其他动态对象的相对位置。
更具体地，风险操纵规划模块302的传感器输入144可以是来自一个或多个传感装置40a-40n的基于雷达和/或基于激光(激光雷达)的检测。操纵风险规划模块302可以过滤并确定哪些检测是动态对象(实际上在路上的运动对象)。
操纵风险规划模块302可以处理该信息并生成马尔可夫随机场(MRF)(即，马尔可夫网络，无方向图形模型等)，以表示其中的依赖性。使用该信息并使用强化训练过程，操纵风险规划模块302可以确定(即，预测)与发起(即执行)特定操纵相关的风险(例如，右转进入交叉交通)。
根据该预测功能，操纵风险规划模块302可以确定各个单元影响风险预测输出的程度。在一些实施例中，操纵风险规划模块302可以识别哪些传感装置40a-40n对操纵风险预测具有最大影响，并且那些传感装置40a-40n可以与单元中的某些单元相关。操纵风险规划模块302把被识别为对风险预测具有较高影响的单元152识别为比其他单元更相关。
图3是展示了示例性操纵风险规划模块302的水平框图，操纵风险规划模块302用于提供动作风险评估和对象提取数据，以在车辆的行为和感知系统内使用。示例性操纵风险规划模块302被配置为，对于目标检测，通过来自预过滤模块310的预过滤传感数据，将一个或多个跟踪和评估模块应用于来自雷达305(具有n次扫描(ΔT))的多个雷达扫描检测，以配置占用速度置信状态密度网格。
在各种示例性实施例中，操纵风险规划模块确定相关不确定性指标(即，也称为不确定性因子)，其包括用于不同区域的相关不确定性指标。这包括处理传感器数据以：识别车辆的当前状况并相应地预决策预测不确定性指标以用于评估执行特定车辆操纵的风险；在预决策规划中确定特定的不确定性指标在预测上对不同区域的影响程度；根据确定的影响程度计算不同区域的操纵风险相关因子，包括对具有较高影响程度的区域计算较高的操纵风险相关因子。而且，来自AV感知模块335的控制命令包括根据不确定性指标和操纵风险相关因子来产生对于操纵的控制命令。
操纵风险规划模块302被编程为从马尔可夫随机场模块315生成马尔可夫随机场(MRF)，以识别当前状况，并且用于应用置信状态马尔可夫模型，以从在所描述的一时间段接收的雷达扫描数据检测确定对目标(即交叉交通)对象的不确定性指标。示例性操纵风险规划模块302中的多个模块包括马尔可夫随机场(MRF)模块315，用于识别当前状况，用于生成占用速度网格数据，以及用于填充占用速度网格的单元。动作风险评估模块320在占用速度的单元中接收数据，并为映射到这些单元的动作生成不确定性指标用于动作风险映射和预决策指定。对象提取模块325对于来自雷达传感器305输入的公共感知区域，基于来自在占用速度网格中填充的单元的数据生成对象跟踪，提供与相关性不确定性指标相对应的对象跟踪数据，用于针对感知内的不同区域进行预决策制定。
示例性预过滤模块310还包括被配置为选择一个或多个映射和门控模块来应用、以确定多个雷达目标检测中的哪个是可能的真实检测的预过滤模块310。示例性操纵风险规划模块302还被配置为输出由预过滤模块310确定的可能的检测。在各种实施例中，用于操纵风险规划模块302的雷达检测可以在图1的控制器34上、在单独的控制器上或在控制器的组合上实现。
在图4中，预过滤模块310执行感测数据从道路数据、以及道路数据从来自雷达305(具有n次扫描(ΔT))雷达扫描检测的地图过滤步骤，以配置占用速度置信状态密度网格。地图匹配模块410是在传感器域和地图域之间映射扫描检测的地方。
参照图4，示例地图匹配模块410被配置为通过选择最接近已知目标路径并且小于距目标路径的某个最大距离阈值距离的候选检测，在多个错误/真实雷达候选检测之间选择目标421的更可能的真实检测。如果车辆附近区域的地图可用，并且/或者可替代的真实/错误检测方法不可用，则选择模块(道路速度过滤器418)可选择地图匹配模块410以选择目标421的更可能的真实检测。
示例性地图匹配模块410被配置为，如果区域地图可用，则使用道路在区域地图上的位置来获得有效目标位置的信息。示例性地图匹配模块410还被配置为从相机数据、路径平面数据、地图数据(例如，来自车道、路缘检测、目标跟踪)推断出有效目标位置。示例地图匹配模块410被配置为选择最接近已知目标路径(例如，道路的中部)并且距目标路径(即，道路的中心线)小于最大阈值距离(根据角度和从主机到目标点的距离的计算函数确定)的候选检测。该地图可以是详细的先前存在的地图，或是从来自诸如相机的成像装置的检测结果得出的粗略地图区域。
在获得道路数据以及车辆和目标运动目标的速度评估之后，地图匹配可被应用于目标位置，在半径范围中的被投影点(即真实运动目标)P1，P2，P3之间的距离的测量由P1到P3的每个点的圆412限定。基于期望的速度、运动的目标的方向和绕车道中心驾驶的假设，在地图匹配区域内通过预过滤模块310检测的目标点(在该情况中为P1到P3)被检测为错误检测415和真实检测420。也就是说，预过滤模块计算目标的表观静态范围和目标在道路上的测得速度，以进行错误检测415或真实检测420的确定。
在时间离散的例子情形下，地图模块308上的示例错误检测和真实检测被配置为：(a)计算每个目标的表面静态范围率(srr)；(b)假设目标正在道路上行驶，计算每个目标的道路速度；(c)滤除(例如拒绝)与道路上行驶的目标不一致的候选检测。在该示例中，在该时间情形下，目标416不位于道路上，并且其关联的候选检测被滤除。在该示例中，在该时间情形下，目标421位于道路上的车道中，其行进方向与车道的行进方向一致，并且其速度与车道的速度限制一致。因此，在该时刻，与目标421相关联的候选检测未被过滤除。
在做出该确定之后，对通过接收的传感器数据的跟踪门控模块425(或批次门控)的预测位置和基于最后位置的预测位置进行计算。示例性跟踪门控模块425被配置为，通过选择最接近预测目标位置的候选作为真实雷达检测，在多个不确定候选检测之间在圆412中选择更可能的真实检测。如果用于目标的雷达跟踪已经存在和/或替代的跟踪和评估方法不可用，则地图匹配模块410可以选择跟踪门控模块425。
示例性的跟踪门控模块425被配置为：(a)对每个现有雷达跟踪，计算到每个真实候选检测(即，P1，P2，P3)的距离度量；(b)使用预测滤波器(例如，卡尔曼滤波器)来预测目标位置的下一位置；(c)选择最接近预测的下一个位置并且距预测的下一个位置小于阈值距离的真实候选检测(即目标421)。距离度量可以包括但不限于欧几里得距离或马氏距离；后者可以根据从卡尔曼滤波器获得的预测位置协方差的信息来计算。
在一个示例中，跟踪门控模块425可以，通过针对每个现有雷达跟踪计算从被跟踪目标的最后位置403到每个候选检测的距离度量，来选择对于雷达监测最接近预测目标位置401的候选；应用卡尔曼滤波器预测被跟踪目标的下一个位置并将预测的下一个位置转换为测量平面(例如，对于线性KF，
Figure BDA0002407142840000161
)；计算平方马氏距离
Figure BDA0002407142840000162
其中对于候选检测k∈{1,2,…}，S＝R+HP-HT(可以使用欧几里得距离)；且对于每个现有的雷达跟踪411，使用
Figure BDA0002407142840000163
卡方分布的知识来对候选检测进行门控，以选择对于百分数P(例如95％)的阈值T，以及如果
Figure BDA0002407142840000164
则关联检测k与跟踪。在多个不确定的检测落在门405内的情况下，选择具有最短马氏距离的检测。
示例性跟踪门控模块425被配置为访问预测滤波器(例如，卡尔曼滤波器)，以基于目标的最后位置403来获得目标的预测位置401。使用预测位置401，示例性跟踪门控模块425被配置为识别距下一个预测位置401在阈值距离内的门区域405(例如，应用门)。示例性跟踪门控模块425被配置为，通过选择在门区域405内的最近的真实候选检测(例如，针对目标421的候选检测)作为可能真实检测来选择可能真实检测。
图5示出了根据一实施例的马尔可夫随机场(MRF)模块的示图，其用于识别当前状况，并从在一规定时间段接收的雷达扫描数据检测，对目标(即，交叉交通)对象，将置信状态马尔科夫模型应用到已确定的不确定性因子，MRF315模块(例如，马尔可夫网络、无向图形模型等)代表用于预决策规划的不确定性指标的依赖性。使用该信息并使用强化训练过程，操纵风险规划模块302可以确定(即，预测)与发起(即执行)特定操纵相关的风险(例如，左或右转进入交叉交通)。
在图5中，马尔可夫随机场(MRF)模块315接收模块505(图5)和通过聚类而被聚类为动态对象的过滤后的静态和动态目标，用于识别当前状况，用于生成占用速度网格数据，且用于填充占用速度网格的单元。测量网格聚合模块510中的MRK模块315使用来自聚类步骤的动态对象填充测量网格。测量网格聚合模块510通过处理步骤的反馈循环而循环，以逐步渐进的方式填充网格的每个可用单元，直到接收到的每个动态对象的所有路径(pipeline)都用尽或网格被认为已充分填充(即按照规定的时间段)或直到完成。每个动态对象的循环处理步骤包括：计算对象测量密度515、在2D单元窗口520上分布密度、在同一2D单元窗口525上分布速度并将计算出的扩展密度、每个对象的速度添加至网格530，并重复该循环直到完成，直到网格已满、或直到被视为足够完整为止。一旦将动态对象被添加到网格，则由求和模块540通过计算功能对密度求和。接下来，通过计算功能，对于密度-速度测量网格表示，通过加权平均速度模块545通过跨单元窗口的单元的因子对速度进行加权或平均。
在各种示例性实施例中，对每个动态对象，提供贝叶斯更新550，用于在每个动态对象的测量聚合网格上建模的示例性密度和速度。贝叶斯更新550包括基于来自更新占用围带概率模块555计算的输入的贝叶斯占用权重560的更新速度。
在一些实施例中，感知模块315使用一个或多个贝叶斯算法为单元552计算确定性数据。对于不同的单元552，该计算用于量化期望误差(即，信息增益)，所述期望误差被计算为真实占用率
Figure BDA0002407142840000181
减去评估值(p)的平方，再乘以关于占用率的概率。在本文中，占用网格算法用于计算这些随机变量的近似后验评估。换句话说，对于每个网格单元，可以根据以下等式(1)来计算由更新占用网格概率模块555计算的预期预测误差(即不确定性因子)：
Figure BDA0002407142840000182
其中
Figure BDA0002407142840000185
表示真实占用率，p表示评估，P表示概率。
另外，可以根据以下等式(2)对给定的单元552进行贝叶斯更新550：
Figure BDA0002407142840000183
其中n代表给定单元的观察次数，k代表检测次数，a代表检测(P)，b代表错误警报(P)，p代表占用率(P)。
因此，感知模块335(图3的)可以根据等式(2)计算给定单元552的后验。另外，感知模块335可以对单元552根据以下等式(3)来计算用于风险评估的期望的未来不确定性：
Figure BDA0002407142840000184
因此，感知模块335可以创建启发式模型，该启发式模型可以被用于补偿不确定性并适应性地控制传感装置40a-42n。对于网格内的给定单元552，感知模块335确定如果将一个或多个传感装置40a-42n被用于由占用网格限定的环境中的相应物理空间，则不确定性将增加或减小多少。在一些实施例中，适应性传感器控制系统34在生成到传感装置42a-42n的传感器控制命令时依赖于该信息(单元552中的不确定性减小)。
图6示出了根据实施例的用于处理来自占用速度网格的单元的数据的动作风险评估模块的图。在图6中，动作风险评估模块320接收占用速度的单元中的数据，并将具有不确定性指标的映射功能应用于动作候选，以用于动作风险映射和预决策制定。
图6中的示例行为风险评估模块320被配置为通过基于来自占用速度网格600的感测的占用速度数据605应用映射函数610来选择更可能的真实动作候选。当应用映射功能610时，来自每个单元的每个感测到的占用速度数据605能够生成多个动作候选620。对于多个动作候选620中的每一个，可以使用具有风险矢量625的经训练的机器学习(ML)模型615，对预决策操纵行为进行建模。例如，候选动作620可以在经训练的ML模型615中包括直的、右和左的预决策操纵。ML模型615被配置为预测可驾驶路径，确定哪个风险矢量有助于候选动作以预测可驾驶路径，并将对可驾驶路径有贡献的候选动作选择为更可能的真实动作候选。
此外，可以通过示例强化学习离线训练模块640来建模离线半监督强化学习，该示例强化学习离线训练模块640有助于从来自感兴趣位置的相关视频或相应的传感器数据的标签与历史存储数据或云数据的动作风险映射。示例的强化学习离线训练模块640包括经训练的ML模型，该经训练的ML模型被训练以使用动作候选检测来预测通过交通的未来可驾驶路径。示例的强化学习(鉴别器)离线模型640被配置为收集用于确定操纵(例如“是否可以安全左转？”)的标签；共同收集占用网格(MRF)650，用于应用映射功能610以离线生成动作候选，以从网格655提取特征到训练ML模型，以预测可驾驶路径，且应用支持向量机(SVM)和高斯过程660来识别动作候选的分类模式，以确定哪些动作候选有助于可驾驶路径，并将有助于可驾驶路径的的动作候选选择为最可能的真实动作候选，用于发送到ML模型615，使被学习的映射功能能够被应用在ML模型615中。通过应用标签和风险矢量指标，行为模块630可以实时收集行为标签，例如“进行行为B安全吗？”等等。
在各种示例性实施例中，历史雷达数据的被收集的带标签数据组例如是速度数据，以及可以从数据生成的可驾驶路径。历史传感器数据可用于使用强化学习技术来训练ML模型615，以基于动作候选检测可预测可驾驶路径。在训练了ML模型615以基于动作候选检测预测可驾驶路径之后，可以将实时传感器数据应用于ML模型。
图7示出了根据实施例的对象提取模块的示图，该对象提取模块用于生成对象跟踪以用于通过风险操纵规划模块进行预决策。对象提取模块325(即图7的)基于来自在用于感知的区域的占用速度网格中填充的单元的数据，执行生成对象跟踪的处理步骤，以提供与相关性不确定性指标相对应的对象跟踪数据，所述相关性不确定性指标表示用于公布的感知网格内的不同区域。占用速度网格710配置有占用密度单元715的适应性阈值，通过接收阈值718输入以适应性地配置阈值占用单元密度，以确保不确定性指标被有效地并入在占用速度网格710中。也就是说，高概率位置基于聚类720使用倒置物理(bottom upphysical)，并且速度聚类中心可以与对象跟踪730相关联725，以便可以将具有高不确定性的区域与具有低不确定性的区域区分开。该过程包括先前检测的速度聚类727的反馈以提高效率。产生的对象跟踪730发布在用于车辆感知的ML模型的对象表示中。
图8是一过程流程图，其示出了根据各种实施例的、用于基于多个雷达候选检测来预测可驾驶路径的具有不确定性的操纵风险评估的示例过程。
在图8的流程图中，在任务810处，一时间段的多个雷达扫描生成感测数据，以用于接收处理。可以想到，包括近距离、远距离、图像、光、声和IR传感装置在内的各种传感器装置可以被使用或并入以生成感测的数据组，并且本公开不限于雷达数据。
接下来，在任务820处，执行用于动态目标的跟踪和映射的处理步骤。预过滤模块(即，图4的310)执行感测数据从道路数据以及道路速度数据从来自雷达(具有n次扫描(ΔT)的雷达扫描检测的道路速度数据的地图过滤步骤，用于配置代表有关车辆的感兴趣区域的占用速度置状态密度网格。示例地图匹配模块410通过选择最接近已知目标路径并且小于距目标路径的某个最大距离阈值距离的候选检测，在多个错误/真实雷达候选检测之间选择目标的更可能的真实检测。如果车辆附近区域的地图可用，并且/或者可替代的真实/错误检测方法不可用，则选择模块可选择地图匹配模块以选择目标的更可能的真实检测。如果在区域地图可用，则示例性地图匹配模块410使用道路在区域地图上的位置来获得有效目标位置的信息。示例性地图匹配模块还被配置为从相机数据、路径平面数据、地图数据(例如，来自车道、路缘检测、目标跟踪)推断出有效目标位置。示例地图匹配模块被配置为选择最接近已知目标路径(例如，道路的中部)并且距目标路径(即，道路的中心线)小于最大阈值距离(根据角度和从主机到目标点的距离的计算函数确定)的候选检测。该地图可以是详细的先前存在的地图，或是从来自诸如相机的成像装置的检测结果得出的粗略地图区域。
在任务830处，MRK算法被用于基于动态模型生成网格，以确定对目标(即，交叉交通)对象的不确定性指标。MRF(即，图5的315)确定(即，预测)与发起(即，执行)特定操纵(例如，向左或向右转入交叉交通)相关的风险。处理步骤包括马尔可夫随机场(MRF)模块接收经过过滤的静态和动态目标，用于识别当前情况，用于生成占用速度网格数据，以及用于填充占用速度网格的单元；应用测量网格聚合模块，用于将来自聚类步骤的动态对象填充在测量网格中。处理步骤的反馈循环以逐步渐进的方式填充网格的每个可用单元，直到接收到的每个动态对象的所有路径(pipeline)都用尽或网格被认为已充分填充(即按照规定的时间段)或直到完成。对于每个动态对象的循环处理步骤包括计算对象测量密度，在2D单元窗口上分布密度，在相同的2D单元窗口上分布速度并添加每个对象的经计算的分布密度、速度到网格，并重复循环直到完成、直到网格已满、或直到被认为充分完成。一旦动态对象被添加到网格，则密度被求和；且跨密度-速度测量网格表示的单元，速度被平均或通过因子加权。而且贝叶斯更新被提供用于示例密度和速度建模，且包括基于贝叶斯占用加权而更新速度。
在任务840处，进行使用通过离线训练而训练的半监督ML模型训练的动作风险评估。示例的动作风险评估模型选择最可能的真实动作候选，这是通过：基于感测的占用速度数据应用映射功能，并随后应用经训练的机器学习(ML)模型，所述机器学习(ML)模型具有用于多个动作候选的每一个的风险矢量，使得预决策操纵行为可被建模。例如，在训练的ML模型中，动作候选可包括直的、右、或左预决策操纵。ML模型预测可驾驶路径，确定哪些风险矢量有助于动作候选预测可驾驶路径，并选择有助于可驾驶路径的候选动作为用于行为建模850的更可能的真实动作候选。
而且，在840处，与离线半监督强化学习相关的任务通过示例强化学习离线训练模块而建模，所述示例强化学习离线训练模块有助于与来自标签来自感兴趣位置的相关视频的历史、存储数据或云数据以及相应的传感器数据进行动作风险映射。示例的强化学习离线训练的ML模型使用动作候选检测，通过收集用于确定操纵(例如“是否可以安全左转？”)的标签来预测通过交通的未来可驾驶路径；共同收集占用网格(MRF)，用于应用映射功能以离线生成动作候选，从网格提取特征用于训练ML模型，以预测可驾驶路径，以及最后，应用支持向量机(SVM)和高斯过程来识别动作候选的分类模式，以确定哪些动作候选有助于行为建模850的可驾驶路径。
在任务845处，执行用于针对基于表示的对象使用占用网格密度的适应性阈值进行对象提取的处理步骤。对象提取模块(即，图7的325)基于来自在用于感知的区域的占用速度网格中填充的单元的数据，执行生成对象跟踪的处理步骤，以提供与相关性不确定性指标相对应的对象跟踪数据，所述相关性不确定性指标表示用于公布的感知网格内的不同区域。换句话说，通过占用网格的密度确定了不同区域的影响程度。占用速度网格配置有占用密度单元的适应性阈值，通过接收阈值输入以适应性地配置阈值占用单元密度，以确保不确定性指标被有效地并入在占用速度网格中。也就是说，高概率位置基于聚类使用倒置物理(bottom up physical)，并且速度聚类中心可以与对象跟踪相关联，以便可以将具有高不确定性的区域与具有低不确定性的区域区分开。该过程包括先前检测的速度聚类的反馈以提高效率。由处理步骤产生的对象跟踪被发布在用于车辆感知855的ML模型的对象表示中。
尽管在前面的详细描述中已经提出了至少一个示例性实施例，但是应当理解，存在大量的变型。还应当理解，一个或多个示例性实施方式仅是示例，并且无意以任何方式限制本公开的范围、适用性或配置。相反，前述详细描述将为本领域技术人员提供用于实施一个或多个示例性实施方式的便利路线图。在不脱离所附权利要求及其合法等同物所阐述的本公开的范围的情况下，可以对元件的功能和布置进行各种改变。
作为示例，本文描述的装置、系统、方法、技术和物品可以应用于除雷达系统之外的测量系统(例如激光雷达、声学或图像系统)。本文描述的装置、系统、方法、技术和物品可以应用于速度测量传感器，诸如基于激光或基于光的速度测量传感器。

Claims (10)

1.一种用于规划车辆的具有不确定性的操纵的风险操纵评估系统，包括：
第一控制器，具有被编程为生成车辆环境的感知的处理器和用于车辆的行为决策制定模型，包括对传感器输入进行计算，以提供动作风险映射和用于车辆环境中的不同区域的至少一个目标对象跟踪作为输出；
传感器系统，配置为向处理器提供传感器输入，以用于提供车辆环境中的用于过滤目标对象的区域；
一个或多个模块，配置为通过处理器来映射和跟踪目标对象，以从真实候选检测的多个候选检测中进行候选检测，作为被跟踪的目标对象；
一个或多个第一模块，配置为通过处理器来应用马尔可夫随机场(MRF)算法，以用于识别车辆在环境中的当前状况，并预测在被动态跟踪的目标的真实检测下执行规划的车辆操纵的风险；
一个或多个第二模块，被配置为通过处理器将映射功能应用于环境的被感测的数据，用于配置车辆的决策制定行为的机器学习模型；
一个或多个第三模块，被配置为通过处理器将适应性阈值应用于占用网格的单元，所述占用网格的单元被配置为表示车辆环境内对象的跟踪区域；和
第二控制器，具有处理器，该处理器被配置为，对于规划的车辆操纵，根据决策制定行为的模型和车辆环境感知来生成控制命令。
2.根据权利要求1所述的系统，还包括：
一个或多个第一模块，被编程为生成马尔可夫随机场(MRF)以识别当前状况。
3.根据权利要求1所述的系统，还包括：
第二模块和/或第三模块中的一个或多个进一步被配置为选择在目标半径范围内的候选检测中的至少一个作为真实检测，以及
最接近第一已知映射路径的候选检测。
4.根据权利要求3所述的系统，还包括：
所述第二和/或第三模块中的一个或多个还被配置为选择指示与在第二已知行驶映射路径上行驶的目标一致的位置和速度的候选作为真实检测；和
选择指示与第二已知路径之外的位置或与目标行驶不一致的速度的候选作为错误检测。
5.根据权利要求4所述的系统，还包括：
第四模块，被配置为通过门控操作来计算从跟踪的目标对象的最后位置到预测位置的距离度量，该距离度量小于与一个或多个候选检测有关的阈值距离。
6.根据权利要求5所述的系统，还包括：
一个或多个第五模块，被配置为通过处理器通过以下方式在占用网格的一个或多个单元中应用表示被跟踪的目标对象的马尔可夫随机场(MRF)算法：
针对在占用网格的一个或多个单元中表示的每个被跟踪目标对象，计算对象测量密度；
在一窗口上分布密度，所述窗口包括由跟踪的目标对象表示的占用网格的一组单元；和
在所述窗口上分布速度，所述窗口包括由跟踪的目标对象表示的占用网格的同一组单元。
7.根据权利要求6所述的系统，还包括：
一个或多个第六模块，被配置为通过处理器将映射功能应用于环境的感测数据，用于通过使用半监督机器学习技术通过在线和离线训练而训练的动作风险评估模型来配置车辆的决策制定行为的机器学习(ML)模型，用于将功能映射到候选操作，以确定具有风险因子的已学习可驾驶路径。
8.根据权利要求7所述的系统，还包括：
第七模块，被配置为通过处理器来执行ML模型的离线训练，包括：
收集标签，共同收集占用速度网格，从占用网格提取特征，并至少应用支持向量机(SVM)技术来识别候选动作的类模式，以通过风险因子确定学习的可驾驶路径。
9.如权利要求8所述的系统，还包括第八模块，其被配置为通过处理器将适应性阈值应用于被配置为占用网格的单元，所述占用网格的单元表示车辆环境内的对象的跟踪区域，还包括：
第九模块，被配置为通过处理器通过适应性阈值占用密度，基于计算的密度分布，计算候选动作可用于目标被跟踪对象的可能性，并选择具有可用的最高概率的候选动作；
第十模块，被配置为通过处理器针对一组候选动作计算用于速度聚类的聚类，以选择指示与所学习的可驾驶路径一致的位置的目标被跟踪对象。
10.一种车辆，包括：
传感器检测传感装置，包括具有雷达、声学、激光雷达和图像传感装置的一个或多个组；
风险操纵评估系统，用于评估规划的操纵中的一个或多个不确定性因子；和多个模块，配置为通过处理器产生对车辆环境的感知以及输出用于跟踪环境中不同区域的输出目标输出；所述多个模块包括：
一个或多个模块，配置为通过处理器来映射和跟踪目标对象，以从真实候选检测的多个候选检测中选取候选检测，作为被跟踪的目标对象；
一个或多个模块，配置为通过处理器来应用马尔可夫随机场(MRF)算法，以用于识别车辆在环境中的当前状况，并用于预测在动态跟踪的目标的真实检测下执行规划的车辆操纵的风险；
一个或多个模块，被配置为通过处理器将映射功能应用于环境的被感测的数据，用于配置车辆的决策制定行为的机器学习模型；
一个或多个模块，被配置为通过处理器将适应性阈值应用于占用网格的单元，所述占用网格的单元被配置为表示环境内对象的跟踪区域；和
控制器，具有处理器，该处理器被配置为根据决策制定行为的模型和对于规划的车辆操纵的车辆环境感知来生成控制命令。
CN202010165065.7A 2019-03-25 2020-03-11 用于雷达交叉交通跟踪和操纵风险评估的系统和方法 Active CN111736142B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/362,889 US11155258B2 (en) 2019-03-25 2019-03-25 System and method for radar cross traffic tracking and maneuver risk estimation
US16/362,889 2019-03-25

Publications (2)

Publication Number Publication Date
CN111736142A true CN111736142A (zh) 2020-10-02
CN111736142B CN111736142B (zh) 2024-07-12

Family

ID=72606845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010165065.7A Active CN111736142B (zh) 2019-03-25 2020-03-11 用于雷达交叉交通跟踪和操纵风险评估的系统和方法

Country Status (3)

Country Link
US (1) US11155258B2 (zh)
CN (1) CN111736142B (zh)
DE (1) DE102020103130A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329145A (zh) * 2020-11-05 2021-02-05 武汉理工大学 一种综合评估自主船动力系统可靠性的方法
CN113485338A (zh) * 2021-07-09 2021-10-08 西北工业大学 基于人群交互行为的机器人集群运动控制方法
WO2022184127A1 (zh) * 2021-03-04 2022-09-09 华为技术有限公司 一种车辆、传感器的仿真方法及装置
CN115862310A (zh) * 2022-11-30 2023-03-28 东南大学 交通信息不确定环境下网联自动车队稳定性分析方法
CN116299254A (zh) * 2022-09-07 2023-06-23 无锡国芯微电子系统有限公司 一种被动雷达寻的器的目标跟踪方法

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110068819B (zh) * 2019-03-27 2021-08-31 东软睿驰汽车技术（沈阳）有限公司 一种提取障碍物位置信息的方法及装置
CN112050829B (zh) * 2019-06-06 2023-04-07 华为技术有限公司 一种运动状态确定方法及装置
US11531100B2 (en) * 2019-06-13 2022-12-20 The Boeing Company Methods and systems for acoustic machine perception for an aircraft
US11531346B2 (en) * 2019-07-05 2022-12-20 Uatc, Llc Goal-directed occupancy prediction for autonomous driving
US11300677B2 (en) * 2019-07-08 2022-04-12 GM Global Technology Operations LLC Automated driving systems and control logic for host vehicle velocity estimation using wide aperture radar
US11663514B1 (en) * 2019-08-30 2023-05-30 Apple Inc. Multimodal input processing system
FR3100200B1 (fr) * 2019-09-03 2022-02-25 Renault Sas Dispositif de commande prédictif du mouvement d’un véhicule automobile
DE102020204592A1 (de) * 2020-04-09 2021-10-14 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und Verfahren zur Verarbeitung von Radardaten und Radarsystem
US11893004B2 (en) * 2020-08-26 2024-02-06 Ford Global Technologies, Llc Anomaly detection in multidimensional sensor data
US20220126865A1 (en) * 2020-10-28 2022-04-28 Toyota Research Institute, Inc. Layered architecture for availability of advanced driver assistance features
US20210101620A1 (en) * 2020-12-17 2021-04-08 Intel Corporation Systems, methods, and devices for generating and using safety threat maps
US20220261008A1 (en) * 2021-02-16 2022-08-18 Sony Group Corporation Circuitry and method
CN112969141B (zh) * 2021-02-26 2022-10-25 北京邮电大学 一种通信感知一体化非正交多址随机接入通信方法及装置
CN113034645B (zh) * 2021-03-23 2021-09-03 中国地质科学院地质力学研究所 一种岩性填图的方法、装置和存储介质
TWI813971B (zh) * 2021-03-24 2023-09-01 國立中央大學 個人化道路風險預測系統、方法與使用者設備
US11904892B2 (en) * 2021-03-31 2024-02-20 Gm Cruise Holdings Llc Machine learning algorithm predicton of movements of simulated objects by using a velocity grid created in a simulation
US11897502B2 (en) * 2021-03-31 2024-02-13 Gm Cruise Holdings Llc Object tracking by generating velocity grids
EP4082862A1 (en) * 2021-04-29 2022-11-02 Zenseact AB Platform for path planning system development for automated driving system
US20220413502A1 (en) * 2021-06-25 2022-12-29 Here Global B.V. Method, apparatus, and system for biasing a machine learning model toward potential risks for controlling a vehicle or robot
US20230102443A1 (en) * 2021-09-28 2023-03-30 GM Global Technology Operations LLC Monitoring uncertainty for human-like behavioral modulation of trajectory planning
US20230152791A1 (en) * 2021-11-12 2023-05-18 Nec Laboratories America, Inc. Multi-modality data analysis engine for defect detection
US11675362B1 (en) * 2021-12-17 2023-06-13 Motional Ad Llc Methods and systems for agent prioritization
US20230202469A1 (en) * 2021-12-23 2023-06-29 Baidu Usa Llc Drive with caution under uncertainty for an autonomous driving vehicle
CN116453346B (zh) * 2023-06-20 2023-09-19 山东高速信息集团有限公司 一种基于雷视融合布设的车路协同方法、设备及介质
CN116630765B (zh) * 2023-07-24 2023-09-26 济南卓伦智能交通技术有限公司 一种基于多元信息的单车融合感知系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306881A1 (en) * 2008-06-06 2009-12-10 Toyota Motor Engineering & Manufacturing North America, Inc. Detecting principal directions of unknown environments
US20100191391A1 (en) * 2009-01-26 2010-07-29 Gm Global Technology Operations, Inc. multiobject fusion module for collision preparation system
CN104340152A (zh) * 2013-08-06 2015-02-11 通用汽车环球科技运作有限责任公司 在避免碰撞任务中用于情形评估和决策的动态安全防护罩
CN106556405A (zh) * 2016-10-28 2017-04-05 南京邮电大学 一种基于智能手机传感器的车道检测方法
CN107368890A (zh) * 2016-05-11 2017-11-21 Tcl集团股份有限公司 一种以视觉为中心的基于深度学习的路况分析方法及系统
CN108073168A (zh) * 2016-11-09 2018-05-25 百度（美国）有限责任公司 对自主驾驶车辆进行决策的评估体系
CN108068815A (zh) * 2016-11-14 2018-05-25 百度（美国）有限责任公司 用于自动驾驶车辆的基于规划反馈的决策改进系统
CN108292134A (zh) * 2015-11-04 2018-07-17 祖克斯有限公司 用于优化远程操作和/或规划器决策的机器学习系统和技术
US20180374360A1 (en) * 2017-06-22 2018-12-27 Bakhi.com Times Technology (Beijing) Co., Ltd. Traffic prediction based on map images for autonomous driving

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001241808A1 (en) * 2000-02-28 2001-09-12 Veridian Engineering, Incorporated System and method for avoiding accidents in intersections
US20030020634A1 (en) * 2001-07-26 2003-01-30 International Business Machines Corporation Method for highway congestion management using dynamic paid upgrade for automobiles to use fast lanes
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
JP2013002927A (ja) * 2011-06-15 2013-01-07 Honda Elesys Co Ltd 障害物検知装置及びコンピュータプログラム
CA3052954C (en) * 2017-02-10 2023-04-04 Nissan North America, Inc. Autonomous vehicle operational management including operating a partially observable markov decision process model instance
US10133275B1 (en) * 2017-03-01 2018-11-20 Zoox, Inc. Trajectory generation using temporal logic and tree search
US10606270B2 (en) * 2017-10-18 2020-03-31 Luminar Technologies, Inc. Controlling an autonomous vehicle using cost maps
DE112019000065T5 (de) * 2018-02-02 2020-03-05 Nvidia Corporation Sicherheitsprozeduranalyse zur hindernisvermeidung in einem autonomen fahrzeug

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306881A1 (en) * 2008-06-06 2009-12-10 Toyota Motor Engineering & Manufacturing North America, Inc. Detecting principal directions of unknown environments
US20100191391A1 (en) * 2009-01-26 2010-07-29 Gm Global Technology Operations, Inc. multiobject fusion module for collision preparation system
CN101837782A (zh) * 2009-01-26 2010-09-22 通用汽车环球科技运作公司 用于碰撞预备系统的多目标融合模块
CN104340152A (zh) * 2013-08-06 2015-02-11 通用汽车环球科技运作有限责任公司 在避免碰撞任务中用于情形评估和决策的动态安全防护罩
CN108292134A (zh) * 2015-11-04 2018-07-17 祖克斯有限公司 用于优化远程操作和/或规划器决策的机器学习系统和技术
CN107368890A (zh) * 2016-05-11 2017-11-21 Tcl集团股份有限公司 一种以视觉为中心的基于深度学习的路况分析方法及系统
CN106556405A (zh) * 2016-10-28 2017-04-05 南京邮电大学 一种基于智能手机传感器的车道检测方法
CN108073168A (zh) * 2016-11-09 2018-05-25 百度（美国）有限责任公司 对自主驾驶车辆进行决策的评估体系
CN108068815A (zh) * 2016-11-14 2018-05-25 百度（美国）有限责任公司 用于自动驾驶车辆的基于规划反馈的决策改进系统
US20180374360A1 (en) * 2017-06-22 2018-12-27 Bakhi.com Times Technology (Beijing) Co., Ltd. Traffic prediction based on map images for autonomous driving
CN109429518A (zh) * 2017-06-22 2019-03-05 百度时代网络技术（北京）有限公司 基于地图图像的自动驾驶交通预测

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUNZHAO GUO 等: "Robust Road Detection and Tracking in Challenging Scenarios Based on Markov Random Fields With Unsupervised Learning", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 13, no. 03, 30 September 2012 (2012-09-30), pages 1338 - 1354, XP011473273, DOI: 10.1109/TITS.2012.2187896 *
隗寒冰 等: "智能汽车环境感知算法测试评价系统开发", 《中国机械工程》, vol. 29, no. 19, 29 September 2018 (2018-09-29), pages 2298 - 2305 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329145A (zh) * 2020-11-05 2021-02-05 武汉理工大学 一种综合评估自主船动力系统可靠性的方法
CN112329145B (zh) * 2020-11-05 2022-06-17 武汉理工大学 一种综合评估自主船动力系统可靠性的方法
WO2022184127A1 (zh) * 2021-03-04 2022-09-09 华为技术有限公司 一种车辆、传感器的仿真方法及装置
CN113485338A (zh) * 2021-07-09 2021-10-08 西北工业大学 基于人群交互行为的机器人集群运动控制方法
CN113485338B (zh) * 2021-07-09 2022-11-22 西北工业大学 基于人群交互行为的机器人集群运动控制方法
CN116299254A (zh) * 2022-09-07 2023-06-23 无锡国芯微电子系统有限公司 一种被动雷达寻的器的目标跟踪方法
CN116299254B (zh) * 2022-09-07 2023-10-13 无锡国芯微电子系统有限公司 一种被动雷达寻的器的目标跟踪方法
CN115862310A (zh) * 2022-11-30 2023-03-28 东南大学 交通信息不确定环境下网联自动车队稳定性分析方法
CN115862310B (zh) * 2022-11-30 2023-10-20 东南大学 交通信息不确定环境下网联自动车队稳定性分析方法

Also Published As

Publication number Publication date
US20200307561A1 (en) 2020-10-01
US11155258B2 (en) 2021-10-26
CN111736142B (zh) 2024-07-12
DE102020103130A1 (de) 2020-10-01

Similar Documents

Publication Publication Date Title
CN111736142B (zh) 用于雷达交叉交通跟踪和操纵风险评估的系统和方法
US11215997B2 (en) Probabilistic risk assessment for trajectory evaluation
JP7527277B2 (ja) レーダ空間推定
US11698638B2 (en) System and method for predictive path planning in autonomous vehicles
CN109131346B (zh) 用于预测自主车辆中的交通模式的系统和方法
JP6917878B2 (ja) 移動体挙動予測装置
CN111144432B (zh) 在传感器融合系统中消除模糊检测的方法
JP6731819B2 (ja) 移動体軌道予測システム
US11572080B2 (en) Sensor degradation monitor
CN109814130B (zh) 用于在车辆感知系统中自由空间推断以分开群集对象的系统和方法
CN110857085A (zh) 车辆路径规划
US20200026277A1 (en) Autonomous driving decisions at intersections using hierarchical options markov decision process
US20220185267A1 (en) Object determination in an occluded region
CN116324661A (zh) 基于激光雷达数据的地面高度估计
CN114072841A (zh) 根据图像使深度精准化
Kim et al. Probabilistic threat assessment with environment description and rule-based multi-traffic prediction for integrated risk management system
US20230174103A1 (en) Method and system for feasibility-based operation of an autonomous agent
CN117440908A (zh) 用于自动驾驶系统中基于图神经网络的行人动作预测的方法和系统
CN117980212A (zh) 基于优化的规划系统
WO2023129890A1 (en) Integrated trajectory forecasting, error estimation, and vehicle handling when detecting an observed scenario
WO2022115216A2 (en) Method and system for determining a mover model for motion forecasting in autonomous vehicle control
WO2024137249A1 (en) Tracker trajectory validation
US20240174256A1 (en) Vehicle trajectory tree search for off-route driving maneuvers
US20240208492A1 (en) Collision aware path planning systems and methods
US20240317273A1 (en) System and method for evaluating motion prediction models

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