CN111746555A - 碰撞行为的识别和避免 - Google Patents
碰撞行为的识别和避免 Download PDFInfo
- Publication number
- CN111746555A CN111746555A CN202010173242.6A CN202010173242A CN111746555A CN 111746555 A CN111746555 A CN 111746555A CN 202010173242 A CN202010173242 A CN 202010173242A CN 111746555 A CN111746555 A CN 111746555A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- collision
- agents
- decision
- processor
- 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 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 19
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 description 72
- 238000004891 communication Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000010391 action planning Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W60/0018—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal conditions
- B60W60/00186—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal conditions related to the vehicle
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0014—Adaptive controllers
-
- 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
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
一些实施例包括方法、系统和计算机可读存储介质,公开了一种用于车辆避免碰撞的方法。该方法包括将车辆系统安装到车辆中,其中,该车辆系统使用来自一个或多个智能体的运动信息以及与和一个或多个智能体或车辆相关联的一个或多个个体相关联的行为,基于训练数据提供避免碰撞的指导。该方法还包括由处理器检测车辆与一个或多个移动智能体和/或一个或多个静止智能体之间的碰撞过程。该方法还包括响应于检测到碰撞过程,由处理器计算避免碰撞的一个或多个决策。该方法还包括由处理器从一个或多个决策中选择一决策,并且由处理器基于所选择的决策来控制车辆的操作。
Description
技术领域
本公开涉及车辆碰撞检测,并且更具体地涉及使用车辆运动预测和与移动智能体运动预测和静止智能体有关的相互作用的车辆碰撞检测。
背景技术
自动驾驶车辆具有无需人工输入就能进行操作和导航的能力。自动驾驶车辆以及一些非自动驾驶车辆使用传感器(例如摄像机、雷达、LIDAR、全球定位系统和计算机视觉)来检测车辆周围环境。先进的计算机控制系统会解析感官输入信息,以识别车辆的位置、适当的导航路径以及障碍物和相关标志。一些自动驾驶车辆实时更新地图信息,以保持对自动驾驶车辆位置的了解,即使条件发生变化或汽车进入未知环境。自动驾驶车辆以及非自动驾驶车辆越来越多地与远程计算机系统通信,并使用V2X通信(车辆对所有、车辆对车辆(V2V)、车辆对基础设施(V2I))相互通信。
随着自动驾驶和半自动驾驶车辆的更加普及,在道路网络上准确定位每辆汽车并检测可能与该汽车发生碰撞的障碍就变得很重要。因此,期望在车辆横穿道路网络时提供进一步的避免碰撞的改进。
发明内容
在一个示例性实施例中,公开了一种用于车辆避免碰撞的方法。该方法包括将车辆系统安装到车辆中,其中,该车辆系统使用来自一个或多个智能体的运动信息以及与和一个或多个智能体或车辆相关联的一个或多个个体(individuals)相关联的行为,基于训练数据提供避免碰撞的指导。该方法还包括由处理器检测车辆与一个或多个移动智能体和/或一个或多个静止智能体之间的碰撞过程。该方法还包括响应于检测到碰撞过程,由处理器计算避免碰撞的一个或多个决策,其中每个决策包括车辆轨迹。该方法还包括由处理器从一个或多个决策中选择一决策。该方法还包括由处理器基于所选择的决策来控制车辆的操作。
除了本文所述的一个或多个特征之外,所描述的方法的一个或多个方面认识到训练数据包括基于用于预测与一个或多个智能体相关联的未来运动的一个或多个预测模型的数据。该方法的另一方面使用一个或多个递归神经网络(RNN)来计算避免碰撞的一个或多个决策。该方法的另一方面是一个或多个智能体是移动智能体或静止智能体。该方法的另一方面是来自一个或多个智能体的运动信息包括速度、前进方向和位置信息。该方法的另一方面是利用碰撞窗口来检测碰撞过程。该方法的另一方面是,控制车辆的操作包括速度的改变和/或车道的改变。
在另一个示例性实施例中,本文公开了一种用于车辆避免碰撞的系统。该系统包括车辆,该车辆具有存储器的、联接到该存储器的处理器;决策解析器;轨迹计划器和控制器。与车辆相关联的处理器可操作以利用进入车辆中的车辆系统,其中,车辆系统使用来自一个或多个智能体的运动信息以及与和一个或多个智能体或车辆相关联的一个或多个个体相关联的行为,基于训练数据来提供避免碰撞的指导。处理器还可操作以检测车辆与一个或多个移动智能体和/或一个或多个静止智能体之间的碰撞过程。所述处理器还可操作以响应于检测到碰撞过程来计算避免碰撞的一个或多个决策,其中,每个决策包括车辆轨迹。处理器还可操作以从一个或多个决策中选择一决策。处理器还可操作以基于所选择的决策来控制车辆的操作。
在又一示例性实施例中,本文公开了一种计算机可读存储介质,用于执行车辆避免碰撞的方法。所述计算机可读存储介质包括将车辆系统安装到车辆中,其中所述车辆系统使用来自一个或多个智能体的运动信息以及与和一个或多个智能体或车辆相关联的一个或多个个体相关联的行为,基于训练数据来提供避免碰撞指导。该计算机可读存储介质还包括检测车辆与一个或多个移动智能体和/或一个或多个静止智能体之间的碰撞过程。该计算机可读存储介质还包括:响应于检测到碰撞过程,计算避免碰撞的一个或多个决策,其中,每个决策包括车辆轨迹。该计算机可读存储介质还包括从一个或多个决策中选择一决策。该计算机可读存储介质还包括基于所选择的决策来控制车辆的操作。
当结合附图考虑时,从以下详细描述,本公开的以上特征和优点以及其他特征和优点将显而易见。
附图说明
在下面的详细描述中,仅以示例的方式出现其他特征、优点和细节,该详细描述参考附图,在附图中:
图1是根据一个或多个实施例的计算环境;
图2是示出用于实践本文中的教导的处理系统的一个示例的框图;
图3描绘了根据一个或多个实施例的示例性车辆系统的示意图;
图4是根据一个或多个实施例的车辆部件的框图;
图5描绘了根据一个或多个实施例的用于车辆避免碰撞的方法的流程图;和
图6描绘了根据一个或多个实施例的基于从多个智能体中的每一个接收的数据来训练车辆的车辆系统以避免碰撞的方法的流程图。
具体实施方式
以下描述本质上仅是示例性的,并不意图限制本公开、其应用或用途。应当理解,在所有附图中,相应的附图标记表示相同或相应的部件和特征。如本文所使用的,术语模块是指可以包括专用集成电路(ASIC)、电子电路、处理器(共享的、专用的或组的)以及执行一个或多个软件或固件程序的存储器的处理电路、组合逻辑电路和/或提供所述功能的其他合适的部件。
根据示例性实施例,图1示出了根据一个或多个实施例的与用于车辆避免碰撞的系统相关联的计算环境50。如所示的,计算环境50包括一个或多个计算设备,例如服务器/云54B,和/或并入多个自动驾驶或非自动驾驶车辆中的每一个的车载计算机系统54N,它们经由网络150连接。一个或多个计算设备可以使用网络150相互通信。
网络150可以是,例如,蜂窝网络、局域网(LAN)、诸如互联网和WIFI的广域网(WAN)、专用的短距离通信网络(例如,V2V通信(车辆到车辆)、V2X通信(即车辆到所有)、V2I通信(车辆到基础设施)和V2P通信(车辆到行人))或其任意组合,并且可以包括有线、无线、光纤或任何其他连接。网络150可以是将分别支持服务器/云54B和/或多个车载计算机系统54N之间的通信的连接和协议的任何组合。
当采用云而不是服务器时,服务器/云54B可以用作远程计算资源。服务器/云54B可以实现为服务交付的模型,以便能够方便地按需访问可构造计算资源(例如,网络、网络带宽、服务器、处理、内存器、存储装置、应用程序、虚拟机以及服务)的共享池,其可以以最少的管理工作量或与服务提供者的交互来快速提供和发布。
根据示例性实施例,图2示出了用于实现本文的教导的处理系统200。处理系统200可以形成一个或多个计算设备的至少一部分,例如服务器/云54B,和/或车载计算机系统54N。处理系统200可以包括一个或多个中央处理单元(处理器)201a,201b,201c等(统称为或总称为处理器201)。处理器201通过系统总线213联接到系统存储器214和各种其他部件。只读存储器(ROM)202联接到系统总线213,并且可以包括控制处理系统200的某些基本功能的基本输入/输出系统(BIOS)。
图2进一步描绘了输入/输出(I/O)适配器207和联接到系统总线213的网络适配器206。I/O适配器207可以是与硬盘203和/或另一个存储驱动器205或任何其他类似的部件通信的小型计算机系统接口(SCSI)适配器。I/O适配器207、硬盘203和另一个存储驱动器205在本文中统称为大容量存储装置204。在处理系统200上执行的操作系统220可以存储在大容量存储装置204中。网络适配器206互连系统总线213与外部网络216,该外部网络可以是网络150,使得处理系统200能够与其他这样的系统通信。屏幕(例如,显示监视器)215可以通过显示适配器212连接到系统总线213,显示适配器212可以包括图形适配器以改善图形密集型应用和视频控制器的性能。在一个实施例中,网络适配器206、I/O适配器207和显示适配器212可以连接至一个或多个I/O总线,该I/O总线经由中间总线桥(未示出)连接至系统总线213。用于连接外围设备(例如硬盘控制器、网络适配器和图形适配器)的合适的I/O总线通常包括通用协议,例如外围部件互连(PCI)。附加的输入/输出设备示出为通过用户界面适配器208和显示适配器212连接到系统总线213。麦克风209、方向盘/仪表板控制件210和扬声器211都可以通过用户界面适配器208互连到系统总线213,例如,其可以包括将多个设备适配器集成到单个集成电路中的Super I/O芯片。
处理系统200可以另外包括图形处理单元230。图形处理单元230是专用电子电路,其设计成操纵和更改存储器以加速旨在输出到显示器的帧缓冲器中图像的创建。通常,图形处理单元230在操纵计算机图形和图像处理方面非常有效,并且具有高度并行的结构,这使其比通用CPU更有效地用于并行处理大数据块的算法。
因此,如图2中所构造的,处理系统200包括处理器201形式的处理能力、包括系统存储器214和大容量存储装置204的存储能力、诸如麦克风209和方向盘/仪表板控制件210的输入器件,以及包括扬声器211和显示监视器215的输出能力。在一个实施例中,一部分系统存储器214和大容量存储装置204共同存储操作系统以协调图2中所示的各个部件的功能。
图3描绘了根据一个或多个实施例的与结合了车载计算机系统54N的自动驾驶或非自动驾驶车辆相关联的系统300的部件。车辆310通常包括底盘312、车身314、前轮316和后轮318。车身314可以布置在底盘312上并且可以基本上包围车辆310的部件。车身314和底盘312可以共同地形成一框架。车轮316和318每个都在车身314的相应拐角附近旋转地联接至底盘312。
行为计划和碰撞检测系统可以被结合到车辆310中。车辆310被描述为乘用车,但是应当理解,车辆310可以是另一种类型的车辆,例如摩托车、卡车、运动型多用途车(SUV)、休闲车(RV)、轮船、飞机等。
车辆310可以根据车辆自动化规模的各个级别进行操作,例如,4级或5级。在4级系统上的操作表示“高度自动化”,是指动态驾驶任务的各个方面通过自动驾驶系统的特定驾驶模式的性能,即使驾驶人员没有适当地响应干预请求。在5级系统上的操作表示“完全自动化”,是指在可以由驾驶人员管理的所有道路和环境条件下动态驾驶任务的各个方面通过自动驾驶系统的全时性能。
车辆310还可以包括推进系统320、传动系统322、转向系统324、制动系统326、传感器系统328、致动器系统330、至少一个数据存储设备332、至少一个控制器334和通信系统336。推进系统320可以是内燃机、诸如牵引马达的电机和/或燃料电池推进系统。传动系统322可以被构造为根据可选择的速比将动力从推进系统320传递到车轮316和318。传动系统322可以包括有级自动变速器、无级变速器或其他合适的变速器。制动系统326可以被构造为向车轮316和318提供制动扭矩。制动系统326可以利用摩擦制动器、线制动器、诸如电机的再生制动系统和/或其他合适的制动系统。转向系统324影响车轮316和318的位置。
传感器系统328可以包括一个或多个感测设备340a-340n,其感测车辆310的外部环境和/或内部环境的可观察到的状况。感测设备340a-340n可以包括但不限于,速度、雷达、LIDAR(激光雷达)、全球定位系统、光学相机、热像仪、超声传感器、惯性测量单元和/或其他传感器。致动器系统330包括一个或多个致动器设备342a-342n,其控制一个或多个车辆特征,例如但不限于推进系统320、传动系统322、转向系统324和制动系统326。在各个实施例中,车辆特征可以进一步包括内部和/或外部车辆特征,例如但不限于门、行李箱和舱室特征,例如空气、音乐、照明等(未编号)。
传感器系统328可以用于获得各种车辆读数和/或其他信息。感测设备340a-340n可以产生代表车辆310的位置、速度和/或加速度的读数。感测设备340a-340n还可以产生代表横向加速度、偏航率等的读数。感测设备340a-340n可以利用多种不同的传感器和感测技术,包括使用旋转轮速度、地面速度、加速踏板位置、齿轮位置、变速杆位置、加速计、发动机速度、发动机输出以及节气门位置和惯性测量单元(IMU)等的传感器和传感技术。通过将雷达、激光和/或其他信号引向已知的静止对象并分析反射信号,或通过使用来自具有GPS和/或远程信息处理能力的导航单元的反馈,经由远程信息处理模块,其可用于监视车辆的位置、运动、状态和行为,感测设备340a-340n可用于确定相对于地面的车轮速度。
通信系统336可以被构造为将信息无线传送到其他实体348(例如,但不限于,其他车辆(“V2V”通信)、基础设施(“V2I”通信)、远程系统和/或个人设备)以及无线传送来自于其他实体的信息。通信系统336可以是被构造为使用IEEE 802.11标准经由无线局域网(WLAN)或通过使用蜂窝数据通信进行通信的无线通信系统。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信道是指专门为汽车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。
数据存储设备332可以存储用于自动控制自动驾驶车辆310的数据。数据存储设备332还可以存储可导航环境的定义地图。可以从远程系统获得定义的地图。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)通信至自动驾驶车辆310,并存储在数据存储设备332中。路线信息也可以存储在数据存储设备332中,(即一组路段(在地理上与一个或多个已定义地图相关联),共同定义了用户从起始位置(例如,用户的当前位置)到目标位置的路线)。数据存储设备332可以是控制器334的一部分,与控制器334分开,或者是控制器334的一部分,并且是单独系统的一部分。
控制器334可以包括至少一个处理器344和计算机可读存储设备或介质346。处理器344可以是任何定制的或可商购的处理器、中央处理器(CPU)、图形处理单元(GPU)、与控制器334相关联的若干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)、宏处理器、其任何组合或通常用于执行指令的任何设备。
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。指令在由处理器344执行时,接收并处理来自传感器系统328的信号,执行用于自动控制自动驾驶车辆310的部件的逻辑、计算、方法和/或算法,并生成至致动器系统330的控制信号,以基于逻辑、计算、方法和/或算法自动控制自动驾驶车辆310的部件。
车辆310还可以包括安全控制模块(未示出)、信息娱乐/娱乐控制模块(未示出)、远程信息处理模块(未示出)、GPS模块(未示出)(也可以使用GLONASS)等。安全控制模块可以提供各种撞击或碰撞感测、避免和/或缓解类型的功能。例如,安全控制模块提供和/或执行碰撞警告、车道偏离警告、自动驾驶或半自动驾驶制动、自动驾驶或半自动驾驶转向、安全气囊展开、主动撞击缓冲区、安全带预紧器或负载限制器,以及在发生撞击等情况下自动通知应急人员。
信息娱乐/娱乐控制模块可以向车辆310的乘员提供信息和娱乐的组合。该信息和娱乐可以与例如音乐、网页、电影、电视节目、视频游戏和/或其他信息。
远程信息处理模块可以通过无线运营商系统(未示出)并通过无线网络(未示出)利用无线语音和/或数据通信,以使车辆310能够提供许多不同的服务,包括与导航、电话、紧急援助、诊断、信息娱乐等有关的服务。远程信息处理模块还可以利用根据GSM、W-CDMA或CDMA标准的蜂窝通信以及根据每个3G或4G标准实现的一个或多个协议或其他无线协议,例如任何IEEE 802.11协议、WiMAX或蓝牙的无线通信。当用于例如TCP/IP之类的分组交换数据通信时,远程信息处理模块可以构造一静态IP地址,或者可以设置为自动从网络上的另一个设备,例如从路由器或从网络地址服务器(例如,DHCP服务器)接收动态分配的IP地址。
GPS模块可以从多个GPS卫星(未示出)接收无线电信号。从这些接收到的无线电信号中,GPS模块可以确定可用于提供导航和其他与位置相关的服务的车辆位置。导航信息可以被呈现在车辆310内的显示器(例如,显示器215)上,或者可以被言语地呈现,例如当提供逐向导航时所做的那样。可以使用专用的车载导航模块(可以是GPS模块的一部分)提供导航服务,或者可以通过远程信息处理模块来完成部分或全部导航服务。这样,用于车辆310的位置信息可以被发送到远程位置,以用于向车辆提供导航地图、地图注释(兴趣点、饭店等)、路线计算等。
图4描绘了与结合车载计算机系统54N的多个自动驾驶或非自动驾驶车辆中的每一个相关联的行为计划和碰撞检测系统400。系统400可以包括多个部件(例如,可以是控制器334的控制器410、假设解析器430、决策解析器415和轨迹计划器405)。
可以首先训练行为计划和碰撞检测系统400以使用一个或多个模拟器提供的生成的训练数据,根据与智能体(例如,汽车、卡车、摩托车、自行车、行人、动物或其他任何移动或静止对象的确定碰撞来做出路径计划决策。训练数据可以包括基于驾驶人员在横穿道路网络的一部分时操作车辆的输入,以及响应驾驶员与其他移动或静止对象、道路标志、交通信号、车道几何形状、工作区、交通等(即行为)的交互而采取的动作。训练数据可以基于各种因素(例如,车辆的驾驶模式(保守、激进等))。当行为计划和碰撞检测系统400已经获得了超过预定阈值的训练数据量时,行为计划和碰撞检测系统400可以被结合到车辆310中。被结合到车辆310中的行为计划和碰撞检测系统400可以用于当车辆310以自动驾驶或半自动驾驶的方式操作时,基于检测到的与智能体的碰撞过程来做出车辆操作决策。
使用训练数据或实时数据的行为计划和碰撞检测系统400可以利用多个运动行为模型(即,预测模型(例如,运动学、树回归等))来发展多个假设(例如,435和440),其中每个假设可以是在车辆310的预定距离内的智能体的路径预测。每个路径预测包括速度、前进方向和位置预测以及每个智能体的计算轨迹。
每个假设可用于针对预定的一组时间戳(例如,七秒周期的每半秒)对智能体进行路径预测(未来)。覆盖智能体的预测的未来路径的时间段可以用于确定车辆310与智能体之间是否会发生碰撞。该时间段可以指定为碰撞窗口。碰撞窗口可以从当通过与计算出的碰撞实例相关联的时间戳可能发生潜在碰撞的时间戳开始。
如果基于相对信息(即,各个相对速度、相对前进方向和相对距离)检测到车辆310与智能体之间的碰撞过程,则可以触发碰撞标志,并且每个假设都可以利用相对信息估计车辆310和智能体之间碰撞的时间。可以在碰撞窗口的持续时间内确定预测。
每个假设都可以输入到假设解析器430中。每个假设可以是从地图上一个位置移动到另一位置的智能体的空间轨迹。假设解析器430可以从输入到假设解析器430的多个假设(例如,假设435和假设440)中选择并输出最佳假设(基于性能)。最佳假设是在预定时间段内对智能体的最佳预测路径(未来)。假设解析器430还可以平均假设并基于该平均值在预定时间段内输出针对智能体的预测路径(未来)。
假设解析器430的输出(即,最佳预测未来路径或平均预测未来路径(预测未来路径))被输入到决策中(例如,决策1(420)和决策M(425))。假设解析器430可以为智能体输出多个预测的未来路径。假设解析器430还可以为确定位于车辆310的预定范围内的任何智能体输出多个预测的未来路径。
每个决策都考虑了位于车辆310的预定范围内的任何智能体的最佳假设。每个决策都可以分析每个假设输入,以基于预测的智能体的未来道路确定在碰撞窗口内是否可能发生碰撞。
响应于可能与智能体的碰撞,决策可以利用递归神经网络(RNN)计算输出一轨迹,该轨迹可以用于避免关联的智能体与车辆310之间的碰撞。每个RNN可以当智能体处于与车辆310的碰撞过程时,在碰撞窗口内的给定时间戳上对每个智能体的行为进行建模。每个建模的行为都可以根据智能体相对于车辆310的移动性(即,与移动智能体进行交互时的移动对移动行为,以及与静止智能体进行交互时移动对静止的行为)进行分类。可以将建模的行为以及与车辆310相关联的驾驶模式输入到分类器(DNN)中以进行轨迹预测。DNN可以输出该决策。决策输出的输出轨迹可以基于例如车辆310的速度变化、车辆310的车道变化(即,地图上的X/Y变化)或其组合。其他决策(例如,决策M(425))不会利用RNN以基于另一种方法/模型来计算车辆轨迹(例如,在考虑智能体的情况下计算输出轨迹等)。
当该决策涉及速度改变时,该决策可以使用与车辆310相关联的相对信息和与移动智能体相关联的相对信息来生成用于轨迹的输出,这会导致车辆310增大速度,从而在车辆310和移动智能体之间创建附加的空间。一示例是其中车辆310可能被移动智能体从后面撞到或侧滑的情况。在涉及速度改变的决策的另一个实例中,该决策可以使用与车辆310相关联的相对信息和与移动智能体相关联的相对信息来生成用于轨迹的输出,这会导致车辆310降低速度,从而在车辆310和移动智能体之间创建附加的空间。在涉及速度改变的决策的另一实例中,决策可以使用与车辆310相关联的相对信息和与一个对象或一组对象(例如,建筑区域)相关联的相对信息来生成轨迹的输出,这会导致车辆310降低速度,以安全地围绕对象或穿过对象进行越过。
除了改变速度和/或改变车道以解决即将发生的碰撞之外,每个决策还可以受到车辆310的分配驾驶模式的影响,该模式被输入到DNN中。例如,分配的驾驶模式可以是激进的、适度的、保守的、风景的、发烧友的等。分配的驾驶模式可能会影响决策,这可能导致未考虑驾驶模式的不同输出轨迹(例如,在接近速度较慢的车辆/智能体时,决策可能是在激进模式时改变车道或者在保守模式时减速以将车开到慢速车辆/智能体的后面。)
当该决策涉及改变车道时,该决策可以使用与车辆310相关联的相对信息和与移动智能体相关联的相对信息来生成用于一轨迹的输出,其可导致车辆310通过更改一条或多条车道来避免碰撞。在涉及改变车道的决策的另一实例中,该决策可以使用与车辆310相关联的相对信息和与对象或一组对象(例如,建筑区域)关联的相对信息来生成轨迹的输出,其会导致车辆310改变一个或多个车道,以安全地围绕对象或穿过对象进行越过。即使当平均输出轨迹将无效(例如,当平均值指示选择左岔路和右岔路之间的路径时,选择该道路的左岔路或道路的右岔路)时,每个决策也可以提供有效/现实的(人)输出轨迹。
每个决策都可以输入到决策解析器415中。决策解析器415可以选择最佳决策(即,根据给定的事件集最接近地模仿人类行为的决策)。决策解析器415可以将所选择的决策输入到轨迹计划器405中。轨迹计划器405可以使用与所提供的决策相关联的输出轨迹来生成车辆310要穿越的路径/轨迹。轨迹计划器405可以将路径/轨迹输入到控制器410中。控制器410可以使用接收到的路径/轨迹来做出避免碰撞的车辆操作决策。
图5描绘了根据一个或多个实施例的用于实现用于车辆避免碰撞的方法的方法500的流程图。在框505处,系统(例如,行为计划和碰撞检测系统400)可以从多个智能体中的每个智能体或关于多个智能体中的每个智能体接收数据。所接收的数据可以包括速度、前进方向和位置信息。在框510处,系统可以从接收到的数据生成训练数据。在框515处,可以使用所生成的训练数据来训练车辆系统或其一部分。训练可以基于在道路网络上或沿道路网络相互交互的智能体(移动和静止)的模拟。模拟可以基于智能体、车辆和道路类型的随机排列。
在框520处,可以将训练的车辆系统安装在车辆中(例如,车载计算机系统54N)。在框525处,在车辆操作(即,横穿道路网络)时,车载计算机系统54N可以确定车辆310在包括道路网络的地图上的位置。在框530处,车载计算机系统54N可以确定在车辆的预定范围内是否存在一个或多个智能体(移动或静止)。
在框535处,车载计算机系统54N可以利用训练的车辆系统来确定是否在车辆与沿道路网络的一个或多个移动智能体和/或一个或多个静止智能体之间检测到碰撞过程。如果未检测到碰撞过程,则该方法返回到框525。
如果检测到碰撞过程,则方法进行到框540,在框540处,系统可以计算避免碰撞的一个或多个决策。每个决策都可以输出车辆轨迹。该系统可以利用一个或多个递归神经网络(RNN)来计算每个决策。驾驶模式也可以用于车辆轨迹的计算中。在框545处,车载计算机系统54N可以从一个或多个计算出的决策中选择最佳决策。在框550处,车载计算机系统54N可以使用与最佳决策相关联的计算出的轨迹来控制车辆的操作以执行计算出的轨迹。
图6描绘了根据一个或多个实施例的用于基于从多个智能体中的每一个或关于多个智能体中的每一个接收的数据来实施用于训练车辆310的车辆系统以避免碰撞的方法的方法600的流程图。在框605处,系统(例如,行为计划和碰撞检测系统400)可以使用一个或多个预测模型和模拟来预测多个移动智能体中的每一个的轨迹/行为。在框610处,系统可以使用一个或多个预测模型来预测一个或多个静止智能体的位置。在框615处,该系统可以计算车辆的碰撞窗口。
在框620处,该系统可以使用一个或多个预测模型和模拟来预测多个智能体中的每个智能体的未来运动/轨迹。在框625处,该系统可以确定在车辆310与一个或多个移动智能体和/或一个或多个静止智能体之间是否检测到碰撞过程。如果没有检测到碰撞过程,则该方法返回到框605。
如果检测到碰撞过程,则该方法进行到框630,在框630处,该系统估计发生碰撞的时间。在框635处,该系统可以确定接收到的数据是否超过训练数据阈值。该训练数据阈值可以是预定量的数据。如果接收到的数据没有超过训练数据阈值,则该方法返回至框605。如果接收到的数据确实超过所述训练数据阈值,则该方法进行至框640,在框640处,所述方法的接收到的数据、预测、计算和估计用于制定车辆操作决策。
因此,本文公开的实施例描述了一种系统,该系统可以对避免碰撞行为进行建模并设计RNN结构,该RNN结构可以利用与一车辆在碰撞过程的智能体之间的一系列“相对特征”预测(例如,相对速度和相对前进方向),并修改车辆的行为(例如,速度和/或前进方向)以避免碰撞。RNN结构可以是用于避免碰撞的序列到序列映射。可以使用所生成的训练数据来训练RNN结构用于操作,该训练数据包括车辆310和智能体的动作的随机排列。因此,训练数据允许RNN结构在穿越道路网络时基于车辆和智能体的实际运动以及针对给定交互的人为决策,而不是采用通常对实际驾驶情况不那么灵活和较少响应的基于规则的模型,来操作。
所公开的实施例的技术效果和益处包括但不限于使用从训练数据中收集到的车辆的人为操作的行为模式,以避免车辆与智能体(即,诸如汽车和行人的移动智能体,以及诸如停车标志的静止智能体)之间的碰撞。因此,采用公开实施例的自动驾驶和非自动驾驶车辆以增加的安全性进行操作,因为可以由系统基于用于训练所述系统的模拟数据来实现避免碰撞行为。一旦对系统进行了培训,就可以影响诸如自动驾驶之类的实际应用,以安全地解决诸如碰撞之类的危险情况。
本公开可以是系统、方法和/或计算机可读存储介质。计算机可读存储介质可以包括在其上的用于使处理器执行本公开的各方面的计算机可读程序指令。
计算机可读存储介质可以是有形设备,其可以保留和存储由指令执行设备使用的指令。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下内容:便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能磁盘(DVD)、记忆棒、机械编码的设备以及任何其他前述的适当组合。如本文所使用的,计算机可读存储介质不应被理解为本身是瞬时信号,例如无线电波或其他自由传播的电磁波、通过波导传播的电磁波或其他传输介质(例如,穿过光纤电缆的光脉冲)或通过电线传输的电信号。
计算机可读程序指令还可被加载到计算机、其他可编程数据处理装置或其他设备上,以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤以产生计算机实现的处理,使得在计算机、其他可编程装置或其他设备上执行的指令实现在流程图和/或一个或多个框图框中指定的功能/动作。
虽然已经参考示例性实施例描述了以上公开,但是本领域技术人员将理解,在不脱离本发明范围的情况下,可以进行各种改变并且可以用等同物代替其要素。另外,在不脱离本公开的实质范围的情况下,可以做出许多修改以使特定情况或材料适应本公开的教导。因此,意图是本公开不限于所公开的特定实施例,而是将包括落入其范围内的所有实施例。
Claims (10)
1.一种用于车辆避免碰撞的方法,该方法包括:
将车辆系统安装到车辆中,其中所述车辆系统使用来自一个或多个智能体的运动信息以及与和一个或多个智能体或车辆相关联的一个或多个个体相关联的行为,基于训练数据提供避免碰撞的指导;
通过所述车辆系统由处理器检测该车辆与一个或多个移动智能体和/或一个或多个静止智能体之间的碰撞过程;
响应于检测到碰撞过程由处理器计算避免碰撞的一个或多个决策,其中,每个决策包括车辆轨迹;
由处理器从一个或多个决策中选择一决策;和
由处理器基于所选择的决策来控制该车辆的操作。
2.根据权利要求1所述的方法,其中,所述训练数据包括基于一个或多个预测模型的数据,该一个或多个预测模型用来预测与所述一个或多个智能体相关联的未来运动。
3.根据权利要求1所述的方法,其中,一个或多个递归神经网络(RNN)用于计算避免所述碰撞的一个或多个决策。
4.根据权利要求1所述的方法,其中,来自一个或多个智能体的运动信息包括速度、前进方向和位置信息。
5.根据权利要求1所述的方法,其中,碰撞窗口用于检测碰撞过程。
6.根据权利要求1所述的方法,其中,控制所述车辆的操作包括速度的改变和/或车道的改变。
7.一种用于车辆避免碰撞的系统,该系统包括:
车辆;其中该车辆包括:
存储器和联接到该存储器的处理器;和
决策解析器;
轨迹计划器;和
控制器;
其中所述处理器是可操作的以:
利用进入车辆中的车辆系统,其中所述车辆系统使用来自一个或多个智能体的运动信息以及与和一个或多个智能体或车辆相关联的一个或多个个体相关联的行为,基于训练数据提供避免碰撞的指导;
通过车辆系统检测车辆与一个或多个移动智能体和/或一个或多个静止智能体之间的碰撞过程;
响应于检测到碰撞过程,计算避免碰撞的一个或多个决策,其中每个决策包括车辆轨迹;
从一个或多个决策中选择一决策;和
基于所选的决策控制该车辆的操作。
8.根据权利要求7所述的系统,其中,一个或多个递归神经网络(RNN)被用于计算避免所述碰撞的一个或多个决策。
9.根据权利要求7所述的系统,其中,控制所述车辆的操作包括速度的改变和/或车道的改变。
10.一种计算机可读存储介质,具有随其实施的程序指令,该程序指令能够由处理器读取以使所述处理器执行根据权利要求1至6中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/365,078 | 2019-03-26 | ||
US16/365,078 US11260852B2 (en) | 2019-03-26 | 2019-03-26 | Collision behavior recognition and avoidance |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111746555A true CN111746555A (zh) | 2020-10-09 |
Family
ID=72606592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010173242.6A Pending CN111746555A (zh) | 2019-03-26 | 2020-03-13 | 碰撞行为的识别和避免 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11260852B2 (zh) |
CN (1) | CN111746555A (zh) |
DE (1) | DE102020103509A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112477868A (zh) * | 2020-12-07 | 2021-03-12 | 北京紫光展锐通信技术有限公司 | 碰撞时间计算方法、装置、可读存储介质和计算机设备 |
CN114633743A (zh) * | 2020-12-16 | 2022-06-17 | 郑州宇通客车股份有限公司 | 一种自动驾驶车辆及其碰撞事故检测方法和系统 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190185012A1 (en) | 2017-12-18 | 2019-06-20 | PlusAI Corp | Method and system for personalized motion planning in autonomous driving vehicles |
US11130497B2 (en) * | 2017-12-18 | 2021-09-28 | Plusai Limited | Method and system for ensemble vehicle control prediction in autonomous driving vehicles |
US11364904B2 (en) * | 2019-03-26 | 2022-06-21 | GM Global Technology Operations LLC | Path-planning fusion for a vehicle |
CN110135302B (zh) * | 2019-04-30 | 2021-08-31 | 百度在线网络技术(北京)有限公司 | 训练车道线识别模型的方法、装置、设备和存储介质 |
WO2020223751A1 (en) * | 2019-05-07 | 2020-11-12 | Kontrol Gmbh | Formal verification for the development and real-time application of autonomous systems |
US11663514B1 (en) * | 2019-08-30 | 2023-05-30 | Apple Inc. | Multimodal input processing system |
US11586931B2 (en) * | 2019-10-31 | 2023-02-21 | Waymo Llc | Training trajectory scoring neural networks to accurately assign scores |
US11475774B2 (en) * | 2020-04-03 | 2022-10-18 | Verizon Patent And Licensing Inc. | Systems and methods for machine learning based collision avoidance |
EP4012603B1 (en) * | 2020-12-10 | 2023-12-06 | Aptiv Technologies Limited | Method for classifying a tracked object |
GB2605991A (en) * | 2021-04-21 | 2022-10-26 | Zeta Specialist Lighting Ltd | Traffic control at an intersection |
US11400958B1 (en) * | 2021-09-20 | 2022-08-02 | Motional Ad Llc | Learning to identify safety-critical scenarios for an autonomous vehicle |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP2012059058A (ja) * | 2010-09-09 | 2012-03-22 | Toyota Central R&D Labs Inc | 危険推定装置及びプログラム |
CN103640532A (zh) * | 2013-11-29 | 2014-03-19 | 大连理工大学 | 基于驾驶员制动与加速意图辨识的行人防碰撞预警方法 |
DE102013021813A1 (de) * | 2013-12-20 | 2015-06-25 | Audi Ag | Fahrerassistenzsystem mit adaptiver Reaktionsschwelle |
CN104812647A (zh) * | 2012-11-29 | 2015-07-29 | 丰田自动车株式会社 | 驾驶辅助装置以及驾驶辅助方法 |
CN106608263A (zh) * | 2015-10-27 | 2017-05-03 | 通用汽车环球科技运作有限责任公司 | 用于避免在左转或右转交叉口汽车碰撞的算法 |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
CN107031619A (zh) * | 2015-12-11 | 2017-08-11 | 现代自动车株式会社 | 用于控制自动驾驶系统的路径的方法和设备 |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
CN108090457A (zh) * | 2017-12-27 | 2018-05-29 | 天津天地人和企业管理咨询有限公司 | 一种基于视频的机动车不礼让行人检测方法 |
CN108583571A (zh) * | 2018-04-28 | 2018-09-28 | 深圳市商汤科技有限公司 | 碰撞控制方法及装置、电子设备和存储介质 |
CN108674413A (zh) * | 2018-05-18 | 2018-10-19 | 广州小鹏汽车科技有限公司 | 车辆行人碰撞预防方法及系统 |
US20190051191A1 (en) * | 2017-08-11 | 2019-02-14 | The Boeing Company | Automated detection and avoidance system |
US20190050711A1 (en) * | 2017-08-08 | 2019-02-14 | Neusoft Corporation | Method, storage medium and electronic device for detecting vehicle crashes |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9868393B2 (en) * | 2015-12-10 | 2018-01-16 | International Business Machines Corporation | Vehicle accident avoidance system |
US10782693B2 (en) * | 2017-09-07 | 2020-09-22 | Tusimple, Inc. | Prediction-based system and method for trajectory planning of autonomous vehicles |
US11130497B2 (en) * | 2017-12-18 | 2021-09-28 | Plusai Limited | Method and system for ensemble vehicle control prediction in autonomous driving vehicles |
US10983524B2 (en) * | 2018-04-12 | 2021-04-20 | Baidu Usa Llc | Sensor aggregation framework for autonomous driving vehicles |
US10757551B2 (en) * | 2018-10-17 | 2020-08-25 | Ford Global Technologies, Llc | Vehicle-to-infrastructure (V2I) messaging system |
-
2019
- 2019-03-26 US US16/365,078 patent/US11260852B2/en active Active
-
2020
- 2020-02-11 DE DE102020103509.8A patent/DE102020103509A1/de active Pending
- 2020-03-13 CN CN202010173242.6A patent/CN111746555A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP2012059058A (ja) * | 2010-09-09 | 2012-03-22 | Toyota Central R&D Labs Inc | 危険推定装置及びプログラム |
CN104812647A (zh) * | 2012-11-29 | 2015-07-29 | 丰田自动车株式会社 | 驾驶辅助装置以及驾驶辅助方法 |
CN103640532A (zh) * | 2013-11-29 | 2014-03-19 | 大连理工大学 | 基于驾驶员制动与加速意图辨识的行人防碰撞预警方法 |
DE102013021813A1 (de) * | 2013-12-20 | 2015-06-25 | Audi Ag | Fahrerassistenzsystem mit adaptiver Reaktionsschwelle |
CN106608263A (zh) * | 2015-10-27 | 2017-05-03 | 通用汽车环球科技运作有限责任公司 | 用于避免在左转或右转交叉口汽车碰撞的算法 |
CN107031619A (zh) * | 2015-12-11 | 2017-08-11 | 现代自动车株式会社 | 用于控制自动驾驶系统的路径的方法和设备 |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
US20190050711A1 (en) * | 2017-08-08 | 2019-02-14 | Neusoft Corporation | Method, storage medium and electronic device for detecting vehicle crashes |
US20190051191A1 (en) * | 2017-08-11 | 2019-02-14 | The Boeing Company | Automated detection and avoidance system |
CN108022012A (zh) * | 2017-12-01 | 2018-05-11 | 兰州大学 | 基于深度学习的车辆位置预测方法 |
CN108090457A (zh) * | 2017-12-27 | 2018-05-29 | 天津天地人和企业管理咨询有限公司 | 一种基于视频的机动车不礼让行人检测方法 |
CN108583571A (zh) * | 2018-04-28 | 2018-09-28 | 深圳市商汤科技有限公司 | 碰撞控制方法及装置、电子设备和存储介质 |
CN108674413A (zh) * | 2018-05-18 | 2018-10-19 | 广州小鹏汽车科技有限公司 | 车辆行人碰撞预防方法及系统 |
Non-Patent Citations (1)
Title |
---|
中国优秀硕士学位论文全文数据库 信息科技辑: "于循环神经网络的轨迹位置预测技术研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 July 2016 (2016-07-15), pages 140 - 71 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112477868A (zh) * | 2020-12-07 | 2021-03-12 | 北京紫光展锐通信技术有限公司 | 碰撞时间计算方法、装置、可读存储介质和计算机设备 |
CN114633743A (zh) * | 2020-12-16 | 2022-06-17 | 郑州宇通客车股份有限公司 | 一种自动驾驶车辆及其碰撞事故检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
US20200307564A1 (en) | 2020-10-01 |
US11260852B2 (en) | 2022-03-01 |
DE102020103509A1 (de) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11260852B2 (en) | Collision behavior recognition and avoidance | |
JP6831420B2 (ja) | 自動運転車の軌跡候補を評価するための方法 | |
CN110248861B (zh) | 在车辆操纵过程中使用机器学习模型来引导车辆 | |
US11016500B2 (en) | Simulation-based method to evaluate perception requirement for autonomous driving vehicles | |
CN110389583B (zh) | 生成自动驾驶车辆的轨迹的方法 | |
KR102070530B1 (ko) | 모션 계획에 기초한 자율 주행 차량의 운행 방법 및 시스템 | |
US20210339741A1 (en) | Constraining vehicle operation based on uncertainty in perception and/or prediction | |
CN108255170B (zh) | 动态地调整自动驾驶车辆的速度控制率的方法 | |
US10916125B2 (en) | Systems and methods for cooperative smart lane selection | |
US20200310448A1 (en) | Behavioral path-planning for a vehicle | |
CN111746557B (zh) | 用于车辆的路径规划融合 | |
US20200225363A1 (en) | Maintaining vehicle position accuracy | |
EP3882100A1 (en) | Method for operating an autonomous driving vehicle | |
CN109085818B (zh) | 基于车道信息控制自动驾驶车辆的车门锁的方法和系统 | |
EP3869341A1 (en) | Play-forward planning and control system for an autonomous vehicle | |
CN111103876A (zh) | 自动驾驶车辆的基于雷达通信的扩展感知 | |
CN117130298A (zh) | 用于评估自动驾驶系统的方法、装置及存储介质 | |
WO2023010043A1 (en) | Complementary control system for an autonomous vehicle | |
CN116917827A (zh) | 驾驶仿真中的代理转换 | |
CN113002534A (zh) | 碰撞后减损制动系统 | |
US20220009494A1 (en) | Control device, control method, and vehicle | |
CN115265537A (zh) | 具有交通状态检测机制的导航系统及其操作方法 | |
US20230406362A1 (en) | Planning-impacted prediction evaluation | |
WO2023228781A1 (ja) | 処理システム及び情報提示装置 | |
US20230406293A1 (en) | Secondary fallback software stack for autonomous vehicle |
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 |