CN111752258A - 自主车辆的操作测试 - Google Patents
自主车辆的操作测试 Download PDFInfo
- Publication number
- CN111752258A CN111752258A CN202010232293.1A CN202010232293A CN111752258A CN 111752258 A CN111752258 A CN 111752258A CN 202010232293 A CN202010232293 A CN 202010232293A CN 111752258 A CN111752258 A CN 111752258A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- simulation
- primary
- models
- vehicle models
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 110
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000033001 locomotion Effects 0.000 claims description 26
- 230000008447 perception Effects 0.000 claims description 16
- 239000000872 buffer Substances 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims 3
- 238000005516 engineering process Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- SQNZJJAZBFDUTD-UHFFFAOYSA-N durene Chemical compound CC1=CC(C)=C(C)C=C1C SQNZJJAZBFDUTD-UHFFFAOYSA-N 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3664—Environments for testing or debugging software
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2637—Vehicle, car, auto, wheelchair
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了用于在自主车辆上进行操作测试的设备、系统和方法。一种示例性方法包括利用算法配置主要车辆模型,针对排除该算法的一个或多个次要车辆模型中的每个次要车辆模型计算一个或多个轨迹,利用一个或多个轨迹的对应的轨迹来配置一个或多个次要车辆模型,基于运行与一个或多个次要车辆模型交互的主要车辆模型的模拟而生成更新的算法,一个或多个次要车辆模型在模拟中符合对应的轨迹,并将更新的算法集成到自主车辆的算法单元中。
Description
技术领域
本文档涉及自主车辆的测试。
背景技术
自主车辆导航是一种用于感测车辆的位置和运动,并且基于该感测,自主地控制车辆向目的地导航的技术。自主车辆导航在人、物和服务的运输中具有重要的应用。为了确保车辆及其乘客以及在车辆附近的人员和财产的安全,必须对由这些应用实现的自主算法进行强有力的测试。
在大多数情况下,在现实世界的驾驶环境中对自主算法进行强有力的测试是危险的或不可实行的。相反,模拟器可以被用以测试用于自主车辆的算法。然而,为了有效地测试自主车辆,这些模拟器必须能够现实地建模主要车辆在接近和响应其他车辆时的行为,并且必须以高效的方式这样做。
发明内容
公开了用于自主车辆的操作测试的设备、系统和方法。这可以通过使用在以超实时的方式测试车辆模拟各种自主车辆系统时收集的数据来实现。在各种场景中对自主车辆系统进行模拟,保证了自主车辆的操作的鲁棒性。
在一方面中,所公开的技术可以被使用以提供用于自主车辆的操作测试的方法。在另一方面中,所公开的技术可以被使用以提供一种在其上存储有代码的非暂态的计算机可读程序存储介质,当该代码由处理器执行时,使得处理器执行用于自主车辆的操作测试的方法。该方法包括利用算法配置主要车辆模型,针对排除该算法的一个或多个次要车辆模型中的每个次要车辆模型计算一个或多个轨迹,利用一个或多个轨迹中的对应的轨迹来配置一个或多个次要车辆模型,基于运行与一个或多个次要车辆模型交互的主要车辆模型的模拟而生成更新的算法,一个或多个次要车辆模型在模拟中符合对应的轨迹,以及将更新的算法集成到自主车辆的算法单元中。
在又一方面中,所公开的技术可以被使用以提供用于自主车辆的操作测试的设备。该设备包括处理器和存储器,该存储器包括存储在其中的指令,其中,指令当由处理器执行时,该指令将处理器配置为利用算法配置主要车辆模型,针对排除该算法的一个或多个次要车辆模型中的每个次要车辆模型计算一个或多个轨迹,利用一个或多个轨迹中的对应的轨迹来配置一个或多个次要车辆模型,基于运行与一个或多个次要车辆模型交互的主要车辆模型的模拟而生成更新的算法,一个或多个次要车辆模型在模拟中符合对应的轨迹,并将更新的算法集成到自主车辆的算法单元中。
在附图、说明书和权利要求书中更详细地描述了所公开技术的上述和其他方面及特征。
附图说明
图1A和图1B示出了根据本公开技术的实施例的用于自主车辆的操作测试的模拟框架的示例。
图2示出了在自主车辆的操作测试的模拟核心中使用的实体部件系统(ECS)框架的示例。
图3示出了在自主车辆的操作测试中使用的模拟的多线程框架示例。
图4A至图4D示出了用于设置和模拟自主车辆的操作测试的处理的示例性截图。
图5是根据本公开技术的实施例的用于自主车辆的操作测试的示例性方法的流程图。
图6示出了可以实现在本文档中描述的一些技术的硬件平台的示例。
具体实施方式
自动驾驶模拟收集数据以提高其自主车辆算法训练能力、传感器准确度和道路数据质量。业内人员建议,自主车辆应记录180亿公里(110亿英里)的道路测试数据,以达到可接受的安全阈值。然而,这将需要一支由100辆车组成的车队,以40公里/小时(25英里/小时)的恒定速度一直不休的在公路上行驶5年。自动驾驶模拟是一种理想化的解决方案,能够在数字环境中利用相对较低的操作成本连续且无限制地收集数据。在示例中,模拟可以被用于实时重放由现实世界案例定义的场景,其中每个场景可以持续30秒以用于运动规划的目的。
自动驾驶模拟在里程数据收集效率、路况数据集多样性、传感器数据精度方面中具有优势,并且可以在降低车队操作成本的同时,促进数据采集速度以达到里程累积目标。此外,自动驾驶模拟还可以增加数据集的不确定性,以提高系统的响应性。自动驾驶模拟可以产生各种场景,以在不同的条件下(例如在恶劣的天气条件、繁忙的交通环境和各种不同的场景中)测试和改善车辆性能。因此,为了自主车辆操作的安全性和鲁棒性,可能需要考虑数百万种不同的场景。本公开技术的实施例提供了包括“超实时”模拟能力的模拟框架,其中实时场景的一秒可以在大约毫秒或更短的时间内被模拟,从而能够模拟数百万的不同场景。
图1A和图1B示出了根据本公开技术的实施例的用于自主车辆的操作测试的模拟框架的示例。图1A图示了根据一个示例实施例的自主车辆模拟系统401的一个示例性实施例的基本部件,自主车辆模拟系统401与现实世界驾驶环境201的元件的交互,以及用于在现实世界驾驶中控制自主车辆的自主车辆系统301。如在图1A示出的,一个示例性实施例的自主车辆模拟系统401可以插入在现实世界的驾驶环境201与如上文所述的自主车辆系统301之间。作为结果,自主车辆系统301可以从自主车辆模拟系统401接收与从现实世界驾驶环境201所接收的相同类型的数据。与现实世界驾驶环境201相比,自主车辆模拟系统401可以代替现实世界地图信息210和现实世界感测数据215(包括现实世界附近车辆220)产生模拟地图数据消息和/或模拟感知数据消息。自主车辆模拟系统401还可以产生模拟的近似动态车辆,作为模拟感知数据消息的一部分。由自主车辆模拟系统401产生的模拟地图数据消息和/或模拟感知数据消息可以来源于或基于从现实世界驾驶环境201接收到的现实世界地图和感知数据。
各种示例实施例的自主车辆模拟系统401可以生成二维(2D)或三维(3D)模拟地图数据,以测试自主车辆系统的地图处理能力。备选地,由自主车辆模拟系统401产生的模拟地图数据消息和/或模拟感知数据消息可以被完全地模拟并且完全独立于现实世界的驾驶环境201生成。作为另一备选方案,从现实世界驾驶环境201接收的现实世界地图信息210和感知数据215可以通过自主车辆模拟系统401直接地传递到自主车辆系统301,使自主车辆模拟系统401对于现实世界的驾驶环境201和自主车辆系统301完全地透明。因此,自主车辆模拟系统401可以被配置为产生模拟地图数据消息和模拟感知数据消息,模拟地图数据消息和模拟感知数据消息可以包括现实世界数据和/或模拟数据的配置组合,现实世界数据和/或模拟数据的配置组合包括完全不存在现实世界数据或模拟数据的配置组合。在这种方式中,自主车辆模拟系统401可以高度灵活并且通常对其所使用的自主车辆系统301透明。
类似地,自主车辆系统301可以将与在现实世界驾驶环境201中输出到现实世界自主车辆230相同类型的自主车辆控制消息输出到自主车辆模拟系统401。由自主车辆系统301生成的这些自主车辆控制消息可以由自主车辆模拟系统401接收并分析以确定在由模拟地图数据和模拟感知数据呈现的情况下控制消息的有效性和适当性。自主车辆模拟系统401可以生成与由自主车辆系统301和/或在其中的运动规划模块330生成的自主车辆控制消息的分析相对应的度量或分析数据。
自主车辆模拟系统401还可以生成与由自主车辆系统301生成的自主车辆控制消息相对应的车辆运动记录数据。车辆运动记录数据可以捕捉使用由自主车辆系统301生成的自主车辆控制消息控制的模拟自主车辆的运动和行为。车辆运动记录数据可以包括对应于地图数据和与相关联的自主车辆控制消息同步的感知数据的数据。作为结果,车辆运动记录数据可以记录由自主车辆系统301和/或运动规划模块330产生的地图数据、感知数据和相对应的车辆控制消息的时序集合。因此,由具有指定配置的输入的自主车辆模拟系统401可以对自主车辆系统301进行模拟,并且由自主车辆系统301产生的结果输出可以被分析、记录和验证。
此外,可以保留和回放车辆运动记录数据,以对其中的自主车辆系统301和在其中的运动规划模块330的操作进行进一步分析。自主车辆模拟系统401使记录的车辆运动数据的回放能够突出显示或隔离自主车辆控制模块340和运动规划模块330在各种驾驶和交通场景中的性能分析。自主车辆模拟系统401还可以允许使用运动规划模块330的修改和使用记录的车辆运动数据在测试场景中的任意点处重新启动模拟。此外,自主车辆模拟系统401可以读取从物理实验创建的记录,并且使用该记录生成与物理实验记录相同或等效的模拟感知数据。因此,本文公开的示例实施例的自主车辆模拟系统401提供用于测试自主车辆的控制系统或运动规划器的多功能模拟系统。
自主车辆模拟系统401可以直接地模拟现实世界的物体,以针对自主车辆系统提供高度逼真的环境。在一些实施例中,自主车辆模拟系统401可以被用于单个子系统测试(例如,地图、运动规划、控制等),或用于包括所有自主车辆子系统的更鲁棒的集成测试。在其它实施例中,自主车辆模拟系统401可以被用于自主车辆控制系统开发和参数调整。
图1B图示了自主车辆模拟系统的另一示例性实施例的基本部件。如在图1B中示出的,自主车辆模拟系统401包括用于设计不同场景的前端110,并且前端110可以包括使得案例设计(或场景)能够被输入的用户接口。前端110被耦合到模拟数据库130,模拟数据库130还接收来自日常道路测试数据120的输入。在示例中,日常道路测试数据120可以被存储在不同的数据库中,或者从一个或多个自主车辆的车载存储器直接地导入。在一些实施例中,模拟数据库130基于一个或多个场景参数将场景存储在不同类别中。例如,场景可以按主要(或焦点、或主机)车辆的速度、一个或多个附近车辆的平均速度、主要车辆的轨迹等分类。
自主车辆模拟系统401还包括模拟核心(150A、150B、……、150C)的大规模部署155,模拟核心可以被配置为模拟各种算法模块的操作(例如,HD地图、控制、预测、运动规划等)。在一些实施例中,模拟的输出可以存储在报告数据库140中,以便进一步分析或数据聚合。
在一些实施例中,在图1A和图1B中示出的模拟框架可以有利地用于测试拐角(或边缘)情况,其涉及仅发生在正常操作参数之外的问题或情景,特别是即使每个参数都在该参数的指定范围内,但当多个环境变量或条件同时处于极端等级时表现出来的问题或情况。通常地,试图在现实世界中再现一些拐角情况是危险的,并且因此模拟环境通过在多个参数的极端等级下测试算法来提高自主车辆算法的鲁棒性。
在一些实施例中,每个模拟核心(150A、150B、……、150C)使用实体部件系统(ECS)架构来设计程序和/或场景。ECS架构遵循组合重于继承原则,其允许在场景中的每个对象都是实体的情况下更灵活地定义实体。在一个示例中,每个实体由一个或多个添加行为或功能的部件构成。应用于自主车辆模拟并在模拟核心中实现的ECS架构的示例在图2中示出。
在一些实施例中,如在图2中示出的,模拟核心250包括焦点(或主机或主要)车辆实体272和非玩家人物(NPC)实体274。更一般地,每辆车被表示为实体,并且可以具有如在图2中示出的不同部件。在示例中,焦点车辆实体272可以包括用于记录焦点车辆实体272的规划模块的感知信息的感知部件262和记录焦点车辆实体272的当前状态的移动状态部件264。NPC实体可以包括NPC环境部件266,NPC系统使用该部件来更新NPC在下一个时间步应移动到的位置,以及可以包括移动状态部件264。模拟核心还可以包括不属于任何实体的一个或多个单体部件(例如HD地图部件268)。
因为可以将其他部件添加到现有实体,或者新的实体可以被添加并被配置为包括现有部件而无需翻修现有的代码库,所以ECS架构在模拟的设计和执行中提供了很大的灵活性。在一些实施例中,模拟核心250在逐帧的基础上更新,以确保细化以及测试的算法可以被传输回自主车辆以用于在现实世界中操作(例如,在图1中从自主车辆模拟系统401到的自主车辆系统301的消息)。
如在图1A和图1B中的示例所示出的,本公开技术的实施例提供能够以超实时方式运行的模拟框架(包括在图2中示出的模拟核心),例如,在毫秒或更短的模拟时间中(以逐帧为基础)模拟在现实世界中自主车辆操作的1秒。在一些实施例中,这是通过使用用于NPC实体的一个或多个预计算的轨迹、关断在所考虑的场景下不重要的子系统、针对NPC实体使用简单的基于规则的规划等来实现的。
图3示出了用于自主车辆的操作测试的模拟的多线程框架的示例。如图中所示出的,使用多线程框架的示例性方法从场景的初始化382开始380,并且底层ECS框架使用例如以分类方式存储不同场景的数据库330。在一些实施例中,场景与用于主要(或主机或焦点)车辆的算法(和相关参数)和用于场景中的一个或多个NPC实体的预计算轨迹一起被存储。首先确定384在当前场景中是否有可处理的帧;如果没有可处理的帧,则通过将模拟报告存储在另一(输出)数据库330上来完成模拟,而如果有可处理的帧,则处理386单个帧。在一些实施例中,处理单个帧包括地图系统更新、感知系统更新、NPC系统更新等。换言之,主要车辆的各种算法针对当前帧被更新,并且每个NPC实体在其相应的轨迹上的位置前进一帧。
在示例中,使用多线程途径使得能够在0.03毫秒中处理单个帧,并且因此时间控制器388被用于经由调用例如“系统睡眠”功能来控制模拟速度。这有利于确保在自主车辆模型中的所有活动(和相关)的子系统与在其预计算的轨迹上移动的一个或多个NPC实体交互时,可以运行时间同步的逐帧模拟。在一些实施例中,串行数据结构和接口描述语言(例如protobuf或协议缓冲器)在模拟核心中被使用以传递和记录消息。
在前面考虑的示例中,由100辆车组成的车队进行的5年道路测试对应于每辆车在现实世界中操作大约1.55×108秒。如果假设模拟以15帧/秒的帧速率操作,并且基于每帧需要0.03ms的多线程途径,则需要大约1900小时的模拟时间才能复制行业建议的道路测试,以达到可接受的安全阈值。因此,如果可以利用200个虚拟服务器(例如在亚马逊网页服务(Amazon Web Services)上的EC2实例),则可以在大约10小时中运行整套模拟。因此,所公开技术的实施例在关于确保自主车辆的操作鲁棒性提供了显著的加速。
在一些实施例中,模拟核心(例如,在图2中的模拟核心250)可以使用几种方法中的一种或多种方法来生成(或预计算)NPC实体的轨迹。主机(焦点)车辆的状态和NPC车辆的状态可以包括每辆车辆的当前位置/定位和航向以及包括每辆车辆的速度和加速度的相关导数(例如,可以由移动状态部件264追踪)。额外的,还可以在飞行或离线时生成主机车辆的外部速度配置,并在执行换道机动时保留以建模特定车辆的速度配置或性能特点。
在一个示例中,模拟核心可以获得车辆状态信息、主机车辆速度配置信息和目标位置,并且可以随后生成或拟合杜宾(Dubins)曲线,作为主机车辆从其当前位置到相邻车道中目标位置的轨迹。杜宾曲线或路径通常是指在二维欧氏(Euclidean)平面(例如,x-y平面)中的连接两点的最短曲线,该曲线具有对路径曲率的约束,且具有与路径的规定的初始和终点的切线,并且假设行驶路径的车辆只能向前行驶。最初,模拟核心可以获得或确定杜宾参数的初始集合(a、t0、t1),其中a表示对路径曲率或主机车辆的最小转弯半径的约束,t0指定杜宾曲线开始时的开始时间,t1指定杜宾曲线结束时的时间。杜宾参数的初始设置可以由车辆状态信息、主机车辆速度配置信息和目标位置确定。杜宾的参数的集合对于轨迹的生成提供了一定程度的灵活性,以避免碰撞并适应具有不同配置的各种车辆。
在另一示例中,模拟核心可以获取车辆状态信息、主机车辆速度配置信息和目标位置,并基于样条曲线拟合生成NPC实体轨迹。样条曲线是指分段多项式参数曲线。样条曲线可以用于逼近从主机车辆的当前位置到目标位置的曲线轨迹。
在又一示例中,模拟核心可以拟合分段线性速度轨迹函数,该函数可以被配置为满足初始主机车辆状态、NPC车辆初始状态、主机车辆目标状态以及对各种成本函数(例如时间、油耗,等等)可选的优化的约束。
图4A至图4D示出了用于设置和模拟自主车辆的操作测试的处理的示例屏幕截图(例如,使用在图1中的前端110)。该处理如在图4A中所示出的从将感兴趣的地理区域的概述以及选择用于自主车辆模拟的路径开始。在一些实施例中,如在图4A中示出的,可以在不同的城市中选择场景的起点和终点二者,以确保场景提供城市内(例如,本地街道)和城市间(例如,快速公路、高速公路)路线的覆盖。在其他实施例中,可以选择在城市内的路线来覆盖在运输和航运场景中普遍存在的“最后一英里”场景。
在下一步骤中,如在图4B中示出的,NPC车辆474可以被放置在期望的(初始)位置,例如,在特定的车道中并且在始发地和目的地之间的路线上的特定地点。图4C示出了配置NPC车辆474的轨迹的下一步骤。在一个示例中,车辆的初始加速度和/或速度、距主要车辆的开始距离、是否应该改变车道是参数,并且可以针对每个NPC实体配置其目标(或最终)位置。在一些实施例中,可以针对每个参数提供固定值。在其他实施例中,可以选择值的范围,并且可以从该范围中随机选择值。如在图4D中示出的,在设置和模拟自主车辆的操作测试的过程结束时将配置保存到数据库中。如在图4D中示出的,前端的用户接口显示NPC车辆的初始位置474A和最终位置474B。一旦配置的NPC实体被保存到数据库中,则用于NPC实体的轨迹可以在初始位置与最终位置之间使用配置的参数生成,并且这个预计算的轨迹可以用于该场景的模拟。
在一些实施例中,NPC实体保持在预计算的轨迹上,并且不与主要车辆交互。例如,如果NPC车辆在主要车辆后面,并且离主车太近,但因为它的预计算的轨迹不包括降低其速度,则它不会减速。在这种场景中,主要车辆可以认识到NPC车辆就在它后面,并且可以改变车道或加速以确保与NPC车辆保持安全的跟车距离。
在其它实施例中,NPC实体可以被配置为具有不同程度的自主性。例如,自主性可以包括具有(或不具有)强化学习的基于人工智能(AI)的运动规划模块,或者包括实现比主要车辆的算法更简单的基于规则的运动规划的简单规划模块。在这种配置中,NPC实体可以(以有限的方式)对主要车辆的轨迹做出反应,然后主要车辆将对NPC车辆的反应做出响应。
由于逐帧时间同步实现是基于ECS架构(例如,图2)和多线程框架(例如,图3)的,所以无论是具有或不具有能够对主要车辆做出反应的运动规划模块,使用针对NPC实体预先计算的轨迹,有利地使模拟能够以超实时运行,并同时保持在该特定场景中被测试的自主车辆算法结果的准确性和保真度。
图5是用于自主车辆的操作测试的示例性方法的流程图。方法500包括在步骤510处,利用算法配置主要车辆(也称为“焦点车辆”或“主机车辆”)模型。在一些实施例中,可以利用在图1A中示出的一个或多个算法来配置主要车辆(例如,来自地图处理模块310、感知数据处理模块320、运动规划模块330或自主车辆控制模块340的算法)。在一些实施例中,并且在图1A的环境中,3D自主车辆模拟模块430可以利用这些算法中的一个或多个算法来配置主要车辆。
方法500包括在步骤520处,计算排除该算法的一个或多个次要(也称为非玩家角色(NPC))车辆模型中的每个次要车辆模型的一个或多个轨迹。在一些实施例中,并且如在图4的环境中所描述的,NPC车辆模型可以被配置为具有不同程度的自主性。在示例中,NPC模型保持预计算的轨迹,并且不与主要车辆模型交互。在另一示例中,NPC模型遵循预计算的轨迹,但可以在预定量上偏离预计算的轨迹,以便确保更安全的驾驶条件。
方法500包括在步骤530处,利用一个或多个轨迹中的对应轨迹配置一个或多个次要车辆模型。在一些实施例中,可以进一步配置一个或多个次要车辆模型,以确保一个或多个次要车辆模型不偏离被指定的轨迹,并且它们不与主要车辆交互。在其它实施例中,一个或多个次要车辆模型可以进一步被配置为与主要车辆交互,从而偏离预计算的轨迹,但仅在预定量上偏离预计算的轨迹。
方法500包括在步骤540处,基于运行与一个或多个次要车辆模型交互的主要车辆模型的模拟来生成更新的算法。一个或多个次要车辆模型在模拟中符合对应的轨迹。在一些实施例中,更新的算法基于在主要车辆模型与一个或多个次要车辆模型之间的交互,而不基于一个或多个次要车辆模型对主要车辆模型做出的反应。在其他实施例中,更新的算法基于与一个或多个次要车辆模型(每个次要车辆模型包括比第一组算法复杂度低的第二组算法)交互的主要车辆模型(包括第一组算法)。
在一些实施例中,模拟基于实体部件系统(ECS)架构。在示例中,主要车辆模型包括被配置为与一个或多个次要车辆模型交互的感知部件,次要车辆模型包括被配置为沿着对应轨迹前进的环境部件,并且主要车辆模型和一个或多个次要车辆模型包括移动状态部件,该移动状态部件被配置为记录相应的车辆模型的当前状态。
在一些实施例中,模拟包括多线程功能,该多线程功能被配置为独立地模拟主要车辆模型和一个或多个次要车辆模型。在其他实施例中,模拟还包括至少一个协议缓冲器,协议缓冲器被配置为在主要车辆模型与一个或多个次要车辆模型之间传递和记录消息。
方法500包括在步骤550处,将更新的算法集成到自主车辆的算法单元中。
在一些实施例中,一个或多个次要车辆模型中的至少一个次要车辆模型不对主要车辆模型的轨迹做出反应。在一个示例中,一个或多个轨迹和主要车辆模型的轨迹基于杜宾路径。在另一示例中,一个或多个轨迹和主要车辆模型的轨迹基于样条曲线拟合过程。在又一示例中,一个或多个轨迹和主要车辆模型的轨迹基于分段线性速度轨迹函数。在再一示例中,一个或多个轨迹中的每个轨迹基于多个路标、速度或航向中的至少一个。
在一些实施例中,一个或多个次要车辆模型中的至少一个次要车辆模型包括人工智能模块并对主要车辆模型的轨迹作出反应。
所公开技术的实施例包括用于对包括处理器和包括存储在其中的指令的存储器的自主车辆进行操作测试的设备,其中,指令当由处理器执行时,将处理器配置为利用算法配置主要车辆模型,针对排除该算法的一个或多个次要车辆模型中的每个次要车辆模型计算一个或多个轨迹,利用一个或多个轨迹中的对应的轨迹来配置一个或多个次要车辆模型,基于运行与一个或多个次要车辆模型交互的主要车辆模型的模拟而生成更新的算法,一个或多个次要车辆模型在模拟中符合对应的轨迹,并将更新的算法集成到自主车辆的算法单元中。
在一些实施例中,模拟基于实体部件系统(ECS)架构。在示例中,主要车辆模型包括被配置为与一个或多个次要车辆模型交互的感知部件,次要车辆模型包括被配置为沿着对应的轨迹前进的环境部件,并且主要车辆模型和一个或多个次要车辆模型包括移动状态部件,移动状态部件被配置为记录相应的车辆模型的当前状态。
在一些实施例中,模拟包括多线程功能,该多线程功能被配置为独立地模拟主要车辆模型和一个或多个次要车辆模型,并且模拟还包括至少一个协议缓冲器,协议缓冲器被配置为在主要车辆模型与一个或多个次要车辆模型之间传递和记录消息。
在一些实施例中,一个或多个次要车辆模型中的至少一个次要车辆模型不对主要车辆模型的轨迹做出反应。在示例中,一个或多个轨迹和主要车辆模型的轨迹基于杜宾路径。
在一些实施例中,一个或多个次要车辆模型的至少一个次要车辆模型包括人工智能模块,并且对主要车辆模块的轨迹做出反应。
在一些实施例中,一个或多个轨迹中的每个轨迹是基于多个路标、速度或航向的至少一个。
所公开技术的实施例包括具有存储在其上的代码的非暂态计算机可读程序存储介质,该代码在由处理器执行时,使得处理器执行自主车辆的操作测试,该方法包括利用算法配置主车辆模型,针对排除该算法的一个或多个次要车辆模型中的每个次要车辆模型计算一个或多个轨迹,利用一个或多个轨迹中的对应的轨迹来配置一个或多个次要车辆模型,基于运行与一个或多个次要车辆模型交互的主要车辆模型的模拟而生成更新的算法,一个或多个次要车辆模型在模拟中符合对应的轨迹,并将更新的算法集成到自主车辆的算法单元中。
在一些实施例中,模拟基于实体部件系统(ECS)架构。在示例中,主车辆模型包括被配置为与一个或多个次要车辆模型交互的感知部件,次要车辆模型包括被配置为沿着对应的轨迹前进的环境部件,并且主要车辆模型和一个或多个次要车辆模型包括移动状态部件,移动状态部件被配置为记录相应的车辆模型的当前状态。。
在一些实施例中,模拟包括多线程功能,该多线程功能被配置为独立地模拟主要车辆模型和一个或多个次要车辆模型,并且其中模拟还包括至少一个协议缓冲器,协议缓冲器被配置为在主要车辆模型与一个或多个次要车辆模型之间传递和记录消息。
图6示出了可以被用于实现本文档中描述的一些技术的硬件平台600的示例。例如,硬件平台600可以实现方法500或者可以实现本文描述的各种模块。硬件平台600可以包括可以执行代码以实现方法的处理器602。硬件平台600可以包括可以被用于存储处理器可执行代码和/或存储数据的存储器604。硬件平台600还可以包括通信接口606。例如,通信接口606可以实现本文描述的一个或多个通信协议(LTE、Wi-Fi等)。
在本专利文档中描述的主题和功能操作的实现方式可以以各种系统、数字电子电路或以计算机软件、固件或硬件,包括在本说明书中公开的结构及其结构等效物,或者以它们中的一个或多个的组合实现。在本说明书中描述的主题的实现方式可以被实现为用于由数据处理装置执行或通过控制数据处理装置的操作执行的一个或多个计算机程序产品(例如,编码在有形且非暂态计算机可读介质上的一个或多个计算机程序指令的模块)。计算机可读介质可以是机器可读存储设备、机器可读存储基板、存储器设备、影响机器可读传播信号的物质的组合,或者它们中的一个或多个的组合。术语“数据处理单元”或“数据处理装置”涵盖用于处理数据的所有装置、设备和机器(例如包括可编程处理器、计算机或多个处理器或计算机)。除硬件外,装置还可以包括用于计算机程序创建执行环境的代码(例如,构成处理器固件、协议栈、数据库管理系统、操作系统或其中一个或多个的组合的代码)。
计算机程序(也称为程序、软件、软件应用、脚本或代码)可以以任何形式的编程语言编写(包括编译或解释语言),也可以以任何形式部署(包括作为独立程序或作为模块、部件、子例程,或其他适合在计算环境中使用的单元)。计算机程序不必须与在文件系统中的文件相对应。程序可以存储在保留其他程序或数据的文件的一部分中(例如,一个或多个脚本存储在标记语言文档中)、存储在专用于所述程序的单个文件或存储在多个协调文件(例如,存储一个或多个模块、子程序或部分代码的文件)中。计算机程序可以被部署在一台计算机上执行,也可以被部署在位于一个站点或跨多个站点分布并通过通信网络互连的多台计算机上执行。
在本说明书中所述的处理和逻辑流可以由一个或多个可编程处理器执行一个或多个计算机程序来执行,以通过操作输入数据和生成输出来执行功能。这些处理和逻辑流也可以由专用逻辑电路(例如,FPGA(现场可编程栅极阵列)或ASIC(专用集成电路))来执行,并且设备也可以实现为专用逻辑电路。
例如,适合用于执行计算机程序的处理器包括通用和专用微处理器二者,以及任何类型的数字计算机中的任何一个或多个处理器。通常,处理器将从只读存储器或随机存取存储器或其两者接收指令和数据。计算机的基本元件是用于执行指令的处理器以及用于存储指令和数据的一个或多个存储器设备。通常,计算机还将包括或被操作地耦合以从一个或多个用于存储数据的大容量存储设备(例如,磁盘、磁光盘或光盘)接收数据、或将数据传输到一个或多个大容量存储设备或两者都包括。然而,计算机不需要具有这样的设备。适合用于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、介质和存储器设备(以半导体存储器设备为例,包括例如EPROM、EEPROM和闪存设备)。处理器和存储器可以由专用逻辑电路来补充或合并在专用逻辑电路中。
虽然本专利文档包含许多细节,但这些细节不应被解释为对任何发明或可能被要求保护的内容的范围的限制,而应被解释为对特定发明的特定实施例的特征的描述。在单独实施例的环境中,在本专利文档中描述的某些特征也可以在单个实施例中以组合实现。相反,在单个实施例的环境中描述的各种特性也可以在多个实施例中单独地实现或以任何合适的子组合实现。此外,尽管上述特征可以被描述为在某些组合中起作用,甚至最初被如此而被要求保护,但是在某些情况下,可以从所要求保护的组合中除去一个或多个特征,并且所要求的组合可以被指向子组合或子组合的变型。
类似地,虽然在附图中以特定的顺序描绘了操作,但这不应理解为要求按照所示出的特定的顺序或相继次序执行此类操作,或者要求执行所有图示的操作,以获得被期望的结果。此外,在本专利文档中描述的在实施例中的各种系统部件的分隔不应理解为在所有实施例中都需要此类的分隔。
仅描述了一些实现方式和示例,并且其他实现方式、增强方式和变型可以基于在本专利文档中描述和说明的内容来实现。
Claims (20)
1.一种用于自主车辆的操作测试的方法,包括:
利用算法配置主要车辆模型;
针对排除所述算法的一个或多个次要车辆模型中的每个次要车辆模型,计算一个或多个轨迹;
利用所述一个或多个轨迹中的对应的轨迹来配置所述一个或多个次要车辆模型;
基于运行与所述一个或多个次要车辆模型交互的所述主要车辆模型的模拟,生成更新的算法,所述一个或多个次要车辆模型在所述模拟中符合所述对应的轨迹;以及
将所述更新的算法集成到所述自主车辆的算法单元中。
2.根据权利要求1所述的方法,其中所述模拟是基于实体部件系统ECS架构。
3.根据权利要求2所述的方法,其中所述主要车辆模型包括感知部件,所述感知部件被配置为与所述一个或多个次要车辆模型交互,其中所述次要车辆模型包括环境部件,所述环境部件被配置为沿着所述对应的轨迹前进,并且其中所述主要车辆模型和所述一个或多个次要车辆模型包括移动状态部件,所述移动状态部件被配置为记录相应的车辆模型的当前状态。
4.根据权利要求1所述的方法,其中所述模拟包括多线程功能,所述多线程功能被配置为独立地模拟所述主要车辆模型和所述一个或多个次要车辆模型,并且其中所述模拟还包括至少一个协议缓冲器,所述协议缓冲器被配置为在所述主要车辆模型与所述一个或多个次要车辆模型之间传递和记录消息。
5.根据权利要求1所述的方法,其中所述一个或多个次要车辆模型中的至少一个所述次要车辆模型不对所述主要车辆模型的轨迹做出反应。
6.根据权利要求5所述的方法,其中所述一个或多个轨迹和所述主要车辆模型的所述轨迹是基于杜宾路径。
7.根据权利要求1所述的方法,其中所述一个或多个次要车辆模型中的至少一个次要车辆模型包括人工智能模块,并且对所述主要车辆模型的轨迹做出反应。
8.根据权利要求1所述的方法,其中所述一个或多个轨迹中的每个轨迹是基于多个路标、速度或航向中的至少一个。
9.一种用于自主车辆的操作测试的设备,包括:
处理器;以及
存储器,包括存储在所述存储器中的指令,其中所述指令当由所述处理器执行时,将所述处理器配置为:
利用算法配置主要车辆模型;
针对排除所述算法的一个或多个次要车辆模型中的每个次要车辆模型,计算一个或多个轨迹;
利用所述一个或多个轨迹中的对应的轨迹来配置所述一个或多个次要车辆模型;
基于运行与所述一个或多个次要车辆模型交互的所述主要车辆模型的模拟,生成更新的算法,所述一个或多个次要车辆模型在所述模拟中符合所述对应的轨迹;以及
将所述更新的算法集成到所述自主车辆的算法单元中。
10.根据权利要求9所述的设备,其中所述模拟是基于实体部件系统ECS架构。
11.根据权利要求10所述的设备,其中所述主要车辆模型包括感知部件,所述感知部件被配置为与所述一个或多个次要车辆模型交互,其中所述次要车辆模型包括环境部件,所述环境部件被配置为沿着所述对应的轨迹前进,并且其中所述主要车辆模型和所述一个或多个次要车辆模型包括移动状态部件,所述移动状态部件被配置为记录相应的车辆模型的当前状态。
12.根据权利要求9所述的设备,其中所述模拟包括多线程功能,所述多线程功能被配置为独立地模拟所述主要车辆模型和所述一个或多个次要车辆模型,并且其中所述模拟还包括至少一个协议缓冲器,所述协议缓冲器被配置为在所述主要车辆模型与所述一个或多个次要车辆模型之间传递和记录消息。
13.根据权利要求9所述的设备,其中所述一个或多个次要车辆模型中的至少一个次要车辆模型不对所述主要车辆的轨迹做出反应。
14.根据权利要求13所述的设备,其中所述一个或多个轨迹和所述主要车辆模型的所述轨迹是基于杜宾路径。
15.根据权利要求9所述的设备,其中所述一个或多个次要车辆模型中的至少一个次要车辆模型包括人工智能模块,并且对所述主要车辆模型的轨迹做出反应。
16.根据权利要求9所述的设备,其中所述一个或多个轨迹中的每个轨迹是基于多个路标、速度或航向中的至少一个。
17.一种在其上存储有代码的非暂态计算机可读程序存储介质,所述代码当由处理器执行时,使得所述处理器执行自主车辆的操作测试,方法包括:
利用算法配置主要车辆模型;
针对排除所述算法的一个或多个次要车辆模型中的每个次要车辆模型,计算一个或多个轨迹;
利用所述一个或多个轨迹中的对应的轨迹来配置所述一个或多个次要车辆模型;
基于运行与所述一个或多个次要车辆模型交互的所述主要车辆模型的模拟,生成更新的算法,所述一个或多个次要车辆模型在所述模拟中符合所述对应的轨迹;以及
将所述更新的算法集成到所述自主车辆的算法单元中。
18.根据权利要求17所述的非暂态计算机可读程序存储介质,其中所述模拟是基于实体部件系统ECS架构。
19.根据权利要求18所述的非暂态计算机可读程序存储介质,其中所述主要车辆模型包括感知部件,所述感知部件被配置为与所述一个或多个次要车辆模型交互,其中所述次要车辆模型包括环境部件,所述环境部件被配置为沿着所述对应的轨迹前进,其中,所述主要车辆模型和所述一个或多个次要车辆模型包括移动状态部件,所述移动状态部件被配置为记录相应的车辆模型的当前状态。
20.根据权利要求17所述的非暂态计算机可读程序存储介质,其中模拟包括多线程功能,所述多线程功能被配置为独立地模拟所述主要车辆模型和所述一个或多个次要车辆模型,并且其中所述模拟还包括至少一个协议缓冲器,所述协议缓冲器被配置为在所述主要车辆模型与所述一个或多个次要车辆模型之间传递和记录消息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/370,056 | 2019-03-29 | ||
US16/370,056 US11169513B2 (en) | 2019-03-29 | 2019-03-29 | Operational testing of autonomous vehicles |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111752258A true CN111752258A (zh) | 2020-10-09 |
Family
ID=72605802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010232293.1A Pending CN111752258A (zh) | 2019-03-29 | 2020-03-27 | 自主车辆的操作测试 |
Country Status (2)
Country | Link |
---|---|
US (3) | US11169513B2 (zh) |
CN (1) | CN111752258A (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11254312B2 (en) * | 2019-06-07 | 2022-02-22 | Tusimple, Inc. | Autonomous vehicle simulation system |
DE102019209535A1 (de) * | 2019-06-28 | 2020-12-31 | Robert Bosch Gmbh | Verfahren zum Bereitstellen einer digitalen Straßenkarte |
US11518406B2 (en) * | 2020-04-02 | 2022-12-06 | Toyota Research Institute, Inc. | Test failure detection using a governing agent data set |
CN112685922B (zh) * | 2021-03-17 | 2021-06-08 | 中国人民解放军国防科技大学 | 一种两层级联的实验方案设计方法与系统 |
CN113626317B (zh) * | 2021-07-28 | 2023-09-05 | 的卢技术有限公司 | 一种自动驾驶软件调测系统、方法、介质和设备 |
WO2023069558A1 (en) * | 2021-10-19 | 2023-04-27 | Cyngn, Inc. | System and method of large-scale automatic grading in autonomous driving using a domain-specific language |
US12008681B2 (en) * | 2022-04-07 | 2024-06-11 | Gm Technology Operations Llc | Systems and methods for testing vehicle systems |
CN115017742B (zh) * | 2022-08-08 | 2022-12-13 | 西安深信科创信息技术有限公司 | 自动驾驶测试场景生成方法、装置、设备及存储介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002471B2 (en) * | 2015-09-30 | 2018-06-19 | Ants Technology (Hk) Limited | Systems and methods for autonomous vehicle navigation |
US10545024B1 (en) * | 2016-01-22 | 2020-01-28 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle trip routing |
US10802494B2 (en) * | 2016-02-25 | 2020-10-13 | Nec Corporation | Method for motion planning for autonomous moving objects |
US10124907B1 (en) * | 2016-08-03 | 2018-11-13 | Rockwell Collins, Inc. | Autorotation guidance command system, device, and method |
US10473470B2 (en) * | 2016-10-20 | 2019-11-12 | nuTonomy Inc. | Identifying a stopping place for an autonomous vehicle |
US9989964B2 (en) * | 2016-11-03 | 2018-06-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling vehicle using neural network |
US10620634B2 (en) * | 2017-08-23 | 2020-04-14 | Uatc, Llc | Vehicle interface for autonomous vehicle |
US10831188B2 (en) * | 2017-11-07 | 2020-11-10 | Zoox, Inc. | Redundant pose generation system |
WO2019094843A1 (en) * | 2017-11-10 | 2019-05-16 | Nvidia Corporation | Systems and methods for safe and reliable autonomous vehicles |
US20190146508A1 (en) * | 2017-11-14 | 2019-05-16 | Uber Technologies, Inc. | Dynamic vehicle routing using annotated maps and profiles |
DE102018200011A1 (de) * | 2018-01-02 | 2019-07-04 | Ford Global Technologies, Llc | Testsystem und Verfahren zum Testen einer Steuerung eines zumindest teilweise autonom fahrenden Fahrzeugs in einer virtuellen Umgebung |
WO2019136375A1 (en) * | 2018-01-07 | 2019-07-11 | Nvidia Corporation | Guiding vehicles through vehicle maneuvers using machine learning models |
US10678248B2 (en) * | 2018-02-15 | 2020-06-09 | GM Global Technology Operations LLC | Fast trajectory planning via maneuver pattern selection |
DE112019000048T5 (de) * | 2018-03-15 | 2020-01-16 | Nvidia Corporation | Bestimmung eines befahrbaren freiraums für autonome fahrzeuge |
US10747223B1 (en) * | 2018-04-10 | 2020-08-18 | Aurora Innovation, Inc. | Redundant lateral velocity determination and use in secondary vehicle control systems |
-
2019
- 2019-03-29 US US16/370,056 patent/US11169513B2/en active Active
-
2020
- 2020-03-27 CN CN202010232293.1A patent/CN111752258A/zh active Pending
-
2021
- 2021-10-29 US US17/515,366 patent/US11740620B2/en active Active
-
2023
- 2023-07-11 US US18/350,691 patent/US20230350399A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230350399A1 (en) | 2023-11-02 |
US11169513B2 (en) | 2021-11-09 |
US20220050446A1 (en) | 2022-02-17 |
US20200310403A1 (en) | 2020-10-01 |
US11740620B2 (en) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11740620B2 (en) | Operational testing of autonomous vehicles | |
US11288963B2 (en) | Autonomous vehicles featuring vehicle intention system | |
US11782440B2 (en) | Autonomous vehicle simulation system for analyzing motion planners | |
CN111897305B (zh) | 一种基于自动驾驶的数据处理方法、装置、设备及介质 | |
Chao et al. | A survey on visual traffic simulation: Models, evaluations, and applications in autonomous driving | |
US11150660B1 (en) | Scenario editor and simulator | |
US11693409B2 (en) | Systems and methods for a scenario tagger for autonomous vehicles | |
US20180349526A1 (en) | Method and system for creating and simulating a realistic 3d virtual world | |
US10852721B1 (en) | Autonomous vehicle hybrid simulation testing | |
CN112868022A (zh) | 自动驾驶车辆的驾驶场景 | |
US20200134494A1 (en) | Systems and Methods for Generating Artificial Scenarios for an Autonomous Vehicle | |
US10885240B2 (en) | Deterministic simulation framework for autonomous vehicle testing | |
EP3410404B1 (en) | Method and system for creating and simulating a realistic 3d virtual world | |
US20220198107A1 (en) | Simulations for evaluating driving behaviors of autonomous vehicles | |
US20230150549A1 (en) | Hybrid log simulated driving | |
Zofka et al. | Semivirtual simulations for the evaluation of vision-based adas | |
CN116917827A (zh) | 驾驶仿真中的代理转换 | |
Cantas et al. | Customized co-simulation environment for autonomous driving algorithm development and evaluation | |
US20220406041A1 (en) | Recognition model distribution system and updating method of recognition model | |
Elgharbawy et al. | A testing framework for predictive driving features with an electronic Horizon | |
Sural et al. | CoSim: A Co-Simulation Framework for Testing Autonomous Vehicles in Adverse Operating Conditions | |
US20230358640A1 (en) | System and method for simulating autonomous vehicle testing environments | |
US20240169111A1 (en) | Parameterizing hot starts to maximize test repeatability | |
Piazzoni | Modeling perception errors in autonomous vehicles and their impact on behavior | |
Liang et al. | Research on Navigation Recognition Optimization of Unmanned Self-Built Map |
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 |