CN111856923B - 加速对复杂驾驶场景的规划的参数学习的神经网络方法 - Google Patents

加速对复杂驾驶场景的规划的参数学习的神经网络方法 Download PDF

Info

Publication number
CN111856923B
CN111856923B CN201911259989.7A CN201911259989A CN111856923B CN 111856923 B CN111856923 B CN 111856923B CN 201911259989 A CN201911259989 A CN 201911259989A CN 111856923 B CN111856923 B CN 111856923B
Authority
CN
China
Prior art keywords
driving
scenario
driving environment
autonomous vehicle
environment
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.)
Active
Application number
CN201911259989.7A
Other languages
English (en)
Other versions
CN111856923A (zh
Inventor
周金运
何润欣
罗琦
缪景皓
胡江滔
王禹
许稼轩
姜舒
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.)
Baidu USA LLC
Original Assignee
Baidu USA 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 Baidu USA LLC filed Critical Baidu USA LLC
Publication of CN111856923A publication Critical patent/CN111856923A/zh
Application granted granted Critical
Publication of CN111856923B publication Critical patent/CN111856923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60W30/06—Automatic manoeuvring for parking
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • B60W30/18154—Approaching an intersection
    • 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
    • B60W30/18159—Traversing an intersection
    • 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
    • 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
    • B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
    • 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
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0248—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • 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
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • B60W2050/0088—Adaptive recalibration
    • 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
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0095—Automatic control mode change
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle for navigation systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Transportation (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Acoustics & Sound (AREA)
  • Business, Economics & Management (AREA)
  • Optics & Photonics (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

在一个实施方式中，一种操作自动驾驶车辆(ADV)的计算机实施的方法，包括：基于从安装在ADV上的一个或多个传感器获得的传感器数据来感知ADV周围的驾驶环境；响应于基于驾驶环境的驾驶决策，确定驾驶场景；将预定的机器学习模型应用于表示驾驶环境和驾驶场景的数据，以生成一组一个或多个驾驶参数；根据驾驶环境使用一组驾驶参数来规划导航ADV通过驾驶环境的轨迹。

Description

加速对复杂驾驶场景的规划的参数学习的神经网络方法
技术领域
本公开的实施方式总体涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及用于在自动驾驶车辆中使用机器学习模型以生成驾驶参数。
背景技术
以自动驾驶模式运行(例如，无人驾驶)的车辆可将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。
运动规划和控制是自动驾驶中的关键操作。然而，传统的运动规划操作主要从给定路径的曲率和速度来估计完成给定路径的难度，而不考虑不同类型车辆的特征差异。同样的运动规划和控制应用于所有类型的车辆，这在某些情况下可能不准确和平滑。
规划轨迹通常是基于在高清地图内预先标记的交通车道生成的。然而，对于复杂的驾驶场景，要么难以描述其环境，要么没有提供预先加载的参考车道。在这种情况下，为了生成规划轨迹，车辆的车载计算系统需要大量计算以基于车辆的动态参数和避开障碍物来规划轨迹。计算通常涉及优化算法，优化算法中的一些参数极大地影响总体优化结果。
发明内容
在本公开的一方面，提供了一种操作自动驾驶车辆(ADV)的计算机实施的方法，包括：
基于从安装在所述ADV上的一个或多个传感器获得的传感器数据来感知所述ADV周围的驾驶环境；
响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；
将预定机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数；以及
根据所述驾驶环境使用所述一组驾驶参数来规划导航所述ADV通过所述驾驶环境的轨迹。
在本公开的另一方面，提供了一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行操作，所述操作包括：
基于从安装在所述ADV上的一个或多个传感器获得的传感器数据来感知所述ADV周围的驾驶环境；
响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；
将预定机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数；以及
根据所述驾驶环境使用所述一组驾驶参数来规划导航所述ADV通过所述驾驶环境的轨迹。
在本公开的又一方面，提供了一种数据处理系统，包括：
处理器；以及
存储器，所述存储器联接至所述处理器，以存储指令，所述指令在由所述处理器执行时致使所述处理器执行操作，所述操作包括：
基于从安装在所述ADV上的一个或多个传感器获得的传感器数据来感知所述ADV周围的驾驶环境；
响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；
将预定机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数；以及
根据所述驾驶环境使用所述一组驾驶参数来规划导航所述ADV通过所述驾驶环境的轨迹。
附图说明
本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考标记指示相似元件。
图1是示出根据一个实施方式的网络化系统的框图。
图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。
图3A至图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。
图4示出了根据本发明的一方面的复杂驾驶场景的示例。
图5A是根据一个实施方式的机器学习系统的框图。
图5B是根据一个实施方式的自动驾驶车辆的机器学习模型的框图。
图6是根据一个实施方式的操作自动驾驶车辆的方法的流程图。
图7A和7B是根据本公开的实施方式向图5B所示的机器学习模型提供输入的方法的流程图。
图8A是根据一个实施方式的规划轨迹的方法的流程图。
图8B是根据一个实施方式的获得优化轨迹的方法的流程图。
图9是示出根据一个实施方式的数据处理系统的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面，附图将示出所述各种实施方式。下列描述和附图是本公开的说明，而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的各种实施方式的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节，以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
根据一些实施方式，操作自动驾驶车辆(ADV)的计算机实施的方法包括：基于从安装在所述ADV上的一个或多个传感器获得的传感器数据来感知所述ADV周围的驾驶环境；响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；将预定的机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数；根据所述驾驶环境使用所述一组驾驶参数来规划导航所述ADV通过所述驾驶环境的轨迹。
根据一个实施方式，一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行操作，所述操作包括：基于从安装在所述ADV上的一个或多个传感器获得的传感器数据来感知所述ADV周围的驾驶环境；响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；将预定的机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数；根据所述驾驶环境使用所述一组驾驶参数来规划导航所述ADV通过所述驾驶环境的轨迹。
根据一个实施方式，一种数据处理系统，包括：处理器；以及存储器，所述存储器联接至所述处理器，以存储指令，所述指令在由所述处理器执行时致使所述处理器执行操作，所述操作包括：基于从安装在所述ADV上的一个或多个传感器获得的传感器数据来感知所述ADV周围的驾驶环境；响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；将预定的机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数；根据所述驾驶环境使用所述一组驾驶参数来规划导航所述ADV通过所述驾驶环境的轨迹。
图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或位置服务器等。
自动驾驶车辆是指可配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可包括传感器系统，所述传感器系统具有配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在一个实施方式中，自动驾驶车辆101包括，但不限于，感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113和传感器系统115。自动驾驶车辆101还可包括普通车辆中包括的某些常用部件，诸如：发动机、车轮、方向盘、变速器等，所述部件可由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至115可经由互连件、总线、网络或其组合通信地联接到彼此。例如，部件110至115可经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议，但也用于许多其它环境。
现在参考图2，在一个实施方式中，传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS单元212可包括收发器，所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中，除感测对象之外，雷达单元214可另外感测对象的速度和/或前进方向。LIDAR单元215可使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外，LIDAR单元215还可包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。
传感器系统115还可包括其它传感器，诸如：声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如，麦克风)。音频传感器可配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可集成为集成式油门/制动传感器。
在一个实施方式中，车辆控制系统111包括但不限于转向单元201、油门单元202(也称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度，电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意，如图2所示的部件可以以硬件、软件或其组合实施。
返回参考图1，无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系统112可以与一个或多个装置直接无线通信，或者经由通信网络进行无线通信，诸如，通过网络102与服务器103至104通信。无线通信系统112可使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使用WiFi，以与另一部件或系统通信。无线通信系统112可例如使用红外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可由感知与规划系统110控制或管理，尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储装置)和软件(例如，操作系统、规划和路线安排程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理所接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划和控制信息来驾驶车辆101。可替代地，感知与规划系统110可与车辆控制系统111集成在一起。
例如，作为乘客的用户可例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如，感知与规划系统110可从MPOI服务器中获得位置和路线信息，所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI。可替代地，此类位置和MPOI信息可本地高速缓存在感知与规划系统110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时，感知与规划系统110也可从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器103至104可由第三方实体进行操作。可替代地，服务器103至104的功能可与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101，以安全且高效到达指定目的地。
服务器103可以是数据分析系统，从而为各种客户执行数据分析服务。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发出的驾驶指令(例如，油门、制动、转向指令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。
基于驾驶统计数据123，出于各种目的，机器学习引擎122生成或训练一组规则、算法和/或预测模型124。.模型124可以包括机器学习模型，以根据表示特定驾驶场景的一组特征生成一组驾驶参数。然后算法124可上传到ADV上以在自动驾驶期间实时使用。
图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可实施为图1的自动驾驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路线安排模块307。
模块301至307中的一些或全部可以以软件、硬件或其组合实施。例如，这些模块可安装在永久性存储装置352中、加载到存储器351中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中的一些或全部可通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至307中的一些可一起集成为集成模块。
定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。定位模块301(又称作为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可例如经由用户接口登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图与路线信息311的其它部件通信，以获得行程相关数据。例如，定位模块301可从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI，从而可作为地图与路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时，定位模块301也可从交通信息系统或服务器获得实时交通信息。
基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，感知模块302确定对周围环境的感知。感知信息可表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可包括例如采用对象形式的车道配置、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让行标志)等。车道配置包括描述一个或多个车道的信息，诸如，例如车道的形状(例如，直线或弯曲)、车道的宽度、道路中的车道数量、单向或双向车道、合并或分开车道、出口车道等。
感知模块302可包括计算机视觉系统或计算机视觉系统的功能，以处理并分析由一个或多个摄像机采集的图像，从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中，计算机视觉系统可绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块302也可基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
针对每个对象，预测模块303预测对象在这种情况下将如何表现。预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。
针对每个对象，决策模块304作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所述对象相遇(例如，超车、让行、停止、超过)。决策模块304可根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集可存储在永久性存储装置352中。
路线安排模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从起始位置到目的地位置的给定行程，例如从用户接收的给定行程，路线安排模块307获得路线与地图信息311，并确定从起始位置至到达目的地位置的所有可能路线或路径。路线安排模块307可生成地形图形式的参考线，它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地形图提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考线。
基于针对所感知到的对象中的每个的决定，规划模块305使用由路线安排模块307提供的参考线作为基础，为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之，针对给定的对象，决策模块304决定对该对象做什么，而规划模块305确定如何去做。例如，针对给定的对象，决策模块304可决定超过所述对象，而规划模块305可确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成，包括描述车辆300在下一移动循环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控制数据可指示车辆300以30英里每小时(mph)的速度移动10米，随后以25mph的速度变到右侧车道。
基于规划和控制数据，控制模块306根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动、转向命令)将车辆从路线或路径的第一点驾驶到第二点。
在一个实施方式中，规划阶段在多个规划周期(也称作为驾驶周期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或驾驶周期中的每一个，将基于规划和控制数据发出一个或多个控制命令。即，对于每100ms，规划模块305规划下一个路线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向角等。在一个实施方式中，规划模块305为下一个预定时段(诸如，5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于在前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制命令(例如，油门、制动、转向控制命令)。
应注意，决策模块304和规划模块305可集成为集成模块。决策模块304/规划模块305可包括导航系统或导航系统的功能，以确定自动驾驶车辆的驾驶路径。例如，导航系统可确定用于影响自动驾驶车辆沿着以下路径移动的一系列速度和前进方向：所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上避免感知到的障碍物。目的地可根据经由用户接口系统113进行的用户输入来设定。导航系统可在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可将来自GPS系统和一个或多个地图的数据合并，以确定用于自动驾驶车辆的驾驶路径。
图4示出了根据本发明的一方面的复杂驾驶场景的示例。所示的驾驶场景是由自动驾驶车辆(ADV)402进行的U形转弯，其中U形转弯驾驶场景一般由U形线404表示。ADV 402可以对应于图1所示的ADV 101。还示出了地图图像的地图图像部分400，该地图图像可以由图3A所示的地图和路线信息模块311生成。地图图像部分400是U型转向驾驶场景的二维俯视图像，并且包括基于图像的特征，除ADV 402之外，例如车道边界406、410、412、416，车道中心线标记408和414，以及大体对应于U形线404的参考线。这样的地图图像部分400可以作为数据的一部分输入到ADV的机器学习模型中，机器学习模型生成用于规划ADV轨迹的一组一个或多个最优驾驶参数。
可选地，可以将信息列表输入到ADV的机器学习模型中，以生成用于规划ADV轨迹的一组一个或多个最优驾驶参数。信息列表可以包括：诸如二进制逻辑1(例如，标志)的数字阵列，以表示U形转弯；和代表路段的限速(例如，50mph)的数字。地图图像部分400或信息列表可以包括输入到ADV的机器学习模型的特征集，其中ADV的机器学习模型使用特征集来识别ADV的驾驶场景。在一个实施方式中，驾驶场景可以包括U形转弯场景、左转场景、右转场景、直行场景、变道场景或停车场景。
图5A是根据一个实施方式的机器学习系统的框图。机器学习系统可以离线(例如，在实验室中)使用来调整驾驶参数以获得机器学习模型的训练集，并且训练集可以用于机器学习模型的训练过程中。机器学习系统包括环境数据模块500，该环境数据模块500可以在二维俯视图或图像中生成一组驾驶场景。例如，该组驾驶场景可以包括复杂的驾驶场景，例如如上所述的U形转弯或ADV的代客自停。机器学习系统还包括参数调整模块502、轨迹优化模块504和机器学习模型模块506。机器学习模型模块506可以包括任何合适的神经网络，如卷积神经网络(CNN)。参数调整模块502可以在其输入端接收来自环境数据模块500的驾驶场景。
参数调整模块502用于调整参数(例如Pa或Pk)以获得机器学习模型模块506的训练集。训练集包括场景特征对(例如，在诸如地图图像部分400的图像中)和由参数调整模块502确定的最佳参数。参数调整模块502可以使用任何合适的算法来寻找用于一个驾驶场景的最佳或最优驾驶参数(例如，Pa和/或Pk)，并将最优驾驶参数输出到轨迹优化模块504，该轨迹优化模块504生成输入到机器学习模型模块506的数据。机器学习模型模块506然后可以使用训练集进行训练过程。在一个实施方式中，基于从在多个驾驶场景下驾驶的多个车辆收集的驾驶统计信息来训练机器学习模型。
继续图5A，驾驶场景可以是如上所述的U形转弯驾驶场景。在U形转弯驾驶场景中，驾驶参数可以是与加速度相关联的惩罚(加速度惩罚，Pa)和曲率相关联的惩罚(曲率惩罚，Pk)，其中加速度是ADV在进行U形转弯时的加速度，曲率是正在进行U形转弯处的道路的曲率。成本函数可以用来确定ADV的优化轨迹，其中成本函数可以采取以下形式：
成本函数＝(Pa xα)+(Pk xκ)
其中，Pa是加速度惩罚，α(alpha)是加速度，Pk是曲率惩罚，κ(kappa)是曲率。Pa和Pk是成本函数的系数。加速度惩罚可以包括从0.1到1.0的值的范围，同样，曲率惩罚可以包括从0.1到1.0的值的范围。然后，机器学习模型模块506可以经由其训练过程确定U形转弯驾驶场景的最优加速度惩罚(例如0.7)和最优曲率惩罚(例如，0.3)。
图5B是根据一个实施方式的ADV的机器学习模型的框图。图5B示出了在线学习模式下的机器学习模型540的示例，即，当ADV在道路上行驶时，机器学习模型在ADV中运行。机器学习模型540可以被实现为图3A所示的规划模块305的一部分，或者它可以被实现为图3A中所示的感知与规划系统110中的单独模块。机器学习模型540可以在图4所示的ADV 402中实现。
继续图5B并参照图3A和4，感知模块302基于安装在ADV上的一个或多个传感器(例如，传感器系统115)获得的传感器数据来感知ADV 402周围的驾驶环境，并且规划模块305响应于基于驾驶环境的驾驶决策来确定驾驶场景。驾驶场景可以是如上所述的U形转弯驾驶场景。机器学习模型540(如上所述或者作为单独的模块或者包含在规划模块305内)随后可以将预定的机器学习模型或算法应用于表示驾驶环境和驾驶场景544的数据542(例如，参考线的形状、车辆速度)，以生成一组一个或多个驾驶参数546。然后，规划模块305可以根据驾驶场景来使用该组驾驶参数546规划导航ADV 402通过驾驶环境的轨迹。
图6是根据一个实施方式的操作自动驾驶车辆(ADV)的方法600的流程图。方法600可以由处理逻辑来执行，该处理逻辑可以包括软件、硬件或其组合。例如，方法600可以由图3A-3B和5B所示的一个或多个模块来执行。方法600包括在操作602中，基于从安装在ADV上的一个或多个传感器获得的传感器数据来感知ADV周围的驾驶环境(例如ADV 402)，在操作604中，响应于基于驾驶环境的驾驶决策，确定驾驶场景，在操作606中，将预定的机器学习模型应用于表示驾驶环境和驾驶场景的数据以生成一组一个或多个驾驶参数，以及在操作608中，根据驾驶场景使用该组驾驶参数来规划导航ADV通过驾驶环境的轨迹。
图7A和7B是根据本公开的实施方式向图5B所示的机器学习模型提供输入的流程图。图7A是方法700的流程图，更详细地示出根据一个实施方式如何获得图6的操作606中提到的数据。方法700可以由处理逻辑来执行，该处理逻辑可以包括软件、硬件或其组合。例如，方法700可以由图3A-3B和5B所示的一个或多个模块来执行。方法700包括在操作702中，从表示所感知的驾驶环境的一个或多个图像(例如，地图图像部分400)中提取一组特征(例如，车道边界、车道中心线标记)，以及在操作704中，将该组特征提供至预定机器学习模型的一个或多个输入，作为表示驾驶环境的数据的一部分。
图7B是方法740的流程图，更详细地示出了根据另一个实施方式如何获得图6的操作606中所提到的数据。方法740可以由处理逻辑来执行，该处理逻辑可以包括软件、硬件或其组合。例如，方法740可以由图3A-3B和5B所示的一个或多个模块来执行。方法740包括在操作742中，基于一个或多个图像和与ADV正在移动的道路相关联的地图来确定该道路的参考线，以及在操作744中，将参考线提供至预定机器学习模型的一个或多个输入，作为表示驾驶环境的数据的一部分。
图8A是方法800的流程图，更详细地显示了图6所示的操作608。方法800可以由处理逻辑来执行，该处理逻辑可以包括软件、硬件或其组合。例如，方法800可以由图3A-3B中所示的一个或多个模块来执行。方法800包括在操作802中，根据驾驶环境基于驾驶场景生成一组轨迹候选，并且在操作804中，对于每个候选轨迹，使用一个或多个驾驶参数来优化轨迹候选以得到优化的轨迹以驾驶ADV。例如，参照图4所示的U型转弯场景，可以生成一组不同的轨迹候选，包括由图4所示的线404表示的轨迹候选。其他轨迹候选可具有不同的轨迹，例如具有更大的转弯角度的轨迹，其允许ADV转向右车道而不是左车道，如图4所示。
图8B是方法840的流程图，更详细的示出图8A所示的操作804。方法840可由处理逻辑执行，该处理逻辑可包括软件、硬件或其组合。例如，方法840可以由图3A-3B所示的一个或多个模块执行。方法840包括在操作842中，确定成本函数(如上所述)，包括基于一个或多个驾驶参数(例如Pa和/或Pk)来调整成本函数的一个或多个系数，在操作844中，使用成本函数计算每个轨迹候选的操作成本，以及在操作846中，选择轨迹候选中的具有最低成本的一个(例如，图4的线404)，作为优化的轨迹。
应注意，如上文示出和描述的部件中的一些或全部可在软件、硬件或其组合中实施。例如，此类部件可实施为安装并存储在永久性存储装置中的软件，所述软件可通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。可替代地，此类部件可实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可经由来自应用的相应驱动程序和/或操作系统来访问。此外，此类部件可实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图9是示出可与本公开的一个实施方式一起使用的数据处理系统的示例的框图。例如，系统1500可表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统，例如，图1的感知与规划系统110或者服务器103至104中的任一个。系统1500可包括许多不同的部件。这些部件可实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如，计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。
还应注意，系统1500旨在示出计算机系统的许多部件的高阶视图。然而，应当理解的是，某些实施例中可具有附加的部件，此外，其它实施例中可具有所示部件的不同布置。系统1500可表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外，虽然仅示出了单个机器或系统，但是术语“机器”或“系统”还应当理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方式中，系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可表示一个或多个通用处理器，诸如，微处理器、中央处理单元(CPU)等。更具体地，处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501还可以是一个或多个专用处理器，诸如，专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器1501(其可以是低功率多核处理器套接口，诸如超低电压处理器)可充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可实施为片上系统(SoC)。处理器1501配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可包括与可选的图形子系统1504通信的图形接口，图形子系统1504可包括显示控制器、图形处理器和/或显示装置。
处理器1501可与存储器1503通信，存储器1503在一个实施方式中可经由多个存储器装置实施以提供给定量的系统存储。存储器1503可包括一个或多个易失性存储(或存储器)装置，诸如，随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器1503可存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如，各种操作系统、装置驱动程序、固件(例如，输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可加载到存储器1503中并由处理器1501执行。操作系统可以是任何类型的操作系统，例如，机器人操作系统(ROS)、来自
Figure BDA0002311348440000171
公司的
Figure BDA0002311348440000172
操作系统、来自苹果公司的Mac
Figure BDA0002311348440000173
来自
Figure BDA0002311348440000174
公司的
Figure BDA0002311348440000175
LINUX、UNIX，或者其它实时或嵌入式操作系统。
系统1500还可包括IO装置，诸如装置1505至1508，包括网络接口装置1505、可选的输入装置1506，以及其它可选的IO装置1507。网络接口装置1505可包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如，全球定位系统(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置1506可包括鼠标、触摸板、触敏屏幕(其可与显示装置1504集成在一起)、指针装置(诸如，手写笔)和/或键盘(例如，物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如，输入装置1506可包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可使用多种触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种，以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置1507可包括音频装置。音频装置可包括扬声器和/或麦克风，以促进支持语音的功能，诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如，PCI-PCI桥)、传感器(例如，诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置1507还可包括成像处理子系统(例如，摄像机)，所述成像处理子系统可包括用于促进摄像机功能(诸如，记录照片和视频片段)的光学传感器，诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可经由传感器集线器(未示出)联接到互连件1510，而诸如键盘或热传感器的其它装置可根据系统1500的具体配置或设计由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储，大容量存储装置(未示出)也可联接到处理器1501。在各种实施方式中，为了实现更薄且更轻的系统设计并且改进系统响应性，这种大容量存储装置可经由固态装置(SSD)来实施。然而，在其它实施方式中，大容量存储装置可主要使用硬盘驱动器(HDD)来实施，其中较小量的SSD存储装置充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储，从而使得在系统活动重新启动时能够实现快速通电。另外，闪存装置可例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可提供系统软件的非易失性存储，所述系统软件包括所述系统的BIOS以及其它固件。
存储装置1508可包括计算机可访问的存储介质1509(也称为机器可读存储介质或计算机可读介质)，其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如，模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可表示上述部件中的任一个，例如规划模块305、控制模块306和/或ADV机器学习模型540。处理模块/单元/逻辑1528还可在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内，数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509也可用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质，但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如，集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质，所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此，术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质，或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1528、部件以及其它特征可实施为分立硬件部件或集成在硬件部件(诸如，ASICS、FPGA、DSP或类似装置)的功能中。此外，处理模块/单元/逻辑1528可实施为硬件装置内的固件或功能电路。此外，处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。
应注意，虽然系统1500示出为具有数据处理系统的各种部件，但是并不旨在表示使部件互连的任何特定架构或方式；因为此类细节和本公开的实施方式没有密切关系。还应当认识到，具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可与本公开的实施方式一起使用。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式，以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中，算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而，应当牢记，所有这些和类似的术语均旨在与适当的物理量关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储装置、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可按不同的顺序执行。此外，一些操作可并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到，可使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中，已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下，可对本发明作出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。

Claims (21)

1.一种操作自动驾驶车辆的计算机实施的方法，包括：
基于从安装在所述自动驾驶车辆上的一个或多个传感器获得的传感器数据来感知所述自动驾驶车辆周围的驾驶环境；
响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；
将预定机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数，其中所述一个或多个驾驶参数包括速度、加速度、加速度惩罚、曲率、曲率惩罚和前进方向；以及
根据所述驾驶环境使用所述一组一个或多个驾驶参数来规划导航所述自动驾驶车辆通过所述驾驶环境的轨迹，包括使用基于所述一个或多个驾驶参数的成本函数来优化所述驾驶环境的轨迹，其中所述成本函数的系数包括所述加速度惩罚和所述曲率惩罚。
2. 根据权利要求1所述的方法，还包括：
从表示所感知的驾驶环境的一个或多个图像提取一组特征；以及
将所述一组特征提供给所述预定机器学习模型的一个或多个输入，作为表示所述驾驶环境的数据的一部分。
3. 根据权利要求2所述的方法，还包括：
基于所述一个或多个图像和与所述自动驾驶车辆正在移动的道路相关联的地图确定所述道路的参考线；以及
将所述参考线提供给所述预定机器学习模型的所述一个或多个输入，作为表示所述驾驶环境的数据的一部分。
4. 根据权利要求1所述的方法，其中，根据所述驾驶环境使用所述一组一个或多个驾驶参数来规划导航所述自动驾驶车辆通过所述驾驶环境的轨迹包括：
根据所述驾驶环境，基于所述驾驶场景生成一组轨迹候选；以及
对于每个轨迹候选，使用所述一个或多个驾驶参数来优化所述轨迹候选以得到优化的轨迹以便驾驶所述自动驾驶车辆。
5.根据权利要求4所述的方法，其中，使用所述一个或多个驾驶参数来优化所述轨迹候选包括：
确定所述成本函数，包括基于所述一个或多个驾驶参数调整所述成本函数的一个或多个系数；
使用所述成本函数计算每个轨迹候选的成本；以及
选择所述轨迹候选中具有最低成本的轨迹候选作为优化的轨迹。
6.根据权利要求1所述的方法，其中，所述驾驶场景包括U形转弯场景、左转场景、右转场景、直行场景、变道场景或停车场景中的至少一个。
7.根据权利要求1所述的方法，其中，基于在多个驾驶场景下驾驶的多个车辆收集的驾驶统计数据，对所述机器学习模型进行训练。
8.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行操作，所述操作包括：
基于从安装在自动驾驶车辆上的一个或多个传感器获得的传感器数据来感知所述自动驾驶车辆周围的驾驶环境；
响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；
将预定机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数，其中所述一个或多个驾驶参数包括速度、加速度、加速度惩罚、曲率、曲率惩罚和前进方向；以及
根据所述驾驶环境使用所述一组一个或多个驾驶参数来规划导航所述自动驾驶车辆通过所述驾驶环境的轨迹，包括使用基于所述一个或多个驾驶参数的成本函数来优化所述驾驶环境的轨迹，其中所述成本函数的系数包括所述加速度惩罚和所述曲率惩罚。
9. 根据权利要求8所述的非暂时性机器可读介质，其中，所述操作还包括：
从表示所感知的驾驶环境的一个或多个图像提取一组特征；以及
将所述一组特征提供给所述预定机器学习模型的一个或多个输入，作为表示所述驾驶环境的数据的一部分。
10. 根据权利要求9所述的非暂时性机器可读介质，其中，所述操作还包括：
基于所述一个或多个图像和与所述自动驾驶车辆正在移动的道路相关联的地图确定所述道路的参考线；以及
将所述参考线提供给所述预定机器学习模型的所述一个或多个输入，作为表示所述驾驶环境的数据的一部分。
11. 根据权利要求8所述的非暂时性机器可读介质，其中，根据所述驾驶环境使用所述一组一个或多个驾驶参数来规划导航所述自动驾驶车辆通过所述驾驶环境的轨迹包括：
根据所述驾驶环境，基于所述驾驶场景生成一组轨迹候选；以及
对于每个轨迹候选，使用所述一个或多个驾驶参数来优化所述轨迹候选以得到优化的轨迹以便驾驶所述自动驾驶车辆。
12.根据权利要求11所述的非暂时性机器可读介质，其中，使用所述一个或多个驾驶参数来优化所述轨迹候选包括：
确定成本函数，包括基于所述一个或多个驾驶参数调整所述成本函数的一个或多个系数；
使用所述成本函数计算每个轨迹候选的成本；以及
选择所述轨迹候选中具有最低成本的轨迹候选作为优化的轨迹。
13.根据权利要求8所述的非暂时性机器可读介质，其中，所述驾驶场景包括U形转弯场景、左转场景、右转场景、直行场景、变道场景或停车场景中的至少一个。
14.根据权利要求8所述的非暂时性机器可读介质，其中，基于在多个驾驶场景下驾驶的多个车辆收集的驾驶统计数据，对所述机器学习模型进行训练。
15. 一种数据处理系统，包括：
处理器；以及
存储器，所述存储器联接至所述处理器，以存储指令，所述指令在由所述处理器执行时致使所述处理器执行操作，所述操作包括：
基于从安装在自动驾驶车辆上的一个或多个传感器获得的传感器数据来感知所述自动驾驶车辆周围的驾驶环境；
响应于基于所述驾驶环境的驾驶决策，确定驾驶场景；
将预定机器学习模型应用于表示所述驾驶环境和所述驾驶场景的数据，以生成一组一个或多个驾驶参数，其中所述一个或多个驾驶参数包括速度、加速度、加速度惩罚、曲率、曲率惩罚和前进方向；以及
根据所述驾驶环境使用所述一组一个或多个驾驶参数来规划导航所述自动驾驶车辆通过所述驾驶环境的轨迹，包括使用基于所述一个或多个驾驶参数的成本函数来优化所述驾驶环境的轨迹，其中所述成本函数的系数包括所述加速度惩罚和所述曲率惩罚。
16. 根据权利要求15所述的数据处理系统，其中，所述操作还包括：
从表示所感知的驾驶环境的一个或多个图像提取一组特征；以及
将所述一组特征提供给所述预定机器学习模型的一个或多个输入，作为表示所述驾驶环境的数据的一部分。
17. 根据权利要求16所述的数据处理系统，其中，所述操作还包括：
基于所述一个或多个图像和与所述自动驾驶车辆正在移动的道路相关联的地图确定所述道路的参考线；以及
将所述参考线提供给所述预定机器学习模型的所述一个或多个输入，作为表示所述驾驶环境的数据的一部分。
18. 根据权利要求15所述的数据处理系统，其中，根据所述驾驶环境使用所述一组一个或多个驾驶参数来规划导航所述自动驾驶车辆通过所述驾驶环境的轨迹包括：
根据所述驾驶环境，基于所述驾驶场景生成一组轨迹候选；以及
对于每个轨迹候选，使用所述一个或多个驾驶参数来优化所述轨迹候选以得到优化的轨迹以便驾驶所述自动驾驶车辆。
19.根据权利要求18所述的数据处理系统，其中，使用所述一个或多个驾驶参数来优化所述轨迹候选包括：
确定成本函数，包括基于所述一个或多个驾驶参数调整所述成本函数的一个或多个系数；
使用所述成本函数计算每个轨迹候选的成本；以及
选择所述轨迹候选中具有最低成本的轨迹候选作为优化的轨迹。
20.根据权利要求15所述的数据处理系统，其中，所述驾驶场景包括U形转弯场景、左转场景、右转场景、直行场景、变道场景或停车场景中的至少一个。
21.根据权利要求15所述的数据处理系统，其中，基于在多个驾驶场景下驾驶的多个车辆收集的驾驶统计数据，对所述机器学习模型进行训练。
CN201911259989.7A 2019-04-30 2019-12-10 加速对复杂驾驶场景的规划的参数学习的神经网络方法 Active CN111856923B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/399,538 US11731612B2 (en) 2019-04-30 2019-04-30 Neural network approach for parameter learning to speed up planning for complex driving scenarios
US16/399,538 2019-04-30

Publications (2)

Publication Number Publication Date
CN111856923A CN111856923A (zh) 2020-10-30
CN111856923B true CN111856923B (zh) 2023-04-25

Family

ID=72970776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911259989.7A Active CN111856923B (zh) 2019-04-30 2019-12-10 加速对复杂驾驶场景的规划的参数学习的神经网络方法

Country Status (2)

Country Link
US (1) US11731612B2 (zh)
CN (1) CN111856923B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210005395A (ko) * 2019-07-04 2021-01-14 현대자동차주식회사 자율주행차량의 유턴 전략 결정 장치 및 그 방법
KR20210118995A (ko) * 2020-03-23 2021-10-05 현대자동차주식회사 딥러닝 기반 자율주행차량의 유턴 경로 생성 방법 및 장치
CN112434735B (zh) * 2020-11-23 2022-09-06 中国科学技术大学 一种动态行驶工况构建方法、系统及设备
CN114970303A (zh) * 2021-09-22 2022-08-30 北京智行者科技有限公司 一种模型自动化迭代方法、设备及存储介质
CN115892075B (zh) * 2023-01-06 2023-06-09 阿里巴巴达摩院(杭州)科技有限公司 轨迹规划方法、自动驾驶设备及计算机存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5332034B2 (ja) * 2008-09-22 2013-11-06 株式会社小松製作所 無人車両の走行経路生成方法
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
US10712746B2 (en) 2016-08-29 2020-07-14 Baidu Usa Llc Method and system to construct surrounding environment for autonomous vehicles to make driving decisions
US10146224B2 (en) * 2016-11-09 2018-12-04 GM Global Technology Operations LLC Processor-implemented systems and methods for automated driving
US9874871B1 (en) 2016-11-21 2018-01-23 Baidu Usa Llc Method to dynamically adjusting steering rates of autonomous vehicles
US10379538B1 (en) * 2017-03-20 2019-08-13 Zoox, Inc. Trajectory generation using motion primitives
US11003183B2 (en) 2017-09-13 2021-05-11 Baidu Usa Llc Driving scene based path planning for autonomous driving vehicles
CN108803607B (zh) 2018-06-08 2021-06-01 北京领骏科技有限公司 一种用于自动驾驶的多功能仿真系统

Also Published As

Publication number Publication date
US11731612B2 (en) 2023-08-22
US20200348676A1 (en) 2020-11-05
CN111856923A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN110345955B (zh) 用于自动驾驶的感知与规划协作框架
CN110377025B (zh) 用于自动驾驶车辆的传感器聚合框架
CN110388931B (zh) 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法
CN110727267B (zh) 具有冗余超声雷达的自动驾驶车辆
CN111076732B (zh) 基于车辆行驶的轨迹标记和生成高清地图的标记方案
CN110794823B (zh) 预测自动驾驶车辆的对象移动的方法和系统
CN111824139B (zh) 用于预测与自动驾驶车辆相关的运动对象的运动的方法
CN111061261B (zh) 使用标准导航地图与基于车辆的先前轨迹确定的车道配置的自动驾驶方法
CN110325935B (zh) 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线
CN110096053B (zh) 用于自动驾驶车辆的驾驶轨迹生成方法、系统和机器可读介质
CN110389580B (zh) 用于规划自动驾驶车辆的路径的漂移校正的方法
CN111380534B (zh) 用于自动驾驶车辆的基于st图学习的方法
CN111328411B (zh) 用于自动驾驶车辆的行人概率预测系统
CN108733046B (zh) 用于自动驾驶车辆的轨迹重新规划的系统和方法
CN111044992B (zh) 用于自动驾驶的基于交叉验证的自动lidar校准
CN111712417B (zh) 用于自动驾驶车辆的、基于隧道的规划系统
CN110621541B (zh) 用于生成轨迹以操作自动驾驶车辆的方法和系统
CN111123906B (zh) 不同横向加速度约束下的最优纵向轨迹生成
CN111857118B (zh) 对停车轨迹分段以控制自动驾驶车辆停车
CN111856923B (zh) 加速对复杂驾驶场景的规划的参数学习的神经网络方法
CN111615476B (zh) 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划系统
CN111328313B (zh) 用于自动驾驶车辆的控制占主导的三点转弯规划
CN111328385B (zh) 用于自动驾驶车辆的基于螺旋路径的三点转弯规划
CN111259712B (zh) 用于车辆行为预测的压缩环境特征的表示
CN111240313B (zh) 用于操作自动驾驶车辆的基于预定校准表的车辆控制系统

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