CN111959482B - 自主驾驶装置及方法 - Google Patents

Abstract

一种自主驾驶装置包括传感器单元、存储器及处理器。处理器配置为在所述传感器单元输出的一个或多个测量值中，提取在所述目标物体的所述位置的估计值的验证门内的一个或多个有效测量值，所述估计值基于所述位置的所述测量值生成，通过考虑提取的所述有效测量值的每一个与当前时刻所述目标物体的所述位置的测量值相对应的概率，形成所述目标物体的踪迹，使用所述踪迹跟踪所述目标物体，以及通过基于持续跟踪所述目标物体的时间和所述正在自主驾驶的本车辆的周围环境信息来调整所述验证门的尺寸，提取所述有效测量值。

Description

自主驾驶装置及方法

相关申请的交叉引用

本申请要求于2019年5月20日提交的、申请号为10-2019-0058608的韩国专利申请的优先权和权益，出于所有目的该申请如同在本文阐述一样通过引用并入本文。

技术领域

本公开的示例性实施例涉及应用于自主车辆的一种自主驾驶装置及方法。

背景技术

现今的汽车产业为了在车辆驾驶中最小化驾驶员的干预，正朝着自主驾驶的实现进展。自主车辆是指一种在驾驶时通过利用外部信息检测和处理功能来识别周围环境以自主地决定驾驶路径并利用其自身的动力独立行驶的车辆。

自主车辆能够自主地行驶至目的地，同时防止与驾驶路径上的障碍物碰撞，并且即使驾驶员没有操作方向盘、加速踏板或制动器，其也能够基于道路的形状控制车辆速度和驾驶方向。例如，自主车辆可以在直线道路上执行加速，并且可以在弯曲道路上根据弯曲道路的曲率改变驾驶方向同时执行减速。

为了确保自主车辆的驾驶安全，需要基于通过利用安装于车辆上的传感器精确测量驾驶环境并接着监控车辆的驾驶状态而测得的驾驶环境来控制自主车辆的驾驶。为此，诸如LIDAR传感器、雷达传感器、超声传感器和相机传感器等的各种传感器，即用于检测诸如周围车辆、行人和固定设施等周围物体的传感器被应用于自主车辆上。由这种传感器输出的数据用于确定驾驶环境中的信息，例如，像周围物体的位置、形状、移动方向和移动速度等的状态信息。

进一步，自主车辆还具有通过使用精确存储的地图数据确定和校正车辆的位置以最优地确定驾驶路径和驾驶车道、控制车辆的驾驶以使车辆不偏离确定的路径和车道、以及对于驾驶路径上的危险因素或周边突然出现的车辆执行防御驾驶和避障驾驶等的功能。

本公开的背景技术公开于申请号为10-1998-0068399(1998年10月15日)的韩国专利申请中。

发明内容

一种自主驾驶车辆采用了目标检测功能，用于利用LIDAR传感器、雷达传感器或相机传感器检测周围物体，并产生警报以通知驾驶员存在障碍物，或者在车辆与障碍物相碰之前停止车辆，或者通过控制车辆的驾驶系统进行避障行驶。

如果使用相机传感器检测到周围物体，物体的图像被直接捕捉，从而能够容易地确定被捕捉的图像中的物体是否为要被避开的障碍物。然而，存在这样的问题，由于屏幕的分辨率和视域，图像可以被获取以达到障碍物能够被识别出的程度的距离受到限制，且仅仅基于图像很难测量至物体的距离。

LIDAR传感器或者雷达传感器具有这样的优势，其能够在相对远的距离上检测物体，但是具有这样的问题，因为该传感器不直接检测物体的图像且易受噪声影响，所以不易确定被检测到的物体是要避开的障碍物还是噪声；并且由于这种传感器在跟踪所述物体的移动时没有跟踪周围物体的移动，所以目标会被遗漏。

本公开的各种实施例涉及提供一种自主驾驶装置及方法，能够准确地识别和跟踪使用安装于自主车辆上的传感器检测到的周围物体中的目标物体，即待检测目标。

在一实施例中，一种自主驾驶装置包括传感器单元，配置为检测正在自主驾驶的本车辆周围的目标物体；存储器，配置为存储地图信息；和处理器，配置为基于存储于所述存储器中的所述地图信息和由所述传感器单元检测到的所述目标物体的位置的测量值所估计的、表示所述目标物体的状态轨迹的踪迹，来控制所述正在自主驾驶的本车辆的自主驾驶。所述处理器配置为：在所述传感器单元输出的一个或多个测量值中，提取在所述目标物体的所述位置的估计值的验证门内的一个或多个有效测量值，所述估计值基于所述位置的所述测量值生成，通过考虑提取的所述有效测量值的每一个与当前时刻所述目标物体的所述位置的测量值相对应的概率，形成所述目标物体的踪迹，并使用所述踪迹跟踪所述目标物体，以及通过基于持续跟踪所述目标物体的时间和所述正在自主驾驶的本车辆的周围环境信息来调整所述验证门的尺寸，提取所述有效测量值。

在一实施例中，所述处理器配置为确定基于所述测量值与所述目标物体的所述位置的所述估计值之间的新息和所述新息的协方差确定的马氏距离是否小于阈值，以确定所述验证门的所述尺寸，以及提取所述有效测量值。

在一实施例中，所述处理器配置为，通过根据持续跟踪所述目标物体的时间上的增量减小所述阈值，来减小所述验证门的所述尺寸。

在一实施例中，所述处理器配置为通过使用已并入基于所述周围环境信息的跟踪警示等级的环境权重调整所述阈值，来增大或减小所述验证门的所述尺寸。所述周围环境信息包括前方道路的形状、属性、交通状况和路面状况中的一个或多个。

在一实施例中，所述处理器配置为利用随着时间更新所述目标物体的所述位置的所述估计值的方法来更新所述踪迹，将更新所述踪迹的历史存储在所述存储器内，以及通过所述踪迹的初始化来进行踪迹管理。

在一实施例中，所述传感器单元包括LIDAR传感器、雷达传感器和相机传感器中的一个或多个。

在一实施例中，一种自主驾驶方法是一种由处理器基于存储于存储器内的地图信息和由传感器单元检测到的正在自主驾驶的本车辆周围的目标物体的位置的测量值所估计的、表示所述目标物体的状态轨迹的踪迹来控制所述正在自主驾驶的本车辆的自主驾驶的方法。所述方法包括由所述处理器在所述传感器单元输出的一个或多个测量值中提取在所述目标物体的所述位置的估计值的验证门内的一个或多个有效测量值，所述估计值基于所述位置的所述测量值生成，以及通过考虑提取的所述有效测量值的每一个与当前时刻所述目标物体的所述位置的测量值相对应的概率，由处理器形成所述目标物体的踪迹，并使用所述踪迹跟踪所述目标物体。在所述一个或多个有效测量值的所述提取中，通过基于持续跟踪所述目标物体的时间和所述正在自主驾驶的本车辆的周围环境信息来调整所述验证门的尺寸，所述处理器提取所述有效测量值。

附图说明

图1是根据本公开实施例的一种自主驾驶装置可以应用的自主驾驶控制系统的一般框图。

图2是示出了根据本公开实施例的自主驾驶装置中的自主驾驶集成控制器的详细配置的框图。

图3是示出了根据本公开实施例的自主驾驶装置被应用于车辆的实例的示意图。

图4是示出了根据本公开实施例的自主驾驶装置所应用的车辆的内部结构的实例的示意图。

图5是示出了在根据本公开实施例的自主驾驶装置中LIDAR传感器、雷达传感器和相机传感器可以在其中检测到周围物体的设定距离和水平视域的实例的示意图。

图6是示出了在根据本公开实施例的自主驾驶装置中传感器单元检测周围车辆的实例的示意图。

图7是用于描述根据本公开实施例的自主驾驶方法的流程图。

具体实施方式

下文将参考附图通过各种示例性实施例对一种自主驾驶装置及方法进行描述。为了描述的清楚以及方便的目的，在此过程中，图中所示的线条的粗细或元件的尺寸可能已被夸大。下文所描述的术语通过考虑其在本公开的功能而已被定义，且可以根据使用者或操作者的意图或实践被改变。因此，这些术语应该根据本说明书的整体内容来解释。

图1是根据本公开实施例的一种自主驾驶装置可以应用的自主驾驶控制系统的一般框图。图2是示出了根据本公开实施例的自主驾驶装置中的自主驾驶集成控制器的详细配置的框图。图3是示出了根据本公开实施例的自主驾驶装置被应用于车辆的实例的示意图。图4是示出了根据本公开实施例的自主驾驶装置所应用的车辆的内部结构的实例的示意图。图5是示出了在根据本公开实施例的自主驾驶装置中LIDAR传感器、雷达传感器和相机传感器可以在其中检测到周围物体的设定距离和水平视域的实例的示意图。图6是示出了在根据本公开实施例的自主驾驶装置中传感器单元检测周围车辆的实例的示意图。

首先，参考图1和图3描述了应用了根据本实施例的自主驾驶装置的自主驾驶控制系统的结构和功能。如图1中所示，自主驾驶控制系统可以基于自主驾驶集成控制器600来执行，所述自主驾驶集成控制器600配置为通过驾驶信息输入接口101、行驶信息输入接口201、乘客输出接口301和车辆控制输出接口401发送和接收车辆的自主驾驶控制所必需的数据。

自主驾驶集成控制器600可以通过驾驶信息输入接口101获取基于在车辆的自主驾驶模式或手动驾驶模式中乘客对用户输入单元100的操作的驾驶信息。例如，如图1所示，用户输入单元100可以包括驾驶模式开关110和用户终端120(例如，在用户拥有的智能手机或平板个人电脑或者车辆上安装的导航终端)。因此，驾驶信息可以包括车辆的驾驶模式信息和导航信息。例如，由乘客对驾驶模式开关110的操作决定的车辆的驾驶模式(即，自主驾驶模式/手动驾驶模式或运动模式/经济模式/安全模式/普通模式)可以作为驾驶信息通过驾驶信息输入接口101被传送至自主驾驶集成控制器600。更进一步，由乘客通过用户终端120输入的导航信息，例如乘客的目的地和到目的地的路径(例如，乘客在到目的地的候选路径中选择的最短路径或优选路径)，可以作为驾驶信息通过驾驶信息输入接口101发送至自主驾驶集成控制器600。用户终端120可以被实施为提供用户界面(User Interface,UI)的控制面板(例如触摸面板)，驾驶员通过该控制面板输入或修改车辆自主驾驶控制用的信息。在此情况下，驾驶模式开关110可以被实施为在用户终端120上的触摸按钮。

更进一步，自主驾驶集成控制器600可以通过行驶信息输入接口201获取表示车辆的驾驶状态的行驶信息。行驶信息可以包括当乘客操作方向盘时形成的转向角，当加速踏板或制动踏板被踩踏时形成的加速踏板行程或制动踏板行程，以及表示车辆的行为和驾驶状态的各种类型的信息，例如车辆速度、加速度、偏航、俯仰和滚转等，即在车辆中形成的行为。如图1所示，通过包括转向角传感器210、油门位置传感器(Accel Position Sensor,APS)/踏板行驶传感器(Pedal Travel Sensor,PTS)220、车辆速度传感器230、加速度传感器240，以及偏航/俯仰/滚转传感器250的行驶信息检测单元200可以检测到多份行驶信息。进一步，车辆的行驶信息可以包括车辆的位置信息。车辆的位置信息可以通过应用于车辆的全球定位系统(Global Positioning System,GPS)接收器260获取。这些行驶信息可以通过行驶信息输入接口201被发送至自主驾驶集成控制器600，并且可以在车辆的自主驾驶模式或手动驾驶模式中用于控制车辆的驾驶。

更进一步，自主驾驶集成控制器600可以在车辆的自主驾驶模式或手动驾驶模式中通过乘客输出接口301将提供给乘客的驾驶状态信息发送至输出单元300。即，自主驾驶集成控制器600将车辆的驾驶状态信息发送至输出单元300，以便乘客能够基于通过输出单元300输出的驾驶状态信息来查看车辆的自主驾驶状态或手动驾驶状态。例如，驾驶状态信息可以包括表示车辆的驾驶状态的各种类型信息，例如车辆的当前驾驶模式、变速器档位和车辆速度等。此外，若确定在车辆的自主驾驶模式或手动驾驶模式中必须随着驾驶状态信息一起警告驾驶员，则自主驾驶集成控制器600将警报信息通过乘客输出接口301发送至输出单元300，以便输出单元300能够向驾驶员输出警告。为了听觉地和视觉地输出这样的驾驶状态信息和警报信息，如图1所示，输出单元300可以包括扬声器310和显示器320。在这种情况下，显示器320可以被实施为与用户终端120相同的设备，或者被实施为与用户终端120分离的独立设备。

更进一步，自主驾驶集成控制器600可以在车辆的自主驾驶模式或手动驾驶模式中通过车辆控制输出接口401将车辆驾驶控制用的控制信息发送至低级控制系统400应用于车辆。如图1所示，车辆驾驶控制用的低级控制系统400可以包括引擎控制系统410、制动控制系统420和转向控制系统430。自主驾驶集成控制器600可以将引擎控制信息、制动控制信息和转向控制信息作为控制信息通过车辆控制输出接口401发送至各自的低级控制系统410、420和430。因此，引擎控制系统410可以通过增加或减少供向引擎的燃料来控制车辆的车速和加速度。制动控制系统420可以通过控制车辆的制动力来控制车辆的制动。转向控制系统430可以通过应用于车辆的转向装置(例如，电机驱动力转向(motor driven powersteering,MDPS)系统)来控制车辆的转向。

如上文所述，根据本实施例的自主驾驶集成控制器600可以分别通过驾驶信息输入接口101和行驶信息输入接口201分别获取基于驾驶员的操作的驾驶信息和表示车辆的驾驶状态的行驶信息，可以将基于由其中的处理器610处理的自主驾驶算法而生成的驾驶状态信息和警报信息通过乘客输出接口301发送至输出单元300，并且可以将基于由处理器610处理的自主驾驶算法而生成的控制信息通过车辆控制输出接口401发送至低级控制系统400，以便执行车辆的驾驶控制。

为了确保稳定的车辆自主驾驶，有必要通过准确测量车辆的驾驶环境持续监测车辆的驾驶状态并基于测得的驾驶环境控制驾驶。为此，如图1所示，根据本实施例的自主驾驶装置可以包括传感器单元500，用于检测车辆的周围物体，例如周围车辆、行人、道路或者固定设施(例如，信号灯、路标、交通标识或建筑围栏)。如图1所示，传感器单元500可以包括LIDAR传感器510、雷达传感器520和相机传感器530的一个或更多，以便检测车辆外部的周围物体。

LIDAR传感器510可以将激光信号发送至车辆的周围，并且可以通过接收从相应物体反射并返回的信号来检测车辆外的周围物体。LIDAR传感器510可以检测位于依据其规格预先定义的设定距离、设定垂直视域和设定水平视域之内的周围物体。LIDAR传感器510可以包括分别安装于车辆的前部、顶部和后部的前LIDAR传感器511、上LIDAR传感器512和后LIDAR传感器513，但是每个传感器的安装位置和安装的传感器的数量并不限制于具体的实施例。用于确定从相应物体反射并返回的激光信号的有效性的阈值可以被事先存储于自主驾驶集成控制器600的存储器620内。使用测量通过LIDAR传感器510发射的激光信号从相应物体反射并返回所花费的时间的方法，自主驾驶集成控制器600的处理器610可以确定相应物体的位置(包括与相应物体的距离)、速度和移动方向。

雷达传感器520可以在车辆周围辐射电磁波，并且可以通过接收从相应物体反射并返回的信号来检测车辆外的周围物体。雷达传感器520可以检测位于依据其规格预先定义的设定距离、设定垂直视域和设定水平视域之内的周围物体。雷达传感器520可以包括分别安装于车辆的前部、左侧、右侧和后部的前雷达传感器521、左雷达传感器522、右雷达传感器523和后雷达传感器524，但是每个传感器的安装位置和安装的传感器的数量并不限制于具体的实施例。自主驾驶集成控制器600的处理器610可以使用分析通过雷达传感器520发射和接收的电磁波的功率的方法来确定相应物体的位置(包括与相应物体的距离)、速度和移动方向。

相机传感器530可以通过拍摄车辆的周围来检测车辆外的周围物体，并且可以检测位于依据其规格预先定义的设定距离、设定垂直视域和设定水平视域之内的周围物体。相机传感器530可以包括分别安装于车辆的前部、左侧、右侧和后部的前相机传感器531、左相机传感器532、右相机传感器533和后相机传感器534，但是每个传感器的安装位置和安装的传感器的数量并不限制于具体的实施例。自主驾驶集成控制器600的处理器610可以通过对相机传感器530捕捉的图像进行预先定义的图像处理来确定相应物体的位置(包括与相应物体的距离)、速度和移动方向。更进一步，用于拍摄车辆内部的内部相机传感器535可以安装于车辆内的给定位置处(例如后视镜)。自主驾驶集成控制器600的处理器610可以基于由内部相机传感器535捕捉的图像来监测乘客的行为和状态，并且可以通过输出单元300向乘客输出指导或警告。

如图1所示，除了LIDAR传感器510、雷达传感器520和相机传感器530之外，传感器单元500可以进一步包括超声传感器540，并且可以进一步采用各种类型的传感器以与所述传感器一起检测车辆的周围物体。为了利于理解本实施例，图3示出了前LIDAR传感器511或者前雷达传感器521已被安装于车辆的前部，后LIDAR传感器513或者后雷达传感器524已被安装于车辆的后部，并且前相机传感器531、左相机传感器532、右相机传感器533和后相机传感器534已被分别安装于车辆的前部、左侧、右侧和后部的实施例。然而，如上所述，每个传感器的安装位置和安装的传感器的数量并不限制于特定的实施例。图5示出了LIDAR传感器510、雷达传感器520和相机传感器530可以在其中检测到车辆前方的周围物体的设定距离和水平视域的实例。图6示出了每个传感器检测周围物体的实例。图6仅仅是检测周围物体的一个实例。由每个传感器的安装位置和安装的传感器的数量确定检测周围物体的方法。根据传感器单元500的配置可以检测正在被自主驾驶的本车辆的全方向区域内的周围车辆和周围物体。

更进一步，为了确定车辆内乘客的状态，传感器单元500可以进一步包括用于检测乘客的声音和生物信号(例如心率、心电图、呼吸、血压、体温、脑电图、光电容积脉搏波(或脉搏波)和血糖等)的麦克风和生物传感器。生物传感器可以包括心率传感器、心电图传感器、呼吸传感器、血压传感器、体温传感器、脑电图传感器、光电容积脉搏波传感器和血糖传感器等。

图4示出了车辆的内部结构的实例。车辆内可以安装内部设备，该内部设备的状态由诸如车辆的驾驶员或者同行乘客的乘客的操作来控制并且支持乘客的驾驶或者便利性(例如，休息或者娱乐活动)。这种内部设备可以包括乘客乘坐的车辆座椅S、诸如内部灯和氛围灯的灯光设备L、用户终端120、显示器320和内部桌。内部设备的状态可以由处理器610控制。

车辆座椅S的角度可以由处理器610(或者通过乘客的手动操作)调节。如果车辆座椅S被配置有前排座椅S1和后排座椅S2，则只有前排座椅S1的角度可以被调节。如果后排座椅S2未被提供且前排座椅S1被分成了座椅结构和脚凳结构，则前排座椅S1可以这样被实施：使前排座椅S1的座椅结构与脚凳结构物理上分离，且前排座椅S1的角度被调节。更进一步，可以提供用于调节车辆座椅S的角度的执行器(例如电机)。灯光设备L的开和关可以由处理器610(或者通过乘客的手动操作)控制。如果灯光设备L包括若干灯光单元，例如内部灯和氛围灯，每个灯光单元的开和关可以被独立控制。用户终端120或者显示器320的角度可以基于乘客的视角由处理器610(或者通过乘客的手动操作)调节。例如，用户终端120或者显示器320的角度可以被调节使得其屏幕置于乘客注视的方向。在这种情况下，可以提供用于调节用户终端120或者显示器320的角度的执行器(例如电机)。

如图1所示，自主驾驶集成控制器600可以通过网络与服务器700通信。各种通信方法，例如广域网(Wide Area Network,WAN)、局域网(Local Area Network,LAN)或者个域网(Personal Area Network,PAN)，可以作为自主驾驶集成控制器600与服务器700之间的网络方法被采用。此外，为了确保广泛的网络覆盖，可以采用低功率广域网(Low Power WideArea Network,LPWAN)(包括诸如LoRa、Sigfox、Ingenu、LTE-M和NB-IOT等的商业化技术，即在IoT之间具有非常广泛的覆盖范围的网络)通信方法。例如，可以采用LoRa(能够进行低功率通信并且还具有最高大约20Km的广泛的覆盖范围)或Sigfox(根据环境，具有10Km(市区)至30Km(市区之外的郊区)的覆盖范围)通信方法。更进一步，可以采用基于第3代合作伙伴计划(3^rd Generation Partnership Project,3GPP)发行版本12、13的LTE网络技术，例如机器型通信(Machine-Type Communications,LTE-MTC)(或LTE-M)或窄带(NarrowBand,NB)LTE-M，以及具有功率节省模式(Power Saving Mode,PSM)的NB IoT。服务器700可以提供最新地图信息(可以相应于各种类型的地图信息，例如二维(Two-Dimensional,2-D)导航地图数据、三维(Three-Dimensional,3-D)流形(manifold)地图数据或3-D高精度电子地图数据)。更进一步，服务器700可以提供各种类型的信息，例如道路上的事故信息、道路管制信息、交通流量信息和天气信息。自主驾驶集成控制器600可以通过接收来自服务器700的最新的地图信息来更新存储于存储器620中的地图信息，可以接收事故信息、道路管制信息、交通流量信息和天气信息，并且可以将这些信息用于车辆的自主驾驶控制。

参考图2描述根据本实施例的自主驾驶集成控制器600的结构和功能。如图2所示，自主驾驶集成控制器600可以包括处理器610和存储器620。

存储器620可以存储车辆的自主驾驶控制所需的基本信息，或可以存储在由处理器610控制的车辆的自主驾驶过程中生成的信息。处理器610可以访问(或读取)存储于存储器620中的信息，并且可以控制车辆的自主驾驶。存储器620可以被实施为计算机可读记录介质，且可以被处理器610访问的方式来运行。具体地，存储器620可以被实施为硬盘驱动器、磁带、存储卡、只读存储器(Read-Only Memory,ROM)、随机访问存储器(Random AccessMemory,RAM)、数字视频光盘(Digital Video Disc,DVD)或光学数据存储器，例如光盘。

存储器620可以存储处理器610用于自主驾驶控制所需的地图信息。存储于存储器620中的地图信息可以是提供道路单元信息的导航地图(或数字地图)，但是可以被实施为提供车道单元的道路信息的精确的道路地图，即3-D高精度电子地图数据，以提高自主驾驶控制的精度。因此，存储于存储器620中的地图信息可以提供车辆的自主驾驶控制所必需的动态和静态信息，例如车道、车道的中心线、执法车道、道路边界、道路的中心线、交通标志、路标、道路的形状和高度，以及车道宽度。

更进一步，存储器620可以存储用于车辆自主驾驶控制的自主驾驶算法。所述自主驾驶算法是一种用于识别自主车辆的周边、确定其周边的状态并基于所确定的结果来控制车辆的驾驶的算法(识别、确定和控制算法)。处理器610可以通过执行存储于存储器620中的自主驾驶算法对车辆的周边环境进行主动自主驾驶控制。

处理器610可以基于分别从驾驶信息输入接口101和行驶信息输入接口201接收的驾驶信息和行驶信息、由传感器单元500检测到的关于周围物体的信息、以及存储于存储器620中的地图信息和自主驾驶算法来控制车辆的自主驾驶。处理器610可以被实施为嵌入式处理器，例如复杂指令集计算机(Complex Instruction Set Computer,CICS)、或精简指令集计算机(Reduced Instruction Set Computer,RISC)，或专用半导体电路，例如专用集成电路(Application-Specific Integrated Circuit,ASIC)。

在本实施例中，处理器610通过分析正自主驾驶的本车辆和周围车辆的每一个的驾驶轨迹，可以控制正自主驾驶的本车辆的自主驾驶。为此，如图2所示，处理器610可以包括传感器处理模块611、驾驶轨迹生成模块612、驾驶轨迹分析模块613、驾驶控制模块614、乘客状态确定模块616和轨迹学习模块615。图2示出了基于其功能作为独立块的各模块，但是这些模块可以被集成为单一模块，并被实施为用于集成和执行这些模块的功能的元件。

传感器处理模块611可以基于通过传感器单元500检测正自主驾驶的本车辆周围的周围车辆的结果确定周围车辆的行驶信息(即包括周围车辆的位置，且随该位置一起可以进一步包括在该位置的周围车辆的速度和移动方向)。也就是说，传感器处理模块611可以基于通过LIDAR传感器510接收的信号来确定周围车辆的位置，可以基于通过雷达传感器520接收的信号来确定周围车辆的位置，可以基于通过相机传感器530捕捉的图像来确定周围车辆的位置，并且可以基于通过超声传感器540接收的信号来确定周围车辆的位置。为此，如图1所示，传感器处理模块611可以包括LIDAR信号处理模块611a、雷达信号处理模块611b和相机信号处理模块611c。在一些实施例中，超声信号处理模块(未示出)可以进一步被添加至传感器处理模块611。使用LIDAR传感器510、雷达传感器520和相机传感器530确定周围车辆的位置的方法的实施方法不限于具体的实施例。进一步，除了周围车辆的位置、速度和移动方向之外，传感器处理模块611可以确定属性信息，例如周围车辆的尺寸和类型。可以预先定义用于确定诸如周围车辆的位置、速度、移动方向、尺寸和类型的信息的算法。

驾驶轨迹生成模块612可以生成周围车辆的实际驾驶轨迹和预期驾驶轨迹，以及正自主驾驶的本车辆的实际驾驶轨迹。为此，如图2所示，驾驶轨迹生成模块612可以包括周围车辆驾驶轨迹生成模块612a和自主驾驶中车辆驾驶轨迹生成模块612b。

首先，周围车辆驾驶轨迹生成模块612a可以生成周围车辆的实际驾驶轨迹。

具体地，周围车辆驾驶轨迹生成模块612a基于通过传感器单元500检测的周围车辆的行驶信息(即由传感器处理模块611确定的周围车辆的位置)可以生成周围车辆的实际驾驶轨迹。在这种情况下，为了生成周围车辆的实际驾驶轨迹，周围车辆驾驶轨迹生成模块612a可以参照存储于存储器620内的地图信息，并且可以通过交叉参考由传感器单元500检测到的周围车辆的位置和存储于存储器620的地图信息中的给定位置，生成周围车辆的实际驾驶轨迹。例如，当周围车辆在特定的位置被传感器单元500检测到，周围车辆驾驶轨迹生成模块612a可以通过交叉参考对测得的周围车辆的位置和地图信息中的给定位置，在存储于存储器620的地图信息内具体指定周围车辆的当前测得的位置。如上所述，周围车辆驾驶轨迹生成模块612a可以通过持续监测周围车辆的位置以生成周围车辆的实际驾驶轨迹。也就是说，周围车辆驾驶轨迹生成模块612a可以基于交叉参考并累积位置，通过将由传感器单元500检测到的周围车辆的位置映射到存储于存储器620的地图信息中的位置来生成周围车辆的实际驾驶轨迹。

可以将周围车辆的实际驾驶轨迹与将在下文描述的周围车辆的预期驾驶轨迹进行比较以用于确定存储于存储器620中的地图信息是否准确。在这种情况下，如果将特定周围车辆的实际驾驶轨迹与预期驾驶轨迹相比较，将可能出现这样的问题：尽管地图信息是准确的，但仍被错误地确定为存储于存储器620中的地图信息是不准确的。例如，如果多辆周围车辆的实际驾驶轨迹和预期驾驶轨迹是相同的，且特定周围车辆的实际驾驶轨迹和预期驾驶轨迹是不同的，当只有特定周围车辆的实际驾驶轨迹被与预期驾驶轨迹相比较时，尽管地图信息是准确的，但可能被错误地确定为存储于存储器620中的地图信息是不准确的。为了防止这种问题，有必要确定多辆周围车辆的实际驾驶轨迹的趋势是否会偏离预期驾驶轨迹。为此，周围车辆驾驶轨迹生成模块612a可以生成多辆周围车辆的每一辆的实际驾驶轨迹。更进一步，如果考虑到周围车辆的驾驶员在他或她的驾驶过程出于直线路径驾驶的目的会有略微向左和向右移动方向盘的倾向，可以曲线形式而非直线形式生成周围车辆的实际驾驶轨迹。为了计算下文将描述的预期驾驶轨迹之间的误差，周围车辆驾驶轨迹生成模块612a可以通过将给定的平滑化方案应用于曲线形式生成的原始实际驾驶轨迹来生成直线形式的实际驾驶轨迹。可以采用诸如对周围车辆的每个位置进行插值的各种方案作为平滑化方案。

更进一步，周围车辆驾驶轨迹生成模块612a可以基于存储于存储器620Z中的地图信息生成周围车辆的预期驾驶轨迹。

如上所述，存储于存储器620的地图信息可以为3-D高精度电子地图数据。因此，地图信息可以提供车辆的自主驾驶控制所必需的动态和静态信息，例如车道、车道的中心线、执法车道、道路边界、道路的中心线、交通标志、路标、道路的形状和高度，以及车道宽度。若考虑车辆通常行驶于车道的中间，可以预期，行驶于正在自主驾驶的本车辆周围的周围车辆也将会行驶于车道的中间。因此，周围车辆驾驶轨迹生成模块612a可以将道路的中心线并入地图信息内的方式生成周围车辆的预期驾驶轨迹。

自主驾驶中车辆驾驶轨迹生成模块612b可以生成基于通过行驶信息输入接口201获取的正在自主驾驶的本车辆的行驶信息目前已被驾驶的正在自主驾驶的本车辆的实际驾驶轨迹。

具体地，自主驾驶中车辆驾驶轨迹生成模块612b可以通过交叉参考由行驶信息输入接口201获取的正在自主驾驶的本车辆的位置(即由GPS接收器260获取的关于正在自主驾驶的本车辆的位置的信息)和存储于存储器620中的地图信息中的给定位置，来生成正在自主驾驶的本车辆的实际驾驶轨迹。例如，自主驾驶中车辆驾驶轨迹生成模块612b可以通过交叉参考由行驶信息输入接口201获取的正在自主驾驶的本车辆的位置和地图信息中的给定位置，在存储于存储器620的地图信息中具体指定正在自主驾驶的本车辆的当前位置。如上所述，自主驾驶中车辆驾驶轨迹生成模块612b可以通过持续监测正在自主驾驶的本车辆的位置，生成正在自主驾驶的本车辆的实际驾驶轨迹。也就是说，自主驾驶中车辆驾驶轨迹生成模块612b可以基于交叉参考和累积位置，通过将由行驶信息输入接口201获取的正在自主驾驶的本车辆的位置映射至存储于存储器620中的地图信息中的位置来生成正在自主驾驶的本车辆的实际驾驶轨迹。

更进一步，自主驾驶中车辆驾驶轨迹生成模块612b可以基于存储于存储器620中的地图信息生成到达正在自主驾驶的本车辆的目的地的预期驾驶轨迹。

也就是说，自主驾驶中车辆驾驶轨迹生成模块612b可以利用通过行驶信息输入接口201获取的正在自主驾驶的本车辆的当前位置(即通过GPS接收器260获取的关于正在自主驾驶的本车辆的当前位置的信息)和存储于存储器620的地图信息，生成到达目的地的预期驾驶轨迹。如同周围车辆的预期驾驶轨迹那样，可以将道路的中心线并入存储于存储器620内的地图信息内的方式生成正在自主驾驶的本车辆的预期驾驶轨迹。

由周围车辆驾驶轨迹生成模块612a和自主驾驶中车辆驾驶轨迹生成模块612b生成的驾驶轨迹可以被存储于存储器620中，并且可以在由处理器610控制正在自主驾驶的本车辆的自主驾驶的过程中被用于各种目的。

驾驶轨迹分析模块613可以通过分析由驾驶轨迹生成模块612生成并存储于存储器620的驾驶轨迹(即周围车辆的实际驾驶轨迹和预期驾驶轨迹以及正在自主驾驶的本车辆的实际驾驶轨迹)，来诊断用于正在自主驾驶的本车辆的自主驾驶控制的当前可靠性。自主驾驶控制的可靠性的诊断可以在分析周围车辆的实际驾驶轨迹和预期驾驶轨迹之间的轨迹误差的过程中进行。

驾驶控制模块614可以执行用于控制正在自主驾驶的本车辆的自主驾驶的功能。具体地，驾驶控制模块614可以综合使用分别通过驾驶信息输入接口101和行驶信息输入接口201接收的驾驶信息和行驶信息、由传感器单元500检测的周围物体的信息、以及存储于存储器620中的地图信息，处理自主驾驶算法；可以通过车辆控制输出接口401将控制信息发送至低级控制系统400，以便低级控制系统400控制正在自主驾驶的本车辆的自主驾驶；并且可以通过乘客输出接口301将正在自主驾驶的本车辆的驾驶状态信息和警报信息发送至输出单元300，以便驾驶员能够识别驾驶状态信息和警报信息。更进一步，当整合并控制此自主驾驶时，驾驶控制模块614通过考虑已被传感器处理模块611、驾驶轨迹生成模块612和驾驶轨迹分析模块613分析的正在自主驾驶的本车辆和周围车辆的驾驶轨迹来控制自主驾驶，因此，提高了自主驾驶控制的精度并增强了自主驾驶控制的安全性。

轨迹学习模块615可以对由自主驾驶中车辆驾驶轨迹生成模块612b生成的正在自主驾驶的本车辆的实际驾驶轨迹进行学习或校正。例如，当周围车辆的实际驾驶轨迹和预期驾驶轨迹之间的轨迹误差为预设阈值或更大时，轨迹学习模块615可以通过确定存储于存储器620中的地图信息是不准确的，来确定正在自主驾驶的本车辆的实际驾驶轨迹需要被校正。因此，轨迹学习模块615可以确定用于校正正在自主驾驶的本车辆的实际驾驶轨迹的侧向位移值，并可以校正正在自主驾驶的本车辆的驾驶轨迹。

乘客状态确定模块616可以基于由内部相机传感器535和生物传感器检测到的乘客的状态和生物信号确定乘客的状态和行为。由乘客状态确定模块616确定的乘客的状态可以被用于正在自主驾驶的本车辆的自主驾驶控制或用于向乘客输出警报的过程中。

在下文将基于上述内容描述通过应用于正在自主驾驶的本车辆的传感器单元500检测并跟踪目标物体的实施例。

根据本实施例的处理器610可以基于表示在正在自主驾驶的本车辆周围的目标物体的状态轨迹的踪迹，连同存储于存储器620中的地图信息，来控制正在自主驾驶的本车辆的自主驾驶，所述踪迹为对由传感器单元500检测到的正在自主驾驶的本车辆的位置的测量值进行估计得到。周围物体，即被传感器单元500跟踪的目标，被表示为目标物体。

具体地，在本实施例中，处理器610的传感器处理模块611可以基于概率数据关联滤波器(Probabilistic Data Association Filter,PDAF)来跟踪目标物体。PDAF是基于这样的前提：目标物体的状态值基于以下公式1的状态公式和测量公式被更新。

x(k)＝F(k-1)x(k-1)+v(k-1)

z(k)＝H(k)x(k)+w(k)…(1)

在公式1中，x(k)表示目标物体在时刻k的状态值(状态向量)。F(k-1)表示状态转移矩阵，其表示从时刻k-1转换到时刻k的变化。z(k)表示在时刻k目标物体的位置的测量值。H(k)表示用于将目标物体的状态值转化为位置的测量值的监测模型。v(k-1)和w(k)分别表示在k-1时刻的过程噪音和在k时刻的测量噪音。平均噪声为0且协方差具有Q(k-1)和R(k)的白高斯分布被应用。

进一步，处理器610可以基于卡尔曼滤波器初始化目标物体的踪迹。卡尔曼滤波器是一种通过补偿在测量物体的位置时出现的误差来估计物体的准确位置的方案，通过基于在前一时刻物体位置的估计值和物体位置的测量值重复地计算物体位置的估计值进行所述补偿。具体地，首先，卡尔曼滤波器利用到前一时刻物体位置的估计值，仅基于对到前一时刻的测量值来计算当前时刻的估计值。然后，卡尔曼滤波器使用仅利用到前一时刻的测量值计算得到的当前时刻的协方差和当前时刻物体位置的测量值，仅基于到前一时刻的测量值，来计算当前时刻物体位置的估计值。

处理器610可以基于卡尔曼滤波器根据以下公式2初始化目标物体的踪迹。

在公式2中，表示利用到k-1时刻的信息估计的在k时刻目标物体的状态值的估计值。/>表示利用到k-1时刻的信息估计的在k-1时刻目标物体的状态值的估计值。/>表示利用到k-1时刻的信息估计的在k时刻目标物体的位置的估计值。

在跟踪单个物体的系统中，标准卡尔曼滤波器的估计误差协方差矩阵作为过程噪声和测量噪声的协方差矩阵来计算，并且是表示跟踪器性能的指标。然而，如果出现一群物体，跟踪器的估计误差协方差矩阵不再独立于测量值，且变成测量数据的函数。因此，为了精确和高效地预测跟踪器的性能，需要得到能够恰当表示跟踪器性能的近似协方差矩阵。对此，在本实施例中，用于跟踪目标物体的卡尔曼滤波器的配置可以表示为如以下公式3。

P(k|k-1)＝F(k-1)P(k-l|k-1)F(k-1)^T+Q(k-1)…(3)

在公式3中，P(k|k)表示通过考虑了到k时刻的信息算得的卡尔曼滤波器在k时刻的估计误差的协方差。P(k|k-1)表示通过考虑了到k-1时刻的信息算得的卡尔曼滤波器在k时刻的估计误差的协方差。Q(k-1)表示k-1时刻的预期协方差。

因此，处理器610可以提取一个或多个有效测量值，所述有效测量值属于由传感器单元500输出的一个或多个测量值(即，通过检测正在自主驾驶的本车辆周围的包括目标物体的所有物体而获得的位置的测量值)并且出现在由目标物体位置的测量值生成的目标物体位置的估计值的验证门内。在这种情况下，处理器610可以通过确定基于目标物体的位置的测量值和估计值之间的新息(innovation)以及新息的协方差确定的马氏距离(Mahalanobis distance)是否小于确定验证门的尺寸的阈值来提取有效测量值。新息和新息的协方差可以根据以下方程4导出。

S(k)＝H(k)P(k|k-l)H(k)^T+R(k)…(4)

在方程4中，v(k,i)表示在k时刻目标i的新息。z(k,i)表示物体i的位置的测量值。是利用到k-1时刻的信息估计的在k时刻目标物体位置的估计值。S(k)是新息的协方差。R(k)表示在k时刻的测量噪声。

因此，处理器610可以基于通过公式4算得的新息和新息的协方差来计算马氏距离，可以确定算得的距离是否小于确定验证门的尺寸的阈值，且可以提取一个或多个有效测量值。这可以用如以下公式5来表示。

v(k，i)^TS(k)^-1v(k，i)＜γ…(5)

在公式5中，r表示确定验证门的尺寸的阈值。通过公式5提取的一组有效的测量值可以表示为

在这种情况下，处理器610可以基于目标物体被跟踪的时间和正在自主驾驶的本车辆的周围环境信息，通过调整验证门的尺寸来提取有效的测量值。也就是说，处理器610可以利用调整用于确定验证门的尺寸的阈值的方法来提取有效测量值。

在下文描述调整阈值的尺寸的过程。处理器610可以通过根据持续跟踪目标物体的时间上的增量减小阈值，来减小验证门的尺寸。

也就是说，如果目标物体被持续跟踪且跟踪的可靠性在一给定或更高的水平，处理器610可以运行以优先执行降低提取有效测量值所必需的计算负载的操作，并通过减小验证门内的测量值生成目标物体的踪迹。因此，处理器610可以根据持续跟踪目标物体的时间上的增量，通过降低阈值减小验证门的尺寸。

此外，处理器610可以通过使用已并入基于周围环境信息的跟踪警示等级的环境权重调整阈值，从而增大或者减小验证门的尺寸。在这种情况下，周围环境信息可以包括前方道路的形状(例如，曲率、坡度)、属性(例如，类型、普通路/交叉路、速度限制和儿童保护区)、交通状况(例如，交通流量和行驶速度)和道路状况(例如，铺设/未铺设道路和行人的数量)。

具体地，处理器610可以通过用户终端120或者传感器单元500获取周围环境信息，并且可以基于获取的周围环境信息确定跟踪警示等级。在这种情况下，跟踪警示等级可以表示为表征取决于正在自主驾驶的本车辆的周围环境的目标物体跟踪的难度的参数。可以说，如果由于周围环境是在较差的条件下，使得跟踪目标物体难度较大，则跟踪警示等级更高。

因此，如果基于周围环境信息(例如，当跟踪警示等级高时)确定跟踪目标物体的难度较大，为了提高跟踪目标物体的可靠性，处理器610可以通过提高环境权重增大阈值的尺寸，从而增大验证门的尺寸。相反，如果基于周围环境信息(例如，当跟踪警示等级低时)确定跟踪目标物体较容易，为了降低跟踪目标物体所必需的计算负载，处理器610可以通过降低环境权重减小阈值的尺寸，从而减小验证门的尺寸。例如，如果前方道路的曲率较大、在交叉路的情况、在儿童保护区的情况下、如果交通流量大、且如果行人数量多，则可以考虑跟踪警示等级为高。因此，处理器610可以通过提高环境权重增大阈值的尺寸，从而增大验证门的尺寸。

在周围环境信息和环境权重之间的映射信息可以以查询表的形式被存储于存储器620中。因此，处理器610可以通过从地图信息中提取被映射至驾驶环境信息的当前环境信息来确定阈值。

基于持续跟踪目标物体的时间和正在自主驾驶的本车辆的周围环境信息来调整阈值可以基于以下公式6进行。

在公式6中，α表示基于周围环境信息的权重。D_T是预先定义的时间常数。r₀是预先定义的阈值的初始值。T_T表示持续跟踪目标物体的时间，即不丢失目标物体的连续跟踪的时间。

当有效测量值被提取，通过考虑提取的有效测量值的每一个将会对应于当前目标物体的位置的测量值的概率，处理器610可以形成目标物体的踪迹，且可以追踪目标物体。这可以用以下公式7来表示。

在公式7中，P_D表示预先定义的目标物体检测概率。P_G表示门概率。L(k,i)表示有效测量值z(k,i)将起因于目标物体而不是一群物体的似然比。

下文中，处理器610可以利用随着时间更新目标物体位置的估计值的方法来更新踪迹，可以在存储器610中存储踪迹更新的历史，并且可以通过踪迹的初始化进行踪迹管理。

具体地，处理器610可以基于估计误差的协方差和新息的协方差，计算卡尔曼增益，用于更新目标物体的位置的估计值，并且可以基于卡尔曼增益、目标物体的位置的测量值，以及使用到前一时刻的信息估计的目标物体的位置的估计值，来计算利用到当前时间的信息估计的位置估计值。目标物体的位置的估计值的更新可以用以下公式8来表示。

K(k)＝p(k|k-l)H^TS(k)^-1

在公式8中，K(k)表示卡尔曼增益。通过考虑上述随着时间的目标物体的位置的测量值，更准确的位置估计值能够通过更新位置估计值来获取，因此踪迹的更新的精度能够被提高。

处理器610可以在存储器620中存储踪迹更新的历史。存储于存储器620中的历史可以包括用于卡尔曼滤波器在每个时刻的位置的估计值和测算值，以及卡尔曼滤波器的估计误差的协方差。

如果目标物体的位置的估计值被更新，由两条踪迹表示的物体可能在一些情况下相碰。当由各个踪迹表示的物体位置的估计值之间的差值小于事先存储的参考值时，处理器610可以确定由两条踪迹表示的物体相碰，并且可以基于包括在各个踪迹的历史中的数据来初始化踪迹。

此外，如果包括在所述踪迹中的所有物体的位置的估计值没有包括在与所述踪迹相对应的验证门的区域内，则处理器610可以基于存储于存储器620的踪迹的历史来初始化踪迹。也就是说，如果由于被踪迹跟踪的所有物体偏离验证门或被确定为噪音或误差，从而被踪迹跟踪的物体消失，这意味着跟踪物体失败。因此，处理器610可以初始化踪迹并跟踪新的物体。

如上文所述，踪迹是利用卡尔曼滤波器产生的，且使用踪迹来跟踪目标物体。在这种情况下，如果利用踪迹对目标物体的跟踪失败或者两条踪迹相碰，则该踪迹被初始化且新目标被跟踪。因此，能够提高目标物体跟踪性能。

如上文所述，处理器610可以利用通过跟踪目标物体生成和更新的踪迹中包含的数据，控制正在自主驾驶的本车辆的自主驾驶，以便正在自主驾驶的本车辆通过低级控制系统400避开目标物体，或通过输出单元300向乘客输出警报。

图7是用于描述根据本公开实施例的自主驾驶方法的流程图。处理器610可以基于存储于存储器620中的地图信息和通过基于由正在自主驾驶的本车辆的传感器单元500检测得到的目标物体的位置的测量值估计的、表示正在自主驾驶的本车辆周围的目标物体的状态轨迹的踪迹，控制正在自主驾驶的本车辆的自主驾驶。

为此，首先，处理器610基于公式1的状态公式和测量公式和公式2的卡尔曼滤波器生成(或初始化)目标物体的踪迹(S100)。

接着，处理器610提取属于由传感器单元500输出的一个或多个测量值、且出现在基于测量值生成的目标物体的位置的估计值的验证门内的一个或多个有效测量值(S200)。在步骤S200中，处理器610确定基于由传感器单元500输出的测量值与目标物体的位置的估计值之间的新息和新息的协方差确定的马氏距离是否小于确定验证门的尺寸的阈值，并提取一个或多个有效测量值。

在步骤200中，处理器610确定验证门，即目标物体被检测到的范围(S210)。在这种情况下，处理器610基于持续跟踪目标物体的时间和正在自主驾驶的本车辆的周围环境信息，调整验证门的尺寸。具体地，处理器610通过根据持续跟踪目标物体的时间上的增量增大阈值来增大验证门的尺寸，并且还通过使用其中并入了基于周围环境信息的跟踪警示等级的环境权重调整阈值来增大或减小验证门的尺寸。周围环境信息可以包括前方道路的形状、属性、交通状况和道路表面状况中的一个或多个。此外，处理器610利用基于阈值调整尺寸的验证门来提取有效测量值(S220)。

在步骤S200中，当有效测量值被提取，处理器610通过考虑每个被提取的有效测量值可能对应于当前时刻的目标物体的位置的测量值的概率，形成目标物体的踪迹，并使用该踪迹跟踪目标物体(S300)。

下一步，处理器610利用随着时间更新目标物体的位置的估计值的方法来更新踪迹，将更新所述踪迹的历史存储于存储器620，并通过踪迹的初始化进行踪迹管理(S400)。

在步骤S400中，当由各个踪迹表示的目标物体的位置的估计值之间的差值小于事先存储的参考值时(S410)，处理器610确定所述轨迹彼此接近，并基于包括在每条踪迹的历史内的数据初始化踪迹(S420)。

当由各个踪迹表示的目标物体的位置的估计值之间的差值为事先存储的参考值或更大时(S410)，处理器610利用目标物体的位置的更新估计值来更新踪迹(S430)。此外，如果对目标物体的跟踪失败(S440)(即，如果包括在踪迹上的所有物体的位置的估计值都没有被包括在与踪迹相应的验证门的区域内)，则处理器610整理已存储于存储器620内的并对应于跟踪失败的目标物体的踪迹的历史的数据(S450)，并初始化相应的踪迹(S460)。下一步，处理器将在步骤S450中整理的数据与跟踪失败的目标物体的踪迹(即，被初始化的踪迹)匹配(S470)。处理器610可以仅维护属于被整理的数据并可以被用于跟踪新物体的数据，从而基于该数据跟踪新物体。在步骤S440中，如果目标物体的跟踪是成功的，则目标物体保持当前踪迹，且该过程结束。

如上文所述，根据本实施例，当使用安装于自主驾驶车辆上的传感器检测并跟踪目标物体时，使用动态地调整用于检测目标物体的验证门的方法，能够准确地识别并且跟踪待检测的目标物体。

尽管为了描述的目的已公开了本公开的示例性实施例，本领域技术人员将会理解，在不偏离如所附权利要求所限定的本公开的范围和精神的情况下，可能有各种修改、增加和替换。因此，本公开真正的技术范围应该由以下的权利要求所限定。

Claims (7)

1.一种自主驾驶装置，包括：

传感器单元，配置为检测正在自主驾驶的本车辆周围的目标物体；

存储器，配置为存储地图信息；和

处理器，配置为基于存储于所述存储器中的所述地图信息和由所述传感器单元检测到的所述目标物体的位置的测量值所估计的、表示所述目标物体的状态轨迹的踪迹，来控制所述正在自主驾驶的本车辆的自主驾驶，

其中，所述处理器配置为：

在所述传感器单元输出的一个或多个测量值中，提取在所述目标物体的所述位置的估计值的验证门内的一个或多个有效测量值，所述估计值基于所述位置的所述测量值生成，

通过考虑提取的所述有效测量值的每一个与当前时刻所述目标物体的所述位置的测量值相对应的概率，形成所述目标物体的踪迹，并使用所述踪迹跟踪所述目标物体，以及

通过基于持续跟踪所述目标物体的时间和所述正在自主驾驶的本车辆的周围环境信息来调整所述验证门的尺寸，提取所述有效测量值；

所述处理器配置为：

确定基于所述测量值与所述目标物体的所述位置的所述估计值之间的新息和所述新息的协方差确定的马氏距离是否小于阈值，以确定所述验证门的所述尺寸，以及

提取所述有效测量值；

所述处理器配置为根据持续跟踪所述目标物体的时间上的增量减小所述验证门的所述尺寸；通过使用已并入基于所述周围环境信息的跟踪警示等级的环境权重调整所述阈值，来增大或减小所述验证门的所述尺寸，并且所述跟踪警示等级是表征取决于所述本车辆的周围环境的对所述目标物体的跟踪难度的参数，所述跟踪警示等级越低，就越减小所述验证门的所述尺寸；所述周围环境信息包括前方道路的形状、属性、交通状况和路面状况中的一个或多个。

2.根据权利要求1所述的自主驾驶装置，其特征在于，所述处理器配置为，通过根据持续跟踪所述目标物体的时间上的增量减小所述阈值的方式减小所述验证门的所述尺寸。

3.根据权利要求1所述的自主驾驶装置，其特征在于，所述处理器配置为：

利用随着时间更新所述目标物体的所述位置的所述估计值的方法来更新所述踪迹，

将更新所述踪迹的历史存储在所述存储器内，以及

通过所述踪迹的初始化来进行踪迹管理。

4.根据权利要求1所述的自主驾驶装置，其特征在于，所述传感器单元包括LIDAR传感器、雷达传感器和相机传感器中的一个或多个。

5.一种控制正在自主驾驶的本车辆的自主驾驶的方法，其中处理器基于存储于存储器内的地图信息和由传感器单元检测到的所述正在自主驾驶的本车辆周围的目标物体的位置的测量值所估计的、表示所述目标物体的状态轨迹的踪迹，来控制所述正在自主驾驶的本车辆的自主驾驶，所述方法包括：

由所述处理器在所述传感器单元输出的一个或多个测量值中提取在所述目标物体的所述位置的估计值的验证门内的一个或多个有效测量值，所述估计值基于所述位置的所述测量值生成，以及

通过考虑提取的所述有效测量值的每一个与当前时刻所述目标物体的所述位置的测量值相对应的概率，由处理器形成所述目标物体的踪迹，并使用所述踪迹跟踪所述目标物体，

其中，在所述一个或多个有效测量值的所述提取中，通过基于持续跟踪所述目标物体的时间和所述正在自主驾驶的本车辆的周围环境信息来调整所述验证门的尺寸，所述处理器提取所述有效测量值；

在所述一个或多个有效测量值的所述提取中，所述处理器确定基于所述测量值和所述目标物体的所述位置的所述估计值之间的新息和所述新息的协方差确定的马氏距离是否小于阈值，以确定所述验证门的所述尺寸，并提取所述有效测量值；

在所述一个或多个有效测量值的所述提取中，所述处理器根据持续跟踪所述目标物体的时间上的增量减小所述验证门的所述尺寸；通过使用已并入基于所述周围环境信息的跟踪警示等级的环境权重调整所述阈值，来增大或减小所述验证门的所述尺寸，并且所述跟踪警示等级是表征取决于所述本车辆的周围环境的对所述目标物体的跟踪难度的参数，所述跟踪警示等级越低，就越减小所述验证门的所述尺寸；

所述周围环境信息包括前方道路的形状、属性、交通状况和路面状况中的一个或多个。

6.根据权利要求5所述的方法，其特征在于，在所述一个或多个有效测量值的所述提取中，所述处理器通过根据持续跟踪所述目标物体的时间上的增量减小所述阈值的方式减小所述验证门的所述尺寸。

7.根据权利要求5所述的方法，还包括：

由所述处理器利用随着时间更新所述目标物体的所述位置的所述估计值的方法来更新所述踪迹，

将更新所述踪迹的历史存储在所述存储器内，以及

通过所述踪迹的初始化来进行踪迹管理。