CN112292646B - 车辆的控制系统、用于控制车辆的方法和非暂时性计算机可读存储器 - Google Patents

车辆的控制系统、用于控制车辆的方法和非暂时性计算机可读存储器 Download PDF

Info

Publication number
CN112292646B
CN112292646B CN201880094532.2A CN201880094532A CN112292646B CN 112292646 B CN112292646 B CN 112292646B CN 201880094532 A CN201880094532 A CN 201880094532A CN 112292646 B CN112292646 B CN 112292646B
Authority
CN
China
Prior art keywords
vehicle
target
model
motion
targets
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
CN201880094532.2A
Other languages
English (en)
Other versions
CN112292646A (zh
Inventor
S·迪开拉诺
K·伯恩拓普
H·安
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN112292646A publication Critical patent/CN112292646A/zh
Application granted granted Critical
Publication of CN112292646B publication Critical patent/CN112292646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0268—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • 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
    • B60W2554/00—Input parameters relating to objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

通过针对预测时域从行进路线生成中间目标的序列来控制车辆，所述中间目标的序列包括特定目标、附加的特定目标和可选目标。使用车辆的运动的第一模型和交通的运动的第一模型来测试每个中间目标(IG)的可行性，所述IG通过满足交通状况和车辆的运动能力而实现，在实现所述IG之后，特定目标和附加的特定目标中的下一个目标也可以被实现。使用车辆的运动的第二模型和交通的运动的第二模型来计算用于每个可行的IG的轨迹，根据通过成本函数确定的数值来比较计算的轨迹，并且确定满足对于车辆的移动、以及车辆与道路和交通的相互作用的约束。

Description

车辆的控制系统、用于控制车辆的方法和非暂时性计算机可 读存储器
技术领域
本公开总体上涉及自主驾驶和高级驾驶者辅助系统，更具体地说，涉及考虑车辆、自行车和行人的行为来确定决策序列并且控制车辆的运动。
背景技术
常规的自主驾驶车辆必须配备有控制系统，该控制系统考虑合法的驾驶规则和交通来确定车辆应如何在道路上移动，以实现其驾驶目的。常规的控制系统通过以下方式来确定车辆运动，即，基于通过传感器获取的并且用识别和映射算法处理的数据来分析环境，计算期望的车辆路径和速度，并且使用可用的车辆致动器来控制车辆跟随该路径。由于这样的常规操作的复杂性，常规的控制系统包括路径规划和车辆控制。例如，US专利US9,915,948讨论了车辆控制和路径规划可以如何被整合以保证车辆实现期望的驾驶目的。
例如，自主车辆的常规的路径规划可以执行路径规划系统，该系统负责确定车辆运动应跟随的车辆的路径。几个选择是可用的，参见例如US专利9,568,915。这些常规的路径规划系统需要知道当前的车辆信息、当前的环境信息、以及车辆运动的目标。由于需要实时地操作，常规的路径规划器的规划间隔将不能覆盖车辆的整个驾驶，而是仅覆盖某个子分量。
因此，需要用于确定自主车辆的路径规划系统的目标的系统和方法，这些系统和方法确保每个中间目标可以通过路径规划器根据交通和驾驶规则规划的车辆运动来实现，并且实现中间目标的序列从而实现总体驾驶目的。
发明内容
本公开的一些实施例是基于以下认识，即，存在自主车辆在朝向最终目的地移动时可以做出的有限的一组决策。例如，在城市驾驶中，一组决策包括大多数驾驶任务，诸如是留在车道中还是改变车道、是保持速度还是加速、以及在交叉路口是否给其他车辆让路。因此，至少一个认识是，虽然存在车辆可以做出的有限的一组决策，但是还存在导致同一决策的无限数量的轨迹。确定车辆可以采取的导致某个决策(诸如车道改变)的所有轨迹、同时还确定轨迹是否可能采取以与防止与车辆碰撞的决策一致，是艰巨的任务，并且需要大量的计算。
本公开的一些实施例是基于以下认识，即，确定某个决策是否将被做出取决于该决策是否导致车辆的安全轨迹。然而，由于计算开销，明确地确定这样的轨迹是难以实时地实现的。因此，几个实施例是基于以下理解，即，确定某个决策是否导致车辆的安全轨迹与确定车辆可以处于什么状态以到达决策所关联的期望状态是一致的。例如，改变车道的决策应导致车辆可能地在期望的时间最终到了期望的车道中。几个实施例根据是否可以从车辆的当前位置到达另一车道中的这样的位置来确定是否改变车道。
其他实施例认识到不足以确定与决策(诸如车道改变)一致的车辆的状态是否可以从车辆的当前位置到达。相对于此，还有必要确定其他障碍物(诸如汽车、行人和自行车)是否造成与车辆的可能的轨迹的集合交叉的风险。
为此，一个实施例确定可以到达与车辆的决策一致的集合的车辆的初始状态集合，其中车辆的状态包括车辆的位置、车辆的速度和车辆的转首角速率(heading rate)中的至少一个。通过以这样的方式进行，可以确定决策是否可以安全地执行。
本公开的一些实施例包括通过使用存储在存储器中的车辆数据和驾驶制图数据从由预测时域内的道路和转弯的序列形成的行进路线生成中间目标的序列来控制车辆。驾驶制图数据可以包括地图数据，诸如地址、道路网络、交叉路口、停车标志地点、交通灯地点、交通车道的数量和位置、以及速度限制。车辆数据可以包括用于车辆的行为的参数，除了别的之外，诸如最大加速度、转向和转向速率。中间目标的序列可以包括不同类型的中间目标，诸如特定目标、附加的特定目标和可选目标。特定目标可以包括为了到达最终目的地而特定的交叉路口处的特定转弯，附加的特定目标可以包括根据驾驶规则的车辆操作约束。例如，附加的特定目标可以包括，除了别的之外，车辆减速以停在停止线处、车辆保持停在停止线处、以及基于为了到达最终目的地而特定的、在特定的交叉路口处将采取的转弯，车辆停留在这样的特定的交叉路口处的特定车道上。可选目标可以包括车辆在不违反特定目标或附加的特定目标中的任何一个的情况下改变车道。值得注意的是，目标的数量尽管可能很大但是有限的，使得对每个目标或对特定的目标子集的操作的执行可以在有限数量的步骤中完成。设想对于不同类型的中间目标的引用的名称可以利用另一个术语/短语来引用，作为非限制性的例子，诸如强制性目标、可识别目标或特殊目标(即，特定目标)、附加的强制性目标、附加的可识别目标或附加的特殊目标(即，附加的特定目标)。
此外，本公开包括使用车辆的运动的第一模型和交通的运动的第一模型来测试序列中的每个中间目标的可行性，随之还确定中间目标满足交通状况和车辆的运动能力，并且还确定中间目标能够完成特定目标和附加的特定目标中的下一个目标。
为此，本公开的一些实施例可以包括用于车辆的控制系统，该控制系统例如使用模块来实现测试序列中的每个中间目标的可行性。尽管使用模块可以用来实现本公开的一些实施例的步骤，但是模块不是必需的。例如，设想代替使用存储在存储器中的模块，处理器可以在不使用模块的情况下实现步骤。作为非限制性的例子，控制器或处理器可以包括路由模块、决策模块和规划与控制模块，其中，规划与控制模块包含子模块，诸如，作为非限制性的例子，运动规划子模块、车辆控制子模块和致动器控制子模块。
例如，硬件处理器可以被配置为从存储器中的存储的数据将由道路和转弯的序列形成的行进路径划分或分割为特定目标序列的集合，其中，路由模块可以被配置为实现这样的任务。
此外，控制系统可以使用决策模块来使用车辆的运动的第一模型和当前状态下的车辆周围的交通的运动的第一模型测试每个中间目标的可行性，以从中间目标的集合选择可行的中间目标的集合。
本公开的初始实现在于设计决策模块的步骤，其包括需要确定某个决策是否将被做出，这取决于该决策是否导致车辆的安全轨迹。然而，如上所指出的，明确地确定这样的轨迹是艰巨的任务。因此，从实验获悉与确定某个决策是否导致车辆的安全轨迹相关联的是该决策需要与确定车辆可以处于什么状态以到达期望的状态是一致的。例如，改变车道的决策应导致车辆可能地在期望的时间最终到达了期望的车道。几个实施例根据是否可以从车辆的当前位置到达另一个车道中的这样的位置来确定是否改变车道。
进一步的另一认识是不足以确定与决策(诸如车道改变)一致的车辆的状态是否可以从车辆的当前位置到达。相对于此，还有必要确定其他障碍物(诸如汽车、行人和自行车)是否造成与车辆的可能的轨迹的集合交叉的风险。为此，一些实施例确定可以到达与车辆的决策一致的集合的车辆的初始状态集合，其中车辆的状态包括车辆的位置、车辆的速度和车辆的转首角速率中的至少一个。通过以这样的方式进行，可以确定决策是否可以安全地执行。
例如，本公开的一些实施例是基于以下认识，即，有必要使用不同的运动模型来检查车辆在不久的将来能够实现什么中间目标、产生轨迹、并且根据这样的轨迹控制车辆。例如，为了检查车辆是否能够实现目标序列，需要考虑长的未来的时域。使复杂的物理模型计算车辆在延长的未来的时域上的运动在计算上是困难的。相对于此，当中间目标是已知的时，根据期望的轨迹控制车辆可以仅考虑短的未来的时域。为此，在一些实施例中，控制器使用第一、即简化的运动模型来确定下一个目标，而规划与控制至少使用第二、即更复杂的运动模型。
本公开的另一认识是，可以按照离散的决策和连续的决策来分解问题，其中，决策模块操作分离的决策(诸如是改变车道还是留在当前车道中、是否开始减速以停在停止线处、是否穿过交叉路口)，并且将这转换为用于规划与控制模块的可行的中间目标。规划与控制模块可以从决策模块接收当前的可行的中间目标、以及用于将其计算调整到当前的可行的中间目标的可能的附加参数，并且执行其计算。规划与控制模块可以向决策模块通知实现了当前的可行的中间目标、或者不可能实现当前的可行的中间目标。
因此，决策模块可以使用存储在存储器中的地图来处理来自路由模块的信息以生成目标序列，并且使用来自车辆的传感器和通信的信息，选择一个或多个可替代的当前目标以提供给规划与控制模块，规划与控制模块使用这些目标来确定并且执行当前轨迹。
例如，一些实施例执行规划与控制模块的运动规划子模块的步骤来使用车辆的运动的第二模型和交通的运动的第二模型计算用于每个可行的中间目标的轨迹。然后，根据通过成本函数确定的数值来比较每个计算的轨迹。确定轨迹满足对于车辆的移动和性能的度量这二者的约束，以确定控制输入。其中，可以经由车辆控制器将控制输入映射到针对车辆的至少一个致动器的控制命令。经由致动器控制器使用针对车辆的所述至少一个致动器的控制命令来控制车辆的运动。其中，所述方法的步骤使用车辆的处理器来实现。
因此，决策模块可以迭代地，在多个顺序的时间段的每个时间段(即，多个预测时域中的预测时域)内，在向最终目的地的起始位置处，使用车辆的运动的第一模型和交通的运动的第一模型来基于所述时间段开始时的车辆状态和交通状况，从中间目标的序列选择一个或多个可行的中间目标。如果所述一个或多个可行的中间目标满足包括交通状况、车辆的运动能力的约束，并且能够完成特定目标和附加的特定目标中的下一个目标，则所述一个或多个可行的中间目标可以被选择作为控制输入。
可以使本公开的一些替代实施例具有作为混合系统进行处理的决策模块，所述混合系统是与每个模式或决策相关联的连续的车辆动态的集合。与决策一致的可能的轨迹的数量是有限的。然而，存在非常少的决策，因此，将所述系统建模为具有有限的决策集合的混合系统、并且利用先前的确定车辆的初始状态集合的实施例可以实现与车辆的决策一致的集合。如此，这使得可以实现找到安全的离散的模式序列的在计算上快速的问题公式化，而不是优化并且找到轨迹和决策的最佳组合，这在计算上是艰难的，而且就延长的计算时间而言需要大量的计算，并且需要鲁棒的计算机硬件。
可以使本公开的一些替代实施例具有车辆的运动规划子模块、以及作为模型的诸如干扰的物体，以考虑不是完全确定性的环境。另一实施例可以确定这样的干扰下的安全的模式切换的集合，该集合使得车辆、因此车辆的乘客可以具有更谨慎的驾驶。
其他实施例可以包括其他方面，诸如，举例来说，对于限定与车辆在道路上行进的典型的驾驶相对应的期望的方位角(heading angle)的对应的点集合确定的车辆的动态的状态的区域的集合。所述动态的每个状态包括车辆的纵向位移、横向位移和横向朝向。每个区域限定确定的动态的状态的集合，以使得具有区域内的状态的车辆导致与车辆的决策一致的行为。
此外，一些实施例可以包括诸如以下的方面：从其他车辆的转弯灯、车载传感器、车辆对车辆通信、以及停止信号信息获得可以用于对决策处理提供信息的信息。其他实施例可以使用该信息来确定道路上的或接近道路的其他物体是否造成进入本车辆的动态的状态的区域的集合的任何风险。此外，一些实施例可以利用关于模式切换的信息，并且将所述数据发送给运动规划器，运动规划器基于安全状态序列，可以确定与决策一致的车辆的轨迹。更进一步，一些实施例可以包括确定输入到车辆的控制输入集合以及决策序列，其在被车辆使用时可以满足期望的模式序列。
可能的是，替代实施例可以将确定的控制输入集合、状态序列和决策序列传送给运动规划器，运动规划器使用控制输入集合和状态序列作为确定与决策序列相对应的轨迹时的参考。通过以这样的方式进行，使得决策处理可以集中于车辆的长期决策、并且使得运动规划器可以注意车辆的详细的轨迹规划。此外，一些实施例可以包括以下方面，即，决策集合与控制输入和状态序列一起被存储在车辆的存储器中，这些被运动规划器用来提取部分信息，而不是在一个步骤中规划整个状态序列。
因此，本公开的一个实施例包括车辆的控制系统，所述控制系统包括存储包括驾驶制图数据和车辆数据的数据的存储器。硬件处理器被配置为使用驾驶制图数据和车辆数据，从由每个预测时域内的道路和转弯的序列形成的行进路线生成中间目标的序列(SIG)。其中，SIG包括特定目标、附加的特定目标和可选目标，所述特定目标是为了到达最终目的地而特定的交叉路口处的特定转弯，所述附加的特定目标包括根据驾驶规则的车辆操作约束。使用车辆的运动的第一模型和交通的运动的第一模型来测试每个中间目标的可行性。基于预测时域开始时的车辆状态和交通状况，并且中间目标通过满足交通状况和车辆的运动能力而实现，在实现中间目标之后，特定目标和附加的特定目标中的下一个目标也可以被实现。使用车辆的运动的第二模型和交通的运动的第二模型来计算用于每个可行的中间目标的轨迹，根据通过成本函数确定的数值来比较计算的轨迹，并且确定满足对于车辆的移动、以及车辆与道路和交通的相互作用的约束。车辆控制器计算输入到车辆的至少一个致动器的控制输入，以使得车辆运动生成接近计算的轨迹的轨迹。至少一个致动器控制器执行输入到车辆的所述至少一个致动器的控制输入以修改车辆的运动。
本公开的另一实施例包括一种用于控制车辆的方法，所述方法包括使用存储在存储器中的车辆数据和驾驶制图数据来从由每个预测时域内的道路和转弯的序列形成的行进路线生成中间目标的序列(SIG)。其中，SIG包括特定目标、附加的特定目标和可选目标。使用车辆的运动的第一模型和交通的运动的第一模型来测试每个中间目标的可行性，随之还确定中间目标通过满足交通状况和车辆的运动能力而实现，在实现中间目标之后，特定目标和附加的特定目标中的下一个目标也可以被实现。使用车辆的运动的第二模型和交通的运动的第二模型来计算用于每个可行的中间目标的轨迹，根据通过成本函数确定的数值来比较计算的轨迹，并且确定满足对于车辆的移动、以及车辆与道路和交通的相互作用的约束。经由车辆控制器计算输入到车辆的至少一个致动器的控制输入，以使得车辆运动生成接近计算的轨迹的轨迹。经由至少一个致动器控制器执行输入到车辆的所述至少一个致动器的控制输入来修改车辆的运动，其中，所述方法的步骤使用车辆的处理器来实现。
本公开的另一实施例包括一种非暂时性计算机可读存储器，所述非暂时性计算机可读存储器上包含处理器可执行的用于执行方法的程序。所述方法包括使用从输入接口接收的车辆数据和驾驶制图数据来从由每个预测时域内的道路和转弯的序列形成的行进路线生成中间目标的序列(SIG)。其中，SIG包括特定目标、附加的特定目标和可选目标。使用车辆的运动的第一模型和交通的运动的第一模型来测试每个中间目标的可行性，随之还确定中间目标通过满足交通状况和车辆的运动能力而实现，在实现中间目标之后，特定目标和附加的特定目标中的下一个目标也可以被实现。使用车辆的运动的第二模型和交通的运动的第二模型来计算用于每个可行的中间目标的轨迹，根据通过成本函数确定的数值来比较计算的轨迹，并且确定满足对于车辆的移动、以及车辆与道路和交通的相互作用的约束。经由车辆控制器计算输入到车辆的至少一个致动器的控制输入，以使得车辆运动生成接近计算的轨迹的轨迹。经由至少一个致动器控制器执行输入到车辆的所述至少一个致动器的控制输入来修改车辆的运动，其中，所述方法的步骤使用车辆的处理器来实现。
附图说明
图1是包括采用本公开的一些实施例的原理的控制单元的车辆的示意图。
图2是根据本公开的一些实施例的图1的控制单元的框图。
图3是根据本公开的一些实施例的控制单元的层的示意图。
图4例示说明在示例性交通场景中、如本公开的一些实施例中所用的路由信息的描述。
图5例示说明在图4中的示例性交通场景中、如本公开的一些实施例中所用的特定的中间目标的描述。
图6例示说明在图4中的示例性交通场景中、如本公开的一些实施例中所用的可选目标的描述。
图7例示说明在图4中的示例性交通场景中、从如本公开的一些实施例中所用的特定目标构造目标图的描述。
图8例示说明在图4中的示例性交通场景中、通过对于图6中描述的目标图包括如本公开的一些实施例中所用的特定目标来构造目标图的描述。
图9示出在图4中的示例性交通场景中、对于图7中描述的目标图构造如本公开的一些实施例中所用的允许的目标序列。
图10例示说明使用车辆运动的模型的状态的区域来基于如本公开的一些实施例中所用的目标图中的当前目标选择下一个允许的目标。
图11例示说明使用车辆运动的模型的状态的区域来基于如本公开的一些实施例中所用的目标图中的下一个特定目标选择下一个允许的目标。
图12例示说明使用车辆运动的模型的状态的区域来基于当前的交通情形、并且根据如本公开的一些实施例中所用的交通的模型选择下一个允许的目标。
图13例示说明根据如本公开的一些实施例中所用的不同的允许的目标的轨迹计算。
图14A例示说明总结根据本公开的一些实施例的车辆控制方法的决策模块的操作的框图。
图14B例示说明根据本公开的一些实施例的控制单元中的规划与控制模块的运动规划子模块的操作。
图15例示说明对于图14A和图14B中所示的框图总结根据本公开的一些实施例的用于选择下一个目标的步骤的框图。
图16例示说明根据本公开的实施例的对于在道路上驾驶的自主车辆的运动的可能的要求的示例性列表。
图17A例示说明根据本公开的实施例的用于确定轨迹和控制车辆的方法的框图。
图17B示出根据本公开的实施例的确定目标的示例性实现。
图17C示出根据本公开的实施例的用于确定良好轨迹和对应的控制输入的方法的流程图。
图17D例示说明根据本公开的实施例的由连接车辆的状态的状态转变限定的运动。
图17E例示说明根据本公开的一个实施例的确定状态集合的示例性实现的流程图。
图17F例示说明根据本公开的一个实施例的确定生成移动到满足对于车辆的运动的约束的状态的移动的每个输入的质量的方法的流程图。
图17G例示说明根据本公开的一个实施例的例子，在该例子中，预测自主车辆的地点与障碍物的不确定性区域交叉，并且，障碍物在所述地点处的概率高于碰撞阈值。
图17H例示说明根据本公开的一个实施例的用于选择车辆的轨迹1750c的框图。
图18A例示说明根据本公开的一些实施例所用的一些原理确定的不同运动的示意图。
图18B例示说明根据本公开的一些实施例所用的一些原理确定的不同运动的示意图。
图18C例示说明根据本公开的一个实施例的与1880b和1890b相对应的相应的速度变化图1880c和1890c，以及保持标称的(在该情况下恒定的)速度的要求1860c。
图19例示说明根据本公开的一些实施例的运动规划系统和车辆控制器之间的交互的示意图。
具体实施方式
虽然以上标识的附图说明了目前公开的实施例，但是如讨论中指出的，也设想其他实施例。本公开通过代表而非限制，呈现了说明性实施例。落在目前公开的实施例的原理的范围和精神内的许多其他的修改和实施例可以被本领域技术人员想出。
图1是包括采用本公开的一些实施例的原理的控制单元的车辆的示意图。例如，图1示出车辆101的示意图，车辆101包括采用本公开的一些实施例的原理的控制单元102。如本文中所使用的，车辆101可以是任何类型的轮式车辆，诸如乘用车、公交车或探测车(rover)。此外，车辆101可以是自主或半自主车辆。例如，一些实施例控制车辆101的运动。运动的例子包括由车辆101的转向系统103控制的车辆的横向运动。转向系统103由控制单元102控制。
车辆还可以包括引擎106，引擎106可以由控制单元102或者由车辆101的其他组件控制。车辆101还可以包括感测、作为非限制性的例子、其当前运动量和内部状态的一个或多个传感器105。传感器105的例子可以包括全球定位系统(GPS)、加速度计、惯性测量单元、陀螺仪、轴旋转传感器、扭矩传感器、偏转传感器、压力传感器和流量传感器。车辆可以配备有收发器107，收发器107使得能够实现控制单元102经由输入接口108、通过无线通信信道的通信能力。车辆还可以包括感测周围环境的一个或多个其他的传感器104a、104b。传感器104a、104b的例子可以包括测距仪、雷达、激光雷达和相机。可替代地，关于周围环境的信息可以通过收发器107接收。车辆101配备有存储关于车辆在其中操作的区域中的道路的信息的地图数据库系统，或者它可以通过收发器107远程地访问存储的地图信息。
图2是根据本公开的一些实施例的图1的控制单元的框图。例如，图2示出根据本公开的一个实施例的控制单元102的框图。控制单元102包括连接到存储器202(例如，非暂时性计算机可读介质)的硬件处理器201。在一些实现中，存储器202包括第一部段211、第二部段212、第三部段213和第四部段213，第一部段211用于存储关于车辆的信息，第二部段213用于存储用于控制车辆的程序，第三部段213用于存储驾驶地图数据，第四部段214用于存储交通的运动模型。
例如，存储器202的第一部段211可以存储用于车辆的行为的参数，诸如最大加速度、转向和转向速率，并且还存储车辆的运动的第一模型和车辆的运动的第二模型。在各种实施例中，描述车辆的运动的第二模型的方程的数量和复杂度高于描述车辆的运动的第一模型的方程的数量和复杂度。此外，例如，存储器202的第四部段214可以存储交通的运动的第一模型和交通的运动的第二模型。
仍参照图2，在各种实施例中，描述交通的运动的第二模型的方程的数量和复杂度高于描述交通的运动的第一模型的方程的数量和复杂度。这些实施例是基于如下认识，即，有必要使用不同的运动模型来检查车辆在不久的将来能够实现什么中间目标、产生轨迹、并且根据这样的轨迹控制车辆。例如，为了检查车辆是否能够实现目标序列，需要考虑长的未来的时域。使高阶物理模型计算车辆在延长的未来的时域上的运动在计算上是困难的。相对于此，当中间目标是已知的时，根据期望的轨迹控制车辆可以仅考虑短的未来的时域。为此，在一些实施例中，控制器102使用第一、即低阶运动模型来确定下一个目标，而规划与控制至少使用第二、即更高阶的运动模型。
存储器202的第二部段212可以具有包含于其上的处理器201可执行的程序，该程序用于执行用于控制车辆101的方法。
仍参照图2，存储器202的第三部段213包括地图信息，诸如地址和道路网络，并且它还可以包括附加信息，诸如交叉路口、停止地点和交通灯地点、车道的数量和位置、速度限制等。当车辆101开始驾驶时，地图信息可能已经被存储在存储器的第三部段213中，或者可替代地，该信息通过通信收发器107和环境传感器104a、104b，可供控制单元使用。
处理器201可以是能够执行计算的任何计算装置，并且可以包括相同或不同类型的一个或许多个物理装置。可能的是，处理器201可以包括多个计算装置，例如，微处理器。类似地，存储器202可以是能够存储信息的任何逻辑存储器和/或非暂时性计算机可读存储介质，并且可以包括相同或不同类型的一个或多个物理信息存储部件。处理器201执行的计算由存储在存储器的第二部段212中的程序命令，并且使用存储在存储器的第一部段211中的车辆信息、存储在存储器的第二部段212中的关于地图的信息、从传感器105获得的关于车辆101的信息、从传感器104a、104b获得的环境203的信息。处理器201的计算导致改变车辆的运动的命令204。
仍参照图2，处理器201执行的程序使得能够实现车辆101的自主驾驶(AD)。在该操作期间，处理器201执行的程序旨在实现特定的最终的驾驶目的，诸如到达特定的地点。最终的目的通过适当地影响车辆101的运动来实现。处理器201执行的软件程序可以在逻辑上被划分为多个模块。例如，在一个实施例中，处理器201执行的程序包括至少两个模块，这些模块按顺序布置成层以使得一层的输出是下一个层的输入。如本文中所使用的，这样的分层指定控制单元102的层或逻辑模块，并且使得可以将控制划分为需要不同信息的不同阶段。
图3示出根据本公开的一个实施例的控制单元的层的示意图。在该实施例中，控制单元102包括控制的三个层。路由模块301使用存储在图2的存储器的第三部段213中的静态地图信息和从传感器104a、104b获得的车辆的当前位置来确定车辆从其当前位置到达例如由用户提供的其最终目的地必须行进的道路网络中的道路序列。路由模块301可以用已知的汽车导航系统来实现。车辆控制子模块305确定修改车辆行为以使得车辆实现尽可能接近当前的最佳轨迹的实际轨迹的车辆致动器的命令，诸如转向、加速、减速。针对车辆致动器的命令然后被致动器控制子模块306接收，致动器控制子模块306修改针对致动器的控制信号(诸如电机电压、节流阀打开、刹车片压力)，以实现期望的车辆命令。
图4例示说明在示例性交通场景中、如本公开的一些实施例中所用的路由信息的描述。例如，图4描绘具有受控车辆(被称为自我型车辆411)、由类似于412示出的其他车辆组成的交通、被标记为例如L6的车道413、被标记为例如S1的停止线414、被标记为例如I3的交叉路口415的场景。参照图4，对于在位置401上的具有最终目的地402的车辆，路由模块301提供箭头403指示的道路序列和箭头404指示的转弯序列。然而，应注意到，道路序列403和转弯序列404本身不指定车辆的轨迹或路径。存在若干个离散的决策要做出，诸如车辆将在什么车道中驾驶、车辆是否应改变车道或者留在当前车道中、车辆是否应减速以停在停止线处、车辆是否被允许穿过交叉路口、等等。此外，存在若干个连续的决策要做出，诸如车辆在从其初始点到其目的地的行进上应实现的位置和朝向的定时序列。这些决策不能由路由模块301做出，因为它们取决于车辆到达对应的地点时的当前交通，其对于路由来说一般是未知的，由于交通运动的不确定性和车辆将到达该地点的时刻的不确定性。
车辆应执行以到达最终目的地的、根据位置和朝向以及对应的时刻的序列的实际的轨迹通常由规划与控制模块303确定。然而，图3的规划与控制模块303可能不能直接基于路由模块301提供的信息操作。具体地说，在一个步骤中操作离散的和连续的决策导致所谓的混合决策问题，该问题基于实验，需要非常多的计算。相对于此，控制单元102通常具有有限的存储器和处理速度，因此以如下方式分解问题是有益的，即，使得所述问题在计算上易驾驭，还确保分解不引起不一致。也就是说，将整个问题分解为许多个更简单的子问题，按顺序求解每一个子问题，并且根据子问题的顺序解进行运算，得到整个问题的解。
仍参照图4，本公开的另一认识是，可以根据离散的决策和连续的决策来分解问题，其中，图3的决策模块302操作离散的决策，诸如是改变车道还是留在当前车道中、是否开始减速以停在停止线处、是否穿过交叉路口，并且将这转换为用于图3的规划与控制模块303的中间目标。规划与控制模块303从决策模块302接收当前的中间目标以及可能地用于将其计算调整到当前的中间目标的附加参数，并且执行其计算。规划与控制模块可以向决策模块通知实现了当前的中间目标、或者不可能实现当前的中间目标。决策模块302提供的目标应是规划与控制模块303根据当前的交通状况和车辆状况可实现的，应确保使得中间目标的序列可以被互连，即，规划器可以从一个目标切换到下一个目标，并且实现所有的中间目标导致实现总体目标，即，到达最终位置。
因此，图3的决策模块302使用存储在图2的存储器的第三部段213中的地图来处理来自路由模块301的信息，以生成目标序列，并且使用来自传感器和通信104a、104b的信息，选择一个或多个可替代的当前目标提供给图3的规划与控制模块303，规划与控制模块303使用这些目标来确定并且执行当前轨迹。
仍参照图4，本公开的进一步的认识是，一些中间目标是特定的，一些其他的目标是可选的。图3的路由模块301指示的道路段确定特定目标，诸如交叉路口处的特定转弯。然而，由于车辆根据驾驶规则的适当的操作，存在附加的特定目标。例如，根据驾驶规则，保持停在停止线处、并且还减速以停在停止线处是特定的。类似地，基于在特定的交叉路口要采取转弯而停留在这样的交叉路口处的特定车道上可以是强制性的。同样可以适用于关于在离开一般道路(general road)之前处于特定车道上。
图5例示说明在图4中的示例性交通场景中、如本公开的一些实施例中所用的特定的中间目标的描述。例如，在图5中，这导致与在停止线处停止相关的特定的中间目标501、502、503。虽然特定的中间目标501和502需要特定车道，但是中间目标503不需要。特定的中间目标504与在离开一般道路之前处于特定车道中相关，特定的中间目标505与最终目的地(即，最终目标)一致。
图6例示说明在图4中的示例性交通场景中、如本公开的一些实施例中所用的可选的中间目标的描述。除了特定的中间目标之外，还存在可选的若干个中间目标。例如，在图6中，轨迹603和604这二者都到达特定的中间目标503，不过轨迹603具有提示2次车道改变的中间目标606和607，而轨迹604没有。两个轨迹603、604具有在停止线之前改变车道的中间目标608、609，这也不是必需的，因为这两个车道都被允许向前前进到交叉路口I4。事实上，轨迹605没有中间目标，而是直接到达特定目标503。此外，除了中间目标的序列之外，它们的定时可以是不同的，因为轨迹601、602这二者都具有车道变到L2的中间目标611、612，由于在停止线S1处停在车道L2中以在交叉路口I1处左转的特定的中间目标，这是必要的，不过应用中间目标611、612的地点显著不同。
图7例示说明在图4中的示例性交通场景中、从如本公开的一些实施例中所用的特定目标构造目标图的描述。例如，为了选择中间目标，决策模块如从图7开始描述的那样构造目标图。首先，将从图3的路由模块301确定的道路段序列放置到包括初始位置701和最终位置702的图中，例如通过将车辆必须退出706和车辆必须并入707的横穿交叉路口和车道的目标703、704、705作为图节点包括在内。例如，703指示将到达交叉路口I1并且必须左转，704指示将到达交叉路口I3并且必须右转，705指示将到达交叉路口I4并且车辆必须直行，706指示初始并入到车道L1中是必要的，707指示退出到车道L50中是必要的。
然后，将特定目标放置到图中，并且将这些特定目标连接到到达对应的道路段的目标。例如，710指示车辆必须停在车道1中的停止线S1处，712指示车辆必须停在车道14或车道13中的停止线S8处，711指示车辆在退出之前必须在车道L17中。在图7中，类似于721的实线表示目标必须按顺序进行，在两个目标之间没有任何其他的中间目标，而类似于722的虚线指示一些可选目标可以在两个目标之间发生。类似于721的实线指定允许的目标转变，类似于722的虚线指定目标的排序，不一定是允许的转变。
最后，通过在两个特定目标之间包括可选目标(如果有的话)来替换类似于722的虚线。目标的总数总尽管可能很大，但是有限的，使得对每个目标或者对特定的目标子集的操作的执行可以在有限数量的步骤中完成。
图8例示说明在图4中的示例性交通场景中、通过对于图6中描述的目标图包括如本公开的一些实施例中所用的特定目标来构造目标图的描述。例如，在图8中，连接706、710的虚线被替换为以下中间目标，即，在车道L1中开始801，可能在车道L1 801和L2 802之间将车道改变不确定的时间量，最后从L1开始减速803，以到达停在车道L1中的停止线S1处的强制性目标710。类似地，连接704、712的虚线被替换为以下中间目标，即，在车道L13 811或L14 812中离开交叉路口I3，可能在车道L13 811和L14 812之间将车道改变不确定的时间量，然后在当前车道(要么是L13 812，要么是L14 814)中开始减速，以到达停在车道L13或L14中的停止线S8处的强制性目标712。通过对于每一条虚线操作这样的处理，最后，可以从与初始车辆位置相对应的目标到与期望的最终位置相对应的目标，仅越过实线来遍历目标图。在图中存在从初始节点701到最终节点702的多条路径，诸如901、902，参照图9。图3的决策模块302通过选择中间目标的序列来选择实际的路径。例如，图9示出在图4中的示例性交通场景中、对于图7中描述的目标图构造如本公开的一些实施例中所用的允许的目标序列。
当决定要实现的中间目标时，图3的决策模块302需要考虑当前交通。例如，参照图6，沿着轨迹603，改变车道的中间目标607由在当前车道中缓慢移动的车辆620的存在来指示。此外，决策需要考虑当前的车辆状态，诸如车辆位置和速度、以及车辆的前进方向。
例如，为了实现特定目标501，车道改变目标611、612必须考虑到当前的车辆速度和转向能力，使得车道改变可以在必要的空间中完成。因此，决策模块302基于交通状况和实现下一个特定目标的需要来评估可以实现什么中间目标，并且将基于当前的车辆状况和交通状况可实现的并且从其可以实现下一个特定目标的一个或多个目标提供给规划与控制模块303。如果没有中间目标满足这些要求，则决策发出使得能够进行恢复动作的警告错误，诸如要求驾驶者采取控制、或者将车辆带到安全停车处。
仍参照图8，基于当前的车辆和交通状况可实现的并且从其可以实现下一个特定目标的中间目标的选择是基于目标图操作的。在任何时间点，当前的中间目标指示所述图的当前有效的节点。从此处，决策模块302选择下一个时间段内的中间目标，导致要么保持当前的中间目标并因此保持所述图的同一节点，要么变到与所述图的作为关联到当前目标的节点的后续者的节点相关联的那些中间目标之中的不同的中间目标。例如，在图8中，对于具有在车道L1上驾驶的当前的中间目标、因此在目标图中的节点801中的车辆，决策模块302可以选择保持在车道L1中驾驶801，或者将车道变到L2 802，或者开始在车道L1中减速803。但是它不能直接停在车道L1中的停止线S1处710，因为从801到710没有允许的目标转变。
基于所述图，下一个时间段内的中间目标的多个选择可以是可能的。因此，目标转变是非确定性的，即，它们不是由目标图唯一地指定。然而，需要考虑附加信息，包括车辆信息和交通信息、以及下一个特定目标的实现。然后，每个目标与使得它可实现的车辆和交通状况相关联。
车辆状况基于车辆特性(诸如最大转向、转向速率、加速度等)来确定车辆的状态空间中的区域，其中，车辆状况和第一车辆模型被存储在存储器的第一部段211中。如果在当前时间，对于当前的中间目标，当前的车辆状态在基于目标图而允许转变的另一个中间目标的区域的内部，则可以实现这样的目标，并且决策模块302可以选择它作为下一个时间段内的中间目标。
图10例示说明使用车辆运动的模型的状态的区域来基于如本公开的一些实施例中所用的目标图中的当前目标选择下一个允许的目标。例如，在图10中，车道L1的目标801、车道L2的目标802、以及在车道L1中减速的目标803可以被关联到三个区域1001、1002、1003。如果车辆状态是1011，则三个目标中的任何一个都可以被选为下一个中间目标，而如果车辆状态是1012，则只有801、802可以被选为下一个中间目标。如果车辆状态是1013，则没有一个目标被允许，并且发出警报错误。
实现下一个中间目标的需要具有类似的效果。首先，车辆状态空间的区域被关联到这样的区域，该区域是下一个中间特定目标根据存储在存储器的第一部段211中的第一车辆模型可以从其实现的车辆状态的区域。然后，对于被允许转变到与下一个中间特定目标相对应的图节点的任何图节点，计算以下车辆状态的区域，这些车辆状态使得可以实现中间目标，并且还使得可以进入下一个特定目标根据存储在存储器的第一部段211中的第一车辆模型从其实现的状态的区域。所述处理可以通过对于作为关联到当前的中间目标的图节点的后续者的任何图节点获得车辆状态的区域来迭代地重复进行，使得转变到与后续者节点相关联的目标考虑到导致实现下一个中间特定目标的中间目标的序列。
图11例示说明使用车辆运动的模型的状态的区域来基于如本公开的一些实施例中所用的目标图中的下一个特定目标选择下一个允许的目标。例如，在图11中，在车道L1中减速的目标803可以被关联到区域1003。然而，考虑到进入区域1101(在区域1101中，可以实现停在车道L1中的停止线S处的目标710)的附加要求，满足两个条件的区域是1102，1102小于1003。因此，如果车辆状态是1111，则803可以被选为下一个目标，并且可以最后进入到710被选为目标的区域，而如果车辆状态是1112，则后者是不可能的，因此转变到目标803不应在当前被进行。
与交通的碰撞和其他危险的相互作用的避免进一步缩小允许选择目标作为下一个中间目标的区域的大小。例如，由于占据相邻车道的一部分的其他车辆，在不存在交通时，在使得操纵可以被正确地完成的车辆状态空间的整个区域中，从车道L1到车道L2的转变可能是不可能的。缩小的车辆状态区域可以通过以下方式获得，即，从下一个目标根据存储在存储器的第一部段211中的第一车辆模型可以实现的车辆状态的区域移除根据存储在存储器的第四部段214中的第一交通运动模型而必然导致与其他车辆的碰撞或危险的相互作用的车辆状态的区域。
图12例示说明使用车辆运动的模型的状态的区域来基于当前的交通情形、并且根据如本公开的一些实施例中所用的交通的模型选择下一个允许的目标。例如，在图12中，车道L2的目标802可以被关联到区域1002。然而，考虑到避免与交通的碰撞或危险的相互作用的附加要求，导致满足两个条件的较小的区域1201。因此，如果车辆状态是1211，则801可以被选为下一个目标，并且可以避免碰撞或危险的相互作用，而如果车辆状态是1212，则后者是不可能的，因此，转变到目标803不应在当前被进行。
通过只考虑从其可以实现目标、可以实现下一个特定目标、并且可以避免与交通的碰撞或危险的相互作用的状态的区域，获得当前可以从其转变到目标的状态的区域。如果当前的车辆状态包含在这样的区域中，则所述目标可以被选为下一个时间段内的中间目标。
因此，基于这样的选择，图3的决策模块302确定被允许成为下一个中间目标的一个或多个目标，并且将它们提供给规划与控制模块303。
当接收到一个或多个当前目标时，图3的规划与控制模块303内的运动规划子模块304尝试对于每个目标计算轨迹，并且根据通过包括至少一个指定的准则的成本函数确定的数值，在成功计算的所有那些轨迹之中选择当前的最佳轨迹。指定的准则对于不同的目标可以是不同的。
图13例示说明根据如本公开的一些实施例中所用的不同的允许的目标的轨迹计算。例如，在图13中，对于车辆状态1012，根据车辆状态区域1001、1002，目标801车道L1和目标802车道L2二者是可能的。然后，决策模块302向运动规划子模块304发布目标801、802，运动规划子模块304计算分别对应于模式801、802的轨迹1301、1302。因为两个轨迹都被计算，所以路径规划模块比较它们。例如，它评估1301在当前的道路段上到达得更前面一些，而1302已经在即将左转所需的位置上。因此，例如，轨迹1302被选择。
在当前的最佳轨迹已经被选择之后，如早先指出的，车辆控制子模块305确定修改车辆行为以使得车辆实现尽可能接近当前的最佳轨迹的实际的轨迹的车辆致动器的命令，诸如转向、加速、减速。如早先指出的，针对车辆致动器的命令然后被致动器控制子模块306接收，致动器控制子模块306修改针对致动器的控制信号(诸如电机电压、节流阀打开、刹车片压力)，以实现期望的车辆命令。
图14A例示说明总结根据本公开的一些实施例的车辆控制方法的决策模块的操作的框图。首先，基于特定目标和可选目标更新(1401)目标图。然后，基于车辆的运动的第一模型的当前状态来执行是否已经到达目的地目标的检查(1402)，如果这是肯定的，则系统已经完成了其操作(1403)。否则，计算(1404)下一个容许的目标，并且基于车辆的运动的第一模型的当前状态来执行是否还有目标是容许的检查(1405)。在否定的情况下，发出正常操作不能继续的警告错误(1406)。否则，将容许的目标提供(1407)给规划与控制模块303，决策模块等待(1408)下一个操作时间段开始。这样的时间段在周期性操作的情况下可以在固定的时间量之后开始，或者在从规划与控制模块接收到例如指示容许的目标中的一个或多个的完成、或不可能实现任何目标的信号之后开始。周期性的和非周期性的操作的组合也是可能的，时间段可以在固定的时间量之后开始，但是它可以比正常情况更快开始，如果被运动规划器请求的话。
图14B描述根据本公开的一些实施例的控制单元中的规划与控制模块的运动规划子模块的操作。运动规划子模块从决策模块接收一个或多个允许的目标(1409)，并且试图基于车辆的运动的第二模型的当前状态来对于每一个接收的允许的目标计算一个轨迹(1410)。然后，运动规划检查(1412)用于任何目标的任何轨迹是否可以被计算。在否定的情况下，发出正常操作不能继续的警告错误(1415)，并且请求新的目标(1416)。否则，选择已经被计算的轨迹中的一个作为当前的轨迹(1413)，并且将该轨迹提供(1414)给车辆控制子模块305，规划的运动等待(1419)，直到下一个运动规划时间段开始为止，下一个运动规划时间段由固定的间隔确定，并且在做决策的时间段也是固定的时大于做决策的时间段。然后，如果目标被周期性地计算(1418)，则运动规划检查新的目标是否已经被计算。如果是，则运动规划接收新的目标(1409)，否则，运动规划用就的目标继续进行。如果目标不被周期性地计算，而是从运动规划器请求，例如，由于已经实现了当前目标中的一个或多个，那么如果至少一个当前目标已经完成(1417)，则请求新的目标(1416)，否则，运动规划器仍检查决策模块是否提供(1411)新的目标。
图15例示说明对于图14A和图14B中所示的框图总结根据本公开的一些实施例的用于选择下一个目标的步骤的框图。例如，图15详述了接下来的容许的目标的计算(1404)的步骤。首先，确定对于目标图的允许的转变(1501)。基于这些，对于当前的车辆状态确定允许的目标(1502)，并且在这些目标之中，对于当前的车辆状态选择实现下一个特定目标的目标(1503)。最后，在这些目标之中，选择可实现的并且在交通中表现好的目标作为允许的接下来的目标(1504)。
(车辆运动的模型)
车辆运动的模型是基于车辆模型输入u、d和车辆模型状态x描述车辆模型状态的演变的方程组。
x(t+1)＝f(x(t)，u(t)，w(t)) (1)
在车辆模型(1)中，t是时间步长索引，也就是说，是采样周期的计数器，每个的持续时间为TS。车辆模型输入被划分为控制输入u和干扰输入d。控制输入u是可以从控制算法选择并且通过适当的致动器被致动的量，诸如加速度、扭矩、转向角度和角度速率，并且修改车辆的行为。干扰输入d是取决于车辆周围的环境的量，诸如道路等级、摩擦、风力，因此不能通过控制算法选择，但是仍影响车辆的未来的行为。车辆模型状态x是一组量，诸如位置和速度矢量、角度朝向和角度速率，使得时间间隔开始时的状态的获悉、连同在该时间间隔期间输入到车辆模型的输入的获悉完全地且唯一地描述这样的时间间隔期间的车辆模型状态的演变。
车辆运动的不同模型可以用于不同的目的。一旦车辆模型的输入被固定，具有不同的状态量的车辆模型就可以被使用，其中，更大的状态量暗示模型更详细地表示车辆行为，但是还暗示车辆模型由更大量的方程、以及可能地更复杂的方程限定。因此，具有更多状态的车辆模型更加准确，但是它们需要更多的计算。
车辆模型在控制单元102中用于预测做出某些决策并且将某些输入应用在车辆行为上的影响。
然而，控制单元102中的不同的层需要在未来预测得或多或少远一些并且或多或少地精确地预测，以使得具有不同精度的模型可以被应用于控制单元102中的不同层。具体地说，在存储器202的第一部段211中，存储车辆运动的第一模型和车辆运动的第二模型，以被用于决策模块302和规划与控制模块303中。
另外，车辆运动的模型用于预测受控车辆周围的交通的运动。
(车辆运动的第一模型)
车辆运动的第一模型
x1(t+1)＝f1(x1(t)，u1(t)，w(t)) (2)
在决策模块302中用于选择哪些中间目标可以被车辆实现、以及到下一个特定目标的转变将在什么时候执行。该模型是低阶的，并且具有比车辆运动的第二模型少的参数，因为它需要在未来预测得更长一些，因此，它进行更少的计算是必要的。
例如，本公开的一些实施例使用单轮车模型作为车辆运动的第一模型(2)，所述单轮车模型具有状态x1＝(px,py,v,θ)，其中，(px,py)是相对于不移动的笛卡尔坐标系的位置矢量，v是速度，θ是前进方向，输入u1＝(uv,uθ)，其中，是加速度，是前进方向的变化，干扰w＝(w1,w2,w3,w4)表示对应的方程的建模误差和集中的外部干扰。
其中，Ts (1)是车辆运动的第一模型的采样周期。
(车辆运动的第二模型)
车辆运动的第二模型
x2(t+1)＝f2(x2(t)，u2(t)，w(t)) (4)
在运动规划子模块304中用于计算实际上实现由决策模块302确定的目标的车辆轨迹。因为运动规划子模块304计算的轨迹必须实际上被车辆执行以便实现目标，所以运动规划子模块304所用的车辆运动的模型需要更精确，因此具有更高阶次、更多参数，以及可能地更复杂的方程。然而，因为运动规划子模块304的预测通常短于做决策中的预测，所以更高阶的模型就所需计算而言仍是可行的。
例如，本公开的一些实施例使用运动自行车模型作为车辆运动的第二模型(4)，所述运动自行车模型具有状态x1＝(px,py,vx,θ,δ)，其中，(px,py)是相对于不移动的笛卡尔坐标系的位置矢量，vx是速率矢量的纵向分量，θ是前进方向，δ是转向角度，输入u2＝(uv,uδ)，其中，是加速度，是转向角度的变化。
其中，L是轴距，L＝lf+lr，lf和lr是离车辆质心的前轴距离和后轴距离，β＝arctan(lr tan(δ)/L)是车身滑移角度，Ts (2)是车辆运动的第二模型的采样周期，其中，一般来说，Ts (2)<Ts (1)。
(对于车辆运动的模型的输入的约束)
为了正确地计算车辆轨迹，必须考虑对于车辆模型的状态和输入的约束。这样的约束由致动器的允许范围(诸如最小和最大转向角度、角度速率、加速度和制动)、法律和安全要求(诸如最小和最大速度)确定。所述约束导致用于第一模型
x1∈X1 (6a)
u1∈U1 (6b)
和第二模型
x2∈X2 (7a)
u2∈U2 (7b)
的状态和输入矢量的界限。
这些界限应被在模型上操作的决策和规划算法满足。
(第一车辆模型和第二车辆模型的匹配)
在本公开的一些实施例中，干扰w用于确保一旦用于实现目标的、满足约束(6a)、(6b)的车辆运动的第一模型(2)的状态的轨迹被找到，就存在实现相同目标的、满足约束(7a)、(7b)的车辆运动的第二模型(4)的状态的轨迹被找到。
为此，可以设计集合W，以使得对于车辆运动的第二模型的满足(7a)的所有状态x2和满足(6b)的所有输入u1，在集合W中存在矢量w，并且存在输入u2，满足(7b)以使得
f1(T1(x2)，u1，W)＝f2(x2，u2) (8）
其中，T1是将车辆运动的第一模型的满足(6a)的状态关联到车辆运动的第二模型的满足(7a)的状态的预定义的变换。T1的例子是x2的空间的特定子空间上的投影算子。
(交通模型)
在本公开的一些实施例中，决策模块302和规划与控制模块303使用存储在存储器202的第一部段211中的交通运动的第一模型和交通运动的第二模型来预测道路中存在的其他车辆的未来的行为，其中，就计算而言，交通运动的第一模型的评估比交通运动的第二模型更简单。
根据交通运动的第一模型和第二模型的交通的状态xt1、xt2是通过组合受控车辆当前所在的区域中的道路上的所有的交通车辆的状态而获得的。
其中，例如，是根据交通运动的第一模型的第一交通车辆的状态，NT是交通中的所有车辆的数量。交通运动的第一模型描述根据第一方程的交通中的每个车辆的运动。
其中，是根据交通运动的第一模型的交通中的第i车辆的输入和干扰。
交通运动的第一模型描述根据第一方程的交通中的每个车辆的运动。
其中，是根据交通运动的第二模型的交通中的第i车辆的输入和干扰。
控制单元102从传感器和通信104a、104b接收关于交通状态的信息。方程(10)、(11)可以由任何标准车辆模型(诸如单轮车模型(2)或运动自行车模型(4))指定。
(允许的中间目标的计算)
(目标的实现)
决策模块302使用存储在存储器的第三部段213中的静态地图来处理来自路由模块301的信息以生成目标序列，并且它选择一个或多个可替代的当前目标以提供给规划与控制模块303，规划与控制模块303使用这些目标，通过使用来自传感器和通信104a、104b的信息确定并且执行当前轨迹。目标qi与以下公式表示的、车辆运动的第一模型(2)的状态集合相关联：
被称为目标qi的目标集合。每当车辆运动的第一模型(2)的状态在目标集合内时，目标qi就已经被实现。例如，如果qi是车道L1的目标801，则对应的目标集合/>是车道L1的中心线周围的状态集合。如果qi是停在车道L1中的停止线S1处的目标710，则对应的目标集合/>是车道L1中的停止线处S1的零速度。
如早先陈述的，车辆状况基于车辆特性(诸如最大转向、转向速率、加速度等)来确定车辆的状态空间中的区域，其中，车辆状况和第一车辆模型被存储在存储器的第一部段211中。如果同时，对于当前的中间目标，当前的车辆状态在基于目标图而允许转变的另一个中间目标的区域的内部，则可以实现这样的目标，并且决策器可以选择它作为下一个时间段内的中间目标。例如，在图10中，车道L1的目标801、车道L2的目标802、以及在车道L1中减速的目标803可以被关联到三个区域1001、1002、1003。中间目标的这样的区域被构造为后向可达集合(backward reachable set)。
本公开的一些实施例计算目标集合的后向可达集合，并且通过有限量的计算确定当前的车辆状态是否在集合的内部。给定目标集合用于车辆运动的第一模型(2)的单步后向可达集合被构造为
基于以下递归来构造用于任意步数的后向可达集合：
使车辆运动的第一模型的状态x1根据(2)在n步之后到达目标集合的长度为n的输入序列的存在通过检查该状态是否属于n步后向可达集合来验证：
车辆运动的第一模型的状态x1到达目标集合的任意长度的输入序列的存在通过检查该状态是否属于用于任何步长的后向可达集合的并集来验证：
决策模块302通过检查车辆运动的第一模型的当前状态x1是否包含在当前的中间目标qi的目标集合中、以及是否存在使车辆运动的第一模型的车辆状态属于目标qi+1的目标集合的输入序列，来确定是否可以实现基于目标图而允许转变的、从当前目标qi到另一个中间目标qi+1的转变。具体地说，决策模块302构造集合，该集合是当前目标qi的目标集合和目标qi+1的目标集合的任何任意步数的后向可达集合的交集，
然后检查以下公式是否成立：
一些实施例是基于以下认识，即，当前的目标集合和另一个目标集合(17)的后向可达集合的并集之间的交集与后向可达集合(16)的并集相比，计算更方便。这是因为当前的目标集合具有简单的结构，大多数时间集中于车辆运动的第一模型(2)的纵向行为。例如，对于从车道L1的目标801到车道L2的目标802的车道改变，当前的中间目标是跟随车道L1的目标801，下一个中间目标是跟随车道L2的目标802；在车道L1中减速的目标803指示从当前的中间目标(车道L1的目标801)到下一个中间目标(停在L1中的停止线S1处的目标710)的转变；穿过交叉路口的目标704是从停在车道L21的停止线S3处的当前的中间目标到跟随车道L13的下一个中间目标的转变。注意，当前的中间目标是车道跟随和停止，因此，的计算是基于车辆运动的第一模型(2)的纵向运动。
的近似下的计算是基于车辆特性(诸如最大转向、转向速率、加速度等)和车辆运动的第一模型(2)的。
一个实施例涉及穿过交叉路口的目标。例如，穿过交叉路口I3的目标704连接停在车道L21中的停止线S3处的目标和跟随另一个车道(要么是811车道L13，要么是812车道L14)的目标。如果从车道L21到车道L13(或车道L14)的这样的转弯在存储在存储器的第三部段213中的静态地图上是可行的，则目标图允许该转变，因此，存在如下输入序列，该输入序列将车辆运动的第一模型的车辆状态从车道L21中的停止线S3开始通过交叉路口I3引入到另一个车道L13(或车道L14)。换句话说，停在任何停止线处的目标集合和目标图允许的另一个中间目标的后向可达集合的并集之间的交集等于停在停止线处的目标集合，
其中，S指示停在停止线处的目标。
一个实施例涉及减速以在停止线处完全停止的目标。例如，在车道L1中减速的目标803连接跟随车道L1的目标801和停在车道L1中的停止线S1处的目标710。的计算是基于车辆的最大减速度和车辆运动的第一模型的。这表明如果最大减速度导致完全停在车道L1中的停止线S1之前，而车辆的位置保持接近车道L1的中心，则车辆运动的第一模型的当前状态在集合/>中。
一个实施例涉及改变车道的目标。例子是从跟随车道L1的目标801到跟随车道L2的目标802的转变。存储在存储器的第三部段213中的静态地图提供与车道L1匹配的初始方位角和与车道L2匹配的最终方位角。的计算是基于以下认识，即，如果最急剧的车道改变在车辆运动的第一模型的当前状态下是可行的，则所以任何其他的平稳的车道改变也是可行的。最急剧的车道改变基于车辆运动的第一模型(2)，由最小非零车速下的最大和最小转向和转向速率确定。这推断出如果车辆运动的第一模型的当前状态x1下的最急剧的车道改变是可行的，则/>
可以将该方法应用于用有限量的计算确定车辆运动的第一模型的当前状态属于目标集合的成员资格、在城市驾驶中发生的其他各种目标和转变。
(交通)
与交通的碰撞和其他危险的相互作用的避免进一步缩小了使得可以选择目标作为下一个中间目标的区域的大小。缩小的车辆状态的区域可以通过以下方式获得，即，从下一个目标根据车辆运动的第一模型(2)可以实现的车辆状态的区域移除根据交通运动的第一模型(10)、必然导致与其他车辆的碰撞或危险的相互作用的车辆状态的区域。一个实施例是基于以下认识，即，有必要确定车辆运动的第一模型的状态是否位于缩小的区域中，而不是明确地计算缩小的区域。为了检查成员资格，确定从车辆运动的第一模型的当前状态开始的车辆运动的第一模型的有限的状态序列的存在，以使得所述状态避免碰撞并且到达下一个目标。
决策模块302通过检查是否存在满足以下条件的车辆运动的第一模型的安全的状态序列，来确定车辆运动的第一模型的当前状态是否在下一个目标可以实现、并且根据交通运动的第一模型避免与其他交通的碰撞的缩小的区域中。
通过验证存在车辆运动的第一模型的有限的状态序列以使得：(1)状态中的一个达到下一个目标；(2)根据交通运动的第一模型，没有状态与其他车辆的状态重叠；(3)最后的状态确保存在不导致在随后的时间步长即将来临的碰撞的输入，来检查安全序列的存在。
为了验证安全序列的最后的状态确保存在不导致在随后的时间步长即将来临的碰撞的输入，控制不变集合被构造为车辆运动的第一模型的状态集合，从所述状态集合，存在使车辆运动的第一模型的状态在随后的时间步长保持在所述集合的内部的输入。
碰撞集合C被构造为车辆运动的第一模型(2)的状态和交通运动的第一模型(10)的状态之间的差异的集合，其中，车辆运动的第一模型(2)的位置和同一车道中的车辆的第一模型(10)的位置之间的距离短于最小安全裕量。当第i车辆是同一车道中的领先的车辆时，单步不良集合被构造为：
其中，是根据交通运动的第一模型的交通中的第i车辆的当前状态。
基于如下递归构造用于任意步数的不良集合：
B0(C)＝C (21a)
Bk+1(C)＝B(Bk(C)) (21b)
使车辆运动的第一模型的状态x1在n步保持在碰撞集合C的外部的、长度为n的输入序列的存在通过检查该状态是否属于n步不良集合的补集来验证：
x1∈(Bn(C))c (22)
本公开的一个实施例是基于以下认识，即，不良集合的并集的补集
是控制不变集合。车辆运动的第一模型的状态x1保持在碰撞集合C的外部的、任意长度的输入序列的存在通过检查该状态是否属于用于任何步长的不良集合的并集的补集来验证：
注意，不良集合包含车道中的后端碰撞的构造，而不是侧面碰撞的构造。这是基于以下认识，即，安全序列中的状态中的一个应到达下一个目标，而下一个目标与车辆运动的第一模型的纵向部分相关联。例如，对于从车道L1的目标801到车道L2的目标802的车道改变，当前的中间目标是跟随车道L2的目标801，下一个中间目标是跟随车道L2的目标802；在车道L1中减速的目标803指示从当前的中间目标(车道L1的目标801)到下一个中间目标(停在L1中的停止线S1处的目标710)的转变；穿过交叉路口的目标704是从停在车道L21中的停止线S3处的当前的中间目标到跟随车道L13的下一个中间目标的转变。下一个目标是车道跟随和停止。因为车辆运动的第一模型的安全序列中的最后的状态应在控制不变集合(用于任何步长的不良集合的并集的补集)的内部，并且已经到达下一个目标集合，所以可以仅基于车辆运动的第一模型(2)的纵向运动来构造不良集合。
不良集合的计算是基于车辆运动的第一模型(2)和交通运动的第一模型(10)的纵向运动的。通过检查车辆运动的第一模型的最大制动是否可以无论领先的车辆应用交通模型的第一模型的什么输入都避免与领先的车辆碰撞，验证车辆运动的第一模型的状态x1属于用于任何步长的不良集合的并集的补集的成员资格。
车辆运动的第一模型的安全的状态序列x1＝(x1(0)，...，x1(N))的存在通过求解以下问题来验证：
约束条件为
其中，目标函数J(x1，u1)可以被选择用来优化某个性能，诸如行进时间、燃料消耗或驾驶者舒适度。该问题的解x1构造车辆运动的第一模型的安全序列，因为约束(25b)指示车辆运动的第一模型；约束(25c)指示所述状态中的一个到达下一个目标集合；约束(25d)指示车辆状态与其他交通状态不重叠，其中，被构造为状态/>周围的交通运动的第一模型的状态集合，以使得约束(25d)确保对于车辆运动的第一模型的所有干扰w，车辆之间没有碰撞；约束(25e)指示最后的状态在控制不变集合的内部，保证了在随后的时间步长存在输入。
为了验证车辆运动的第一模型的当前状态x1是否在下一个目标可以实现、并且根据车辆运动的第一模型避免与其他交通的碰撞的缩小的区域的内部，对问题(25)进行求解以检查从x1(0)＝x1开始的安全序列是否存在。本公开的一些实施例是基于以下认识，即，可以通过仅利用车辆运动的第一模型的极端的输入来将约束(25b)-(25e)近似为线性不等式组。
如果成本函数J(x1，u1)是线性的，则可以通过线性编程问题来对问题(25)进行近似。通过将方位角θ(0)，...，θ(N)的变化图拟合为最陡的曲线，其可以通过应用最大和最小转向输入计算得到，动态约束(25b)变为线性的。目标集合本质上是凸形的，所以可以用其边界通过利用最大和最小加速度、制动和转向输入计算得到的线性不等式组来对约束(25c)进行近似。不良集合的补集/>本质上是凸形的，所以可以用其边界通过利用最大和最小加速度和制动计算得到的线性不等式组来对约束(25e)进行近似。约束(25d)本质上不是凸形的。基于交通运动的第一模型的状态/>(对于k＝0,…,N)的获悉，约束(25d)通过产生宽管(wide tube)而被变为凸形，从而根据状态/>的位置被近似为线性不等式组，在所述宽管内，在避免任何碰撞的同时车辆运动的第一模型的状态到达下一个目标。
本公开的一个实施例是因为车辆运动的第一模型和第二模型之间的关系(7)，车辆运动的第一模型的安全序列的存在保证了车辆运动的第二模型的有限的状态序列的存在，其中，所述状态中的一些到达目标，所有的状态都不与其他交通碰撞，并且最后的状态位于控制不变集合中。
可以通过不让决策模块302通过求解问题(25)产生安全序列、而是让规划与控制模块303中的运动规划子模块304检查车辆运动的第二模型的安全的状态序列的存在，来进一步减小计算负荷。在这种情况下，决策模块302仅将当障碍物不存在时可实现的中间目标和相关联的参数提供给规划与控制模块303。
全都使用(使用存储在存储器的第一部段211中的车辆运动的第一模型、以及第一模型和第二模型之间的误差的界限)
(具有多个目标的规划的计算)
基于决策模块302选择一个或多个可替代的当前目标，规划与控制模块303的目的是通过使用来自传感器和通信104的信息，使用这些目标来执行当前轨迹。
运动规划子模块304确定到决策模块302给予的目标中的至少一个的轨迹，并且根据成本函数比较到达目标的轨迹。运动规划子模块304使用存储在存储器的第一部段211中的车辆运动的第二模型来确定实现车辆的运动上的要求的轨迹。
图16例示说明根据本公开的实施例的对于在道路上驾驶的自主车辆的运动的可能的要求的示例性列表。对于运动的要求可以被映射到对于车辆的运动的约束。例如，对于运动的要求，车辆可以强制车辆留在道路上1600。可能的附加的要求可以强制车辆应以标称速度(1620)、在车道的中间(1610)驾驶。标称速度可以由从地图获得的或者感测系统感测的道路速度限制给予，它可以由车辆的驾驶者或乘客给予，或者它可以被编码到决策模块302计算的目标中。例如，参照图16，决策模块302可以强制车辆停在停止线501处。例如，要求还可以强制车辆与周围的障碍物保持安全裕量。周围的障碍物可以由传感器105检测，障碍物的未来的行为可以由预测系统预测。另外，另一可能的要求是与同一车道中的车辆保持安全距离(1640)，该要求可能与1630相同，但是一般不与1630相同。由于乘客舒适度、燃料消耗、损耗的原因或其他原因，规范可以强制车辆的平稳驾驶(1650)。如图16中制表的要求可以彼此抵消。例如，在与周围的障碍物保持安全裕量(1630)的同时，可能不能保持恒定速度(1620)，或者规范(1610)只陈述了车辆应保持在几个车道中的一个的中间。
在一些实施例中，运动规划子模块304确定到达来自决策模块302的可替代的目标中的每个的轨迹，并且就性能而言将它们与驾驶要求进行比较。然而，一些实施例认识到，穷尽地测试所有的可能的目标有时在计算上是难以承受的。
为此，一些实施例将驾驶要求和目标描述为运动规划系统的轨迹应满足的对于运动的约束，yk＝h(xk)。例如，如果目标之一是车道L1以标称速率vnom，并且两个状态是车辆的位置p和速度v，则理想地，vnom＝v，并且位置p应非常接近车道L1的坐标，也就是说，车辆的速度应与标称速度相同，并且位置应在车道的中间。
在一个实施例中，随机噪声源ek被添加到约束，也就是说，yk＝h(xk，ek)。噪声源ek考虑到组合的目标可能不能、并且很可能不能准确地满足。可以以几种方式选择噪声源。例如，噪声源可以被选为具有零均值和协方差矩阵Rk的加性高斯PDF，也就是说，导致yk＝h(xk)+ek，或者被选为具有最小值和最大值的均匀分布，或者被选为乘性噪声。可能的是，可以以应用特定的方式选择噪声源。就PDF而言，规范可以被描述为yk～p(yk|xk)。
为此，在本公开的一个实施例中，对于车辆的运动的约束包括以下中的一个或它们的组合：车辆的地点偏离道路的中间的偏差的界限、相对于车辆的当前加速度和方位角的变化的界限、偏离车辆的期望的速度变化图的偏差的界限、以及到道路上的障碍物的最小距离的界限。可能的是，对于车辆的运动的约束可以是概率性的，并且包括以下中的一个或它们的组合：车辆的地点偏离道路的中间的概率、偏离车辆的当前加速度和方位角的概率、偏离车辆的期望的速度变化图的概率、违反到道路上的障碍物的最小距离的概率。
从决策模块302确定的目标可以采取不同的形式。例如，在一个实施例中，每个目标集合是车辆的状态空间中的区域，在另一个实施例中，目标集合是目标车道，第三实施例使用车辆速率和横向位置的组合作为目标区域。
图17A例示说明根据本公开的实施例的用于确定轨迹和控制车辆的方法的框图。所述方法可以使用车辆的处理器来实现。所述方法从从决策模块302确定的目标区域集合(1709)确定(1710)目标区域1711。然后，使用存储在存储器中的车辆的运动的第二模型1715和对于车辆的运动的约束1717，所述方法确定良好轨迹和控制输入集合(1720)，其在被应用于车辆的运动的模型1715时，在满足对于车辆的运动的约束1717的同时，导致到达目标区域的轨迹1721。车辆的运动的第二模型1715可以包括车辆的运动上的不确定性，以捕捉模型不是车辆的实际运动的准确版本，并且考虑到感测误差。所述方法迭代进行(1731)，直到满足终止条件1730为止。当满足条件1730时，所述方法在产生的到达目标区域1710的轨迹1721之中选择(1740)最佳轨迹1741。例如，终止条件可以是时间段或预定的迭代次数。
接着，所述方法将与最佳轨迹1741相对应的控制输入序列映射(1750)到针对车辆的至少一个致动器的控制命令1751，并且根据该控制命令来控制(1760)车辆的运动。
在一些实施例中，确定(1710)目标区域被穷尽地进行，也就是说，所有的目标1709都被迭代地选择(1731)。其他实施例统计地确定(1710)目标。例如，当目标区域1709的数量大得以至于在所有目标上迭代进行(1731)在计算上是压倒性的时，这可以是有利的。
图17B示出根据本公开的实施例的确定1710目标1711的示例性实现。确定1710使用关于在运动规划子模块304执行期间选择的轨迹1740、环境(诸如其他车辆)的预测行为、以及驾驶偏好(诸如图16中的那些)的信息。确定1710确定目标集合1709中的作为优选目标的每个目标的概率(1710b)。确定1710然后根据概率(1710b)对来自目标区域集合1709的目标进行采样(1720b)。在对目标进行采样(1720b)之后，从目标集合1709移除对应的目标(1730b)，从而确保运动规划子模块304不在轨迹已经被计算的目标上花费精力。
可以以几种方式确定概率。例如，一个实施例将可能的目标建模为模式集合M＝{S，SL，CLL，CLR}，其中，模式是完全停止(S)、留在车道中(SL)、向左改变车道(CLL)、以及向右改变车道(CLR)，并且使用具有与每个决策相关联的转变概率的有限状态马尔可夫过程。可以根据从感测系统感知的驾驶环境与从决策模块302传播的信息组合来确定转变概率。对于概率密度函数p来说，任何两个模式j和i之间的转变模型是mj～p(mj|mi)。
在一些迭代中，根据如下的组合对中间目标进行排名：远离碰撞风险的概率、满足对于车辆的运动的第二模型的约束、与在先前的迭代期间选择的中间目标一致、以及与在先前的迭代期间确定的轨迹一致。
例如，一个实施例关于为了实现相应的目标、输入到车辆的控制输入的变化需要为多大来对目标进行排名。也就是说，对于先前确定的轨迹，如果特定目标只有在偏离先前确定的轨迹时才可以实现，则它将被给予较低的优先级。在另一个实施例中，更可能导致远离与道路上的其他物体的碰撞的风险的轨迹的目标被给予更高的排名。
其他实施例使用其他准则来就重要性对目标进行相互排名。例如，一个实施例对与先前选择的目标类似的那些目标的排名更高。例如，如果在双车道道路上存在两个中间可选目标，其中，这些目标中的每个都使得可以跟随这两个车道中的任何一个，并且如果在决策模块302的前一次迭代中，已经确定与到达左车道相对应的目标，则偏好将被给予留在左车道中的当前可选目标。
图17C示出根据本公开的实施例的用于确定1720良好轨迹和对应的控制输入1721的方法1799的流程图。所述方法迭代地确定指定从车辆的初始状态到车辆的目标状态的车辆的运动的控制输入序列。在不同的实施例中，初始状态是车辆的当前状态，和/或其中初始状态是与在所述方法的前一次迭代期间确定的控制输入相对应的状态。
图17D例示说明根据本公开的实施例的由连接车辆的状态的状态转变限定的运动。每个状态包括车辆的地点、速度和前进方向。轨迹被迭代地确定，直到满足终止条件为止，例如，经过一段时间段或者经过预定的迭代次数。图17C的方法的迭代包括以下步骤。
所述方法确定1720c初始状态、控制输入集合、以及对应的状态转变集合，以使得状态和转变满足对于车辆的状态的静态约束和动态约束。例如，所述方法确定图17D中的状态1780d、状态转变1781d和状态1760d。
图17E示出根据本公开的一个实施例的确定状态集合1720c的示例性实现的流程图。确定1720c使用关于环境的信息和使用先前的迭代确定的状态。先前的状态的例子包括图17D中的状态1720d、1780d、1770d和1790d。
示例性实现执行状态的初始发现(1701e)。如果这是所述方法的第一次迭代，则初始状态是车辆的当前状态。否则，可以以许多方式确定初始状态。例如，初始状态可以被确定为具有到目标区域1711的位置的最小的欧几里得距离的状态，初始状态可以通过产生[1，M]之间的均匀整数随机数来确定，其中，初始状态是数字1，在前一次迭代中确定的最后的状态是数字M，或者初始状态可以被确定为与在前一次迭代期间确定的控制输入相对应的状态。
所述方法产生(1702e)控制输入集合，并且使用该控制输入集合来预测状态。在一些实施例中，控制输入是从车辆的运动的第二模型的噪声源产生的。例如，控制输入可以从高斯分布产生，它可以从针对应用定制的概率分布选择，或者它可以通过设计反馈控制器产生，产生控制输入作为与驾驶要求的偏差的组合。在一个实施例中，控制输入的产生(1702e)和对应状态的预测(1703e)是在一个循环中进行的，其中，迭代次数可以预先确定。
图17F例示说明根据本公开的一个实施例的确定生成移动到满足对于车辆的运动的约束的状态的每个输入的质量的方法1730c的流程图。当确定每个输入的质量时，首先对下一个状态1703e检查碰撞1711f。如果下一个状态1703e和导致状态的状态转变1711f是无碰撞的，则确定状态与要求一致1712f，并且计算每个输入的概率1713f。
在一个实施例中，如果碰撞检查1711f确定下一个状态与障碍物碰撞，则导致满足对于车辆的运动的约束的状态的输入的概率可以被设置为零。碰撞检查可以是确定性的，或者它可以是概率性的，其中，如果碰撞的概率高于某个阈值，则碰撞可以被假定为发生，其中，障碍物的预测是根据该障碍物的概率运动模型进行的。
图17G例示说明根据本公开的一个实施例的例子，在该例子中，预测自主车辆的地点1710g与障碍物1720g的不确定性区域1721g交叉，并且障碍物1720g在地点1710g处的概率高于碰撞阈值1730g。例如，车辆的传感器可以随着时间的变化确定障碍物的位置。运动规划子模块304确定下一个状态与障碍物的不确定性区域交叉的概率，并且当下一个状态与障碍物的不确定性区域交叉的概率高于碰撞阈值时，将零概率分配给产生的状态和控制输入。
在一个实施例中，从考虑不确定性的预测模块确定区域1721g。在另一个实施例中，从决策模块302确定所述区域。例如，参照图10，区域1001、1002或1003可以被选为1721g。
可以以几种方式进行输入和对应状态的确定1740c。例如，一个实施例通过使用加权平均函数来确定控制输入，以将状态生成为并且对于控制输入是类似的。另一个实施例将控制输入确定为具有最高概率的状态和输入，也就是说，可能的是，一个实施例通过在固定数量m＜N的采样的控制输入上求取平均值来确定控制输入。
图17H示出根据本公开的一个实施例的用于选择车辆的轨迹1750c的框图。根据已经到达目标1711的所有的运动的成本函数来检查1741h这些运动，确定1742h导致最佳成本的运动，并且将具有对应的控制输入的运动发送1743h给车辆控制系统。
一些实施例根据运动规划子模块304确定的轨迹来控制1760c车辆。运动规划系统计算的轨迹被用作车辆的控制系统的参考轨迹。在一个实施例中，控制输入被用作车辆控制系统的前馈分量。例如，本公开的一个实施例使用笛卡尔平面地点的形式的参考轨迹，并且使用车辆的转向角度和加速度作为前馈分量。在一个实施例中，参考轨迹包含车辆的位置、速度矢量和前进方向。
图18A例示说明根据本公开的各种实施例所用的一些原理确定的不同运动的示意图。可驾驶区域1800a包括道路1810a，除了障碍物存在于其中的区域1820a之外。可以从车道信息、驾驶者、车辆的乘客的意图、或者从决策模块302确定的优选运动1830a可以被解释为从车辆的当前状态1850a到达目标区域1840a、但是通过障碍1820a的不可驾驶区域的参考运动。优选运动1830a可以被建模为车辆的状态上的概率密度函数(PDF)1831a的形式的概率约束，其中，优选运动1830a是PDF的均值，并且与该均值的允许偏差被建模为标准差1832a。在这样的情况下，运动根据它们与PDF 1831a交叉多少而被给予不同的概率。运动规划器产生避开障碍物1820a、但是在与期望的运动1830a相同的位置处开始和结束的运动，诸如运动1860a和1870a。
在本公开的实施例中的一些中，通过以下步骤计算运动：首先，根据是良好运动的概率来确定从初始状态到目标状态的几个运动；第二，优化确定性成本函数，所述确定性成本函数组合与标称运动的偏差和其他性能度量，例如，与标称速度的偏差、到周围障碍物的距离、或转向输入的幅度。为了例示说明，运动1860a保持接近期望的运动，而运动1870a表示保持小的转向输入的重要性。可以计算导致目标区域1840a的几个不同的运动，并且成本函数确定选择哪个运动。
图18B例示说明根据本公开的一些实施例所用的一些原理确定的不同运动的示意图。自主车辆在具有分道线1810b的双车道道路上处于当前状态1850a，其中，移动障碍物1820b在第一车道中。存在从决策模块302确定的两个目标区域1840a和1841b。对于运动的要求可以是，车辆应以与要求的相应的容许的概率偏差1861b和1871b，保持两个车道1860b和1870b中的任何一个，所以运动规划器可以确定要么留在第一车道中，要么移动到第二车道，只要到达目标中的任何一个即可。黑线1880b和1890b示出运动规划子模块304计算的两个可能的计算的运动。轨迹1890b直到在大致通过路径中间之后才满足要求1860b。因此，如果成本函数在与要求1860b的偏差上具有大的权重，则到达目标1840a的轨迹将被选择。
图18C例示说明根据本公开的一个实施例的与1880b和1890b相对应的相应的速度变化图1880c和1890c、以及保持标称的(在该情况下恒定的)速度的要求1860c。在图18C中，与轨迹1880b相对应的速度1880c不满足约束。本公开的一些实施例在确定最佳运动时对这两个和附加要求一起进行加权。
图19例示说明根据本公开的一些实施例的运动规划系统和车辆控制器之间的交互的示意图。例如，在本公开的一些实施例中，车辆101的车辆控制子模块305是控制车辆101的旋转和加速的转向1910和刹车/节流阀控制器1920。然而，在一个实施例中，运动规划子模块304使用模型使得运动规划子模块304中的控制输入是转向和速度。为此，车辆控制子模块305将控制输入映射到针对车辆的至少一个致动器(诸如车辆的转向轮和/或刹车)的控制命令，并且使用针对车辆的致动器的控制命令来控制车辆的运动。
例如，运动规划器的控制输入可以被添加到车辆控制子模块305的参考轨迹。在一个实施例中，例如，当运动规划子模块304的控制输入部分地与1910和1920相同时，在运动规划器中计算的移动车辆的控制输入被用作真实的车辆控制系统的前馈控制输入。通过以这样的方式进行，真实的车辆控制系统只控制由于运动规划器中的建模误差而导致的偏差。
运动规划子模块304选择约束条件为使成本函数最小化、满足对于车辆的移动的约束、并且避免与障碍物的碰撞的运动。一个实施例将成本函数选为其中，k1和k1是欧几里得距离上的正权重，pref和vref分别是期望的路径和速度，该路径和速度来自决策模块302，或者例如是从驾驶者或乘客输入预定、计算的，或者是从相机估计的，p和v是车辆的位置和速度。在其他实施例中，成本函数被选为J＝T，其中，T是从初始状态到达目标1711的运动的时间。又一个实施例使用g＝k1Δδ+k2Δv，其中，Δδ和Δv分别是两个连续的时间步长之间的转向和速度的差值，反之亦然。在其他实施例中，性能测度包括车辆的乘客的舒适度水平的度量。例如，可以从车辆的乘客的体验确定舒适度水平，所述体验被映射到车辆的期望的横向加速度、期望的转向速率和期望的纵向加速度。
(特征)
根据本公开的方面，车辆状态可以包括车辆位置、车辆的速度和车辆的前进方向，并且其中，驾驶制图数据包括地图数据，诸如地址、道路网络、交叉路口、停止标记地点、交通灯地点、交通车道的数量和位置以及速度限制。由车辆状态集合构成的目标集合被关联到目标，以使得实现该目标的可行性是基于如下处理的：根据车辆的运动的第一模型和车辆的运动的第一模型中的不确定性集合计算目标集合的后向可达集合的序列，并且测试当前的车辆状态是否被包括到后向可达集合的序列中的任意后向可达集合中。此外，可以基于车辆的运动的第一模型来确定不确定性集合，以使得如果根据车辆的运动的第一模型的车辆状态被包括到根据车辆的运动的第一模型和不确定性集合计算出的目标集合的后向可达集合中，则可以根据车辆的运动的第二模型来实现目标集合中的车辆状态。更进一步，通过以下方式迭代地计算所述序列中的后向可达集合：将所述序列中的第一个后向可达集合初始化为目标的目标集合，并且通过对于不确定性集合中的每一个不确定性的值，根据车辆的运动的第一模型确定在一个时间间隔中能够被驱动到所述序列中的前一个后向可达集合的状态的集合，来从所述序列中的前一个后向可达集合构造所述序列中的下一个后向可达集合。
根据本公开的方面，完成下一个特定目标的可行性的测试是基于验证存在从当前的中间目标开始并且在下一个特定目标中结束的中间目标的序列，其中，每个下一个目标可以在由预测时域确定的时间内、从所述序列中的前一个目标的目标集合中的任何车辆状态实现。此外，可以通过以下方式确定中间目标的序列的完成，即，验证对于所述序列中的任何连续的中间目标的对，存在车辆的运动的第一模型的至少一个车辆状态，该车辆状态包含在所述对中的第一中间目标的中间目标车辆状态和所述对中的第二中间目标的后向可达集合的交集中，并且该车辆状态包括在包括第一中间目标的中间目标的序列中。
根据本公开的方面，测试中间目标满足交通状况的可行性是基于确定根据车辆的运动的第一模型和交通的运动的第一模型的碰撞被避免。此外，确定碰撞被避免是基于求解优化问题，所述优化问题包括成本函数、与车辆的运动的第一模型相关的约束、与完成下一个目标相关的约束、与在当前时间避免碰撞相关的约束、以及与在未来的时间避免碰撞相关的约束。更进一步，基于属于碰撞集合的车辆的状态和交通的状态来确定与在当前时间避免碰撞相关的约束，以使得碰撞集合包含车辆运动的第一模型的状态和交通运动的第一模型的状态，其中，车辆运动的第一模型的位置和交通运动的第一模型的位置之间的距离短于最小安全裕量。可能的是，用根据车辆的运动的第一模型、不确定性和交通的运动的第一模型，通过前向递归来构造的不良集合的序列的补集，从而确定与在未来的时间避免碰撞相关的约束，所述前向递归产生集合的序列，以使得该集合的序列中的每个集合确定在未来的特定的时间间隔内是否发生碰撞。这样，前向递归从不存在根据车辆的运动的第一模型和交通的运动的第一模型、在未来的下一个时间间隔内避免碰撞的针对车辆的命令的状态集合开始，并且通过验证不存在针对车辆的命令的状态集合来继续进行，并且避免进入在前一次迭代计算的集合。此外，通过线性程序，通过以下方式对所述优化问题进行近似，即，对车辆的运动的第一模型进行近似，所述第一模型考虑根据最陡曲线的集合并且根据车辆的运动的至少一个参数产生的方位角的变化图。将与能够完成下一个目标相关的约束近似为根据最小车辆加速度和最大车辆加速度、制动和转向计算的线性不等式组。将避免未来的碰撞的约束近似为根据最小和最大车辆加速度和制动计算的线性不等式组。将在当前时间避免碰撞的约束近似为基于与交通不重叠的状态的宽管形状的区域计算的线性不等式组,并且定义线性成本函数。
根据本公开的方面，根据如下的组合来对计算的可行的中间目标进行排名：远离碰撞的风险的概率、满足对于车辆的运动的第二模型的约束、与在上一个预测时域期间选择的防止与至少一个车辆碰撞的计算出的可行的中间目标一致、以及与上一个预测时域期间的防止与所述至少一个车辆碰撞的计算出的轨迹一致。此外，计算出的可行的中间目标的选择是基于根据计算出的可行的中间目标的排名分配概率，以便根据它们的概率生成计算出的可行的中间目标的集合。更进一步，基于在不同的先前的预测时域期间使用类似的计算出的可行的中间目标的偏好来确定与先前计算出的可行的中间目标的一致性。更进一步，其中，对于车辆的运动的第二模型的约束包括与车道的最大偏差的界限、车辆的最大允许转向角度的界限、以及与优选速度变化图的最大允许偏差的界限。可能的是，计算出的可行的中间目标与在上一个预测时域期间确定的轨迹的一致性是基于测量到达计算出的可行的中间目标所需的控制输入的变化量的评分函数，并且其中，来自计算出的可行的中间目标的集合的使评分函数最小化的计算出的可行的中间目标被确定为控制输入。
根据本发明的方面，性能测度包括车辆的地点与道路的中间的偏差、与车辆的期望的速度变化图的偏差、与到道路上的障碍物的最小距离的偏差、以及车辆的舒适度水平的偏差的组合中的一个，以使得从车辆的期望的横向加速度、期望的转向速率和期望的纵向加速度确定舒适度水平。另一方面可以包括用于每个可行的中间目标的轨迹的计算，包括确定车辆的初始状态、并且将该初始状态提交给车辆的运动的第二模型。使用具有不确定性的车辆的运动的第二模型和交通的运动的第二模型来确定车辆的运动模型的输入的集合和车辆的对应的状态转变的集合，满足对于车辆的第二运动模型的约束，并且到达计算出的可行的中间目标。确定轨迹的性能测度，以使得相对于确定控制输入时的性能测度比较计算出的轨迹。
根据本公开的方面，用于每个可行的中间目标的轨迹的计算包括确定车辆的初始状态、并且将该初始状态提交给车辆的运动的第二模型。使用具有不确定性的车辆的运动的第二模型和交通的运动的第二模型来确定车辆的运动模型的输入的集合和车辆的对应的状态转变的集合，满足对于车辆的第二运动模型的约束，并且到达计算的可行的中间目标。确定轨迹的性能测度，以使得相对于确定控制输入时的性能测度比较计算出的轨迹。另一方面可以包括测试每个中间目标的可行性是基于预测时域开始时的车辆状态和交通状况，其中，特定目标包括为了到达最终目的地而特定的、交叉路口处的特定转弯，附加的特定目标包括根据驾驶规则的车辆操作约束，并且其中，可选目标包括车辆在不违反特定目标或附加的特定目标中的任何一个的情况下改变车道。其中，另一方面包括测试每个中间目标的可行性是基于预测时域开始时的车辆状态和交通状况，其中，特定目标包括为了到达最终目的地而特定的、交叉路口处的特定转弯，附加的特定目标包括根据驾驶规则的车辆操作约束，并且其中，可选目标包括车辆在不违反特定目标或附加的特定目标中的任何一个的情况下改变车道。
(实施例)
本说明书只提供了示例性实施例，而非意图限制本公开的范围、适用性或配置。不同地，示例性实施例的以下描述将为本领域技术人员提供使得能够实现一个或多个示例性实施例的描述。设想在不脱离如所附权利要求书中阐述的那样公开的主题的精神和范围的情况下，在元素的功能和布置上可以做出的各种改变。
单个的实施例可以被描述为被描绘为流程图表、流程图、数据流程图、结构图或框图的处理。尽管流程图表可以将操作描述为顺序的处理，但是所述操作中的许多操作可以被并行地或同时地执行。另外，所述操作的次序可以被重排。处理可以在其操作完成时被终止，但是可以具有图中没有讨论或没有包括的附加步骤。此外，任何具体地描述的处理中的所有操作并不都可以在所有的实施例中发生。处理可以对应于方法、函数、进程、子例程、子程序等。当处理对应于函数时，该函数的终止可以对应于对于调用函数或主函数的函数的返回。

Claims (23)

1.一种车辆的控制系统，包括：
存储器，所述存储器存储包括驾驶制图数据和车辆数据的数据；
硬件处理器，所述硬件处理器被配置为：
使用所述驾驶制图数据和车辆数据，针对每个预测时域，从由道路和转弯的序列形成的行进路线生成中间目标的序列，其中，所述中间目标的序列包括特定目标、附加的特定目标和可选目标，所述特定目标是为了到达最终目的地而特定的交叉路口处的特定转弯，所述附加的特定目标包括根据驾驶规则的车辆操作约束；
使用所述车辆的运动的第一模型和所述道路上的交通车辆的运动的第一模型，基于预测时域开始时的车辆状态和交通状况来测试每个中间目标的可行性，并且所述中间目标通过满足所述交通状况和所述车辆的运动能力而实现，在实现所述中间目标之后，所述特定目标和所述附加的特定目标中的下一个目标也能够被实现；
使用所述车辆的运动的第二模型和所述交通车辆的运动的第二模型来计算用于每个可行的中间目标的轨迹，根据通过成本函数确定的数值来比较每个计算出的轨迹，并且确定满足对于所述车辆的移动、以及所述车辆与所述道路和交通车辆的相互作用的约束；
车辆控制器，所述车辆控制器计算针对所述车辆的至少一个致动器的控制输入，以使得所述车辆运动生成与计算出的轨迹接近的轨迹；以及
至少一个致动器控制器，所述至少一个致动器控制器执行针对所述车辆的所述至少一个致动器的所述控制输入以修改所述车辆的运动。
2.根据权利要求1所述的控制系统，其中，所述车辆状态包括车辆位置、所述车辆的速度以及所述车辆的前进方向，并且其中，所述驾驶制图数据包括地图数据，所述地图数据包括地址、道路网络、交叉路口、停止标记地点、交通灯地点、交通车道的数量和位置以及速度限制。
3.根据权利要求2所述的控制系统，其中，由车辆状态集合构成的目标集合与目标相关联，以使得实现所述目标集合所关联的目标的可行性是基于以下处理的：根据所述车辆的运动的第一模型和所述车辆的运动的第一模型中的不确定性集合来计算所述目标集合的后向可达集合的序列，并且测试当前的车辆状况是否被包括到所述后向可达集合的序列中的任意后向可达集合中。
4.根据权利要求3所述的控制系统，其中，基于所述车辆的运动的第一模型来确定所述不确定性集合，以使得如果根据所述车辆的运动的第一模型的车辆状态被包括到根据所述车辆的运动的第一模型和所述不确定性集合计算出的所述目标集合的后向可达集合中，则能够根据所述车辆的运动的第二模型来实现所述目标集合中的车辆状态。
5.根据权利要求3所述的控制系统，其中，通过以下方式迭代地计算所述序列中的后向可达集合：将所述序列中的第一个后向可达集合初始化为所述目标的目标集合，并且通过对于所述不确定性集合中的每一个不确定性的值，根据所述车辆的运动的第一模型确定在一个时间间隔中能够被驱动到所述序列中的前一个后向可达集合的状态的集合，来从所述序列中的前一个后向可达集合构造所述序列中的下一个后向可达集合。
6.根据权利要求1所述的控制系统，其中，基于验证存在从当前的中间目标开始并且在下一个特定目标中结束的中间目标的序列来测试完成下一个特定目标的可行性，其中，每个下一个目标能够在由预测时域确定的时间内、从所述序列中的前一个目标的目标集合中的任何车辆状态实现。
7.根据权利要求6所述的控制系统，其中，通过以下方式确定中间目标的序列的完成：验证对于所述序列中的任何连续的中间目标的对，存在所述车辆的运动的第一模型的至少一个车辆状态，所述车辆状态包含在所述对中的第一中间目标的中间目标车辆状态、和所述对中的第二中间目标的后向可达集合的交集中，并且所述车辆状态包括在包括所述第一中间目标的中间目标的序列中。
8.根据权利要求1所述的控制系统，其中，基于确定根据所述车辆的运动的第一模型和所述交通车辆的运动的第一模型的碰撞被避免，来测试中间目标满足所述交通状况的可行性。
9.根据权利要求8所述的控制系统，其中，基于求解优化问题来确定碰撞被避免，所述优化问题包括成本函数、与所述车辆的运动的第一模型相关的约束，所述约束包括与完成下一个目标相关的约束、与在当前时间避免碰撞相关的约束、以及与在未来的时间避免碰撞相关的约束。
10.根据权利要求9所述的控制系统，其中，基于属于碰撞集合的所述车辆的状态和所述交通车辆的状态来确定与在当前时间避免碰撞相关的约束，以使得所述碰撞集合包含车辆运动的第一模型的状态和交通车辆的运动的第一模型的状态，其中，所述车辆运动的第一模型的位置和所述交通车辆的运动的第一模型的位置之间的距离短于最小安全裕量。
11.根据权利要求9所述的控制系统，其中，利用根据所述车辆的运动的第一模型、所述车辆的运动的第一模型中的不确定性集合和所述交通车辆的运动的第一模型，通过前向递归来构造的碰撞无法避免的不良集合的序列的补集，从而确定与在未来的时间避免所述碰撞相关的约束，所述前向递归产生集合的序列，以使得所述集合的序列中的每个集合确定在未来的特定的时间间隔内是否发生碰撞。
12.根据权利要求11所述的控制系统，其中，所述前向递归从不存在根据所述车辆的运动的第一模型和所述交通车辆的运动的第一模型、在未来的下一个时间间隔内避免碰撞的针对所述车辆的命令的状态集合开始，并且通过验证不存在针对所述车辆的命令的状态集合来继续进行，并且避免进入在前一次迭代计算的集合。
13.根据权利要求9所述的控制系统，其中，通过线性程序，通过以下方式对所述优化问题进行近似：
对所述车辆的运动的第一模型进行近似，所述第一模型考虑根据最陡曲线的集合并且根据所述车辆的运动的至少一个参数产生的方位角的变化图；
将与能够完成下一个目标相关的约束近似为根据最小车辆加速度和最大车辆加速度、制动和转向计算出的线性不等式组；
将避免未来的碰撞的约束近似为根据最小和最大车辆加速度和制动计算出的线性不等式组；以及
将在当前时间避免碰撞的约束近似为基于与交通车辆不重叠的状态的宽管形状的区域计算出的线性不等式组，并且定义线性成本函数。
14.根据权利要求1所述的控制系统，其中，根据如下的组合来对计算出的可行的中间目标进行排名：远离碰撞的风险的概率、满足对于所述车辆的运动的第二模型的约束、与在上一个预测时域期间选择的防止与至少一个车辆碰撞的计算出的可行的中间目标一致、以及与上一个预测时域期间的防止与所述至少一个车辆碰撞的计算出的轨迹一致。
15.根据权利要求14所述的控制系统，其中，基于根据计算出的可行的中间目标的排名分配概率来选择计算出的可行的中间目标，以便根据它们的概率生成计算出的可行的中间目标的集合。
16.根据权利要求14所述的控制系统，其中，基于在不同的先前的预测时域期间使用类似的计算出的可行的中间目标的偏好来确定与先前计算出的可行的中间目标的一致性。
17.根据权利要求14所述的控制系统，其中，对于所述车辆的运动的第二模型的约束包括与车道的最大偏差的界限、所述车辆的最大允许转向角度的界限、以及与优选速度变化图的最大允许偏差的界限。
18.根据权利要求14所述的控制系统，其中，计算出的可行的中间目标与在上一个预测时域期间确定的轨迹的一致性是基于测量到达计算出的可行的中间目标所需的控制输入的变化量的评分函数的，并且其中，来自计算出的可行的中间目标的集合的使所述评分函数最小化的计算出的可行的中间目标被确定为所述控制输入。
19.根据权利要求1所述的控制系统，其中，所述轨迹的性能测度包括所述车辆的地点与道路的中间的偏差、与所述车辆的期望的速度变化图的偏差、与到道路上的障碍物的最小距离的偏差、以及所述车辆的舒适度水平的偏差的组合中的一个，以使得从所述车辆的期望的横向加速度、期望的转向速率和期望的纵向加速度确定所述舒适度水平。
20.根据权利要求19所述的控制系统，其中，用于每个可行的中间目标的轨迹的计算包括：
确定所述车辆的初始状态，并且将所述初始状态提交给所述车辆的运动的第二模型；
使用具有不确定性的所述车辆的运动的第二模型和交通车辆的运动的第二模型来确定所述车辆的运动模型的输入的集合和所述车辆的对应的状态转变的集合，满足对于车辆的第二运动模型的约束，并且到达计算出的可行的中间目标；以及
确定所述轨迹的所述性能测度，以使得相对于确定所述控制输入时的性能测度比较计算出的轨迹。
21.一种用于控制车辆的方法，包括：
使用存储在存储器中的驾驶制图数据和车辆数据，针对每个预测时域，从由道路和转弯的序列形成的行进路线生成中间目标的序列，其中，所述中间目标的序列包括特定目标、附加的特定目标和可选目标；
使用所述车辆的运动的第一模型和所述道路上的交通车辆的运动的第一模型来测试每个中间目标的可行性，随之还确定所述中间目标通过满足交通状况和所述车辆的运动能力而实现，在实现所述中间目标之后，所述特定目标和所述附加的特定目标中的下一个目标也能够被实现；
使用所述车辆的运动的第二模型和所述交通车辆的运动的第二模型来计算用于每个可行的中间目标的轨迹，根据通过成本函数确定的数值来比较计算出的轨迹，并且确定满足对于所述车辆的移动、以及所述车辆与道路和交通车辆的相互作用的约束；
经由车辆控制器计算针对所述车辆的至少一个致动器的控制输入，以使得所述车辆运动生成与计算出的轨迹接近的轨迹；以及
经由至少一个致动控制器执行针对所述车辆的所述至少一个致动器的所述控制输入来修改所述车辆的运动，其中，所述方法的步骤使用所述车辆的处理器来实现。
22.根据权利要求21所述的方法，其中，基于预测时域开始时的车辆状态和交通状况来测试每个中间目标的可行性，其中，所述特定目标包括为了到达最终目的地而特定的交叉路口处的特定转弯，并且所述附加的特定目标包括根据驾驶规则的车辆操作约束，并且其中，所述可选目标包括车辆在不违反所述特定目标或所述附加的特定目标中的任何目标的情况下改变车道。
23.一种非暂时性计算机可读存储器，所述非暂时性计算机可读存储器上包含处理器可执行的程序，所述程序用于执行方法，所述方法包括：
使用从输入接口接收的驾驶制图数据和车辆数据，针对每个预测时域，从由道路和转弯的序列形成的行进路线生成中间目标的序列，其中，所述中间目标的序列包括特定目标、附加的特定目标和可选目标；
使用所述车辆的运动的第一模型和所述道路上的交通车辆的运动的第一模型来测试每个中间目标的可行性，随之还确定所述中间目标通过满足交通状况和所述车辆的运动能力而实现，在实现所述中间目标之后，所述特定目标和所述附加的特定目标中的下一个目标也能够被实现；
使用所述车辆的运动的第二模型和所述交通车辆的运动的第二模型来计算用于每个可行的中间目标的轨迹，根据通过成本函数确定的数值来比较计算出的轨迹，并且确定满足对于所述车辆的移动、以及所述车辆与道路和交通车辆的相互作用的约束；
经由车辆控制器计算针对所述车辆的至少一个致动器的控制输入，以使得所述车辆运动生成与计算出的轨迹接近的轨迹；以及
经由至少一个致动控制器执行针对所述车辆的所述至少一个致动器的所述控制输入来修改所述车辆的运动，其中，所述方法的步骤使用所述车辆的处理器来实现。
CN201880094532.2A 2018-06-25 2018-12-05 车辆的控制系统、用于控制车辆的方法和非暂时性计算机可读存储器 Active CN112292646B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862689718P 2018-06-25 2018-06-25
US62/689,718 2018-06-25
US16/027,467 US10860023B2 (en) 2018-06-25 2018-07-05 Systems and methods for safe decision making of autonomous vehicles
US16/027,467 2018-07-05
PCT/JP2018/045582 WO2020003556A1 (en) 2018-06-25 2018-12-05 Control system of vehicle, method for controlling vehicle, and non-transitory computer readable memory

Publications (2)

Publication Number Publication Date
CN112292646A CN112292646A (zh) 2021-01-29
CN112292646B true CN112292646B (zh) 2024-02-20

Family

ID=68981727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880094532.2A Active CN112292646B (zh) 2018-06-25 2018-12-05 车辆的控制系统、用于控制车辆的方法和非暂时性计算机可读存储器

Country Status (5)

Country Link
US (1) US10860023B2 (zh)
EP (1) EP3610345B1 (zh)
JP (1) JP7150067B2 (zh)
CN (1) CN112292646B (zh)
WO (1) WO2020003556A1 (zh)

Families Citing this family (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11130497B2 (en) * 2017-12-18 2021-09-28 Plusai Limited Method and system for ensemble vehicle control prediction in autonomous driving vehicles
US11273836B2 (en) 2017-12-18 2022-03-15 Plusai, Inc. Method and system for human-like driving lane planning in autonomous driving vehicles
US20190185012A1 (en) 2017-12-18 2019-06-20 PlusAI Corp Method and system for personalized motion planning in autonomous driving vehicles
US11084490B2 (en) 2018-04-11 2021-08-10 Hyundai Motor Company Apparatus and method for controlling drive of vehicle
US11084491B2 (en) 2018-04-11 2021-08-10 Hyundai Motor Company Apparatus and method for providing safety strategy in vehicle
EP3569460B1 (en) 2018-04-11 2024-03-20 Hyundai Motor Company Apparatus and method for controlling driving in vehicle
US11548509B2 (en) * 2018-04-11 2023-01-10 Hyundai Motor Company Apparatus and method for controlling lane change in vehicle
EP3552901A3 (en) 2018-04-11 2020-04-29 Hyundai Motor Company Apparatus and method for providing safety strategy in vehicle
US11077854B2 (en) 2018-04-11 2021-08-03 Hyundai Motor Company Apparatus for controlling lane change of vehicle, system having the same and method thereof
US11351989B2 (en) 2018-04-11 2022-06-07 Hyundai Motor Company Vehicle driving controller, system including the same, and method thereof
US11334067B2 (en) 2018-04-11 2022-05-17 Hyundai Motor Company Apparatus and method for providing safety strategy in vehicle
US11597403B2 (en) 2018-04-11 2023-03-07 Hyundai Motor Company Apparatus for displaying driving state of vehicle, system including the same and method thereof
EP3552913B1 (en) 2018-04-11 2021-08-18 Hyundai Motor Company Apparatus and method for controlling to enable autonomous system in vehicle
EP3552902A1 (en) 2018-04-11 2019-10-16 Hyundai Motor Company Apparatus and method for providing a driving path to a vehicle
US11173910B2 (en) 2018-04-11 2021-11-16 Hyundai Motor Company Lane change controller for vehicle system including the same, and method thereof
US10843710B2 (en) 2018-04-11 2020-11-24 Hyundai Motor Company Apparatus and method for providing notification of control authority transition in vehicle
US11333503B2 (en) 2018-04-19 2022-05-17 Uatc, Llc Global and local navigation for self-driving
US10860025B2 (en) * 2018-05-15 2020-12-08 Toyota Research Institute, Inc. Modeling graph of interactions between agents
US10678245B2 (en) * 2018-07-27 2020-06-09 GM Global Technology Operations LLC Systems and methods for predicting entity behavior
EP3626553A1 (en) * 2018-09-18 2020-03-25 Ningbo Geely Automobile Research & Development Co. Ltd. Brake performance optimizer
US11077878B2 (en) 2018-11-02 2021-08-03 Zoox, Inc. Dynamic lane biasing
US11048260B2 (en) * 2018-11-02 2021-06-29 Zoox, Inc. Adaptive scaling in trajectory generation
US11208096B2 (en) 2018-11-02 2021-12-28 Zoox, Inc. Cost scaling in trajectory generation
US11110918B2 (en) 2018-11-02 2021-09-07 Zoox, Inc. Dynamic collision checking
US11755018B2 (en) * 2018-11-16 2023-09-12 Uatc, Llc End-to-end interpretable motion planner for autonomous vehicles
US11269330B2 (en) * 2018-11-28 2022-03-08 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for intersection management of connected autonomous vehicles
DE112019006282T5 (de) 2018-12-18 2021-10-14 Motional Ad Llc Betrieb eines Fahrzeugs unter Verwendung mehrerer Bewegungsbeschränkungen
DE112019004832T5 (de) * 2018-12-18 2021-06-24 Motional Ad Llc Betrieb eines Fahrzeugs unter Verwendung von Bewegungsplanung mit maschinellem Lernen
US11498587B1 (en) * 2019-01-25 2022-11-15 Amazon Technologies, Inc. Autonomous machine motion planning in a dynamic environment
US11300960B2 (en) * 2019-03-27 2022-04-12 Wipro Limited Method and device for navigating an autonomous vehicle
EP3730384B1 (en) * 2019-04-24 2022-10-26 Aptiv Technologies Limited System and method for trajectory estimation
US11415992B2 (en) * 2019-12-27 2022-08-16 Woven Planet North America, Inc. Resource prioritization based on travel path relevance
WO2021142799A1 (zh) * 2020-01-17 2021-07-22 华为技术有限公司 路径选择方法和路径选择装置
CA3165715A1 (en) 2020-01-23 2021-07-29 Bryan COPLEY Machine learning systems and methods for facilitating parcel combination
EP4099118A4 (en) * 2020-02-25 2023-01-25 Huawei Technologies Co., Ltd. VEHICLE CONTROL METHOD AND APPARATUS
EP3885226B1 (en) * 2020-03-25 2024-08-14 Aptiv Technologies AG Method and system for planning the motion of a vehicle
US11650590B2 (en) * 2020-03-26 2023-05-16 Mitsubishi Electric Research Laboratories, Inc. Adaptive optimization of decision making for vehicle control
US11755553B2 (en) * 2020-05-20 2023-09-12 Here Global B.V. Traffic-aware route decoding using a probabilistic encoding data structure
JP7122494B2 (ja) * 2020-05-22 2022-08-19 三菱電機株式会社 車両制御システム、車両統合制御装置、電子制御装置、ネットワーク通信装置、車両制御方法、および、車両制御プログラム
CN111797751B (zh) * 2020-06-29 2023-01-06 中国第一汽车股份有限公司 行人轨迹预测方法、装置、设备及介质
CN112015843B (zh) * 2020-09-02 2023-10-24 中国科学技术大学 基于多车意图交互结果的行车风险态势评估方法及系统
CN114516342B (zh) * 2020-11-19 2024-05-03 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆
US11708092B2 (en) * 2020-12-14 2023-07-25 Honda Motor Co., Ltd. Lane selection
US11780470B2 (en) * 2020-12-14 2023-10-10 Honda Motor Co., Ltd. Lane selection
US11760379B2 (en) * 2021-01-11 2023-09-19 Toyota Research Institute, Inc. Navigating an autonomous vehicle through an intersection
EP4272134A1 (en) * 2021-01-27 2023-11-08 Foretellix Ltd. Techniques for providing concrete instances in traffic scenarios by a transformation as a constraint satisfaction problem
US12030485B2 (en) 2021-01-28 2024-07-09 Motional Ad Llc Vehicle operation using maneuver generation
US20220234614A1 (en) * 2021-01-28 2022-07-28 Motional Ad Llc Sampling-based maneuver realizer
CN112810630B (zh) * 2021-02-05 2022-03-04 山东大学 一种自动驾驶车辆轨迹规划方法及系统
WO2022212433A1 (en) * 2021-03-31 2022-10-06 Denso Corporation Multi-dimensional extended trajectory planning with changing dimensionality based on horizon steps
CN112937608B (zh) * 2021-03-31 2022-06-21 吉林大学 一种基于轨迹预测的冰雪环境无人驾驶车辆一体化滚动决策方法、装置及存储介质
US20220326382A1 (en) * 2021-04-09 2022-10-13 Motional Ad Llc Adaptive point cloud generation for autonomous vehicles
DE112021007256T5 (de) 2021-05-14 2024-01-25 Mitsubishi Electric Corporation Verhaltensentscheidungsvorrichtung, verhaltensentscheidungsverfahren, verhaltensentscheidungsprogramm, entwurfsassistenzeinrichtung, entwurfsassistenzverfahren, und entwurfsassistenzprogramm
CN113320543B (zh) * 2021-06-29 2024-03-22 东软睿驰汽车技术（沈阳）有限公司 行车方法、装置、车辆及存储介质
EP4113241B1 (en) * 2021-07-01 2023-08-16 Volvo Autonomous Solutions AB Method and system for traffic control of a plurality of vehicles, in particular autonomous vehicles
CN113525365A (zh) * 2021-07-21 2021-10-22 上汽通用五菱汽车股份有限公司 道路规划方法、装置及计算机可读存储介质
CN114089668B (zh) * 2021-11-22 2023-11-07 大连理工大学 一种集成式移动机器人分布式控制方法
CN114291112B (zh) * 2021-12-30 2023-08-04 同济大学 一种应用于自动驾驶汽车的决策规划协同增强方法
CN114348026B (zh) * 2022-01-30 2023-11-28 中国第一汽车股份有限公司 一种车辆控制方法、装置、设备以及存储介质
CN114639246A (zh) * 2022-05-18 2022-06-17 哈尔滨工业大学 一种高速公路匝道合流区车路协同控制方法及系统
CN115099009B (zh) * 2022-05-31 2023-08-29 同济大学 一种基于推理图的混合交通流运动行为建模方法
US20230403369A1 (en) * 2022-06-10 2023-12-14 Ford Global Technologies, Llc Adaptive vehicle experience presentation
CN115140048B (zh) * 2022-06-28 2023-07-25 哈尔滨工业大学 一种自动驾驶行为决策与轨迹规划模型与方法
CN115995151B (zh) * 2023-03-06 2023-12-22 北京白龙马云行科技有限公司 应用于城市管理的网约车异常行为检测方法
CN116494993B (zh) * 2023-04-04 2024-06-21 同济大学 考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法
CN116946162B (zh) * 2023-09-19 2023-12-15 东南大学 考虑路面附着条件的智能网联商用车安全驾驶决策方法
CN117405131B (zh) * 2023-12-14 2024-02-23 中汽智联技术有限公司 偏转算法误差评定方法、设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1169566A (zh) * 1996-06-24 1998-01-07 三菱电机株式会社 车辆用路径导向装置及路径探索方法
CN104044593A (zh) * 2013-03-13 2014-09-17 福特环球技术公司 利用最佳速度曲线的路线导航
CN105424052A (zh) * 2014-09-16 2016-03-23 福特全球技术公司 随机可行驶里程
US9568915B1 (en) * 2016-02-11 2017-02-14 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous or semi-autonomous vehicle
CN106428009A (zh) * 2015-07-31 2017-02-22 福特全球技术公司 车辆轨迹确定
CN106897788A (zh) * 2015-10-16 2017-06-27 通用汽车环球科技运作有限责任公司 通过车辆远程信息处理/信息娱乐基础设施建立、传送和呈现的集中式管理的路径点
DE102016212292A1 (de) * 2016-01-28 2017-08-03 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Bereitstellen einer Plantrajektorie für ein Kraftfahrzeug
CN107139931A (zh) * 2016-03-01 2017-09-08 福特全球技术公司 基于交互式模型预测控制的自主车辆操作

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0520576D0 (en) * 2005-10-10 2005-11-16 Applied Generics Ltd Using traffic monitoring information to provide better driver route planning
US7877197B2 (en) * 2007-05-15 2011-01-25 The Boeing Company Systems and methods for real-time conflict-checked, operationally preferred flight trajectory revision recommendations
JP2009096365A (ja) 2007-10-17 2009-05-07 Fuji Heavy Ind Ltd リスク認識システム
US9530314B2 (en) * 2013-08-08 2016-12-27 Accenture Global Services Limited Dynamic ETA and STA transportation system
US9228851B2 (en) * 2014-02-21 2016-01-05 Volkswagen Ag Display of estimated time to arrival at upcoming personalized route waypoints
US9821801B2 (en) 2015-06-29 2017-11-21 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling semi-autonomous vehicles
US10002471B2 (en) * 2015-09-30 2018-06-19 Ants Technology (Hk) Limited Systems and methods for autonomous vehicle navigation
US10012984B2 (en) * 2015-12-14 2018-07-03 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous vehicles
US9915948B2 (en) 2016-07-14 2018-03-13 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling motion of vehicle
US10146224B2 (en) * 2016-11-09 2018-12-04 GM Global Technology Operations LLC Processor-implemented systems and methods for automated driving
US20180143641A1 (en) 2016-11-23 2018-05-24 Futurewei Technologies, Inc. Motion controlling method for an autonomous vehicle and a computer device
US10725470B2 (en) * 2017-06-13 2020-07-28 GM Global Technology Operations LLC Autonomous vehicle driving systems and methods for critical conditions
US20190286151A1 (en) * 2018-03-14 2019-09-19 GM Global Technology Operations LLC Automated driving systems and control logic for cloud-based scenario planning of autonomous vehicles
KR102423172B1 (ko) * 2018-03-20 2022-07-22 모빌아이 비젼 테크놀로지스 엘티디 차량의 항법을 위한 시스템 및 방법

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1169566A (zh) * 1996-06-24 1998-01-07 三菱电机株式会社 车辆用路径导向装置及路径探索方法
CN104044593A (zh) * 2013-03-13 2014-09-17 福特环球技术公司 利用最佳速度曲线的路线导航
CN105424052A (zh) * 2014-09-16 2016-03-23 福特全球技术公司 随机可行驶里程
CN106428009A (zh) * 2015-07-31 2017-02-22 福特全球技术公司 车辆轨迹确定
CN106897788A (zh) * 2015-10-16 2017-06-27 通用汽车环球科技运作有限责任公司 通过车辆远程信息处理/信息娱乐基础设施建立、传送和呈现的集中式管理的路径点
DE102016212292A1 (de) * 2016-01-28 2017-08-03 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Bereitstellen einer Plantrajektorie für ein Kraftfahrzeug
US9568915B1 (en) * 2016-02-11 2017-02-14 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous or semi-autonomous vehicle
CN107139931A (zh) * 2016-03-01 2017-09-08 福特全球技术公司 基于交互式模型预测控制的自主车辆操作

Also Published As

Publication number Publication date
US20190391580A1 (en) 2019-12-26
EP3610345A1 (en) 2020-02-19
WO2020003556A1 (en) 2020-01-02
EP3610345B1 (en) 2020-10-28
US10860023B2 (en) 2020-12-08
CN112292646A (zh) 2021-01-29
JP2021526478A (ja) 2021-10-07
JP7150067B2 (ja) 2022-10-07

Similar Documents

Publication Publication Date Title
CN112292646B (zh) 车辆的控制系统、用于控制车辆的方法和非暂时性计算机可读存储器
CN112840350B (zh) 自动驾驶车辆规划和预测
JP7345676B2 (ja) 自動または半自動運転車両の適応制御
US11169528B2 (en) Initial trajectory generator for motion planning system of autonomous vehicles
JP6837558B2 (ja) 自車両の制御方法及び自車両の制御システム
CN109415089B (zh) 控制车辆的控制器和方法以及非暂时性计算机可读存储器
Wei et al. A behavioral planning framework for autonomous driving
US20200050214A1 (en) Method, Computer Program Product, Computer-Readable Medium, Control Unit, and Vehicle Comprising the Control Unit for Determining a Collective Maneuver of at Least Two Vehicles
CN110834644A (zh) 一种车辆控制方法、装置、待控制车辆及存储介质
Liu et al. Enabling safe freeway driving for automated vehicles
JP7516358B2 (ja) 自動車のための経路および／または軌道を計画するためのデバイス
Schulz et al. Estimation of collective maneuvers through cooperative multi-agent planning
JP2022545755A (ja) 混合自律車両隊列の直接および間接制御
Ahn et al. Reachability-based decision-making for autonomous driving: Theory and experiments
Rewald et al. Cooperation of autonomous vehicles using a hierarchy of auction-based and model-predictive control
US20200310449A1 (en) Reasoning system for sensemaking in autonomous driving
Quirynen et al. Real-time mixed-integer quadratic programming for vehicle decision making and motion planning
Cai et al. Rule‐constrained reinforcement learning control for autonomous vehicle left turn at unsignalized intersection
Yuan et al. Scalable Game-Theoretic Decision-Making for Self-Driving Cars at Unsignalized Intersections
Mao et al. UCLF: An Uncertainty-Aware Cooperative Lane-Changing Framework for Connected Autonomous Vehicles in Mixed Traffic
Zechel et al. Over-approximation of the driver behavior as occupancy prediction
JP7275406B1 (ja) 通過地点生成装置
US20240308506A1 (en) System and Method for Vehicle Decision Making and Motion Planning using Real-time Mixed-Integer Programming
US20240157944A1 (en) Reinforcement learning for autonomous lane change
US20240116511A1 (en) Multi-policy lane change assistance for vehicle

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant