CN112805198A - 用于自主驾驶的个人驾驶风格学习 - Google Patents
用于自主驾驶的个人驾驶风格学习 Download PDFInfo
- Publication number
- CN112805198A CN112805198A CN201980065876.5A CN201980065876A CN112805198A CN 112805198 A CN112805198 A CN 112805198A CN 201980065876 A CN201980065876 A CN 201980065876A CN 112805198 A CN112805198 A CN 112805198A
- Authority
- CN
- China
- Prior art keywords
- driving style
- autonomous vehicle
- occupant
- machine learning
- preference profile
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000010801 machine learning Methods 0.000 claims abstract description 54
- 230000015654 memory Effects 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 description 31
- 238000012545 processing Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 210000004205 output neuron Anatomy 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 210000002364 input neuron Anatomy 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000036992 cognitive tasks Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 201000003152 motion sickness Diseases 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/18—Braking system
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/20—Steering systems
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/21—Voice
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/215—Selection or confirmation of options
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/221—Physiology, e.g. weight, heartbeat, health or special needs
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/223—Posture, e.g. hand, foot, or seat position, turned or inclined
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
-
- 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
- B60W2556/10—Historical data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Social Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
一种修改自主车辆的操作的方法,包括:机器学习模块接受与自主车辆的驾驶风格相关的输入;机器学习模块在操作期间接收乘员反馈;乘员反馈对机器学习模块进行训练以创建个人驾驶风格决策模型;使用个人驾驶风格决策模型来控制自主车辆的操作。还公开了自主车辆控制系统和计算机可读介质。
Description
相关申请的交叉引用
本申请要求于2018年12月10日提交的题为“Personal Driving Style Learningfor Autonomous Driving”的美国临时申请第62/777,655号的优先权,该美国临时申请的全部内容通过引用合并至本文中。
技术领域
本申请总体上涉及自主驾驶技术,并且更具体地,涉及用于自主车辆的运动控制系统和方法。
背景技术
如本文中所使用的,“自主车辆”指的是能够感测其环境并且在没有人为输入的情况下进行导航的所谓的4级自主车辆。这样的自主车辆可以使用各种技术检测其周围环境,并且自主车辆中的自主控制系统解析感测信息以识别合适的导航路径。
自主车辆包括向运动规划器提供输入以控制车辆操作的传感器。运动规划器基于感测到的操作状况控制车辆以安全地驾驶,但不考虑车辆操作期间乘员的舒适度,其通常是主观的个人感觉。现有技术的运动规划器通常不考虑与自主车辆的驾驶风格相关的主观乘员偏好。例如,自主车辆通常响应于传感器输入来保持在路线上、避开障碍物以及适应天气状况。然而,自主车辆并不基于乘员偏好来减速或调整加速度等。自主车辆制造商不能设计出针对每位乘员都令人满意地驾驶的自主车辆,因为各个乘员的偏好在制造时是不可知的,并且在任何情况下,都是随乘员而变化的。此外,甚至同一乘员在不同的驾驶状况下也有不同的舒适度要求。自主车辆通常不知道针对乘员在乘坐自主车辆时可能遇到的不同状况的这些舒适度要求,因此可能不能适应这些状况。由于不同乘员之间的主观差异,自主车辆的制造商不能设计出在所有状况下适合所有乘员的自主车辆的运动规划器。
发明内容
现在描述各种示例来以简化的形式介绍选择的概念,所述概念在下面的具体实施方式中进一步进行描述。发明内容不旨在标识所要求保护的主题的关键或必要特征,也不旨在用于限制所要求保护的主题的范围。
本文描述的系统和方法提供了用于自主车辆的运动规划器的驾驶风格模块,其中,驾驶风格模块提供对于个体而言是唯一的驾驶控制参数。在示例实施方式中,可以修改驾驶风格模块以表达自主车辆中的一个或更多个乘员的驾驶偏好。驾驶风格模块可以包括乘员的驾驶风格偏好简档以及机器学习模型以基于乘员反馈随时间调整驾驶参数。
本文描述的系统和方法包括至少两个主要特征。根据第一特征,收集与驾驶员的驾驶习惯相关的运动传感器数据以创建驾驶员的驾驶风格偏好简档,并且使用驾驶数据(视频、运动)来训练驾驶风格模型。在训练之后,将该驾驶风格模型存储在驾驶风格模块中。在自主车辆的操作期间,将驾驶风格偏好简档从驾驶风格模块提供给自主车辆的运动规划器以根据驾驶风格偏好简档来修改自主车辆的操作。根据第二特征,提供机器学习模块以使自主车辆的运动规划器能够接受与自主车辆的驾驶风格相关的乘员输入,其中,驾驶风格输入包括表示在操作期间的自主车辆速度、加速度、制动、转向等的数据。以与自主车辆的驾驶风格相关的反馈的形式提供乘员输入。使用乘员反馈来持续训练/更新机器学习模块以创建针对乘员的个人驾驶风格决策模型,来控制自主车辆的操作。在操作期间,运动规划器根据并发的驾驶状况提供一系列安全操作命令。例如,运动规划器可以基于乘员的个人驾驶风格偏好简档调整加速度范围(在4秒、5秒、6秒等内从0至60)以做出在安全命令范围内的符合乘员的个人驾驶风格偏好简档的加速度选择。在示例实施方式中,运动规划器提供具有安全范围的驾驶命令并且驾驶风格模型选择安全范围内的值以满足乘员的偏好。
根据本公开内容的第一方面,提供了一种基于乘员的驾驶风格决策模型来修改自主车辆的操作的计算机实现的方法。该方法包括:用于自主车辆的运动规划器的机器学习模块接受与自主车辆的驾驶风格相关的输入。驾驶风格输入包括表示在操作期间的自主车辆速度、加速度、制动和转向中的至少一者的数据。自主车辆的运动规划器的机器学习模块也在操作期间接收乘员反馈。乘员反馈与自主车辆的驾驶风格相关。乘员反馈对机器学习模块进行训练以创建针对乘员的个人驾驶风格决策模型,并且使用针对乘员的个人驾驶风格决策模型来控制自主车辆的操作。
根据本公开内容的第二方面,提供了一种基于乘员的驾驶风格偏好简档来修改自主车辆的操作的计算机实现的方法,该方法包括:收集与驾驶员的驾驶习惯相关的运动传感器数据以创建驾驶员的驾驶风格偏好简档;将驾驶风格偏好简档存储在驾驶风格模块中;以及从驾驶风格模块向自主车辆的运动规划器提供驾驶风格偏好简档以根据驾驶风格偏好简档来修改自主车辆的操作。
根据本公开内容的第三方面,提供了一种基于乘员的驾驶风格偏好简档来修改自主车辆的操作的自主车辆控制系统。自主车辆控制系统包括:运动传感器,其提供与驾驶员的驾驶习惯相关的运动传感器数据;处理器,其根据运动传感器数据来创建驾驶员的驾驶风格偏好简档;驾驶风格模块,其存储驾驶风格偏好简档;以及运动规划器,其从驾驶风格模块接收驾驶风格偏好简档,并且根据驾驶风格偏好简档来修改自主车辆的操作。
根据本公开内容的第四方面,提供了一种存储计算机指令的非暂态计算机可读介质,所述计算机指令用于基于乘员的驾驶风格偏好简档来修改自主车辆的操作,所述计算机指令在由一个或更多个处理器执行时使一个或更多个处理器执行以下步骤:收集与驾驶员的驾驶习惯相关的运动传感器数据以创建驾驶员的驾驶风格偏好简档;将驾驶风格偏好简档存储在驾驶风格模块中;并且从驾驶风格模块向自主车辆的运动规划器提供驾驶风格偏好简档以根据驾驶风格偏好简档来修改自主车辆的操作。
在前述方面的任一方面的第一实现方式中,乘员反馈由语音、触摸屏、智能电话输入、车辆内部传感器和/或乘员身上的可穿戴传感器提供,并且该反馈与在操作期间的自主车辆速度、加速度、制动和/或转向以及/或者在自主车辆操作期间的乘员舒适/不适相关。
在前述方面的任一方面的第二实现方式中,乘员反馈调整机器学习模块的成本函数。
在前述方面的任一方面的第三实现方式中,机器学习模块在自主车辆的操作之前或在自主车辆的操作期间接收来自乘员的个人驾驶风格决策模型的参数,并且机器学习模块在自主车辆的操作期间基于乘员反馈来修改个人驾驶风格决策模型。
在前述方面的任一方面的第四实现方式中,该方法还包括:识别自主车辆中的乘员并且将来自所识别的乘员的个人驾驶风格决策模型的参数加载到机器学习模块中。
在前述方面的任一方面的第五实现方式中,个人驾驶风格决策模型的参数被存储在乘员的存储设备中并且从存储设备被传送至机器学习模块。
在前述方面的任一方面的第六实现方式中,存储设备/驾驶风格模块包括密钥卡、智能电话以及基于云的存储器中的至少一者。
在前述方面的任一方面的第七实现方式中,该方法还包括:用于自主车辆的运动规划器的机器学习模块接受作为输入的驾驶风格偏好简档和与自主车辆的驾驶风格相关的输入,其中,驾驶风格输入包括表示在操作期间的自主车辆速度、加速度、制动和转向中的至少一者的数据;自主车辆的运动规划器的机器学习模块在操作期间接收乘员反馈,乘员反馈与自主车辆的驾驶风格相关;以及使用驾驶风格偏好简档和乘员反馈来训练机器学习模块以创建针对乘员的个人驾驶风格决策模型。
可以由与自主车辆的运动规划器相关联的一个或更多个处理器来执行该方法并且处理计算机可读介质上的指令,并且该方法和计算机可读介质上的指令的另外的特征由运动规划器的功能产生。此外,针对每个方面及其实现方式提供的说明同样适用于其他方面和相应的实现方式。不同的实施方式可以以硬件、软件或其任意组合实现。此外,前述示例中的任一示例可以与其他前述示例中的任一个或更多个示例相结合以产生在本公开内容的范围内的新的实施方式。
附图说明
在附图中,相似的附图标记可以描述在不同视图中的相似部件,附图不一定按比例绘制。附图通过示例而非限制的方式总体上示出了本文中讨论的各种实施方式。
图1示出了常规自主车辆驾驶控制架构的框图。
图2示出了常规自主车辆的常规运动规划器的输入。
图3示出了示例实施方式中的自主车辆的计算设备的示意图。
图4示出了机器学习模块的示例实施方式。
图5示出了示例实施方式中的适于包括个人驾驶风格模块的自主车辆驾驶控制架构的框图。
图6示出了根据第一示例实施方式的基于乘员的驾驶风格修改自主车辆的操作的方法的流程图。
图7示出了根据第二示例实施方式的基于乘员的驾驶风格修改自主车辆的操作的方法的流程图。
图8是示出根据示例实施方式的用于实现向自主车辆提供个性化驾驶风格模块的系统和方法的处理系统的形式的电路的框图。
具体实施方式
首先应当理解,尽管以下提供了一个或更多个实施方式的示例性实现方式,但是参照图1至图8描述的所公开的系统和/或方法可以使用任意数量的技术来实现,无论是当前已知的还是现有的。本公开内容绝不应当受限于包括本文示出和描述的示例设计和实现方式的以下示出的示例性实现方式、附图以及技术,而是可以在所附权利要求及其等同物的全部范围内进行修改。
本文描述的系统和方法使得能够通过将用于乘员的驾驶风格模型存储在乘员的智能设备(密钥卡、智能电话或其他设备)中或存储在云中来基于乘员的驾驶风格定制乘员在自主车辆中的乘坐。当乘员进入自主车辆时,驾驶风格偏好简档被加载至自主车辆(出租车、租赁车辆或共享车辆)中以使自主车辆将根据乘员的驾驶偏好操作。可替选地,如果自主车辆为乘员所拥有,则乘员的驾驶风格偏好简档可以被直接加载至自主车辆中。在任一情况下,可以基于用户乘坐在自主车辆中时的用户动作和响应来更新驾驶风格偏好简档。所述动作可以是向自主车辆的直接用户输入,或者是由自主车辆使用合适的传感器感测的动作。
图1示出了常规自主车辆驾驶控制架构100。如所示出的,自主车辆驾驶控制架构100包括感知系统102,该感知系统102包括感知自主车辆周围的环境并且向自主车辆驾驶控制架构100的相应功能单元提供控制输入的多个传感器。例如,对象类型和位置以及基于地图的定位和绝对定位数据与诸如车道、车道路径点、任务路径点等的地图属性105一起被提供给任务规划器104,以使得任务规划器104能够计算下一任务路径点、选择行为等。所计算的下一远程(千米数量级)任务路径点和所选择的行为与来自感知系统102的对象类型和位置以及基于地图的定位和绝对定位数据被提供给行为规划器106,行为规划器106计算粗略的机动选择和运动规划约束。行为规划器106还计算下一短程(50米至100米数量级)路径点。所计算的粗略的机动选择、运动规划约束以及所计算的下一短程路径点数据与来自感知系统102的对象数据和道路约束数据一起被提供给运动规划器108,以计算用于自主车辆的控制,包括期望的车辆速度和方向。使用所计算的控制110以常规方式控制自主车辆的合适的致动器。如果行为规划器106出于任何原因而发生故障,则故障分析和恢复规划器112向运动规划器108提供控制输入以采取合适的行动诸如将自主车辆安全地拖至道路一侧并且停止进一步的运动,直到可以采取校正措施。
图2示出了用于控制常规自主车辆200的图1的常规运动规划器108的示例输入。通常,如以上所指出的,针对自主车辆200的控制110包括期望的速度、曲率、加速度等,并且使用这些值来控制合适的致动器,从而控制自主车辆200的操作。如所示出的,针对运动规划器的控制输入可以包括诸如保持车道202、改变车道204、保持制动206、转弯208等的数据的子集。
图3示出了根据本公开内容的一个实施方式的计算设备300的示意图,该计算设备300被装备在自主车辆310中或者与自主车辆310通信耦接。自主车辆310可以是任何类型的车辆,包括但不限于汽车、卡车、摩托车、公共汽车、娱乐车辆、游乐园车辆、农用设备、施工设备、电车以及高尔夫球车。
如图3所示,计算设备300与传感器311的集合耦接。传感器311可以包括但不限于用于输入对道路状况的感知的摄像机、雷达/激光雷达单元、麦克风、激光单元等。传感器311还可以包括用于确定自主车辆310的纬度、经度以及/或者高度位置的地理定位设备诸如全球定位系统(Global Positioning System,GPS)接收器。也可以使用与传感器311耦接的其他定位设备诸如基于激光的定位设备、惯性辅助GPS或基于摄像机的定位设备来识别自主车辆310的位置。自主车辆310的位置信息可以包括绝对地理位置信息诸如纬度和经度,以及相对位置信息诸如相对于自主车辆附近的其他车辆的位置。
传感器311还可以向计算设备300提供当前环境信息。例如,当自主车辆310的前方出现意外障碍物时,传感器311收集与意外障碍物相关的当前环境信息并且向计算设备300提供所收集的环境信息。所收集的环境信息可以包括障碍物的大小、障碍物的运动方向以及障碍物的速度。
计算设备300还与自主车辆310的控制系统312耦接。计算设备300和控制系统312可以由自主车辆300的蓄电池或太阳能电池供电。计算设备300实现运动控制方法以沿着路径引导自主车辆310并且向自主车辆310的控制系统312提供运动信息(例如,包括姿态的路径信息)。自主车辆310的控制系统312根据所接收的运动和致动器控制信息来控制对自主车辆310的驾驶。
如图3所示,计算设备300可以包括处理器301、存储器302、无线通信接口303、传感器数据输入接口304、控制数据输出接口305以及通信通道306。处理器301、存储器302、无线通信接口303、传感器数据输入接口304以及控制数据输出接口305通过通信通道306彼此通信耦接。通信通道306包括但不限于支持FlexRay、控制器局域网(Controller AreaNetwork,CAN)以及共享线缆以太网的总线。计算设备300还可以包括通常存在于通用计算机中的其他设备。
传感器数据输入接口304与自主车辆310的传感器311耦接并且被配置成接收由传感器311生成的位置信息。控制数据输出接口305与自主车辆310的控制系统312耦接并且被配置成向控制系统312提供由计算设备300生成的运动和致动器控制信息。控制系统312根据所接收的由计算设备300生成的运动和致动器控制信息来控制自主车辆310的运动方向和速度。
无线通信接口303被配置成使用无线信号与其他车辆和传感器进行通信。通过针对专用短程通信(dedicated short-range communication,DSRC)开发的802.llp协议来承载在无线通信接口303与其他车辆/传感器之间传输的无线信号。无线通信接口303还可以使用包括例如长期演进(Long-Term Evolution,LTE)或第五代无线系统的其他协议来传输无线信号。
处理器301可以是任何常规的一个或更多个处理器,包括精简指令集计算(Reduced Instruction Set Computing,RISC)处理器、复杂指令集计算(ComplexInstruction Set Computing,CISC)处理器或前述的组合。可替选地,处理器301可以是专用设备诸如专用集成电路(application-specific integrated circuit,ASIC)。处理器301被配置成执行存储在存储器302中的指令。
存储器302可以存储处理器301可访问的信息,诸如可以由处理器301执行或以其他方式使用的指令和数据。存储器302可以是操作以存储处理器301可访问的信息的任何类型的存储器,包括计算机可读介质或者存储可以借助电子设备被读取的数据的其他介质。存储器302的示例包括但不限于硬盘驱动器、存储卡、只读存储器(read-only memory,ROM)、随机存取存储器(random-access memory,RAM)、数字视频盘(digital video disc,DVD)或其他光盘以及其他的能写和只读存储器。系统和方法可以包括前述的不同组合,由此将指令和数据的不同部分存储在不同类型的介质上。
存储在存储器302中的指令可以是由处理器301直接执行的诸如机器代码的或者由处理器301间接执行的诸如脚本的任何指令集。例如,指令可以作为计算机代码存储在计算机可读介质上。在这方面,术语“指令”和“程序”在本文可以互换地使用。所述指令可以以目标代码格式来存储以由处理器301直接处理,或者以包括按需解析或预先编译的独立源代码模块的集合或脚本的任何其他计算机语言来存储。在美国公开第2018/0143641号中更详细地说明了指令的功能、方法以及例程,该美国公开的内容通过引用合并至本文中。
计算设备300生成的运动信息包括两种运动信息,即高级运动信息和低级运动信息。运动信息指示自主车辆310的正在进行的运动。
图3还示出了由处理器302在执行存储在存储器301中的指令时所生成的应用处理的逻辑功能框图。应用处理包括至少三个功能模块,即轨迹规划器320、运动规划器330以及控制器340。轨迹规划器320被配置成基于接收到的输入信息和预设轨迹生成算法来生成针对自主车辆310的高级运动信息。轨迹规划器320接收的输入信息包括起始点、当前位置、目的地、导航信息以及环境信息。导航信息包括地图数据。环境信息包括交通统计数据和静态障碍物数据。轨迹生成算法包括由轨迹规划器320使用以根据输入信息生成多个可能的路径的动态规划(Dynamic Programming,DP)方法。轨迹规划器320生成的每个路径包括一系列路径点。每个路径点都具有由p(x,y)表示的位置值,其中,p(x,y)中的符号x指示地图的水平轴线上的值,并且p(x,y)中的符号y指示地图的垂直轴线上的值。两个相邻路径点之间的距离为大约50米至150米。
在示例实施方式中,轨迹规划器320接收起始点、当前位置(粗略位置值)、目的地、导航信息以及环境信息并且向运动规划器330输出包括详细的当前位置值的所选路径和下一路径点。运动规划器330输出包括多个姿态的路径信息以用于控制自主车辆的操作。
当自主车辆310从起始点运动至目的地时,轨迹规划器320可以与控制器340进行多次通信。在这种情况下,自主车辆310的当前位置代替输入信息中的起始点。由传感器311提供的粗略位置值指示自主车辆310的当前位置。粗略位置值指示位于通过地图中的两个连续路径点构成的路段中的位置。在控制器340向轨迹规划器320输入指示自主车辆310的当前位置的粗略位置值之后,轨迹规划器320可以基于其他输入约束例如静态障碍物来针对所接收的每个粗略位置值计算多个可能的路径,并且多个可能的路径中的每一个以接近当前位置的路径点开始并且在目的地处结束。轨迹规划器320根据预设策略从多个可能的路径中选择路径。轨迹规划器320进一步确定最接近当前位置并且在所选择的路径上的路径点。轨迹规划器320输出所选择的路径和所确定的路径点作为高级运动信息。
最接近当前位置并且在所选择的路径上的路径点称为“下一路径点”。下一路径点被认为是自主车辆310在最短控制时段内到达的目的地。换句话说,下一路径点是针对当前低级路径规划的目的地。运动规划器330可以将下一路径点用作输入以生成低级运动信息。低级路径规划提供用于自主车辆310到达下一路径点的低级运动信息。
运动规划器330被配置成基于由传感器311提供的详细位置值、由轨迹规划器320生成的下一路径点以及预设运动生成算法来生成针对自主车辆310的低级运动信息。有时,运动规划器330接收的输入信息还包括由传感器311提供的障碍物信息。障碍物可以是静态障碍物或运动的障碍物。当障碍物是静态障碍物时,障碍物信息包括详细的位置信息,包括形状、大小等。当障碍物是运动的障碍物诸如道路上的车辆时,障碍物信息包括详细的位置信息、朝向值、速度值等。预设运动生成算法包括一起生成用于控制自主车辆310的操作的低级运动信息的混合A*、A*、D*以及R*。
针于输入信息集合,运动规划器330基于所接收的下一路径点和自主车辆310的当前位置来计算路径信息。路径信息包括多个姿态,所述多个姿态使得自主车辆310能够从自主车辆310的当前位置值指示的位置运动至逐步接收到的下一路径点。每个姿态的数据结构被表示为向量P(p(x,y),s(x,y),h(θ))。向量P中的p(x,y)指示路径中的位置值。例如,p(x,y)中的符号x指示地图的水平轴线上的值,并且p(x,y)中的符号y指示地图的垂直轴线上的值。向量P中的s(x,y)分别指示自主车辆310沿水平轴线和沿垂直轴线的速度。向量P中的h(θ)指示自主车辆310的运动方向。运动规划器330输出包括多个姿势的路径信息作为低级运动信息。
基于自主车辆310的大致运动速度和预设要求来确定由运动规划器330输出的多个姿态,以精确地控制自主车辆310的运动。例如,预设要求可以是自主车辆310的每一秒运动需要10个姿势。在一个示例中,在通过自主车辆310的详细当前位置值指示的当前位置与由轨迹规划器320生成的下一路径点之间的距离为大约100米,并且自主车辆310的大致运动速度为36千米/小时(10米/秒)。因此,自主车辆310从当前位置运动至由轨迹规划器320生成的下一路径点需要10秒,并且运动规划器320需要输出100个姿态。
控制器340被配置成接收从传感器311发送的数据并且根据从传感器311发送的数据和预设算法来确定目标车辆是否在自主车辆310到下一路径点的路线上。控制器340还被配置成基于不同的输入信息和不同的道路状况与轨迹规划器320和运动规划器330进行通信。控制器340还可以被配置成通过无线通信接口303与目标车辆进行通信。
在示例实施方式中,以上描述的类型的自主车辆进一步被修改以收集驾驶风格数据。收集驾驶风格数据以学习驾驶员的驾驶习惯,并且然后使用该数据来设置自主车辆的驾驶风格。通常,自主车辆的驾驶风格不是由制造商设置的,并且不提供用于针对驾驶员/乘员的偏好来定制自主车辆的驾驶风格的机制。驾驶风格数据是从传感器311以及乘员传感器350收集的,包括加速度计中的运动传感器、智能电话应用中的陀螺仪数据、移动电话摄像机、安装在车辆中以感测乘员状况的传感器或摄像机附件数据。所收集的驾驶风格数据包含例如驾驶视频、运动数据、时间戳数据等。加速度计还可以测量在x、y以及z方向上的运动的线性加速度,而陀螺仪测量旋转角速度并且摄像机提供道路和天气状况。也可以收集激光雷达和其他传感器输入作为驾驶风格数据的一部分。
在示例实施方式中,所收集的驾驶风格数据表示当车辆不处于自主模式时的驾驶状况。换句话说,所收集的驾驶数据包括在乘员驾驶车辆时收集的驾驶参数。然而,驾驶数据也可以包括在自主驾驶期间收集的通过用于加速、减速、更缓慢地加速等的命令的形式的乘员反馈所调整的驾驶参数。在示例实施方式中,乘员反馈可以由以下提供:智能电话应用、由语音识别设备接收的乘员指令以及/或者经由车辆中的乘员触摸屏界面提供的控制输入。乘员反馈也可以使用车辆内的传感器或者从乘员可穿戴设备被动地收集,所述乘员可穿戴设备测量乘员的血压、心率以及代表乘员舒适度的其他生物数据。这样收集的驾驶风格数据被提供给机器学习模块360,机器学习模块360可以是所示出的计算机300的一部分或者可以位于用户的智能电话或其他计算机设备中或者位于云中。机器学习模块360接收并且处理驾驶风格数据以训练个人驾驶风格决策模型。
当训练个人驾驶风格决策模型时,乘员输入(来自传感器或直接乘员反馈)被视为强化学习模型中的用于驾驶数据抽象的成本回报函数。乘员能够使用预定义的选择集诸如“喜欢”、“不喜欢”、“太快”、“太慢”、“害怕”、“晕车”等来注释当前驾驶状态。强化学习驾驶风格模型将在乘员作为乘客乘坐车辆以及在可能的情况下在乘员驾驶车辆时被持续更新。一旦对驾驶风格模型进行训练,则可以减小驾驶风格模型的大小并且从驾驶风格模型中移除仅训练操作符。然后,驾驶风格模型可以被固定在较小的大小并且被存储至设备。例如,驾驶风格模型将被存储在驾驶风格模块370中并且被用于在持续的乘员反馈和驾驶风格模型的更新的情况下控制自主车辆的操作。驾驶风格模块370可以保留在车辆中,或者可以是便携式的,使得乘员可以在乘坐时向每个自主车辆提供个性化驾驶风格模块370。例如,驾驶风格模块370可以被存储在智能钥匙(fob)、乘员的智能电话中,或者可以被存储在云中并且可以根据需要来访问。当然,在乘员的驾驶风格可能与最佳驾驶实践相冲突的情况下,自主车辆将超控(override)驾驶风格模型以优先考虑乘员的安全。在示例实施方式中,运动规划器提供具有安全范围的驾驶命令并且驾驶风格模型选择安全范围内的值以满足乘员的偏好。
图4示出了机器学习模块的示例实施方式。机器学习模块是可以适于执行传统地需要活的行为者诸如人的认知任务的人工智能(artificial intelligence,AI)决策系统。机器学习模块可以包括人工神经网络(artificial neural network,ANN),ANN是松散地模拟生物神经元的计算结构。通常,ANN经由节点(例如,神经元)之间的加权连接(例如,突触)对信息(例如数据或决策)进行编码。现代ANN是诸如自动化感知(例如,计算机视觉、语音识别、情境感知等)、自动化认知(例如,决策、物流、路由、供应链优化等)以及自动化控制(例如,自主汽车、无人机、机器人等)等的许多AI应用的基础。
许多ANN被表示为对应于模型化连接的权重的矩阵。ANN通过将数据接受到输入神经元的集合中来进行操作,所述输入神经元的集合通常具有到其他神经元的许多传出连接。在神经元之间的每次遍历中,相应的权重对输入进行修改并且在目标神经元处对照阈值来测试相应的权重。如果加权值超过阈值,则该值被再次加权,或者通过非线性函数进行变换并且被传输至ANN图更下方的另一神经元——如果没有超过阈值,则该值通常不被传输至图下方的神经元并且突触连接保持不活动。加权和测试的处理持续,直到到达输出神经元。输出神经元的模式和值构成ANN处理的结果。
大多数ANN的正确操作依赖于正确的权重。然而,ANN设计者通常不知道哪些权重将适用于给定的应用。替代地,使用训练处理来得到合适的权重。ANN设计者通常选择多个神经元层或包括圆形连接的层之间的特定连接,但是ANN设计者通常不知道哪些权重将适用于给定的应用。替代地,训练处理通常通过选择初始权重来进行,所述初始权重可以被随机地选择。训练数据被馈送到ANN中并且将结果与提供误差指示的目标函数进行比较。误差指示是ANN的结果与预期结果相比的错误程度的度量。然后,该误差被用于校正权重。经过多次迭代,权重将总体地收敛以将操作数据编码至ANN中。该处理可以称为目标函数(例如,成本或损失函数)的优化,由此成本或损失被最小化。
通常使用梯度下降技术来执行目标函数优化。关于层参数(例如,权重的方面)来计算梯度(例如,偏导数)以提供校正的方向和可能的程度,但是不会使得单次校正即将权重设置成“正确”值。即,经由若干次迭代,权重将朝向“正确的”或操作上有用的值移动。在一些实现方式中,所述移动的量或步长是固定的(例如,在各个迭代之间是相同的)。小的步长趋于花费长时间来收敛,而大的步长可能会在正确值附近振荡或呈现出其他不期望的行为。可以尝试可变步长以提供更快的收敛,而没有大步长的缺点。
反向传播是以下技术:训练数据通过ANN被正向馈送——这里的“正向”意指数据从输入神经元开始并且遵循神经元连接的有向图直到到达输出神经元——并且目标函数通过ANN被反向应用以校正突触权重。在反向传播处理的每一步处,前一步的结果被用于校正权重。因此,输出神经元校正的结果被应用于连接至该输出神经元的神经元,如此等等,直到到达输入神经元。反向传播已经成为训练各种ANN的普遍技术。
图4示出了根据实施方式的包括用于神经网络训练的系统的环境的示例。该系统包括使用处理节点402被训练的ANN 400。处理节点402可以是CPU、GPU、现场可编程门阵列(field programmable gate array,FPGA)、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)或其他处理电路诸如图3的处理器301。在示例中,可以使用多个处理节点训练ANN 400的不同层或者甚至层内的不同节点404。因此,处理节点404的集合被布置成执行对ANN 400的训练。
处理节点404的集合被布置成接收用于ANN 400的训练集406。ANN 400包括布置在层中的节点404的集合(示出为节点404的行)和在节点404的集合中的节点404之间的节点间权重408(例如,参数)的集合。在示例中,训练集406是完整训练集的子集。此处,该子集可以使具有有限存储资源的处理节点404能够参与训练ANN 400。
训练数据可以包括表示域的多个数值,诸如以上提到的驾驶风格参数。一旦对ANN400进行训练,则训练的每个值或要分类的输入410被提供给ANN 400的第一层或输入层中的相应节点404。值传播通过各层并且通过目标函数被改变。
如以上所指出的,处理节点404的集合被布置成训练神经网络以创建经训练的神经网络。例如,一旦被训练,输入至ANN 400中的数据将产生有效的分类412(例如,输入数据410将被分配到类别中)。通过处理节点404的集合执行的训练是迭代的。在示例中,在ANN400的层之间独立地执行对神经网络的训练的每次迭代。因此,处理节点404的集合的不同成员可以并行地处理两个不同的层。在示例中,在不同的硬件上训练ANN 400的不同层。处理节点404的集合的不同成员中的成员可以位于不同的封装件、壳体、计算机、基于云的资源等中。在示例中,在节点404的集合中的节点404之间独立地执行训练的每次迭代。在示例中,在不同的硬件上训练节点404。
因此,在乘员的驾驶期间或者在具有来自乘员的反馈的自主车辆的驾驶期间收集的驾驶风格参数被提供给图4所示出的机器学习模块360以提供分类412,该分类412成为针对乘员的驾驶风格模型。该驾驶风格模型被存储在驾驶风格模块370中并且用于修改运动规划器330的操作以反映如存储在驾驶风格模块370中的参数所反映的乘员的偏好和舒适度。例如,如图5所示,已经通过乘员的驾驶风格参数进行训练的驾驶风格模块370连接至自主车辆控制系统,以向运动规划器108提供驾驶风格参数从而修改致动参数110以反映乘员的驾驶风格。
如以上所指出的,驾驶风格模块370可以保留在车辆中或者可以被存储在存储设备诸如智能钥匙、智能电话或可访问的云存储器中,以在乘员乘坐自主车辆310时使用。根据需要,驾驶风格模块可以被插入或者数据可以经由无线通信接口303的传感器数据输入接口304被传输至计算机300。可替选地,自主车辆310中的传感器370可以根据密钥卡、登录数据、经由面部识别、虹膜识别、语音识别等识别乘员,并且从驾驶风格模块370自动下载驾驶员(乘员)的驾驶风格参数。如果不确定,系统可以要求乘员识别自己并且/或者插入驾驶风格模块370或以其他方式提供驾驶风格参数。机器学习模块360的成本函数将在车辆操作期间基于直接乘员反馈或来自心率检测器等的被动反馈来持续被修改,并且驾驶风格模型将被修改,驾驶风格模块370相应地被更新。
认识到,为了使商用自主车辆满足乘员舒适度,该商用自主车辆必须是自适应性的,因为一个驾驶风格模型不能满足所有乘员。在这样的情况下,如以上所描述,将随时间来训练驾驶风格模块370,并且当乘员乘坐自主车辆时,驾驶风格模块370将被注入到运动规划器108中。然后,运动规划器108将使用存储在驾驶控制模块370中的驾驶控制模型的参数来生成用于自主车辆的致动参数110。以此方式,个人驾驶风格模块370将个性化驾驶风格参数注入到自主驾驶汽车、家庭汽车、商业共享汽车、出租车等中。在示例实施方式中,个人驾驶风格模块370将被训练并且被存储在乘员的移动电话或密钥卡中,并且然后在行程开始之前被加载到自主车辆的运动规划器108中。适当时,驾驶风格模块可以在自主车辆310的不同乘员之间共享。
图6示出了根据第一示例实施方式的基于乘员的驾驶风格修改自主车辆的操作的方法的流程图。所示出的处理可以完全在处理器301(图3)上实现,或者训练处理可以被离线实现以创建个性化驾驶风格模块370,个性化驾驶风格模块370被传送至自主车辆310以在操作期间实现合适的控制操作。如所示出的,处理在600处开始,在602处乘员基于向输入设备的输入、对密钥卡的识别、从乘员的智能电话的通信以及/或者通过使用面部识别、语音识别、虹膜识别或其他识别技术对乘员的感测识别来识别自己。一旦乘员被识别,在604处,用于自主车辆310的运动规划器330的机器学习模块360接受与乘员的驾驶风格相关的输入。在示例实施方式中,驾驶风格输入包括表示在操作期间的车辆速度、加速度、制动以及/或者转向的数据。在操作期间,自主车辆310的运动规划器330的机器学习模块360也可以接收与自主车辆310的驾驶风格相关的乘员反馈。在示例实施方式中,反馈数据可以是在传感器数据输入接口304处由乘员通过语音、触摸屏、智能电话输入等提供的主动反馈数据606和/或由传感器350诸如摄像机、乘员可穿戴设备、车辆内部传感器等从乘员收集的被动反馈数据608。反馈与在操作期间的自主车辆速度、加速度、制动和转向以及在自主车辆操作期间的乘员舒适/不适相关。在610处,由机器学习模块360在操作期间接收反馈数据,并且在612处使用反馈数据来调整成本函数以训练机器学习模块360,从而创建针对乘员的个人驾驶风格决策模型。在614处,将个人驾驶风格决策模型存储在存储器616中,存储器616可以包括密钥卡、智能电话、基于云的存储设备等。在618处,使用针对乘员的个人驾驶风格决策模型来控制自主车辆的操作。
图7示出了根据第二示例实施方式的通过注入乘员的驾驶风格偏好简档数据来修改自主车辆的操作的方法的流程图。所示出的处理可以完全在处理器301(图3)上实现,或者个性化驾驶风格模块370可以被离线创建并且被传送至自主车辆310以用于实现合适的控制操作。如所示出的,该处理在700处开始,在702处收集与驾驶员的驾驶习惯相关的运动传感器数据,从而在704处创建驾驶员的驾驶风格偏好简档。在706处,将驾驶风格偏好简档存储在驾驶风格模块708中,并且在710处将驾驶风格偏好简档提供给自主车辆的运动规划器,以在注入驾驶风格偏好简档时修改自主车辆的操作。然后,在712处,基于从运动规划器接收的参数调整车辆的运动。在该实施方式中,驾驶风格模块708可以在车辆操作期间被注入到运动规划器中,无论图6的实施方式中提供的反馈操作的可用性如何。
因此,本文所描述的系统和方法通过针对乘坐体验提供一定程度的个性化来向自主车辆的乘员提供提高的舒适度。在各种实施方式中,自主车辆制造商将提供用于驾驶风格模块370的通信机制和/或插入式插槽,使得驾驶风格模型的个性化参数可以被动态地传送至自主车辆的运动规划器108。当然,个人驾驶风格模块加载机制应当具有围绕行业标准安全协议的足够的安全防范措施,以在安全地注入驾驶风格参数的同时防止注入不适当的数据。
图8是示出根据示例实施方式的用于实现如以上参照图1至图7所描述的向自主车辆提供个性化驾驶风格模块的系统和方法的处理系统的形式的电路的框图。在各种实施方式中不需要使用所有部件。计算机800形式的一个示例计算设备可以包括处理单元802、存储器803、高速缓存807、可移动存储装置811以及不可移动存储装置822。尽管示例计算设备被示出并且描述为计算机800,但是在不同的实施方式中,计算设备可以是不同形式的。例如,计算设备可以是图3的计算机300,或者替代地,可以是智能电话、平板电脑、智能手表或包括与关于图3所示出和描述的元件相同或相似的元件的其他计算设备。设备诸如智能电话、平板电脑以及智能手表通常统称为移动设备或用户设备。此外,尽管各种数据存储元件被示出为计算机800的一部分,但是存储装置也可以或可替选地包括可以经由网络访问的基于云的存储装置,诸如基于因特网或服务器的存储装置。
存储器803可以包括易失性存储器814和非易失性存储器808。计算机800还可以包括或者可以访问计算环境,所述计算环境包括各种计算机可读介质,诸如易失性存储器814和非易失性存储器808、可移动存储装置811和不可移动存储装置822。计算机存储装置包括随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(erasableprogrammable read-only memory,EPROM)或电可擦除可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、闪存或其他存储技术、光盘只读存储器(compact disc read-only memory,CD ROM)、数字多功能盘(Digital VersatileDisk,DVD)或其他光盘存储装置、磁带盒、磁带、磁盘存储装置或其他磁存储装置或能够存储计算机可读指令的任何其他介质。
计算机800可以包括或者可以访问计算环境,所述计算环境包括输入接口826、输出接口824以及通信接口816。输出接口824可以包括显示设备诸如触摸屏,所述显示设备也可以用作输入设备。输入接口826可以包括以下中的一个或更多个:触摸屏、触摸板、鼠标、键盘、摄像机、一个或更多个设备专用按钮、集成在计算机800内或经由有线或无线数据连接而耦接至计算机800的一个或更多个传感器以及其他输入设备。计算机800可以在使用用于连接至一个或更多个远程计算机的通信连接而在联网环境中操作,所述一个或更多个远程计算机可以包括个人计算机(personal computer,PC)、服务器、路由器、网络PC、对等设备或其他常见的DFD网络交换机等。所述通信连接可以包括局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)、蜂窝网、Wi-Fi、蓝牙或其他网络。根据一个实施方式,计算机800的各种部件与系统总线820连接。
存储在计算机可读介质上的计算机可读指令可以由计算机800的处理单元802执行,诸如程序818。在一些实施方式中,程序818包括软件,所述软件在由处理单元802执行时根据本文包括的任何实施方式执行驾驶风格操作。硬盘驱动器、CD-ROM以及RAM是包括非暂态计算机可读介质诸如存储设备的物品的一些示例。在载波被认为是暂态的程度上,术语计算机可读介质和存储设备不包括载波。存储装置还可以包括联网存储装置,诸如存储区域网络(storage area network,SAN)。计算机程序818还可以包括指令模块,所述指令模块在处理时使处理单元802执行本文所描述的一个或更多个方法或算法。
尽管以上已经详细描述了一些实施方式,但是其他修改也是可能的。例如,附图中描绘的逻辑流程不要求以所示出的特定顺序或连续顺序来实现期望的结果。可以提供其他步骤,或者可以从所描述的流程中去除步骤,并且可以向所描述的系统添加其他部件,或者从所描述的系统中移除其他部件。其他实施方式可以在所附权利要求的范围内。
还应当理解,包括一个或更多个计算机可执行指令的软件可以安装在符合本公开内容的一个或更多个计算设备中并且与符合本公开内容的一个或更多个计算设备一起出售,所述一个或更多个计算机可执行指令有助于如上参考本公开内容的任一步骤或所有步骤描述的处理和操作。可替选地,可以获得软件并且将其加载到一个或更多个计算设备中,包括通过物理介质或分配系统,包括例如从软件创建者所拥有的服务器或从并非由软件创建者拥有但由软件创建者使用的服务器来获得软件。例如,软件可以被存储在服务器上以通过因特网进行分配。
此外,本领域技术人员将理解,本公开内容的应用中不限于说明书中阐述的或附图中示出的构造细节和部件布置。本文中的实施方式能够是其他实施方式,并且能够以各种方式实践或执行。此外,应当理解,本文使用的措辞和术语是出于描述的目的并且不应当被认为是限制性的。本文使用的“包括(including)”、“包含(comprising)”或“具有(having)”及其变型意在涵盖其后列出的项及其等同物以及另外的项。除非另有限制,否则本文中的术语“连接”、“耦接”以及“安装”及其变型被广泛使用,并且涵盖直接和间接的连接、耦接以及安装。另外,术语“连接”和“耦接”及其变型不限于物理或机械连接或耦接。
根据所示出的实施方式采用的示例性设备、系统以及方法的组成要素可以至少部分地以数字电子电路、模拟电子电路或以计算机硬件、固件、软件或其组合实现。例如,这些组成要素可以实现为计算机程序产品诸如有形地包含在信息载体或机器可读存储设备中的计算机程序、程序代码或计算机指令,以由数据处理设备诸如可编程处理器、一台计算机或多台计算机执行或控制上述的数据处理设备的操作。
计算机程序可以以包括编译或解析语言的任何形式的编程语言编写,并且它可以以任何形式来部署,包括作为独立程序或作为模块、部件、子例程或适合在计算环境中使用的其他单元。计算机程序可以被部署成在一台计算机上或者在一个站点处的或跨多个站点分布并通过通信网络互连的多台计算机上执行。此外,本文所描述的技术所属领域的程序员可以容易地将用于实现本文所描述的技术的功能性程序、代码以及代码段理解为在权利要求的范围内。与示例性实施方式相关联的方法步骤可以通过由一个或更多个可编程处理器执行计算机程序、代码或指令以执行功能(例如,通过对输入数据进行操作并且/或者生成输出)来执行。例如,方法步骤也可以由专用逻辑电路例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)执行,并且用于执行这些方法的装置可以被实现为上述的专用逻辑电路。
结合本文公开的实施方式描述的各种示例性逻辑块、模块以及电路可以通过以下来实现或执行:通用处理器、数字信号处理器(DSP)、ASIC、FPGA或其他可编程逻辑器件、分立的门或晶体管逻辑、分立硬件部件或被设计成执行本文所描述的功能的其任意组合。通用处理器可以是微处理器,但是可替选地,处理器可以是任何常规的处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如DSP和微处理器的组合、多个微处理器、一个或更多个微处理器与DSP内核的结合、或者任何其他这样的配置。
适用于执行计算机程序的处理器包括作为示例的通用微处理器和专用微处理器二者以及任何种类的数字计算机的任一个或更多个处理器。通常,处理器将从只读存储器或随机存取存储器或从上述两者接收指令和数据。所需的计算机元件是用于执行指令的处理器和用于存储指令和数据的一个或更多个存储设备。通常,计算机还将包括或可操作地耦接至用于存储数据的一个或更多个大容量存储设备例如磁盘、磁光盘或光盘以从其接收数据或向其传送数据或两者兼具。适用于包含计算机程序指令和数据的信息载体包括所有形式的非易失性存储器,包括作为示例的半导体存储设备,例如电可编程只读存储器或ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存设备以及数据存储盘(例如,磁盘、内部硬盘或可移动盘、磁光盘以及CD-ROM和DVD-ROM盘)。处理器和存储器可以由专用逻辑电路补充或结合到专用逻辑电路中。
本领域技术人员理解,可以使用各种不同工艺和技术中的任何工艺和技术来表示信息和信号。例如,贯穿以上描述所提及的数据、指令、命令、信息、信号、比特、符号以及芯片可以由电压、电流、电磁波、磁场或粒子、光场或粒子或其任意组合表示。
如本文所使用的,“机器可读介质”意指能够暂时地或永久地存储指令和数据的设备,并且可以包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、缓冲存储器、闪存、光学介质、磁介质、高速缓冲存储器、其他类型的存储装置(例如,可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EEPROM)以及/或者其任何合适的组合。术语“机器可读介质”应被视为包括能够存储处理器指令的单个介质或多个介质(例如,集中式或分布式数据库,或相关联的高速缓存和服务器)。术语“机器可读介质”还应被视为包括能够存储由一个或更多个处理器802执行的指令的任何介质或多种介质的组合,以使所述指令在由一个或更多个处理器802执行时使一个或更多个处理器802执行本文所描述的任一种或更多种方法。因此,“机器可读介质”是指单个存储装置或设备以及包括多个存储装置或设备的“基于云”的存储系统。
本领域技术人员将理解,虽然在示例实施方式中已经结合提供用于自主车辆的驾驶风格管理的方法描述了示例实施方式,但是本文所描述的公开内容不限于此。例如,本文所描述的技术可以用于收集并且向仅部分自主的车辆提供驾驶风格偏好。例如,驾驶风格参数可以被存储并且用于管理标准非自主车辆的巡航控制操作。
另外,在不脱离本公开内容的范围的情况下,在各种实施方式中描述并且示出为分开或单独的技术、系统、子系统以及方法可以与其他系统、模块、技术或方法组合或结合。示出或讨论为彼此耦接或彼此直接耦接或彼此通信的其他项可以通过无论是电气的、机械的还是以其他方式的某个接口、设备或中间部件来间接耦接或通信。在不脱离本文公开的精神和范围的情况下,本领域技术人员可以确定并且可以进行变化、替换以及变更的其他示例。
尽管已经参考本公开内容的具体特征和实施方式描述了本公开内容,但是明显的是,在不脱离本公开内容的范围的情况下,可以对其进行各种修改和组合。因此,说明书和附图仅被视为对由所附权利要求限定的本公开内容的示出,并且被预期为涵盖落入本公开内容范围内的任何和所有修改、变型、组合或等同物。
Claims (24)
1.一种基于乘员的驾驶风格决策模型来修改自主车辆的操作的计算机实现的方法,包括:
用于所述自主车辆的运动规划器的机器学习模块接受与所述自主车辆的驾驶风格相关的输入,所述驾驶风格输入包括表示在操作期间的自主车辆速度、加速度、制动和转向中的至少一者的数据;
所述自主车辆的所述运动规划器的所述机器学习模块在操作期间接收乘员反馈,所述乘员反馈与所述自主车辆的所述驾驶风格相关;
所述乘员反馈对所述机器学习模块进行训练以创建针对所述乘员的个人驾驶风格决策模型;以及
使用针对所述乘员的所述个人驾驶风格决策模型来控制所述自主车辆的操作。
2.根据权利要求1所述的方法,其中,所述乘员反馈由语音、触摸屏、智能电话输入、车辆内部传感器以及所述乘员身上的可穿戴传感器中的至少一者提供,并且所述乘员反馈与在操作期间的自主车辆速度、加速度、制动和转向以及在自主车辆操作期间的乘员舒适/不适中的至少一者相关。
3.根据权利要求1所述的方法,其中,所述乘员反馈调整所述机器学习模块的成本函数。
4.根据权利要求1所述的方法,还包括:所述机器学习模块在所述自主车辆的操作之前或在所述自主车辆的操作期间接收来自所述乘员的所述个人驾驶风格决策模型的参数,并且所述机器学习模块在所述自主车辆的操作期间基于乘员反馈来修改所述个人驾驶风格决策模型。
5.根据权利要求4所述的方法,还包括:识别所述自主车辆中的乘员并且将来自所识别的乘员的所述个人驾驶风格决策模型的参数加载到所述机器学习模块中。
6.根据权利要求4所述的方法,其中,所述个人驾驶风格决策模型的参数被存储在所述乘员的存储设备中并且从所述存储设备被传送至所述机器学习模块。
7.根据权利要求6所述的方法,其中,所述存储设备包括密钥卡、智能电话以及基于云的存储器中的至少一者。
8.一种基于乘员的驾驶风格偏好简档来修改自主车辆的操作的计算机实现的方法,包括:
收集与驾驶员的驾驶习惯相关的运动传感器数据以创建所述驾驶员的驾驶风格偏好简档;
将所述驾驶风格偏好简档存储在驾驶风格模块中;以及
从所述驾驶风格模块向所述自主车辆的运动规划器提供所述驾驶风格偏好简档以根据所述驾驶风格偏好简档来修改所述自主车辆的操作。
9.根据权利要求8所述的方法,还包括:用于所述自主车辆的所述运动规划器的机器学习模块接受作为输入的所述驾驶风格偏好简档和与所述自主车辆的驾驶风格相关的输入,所述驾驶风格输入包括表示在操作期间的自主车辆速度、加速度、制动和转向中的至少一者的数据;所述自主车辆的所述运动规划器的所述机器学习模块在操作期间接收乘员反馈,所述乘员反馈与所述自主车辆的驾驶风格相关;以及使用所述驾驶风格偏好简档和乘员反馈来训练所述机器学习模块以创建针对所述乘员的个人驾驶风格决策模型。
10.根据权利要求9所述的方法,其中,所述乘员反馈由语音、触摸屏、智能电话输入、车辆内部传感器以及所述乘员身上的可穿戴传感器中的至少一者提供,并且所述乘员反馈与在操作期间的自主车辆速度、加速度、制动和转向以及在自主车辆操作期间的乘员舒适/不适中的至少一者相关。
11.根据权利要求10所述的方法,其中,所述乘员反馈调整所述机器学习模块的成本函数。
12.根据权利要求9所述的方法,还包括:识别所述自主车辆中的乘员并且将针对所识别的乘员的驾驶风格偏好简档加载到所述机器学习模块中。
13.根据权利要求12所述的方法,其中,所述乘员驾驶风格偏好简档被存储在所述乘员的存储设备中并且从所述存储设备被传送至所述机器学习模块。
14.根据权利要求13所述的方法,其中,所述存储设备包括密钥卡、智能电话以及基于云的存储器中的至少一者。
15.一种基于乘员的驾驶风格偏好简档来修改自主车辆的操作的自主车辆控制系统,包括:
运动传感器,其提供与驾驶员的驾驶习惯相关的运动传感器数据;
处理器,其根据所述运动传感器数据来创建所述驾驶员的驾驶风格偏好简档;
驾驶风格模块,其存储所述驾驶风格偏好简档;以及
运动规划器,其从所述驾驶风格模块接收所述驾驶风格偏好简档,并且根据所述驾驶风格偏好简档来修改所述自主车辆的操作。
16.根据权利要求15所述的自主车辆控制系统,还包括机器学习模块,所述机器学习模块接受作为输入的所述驾驶风格偏好简档和与所述自主车辆的驾驶风格相关的输入,所述驾驶风格输入包括表示在操作期间的自主车辆速度、加速度、制动和转向中的至少一者的数据,所述机器学习模块还在所述自主车辆的操作期间接收乘员反馈,所述乘员反馈与所述自主车辆的驾驶风格相关,其中,使用所述驾驶风格偏好简档和乘员反馈来训练所述机器学习模块以创建针对所述乘员的个人驾驶风格决策模型。
17.根据权利要求16所述的自主车辆控制系统,还包括输入设备,所述输入设备包括语音识别设备、触摸屏、智能电话、车辆内部传感器以及所述乘员身上的可穿戴传感器中的至少一者,其中,经由所述输入设备提供的反馈与在操作期间的自主车辆速度、加速度、制动和转向以及在自主车辆操作期间的乘员舒适/不适中的至少一者相关。
18.根据权利要求17所述的自主车辆控制系统,其中,所述乘员反馈调整所述机器学习模块的成本函数。
19.根据权利要求16所述的自主车辆控制系统,还包括传感器,所述传感器识别所述自主车辆中的乘员并且将针对所识别的乘员的驾驶风格偏好简档加载到所述机器学习模块中。
20.根据权利要求15所述的自主车辆控制系统,其中,所述驾驶风格模块包括密钥卡、智能电话以及基于云的存储器中的至少一者,其存储所述驾驶风格偏好简档并且将所述驾驶风格偏好简档传送至所述运动规划器。
21.一种存储计算机指令的非暂态计算机可读介质,所述计算机指令用于基于乘员的驾驶风格偏好简档来修改自主车辆的操作,所述计算机指令在由一个或更多个处理器执行时使所述一个或更多个处理器执行以下步骤:
收集与驾驶员的驾驶习惯相关的运动传感器数据以创建所述驾驶员的驾驶风格偏好简档;
将所述驾驶风格偏好简档存储在驾驶风格模块中;并且
从所述驾驶风格模块向所述自主车辆的运动规划器提供所述驾驶风格偏好简档以根据所述驾驶风格偏好简档来修改所述自主车辆的操作。
22.根据权利要求21所述的介质,还包括用于实现用于所述自主车辆的所述运动规划器的机器学习模块的指令,所述指令在由所述一个或更多个处理器处理时使所述一个或更多个处理器执行以下另外的步骤:接受作为输入的所述驾驶风格偏好简档和与所述自主车辆的驾驶风格相关的输入,所述驾驶风格输入包括表示在操作期间的自主车辆速度、加速度、制动和转向中的至少一者的数据;所述自主车辆的所述运动规划器的所述机器学习模块在操作期间接收乘员反馈,所述乘员反馈与所述自主车辆的驾驶风格相关;并且使用所述驾驶风格偏好简档和乘员反馈来训练所述机器学习模块以创建针对所述乘员的个人驾驶风格决策模型。
23.根据权利要求22所述的介质,还包括以下指令:所述指令在由所述一个或更多个处理器处理时使所述一个或更多个处理器基于与所述自主车辆的驾驶风格相关的乘员反馈来调整所述机器学习模块的成本函数。
24.根据权利要求22所述的介质,还包括以下指令:所述指令在由所述一个或更多个处理器处理时使所述一个或更多个处理器识别所述自主车辆中的乘员并且将针对所识别的乘员的驾驶风格偏好简档加载到所述机器学习模块中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862777655P | 2018-12-10 | 2018-12-10 | |
US62/777655 | 2018-12-10 | ||
PCT/CN2019/084068 WO2020119004A1 (en) | 2018-12-10 | 2019-04-24 | Personal driving style learning for autonomous driving |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112805198A true CN112805198A (zh) | 2021-05-14 |
CN112805198B CN112805198B (zh) | 2022-11-18 |
Family
ID=71076360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980065876.5A Active CN112805198B (zh) | 2018-12-10 | 2019-04-24 | 用于自主驾驶的个人驾驶风格学习 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200216094A1 (zh) |
EP (1) | EP3870491A4 (zh) |
JP (1) | JP7361775B2 (zh) |
CN (1) | CN112805198B (zh) |
WO (1) | WO2020119004A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895464A (zh) * | 2021-12-07 | 2022-01-07 | 武汉理工大学 | 融合个性化驾驶风格的智能车驾驶地图生成方法及系统 |
CN117207976A (zh) * | 2023-09-25 | 2023-12-12 | 赛力斯汽车有限公司 | 一种基于驾驶风格的换道方法、装置及存储介质 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7073880B2 (ja) * | 2018-04-19 | 2022-05-24 | トヨタ自動車株式会社 | 進路決定装置 |
GB2608567B (en) * | 2018-12-18 | 2023-06-14 | Motional Ad Llc | Operation of a vehicle using motion planning with machine learning |
US10915109B2 (en) * | 2019-01-15 | 2021-02-09 | GM Global Technology Operations LLC | Control of autonomous vehicle based on pre-learned passenger and environment aware driving style profile |
US20200369268A1 (en) * | 2019-05-20 | 2020-11-26 | Toyota Research Institute, Inc. | Vehicles and systems for predicting road agent behavior based on driving style |
KR20210073686A (ko) * | 2019-12-10 | 2021-06-21 | 현대자동차주식회사 | 운전자 인증 기반 개인화 주행모드 제어 장치, 그를 포함한 시스템 및 그 방법 |
US11420645B2 (en) * | 2019-12-11 | 2022-08-23 | At&T Intellectual Property I, L.P. | Method and apparatus for personalizing autonomous transportation |
WO2021150779A1 (en) * | 2020-01-21 | 2021-07-29 | Compound Eye Inc. | System and method for egomotion estimation |
KR20210120393A (ko) * | 2020-03-26 | 2021-10-07 | 현대자동차주식회사 | 자율주행차량의 제어권 전환 장치 및 그 방법 |
WO2022019932A1 (en) * | 2020-07-21 | 2022-01-27 | Harman International Industries, Incorporated | Systems and methods for data security in autonomous vehicles |
CN112061123B (zh) * | 2020-08-18 | 2021-07-20 | 纵联汽车工业工程研究(天津)有限公司 | 基于脉冲信号的新能源汽车匀速控制方法及装置 |
CN112009465B (zh) * | 2020-09-04 | 2021-12-28 | 中国第一汽车股份有限公司 | 一种泊车辅助雷达的控制方法、装置、系统、车辆及介质 |
EP4247648A1 (en) * | 2020-11-23 | 2023-09-27 | Volvo Truck Corporation | System and method for tire contact patch optimization |
CN112677983B (zh) * | 2021-01-07 | 2022-04-12 | 浙江大学 | 一种识别驾驶员驾驶风格的系统 |
CN112861910A (zh) * | 2021-01-07 | 2021-05-28 | 南昌大学 | 一种网络模拟机器自学习方法及其装置 |
CN113173170B (zh) * | 2021-01-08 | 2023-03-17 | 海南华天科创软件开发有限公司 | 基于人员画像个性化算法 |
CN113022578B (zh) * | 2021-04-02 | 2023-04-07 | 中国第一汽车股份有限公司 | 基于车辆运动信息乘客提醒方法、系统、车辆及存储介质 |
US11657422B2 (en) * | 2021-05-13 | 2023-05-23 | Gm Cruise Holdings Llc | Reward system for autonomous rideshare vehicles |
CN113511215B (zh) * | 2021-05-31 | 2022-10-04 | 西安电子科技大学 | 一种混合自动驾驶决策方法、设备及计算机存储介质 |
US20230227061A1 (en) * | 2022-01-14 | 2023-07-20 | Aurora Operations, Inc. | Systems and Methods for Pareto Domination-Based Learning |
JP2023165317A (ja) * | 2022-05-02 | 2023-11-15 | トヨタ自動車株式会社 | 個人特性管理システム、個人特性管理方法及びプログラム |
DE102022126555A1 (de) | 2022-10-12 | 2024-04-18 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren, System und Computerprogrammprodukt zur Prädiktion von gruppenspezifischen Bewertungen eines ADAS/ADS-Systems |
CN115476884A (zh) * | 2022-10-31 | 2022-12-16 | 重庆长安汽车股份有限公司 | 一种自动驾驶中横向偏移方法及装置、电子设备、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016012901A1 (en) * | 2014-07-25 | 2016-01-28 | Here Global B.V. | Personalized driving of autonomously driven vehicles |
CN105818810A (zh) * | 2016-04-22 | 2016-08-03 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的控制方法及智能设备 |
CN107249954A (zh) * | 2014-12-29 | 2017-10-13 | 罗伯特·博世有限公司 | 用于使用个性化驾驶简档操作自主车辆的系统和方法 |
CN107943016A (zh) * | 2016-10-13 | 2018-04-20 | 百度(美国)有限责任公司 | 用于自主车辆的群体驾驶风格学习框架 |
CN108205830A (zh) * | 2016-12-20 | 2018-06-26 | 百度(美国)有限责任公司 | 识别对于无人驾驶车辆的个人驾驶偏好的方法和系统 |
CN108290578A (zh) * | 2015-12-18 | 2018-07-17 | 英特尔公司 | 管理自主车辆 |
CN108733049A (zh) * | 2017-04-20 | 2018-11-02 | 通用汽车环球科技运作有限责任公司 | 自适应自主车辆驾驶方式 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013210941A1 (de) * | 2013-06-12 | 2014-12-18 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Betreiben eines Fahrzeugs |
US9827993B2 (en) * | 2016-01-14 | 2017-11-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method and system for improving ride quality in an autonomous vehicle |
US20170217445A1 (en) * | 2016-01-29 | 2017-08-03 | GM Global Technology Operations LLC | System for intelligent passenger-vehicle interactions |
US10035519B2 (en) * | 2016-03-15 | 2018-07-31 | GM Global Technology Operations LLC | System and method for autonomous vehicle driving behavior modification |
JP6663822B2 (ja) | 2016-08-08 | 2020-03-13 | 日立オートモティブシステムズ株式会社 | 自動運転装置 |
JP2018052160A (ja) | 2016-09-26 | 2018-04-05 | 三菱自動車工業株式会社 | 運転支援装置 |
US20180143641A1 (en) | 2016-11-23 | 2018-05-24 | Futurewei Technologies, Inc. | Motion controlling method for an autonomous vehicle and a computer device |
US11584372B2 (en) | 2016-12-28 | 2023-02-21 | Baidu Usa Llc | Method to dynamically adjusting speed control rates of autonomous vehicles |
US10449958B2 (en) * | 2017-02-15 | 2019-10-22 | Ford Global Technologies, Llc | Feedback-based control model generation for an autonomous vehicle |
JP6723428B2 (ja) | 2017-02-22 | 2020-07-15 | ジヤトコ株式会社 | 車両制御装置及び車両制御方法 |
US10692371B1 (en) * | 2017-06-20 | 2020-06-23 | Uatc, Llc | Systems and methods for changing autonomous vehicle operations based on user profiles |
-
2019
- 2019-04-24 EP EP19896371.2A patent/EP3870491A4/en active Pending
- 2019-04-24 JP JP2021532936A patent/JP7361775B2/ja active Active
- 2019-04-24 CN CN201980065876.5A patent/CN112805198B/zh active Active
- 2019-04-24 WO PCT/CN2019/084068 patent/WO2020119004A1/en unknown
-
2020
- 2020-03-20 US US16/825,886 patent/US20200216094A1/en not_active Abandoned
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016012901A1 (en) * | 2014-07-25 | 2016-01-28 | Here Global B.V. | Personalized driving of autonomously driven vehicles |
CN107249954A (zh) * | 2014-12-29 | 2017-10-13 | 罗伯特·博世有限公司 | 用于使用个性化驾驶简档操作自主车辆的系统和方法 |
CN108290578A (zh) * | 2015-12-18 | 2018-07-17 | 英特尔公司 | 管理自主车辆 |
CN105818810A (zh) * | 2016-04-22 | 2016-08-03 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的控制方法及智能设备 |
CN107943016A (zh) * | 2016-10-13 | 2018-04-20 | 百度(美国)有限责任公司 | 用于自主车辆的群体驾驶风格学习框架 |
CN108205830A (zh) * | 2016-12-20 | 2018-06-26 | 百度(美国)有限责任公司 | 识别对于无人驾驶车辆的个人驾驶偏好的方法和系统 |
CN108733049A (zh) * | 2017-04-20 | 2018-11-02 | 通用汽车环球科技运作有限责任公司 | 自适应自主车辆驾驶方式 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113895464A (zh) * | 2021-12-07 | 2022-01-07 | 武汉理工大学 | 融合个性化驾驶风格的智能车驾驶地图生成方法及系统 |
CN113895464B (zh) * | 2021-12-07 | 2022-04-08 | 武汉理工大学 | 融合个性化驾驶风格的智能车驾驶地图生成方法及系统 |
CN117207976A (zh) * | 2023-09-25 | 2023-12-12 | 赛力斯汽车有限公司 | 一种基于驾驶风格的换道方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3870491A1 (en) | 2021-09-01 |
EP3870491A4 (en) | 2022-03-23 |
WO2020119004A1 (en) | 2020-06-18 |
JP7361775B2 (ja) | 2023-10-16 |
US20200216094A1 (en) | 2020-07-09 |
CN112805198B (zh) | 2022-11-18 |
JP2022514484A (ja) | 2022-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112805198B (zh) | 用于自主驾驶的个人驾驶风格学习 | |
CN112034834B (zh) | 使用强化学习来加速自动驾驶车辆的轨迹规划的离线代理 | |
JP7036545B2 (ja) | 能動的探索なしの強化学習に基づくオンライン学習法及び車両制御方法 | |
US11467591B2 (en) | Online agent using reinforcement learning to plan an open space trajectory for autonomous vehicles | |
US11231717B2 (en) | Auto-tuning motion planning system for autonomous vehicles | |
CN109460015B (zh) | 用于自主驾驶应用的无监督学习代理 | |
CN109196432B (zh) | 用于自动驾驶车辆的速度控制参数估计方法、介质和系统 | |
US10012984B2 (en) | System and method for controlling autonomous vehicles | |
US11269329B2 (en) | Dynamic model with learning based localization correction system | |
US11409284B2 (en) | Relaxation optimization model to plan an open space trajectory for autonomous vehicles | |
CN112677995A (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
CN113835421B (zh) | 训练驾驶行为决策模型的方法及装置 | |
US20210179097A1 (en) | Lane-attention: predicting vehicles' moving trajectories by learning their attention over lanes | |
KR102589587B1 (ko) | 자율 주행 차량용 동적 모델 평가 패키지 | |
US20210291862A1 (en) | Learning based controller for autonomous driving | |
WO2021070737A1 (en) | Control of autonomous vehicles adaptive to user driving preferences | |
JP2019031268A (ja) | 能動的探索なしの強化学習に基づく制御ポリシー学習及び車両制御方法 | |
US20230037071A1 (en) | Method and system for training an autonomous vehicle motion planning model | |
Vasquez et al. | Multi-objective autonomous braking system using naturalistic dataset | |
KR20210061510A (ko) | 자율 주행 차량의 주행 제어 장치 및 방법 | |
US20230391371A1 (en) | Precise pull-over with mechanical simulation | |
WO2022201796A1 (ja) | 情報処理システムおよび方法、並びにプログラム | |
CN112700001A (zh) | 用于深度强化学习的认证对抗鲁棒性 | |
US20240034353A1 (en) | Automatic generation of corner scenarios data for tuning autonomous vehicles | |
US20240001966A1 (en) | Scenario-based training data weight tuning for autonomous driving |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220210 Address after: 550025 Huawei cloud data center, jiaoxinggong Road, Qianzhong Avenue, Gui'an New District, Guiyang City, Guizhou Province Applicant after: Huawei Cloud Computing Technologies Co.,Ltd. Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |