CN113022581A - 用于确定用于自主车辆的配置的方法和设备 - Google Patents
用于确定用于自主车辆的配置的方法和设备 Download PDFInfo
- Publication number
- CN113022581A CN113022581A CN202011011166.5A CN202011011166A CN113022581A CN 113022581 A CN113022581 A CN 113022581A CN 202011011166 A CN202011011166 A CN 202011011166A CN 113022581 A CN113022581 A CN 113022581A
- Authority
- CN
- China
- Prior art keywords
- configuration parameter
- configuration
- parameter settings
- vehicle
- safety
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/18—Propelling the vehicle
- B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W50/08—Interaction between the driver and the control system
- B60W50/085—Changing the parameters of the control units, e.g. changing limit values, working points by control input
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0003—In analogue systems, e.g. continuous 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
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
Abstract
本发明涉及用于确定用于自主车辆的配置的方法和设备。根据各个实施例,描述了一种用于确定用于自主车辆的配置的方法,该方法包括:针对多个配置参数设置中的每个配置参数设置和多个驾驶场景中的每个驾驶场景,模拟根据配置参数设置配置的自主车辆在驾驶场景中的行为,以及基于所模拟的行为来确定根据配置参数设置配置的自主车辆在驾驶场景中的安全性的连续度量,其中,该度量表示根据配置参数设置配置的车辆的连续的安全性程度,以及基于满足阈值安全性程度的所确定的安全性度量来选择用于自主车辆的一个或多个配置。
Description
技术领域
本公开涉及用于确定用于自主车辆的配置的方法和设备。
背景技术
安全性是自主驾驶的主要顾虑。虽然因为软件比人类更不容易出错,所以可以预期自动驾驶车辆可以减少事故的数量,但必须解决安全性问题以使公众完全满意,从而使自主车辆能被广泛接受。
自主车辆的安全性取决于车辆的配置(例如,制动器多良好等),具体而言包括自主驾驶控制器的配置参数值(例如,自主车辆应试图以多快的速度到达目标)。
因此,用于确定允许高效驾驶的同时确保高度安全性的自主车辆的配置参数值的方法是所期望的。
附图说明
在附图中,贯穿不同的视图,相同的附图标记一般指示相同部分。这些附图不一定是按比例的,而是一般着重于说明本发明的原理。在以下描述中,参照下面的附图描述各方面,其中:
图1示出自主车辆。
图2示出图示出根据实施例的用于生成配置参数的安全性简档的方法的流程图。
图3示出通过双变量分析获得的安全性简档的示例。
图4图示紧急制动辅助场景。
图5和图6示出模拟中的紧急制动辅助场景的示例渲染。
图7示出交叉路口场景的渲染。
图8示出图示出根据实施例的用于确定用于自主车辆的配置的方法的流程图。
图9示出用于确定用于自主车辆的配置的车辆配置布置。
具体实施方式
以下详细描述对附图进行参考,附图通过图解说明示出了可在其中实施本发明的具体细节和方面。可利用其它方面,并且可作出结构、逻辑和电气改动,而不背离本发明的范围。本公开的各方面不一定是互斥的,因为可将本公开的一些方面与本公开的一个或多个其他方面组合以形成新的方面。
图1示出自主车辆101。
车辆101,例如汽车、厢式货车、或摩托车设有车辆控制器102。车辆控制器102包括数据处理组件,例如处理器(例如,CPU(中央处理单元))103和存储器104,存储器104用于存储车辆控制器102根据其来进行操作的控制软件(也被表示为“AV代码”)以及由处理器103处理的数据。
例如,所存储的控制软件包括指令,该指令在由处理器103执行时,使处理器实行对车辆100的控制过程107。例如,这可以包括例如用于对象检测和分类的机器学习模型(诸如神经网络)的实现。控制方法可以例如对对象(诸如障碍物)进行检测和分类并相应地控制车辆100。
对于对象检测和分类,存储在存储器104中的数据可以包括来自一个或多个相机105的输入传感器数据。例如,一个或多个相机105可以输出车辆环境的灰度图片或彩色图片。车辆控制器102可以基于输入传感器数据来确定对象的存在,对象例如,固定对象(诸如交通标志或道路标记)、和/或移动对象(诸如行人、动物和其他车辆)。然后,车辆控制器102可以根据对象确定的结果来控制车辆101。例如,车辆控制器102可以控制致动器106以控制车辆的速度,例如以致动车辆的制动器。
车辆101根据某些配置参数操作,配置参数操作例如包括最大加速度和最大减速度(当制动时)。具体而言,配置参数可以包括车辆控制器102在控制车辆时可能考虑的各种控制参数(例如,它使用的最大加速度,该最大加速度可能低于车辆能够承受的最大加速度)。配置参数的值(诸如控制参数)例如由配置参数源或配置确定器108提供,配置参数源或配置确定器108可以将配置参数值提供给车辆100以被存储在存储器104中,在存储器104中,可以通过CPU 103执行控制过程107来访问这些配置参数值。配置参数值在存储器104中的存储可以在车辆制造时发生,或者也可以稍后(在车辆的部署之后)被存储或被更新。配置参数还可以包括更加静态的参数,即不能被动态地更新或改变的参数。例如,车辆控制器可以被配置成具有一定的反应时间(例如,在获取车辆101前面的制动车辆的相机照片与开始制动之间),该反应时间不能简单地通过软件更新来改变(但可以例如需要硬件升级)。进一步地,控制参数的某些限制(如最大制动减速度)可由配置参数给出,该配置参数不能通过更新轻易被改变(而是例如需要不同的制动部件)。
取决于所使用的配置参数的值,可以实现自主驾驶的某种安全性简档。安全性是自动化车辆技术商业化(大规模)部署的首要挑战。行业参与者一直利用“机器人安全性法则”形式的框架来推动他们的自主汽车(AV)安全性愿景。例如,已经引入了正式的数学模型以帮助确保自主车辆以安全的方式操作。另一个模型是在障碍物避免层面上描述安全性、并定义安全性要求的安全性力场(SFF)。此类模型并不能保证绝对的安全性,而是保证自动驾驶汽车绝不会发起危险情况。
随着多种可能的解决方案被提出,自动驾驶行业又面临另一个问题,即安全性保证的标准化。监管机构通常要求在选择配置参数值时保证其行为的确定性的AV安全性框架。取决于当地的法规或甚至驾驶情况,这些配置参数值可能是不同的。
考虑到所提出的模型是参数化的,在决策之前理解配置参数对整体安全性的影响是至关重要的,因为对与环境变量有关的不正确假设或对模型的内部配置参数值的不正确选择会导致不同的碰撞预防性能,并可能严重影响自主车辆的操作安全性包络。在不能就参数模型达成共识的情况下,行业就无法前进。
根据各个实施例,提供了一种自动确定自动车辆的参数化安全性模型的边界的方法和系统。此类系统可以被用作用于确定自主车辆的配置参数值的配置确定系统(例如对应于配置确定器108)。
进一步地,根据各个实施例,可以提供用于开发有助于理解(可以与用于评估安全性的安全性模型的模型参数相对应的)不同的配置参数的影响的安全性基准的系统。各个实施例允许自动发现和分析自主车辆的危险安全性行为(取决于配置参数),并提供数据以确定AV安全性约束的适当边界(例如配置参数设置的边界,以确保车辆的行为保持在安全驾驶的区域内)。
各个实施例基于安全性模型的内部参数执行分析,同时外部(环境)参数也可用于探索影响。这意味着,可以考虑对系统安全性有影响的外部变化(环境)以及对系统安全性有影响的内部变化(配置)。例如,总体覆盖率被设置成满足AV安全性验证的基准要求。根据各个实施例,在多维参数空间(即配置参数设置的空间,例如包括多个配置参数的值的设置)中自动地实行分析。进一步地,可以参考一个或多个参数变量提供稳健性包络的可视化。
根据各个实施例,(例如与配置参数确定器108相对应的)配置参数确定系统使用用于评估安全性水平(例如稳健性)的模拟。这与通过运行真实世界的实验来收集自主车辆的数据相比不那么昂贵并且不那么耗时,并且因此具有更好的可扩展性。
根据各个实施例,应用正式的稳健性框架(稳健性引导的测试方法)来建立自主车辆的安全性边界,使得能够对一系列场景和配置(例如操作)参数中、安全规范的满足程度进行定量分析。
例如,根据各个实施例,稳健性(即稳健性引导的测试)被应用于表示自动化车辆的安全性规范的可执行环境和通过其实行交通场景编排的虚拟世界。各个实施例的结果是自动确定自主车辆的安全边界,具体而言是对一系列场景和配置参数中、安全规范的满足程度进行定性和定量分析。
在下文中,对实施例进行详细描述。
根据各实施例,自动车辆(AV)安全性被定义为连续谱:它被定义为允许根据车辆的相对安全性对车辆性能进行排名,并比较自主车辆在不同的场景中的性能。此类连续的安全性度量例如由信号时间逻辑(STL)安全性规范的稳健性函数提供。STL是允许以形式逻辑定义复杂的时空要求的形式体系。STL消除了在自然语言表达的要求中通常固有的歧义。进一步地,它支持两种语义:定性和定量。定性语义返回布尔值,即给定轨迹满足规范或者违反规范。定量语义返回稳健性程度,稳健性程度是对“多少”规范被满足的连续度量。更精确地,给定被表达为STL公式φ的AV安全性要求和系统执行稳健性值是测量与轨迹有关的两个要素的实数:
根据各个实施例,稳健性引导的测试被实行,该测试包括搜索具有低稳健性的执行集合。假设确定性模拟器(其可以被看作是实行将初始条件映射到执行的函数f:X0→X),它相当于搜索导致低稳健性执行的初始条件x0(即,配置参数值的选择,配置参数也称为安全性驾驶模型参数)。可以将其定义为以下优化问题:
min rf(x)
x0∈X0
约束条件:x=f(x0)
替代地,例如,为了找到安全的配置参数选择与不安全的配置参数选择之间的边界,可以将rf(x)的绝对值最小化:
min|rf(x)|
x0∈X0
约束条件:x=f(x0)
模拟器和(例如,与控制器102相对应的)AV软件控制栈可以被视为黑盒。以此类方式,(例如,在配置参数确定系统中使用的)方法对未来的修改、扩展变得灵活,并允许插入任何第三方AV代码,包括具有PID或符合安全性驾驶模型的控制器的简单自动驾驶代理。本方法结合了改变模拟中使用的参数值的功能,从而修改AV安全性响应。
根据各个实施例,不要求具有(例如通过使用信号时间逻辑来定义安全性驾驶模型公式的)AV安全性的正式模型,也不要求底层系统的功能表示(例如,配置参数值到稳健性度的映射表示)。为了允许在这种情况下对参数值空间进行搜索,使用无梯度优化启发式算法。
为此,可以使用各种零阶优化技术。此类方法中的一种方法是均匀随机搜索(URS)。给定当前样本,在搜索空间中以均匀随机的方式生成下一个样本。如果目标函数已经改善了其值,该算法就会利用所生成的样本迭代地更新当前样本。另一种可能的方法是低差异搜索(LDS)。与URS相比,此类采样技术快速、均匀地覆盖搜索空间。可以用来生成新样本的两个主要的低差异序列是晶格(Lattice)序列和哈尔顿(Halton)序列。
进一步的可能的搜索方法是模拟退火(SA),模拟退火是用于逼近给定函数的全局最优值的随机优化算法。模拟退火保证在问题定义的一些条件下渐进收敛到全局最小值。
图2示出图示出根据实施例的用于生成配置参数的安全性简档的方法的流程图200。
在201中,(例如,使用交通场景定义和执行引擎“场景运行器(ScenarioRunner)”)定义并实现表示构成场景基准的一系列现实驾驶条件的一个或多个交通场景。场景定义可以以专属的或标准化的格式(例如OpenScenario)来指定,但包括道路拓扑结构、道路行为者的数量及其自主车辆的初始位置和最终位置、目标速度、加速/减速简档和其他感兴趣的参数(例如最大运行时间、天气状况等)。
在202中,配置参数搜索空间(也称为安全性驾驶模型参数搜索空间)被定义。配置参数搜索空间可以是多维的(针对每个配置参数一个维度),并且多个配置参数值(包括针对每个配置参数的值)的组合(即向量)被称为配置参数设置。
进一步地,选择(用于找到特定的安全形驾驶模型参数设置的)无梯度优化方法。这例如可以是模拟退火,但也可以应用其他方法。
在203中,使用预定的模拟器(例如,具有集成的安全性驾驶模型库的驾驶模拟器(CARLA)的版本)并使用安全性驾驶模型搜索空间的单个安全性驾驶模型参数设置(其可由遵守安全性驾驶模型规则的自主车辆控制器使用)实行对201的所选择的(即定义的)场景中的一个场景的模拟。因此,每个所选择的场景(即,在201中定义并在203中用于模拟的每个场景)构成安全性场景基准。
在204中,对于(通过203的模拟获得的)经模拟的自主车辆轨迹和预定义STL规范,使用定量STL语义来获得稳健性值。
(对其进行模拟的)安全性驾驶模型参数设置与相应的稳健性值一起定义了安全性简档上的单个样本。在206中,该样本被馈送到202中所选择的优化技术,该技术输出用于后续模拟的安全性驾驶模型参数设置。
以此方式,以循环方式实行优化(在203中对安全性驾驶模型参数设置进行模拟、在204中计算稳健性值、以及通过202的优化技术选择后续的安全性驾驶模型参数设置),直到满足终止标准。可以(例如,根据用于实行图2方法的已部署的系统的计算能力)由用户定义的设置确定终止标准,用户定义的设置诸如采样尺寸或采样时间。
根据各个实施例,参照图2描述的方法允许插入第三方AV代码(控制器),因此自主车辆可以在模拟的世界中行驶,并从执行中收集所有相关的数据,如到障碍物的距离和碰撞时间。这意味着,可以向203的模拟器提供被模拟器用作模拟的基础的某种自主车辆控制方案。此外,根据各个实施例的方法支持插入以信号时间逻辑(STL)形式语言编写的任何安全性规范,并支持插入可随后用于搜索危险驾驶情况的通用的优化算法。
图2的方法是确定性的,意味着它支持特定场景的重放,以便对执行进行可视化、分析、和调试。如果安全性驾驶模型参数值的组合(即,安全性驾驶模型参数设置)导致不安全的情况(例如,车祸),则可以对模拟进行渲染,以供人类用户查看。这不仅提供了稳健性简档可视化,而且提供了生成一般用于人类查看或分析的视频序列的方法。
根据各个实施例,关于安全性简档和方法输出,可以执行双变量分析(两个安全性驾驶模型参数的值随优化算法而变化)和多变量分析(所有安全性驾驶模型参数的值变化)。双变量分析的结果可以在三个维度上进行可视化。可以通过在XoY平面上描绘特定的安全性驾驶模型设置以及在Z轴上描绘相应的稳定性值来获得安全性简档的三维(3D)表示。
图3示出通过双变量分析获得的安全性简档的示例。
在该示例中,作为改变的受试者的两个安全性驾驶模型参数为“最小纵向制动”和“最大纵向加速度”。多变量分析的结果较难可视化。然而如果有必要,可以应用多维数据可视化技术来实现该目的。
多变量分析输出和双变量分析输出两者都表示稳健性。在图3中,表面301、302表示稳健性(针对两个安全性驾驶模型参数值的相应的组合)。表面301、302越低,则针对相应的参数值组合的车辆性能就越接近危险情况。稳健性零点303、304的水平面表示成功与失败(例如,事故)之间的界限。
关于场景的确定(即,对用于模拟的201中的场景的定义),可遵循诸如由政府或监管机构(例如,美国交通部)之类的机构,特别是美国国家公路交通安全管理局(NHTSA)提供的指南。NHTSA公布了一组37种场景,经分析认为这些场景导致了90%以上的所记录的事故。这些场景中的一些或全部可以作为模拟的基础在201中实现。这些场景中的一些场景强调来自安全性模型中的特定的参数子集,而其他场景则可能强调完整的公式化。例如,如图4所示的紧急制动辅助场景仅与安全性驾驶模型纵向安全性公式相关,该公式包含一组六个安全性驾驶模型参数。
图4图示了紧急制动辅助场景。
自我车辆(即,由插入到模拟中的自主车辆控制方案控制的受试车辆)401跟随执行脚本化的一组驾驶操纵的领先车辆402。
两个车辆401、402之间的最小安全纵向距离由以下公式给出
其中[x]+:=最大{x,0}
并且其中
·vr是事件发生时(即,领先车辆402开始制动)受试车辆401的速度
·ρ是受试车辆401的反应时间(即,从领先车辆402开始制动到受试车辆401开始制动之间的时间)
·amax,acc是受试车辆401的最大加速度
·amin,br是受试车辆401的最大减速度
·amax,br是领先车辆402的最大减速度
·vf是事件发生时领先车辆402的速度。
图5和图6示出对203的模拟中此类紧急制动辅助场景的示例渲染。
方块501、601指示安全性驾驶模型状态(例如,安全或不安全,例如当没有保持等式(1)给出的最小距离时)。
同时,另一种场景(其中另一车辆优先违规的交叉路口)与安全性驾驶模型的横向、纵向和优先级公式(以及指定这些公式的安全性驾驶模型参数)都相关。
图7示出对交叉路口场景的渲染,其中受试车辆701执行左转,并且领先车辆(模拟中的脚本化的车辆)忽略红灯。(由方块701指示的)安全性驾驶模式状态指示被正确地标识的危险情况。
使用上文参照图2所描述的方法,给定AV安全性模型参数的选择以及稳健性的连续衡量,可自动地确定AV安全性的硬边界(失败/成功)。该标准按照一个场景来确定,或者按照涵盖正常驾驶场景的完整的或代表性情形的或多组场景来确定。然后,图2的方法的输出可用于指导得到AV安全性的配置参数值的选择,例如以确定(例如,由以下等式(1)给出的)最小距离,配置参数值例如安全性驾驶模型在其(例如,用于设置AV控制方案的行为的)内部公式中使用的确切参数值。
一种方法可以是选择保证所探索的一系列场景的安全性的保守的静态配置。然而,过于安全的选择可能会导致不自然的行为,诸如自主车辆维持较大的跟随距离或不并入自然交通。鉴于预测自主车辆将与自动化车辆共存,参数值的动态分配可以确定在安全性包络内保守驾驶与自信驾驶之间的权衡,以符合人类/社会期望。自动化车辆制造商和监管机构可以使用图2的方法的输出来建立动态的一系列操作。在此类情形下,稳健性可以被理解为“风险”的连续衡量,并且通过动态改变某些配置参数,车辆安全性解决方案可以变得更加容忍风险或更加厌恶风险。
总之,根据各个示例,提供了如图8所图示的方法。
图8示出图示出用于确定用于自主车辆的配置的方法的流程图800,该方法例如由数据处理系统(例如,配置确定器)实行。
在801中,数据处理系统针对多个配置参数设置的每个配置参数设置和多个驾驶场景的每个驾驶场景,模拟根据配置参数设置配置的自主车辆在驾驶场景中的行为。
在802中,数据处理系统基于所模拟的行为来确定根据配置参数设置配置的自主车辆在驾驶场景中的安全性的连续度量,其中,度量表示根据配置参数设置配置的车辆的连续安全性程度。
在803中,数据处理系统基于满足阈值安全性程度的所确定的安全性的度量来选择用于自主车辆的一个或多个配置。
换言之,根据各个实施例,在各种交通场景中(通过模拟来)测试配置参数值组合。对于每个配置参数值组合和场景,安全性度量被确定,该安全性度量可以指示是否实现了某安全性水平(即,满足了安全性标准,诸如“无事故”),以及是否可能实现该安全性水平(如果其被实现)的稳健性水平,例如,如上文针对稳健性值所描述,该稳健性值例如可以是安全性度量(也称为车辆安全性的度量)。
安全性的连续度量(以及由其表示的连续的安全性程度)可以被看作是对针对某个配置参数设置、车辆离所定义的不可容忍事件(例如车祸)多接近或多远的度量,以量化对于该配置参数设置的车辆安全性。因此,通过使用稳健性作为衡量,可以创建与风险的相关性,并且可以基于参数边界对保守的驾驶行为或自信的驾驶行为进行描述。
这种连续度量(或衡量)可用于通过设置最大可接受的风险(稳健性)、并且然后推导出各个车辆性能参数值(诸如最大可驾驶速度或反应时间),来推导出交通法规,因此这也可用于交通优化和交通管制。
最后,通过修改模拟中的外部参数,同样的技术可以应用于拐角情形场景的生成。在该情形下,可以找到道路几何形状、路灯定时等之类的事物的约束。所以该技术可以被扩展到基础设施规划的用例中。
基于所确定的安全性边界,可以确定用于自主车辆的配置。这可以包括硬件和/或软件配置参数(诸如某些机械部件的配置(例如制动器的类型))以及自主车辆的车辆控制器控制自主车辆所依据的配置参数值(诸如自主车辆使用的最大加速度)。
图8的方法可以通过图9所图示的车辆配置布置来实行。
图9示出用于确定用于自主车辆的配置的车辆配置布置900。
车辆配置布置900包括确定器901,该确定器901被配置成针对多个配置参数设置中的每个配置参数设置和多个驾驶场景中的每个驾驶场景,模拟根据配置参数设置配置的自主车辆在驾驶场景中的行为,以及基于所模拟的行为来确定根据配置参数设置配置的自主车辆在驾驶场景中的安全性的连续度量,其中,该度量表示根据配置参数设置配置的车辆的连续的安全性程度。
车辆配置布置900进一步包括配置选择器902,该配置选择器902被配置成基于满足阈值安全性程度的所确定的安全性度量来选择用于自主车辆的一个或多个配置。
例如,(例如,与配置确定器108相对应的)车辆配置布置可以由一个或多个处理器实现。“处理器”可被理解为任何种类的逻辑实现实体,其可以是专用电路、或执行存储在存储器中的软件的处理器、固件、或上述各项的任何组合。因此,“处理器”可以是硬连线逻辑处理器或可编程逻辑处理器,诸如,可编程处理器,例如,微处理器。“处理器”还可以是执行软件(例如,任何种类的计算机程序)的处理器。下文将进一步详述的相应功能的任何其他种类的实现方式也可被理解为“处理器”。
以下示例涉及进一步的示例性实现方式。
示例1是一种用于确定用于自主车辆的配置的方法,如图8所图示。
在示例2中,示例1的主题可以任选地包括,每个配置参数设置包括多个配置参数中的每个配置参数的配置参数值。
在示例3中,示例1至2中任一项的主题可以任选地包括,多个配置参数设置包括针对多个驾驶场景中的每个驾驶场景的配置参数设置序列,并且其中,配置参数设置在多个配置参数中的至少一个配置参数的值方面与配置参数设置序列中的后续配置参数设置不同。
在示例4中,示例1-3中任一项的主题可以任选地包括,针对多个驾驶场景中的每个驾驶场景和每个配置参数设置,来确定配置参数设置序列中的后续配置参数设置。
在示例5中,示例4的主题可以任选地包括,基于针对配置参数设置确定的安全性度量,来确定配置参数设置的后续配置参数设置。
在示例6中,示例4至5中任一项的主题可以任选地包括,基于针对配置参数设置先前的一个或多个配置参数设置所确定的安全性的度量,来确定配置参数设置的后续配置参数设置。
在示例7中,示例4-6中任一项的主题可以任选地包括,基于在多个配置参数设置上搜索具有最小安全性度量、最大安全性度量或处于安全和不安全的配置参数设置之间的边界处的配置参数设置,来确定配置参数设置的后续配置参数设置。
在示例8中,示例1至7中任一项的示例的主题任选地包括,针对每个驾驶场景确定具有最小安全性度量、最大安全性度量或处于安全和不安全的配置参数设置之间的边界处的一个或多个配置参数设置,并且基于在搜索中找到的一个或多个配置参数设置来选择用于自主车辆的一个或多个配置。
在示例9中,示例1至8中任一项的主题可以任选地包括,多个配置参数包括一个或多个自主车辆控制参数,并且根据配置参数设置来配置自主车辆包括:根据由配置参数设置给出的自主车辆控制参数的值来配置自主车辆的车辆控制器。
在示例10中,示例1至9中任一项的主题可以任选地包括,安全性度量表示根据配置参数设置配置的自主车辆在驾驶场景中是否实现预定的安全性水平,并且如果自主车辆实现预定的安全性水平,则表示其实现预定的安全性水平的稳健性水平。
在示例11中,示例1-10中任一项的主题可以任选地包括,根据所选择的一个或多个配置来配置自主车辆。
在示例12中,示例1至11中任一项的主题可以任选地包括,基于交通法规来设置阈值安全性程度。
在示例13中,示例1-12中任一项的主题可以任选地包括,针对自主车辆选择驾驶行为,并基于驾驶行为来设置阈值安全性程度。
示例14是一种用于确定用于自主车辆的配置的车辆配置布置,如图9所图示。
在示例15中,示例14的主题可以任选地包括,每个配置参数设置包括多个配置参数中的每个配置参数的配置参数值。
在示例16中,示例15的主题可以任选地包括,多个配置参数设置包括针对多个驾驶场景中的每个驾驶场景的配置参数设置序列,并且其中,配置参数设置在多个配置参数中的至少一个配置参数的值方面与配置参数设置序列中的后续配置参数设置不同。
在示例17中,示例16的主题可以任选地包括,确定器进一步被配置成用于:针对多个驾驶场景中的每个驾驶场景和每个配置参数设置,来确定配置参数设置序列中的后续配置参数设置。
在示例18中,示例17的主题可以任选地包括,确定器被配置成用于:基于针对配置参数设置确定的安全性的度量,来确定配置参数设置的后续配置参数设置。
在示例19中,示例17或示例18中任一项的主题可以任选地包括,基于针对配置参数设置先前的一个或多个配置参数设置所确定的安全性的度量,来确定配置参数设置的后续配置参数设置。
在示例20中,示例17至19中任一项的主题可以任选地包括,确定器被配置成用于:基于在多个配置参数设置上搜索具有最小安全性度量、最大安全性度量或处于安全和不安全的配置参数设置之间的边界处的配置参数设置,来确定配置参数设置的后续配置参数设置。
在示例21中,示例14至20中任一项的示例的主题任选地包括,确定器被配置成用于:针对每个驾驶场景确定具有最小安全性度量、最大安全性度量或处于安全和不安全的配置参数设置之间的边界处的一个或多个配置参数设置,并且配置选择器被配置成用于:基于在搜索中找到的一个或多个配置参数来选择用于自主车辆的一个或多个配置。
在示例22中,示例14至21中任一项的主题可以任选地包括,多个配置参数包括一个或多个自主车辆控制参数,并且根据配置参数设置来配置自主车辆包括:根据由配置参数设置给出的自主车辆控制参数的值来配置自主车辆的车辆控制器。
在示例23中,示例14至22中任一项的主题可以任选地包括,安全性度量表示根据配置参数设置配置的自主车辆在驾驶场景中是否实现预定的安全性水平,并且如果自主车辆实现预定的安全性水平,则表示其实现预定的安全性水平的稳健性水平。
在示例24中,示例14至23中任一项的主题可以任选地包括车辆配置器,该车辆配置器用于根据所选择的一个或多个配置来配置自主车辆。
在示例25中,示例14至24中任一项的主题可以任选地包括控制器,该控制器被配置成用于基于交通法规来设置阈值安全性程度。
在示例26中,示例14至25中任一项的主题可以任选地包括控制器,该控制器被配置成用于针对自主车辆选择驾驶行为、并且用于基于驾驶行为来设置阈值安全性程度。
在示例27中,示例14至26中任一项的主题可以任选地包括车辆控制器,该车辆控制器被配置成用于根据所选择的一个或多个配置来控制车辆。
示例28是包括指令的计算机程序元件,当该指令由一个或多个处理器执行时,使一个或多个处理器执行根据示例1至示例13中的任一项的用于确定用于自主车辆的配置的方法。
示例29是一种非易失性计算机可读介质,具有记录于其上的指令,当该指令由一个或多个处理器执行时,使一个或多个处理器执行根据示例1至示例13中的任一项的用于确定用于自主车辆的配置的方法。
示例30是一种车辆配置布置,包括:确定装置,该确定装置用于针对多个配置参数设置中的每个配置参数设置和多个驾驶场景中的每个驾驶场景,模拟根据配置参数设置配置的自主车辆在驾驶场景中的行为,以及基于所模拟的行为来确定根据配置参数设置配置的自主车辆在驾驶场景中的安全性的连续度量,其中,该度量表示根据配置参数设置配置的车辆的连续的安全性程度;以及选择装置,该选择装置用于基于满足阈值安全性程度的所确定的安全性度量来选择用于自主车辆的一个或多个配置。
应注意,以上示例中的任何示例的特征中的一个或多个特征可以与其他示例中的任一示例组合。
虽然已经描述了特定方面,但是本领域技术人员应当理解的是,可对这些方面作出形式上和细节上的各种改变,而不背离如所附权利要求所限定的本公开的多个方面的精神和范围。因此,范围由所附权利要求书表示,并且因此旨在涵盖落入权利要求的等效含义和等效范围内的所有改变。
Claims (24)
1.一种用于确定用于自主车辆的配置的方法,所述方法包括:
针对多个配置参数设置中的每个配置参数设置和多个驾驶场景中的每个驾驶场景:
模拟根据所述配置参数设置配置的自主车辆在所述驾驶场景中的行为;以及
基于所模拟的行为来确定根据所述配置参数设置配置的所述自主车辆在所述驾驶场景中的安全性的连续度量,其中,所述度量表示根据所述配置参数设置配置的车辆的连续的安全性程度,以及
基于满足阈值安全性程度的所确定的安全性的度量来选择用于所述自主车辆的一个或多个配置。
2.如权利要求1所述的方法,其特征在于,每个配置参数设置包括多个配置参数中的每个配置参数的配置参数值。
3.如权利要求2所述的方法,其特征在于,所述多个配置参数设置包括针对所述多个驾驶场景中的每个驾驶场景的配置参数设置序列,并且其中,配置参数设置在所述多个配置参数中的至少一个配置参数的值方面与所述配置参数设置序列中的后续配置参数设置不同。
4.如权利要求3所述的方法,进一步包括:针对所述多个驾驶场景中的每个驾驶场景和每个配置参数设置、来确定所述配置参数设置序列中的后续配置参数设置。
5.如权利要求4所述的方法,包括:基于针对配置参数设置确定的安全性的所述度量,来确定所述配置参数设置的后续配置参数设置。
6.如权利要求4所述的方法,包括:基于针对配置参数设置先前的一个或多个配置参数设置所确定的安全性的所述度量,来确定所述配置参数设置的后续配置参数设置。
7.如权利要求4所述的方法,包括:基于在所述多个配置参数设置上搜索具有最小安全性度量、最大安全性度量或处于安全和不安全的配置参数设置之间的边界处的配置参数设置,来确定配置参数设置的后续配置参数设置。
8.如权利要求1至7中任一项所述的方法,针对每个驾驶场景确定具有最小安全性度量、最大安全性度量或处于安全和不安全的配置参数设置之间的边界处的一个或多个配置参数设置,并且基于在所述搜索中找到的所述一个或多个配置参数设置来选择用于所述自主车辆的所述一个或多个配置。
9.如权利要求1至7中任一项所述的方法,其特征在于,所述多个配置参数包括一个或多个自主车辆控制参数,并且根据所述配置参数设置来配置所述自主车辆包括:根据由所述配置参数设置给出的自主车辆控制参数的值来配置所述自主车辆的车辆控制器。
10.如权利要求1至7中任一项所述的方法,其特征在于,所述安全性的度量表示根据所述配置参数设置配置的所述自主车辆在所述驾驶场景中是否实现预定的安全性水平,并且如果所述自主车辆实现所述预定的安全性水平,则表示其实现所述预定的安全性水平的稳健性水平。
11.如权利要求1至7中任一项所述的方法,进一步包括:根据所选择的一个或多个配置来配置所述自主车辆。
12.如权利要求1至7中任一项所述的方法,进一步包括:基于交通法规来设置所述阈值安全性程度。
13.如权利要求1至7中任一项所述的方法,进一步包括:选择用于所述自主车辆的驾驶行为,并且基于所述驾驶行为来设置所述阈值安全性程度。
14.一种用于确定用于自主车辆的配置的车辆配置布置,所述车辆配置布置包括:
确定器,所述确定器被配置成用于针对多个配置参数设置中的每个配置参数设置和多个驾驶场景中的每个驾驶场景而进行以下操作:
模拟根据所述配置参数设置配置的自主车辆在所述驾驶场景中的行为;以及
基于所模拟的行为来确定根据所述配置参数设置配置的所述自主车辆在所述驾驶场景中的安全性的连续度量,其中,所述度量表示根据所述配置参数设置配置的车辆的连续的安全性程度;以及
配置选择器,所述配置选择器被配置成用于基于满足阈值安全性程度的所确定的安全性的度量来选择用于所述自主车辆的一个或多个配置。
15.如权利要求14所述的车辆配置布置,包括车辆控制器,所述车辆控制器被配置成用于根据所选择的一个或多个配置来控制车辆。
16.如权利要求14所述的车辆配置布置,其特征在于,每个配置参数设置包括多个配置参数中的每个配置参数的配置参数值。
17.如权利要求14所述的车辆配置布置,其特征在于,所述多个配置参数设置包括针对所述多个驾驶场景中的每个驾驶场景的配置参数设置序列,并且其中,配置参数设置在所述多个配置参数中的至少一个配置参数的值方面与所述配置参数设置序列中的后续配置参数设置不同。
18.如权利要求14所述的车辆配置布置,其特征在于,所述确定器进一步被配置成用于:针对所述多个驾驶场景中的每个驾驶场景和每个配置参数设置、来确定所述配置参数设置序列中的后续配置参数设置。
19.如权利要求14所述的车辆配置布置,其特征在于,所述确定器进一步被配置成用于:基于针对配置参数设置确定的安全性的度量来确定所述配置参数设置的后续配置参数设置。
20.如权利要求14所述的车辆配置布置,其特征在于,所述确定器进一步被配置成用于:基于针对配置参数设置先前的一个或多个配置参数设置所确定的安全性的所述度量来确定所述配置参数设置的后续配置参数设置。
21.如权利要求14所述的车辆配置布置,其特征在于,所述确定器被配置成用于:基于在所述多个配置参数设置上搜索具有最小安全性度量、最大安全性度量或处于安全和不安全的配置参数设置之间的边界处的配置参数设置,来确定配置参数设置的后续配置参数设置。
22.如权利要求14所述的车辆配置布置,其特征在于,所述确定器被配置成用于:针对每个驾驶场景确定具有最小安全性度量、最大安全性度量或处于安全和不安全的配置参数设置之间的边界处的一个或多个配置参数设置,并且配置选择器被配置成用于:基于在所述搜索中找到的所述一个或多个配置参数设置来选择用于所述自主车辆的所述一个或多个配置。
23.如权利要求14所述的车辆配置布置,其特征在于,所述多个配置参数包括一个或多个自主车辆控制参数,并且其中根据所述配置参数设置来配置所述自主车辆包括:根据由所述配置参数设置给出的自主车辆控制参数的值来配置所述自主车辆的车辆控制器。
24.一种非易失性计算机可读介质,具有记录于其上的指令,所述指令在由一个或多个处理器执行时,使所述一个或多个处理器执行权利要求1所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/726,276 US20200130709A1 (en) | 2019-12-24 | 2019-12-24 | Method and device for determining a configuration for an autonomous vehicle |
US16/726,276 | 2019-12-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113022581A true CN113022581A (zh) | 2021-06-25 |
Family
ID=70328225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011011166.5A Pending CN113022581A (zh) | 2019-12-24 | 2020-09-23 | 用于确定用于自主车辆的配置的方法和设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200130709A1 (zh) |
CN (1) | CN113022581A (zh) |
DE (1) | DE102020127107A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11550325B2 (en) | 2020-06-10 | 2023-01-10 | Nvidia Corp. | Adversarial scenarios for safety testing of autonomous vehicles |
CN111505965B (zh) * | 2020-06-17 | 2020-09-29 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
KR20220087240A (ko) * | 2020-12-17 | 2022-06-24 | 현대자동차주식회사 | 자율 주행 차량의 시뮬레이션 장치 및 방법 |
US20220266859A1 (en) * | 2021-02-24 | 2022-08-25 | Zoox, Inc. | Simulated agents based on driving log data |
US20220379919A1 (en) * | 2021-05-27 | 2022-12-01 | Zoox, Inc. | Parameter space optimization |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10677686B2 (en) * | 2017-11-14 | 2020-06-09 | GM Global Technology Operations LLC | Method and apparatus for autonomous system performance and grading |
US11210609B2 (en) * | 2018-06-11 | 2021-12-28 | Traxen Inc. | User vehicle operation interface systems and methods |
WO2019169604A1 (en) * | 2018-03-08 | 2019-09-12 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Simulation-based method to evaluate perception requirement for autonomous driving vehicles |
US20200097004A1 (en) * | 2018-09-25 | 2020-03-26 | Cyngn, Inc. | Evolutionary algorithmic state machine for autonomous vehicle planning |
-
2019
- 2019-12-24 US US16/726,276 patent/US20200130709A1/en not_active Abandoned
-
2020
- 2020-09-23 CN CN202011011166.5A patent/CN113022581A/zh active Pending
- 2020-10-15 DE DE102020127107.7A patent/DE102020127107A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102020127107A1 (de) | 2021-06-24 |
US20200130709A1 (en) | 2020-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113022581A (zh) | 用于确定用于自主车辆的配置的方法和设备 | |
US11513523B1 (en) | Automated vehicle artificial intelligence training based on simulations | |
EP3789920A1 (en) | Performance testing for robotic systems | |
Xinxin et al. | Csg: Critical scenario generation from real traffic accidents | |
US11810460B2 (en) | Automatic generation of pedestrians in virtual simulation of roadway intersections | |
CN113935143A (zh) | 通过自主车辆的增加的严重性等级估计碰撞概率 | |
Yu et al. | Autonomous vehicles digital twin: A practical paradigm for autonomous driving system development | |
WO2022133090A1 (en) | Adaptive generation and assessment of autonomous vehicle critical scenarios | |
Song et al. | Critical scenario identification for realistic testing of autonomous driving systems | |
WO2022171812A1 (en) | Performance testing for trajectory planners | |
Gilpin et al. | Explaining multimodal errors in autonomous vehicles | |
US20230237210A1 (en) | 3d multi-object simulation | |
Stević et al. | Development of ADAS perception applications in ROS and" Software-In-the-Loop" validation with CARLA simulator | |
WO2023187117A1 (en) | Simulation-based testing for robotic systems | |
WO2023187121A1 (en) | Simulation-based testing for robotic systems | |
US20220223047A1 (en) | Computer-implemented method for determining similarity values of traffic scenarios | |
US20240143491A1 (en) | Simulation based testing for trajectory planners | |
CN114207533A (zh) | 用于自主系统的开发和实时应用的形式化验证 | |
Sun et al. | An intelligent driving simulation platform: architecture, implementation and application | |
Jesenski et al. | Creation of critical traffic scenes for usage with importance sampling | |
EP4068241A1 (en) | Driving assistance system and method of controlling autonomous vehicles | |
EP4191462A1 (en) | Method and system for quantifying vehicle requirement | |
Xu et al. | Generic Simulation Framework for Evaluation Process: Applied to AI-powered Visual Perception System in Autonomous Driving | |
WO2023194552A1 (en) | Performance testing for robotic systems | |
US20240043022A1 (en) | Method, system, and computer program product for objective assessment of the performance of an adas/ads system |
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 |