CN113366440A - 具有致动延时的动态模型 - Google Patents

具有致动延时的动态模型 Download PDF

Info

Publication number
CN113366440A
CN113366440A CN201980006333.6A CN201980006333A CN113366440A CN 113366440 A CN113366440 A CN 113366440A CN 201980006333 A CN201980006333 A CN 201980006333A CN 113366440 A CN113366440 A CN 113366440A
Authority
CN
China
Prior art keywords
data
adv
virtual
control commands
control
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
Application number
CN201980006333.6A
Other languages
English (en)
Inventor
姜舒
罗琦
缪景皓
胡江滔
王禹
许稼轩
周金运
胡旷
马超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu com Times Technology Beijing Co Ltd
Baidu USA LLC
Original Assignee
Baidu com Times Technology Beijing Co Ltd
Baidu USA LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baidu com Times Technology Beijing Co Ltd, Baidu USA LLC filed Critical Baidu com Times Technology Beijing Co Ltd
Publication of CN113366440A publication Critical patent/CN113366440A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

在一个实施方式中，自动驾驶车辆(ADV)的模拟包括采集第一数据，该第一数据包括由ADV的自动驾驶车辆控制器输出的控制命令，以及采集第二数据，该第二数据包括在ADV的控制单元处实施的控制命令。例如转向命令、制动命令或油门命令的控制命令由ADV实施以影响ADV的运动。基于第一数据与第二数据的比较来确定延时模型，其中，延时模型限定第一数据与第二数据之间的时间延迟和/或幅度差。在虚拟驾驶环境中应用该延时模型。

Description

具有致动延时的动态模型
技术领域
本公开的实施方式总体涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及确定ADV的致动延时以及模拟具有致动延时的动态模型。
背景技术
以自动驾驶模式运行(例如，无人驾驶)的车辆可将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。
运动规划和控制是自动驾驶中的关键操作。然而，常规的运动规划操作主要根据其曲率和速度来估计完成给定路径的难度，而不考虑不同类型的车辆的特征方面的差异。将相同的运动规划和控制应用于所有类型的车辆，这在某些情况下可能并不精确和平滑。
自动驾驶车辆(ADV)的车辆控制，例如转向、制动和油门命令，从车辆控制器给出命令的点到该命令被ADV响应的点可具有延时。
由数据处理装置(例如，计算机)生成的模拟可对虚拟环境中的物理对象的运动和交互进行建模。例如，虚拟环境可具有虚拟道路、虚拟车辆(包括ADV)、虚拟行人、虚拟建筑物和其它虚拟对象。控制输入(例如，油门、转向和制动)可应用于虚拟车辆以控制车辆在虚拟环境中的运动。在模拟中，控制输入可应用于诸如ADV的对象而没有延迟或衰减。然而，在物理世界中，ADV控制命令可能具有延时。
发明内容
在第一方面，提供了一种用于模拟自动驾驶车辆(ADV)的驾驶的方法。该方法包括采集第一数据，第一数据包括由ADV的自动驾驶车辆控制器输出的控制命令和输出控制命令的时序，其中，控制命令是使用自动驾驶算法生成的；采集第二数据，第二数据包括在ADV的控制单元处实施的控制命令和实施的时序，控制命令实施为影响ADV的运动；以及基于至少将第一数据的时序与第二数据的时序进行比较来确定延时模型，延时模型限定第一数据与第二数据之间的时间延迟，其中，延时模型用于在虚拟驾驶环境中模拟自动驾驶算法。
在第二方面，提供了一种数据处理系统。系统包括一个或多个处理器；以及存储器，其联接至该一个或多个处理器以存储指令，该指令在由该一个或多个处理器执行时致使该一个或多个处理器执行操作，操作包括：采集第一数据，第一数据包括由ADV的自动驾驶车辆控制器输出的控制命令以及输出该控制命令的时序，其中，控制命令是使用自动驾驶算法生成的；采集第二数据，第二数据包括在ADV的控制单元处实施的控制命令和实施的时序，控制命令实施为影响ADV的运动；以及基于至少将第一数据的时序与第二数据的时序进行比较来确定延时模型，延时模型限定第一数据与第二数据之间的时间延迟，其中，延时模型用于在虚拟驾驶环境中模拟自动驾驶算法。
在第三方面，提供了一种其中存储有指令的非暂时性机器可读介质。该指令在由处理器执行时致使处理器执行以下操作，包括：采集第一数据，第一数据包括由ADV的自动驾驶车辆控制器输出的控制命令以及输出控制命令的时序，其中，控制命令是使用自动驾驶算法生成的；采集第二数据，第二数据包括在ADV的控制单元处实施的控制命令和实施的时序，控制命令实施为影响ADV的运动；以及基于至少将第一数据的时序与第二数据的时序进行比较来确定延时模型，延时模型限定第一数据与第二数据之间的时间延迟，其中，延时模型用于在虚拟驾驶环境中模拟自动驾驶算法。
附图说明
本公开的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考标记指示相似元件。
图1是示出根据一个实施方式的网络化系统的框图。
图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。
图3A至图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。
图4示出根据一个实施方式的使用延时模型来模拟ADV的过程。
图5示出根据一个实施方式的用于确定延时模型和利用延时模型模拟ADV的框图和系统。
图6示出根据一个实施方式的用于确定延时模型的博客图和系统。
图7示出延时模型应用于控制命令的示例。
图8示出根据一个实施方式应用了延时模型的虚拟模拟环境。
图9示出根据一个实施方式的模拟自动驾驶的过程的示例的流程图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面，附图将示出所述各种实施方式。下列描述和附图是本公开的说明，而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的各种实施方式的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节，以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
在物理世界中，在发出控制命令的点、接收控制命令的点和/或控制命令的实施(ADV的控制单元对控制命令的响应)之间可能存在时间延迟以及控制命令的一些衰减。在虚拟环境中对ADV的模拟特别有帮助，以模拟不同的控制算法如何在现实世界中发挥作用，同时将损害或伤害的风险最小化。
例如，为了模拟ADV的驾驶模块和算法中的一个或多个如何对步入道路中的行人作出反应，可利用虚拟ADV生成虚拟环境来测试此类场景。虚拟ADV的模块和算法可感测虚拟行人并尝试制动。可生成虚拟转向命令并将其施加至虚拟ADV以模拟虚拟ADV是否将充分响应。为了更接近地类似于物理世界，可将延时模型应用于转向命令。可基于在物理ADV中采集的数据来确定延时模型，从而通过将物理ADV的实际时间延迟和衰减引入虚拟环境中的虚拟ADV中来“弥合差距”。
根据一些实施方式，基于a)所采集的ADV模块的控制命令数据，以及b)所采集的ADV底盘上的数据来确定延时模型。延时模型包括控制命令的时间延迟和/或衰减。换言之，延时模型可限定ADV对控制命令的感测响应。在虚拟环境中应用该延时模型来测试和模拟ADV模块和算法。
图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或位置服务器等。
自动驾驶车辆是指可配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可包括传感器系统，所述传感器系统具有配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在一个实施方式中，自动驾驶车辆101包括，但不限于，感知与规划系统110、车辆控制系统111、无线通信系统112、用户接口系统113和传感器系统115。自动驾驶车辆101还可包括普通车辆中包括的某些常用部件，诸如：发动机、车轮、方向盘、变速器等，所述部件可由车辆控制系统111和/或感知与规划系统110使用多种通信信号和/或命令进行控制，该多种通信信号和/或命令例如，加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至115可经由互连件、总线、网络或其组合通信地联接到彼此。例如，部件110至115可经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议，但也用于许多其它环境。
现在参考图2，在一个实施方式中，传感器系统115包括但不限于一个或多个摄像机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS系统212可包括收发器，所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中，除感测对象之外，雷达单元214可另外感测对象的速度和/或前进方向。LIDAR单元215可使用激光来感测自动驾驶车辆所处环境中的对象。除其它系统部件之外，LIDAR单元215还可包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的，例如，通过将摄像机安装在旋转和/或倾斜平台上。
传感器系统115还可包括其它传感器，诸如：声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如，麦克风)。音频传感器可配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下，油门传感器和制动传感器可集成为集成式油门/制动传感器。
在一个实施方式中，车辆控制系统111包括但不限于转向单元201、油门单元202(也称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度，电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意，如图2所示的部件可以以硬件、软件或其组合实施。
返回参考图1，无线通信系统112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部系统之间的通信。例如，无线通信系统112可以与一个或多个装置直接无线通信，或者经由通信网络进行无线通信，诸如，通过网络102与服务器103至104通信。无线通信系统112可使用任何蜂窝通信网络或无线局域网(WLAN)，例如，使用WiFi，以与另一部件或系统通信。无线通信系统112可例如使用红外链路、蓝牙等与装置(例如，乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口系统113可以是在车辆101内实施的外围装置的部分，包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可由感知与规划系统110控制或管理，尤其当在自动驾驶模式下操作时。感知与规划系统110包括必要的硬件(例如，处理器、存储器、存储装置)和软件(例如，操作系统、规划和路线安排程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理所接收的信息，规划从起始点到目的地点的路线或路径，随后基于规划和控制信息来驾驶车辆101。可替代地，感知与规划系统110可与车辆控制系统111集成在一起。
例如，作为乘客的用户可例如经由用户接口来指定行程的起始位置和目的地。感知与规划系统110获得行程相关数据。例如，感知与规划系统110可从MPOI服务器中获得位置和路线信息，所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI。可替代地，此类位置和MPOI信息可本地高速缓存在感知与规划系统110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时，感知与规划系统110也可从交通信息系统或服务器(TIS)获得实时交通信息。应注意，服务器103至104可由第三方实体进行操作。可替代地，服务器103至104的功能可与感知与规划系统110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器系统115检测或感测的实时本地环境数据(例如，障碍物、对象、附近车辆)，感知与规划系统110可规划最佳路线并且根据所规划的路线例如经由控制系统111来驾驶车辆101，以安全且高效到达指定目的地。
服务器103可以是数据分析系统，从而为各种客户执行数据分析服务。在一个实施方式中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或由人类驾驶员驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据123包括指示所发出的驾驶命令(例如，油门、制动、转向命令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如，速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息，例如，路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。
在一个实施方式中，驾驶统计数据123可包括在不同时间从自动驾驶系统发出并由车辆的车辆平台(诸如车辆的电子控制单元(ECU))接收或执行的一组控制命令。自动驾驶系统发出的命令与车辆平台之间可发生时序的延时或延迟，并影响自动驾驶系统的规划和控制。
基于驾驶统计数据123，出于各种目的，机器学习引擎122生成或训练一组规则、算法和/或预测模型124。在一个实施方式中，机器学习引擎122可基于驾驶统计数据来生成延时模型，以确定软件(例如，自动驾驶系统)与硬件(例如，车辆平台)之间的时序延时或延迟。例如，算法124可包括延时模型，其确定基于驾驶统计数据生成的车辆或车辆的类型的延时。然后算法124可上传到ADV上，以在自动驾驶期间实时使用或在模拟自动驾驶系统时使用。
图3A和图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。系统300可实施为图1的自动驾驶车辆101的一部分，包括但不限于感知与规划系统110、控制系统111和传感器系统115。参考图3A至图3B，感知与规划系统110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路线安排模块307和数据采集模块308。
模块301至308中的一些或全部可以以软件、硬件或其组合实施。例如，这些模块可安装在永久性存储装置352中、加载到存储器351中，并且由一个或多个处理器(未示出)执行。应注意，这些模块中的一些或全部可通信地联接到图2的车辆控制系统111的一些或全部模块或者与它们集成在一起。模块301至308中的一些可一起集成为集成模块。
定位模块301确定自动驾驶车辆300的当前位置(例如，利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。定位模块301(又称作为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可例如经由用户界面登录并且指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的诸如地图与路线信息311的其它部件通信，以获得行程相关数据。例如，定位模块301可从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。位置服务器提供位置服务，并且MPOI服务器提供地图服务和某些位置的POI，从而可作为地图与路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时，定位模块301也可从交通信息系统或服务器获得实时交通信息。
基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，感知模块302确定对周围环境的感知。感知信息可表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可包括例如采用对象形式的车道配置、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让行标志)等。车道配置包括描述一个或多个车道的信息，诸如，例如车道的形状(例如，直线或弯曲)、车道的宽度、道路中的车道数量、单向或双向车道、合并或分开车道、出口车道等。
感知模块302可包括计算机视觉系统或计算机视觉系统的功能，以处理并分析由一个或多个摄像机采集的图像，从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉系统可使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中，计算机视觉系统可绘制环境地图，跟踪对象，以及估算对象的速度等。感知模块302也可基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
针对每个对象，预测模块303预测对象在这种情况下将如何表现。预测是基于感知数据执行的，该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如，如果对象为相反方向上的车辆且当前驾驶环境包括十字路口，则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯，则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道，则预测模块303可能预测车辆将更可能分别左转或右转。
针对每个对象，决策模块304作出关于如何处置对象的决定。例如，针对特定对象(例如，交叉路线中的另一车辆)以及描述对象的元数据(例如，速度、方向、转弯角度)，决策模块304决定如何与所述对象相遇(例如，超车、让行、停止、超过)。决策模块304可根据诸如交通规则或驾驶规则312的规则集来作出此类决定，所述规则集可存储在永久性存储装置352中。
路线安排模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从起始位置到目的地位置的给定行程，例如从用户接收的给定行程，路线安排模块307获得路线与地图信息311，并确定从起始位置至到达目的地位置的所有可能路线或路径。路线安排模块307可生成地形图形式的参考线，它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即，如果道路上没有其它车辆、行人或障碍物，则ADV应精确地或紧密地跟随参考线。然后，将地形图提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线，以根据由其它模块提供的其它数据选择和更改最佳路线中的一个，其中，其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境，用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考线。
基于针对所感知到的对象中的每个的决定，规划模块305使用由路线安排模块307提供的参考线作为基础，为自动驾驶车辆规划路径或路线以及驾驶参数(例如，距离、速度和/或转弯角度)。换言之，针对给定的对象，决策模块304决定对该对象做什么，而规划模块305确定如何去做。例如，针对给定的对象，决策模块304可决定超过所述对象，而规划模块305可确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块305生成，包括描述车辆300在下一移动循环(例如，下一路线/路径段)中将如何移动的信息。例如，规划和控制数据可指示车辆300以30英里每小时(mph)的速度移动10米，随后以25mph的速度变到右侧车道。
基于规划和控制数据，控制模块306根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制系统111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息，以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动和转弯、转向命令)将车辆从路线或路径的第一点驾驶到第二点。
在一个实施方式中，规划阶段在多个规划周期(也称作为驾驶周期)中执行，例如，在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或驾驶周期中的每一个，将基于规划和控制数据发出一个或多个控制命令。即，对于每100ms，规划模块305规划下一个路线段或路径段，例如，包括目标位置和ADV到达目标位置所需要的时间。可替代地，规划模块305还可规定具体的速度、方向和/或转向角等。在一个实施方式中，规划模块305为下一个预定时段(诸如，5秒)规划路线段或路径段。对于每个规划周期，规划模块305基于在前一周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制命令(例如，油门、制动、转向控制命令)。
应注意，决策模块304和规划模块305可集成为集成模块。决策模块304/规划模块305可包括导航系统或导航系统的功能，以确定自动驾驶车辆的驾驶路径。例如，导航系统可确定用于影响自动驾驶车辆沿着以下路径移动的一系列速度和前进方向：所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时，基本上避免感知到的障碍物。目的地可根据经由用户接口系统113进行的用户输入来设定。导航系统可在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航系统可将来自GPS系统和一个或多个地图的数据合并，以确定用于自动驾驶车辆的驾驶路径。
数据采集模块308可采集包括例如在控制器信道上由自动驾驶车辆控制器发出的控制命令的第一组数据。该数据表示没有时间延迟或衰减的初始控制命令。数据采集模块可采集包括例如在ADV的底盘信道处的下游控制响应的第二组数据。控制响应可以是感测到的ADV对控制命令的响应。感测到的响应可以是位置传感器或指示控制命令的响应的其它传感器。所采集的数据可存储在数据日志313中，其随后可由例如数据分析系统103分析，以生成用于确定特定车辆或特定类型车辆的延时的延时模型。
参考图4，示出了可识别车辆的致动延时的过程400。致动延时可由动态系统建模以确定延时模型，如本文所述。然后将这些模型部署到模拟中，该模拟以具有类似于物理ADV的致动延时的虚拟ADV的控制为特征。
在框402处，该过程包括采集第一数据，该第一数据包括由ADV的自动驾驶车辆控制器输出的控制命令。在框404处，该过程包括采集第二数据，该第二数据包括在ADV的控制单元处实施的控制命令，该控制命令实施为影响ADV的运动。在框406处，该过程包括基于第一数据与第二数据的比较来确定延时模型，该延时模型限定第一数据中的控制命令与第二数据中的控制命令之间的时间延迟和/或幅度差。在框408处，该过程包括在虚拟驾驶环境中应用延时模型。因此，过程400可通过在模拟中包括真实世界延时来改进ADV测试模拟。
在图5中，ADV的自动驾驶车辆控制器502可包括各种ADV模块，诸如在感知与规划系统110中所示的那些(例如，参见图3A)。自动驾驶车辆控制器的控制模块306可向控制系统111的控制单元(诸如车辆的电子控制单元或ECU)发出控制命令。控制命令可通过控制器信道504发出。控制信道504可以是用于传送模拟和/或数字数据的适当的已知的包括硬件和软件的通信总线，例如以太网、TCP/IP、Wi-Fi、IEEE 802.3-2018或其变型，以及其它等效技术。
根据车辆的类型，从自动驾驶系统发出控制命令和在车辆平台接收或执行该控制命令之间总是存在时间延迟。这种延迟可能显著影响自动驾驶系统的决策制定，如果在自动驾驶系统的规划与控制期间没有考虑这种延迟，则这种延迟可能引起事故。
控制命令(例如，转向命令、制动命令或油门命令)可以是表示控制单元(例如，油门单元202、制动单元203和转向单元201)应被致动的程度的值(例如，‘0.5、1、50或99’)或百分比(例如，50％或90％)。根据控制命令的类型，相应的转向单元201、制动单元203或油门单元202可成比例地响应。应当理解，“油门单元”不限于内燃机单元，也可作为用于电动机控制器和/或混合电动机/发动机解决方案的加速命令来应用。
控制系统传感器510可基于命令来感测相应控制单元物理地改变了多少。例如，如果命令制动为30％，则控制传感器510可感测0.05秒的时间延迟和仅为28％的制动响应。因此，在所命令的以及控制单元如何响应之间存在时间延迟和潜在的幅度差。在一些情况下，该幅度可以是零，而在其它情况下，它可以是非零的。
时间延迟可能是由于控制器信道、底盘信道508或接口507中的通信延时导致的。接口507可包括诸如处理器和通信总线的通信硬件，其可将控制命令从控制器信道504转换为底盘信道508上的可识别格式。在一些实施方式中，底盘信道508是CAN总线或CAN总线的一些已知变型。尽管图5中未示出，但是例如前灯、传感器、风挡雨刷控制器等的其它车辆系统也可通信地连接至底盘信道508。
数据采集模块512可采集包括由自动驾驶车辆控制器502(例如，通过控制模块306)输出的控制命令的第一数据514。可通过记录控制器信道504上的数据来采集该第一数据。
类似地，可通过记录底盘信道508上的数据来采集第二数据516。第二数据可包括在控制单元处实施的控制命令，该控制命令包括ADV的，便于与控制单元的通信的通信总线上的记录数据。底盘信道可包含命令到控制单元的控制命令(由于来自ADV控制器的传输延迟而具有一些延时。底盘信道还可具有相应控制单元的感测动作(致动数据)(例如，转向单元响应转向命令的程度，发动机或马达对油门的响应，或制动器对制动命令的响应)。
数据剖析器和系统标识符518可将第一数据与第二数据进行比较，以表征两者之间的差(如果有的话)。这种表征或延时模型可包括曲线、方程、限定曲线的方程、一个或多个系数、脉冲响应或传递函数，其应用于第一数据(例如，初始控制命令)时产生第二数据的近似值(例如，ADV对控制命令的响应)。可重复地将延时模型与底盘信道数据进行比较，以调整延时模型。
例如，参考图6，可将控制命令602作为输入馈送至ADV控制系统604，从而产生包括ADV对控制命令的感测响应的底盘数据。这里的ADV控制系统可以是物理ADV控制系统，诸如转向单元、油门单元或制动单元。ADV的传感器可生成示出ADV如何响应控制命令的数据。例如，感测的前进方向可指示ADV对转向命令的响应。感测的随时间的速度可指示ADV对油门和制动命令的响应。
将延时模型606应用于控制命令以生成具有模拟延时和/或衰减的ADV的模拟控制响应。将模拟控制响应与底盘数据进行比较，以确定模拟控制响应与底盘数据中的感测控制响应之间的差。该差可通过减法和/或除法来计算。可基于该差来确定延时调整612。可根据延时调整来更新延时模型，以更好地近似ADV控制系统604的实际延时。可重复该过程来调整延时模型。
在一些实施方式中，数据剖析器和系统标识符可使用低通滤波器来模拟ADV控制单元(例如，转向、油门或制动)的阶跃响应延时。低通滤波器的可配置参数可包括死区时间或时间延迟(td)，以及设定时间或响应延迟。传递函数(频域)可表征为
Figure BDA0002531537890000141
其中，td是死区时间或时间延迟，K是常数，并且τs与设定时间相关。在时域中滤波器可由以下函数表示：
Figure BDA0002531537890000142
其中，u(t)是控制命令，c(t)是在底盘信道中找到的控制数据(例如，响应)，以及δ是德耳塔函数，使得如果t≤td，则δ(t-td)＝0以及如果t＞td则δ(t-td)＝1。
滤波器也可在离散系统中表示：
Figure BDA0002531537890000143
其中，k表示离散的样本或点，如果k≤kd，则δ(k-kd)＝0，以及如果k＞kd，则(k-kd)＝1。
因此，延时模型可包括滤波器，诸如：在时域中为
Figure BDA0002531537890000144
或在离散系统中为
Figure BDA0002531537890000145
当应用于控制命令时，滤波器近似ADV的控制响应。
如上所述，延时模型可包括曲线、方程、限定曲线的方程、一个或多个系数、脉冲响应、滤波器和/或传递函数，当应用于第一数据时，其产生第二数据的近似值。例如，参考图7，在控制信道处采集的第一数据中示出了控制命令704。第二数据示出了在底盘信道处采集的控制响应706。可将延时模型702应用于第一数据704，以产生近似的控制响应708，该近似的控制响应708类似于在第二数据中发现的实际控制响应706。如图所示，时间延迟和幅度差(例如，衰减)可相对于时间、控制命令的增加速率、控制命令的类型和/或控制命令值而变化。例如，与针对于油门相比，针对于转向的时间延迟和幅度差可更大。与针对于油门的逐渐变化相比，针对于油门的突然变化的时间延迟和幅度差可更大。此外，时间延迟和幅度差可相对于转向角的位置而不同地变化。这些是时间延迟和幅度如何变化的非穷举示例。
参考图8，可生成使用延时模型822来模拟实际ADV延时的虚拟模拟环境。如上所述，模拟有助于测试各种ADV算法和模块在不同的驾驶场景中将如何响应和执行。虚拟模拟环境可包括虚拟ADV控制器820，该虚拟ADV控制器820包括在图1至图3B中描述的ADV驾驶系统中的一个或多个。动态模型824可模拟虚拟对象(诸如但不限于虚拟ADV 802和虚拟行人806)在虚拟模拟环境中的运动。虚拟ADV控制器可生成虚拟控制命令(例如，转向命令、油门命令或制动命令)以控制虚拟ADV。首先将延时模型822应用于控制命令而不是将该控制命令直接送到动态模型824以影响虚拟ADV的运动。这增加了模拟的虚拟延时，以更好地对ADV的真实世界响应建模。
不同的模拟可测试不同的场景。每个场景均可具有一组预定义的控制，例如，初始前进方向和不同对象(包括ADV)的速度。模拟可测试驾驶模块(如关于图1至图3B所描述的)在不同场景下的逻辑和响应。例如，一种情景可测试ADV 802如何对在道路上并且在ADV的驾驶路径中漫步的行人806做出反应。ADV可尝试绕行人转向以避开行人。在这种情况下，延时模型822可向模拟添加真实延时，以提供关于ADV是否对行人做出了充分反应的以降低与行人接触的风险的改进数据。
如图8中所示，可将延时模型应用于由虚拟控制器820生成的虚拟转向控制。延时模型可向转向控制添加时间延迟和/或衰减，然后转向控制可由动态模型824处理以生成虚拟ADV的运动。示出了没有延时和添加了延时的虚拟ADV的路径。因此，在接近的情况下，模拟可潜在地示出ADV对于没有延时的特定场景的令人满意的结果。然而，在添加了延时的情况下，相同的场景可能指示ADV的响应没有提供足够的结果，例如，与行人接触的风险较高，令人无法接受。因此，添加了延时的模拟为ADV将如何在真实世界中执行提供了更好的理解。
应当理解，图8用于示出所模拟的ADV场景的一个示例。其他场景可包括ADV如何响应其他对象，诸如但不限于道路上的其他车辆、行人和诸如道路中的碎片的静态障碍物。一些场景可测试这些障碍物的混合。其它障碍物可测试ADV如何响应不同的交通规则和交通控制对象，诸如停止标志、交通灯等。
图9是示出根据一个实施方式的模拟自动驾驶的过程的示例的流程图。过程900可由自动驾驶模拟系统的动态模型来执行。参考图9，在框901处，接收待发出到要进行模拟的ADV的一组控制命令(例如，转向、油门、制动命令)。在框902处，调用延时模型以确定与控制命令相关联的延迟。应注意，不同的控制命令可与不同的延迟相关联。在框903处，根据对应的延迟以模拟方式执行控制命令。在框904处，使用模拟的自动驾驶系统的动态模型来确定要模拟的ADV的定位、速度和前进方向。
应注意，如上文示出和描述的部件中的一些或全部可在软件、硬件或其组合中实施。例如，此类部件可实施为安装并存储在永久性存储装置中的软件，所述软件可通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。可替代地，此类部件可实施为编程或嵌入到专用硬件(诸如，集成电路(例如，专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码，所述可执行代码可经由来自应用的相应驱动程序和/或操作系统来访问。此外，此类部件可实施为处理器或处理器内核中的特定硬件逻辑，作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式，以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中，算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而，应当牢记，所有这些和类似的术语均旨在与适当的物理量关联，并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出，否则应当了解，在整个说明书中，利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理，所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据，并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储装置、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机构。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可由处理逻辑来执行，所述处理逻辑包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的，但是应当了解，所述操作中的一些可按不同的顺序执行。此外，一些操作可并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到，可使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中，已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是，在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下，可对本发明作出各种修改。因此，应当在说明性意义而不是限制性意义上来理解本说明书和附图。

Claims (20)

1.一种用于模拟自动驾驶车辆(ADV)的驾驶的方法，包括：
采集第一数据，所述第一数据包括由所述ADV的自动驾驶车辆控制器输出的控制命令和输出所述控制命令的时序，其中，所述控制命令是使用自动驾驶算法生成的；
采集第二数据，所述第二数据包括在所述ADV的控制单元处实施的控制命令和实施的时序，所述控制命令实施为影响所述ADV的运动；以及
基于至少将所述第一数据的时序与所述第二数据的时序进行比较来确定延时模型，所述延时模型限定所述第一数据与所述第二数据之间的时间延迟，其中，所述延时模型用于在虚拟驾驶环境中模拟所述自动驾驶算法。
2.根据权利要求1所述的方法，其中，所述延时模型还限定所述第一数据与所述第二数据之间的幅度差。
3.根据权利要求1所述的方法，其中，生成所述虚拟驾驶环境包括：
生成虚拟控制命令以模拟虚拟ADV的运动；以及
将所述延时模型应用于所述虚拟控制命令，以影响模拟的所述虚拟ADV的运动中的虚拟延时。
4.根据权利要求1所述的方法，其中，所述延时模型包括以下中的一个或多个：曲线、方程、限定曲线的方程、一个或多个系数、脉冲响应或传递函数，所述延时模型在应用于所述第一数据时产生所述第二数据的近似值。
5.根据权利要求1所述的方法，其中，所述控制命令是转向命令。
6.根据权利要求1所述的方法，其中，所述控制命令是制动命令。
7.根据权利要求1所述的方法，其中，所述控制命令是油门命令。
8.根据权利要求1所述的方法，其中，所述控制单元是转向单元、制动单元、油门单元或电动机控制器。
9.根据权利要求1所述的方法，其中，采集具有在所述控制单元处实施的控制命令的所述第二数据包括感测所述控制单元的动作。
10.根据权利要求1所述的方法，其中，采集具有在所述控制单元处实施的控制命令的所述第二数据包括记录所述ADV的、便于与所述控制单元通信的通信总线上的数据。
11.一种数据处理系统，包括：
一个或多个处理器；以及
存储器，联接至所述一个或多个处理器以存储指令，所述指令在由所述一个或多个处理器执行时致使所述一个或多个处理器执行以下操作，包括：
采集第一数据，所述第一数据包括由ADV的自动驾驶车辆控制器输出的控制命令和输出所述控制命令的时序，其中，所述控制命令是使用自动驾驶算法生成的；
采集第二数据，所述第二数据包括在所述ADV的控制单元处实施的控制命令和实施的时序，所述控制命令实施为影响所述ADV的运动；以及
基于至少将所述第一数据的时序与所述第二数据的时序进行比较来确定延时模型，所述延时模型限定所述第一数据与所述第二数据之间的时间延迟，其中，所述延时模型用于在虚拟驾驶环境中模拟所述自动驾驶算法。
12.根据权利要求11所述的数据处理系统，其中，所述延时模型还包括所述第一数据与所述第二数据之间的幅度差。
13.根据权利要求11所述的数据处理系统，其中，生成所述虚拟驾驶环境包括：
生成虚拟控制命令以模拟虚拟ADV的运动；以及
将所述延时模型应用于所述虚拟控制命令，以影响模拟的所述虚拟ADV的运动中的虚拟延时。
14.根据权利要求11所述的数据处理系统，其中，所述延时模型包括以下中的一个或多个：曲线、方程、限定曲线的方程、一个或多个系数、脉冲响应或传递函数，所述延时模型在应用于所述第一数据时产生所述第二数据的近似值。
15.根据权利要求11所述的数据处理系统，其中，采集具有在所述控制单元处实施的控制命令的所述第二数据包括记录所述ADV的、便于与所述控制单元通信的通信总线上的数据。
16.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行以下操作，包括：
采集第一数据，所述第一数据包括由ADV的自动驾驶车辆控制器输出的控制命令和输出所述控制命令的时序，其中，所述控制命令是使用自动驾驶算法生成的；
采集第二数据，所述第二数据包括在所述ADV的控制单元处实施的控制命令和实施的时序，所述控制命令实施为影响所述ADV的运动；以及
基于至少将所述第一数据的时序与所述第二数据的时序进行比较来确定延时模型，所述延时模型限定所述第一数据与所述第二数据之间的时间延迟，其中，所述延时模型用于在虚拟驾驶环境中模拟所述自动驾驶算法。
17.根据权利要求16所述的非暂时性机器可读介质，其中，所述延时模型还包括所述第一数据与所述第二数据之间的幅度差。
18.根据权利要求16所述的非暂时性机器可读介质，其中，生成所述虚拟驾驶环境包括：
生成虚拟控制命令以模拟虚拟ADV的运动；以及
将所述延时模型应用于所述虚拟控制命令，以影响模拟的所述虚拟ADV的运动中的虚拟延时。
19.根据权利要求16所述的非暂时性机器可读介质，其中，所述延时模型包括以下中的一个或多个：曲线、方程、限定曲线的方程、一个或多个系数、脉冲响应或传递函数，所述延时模型在应用于所述第一数据时产生所述第二数据的近似值。
20.根据权利要求16所述的非暂时性机器可读介质，其中，采集具有在所述控制单元处实施的控制命令的所述第二数据包括记录所述ADV的、便于与所述控制单元通信的通信总线上的数据。
CN201980006333.6A 2019-12-20 2019-12-20 具有致动延时的动态模型 Pending CN113366440A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/127125 WO2021120201A1 (en) 2019-12-20 2019-12-20 Dynamic model with actuation latency

Publications (1)

Publication Number Publication Date
CN113366440A true CN113366440A (zh) 2021-09-07

Family

ID=76477002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980006333.6A Pending CN113366440A (zh) 2019-12-20 2019-12-20 具有致动延时的动态模型

Country Status (4)

Country Link
US (1) US11738771B2 (zh)
EP (1) EP3861439A4 (zh)
CN (1) CN113366440A (zh)
WO (1) WO2021120201A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220227397A1 (en) * 2021-01-19 2022-07-21 Baidu Usa Llc Dynamic model evaluation package for autonomous driving vehicles

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160050261A1 (en) * 2014-08-13 2016-02-18 Software AG USA Inc. Intelligent messaging grid for big data ingestion and/or associated methods
CN108099918A (zh) * 2016-11-23 2018-06-01 百度（美国）有限责任公司 用于确定自主车辆的命令延迟的方法
CN109597317A (zh) * 2018-12-26 2019-04-09 广州小鹏汽车科技有限公司 一种基于自学习的车辆自动驾驶方法、系统及电子设备
CN109726426A (zh) * 2018-11-12 2019-05-07 初速度（苏州）科技有限公司 一种车辆自动驾驶虚拟环境构建方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8996598B2 (en) 2012-06-15 2015-03-31 The Boeing Company Latency compensation
US10227075B2 (en) * 2016-09-28 2019-03-12 Baidu Usa Llc System delay estimation method for autonomous vehicle control
IL269277B2 (en) * 2017-05-18 2023-09-01 Liveu Ltd Device, system and method for multi-channel wireless communication for a vehicle
US10481044B2 (en) 2017-05-18 2019-11-19 TuSimple Perception simulation for improved autonomous vehicle control
JP7017871B2 (ja) 2017-07-06 2022-02-09 日立Astemo株式会社 車両制御模擬装置
CN108803607B (zh) * 2018-06-08 2021-06-01 北京领骏科技有限公司 一种用于自动驾驶的多功能仿真系统
CN109884916B (zh) * 2019-02-26 2022-03-04 魔门塔(苏州)科技有限公司 一种自动驾驶仿真评估方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160050261A1 (en) * 2014-08-13 2016-02-18 Software AG USA Inc. Intelligent messaging grid for big data ingestion and/or associated methods
CN108099918A (zh) * 2016-11-23 2018-06-01 百度（美国）有限责任公司 用于确定自主车辆的命令延迟的方法
CN109726426A (zh) * 2018-11-12 2019-05-07 初速度（苏州）科技有限公司 一种车辆自动驾驶虚拟环境构建方法
CN109597317A (zh) * 2018-12-26 2019-04-09 广州小鹏汽车科技有限公司 一种基于自学习的车辆自动驾驶方法、系统及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ALONZO KELLY ET AL.: "Rough Terrain Autonomous Mobility-Part 2: An Active Vision Predictive Control Approach", AUTONOMOUS ROBOTS, pages 163 - 198 *

Also Published As

Publication number Publication date
EP3861439A4 (en) 2021-12-15
US20220315046A1 (en) 2022-10-06
WO2021120201A1 (en) 2021-06-24
US11738771B2 (en) 2023-08-29
EP3861439A1 (en) 2021-08-11

Similar Documents

Publication Publication Date Title
CN111775945B (zh) 用于自动驾驶的用于检测最接近的路径内对象的方法和装置
CN111775933B (zh) 用于基于车辆周围障碍物的移动轨迹自主驾驶车辆的方法
EP3865365A1 (en) Cross-platform control profiling for autonomous vehicle control
CN113448329B (zh) 减少用于规划自主驾驶车辆的路径的障碍物的方法及系统
CN113129624B (zh) 交通堵塞情况下的最快车道确定算法
CN113552870A (zh) 基于感知结果的动态速度限制调整系统及方法
CN113495560A (zh) 基于场景的自动驾驶车辆控制
CN114379590B (zh) 紧急车辆音频和视觉检测后融合
CN112977473A (zh) 用于预测移动障碍物驶出十字路口的方法及系统
CN113799789A (zh) 融合紧急车辆音频和视觉检测的机器学习模型
CN113525406A (zh) 用于车辆运动控制器的基于贝叶斯全局优化的参数调谐
CN114026463A (zh) 基于部分点云的行人速度估计方法
CN112825127A (zh) 生成用于自动驾驶标记的紧密2d边界框的新方法
CN113442945A (zh) 用于自动驾驶车辆的使用反馈的增量式侧向控制系统
CN112230646A (zh) 设计用于单车运行的自动驾驶系统下的车辆队列实施
CN112230645A (zh) 用于控制无人驾驶车辆的操纵杆控制的安全机制
CN112985825B (zh) 用于确定自动驾驶系统的乘坐稳定性的方法
CN113815640A (zh) 用于具有不同速度限制的车道的车道变更系统
CN112985435A (zh) 用于操作自主驾驶车辆的方法及系统
CN113002534A (zh) 碰撞后减损制动系统
CN113748059A (zh) 离线和在线解决方案相结合的停车轨迹生成方法
EP4082856A2 (en) E2e learning-based evaluator for an autonomous driving vehicle
US11738771B2 (en) Dynamic model with actuation latency
US20230042001A1 (en) Weighted planning trajectory profiling method for autonomous vehicle
EP3889944A1 (en) A vehicle, fleet management and traffic light interaction architecture design via v2x

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