CN113692373B - 自动驾驶车辆服务的滞留和范围分析 - Google Patents
自动驾驶车辆服务的滞留和范围分析 Download PDFInfo
- Publication number
- CN113692373B CN113692373B CN202080029264.3A CN202080029264A CN113692373B CN 113692373 B CN113692373 B CN 113692373B CN 202080029264 A CN202080029264 A CN 202080029264A CN 113692373 B CN113692373 B CN 113692373B
- Authority
- CN
- China
- Prior art keywords
- location
- destination
- vehicle
- simulated vehicle
- starting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- G01C21/3438—Rendez-vous, i.e. searching a destination where several users can meet, and the routes to this destination for these users; Ride sharing, i.e. searching a route such that at least two users can share a vehicle for at least part of the route
-
- 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
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
-
- 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
-
- 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
Abstract
本发明的方面提供了用于识别自动驾驶车辆运输服务的服务区域内的有问题区域。例如,可以识别服务区域内对应于用于服务的乘客或货物的潜在拾取位置的起始位置。可以识别服务区域内的目的地。可以运行模拟以确定模拟车辆在起始位置和目的地之间行驶的路线(710)。可以确定包括特定类型的调动的路线。在不允许模拟车辆完成特定类型的调动的情况下,可以运行新的模拟。可以确定新模拟中的模拟车辆是否到达目的地。基于新模拟中模拟车辆是否到达目的地的确定,起始位置和目的地位置可以标记为潜在有问题区域。
Description
相关申请的交叉引用
本申请要求2019年4月17日提交的第16/387098号美国申请的利益,其全部披露通过引用并入本文。
背景技术
自动驾驶车辆,诸如不需要人工驾驶的车辆,可用于帮助将乘客或物品从一个位置运输到另一个位置。此类车辆可以在完全自主模式下运行,其中用户可以提供一些初始输入,诸如拾取或目的地位置,且车辆可自行调动至该位置。当一个人(或用户)希望通过车辆在两个地点之间进行实际运输和/或运输货物时,他们可以使用任意数量的出租车或递送服务。到目前为止,这些服务通常涉及人类驾驶员,他会收到派送指令到地点拾取和放下用户和/或货物。在许多情况下,人类驾驶员可能倾向于选择最快或最直接的路线到达目的地。然而,对于自动驾驶车辆,由于某种原因,某些区域可能是“禁区”,这可能并不总是可能的,有时可能会导致滞留,或者更确切地,是车辆无法到达目的地或其他位置的情况。
发明内容
本发明的一个方面提供了一种识别自动驾驶车辆运输服务的服务区域内的有问题区域的方法。所述方法包括:通过一个或多个处理器识别服务区内的起始位置,该起始位置对应于服务的乘客或货物的潜在拾取位置;通过一个或多个处理器识别服务区域内的对于起始位置的目的地位置;通过一个或多个处理器运行模拟,以确定模拟车辆在起始位置和目的地位置之间行驶的路线;通过一个或多个处理器确定所确定的路线包括特定类型的调动;在不允许模拟车辆完成特定类型的调动的情况下通过一个或多个处理器运行新模拟;通过一个或多个处理器确定模拟车辆是否到达新模拟中的目的地位置;以及基于对新模拟中模拟车辆是否到达目的地位置的确定,通过一个或多个处理器将起始位置或目的地位置中的至少一个标记为潜在有问题区域。
在一个示例中,所述方法还包括:通过识别对于起始位置的多个目的地位置并确定起始位置和多个目的地位置中的每一个之间的路线来运行对于起始位置的模拟集合;识别包括特定类型的调动的确定路线中的路线;在不允许模拟车辆完成特定类型的调动的情况下运行新模拟集合;以及确定模拟车辆在新模拟集合的每一个中是否到达目的地位置,并且其中进一步基于模拟车辆在新模拟集合的每一个中是否到达目的地位置的确定来进行标记。在此示例中,标记起始位置进一步基于模拟车辆未到达目的地位置的新模拟的数量与阈值的比较。在另一示例中,服务区域包括模拟车辆无法穿过的边界,并且其中,确定模拟车辆在新模拟中到达目的地位置是基于模拟车辆是否因边界而滞留。在另一示例中,通过随机选择服务区域内的位置来识别起始位置。在另一示例中,从服务区域内的多个预定拾取和放下位置识别起始位置。在此示例中,从多个预定拾取和放下位置随机识别起始位置。可选地,从多个预定拾取和放下位置识别起始位置,以便测试服务区域内的具体区域。在另一示例中,目的地位置是从服务区内的多个预定拾取和放下位置中被识别的。在另一示例中,使用自动驾驶车辆的路由系统软件堆栈运行模拟,以确定所确定的路线。在另一示例中,特定类型的调动是改变车道。在另一示例中,所述方法还包括:标记多个有问题区域;以及围绕多个有问题区域和起始位置绘制多边形。
本发明的另一方面提供了一种用于识别自动驾驶车辆运输服务的服务区域内的有问题区域的系统。所述系统包括:一个或多个服务器计算设备,具有一个或多个处理器,被配置为:识别服务区内的起始位置,起始位置对应于服务的乘客或货物的潜在拾取位置;识别对于起始位置的服务区域内的目的地位置;运行模拟,以确定模拟车辆在起始位置和目的地位置之间行驶的路线;确定所确定的路线包括特定类型的调动;在不允许模拟车辆完成特定类型的调动的情况下运行新模拟;确定模拟车辆在新模拟中是否到达的目的地位置;以及基于对模拟车辆在新模拟中是否到达目的地位置的确定,将起始位置或目的地位置中的至少一个标记为潜在有问题区域。
在一个示例中,一个或多个处理器还被配置为:通过对于识别起始位置的多个目的地位置并确定起始位置和多个目的地位置中的每一个之间的路线来运行对于起始位置的模拟集合;识别包括特定类型的调动的确定路线中的路线;在不允许模拟车辆完成特定类型的调动的情况下运行新模拟集合;以及确定模拟车辆在新模拟集合的每一个中是否到达目的地位置,并且其中进一步基于对模拟车辆在新模拟集合的每一个中是否到达目的地位置的确定来进行标记。在另一示例中,服务区域包括模拟车辆无法穿过的边界,并且其中,确定模拟车辆在新模拟中到达目的地位置是基于模拟车辆是否因边界而滞留。在另一示例中,通过随机选择服务区域内的位置来识别起始位置。在另一示例中,从服务区域内的多个预定拾取和放下位置识别起始位置。在另一示例中,从服务区域内的多个预定拾取和放下位置识别目的地位置。在另一示例中,使用自动驾驶车辆的路由系统软件堆栈运行模拟,以确定所确定的路线。在另一示例中,一个或多个处理器还被配置为:标记多个有问题区域;以及围绕多个有问题区域和起始位置绘制多边形。
附图说明
图1是根据示例性实施例的示例性车辆的功能图。
图2A、图2B和图2C是根据本发明各方面的地图信息的示例。
图3是根据本发明各方面的示例车辆外部视图。
图4是根据本发明各方面的示例系统的示意图。
图5是根据本发明各方面的图4的系统的功能图。
图6是根据本发明各方面的示例流程图。
图7是根据本发明各方面的地图信息和路线的示例。
图8是根据本发明各方面的地图信息和路线的示例。
图9是根据本发明各方面的地图信息、问题位置和多边形的示例。
具体实施方式
概述
本技术涉及评估用于自动驾驶车辆的服务区域的可行性。这允许识别车辆无法到达目的地的潜在滞留情况。例如,某些调动,诸如为了转弯而改变车道,对于可能被配置为避免人类驾驶员可能愿意尝试的不安全情况的自动驾驶车辆来说可能很困难。此外,自动驾驶车辆可能会受到地理限制,例如车辆可能需要留在服务区域内,而人类驾驶员通常不会受到此类限制。因此,在某些情况下,自动驾驶车辆可能会滞留,因为此类车辆可能会被编程以避免不安全的操纵以及由于地理限制而可能不再能够向目的地前进。如果车辆正在运输货物或乘客,这可能导致其他问题。同样,为了减少这种情况,可以通过运行模拟来“测试”服务区域,以识别有问题区域。
为了运行上述模拟,可以识别多个拾取和放下位置。每个拾取位置可以表示拾取乘客和/或货物的位置,每个放下位置可以表示放下乘客和/或货物的目的地或位置。可以从拾取和/或放下位置选择用于模拟的多个起始位置。对于每个选择的起始位置,可以从多个拾取和/或放下位置中选择多个目的地位置。
然后,通可以过对于每对起始位置和目的地位置确定路线来“运行”每个模拟。这可能涉及将每对起始和目的地位置输入到自动驾驶车辆使用的路由系统的软件堆栈中。路由系统可以确定每个起始位置和目的地位置之间的总路线。这些路线中的每一个都可以包括特定类型的调动。
可以识别包括特定类型的调动的模拟子集。例如,特定类型的调动可以包括右转弯和左转弯、无保护左转弯、车道改变、多点转弯等。对于模拟的子集,可以运行多个新模拟。这些新模拟中的每个都可以基于假设运行:车辆将无法完成该调动,并且不得不将其自身重新路由到该模拟的目的地。
可以识别未到达目的地位置的任何新模拟。对于每个识别的新模拟,(原始)选择的起始位置可以被标记为无法到达目的地位置。该信息可能有助于工程师形象化给定服务区域的实用性。
本文描述的特征可用于评估自动驾驶车辆的服务区域或软件限制调动的可行性。这允许识别车辆无法到达其目的地或车辆不太可能到达其目的地的潜在滞留情况,进而用于“划分(carve-out)”这些区域。因此,可以显着减少滞留的数量并且可以改善乘客或用户体验。
示例系统
如图1所示,根据本发明一个方面的车辆100包括各种组件。虽然本发明的某些方面对于特定类型的车辆特别有用,但车辆可以是任何类型的车辆,包括但不限于轿车、卡车、摩托车、公共汽车、休闲车等。车辆可以具有一个或多个计算设备,诸如包含一个或多个处理器120、存储器130和通常存在于通用计算设备中的其他组件的计算设备110。
存储器130存储由一个或多个处理器120可接入的信息,包括可由处理器120执行或以其他方式使用的指令132和数据134。存储器130可以是能够存储处理器可接入的信息的任何类型,包括计算设备可读介质,或存储可借助电子设备读取的数据的其他介质,诸如硬盘驱动器、存储卡、ROM、RAM、DVD或其他光盘,以及其他可写和只读存储器。系统和方法可以包括前述的不同组合,其中指令和数据的不同部分存储在不同类型的介质上。
指令132可以是由处理器直接执行(诸如机器代码)或间接执行(诸如脚本)的任何指令集。例如,指令可以作为计算设备代码存储在计算设备可读介质上。为此,术语“软件”、“指令”和“程序”在此可以互换使用。指令可以以目标代码格式存储以供处理器直接处理,或以任何其他计算设备语言存储,包括按需解释或预先编译的独立源代码模块的脚本或集合。下面更详细地解释指令的功能、方法和例程。
处理器134可以根据指令132检索、存储或修改数据134。例如,尽管要求保护的主题不受任何特定数据结构的限制,但是数据可以存储在计算设备寄存器中、存储在关系数据库中,作为具有多个不同字段和记录的表、XML文档或平面文件。数据还可以被格式化为任何计算设备可读的格式。
一个或多个处理器120可以是任何常规处理器,诸如商用CPU。可选地,一个或多个处理器可以是专用设备,诸如ASIC或其他基于硬件的处理器。尽管图1在功能上示出了计算设备110的处理器、存储器和其他元件位于同一块内,但是本领域的普通技术人员将理解,处理器、计算设备或存储器实际上可以包括多个处理器、计算设备或可以存储或不存储在同一物理壳体内的存储器。例如,存储器可以是硬盘驱动器或位于不同于计算设备110的壳体中的其他存储介质。因此,对处理器或计算设备的引用将被理解为包括对处理器或计算设备或存储器的集合的引用,这些处理器或计算设备或存储器可以并行操作,也可以不并行操作。
计算设备110可以包括通常与计算设备(诸如上述处理器和存储器)以及用户输入150(例如,鼠标、键盘、触摸屏和/或麦克风)和各种电子显示器连接使用的所有组件(例如,具有屏幕或可操作显示信息的任何其他电气设备的监视器)。在此示例中,车辆包括内部电子显示器152以及一个或多个扬声器154,以提供信息或视听体验。为此,内部电子显示器152可以位于车辆100的驾驶室内,并可以由计算设备110用于向车辆100内的乘客提供信息。
计算设备110还可以包括一个或多个无线网络连接156,以促进与其他计算设备(诸如下文详细描述的客户端计算设备和服务器计算设备)的通信。无线网络连接可以包括短距离通信协议,诸如蓝牙、蓝牙低功耗(LE)、蜂窝连接,以及各种配置和协议,包括互联网、万维网、内联网、虚拟专用网、广域网、局域网、使用一家或多家公司专有通信协议的专用网络、以太网、WiFi和HTTP,以及上述各项的各种组合。
在一个示例中,计算设备110可以是自动驾驶计算系统的控制计算设备,或者并入车辆100中。自动驾驶计算系统可以能够与车辆的各种组件通信,以便根据存储器130的自动驾驶车辆控制来控制车辆100的移动,如下所述。例如,返回图1,计算设备110可以与车辆100的各种系统通信,诸如减速系统160、加速系统162、转向系统164、信号系统166、规划系统168、路由系统170、定位系统172、感知系统174和动力系统176(即车辆的引擎或马达),以便根据存储器130的指令132控制车辆100的移动、速度等。这些系统中的每一个都可以包括各种硬件(处理器和存储器类似于处理器120和存储器130)以及软件,以使这些系统能够执行各种任务。同样,尽管这些系统显示为计算设备110的外部,但实际上,这些系统也可以作为用于控制车辆100的自动驾驶计算系统合并到计算设备110中。
例如,计算设备110可以与减速系统160和/或加速系统162的一个或多个执行器交互,诸如制动器、加速器踏板和/或车辆的引擎或马达,以控制车辆的速度。类似地,转向系统164的一个或多个执行器,诸如转向轮、转向轴和/或齿轮齿条系统中的齿轮齿条可由计算设备110使用,以控制车辆100的方向。例如,如果车辆100被配置为在道路上使用,诸如汽车或卡车,则转向系统可以包括一个或多个执行器,以控制车辆的角度来转动车轮。信号系统166可以由计算设备110使用,以便向其他驾驶员或车辆发出车辆意图的信号,例如,在需要时通过点亮转向灯或制动灯。
规划系统168可以由计算设备110使用,以确定并跟随路由系统170生成的到一位置的路线。例如,路由系统170可以使用地图信息来确定从车辆的当前位置到目的地位置的路线。规划系统172可以周期性地生成轨迹或短期规划,用于在未来的一段时间内控制车辆,以便沿着路线到达目的地。为此,规划系统168、路线选择系统170和/或数据134可以存储详细的地图信息,例如识别道路、车道线、交叉路口、人行横道、速度限制、交通信号、建筑物、标志、实时交通信息、植被或其他此类对象和信息的形状和高度的高度详细的地图。
图2A、图2B和图2C是与自动驾驶车辆(诸如车辆100)服务区域相对应的路段的地图信息200示例。转向图2A,地图信息200包括识别各种特征的形状、位置和其他特性的信息,包括由虚线210、212、214和实线216、218表示的车道线。这些车道线可以指定道路或其他可行驶区域,诸如车道220、222、224、226和死胡同(cul-de-sac)230。地图信息还识别交叉路口240、242、244、阴影区域250、252、254表示的不可驾驶区域(诸如建筑物、公园等)以及其他特征(诸如火车轨道260)。尽管仅示出和识别了少数特征,但是地图信息200可以是高度详细的,并且包括各种附加特征,例如包括下面进一步讨论的区块的位置和边界。
如图2B所示,地图信息还可以识别服务区域的边界270。如图所示,边界为矩形,但边界可绘制为多边形或任何其他形状,并可通过物理或其他类型的障碍或关于车辆的限制进行定义。例如,此边界可能是固定的,因为车辆可能依赖于地图,并且边界可能区分已映射区域和未映射区域。边界也可能基于对于车辆的其他限制,诸如不穿过铁路轨道、不穿过停车场、不进入圆圈(或环形交叉路口)、不掉头等。这些限制可以编码到地图信息和/或自动驾驶车辆的路线系统软件模块中。例如,地图信息可以编码一条特定车道有问题(例如,存在车辆100无法完成的特定转弯),并且路由系统可以基于地图信息的内容确定一些道路有问题(例如,高速公路的速度限制>45,所以路线不允许)。例如,边界270部分地由铁路轨道260定义。此外,在该示例中,服务区域不覆盖所有地图信息200,尽管在一些情况下,地图信息的范围可以定义边界。
转到图2C,地图信息200可以包括边界270(未示出)内的多个预定拾取和放下位置A、B、C、D、E、F。例如,每个拾取位置可以表示拾取乘客和/或货物的位置,每个放下位置可以表示放下乘客和/或货物的目的地或位置。在许多情况下,拾取位置也可能是放下位置,反之亦然。为此,位置A、B、C、D、E和F中的每一个都可以表示拾取或放下位置或两者。这些拾取和/或放下位置可以手动选择或使用多个启发式自动识别。例如,拾取和/或放下位置可能仅在低速道路上(例如,低于35英里/小时),不在禁止停车或驻留区域(例如,不在消防栓前),不在某些区域(例如,在高速公路的入口或出口匝道上)等。为此,每个拾取和/或放下位置必须是可行的,这是拾取和放下乘客的合理位置,也是“可到达”的位置,即被映射的服务区域的一部分。
尽管在此将地图信息描述为基于图像的地图,但地图信息不需要完全基于图像(例如,光栅)。例如,地图信息可以包括一个或多个道路图或信息的图形网络,诸如道路、车道、交叉路口以及这些特征之间的连接。每个特征可存储为图形数据,并可与诸如地理位置和是否链接到其他相关特征等信息相关联,例如,停车标志可链接到道路和交叉路口等。在一些示例中,相关数据可包括基于栅格的道路图索引,以允许有效查找某些道路图特征。
定位系统172可由计算设备110使用,以确定车辆在地图或地球上的相对或绝对位置。例如,定位系统172可包括GPS接收器以确定设备的纬度、经度和/或高度位置。其他定位系统,诸如基于激光的定位系统、惯性辅助GPS或基于摄像头的定位系统,也可用于识别车辆的位置。车辆的位置可包括绝对地理位置,诸如纬度、经度和高度,以及相对位置信息,诸如相对于紧邻其周围的其他车辆的位置,该位置通常可以以比绝对地理位置更小的噪声被确定。
定位系统172还可以包括与计算设备110通信的其他设备,诸如加速计、陀螺仪或另一方向/速度检测设备,以确定车辆的方向和速度或其变化。仅作为示例,加速设备可确定其相对于重力方向或与其垂直的平面的俯仰、偏航或滚动(或其变化)。设备还可以跟踪速度的增加或减少以及这些变化的方向。如本文所述的设备的位置和方向数据的提供可以自动地提供给计算设备110、其他计算设备和前述的组合。
感知系统174还包括一个或多个组件,用于检测车辆外部的物体,诸如其他车辆、道路障碍物、交通信号、标志、树木等。例如,感知系统174可包括激光、声纳、雷达、相机和/或记录可由计算设备110处理的数据的任何其他检测设备。在车辆为乘用车的情况下,诸如小型货车,则小型货车可包括安装在车顶或其他方便位置的激光或其他传感器。例如,图3是车辆100的外部视图示例。在此示例中,车顶壳体310和圆顶壳体312可包括激光雷达传感器以及各种相机和雷达单元。此外,位于车辆100前端的壳体320和车辆驾驶员侧和乘客侧的壳体330、332可各自存储激光雷达传感器。例如,壳体330位于驾驶员门350的前面。车辆100还包括同样位于车辆100顶部的雷达单元和/或相机的壳体340、342。附加雷达单元和相机(未显示)可位于车辆100的前端和后端和/或沿车顶或车顶壳体310的其他位置。车辆100还包括典型乘用车的许多特征,诸如车门350、352、车轮360、362等。
车辆的各种系统可使用自动驾驶车辆控制软件工作,以确定如何控制车辆。例如,感知系统174的感知系统软件模块可以使用由自动驾驶车辆的一个或多个传感器(诸如相机、LIDAR传感器、雷达单元、声纳单元等)生成的传感器数据来检测和识别对象及其特性。这些特性可包括位置、类型、航向、方向、速度、加速度、加速度变化、大小、形状等。在某些情况下,特性可被输入到行为预测系统软件模块,其使用基于对象类型的各种模型来输出对于检测对象的预测未来行为。在其他情况下,特性可被输入到一个或多个检测系统软件模块中,诸如,施工区检测系统软件模块,其被配置为从由车辆的一个或多个传感器生成的传感器数据检测施工区,以及紧急车辆检测系统,其被配置为从由车辆的传感器生成的传感器数据检测紧急车辆。这些检测系统软件模块中的每一个都可以使用各种模型来输出施工区或对象为应急车辆的可能性。检测的对象、预测的未来行为、来自检测系统软件模块的各种可能性、识别车辆环境的地图信息、来自识别车辆位置和方向的定位系统172的位置信息,车辆的目的地以及来自车辆的各种其他系统(包括路由系统170生成的路线)的反馈可以被输入到规划系统168的规划系统软件模块中。规划系统可使用该输入生成车辆在未来一段短暂时间内的轨迹。计算设备110的控制系统软件模块可被配置为例如通过控制车辆的制动、加速和转向来控制车辆的运动,以便跟随轨迹。
计算设备110可以通过控制各种组件自主地控制车辆的方向和速度。为此,计算设备110可使车辆加速(例如,通过增加加速系统162提供给引擎的燃油或其他能量)、减速(例如,通过减少供应给引擎的燃油、换档和/或通过减速系统160应用制动器)、改变方向(例如,通过转向系统164转动车辆100的前轮或后轮),并发出此类变化的信号(例如,通过点亮信号系统166的转向信号)。因此,加速系统162和减速系统160可以是传动系的一部分,包括车辆引擎和车轮之间的各种组件。同样,通过控制这些系统,计算设备110也可以控制车辆的传动系,以便自主操纵车辆。
车辆100的计算设备110还可以向其他计算设备接收信息或从其他计算设备传输信息,诸如作为运输服务一部分的那些计算设备以及其他计算设备。图4和图5分别是包括多个计算设备410、420、430、440和通过网络460连接的存储系统450的示例系统400的图示和功能图。系统400还包括车辆100和车辆100A,其配置可能与车辆100相同或类似。尽管为了简单起见仅描述了少数车辆和计算设备,但典型系统可能包括更多。
如图5所示,计算设备410、420、430、440中的每一个可以包括一个或多个处理器、存储器、数据和指令。这些处理器、存储器、数据和指令可以类似于计算设备110的一个或多个处理器120、存储器130、数据134和指令132来配置。
网络460和中间节点可以包括各种配置和协议,包括短距离通信协议,诸如蓝牙、蓝牙LE、互联网、万维网、内部网、虚拟专用网络、广域网、局域网、使用一家或多家公司专有的通信协议的专用网络、以太网、WiFi和HTTP以及上述各项的各种组合。任何能够向其他计算设备(诸如调制解调器和无线接口)传输数据和从其他计算设备(诸如调制解调器和无线接口)传输数据的设备都可以促进这种通信。
在一个示例中,一个或多个计算设备410可以包括具有多个计算设备(例如,负载平衡服务器场)的一个或多个服务器计算设备,与网络的不同节点交换信息,以便接收、处理和发送与其他计算设备之间的数据。例如,一个或多个计算设备410可以包括能够通过网络460与车辆100的计算设备110或车辆100A的类似计算设备以及计算设备420、430、440通信的一个或多个服务器计算设备。例如,车辆100、100A可以是可以由服务器计算设备调度到各种位置的车队的一部分。为此,服务器计算设备410可以用作调度服务器计算系统,其可用于将诸如车辆100和车辆100A的车辆调度到不同位置,以便拾取和放下乘客。此外,服务器计算设备410可以使用网络460在显示器(诸如计算设备420、430、440的显示器424、434、444)上向用户(诸如用户422、432、442)发送和呈现信息。为此,计算设备420、430、440可以被认为是客户端计算设备。
如图5所示,每个客户端计算设备420、430、440可以是供用户422、432、442使用的个人计算设备,并且具有通常与个人计算设备结合使用的所有组件,包括一个或多个处理器(例如,中央处理单元(CPU))、存储数据和指令的存储器(例如,RAM和内部硬盘驱动器)、诸如显示器424、434、444的显示器(例如,具有屏幕的监视器,触摸屏、投影仪、电视或可操作以显示信息的其他设备)和用户输入设备426、436、446(例如,鼠标、键盘、触摸屏或麦克风)。客户端计算设备还可以包括用于记录视频流的相机、扬声器、网络接口设备以及用于将这些元件彼此连接的所有组件。
尽管客户端计算设备420、430和440各自可以包括全尺寸个人计算设备,但它们也可以包括能够通过诸如互联网的网络与服务器无线交换数据的移动计算设备。仅作为示例,客户端计算设备420可以是移动电话或诸如支持无线的PDA、平板PC、可穿戴计算设备或系统的设备或能够通过互联网或其他网络获得信息的上网本等。在另一个示例中,客户端计算设备430可以是可穿戴计算系统,如图4中所示的手表。作为示例,用户可以使用小键盘、键盘、麦克风、使用带有相机的视觉信号或触摸屏来输入信息。
与存储器130一样,存储系统450可以是能够存储服务器计算设备410可访问的信息的任何类型的计算机化存储器,诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写存储器和只读存储器。此外,存储系统450可以包括分布式存储系统,其中数据存储在多个不同的存储设备上,这些存储设备可以物理地位于相同或不同的地理位置。存储系统450可以通过网络460连接到计算设备,如图4和图5所示,和/或可以直接连接到或合并到计算设备110、410、420、430、440等中的任何一个。
存储系统450可以存储下文更详细描述的各种类型的信息。该信息可以由服务器计算设备(诸如一个或多个服务器计算设备410)检索或以其他方式接入,以便执行本文所述的部分或全部特征。例如,存储系统450可以存储包括边界270的地图信息200的版本。当然,随着该边界和/或地图信息被更新,存储系统450中的版本也可以被更新。
存储系统450还可存储上述路由系统170的软件堆栈或模块以及历史行程信息。软件模块可以被编程为确定给定地图信息的两个位置之间的路线。在某些情况下,软件模块可以被编程为在确定路线时限制某些类型的调动,例如在距离过短的情况下改变车道、掉头等。
示例方法
除了上述和图中所示的操作之外,现在将描述各种操作。应该理解,不必按照下面描述的精确顺序执行以下操作。相反,可以以不同的顺序或同时处理各种步骤,并且还可以添加或删除步骤省略。
技术涉及评估自动驾驶车辆服务区域的可行性。这可以允许识别车辆无法到达其目的地的潜在滞留情况。例如,某些调动,诸如为了转弯而改变车道,对于自动驾驶汽车来说可能是困难的,自动驾驶汽车可能被配置为避免人类驾驶员可能愿意尝试的冒险或危险的操作。因此,自动驾驶汽车可能会滞留。如果车辆正在运输货物或乘客,这可能会导致其他问题。同样,为了减少这种情况,可以通过运行模拟来“测试”服务区以识别有问题区域。
图6包括一些示例的示例流程图600,用于识别用于自动驾驶车辆运输服务的诸如由边界270定义的服务区域内的有问题区域,该示例可由一个或多个处理器(诸如计算设备410的处理器)执行。例如,在框610,可以识别服务区域内与用于服务的乘客或货物的潜在拾取位置相对应的起始位置。例如,起始位置可以是拾取和/或放下位置,诸如图2C的位置A、B、C、D、E和F中的任一个。
模拟的多个起始位置可从拾取和/或放下位置中选择。例如,对于10平方英里的区域,可选择10,000个拾取位置作为起始位置。此选择可能是随机的,或可能集中在待测试的具体区域,诸如特定的邻域、新映射的区域,先前发生过滞留的区域等。
对于每个选择的起始位置,可以从多个拾取/放下位置中选择多个目的地位置。例如,返回图6,在框620,识别服务区域内的对于起始位置的目的地位置。回到上面的示例,对于10,000个选择的拾取位置中的每一个,可以选择50个放下位置作为目的地位置。为此,使用上面的示例数,用于模拟的选定起始和目的地位置对的总数可以是500,000。同样,该选择可以是随机的,或者可以集中于待测试的具体区域,诸如特定邻域、新映射区域、先前发生过滞留的区域等。例如,可以选择位置A作为拾取位置,并且可以与位置B、C、D、E和F中的每一个或其中的任何子集配对,作为放下位置。
然后可以通过为每对起始位置和目的地位置确定路线来“运行”每个模拟。例如,如图6的框630所示,可以运行模拟以确定模拟车辆在起始位置和目的地位置之间行驶的路线。例如,可以为上述500000对中的每对或A到B、A到C、A到D、A到E和A到F运行模拟。这可能涉及将每对起始和目的地位置输入到由自动驾驶车辆使用的、诸如存储在存储系统450中的路由系统170的软件堆栈中。路由系统可以确定每个起始位置和目的地位置之间的总体路线。例如,图7描绘了位置A和位置B之间的路线710。
这些路线中的每一个都可以包括特定类型的调动。这些特定类型的调动可能包括左右转弯、无保护左转、车道改变、多点转弯等。例如,路线710包括模拟(或实际)车辆在不受保护的情况下从死胡同左转进入车道220,在交叉路口240进行受保护的右转进入车道222,在车道222和车道224之间车道改变,在交叉路口242进行受保护的左转进入车道224(见图2A),以及在交叉路口244进行未受保护的左转进入车道228。
可识别包括特定类型的调动的模拟子集。如图6的框640所示,确定包括特定类型的调动的路线。例如,子集中可以包括模拟,诸如生成包括车道改变或无保护转弯的路线710的模拟。该子集可以包括具有此类调动的所有模拟(例如,所有车道改变或所有无保护转弯),或仅包括自动驾驶车辆不可能完成调动的部分模拟。例如,车道改变成功率的模型可用于选择具有车辆不太可能完成的车道改变的特定模拟。该模型可识别特定距离(例如小于半英里或大于或小于半英里)或特定时间(例如60秒或小于60秒)内必须发生的车道改变。为此,模型可能会使用包括车道改变机会的长度、一天中的时间等特征。例如,模型可以如下估计:车道改变机会越长,车道改变成功的可能性越大。模型本身可能是使用过去成功和不成功的车道改变进行训练的机器学习模型。可选地,该模型可以是手动调整的模型。
对于模拟的子集,可以运行多个新模拟。例如,如图6的框650所示,在不允许模拟车辆完成特定类型调动的情况下运行新模拟。这些新模拟中的每个都可以基于车辆将无法完成调动并且将不得不将其自身重新路由到该模拟的目的地的假设运行。例如,对于子集的起始位置和目的地位置对,这些起始位置和目的地位置可以保持固定,并且当模拟车辆已经通过调动位置时,可以通过重新路由模拟车辆来运行新模拟。
例如,可以运行新模拟,禁止路由系统允许沿路线710在车道222和224之间进行车道改变。转向图8,在路线710中的车道改变点处,路线系统将不得不依赖于车道改变不可能的假设,因此重新路由车辆以到达位置B。为此,路线系统可以生成新路线810。直到路线810上的位置820,路线810与路线710相同。然而,在位置820之后,路线不会继续到位置B。为此,模拟车辆(例如对应于车辆100)将停在交叉路口242处,并在位置830处滞留。换言之,边界270将阻止模拟车辆穿过铁路轨道260或向位置B前进。如果有任何情况,模拟车辆可以在交叉路口242右转,但车辆仍然无法到达或甚至无法向位置B前进。
替换地,可以通过使用经过调动位置的新起始位置和目的地位置来运行新模拟。为此,目的地位置可以是原始目的地,或者更确切地,与原始模拟没有变化。换言之,路线将从位置820(或位置820以外的某个其他位置,诸如车道222朝向交叉路口242的进一步延伸)开始,而不是从位置A开始。
可以识别任何不会导致车辆到达目的地位置的新模拟。返回图6,在框660处确定模拟车辆是否到达新模拟中的目的地位置。例如,如果模拟车辆无法避免离开服务区域(例如,穿过边界,如图8路线810所示)或进行一些其他不允许的调动(例如,掉头),则可能发生这种情况。
对于每个已识别的新模拟,可将(原始)所选起始位置标记为无法到达目的地位置,并将目的地位置标记为无法从(原始)所选起始位置到达。例如,在框670,基于对模拟车辆在新模拟中是否到达目的地位置的确定,起始位置或目的地位置中的至少一个被标记为潜在有问题区域。例如,这些选定起始位置,诸如位置A,可在地图上识别为“销(pin)”,或可用于生成或多或少可能导致滞留的区域的热图(heat map),或者更确切地,车辆无法向目的地或一些其他位置前进的位置。这些信息可能有助于工程师形象化给定服务区域的实用性。
在某些情况下,未到达对于特定选定起始位置的目的地的新模拟的数量可能相当高。在这种情况下,“划分”这些选定起始位置的区域可能是有用的,或者更确切地,防止自动驾驶车辆在这些区域内拾取乘客或货物。为此,对于每个选定起始位置,可以将未到达对于该选定起始位置的目的地位置中的一个的新模拟的数量(如果有的话)与阈值进行比较。如果满足或未满足阈值,或者更确切地,如果存在太多失败,则可将所选起始位置和/或目的地位置识别为有问题的拾取位置。例如,如果所选起始位置的50%(或更多或更少)的新模拟未到达目的地位置,这可以表明所选起始位置是有问题的拾取位置,并且目的地位置也是有问题的放下位置。
例如,通过围绕有问题的拾取位置绘制多边形,可以将多个有问题的拾取位置分组在一起。通过计算包含彼此之间一定距离内所有有问题的拾取位置的最小或其他类型的区域,可以手动或自动执行该绘图。例如,图9可以包括已被识别为包括位置A和位置P的有问题的多个拾取位置。已围绕这些点手动绘制多边形900,以便“隔离”用于拾取和/或放下位置的地图信息的有问题区域。作为另一实例,地图可以划分为多个部分,诸如固定大小的正方形或其他网格单元。然后,没有任何有问题的拾取位置的最大连接正方形集可以是可以无问题使用的最大连续服务区域。无论采用何种方法,都可以从服务区域中减去任何隔离的有问题区域,从而防止车辆拾取乘客或货物,或出于任何原因进入有问题区域。因此,由于在这些隔离区域内防止了车辆的拾取和放下,因此自动驾驶车辆不太可能遇到滞留事件。
上述模拟可根据需要重新运行。例如,每次更新服务区域或不允许有问题区域时,可以重新运行模拟以确定进行这些改变的二阶效应。类似地,每次服务区(或者更确切地,如果边界270)、路由系统和/或地图信息改变或更新时,可以重新运行模拟。例如,对路由系统软件堆栈的改变可能导致车辆执行特定调动的能力增加,或者可能完全改变路由系统生成的路线。
本文描述的特征可用于评估自动驾驶车辆的服务区域或软件限制调动的可行性。这可以允许识别车辆无法到达其目的地或车辆不太可能到达其目的地的潜在滞留情况,进而用于“划分”这些区域。因此,可以显著减少滞留的数量并且可以改善乘客或用户体验。
除非另有说明,否则上述备选示例并非相互排斥,而是可以以各种组合实施以实现独特优势。由于可以在不脱离权利要求所定义的主题的情况下使用上述特征的这些以及其他变化和组合,因此实施例的前述描述应当通过说明而不是通过对由权利要求限定的主题的限制来理解。此外,本文描述的示例的规定以及措辞为“例如”、“包括”等的条款不应解释为将权利要求的主题限制在具体示例中;相反,示例旨在说明许多可能实施例中的一个。此外,不同附图中的相同附图标记可以识别相同或相似的元件。
Claims (20)
1.一种识别用于自动驾驶车辆运输服务的服务区域内的有问题区域的方法,所述方法包括:
通过一个或多个处理器识别服务区域内的起始位置,该起始位置对应于用于服务的乘客或货物的潜在拾取位置;
通过所述一个或多个处理器识别服务区域内的目的地位置;
通过所述一个或多个处理器运行模拟,以确定模拟车辆在起始位置和目的地位置之间行驶的路线;
通过所述一个或多个处理器确定所确定的路线包括特定类型的调动;
通过所述一个或多个处理器在不允许模拟车辆完成特定类型的调动的情况下运行新模拟以确定模拟车辆在起始位置和目的地位置之间行驶的新路线;
通过所述一个或多个处理器确定模拟车辆在新模拟中是否到达目的地位置;以及
基于通过所述一个或多个处理器对模拟车辆在新模拟中未到达目的地位置的确定,通过所述一个或多个处理器将起始位置或目的地位置中的至少一个标记为潜在有问题区域。
2.根据权利要求1所述的方法,还包括:
通过识别对于起始位置的多个目的地位置并确定起始位置和所述多个目的地位置中的每个之间的路线来运行对于起始位置的模拟集合;
识别包括特定类型的调动的确定路线中的路线;
在不允许模拟车辆完成所述特定类型的调动的情况下运行新模拟集合;以及
确定模拟车辆在新模拟集合的每个中是否到达目的地位置,并且其中进一步基于对模拟车辆在新模拟集合的每个中是否到达目的地位置的确定而进行标记。
3.根据权利要求2所述的方法,其中,标记起始位置进一步基于其中模拟车辆未到达目的地位置的新模拟的数量与阈值的比较。
4.根据权利要求1所述的方法,其中,服务区域包括模拟车辆无法穿过的边界,并且其中,确定模拟车辆在新模拟中是否到达目的地位置是基于模拟车辆是否因边界而滞留。
5.根据权利要求1所述的方法,其中,通过随机选择服务区域内的位置来识别起始位置。
6.根据权利要求1所述的方法,其中,从服务区域内的多个预定拾取和放下位置识别起始位置。
7.根据权利要求6所述的方法,其中,从所述多个预定拾取和放下位置中随机识别起始位置。
8.根据权利要求6所述的方法,其中,从所述多个预定拾取和放下位置中识别起始位置,以便测试服务区域内的具体区域。
9.根据权利要求1所述的方法,其中,目的地位置是从服务区域内的多个预定拾取和放下位置中识别的。
10.根据权利要求1所述的方法,其中,使用自动驾驶车辆的路由系统软件堆栈运行模拟,以确定所确定的路线。
11.根据权利要求1所述的方法,其中,所述特定类型的调动是改变车道。
12.根据权利要求1所述的方法,还包括:
标记多个有问题区域;以及
围绕所述多个有问题区域和起始位置绘制多边形。
13.一种用于识别用于自动驾驶车辆运输服务的服务区域内的有问题区域的系统,所述系统包括:
一个或多个服务器计算设备,具有一个或多个处理器,被配置为:
识别服务区域内的起始位置,该起始位置对应于用于服务的乘客或货物的潜在拾取位置;
识别服务区域内的目的地位置;
运行模拟,以确定模拟车辆在起始位置和目的地位置之间行驶的路线;
确定所确定的路线包括特定类型的调动;
在不允许模拟车辆完成特定类型的调动的情况下运行新模拟以确定模拟车辆在起始位置和目的地位置之间行驶的新路线;
确定模拟车辆在新模拟中是否到达目的地位置;以及
基于对模拟车辆在新模拟中未到达目的地位置的确定,将起始位置或目的地位置中的至少一个标记为潜在有问题区域。
14.根据权利要求13所述的系统,其中,所述一个或多个处理器还被配置为:
通过识别对于起始位置的多个目的地位置并确定起始位置和所述多个目的地位置中的每个之间的路线来运行对于起始位置的模拟集合;
识别包括特定类型的调动的确定路线中的路线;
在不允许模拟车辆完成所述特定类型的调动的情况下运行新模拟集合;以及
确定模拟车辆在新模拟集合的每个中是否到达目的地位置,并且其中进一步基于对模拟车辆在新模拟集合的每个中是否到达目的地位置的确定而进行标记。
15.根据权利要求13所述的系统,其中,服务区域包括模拟车辆无法穿过的边界,并且其中,确定模拟车辆在新模拟中是否到达目的地位置是基于模拟车辆是否因边界而滞留。
16.根据权利要求13所述的系统,其中,通过随机选择服务区域内的位置来识别起始位置。
17.根据权利要求13所述的系统,其中,从服务区域内的多个预定拾取和放下位置中识别起始位置。
18.根据权利要求13所述的系统,其中,目的地位置是从服务区域内的多个预定拾取和放下位置中识别的。
19.根据权利要求13所述的系统,其中,使用自动驾驶车辆的路由系统软件堆栈运行模拟,以确定所确定的路线。
20.根据权利要求13所述的系统,其中,所述一个或多个处理器还被配置为:
标记多个有问题区域;以及
围绕所述多个有问题区域和起始位置绘制多边形。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/387,098 | 2019-04-17 | ||
US16/387,098 US11105642B2 (en) | 2019-04-17 | 2019-04-17 | Stranding and scoping analysis for autonomous vehicle services |
PCT/US2020/028291 WO2020214686A1 (en) | 2019-04-17 | 2020-04-15 | Stranding and scoping analysis for autonomous vehicle services |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113692373A CN113692373A (zh) | 2021-11-23 |
CN113692373B true CN113692373B (zh) | 2022-08-09 |
Family
ID=72838419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080029264.3A Active CN113692373B (zh) | 2019-04-17 | 2020-04-15 | 自动驾驶车辆服务的滞留和范围分析 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11105642B2 (zh) |
EP (1) | EP3934958A4 (zh) |
JP (1) | JP7245925B2 (zh) |
CN (1) | CN113692373B (zh) |
WO (1) | WO2020214686A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11631331B1 (en) * | 2019-06-03 | 2023-04-18 | Smartdrive Systems, Inc. | Systems and methods for providing lane-specific recommendations to a vehicle operator of a vehicle |
US11695851B2 (en) * | 2020-06-03 | 2023-07-04 | Micron Technology, Inc. | Gateway for vehicle with caching buffer for distributed storage system |
US20220406192A1 (en) * | 2021-06-22 | 2022-12-22 | Waymo Llc | Testing a scheduling system for autonomous vehicles using simulations |
CN113628471A (zh) * | 2021-08-09 | 2021-11-09 | 广州文远知行科技有限公司 | 一种无人驾驶车辆的调度方法、装置、设备和介质 |
US20230249711A1 (en) * | 2022-02-10 | 2023-08-10 | Waymo Llc | Methods and Systems for Automatic Problematic Maneuver Detection and Adapted Motion Planning |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102334151A (zh) * | 2009-02-27 | 2012-01-25 | 丰田自动车株式会社 | 移动轨迹生成装置 |
CN103339010A (zh) * | 2010-10-05 | 2013-10-02 | 谷歌公司 | 区域驾驶 |
CN103674046A (zh) * | 2012-09-11 | 2014-03-26 | 通用汽车环球科技运作有限责任公司 | 车辆行程规划 |
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
CN107024218A (zh) * | 2015-12-01 | 2017-08-08 | 伟摩有限责任公司 | 用于自主车辆的接载区和放下区 |
CN107121980A (zh) * | 2017-03-17 | 2017-09-01 | 北京理工大学 | 一种基于虚拟约束的自动驾驶车辆路径规划方法 |
CN108287541A (zh) * | 2017-01-10 | 2018-07-17 | 通用汽车环球科技运作有限责任公司 | 优化自主车辆的轨迹的方法和装置 |
CN109144053A (zh) * | 2018-07-18 | 2019-01-04 | 上海燧方智能科技有限公司 | 一种使用自动驾驶车辆的室内营运方法及系统 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8126642B2 (en) | 2008-10-24 | 2012-02-28 | Gray & Company, Inc. | Control and systems for autonomously driven vehicles |
FI20095714A (fi) | 2009-06-24 | 2010-12-25 | Sandvik Mining & Constr Oy | Ajoreitin määrittäminen liikkuvan kaivoskoneen automaattisen ohjaamisen järjestämiseksi |
US8364402B2 (en) | 2009-08-20 | 2013-01-29 | Ford Global Technologies, Llc | Methods and systems for testing navigation routes |
CN102768807B (zh) | 2012-06-14 | 2014-09-24 | 龚 | 模拟导弹制导的车辆路径规划方法 |
US9547309B2 (en) | 2015-05-13 | 2017-01-17 | Uber Technologies, Inc. | Selecting vehicle type for providing transport |
US9958864B2 (en) * | 2015-11-04 | 2018-05-01 | Zoox, Inc. | Coordination of dispatching and maintaining fleet of autonomous vehicles |
US9910441B2 (en) | 2015-11-04 | 2018-03-06 | Zoox, Inc. | Adaptive autonomous vehicle planner logic |
US9630619B1 (en) | 2015-11-04 | 2017-04-25 | Zoox, Inc. | Robotic vehicle active safety systems and methods |
JP6508114B2 (ja) | 2016-04-20 | 2019-05-08 | トヨタ自動車株式会社 | 移動体の自動運転制御システム |
US10162354B2 (en) * | 2016-07-21 | 2018-12-25 | Baidu Usa Llc | Controlling error corrected planning methods for operating autonomous vehicles |
US10459453B2 (en) * | 2016-11-08 | 2019-10-29 | Cybernet Systems Corp. | Autonomous vehicles and methods of zone driving |
JP6769892B2 (ja) | 2017-02-22 | 2020-10-14 | クラリオン株式会社 | ナビゲーション装置、経路探索サーバ、および経路探索方法 |
US10679312B2 (en) | 2017-04-25 | 2020-06-09 | Lyft Inc. | Dynamic autonomous vehicle servicing and management |
US10942525B2 (en) * | 2017-05-09 | 2021-03-09 | Uatc, Llc | Navigational constraints for autonomous vehicles |
US20180348001A1 (en) | 2017-05-31 | 2018-12-06 | International Business Machines Corporation | Providing ease-of-drive driving directions |
JP6832421B2 (ja) * | 2018-03-08 | 2021-02-24 | バイドゥドットコム タイムズ テクノロジー (ベイジン) カンパニー リミテッドBaidu.com Times Technology (Beijing) Co., Ltd. | シミュレーションに基づく自動運転車の感知要求の評価方法 |
CN111919225B (zh) * | 2018-03-27 | 2024-03-26 | 辉达公司 | 使用模拟环境对自主机器进行培训、测试和验证 |
US11287270B2 (en) * | 2018-12-26 | 2022-03-29 | Beijing Voyager Technology Co., Ltd. | Systems and methods for safe route planning for a vehicle |
US11287818B2 (en) * | 2019-01-23 | 2022-03-29 | Uatc, Llc | Depart constraints implementation in autonomous vehicle routing |
US11181922B2 (en) * | 2019-03-29 | 2021-11-23 | Zoox, Inc. | Extension of autonomous driving functionality to new regions |
-
2019
- 2019-04-17 US US16/387,098 patent/US11105642B2/en active Active
-
2020
- 2020-04-15 CN CN202080029264.3A patent/CN113692373B/zh active Active
- 2020-04-15 WO PCT/US2020/028291 patent/WO2020214686A1/en unknown
- 2020-04-15 JP JP2021557968A patent/JP7245925B2/ja active Active
- 2020-04-15 EP EP20791428.4A patent/EP3934958A4/en active Pending
-
2021
- 2021-07-21 US US17/381,276 patent/US11892307B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102334151A (zh) * | 2009-02-27 | 2012-01-25 | 丰田自动车株式会社 | 移动轨迹生成装置 |
CN103339010A (zh) * | 2010-10-05 | 2013-10-02 | 谷歌公司 | 区域驾驶 |
CN103674046A (zh) * | 2012-09-11 | 2014-03-26 | 通用汽车环球科技运作有限责任公司 | 车辆行程规划 |
CN105074793A (zh) * | 2013-03-15 | 2015-11-18 | 凯利普公司 | 用于车辆路径规划和交通管理的车道级车辆导航 |
CN107024218A (zh) * | 2015-12-01 | 2017-08-08 | 伟摩有限责任公司 | 用于自主车辆的接载区和放下区 |
CN108287541A (zh) * | 2017-01-10 | 2018-07-17 | 通用汽车环球科技运作有限责任公司 | 优化自主车辆的轨迹的方法和装置 |
CN107121980A (zh) * | 2017-03-17 | 2017-09-01 | 北京理工大学 | 一种基于虚拟约束的自动驾驶车辆路径规划方法 |
CN109144053A (zh) * | 2018-07-18 | 2019-01-04 | 上海燧方智能科技有限公司 | 一种使用自动驾驶车辆的室内营运方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP7245925B2 (ja) | 2023-03-24 |
CN113692373A (zh) | 2021-11-23 |
WO2020214686A1 (en) | 2020-10-22 |
US11892307B2 (en) | 2024-02-06 |
US20200363223A1 (en) | 2020-11-19 |
JP2022529105A (ja) | 2022-06-17 |
US20210348933A1 (en) | 2021-11-11 |
EP3934958A1 (en) | 2022-01-12 |
US11105642B2 (en) | 2021-08-31 |
EP3934958A4 (en) | 2022-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6959450B2 (ja) | 車両ルーティングのシーン難易度予測モデルの使用 | |
KR102425960B1 (ko) | 자율 주행 차량들을 위한 실시간 차선 변경 선택 | |
US10896122B2 (en) | Using divergence to conduct log-based simulations | |
CN113692373B (zh) | 自动驾驶车辆服务的滞留和范围分析 | |
CN114370883A (zh) | 用于操纵车辆的方法和系统以及非暂时性计算机可读介质 | |
US11804136B1 (en) | Managing and tracking scouting tasks using autonomous vehicles | |
US11657318B2 (en) | Assessing ride quality for autonomous vehicles | |
US11893524B2 (en) | Service area maps for autonomous vehicles | |
US11788854B1 (en) | Assessing the impact of blockages on autonomous vehicle services | |
US11947356B2 (en) | Evaluating pullovers for autonomous vehicles | |
US20240125619A1 (en) | Generating scouting objectives | |
US11774259B2 (en) | Mapping off-road entries for autonomous vehicles | |
US20240083458A1 (en) | Using simulations to identify differences between behaviors of manually-driven and autonomous vehicles | |
US20230031130A1 (en) | Open door reconstruction for sensor simulation | |
US20220413510A1 (en) | Targeted driving for autonomous vehicles | |
US11685408B1 (en) | Driving difficulty heat maps for autonomous vehicles | |
CN115214625A (zh) | 识别自主车辆的可停车区域 | |
CN113928335A (zh) | 用于控制具有自主驾驶模式的车辆的方法和系统 | |
US11733696B2 (en) | Detecting loops for autonomous vehicles | |
US20240017741A1 (en) | Validation of trajectory planning for autonomous vehicles | |
US20220406192A1 (en) | Testing a scheduling system for autonomous vehicles using simulations | |
US20230015880A1 (en) | Using distributions for characteristics of hypothetical occluded objects for autonomous vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |