CN114175023A - 应急规划和安全保证 - Google Patents
应急规划和安全保证 Download PDFInfo
- Publication number
- CN114175023A CN114175023A CN202080055392.5A CN202080055392A CN114175023A CN 114175023 A CN114175023 A CN 114175023A CN 202080055392 A CN202080055392 A CN 202080055392A CN 114175023 A CN114175023 A CN 114175023A
- Authority
- CN
- China
- Prior art keywords
- trajectory
- vehicle
- rate
- path
- determining
- 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
- 238000000034 method Methods 0.000 claims abstract description 146
- 230000004044 response Effects 0.000 claims abstract description 33
- 231100001261 hazardous Toxicity 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 description 101
- 230000003068 static effect Effects 0.000 description 92
- 238000004891 communication Methods 0.000 description 79
- 230000001133 acceleration Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 23
- 230000033001 locomotion Effects 0.000 description 21
- 230000008859 change Effects 0.000 description 20
- 230000007704 transition Effects 0.000 description 16
- 230000006399 behavior Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 238000013459 approach Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000670 limiting effect Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000009545 invasion Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000003466 anti-cipated effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000035484 reaction time Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010046542 Urinary hesitation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- -1 nickel metal hydride Chemical class 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method 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
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
-
- 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- 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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/10—Weight
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
- B60W2554/4029—Pedestrians
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4045—Intention, e.g. lane change or imminent movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4049—Relationship among other objects, e.g. converging dynamic objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- 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
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—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
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
- B60W2754/20—Lateral distance
-
- 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
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
- B60W2754/30—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Regulating Braking Force (AREA)
Abstract
一种用于自主运载工具(AV)的应急规划的方法包括:确定AV的标称轨迹;检测危险对象,该危险对象在被检测到时未侵入AV的路径内;确定危险对象的危险区域;确定AV到达危险区域的时间;确定AV的应急轨迹;根据应急轨迹控制AV;以及响应于危险对象侵入AV的路径内,控制AV进行操纵以避开危险对象。应急轨迹包括横向应急和纵向应急其中至少之一。使用AV到达危险区域的时间来确定应急轨迹。
Description
技术领域
本申请涉及自主运载工具,包括用于自主运载工具的轨迹规划的方法、设备、系统和非暂时性计算机可读介质。
背景技术
增加自主运载工具的使用为通过运输网络的乘客和货物的更高效移动创造了可能性。此外,自主运载工具的使用可以得到改进的运载工具安全性以及运载工具之间的更有效通信。然而,关键的是,自主运载工具可以检测静态对象以及/或者预测其它附近动态对象的轨迹,以规划轨迹,使得自主运载工具可以安全地穿过运输网络并避开这类对象。
发明内容
本文公开了用于应急规划和安全保证的方面、特征、元素和实现。
所公开的实现的方面是一种用于自主运载工具(AV)的应急规划的方法。该方法包括:确定AV的标称轨迹;检测危险对象,该危险对象在被检测到时未侵入AV的路径内;确定危险对象的危险区域;确定AV到达危险区域的时间;确定AV的应急轨迹;根据应急轨迹控制AV;以及响应于危险对象侵入AV的路径内,控制AV进行操纵以避开危险对象。应急轨迹包括横向应急和纵向应急其中至少之一。使用AV到达危险区域的时间来确定应急轨迹。
所公开的实现的方面是用于自主运载工具(AV)的应急规划的另一种方法。该方法包括:确定AV的轨迹和期望速率规划;识别对象在沿着轨迹的被遮蔽位置处的可能性;识别沿着轨迹的最远可见位置,其中最远可见位置是沿着轨迹的使得AV能够在该位置处检测到对象的位置;确定在被遮蔽位置处检测到对象的情况下要使用的适当的最大减速度;确定AV的目标减速度,其中根据目标减速度操作AV保证了如果在被遮蔽位置处检测到对象则AV将能够使用适当的最大减速度及时停止;以及响应于确定为对象在被遮蔽位置处,根据AV的小于或等于适当的最大减速度的适当减速度来操作AV。可以基于乘客偏好、基于AV的可操纵性能力、基于AV的运动模型、其它因素或其组合来设置适当的最大减速度。
所公开的实现的方面是一种用于自主运载工具(AV)的应急规划的系统。该系统包括存储器和处理器。存储器包括可由处理器执行以进行以下操作的指令:检测危险对象,该危险对象在被检测到时未侵入AV的路径内;确定危险对象的危险区域;确定AV到达危险区域的时间;确定AV的应急轨迹;根据应急轨迹控制AV;以及响应于危险对象侵入AV的路径内,控制AV进行操纵以避开危险对象。应急轨迹包括横向应急和纵向应急其中至少之一。
在以下对实施例、所附权利要求和附图的详细描述中公开了本发明的这些和其它方面。
附图说明
当结合附图阅读时,根据以下详细描述最好地理解所公开的技术。应当强调,根据惯例,附图的各个特征可以不按比例。相反,为了清楚起见,各个特征的尺寸可以被任意地扩大或缩小。此外,在整个附图中,除非另有说明,否则相同的附图标记指代相同的元素。
图1是可以实现这里公开的方面、特征和元素的运载工具的一部分的示例的图。
图2是可以实现这里公开的方面、特征和元素的运载工具运输和通信系统的一部分的示例的图。
图3是根据本发明的实现的可预测响应的情形的图。
图4是根据本发明的实现的自主运载工具所用的系统的组件的示例。
图5是根据本发明的实现的自主运载工具所用的轨迹规划器的层的示例。
图6是根据本发明的实现的粗驾驶线级联的示例的图。
图7是根据本发明的实现的确定策略性速率规划的示例。
图8是根据本发明的实现的用于确定可驾驶区域和离散时间速率规划的处理的流程图。
图9是根据本发明的实现的确定可驾驶区域和离散时间速率规划的图。
图10~12是根据本发明的实现的针对静态对象调整可驾驶区域的示例。
图13是根据本发明的用于确定静态边界的处理的流程图。
图14~16是根据本发明的实现的确定动态边界的示例。
图17示出根据本发明的实现的轨迹规划的附加示例。
图18是根据本发明的用于对象避开的处理的流程图。
图19是根据本发明的实现的路径规划的说明性示例。
图20是根据本发明的实现的危险区域的定义的示例。
图21A~21E是根据本发明的实现的应急规划的示例的图示。
图22是示出根据本发明的实现的用于应急规划的系统的模块的图。
图23是根据本发明的实现的用于自主运载工具(AV)的应急规划的处理的流程图。
图24是包括被遮挡对象的场景的示例。
图25是根据本发明的实现的针对潜在被遮挡对象的应急规划的图示。
图26是根据本发明的实现的用于自主运载工具(AV)的应急规划的处理的流程图。
具体实施方式
诸如自主运载工具或半自主运载工具等的运载工具可以穿过运载工具运输网络的一部分。运载工具运输网络可以包括诸如建筑物等的一个或多于一个不可导航区域;诸如停泊区域(例如,停泊场、停泊空间等)等的一个或多于一个部分可导航的区域;诸如道路(其包括车道、中线、交叉路口等)等的一个或多于一个可导航区域;或其组合。
运载工具可以包括一个或多于一个传感器。穿过运载工具运输网络可以包括传感器生成或捕获传感器数据(诸如与运载工具的操作环境相对应的数据或其一部分)。例如,传感器数据可以包括与一个或多于一个外部对象(或简单地,对象)相对应的信息。
外部对象可以是静态对象。静态对象是静止的且预期不会在接下来的几秒内移动的对象。静态对象的示例包括没有骑手的单车、冷车、空车、道路标志、墙、建筑物、坑洼等。
外部对象可以是停止对象。停止对象是静止的、但可能在任意时间移动的对象。停止对象的示例包括在交通灯处停止的运载工具以及道路边上具有乘员(例如,驾驶员)的运载工具。在一些实现中,停止对象被视为静态对象。
外部对象可以是诸如行人、远程运载工具、摩托车、自行车等的动态(即,移动)对象。动态对象可能正在(朝向运载工具)迎面而来,或者可能正在沿着与运载工具相同的方向移动。动态对象可能正在相对于运载工具纵向或横向移动。静态对象可以变为动态对象,并且反之亦然。
一般来说,穿过运载工具运输网络(例如,在运载工具运输网络内驾驶)可被视为机器人行为。也就是说,可以预料运载工具对某些情形(例如,交通或道路情形)的可预测响应。例如,交通情形的观察者可以预料运载工具在未来几秒内的响应将是什么。也就是说,例如,虽然驾驶环境(即,运载工具运输网络、道路)可能是动态的,但可以预测/预料诸如运载工具(即,由人驾驶、远程操作等)对道路状况的响应。
可以预测响应,这是因为穿过运载工具运输网络受道路规则(例如,左转弯的运载工具必须为迎面而来的交通让路,运载工具必须在车道线之间驾驶)、社会惯例(例如,在停车标志处,右侧的驾驶员被让路)和物理限制(例如,静止对象不会瞬间横向移动到运载工具的通行权内)管制。针对图3示出可预测响应的附加示例。
根据本发明的实现通过检测(例如,感测、观察等)静态对象的存在并预料(即,预测)运载工具运输网络的其它用户(例如,道路用户、动态对象)的轨迹来确定自主运载工具的轨迹。根据本发明的实现可以准确且高效地规划动态对象(例如,其它道路用户)的轨迹,从而有助于自主运载工具的平滑控制(例如,停止、等待、加速、减速、合并等)和自主运载工具的社会可接受行为(例如,操作)。
如下文进一步所述,根据本发明的轨迹规划器的实现可以例如通过以下操作来生成自主运载工具(AV)从源位置到目的地位置的平滑轨迹:接收HD地图数据、遥操作数据和其它输入数据;纵向拼接(例如,融合、连接等)输入数据以确定从源位置到目的地位置的路径的速率分布(例如,用于指定沿着从源位置到目的地位置的路径的不同段,AV可以驾驶得有多快的速率分布);以及在离散的时间点(例如,每几毫秒)使轨迹规划器处理与基于AV的传感器数据而观察到的静态对象和动态对象相关的约束以生成下一个时间窗(例如,6秒的前瞻时间)的AV的平滑轨迹。
如上所述,可以通过预期其它道路用户的动作(例如,轨迹、行为/意图等)来针对自主运载工具规划平滑轨迹。规划预期其它用户的动作的轨迹对于确保自主运载工具和其它道路用户的安全可能是基本的。确保自主运载工具和/或其它用户的安全的常见解决方案是响应于所有感知和预测的冲突而进行AV动作(主动地和反应性地这两者)。
因为轨迹规划取决于(例如,基于)传感器数据。然而,观察和/或预测不确定性可以与传感器数据和/或传感器数据的处理相关联。由于传感器数据本身、分类不确定性、假设(意图)不确定性、实际犹豫性、遮挡、不确定性的其它原因或其组合,可能出现观察或预测不确定性。例如,关于传感器数据本身,传感器数据可能受到天气状况、传感器的准确性和/或传感器中的故障的影响;关于分类不确定性,世界对象可能被分类为汽车、自行车、行人等,而实际上该世界对象是某个其它类别的对象;关于意图估计,可能不知道道路用户是左转还是直行;关于实际犹豫性,道路用户实际上可能意外地改变其想法;关于遮挡,AV的传感器可能无法检测在其它对象后面的对象。因此,规划轨迹可能基于误报、传感器数据中的噪声和其它不确定性。
对所有传感器数据的响应可能导致不自然的(例如,不舒服的、震动等)驾驶行为或瘫痪(例如,AV的算法无法解决感知和/或预测的冲突以及/或者对感知和/或预测的冲突作出反应)。已经发现,对每个可能感知到的(错误地或以其它方式)世界对象和/或世界对象的意图做出反应(例如,调整等)的轨迹规划可能导致AV的乘员的不愉快驾驶。
为了减轻与感知到的危险、感知到的世界对象和/或预期感知到的世界对象的意图相关联的问题,根据本发明的实现可以使用应急规划来稳健地处理不确定性。应急规划可以保证AV的安全性,同时保持AV乘员的舒适度。应急规划允许AV的规划系统(诸如轨迹规划系统等)对于不确定的观察或预测而部分地推迟动作。在示例中,动作可以推迟多少可以基于所述观察或预测的可能性和/或AV的紧急可操纵性。
为了说明应急规划,现在提供非限制性示例。假设基于传感器输入,在AV前方并且沿着AV的轨迹识别停泊的运载工具。AV(即,其中的模块)识别出停泊的运载工具的门可能打开。AV的轨迹规划器可以计算应急轨迹,使得AV没有必要一定立即移动以避免门在将来被打开;而是,应急轨迹可以使得AV移动刚好足够,使得如果门确实打开,则仍然可以及时进行紧急操纵以保证AV可以避免与门碰撞。
如下面进一步描述的,应急规划可以依赖于横向(例如,转向)、纵向(例如,速率)应急或其组合。换句话说,应急规划可以包括横向应急、纵向应急或这两者。横向应急是指可能需要右转向或左转向的应急。纵向应急是指可能需要改变AV的速率的应急。在一些情形下,速率的变化可以是速率的增加。在一些其它情形下,速率的变化可以是速率的减小。虽然本文主要描述了降低速率的示例,但是可以理解,在一些情形下,纵向应急可以是速率增加到例如高于速率限制的速率。
为了说明,关于横向应急,例如,如果停泊的汽车的汽车门打开而进入AV的路径中的可能性低,则可以规划(并执行)应急轨迹以使AV稍微且平滑地移动(同时保持AV的乘员的舒适度),使得如果门要打开,则紧急操纵仍然是可能的;关于纵向应急,例如,如果存在行人非法走进AV的路径使得AV将需要停止的可能,则可以规划(并执行)应急轨迹(例如,速率规划)以平滑地减速(同时保持AV的乘员的舒适度)并且刚好足够,使得如果行人将走出进入AV的路径,则紧急操纵将是可能的。
应急规划的优点可以包括:1)无论观察和预测不确定性如何都保证AV的安全,2)保持乘员的舒适度并产生AV的社交上可接受的行为,3)基于观察和/或预测可能性来提供测量的响应,以及4)降低传感器要求。例如,关于产生社交上可接受的行为,AV不需要针对每个可能的交互急剧减慢。例如,关于降低传感器要求,因为AV可以基于测量不确定性来调整其响应,所以可以降低AV中的传感器的成本。例如,典型的AV可以包括多于15个照相机、七个LiDAR单元、六个雷达单元、2个GPS接收器、多于四个图形处理单元(GPU)和多于九个处理单元。相比之下,采用如本文所述的应急规划使得AV的规划模块更能容忍不确定性的AV可能不需要多于六个照相机、一个LiDAR单元、一个雷达、两个GPS接收器、三个GPU和一个处理单元。
尽管这里参考自主运载工具进行了描述,但这里描述的方法和设备可以在能够进行自主或半自主操作的任何运载工具中实现。尽管参考运载工具运输网络进行了描述,但这里描述的方法和设备可以包括运载工具可导航的任何区域内操作的自主运载工具。
为了更详细地描述这里所述的一些实现,首先参考可以实现本发明的环境。
图1是可以实现这里公开的方面、特征和元素的运载工具100的一部分的示例的图。运载工具100包括底盘102、动力总成104、控制器114、轮132/134/136/138,并且可以包括运载工具的任何其它元件或元件组合。尽管为了简单起见,运载工具100被示出为包括四个轮132/134/136/138,但是可以使用诸如推动器或踏面等的任何其它推进装置。在图1中,诸如动力总成104、控制器114和轮132/134/136/138等的线路互连元件表示诸如数据或控制信号等的信息、诸如电力或扭矩等的动力、或者信息和动力这两者可以在相应元件之间通信。例如,控制器114可以从动力总成104接收动力,并与动力总成104、轮132/134/136/138或这两者进行通信以控制运载工具100,这可以包括对运载工具100进行加速、减速、转向或以其它方式进行控制。
动力总成104包括动力源106、变速器108、转向单元110、运载工具致动器112,并且可以包括动力总成的任何其它元件或元件组合(诸如悬架、驱动轴、轮轴或排气系统等)。尽管单独示出,但是轮132/134/136/138可以包括在动力总成104中。
动力源106可以是可操作地提供诸如电能、热能或动能等的能量的任何装置或装置组合。例如,动力源106包括诸如内燃机、电动马达、或内燃机和电动马达的组合等的引擎,并且可操作地向轮132/134/136/138中的一个或多于一个提供动能作为原动力。在一些实施例中,动力源106包括潜在能量单元,例如:诸如镍镉(NiCd)电池、镍锌(NiZn)电池、镍氢(NiMH)电池、锂离子(Li离子)电池等的一个或多于一个干电池;太阳能电池;燃料电池;或能够提供能量的任何其它装置。
变速器108从动力源106接收诸如动能等的能量,并将能量发送至轮132/134/136/138以提供原动力。变速器108可以由控制器114、运载工具致动器112或这两者控制。转向单元110可以由控制器114、运载工具致动器112或这两者控制,并控制轮132/134/136/138以使运载工具转向。运载工具致动器112可以接收来自控制器114的信号,并且可以致动或控制动力源106、变速器108、转向单元110或其任何组合以操作运载工具100。
在所示实施例中,控制器114包括定位单元116、电子通信单元118、处理器120、存储器122、用户接口124、传感器126和电子通信接口128。尽管被示出为单个单元,但控制器114的任何一个或多于一个元件可以集成到任何数量的单独物理单元中。例如,用户接口124和处理器120可以集成在第一物理单元中,并且存储器122可以集成在第二物理单元中。尽管在图1中未示出,但控制器114可以包括诸如电池等的动力源。尽管被示出为单独元件,但是定位单元116、电子通信单元118、处理器120、存储器122、用户接口124、传感器126、电子通信接口128或其任何组合可以集成在一个或多于一个电子单元、电路或芯片中。
在一些实施例中,处理器120包括现有的或随后开发的能够操纵或处理信号或其它信息的任何装置或装置组合,例如光学处理器、量子处理器、分子处理器或其组合。例如,处理器120可以包括一个或多于一个专用处理器、一个或多于一个数字信号处理器、一个或多于一个微处理器、一个或多于一个控制器、一个或多于一个微控制器、一个或多于一个集成电路、一个或多于一个专用集成电路、一个或多于一个现场可编程门阵列、一个或多于一个可编程逻辑阵列、一个或多于一个可编程逻辑控制器、一个或多于一个状态机或其任何组合。处理器120可以可操作地与定位单元116、存储器122、电子通信接口128、电子通信单元118、用户接口124、传感器126、动力总成104或其任何组合耦接。例如,处理器可以可操作地经由通信总线130与存储器122耦接。
处理器120可被配置为执行指令。这种指令可以包括可用于从包括操作中心的远程位置操作运载工具100的远程操作指令。远程操作指令可以存储在运载工具100中,或者从诸如交通管理中心等的外部源或者可包括基于云的服务器计算装置的服务器计算装置接收。在提交于2018年2月21日并且标题为“REMOTE OPERATION EXTENDING AN EXISTINGROUTE TO A DESTINATION”的美国临时专利申请序列号62/633,414中介绍了远程操作。
存储器122可以包括任何有形的非暂时性计算机可用或计算机可读介质,其例如能够包含、存储、通信或传输机器可读指令或与其相关联的任何信息以供处理器120或结合处理器120使用。存储器122可以包括例如一个或多于一个固态驱动器、一个或多于一个存储卡、一个或多于一个可移除介质、一个或多于一个只读存储器(ROM)、一个或多于一个随机存取存储器(RAM)、一个或多于一个寄存器、一个或多于一个低功耗双倍数据速率(LPDDR)存储器、一个或多于一个高速缓存存储器、一个或多于一个盘(包括硬盘、软盘或光盘)、磁卡或光卡、或适合存储电子信息的任何类型的非暂时性介质、或其任何组合。
电子通信接口128可以是如图所示的无线天线、有线通信端口、光通信端口、或者能够与有线或无线电子通信介质140接合的任何其它有线或无线单元。
电子通信单元118可被配置为经由有线或无线电子通信介质140(诸如经由电子通信接口128等)来发送或接收信号。尽管在图1中没有明确示出,但电子通信单元118被配置为经由任何有线或无线通信介质(诸如射频(RF)、紫外光(UV)、可见光、光纤、有线线路或其组合)来进行发送、接收或这两者。尽管图1示出单个电子通信单元118和单个电子通信接口128,但是可以使用任何数量的通信单元和任何数量的通信接口。在一些实施例中,电子通信单元118可以包括专用短距离通信(DSRC)单元、无线安全单元(WSU)、IEEE802.11p(WiFi-P)或其组合。
定位单元116可以确定运载工具100的地理位置信息,包括但不限于经度、纬度、高度、行进方向或速率。例如,定位单元包括全球定位系统(GPS)单元,诸如广域增强系统(WAAS)启用的国家海洋电子协会(NMEA)单元、无线电三角测量单元或其组合。定位单元116可以用于获得表示例如运载工具100的当前航向、运载工具100在二维或三维中的当前位置、运载工具100的当前角取向或其组合的信息。
用户接口124可以包括能够被人用作接口的任何单元,包括虚拟键盘、物理键盘、触摸板、显示器、触摸屏、扬声器、麦克风、摄像机、传感器和打印机中的任何一个。如图所示,用户接口124可以可操作地与处理器120或者与控制器114的任何其它元件耦接。尽管被示出为单个单元,但是用户接口124可以包括一个或多于一个物理单元。例如,用户接口124包括用于与人进行音频通信的音频接口、以及用于与人进行基于视觉和触摸的通信的触摸显示器。
传感器126可以包括能够可操作地提供可用于控制运载工具的信息的一个或多于一个传感器(诸如传感器阵列等)。传感器126可以提供与运载工具的当前操作特性或其周围有关的信息。传感器126例如包括速率传感器、加速度传感器、转向角传感器、牵引力相关传感器、制动相关传感器或者任何传感器或传感器组合,其可操作地报告与运载工具100的当前动态情形的某些方面有关的信息。
在一些实施例中,传感器126包括可操作地获得与运载工具100周围的物理环境有关的信息的传感器。例如,一个或多于一个传感器检测道路几何形状和障碍物(诸如固定障碍物、运载工具、骑行者和行人等)。传感器126可以是或者包括现在已知的或随后开发的一个或多于一个摄像机、激光感测系统、红外感测系统、声感测系统或者任何其它合适类型的车载环境感测装置或装置组合。传感器126和定位单元116可以组合。
尽管没有单独示出,但是运载工具100可以包括轨迹控制器。例如,控制器114可以包括轨迹控制器。轨迹控制器可以可操作地获得用于描述运载工具100的当前状态和针对运载工具100规划的路线的信息,并基于该信息来确定和优化运载工具100的轨迹。在一些实施例中,轨迹控制器输出可操作地控制运载工具100以使得运载工具100遵循轨迹控制器所确定的轨迹的信号。例如,轨迹控制器的输出可以是优化轨迹,该优化轨迹可被供给至动力总成104、轮132/134/136/138或这两者。优化轨迹可以是诸如转向角的集合等的控制输入,其中各转向角与时间点或位置相对应。优化轨迹可以是一个或多于一个路径、线路、曲线或其组合。
轮132/134/136/138中的一个或多于一个可以是:在转向单元110的控制下枢转至转向角度的转向轮;在变速器108的控制下扭转以推动运载工具100的推动轮;或者用于对运载工具100进行转向和推动的转向推动轮。
图2是可以实现这里公开的方面、特征和元素的运载工具运输和通信系统200的一部分的示例的图。运载工具运输和通信系统200包括运载工具202(诸如图1所示的运载工具100等)以及一个或多于一个外部对象(诸如外部对象206等),该外部对象可以包括任何运输形式(诸如图1所示的运载工具100、行人、骑行者等)以及任何结构形式(诸如建筑物等)。运载工具202可以经由运输网络208的一个或多于一个部分行进,并且可以经由电子通信网络212的一个或多于一个来与外部对象206进行通信。尽管在图2中没有明确示出,但是运载工具可以穿过没有明确或完全包括在运输网络中的区域(诸如越野区域等)。在一些实施例中,运输网络208可以包括一个或多于一个运载工具检测传感器210(诸如感应环路传感器等),该运载工具检测传感器210可以用于检测运输网络208上的运载工具的移动。
电子通信网络212可以是在运载工具202、外部对象206和操作中心230之间提供诸如语音通信、数据通信、视频通信、消息传送通信或其组合等的通信的多址系统。例如,运载工具202或外部对象206可以经由电子通信网络212从操作中心230接收诸如表示运输网络208的信息等的信息。
操作中心230包括控制器设备232,该控制器设备232包括图1所示的控制器114的一些或所有特征。控制器设备232可以监视和协调运载工具(包括自主运载工具)的移动。控制器设备232可以监视诸如运载工具202等的运载工具和诸如外部对象206等的外部对象的状态或条件。控制器设备232可以接收包括以下各项中任一项的运载工具数据和基础设施数据:运载工具速度;运载工具位置;运载工具操作状态;运载工具目的地;运载工具路线;运载工具传感器数据;外部对象速度;外部对象位置;外部对象操作状态;外部对象目的地;外部对象路线;以及外部对象传感器数据。
此外,控制器设备232可以建立对诸如运载工具202等的一个或多于一个运载工具或者诸如外部对象206等的外部对象的远程控制。以这种方式,控制器设备232可以从远程位置遥操作运载工具或外部对象。控制器设备232可以经由诸如无线通信链路226等的无线通信链路或诸如有线通信链路228等的有线通信链路来与诸如运载工具202、外部对象206或服务器计算装置234等的运载工具、外部对象或计算装置交换(发送或接收)状态数据。
服务器计算装置234可以包括一个或多于一个服务器计算装置,这些服务器计算装置可以经由电子通信网络212来与包括运载工具202、外部对象206或操作中心230的一个或多于一个运载工具或计算装置交换(发送或接收)状态信号数据。
在一些实施例中,运载工具202或外部对象206经由有线通信链路228、无线通信链路214/216/224或者任何数量或类型的有线或无线通信链路的组合来进行通信。例如,如图所示,运载工具202或外部对象206经由地面无线通信链路214、经由非地面无线通信链路216或经由其组合来进行通信。在一些实现中,地面无线通信链214包括以太网链路、串行链路、蓝牙链路、红外(IR)链路、紫外(UV)链路或能够进行电子通信的任何链路。
诸如运载工具202等的运载工具或诸如外部对象206等的外部对象可与另一运载工具、外部对象或操作中心230进行通信。例如,主机或主体运载工具202可以经由直接通信链路224或经由电子通信网络212来从操作中心230接收诸如基本安全消息(BSM)等的一个或多于一个自动化运载工具间消息。例如,操作中心230可以将该消息广播到诸如300米等的定义广播范围内的主机运载工具,或者广播到定义地理区域。在一些实施例中,运载工具202经由诸如信号中继器(未示出)或另一远程运载工具(未示出)等的第三方来接收消息。在一些实施例中,运载工具202或外部对象206基于诸如100毫秒等的定义间隔来定期地发送一个或多于一个自动化运载工具间消息。
运载工具202可以经由接入点218来与电子通信网络212进行通信。可包括计算装置的接入点218被配置为经由有线或无线通信链路214/220来与运载工具202、与电子通信网络212、与操作中心230或与其组合进行通信。例如,接入点218是基站、基站收发台(BTS)、节点B、增强型节点B(eNode-B)、家庭节点B(HNode-B)、无线路由器、有线路由器、集线器、中继器、交换机或任何类似的有线或无线装置。尽管被示出为单个单元,但是接入点可以包括任何数量的互连元件。
运载工具202可以经由卫星222或其它非地面通信装置来与电子通信网络212进行通信。可包括计算装置的卫星222可被配置为经由一个或多于一个通信链路216/236来与运载工具202、与电子通信网络212、与操作中心230或与其组合进行通信。尽管被示出为单个单元,但是卫星可以包括任何数量的互连元件。
电子通信网络212可以是被配置为提供语音、数据或任何其它类型的电子通信的任何类型的网络。例如,电子通信网络212包括局域网(LAN)、广域网(WAN)、虚拟专用网(VPN)、移动或蜂窝电话网、因特网或任何其它电子通信系统。电子通信网络212可以使用诸如传输控制协议(TCP)、用户数据报协议(UDP)、因特网协议(IP)、实时传输协议(RTP)、超文本传输协议(HTTP)或其组合等的通信协议。尽管被示出为单个单元,但是电子通信网络可以包括任何数量的互连元件。
在一些实施例中,运载工具202经由电子通信网络212、接入点218或卫星222来与操作中心230进行通信。操作中心230可以包括一个或多于一个计算装置,这些计算装置能够与诸如运载工具202等的运载工具、包括外部对象206的外部对象、或者诸如服务器计算装置234等的计算装置交换(发送或接收)数据。
在一些实施例中,运载工具202识别运输网络208的一部分或状况。例如,运载工具202可以包括一个或多于一个车载传感器204(诸如图1所示的传感器126等),该一个或多于一个车载传感器204包括速率传感器、轮速传感器、照相机、陀螺仪、光学传感器、激光传感器、雷达传感器、声传感器、或能够确定或识别运输网络208的一部分或状况的任何其它传感器或装置或其组合。
运载工具202可以使用经由电子通信网络212通信的信息(诸如表示运输网络208的信息、一个或多于一个车载传感器204所识别的信息、或其组合等)来穿过运输网络208的一个或多于一个部分。外部对象206可以能够进行以上针对运载工具202所述的所有或一些通信和动作。
为了简单起见,图2示出作为主机运载工具的运载工具202、外部对象206、运输网络208、电子通信网络212和操作中心230。然而,可以使用任何数量的运载工具、网络或计算装置。在一些实施例中,运载工具运输和通信系统200包括图2中未示出的装置、单元或元件。
尽管运载工具202被示出为经由电子通信网络212来与操作中心230进行通信,但是运载工具202(和外部对象206)可以经由任何数量的直接或间接通信链路来与操作中心230进行通信。例如,运载工具202或外部对象206可以经由诸如蓝牙通信链路等的直接通信链路来与操作中心230进行通信。尽管为了简单起见,图2示出一个运输网络208和一个电子通信网络212,但是可以使用任何数量的网络或通信装置。
外部对象206被示出为图2中的第二个远程运载工具。外部对象不限于其它运载工具。外部对象可以是任何基础设施元素,例如,具有将数据发送至操作中心230的能力的栅栏、标志、建筑物等。数据可以例如是来自基础设施元素的传感器数据。
图3是根据本发明的实现的可预测响应的情形300的图。情形300包括可以预测自主运载工具(AV)302的响应并规划轨迹的情形310~360。
情形300表示道路用户的可预测情形和响应的示例。情形以缓慢的时间尺度进行(例如,发生、出现等)。也就是说,即使AV 302可能正以高速(例如,60英里/小时(MPH))前行,但是由于AV 302的计算能力(例如,处理器(诸如图1的处理器120)和/或控制器(诸如图1的控制器114)的计算能力),预测外部对象的响应并确定自主运载工具的轨迹可以在经过时间的亚秒内完成,因此情形310~360可被认为是缓慢的场景。
AV 302可以包括世界建模模块,该世界建模模块至少可以跟踪一些检测到的外部对象。世界建模模块可以预测至少一些被跟踪对象中的各被跟踪对象的一个或多于一个潜在假设(即,轨迹或路径等)。AV 302可以包括轨迹规划系统(或简称为轨迹规划器),该轨迹规划系统可以由处理器执行以(考虑到初始状态、期望动作以及具有预测轨迹的至少一些被跟踪对象而)生成避免碰撞、守法、舒适的响应(例如,轨迹、路径等)。
在情形310中,AV 302检测到(即,通过跟踪组件检测到)道路一侧的停泊汽车304(即,静态对象)。如下文进一步所述,AV 302(即,AV 302的轨迹规划器)可以规划路径(即,轨迹),该路径在停泊汽车304周围导航AV 302,如轨迹306所示。
情形320是AV 302检测到另一静态对象的另一种情形。检测到的静态对象是坑洼322。AV 302可以规划轨迹324,使得AV 302以AV 302的轮胎都不会驶入坑洼322中的方式驾驶通过坑洼322。
在情形330中,AV 302检测到迎面而来的运载工具332以及位于与迎面而来的运载工具332相同的道路侧的停泊运载工具334。迎面而来的运载工具332正在移动。正因如此,迎面而来的运载工具332是动态对象。迎面而来的运载工具332正在沿着与AV 302相同(或至少大致相同)的纵向方向移动。正因如此,迎面而来的运载工具332可被分类为纵向约束,如下文进一步所述。迎面而来的运载工具332正在沿着与AV 302相反的方向移动。正因如此,迎面而来的运载工具332可被分类为迎面而来的纵向约束。停泊运载工具334是静态对象。
AV 302可以以超过阈值的一定的确定性程度预测为(即,通过预测组件预测为)迎面而来的运载工具332可能遵循轨迹336以避开(例如,绕过)停泊运载工具334。轨迹336与道路的中心线337重叠。为了与迎面而来的运载工具332保持安全距离,AV 302的轨迹规划器可以规划包括位置339处的弯曲的轨迹338。也就是说,预料到迎面而来的运载工具332的路线,AV 302的规划轨迹使AV 302向右移动。
在情形340中,AV 302的跟踪组件可以检测到停泊运载工具342(即,静态对象)和正移动的自行车344(即,作为纵向约束的动态对象)。预测组件可以以一定的确定性程度判断为自行车344将遵循轨迹346以绕过停泊运载工具342。正因如此,AV 302确定(即,规划、计算、选择、生成或以其它方式确定)轨迹348,使得AV 302在一定距离后停止以允许自行车344通过停泊运载工具342。在另一示例中,AV 302可以确定多于一个的可能轨迹。例如,AV302可以确定如上所述的第一轨迹、在自行车344通过停泊汽车之前AV 302加速通过自行车344的第二轨迹、以及在自行车344正在通过停泊运载工具342时AV 302绕过自行车344的第三轨迹。然后,轨迹规划器选择所确定的可能轨迹其中之一。
在情形350中,AV 302的跟踪组件检测到迎面而来的运载工具352、第一停泊运载工具356和第二停泊运载工具357。AV 302的预测组件判断为迎面而来的运载工具352正在遵循轨迹354。AV 302选择轨迹358,使得AV 302通过第一停泊运载工具356,在第一停泊运载工具356和第二停泊运载工具357之间等待,直到迎面而来的运载工具352通过为止,然后继续通过第二停泊运载工具357。
在情形360中,AV 302的预测组件判断为大卡车362最有可能右转弯。轨迹规划器(例如,基于大卡车的运动模型)而判断为:由于大卡车需要大的转弯半径,因此大卡车362很可能遵循轨迹364。由于轨迹364干扰AV 302的路径,因此AV 302的轨迹规划器确定AV302的轨迹366,使得AV 302停止,直到大卡车362不挡道为止。
图4是根据本发明的实现的自主运载工具所用的系统400的组件的示例。系统400表示自主运载工具(诸如图1的运载工具100等)的软件流水线。系统400包括世界模型模块402、路线规划模块404、决策模块406、轨迹规划器408和反应性轨迹控制模块410。系统400的其它示例可以包括更多、更少或其它的模块。在一些示例中,模块可以组合;在其它示例中,模块可以分割为一个或多于一个其它模块。
世界模型模块402诸如从图1的传感器126接收传感器数据,并从传感器数据中确定(例如,转换为、检测到、等等)对象。也就是说,例如,世界模型模块402从所接收到的传感器数据中确定道路用户。例如,世界模型模块402可以将从光检测和测距(LiDAR)传感器(即,传感器126中的传感器)接收到的点云转换为对象。来自多个传感器的传感器数据可以融合在一起,以确定对象(例如,猜测对象的身份)。对象的示例包括自行车、行人、运载工具等。
世界模型模块402可以接收传感器信息,该传感器信息允许世界模型模块402计算和维持至少一些被检测的对象的附加信息。例如,世界模型模块402可以维持至少一些所确定的对象的状态。例如,对象的状态可以包括速度、姿势、几何形状(诸如宽度、高度和深度等)、分类(例如,自行车、大卡车、行人、道路标志等)以及位置中的零个或多个。正因如此,对象的状态包括离散状态信息(例如,分类)和连续状态信息(例如,姿势和速度)。
世界模型模块402融合传感器信息,跟踪对象,维持至少一些动态对象的假设列表(例如,对象A可能正在直行、右转弯或左转弯),创建和维持针对各假设的预测轨迹,并维持各假设的可能性估计(例如,考虑到对象姿势/速度和轨迹姿势/速度,对象A有90%的概率正在直行)。在示例中,世界模型模块402使用轨迹规划器的实例以生成针对至少一些动态对象的各对象假设的预测轨迹。例如,可以使用轨迹规划器的实例来生成针对运载工具、自行车和行人的预测轨迹。在另一示例中,可以使用轨迹规划器的实例来生成针对运载工具和自行车的预测轨迹,并且可以使用不同的方法来生成针对行人的预测轨迹。
世界模型模块402所维持的对象可以包括静态对象和/或动态对象,如针对图3所述。
路线规划模块404确定道路级规划,诸如针对道路级规划412所示。例如,在给定起始位置和目的地位置的情况下,路线规划模块404确定从起始位置到目的地位置的路线。例如,路线规划模块404可以确定AV所要遵循以从起始位置导航到目的地位置的道路列表(即,道路级规划)。
路线规划模块404所确定的道路级规划和世界模型模块402所维持的对象(和相应状态信息)可被决策模块406用来确定沿道路级规划的离散级决策。针对离散决策414示出离散级决策中所包括的决策的示例。离散级决策的示例可以包括:在道路A和道路B之间的交互处停止,缓慢向前移动,加速到一定速率限制,合并到最右边的车道等。
轨迹规划器408可以接收离散级决策、世界模型模块402所维持的对象(和相应状态信息)以及来自世界模型模块402的外部对象的预测轨迹和可能性。轨迹规划器408可以使用至少一些接收到的信息来确定自主运载工具的详细规划轨迹。
例如,如针对详细规划轨迹416所示,轨迹规划器408确定接下来的几秒的轨迹。正因如此,并且在接下来的几秒是接下来的6秒(即,6秒的前瞻时间)的示例中,轨迹规划器408确定在接下来的6秒内自主运载工具的轨迹和位置。例如,轨迹规划器408可以确定(例如,预测、计算等)自主运载工具在数个时间间隔处(例如,每四分之一秒或一些其它时间间隔)的预期位置。如例如针对图3所述,轨迹规划器408可以基于其它道路用户的可预测响应来确定详细规划轨迹。
反应性轨迹控制模块410可以处理自主运载工具可能遇到、但不可被轨迹规划器408预测到(例如,不能被轨迹规划器408处理)的情形。这种情形包括轨迹规划器408的详细规划轨迹基于对象的误分类的情形和/或很少发生的未预料到的情形。例如,反应性轨迹控制模块410可以响应于判断为自主运载工具左侧的静态对象被误分类而修改详细规划轨迹。例如,对象可能已被分类为大卡车;然而,新的分类判断为它是静态的路障墙。在另一示例中,反应性轨迹控制模块410可以响应于自主运载工具的突然轮胎爆裂而修改详细规划轨迹。未预料到的情形的其它示例包括其它运载工具(例如,由于过迟决定驶往公路匝道或轮胎爆炸而)突然转向到AV的车道以及行人或其它对象突然从遮挡物后面出现。
图5是根据本发明的实现的自主运载工具所用的轨迹规划器500的层的示例。轨迹规划器500可以是图4的轨迹规划器408,或者可以是图4的轨迹规划器408的一部分。轨迹规划器500可以接收驾驶目标501。轨迹规划器500可以接收驾驶目标501的序列,这些驾驶目标501的序列可以例如表示使第一位置与第二位置相连的一系列车道选择和速率限制。例如,驾驶目标501中的驾驶目标可以是“从位置x开始,在具有特定标识符的车道(具有等于A123的标识符的车道)上行进,同时遵守速率限制y”。轨迹规划器500可用于生成完成驾驶目标501的序列的轨迹。
轨迹规划器500包括驾驶线数据层502、参考轨迹生成层504、对象避开层506和轨迹优化层508。轨迹规划器500生成优化轨迹。轨迹规划器500的其它示例可以包括更多、更少或其它的层。在一些示例中,层可以组合;在其它示例中,层可以分割为一个或多于一个其它层。
驾驶线数据层502包括可以由轨迹规划器500使用的输入数据。驾驶线数据可以(例如,由参考轨迹生成层504)用于确定(即,生成、计算、选择或以其它方式确定)从第一位置到第二位置的粗驾驶线。驾驶线可被认为是当AV沿道路移动时AV的纵轴重合的道路中的线。正因如此,驾驶线数据是可用于确定驾驶线的数据。驾驶线在该点处是粗糙的,并且可以包含横向不连续,诸如当指向相邻车道之间的横向过渡时。该点处的驾驶线也尚未针对AV所遇到的对象进行调整,如下文进一步所述。
在示例中,驾驶线数据层502可以包括高清晰度(HD)地图数据510、遥操作地图数据512、记录路径数据514、在前运载工具数据516、停泊场数据518和感知路径数据520中的一个或多于一个。
HD地图数据510是来自可供自主运载工具使用的高清晰度(即,高精度)地图的数据。HD地图数据510可以包括与运载工具运输网络有关的准确到几厘米内的信息。例如,HD地图数据510可以包括与道路车道、道路分隔栏、交通信号、交通标志和速率限制等有关的详细信息。
遥操作地图数据512可以包括相对短的驾驶线数据。例如,遥操作地图数据512可以是100米至200米长的驾驶线数据。然而,遥操作地图数据512不必限于此。遥操作地图数据512可以由遥操作员响应于或预料到AV不能自动处理的异常情形而手动生成。
驾驶线可以实时创建。为了例示实时地创建驾驶线,现在提供了示例。遥操作员可以正在远程观察AV原始传感器数据。例如,遥操作员可以(诸如在远程监视器上)看到(例如,AV的照相机所捕获的)施工区域塔架,并绘制AV通过施工区的路径。然后,遥操作员可以看到指挥人物向AV提供放行信号,此时遥操作员可以使AV沿着所绘制的路径前进。
为了减少在AV到达先前遇到的异常情形时手动绘制路径的处理时间,还可以将驾驶线数据远程存储并根据需要发送至AV。
记录路径数据514可以包括与自主运载工具先前遵循的路径有关的数据。在示例中,自主运载工具的操作员(例如,驾驶员或远程操作员)可能已经记录了从街道进入家的车库的路径。
在前运载工具数据516可以是从沿着与自主运载工具大致相同的轨迹在自主运载工具之前的一个或多于一个运载工具接收到的数据。在示例中,自主运载工具和在前运载工具可以经由无线通信链路进行通信,诸如针对图2所述。正因如此,自主运载工具可以经由无线通信链路从在前运载工具接收轨迹和/或其它信息。在前运载工具数据516也可以被感知(例如,跟随)而无需显式通信链路。例如,AV可以跟踪在前运载工具,并且可以基于跟踪结果来估计在前运载工具的运载工具驾驶线。
停泊场数据518包括与停泊场的位置和/或停泊空间有关的数据。在示例中,停泊场数据518可用于预测其它运载工具的轨迹。例如,如果停泊场入口靠近另一运载工具,则该另一运载工具的预测轨迹其中之一可以是该另一运载工具将进入停泊场。
在一些情形中,针对运载工具运输网络的部分可能无法获得地图(例如,HD地图)信息。正因如此,感知路径数据520可以表示不存在先前绘图信息的驾驶线。作为替代,AV可以使用与车道标记、路缘石和道路限制相比更少、更多或不同的车道标记、路缘石和道路限制来实时检测驾驶线。在示例中,可以基于从一种地形类型(例如,路面)到其它地形类型(例如,砾石或草)的过渡来检测道路限制。可以使用其它方法来实时检测驾驶线。
参考轨迹生成层504可以包括驾驶线级联模块522、策略性速率规划模块524和驾驶线合成模块526。参考轨迹生成层504将粗驾驶线(例如参考驾驶线)提供给离散时间速率规划模块528。图6示出参考轨迹生成层504的操作的示例。
注意,路线规划模块404可以生成车道ID序列,该车道ID序列用于从第一位置行进至第二位置,从而对应于(例如,提供)驾驶目标501。正因如此,驾驶目标501可以例如是相距100米,这取决于车道的长度。在HD地图数据510的情况下,例如,参考轨迹生成层504可以使用驾驶目标501序列中的位置(例如,GPS位置、3D笛卡尔坐标等)和车道(例如,车道的标识符)的组合来生成被表示为AV的一系列姿势的(例如,HD地图510中的)高分辨率驾驶线。各姿势可以在预定距离处。例如,姿势可以是相距一到两米。姿势可以通过更多、更少或其它的量定义为坐标(x,y,z)、侧倾角、俯仰角和/或横摆角。
如上所述,驾驶线数据可用于确定(例如,生成、计算等)粗驾驶线。驾驶线级联模块522对驾驶线数据层502的输入数据进行拼接(例如,链接、融合、合并、连接、整合或以其它方式拼接),以确定沿纵向方向(例如,沿自主运载工具的路径)的粗驾驶线。例如,为了从位置A(例如,工作)到位置D(例如,家),为了确定粗驾驶线,驾驶线级联模块522可以使用来自停泊场数据518的输入数据来确定从工作位置停泊场离开到主道路的离开位置,可以使用来自HD地图数据510的数据来确定从主道路到家的路径,并且可以使用来自记录路径数据514的数据来导航到家中的车库。
粗驾驶线不包括速率信息。然而,在一些示例中,粗驾驶线可以包括速率限制信息,该速率限制信息可以从HD地图数据510使用(例如,提取)。策略性速率规划模块524确定沿粗驾驶线的不同部分的特定速率。例如,策略性速率规划模块524可以判断为,在粗驾驶线的第一个直线段上,自主运载工具的速率可被设置为该第一个直线段的速率限制;以及在粗驾驶线的随后的第二个弯曲段上,自主运载工具的速率将被设置为较慢的速率。正因如此,策略性速率规划模块524考虑到AV的当前状态(例如,速率和加速度)、但不考虑其它道路用户或静态对象来计算粗驾驶线的守法(例如,遵守速率限制和停止线)、舒适(例如,身体上和情感上)和物理可实现的速率分布(例如,沿驾驶线的速率与距离)。
一旦策略性速率规划模块524确定了策略性速率规划,驾驶线合成模块526可以横向调整粗驾驶线。考虑到策略性速率分布和具有横向不连续的粗驾驶线,驾驶线合成模块526确定车道变换的起始和结束位置,并合成连接这两个位置的驾驶线。车道变换的长度可能取决于速率。
驾驶线合成模块526可以合成联接粗驾驶线中的横向不连续位置的驾驶线。例如,假定HD地图数据510包括粗驾驶线的第一段,该第一段位于道路的第一车道上,但粗驾驶线的第二段位于同一道路的第二车道上。正因如此,在粗驾驶线中存在横向不连续。驾驶线合成模块526首先确定AV应从第一车道过渡到第二车道的过渡距离(或等效地,起始位置和结束位置)。也就是说,起始位置是控制自主运载工具从第一车道开始向第二车道移动的道路位置。结束位置是自主运载工具完成车道变换时的道路位置。然后,横向连续模块生成将第一车道中的起始位置联接到第二车道中的结束位置的新的驾驶线数据。
驾驶线合成模块526所确定的过渡可以取决于速率。例如,与AV正以较高速率移动时相比,当AV正以较慢的速率移动时,AV从第一车道过渡到第二车道可能需要较短的过渡距离。例如,在自主运载工具正以较慢的速率(例如,15MPH)行进的繁忙交通情形中,过渡可能需要20码;然而,如果自主运载工具正以较高速率(例如,65MPH)行进,则过渡距离可以是100码。正因如此,驾驶线合成模块526可以根据AV的速率来确定过渡位置。
驾驶线合成模块526的输出被提供给对象避开层506。驾驶线合成模块526的输出包括粗驾驶线和策略性速率规划。对象避开层506生成中期、离散时间的速率规划以及对粗驾驶线的横向约束。对于离散的未来时间点(或等效地,在沿AV的路径的离散位置处),离散时间速率规划模块528确定(即,计算)AV的相应期望速率。
在对象避开层506处,并且如下文进一步所述,对象避开层506使用粗驾驶线、附近的静态对象和附近的动态对象及其预测轨迹来确定(例如,提取)AV可以安全地操作的可驾驶区域。确定(后述的)各分箱的左边界和右边界。在给定AV的当前速率的情况下,可以生成实时速率规划。实时速率规划可用于估计AV的未来位置。可以对照动态对象的未来预料(例如,预测)位置来评价AV的未来位置。调整AV的可驾驶区域以去除可驾驶区域中的与动态对象的位置相对应(例如,重叠)的区域。
在对象避开层506处,针对对象评价和/或调整粗驾驶线。对象可以是AV外部和近端的对象。正因如此,对象可以是针对图4的世界模型模块402所描述的对象。正因如此,在给定AV的当前速率的情况下,对象避开层506生成实时速率规划。使用实时速率规划,对象避开层506可以估计AV在离散的未来时间点处的未来位置。可以对照对象(即,世界模型的对象)的位置来评价未来位置,以针对AV提供(例如,生成)平滑驾驶。如下文进一步所述,提供平滑驾驶(即,平滑轨迹)可以是迭代处理。
总之,首先生成粗驾驶线;然后根据粗驾驶线生成速率规划;并且在给定粗驾驶线和速率规划的情况下,鉴于AV的世界模型中所维持的其它对象来优化轨迹,以提供优化期望轨迹。在调整后的可驾驶区域中优化轨迹。从默认可驾驶区域中去除不可驾驶区域(即,由于其它对象而无法安全驾驶AV的区域),以提供调整后的可驾驶区域。
图6是根据本发明的实现的粗驾驶线级联的示例600的图。示例600是图5的参考轨迹生成层504的操作的示例。
在视图610中,AV 611位于包括车道612~614的三车道道路的最右侧车道614中。注意,视图610是左侧交通系统的示例(即,车道612~614中的交通从图6的底部朝向顶部移动)。诸如路线规划模块404等的路线规划器可能已基于诸如图5的HD地图数据510等的HD地图数据而判断为AV 611将右转弯至单车道道路的车道615中。HD地图可以为各车道提供中心线(未示出)。
在一些情形中,AV的驾驶线可能与车道或道路的中心线不重合。例如,车道615可以是超宽的,以容纳沿车道615的左侧的停泊空间。在另一示例中,可以发现,大多数驾驶员更喜欢稍微向中心线的左侧驾驶。正因如此,AV 611的驾驶线将被设置在车道615的中心线的左侧。正因如此,驾驶线级联模块522确定车道的几何形状,以确定在给定车道几何形状(例如,车道宽度)的情况下的驾驶线。例如,当粗驾驶线中存在转弯时,驾驶线级联模块522基于车道的宽度、转弯方向(例如,右或左)、转弯角度和/或转弯速率来确定驾驶线要移动至(即,偏离车道中心线)的位置。也就是说,驾驶线级联模块522基于HD地图中心线来设置AV的驾驶线。在示例中,可以基于车道宽度来设置驾驶线。
为了设置AV的驾驶线,驾驶线级联模块522确定沿粗驾驶线的车道的几何形状。在示例中,驾驶线级联模块522确定沿粗驾驶线的一定距离(例如,100米、200米、300米等)的几何形状。为了确定几何形状,驾驶线级联模块522可以确定诸如沿粗驾驶线的多边形616等的多边形,该多边形可用于定义车道边界。
视图620示出基于车道的宽度621来确定驾驶线(即,粗驾驶线)。AV 611正行进所沿的车道的右边缘624、左边缘622和中心线626可以从HD地图获得。驾驶线级联模块522基于宽度621来确定驾驶线628(即,粗驾驶线)。正因如此,驾驶线628相对于中心线626偏移。
视图630示出使用诸如针对图5的遥操作地图数据512所述的遥操作数据来确定驾驶线。如上所述,虽然HD地图数据是静态数据,但遥操作数据可以基于道路状况和/或异常情形来提供实时驾驶线。例如,沿着AV 611的驾驶线632存在施工区。该施工区由诸如塔架636等的障碍物界定,这些障碍物包围施工项目634。正因如此,驾驶线级联模块522如下文进一步所述使用遥操作数据所提供的实时驾驶线将驾驶线632调整为驾驶线638(即,粗驾驶线)。
视图640示出取决于速率的车道变换。如上所述,通过图5的驾驶线合成模块526来实现取决于速率的车道变换。在示例中,图4的决策模块406规定,沿着车道642行进的AV611例如由于车道642结束或AV 611将左转弯而接着将位于车道644中。正因如此,AV 611将在某一点处从车道642移动至车道644。由于HD地图可能不提供车道过渡信息,因此AV 611的参考轨迹生成层504确定车道过渡时间。如上所述,过渡可能取决于速率。
在示例中,(参考轨迹生成层504为一层的)轨迹规划器500可以判断为在沿着粗驾驶线的点X处,AV 611将正在以(如由策略性速率规划模块524确定的)速率Y移动。在AV 611正以低速率(例如,35MPH)移动的情况下,驾驶线合成模块526可以判断为过渡可以是缓慢的。因此,从车道642移动到车道644的路径可以如由路径646所示。另一方面,如果AV 611正以高速率(例如,65MPH)行进,则切换车道的路径需要较长距离,如路径648所示。
遵循路径646和648所需的时间可以是相同的。然而,距离是不同的。AV 611正以第一速率行进时的车道过渡所需的距离长于AV 611正以比第一速率慢的第二速率行进时所需的距离。
车道变换率可用于确定取决于速率的车道变换。也就是说,车道变换率可用于在两个相邻车道(诸如视图640中的车道642和车道644)之间创建连接。车道变换率可以用“米/米”定义:在纵向移动一米时,路径横向移动了多少米?如上文所述,目标是识别使得在目标时间量内完成车道变换的车道变换率:如果AV(例如,在密集的高峰时段交通期间)正在缓慢行进,则车道变换率很高,并且发生在短距离(例如,约几十米)内;如果AV正在(例如,以公路速率)快速行进,则车道变换率是缓慢的,并且发生在长距离(例如,约几百米)内。
图7是根据本发明的实现的确定策略性速率规划的示例700。示例700示出可由图5的策略性速率规划模块524使用以确定策略性速率规划714的输入的示例。在一些实现中,策略性速率规划模块524可以使用更多、更少或其它的输入来确定策略性速率规划。
在示例700中,可以使用速率限制输入和加速度限制输入。速率限制可以包括道路速率限制702、弯曲速率限制704和无缝自主移动(SAM)数据706其中至少之一。加速度限制可以包括运载工具加速度限制710和舒适度限制712。速率限制和/或加速度限制可以包括更多、更少或其它的输入。
道路速率限制702可以是道路速率限制,诸如在速率限制标志上标示的速率限制(例如,20MPH、65MPH等)。在示例中,道路速率限制702可以从HD地图获得。弯曲速率限制704可以是使运载工具速率与转弯(诸如AV沿着粗驾驶线的转弯等)的曲率相关的数据。可选地,弯曲速率限制704只能提供道路曲率信息(例如,曲线的转弯半径)。弯曲速率限制704可以是对AV的横向加速度的限制。正因如此,当AV弯曲时,速率规划可以包括与弯曲速率限制704一致的降低的AV速率。
SAM数据706可以是从运载工具(自主的或以其它方式)收集(诸如在基于云的系统中)的数据。该数据可以使得运载工具(包括AV)能够在道路上安全且平滑地操作。在示例中,SAM数据706可以包括从沿着道路的一部分的运载工具收集到的振动数据。振动数据可以使道路的不同部分的振动级和速率相关联。在示例中,振动数据可以指示对于某个道路位置当运载工具正以高于一定速率的速率行进时(例如,由于道路部分的减速带而导致)的不可接受的振动级。正因如此,为了最大限度地减少振动的影响,AV将在道路的一部分处减慢(低于一定速率)。在示例中,AV可以从中央服务器(诸如操作中心230、服务器计算装置234或某个其它网络装置等)接收SAM数据706。在示例中,SAM数据706可以是在自主运载工具到达该位置的特定时间段(例如,1分钟、10分钟、20分钟等)内从其它运载工具累积的数据。在示例中,AV可以提取SAM数据706。在另一示例中,可以基于AV将其位置报告给提供SAM数据706的服务器来向该AV推送SAM数据706。
道路速率限制702、弯曲速率限制704和SAM数据706可以组合以提供原始速率限制708。在示例中,对于沿粗驾驶线的特定位置中的各位置(例如,每5米、10米等),使用该位置处的道路速率限制702的速率、该位置处的弯曲速率限制704的速率以及该位置处的SAM数据706的速率中的最小值作为该位置处的原始速率限制708的速率。
运载工具加速度限制710可以是由于AV的扭矩和功率的AV加速度限制。舒适度限制712包括与加速有关的人体舒适度限制,诸如:AV的乘员希望AV加速到多快?
参考轨迹生成层504的策略性速率规划模块524可以组合原始速率限制708、运载工具加速度限制710和舒适度限制712,以提供作为平滑速率规划的策略性速率规划714。
如上所述,在沿粗驾驶线的位置处,道路速率限制702、弯曲速率限制704和无缝自主移动SAM数据706中的最小值可以用作AV的速率限制。运载工具加速度限制710和舒适度限制712使加速度与速率相关。正因如此,并且在示例中,运载工具加速度限制710和舒适度限制712可以通过求出两个最大曲线(舒适度、速率)中的最小值来进行组合。正因如此,在低速率处,舒适度可以限制AV的最大加速度;而在高速率处,AV的加速度限制(例如,功率)可以限制AV的加速度。通过求解满足对速率的约束(沿着驾驶线的任何给定位置处的速率限制)和对加速度的约束(任何给定速率处的加速度限制)的沿着粗驾驶线的最快速率分布,可以生成速率分布。
除上述输入之外的输入也可用于计算策略性速率规划714。例如,可以使用道路mu、最小巡航时间、邻域类型或其它输入中的一个或多于一个。道路mu与诸如由于冰、雨、斜坡等引起的道路滑度相关。
最小巡航时间与AV的速率可被设置为恒定速率的最小时间长度相关。例如,假定道路的一段长500米,并且该段的速率限制为45MPH。另外,假定在给定AV的运动模型的情况下,AV需要250米才能从停止位置达到45MPH的速率限制,并且在给定45MPH的当前速率的情况下,AV需要250米才能停止。如果AV在路段开始时处于停止位置、并且AV将在路段结束时再次停止,则AV一达到45MPH的速率限制,就将必须开始减速。这种速率分布可能不是AV的乘员所期望的和/或自然的。正因如此,最小巡航时间可以例如指示:在AV可以开始减速(或加速)之前,必须在最小巡航时间(例如,3秒)内维持速率。正因如此,可以提供更自然的速率分布。
邻域类型可用于对正常人类驾驶行为进行建模,这可以取决于AV正穿过的邻域的类型。例如,人类驾驶员可以在(例如,可能观察到小孩在街道上玩耍的)住宅邻域中以低于标示速率限制的速率驾驶,而在工业邻域中至少以标示限制驾驶,尽管这两个邻域可能具有相同的标示速率限制。
图8是根据本发明的实现的用于确定可驾驶区域和离散时间速率规划的处理800的流程图。处理800的一些或所有方面可以在运载工具(包括图1所示的运载工具100和图2所示的运载工具202)中实现,或者在计算设备(包括图2所示的控制器设备232)中实现。在实现中,处理800的一些或所有方面可以在结合本发明中所描述的一些或所有特征的系统中实现。例如,处理800可以由图5的对象避开层506利用。
参考图9来解释处理800。图9是根据本发明的实现的确定可驾驶区域和离散时间速率规划的图。图9示出生成可驾驶区域(横向约束)和以离散时间表示的约束速率分布。可驾驶区域可以例如是运载工具运输网络中的可以驾驶自主运载工具的区域。最初(例如,在处理800开始时),可驾驶区域可以包括AV不能被预测为安全驾驶的区域。处理800调整可驾驶区域(例如,从可驾驶区域中切出AV不能被预测为安全驾驶的区域)。处理800得到调整后的可驾驶区域。
在操作810处,处理800识别AV附近的对象。在示例中,附近对象可以是世界模型模块402所维持的至少一些外部对象。在示例中,附近对象可以是世界模型模块402所维持的所有对象。在另一示例中,附近对象可以是世界模型模块402所维持的对象的子集。例如,附近对象可以是距AV预定距离内的对象、AV的预测到达时间内的对象或满足用于识别对象的子集的其它标准的对象。例如,并且参考图9的视图910,针对AV 912,识别静态运载工具920、静态运载工具914、迎面而来的动态运载工具918和动态运载工具916。在实现中,如针对图10~12所述,操作810识别表示对象的点(即,边界点)和/或点组。
在操作820处,处理800提取可驾驶区域。可驾驶区域可以是AV 912可以(例如,合法地和/或物理地)被驾驶的区域。在示例中,可驾驶区域可以从粗驾驶线中提取。例如,可驾驶区域可以是沿着粗驾驶线(例如,在纵向方向上)距AV的预定距离。图9的视图930中的可驾驶区域932是可驾驶区域的示例。在示例中,可驾驶区域932可以是由中线934和路肩936界定(即,在横向方向上界定)的区域。在示例中,可以基于AV 912的当前位置从HD地图中提取可驾驶区域。可驾驶区域可以由AV 912所在的车道(或道路或某个其它区域)的左边界和右边界界定。在示例中,可驾驶区域可以跨越道路的中心线。也就是说,在可驾驶区域中可以包括相反方向的交通车道。正因如此,在视图930中,如果中线934不存在,则可驾驶区域可以是可驾驶区域938。
处理800继续从可驾驶区域中去除不能(例如,安全地)驾驶AV的部分。这里使用术语“调整后的可驾驶区域”来指代在已从可驾驶区域中去除区域以考虑如这里所述的静态和/或动态对象之后的可驾驶区域。如果没有静态和/或动态对象干扰AV的轨迹,则调整后的可驾驶区域与可驾驶区域相同。
在操作830处,处理800针对静态对象调整可驾驶区域。也就是说,处理800从可驾驶区域中去除(例如,切出等)静态对象所在的可驾驶区域的一些部分。这是因为AV将被控制以在静态对象周围导航(例如,驾驶)。图9的视图940示出从可驾驶区域中切出一部分。为了避开静态运载工具914,处理800从可驾驶区域932中切出切口942。切出区域的大小可以基于对静态对象的大小的估计来确定。切出区域的大小可以包括余隙区域,使得AV不会驾驶得太靠近静态对象。
以下针对图10~12来进一步描述针对静态对象调整可驾驶区域的示例。以下针对图13来描述用于针对静态对象调整可驾驶区域的处理的示例。
在操作840处,处理800针对静态对象调整离散时间速率规划。例如,在没有障碍物或其它道路用户的情况下,离散时间速率规划遵循策略性速率分布。例如,在考虑到静态对象、调整后的可驾驶区域包含窄通道的情况下,代替遵循原样呈现(即,如策略性分布中所设置)的策略性分布(即,使用策略性分布的速率),处理800调整离散时间速率规划以将AV的速率降低至舒适的速率。例如,在考虑到静态对象、调整后的可驾驶区域包含静态阻塞的情况下,处理800调整离散时间速率规划,使得AV在静态阻塞之前的规定距离处停下来。
在操作850处,处理800识别(例如,预测、计算、生成、接收或以其它方式识别)附近的各动态对象的相应路径。在示例中,可以在世界模型(诸如图4的世界模型模块402)中维持至少一些动态对象的相应路径(即,轨迹)的预测。正因如此,处理800可以从世界模型接收(例如,请求、读取或以其它方式接收)相应路径。
例如,处理800预测(例如,接收预测或以其它方式预测)迎面而来的动态运载工具918将遵循路径922以绕过静态运载工具920,并且动态运载工具916将在经过静态运载工具914之后遵循路径924。在实现中,操作820使用处理800的实例(即,执行处理800)以识别动态对象的路径。在示例中,当预测动态对象的路径时,处理800将AV从动态对象的附近对象的列表中排除。
在示例中,预测动态对象的路径可以基于其它动态对象的相应速率以及动态对象之间的通行权的估计。在通行权的估计的示例中,如果第二运载工具正在跟随车道中的第一运载工具(即,在第一运载工具之后),则在存在第二运载工具的情况下模拟第一运载工具(即,针对第一运载工具预测路径);但在不存在第一运载工具的情况下模拟第二运载工具。
正因如此,轨迹规划器500的实例可以专用于包括轨迹规划器500的自主运载工具,并且轨迹规划器500的一个或多于一个其它实例可被自主运载工具使用以预测对自主运载工具可见的动态对象(例如,世界模型模块402所维持的动态对象)的轨迹。
在操作860处,处理800针对动态对象调整可驾驶区域。也就是说,处理800基于各动态对象的相应预测轨迹来从可驾驶区域切出部分。处理800使用与各动态对象的位置有关的定时信息来从可驾驶区域切出附加部分。针对动态对象的可驾驶区域中的切口是通过将现在考虑了静态对象(如针对操作840所述)的离散时间速率规划所生成的定时与动态对象的预测的定时进行比较而生成的。也就是说,处理800可以针对动态对象并且基于动态对象的预测轨迹来预测动态对象在不同的离散时间点处相对于AV在相同离散时间点处的位置而所处的位置。以下针对图14~16进一步描述了针对动态对象调整可驾驶区域的示例。以下针对图18描述了用于针对动态对象调整可驾驶区域的处理的示例。
动态对象的位置与AV的预测位置相匹配,以确定切出部分。如上所述,AV的预测位置是基于如在操作840处调整(即,考虑静态对象)的离散时间速率规划。切口可能与动态对象的当前位置不对应。相反,切口可以基于AV和动态对象被预测为相遇的位置。如果动态对象的预测轨迹不干扰可驾驶区域,则针对动态对象不会切出可驾驶区域的部分。如果动态对象的预测轨迹确实干扰了可驾驶区域,则切出可驾驶区域的一个或多于一个部分,以避免与动态对象发生潜在碰撞。
图9的视图950示出针对动态对象调整可驾驶区域(即,操作860)的示例。处理800(诸如通过操作850)预测到,迎面而来的动态运载工具918将遵循路径922,以绕过(例如,避开)静态运载工具920。处理800进一步预测到,如果AV 912继续沿其当前轨迹,则AV 912和迎面而来的动态运载工具918将会在位置954周围相遇。正因如此,处理800从可驾驶区域932中切出切口956。
在操作870处,处理800针对动态对象调整离散时间速率规划。在调整后的可驾驶区域(考虑了该点处的静态对象和动态对象这两者)包含沿与AV相同的方向上行进的动态对象的情况下,动态对象被标记为纵向约束,并且离散时间速率规划被调整为使得AV以舒适的速率和距离跟随阻塞对象。
图9的视图960示出针对动态对象调整离散时间速率规划(即,操作870)。处理800判断为,动态运载工具916在AV 912的调整后的可驾驶区域中,并且AV 912通过动态运载工具916是不安全的,这是因为例如在动态运载工具916的边缘和调整后的可驾驶区域的边界之间不存在安全间隙。正因如此,AV 912将跟随在动态运载工具916之后。如果动态运载工具916正在以比策略性速率规划慢的速率移动,则调整离散时间速率规划以使得AV以舒适的速率和距离跟随动态运载工具916。视图960还示出AV 912的例如基于切口956的轨迹962。
在另一示例中,假定动态运载工具916本身被判断为具有纵向约束。例如,第二运载工具(未示出)可能在动态运载工具916的前面。正因如此,第二运载工具本身也可被认为是AV 912的另一纵向约束。正因如此,可以基于动态运载工具916确定AV 912的第一离散时间速率规划(例如,第一减速度规划),并且可以确定AV 912的第二离散时间速率规划(例如,第二减速度规划)。第一离散时间速率规划和第二离散时间速率规划中与较高减速度相对应的一个可被选择为AV的离散时间速率规划。更一般地,被判断为约束AV的约束的对象本身可被视为AV的约束。
调整后的可驾驶区域964示出由处理800的操作得到的调整后的可驾驶区域。
图10~12是根据本发明的实现的针对静态对象调整可驾驶区域的示例1000、1100和1200。示例1000、1100和1200示出确定可驾驶区域的静态边界。也就是说,图10~12是如针对图8的操作830所述的针对静态对象调整可驾驶区域的示例。也就是说,示例1000、1100和1200示出沿着AV的粗驾驶线确定参考静态对象可以驾驶AV的位置。
在图10的示例1000中,AV 1002的粗驾驶线由粗驾驶线1004表示。这里粗驾驶线1004也被称为粗驾驶线。如针对图5的参考轨迹生成层504所述,可以确定(例如,计算、生成等)粗驾驶线1004。示例1000示出用于确定AV 1002的可驾驶区域的横向边界的操作830的示例。也就是说,示例1000示出确定例如AV 1002的可驾驶区域的左边界和右边界以考虑静态对象。
如上所述,确定可驾驶区域(即,未调整的、未切出的可驾驶区域,诸如图9的可驾驶区域932等)。在示例中,可驾驶区域可以具有默认宽度。默认宽度可以基于AV的当前车道或当前道路。默认宽度可以由预定义宽度(例如,8米)定义。正因如此,可驾驶区域可以越过道路的中心线。注意,默认可驾驶区域可以受到可能位于中线中的屏障(例如,混凝土屏障)的限制。这种屏障是静态对象,并且限制了可驾驶区域。
AV 1002的可驾驶区域被分割为分箱。各分箱具有中心点,诸如中心点1006等。中心点可以是等间隔的。例如,中心点可以相距约两米。各分箱的左边界和右边界可以与粗驾驶线1004的航向相关。右边界1018和左边界1020示出分箱1022的边界。
诸如边界点1008等的边界点源于静态对象。例如,边界点可以从来自LiDAR传感器、激光指示器、雷达或任何其它传感器(诸如图1的传感器126等)的数据推导出。边界点可以表示被占用或以其它方式禁止AV进入的(x,y)坐标。与静态对象相对应的各边界点被分配给包含该边界点的分箱。例如,边界点1008被分配给分箱1022。相邻边界点(诸如在分箱内或跨越分箱边界)可以与一个或多于一个静态对象相对应。
各分箱的左边界和右边界可以基于被分配给分箱的边界点来定义(即,设置)。例如,由于分箱1024不包括边界点,分箱1024的右边界1016和左边界1010与(未调整的)可驾驶区域对准。另一方面,分箱1026的左边界1012与可驾驶区域不对准,这是因为切口1028从可驾驶区域中排除;而分箱1026的右边界1014与可驾驶区域不对准,这是因为切口1030从可驾驶区域中排除。
调整后的可驾驶区域的边界由分段线1032和分段线1034表示,其中分段线1032形成调整后的可驾驶区域的左边界,分段线1034形成调整后的可驾驶区域的右边界。为了例示的清楚起见,分段线1032、1034被示出为偏离现实边界。也就是说,例如,虽然分段线1032与边界1010和边界1012重叠,但为了清楚起见,分段线1032被示出为略微偏离边界1010和边界1012。分段线1032是调整后的可驾驶区域的计算出的左边界。分段线1034是调整后的可驾驶区域的计算出的右边界。
计算出的右边界和左边界用于判断AV 1002是否可以继续沿着粗驾驶线1004。AV1002可以前进(实际上或计算上,而不是物理上)到各分箱的中心,以判断(在给定计算边界的情况下的)分箱的宽度是否使得AV 1002可以安全地适合通过该分箱。例如,针对分箱1022,AV 1002不能安全地通过分箱的左边界(即,计算出的左边界)。正因如此,并且如下文进一步所述,将改变AV 1002的轨迹。例如,AV 1002的轨迹可能无需调整,因为AV 1002可能需要停止,或者AV 1002的轨迹可以以其它方式改变。
图11示出根据本发明的实现的确定静态边界并识别在调整离散时间速率规划时考虑的阻塞的示例1100。在示例1100中,粗驾驶线1103是AV 1102的粗驾驶线。AV 1102的默认可驾驶区域由左边界1104和右边界1106定义。在示例1100中,示出包括AV 1102的车道的左车道边界1108和右车道边界1110。在示例1100中,可驾驶区域限于AV 1102的车道(即,由左车道边界1108及右车道边界1110界定的车道)。正因如此,针对静态对象调整车道的左边界和右边界。
左边界1104和右边界1106可以定义最大可能可驾驶区域(即,最大边界)。然而,由于优选将AV 1102保持在其车道内,因此左车道边界1108和右车道边界1110定义可驾驶区域的边界。在示例中,如果AV 1102不能在其本身的车道内(例如,在左车道边界1108与右车道边界1110之间)安全驾驶,则可以评价AV 1102是否可以在车道边界外但在最大边界内驾驶。扩展可驾驶区域可被称为“扩展可驾驶区域检查”。
右车道边界1110包括部分1112。部分1112被示出为虚线,因为如下文进一步所述,可驾驶区域的该部分将被调整。
如针对图10所述,AV 1102的可驾驶区域被分割为分箱,并且与静态对象相对应的边界点被分配至相应的分箱,诸如分箱1116、1118等。由于分箱1116、1118的边界点似乎对应于大的矩形对象,因此对象可以(例如,通过图4的世界模型模块402)被分类为“卡车”。
与对象(静态或动态对象)相对应(即,基于对象定义)的边界可被称为硬边界。硬边界使得,如果规划轨迹要越过硬边界,则可能与另一对象发生碰撞。另一方面,车道和/或道路标记可被称为软边界,并表示合法或逻辑边界。软边界使得,如果规划轨迹要越过还不是硬边界的软边界,则AV的运动可能是不合法的和/或不可被社会接受的,但AV可能是安全的。如图11所示,例如,左边界1104(即,左可驾驶区域边界)定义左硬边界,而左车道边界1108定义左软边界。右硬边界包括右边界1106(即,右可驾驶区域边界)和边界1114;右软边界由右车道边界1110和边界1114定义。
可以进行详细的检查,以判断在给定分箱的右硬边界和左硬边界之间的距离的情况下是否存在路径。边界1114和左车道边界1108之间的距离1120被判断为太窄,以致AV1102无法驾驶(即,适合)通过。正因如此,与分箱1116相对应的位置1122被标记为静态阻塞。正因如此,AV 1102不能通过分箱1116、1118的边界点所表示的对象。因此,AV 1102将在与位置1122相对应的静态阻塞之前停止。因此,模块530可以调整离散时间速率规划,使得AV在静态阻塞之前停下来。
在另一示例中,代替由于静态阻塞而停止,轨迹规划器确定通过间隙1124的轨迹,使得可驾驶区域至少针对分箱1116和1118跨越左车道边界1108而扩展。例如,如果左车道边界1108是道路的中心,则轨迹规划器可以判断为不存在迎面而来的动态对象,因此跨越车道边界是安全的。
在另一示例中,在不存在足以使AV在静态阻塞之前停止的距离的情况下,离散时间速率规划将只能使AV减慢,正因如此,可以确定这样的轨迹,使得AV可以越过左软边界以避免越过右硬边界并撞击静态对象。因此,通过维持对硬边界和软边界这两者的意识,轨迹规划器在大多数状况下可以生成合法和社会可接受的驾驶的轨迹,并在紧急状况下无缝地过渡到对象避开机动。
在示例中,可以基于分箱内的对象(例如,边界点组)的状况来调整分箱的边界。例如,可以随时间跟踪分箱内的边界点。如果判断为分箱内的边界点组略微移动(即,小于阈值移动水平),则可能需要更大的余隙水平。也就是说,如果边界点正在移动,则AV 1102可被驾驶得进一步远离边界点。另一方面,如果边界点是稳定的(即,没有正在移动),则AV1102可被驾驶得更靠近边界点。正因如此,可以根据分箱内的边界点的移动水平随时间调整分箱的边界(例如,边界1114)。
在示例中,如果在时间t检测到边界点的移动,则这些边界点被认为随后(即,在稍后的时间t+x)移动,而无论该边界点是否继续移动。
基于分箱内的边界点的移动随时间调整分箱边界可被称为滤波后的横向限制。在该上下文中,“滤波”意味着横向限制(例如,分箱边界)可以随时间变化。
图12是根据本发明的实现的确定静态边界的另一示例、即示例1200。在示例1200中,粗驾驶线1203是AV 1202的粗驾驶线。AV 1202的默认可驾驶区域由左车道边界1204和右车道边界1206定义。切口1208和切口1210被从可驾驶区域中切出。在该示例中,切口1210位于可驾驶区域的中间。
切出区域的边界是否扩展到默认可驾驶区域的边界可以取决于切出区域与默认可驾驶区域的边界之间的距离。例如,如果与切口1210的右边缘和右车道边界1206之间的间隙1216相对应的距离低于阈值距离,则切口1210可以由从切口1210的左边界1217扩展到右车道边界1206的区域定义。在示例中,阈值距离可以与AV 1202的宽度相关。例如,阈值距离可以是AV 1202的宽度的1.5倍、2.0倍等。类似地,还确定分箱的边界点的集群(例如,集群1209)和车道边界(例如,右车道边界1206)之间的间隙(例如,间隙1207)。在间隙1207的情况下,由于间隙1207被判断为小于阈值距离(使得AV 1202不能通过该间隙),因此切口1208扩展到右车道边界1206。
AV 1202的轨迹规划器可以判断为距离1212使得AV 1202可以通过与距离1212相对应的间隙。由于切口1210与粗驾驶线1203重叠,因此AV 1202的轨迹规划器进行详细检查以确定(例如,求出)到切口1210的左侧或右侧的间隙,使得AV 1202可以通过该间隙。如果由于详细检查未发现间隙,则AV 1202可被认为是阻塞的,并且必须停止。
在示例1200中,间隙1214和间隙1216都使得AV 1202可以通过间隙1214、1216中的任一个。在示例中,随机选择间隙1214、1216其中之一。在另一示例中,轨迹规划器选择间隙1214(即,切口1210左侧的间隙),因为轨迹规划器已经选择了向左的方向来通过切口1208。
在给定针对第二对象的两个可能路径(例如,关于对象的左路径和右路径)、并且给定针对第一对象的第一路径(例如,右侧或左侧)的情况下,“多假设跟踪”是指确定针对第二对象的第二路径(例如,轨迹)。
图13是根据本发明的用于确定静态边界的处理1300的流程图。处理1300的一些或所有操作可以在处理800的操作830处进行。
在操作1310处,处理1300将边界点组织在沿粗驾驶线的分箱中。如针对图10~12所描述的,边界点被组织到沿粗驾驶线的分箱中。
在操作1320处,处理1300对照粗驾驶线检查分箱的边界。对照粗驾驶线检查分箱的边界以判断是否存在间隙以使得AV可以通过至少一个间隙。在示例中,操作1320可以通过操作1320_2~1320_12来进行。操作1320基于诸如针对例如图10的分箱1026的左边界1012和右边界1014所述的分箱边界点,来调整可驾驶区域的分箱的右边界和左边界。
在操作1320_2处,处理1300估计实际驾驶线。例如,如针对切口1208所述,处理1300确定切口1208左侧的实际驾驶线。
在操作1320_4处,处理1300识别可通过间隙。也就是说,处理1300识别可通过间隙的数量。例如,在给定图11的分箱1116的右边界和左边界的情况下,处理1300判断AV 1102是否可以通过距离1120所定义的间隙。如果AV 1102可以通过距离1120所定义的间隙,则识别一个间隙。类似地,处理1300判断AV 1202是否可以通过图12的距离1212所定义的间隙。
在操作1320_6处,如果识别了单个(即,一个)间隙,则处理1300在1320_12处终止。也就是说,允许轨迹通过该间隙。如果在操作1320_4处识别了多于一个间隙,则处理1300进入操作1320_8。例如,针对AV 1202和切口1210,处理1300识别两个间隙,即切口1210右侧的间隙和左侧的间隙。
在操作1320_8处,处理1300进行详细检查以判断其它间隙是否可用,诸如针对图12的间隙1214、1216所述。例如,如果间隙1214被判断为太小以致AV 1202无法在切口1210的左侧通过,则处理1300可以测试AV 1202是否可以通过间隙1216。在操作1320_8处,处理1300选择在左侧或在右侧通过,并且如果两者都不可能,则处理1300判断为存在静态阻塞。
在操作1320_10处,如果前瞻距离被完全检查,则处理1300在操作1320_12处终止;否则,处理1300返回操作1320_2以检查附加障碍物。
前瞻距离可以随AV的速率而变化。例如,根据AV的速率,前瞻距离可以变化以减少计算时间,同时仍然保证在检测到前方的阻塞或横向约束的情况下有足够的时间使AV停止或舒适地(例如,安全地)转向。例如,在需要4秒前瞻时间的情况下,如果AV正以每秒12米的速率行进,则适当的前瞻距离将是48米。如果AV正以每秒30米的速率行进(例如,在公路上行进时),则适当的距离将是120米。
再次参考图5,离散时间速率规划模块528可以根据参考轨迹生成层504(更具体地,策略性速率规划模块524)所确定的策略性速率规划来生成目标速率和加速度。离散时间速率规划模块528可以根据(例如,基于)纵向约束来生成目标速率和加速度。在示例中,纵向约束可以包括(后述的)停止线、(后述的)虚拟停止线、静态障碍物(即,静态对象)和/或动态障碍物(即,动态对象)。离散时间速率规划模块528迭代地计算目标速率和加速度。针对前瞻时间(即,未来时间范围)计算目标速率和加速度。在示例中,前瞻时间可以是6秒。
停止线表示法律要求AV在继续之前停止的线。在示例中,停止线可以用道路上的涂画标记。在另一示例中,停止线可以基于交叉路口结构和停止标志位置来推断。虚拟停止线可以被AV用来表示AV预期、但不被法律要求停止以检查十字路口信息的关键位置。例如,在左转弯处,在交叉路口的中间可以使用虚拟停止线,以使AV停止并为十字路口的交通让路。
离散时间速率规划模块528计算纵向约束(即,在AV的纵向方向上的静态或动态对象)的相应目标速率和/或纵向约束的相应目标距离。
离散时间速率规划模块528可以为至少一些静态和/或动态对象设置(即,选择、确定或以其它方式设置)跟踪模式。例如,跟踪模式可以是“缩小间隙”、“维持间隙”、“开放间隙”、“制动”和“跟随”其中之一。例如,针对图9的动态运载工具916,离散时间速率规划模块528可以确定“缩小间隙”的跟踪模式。例如,针对图11的分箱1116中的对象,跟踪模式可被确定为“制动”。可用跟踪模式可以包括更少、更多或其它的跟踪模式。跟踪模式可用于选择离散时间速率规划模块528所使用的调谐参数的集合。调谐参数可以包括目标加速度、迟滞参数和其它调谐参数。
现在提供示例来示出离散时间速率规划模块528的操作。如果没有发现纵向约束,则离散时间速率规划模块528可以基于(如参考轨迹生成层504所确定的)策略性速率规划来判断为可以操作AV。另一方面,如果(例如,针对图11的分箱1116中的对象)发现纵向约束(其中跟踪模式被确定为“制动”),则离散时间速率规划模块528计算速率分布以使AV停止。也就是说,计算减速速率分布以使AV停止。
在示例中,速率分布使用AV的当前速率以及到纵向约束的距离来计算减速速率分布,以在纵向约束之前使AV停止。
图14~16是根据本发明的实现的确定动态边界的示例1400、1500和1600。也就是说,图14~16是如针对图8的操作850所述的针对动态对象调整可驾驶区域的示例。也就是说,示例1400、1500和1600示出沿着AV的粗驾驶线确定参考动态对象可以驾驶AV的位置。
各动态对象可被分类为多个可用类中至少之一。在示例中,可用类包括“横向约束”、“纵向约束”、“迎面而来的横向约束”和“迎面而来的纵向约束”。可使用其它类。
被分类为“横向约束”的动态对象影响AV的路径、但不影响速率。例如,动态对象可以正在一般与AV的方向正交的方向上移动。也就是说,动态对象可以正从AV的左侧或右侧移动,而不会阻碍(即,妨碍)AV的路径。正因如此,诸如图5的轨迹规划器500等的轨迹规划器可能需要调整AV的轨迹以避开动态对象。也就是说,AV可能需要移动(在左侧或在右侧)以避免与动态对象碰撞。
被分类为“纵向约束”的动态对象影响AV的速率、但不影响路径。例如,动态对象可以正在一般与AV相同的方向上移动,并且可以在AV的路径中。也就是说,在AV的当前速率下,纵向约束对象阻碍(即,妨碍)AV的路径。正因如此,AV的轨迹规划器可能无需调整AV的轨迹,但可能需要(诸如通过轨迹规划器的离散时间速率规划模块528来)调整AV的速率以避免与动态对象碰撞。纵向约束的示例是图9的动态运载工具916。也就是说,纵向约束对象可以是在AV前面并且正以比AV慢的速率移动的运载工具。正因如此,AV将减慢,以避免追尾动态对象。
迎面而来的横向约束对象与横向约束对象类似,其区别在于迎面而来的横向约束对象在与AV的方向相反的方向上移动。图9中的迎面而来的动态运载工具918是迎面而来的横向约束对象的示例。在这种情况下,AV可以移动(诸如针对图9的轨迹962所述)而无需减慢。
迎面而来的纵向约束对象与纵向约束对象类似,其区别在于迎面而来的纵向约束对象在与AV的方向相反的方向上移动。在这种情况下,并且如针对图16进一步所述,AV停止。
正因如此,图5的对象避开层506的模块532基于动态对象的分类来约束(即,施加约束至)AV的离散速率规划。例如,阻塞AV的轨迹的迎面而来的动态对象可被视为车道内(即,在与AV相同的车道中)的静态对象。例如,领先动态对象(即,在AV的前面并正在与AV相同的方向上移动的动态对象)可被视为离散时间速率规划中的纵向约束。例如,靠近AV的规划驾驶线的动态对象可被视为横向约束。
在图14的示例1400中,AV 1402正沿着粗驾驶线1403移动。未发现静态对象。因此,作为如关于图10~12所述的针对静态对象调整可驾驶区域的计算边界的左边界1417和右边界1418与可驾驶区域的边界重合。
运载工具1404被预测为从道路的右路肩(或从包括AV 1402的车道右侧的车道)沿着路径1420移动到AV的路径中。正因如此,运载工具1404最初被分类为横向约束。运载工具1404的预测路径是粗驾驶线1403附近(例如,与粗驾驶线1403相邻)的路径1420。正因如此,模块532继续将运载工具1404分类为横向约束。
模块532可以确定(例如,预测)AV 1402在不同离散时间点的位置。也就是说,模块532确定在不同时间点沿着粗驾驶线1403的到达位置。例如,在时间t处(例如,在一秒内),AV 1402被预测为处于位置1406处;在时间t+1处(例如,在两秒内),AV 1402被预测为处于位置1408处;并且在时间t+2处(例如,在3秒内),AV 1402被预测为处于位置1410处。
虽然针对示例1400、1500和1600示出未来3秒(即,3秒的时间窗)处的位置,但是在给定预定时间窗的情况下,可以确定(例如,预测、计算等)更多或更少的位置。在示例中,时间窗为6秒。预测位置的频率也可能不同。在示例中,时间窗可以是6秒,并且可以每半秒确定位置。正因如此,预测了12个位置。
如上所述,轨迹规划器的第二实例可以是跟踪运载工具1404(例如,预测运载工具1404的轨迹)。正因如此,第二轨迹规划器的模块532可以确定(例如,预测)运载工具1404的位置。例如,在时间t处(例如,在一秒内),运载工具1404被确定为处于位置1412处;在时间t+1处(例如,在两秒内),运载工具1404被确定为处于位置1414处;并且在时间t+2时(例如,在3秒内),运载工具1404被确定为处于位置1416处。在示例中,相同的时间窗和预测频率对于AV的所有实例化轨迹规划器可以是相同的。然而,无需是这种情况。时间窗和频率可以取决于动态对象的类型(例如,自行车、行人、跑车、轿车、大卡车等)。调整AV 1402的可驾驶区域,以去除与运载工具1404的位置相对应的那些区域。
在图14的示例1400中,判断为运载工具1404和AV 1402在相同时间大致处于相同位置。正因如此,诸如通过设置与路径1422相对应的分箱的边界(在本示例中为右边界),从AV 1402的可驾驶区域切出与路径1422相对应的部分。如针对图12的距离1212所述,如果距离1424使得AV 1402可以适合通过距离1424所定义的间隙,则AV 1402的驾驶线被调整通过该间隙(即,AV 1402被推送至左侧)。
在图15的示例1500中,AV 1502正沿着粗驾驶线1503移动。未发现静态对象。因此,不针对静态对象调整可驾驶区域的左边界1517和右边界1518。然而,运载工具1504被预测为沿着路径1520从道路的右路肩(或从包括AV 1502的车道右侧的车道)移动到AV 1502的路径中。
最初,例如,当运载工具1504被首次检测到时,其可被分类为横向约束。正因如此,如针对图14的运载工具1404所述,可以针对运载工具1504施加横向约束。
如针对图15所述,AV 1502在时间t、t+1和t+2处的位置被分别预测为位置1506、1508和1510;并且运载工具1504在时间t、t+1和t+2处的位置被分别预测为1512、1514和1516。正因如此,运载工具1504的轨迹(即,路径1520)被预测为与AV 1502的粗驾驶线1503重叠。因此,运载工具1504然后被分类为纵向约束。正因如此,运载工具1504的分类从“横向约束”改变为“纵向约束”。正因如此,轨迹规划器无需改变AV 1502的轨迹以使得AV 1502向左移动(如上文针对图14所述);相反,离散时间速率规划模块528可以对AV 1502的粗驾驶线1503施加纵向约束。也就是说,离散时间速率规划模块528使用运载工具1504作为领先运载工具来计算离散时间速率规划。离散时间速率规划模块528可以设置“跟随”的跟踪模式,使得AV 1502跟随在运载工具1504之后。离散时间速率规划模块528还可以确定离散时间速率规划,以例如使AV 1502减速,使得AV 1502不会在运载工具1504之前到达位置1506。
在图16的示例1600中,AV 1602正沿着粗驾驶线1603向东移动,而运载工具1604正向西移动。运载工具1604被预测为遵循路径1609,以避开停泊的运载工具1606。AV 1602沿粗驾驶线1603在时间t、t+1和t+2处的位置被分别预测为位置1610、1612和1614。运载工具1604沿路径1609在时间t、t+1和t+2处的位置被分别预测为1616、1618和1620。
轨迹规划器判断为,AV 1602和运载工具1604被预测为在相同时间(即,在时间t+2处)大致处于相同位置(即,与位置1612、1618相对应的交叉位置)。正因如此,如果AV 1602继续沿着粗驾驶线1603,其最可能与运载工具1604碰撞。
尽管在图16中未示出,但如针对图9的视图950中的切口956所述,调整(即,切出)示例1600的可驾驶区域。也就是说,调整AV 1602的可驾驶区域,以诸如通过设置与路径1609相对应(即重叠)的分箱的边界(在本示例中为左边界)来去除与运载工具1604的位置相对应的那些区域。
在交叉位置(即,1612、1618)处,轨迹规划器可以评价交叉点与可驾驶区域的边缘之间的可驾驶区域的宽度。也就是说,轨迹规划器评价距离1622以判断距离1622所定义的间隙是否足够大以使得AV 1602可以通过。如上所述,距离1622是包括交叉点的分箱1608的计算边界之间的距离。
在距离1622被判断为不够大(即,间隙太小)的情况下,轨迹规划器确定AV 1602可以通过运载工具1604的位置。在示例中,对于AV 1602的至少一些预测位置,从交叉点(例如,时间t+X处的位置,其中X是正整数)开始并在时间上回溯(例如,时间t+X-1、t+X-2、...、t-1、t处的至少一些位置),轨迹规划器判断在该位置处,AV 1602是否可以通过运载工具1604。在示例1600中,轨迹规划器判断为在位置1610处AV 1602可以通过运载工具1604。
在另一示例中,对于运载工具1604的至少一些预测位置,从交叉点(例如,时间t+X处的位置,其中X是正整数)开始并在时间上向前(例如,时间t+X+1、t+X+2、...、t+X+n处的至少一些位置),轨迹规划器判断在该位置处,AV 1602是否可以通过运载工具1604。
轨迹规划器判断为,当运载工具1604处于位置1620时,AV 1602可以通过运载工具1604。正因如此,轨迹规划器(更具体地,模块530)在位置1624处设置静态阻塞。然后,轨迹规划器(更具体地,离散时间速率规划模块528)确定速率和/或减速度分布,以使AV 1602在位置1624处停止。正因如此,AV 1602在位置1624处停止,直到运载工具1604到达位置1624为止,此时AV 1602可以沿着粗驾驶线1603前进。
在距离1622被判断为足够大的情况下,轨迹规划器可以调整粗驾驶线1603,使得AV 1602向左移动以在交叉位置处避开运载工具1604,诸如如针对图9的视图960中的轨迹962所示。
正因如此,在示例中,对象避开层506系统地处理对象。如果对象不是约束,则对象避开层506可以忽略该对象。
如果对象是静态对象并且调整后的可驾驶区域是可通过的(例如,AV可以视情况通过可驾驶区域或调整后的可驾驶区域中的一个或多于一个间隙),则模块530可以施加静态约束(例如,横向约束)来确定调整后的可驾驶区域,如例如针对图12的距离1212所述。
如果对象是静态对象并且可驾驶区域(或调整后的可驾驶区域)是不可通过的,则离散时间速率规划模块528可以调整离散时间速率分布,如例如针对图11的位置1122所述。
如果对象是动态对象并且对象是横向约束,则模块532可以调整可驾驶区域(或调整后的可驾驶区域),如例如针对图15所述。
如果对象是动态对象并且该对象是纵向约束,则离散时间速率规划模块528可以调整离散时间速率分布,如例如针对图16所述。在给定约束的情况下,离散时间速率规划模块528可以生成针对未来窗的离散时间速率规划(例如,针对未来6秒的速率规划)。
返回图5,轨迹优化层508进行诸如约束操作等的优化操作,以基于约束来确定AV的最优轨迹。轨迹优化层508可以使用(即,作为优化操作的输入)AV的运动模型(例如,运动学运动模型)、粗驾驶线(例如,图10的粗驾驶线1004、图11的粗驾驶线1103、图14的粗驾驶线1403等)和/或沿粗驾驶线的分箱的中心点(例如,中心点1006)、离散时间速率规划以及调整后的可驾驶区域(例如,调整后的可驾驶区域的左边界和右边界),以计算(例如,确定、生成等)AV的最优轨迹。正因如此,最优轨迹考虑了粗驾驶线以及沿粗驾驶线(在给定静态对象和动态对象的情况下)的左边界和右边界。
图17示出根据本发明的实现的轨迹规划的附加示例1700。在以下的各示例中,诸如图5的轨迹规划器500等的一个或多于一个轨迹规划器可以在自主运载工具内执行。轨迹规划器的第一实例确定自主运载工具本身的轨迹。第二轨迹规划器实例预测至少一个外部动态对象的轨迹。在一些示例中,第一实例可以确定自主运载工具本身的轨迹或者可以预测外部动态对象的轨迹。为了简化解释,这里使用“轨迹规划器”来指代第一实例和/或第二实例。
在第一示例中,AV 1702的轨迹规划器预测到,迎面而来的运载工具1704将遵循轨迹1706以避开静态对象1705。轨迹规划器进一步判断为,如针对图16所述,AV 1702不能在迎面而来的运载工具1704的轨迹和可驾驶区域的右边界之间的间隙中通过。正因如此,轨迹规划器确定如下的速率规划,该速率规划使AV 1702在静态阻塞1708处停止,直到迎面而来的运载工具1704经过静态阻塞1708为止。
在第二示例中,AV 1710判断为(即,通过AV的轨迹规划器判断为)动态对象1712将遵循路径1714。轨迹规划器判断为AV 1710不能在没有跨越道路的中心线的情况下通过动态对象1712,其中中心线可以是可驾驶区域的左硬边界(如针对图9的可驾驶区域932所述)。正因如此,AV 1710的轨迹规划器确定使AV 1710在静态阻塞1716处停止的速率规划。
在第三示例中,AV 1720判断为迎面而来的动态对象1722将遵循轨迹1724。AV1720进一步确定AV 1720的轨迹1730,使得AV 1720沿着轨迹1730导航至第一静态对象1726和第二静态对象1728之间,其中AV 1720将在静态阻塞1732处等待计算出的秒数,然后前进。计算出的秒数是足够用于迎面而来的动态对象1722通过静态阻塞1732的位置的时间,诸如针对图16的位置1624所述。
在第四示例中,AV 1734判断为大的动态对象1736正在右转弯。AV 1734的轨迹规划器使用大的动态对象1736的运动模型确定为大的动态对象1736需要大的转弯半径,正因如此,大的动态对象1736将遵循轨迹1738。因此,确定(例如,计算、生成等)AV 1734的速率规划,使得AV 1734在静态阻塞1740处停止,直到大的动态对象1736通过AV 1734的路径为止。
总之,根据本发明的轨迹规划器(例如,轨迹规划器的驾驶线数据层)可以确定(例如,生成、计算、选择等)参考(即,粗)驾驶线。轨迹规划器可以将多个输入数据融合在一起,以确定粗驾驶线。正因如此,粗驾驶线可被称为多源的(即,来自多种类型的输入数据)。输入数据可以包括HD地图数据、遥操作数据、记录路径数据、在前运载工具数据、停泊场数据和局部感知数据。轨迹规划器可以使用更少、更多或其它的输入。
轨迹规划器(例如,轨迹规划器的粗驾驶线级联层)可以生成(例如,确定、计算等)沿粗驾驶线的包括特定速率值的策略性速率规划。轨迹规划器可以使用道路曲率、道路mu、运载工具速率和/或加速度限制、最小巡航时间、邻域类型以及更多、更少或其它的输入中至少之一来生成策略性速率规划。
轨迹规划器(例如,轨迹规划器的粗驾驶线级联层)基于硬边界(其基于静态和/或动态对象而设置)、软边界(例如,车道标记)、滤波后的横向限制、多假设跟踪、可扩展可驾驶区域检查和动态对象分类(例如,将对象分类为迎面而来的运载工具、领先运载工具或横向约束)中的至少一个或多于一个,来确定AV的调整后的可驾驶区域。
轨迹规划器(例如,轨迹规划器的离散时间速率规划模块)使用例如自然加速度分布(例如,AV的运动模型)、领先运载工具加速度分布以及限制纵向约束的判断来确定(例如,计算)离散时间速率规划。
轨迹规划器(例如,轨迹规划器的优化期望轨迹层)使用例如约束优化操作来生成(例如,计算、确定等)AV的优化轨迹。在示例中,优化操作可以基于或可以包括二次罚函数。在示例中,优化操作可以基于或可以包括对数障碍函数。例如,二次罚函数可以与软约束一起使用。例如,对数障碍函数可以与硬约束一起使用。
图18是根据本发明的用于对象避开的处理1800的流程图。处理1800可以由轨迹规划器(诸如图5的轨迹规划器500)执行。
在操作1810处,处理1800检测沿着AV的可驾驶区域的粗驾驶线的第一对象。在示例中,检测第一对象可以意味着检测与对象相对应的边界点,诸如图10的边界点1008。在示例中,检测对象可以意味着(例如,通过询问)从世界模型(诸如针对图4的世界模型模块402所述)接收对象。粗驾驶线可以例如如针对图10的粗驾驶线1004、图11的粗驾驶线1103和图12的粗驾驶线1203等所述。可驾驶区域可以如针对图9的可驾驶区域932所述。
在操作1820处,处理1800接收第一对象的预测路径。在示例中,处理1800基于第一对象的分类和第一对象的运动模型来确定第一对象的预测路径。在另一示例中,处理1800从预测第一对象的路径的轨迹规划器接收第一对象的预测路径。预测路径可以如针对图3的轨迹336、轨迹346、轨迹354和轨迹364、图14的路径1420、图15的路径1520以及图16的路径1609所述。
在操作1830处,处理1800基于第一对象的预测路径来确定调整后的可驾驶区域。在示例中,并且如上所述,可以从可驾驶区域中切出部分以生成调整后的可驾驶区域。在另一示例中,诸如在第一对象既不是横向约束也不是纵向约束的情况下,如上所述,调整后的可驾驶区域可以与可驾驶区域相同。
在操作1840处,处理1800确定AV通过调整后的可驾驶区域的轨迹。轨迹可以如针对图5的轨迹优化层508所述地确定。
在示例中,基于第一对象的预测路径确定调整后的可驾驶区域可以包括将粗驾驶线的至少一部分分割为分箱,将第一对象分配给分箱中的一个分箱,以及基于该一个分箱来确定调整后的可驾驶区域。分箱可以例如如针对图10所述。基于该一个分箱确定调整后的可驾驶区域可以包括确定(例如,计算)至少针对该一个分箱的边界,诸如上文所述。
在示例中,基于第一对象的预测路径确定调整后的可驾驶区域可以包括确定第一对象在离散时间间隔处的相应对象位置,确定AV在离散时间间隔处的相应AV位置,以及基于相应对象位置和相应AV位置来确定调整后的可驾驶区域。第一对象的相应对象位置、AV位置以及确定调整后的可驾驶区域可以如针对图14~16所述。
在示例中,处理1800可以包括对第一对象进行分类。在另一示例中,处理1800可以诸如从世界模型模块402等接收对第一对象的分类。在第一对象被分类为迎面而来的纵向约束的情况下,确定AV通过调整后的可驾驶区域的轨迹可以包括使AV停止直到第一对象的对象位置与AV的AV位置相遇的第一时间之后的第二时间为止,诸如针对图16所述。
在第一对象被分类为纵向约束的情况下,确定AV通过调整后的可驾驶区域的轨迹可以包括使AV减慢以在第一对象后驾驶,诸如针对图15所述。
在示例中,处理1800还可以包括将第一对象分类为横向约束、纵向约束、迎面而来的横向约束或迎面而来的纵向约束。
在示例中,确定AV通过调整后的可驾驶区域的轨迹可以包括判断为第一对象是静态阻塞并且使AV停止,诸如针对图16所述。
图19是根据本发明的实现的路径规划的说明性示例。示例1900示出了横向应急规划。示例1950示出了速率(即,纵向)应急规划。
在示例1900中,AV 1902在车道1904中。对象1905在车道1904的一侧上。由于不确定性可能与传感器数据和/或感知世界对象相关联,因此扩展对象1905的实际/真实大小的边界框1906可以与对象1905相关联。虽然本文描述了不确定性的框(即,边界框),但是不确定性的形状可以是任何其它形状。在示例中,形状可以是气泡状。
不确定性的限界框的大小可为范围不确定性、角度(即,姿势、取向等)不确定性或速度不确定性结果中的一个或多于一个的函数。例如,关于范围不确定性(即,关于对象1905距AV 1902多远的不确定性),AV(更具体地,AV的世界建模模块)可以向被感知为比近的对象远的对象分配不确定性的更长的边界框。例如,关于角度不确定性(即,关于对象1905的取向/姿势的不确定性),可以导致向不确定性的边界框分配不同的宽度。另外,并且如上所述,可能存在关于对象1905的意图和/或对象1905的速率的不确定性。例如,可能不清楚对象1905是否将保持停泊或突然移动到车道1904中。
基于当前感知到的状况,AV 1902(更具体地,AV 1902的轨迹规划器)可以规划AV1902的标称路径1908。如关于操作1840所描述的,标称路径1908可以是由处理1800确定的轨迹。利用标称路径1908,AV 1902可以基本上直线前进。在没有关于对象的上下文信息(例如,门可能打开)的情况下,在许多情况下,标称路径1908将是通过横向约束的自然方法。例如,驾驶员由其它类似的约束(诸如灌木和障碍物等)常规接近地通过。
标称路径1908不考虑潜在危险。如果对象1905被分类为运载工具,则可能的是对象1905的门1910可以在任何时间点打开。门1910被示出为虚线,以指示门1910尚未打开但其可能打开。也可能的是门1910可以在AV 1902太靠近对象1905的时间点打开。在这种情形下,AV 1902太靠近并且不能被控制为在与门1910碰撞之前停止;或者AV 1902可能需要进行剧烈紧急操纵以避开门1910。剧烈紧急操纵可以是硬制动操纵或远离门1910的急转弯或其组合。这样的剧烈紧急操纵至少可能是AV的乘员不期望的(并且可能是预测的)。
为了针对这种危险而预先规划,可以针对AV 1902规划朴素路径1912。朴素路径1912使得无论实际上门1910是否打开、AV 1902都显著横向移动以避开门1910。AV 1902的乘员也可能不期望根据朴素路径1912控制AV 1902。
代替标称路径1908或朴素路径1912,可以针对AV 1902规划应急轨迹1914。应急轨迹1914可以导致与标称路径1908的轻微横向偏差,其不像朴素路径1912的偏差那样剧烈。然而,应急轨迹1914可以使得:如果门1910确实打开,则仍然可以控制AV以进行合理的紧急操纵。例如,如果当AV 1902到达位置1916时门1910打开(或检测到要打开),则可以控制AV1902以进行合理的紧急操纵以遵循路径1918。
总之,门1910指示汽车门将打开的最大程度;标称路径1908指示忽略具有低的关联可能性的观察和/或预测的路径;朴素路径1912指示避开门的朴素路径;应急轨迹1914是门可能打开的路径;并且路径1918是在AV的紧急操纵能力的限制内如果门打开则要采取的路径(即,紧急操纵)。如果门没有打开,则朴素路径1912可以被认为是笨拙的路径。
在一些情形下,可能期望根据朴素路径1912控制AV 1902。例如,如果危险(即,门1910打开)的可能性高,则朴素路径1912可能比应急轨迹1914更优选。例如,如果对象1905被分类为已经变为静态对象(即,道路侧的停止运载工具)的动态对象(即,移动运载工具),则门1910将打开的可能性非常高。另外,如果在对象1905内部感知到驾驶员,则门1910将打开的可能性甚至更大(例如,接近100%)。因此,通过采用朴素路径1912,使得AV 1902立即逐渐横向移动,在门1910确实已打开的情况下,如果/当门打开时,将不需要紧急操纵(合理的或以其它方式)。
示例1950示出了速率(即,纵向)应急规划。示例1950假设AV可以根据标称速率规划1952驾驶。AV可能正在转弯道路上驾驶,并且存在AV的传感器无法感知的对象1954(因为对象1954被遮挡)。
AV可以根据标称速率规划1952前进,从而忽略对象1954可能存在的可能性。如果AV将沿着标称速率规划1952前进,则当最终感知到对象1954时,可能无法及时停止AV。如AV到达对象1954时的速率1956所示,速率1956不为零。为了考虑对象可能在转弯周围的可能性,可以针对AV确定(例如,规划、计算等)朴素速率规划1958。无论确实是否存在转弯周围的对象1954,朴素速率规划1958都显著降低了AV的速率。
更好的速率规划(即,应急速率规划1960)使得如果最终感知到对象1954,则AV能够停止。在根据应急速率规划1960控制AV的情况下,如果当AV到达位置1962时感知到对象1954,则可以进行紧急速率规划1964(即,紧急操纵),以在AV到达对象1954的位置之前使AV的速率为零(或跟随速率)。因此,应急速率规划1960使得AV例如可以在检测到对象1954的情况下及时停止。
总之,标称速率规划1952是忽略低可能性观察和/或预测的速率规划;朴素速率规划1958是针对可能的阻塞的朴素速率规划;应急速率规划1960是针对阻塞而准备的速率规划;并且紧急速率规划1964是在阻塞(例如,紧急)突然出现的情况下的速率规划。
图20是根据本发明的实现的危险区域的定义的示例2000。示例2000呈现了定义危险区域(或简单地,危险)的一般化方法。然而,其它定义也是可能的。一旦如下面关于图20所说明的,危险被定义(例如,分配、确定、计算、评估等),特定危险(或危险的类型)本身可以变得与计算(例如,确定、选择、计算等)应急规划无关。应急规划可以是应急轨迹或路径、应急速率分布或其组合。一旦计算出应急规划,就可以根据应急轨迹操作(即,控制)自主运载工具。一旦通过了危险,就可以根据标称轨迹操作AV。
示例2000示出了正在道路2004上行驶的AV 2002。在道路2004的一侧上识别出对象2006。对象2006可以是例如停泊的运载工具、行人或一些其它对象。如轨迹2007所示,AV2002正在朝向对象2006移动。如关于图19的边界框1906所描述的,由于不确定性,边界框2005与对象2006相关联。横向姿势不确定性2008(表示为Δyp)定义了对象2006的初始确定的(例如,感知的、识别的、设置的等)横向大小。时间2009(表示为t)指示AV 2002到达危险(即,边界框2005)的时间。
最大横向侵入2012(表示为Δyv,max)识别由于对象2006可能横向移动而进入道路2004的最大横向侵入。对象2006可能移动可以意味着对象2006本身正在移动或者对象2006的一部分正在移动。在示例中,并且如上所述,对象2006可以被分类为停泊的汽车。因此,如关于图19所描述的,停泊的运载工具的门可以打开。由于汽车门的最大大小约为1米,因此最大横向侵入2012可以设置为Δyv,max=1米。
速度2014(表示为Vy)指示危险进入道路2004的速度。例如,在对象被识别为停泊的运载工具的情况下,速度2014可以被设置为汽车门可以打开的标称速率。
在示例中,并且如上所述,对象2006可以被分类为被确定为沿着轨迹2007在AV2002之前50米的行人。可以确定行人正在穿越道路2004。可以确定行人具有每秒1米的最大侵入。因此,速度2014可以被设置为Vy=1米/秒。
鉴于上述情况,可能的侵入2010(表示为Δy(t))可以使用公式(1)计算为:
Δy(t)=Δyp+min(Vy*t,Δyv,max) (I)
也就是说,对象2006向道路2004中的可能侵入2010由Δyp(即,边界的当前宽度,如在计算可能侵入2010时确定的)加上Vy*t(即,给定对象正在/可以移动到道路2004中的速率,对象或其一部分在现在和AV 2002到达危险的时间之间可以移动到道路2004中多少)和Δyv,max(即,最大横向侵入2012)的最小值给出。
初始侵入Δyp可以随时间变化。例如,当AV 2002接近对象2006时,传感器不确定性减小,并且不确定性的边界框的大小也可以减小。
当AV 2002接近危险时,可能的侵入2010随时间变化。当AV 2002接近对象时,AV2002到达对象2006的时间t接近0(即,t→0);并且危险区域塌缩到(即,减小到)与危险相关联的不确定性的姿势或边界框。也就是说,当AV 2002接近对象2006时,边界框的大小随着不确定性的减小而减小。也就是说,不确定性的边界框随着感知(即,传感器)范围的减小而塌缩。另外,还减少了对象在道路2004上的横向移动的量(例如,距离)。
返回到上面的示例,其中对象2006被分类为以Vy=1米/秒的速率移动穿过道路2004的行人。给定AV 2002的当前速率,可以确定为AV 2002将在五秒内到达对象2006。因此,估计到:AV 2002到达行人时,行人能够行驶到道路中多达5米。也就是说,行人可以实质上或基本上穿过整个道路2004。然而,随着AV 2002越来越靠近对象2006(即,行人),情形可能会自身演变,因为行人可能实际上不会在道路上走那么远。
图20的图线2020示出了可能侵入2010的值(Δyv(t))如何随时间演变。在初始时间,可能侵入2010等于横向姿势不确定性2008(如初始值2022所示)。随着到达对象的时间缩短,对象(即,危险)可能更多地移动到道路中(如斜率2024所示)多达最大横向侵入2012(如最大增加2026所示)。
图21A~21E是根据本发明的实现的应急规划的示例的图示。图21A的场景2100示出AV 2102正在双车道道路的车道2104中行驶。车道2105是相反交通车道。场景2100示出了AV 2102感知到三个危险;即第一危险2106、第二危险2108和第三危险2110。第一危险2106与AV 2102相距t1时间单位(例如,秒)。第二危险2108与AV 2102相距t2时间单位。第三危险2110与AV 2102相距t3时间单位。
由于第一危险2106非常靠近AV 2102,因此第一危险2106可以仅由到车道2104上的小的横向距离(如由最大横向侵入2112所指示)而引入。因此,应急轨迹2118仅略微使AV2102横向移动。如最大横向侵入2114所示,进一步在车道2104中引入第二危险2108。由于第二危险2108不阻挡AV 2102的路径,因此应急轨迹2118可以使得AV 2102也可以绕过第二危险2108。应注意,在该示例中,应急轨迹2118使得AV 2102穿越到车道2105以绕过第二危险2108。然而,关于第三危险2110,如果在AV 2102正接近第三危险2110时第三危险2110在初始时间开始穿越车道2104,则第三危险2110很可能在时间t3之前将处于车道2104的中间。如上所述,第三危险2110可以成为纵向约束。因此,应急轨迹2118可包括使AV 2102减速并使其准备在位置2116处停止(通过紧急操纵)的应急速率分布。
因此,并且与图20的描述一致,对于第一危险2106、第二危险2108和第三危险2110各自,相应的横向姿势不确定性Δyp、时间t、速度Vy和最大横向侵入Δyv,max可用于使用公式(1)计算当AV 2102到达该对象时的横向避开的最大程度。可针对第一危险2106计算第一横向应急,并且可针对第二危险2108计算第二横向应急。然而,关于第三危险2110,由于AV2102的路径可能在AV 2102到达第三危险2110之前被阻挡,因此计算纵向(即,速率)应急。
速率应急可以使得AV 2102减慢到危险在纵向方向上的速度VL。也就是说,AV2102被充分减速以能够跟随危险。在危险没有在纵向方向上移动(即,VL=0)的情况下,AV在危险处停止。
图21B的场景2150类似于场景2100,不同之处在于运载工具2152正在车道2105中行驶。如上所述,在场景2100中,应急轨迹2118使得AV 2102越到车道2105以绕过第二危险2108。然而,场景2150类似于图3的情形350。因此,可以在AV 2102的可驾驶区域上设置硬限制2154,诸如上面关于计算调整的可驾驶区域所描述的。然后,第二危险2108是纵向约束。因此,如在场景2100中,应急轨迹2156使AV 2102仅稍微绕过第一危险2106移动。然而,应急轨迹2156包括速率应急,使得AV 2102可在必要时停止在位置2158处。因此,在场景2150中,第二危险2108变为速率应急,并且设置速率分布,使得AV 2102可以减慢到阻挡危险的纵向速度VL。
图21C的场景2160示出由AV(未示出)在道路2161附近识别出三个行人。第一行人2162被感知为沿着道路2161或在道路2161附近行走。因此,与第一行人2162相关联的最大横向侵入Δyv,max和侵入速度Vy可以是低的(例如,小值)。因此,虽然第一行人2162是危险的,但危险不太可能进入到道路上。第二行人2164在道路附近被嘈杂地感知到。因此,与第二行人2164相关联的最大横向侵入Δyv,max和侵入速度Vy可以具有中间值。第三行人2166被感知为朝向道路2161行走。因此,与第三行人2166相关联的最大横向侵入Δyv,max和侵入速度Vy可以具有高值。
图21D的场景2170示出了与汽车2172相关联的危险。更具体地,危险与汽车门2174的打开相关联。汽车门2174具有由边界框描述/示出的最大侵入。危险具有最大横向侵入2178(即Δyv,max)和速度2176(即Vy),这两者都可以是低值。
图21E的场景2180示出AV 2182正在包括左车道2184、右车道2183和相反交通车道2185的道路上行驶。AV 2182正在左车道2184中行驶。AV感知到三个运载工具2188、2189和2190正在右车道2183中行驶,并且分别远离AV 2182t1、t2和t3时间单位。与AV 2182的速率相比,运载工具2188、2189和2190可以停止或缓慢移动。在相反交通车道2185中感知到迎面而来的运载工具2186。
在场景2180中,虽然不存在大意如此的当前指示(例如,没有左转信号开启),但是运载工具2188、2189和2190中的任何一个都有可能移动到左车道2184中。由于运载工具2188非常靠近AV 2182,因此运载工具2188不能充分移动(如果有的话)到车道2184中。运载工具2188可以横向移动不超过距离2192。因此,不需要横向应急。如果运载工具2188确实移动到车道2184中,则AV 2182可以进行紧急操纵以避开运载工具2188,而不需要横向应急。关于运载工具2189,最大侵入2194是可能的。因此,应急轨迹2195可以使得AV 2182充分横向移动,使得如果危险突然出现,则AV 2182将能够进行紧急操纵(例如,进一步转向)以避开危险。对于运载工具2190,其可以完全进入右车道2183,并且由于AV 2182的可驾驶区域上的硬限制2198(由于迎面而来的运载工具2186),运载工具2190可能成为纵向约束。因此,AV 2182的应急规划可以包括应急速率分布,使得AV 2182能够在位置2196处减慢到运载工具2190的纵向速度VL。
图22是示出根据本发明的实现的用于应急规划的系统2200的模块的图。系统2200可以包括在AV(诸如图1的运载工具100或本文描述的任何其它自主运载工具等)中,作为可以存储在存储器(诸如图1的存储器122等)中并由处理器(诸如图1的处理器120等)执行的可执行指令。模块中的至少一个可以被实现为硬件模块(例如,诸如专用集成电路等)。
系统2200可以包括感知模块2202、预测模块2204、规划模块2206和轨迹跟随器模块2208。感知模块2202可以接收传感器数据并基于传感器数据维护世界对象。预测模块2204可以预测感知到的对象的未来行为。因此,诸如图4的世界模型模块402等的世界模型模块可以包括感知模块2202和预测模块2204。
规划模块2206可以包括轨迹规划器2222、危险检测模块2224和约束修改模块2226。
轨迹规划器2222可以如关于图4的轨迹规划器408或图5的轨迹规划器500所描述的那样。在示例中,规划模块2206可以生成标称轨迹(路径)。如上所述,标称轨迹可以是基于当前感知的横向和纵向约束生成的期望/平滑轨迹。在示例中,轨迹规划器使用模型预测控制(MPC)方法来生成标称轨迹。
轨迹规划器2222还可以用于基于由危险检测模块2224检测到的危险来生成应急轨迹(在本文中也称为应急路径或应急规划)。轨迹规划器2222可以根据与用于标称轨迹的约束不同的约束集合来计算应急轨迹。例如,用于生成标称轨迹的可驾驶区域可以进一步受到检测到的危险的限制。例如,基于检测到的侵入,可以随时间或多或少地限制可驾驶区域。例如,(与在危险突然出现的情况下AV可能必须进行的紧急操纵相关的)可操纵性参数可以用作应急轨迹的生成中的约束。
危险检测模块2224可以基于感知到的对象来检测危险。可以基于针对对象维持的一个或多于一个假设来检测与感知到的对象相关联的危险。假设可以基于HD地图数据、社交或驾驶行为或任何其它标准。
约束修改模块2226修改轨迹规划器2222在生成应急轨迹时使用的约束。例如,约束修改模块2226可以基于危险的可能性、AV的紧急能力或一些其它状况来修改约束。AV的紧急能力是指例如在给定当前道路拓扑和状况下的AV的质量或负载的情况下AV的最大减速率(或加速率)和/或转向速率。还可以根据乘客偏好来设置紧急能力。例如,需要平稳行为的乘客可能会导致显著减少任何紧急行为的更多的限制性约束。在示例中,AV可以包括用户界面,乘客可以经由该用户界面传达乘客的偏好。在示例中,用户界面可以用在乘客的便携式(例如,手持式)装置上;诸如可以与AV(或其中的模块)通信的移动应用等。
轨迹跟随器模块2208可负责计算致动器命令,使得AV可准确地遵循应急规划。在一些示例中,轨迹跟随器模块2208还可负责直接使用原始感知来计算紧急致动器命令,使得在将AV保持在由预测轨迹规划器计算的硬驾驶限制内的同时AV在最后一秒避开检测到的对象。在典型的设置中,轨迹跟随器模块2208的预测算法可以被配置为以10hz产生规划;另一方面,轨迹跟随器模块2208的反应性轨迹跟随器可以被配置为以100hz产生规划。
图23是根据本发明的实现的用于自主运载工具(AV)的应急规划的处理2300的流程图。如本文所使用的自主驾驶应理解为涵盖包括高级驾驶员辅助系统(ADAS)的运载工具。ADAS可以自动化、适配和/或增强运载工具系统以实现安全和更好的驾驶,诸如以规避和/或纠正驾驶员错误等。处理2600的至少一些步骤可以由轨迹规划器(诸如图4的轨迹规划器408、图5的轨迹规划器500或图22的规划模块2206等)执行。处理2600可以作为可执行指令存储在诸如图1的存储器122等的存储器中。可执行指令可以由诸如图1的处理器120等的处理器执行。处理2600可以由诸如图1的运载工具100或本文描述的任何其它自主运载工具等的设备(例如,自主运载工具)执行。
针对对象来计算侵入。可以如关于公式(1)所描述的那样计算侵入。如上所述,侵入具有最大侵入和侵入(干扰)速度。例如,汽车门不会突然地出现在AV的路径中。当门打开时,其以一定的速率打开。基于所计算的侵入,确定应急规划。应急规划可以如关于图19的应急轨迹1914、图19的应急速率规划1960、图21A的应急轨迹2118、图21B的应急轨迹2156或上述任何其它应急轨迹/规划所描述的。然后,根据应急规划来操作(即,控制)AV。
在高级别,处理2300可以概括为,当AV正在车道中行驶时,基于传感器数据识别道路用户(例如,对象)。可以识别出一个或多于一个道路用户。可以基于为对象维持的状态来识别对象的位置和/或速度信息。状态可以如关于上述离散状态信息和/或连续状态信息所描述的。不确定性可以与对象相关联。如上所述,不确定性可能是由于传感器噪声、意图不确定性或其它不确定性。(例如,如关于图19的边界框1906所描述的)不确定区域可与对象相关联。针对AV来计算应急规划(轨迹),其可以包括横向应急和纵向应急中的至少一个。
在2302处,处理2300确定(例如,计算、选择、规划等)AV的标称轨迹。标称轨迹是基于当前感知的对象所计算的期望/平滑轨迹。在示例中,可以使用模型预测控制(MPC)方法来确定标称轨迹。
在2304处,处理2300检测危险对象。虽然危险对象当前没有侵入运载工具的路径,但是危险对象可能在未来的某个时间点侵入。可以基于针对对象的未来行为维持不同的可能假设(意图)来确定危险对象可能在某个未来时间点侵入。一些假设可以基于道路配置,道路配置可以基于HD地图数据来确定。例如,HD地图数据可以指示道路中存在即将到来的分叉、右车道合并到AV的车道中等。一些假设可以基于社会行为和道路行为。例如,当移动的汽车然后停在道路的一侧时,人可能会从道路中出来。例如,行人即使正在非法移动也应该被给予通行权。
在2306处,处理2300确定(例如,计算等)危险对象的危险区域。可以使用公式(1)确定危险区域。因此,确定危险区域可以包括基于危险对象到AV的路径中的最大横向侵入和危险对象进入AV的路径的速度来确定危险区域。在2308处,处理2300确定AV到达危险区域的时间。在2310处,处理2300确定AV的应急轨迹。应急轨迹可以包括横向应急和纵向应急中的至少一个。可以使用AV到达危险区域的时间来确定应急轨迹。
在2312处,处理2300根据应急轨迹控制AV。在2314处,响应于危险对象实际侵入AV的路径内,处理2300控制AV以进行避开危险对象的操纵。在示例中,反应性轨迹控制模块(诸如图4的反应性轨迹控制模块410等)可以检测到危险已经突然出现,计算与预测规划的安全偏差,并且使AV进行操纵(即,紧急操纵)。
在示例中,处理2300还可以包括:响应于确定为应急轨迹未被阻挡,根据应急轨迹操作AV;以及响应于确定为应急轨迹被阻挡,确定用于控制AV的纵向应急。
在示例中,可以使用AV的可操作性参数来确定横向应急。AV的可操作性参数可以包括AV的质量和AV的负载中的至少一个。这样的可操纵性参数可以用作用于确定应急规划的MPC方法中的约束。在示例中,可以进一步使用诸如道路拓扑和道路状况中的至少一个等的附加约束来确定横向应急。
在一些示例中,可以基于危险对象实际侵入AV的路径内的可能性来进一步确定应急(例如,横向应急或纵向应急)。也就是说,应急的量(例如,程度)可以基于危险实际实现的可能性。危险实际实现的可能性可用于减轻应急规划对AV的搭乘质量的影响。可以减轻应急规划对AV搭乘质量的影响。
减轻应急规划的影响可以意味着主动选择应急操纵的程度。例如,在横向应急情况下,如果先前移动的汽车刚刚停泊,则驾驶员将打开门的可能性非常高。因此,横向应急可以使得AV可以提前充分移动,使得如果稍后突然出现危险,则根本不需要紧急操纵(或者需要小的紧急操纵)。这种横向应急不太可能是对于每个检测到的停泊的汽车都是可接受的。
重申,为了减轻应急规划对搭乘质量的影响,如果存在危险实现的高可能性,则即使最终没有突然出现危险,纵向应急(如果根本需要纵向应急)也可能是与标称速率的大速率偏差;并且横向应急(如果根本需要横向应急)可以是与标称路径的大偏差。另一方面,如果存在危险实现的低可能性,则即使在危险突然出现之前,纵向应急(如果根本需要纵向应急)也可以是与标称速率的小速率偏差;并且横向应急(如果根本需要横向应急)可以是与标称路径的小偏差。
图24是包括被遮挡对象的场景2400的示例。场景2400示出AV 2402正在弯曲的道路2404上行驶。道路2404包括危险2406(或等效地,可能包括危险的位置)。可以使用HD地图数据(诸如图10的HD地图数据510等)来识别危险2406。危险2406可以是例如人行横道、停止标志、交通信号或将需要AV 2402进行操纵以避免与危险2406处的对象碰撞的某种类型的危险。在场景2400中,危险2406被示出为人行横道。
AV 2402的传感器无法看到(即,感知)人2408是否在人行横道处,因为AV 2402的传感器的视野被树2405阻挡。因此,AV不能早期检测到人2408的存在。
在朴素方法2420中,当AV 2402的轨迹规划器确定为早期检测是不可能的(例如,由于障碍物)时,轨迹规划器可以提前减慢AV 2402,使得(后期)检测可以通过正常减速来适应。也就是说,代替以速率限制2426操作AV 2402,可以以较低速率2428操作AV 2402,使得当AV 2402在时间2422超出障碍物(例如,树2405)并且在时间2430检测到人2408时,轨迹规划器可以例如根据速率分布2432(以正常速率)使AV减速,使得AV 2402可以在危险之前在时间2424停止。
然而,仅具有正常减速的速率规划对于AV 2402的乘员和/或其它道路用户(诸如跟随AV 2402的其它运载工具等)可能感觉保守。为了加速AV,轨迹规划器可以规划不太可能的阻塞的硬减速。在积极的方法2440中,可以以速率限制2426操作AV 2402。然而,如果在时间2430检测到人2408,则积极的减速速率规划2442可以使AV 2402在时间2424在与危险碰撞之前停止。积极的减速速率规划对于AV的乘员和/或其它道路用户也可能是不期望的。
图25是根据本发明的实现的针对潜在被遮挡对象的应急规划的图示。为方便起见,图24的场景2400及其元素被包括在图25中。应急方法2520示出了应急规划2526。应急规划2526规划(例如,考虑)危险可能在道路的被遮挡部分中突然出现的可能性。应急规划2526使得AV 2402仅减速到足以使得如果在时间2530危险突然出现(例如,在人行横道处最终检测到人2408,或者在AV 2402经过障碍物2522之后检测到一些其它阻塞),则可以进行紧急减速操纵2528,使得AV 2402不与危险碰撞。在示例中,危险可以是没有以速率限制移动的交通。因此,紧急减速操纵2528可以使得AV 2402可以减慢到危险在纵向方向上的速度VL,以在时间2524避开对象。
图26是根据本发明的实现的用于自主运载工具(AV)的应急规划的处理2600的流程图。再次,如本文所使用的自主驾驶应理解为涵盖包括高级驾驶员辅助系统(ADAS)的运载工具。处理2600的至少一些步骤可以由轨迹规划器(诸如图4的轨迹规划器408、图5的轨迹规划器500或图22的规划模块2206等)执行。处理2600可以作为可执行指令存储在诸如图1的存储器122等的存储器中。可执行指令可以由诸如图1的处理器120等的处理器执行。处理2600可以由诸如图1的运载工具100等的设备(例如,自主运载工具)执行。
处理2600可以基于对象位于沿着AV的轨迹的被遮蔽位置处的可能性来生成AV的应急速率规划。应急速率规划可以如关于图25的应急规划2526所述。也就是说,应急速率规划使得可以操作AV,以避免与被遮挡对象碰撞(如果对象确实在被遮蔽位置处)。与确定平滑减速规划的朴素速率规划(如关于图24的朴素方法2420所描述的)相比,可能仍然需要紧急减速操纵以避免与对象碰撞。然而,紧急减速操纵不如在积极速率规划下可能需要的紧急减速操纵(诸如关于图24的积极方法2440描述的紧急减速操纵等)剧烈。注意,积极方法可能实际上不会使得AV避免与对象碰撞(如果对象存在于被遮蔽位置处)。
在2602处,如关于图22的轨迹规划器2222所描述的,处理2600确定(例如,计算等)AV的轨迹和期望速率规划。
在2604处,处理2600识别对象在沿着轨迹的被遮蔽位置处的可能性。在示例中,可以基于地图数据来识别沿着轨迹的被遮蔽位置。地图数据可以是图5的地图数据510。在示例中,被遮蔽位置可以是人行横道。在示例中,可以基于使用地图数据识别被遮蔽位置处的交通标志(例如,停止灯、停止标志、让行标志等)来识别被遮蔽位置。在示例中,可以基于被遮蔽位置处的历史交通信息来确定被遮蔽位置。例如,基于历史交通信息,可以确定为在被遮蔽位置处可能存在交通拥堵。
遮挡的可能性(即,对象处于被遮蔽位置)可以取决于一天的当前时间(即,一天中的预期AV到达被遮蔽位置的时间)。例如,如果被遮蔽位置包括学校人行横道并且一天中的当前时间是工作日上午8:00,则儿童可能正在人行横道的可能性(非常)高;另一方面,在周末或假期,可能性非常接近零。例如,如果被遮蔽位置包括交通标志并且一天中的时间在下午4:00-6:00(即,高峰时间)之间,则交通拥堵可能存在于被遮蔽位置处的可能性非常高;另一方面,在上午10:00,交通拥堵的可能性低得多。可能性可以是序数值(例如,低、中、高)或滑动标度值(例如,从0到100),并且可以基于若干因素(诸如一天中的时间、是否存在人行横道、是否存在交通标志、更多因素、更少因素或其组合)来计算。
在2606处,处理2600识别沿着轨迹的最远可见位置。最远可见位置可用于推断沿着当前车道的被AV传感器阻挡的第一位置。最远可见位置是沿着轨迹的如下位置:使得如果对象在最远可见位置处,则AV将能够检测到该对象。可以基于可驾驶区域的检测、传感器限制(例如,传感器范围、传感器分辨率等)、遮挡(例如,树、灌木、其它道路用户等)、天气状况(例如,雪、雾、雨等)、限制检测范围的其它因素或其组合来计算检测位置中的对象的能力。参考图25,最远可见位置可以是位置2502。
在2608处,处理2600确定(例如,计算等)适当的最大减速度。在被遮蔽位置处检测到对象的情况下,将使用适当的最大减速度。
在2610处,处理2600确定(例如,计算、选择等)AV的目标减速度。目标减速度使得从最远可见位置到被遮蔽位置根据目标减速度操作AV防止了AV与对象碰撞。也就是说,AV的目标减速度使得根据目标减速度操作AV保证了:如果在被遮蔽位置处检测到对象,则AV将能够使用适当的最大减速度及时停止(或跟随)。在示例中,防止AV与对象碰撞可以意味着使AV在对象之前停止。在另一示例中,防止AV与对象碰撞可以意味着将AV的速率设置为跟随速率(即,设置为对象的纵向速率VL)。
在示例中,可以至少部分地基于对象正在被遮蔽位置处的可能性、AV的标称减速率、最大减速率其中之一来确定AV的目标减速度。
例如,如果可能性接近0%(诸如在确定星期日上午2:00是否存在被遮蔽交通拥堵的情况等),则目标减速度可以与根据(如关于图24的积极方法2440所描述的)积极速率规划的目标减速度相同或接近。例如,如果可能性接近100%(诸如在确定在星期四下午4:30是否存在被遮蔽交通拥堵的情况等),则目标减速度可以与根据(如关于图24的朴素方法2420所描述的)朴素速率规划的目标减速度相同或接近。
在示例中,可以基于AV的参数、道路拓扑和道路状况其中至少之一来确定AV的最大减速率。
在2612处,处理2600响应于确定为对象在被遮蔽位置处,根据AV的目标减速度操作AV。
在示例中,处理2600可以包括:响应于确定为(诸如当被遮蔽位置变得可见时)对象不在被遮蔽位置处,根据期望的速率分布操作AV。处理2600还可以包括:从当前位置到最远可见位置根据最大速率规划来操作AV,使得可以在最远可见位置与被遮蔽位置之间根据目标减速度来操作AV。可以基于AV的反应时间和目标减速度来计算最大速率。反应时间是用于补偿对象进入AV传感器的视野时与AV由于更新的减速度值而开始减速时之间行进的距离的时间。
根据本发明的实现的另一方面是一种用于估计潜在被遮挡危险和行进到危险的距离的处理。该处理可以包括估计被遮挡对象可能在何处、被遮挡对象可能是被遮蔽位置;计算沿着道路到被遮蔽位置的距离;估计对象正在被遮蔽位置处的可能性;计算AV的在对象实际上在被遮蔽位置的情况下要使用的最大减速度;计算在确认被遮挡对象的存在之前要遵循的目标减速度;计算得到的应急速率规划,该应急速率规划保证了如果检测到对象,则AV将能够遵循最大减速度以及时停止;以及根据最大速率操作AV。
估计所允许的停止距离可以包括:计算AV的路径上的最远可见位置;以及计算沿着路径到最远可见位置的距离。
估计对象在被遮蔽位置处的可能性可以基于确定在被遮蔽位置处是否存在人行横道、确定AV与(被遮蔽位置处的)交通标志的接近度和/或一天中的时间。
计算最大减速度可以基于影响AV停止或减速的可操纵性和/或能力的参数。影响AV的可操纵性的参数可包括AV的参数(例如,质量、负载等)、道路拓扑(是否存在斜坡、倾斜等)和道路状况(例如,砾石、雪、雨等)。
计算目标减速度可以基于对象的可能性、AV的标称加速率和/或最大减速度限制。计算最大速率可以基于AV的反应时间和/或目标减速度。
如这里所使用的,术语“驾驶员”或“操作员”可以互换使用。如这里所使用的,术语“制动”或“减速”可以互换使用。如这里所使用的,术语“计算机”或“计算装置”包括能够进行这里所公开的任何方法或其任何部分的任何单元或单元组合。
如这里所使用的,术语“指令”可以包括用于进行这里所公开的任何方法或其任何部分的指导或表示,并且可以在硬件、软件或其任何组合中实现。例如,指令可被实现为存储器中所存储的诸如计算机程序等的信息,该信息可以由处理器执行以进行如这里所述的相应方法、算法、方面或其组合中的任一个。在一些实现中,指令或其一部分可被实现为专用处理器或电路,该专用处理器或电路可以包括用于执行如这里所述的方法、算法、方面或其组合中的任一个的专用硬件。在一些实现中,指令的一部分可以跨单个装置或者可直接地或跨诸如局域网、广域网、因特网或其组合等的网络进行通信的多个装置上的多个处理器分布。
如这里所使用的,术语“示例”、“实施例”、“实现”、“方面”、“特征”或“元素”表示用作示例、实例或例示。除非明确指示,否则任何示例、实施例、实现、方面、特征或元素是彼此独立的示例、实施例、实现、方面、特征或元素,并且可以与任何其它示例、实施例、实现、方面、特征或元素结合使用。
如这里所使用的,术语“确定”和“识别”或其任何变形包括无论如何以任何方式使用这里所示和所述的一个或多于一个装置选择、查明、计算、查找、接收、确定、建立、获得或者以其它方式识别或确定。
如这里所使用的,术语“或”意指包容性“或”而不是排他性“或”。也就是说,除非另有规定或者上下文另有明确指示,否则“X包括A或B”意在指示其自然包容性排列中的任一个。如果X包括A;X包括B;或者X包括A和B这两者,则在上述任何情况下,都满足“X包括A或B”。另外,除非另有规定或者根据上下文清楚知道针对单数形式,否则本申请和所附权利要求中所使用的冠词“a”和“an”一般应被理解为“一个或多于一个”。
此外,为了简化解释,尽管这里的图和描述可以包括操作或阶段的序列或一系列操作或阶段,但是这里所公开的方法的元素可以以不同的顺序或同时地出现。另外,这里公开的方法的元素可以与这里没有明确呈现和描述的其它元素一起发生。此外,可能并非需要这里描述的方法的所有元素来实现根据本发明的方法。尽管这里以特定组合描述了方面、特征和元素,但是各方面、特征或元素可以单独使用,或者可以以具有或不具有其它方面、特征和/或元素的各种组合使用。
虽然已经结合某些实施例描述了本发明,但是应当理解,本发明不限于所公开的实施例,而是意在涵盖所附权利要求的范围内所包括的各种修改和等同布置,该范围应被给予法律所允许的最广泛解释,以包含所有这类修改和等同布置。
Claims (20)
1.一种用于自主运载工具即AV的应急规划的方法,所述方法包括:
确定所述AV的标称轨迹;
检测危险对象,其中,在检测到该危险对象时所述危险对象未侵入所述AV的路径内;
确定所述危险对象的危险区域;
确定所述AV到达所述危险区域的时间;
确定所述AV的应急轨迹,其中,所述应急轨迹包括横向应急和纵向应急其中至少之一,其中,所述应急轨迹是使用所述AV到达所述危险区域的时间来确定的;
根据所述应急轨迹来控制所述AV;以及
响应于所述危险对象侵入所述AV的路径内,控制所述AV进行操纵以避开所述危险对象。
2.根据权利要求1所述的方法,其中,确定所述危险区域包括:
基于所述危险对象到所述AV的路径内的最大横向侵入和所述危险对象进入所述AV的路径的速度来确定所述危险区域。
3.根据权利要求1所述的方法,其中,所述横向应急进一步基于所述危险对象侵入所述AV的路径内的可能性来确定。
4.根据权利要求1所述的方法,其中,所述危险对象的危险区域被确定为Δy(t)=Δyp+min(vy*t,Δyv,max),
其中,Δyp是与所述危险对象相关联的横向姿势不确定性,
其中,Δyv,max是所述危险对象到所述AV的路径内的最大横向侵入,
其中,vy是所述危险对象进入所述AV的路径的速度,以及
其中,t是所述AV接近所述危险对象的时间。
5.根据权利要求1所述的方法,还包括:
响应于确定为所述应急轨迹未被阻挡,根据所述应急轨迹操作所述AV;以及
响应于确定为所述应急轨迹被阻挡,确定用于控制所述AV的纵向应急。
6.根据权利要求1所述的方法,其中,所述横向应急进一步使用所述AV的可操纵性参数来确定,其中,所述AV的可操纵性参数包括所述AV的质量和所述AV的负载其中至少之一。
7.根据权利要求1所述的方法,其中,所述横向应急进一步使用道路拓扑和道路状况其中至少之一来确定。
8.一种用于自主运载工具即AV的应急规划的方法,所述方法包括:
确定所述AV的轨迹和期望速率规划;
识别对象在沿着所述轨迹的被遮蔽位置处的可能性;
识别沿着所述轨迹的最远可见位置,其中,所述最远可见位置是沿着所述轨迹的使得所述AV能够在该位置处检测到对象的位置;
确定在所述被遮蔽位置处检测到所述对象的情况下要使用的适当的最大减速度;
确定所述AV的目标减速度,其中,根据所述目标减速度操作所述AV保证了在所述被遮蔽位置处检测到所述对象的情况下,所述AV能够使用该适当的最大减速度及时停止;以及
响应于确定为所述对象在所述被遮蔽位置处,根据所述AV的小于或等于该适当的最大减速度的适当减速度来操作所述AV。
9.根据权利要求8所述的方法,还包括:
从当前位置到最远可见位置根据应急速率规划来操作AV,使得能够保证AV能够在所述被遮蔽位置处检测到所述对象的情况下停止。
10.根据权利要求8所述的方法,还包括:
响应于确定为所述对象不在所述被遮蔽位置处,根据所述期望速率规划来操作所述AV。
11.根据权利要求8所述的方法,其中,使用地图数据来识别所述对象在沿着所述轨迹的所述被遮蔽位置处的可能性。
12.根据权利要求11所述的方法,其中,基于使用所述地图数据识别所述被遮蔽位置处的人行横道来识别所述对象在沿着所述轨迹的所述被遮蔽位置处的可能性。
13.根据权利要求11所述的方法,其中,基于使用所述地图数据识别所述被遮蔽位置处的交通标志来识别所述对象在沿着所述轨迹的所述被遮蔽位置处的可能性。
14.根据权利要求8所述的方法,其中,基于一天中的当前时间来识别所述对象在沿着所述轨迹的所述被遮蔽位置处的可能性。
15.根据权利要求8所述的方法,其中,至少部分地基于所述对象在所述被遮蔽位置处的可能性、所述AV的标称减速率、最大减速率其中之一来计算所述AV的目标减速度。
16.根据权利要求15所述的方法,其中,基于所述AV的参数、道路拓扑和道路状况其中至少之一来确定所述AV的最大减速率。
17.一种用于自主运载工具即AV的应急规划的系统,所述系统包括:
存储器;以及
处理器,所述存储器包括能够由所述处理器执行以进行以下操作的指令:
检测危险对象,其中,在检测到该危险对象时所述危险对象未侵入所述AV的路径内;
确定所述危险对象的危险区域;
确定所述AV到达所述危险区域的时间;
确定所述AV的应急轨迹,其中,所述应急轨迹包括横向应急和纵向应急其中至少之一;
根据所述应急轨迹控制所述AV;以及
响应于所述危险对象侵入所述AV的路径内,控制所述AV进行操纵以避开所述危险对象。
18.根据权利要求17所述的系统,其中,用于确定所述危险区域的指令包括用于进行以下操作的指令:
基于所述危险对象到所述AV的路径内的最大横向侵入和所述危险对象进入所述AV的路径的速度来确定所述危险区域。
19.根据权利要求17所述的系统,其中,所述横向应急进一步基于所述危险对象侵入所述AV的路径内的可能性来确定。
20.根据权利要求17所述的系统,其中,所述危险对象的危险区域被确定为Δy(t)=Δyp+min(vy*t,Δyv,max),
其中,Δyp是与所述危险对象相关联的横向姿势不确定性,
其中,Δyv,max是所述危险对象到所述AV的路径内的最大横向侵入,
其中,vy是所述危险对象进入所述AV的路径的速度,以及
其中,t是所述AV接近所述危险对象的时间。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/528,204 | 2019-07-31 | ||
US16/528,204 US20210031760A1 (en) | 2019-07-31 | 2019-07-31 | Contingency Planning and Safety Assurance |
PCT/US2020/032608 WO2021021269A1 (en) | 2019-07-31 | 2020-05-13 | Contingency planning and safety assurance |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114175023A true CN114175023A (zh) | 2022-03-11 |
Family
ID=74230487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080055392.5A Pending CN114175023A (zh) | 2019-07-31 | 2020-05-13 | 应急规划和安全保证 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210031760A1 (zh) |
EP (1) | EP4004770A4 (zh) |
JP (1) | JP7401650B2 (zh) |
CN (1) | CN114175023A (zh) |
WO (1) | WO2021021269A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116017298A (zh) * | 2022-12-02 | 2023-04-25 | 东土科技(宜昌)有限公司 | 化工安全的对象位置调整方法、装置以及电子设备 |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018132608A2 (en) * | 2017-01-12 | 2018-07-19 | Mobileye Vision Technologies Ltd. | Navigation based on occlusion zones |
US11572731B2 (en) * | 2019-08-01 | 2023-02-07 | Ford Global Technologies, Llc | Vehicle window control |
US11634162B2 (en) * | 2019-08-16 | 2023-04-25 | Uatc, Llc. | Full uncertainty for motion planning in autonomous vehicles |
US11225247B2 (en) * | 2019-08-21 | 2022-01-18 | Zoox, Inc. | Collision prediction and avoidance for vehicles |
US11360480B2 (en) * | 2019-08-21 | 2022-06-14 | Zoox, Inc. | Collision zone detection for vehicles |
US11167754B2 (en) | 2019-08-22 | 2021-11-09 | Argo AI, LLC | Systems and methods for trajectory based safekeeping of vehicles |
US11072326B2 (en) * | 2019-08-22 | 2021-07-27 | Argo AI, LLC | Systems and methods for trajectory based safekeeping of vehicles |
DE102019213222B4 (de) * | 2019-09-02 | 2022-09-29 | Volkswagen Aktiengesellschaft | Verfahren zum Vorhersagen einer zukünftigen Fahr-Situation eines am Straßenverkehr teilnehmenden Fremd-Objektes, Vorrichtung, Fahrzeug |
EP3792125B1 (en) * | 2019-09-13 | 2023-12-06 | Zenuity AB | Safe trajectory tracking in uncertain environments |
US11200434B2 (en) * | 2019-10-15 | 2021-12-14 | Toyota Research Institute, Inc. | System and method for tracking objects using multi-edge bounding box factors |
JP7156238B2 (ja) * | 2019-10-15 | 2022-10-19 | トヨタ自動車株式会社 | 車両制御システム |
DE102020134965A1 (de) | 2019-12-30 | 2021-07-01 | Subaru Corporation | System zur lieferung von mobilitätsinformation, server und fahrzeug |
US11816982B2 (en) * | 2019-12-30 | 2023-11-14 | Subaru Corporation | Mobility information provision system, server, and vehicle |
US20210201684A1 (en) * | 2019-12-30 | 2021-07-01 | Subaru Corporation | Mobility information provision system, server, and vehicle |
US11674819B2 (en) | 2019-12-30 | 2023-06-13 | Subaru Corporation | Mobility information provision system, server, and vehicle |
US11816988B2 (en) * | 2019-12-30 | 2023-11-14 | Subaru Corporation | Mobility information provision system, server, and vehicle |
US11900796B2 (en) | 2019-12-30 | 2024-02-13 | Subaru Corporation | Map generation system |
WO2021141142A1 (ko) * | 2020-01-06 | 2021-07-15 | 엘지전자 주식회사 | 경로 제공 장치 및 그것의 경로 제공 방법 |
US11377120B1 (en) * | 2020-02-28 | 2022-07-05 | Uatc, Llc | Autonomous vehicle control based on risk-based interactions |
US11433885B1 (en) | 2020-08-20 | 2022-09-06 | Zoox, Inc. | Collision detection for vehicles |
CN111829545B (zh) * | 2020-09-16 | 2021-01-08 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆及其运动轨迹的动态规划方法及系统 |
US11358598B2 (en) | 2020-10-01 | 2022-06-14 | Argo AI, LLC | Methods and systems for performing outlet inference by an autonomous vehicle to determine feasible paths through an intersection |
US11618444B2 (en) | 2020-10-01 | 2023-04-04 | Argo AI, LLC | Methods and systems for autonomous vehicle inference of routes for actors exhibiting unrecognized behavior |
US11731661B2 (en) | 2020-10-01 | 2023-08-22 | Argo AI, LLC | Systems and methods for imminent collision avoidance |
CN112650243B (zh) * | 2020-12-22 | 2023-10-10 | 北京百度网讯科技有限公司 | 车辆控制方法、装置、电子设备和自动驾驶车辆 |
KR20220095317A (ko) * | 2020-12-29 | 2022-07-07 | 현대자동차주식회사 | 차량 |
US20220212694A1 (en) * | 2021-01-07 | 2022-07-07 | Argo AI, LLC | Methods and systems for generating a longitudinal plan for an autonomous vehicle based on behavior of uncertain road users |
DE102021101825A1 (de) | 2021-01-27 | 2022-07-28 | Bayerische Motoren Werke Aktiengesellschaft | Fahrassistenzsystem und Fahrassistenzverfahren zum automatisierten Fahren eines Fahrzeugs |
US20220276653A1 (en) * | 2021-02-26 | 2022-09-01 | Nissan North America, Inc. | Lane-Level Route Planner for Autonomous Vehicles |
US11993281B2 (en) | 2021-02-26 | 2024-05-28 | Nissan North America, Inc. | Learning in lane-level route planner |
US11945441B2 (en) | 2021-03-31 | 2024-04-02 | Nissan North America, Inc. | Explainability and interface design for lane-level route planner |
US20220371585A1 (en) * | 2021-05-21 | 2022-11-24 | Robert Bosch Gmbh | Customizable lane biasing for an automated vehicle |
US20220379917A1 (en) * | 2021-05-24 | 2022-12-01 | Nvidia Corporation | Using arrival times and safety procedures in motion planning trajectories for autonomous vehicles |
US20230192067A1 (en) * | 2021-11-23 | 2023-06-22 | Motional Ad Llc | Motion planner constraint generation based on road surface hazards |
US20230192131A1 (en) * | 2021-12-22 | 2023-06-22 | Joseph Burtch | Automated driving collision prediction |
US20230339506A1 (en) * | 2022-04-20 | 2023-10-26 | GM Global Technology Operations LLC | Vehicle systems and related methods of dynamic path construction |
US20240166197A1 (en) * | 2022-11-18 | 2024-05-23 | Gm Cruise Holdings Llc | Systems and techniques for improved autonomous vehicle comfort and operation |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080059015A1 (en) * | 2006-06-09 | 2008-03-06 | Whittaker William L | Software architecture for high-speed traversal of prescribed routes |
JP5112666B2 (ja) * | 2006-09-11 | 2013-01-09 | 株式会社日立製作所 | 移動装置 |
JP5080333B2 (ja) * | 2007-04-06 | 2012-11-21 | 本田技研工業株式会社 | 自律移動体のための物体認識装置 |
JP5035040B2 (ja) | 2008-03-12 | 2012-09-26 | 株式会社豊田中央研究所 | 運転支援装置 |
JP2011198247A (ja) | 2010-03-23 | 2011-10-06 | Toyota Motor Corp | 運転支援装置 |
DE102010038970A1 (de) * | 2010-08-05 | 2012-02-09 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Bestimmen einer angepassten Fahrgeschwindigkeit eines Fahrzeugs |
JP5834428B2 (ja) | 2011-03-10 | 2015-12-24 | 株式会社豊田中央研究所 | 車両運動制御装置及びプログラム |
EP2968709B1 (en) * | 2013-03-15 | 2019-10-02 | ClearMotion, Inc. | Active vehicle suspension improvements |
US9440647B1 (en) * | 2014-09-22 | 2016-09-13 | Google Inc. | Safely navigating crosswalks |
EP3091370B1 (en) * | 2015-05-05 | 2021-01-06 | Volvo Car Corporation | Method and arrangement for determining safe vehicle trajectories |
SE539221C2 (en) * | 2015-06-04 | 2017-05-23 | Scania Cv Ab | Method and control unit for avoiding an accident at a crosswalk |
JP2017114405A (ja) | 2015-12-25 | 2017-06-29 | マツダ株式会社 | 運転支援装置 |
US20170329332A1 (en) * | 2016-05-10 | 2017-11-16 | Uber Technologies, Inc. | Control system to adjust operation of an autonomous vehicle based on a probability of interference by a dynamic object |
US9989966B2 (en) * | 2016-05-20 | 2018-06-05 | Delphi Technologies, Inc. | Intersection cross-walk navigation system for automated vehicles |
JP6599835B2 (ja) | 2016-09-23 | 2019-10-30 | 日立建機株式会社 | 鉱山用作業機械、障害物判別装置、及び障害物判別方法 |
KR102381372B1 (ko) * | 2017-03-31 | 2022-03-31 | 삼성전자주식회사 | 센싱 정보에 기초한 주행 제어 방법 및 제어 디바이스 |
JP6521486B2 (ja) * | 2017-06-06 | 2019-05-29 | マツダ株式会社 | 車両制御装置 |
JP2019040427A (ja) | 2017-08-25 | 2019-03-14 | 株式会社デンソー | 運転支援装置、演算装置、及び運転支援方法 |
US20200307617A1 (en) | 2017-11-17 | 2020-10-01 | Aisin Aw Co., Ltd. | Vehicle driving assistance system, vehicle driving assistance method, and vehicle driving assistance program |
US11001256B2 (en) * | 2018-09-19 | 2021-05-11 | Zoox, Inc. | Collision prediction and avoidance for vehicles |
US11474255B2 (en) * | 2018-12-14 | 2022-10-18 | The Regents Of The University Of Michigan | System and method for determining optimal lidar placement on autonomous vehicles |
US20200211394A1 (en) * | 2018-12-26 | 2020-07-02 | Zoox, Inc. | Collision avoidance system |
US10974732B2 (en) * | 2019-01-04 | 2021-04-13 | Toyota Motor Engineering & Manufacturing North America, Inc. | System, method, and computer-readable storage medium for traffic intersection navigation |
US11016492B2 (en) * | 2019-02-28 | 2021-05-25 | Zoox, Inc. | Determining occupancy of occluded regions |
US11378986B2 (en) * | 2019-04-01 | 2022-07-05 | Honeywell International Inc. | Systems and methods for landing and takeoff guidance |
-
2019
- 2019-07-31 US US16/528,204 patent/US20210031760A1/en active Pending
-
2020
- 2020-05-13 JP JP2022505407A patent/JP7401650B2/ja active Active
- 2020-05-13 CN CN202080055392.5A patent/CN114175023A/zh active Pending
- 2020-05-13 WO PCT/US2020/032608 patent/WO2021021269A1/en unknown
- 2020-05-13 EP EP20848238.0A patent/EP4004770A4/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116017298A (zh) * | 2022-12-02 | 2023-04-25 | 东土科技(宜昌)有限公司 | 化工安全的对象位置调整方法、装置以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
JP2022542277A (ja) | 2022-09-30 |
EP4004770A4 (en) | 2022-12-14 |
EP4004770A1 (en) | 2022-06-01 |
JP7401650B2 (ja) | 2023-12-19 |
WO2021021269A1 (en) | 2021-02-04 |
US20210031760A1 (en) | 2021-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7401650B2 (ja) | 偶発事象対応計画及び安全保障 | |
CN112204350B (zh) | 自主运载工具及用于规划自主运载工具轨迹的方法 | |
CN112203918B (zh) | 轨迹规划 | |
CN112236346B (zh) | 用于模拟自主驾驶的方法和设备 | |
US10569773B2 (en) | Predicting behaviors of oncoming vehicles | |
US10745011B2 (en) | Predicting yield behaviors | |
CN112368662B (zh) | 用于自主运载工具操作管理的定向调整动作 | |
US20210035442A1 (en) | Autonomous Vehicles and a Mobility Manager as a Traffic Monitor | |
US20220105959A1 (en) | Methods and systems for predicting actions of an object by an autonomous vehicle to determine feasible paths through a conflicted area | |
US20230227031A1 (en) | 3D Occlusion Reasoning for Accident Avoidance | |
US20230012853A1 (en) | Proactive Risk Mitigation | |
US20220379923A1 (en) | Road User Categorization Through Monitoring |
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 |