CN114199263A - 自动驾驶环境中的路径规划 - Google Patents
自动驾驶环境中的路径规划 Download PDFInfo
- Publication number
- CN114199263A CN114199263A CN202111110712.5A CN202111110712A CN114199263A CN 114199263 A CN114199263 A CN 114199263A CN 202111110712 A CN202111110712 A CN 202111110712A CN 114199263 A CN114199263 A CN 114199263A
- Authority
- CN
- China
- Prior art keywords
- risk
- path
- vehicle
- candidate path
- candidate
- 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 71
- 238000003860 storage Methods 0.000 claims description 21
- 230000008447 perception Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 14
- 230000008901 benefit Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 241000614201 Adenocaulon bicolor Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
-
- 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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- 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
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
- 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
- G01C21/3833—Creation or updating of map data characterised by the source of data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
公开了自动驾驶环境中的路径规划。本发明涉及一种用于车辆的路径规划方法和系统。方法包括获取车辆的周围环境的风险地图。风险地图基于车辆的致动能力和周围环境中的自由空间区域的位置形成,致动能力包括对致动能力的不确定性估计,并且自由空间区域的位置包括对自由空间区域的估计位置的不确定性估计。此外,风险地图包括包含在车辆的周围环境中的多个区域段中的每一个中的风险参数。方法进一步包括获取车辆的至少一条候选路径,基于与至少一条路径相交的一组区域段的风险参数来确定每条候选路径的总风险值,选择至少一条候选路径中的满足风险值标准的候选路径,以及在输出端生成表示所选择的候选路径的第一信号。
Description
相关申请的交叉引用
本专利申请要求于2020年9月18日提交的标题为“自动驾驶环境中的路径规划”的第20196798.1号欧洲专利局申请的优先权,该申请已转让给本申请的受让人,并通过引用明确并入本文。
技术领域
本公开涉及自动驾驶系统,尤其涉及配备有自动驾驶系统的车辆的风险估计。
背景技术
在过去的几年里,自动驾驶汽车的发展突飞猛进,多种不同的方案正在被探索。越来越多的现代车辆具有高级驾驶者辅助系统(ADAS),以提高车辆安全性和更广泛的道路安全性。例如,ADAS可以用自适应巡航控制、ACC、防撞系统、前向碰撞警告等来表示,是可以在驾驶时帮助车辆驾驶者的电子系统。如今,在这些领域的多种不同技术领域内,ADAS和自动驾驶(AD)都在不断发展。ADAS和AD在本文将被称为通用术语自动驾驶系统(ADS),对应于所有不同的自动化等级,例如由SAE J3016驾驶自动化等级(0-5)定义的自动化等级。
因此,在不远的将来,ADS方案将在更大程度上进入现代车辆。ADS可以被解释为各种部件的复杂组合,这些部件可以被定义为由电子器件和机械代替人类驾驶者来执行车辆的感知、决策制定和操作的系统,以及将自动化引入道路交通的系统。这包括对车辆、目的地以及对周围环境的感知的处理。虽然自动化系统可以控制车辆,但它允许人类操作者将所有或至少部分责任留给系统。ADS通常结合各种传感器来感知车辆的周围环境,诸如雷达、LIDAR、声纳、照相机、导航系统(例如GPS、里程表和/或惯性测量单元(IMU)),基于这些传感器,高级控制系统可以解释传感信息,以识别适当的导航路径以及障碍物和/或相关标志。
然而,如上所述的ADS特征必须具有高度的完整性,以便为车辆乘员及其周围环境提供足够低的风险。保证风险足够低可能需要大量难以处理的数据来进行统计证明,并且根据一个示例,需要例如大约100辆汽车连续行驶五个世纪才能获取。在将ADS特征投放到公共道路之前,存在某些方法可以将ADS特征的风险降至最低。然而,除此之外,普遍认为,一旦ADS特征进入现场就应当对其进行监视,以保证它们符合所需要的安全等级。
保证ADS的安全是能够向市场发布此类系统的核心挑战之一。安全可以被视为没有风险,这也是最容易理解的看待方式之一。ADS面临的最大挑战之一是保证自动驾驶车辆能够安全地规划和执行路径和/或轨迹。
一般来说,传统的路径规划系统从给定的可驾驶区域为自动驾驶车辆生成目标路径,目标路径通常基于来自感知系统的数据来提供。假设目标路径被发送到车辆控制器,车辆控制器计算转向角,并且使得车辆跟随该路径。
存在多种不同的研究报告,其中包含所提出的各种方法,用于查找和执行这种安全可靠的路径,并且还存在更多的整体研究领域,致力于在给定的一组不同约束的情况下查找最优路径。分析方法侧重于根据车辆的周围物体的预测和状态查找路径。还存在另一类方法来获取自动驾驶车辆的路径,依靠机器学习或深度神经网络来选择合适的路径。多种目前已知的方法依赖于周围环境的详细建模,以便最终在以下查找最优路径的优化问题(复杂)的约束集合内捕获这些模型。然而,随着ADS的操作情况和操作领域越来越复杂,查找和执行这种“安全”路径即使不是不可能的,也可以被证明是极其困难的。
此外,当提供由自动驾驶系统(ADS)执行的路径时,通常创建一个部件或模块,部件或模块为路径提供建议,而另一个部件检查该路径是否可以安全执行。第二检查器部件通常使用启发式方法来实现,因为这是确定部件完整性/安全性的少数方法之一。另一种方法是让它建立在常规的自变量或方程式上。然而,基于启发式的方法需要进行实现的团队了解所有可能的情况,并且在确定启发式时没有错误。如上所述,随着ADS的操作情况和操作领域越来越复杂,构建这种完整的启发式算法的组来检查路径安全性可能会被证明是不可逾越的工作量。同样,常规的方法面临相同的问题,要考虑到所有可能的结果。对于某些方案,它只能整合用于处理违反其安全区的行为的一种类型的操作(纵向或横向),因为事实证明这种组合很难形式化地展示。
因此,本领域需要用于自动和半自动车辆的路径规划方法和系统的新方案,随着ADS的操作情况扩展到越来越复杂的场景,这些方案是可靠的、计算高效的和可扩展的。
发明内容
因此,本发明的一个目标是提供一种路径规划方法、计算机可读存储介质、路径规划系统和车辆,其减轻了目前已知系统和方法的所有或至少一些上述缺点。
此外,本发明的目标是提供一种路径规划方法、计算机可读存储介质、路径规划系统和车辆。
该目标通过如所附权利要求中定义的路径规划方法、计算机可读存储介质、路径规划系统和车辆来实现。术语“示例性”在本上下文中被理解为用作实例、示例或说明。
根据本发明的第一方面,提供了一种用于车辆的路径规划方法。方法包括获取车辆的周围环境的风险地图。风险地图基于车辆的致动能力和周围环境中的自由空间区域的位置形成,致动能力包括对致动能力的不确定性估计,自由空间区域的位置包括对自由空间区域的估计位置的不确定性估计。此外,风险地图包括包含在车辆的周围环境中的多个区域段中的每一个中的风险参数。方法进一步包括获取车辆的至少一条候选路径,基于与至少一条路径相交的一组区域段的风险参数来确定每条候选路径的总风险值,选择至少一条候选路径中满足一个或多个风险值标准的候选路径,以及在输出端生成表示所选择的候选路径的第一信号。
根据本发明的第二方面,提供了一种存储一个或多个程序的(非暂时性)计算机可读存储介质,一个或多个程序被配置为由车载处理系统的一个或多个处理器执行,一个或多个程序包括用于执行根据本文公开的任一实施例的方法的指令。对于本发明的这一方面,类似的优点和优选特征在本发明先前讨论的第一方面中呈现。
如本文使用的术语“非暂时性”旨在描述排除传播电磁信号的计算机可读存储介质(或“存储器”),但不旨在以其他方式限制由词语计算机可读介质或存储器所包含的物理计算机可读存储装置的类型。例如,术语“非暂时性计算机可读介质”或“有形存储器”旨在包括不一定永久存储信息的存储装置类型,包括例如随机存取存储器(RAM)。以非暂时性形式存储在有形计算机可访问存储介质上的程序指令和数据可以进一步通过传输介质或诸如电信号、电磁信号或数字信号等信号来传输,这些信号可以经由诸如网络和/或无线链路等通信介质来传送。因此,本文使用的术语“非暂时性”是对介质本身(即,有形的,而非信号)的限制,而不是对数据存储持久性(例如,RAM与ROM)的限制。
根据本发明的第三方面,提供了一种用于车辆的路径规划系统。路径规划系统包括被配置为获取车辆的周围环境的风险地图的控制电路。风险地图基于车辆的致动能力和周围环境中的自由空间区域的位置,致动能力包括对致动能力的不确定性估计,自由空间区域的位置包括对自由空间区域的估计位置的不确定性估计。此外,风险地图包括包含在车辆的周围环境中的多个区域段中的每一个中的风险参数。控制电路还被配置为获取车辆的至少一条候选路径,基于与每条候选路径相交的一组区域段的风险参数来确定每条候选路径的总风险值,从至少一条候选路径中选择满足一个或多个风险值标准的候选路径,并且在输出端生成表示所选择的候选路径的第一信号。
根据本发明的第四方面,提供了一种车辆,车辆包括自动驾驶系统(ADS)、感知系统、车辆控制系统、定位系统和根据本文公开的任一实施例的路径规划系统,感知系统包括至少一个被配置为监视车辆的周围环境的传感器,车辆控制系统包括至少一个被配置为监视车辆致动能力的传感器,定位系统被配置为监视车辆的地理图位置。对于本发明的这一方面,类似的优点和优选特征在本发明先前讨论的第一方面中呈现。对于本发明的这一方面,类似的优点和优选特征在本发明先前讨论的第一方面中呈现。
相应地,本文提出的路径规划方法和系统固有地考虑了与ADS的当前位置和状态相关联的风险。通过风险地图(在系统的这一部分)隐含地考虑风险,不仅有可能获取更灵活的方案,而且提供了最佳的、但仍然是风险缓解的路径。这种方法的一个优点是,与系统模型及其周围环境相关的风险地图可以随着ADS的每次更新而容易地更新。因此,尽管系统的其余部分或甚至其被定义的操作的位置发生了变化,本文概述的用于处理和使用用于路径规划的风险地图的方法可以保持不变。
从属权利要求中定义了本发明的进一步实施例。应该强调的是,当在本说明书中使用时,术语“包括/包含”用于指定所陈述的特征、整体、步骤或部件的存在。它不排除一个或多个其他特征、整体、步骤、部件或其组合的存在或附加。
本发明的这些和其他特点和优点将在下文中参照下文描述的实施例进一步阐明。
附图说明
参考附图,本发明实施例的进一步目标、特征和优点将从以下详细描述中显而易见,其中:
图1是根据本发明实施例的用于自动或半自动车辆的路径规划方法的示意性流程图。
图2是根据本公开实施例的路径规划系统的示意性框图表示。
图3是根据本公开实施例的与自动驾驶系统(ADS)协作的路径规划系统的示意性框图表示。
图4是根据本发明实施例的风险地图的示意性顶视图,其中一些不同的部件对风险地图有贡献。
图5是相对于图4所示的风险地图的后续时间步骤的风险地图的示意性顶视图。
图6是根据本发明实施例的风险地图的示意性顶视图,其中区域段以网格的形式表示。
图7是根据本发明一些实施例的网格框架中的风险地图的示意性顶视图,示出了路径的一些风险值估计过程。
图8是根据本发明实施例的车辆的示意性侧视图,车辆包括用于识别对于开发、验证和/或确认车辆自动驾驶系统(ADS)的感兴趣场景的控制系统。
具体实施方式
本领域的技术人员将理解,本文解释的步骤、服务和功能可以使用单独的硬件电路、使用与编程的微处理器或通用计算机相结合来运行的软件、使用一个或多个专用集成电路(ASIC)和/或使用一个或多个数字信号处理器(DSP)来实现。还将理解,当以方法描述本发明时,它也可以体现在一个或多个处理器和耦接到一个或多个处理器的一个或多个存储器中,其中一个或多个存储器存储一个或多个程序,该程序当由一个或多个处理器执行时执行本文公开的步骤、服务和功能。
在示例性实施例的以下描述中,相同的附图标记表示相同或相似的部件。
在本上下文中,风险地图估计并量化整个ADS周围(即,自我车辆的周围)的“风险”视图,并且优选地包括传感器能力、检测和预测中的不确定性以及车辆平台的可用能力中的不确定性。
如背景技术部分所述,目前已知的用于自动车辆的路径规划方案需要大量的人工工作,以便能够生成被认为“安全”的路径。应当注意,术语“安全”在本上下文中应被理解为高于概率阈值的统计上的安全,例如,如果路径的事故概率被确定为小于每109小时1次(ASIL D),则该路径可被认为是安全的。为了减轻对人工工作的这种需求,本文提出将ADS查找其自身所处的前情况的实时风险地图用作检查器。风险地图包括所有潜在的风险源,包括自身传感器测量的不确定性、对目前现有物体的移动的预测、新的物体出现风险以及ADS运行其上的车辆平台的能力。如果用于ADS的建议路径如果在风险地图上执行时积累了足够低的风险,则是可以接受的。因此,使用风险地图作为检查器将保证路径总是具有足够低的风险。
此外,随着跨ADS的新操作领域的扩展,风险地图可以用附加的模型进行扩展,并以这种方式提供准确的风险估计。通过这种方式,风险地图可能更易于维护,并且与启发式方法相比,进一步提供了用于检查用于ADS的建议路径的更加通用的概念。
更详细地,本发明提出使用风险地图,该风险地图捕获周围环境的、检测的以及预测的所有影响,以及捕获其周围环境的估计中的不确定性和自我车辆能力的不确定性。与其将优化问题作为一个受制于大量变量的复杂问题,不如直接在风险图中捕获这些变量。剩下的挑战是在给定的风险地图上查找最佳路径。相应地,这可能会得到更易于处理和性能更好的方案,此外,还会得到更易于扩展到新领域的方案。随着人们对ADS操作在其中的世界有了更多的了解,可以增加支撑该系统的模型,并将它们输入风险地图,以继续使用同样的方法查找“安全”路径。
用于正式路径的常规检查方法的主要问题之一是它们没有考虑不确定性。进一步地,由于这些模型严重依赖于不同的参数(如制动能力)来评估建议路径(或当前状态)的有效性,因此这些参数的正确性至关重要。就本发明人所知,不存在关于如何将这些方面结合到当前已知模型中的建议。另一方面,风险地图通过包含ADS所有方面的不确定性,固有地提供了所有这些估计。因此,与用于路径检查的常规或启发式方法相比,使用风险地图进行路径检查和规划不仅可以降低所需的实现工作,而且可以进一步包括ADS操作环境所固有的动态不确定性。其结果是更可靠的自动路径检查和规划方案。
安全驾驶ADS的关键因素是理解对于ADS执行哪些路径是安全的。在任何给定的情况下,ADS都面临着过多的风险和不确定性。量化世界的当前感知状态中的每一个这种风险和不确定性为ADS提供了一个所谓的风险地图。风险地图的示意性示例如图4所示。其中ADS周围的每个位置都与一个风险相关联的这种风险地图可以用于评估遍历地图上的位置的风险。因此,给定一条路径,风险地图可以用于评估该路径的风险。因此,在一些实施例中,路径的安全性(即没有风险)可以使用风险地图来计算。
此外,在一些实施例中,风险地图提供输入以查找/标识给定附加质量标准(诸如舒适性等)的最佳路径,并保证输出的风险等级(即,保证满足质量标准的路径也满足一个或多个安全标准)。在一些实施例中,风险地图提供输入以查找/标识与最低风险值相关联的路径,即查找后备路径,其中可以很少或根本不考虑诸如舒适性等某些质量标准。这两种方法随后可以相结合,组成用于车辆的整体风险感知路径规划系统。
图1示出了根据本发明实施例的路径规划方法100的示意性流程图表示。方法100包括获取104车辆的周围环境的风险地图。风险地图基于车辆的致动能力和周围环境中的自由空间区域的位置而形成,致动能力包括对致动能力的不确定性估计,并且自由空间区域的位置包括对自由空间区域的估计位置的不确定性估计。此外,所获取的104风险地图包括包含在车辆的周围环境中的多个区域段中的每一个中的风险参数。
例如,车辆的致动能力可以包括包含对每个参数的不确定估计的一个或多个致动参数(诸如制动能力、最大转向角、最大加速能力等)。如本领域技术人员容易理解的,给定一个或多个实时变量,诸如当前速度、车辆属性(车辆尺寸、车辆重量等)、路面属性等,可以基于预定义模型实时确定致动能力和相关联的不确定性估计。不确定性估计可以从与每个致动参数相关联的预定义统计模型中得到,其中致动能力由平均值或模式值给出,并且不确定性估计由例如高于或低于平均值的一个或两个标准偏差给出。
自由空间区域例如可以从被配置为监视车辆的周围环境的一个或多个车载传感器的传感器数据中得到。然而,传感器数据也可以源自车辆附近的其他传感器,例如安装在其他车辆或基础设施元件上并经由V2V或V2X通信网络获取的传感器。
自由空间区域在本文中可以理解为自我车辆的周围环境中没有物体(例如,其他车辆、行人、障碍物、动物、自行车、静物等)的区域。因此,所获取的自由空间区域的位置可以被理解为没有外部物体(静态和动态物体)的区域的估计以及这种确定的不确定性的估计,即所确定的自由空间区域的位置实际为真的可能性。
此外,在一些实施例中,自由空间区域的位置包括位于自我车辆的周围环境中的外部物体的位置。外部物体的估计位置可以包括外部物体位置的不确定性、外部物体的任何动态物体的估计轨迹以及动态物体的估计轨迹的不确定性。然而,在一些实施例中,自由空间区域的位置由车辆的专用模块确定,其中专用模块被配置为获取表示车辆的周围环境的传感器数据,并基于传感器数据得到自由空间区域相对于车辆的位置。因此,在获取自由空间区域的位置之前,不必有检测物体的中间步骤或层,即可以直接获取“自由空间区域”。例如,由激光雷达发射的信号可以在其被从某个表面反射之前在空间中传播一定距离,则激光雷达和表面之间的这一区域可以被定义为“自由空间区域”,而不需要任何操作或步骤来定义信号被反射的表面。
因此,在一些实施例中,方法100可以进一步包括获取101表示车辆的致动能力和致动能力的不确定性估计的(传感器)数据的步骤。此外,方法可以进一步包括获取103表示自由空间区域的位置和对自由空间区域的估计位置的不确定性估计的数据。可选地,方法100可以进一步包括获取103(传感器)数据,该的(传感器)数据表示车辆的周围环境中外部物体相对于车辆的位置和外部物体位置的不确定性、外部物体的任何动态物体的轨迹和动态物体的估计轨迹的不确定性以及车辆的地理位置,该地理位置包括车辆的估计地理位置的不确定性估计。
在一些实施例中,方法100进一步包括获取102包括周围环境的HD地图信息和车辆的地理位置的地图数据,其中估计地理位置包括车辆的估计地理位置的不确定性估计。
因此,在一些实施例中,获取104风险地图的步骤包括基于所获取101的致动能力、所获取102的地图数据和所获取103的自由空间区域的位置形成自我车辆的周围环境的风险地图。因此,可以利用ADS的随时可用的对自我车辆的周围区域中的“自由空间”进行估计的功能和对车辆平台的操作能力进行估计的功能(两者通常用于制定决策和控制车辆),然后使用该功能来生成风险地图。
继续,如上所述,风险地图包括包含在车辆的周围环境中的多个区域段中的每一个中的风险参数。每个风险参数例如可以表示事故事件的概率,或者如果车辆占据相关联的区域段(或者更具体地,车辆的规划路径与该区域段相交)时违反任何预定义安全裕度或阈值的概率。在简化示例中,如果第一区域段完全在外部车辆占据的区域内,则该第一区域段可以具有表示第一区域段是“高风险”段的风险参数。这至少部分基于逻辑推理,即如果车辆的规划路径与该段相交,则可以假设与外部车辆发生碰撞的概率相对较高。类似地,如果第二区域段完全在没有任何外部物体的可驾驶道路段内,则该第二区域段可以具有表示第二区域段是“低风险”段的风险参数。
术语“违反预定义安全裕度或阈值的概率”例如可以是违反与其他车辆的预定义最小距离的概率的估计。更详细地,可以假设当车辆的规划路径涉及接管机动时,或者与在空旷的高速公路上驾驶相比,在密集的交通中对车辆进行机动时,违反这种安全阈值的概率增加。因此,给定表示在车辆的操作设计域(ODD)中发生的某些场景的一些统计模型,可以估计外部车辆执行不希望的操纵的概率,不希望的操纵将导致违反与前导车辆的预定义最小距离,并且还可以估计在各种场景中发生该特定动作的概率。如上所述,可以假设,在密集的城市交通中,暴露于这种“不希望的操作”的风险比在空旷的高速公路上更高。换言之,风险参数不一定必须表示事故事件的概率,而是可以基于诸如上文例示的其他指标来定义。其他示例包括其他质量指标,例如到路缘的距离、急动度的大小(例如横向加速度)等。
换言之,这些高风险/低风险段可以使用基于历史数据的统计建模来量化为概率分值,该历史数据是随着时间从真实驾驶场景中收集的,例如,如果自我车辆的规划路径与段A相交,则历史数据表示碰撞/违反安全阈值的概率是X。更详细地,如上所述,考虑到各种因素,例如一天中的时间、星期几、到其他车辆的距离、相对于其他车辆的角度、其他车辆的类型、其他车辆的速度、自我车辆的速度、地理位置等,这些统计模型可能是稍复杂的或是很复杂的。例如,人们可以统计地得出结论,在车辆后方1米的区域段中比在同一车辆后方50米的区域段中碰撞的概率更高。因此,与远离外部车辆的区域段相比,靠近外部车辆后部的区域段将被给予更高的风险值或表示“更高风险”的风险参数。
此外,方法100包括获取105车辆的至少一条候选路径。在本文中,术语路径和轨迹可互换使用,即使可能认为轨迹是依赖于时间的路径。因此,在一些实施例中,方法包括获取105至少一个候选轨迹。方法100进一步包括,基于与至少一条路径相交的一组区域段的风险参数,确定106每条候选路径/轨迹的总风险值。
每条候选路径的总风险值可以通过多种方式来确定106。例如,在一些实施例中,确定106每条候选路径的总风险值的步骤包括,合计与每条候选路径相交的一组区域段的风险参数,以及基于合计的风险参数确定106每条候选路径的总风险值。换言之,可以确定风险地图上每条候选路径的风险参数积分。
在一些实施例中,确定106每条候选路径的总风险值的步骤包括分析每条候选路径的风险梯度,其中风险梯度表示与每条候选路径相交的邻近区域段的风险参数的变化。然后,基于每条相应候选路径的分析风险梯度,确定106每条候选路径的总风险值。在一些实施例中,确定106每条候选路径的总风险值的步骤包括确定与每条候选路径相交的具有最高风险参数的区域段,以便获取每条候选路径所进入的最高风险区的值。然后,基于所获取的每条相应候选路径所进入的最高风险区的值,确定106每条候选路径的总风险值。确定106每条候选路径的总风险值的这三种示例性方式可以用作替代方式或者以各种(加权的)彼此组合的方式使用。关于确定每条候选路径的总风险值的进一步细节参考图7给出。
继续,方法100进一步包括从一个或多个获取105的候选路径中选择满足风险值标准的候选路径。风险值标准例如可以是最大风险值阈值。因此,满足风险值标准的候选路径可以是总风险值低于最大风险值阈值的候选路径。方法107可以进一步包括将每个获取105的候选路径的总风险值与风险值标准进行比较的先前步骤,并且基于该比较来进行选择107。然而,如果没有候选路径满足风险值标准,则方法100可以进一步包括在输出端生成110表示请求新的候选路径的请求信号的步骤。然而,如果满足风险值标准的候选路径被标识/选择108,则方法100进一步包括在输出端生成109表示所标识/选择的候选路径的第一信号。
此外,在一些实施例中,获取105每条候选路径的步骤包括生成从车辆的起始位置到车辆的目标位置的至少一条路径,每个生成的路径具有一组质量参数。质量参数例如可以包括路径长度、偏离车道中心的偏移量、舒适度参数(例如纵向加速度、横向加速度、急动度等)等。因此,方法100可以进一步包括将每条路径的质量参数与一组质量标准进行比较,以便生成具有满足该组质量标准的一组质量参数的至少一条候选路径。质量标准可以定义质量参数的阈值或范围。
此外,在一些实施例中,风险值标准是最大风险值阈值,并且每条路径候选路径的该组质量参数表示每条候选路径的质量分值。因此,选择108满足风险值标准的至少一条候选路径的步骤包括选择具有最高质量分值并且总风险值低于最大风险值阈值的候选路径。因此,所选择的候选路径不仅基于其风险参数进行评估,而且基于根据风险地图的附加约束进行评估,以便生成将由ADS执行的最佳路径。
更进一步,在一些实施例中,方法100进一步包括从至少一条候选路径中确定后备路径,其中后备路径是相对于一个或多个所获取的候选路径中的任何其他候选路径具有最低总风险值的候选路径。换言之,在一些实施例中,风险值标准可以是“选择具有最低总风险值的候选路径”。因此,风险值标准不必是最大阈值,而是可以被定义为从一组风险值中选择最小的风险值。方法100可以进一步包括在输出端生成表示所确定的后备路径的第二信号。应当注意,第一信号和第二信号可以是相同的信号,即输出可以是表示所选择的候选路径(即满足质量约束以及风险值约束的候选路径)和后备路径(即最低风险候选路径)的单个信号。在一些实施例中,这些路径(满足质量约束以及风险值约束的候选路径和最低风险候选路径)可以是相同的路径。
可选地,用于执行这些功能的可执行指令被包括在被配置为由一个或多个处理器执行的非暂时性计算机可读存储介质或其他计算机程序产品中。
图2是用于自动或半自动车辆的路径规划系统10的示意性框图表示。风险地图连同附加的质量约束或标准(诸如舒适度参数)共同作为输入被提供给路径规划系统10。这些输入由路径查找器部件/模块25处理,路径查找器部件/模块25可以是基于机器学习模型或类似模型的“黑匣子”。相应地,路径查找部件25输出一组候选路径1-N,所有这些路径随后由风险评估部件/模块26基于它们的风险等级进行评估。
风险评估模块26被配置为基于与每条候选路径相交的一组区域段的风险参数来确定每条候选路径的总风险值,并且从该组候选路径1-N中选择满足风险值标准的候选路径。所选择的候选路径随后从路径规划系统10输出。然而,如果存在满足风险值标准的若干条候选路径,则风险评估模块26可以被配置为从满足风险值标准的若干条候选路径中输出(相对于质量约束)具有最高质量分值的候选路径。因此,路径规划系统10有效地输出最“舒适”的路径,该路径仍然被认为是“安全的”。或者,风险评估模块26可以被配置为选择并输出同时满足一组质量约束/标准的具有最低总风险值的候选路径。因此,路径规划系统10有效地输出“舒适的”路径,该路径被认为是候选路径集合1-N中“最安全的”。
在一些实施例中,风险评估模块26被配置为从候选路径集合1-N中确定后备路径,其中后备路径是相对于至少一条候选路径中的任何其他候选路径具有最低总风险值的候选路径。后备路径随后从系统10输出。这里,后备路径是针对风险而优化的候选路径,而不是针对任何质量约束。因此,如果不能生成其他可行路径,后备路径可以被ADS用作“后后备项”。此外,如果建议的候选路径1-N中没有一个满足风险值标准,则风险评估模块26可以被配置为从路径生成模块25生成表示请求新的候选路径集的请求信号。只要整条路径请求没有超时,候选路径提供和请求的循环就可以继续。
图3是根据本公开实施例的与自动驾驶系统(ADS)30协作的路径规划系统10的示意性框图表示。如上所述,编译的风险地图用于量化在每个给定时刻存在于ADS 30周围的风险。该地图可以用于为ADS查找合适的路径。相应地,首先由风险地图编译模块24从包括来自感知系统31的不确定性的检测和预测以及由车辆平台33报告的能力和不确定性来编译风险地图。然后,风险地图被馈送到风险感知路径查找系统21,该系统输出可能进一步考虑了在风险地图之上的附加约束(质量约束)的建议路径。
此外,作为一个单独的部件,风险地图可以用于真正查找风险最低的路径(即后备路径)。图3描述了这种设置如何适合于ADS 30。同样,来自ADS 30的输入被馈送以编译风险地图。此时,风险地图由部件(最低风险路径生成模块)22处理,该部件被配置为查找具有最低可能风险的可行路径。该低风险路径然后从路径规划系统10反馈到ADS 30作为后备路径。
为了查找风险最低的路径,可以在优化框架内使用风险地图,其中路径的风险作为成本函数。在给定系统的当前状态及其周围环境的情况下,通过严格的优化方法,这种设置然后将保证输出具有最低风险的路径。
相应地,上述路径查找21、22的两个部件可以被组合成用于ADS 30的完整的风险感知路径规划系统10。用于路径查找的两个部件/模块21、22(即在给定附加约束的情况下查找最优路径的风险感知路径规划器21)与查找用于后备的可行最低风险路径的部件/模块22并行运行。因此,该系统10可以总是提供可行低风险路径,而且还探索以提供进一步可以满足附加性能相关标准(即质量约束)的路径。由于存在后备路径,并且这被优化为(关于风险的)最佳可行选项,所以风险感知路径规划器21基本上可以向ADS 30的决策和控制块32提供任何路径,ADS 30的决策和控制块32又可以决定使用它,或依赖所提供的后备路径。
因此,本文提出的路径规划系统10固有地考虑了与ADS 30的当前位置和状态相关联的风险。通过风险地图(在系统的这一部分)隐含地考虑风险,不仅有可能获取更灵活的方案,而且提供了最佳的,但仍然是缓解风险的路径。这种方法的一个优点是,与系统模型及其周围环境相关联的风险地图可以随着ADS 30的每次更新而容易地更新。因此,尽管系统的其余部分或甚至其被定义的操作位置发生了变化,本文概述的用于处理和使用用于路径规划的风险地图的方法可以保持不变。
继续,图4-图5是根据本发明实施例的风险地图40的两个示意性顶视图,其中一些示例性部件41-46”在两个连续的时间步骤上对风险地图40有贡献。此外,在地图40中表示了用于执行自我车辆的规划路径47a-b。更详细地,虚线箭头表示来自先前时间实例/样本的“规划路径”47a,并且当前规划并选择的路径47b由车辆前方的箭头表示。
进一步地,风险地图40包括表示车辆43的估计制动能力的信息,该信息包括其不确定性估计43’、43”。此外,风险地图40包括地图中自我车辆的地理位置41、地理位置41的不确定性估计42、外部物体44、46的位置、外部物体44’、44”、46”的位置的不确定性、动态物体44的轨迹45以及轨迹45的不确定性45’、45”。估计的不确定性例如可以基于(预定义的或自学习/机器学习的)模型来计算,该模型定义了从车辆传感器(例如,照相机、雷达、LiDAR、超声波传感器等)提供的测量中的容差或误差裕度。因此,所形成的风险地图40还考虑了由例如传感器制造容差、噪声等引起的自我车辆世界视角的这种测量中固有的不确定性。相应地,整个风险估计变得更加准确和可靠,更准确地反映了车辆ADS的实际风险暴露。
图6是根据本发明的实施例的相对于图5中描绘的风险地图的后续时间步骤/样本的风险地图的示意性顶视图,区域段51以网格50的形式表示。如上所述,为了确定候选路径47的总风险值,可以将与与规划路径47相交的区域段52相关联的风险值相加。
图7示出了风险地图的示意性顶视图,并用于图示根据本发明的一些实施例如何确定总风险值。更详细地,图7示出了延伸穿过风险地图40的两条候选路径48a、48b,风险地图40还具有重叠的网格框架50,以便例示如何形成区域段。如上所述,风险地图40具有多个区域段51,每个区域段与风险参数相关联,风险参数表示如果路径与相关区域段相交时发生事故事件的概率以及违反预定义安全阈值的概率中的至少一个。风险参数的“值”在每个框51中由框51中的图案表示。因此,风险地图40描绘了某些“高风险”区域段44、“低风险”区域段43以及其间的值。
候选路径48a、48b的风险可以使用风险地图40通过一种或多种方式来评估。例如,当在风险地图40上执行时,可以使用候选路径48a、48b的合计/复合风险(即,风险地图上路径的积分)。因此,可以合计候选路径48a、48b与区域段52相交的区域段51的风险值,以便得到候选路径48a、48b的复合风险或平均风险。
替代地或附加地,可以使用风险地图的梯度来评估候选路径48a、48b上的风险的潜在变化。更详细地,可以分析每条候选路径的风险梯度55,其中风险梯度55表示与每条候选路径48a、48b相交的邻近区域段52的风险参数的变化。因此,候选路径48a、48b的高风险梯度55可以被解释为指示该候选路径48a、48b的总风险值升高了。风险梯度55可以用作候选路径48a、48b的复合风险的补充输入。例如,两条候选路径可以与相同或相似的合计/复合风险值相关联,但是两条候选路径的风险梯度可以表示一条路径比另一条路径“更安全”,因为它与较低的风险梯度相关联。
此外,路径的风险梯度55可以另外用作生成路径的先前步骤中的输入。更详细地,可以基于风险梯度生成路径,例如通过保证路径仅被允许沿着低于风险地图40中某个阈值的风险梯度演进/延伸。
替代地或附加地,可以使用每条候选路径48a、48b的最高风险区。更详细地,可以确定与每条候选路径48a、48b相交的具有最高风险参数的区域段,以便获取每条候选路径所进入的最高风险区的值。使用最高风险区作为输入来确定候选路径48a、48b的总风险值是一种计算高效的可选项,并且进一步提供了关于乘员舒适性的改进。更详细地,即使路径被认为是安全的,避免进入“高风险区”(即与升高的风险值/参数相关联的风险地图上的区域段51)可能是有利的,因为这可能会给车辆乘员带来不愉快的体验。例如,车辆乘员的不愉快体验可能是乘员认为危险的事件,例如,如果自我车辆会行驶得离另一车辆过于接近。
相应地,与依赖启发式方法进行安全评估的传统路径规划方案相反,风险地图为风险感知路径规划提供了自动工具,最大限度地减少了开发过程中所需的人工劳动。进一步地,随着ADS能力的增加,周围世界的模型必然需要改进,风险地图也需要改进,因为它可以基于ADS所依赖的多种相同模型。此外,当扩展到更复杂的操作情况时,模型需要就位,以允许ADS在其中自行运行,因此风险地图的更新版本将是随时可用的。因此,另一方面,启发式检查器需要针对操作领域的每一个变化进行更新和开发,使得维护变得困难。
如本文所建议的,风险地图方法进一步提供了一种动态方式,在评估建议路径的安全性时,考虑环境的所有潜在不确定性以及车辆/ADS自身的能力。与当前的方法相比,风险地图将包含允许将要从ADS的所有部分(包括传感器、感知系统以及车辆平台和执行器)动态地估计的风险的信息。与静态模型相比,这不仅可以使风险地图中的估计值更准确,还可以进一步检查路径,以说明周围物体更复杂的行为,并克服静态模型不确定性的一些核心问题。风险地图将所有来源的不确定性汇集在一起,形成风险的一个集体视图。它考虑了传感器读数、感知系统预测、对象模型(场景/行为模型)和车辆平台能力(制动、转向等)的不确定性。
图8描绘了包括根据本发明实施例的路径规划系统10的车辆1的示意性侧视图。车辆1进一步包括ADS、感知系统6和定位系统5。感知系统6在本上下文中被理解为负责从诸如照相机、LIDAR和RIDAR、超声波传感器等机载传感器6a、6b、6c获取原始传感器数据,并将该原始数据转换成场景理解的系统。定位系统5被配置为监视车辆的地理位置和航向,并且可以是全球导航卫星系统(GNSS)的形式,诸如GPS。然而,定位系统也可以实现为实时运动学(RTK)GPS,以便提高精确度。
更详细地,感知系统6可以指任何公知的系统和/或功能(例如包括在车辆1的一个或多个电子控制模块和/或节点中),,其适用于和/或被配置为解释与车辆1的驾驶相关的传感信息,以识别例如障碍物、车辆车道、相关标志、适当的导航路径等。示例性感知系统6因此可以适用于依赖多个数据源(例如汽车成像、图像处理、计算机视觉和/或车内联网等)并从多个数据源获取与传感信息相结合的输入。这种示例性的传感信息例如可以从包含在车辆1中和/或提供为车辆1车载的一个或多个可选的周围检测传感器6a-c中得到。周围检测传感器6a-c可以由适用于感测和/或感知车辆的周围环境和/或行踪的任何任意传感器表示,并且例如可以指雷达、LIDAR、声纳、照相机、导航系统例如GPS、里程表和/或惯性测量单元中的一个或多个或其组合。
系统10包括一个或多个处理器11、存储器12、传感器接口13和通信接口14。处理器11也可以被称为控制电路11或控制线路11。控制电路11被配置为执行存储在存储器12中的指令,以执行根据本文公开的实施例中的任一个的用于识别对于开发、验证和/或确认车辆1的ADS的感兴趣场景的方法。换言之,控制装置10的存储器12可以包括一个或多个(非暂时性)计算机可读存储介质,用于存储计算机可执行指令,当这些指令被一个或多个计算机处理器11执行时,例如,可以使计算机处理器11执行本文描述的技术。存储器12可选地包括高速随机存取存储器,诸如DRAM、SRAM、DDR RAM或其他随机存取固态存储装置;并且可选地包括非易失性存储器,例如一个或多个磁盘存储装置、光盘存储装置、闪存装置或其他非易失性固态存储装置。控制系统10还被提供有通信接口14和传感器接口13。
控制电路11被配置为基于车辆的致动能力和周围环境中的自由空间区域的位置来获取车辆的周围环境的风险地图。致动能力包括对致动能力的不确定性估计,并且自由空间区域的位置包括对自由空间区域的估计位置的不确定性估计。风险地图包括包含在车辆的周围环境中的多个区域段中的每一个中的风险参数。此外,控制电路11被配置为获取车辆/ADS的至少一条候选路径,并且基于与每条候选路径相交的一组区域段的风险参数来确定每条候选路径的总风险值。此外,控制电路11被配置为从至少一条候选路径中选择满足风险值标准的候选路径,并在输出端生成表示所选择的候选路径的第一信号。
进一步地,车辆1可以经由例如无线链路连接到外部网络2(例如,用于检索HD地图数据)。相同或一些其他无线链路可用于与车辆附近的其他车辆或与本地基础设施元件通信。蜂窝通信技术可以用于长距离通信(例如到外部网络的通信),并且如果所使用的蜂窝通信技术具有低延迟,它也可以用于车辆之间、车辆到车辆(V2V)和/或车辆到基础设施(V2X)的通信。蜂窝无线技术的示例有GSM、GPRS、EDGE、LTE、5G、5GNR等等,也包括未来的蜂窝方案。然而,在一些方案中,使用了例如无线局域网(例如基于IEEE 802.11的方案)的中短程通信技术。ETSI致力于研究车辆通信的蜂窝标准,例如,由于低延迟和对高带宽和通信信道的高效处理,5G被认为是合适的方案。
上文已经参考具体实施例介绍了本发明。然而,除了上述实施例之外的其他实施例也是可能的,并且在本发明的范围内。在本发明的范围内,可以提供与上述不同的方法步骤,通过硬件或软件来执行该方法。因此,根据示例性实施例,提供了一种存储被配置为由车辆控制系统的一个或多个处理器执行的一个或多个程序的非暂时性计算机可读存储介质,一个或多个程序包括用于执行根据上述任一实施例的方法的指令。可选地,根据另一示例性实施例,云计算系统可以被配置为执行本文呈现的任何方法。云计算系统可以包括分布式云计算资源,其在一个或多个计算机程序产品的控制下共同执行本文呈现的方法。
一般来说,计算机可访问介质可以包括任何有形的或非暂时性的存储介质或存储器介质,例如电子、磁性或光学介质(例如通过总线耦接到计算机系统的CD/DVD-ROM)。本文使用的术语“有形的”和“非暂时性的”旨在描述排除传播电磁信号的计算机可读存储介质(或“存储器”),但不旨在以其他方式限制由词语计算机可读介质或存储器所包含的物理计算机可读存储装置的类型。例如,术语“非暂时性计算机可读介质”或“有形存储器”旨在包括不一定永久存储信息的存储装置类型,包括例如随机存取存储器(RAM)。以非暂时形式存储在有形计算机可访问存储介质上的程序指令和数据可以进一步通过传输介质或诸如电信号、电磁信号或数字信号等信号来传输,这些信号可以经由诸如网络和/或无线链路等通信介质来传送。
处理器11可以是或包括用于进行数据或信号处理或用于执行存储在存储器12中的计算机代码的任何数量的硬件部件。控制系统10具有相关联的存储器12,并且存储器12可以是用于存储数据和/或计算机代码的一个或多个装置,以完成或实现本说明书中描述的各种方法。存储器可以包括易失性存储器或非易失性存储器。存储器12可以包括数据库部件、目标代码部件、脚本部件或用于支持本说明书的各种活动的任何其他类型的信息结构。根据示例性实施例,任何分布式或本地存储装置可以与本说明书的系统和方法共同使用。根据示例性实施例,存储器12可通信地连接到处理器11(例如,经由电路或任何其他有线、无线或网络连接),并且包括用于执行本文描述的一个或多个过程的计算机代码。
应当理解,传感器接口13可以进一步提供直接或通过车辆中的专用传感器控制电路6获取传感器数据的可能性。通信/天线接口14可以进一步提供通过天线8向远程位置(例如,远程操作者或控制中心)发送输出的可能性。此外,车辆中的一些传感器可以使用本地网络设置与控制装置10通信,例如CAN总线、I2C、以太网、光纤等。通信接口14可以被布置成与车辆的其他控制功能通信,并且因此也可以被视为控制接口;然而,可以提供单独的控制接口(未示出)。车辆内的本地通信也可以是无线类型,具有诸如WiFi、LoRa、物联网、蓝牙或类似的中/短程技术的协议。
因此,应当理解,所描述的方案的部分可以在车辆中、位于车辆外部的系统中或者在车辆内部和外部的组合中实现;例如在与车辆通信的服务器中(所谓的云方案)。例如,传感器数据可以被发送到外部系统,并且该系统执行编译或呈现风险地图的步骤。实施例的不同特征和步骤可以以与所描述的组合不同的其他组合来组合。
应当注意的是,词语“包括”不排除所列项之外的其他元素或步骤的存在,并且元素前面的词语“一个”不排除多个这种元素的存在。还应注意,任何附图标记都不限制权利要求的范围,本发明可以至少部分地通过硬件和软件来实现,并且某些“装置”或“单元”可以由同一项硬件来表示。
还应当理解,尽管术语第一、第二等可以用于描述各种元素,但是这些元素不应当被这些术语所限制。这些术语仅用于区分一个元素和另一个元素。例如,在不脱离实施例的范围的情况下,第一动作可以被称为第二动作,并且类似地,第二动作可以被称为第一动作。
虽然附图可以示出方法步骤的特定顺序,但是步骤的顺序可以与所描述的顺序不同。此外,两个或多个步骤可以同时或部分同时执行。例如,获取致动能力的步骤和自由空间区域的位置的步骤可以基于特定的实现而互换。这种变型将取决于选择的软件和硬件系统以及设计者的选择。所有这些变型都在本发明的范围内。同样,软件实现可以用标准编程技术来完成,该技术具有基于规则的逻辑和其他逻辑来完成各种连接步骤、处理步骤、比较步骤和决策步骤。上文提到和描述的实施例仅作为示例给出,不应限制本发明。在以上描述的专利实施例中要求保护的本发明范围内的其他方案、用途、目标和功能对于本领域技术人员来说应当是显而易见的。
Claims (13)
1.一种用于车辆的路径规划方法(100),所述方法包括:
获取(104)所述车辆的周围环境的风险地图(40),其中所述风险地图基于所述车辆的致动能力和所述周围环境中的自由空间区域的位置形成,所述致动能力包括对所述致动能力的不确定性估计,并且所述自由空间区域的位置包括对所述自由空间区域的估计位置的不确定性估计;
其中所述风险地图包括包含在所述车辆的所述周围环境中的多个区域段(51)中的每一个中的风险参数;
获取(105)所述车辆的至少一条候选路径;
基于与所述至少一条路径相交的一组区域段的所述风险参数,确定(106)每条候选路径的总风险值;
从所述至少一条候选路径中选择(108)满足风险值标准的候选路径;以及
在输出端生成(109)表示所选择的候选路径的第一信号。
2.根据权利要求1所述的方法(100),进一步包括:
从所述至少一条候选路径中确定后备路径,所述后备路径相对于所述至少一条候选路径的任何其他候选路径具有最低的总风险值;以及
在输出端生成表示所确定的后备路径的第二信号。
3.根据权利要求1或2所述的方法(100),进一步包括:
如果没有候选路径满足所述风险值标准,则在输出端生成(110)表示请求新的候选路径的请求信号。
4.根据权利要求1的方法(100),其中所述获取(104)每条候选路径的步骤包括:
生成从所述车辆的起始位置到所述车辆的目标位置的至少一条路径,每个生成的路径具有一组质量参数;以及
将所述每条路径的质量参数与一组质量标准进行比较,以便生成具有满足该组质量标准的一组质量参数的至少一条候选路径。
5.根据权利要求4所述的方法(100),其中,所述风险值标准是最大风险值阈值,并且每条路径候选路径的该组质量参数表示每条候选路径的质量分值;
其中所述选择(108)满足所述风险值标准的所述候选路径的步骤包括:
选择具有最高质量分值并且总风险值低于所述最大风险值阈值的所述候选路径。
6.根据权利要求1所述的方法(100),其中所述确定(106)每条候选路径的所述总风险值的步骤包括:
合计与每条候选路径相交的该组区域段的所述风险参数;以及
基于合计的风险参数确定每条候选路径的所述总风险值。
7.根据权利要求1所述的方法(100),其中所述确定(106)每条候选路径的所述总风险值的步骤包括:
分析每条候选路径的风险梯度,所述风险梯度表示与每条候选路径相交的邻近区域段的所述风险参数的变化;以及
基于所分析的风险梯度确定每条候选路径的所述总风险值。
8.根据权利要求6或7所述的方法(100),其中所述确定(106)每条候选路径的所述总风险值的步骤包括:
确定与每条候选路径相交的具有最高风险参数的所述区域段,以便获取由每条候选路径进入的最高风险区的值;以及
基于所获取的由每条候选路径进入的最高风险区的值,确定每个候选的所述总风险值。
9.根据权利要求8所述的方法(100),其中每个风险参数表示如果候选路径与相关联的区域段相交时发生事故事件的概率和如果候选路径与相关联的区域段相交时违反预定义安全阈值的概率中的至少一个。
10.根据权利要求1所述的方法(100),其中所述自由空间区域的位置包括:
位于所述车辆的所述周围环境中的外部物体的位置,并且其中所述外部物体的估计位置包括所述外部物体位置的不确定性、所述外部物体的任何动态物体的轨迹以及所述动态物体的估计轨迹的不确定性。
11.一种计算机可读存储介质,存储被配置为由车载处理系统的一个或多个处理器执行的一个或多个程序,所述一个或多个程序包括用于执行根据前述权利要求中任一项所述的方法(100)的指令。
12.一种用于车辆(1)的路径规划系统(10),所述路径规划系统包括:
控制电路(11),被配置为:
获取所述车辆的周围环境的风险地图(40),其中所述风险地图基于车辆的致动能力和所述周围环境中的自由空间区域的位置,所述致动能力包括对所述致动能力的不确定性估计,所述自由空间区域的位置包括对自由空间区域的估计位置的不确定性估计;
其中所述风险地图(40)包括包含在所述车辆的所述周围环境中的多个区域段(51)中的每一个中的风险参数;
获取所述车辆的至少一条候选路径(48a,48b);
基于与每条候选路径相交(52)的一组区域段(51)的所述风险参数,确定每条候选路径的所述总风险值;
从至少一条候选路径(48a,48b)中选择满足风险值标准的候选路径;以及
在输出端生成表示所选择的候选路径的第一信号。
13.一种车辆(1),包括:
自动驾驶系统ADS(30);
感知系统(6),包括被配置为监视地面车辆的周围环境的至少一个传感器(6a,6b,6c);
车辆控制系统,包括被配置为监视所述车辆的致动能力的至少一个传感器;
定位系统(5),被配置为监视所述地面车辆的地理图位置;以及
根据权利要求12所述的路径规划系统(10)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20196798.1A EP3971526B1 (en) | 2020-09-18 | 2020-09-18 | Path planning in autonomous driving environments |
EP20196798.1 | 2020-09-18 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114199263A true CN114199263A (zh) | 2022-03-18 |
Family
ID=72561591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111110712.5A Pending CN114199263A (zh) | 2020-09-18 | 2021-09-18 | 自动驾驶环境中的路径规划 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220089151A1 (zh) |
EP (1) | EP3971526B1 (zh) |
CN (1) | CN114199263A (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3885226A1 (en) * | 2020-03-25 | 2021-09-29 | Aptiv Technologies Limited | Method and system for planning the motion of a vehicle |
US20220315047A1 (en) * | 2021-03-30 | 2022-10-06 | Honda Research Institute Europe Gmbh | Method, system and vehicle with an uncertainty-based lane positioning control |
EP4303537A1 (en) * | 2022-07-04 | 2024-01-10 | Zenseact AB | Identifying locations crucial to an autonomous vehicle |
CN115273259B (zh) * | 2022-07-21 | 2023-07-28 | 北京物资学院 | 车辆识别方法、装置、设备及介质 |
EP4357213A1 (en) * | 2022-10-17 | 2024-04-24 | Zenseact AB | A method for determining whether an automatic collision avoidance steering maneuver should be executed or not |
EP4357212A1 (en) * | 2022-10-21 | 2024-04-24 | Zenseact AB | Ads development |
CN116448134B (zh) * | 2023-03-29 | 2023-11-07 | 清华大学 | 基于风险场与不确定分析的车辆路径规划方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11307042B2 (en) * | 2015-09-24 | 2022-04-19 | Allstate Insurance Company | Three-dimensional risk maps |
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
JP6622148B2 (ja) * | 2016-06-17 | 2019-12-18 | 日立オートモティブシステムズ株式会社 | 周辺環境認識装置 |
US10571908B2 (en) * | 2016-08-15 | 2020-02-25 | Ford Global Technologies, Llc | Autonomous vehicle failure mode management |
JP6713410B2 (ja) * | 2016-11-21 | 2020-06-24 | 日立オートモティブシステムズ株式会社 | 電子制御装置 |
US10955250B2 (en) * | 2017-11-21 | 2021-03-23 | Ford Global Technologies, Llc | Vehicle maintenance operation |
US11215997B2 (en) * | 2018-11-30 | 2022-01-04 | Zoox, Inc. | Probabilistic risk assessment for trajectory evaluation |
EP4083871B1 (en) * | 2021-04-29 | 2023-11-15 | Zenseact AB | Method for automated development of a path planning module for an automated driving system |
-
2020
- 2020-09-18 EP EP20196798.1A patent/EP3971526B1/en active Active
-
2021
- 2021-09-17 US US17/477,906 patent/US20220089151A1/en active Pending
- 2021-09-18 CN CN202111110712.5A patent/CN114199263A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220089151A1 (en) | 2022-03-24 |
EP3971526B1 (en) | 2024-05-08 |
EP3971526A1 (en) | 2022-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3971526B1 (en) | Path planning in autonomous driving environments | |
US20220089153A1 (en) | Scenario identification in autonomous driving environments | |
EP4083871B1 (en) | Method for automated development of a path planning module for an automated driving system | |
US11587366B1 (en) | Systems and methods for selecting locations to validate automated vehicle data transmission | |
CN114194209A (zh) | 自动驾驶环境中的风险评估 | |
KR20220136006A (ko) | 자율 주행 차량의 성능을 평가하기 위한 테스트 시나리오의 선택 | |
CN113534768A (zh) | 用于自动驾驶系统监控和管理的方法和系统 | |
CN113734193A (zh) | 用于估计接管时间的系统和方法 | |
CN115269371A (zh) | 用于自动驾驶系统的路径规划系统开发的平台 | |
CN114968187A (zh) | 用于自动驾驶系统的感知系统开发的平台 | |
CN114207627A (zh) | 用于路径规划系统的极端情况检测和收集 | |
JP7035204B2 (ja) | 車両制御装置、自動運転車開発システム、車両制御方法、およびプログラム | |
CN116466697A (zh) | 用于运载工具的方法、系统以及存储介质 | |
CN113602283A (zh) | 用于管理车辆的自动驾驶系统的方法和系统 | |
US20230090338A1 (en) | Method and system for evaluation and development of automated driving system features or functions | |
US11983918B2 (en) | Platform for perception system development for automated driving system | |
US11897501B2 (en) | ADS perception development | |
KR102350197B1 (ko) | 주행경로 설정장치 및 주행경로 설정방법 | |
WO2022168672A1 (ja) | 処理装置、処理方法、処理プログラム、処理システム | |
EP4361819A1 (en) | Methods and apparatuses for closed-loop evaluation for autonomous vehicles | |
EP4152153A1 (en) | Method and system for evaluation and development of automated driving system features | |
EP4394626A1 (en) | Classification of objects present on a road | |
WO2024111389A1 (ja) | 処理システム | |
CN115966097A (zh) | 基于事故强度的车辆的路径规划 | |
CN117184123A (zh) | 基于顺应先验对具有不确定测量的道路行为体进行状态识别 |
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 |