CN114270140A - 用于自主设备的实时控制的系统和方法 - Google Patents

用于自主设备的实时控制的系统和方法 Download PDF

Info

Publication number
CN114270140A
CN114270140A CN202080058758.4A CN202080058758A CN114270140A CN 114270140 A CN114270140 A CN 114270140A CN 202080058758 A CN202080058758 A CN 202080058758A CN 114270140 A CN114270140 A CN 114270140A
Authority
CN
China
Prior art keywords
occupancy grid
sdsf
delivery vehicle
processor
global
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080058758.4A
Other languages
English (en)
Inventor
迪尔克·A·万德尔莫维
阿鲁娜布赫·米什拉
克里斯托佛·C·朗根费尔德
迈克尔·J·斯莱特
克里斯托佛·J·普林奇佩
格雷戈里·J·布伊特库斯
贾斯汀·M·惠特尼
拉阿吉塔·古马迪
德里克·G·卡纳
艾米丽·A·卡里格
帕特里克·斯蒂尔
本杰明·V·赫什
夫努·G·西瓦佩鲁马尔
戴维·卡里格
丹尼尔·F·帕夫洛夫斯基
亚绍瓦德汉·查图维迪
卡尔蒂克·康纳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deka Products LP
Original Assignee
Deka Products LP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Deka Products LP filed Critical Deka Products LP
Publication of CN114270140A publication Critical patent/CN114270140A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0025—Planning or execution of driving tasks specially adapted for specific operations
    • B60W60/00256—Delivery operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • 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
    • 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
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0248—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means in combination with a laser
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/54—Audio sensitive means, e.g. ultrasound
    • 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
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9318—Controlling the steering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/93185—Controlling the brakes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9319—Controlling the accelerator
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9323—Alternative operation using light waves

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Acoustics & Sound (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Optics & Photonics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

一种自主车辆，该自主车辆具有在能力上有利地变化、有利地定位并且有利地不受环境状况影响的传感器。一种在自主车辆上执行的系统，能够接收包括例如大体上不连续的表面特征的地图以及来自传感器的数据，基于地图和数据来创建占据栅格，并且基于自主车辆在其上导航的表面的类型来改变自主车辆的配置。设备能够安全地导航表面和表面特征，包括横越不连续的表面和其他障碍物。

Description

用于自主设备的实时控制的系统和方法
相关申请的交叉引用
本发明新型专利申请是通过引用整体地并入本文的2020年2月25日提交的标题为System and Method for Surface Feature Detection and Traversal的美国专利申请16/800,497(代理人档案号AA164)的部分继续。本专利申请要求以下各项的权益：于2019年7月10日提交的标题为Apparatus for Long and Short Range Sensors on anAutonomous Delivery Device的美国临时专利申请序号62/872,396(代理人档案号AA028)、于2020年3月17日提交的标题为System and Method for Managing an OccupancyGrid的美国临时专利申请序号62/990,485(代理人档案号AA037)、以及于2019年7月10日提交的标题为System and Method for Real-Time Control of the Configuration of anAutonomous Device的美国临时专利申请序号62/872,320(代理人档案号Z96)。
本申请与以下各项有关：于2018年7月13日提交的标题为MOBILITY DEVICE的美国专利申请序号16/035,205(代理人档案号X80)、于2017年10月18日提交的标题为MOBILITYDEVICE的美国专利申请序号15/787,613(代理人档案号W10)、于2017年5月20日提交的标题为MOBILITY DEVICE的美国专利申请序号15/600,703(代理人档案号U22)、于2018年5月17日提交的标题为SYSTEM AND METHOD FOR SECURE REMOTE CONTROL OF A MEDICAL DEVICE的美国专利申请序号15/982,737(代理人档案号X55)、于2017年7月15日提交的标题为MOBILITY DEVICE IMPROVEMENTS的美国临时申请序号62/532,993(代理人档案号U30)、于2017年9月15日提交的标题为MOBILITY DEVICE SEAT的美国临时申请序号62/559,263(代理人档案号V85)、以及于2017年11月4日提交的标题为MOBILITY DEVICE SEAT的美国临时申请序号62/581,670(代理人档案号W07)，这些申请通过引用整体地并入本文。
技术领域
本教导通常涉及AV，并且更具体地涉及自主路线规划、全局占据栅格管理、车载传感器、表面特征检测和横越、以及实时车辆配置改变。
背景技术
AV和半自主车辆(AV)的导航通常依靠包括例如但不限于LIDAR、相机、立体相机和雷达的长距离传感器。长距离传感器能够感测离AV介于4米与100米之间的距离。相比之下，对象回避和/或表面检测通常依靠包括例如但不限于立体相机、短距离雷达和超声传感器的短距离传感器。这些短距离传感器通常观察AV周围外约5米的面积或容积。传感器能够实现例如定向其环境内的AV并且在街道、人行道、障碍物和开放空间中导航以到达期望目的地。传感器还能够实现想像人类、标牌、交通灯、障碍物和表面特征。
表面特征横越可以是有挑战性的，因为表面特征(例如但不限于，大体上不连续的表面特征(SDSF))能够在异质拓扑当中找到，并且该拓扑对特定地理而言可以是唯一的。然而，诸如例如但不限于斜面、边缘、路缘、台阶和路缘状几何形状(在本文中以非限制性方式称为SDSF或简称为表面特征)的SDSF能够包括能够帮助其识别的一些典型特性。能够通过例如融合多感官数据来对表面/道路状况和表面类型进行辨识和分类，这可能是复杂且昂贵的。表面特征和状况能够用于实时地控制AV的物理重新配置。
传感器能够用于实现对占据栅格的创建，该占据栅格能够表示用于AV的路径规划目的的世界。路径规划需要将空间识别为空闲、占据或未知的栅格。然而，空间被占据的概率能够改进关于空间的决策。概率的对数几率表示能够用于提高0和1的概率的数值边界处的准确性。单元被占据的概率可能至少取决于新传感器信息、先前传感器信息和在先占据信息。
所需要的是一种将收集的传感器数据和实时传感器数据与车辆的物理配置改变的改变组合以实现可变地形横越的系统。所需要的是用于实现物理配置改变、可变地形横越和对象回避的有利传感器放置。所需要的是基于与用于SDSF识别的若干准则相关联的多部分模型来定位SDSF的能力。所需要的是基于诸如候选横越接近角、在候选表面特征两侧的候选横越驾驶表面以及候选横越路径障碍物的实时确定的准则来确定候选表面特征横越。所需要的是一种用于将可驾驶表面和设备模式信息并入到占据栅格确定中的系统和方法。
发明内容
本教导的AV能够自主地导航到期望位置。在一些配置中，AV能够包括：传感器；包括有感知子系统、自主子系统和驱动器子系统的设备控制器；动力基座；四个动力轮；两个脚轮和货物容器。在一些配置中，感知和自主子系统能够接收并处理传感器信息(感知)和地图信息(感知和自主)，并且能够向驱动器子系统提供方向。地图信息能够包括表面分类和相关设备模式。由驱动器子系统控制并由动力基座实现的AV的移动能够由传感器子系统感测，从而提供反馈回路。在一些配置中，SDSF能够根据点云数据被准确地识别并记忆在地图中，例如，根据本文描述的过程。能够在导航期间将地图的与AV的位置相关联的部分提供给AV。感知子系统能够维护能够向AV通知待横越路径当前被占据的概率的占据栅格。在一些配置中，AV能够在多种根本不同的模式下操作。这些模式能够实现复杂地形横越以及其他好处。地图(例如，表面分类)、传感器数据(感测AV周围的特征)、占据栅格(即将到来的路径点被占据的概率)、模式(是否准备好横越困难地形)的组合能够用于识别AV的方向、配置和速度。
关于准备地图，在一些配置中，本教导的方法用于创建地图以导航由AV遇到的至少一个SDSF，其中AV在表面上驶过路径，其中表面包括至少一个SDSF，并且其中路径包括起点和终点，该方法能够包括但不限于包括：访问表示表面的点云数据；过滤点云数据；将经过滤后的点云数据形成为可处理部分；以及将可处理部分合并成至少一个凹多边形。该方法能够包括在至少一个凹多边形中定位和标记至少一个SDSF。定位和标记能够形成标记的点云数据。该方法能够包括：至少基于至少一个凹多边形来创建图形多边形；以及至少基于图形多边形来选取从起点到终点的路径。当导航时，AV能够沿着路径横越至少一个SDSF。
过滤点云数据能够可选地包括有条件地从点云数据中去除表示瞬态对象的点和表示离群值的点，并且替换经去除的具有预选高度的点。形成处理部分能够可选地包括将点云数据分段成可处理部分，并且从可处理部分中去除预选高度的点。合并可处理部分能够可选地包括通过分析离群值、体素和法线来减小可处理部分的大小，从减小大小的可处理部分生长区域，根据生长区域确定初始可驾驶表面，对初始可驾驶表面进行分段和网格化，在经分段和网格化的初始可驾驶表面内定位多边形，并且至少基于多边形设置可驾驶表面。定位和标记至少一个SDSF特征能够可选地包括根据SDSF过滤器对可驾驶表面的点云数据进行分类，该SDSF过滤器包括至少三个类别的点，并且至少基于所述类别的点是否相结合地满足至少一个第一预选准则来定位至少一个SDSF点。该方法能够可选地包括至少基于多个至少一个SDSF点是否相结合地满足至少一个第二预选准则来创建至少一条SDSF轨迹。创建图形多边形进一步能够可选地包括从至少一个可驾驶表面创建至少一个多边形。至少一个多边形能够包括边缘。创建图形多边形能够包括：使边缘平滑；基于平滑边缘来形成驾驶边距；将至少一条SDSF轨迹添加到至少一个可驾驶表面；以及根据至少一个第三预选准则从至少一个可驾驶表面中去除边缘。边缘的平滑能够可选地包括向外修剪边缘。形成平滑边缘的驾驶边距能够可选地包括向内修剪向外边缘。
在一些配置中，本教导的系统用于创建用于导航由AV遇到的至少一个SDSF的地图，其中AV在表面上驶过路径，其中表面包括至少一个SDSF，其中路径包括起点和终点，该系统能够包括但不限于包括：第一处理器，该第一处理器访问表示表面的点云数据；第一过滤器，该第一过滤器过滤点云数据；第二处理器，该第二处理器从经过滤后的点云数据形成可处理部分；第三处理器，该第三处理器将可处理部分合并成至少一个凹多边形；第四处理器，该第四处理器在至少一个凹多边形中定位和标记至少一个SDSF，该定位和标记形成标记的点云数据；第五处理器，该第五处理器创建图形多边形；以及路径选择器，该路径选择器至少基于图形多边形来选取从起点到终点的路径。AV能够沿着路径横越至少一个SDSF。
第一过滤器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括有条件地从点云数据中去除表示瞬态对象的点和表示离群值的点，并且替换经去除的具有预选高度的点。分段器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括将点云数据分段成可处理部分，并且从可处理部分中去除预选高度的点。第三处理器能够可选地包括可执行代码，该可执行代码能够包括但不限于通过分析离群值、体素和法线来减小可处理部分的大小，从减小大小的可处理部分生长区域，根据生长区域确定初始可驾驶表面，对初始可驾驶表面进行分段和网格化，在经分段和网格化的初始可驾驶表面内定位多边形，并且至少基于多边形来设置可驾驶表面。第四处理器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括根据SDSF过滤器对可驾驶表面的点云数据进行分类，该SDSF过滤器包括至少三个类别的点，并且至少基于所述类别的点是否相结合地满足至少一个第一预选准则来定位至少一个SDSF点。该系统能够可选地包括可执行代码，该可执行代码能够包括但不限于包括至少基于多个至少一个SDSF点是否相结合地满足至少一个第二预选准则来创建至少一条SDSF轨迹。
创建图形多边形能够可选地包括可执行代码，该可执行代码能够包括但不限于包括：从至少一个可驾驶表面创建至少一个多边形，该至少一个多边形包括边缘；使边缘平滑；基于平滑边缘形成驾驶边距；将至少一条SDSF轨迹添加到至少一个可驾驶表面；以及根据至少一个第三预选准则从至少一个可驾驶表面中去除边缘。使边缘平滑能够可选地包括可执行代码，该可执行代码能够包括但不限于包括向外修剪边缘。形成平滑边缘的驾驶边距能够可选地包括可执行代码，该可执行代码能够包括但不限于包括向内修剪向外边缘。
在一些配置中，本教导的方法用于创建用于导航由AV遇到的至少一个SDSF的地图，其中AV在表面上驶过路径，其中表面包括至少一个SDSF，其中路径包括起点和终点，该方法能够包括但不限于包括访问路线拓扑。该路线拓扑能够包括至少一个图形多边形，该至少一个图形多边形能够包括过滤后的点云数据。点云数据能够包括标记的特征和可驾驶边距。该方法能够包括：将点云数据变换到全局坐标系中；确定至少一个SDSF的边界；在边界周围创建预选大小的SDSF缓冲区；至少基于至少一个SDSF横越准则来确定能够横越至少一个SDSF中的哪个；至少基于至少一个SDSF横越准则、经变换后的点云数据和路线拓扑来创建边缘/权重图；以及至少基于边缘/权重图来选取从起点到目的地点的路径。
至少一个SDSF横越准则能够可选地包括至少一个SDSF的预选宽度和至少一个SDSF的预选平滑度、至少一个SDSF与包括可驾驶表面的AV之间的最小入口距离和最小出口距离、以及能够容许AV以大致90°接近于至少一个SDSF的至少一个SDSF与AV之间的最小入口距离。
在一些配置中，本教导的系统用于创建用于导航由AV遇到的至少一个SDSF的地图，其中AV在表面上驶过路径，其中表面包括至少一个SDSF，并且其中路径包括起点和终点，该系统能够包括但不限于包括第六处理器，该第六处理器访问路线拓扑。该路线拓扑能够包括至少一个图形多边形，该至少一个图形多边形能够包括过滤后的点云数据。点云数据能够包括标记的特征和可驾驶边距。该系统能够包括：第七处理器，该第七处理器将点云数据变换到全局坐标系中；以及第八处理器，该第八处理器确定至少一个SDSF的边界。第八处理器能够在边界周围创建预选大小的SDSF缓冲区。该系统能够包括：第九处理器，该第九处理器至少基于至少一个SDSF横越准则来确定能够横越至少一个SDSF中的哪个；第十处理器，该第十处理器至少基于至少一个SDSF横越准则、经变换后的点云数据和路线拓扑来创建边缘/权重图；以及基座控制器，该基座控制器至少基于边缘/权重图来选取从起点到目的地点的路径。
在一些配置中，本教导的方法用于创建用于导航由AV遇到的至少一个SDSF的地图，其中AV在表面上驶过路径，其中表面包括至少一个SDSF，并且其中路径包括起点和终点，该方法能够包括但不限于包括访问表示表面的点云数据。该方法能够包括：过滤点云数据；将经过滤后的点云数据形成为可处理部分；以及将可处理部分合并成至少一个凹多边形。该方法能够包括在至少一个凹多边形中定位和标记至少一个SDSF。定位和标记能够形成标记的点云数据。该方法能够包括至少基于至少一个凹多边形来创建图形多边形。图形多边形能够形成路线拓扑，并且点云数据能够包括标记的特征和可驾驶边距。该方法能够包括：将点云数据变换到全局坐标系中；确定至少一个SDSF的边界；在边界周围创建预选大小的SDSF缓冲区；至少基于至少一个SDSF横越准则来确定能够横越至少一个SDSF中的哪个；至少基于至少一个SDSF横越准则、经变换后的点云数据和路线拓扑来创建边缘/权重图；以及至少基于边缘/权重图来选取从起点到目的地点的路径。
过滤点云数据能够可选地包括有条件地从点云数据中去除表示瞬态对象的点和表示离群值的点，并且替换经去除的具有预选高度的点。形成处理部分能够可选地包括将点云数据分段成可处理部分，并且从可处理部分中去除预选高度的点。合并可处理部分能够可选地包括通过分析离群值、体素和法线来减小可处理部分的大小，从减小大小的可处理部分生长区域，根据生长区域确定初始可驾驶表面，对初始可驾驶表面进行分段和网格化，在经分段和网格化的初始可驾驶表面内定位多边形，并且至少基于多边形设置可驾驶表面。定位和标记至少一个SDSF特征能够可选地包括根据SDSF过滤器对可驾驶表面的点云数据进行分类，该SDSF过滤器包括至少三个类别的点，并且至少基于所述类别的点是否相结合地满足至少一个第一预选准则来定位至少一个SDSF点。该方法能够可选地包括至少基于多个至少一个SDSF点是否相结合地满足至少一个第二预选准则来创建至少一条SDSF轨迹。创建图形多边形进一步能够可选地包括从至少一个可驾驶表面创建至少一个多边形。至少一个多边形能够包括边。创建图形多边形能够包括：使边缘平滑；基于平滑边缘形成驾驶边距；将至少一条SDSF轨迹添加到至少一个可驾驶表面；以及根据至少一个第三预选准则从至少一个可驾驶表面中去除边缘。边缘的平滑能够可选地包括向外修剪边缘。形成平滑边缘的驾驶边距能够可选地包括向内修剪向外边缘。至少一个SDSF横越准则能够可选地包括至少一个SDSF的预选宽度和至少一个SDSF的预选平滑度、至少一个SDSF与包括可驾驶表面的AV之间的最小入口距离和最小出口距离、以及能够容许AV大致90°接近于至少一个SDSF的至少一个SDSF与AV之间的最小入口距离。
在一些配置中，本教导的系统用于创建用于导航由AV遇到的至少一个SDSF的地图，其中AV在表面上驶过路径，其中表面包括至少一个SDSF，其中路径包括起点和终点，该系统能够包括但不限于包括：点云访问器，该点云访问器访问表示表面的点云数据；第一过滤器，该第一过滤器过滤点云数据；分段器，该分段器从经过滤后的点云数据形成可处理部分；第三处理器，该第三处理器将可处理部分合并成至少一个凹多边形；第四处理器，该第四处理器在至少一个凹多边形中定位和标记至少一个SDSF，该定位和标记形成标记的点云数据；第五处理器，该第五处理器创建图形多边形。路线拓扑能够包括至少一个图形多边形，该至少一个图形多边形能够包括过滤后的点云数据。点云数据能够包括标记的特征和可驾驶边距。该系统能够包括：第七处理器，该第七处理器将点云数据变换到全局坐标系中；以及第八处理器，该第八处理器确定至少一个SDSF的边界。第八处理器能够在边界周围创建预选大小的SDSF缓冲区。该系统能够包括：第九处理器，该第九处理器至少基于至少一个SDSF横越准则确定能够横越至少一个SDSF中的哪个；第十处理器，该第十处理器至少基于至少一个SDSF横越准则、经变换后的点云数据和路线拓扑创建边缘/权重图；以及基座控制器，该基座控制器至少基于边缘/权重图选取从起点到目的地点的路径。
第一过滤器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括有条件地从点云数据中去除表示瞬态对象的点和表示离群值的点，并且替换经去除的具有预选高度的点。分段器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括将点云数据分段成可处理部分，并且从可处理部分中去除预选高度的点。第三处理器能够可选地包括可执行代码，该可执行代码能够包括但不限于通过分析离群值、体素和法线来减小可处理部分的大小，从减小大小的可处理部分生长区域，根据生长区域确定初始可驾驶表面，对初始可驾驶表面进行分段和网格化，在经分段和网格化的初始可驾驶表面内定位多边形，并且至少基于多边形设置可驾驶表面。第四处理器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括根据SDSF过滤器对可驾驶表面的点云数据进行分类，该SDSF过滤器包括至少三个类别的点，并且至少基于所述类别的点是否相结合地满足至少一个第一预选准则来定位至少一个SDSF点。该系统能够可选地包括可执行代码，该可执行代码能够包括但不限于包括至少基于多个至少一个SDSF点是否相结合地满足至少一个第二预选准则来创建至少一条SDSF轨迹。
创建图形多边形能够可选地包括可执行代码，该可执行代码能够包括但不限于包括：从至少一个可驾驶表面创建至少一个多边形，该至少一个多边形包括边缘；使边缘平滑；基于平滑边形成驾驶边距；将至少一条SDSF轨迹添加到至少一个可驾驶表面；以及根据至少一个第三预选准则从至少一个可驾驶表面中去除边缘。使边缘平滑能够可选地包括可执行代码，该可执行代码能够包括但不限于包括向外修剪边缘。形成平滑边缘的驾驶边距能够可选地包括可执行代码，该可执行代码能够包括但不限于包括向内修剪向外边缘。
在一些配置中，SDSF可以由其尺寸识别。例如，路缘能够包括但不限于包括约0.6-0.7m的宽度。在一些配置中，能够处理点云数据以定位SDSF，并且那些数据能够用于为AV准备从起点到目的地的路径。在一些配置中，路径能够被包括在地图中并提供给感知子系统。当AV正在驶过路径时，在一些配置中，能够通过由感知子系统部分地启用的AV的基于传感器的定位来容许SDSF横越。感知子系统能够在AV内的至少一个处理器上执行。
AV能够包括但不限于包括动力基座，该动力基座包括两个动力前轮、两个动力后轮、储能器和至少一个处理器。该动力基座能够被配置成以命令速率移动。AV能够包括机械地附接到动力基座的货物平台，包括多个短距离传感器。AV能够包括在一些配置中安装在货物平台顶上的货物容器，从而具有用于接收一个或多个待递送对象的容积。AV能够包括在一些配置中安装在货物容器顶上的长距离传感器套件，其能够包括但不限于包括LIDAR和一个或多个相机。AV能够包括控制器，该控制器能够从长距离传感器套件和短距离传感器套件接收数据。
短距离传感器套件能够可选地检测可驾驶表面的至少一个特性，并且能够可选地包括立体相机、IR投影器、两个图像传感器、RGB传感器和雷达传感器。短距离传感器套件能够可选地向控制器供应RGB-D数据。控制器能够可选地基于从短距离传感器套件接收到的RGB-D数据来确定道路表面的几何形状。短距离传感器套件能够可选地检测在AV的4米内的对象，而长距离传感器套件能够可选地检测离AV超过4米的对象。
感知子系统能够使用由传感器收集的数据填充占据栅格。能够将本教导的占据栅格配置为AV周围的点的3D栅格，其中AV占据中心点。在一些配置中，占据栅格能够向AV的左边、右边、后面和前面伸长10m。栅格能够大约包括AV的高度，并且能够实际上随着AV移动而与它一起行驶，从而表示AV周围的障碍物。栅格能够通过减少其垂直轴被转换为二维，并且能够被划分成多边形，例如但不限于大小为大约5cm x 5cm。能够将在AV周围的3D空间中出现的障碍物减少成2D形状。如果2D形状与一个多边形的任何段重叠，则多边形能够被赋予100的值，从而指示空间被占据。未填充的任何多边形能够被赋予0的值，并且能够被称为AV能够在其中移动的空闲空间。
随着AV导航，它可能遇到可能需要改变AV配置的情形。本教导的方法用于在一些配置中的配置的实时控制，其中在一些配置中包括底盘、至少四个轮、底盘的与至少四个轮中的至少一个可操作地联接的第一侧、以及底盘的与至少四个轮中的至少一个可操作地联接的相对第二侧，该方法能够包括但不限于包括：接收环境数据；至少基于环境数据来确定表面类型；至少基于表面类型和第一配置来确定模式；至少基于模式和表面类型来确定第二配置；至少基于第二配置来确定移动命令；以及通过使用移动命令来控制设备的配置以将设备从第一配置改变为第二配置。
该方法能够可选地包括至少基于表面类型和模式来填充占据栅格。环境数据能够可选地包括RGB-D图像数据和道路表面的拓扑。配置能够可选地包括至少四个轮的集群的两个对。两个对中的第一对能够被定位在第一侧，而两个对中的第二对能够被定位在第二侧。第一对能够包括第一前轮和第一后轮，而第二对能够包括第二前轮和第二后轮。配置的控制能够可选地包括至少基于环境数据对第一对和第二对的协调供电。配置的控制能够可选地包括从驱动至少四个轮和一对缩回脚轮转变为驱动两个轮，其中集群的第一对和集群的第二对旋转以升高第一前轮和第二前轮。该对脚轮能够与底盘可操作地联接。设备能够搁置在第一后轮、第二后轮和该对脚轮上。配置的控制能够可选地包括至少基于环境数据使与在第一侧的两个动力轮和在第二侧的两个动力轮可操作地联接的一对集群旋转。
本教导的用于AV的配置的实时控制的系统能够包括但不限于包括设备处理器和动力基座处理器。AV能够包括底盘、至少四个轮、底盘的第一侧和底盘的相对第二侧。设备处理器能够接收AV周围的实时环境数据，至少基于环境数据来确定表面类型，至少基于表面类型和第一配置来确定模式，并且至少基于模式和表面类型来确定第二配置。动力基座处理器能够使得AV能够至少基于第二配置移动，并且能够使得AV能够从第一配置改变为第二配置。设备处理器能够可选地包括至少基于表面类型和模式来填充占据栅格。
在导航期间，AV能够遇到可能需要操纵AV以进行成功横越的SDSF。在一些配置中，本教导的方法用于沿着行驶区域中的路径线朝向跨至少一个SDSF的目标点导航AV，包括前边缘和尾边缘的AV能够包括但不限于包括接收行驶区域的SDSF信息和障碍物信息，根据SDSF信息检测至少一条候选SDSF，并且基于至少一个选择准则来从至少一条候选SDSF线中选择SDSF线。该方法能够包括基于在所选SDSF线附近的障碍物信息中找到的至少一个障碍物的至少一个位置来确定所选SDSF线的至少一个可横越部分，通过使AV转动以沿着与可横越部分垂直的线行驶来使以第一速度操作的AV朝向至少一个可横越部分前进，并且基于航向与垂直线的关系不断地校正AV的航向。该方法能够包括通过至少基于航向和AV与可横越部分之间的距离调整AV的第一速度来以第二速度驱动AV。如果与至少一个可横越部分相关联的SDSF相对于行驶路线的表面被抬高，则该方法能够包括通过相对于尾边缘抬高前边缘并且每抬高程度以第三增加的速度驱动AV来横越SDSF，以及以第四速度驱动AV直到AV已清除SDSF为止。
根据SDSF信息检测至少一个候选SDSF能够可选地包括(a)绘制包含AV的位置和目标点的位置的闭合多边形，(b)绘制目标点与AV的位置之间的路径线，(c)根据SDSF信息选择两个SDSF点，这些SDSF点位于多边形内，以及(d)在两个点之间绘制SDSF线。检测至少一个候选SDSF能够包括(e)如果在SDSF线的第一预选距离内存在少于第一预选数目的点，并且如果在选取SDSF点、在它们之间绘制线、而且在SDSF线周围具有少于第一预选数目的点时已存在少于第二预选尝试次数，则重复步骤(c)-(e)。检测至少一个候选SDSF能够包括(f)如果存在第一预选数目的点或更多点，则将曲线拟合到落入SDSF线的第一预选距离内的SDSF点，(g)如果在曲线的第一预选距离内的SDSF点的第一数目超过在SDSF线的第一预选距离内的SDSF点的第二数目，并且如果曲线与路径线相交，而且如果在曲线上的SDSF点之间不存在超过第二预选距离的间隙，则将曲线识别为SDSF线。检测至少一个候选SDSF能够包括(h)如果在曲线的第一预选距离内的点的数目不超过在SDSF线的第一预选距离内的点的数目，或者如果曲线不与路径线相交，或者如果在曲线上的SDSF点之间存在超过第二预选距离的间隙，并且如果SDSF线不保持稳定，而且如果步骤(f)-(h)尚未被尝试超过第二预选尝试次数，则重复步骤(f)-(h)。
闭合多边形能够可选地包括预选宽度，并且该预选宽度能够可选地包括AV的宽度尺寸。选择SDSF点能够可选地包括随机选择。至少一个选择准则能够可选地包括在曲线的第一预选距离内的SDSF点的第一数目超过在SDSF线的第一预选距离内的SDSF点的第二数目，曲线与路径线相交，并且在曲线上的SDSF点之间不存在超过第二预选距离的间隙。
确定所选SDSF的至少一个可横越部分能够可选地包括根据障碍信息选择多个障碍物点。多个障碍物点中的每一个能够包括障碍点与至少一个障碍物相关联的概率。确定至少一个可横越部分能够包括如果概率高于预选百分比，而且多个障碍物点中的任一个位于SDSF线与目标点之间，并且如果多个障碍物点中的任一个离SDSF线小于第三预选距离，则将多个障碍物点投影到SDSF线，从而形成至少一个投影。确定至少一个可横越部分能够可选地包括将至少一个投影中的至少两个相互连接，沿着SDSF线定位已连接的至少两个投影的端点，将已连接的至少两个投影标记为不可横越SDSF部分，并且将在不可横越部分外部的SDSF线标记为至少一个可横越部分。
横越SDSF的至少一个可横越部分能够可选地包括使以第一速度操作的AV朝向可横越部分前进，使AV转动以沿着与可横越部分垂直的线行驶，基于航向与垂直线之间的关系来不断地校正AV的航向，并且通过至少基于航向和AV与可横越部分之间的距离来调整AV的第一速度来以第二速度驱动AV。横越SDSF的至少一个可横越部分能够可选地包括如果SDSF相对于行驶路线的表面被抬高，则通过相对于尾边缘抬高前边缘并且每抬高程度以第三增加的速度驱动AV来横越SDSF，以及以第四速度驱动AV直到AV已清除SDSF为止。
横越SDSF的至少一个可横越部分能够可选地包括(a)如果航向误差相对于与SDSF线垂直的线小于第三预选量，则忽略SDSF信息的更新并且以预选速度驱动AV，(b)如果AV的前部相对于AV的后部的抬高介于第六预选量与第五预选量之间，则向前驱动AV并且每抬高程度将AV的速度增加至第八预选速度，(c)如果前部相对于后部被抬高小于第六预选量，则以第七预选速度向前驱动AV，以及(d)如果后部离SDSF线小于或等于第五预选距离，则重复步骤(a)-(d)。
在一些配置中，SDSF和AV的轮能够被自动地对准以避免系统不稳定。能够通过例如但不限于随着AV接近SDSF而连续地测试并纠正AV的航向来实现自动对准。本教导的SDSF横越特征的另一方面是SDSF横越特征在尝试横越之前自动地确认在SDSF周围存在足够的空闲空间。本教导的SDSF横越特征的又一方面是横越变化几何形状的SDSF是可能的。几何形状能够包括例如但不限于方形和波状外形SDSF。AV相对于SDSF的定向能够确定AV以什么速度和方向进行。SDSF横越特征能够调整AV在SDSF附近的速度。当AV上升SDSF时，能够增加速度以帮助AV横越SDSF。
1.一种自主递送车辆，所述自主递送车辆包括：动力基座，动力基座包括两个动力前轮、两个动力后轮和储能器，动力基座被配置成以命令速率并按命令方向移动以执行至少一个对象的运输；货物平台，货物平台包括多个短距离传感器，货物平台机械地附接到动力基座；货物容器，货物容器具有用于接收至少一个对象的容积，货物容器被安装在货物平台之上；长距离传感器套件，长距离传感器套件包括LIDAR和一个或多个相机，长距离传感器套件被安装在货物容器之上；以及控制器，控制器从长距离传感器套件和多个短距离传感器接收数据，控制器至少基于数据来确定命令速率和命令方向，控制器将命令速率和命令方向提供给动力基座以完成运输。2.根据权利要求1所述的自主递送车辆，其中，来自多个短距离传感器的数据包括动力基座在其上行驶的表面的至少一个特性。3.根据权利要求1所述的自主递送车辆，其中，多个短距离传感器包括至少一个立体相机。4.根据权利要求1所述的自主递送车辆，其中，多个短距离传感器包括至少一个IR投影器、至少一个图像传感器和至少一个RGB传感器。5.根据权利要求1所述的自主递送车辆，其中，多个短距离传感器包括至少一个雷达传感器。6.根据权利要求1所述的自主递送车辆，其中，来自多个短距离传感器的数据包括RGB-D数据。7.根据权利要求1所述的自主递送车辆，其中，控制器基于从多个短距离传感器接收到的RGB-D数据来确定道路表面的几何形状。8.根据权利要求1所述的自主递送车辆，其中，多个短距离传感器检测在AV的4米内的对象，而长距离传感器套件检测离自主递送车辆超过4米的对象。9.根据权利要求1所述的自主递送车辆，其中，多个短距离传感器包括冷却电路。10.根据权利要求1所述的自主递送车辆，其中，多个短距离传感器包括超声传感器。11.根据权利要求2所述的自主递送车辆，其中，控制器包括：可执行代码，可执行代码包括：访问地图，地图由地图处理器形成，地图处理器包括：第一处理器，第一处理器从长距离传感器套件访问点云数据，点云数据表示表面；过滤器，过滤器过滤点云数据；第二处理器，第二处理器从过滤后的点云数据形成可处理部分；第三处理器，第三处理器将可处理部分合并成至少一个多边形；第四处理器，第四处理器在至少一个多边形中定位和标记至少一个大体上不连续的表面特征(SDSF)，如果存在，则定位和标记形成标记的点云数据；第五处理器，第五处理器从标记的点云数据创建图形多边形；以及第六处理器，第六处理器至少基于所述图形多边形来选取从起点到终点的路径，AV沿着路径横越至少一个SDSF。12.根据权利要求11所述的自主递送车辆，其中，过滤器包括：第七处理器，第七处理器执行代码，代码包括：有条件地从点云数据中去除表示瞬态对象的点和表示离群值的点；并且替换经去除的具有预选高度的点。13.根据权利要求11所述的自主递送车辆，其中，第二处理器包括可执行代码，可执行代码包括：将点云数据分段成可处理部分；以及从可处理部分中去除预选高度的点。14.根据权利要求11所述的自主递送车辆，其中，第三处理器包括可执行代码，可执行代码包括：通过分析离群值、体素和法线来减小可处理部分的大小；从减小大小的可处理部分生长区域；根据生长区域确定初始可驾驶表面；对初始可驾驶表面进行分段和网格化；在经分段和网格化的初始可驾驶表面内定位多边形；以及至少基于多边形来设置至少一个可驾驶表面。15.根据权利要求14所述的自主递送车辆，其中，第四处理器包括可执行代码，可执行代码包括：根据SDSF过滤器对初始可驾驶表面的点云数据进行分类，SDSF过滤器包括至少三个类别的点；以及至少基于至少三个类别的点是否相结合地满足至少一个第一预选准则来定位至少一个SDSF点。16.根据权利要求15所述的自主递送车辆，其中，第四处理器包括可执行代码，可执行代码包括：至少基于多个至少一个SDSF点是否相结合地满足至少一个第二预选准则来创建至少一条SDSF轨迹。17.根据权利要求14所述的自主递送车辆，其中，创建图形多边形包括第八处理器，第八处理器包括可执行代码，可执行代码包括：从至少一个可驾驶表面创建至少一个多边形，至少一个多边形包括外部边缘；使外部边缘平滑；基于平滑外部边形成驾驶边距；将至少一条SDSF轨迹添加到至少一个可驾驶表面；以及根据至少一个第三预选准则从至少一个可驾驶表面中去除内部边缘。18.根据权利要求17所述的自主递送车辆，其中，使外边缘平滑包括第九处理器，第九处理器包括可执行代码，可执行代码包括：向外修剪外部边缘从而形成向外边缘。19.根据权利要求18所述的自主递送车辆，其中，形成平滑外部边缘的驾驶边距包括第十处理器，第十处理器包括可执行代码，可执行代码包括：向内修剪向外边缘。20.根据权利要求1所述的自主递送车辆，其中，控制器包括：用于导航由自主递送车辆(AV)遇到的至少一个大体上不连续的表面特征(SDSF)的子系统，AV在表面上驶过路径，表面包括至少一个SDSF，路径包括起点和终点，子系统包括：第一处理器，第一处理器访问路线拓扑，路线拓扑包括包括有过滤后的点云数据的至少一个图形多边形，过滤后的点云数据包括标记的特征，点云数据包括可驾驶边距；第二处理器，第二处理器将点云数据变换到全局坐标系中；第三处理器，第三处理器确定至少一个SDSF的边界，第三处理器在边界周围创建预选大小的SDSF缓冲区；第四处理器，第四处理器至少基于至少一个SDSF横越准则来确定能够横越至少一个SDSF中的哪个；第五处理器，第五处理器至少基于至少一个SDSF横越准则、经变换后的点云数据和路线拓扑来创建边缘/权重图；以及基座控制器，基座控制器至少基于边缘/权重图来选取从起点到终点的路径。21.根据权利要求20所述的自主递送车辆，其中，至少一个SDSF横越准则包括：至少一个的预选宽度和至少一个SDSF的预选平滑度；至少一个SDSF与包括可驾驶表面的AV之间的最小入口距离和最小出口距离；以及容许AV大致90°接近于至少一个SDSF的至少一个SDSF与AV之间的最小入口距离。
22.一种用于管理自主设备的全局占据栅格的方法，全局占据栅格包括全局占据栅格单元，全局占据栅格单元与占据概率相关联，方法包括：从与自主设备相关联的传感器接收传感器数据；至少基于传感器数据来创建局部占据栅格，局部占据栅格具有局部占据栅格单元；如果自主设备已从第一区域移动到第二区域，则访问与第二区域相关联的历史数据；至少基于历史数据来创建静态栅格；移动全局占据栅格以使自主设备维持在全局占据栅格的中心位置中；基于静态栅格更新经移动的全局占据栅格；如果全局占据栅格单元中的至少一个与自主设备的位置一致，则将全局占据栅格单元中的至少一个标记为未占据；对于局部占据栅格单元中的每一个，计算局部占据栅格单元在全局占据栅格上的位置；从位置处的全局占据栅格单元访问第一占据概率；从位置处的局部占据栅格单元访问第二占据概率；以及至少基于第一占据概率和第二占据概率来计算全局占据栅格上的位置处的新占据概率。23.根据权利要求22所述的方法，方法进一步包括：范围检查新占据概率。24.根据权利要求23所述的方法，其中，范围检查包括：如果新占据概率<0，则将新占据概率设置为0；以及如果新占据概率>1，则将新占据概率设置为1。25.根据权利要求22所述的方法，方法进一步包括：将全局占据栅格单元设置为新占据概率。26.根据权利要求23所述的方法，方法进一步包括：将全局占据栅格单元设置为经范围检查的新占据概率。
27.一种用于创建并管理占据栅格的方法，方法包括：由局部占据栅格创建节点将传感器测量结果变换为与设备相关联的参考系；创建带时间戳的测量结果占据栅格；将带时间戳的测量结果占据栅格发布为局部占据栅格；创建多个局部占据栅格；基于储存库中的表面特性来创建静态占据栅格，表面特性与设备的位置相关联；移动与设备的位置相关联的全局占据栅格以使设备和局部占据栅格维持相对于全局占据栅格大致居中；将来自静态占据栅格的信息添加到全局占据栅格；将由设备当前占据的全局占据栅格中的区域标记为未占据；对于每个局部占据栅格中的至少一个单元中的每一个，确定至少一个单元在全局占据栅格中的位置；访问位置处的第一值；基于第一值与局部占据栅格中的至少一个单元处的单元值之间的关系确定位置处的第二值；对照预选概率范围来比较第二值；以及如果概率值在预选概率范围内，则用新值设置全局占据栅格。28.根据权利要求27所述的方法，方法进一步包括：发布全局占据栅格。29.根据权利要求27所述的方法，其中，表面特性包括表面类型和表面不连续。30.根据权利要求27所述的方法，其中，关系包括求和。31.一种用于创建并管理占据栅格的系统，系统包括：多个局部栅格创建节点，多个局部栅格创建节点创建至少一个局部占据栅格，至少一个局部占据栅格与设备的位置相关联，至少一个局部占据栅格包括至少一个单元；全局占据栅格管理器，全局占据栅格管理器访问至少一个局部占据栅格，全局占据栅格管理器基于储存库中的表面特性创建静态占据栅格，表面特性与设备的位置相关联，移动与设备的位置相关联的全局占据栅格以使设备和至少一个局部占据栅格维持相对于全局占据栅格大致居中；将来自静态占据栅格的信息添加到至少一个全局占据栅格；将由设备当前占据的全局占据栅格中的区域标记为未占据；对于每个局部占据栅格中的至少一个单元中的每一个，确定至少一个单元在全局占据栅格中的位置；访问位置处的第一值；基于第一值与局部占据栅格中的至少一个单元处的单元值之间的关系来确定位置处的第二值；对照预选概率范围来比较第二值；以及如果概率值在预选概率范围内则用新值设置全局占据栅格。
32.一种用于更新全局占据栅格的方法，方法包括：如果自主设备已移动到新位置，则用来自与新位置相关联的静态栅格的信息更新全局占据栅格；分析新位置处的表面；如果表面是可驾驶的，则更新表面并且用更新的表面更新全局占据栅格；以及用来自静态值的储存库的值更新全局占据栅格，静态值与新位置相关联。33.根据权利要求32所述的方法，其中，更新表面包括：访问与新位置相关联的局部占据栅格；对于局部占据栅格中的每个单元，访问局部占据栅格表面分类置信度值和局部占据栅格表面分类；如果局部占据栅格表面分类与单元中的全局占据栅格中的全局表面分类相同，则将全局占据栅格中的全局表面分类置信度值加到局部占据栅格表面分类置信度值以形成和，并且用和更新单元处的全局占据栅格；如果局部占据栅格表面分类与单元中的全局占据栅格中的全局表面分类不相同，则从全局占据栅格中的全局表面分类置信度值中减去局部占据栅格表面分类置信度值以形成差，并且用差更新全局占据栅格；如果差小于零，则用局部占据栅格表面分类更新全局占据栅格。34.根据权利要求32所述的方法，其中，用来自静态值的储存库的值更新全局占据栅格包括：对于局部占据栅格中的每个单元，从局部占据栅格访问单元为被占据值的局部占据栅格概率，对数几率值；用单元处的局部占据栅格对数几率值更新全局占据栅格中的对数几率值；如果满足单元未被占据的预选确定性，并且如果自主设备正在车道栅栏内行驶，并且如果局部占据栅格表面分类指示可驾驶表面，则减小单元在局部占据栅格中被占据的对数几率；如果自主设备预期遇到相对均匀的表面，并且如果局部占据栅格表面分类指示相对不均匀的表面，则增加局部占据栅格中的对数几率；以及如果自主设备预期遇到相对均匀的表面，并且如果局部占据栅格表面分类指示相对均匀的表面，则减小局部占据栅格中的对数几率。
35.一种用于设备的配置的实时控制的方法，设备包括底盘、至少四个轮、底盘的与至少四个轮中的至少一个可操作地联接的第一侧、以及底盘的与至少四个轮中的至少一个可操作地联接的相对第二侧，方法包括：至少基于在先表面特征和占据栅格来创建地图，地图被非实时地创建，地图包括至少一个位置，至少一个位置与至少一个表面特征相关联，至少一个表面特征与至少一种表面分类和至少一种模式相关联；随着设备行驶而确定当前表面特征；用当前表面特征实时地更新占据栅格；从占据栅格和地图确定设备能够行驶以横越至少一个表面特征的路径。
36.一种用于设备的配置的实时控制的方法，设备包括底盘、至少四个轮、底盘的与至少四个轮中的至少一个可操作地联接的第一侧、以及底盘的与至少四个车轮中的至少一个可操作地联接的相对第二侧，方法包括：接收环境数据；至少基于环境数据来确定表面类型；至少基于表面类型和第一配置来确定模式；至少基于模式和表面类型来确定第二配置；至少基于第二配置来确定移动命令；以及通过使用移动命令来控制设备的配置以将设备从第一配置改变为第二配置。37.根据权利要求36所述的方法，其中，环境数据包括RGB-D图像数据。38.根据权利要求36所述的方法，方法进一步包括：至少基于表面类型和模式填充占据栅格；以及至少基于占据栅格确定移动命令。39.根据权利要求38所述的方法，其中，所述占据栅格包括至少基于来自至少一个图像传感器的数据的信息。40.根据权利要求36所述的方法，其中，环境数据包括道路表面的拓扑。41.根据权利要求36所述的方法，其中，配置包括至少四个轮的集群的两个对，两个对中的第一对被定位在第一侧，两个对中的第二对被定位在第二侧，第一对包括第一前轮和第一后轮，而第二对包括第二前轮和第二后轮。42.根据权利要求41所述的方法，其中，配置的控制包括：至少基于环境数据对第一对和第二对的协调供电。43.根据权利要求41所述的方法，其中，配置的控制包括：从驱动至少四个轮和一对缩回脚轮转变为驱动两个轮，一对脚轮可操作地联接到底盘，其中集群的第一对和集群的第二对旋转以升高第一前轮和所述第二前轮，设备搁置在第一后轮、第二后轮和一对脚轮上。44.根据权利要求41所述的方法，其中，配置的控制包括：至少基于环境数据使与在第一侧的第一两个动力轮和在第二侧的第二两个动力轮可操作地联接的一对集群旋转。45.根据权利要求36所述的方法，其中，设备还包括货物容器，货物容器被安装在底盘上，底盘控制货物容器的高度。46.根据权利要求45所述的方法，其中，货物容器的高度至少基于环境数据。
47.一种用于设备的配置的实时控制的系统，设备包括底盘、至少四个轮、底盘的第一侧和底盘的相对第二侧，系统包括：设备处理器，设备处理器接收设备周围的实时环境数据，设备处理器至少基于环境数据来确定表面类型，设备处理器至少基于表面类型和第一配置来确定模式，设备处理器至少基于模式和表面类型来确定第二配置；以及动力基座处理器，动力基座处理器至少基于第二配置来确定移动命令，动力基座处理器通过使用移动命令来控制设备的配置以将设备从第一配置改变为第二配置。48.根据权利要求47所述的系统，其中，环境数据包括RGB-D图像数据。49.根据权利要求47所述的系统，其中，设备处理器包括至少基于表面类型和模式填充占据栅格。50.根据权利要求49所述的系统，其中，动力基座处理器包括至少基于占据栅格来确定移动命令。51.根据权利要求49所述的系统，其中，占据栅格包括至少基于来自至少一个图像传感器的数据的信息。52.根据权利要求47所述的系统，其中，环境数据包括道路表面的拓扑。53.根据权利要求47所述的系统，其中，配置包括至少四个轮的集群的两个对，两个对中的第一对被定位在第一侧，两个对中的第二对被定位在第二侧，第一对具有第一前轮和第一后轮，而第二对具有第二前轮和第二后轮。54.根据权利要求53所述的系统，其中，配置的控制包括：至少基于环境数据对第一对和第二对的协调供电。55.根据权利要求53所述的系统，其中，配置的控制包括：从驱动至少四个轮和一对缩回脚轮转变为驱动两个轮，一对脚轮可操作地联接到底盘，其中集群的第一对和集群的第二对旋转以升高第一前轮和第二前轮，设备搁置在第一后轮、第二后轮和一对脚轮上。
56.一种用于维持全局占据栅格的方法，方法包括：定位自主设备的第一位置；当自主设备移动到第二位置时，第二位置与全局占据栅格和局部占据栅格相关联，用与第一位置相关联的至少一个占据概率值更新全局占据栅格；用与局部占据栅格相关联的至少一个可驾驶表面更新全局占据栅格；用与至少一个可驾驶表面相关联的表面置信度更新全局占据栅格；使用第一贝叶斯函数来用至少一个占据概率值的对数几率更新全局占据栅格；并且至少基于与第二位置相关联的特性调整对数几率；以及当自主设备保持在第一位置中并且全局占据栅格和局部占据栅格协同定位时，用与局部占据栅格相关联的至少一个可驾驶表面更新全局占据栅格；用与至少一个可驾驶表面相关联的表面置信度更新全局占据栅格；使用第二贝叶斯函数来用至少一个占据概率值的对数几率更新全局占据栅格；并且至少基于与第二位置相关联的特性来调整对数几率。57.根据权利要求35所述的方法，其中，创建地图包括：访问表示表面的点云数据；过滤点云数据；将经过滤后的点云数据形成为可处理部分；将可处理部分合并成至少一个凹多边形；在至少一个凹多边形中定位和标记至少一个SDSF，定位和标记形成标记的点云数据；至少基于至少一个凹多边形创建图形多边形；以及至少基于图形多边形选取从起点到终点的路径，AV沿着路径横越至少一个SDSF。58.根据权利要求57所述的方法，其中，过滤点云数据包括：有条件地从点云数据中去除表示瞬态对象的点和表示离群值的点；并且替换经去除的具有预选高度的点。59.根据权利要求57所述的方法，其中，形成处理部分包括：将点云数据分段成可处理部分；以及从可处理部分中去除预选高度的点。60.根据权利要求57所述的方法，其中，合并可处理部分包括：通过分析离群值、体素和法线来减小可处理部分的大小；从减小大小的可处理部分生长区域；根据生长区域确定初始可驾驶表面；对初始可驾驶表面进行分段和网格化；在经分段和网格化的初始可驾驶表面内定位多边形；以及至少基于多边形设置至少一个可驾驶表面。61.根据权利要求60所述的方法，其中，定位和标记至少一个SDSF包括：根据SDSF过滤器对初始可驾驶表面的点云数据进行分类，SDSF过滤器包括至少三个类别的点；以及至少基于至少三个类别的点是否相结合地满足至少一个第一预选准则来定位至少一个SDSF点。62.根据权利要求61所述的方法，方法进一步包括：至少基于多个至少一个SDSF点是否相结合地满足至少一个第二预选准则来创建至少一条SDSF轨迹。63.根据权利要求62所述的方法，其中，创建图形多边形进一步包括：从至少一个可驾驶表面创建至少一个多边形，至少一个多边形包括外部边；使外部边平滑；基于平滑外部边形成驾驶边距；将至少一条SDSF轨迹添加到至少一个可驾驶表面；以及根据至少一个第三预选准则从至少一个可驾驶表面中去除内部边缘。64.根据权利要求63所述的方法，其中，外部边缘的平滑包括：向外修剪外部边缘从而形成向外边缘。65.根据权利要求63所述的方法，其中，形成平滑外部边的驾驶边距包括：向内修剪向外边缘。
66.一种自主递送车辆，自主递送车辆包括：动力基座，动力基座包括两个动力前轮、两个动力后轮和储能器，动力基座被配置成以命令速率移动；货物平台，货物平台包括多个短距离传感器，货物平台机械地附接到动力基座；货物容器，货物容器具有用于接收一个或多个待递送对象的容积，货物容器被安装在货物平台之上；长距离传感器套件，长距离传感器套件包括LIDAR和一个或多个相机，长距离传感器套件被安装在货物容器之上；以及控制器，控制器从长距离传感器套件和多个短距离传感器接收数据。67.根据权利要求66所述的自主递送车辆，其中，多个短距离传感器检测可驾驶表面的至少一个特性。68.根据权利要求66所述的自主递送车辆，其中，多个短距离传感器是立体相机。69.根据权利要求66所述的自主递送车辆，其中，多个短距离传感器包括IR投影器、两个图像传感器和RGB传感器。70.根据权利要求66所述的自主递送车辆，其中，多个短距离传感器是雷达传感器。71.根据权利要求66所述的自主递送车辆，其中，短距离传感器向控制器供应RGB-D数据。72.根据权利要求66所述的自主递送车辆，其中，控制器基于从多个短距离传感器接收到的RGB-D数据确定道路表面的几何形状。73.根据权利要求66所述的自主递送车辆，其中，多个短距离传感器检测在自主递送车辆的4米内的对象，而长距离传感器套件检测离自主递送车辆超过4米的对象。
74.一种自主递送车辆，自主递送车辆包括：动力基座，动力基座包括至少两个动力后轮、脚轮前轮和储能器，动力基座被配置成以命令速率移动；货物平台，货物平台包括多个短距离传感器，货物平台机械地附接到动力基座；货物容器，货物容器具有用于接收一个或多个待递送对象的容积，货物容器被安装在货物平台之上；长距离传感器套件，长距离传感器套件包括LIDAR和一个或多个相机，长距离传感器套件被安装在货物容器之上；以及控制器，控制器从长距离传感器套件和多个短距离传感器接收数据。75.根据权利要求74所述的自主递送车辆，其中，多个短距离传感器检测可驾驶表面的至少一个特性。76.根据权利要求74所述的自主递送车辆，其中，多个短距离传感器是立体相机。77.根据权利要求74所述的自主递送车辆，其中，多个短距离传感器包括IR投影器、两个图像传感器和RGB传感器。78.根据权利要求74所述的自主递送车辆，其中，多个短距离传感器是雷达传感器。79.根据权利要求74所述的自主递送车辆，其中，短距离传感器向控制器供应RGB-D数据。80.根据权利要求74所述的自主递送车辆，其中，控制器基于从多个短距离传感器接收到的RGB-D数据确定道路表面的几何形状。81.根据权利要求74所述的自主递送车辆，其中，多个短距离传感器检测在自主递送车辆的4米内的对象，而长距离传感器套件检测离自主递送车辆超过4米的对象。82.根据权利要求74所述的自主递送车辆，还包括可以在脚轮被升离地面的同时接合地面的第二组动力轮。
83.一种自主递送车辆，自主递送车辆包括：动力基座，动力基座包括至少两个动力后轮、脚轮前轮和储能器，动力基座被配置成以命令速率移动；货物平台，货物平台机械地附接到动力基座；以及安装到货物平台的短距离相机组件，短距离相机组件检测可驾驶表面的至少一个特性，短距离相机组件包括：相机；第一灯；以及第一液冷热沉，其中，第一液冷热沉使第一灯和相机冷却。84.根据权利要求83所述的自主递送车辆，其中，短距离相机组件还包括介于相机与液冷热沉之间的热电冷却器。85.根据权利要求83所述的自主递送车辆，其中，第一灯和相机被凹进在具有开口的盖中，开口使来自第一灯的光照远离相机偏转。86.根据权利要求83所述的自主递送车辆，其中，灯向下斜置为至少15°并且在盖中凹进至少4mm以将使行人分心的光照最小化。87.根据权利要求83所述的自主递送车辆，其中，相机具有视场并且第一灯包括具有透镜的两个LED以产生两束光，两束光散布以照亮相机的视场。88.根据权利要求87所述的自主递送车辆，其中，灯斜置相隔大致50°并且透镜产生60°光束。89.根据权利要求83所述的自主递送车辆，其中，短距离相机组件包括安装在相机上方的超声传感器。90.根据权利要求83所述的自主递送车辆，其中，短距离相机组件被安装在货物平台的前面上的中心位置中。91.根据权利要求83所述的自主递送车辆，还包括安装在货物平台的正面的至少一个拐角上的至少一个拐角相机组件，至少一个拐角相机组件包括：超声传感器；拐角相机；第二灯；以及第二液冷热沉，其中，第二液冷热沉使第二灯和拐角相机冷却。92.根据权利要求22所述的方法，其中，历史数据包括表面数据。93.根据权利要求22所述的方法，其中，历史数据包括不连续数据。
附图说明
通过参考随附图进行的以下描述，将更容易地理解本教导，在附图中：
图1-1是本教导的系统的主要部件的示意框图；
图1-2是本教导的地图处理器的主要部件的示意框图；
图1-3是本教导的感知处理器的主要部件的示意框图；
图1-4是本教导的自主处理器的主要部件的示意框图；
图1A是本教导的用于为AV准备行驶路径的系统的示意框图；
图1B是并入本教导的系统的设备的示例性配置的直观图；
图1C是示出一些长距离传感器和短距离传感器的视场的自动递送车辆的侧视图。
图1D是本教导的地图处理器的示意框图；
图1E是本教导的地图处理器的流程的第一部分的直观图；
图1F是本教导的经分段后的点云的图像；
图1G是本教导的地图处理器的第二部分的直观图；
图1H是本教导的可驾驶表面检测结果的图像；
图1I是本教导的SDSF查找器的流程的直观图；
图1J是本教导的SDSF类别的直观图；
图1K是由本教导的系统识别的SDSF的图像；
图1L和图1M是本教导的多边形处理的直观图；
图1N是由本教导的系统识别的多边形和SDSF的图像；
图2A是本教导的自主车辆的等距视图；
图2B是示出所选长距离传感器的视场的货物容器的顶视图；
图2C-2F是长距离传感器组件的视图；
图2G是示出所选短距离传感器的视场的货物容器的顶视图；
图2H是本教导的货物平台的等距视图；
图2I-2L是短距离传感器的等距视图；
图2M-2N是本教导的自主车辆的等距视图；
图2O-2P是本教导的去除了外皮面板的自主车辆的等距视图；
图2Q是本教导的去除了顶部面板的部分的自主车辆的等距视图；
图2R-2V是本教导的自主车辆上的长距离传感器的视图；
图2W-2Z是超声传感器的视图；
图2AA-2BB是中心短距离相机组件的视图；
图2CC-2DD是拐角短距离相机组件的视图；
图2EE-2HH是中心短距离相机组件的各种视图；
图3A是本教导的一种配置的系统的示意框图；
图3B是本教导的另一配置的系统的示意框图；
图3C是本教导的能够最初创建全局占据栅格的系统的示意框图；
图3D是本教导的静态栅格的直观表示；
图3E和图3F是本教导的占据栅格的创建的直观表示；
图3G是本教导的在先占据栅格的直观表示；
图3H是更新本教导的全局占据栅格的直观表示；
图3I是本教导的用于发布全局占据栅格的方法的流程图；
图3J是本教导的用于更新全局占据栅格的方法的流程图；
图3K-3M是本教导的用于更新全局占据栅格的另一方法的流程图。
图4A是本教导的处于各种模式下的设备的透视直观图；
图4B是本教导的系统的示意框图；
图4C是本教导的驾驶表面处理器部件的示意框图；
图4D是本教导的过程的示意框图/直观流程图；
图4E和图4F分别是本教导的设备在标准模式下的配置的透视图和侧视图；
图4G和图4H分别是本教导的设备在4轮模式下的配置的透视图和侧视图；
图4I和图4J分别是本教导的设备在升起4轮模式下的配置的透视图和侧视图；
图4K是本教导的方法的流程图；
图5A是本教导的设备控制器的示意框图；
图5B是本教导的SDSF处理器的示意框图；
图5C是由本教导的系统识别的SDSF接近的图像；
图5D是由本教导的系统创建的路线拓扑的图像；
图5E是本教导的模式的示意框图。
图5F-5J是本教导的用于横越SDSF的方法的流程图；
图5K是本教导的用于横越SDSF的系统的示意框图；
图5L-5N是图5F-5H的方法的直观表示；以及
图5O是将图像转换为多边形的直观表示。
具体实施方式
本教导的系统和方法能够使用车载传感器和先前开发的地图来开发占据栅格并且使用这些辅助手段来跨表面特征导航AV，其包括基于表面类型和先前来重新配置AV。
现在参考图1-1，AV系统100能够包括这样的结构，在该结构上能够安装传感器10701，并且设备控制器10111能够在该结构内执行。该结构能够包括动力基座10112，该动力基座10112能够引导作为该结构的部分的轮的移动并且能够实现AV的移动。设备控制器10111能够在位于AV上的至少一个处理器上执行，并且能够从能够但不限于位于AV上的传感器10701接收数据。设备控制器10111能够向基座控制器10114提供速度、方向和配置信度息，该基座控制器10114能够向动力基座10112提供移动命令。设备控制器10111能够从地图处理器10104接收地图信息，该地图处理器10104能够准备AV周围的区域的地图。设备控制器10111能够包括但不限于包括传感器处理器10703，该传感器处理器10703能够接收并处理来自传感器10701(包括AV上传感器)的输入。在一些配置中，设备控制器10111能够包括感知处理器2143、自主处理器2145和驱动器处理器2127。感知处理器2143能够例如但不限于定位静态和动态障碍物，确定交通灯状态，创建占据栅格，并且对表面进行分类。自主处理器2145能够例如但不限于确定AV的最大速度并且确定AV正在例如道路上、在人行道上、在十字路口和/或在远程控制下导航的情形的类型。驱动器处理器2127能够例如但不限于根据自主处理器2145的方向来创建命令并且将它们发送到基座控制器10114。
现在参考图1-2，地图处理器10104能够创建表面特征的地图并且能够通过设备控制器10111将该地图提供给能够更新占据栅格的感知处理器2143。地图处理器10104除许多其他方面之外还能够包括特征提取器10801、点云组织器10803、瞬态处理器10805、分段器10807、多边形生成器10809、SDSF线生成器10811和组合器10813。特征提取器10801能够包括访问表示表面的点云数据的第一处理器。点云组织器10803能够包括从经过滤后的点云数据形成可处理部分的第二处理器。瞬态处理器10805能够包括过滤点云数据的第一过滤器。分段器10807能够包括可执行代码，该可执行代码能够包括但不限于包括将点云数据分段成可处理部分，并且从可处理部分中去除预选高度的点。第一过滤器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括有条件地从点云数据中去除表示瞬态对象的点和表示离群值的点，并且替换经去除的具有预选高度的点。多边形生成器10809能够包括将可处理部分合并成至少一个凹多边形的第三处理器。第三处理器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括通过分析离群值、体素和法线来减小可处理部分的大小，从减小大小的可处理部分生长区域，根据生长区域确定初始可驾驶表面，对初始可驾驶表面进行分段和网格化，在经分段和网格化的初始可驾驶表面内定位多边形，并且至少基于多边形来设置可驾驶表面。SDSF线生成器10811能够包括在至少一个凹多边形中定位和标记至少一个SDSF的第四处理器，定位和标记形成标记的点云数据。第四处理器能够可选地包括可执行代码，该可执行代码能够包括但不限于包括根据SDSF过滤器对可驾驶表面的点云数据进行分类，该SDSF过滤器包括至少三个类别的点，并且至少基于所述类别的点是否相结合地满足至少一个第一预选准则来定位至少一个SDSF点。组合器10813能够包括创建图形多边形的第五处理器。创建图形多边形能够可选地包括可执行代码，该可执行代码能够包括但不限于包括：从至少一个可驾驶表面创建至少一个多边形，该至少一个多边形包括边；使边缘平滑；基于平滑边缘形成驾驶边距；将至少一条SDSF轨迹添加到至少一个可驾驶表面；以及根据至少一个第三预选准则从至少一个可驾驶表面中去除边缘。使边缘平滑能够可选地包括可执行代码，该可执行代码能够包括但不限于包括向外修剪边缘。形成平滑边缘的驾驶边距能够可选地包括可执行代码，该可执行代码能够包括但不限于包括向内修剪向外边缘。
现在参考图1-3，能够将地图提供给AV，该AV能够包括车载传感器、动力轮、用于接收传感器和地图数据并且使用那些数据来动力配置AV以尤其随着AV例如递送商品而横越各种表面的处理器。车载传感器能够提供能够填充占据栅格的数据并且能够用于检测动态障碍物。占据栅格也能够由地图填充。设备控制器10111能够包括感知处理器2143，该感知处理器2143能够接收并处理传感器数据和地图数据，并且能够用那些数据更新占据栅格。
现在参考图1-4，设备控制器10111能够包括配置处理器41023，该配置处理器41023能够至少基于AV的模式和遇到的表面特征自动地确定AV的配置。自主处理器2145能够包括控制处理器40325，该控制处理器40325能够至少基于地图(要遵循的规划路线)、来自配置处理器41023的信息和AV的模式来确定需要横越什么样的表面以及AV需要采用什么配置来横越表面。自主处理器2145能够向电机驱动处理器40326供应命令以执行命令。
现在参考图1A，地图处理器10104能够使得设备例如但不限于AV或半自主设备能够在能够包括诸如SDSF的特征的环境中导航。地图中的特征能够连同车载传感器一起使得AV能够在各种表面上行驶。特别地，能够准确地识别和标记SDSF，使得AV能够在SDSF进出期间自动地维持AV的性能，并且能够控制AV速度、配置和方向以进行安全的SDSF横越。
继续参考图1A，在一些配置中，用于管理SDSF的横越的系统100能够包括AV10101、核心云基础设施10103、AV服务10105、设备控制器10111、传感器10701和动力基座10112。AV 10101能够遵循如通过传入传感器信息所修改的动态地确定的路径提供例如但不限于从原点到目的地的运输和护送服务。AV 10101能够包括但不限于包括具有自主模式的设备、能够完全自主地操作的设备、能够被至少部分地远程操作的设备、以及能够包括那些特征的组合的设备。运输设备服务10105能够向设备控制器10111提供包括特征的可驾驶表面信息。设备控制器10111能够至少根据例如但不限于传入传感器信息和特征横越要求来修改可驾驶表面信息，并且能够基于经修改后的可驾驶表面信息为AV 10101选取路径。设备控制器10111能够向动力基座10112提供命令，这些命令能够指示动力基座10112向轮电机和集群电机提供速度、方向和配置命令，这些命令使AV 10101遵循所选取的路径，并且相应地升起并降低其货物。运输设备服务10105能够从核心云基础设施10103访问路线相关信息，该核心云基础设施10103能够包括但不限于包括存储和内容分发设施。在一些配置中，核心云基础设施10103能够包括诸如例如但不限于AMAZON WEB
Figure BDA0003510881010000311
GOOGLECLOUDTM和ORACLE
Figure BDA0003510881010000312
的商业产品。
现在参考图1B，能够包括能够从本教导的地图处理器10104(图1A)接收信息的设备控制器10111(图1A)的示例性AV能够包括动力基座组件，诸如例如但不限于在例如但不限于于2018年7月13日提交的标题为Mobility Device的美国专利申请号16/035,205或于2001年8月15日提交的标题为Control System and Method的美国专利号6,571,892中充分地描述的动力基座，这两个专利通过引用整体地并入本文。示例性动力基座组件不是为了限制本教导而是为了澄清可能在实现本教导的技术时有用的任何动力基座组件的特征而在本文中描述的。示例性动力基座组件能够可选地包括动力基座10112、轮集群组件11100和有效载荷载体高度组件10068。示例性动力基座组件能够可选地向驱动轮11203和能够升起并降低轮11203的集群11100提供电力和机械动力。动力基座10112能够控制集群组件11100的旋转和有效载荷载体高度组件10068的抬高以支持本教导的大体上不连续的表面横越。其他此类设备能够被用于容许本教导的SDSF检测和横越。
再次参考图1A，在一些配置中，在示例性动力基座内部的传感器能够检测AV10101的定向和定向变化率，电机能够启用伺服操作，并且控制器能够融入来自内部传感器和电机的信息。能够计算适当的电机命令以实现运输机性能并且实现路径跟随命令。左右轮电机能够驱动在AV 10101的任何一侧的轮。在一些配置中，能够联接前后轮以一起驱动，使得两个左轮能够一起驱动并且两个右轮能够一起驱动。在一些配置中，能够通过以不同速率驱动左右电机来实现转动，并且集群电机能够使轴距在前/后方向上旋转。这能够允许AV 10101在前轮变得高于或低于后轮时保持水平。此特征在例如但不限于爬上爬下SDSF时可以是有用的。能够至少基于下伏地形自动地升起和降低有效载荷载体10173。
继续参考图1A，在一些配置中，点云数据能够包括AV 10101将在其中行驶的区域的路线信息。能够时间标记可能由与AV 10101类似或相同的绘图设备收集的点云数据。能够将绘图设备行驶所沿着的路径称为绘图轨迹。本文描述的点云数据处理能够随着绘图设备横越绘制轨迹而发生，或者在点云数据收集完成之后稍后发生。在点云数据被收集之后，它们能够经受点云数据处理，该点云数据处理能够包括如本文所描述的初始过滤和点减少、点云分段和特征检测。在一些配置中，核心云基础设施10103能够为所收集的点云数据提供长期或短期存储，并且能够将数据提供给AV服务10105。AV服务10105能够在可能的点云数据集当中选择以查找覆盖AV 10101周围的期望起点和AV 10101的期望目的地的地形的数据集。AV服务10105能够包括但不限于包括地图处理器10104，该地图处理器10104能够减小点云数据的大小并且确定点云数据中表示的特征。在一些配置中，地图处理器10104能够根据点云数据确定SDSF的位置。在一些配置中，作为用于对点云数据进行分段并且最终设置可驾驶表面的技术，能够从点云数据创建多边形。在一些配置中，SDSF查找和可驾驶表面确定能够并行进行。在一些配置中，SDSF查找和可驾驶表面确定能够顺序地进行。
现在参考图1C，在一些配置中，AV能够被配置成递送货物和/或执行涉及自主地导航到期望位置的其他功能。在一些应用中，可以远程引导AV。在一些配置中，AV 20100包括货物容器，该货物容器能够被响应于用户输入、自动地或手动地远程打开以允许用户放置或去除包裹和其他物品。货物容器20110被安装在货物平台20160上，该货物平台20160机械地连接到动力基座20170。动力基座20170包括四个动力轮20174和两个脚轮20176。动力基座提供速度和方向控制以沿着地面并且越过包括路缘和其他不连续的表面特征的障碍物移动货物容器20110。
继续参考图1C，货物平台20160通过两个U形框架20162连接到动力基座20170。每个U形框架20162刚性地附接到货物平台20160的结构并且包括两个孔，这两个孔允许可旋转接头20164与每个臂20172的端部一起形成在动力基座20170上。动力基座控制臂的旋转位置，从而控制货物容器20110的高度和姿态。
继续参考图1C，在一些配置中，AV 20100包括一个或多个处理器以接收数据，导航路径并且选择动力基座20170的方向和速度。
现在参考图1D，在一些配置中，本教导的地图处理器10104能够在地图上定位SDSF。地图处理器10104能够包括但不限于包括特征提取器10801、点云组织器10803、瞬态处理器10805、分段器10807、多边形生成器10809、SDSF线生成器10811和数据组合器10813。
继续参考图1D，特征提取器10801(图1-2)能够包括但不限于包括点云数据10131和绘制轨迹10133的视线过滤10121。视线过滤能够去除从收集点云数据并形成绘制轨迹的传感器直接视线中隐藏的点。点云组织器10803(图1-2)能够根据可能与特定特征相关联的预选准则来组织10151减少的点云数据10132。在一些配置中，瞬态处理器10805(图1-2)能够通过任何数目的方法(包括本文描述的方法)从组织后的点云数据和绘制轨迹10133中去除10153瞬态点。瞬态点能够使处理复杂化，特别是在特定特征静态的情况下。分段器10807(图1-2)能够将处理后的点云数据10135拆分成可处理组块。在一些配置中，能够将处理后的点云数据10135分段10155成具有预选最小数目的点例如但不限于约100,000个点的部分。在一些配置中，进一步点减少能够基于可能与要提取的特征相关的预选准则。例如，如果高于某个高度的点对定位特征而言不重要，则可能从点云数据中删除那些点。在一些配置中，收集点云数据的传感器中的至少一个的高度可能被认为是原点，并且当例如唯一感兴趣点与表面相关联时，可能从点云数据中删除高于原点的点。在过滤后的点云数据10135已被分段从而形成分段10137之后，能够将剩余点划分成可驾驶表面部分并且能够定位表面特征。在一些配置中，多边形生成器10809(图1-2)能够通过例如但不限于如本文所描述的那样生成10161多边形10139来定位可驾驶表面。在一些配置中，SDSF线生成器10811(图1-2)能够通过例如但不限于如本文所描述的那样生成10163SDSF线10141来定位表面特征。在一些配置中，组合器10813(图1-2)能够通过组合10165多边形10139和SDSF 10141来创建数据集，该数据集能够被进一步处理以生成AV 10101(图1A)能够行驶的实际路径。
现在主要参考图1E，从点云数据10131(图1D)中消除10153(图1D)相对于绘制轨迹10133瞬态的对象，诸如示例性带时间戳的点10751，能够包括投射从绘制轨迹10133上带时间戳的点到点云数据10131(图1D)内具有大体上相同的时间戳的每个带时间戳的点的射线10753。如果射线10753与绘制轨迹10133上的带时间戳的点与射线10753的终点之间的点(例如，点D 10755)相交，则能够假定相交点D10755在相机的不同扫描期间已进入点云数据。相交点，例如相交点D 10755，能够被假定为是瞬态对象的一部分并且能够被从减少的点云数据10132(图1D)中去除，因为它不表示诸如SDSF的固定特征。结果是没有例如但不限于瞬态对象的处理后的点云数据10135(图1D)。能够将已作为瞬态对象的部分被去除但是还大体上处于地平面的点返回10754给处理后的点云数据10135(图1D)。瞬态对象不能包括诸如例如但不限于SDSF 10141(图1D)的某些特征，并且因此在SDSF10141(图1D)是正被检测的特征时，能够在不干扰点云数据10131(图1D)完整性的情况下被去除。
继续参考图1E，对处理后的点云数据10135(图1D)进行分段10155(图1D)能够产生具有预选大小和形状的部分10757，例如但不限于具有最小预选边长度并且包括约100,000个点的矩形10154(图1F)。从每个部分10757中，能够去除10157(图1D)特定任务不需要的点，例如但不限于位于预选水平上方的点，以减小数据集大小。在一些配置中，预选水平可以是AV 10101(图1A)的高度。去除这些点能够导致数据集的更高效地处理。
再次主要参考图1D，地图处理器10104能够向设备控制器10111供应至少一个数据集，该至少一个数据集能够用于产生方向、速度和配置命令以控制AV 10101(图1A)。该至少一个数据集能够包括能够被连接到数据集中的其他点的点，其中连接数据集中的点的每一条线横越可驾驶表面。为了确定此类路线点，能够将分段后的点云数据10137划分成多边形10139，并且多边形10139的顶点可能成为路线点。多边形10139能够包括诸如例如SDSF10141的特征。
继续参考图1D，在一些配置中，创建处理后的点云数据10135能够包括过滤体素。为了减小将经受进一步处理的点的数目，在一些配置中，能够使用数据集中的每个体素的质心来近似体素中的点，并且能够从点云数据中消除除质心外的所有点。在一些配置中，体素的中心能够用于近似体素中的点。能够使用用于减小过滤后的段10251(图1G)的大小的其他方法，诸如例如但不限于取随机点子样本，使得能够从过滤后的段10251(图1G)中消除随机均匀地选择的固定数目的点。
继续再进一步参考图1D，在一些配置中，创建处理后的点云数据10135能够包括根据已从中去除了离群值且已通过体素过滤缩小的数据集计算法线。经过滤后的数据集中的每个点的法线能够被用于各种处理可能性，包括曲线重建算法。在一些配置中，估计并过滤数据集中的法线能够包括使用表面网格化技术来从数据集获得下伏表面，并且根据表面网格计算法线。在一些配置中，估计法线能够包括使用近似值来直接根据数据集推理表面法线，诸如例如但不限于确定通过对点的k个最近邻居应用全最小二乘法所获得的拟合平面的法线。在一些配置中，能够至少基于经验数据来选取k的值。过滤法线能够包括去除与垂直于x-y平面超过约45°的任何法线。在一些配置中，过滤器能够用于在同一方向上对准法线。如果数据集的部分表示平面表面，则能够通过执行随机子采样或通过从相关点集中滤出一个点来过滤出包含在相邻法线中的冗余信息。在一些配置中，选取点能够包括将数据集递归地分解成框直到每个框包含至多k个点为止。能够根据每个框中的k个点计算单个法线。
继续参考图1D，在一些配置中，创建处理后的点云数据10135能够包括通过对与表示数据集的表面几何上兼容的点进行聚类来在数据集内生长区域，并且随着区域生长而细化表面以获得最大点数的近似值。区域生长能够按平滑度约束合并点。在一些配置中，平滑度约束例如能够被凭经验确定，或者能够基于期望表面平滑度。在一些配置中，平滑度约束能够包括约10π/180至约20π/180的范围。区域生长的输出是一组点簇，每个点簇是点集，每个点被认为是同一光滑表面的一部分。在一些配置中，区域生长能够基于法线之间的角度的比较。区域生长能够通过诸如例如但不限于区域生长分段
http://pointclouds.org/documentation/tutorials/region_growing_ segmentation.php和
http://pointclouds.org/documentation/tutorials/cluster_ extraction.php#cluster-extraction的算法来完成。
现在参考图1G，分段后的点云数据10137(图1D)能够用于生成10161(图1D)多边形10759，例如5m×5m多边形。例如，能够使用网格化来将点子簇转换成多边形10759。网格化能够通过例如但不限于诸如行进立方体、行进四面体、表面网、贪婪网格化和双轮廓的标准方法来完成。在一些配置中，能够通过沿着点的法线投影点的局部邻域并且连接未连接的点来生成多边形10759。所得的多边形10759能够至少基于邻域的大小、要考虑的点的最大可接受距离、多边形的最大边长度、多边形的最小和最大角度、以及法线彼此能够取的最大偏差。在一些配置中，能够根据多边形10759是否会太小而无法让AV 10101(图1A)运输来过滤多边形10759。在一些配置中，能够通过已知手段在每一个多边形10759周围拖曳AV10101(图1A)的大小的圆。如果圆大体上落在多边形10759内，则多边形10759以及因此所得的可驾驶表面能够容纳AV 10101(图1A)。在一些配置中，能够将多边形10759的面积与AV10101(图1A)的占地面积进行比较。能够假定多边形是不规则的，使得用于确定多边形10759的面积的第一步骤是通过已知方法将多边形10759分成规则多边形10759A。对于每个规则多边形10759A，能够使用标准面积等式来确定其大小。能够将每个规则多边形10759A的面积加在一起以找到多边形10759的面积，并且能够将该面积与AV 10101的占地面积(图1A)进行比较。过滤后的多边形能够包括满足大小准则的多边形的子集。过滤后的多边形能够用于设置最终可驾驶表面。
继续参考图1G，在一些配置中，能够通过靠诸如例如但不限于统计分析技术如点云库http://pointclouds.org/documentation/tutorials/statistical_outlier.php中可用的统计分析技术的常规手段去除离群值来处理多边形10759。过滤能够包括通过包括但不限于诸如在点云库http://pointclouds.org/documentation/tutorials/voxel_grid.php中可用的体素化栅格方法的常规手段缩小分段10137(图1D)。能够例如但不限于通过A New Concave Hull Algorithm and Concaveness Measure for n-dimensionalDatasets,Park等人,Journal of Information Science and Engineering 28,第587-600页,2012中陈述的过程中陈述的过程来创建凹多边形10263。
现在主要参考图1H，在一些配置中，处理后的点云数据10135(图1D)能够用于确定初始可驾驶表面10265。区域生长能够产生能够包括作为可驾驶表面的部分的点的点簇。在一些配置中，为了确定初始可驾驶表面，能够将参考平面拟合到每一个点簇。在一些配置中，能够根据点簇的定向与参考平面之间的关系来过滤点簇。例如，如果点簇平面与参考平面之间的角度小于例如但不限于约30°，则能够初步将点簇视为初始可驾驶表面的部分。在一些配置中，能够基于例如但不限于大小约束过滤点簇。在一些配置中，点大小大于点云数据10131(图1D)中的全部点的约20％的点簇能够被视为太大，而大小小于点云数据10131(图1D)中的全部点的约0.1％的点簇能够被视为太小。初始可驾驶表面能够包括过滤后的点簇。在一些配置中，能够将点簇拆分开以继续通过若干已知方法中的任一种进一步处理。在一些配置中，能够使用基于密度的噪声应用空间聚类(density based spatialclustering of applications with noise，DBSCAN)来拆分点簇，然而在一些配置中，能够使用k-均值聚类来拆分点簇。DBSCAN能够将紧密堆积在一起的点分组在一起，并且将大体上孤立或在低密度区域中的点标记为离群值。为了被认为是紧密堆积的，点必须位于距候选点预选距离内。在一些配置中，能够凭经验或动态地确定预选距离的缩放因子。在一些配置中，缩放因子能够在约0.1至1.0的范围内。
主要参考图1I，生成10163(图1D)SDSF线能够包括通过进一步过滤可驾驶表面10265(图1H)上的凹多边形10263来定位SDSF。在一些配置中，能够将来自组成多边形的点云数据的点分类为上圆环点10351(图1J)、下圆环点10353(图1J)或圆柱点10355(图1J)。上圆环点10351(图1J)能够落入SDSF模型10352的离地面最远的形状。下圆环点10353(图1J)落入SDSF模型10352的最靠近地面的形状。圆柱点10355(图1J)能够落入介于上圆环点10351(图1J)与下圆环点10353(图1J)之间的形状。类别的组合能够形成圆环10371。为了确定圆环10371是否形成SDSF，测试某些准则。例如，在每个圆环10371中必须有作为上圆环点10351(图1J)的最小数目的点和作为下圆环点10353(图1J)的最小数目的点。在一些配置中，最小值能够被凭经验选择并且能够落入约5-20的范围内。能够将每个圆环10371划分成多个部分，例如两个半球。用于确定圆环10371中的点是否表示SDSF的另一准则是大多数点是否位于圆环10371的各部分的相对半球中。圆柱点10355(图1J)能够出现在第一圆柱区域10357(图1J)或第二圆柱区域10359(图1J)中。用于SDSF选择的另一准则是在两个圆柱体区域10357/10359(图1J)中必须有最小数目的点。在一些配置中，最小数目的点能够被凭经验选择并且能够落入3-20的范围内。用于SDSF选择的另一准则是圆环10371必须包括三个类别的点即上圆环点10351(图1J)、下圆环点10353(图1J)和圆柱点10355(图1J)中的至少两个。
继续主要参考图1I，在一些配置中，能够并行处理多边形。每个类别工作者10362能够搜索其指配的多边形以获得SDSF点10789(图1N)并且能够将SDSF点10789(图1N)指配给类别10763(图1G)。随着多边形被处理，能够组合10363所得的点类别10763(图1G)从而形成组合类别10366，并且能够缩短类别10365从而形成缩短的组合类别10368。缩短SDSF点10789(图1N)能够包括相对于它们离地面的距离过滤SDSF点10789(图1N)。缩短的组合类别10368能够被平均，可能可由平均工作者10373通过搜索每个SDSF点10766(图1G)周围的区域并且生成平均点10765(图1G)并行处理，该类别的点形成一组平均圆环10375。在一些配置中，能够凭经验确定每个SDSF点10766(图1G)周围的半径。在一些配置中，每个SDSF点10766(图1G)周围的半径能够包括介于0.1m至1.0m之间的范围。能够计算平均点10765(图1G)处的SDSF的SDSF轨迹10377(图1G)上的一个点和另一点之间的高度变化。将平均圆环10375连接在一起能够生成SDSF轨迹10377(图1G和1K)。在创建SDSF轨迹10377(图1G和1K)时，如果在起点的搜索半径内存在两个下一个候选点，则能够至少基于在先前线分段、起点和候选目的地点当中形成一条尽可能直的线并且基于候选下一个点表示先前点与候选下一个点之间SDSF高度的最小变化来选取下一个点。在一些配置中，能够将SDSF高度定义为上圆环10351(图1J)和下圆环10353(图1J)的高度之间的差。
现在主要参考图1L，组合10165(图1D)凹多边形和SDSF线能够产生包括多边形10139(图1D)和SDSF 10141(图1D)的数据集，并且能够操纵该数据集以用SDSF数据产生图形多边形。操作凹多边形10263能够包括但不限于包括合并凹多边形10263以形成合并的多边形10771。合并凹多边形10263能够使用诸如例如但不限于在(http://www.angusj.com/ delphi/clipper.php)中找到的那些方法的已知方法来完成。能够扩大合并的多边形10771以使边平滑并且形成扩大的多边形10772。能够缩回扩大的多边形10772以提供驾驶边距，从而形成缩回的多边形10774，SDSF轨迹10377(图1M)能够被添加到该缩回的多边形10774。向内修剪(缩回)能够确保在边附近有空间供AV 10101(图1A)通过至少基于AV 10101(图1A)的大小将可驾驶表面的大小减小预选量来行驶。多边形扩大和缩回能够通过诸如例如但不限于
Figure BDA0003510881010000411
剪辑命令(http://desktop.arcgis.com/en/arcmap/10.3/manage- data/editing-existing-features/clipping-a-polygon-feature.htm)的可商购的技术来完成。
现在主要参考图1M，能够将缩回的多边形10774分区成多边形10778，每一个多边形能够被横越而不遇到不可驾驶表面。缩回的多边形10774能够通过诸如但不限于通过z-阶曲线散列优化并且延伸以处理孔、扭曲多边形、简并和自相交的耳切片的常规手段来分区。可商购的耳切片实现方式能够包括但不限于包括(https://github.com/mapbox/ earcut.hpp)中找到的那些。SDSF轨迹10377能够包括能够连接到多边形顶点10781的SDSF点10789(图1N)。顶点10781能够被认为是能够相互连接以为AV 10101(图1A)形成可能的行驶路径的可能的路径点。在数据集中，能够如此标记SDSF点10789(图1N)。随着分区进行，可能的是如此引入冗余边，例如但不限于边10777和10779。去除边10777或10779之一能够降低进一步分析的复杂性并且能够保留多边形网格。在一些配置中，Hertel-Mehlhorn多边形分区算法能够用于去除边，从而跳过已被标记为特征的边。包括已标记的特征的多边形10778的集合经受进一步简化以减小可能的路径点的数目，并且能够将可能的路径点以能够用于填充占据栅格的带注释的点数据10379(图5B)的形式提供给设备控制器10111(图1A)。
现在参考图2A-2B，由AV收集的传感器数据还能够用于填充占据栅格。AV中的处理器能够从安装在货物容器20110之上的长距离传感器组件20400中的传感器并且从位于货物平台20160中的短距离传感器20510、20520、20530、20540和其他传感器接收数据。另外，处理器可以从安装在货物容器20110的前部的顶部附近的可选短距离传感器20505接收数据。处理器还可以从包括蜂窝、WiFi和/或GPS的一个或多个天线20122A、20122B(图1C)接收数据。在一个示例中，AV 20100具有位于长距离传感器组件20400之上的GPS天线20122A(图1C)和/或位于货物容器20110顶上的天线20122B(图1C)。处理器可以位于AV 20100中任何地方。在一些示例中，一个或多个处理器位于长距离传感器组件20400中。附加处理器可以位于货物平台20160中。在其他示例中，处理器可以位于货物容器20110中和/或作为动力基座20170的一部分。
继续参考图2A-2B，长距离传感器组件20400被安装在货物容器之上以提供对AV周围的环境的改进视图。在一个示例中，长距离传感器组件20400在行驶表面或地面上方1.2m英尺以上。在其他示例中，在货物容器更高或者动力基座配置升起货物平台20160的情况下，长距离传感器组件20400可以在AV正在上方移动的地面上方1.8m。长距离传感器组件20400提供关于从最小距离到最大范围的AV周围的环境的信息。最小距离可以由长距离传感器20400和货物容器20110的相对位置来定义。最小距离可以进一步由传感器的视场(FOV)来定义。最大距离可以由长距离传感器组件20400中的长距离传感器的范围和/或由处理器来定义。在一个示例中，长距离传感器的范围被限制为20米。在一个示例中，Velodyne Puck LIDAR的范围可达100m。长距离传感器组件20400可以提供关于所有方向上的对象的数据。传感器组件可以提供关于AV 20100周围遍及360°角度的结构、表面和障碍物的信息。
继续参考图2A，通过窗口20434、20436和20438观察的三个长距离相机能够提供一起提供360°FOV的水平FOV 20410、20412、20414。水平FOV可以由所选相机和相机在长距离相机组件20400内的位置来定义。在描述视场时，零角度是位于穿过AV 20100的中心的垂直平面中并与AV的前部垂直的光线。零角度光线穿过AV的前部。通过窗口20434查看的前置长距离相机具有从311°至47°的96°FOV 20410。通过窗口20436查看的左侧长距离相机具有从47°至180°的FOV 20412。通过窗口20438查看的右侧长距离相机具有从180°至311°的FOV20414。长距离传感器组件20400可以包括被定位成通过窗口20432观察的工业相机，该工业相机与长距离相机相比提供关于在AV 20100前面的对象和表面的更详细信息。位于窗口20432后面的工业相机可以具有由所选相机和相机在长距离相机组件20400内的位置所定义的FOV 20416。在一个示例中，窗口20432后面的工业相机具有从23°至337°的FOV。
现在参考图2B，LIDAR 20420提供AV 20100周围的360°水平FOV。垂直FOV可能受到LIDAR仪器限制。在一个示例中，40°并且安装在地面上方1.2m到1.8m处的垂直FOV 20418将传感器的最小距离设置在离AV 20100 3.3m至5m处。
现在参考图2C和图2D，长距离传感器组件20400被示出有盖20430。盖20430包括长距离相机和工业相机通过其观察AV 20100周围的环境的窗口20434、20432、20436。用于长距离传感器组件20400的盖20430由盖20430与货物容器20110的顶部之间的O形环密封以防风雨。
现在参考图2E和图2F，盖20430已被去除以揭示相机和处理器的示例。LIDAR传感器20420提供关于到AV周围的表面的范围或距离的数据。能够将这些数据提供给位于长距离传感器组件20400中的处理器20470。LIDAR被安装在长距离相机20440A-C和盖20430上方的结构20405上。LIDAR传感器20420是基于反射激光脉冲光的测距传感器的一个示例。还能够使用其他测距传感器，诸如使用反射无线电波的雷达。在一个示例中，LIDAR传感器20420是加利福尼亚州圣何塞的VELODYNE
Figure BDA0003510881010000431
的Puck传感器。三个长距离相机20440A、20440B、20440C提供AV 20100周围的对象、表面和结构的数字图像。三个长距离相机20440A、20440B、20440C相对于盖20430被布置在结构20405周围以提供覆盖AV周围的整个360°的三个水平FOV。长距离相机20440A、20440B、20440C位于被安装到货物容器20110的抬高环结构20405上。长距离相机20440A、20440B、20440C通过被安装在盖20430中的窗口20434、20436、20438接收图像。长距离相机可以包括印刷电路板(PCB)上的相机和透镜。
现在参考图2F，长距离相机20440A的一个示例可以包括具有安装在数码相机20444前面的鱼眼透镜20442的数码相机20444。鱼眼透镜20442可以将相机的FOV扩大到宽得多的角度。在一个示例中，鱼眼透镜将视场扩大到180°。在一个示例中，数码相机20444类似于加利福尼亚州圣何塞的E-con Systems的e-cam52A_56540_MOD。在一个示例中，鱼眼透镜20442类似于加利福尼亚州的卡尔斯巴德的Sunex的型号DSL227。
继续参考图2F，长距离传感器组件20400还可以包括通过盖20430中的窗口20432接收视觉数据的工业相机20450。工业相机20450向处理器20470提供关于在AV前面的对象、表面和结构的附加数据。相机可以类似于Kowa工业相机零件编号LM6HC。工业相机20450和长距离相机20440A-C位于AV 20100正在上方移动的表面上方1.2m至1.8m。
继续参考图2F，将长距离传感器组件20400安装在货物容器之上提供至少两个优点。当传感器被安装在地面上方更远处时，包括长距离相机20440A-C、工业相机20450和LIDAR 20420的长距离传感器的视场较少被诸如人们、汽车、矮墙等的附近对象阻挡。附加地，人行道被架构成提供包括标牌、栅栏高度等的视觉线索以供人们感知，并且典型眼水平面在1.2m至1.8m的范围内。将长距离传感器组件20400安装到货物容器的顶部将长距离相机20440A-C、20450放置在与标牌相同的水平面上并且越过针对行人的视觉线索。长距离传感器被安装在结构20405上，该结构20405提供抵抗由AV 20100的移动引起的偏转的结实且刚性的安装件。
再次参考图2E和图2F，长距离传感器组件可以包括惯性测量单元(IMU)和一个或多个处理器，该一个或多个处理器从长距离传感器接收数据并且将处理后的数据输出到其他处理器以用于导航。具有垂直基准(VRU)的IMU 20460被安装到结构20405。IMU/VRU20460可以直接位于LIDAR 20420下方以便提供关于LIDAR 20420的位置数据。来自IMU/VRU20460的位置和定向可以与来自其他长距离传感器的数据组合。在一个示例中，IMU/VRU20460是由荷兰的Xsens Technologies供应的型号MTi20。一个或多个处理器可以包括从至少工业相机20450接收数据的处理器20465。另外，处理器20470可以从以下LIDAR 20420、长距离相机20440A-C、工业相机20450和IMU/VRU20460中的至少一个接收数据。处理器20470可以由连接到循环冷却剂系统的液冷热交换器20475冷却。
现在参考图2G，AV 20100可以包括检测离AV在预定距离内的驾驶表面和障碍物的许多短距离传感器。短距离传感器20510、20520、20530、20540、20550和20560位于容器平台20160的周边上。这些传感器位于货物容器20110(图2B)下方并且比长距离传感器组件20400(图2C)更靠近地面。短距离传感器20510、20520、20530、20540、20550和20560向下斜置以提供FOV，这些FOV捕获长距离传感器组件20400(图2C)中的传感器不能看到的表面和对象。与安装在离地面较远处的传感器比，更靠近地面并向下斜置的传感器的视场不太可能被附近的对象和行人阻挡。在一个示例中，短距离传感器提供关于地面表面和离AV20100最多4m的对象的信息。
再次参考图2B，两个短距离传感器的垂直FOV被示出在AV20100的侧视图中。后向传感器20540的垂直FOV 20542以中心线20544为中心。中心线20544在货物平台20160的顶面下方斜置。在一个示例中，传感器20540具有42°的垂直FOV以及在由货物平台20160的顶板限定的平面20547下方20546斜置22°至28°的中心线。在示例中，短距离传感器20510和20540在地面上方大约0.55m至0.71m。所得的垂直FOV 20512、20542覆盖离AV从0.4m至4.2m的地面。安装在货物基座20160上的短距离传感器20510、20520、20530、20550(图2G)、20560(图2G)具有类似的垂直视场和相对于货物平台的顶部的中心线角度。安装在货物平台20160上的短距离传感器能够从离AV20100的外边向外0.4米至4.7米观察地面。
继续参考图2B，能够将短距离传感器20505安装在靠近货物容器20110的顶部的前表面上。在一个示例中，传感器20505可以提供在AV前面的地面的附加视图到由短距离传感器20510提供的视图。在另一示例中，传感器20505可以提供在AV前面的地面的视图代替由短距离传感器20510提供的视图。在一个示例中，短距离传感器20505可以具有42°的垂直FOV 20507并且中心线到货物平台20160的顶部的角度是39°。所得的地面的视图自AV起从0.7m延伸到3.75m。
再次参考图2G，短距离传感器20510、20520、20530、20540、20550、20560的水平FOV覆盖AV 20100周围的所有方向。诸如20520和20530的相邻传感器的水平FOV 20522和20532在离AV 20100向外的一定距离处重叠。在一个示例中，相邻传感器20520、20530和20560、20550的水平FOV 20522、20532和20562、20552在离AV 0.5米至2米处重叠。短距离传感器分布在货物基座20160的周边周围，具有水平视场，并且被以特定角度放置以提供AV周围的地面的几乎完整视觉覆盖范围。在一个示例中，短距离传感器具有69°的水平FOV。前置传感器20510相对于AV以零角度面向前方并且具有FOV 20512。在一个示例中，两个前置拐角传感器20520、20560斜置使得中心线处于65°的角度20564下。在示例中，后侧传感器20530、20550斜置使得20530和20560的中心线处于110°的角度20534下。在一些配置中，具有其他水平FOV的被安装在货物基座20160的周边周围以提供AV 20100周围的地面的几乎完整视图的其他数目的传感器是可能的。
现在参考图2H，短距离传感器20510、20520、20530、20540、20550、20560位于货物基座20160的周边上。短距离相机被安装在设置短距离传感器的角度和位置的突起中。在另一配置中，传感器被定位安装在货物基座的内部上并且通过与货物基座20160的外部的外皮对准的窗口接收视觉数据。
现在参考图2I和图2J，短距离传感器20600安装在货物基座20160的外皮元件20516中并且可以包括液体冷却系统。外皮元件20516包括形成的突起20514，该突起使短距离传感器组件20600保持在相对于货物基座20160的顶部的预定位置和垂直角度处并且保持在相对于货物基座20160的前部的角度。在一些配置中，短距离传感器20510相对于货物平台20160向下斜置28°，短距离传感器20520和20560向下斜置18°并且向前斜置25°，短距离传感器20530和20550向下斜置34°和向后斜置20°，并且短距离传感器20540相对于货物平台20160向下斜置28°。外皮元件20516包括用于接收相机组件20600的空腔20517。外皮元件20516还可以包括多个元件20518以接收包括但不限于铆钉、螺钉和按钮的机械紧固件。替换地，相机组件可以用粘合剂安装或者用紧固到外皮元件20516的夹子固定在适当的位置。垫圈20519能够提供对相机20610的前部的密封。
现在参考图2K和图2L，短距离传感器组件20600包括安装在附接到水冷板20626的支架20622上的短距离传感器20610。外壳体20612、透明盖20614和热沉20618在图2K和图2L中已被部分地去除以更好地可视化短距离传感器20610的散热元件传感器块20616和电子块20620。短距离传感器组件20600可以包括介于支架20622与液冷板20626之间的一个或多个热电冷却器(TEC)20630。液冷板20626由通过热连接到板20626的20628泵送的冷却剂冷却。TEC是具有第一侧和第二侧的电动元件。电动TEC使第一侧冷却，同时拒绝从第一侧去除的热能加上第二侧处的电力。在短距离传感器组件20600中，TEC20630使支架20622冷却并且将热冷却能量加上电能传送到水冷板20626。替换地，TEC 20630能够用于通过改变供应给TEC 20630的电压的幅度和极性来主动地控制相机20600的温度。
在冷却模式下操作TEC 20630允许短距离传感器20610在低于冷却剂温度的温度下操作。支架20622在两个位置中热连接到短距离传感器20610以最大限度地冷却传感器块20616和电子块20620。支架20622包括通过经由20625热附接到热沉20618的凸耳20624。热沉20618热连接到传感器块20616。支架因此经由热沉20618、螺钉20625和凸耳20624热连接到传感器块20616。支架20622还机械地附接到电子块20620以提供电子块20620的直接冷却。支架20622可以包括多个机械附件，包括但不限于与图2J中的元件20518啮合的螺钉和铆钉。短距离传感器20610可以并入一个或多个传感器，包括但不限于相机、立体相机、超声传感器、短距离雷达以及红外投影器和CMOS传感器。一个示例短距离传感器类似于加利福尼亚州圣克拉拉的英Intel的实感深度相机D435，其包括IR投影器、两个成像器芯片和RGB相机。
现在参考图2M-2O，示出了AV 20100的另一实施例。AV 20100A包括安装在货物平台20160和动力基座20170上的货物容器20110。AV 20100A包括多个长距离和短距离传感器。主要长距离传感器被安装在货物容器20110之上的传感器挂架20400A中。传感器挂架可以包括LIDAR 20420和瞄准不同方向以提供宽视场的多个长距离相机(未显示)。在一些配置中，能够如在本文中别处所描述的那样使用LIDAR20420，例如但不限于提供能够实现占据栅格的填充的点云数据，并且提供信息以识别地标，定位其环境内的AV 20100和/或确定可导航空间。在一些配置中，来自Leopard Imaging Inc.的长距离相机能够用于识别地标，定位其环境内的AV 20100和/或确定可导航空间。
继续参考图2M-2O，短距离传感器主要被安装在货物平台20160中并且提供关于AV20100A附近的障碍物的信息。在一些实施例中，短距离传感器供应关于在AV 20100A的4m内的障碍物和表面的数据。在一些配置中，短距离传感器提供离AV 20100A最多10m的信息。至少部分地面向前方的多个相机被安装在货物平台20160中。在一些配置中，多个相机能够包括三个相机。
现在参考图2O，顶盖20830已被部分地切掉以揭示副屋顶20810。副屋顶20810提供能够在上面安装多个天线20820的单件。在示例中，十个天线20820被安装到副屋顶20810。此外，例如，四个蜂窝通信信道各自具有两个天线，并且存在两个WiFi天线。天线被作为主天线和辅天线连线以用于蜂窝发送和接收。辅天线可以通过包括但不限于减少干扰和实现4G LTE连接的若干方法来改进蜂窝功能性。副屋顶20810以及顶盖20830是非金属的。副屋顶20810是在顶盖20830的10mm-20mm内的塑料表面，其不是结构性的并且允许在附接顶盖20830之前将天线连接到处理器。天线连接常常是高阻抗的并且对污垢、油脂和误操作敏感。将天线安装和连接到副屋顶20810允许在不用接触天线连接的情况下安装和去除顶盖。维护和修理操作可以包括在不用去除副屋顶或者断开天线的情况下去除顶盖。除了安装顶盖20830之外天线的组装方便测试/修理。顶盖20830是防风雨的并且防止水和沙粒进入货物容器20110。将天线安装在副屋顶上将顶盖20830上的开口的数目最小化。
现在参考图2P、图2Q和图2R，示出了被安装在货物容器(未示出)之上的长距离传感器组件(LRSA)20400A的另一示例。LRSA可以包括LIDAR和多个长距离相机，这多个长距离相机被安装在LRSA结构20950上的不同位置处以提供AV 20100A的环境的全景视图。LIDAR20420被安装在LRSA结构20950的最顶部以提供不间断的视图。LIDAR能够包括VELODYNELIDAR。多个长距离相机20910A-20910D被安装在LIDAR 20420下方的下一个层级上的LRSA结构20950上。在示例中，安装了四个相机，在结构周围每隔90°有一个相机，以提供AV20100周围的环境的四个视图。在一些示例中，四个视图将重叠。在一些示例中，每个相机要么与运动方向对准，要么与移动方向正交。在示例中，一个相机与AV 20100A的每个主要面——正面、背面、左面和右面对齐。在示例中，长距离相机是Leopard ImagingInc.所制造的型号LI-AR01 44-MIPI-M12。长距离相机可以具有MIPI CSI-2接口以向处理器提供高速数据传送。长距离相机可以具有介于50°与70°之间的水平视场和介于30°与40°之间的垂直视场。
现在参考图2S和图2T，长距离处理器20940位于长距离相机20910A-20910D和LIDAR 20420下方的LRSA结构20950上。长距离处理器20940从长距离相机和LIDAR接收数据。长距离处理器与AV20100A中别处的一个或多个处理器通信。如在本文中别处所描述的，长距离处理器20940向位于AV 20100A上别处的一个或多个处理器提供从长距离相机和LIDAR导出的数据。长距离处理器20940可以由冷却器20930液体冷却。可以将冷却器20930安装到长距离相机和LIDAR下方的结构。冷却器20930可以为长距离处理器20940提供安装位置。冷却器20930在于2020年5月26日提交的标题为Apparatus for ElectronicCoolingonan Autonomous Device的美国专利申请号16/883,668(代理人档案号AA280)中有所描述，该申请通过引用全部地并入本文。冷却器设有向冷却器20930提供冷却剂的液体供应导管和返回导管。
再次参考图2M和2N，短距离相机组件20740A-C被安装在容器平台20160的前部上并且斜置以收集关于行驶表面以及障碍物、台阶、路缘和其他大体上不连续的表面特征(SDSF)的信息。相机组件20740A-C包括一个或多个LED灯以照亮行驶表面、地面上的对象和SDSF。
现在参考图2U-2X，相机组件20740A-B包括灯20732以照亮地面和对象以从相机20732提供改进的图像数据。注意，相机组件20740A是20740C的镜像并且20740A的描述隐式地适用于20740C。相机20732可以包括单视相机、立体相机和/或红外投影器和CMOS传感器。相机的一个示例是加利福尼亚州圣克拉拉的英Intel的实感深度D435相机，其包括IR投影器、具有透镜的两个成像器芯片和RGB相机。LED灯20734可以在夜间或在低光状况下使用或者可以一直用于改进图像数据。一种操作理论是灯通过照亮投影表面并且在凹陷在创建阴影来创建对比。在示例中LED灯可以是白色LED。在示例中，LED灯20734是来自Cree Inc.的Xlamp XHP50。在另一示例中，LED灯可以在红外中发射以为相机20372提供光照，而不使附近的行人或驾驶员分心或烦恼。
继续参考图2U-2X，灯20374的放置和角度以及盖20736A、20736B的形状防止相机20732看到灯20374。灯20374和盖20736A、20736B的角度和放置防止灯干扰驾驶员或者使行人烦恼。相机20732不暴露于灯20734是有利的以防止相机20732中的传感器被灯20734致盲并因此被防止检测到来自在AV 20100A前面和侧面的地面和对象的较低光信号。相机20732和/或灯20734可以用通过端口20736流入和流出相机组件的液体冷却。
现在参考图2W和图2X，短距离相机组件20740A包括超声或声纳短距离传感器20730A。第二短距离相机组件20740C还包括超声短距离传感器20730B(图2N)。
现在参考图2Y，超声传感器20730A被安装在相机20732上方。在示例中，超声传感器20730A的中心线与货物容器20110的基座平行，这常常意味着传感器20730A是水平的。传感器20730A与面向前方成45°角。盖20376A提供喇叭20746以引导从超声传感器20730A发出并由超声传感器20730A接收的超声。
继续参考图2Y，相机20732的横截面，相机组件20740A内的灯20734图示盖20736中的角度和开口。短距离相机组件中的相机向下斜置以更好地对在AV前面和侧面的地面进行成像。中心相机组件20740B被直接先前定向在水平平面中。拐角相机组件20740A、20740C在水平平面中相对于直接向前与它们相应的侧面成25°角。相机20732在垂直平面中相对于货物平台的顶部向下斜置20°。由于AV通常使货物平台保持水平，所以相机因此在水平线下方成20°角。类似地，中心相机组件20740B(图2M)在水平线下方成28°角。在示例中，相机组件中的相机可以向下斜置25°至35°。在另一示例中，相机组件中的相机可以向下斜置15°至45°。LED灯20734类似地向下斜置以照亮由相机20732成像的地面并且将对行人的分心最小化。在一个示例中，LED灯中心线20742在相机中心线20738的5°内平行。盖20736A既保护相机20732又保护行人免受相机组件20740A-C中的LED 20734的亮光影响。隔离由LED发出的光的盖还提供喇叭形开口20737以使相机20732的视场最大化。灯从盖的开口凹进至少4mm。灯开口由上壁20739和下壁20744限定。上壁20739与中心线2074大致平行(±5°)。下壁20744从中心线20742张开大约18°以使地面和地面附近的对象的光照最大化。
现在参考图2Z-2AA，在一个配置中，灯20734包括两个LED20734A，每个LED在正方形透镜20734B下方，以产生光束。LED/透镜相对于相机20372斜置和定位以照亮相机的视场，其中灯在相机20732的FOV外部的溢出最小。两个LED/透镜被一起安装在单个PCB20752上，同时在两个灯之间具有限定角度20762。在另一配置中，两个LED/透镜被相对于彼此以一定角度单独地安装在单独PCB上的热沉20626A上。例如，灯是来自Cree,Inc.的XlampXHP50，而透镜是来自LEDil的60°透镜HB-SQ-W。灯相对于彼此成大约50°角，所以透镜的前部之间的角度20762是130°。灯位于相机20732的前部后面大约18mm(±5mm)20764处并且位于相机20732的中心线下方大约30mm20766处。
现在参考图2AA-2BB，相机20732由热电冷却器(TEC)20630冷却，该TEC 20630连同灯20734一起由流过冷块20626A的液体冷却剂冷却。相机经由螺钉20625附接到支架20622，该螺钉20625拧入相机的传感器块部分，同时支架20622的背面被用螺栓固定到相机的电子块。支架20622由两个TEzC冷却以便维持相机20732中的IR成像芯片(CMOS芯片)的性能。TEC拒绝来自支架20622的热量和它们汲取到冷块20626A的电能。
现在参考图2BB，冷却剂通过由中心翼20626D创建的U形路径引导。冷却剂直接在灯20734的LED/透镜/PCB后面流动。翼20626B、20626C改进从灯20734到冷却剂的热传递。冷却剂向上流动以经过TEC 20630的热侧。流体路径由附接到冷块20626A的背面的板20737(图2X)创建。
现在参考图3A，传感器数据和地图数据能够用于更新占据栅格。本教导的系统和方法能够管理正在相对于栅格地图自主地导航的设备的全局占据栅格。栅格地图能够包括设备能够从起点到目的地遵循的路线或路径。全局占据栅格能够包括能够指示用于设备安全导航的地方的空闲空间指示。能够在全局占据栅格上组合可能的路径和空闲空间指示以建立设备能够在上面行驶以安全地到达目的地的最佳路径。
继续参考图3A，随着设备移动，能够基于设备的位置访问将用于确定无障碍导航路线的全局占据栅格，并且能够随着设备移动而更新全局占据栅格。更新能够至少基于与设备的位置处的全局占据栅格相关联的当前值、能够包括关于设备正在导航的邻域的历史信息的静态占据栅格、以及正在由传感器随着设备行驶而收集的数据。如本文所描述的，传感器能够位于设备上，并且它们能够位于别处。
继续更进一步参考图3A，全局占据栅格能够包括单元，并且单元能够与占据概率值相关联。全局占据栅格的每个单元能够与诸如是否已在单元的位置处识别障碍物、如根据先前收集的数据所确定的并且如通过随着设备导航而收集的数据所确定的该位置处和周围的行驶表面的特性和不连续、以及与该位置相关联的在先占据数据的信息相关联。随着设备导航而捕获的数据能够被存储在其中心为设备的局部占据栅格中。当更新全局占据栅格时，能够将先前收集的静态数据与先前更新中确定的局部占据栅格数据和全局占据数据组合以创建新的全局占据栅格，同时将由设备占据的空间标记为未占据。在一些配置中，能够使用贝叶斯方法来更新全局占据栅格。该方法能够包括，对于局部占据栅格中的每个单元，计算单元在全局占据栅格上的位置，从当前全局占据栅格访问该位置处的值，从静态占据栅格访问该位置处的值，从局部占据栅格访问该位置处的值，并且根据来自全局占据栅格的当前值、来自静态占据栅格的值和来自局部占据栅格的值计算全局占据栅格上的该位置处的新值。在一些配置中，用于计算新值的关系能够包括静态值和局部占据栅格值之和减去当前值。例如，在一些配置中，新值可能受基于计算限制的预选值约束。
继续参考图3A，本教导的系统30100能够管理全局占据栅格。全局占据栅格能够从初始数据开始，并且能够随着设备移动而被更新。创建初始全局占据栅格能够包括第一过程，并且更新全局占据栅格能够包括第二过程。系统30100能够包括但不限于包括全局占据服务器30121，该全局占据服务器30121能够从各种源接收信息并且能够至少基于该信息更新全局占据栅格30505。该信息能够由例如但不限于位于设备上和/或别处的传感器、静态信息和导航信息来供应。例如，在一些配置中，传感器能够包括能够检测表面特性和障碍物的相机和雷达。传感器能够有利地位于设备上，例如，以提供周围环境的足够覆盖范围以使得设备能够安全行驶。在一些配置中，LIDAR 30103能够提供LIDAR点云(PC)数据30201，该LIDAR PC数据30201能够实现用LIDAR空闲空间信息30213填充局部占据栅格。在一些配置中，常规地面检测反向传感器模型(ISM)30113能够处理LIDAR PC数据30201以产生LIDAR空闲空间信息30213。
继续参考图3A，在一些配置中，RGB-D相机30101能够提供RGB-D PC数据30202和RGB相机数据30203。RGB-D PC数据30202能够用深度空闲空间信息30209填充局部占据栅格，而RGB-D相机数据30203能够用表面数据30211填充局部占据栅格。在一些配置中，RGB-DPC数据30202能够由例如但不限于常规立体空闲空间ISM30109处理，而RGB-D相机数据30203能够被馈送到例如但不限于常规表面检测神经网络30111。在一些配置中，RGB MIPI相机30105能够提供RGB数据30205以结合LIDAR PC数据30201产生具有LIDAR/MIPI空闲空间信息30215的局部占据栅格。在一些配置中，RGB数据30205能够被馈送到常规空闲空间神经网络30115，其输出能够在连同LIDAR PC数据30201一起被馈送到常规2D-3D配准30117之前经受能够识别RGB数据30205的哪些部分对准确性最重要的预选掩码30221。2D-3D配准30117能够将图像从RGB数据30205投影到LIDAR PC数据30201上。在一些配置中，不需要2D-3D配准30117。传感器和用于处理传感器数据的方法的任何组合能够用于收集数据以更新全局占据栅格。能够使用并组合任何数目的空闲空间估计过程以使得能够确定并验证全局占据栅格中的占据概率。
继续参考图3A，在一些配置中，历史数据能够由例如先前收集并处理后的具有与导航区域相关联的信息的数据的储存库30107提供。在一些配置中，储存库30107能够包括例如但不限于诸如例如多边形30207的路线信息。在一些配置中，这些数据能够被馈送到能够向全局占据栅格服务器30121提供边缘30303、不连续30503和表面30241的常规多边形解析器30119。全局占据栅格服务器30121能够将传感器收集的局部占据栅格数据与处理后的储存库数据融合以确定全局占据栅格30505。能够从全局占据数据创建栅格地图30601(图3D)。
现在参考图3B，在一些配置中，传感器能够包括声纳30141，该声纳30141能够向全局占据栅格服务器30121提供具有声纳空闲空间30225的局部占据栅格。深度数据30209能够由常规空闲空间ISM30143处理。能够将具有声纳空闲空间的局部占据栅格30225与具有表面和不连续的局部占据栅格30223、具有LIDAR空闲空间的局部占据栅格30213、具有LIDAR/MIPI空闲空间的局部占据栅格30215、具有立体空闲空间的局部占据栅格30209以及边缘30303(图3F)、不连续30503(图3F)、导航点30501(图3F)、表面置信度30513(图3F)和表面30241(图3F)融合以形成全局占据栅格30505。
现在参考图3C-3F，为了初始化全局占据栅格，全局占据栅格初始化30200能够包括由全局占据栅格服务器30121创建全局占据栅格30505和静态栅格30249。能够通过将来自局部占据栅格30118的数据与位于感兴趣区域中的边缘30303、不连续30503和表面30241融合来创建全局占据栅格30505。能够创建静态栅格30249(图3D)以包括诸如例如但不限于表面数据30241、不连续数据30503、边缘30303和多边形30207的数据。能够通过将来自静态栅格30249(图3E)的占据概率数据添加到根据从传感器30107A收集的数据导出的占据数据、并且从全局占据栅格30505的先验30505A(图3F)中减去占据数据来计算初始全局占据栅格30505。局部占据栅格30118能够包括但不包括仅限于包括通过ISM由立体空闲空间估计30209(图3B)产生的局部占据栅格数据、包括表面/不连续检测结果30223(图3B)的局部占据栅格数据、通过ISM由LIDAR空闲空间估计30213(图3B)产生的局部占据栅格数据、以及由在一些配置中遵循2D-3D配准30117(图3B)的LIDAR/MIPI空闲空间估计30215(图3B)产生的局部占据栅格数据。在一些配置中，局部占据栅格30118能够包括通过ISM由声纳空闲空间估计30225产生的局部占据栅格数据。在一些配置中，能够根据预选已知过程将具有空闲空间估计的各种局部占据栅格融合到局部占据栅格30118中。能够从全局占据栅格30505创建能够包括设备附近的占据和表面数据的栅格地图30601(图3E)。在一些配置中，能够使用例如但不限于机器人操作系统(ROS)订阅/发布特征来发布栅格地图30601(图3E)和静态栅格30249(图3D)。
现在参考图3G和图3H，为了随着设备移动而更新占据栅格，占据栅格更新30300能够包括相对于在设备正在移动时测量的数据更新局部占据栅格，并且将那些数据与静态栅格30249组合。当设备移出工作占据栅格范围时访问静态栅格30249。设备能够在第一时间被在第一位置30513A处定位占据栅格30245A中。随着设备移动到第二位置30513B，设备被定位在占据栅格30245B中，该占据栅格30245B包括根据其新位置并且可能根据占据栅格30245A中的值导出的一组值。来自静态栅格30249的数据以及来自在第二时间与占据栅格30245B中的单元局部地重合的初始全局占据栅格30505(图3C)的表面数据能够连同测量的表面数据和占据概率一起用于根据预选关系更新每个栅格单元。在一些配置中，关系能够包括将静态数据与所测量的数据相加。能够向移动管理器30123提供在第三时间和第三位置30513C所得的占据栅格30245C以通知设备的导航。
现在参考图3I，用于创建并管理占据栅格的方法30450能够包括但不限于包括，由局部占据栅格创建节点30122将传感器测量结果变换30451到与设备相关联的参考系，创建30453带时间戳的测量结果占据栅格，并且将带时间戳的测量结果占据栅格作为局部占据栅格30234(图3G)发布30455。与方法30450相关联的系统能够包括多个局部栅格创建节点30122，例如，每个传感器各一个，使得能够产生多个局部占据栅格30234(图3G)。传感器能够包括但不限于包括RGB-D相机30325(图3G)、LIDAR/MIPI 30231(图3G)和LIDAR 30233(图3G)。与方法30450相关联的系统能够包括全局占据栅格服务器30121，该全局占据栅格服务器30121能够接收局部占据栅格并且根据方法30450来处理它们。特别地，方法30450能够包括加载30242表面，访问30504诸如例如但不限于路缘的表面不连续，并且从储存库30107中可用的任何特性创建30248静态占据栅格30249，所述储存库30107能够包括例如但不限于表面和表面不连续。方法30450能够包括接收30456所发布的局部占据栅格并且移动30457全局占据栅格以使设备维持在地图的中心。方法30450能够包括用来自静态在先占据栅格30249的在先信息在地图上设置30459新区域，并且将由设备当前占据的区域标记30461为未占据。方法30450能够针对每个局部占据栅格中的每个单元执行循环30463。循环30463能够包括但不限于包括计算单元在全局占据栅格上的位置，访问全局占据栅格上的该位置处的值，并且根据先前值与局部占据栅格中的单元处的值之间的关系计算单元位置处的新值。关系能够包括但不限于包括计算值的和。循环30463能够包括对照预选可接受概率范围来比较新值，并且用新值设置全局占据栅格。比较能够包括如果概率低于或高于最小或最大可接受概率，则将概率设置为最小或最大可接受概率。方法30450能够包括发布30467全局占据栅格。
现在参考图3J，用于创建全局占据栅格的替代方法30150能够包括但不限于包括，如果30151设备已移动，则访问30153与旧地图区域(其中设备在它移动之前的地方)相关联的占据概率并且用来自旧地图区域的值更新新地图区域(设备在它移动之后的地方)上的全局占据栅格，访问30155与新地图区域中的全局占据栅格的单元相关联的可驾驶表面，并且用可驾驶表面更新更新后的全局占据栅格中的单元，以及在步骤30159处继续进行。如果30151设备尚未移动，并且如果全局占据栅格与局部占据栅格协同定位，则方法30150能够包括用与来自至少一个局部占据栅格的可驾驶表面相关联的表面置信度更新30159可能更新的全局占据栅格，使用例如但不限于贝叶斯函数来用来自至少一个局部占据栅格的占据概率值的对数几率更新30161更新后的全局占据栅格，并且至少基于与位置相关联的特性调整30163对数几率。如果30157全局占据栅格不与局部占据栅格协同定位，则方法30150能够包括返回到步骤30151。特性能够包括但不限于包括将设备的位置设置为未占据。
现在参考图3K，在另一配置中，用于创建全局占据栅格的方法30250能够包括但不限于包括，如果30251设备已移动，则用来自与设备的新位置相关联的静态栅格的信息更新30253全局占据栅格。方法30250能够包括分析30257新位置处的表面。如果30259，表面是可驾驶的，则方法30250能够包括更新30261全局占据栅格上的表面并且用来自与地图上的新位置相关联的静态值的储存库的值更新30263全局占据栅格。
现在参考图3L，更新30261表面能够包括但不限于包括访问30351特定传感器的局部占据栅格(LOG)。如果30353在局部占据栅格中有更多单元要处理，则方法30261能够包括从局部占据栅格访问30355表面分类置信度值和表面分类。如果30357局部占据栅格中的单元处的表面分类与全局占据栅格中的单元的位置处的表面分类相同，则方法30261能够包括将新的全局占据栅格(GOG)表面置信度设置30461为旧的全局占据栅格表面置信度和局部占据栅格表面置信度之和。如果30357局部占据栅格中的单元处的表面分类与全局占据栅格中的单元的位置处的表面分类不同，则方法30261能够包括将新的全局占据栅格表面置信度设置30359为旧的全局占据栅格表面置信度与局部占据栅格表面置信度之间的差。如果30463新的全局占据栅格表面置信度小于零，则方法30261能够包括将新的全局占据栅格表面分类设置30469为局部占据栅格表面分类的值。
现在参考图3M，用来自静态值的储存库的值更新30263全局占据栅格能够包括但不限于包括，如果30361在局部占据栅格中有更多单元要处理，则方法30263能够包括从局部占据栅格访问30363对数几率并且用该位置处的来自局部占据栅格的值更新30365全局占据栅格中的对数几率。如果30367满足单元为空的最大确定性，并且如果30369设备正在预定车道栅栏内行驶，并且如果30371表面是可驾驶的，则方法30263能够包括更新30373单元被占据的概率并且返回以继续处理更多单元。如果30367未达到单元为空的最大确定性，或者如果30369设备不在预定车道中行驶，或者如果30371表面在设备当前行驶的模式下不是可驾驶的，则方法30263能够包括返回以考虑更多单元而不更新对数几率。如果设备处于标准模式(即设备能够导航相对均匀的表面的模式)，并且表面分类指示表面不是相对均匀的，则方法30263能够通过通过更新30373对数几率增加单元被占据的概率来调整设备的路径。如果设备处于标准模式，并且表面分类指示表面是相对均匀的，则方法30263能够通过通过更新30373对数几率降低单元被占据的概率来调整设备的路径。如果设备正在4轮模式(即设备能够导航非均匀地形的模式)下行驶，则对单元被占据的概率的调整可能不是必要的。
现在参考图4A，AV能够在特定模式下行驶，该特定模式能够与设备配置例如设备42114A中描绘的配置和设备42114B中描绘的配置相关联。本教导的用于基于至少一个环境因素和设备的情形实时控制设备的配置的系统能够包括但不限于包括：传感器；移动装置；底盘，该底盘与传感器和移动装置可操作地联接，该移动装置由电机和电源驱动；设备处理器，该设备处理器从传感器接收数据；以及动力基座处理器，该动力基座处理器控制移动装置。在一些配置中，设备处理器能够接收环境数据，确定环境因素，根据环境因素和设备的情形来确定配置变化，并且将配置变化提供给动力基座处理器。动力基座处理器能够向移动装置发出命令以将设备从一个地方移动到另一地方，从而在道路表面类型需要时以物理方式重新配置设备。
继续参考图4A，收集环境数据的传感器能够包括但不限于包括例如相机、LIDAR、雷达、温度计、压力传感器和天气状况传感器，其中的若干个在此被描述。根据这种数据分类，设备处理器能够确定设备配置变化能够基于的环境因素。在一些配置中，环境因素能够包括诸如例如但不限于表面类型、表面特征和表面状况的表面因素。设备处理器能够基于环境因素和设备的当前情形实时地确定如何改变配置以适应横越所检测到的表面类型。
继续参考图4A，在一些配置中，设备42114A/B/C(统称为设备42114)的配置变化能够包括例如移动装置的配置的变化。设想了其他配置变化，诸如可能取决于当前模式和表面类型的用户信息显示和传感器控件。在一些配置中，如本文所描述的，移动装置能够包括至少四个驱动轮442101，在底盘42112的每侧各两个，以及与底盘42112可操作地联接的至少两个脚轮42103。在一些配置中，驱动轮442101能够成对42105可操作地联接，其中每个对42105能够包括四个驱动轮442101中的第一驱动轮42101A和第二驱动轮42101B，并且对42105各自位于底盘42112的相对侧。可操作的联接能够包括轮集群组件42110。在一些配置中，动力基座处理器41016(图4B)能够控制集群组件42110的旋转。左右轮电机41017(图4B)能够驱动在底盘42112的任何一侧的轮442101。能够通过以不同速率驱动左右轮电机41017(图4B)来完成转动。集群电机41019(图4B)能够使轴距在前后方向上旋转。例如，当遇到不连续的表面特征时，轴距的旋转能够允许货物独立于驱动轮442101旋转，如果有的话，同时前驱动轮442101A变得高于或低于后驱动轮442101B。集群组件42110能够独立地操作两个轮的每个对42105，从而按命令提供设备42114的向前、倒退和旋转运动。集群组件42110能够为各对42105提供结构支撑。集群组件42110能够提供机械动力以使轮驱动组件一起旋转，从而允许实现依赖于集群组件旋转的功能，例如但不限于不连续的表面特征攀爬、各种表面类型和不平坦地形。能够在于2018年7月13日提交的标题为Mobility Device的美国专利申请号16,035,205(代理人档案号X80)中找到关于集群轮的操作的更多细节，该申请通过引用整体地并入本文。
继续参考图4A，设备42114的配置能够与设备42114的模式41033(图4B)相关联，但是不限于与之相关联。设备42114能够在若干模式41033(图4B)下操作。在标准模式10100-1(图5E)下，设备42114B能够在两个驱动轮442101B和两个脚轮42103上操作。标准模式10100-1(图5E)能够在相对坚固的水平表面例如但不限于室内环境、人行道和便道上提供转动性能和移动性。在增强模式10100-2(图5E)或4轮模式下，设备42114A/C能够命令四个驱动轮442101A/B，能够通过车载传感器主动地稳定，并且能够抬高和/或重新定向底盘42112、脚轮42103，和货物。4轮模式10100-2(图5E)能够在各种环境中提供移动性，从而使得设备42114A/C能够往陡峭斜面上并在软的不平坦地形之上行驶。在四轮模式10100-2(图5E)下，能够展开所有四个驱动轮442101A/B并且能够缩回脚轮42103。集群42110的旋转能够允许在不平坦地形上操作，并且驱动轮442101A/B能够向上驱动并越过不连续的表面特征。此功能性能够在各式各样户外环境中给设备42114A/C提供移动性。设备42114B能够在坚固且稳定但潮湿的室外表面上操作。冻胀和其他自然现象可能使室外表面退化，从而创建裂缝和松散材料。在4轮模式10100-2(图5E)下，设备42114A/C能够在这些退化表面上操作。模式41033(图4B)在于2003年6月3日颁发的标题为Control System and Method的美国专利号6,571,892(‘892)中被详细地描述，该专利通过引用整体地并入本文。
现在参考图4B，系统41000能够通过处理来自传感器41031的输入、向轮电机41017生成命令以驱动轮442101(图4A)、并且向集群电机41019生成命令以驱动集群42110(图4A)来驱动设备42114(图4A)。系统41000能够包括但不限于包括设备处理器41014和动力基座处理器41016。设备处理器41014能够接收并处理来自传感器41031的环境数据41022，并且将配置信度息40125提供给动力基座处理器41016。在一些配置中，设备处理器41014能够包括能够接收并处理来自传感器41031的环境数据41022的传感器处理器41021。如本文所描述的，传感器41031能够包括但不限于包括相机。根据这些数据，能够累积并处理关于例如正在被设备42114(图4A)横越的驾驶表面的信息。在一些配置中，能够实时地处理驾驶表面信息。设备处理器41014能够包括配置处理器41023，该配置处理器41023能够根据环境数据41022确定表面类型40121，例如，正在被设备42114(图4A)横越的表面类型。配置处理器41023能够包括例如驾驶表面处理器41029(图4C)，该驾驶表面处理器41029能够根据环境数据41022创建例如驾驶表面分类层、驾驶表面置信度层和占据层。如本文所描述的，这些数据能够由动力基座处理器41016使用来创建移动命令40127和电机命令40128，并且能够由全局占据栅格处理器41025使用来更新能够被用于路径规划的占据栅格。配置40125能够至少部分地基于表面类型40121。表面类型40121和模式41033能够用于至少部分地确定占据栅格信息41022，该占据栅格信息41022能够包括占据栅格中的单元被占据的概率。占据栅格能够至少部分地使得能够确定设备42114(图4A)能够采取的路径。
继续参考图4B，动力基座处理器41016能够从设备处理器41014接收配置信度息40125，并且处理配置信度息40125以及其他信息，例如路径信息。动力基座处理器41016能够包括控制处理器40325，该控制处理器40325能够至少基于配置信度息40125创建移动命令40127并且将移动命令40127提供给电机驱动处理器40326。电机驱动处理器40326能够生成能够引导并移动设备42114的电机命令40128(图4A)。具体地电机驱动处理器40326能够生成能够驱动轮电机41017的电机命令40128，并且能够生成能够驱动集群电机41019的电机命令40128。
现在参考图4C，本教导的实时表面检测能够包括但不限于包括能够包括驾驶表面处理器41029的配置处理器41023。驾驶表面处理器41029能够确定设备42114(图4A)正在上面导航的驾驶表面的特性。这些特性能够用于确定设备42114(图4A)的将来配置。驾驶表面处理器41029能够包括但不限于包括神经网络处理器40207、数据变换40215、40219和40239、层处理器40241及占据栅格处理器40242。这些组件一起能够产生能够引导设备42114(图4A)的配置的变化并且能够实现对占据栅格40244(图4C)的修改的信息，这能够通知用于设备42114(图4A)的行驶的路径规划。
现在参考图4C和图4D，神经网络处理器40207能够使环境数据41022(图4B)经受训练后的神经网络，该训练后的神经网络能够对于由传感器41031(图4B指示)收集的数据的每个点，指示该点很可能表示的表面的类型。环境数据41022(图4B)能够但不限于作为相机图像40202被接收，其中相机能够与相机属性40204相关联。相机图像40202能够包括具有X分辨率40205(图4D)和Y分辨率40204(图4D)的点40201的2D栅格。在一些配置中，相机图像40202能够包括RGB-D图像，X分辨率40205(图4D)能够包括40640个像素，并且Y分辨率40204(图4D)能够包括40480个像素。在一些配置中，能够将相机图像40202转换为根据所选取的神经网络的要求格式化的图像。在一些配置中，数据能够被归一化、缩放并从2D转换为1D，这能够改进神经网络的处理效率。能够以包括但不限于用RGB-D相机图像训练的各种方式训练神经网络。在一些配置中，在神经网络文件40209(图4D)中表示的训练后的神经网络能够通过到执行训练后的神经网络的处理器的直接连接或者例如通过通信信道被提供给神经网络处理器40207。在一些配置中，神经网络处理器40207能够使用训练后的神经网络文件40209(图4D)来识别环境数据41022(图4B)内的表面类型40121(图4C)。在一些配置中，表面类型40121(图4C)能够包括但不限于包括不可驾驶、可硬驾驶、可软驾驶和路缘。在一些配置中，表面类型40121(图4C)能够括但不限于包括不可驾驶/基底、沥青、混凝土、砖、堆积泥土、木板、砾石/小石头、草、覆盖物、沙子、路缘、实心金属、金属格栅、触觉铺路、雪/冰和火车轨道。神经网络处理的结果能够包括具有X分辨率40205和Y分辨率40203的点40213及中心40211的表面分类栅格40303。表面分类栅格40303中的每个点40213能够与作为表面类型40121(图4C)中的特定一种的可能性相关联。
继续参考图4C和4D，驾驶表面处理器41029(图4C)能够包括2D至3D变换40215，该2D至3D变换40215能够从2D相机帧中的2D表面分类栅格40303(图4D)反投影到如由相机看到的3D真实世界坐标中的3D图像立方体40307(图4D)。反投影能够恢复2D数据的3D属性，并且能够将来自RGB-D相机的2D图像变换为3D相机帧40305(图4C)。立方体40307(图4D)中的点40233(图4D)能够各自与作为表面类型40121(图4C)中的特定一种的可能性和深度坐标以及X/Y坐标相关联。能够根据例如但不限于诸如例如焦距x、焦距y和投影中心40225的相机属性40204(图4C)来界定点立方体40307(图4D)的尺寸。例如，相机属性40204能够包括相机能够在上面可靠地投影的最大范围。此外，可能存在设备42114(图4A)的可能干扰图像40202的特征。例如，脚轮42103(图4A)可能干扰相机40227(图4D)的视图。这些因素可能限制点立方体40307(图4D)中的点的数目。在一些配置中，相机40227(图4D)不能可靠地投影超过约六米，这能够表示相机40227(图4D)的范围的上限，并且可能限制点立方体40307(图4D)中的点的数目。在一些配置中，设备42114(图4A)的特征能够作为相机40227(图4D)的范围的最小极限。例如，脚轮42103(图4A)的存在能够暗示在一些配置中能够被设置为大约一米的最小极限。在一些配置中，点立方体40307(图4D)中的点能够限于离相机40227(图4D)一米以上并且离相机40227(图4D)六米以下的点。
继续参考图4C和图4D，驾驶表面处理器41029(图4C)能够包括基链变换40219，该基链变换40219能够将点的3D立方体变换为与设备42114(图4A)相关联的坐标，即基链帧40309(图4C)。基链变换40219能够将立方体40307(图4D)中的3D数据点40223(图4D)变换成立方体40308(图4D)中的点40233(图4D)，其中Z维度被设置为设备42114(图4A)的基座。驾驶表面处理器41029(图4C)能够包括OG准备40239，该OG准备40239能够将立方体40308(图4D)中的点40233(图4D)投影到占据栅格40244(图4D)上作为立方体40311(图4D)中的点40237(图4D)。取决于由点40237(图4D)表示的数据，层处理器40241能够将点40237(图4D)展平到各种层40312(图4C)中。在一些配置中，层处理器40241能够将标量值应用到层40312(图4C)。在一些配置中，层40312(图4C)能够包括占据层40243、如由神经网络处理器40207所确定的表面分类层40245(图4D)和表面类型置信度层40247(图4D)的概率。在一些配置中，能够通过将来自神经网络处理器40207的类分数转换成能够通过将类分数归一化成输出类上的概率分布作为log(类分数)/∑log(每个类)而确定的分数来确定表面类型置信度层40247(图4D)。在一些配置中，一个或多个层能够由提供不可驾驶表面的概率的层替换或扩增。
继续参考图4C和图4D，在一些配置中，能够将占据层40243中的概率值表示为对数几率(对数几率->ln(p/(1-p))值。在一些配置中，占据层40243中的概率值能够至少基于模式41033(图4B)和表面类型40121(图4B)的组合。在一些配置中，能够选取占据层40243中的预选概率值以覆盖诸如例如但不限于以下各项的情形：(1)当表面类型40121(图4A)是硬的且可驱动时，并且当设备42114(图4A)处于一组预选模式41033(图4B)时，或(2)当表面类型40121(图4A)是软的且可驱动时，并且当设备42114(图4A)处于诸如例如标准模式的特定预选模式时，或(3)当表面类型时40121(图4A)是软的且可驾驶时，并且当设备42114(图4A)处于诸如例如4轮模式的特定预选模式时，或(4)当表面类型40121(图4A)是不连续的时，并且当设备42114(图4A)处于诸如例如标准模式的特定预选模式时，或(5)当表面类型40121(图4A)是不连续的时，并且当设备42114(图4A)处于诸如4轮模式的特定预选模式时，或(6)当表面类型40121(图4A)是不可驾驶的时，并且当设备42114(图4A)处于一组预选模式41033(图4B)时。在一些配置中，概率值能够包括但不限于包括在表I中陈述的那些。在一些配置中，神经网络预测的概率能够在必要时被调谐，并且能够替换表示I中列举的概率。
Figure BDA0003510881010000661
表I。
再次参考图4C，占据栅格处理器40242能够向全局占据栅格处理器41025实时地提供可能影响占据栅格40244的概率值的参数，诸如例如但不限于表面类型40121和占据栅格信息41022。能够将诸如例如但不限于模式41033和表面类型40121的配置信度息40125(图4B)提供给动力基座处理器41016(图4B)。动力基座处理器41016(图4B)能够确定电机命令40128(图4B)，这些电机命令能够至少基于配置信度息40125(图4B)设置设备42114(图4A)的配置。
现在参考图4E和图4F，设备42100A能够根据本教导被配置成在标准模式下操作。在标准模式下，脚轮42103和第二驱动轮42101B能够在设备42100A导航其路径时搁置在地面上。第一驱动轮42101A能够被升起预选量42102(图4F)并且能够离开驾驶表面。设备42100A能够在相对坚固的水平表面上成功地导航。当在标准模式下驾驶时，占据栅格40244(图4C)能够反映表面类型限制(参见表I)，因此能够实现兼容的模式选择，或者能够实现基于表面类型和当前模式的配置变化。
现在参考图4G-4J，设备42100B/C能够根据本教导被配置成在4轮模式下操作。在4轮模式下的一种配置中，第一驱动轮42101A和第二驱动轮42101B能够在设备42100A导航其路径时搁置在地面上。脚轮42103能够缩回并且能够离开驾驶表面预选量42104(图4H)。在4轮模式下的另一配置中，第一驱动轮42101A和第二驱动轮42101B能够在设备42100A导航其路径时大体上搁置在地面上。脚轮42103能够缩回并且能够使底盘42111旋转(从而使脚轮42103远离地面移动)以容许例如不连续的表面。在这种配置中，脚轮42103能够离开驾驶表面预选量42108(图1J)。设备42100A/C能够在包括软表面和不连续的表面的各种表面上成功地导航。在4轮模式下的另一配置中，第二驱动轮42101B能够在设备42100A导航其路径时搁置在地面上，同时第一驱动轮42101A能够在设备42100C(图1J)导航其路径时被升起。脚轮42103能够缩回并且能够使底盘42111旋转(从而使脚轮42103远离地面移动)以容许例如不连续的表面。当在4轮模式下驾驶时，占据栅格40244(图4C)能够反映表面类型(参见表I)，因此能够实现兼容的模式选择，或者能够实现基于表面类型和当前模式的配置变化。
现在参考图4K，用于诸如例如但不限于基于至少一个环境因素和设备配置驶过路径的AV的设备的设备配置的实时控制的方法40150能够包括但不限于包括接收40151传感器数据，至少基于该传感器数据确定40153表面类型，并且至少基于表面类型和当前设备配置确定40155当前模式。方法40150能够包括至少基于当前模式和表面类型确定40157下一个设备配置，至少基于该下一个设备配置确定40159移动命令，并且至少基于移动命令将当前设备配置改变40161为下一个设备配置。
现在主要参考图5A，为了对出现在AV的路径中的对象做出响应，能够向设备控制器10111提供带注释的点数据10379(图5B)。带注释的点数据10379(图5B)，其可以是能够用于指示AV 10101(图1A)驶过路径的路线信息的基础，能够包括但不限于包括可导航边、诸如例如但不限于绘制轨迹10413/10415(图5D)的绘制轨迹、以及诸如例如但不限于SDSF10377(图5C)的标记的特征。绘制轨迹10413/10415(图5C)能够包括路线空间的边图和指配给路线空间的各部分的初始权重。边图能够包括诸如例如但不限于方向性和容量的特性，并且能够根据这些特性对边进行分类。绘制轨迹10413/10415(图5C)能够包括与路线空间的表面相关联的成本修正值，以及与边相关联的驾驶模式。驾驶模式能够包括但不限于包括路径跟随和SDSF攀爬。其他模式能够包括诸如例如但不限于自主、绘图和等待干预的操作模式。最终，能够至少基于较低成本修正值选择路径。离绘制轨迹10413/10415(图5C)相对较远的拓扑可能具有更高的成本修正值，并且在形成路径时可能不太感兴趣。能够在AV10101(图1A)执行的同时调整初始权重，从而可能引起路径的修改。调整后的权重能够用于调整边缘/权重图10381(图5B)，并且能够至少基于当前驱动模式、当前表面和边类别。
继续参考图5A，设备控制器10111能够包括特征处理器，该特征处理器能够执行与将任何特征的偏心率并入到路径中相关的特定任务。在一些配置中，特征处理器能够包括但不限于包括SDSF处理器10118。
在一些配置中，设备控制器10111能够包括但不限于包括各自在本文中描述的SDSF处理器10118、传感器处理器10703、模式控制器10122和基座控制器10114。SDSF处理器10118、传感器处理器10703和模式控制器10122能够向基座控制器10114提供输入。
继续参考图5A，基座控制器10114能够至少基于由模式控制器10122、SDSF处理器10118和传感器处理器10703提供的输入来确定动力基座10112可以使用来在由基座控制器10114至少基于边缘/权重图10381(图5B)确定的路径上驱动AV 10101(图1A)的信息。在一些配置中，基座控制器10114能够确保AV 10101(图1A)能够遵循从起点到目的地的预定路径，并且至少基于外部和/或内部状况修改预定路径。在一些配置中，外部状况能够包括但不限于包括交通信号灯、SDSF以及在正在由AV 10101(图1A)行驶的路径中或附近的障碍物。在一些配置中，内部状况能够包括但不限于包括反映AV 10101(图1A)对外部状况做出的响应的模式转变。设备控制器10111能够至少基于外部和内部状况确定要向动力基座10112发送的命令。命令能够包括但不限于速度和方向命令，这些命令能够引导AV 10101(图1A)在命令方向上以命令速度行驶。其他命令能够包括例如实现诸如例如SDSF攀爬的特征响应的命令组。例如，基座控制器10114能够通过包括但不限于内部点优化器(IPOPT)大规模非线性优化(https://projects.coin-or.org/Ipopt)的常规方法来确定路径的航路点之间的期望速度。基座控制器10114能够至少基于诸如例如但不限于基于Dykstra算法、A*搜索算法或广度优先搜索算法的技术的常规技术来确定期望路径。基座控制器10114能够在绘制轨迹10413/10415(图5C)周围形成框以设置能够在其中执行障碍物检测的区域。有效载荷载体的高度在可调整时，能够至少部分地基于定向速度被调整。
继续参考图5A，基座控制器10114能够将速度和方向确定转换为电机命令。例如，当遇到诸如例如但不限于路缘或斜坡的SDSF时，基座控制器10114在SDSF攀爬模式下，能够引导动力基座10112升起有效载荷载体10173(图1A)，将AV 10101(图1A)以大约90°角度与SDSF对准，并且将速度降低至相对低的水平。当AV 10101(图1A)攀爬大体上不连续的表面时，基座控制器10114能够引导动力基座10112转变到速度增加的攀爬阶段，因为需要增加的扭矩才能将AV10101(图1A)向斜面上移动。当AV 10101(图1A)遇到相对水平的表面时，基座控制器10114能够降低速度以便保持在SDSF的任何平坦部分顶上。当在与平坦部分相关联的下坡道的情况下，AV 10101(图1A)开始下降大体上不连续的表面时，并且当两个轮都在下坡道上时，基座控制器10114能够允许速度增加。当遇到诸如例如但不限于斜坡的SDSF时，能够将该斜坡识别并处理为结构。例如，结构的特征能够包括坡道的预选大小。坡道能够包括大约30°度的斜面，并且能够可选地但不限于在平台的两侧。设备控制器10111(图5A)能够通过将感知特征的角度与预期斜坡坡道角度进行比较来区分障碍物和斜坡，其中能够从传感器处理器10703(图5A)接收角度。
现在主要参考图5B，SDSF处理器10118能够根据由带注释的点数据10379中表示的多边形的网格形成的可驾驶表面的块定位能够用于创建供由AV 10101(图1A)横越的路径的可导航边。在能够在SDSF线10377(图5C)周围形成预选大小的区域的SDSF缓冲区10407(图5C)内，能够擦除可导航边(参见图5D)以为给定SDSF横越进行特殊处理准备。能够绘制诸如段10409(图5C)的闭合线段以在先前确定的SDSF点10789(图1N)的各对之间平分SDSF缓冲区10407(图5C)。在一些配置中，对于被认为是用于SDSF横越的候选的闭合线段，段末端10411(图5C)能够落在可驾驶表面的无障碍部分中，可以有足够的空间供AV 10101(图1A)沿着线段在相邻SDSF点10789(图1N)之间行驶，并且SDSF点10789(图1N)之间的区域可以是可驾驶表面。段末端10411(图5C)能够连接到下伏拓扑，从而形成顶点和可驾驶边。例如，在图5D中满足横越准则的线段10461、10463、10465和10467(图5C)被示出为拓扑的部分。相比之下，至少因为段末端10411(图5C)未落在可驾驶表面上，所以线段10409(图5C)不满足准则。重叠的SDSF缓冲区10506(图5C)能够指示SDSF不连续，这可能对SDSF在重叠的SDSF缓冲区10506(图5C)内的SDSF横越不利。能够使SDSF线10377(图5C)平滑，并且能够调整SDSF点10789(图1N)的位置，使得它们相隔约预选距离，该预选距离至少基于AV 10101(图1A)的占地面积。
继续参考图5B，SDSF处理器10118能够将带注释的点数据10379变换成边缘/权重图10381，包括用于SDSF横越的拓扑修改。SDSF处理器10118能够包括第七处理器10601、第八处理器10702、第九处理器10603和第十处理器10605。第七处理器10601可以将带注释的点数据10379中的点的坐标变换到全局坐标系，以实现与GPS坐标的兼容性，从而产生GPS兼容的数据集10602。第七处理器10601能够使用诸如例如但不限于仿射矩阵变换和PostGIS变换的常规过程，以产生GPS兼容的数据集10602。能够使用世界大地测量系统(WGS)作为标准坐标系，因为它考虑到地球的曲率。地图能够被存储在通用横轴墨卡托(UTM)坐标系中，并且能够在有必要查找特定地址位于在哪里时被切换到WGS。
现在主要参考图5C，第八处理器10702(图5B)能够使SDSF平滑并且确定SDSF10377的边界，在SDSF边界周围创建缓冲区10407，并且表面离SDSF边界越远，表面的成本修正值就越大。绘制轨迹10413/10415可以是具有最低成本修正值的特殊情况车道。较低的成本修正值10406能够被通常定位在SDSF边界附近，然而较高的成本修正值10408能够通常被定位为离SDSF边界相对较远。第八处理器10702能够向第九处理器10603(图5B)提供具有成本10704(图5B)的点云数据。
继续主要参考图5C，第九处理器10603(图5B)能够计算大约90°接近10604(图5B)以供AV 10101(图1A)横越已满足将它们标记为可横越的准则的SDSF 10377。准则能够包括SDSF宽度和SDSF平滑度。能够创建线段，诸如线段10409，使得其长度指示AV 10101(图1A)接近SDSF 10377可能需要的最小入口距离，以及离开SDSF10377可能需要的最小出口距离。段端点，诸如端点10411，能够与下伏路线拓扑集成。用于确定SDSF接近是否可行的准则能够消除一些接近可能性。诸如SDSF缓冲区10407的SDSF缓冲区能够用于计算有效接近和路线拓扑边创建。
再次主要参考图5B，第十处理器10605能够从拓扑创建边缘/权重图10381，在此开发的边和权重图能够用于计算通过地图的路径。拓扑能够包括成本修正值和驾驶模式，并且边能够包括方向性和容量。能够基于来自任意数目的源的信息在运行时调整权重。第十处理器10605能够向基座控制器10114提供至少一个有序点序列，加上在特定点处推荐的驾驶模式，以实现路径生成。每个点序列中的每个点表示可能的路径点在经处理后的可驾驶表面上的位置和标记。在一些配置中，标记能够指示该点表示沿着路径可能遇到的特征的部分，诸如例如但不限于SDSF。在一些配置中，可能基于特征的类型按建议的处理而进一步标记特征。例如，在一些配置中，如果路径点被标记为SDSF，则进一步标记能够包括模式。该模式能够由AV 10101(图1A)解释为针对AV 10101(图1A)建议的驾驶指令，诸如例如将AV10101(图1A)切换成SDSF攀爬模式100-31(图5E)以使得AV 10101(图1A)能够横越SDSF10377(图5C)。
现在参考图5E，在一些配置中，模式控制器10122能够向基座控制器10114(图5A)提供要执行模式转变的指示。模式控制器10122能够建立AV 10101(图1A)正在其下行驶的模式。例如，模式控制器10122能够向基座控制器10114提供模式变化指示，从而当沿着行驶路径识别SDSF时在例如路径跟随模式10100-32与SDSF爬升模式10100-31之间改变。在一些配置中，带注释的点数据10379(图5B)能够包括沿着路线的各个点处的模式标识符，例如，当模式改变以适应路线时。例如，如果已在带注释的点数据10379(图5B)中标记了SDSF10377(图5C)，则设备控制器10111能够确定与路线点相关联的模式标识符并且可能基于期望模式调整给动力基座10112(图5A)的指令。除了SDSF攀爬模式10100-31和路径跟随模式10100-32之外，在一些配置中，AV 10101(图1A)还能够支持能够包括但不限于本文描述的标准模式10100-1和增强(4轮)模式10100-2的操作模式。能够调整有效载荷载体10173(图1A)的高度以越过障碍物并沿着斜坡提供必要的间隙。
现在参考图5F，用于跨越至少一个SDSF将AV朝向目标点导航的方法11150能够包括但不限于包括接收11151与SDSF、目标点的位置和AV的位置相关的SDSF信息。SDSF信息能够包括但不限于包括各自被分类为SDSF点的点集，以及该点为SDSF点的每个点的相关概率。方法11150能够包括绘制11153包含AV的位置、目标点的位置的封闭多边形，并且在目标点与AV的位置之间绘制路径线。闭合多边形能够包括预选宽度。表I包括本文讨论的预选变量的可能范围。方法11150能够包括选择11155位于多边形内的两个SDSF点并且在这两个点之间绘制11157SDSF线。在一些配置中，SDSF点的选择可以是随机地或以任何其他方式。如果11159在SDSF线的第一预选距离内有少于第一预选数目的点，并且如果11161在选取SDSF点、在它们之间绘制线、并且在SDSF线周围具有少于第一预选数目的点时已有少于第二预选尝试次数，则方法11150能够包括返回到步骤11155。如果11161在选取SDSF点、在它们之间绘制线、并且在SDSF线周围具有少于第一预选数目的点时已有第二预选尝试次数，则方法11150能够包括注意11163未检测到SDSF线。
现在主要参考图5G，如果11159(图5F)存在第一预选数目的点或更多点，则方法11150能够包括将曲线拟合11165到落在SDSF线的第一预选距离内的点。如果11167在曲线的第一预选距离内的点的数目超过在SDSF线的第一预选距离内的点的数目，并且如果11171曲线与路径线相交，并且如果11173在曲线上的点之间不存在超过第二预选距离的间隙，则方法11150能够包括将曲线识别11175为SDSF线。如果11167在曲线的第一预选距离内的点的数目不超过在SDSF线的第一预选距离内的点的数目，或者如果11171曲线不与路径线相交，或者如果11173在曲线上的点之间存在超过第二预选距离的间隙，并且如果11177SDSF线不保持稳定，并且如果11169尚未尝试曲线拟合超过第二预选尝试次数，则方法11150能够包括返回到步骤11165。稳定的SDSF线是产生相同或更少点的后续迭代的结果。
现在主要参考图5H，如果11169(图5G)已尝试曲线拟合达第二预选尝试次数，或者如果11177(图5G)SDSF线保持稳定或者退化，则方法11150能够包括接收11179占据栅格信息。占据栅格能够提供在某些点处存在障碍物的概率。当占据栅格包括在具有多边形的公共地理区域之上捕获和/或计算的数据时，占据栅格信息能够扩增在围绕AV路径和SDSF的多边形中找到的SDSF和路径信息。方法11150能够包括从公共地理区域中选择11181点及其相关概率。如果11183在所选点处存在障碍物的概率高于预选百分比，并且如果11185障碍物位于AV与目标点之间，并且如果11186障碍物小于在SDSF线与目标点之间离SDSF线的第三预选距离，则方法11150能够包括将障碍物投影11187到SDSF线。如果11183存在小于或等于该位置包括障碍物的预选百分比概率，或者如果11185障碍物不位于AV与目标点之间，或者如果11186障碍物位于等于或大于在SDSF与目标点之间离SDSF线的第三预选距离的距离处，并且如果11189有更多障碍物要处理，则方法11150能够包括恢复步骤11179处的处理。
现在主要参考图5I，如果11189(图5H)没有更多障碍物要处理，方法11150能够包括连接11191投影并且沿着SDSF线查找已连接的投影的端点。方法11150能够包括将SDSF线的介于投影端点之间的部分标记11193为不可横越。方法11150能够包括将SDSF线的在不可横越部分之外的部分标记11195为可横越。方法11150能够包括使AV转动11197到在与SDSF线的可横越部分垂直的第五预选量内。如果11199相对于与SDSF线的可横越部分垂直的线的航向误差大于第一预选量，则方法11150能够包括将AV减慢11251第九预选量。方法11150能够包括将AV朝向SDSF线向前驱动11253，在AV与可横越SDSF线之间每米距离减慢第二预选量。如果11255AV离可横越SDSF线的距离小于第四预选距离，并且如果11257航向误差相对于与SDSF线垂直的线大于或等于第三预选量，则方法11150可以包括将AV减慢11252第九预选量。
现在主要参考图5J，如果11257(图5I)航向误差相对于与SDSF线垂直的线小于第三预选量，则方法11150能够包括忽略11260更新后的SDSF信息并且以预选速度驱动AV。如果11259AV的前部相对于AV的后部的抬高介于第六预选量与第五预选量之间，则方法11150能够包括将AV向前驱动11261并且每抬高程度将AV的速度增加至第八预选量。如果11263AV的前对后抬高小于第六预选量，则方法11150能够包括以第七预选速度向前驱动11265AV。如果11267AV的后部离SDSF线超过第五预选距离，则方法11150能够包括注意11269AV已完成横越SDSF。如果11267，AV的后部离SDSF线小于或等于第五预选距离，则方法11150能够包括返回到步骤11260。
现在参考图5K，用于跨越至少一个SDSF将AV朝向目标点导航的系统51100能够包括但不限于包括路径线处理器11103、SDSF检测器11109和SDSF控制器11127。系统51100能够与表面处理器11601可操作地联接，该表面处理器11601能够处理传感器信息，该传感器信息能够包括例如但不限于AV 10101(图5L)的周围环境的图像。表面处理器11601能够提供实时表面特征更新，包括SDSF的指示。在一些配置中，相机能够提供其点能够根据表面类型被分类的RGB-D数据。在一些配置中，系统51100能够处理已被分类为SDSF的点及其相关概率。系统51100能够与系统控制器11602可操作地联接，该系统控制器11602能够管理AV10101(图5L)的操作的各方面。系统控制器11602能够维护占据栅格11138，该占据栅格11138能够可以包括来自可用源的关于AV 10101(图5L)附近的可导航区域的信息。占据栅格11138能够包括存在障碍物的概率。此信息能够与SDSF信息相结合地使用，以确定SDSF10377(图5N)是否能够被AV 10101(图5L)横越，而不遇到障碍物11681(图5M)。系统控制器11602能够基于环境和其他信息来确定AV 10101(图5N)不应该超过的速度极限11148。速度极限11148能够被用作指南，或者能够重载由系统51100设置的速度。系统51100能够与基座控制器10114可操作地联接，该基座控制器10114能够将由SDSF控制器11127生成的驱动命令11144发送到AV 10101(图5L)的驱动部件。基座控制器10114能够向SDSF控制器11127提供关于AV 10101(图5L)在SDSF横越期间的定向的信息。
继续参考图5K，路径线处理器11103能够连续实时地接收表面分类点10789，这些表面分类点10789能够包括但不限于包括被分类为SDSF的点。路径线处理器11103能够接收目标点11139的位置，以及如由例如但不限于AV 10101(图5L)的中心11202(图5L)所指示的AV位置11141。系统51100能够包括绘制多边形11147的多边形处理器11105，所述多边形11147包含AV位置11141、目标点11139的位置、以及目标点11139与AV位置11141之间的路径11214。多边形11147能够包括预选宽度。在一些配置中，预选宽度能够包括大约AV 10101(图5L)的宽度。能够识别落在多边形11147内的SDSF点10789。
继续参考图5K，SDSF检测器11109能够接收表面分类点10789、路径11214、多边形11147和目标点11139，并且能够根据在传入数据内可获得的本文陈述的准则确定最合适的SDSF线10377。SDSF检测器11109能够包括但不限于包括点处理器11111和SDSF线处理器11113。点处理器11111能够包括选择位于多边形11147内的两个SDSF点10789，并且在这两个点之间绘制SDSF 10377线。如果在SDSF线10377的第一预选距离内有少于第一预选数目的点，并且如果在选取SDSF点10789、在两个点之间绘制线、并且在SDSF线周围具有少于第一预选数目的点时已有少于第二预选尝试次数，则点处理器11111能够包括再次循环通过如本文所陈述的选择-绘制-测试循环。如果在选取SDSF点、在它们之间绘制线、并且在SDSF线周围具有少于第一预选数目的点时已有第二预选尝试次数，则点处理器11111能够包括注意未检测到SDSF线。
继续参考图5K，SDSF线处理器11113能够包括，如果存在第一预选数目或更多的点10789，则将曲线11609-11611(图5L)拟合到落在SDSF线10377的第一预选距离内的点10789。如果在曲线11609-11611(图5L)的第一预选距离内的点10789的数目超过在SDSF线10377的第一预选距离内的点10789的数目，并且如果曲线11609-11611(图5L)与路径线11214相交，并且如果在曲线11609-11611(图5L)上的点10789之间不存在超过第二预选距离的间隙，则SDSF线处理器11113能够包括(例如)将曲线11609-11611(图5L)识别为SDSF线10377。如果在曲线11609-11611(图5L)的预选距离内的点10789的数目不超过在SDSF线10377的第一预选距离内的点10789的数目，或者如果曲线11609-11611(图5L)不与路径线11214相交，或者如果在曲线11609-11611(图5L)上的点10789之间存在超过第二预选距离的间隙，并且如果SDSF线10377不保持稳定，并且如果尚未尝试曲线拟合超过第二预选尝试次数，则SDSF线处理器11113能够再次执行曲线拟合循环。
继续参考图5K，SDSF控制器11127能够接收SDSF线10377、占据栅格11138、AV定向变化11142和速度极限11148，并且能够生成SDSF命令11144以驱动AV 10101(图5L)来正确地横越SDSF 10377(图5N)。SDSF控制器11127能够包括但不限于包括障碍物处理器11115、SDSF接近11131和SDSF横越11133。障碍物处理器11115能够接收SDSF线10377、目标点11139和占据栅格11138，并且能够确定在占据栅格11138中识别的障碍物当中，它们中的任一个是否可能在AV 10101(图5N)横越SDSF 10377(图5N)时阻碍它。障碍物处理器11115能够包括但不限于包括障碍物选择器11117、障碍物测试器11119和横越定位器11121。障碍物选择器11117能够包括但不限于包括如本文所描述的接收占据栅格11138。障碍物选择器11117能够包括从为占据栅格11138和多边形11147两者所共有的地理区域中选择占据栅格点及其相关概率。障碍物测试器11119能够包括，如果在所选栅格点处存在障碍物的概率高于预选百分比，并且如果障碍物位于AV10101(图5L)与目标点11139之间，并且如果障碍物小于在SDSF线10377与目标点11139之间离SDSF线10377的第三预选距离，则障碍物测试器11119能够包括将障碍物投影到SDSF线10377，从而形成与SDSF线10377相交的投影11621。如果位置包括障碍物的概率小于或等于预选百分比，或者如果障碍物不位于AV 10101(图5L)与目标点11139之间，或者如果障碍物位于小于或等于在SDSF线10377与目标点11139之间离SDSF线10377的第三预选距离的距离处，则障碍测试器11119能够包括，如果有更多障碍物要处理，则在接收占据栅格11138时恢复执行。
继续参考图5K，横越定位器11121能够包括连接投影点并且沿着SDSF线10377定位连接的投影11621(图5M)的端点11622/11623(图5M)。横越定位器11121能够包括将投影端点11622/11623(图5M)之间的SDSF线10377的部分11624(图5M)标记为不可横越。横越定位器11121能够包括将SDSF线10377的在不可横越部分11624(图5M)之外的部分11626(图5M)标记为可横越。
继续参考图5K，SDSF接近11131能够包括发送SDSF命令11144以使AV 10101(图5N)转动到在与SDSF线10377的可横越部分11626(图5N)垂直的第五预选量内。如果相对于与SDSF线10377的可横越部分11626(图5N)垂直的垂直线11627(图5N)的航向误差大于第一预选量，则SDSF接近11131能够包括发送SDSF命令11144以将AV 10101(图5N)减慢第九预选量。在一些配置中，第九预选量能够从非常慢到完全停止变动。SDSF接近11131能够包括发送SDSF命令11144以将AV 10101(图5N)朝向SDSF线10377向前驱动，发送SDSF命令11144以将AV 10101(图5N)减慢每米行驶的第二预选量。如果AV 10101(图5N)与可横越SDSF线11626(图5N)之间的距离小于第四预选距离，并且如果航向误差相对于与SDSF线10377垂直的线大于或等于第三预选量，SDSF接近11131能够包括发送SDSF命令11144以将AV 10101(图5N)减慢第九预选量。
继续参考图5K，如果航向误差相对于与SDSF线10377垂直的线小于第三预选量，则SDSF横越11133能够包括忽略更新后的SDSF信息并且发送SDSF命令11144以以预选速率驱动AV 10101(图5N)。如果AV定向变化11142指示AV 10101(图5N)的前边缘11701(图5N)相对于AV 10101(图5N)的尾边缘11703(图5N)的抬高介于第六预选量与第五预选量之间，则SDSF横越11133能够包括发送SDSF命令11144以将AV 10101(图5N)向前驱动，并且发送SDSF命令11144以每抬高程度将AV 10101(图5N)的速度增加至预选速率。如果AV定向变化11142指示AV 10101(图5N)的前边缘11701(图5N)至尾边缘11703(图5N)抬高小于第六预选量，则SDSF横越11133能够包括发送SDSF命令11144以将AV 10101(图5N)以第七预选速度向前驱动。如果AV位置11141指示尾边缘11703(图5N)离SDSF线10377超过第五预选距离，则SDSF横越11133能够包括注意AV10101(图5N)已完成横越SDSF 10377。如果AV位置11141指示尾边缘11703(图5N)离SDSF线10377小于或等于第五预选距离，则SDSF横越11133能够包括再次执行从忽略经更新后的SDSF信息开始的循环。
本文描述的预选值的一些示例性范围能够包括但不限于包括表II中列出的那些。
Figure BDA0003510881010000801
表II。
现在参考图5O，为了支持实时数据收集，在一些配置中，本教导的系统能够在接收到诸如例如但不仅限于RGD-D相机图像数据时产生各种表面类型的三维空间中的位置。系统能够使图像12155旋转并且将它们从相机坐标系12157转化成UTM坐标系12159。系统能够从经变换后的图像生成多边形文件，并且多边形文件能够表示与表面类型12161相关联的三维位置。用于从由AV 10101(AV 10101具有姿态12163)接收到的相机图像12155中定位特征12151的方法12150能够包括但不限于包括由AV 10101接收相机图像12155。每一个相机图像12155能够包括图像时间戳12171，并且每一个图像12155能够包括图像颜色像素12167和图像深度像素12169。方法12150能够包括接收AV 10101的姿态12163，姿态12163具有姿态时间戳12171，并且通过从相机图像12155中识别具有与姿态时间戳12171最接近的图像时间戳12165的图像来确定所选图像12173。方法12150能够包括在所选图像12173中使图像颜色像素12167与图像深度像素12169分离，以及通过将图像颜色像素12167提供给第一机器学习模型12177并且将图像深度像素12169提供给第二机器学习模型12179来确定所选图像12173的图像表面分类12161。方法12150能够包括确定相机图像12173中的特征的周界点12181，其中特征能够包括周界内的特征像素12151，每一个特征像素12151具有相同的表面分类12161，每一个周界点12181具有坐标集12157。方法12150能够包括将每一个坐标集12157转换到UTM坐标12159。
本教导的配置针对用于实现本文描述中讨论的方法的计算机系统，并且针对包含用于实现这些方法的程序的计算机可读介质。原始数据和结果能够被存储以供将来检索和处理，打印、显示、传送到另一计算机和/或传送到别处。通信链路可以是有线或无线的，例如，使用蜂窝通信系统、军事通信系统和卫星通信系统。系统的各部分能够在具有可变数目的CPU的计算机上操作。能够使用其他替代计算机平台。
本配置还针对用于实现本文讨论的方法的软件，以及存储用于实现这些方法的软件的计算机可读介质。本文描述的各种模块能够被实现在同一CPU上，或者能够被实现在不同计算机上。根据法规，本配置已用或多或少特定于结构和方法特征的语言进行了描述。然而，应当理解，本配置不限于所示出和描述的特定特征，因为本文公开的手段包括使本配置生效的优选形式。
方法能够全部或部分地用电子学方法实现。表示由系统的元件和其他公开的配置所采取的动作的信号能够通过至少一个实时通信网络传播。控制和数据信息能够被用电子学方法执行并存储在至少一个计算机可读介质上。系统能够被实现成在至少一个实况通信网络中的至少一个计算机节点上执行。至少一个计算机可读介质的常见形式能够包括例如但不限于软盘、柔性盘、硬盘、磁带或任何其他磁性介质、紧致盘只读存储器或任何其他光学介质、穿孔卡片、纸带或具有孔图案的任何其他物理介质、随机存取存储器、可编程只读存储器以及可擦除可编程只读存储器(EPROM)、闪存EPROM，或任何其他存储器芯片或盒，或计算机能够从中读取的任何其他介质。此外，至少一个计算机可读介质能够包含在必要时经受适当许可的任何形式的图形，包括但不限于图形交换格式(GIF)、联合图像专家组(JPEG)、便携式网络图形(PNG)、可缩放矢量图形(SVG)和标记图像文件格式(TIFF)。
虽然已在上面按特定配置描述了本教导，但是应当理解，它们不限于这些公开的配置。本领域的技术人员将想到许多修改和其他配置，并且这些修改和其他配置旨在被本公开和所附权利要求两者涵盖。如由本领域的技术人员依靠本说明书和附图中的公开内容所理解的，本教导的范围旨在应该通过对所附权利要求及其法律等同物的适当解释和构造来确定。
所要求保护的权利如下。

Claims (93)

1.一种自主递送车辆，其包括：
动力基座，所述动力基座包括两个动力前轮、两个动力后轮和储能器，所述动力基座被配置成以命令速率并且按命令方向移动以执行至少一个对象的运输；
货物平台，所述货物平台包括多个短距离传感器，所述货物平台被机械地附接到所述动力基座；
货物容器，所述货物容器具有用于接收所述至少一个对象的容积，所述货物容器被安装在所述货物平台的顶部；
长距离传感器套件，所述长距离传感器套件包括LIDAR和一个或多个相机，所述长距离传感器套件被安装在所述货物容器的顶部；以及
控制器，所述控制器从所述长距离传感器套件和所述多个短距离传感器接收数据，所述控制器至少基于所述数据来确定所述命令速率和所述命令方向，所述控制器将所述命令速率和所述命令方向提供给所述动力基座以完成所述运输。
2.根据权利要求1所述的自主递送车辆，其中，
来自所述多个短距离传感器的所述数据包括所述动力基座在其上行驶的表面的至少一个特性。
3.根据权利要求1所述的自主递送车辆，其中，
所述多个短距离传感器包括至少一个立体相机。
4.根据权利要求1所述的自主递送车辆，其中，
所述多个短距离传感器包括至少一个IR投影器、至少一个图像传感器和至少一个RGB传感器。
5.根据权利要求1所述的自主递送车辆，其中，
所述多个短距离传感器包括至少一个雷达传感器。
6.根据权利要求1所述的自主递送车辆，其中，
来自所述多个短距离传感器的所述数据包括RGB-D数据。
7.根据权利要求1所述的自主递送车辆，其中，
所述控制器基于从所述多个短距离传感器接收到的RGB-D数据来确定道路表面的几何形状。
8.根据权利要求1所述的自主递送车辆，其中，
所述多个短距离传感器检测在所述AV的4米内的对象，而所述长距离传感器套件检测离所述自主递送车辆超过4米的对象。
9.根据权利要求1所述的自主递送车辆，其中，
所述多个短距离传感器包括冷却电路。
10.根据权利要求1所述的自主递送车辆，其中，
所述多个短距离传感器包括超声传感器。
11.根据权利要求2所述的自主递送车辆，其中，所述控制器包括：
可执行代码，所述可执行代码包括：
访问地图，所述地图由地图处理器形成，所述地图处理器包括：
第一处理器，所述第一处理器访问来自所述长距离传感器套件的点云数据，所述点云数据表示所述表面；
过滤器，所述过滤器过滤所述点云数据；
第二处理器，所述第二处理器从过滤后的所述点云数据形成可处理部分；
第三处理器，所述第三处理器将所述可处理部分合并成至少一个多边形；
第四处理器，所述第四处理器在所述至少一个多边形中定位和标记至少一个大体上不连续的表面特征(SDSF)，如果存在，则所述定位并标记形成被标记的点云数据；
第五处理器，所述第五处理器从所述被标记的点云数据创建图形多边形；以及
第六处理器，所述第六处理器至少基于所述图形多边形来选取从起点到终点的路径，所述AV沿着所述路径横越所述至少一个SDSF。
12.根据权利要求11所述的自主递送车辆，其中，所述过滤器包括：
第七处理器，所述第七处理器执行代码，所述代码包括：
有条件地从所述点云数据中去除表示瞬态对象的点和表示离群值的点；以及
替换经去除的具有预选高度的点。
13.根据权利要求11所述的自主递送车辆，其中，所述第二处理器包括所述可执行代码，所述可执行代码包括：
将所述点云数据分段成所述可处理部分；以及
从所述可处理部分中去除预选高度的点。
14.根据权利要求11所述的自主递送车辆，其中，所述第三处理器包括所述可执行代码，所述可执行代码包括：
通过分析离群值、体素和法线，来减小所述可处理部分的大小；
从被减小大小的所述可处理部分来生长区域；
从所述生长区域来确定初始可驾驶表面；
对所述初始可驾驶表面进行分段和网格化；
在经分段和网格化的初始可驾驶表面内定位多边形；以及
至少基于所述多边形来设置至少一个可驾驶表面。
15.根据权利要求14所述的自主递送车辆，其中，所述第四处理器包括所述可执行代码，所述可执行代码包括：
根据SDSF过滤器对所述初始可驾驶表面的所述点云数据进行分类，所述SDSF过滤器包括至少三个类别的点；以及
至少基于所述至少三个类别的点是否相结合地满足至少一个第一预选准则，来定位至少一个SDSF点。
16.根据权利要求15所述的自主递送车辆，其中，所述第四处理器包括所述可执行代码，所述可执行代码包括：
至少基于多个所述至少一个SDSF点是否相结合地满足至少一个第二预选准则，来创建至少一条SDSF轨迹。
17.根据权利要求14所述的自主递送车辆，其中，创建图形多边形包括第八处理器，所述第八处理器包括所述可执行代码，所述可执行代码包括：
从所述至少一个可驾驶表面创建至少一个多边形，所述至少一个多边形包括外部边缘；
使所述外部边缘平滑；
基于被平滑的所述外部边缘来形成驾驶边距；
将所述至少一条SDSF轨迹添加到所述至少一个可驾驶表面；以及
根据至少一个第三预选准则，从所述至少一个可驾驶表面去除内部边缘。
18.根据权利要求17所述的自主递送车辆，其中，对所述外部边缘进行的所述平滑包括第九处理器，所述第九处理器包括所述可执行代码，所述可执行代码包括：
向外修剪所述外部边缘从而形成向外边缘。
19.根据权利要求18所述的自主递送车辆，其中，形成被平滑的所述外部边缘的所述驾驶边距包括第十处理器，所述第十处理器包括所述可执行代码，所述可执行代码包括：
向内修剪所述向外边缘。
20.根据权利要求1所述的自主递送车辆，其中，所述控制器包括：
子系统，所述子系统用于导航由自主递送车辆(AV)遇到的至少一个大体上不连续的表面特征(SDSF)，所述AV在表面上驶过路径，所述表面包括所述至少一个SDSF，所述路径包括起点和终点，所述子系统包括：
第一处理器，所述第一处理器访问路线拓扑，所述路线拓扑包括至少一个图形多边形，所述至少一个图形多边形包括过滤后的点云数据，所述过滤后的点云数据包括被标记的特征，所述点云数据包括可驾驶边距；
第二处理器，所述第二处理器将所述点云数据变换到全局坐标系中；
第三处理器，所述第三处理器确定所述至少一个SDSF的边界，所述第三处理器在所述边界周围创建预选大小的SDSF缓冲区；
第四处理器，所述第四处理器至少基于至少一个SDSF横越准则来确定能够横越所述至少一个SDSF中的哪个；
第五处理器，所述第五处理器至少基于所述至少一个SDSF横越准则、经变换后的点云数据和所述路线拓扑来创建边缘/权重图；以及
基座控制器，所述基座控制器至少基于所述边缘/权重图来选取从所述起点到所述终点的所述路径。
21.根据权利要求20所述的自主递送车辆，其中，所述至少一个SDSF横越准则包括：
所述至少一个SDSF的预选宽度和所述至少一个SDSF的预选平滑度；
所述至少一个SDSF与包括可驾驶表面的所述AV之间的最小入口距离和最小出口距离；以及
容许所述AV以大致90°接近于所述至少一个SDSF的、在所述至少一个SDSF与所述AV之间的最小入口距离。
22.一种用于管理自主设备的全局占据栅格的方法，所述全局占据栅格包括全局占据栅格单元，所述全局占据栅格单元与占据概率相关联，所述方法包括：
从与所述自主设备相关联的传感器接收传感器数据；
至少基于所述传感器数据来创建局部占据栅格，所述局部占据栅格具有局部占据栅格单元；
如果所述自主设备已从第一区域移动到第二区域，则
访问与所述第二区域相关联的历史数据；
至少基于所述历史数据来创建静态栅格；
移动所述全局占据栅格以使所述自主设备维持在所述全局占据栅格的中心位置中；
基于所述静态栅格来更新经移动的全局占据栅格；
如果所述全局占据栅格单元中的至少一个与所述自主设备的位置一致，则将所述全局占据栅格单元中的至少一个标记为未占据；
对于所述局部占据栅格单元中的每一个，
计算所述局部占据栅格单元在所述全局占据栅格上的位置；
从在所述位置处的所述全局占据栅格单元访问第一占据概率；
从在所述位置处的所述局部占据栅格单元访问第二占据概率；以及
至少基于所述第一占据概率和所述第二占据概率来计算所述全局占据栅格上的在所述位置处的新占据概率。
23.根据权利要求22所述的方法，所述方法进一步包括：
对所述新占据概率进行范围检查。
24.根据权利要求23所述的方法，其中，所述范围检查包括：
如果所述新占据概率<0，则将所述新占据概率设置为0；以及
如果所述新占据概率>1，则将所述新占据概率设置为1。
25.根据权利要求22所述的方法，所述方法进一步包括：
将所述全局占据栅格单元设置为所述新占据概率。
26.根据权利要求23所述的方法，所述方法进一步包括：
将所述全局占据栅格单元设置为经范围检查的新占据概率。
27.一种用于创建并管理占据栅格的方法，所述方法包括：
由局部占据栅格创建节点将传感器测量结果变换为与设备相关联的参考系；
创建带时间戳的测量结果占据栅格；
将所述带时间戳的测量结果占据栅格发布为局部占据栅格；
创建多个局部占据栅格；
基于储存库中的表面特性来创建静态占据栅格，所述表面特性与所述设备的位置相关联；
移动与所述设备的所述位置相关联的全局占据栅格以将所述设备和所述局部占据栅格维持为相对于所述全局占据栅格大致居中；
将来自所述静态占据栅格的信息添加到所述全局占据栅格；
将由所述设备当前占据的所述全局占据栅格中的区域标记为未占据；
对于每个局部占据栅格中的至少一个单元中的每一个，
确定所述至少一个单元在所述全局占据栅格中的定位；
访问在所述定位处的第一值；
基于所述第一值与所述局部占据栅格中的所述至少一个单元处的单元值之间的关系来确定在所述定位处的第二值；
对照预选概率范围，来比较所述第二值；以及
如果概率值在所述预选概率范围内，则用所述新值设置所述全局占据栅格。
28.根据权利要求27所述的方法，所述方法进一步包括：
发布所述全局占据栅格。
29.根据权利要求27所述的方法，其中，所述表面特性包括表面类型和表面不连续。
30.根据权利要求27所述的方法，其中，所述关系包括求和。
31.一种用于创建并管理占据栅格的系统，其包括：
多个局部栅格创建节点，所述多个局部栅格创建节点创建至少一个局部占据栅格，所述至少一个局部占据栅格与设备的位置相关联，所述至少一个局部占据栅格包括至少一个单元；
全局占据栅格管理器，所述全局占据栅格管理器访问所述至少一个局部占据栅格，所述全局占据栅格管理器：
基于储存库中的表面特性来创建静态占据栅格，所述表面特性与所述设备的所述位置相关联，
移动与所述设备的所述位置相关联的全局占据栅格，以将所述设备和至少一个所述局部占据栅格维持为相对于所述全局占据栅格大致居中；
将来自所述静态占据栅格的信息添加到至少一个全局占据栅格；
将由所述设备当前占据的所述全局占据栅格中的区域标记为未占据；
对于每个局部占据栅格中的所述至少一个单元中的每一个，
确定所述至少一个单元在所述全局占据栅格中的定位；
访问在所述定位处的第一值；
基于所述第一值与所述局部占据栅格中的所述至少一个单元处的单元值之间的关系来确定在所述定位处的第二值；
对照预选概率范围，来比较所述第二值；以及
如果概率值在所述预选概率范围内，则用所述新值设置所述全局占据栅格。
32.一种用于更新全局占据栅格的方法，所述方法包括：
如果自主设备已移动到新位置，则用来自与所述新位置相关联的静态栅格的信息更新所述全局占据栅格；
分析所述新位置处的表面；
如果所述表面是可驾驶的，则更新所述表面并且用更新的所述表面更新所述全局占据栅格；以及
用来自静态值的储存库的值更新所述全局占据栅格，所述静态值与所述新位置相关联。
33.根据权利要求32所述的方法，其中，更新所述表面包括：
访问与所述新位置相关联的局部占据栅格；
对于所述局部占据栅格中的每个单元，
访问局部占据栅格表面分类置信度值和局部占据栅格表面分类；
如果所述局部占据栅格表面分类与所述单元中的所述全局占据栅格中的全局表面分类相同，则将所述全局占据栅格中的全局表面分类置信度值加到所述局部占据栅格表面分类置信度值以形成总和，并且用所述总和来更新所述单元处的所述全局占据栅格；
如果所述局部占据栅格表面分类与所述单元中的所述全局占据栅格中的所述全局表面分类不相同，则从所述全局占据栅格中的所述全局表面分类置信度值中减去所述局部占据栅格表面分类置信度值以形成差，并且用所述差更新所述全局占据栅格；
如果所述差小于零，则用所述局部占据栅格表面分类更新所述全局占据栅格。
34.根据权利要求32所述的方法，其中，用来自静态值的所述储存库的所述值更新所述全局占据栅格包括：
对于局部占据栅格中的每个单元，
从所述局部占据栅格访问所述单元是被占据值的局部占据栅格概率，对数几率值；
用在所述单元处的所述局部占据栅格对数几率值来更新所述全局占据栅格中的所述对数几率值；
如果满足所述单元未被占据的预选确定性，并且如果所述自主设备正在车道栅栏内行驶，并且如果局部占据栅格表面分类指示可驾驶表面，则减小所述单元在所述局部占据栅格中被占据的所述对数几率；
如果所述自主设备预期遇到相对均匀的表面，并且如果所述局部占据栅格表面分类指示相对不均匀的表面，则增加所述局部占据栅格中的所述对数几率；以及
如果所述自主设备预期遇到相对均匀的表面，并且如果所述局部占据栅格表面分类指示相对均匀的表面，则减小所述局部占据栅格中的所述对数几率。
35.一种用于设备的配置的实时控制的方法，所述设备包括底盘、至少四个轮、所述底盘的与所述至少四个轮中的至少一个轮可操作地联接的第一侧、以及所述底盘的与所述至少四个车轮中的至少一个轮可操作地联接的相对第二侧，所述方法包括：
至少基于在先表面特征和占据栅格来创建地图，所述地图是被非实时地创建的，所述地图包括至少一个定位，所述至少一个定位与至少一个表面特征相关联，所述至少一个表面特征与至少一种表面分类和至少一种模式相关联；
随着所述设备行驶而确定当前表面特征；
用所述当前表面特征实时地更新所述占据栅格；
从所述占据栅格和所述地图确定所述设备能够行驶以横越所述至少一个表面特征的路径。
36.一种用于设备的配置的实时控制的方法，所述设备包括底盘、至少四个轮、所述底盘的与所述至少四个轮中的至少一个轮可操作地联接的第一侧、以及所述底盘的与所述至少四个车轮中的至少一个轮可操作地联接的相对第二侧，所述方法包括：
接收环境数据；
至少基于所述环境数据来确定表面类型；
至少基于所述表面类型和第一配置来确定模式；
至少基于所述模式和所述表面类型来确定第二配置；
至少基于所述第二配置来确定移动命令；以及
通过使用所述移动命令来控制所述设备的所述配置，以将所述设备从所述第一配置改变为所述第二配置。
37.根据权利要求36所述的方法，其中，所述环境数据包括RGB-D图像数据。
38.根据权利要求36所述的方法，所述方法进一步包括：
至少基于所述表面类型和所述模式来填充占据栅格；以及
至少基于所述占据栅格来确定所述移动命令。
39.根据权利要求38所述的方法，其中，
所述占据栅格包括至少基于来自至少一个图像传感器的数据的信息。
40.根据权利要求36所述的方法，其中，
所述环境数据包括道路表面的拓扑。
41.根据权利要求36所述的方法，其中，
所述配置包括所述至少四个轮的两对集群，所述两对中的第一对位于所述第一侧，所述两对中的第二对位于所述第二侧，所述第一对包括第一前轮和第一后轮，而所述第二对包括第二前轮和第二后轮。
42.根据权利要求41所述的方法，其中，所述配置的所述控制包括：
至少基于所述环境数据对所述第一对和所述第二对进行协调供电。
43.根据权利要求41所述的方法，其中，所述配置的所述控制包括：
从驱动所述至少四个轮和一对缩回脚轮转变为驱动两个轮，所述一对脚轮可操作地联接到所述底盘，其中，集群的所述第一对和集群的所述第二对被旋转以升高所述第一前轮和所述第二前轮，所述设备被搁置在所述第一后轮、所述第二后轮和所述一对脚轮上。
44.根据权利要求41所述的方法，其中，所述配置的所述控制包括：
至少基于所述环境数据来使与在所述第一侧上的第一两个动力轮和在所述第二侧上的第二两个动力轮可操作地联接的一对集群旋转。
45.根据权利要求36所述的方法，其中，
所述设备还包括货物容器，所述货物容器被安装在所述底盘上，所述底盘控制所述货物容器的高度。
46.根据权利要求45所述的方法，其中，
所述货物容器的所述高度至少基于所述环境数据。
47.一种用于设备的配置的实时控制的系统，所述设备包括底盘、至少四个轮、所述底盘的第一侧和所述底盘的相对第二侧，所述系统包括：
设备处理器，所述设备处理器接收所述设备周围的实时环境数据，所述设备处理器至少基于所述环境数据来确定表面类型，所述设备处理器至少基于所述表面类型和第一配置来确定模式，所述设备处理器至少基于所述模式和所述表面类型来确定第二配置；以及
动力基座处理器，所述动力基座处理器至少基于所述第二配置来确定移动命令，所述动力基座处理器通过使用所述移动命令来控制所述设备的所述配置以将所述设备从所述第一配置改变为所述第二配置。
48.根据权利要求47所述的系统，其中，
所述环境数据包括RGB-D图像数据。
49.根据权利要求47所述的系统，其中，
所述设备处理器包括至少基于所述表面类型和所述模式来填充占据栅格。
50.根据权利要求49所述的系统，其中，
所述动力基座处理器包括至少基于所述占据栅格来确定所述移动命令。
51.根据权利要求49所述的系统，其中，
所述占据栅格包括至少基于来自至少一个图像传感器的数据的信息。
52.根据权利要求47所述的系统，其中，
所述环境数据包括道路表面的拓扑。
53.根据权利要求47所述的系统，其中，所述配置包括所述至少四个轮的两对集群，所述两对中的第一对被定位在所述第一侧，所述两对中的第二对被定位在所述第二侧，所述第一对具有第一前轮和第一后轮，而所述第二对具有第二前轮和第二后轮。
54.根据权利要求53所述的系统，其中，所述配置的所述控制包括：
至少基于所述环境数据来对所述第一对和所述第二对进行协调供电。
55.根据权利要求53所述的系统，其中，所述配置的所述控制包括：
从驱动所述至少四个轮和一对缩回脚轮转变为驱动两个轮，所述一对脚轮被可操作地联接到所述底盘，其中，集群的所述第一对和集群的所述第二对被旋转以升高所述第一前轮和所述第二前轮，所述设备被搁置在所述第一后轮、所述第二后轮和所述一对脚轮上。
56.一种用于维持全局占据栅格的方法，所述方法包括：
定位自主设备的第一位置；
当所述自主设备移动到第二位置时，所述第二位置与所述全局占据栅格和局部占据栅格相关联，
用与所述第一位置相关联的至少一个占据概率值更新所述全局占据栅格；
用与所述局部占据栅格相关联的至少一个可驾驶表面更新所述全局占据栅格；
用与所述至少一个可驾驶表面相关联的表面置信度更新所述全局占据栅格；
使用第一贝叶斯函数来用所述至少一个占据概率值的对数几率来更新所述全局占据栅格；并且
至少基于与所述第二位置相关联的特性来调整所述对数几率；以及
当所述自主设备保持在所述第一位置中并且所述全局占据栅格和所述局部占据栅格被协同定位时，
用与所述局部占据栅格相关联的所述至少一个可驾驶表面更新所述全局占据栅格；
用与所述至少一个可驾驶表面相关联的所述表面置信度更新所述全局占据栅格；
使用第二贝叶斯函数来用所述至少一个占据概率值的对数几率更新所述全局占据栅格；并且
至少基于与所述第二位置相关联的特性来调整所述对数几率。
57.根据权利要求35所述的方法，其中，创建所述地图包括：
访问表示所述表面的点云数据；
过滤所述点云数据；
将经过滤后的点云数据形成为可处理部分；
将所述可处理部分合并成至少一个凹多边形；
在所述至少一个凹多边形中定位和标记所述至少一个SDSF，所述定位和标记形成标记的点云数据；
至少基于所述至少一个凹多边形来创建图形多边形；以及
至少基于所述图形多边形来选取从起点到终点的路径，所述AV沿着所述路径横越所述至少一个SDSF。
58.根据权利要求57所述的方法，其中，过滤所述点云数据包括：
有条件地从所述点云数据去除表示瞬态对象的点和表示离群值的点；以及
替换经去除的具有预选高度的点。
59.根据权利要求57所述的方法，其中，形成处理部分包括：
将所述点云数据分段成所述可处理部分；以及
从所述可处理部分去除预选高度的点。
60.根据权利要求57所述的方法，其中，合并所述可处理部分包括：
通过分析离群值、体素和法线来减小所述可处理部分的大小；
从被减小大小的所述可处理部分来生长区域；
从所述生长区域来确定初始可驾驶表面；
对所述初始可驾驶表面进行分段和网格化；
在经分段和网格化的初始可驾驶表面内定位多边形；以及
至少基于所述多边形来设置至少一个可驾驶表面。
61.根据权利要求60所述的方法，其中，所述定位和标记所述至少一个SDSF包括：
根据SDSF过滤器对所述初始可驾驶表面的所述点云数据进行分类，所述SDSF过滤器包括至少三个类别的点；以及
至少基于所述至少三个类别的点是否相结合地满足至少一个第一预选准则，来定位至少一个SDSF点。
62.根据权利要求61所述的方法，所述方法进一步包括：
至少基于多个所述至少一个SDSF点是否相结合地满足至少一个第二预选准则，来创建至少一条SDSF轨迹。
63.根据权利要求62所述的方法，其中，对图形多边形的所述创建进一步包括：
从所述至少一个可驾驶表面创建至少一个多边形，所述至少一个多边形包括外部边缘；
使所述外部边缘平滑；
基于所述平滑外部边缘来形成驾驶边距；
将所述至少一条SDSF轨迹添加到所述至少一个可驾驶表面；以及
根据至少一个第三预选准则，从所述至少一个可驾驶表面去除内部边缘。
64.根据权利要求63所述的方法，其中，所述外部边缘的所述平滑包括：
向外修剪所述外部边缘从而形成向外边缘。
65.根据权利要求63所述的方法，其中，形成平滑的所述外部边缘的所述驾驶边距包括：
向内修剪所述向外边缘。
66.一种自主递送车辆，其包括：
动力基座，所述动力基座包括两个动力前轮、两个动力后轮和储能器，所述动力基座被配置成以命令速率移动；
货物平台，所述货物平台包括多个短距离传感器，所述货物平台机械地附接到所述动力基座；
货物容器，所述货物容器具有用于接收一个或多个待递送对象的容积，所述货物容器被安装在所述货物平台的顶部；
长距离传感器套件，所述长距离传感器套件包括LIDAR和一个或多个相机，所述长距离传感器套件被安装在所述货物容器的顶部；以及
控制器，所述控制器从所述长距离传感器套件和所述多个短距离传感器接收数据。
67.根据权利要求66所述的自主递送车辆，其中，
所述多个短距离传感器检测可驾驶表面的至少一个特性。
68.根据权利要求66所述的自主递送车辆，其中，
所述多个短距离传感器是立体相机。
69.根据权利要求66所述的自主递送车辆，其中，
所述多个短距离传感器包括IR投影器、两个图像传感器和RGB传感器。
70.根据权利要求66所述的自主递送车辆，其中，
所述多个短距离传感器是雷达传感器。
71.根据权利要求66所述的自主递送车辆，其中，
所述短距离传感器向所述控制器供应RGB-D数据。
72.根据权利要求66所述的自主递送车辆，其中，
所述控制器基于从所述多个短距离传感器接收到的RGB-D数据来确定道路表面的几何形状。
73.根据权利要求66所述的自主递送车辆，其中，
所述多个短距离传感器检测在所述自主递送车辆的4米内的对象，而所述长距离传感器套件检测离所述自主递送车辆超过4米的对象。
74.一种自主递送车辆，其包括：
动力基座，所述动力基座包括至少两个动力后轮、脚轮前轮和储能器，所述动力基座被配置成以命令速率移动；
货物平台，所述货物平台包括多个短距离传感器，所述货物平台被机械地附接到所述动力基座；
货物容器，所述货物容器具有用于接收一个或多个待递送对象的容积，所述货物容器被安装在所述货物平台的顶部；
长距离传感器套件，所述长距离传感器套件包括LIDAR和一个或多个相机，所述长距离传感器套件被安装在所述货物容器的顶部；以及
控制器，所述控制器从所述长距离传感器套件和所述多个短距离传感器接收数据。
75.根据权利要求74所述的自主递送车辆，其中，
所述多个短距离传感器检测可驾驶表面的至少一个特性。
76.根据权利要求74所述的自主递送车辆，其中，
所述多个短距离传感器是立体相机。
77.根据权利要求74所述的自主递送车辆，其中，
所述多个短距离传感器包括IR投影器、两个图像传感器和RGB传感器。
78.根据权利要求74所述的自主递送车辆，其中，
所述多个短距离传感器是雷达传感器。
79.根据权利要求74所述的自主递送车辆，其中，
所述短距离传感器向所述控制器供应RGB-D数据。
80.根据权利要求74所述的自主递送车辆，其中，
所述控制器基于从所述多个短距离传感器接收到的RGB-D数据来确定道路表面的几何形状。
81.根据权利要求74所述的自主递送车辆，其中，
所述多个短距离传感器检测在所述自主递送车辆的4米内的对象，而所述长距离传感器套件检测离所述自主递送车辆超过4米的对象。
82.根据权利要求74所述的自主递送车辆，还包括：
可以在所述脚轮被升离地面的同时接合所述地面的第二组动力轮。
83.一种自主递送车辆，其包括：
动力基座，所述动力基座包括至少两个动力后轮、脚轮前轮和储能器，所述动力基座被配置成以命令速率移动；
货物平台，所述货物平台被机械地附接到所述动力基座；以及
短距离相机组件，所述短距离相机组件被安装到所述货物平台，所述短距离相机组件检测可驾驶表面的至少一个特性，所述短距离相机组件包括：
相机；
第一灯；以及
第一液冷热沉，
其中，所述第一液冷热沉冷却所述第一灯和所述相机。
84.根据权利要求83所述的自主递送车辆，其中，
所述短距离相机组件还包括介于所述相机与所述液冷热沉之间的热电冷却器。
85.根据权利要求83所述的自主递送车辆，其中，
所述第一灯和所述相机被凹进在具有开口的盖中，所述开口使来自所述第一灯的光照远离所述相机而偏转。
86.根据权利要求83所述的自主递送车辆，其中，
所述灯被向下斜置至少15°，并且在盖中凹进至少4mm以将使行人分心的光照最小化。
87.根据权利要求83所述的自主递送车辆，其中，
所述相机具有视场，并且
所述第一灯包括具有透镜的两个LED以产生两束光，所述两束光散布以照亮所述相机的所述视场。
88.根据权利要求87所述的自主递送车辆，其中，
所述灯被斜置相隔大致50°，并且所述透镜产生60°光束。
89.根据权利要求83所述的自主递送车辆，其中，
所述短距离相机组件包括被安装在所述相机上方的超声传感器。
90.根据权利要求83所述的自主递送车辆，其中，
所述短距离相机组件被安装在所述货物平台的前面上的中心位置中。
91.根据权利要求83所述的自主递送车辆，还包括被安装在所述货物平台的正面的至少一个拐角上的至少一个拐角相机组件，所述至少一个拐角相机组件包括：
超声传感器
拐角相机；
第二灯；以及
第二液冷热沉，其中，所述第二液冷热沉冷却所述第二灯和所述拐角相机。
92.根据权利要求22所述的方法，其中，
所述历史数据包括表面数据。
93.根据权利要求22所述的方法，其中，
所述历史数据包括不连续数据。
CN202080058758.4A 2019-07-10 2020-07-10 用于自主设备的实时控制的系统和方法 Pending CN114270140A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201962872320P 2019-07-10 2019-07-10
US201962872396P 2019-07-10 2019-07-10
US62/872,396 2019-07-10
US62/872,320 2019-07-10
US202062990485P 2020-03-17 2020-03-17
US62/990,485 2020-03-17
PCT/US2020/041711 WO2021007561A1 (en) 2019-07-10 2020-07-10 System and method for real time control of an autonomous device

Publications (1)

Publication Number Publication Date
CN114270140A true CN114270140A (zh) 2022-04-01

Family

ID=71944349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080058758.4A Pending CN114270140A (zh) 2019-07-10 2020-07-10 用于自主设备的实时控制的系统和方法

Country Status (11)

Country Link
EP (1) EP3997484A1 (zh)
JP (2) JP2022540640A (zh)
KR (1) KR20220034843A (zh)
CN (1) CN114270140A (zh)
AU (1) AU2020310932A1 (zh)
BR (1) BR112022000356A2 (zh)
CA (1) CA3146648A1 (zh)
GB (1) GB2600638A (zh)
IL (1) IL289689A (zh)
MX (1) MX2022000458A (zh)
WO (1) WO2021007561A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11988749B2 (en) 2021-08-19 2024-05-21 Argo AI, LLC System and method for hybrid LiDAR segmentation with outlier detection
DE102023001762A1 (de) 2022-05-24 2023-11-30 Sew-Eurodrive Gmbh & Co Kg Mobiles System

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2367501C (en) 1999-03-15 2008-07-15 Deka Products Limited Partnership Control system and method for wheelchair

Also Published As

Publication number Publication date
JP2023112104A (ja) 2023-08-10
GB202201700D0 (en) 2022-03-30
JP2022540640A (ja) 2022-09-16
IL289689A (en) 2022-03-01
WO2021007561A1 (en) 2021-01-14
GB2600638A (en) 2022-05-04
BR112022000356A2 (pt) 2022-05-10
GB2600638A8 (en) 2022-11-23
KR20220034843A (ko) 2022-03-18
MX2022000458A (es) 2022-04-25
EP3997484A1 (en) 2022-05-18
AU2020310932A1 (en) 2022-01-27
CA3146648A1 (en) 2021-01-14

Similar Documents

Publication Publication Date Title
US20210278851A1 (en) System and Method for Real Time Control of an Autonomous Device
US10267634B2 (en) Distributed processing of pose graphs for generating high definition maps for navigating autonomous vehicles
CN110062871B (zh) 用于基于视频的定位及映射的方法及系统
US11288521B2 (en) Automated road edge boundary detection
CN111492403A (zh) 用于生成高清晰度地图的激光雷达到相机校准
CN111542860A (zh) 用于自主车辆的高清地图的标志和车道创建
EP3656138A1 (en) Aligning measured signal data with slam localization data and uses thereof
JP2023112104A (ja) 自律的デバイスのリアルタイム制御のためのシステムおよび方法
CN113632035B (zh) 用于表面特征检测和穿越的系统和方法
US11237269B2 (en) Localization technique
US10699571B2 (en) High definition 3D mapping
CN112800524A (zh) 一种基于深度学习的路面病害三维重建方法
US20230056589A1 (en) Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles
CN116338729A (zh) 一种基于多层地图的三维激光雷达导航方法
Zhao Recognizing features in mobile laser scanning point clouds towards 3D high-definition road maps for autonomous vehicles
Kurdi et al. Navigation of mobile robot with cooperation of quadcopter
Yang et al. An optimization-based selection approach of landing sites for swarm unmanned aerial vehicles in unknown environments
ES2968924T3 (es) Método, sistema y producto de programa informático de control de vehículos aéreos no tripulados
Yoon Path planning and sensor knowledge store for unmanned ground vehicles in urban area evaluated by multiple ladars

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