CN114274972A - 自主驾驶环境中的场景识别 - Google Patents

自主驾驶环境中的场景识别 Download PDF

Info

Publication number
CN114274972A
CN114274972A CN202111112411.6A CN202111112411A CN114274972A CN 114274972 A CN114274972 A CN 114274972A CN 202111112411 A CN202111112411 A CN 202111112411A CN 114274972 A CN114274972 A CN 114274972A
Authority
CN
China
Prior art keywords
risk
vehicle
map
composite
trigger
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
CN202111112411.6A
Other languages
English (en)
Inventor
芒努斯·于伦哈马尔
哈坎·西文克罗纳
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.)
Zheneti
Original Assignee
Zheneti
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 Zheneti filed Critical Zheneti
Publication of CN114274972A publication Critical patent/CN114274972A/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
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • G—PHYSICS
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • 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
    • 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
    • G01S15/87—Combinations of sonar 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
    • 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
    • G01S17/86—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
    • G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • B60W2050/0018—Method for the design of a control system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • 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
    • B60W2556/40—High definition maps
    • 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 for navigation 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
    • G01S13/88—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

Abstract

本公开涉及自主驾驶环境中的场景识别。方法包括获取运载工具的周围环境的风险地图。致动能力包括对于致动能力的不确定性估计，并且自由空间区域的位置包括对于自由空间区域的估计的位置的不确定性估计。风险地图包括运载工具的周围环境中所包括的多个区域段中的每个区域段的风险参数。基于风险地图的一组区域段的风险参数来确定ADS的复合风险值。通过以下项中的至少一项监视场景触发：相对于复合风险触发阈值的所确定的复合风险值、相对于地图波动性触发阈值的风险地图的随着时间的推移的发展，以及相对于风险波动性阈值的复合风险值的随着时间的推移的发展。如果检测到场景触发，存储来自场景触发的时间点附近的时间段的传感器数据。

Description

自主驾驶环境中的场景识别
相关申请的交叉引用
本专利申请要求于2020年9月18日递交的申请号为20196795.7、发明名称为“SCENARIO IDENTIFICATION IN AUTONOMOUS DRIVING ENVIRONMENTS(自主驾驶环境中的场景识别)”欧洲专利的优先权，其于此被转让给受让人，并且通过引用被明确地合并于此。
技术领域
本公开涉及自动驾驶系统，并且具体地用于装备有自动驾驶系统的运载工具的风险估计。
背景技术
在最近这些年期间，自主运载工具的开发已经在蓬勃发展并且正在探究许多不同的解决方案。增加数量的现代运载工具具有高级驾驶辅助系统(ADAS)来提高运载工具安全性并且更一般地说道路安全性。例如可以通过自适应巡航控制ACC、防碰撞系统、前方碰撞警报，等等所表示的ADAS是可以在驾驶时辅助运载工具驾驶员的电子系统。今天，在这些领域内的许多不同的技术范围内，在ADAS以及自主驾驶(AD)两者中，发展都在进行中。在对应的例如通过驾驶自动化的SAE J3016级别(0–5)所定义的不同级别的自动化的常用术语自动驾驶系统统(ADS)之下，将在本文提及ADAS和AD。
因此，在不远的未来，ADS解决方案将在更大的范围找到它们进入现代运载工具的方式。ADS可以被解释为各个组件的复合组合，其能够被定义为其中通过电子仪器和机械而非人类驾驶员来执行运载工具的感知、决策作出和操作的系统，以及被定义为自动化至公路交通的引入。这包括对运载工具、目的地以及周围的意识的处理。在自动化系统能控制运载工具时，其允许人类操作员把所有或至少一些责任交给系统。ADS常常组合各种传感器(诸如像雷达、LIDAR、声纳、照相机、例如GPS的导航系统、里程表和/或惯性测量单元(IMU))来感知运载工具的周围，基于其，高级控制系统可以解释感测信息来识别适当的导航路径，以及阻挡物和/或有关的标牌。
因此，关于装备有ADS特征的车队，可以收集大量的数据用于当前和将来的特征的开发、检验和验证。然而，大部分所收集的数据不包含进行以上列出的三个任务中任一的信息。另外地，来自完全装备的ADS的所有传感器的数据的速率能够总计达每秒若干千兆字节。因此，存储和发送所有数据甚至可能不可行。
因此在现有技术中需要以同时保证对于ADS的开发、检验和验证而言重要的数据不丢失的高效方式利用由“ADS车队”实现的数据收集的可能性。
发明内容
因此本发明的目的是提供一种方法、计算机可读存储介质、控制系统，以及运载工具，其缓解目前已知的系统和方法的以上讨论的缺点中的所有或至少一些。
此外，本发明的目的是提供一种方法、计算机可读存储介质、控制系统，以及运载工具，其实现由装备ADS的运载工具的车队进行的高效的数据收集，同时保证对于ADS的开发、检验和验证而言重要的数据不丢失。
通过借助于如所附权利要求所限定的用于识别用于运载工具的ADS的开发、检验和/或验证的感兴趣的场景的方法、计算机可读存储介质、控制系统，以及运载工具来实现该目的。术语示例性在本上下文中将被理解为充当实例、示例或图示。
根据本发明的第一方面，提供一种用于识别感兴趣的场景以用于运载工具的ADS的开发、检验和/或验证的方法。该方法包括获取运载工具的周围环境的风险地图，其中，基于运载工具的致动能力和周围环境中的自由空间区域的位置来形成风险地图。致动能力包括对于致动能力的不确定性估计，并且自由空间区域的位置包括对于自由空间区域的估计的位置的不确定性估计。风险地图包括运载工具的周围环境中所包括的多个区域段中的每个区域段的风险参数。此外，该方法包括基于风险地图的一组区域段的风险参数来确定ADS的复合风险值。该方法进一步包括通过监视以下项中的至少一项来监视场景触发：相对于复合风险触发阈值的所确定的复合风险值、相对于地图波动性触发阈值的风险地图的随着时间的推移的发展，以及相对于风险波动性阈值的复合风险值的随着时间的推移的发展。然后，如果检测到场景触发，则该方法包括存储传感器数据，其中存储的传感器数据来自检测到场景触发时的时间点附近的时间段。
在生成能够被利用以进行当前和将来的ADS特征的开发、检验和/或验证的数据的过程中，场景识别是重要部分。在本文提出的方式具体地陈述能够关于ADS暴露到的风险如何识别标称情形外部的点。更详细地，风险地图的使用的确使得能够以完整且整体的方式执行场景识别，该方式考虑整体ADS和其环境的模型而不是依赖单个威胁测量或类似物。因此，公开了更可靠的场景识别处理，因此保证在驾驶会话期间不丢失高质量数据。
根据本发明的第二方面，提供一种存储被配置为由处理系统的一个或多个处理器执行的一个或多个程序的(非暂时性)计算机可读存储介质，该一个或多个程序包括执行根据在本文公开的实施例的任意之一的方法的指令。关于本发明的该方面，如在先前讨论的本发明的第一方面中，提出类似的优点和优选的特征。
如在本文所使用的，术语“非暂时性”意图是描述传播电磁信号以外的计算机可读存储介质(或“存储器”)，但是并不意图另外限制通过短语计算机可读介质或存储器所涵盖的物理计算机可读存储设备的类型。例如，术语“非暂时性计算机可读介质”或“有形存储器”意图包含不一定永久地存储信息的存储设备的类型，例如包括随机存取存储器(RAM)。可以进一步通过传输介质或可以经由诸如网络和/或无线链路之类的通信介质所输送的诸如电子、电磁，或数字信号之类的信号来传送存储在非暂时性形式的有形计算机可访问的存储介质上的程序指令和数据。因此，如在本文所使用的，术语“非暂时性”是与对数据存储持久的限定相反的对介质本身的限制(即，有形、不是信号)(例如，RAM相对于ROM)。
根据本发明的第三方面，提供一种用于识别感兴趣的场景以用于运载工具的ADS的开发、检验，和/或验证的控制系统。控制系统包括控制电路，该控制电路被配置为基于运载工具的致动能力和周围环境中的自由空间区域的位置来获取运载工具的周围环境的风险地图。致动能力包括对于致动能力的不确定性估计，并且自由空间区域的位置包括对于自由空间区域的估计的位置的不确定性估计。风险地图包括运载工具的周围环境中所包括的多个区域段中的每个区域段的风险参数。另外，控制电路被配置为：基于风险地图的一组区域段的风险参数来确定ADS的复合风险值，以及通过监视以下触发中的至少一个来监视场景触发：
·相对于复合风险触发阈值的所确定的复合风险值。
·相对于地图波动性触发阈值的风险地图的随着时间的推移的发展。
·相对于风险波动性阈值的复合风险值的随着时间的推移的发展。
然后，如果检测到场景触发，则控制电路被进一步配置为存储传感器数据，存储的传感器数据来自检测到场景触发时的时间点附近的时间段。关于本发明的该方面，如在先前讨论的本发明的第一方面中，提出类似的优点和优选的特征。
根据本发明的第四方面，根据在本文公开的实施例的任意之一，提供一种运载工具，其包括：自动驾驶系统(ADS)；感知系统，其包括被配置为监视运载工具的周围环境的至少一个传感器；运载工具控制系统，其包括被配置为监视运载工具的致动能力的至少一个传感器；定位系统，其被配置为监视运载工具的地形图位置，以及控制系统。关于本发明的该方面，如在先前讨论的本发明的第一方面中，提出类似的优点和优选的特征。关于本发明的该方面，如在先前讨论的本发明的第一方面中，提出类似的优点和优选的特征。
在从属权利要求中限定本发明的另外的实施例。应当强调，当在本说明书中使用时，采用术语“包括/包括有”以指定所陈述的特征、整数、步骤，或组件的存在。其不阻止存在或添加一个或多个其他特征、整数、步骤、组件，或其组。
将在下文中参考在下文描述的实施例来进一步澄清本发明的这些和其他特征和优点。
附图说明
根据以下详细描述，本发明的实施例的另外的目的、特征和优点将明显，对附图作出参考，其中：
图1是根据本发明的实施例、用于识别感兴趣的场景以用于运载工具的自动驾驶系统(ADS)的开发、检验和/或验证的方法的示意流程图。
图2是根据本公开的实施例的一组场景触发的示意流程图。
图3是根据本发明的实施例、用于识别感兴趣的场景以用于运载工具的自动驾驶系统(ADS)的开发、检验和/或验证的方法的示意框图表示。
图4是根据本发明的实施例的风险地图的示意顶视图的图示，其具有贡献风险地图的一些不同的分量。
图5是根据本发明的实施例的、具有以栅格的形式指示的区域段的、来自图5的风险地图的示意顶视图的图示。
图6是根据本公开的实施例的风险地图波动性触发的示意顶视图的图示。
图7是根据本发明的实施例、包括控制系统的运载工具的示意侧视图，该控制系统用于识别感兴趣的场景以用于运载工具的自动驾驶系统(ADS)的开发、检验和/或验证。
具体实施方式
那些本领域技术人员将理解，可以使用独立的硬件电路、使用结合编程微处理器或通用计算机运行的软件、使用一个或多个专用集成电路(ASIC)和/或使用一个或多个数字信号处理器(DSP)来实施在本文解释的步骤、服务和功能。也将理解，当就方法来描述本发明时，其也可以被体现在一个或多个处理器和耦合到一个或多个处理器的一个或多个存储器中，其中，一个或多个存储器存储当由一个或多个处理器执行时执行在本文公开的步骤、服务和功能的一个或多个程序。
在示例性实施例的以下描述中，相同的附图标记表示相同的或相似的组件。
在本上下文中，风险地图对ADS的周围(即，自主运载工具的周围)的“风险”的视图进行估计和量化，并且优选地包括传感器性能、检测和预测的不确定性以及运载工具平台的可用能力的不确定性。
本发明提出手段来平衡来自装备ADS的车队的数据收集的可能性变迁增加收集有价值的数据用于当前和将来的ADS特征的开发、检验，和验证的概率。因此，在本文提出的发明提出一种解决方案，其通过使用风险地图来测量ADS暴露到的每个情形的风险来缓解与收集高度相关且有价值的数据相关联的问题。本发明人认识到了，被推断为的“高风险情形”的场景可以提供识别有价值且有用的场景和数据以支持ADS的开发以及检验和验证的高效方式。更详细地，如在本文限定的所提出的使用风险地图的解决方案提供增加大多数的“高风险情形”被识别并且使得它们可以随后被发送/存储以用于进一步的分析的概率的优点。场景可以在本上下文中被理解为若干情形的时间演化。
ADS解决方案的开发和检验当前是非常昂贵且费时的，大批工作成为识别和解决当前ADS特征要解决的有挑战的任务，其往往被称为“边缘情况”或者“角落情况”。附加的问题是，直到总性能已经达到关于安全和可用性的可接受水平之前，解决这些角落情况都不给予任意立即的客户价值。因此，借助于本发明，提供促进这些“角落情况”的识别的解决方案，就关于ADS开发、检验，和验证的降低的成本和改良的时间管理而言的优点是容易地可实现的。然而，应当注意到，在本文公开的方法和系统不局限于本来的“角落情况”的识别，而是也可以捕捉对于当前和将来的ADS特征的开发、检验，和验证而言所感兴趣的其他场景或情形。
总之，本发明目标在于提供用于通过利用风险地图来具体地识别标称情形之外的情形或场景的手段。风险地图提供完整且整体的方式，该方式考虑整体ADS和其环境的模型而不是依赖单个威胁测量或类似物。因而，风险地图的利用提供以“高风险情形”的形式识别上述的角落情况，即，识别对于ADS特征的开发、检验，和验证而言重要的情形或场景的高效方式。而且，对这些“高风险情形”的识别也允许高效地捕捉作为ADS的操作的基础的模型中的故障，因此促进ADS的故障排除。
在本文提出利用风险地图以便识别感兴趣的数据或者运载工具的ADS暴露到的场景的若干不同的方式。例如，人们可以监视存在于每个情形中的复合风险并且将这与预定义的阈值相比较以便识别“高风险场景”。另外地或者替换地，人们可以监视连续的场景/情形的复合风险的改变并且相对于预定义的阈值来比较该改变。如果超过该阈值，则也可以是ADS或感兴趣的外部情形的可能故障的指示。另外地，或者替换地，人们可以监视在连续的时间步长/样本之间形成的风险地图的改变，并且将这些改变与预定义的阈值相比较。如果该“风险地图波动性”阈值被超过，则其也可以是感兴趣的外部改变的指示，当前模型(用于形成风险地图)显然不能捕捉该感兴趣的外部改变并且因此导致波动性风险地图，或者其可能归因于其中系统的子组件输送波动性输出的ADS内部的问题。
图1图示出根据本发明的实施例、用于识别感兴趣的场景以用于运载工具的自动驾驶系统(ADS)的开发、检验和/或验证的方法100的示意流程图表示。该方法100包括获取101运载工具的周围环境的风险地图。基于运载工具的致动能力和周围环境中的自由空间区域的位置来形成风险地图，致动能力包括对于致动能力的不确定性估计，并且自由空间区域的位置包括对于自由空间区域的估计的位置的不确定性估计。而且，风险地图包括运载工具的周围环境中所包括的多个区域段中的每个区域段的风险参数。
运载工具的致动能力可以例如包括一个或多个致动参数，诸如像制动能力、最大转向角、最大加速能力，等等，包括对于每个参数的不确定性估计。如本领域技术人员容易地理解的，在给定诸如像当前速度、运载工具属性(运载工具尺度、汽车重量，等等)、道路表面性质等等的给定一个或多个实时变量时，可以基于预定义的模型实时地确定致动能力和相关联的不确定性估计。可以从与每个致动参数相关联的预定义的统计模型得出不确定性估计，其中通过平均数或众数值给出致动能力，变迁例如通过超过或低于平均数的一个或两个标准偏差来给出不确定性估计。
可以例如从被配置为监视运载工具的周围环境的一个或多个运载工具安装的传感器的传感器数据来得出自由空间区域。虽然如此，传感器数据也可以来源于运载工具的附近的其他传感器，例如安装在其他运载工具上的或基础设施元件上的并且经由V2V或V2X通信网络获取的传感器。
自由空间区域可以在本上下文中被理解为没有对象(例如，其他运载工具、行人、障碍物、动物、自行车、静态对象，等等)的自主运载工具的周围环境中的区域。因而，获取的自由空间区域的位置可以被理解为没有外部对象(静态和动态对象)的区域的估计以及该确定的不确定性的估计，即，确定的自由空间区域的位置实际上为真实的可能性。
而且，在一些实施例中，自由空间区域的位置包括位于自主运载工具的周围环境中的外部对象的位置。估计的外部对象的位置可以包括：外部对象的位置的不确定性、估计的外部对象中的任意动态对象的行迹，以及估计的动态对象的行迹的不确定性。然而，在一些实施例中，通过运载工具的专用模块来确定自由空间区域的位置，其中专用模块被配置为获取指示运载工具的周围环境的传感器数据，并且基于传感器数据来得出自由空间区域关于运载工具的位置。因此，不是非得有在获取自由空间区域的位置之前检测对象的中间步骤或层，即，可以直接地获取“自由空间区域”。例如，由光达所发射的信号可以在其从某表面反射之前在一定的距离传播通过空间，然后光达和表面之间的该区域可以被定义为“自由空间区域”，而无需定义信号从其被反射的表面的任意操作或步骤。
因此，在一些实施例中，方法100可以进一步包括获取(传感器)数据的步骤，该(传感器)数据指示运载工具的致动能力和致动能力的不确定性估计，以及自由空间区域的位置和对于自由空间区域的估计的位置的不确定性估计。可选地，该方法100可以进一步包括获取(传感器)数据，其指示运载工具的周围环境中的外部对象相对于运载工具的位置以及外部对象的位置的不确定性、外部对象中的任意动态对象的行迹以及估计的动态对象的行迹的不确定性，以及运载工具的地理位置，该地理位置包括运载工具的估计的地理位置的不确定性估计。
因此，人们能够利用估计自主运载工具的周围区域中的“空闲空间”的ADS的现成的功能以及估计运载工具平台的操作能力的功能(其两者通常都用于进行判定并且控制运载工具)，并且然后使用该功能以便生成风险地图。在一些实施例中，获取101风险地图的步骤包括基于获取的(传感器)数据来形成风险地图。
在图4至图6中描绘风险地图的示例，其中基于ADS的世界图景来形成风险地图，该ADS的世界图景包括来自感知系统的检测和预测的不确定性、地图内的定位，以及运载工具平台的能力和运载工具平台的能力的不确定性。
每个风险参数可以例如如果运载工具占用相关联的区域段时，或者更具体地对于贯穿该区域段的运载工具的规划路径来指示事故事件的概率或者违犯任意预定义的安全裕度或者阈值的概率。在简化示例中，如果第一区域段完全地在外部运载工具占用的区域内，那么第一区域段可以具有指示第一区域段是“高风险”区段的风险参数。这至少部分地基于逻辑推理——如果运载工具的规划路径将贯穿该区段，则人们能够假定存在相对高的与外部运载工具的碰撞概率。相似地，如果第二区域段完全地在没有任意外部对象的可行驶道路段内，那么该第二区域段可以具有指示第二区域段是“低风险”区段的风险参数。
术语“违犯预定义的安全裕度或阈值的概率”可以例如是对违犯到其他运载工具的预定义最小距离的概率的估计。更详细地，人们能够假定，当运载工具的规划路径涉及接管机动操纵，或者与在空的公路上行驶相比机动操纵繁密交通时，违犯这样的安全阈值的概率增加。因此，在给定指示现在运载工具的运行设计域(ODD)中的某些场景的某统计模型时，人们能够估计外部运载工具执行将引起到前方运载工具的预定义的最小距离的违反的事故的机动操纵的概率，并且也估计该特定动作发生在各种场景的概率。如所提到的，人们能够假定，与在空的公路上相比，在繁密的市内交通中，存在着暴露于这样的“事故的机动操纵”的更高风险。换句话说，风险参数未必必需指示事故事件的概率，而是可以关于诸如以上示范等等的其他度量被定义。其他示例包括其他质量度量，诸如到道路边缘的距离、加加速度的量值(例如，横向加速度)，等等。
换句话说，可以基于已经随着时间的推移从真实驾驶场景收集的历史数据(例如，如果自主运载工具的规划路径将贯穿区段A，则指示碰撞概率/安全阈值的违反的历史数据是X)、使用统计建模将这些高风险/低风险区段量化为概率分数。更详细地，如所提及的，这些统计模型可以或多或少是复合的，考虑各种因素，诸如时刻、星期、到其他运载工具的距离、关于另一运载工具的角度、另一运载工具的类型、另一运载工具的速度、地理位置，等等。例如，人们可以在统计上推断，与在运载工具后面50米的区域段中相比，在同一运载工具后面1米的区域段中，存在更高的碰撞概率。因而，与远离外部运载工具的区域段相比，接近于外部运载工具的后方的区域段将被给予更高风险值或指示“更高风险”的风险参数。
该方法100进一步包括基于风险地图的一组区域段的风险参数来确定102ADS的复合风险值，或者ADS暴露到的复合风险值。一组区域段可以包括形成的风险地图的多个区域段中的一个或多个区域段。因此，在一些实施例中，基于形成的风险地图的多个区域段来确定复合风险值。例如，人们可以通过综合全风险地图的区域段的所有风险参数并且除以全风险地图中包括的区域段的数量来确定102复合风险值，以便获取该情形的“平均风险分数”。能够通过地图上的统计度量的任意选择来完成查看整个风险地图以得到复合风险值。然而，其他方式是可行的，该其他方式涉及更多或更少的复杂操作，以便基于形成的风险地图的多个区域段来计算复合风险值。
在一些实施例中，基于ADS的至少一个规划路径所贯穿的一组区域段来确定102复合风险值。规划路径可以在本上下文中被理解为“被规划和选择的”路径，即，已经被选择的执行路径。因此，规划路径可以是已执行路径，或者将要执行的路径。因此，该方法100可以进一步包括获取ADS的规划路径。术语“至少一个”规划路径将被解释为可以根据如何定义“规划路径”来在一个或多个规划路径上确定复合风险值。例如，在某些情况下，规划路径将实际上包括多个“路径”或者规划路径的多个区段，其中仅仅即将来临的一个是“规划的”，并且根据运载工具周围的场景如何演变，其它可能会变化。
在一些实施例中，基于风险地图上的至少一个标称路径所贯穿的一组区域段来确定102复合风险值。标称路径可以例如是在运载工具的行进方向上沿着道路的简单“直线路径”。在一些实施例中，基于风险地图上的多个标称路径所贯穿的一组区域段来确定102复合风险值。替换地，在给定当前行进方向和运载工具的速度时，人们可以基于每个可达区域段的风险参数来计算“平均风险”。在一些实施例中，基于最低风险路径所贯穿的一组区域段来确定102复合风险值，其中最低风险路径是与最低复合风险值相关联的ADS的多个生成的候选路径之中的路径。
换句话说，可以通过例如计算地图上的标称路径的风险、使用ADS规划路径、取得可用的最低风险路径或者通过查看整个风险地图来根据风险地图判断单个情形的复合风险。总之，复合风险被理解为在给定当前风险地图时、指示ADS/运载工具当前(即，在该时刻)暴露到的风险的值。
可以例如通过使用网格框架来简化复合风险的确定102，如在例如图5中描绘的。因此，在一些实施例中，确定102复合风险值的步骤包括综合至少一个规划路径中的每个规划路径所贯穿的一组区域段的风险参数。因而，复合风险值取决于当前尚未执行的路径。在一些实施例中，基于综合的风险参数和用于生成综合的风险参数的样本总数来确定复合风险值，以便获取每时间单位的风险暴露。关于图3来提供关于复合风险的计算的进一步细节。
在一些实施例中，方法100进一步包括获取地图数据，该地图数据包括周围环境的HD地图信息和运载工具的地理位置，其中估计的地理位置包括运载工具的估计的地理位置的不确定性估计。因此，进一步基于获取的地图数据来形成风险地图。
此外，在一些实施例中，ADS与指示与自主运载工具的周围环境中的多个场景有关的统计分布的统计模型相关联。因此，该方法100可以进一步包括获取至少一个场景发生在运载工具的周围环境中的概率，使得进一步基于获取的至少一个场景发生在运载工具的周围环境中的概率来形成风险地图。在同一申请人(来自瑞典·哥森堡的哲内提AB)的欧洲专利申请号EP20169897.4中可得到与运载工具的周围环境中的场景的统计建模有关的进一步详情，该欧洲专利申请通过引用被合并于此，并且为简单和简明起见不进一步对该进一步详情进行详述。
继续向前，该方法100进一步包括通过监视104、105、106以下项中的至少一项来进行监视103：
·相对于复合风险触发阈值的所确定的复合风险值。
·相对于地图波动性触发阈值的风险地图的随着时间的推移的发展。
·相对于风险波动性阈值的复合风险值的随着时间的推移的发展。
此外，如果检测到场景触发，即，如果监视的参数任意之一超过对应的阈值，该方法100包括存储107来自运载工具的多个(传感器)的(传感器)数据，所存储的(传感器)数据来自检测到场景触发时的时间点附近的时间段。因此，给出三个不同的触发并且监视三个不同的触发，以便识别以上讨论的“高风险情形”，其中风险地图提供使能监视104、105、106所需要的输入。在一些实施例中，方法100进一步包括向远程实体传送108存储107的(传感器)数据。术语“传感器数据”在本上下文中被宽泛地解释，并且不一定意味着存储原始传感器数据，而是以指示ADS的世界图景的处理的传感器数据进行存储，该ADS的世界图景包括：来自感知系统的检测和预测的不确定性、地图内的定位，以及运载工具平台的能力和运载工具平台的能力的不确定性。
在一些实施例中，存储107传感器数据的步骤进一步包括存储形成的风险地图，其中，存储的风险地图来自检测到场景触发时的时间点附近的时间段。而且，传送108的(传感器)数据可以进一步指示存储的风险地图。
为了捕捉导致识别的感兴趣场景(即，导致场景触发)的整体事件链，进一步建议，人们利用运行缓冲器来存储指示感知系统输出的数据，以及指示中间系统状态的数据。缓冲器范围可以从几秒直到若干分钟(诸如像30秒)。在检测到感兴趣的事件之后，即，一旦检测到场景触发，则系统可以在附加的时间(例如，缓冲器长度的一半)上继续存储信息。一旦其被存储107，可以向远程实体(例如，“云”或“后勤部门”)发送108整体缓冲的数据用于进一步的分析。替换地，如果到云的连接不可用，则可以向本地持久存储器发送缓冲的数据。
因此，在一些实施例中，该方法100进一步包括将传感器数据暂时地存储在数据缓冲器中，其中数据缓冲器具有在1秒到300秒范围内的缓冲器长度，诸如像30秒、60秒、90秒，或者120秒。因此，存储107(传感器)数据的步骤可以包括将来自数据缓冲器的传感器数据传递到例如远程实体或传递到本地持久存储器。传递的(传感器)数据包括来自检测到场景触发时的时间点附近的时间段的(传感器)数据，即，传递的(传感器)数据可以包括来自从检测到场景触发之前15秒到检测到场景触发之后的15秒的时间段的数据。
图2描绘根据本公开的实施例的、三个并行流程图表示形式的三个监视示例。更详细地，图2图示出可以如何识别ADS暴露到的感兴趣的数据或感兴趣的场景的三个示例。感兴趣的场景可以例如指示用于形成风险地图本身的模型中的可能的故障(即，作为ADS的操作的基础的模型的故障)，或者能够被用于ADS的开发、检验和/或验证的感兴趣的外部情形。
在一些实施例中，监视104相对于复合风险触发阈值的所确定的复合风险值的步骤包括：对于每个时刻或时间样本，将确定的复合风险值与复合风险触发阈值相比较204。因此，如果比较指示超过复合风险触发阈值的偏离，则该方法包括存储207(传感器)数据，其中存储207的(传感器)数据来自比较指示超过复合风险触发阈值的偏离时的时间点附近的时间段。例如，如果采样率是1Hz，那么每秒一次地计算确定的复合风险值，并且将确定的复合风险值与复合风险触发阈值相比较204，以便确定是否存在指示发生在运载工具的周围环境中的感兴趣的场景的偏离。
类似地，来监视105相对于地图波动性触发阈值的风险地图的随着时间的推移的发展的步骤包括：对于每个时刻(ti)或时间样本(ti)，将获取的风险地图和先前时刻(ti-1)的获取的风险地图之间的差与地图波动性阈值相比较205。因此，如果比较205指示超过地图合波动性阈值的偏离，则该方法包括存储207(传感器)数据，其中存储207的(传感器)数据来自比较205指示超过地图波动性阈值的偏离时的时间点附近的时间段。例如，如果采样率是1Hz，那么每秒一次地获取/更新确定的风险地图，并且相对于地图波动性阈值来比较205确定的风险地图，以便确定是否存在偏离，该偏离进而可以指示用于形成风险地图本身的模型中的可能的故障。
在图6中图示出风险地图波动性的示例，其中在时刻(ti)获取的风险地图不同于在先前时刻(ti-1)获取的风险地图。如在图6的最右边图中指示的，相比于在先前时刻(ti-1)获取的风险地图，在时刻(ti)获取的风险地图中检测到了差异60。在这里，以出现在自主运载工具的前面的许多“高风险”区域段51(其在先前时刻不存在)的形式图示出差异60。
类似地，如果场景以相反的方式演进，即，许多“高风险”区域段突然消失，则人们能够检测到差异。类似地，如果区域段51的风险参数的组合值与区域段51的风险参数的组合值的不同超过预定义的阈值，则可以推断出差异。换句话说，风险地图波动性阈值可以由于感兴趣的外部改变而被触发，(ADS的世界图景所基于的)当前模型显然不能捕捉该感兴趣的外部改变，并且因此导致波动性风险地图，或者其可能归因于其中系统的子组件输送波动性输出的ADS内部的问题。因此，可以以如在上文中示范的各种方式来确定地图波动性。
此外，回到图2，如何识别感兴趣的数据或场景的另一个示例是，监视复合风险的改变，以便检查206两个连续的时刻/样本之间的复合风险的改变是否超过阈值。因此，在一些实施例中，监视复合风险值的随着时间的推移的发展的步骤包括：对于每个时刻(ti)，将确定的复合风险值和先前时刻(ti-1)的复合风险值之间的差与风险波动性阈值相比较206。如果比较指示超过风险波动性阈值的偏离，该方法包括存储207(传感器)数据，其中存储207的(传感器)数据来自比较206指示超过风险波动性阈值的偏离时的时间点附近的时间段。
执行这些功能的可执行的指令被可选地包括在非暂时性计算机可读存储介质或被配置用于由一个或多个处理器执行的其他计算机程序产品中。
图3是根据本发明的实施例的、用于估计运载工具的ADS的风险暴露的控制系统10的示意框图表示。控制系统10包括可以被实现为软件控制的处理器的控制电路。然而，可以替换地全部地或部分地在硬件中实现控制电路。在图3的所描绘的实施例中，控制电路包括一组模块，然而，这些不一定被理解为限制本发明，而是用来进一步阐明本发明。本领域技术人员容易地理解，在不背离本发明的范围的情况下，存在若干方式——例如通过在图3中图示出的示例实施例之外的其他类型的软件/硬件体系结构，来实际地实现在本文公开的本发明构思。这样的变化可以取决于预定应用或系统规范。
继续向前，控制系统10包括风险评估模块21，该风险评估模块21被配置为编辑风险地图，并且通过基于规划路径和风险地图或者基于风险地图中的区域段的风险参数的集合确定复合风险来评估ADS的风险暴露。更详细地，风险地图由ADS 30的世界图景构建成，该ADS 30的世界图景包括来自感知系统31的检测和预测的不确定性(即，估计的自由空间区域的位置)、地图内的定位以及运载工具平台33的能力的不确定性。在本文将ADS 30描绘为包括用于判定和控制的子模块32的模块，其中来自感知系统31和运载工具平台33的信息用于生成由运载工具平台33执行的路径。随后可以由另一个模块22基于编辑的风险地图来计算/量化与该路径相关联的风险。
因此，风险地图编辑器24例如从与运载工具平台33相关联的子系统获取运载工具的致动能力。而且，获取的致动能力另外包括对于致动能力的不确定性估计。可以由控制电路基于从运载工具平台33的子系统提供的原始传感器数据来估计致动能力，或者可以直接地将致动能力作为处理的传感器数据来获取(即，原始传感器数据可以被预处理并且然后被发送盗风险地图编辑模块24)。
在说明性示例中，获取的致动能力可以包括制动能力和对获取的制动能力的不确定性估计或者获取的制动能力的“误差容限”的类型。例如，如果获取的制动能力指示运载工具能够在150米距离内达到完全停止(假定紧急制动致动)，那么用于该估计的不确定性估计可以包括±15米的误差容限(即，±10％)。如在上文中所提及的，可以根据一个或多个致动参数的统计模型给出致动能力，其中可以通过那些统计模型中的标准偏差来定义对于每个致动参数的不确定性估计。
另外，风险地图编辑器24(例如，从运载工具的感知系统31)获取运载工具的周围环境中的自由空间区域的位置，其中获取的自由空间区域的位置包括对于自由空间区域的估计的位置的不确定性估计。在图3中，在ADS模块30中，这被指示为“世界图景+不确定性”。如在上文中所提及的，自由空间区域可以在本上下文中被理解为没有对象(例如，其他运载工具、行人、障碍物、动物、自行车、静态对象，等等)的自主运载工具的周围环境中的区域。因而，获取的自由空间区域的位置可以包括确定的外部对象(静态和动态对象)的位置、确定的动态对象的行迹，以及对确定的不确定性的估计(即，确定的自由空间区域的位置实际上为真实的可能性)。
然后，由风险地图编辑模块24基于获取的致动能力和获取的自由空间区域的位置来生成或形成风险地图。风险地图包括运载工具的周围环境中所包括的多个区域段中的每个区域段的风险参数。风险地图可以被理解为具有许多定义的区域段的运载工具的周围环境的虚拟地图，每个区域段与对应的风险参数相关联。
此外，基于风险地图的一组区域段的风险参数来确定ADS的复合风险值。更详细地，复合风险计算模块22获取ADS的规划路径以及风险地图，以便计算复合风险，如在上文中示范的。
在一些实施例中，对于每个时刻，通过将规划路径贯穿的区域段的风险相加在一起来估计复合风险。在一些实施例中，通过使用栅格来简化这，如在例如图5中描绘的。因此，人们然后能够仅仅添加路径通过的每一个“框”(区域段)的风险参数以得到对路径的风险的估计，在一些实施例中，对路径的风险的估计表示在当前时刻的ADS的风险暴露。然而，如前所提及的，可以通过例如计算在地图上的标称路径的风险、取得可用的最低风险路径或者通过查看整个风险地图的区域段的风险参数来确定单个情形的复合风险。
此外，在一些实施例中，控制系统10进一步包括被配置为监视场景触发的场景监视模块25。更详细地，场景监视模块25被配置为通过监视以下项中的至少一项来监视场景触发：
·相对于(预定义的)复合风险触发阈值的所确定的复合风险值。这可以通过监视来自复合风险计算模块22的输出来监视。
·相对于(预定义的)地图波动性触发阈值的风险地图的随着时间的推移的发展。这可以通过监视来自风险地图编辑模块24的输出来监视。
·相对于(预定义的)风险波动性阈值的复合风险值的随着时间的推移的发展。这可以通过监视“整体风险”(即，考虑整个风险地图)，或者通过监视规划路径的风险来监视。关于后者，对规划路径的监视允许场景监视模块25评定被选择执行路径的当前风险关于在先前时刻/样本获取的路径的风险是否改变太过猛烈。
继续向前，图4是根据本发明的实施例的风险地图40的示意顶视图的图示，其具有贡献风险地图40的一些示例分量41-46”。此外，在地图40上指示用于自主运载工具的执行的规划路径47a至规划路径47c。更详细地，虚线箭头指示来自两个先前时刻/样本的“规划路径”47a和47b，并且通过运载工具前方的箭头来指示当前规划和选择的路径47c。
另外，风险地图40包括指示估计的运载工具的制动能力43的信息，包括其的不确定性估计43’、43”。另外，风险地图40包括：自主运载工具在地图上的地理位置41、对地理位置41的不确定性估计42、外部对象44、46的位置、外部对象的位置的不确定性44’、44”、46’、动态对象44的行迹45，以及行迹45的不确定性45’45”。可以例如基于定义从运载工具的传感器(例如，照相机、雷达、LiDAR、超声波传感器，等等)提供的测量中的容差或者误差容限的模型(预定义的或者自学习/机器学习)来计算估计的不确定性。因此，形成的风险地图40也考虑由例如传感器制造公差、噪声，等等所引起的这样的自主运载工具的世界图景的测量中所固有的不确定性。因此，使得整体风险估计更准确和可靠，更准确地反映运载工具的ADS的实际的风险暴露。
图5是根据本发明的实施例的、具有以栅格50的形式指示的区域段51的、来自图4的风险地图的示意顶视图的图示。如在上文中所描述的，为了确定为执行规划的路径47的复合风险，人们可以将与规划路径47贯穿的区域段52相关联的风险值相加在一起。
图7描绘根据本发明的实施例的、包括控制系统10的运载工具1的示意性侧视图，该控制系统10用于识别感兴趣的场景以用于运载工具的ADS的开发、检验和/或验证。运载工具1进一步包括ADS、感知系统6，和定位系统5。感知系统6在本上下文中将被理解为负责从诸如照相机、LIDAR和RADAR、超声波传感器等等的板载传感器6a、6b、6c上获得原始传感器数据并且将该原始数据转换为景物理解的系统。定位系统5被配置为监视运载工具的地理位置和航向，并且可以是诸如GPS等等的全局导航卫星系统(GNSS)的形式。然而，定位系统可以替换地被实现为实时运动学(RTK)GPS，以便改善准确度。
更详细地，感知系统6可以指的是任意熟知的系统和/或功能，其例如被包含在运载工具1的一个或多个电子控制模块和/或节点中、被适配和/或配置为解释与运载工具的驾驶有关的感测信息，以识别例如阻挡物、车道、有关的标牌、适当的导航路径等等。示范感知系统6可以因此适于与感测信息组合地依赖于多个数据源并从多个数据源获取输入，该多个数据源诸如汽车成像、图像处理、计算机视觉，和/或车内联网，等等。例如可以从包含在运载工具1中的和/或在运载工具1上提供的一个或多个可选周围检测传感器6a至传感器6c推导这样的示范感测信息。可以通过适于感测和/或感知运载工具的1周围和/或下落的任意任意传感器来表示周围检测传感器6a至传感器6c，并且周围检测传感器6a至传感器6c可以例如指的是雷达、LIDAR、声纳、照相机、例如GPS的导航系统、里程表和/或惯性测量单元中的一个或多个中的一个或组合。
系统10包括一个或多个处理器11、存储器12、传感器接口13和通信接口14。处理器11也可以被称为控制电路11或控制线路11。控制电路11被配置为执行存储在存储器12中的指令以执行根据在本文公开的实施例的任意之一的、用于识别感兴趣的场景以用于运载工具1的ADS的开发、检验和/或验证的方法。换句话说，控制设备10的存储器12能够包括用于存储计算机可执行指令的一个或多个(非暂时性)计算机可读存储介质，当计算机可执行指令由一个或多个计算机处理器11执行时，例如能够使计算机处理器11执行在本文描述的技术。存储器12可选地包括高速随机存取存储器，诸如DRAM、SRAM、DDR RAM或者其它随机存取固态存储器设备；并且可以包括非易失性存储器，诸如一个或多个磁盘存储设备、光盘存储设备、闪速存储器设备，或者其它非易失性固态存储设备。另外为控制系统10提供通信接口14和传感器接口13。
控制电路11被配置为基于运载工具的致动能力和周围环境中的自由空间区域的位置来获取运载工具的周围环境的风险地图。致动能力包括对于致动能力的不确定性估计，并且自由空间区域的位置包括对于自由空间区域的估计的位置的不确定性估计。风险地图包括运载工具的周围环境中所包括的多个区域段中的每个区域段的风险参数。另外，控制电路11被配置为：通过评估所选择的风险地图的一组区域段的风险参数来确定ADS的复合风险值，以及通过监视以下触发中的至少一个来监视场景触发：
·相对于复合风险触发阈值的所确定的复合风险值。
·相对于地图波动性触发阈值的风险地图的随着时间的推移的发展。
·相对于风险波动性阈值的复合风险值的随着时间的推移的发展。
然后，如果检测到场景触发，则控制电路11被进一步配置为存储传感器数据，存储的传感器数据来自检测到场景触发时的时间点附近的时间段。使用以上提出的实施例中的任意(或所有或任意组合)以识别“高风险”场景的控制系统10被优选地配置为在ADS的操作(即，在ADS激活时)期间连续地运行。而且，捕捉所有有关的数据的缓冲器优选地被连续地开启，并且当检测到高风险点时，允许在将该缓冲器传送到后勤部门(或者持久地存储其用于稍后传输)之前完成该缓冲器。
另外，运载工具1可以经由例如无线链路连接到外部网络2(例如，用于调取HD地图数据)。相同的或一些其他无线链路可以用于与运载工具的附近的其他运载工具或本地基础设施元件进行通信。蜂窝通信技术可以用于诸如与外部网络的远程通信，并且如果所使用的蜂窝通信技术具有低等待时间，其也可以用于运载工具之间的、运载工具到运载工具(V2V)，和/或运载工具到基础设施V2X之间的通信。蜂窝无线电技术的示例是GSM、GPRS、EDGE、LTE、5G、5G NR，等等，也包括将来的蜂窝解决方案。然而，在一些解决方案中，使用中程到短程通信技术，诸如无线局域(LAN)，例如，基于IEEE 802.11的解决方案。ETSI着手做用于运载工具通信的蜂窝标准，并且由于低等待时间和高带宽和通信信道的高效处理，例如将5G考虑为适当的解决方案。
已经参考特定实施例在以上呈现了本发明。然而，以上描述的之外的其他实施例是可能的并且在本发明的范围内。可以在本发明范围内提供通过硬件或软件来执行方法的在以上描述的那些方法步骤之外的不同的方法步骤。因此，根据示例性实施例，提供一种存储被配置为由运载工具控制系统的一个或多个处理器执行的一个或多个程序的非暂时性计算机可读存储介质，该一个或多个程序包括执行根据以上讨论的实施例中的任意一个的方法的指令。替换地，根据另一个示例性实施例，云计算系统能够被配置为执行在本文呈现的任意方法。云计算系统可以包括分布式云计算资源，其在一个或多个计算机程序产品的控制下联合地执行在本文呈现的方法。
一般说来，计算机可访问的介质可以包括任意有形或非暂时性存储介质或存储器介质，诸如电子、磁性，或光介质——例如，经由总线耦合到计算机系统的磁盘或CD/DVD-ROM。如在本文所使用的，术语“有形”和“非暂时性”意图是描述传播电磁信号以外的计算机可读存储介质(或“存储器”)，但是并不意图另外限制通过短语计算机可读介质或存储器所涵盖的物理计算机可读存储设备的类型。例如，术语“非暂时性计算机可读介质”或“有形存储器”意图包含不一定永久地存储信息的存储设备的类型，例如包括随机存取存储器(RAM)。可以进一步通过传输介质或可以经由诸如网络和/或无线链路之类的通信介质所输送的诸如电子、电磁，或数字信号之类的信号来传送存储在非暂时性形式的有形计算机可访问的存储介质上的程序指令和数据。
处理器11可以是或包括任意数量的硬件组件用于进行数据或信号处理或用于执行存储在存储器12中的计算机代码。控制系统10具有相关联的存储器12，并且存储器12可以是用于存储数据和/或用于完成或促进在本说明书中描述的各种方法的计算机代码的一个或多个设备。存储器可以包括易失性存储器或非易失性存储器。存储器12可以包括数据库组件、对象代码组件、脚本组件，或用于支持本说明书的各种活动的任意其他类型的信息结构。根据示例性实施例，可以关于该说明书的系统和方法来利用任意分布式或本地存储器设备。根据示例性实施例，存储器12(例如，经由电路或任意其他有线的、无线，或网络连接)可通信地连接到处理器11并且包括用于执行在本文描述的一个或多个处理的计算机代码。
应当理解，传感器接口13也可以提供直接地或经由运载工具中的专用的传感器控制电路6来获得传感器数据的可能性。通信/天线接口14可以另外提供借助于天线8向远程位置(例如，远程操作员或控制中心)发送输出的可能性。而且，运载工具中的一些传感器可以使用局部网络设定(诸如CAN总线、I2C、以太网、光导纤维，等等)与控制设备10进行通信。通信接口14可以被安排为与运载工具的其他控制功能进行通信并且可以因此也被看作控制接口；然而，可以提供单独的控制接口(未示出)。运载工具中的局部通信也可以是利用诸如WiFi、LoRa、紫蜂、蓝牙，或类似的中间/短程技术等等的协议的无线类型。
因此，应当理解，可以在运载工具中、在位于运载工具外部的系统中，或在运载工具中部和外部的组合中任一中；例如在与运载工具进行通信的服务器(所谓的云解决方案)中实施所描述的解决方案的部分。例如，可以向外部系统发送传感器数据，并且该系统执行步骤来编辑或者渲染风险地图。可以在所描述的那些组合之外的其他组合中将实施例的不同的特征和步骤组合。
应当注意到，词语“包括”不排除存在那些列出的之外的其他要素或步骤并且在要素之前的词语“一”不排除存在多个这样的要素。应当进一步注意到，任意附图标记不限制权利要求的范围，可以借助于硬件和软件两者来至少部分地实施本发明，以及可以通过相同项的硬件来表示若干“装置”或“单元”。
也将理解，尽管术语第一、第二等等在本文可以用于描述各个要素，但这些要素不应当受这些术语的限制。这些术语仅用于将一个要素与另一个要素相区别。例如，在不背离实施例的范围的情况下，第一动作可以被叫作第二动作，并且，类似地，第二动作可以被叫作第一动作。
尽管图可以示出方法步骤的特定顺序，但步骤的顺序可以不同于被描绘的顺序。此外，可以并行地或在部分同时发生的情况下执行两个或更多步骤。例如，基于特定实现，可以交换获取致动能力和自由空间区域的位置的步骤。此类变化将取决于所选择的软件和硬件系统以及设计者选择。所有此类变化处于本发明的范围内。同样地，能够利用具有基于规则的逻辑和其他逻辑的标准编程技术来实现软件实施以实现各种连接步骤、处理步骤、比较步骤和决策步骤。仅仅将以上提及的和所描述的实施例作为示例给出并且不应当被限制到本发明。对于本领域技术人员，如在以下描述的专利实施例中所要求保护的本发明的范围内的其他解决方案、使用、目的，和功能应当是明显的。

Claims (15)

1.一种用于识别感兴趣的场景以用于运载工具的自动驾驶系统ADS的开发、检验和/或验证的方法(100)，所述方法包括：
获取(101)所述运载工具的周围环境的风险地图，其中，基于所述运载工具的致动能力和所述周围环境中的自由空间区域的位置来形成所述风险地图，所述致动能力包括对于所述致动能力的不确定性估计，并且所述自由空间区域的位置包括对于所述自由空间区域的估计的位置的不确定性估计；
其中，所述风险地图包括所述运载工具的所述周围环境中所包括的多个区域段中的每个区域段的风险参数；
基于所述风险地图的一组区域段的所述风险参数来确定(102)所述ADS的复合风险值；
通过监视以下项中的至少一项来监视(103)场景触发：
相对于复合风险触发阈值的所确定的所述复合风险值，
相对于地图波动性触发阈值的所述风险地图的随着时间的推移的发展，以及
相对于风险波动性阈值的所述复合风险值的随着时间的推移的发展；
如果检测到所述场景触发，则：
存储(107、207)传感器数据，所存储的传感器数据来自检测到所述场景触发时的时间点附近的时间段。
2.根据权利要求1所述的方法(100)，其中，监视(103)相对于复合风险触发阈值的所确定的所述复合风险值的步骤包括：
对于每个时刻：
将所确定的所述复合风险值与所述复合风险触发阈值相比较(104、204)；以及
如果所述比较指示超过所述复合风险触发阈值的偏离，则所述方法包括存储(107、207)传感器数据，所存储的传感器数据来自所述比较指示超过所述复合风险触发阈值的所述偏离时的时间点附近的时间段。
3.根据权利要求1或2所述的方法(100)，其中，监视(103)所述复合风险值的随着时间的推移的所述发展的步骤包括：
对于每个时刻：
将所确定的所述复合风险值和先前时刻的复合风险值之间的差与所述风险波动性阈值相比较(106、206)；以及
如果所述比较指示超过所述风险波动性阈值的偏离，则所述方法包括存储(107、207)传感器数据，所存储的传感器数据来自所述比较指示超过所述风险波动性阈值的所述偏离时的时间点附近的时间段。
4.根据权利要求1所述的方法(100)，其中，监视(103)相对于所述地图波动性触发阈值的所述风险地图的随着时间的推移的所述发展的步骤包括：
对于每个时刻：
将所获取的所述风险地图和所获取的先前时刻的风险地图之间的差与所述地图波动性阈值相比较(105、205)；
如果所述比较指示超过所述地图波动性阈值的偏离，则所述方法包括存储(107、207)传感器数据，所存储的传感器数据来自所述比较指示超过所述地图波动性阈值的所述偏离时的时间点附近的时间段。
5.根据权利要求4所述的方法(100)，进一步包括：向远程实体传送(108)所存储的传感器数据。
6.根据权利要求1所述的方法(100)，进一步包括：
将所述传感器数据暂时地存储在数据缓冲器中，所述数据缓冲器具有在1秒到300秒范围内的缓冲器长度；并且
其中，存储(107、207)传感器数据的步骤包括：传递来自所述数据缓冲器的传感器数据，所传递的所述传感器数据包括来自检测到所述场景触发时的时间点附近的时间段的传感器数据。
7.根据权利要求1所述的方法(100)，进一步包括：
获取指示以下项的传感器数据：
所述运载工具的所述致动能力和所述致动能力的所述不确定性估计；
所述自由空间区域的位置和对于所估计的所述自由空间区域的位置的所述不确定性估计；
所述运载工具的所述周围环境中的外部对象相对于所述运载工具的位置和所述外部对象的位置的不确定性，所述外部对象中的任意动态对象的行迹，以及所述动态对象的所估计的行迹的不确定性；以及
所述运载工具的地理位置，所述地理位置包括所述运载工具的估计的地理位置的不确定性估计。
8.根据权利要求7所述的方法(100)，其中，获取所述风险地图的步骤包括基于所获取的所述传感器数据来形成所述风险地图。
9.根据权利要求1所述的方法(100)，其中，每个风险参数指示以下项中的至少一项：在所述运载工具占用相关联的区域段的情况下事故事件的概率以及违犯预定义的安全阈值的概率。
10.根据权利要求1所述的方法(100)，其中，存储(107、207)传感器数据的步骤进一步包括存储所形成的所述风险地图，其中，所存储的所述风险地图来自检测到所述场景触发时的时间点附近的时间段。
11.根据权利要求10所述的方法(100)，进一包括：向远程实体传送所存储的所述风险地图。
12.根据权利要求1所述的方法(100)，其中，确定(102)所述复合风险值的步骤包括：
基于所述ADS的至少一个规划路径所贯穿的一组区域段的所述风险参数来确定所述ADS的所述复合风险值。
13.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序被配置为由运载工具中的处理系统的一个或多个处理器执行，所述一个或多个程序包括用于执行根据在先权利要求中的任意一项所述的方法(100)的指令。
14.一种用于识别感兴趣的场景以用于运载工具(1)的自动驾驶系统ADS(30)的开发、检验和/或验证的控制系统(10)，所述控制系统(10)包括
控制电路(11)，所述控制电路被配置为：
获取所述运载工具的周围环境的风险地图(40)，其中，所述风险地图基于所述运载工具的致动能力(43)和所述周围环境中的自由空间区域的位置，所述致动能力包括对于所述致动能力的不确定性估计(43’、43”)，并且所述自由空间区域的位置包括对于所述自由空间区域的估计的位置的不确定性估计；
其中，所述风险地图(40)包括所述运载工具的所述周围环境中所包括的多个区域段(51)中的每个区域段的风险参数；
基于所述风险地图的一组区域段的风险参数来确定所述ADS(30)的复合风险值；
通过监视以下项中的至少一项来监视场景触发：
相对于复合风险触发阈值的所确定的所述复合风险值，
相对于地图波动性触发阈值的所述风险地图的随着时间的推移的发展，以及
相对于风险波动性阈值的所述复合风险值的随着时间的推移的发展；
如果检测到所述场景触发，则：
存储传感器数据，所存储的所述传感器数据来自检测到所述场景触发时的时间点附近的时间段。
15.一种运载工具(1)，包括：
自动驾驶系统ADS(30)；
感知系统(6)，所述感知系统包括被配置为监视所述运载工具的周围环境的至少一个传感器(6a、6b、6c)；
运载工具控制系统，所述运载工具控制系统包括被配置为监视所述运载工具的致动能力的至少一个传感器；
定位系统(5)，所述定位系统被配置为监视所述运载工具的地形图位置(41)；
根据权利要求14所述的控制系统(10)。
CN202111112411.6A 2020-09-18 2021-09-18 自主驾驶环境中的场景识别 Pending CN114274972A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20196795.7 2020-09-18
EP20196795.7A EP3971865A1 (en) 2020-09-18 2020-09-18 Scenario identification in autonomous driving environments

Publications (1)

Publication Number Publication Date
CN114274972A true CN114274972A (zh) 2022-04-05

Family

ID=72603313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111112411.6A Pending CN114274972A (zh) 2020-09-18 2021-09-18 自主驾驶环境中的场景识别

Country Status (3)

Country Link
US (1) US20220089153A1 (zh)
EP (1) EP3971865A1 (zh)
CN (1) CN114274972A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11873011B2 (en) * 2020-10-29 2024-01-16 Waymo Llc Labeling lane segments for behavior prediction for agents in an environment
US20220315047A1 (en) * 2021-03-30 2022-10-06 Honda Research Institute Europe Gmbh Method, system and vehicle with an uncertainty-based lane positioning control
EP4303537A1 (en) * 2022-07-04 2024-01-10 Zenseact AB Identifying locations crucial to an autonomous vehicle

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2748052B1 (de) * 2011-08-22 2016-03-23 Bayerische Motoren Werke Aktiengesellschaft Fahrerassistenzsystem eines nicht spurgebundenen fahrzeugs
EP2950294B1 (en) * 2014-05-30 2019-05-08 Honda Research Institute Europe GmbH Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis
WO2016092591A1 (ja) * 2014-12-09 2016-06-16 三菱電機株式会社 衝突リスク算出装置、衝突リスク表示装置、車体制御装置
US11307042B2 (en) * 2015-09-24 2022-04-19 Allstate Insurance Company Three-dimensional risk maps
EP3513265A4 (en) * 2016-09-14 2020-04-22 Nauto Global Limited SYSTEMS AND METHODS FOR DETERMINING ALMOST COLLISIONS
US10733460B2 (en) * 2016-09-14 2020-08-04 Nauto, Inc. Systems and methods for safe route determination
US11420653B2 (en) * 2019-05-20 2022-08-23 Hyundai Mobis Co., Ltd. Autonomous driving apparatus and method
US11529951B2 (en) * 2019-12-24 2022-12-20 Intel Corporation Safety system, automated driving system, and methods thereof
JP2024512980A (ja) * 2021-04-02 2024-03-21 メイ モビリティー，インコーポレイテッド 不完全な環境情報で自律エージェントを動作させる方法及びシステム

Also Published As

Publication number Publication date
EP3971865A1 (en) 2022-03-23
US20220089153A1 (en) 2022-03-24

Similar Documents

Publication Publication Date Title
US9494438B1 (en) System and method for verifying map data for a vehicle
CN114274972A (zh) 自主驾驶环境中的场景识别
US20220089151A1 (en) Path planning in autonomous driving environments
CN107792077A (zh) 用于确认道路部段是否适合于自主车辆驾驶的方法和系统
CN113223317B (zh) 一种更新地图的方法、装置和设备
US11587366B1 (en) Systems and methods for selecting locations to validate automated vehicle data transmission
US10095238B2 (en) Autonomous vehicle object detection
RU2750243C2 (ru) Способ и система для формирования траектории для беспилотного автомобиля (sdc)
US20220089192A1 (en) Risk estimation in autonomous driving environments
EP3812954A1 (en) Performance monitoring and evaluation of a vehicle adas or autonomous driving feature
US20210370984A1 (en) System and method for estimating take-over time
CN111984018A (zh) 自动驾驶方法及装置
US11531349B2 (en) Corner case detection and collection for a path planning system
CN114968187A (zh) 用于自动驾驶系统的感知系统开发的平台
CN115269370A (zh) 用于自动驾驶系统的路径规划系统开发的平台
JP7276067B2 (ja) 走行支援システム、走行支援方法、及びプログラム
US20220350338A1 (en) Platform for path planning system development for automated driving system
US20220270356A1 (en) Platform for perception system development for automated driving system
CN116443030A (zh) 用于运载工具状态估计的系统、方法以及介质
EP4357944A1 (en) Identification of unknown traffic objects
US20240135719A1 (en) Identification of unknown traffic objects
US20240135252A1 (en) Lane-assignment for traffic objects on a road
US20230113532A1 (en) Path planning for vehicle based on accident intensity
US20230331256A1 (en) Discerning fault for rule violations of autonomous vehicles for data processing
CN117917701A (zh) 识别未知交通对象

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