CN114556139A - 用于传感器校准的系统和方法 - Google Patents
用于传感器校准的系统和方法 Download PDFInfo
- Publication number
- CN114556139A CN114556139A CN201980091614.6A CN201980091614A CN114556139A CN 114556139 A CN114556139 A CN 114556139A CN 201980091614 A CN201980091614 A CN 201980091614A CN 114556139 A CN114556139 A CN 114556139A
- Authority
- CN
- China
- Prior art keywords
- sensor
- sensors
- location
- data
- calibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000012937 correction Methods 0.000 claims description 38
- 238000001514 detection method Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 36
- 230000015654 memory Effects 0.000 description 35
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 8
- 239000002184 metal Substances 0.000 description 8
- 229910052751 metal Inorganic materials 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 239000004744 fabric Substances 0.000 description 6
- 239000003973 paint Substances 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- -1 mirrors Substances 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 229920002799 BoPET Polymers 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000005041 Mylar™ Substances 0.000 description 2
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 2
- 239000006117 anti-reflective coating Substances 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 229920000139 polyethylene terephthalate Polymers 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- 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
- G01S7/497—Means for monitoring or calibrating
- G01S7/4972—Alignment of sensor
-
- 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
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
- G02B6/0001—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings specially adapted for lighting devices or systems
- G02B6/0011—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings specially adapted for lighting devices or systems the light guides being planar or of plate-like form
- G02B6/0033—Means for improving the coupling-out of light from the light guide
- G02B6/005—Means for improving the coupling-out of light from the light guide provided by one optical element, or plurality thereof, placed on the light output side of the light guide
- G02B6/0055—Reflecting element, sheet or layer
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Measurement Of Optical Distance (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
描述了用于验证传感器校准的系统和方法等。为了验证具有数个类型的传感器的传感器系统的校准,对象可被配置为具有基本反射部分,使得传感器可以分离出该基本反射部分,并且可以将这些传感器的传感器数据进行比较,以确定各传感器所检测到的基本反射部分的位置是否对齐。为了校准传感器系统,各传感器可以使用并检测具有已知校准特征的对象,并且可以将所检测到的数据与同对象相关联的已知校准数据进行比较,以确定各传感器是否被正确地校准。
Description
相关申请的交叉引用
本申请要求于2018年10月10日提交的美国临时申请62/777,637的权益。
技术领域
本发明通常涉及验证传感器校准。特别地,本说明书涉及用于提供传感器校准的自动验证的系统和方法。
背景技术
对运载工具进行配置使得该运载工具具有自主导航能力正变得越来越流行。例如,无人机和自动驾驶小汽车可被配置为在整个环境中自主地导航。这些运载工具可以依赖于诸如光检测和测距传感器、RADAR(雷达)和基于视觉的传感器等的传感器来辅助这些运载工具在环境内导航。这些自主运载工具中的许多自主运载工具同时使用多个传感器类型。此外,这些传感器在它们安装在自主运载工具上时的位置可能由于例如在运载工具正穿过道路时的运载工具的振动而略微改变。这可能对传感器的校准产生负面影响。
发明内容
在本发明的至少一方面,提供用于验证传感器校准的系统。所述系统包括至少一个对象,其被配置为具有基本反射部分。所述系统包括至少一个光检测和测距传感器,其被配置为检测到与所述至少一个对象的所述基本反射部分相关联的至少一个位置的距离。所述系统包括至少一个摄像传感器,其被配置为检测与所述至少一个对象的所述基本反射部分的所述至少一个位置相关联的光强度值。所述系统包括计算机可读介质,其存储计算机可执行指令;以及至少一个处理器,其通信地耦接至所述至少一个光检测和测距传感器和所述至少一个摄像传感器,并且被配置为执行所述计算机可读介质上所存储的计算机可执行指令。当所述至少一个处理器执行所述计算机可读介质上所存储的所述计算机可执行指令时,所述至少一个处理器执行操作以:接收与所检测到的到所述至少一个位置的距离相关联的传感器数据;基于与所检测到的到所述至少一个位置的距离相关联的传感器数据来生成与所述基本反射部分相关联的第一预测聚合位置;接收与所检测到的所述至少一个位置的强度值相关联的传感器数据;基于与所检测到的所述至少一个位置的强度值相关联的传感器数据来生成与所述基本反射部分相关联的第二预测聚合位置;以及基于所述第一预测聚合位置和所述第二预测聚合位置来确定对齐误差值。
所述计算机可执行指令可以包括用于生成所述第一预测聚合位置的第一算法和用于生成所述第二预测聚合位置的第二算法。所述第二算法可以不同于所述第一算法。在所述对齐误差值大于第一对齐误差阈值的情况下,可以修改所述第一算法和所述第二算法其中至少之一。可以修改所述第一算法和所述第二算法其中至少之一,使得所生成的第一预测聚合位置和所生成的第二预测聚合位置基本上对齐。当所述至少一个处理器执行所述指令时,所述至少一个处理器可以执行操作,以在所述对齐误差值大于第二对齐误差阈值的情况下,启动所述至少一个摄像传感器或所述至少一个光检测和测距传感器的校准处理。
所述基本非反射部分可以包括黑色面。所述基本反射部分可以包括基本白色面。
在本发明的另一方面,提供用于验证传感器校准的方法。所述方法包括:将至少一个对象配置为具有基本反射部分。所述方法包括:利用第一传感器来检测到与所述至少一个对象的所述基本反射部分相关联的至少一个位置的距离。所述方法包括:利用第二传感器来检测与所述至少一个对象的所述基本反射部分相关联的一个或多个位置的光强度值。所述方法包括:接收与所检测到的到所述至少一个位置的距离相关联的传感器数据。所述方法包括:基于与所检测到的到所述至少一个位置的距离相关联的传感器数据来生成与所述基本反射部分相关联的第一预测聚合位置。所述方法包括:接收与所检测到的所述至少一个位置的强度值相关联的传感器数据。所述方法包括:基于与所检测到的所述至少一个位置的强度值相关联的传感器数据来生成与所述基本反射部分相关联的第二预测聚合位置;以及基于所述第一预测聚合位置和所述第二预测聚合位置来确定对齐误差值。
所述第一预测聚合位置可以是使用第一算法生成的,并且所述第二预测聚合位置可以是使用第二算法生成的。所述方法还可以包括:在所述对齐误差值大于第一对齐误差阈值的情况下,修改所述第一算法和所述第二算法其中至少之一。所述方法还可以包括:修改所述第一算法和所述第二算法其中至少之一,使得所生成的第一预测聚合位置和所生成的第二预测聚合位置基本上对齐。所述方法还可以包括:在所述对齐误差值大于第二对齐阈值的情况下,校准至少一个摄像传感器和至少一个光检测和测距传感器其中至少之一。
在本发明的另一方面,提供用于验证传感器的系统。所述系统包括:至少一个对象,其包括至少一个校准特征;以及运载工具。所述运载工具包括多个传感器,其被配置为在所述至少一个对象和所述运载工具相对于彼此移动时,检测所述至少一个对象的所述至少一个校准特征。所述多个传感器中的各个传感器具有多个参数,其中所述多个参数包括多个内部参数和多个外部参数。所述运载工具包括:计算机可读介质,其存储计算机可执行指令;以及至少一个处理器,其被配置为通信地耦接至所述多个传感器,并且执行所述计算机可读介质上所存储的指令。当所述至少一个处理器执行所述指令时,所述至少一个处理器执行操作以:接收与所述至少一个校准特征相关联的已知校准特征数据;从所述多个传感器中的各个传感器接收与所述至少一个校准特征相关联的检测特征数据;将所接收到的已知特征数据与所接收到的检测特征数据进行比较;针对所述多个传感器中的各个传感器,基于所接收到的已知特征数据与所接收到的检测特征数据的比较来生成校准误差值;以及在与所述多个传感器中的至少一个传感器相对应的校准误差值大于第一校准误差阈值的情况下,确定为所述至少一个传感器被不正确地校准。
当所述至少一个处理器执行所述指令时,所述至少一个处理器可以进一步执行操作,以针对与确定为被不正确地校准的所述至少一个传感器相关联的至少一个内部参数来计算校正参数。计算所述校正参数可以至少部分地基于确定为所述至少一个传感器被不正确地校准。当所述至少一个处理器执行所述指令时,所述至少一个处理器可以进一步执行操作,以基于所述校正参数来修改所述至少一个内部参数。
所述多个传感器中的各传感器可以具有至少一个内部参数。当所述至少一个处理器执行所述指令时,所述至少一个处理器可以进一步执行操作,以接收与所述至少一个内部参数相对应的内部数据,以及针对与确定为被不正确地校准的所述至少一个传感器相关联的所述至少一个内部参数来计算校正参数。针对所述至少一个内部参数对所述校正参数的计算至少部分地基于所接收到的内部数据。所述内部参数可以包括以下项其中至少之一:操作频率、视场、束宽度、束功率和信噪比。
当所述至少一个处理器执行所述指令时,所述至少一个处理器可以进一步执行操作,以在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于第二校准误差阈值的情况下,确定为所述至少一个传感器处于故障状态。当所述至少一个处理器执行所述指令时,所述至少一个处理器可以执行操作,以针对与确定为处于故障状态的所述至少一个传感器相关联的至少一个外部参数来计算校正参数。针对所述至少一个外部参数对所述校正参数的计算可以至少部分地基于确定为所述至少一个传感器处于故障状态。所述至少一个外部参数可以包括以下项其中至少之一:在传感器安装在所述运载工具上时的传感器的位置、传感器相对于其它传感器的距离、传感器的角度、由环境引起的噪声级和所述环境的周围亮度。
所述至少一个对象可以包括限定了三个相互垂直的平面的三个面,所述三个面中的各面包括至少一个校准特征。所述至少一个对象可以包括固定的道路特征。
所述多个传感器可以包括具有第一类型的第一传感器和具有第二类型的第二传感器。所述多个传感器可以包括至少一个RADAR传感器,并且所述至少一个对象可以包括可由所述至少一个RADAR传感器检测的内部金属芯。所述多个传感器可以包括至少一个光检测和测距传感器以及至少一个RADAR传感器,并且所述至少一个对象可以包括增强部分。所述增强部分基本上可由所述至少一个光检测和测距传感器检测,并且基本上不可由所述至少一个RADAR传感器检测。
所述已知特征数据可以包括以下项其中至少之一:从远程传感器接收到的信息、在先前时间从一个或多个传感器接收到的信息、以及由所述一个或多个传感器中的预校准传感器所确定的信息。所述已知特征数据可以包括从安装在第二运载工具上的远程传感器接收到的信息。所述已知特征数据可以包括从第一类型的传感器接收到的信息,并且所述多个传感器可以包括不同于所述第一类型的第二类型的至少一个传感器。
当所述至少一个处理器执行所述指令时,所述至少一个处理器可以执行操作,以在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,使得所述运载工具停止操作。当所述至少一个处理器执行所述指令时,所述至少一个处理器可以执行操作,以在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,通知远程技术人员。当所述至少一个处理器执行所述指令时,所述至少一个处理器执行操作,以在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,将所述运载工具导航到服务地点。当所述至少一个处理器执行所述指令时,所述至少一个处理器可以执行操作,以在与被确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,禁用所述至少一个传感器。
在本发明的另一方面,提供用于校准传感器的方法。所述方法包括:使运载工具和至少一个对象相对于彼此移动,所述运载工具包括多个传感器,并且所述至少一个对象包括至少一个校准特征。所述方法包括:利用所述多个传感器,在所述至少一个对象和所述运载工具正彼此相对移动时,检测所述至少一个对象的所述至少一个校准特征,所述多个传感器各自具有多个参数,所述多个参数包括多个内部参数和多个外部参数。所述方法包括:接收与所述至少一个校准特征相关联的已知校准特征数据。所述方法包括:从所述多个传感器中的各个传感器接收与所述至少一个校准特征相关联的检测特征数据。所述方法包括:将所接收到的已知特征数据与所接收到的检测特征数据进行比较。所述方法包括:针对所述多个传感器中的各个传感器,基于所接收到的已知特征数据与所接收到的检测特征数据的比较来生成校准误差值。所述方法包括:在与所述多个传感器中的至少一个传感器相对应的校准误差值大于第一校准误差阈值的情况下,确定为所述至少一个传感器被不正确地校准。
所述方法还可以包括:针对与被确定为被不正确地校准的所述至少一个传感器相关联的至少一个内部参数来计算校正参数。计算所述校正参数可以至少部分地基于确定为所述至少一个传感器被不正确地校准。所述方法还可以包括:基于所述校正参数来修改所述至少一个内部参数。
所述多个传感器各自可以包括被配置为检测与至少一个内部参数相对应的内部数据的一个或多个监测装置。所述方法还可以包括:接收与所述至少一个内部参数相关联的内部数据;以及至少部分地基于所接收到的内部数据,针对被确定为被不正确地校准的所述至少一个传感器的所述至少一个内部参数来计算校正参数。所述方法还可以包括:在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于第二校准误差阈值的情况下,确定为所述至少一个传感器处于故障状态。所述方法还可以包括:针对与被确定为被不正确地校准的所述至少一个传感器相关联的至少一个外部参数来计算校正参数。针对所述至少一个外部参数对所述校正参数的计算可以至少部分地基于确定为所述至少一个传感器处于故障状态。
所述至少一个对象可以包括限定了三个相互垂直的平面的三个面,所述三个面的各面包括至少一个校准特征。所述至少一个对象可以包括固定的道路特征。
所述多个传感器可以包括至少一个RADAR传感器,并且所述至少一个对象可以包括可由所述至少一个RADAR传感器检测的内部金属芯。所述多个传感器可以包括至少一个光检测和测距传感器以及至少一个RADAR传感器。所述至少一个对象可以包括增强部分,所述增强部分基本上可由所述至少一个光检测和测距传感器检测,并且基本上不可由所述至少一个RADAR传感器检测。所述已知特征数据可以包括从远程传感器接收到的信息、在先前时间从一个或多个传感器接收到的信息、由所述一个或多个传感器的预校准传感器所确定的信息。所述已知特征数据可以包括从安装在第二运载工具上的远程传感器接收到的信息。所述已知特征数据可以包括从第一类型的传感器接收到的信息,并且所述多个传感器可以包括不同于所述第一类型不同的第二类型的至少一个传感器。
所述方法可以包括:在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,使得所述运载工具停止操作。所述方法可以包括:在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,通知远程技术人员。所述方法可以包括:在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,将所述运载工具导航到服务地点。所述方法可以包括:在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,禁用所述至少一个传感器。
这些和其它方面、特征和实现可被表示为方法、设备、系统、组件、程序产品、用于进行功能的方法或步骤以及其它方式。
从以下包括权利要求书的描述,这些和其它方面、特征和实现将变得清楚。
附图说明
图1例示具有自主能力的自主运载工具的示例。
图2例示示例“云”计算环境。
图3例示计算机系统。
图4例示自主运载工具的示例架构。
图5例示感知模块可以使用的输入和输出的示例。
图6例示LiDAR系统的示例。
图7例示操作中的LiDAR系统。
图8例示LiDAR系统的操作的附加细节。
图9例示规划模块的输入和输出之间的关系的框图。
图10例示路径规划中所使用的有向图。
图11例示控制模块的输入和输出的框图。
图12例示控制器的输入、输出和组件的框图。
图13是示出根据本发明的一个或多个实施例的、用于验证传感器校准的系统的图示。
图14是根据本发明的一个或多个实施例的、生成第一预测聚合位置和第二预测聚合位置的例示示例。
图15是描述根据本发明的一个或多个实施例的、用于验证传感器校准的方法的流程图。
图16是示出根据本发明的一个或多个实施例的、用于校准传感器的系统的图示。
图17是描述根据本发明的一个或多个实施例的、用于校准传感器的方法的流程图。
图18是描述根据本发明的一个或多个实施例的、用于基于校准误差来修改内部参数的方法的流程图。
图19是描述根据本发明的一个或多个实施例的、用于基于校准误差来确定传感器故障的方法的流程图。
具体实施方式
在以下描述中,为了解释的目的,阐述了许多具体细节,以便提供对本发明的透彻理解。然而,本发明可以在没有这些具体细节的情况下实施将是明显的。在其它实例中,众所周知的构造和装置是以框图形式示出的,以避免不必要地使本发明模糊。
在附图中,为了便于描述,示出了示意要素(诸如表示装置、模块、指令块和数据要素的那些要素)的具体排列或次序。然而,本领域技术人员应当理解,附图中示意要素的具体次序或排列并不意在意味着要求特定的处理次序或序列、或处理过程的分离。此外,在附图中包含示意要素并不意在意味着在所有实施例中都需要这种要素,也不意在意味着由这种要素表示的特征不能包括在一些实施例中或不能在一些实施例中与其它要素结合。
此外,在附图中,连接要素、诸如实线或虚线或箭头用于例示两个或更多个其它示意要素之间的连接、关系或关联,没有任何此类连接要素并不意在意味着不能存在连接、关系或关联。换句话说,一些要素之间的连接、关系或关联未在附图中示出,以便不使本发明内容模糊。此外,为了便于例示,使用单个连接要素来表示要素之间的多个连接、关系或关联。例如,如果连接要素表示信号、数据或指令的通信,本领域技术人员应理解,这种要素表示影响通信可能需要的一个或多个信号路径(例如,总线)。
现在将详细参考实施例,其示例在附图中例示出。在以下的详细描述中,阐述了许多具体细节,以便提供对所描述的各种实施例的透彻理解。然而,对于本领域的普通技术人员来说将明显的是,可以在没有这些具体细节的情况下实施所描述的各种实施例。在其它情况下,没有详细描述众所周知的方法、程序、组件、电路和网络,以便不会不必要地使实施例的方面模糊。
下面描述的若干特征各自可以彼此独立地使用,也可以与其它特征的任何组合一起使用。然而,任何个别特征可能不能解决以上所讨论的任何问题,或者只能解决以上所讨论的问题之一。以上所讨论的一些问题可能不能通过本文所描述的任何一个特征得到充分解决。虽然提供了标题,但在本说明书的其它地方也可以找到与具体标题有关但在具有该标题的部分中未找到的信息。本文根据以下概要描述实施例:
1.总体概述
2.系统概述
3.自主运载工具架构
4.自主运载工具输入
5.自主运载工具规划
6.自主运载工具控制
7.用于验证传感器校准的系统和方法
8.用于验证传感器校准的系统和方法
总体概述
本发明描述用于传感器校准的自动验证的技术等。传感器校准的自动验证可以减少确保自主运载工具的传感器准确以促进安全导航所需的时间。系统和方法利用各种传感器类型的固有性质,以提供各传感器校准自身所用的高效且准确的技术。
运载工具(例如,无人机、自动驾驶小汽车等)可被配置为在整个环境中自主地导航。这些运载工具可以依赖于诸如光检测和测距传感器、RADAR和基于视觉的传感器等的传感器来辅助这些运载工具在环境内导航。这些自主运载工具中的许多自主运载工具同时使用多个传感器类型。此外,这些传感器在它们安装在自主运载工具上时的位置可能由于例如在运载工具正穿过道路时的运载工具的振动而略微改变。这可能对传感器的校准产生负面影响。
由于这些运载工具同时使用多个传感器类型,因此可能需要进行校准过程以将来自不同传感器的数据组合在共同的参考系中。传统校准方法可能需要手动测量和输入。这些方法可能费力且耗时,并且要求运载工具在延长的时间段内停止操作。因此,可能期望提供用于使运载工具以及时且高效的方式自校准其传感器的技术。还可能期望提供用于使运载工具在环境中导航时校准其传感器的技术。
系统概述
图1例示具有自主能力的自主运载工具100的示例。
如本文所使用的,术语“自主能力”是指一种功能、特征或设施,该功能、特征或设施使运载工具能够部分地或完全地操作,而无需实时的人类干预,包括但不限于完全自主运载工具、高度自主运载工具和有条件自主运载工具。
如本文所使用的,自主运载工具(AV)是一种具有自主能力的运载工具。
如本文所使用的,“运载工具”包括货物或人员的运输方式。例如,小汽车、公共汽车、火车、飞机、无人机、卡车、船只、舰艇、潜水器、飞船等。无人驾驶的小汽车是运载工具的示例。
如本文所使用的,“轨迹”是指将AV从第一时空地点导航到第二时空地点的路径或路线。在实施例中,第一时空地点被称为初始地点或起始地点,第二时空地点被称为目的地、最终地点、目标、目标位置或目标地点。在一些示例中,轨迹由一个或多个路段(例如,道路的数段)组成,并且各路段由一个或多个块(例如,车道或交叉口的一部分)组成。在实施例中,时空地点对应于真实世界地点。例如,时空地点是上车或下车地点,以使人员或货物上车或下车。
如本文所使用的,“(一个或多个)传感器”包括一个或多个硬件组件,用于检测与传感器周围环境有关的信息。一些硬件组件可以包括感测组件(例如,图像传感器、生物特征传感器)、传输和/或接收组件(例如,激光或射频波发射器和接收器)、电子组件(诸如,模数转换器)、数据存储装置(诸如,RAM和/或非易失性存储器)、软件或固件组件和数据处理组件(诸如,专用集成电路)、微处理器和/或微控制器。
如本文所使用的,“场景描述”是一种数据结构(例如,列表)或数据流,其包括由AV运载工具上的一个或多个传感器检测到的一个或多个分类或标记的对象,或由AV外部的源提供的一个或多个分类或标记的对象。
如本文所使用的,“道路”是一个可以被运载工具穿过的物理区域,并且可以对应于已命名的通道(例如,城市街道、州际高速公路等)或可对应于未命名的通道(例如,房屋或办公楼内的行车道、停车场的一段、空置停车场的一段、乡村区域的污物通道等)。由于有些运载工具(例如,四轮驱动的小卡车、越野车(SUV)等)能够穿过各种不特别适合运载工具行驶的物理区域,因此“道路”可以是任何市政当局或其它政府或行政机构没有正式定义为一条通道的物理区域。
如本文所使用的,“车道”是道路的可被运载工具穿越的部分,并且可对应于车道标记之间的大部分或全部空间,或仅对应于车道标记之间的部分空间(例如,小于50%)。例如,具有相距很远的车道标记的道路可能容纳两个或两个以上的运载工具,使得一个运载工具可以在不穿过车道标记的情况下超过另一个运载工具,因此可被解释为车道比车道标记之间的空间窄,或车道之间有两个车道。在没有车道标记的情况下,也可以对车道进行解释。例如,可以基于环境的物理特征(例如,农村地区的岩石和沿着大道的树木)来定义车道。
“一个或多个”包括由一个要素执行的功能、由多个要素例如以分布式的方式执行的功能、由一个要素执行的若干功能、由若干要素执行的若干功能、或上述的任何组合。
还将理解的是,尽管在一些情况下,术语“第一”、“第二”等在本文中是用来描述各种要素的,但这些要素不应受到这些术语的限制。这些术语仅用于区分一个要素与另一个要素。例如,在未背离各种所描述的实施例的范围的情况下,第一触点可被称为第二触点,并且类似地,第二触点可被称为第一触点。第一触点和第二触点两者都是触点,但它们不是相同触点。
在本文所描述的各种实施例的说明书中使用的术语仅用于描述特定实施例的目的,而不是意在限制。如在所描述的各种实施例的说明书和所附权利要求书中所使用的,单数形式“a”、“an”和“the”也意在包括复数形式,除非上下文另有明确说明。还将理解的是,如本文所使用的“和/或”是指并且包括一个或多个相关清单项目的任何和所有可能的组合。还将理解的是,当在本说明书中使用术语“包括”、“包含”、“具备”和/或“具有”时,具体说明存在所陈述的特征、整数、步骤、操作、要素和/或组件,但并不排除存在或添加一个或多个其它特征、整数、步骤、操作、要素、组件、和/或其群组。
如本文所使用的,取决于上下文,术语“如果”可选地被理解为意指“当”或“在当时”或“响应于确定为”或“响应于检测到”。类似地,取决于上下文,短语“如果已确定”或“如果[所陈述的条件或事件]已被检测到”可选地被理解为意指“在确定时”或“响应于确定为“或”在检测到[所陈述的条件或事件]时”或“响应于检测到[所陈述的条件或事件]”。
如本文所使用的,AV系统是指AV以及支持AV操作的硬件、软件、存储的数据和实时生成的数据的阵列。在实施例中,AV系统并入在AV内。在实施例中,AV系统跨若干地点分布。例如,AV系统的一些软件是在类似于下面关于图2描述的云计算环境200的云计算环境上实现的。
一般而言,本文件描述了适用于任何具有一种或多种自主能力的运载工具的技术,包括完全自主运载工具、高度自主运载工具和有条件自主运载工具,诸如分别为所谓的第5级、第4级和第3级运载工具(见SAE国际标准J3016:道路上机动车自动驾驶系统相关术语的分类和定义,通过引用将其全部内容并入本文件,用于了解运载工具自主权等级的更多详细信息)。本文件所描述的技术也适用于部分自主运载工具和驾驶员辅助运载工具,诸如所谓的第2级和第1级运载工具(见SAE国际标准J3016:道路上机动车自动驾驶系统相关术语的分类和定义)。在实施例中,一个或多个第1级、第2级、第3级、第4级和第5级运载工具系统可基于对传感器输入的处理,在某些操作条件下自动执行某些运载工具操作(例如,转向、制动和使用地图)。本文件中所描述的技术可以使从完全自主运载工具到人类操作的运载工具范围内的任何级别的运载工具受益。
参考图1,AV系统120使AV 100沿着轨迹198操作,穿过环境190至目的地199(有时称为最终地点),同时避开对象(例如,自然障碍物191、运载工具193、行人192、骑车者和其它障碍物)和遵守道路规则(例如,操作规则或驾驶偏好)。
在实施例中,AV系统120包括用于从计算机处理器146接收操作命令并对其进行操作的装置101。在实施例中,计算机处理器146与下面参考图3描述的处理器304相似。装置101的示例包括转向控制器102、制动器103、挡位、加速踏板或其它加速控制机构、挡风玻璃雨刮器、侧门锁、窗控器和转向指示器。
在实施例中,AV系统120包括用于测量或推断AV 100的状态或条件的属性的传感器121,这些属性诸如是AV的位置、线速度和角速度及线加速度和角加速度、以及航向(例如,AV 100的前端的方向)。传感器121的示例是GPS、测量运载工具线加速度和角速率两者的惯性测量单元(IMU)、用于测量或估计轮滑移率的轮速率传感器、轮制动压力或制动扭矩传感器、引擎扭矩或轮扭矩传感器以及转向角度和角速率传感器。
在实施例中,传感器121还包括用于感测或测量AV的环境的属性的传感器。例如,可见光、红外或热(或两者兼有)光谱的单目或立体摄像机122,LiDAR 123,RADAR,超声波传感器,飞行时间(TOF)深度传感器,速率传感器,温度传感器,湿度传感器和降水传感器。
在实施例中,AV系统120包括数据存储单元142和存储器144,用于存储与计算机处理器146相关联的机器指令或由传感器121收集的数据。在实施例中,数据存储单元142与以下关于图3描述的ROM 308或存储装置310类似。在实施例中,存储器144与下面描述的主存储器306类似。在实施例中,数据存储单元142和存储器144存储有关环境190的历史、实时和/或预测性信息。在实施例中,存储的信息包括地图、驾驶性能、交通拥堵更新或天气条件。在实施例中,与环境190有关的数据从远程数据库134通过通信信道传输到AV 100。
在实施例中,AV系统120包括通信装置140,用于将对其它运载工具的状态和条件(诸如位置、线速度和角速度、线加速度和角加速度、以及线航向和角航向)测量或推断的属性传送到AV 100。这些装置包括运载工具到运载工具(V2V)和运载工具到基础设施(V2I)通信装置以及用于通过点对点或自组织(ad hoc)网络或两者进行无线通信的装置。在实施例中,通信装置140跨电磁频谱(包括无线电和光通信)或其它介质(例如,空气和声介质)进行通信。运载工具对运载工具(V2V)、运载工具对基础设施(V2I)通信(以及在一些实施例中为一种或多种其它类型的通信)的组合有时被称为运载工具对所有事物(V2X)通信。V2X通信通常符合一个或多个通信标准,用于与自主运载工具进行的和在自主运载工具之间的通信。
在实施例中,通信装置140包括通信接口。例如,有线、无线、WiMAX、Wi-Fi、蓝牙、卫星、蜂窝、光、近场、红外或无线电接口。通信接口将数据从远程数据库134传输到AV系统120。在实施例中,远程数据库134嵌入在如图2中所描述的云计算环境200中。通信接口140将从传感器121收集的数据或与AV 100操作有关的其它数据传输到远程数据库134。在实施例中,通信接口140向AV 100传输与遥操作有关的信息。在一些实施例中,AV 100与其它远程(例如,“云”)服务器136通信。
在实施例中,远程数据库134还存储和传输数字数据(例如,存储诸如道路和街道地点的数据)。这些数据存储在AV 100上的存储器144中,或者通过通信信道从远程数据库134传输到AV 100。
在实施例中,远程数据库134存储和传输与以前在一天中类似时间沿着轨迹198行驶的运载工具的驾驶属性有关的历史信息(例如,速率和加速度分布)。在一个实现中,这种数据可以存储在AV 100上的存储器144中,或者通过通信信道从远程数据库134传输到AV100。
位于AV 100上的计算装置146基于实时传感器数据和先验信息两者以算法方式生成控制动作,允许AV系统120执行其自主驾驶能力。
在实施例中,AV系统120包括耦接至计算装置146的计算机外围设备132,用于向AV100的用户(例如,乘员或远程用户)提供信息和提醒并接收来自该用户的输入。在实施例中,外围设备132类似于下面参考图3讨论的显示器312、输入装置314和光标控制器316。耦接是无线的或有线的。任意两个或更多个的接口装置可以集成到单个装置中。
图2例示示例“云”计算环境。云计算是一种服务交付模式,用于使得能够方便、按需地在网络上访问可配置计算资源(例如网络、网络带宽、服务器、处理、内存、存储、应用程序、虚拟机和服务)的共享池。在典型的云计算系统中,一个或多个大型云数据中心容纳用于交付云所提供的服务的机器。现在参考图2,云计算环境200包括通过云202互连的云数据中心204a、204b和204c。数据中心204a、204b和204c为连接到云202的计算机系统206a、206b、206c、206d、206e和206f提供云计算服务。
云计算环境200包括一个或多个云数据中心。一般而言,云数据中心(例如图2中所示的云数据中心204a)是指构成云(例如图2中所示的云202或云的特定部分)的服务器的物理排列。例如,服务器在云数据中心中物理排列成房间、组、行和机架。云数据中心有一个或多个区域,其中包括一个或多个服务器房间。每个房间有一行或多行服务器,并且每行包括一个或多个机架。每个机架包括一个或多个单独的服务器节点。在一些实现中,区域、房间、机架和/或行中的服务器基于数据中心设施的物理基础设施要求(包括电力、能源、热力、热源和/或其它要求)被排列成若干组。在实施例中,服务器节点类似于图3中描述的计算机系统。数据中心204a具有许多分布在多个机架上的计算系统。
云202包括云数据中心204a、204b和204c以及用于连接云数据中心204a、204b和204c并有助于促进计算系统206a-f对云计算服务的访问的网络和网络资源(例如,网络设备、节点、路由器、交换机和网络电缆)。在实施例中,该网络表示一个或多个本地网络、广域网或通过使用地面或卫星连接部署的有线或无线链路耦接的网际网络的任意组合。通过网络交换的数据使用多种网络层协议(诸如,因特网协议(IP)、多协议标签交换(MPLS)、异步传输模式(ATM)、帧中继(Frame Relay)等)进行传输。此外,在网络表示多个子网络的组合的实施例中,在每个底层子网络上使用不同的网络层协议。在一些实施例中,网络表示一个或多个互连网际网络(诸如公共因特网等)。
计算系统206a-f或云计算服务消费者通过网络链路和网络适配器连接到云202。在实施例中,计算系统206a-f被实现为各种计算装置,例如服务器、台式机、膝上型计算机、平板电脑、智能手机、物联网(IoT)装置、自主运载工具(包括小汽车、无人机、航天飞机、火车、公共汽车等)和消费电子产品。在实施例中,计算系统206a-f在其它系统中实现或作为其它系统的一部分实现。
图3例示计算机系统300。在实现中,计算机系统300是一种专用计算装置。专用计算装置被硬连线以执行这些技术,或包括诸如一个或多个专用集成电路(ASIC)或现场可编程门阵列(FPGA)的被持久编程为执行上述技术的数字电子装置,或可以包括一个或多个通用硬件处理器,这些硬件处理器经编程以根据固件、存储器、其它存储器、或者组合中的程序指令执行这些技术。这种专用的计算装置还可以将定制的硬线逻辑、ASIC或FPGA与定制的编程相结合来完成这些技术。在各种实施例中,专用计算装置是台式计算机系统、便携式计算机系统、手持装置、网络装置或包含硬线和/或程序逻辑以实现这些技术的任何其它装置。
在实施例中,计算机系统300包括总线302或用于传达信息的其它通信机制、以及与总线302耦接以处理信息的硬件处理器304。硬件处理器304是例如通用微处理器。计算机系统300还包括主存储器306,诸如随机存取存储器(RAM)或其它动态存储装置,该主存储器306耦接至总线302以存储信息和指令,该信息和指令由处理器304执行。在一个实现中,主存储器306用于在执行要由处理器304执行的指令期间存储临时变量或其它中间信息。当这些指令存储在处理器304可访问的非暂时性存储介质中时,使计算机系统300变成一个专用机器,该机器被定制以执行指令中指定的操作。
在实施例中,计算机系统300还包括只读存储器(ROM)308或耦接至总线302的其它静态存储装置,用于存储处理器304的静态信息和指令。提供诸如磁盘、光盘、固态驱动器或三维交叉点存储器的存储装置310,并且该存储装置310耦接至总线302以存储信息和指令。
在实施例中,计算机系统300通过总线302耦接至诸如阴极射线管(CRT)、液晶显示器(LCD)、等离子体显示器、发光二极管(LED)显示器或用于向计算机用户显示信息的有机发光二极管(OLED)显示器的显示器312。包括字母数字键和其它键的输入装置314耦接至总线302,用于向处理器304传送信息和命令选择。另一种类型的用户输入装置是光标控制器316,诸如鼠标、轨迹球、触控显示器或光标方向键,用于将方向信息和命令选择传送到处理器304,并用于控制光标在显示器312上的移动。这种输入装置通常具有两个轴(第一轴(例如,x轴)和第二轴(例如,y轴))上的两个自由度,这两个轴允许装置指定平面上的位置。
根据一个实施例,本文的技术由计算机系统300响应于处理器304执行主存储器306中包含的一个或多个指令的一个或多个序列而执行。这些指令从诸如存储装置310的另一存储介质读入主存储器306。执行主存储器306中包含的指令序列使处理器304执行本文所描述的过程步骤。在替代实施例中,使用硬连线电路代替或与软件指令结合使用。
如本文所使用的术语“存储介质”是指存储数据和/或指令的任何非暂时性介质,这些数据和/或指令使机器以特定方式操作。这种存储介质包括非易失性介质和/或易失性介质。非易失性介质例如包括诸如存储装置310的光盘、磁盘、固态驱动器或三维交叉点存储器。易失性介质包括动态存储器,诸如主存储器306。存储介质的常见形式包括例如软盘、软磁盘、硬盘、固态驱动器、磁带或任何其它磁数据存储介质、CD-ROM、任何其它光数据存储介质、任何具有孔型的物理介质、RAM、PROM、EPROM、FLASH-EPROM、NV-RAM、或任何其它存储芯片或存储盒。
存储介质有别于传输介质,但可以与传输介质相结合使用。传输介质参与存储介质之间的信息传输。例如,传输介质包括同轴电缆、铜线和光纤,其包括具备总线302的电线。传输介质也可以采取声波或光波的形式,诸如在无线电波和红外数据通信过程中产生的声波或光波。
在实施例中,各种形式的介质涉及将一个或多个指令的一个或多个序列承载到处理器304以供执行。例如,这些指令最初是在远程计算机的磁盘或固态驱动器上执行的。远程计算机将指令加载到其动态存储器中,并使用调制解调器通过电话线路发送指令。计算机系统300的本地调制解调器接收电话线路上的数据,并使用红外发射器将数据转换为红外信号。红外检测器接收红外信号中承载的数据,并且适当的电路将数据放置在总线302上。总线302将数据承载到主存储器306,处理器304从主存储器306检索并执行指令。主存储器306接收的指令可以可选地在处理器304执行之前或之后存储在存储装置310上。
计算机系统300还包括耦接至总线302的通信接口318。通信接口318提供耦接至连接至本地网络322的网络链路320的双向数据通信。例如,通信接口318是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或用以提供与相应类型电话线路的数据通信连接的调制解调器。作为另一示例,通信接口318是局域网(LAN)卡,用于提供与兼容LAN的数据通信连接。在一些实现中,无线链路也被实现。在任何这种实现中,通信接口318发送和接收承载表示各种类型的信息的数字数据流的电、电磁或光信号。
网络链路320通常通过一个或多个网络向其它数据装置提供数据通信。例如,网络链路320通过本地网络322提供与主计算机324或与由因特网服务提供商(ISP)326运营的云数据中心或设备的连接。ISP 326又通过现在通常称为“因特网”328的世界范围分组数据通信网络来提供数据通信服务。本地网络322和因特网328两者都使用承载数字数据流的电、电磁或光信号。通过各种网络的信号以及网络链路320上并通过通信接口318的信号是传输介质的示例形式,其中这些信号承载了进出计算机系统300的数字数据。在实施例中,网络320包含上述云202或云202的一部分。
计算机系统300通过(一个或多个)网络、网络链路320和通信接口318发送消息和接收包括程序代码的数据。在实施例中,计算机系统300接收用于处理的代码。接收到的代码在接收到时由处理器304执行,和/或存储在存储装置310中,或存储在其它非易失性存储装置中以便以后执行。
自主运载工具架构
图4例示用于自主运载工具(例如,图1所示的AV 100)的示例架构400。架构400包括感知模块402(有时称为感知电路)、规划模块404(有时称为规划电路)、控制模块406(有时称为控制电路)、定位模块408(有时称为定位电路)和数据库模块410(有时称为数据库电路)。各模块在AV 100的操作中发挥作用。共同地,模块402、404、406、408和410可以是图1所示的AV系统120的一部分。在一些实施例中,模块402、404、406、408和410中的任何模块是计算机软件(例如,计算机可读介质上所存储的可执行代码)和计算机硬件(例如,一个或多个微处理器、微控制器、专用集成电路[ASIC]、硬件存储器装置、其它类型的集成电路、其它类型的计算机硬件、或者这些硬件中的任何或所有的组合)的组合。
在使用中,规划模块404接收表示目的地412的数据,并且确定表示AV 100为了到达(例如,抵达)目的地412而可以行驶的轨迹414(有时称为路线)的数据。为了使规划模块404确定表示轨迹414的数据,规划模块404从感知模块402、定位模块408和数据库模块410接收数据。
感知模块402使用例如也如图1所示的一个或多个传感器121来识别附近的物理对象。将对象分类(例如,分组成诸如行人、自行车、汽车、交通标志等的类型),并且将包括经分类的对象416的场景描述提供至规划模块404。
规划模块404还从定位模块408接收表示AV位置418的数据。定位模块408通过使用来自传感器121的数据和来自数据库模块410的数据(例如,地理数据)以计算位置来确定AV位置。例如,定位模块408使用来自GNSS(全球导航卫星系统)传感器的数据和地理数据来计算AV的经度和纬度。在实施例中,定位模块408所使用的数据包括具有行车道几何属性的高精度地图、描述道路网络连接属性的地图、描述行车道物理属性(诸如交通速率、交通量、运载工具和自行车车道的数量、车道宽度、车道交通方向、或车道标记类型和地点,或者它们的组合)的地图、以及描述道路特征(诸如十字路口、交通标志或各种类型的其它行驶信号等)的空间地点的地图。
控制模块406接收表示轨迹414的数据和表示AV位置418的数据,并且以将使得AV100行驶轨迹414到达目的地412的方式来操作AV的控制功能420a~420c(例如,转向、油门、制动、点火)。例如,如果轨迹414包括左转,则控制模块406将以如下方式操作控制功能420a~420c:转向功能的转向角度将使得AV 100左转,并且油门和制动将使得AV 100在进行转弯之前暂停并等待经过的行人或运载工具。
自主运载工具输入
图5例示感知模块402(图4)所使用的输入502a-502d(例如,图1中所示的传感器121)和输出504a-504d(例如,传感器数据)的示例。一个输入502a是LiDAR(光检测和测距)系统(例如,图1所示的LiDAR 123)。LiDAR是使用光(例如,诸如红外光等的一道光)来获得与其视线中的物理对象有关的数据的技术。LiDAR系统产生LiDAR数据作为输出504a。例如,LiDAR数据是用于构造环境190的表示的3D或2D点(也称为点云)的集合。
另一输入502b是RADAR(雷达)系统。RADAR是使用无线电波来获得与附近的物理对象有关的数据的技术。RADAR可以获得与不在LiDAR系统的视线内的对象有关的数据。RADAR系统502b产生RADAR数据作为输出504b。例如,RADAR数据是用于构造环境190的表示的一个或多个射频电磁信号。
另一输入502c是照相机系统。照相机系统使用一个或多个照相机(例如,使用诸如电荷耦接器件[CCD]等的光传感器的数字照相机)来获取与附近的物理对象有关的信息。照相机系统产生照相机数据作为输出504c。照相机数据通常采用图像数据(例如,诸如RAW、JPEG、PNG等的图像数据格式的数据)的形式。在一些示例中,照相机系统具有例如为了立体影像(立体视觉)的目的的多个独立照相机,这使得照相机系统能够感知深度。尽管照相机系统所感知的对象在这里被描述为“附近”,但这是相对于AV而言的。在使用中,照相机系统可被配置为“看见”远处的(例如,AV前方的远至1公里或更远的)对象。因此,照相机系统可以具有为了感知遥远的对象而优化的诸如传感器和镜头等的特征。
另一输入502d是交通灯检测(TLD)系统。TLD系统使用一个或多个照相机来获得与交通灯、街道标志和提供视觉导航信息的其它物理对象有关的信息。TLD系统产生TLD数据作为输出504d。TLD数据经常采用图像数据(例如,诸如RAW、JPEG、PNG等的图像数据格式的数据)的形式。TLD系统与包含照相机的系统的不同之处在于:TLD系统使用具有宽视场(例如,使用广角镜头或鱼眼镜头)的照相机,以获得与尽可能多的提供视觉导航信息的物理对象有关的信息,使得AV 100能够访问这些对象所提供的所有相关导航信息。例如,TLD系统的视角可以为约120度或更大。
在一些实施例中,使用传感器融合技术来组合输出504a-504d。因而,将个体输出504a-504d提供至AV 100的其它系统(例如,提供至如图4所示的规划模块404),或者可以采用相同类型的单个组合输出或多个组合输出(例如,使用相同组合技术或组合相同输出或者这两者)或不同类型的单个组合输出或多个组合输出(例如,使用不同的各个组合技术或组合不同的各个输出或者这两者)的形式,将组合输出提供至其它系统。在一些实施例中,使用早期融合技术。早期融合技术的特征在于:在将一个或多个数据处理步骤应用到组合输出之前,将输出组合。在一些实施例中,使用后期融合技术。后期融合技术的特征在于:在将一个或多个数据处理步骤应用到个体输出之后,将输出组合。
图6例示LiDAR系统602的示例(例如,图5所示的输入502a)。LiDAR系统602从发光器606(例如,激光发射器)发射光604a-604c。LiDAR系统所发射的光通常不在可见光谱中;例如,经常使用红外光。所发射的光604b中的一些光遇到物理对象608(例如,运载工具)并且反射回到LiDAR系统602。(从LiDAR系统发射的光通常不会穿透物理对象,例如,实心形式的物理对象。)LiDAR系统602还具有用于检测反射光的一个或多个光检测器610。在实施例中,与LiDAR系统相关联的一个或多个数据处理系统生成表示LiDAR系统的视场614的图像612。图像612包括表示物理对象608的边界616的信息。这样,图像612用于确定AV附近的一个或多个物理对象的边界616。
图7例示操作中的LiDAR系统602。在该图所示的情境中,AV 100接收采用图像702的形式的照相机系统输出504c和采用LiDAR数据点704的形式的LiDAR系统输出504a两者。在使用中,AV 100的数据处理系统将图像702与数据点704进行比较。特别地,在数据点704中也识别在图像702中识别出的物理对象706。这样,AV 100基于数据点704的轮廓和密度来感知物理对象的边界。
图8例示LiDAR系统602的操作的附加细节。如上所述,AV 100基于LiDAR系统602所检测到的数据点的特性来检测物理对象的边界。如图8所示,诸如地面802等的平坦对象将以一致的方式反射从LiDAR系统602发射的光804a-804d。换句话说,由于LiDAR系统602使用一致的间隔发射光,因此地面802将以相同的一致间隔将光反射回到LiDAR系统602。在AV100在地面802上行驶时,在没有东西阻挡道路的情况下,LiDAR系统602将继续检测到由下一个有效地面点806反射的光。然而,如果对象808阻挡道路,则LiDAR系统602所发射的光804e-804f将以与预期一致方式不一致的方式从点810a-810b反射。根据该信息,AV 100可以确定存在对象808。
路径规划
图9例示(例如,如图4所示的)规划模块404的输入和输出之间的关系的框图900。一般而言,规划模块404的输出是从起点904(例如,源地点或初始地点)到终点906(例如,目的地或最终地点)的路线902。路线902通常由一个或多个路段定义。例如,路段是指要在街道、道路、公路、行车道或适合汽车行驶的其它物理区域的至少一部分上行驶的距离。在一些示例中,例如,如果AV 100是诸如四轮驱动(4WD)或全轮驱动(AWD)小汽车、SUV或小卡车等的能够越野的运载工具,则路线902包括诸如未铺面路径或开阔田野等的“越野”路段。
除路线902之外,规划模块还输出车道级路线规划数据908。车道级路线规划数据908用于在特定时间基于路线902的路段的条件来驶过这些路段。例如,如果路线902包括多车道公路,则车道级路线规划数据908包括轨迹规划数据910,其中AV 100可以使用该轨迹规划数据910以例如基于出口是否临近、多个车道中的一个或多个车道是否存在其它运载工具、或者在几分钟或更少时间的过程中变化的其它因素来从这多个车道中选择某车道。类似地,在一些实现中,车道级路线规划数据908包括路线902的某路段特有的速率约束912。例如,如果该路段包括行人或非预期交通,则速率约束912可以将AV 100限制到比预期速率慢的行驶速率,例如基于该路段的限速数据的速率。
在实施例中,向规划模块404的输入包括(例如,来自图4所示的数据库模块410的)数据库数据914、当前地点数据916(例如,图4所示的AV位置418)、(例如,用于图4所示的目的地412的)目的地数据918和对象数据920(例如,如图4所示的感知模块402所感知的经分类的对象416)。在一些实施例中,数据库数据914包括规划时所使用的规则。规则是使用形式语言(例如,使用布尔逻辑)指定的。在AV 100所遇到的任何给定情形中,这些规则中的至少一些规则将适用于该情形。如果规则具有基于AV 100可用的信息(例如,与周围环境有关的信息)所满足的条件,则该规则适用于给定情形。规则可以具有优先级。例如,“如果公路是高速公路,则移动到最左侧车道”这一规则与“如果出口在一英里内临近,则移动到最右侧车道”相比可以具有更低的优先级。
图10例示在路径规划中(例如,由规划模块404(图4))使用的有向图1000。一般而言,如图10所示的有向图那样的有向图1000用于确定任何起点1002和终点1004之间的路径。在现实世界中,分隔起点1002和终点1004的距离可能相对较大(例如,在两个不同的都市区域中),或者可能相对较小(例如,毗邻城市街区的两个十字路口或多车道道路的两条车道)。
在实施例中,有向图1000具有表示起点1002和终点1004之间的AV 100可能占用的不同地点的节点1006a-1006d。在一些示例中,例如,在起点1002和终点1004表示不同的都市区域时,节点1006a-1006d表示道路的路段。在一些示例中,例如,在起点1002和终点1004表示相同道路上的不同地点时,节点1006a-1006d表示该道路上的不同位置。这样,有向图1000包括不同粒度级别的信息。在实施例中,具有高粒度的有向图也是具有更大规模的另一有向图的子图。例如,起点1002和终点1004相距远(例如,相距许多英里)的有向图的大部分信息处于低粒度,并且该有向图是基于所存储的数据,但该有向图还包括用于该有向图中的表示AV 100的视场中的物理地点的一部分的一些高粒度信息。
节点1006a-1006d不同于无法与节点重叠的对象1008a-1008b。在实施例中,在粒度低时,对象1008a-1008b表示汽车不能穿过的地区,例如无街道或道路的区域。在粒度高时,对象1008a-1008b表示AV 100的视场中的物理对象,例如其它汽车、行人、或AV 100不能与之共用物理空间的其它实体。在实施例中,对象1008a-1008b的一部分或全部是静态对象(例如,不改变位置的对象,诸如街灯或电线杆等)或动态对象(例如,能够改变位置的对象,诸如行人或其它小汽车等)。
节点1006a-1006d通过边1010a-1010c连接。如果两个节点1006a-1006b通过边1010a连接,则AV 100可以在一个节点1006a和另一节点1006b之间行驶,例如,而不必在到达另一节点1006b之前行驶到中间节点。(当提到AV 100在节点之间行驶时,意味着AV 100在由相应节点表示的两个物理位置之间行驶。)边1010a-1010c通常是双向的,从某种意义上,AV 100从第一节点行驶到第二节点,或者从第二节点行驶到第一节点。在实施例中,边1010a-1010c是单向的,从某种意义上,AV 100可以从第一节点行驶到第二节点,然而AV100不能从第二节点行驶到第一节点。在边1010a-1010c表示例如单向街道,街道、道路或公路的单独车道,或者由于法律或物理约束因而仅能沿一个方向穿过的其它特征的情况下,边1010a-1010c是单向的。
在实施例中,规划模块404使用有向图1000来识别由起点1002和终点1004之间的节点和边组成的路径1012。
边1010a-1010c具有关联成本1014a-1014b。成本1014a-1014b是表示在AV 100选择该边的情况下将花费的资源的值。典型的资源是时间。例如,如果一个边1010a所表示的物理距离是另一边1010b所表示的物理距离的两倍,则第一边1010a的关联成本1014a可以是第二边1010b的关联成本1014b的两倍。影响时间的其它因素包括预期交通、十字路口的数量、限速等。另一典型的资源是燃料经济性。两个边1010a-1010b可以表示相同的物理距离,但例如由于道路条件、预期天气等,因此一个边1010a与另一边1010b相比需要更多的燃料。
在规划模块404识别起点1002和终点1004之间的路径1012时,规划模块404通常选择针对成本优化的路径,例如,在将边的个体成本相加到一起时具有最小总成本的路径。
用于验证传感器系统的校准的系统和方法
图13例示根据本发明的一个或多个实施例的用于验证传感器校准的系统。图13中的系统包括第一传感器1301、第二传感器1302、对象1303和计算机处理器1304。计算机处理器1304包括计算机可读介质1305。计算机可读介质1305包括存储在其上的计算机可执行指令1306。对象1303被配置为具有基本非反射部分1303a,并且在一些实施例中具有基本反射部分1303b。
对象1303可被配置为具有数个类型的形状其中之一。例如,在例示的实施例中,对象1303具有球形形状。在实施例中,对象1303具有立方体形状。在实施例中,对象1303具有立方形形状。在实施例中,对象1303具有圆锥形状。对象1303还可以具有环形形状、三角形形状、圆柱形形状、金字塔形状或多个形状基元中的任一个。在实施例中,对象1303是球。在实施例中,对象1303是圆锥体。在实施例中,对象1303是立方体。在实施例中,对象1303位于建筑物中。在实施例中,对象1303是固定的路侧特征(例如,街道标志、电话杆、广告牌和桥梁支撑柱等)。例如,对象可以是结合了作为适合于校准的先验或后验的专用代码、文本、图像或图形的广告牌。
如前面所示,对象1303可被配置为具有基本非反射部分1303a和基本反射部分1303b。基本非反射部分1303a包括吸收不限于可见光谱的大部分或全部入射光(例如,给出小于5%的反射率)的诸如玻璃、涂料、织物、涂层等的材料。例如,在实施例中,基本非反射部分1303a包括黑涂料。在实施例中,基本非反射部分1303a包括黑织物。在实施例中,基本非反射部分1303a包括抗反射涂层,该抗反射涂层可以包括具有使折射率形成对比的交替层的透明薄膜结构。基本反射部分1303b包括反射大部分或全部入射光(例如,给出大于70%的反射率)的诸如涂料、镜、织物和金属等的材料。材料和对象不仅仅限于镜面或朗伯(或这两者的组成)。例如,在实施例中,基本反射部分1303b包括玻璃镜。在实施例中,基本反射部分1303b包括亚克力(acrylic)镜。在实施例中,基本反射部分1303b包括反射带。在实施例中,基本反射部分1303b包括双向拉伸聚对苯二甲酸乙二醇酯(“聚酯薄膜”(Mylar))。
传感器1301、1302各自可以是数个类型的感测装置其中之一。例如,在实施例中,各传感器1301、1302是先前参考图1所论述的传感器121其中之一。在实施例中,各传感器1301、1302是如先前参考图5所论述的输入502a-502c中的一个或多个。在所示实施例中,第一传感器1301是LiDAR并且第二传感器1302是照相机。照相机可以是被配置为捕获可见、红外、紫外和/或热光谱中的光的单目或立体摄像机。在实施例中,传感器1301、1302中的至少一个是超声波传感器。在实施例中,第一传感器1301是RADAR。传感器1301、1302中的至少一个还可以包括感测装置的组合。例如,在实施例中,传感器1301、1302中的至少一个包括照相机和RADAR。在实施例中,传感器1301、1302中的至少一个还包括用于感测或测量AV(例如,AV 100)的环境的性质的附加传感器。例如,能够感知可见光、红外和/或热光谱的单目或立体摄像机122、LiDAR 123、RADAR、超声波传感器、飞行时间(TOF)深度传感器、速率传感器、温度传感器、湿度传感器和降水传感器。尽管所例示的实施例包括第一传感器1301和第二传感器1302,但图13中的系统可以包括一个或多个附加传感器。例如,在实施例中,图13中的系统包括第三传感器。在实施例中,图13中的系统包括第三、第四和第五传感器。
在实施例中,第一传感器1301被配置为检测到与基本反射部分1303b相关联的(例如,一个或多个)位置的距离。例如,在实施例中,第一传感器1301在与基本反射部分1303b相关联的数个位置处发送激光(或无线电波、红外光等)的快速脉冲,并且针对与基本反射部分1303b相关联的数个位置中的各位置,第一传感器1301测量各脉冲从各位置反射所需的时间量。因此,第一传感器1301可以通过使用光的已知固有性质(例如,速率)来测量到与基本反射部分1303b相关联的各位置的距离。在实施例中,由于例如基本非反射部分1303a没有反射足以供第一传感器1301检测的光,因此第一传感器1301没有检测到与基本非反射部分1303a相关联的位置的距离。
在实施例中,第二传感器1302是摄像传感器(例如,照相机),其被配置为检测与对象1303的基本反射部分1303b相关联的(例如,一个或多个)位置的光强度值。例如,在实施例中,第二传感器1302包括具有像素的CCD和/或CMOS传感器,其中各像素可以检测来自与基本反射部分1303b相关联的位置的入射光子,并且生成具有与该入射光子的功率(并且由此与强度)相对应的能量的电子。由于像素的空间布置,第二传感器1302还可以检测强度值的空间位置。在实施例中,第二传感器1302被配置为还检测与对象1303的基本非反射部分1303a相关联的(例如,一个或多个)位置的光强度值。通常,与基本非反射部分1303a相关联的位置的光强度值小于基本反射部分1303b的光强度值。
计算机可读介质1306(或计算机可读存储器)可以包括适合于本地技术环境的任意数据存储技术类型,其包括但不限于基于半导体的存储器装置、磁存储器装置和系统、光存储器装置和系统、固定存储器、可移除存储器、盘存储器、闪速存储器、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、以及电子可擦除可编程只读存储器(EEPROM)等。在实施例中,计算机可读介质1306存储具有计算机可执行指令1306的代码段。
在实施例中,计算机处理器1304包括与前面参考图3所论述的处理器304类似的一个或多个计算机处理器(例如,微处理器、微控制器或这两者)。计算机处理器1304被配置为执行诸如计算机可执行指令1306等的程序代码。计算机处理器1304被配置为通信地耦接至第一传感器1301和第二传感器1302。当计算机处理器1304执行计算机可执行指令1306时,使计算机处理器1304执行数个操作。
在实施例中,当计算机处理器1304正在执行计算机可执行指令1306时,计算机处理器1304执行操作,以从第一传感器1301接收与所检测到的到同对象1303的基本反射部分1303b相关联的位置的距离相关联的传感器数据。基于所接收到的传感器数据,计算机处理器1304还执行操作,以生成与基本反射部分1303b相关联的第一预测聚合位置。例如,图14是根据本发明的一个或多个实施例的、生成第一预测聚合位置1403a和第二预测聚合位置1403b的例示示例。参考图14,在接收到与所检测到的到同基本反射部分1303b相关联的位置的距离相关联的传感器数据之后,计算机处理器1304基于该传感器数据来生成针对基本反射部分1303b的第一预测聚合位置1403a。在实施例中,计算机处理器1304使用体现在计算机可执行指令1306中的第一算法来确定第一预测聚合位置1403a。通常,由于第一传感器1301没有检测到基本非反射部分1303a的位置的距离,因此计算机处理器1304能够确定基本反射部分1303b的位置,这可以促进第一预测聚合位置1403a的生成。
返回参考图13,在执行计算机可执行指令1306时,计算机处理器执行操作,以从第二传感器1302接收与所检测到的同基本反射部分1303b相关联的位置的强度值相关联的传感器数据。基于从第二传感器1302接收到的传感器数据,计算机处理器1304还执行操作,以生成与基本反射部分1303b相关联的第二预测聚合位置。例如,再次参考图14,在接收到与同基本反射部分1303b相关联的位置的强度值相关联的传感器数据之后,计算机处理器1304基于该传感器数据来生成针对基本反射部分1303b的第二预测聚合位置1403b。在实施例中,计算机处理器1304使用存储在计算机可执行指令1306中的第二算法来确定第二预测聚合位置1403b。在实施例中,第一算法和第二算法是不同的。第一算法通常可以基于所检测到的距离,并且第二算法可以基于所检测到的强度值。例如,第一算法可以基于二项回归。第二算法可以包括连续自适应均值漂移(Camshift)函数。通常,由于第二传感器1301没有检测与基本非反射部分1303a相关联的位置的强度值(或者由于与基本非反射部分1303a相关联的位置的强度值将基本上小于与基本反射部分1303b相关联的位置的强度值),因此计算机处理器1304可以分离出基本反射部分1303b的位置,这可以促进第二预测聚合位置1403b的生成。尽管为了说明的目的、第一预测聚合位置1403a和第二预测聚合位置1403b被示出为相对于彼此略微未对齐,但是实际上,第一预测聚合位置1403a和第二预测聚合位置1403b可以比所示的对齐得更多、比所示的对齐得更少、或者完全对齐。
返回参考图13,在执行计算机可执行指令1306时,计算机处理器1304基于第一预测聚合位置和第二预测聚合位置来确定对齐误差值。如前面所示,基本反射部分1303b的第一预测聚合位置和第二预测聚合位置可以相对于彼此对齐或不对齐。基于该对齐(或不对齐),计算机处理器1304确定对齐误差。例如,参考图14,如果第一预测聚合位置1403a和第二预测聚合位置1403b完全重叠(并且因此基本上对齐),则计算机处理器1304可以确定为相对于第一预测聚合位置1403a和第二预测聚合位置1403b的对齐误差为0%。通常,第一预测聚合位置1403a和第二预测聚合位置1403b重叠得越少,对齐误差将越大。
如前面所示,可以使用第一算法来确定第一预测聚合位置1403a,并且可以使用第二算法来确定第二预测聚合位置1403b。在实施例中,在对齐误差值大于第一对齐误差阈值的情况下,计算机处理器1304调整第一算法和/或第二算法。可以基于安全、期望准确度和/或计算效率考虑来选择第一对齐误差阈值。在实施例中,第一对齐误差阈值是1%。在实施例中,第一对齐误差阈值是5%。在实施例中,在对齐误差大于第一对齐误差阈值的情况下,计算机处理器1304调整第一算法和/或第二算法,使得第一预测聚合位置和第二预测聚合位置基本上对齐(例如,对齐误差为0%或明显接近于0%)。在实施例中,在对齐误差值大于第一对齐误差阈值的情况下,调整第一算法和/或第二算法,直到对齐误差值低于对齐误差阈值为止。在实施例中,在对齐误差大于第二对齐误差阈值的情况下,计算机处理器1304启动针对第一传感器1301和/或第二传感器1302的校准处理。在实施例中,第二对齐误差阈值大于第一对齐误差阈值。可以选择第二对齐误差阈值,以反映第一预测聚合位置1403a和第二预测聚合位置1403b不够对齐而使得更新算法由于安全和/或计算考虑而可能不可行的情形。以下参考图17至19来详述校准处理的示例。
图15是描述根据本发明的一个或多个实施例的用于验证传感器校准的方法的流程图。为了说明的目的,图15中的方法将被描述为通过图13中的用于验证传感器校准的系统来进行。然而,图15中的方法可以通过用于验证传感器校准的其它系统来进行。图15中的方法包括:将对象配置为具有反射部分和非反射部分(块1510);检测到与该反射部分相关联的一个或多个位置的距离(块1511);检测与该反射部分相关联的一个或多个位置的强度值(块1512);接收与到同该反射部分相关联的一个或多个位置的距离相关联的数据(块1513);生成第一预测聚合位置(块1514);接收与同该反射部分相关联的一个或多个位置的强度值相关联的数据(块1515);生成第二预测聚合位置(块1516);以及确定对齐误差(块1517)。在实施例中,图15中的方法包括调整算法(块1518)。在实施例中,图15中的方法包括校准传感器(块1519)。
在块1510处,对象1303被配置为具有基本非反射部分1303a和基本反射部分1303b。如前面参考图13所示,基本非反射部分1303a可以由吸收大部分或全部入射光(例如,给出小于5%的反射率)的诸如玻璃、涂料、织物、涂层等的材料组成。例如,在实施例中,基本非反射部分1303a包括黑涂料。在实施例中,基本非反射部分1303a包括黑织物。基本非反射部分1303a也可以由抗反射涂层组成,该抗反射涂层可以包括具有使折射率形成对比的交替层的透明薄膜结构。基本反射部分1303b可以由反射大部分或全部入射光(例如,给出大于70%的反射率)的诸如涂料、镜、织物、金属等的材料组成。例如,在实施例中,基本反射部分1303b包括玻璃镜。在实施例中,基本反射部分1303b包括亚克力镜。在实施例中,基本反射部分1303b包括反射带。在实施例中,基本反射部分1303b包括双向拉伸聚对苯二甲酸乙二醇酯(“聚酯薄膜(Mylar)”)。
在块1511处,第一传感器1301检测到与基本反射部分1303b相关联的(例如,一个或多个)位置的距离。例如,在实施例中,第一传感器1301是LiDAR并在与基本反射部分1303b相关联的数个位置处发送激光的快速脉冲,并且针对与基本反射部分1303b相关联的数个位置中的各位置,第一传感器1301测量各脉冲从各位置反射所需的时间量。因此,第一传感器1301可以通过使用光的固有性质(例如,速率)来测量到与基本反射部分1303b相关联的各位置的距离。在实施例中,由于例如基本非反射部分1303a没有反射足以供第一传感器1301检测的光,因此第一传感器1301没有检测到与基本非反射部分1303a相关联的位置的距离。
在块1512处,第二传感器1302检测与对象1303的基本反射部分1303b相关联的(例如,一个或多个)位置的光强度值。例如,在实施例中,第二传感器1302包括具有空间对齐像素的CCD和/或CMOS传感器,其中各像素可以检测来自与基本反射部分1303b相关联的位置的入射光子并且生成具有与该入射光子的功率(并由此与强度)相对应的能量的电子。由于像素的空间布置,第二传感器1302还可以检测强度值的空间位置。在实施例中,第二传感器1302还检测与对象1303的基本非反射部分1303b相关联的(例如,一个或多个)位置的光强度值。
在块1513处,计算机处理器1304从第一传感器1301接收与所检测到的到同基本反射部分1303b相关联的一个或多个位置的距离相关联的传感器数据。
在块1514处,计算机处理器1304基于从第一传感器1301接收到的传感器数据来生成针对基本反射部分1303b的第一预测聚合位置1403a。在实施例中,计算机处理器1304使用存储在计算机可执行指令1306中的第一算法来确定第一预测聚合位置1403a。通常,由于第一传感器1301没有检测到基本非反射部分1303a的位置的距离,因此计算机处理器1304能够分离出基本反射部分1303b的位置,这可以促进第一预测聚合位置1403a的生成。
在块1515处,计算机处理器1304从第二传感器1302接收与所检测到的同基本反射部分1303b相关联的位置的强度值相关联的传感器数据。
在块1516处,计算机处理器1304基于从第二传感器1302接收到的传感器数据来生成针对基本反射部分1303b的第二预测聚合位置1403b。在实施例中,计算机处理器1304使用存储在计算机可执行指令1306中的第二算法来确定第二预测聚合位置1403b。在实施例中,第一算法和第二算法是不同的。例如,第一算法通常可以基于所检测到的距离,并且第二算法可以基于所检测到的强度值。通常,由于第二传感器1301没有检测与基本非反射部分1303a相关联的位置的强度值(或者由于与基本非反射部分1303a相关联的位置的强度值将基本上小于与基本反射部分1303b相关联的位置的强度值),因此计算机处理器1304可以分离出基本反射部分1303b的位置,这可以促进第二预测聚合位置1403b的生成。如前面参考图13所示,第一预测聚合位置1403a和第二预测聚合位置1403b可以部分对齐、完全对齐或完全不对齐。
在块1517处,计算机处理器1304基于第一预测聚合位置1403a和第二预测聚合位置1403b来确定对齐误差值。如前面所示,基本反射部分1303b的第一预测聚合位置1403a和第二预测聚合位置1403b可以相对于彼此对齐或不对齐。基于该对齐(或不对齐),计算机处理器1304确定对齐误差。例如,如果第一预测聚合位置1403a和第二预测聚合位置1403b完全重叠(并且因此基本上对齐),则计算机处理器1304可以确定为相对于第一预测聚合位置1403a和第二预测聚合位置1403b的对齐误差为0%。通常,第一预测聚合位置1403a和第二预测聚合位置1403b重叠得越少,对齐误差将越大。
在块1518处,在对齐误差值大于第一对齐误差阈值的情况下,计算机处理器1304对计算机处理器1304用来分别确定第一预测聚合位置1403a和第二预测聚合位置1403b的第一算法和/或第二算法进行调整。可以基于安全、期望准确度和/或计算效率考虑来选择第一对齐误差阈值。在实施例中,第一对齐误差阈值是1%。在实施例中,第一对齐误差阈值是5%。在实施例中,在对齐误差大于第一对齐误差阈值的情况下,调整第一算法和/或第二算法,使得第一预测聚合位置和第二预测聚合位置基本上对齐(例如,对齐误差为0%或明显接近于0%)。在实施例中,在对齐误差值大于第一对齐误差阈值的情况下,调整第一算法和/或第二算法,直到对齐误差值低于对齐误差阈值为止。
在块1519处,在对齐误差大于第二对齐误差阈值的情况下,计算机处理器1304启动针对第一传感器1301和/或第二传感器1302的校准处理。在实施例中,第二对齐误差阈值大于第一对齐误差阈值。可以选择第二对齐误差阈值,以反映第一预测聚合位置1403a和第二预测聚合位置1403b不够对齐而使得更新算法由于安全和/或计算考虑而可能不可行的情形。以下参考图17至19来详述校准处理的示例。
用于校准传感器系统的系统和方法
图16例示根据本发明的一个或多个实施例的用于校准传感器的系统。该系统包括AV 1610、第一传感器1611a、第二传感器1611b、第三传感器1611c、对象1620和计算机处理器1630。计算机处理器1630包括计算机可读介质1631。计算机可读介质1631包括存储在其上的计算机可执行指令1632。
对象1620可被配置为具有数个类型的形状其中之一。例如,在例示实施例中,对象1620具有球形形状。在实施例中,对象1620具有立方体形状。在实施例中,对象1620具有立方形形状。在实施例中,对象1620具有圆锥形状。对象1620还可以具有环形形状、三角形形状、圆柱形形状和金字塔形状等。在实施例中,对象1620是球。在实施例中,对象1620是圆锥体。在实施例中,对象1620是立方体。在实施例中,对象1620包括限定了相互垂直的平面的三个面。对象1620还可以是在AV 1610的环境中的固定道路或建筑物结构。例如,在实施例中,对象1620是街道标志。在实施例中,对象1620是广告牌。在实施例中,对象1620是建筑物支撑梁(例如,停车场支撑梁)。对象1620也可以自然地存在于AV 1610的环境中。例如,在实施例中,对象1620是树。在实施例中,对象1620是巨石。尽管为了说明的目的而仅示出一个对象1620,但图16中的系统可以包括附加对象,各附加对象是数个类型(即,立方体、支撑梁、树等)其中之一。
对象1620具有至少一个校准特征。例如,在实施例中,对象1620具有可由传感器1611a、1611b、1611c检测的至少一个固定印刷图案。在实施例中,对象1620具有固定地点。在实施例中,对象1620具有距另一对象的固定距离。在实施例中,对象1620具有多个边。在实施例中,对象1620具有大小针对RADAR检测而被优化(例如,为了减少不确定性而被优化)的内部金属芯、以及可由LiDAR检测但基本上不可由RADAR检测的增强部分(例如,不可见的RADAR泡沫、硬纸板等)。因此,可以在降低来自RADAR检测的测量的不确定性的同时,通过RADAR和LiDAR来检测对象1620。
在该实施例中,第一传感器1611a、第二传感器1611b和第三传感器1611c安装在AV1610上。AV 1610可以包括与第一传感器1611a、第二传感器1611b和第三传感器1611c相比更多或更少的传感器。例如,在实施例中,AV 1610仅包括第一传感器1611a和第二传感器1611b。在实施例中,AV 1610包括第四传感器(或第五传感器和第六传感器等)。
传感器1611a、1611b、1611c各自可以是数个类型的感测装置其中之一。例如,在实施例中,传感器1611a、1611b、1611c各自是先前参考图1所论述的传感器121其中之一。在实施例中,传感器1611a、1611b、1611c各自是如先前参考图5所论述的输入502a-502c中的一个或多个。在所示实施例中,第一传感器1611a是LiDAR,第二传感器1611b是照相机,并且第三传感器1611c是RADAR。照相机可以是被配置为捕获可见、红外和/或热光谱中的光的单目或立体摄像机。在实施例中,传感器1611a、1611b、1611c中的至少一个是超声波传感器。传感器1611a、1611b、1611c中的至少一个还可以包括感测装置的组合。例如,在实施例中,传感器1611a、1611b、1611c中的至少一个包括照相机和RADAR。在实施例中,传感器1611a、1611b、1611c中的至少一个还包括用于感测或测量AV 1610的环境的性质的附加传感器。例如,可见光、红外或热(或这两者)光谱中的单目或立体摄像机122、LiDAR 123、RADAR、超声波传感器、飞行时间(TOF)深度传感器、速率传感器、温度传感器、湿度传感器和降水传感器。
传感器1611a、1611b、1611c各自具有多个内部参数。内部参数例如可以包括操作频率(例如,信号频率)、束宽度、信噪比、内部噪声、束强度级、操作温度、焦距和视场等。传感器1611a、1611b、1611c各自具有多个外部参数。外部参数例如可以包括传感器1611a、1611b、1611c在它们安装在AV 1610上时的位置、传感器1611a、1611b、1611c相对于彼此的距离、AV 1610的环境(例如,雾、烟、雨等)的噪声级、AV 1610的环境的周围亮度和传感器1611a、1611b、1611c的角度/倾斜度等。在实施例中,传感器1611a、1611b、1611c中的一个或多个包括被配置为检测相应传感器的内部参数的至少一个监测装置。例如,在实施例中,传感器1611a、1611b、1611c中的至少一个包括被配置为测量操作温度的温度传感器。在实施例中,传感器1611a、1611b、1611c中的至少一个包括能够测量电磁功率的电磁波传感器。
传感器1611a、1611b、1611c各自被配置为在对象1620和AV 1610相对于彼此移动时检测对象1620的至少一个校准特征。例如,在实施例中,第一传感器1611a是LiDAR,第二传感器1611b是立体照相机,第三传感器1611c是RADAR,并且对象1620是在其各个面上具有印刷图案(即,校准特征)的立方形结构。传感器1611a、1611b、1611c各自被配置为在(例如,由人或机器)使对象1620围绕AV 1610旋转时检测对象1620的各印刷图案的位置。在对象1620和AV 1610相对于彼此旋转时,传感器1611a、1611b、1611c各自生成与印刷图案相关联的数个点云。在实施例中,对象1620是静止的道路标志,并且传感器1611a、1611b、1611c各自被配置为在当AV 1610和道路标志相对于彼此移动时生成与该静止的道路标志的中心和/或边相关联的数个点云的同时,检测道路标志的中心和/或边(即,校准特征)。
计算机可读介质1631(或计算机可读存储器)可以包括适合于本地技术环境的任意数据存储技术类型,其包括但不限于基于半导体的存储器装置、磁存储器装置和系统、光存储器装置和系统、固定存储器、可移除存储器、盘存储器、闪速存储器、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、以及电子可擦除可编程只读存储器(EEPROM)等。在实施例中,计算机可读介质1631存储具有计算机可执行指令1632的代码段。
在实施例中,计算机处理器1630包括与前面参考图3所论述的处理器304类似的一个或多个计算机处理器(例如,微处理器、微控制器或这两者)。计算机处理器1630被配置为执行诸如计算机可执行指令1632等的程序代码。计算机处理器1630被配置为通信地耦接至第一传感器1611a、第二传感器1611b和第三传感器1611c。在实施例中,计算机处理器1630通信地耦接至远程数据库134。当计算机处理器1630执行计算机可执行指令1632时,使计算机处理器1630执行数个操作。
在实施例中,当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630执行操作,以接收与对象1620的至少一个校准特征相关联的已知校准特征数据。可以从数个源接收已知校准特征数据。例如,在实施例中,已知校准特征数据是从用户输入接收的。在实施例中,已知校准特征数据是从远程数据库134接收的,并且与来自远离AV1610的经校准的传感器的传感器数据相对应。例如,假定对象1620是沿着道路的街道标志。计算机处理器1630可以从远程数据库134接收由一个或多个远程传感器(例如,安装在第二AV上的传感器)生成的与街道标志的中心(或街道标志的角部)的位置相关联的点云数据。
在实施例中,从AV 1610的传感器1611a、1611b、1611c中的已知为最准确的一个传感器接收已知校准特征数据。例如,假定对象1620是具有印刷图案的立方形结构,并且已知第一传感器1611a是最准确的。在实施例中,传感器1611a、1611b、1611c其中之一已被预校准,并且从该经预校准的传感器接收已知校准特征数据。在实施例中,基于传感器的类型来从传感器1611a、1611b、1611c其中之一接收已知校准特征数据。例如,如果第一传感器1611a是LiDAR,则由于第一传感器1611a在检测定位在较长距离处的对象时可能更加准确,因此可以选择第一传感器1611a来表示已知校准特征数据。计算机处理器1630可以从第一传感器1611a接收与印刷图案的位置相关联的点云数据。在实施例中,已知校准数据从远程数据库134接收,并且与根据先前校准处理的来自传感器1611a、1611b、1611c中的至少一个的传感器数据相对应。例如,假定传感器1611a、1611b、1611c其中之一是使用具有印刷图案的立方形结构在较早时间校准的。在先前校准处理期间所生成的点云数据存储在远程数据库134(或计算机可读介质1631)中,并且计算机处理器1630从远程数据库134(或计算机可读介质1631)接收该先前生成的点云数据。
当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630进一步执行操作,以从传感器1611a、1611b、1611c中的各个传感器接收与对象1620的至少一个校准特征相关联的检测特征数据。例如,在实施例中,对象1620是具有印刷图案的立方形结构,并且计算机处理器1630从传感器1611a、1611b、1611c中的各个传感器接收与在对象1620和AV 1610相对于彼此移动时的印刷图案的位置相关联的点云数据。在实施例中,对象1620是街道标志,并且计算机处理器1630从传感器1611a、1611b、1611c中的各个传感器接收与在街道标志和AV 1610相对于彼此移动时的街道标志的中心和/或角部的位置相关联的点云数据。
当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630进一步执行操作,以将所接收到的已知特征数据与从传感器1611a、1611b、1611c中的各个传感器接收到的检测特征数据进行比较。例如,在实施例中,所接收到的已知特征数据是由远程传感器在第二AV相对于街道标志移动时检测到的与街道标志的中心的位置相关联的点云数据(远程传感器安装在AV上)。所接收到的检测特征数据是由传感器1611a、1611b、1611c各自在AV 1610相对于街道标志移动时检测到的与相同街道标志的中心的位置相关联的点云数据。计算机处理器1630将来自远程传感器的点云数据与来自传感器1611a、1611b、1611c中的各个传感器的点云数据进行比较。在另一实施例中,所接收到的已知特征数据是由作为被预先确定为三个传感器中的最准确传感器的第一传感器1611a在立方形结构和AV1610相对于彼此移动时生成的、与该立方形结构上的印刷图案的位置相关联的点云数据。所接收到的检测特征数据是由第二传感器1611b和第三传感器1611c在立方形结构和AV1610相对于彼此移动时生成的、与同一立方形结构上的印刷图案的位置相关联的点云数据。计算机处理器1630将第一传感器1611a所生成的点云数据与其它传感器1611b、1611c所生成的点云数据进行比较。
当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630进一步执行操作,以针对传感器1611a、1611b、1611c中的各个传感器基于所接收到的已知特征数据与从传感器1611a、1611b、1611c接收到的检测特征数据的比较来生成校准误差值。例如,在实施例中,计算机处理器1630使用已知特征数据(例如,作为三个传感器1611a、1611b、1611c中的最准确的传感器的远程传感器所生成的点云数据等)作为参考,并且比较由传感器1611a、1611b、1611c生成的检测特征数据(例如,点云数据)。在实施例中,计算机处理器将来自传感器1611a、1611b、1611c的点云中的各点与基准点云中的相应点进行比较,并且基于这两者之间的距离来针对各传感器1611a、1611b、1611c计算误差。通常,传感器1611a、1611b、1611c中的各个传感器所生成的点云中的各点与基准点云中的相应点之间的距离较小将导致所计算出的误差较小。如果基准点云比与检测特征数据相关联的点云涵盖更多的点,则也可能存在误差。例如,在对象1620位于可由LiDAR完全检测但可能无法由照相机以其当前焦距设置完全检测的距离处的情况下,LiDAR可以比照相机生成更多的点云中的点。
当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630进一步执行操作,以在传感器1611a、1611b、1611c的相应校准误差值超过第一校准误差阈值的情况下,确定为传感器1611a、1611b、1611c被不正确地校准。可以基于例如准确度、安全性和效率考虑来选择第一校准误差阈值。例如,在实施例中,在传感器1611a、1611b、1611c中的一个或多个传感器的相应校准误差值超过5%误差的情况下,计算机处理器1630确定为该一个或多个传感器被不正确地校准。在实施例中,在传感器1611a、1611b、1611c中的一个或多个传感器的相应点云中的各点与基准点云中的相应点分开了超过0.5m的距离的情况下,计算机处理器1630确定为该一个或多个传感器被不正确地校准。
在实施例中,当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630进一步执行操作,以针对与确定为被不正确地校准的一个或多个传感器1611a、1611b、1611c相关联的至少一个内部参数来计算校正参数。例如,在实施例中,计算机处理器1630基于校准误差值来确定为被不正确地校准的传感器应当增加其束功率,使得检测准确度将增加。在实施例中,第一传感器1611a是基准传感器且是LiDAR,并且第二传感器1611b是照相机。如果计算机处理器1630确定为校准误差是由于对象1620太远而使得第二传感器1611b以其当前状态无法检测、并且因此导致相对于第一传感器1611a的点云而言点云中的点较少而引起的,则计算机处理器1630确定为需要调整第二传感器1611b的焦距,使得该焦距与第一传感器1611a的检测范围对齐。
如先前所示,传感器1611a、1611b、1611c可以包括被配置为检测传感器1611a、1611b、1611c的一个或多个内部参数的监测装置。在实施例中,计算机处理器1630接收与传感器1611a、1611b、1611c的一个或多个内部参数相关联的内部数据,并基于所接收到的内部数据来计算校正参数。例如,在实施例中,第二传感器1611b是LiDAR,并且包括温度传感器和电磁波传感器。计算机处理器1630从第二传感器1611b的监测装置接收当前操作温度和当前束功率设置。如果计算机处理器1630确定为第二传感器1611b被不正确地校准并且需要增加其束功率(这可以增加第二传感器1611b的操作温度),则计算机处理器1630可以基于所接收到的内部数据来计算增加的束功率,使得束功率的增加不会使第二传感器1611b过热。
在实施例中,一旦计算机处理器1630计算出校正参数,计算机处理器1630就根据所计算出的校正参数来修改确定为被不正确地校准的一个或多个传感器1611a、1611b、1611c。例如,如果计算机处理器1630计算针对第二传感器1611b的增加的束功率,则计算机处理器1630可以通过使用例如第二传感器1611b的束功率调整系统来修改第二传感器1611b的束功率。如果计算机处理器1630计算针对第三传感器1611c的增加的焦距,则计算机处理器1630可以通过例如调整第三传感器1611c的至少一个透镜来修改第三传感器1611c的焦距。
在实施例中,当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630进一步执行操作,以在传感器1611a、1611b、1611c中的确定为被不正确地校准的一个或多个传感器的相应校准误差值超过第二校准误差阈值的情况下,确定为该一个或多个传感器处于故障状态。例如,假定与从第二传感器1611b接收到的检测特征数据相关联的点云中的各点与基准点云中的相应点分开了5米的距离。在实施例中,第二校准误差阈值是4米,并且计算机处理器1630确定为第二传感器1611b处于故障状态。作为另一示例,第三传感器1611c可能未相对于对象1620在其点云中生成与基准点云相同量的点,从而造成20%的误差。如果第二校准误差阈值是15%,则计算机处理器1630可以确定为第三传感器1611c处于故障状态。故障状态可以指示:传感器已物理地失去对齐,传感器正在不利于检测的环境条件下操作(例如,照相机正在高度模糊的条件下操作),以及传感器的孔径已经变得太脏而无法检测,等等。在实施例中,第二校准阈值大于第一校准误差阈值。可以基于例如准确度、安全性和效率考虑来选择第二校准误差阈值。在实施例中,选择第二校准误差阈值,以通过微调内部参数来反映相对于安全性考虑而不能充分固定的误差。
在实施例中,当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630进一步执行操作,以针对与被确定为处于故障状态的传感器1611a、1611b、1611c相关联的至少一个外部参数来计算校正参数。例如,假定:由于第一传感器1611a的点云与基准点云不对齐、从而使得计算出20%的校准误差值,因此第一传感器1611a被确定为处于故障状态。在实施例中,计算机处理器1630基于校准误差值确定为应当调整第一传感器1611a的倾斜角度,以将其点云与基准点云对齐。
在实施例中,当计算机处理器1630正在执行计算机可执行指令1632时,计算机处理器1630进一步执行操作,以在传感器1611a、1611b、1611c其中至少之一的校准误差值超过校准误差阈值时,使得一个或多个运载工具进行操作。例如,在实施例中,如果传感器1611a、1611b、1611c其中至少之一的校准误差值超过第二校准误差阈值,则计算机处理器1630(例如,通过关闭发动机和/或使得AV 1610停止)使得AV 1610停止操作。在实施例中,如果传感器1611a、1611b、1611c其中至少之一的校准误差值超过第一校准误差阈值,则计算机处理器1630执行操作以通知远程技术人员。在实施例中,如果传感器1611a、1611b、1611c其中至少之一的校准误差值超过第三校准误差阈值,则计算机处理器1630执行操作,以(例如,通过更新前面参考图4所论述的规划模块404)将运载工具导航到服务地点。在实施例中,如果传感器1611a、1611b、1611c其中至少之一的校准误差值超过第一校准误差阈值,则计算机处理器1630执行操作,以禁用(例如,断电)校准误差值超过第一校准误差阈值的传感器。可以基于安全、准确度和效率考虑来选择与各运载工具操作相关联的校准误差阈值。
图17是描述根据本发明的一个或多个实施例的用于校准传感器的方法的流程图。为了说明的目的,该方法被描述为由先前参考图16所论述的图16中的用于校准传感器的系统来进行。然而,该方法可以由用于校准传感器的其它系统来进行。该方法包括:使运载工具和对象相对于彼此移动(块1701);检测校准特征(块1702);接收已知校准特征数据(块1703);接收检测特征数据(块1704);以及生成校准误差(块1705)。
在块1701处,对象1620和AV 1610相对于彼此移动。在实施例中,在AV 1610保持静止时,对象1620围绕AV 1610旋转。在实施例中,对象1620是静止的,并且AV 1610围绕对象1620旋转。在实施例中,对象1620是静止的道路固定件(fixture),并且AV 1610行驶通过对象1620。在实施例中,对象1620具有球形形状。在实施例中,对象1620具有立方体形状。在实施例中,对象1620具有立方形形状。在实施例中,对象1620具有圆锥形状。对象1620还可以具有环形形状、三角形形状、圆柱形形状和金字塔形状等。在实施例中,对象1620是球。在实施例中,对象1620是圆锥体。在实施例中,对象1620是立方体。在实施例中,对象1620包括限定了相互垂直的平面的三个面。对象1620还可以是在AV 1610的环境中的道路或建筑物结构。例如,在实施例中,对象1620是街道标志。在实施例中,对象1620是广告牌。在实施例中,对象1620是建筑物支撑梁(例如,停车场支撑梁)。对象1620也可以自然地存在于AV 1610的环境中。例如,在实施例中,对象1620是树。在实施例中,对象1620是巨石。尽管为了说明的目的而仅示出一个对象1620,但图16中的系统可以包括附加对象,各附加对象是数个类型(即,立方体、支撑梁、树等)其中之一。
在块1702处,在对象1620和AV 1610相对于彼此移动时,传感器1611a、1611b、1611c检测对象1620的至少一个校准特征。如先前参考图16所示,对象1620可以具有至少一个校准特征。例如,在实施例中,对象1620具有可由传感器1611a、1611b、1611c检测的至少一个固定印刷图案。在实施例中,对象1620具有固定位置。在实施例中,对象1620具有距另一对象的固定距离。在实施例中,对象1620具有多个边。在实施例中,对象1620具有大小针对RADAR检测而被优化(例如,为了减少不确定性而被优化)的内部金属芯、以及可由LiDAR检测但基本上不可由RADAR检测的增强部分(例如,不可见的RADAR泡沫、硬纸板等)。因此,可以在降低来自RADAR检测的测量的不确定性的同时,通过RADAR和LiDAR来检测对象1620。
在实施例中,第一传感器1611a是LiDAR,第二传感器1611b是立体照相机,第三传感器1611c是RADAR,并且对象1610是在其各个面上具有印刷图案(即,校准特征)的立方形结构。传感器1611a、1611b、1611c各自被配置为在(例如,由人或机器)使对象1620围绕AV1610旋转时检测对象1620的各印刷图案的位置。在对象1620和AV 1610相对于彼此旋转时,传感器1611a、1611b、1611c各自生成与印刷图案相关联的数个点云。在实施例中,对象1610是静止的道路标志,并且传感器1611a、1611b、1611c各自被配置为在当AV 1610和道路标志相对于彼此移动时生成与静止的道路标志的中心和/或边相关联的数个点云的同时,检测道路标志的中心和/或边(即,校准特征)。
在块1703处,计算机处理器1630接收与对象1620的校准特征相关联的已知校准特征数据。可以从数个源接收已知校准特征数据。例如,在实施例中,已知校准特征数据是从用户输入接收的。在实施例中,已知校准特征数据是从远程数据库134接收的,并且与来自远离AV 1610的经校准的传感器的传感器数据相对应。例如,假定对象1620是沿着道路的街道标志。计算机处理器1630可以从远程数据库134接收由一个或多个远程传感器(例如,安装在第二AV上的传感器)所生成的与街道标志的中心(或街道标志的角部)的位置相关联的点云数据。
在实施例中,从AV 1610的传感器1611a、1611b、1611c中的已知为最准确的传感器接收已知校准特征数据。例如,假定对象1620是具有印刷图案的立方形结构,并且已知第一传感器1611a是最准确的。在实施例中,传感器1611a、1611b、1611c其中之一已被预校准,并且从该经预校准的传感器接收已知校准特征数据。在实施例中,基于传感器的类型来从传感器1611a、1611b、1611c其中之一接收已知校准特征数据。例如,如果第一传感器1611a是LiDAR,则由于第一传感器1611a在检测定位在较长距离处的对象时可能更加准确,因此可以选择第一传感器1611a来表示已知校准特征数据。计算机处理器1630可以从第一传感器1611a接收与印刷图案的位置相关联的点云数据。在实施例中,已知校准数据是从远程数据库134接收的,并且与根据先前校准处理的来自传感器1611a、1611b、1611c至少之一的传感器数据相对应。例如,假定传感器1611a、1611b、1611c其中之一是使用具有印刷图案的立方形结构在较早时间校准的。在先前校准处理期间所生成的点云数据存储在远程数据库134(或计算机可读介质1631)中,并且计算机处理器1630从远程数据库134(或计算机可读介质1631)接收该先前生成的点云数据。
在块1704处,计算机处理器1630从传感器1611a、1611b、1611c接收与对象1620的校准特征相关联的检测特征数据。例如,在实施例中,对象1620是具有印刷图案的立方形结构,并且计算机处理器1630从传感器1611a、1611b、1611c中的各个传感器接收与在对象1620和AV 1610相对于彼此移动时的印刷图案的位置相关联的点云数据。在实施例中,对象1620是街道标志,并且计算机处理器1630从传感器1611a、1611b、1611c中的各个传感器接收与在街道标志和AV 1610相对于彼此移动时的街道标志的中心和/或角部的位置相关联的点云数据。
在块1705处,计算机处理器通过将已知校准特征数据与从传感器1611a、1611b、1611c中的各个传感器接收到的检测特征数据进行比较来生成校准误差。例如,在实施例中,所接收到的已知特征数据是由远程传感器在第二AV相对于街道标志移动时检测到的与街道标志的中心和/或角部的位置相关联的点云数据(远程传感器安装在AV上)。所接收到的检测特征数据是由传感器1611a、1611b、1611c各自在AV 1610相对于街道标志移动时检测到的与相同街道标志的中心和/或角部的位置相关联的点云数据。计算机处理器1630将来自远程传感器的点云数据与来自传感器1611a、1611b、1611c中的各个传感器的点云数据进行比较。在另一实施例中,所接收到的已知特征数据是由作为被预先确定为三个传感器中的最准确的传感器的第一传感器1611a在立方形结构和AV 1610相对于彼此移动时生成的、与该立方形结构上的印刷图案的位置相关联的点云数据。所接收到的检测特征数据是由第二传感器1611b和第三传感器1611c在立方形结构和AV 1610相对于彼此移动时生成的、与同一立方形结构上的印刷图案的位置相关联的点云数据。计算机处理器1630将第一传感器1611a所生成的点云数据与其它传感器1611b、1611c所生成的点云数据进行比较。
在将已知校准特征数据与所接收到的检测特征数据进行比较之后,计算机处理器1630针对传感器1611a、1611b、1611c中的各个传感器基于所接收到的已知特征数据与从传感器1611a、1611b、1611c接收到的检测特征数据的比较来生成校准误差值。例如,在实施例中,计算机处理器1630将来自传感器1611a、1611b、1611c的点云中的各点与基准点云中的相应点进行比较,并基于这两者之间的距离来针对各传感器1611a、1611b、1611c计算误差。通常,由传感器1611a、1611b、1611c中的各个传感器所生成的点云中的各点与基准点云的相应点之间的距离较小将导致所计算出的误差较小。如果基准点云比与检测特征数据相关联的点云涵盖更多的点,则也可能存在误差。例如,在对象1620位于可由LiDAR完全检测但可能无法由照相机以其当前焦距设置完全检测的距离处的情况下,LiDAR可以比照相机生成更多的点云中的点。
在块1706处,在传感器1611a、1611b、1611c中的一个或多个传感器的相应校准误差值超过第一校准误差阈值的情况下,计算机处理器1630确定为该一个或多个传感器被不正确地校准。可以基于例如准确度、安全性和效率考虑来选择第一校准误差阈值。例如,在实施例中,在传感器1611a、1611b、1611c中的一个或多个传感器的相应校准误差值超过5%误差的情况下,计算机处理器1630确定为该一个或多个传感器被不正确地校准。在实施例中,在传感器1611a、1611b、1611c中的一个或多个传感器的相应点云中的各点与基准点云中的相应点分开了超过0.5m的距离的情况下,计算机处理器1630确定为该一个或多个传感器被不正确地校准。
图18是描述根据本发明的一个或多个实施例的、用于基于校准误差来修改内部参数的方法的流程图。为了说明的目的,该方法被描述为由先前参考图16所论述的图16中的用于校准传感器的系统来进行。然而,该方法可以由用于校准传感器的其它系统来进行。该方法包括:进行如先前参考图17所论述的图17中的用于校准传感器的方法(块1801)。该方法还包括:计算校正参数(块1802)以及修改内部参数(块1803)。
在块1801处,进行图17中的用于校准传感器的方法,以确定传感器1611a、1611b、1611c中的一个或多个传感器是否被不正确地校准。
在块1802处,计算机处理器1630针对确定为被不正确地校准的传感器1611a、1611b、1611c中的各个传感器的至少一个内部参数来计算校正参数。例如,在实施例中,计算机处理器1630基于校准误差值来确定为被不正确地校准的传感器应当增加其束功率,使得检测准确度将增加。在实施例中,第一传感器1611a是基准传感器且是LiDAR,并且第二传感器1611b是照相机。如果计算机处理器1630确定为校准误差是由于对象1620太远而使得第二传感器1611b以其当前状态无法检测、并且因此导致相对于第一传感器1611a的点云而言点云中的点较少而引起的,则计算机处理器1630确定为需要调整第二传感器1611b的焦距,使得该焦距与第一传感器1611a的检测范围对齐。
如先前所示,传感器1611a、1611b、1611c可以包括被配置为检测传感器1611a、1611b、1611c的一个或多个内部参数的监测装置。在实施例中,计算机处理器1630接收与传感器1611a、1611b、1611c的一个或多个内部参数相关联的内部数据,并基于所接收到的内部数据来计算校正参数。例如,在实施例中,第二传感器1611b是LiDAR,并且包括温度传感器和电磁波传感器。计算机处理器1630从第二传感器1611b的监测装置接收当前操作温度和当前束功率设置。如果计算机处理器1630确定为第二传感器1611b被不正确地校准并且需要增加其束功率(这可以增加第二传感器1611b的操作温度),则计算机处理器1630可以基于所接收到的内部数据来计算增加的束功率,使得束功率的增加不会使第二传感器1611b过热。
在块1803中,计算机处理器1630根据所计算出的校正参数来修改确定为被不正确地校准的一个或多个传感器1611a、1611b、1611c。例如,如果计算机处理器1630计算针对第二传感器1611b的增加的束功率,则计算机处理器1630可以通过使用例如第二传感器1611b的束功率调整系统来修改第二传感器1611b的束功率。如果计算机处理器1630计算针对第三传感器1611c的增加的焦距,则计算机处理器1630可以通过例如调整第三传感器1611c的至少一个透镜来修改第二传感器1611c的焦距。
图19是描述根据本发明的一个或多个实施例的、用于基于校准误差来确定传感器故障的方法的流程图。为了说明的目的,该方法被描述为由先前参考图16所论述的图16中的用于校准传感器的系统来进行。然而,该方法可以由用于校准传感器的其它系统来进行。该方法包括:进行如前面参考图17所论述的图17中的用于校准传感器的方法(块1901)。该方法还包括:基于校准误差来确定传感器故障(块1902);基于校准误差来进行运载工具操作(块1903);以及针对外部参数来计算校正参数(块1904)。
在块1901处,进行用于校准传感器的方法,以确定传感器1611a、1611b、1611c中的一个或多个传感器是否被不正确地校准。
在块1902处,计算机处理器1630进一步执行操作,以在传感器1611a、1611b、1611c中的被确定为被不正确地校准的一个或多个传感器的相应校准误差值超过第二校准误差阈值的情况下,确定为该一个或多个传感器处于故障状态。例如,假定与从第二传感器1611b接收到的检测特征数据相关联的点云中的各点与基准点云中的相应点分开了5米的距离。在实施例中,第二校准误差阈值是4米,并且计算机处理器1630确定为第二传感器1611b处于故障状态。作为另一示例,第三传感器1611b可能未相对于对象1620在其点云中生成与基准点云相同量的点,从而造成20%的误差。如果第二校准误差阈值是15%,则计算机处理器1630可以确定为第三传感器1611b处于故障状态。故障状态可以指示:传感器已物理地失去对齐,传感器正在不利于检测的环境条件下操作(例如,照相机正在高度模糊的条件下操作),以及传感器的孔径已经变得太脏而无法检测,等等。在实施例中,第二校准阈值大于第一校准误差阈值。可以基于例如准确度、安全性和效率考虑来选择第二校准误差阈值。在实施例中,选择第二校准误差阈值,以通过微调内部参数来反映相对于安全性考虑而不能充分固定的误差。
在块1903处,计算机处理器1630进一步执行操作,以在传感器1611a、1611b、1611c其中至少之一的校准误差值超过校准误差阈值的情况下,使一个或多个运载工具进行操作。例如,在实施例中,如果传感器1611a、1611b、1611c其中至少之一的校准误差值超过第二校准误差阈值,则计算机处理器1630(例如,通过关闭发动机和/或使得AV 1610停止)使得AV 1610停止操作。在实施例中,如果传感器1611a、1611b、1611c其中至少之一的校准误差值超过第一校准误差阈值,则计算机处理器1630执行操作以通知远程技术人员。在实施例中,如果传感器1611a、1611b、1611c其中至少之一的校准误差值超过第三校准误差阈值,则计算机处理器1630执行操作,以(例如,通过更新前面参考图4所论述的规划模块404)将运载工具导航到服务地点。在实施例中,如果传感器1611a、1611b、1611c其中至少之一的校准误差值超过第一校准误差阈值,则计算机处理器1630执行操作,以禁用(例如,断电)校准误差值超过第一校准误差阈值的传感器。可以基于安全性、准确度和效率考虑来选择与各运载工具操作相关联的校准误差阈值。
在块1904处,计算机处理器1630执行操作,以针对与被确定为处于故障状态的传感器1611a、1611b、1611c相关联的至少一个外部参数来计算校正参数。例如,假定:由于第一传感器1611a的点云与基准点云不对齐、使得计算出20%的校准误差值,因此第一传感器1611a被确定为处于故障状态。在实施例中,计算机处理器1630基于校准误差值来确定为应当调整第一传感器1611a的倾斜角度,以将其点云与基准点云对齐。
附加实施例
在实施例中,一种系统,包括:运载工具;以及至少一个对象,其包括至少一个校准特征。所述运载工具包括传感器,所述传感器被配置为在所述至少一个对象和所述运载工具相对于彼此移动时,检测所述至少一个对象的所述至少一个校准特征。各传感器具有多个参数。所述参数包括内部参数和外部参数。计算机可读介质存储计算机可执行指令。至少一个处理器被配置为通信地耦接至所述传感器并执行所述计算机可读介质上所存储的指令。所述至少一个处理器执行所述指令并执行操作,以接收与所述至少一个校准特征相关联的已知校准特征数据。从各传感器接收与所述至少一个校准特征相关联的检测特征数据。将所接收到的已知特征数据与所接收到的检测特征数据进行比较。针对各传感器,基于所接收到的已知特征数据与所接收到的检测特征数据的比较来生成校准误差值。在与至少一个传感器相对应的校准误差值大于第一校准误差阈值的情况下,确定为所述至少一个传感器被不正确地校准。
在实施例中,所述传感器包括具有第一类型的第一传感器和具有第二类型的第二传感器。
在实施例中,所述传感器包括至少一个RADAR传感器,并且所述至少一个对象包括可由至少一个RADAR传感器检测的内部金属芯。
在实施例中,所述传感器包括至少一个光检测和测距传感器和至少一个RADAR传感器。所述至少一个对象包括增强部分。所述增强部分基本上可由所述至少一个光检测和测距传感器检测,并且基本上不可由所述至少一个RADAR传感器检测。
在实施例中,所述已知特征数据包括以下项其中至少之一:从远程传感器接收到的信息、从另一运载工具接收到的信息、在先前时间从一个或多个传感器接收到的信息、以及由所述一个或多个传感器中的预校准传感器所确定的信息。
在实施例中,所述已知特征数据包括从安装在第二运载工具上的远程传感器接收到的信息。
在实施例中,所述已知特征数据包括从第一类型的传感器接收到的信息,并且所述传感器包括不同于第一类型的第二类型的至少一个传感器。
在实施例中,所述至少一个处理器执行所述指令。所述至少一个处理器执行操作,以在与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,使得所述运载工具停止操作。
在实施例中,所述至少一个处理器执行所述指令。所述至少一个处理器执行操作,以在与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,通知远程技术人员。
在实施例中,所述至少一个处理器执行所述指令。所述至少一个处理器执行操作,以在与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,将所述运载工具导航到服务地点。
在实施例中,所述至少一个处理器执行所述指令。所述至少一个处理器执行操作,以在与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于校准误差阈值的情况下,禁用该至少一个传感器。
在实施例中,一种方法,包括:使运载工具和至少一个对象相对于彼此移动。所述运载工具包括传感器,并且所述至少一个对象包括至少一个校准特征。在所述至少一个对象和所述运载工具正彼此相对移动时,所述传感器检测所述至少一个对象的所述至少一个校准特征。各传感器包括包含内部参数和外部参数的参数。接收与所述至少一个校准特征相关联的已知校准特征数据。从各传感器接收与所述至少一个校准特征相关联的检测特征数据。将所接收到的已知特征数据与所接收到的检测特征数据进行比较。针对各传感器,基于所接收到的已知特征数据与所接收到的检测特征数据的比较来生成校准误差值。在与至少一个传感器相对应的校准误差值大于第一校准误差阈值的情况下,确定为该至少一个传感器被不正确地校准。
在实施例中,针对与确定为被不正确地校准的至少一个传感器相关联的至少一个内部参数来计算校正参数。计算所述校正参数至少部分地基于确定为所述至少一个传感器被不正确地校准。
在实施例中,基于所述校正参数来修改所述至少一个内部参数。
在实施例中,传感器中的各个传感器包括被配置为检测与至少一个内部参数相对应的内部数据的一个或多个监测装置。接收与所述至少一个内部参数相关联的内部数据。至少部分地基于所接收到的内部数据,针对确定为被不正确地校准的至少一个传感器的至少一个内部参数来计算校正参数。
在实施例中,在与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于第二校准误差阈值的情况下,确定为该至少一个传感器处于故障状态。
在实施例中,针对与确定为被不正确地校准的至少一个传感器相关联的至少一个外部参数来计算校正参数。针对所述至少一个外部参数计算校正参数至少部分地基于确定为所述至少一个传感器处于故障状态。
在实施例中,所述至少一个对象包括限定了三个相互垂直的平面的三个面。所述三个面中的各面包括至少一个校准特征。
在实施例中,所述至少一个对象包括固定的道路特征。
在实施例中,所述传感器包括至少一个RADAR传感器,并且至少一个对象包括可由所述至少一个RADAR传感器检测的内部金属芯。
在实施例中,所述传感器包括至少一个光检测和测距传感器和至少一个RADAR传感器。所述至少一个对象包括增强部分。所述增强部分基本上可由所述至少一个光检测和测距传感器检测,并且基本上不可由所述至少一个RADAR传感器检测。
在实施例中,所述已知特征数据包括以下项其中至少之一:从远程传感器接收到的信息、从另一运载工具接收到的信息、在先前时间从一个或多个传感器接收到的信息、以及由所述一个或多个传感器中的预校准传感器所确定的信息。
在实施例中,如果与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于校准误差阈值,则使得所述运载工具停止操作。
在实施例中,如果与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于校准误差阈值,则通知远程技术人员。
在实施例中,如果与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于校准误差阈值,则将所述运载工具导航到服务地点。
在实施例中,如果与确定为被不正确地校准的至少一个传感器相对应的校准误差值大于校准误差阈值,则禁用所述至少一个传感器。
在实施例中,所述已知特征数据包括从安装在第二运载工具上的远程传感器接收到的信息。
在实施例中,所述已知特征数据包括从第一类型的传感器接收到的信息,并且所述传感器包括不同于第一类型的第二类型的至少一个传感器。
在先前描述中,已经参考许多具体细节描述了本发明的实施例,这些具体细节可因实现而不同。因此,说明书和附图应被视为说明性的,而非限制性意义的。本发明范围的唯一且排他的指示、以及申请人期望是本发明范围的内容是以授权公告权利要求书的具体形式从本申请公告的权利要求书的字面和等同范围,包括任何后续修正。本文中明确阐述的用于被包括在此类权利要求中的术语的任何定义应当以此类术语如在权利要求书中所使用的意义为准。另外,当在先前的说明书或所附权利要求书使用术语“还包括”时,该短语的下文可以是附加的步骤或实体、或先前所述的步骤或实体的子步骤/子实体。
Claims (20)
1.一种系统,包括:
至少一个对象,其被配置为具有基本反射部分;
至少一个光检测和测距传感器,其被配置为检测到与所述至少一个对象的所述基本反射部分相关联的至少一个位置的距离;
至少一个摄像传感器,其被配置为检测与所述至少一个对象的所述基本反射部分的所述至少一个位置相关联的光强度值;
计算机可读介质,其存储计算机可执行指令;以及
至少一个处理器,其通信地耦接至所述至少一个光检测和测距传感器和所述至少一个摄像传感器,并且被配置为执行所述计算机可读介质上所存储的计算机可执行指令,其中当所述至少一个处理器执行所述指令时,所述至少一个处理器执行操作以:
接收与所检测到的到所述至少一个位置的距离相关联的传感器数据,
基于与所检测到的到所述至少一个位置的距离相关联的传感器数据来生成与所述基本反射部分相关联的第一预测聚合位置,
接收与所检测到的所述至少一个位置的强度值相关联的传感器数据,
基于与所检测到的所述至少一个位置的强度值相关联的传感器数据来生成与所述基本反射部分相关联的第二预测聚合位置,以及
基于所述第一预测聚合位置和所述第二预测聚合位置来确定对齐误差值。
2.根据权利要求1所述的系统,其中,所述计算机可执行指令包括用于生成所述第一预测聚合位置的第一算法和用于生成所述第二预测聚合位置的第二算法,所述第二算法不同于所述第一算法,其中在所述对齐误差值大于第一对齐误差阈值的情况下,修改所述第一算法和所述第二算法其中至少之一。
3.根据权利要求2所述的系统,其中,修改所述第一算法和所述第二算法其中至少之一,使得所生成的第一预测聚合位置和所生成的第二预测聚合位置基本上对齐。
4.根据权利要求1至3中任一项所述的系统,其中,当所述至少一个处理器执行所述指令时,所述至少一个处理器执行操作,以在所述对齐误差值大于第二对齐误差阈值的情况下,启动所述至少一个摄像传感器或所述至少一个光检测和测距传感器的校准处理。
5.根据权利要求1至4中任一项所述的系统,其中,所述至少一个对象进一步被配置为具有基本非反射部分。
6.根据权利要求1至5中任一项所述的系统,其中,所述基本反射部分包括基本黑色面和基本白色面其中至少之一。
7.一种方法,包括:
将至少一个对象配置为具有基本反射部分;
利用第一传感器来检测到与所述至少一个对象的所述基本反射部分相关联的至少一个位置的距离;
利用第二传感器来检测与所述至少一个对象的所述基本反射部分相关联的一个或多个位置的光强度值;
接收与所检测到的到所述至少一个位置的距离相关联的传感器数据;
基于与所检测到的到所述至少一个位置的距离相关联的传感器数据来生成与所述基本反射部分相关联的第一预测聚合位置;
接收与所检测到的所述至少一个位置的强度值相关联的传感器数据;
基于与所检测到的所述至少一个位置的强度值相关联的传感器数据来生成与所述基本反射部分相关联的第二预测聚合位置;以及
基于所述第一预测聚合位置和所述第二预测聚合位置来确定对齐误差值。
8.根据权利要求7所述的方法,其中,所述第一预测聚合位置是使用第一算法生成的,并且所述第二预测聚合位置是使用第二算法生成的,所述方法还包括:在所述对齐误差值大于第一对齐误差阈值的情况下,修改所述第一算法和所述第二算法其中至少之一。
9.根据权利要求8所述的方法,还包括:修改所述第一算法和所述第二算法其中至少之一,使得所生成的第一预测聚合位置和所生成的第二预测聚合位置基本上对齐。
10.根据权利要求7至9中任一项所述的方法,还包括:在所述对齐误差值大于第二对齐阈值的情况下,校准至少一个摄像传感器和至少一个光检测和测距传感器其中至少之一。
11.一种系统,包括:
至少一个对象,其包括至少一个校准特征;以及
运载工具,其包括:
多个传感器,其被配置为在所述至少一个对象和所述运载工具相对于彼此移动时,检测所述至少一个对象的所述至少一个校准特征,所述多个传感器中的各个传感器具有多个参数,其中所述多个参数包括多个内部参数和多个外部参数;
计算机可读介质,其存储计算机可执行指令;以及
至少一个处理器,其被配置为通信地耦接至所述多个传感器,并且执行所述计算机可读介质上所存储的指令,其中,当所述至少一个处理器执行所述指令时,所述至少一个处理器执行操作以:
接收与所述至少一个校准特征相关联的已知校准特征数据;
从所述多个传感器中的各个传感器接收与所述至少一个校准特征相关联的检测特征数据;
将所接收到的已知特征数据与所接收到的检测特征数据进行比较;
针对所述多个传感器中的各个传感器,基于所接收到的已知特征数据与所接收到的检测特征数据的比较来生成校准误差值;以及
在与所述多个传感器中的至少一个传感器相对应的校准误差值大于第一校准误差阈值的情况下,确定为所述至少一个传感器被不正确地校准。
12.根据权利要求11所述的系统,其中,当所述至少一个处理器执行所述指令时,所述至少一个处理器进一步执行操作,以针对与确定为被不正确地校准的所述至少一个传感器相关联的至少一个内部参数来计算校正参数,其中计算所述校正参数至少部分地基于确定为所述至少一个传感器被不正确地校准。
13.根据权利要求12所述的系统,其中,当所述至少一个处理器执行所述指令时,所述至少一个处理器进一步执行操作,以基于所述校正参数来修改所述至少一个内部参数。
14.根据权利要求12所述的系统,其中,所述多个传感器各自包括被配置为检测与所述至少一个内部参数相对应的内部数据的至少一个监测装置,以及其中,当所述至少一个处理器执行所述指令时,所述至少一个处理器进一步执行操作以:
接收与所述至少一个内部参数相对应的内部数据,以及
针对与确定为被不正确地校准的所述至少一个传感器相关联的所述至少一个内部参数来计算校正参数,其中,针对所述至少一个内部参数对所述校正参数的计算至少部分地基于所接收到的内部数据。
15.根据权利要求11至13中任一项所述的系统,其中,所述多个内部参数包括以下项其中至少之一:操作频率、视场、束宽度、束功率和信噪比。
16.根据权利要求11至15中任一项所述的系统,其中,当所述至少一个处理器执行所述指令时,所述至少一个处理器进一步执行操作,以在与确定为被不正确地校准的所述至少一个传感器相对应的校准误差值大于第二校准误差阈值的情况下,确定为所述至少一个传感器处于故障状态。
17.根据权利要求16所述的系统,其中,当所述至少一个处理器执行所述指令时,所述至少一个处理器执行操作,以针对与确定为处于故障状态的所述至少一个传感器相关联的至少一个外部参数来计算校正参数,其中,针对所述至少一个外部参数对所述校正参数的计算至少部分地基于确定为所述至少一个传感器处于故障状态。
18.根据权利要求11至17中任一项所述的系统,其中,所述多个外部参数包括以下项其中至少之一:在传感器安装在所述运载工具上时的传感器的位置、传感器相对于其它传感器的距离、传感器的角度、由环境引起的噪声级和所述环境的周围亮度。
19.根据权利要求11至18中任一项所述的系统,其中,所述至少一个对象包括限定了三个相互垂直的平面的三个面,所述三个面中的各面包括至少一个校准特征。
20.根据权利要求11至19中任一项所述的系统,其中,所述至少一个对象包括固定的道路特征。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862777637P | 2018-12-10 | 2018-12-10 | |
US62/777,637 | 2018-12-10 | ||
PCT/IB2019/060180 WO2020121096A1 (en) | 2018-12-10 | 2019-11-26 | Systems and methods for sensor calibration |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114556139A true CN114556139A (zh) | 2022-05-27 |
Family
ID=68807214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980091614.6A Pending CN114556139A (zh) | 2018-12-10 | 2019-11-26 | 用于传感器校准的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11443524B2 (zh) |
CN (1) | CN114556139A (zh) |
DE (1) | DE112019006128T5 (zh) |
DK (1) | DK180555B1 (zh) |
GB (2) | GB2598462B (zh) |
WO (1) | WO2020121096A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220032955A1 (en) * | 2020-07-28 | 2022-02-03 | Denso Corporation | Vehicle control device and vehicle control method |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018131153A1 (ja) * | 2017-01-16 | 2018-07-19 | 株式会社日立製作所 | 移動体制御装置および移動体の制御方法 |
IL270540A (en) * | 2018-12-26 | 2020-06-30 | Yandex Taxi Llc | Method and system for training a machine learning algorithm to recognize objects from a distance |
US11117591B2 (en) * | 2019-05-08 | 2021-09-14 | Pony Ai Inc. | System and method for recalibration of an uncalibrated sensor |
US11415687B2 (en) * | 2019-05-08 | 2022-08-16 | Pony Ai Inc. | System and method for determining whether to perform sensor calibration while minimizing system load |
US10812788B1 (en) * | 2019-06-10 | 2020-10-20 | Amazon Technologies, Inc. | Systems and methods to calibrate spectral characteristics of imaging sensors |
GB2594111B (en) | 2019-12-18 | 2023-06-07 | Motional Ad Llc | Camera-to-LiDAR calibration and validation |
US11765067B1 (en) * | 2019-12-28 | 2023-09-19 | Waymo Llc | Methods and apparatus for monitoring a sensor validator |
US11827244B2 (en) * | 2020-12-04 | 2023-11-28 | Ford Global Technologies, Llc | Enhanced vehicle operation |
US11579627B2 (en) * | 2020-12-17 | 2023-02-14 | Tusimple, Inc. | Systems and methods for updating navigational maps |
US11975708B2 (en) * | 2021-05-03 | 2024-05-07 | Ground Transportation Systems Canada Inc. | System and method of calibrating an inertial measurement unit on a vehicle |
US20230064232A1 (en) * | 2021-08-27 | 2023-03-02 | Motional Ad Llc | Universal calibration targets and calibration spaces |
DE102022201220A1 (de) * | 2022-02-07 | 2023-08-10 | Robert Bosch Gesellschaft mit beschränkter Haftung | Infrastrukturmehrfachsensoreinrichtung, Verfahren zur Kalibrierung und Verfahren zur Erfassung eines Umgebungsobjekts |
US20240129604A1 (en) * | 2022-10-14 | 2024-04-18 | Motional Ad Llc | Plenoptic sensor devices, systems, and methods |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19962997B4 (de) | 1999-12-24 | 2010-06-02 | Robert Bosch Gmbh | Verfahren zur Kalibrierung eines Sensorsystems |
US8017898B2 (en) * | 2007-08-17 | 2011-09-13 | Magna Electronics Inc. | Vehicular imaging system in an automatic headlamp control system |
WO2012145822A1 (en) * | 2011-04-25 | 2012-11-01 | Magna International Inc. | Method and system for dynamically calibrating vehicular cameras |
WO2013086249A2 (en) * | 2011-12-09 | 2013-06-13 | Magna Electronics, Inc. | Vehicle vision system with customized display |
US9420276B2 (en) * | 2012-02-28 | 2016-08-16 | Lytro, Inc. | Calibration of light-field camera geometry via robust fitting |
US9719801B1 (en) | 2013-07-23 | 2017-08-01 | Waymo Llc | Methods and systems for calibrating sensors using road map data |
US9804594B2 (en) | 2014-11-07 | 2017-10-31 | Clearpath Robotics, Inc. | Self-calibrating sensors and actuators for unmanned vehicles |
JP2018510373A (ja) * | 2015-02-10 | 2018-04-12 | モービルアイ ビジョン テクノロジーズ リミテッド | 自律車両ナビゲーションのための疎な地図 |
DE102016204011A1 (de) * | 2016-03-11 | 2017-09-14 | Robert Bosch Gmbh | Vorrichtung zur Ermittlung einer Dejustage einer an einem Fahrzeug befestigten Detektionseinrichtung |
WO2018009552A1 (en) * | 2016-07-05 | 2018-01-11 | Nauto Global Limited | System and method for image analysis |
US10145945B2 (en) | 2017-01-11 | 2018-12-04 | Toyota Research Institute, Inc. | Systems and methods for automatically calibrating a LIDAR using information from a secondary vehicle |
KR102535540B1 (ko) * | 2017-01-12 | 2023-05-23 | 모빌아이 비젼 테크놀로지스 엘티디. | 차량 움직임에 기반한 항법 |
WO2018138584A1 (en) * | 2017-01-26 | 2018-08-02 | Mobileye Vision Technologies Ltd. | Vehicle navigation based on aligned image and lidar information |
DE102017205727A1 (de) | 2017-04-04 | 2018-10-04 | Siemens Aktiengesellschaft | Verfahren zum Kalibrieren eines Sensorsystems |
WO2018196001A1 (en) * | 2017-04-28 | 2018-11-01 | SZ DJI Technology Co., Ltd. | Sensing assembly for autonomous driving |
US10176596B1 (en) | 2017-07-06 | 2019-01-08 | GM Global Technology Operations LLC | Calibration verification methods for autonomous vehicle operations |
EP3438776B1 (en) * | 2017-08-04 | 2022-09-07 | Bayerische Motoren Werke Aktiengesellschaft | Method, apparatus and computer program for a vehicle |
EP3438777B1 (en) | 2017-08-04 | 2022-05-11 | Bayerische Motoren Werke Aktiengesellschaft | Method, apparatus and computer program for a vehicle |
US20190052851A1 (en) * | 2017-08-11 | 2019-02-14 | Hilti Aktiengesellschaft | System and Method for Recalibrating a Projector System |
US10565457B2 (en) | 2017-08-23 | 2020-02-18 | Tusimple, Inc. | Feature matching and correspondence refinement and 3D submap position refinement system and method for centimeter precision localization using camera-based submap and LiDAR-based global map |
JPWO2019065546A1 (ja) * | 2017-09-29 | 2020-10-22 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 三次元データ作成方法、クライアント装置及びサーバ |
US11415683B2 (en) * | 2017-12-28 | 2022-08-16 | Lyft, Inc. | Mobile sensor calibration |
WO2019169031A1 (en) * | 2018-02-27 | 2019-09-06 | Nauto, Inc. | Method for determining driving policy |
US10705194B2 (en) * | 2018-03-21 | 2020-07-07 | Zoox, Inc. | Automated detection of sensor miscalibration |
US10269141B1 (en) * | 2018-06-04 | 2019-04-23 | Waymo Llc | Multistage camera calibration |
WO2020006378A1 (en) * | 2018-06-29 | 2020-01-02 | Zoox, Inc. | Sensor calibration |
US10733761B2 (en) * | 2018-06-29 | 2020-08-04 | Zoox, Inc. | Sensor calibration |
US11609574B2 (en) * | 2018-11-13 | 2023-03-21 | FLIR Belgium BVBA | Extrinsic sensor calibration systems and methods |
EP3654064B1 (en) * | 2018-11-16 | 2021-01-13 | Bayerische Motoren Werke Aktiengesellschaft | Apparatus and method for characterizing an object based on measurement samples from one or more location sensors |
-
2019
- 2019-03-14 DK DKPA201970164A patent/DK180555B1/en active IP Right Grant
- 2019-11-26 DE DE112019006128.3T patent/DE112019006128T5/de active Pending
- 2019-11-26 CN CN201980091614.6A patent/CN114556139A/zh active Pending
- 2019-11-26 WO PCT/IB2019/060180 patent/WO2020121096A1/en active Application Filing
- 2019-11-26 GB GB2109856.1A patent/GB2598462B/en active Active
- 2019-11-26 US US16/695,291 patent/US11443524B2/en active Active
- 2019-11-26 GB GB2304526.3A patent/GB2614986A/en active Pending
-
2022
- 2022-08-16 US US17/888,563 patent/US20220392232A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220032955A1 (en) * | 2020-07-28 | 2022-02-03 | Denso Corporation | Vehicle control device and vehicle control method |
Also Published As
Publication number | Publication date |
---|---|
US20200184236A1 (en) | 2020-06-11 |
GB202109856D0 (en) | 2021-08-25 |
GB2598462A (en) | 2022-03-02 |
GB2598462B (en) | 2024-02-21 |
GB202304526D0 (en) | 2023-05-10 |
US20220392232A1 (en) | 2022-12-08 |
DE112019006128T5 (de) | 2022-02-24 |
DK180555B1 (en) | 2021-06-17 |
WO2020121096A1 (en) | 2020-06-18 |
DK201970164A1 (en) | 2020-07-07 |
US11443524B2 (en) | 2022-09-13 |
GB2614986A (en) | 2023-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11443524B2 (en) | Systems and methods for validating sensor calibration | |
CN112801124B (zh) | 用于运载工具的方法和系统 | |
CN112703423B (zh) | 合并来自多个LiDAR装置的数据 | |
US11861784B2 (en) | Determination of an optimal spatiotemporal sensor configuration for navigation of a vehicle using simulation of virtual sensors | |
US11835948B2 (en) | Systems and methods for improving vehicle operations using movable sensors | |
CN113196011A (zh) | 运动图构建和车道级路线规划 | |
CN113012187A (zh) | 使用曲面拟合的前景提取 | |
CN112634633B (zh) | 利用自主运载工具对多路停车交叉口进行导航 | |
CN113156935A (zh) | 用于交通灯检测的系统和方法 | |
US11970183B2 (en) | AV path planning with calibration information | |
CN115328110A (zh) | 用于自主运载工具的系统和方法以及存储介质 | |
US20210373173A1 (en) | Identifying background features using lidar | |
CN112394384A (zh) | 基于环境的预定义特征的定位 | |
CN113970924A (zh) | 用于运载工具的方法和系统 | |
CN113176584A (zh) | 解决传感器回波中的距变率模糊 | |
CN115079687A (zh) | 用于自主运载工具的系统、方法和存储介质 | |
CN112486163A (zh) | 基于导航信息的可用性的自主运载工具的操作 | |
CN115388904A (zh) | 自推进平台、及其进行的方法和存储介质 | |
CN115220439A (zh) | 用于运载工具的系统和方法以及存储介质 | |
US20220258761A1 (en) | Controlling an autonomous vehicle using variable time periods |
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 |