CN115151470A - 用于调整自主车辆的规划轨迹的系统和方法 - Google Patents
用于调整自主车辆的规划轨迹的系统和方法 Download PDFInfo
- Publication number
- CN115151470A CN115151470A CN202180016449.5A CN202180016449A CN115151470A CN 115151470 A CN115151470 A CN 115151470A CN 202180016449 A CN202180016449 A CN 202180016449A CN 115151470 A CN115151470 A CN 115151470A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- trajectory
- coordinate system
- state
- autonomous vehicle
- 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 57
- 238000005259 measurement Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 21
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种用于补偿车辆的位置中的误差的技术。在一些情况下,车辆的测量状态和由车辆的系统确定的期望状态之间可能存在差异。用于自主车辆的规划架构的技术和方法能够在车辆遵循规划的路径或路线时提供维持平滑的轨迹。在一些情况下,自主车辆的规划架构可以补偿估计状态和规划路径之间的差别,而无需使用单独的系统。在该示例过程中,规划架构可以包括任务规划系统、决策系统和跟踪系统,它们一起输出用于驱动系统的轨迹。
Description
相关申请的交叉引用
本申请要求于2020年2月28日提交的标题为“SYSTEM AND METHOD FOR ADJUSTINGA PLANNED TRAJECTORY OF AN AUTONOMOUS VEHICLE”的美国专利申请16/805118号的优先权,其全部内容通过引用并入本文。
背景技术
用于自主车辆的规划和导航系统经常必须修正规划的路径和车辆的物理位置之间的差异。例如,由于估计物理位置是对实际物理位置的估计,一些位置中的误差或差异可能在操作期间出现。因此,车辆必须经常通过与规划的路径重新对齐来修正误差,同时仍然保持平稳行驶,以使通行没有不规则或偶然的方向变化。
附图说明
参考附图来描述具体实施方式。在附图中,附图标记的最左边的数字标识该附图标记首次在其中出现的附图。在不同附图中使用相同的附图标记指示相似或相同的组件或特征。
图1是示出与规划架构相关联的变换的示例示意图,如本文所述。
图2是欧几里得坐标系中的示例时序图,其示出了利用规划架构的自主车辆,如本文所述。
图3是利用规划架构的自主车辆的示例示意图,如本文所述。
图4是示出与规划架构相关联的示例过程的流程图,如本文所述。
图5是示出示例规划架构的框图,如本文所述。
图6是示出自主车辆中的规划系统的示例实施方式的示意图,如本文所述。
具体实施方式
本文描述的技术和方法涉及自主车辆的规划架构,其能够在车辆遵循规划的路径或路线时提供维持平滑的轨迹。在一些实施方式中,自主车辆可以使用两个坐标系来操作。第一坐标系可以是相对于车辆的(例如,以车辆车身为中心的坐标系),使得第一坐标系中的车辆位置在车辆穿越规划路线时保持基本平滑或稳定。车辆也可以维持基于在地球表面上的车辆地点的第二坐标系(例如,欧几里得坐标系),例如通用横轴墨卡托(UTM)坐标系或经向/纬向坐标系。尽管本文对于这样的以车身为中心的坐标系和欧几里得坐标系进行了讨论,但是本公开并不意图是如此限制性的,并且设想了一个或多个坐标系(包括相同坐标系)的任何组合。
在示例过程中,自主车辆的规划架构可以在不使用单独系统的情况下补偿估计状态和规划的路径之间的差别。在该示例过程中,规划架构可以包括任务规划系统、决策系统和跟踪系统,它们一起输出用于驱动系统的轨迹。通常,任务规划系统可以生成从第一地点到第二地点的车辆的规划路线。决策系统可以基于规划路线和车辆的估计状态或位置并且考虑可能靠近车辆的任何对象来维持、调整或生成车辆的规划轨迹,并且跟踪系统可以生成修正轨迹以补偿规划路线和规划轨迹之间的方差(例如,以便帮助将车辆保持在规划轨迹上)。在一些情况下,该示例过程还可以包括在第一(例如,以车身为中心的)坐标系内将估计状态投影到规划轨迹上,并且然后在跟踪系统生成修正轨迹之前,将投影状态或位置转化到第二(例如,欧几里得)坐标系中。
为了提供估计状态或位置中的差别的说明性示例,假设自主车辆最初可以在第一坐标系内的估计位置(0,0)处和在第二坐标系中的估计位置(100,100)处。在该说明性示例中,先前规划决策可以包括从第一坐标系中的(0,0)处和第二坐标系中的(100,100)处开始的规划轨迹,使得车辆位置和决策轨迹之间是零距离(例如,在第一时间段期间,两者都在第一坐标系的(0,0)处和第二坐标系的(100,100)处)。
在该示例中,从位置传感器接收到的车辆的估计状态在第二坐标系中的(99,100)处,例如,估计状态与预期状态或位置相差1个测量单位。因此,由于位置传感器中的误差或车辆漂移(和/或任何相关联的算法),车辆不再沿着规划轨迹或规划路线。
随着车辆接收到估计状态,车辆可以在第一坐标系中将估计状态投影到先前规划轨迹上以确定沿着先前规划轨迹的投影状态或位置。在一些示例中,车辆可以首先将在第二坐标系中接收到的估计状态转换到第一坐标系中。然而,应该理解,由于第一坐标系是相对于车辆的(例如,以车身为中心的),因此车辆的预期状态和估计状态是相同的。
在一些情况下,例如当前示例,投影状态可以与车辆的估计位置相距一段距离。可以使用对于在先前时间段期间的车辆状态确定的变换将投影状态变换到第二坐标系中,并且可以使用投影状态和规划路线确定新的规划轨迹。估计状态和新的规划轨迹可以被提供给跟踪系统。跟踪系统然后可以生成修正轨迹以进一步补偿估计状态和新规划的轨迹之间的任何差异,以及补偿任何检测到的附近的对象。
本文描述的技术可以用多种方式实现。参考下列附图下文提供示例实施例。尽管在自主车辆的场景中讨论,但是本文描述的方法、设备和系统可以应用于各种系统(例如,传感器系统或机器人平台),并且不限于自主车辆。在一个示例中,类似的技术可以在驾驶员控制的车辆中被利用,其中这样的系统可以提供执行各种操纵是否安全的指示。在另一个示例中,该技术可以在制造装配线场景中、在航空测量场景中或在航海场景中被利用。此外,本文描述的技术可以与真实数据(例如,使用传感器捕获的)、模拟数据(例如,由模拟器生成的)、或两者的任何组合一起使用。
图1是示出与规划架构相关联的变换的示例示意图100,如本文所述。在当前示例中,车辆可以具有预期状态或位置102,并且车辆的位置系统可以返回估计状态104。在所示示例中,预期状态或位置102和估计状态或位置104两者都在第一坐标系106(例如,以车身为中心的坐标系)和第二坐标系108(例如,欧几里得坐标系)中示出。与上面提供的示例类似,在所示示例中,需要注意的是,由于坐标系是相对于车辆的位置的,因此第一坐标系中的预期状态102和估计状态104是相同的。
在当前示例中,车辆具有来自规划系统的规划路线122和来自决策系统的先前规划的轨迹112。如图所示,预期状态104与先前规划的轨迹112相差第一距离,并且估计状态104与预期状态102相差附加或第二距离。
在该示例中,如图所示,估计状态104和先前规划的轨迹112被变换到第一坐标系106中并且估计状态104被投影114在第一坐标系106中,以确定沿着先前规划的轨迹112的投影状态或位置116。在一些情况下,例如当前实例,如图所示,投影状态或位置116可以与第一坐标系106中的位置估计104相距距离110。投影状态116然后被变换到第二坐标系108中。车辆然后可以从第二坐标系(例如,欧几里得坐标系)中的投影状态116进行规划以确定新的规划轨迹118。因此,与在第二坐标系中确定估计状态104和先前规划的轨迹112之间的投影相比,通过在相对于车辆的位置的第一坐标系中进行投影,然后将投影状态116变换到第二坐标系中,车辆可以从更接近车辆的位置116进行规划。通过使车辆从更接近估计状态104的位置116进行规划,车辆能够更好地周围附近的障碍物进行规划。
新的规划轨迹118然后可以被提供给跟踪系统以生成修正轨迹120,以补偿投影状态116和估计状态104之间的距离110。同样地,由于新规划的轨迹118比先前规划的轨迹112更接近估计状态104,可以使用更少的处理资源和更短的时间来计算由跟踪系统生成的修正轨迹120,由此改进车辆的决策和反应时间,最终改进车辆的操作安全性。
图2是欧几里得坐标系中的示例时序图200,示出了利用规划架构的自主车辆,如本文所述。在当前示例中,示出了经由第一规划轨迹206穿越规划路线204的车辆202。例如,在第一时间段t0,车辆202可以在沿着第一规划轨迹206(A)的第一位置208处。如图所示,可以确定这样的第一规划轨迹206(A),以便基于各种数据(距路线204、障碍物等的距离)促使车辆202遵循规划路线204。
在第二时间段t1,车辆202可能已经移位(例如,由于位置系统中的误差(传感器差异、算法差异和/或其他原因)或导航期间的漂移)到位置210。因此,车辆202可以与第一规划轨迹206(A)相距第一距离212。在第二时间段期间,车辆202可以生成第一修正轨迹214,并且因此在第三时间段t2期间具有预期状态或位置216。
然而,在当前示例中,在第三时间段期间,车辆202实际上在估计状态218处而不是在预期状态216处。在该示例中,车辆202的规划架构可以将第一规划轨迹206(A)和估计状态218变换到第一坐标系中,导致第一规划轨迹206(A)相对于车辆202被定位,如第一变换规划轨迹206(B)所示。车辆202可以然后执行投影220以确定在第一坐标系内沿着第一规划轨迹206(A)的投影状态222。
然后,在所示位置处,投影状态222可以被变换回第二坐标系中。车辆202然后可以基于第二坐标系内的投影状态222来确定第二规划轨迹224。这样的第二规划轨迹可以用类似已经在第一变换轨迹206(A)处执行了规划的方式,来表示车辆202从第一变换规划轨迹206(B)返回到路线204的轨迹。以此方式,当前规划过程允许车辆202从比沿着第一规划轨迹206(A)的位置226更接近车辆202的估计状态218的投影状态222来确定第二规划轨迹224,由此改进传统规划系统的安全性。例如,如图所示,对象230(例如树)可能在车辆202的路径中,但不会被考虑在从位置226确定的规划轨迹(未示出)中,但在当前过程中很容易被避开,如本文所述。
在一些情况下,例如所示示例,车辆202可能仍然偏离第二规划轨迹224或者可能与第二规划轨迹224相距一段距离。在这些情况下,车辆202可以确定修正轨迹228以使车辆202更接近或位于规划轨迹224上。同样地,由于规划轨迹224在物理上更接近估计状态218,因此减少了确定修正轨迹228的计算,这样,减少了与决策和规划相关联的时间段,由此改进车辆202的整体安全性。
图3是利用规划架构的自主车辆302的示例示意图300,如上文关于图1和图2所描述的。在当前示例中,车辆302在具有路线参考306(例如,车道的一侧或中心)的规划路径或路线304内行进。车辆302还具有在第二坐标系(例如,在图3中所示的欧几里得坐标系内)中的先前规划轨迹308(A)。在当前示例中,先前规划轨迹308(A)可以是弧线的形式(例如,车辆302没有如图1和图2中那样沿直线移动)。如上所述,由310表示的车辆302的实际状态(位置、速度、偏航、航向等)可能与预期状态312不同,预期状态312也可能偏离规划轨迹308(A),如图所示。
在该示例中,先前规划的轨迹308(A)可以被变换到第一坐标系(例如,以车辆或车身为中心的坐标系)中,如先前规划的轨迹308(B)所示。需要注意的是,如图3在第二坐标系中和在第一坐标系中示出的先前规划的轨迹308(B),先前规划的轨迹308(B)相对于估计状态的地点反映了先前规划的轨迹308(A)相对于车辆302的预期状态312的位置。
车辆302然后可以将估计状态310投影到通常由投影314指示的先前规划轨迹308(B)上,以识别投影状态316。在一些情况下,例如所示示例,投影314基于车辆302的估计状态310与先前决策轨迹308(B)之间的最短距离。然后可以使用以关于当前时间段期间的车辆状态确定的变换将投影状态316变换到第二坐标系中。车辆302可以然后确定从第二坐标系中的投影状态316开始并且将车辆302返回到规划的路径304的新规划轨迹318,如图所示。然而,在一些情况下,车辆302仍可能偏离新规划轨迹318。在这些情况下,车辆302或车辆302的跟踪系统可以确定修正轨迹320以将车辆302带到规划轨迹318上。同样地,由于规划轨迹308(B)在物理上更接近估计状态310,因此减少了确定修正轨迹320的计算,并且这样减少了与决策和规划相关联的时间段,由此提高了车辆302的整体安全性。
在示例中,在车辆202的估计状态310上方示出为在车辆302的中点处,然而,点310可以在车辆302上的任何固定位置处。例如,点310可以沿着前轴或后轴以及其他位置。
图4是示出与根据一些实施例的规划架构相关联的示例过程400的流程图。该过程被示出为逻辑流程图中的框的集合,其表示操作序列,其中一些或全部可以在硬件、软件或其组合中来实现。在软件的场景中,框表示存储在一个或多个计算机可读介质上的计算机可执行指令,当由一个或多个处理器执行时,执行所述的操作。通常,计算机可执行指令包括执行具体功能或实现具体抽象数据类型的例程、程序、对象、组件、加密、解密、压缩、记录、数据结构和类似物。
描述操作的顺序不应被解释为限制。可以按任何顺序和/或并行地组合任何数量的所描述的框,以实现该过程或替代过程,并且不需要执行所有框。出于讨论的目的,参考本文的示例中描述的框架、架构和环境来描述本文的过程,尽管这些过程可以在各种各样的其他框架、架构或环境中实现。
如上所述,在一些情况下,自主车辆的估计状态可能由于从各种位置传感器接收的数据中的改变而移动或跳跃。估计状态中的跳跃可能导致车辆的来回移动或颠簸运动,而没有车辆的规划架构或系统的适当的补偿。
图4是示出与规划架构相关联的示例过程400的流程图,如本文所述。过程400可以由,例如自主车辆,通过将估计状态投影到第一(以车身为中心的)坐标系内的规划轨迹上来补偿估计状态和规划的路径之间的差别,并且然后在跟踪系统生成修正轨迹之前,将投影状态转换到第二(例如,欧几里得)坐标系中。
在402,系统可以接收或访问规划轨迹。在一些情况下,规划轨迹可能与先前时间段相关联。规划轨迹可以在第一坐标系、第二坐标系或两者中。
在404,系统可以接收或确定与第一坐标系和第二坐标系之间的规划轨迹相关联的变换。在一些情况下,变换可以在先前时间段期间被确定,例如在其中规划轨迹被确定的时间段的期间。在一些示例中,变换可以被存储在可由规划架构的系统访问的地点。
在406,系统可以接收估计状态。估计状态可以从一个或多个位置传感器或与位置传感器相关联的系统被接收。例如,位置传感器可以包括惯性测量单元(IMU)、全球定位系统(GPS)传感器或全球导航卫星系统(GNSS)传感器以及其他类型的位置传感器。在一些示例中,位置可以基于捕获的车辆周围物理环境的图像、激光雷达或雷达数据以及一个或多个存储的环境地图被估计。例如,操作406可以包括基于捕获的数据(例如,激光雷达、雷达、图像)相对于地图(例如,包括多分辨率协方差数据的网格或数据结构)在环境中定位车辆。估计状态可以在第二坐标系内。
在408,系统可以将估计状态变换到第一坐标系(例如,以车身为中心的坐标系)中。因此,估计状态和规划轨迹可以在第一坐标系内进行比较。另外,应当理解的是,由于第一坐标系是相对于车辆的,即使估计状态中有对应的跳跃,车辆的位置也不会移动。
在410,系统可以将估计状态投影到第一坐标系中的规划轨迹上。例如,如上面关于图1-3所讨论的,系统通过确定规划轨迹和估计状态之间的最短距离,可以将估计状态投影到规划轨迹上。
在412,系统可以确定第一坐标系中的投影状态。例如,与估计状态相距最短距离的规划轨迹上的位置可以被选择为或用作投影状态。
在414,系统可以然后至少部分地基于投影状态来确定第二坐标系中的新规划轨迹。例如,系统可以确定新轨迹以使车辆从投影状态返回到考虑任何附近对象的规划路径。
在416,系统可以将新规划轨迹和估计状态输出给跟踪器系统。例如,由于新规划轨迹是根据投影状态确定的,估计状态和新规划轨迹之间的一些偏移可能仍然存在。在这些情况下,跟踪器系统可以确定估计状态与避开任何附近对象的新规划轨迹之间的修正轨迹,如上所述。
图5是示出示例规划架构500的框图,如本文所述。在当前示例中,规划架构500可以包括规划系统502、决策系统504和跟踪系统506。规划系统502可以生成从第一地点到第二地点的车辆的规划路径508。决策系统504可以基于规划的路径508和考虑可能靠近车辆的任何对象的车辆的估计状态514来维持、调整或生成车辆的规划轨迹,例如规划轨迹510(A)和510(B)。例如,决策系统504可以接收车辆的估计状态514并且将估计状态514投影到先前规划的轨迹510(A)上以确定投影位置516,如上所述。如图所示,决策系统504可以然后基于投影状态516和规划路径508来生成新的规划轨迹510(C)。跟踪系统506可以生成要由驱动系统512遵循的修正轨迹518,以补偿规划的路径508和规划轨迹510(C)之间的方差(例如,以便帮助将车辆保持在规划轨迹510(C)上)。
图6是根据本公开的实施例用于实现本文描述的技术的示例系统600的框图。在一些示例中,系统600可以包括本文参考图1-5描述的实施例的一个或多个特征、组件和/或功能。在一些实施例中,系统600可以包括车辆602。车辆602可以包括车辆计算装置604、一个或多个传感器系统606、一个或多个通信连接608、以及一个或多个驱动系统610。
车辆计算装置604可以包括一个或多个处理器612和与该一个或多个处理器612通信耦合的计算机可读介质614。在所示的示例中,车辆602是自主车辆;然而,车辆602可以是任何其他类型的车辆,或任何其他系统(例如,机器人系统、启用相机的智能电话等)。在所示的示例中,车辆计算装置604的计算机可读介质614存储规划系统616和系统控制器618以及轨迹620、位置数据622、坐标系624和坐标系624之间的变换626。尽管出于说明性目的在图6中描绘为存在于计算机可读介质614中,但是可以预见的是,规划系统616和系统控制器618以及轨迹620、位置数据622、坐标系624和变换626可以附加地或替代地,可由车辆602访问(例如,存储在远离车辆602的计算机可读介质上或以其他方式可访问)。
在至少一个示例中,规划系统616可以配置为实现一个或多个过程,用于补偿如关于图1-5中的任一个所描述的车辆的测量状态和期望状态之间的偏差。
在至少一个示例中,车辆计算装置604可以包括一个或多个系统控制器618,其可以配置为控制车辆602的转向、推进、制动、安全、发射器、通信和其他系统。这些系统控制器618可以与驱动系统610的对应的系统和/或车辆602的其他组件进行通信和/或对其进行控制。在一些情况下,本文讨论的一些或所有组件的方面可以包括任何模型、算法和/或机器学习算法。
在至少一个示例中,传感器系统606可以包括:激光雷达传感器、雷达传感器、超声传感器、声纳传感器、地点传感器(例如,GPS、罗盘等)、惯性传感器(例如,惯性测量单元(IMU)、加速度计、磁力计、陀螺仪等)、相机(例如,RGB、IR、强度、深度、飞行时间等)、麦克风、车轮编码器、环境传感器(例如,温度传感器、湿度传感器、光传感器、压力传感器等),以及一个或多个飞行时间(TOF)传感器等。传感器系统606可以包括这些或其他类型的传感器中的每一个的多个实例。例如,激光雷达传感器可以包括位于车辆602的拐角、前部、后部、侧面和/或顶部处的单独的激光雷达传感器。作为另一示例,相机传感器可以包括设置在围绕车辆602的外部和/或内部的各种地点处的多个相机。传感器系统606可以向车辆计算装置604提供输入。附加地或者替代地,传感器系统606可以在经过预定时间段之后、在接近实时等,经由一个或多个网络将传感器数据发送到一个或多个计算装置。
车辆602还可以包括实现车辆602与一个或多个其他本地或远程计算装置之间的通信的一个或多个通信连接608。例如,通信连接608可以促进与车辆602和/或驱动系统610上的其他本地计算装置的通信。而且,通信连接608可以允许车辆602与其他附近的计算装置(例如,其他附近的车辆、交通信号等)通信。通信连接608还使得车辆602能够与远程操作计算装置或其他远程服务通信。
通信连接608可以包括物理接口和/或逻辑接口,用于将车辆计算装置604连接到另一计算装置(例如,计算装置630)和/或网络,例如网络628。例如,通信连接608可以启用基于Wi-Fi的通信,例如经由由IEEE 802.11标准定义的频率,短距离无线频率例如蓝牙、蜂窝通信(例如,2G、3G、4G、4G LTE、5G等),或任何合适的有线或无线通信协议,其使得相应的计算机装置能够与其他计算机装置交互。
在至少一个示例中,车辆602可以包括一个或多个驱动系统610。在一些示例中,车辆602可以具有单个驱动系统610。在至少一个示例中,如果车辆602具有多个驱动系统610,那么单独的驱动系统610可以定位在车辆602的相对端部(例如,前部和后部等)上。在至少一个示例中,驱动系统610可以包括一个或多个传感器系统606,以检测驱动系统610和/或车辆602的周围环境的状况,如上所讨论的。作为示例而非限制,传感器系统可以包括:一个或多个车轮编码器(例如,旋转编码器)以感测驱动系统的车轮的旋转,惯性传感器(例如,惯性测量单元、加速度计、陀螺仪、磁力计等)以测量驱动系统的朝向和加速,相机或其他图像传感器,超声传感器以声学检测驱动系统的周围环境中的对象,激光雷达传感器、雷达传感器等。一些传感器,例如车轮编码器,可以对于驱动系统610是唯一的。在一些情况下,驱动系统610上的传感器系统606可以重叠或补充车辆602的对应系统。
在至少一个示例中,如上所述,本文讨论的组件可以处理传感器数据例如数据622,并且可以通过一个或多个网络628将其相应的输出发送到一个或多个计算装置630。在至少一个示例中,本文讨论的组件可以在经过预定时间段之后、在接近实时等,将其相应的输出发送到一个或多个计算装置630。
如本文所描述的,示例性神经网络是生物启发式算法,其将输入数据传递通过一系列连接层以产生输出。神经网络中的每一个层还可以包括另一神经网络,或者可以包括任何数量的层(无论是卷积还是非卷积)。如在本公开的场景中可以理解的,神经网络可以利用机器学习,机器学习可以指基于学习的参数生成输出的此类技术的广泛类别。
尽管在神经网络的场景中讨论,但是可以使用与本公开一致的任何类型的机器学习。例如,机器学习算法可以包括但不限于:回归算法(例如,普通最小二乘回归(OLSR)、线性回归、逻辑回归、逐步回归、多元自适应回归样条(MARS)、局部估计散点图平滑(LOESS)),基于实例的算法(例如,岭回归、最小绝对收缩和选择算子(LASSO)、弹性网络、最小角回归(LARS)),决策树算法(例如,分类与回归树(CART)、迭代二分法3(ID3)、卡方自动交互检测(CHAID)、决策树桩、条件决策树),贝叶斯算法(例如,朴素贝叶斯、高斯朴素贝叶斯、多项式朴素贝叶斯、平均单依赖估计器(AODE)、贝叶斯信念网络(BNN)、贝叶斯网络),聚类算法(例如,k均值、k中值、期望最大化(EM)、层次聚类),关联规则学习算法(例如,感知机、反向传播、跳场网络、径向基函数网络(RBFN)),深度学习算法(例如,深度玻尔兹曼机(DBM)、深度信念网络(DBN)、卷积神经网络(CNN)、堆栈自动编码器),降维算法(例如,主成分分析(PCA)、主成分回归(PCR)、部分最小二乘回归(PLSR)、Sammon映射、多维缩放(MDS)、投影追踪、线性判别分析(LDA)、混合判别分析(MDA)、二次判别分析(QDA)、灵活判别分析(FDA)),集成算法(例如,提升方法、自举聚合(Bagging)、AdaBoost、堆栈泛化(混合)、梯度提升机(GBM)、梯度提升回归树(GBRT)、随机森林)、SVM(支持向量机)、监督学习、无监督学习、半监督学习等)。架构的附加示例包括神经网络,例如ResNet50、ResNet101、VGG、DenseNet、PointNet和类似物。
车辆602的处理器612和计算装置630的处理器632可以是如本文所描述的能够执行指令以处理数据并执行操作的任何合适的处理器。作为示例而非限制,处理器612和632可以包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)、或任何其他装置或装置的一部分,其处理电子数据以将该电子数据变换成可以存储在寄存器和/或计算机可读介质中的其他电子数据。在一些示例中,集成电路(例如,ASIC等)、门阵列(例如,FPGA等)、和其他硬件装置也可以被认为是被配置为实现编码的指令的处理器。
计算机可读介质614和634是非暂时性计算机可读介质的示例。计算机可读介质614和634可以存储操作系统和一个或多个软件应用、指令、程序和/或数据以实现本文描述的方法以及归属于各种系统的功能。在各种实施例中,计算机可读介质可以使用任何合适的计算机可读介质技术来实现,诸如静态随机存取存储器(SRAM)、同步动态RAM(SDRAM)、非易失性/闪存型存储器、或能够存储信息的任何其他类型的计算机可读介质。本文描述的架构、系统和各个元件可以包括许多其他逻辑组件、程序化组件和物理组件,其中附图中示出的那些组件仅仅是与本文中的讨论有关的示例。
正如可以理解的,本文讨论的组件出于说明性目的被描述为划分的。然而,由各种组件执行的操作可以在任何其他组件中组合或执行。
应当注意,虽然图6被示出为分布式系统,但是在替代示例中,车辆602的组件可以与计算装置630相关联,和/或计算装置630的组件可以与车辆602相关联。也就是说,车辆602可以执行与计算装置630相关联的一个或多个功能,反之亦然。此外,机器学习组件638的方面可以在本文讨论的任何装置上执行。
示例条款
A.一种自主车辆,包括:一个或多个位置传感器;一个或多个处理器;以及存储可由所述一个或多个处理器执行的指令的一个或多个非暂时性计算机可读介质,其中,当所述指令被执行时,使所述一个或多个处理器执行以下操作,包括:接收与所述自主车辆相关联的估计位置;通过确定与所述自主车辆相关联的估计位置相对于在以车辆车身为中心的坐标系内的所述车辆的先前规划的轨迹的相对位置来确定所述自主车辆的投影位置;至少部分地基于所述投影位置和与所述自主车辆相关联的规划路径,至少部分地基于欧几里得坐标系确定与所述自主车辆相关联的新的规划轨迹,所述规划路径包括在第一地点和第二地点之间的所述自主车辆的路线;至少部分地基于与所述自主车辆相关联的所述估计位置和所述新的规划轨迹,至少部分地基于所述欧几里得坐标系确定与所述自主车辆相关联的修正轨迹;以及至少部分地基于所述修正轨迹来控制所述自主车辆的操作。
B.根据权利要求A所述的自主车辆,其中,所述修正轨迹进一步至少部分地基于靠近所述自主车辆的对象的地点。
C.根据权利要求A所述的自主车辆,进一步包括在确定所述新的规划轨迹之前,将所述投影位置从所述以车辆车身为中心的坐标系变换到所述欧几里得坐标系。
D.根据权利要求A所述的自主车辆,其中,控制所述自主车辆的操作包括使所述自主车辆穿越所述修正轨迹。
E.一种方法,包括:通过在第一坐标系内将与自主车辆相关联的测量状态投影到自主车辆的第一规划轨迹上来确定自主车辆的投影状态;至少部分地基于投影状态和与自主车辆相关联的规划路径,至少部分地基于第二坐标系确定与自主车辆相关联的第二规划轨迹;以及至少部分地基于第二规划轨迹来控制自主车辆的操作。
F.根据段落E所述的方法,其中,测量状态包括与自主车辆相关的测量位置、测量朝向、测量加速度或测量速度中的至少一个。
G.根据段落E所述的方法,其中,第一坐标系是以车辆车身为中心的坐标系并且第二坐标系是欧几里得坐标系。
H.根据段落E所述的方法,其中,第二规划轨迹进一步至少部分地基于由自主车辆检测到的对象的状态。
I.根据段落E所述的方法,其中,确定投影状态包括确定第一规划轨迹和测量状态之间的最短距离。
J.根据段落E所述的方法,进一步包括:至少部分地基于与自主车辆相关联的测量状态和第二规划轨迹,至少部分地基于第二坐标系确定与自主车辆相关联的修正轨迹;并且其中,控制自主车辆的操作至少部分地基于修正轨迹。
K.根据段落J所述的方法,其中:修正轨迹进一步至少部分地基于由自主车辆检测到的对象的状态。
L.根据段落E所述的方法,其中,当第二规划轨迹被自主车辆执行时,使自主车辆返回到规划的路径。
M.一种存储指令的非暂时性计算机可读介质,当指令被执行时,使一个或多个处理器执行以下操作,包括:通过至少部分地基于第一坐标系将与自主车辆相关联的测量状态投影到车辆的第一规划轨迹上,来确定自主车辆的投影状态;至少部分地基于与自主车辆相关联的投影状态和规划的路径,至少部分地基于第二坐标系确定与自主车辆相关联的第二规划轨迹,该规划的路径包括第一地点和第二地点之间的自主车辆的路线;以及至少部分地基于与自主车辆相关联的测量状态和第二规划轨迹,利用第二坐标系来确定与自主车辆相关联的修正轨迹。
N.根据段落M所述的非暂时性计算机可读介质,其中,确定投影状态包括确定第一规划轨迹和测量状态之间的最短距离。
O.根据段落M所述的非暂时性计算机可读介质,其中,第一坐标系是相对于车辆的车身的。
P.根据段落M所述的非暂时性计算机可读介质,其中第二坐标系是通用横轴墨卡托(UTM)坐标系。
Q.根据段落M所述的非暂时性计算机可读介质,进一步包括至少部分地基于修正轨迹来控制自主车辆的操作。
R.根据段落S所述的非暂时性计算机可读介质,至少部分地基于与自主车辆相关联的测量状态和第二规划轨迹来确定与自主车辆相关联的修正轨迹;并且其中,控制自主车辆的操作至少部分地基于修正轨迹。
S.根据段落R所述的非暂时性计算机可读介质,其中,修正轨迹至少部分地基于第二坐标系被确定。
T.根据段落R所述的非暂时性计算机可读介质,其中,当修正轨迹被自主车辆执行时,使自主车辆返回到第二规划轨迹。
虽然上面描述的示例条款相对于一个具体实施方式被描述,但是应当理解,在本文件的场景中,示例条款的内容也可以经由方法、装置、系统、计算机可读介质、和/或另一实施方式来实现。另外,示例A-T中的任何一个可以单独地实现或与示例A-T中的任何其他一个或多个组合来实现。
结论
正如可以理解的,本文讨论的组件出于说明性目的被描述为划分的。然而,由各种组件执行的操作可以在任何其他组件中组合或执行。还应当理解,关于一个示例或实施方式所讨论的组件或步骤可以与其他示例的组件或步骤结合使用。例如,图6的组件和指令可以利用图1-5的过程和流程。
虽然已经描述了本文所述的技术的一个或多个示例,但是其各种更改、添加、置换和等同物被包括在本文所描述的技术的范围内。
在示例的描述中,参考形成其一部分的附图,附图通过图示的方式示出所要求保护的主题的具体示例。应当理解,可以使用其他示例,并且可以进行诸如结构改变的改变或更改。这样的示例、改变或更改不一定偏离关于意图要求保护的主题的范围。虽然本文中的步骤可以按某种顺序呈现,但是在一些情况下,可以改变排序,使得某些输入以不同的时间或按不同的顺序提供,而不改变所描述的系统和方法的功能。所公开的过程也可以按不同的顺序执行。另外,不需要按照所公开的顺序来执行本文描述的各种计算,并且可以容易地实现使用计算的替代排序的其他示例。除了被重新排序之外,在一些情况下,还可以将计算分解为具有相同结果的子计算。
Claims (15)
1.一种方法,包括:
通过在第一坐标系内将与自主车辆相关联的测量状态投影到所述自主车辆的第一规划轨迹上,来确定所述自主车辆的投影状态;
至少部分地基于所述投影状态和与所述自主车辆相关联的规划路径,至少部分地基于第二坐标系确定与所述自主车辆相关联的第二规划轨迹;以及
至少部分地基于所述第二规划轨迹来控制所述自主车辆。
2.根据权利要求1所述的方法,其中,所述测量状态包括与所述自主车辆相关联的测量位置、测量朝向、测量加速度或测量速度中的至少一个。
3.根据权利要求1或2所述的方法,其中,所述第一坐标系是以车辆车身为中心的坐标系并且所述第二坐标系是欧几里得坐标系。
4.根据权利要求1至3中任一项所述的方法,其中,所述第二规划轨迹进一步至少部分地基于由所述自主车辆检测到的对象的状态。
5.根据权利要求1至4中任一项所述的方法,其中,确定所述投影状态包括确定所述第一规划轨迹和所述测量状态之间的最短距离。
6.根据权利要求1至5中任一项所述的方法,进一步包括:
至少部分地基于与所述自主车辆相关联的所述测量状态和所述第二规划轨迹,至少部分地基于所述第二坐标系确定与所述自主车辆相关联的修正轨迹;以及
其中,控制所述自主车辆至少部分地基于所述修正轨迹。
7.根据权利要求6所述的方法,其中,所述修正轨迹进一步至少部分地基于由所述自主车辆检测到的对象的状态。
8.根据权利要求1至7中任一项所述的方法,其中,当所述第二规划轨迹被所述自主车辆执行时,使所述自主车辆返回到所述规划路径。
9.一种包括编码指令的计算机程序制品,所述编码指令当在计算机上运行时实现根据权利要求1至8中任一项所述的方法。
10.一种系统,包括:
一个或多个处理器;以及
一个或多个非暂时性计算机可读介质,其存储能够由所述一个或多个处理器执行的指令,其中,当所述指令被执行时使所述系统执行以下操作,包括:
通过至少部分地基于第一坐标系将与车辆相关联的测量状态投影到所述车辆的第一规划轨迹上来确定所述车辆的投影状态;
至少部分地基于所述投影状态和与所述车辆相关联的规划路径来至少部分地基于第二坐标系确定与所述车辆相关联的第二规划轨迹,所述规划路径包括所述车辆在第一地点和第二地点之间的路线;以及
至少部分地基于与所述车辆相关联的所述测量状态和所述第二规划轨迹,使用所述第二坐标系来确定与所述车辆相关联的修正轨迹。
11.根据权利要求10所述的系统,其中,确定所述投影状态包括确定所述第一规划轨迹和所述测量状态之间的最短距离。
12.根据权利要求10或11所述的系统,其中:
所述第一坐标系是相对于所述车辆的车身的;以及
所述第二坐标系是通用横轴墨卡托(UTM)坐标系。
13.根据权利要求10至12中任一项所述的系统,所述操作进一步包括至少部分地基于所述修正轨迹来控制所述车辆。
14.根据权利要求13所述的系统,所述操作进一步包括:
至少部分地基于与所述车辆相关联的所述测量状态和所述第二规划轨迹来确定与所述车辆相关联的修正轨迹;以及
其中,控制所述车辆至少部分地基于所述修正轨迹。
15.根据权利要求14所述的系统,其中:
所述修正轨迹至少部分地基于所述第二坐标系被确定;以及
所述修正轨迹使所述车辆返回到所述第二规划轨迹。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/805,118 US11841708B2 (en) | 2020-02-28 | 2020-02-28 | System and method for adjusting a planned trajectory of an autonomous vehicle |
US16/805,118 | 2020-02-28 | ||
PCT/US2021/017182 WO2021173336A1 (en) | 2020-02-28 | 2021-02-09 | System and method for adjusting a planned trajectory of an autonomous vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115151470A true CN115151470A (zh) | 2022-10-04 |
Family
ID=77464148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180016449.5A Pending CN115151470A (zh) | 2020-02-28 | 2021-02-09 | 用于调整自主车辆的规划轨迹的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11841708B2 (zh) |
EP (1) | EP4110671A4 (zh) |
JP (1) | JP2023514869A (zh) |
CN (1) | CN115151470A (zh) |
WO (1) | WO2021173336A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11628858B2 (en) * | 2020-09-15 | 2023-04-18 | Baidu Usa Llc | Hybrid planning system for autonomous vehicles |
CN115092212B (zh) * | 2022-07-14 | 2024-03-22 | 北京世纪东方智汇科技股份有限公司 | 隧道内列车轨迹校准方法、装置、设备及介质 |
CN117400945B (zh) * | 2023-12-15 | 2024-02-23 | 广汽埃安新能源汽车股份有限公司 | 一种基于单目视觉信息的车辆控制方法及装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120158247A1 (en) * | 2010-12-15 | 2012-06-21 | William Robert Norris | Perception Model For Trajectory Following Autonomous And Human Augmented Steering Control |
DE102012014468A1 (de) * | 2012-07-21 | 2014-05-15 | Volkswagen Aktiengesellschaft | Verfahren zum Verändern einer Fahrstrategie für ein Fahrzeug und Fahrzeugsteuergerät für ein Fahrzeug |
US9120485B1 (en) * | 2012-09-14 | 2015-09-01 | Google Inc. | Methods and systems for smooth trajectory generation for a self-driving vehicle |
US9405293B2 (en) * | 2014-05-30 | 2016-08-02 | Nissan North America, Inc | Vehicle trajectory optimization for autonomous vehicles |
US10248124B2 (en) * | 2016-07-21 | 2019-04-02 | Mobileye Vision Technologies, Inc. | Localizing vehicle navigation using lane measurements |
JP6852299B2 (ja) * | 2016-08-09 | 2021-03-31 | 株式会社デンソー | 運転支援システム |
US10379538B1 (en) | 2017-03-20 | 2019-08-13 | Zoox, Inc. | Trajectory generation using motion primitives |
JP7236396B2 (ja) | 2017-05-03 | 2023-03-09 | ソルターレ インコーポレイテッド | 車両検知システムのオーディオ処理 |
US10768011B2 (en) * | 2017-08-31 | 2020-09-08 | Wipro Limited | Method and system for positioning an autonomous vehicle on a navigation map |
WO2019079211A1 (en) * | 2017-10-19 | 2019-04-25 | DeepMap Inc. | LIDAR-CAMERA CALIBRATION TO GENERATE HIGH DEFINITION MAPS |
US10816990B2 (en) * | 2017-12-21 | 2020-10-27 | Baidu Usa Llc | Non-blocking boundary for autonomous vehicle planning |
US10691129B2 (en) * | 2018-01-31 | 2020-06-23 | Baidu Usa Llc | Dynamically adjustable reference line sampling point density for autonomous vehicles |
GB2570887B (en) | 2018-02-07 | 2020-08-12 | Jaguar Land Rover Ltd | A system for a vehicle |
US11237004B2 (en) * | 2018-03-27 | 2022-02-01 | Uatc, Llc | Log trajectory estimation for globally consistent maps |
US10614717B2 (en) * | 2018-05-17 | 2020-04-07 | Zoox, Inc. | Drive envelope determination |
US10691130B2 (en) | 2018-06-06 | 2020-06-23 | Uatc, Llc | Gridlock solver for motion planning system of an autonomous vehicle |
US10782136B2 (en) * | 2018-09-28 | 2020-09-22 | Zoox, Inc. | Modifying map elements associated with map data |
DE102018221864A1 (de) * | 2018-12-17 | 2020-06-18 | Volkswagen Aktiengesellschaft | Verfahren und System zum Bestimmen einer Trajektorie eines Fahrzeugs |
US11435194B2 (en) * | 2019-01-28 | 2022-09-06 | Uatc, Llc | Scaffolds for globally consistent maps |
JP7260385B2 (ja) * | 2019-04-24 | 2023-04-18 | トヨタ自動車株式会社 | 車両走行制御装置 |
DE102019126631A1 (de) * | 2019-10-02 | 2021-04-08 | Valeo Schalter Und Sensoren Gmbh | Verbesserte Trajektorienschätzung basierend auf Ground Truth |
-
2020
- 2020-02-28 US US16/805,118 patent/US11841708B2/en active Active
-
2021
- 2021-02-09 CN CN202180016449.5A patent/CN115151470A/zh active Pending
- 2021-02-09 WO PCT/US2021/017182 patent/WO2021173336A1/en unknown
- 2021-02-09 EP EP21760629.2A patent/EP4110671A4/en active Pending
- 2021-02-09 JP JP2022551549A patent/JP2023514869A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021173336A1 (en) | 2021-09-02 |
US11841708B2 (en) | 2023-12-12 |
EP4110671A4 (en) | 2024-04-03 |
US20210271251A1 (en) | 2021-09-02 |
EP4110671A1 (en) | 2023-01-04 |
JP2023514869A (ja) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7520101B2 (ja) | 非構造化車両の経路プランナー | |
US11200429B1 (en) | Tracking objects using sensor data segmentations and/or representations | |
US11460568B2 (en) | Estimating in-plane velocity from an arbitrary radar return | |
US20220394156A1 (en) | Image scan line timestamping | |
US20200103236A1 (en) | Modifying Map Elements Associated with Map Data | |
CN115151470A (zh) | 用于调整自主车辆的规划轨迹的系统和方法 | |
CN115088013A (zh) | 用于语义和/或深度感知实例分割的多任务学习 | |
CN114502979A (zh) | 感知系统 | |
US11609321B2 (en) | Radar-tracked object velocity and/or yaw | |
US11604465B2 (en) | Correction of sensor data alignment and environment mapping | |
US20220250646A1 (en) | Route-relative trajectory numerical integrator and controller using the same | |
JP2023553823A (ja) | 協調型車両進路生成 | |
US11543263B1 (en) | Map distortion determination | |
US20240174239A1 (en) | Route-relative trajectory generation and optimization computations incorporating vehicle sideslip | |
WO2020069034A1 (en) | Image scan line timestamping | |
WO2022232546A1 (en) | Methods and systems to assess vehicle capabilities | |
US20240092397A1 (en) | Interpretable kalman filter comprising neural network component(s) for autonomous vehicles | |
US11787419B1 (en) | Robust numerically stable Kalman filter for autonomous vehicles | |
US20240094009A1 (en) | Map annotation modification using sparse pose graph node updates | |
US11899114B1 (en) | Secondary sensor data-based soft constraint optimization for pose graph and mapping refinement | |
US20230097251A1 (en) | Pose component | |
WO2023192515A1 (en) | Ground profile estimation for sensor data |
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 |