CN115214625A - 识别自主车辆的可停车区域 - Google Patents
识别自主车辆的可停车区域 Download PDFInfo
- Publication number
- CN115214625A CN115214625A CN202210423931.7A CN202210423931A CN115214625A CN 115214625 A CN115214625 A CN 115214625A CN 202210423931 A CN202210423931 A CN 202210423931A CN 115214625 A CN115214625 A CN 115214625A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- edge
- observations
- parkable
- processors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 12
- 230000008447 perception Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3822—Road feature data, e.g. slope data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
- G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles
-
- 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
- B60W30/06—Automatic manoeuvring for parking
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的各方面提供了对可停车区域的识别。在一个实例中,可以从存入数据中识别对停车车辆的观察。观察可以用于确定道路图的边缘的子部分是否对应于可停车区域。在一些示例中,边缘可以定义道路图中的可驾驶区域。此外,地图信息是基于对边缘的子部分是否对应于可停车区域的确定而生成的。
Description
技术领域
本公开涉及识别自主车辆的可停车区域。
背景技术
自主车辆(例如不需要人类驾驶员的车辆)可以用于协助将乘客或物品从一个位置运输到另一个位置。这样的车辆可以在乘客可以提供一些初始输入(诸如接起或目的地位置)的完全自主模式下操作,并且车辆操纵自身到该位置。当接近该位置或在行程期间的任何点时,自主车辆可能不断寻找停止车辆的位置。例如,这些位置可以用于例如短暂停止以例如针对运输服务而接起和/或放下乘客和/或货物。典型地,当车辆在目的地的某个距离内时,自主车辆可能寻找这样的位置。
发明内容
本公开的方面提供了一种识别可停车区域的方法。该方法包括由一个或多个处理器从存入数据(logged data)识别对停车车辆的观察;由一个或多个处理器使用观察来确定道路图的边缘的子部分是否对应于可停车区域,其中,所述边缘定义了道路图中的可驾驶区域;以及由一个或多个处理器基于对边缘的子部分是否对应于可停车区域的确定来生成地图信息。
在一个示例中,所述方法还包括使用观察来确定边缘的第二子部分是否对应于第二可停车区域。在另一个示例中,所述方法还包括进一步分析观察以确定可停车区域是否在边缘的左方。在另一个示例中,所述方法还包括进一步分析观察以确定可停车区域是否沿着边缘。在另一示例中,所述方法还包括进一步分析观察以确定可停车区域是否在边缘和道路图的第二边缘之间。在另一个示例中,所述方法还包括进一步分析观察以确定可停车区域的宽度。在另一个示例中,所述方法还包括进一步分析观察以确定可停车区域被车辆占据的时间百分比。在另一个示例中,所述方法还包括进一步分析观察以确定可停车区域在多个不同时间段期间可用的可能性。在另一个示例中,所述方法还包括使用观察来训练机器学习模型以提供可停车区域在未来某时间点被占据的可能性。在该示例中,所述方法还包括进一步分析观察以确定可停车区域被车辆占据的时间百分比,并使用该时间百分比来训练模型。附加或可替代地,所述方法还包括将模型提供给自主车辆以使自主车辆能够使用地图信息来做出驾驶决策。在另一个示例中,所述方法还包括使用地图信息来识别用于车辆停止和接起或放下乘客或货物的潜在位置。
本公开的另一方面提供了用于识别可停车区域的系统。该系统包括存储存入数据的存储器以及一个或多个处理器。一个或多个处理器被配置为从存储的存入数据中识别对停车车辆的观察;使用观察来确定道路图的边缘的子部分是否对应于可停车区域,其中,所述边缘定义了道路图中的可驾驶区域;以及基于对边缘的子部分是否对应于可停车区域的确定来生成地图信息。
在一个示例中,所述一个或多个处理器还被配置为使用观察来确定边缘的第二子部分是否对应于第二可停车区域。在另一示例中,所述一个或多个处理器还被配置为进一步分析观察以确定可停车区域是否在边缘和道路图的第二边缘之间。在另一个示例中,所述一个或多个处理器还被配置为进一步分析观察以确定可停车区域被车辆占据的时间百分比。在另一个示例中,所述一个或多个处理器还被配置为进一步分析观察以确定可停车区域在多个不同时间段期间可用的可能性。在另一个示例中,所述一个或多个处理器还被配置为将地图信息提供给自主车辆以使自主车辆能够使用地图信息来做出驾驶决策。在另一个示例中,所述一个或多个处理器还被配置为使用观察来训练机器学习模型以提供可停车区域在未来某时间点被占据的可能性。在另一个示例中,所述一个或多个处理器还被配置为使用地图信息来识别用于车辆停止和接起或放下乘客或货物的潜在位置。
附图说明
图1是根据示例性实施例的示例车辆的功能图。
图2是根据本公开的各方面的地图信息的示例。
图3是根据本公开的各方面的车辆的示例外部视图。
图4是根据本公开的各方面的示例系统的示意图。
图5是根据本公开的各方面的图4的系统的功能图。
图6是根据本公开的各方面的日志数据(log data)和地图信息的示例。
图7是根据本公开的各方面的边缘和子部分的示例。
图8是根据本公开的各方面的日志数据、地图信息和数据的示例。
图9是根据本公开的各方面的日志数据、地图信息和数据的示例。
图10是根据本公开的各方面的带注释的地图信息的示例。
图11是根据本公开的各方面的示例流程图。
具体实施方式
概述
本技术涉及识别用于自主车辆的可停车区域。在许多情况下,可以从任何数量的不同的来源(诸如城市地图、停车数据库等)得知可停车区域(诸如停车位和停车场)。但是,可能在许多情况下,可停车区域不一定是被定义的,而是由人决定在一定时间在这样的区域停车。例如,可停车区域并不总邻近路缘或沿着道路的直的路段(section),尤其是在住宅区域。作为另一个示例,在宗教仪式期间或周末在繁忙的公园附近,可以认为车辆在原本是不可停车区域(诸如沿着中间带、转弯车道或禁止停车区)的区域停车是可接受的。在其他示例中,人可能将车辆在街道的没有路缘的一侧停车。
因此,这些可停车区域不一定是预先绘制在地图上的(pre-mapped)或以其他方式得知的,因此对于自主车辆来说,许多可停车区域不一定可用甚至不一定可识别。手动将这些可停车区域绘制在地图上是可能的,但有许多缺点:成本高、要求提前定义明确的规范、要求迭代且缓慢的创建和展开(rollout)、每次道路图发生改变时要求工作、以及要求检测注释何时过期的方式并要求重新标记。然而,许多上述可停车区域可以从自主车辆生成的存入数据识别。
当自主车辆在四周驾驶时,它们的各种系统可以检测和识别对象,诸如停车的或缓慢移动的车辆。可以分析该存入数据以做出一定确定。例如,每次检测的对象被识别或标记为停车的车辆时,这可以被视为“观察”。
为了确定车辆是否已被观察到在各种特征处停车或邻近各种特征停车,可以使用观察来分析每个边缘的子部分,并且每个边缘的子部分可以被分类或标记。进一步地,可以分析这些观察以确定关于对于给定子部分的可停车区域的其他细节。
可以以任何数量的不同的方式使用这些分类和细节。在一些实例中,细节和附加细节可以用来向地图信息添加注释,并且带注释的地图信息可以用于如下所述的任何数量的不同目的。作为注释地图信息的附加或替代,可以使用观察、细节和附加细节来训练模型。然后,可以以各种方式使用前述带注释的地图信息和/或模型的输出。
本文描述的特征可以允许识别可停车区域,该可停车区域不一定是被定义的,而是由人决定在一定时间在这样的区域停车。换言之,本文描述的特征允许识别不一定由城市地图、停车数据库等定义的可停车区域。
示例系统
如图1所示,根据本公开的一个方面的车辆100包括各种组件。虽然本公开的某些方面与特定类型的车辆结合会特别有用,但是车辆可以是任何类型的车辆,包括但不限于小汽车、卡车、摩托车、公共汽车、休闲车等。车辆可以具有一个或多个计算设备,诸如包含一个或多个处理器120、存储器130和典型地存在于通用计算设备中的其他组件的计算设备110。
存储器130存储可由一个或多个处理器120访问的信息,包括可以由处理器120执行或以其他方式使用的指令132和数据134。存储器130可以是能够存储可由处理器访问的信息的任何类型的存储器,包括计算设备可读介质或存储可以借助电子设备读取的数据的其他介质(诸如硬盘驱动器、存储卡、ROM、RAM、DVD或其他光盘)以及其他可写存储器和只读存储器。系统和方法可以包括前述的不同组合,由此指令和数据的不同部分被存储在不同类型的介质上。
指令132可以是由处理器直接执行(诸如机器代码)或间接执行(诸如脚本)的任何指令集合。例如,指令可以作为计算设备代码被存储在计算设备可读介质上。在这方面,术语“指令”和“程序”在本文中可以互换使用。指令可以以用于由处理器直接处理的目标代码格式存储或以任何其他计算设备语言(包括按需解释或预先编译的独立源代码模块的集合或脚本)存储。下面,将更详细地解释指令的功能、方法和例程。
处理器120可以根据指令132检索、存储或修改数据134。例如,虽然要求保护的主题不受任何特定数据结构限制,但是数据可以被存储在计算设备寄存器中、在关系数据库中(作为具有多个不同字段和记录的表)、XML文档或平面文件。数据还可以被格式化为任何计算设备可读格式。
一个或多个处理器120可以是任何常规处理器,诸如商业可获得CPU或GPU。可替代地,一个或多个处理器可以是专用设备,诸如ASIC或其他基于硬件的处理器。尽管图1在功能上将处理器、存储器和计算设备110的其他元件示为在同一框内,但是本领域普通技术人员将理解,处理器、计算设备或存储器实际上可以包括多个处理器、计算设备或存储器,这些处理器、计算设备或存储器可以或可以不被存放在同一物理外壳内。例如,存储器可以是位于与计算设备110的外壳不同的外壳中的硬盘驱动器或其他存储介质。因此,对处理器或计算设备的引用将被理解为包括对可以或可以不并行操作的处理器或计算设备或存储器的集合的引用。
计算设备110可以包括通常与计算设备结合使用的所有组件,诸如上述处理器和存储器,以及用户输入150(例如,一个或多个按钮、鼠标、键盘、触摸屏和/或麦克风)、各种电子显示器(例如,具有屏幕的监视器或可操作以显示信息的任何其他电气设备)以及按需向车辆100的乘客或向其他人提供信息的扬声器154。例如,电子显示器152可以位于车辆100的舱室内并且可以由计算设备110用来向车辆100内的乘客提供信息。
计算设备110还可以包括一个或多个无线网络连接156以促进与其他计算设备通信,诸如下面详细描述的客户端计算设备和服务器计算设备。无线网络连接可以包括短距离通信协议,诸如蓝牙、蓝牙低功耗(LE)、蜂窝连接,以及各种配置和协议,包括互联网、万维网、内联网、虚拟专用网、广域网、本地网络、使用一个或多个公司专有的通信协议的专用网络、以太网、WiFi和HTTP、以及前述各项的各种组合。
计算设备110可以是车辆100的自主控制系统的部分或能够与车辆的各种组件通信以便在自主驾驶模式下控制车辆。例如,返回图1,计算设备110可以与车辆100的各种系统通信,以便在自主驾驶模式下根据存储器130的指令132控制车辆100的移动、速度等,车辆100的各种系统是诸如减速系统160、加速系统162、转向系统164、信号系统166、规划系统168、路线(routing)系统170、定位系统172、感知系统174、行为建模系统176和动力系统178。
作为示例,计算设备110可以与减速系统160和加速系统162相互作用,以便控制车辆的速度。类似地,计算设备110可以使用转向系统164,以便控制车辆100的方向。例如,如果车辆100被配置为在道路上使用(诸如小汽车或卡车),则转向系统可以包括控制车轮的角度以使车辆转弯的组件。计算设备110还可以使用信号系统166,以便向其他驾驶员或车辆用信号通知(例如,通过在需要时点亮转弯信号或制动灯)车辆的意图。
计算设备110可以使用路线系统170,以便使用地图信息生成到目的地的路线。计算设备110可以使用规划系统168,以便生成允许车辆遵循由路线系统生成的路线的短期轨迹。在这方面,规划系统168和/或路线系统170可以存储详细的地图信息,例如,识别包括道路的形状和高度、车道线、交叉路口、人行横道、限速、交通信号、建筑物、标志、实时交通信息(随着从诸如以下讨论的计算设备410或其他计算设备的远程计算设备接收而更新)、靠边停车点、植被或其他这样的对象和信息的道路网络的高度详细的地图。
图2是道路中的小路段的地图信息200的示例。地图信息200包括识别车道标记或车道线210、212、214(其定义车道220、222)的形状、位置和其他特性的信息。地图信息还识别路肩区域230的形状、位置和其他特性和邻近路肩区域的路缘232。除了上述特征和信息之外,地图信息还可以包括识别每个车道的交通方向的信息以及允许计算设备110确定车辆是否具有完成特定操纵(即完成转弯或穿过交通车道或交叉路口)的路权(right ofway)的信息。
除了前述的物理特征信息之外,地图信息可以被配置为道路图,其包括一起组成地图信息的道路网络的多个图形节点和表示道路或车道段的边缘。每个边缘由具有特定地理位置(例如纬度、经度、海拔等)的起始图形节点、具有特定地理位置(例如纬度、经度、海拔等)的结束图形节点和方向定义。该方向可以指代车辆100为了遵循边缘而必须移动的方向(即,交通流的方向)。图形节点可以位于固定或可变距离处。例如,图形节点的间距范围可以从几厘米到几米,并且可以对应于图形节点所在的道路的限速。在这方面,更快的速度可能对应于图形节点之间的更大距离。边缘可以表示沿同一车道驾驶或改变车道。每个节点和边缘可以具有唯一标识符,诸如节点的纬度和经度位置或边缘的起始和结束位置或节点。除了节点和边缘之外,地图还可以识别附加信息,诸如不同边缘处要求的操纵类型以及哪些车道是可驾驶的。
例如,图2还描绘了多个节点s、t、u、v、w、x、y、z,以及在这样的节点对之间延伸的边缘240、242、244、246、248、250、252。例如,边缘240在节点s(边缘240的起始节点)和节点t(边缘240的结束节点)之间延伸,边缘242在节点t(边缘242的起始节点)和节点u(边缘242的结束节点)之间延伸,等等。
路线系统166可以使用前述地图信息来确定从当前位置(例如当前节点的位置)到目的地的路线。可以使用基于成本的分析来生成路线,该分析试图按最低的成本选择到目的地的路线。可以以任何数量的方式评估成本,诸如到目的地的时间、行驶距离(每个边缘可能与穿越该边缘的成本相关联)、要求的操纵的类型、对乘客或车辆的便利性等。每个路线可以包括车辆可以用来到达目的地的多个节点和边缘的列表。当车辆行驶到目的地时,可以定期重新计算路线。
用于路线引导(routing)的地图信息可以具有与用于规划轨迹的地图相同或不同的地图。例如,用于规划路线的地图信息不仅要求关于单独车道的信息,而且还要求车道边界的性质(例如,白色实线、白色虚线、黄色实线等)来确定允许改变车道的位置。然而,与用于规划轨迹的地图不同,用于路线引导的地图信息不需要包括其他细节,诸如人行横道、交通灯、停车标志等的位置,尽管该信息中的一些可能对路线引导的目的有用。例如,在具有大量带有交通控制(诸如停车标志或交通信号灯)的交叉路口的路线与没有或带有很少交通控制的路线之间,后面的路线可能具有较低的成本(例如,因为它更快),因此是优选的。
计算设备110可以使用定位系统172,以便确定车辆在地图上或地球上的相对或绝对位置。例如,定位系统172可以包括GPS接收器,以确定设备的纬度、经度和/或海拔定位。其他位置系统(诸如基于激光的定位系统、惯性辅助GPS或基于相机的定位)也可用于识别车辆的位置。车辆的位置可以包括绝对地理位置(诸如纬度、经度和海拔),道路图的节点或边缘的位置以及相对位置信息,诸如相对于紧邻其周围的其他小汽车的位置,这通常可以用比绝对地理位置更少的噪声来确定。
定位系统172还可以包括与计算设备110通信的其他设备(诸如加速度计、陀螺仪或另一方向/速度检测设备)以确定车辆的方向和速度或其改变。仅作为示例,加速设备可以确定其相对于重力方向或与重力方向垂直的平面的俯仰、偏航或滚转(或其改变)。该设备还可以追踪速度的增加或减少以及这样的改变的方向。如本文中阐述的设备对位置和朝向数据的提供可以被自动地提供给计算设备110、其他计算设备和前述的组合。
感知系统174还包括一个或多个组件以用于检测车辆外部的对象,诸如其他车辆、道路中的障碍物、交通信号、标志、树木等。例如,感知系统174可以包括LIDAR、声纳、雷达、相机和/或记录可以由计算设备110处理的数据的任何其他检测设备。在车辆是诸如小型货车的乘用车辆的情况下,小型货车可以包括安装在车顶(roof)或其他方便的位置的激光器或其他传感器。
例如,图3是车辆100的示例外部视图。在该示例中,顶部(roof-top)外壳310和圆顶外壳312可以包括LIDAR传感器以及各种相机和雷达单元。此外,位于车辆100前端的外壳320和车辆的驾驶员侧和乘客侧的外壳330、332可以各自存放LIDAR传感器。例如,外壳330位于驾驶员车门360的前面。车辆100还包括用于也位于车辆100的车顶上的雷达单元和/或相机的外壳340、342。附加的雷达单元和相机(未示出)可以位于车辆100的前端和后端和/或在沿着车顶或顶部外壳310的其他位置上。
计算设备110可以能够与车辆的各种组件通信,以便根据计算设备110的存储器的主要车辆控制代码来控制车辆100的移动。例如,返回图1,计算设备110可以包括与车辆100的各种系统通信的各种计算设备,车辆100的各种系统是诸如减速系统160、加速系统162、转向系统164、信号系统166、规划系统168、路线系统170、定位系统172、感知系统174、行为建模系统176和动力系统178(即车辆的引擎或马达),以便根据存储器130的指令132控制车辆100的移动、速度等。
车辆的各种系统可以使用自主车辆控制软件来运行,以便确定如何控制车辆并控制车辆。作为示例,感知系统174的感知系统软件模块可以使用由自主车辆的一个或多个传感器(诸如相机、LIDAR传感器、雷达单元、声纳单元等)生成的传感器数据来检测和识别对象以及对象的特性。这些特性可以包括位置、类型、走向、朝向、速度、加速度、加速度的改变、大小、形状等。在某些实例中,特性可以被输入到行为建模系统176的行为预测系统软件模块中,行为预测系统软件模块使用基于对象类型的各种行为模型输出用于检测的对象的预测的未来行为。在其他实例中,特性可以被输入到一个或多个检测系统软件模块中,诸如配置为检测已知交通信号的状态的交通灯检测系统软件模块、配置为从由车辆的一个或多个传感器生成的传感器数据检测施工区的施工区检测系统软件模块、以及配置为从由车辆的传感器生成的传感器数据检测紧急车辆的紧急车辆检测系统。这些检测系统软件模块中的每一个可以使用各种模型输出施工区或对象是紧急车辆的可能性。检测的对象、预测的未来行为、来自检测系统软件模块的各种可能性、识别车辆环境的地图信息、来自定位系统172的识别车辆的位置和朝向的定位信息、车辆的目的地或节点、以及来自车辆的各种其他系统的反馈可以被输入到规划系统168的规划系统软件模块中。规划系统168可以使用该输入以基于由路线系统170的路线模块生成的路线来生成用于车辆在未来的某短时间段遵循的轨迹。在这方面,轨迹可以定义加速度、减速度、速度等的具体特性,以允许车辆遵循朝着到达目的地的路线。计算设备110的控制系统软件模块可以被配置为控制车辆的移动(例如通过控制车辆的制动、加速和转向)以便遵循轨迹。
计算设备110可以通过控制各种组件来在自主驾驶模式下控制车辆。例如,作为示例,计算设备110可以使用来自详细地图信息和规划系统168的数据完全自主地将车辆导航到目的地位置。计算设备110可以使用定位系统172来确定车辆的位置,并且使用感知系统172来检测对象并且在需要时对对象作出响应,以安全到达该位置。同样,为此,计算设备110和/或规划系统168可以生成轨迹并使车辆遵循这些轨迹,例如,通过使车辆加速(例如,通过由加速系统162向引擎或动力系统178供应燃料或其他能量)、减速(例如,通过减少供应给引擎或动力系统178的燃料、换档和/或通过减速系统160施加制动)、改变方向(例如,通过转向系统164转动车辆100的前轮或后轮)、以及使用信号系统166用信号通知这种改变(例如,通过点亮转向灯)。因此,加速系统162和减速系统160可以是传动系统的部分,传动系统包括车辆的引擎和车辆的车轮之间的各种组件。同样,通过控制这些系统,计算设备110还可以控制车辆的传动系统,以便自主地操纵车辆。
车辆100的计算设备110还可以从其他计算设备(诸如作为运输服务的部分的那些计算设备以及其他计算设备)接收信息或向其传送信息。图4和图5分别是示例系统400的示意图和功能图,示例系统400包括多个计算设备410、420、430、440和经由网络460连接的存储系统450。系统400还包括可以被配置为与车辆100相同或相似的车辆100A和车辆100B。尽管为了简单起见,仅描述了几个车辆和计算设备,但是典型的系统可以包括显著更多的车辆和计算设备。
如图5所示,计算设备410、420、430、440中的每一个可以包括一个或多个处理器、存储器、数据和指令。这样的处理器、存储器、数据和指令可以被配置为类似于计算设备110的一个或多个处理器120、存储器130、数据134和指令132。
网络460和中间图形节点可以包括各种配置和协议,包括短程通信协议,诸如蓝牙、蓝牙LE、互联网、万维网、内联网、虚拟专用网、广域网、局域网、使用一个或多个公司专有的通信协议的专用网络、以太网、WiFi和HTTP、以及前述的各种组合。这样的通信可以由能够向其他计算设备发送数据和从其接收数据的任何设备(诸如调制解调器和无线接口)促进。
在一个示例中,一个或多个计算设备410可以包括具有多个计算设备的一个或多个服务器计算设备(例如负载平衡服务器群),服务器计算设备与网络的不同节点交换信息,目的是从其他计算设备接收数据、处理数据、和向其他计算设备发送数据。例如,一个或多个计算设备410可以包括能够经由网络460与车辆100的计算设备110或车辆100A、100B的类似计算设备以及计算设备420、430、440通信的一个或多个服务器计算设备。例如,车辆100、100A、100B可以是可由服务器计算设备派遣到各个位置的车队的部分。在这方面,服务器计算设备410可以用作车队管理系统,车队管理系统可以用于将诸如车辆100、100A、100B的车辆派遣到不同位置,以便接起和放下乘客。此外,计算设备410可以使用网络460向用户(诸如用户422、432、442)发送信息并将信息呈现在在显示器(诸如计算设备420、430、440的显示器424、434、444)上。在这方面,计算设备420、430、440可以被认为是客户端计算设备。
如图4所示,客户端计算设备420、430中的每一个可以是供用户422、432使用的个人计算设备,并且具有通常与个人计算设备结合使用的所有组件,包括一个或多个处理器(例如,中央处理单元(CPU))、存储数据和指令的存储器(例如,RAM和内部硬盘驱动器)、诸如显示器424、434、444的显示器(例如,具有屏幕的监视器、触摸屏、投影仪、电视机或可操作来显示信息的其他设备)以及用户输入设备426、436、446(例如,鼠标、键盘、触摸屏或麦克风)。客户端计算设备还可以包括用于记录视频流的相机、扬声器、网络接口设备、以及用于将这些元件彼此连接的所有组件。
尽管客户端计算设备420、430中的每一个可以包括全尺寸的个人计算设备,但是它们可以可替代地包括能够通过诸如互联网的网络与服务器无线交换数据的移动计算设备。仅作为示例,客户端计算设备420可以是移动电话或能够经由互联网或其他网络获得信息的设备,诸如支持无线的PDA、平板PC、可穿戴计算设备或系统、或者上网本。在另一个示例中,客户端计算设备430可以是可穿戴计算系统,如图4所示的腕表。作为示例,用户可以使用小型键盘、小键盘、麦克风、利用相机使用视觉信号、或触摸屏来输入信息。作为又一示例,客户端计算设备440可以是包括键盘、鼠标、相机和其他输入设备的桌面计算系统。
每个客户端计算设备可以是由人(例如,人类操作员或用户422、432、442)用来查看和分析由车辆的感知系统(诸如车辆100的感知系统174)生成的传感器数据和其他信息的远程计算设备。例如,用户442可以使用客户端计算设备440来查看如本文所讨论地那样生成的可视化。尽管在图4和图5中仅示出了几个远程计算设备,但是在典型的系统中可以包括任何数量的这样的工作站。
与存储器130一样,存储系统450可以是能够存储可由服务器计算设备410访问的信息的任何类型的计算机化存储装置,诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写存储器和只读存储器。此外,存储系统450可以包括分布式存储系统,其中,数据被存储在多个不同的存储设备上,这些存储设备可以物理地位于相同或不同的地理位置。存储系统450可以经由如图4和图5所示的网络460连接到计算设备,和/或可以直接连接到或结合到计算设备110、410、420、430、440等中的任何一个中。
存储系统450可以存储如下文更详细描述的各种类型的信息。该信息可以由诸如一个或多个服务器计算设备410的服务器计算设备检索或以其他方式访问,以便执行本文描述的一些或所有特征。例如,存储系统450可以存储日志数据。该日志数据可以包括由诸如车辆100的车辆的各种系统在车辆在手动驾驶模式或自主驾驶模式下操作时生成的数据。例如,日志数据可以包括由诸如车辆100的感知系统174的感知系统生成的传感器数据。作为示例,传感器数据可以包括原始传感器数据以及识别感知对象的定义特性(诸如比如车辆、行人、骑自行车的人、植被、路缘、车道线、人行道、人行横道、建筑物等的对象的诸如形状、位置、朝向、速度等)的数据。
当自主车辆在四周驾驶时,自主车辆的各种系统可以检测和识别对象,诸如停车的或缓慢移动的车辆。例如,当对象被分类为车辆时,停车车辆分类器可以用于确定车辆是已停车还是暂时停止(例如,由于诸如红灯或停止标志的交通状况)并添加适当的标记。在这方面,存入数据的传感器数据还可以识别对已停车或停止的车辆的观察。附加或可替代地,存入数据可以由能够验证车辆和/或向车辆添加标记的人类操作员查看。
日志数据还可以包括识别不同类型的事件的“事件”数据,不同类型的事件是诸如与其他对象的碰撞或几乎碰撞、描述为车辆的潜在路径规划的几何形状和/或速度的规划轨迹、车辆在不同时间的实际位置、车辆在不同时间的实际朝向/走向、车辆在不同时间的实际速度、加速度和减速度、对感知对象的分类和响应、感知对象的行为预测、在不同时间的包括存入的错误的车辆的各种系统(诸如加速、减速、感知、转向、信号、路线、规划、功率等)的状态、在不同时间的车辆的各种系统的输入和输出等。
因此,事件和传感器数据可用于“重建”车辆环境,包括感知对象和车辆在模拟中的行为。在一些实例中,日志数据可以用识别自主车辆的行为的信息(诸如经过、车道变换、并道等)以及识别日志数据中其他因素(agent)或对象的行为的信息(诸如经过或超车自主车辆、车道变换、并道等)来注释。附加或可替代地,可以模拟“日志数据”,即可以由人类操作员创建“日志数据”,而不是根据在世界中驾驶的真实车辆生成。
服务器计算设备410可以使用日志数据来运行模拟。这些模拟可以是基于日志的模拟,其使用在车辆接近目的地时由车辆在某个短时间段内收集的实际日志数据或模拟日志数据运行。同时,将实际车辆替换为可以使用自主车辆控制软件做出决策的虚拟或模拟自主车辆。通过使用模拟,可以严格评价自主车辆控制软件。
日志数据和/或基于实际或模拟的日志数据的模拟的结果可以包括由自主车辆控制软件选择的识别的靠边停车位置或以其他方式与由自主车辆控制软件选择的识别的靠边停车位置相关联。在这方面,存储系统450也可以存储该信息。在一些实例中,实际或模拟车辆可能由于某些情况(诸如在靠边停车位置中的遮挡的对象等)而实际上无法在识别的靠边停车位置停止。在这样的情况下,识别的靠边停车位置可以用于评价目的,即使它不是实际或模拟车辆的“真实”靠边停车位置。
示例方法
除了上述和图中所示的操作之外,现在将描述各种操作。应当理解,以下操作不必按照下面描述的精确顺序执行。相反,可以以不同的顺序或同时处理各个步骤,也可以添加或省略步骤。
图11是用于识别可停车区域的示例流程图1100,其可以由一个或多个计算设备的一个或多个处理器执行,诸如服务器计算设备410的处理器或客户端计算设备420、430、440中的任何一个的处理器。在框1110,从存入数据识别对停车车辆的观察。
如上所述,当诸如车辆100、100A、100B的自主车辆在四周驾驶时,自主车辆的各种系统可以检测和识别诸如停车或缓慢移动的车辆的对象。例如,当对象被分类为车辆时,停车车辆分类器可以用于确定车辆是停车还是暂时停止(例如,由于诸如红灯或停止标志的交通状况)并添加适当的标记。附加或可替代地,存入数据可以由能够验证车辆和/或向车辆添加标记的人类操作员查看。
在某些情况下,可以分析存入数据以做出某些确定。例如,每次检测的对象被识别或标记为停车的车辆时,这可能被视为对停车的车辆的“观察”。此外,还可以使用对空车道的观察(即观察到没有停车车辆的车道),以便能够计算给定车道被看到是占据的与被看到是空的的时间百分比。
图6表示可能已经由车辆100的各种系统在与地图信息200的地理区域对应的地理区域中捕获的日志数据600的示例。在这方面,还描绘了地图信息200以供参考。在该示例中,日志数据600包括识别各种检测的对象以及那些对象的特性(例如,位置、类型、走向、朝向、速度、加速度、加速度的改变、大小、形状等)的信息。因此,日志数据600识别对象610、620、630、640以及这些对象中的每个对象的上述特征和诸如行为预测等的其他信息。在该示例中,这些对象中的每个对象可以与将对象识别为停车的车辆的标记相关联。因此,这些对象中的每个对象可以被认为是如上所述的对停车的车辆的“观察”。此外,这些对象中的每个对象可以通过由感知系统174生成的一个或多个边界框来表示。
在一些实例下,这些边界框可以由车辆的计算设备或在离线过程中(例如在服务器计算设备处)使用各种平滑和过滤技术(诸如在美国专利第8736463号中描述的那些技术,该专利通过引用并入本文)进行调整或细化,这涉及通过调整边界框的参数(包括走向、定位、朝向和维度中的至少一个)来尝试增加或最大化干扰的数据点沿边界框边缘的平均密度。因此,这可以改进边界框的维度以及停车车辆的姿势(定位和朝向)。这可能导致对停车车辆的假正例和可能的假负例的分类的识别。
传感器数据可以包括LIDAR数据点、相机图像、雷达图像和/或由其他类型的传感器生成的传感器数据。日志数据还可以识别对应于地图信息的特征的附加检测对象,诸如车道标记或车道线210、212、214、车道220、222、路肩区域230和路缘232。
在一些情况下,服务器计算设备410可以丢弃不同自主车辆在大约同一时间对同一停车车辆的重复观察。例如,如果车辆100和车辆100B二者将在某短时间段(诸如几分钟或更多或更少)内驾驶通过地图信息200的区域,则对针对这些车辆之一的对象610、620、630、640的观察可能被丢弃。
返回到图11,在框1120,观察是用于确定道路图的边缘的子部分是否对应于可停车区域,其中,边缘定义了道路图中的可驾驶区域。为了确定车辆是否已被观察到在各种特征处停车或邻近各种特征停车,那么可以分析给定地理区域内的观察以确定车辆是否已被观察到在道路图中的各种特征(例如,边缘)处停车或邻近在道路图中的各种特征停车。该分析可以包括服务器计算设备410审查与每个边缘的子部分邻近的区域并且对这些区域进行分类或标记。作为示例,边缘可以被细分为两个或更多个子部分,诸如距边缘的起始处0.2米、距边缘的起始处0.2到0.4米、距边缘的起始处0.4到0.6米等。分割边缘可以在对可停车区域的识别中提供更有用的粒度(例如,并非所有边缘可以与完全可停车区域邻近,并且并非所有可停车区域可以是相同长度的)。
与由停车的车辆(例如,检测到并分类为停车的车辆)占据的子部分直接邻近的区域可以被识别为可停车区域。例如,对于对停车车辆的每个观察,服务器计算设备可以识别边缘的最近子部分。可以放置对于在对停车车辆的观察与最近边缘(或车道中心)之间的距离的限制或阈值,诸如50米或更多或更少。超过此阈值,对停车车辆的观察将不与任何车道或边缘的任何子部分相关联,因此可能被丢弃(可能地作为假正例),尽管这在较多城市地区可能没有必要。
图7提供了地图信息200的边缘的子部分的示例表示。在该示例中,为了简单和易于理解,每个边缘被划分成两个子部分,尽管也可以使用显著更多的子部分,以便在分析中提取更好的粒度。边缘S-Z中的每个边缘被划分为子部分,产生子部分701-715。作为示例,边缘240被细分为子部分701和子部分702,边缘242被细分为子部分703和子部分704,等等。子部分被描绘成邻近边缘只是为了便于表示。
图8相对于日志数据600描绘了图7的子部分702-715。使用该示例,边缘S-Z的子部分的“左方”和“右方”区域可以由服务器计算设备410分析。在这方面,服务器计算设备410可以在车道222以及路肩区域230二者中寻找对停车车辆的观察。在该示例中,对被标记为停车车辆的对象610、620、630、640的观察被分析,以确定子部分703-713中的每个子部分在日志数据600被捕获的时间被停车车辆(至少部分地)占据,因此是“可停车的”或更确切地说,是可停车区域。尽管本文中的示例涉及分析仅来自单个车辆的日志数据的观察,但是来自多个车辆的观察可以被一起聚合和分析。
此外,虽然这里的示例描述了仅使用车道220中的边缘对日志数据的分析,但是类似的过程也可能发生在地图信息中的其他边缘,诸如车道222中的那些边缘(未描绘)。在这方面,服务器计算设备410可以在车道220(车道222下方)以及车道222上方的区域二者中寻找对停车车辆的观察。
此外,与可停车区域邻近的子部分可以被“分组”以更具体准确地识别哪些区域可停车的。在这方面,转到描绘日志数据、地图信息和附加数据的图9的示例,与子部分703-715邻近的区域可以一起被分组为单个、更大的可停车区域900。
服务器计算设备410可以进一步分析观察,以便确定细节,诸如观察是与边缘的左方或右方邻近、沿着边缘(例如在车道的中心)还是在方向相反的两个边缘之间(例如在两个交通车道之间);给定子部分的可停车区域的宽度(例如,等于或基于观察的车辆的宽度);给定子部分的可停车区域距车道的中心的偏移(例如最近的道路图边缘);停车的小汽车相对于边缘的角度(例如平行或垂直);车辆是否倒进以及车辆倒进的百分比;给定子部分的可停车区域被占据或未被占据的时间百分比(可以通过在不同时间段(诸如一天中的不同时间、工作日与周末等)对该信息进行分桶(bucketizing)来以进一步的粒度描述);给定子部分的可停车区域是否被指定用于特定类型的车辆(例如指定用于公共汽车或通过寻找“出租车”标志、颜色特性等而指定用于出租车);附近是否有可能描述停车限制的标志;与给定子部分邻近的路缘的颜色;维度(例如观察的停车车辆的长度和宽度)等。
对观察的分析可以用于确定关于给定子部分的可停车区域的附加细节。对于给定的地理区域,这可以包括可停车的区域的百分比、可停车区域距车道中心的平均偏移、角度和方向(例如,车辆将前进驶入还是倒进驶入)等。除了从观察中收集该信息之外,对观察的分析还可以用于做出关于可停车区域的预测,诸如在任何给定时间处可能可用的可停车区域的百分比。
返回到图11,在框1130,基于确定边缘的子部分是否对应于可停车区域来生成地图信息。上面描述的分类、细节和附加细节可以以任何数量的不同方式使用。在一些实例中,服务器计算设备410可以使用细节和附加细节来将注释添加到地图信息(例如道路图),并且带注释的地图信息可以用于如下所述的任何数量的不同目的。注释可以包括细节和附加细节,诸如,像给定子部分的可停车区域的宽度(例如,等于观察的车辆的宽度或基于其确定);给定子部分的可停车区域距车道的中心的偏移(例如最近的道路图边缘);停车的小汽车相对于边缘的角度(例如平行或垂直);车辆是否倒进以及车辆倒进的百分比;给定子部分的可停车区域被占据或未被占据的时间百分比(可以通过在不同时间段(诸如一天中的不同时间、工作日与周末等)对该信息进行分桶来以进一步的粒度描述);给定子部分的可停车区域是否被指定用于特定类型的车辆(例如指定用于公共汽车或通过寻找“出租车”标志、颜色特性等而指定用于出租车);附近是否有可能描述停车限制的标志;与给定子部分邻近的路缘的颜色;维度(例如观察的停车车辆的长度和宽度)、可停车的区域的百分比、可停车区域距车道中心的平均偏移、角度和方向(例如,车辆将前进驶入还是倒进驶入)等。
可停车区域的偏移和宽度可以用于确定2D多边形。图10是带注释的地图信息200’的示例,包括表示为与图8和图9中描绘的观察的区域对应的2D多边形的可停车区域250。
作为注释地图信息的附加或替代,可以使用观察、细节和附加细节来训练模型。模型可以是机器学习模型,其采用道路图的嵌入或道路图的部分的矢量化表示,并输出道路图特征(例如边缘)的列表以及识别这些道路图特征是或不是与可停车区域邻近的可能性的值。该模型可以由自主车辆的计算设备离线或实时使用,用于以下进一步描述的任何数量的不同目的。
可以使用作为训练输出的上述观察和作为训练输入的道路图的对应部分来训练模型。在一些实例中,上述分析的结果也可以用作训练输出。因此,可以使用高置信度的历史数据来训练模型。
在一个示例中,可以使用无监督技术通过做出关于可停车区域的假设来执行训练。例如,如果在考虑到附近车道的情况下频繁有小汽车在车道上停车,则该车道可能被认为是“可停车的”。这可以减少在转弯车道、中间车道、交叉路口等地方中的错误的停车小汽车的检测的可能性。作为另一个示例,如果沿着车道的区域中有停车不少于某个时间百分比(诸如10%或更多或更少)的车辆,则可以将该区域视为车道中停车最多的部分。这种类型的训练可能涉及利用无监督(基于超参数的)聚类算法,该算法涉及分割、自然间断优化或具有基于阈值的分类的核密度估计(Kernel Density Estimation)。
在许多实例中,在几天中的某些时间或一周中的某些天,可能几乎没有或根本没有对停车的车辆的观察。可以使用各种技术来推断看不见的区域或几乎没有观察的区域中的可停车区域。作为一个示例,该模型可以在可用数据上进行训练,然后用于对缺失数据进行预测(对于未观察的车道和/或在某些天/小时中的一者)。
可以以各种方式使用前述带注释的地图信息和/或模型的输出。在这方面,带注释的地图信息和/或模型的输出可以被发送到或以其他方式下载到自主车辆的存储器以供自主车辆的各种系统使用。作为示例,可以由服务器计算设备410经由网络460,将带注释的地图信息作为地图更新提供给自主车辆的车队中的车辆的计算设备,诸如车辆100、100A、100B的计算设备110。
例如,带注释的地图信息和/或模型的输出可以被服务器计算设备410和/或自主车辆的计算设备用来识别在还没有任何观察或几乎没有观察的位置中的可停车区域。作为示例,可以将道路图特征输入到上述模型中,以便提供关于在各个区域中停车的可用性的合理的猜测。得知可能的停车区域在哪里,可以协助自主车辆的行为建模系统生成识别车辆是否停车的行为预测,例如,作为对上述停车车辆分类器的检查或补充,以减少对停车或非停车的车辆的假正例检测。
类似地,该信息可能对改进由自主车辆的计算设备通过自主车辆的感知系统(诸如车辆100的感知系统174)确定另一个车辆是否参与停车的动作有用。这可能在有另一个车辆直接在车辆100正前方的平行停车情形下尤其有用。这进而可以改进车辆100对参与停车的动作的车辆作出反应的能力。
在其他实例中,该信息可以用于由自主车辆的路线系统做出路线引导决策。例如,路线系统170可以惩罚车辆将必须沿着两侧都有停车的道路(例如狭窄的道路)驾驶的路线。例如,如果路线系统170基于车道宽度对狭窄车道进行分类但得知预期会有平行停车的小汽车,则路线系统可以从可驾驶的车道宽度中减去潜在平行停车的小汽车的宽度,以及惩罚(给出更高的成本)具有特定维度或更小的宽度的道路图中的边缘(例如,两个车辆难以同时经过的地方)。此外,识别潜在较窄的车道可以用于改进穿越这样的区域的估计的时间,因为自主车辆将典型地降低其速度以提高安全性。
自主车辆的规划系统可以在规划轨迹时使用该信息。例如,车辆100的规划系统168可以使用该信息来规划轨迹的几何形状,以便针对遮挡区域定位车辆。作为示例,停车的车辆可能遮挡它们前面的区域,这可能导致自主车辆无法检测其他车辆是否在那里停车,或者无法检测狭窄通道中或弯道周围的迎面而来的交通。在这方面,在这样的情形下,规划系统可以规划避开可能导致这样的情形的某些道路的轨迹,或者路线系统可以规划避开可能导致这样的情形的某些道路的路线。作为另一个实例,规划系统168可以通过惩罚在邻近停车的小汽车的车道中驾驶的那些车辆来规划轨迹,或者路线系统170可以通过惩罚在邻近停车的小汽车的车道中驾驶的那些车辆来规划路线。
计算设备410或其他计算设备(例如派遣系统的计算设备)也可以使用该信息来做出关于接起和放下位置的决策。例如,当建议行程位置时,预期几乎没有停车可用性的区域附近的位置可能被指示为不太期望或不可用。作为另一个示例,得知通常不可停车的一些区域在特定时间是可停车的(例如上面描述的示例)可以更好地允许自主车辆在它准备好靠边停车时找到停车的位置,以接起或放下乘客或货物,或只是在行程之间等待。
本文描述的特征可以允许识别可停车区域,该可停车区域不一定是被定义的,而是由人决定在特定时间在这样的区域停车。换言之,本文描述的特征允许识别可停车区域,该可停车区域不一定由城市地图、停车数据库等定义。
除非另有说明,否则前述替代示例并不相互排斥,而是可以以各种组合来实现,以实现独特的优点。由于在不脱离由权利要求所限定的主题的情况下,可以利用上述特征的这些和其他变化和组合,所以前面对实施例的描述应该通过说明的方式进行理解,而不是通过限制由权利要求所限定的主题进行理解。此外,对本文描述的示例的提供,以及措辞为“诸如”、“包括”等的分句不应该被解释为将权利要求的主题限制到特定示例;相反,这些示例旨在仅说明多种可能实施例之一。此外,不同附图中的相同附图标记可以标识相同或相似的元素。
Claims (20)
1.一种识别可停车区域的方法,该方法包括:
由一个或多个处理器从存入数据识别对停车车辆的观察;
由一个或多个处理器使用观察来确定道路图的边缘的子部分是否对应于可停车区域,其中,所述边缘定义了道路图中的可驾驶区域;以及
由一个或多个处理器基于对边缘的子部分是否对应于可停车区域的确定来生成地图信息。
2.如权利要求1所述的方法,还包括使用观察来确定边缘的第二子部分是否对应于第二可停车区域。
3.如权利要求1所述的方法,还包括进一步分析观察以确定可停车区域是否在边缘的左方。
4.如权利要求1所述的方法,还包括进一步分析观察以确定可停车区域是否沿着边缘。
5.如权利要求1所述的方法,还包括进一步分析观察以确定可停车区域是否在边缘和道路图的第二边缘之间。
6.如权利要求1所述的方法,还包括进一步分析观察以确定可停车区域的宽度。
7.如权利要求1所述的方法,还包括进一步分析观察以确定可停车区域被车辆占据的时间百分比。
8.如权利要求1所述的方法,还包括进一步分析观察以确定可停车区域在多个不同时间段期间可用的可能性。
9.如权利要求1所述的方法,还包括使用观察来训练机器学习模型以提供可停车区域在未来某时间点被占据的可能性。
10.如权利要求9所述的方法,还包括进一步分析观察以确定可停车区域被车辆占据的时间百分比,并使用该时间百分比来训练模型。
11.如权利要求9所述的方法,还包括将模型提供给自主车辆以使自主车辆能够使用模型来做出驾驶决策。
12.如权利要求1所述的方法,还包括使用地图信息来识别用于车辆停止和接起或放下乘客或货物的潜在位置。
13.一种用于识别可停车区域的系统,该系统包括:
存储器,存储存入数据;以及
一个或多个处理器,被配置为:
从存储的存入数据识别对停车车辆的观察;
使用观察来确定道路图的边缘的子部分是否对应于可停车区域,其中,所述边缘定义了道路图中的可驾驶区域;以及
基于对边缘的子部分是否对应于可停车区域的确定来生成地图信息。
14.如权利要求13所述的系统,其中,所述一个或多个处理器还被配置为使用观察来确定边缘的第二子部分是否对应于第二可停车区域。
15.如权利要求13所述的系统,其中,所述一个或多个处理器还被配置为进一步分析观察以确定可停车区域是否在边缘和道路图的第二边缘之间。
16.如权利要求13所述的系统,其中,所述一个或多个处理器还被配置为进一步分析观察以确定可停车区域被车辆占据的时间百分比。
17.如权利要求13所述的系统,其中,所述一个或多个处理器还被配置为进一步分析观察以确定可停车区域在多个不同时间段期间可用的可能性。
18.如权利要求13所述的系统,其中,所述一个或多个处理器还被配置为将地图信息提供给自主车辆以使自主车辆能够使用地图信息来做出驾驶决策。
19.如权利要求13所述的系统,其中,所述一个或多个处理器还被配置为使用观察来训练机器学习模型以提供可停车区域在未来某时间点被占据的可能性。
20.如权利要求13所述的系统,其中,所述一个或多个处理器还被配置为使用地图信息来识别用于车辆停止和接起或放下乘客或货物的潜在位置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/236,693 US20220343763A1 (en) | 2021-04-21 | 2021-04-21 | Identifying parkable areas for autonomous vehicles |
US17/236,693 | 2021-04-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115214625A true CN115214625A (zh) | 2022-10-21 |
Family
ID=81306728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210423931.7A Pending CN115214625A (zh) | 2021-04-21 | 2022-04-21 | 识别自主车辆的可停车区域 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220343763A1 (zh) |
EP (1) | EP4080164A1 (zh) |
CN (1) | CN115214625A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220348218A1 (en) * | 2021-05-03 | 2022-11-03 | Nissan North America, Inc. | System and method of curb management for a vehicle |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101188588B1 (ko) * | 2008-03-27 | 2012-10-08 | 주식회사 만도 | 모노큘러 모션 스테레오 기반의 주차 공간 검출 장치 및방법 |
WO2010132677A1 (en) * | 2009-05-13 | 2010-11-18 | Rutgers, The State University | Vehicular information systems and methods |
US9195953B2 (en) * | 2011-08-16 | 2015-11-24 | Walk Score Management LLC | System and method for the calculation and use of travel times in search and other applications |
US8736463B1 (en) | 2012-01-30 | 2014-05-27 | Google Inc. | Object bounding box estimation |
DE102012201472A1 (de) * | 2012-02-01 | 2013-08-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen |
US9449236B2 (en) * | 2013-11-04 | 2016-09-20 | Xerox Corporation | Method for object size calibration to aid vehicle detection for video-based on-street parking technology |
EP3417439A4 (en) * | 2016-02-21 | 2020-02-19 | Hi-Park Solutions Ltd. | DYNAMIC ARTICLE MAPPING METHOD AND SYSTEM |
US10681513B2 (en) * | 2016-10-20 | 2020-06-09 | nuTonomy Inc. | Identifying a stopping place for an autonomous vehicle |
US10078790B2 (en) * | 2017-02-16 | 2018-09-18 | Honda Motor Co., Ltd. | Systems for generating parking maps and methods thereof |
US20180349792A1 (en) * | 2017-05-31 | 2018-12-06 | Here Global B.V. | Method and apparatus for building a parking occupancy model |
US20190066515A1 (en) * | 2017-08-22 | 2019-02-28 | Waymo Llc | Estimating time to pick up and drop off passengers for improved stopping analysis in autonomous vehicles |
WO2019046828A1 (en) * | 2017-09-01 | 2019-03-07 | Fuchs Gil Emanuel | SYSTEM AND METHOD FOR ROUTING A MULTIMODAL VEHICLE WITH VEHICLE PARKING |
US20190155283A1 (en) * | 2017-11-17 | 2019-05-23 | Waymo Llc | Determining pullover locations for autonomous vehicles |
US10793123B2 (en) * | 2018-10-04 | 2020-10-06 | Waymo Llc | Emergency braking for autonomous vehicles |
DK180774B1 (en) * | 2018-10-29 | 2022-03-04 | Motional Ad Llc | Automatic annotation of environmental features in a map during navigation of a vehicle |
RU2749650C1 (ru) * | 2018-12-21 | 2021-06-16 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и сервер для формирования рекомендаций по парковке, отображаемых на электронном устройстве |
US11035685B2 (en) * | 2018-12-28 | 2021-06-15 | Zenuity Ab | Route planning algorithm for efficiently searching through meaningful links within a defined topology |
US11550324B2 (en) * | 2019-09-30 | 2023-01-10 | Zoox, Inc. | Parking zone detection for vehicles |
US11409292B2 (en) * | 2020-03-24 | 2022-08-09 | Here Global B.V. | Method, apparatus, and computer program product for generating a map of road links of a parking lot |
KR20210121595A (ko) * | 2020-03-30 | 2021-10-08 | 삼성전자주식회사 | 최적 경로 탐색 장치 및 이의 동작 방법 |
US20220135077A1 (en) * | 2020-10-29 | 2022-05-05 | Waymo Llc | Increasing awareness of passengers during pullovers and drop offs for autonomous vehicles |
US20220180214A1 (en) * | 2020-12-09 | 2022-06-09 | Here Global B.V. | Method, apparatus, and system for providing semantic categorization of an arbitrarily granular location |
US20220222597A1 (en) * | 2021-01-12 | 2022-07-14 | Waymo Llc | Timing of pickups for autonomous vehicles |
-
2021
- 2021-04-21 US US17/236,693 patent/US20220343763A1/en active Pending
-
2022
- 2022-04-08 EP EP22167486.4A patent/EP4080164A1/en active Pending
- 2022-04-21 CN CN202210423931.7A patent/CN115214625A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220348218A1 (en) * | 2021-05-03 | 2022-11-03 | Nissan North America, Inc. | System and method of curb management for a vehicle |
Also Published As
Publication number | Publication date |
---|---|
US20220343763A1 (en) | 2022-10-27 |
EP4080164A1 (en) | 2022-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110036425B (zh) | 用于操纵车辆的方法和系统以及非暂时性计算机可读介质 | |
US9612123B1 (en) | Adaptive mapping to navigate autonomous vehicles responsive to physical environment changes | |
US20220105959A1 (en) | Methods and systems for predicting actions of an object by an autonomous vehicle to determine feasible paths through a conflicted area | |
US11804136B1 (en) | Managing and tracking scouting tasks using autonomous vehicles | |
CN113692373B (zh) | 自动驾驶车辆服务的滞留和范围分析 | |
US11774259B2 (en) | Mapping off-road entries for autonomous vehicles | |
US11947356B2 (en) | Evaluating pullovers for autonomous vehicles | |
US11885639B2 (en) | Generating scouting objectives | |
US11788854B1 (en) | Assessing the impact of blockages on autonomous vehicle services | |
CN112955362A (zh) | 评估自主车辆的乘坐质量 | |
US11643105B2 (en) | Systems and methods for generating simulation scenario definitions for an autonomous vehicle system | |
US20240083458A1 (en) | Using simulations to identify differences between behaviors of manually-driven and autonomous vehicles | |
US20210390225A1 (en) | Realism in log-based simulations | |
US20230031130A1 (en) | Open door reconstruction for sensor simulation | |
EP4080164A1 (en) | Identifying parkable areas for autonomous vehicles | |
CN117416344A (zh) | 自主驾驶系统中校车的状态估计 | |
US11685408B1 (en) | Driving difficulty heat maps for autonomous vehicles | |
US20220413510A1 (en) | Targeted driving for autonomous vehicles | |
CN113928335A (zh) | 用于控制具有自主驾驶模式的车辆的方法和系统 | |
US20230015880A1 (en) | Using distributions for characteristics of hypothetical occluded objects for autonomous vehicles | |
US20220406192A1 (en) | Testing a scheduling system for autonomous vehicles using simulations | |
US20230326335A1 (en) | Wrong-way driving modeling | |
US20230242158A1 (en) | Incorporating position estimation degradation into trajectory planning for autonomous vehicles in certain situations | |
US20240190452A1 (en) | Methods and systems for handling occlusions in operation of autonomous vehicle | |
CN117416343A (zh) | 自动驾驶系统中对校车的活跃状态估计与响应 |
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 |