CN115718302A - 使用LiDAR数据进行的用于自主机器应用的对象跟踪 - Google Patents

Abstract

在各种示例中，障碍物检测器能够使用LiDAR数据跟踪检测到的对象或障碍物的速度状态。例如，仅使用LiDAR数据，可以使用迭代最近点(ICP)算法来确定当前帧的检测对象的当前状态，并且可以使用卡尔曼滤波器来维持随着时间的推移一个或更多个检测到的对象的跟踪状态。障碍物检测器可以被配置为估计一个或更多个检测到的对象的速度，将估计的速度与先前检测到的对象的一个或更多个先前跟踪状态进行比较，确定检测到的对象对应于某个先前检测到的对象，并针对具有估计的速度的先前检测到的对象更新跟踪状态。

Description

使用LiDAR数据进行的用于自主机器应用的对象跟踪

背景技术

光检测和测距(LiDAR)可用于以高精度检测对象。例如，LiDAR传感器测量激光(或其他源)从对象返回的时间，这些测量值的累积可用于生成指示LiDAR传感器的传感场或视场中对象的三维(3D)点云。因此，LiDAR传感器的每次扫描可用于生成3D点云，该点云是在时间上对来自LiDAR传感器的读数的单次捕获，并且后续的LiDAR扫描可按时间间隔分开。在一个示例应用领域中，LiDAR传感器用于自主或半自主车辆和其他机器类型，以检测靠近LiDAR传感器并延伸到车辆或机器附近的潜在对象。例如，LiDAR传感器可用于以高精度识别与环境中的对象相对应的边界形状。然而，由于许多类型的LiDAR传感器不捕获速度信息，因此从LiDAR数据生成的边界形状通常没有速度信息。如果没有速度信息，这些边界形状传统上不用于控制车辆。例如，当自我机器向前移动时，当一个对象出现在自我机器前面的某个距离处时，如果该对象正朝着自我机器移动，而不是如果该对象是远离自我机器(例如，以与自我机器相同或更高的速度)。因此，由于缺乏速度信息，传统上需要速度信息的替代来源，以便收集有关对象运动的足够信息，以做出准确可靠的控制决策。

简要概述

本公开的实施例涉及至少部分地通过用于自主机器应用(例如自主或半自主车辆或机器和/或机器人平台)的LiDAR数据的对象跟踪。公开了通过估计速度并将估计的速度与一个或更多个跟踪对象状态进行比较来识别和跟踪对象的系统和方法。基于该比较，某个跟踪对象状态被识别为对应于特定对象并且用新估计的速度数据进行更新。

与这些传统方法相比，当前的系统和方法能够使用LiDAR数据跟踪检测到的对象或障碍物的速度状态。例如，仅使用LiDAR数据，迭代最近点(ICP)算法可用于确定当前帧检测到的对象的当前状态，并且卡尔曼滤波器可用于维持随着时间的推移检测到的一个或更多个对象的跟踪状态。本公开的实施例包括一种系统，其被配置为估计一个或更多个检测到的对象的速度，将估计的速度与先前检测到的对象的一个或多个先前跟踪状态进行比较，确定检测到的对象对应于某个先前检测到的对象，并更新具有估计的速度的先前检测到的对象的跟踪状态。在这样的布置中，在每次LiDAR扫描期间，系统可以将每个检测到的对象与来自先前LiDAR扫描检测到的对象相关联，并更新关于那些检测到的对象的已知信息。可以使用使用例如卡尔曼滤波器生成的概率分布函数(PDF)来表示每个检测到的对象的跟踪状态，其中PDF表示对于检测到的对象速度的概率(和/或使用速度确定的环境内的位置)。随着系统分析对应于后续帧的新数据，跟踪状态可以随着时间而被改进。

附图说明

下面参考附图详细描述用于使用LiDAR数据进行对象跟踪的用于自主机器应用的本系统和方法，其中：

图1A是示出根据本公开的一些实施例的对象跟踪系统的数据流程图；

图1B是示出根据本公开的一些实施例的用于对象跟踪的过程的时间流程图；

图2A是根据本公开的一些实施例的在时间T1的第一组LiDAR数据的图形表示，示出了用于跟踪的对象；

图2B是根据本公开的一些实施例的在T1之后的时间T2的第二组LiDAR数据的图形表示，示出了用于跟踪的对象的更新位置；

图3是根据本公开的一些实施例的对应于检测到的对象的速度的概率分布的图形表示；

图4是示出根据本公开的一些实施例的自车辆经过停放车辆以及自我车辆如何检测停放车辆的图示；

图5A是根据本公开的一些实施例的示例自主车辆的图示；

图5B是根据本公开的一些实施例的图5A的示例自主车辆的相机位置和视野的示例；

图5C是根据本公开的一些实施例的图5A的示例自主车辆的示例系统架构的框图；

图5D是根据本公开的一些实施例的基于云的服务器和图5A的示例自主车辆之间的通信的系统图；

图6是适用于实现本公开的一些实施例的示例计算设备的框图；以及

图7是适用于实现本公开的一些实施例的示例数据中心的框图。

具体实施方式

公开了与通过使用LiDAR数据进行对象跟踪有关的系统和方法。虽然本公开可以关于示例自主车辆500(本文中也称为“车辆500”或“自我机器500”，其示例在本文中关于图5A-5D进行描述)进行描述，这不旨在是限制性的。例如，本文描述的系统和方法可以由但不限于非自主车辆、半自主车辆(例如，在一个或更多个自适应驾驶员辅助系统(ADAS)中)、驾驶和非驾驶机器人或机器人使用平台、仓库车辆、越野车辆、连接到一个或更多个拖车的车辆、飞行器、船只、穿梭车、应急响应车辆、摩托车、电动或机动自行车、飞机、工程车辆、水下航行器、无人机和/或其他车辆类型。此外，尽管本公开可以关于通过自主车辆中的LiDAR数据进行的对象跟踪进行描述，但这并不旨在是限制性的，并且本文描述的系统和方法可用于增强现实、虚拟现实、混合现实、机器人技术、安全和监视、自主或半自主机器应用，和/或可能使用安全应用的任何其他技术空间。

本公开的实施例涉及在各种应用中至少部分地通过LiDAR数据跟踪对象——例如自主或半自主机器应用。例如，一个或更多个LiDAR传感器可以生成代表其视野或感觉场的3D LiDAR数据——例如，LiDAR数据可以表示标准球面投影或其他投影类型。LiDAR传感器可以连续生成LiDAR数据，从而生成多组LiDAR数据——每组都表示LiDAR传感器的单次扫描或旋转。LiDAR数据集可以按时间间隔分开，并且本公开的实施例可以使用第一(例如，当前)LiDAR数据集并将其与指示一个或更多个先前LiDAR数据集的跟踪状态进行比较，如本文所述。

在初始状态，系统可以接收使用与自主或半自主车辆或其他机器相关联的一个或更多个LiDAR传感器生成的LiDAR数据(例如，以3D点云的形式)。基于LiDAR数据，系统可以识别一个或更多个对象——例如，通过检测LiDAR数据中与每个对象相对应的边界。在这个初始状态，系统可能没有关于哪些对象(如果有的话)正在移动的信息(如果是这样，这种移动的速度和方向)。为了解决这种信息的缺乏，系统可以为最初为空的对象创建速度跟踪状态。在随后的LiDAR数据生成期间，系统可以估计和改进检测到的一个或更多个对象的速度跟踪状态。

在本公开的实施例中，系统可以至少部分地基于当前对象检测、一个或更多个在先前的LiDAR扫描期间检测到的先前对象检测，以及各个LiDAR扫描之间的时间间隔之间的比较确定在后续的扫描中(“当前对象检测”)检测到的对象的估计的速度。因此，当前对象检测可以具有一个以上的估计的速度，该估计的速度基于当前检测可与之比较的先前扫描中的一个或更多个先前对象检测。在当前对象检测的位置和先前对象检测的位置之间，可以计算经过的距离(基于这两个位置之间的物理距离)。也可以应用坐标转换——例如，到当前帧的当前坐标系——以便经过的距离考虑到在扫描之间的LiDAR传感器的自我运动(例如，自我机器在连续LiDAR扫描之间的运动)。然后可以基于LiDAR传感器扫描之间的时间间隔，将经过的距离除以当前对象检测和先前对象检测之间的经过时间，以计算估计的速度。估计的速度可以包括大小分量和/或方向分量。

在本公开的实施例中，系统可以将每个估计的速度与针对该估计的速度的对应的先前对象检测进行比较。例如，每个先前对象检测可以具有速度跟踪状态(或更普遍地跟踪对象状态)，其指示随着时间改进的先前对象检测的估计的速度(如果有的话)。该比较可以在来自先前扫描的第一对象边界和当前扫描的第二对象边界之间进行。该比较可以使用迭代最近点(ICP)算法来执行，该算法可以为对应于各个对象边界的LiDAR数据提供离散比较点。然后，系统可以使用从跟踪状态确定的对象的概率分布函数(“PDF”)来确定估计的速度与对应的先前检测到的对象的似然度。

在本公开的实施例中，系统可以至少部分地基于每个估计的速度与其对应的先前检测到的对象的比较来确定先前检测到的对象之一具有对应于当前对象的最高概率。最初，为了减少计算和运行时间，系统可以确定用于比较的最小阈值——例如，使用马氏距离。例如，如果对于特定对象的估计的速度超过关于PDF的最小阈值，则系统可以将特定对象从考虑中移除。对于剩余的对象，可以使用成本函数将估计的速度与PDF进行比较，该成本函数表示当前检测到的对象对应于一个或更多个先前检测到的对象的似然度。然后系统可以评估成本函数并确定将当前速度与哪个对象(如果有的话)相关联，以更新对应于相关对象的跟踪状态。

在本公开的实施例中，系统可以更新与具有与当前对象检测对应的最高概率的先前对象检测对应的跟踪对象状态，以生成更新的跟踪对象状态。例如，可以将当前估计的速度应用于跟踪对象状态，并且可以使用卡尔曼滤波器来使用估计的速度来更新跟踪对象状态。该更新的跟踪对象状态然后可以作为后续LiDAR扫描期间的比较基础，以便通过使用卡尔曼滤波器随着时间的推移继续改进跟踪对象状态。因此，LiDAR数据可用于直接识别与环境中的对象或障碍物相对应的速度信息，这可以允许仅将LiDAR数据直接应用于自我机器的控制决策。

参考图1A，图1A是根据本公开的一些实施例的示例对象跟踪系统100(在本文中也称为“系统100”)。应当理解，本文描述的这种和其他布置仅作为示例提出。除了所示的那些之外或代替所示的那些，可以使用其他布置和元件(例如，机器、接口、功能、顺序、功能分组等)，并且可以完全省略一些元件。此外，本文描述的许多元件是功能实体，它们可以被实现为离散或分布式组件或与其他组件结合，并且以任何合适的组合和位置来实现。本文描述为由实体执行的各种功能可以由硬件、固件、和/或软件执行。例如，各种功能可以由执行存储在存储器中的指令的处理器来执行。例如，在一些实施例中，系统100可以包括与图5A-5D的示例性自主车辆500，图6的示例计算设备600和/或图7的示例数据中心700相似的特征、功能和/或组件。

系统100可以是各种系统中的任何系统的组件，或者以其他方式与各种系统相关联。例如，系统100可以包括或对应于用于自主或半自主机器的控制系统、用于自主或半自主机器的感知系统、用于执行模拟操作的系统、用于执行深度学习操作的系统、使用边缘设备实现的系统、使用机器人实现的系统、包含一个或更多个虚拟机(VM)的系统、至少部分在数据中心中实现的系统和/或至少部分使用云计算资源实现的系统。

如图1A所示，系统100可以包括一个或更多个深度感知传感器102(例如LiDAR传感器、RADAR传感器、超声波传感器等)。深度感知传感器102通常可以包括发射器和接收器，并且可以包括任何合适的视场或传感场——例如宽视场(例如，180度至360度)——并且可以移动(例如，旋转)，在实施例中，以便获得相对于深度感知传感器102的更大区域的视图。例如，LiDAR信号可以从深度感知传感器102附近的对象反射。对象可以相对于深度感知传感器102移动，并且深度感知传感器102可以相对于下表面(例如自主车辆500正在行驶的道路)移动。接收器可以接收这些各种反射信号的指示(直接或间接)，并且该指示可以作为数据被存储和/或传输以供以后分析。

深度感知传感器102可具有传感器控制器104，其可用于控制深度感知传感器102的操作并解释结果。例如，传感器控制器104或其他处理器可以接收传感器数据106，并且处理、分析或以其他方式执行与传感器数据106相关的计算。在一些实施例中，深度感知传感器102和/或传感器控制器104可以类似于参考图5A-5C描述的LiDAR传感器564，或者可以是另一种类型的深度感知传感器102。

传感器控制器104可以将传感器数据106输出到计算系统108，例如在车辆500和/或图6的示例计算设备600内执行的计算系统。传感器数据106可以是各种形式中的任何一种，例如但不限于(2D或3D)LiDAR点云、投影或距离图像和/或另一传感器数据表示。传感器数据106可以被分析以执行与其相关的各种功能并且可以与其他传感器数据106(例如图5A-5C中所示和本文讨论的各种传感器)结合使用。在使用LiDAR传感器的实施例中，传感器数据106可以称为LiDAR数据；然而，在本公开的其他实施例中，传感器数据106可以是另一种类型的深度数据(例如，来自RADAR、超声波等)。

系统100可以包括对象检测器110。对象检测器110可以分析该组LiDAR数据以识别一个或更多个障碍物边界。可以从指示深度感知传感器102附近的物理障碍物的LiDAR数据的集合中识别障碍物边界。障碍物边界可以指示面向深度感知传感器102的物理障碍物的一部分。在实施例中，可以从深度感知传感器102中连续地遮挡障碍物边界和额外的障碍物边界。因此，随着机器500和/或障碍物相对于彼此移动，可以扩展现有的障碍物边界(例如，因为障碍物边界的额外部分现在是可见的，如图4所示并在此讨论的)并且可以创建新的或更新的障碍物边界(例如，因为相应的物理障碍物不再被遮挡)。类似地，两个或更多个障碍物边界可能对应于相同的物理障碍物，例如由于物理障碍物的不规则形状。

LiDAR数据和识别的障碍物边界的示例在图2A和图2B中示出。图2A中所示的第一组LiDAR数据200以及图2B中所示的第二组LiDAR数据202。障碍物边界线204在图2A-2B中示出，其对应于检测到的障碍物边界。图2A-2B还包括未填充的中心区域206并且对应于深度感知传感器102的位置(尽管未在图2A或图2B中示出)以及从其延伸的半径。机器表示208设置在中心区域206中以提供机器(例如，车辆500)相对于障碍物的大致尺寸和位置以供参考。还示出了一系列同心圆210，其可以指示信息可用于该区域但未检测到障碍物。在检测到障碍物的情况下，在同心圆210中可能存在障碍物并且在障碍物边界线204之后(从深度感知传感器102的角度来看)可能存在被遮挡区域212(由空白区域指示)。随着障碍物和/或深度感知传感器102相对于彼此移动从而去除遮挡物，遮挡的对象可以在该过程的额外迭代中变得可见。图2B中的障碍物边界204已经相对于图2A中的障碍物边界移动。

系统100可以包括跟踪状态管理器112。跟踪状态管理器112可以创建和更新由对象检测器110识别的各种跟踪状态。跟踪状态可以指示在后续迭代之间随时间以本文描述的方法跟踪的障碍物。跟踪状态可用于确定障碍物的速度和方向(相对于机器、相对于地面或相对于某个其他参考系)。

因为LiDAR数据不直接测量障碍物的速度和方向，本公开的实施例可以使用卡尔曼滤波器来产生对障碍物的速度和方向的精确估计，并且可以包括与该障碍物相关的其他变量。在本公开的一些实施例中，使用卡尔曼滤波器生成和/或改进一个或更多个跟踪对象状态中的每一个。

也可以称为线性二次估计(LQE)的卡尔曼滤波器使用一组随时间的不精确和/或间接测量来产生一些未知变量的估计。在本公开的实施例中，被估计的未知变量可以是检测到的障碍物的速度，其可以包括方向和/或速度信息。卡尔曼滤波器可以包括预测操作，该预测操作可以基于不精确和/或间接测量产生未知变量的估计。其次，在接收到一组新的不精确和/或间接测量时，可以更新卡尔曼滤波器估计。在实施例中，可以将更多权重给予到具有更高确定性的数据和/或估计。卡尔曼滤波器可以包括或者是任何变体，例如扩展卡尔曼滤波器或无迹卡尔曼滤波器。

系统100可以包括速度估计器114。速度估计器可以确定对应于一个或更多个跟踪状态检测到的对象的估计的速度。速度估计器114可以基于与一个或更多个现有跟踪状态的假设相关性来确定新检测到的障碍物边界的估计的速度。估计的速度可以包括大小或方向分量中的至少一个。在一些情况下，确定哪个(如果有的话)跟踪状态对应于当前障碍物边界可以基于速度的大小分量、速度的方向分量或两者。

速度估计器114可以通过比较使用一个或更多个LiDAR传感器确定的对象的当前检测、使用一个或更多个LiDAR传感器确定的对象或另一对象的先前检测以及当前检测和先前检测之间的经过时间来确定估计的速度。各个检测的两个位置之间的物理距离除以经过的时间可以给出估计的速度的大小和/或方向。速度估计器114可以通过门函数传递潜在距离和/或估计的速度。如果距离、速度或其他属性低于某个阈值，门函数可能只允许额外的计算和/或考虑。门函数可以防止与不太可能实际相关的潜在匹配相关的不必要计算。在其他实施例中，可以在确定估计的速度之后并且在比较以确定相关性之前应用门函数。

速度估计器114可以包括坐标转换器。坐标转换器可以将一个或更多个跟踪对象状态转换到对应于对象的当前检测的坐标系，其中将估计的速度与一个或更多个跟踪对象状态进行比较是在坐标系中进行的。当比较两个(例如，连续的)帧(例如，比较两个连续的点云)时，一个帧(例如，前一帧)可以转换或校正到后续或当前帧的坐标系(反之亦然)，以便补偿自我运动。通过补偿自我运动，分析可能只需要考虑对象相对于自我车辆的运动，因为自我车辆的运动已被分解-从而允许在同一坐标系中对齐两个帧(例如，两个LiDAR点云)。

一旦确定了估计的速度，跟踪状态管理器112(或其他组件)可以确定哪些跟踪状态对应于当前对象边界，并因此使用卡尔曼滤波器用新信息更新这种跟踪状态。跟踪状态管理器112可以将估计的速度与对应于一个或更多个先前检测到的对象的一个或多个跟踪对象状态进行比较。

现在来看图3，跟踪状态管理器112可以创建和/或分析与先前检测到的对象中的各个检测到的对象的速度相对应的概率分布。图3中示出了示例概率分布图300。通常，概率分布图300具有概率轴302(例如，分布的权重)和值轴304。还应该理解，本公开的一些实施例可以使用更高维度(例如，3D)考虑并且图3是为了便于读者理解呈现了简化的概率分布图300。

第一概率分布306和第二概率分布308显示在概率分布图300上。测量310显示在相对于第一概率分布306和第二概率分布308的特定位置处。本公开的实施例公开确定概率分布306、308中的哪一个(如果有的话)最有可能与测量310对应。

第一概率分布306可以具有相关联的第一门函数312。相对宽的第一概率分布306可以具有相应的宽门函数，其指示可以对应于第一概率分布的多种测量。第二概率分布308可以具有相关联的第二门函数314。相对尖锐的第二概率分布308可以具有相应窄的门函数，表明窄的测量范围可以对应于第二概率分布。从图3的示例中可以看出，测量310在第一门函数312和第二门函数314两者内。如果测量310在一个或更多个门函数之外，则可以不再考虑对应的概率分布。

由于，在图3的示例中，测量310通过(例如，在里面)两个门函数312、314，跟踪状态分析器112(或其他组件)可以确定概率分布(指示一组先前检测到的对象中的先前检测到的对象)，具有对应于测量值310(指示当前障碍物边界)的(或其中的)最高概率。跟踪状态分析器112可以分析测量值310与各自概率分布306、308之间的某个距离。在本公开的一些实施例中，该某个距离可以基于最高似然度，该最高似然度由该距离相对于测量的概率分布的高度表示。因此，由于测量310在似然度上最接近所示的第二概率分布308，所以跟踪状态分析器112可以选择第二概率分布作为最有可能与测量310对应的对象。

在本公开的其他实施例中，特定距离可以是作为成本函数的马氏距离。然而，马氏距离可能有利于更广泛的概率分布。这是因为第一概率分布306的马氏距离可能更小。因此，在本公开的实施例中，马氏距离可以用于门函数，而选择是基于似然度(例如，各自概率分布的垂直高度)。

一旦识别出对应的跟踪状态，跟踪状态管理器112(或其他组件)可以使用估计的速度来更新与先前检测到的对象相对应的跟踪对象状态，该对象具有对应于对象的最高概率以生成更新的跟踪对象状态。更新的跟踪状态可以称为改进跟踪状态。跟踪状态管理器112可以使用卡尔曼滤波器来创建改进的跟踪状态。

系统100可以包括车辆控制器116。如图1A所示，系统100可以包括车辆控制器116，车辆控制器116可以分析跟踪状态中的信息以确定深度感知传感器102周围的物理环境中的障碍物。然后车辆控制器116可以指示或发送与以下相关的信息：基于确定的障碍物的一个或更多个车辆动作，例如启动制动器或转动车辆。例如，车辆控制器116可执行(或以其他方式关联)自动驾驶软件堆栈，该堆栈可包括感知层、世界模型管理层、规划层、控制层、致动层、避障层，和/或一个或更多个其他层。

系统100可以与自主车辆500中的计算系统600相关联，例如关于图5A-5D和图6所示和描述的。例如，自主操作的自主车辆500可以包括计算机系统600，该计算机系统600对周围障碍物进行大量观察并确定车辆500要执行的大量动作以避开那些障碍物。

现在参考图1B，本文描述的方法150的每个框包括可以使用硬件、固件和/或软件的任何组合来执行的计算过程。例如，各种功能可以由执行存储在存储器中的指令的处理器来执行。方法150还可以体现为存储在非瞬态计算机存储介质上的计算机可用指令。方法150可以由独立应用程序、服务或托管服务(独立或与另一托管服务组合)或另一产品的插件提供，仅举几例。此外，通过示例的方式，关于图1A的系统100和/或图6的计算机系统600描述了方法150。然而，该方法可以附加地或替代地由任何一个系统、或系统的任何组合来执行，包括但不限于本文描述的那些。

图1B是示出根据本公开的一些实施例的用于检测和跟踪后续LiDAR数据(或其他深度感知数据)集合之间的对象并随着时间改进那些检测的方法150的流程图。在框B102处，方法150包括例如从深度感知传感器102和/或传感器控制器104获取当前检测。在框B102处，方法150可以包括从LiDAR数据确定一个或更多个对象边界，其中对象边界可以定义在LiDAR数据中检测到的一个或更多个对象，如图2A-B所示并在此讨论的。可以从深度感知传感器102(例如LiDAR传感器)接收电流检测(图1B中的电流检测A)，其中当前检测指示深度感知传感器102在某一时刻的扫描或其他捕获。当前检测中的一个或更多个对象边界可以与确定估计的速度的特定时间相关联。

在框B104处，方法150包括将当前检测的一个或更多个对象边界与一个或更多个先前检测和/或跟踪状态进行比较。第一跟踪状态(图1B中的跟踪状态1)和第二跟踪状态(图1B中的跟踪状态2)可以各自相对于当前检测的对象边界来考虑。第一跟踪状态和第二跟踪状态可以是与当前检测的对象边界相关的潜在候选。

在本公开的实施例中，在框B104处，方法150包括使用迭代最近点(ICP)算法将当前障碍物边界与对应于第一跟踪状态的第一障碍物边界进行比较以生成第一速度估计以及与对应于第二跟踪状态的第二障碍物边界比较以生成第二速度估计。迭代最近点算法可以识别偏移向量，使得与第一跟踪状态组合的偏移向量将与第二跟踪状态对齐。在实施例中，ICP算法可以计算指示障碍物的移动(如果有的话)的大小和方向的偏移向量。可以基于偏移向量计算各种距离和速度测量值。

ICP算法的示例在图4中以图形方式示出，其中自我车辆400相对于停放的车辆402移动。当自车辆400移动经过停放的车辆402时，捕获一系列四个检测404(连续显示)。对应的一组四个障碍物边界406A-D被检测到。检测1(在自我车辆400远离并接近停放车辆402时进行)包括第一障碍物边界406A，它是指示停放车辆402的第一端的直线。检测1的质心408A在这条直线的中心。检测2(在自我车辆400靠近并接近停放的车辆402时进行)包括第二障碍物边界406B，其是“L”形，指示停放的车辆402对于在自我车辆400上的深度感知传感器102可见的部分。检测2的质心408B位于“L”形的平均位置。ICP算法可以将第一障碍物边界406A与第二障碍物边界406B相关联以提供更完整的障碍物边界。相对于检测2，第一障碍物边界406A相对于第二障碍物边界406B以虚线示出。检测3(在自我车辆400靠近并经过停放的车辆402时进行)包括第三障碍物边界406C，其为“L”形，指示停放的车辆402对于自我车辆400的深度感知传感器102可见的部分。检测3的质心408C位于“L”形的平均位置。ICP算法可以将第一障碍物边界406A和/或第二障碍物边界406B(或至少部分地指示第一障碍物边界406A和第二障碍物边界406B两者的组合障碍物边界)与第三障碍物边界406C相关联以提供更完整的障碍物边界。检测4(在自我车辆400经过停放车辆402时进行)包括第四障碍物边界406D，它是指示停放车辆402的第二端的直线。检测4的质心408D位于这条直线的中心。ICP算法可以将第一障碍物边界406A、第二障碍物边界406B和/或第三障碍物边界406D(或至少部分地指示其某种组合的组合障碍物边界)与第四障碍物边界406D相关联，以提供更多-完整的障碍物边界。应当理解，检测3和4被视为自我车辆400经过停放的车辆402并且分别包括检测2和1的基本上镜像的障碍物边界(尽管这仅用于说明目的)。通常，各个检测将在一个时间间隔内进行，而不是在与任何特定障碍物的相对位置。图4仅出于说明性目的示出了相应的检测。

应当理解，先前的系统仅利用质心408A-D来确定每次迭代中障碍物的位置(例如，检测1-4)。如图4所示，当自我车辆400经过停放的车辆402时，质心408A-D移动。这将在先前技术系统中产生检测到的运动。ICP算法通过比较各自的障碍物边界406A-D而不是依赖于质心408A-D来减少或消除停放车辆402的感知运动。ICP算法可用于计算偏移向量以对齐两个或更多个障碍物边界406A-D。对于图4的停放车辆402，偏移向量将为零或接近零，导致几乎没有检测到停放车辆的运动。对于移动的车辆(图4中未示出)，平移向量将指示该车辆的运动的方向和大小。可以至少部分地基于两个相应检测之间的障碍物的平移除以检测之间的时间间隔来确定移动的大小。偏移向量的方向可以至少部分地根据平移的方向来确定。

在本公开的实施例中，当前障碍物检测与一个或更多个先前检测之间的比较至少部分地基于相应障碍物的形状的相似性。这可能是因为形状不太可能在LiDAR数据的单帧之间发生剧烈变化。第一障碍物边界可以包括指示第一几何形状的第一形状度量，并且当前障碍物边界可以包括指示第二几何形状的第二形状度量。这样，当前障碍物边界最接近地对应于第一障碍物边界的确定可以进一步至少部分地基于第一几何形状和第二几何形状。

可以至少部分地使用ICP算法来执行当前检测的第一对象边界和跟踪状态的第二对象边界的上述所讨论的比较。虽然ICP位置变化在图4的示例中是剧烈的，在本公开的实施例中，连续的LiDAR数据集可以更靠近在一起。因此，LiDAR数据的两次连续扫描之间的障碍物边界406A-D的形状差异可以是最小的，并且可以提供连续扫描之间物理对象的运动的准确测量。应当理解，在本公开的实施例中，ICP算法可以考虑或以其他方式将一个或更多个跟踪对象状态转换为与对象的当前检测相对应的坐标系，并将估计的速度与可能在更新的坐标系中的一个或更多跟踪对象状态相比较。这种到更新坐标系的转换可以基于自我机器500的测量运动(例如，自我运动)。

在框B106处，方法150包括确定当前检测与任何先前检测和/或跟踪状态之间是否存在相关性。该操作可以通过确定与每个潜在相关性的估计的速度相关联的成本函数(或其他概率分布)来执行。可以确定潜在匹配的估计的速度，然后可以至少部分地基于估计的速度来计算指示相关似然度的成本函数。可以至少部分地基于使用一个或更多个LiDAR传感器确定的对象的当前检测、使用一个或更多个LiDAR传感器确定的对象或另一对象的先前检测，以及当前检测和先前检测之间经过的时间之间的比较来确定对象的估计的速度。对象的当前检测和对象的先前检测都可以以ICP作为参考位置，并且可以通过坐标转换来调整对象的先前检测。

在框B106处，方法150可以进一步包括将估计的速度与对应于一个或更多个先前检测到的对象的一个或多个跟踪对象状态进行比较，一个或更多个跟踪对象状态的每个跟踪对象状态表示对应于先前检测到的对象中相应检测到的对象的速度的概率分布。概率分布可以指示估计的速度对应于跟踪对象状态的似然度。基于概率分布的分析，先前检测到的对象之一可以被识别为具有对应于该对象的最高概率或是在对应于该对象的最高概率中。

在框B106处，方法150可以进一步包括计算对应于概率分布的成本函数。在在图1B的示例中，将当前检测A与跟踪状态1进行比较以创建第一概率分布，并将当前检测A与跟踪状态2进行比较以创建第二概率分布。成本函数可以至少部分地基于如图3所示的对应概率分布。可以使用第一概率分布和第一速度估计来计算第一成本函数。可以使用第二概率分布和第二速度估计来计算第二成本函数。

可以评估成本函数以确定哪个(如果有的话)最有可能与当前障碍物边界对应。通常，较低的成本函数表示较高的相关似然度。在框B106处，方法150还可包括基于第一成本函数小于第二成本函数来确定当前障碍物边界最接近地对应于第一障碍物边界。

在发现与第一跟踪状态的相关性时，方法150在框B108处包括更新第一跟踪状态。或者，在发现与第二跟踪状态的相关性时，方法150在框B110处包括更新第二跟踪状态。相应的更新跟踪状态可以包括针对先前障碍物边界以及当前障碍物边界的信息，其被发现对应于相应的跟踪状态。

在没有发现相关性时，方法150在框B112处包括为对象创建新的跟踪状态。如果没有发现与先前跟踪状态的相关性，则新发现的对象可能从远处或从遮挡物后面进入视野。然后新的跟踪状态然后可以用于未来的比较以确定后续当前的障碍物边界是否与新的跟踪状态相对应。因此，可以在深度感知传感器102的后续扫描中改进新的跟踪状态。

方法150在框B108之后的框B114包括将卡尔曼滤波器应用于第一跟踪状态。在框B116处，方法150包括创建改进的第一跟踪状态。可以通过应用卡尔曼滤波器来创建改进的跟踪状态，以将附加信息添加到跟踪状态。除了针对同一物理障碍物的一个或更多个先前障碍物检测之外，改进的跟踪状态可以(直接或间接地)指示当前障碍物检测。类似地，方法150在框B110之后的框B118包括将卡尔曼滤波器应用到第二跟踪状态。在框B120处，方法150包括创建改进的第二跟踪状态。

在框B120处，方法150包括至少部分地基于改进的和/或新的跟踪状态来控制机器。例如，跟踪状态可以指示可能直接或间接影响自主车辆500或其他机器的物理对象。因此，障碍物可能是运动的，例如其他车辆或行人，也可能是静止的，例如建筑物和树木。障碍物可以具有相对于车辆的位置、3D运动矢量(其可以包括加速度、旋转或其他运动指示)和相对大小(基于与障碍物对应的像素的数量)。在一些实施例中，至少部分地基于关于障碍物的信息，系统100可以确定障碍物可能影响车辆的可能性，并且系统可以确定要执行的一个或更多个补救措施以便避开障碍物。例如，车辆控制器118可以确定车辆应该制动、转弯或加速以避开障碍物。在无法避开障碍物的情况下，系统100可以确定应该采取一种或更多种补救措施，例如最小化损坏或激活其他安全特征。可以执行框B120的控制以通过采取一种或更多种补救措施避开识别的障碍物。控制车辆可以包括向众多车辆系统中的任何一个发送命令，例如关于图5A-5D所描述的那些。

示例自动驾驶车辆

图5A为根据本公开一些实施例的示例自主车辆500的图示。自主车辆500(可替代地，在本文称为“车辆500”)可以包括但不限于乘用车，例如汽车、卡车、公共汽车、急救车、穿梭车、电动或机动自行车、摩托车、消防车、警车、救护车、船、工程车辆、水下船只、无人机、与拖车相连的车辆和/或其他类型的车辆(例如，无人驾驶和/或可容纳一名或多名乘客)。自主车辆通常按照美国运输部的一个部门——国家公路交通安全管理局(NHTSA)以及汽车工程师协会(SAE)“Taxonomy and Definitions for Terms Related to DrivingAutomation Systems for On-Road Motor Vehicles”(2018年6月15日发布的标准No.J3016-201806，2016年9月30日发布的标准No.J3016-201609，以及该标准的先前和未来的版本)定义的自动化级别进行描述。车辆500可能够实现符合自主驾驶级别的3级-5级中的一个或更多个的功能。例如，取决于实施例，车辆500可能够实现条件自动化(3级)、高自动化(4级)和/或全自动化(5级)。

车辆500可以包括诸如底盘、车身、车轮(例如2个、4个、6个、8个、18个等)、轮胎、车轴之类的部件以及车辆的其他部件。车辆500可以包括推进系统550，例如内燃机、混合动力发电厂、全电动发动机和/或另一种推进系统类型。推进系统550可以连接到可以包括变速器的车辆500的传动系以便实现车辆500的推进。可以响应于接收到来自油门/加速器552的信号而控制推进系统550。

可以包括方向盘的转向(steering)系统554可以用来在推进系统550操作时(例如在车辆运动时)使车辆500转向(例如沿着希望的路径或路线)。转向系统554可以接收来自转向致动器556的信号。对于全自动(5级)功能而言，方向盘可以是可选的。

制动传感器系统546可以用来响应于接收到来自制动致动器548和/或制动传感器的信号而操作车辆制动器。

可以包括一个或更多个片上系统(SoC)504(图5C)和/或一个或更多个GPU的一个或更多个控制器536可以向车辆500的一个或更多个部件和/或系统提供(例如表示命令的)信号。例如，一个或更多个控制器可以发送经由一个或更多个制动致动器548操作车辆制动器、经由一个或更多个转向致动器556操作转向系统554、经由一个或更多个油门/加速器552操作推进系统550的信号。一个或更多个控制器536可以包括一个或更多个板载(例如集成)计算设备(例如超级计算机)，所述计算设备处理传感器信号并且输出操作命令(例如表示命令的信号)，以实现自主驾驶和/或辅助人类驾驶员驾驶车辆500。一个或更多个控制器536可以包括用于自主驾驶功能的第一控制器536、用于功能性安全功能的第二控制器536、用于人工智能功能(例如计算机视觉)的第三控制器536、用于信息娱乐功能的第四控制器536、用于紧急情况下的冗余的第五控制器536和/或其他控制器。在一些示例中，单个控制器536可以处理上述功能中的两个或更多，两个或更多控制器536可以处理单个功能，和/或其任意组合。

一个或更多个控制器536可以响应于接收自一个或更多个传感器的传感器数据(例如传感器输入)，提供用于控制车辆500的一个或更多个部件和/或系统的信号。传感器数据可以接收自例如且不限于全球导航卫星系统传感器558(例如全球定位系统传感器)、RADAR传感器560、超声传感器562、LIDAR传感器564、惯性测量单元(IMU)传感器566(例如加速度计、陀螺仪、磁罗盘、磁力计等)、麦克风596、立体相机568、广角相机570(例如鱼眼相机)、红外相机572、环绕相机574(例如360度相机)、远程和/或中程相机598、速度传感器544(例如用于测量车辆500的速率)、振动传感器542、转向传感器540、制动传感器(例如作为制动传感器系统546的部分)和/或其他传感器类型。

控制器536中的一个或更多个可以接收来自车辆500的仪表组532的输入(例如由输入数据表示)，并且经由人机接口(HMI)显示器534、听觉信号器、扬声器和/或经由车辆500的其他部件提供输出(例如输出数据、显示数据等表示的)。这些输出可以包括诸如车辆速度、速率、时间、地图数据(例如图5C的HD地图522)、位置数据(例如，车辆500例如在地图上的位置)、方向、其他车辆的位置(例如占用网格)之类的信息，如控制器536所感知的关于对象和对象状态的信息等等。例如，HMI显示器534可以显示关于一个或更多个对象(例如街道指示牌、警示牌、交通灯变化等)的存在性的信息和/或关于车辆已经做出、正在做出或者可以做出的驾驶机动的信息(例如现在变道、两英里后离开34B，等等)。

车辆500进一步包括网络接口524，其可以使用一个或更多个无线天线526和/或调制解调器通过一个或更多个网络通信。例如，网络接口524可能够通过LTE、WCDMA、UMTS、GSM、CDMA2000等通信。一个或更多个无线天线526也可以使用诸如蓝牙、蓝牙LE、Z波、ZigBee等等之类的一个或更多个局域网和/或诸如LoRaWAN、SigFox等等之类的一个或更多个低功率广域网(LPWAN)实现环境中的对象(例如车辆、移动设备等等)之间的通信。

图5B是图5的示例自主车辆500的相机位置和视野的示例。参照图5A，根据本公开的一些实施例。相机和相应的视野是一个示例实施例并且不旨在进行限制。例如，可以包括附加的和/或替代的照相机和/或照相机可以位于车辆500上的不同位置。

用于相机的相机类型可以包括但不限于可以适于与车辆500的部件和/或系统一起使用的数字相机。所述相机可以在汽车安全完整性级别(ASIL)B下和/或在另一个ASIL下操作。相机类型可以具有任何图像捕获率，例如60帧每秒(fps)、120fps、240fps等等，这取决于实施例。相机可能够使用滚动快门、全局快门、另一种类型的快门或者其组合。在一些示例中，滤色器阵列可以包括红白白白(RCCC)滤色器阵列、红白白蓝(RCCB)滤色器阵列、红蓝绿白(RBGC)滤色器阵列、Foveon X3滤色器阵列、拜耳传感器(RGGB)滤色器阵列、单色传感器滤色器阵列和/或另一种类型的滤色器阵列。在一些实施例中，诸如具有RCCC、RCCB和/或RBGC滤色器阵列的相机之类的清晰像素相机可以用在提高光敏感度的努力中。

在一些示例中，所述相机中的一个或更多个可以用来执行高级驾驶员辅助系统(ADAS)功能(例如作为冗余或故障安全设计的部分)。例如，可以安装多功能单目相机以提供包括车道偏离警告、交通指示牌辅助和智能前照灯控制在内的功能。所述相机中的一个或更多个(例如全部相机)可以同时记录和提供图像数据(例如视频)。

所述相机中的一个或更多个可以安装在诸如定制设计的(3-D打印的)组件之类的安装组件中，以便切断可能干扰相机的图像数据捕获能力的杂散光和来自汽车内的反射(例如挡风玻璃镜中反射的来自仪表板的反射)。关于翼镜安装组件，翼镜组件可以是定制3-D打印的，使得相机安装板匹配翼镜的形状。在一些示例中，一个或更多个相机可以集成到翼镜中。对于侧视相机而言，一个或更多个相机也可以集成到驾驶室每个拐角的四根柱子内。

具有包括车辆500前面的环境部分的视场的相机(例如前置相机)可以用于环视，以帮助识别前向路径和障碍，以及在一个或更多个控制器536和/或控制SoC的帮助下辅助提供对于生成占用网格和/或确定优选车辆路径至关重要的信息。前置相机可以用来执行许多与LIDAR相同的ADAS功能，包括紧急制动、行人检测和碰撞避免。前置相机也可以用于ADAS功能和系统，包括车道偏离警告(LDW)、自主巡航控制(ACC)，和/或诸如交通指示牌识别之类的其他功能。

各种各样的相机可以用于前置配置中，包括例如包括CMOS(互补金属氧化物半导体)彩色成像仪在内的单目相机平台。另一个示例可以是广角相机570，其可以用来感知从周边进入视野的对象(例如行人、十字路口交通或者自行车)。尽管图5B中图示出仅仅一个广角相机，但是在车辆500上可以存在任意数量的广角相机570。此外，远程相机598(例如长视立体相机对)可以用于基于深度的对象检测，尤其是用于尚未针对其训练神经网络的对象。远程相机598也可以用于对象检测和分类以及基本的对象跟踪。

一个或更多个立体相机568也可以包括在前置配置中。立体相机568可以包括集成控制单元，该单元包括可扩展处理单元，其可以提供在单个芯片上具有集成的CAN或以太网接口的多核微处理器和可编程逻辑(FPGA)。这样的单元可以用来生成车辆环境的3-D地图，包括针对图像中的所有点的距离估计。可替代的立体相机568可以包括紧凑型立体视觉传感器，其可以包括两个相机镜头(左右各一个)以及可以测量从车辆到目标对象的距离并且使用生成的信息(例如元数据)激活自主紧急制动和车道偏离警告功能的图像处理芯片。除了本文所描述的那些之外或者可替代地，可以使用其他类型的立体相机568。

具有包括车辆500的侧面的环境部分的视场的相机(例如侧视相机)可以用于环视，提供用来创建和更新占用网格以及生成侧撞击碰撞警告的信息。例如，环绕相机574(例如如图5B中所示的四个环绕相机574)可以置于车辆500上。环绕相机574可以包括广角相机570、鱼眼相机、360度相机和/或类似物。四个示例，四个鱼眼相机可以置于车辆的前面、后面和侧面。在一种可替代的布置中，车辆可以使用三个环绕相机574(例如左边、右边和后面)，并且可以利用一个或更多个其他相机(例如前向相机)作为第四环视相机。

具有包括车辆500后面的环境部分的视场的相机(例如后视相机)可以用于辅助停车、环视、后面碰撞警告以及创建和更新占用网格。可以使用各种各样的相机，包括但不限于也适合作为如本文所描述的前置相机(例如远程和/或中程相机598、立体相机568、红外相机572等等)的相机。

图5C为根据本公开一些实施例的用于图5A的示例自主车辆500的示例系统架构的框图。应当理解，这种布置和本文描述的其他布置仅仅作为示例而被阐述。除了所示的那些之外或者代替它们的是，可以使用其他的布置和元素(例如机器、接口、功能、顺序、功能分组等等)，并且一些元素可以完全省略。进一步，许多本文描述的元素是功能实体，其可以实现为分立的或分布式部件或者结合其他部件实现，以及以任何适当的组合和位置实现。本文描述为由实体执行的各个功能可以通过硬件、固件和/或软件实现。例如，各个功能可以通过处理器执行存储在内存中的指令而实现。

图5C中车辆500的部件、特征和系统中的每一个被图示为经由总线502连接。总线502可以包括控制器区域网络(CAN)数据接口(可替代地，本文称为“CAN总线”)。CAN可以是车辆500内部的网络，用来辅助控制车辆500的各种特征和功能，例如制动器、加速、制动、转向、挡风玻璃雨刷等等的驱动。CAN总线可以被配置为具有数十或者甚至数百个节点，每个节点具有其自己的唯一标识符(例如CAN ID)。可以读取CAN总线以找到方向盘角度、地速、每分钟发动机转速(RPM)、按钮位置和/或其他车辆状态指示符。CAN总线可以是ASIL B兼容的。

尽管这里将总线502描述为CAN总线，但是这并不意图是限制性的。例如，除了CAN总线之外或者可替代地，可以使用FlexRay和/或以太网。此外，尽管用单条线来表示总线502，但是这并不意图是限制性的。例如，可以存在任意数量的总线502，其可以包括一条或更多条CAN总线、一条或更多条FlexRay总线、一条或更多条以太网总线和/或一条或更多条使用不同协议的其他类型的总线。在一些示例中，两条或更多总线502可以用来执行不同的功能，和/或可以用于冗余。例如，第一总线502可以用于碰撞避免功能，并且第二总线502可以用于驱动控制。在任何示例中，每条总线502可以与车辆500的任何部件通信，并且两条或更多总线502可以与相同的部件通信。在一些示例中，车辆内的每个SoC 504、每个控制器536和/或每个计算机可以有权访问相同的输入数据(例如来自车辆500的传感器的输入)，并且可以连接到诸如CAN总线之类的公共总线。

车辆500可以包括一个或更多个控制器536，例如本文关于图5A所描述的那些控制器。控制器536可以用于各种各样的功能。控制器536可以耦合到车辆500的任何其他不同的部件和系统，并且可以用于车辆500的控制、车辆500的人工智能、用于车辆500的信息娱乐和/或类似物。

车辆500可以包括一个或更多个片上系统(SoC)504。SoC 504可以包括CPU 506、GPU 508、处理器510、高速缓存512、加速器514、数据存储516和/或未图示出的其他部件和特征。在各种各样的平台和系统中，SoC 504可以用来控制车辆500。例如，一个或更多个SoC504可以在系统(例如车辆500的系统)中与HD地图522结合，所述HD地图可以经由网络接口524从一个或更多个服务器(例如图5D的一个或更多个服务器578)获得地图刷新和/或更新。

CPU 506可以包括CPU簇或CPU复合体(替代地，本文称为“CCPLEX”)。CPU 506可以包括多个核和/或L2高速缓存。例如，在一些实施例中，CPU 506在一致性多处理器配置中可以包括八个核。在一些实施例中，CPU 506可包括四个双核簇，其中每个簇具有专用的L2高速缓存(例如2MB L2高速缓存)。CPU 506(例如CCPLEX)可以被配置为支持同时簇操作，使得CPU 506的簇的任意组合能够在任何给定时间是活动的。

CPU 506可以实现包括以下特征中的一个或更多个的功率管理能力：各硬件块在空闲时可以自动进行时钟门控以节省动态功率；由于WFI/WFE指令的执行，每个核时钟可以在该核不主动地执行指令时进行门控；每个核可以独立地进行功率门控；当所有核都进行时钟门控或者功率门控时，可以独立地对每个核簇进行时钟门控；和/或当所有核都进行功率门控时，可以独立地对每个核簇进行功率门控。CPU 506可以进一步实现用于管理功率状态的增强算法，其中指定允许的功率状态和期望的唤醒时间，并且硬件/微代码为所述核、簇和CCPLEX确定要进入的最佳的功率状态。处理核可以在软件中支持简化的功率状态进入序列，该工作被卸载到微代码。

GPU 508可以包括集成的GPU(可替代地，本文称为“iGPU”)。GPU 508可以是可编程的，并且对于并行工作负载而言是高效的。在一些示例中，GPU 508可以使用增强张量指令集。GPU 508可以包括一个或更多个流式微处理器，其中每个流式微处理器可以包括L1高速缓存(例如具有至少96KB存储能力的L1高速缓存)，并且这些流式微处理器中的两个或更多可以共享L2高速缓存(例如具有512KB存储能力的L2高速缓存)。在一些实施例中，GPU 508可以包括至少八个流式微处理器。GPU 508可以使用计算应用编程接口(API)。此外，GPU508可以使用一个或更多个并行计算平台和/或编程模型(例如NVIDIA的CUDA)。

在汽车和嵌入式使用的情况下，可以对GPU 508进行功率优化以实现最佳性能。例如，可以在鳍式场效应晶体管(FinFET)上制造GPU 508。然而，这并不意图是限制性的，并且GPU 508可以使用其他半导体制造工艺来制造。每个流式微处理器可以合并划分成多个块的若干混合精度处理核。例如且非限制性地，可以将64个PF32核和32个PF64核划分成四个处理块。在这样的示例中，每个处理块可以分配16个FP32核、8个FP64核、16个INT32核、用于深层学习矩阵算术的两个混合精度NVIDIA张量核、L0指令高速缓存、线程束(warp)调度器、分派单元和/或64KB寄存器文件。此外，流式微处理器可以包括独立的并行整数和浮点数据路径，以利用计算和寻址计算的混合提供工作负载的高效执行。流式微处理器可以包括独立线程调度能力，以允许实现并行线程之间的更细粒度的同步和协作。流式微处理器可以包括组合的L1数据高速缓存和共享内存单元，以便在简化编程的同时提高性能。

GPU 508可以包括在一些示例中提供大约900GB/s的峰值内存带宽的高带宽内存(HBM)和/或16GB HBM2内存子系统。在一些示例中，除了HBM内存之外或者可替代地，可以使用同步图形随机存取存储器(SGRAM)，例如第五代图形双倍数据速率同步随机存取存储器(GDDR5)。

GPU 508可以包括统一内存技术，其包括访问计数器以允许内存页面更精确地迁移到最频繁地访问它们的处理器，从而提高处理器之间共享的内存范围的效率。在一些示例中，地址转换服务(ATS)支持可以用来允许GPU 508直接访问CPU 506页表。在这样的示例中，当GPU 508内存管理单元(MMU)经历遗漏时，可以将地址转换请求传输至CPU 506。作为响应，CPU 506可以在其页表中寻找用于地址的虚拟-物理映射，并且将转换传输回GPU508。这样，统一内存技术可以允许单个统一虚拟地址空间用于CPU 506和GPU 508二者的内存，从而简化了GPU 508编程和将应用程序移(port)到GPU 508。

此外，GPU 508可以包括访问计数器，其可以跟踪GPU 508访问其他处理器的内存的频率。访问计数器可以帮助确保内存页面移至最频繁地访问这些页面的处理器的物理内存。

SoC 504可以包括任意数量的高速缓存512，包括本文描述的那些高速缓存。例如，高速缓存512可以包括CPU 506和GPU 508二者可用的L3高速缓存(例如，其连接到CPU 506和GPU 508二者)。高速缓存512可以包括回写高速缓存，其可以例如通过使用高速缓存一致性协议(例如MEI、MESI、MSI等)跟踪行的状态。取决于实施例，L3高速缓存可以包括4MB或者更多，但是也可以使用更小的高速缓存大小。

SoC 504可包括一个或更多个算术逻辑单元(ALU)，其可用于执行关于车辆500的各种任务或操作中的任一个的处理，例如处理DNN。此外，SoC 504可以包括浮点单元(FPU)或其他数学协处理器或数字协处理器类型，用于在系统内执行数学运算。例如，SoC 104可以包括一个或更多个集成为CPU 506和/或GPU 508内的执行单元的FPU。

SoC 504可以包括一个或更多个加速器514(例如硬件加速器、软件加速器或者其组合)。例如，SoC 504可以包括硬件加速簇，其可以包括优化的硬件加速器和/或大型片上内存。该大型片上内存(例如4MB SRAM)可以使得硬件加速簇能够加速神经网络和其他计算。硬件加速簇可以用来补充GPU 508，并且卸载GPU 508的一些任务(例如释放GPU 508的更多周期以用于执行其他任务)。作为一个示例，加速器514可以用于足够稳定以易于控制加速的有针对性的工作负载(例如感知、卷积神经网络(CNN)等等)。当在本文中使用时，术语“CNN”可以包括所有类型的CNN，包括基于区域的或者区域卷积神经网络(RCNN)和快速RCNN(例如用于对象检测)。

加速器514(例如硬件加速簇)可以包括深度学习加速器(DLA)。DLA可以包括可以被配置成为深度学习应用和推理提供额外的每秒10万亿次操作的一个或更多个张量处理单元(TPU)。TPU可以是被配置为执行图像处理功能(例如用于CNN、RCNN等)且针对执行图像处理功能而优化的加速器。DLA可以进一步针对特定的一组神经网络类型和浮点运算以及推理进行优化。DLA的设计可以比通用GPU提供每毫米更高的性能，并且远远超过CPU的性能。TPU可以执行若干功能，包括单实例卷积函数，支持例如用于特征和权重二者的INT8、INT16和FP16数据类型，以及后处理器功能。

DLA可以在处理的或者未处理的数据上针对各种各样的功能中的任何功能快速且高效地执行神经网络，尤其是CNN，例如且不限于：用于使用来自相机传感器的数据进行对象识别和检测的CNN；用于使用来自相机传感器的数据进行距离估计的CNN；用于使用来自麦克风的数据进行应急车辆检测和识别与检测的CNN；用于使用来自相机传感器的数据进行面部识别和车主识别的CNN；和/或用于安全和/或安全相关事件的CNN。

DLA可以执行GPU 508的任何功能，并且通过使用推理加速器，例如，设计者可以使DLA或GPU 508针对任何功能。例如，设计者可以将CNN的处理和浮点运算聚焦在DLA上，并且将其他功能留给GPU 508和/或其他加速器514。

加速器514(例如硬件加速簇)可以包括可编程视觉加速器(PVA)，其在本文中可以可替代地称为计算机视觉加速器。PVA可以被设计和配置为加速用于高级驾驶员辅助系统(ADAS)、自主驾驶和/或增强现实(AR)和/或虚拟现实(VR)应用的计算机视觉算法。PVA可以提供性能与灵活性之间的平衡。例如，每个PVA可以包括例如且不限于任意数量的精简指令集计算机(RISC)核、直接内存访问(DMA)和/或任意数量的向量处理器。

RISC核可以与图像传感器(例如本文描述的任何相机的图像传感器)、图像信号处理器和/或类似物交互。这些RISC核中的每一个可以包括任意数量的内存。取决于实施例，RISC核可以使用若干协议中的任何协议。在一些示例中，RISC核可以执行实时操作系统(RTOS)。RISC核可以使用一个或更多个集成电路设备、专用集成电路(ASIC)和/或存储设备实现。例如，RISC核可以包括指令高速缓存和/或紧密耦合的RAM。

DMA可以使得PVA的部件能够独立于CPU 506访问系统内存。DMA可以支持用来向PVA提供优化的任意数量的特征，包括但不限于支持多维寻址和/或循环寻址。在一些示例中，DMA可以支持高达六个或更多维度的寻址，其可以包括块宽度、块高度、块深度、水平块步进、竖直块步进和/或深度步进。

向量处理器可以是可编程处理器，其可以被设计为高效且灵活地执行用于计算机视觉算法的编程并且提供信号处理能力。在一些示例中，PVA可以包括PVA核和两个向量处理子系统分区。PVA核可以包括处理器子系统、一个或更多个DMA引擎(例如两个DMA引擎)和/或其他外围设备。向量处理子系统可以作为PVA的主处理引擎而操作，并且可以包括向量处理单元(VPU)、指令高速缓存和/或向量内存(例如VMEM)。VPU核可以包括数字信号处理器，诸如例如单指令多数据(SIMD)、超长指令字(VLIW)数字信号处理器。SIMD和VLIW的组合可以增强吞吐量和速率。

向量处理器中的每一个可以包括指令高速缓存并且可以耦合到专用内存。结果，在一些示例中，向量处理器中的每一个可以被配置为独立于其他向量处理器执行。在其他示例中，包括在特定PVA中的向量处理器可以被配置为采用数据并行化。例如，在一些实施例中，包括在单个PVA中的多个向量处理器可以执行相同的计算机视觉算法，但是在图像的不同区域上执行。在其他示例中，包括在特定PVA中的向量处理器可以在相同的图像上同时执行不同的计算机视觉算法，或者甚至在序列图像或者图像的部分上执行不同的算法。除其他的以外，任意数量的PVA可以包括在硬件加速簇中，并且任意数量的向量处理器可以包括在这些PVA中的每一个中。此外，PVA可以包括附加的纠错码(ECC)内存，以增强总体系统安全性。

加速器514(例如硬件加速簇)可以包括片上计算机视觉网络和SRAM，以提供用于加速器514的高带宽、低延迟SRAM。在一些示例中，片上内存可以包括由例如且不限于八个现场可配置的内存块组成的至少4MB SRAM，其可以由PVA和DLA二者访问。每对内存块可以包括高级外围总线(APB)接口、配置电路系统、控制器和复用器。可以使用任何类型的内存。PVA和DLA可以经由向PVA和DLA提供高速内存访问的主干(backbone)访问内存。主干可以包括(例如使用APB)将PVA和DLA互连到内存的片上计算机视觉网络。

片上计算机视觉网络可以包括在传输任何控制信号/地址/数据之前确定PVA和DLA二者都提供就绪且有效的信号的接口。这样的接口可以提供用于传输控制信号/地址/数据的单独相位和单独信道，以及用于连续数据传输的突发式通信。这种类型的接口可以符合ISO 26262或者IEC 61508标准，但是也可以使用其他标准和协议。

在一些示例中，SoC 504可以包括例如在2018年8月10日提交的美国专利申请No.16/101,232中描述的实时光线追踪硬件加速器。该实时光线追踪硬件加速器可以用来快速且高效地确定(例如世界模型内的)对象的位置和范围，以便生成实时可视化仿真，以用于RADAR信号解释、用于声音传播合成和/或分析、用于SONAR系统仿真、用于一般波传播仿真、用于为了定位和/或其他功能的目的与LIDAR数据相比较和/或用于其他用途。在一些实施例中，一个或更多个树遍历单元(TTU)可用于执行一个或更多个光线追踪相关操作。

加速器514(例如硬件加速器簇)具有广泛的自主驾驶用途。PVA可以是可编程视觉加速器，其可以用于ADAS和自主车辆中的关键处理阶段。PVA的能力是需要可预测处理、低功率和低延迟的算法域的良好匹配。换言之，PVA在半密集或者密集规则计算上，甚至在需要具有低延迟和低功率的可预测运行时间的小数据集上都表现良好。因此，在用于自主车辆的平台的背景下，PVA被设计为运行经典计算机视觉算法，因为它们在对象检测和整数数学运算方面很有效。

例如，根据该技术的一个实施例，PVA用来执行计算机立体视觉。在一些示例中，可以使用基于半全局匹配的算法，但是这并不意图是限制性的。许多用于3-5级自主驾驶的应用都需要即时运动估计/立体匹配(例如来自运动的结构、行人识别、车道检测等等)。PVA可以在来自两个单目相机的输入上执行计算机立体视觉功能。

在一些示例中，PVA可以用来执行密集的光流。根据过程原始RADAR数据(例如使用4D快速傅立叶变换)以提供经处理的RADAR。在其他示例中，PVA用于飞行时间深度处理，其例如通过处理原始飞行时间数据以提供经处理的飞行时间数据。

DLA可以用来运行任何类型的网络以增强控制和驾驶安全性，包括例如输出用于每个对象检测的置信度度量的神经网络。这样的置信度值可以解释为概率，或者解释为提供每个检测与其他检测相比的相对“权重”。该置信度值使得系统能够做出关于哪些检测应当被认为是真阳性检测而不是假阳性检测的进一步决策。例如，系统可以为置信度设置阈值，并且仅仅将超过阈值的检测看作真阳性检测。在自动紧急制动(AEB)系统中，假阳性检测会使得车辆自动地执行紧急制动，这显然是不希望的。因此，只有最确信的检测才应当被认为是AEB的触发因素。DLA可以运行用于回归置信度值的神经网络。该神经网络可以将至少一些参数子集作为其输入，例如边界框维度，(例如从另一个子系统)获得的地平面估计，与车辆500取向、距离相关的惯性测量单元(IMU)传感器566输出，从神经网络和/或其他传感器(例如LIDAR传感器564或RADAR传感器560)获得的对象的3D位置估计等。

SoC 504可以包括一个或更多个数据存储516(例如内存)。数据存储516可以是SoC504的片上内存，其可以存储要在GPU和/或DLA上执行的神经网络。在一些示例中，为了冗余和安全，数据存储516可以容量足够大以存储神经网络的多个实例。数据存储512可以包括L2或L3高速缓存512。对数据存储516的引用可以包括对与如本文所描述的PVA、DLA和/或其他加速器514关联的内存的引用。

SoC 504可以包括一个或更多个处理器510(例如嵌入式处理器)。处理器510可以包括启动和功率管理处理器，其可以是用于处理启动功率和管理功能以及有关安全实施的专用处理器和子系统。启动和功率管理处理器可以是SoC 504启动序列的一部分，并且可以提供运行时间功率管理服务。启动功率和管理处理器可以提供时钟和电压编程、辅助系统低功率状态转换、SoC 504热和温度传感器管理和/或SoC 504功率状态管理。每个温度传感器可以实现为环形振荡器，其输出频率与温度成比例，并且SoC504可以使用环形振荡器检测CPU 506、GPU 508和/或加速器514的温度。如果确定温度超过阈值，那么启动和功率管理处理器可以进入温度故障例程并且将SoC 504置于较低功率状态和/或将车辆500置于司机安全停车模式(例如使车辆500安全停车)。

处理器510可以进一步包括可以用作音频处理引擎的一组嵌入式处理器。音频处理引擎可以是一种音频子系统，其允许实现对于通过多个接口的多声道音频的完全硬件支持以及一系列广泛而灵活的音频I/O接口。在一些示例中，音频处理引擎是具有带有专用RAM的数字信号处理器的专用处理器核。

处理器510可以进一步包括始终在处理器上的引擎，其可以提供必要的硬件特征以支持低功率传感器管理和唤醒用例。该始终在处理器上的引擎可以包括处理器核、紧密耦合的RAM、支持外围设备(例如定时器和中断控制器)、各种I/O控制器外围设备和路由逻辑。

处理器510可以进一步包括安全簇引擎，其包括处理汽车应用的安全管理的专用处理器子系统。安全簇引擎可以包括两个或更多处理器核、紧密耦合的RAM、支持外围设备(例如定时器、中断控制器等等)和/或路由逻辑。在安全模式下，所述两个或更多核可以操作于锁步模式下，并且用作具有检测它们的操作之间的任何差异的比较逻辑的单核。

处理器510可以进一步包括实时相机引擎，其可以包括用于处理实时相机管理的专用处理器子系统。

处理器510可以进一步包括高动态范围信号处理器，其可以包括图像信号处理器，该图像信号处理器是一种硬件引擎，该硬件引擎是相机处理管线的部分。

处理器510可以包括可以是(例如微处理器上实现的)处理块的视频图像复合器，其实现视频回放应用程序产生用于播放器窗口的最终图像所需的视频后处理功能。视频图像复合器可以对广角相机570、环绕相机574和/或对驾驶室内监控相机传感器执行镜头畸变校正。驾驶室内监控相机传感器优选地由运行在高级SoC的另一个实例上的神经网络监控，被配置为识别驾驶室内事件并且相对应地做出响应。驾驶室内系统可以执行唇读，以激活移动电话服务并拨打电话、口述电子邮件、改变车辆目的地、激活或改变车辆的信息娱乐系统和设置或者提供语音激活的网上冲浪。某些功能仅在车辆操作于自主模式下时对于驾驶员可用，并且在其他情况下被禁用。

视频图像复合器可以包括用于空间和时间降噪的增强时间降噪。例如，在视频中出现运动的情况下，降噪适当地对空间信息加权，降低邻近帧提供的信息的权重。在图像或者图像的部分不包括运动的情况下，视频图像复合器执行的时间降噪可以使用来自先前的图像的信息以降低当前图像中的噪声。

视频图像复合器也可以被配置为对输入立体镜头帧执行立体校正。当操作系统桌面正在使用并且GPU 508无需连续地渲染(render)新的表面时，视频图像复合器可以进一步用于用户接口组成。甚至在GPU 508上电并且激活，进行3D渲染时，视频图像复合器可以用来减轻GPU 508的负担以提高性能和响应能力。

SoC 504可以进一步包括用于从相机接收视频和输入的移动行业处理器接口(MIPI)相机串行接口、高速接口和/或可以用于相机和有关像素输入功能的视频输入块。SoC 504可以进一步包括可以由软件控制并且可以用于接收未提交到特定角色的I/O信号的输入/输出控制器。

SoC 504可以进一步包括大范围的外围设备接口，以使能与外围设备、音频编解码器、功率管理和/或其他设备通信。SoC 504可以用来处理来自(通过千兆多媒体串行链路和以太网连接的)相机、传感器(例如可以通过以太网连接的LIDAR传感器564、RADAR传感器560等等)的数据，来自总线502的数据(例如车辆500的速率、方向盘位置等等)，来自(通过以太网或CAN总线连接的)GNSS传感器558的数据。SoC 504可以进一步包括专用高性能大容量存储控制器，其可以包括它们自己的DMA引擎，并且其可以用来从日常数据管理任务中释放CPU 506。

SoC 504可以是具有灵活架构的端到端平台，该架构跨越自动化3-5级，从而提供利用和高效使用计算机视觉和ADAS技术以实现多样性和冗余、连同深度学习工具一起提供用于灵活可靠驾驶软件堆栈的平台的综合功能安全架构。SoC 504可以比常规的系统更快、更可靠，甚至更加能量高效和空间高效。例如，当与CPU 506、GPU 508和数据存储516结合时，加速器514可以提供用于3-5级自主车辆的快速高效平台。

因此该技术提供了不能通过常规系统实现的能力和功能。例如，计算机视觉算法可以在CPU上执行，这些CPU可以使用诸如C编程语言之类的高级编程语言配置为跨各种各样的视觉数据执行各种各样的处理算法。然而，CPU常常不能满足许多计算机视觉应用的性能要求，诸如与例如执行时间和功耗有关的那些要求。特别地，许多CPU不能实时地执行复杂的对象检测算法，这是车载ADAS应用的要求和实用3-5级自主车辆的要求。

与常规系统形成对比的是，通过提供CPU复合体、GPU复合体和硬件加速簇，本文描述的技术允许同时和/或顺序地执行多个神经网络，并且将结果组合在一起以实现3-5级自主驾驶功能。例如，在DLA或dGPU(例如GPU 520)上执行的CNN可以包括文本和单词识别，允许超级计算机读取和理解交通指示牌，包括尚未针对其特别地训练神经网络的指示牌。DLA可以进一步包括能够识别、解释和提供对指示牌的语义理解，并且将该语义理解传递给运行在CPU复合体上的路径规划模块的神经网络。

作为另一个示例，如3、4或5级驾驶所需的，多个神经网络可以同时运行。例如，由“注意：闪烁的灯指示结冰条件”组成的警告指示牌连同电灯可以由若干神经网络独立地或者共同地进行解释。指示牌本身可以由部署的第一神经网络(例如经过训练的神经网络)识别为交通指示牌，文本“闪烁的灯指示结冰条件”可以由部署的第二神经网络解释，该部署的第二神经网络告知车辆的路径规划软件(优选地在CPU复合体上执行)当检测到闪烁的灯时，存在结冰条件。闪烁的灯可以通过在多个帧上操作部署的第三神经网络而识别，该神经网络告知车辆的路径规划软件闪烁的灯的存在(或不存在)。所有三个神经网络可以例如在DLA内和/或在GPU 508上同时运行。

在一些示例中，用于面部识别和车主识别的CNN可以使用来自相机传感器的数据识别车辆500的授权的驾驶员和/或车主的存在。始终在传感器上的处理引擎可以用来在车主接近驾驶员车门时解锁车辆并且打开灯，并且在安全模式下，在车主离开车辆时禁用车辆。按照这种方式，SoC 504提供了防范盗窃和/或劫车的安全性。

在另一个示例中，用于应急车辆检测和识别的CNN可以使用来自麦克风596的数据来检测并且识别应急车辆警报(siren)。与使用通用分类器检测警报并且手动地提取特征的常规系统形成对比的是，SoC 504使用CNN以对环境和城市声音分类以及对视觉数据分类。在优选的实施例中，运行在DLA上的CNN被训练为识别应急车辆的相对关闭速率(例如通过使用多普勒效应)。CNN也可以被训练为识别如GNSS传感器558所识别的特定于车辆在其中操作的局部区域的应急车辆。因此，例如，当在欧洲操作时，CNN可以寻求检测欧洲警报，并且当在美国时，CNN可以寻求识别仅仅北美的警报。一旦检测到应急车辆，在超声传感器562的辅助下，控制程序可以用来执行应急车辆安全例程，使车辆放慢速度，开到路边，停下车辆，和/或使车辆空转，直到应急车辆通过。

车辆可以包括可以经由高速互连(例如PCIe)耦合到SoC 504的CPU518(例如分立的CPU或dCPU)。CPU 518可以包括例如X86处理器。CPU518可以用来执行各种各样的功能中的任何功能，包括例如仲裁ADAS传感器与SoC 504之间潜在地不一致的结果，和/或监控控制器536和/或信息娱乐SoC 530的状态和健康状况。

车辆500可以包括可以经由高速互连(例如NVIDIA的NVLINK)耦合到SoC 504的GPU520(例如分立的GPU或dGPU)。GPU 520可以例如通过执行冗余的和/或不同的神经网络而提供附加的人工智能功能，并且可以用来基于来自车辆500的传感器的输入(例如传感器数据)来训练和/或更新神经网络。

车辆500可以进一步包括网络接口524，该网络接口可以包括一个或更多个无线天线526(例如用于不同通信协议的一个或更多个无线天线，例如蜂窝天线、蓝牙天线等等)。网络接口524可以用来使能通过因特网与云(例如与服务器578和/或其他网络设备)、与其他车辆和/或与计算设备(例如乘客的客户端设备)的无线连接。为了与其他车辆通信，可以在这两辆车之间建立直接链接，和/或可以建立间接链接(例如跨网络以及通过因特网)。直接链接可以使用车对车通信链路提供。车对车通信链路可以向车辆500提供关于接近车辆500的车辆(例如车辆500前面、侧面和/或后面的车辆)的信息。该功能可以是车辆500的协作自适应巡航控制功能的部分。

网络接口524可以包括提供调制和解调功能并且使得控制器536能够通过无线网络通信的SoC。网络接口524可以包括用于从基带到射频的上转换以及从射频到基带的下转换的射频前端。频率转换可以通过公知的过程执行，和/或可以使用超外差(super-heterodyne)过程执行。在一些示例中，射频前端功能可以由单独的芯片提供。网络接口可以包括用于通过LTE、WCDMA、UMTS、GSM、CDMA2000、蓝牙、蓝牙LE、Wi-Fi、Z波、ZigBee、LoRaWAN和/或其他无线协议通信的无线功能。

车辆500可以进一步包括可包括片外(例如SoC 504外)存储装置的数据存储528。数据存储528可以包括一个或更多个存储元件，包括RAM、SRAM、DRAM、VRAM、闪存、硬盘和/或可以存储至少一个比特的数据的其他部件和/或设备。

车辆500可以进一步包括GNSS传感器558。GNSS传感器558(例如GPS、辅助GPS传感器、差分GPS(DGPS)传感器等)用于辅助映射、感知、占用网格生成和/或路径规划功能。可以使用任意数量的GNSS传感器558，包括例如且不限于使用带有以太网到串行(RS-232)网桥的USB连接器的GPS。

车辆500可以进一步包括RADAR传感器560。RADAR传感器560可以甚至在黑暗和/或恶劣天气条件下也由车辆500用于远程车辆检测。RADAR功能安全级别可以是ASIL B。RADAR传感器560可以使用CAN和/或总线502(例如以传输RADAR传感器560生成的数据)以用于控制以及访问对象跟踪数据，在一些示例中接入以太网以访问原始数据。可以使用各种各样的RADAR传感器类型。例如且非限制性地，RADAR传感器560可以适合前面、后面和侧面RADAR使用。在一些示例中，使用脉冲多普勒RADAR传感器。

RADAR传感器560可以包括不同的配置，例如具有窄视场的远程、具有宽视场的短程、短程侧覆盖等等。在一些示例中，远程RADAR可以用于自适应巡航控制功能。远程RADAR系统可以提供通过两个或更多独立浏览实现的广阔视场(例如250m范围内)。RADAR传感器560可以帮助区分静态对象和运动对象，并且可以由ADAS系统用于紧急制动辅助和前方碰撞警告。远程RADAR传感器可以包括具有多根(例如六根或更多)固定RADAR天线以及高速CAN和FlexRay接口的单站多模RADAR。在具有六根天线的示例中，中央四根天线可以创建聚焦的波束图案，其被设计为在更高速率下以来自邻近车道的最小交通干扰记录车辆500的周围环境。其他两根天线可以扩展视场，使得快速地检测进入或离开车辆500的车道的车辆成为可能。

作为一个示例，中程RADAR系统可以包括高达560m(前面)或80m(后面)的范围以及高达42度(前面)或550度(后面)的视场。短程RADAR系统可以包括但不限于被设计为安装在后保险杠两端的RADAR传感器。当安装在后保险杠两端时，这样的RADAR传感器系统可以创建持续地监控后方和车辆旁边的盲点的两个波束。

短程RADAR系统可以在ADAS系统中用于盲点检测和/或变道辅助。

车辆500可以进一步包括超声传感器562。可以置于车辆500的前面、后面和/或侧面的超声传感器562可以用于停车辅助和/或创建和更新占用网格。可以使用各种各样的超声传感器562，并且不同的超声传感器562可以用于不同的检测范围(例如2.5m、4m)。超声传感器562可以操作于功能安全级别的ASIL B。

车辆500可以包括LIDAR传感器564。LIDAR传感器564可以用于对象和行人检测、紧急制动、碰撞避免和/或其他功能。LIDAR传感器564可以为功能安全级别的ASIL B。在一些示例中，车辆500可以包括可以使用以太网(例如以将数据提供给千兆以太网交换机)的多个LIDAR传感器564(例如两个、四个、六个等等)。

在一些示例中，LIDAR传感器564可能够对360度视场提供对象列表及其距离。商业上可用的LIDAR传感器564可以具有例如近似500m的广告范围，精度为2cm-3cm，支持500Mbps以太网连接。在一些示例中，可以使用一个或更多个非突出的LIDAR传感器564。在这样的示例中，LIDAR传感器564可以实现为可以嵌入到车辆500的前面、后面、侧面和/或拐角的小设备。在这样的示例中，LIDAR传感器564可以甚至对于低反射率对象提供高达120度水平的和35度竖直的视场，具有200m的范围。前面安装的LIDAR传感器564可以被配置用于45度与135度之间的水平视场。

在一些示例中，也可以使用诸如3D闪光LIDAR之类的LIDAR技术。3D闪光LIDAR使用激光的闪光作为发射源，以照亮高达约200m的车辆周围环境。闪光LIDAR单元包括接受器，该接受器将激光脉冲传输时间和反射光记录在每个像素上，其进而与从车辆到对象的范围相对应。闪光LIDAR可以允许利用每个激光闪光生成周围环境的高度精确且无失真的图像。在一些示例中，可以部署四个闪光LIDAR传感器，车辆500的每一侧一个。可用的3D闪光LIDAR系统包括没有风扇以外的运动部件(moving part)的固态3D凝视阵列LIDAR相机(例如非浏览LIDAR设备)。闪光LIDAR设备可以使用每帧5纳秒I类(眼睛安全)激光脉冲，并且可以以3D范围点云和共同寄存的强度数据的形式捕获反射的激光。通过使用闪光LIDAR，并且因为闪光LIDAR是没有运动部件的固态设备，LIDAR传感器564可以不太容易受到运动模糊、振动和/或震动的影响。

该车辆可以进一步包括IMU传感器566。在一些示例中，IMU传感器566可以位于车辆500的后轴的中心。IMU传感器566可以包括例如且不限于加速度计、磁力计、陀螺仪、磁罗盘和/或其他传感器类型。在一些示例中，例如在六轴应用中，IMU传感器566可以包括加速度计和陀螺仪，而在九轴应用中，IMU传感器566可以包括加速度计、陀螺仪和磁力计。

在一些实施例中，IMU传感器566可以实现为微型高性能GPS辅助惯性导航系统(GPS/INS)，其结合微机电系统(MEMS)惯性传感器、高灵敏度GPS接收器和高级卡尔曼滤波算法以提供位置、速度和姿态的估计。这样，在一些示例中，IMU传感器566可以使得车辆500能够在无需来自磁传感器的输入的情况下通过直接观察从GPS到IMU传感器566的速度变化并且将其相关来估计方向(heading)。在一些示例中，IMU传感器566和GNSS传感器558可以结合到单个集成单元中。

该车辆可以包括置于车辆500中和/或车辆500周围的麦克风596。除别的以外，麦克风596可以用于应急车辆检测和识别。

该车辆可以进一步包括任意数量的相机类型，包括立体相机568、广角相机570、红外相机572、环绕相机574、远程和/或中程相机598和/或其他相机类型。这些相机可以用来捕获车辆500整个外围周围的图像数据。使用的相机类型取决于实施例和车辆500的要求，并且相机类型的任意组合可以用来提供车辆500周围的必要覆盖。此外，相机的数量可以根据实施例而不同。例如，该车辆可以包括六个相机、七个相机、十个相机、十二个相机和/或另一数量的相机。作为一个示例且非限制性地，这些相机可以支持千兆多媒体串行链路(GMSL)和/或千兆以太网。所述相机中的每一个在本文关于图5A和图5B更详细地进行了描述。

车辆500可以进一步包括振动传感器542。振动传感器542可以测量车辆的诸如车轴之类的部件的振动。例如，振动的变化可以指示道路表面的变化。在另一个示例中，当使用两个或更多振动传感器542时，振动之间的差异可以用来确定道路表面的摩擦或滑移(例如当动力驱动轴与自由旋转轴之间存在振动差异时)。

车辆500可以包括ADAS系统538。在一些示例中，ADAS系统538可以包括SoC。ADAS系统538可以包括自主/自适应/自动巡航控制(ACC)、协作自适应巡航控制(CACC)、前方撞车警告(FCW)、自动紧急制动(AEB)、车道偏离警告(LDW)、车道保持辅助(LKA)、盲点警告(BSW)、后方穿越交通警告(RCTW)、碰撞警告系统(CWS)、车道居中(LC)和/或其他特征和功能。

ACC系统可以使用RADAR传感器560、LIDAR传感器564和/或相机。ACC系统可以包括纵向ACC和/或横向ACC。纵向ACC监控并控制到紧接在车辆500前方的车辆的距离，并且自动地调节车速以维持离前方车辆的安全距离。横向ACC执行距离保持，并且在必要时建议车辆500改变车道。横向ACC与诸如LCA和CWS之类的其他ADAS应用程序有关。

CACC使用来自其他车辆的信息，该信息可以经由网络接口524和/或无线天线526经由无线链路或者通过网络连接(例如通过因特网)间接地从其他车辆接收。直接链接可以由车对车(V2V)通信链路提供，而间接链接可以是基础设施到车辆(I2V)的通信链路。通常，V2V通信概念提供关于紧接在前的车辆(例如紧接在车辆500前方且与其处于相同车道的车辆)的信息，而I2V通信概念提供关于前方更远处的交通的信息。CACC系统可以包括I2V和V2V信息源中的任一个或者二者。给定车辆500前方车辆的信息，CACC可以更加可靠，并且它有可能提高交通流的畅通性且降低道路拥堵。

FCW系统被设计为提醒驾驶员注意危险，使得驾驶员可以采取纠正措施。FCW系统使用耦合到专用处理器、DSP、FPGA和/或ASIC的前置相机和/或RADAR传感器560，该专用处理器、DSP、FPGA和/或ASIC电耦合至诸如显示器、扬声器和/或振动部件之类的驾驶员反馈。FCW系统可以提供例如声音、视觉警告、振动和/或快速制动脉冲形式的警告。

AEB系统检测即将发生的与另一车辆或其他对象的前方碰撞，并且可以在驾驶员在指定的时间或距离参数内没有采取纠正措施的情况下自动地应用制动器。AEB系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的前置相机和/或RADAR传感器560。当AEB系统检测到危险时，它典型地首先提醒(alert)驾驶员采取纠正措施以避免碰撞，并且如果驾驶员没有采取纠正措施，那么AEB系统可以自动地应用制动器以努力防止或者至少减轻预测的碰撞的影响。AEB系统可以包括诸如动态制动支持和/或碰撞迫近制动之类的技术。

LDW系统提供了诸如方向盘或座位振动之类的视觉、听觉和/或触觉警告，以在车辆500穿过车道标记时提醒驾驶员。当驾驶员指示有意偏离车道时，通过激活转弯信号，不激活LDW系统。LDW系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的前侧朝向相机，该专用处理器、DSP、FPGA和/或ASIC电耦合至诸如显示器、扬声器和/或振动部件之类的驾驶员反馈。

LKA系统是LDW系统的变型。如果车辆500开始离开车道，那么LKA系统提供纠正车辆500的转向输入或制动。

BSW系统检测并向驾驶员警告汽车盲点中的车辆。BSW系统可以提供视觉、听觉和/或触觉警报以指示合并或改变车道是不安全的。系统可以在驾驶员使用转弯信号时提供附加的警告。BSW系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的后侧朝向相机和/或RADAR传感器560，该专用处理器、DSP、FPGA和/或ASIC电耦合至诸如显示器、扬声器和/或振动部件之类的驾驶员反馈。

RCTW系统可以在车辆500倒车时在后置相机范围之外检测到对象时提供视觉、听觉和/或触觉通知。一些RCTW系统包括AEB以确保应用车辆制动器以避免撞车。RCTW系统可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的一个或更多个后置RADAR传感器560，该专用处理器、DSP、FPGA和/或ASIC电耦合至诸如显示器、扬声器和/或振动部件之类的驾驶员反馈。

常规的ADAS系统可能易于出现假阳性结果，这可能会让驾驶员烦恼并分散注意力，但是典型地不是灾难性的，因为ADAS系统提醒驾驶员并且允许驾驶员决定安全条件是否真正存在并且相对应地采取行动。然而，在自主车辆500中，在冲突结果的情况下，车辆500本身必须决定是否注意(heed)来自主计算机或者辅助计算机(例如第一控制器536或第二控制器536)的结果。例如，在一些实施例中，ADAS系统538可以是用于向备用计算机合理性模块提供感知信息的备用和/或辅助计算机。备用计算机合理性监视器可以在硬件部件上运行冗余多样的软件，以检测感知和动态驾驶任务中的故障。来自ADAS系统538的输出可以提供给监督MCU。如果来自主计算机和辅助计算机的输出冲突，那么监督MCU必须确定如何协调该冲突以确保安全操作。

在一些示例中，主计算机可以被配置为向监督MCU提供置信度评分，指示主计算机对所选结果的置信度。如果置信度评分超过阈值，那么监督MCU可以遵循主计算机的方向，而不管辅助计算机是否提供冲突或不一致的结果。在置信度评分不满足阈值的情况下并且在主计算机和辅助计算机指示不同的结果(例如冲突)的情况下，监督MCU可以在这些计算机之间进行仲裁以确定适当的结果。

监督MCU可以被配置为运行神经网络，所述神经网络被训练并且被配置为基于来自主计算机和辅助计算机的输出，确定辅助计算机提供假警报的条件。因此，监督MCU中的神经网络可以了解何时可以信任辅助计算机的输出以及何时不能。例如，当辅助计算机为基于RADAR的FCW系统时，监督MCU中的神经网络可以了解FCW系统何时正在识别事实上不是危险的金属对象，例如触发警报的排水栅格或井盖。类似地，当辅助计算机是基于相机的LDW系统时，监督MCU中的神经网络可以学习在骑车者或行人在场并且车道偏离实际上是最安全的策略时无视该LDW。在包括运行在监督MCU上的神经网络的实施例中，监督MCU可以包括适合于利用关联的内存运行神经网络的DLA或GPU中的至少一个。在优选的实施例中，监督MCU可以包括SoC 504的部件和/或作为SoC 504的部件而被包括。

在其他示例中，ADAS系统538可以包括使用传统计算机视觉规则执行ADAS功能的辅助计算机。这样，辅助计算机可以使用经典的计算机视觉规则(如果-那么)，并且在监督MCU中存在神经网络可以提高可靠性、安全性和性能。例如，多样化的实现方式和有意的非完全相同(non-identity)使得整个系统更加容错，对于软件(或者软件-硬件接口)功能造成的故障而言尤其如此。例如，如果在主计算机上运行的软件中存在软件漏洞或错误并且运行在辅助计算机上的非完全相同的软件代码提供相同的总体结果，那么监督MCU可以更加确信总体结果是正确的，并且主计算机上的软件或硬件中的漏洞不造成实质性的错误。

在一些示例中，ADAS系统538的输出可以馈送至主计算机的感知块和/或主计算机的动态驾驶任务块。例如，如果ADAS系统538由于对象紧接在前的原因而指示前方碰撞警告，那么感知块可以在识别对象时使用该信息。在其他示例中，辅助计算机可以具有它自己的神经网络，其被训练并且因此如本文所描述的降低假阳性的风险。

车辆500可以进一步包括信息娱乐SoC 530(例如车载信息娱乐系统(IVI))。尽管被图示和描述为SoC，但是信息娱乐系统可以不是SoC，并且可以包括两个或更多分立的部件。信息娱乐SoC 530可以包括可以用来向车辆500提供音频(例如音乐、个人数字助理、导航指令、新闻、广播等等)、视频(例如TV、电影、流媒体等等)、电话(例如免提呼叫)、网络连接(例如LTE、Wi-Fi等等)和/或信息服务(例如导航系统，后停车援助，无线电数据系统，诸如燃油水平、覆盖的总距离、制动燃油水平、油位、车门开/关、空气过滤器信息之类的车辆有关信息，等等)的硬件和软件的组合。例如，信息娱乐SoC 530可以包括收音机、盘播放器、导航系统、视频播放器、USB和蓝牙连接、车载电脑、车载娱乐、Wi-Fi、方向盘音频控件、免提语音控件、平视显示器(HUD)、HMI显示器534、远程信息处理设备、控制面板(例如用于控制各种部件、特征和/或系统，和/或与其交互)和/或其他部件。信息娱乐SoC 530可以进一步用来向车辆的用户提供信息(例如视觉的和/或听觉的)，例如来自ADAS系统538的信息，诸如规划的车辆机动、轨迹、周围环境信息(例如交叉路口信息、车辆信息、道路信息等等)之类的自主驾驶信息，和/或其他信息。

信息娱乐SoC 530可以包括GPU功能。信息娱乐SoC 530可以通过总线502(例如CAN总线、以太网等)与车辆500的其他设备、系统和/或部件通信。在一些示例中，信息娱乐SoC530可以耦合至监督MCU，使得在主控制器536(例如车辆500的主和/或备用计算机)出现故障的情况下，信息娱乐系统的GPU可以执行一些自驾驶功能。在这样的示例中，信息娱乐SoC530可以如本文所描述的将车辆500置于司机安全停车模式。

车辆500可以进一步包括仪表组532(例如数字仪表板、电子仪表组、数字仪表面板等等)。仪表组532可以包括控制器和/或超级计算机(例如分立的控制器或超级计算机)。仪表组532可以包括一套仪器，例如车速表、燃油水平、油压、转速表、里程表、转弯指示器、换档位置指示器、安全带警告灯、停车制动警告灯、发动机故障灯、安全气囊(SRS)系统信息、照明控件、安全系统控件、导航信息等等。在一些示例中，信息可以被显示和/或在信息娱乐SoC 530和仪表组532之间共享。换言之，仪表组532可以作为信息娱乐SoC 530的部分而被包括，或者反之亦然。

图5D为根据本公开一些实施例的基于云的服务器与图5A的示例自主车辆500之间的通信的系统示意图。系统576可以包括服务器578、网络590以及包括车辆500在内的车辆。服务器578可以包括多个GPU 584(A)-584(H)(这里统称为GPU 584)、PCIe交换机582(A)-582(H)(这里统称为PCIe交换机582)和/或CPU 580(A)-580(B)(这里统称为CPU 580)。GPU584、CPU 580和PCIe交换机可以与诸如例如且不限于NVIDIA开发的NVLink接口588之类的高速互连和/或PCIe连接586互连。在一些示例中，GPU 584经由NVLink和/或NVSwitch SoC连接，并且GPU 584和PCIe交换机582经由PCIe互连连接。尽管图示出八个GPU 584、两个CPU580和两个PCIe交换机，但是这并不意图是限制性的。取决于实施例，服务器578中的每一个可以包括任意数量的GPU 584、CPU 580和/或PCIe交换机。例如，服务器578中的每一个可以包括八个、十六个、三十二个和/或更多GPU 584。

服务器578可以通过网络590并且从车辆接收图像数据，该图像数据表示示出诸如最近开始的道路工程之类的意外或改变的道路状况的图像。服务器578可以通过网络590并且向车辆传输神经网络592、更新的神经网络592和/或地图信息594，包括关于交通和道路状况的信息。对地图信息594的更新可以包括对于HD地图522的更新，例如关于建筑工地、坑洼、弯道、洪水或其他障碍物的信息。在一些示例中，神经网络592、更新的神经网络592和/或地图信息594可以已从新的训练和/或从环境中的任意数量的车辆接收的数据中表示和/或基于数据中心处执行的训练(例如使用服务器578和/或其他服务器)的经验产生。

服务器578可以用来基于训练数据训练机器学习模型(例如神经网络)。训练数据可以由车辆生成，和/或可以在仿真中生成(例如使用游戏引擎)。在一些示例中，训练数据被标记(例如在神经网络受益于有监督学习的情况下)和/或经历其他预处理，而在其他示例中，训练数据不被标记和/或预处理(例如在神经网络无需有监督学习的情况下)。训练可以根据任何一类或更多类机器学习技术来执行，包括但不限于以下类：监督训练、半监督训练、无监督训练、自学习、强化学习、联合学习、迁移学习、特征学习(包括主成分和聚类分析)、多线性子空间学习、流形学习、表示学习(包括备用字典学习)、基于规则的机器学习、异常检测及其任何变体或组合。一旦机器学习模型被训练，机器学习模型可以由车辆使用(例如通过网络590传输至车辆)，和/或机器学习模型可以由服务器578用来远程地监控车辆。

在一些示例中，服务器578可以接收来自车辆的数据，并且将该数据应用到最新的实时神经网络以用于实时智能推理。服务器578可以包括由GPU 584供电的深度学习超级计算机和/或专用AI计算机，例如NVIDIA开发的DGX和DGX站机器。然而，在一些示例中，服务器578可以包括仅使用CPU供电的数据中心的深度学习基础设施。

服务器578的深度学习基础设施可能够快速实时推理，并且可以使用该能力来评估并验证车辆500中的处理器、软件和/或关联硬件的健康状况。例如，深度学习基础设施可以接收来自车辆500的定期更新，例如图像序列和/或车辆500已经定位的位于该图像序列中的对象(例如经由计算机视觉和/或其他机器学习对象分类技术)。深度学习基础设施可以运行它自己的神经网络以识别对象并且将它们与车辆500识别的对象相比较，如果结果不匹配并且该基础设施得出车辆500中的AI发生故障的结论，那么服务器578可以向车辆500传输信号，指示车辆500的故障保护计算机进行控制，通知乘客，并且完成安全停车操作。

为了推理，服务器578可以包括GPU 584和一个或更多个可编程推理加速器(例如NVIDIA的TensorRT 3)。GPU供电的服务器和推理加速的组合可以使得实时响应成为可能。在其他示例中，例如在性能不那么重要的情况下，CPU、FPGA和其他处理器供电的服务器可以用于推理。

示例计算设备

图6为适合用于实现本公开一些实施例的示例计算设备600的框图。计算设备600可以包括直接或间接耦合下列设备的互连系统602：内存604，一个或更多个中央处理单元(CPU)606，一个或更多个图形处理单元(GPU)608，通信接口610，输入/输出(I/O)端口612，输入/输出组件614，电源616，一个或更多个呈现组件618(例如显示器)和一个或更多个逻辑单元620。在至少一个实施例中，计算设备600可以包括一个或更多个虚拟机(VM)，和/或其任何组件可以包括虚拟组件(例如，虚拟硬件组件)。对于非限制性示例，一个或更多个GPU 608可以包括一个或更多个vGPU，一个或更多个CPU 606可以包括一个或更多个vCPU，和/或一个或更多个逻辑单元620可以包括一个或更多个虚拟逻辑单元。因此，计算设备600可以包括分立组件(例如，专用于计算设备600的完整GPU)、虚拟组件(例如，专用于计算设备600的GPU的一部分)，或其组合。

尽管图6的各个框被示为经由具有线路的互连系统602连接，但是这并不意图是限制性的，并且仅仅为了清楚起见。例如，在一些实施例中，诸如显示设备之类的呈现组件618可以被认为是I/O组件614(例如如果显示器为触摸屏)。作为另一个示例，CPU 606和/或GPU608可以包括内存(例如，内存604可以表示除了GPU 608、CPU 606和/或其他组件的内存以外的存储设备)。换言之，图6的计算设备仅仅是说明性的。在诸如“工作站”、“服务器”、“膝上型电脑”、“台式机”、“平板电脑”、“客户端设备”、“移动设备”、“手持式设备”、“游戏控制台”、“电子控制单元(ECU)”、“虚拟现实系统”和/或其他设备或系统类型之类的类别之间不进行区分，因为所有这些都被考虑在图6的计算设备的范围内。

互连系统602可以表示一条或更多条链路或总线，例如地址总线、数据总线、控制总线或者其组合。互连系统602可以包括一种或更多种链路或总线类型，例如行业标准架构(ISA)总线、扩展行业标准架构(EISA)总线、视频电子标准协会(VESA)总线、外围组件互连(PCI)总线、外围组件互连快速(PCIe)总线，和/或另一种类型的总线或链路。在一些实施例中，组件之间存在直接连接。作为示例，CPU 606可以直接连接到存储器604。此外，CPU 606可以直接连接到GPU 608。在组件之间存在直接或点对点连接的情况下，互连系统602可以包括PCIe链路来执行该连接。在这些示例中，计算设备600中不需要包括PCI总线。

内存604可以包括各种各样的计算机可读介质中的任何介质。计算机可读介质可以是可以由计算设备600访问的任何可用介质。计算机可读介质可以包括易失性和非易失性介质以及可移除和不可移除介质。举例而言且非限制性地，计算机可读介质可以包括计算机存储介质和通信介质。

计算机存储介质可以包括易失性和非易失性介质和/或可移除和不可移除介质，其以用于存储诸如计算机可读指令、数据结构、程序模块和/或其他数据类型之类的信息的任何方法或技术实现。例如，内存604可以存储计算机可读指令(例如其表示程序和/或程序元素，例如操作系统)。计算机存储介质可以包括但不限于RAM、ROM、EEPROM、闪存或者其他存储技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储装置、磁带盒、磁带、磁盘存储装置或其他磁存储设备，或者可以用来存储期望的信息且可以由计算设备600访问的任何其他介质。当在本文使用时，计算机存储介质并不包括信号本身。

计算机存储介质可以在诸如载波之类的调制数据信号或其他传输机制中包含计算机可读指令、数据结构、程序模块和/或其他数据类型，并且包括任何信息输送介质。术语“调制数据信号”可以指这样的信号，该信号使它的特性中的一个或更多个以这样的将信息编码到该信号中的方式设置或改变。举例而言且非限制性地，计算机存储介质可以包括诸如有线网络或直接有线连接之类的有线介质，以及诸如声音、RF、红外和其他无线介质之类的无线介质。任何以上所述的组合也应当包含在计算机可读介质的范围内。

CPU 606可以被配置为执行计算机可读指令中的至少一些，以便控制计算设备600的一个或更多个组件执行本文描述的方法和/或过程中的一个或更多个。CPU 606中的每一个可以包括能够同时处理大量软件线程的一个或更多个核(例如一个、两个、四个、八个、二十八个、七十二个等等)。CPU 606可以包括任何类型的处理器，并且可以包括不同类型的处理器，这取决于实现的计算设备600的类型(例如具有用于移动设备的较少核的处理器以及具有用于服务器的更多核的处理器)。例如，取决于计算设备600的类型，处理器可以是使用精简指令集计算(RISC)实现的高级RISC机制(ARM)处理器或者使用复杂指令集计算(CISC)实现的x86处理器。除了一个或更多个微处理器或者诸如数学协处理器之类的补充协处理器之外，计算设备600还可以包括一个或更多个CPU 606。

除了或替代CPU 606，GPU 608还可以被配置为执行至少一些计算机可读指令，以控制计算设备600的一个或更多个组件执行一个或更多个本文所述的方法和/或过程。一个或更多个GPU 608可以是集成GPU(例如，具有一个或更多个CPU 606)和/或一个或更多个GPU 608可以是离散GPU。在实施例中，一个或更多个GPU 608可以是一个或更多个CPU 606的协处理器。计算设备600可以使用GPU 608来渲染图形(例如，3D图形)或执行通用计算。例如，GPU 608可用于GPU上的通用计算(GPGPU)。GPU 608可以包括能够同时处理数百或数千个软件线程的数百或数千个核。GPU 608可以响应于渲染命令(例如经由主机接口接收的来自CPU 606的渲染命令)而生成用于输出图像的像素数据。GPU 608可以包括诸如显示内存之类的用于存储像素数据或任何其他合适的数据(例如GPGPU数据)的图形内存。显示内存可以作为内存604的部分而被包括。GPU 608可以包括(例如经由链路)并行操作的两个或更多GPU。链路可以直接连接GPU(例如，使用NVLINK)，也可以通过交换机(例如，使用NVSwitch)连接GPU。当组合在一起时，每个GPU 608可以生成用于输出的不同部分或者用于不同输出的像素数据或GPGPU数据(例如，第一GPU用于第一图像，第二GPU用于第二图像)。每个GPU可以包括它自己的内存，或者可以与其他GPU共享内存。

除了或替代CPU 606和/或GPU 608，逻辑单元620可以被配置为执行至少一些计算机可读指令，以控制计算设备600的一个或更多个组件来执行本文描述的一种或更多种方法和/或过程。在实施例中，CPU 606、GPU 608和/或逻辑单元620可以离散地或联合地执行方法、过程和/或其部分的任何组合。一个或更多个逻辑单元620可以是一个或更多个CPU606和/或一个或更多个GPU 608的一部分和/或集成在其中，和/或一个或更多个逻辑单元620可以是CPU 606和/或GPU 608的离散组件或以其他方式在其外部。在实施例中，一个或更多个逻辑单元620可以是一个或更多个CPU 606和/或一个或更多个GPU 608的处理器。

逻辑单元620的示例包括一个或更多个处理核心和/或其组件，例如数据处理单元(DPU)、张量核心(TC)、张量处理单元(TPU)、像素视觉核心(PVC)、视觉处理单元(VPU)、图形处理集群(GPC)、纹理处理集群(TPC)、流式多处理器(SM)、树遍历单元(TTU)、人工智能加速器(AIA)、深度学习加速器(DLA)、算术逻辑单元(ALU))、专用集成电路(ASIC)、浮点单元(FPU)、输入/输出(I/O)元件、外围组件互连(PCI)或外围组件互连快速(PCIe)元件等。

通信接口610可以包括一个或更多个接收器、发送器和/或收发器，其使得计算设备600能够经由电子通信网络与其他计算设备通信，包括有线和/或无线通信。通信接口610可以包括使能通过若干不同网络中的任何网络进行通信的组件和功能，所述网络例如无线网络(例如Wi-Fi、Z波、蓝牙、蓝牙LE、ZigBee等等)、有线网络(例如通过以太网或InfiniBand通信)、低功率广域网(例如LoRaWAN、SigFox等等)和/或因特网。在一个或更多个实施例中，逻辑单元620和/或通信接口610可以包括一个或多个数据处理单元(DPU)以将通过网络和/或通过互连系统602接收的数据直接传输到(例如，存储器的)一个或更多个GPU 608。

I/O端口612可以使得计算设备600能够逻辑地耦合到包括I/O组件614、呈现组件618和/或其他组件在内的其他设备，其中一些可以内置到(例如集成到)计算设备600中。说明性I/O组件614包括麦克风、鼠标、键盘、操纵杆、游戏垫、游戏控制器、碟形卫星天线、浏览仪、打印机、无线设备等等。I/O组件614可以提供处理用户生成的空中手势、语音或其他生理输入的自然用户接口(NUI)。在一些实例中，输入可以传输至适当的网络元件以便进一步处理。NUI可以实现语音识别、手写笔识别、面部识别、生物特征识别、屏幕上和邻近屏幕的手势识别、空中手势、头部和眼睛跟踪以及与计算设备600的显示器关联的触摸识别(如下文更详细地描述的)的任意组合。计算设备600可以包括诸如立体相机系统之类的深度相机、红外相机系统、RGB相机系统、触摸屏技术以及这些的组合，以用于手势检测和识别。此外，计算设备600可以包括使能运动检测的加速度计或陀螺仪(例如作为惯性测量单元(IMU)的部分)。在一些示例中，加速度计或陀螺仪的输出可以由计算设备600用来渲染沉浸式增强现实或者虚拟现实。

电源616可以包括硬接线电源、电池电源或者其组合。电源616可以向计算设备600供电以使得计算设备600的组件能够操作。

呈现组件618可以包括显示器(例如监视器、触摸屏、电视屏幕、平视显示器(HUD)、其他显示器类型或者其组合)、扬声器和/或其他呈现组件。呈现组件618可以接收来自其他组件(例如GPU 608、CPU 606、DPU等等)的数据，并且输出该数据(例如作为图像、视频、声音等等)。

示例数据中心

图7示出了示例数据中心700，其可用于本公开的至少一个实施例中。数据中心700可以包括数据中心基础设施层710、框架层720、软件层730和应用层740。

如图7所示，数据中心基础设施层710可以包括资源协调器712、分组的计算资源714和节点计算资源(“节点C.R.”)716(1)-716(N)，其中“N”代表任何完整的正整数。在至少一个实施例中，节点C.R.716(1)-716(N)可以包括但不限于任何数量的中央处理单元(CPU)或其他处理器(包括DPU、加速器、现场可编程门阵列(FPGA)、图形处理器或图形处理单元(GPU)等)，内存设备(例如动态只读内存)，存储设备(例如固态硬盘或磁盘驱动器)，网络输入/输出(NW I/O)设备，网络交换机，虚拟机(VM)，电源模块和冷却模块等。在一些实施例中，节点C.R.716(1)-716(N)中的一个或更多个节点C.R.可以对应于具有一个或更多个上述计算资源的服务器。此外，在一些实施例中，节点C.R.716(1)-716(N)可以包括一个或更多个虚拟组件，例如vGPU、vCPU等，和/或节点C.R.716(1)-716(N)中的一个或更多个可以对应于虚拟机(VM)。

在至少一个实施例中，分组的计算资源714可以包括容纳在一个或更多个机架内的节点C.R.716的单独分组(未示出)，或者容纳在各个地理位置的数据中心内的许多机架(也未示出)。分组的计算资源714内的节点C.R.716的单独分组可以包括可以被配置或分配为支持一个或更多个工作负载的分组的计算、网络、内存或存储资源。在至少一个实施例中，可以将包括CPU、GPU、DPU和/或其他处理器的几个节点C.R.716分组在一个或更多个机架内，以提供计算资源来支持一个或更多个工作负载。一个或更多个机架还可以包括以任意组合的任何数量的电源模块、冷却模块和/或网络交换机。

资源协调器712可以配置或以其他方式控制一个或更多个节点C.R.716(1)-716(N)和/或分组的计算资源714。在至少一个实施例中，资源协调器712可以包括用于数据中心700的软件设计基础结构(SDI)管理实体。资源协调器712可以包括硬件、软件或其某种组合。

在至少一个实施例中，如图7所示，框架层720可以包括作业调度器732、配置管理器734、资源管理器736和分布式文件系统738。框架层720可以包括支持软件层730的软件732和/或应用程序层740的一个或更多个应用程序742的框架。软件732或应用程序742可以分别包括基于Web的服务软件或应用程序，例如由Amazon Web Services，Google Cloud和Microsoft Azure提供的服务软件或应用程序。框架层720可以是但不限于一种免费且开源的软件网络应用框架，例如可以利用分布式文件系统738来进行大规模数据处理(例如“大数据”)的Apache Spark^TM(以下称为“Spark”)。在至少一个实施例中，作业调度器732可以包括Spark驱动器，用于促进对数据中心700的各个层所支持的工作负载进行调度。在至少一个实施例中，配置管理器734可以能够配置不同的层，例如软件层730和包括Spark和用于支持大规模数据处理的分布式文件系统738的框架层720。资源管理器736能够管理映射到或分配用于支持分布式文件系统738和作业调度器732的集群或分组计算资源。在至少一个实施例中，集群或分组计算资源可以包括数据中心基础设施层710处的分组的计算资源714。资源管理器736可以与资源协调器712协调以管理这些映射的或分配的计算资源。

在至少一个实施例中，包括在软件层730中的软件732可以包括由节点C.R.716(1)-716(N)的至少部分，分组的计算资源714和/或框架层720的分布式文件系统738使用的软件。一种或更多种类型的软件可以包括但不限于Internet网页搜索软件、电子邮件病毒浏览软件、数据库软件和流视频内容软件。

在至少一个实施例中，应用层740中包括的一个或更多个应用程序742可以包括由节点C.R.716(1)-716(N)的至少部分、分组的计算资源714和/或框架层720的分布式文件系统738使用的一种或更多种类型的应用程序。一种或更多种类型的应用程序可以包括但不限于任何数量的基因组学应用程序，认知计算和机器学习应用程序，包括训练或推理软件，机器学习框架软件(例如PyTorch、TensorFlow、Caffe等)和/或其他与一个或更多个实施例结合使用的机器学习应用程序。

在至少一个实施例中，配置管理器734、资源管理器736和资源协调器712中的任何一个可以基于以任何技术上可行的方式获取的任何数量和类型的数据来实现任何数量和类型的自我修改动作。自我修改动作可以减轻数据中心700的数据中心操作员做出可能不好的配置决定并且可以避免数据中心的未充分利用和/或行差的部分。

数据中心700可以包括工具、服务、软件或其他资源，用于根据本文所述的一个或更多个实施例来训练一个或更多个机器学习模型或者使用一个或更多个机器学习模型来预测或推理信息。例如，可以通过使用上文关于数据中心700描述的软件和计算资源，根据神经网络架构计算权重参数来训练机器学习模型。在至少一个实施例中，通过使用通过一种或更多种训练技术计算出的权重参数，可以使用上面与关于数据中心700所描述的资源，使用对应于一个或更多个神经网络的经训练的机器学习模型来推理或预测信息，例如但不限于本文所述的那些。

在至少一个实施例中，数据中心700可以使用CPU、专用集成电路(ASIC)、GPU、FPGA和/或其他硬件(或与之对应的虚拟计算资源)来使用上述资源来执行训练和/或推理。此外，上述的一个或更多个软件和/或硬件资源可以配置成一种服务，以允许用户训练或执行信息推理，例如图像识别、语音识别或其他人工智能服务。

示例网络环境

适用于实现本公开的实施例的网络环境可以包括一个或更多个客户端设备、服务器、网络附加存储(NAS)、其他后端设备和/或其他设备类型。客户端设备、服务器和/或其他设备类型(例如，每个设备)可以在图6的计算设备600的一个或更多个实例上实现—例如，每个设备可以包括计算设备600的类似组件、特征和/或功能。此外，在实现后端设备(例如，服务器、NAS等)的情况下，后端设备可以是作为数据中心700的一部分而被包括的，其示例在此关于图7更详细地描述。

网络环境的组件可以通过网络彼此通信，网络可以是有线、无线或两者。网络可以包括多个网络，或者多个网络中的网络。举例来说，网络可以包括一个或更多个广域网(WAN)、一个或更多个局域网(LAN)、一个或更多个公共网络(例如因特网和/或公共交换电话网(PSTN))、和/或一个或更多个专用网络。在网络包括无线电信网络的情况下，诸如基站、通信塔或甚至接入点(以及其他组件)之类的组件可以提供无线连接。

兼容的网络环境可以包括一个或更多个对等网络环境(在这种情况下服务器可能不包括在网络环境中)，以及一个或更多个客户端-服务器网络环境(在这种情况下一个或更多个服务器可以包含在网络环境中)。在对等网络环境中，本文描述的关于服务器的功能可以在任意数量的客户端设备上实现。

在至少一个实施例中，网络环境可以包括一个或更多个基于云的网络环境、分布式计算环境、它们的组合等。基于云的网络环境可以包括框架层、作业调度器、资源管理器，以及在一个或更多个服务器上实现的分布式文件系统，这些服务器可以包括一个或更多个核心网络服务器和/或边缘服务器。框架层可以包括用于支持软件层的软件和/或应用层的一个或更多个应用程序的框架。软件或应用程序可分别包括基于网络的服务软件或应用程序。在实施例中，一个或更多个客户端设备可以使用基于网络的服务软件或应用程序(例如，通过经由一个或更多个应用程序编程接口(API)访问服务软件和/或应用程序)。框架层可以是但不限于一种类型的免费且开源软件网络应用程序框架，例如可以使用分布式文件系统进行大规模数据处理(例如，“大数据”)。

基于云的网络环境可以提供执行本文描述的计算和/或数据存储功能(或其一个或更多个部分)的任何组合的云计算和/或云存储。这些各种功能中的任何一个都可以分布在来自(例如，可以分布在州、地区、国家、全球等地的一个或更多个数据中心的)中央或核心服务器的多个位置。如果到用户(例如，客户端设备)的连接相对靠近边缘服务器，则核心服务器可以将功能的至少一部分指定给边缘服务器。基于云的网络环境可以是私有的(例如，仅限于单个组织)，可以是公共的(例如，对许多组织可用)，和/或其组合(例如，混合云环境)。

客户端设备可以包括本文关于图6描述的示例计算设备600的至少一些组件、特征和功能。作为示例而非限制，客户端设备可以体现为个人计算机(PC)、膝上型计算机、移动设备、智能手机、平板计算机、智能手表、可穿戴计算机、个人数码助理(PDA)、MP3播放器、虚拟现实头戴式显示器、全球定位系统(GPS)或设备、视频播放器、摄像机、监视设备或系统、车辆、船只、飞行器、虚拟机器、无人机、机器人、手持通信设备、医院设备、游戏设备或系统、娱乐系统、车载计算机系统、嵌入式系统控制器、遥控器、电器、消费电子设备、工作站、边缘设备、这些描述设备的任意组合或任何其他合适的设备。

本公开可以在由计算机或者诸如个人数字助理或其他手持式设备之类的其他机器执行的、包括诸如程序模块之类的计算机可执行指令的机器可使用指令或者计算机代码的一般背景下进行描述。通常，包括例程、程序、对象、组件、数据结构等等的程序模块指的是执行特定任务或者实现特定抽象数据类型的代码。本公开可以在各种各样的系统配置中实践，这些配置包括手持式设备、消费电子器件、通用计算机、更专业的计算设备等等。本公开也可以在其中任务由通过通信网络链接的远程处理设备执行的分布式计算环境中实践。

如在本文中使用的，“和/或”关于两个或更多元素的叙述应当解释为仅指一个元素或者元素组合。例如，“元素A、元素B和/或元素C”可以包括仅仅元素A，仅仅元素B，仅仅元素C，元素A和元素B，元素A和元素C，元素B和元素C，或者元素A、B和C。此外，“元素A或元素B中的至少一个”可以包括元素A中的至少一个，元素B中的至少一个，或者元素A中的至少一个和元素B中的至少一个。进一步，“元素A和元素B中的至少一个”可以包括元素A中的至少一个，元素B中的至少一个，或者元素A中的至少一个和元素B中的至少一个。

这里详细地描述了本公开的主题以满足法定要求。然而，描述本身并非意在限制本公开的范围。相反地，本发明人已经设想到，要求保护的主题也可以以其他的方式具体化，以包括与本文中结合其他当前或未来技术描述的步骤不同的步骤或者相似的步骤的组合。而且，尽管术语“步骤”和/或“块”在本文中可以用来隐含采用的方法的不同元素，但是这些术语不应当被解释为暗示本文公开的各个步骤之中或之间的任何特定顺序，除非明确描述了各步骤的顺序。

Claims (20)

1.一种系统，包括：

一个或更多个LiDAR传感器；

一个或更多个处理单元，用于：

使用当前和先前对象检测来确定对象的估计的速度，所述当前和先前对象检测是使用所述一个或更多个LiDAR传感器确定的；

将所述估计的速度与对应于一个或更多个先前检测到的对象的相应速度的一个或更多个跟踪对象状态进行比较；

至少部分地基于所述一个或更多个跟踪对象状态，确定所述先前检测到的对象中的与对应于所述对象的最高概率相关联的一个先前检测到的对象；以及

使用所述估计的速度更新与具有对应于所述对象的最高概率的所述一个先前检测到的对象对应的所述跟踪对象状态，以生成更新的跟踪对象状态。

2.根据权利要求1所述的系统，其中所述一个或更多个处理单元至少部分地基于比较第一对象边界和第二对象边界来确定所述对象的所述估计的速度，所述比较包括应用迭代最近点ICP算法。

3.根据权利要求1所述的系统，其中所述估计的速度包括大小或方向中的至少一个。

4.根据权利要求1所述的系统，其中所述一个或更多个跟踪对象状态中的每一个是使用卡尔曼滤波器生成的。

5.根据权利要求1所述的系统，还包括将所述一个或更多个跟踪对象状态转换到对应于所述对象的当前检测的坐标系，其中将所述估计的速度与所述坐标系中的所述一个或更多个跟踪对象状态进行比较。

6.根据权利要求5所述的系统，其中所述转换至少部分地基于自我机器的测量运动。

7.根据权利要求1所述的系统，还包括使用马氏距离过滤多个跟踪对象状态以确定所述一个或更多个跟踪对象状态。

8.根据权利要求1所述的系统，其中所述系统被包括在以下至少一项中：

用于自主或半自主机器的控制系统；

用于自主或半自主机器的感知系统；

用于执行模拟操作的系统；

用于执行深度学习操作的系统；

使用边缘设备实现的系统；

使用机器人实现的系统；

包含一个或更多个虚拟机VM的系统；

至少部分地在数据中心中实现的系统；或者

至少部分地使用云计算资源实现的系统。

9.一种处理器，包括：

处理电路，用于：

为表示第一概率分布的第一对象创建第一跟踪状态以及为表示第二概率分布的第二对象创建第二跟踪状态；

至少部分地基于LiDAR读数确定与所述第一对象或所述第二对象之一的当前检测相对应的当前障碍物边界；

将所述当前障碍物边界与对应于所述第一跟踪状态的第一障碍物边界进行比较以生成第一速度估计，并将所述当前障碍物边界与对应于所述第二跟踪状态的第二障碍物边界进行比较以生成第二速度估计；

使用所述第一概率分布和所述第一速度估计计算第一成本函数，以及使用所述第二概率分布和所述第二速度估计计算第二成本函数；

至少部分地基于所述第一成本函数小于所述第二成本函数，确定所述当前障碍物边界最接近地对应于所述第一障碍物边界；以及

使用所述第一速度估计更新所述第一跟踪状态以生成对应于所述第一对象的更新的第一跟踪状态。

10.根据权利要求9所述的处理器，还包括处理电路，用于将所述第一跟踪状态和所述第二跟踪状态转换到对应于所述当前检测的坐标系，以考虑自我机器的自我运动。

11.根据权利要求9所述的处理器，其中：

所述第一跟踪状态对应于所述第一障碍物边界的第一速度向量上的第一卡尔曼滤波器，以及

所述第二跟踪状态对应于所述第二障碍物边界的第二速度向量上的第二卡尔曼滤波器。

12.根据权利要求9所述的处理器，其中：

所述第一障碍物边界包括指示第一几何形状的第一形状度量，

所述当前障碍物边界包括指示第二几何形状的第二形状度量，以及

所述当前障碍物边界最接近地对应于所述第一障碍物边界的确定还至少部分地基于所述第一几何形状和所述第二几何形状。

13.根据权利要求9所述的处理器，其中所述更新的第一跟踪状态具有比所述第一跟踪状态低的不确定性。

14.根据权利要求9所述的处理器，还包括处理电路，用于使用马氏距离来执行门函数，以滤除除了所述第一跟踪状态和所述第二跟踪状态之外的一个或更多个跟踪状态。

15.根据权利要求9所述的处理器，其中所述处理器被包括在以下项中的至少一项中：

用于自主或半自主机器的控制系统；

用于自主或半自主机器的感知系统；

用于执行模拟操作的系统；

用于执行深度学习操作的系统；

使用边缘设备实现的系统；

使用机器人实现的系统；

包含一个或更多个虚拟机VM的系统；

至少部分地在数据中心中实现的系统；或者

至少部分地使用云计算资源实现的系统。

16.一种方法，包括：

至少部分地基于使用一个或更多个LiDAR传感器确定的对象的当前检测、使用所述一个或更多个LiDAR传感器确定的所述对象或另一对象的先前检测以及所述当前检测与所述先前检测之间经过的时间之间的比较来确定所述对象的估计的速度；

将所述估计的速度与对应于一个或更多个先前检测到的对象的一个或多个跟踪对象状态进行比较，所述一个或更多个跟踪对象状态中的每个跟踪对象状态表示对应于所述先前检测到的对象中的相应检测到的对象的速度的概率分布；

至少部分地基于所述比较，确定所述先前检测到的对象中的具有与所述对象相对应的最高概率的一个先前检测到的对象；以及

使用所述估计的速度来更新与具有与所述对象对应的最高概率的所述一个先前检测到的对象对应的所述跟踪对象状态，以生成更新的跟踪对象状态。

17.根据权利要求16所述的方法，其中所述比较是在第一对象边界和第二对象边界之间进行的，并且所述比较是使用迭代最近点ICP算法来执行的。

18.根据权利要求16所述的方法，其中所述估计的速度包括大小或方向中的至少一个。

19.根据权利要求16所述的方法，其中所述一个或更多个跟踪对象状态中的每一个是使用卡尔曼滤波器生成的。

20.根据权利要求16所述的方法，还包括将所述一个或更多个跟踪对象状态转换到对应于所述对象的所述当前检测的坐标系，其中将所述估计的速度与所述一个或更多个跟踪对象状态进行比较是在所述坐标系中。

Images