CN115871712A - 操作自主驾驶车辆的方法和系统 - Google Patents

Abstract

本公开提供操作自主驾驶车辆的方法和系统。基于从ADV的多个传感器获得的传感器数据检测障碍物。预测具有相应的概率的障碍物的多个轨迹，包括具有最高概率的障碍物的第一预测轨迹和具有第二高概率的障碍物的第二预测轨迹。基于最高概率和第二高概率之间的差或第二轨迹的结果中的至少一个，规划ADV的警示轨迹。ADV将以低于速度限制的速度驾驶，并准备在警示轨迹中停车。控制ADV根据警示轨迹驾驶。

Description

操作自主驾驶车辆的方法和系统

技术领域

本公开的实施例一般涉及操作自主车辆。更特别地，本公开的实施例涉及操作自主驾驶车辆的方法和系统。

背景技术

以自主模式(例如，无人驾驶)操作的车辆可以减轻乘坐者，尤其是驾驶员的一些驾驶相关责任。当以自主模式操作时，车辆可以使用车载传感器导航到各种位置，从而允许车辆以最小的人机交互或者在没有任何乘客的一些情况下驾驶。

运动规划和控制是自主驾驶中的关键操作。但是，在某些情况下，驾驶环境可能不清楚，并且对障碍物的运动的预测可能不确定。规划ADV的运动轨迹以避免与障碍物发生碰撞是很困难的。

发明内容

一方面，提供一种用于操作自主驾驶车辆(ADV)的方法，所述方法包括：

基于从所述ADV的多个传感器获得的传感器数据检测障碍物；

预测具有相应的概率的所述障碍物的多个轨迹，包括具有最高概率的所述障碍物的第一预测轨迹和具有第二高概率的所述障碍物的第二预测轨迹；

基于所述最高概率与所述第二高概率之间的差或所述第二预测轨迹的结果中的至少一个，规划所述ADV的警示轨迹，其中所述ADV将以低于速度限制的速度行驶并准备在所述警示轨迹中停车；以及

控制所述ADV根据所述警示轨迹行驶。

另一方面，提供一种非暂时性机器可读介质，其中存储有指令，当由处理器执行所述指令时，使得所述处理器执行如上所述的方法的操作。

另一方面，提供一种数据处理系统，包括：

处理器；以及

与处理器耦接的存储器，用于存储指令，当由所述处理器执行所述指令时，使得所述处理器执行如上所述的方法的操作。

另一方面，提供一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时，实现如上所述的方法。

根据本公开，可以谨慎处理来自预测的不确定性，并提高ADV的驾驶的安全性。

附图说明

本公开的实施例通过示例的方式示出并且不限于附图中的图，在附图中相同的附图标记表示相似的元件。

图1是示出根据一个实施例的联网系统的框图。

图2是示出根据一个实施例的自主驾驶车辆的示例的框图。

图3A-3B是示出根据一个实施例与自主驾驶车辆一起使用的自主驾驶系统的示例的框图。

图4是示出根据一个实施例的自主驾驶车辆的预测模块的示例的框图。

图5是示出根据一个实施例的自主驾驶车辆的规划模块的示例的框图。

图6是示出根据一个实施例的用于操作自主驾驶车辆时在不确定性下谨慎驾驶的示例。

图7是示出根据一个实施例的用于操作自主驾驶车辆时在不确定性下谨慎驾驶的示例的框图。

图8是示出根据一个实施例在不确定性下谨慎驾驶操作ADV的过程的示例的流程图。

具体实施方式

将参考以下讨论的细节描述本公开的各个实施例和方面，并且附图将示出各个实施例。以下描述和附图是本公开的说明并且不应被解释为限制本公开。描述了许多具体细节以提供对本公开的各个实施例的全面理解。然而，在某些情况下，为了提供对本公开的实施例的简要讨论，没有描述公知或常规的细节。

说明书中对“一个实施例”或“实施例”的引用意味着结合该实施例描述的特定特征、结构或特性可包括在本公开的至少一个实施例中。在说明书中的各个地方出现的短语“在一个实施例中”不一定都指同一实施例。

根据一些实施例，当驾驶环境不明确，对障碍物的运动的预测可能不确定，采用谨慎的方式驾驶是很重要的。本发明提供了一种处理来自预测的不确定性并且使驾驶安全的方法。可以以相应的概率预测障碍物的多个轨迹，例如，第一轨迹具有最高概率，第二轨迹具有第二高概率，等等。如果最高概率和第二高概率之间的差非常小，低于第一阈值，则ADV可以谨慎驾驶，以低于速度限制的速度驾驶，并准备随时停车。此外，如果最高概率和第二最高概率之间的差不是很小，但足够小，高于第一阈值但低于第二阈值，然而，第二轨迹的损害或结果是高的，诸如碰撞时，也可谨慎驾驶ADV，以低于速度限制的速度驾驶并随时准备停车。

根据一些实施例，基于从ADV的多个传感器获得的传感器数据检测障碍物。以相应的概率预测障碍物的多个轨迹，包括具有最高概率的障碍物的第一预测轨迹和具有第二高概率的障碍物的第二预测轨迹。基于最高概率和第二高概率之间的差或第二轨迹的结果中的至少一个，规划ADV的警示轨迹。ADV将以低于速度限制的速度驾驶并准备在警示轨迹中停车。控制ADV根据警示轨迹驾驶。

在一个实施例中，可确定最高概率和第二最高概率之间的差是否低于第一预定阈值。

在一个实施例中，响应于最高概率和第二高概率之间的差低于第一预定阈值，可以确定规划ADV的警示轨迹。

在一个实施例中，可确定最高概率和第二高概率之间的差是否高于第一预定阈值并低于第二预定阈值，以及第二预测轨迹的结果是否包括碰撞。

在一个实施例中，响应于确定最高概率和第二高概率之间的差高于第一预定阈值并低于第二预定阈值，以及第二预测轨迹的结果包括碰撞，可以确定规划ADV的警示轨迹。

在一个实施例中，对于障碍物的多个轨迹中的每个轨迹，可以确定轨迹的结果。

在一个实施例中，可以更新具有最高概率的第一预测轨迹和具有第二高概率的第二预测轨迹，可以基于更新的最高概率和更新的第二最高概率之间的差或更新的第二预测轨迹的结果中的至少一个，确定不规划ADV的警示轨迹。

图1是示出根据本公开的一个实施例的自主驾驶网络配置的框图。参考图1，网络配置100包括自主驾驶车辆(ADV)101，自主驾驶车辆(ADV)101可以通过网络102通信地耦接到一个或多个服务器103-104。尽管示出一个ADV，但是多个ADV可以通过网络102彼此耦接和/或耦接到服务器103-104。网络102可以是任何类型的网络，诸如局域网(LAN)、诸如因特网的广域网(WAN)、蜂窝网络、卫星网络、或其组合，有线或无线。服务器103-104可以是任何类型的服务器或服务器群集，诸如Web或云服务器、应用服务器、后端服务器或其组合。服务器103-104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(map andpoint of interest，MPOI)服务器或位置服务器等。

ADV指的是能够被配置为处于自主模式的车辆，在自主模式中，车辆在驾驶员很少或没有输入的情况下导航通过环境。这种ADV可包括具有一个或多个传感器的传感器系统，传感器被配置为检测关于车辆操作于其中的环境的信息。车辆及其相关联的控制器使用检测的信息导航通过环境。ADV 101可以以手动模式、全自主模式或部分自主模式操作。

在一个实施例中，ADV 101包括但不限于自主驾驶系统(ADS)110、车辆控制系统111、无线通信系统112、用户接口系统113和传感器系统115。ADV 101还可包括在普通车辆中包括的某些常见组件，例如引擎、车轮、转向盘、变速器等，这些组件可以被车辆控制系统111和/或ADS 110使用各种通信信号和/或命令(例如加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等)控制。

组件110-115可以经由互连、总线、网络或其组合彼此通信地耦接。例如，组件110-115可以经由控制器局域网(CAN)总线彼此通信地耦接。CAN总线是一种车辆总线标准，其被设计为允许微控制器和设备在没有主机的应用中彼此通信。它是基于消息的协议，最初被设计用于车辆内的多路电气布线，但是也用于许多其它环境中。

现在参考图2，在一个实施例中，传感器系统115包括但不限于一个或多个相机211、全球定位系统(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光检测和测距(light detection and range，LIDAR)单元215。GPS系统212可包括可操作以提供关于ADV的位置的信息的收发器。IMU单元213可基于惯性加速度感测ADV的位置和朝向变化。雷达单元214可以表示使用无线电信号感测ADV的局部环境内的对象的系统。在一些实施例中，除了感测对象之外，雷达单元214还可以额外地感测对象的速度和/或航向。LIDAR单元215可以使用激光感测ADV所处的环境中的对象。LIDAR单元215可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。相机211可包括一个或多个设备以捕获ADV周围的环境的图像。相机211可以是静态相机和/或摄影机。相机可以是机械可移动的，例如通过将相机安装在旋转和/或倾斜的平台上。

传感器系统115还可包括其它传感器，诸如声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器和音频传感器(例如麦克风)。音频传感器可以被配置为捕获来自ADV周围的环境的声音。转向传感器可以被配置为感测转向盘、车辆的车轮或其组合的转向角。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情况下，油门传感器和制动传感器可以集成为集成的油门/制动传感器。

在一个实施例中，车辆控制系统111包括但不限于转向单元201、油门单元202(也称为加速单元)和制动单元203。转向单元201用于调节车辆的方向或航向。油门单元202用于控制马达或引擎的速度，马达或引擎的速度转而控制车辆的速度和加速度。制动单元203通过提供摩擦力以使车辆的车轮或轮胎变慢来使车辆减速。注意，图2所示的组件可以以硬件、软件或其组合实现。

返回参考图1，无线通信系统112允许在ADV 101和外部系统，诸如设备、传感器、其他车辆等之间的通信。例如，无线通信系统112可以直接或经由通信网络与一个或多个设备无线通信，诸如经由网络102与服务器103-104通信。无线通信系统112可以使用任何蜂窝通信网络或无线局域网(WLAN)，例如使用WiFi与另一组件或系统通信。无线通信系统112可以例如使用红外链路、蓝牙等直接与设备(例如，乘客的移动设备、显示设备、车辆101内的扬声器)通信。用户接口系统113可以是在车辆101内实现的外围设备的部分，包括例如键盘、触摸屏显示设备、麦克风和扬声器等。

ADV 101的一些或所有功能可以由ADS 110控制或管理，尤其是当以自主驾驶模式操作时。ADS 110包括必要的硬件(例如，处理器、存储器、存储设备)和软件(例如，操作系统、规划和路由程序)，以从传感器系统115、控制系统111、无线通信系统112和/或用户接口系统113接收信息，处理接收的信息，规划从起点到目的地点的路线或路径，然后基于规划和控制信息驾驶车辆101。可替换地，ADS 110可以与车辆控制系统111集成。

例如，作为乘客的用户可以例如经由用户接口指定行程的起始位置和目的地。ADS110获得行程相关数据。例如，ADS 110可以从MPOI服务器获得位置和路线信息，MPOI服务器可以是服务器103-104的部分。位置服务器提供位置服务，以及MPOI服务器提供地图服务和某些位置的POI。可替换地，这种位置和MPOI信息可本地缓存在ADS 110的永久存储设备中。

当ADV 101沿着路线移动时，ADS 110还可以从交通信息系统或服务器(trafficinformation system or server，TIS)获得实时交通信息。注意，服务器103-104可以由第三方实体操作。可替换地，服务器103-104的功能可以与ADS 110集成。基于实时交通信息、MPOI信息和位置信息，以及由传感器系统115检测或感测的实时局部环境数据(例如，障碍物、对象、附近车辆)，ADS 110可规划最佳路线，并例如经由控制系统111根据规划路线驾驶车辆101，以安全且高效地到达指定目的地。

服务器103可以是用以执行用于各种客户端的数据分析服务的数据分析系统。在一个实施例中，数据分析系统103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(ADV或者是由人类驾驶员驾驶的常规车辆)收集驾驶统计123。驾驶统计123包括指示发出的驾驶命令(例如，油门、制动、转向命令)和由车辆的传感器在不同的时间点捕获的车辆的响应(例如，速度、加速度、减速度、方向)的信息。驾驶统计123还可包括描述不同的时间点的驾驶环境的信息，诸如路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。

基于驾驶统计123，机器学习引擎122出于各种目的而生成或训练一组规则、算法和/或预测模型124。在一个实施例中，算法124可以包括基于从ADV的多个传感器获得的传感器数据来检测障碍物的算法或模型，以相应的概率预测障碍物的多个轨迹，包括具有最高概率的第一预测轨迹和具有第二高概率的第二预测轨迹的障碍物的算法或模型，基于最高概率与第二高概率之间的至少一个差或第二轨迹的结果规划ADV的警示轨迹的算法或模型，此算法或模型中ADV以低于速度限制的速度驾驶并准备在警示轨迹中停车，和/或控制ADV根据警示轨迹驾驶的算法或模型。然后，算法124可以被上传到ADV上以在自主驾驶期间实时地使用。

图3A和3B是示出根据一个实施例的与ADV一起使用的自主驾驶系统的示例的框图。系统300可以被实现为图1的ADV 101的部分，包括但不限于ADS 110、控制系统111和传感器系统115。参考图3A-3B，ADS 110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路由模块307。

模块301-307中的一些或全部可以以软件、硬件或其组合实现。例如，这些模块可被安装在永久存储设备352中，加载到存储器351中，并由一个或多个处理器(未示出)执行。注意，这些模块中的一些或全部可以通信地耦接到图2的车辆控制系统111的一些或全部模块或与之集成。模块301-307中的一些可以被集成在一起作为集成模块。

定位模块301确定ADV 300的当前位置(例如，利用GPS单元212)并管理与用户的行程或路线有关的任何数据。定位模块301(也称为地图和路线模块)管理与用户的行程或路线有关的任何数据。用户可以例如经由用户接口登录并指定行程的起始位置和目的地。定位模块301与ADV 300的其他组件交流诸如地图和路线信息311，以获得与行程有关的数据。例如，定位模块301可以从位置服务器和地图与POI(MPOI)服务器获得位置和路线数据。位置服务器提供位置服务，以及MPOI服务器提供地图服务和某些位置的POI，它们可作为地图和路线数据311的部分被缓存。当ADV 300沿着路线移动时，定位模块301还可以从交通信息系统或服务器获得实时交通信息。

基于由传感器系统115提供的传感器数据和由定位模块301获得的定位信息，由感知模块302确定对周围环境的感知。感知信息可以表示普通驾驶员将感知到的驾驶员正在驾驶的车辆周围的情况。感知可包括车道配置、交通灯信号、例如以对象形式的另一车辆、行人、建筑物、人行横道或其它交通相关标志(例如，停止标志、让步标志)等的相对位置。车道配置包括描述一个或多个车道的信息，诸如，例如车道的形状(例如，直的或弯曲的)、车道的宽度、道路中的车道数量、单向或双向车道、合并或分离车道、驶出车道等。

感知模块302可包括计算机视觉系统或计算机视觉系统的功能，以处理和分析由一个或多个相机捕获的图像，以便识别ADV的环境中的对象和/或特征。对象可包括交通信号、车行道边界、其他车辆、行人和/或障碍物等。计算机视觉系统可使用对象识别算法、视频跟踪和其它计算机视觉技术。在一些实施例中，计算机视觉系统可以映射环境、跟踪对象、以及估计对象的速度等。感知模块302还可基于由诸如雷达和/或LIDAR的其他传感器提供的其他传感器数据检测对象。

对于每个对象，预测模块303预测对象将在环境下表现什么。鉴于一组地图/路线信息311和交通规则312，基于感知在时间点的驾驶环境的感知数据执行预测。例如，如果对象是在相反方向上的车辆并且当前驾驶环境包括十字路口，则预测模块303将预测车辆将可能直线向前移动还是转弯。如果感知数据指示十字路口没有交通灯，则预测模块303可以预测车辆在进入十字路口之前可能必须完全停止。如果感知数据指示车辆当前处于仅左转弯车道或仅右转弯车道，则预测模块303可预测车辆将更可能分别进行左转弯或右转弯。

对于每个对象，决策模块304作出关于如何处理该对象的决策。例如，对于特定对象(例如，在交叉路线中的另一车辆)以及描述该对象的元数据(例如，速度、方向、转向角)，决策模块304决定如何遇到该对象(例如，超车、让行、停止、通过)。决策模块304可根据一组规则，诸如交通规则或驾驶规则312作出这些决策，这组规则可存储于永久存储设备352中。

路由模块307被配置为提供从起点到目的地点的一条或多条路线或路径。对于例如从用户接收到的从起始位置到目的地位置的给定行程，路由模块307获得路线和地图信息311并且确定从起始位置用以到达目的地位置的所有可能的路线或路径。路由模块307可以为其确定的从起始位置用以到达目的地位置的每条路线生成地形图形式的参考线。参考线是指没有来自诸如其它车辆、障碍物或交通状况的其它者的任何干扰的理想路线或路径。也就是说，如果在道路上没有其它车辆、行人或障碍物，则ADV应该精确地或紧密地跟随参考线。然后，地形图被提供给决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线，以鉴于由其它模块提供的其它数据(诸如来自定位模块301的交通状况、由感知模块302感知的驾驶环境和由预测模块303预测的交通状况)选择和修改最佳路线中的一个。取决于在时间点的特定驾驶环境，用于控制ADV的实际路径或路线可以接近或不同的于由路由模块307提供的参考线。

基于对于每个感知的对象的决策，规划模块305使用由路由模块307提供的参考线作为基础规划用于ADV的路径或路线以及驾驶参数(例如，距离、速度和/或转向角)。也就是说，对于给定对象，决策模块304决策对该对象做什么，而规划模块305确定如何做。例如，对于给定对象，决策模块304可以决策经过对象，而规划模块305可以确定是在对象的左侧还是右侧经过。规划和控制数据由规划模块305生成，包括描述车辆300在下一个移动周期(例如，下一个路线/路径段)中将如何移动的信息。例如，规划和控制数据可指示车辆300以30英里每小时(mph)的速度移动10米，然后以25mph的速度改变到右车道。

基于规划和控制数据，控制模块306通过根据由规划和控制数据限定的路线或路径向车辆控制系统111发送适当的命令或信号控制和驾驶ADV。规划和控制数据包括足够的信息以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如，油门、制动、转向命令)将车辆从路线或路径的第一点驾驶到第二点。

在一个实施例中，规划阶段在多个规划周期(也称为驾驶周期，诸如在100毫秒(ms)的每个时间间隔内)内执行。对于每个规划周期或驾驶周期，将基于规划和控制数据发出一个或多个控制命令。也就是说，对于每100ms，规划模块305规划下一个路线段或路径段，例如包括目标位置和ADV到达目标位置所需的时间。可替换地，规划模块305还可指定具体速度、方向和/或转向角等。在一个实施例中，规划模块305为下一预定的时间段，诸如5秒规划路线段或路径段。对于每个规划周期，规划模块305基于在先前周期中规划的目标位置规划用于当前周期(例如，下一个5秒)的目标位置。然后控制模块306基于当前周期的规划和控制数据生成一个或多个控制命令(例如，油门、制动、转向控制命令)。

注意，决策模块304和规划模块305可以集成为集成模块。决策模块304/规划模块305可包括导航系统或导航系统的功能，以确定用于ADV的驾驶路径。例如，导航系统可以确定一系列速度和方向航向，以影响ADV沿着基本上避开感知的障碍物的路径的移动，同时大体使ADV沿着通向最终目的地的基于车行道的路径前进。目的地可以根据经由用户接口系统113的用户输入而被设置。当ADV在操作时，导航系统可以动态地更新驾驶路径。导航系统可以并入来自GPS系统的数据和一个或多个地图，以便确定用于ADV的驾驶路径。

图4是示出了根据一个实施例的自主驾驶车辆的预测模块的示例的框图400。如图4所示，预测模块303包括但不限于特征提取器401、轨迹模块402和概率模块403，它们使用障碍物轨迹预测规则/模型314协同工作，以预测具有相应概率的多个障碍物的轨迹，包括具有最高概率的障碍物的第一预测轨迹和具有第二高概率的障碍物的第二预测轨迹。注意，模块401-403可以集成到较少的模块中，也可以集成到单个模块中。

根据一个实施例，识别和检测障碍物，诸如车辆。基于安装在ADV上的各种传感器，诸如图2所示的传感器获得的传感器数据，障碍物可以作为由感知模块302执行的感知过程的部分被检测到。基于感知信息，特征提取器401被配置为提取障碍物的特征。可替代地，障碍物的特征可以由感知模块302提取和提供。障碍物/对象可以是车辆、摩托车、自行车、行人或动物。

根据一个实施例，轨迹模块402可以预测障碍物的多个轨迹，包括第一预测轨迹、第二预测轨迹、第三预测轨迹等。

根据一个实施例，概率模块403可以确定障碍物的多个轨迹的相应的概率，包括最高概率、第二高概率、第三高概率等。

在一个实施例中，预测模块303可以向规划模块305输出具有相应概率的障碍物的多个轨迹。在一个实施例中，预测模块303可以向规划模块305输出具有最高概率、第二高概率和第三高概率的障碍物的前两个或前三个轨迹。

图5是示出根据一个实施例的自主驾驶车辆的规划模块的示例的框图500。参考图5，规划模块305包括但不限于差模块501，结果模块502和警示轨迹模块503，其共同工作以基于最高概率与第二高概率之间的差或第二轨迹的结果中的至少一个，规划ADV的警示轨迹，其中ADV将以低于速度限制的速度驾驶并准备在警示轨迹中停车。注意，模块501-503可以集成到较少的模块或单个模块中。

在一个实施例中，差模块501可确定最高概率和第二最高概率之间的差是否低于第一预定阈值。

在一个实施例中，警示轨迹模块503可以响应于最高概率和第二高概率之间的差低于第一预定阈值，确定规划ADV的警示轨迹。

在一个实施例中，结果模块502可为障碍物的多个轨迹中的每个轨迹确定轨迹的结果。

在一个实施例中，差模块501可确定最高概率和第二最高概率之间的差是否高于第一预定阈值并且低于第二预定阈值，以及结果模块502可确定第二预测轨迹的结果包括碰撞。

在一个实施例中，警示轨迹模块503可以响应于最高概率和第二高概率之间的差高于第一预定阈值并且低于第二预定阈值，以及第二预测轨迹的结果包括碰撞，确定规划ADV的警示轨迹。

在一个实施例中，警示轨迹模块503可以基于更新的最高概率和更新的第二最高概率之间的差或更新的第二预测轨迹的结果中的至少一个，确定不规划ADV的警示轨迹。

图6示出根据一个实施例的在不确定性下操作自主驾驶车辆601谨慎驾驶的示例。ADV601可以在拥挤的区域中驾驶。ADV 601的驾驶环境可能不清楚。障碍物602的运动的预测可能是不确定的。障碍物602可能跟随多个轨迹(611a，611b，611c，611d)。障碍物602可以继续沿着轨迹611a直走，或者沿着轨迹611b左转，或者沿着轨迹611c右转，或者沿着轨迹611d进行U型调头。

目前，ADV的预测模块只向ADV的规划模块输出具有最高概率的障碍物的轨迹。然而由于预测的不确定性，障碍物602可能最终会跟随另一个概率不是最高的轨迹前进。ADV可能没有足够的时间及时停止。ADV和障碍物之间可能发生碰撞。因此，可能需要规划警示轨迹，以增加驾驶的安全性并且防止碰撞。

参考图6，ADV 601可以在车道605上驾驶。ADV 601的感知模块可检测到障碍物602，例如在车道610上驾驶的移动车辆，车道610是与车道605相邻的车道，供车辆在与ADV601相反的方向驾驶。ADV 601的预测模块(例如303)可以预测具有相应的概率的障碍物602的多个轨迹(611a，611b，611c，611d)。例如，ADV 601的预测模块可以预测障碍物602可能继续沿着轨迹611a直行，或者沿着轨迹611b左转，或者沿着轨迹611c右转，或者沿着轨迹611d进行U型调头。

ADV 601的预测模块还可以预测多个轨迹(611a，611b，611c，611d)的相应概率。多个轨迹(611a，611b，611c，611d)的相应的概率可以基于障碍物的历史，驾驶环境等进行预测。

例如，对于轨迹611a、611b、611c、611d，多个轨迹(611a、611b、611c、611d)的相应的概率分别为45％、40％、10％和5％，如下表1所示。当第一轨迹611a的最高概率与第二轨迹611b的第二高概率之间的差非常小，低于第一预定阈值时，对障碍物602的运动的预测可能存在不确定性。

预测轨迹	概率
		611a	45％
611b	40％
		611c	10％
611d	5％

表1

再例如，对于轨迹611a、611b、611c、611d，多个轨迹(611a、611b、611c、611d)的相应的概率分别为50％、35％、10％和5％，如下表2所示。

预测轨迹	概率
		611a	50％
611b	35％
		611c	10％
611d	5％

表2

如表2中所示，第一轨迹611a的最高概率与第二轨迹611b的第二最高概率之间的差可能不是很小，高于第一预定阈值，但仍然足够小，低于第二预定阈值。然而，第二轨迹611b的结果可能包括大的损害，诸如障碍物602与ADV 601的碰撞。在这种情况下，可能需要ADV 601的警示轨迹来防止碰撞。

ADV的预测模块(例如，303)可以将具有相应概率的多个轨迹(611a，611b，611c，611d)输出到ADV 601的规划模块(例如，305)，而不是只输出具有最高概率的第一轨迹611a。在一些实施例中，ADV的预测模块(例如，303)可以输出具有相应的概率的多个轨迹(611a，611b，611c，611d)中的若干选择的轨迹到ADV 601的规划模块(例如，305)。例如，ADV的预测模块(例如，303)可以选择具有前二、三、四或五高概率的多个轨迹中的前二、三、四或五个轨迹到ADV 601的规划模块(例如，305)。

ADV 601的规划模块(例如，305)可以基于最高概率和第二高概率之间的差或第二轨迹的结果来规划ADV 601的警示轨迹630。在警示轨迹630中，ADV 601被配置为慢速驾驶，速度低于速度限制，并随时准备刹车以停车。

在一个实施例中，ADV 601的规划模块(例如，305)可以确定第一轨迹611a的最高概率和第二轨迹611b的第二高概率之间的差是否低于第一预定阈值。响应于最高概率和第二高概率之间的差低于第一预定阈值，ADV 601的规划模块(例如305)可以确定规划警示轨迹630。例如，第一预定阈值可以是10％。如表1所示，第一轨迹611a的最高概率与第二轨迹611b的第二高概率之间的差可以为5％，小于10％，ADV 601的规划模块(例如，305)可确定规划警示轨迹630。请注意，第一预定阈值可以是任何预定值，而不受示例的限制。

在一个实施例中，ADV 601的规划模块(例如，305)可以确定第一轨迹611a的最高概率和第二轨迹611b的第二最高概率之间的差是否高于第一预定阈值并低于第二预定阈值，以及第二预测轨迹的结果是否包括高损害，诸如碰撞。响应于确定第一轨迹611a的最高概率和第二轨迹611b的第二高概率之间的差高于第一预定阈值并且低于第二预定阈值，以及第二预测轨迹的结果包括高损害，诸如碰撞，ADV 601的规划模块(例如，305)可以确定规划警示轨迹630。例如，第一预定阈值可以是10％，并且第二预定阈值可以是20％。请注意，第一预定阈值和第二预定阈值可以是任何预定值，不受示例的限制。如表2所示，第一轨迹611a的最高概率与第二轨迹611b的第二高概率之差可以是15％，大于10％但小于20％，然而第二预测轨迹611b的结果可能包括碰撞，ADV 601的规划模块(例如，305)可确定规划警示轨迹630。

在一个实施例中，ADV 601的规划模块(例如，305)可以确定具有前二，三，四或五最高概率的多个轨迹的前二，三，四或五个轨迹中的至少一个的结果是否包括碰撞，并且响应于确定具有前二，三，四，五高概率的多个轨迹的前二，三，四或五个轨迹中的至少一个的结果包括碰撞，确定规划警示轨迹630。例如，如果具有第二高概率的第二预测轨迹的结果，或者具有第三高概率的第三预测轨迹的结果，或者具有第四高概率的第四预测轨迹的结果，或者具有第五高概率的第五预测轨迹的结果可能包括碰撞，ADV 601的规划模块(例如，305)可以确定规划警示轨迹630。

预测模块(例如，303)可以，例如不断地，更新具有相应概率的多个轨迹(611a，611b，611c，611d)，并输出更新后具有相应概率的更新后的多个轨迹。随着时间的推移，驾驶环境可能会越来越清晰，不确定性可能会越来越少。例如，第一轨迹611a的概率可能变为70％，第二轨迹611b的概率可能变为40％，第三轨迹611c的概率可能变为0％，以及第四轨迹611d的概率可能变为0％。因此，ADV 601的规划模块(例如，305)可以确定不规划警示轨迹630，而是恢复规划典型轨迹。

通过这种方法，可以谨慎地处理来自预测的不确定性，并且可以提高ADV的驾驶的安全性。

图7是示出根据一个实施例的用于操作自主驾驶车辆时在不确定性下谨慎驾驶的示例的框图。

当ADV的驾驶环境不明确时，对障碍物的运动的预测可能是不确定的。ADV的预测模块303可以预测具有相应的概率706的多个轨迹，包括具有最高概率708的第一轨迹，具有第二高概率710的第二轨迹。ADV的规划模块305可以基于最高概率和第二高概率712之间的差或第二轨迹714的结果中的至少一个，确定是否规划ADV的警示轨迹。

在一个实施例中，当最高概率和第二高概率之间的差低于第一预定阈值时，ADV的规划模块305可确定规划警示轨迹630。在一个实施例中，当最高概率和第二最高概率712之间的差高于第一预定阈值但低于第二预定阈值且第二轨迹714的结果包括碰撞时，ADV的规划模块305可以确定规划警示轨迹630。

控制模块306可根据警示轨迹630驾驶ADV。这样，ADV可以处理来自预测的不确定性，并安全驾驶以防止碰撞。

图8是示出根据一个实施例的在不确定性下谨慎驾驶操作ADV的过程800的示例的流程图。过程800可以由处理逻辑来执行，处理逻辑可以包括软件、硬件或它们的组合。例如，过程800可以由预测模块303和规划模块305执行。

参考图8，在操作801中，处理逻辑基于从ADV的多个传感器获得的传感器数据检测障碍物。例如，处理逻辑可以基于安装在ADV上的各种传感器(例如LIDAR、雷达、相机)获得的传感器数据感知ADV周围的驾驶环境，并生成描述驾驶环境的感知数据。处理逻辑可以基于感知数据检测障碍物。

在操作802中，处理逻辑预测具有相应的概率的障碍物的多个轨迹，包括具有最高概率的障碍物的第一预测轨迹和具有第二高概率的障碍物的第二预测轨迹。

在操作803中，处理逻辑基于最高概率和第二高概率之间的差或第二轨迹的结果中的至少一个，规划ADV的警示轨迹。ADV将以低于速度限制的速度驾驶，并准备在警示轨迹上停车。

在操作804中，处理逻辑控制ADV根据警示轨迹驾驶。这样，可以谨慎处理来自预测的不确定性，并提高ADV的驾驶的安全性。

注意，如上所示和所述的一些或所有组件可以用软件、硬件或其组合实现。例如，这些组件可以被实现为安装并存储在永久存储设备中的软件，软件可以由处理器(未示出)加载并执行在存储器中以执行贯穿本申请所述的过程或操作。可替换地，这些组件可被实现为被编程或嵌入到专用硬件中的可执行代码，专用硬件诸如集成电路(例如，专用IC或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)，可执行代码可经由来自应用的对应驱动器和/或操作系统访问。此外，这些组件可以被实现为处理器或处理器内核中的特定硬件逻辑，作为经由一个或多个特定指令软件组件可访问的指令集的一部分。

已经关于对计算机存储器内的数据位的操作的算法和符号表示呈现了前述详细描述的一些部分。这些算法描述和表示是数据处理领域的技术人员用来最有效地将他们的工作实质传达给本领域的其他技术人员的方式。算法在这里并且通常被认为是导致期望结果的自洽操作序列。这些操作是需要对物理量进行物理操纵的那些操作。

然而，应当记住的是，所有这些和类似的术语都与适当的物理量相关联，并且仅仅是应用于这些量的方便的标记。除非特别声明，否则从以上讨论中显而易见的是，应当理解的是，在整个说明书中，使用诸如所附权利要求书中所阐述的术语的讨论指的是计算机系统或类似电子计算设备的动作和过程，所述计算机系统或类似电子计算设备将计算机系统的寄存器和存储器内的表示为物理(电子)量的数据操纵和变换成计算机系统存储器或寄存器或其它这样的信息存储、传输或显示设备内的类似地表示为物理量的其它数据。

本公开的实施例还涉及用于执行本文的操作的装置。这种计算机程序存储在非瞬态计算机可读介质中。机器可读介质包括用于以机器(例如，计算机)可读的形式存储信息的任何机制。例如，机器可读(例如，计算机可读)介质包括机器(例如，计算机)可读存储介质(例如，只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存设备)。

在前述附图中描述的过程或方法可以由包括硬件(例如，电路、专用逻辑等)、软件(例如，体现在非暂时性计算机可读介质上)或两者的组合的处理逻辑来执行。尽管以上根据一些顺序操作描述了过程或方法，但是应当理解的是，可以以不同的顺序执行所述的一些操作。此外，一些操作可以并行地而不是顺序地执行。

本公开的实施例不是参考任何特别编程语言描述的。将了解，可使用各种编程语言实施如本文所述的本公开的实施例的教示。

在前述说明书中，已经参考本公开的具体示例性实施例描述了本公开的实施例。显然，在不背离如所附权利要求书中所阐述的本公开的更宽的精神和范围的情况下，可以对其进行各种修改。因此，说明书和附图应被认为是说明性的而不是限制性的。

Claims (10)

1.一种用于操作自主驾驶车辆(ADV)的方法，所述方法包括：

基于从所述ADV的多个传感器获得的传感器数据检测障碍物；

预测具有相应的概率的所述障碍物的多个轨迹，包括具有最高概率的所述障碍物的第一预测轨迹和具有第二高概率的所述障碍物的第二预测轨迹；

基于所述最高概率与所述第二高概率之间的差或所述第二预测轨迹的结果中的至少一个，规划所述ADV的警示轨迹，其中所述ADV将以低于速度限制的速度行驶并准备在所述警示轨迹中停车；以及

控制所述ADV根据所述警示轨迹行驶。

2.如权利要求1所述的方法，进一步包括确定所述最高概率和所述第二高概率之间的差是否低于第一预定阈值。

3.如权利要求2所述的方法，进一步包括响应于确定所述最高概率和所述第二高概率之间的差低于第一预定阈值，确定规划所述ADV的警示轨迹。

4.如权利要求1所述的方法，进一步包括确定所述最高概率和所述第二高概率之间的差是否高于第一预定阈值并低于第二预定阈值以及所述第二预测轨迹的结果是否包括碰撞。

5.如权利要求4所述的方法，进一步包括响应于确定所述最高概率和所述第二高概率之间的差高于第一预定阈值并低于第二预定阈值以及所述第二预测轨迹的结果包括碰撞，确定规划所述ADV的警示轨迹。

6.如权利要求1所述的方法，进一步包括：

更新具有所述最高概率的所述障碍物的所述第一预测轨迹和具有所述第二高概率的所述障碍物的所述第二预测轨迹；

基于更新的最高概率和更新的第二最高概率之间的差或更新的第二预测轨迹的结果中的至少一个，确定不规划所述ADV的警示轨迹。

7.如权利要求1所述的方法，进一步包括，对于所述障碍物的所述多个轨迹中的每个轨迹，确定所述障碍物的轨迹的结果。

8.一种非暂时性机器可读介质，其中存储有指令，当由处理器执行所述指令时，使得所述处理器执行如权利要求1至7中任一项所述的方法的操作。

9.一种数据处理系统，包括：

处理器；以及

与处理器耦接的存储器，用于存储指令，当由所述处理器执行所述指令时，使得所述处理器执行如权利要求1至7中任一项所述的方法的操作。

10.一种计算机程序产品，包括计算机程序，当所述计算机程序由处理器执行时，实现如权利要求1至7中任一项所述的方法。

Images