CN116261540A - 碰撞避免规划系统 - Google Patents

Abstract

本文讨论了用于基于碰撞避免算法来控制车辆的技术。车辆接收传感器数据，并且能够确定所述传感器数据表示车辆正在其中行驶的环境中的对象。与车辆相关联的计算设备确定在第一时间在车辆和对象的预测位置处在车辆与对象之间的碰撞概率。能够确定车辆和对象的更新位置，并且能够确定第二碰撞概率。至少部分地基于碰撞概率来控制车辆。

Description

碰撞避免规划系统

相关申请的交叉引用

本专利申请要求于2020年10月30日提交的序列号为17/086,047的美国实用新型专利申请的优先权。专利序列号17/086,047的全部内容通过引用并入本申请。

背景技术

自主车辆使用各种方法、装置和系统来引导这种自主车辆通过可能具有其他对象(包括其他车辆)的环境。在一些示例中，预测技术能够被用于确定环境中的两个实体之间发生碰撞的可能性。当前的预测技术可能具有局限性，包括缺乏适应与环境相关联的空间限制的能力。当前预测技术的局限性会导致自主车辆和另一辆车辆在避免碰撞的同时无法彼此通过。

附图说明

参考附图描述详细描述。在图中，附图标记的最左侧的(一个或多个)数字标识附图标记首次出现的附图。在不同的附图中使用相同的附图标记指示相似或相同的部件或特征。

图1是确定碰撞概率并且至少部分基于碰撞概率来控制车辆的示例过程的图示流程图。

图2是用于确定与车辆和对象相关联的碰撞概率的车辆和对象的示例模型的图示。

图3是至少部分基于加速度来确定加速度和控制车辆的示例过程的图示流程图。

图4A和图4B是能够基于与车辆相关联的碰撞概率而选择的示例车辆轨迹和动作的图示。

图5是用于实现本文所述技术的示例系统的框图。

图6是至少部分地基于碰撞概率来确定碰撞概率并控制车辆的示例过程。

具体实施方式

本文讨论了用于评估车辆和对象的轨迹以避免碰撞的技术。在一些示例中，车辆(诸如自主车辆)能够确定车辆横穿环境的轨迹。车辆也能够确定环境中对象(例如，另一车辆)的对象轨迹。车辆能够基于车辆轨迹和对象轨迹来预测车辆和对象的(一个或多个)位置。在确定与预测的相交相关联的碰撞概率(例如，车辆轨迹与预测对象轨迹之间的相交、车辆与对象之间的距离小于阈值、车辆与对象之间的重叠大于阈值等)时，车辆的规划系统能够确定车辆沿着车辆轨迹的位置，以避免碰撞，同时促进对象沿着对象轨迹的前进。例如，规划系统能够沿着车辆轨迹“先后移动”车辆，并且能够沿着对象轨迹“向前移动”对象，直到规划系统确定碰撞概率低于阈值。规划系统能够改变车辆轨迹以使车辆减速或者将车辆停在环境中的某个位置处以避免碰撞。

在一些示例中，车辆的规划系统能够利用碰撞避免算法来减少与环境中的对象碰撞的风险。车辆能够基于碰撞避免算法来确定碰撞的概率。碰撞的概率能够由碰撞避免算法输出以控制车辆。碰撞避免算法能够利用至少一个模型(例如，几何模型、机器学习模式等)来最小化与车辆相关联的任务和运动规划所需的计算量。

在某些情况下，能够基于车辆和对象位于环境的受限制区域来确定碰撞的概率。车辆能够部分或完全地位于道路的车道中。车辆所处的车道能够与对象部分或完全地位于其中的车道相邻。车辆所处的车道能够用于允许车辆在与对象所处的车道中的车辆的移动相反(例如，迎面而来)的方向上移动。包括车辆所处的车道和对象所处的车道的道路能够至少部分地被限制。

碰撞避免算法能够基于由车辆的传感器接收的传感器数据来确定碰撞的风险。传感器数据能够包括与环境中的车辆和对象(例如，车辆、行人、自行车、动物、停放的汽车、树木、建筑物等)中的每一个相关联的数据。传感器数据能够包括与车辆和对象中的每一个相关联的物理特性、位置和/或移动相关联的信息。能够基于传感器数据来确定与对象相关联的额外信息，所述传感器数据诸如是车辆和对象中的每一个的位置、速度、加速度、方向等。传感器数据能够用于生成碰撞避免算法的输入。例如，输入能够包括车辆和对象的轨迹，以及用于搜索碰撞的时间段、时间步长、距离步长、概率阈值等。

在一些情况下，碰撞避免算法能够利用各种几何模型，这些几何模型能够基于处理能力、准确度、低估/高估碰撞概率的趋势等中的至少一个而变化。在一些示例中，能够利用几何模型来确定与车辆和对象相关联的相交和/或碰撞概率。能够基于车辆和对象中的每一个的预测位置来确定相交和/或碰撞概率。能够基于车辆和对象的轨迹来确定车辆和对象在相交处的预测位置。规划系统能够基于车辆和对象中的每一个的几何表示来确定相交处的预测位置。规划系统能够确定车辆的几何表示与对象的几何表示之间的重叠，以及与对象相关联的(一个或多个)概率分布。能够针对与相交相关联的车辆和对象的预测位置以及针对在车辆的“向后倒退”和对象的“向前移动”之后确定的车辆和对象的后续预测位置而确定的重叠。

从初始状态开始(例如，与车辆和对象之间的碰撞或碰撞概率高于阈值相关联)，能够使用碰撞避免算法来模拟与车辆相关联的轨迹在相交处的“向后移动”(例如，模拟车辆减速(例如，减速度))。在这些示例中，“向后移动”与车辆相关联的轨迹能够包括确定与在初始状态的位置之前的新位置相关联的车辆特性。接下来，碰撞避免算法能够模拟“向前移动”对象的轨迹(例如，模拟对象改变其位置)。在这些示例中，“向前移动”对象的轨迹能够包括确定在初始状态的时间之后的新时间的与对象相关联的对象特性。接下来，碰撞避免算法能够确定车辆在新时间的几何表示是否与对象在新位置的几何表示重叠。然后，能够重复“向后移动”和“向前移动”，直到确定没有重叠或者直到碰撞概率低于阈值。能够控制车辆，以确保没有碰撞，并且确保对象能够前进。

在一些示例中，能够基于车辆的几何表示与对象的几何表示之间的空间关系来确定碰撞的概率。能够基于与对象相关联的位置概率分布来确定碰撞的概率。位置概率分布能够作为不相关的概率分布与对象相关联，诸如两个不相关的概率分布，包括在第一方向(例如，在x轴上)上的概率分布和在第二方向(例如，在y轴上)上的概率分布。位置概率分布能够作为在这两个方向上(例如，在x轴和y轴两者上)的单个相关概率分布与对象相关联。例如，基于从传感器数据确定的对象的范围，能够将对象(诸如另一车辆)表示为矩形。能够基于与每个概率分布相关联的积分以及与车辆相关联的几何模型来确定碰撞概率。位置概率分布并不限于上述几何模型，并且能够包括一个或多个其他模型。(一个或多个)其他模型能够包括例如：基于与对象相关联的速度、与对象相关联的速度上的概率、与对象相关联的加速度上的不确定性、与对象相关联的转向上的不确定性、与对象本身的范围上的不确定性、与对象相关联的热图、与对象的位置相关联的管等。例如，在2018年10月4日提交的题为“Trajectory Prediction on Top-Down Scenes”的美国专利申请No.16/151,607中讨论了基于热图的概率分布的示例，该申请通过引用整体并入本文。

在一些示例中，碰撞避免算法能够利用机器学习模型来确定与车辆和对象的位置相关联的碰撞概率。在一些示例中，机器学习模型描绘包括卷积神经网络(CNN)，其可以包括一个或多个递归神经网络(RNN)层，诸如但不限于长短期记忆(LSTM)层。与车辆相关联的碰撞的概率能够基于车辆和对象在相交处的位置中的每个位置来确定。与车辆相关的碰撞的概率能够基于在车辆的“向后移动”和对象的“向前移动”之后的车辆和对象的位置中的每个位置来确定。与车辆相关联的预测速度能够基于车辆和对象在相交处的位置来确定。能够基于在车辆的“向后移动”和对象的“向前移动”之后的车辆和对象的速度和位置来确定与车辆相关的预测加速度。

在一些示例中，碰撞避免算法能够用于基于与车辆相关联的预测速度和/或预测位置来确定控制车辆的加速度。控制车辆的加速度能够基于以下选项来确定：i)停止车辆，或ii)将车辆的速度修改为沿着车辆轨迹的位置处的参考速度。控制车辆的加速度能够基于最保守的选项。

通过使用碰撞避免算法，能够控制车辆以避免碰撞而不更新转向输入(例如，不需要车辆改变车道)。通过控制车辆停止或减速，能够允许在迎面方向上移动的对象沿着对象轨迹安全地继续和/或路过车辆。即使与车辆相关联的环境受到限制，对象也能够继续其轨迹和/或路过车辆。本文讨论了对车辆的操作的这些和其他改进。

本文所讨论的技术能够以许多附加方式改进计算设备的功能。在某些情况下，碰撞避免算法能够允许对轨迹的快速评估，以确定沿着这样的轨迹的碰撞概率。使用简单的几何模型和概率分布允许进行简单的计算，其准确地表示与这样的轨迹相关联的风险。因此，这样的碰撞避免算法能够并行运行，以评估用于安全引导车辆的多个轨迹和/或动作，从而总体上改善安全结果和交通流。这样的策略的使用能够改善需要更少内存的计算机性能，以及具有降低的处理要求，由此使得这样的系统能够用于现实世界中的车辆安全系统，所述车辆安全系统必须在短的时间量内以有限的处理能力和内存量做出关键的安全决策。

本文描述的技术能够以多种方式来实现。下面参考以下附图提供示例实现。尽管在自主车辆的上下文中进行了讨论，但是本文描述的方法、装置和系统能够应用于各种系统，而不限于自主车辆。在另一示例中，这些技术能够在航空或航海环境中使用，或者在被配置为输入数据以确定与环境中的对象相关联的移动的任何系统中使用。此外，尽管在具有受限制区域的道路的上下文中进行了讨论，但是这些技术能够适用于任何类型或道路，并且不限于本文所讨论的具体示例。另外，本文描述的技术能够与真实数据(例如，使用(一个或多个)传感器捕获)、模拟数据(例如，由模拟器生成)或者两者中的任何三分之二一起使用。

图1是至少部分地基于碰撞概率来确定碰撞概率并控制车辆的示例过程的图示流程图。

操作102能够包括确定车辆轨迹和目标轨迹。车辆轨迹和对象轨迹能够基于由车辆上的一个或多个传感器接收的传感器数据来确定。车辆轨迹和对象轨迹的示例在例如2018年10月4日提交的题为“Trajectory Prediction On Top-Down Scene”的美国专利申请No.16/151,607中讨论，该申请通过引用全文并入本文，以及该示例在例如2017年12月15日提交的标题为“Trajectory Generation Using Curvature Segments”的美国专利申请No.15/843,512中讨论，其全文通过引用并入本文。在一些示例中，车辆和对象可以位于环境的受限制区域中。车辆能够在道路上行驶，并且可以在与道路上行驶的对象的移动相反(例如，迎面而来)的方向上行驶。车辆和对象所处的道路的至少一部分能够至少部分地被限制(例如，由双停车辆、通向交通的门等)。

示例104图示了车辆106和对象108正在穿越环境的环境。车辆106和对象108能够各自处在起始位置处。车辆106能够具有车辆轨迹110，而对象108能够与对象轨迹112相关联。

操作114能够包括确定与车辆106和对象108相关联的碰撞概率。例如，操作114能够包括分别沿着预测轨迹110和112推进(例如，模拟)车辆106和对象108的移动。如在示例116中所图示的，能够确定在位置118处的碰撞概率。在一些示例中，能够确定碰撞概率高于碰撞概率阈值。在一些示例中，该碰撞概率阈值能够是触发“回溯”算法的开始的第一阈值。

在一些示例中，碰撞概率能够和与车辆106和对象108相关联的预测的相交(例如，在时间T_N处的预测的相交)相关联。预测的相交能够与对象108在道路的受限制部分处的位置相关联。

示例116图示了车辆106和对象108正在与预测的相交相关联的预测位置处横穿环境的环境。车辆106能够与预测的相交处的预测位置(例如，位置S)118相关联。对象108能够与预测的相交处的预测时间(例如，时间T_N)120相关联。

操作122能够包括确定与车辆和对象相关联的(一个或多个)更新的预测位置。与车辆106相关联的更新的预测位置能够通过模拟“向后移动”车辆轨迹110(例如，模拟车辆减速(例如，减速度))来确定。在这些示例中，“向后移动”车辆轨迹110能够包括确定与预测位置118之前的新的预测位置相关联的车辆特性。

与对象108相关联的更新的预测位置能够通过模拟“向前移动”对象轨迹112(例如，模拟对象改变其位置)来确定。在这些示例中，“向前移动”对象轨迹112能够包括确定在预测时间120之后的新时间的与对象相关联的对象特性。

示例124图示了在更新的预测位置处表示车辆106和对象108的模拟实例。车辆106能够与更新的预测位置(例如，位置S-D(例如，位置S减去某个距离D))126相关联。与车辆106相关联的更新的预测位置126能够通过模拟“向后移动”车辆轨迹110来确定。对象108的更新的预测位置能够与更新的预测时间(例如，时间T_N+M(例如，时间M加上附加时间N))128相关联。在更新的预测时间128处与对象108相关联的更新的预测位置能够通过模拟“向前移动”对象轨迹112来确定。

操作130能够包括确定碰撞概率是否高于碰撞概率阈值。在一些示例中，该碰撞概率阈值能够是不同于以上关于操作114所讨论的阈值(例如，第一阈值)的第二阈值。在一些示例中，该阈值能够被认为是终止“回溯”算法的“结束”阈值。第二阈值能够小于或等于第一阈值。由碰撞避免算法确定的碰撞概率的数量并不限于两个，并且能够包括与和车辆相关联的各个预测位置和与对象相关联的各自预测时间相关联的任意数量的碰撞概率。随着碰撞概率的数量增加(或者用于确定碰撞概率的位置之间的距离降低到阈值以下)，与由碰撞避免算法所确定利用的碰撞概率相关联的概率方案接近连续概率方案。连续概率方案包括通过从车辆的第一预测位置并且到车辆的车辆起始位置的“回溯”，与连续路径上的每个点相关联的连续碰撞概率。操作130能够针对与连续路径相关联的每个碰撞概率来确定碰撞概率是否高于碰撞概率阈值，直到确定等于或小于第二阈值的碰撞概率。

操作132能够包括确定更新的车辆轨迹。能够基于新的加速度曲线来确定更新的车辆轨迹。能够基于碰撞概率(例如，在操作114中确定的碰撞概率)来确定新的加速度曲线。新的加速度曲线能够包括车辆的加速度(例如，减速度)。在一些示例中，加速度能够包括使车辆减速或停止以到达位置或者在到达位置之前减速或停止(例如，与车辆停止或具有最小速度相关联的第一位置或者与车辆减速相关联的第二位置)。

因此，并且如本文所述，能够控制在道路上接近对象的车辆以降低与对象碰撞的风险。基于可能导致车辆与对象之间的碰撞的对象的预测位置，能够降低碰撞风险。对象的预测位置能够基于由于对象行进的道路的一部分中的受限制区域而改变的对象的轨迹。能够基于车辆与对象之间的预测的相交来确定碰撞概率。预测的相交能够与车辆的预测位置和对象的预测位置相关联。预测的相交能够用于模拟在时间上“向后移动”车辆和在位置上“向前移动”对象。能够重复对车辆和对象的模拟，以基于低于第二阈值的碰撞概率来确定车辆和对象的更新的预测位置。更新的预测位置能够与车辆与对象之间的碰撞风险降低相关联。能够基于更新的预测位置来控制车辆。能够控制车辆减速或停止以到达与车辆相关联的更新的预测位置或者在此之前减速或停止。通过减速或停止车辆，能够允许对象从车辆旁边路过。

图2是用于确定与车辆和对象相关的碰撞概率的车辆和对象的示例模型的图示。

如在图2中所示的，示例表示202能够包括具有车辆轨迹的车辆和具有对象轨迹的对象。在一些情况下，示例表示202能够包括车辆106、对象108、车辆轨迹110和对象轨迹112，如上面结合图1所所讨论的。

示例表示204图示了用于确定与车辆106相关联的碰撞概率的几何模型。几何模型能够包括与车辆106相关联的几何表示206和与对象108相关联的几何表示208。在一些示例中，能够基于几何表示206与几何表示208之间的距离来确定碰撞概率。在这些示例中，能够基于几何表示206与几何表示208之间的重叠来确定碰撞概率。重叠能够与车辆106和对象108之间的相交相关联。能够结合在x方向和y方向上的不相关的概率来确定重叠。所述重叠能够用于确定与x方向相关联的x方向碰撞概率以及与y方向相关的y方向碰撞概率。x方向碰撞概率能够乘以y方向碰撞概率，以确定与车辆106和对象108相关联的碰撞概率。车辆106的不同模型能够用于便于计算，如下面进一步详细讨论的。然后，能够利用机器学习模型基于蒙特卡洛模拟来确定校正因子。

在一些示例中，车辆106能够由几何表示206来表示，几何表示206被图示为圆。圆的半径能够基于车辆106的宽度。在一些示例中，圆的中心能够基于车辆106的前保险杠的中心或者与之相关联。

在一些示例中，几何表示206的中心能够被确定为更接近车辆106的另一部分(例如，更接近或更远离车辆的中心)，以提供相对于车辆106的该部分更保守的碰撞概率。

在一些示例中，对象108能够由几何表示208来表示，诸如矩形。矩形能够基于对象的范围(例如，对象的宽度和长度)。

在示例204中，从表示208的中心到表示206的中心的偏移能够被表示为第一维度中的变量“k”和第二维度中的“h”。

表示208也能够与表示对象108在特定时间将处于特定位置的概率的(一个或多个)累积分布函数(例如，(一个或多个)正态分布函数)相关联。车辆106与对象108碰撞的碰撞概率能够基于与x方向相关联的x方向碰撞概率以及与y方向相关联的y方向碰撞概率来确定。车辆106与对象108碰撞的x方向碰撞概率能够基于水平偏移来确定。能够基于均值、标准差和与正态分布函数相关联的曲线下的面积来确定x方向碰撞概率。车辆106与对象108碰撞的y方向碰撞概率能够基于垂直偏移来确定。y方向碰撞概率能够基于平均值、标准偏差和与正态分布函数相关联的曲线下的面积来确定。x方向碰撞概率能够乘以y方向碰撞概率，以确定与车辆106和对象108相关联的碰撞概率。

在一些示例中，车辆106与对象108之间的碰撞概率能够如上面讨论的基于垂直偏移和水平偏移以及位置概率来确定。碰撞概率的初始值能够被确定为与车辆106和对象108之间的预测的相交相关联。碰撞概率的初始值能够被确定为与几何表示206和几何表示208的重叠相关联。能够基于小于或等于几何表示206的半径的尺寸的垂直偏移和水平偏移中的每一个的尺寸来确定重叠。在一些示例中，能够基于重叠的最大尺寸(例如，几何表示206的中心具有与几何表示208的中心相同的预测位置)将碰撞概率的值确定为最大值。在这些示例中，能够基于重叠减小的尺寸(例如，垂直偏移或水平偏移中的一个或多个的尺寸增加)来确定碰撞概率的值减小。

在一些示例中，与车辆106和对象108中的每一个的位置相关联的碰撞概率能够基于如在示例表示210-216中所示的几何表示206以及基于几何表示208来确定。能够基于如在示例表示210-216中所示的几何表示206与几何表示208之间的重叠来确定碰撞概率。与车辆106和对象108中的每一个的位置相关联的重叠能够具有基于几何表示206的面积以及与图形表示208相关联的概率分布的尺寸。

尽管在圆的上下文中讨论了图形表示206，但是车辆106能够由其他形状(诸如正方形和/或矩形)来表示，以减少计算复杂性。车辆106的附加模型被示为示例212、214和216。

模型212被表示为具有基于圆的宽度的尺寸的正方形。图2将模型212示出为围绕圆的正方形，以示出模型的相对尺寸。因为模型212的面积大于圆210的面积，所以该模型将高估碰撞概率。

模型214被表示为具有基于圆的宽度的尺寸的正方形。图2将模型214示出为由圆包围的正方形。因为模型214的面积小于圆210的面积，所以该模型将低估碰撞概率。

模型216被表示为在正方形的每一侧具有矩形的正方形，该正方形具有基于圆的宽度的尺寸。图2将模型216示为由圆形包围的正方形和矩形。因为模型216的面积小于圆210的面积，所以该模型将低估碰撞概率。因为模型216的面积大于模型214的面积，所以该模型将低估碰撞概率的量小于模型214将低估碰撞概率的量。该模型将比模型214更准确地估计碰撞概率。

尽管已经讨论了几何表示206的四个示例，但是几何表示206并不限于此，并且除了示例216中正方形的每一侧处的矩形之外，还能够包括任意数量的多边形(例如，矩形)。在一些示例中，根据示例216的几何表示206能够在每个间隙处包括矩形，该矩形由正方形、圆形和正方形的每个边处的矩形包围。

在一些示例中，基于与多于一个几何表示206相关联的碰撞概率，能够将与车辆106和对象108中的每一个的位置相关联的碰撞概率确定为组合的碰撞概率。例如，使用模型212来确定碰撞概率导致对碰撞概率的高估。使用模型214或216来确定碰撞概率导致对碰撞概率的低估。在一些示例中，能够将这些高估值和低估组合起来，以确定聚合的或组合的碰撞概率。

在一些示例中，能够通过校正因子来调整高估和低估，以产生更准确的碰撞概率。在一些示例中，校正因子能够由机器学习模型生成或者至少部分地基于机器学习模型来生成，机器学习模型被训练为基于用于表示车辆106的模型、对象208的范围以及车辆106与对象108之间的偏移来输出校正因子。例如，能够通过模拟(例如，蒙特卡罗模拟)生成用于训练机器学习模型的地面实况，以评估模拟以确定碰撞是否存在。基于大量(例如，数万)样本，能够为特定模型参数确定地面实况碰撞概率。如上所述，能够基于实际地面实况碰撞概率与高估或低估之间的差异来学习校正因子。尽管能够基于如上所述的模拟来确定碰撞概率，但是其并不限于此，并且能够基于任何其他类型的模型来确定。例如，能够基于通过利用启发式模型确定的校正因子来确定碰撞概率。启发式模型能够利用修正和聚合的任意组合。例如，能够确定与任意类型的几何表示(例如，任意几何表示206)相关联的初始碰撞概率，然后利用基于初始碰撞概率确定的校正因子进行校正，并且然后与其他碰撞概率进行聚合(例如，与其他几何表示(例如，任何几何表示206)相关联的任何碰撞概率)。作为另一示例，能够确定与任意类型的几何表示相关联的初始碰撞概率，然后与其他碰撞概率进行聚合，然后利用基于聚合的碰撞概率而确定的校正因子进行校正。作为另一示例，能够确定与任意类型的几何表示相关联的初始碰撞概率，然后利用基于初始碰撞概率而确定的校正因子进行校正，然后与其他碰撞概率进行聚合，然后利用基于聚合的碰撞概率而确定的校正因子进行校正，等等。

一旦使用机器学习模型来确定校正因子，校正因子能够由机器学习模型来确定，或者以静态方式来表示，诸如在查找表中。通过基于与高估的碰撞概率和低估的碰撞概率中的每一个相关联的正态分布函数对误差拟合二次曲线，能够基于误差来预测校正因子。校正因子能够用于确定更新的高估碰撞概率和更新的低估碰撞概率。更新的高估碰撞概率和更新的低估碰撞概率能够一起求平均，以确定与车辆106和对象108的位置相关联的平均碰撞概率。平均碰撞概率能够提供比高估碰撞概率或低估碰撞概率更准确的碰撞概率。

因此，如本文所述，车辆和对象都能够被建模为几何表示。车辆能够被建模为圆形、包围圆形的正方形、被圆形包围的正方形或者被圆形包围的正方形与矩形的组合。对象能够被建模为矩形。几何表示能够用于预测与车辆和对象之间的预测碰撞相关联的相交。重叠处的几何表示之间的重叠能够与碰撞概率相关联。重叠能够用于基于车辆被建模为包围圆形的正方形来高估碰撞概率。重叠能够用于基于车辆被建模为由圆形包围的正方形来低估碰撞概率。碰撞概率的高估和低估能够被组合以确定平均碰撞概率。平均碰撞概率能够比碰撞概率的高估和低估以更大的准确度估计碰撞概率。能够基于平均碰撞概率来控制车辆，以降低与对象碰撞的风险。

图3是至少部分地基于加速度来确定加速度并控制车辆的示例过程的图示流程图。

操作302能够包括确定与车辆和对象中的每一个相关联的位置(例如，预测位置)的碰撞概率。当碰撞概率高于第一阈值(例如，启动阈值)时，操作302能够包括执行包括“向后移动”车辆和“向前移动”对象的碰撞避免算法。当碰撞概率低于第二阈值(例如，结束阈值)时，冲突避免算法能够结束。

如上所述，碰撞避免算法能够用于基于模拟“向后移动”车辆轨迹和“向前移动”对象轨迹来确定碰撞概率。能够基于与车辆相关联的先前预测位置以及与对象相关联的后续预测时间，来确定基于“先后移动”和“向前移动”的碰撞概率。碰撞避免算法能够用于继续模拟“向后移动”和“向前移动”，直到确定碰撞概率小于或等于第二阈值(例如，10％)。

示例304示出了根据碰撞避免算法来确定碰撞概率。尽管示出了两种场景，但是能够基于高于第二阈值的碰撞概率来模拟任意数量的场景。

示例304能够包括场景306，场景306包括能够在与预测的相交相关联的时间确定碰撞概率的环境。能够通过利用碰撞避免算法来确定碰撞概率。能够基于与预测的相交处的对象108相关联的初始时间(例如，T_N)308和与预测的相交处的车辆106相关联的初始预测位置(例如，S₁)310来确定碰撞概率。在一些示例中，能够确定碰撞概率高于触发“回溯”算法的开始的第一阈值。

示例304能够包括场景312，场景312包括能够在与预测的相交相关联的时间的后续时间确定碰撞概率的环境。碰撞避免算法能够用于基于模拟“向后移动”车辆轨迹和“向前移动”对象轨迹来确定碰撞概率。能够基于与车辆106相关联的先前预测位置(例如，S₂)314和与对象108相关联的后续预测时间(T_N+M)316，来确定基于“向后移动”和“向前移动”的碰撞概率。碰撞避免算法能够确定碰撞概率是否小于或等于用于终止“回溯”算法的第二阈值。

操作318能够包括确定在初始预测位置和先前预测位置中的每一个处与车辆相关联的速度。在一些示例中，能够基于被确定为高于第一阈值的碰撞概率来确定与初始预测位置相关联的速度和碰撞概率。能够基于在第一阈值处与车辆相关联的速度(例如，零速度)以及在第二阈值处与该车辆相关联的速度(例如，原始车辆轨迹的速度)之间的插值来确定与先前预测位置相关联的速率和碰撞概率。如上所述，第一阈值能够与正在被停止的车辆相关联。第二阈值能够与车辆保持速度(例如，速度不从原始车辆轨迹的速度改变)相关联。在一些示例中，“回溯”算法能够包括车辆低于其不移动的最小速度。碰撞避免算法能够与最小速度相关联。在这些示例中，第一阈值能够与车辆以最小速度而不是零速度的移动相关联。

示例320示出了绘制车辆相对于碰撞概率的速度的曲线图。能够确定在初始预测位置(例如，S₁)310处与车辆106相关联的速度322。能够确定在较早预测位置(例如，S₂)314处与车辆106相关联的速度324。碰撞避免算法能够用于确定与初始预测位置310处与车辆106相关联的速度322相关联的碰撞概率326。碰撞避免算法能够用于确定与在较早预测位置314处与车辆106相关联的速度324相关联的碰撞概率328。与较早预测位置310相关联的速度324和碰撞概率328能够基于在第一阈值处与车辆106相关联的速度322和在第二阈值处与所述车辆相关联的速度(例如，原始车辆轨迹的速度)之间的插值来确定。插值能够包括任意类型的插值，诸如线性插值、二次插值等。如上所述，第一阈值能够与正在被停止的车辆或者车辆以最小速度的移动相关联。第二阈值能够与车辆保持速度(例如，不改变速度)相关联。

操作332能够包括基于与车辆相关联的速度和当前位置(例如，开始位置)来确定加速度。用于控制车辆的加速度能够包括用于在车辆到达第一位置时控制车辆具有第一速度的第一加速度。在一些示例中，第一加速度能够用于使车辆停止或者控制车辆在第一位置处具有第一速度(例如，最小速度(例如，0m/s、1m/s、2m/s等))。可选地，加速度能够包括用于控制车辆减速以在第二位置具有第二速度的第二加速度。控制车辆的加速度能够包括与由碰撞避免算法确定的最接近当前位置的位置相关联的最保守的加速度。最保守的加速度能够包括基于第一位置比第二位置更接近当前位置而与第一位置相关联的第一加速度，或者反之亦然。

操作334能够包括基于加速度(例如，最保守的加速度)来控制车辆。在一些示例中，最保守的加速度能够被确定为与车辆在相同时间量内行驶最少距离量相关联的加速度。最保守的加速度能够被确定为与车辆停止和不行进超过导致车辆减速或停止之后的位置与车辆的当前位置之间的最短距离的位置相关联的加速度。在一些示例中，最保守的加速度能够包括基于第一位置比第二位置更接近当前位置而与第一位置相关联的第一加速度。在一些示例中，最保守的加速度能够包括基于第二位置比第一位置更接近当前位置而与第二位置相关联的第二加速度。第一加速度能够与车辆停止或者被控制为在第一位置处具有第一速度(例如，最小速度)相关联。可选地，第二加速度能够与车辆被控制为减速以在第二位置具有第二速度相关联。

因此，如本文所述，碰撞避免算法能够用于确定碰撞概率以及与车辆相关联的速度和/或加速度。用于控制车辆的加速度能够是最保守的加速度，包括：i)停止车辆或者将车辆减速至最小速度，ii)将车辆减速到通过插值而确定的速度，或者iii)允许车辆以原始车辆轨迹的速度继续行进。在确定由于对象移出车道(例如，对象返回到与车辆所处的车道相邻的车道)而导致的碰撞风险不高的同时，优化车辆在向前方向上的移动。

图4A和图4B是能够基于与车辆相关联的碰撞概率来选择的示例车辆轨迹和动作的图示。车辆轨迹能够与车辆106相关联，并且对象轨迹能够与对象108相关联，如上面结合图1所讨论的。

如图4A中所示，车辆规划系统能够确定车辆在单车道中行驶的多个轨迹。也就是说，规划系统能够基于环境中的车辆位置来考虑多个轨迹。每个轨迹能够通过碰撞避免算法来评估，以确定车辆在整个环境中的安全操作。在一些示例中，当评估与轨迹相关联的成本时，能够使用由本文讨论的技术确定的加速度，因此，能够基于最低成本来选择或确定轨迹。例如，由于增加的碰撞概率，偏向更靠近对象108的轨迹能够具有降低的速度。因此，能够选择偏离对象108的轨迹，因为其导致更高的速度(例如，和减少的行进时间)，而不考虑其他因素。

图4B示出了类似的操作，由此能够基于本文所讨论的碰撞避免算法来评估不同的动作(例如，向左变道、保持车道、向右变道)。

因此，如本文所述，能够利用碰撞避免算法来进行用于控制车辆的更复杂的确定。如果具有车道的道路不包括具有在相同方向上的交通移动的其他车道，则能够控制车辆改变车辆所处车道内的位置。可选地，如果改变车道的成本低于停留在该车道中的成本，则能够控制车辆改变车道而不是减速或停车。如果能够通过改变车道来控制车辆具有比停留在同一车道中更高的速度，那么改变车道的成本能够更低。

图5是用于实现本文描述的技术的示例系统的框图。在至少一个示例中，系统500能够包括车辆502。在所示的示例性系统500中，车辆502是自主车辆；然而，车辆502可以是任意其他类型的车辆。

车辆502能够是无人驾驶车辆，诸如被配置为根据美国国家公路交通安全管理局发布的5级分类而操作的自主车辆，所述分类描述了一种能够在整个行程中执行所有安全关键功能的车辆，其中，驾驶员(或乘员)不被期望在任何时候控制车辆。在这样的示例中，由于车辆502能够被配置为控制从开始到完成行程的所有功能，包括所有停车功能，其不能够包括驾驶员和/或用于驱动车辆502的控件，诸如方向盘、加速踏板和/或制动踏板。这仅仅是一个示例，并且本文所述的系统和方法能够结合到任何地面、机载或水上车辆中，包括从需要驾驶员始终手动控制的车辆到部分或完全自主控制的车辆。

车辆502能够包括一个或多个计算设备504、一个或多个传感器系统506、一个或多个发射器508、一个或多个通信连接510(也称为通信设备和/或调制解调器)、至少一个直接连接512(例如，用于与车辆502物理耦合以交换数据和/或提供电力)以及一个或多个驱动系统514。一个或多个传感器系统506能够被配置为捕获与环境相关联的传感器数据。

一个或多个传感器系统506能够包括飞行时间传感器、位置传感器(例如，GPS、罗盘等)、惯性传感器(例如，惯性测量单元(IMU)、加速度计、磁强计、陀螺仪等)、激光雷达传感器、雷达传感器、声纳传感器、红外传感器、相机(例如，RGB、IR、强度、深度等)、麦克风传感器、环境传感器(例如，温度传感器、湿度传感器、光传感器、压力传感器等)、超声波换能器、车轮编码器等。一个或多个传感器系统506能够包括这些或其他类型的传感器中的每一个的多个实例。例如，飞行时间传感器能够包括位于车辆502的拐角、前部、后部、侧面和/或顶部的个体飞行时间传感器。作为另一示例，相机传感器能够包括被设置在车辆502的外部和/或内部的不同位置处的多个相机。一个或多个传感器系统506能够向计算设备504提供输入。

车辆502也能够包括用于发射光和/或声音的一个或多个发射器508。该示例中的一个或多个发射器508包括与车辆502的乘客通信的内部音频和视觉发射器。作为示例而非限制，内部发射器能够包括扬声器、灯、标志、显示屏、触摸屏、触觉发射器(例如，振动和/或力反馈)、机械致动器(例如，安全带张紧器、座椅定位器、头枕定位器等)等。该示例中的一个或多个发射器508也包括外部发射器。作为示例而非限制，该示例中的外部发射器包括用于发出行驶方向或车辆动作的其他指示器的信号的灯(例如，指示灯、标志、灯阵列等)，以及用于与行人或其他附近车辆进行可听通信的一个或多个音频发射器(例如，扬声器、扬声器阵列、喇叭等)，其中的一个或多个能够包括声束转向技术。

车辆502也能够包括一个或多个通信连接510，其使得能够在车辆502与一个或多个其他本地或远程计算设备(例如，远程操作计算设备)或远程服务之间进行通信。例如，一个或多个通信连接510能够促进与车辆502和/或一个或多个驱动系统514上的其他本地计算设备的通信。同样地，一个或多个通信连接510能够允许车辆502与其他附近的计算设备(例如，其他附近的车辆、交通信号等)通信。

一个或多个通信连接510能够包括用于将计算设备504连接到另一个计算设备或者一个或多个外部网络542(例如，互联网)的物理和/或逻辑接口。例如，一个或多个通信连接510能够实现基于Wi-Fi的通信，诸如经由通过IEEE 802.11标准定义的频率、短距离无线频率(诸如蓝牙)、蜂窝通信(例如，2G、3G、4G、4G LTE、5G等)或者使得相应的计算设备能够与(一个或多个)其他计算设备进行交互的任何合适的有线或无线通信协议。

在至少一个示例中，车辆502能够包括一个或多个驱动系统514。在一些示例中，车辆502能够具有单个驱动系统514。在至少一个示例中，如果车辆502具有多个驱动系统514，则个体驱动系统514能够被定位在车辆502的相对端(例如，前部和后部等)。在至少一个示例中，(一个或多个)驱动系统514能够包括一个或多个传感器系统，以检测(一个或多个)驱动系统514和/或车辆502的周围环境的状况。作为示例而非限制，(一个或多个)传感器系统能够包括：一个或多个车轮编码器(例如，旋转编码器)，以感测驱动系统的轮的旋转；惯性传感器(例如，惯性测量单元、加速度计、陀螺仪、磁力计等)，以测量驱动系统的取向和加速度；相机或其他图像传感器；超声波传感器，以声学检测驱动系统的环境中的对象；激光雷达传感器；雷达传感器等。一些传感器(诸如车轮编码器)对于(一个或多个)驱动系统514可能是独有的。在某些情况下，(一个或多个)驱动系统514上的(一个或多个)传感器506能够重叠或补充车辆502的对应系统(例如，(一个或多个)传感器系统506)。

(一个或多个)驱动系统514能够包括许多车辆系统，包括高压电池、用于驱动车辆的电动机(motor)、用于将来自电池的直流电转换成交流电以供其他车辆系统使用的逆变器、包括转向马达和转向齿条(其可能是电动的)的转向系统、包括液压或电动致动器的制动系统、包括液压和/或气动组件的悬挂系统、用于分配制动力以减轻牵引力损失并保持控制的稳定性控制系统、HVAC系统、照明(例如，用于照亮车辆的外部环境的头灯/尾灯之类的照明)以及一个或多个其他系统(例如，冷却系统、安全系统、车载充电系统、其他电气组件，诸如DC/DC转换器、高压接头、高压电缆、充电系统、充电端口等)。另外，(一个或多个)驱动系统514能够包括驱动系统控制器，其能够接收和预处理来自(一个或多个)传感器系统506的数据并且控制各种车辆系统的操作。在一些示例中，驱动系统控制器能够包括一个或多个处理器以及与一个或多个处理器通信耦合的存储器。存储器能够存储一个或多个组件以执行(一个或多个)驱动系统514的各种功能。此外，(一个或多个)驱动系统514也包括一个或多个通信连接，其使得相应驱动系统能够与一个或多个其他本地或远程计算设备通信。

计算设备504能够包括一个或多个处理器516以及与一个或多个处理器516通信耦合的存储器518。在所示的示例中，计算设备504的存储器518存储定位组件520、感知组件522、预测组件534、包括碰撞避免组件524的规划组件536、地图组件538以及一个或多个系统控制器540。尽管出于说明的目的被描绘为驻留在存储器518中，但是可以设想到，定位组件520、感知组件522、碰撞避免组件524、预测组件534、规划组件536、地图组件538以及一个或多个系统控制器540能够附加地或替代地，能由计算设备504访问(例如，被存储在车辆502的不同组件中)和/或能由车辆502访问(例如，远程地存储)。

在计算设备504的存储器518中，定位组件520能够包括从(一个或多个)传感器系统506接收数据以确定车辆502的位置的功能。例如，定位组件520能够包括和/或请求/接收环境的三维地图，并且能够连续地确定自主车辆在地图内的位置。在一些情况下，定位组件520能够使用SLAM(同时定位和映射)或CLAMS(同时校准、定位和映射)，以接收飞行时间数据、图像数据、激光雷达数据、雷达数据、声纳数据、IMU数据、GPS数据、车轮编码器数据或者其任何组合等，以准确地确定自主车辆的位置。在一些情况下，定位组件520能够向车辆502的各个组件提供数据，以确定用于生成轨迹的自主车辆的初始位置，如本文所讨论的。

感知组件522能够包括执行对象检测、分割和/或分类的功能。在一些示例中，感知组件522能够提供经处理的传感器数据，其指示接近车辆502的实体的存在和/或实体作为实体类型的分类(例如，汽车、行人、骑自行车的人、建筑物、树、路面、路缘、人行道、未知等)。在附加和/或替代示例中，感知组件522能够提供经处理的传感器数据，所述经处理的传感器数据指示与检测到的实体和/或实体所处的环境相关联的一个或多个特征。在一些示例中，与实体相关联的特性能够包括但不限于x位置(全局位置)、y位置(全局位置)、z位置(全局位置)、取向、实体类型(例如，分类)、实体的速度、实体的范围(尺寸)等。与环境相关联的特性能够包括但不限于环境中存在另一实体、环境中另一实体的状态、一天中的时间、一周中的一天、季节、天气状况、黑暗/光明的指示等。

如上所述，感知组件522能够使用感知算法来基于传感器数据来确定与环境中的对象相关联的基于感知的边界框。例如，感知组件522能够接收图像数据并且对图像数据进行分类，以确定在图像数据中表示的对象。然后，使用检测算法，感知组件522能够生成与对象相关联的二维边界框和/或基于感知的三维边界框。感知组件522还能够生成与对象相关联的三维边界框。如上所述，三维边界框能够提供与对象相关联的额外信息，诸如位置、取向、姿势和/或尺寸(例如，尺寸、宽度、高度等)。

感知组件522能够包括存储由感知组件522生成的感知数据的功能。在一些情况下，感知组件522能够确定与已经被分类为对象类型的对象相对应的轨迹。仅出于说明的目的，感知组件522使用(一个或多个)传感器系统506能够捕获环境的一幅或多幅图像。(一个或多个)传感器系统506能够捕获包括对象(诸如行人)的环境的图像。行人能够在时间T处于第一位置并且在时间T+t处于第二位置(例如，在时间T之后的时间t的跨度期间的移动)。换言之，行人能够在这段时间跨度期间从第一位置移动到第二位置。例如，这样的移动能够被记录为与对象相关联的存储感知数据。

在一些示例中，存储的感知数据能够包括由车辆捕获的融合感知数据。融合感知数据能够包括来自(一个或多个)传感器系统506的传感器数据的融合或其他组合，诸如图像传感器、激光雷达传感器、雷达传感器、飞行时间传感器、声纳传感器、全球定位系统传感器、内部传感器和/或这些传感器的任何组合。存储的感知数据能够附加地或替代地包括分类数据，所述分类数据包括在传感器数据中所表示的对象(例如，行人、车辆、建筑物、道路表面等)的语义分类。所存储的感知数据能够附加地或替代地包括与被分类为动态对象的对象在环境中的运动相对应的轨迹数据(位置、取向、传感器特征等)。轨迹数据能够包括随时间变化的多个不同对象的多个轨迹。能够挖掘该轨迹数据，以在对象静止(例如，静止)或移动(例如，行走、跑步等)时识别特定类型对象(例如，行人、动物等)的图像。在该示例中，计算设备确定与行人相对应的轨迹。

碰撞避免组件524能够包括利用碰撞避免算法来计算或者以其他方式确定加速度以控制车辆的功能。碰撞避免组件524能够确定与车辆和对象相关联的碰撞概率。碰撞避免组件524能够基于与车辆或对象相关联的预测的相交来确定碰撞概率。碰撞避免组件524能够确定碰撞概率等于或大于第一阈值。碰撞避免组件524能够模拟“向后移动”车辆轨迹和“向前移动”对象轨迹。碰撞避免组件524能够模拟“向后移动”和“向前移动”，以确定与和车辆相关联的更新预测位置以及与对象相关联的更新的预测时间相关联的碰撞概率。碰撞避免组件524能够迭代地重复“向后移动”和“向前移动”的模拟，以基于低于第二阈值的碰撞概率来确定车辆和对象的更新的预测位置。

碰撞避免组件524能够确定车辆相对于碰撞概率的速度。能够确定在初始预测位置处与车辆相关联的速度。能够基于在初始预测位置处与车辆相关联的速度和在当前位置(例如，开始位置)处与车辆相关联的原始速度之间的插值来确定在先前预测位置处的与车辆相关联的速度。

碰撞避免组件524能够基于与车辆相关联的速度和当前位置来确定控制车辆的加速度。用于控制车辆的加速度能够包括用于在车辆到达第一位置时控制车辆具有第一速度的第一加速度。在一些示例中，第一加速度能够用于使车辆停止或者控制车辆在第一位置处具有第一速度(例如，最小速度(例如0m/s、1m/s、2m/s等))。可选地，加速度能够包括用于控制车辆减速以在第二位置具有第二速度的第二加速度。控制车辆的加速度能够包括与由碰撞避免算法确定的最接近当前位置的位置相关联的最保守的加速度。最保守的加速度能够包括基于第一位置比第二位置更接近当前位置而与第一位置相关联的第一加速度，或者反之亦然。

预测组件534能够生成表示环境中一个或多个对象的可能位置的预测概率的一个或多个概率图。例如，预测组件534能够为距车辆502的阈值距离内的车辆、行人、动物等生成一个或多个概率图。在一些情况下，预测组件534能够测量对象的轨迹，并且基于观察到的和预测的行为来生成对象的离散化预测概率图、热图、概率分布、离散化概率分布和/或轨迹。在某些情况下，一个或多个概率图能够表示环境中的一个或多个对象的意图。

规划组件536能够确定车辆502穿过环境所遵循的路径。例如，规划组件536能够确定各种路线和路径以及各种细节级别。在一些情况下，规划组件536能够确定从第一位置(例如，当前位置)行进到第二位置(例如，目标位置)的路线。就本讨论而言，路线能够是在两个地点之间行驶的航路点序列。作为非限制性示例，航路点包括街道、交叉口、全球定位系统(GPS)坐标等。此外，规划组件536能够生成用于沿着从第一位置到第二位置的路线的至少一部分引导自主车辆的指令。在至少一个示例中，规划组件536能够确定如何将自主车辆从航路点序列中的第一航路点引导到航路点序列中的第二航路点。在一些示例中，指令能够是路径或者路径的一部分。在一些示例中，能够根据后退水平技术基本上同时生成多个路径(例如，在技术公差内)。能够选择具有最高置信水平的后退数据范围中的多个路径中的单个路径来操作车辆。

在其他示例中，规划组件536能够可替代地或附加地使用来自感知组件522和/或预测组件534的数据来确定车辆502穿过环境所遵循的路径。例如，规划组件536能够从感知组件522和/或预测组件534接收关于与环境相关联的对象的数据。使用该数据，规划组件536能够确定从第一位置(例如，当前位置)行进到第二位置(例如，目标位置)的路线，以避开环境中的对象。在至少一些示例中，这样的规划组件536能够确定不存在这样的无碰撞路径，并且继而提供将车辆502带到安全停止的路径，以避免所有碰撞和/或以其他方式减轻损坏。

存储器518还能够包括一个或多个地图538，车辆502能够使用地图538在环境中进行导航。出于本讨论的目的，地图能够是以二维、三维或N维建模的任意数量的数据结构，这些数据结构能够提供关于环境的信息，诸如但不限于：拓扑(诸如交叉路口)、街道、山脉、道路、地形和一般环境。在一些情况下，地图能够包括但不限于：协方差数据(例如，在多分辨率体素空间中表示)、纹理信息(例如，颜色信息(例如，RGB颜色信息、Lab颜色信息、HSV/HSL颜色信息等)、强度信息(例如，LIDAR信息、RADAR信息等)；空间信息(例如，投影到网格上的图像数据、个体的“面元”(例如，与个体的颜色和/或强度相关联的多边形))、反射率信息(例如，镜面反射度信息、逆向反射信息、BRDF信息、BSSRDF信息等)。在一个示例中，地图能够包括环境的三维网格。在一些情况下，地图能够以平铺格式来存储，使得地图的个体平铺表示环境的离散部分，并且能够根据需要被加载到工作存储器中，如本文所讨论的。在至少一个示例中，一个或多个地图538能够包括至少一个地图(例如，图像和/或网格)。在一些示例中，能够至少部分地基于(一个或多个)地图538来控制车辆502。也就是说，(一个或多个)地图538能够与定位组件520、感知组件522(和子组件)、预测组件534和/或规划组件536结合使用，以确定车辆502的位置、识别环境中的对象、生成与对象和/或车辆502相关联的(一个或多个)预测概率，和/或生成在环境内进行导航的路线和/或轨迹。

在至少一个示例中，计算设备504能够包括一个或多个系统控制器540，其能够被配置为控制车辆502的转向、推进、制动、安全、发射器、通信和其他系统。这些系统控制器540能够与(一个或多个)驱动系统514和/或车辆502的其他组件的对应系统通信和/或控制这些系统，其能够被配置为根据从规划组件536提供的路径来操作。

车辆502能够经由网络542连接到计算设备544，并且能够包括与一个或多个处理器546通信耦合的一个或多个处理器546和存储器548。在至少一个实例中，一个或多个处理器546能够与处理器516类似，并且存储器548可以与存储器518类似。在所示的示例中，(一个或多个)计算设备544的存储器548存储远程操作组件550和/或模型组件552。在至少一个实例中，模型组件552在经验测试和/或模拟之后，能够生成ML模型以供感知组件522使用，如本文所讨论的。尽管出于说明目的被描绘为驻留在存储器548中，但是可以设想到，远程操作组件550和模型组件552可以附加地或可替代地能由计算设备544访问(例如，存储在(一个或多个)计算设备544的不同组件中和/或能由(一个或多个)计算设备554访问(例如，远程地存储))。

模型组件552能够包括生成用于确定多通道图像数据的高度/分类的模型的功能，如本文所讨论的。

计算设备504的处理器516和计算设备544的处理器546可以是能够执行指令以处理数据和执行如本文所述的操作的任何合适的处理器。作为示例而非限制，处理器516和546可以包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)或处理电子数据以将该电子数据转换成可以存储在寄存器和/或存储器中的其他电子数据的任何其他设备或设备的一部分。在一些示例中，集成电路(例如，ASIC等)、门阵列(例如，FPGA等)和其他硬件设备也可以被认为是处理器，只要它们被配置为实现编码指令即可。

计算设备504的存储器518和计算设备544的存储器548是非暂时性计算机可读介质的示例。存储器518和548可以存储操作系统和一个或多个软件应用程序、指令、程序和/或数据，以实现本文所述的方法和属于各种系统的功能。在各种实现中，存储器518和548可以使用任何合适的存储器技术来实现，例如静态随机存取存储器(SRAM)、同步动态RAM(SDRAM)、非易失性/闪存型存储器或能够存储信息的任何其他类型的存储器。这里描述的体系结构、系统和单个元件可以包括许多其他逻辑、编程和物理组件，其中附图中所示的那些仅仅是与这里的讨论相关的示例。

在一些情况下，本文讨论的一些或所有组件的方面可以包括任何模型、算法和/或机器学习算法。例如，在一些情况下，存储器518和548中的组件可以被实现为神经网络。

如本文所述，示例性神经网络是受生物启发的技术，其将输入数据传递通过一系列连接层以产生输出。神经网络中的每一层也可以包括另一个神经网络，或者可以包括任意数量的层(无论是否是卷积层)。如在本公开的上下文中可以理解的，神经网络可以利用机器学习，机器学习可以指代此类技术的宽泛类，其中基于学习的参数来生成输出。

尽管在神经网络的上下文中进行了讨论，但可以使用与本公开一致的任何类型的机器学习。例如，机器学习技术可以包括但不限于：回归算法(例如，普通最小二乘回归(OLSR)、线性回归、逻辑回归、逐步回归、多元自适应回归样条(MARS)、局部估计散点图平滑(LOESS))，基于实例的算法(例如，岭回归、最小绝对收缩和选择算子(LASSO)、弹性网络、最小角度回归(LARS))，决策树算法(例如，分类和回归树(CART)、迭代二分法3(ID3)、卡方自动交互检测(CHAID)、决策树桩、条件决策树)，贝叶斯算法(例如，朴素贝叶斯、高斯朴素贝叶斯、多项朴素贝叶斯、平均单依赖估计器(AODE)、贝叶斯信念网络(BNN)，贝叶斯网络)，聚类算法(例如，k均值、k中值、期望最大化(EM)、层次聚类)，关联规则学习算法(例如，感知机(perceptron)、反向传播、跳场网络、径向基函数网络(RBFN))，深度学习算法(例如，深度玻尔兹曼机(DBM)、深度信念网络(DBN)、卷积神经网络(CNN)、堆叠自动编码器)，降维算法(例如，主成分分析(PCA)、主成分回归(PCR)、偏最小二乘回归(PLSR)、Sammon映射、多维缩放(MDS)、投影追踪、线性判别分析(LDA)、混合判别分析(MDA)、二次判别分析(QDA)、灵活判别分析(FDA))，集成算法(例如，提升、自举聚合(Bagging)、AdaBoost、堆叠泛化(混合)、梯度提升机(GBM)、梯度提升回归树(GBRT)、随机森林)，SVM(支持向量机)，监督学习，无监督学习，半监督学习等。

图6是用于至少部分地基于碰撞预测来确定碰撞预测并控制自主车辆的示例过程。

在操作602，该过程能够包括接收由环境中的自主车辆上的传感器捕获的传感器数据。传感器数据能够包括基于自主车辆位于车辆起始位置处而与通过自主车辆行驶的环境相关联的数据。

在操作604，该过程能够包括确定传感器数据表示环境中的对象。传感器数据能够包括与位于对象起始位置的对象相关联的数据。

在操作606，该过程能够包括确定与对象相关联的预测对象轨迹。预测对象轨迹能够包括对象的移动。

在操作608，该过程能够包括确定与自主车辆相关联的车辆轨迹。车辆轨迹能够包括自主车辆的移动。

在操作610，该过程能够包括确定与车辆轨迹和对象轨迹相关联的第一碰撞概率是否高于阈值。该阈值能够是触发“回溯”算法的开始的第一阈值。

在操作612，该过程能够包括确定自主车辆的第一预测位置。第一预测位置能够与道路的受限制部分处的车辆的预测相交相关联。

在操作614，该过程能够包括确定对象的第二预测位置，在第一时间之后的第三时间。对象的第二预测位置能够与车辆在预测时间的预测相交相关联。

在操作616，该过程能够包括确定与自主车辆的第一预测位置相关联的第二碰撞概率。第二碰撞概率能够通过使用碰撞避免算法来模拟“向后移动”车辆轨迹和“向前移动”对象轨迹来确定。第二碰撞概率能够基于与车辆相关联的更新的预测位置(例如，第一预测位置减去某个距离)和与对象相关联的更新的预测时间(例如，预测时间加上附加时间)来确定。

在操作618，该过程能够包括基于新的加速度曲线来控制自主车辆。能够基于碰撞概率(例如，第一碰撞概率或第二碰撞概率)来确定新的加速度曲线。新的加速度曲线能够包括车辆的加速度(例如，减速度)。在一些示例中，加速度能够包括减速或停止车辆以到达更新的预测位置或在更新的预测位置之前减速或停止车辆。

示例条款

A、一种系统，包括：一个或多个处理器；以及一个或多个计算机可读介质，其存储能由所述一个或多个处理器执行的指令，其中，所述指令当被执行时使得所述系统执行以下操作，包括：接收由环境中的自主车辆上的传感器捕获的传感器数据；确定所述传感器数据表示所述环境中的对象；确定与所述对象相关联的预测对象轨迹；确定与所述自主车辆相关联的车辆轨迹；至少部分地基于所述预测对象轨迹和所述车辆轨迹来确定与在第一位置的所述自主车辆和在第一时间的对象相关联的第一碰撞概率；确定所述第一碰撞概率满足或超过阈值；确定所述自主车辆沿着所述车辆轨迹在第二位置处的第一预测位置，所述第二位置在第一位置之前；确定所述对象沿着所述预测对象轨迹在第二时间处的第二预测位置，所述第二时间在所述第一时间之后；至少部分地基于所述第一预测位置和所述第二预测位置来确定与所述自主车辆和所述对象相关联的第二碰撞概率，所述第二碰撞概率小于或等于所述第一碰撞概率；以及至少部分地基于所述第二碰撞概率来控制所述自主车辆。

B、根据段落A的系统，所述操作还包括：将所述第一位置与第一速度相关联；至少部分地基于根据所述第一速度的插值来确定与所述第二位置处的所述自主车辆相关联的第二速度；以及至少部分地基于所述第一速度来确定与自主车辆相关联的加速度，其中，控制所述自主车辆包括至少部分地基于所述加速度来控制所述自主车辆。

C、根据段落A或B的系统，所述操作还包括：至少部分地基于与所述对象相关联的位置概率分布来确定所述第一碰撞概率。

D、根据段落A至C中的任一项的系统，所述操作还包括：至少部分地基于以下内容来确定所述第一碰撞概率：与高估实际碰撞概率相关联的所述自主车辆的第一几何模型；以及与低估所述实际碰撞概率相关联的所述自主车辆的第二几何模型，其中，所述第一碰撞概率表示至少部分地基于所述第一几何模型和所述第二几何模型的聚合碰撞概率。

E、根据段落A至D中的任一项的系统，所述操作还包括：确定所述自主车辆沿着所述车辆轨迹在第三位置处的第三预测位置，所述第三位置位于所述第一位置与所述第二位置之间；确定所述对象沿着所述预测对象轨迹在第三时间处的第四预测位置，所述第三时间在所述第一时间与所述第二时间之间；至少部分地基于所述第三预测位置和所述第四预测位置来确定与所述自主车辆和所述对象相关联的第三碰撞概率；确定与所述第三碰撞概率相关联的加速度；以及确定所述第三碰撞概率满足或超过第二阈值。

F、一种方法，包括：接收由环境中的车辆上的传感器捕获的传感器数据；确定所述传感器数据表示所述环境中的对象；确定在第一时间与所述车辆的第一预测位置和所述对象的第二预测位置相关联的第一碰撞概率；确定所述车辆的第三预测位置，所述第二预测位置在所述第一预测位置之前；确定所述对象在第二时间的第四预测位置，所述第二时间在所述第一时间之后；至少部分地基于所述第三预测位置和所述第四预测位置来确定与所述车辆和所述对象相关联的第二碰撞概率；以及至少部分地基于所述第二碰撞概率来控制所述车辆。

G、根据段落F的方法，还包括：接收与所述对象相关联的预测对象轨迹；以及至少部分地基于所述预测对象轨迹来确定所述第二预测位置和第四预测位置。

H、根据段落F或G的方法，还包括：接收与所述车辆相关联的预测车辆轨迹；以及至少部分地基于所述预测车辆轨迹来确定所述第一预测位置和所述第三预测位置。

I、根据段落F至H中的任一项的方法，还包括：利用包括与所述对象相关联的位置概率分布的几何模型来表示所述对象。

J、根据段落I的方法，其中，所述几何模型是第一几何模型，所述方法还包括：将所述车辆表示为第二几何模型，其中，所述第一碰撞概率至少部分地基于所述第一几何模型和所述第二几何模型。

K、根据段落F至J中的任一项的方法，还包括:至少部分地基于以下内容来确定所述第一碰撞概率：与确定第一概率相关联的所述车辆的第一几何模型；以及与确定第二概率相关联的所述车辆的第二几何模型；其中，所述第一碰撞概率表示至少部分地基于所述第一几何模型和所述第二几何模型的聚合碰撞概率。

L、根据段落F至K中的任一项的方法，还包括：至少部分地基于校正因子来确定所述第一碰撞概率。

M:一个或多个非暂时性计算机可读介质，其存储能由处理器执行的指令，其中，所述指令当被执行时，使得所述处理器执行以下操作，包括：接收由环境中的车辆上的传感器捕获的传感器数据；确定所述传感器数据表示所述环境中的对象；确定在第一时间与所述车辆的第一预测位置和所述对象的第二预测位置相关联的第一碰撞概率；确定所述车辆的第三预测位置，所述第二预测位置在所述第一预测位置之前；确定所述对象在第二时间的第四预测位置，所述第二时间在所述第一时间之后；至少部分地基于所述第三预测位置和所述第四预测位置来确定与所述车辆和所述对象相关联的第二碰撞概率；以及至少部分地基于所述第二碰撞概率来控制所述车辆。

N、根据段落M的一个或多个非暂时性计算机可读介质，所述操作还包括：接收与所述对象相关联的预测对象轨迹；以及至少部分地基于所述预测对象轨迹来确定所述第二预测位置和所述第四预测位置。

O、根据段落M或N的一个或多个非暂时性计算机可读介质，所述操作还包括：接收与所述车辆相关联的预测车辆轨迹；以及至少部分地基于所述预测车辆轨迹来确定述所述第一预测位置和所述第三预测位置。

P、根据段落M至O中的任一项的一个或多个非暂时性计算机可读介质，所述操作还包括：利用包括与所述对象相关联的位置概率分布的几何模型来表示所述对象。

Q、根据段落P的一个或多个非暂时性计算机可读介质，其中，所述几何模型是第一几何模型，所述操作还包括：将所述车辆表示为第二几何模型，其中，所述第一碰撞概率至少部分地基于所述第一几何模型和所述第二几何模型。

R、根据段落M至Q中的任一项的一个或多个非暂时性计算机可读介质，所述操作还包括至少部分地基于以下内容来确定所述第一碰撞概率：与确定第一概率相关联的所述车辆的第一几何模型；以及与确定第二概率相关联的所述车辆的第二几何模型；其中，所述第一碰撞概率表示至少部分地基于所述第一几何模型和所述第二几何模型的聚合碰撞概率。

S、根据段落M至R中的任一项的一个或多个非暂时性计算机可读介质，所述操作还包括：至少部分地基于校正因子来确定所述第一碰撞概率。

T、根据段落M至S中的任一项的一个或多个非暂时性计算机可读介质，其中，控制所述车辆还包括至少部分地基于所述第二碰撞概率来控制所述车辆减速或停止。

尽管上述示例条款是针对一个特定实现进行描述的，但是应当理解，在本文件的上下文中，示例条款的内容也可以通过方法、设备、系统、计算机可读介质和/或其他实现来实现。此外，示例A-T中的任何一个可以单独实现，或者与示例A-T的任何其他一个或多个结合实现。

结论

尽管已经描述了本文所述技术的一个或多个示例，但是其各种改变、添加、排列和等价物都包含在本文所述的技术范围内。

在示例的描述中，参考构成本文一部分的附图，其通过图示的方式显示了所要求保护的主题的具体示例。应当理解，可以使用其他示例，并且可以进行改变或更改，例如结构改变。这样的示例、改变或变更不一定偏离关于所要求保护的主题的范围。尽管这里的步骤可以以特定顺序呈现，但在一些情况下，可以改变顺序，使得在不同时间或以不同顺序提供特定输入，而不改变所描述的系统和方法的功能。所公开的程序也可以以不同的顺序执行。此外，本文中的各种计算不需要以所公开的顺序执行，并且可以容易地实现使用计算的替代顺序的其他示例。除了重新排序，计算还可以分解为具有相同结果的子计算。

Claims (15)

1.一种方法，包括：

接收由与环境中的车辆相关联的传感器捕获的传感器数据；

确定所述传感器数据表示所述环境中的对象；

确定在第一时间与所述车辆的第一预测位置和所述对象的第二预测位置相关联的第一碰撞概率；

确定所述车辆的第三预测位置，所述第二预测位置在所述第一预测位置之前；

确定所述对象在第二时间的第四预测位置，所述第二时间在所述第一时间之后；

至少部分地基于所述第三预测位置和所述第四预测位置来确定与所述车辆和所述对象相关联的第二碰撞概率；以及

至少部分地基于所述第二碰撞概率来控制所述车辆。

2.根据权利要求1所述的方法，还包括：

接收与所述对象相关联的预测对象轨迹；以及

至少部分地基于所述预测对象轨迹来确定所述第二预测位置和所述第四预测位置。

3.根据权利要求1或2所述的方法，还包括：

接收与所述车辆相关联的预测车辆轨迹；以及

至少部分地基于所述预测车辆轨迹来确定所述第一预测位置和所述第三预测位置。

4.根据权利要求1-3中的任一项所述的方法，还包括：

利用包括与所述对象相关联的位置概率分布的第一几何模型来表示所述对象，其中，所述第一碰撞概率是基于所述位置概率分布来确定的；以及

将所述车辆表示为第二几何模型，其中，所述第一碰撞概率至少部分地基于所述第一几何模型和所述第二几何模型。

5.根据权利要求1-4中的任一项所述的方法，还包括：至少部分地基于以下内容来确定所述第一碰撞概率：

与确定第一概率相关联的所述车辆的第一几何模型；以及

与确定第二概率相关联的所述车辆的第二几何模型；

其中，所述第一碰撞概率表示至少部分地基于所述第一几何模型和所述第二几何模型的聚合碰撞概率。

6.根据权利要求1-5中的任一项所述的方法，还包括：

至少部分地基于校正因子来确定所述第一碰撞概率。

7.根据权利要求1-6中的任一项所述的方法，其中，所述车辆是自主车辆，在确定所述第一碰撞概率之前，所述方法还包括：

确定与所述对象相关联的预测对象轨迹；

确定与所述自主车辆相关联的车辆轨迹；以及

至少部分地基于所述预测对象轨迹和所述车辆轨迹来确定与在第一位置的所述自主车辆和在第三时间的所述对象相关联的第三碰撞概率；

其中，所述自主车辆的所述第一预测位置是沿着所述车辆轨迹在第二位置处确定的，所述第二位置在所述第一位置之前，以及

其中，所述对象的所述第二预测位置是沿着所述预测对象轨迹在所述第一时间确定的，所述第一时间在所述第三时间之后。

8.根据权利要求1-7中的任一项所述的方法，还包括：

确定沿着所述车辆轨迹在第三位置处的所述自主车辆的第五预测位置，所述第三位置位于所述第一位置与所述第二位置之间；

确定沿着所述预测对象轨迹所述对象在第四时间的第六预测位置，所述第四时间位于所述第一时间与所述第三时间之间；

至少部分地基于所述第五预测位置和所述第六预测位置来确定与所述自主车辆和所述对象相关联的第三碰撞概率；

确定与所述第三碰撞概率相关联的加速度；以及

确定所述第三碰撞概率满足或超过阈值。

9.一个或多个非暂时性计算机可读介质，其存储指令，所述指令当由一个或多个处理器执行时，使得一个或多个计算设备执行根据权利要求1-8中的任一项所述的方法。

10.一种系统，包括：

一个或多个处理器；以及

一个或多个计算机可读介质，其存储能由所述一个或多个处理器执行的指令，其中，所述指令当被执行时使得所述系统执行以下操作，包括：

接收由与环境中的车辆相关联的传感器捕获的传感器数据；

确定所述传感器数据表示所述环境中的对象；

确定在第一时间与所述车辆的第一预测位置和所述对象的第二预测位置相关联的第一碰撞概率；

确定所述车辆的第三预测位置，所述第三预测位置在所述第一预测位置之前；

确定所述对象在第二时间的第四预测位置，所述第二时间在所述第一时间之后；

至少部分地基于所述第三预测位置和所述第四预测位置来确定与所述车辆和所述对象相关联的第二碰撞概率；以及

至少部分地基于所述第二碰撞概率来控制所述车辆。

11.根据权利要求10所述的系统，所述操作还包括：

接收与所述车辆相关联的预测车辆轨迹；

至少部分地基于所述预测车辆轨迹来确定所述第一预测位置和所述第三预测位置；

接收与所述对象相关联的预测对象轨迹；以及

至少部分地基于所述预测对象轨迹来确定所述第二预测位置和所述第四预测位置。

12.根据权利要求10或11中的任一项所述的系统，所述操作还包括：

利用包括与所述对象相关联的位置概率分布的第一几何模型来表示所述对象；以及

将所述车辆表示为第二几何模型，其中，所述第一碰撞概率至少部分地基于所述第一几何模型和所述第二几何模型。

13.根据权利要求10-12中的任一项所述的系统，所述操作还包括至少部分地基于以下内容来确定所述第一碰撞概率：

与确定第一概率相关联的所述车辆的第一几何模型；以及

与确定第二概率相关联的所述车辆的第二几何模型；

其中，所述第一碰撞概率表示至少部分地基于所述第一几何模型和所述第二几何模型的聚合碰撞概率。

14.根据权利要求10至13中的任一项所述的系统，所述操作还包括：

至少部分地基于校正因子来确定所述第一碰撞概率。

15.根据权利要求10至14中的任一项所述的系统，其中，控制所述车辆还包括至少部分地基于所述第二碰撞概率来控制所述车辆减速或停止。

Images