CN118189996A - 车辆的可行驶路径确定 - Google Patents

Abstract

车辆的可行驶路径确定。本公开涉及在行驶过程中确定车辆的可行驶路径的计算机实现的方法，该方法包括以下步骤：获得表示与地理位置相关联的感知到的障碍物的传感器数据；从数据存储装置取回与感知到的障碍物相关联的数据，所述数据包括置信度分数；以及如果所述置信度分数高于阈值，则将感知到的障碍物确定为是所述车辆能够驶过的。此外，本公开涉及相应的设备、车辆和计算机程序以及包括一个或更多个车辆和远程存储装置的系统。

Description

车辆的可行驶路径确定

技术领域

本公开涉及在行驶期间确定车辆的可行驶路径的计算机实现的方法、装置、车辆、系统和计算机程序。

背景技术

现今，车辆(小汽车、摩托车、船舶、机器人等)经常使用车辆辅助系统(例如，高级驾驶辅助系统(ADAS))来操作以向驾驶员提供一定程度的驾驶辅助。另外，车辆辅助系统还能够半自主地或甚至完全自主地控制车辆。这要求车辆助手系统具有关于其周围环境的足够知识(特别是关于诸如其他车辆、行人、护栏等障碍物的足够知识)，以避免碰撞并允许车辆安全地通过其周围环境。通常，传感器用于获得所需的数据以确定对象，对车辆环境中的周边区域进行分类以及确定车辆的可行驶路径或区域。

然而，诸如基于雷达或基于激光雷达的系统的传感器可能将车辆周围的对象报告为误报。例如，在交通情形中，道路中的裂缝和隆起通常被确定为可能导致与车辆碰撞的较大对象，并且可行驶路径将被相应地确定，从而避免所声称的较大对象。基于这种误报确定的错误警告或速度降低对于驾驶员可能是不方便的。事实上，错误的确定甚至可能导致交通环境中的危险情况。例如，在车辆的半自主或完全自主控制中，如果基于道路中的裂缝调整可行驶路径，则车辆的突然转向操纵或制动可能导致与未针对这种行为做好准备的其他车辆的碰撞。因此，希望提供一种可靠地避免错误检测的方法。

在EP 3929824A2中，公开了使用神经网络架构来估计预测不确定性度量的技术，该预测不确定性度量将对深度神经网络(DNN)结果有多大信任进行了量化。所述技术包括测量神经网络的可靠的不确定性分数，所述可靠的不确定性分数被广泛用于自动驾驶中的感知和决策任务。不确定性测量是相对于模型不确定性和数据不确定性进行的，并且可以实现贝叶斯神经网络或其它类型的神经网络。

在US10803328B1中，提供了用于检测对象的系统和方法。在一个示例中，一种计算机实现的方法包括从被配置成生成传感器数据的一个或更多个传感器接收传感器数据。该方法包括将传感器数据输入到机器学习模型，该机器学习模型针对传感器数据的多个部分中的每一个部分生成类预测(class prediction)和实例预测(instance prediction)。实例预测包括基于到至少一个对象边界的距离的能量值。机器学习模型可以被训练以生成表示至少一个对象边界的公共能量值。该方法包括生成对应于传感器数据的多个部分中的每一个部分的实例预测和类预测作为机器学习模型的输出。该方法包括至少部分地基于实例预测和类预测生成一个或更多个对象分段。

虽然上述现有技术方法提供了降低误报可能性的手段，但是这些方法依赖于传感器数据的可靠性和相应的机器学习算法。因此，这些方法不能解决初始传感器数据不可靠的问题。此外，执行上述附加处理的处理能力相对较高。此外，现有技术中已知的方法没有考虑到许多驾驶员有规律地驶过相同的路线的事实，例如，通勤并因此经常通过隆起和裂缝(以及可能导致误检测的其他种类的对象)。因此，可能发生本领域中已知的方法在第一行驶期间将对象分类为能够驶过(overdrivable)的而在第二行驶期间将其分类为不能驶过的。此外，如果对象已经被可靠地识别为能够驶过的，则在进一步通过期间再次对其进行分类是麻烦且易于出错的。

针对该背景，本发明的目的是提供一种改进的确定车辆在行驶期间的可行驶路径的方法。

发明内容

在一方面，一种在行驶期间确定车辆的可行驶路径的计算机实现的方法包括以下步骤：获得表示与地理位置相关联的感知到的障碍物的传感器数据；从数据存储装置取回与感知到的障碍物相关联的数据，所述数据包括置信度分数；以及如果所述置信度分数高于阈值，则将感知到的障碍物确定为所述车辆能够驶过的。

通过以上方法，可以检测和忽略障碍物的误检测。例如，传感器数据可以表示感知到的障碍物(例如，不能驶过的静态障碍物)具有表示其是车辆不能驶过的尺寸或结构，但是该障碍物实际上是能够驶过的。在这样的示例中，从存储装置取回的数据可以借助于例如在前一次经过期间确定的置信度分数来表示感知到的障碍物(例如由障碍物占据的区域)可以被认为是车辆的可行驶路径。因此，该方法受益于在先前行驶期间收集到的关于感知到的障碍物的知识，并且可以使用该知识来防止误检测。

在另一方面，该方法包括以下步骤：如果感知到的障碍物是能够驶过的和/或如果所获得的传感器数据表示感知到的障碍物是能够驶过的，则增加数据存储装置中的置信度分数。

当车辆驶过感知到的障碍物时，如果障碍物只是道路中的隆起或裂缝，则可能发生这种情况，置信度分数被增加以表示障碍物实际上是能够驶过的事实。类似地，当传感器数据允许得出感知到的障碍物能够被驶过的结论时，可以增加置信度分数。因此，可以在每次车辆经过或驶过感知到的障碍物时增加置信度分数。由此，可以得知障碍物实际上是能够驶过的。因此，如果车辆在另一行驶或经过期间再次遇到感知到的障碍物，则车辆可基于置信度分数来确定感知到的障碍物实际上是能够驶过的，并且因此可将障碍物的位置包括在其路径规划中。

在另一方面，该方法包括以下步骤：如果所述置信度分数低于所述阈值，则将感知到的障碍物确定为所述车辆不能驶过的。

如果获得表示障碍物的传感器数据并且相应的置信度分数低于阈值，则认为该障碍物是不能驶过的。换句话说，如果置信度分数太低，则可能不允许解决或防止误检测。阈值可以是低的，因为障碍物既没有先前被驶过，也没有允许传感器数据得出感知到的障碍物可能被驶过的可靠结论。如果置信度分数低，则障碍物被认为是不能驶过的，从而防止错误地确定为能够驶过的。

在另一方面，所述方法包括基于所述传感器数据来确定感知到的障碍物的一个或更多个特征，其中，所述一个或更多个特征包括以下中的至少一项：感知到的障碍物的类型；感知到的障碍物的形状；感知到的障碍物的尺寸；车辆与感知到的障碍物之间的距离；感知到的障碍物的高度；和/或感知到的障碍物的地理位置。

在另一方面，该方法还包括在数据存储装置中存储或更新所确定的感知到的障碍物的一个或更多个特征。

确定感知到的障碍物的上述特征中的一个或更多个特征允许更精确地确定障碍物实际上是否是能够驶过的。

在另一方面，感知到的障碍物的地理位置是优选地根据全球导航卫星信息和/或通过使用基于雷达的定位，基于车辆的当前地理位置来确定的。

确定和存储特征，特别是地理位置，可以允许识别存储在数据存储装置中的障碍物的特征和置信度分数。因此，地理位置可充当允许识别与感知到的障碍物相关联的数据存储装置中的数据的关键。换言之，如果在前一行驶期间已经检测到障碍物并且已经指派了置信度分数，则在下一次经过期间，可以使用车辆的地理位置来搜索数据存储装置，并且确定在前一行驶期间创建的感知到的障碍物的数据(包括置信度分数)是否已经存在。这便于从数据存储装置取回与感知到的障碍物相关联的其他特征和/或置信度分数。

可以基于诸如GPS、GALILEO或GLONASS信息的全球导航卫星信息来确定地理位置。

在又一方面，该方法还包括以下步骤：如果已经确定感知到的障碍物是能够驶过的，则确定包括感知到的障碍物的地理位置的可行驶路径；或者如果已经确定感知到的障碍物是不能驶过的，则确定不包括感知到的障碍物的地理位置的可行驶路径。

如果感知到的障碍物被认为是能够驶过的，这可能是置信度分数高于阈值的情况，则与感知到的障碍物相关联的地理位置可被包括在可行驶路径中。相反，如果感知到的障碍物被认为是不能驶过的，则与感知到的障碍物相关联的地理位置不包括在路径中。这确保只有能够驶过的对象是规划路径的一部分。

在另一方面，确定可行驶路径是基于可行驶通过预测器的。

基于预测器预测路径提供了可靠地确定车辆路径的有效方式。

在另一方面，数据存储装置是车辆的内部存储装置和/或可由车辆存取的远程存储装置，优选为云存储。

使用内部存储装置可允许快速取回与感知到的障碍物相关联的数据，而不必依赖于与位于远程服务器上的外部存储装置的工作无线连接。使用远程存储装置可以允许与其他车辆/驾驶员共享感知到的障碍物的信息，特别是置信度分数和地理位置，或者可以受益于由其他车辆确定的信息/置信度分数。此外，将数据存储在车辆可存取的远程存储装置中提供了增加的存储空间量。

在另一方面，获得传感器数据的步骤包括使用对象检测和/或语义分割算法，优选地使用人工智能AI引擎来识别感知到的障碍物。

对象检测和语义分割的组合方法提高了确定感知到的对象特性的可靠性。AI引擎特别适用于像确定感知到的障碍物的特征的任务。

在另一方面，该方法还包括基于所确定的影响车辆辅助系统的功能的可行驶路径来确定用于车辆的操作指令，其中，该功能包括在车辆的显示器上显示所确定的可行驶路径、触发警告和/或影响车辆的控制中的一项或更多项。

以上允许通过使用在行驶期间确定车辆的可行驶路径的方法来帮助车辆的用户。例如，使用该信息，可以在交通情形中自动地避开对象和/或可以向用户警告可能与车辆路径相交的障碍物。通过启动实现车辆控制的控制命令(例如紧急制动等)，可以避免碰撞。

本发明的另一方面涉及一种设备，所述设备包括配置成执行上述方法的装置。

本发明的另一方面涉及一种包括指令的计算机程序，所述指令在由计算系统执行时使所述计算系统执行如上概述的方法。

本发明的又一方面涉及包括上述设备的车辆。

最后，本发明的另一方面涉及一种包括一个或更多个如上概述的设备或一个或更多个上述车辆的系统，其中，该系统还包括可由一个或更多个车辆访问的远程存储装置，优选为云存储。

附图说明

下面参考附图更详细地描述本发明的各个方面，本发明不限于这些附图的实施方式。

图1a描绘了用于描述本发明的方面的交通场景。

图1b示出了根据本发明的方面的确定车辆的可行驶路径的方法。

图2示出了根据本发明的另一方面的确定车辆的可行驶路径的方法。

图3示出了根据另一方面的确定车辆的当前位置的方法。

图4示出了确定车辆的可行驶路径的方法的示例性方式的流程图。

图5示出了根据本发明另一方面的确定车辆的可行驶路径的方法。

图6示出了根据本发明的方面的可由车辆存取的远程存储装置。

具体实施方式

下面更详细地描述本发明的各方面。

方法概述

图1a描绘了在道路1上行驶的车辆3，道路1具有道路边界(由从顶部延伸到底部的黑色竖直线表示)和道路1的表面中的两个裂缝10和12。另外，另外两个车辆5和7在道路1上行驶。所有三个车辆3、7和5的行驶方向由虚线箭头表示。

车辆1安装有雷达传感器(未示出)，并且雷达传感器执行由雷达信号20表示的雷达测量。雷达信号可以将车辆5和7感知为不可逾越的，从而感知为不能驶过的障碍物。例如，如果车辆3太快地接近车辆5和7，并且由于雷达信号20已经将车辆5和7检测为不能逾越的或不能驶过的障碍物的事实，则可以指示车辆3的ADAS发起紧急制动或确定绕过车辆5和7以避免碰撞的行驶路径。

雷达信号20还可能将裂缝10和12识别为不能驶过的障碍物，而它们实际上是能够驶过的。这种检测在本文中称为错误检测(或简称为误报)。例如关于位于车辆行驶路径中的裂缝12的误检测可能导致普通ADAS校正其行驶路径或执行诸如紧急制动或行驶路径调节的动作。每次车辆3沿着所示路线到达并接近裂缝12时，都会发生这种错误检测。

根据本公开的一方面，当车辆3驶过裂缝12时，尽管裂缝12已经被确定为不能驶过的，但是该信息是用置信度分数(例如，范围从0到100的值)的形式存储在存储装置中(包括在车辆3中或可经由移动通信链路访问的远程存储装置中)。置信度分数可以存储在与其地理位置相关联的存储装置中(例如，从车辆3的全球导航卫星系统(GNSS)传感器(如GPS传感器)得到)。

然后，在沿相同路线的另一行驶期间(例如每个工作日采取的通勤路线)，车辆3的雷达信号20可再次将裂缝12检测为不能驶过的障碍物。基于地理位置，车辆3的ADAS(或另一系统部件)可以检查感知到的障碍物的数据是否已经存储在存储装置中。如果是，则ADAS可以接收与感知到的障碍物相关联的数据并且可以检查其置信度分数。如果置信度分数高于阈值(例如，当假设0到100的总范围时阈值为70)，则ADAS知道感知到的障碍物12是错误检测，并且可以忽略该检测或者可以使用该知识来调整路径规划。例如，车辆可以在不执行任何特定动作的情况下简单地驶过裂缝12。

每当车辆3驶过裂缝12并且之前已经将其检测为不能驶过的障碍物时，增加置信度分数，并且在存储装置中更新相应的值。因此，置信度分数越高，它是错误检测的假设就越可靠。

除了裂缝12之外，如图1a所示，另一个裂缝10位于道路1的表面。然而，在根据图1a的本示例性场景中，也可能被雷达信号20感知为不能驶过的障碍物的这个裂缝未被车辆3驶过，因为该裂缝不在车辆3的行驶路径中。然而，基于对雷达信号20的特征的分析，也可以将其确定为能够驶过的。在这种情况下，置信度分数也增加。为了确定裂缝10的确切地理位置，车辆3可以使用其GNSS传感器来确定其自身位置，并且可以使用基于雷达的定位来确定裂缝10相对于车辆3的位置。这使得能够确定裂缝10的绝对位置，该绝对位置然后可用于存储(或更新)相应的置信度分数，所述置信度分数与裂缝10的位置信息结合存储。

在图1a的示例中，车辆3、5和7被示为小汽车。然而，车辆3、5和7也可以是摩托车或任何其它类型的道路车辆。还可以将上述教导应用于在不同表面类型(不仅仅在道路上)上移动的其他交通工具，如船舶等。代替雷达，也可以单独地或与雷达组合地使用其他传感器类型，例如激光雷达系统。

在图1b中，示出了用于在行驶期间确定车辆的可行驶路径的方法。

在该实施方式中，在步骤S101中，车辆从传感器获得表示与地理位置相关联的感知到的障碍物的传感器数据。传感器可以是基于雷达或基于激光雷达的传感器。

雷达数据通常表示对象相对于雷达传感器/包括雷达传感器的车辆的速度/地理位置的速度和地理位置。基于传感器数据，可以确定车辆周围存在对象，该对象可以是能够驶过的或不能驶过的。

基于传感器数据，可以确定感知到障碍物的包括尺寸(大小、高度、形状等)的特征。感知到的障碍物的特征可以表示障碍物的类型、障碍物的形状、障碍物的尺寸、障碍物的高度、碰撞概率和/或用于基于传感器数据识别感知到的障碍物的传感器签名中的一项或更多项。

此外，可以确定感知到的障碍物的区域。该区域可以类似于感知到的障碍物所占据的区域/部位。该区域可以是在诸如道路的表面之上的二维区域，或表面之上的在离开该表面的方向上延伸的三维区域，如交通灯或标志。

优选地，基于传感器数据，从数据存储装置取回与感知到的障碍物相关联的数据(S102)。该数据涉及感知到的障碍物的地理位置并且包括置信度分数。置信度分数可以表示感知到的障碍物实际上是否是能够驶过的概率。

数据集还可以包括感知到的障碍物的特征(并且特别是尺寸)。数据可以是从车辆上分配的存储装置和/或从云存储获得的。

然后，在步骤S103中，可以确定置信度分数的值。如果置信度分数高于阈值，则可以将感知到的障碍物视为能够驶过的，例如车辆的可行驶区域(S104)。如果车辆驶过感知到的障碍物的地带/区域，则可以增加置信度分数。例如，如果车辆驶过该区域/地带并且确定没有发生碰撞，则可以增加置信度分数。然后，更新后的置信度分数可以被存储在存储装置中作为进一步使用的数据(S106)。可以仅稍微增加阈值，使得车辆必须在区域上行驶过一定次数，直到置信度分数清楚地表示感知到的障碍物实际上是能够驶过的。然而，如果置信度分数低于阈值，则可以将感知到的障碍物确定为是不能驶过的(S105)。

应当理解，可以设置阈值来控制可靠性要求。阈值越高，错误检测越可靠。换句话说，阈值越高，感知到的障碍物实际上可能被驶过的结论或假设越安全。

在一示例中，最初，数据存储装置可以不包含任何条目。在此示例中，与感知到的障碍物相关的信息可存储在存储装置中。最初，置信度分数被设置为低于阈值，使得相应的感知到的障碍物被认为是不能驶过的。一旦车辆行驶在类似的地理位置，可以获得车辆的地理位置并将其用于识别数据存储装置中的相应数据。一旦识别出相应的数据，就可以从数据存储装置获得感知到的障碍物的置信度分数。在该示例中，置信度分数可能仍然较低，因为车辆仅第二次处于该地理位置。因此，感知到的障碍物仍可能被识别为是不能驶过的。

然而，如果车辆驶过感知到的障碍物上(通过其地理位置)，并且由此确定感知到的障碍物是能够驶过的，则可以增加与感知到的障碍物相关联的置信度分数，并将其与关于感知到的障碍物的信息一起存储在存储装置中。即，如果确定感知到的障碍物可能是先前存储在存储装置中的不能驶过的障碍物，则可以相应地更新对应的数据。如果确定在数据存储装置中没有存储感知到的障碍物的信息(特别是置信度分数)，则可以创建并存储包括相应信息的新数据集。

通过更新/存储数据集，可以更新/校正地理位置和相应的置信度分数，或者使理位置和相应的置信度分数更精确。

在一些实施方式中，使用人工智能(AI)引擎来执行上述方法。例如，AI引擎可以将车辆周围的障碍物确定为不能驶过的，可以确定包括尺寸、地理位置和/或区域的特征。此外或另选地，AI引擎还可以用于识别与该区域相关联的数据，特别是在多个数据集与一个区域相关联的示例中。在该示例中，AI引擎可以确定存储在相应数据集中的特征/尺寸与感知到的障碍物相对应的概率。

在下文中，参照图2至图5描述用于确定车辆在行驶期间的可行驶路径的上述方法的示例性实施方式。

确定车辆的可行驶区域的方法的第一示例性实现方式

在图2中，示出了确定车辆的可行驶路径的方法的示例性实现。

在该实施方式中，在步骤S110中，车辆优选地从雷达传感器获得与车辆周围的感知到的障碍物相关联的传感器数据。基于该数据，确定与地理位置相关联的区域，即由感知到的障碍物占据的区域。

在步骤S111中，基于所获得的传感器数据，可以确定感知到的障碍物的特征。例如，可以基于感知到的障碍物的尺寸、结构和地理位置中的一项或更多项来确定该障碍物是某个对象或结构。可以使用对象检测和/或语义分割(SemSeg)，优选地使用人工智能AI引擎110(机器学习方法)来确定障碍物的特征。

基于障碍物的特征，可以确定障碍物对于车辆而言是否看起来是能够驶过的(车辆可以行驶通过感知到的障碍物而不引起碰撞)或者可以造成与车辆的碰撞。此外，所述特征还可以表示感知到的障碍物是例如另一车辆、道路、道路标记、建筑物、物体(诸如交通灯、交通标志或道路上/道路附近的物品，和/或车辆在运行期间遇到的任何物体或结构)。

一些障碍物可以被确定为地标S111a，而其他障碍物可以被确定为交通对象S111b。地标可用于确定车辆的当前地理位置，而交通对象可用于确定可行驶区域。典型地，地标是静止特征，例如建筑物、道路、道路标志和道路标记，而交通对象典型地是移动对象和静止对象。然而，一些地标也可以被认为是交通对象并用于确定可行驶区域。也就是说，虽然可能难以基于例如汽车的另一移动特征来确定当前地理位置，但是基于诸如建筑物或道路标志的地标来确定可行驶区域可能是至关重要的。

除了从例如雷达的传感器获得的传感器数据之外，车辆还可以获得与车辆S120相关联的全球卫星数据，优选地是GPS数据、GALILEO数据或GLONASS数据。将参考GPS数据来描述以下示例/实施方式，然而如上所述，可以附加地/另选地使用任何其他全球导航卫星系统(诸如GLONASS等)。在步骤S130中，基于GPS数据，可以确定车辆的当前地理位置。通常，GPS数据允许以2m的精度或更精确地定位车辆。

基于与车辆相关联的GPS数据，可以优选地基于与车辆相关联的GPS数据和/或传感器数据(例如，根据基于雷达的定位)来确定感知到的障碍物的地理位置。也就是说，由于传感器数据可以表示感知到的障碍物相对于车辆的相对地理位置，并且车辆的当前地理位置是从GPS数据获得的，所以感知到的障碍物的地理位置可从该信息得到。一旦确定了感知到的障碍物在环境中的地理位置，则可以将感知到的障碍物的特征存储在存储装置中，优选地与感知到的障碍物的(所确定的)地理位置相关联。存储装置可以是由车辆包括的物理存储装置，或者是可由车辆通过无线数据通信技术访问的云存储或远程存储装置。

将感知到的障碍物的特征与它们各自的地理位置一起存储还允许改进对车辆的当前地理位置的确定。参照图3描述了根据实施方式的确定车辆的当前地理位置的步骤S130。在图3所示的实施方式中，基于GPS的定位(或基于其它全球导航卫星的系统)的精度可通过还考虑来自其它域的雷达数据和/或传感器数据(例如考虑速度、时间和/或转向输入等的基于激光雷达的数据或传感器)来增强。

在步骤S210中，从传感器获得与车辆的周围环境相关联的传感器数据。在步骤S220中，获取与车辆相关联的GPS数据。基于传感器数据，可以确定感知到的障碍物的特征(S230)。如上所述，基于感知到的障碍物的特征，可以将它们中的一些确定为地标。基于步骤S240中的GPS，可以确定车辆的地理位置。在步骤S250中，然后可以将所确定的地标和车辆的确定的地理位置与存储在存储装置中的存储的地标(一个或更多个障碍物的特征)进行比较，所存储的地标与类似的地理位置相关联。基于该比较，在步骤S260中，与仅基于GPS数据的确定相比，可以确定车辆的确切当前地理位置。即，基于传感器数据和GPS数据的确定实现了大约0.5m的精度(与仅基于GPS的方法的2m相比)。由于当前地理位置的改进的确定需要存储的障碍物信息(障碍物的地理位置和/或特征)，在图2的步骤S130中车辆的当前地理位置的初始确定涉及GPS数据，其中，在相同环境中的当前地理位置的后续确定可以如图3所示被优化(步骤S120和S130可以由图3的步骤代替)。虽然基于GPS数据和基于雷达的数据描述了车辆的当前地理位置的增强确定，但是也可以使用其它类型的数据。例如，代替使用GPS数据，可以使用其他全球导航卫星数据，并且代替使用基于雷达的数据、基于激光雷达的数据或基于对象速度，也可以考虑特定时间量和/或转向输入的数据来增强车辆当前位置的确定。

返回图2，在步骤S130中确定了车辆的当前地理位置之后，在步骤S140中，从存储装置获得与车辆的当前地理位置相关联的数据集。存储装置可以是可用于确定当前地理位置的相同存储装置，或不同的存储装置。与在步骤S130中使用的存储装置类似，存储装置可以是位于车辆上的物理存储装置或由车辆通过无线传输访问的云存储装置。

在步骤S150中，如以上参见图1b所描述的，可以基于所获得的传感器数据和所获得的与感知到的障碍物相关联的数据集来确定可行驶区域。

随后，在步骤S160中，可以将与所确定的可行驶区域相关的信息存储在存储装置中，或适合于存储这种信息的任何其他存储装置中。即，可以将信息存储在车辆所包括的存储装置或基于云的存储装置中。除了所确定的可行驶区域之外，还可以优选地与感知到的障碍物的相应地理位置一起存储在车辆环境中感知到的障碍物的特征。在该步骤中存储的特征还可以包括与特征的错误确定相关的信息。即，如果感知到的障碍物的特征表示碰撞，但是车辆确实驶过了感知到的障碍物，则可以将感知到的障碍物标记为误报，并且可以增加相应的置信度分数。

在一些实施方式中，通过传感器数据和与数据集的比较获得的所有信息可以保存在存储装置中。在其他实施方式中，可以仅将通过传感器数据和与数据集的比较获得的信息的一部分存储在存储装置中。此外，不同的信息可以存储在不同的存储装置中。也就是说，例如，与车辆所采取的经常性的路线(recurring route)有关的信息可以本地存储在车辆所包括的存储装置上，而所有信息或信息的某些其它方面可以存储在经由无线通信连接到车辆的云存储中。

通过使用存储在数据存储装置中的置信度分数，可以避免可行驶路径和/或区域确定中的误报。例如，在仅基于传感器数据的可行驶路径确定中，例如道路中的裂缝的能够驶过的感知障碍物可被确定为将导致碰撞的不能驶过的障碍物。因此，仅基于传感器数据的可行驶路径确定将按照避免裂缝的方式确定路径。

除了上述之外，还可以设置其它安全机构。例如，在另一个实施方式中，在步骤S150中，可以仅建议可行驶区域/路径。然后可以将该建议路径与基于视觉的检测(例如基于激光雷达的检测)进行比较。如果基于激光雷达的检测确认感知到的障碍物看来是能够驶过的，则可基于那些基于激光雷达的对象检测和建议路径来确定可行驶区域。在基于激光雷达的检测表示感知到的障碍物导致碰撞的示例中，建议的可行驶区域/路径被忽略，并且根据基于激光雷达的检测并且优选地根据基于传感器数据(这里，传感器可以是雷达)确定的特征来确定可行驶区域/路径，并且路径是按照避开感知到的障碍物的方式来确定路径。通过在该方法后期引入基于视觉的确定，该确定的功能安全性增加，因为两种方法都单独地确定和表征感知到的障碍物(增加了冗余)。基于视觉的检测可用于检测和表征对象，或用于确定可行驶区域/路径，可行驶区域/路径然后可以与建议的可行驶区域/路径进行比较，并且可考虑差异。例如，在基于视觉的确定与建议的可行驶区域/路径之间存在差异的情况下，可以将避免各个方法的所有可能碰撞的组合路径视为可行驶区域/路径。

然而，在一些实施方式中，也可以较早地考虑基于视觉的方法。例如，在步骤S150中，除了传感器数据(优选地雷达数据)和数据集之外，可以使用由基于视觉的传感器(例如LIDAR)获得的视觉数据来确定可行驶区域。

确定车辆的可行驶区域的方法的第二示例性实现方式

在图4中，示出了上述的另一示例性实现。在该实现中，雷达数据被用作传感器数据。在第一步骤(未示出)中，获得雷达数据。基于雷达数据，可以使用对象检测算法来确定车辆环境中的地标(步骤S311)。同时，在步骤S312中，基于对象检测算法，一些特征可以被分类为移动对象，例如其他车辆。此外，在步骤S313中，可以基于SemSeg将一些特征确定为未分类的移动对象，并且在步骤S314中，将一些特征确定为静态障碍物候选(例如危险)，并且在步骤S315中，基于雷达数据，可以使用SemSeg来确定道路/道路边界。在步骤S316中，合并(consolidate)并比较与分类的移动对象和未分类的移动对象相关的信息(地理位置、大小、形状、速度等)，以改进对车辆周围的移动对象的确定。合并并比较对象检测信息和SemSeg信息提高了对象检测的功能安全性并提供了冗余。此外，SemSeg和对象检测的组合方法提高了对特征的确定(和确定的可行驶区域)的可靠性。

在步骤S320中，接收与车辆相关联的GPS数据，并且估计车辆的当前地理位置。如上所述，在步骤S321中，通过还考虑传感器数据(这里是雷达数据)，可以以更高的精度确定车辆的当前地理位置。在该示例中，将所确定的地标与所存储的地标信息(未示出)进行比较，并且以更高的精度确定车辆的当前地理位置。

在步骤S322中，基于在步骤314中由SemSeg确定的静止障碍物、在步骤S321中确定的车辆的当前地理位置来获得数据集。数据集可以包括在上述方法的先前迭代中已经存储在存储装置中的建议可行驶区域。例如，如果车辆的当前地理位置位于规则的/经常经过的路线上(例如通勤路线)，则与可行驶区域有关的信息，特别是与误报有关的信息可以存储在存储装置中。另选地或附加地，在步骤S322a中，可以从与车辆无线通信的云存储获得数据集。

在步骤S331中，基于在步骤S322中获取的数据集和与在步骤S316中获取的移动物体相关的合并信息、在步骤S314中确定的静止障碍物以及在步骤S315中确定的道路边界中的一项或更多项来确定建议的可行驶区域(可行驶区域预测器)。

在步骤S350中，通过将在步骤S331中获得的建议可行驶区域与基于视觉的确定进行比较来确定可行驶区域(S340)。将不详细描述使用激光雷达执行路径确定/对象检测的各个步骤。虽然这里可以考虑使用雷达数据执行的类似方法，但是也可以考虑本领域已知的其他基于视觉的检测。即使建议的可行驶区域/可行驶路径可能已经足够安全和可靠，但是与基于视觉的确定的进一步比较进一步增加了确定的安全性。

在没有初始数据集的情况下确定可行驶区域

所有上述实施方式涉及数据集已经可用的示例。图5示出了数据集最初是不可用的实施方式。

在图5中，如参照图1b所述地执行步骤S110至S130。然而，在步骤S410中，不是基于传感器数据和数据集来确定可行驶区域/路径，而是将车辆最初采用的路径确定为可行驶区域/路径。然后将该可行驶区域/路径存储在存储装置中(S160)并使其可供将来使用。此外，与车辆的当前地理位置的确定相关的信息也可以存储在存储装置中。例如，与地标、道路特征等相关的信息也可以初始存储。具体地，可以确定道路/路径上或附近的任何障碍物，并且可以确定车辆与感知到的障碍物的相应交互。例如，可以确定车辆之前行驶过感知到的障碍物。在这种情况下，将与感知到的障碍物相关的信息以较高的置信度分数存储为与车辆未与之交互/驶过的另一感知到的障碍物相关的信息。

上述实现的典型用例是每日通勤路线。在沿着通勤路线的初始行驶期间，可以获得传感器数据，并且可以确定感知到的障碍物的特征(地理位置、大小、形状、类型等)并将其存储在存储装置中。此外，可以记录车辆所采用的路径，并将其视为可行驶区域/路径，并将其存储在存储装置中。下一次车辆采用通勤路线时，可以应用上述方法。在其他实施方式中，其他车辆已经采用该路线，并且可以从云存储获得数据集。

上述方法、实现方式和/或用例中的任一个可以通过结合以下各项中的任一项来适配/改进：

一方面，在步骤S160中，可以设置与所存储的数据相关联的预定时间跨度。如果预定时间跨度期满(即在预定时间跨度期间数据集未用于确定可行驶区域/路径)，则可从存储装置中删除数据集。如果预定时间间隔未期满并且与车辆的当前地理位置相关联的数据集被用于确定可行驶区域/路径，则数据集被保持在存储装置中，优选地，与数据集相关联的时间间隔被显著增加。

在另一方面，可以定义旅程的最小数量。例如，可以限定的是，基于传感器数据(地理位置、大小、形状、速度等)的特征表征可以仅在车辆处于当前地理位置达一定次数之后被覆盖。在一个示例中，车辆必须已经处于当前地理位置，或者至少接近当前地理位置达至少两次或更多次，直到感知到的障碍物被表征为误报。

此外，上述方法可以在车辆所包括的设备中实现。车辆可以是小汽车、公共汽车、卡车、船舶、摩托车等。

上述方法、实现和用例可以在ADAS中实现。如上所述，通过在ADAS中应用上述方法，ADAS可以执行车辆的可行驶区域/路径的确定。因此，车辆辅助系统可以触发一个或更多个动作。这样的动作可以是由ADAS执行的任何动作，特别是考虑到所确定的可行驶区域/路径。也就是说，ADAS可以基于所确定的可行驶区域/路径来确定车辆的操作指令，从而影响ADAS的功能，例如以下功能中的一项或更多项：在所述车辆的显示器上显示所述可行驶区域；调整车辆路径规划；触发警告；和/或在驾驶期间影响所述车辆的控制。

图6描述了一种情况，其中，例如小汽车601和摩托车602的多个车辆通过无线通信链路605连接到远程存储装置600，例如远程服务器或远程云存储。与感知到的障碍物相关联的数据可存储到远程存储装置600和/或从远程存储装置600取回。这样的系统架构可以允许在多个车辆601、602的多个交通参与方之间共享数据，所述数据包括置信度分数、地理位置和/或感知到的障碍物的其他特征。此外，置信度分数还可能受到多个涉及的车辆的影响，这可能导致更可靠的置信度分数，或者在感知到的障碍物实际上是不可驶过的情况下导致置信度分数更快地增加。

根据本发明的方法可以按照计算机程序来实现，该计算机程序可以在任何适当的数据处理设备上执行，该数据处理设备包括相应配置的装置(例如，存储装置和可操作地联接到该存储装置的一个或更多个处理器)。计算机程序可以作为计算机可执行指令存储在非暂时性计算机可读介质上。

本公开的实施方式可以以各种形式中的任何一种来实现。例如，在一些实施方式中，本发明可以实现为计算机实现的方法、计算机可读存储介质或计算机系统。

在一些实施方式中，非暂时性计算机可读存储介质可被配置为使其存储程序指令和/或数据，其中。所述程序指令在由计算机系统执行时致使所述计算机系统执行一方法，例如本文中所描述的方法实施方式中的任一者，或本文中所描述的方法实施方式的任何组合，或本文中所描述的方法实施方式中的任一者的任何子集，或此类子集的任何组合。

在一些实施方式中，计算设备可以被配置为包括处理器(或一组处理器)和存储介质，其中，该存储介质存储程序指令，其中，该处理器被配置为从该存储介质读取和执行程序指令，其中，该程序指令是可执行的以实现在此描述的各种方法实施方式中的任一个(或在此描述的方法实施方式的任何组合，或在此描述的方法实施方式中的任一个的任何子集，或这些子集的任何组合)。该设备可以以各种形式中的任何一种来实现。

尽管上面已经描述了特定的实施方式，但是这些实施方式并不旨在限制本公开的范围，即使仅针对特定特征描述了单个实施方式。在本公开中提供的特征的示例旨在是说明性的而不是限制性的，除非另有说明。以上描述旨在覆盖对于受益于本公开的本领域技术人员而言显而易见的这些替代、修改和等同物。

本公开的范围包括在此公开的任何特征或特征的组合(明确地或隐含地)，或其任何概括，无论它是否减轻解决的任何或所有问题。特别地，参考所附权利要求，从属权利要求的特征可以与独立权利要求的特征组合，并且各个独立权利要求的特征可以以任何适当的方式组合，而不仅仅是在所附权利要求中列举的特定组合。

Claims (15)

1.一种在行驶期间确定车辆的可行驶路径的计算机实现的方法，该方法包括以下步骤：

获得表示与地理位置相关联的感知到的障碍物的传感器数据；

从数据存储装置取回与所述感知到的障碍物相关联的数据，所述数据包括置信度分数；以及

如果所述置信度分数高于阈值，则将所述感知到的障碍物确定为所述车辆能够驶过的。

2.根据权利要求1所述的方法，所述方法还包括以下步骤：

如果所述感知到的障碍物被驶过和/或如果所获得的传感器数据表示所述感知到的障碍物是能够驶过的，则增加所述数据存储装置中的所述置信度分数。

3.根据权利要求1或2所述的方法，所述方法还包括以下步骤：

如果所述置信度分数低于所述阈值，则将所述感知到的障碍物确定为所述车辆不能驶过的。

4.根据权利要求1至3中任一项所述的方法，所述方法还包括以下步骤：

基于所述传感器数据来确定所述感知到的障碍物的一个或更多个特征，其中，所述一个或更多个特征包括以下中的至少一项：

所述感知到的障碍物的类型，

所述感知到的障碍物的形状，

所述感知到的障碍物的尺寸，

所述车辆与所述感知到的障碍物之间的距离，

所述感知到的障碍物的高度，和/或

所述感知到的障碍物的地理位置。

5.根据权利要求4所述的方法，所述方法还包括以下步骤：

在所述数据存储装置中存储或更新所述感知到的障碍物的所确定的一个或更多个特征。

6.根据权利要求4或5所述的方法，其中，所述感知到的障碍物的所述地理位置是优选地根据全球导航卫星信息和/或通过使用基于雷达的定位，基于所述车辆的当前地理位置确定的。

7.根据权利要求4至6中任一项所述的方法，所述方法还包括以下步骤：

如果已经确定所述感知到的障碍物是能够驶过的，则确定包括所述感知到的障碍物的所述地理位置的所述可行驶路径；或

如果已经确定所述感知到的障碍物是不能驶过的，则确定不包括所述感知到的障碍物的所述地理位置的所述可行驶路径。

8.根据权利要求7所述的方法，其中，确定所述可行驶路径的步骤是基于可行驶通过预测器的。

9.根据权利要求1至8中任一项所述的方法，其中，所述数据存储装置是所述车辆的内部存储装置和/或能够由所述车辆访问的远程存储装置，所述远程存储装置优选为云存储。

10.根据权利要求1至9中任一项所述的方法，其中，获得传感器数据的步骤包括使用对象检测和/或语义分割算法，优选地使用人工智能AI引擎来识别所述感知到的障碍物。

11.根据权利要求1至10中任一项所述的方法，所述方法还包括以下步骤：

基于所确定的影响车辆辅助系统的功能的可行驶路径来确定用于所述车辆的操作指令，其中，所述功能包括以下功能中的一项或更多项：

在所述车辆的显示器上显示所确定的可行驶路径；

触发警告；

影响所述车辆的控制。

12.一种包括被配置为执行根据权利要求1至11中任一项所述的方法的装置的设备。

13.一种存储包含指令的计算机程序的非暂时性计算机可读存储介质，当所述指令由计算系统执行时，所述指令使所述计算系统执行根据权利要求1至11中任一项所述的方法。

14.一种包括根据权利要求12所述的设备的车辆。

15.一种包括一个或更多个根据权利要求12所述的设备或一个或更多个根据权利要求14所述的车辆的系统，所述系统还包括能够由一个或更多个根据权利要求14所述的车辆访问的远程存储装置，所述远程存储装置优选为云存储。