DE102020122837A1

DE102020122837A1 - Verfahren und vorrichtung zum erzeugen eines wendewegs in einem mehrschichtiges-lernen-basierten autonomen fahrzeug

Info

Publication number: DE102020122837A1
Application number: DE102020122837.6A
Authority: DE
Inventors: Tae Dong OH
Original assignee: Hyundai Motor Co; Kia Motors Corp
Current assignee: Hyundai Motor Co; Kia Corp
Priority date: 2020-03-23
Filing date: 2020-09-01
Publication date: 2021-09-23
Also published as: US11619946B2; US20210294341A1; KR20210118995A

Abstract

Verfahren und Vorrichtung zum Erzeugen eines Wendewegs in einem autonomen Fahrzeug, das Verfahren aufweisend: Berechnen eines befahrbaren Bereichs (S610), Erzeugen mehrerer in dem befahrbaren Bereich befahrbarer Wege (S620), Herausfiltern eines Fahr-Strategie-Wegs unter den mehreren Wegen basierend auf mehrschichtigem Lernen (S630), und Ermitteln eines finalen Wegs aus den herausgefilterten Weg-Kandidaten (S640).

Description

HINTERGRUND
Technisches Gebiet
Die vorliegende Offenbarung/Erfindung ist auf eine Fahrzeug-Weg-Führung gerichtet und betrifft insbesondere ein Bereitstellen eines optimalen Wendewegs für ein autonomes Fahrzeug basierend auf mehrschichtigem Lernen (tiefes Lernen, engl.: Deep Learning).
Beschreibung der Hintergrundtechnik
Bei einem einen Weg bereitstellenden Dienst mittels eines Zentrums für einen verbundenen-Auto-Dienst (engl.: connected car service, CCS) eines vorhandenen Fahrzeugs stellt das Zentrum einen optimalen Weg, einen empfohlenen Weg, eine Umleitung, oder dergleichen basierend auf Fahrzeug-Bewegungs-Informationen, Ampelinformationen, der Anzahl an Fahrspuren, einer Geschwindigkeitsbegrenzung und Unfallinformationen der Straße, die zum Beispiel Unfallinformationen, Straßen-Steuer-Informationen, und dergleichen über die Straße aufweisen, fest und stellt einem entsprechenden Fahrzeug Informationen über die festgestellten Informationen bereit.
Da ein vorhandenes Fahrzeug, das das CCS-Zentrum nutzt, einen vorherigen Wendeweg basierend auf gespeicherten Informationen (z.B. mittels eines vorherigen Tests der Straße oder dergleichen durch einen Sachverständigen) erzeugt, ist die Freiheit, einen Fahrweg zu erzeugen, begrenzt, und es kann sich ein unnatürlicher Wendeweg ergeben, indem nur ein Risiko in einem erlaubten Wendebereich lokal ermittelt wird, ohne eine Echtzeit-Umgebungssituation in einer gesamten Art und Weise zu analysieren.
Ein autonomes Fahrzeug benötigt eine Fähigkeit, mit einer Umgebungssituation, welche sich während eines Fahrens in Echtzeit verändert, adaptiv umzugehen.
Es wäre wünschenswert, ein Klassifikationsproblem eines mehrschichtigen Lernens zu adressieren, um mehrere Wege in einem befahrbaren Bereich in Abhängigkeit einer Wende-Strategie zu filtern, um komplexe Situationen zu betrachten und einen optimalen Weg unter mehreren Wegen, in welchem sich die Wende-Strategie widerspiegelt, mit Bezug auf Elemente, wie beispielsweise einem Risiko, einer Krümmung und einer Länge, auszuwählen.
Eine optimaler Wendeweg, welcher sicherer ist als ein Wenden (engl.: U-Turn) basierend auf einem tatsächlichen Ermitteln durch einen Fahrer, kann erzeugt werden mittels Erstellens adaptiver Wende-Strategien, die durch mehrschichtiges Lernen als Massendaten (engl.: Big Data) erzeugt werden/wurden.
ERLÄUTERUNG DER OFFENBARUNG/ERFINDUNG
Ein Aspekt der vorliegenden Offenbarung/Erfindung stellt ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs eines autonomen Fahrzeugs basierend auf mehrschichtigem Lernen (Deep Learning) bereit.
Ein weiterer Aspekt der vorliegenden Offenbarung/Erfindung stellt ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug bereit, um verschiedene erfasste Daten für jedes Merkmal zu klassifizieren und zu lernen, um mehrere strategische Wege zu erzeugen, und um einen hinsichtlich verschiedener Evaluierungselemente optimalen Wendeweg zu erzeugen.
Ein weiterer Aspekt der vorliegenden Offenbarung/Erfindung stellt ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug bereit, um eine tatsächlich durchgeführte Wende-Strategie für jede Fahrsituation als Massendaten (Big Data) zu konfigurieren und um basierend auf den Massendaten (Big Data) mehrschichtiges Lernen durchzuführen, wenn die gleiche Situation auftritt, um einen zuverlässigeren Wendeweg bereitzustellen.
Ein weiterer Aspekt der vorliegenden Offenbarung/Erfindung stellt ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug bereit, um eine räumliche Freiheit beim Erzeugen eines Wendewegs zu verbessern.
Ein weiterer Aspekt der vorliegenden Offenbarung/Erfindung stellt ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug bereit, um eine Trainings-Datenbank mittels Lernens für jeden Abschnitt (zum Beispiel mittels Lernens in einem jeden Abschnitt von mehreren Abschnitten des Lernens) zu erstellen.
Die technischen Probleme, die durch das vorliegende erfinderische Konzept gelöst werden sollen, sind nicht auf die zuvor genannten Probleme begrenzt und alle anderen hierin nicht genannten technischen Probleme werden von einem Fachmann, an den sich die vorliegende Offenbarung/Erfindung richtet, anhand der folgenden Beschreibung klar verstanden.
Gemäß einem Aspekt der vorliegenden Offenbarung/Erfindung kann ein Verfahren zum Erzeugen eines Wendewegs in einem autonomen Fahrzeug aufweisen: Berechnen eines befahrbaren Bereichs, Erzeugen mehrerer in dem befahrbaren Bereich befahrbarer Wege, Herausfiltern eines Fahr-Strategie-Wegs unter den mehreren Wegen basierend auf mehrschichtigem Lernen, und Ermitteln eines finalen Wegs aus den herausgefilterten Weg-Kandidaten.
In einer Ausführungsform kann der befahrbare Bereich basierend auf zumindest einem von Informationen über ein Objekt in der Nähe eines Host-Fahrzeugs, Informationen über eine Straße in der Nähe des Host-Fahrzeugs, oder Informationen über eine Struktur in der Nähe des Host-Fahrzeugs berechnet werden.
In einer Ausführungsform kann das Filtern des Fahr-Strategie-Wegs durchgeführt werden mittels Klassifizierens von Eingabeinformationen, die von einer Vielzahl von Peripherievorrichtungen erfasst werden/wurden, in einem Mehrschichtiges-Lernen-Klassifikationsverfahren, Auswählens einer am besten geeigneten Wende-Strategie mittels eines basierend auf den klassifizierten Eingabeinformationen lernenden neuronalen Netzwerks, und Ausschließens eines Wegs, welcher der ausgewählten Wende-Strategie nicht zugeordnet ist, von den Weg-Kandidaten. Zum Beispiel kann ein Weg, welcher mit der ausgewählten Wende-Strategie nicht übereinstimmt, von den Weg-Kandidaten ausgeschlossen werden.
In einer Ausführungsform kann das Auswählen der am besten geeigneten Wende-Strategie mittels des lernenden neuronalen Netzwerks basierend auf den klassifizierten Eingabeinformationen aufweisen: Erhalten einer Liste mit einer Vielzahl von zuvor erzeugten Wende-Strategien, Berechnen einer Ähnlichkeits-Wahrscheinlichkeit für jede in der Wende-Strategie-Liste enthaltene Wende-Strategie mittels des lernenden neuronalen Netzwerks für die mehreren Wege, und Auswählen einer am besten geeigneten Wende-Strategie basierend auf der für jede Wende-Strategie berechneten Ähnlichkeits-Wahrscheinlichkeit.
In einer Ausführungsform können die mehreren Wege, welche keiner in der Wende-Strategie-Liste enthaltenen Wende-Strategie zugeordnet sind, gefiltert (z.B. herausgefiltert, z.B. ausgeschlossen) werden. Zum Beispiel können ein oder mehrere Wege der mehreren Wege, welche keiner der in der Wende-Strategie-Liste enthaltenen Wende-Strategien zugeordnet sind, gefiltert werden.
In einer Ausführungsform kann das neuronale Netzwerk eine Mehrschichtiges-Lernen-Struktur aufweisen von zumindest einem von einem neuronalen Faltungsnetzwerk (CNN), einem rekurrenten neuronalen Netzwerk (RNN), einem tiefen neuronalen Netzwerk (DNN), einer eingeschränkten Boltzmann-Maschine (RBM), einem Deep-Belief-Netzwerk (DBN), einem langen Kurzzeitgedächtnis (LSTM), einem Gamma-Neuralen-Netzwerk (GAN), oder einem Softmax-Modell.
In einer Ausführungsform kann das Ermitteln des finalen Wegs aufweisen: Berechnen eines Evaluationswerts für jeden Weg-Kandidaten für zumindest eines von einem Risiko, einer Krümmung, oder einem Abstand, und Ermitteln des finalen Wegs basierend auf dem für jeden Weg-Kandidaten berechneten Evaluationswert. Der gemäß zu einer Situation, in der sich ein Host-Fahrzeug fortbewegt, ermittelte finale Weg kann in einer Datenbank aufgezeichnet werden und kann für das mehrschichtige Lernen verwendet werden.
In einer Ausführungsform kann das Objekt ein statisches Objekt und ein dynamisches Objekt aufweisen. Das statische Objekt kann verwendet werden, um den befahrbaren Bereich zu berechnen, und das dynamische Objekt kann verwendet werden, um ein Risiko, dass sich ein fremdes Fahrzeug von einer Fahrspur, die einer Fahrspur, in welcher sich der Host fortbewegt, entgegengesetzt ist, nähert, zu analysieren.
In einer Ausführungsform kann das Berechnen des befahrbaren Bereichs aufweisen: Berechnen eines ersten befahrbaren Bereichs basierend auf den Straßeninformationen, Berechnen eines zweiten befahrbaren Bereichs basierend auf dem statischen Objekt, und Ermitteln eines Bereichs, in dem sich der erste befahrbare Bereich und der zweite befahrbare Bereich überlappen, als einen finalen befahrbaren Bereich.
In einer Ausführungsform kann das Verfahren ferner ein Erstellen eines Trainingsmodells für das mehrschichtige Lernen aufweisen. Das Trainingsmodell kann erstellt werden mittels: Erstellens eines initialen (z.B. anfänglichen) lernenden Modells mittels simulationsbasierten mehrschichtigen Lernens, Erstellens von Massendaten (Big Data) mittels cloudserver-basierten mehrschichtigen Lernens, und Erstellens einer lokalen Datenbank mittels personalisierten mehrschichtigen Lernens.
Gemäß eines weiteren Aspekts der vorliegenden Offenbarung/Erfindung kann eine Vorrichtung zum Erzeugen eines Wendewegs in einem autonomen Fahrzeug aufweisen: eine Fusionsvorrichtung, die Fusionsinformationen erzeugt, eine Bereichs-Berechnungs-Vorrichtung, die einen befahrbaren Bereich basierend auf den Fusionsinformationen berechnet, einen Wegerzeuger (z.B. eine Weg-Erzeugungs-Vorrichtung), der mehrere in dem befahrbaren Bereich befahrbare Wege erzeugt, eine Lernvorrichtung, die eine Fahrweg-Strategie (z.B. einen Fahr-Strategie-Weg) unter den mehreren Wegen basierend auf mehrschichtigem Lernen filtert, und eine Steuerung (Controller) (z.B. eine Steuervorrichtung), die eingerichtet ist, einen finalen Weg aus den gefilterten Weg-Kandidaten zu ermitteln.
In einer Ausführungsform kann die Fusionsvorrichtung aufweisen: ein Objekt-Fusions-Modul, das Informationen zu Objekten in der Nähe eines Host-Fahrzeugs erzeugt, ein Straßeninformationen-Fusions-Modul, das Informationen zur Straße in der Nähe des Host-Fahrzeugs erzeugt, und ein Standortinformationen-Fusions-Modul, das globale Koordinaten-Informationen, die zum Erzeugen der Straßeninformationen erforderlich sind, erzeugt.
In einer Ausführungsform kann die Lernvorrichtung Eingabeinformationen, die von einer Vielzahl von Peripherievorrichtungen erfasst werden/wurden, in einem Mehrschichtiges-Lernen-Klassifikationsverfahren klassifizieren, und kann eine am besten geeignete Wende-Strategie mittels eines basierend auf den klassifizierten Eingabeinformationen lernenden neuronalen Netzwerks auswählen, und kann einen Weg, welcher der ausgewählten Wende-Strategie nicht zugeordnet ist, von den Weg-Kandidaten ausschließen.
In einer Ausführungsform kann die Vorrichtung ferner einen Strategieerzeuger (z.B. eine Strategie-Erzeugungs-Vorrichtung) aufweisen, der eine Liste mit einer Vielzahl von Wende-Strategien erzeugt. Zum Beispiel kann die Liste die Vielzahl von Wende-Strategien listen. Zum Beispiel kann der Strategieerzeuger (z.B. die Strategie-Erzeugungs-Vorrichtung) mehrere Listen erzeugen und jede Liste der mehreren Listen kann eine Vielzahl von Wende-Strategien aufweisen. Die Lernvorrichtung kann die Liste mit der Vielzahl von zuvor erzeugten Wende-Strategien (z.B. die Vielzahl von zuvor erzeugten Wende-Strategie-Listen) von dem Strategieerzeuger (z.B. der Strategie-Erzeugungs-Vorrichtung) erhalten, kann eine Ähnlichkeits-Wahrscheinlichkeit für jede in der Wende-Strategie-Liste enthaltene Wende-Strategie mittels des lernenden neuronalen Netzwerks für die mehreren Wege berechnen, und kann eine am besten geeigneten Wende-Strategie basierend auf der für jede Wende-Strategie berechneten Ähnlichkeits-Wahrscheinlichkeit auswählen.
In einer Ausführungsform, können die mehreren Wege, welche keiner in der Wende-Strategie-Liste enthaltenen Wende-Strategie zugeordnet sind, gefiltert (z.B. herausgefiltert) werden.
In einer Ausführungsform kann das neuronale Netzwerk eine Mehrschichtiges-Lernen-Struktur aufweisen von zumindest einem von einem neuronalen Faltungsnetzwerk (CNN), einem rekurrenten neuronalen Netzwerk (RNN), einem tiefen neuronalen Netzwerk (DNN), einer beschränkten Boltzmann-Maschine (RBM), einem Deep-Belief-Netzwerk (DBN), einem langen Kurzzeitgedächtnis (LSTM), einem Gamma-Neuralen-Netzwerk (GAN), oder einem Softmax-Modell.
In einer Ausführungsform kann die Steuerung einen Evaluationswert für jeden Weg-Kandidaten für zumindest eines von einem Risiko, einer Krümmung, oder einem Abstand berechnen und kann den finalen Weg basierend auf dem für jeden Weg-Kandidaten berechneten Evaluationswert ermitteln. Der gemäß zu einer Situation, in der sich ein Host-Fahrzeug fortbewegt, ermittelte finale Weg kann in einer Datenbank aufgezeichnet werden und kann für das mehrschichtige Lernen verwendet werden.
In einer Ausführungsform können die Objektinformationen Informationen zu einem statischen Objekt und Informationen zu einem dynamischen Objekt aufweisen. Die Informationen zu dem statischen Objekt können verwendet werden, um den befahrbaren Bereich zu berechnen, und die Informationen zu dem dynamischen Objekt können verwendet werden, um ein Risiko, dass sich ein fremdes Fahrzeug von einer Fahrspur, die einer Fahrspur, in welcher sich der Host fortbewegt, entgegengesetzt ist, nähert, zu analysieren.
In einer Ausführungsform kann die Bereichs-Berechnungs-Vorrichtung einen ersten befahrbaren Bereich basierend auf den Straßeninformationen berechnet, kann einen zweiten befahrbaren Bereich basierend auf dem statischen Objekt berechnen, und kann einen Bereich, in dem sich der erste befahrbare Bereich und der zweite befahrbare Bereich überlappen, als einen finalen befahrbaren Bereich ermitteln.
In einer Ausführungsform kann ein Trainingsmodell für das mehrschichtige Lernen verwendet werden. Das Trainingsmodell kann erzeugt werden durch einen Algorithmus zum Erstellen eines initialen lernenden Modells mittels simulationsbasierten mehrschichtigen Lernens, eines Algorithmus zum Erstellen von Massendaten (Big Data) mittels cloudserver-basierten mehrschichtigen Lernens, und/oder eines Algorithmus zum Erstellen einer lokalen Datenbank mittels personalisierten mehrschichtigen Lernens.
Figurenliste
Die oben beschriebenen und andere Aufgaben, Merkmale und Vorteile der vorliegenden Offenbarung/Erfindung werden klarer verstanden anhand der folgenden ausführlichen Beschreibung in Verbindung mit den beigefügten Zeichnungen:

1 ist ein Blockdiagramm, das eine Struktur eines Systems zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
2 ist ein Blockdiagramm, das eine Struktur einer Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
3 ist eine Abbildung, die eine Struktur eines neuronalen Netzwerks, das auf eine Lernvorrichtung angewendet wird, gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
4 ist ein Blockdiagramm, das eine Struktur einer Lernelement-Klassifizierungs-Vorrichtung gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
5 ist eine Abbildung, die ein Verfahren zum Erhalten von Trainingsdaten mittels Lernens für jeden Abschnitt gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
6 ist ein Flussdiagramm, das ein Verfahren zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
7 ist eine Abbildung, die ein Verfahren eines Berechnens eines befahrbaren Bereichs gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
8 ist eine Abbildung, die ein Verfahren eines Berechnens eines befahrbaren Bereichs gemäß einer anderen Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
9 ist eine Abbildung, die ein Verfahren eines Berechnens eines finalen befahrbaren Bereichs gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
10 ist eine Abbildung, die ein Verfahren eines Erzeugens mehrerer Wege gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
11 ist eine Abbildung, die ein Verfahren eines Filterns eines Fahrstrategiewegs basierend auf mehrschichtigem Lernen gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
12 ist eine Abbildung, die ein Verfahren eines Ermittelns eines finalen Wegs gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
13 ist eine Abbildung, die ein Verfahren eines Ermittelns eines finalen Wegs gemäß einer anderen Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
14 ist eine Abbildung, die ein Verfahren eines Ermittelns eines finalen Wegs gemäß einer anderen Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt;
15 ist eine Abbildung, die einen Vergleich einer Weg-Erzeugung danach, ob eine Wende-Strategie widergespiegelt wird, gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt; und
16 ist eine Abbildung, die ein Verfahren eines Erzeugens eines Wegs, wenn es ein Fahrzeug gibt, das weichen muss, gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.

AUSFÜHRLICHE BESCHREIBUNG
Unter den hierin verwendeten Begriffen wie „Fahrzeug“ bzw. „Fahrzeug-“ oder ähnlichen Begriffen ist zu verstehen, dass diese Motorfahrzeuge im Allgemeinen umfassen, wie beispielsweise Personenfahrzeuge (zum Beispiel Personenkraftfahrzeuge) einschließlich Stadtgeländewagen (Sport Utility Vehicles, SUV), Busse, Lastkraftwagen, verschiedene Nutzfahrzeuge, Wasserfahrzeuge einschließlich einer Vielzahl von Booten und Schiffen, Flugzeuge und dergleichen, und Hybridfahrzeuge, Elektrofahrzeuge, Plug-In Hybrid-Elektro-Fahrzeuge, wasserstoffbetriebene Fahrzeuge und Fahrzeuge, die mit anderen alternativen Treibstoffen/Kraftstoffen (z.B. Treibstoffen/Kraftstoffen, die von anderen Ressourcen als Erdöl gewonnen wurden) betrieben werden, umfassen. Ein wie hierin beschriebenes Hybridfahrzeug ist ein Fahrzeug, das zwei oder mehr Energiequellen hat, zum Beispiel Fahrzeuge, die sowohl mit Benzin als auch elektrisch angetrieben werden.
Die hierin verwendete Terminologie dient nur dem Zweck der Beschreibung bestimmter Ausführungsformen und soll die Offenbarung nicht einschränken. Die hierin verwendeten Singular-Formen „ein“, „eine“, „einer“ und „der“/„die“/„das“ sollen ebenfalls die Pluralformen umfassen, sofern es sich vom Kontext nicht in klarer Weise anders ergibt. Ferner ist unter den in dieser Beschreibung verwendeten Begriffen „aufweisen“ und/oder „aufweisend“ zu verstehen, dass diese das Vorhandensein der angegebenen Merkmale, Ganzzahlen, Schritte, Operationen/Vorgänge, Elemente und/oder Komponenten angeben, aber das Vorhandensein oder das Hinzufügen von ein oder mehreren anderen Merkmalen, Ganzzahlen, Schritten, Operationen/Vorgängen, Elementen, Komponenten und/oder Gruppen davon nicht ausschließen. Der hierin verwendete Begriff „und/oder“ umfasst sämtliche Kombinationen von ein oder mehreren der zugeordneten gelisteten Elemente. Sofern nicht anders angegeben, sind in der Beschreibung der Begriff „aufweisen“ und Variationen davon, wie beispielsweise „weist auf“ oder „aufweisend“ so zu verstehen, dass die angegebenen Elemente mit enthalten sein können, aber nicht, dass andere Elemente ausgeschlossen sind. Zusätzlich bedeuten die in der Beschreibung beschriebenen Begriffe „Einheit“, „-er“, „or“, und Modul“ Einheiten zum Verarbeiten mindestens einer Funktion und Operation und können durch Hardware-Komponenten oder Software-Komponenten und Kombinationen dieser implementiert sein.
Ferner kann die Steuerlogik der vorliegenden Offenbarung als nichtflüchtige, computerlesbare Medien auf einem computerlesbaren Medium (zum Beispiel ein computerlesbares Speichermedium) ausgeführt sein, wobei das computerlesbare Medium ausführbare Programminstruktionen, die von einem Prozessor, einer Steuerung (Controller) oder dergleichen ausgeführt werden, aufweist. Beispiele für ein computerlesbares Medium umfassen, aber sind nicht begrenzt auf, ROM, RAM, CD-ROM (Compact-Disk ROM), Magnetbänder, Disketten, Speichersticks (z.B. USB-Speichersticks), Chipkarten und optische Datenspeichervorrichtungen. Das computerlesbare Medium kann ferner in über ein Netzwerkgekoppelten Computersystemen verteilt sein, sodass die computerlesbaren Medien in einer verteilten Art und Weise gespeichert und ausgeführt werden, wie beispielsweise durch einen Telematik-Server oder ein CAN (Controller Area Network).
Im Folgenden werden einige Ausführungsformen der vorliegenden Offenbarung mit Bezug auf die beigefügten beispielhaften Zeichnungen ausführlich beschrieben. Bezüglich der Bezugszeichen der Komponenten einer jeden Figur ist zu verstehen, dass gleiche oder äquivalente Komponenten durch gleiche Bezugszeichen angegeben werden, auch wenn die Komponenten in anderen Figuren gezeigt sind. Ferner wird bei der Beschreibung der Ausführungsformen eine ausführliche Beschreibung darin enthaltener bekannter Merkmale oder Funktionen zum Zweck der Klarheit und Knappheit der vorliegenden Offenbarung/Erfindung weggelassen.
Bei der Beschreibung der Komponenten der Ausführungsformen gemäß der vorliegenden Offenbarung können Begriffe wie zum Beispiel „erste“, „zweite“, „A", „B", „(a)“, „(b)“ und dergleichen verwendet werden, wobei diese Begriffe ausschließlich der Unterscheidung einer Komponente von einer anderen dienen und wobei die Begriffe die Art/Eigenschaft, die Reihenfolge oder Anordnung der angegebenen Komponenten nicht einschränken. Sofern nicht anders angegeben, haben alle hierin verwendeten Begriffe, technische bzw. wissenschaftliche Begriffe einschließend, die gleiche Bedeutung, wie die von einem Fachmann, an den sich die vorliegende Offenbarung richtet, im Allgemeinen verstandene Bedeutung. Solche Begriffe, wie die in einem allgemeinen Wörterbuch/Lexikon definierten Begriffe, sind so zu interpretieren, dass diese Begriffe die gleiche Bedeutung haben wie die kontextbezogene Bedeutung in dem relevanten Gebiet der Technik, und sind nicht so zu interpretieren, dass diese Begriffe eine ideale oder übermäßig formale Bedeutung haben, sofern dies in der vorliegenden Anmeldung nicht in klarer Weise anders angegeben ist.
Im Folgenden werden Ausführungsformen der vorliegenden Offenbarung/Erfindung mit Bezug aufFIG. 1 bis 16 ausführlich beschrieben.
1 ist ein Blockdiagramm, das eine Struktur/einen Aufbau eines Systems zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Im Folgenden wird zur besseren Beschreibung ein System 100 zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug lediglich als das System 100 bezeichnet.
Mit Bezug aufFIG. 1 kann das System 100 eingerichtet sein, einen Strategieerzeuger (z.B. eine Strategie-Erzeugungs-Vorrichtung) 110, eine Fusionsvorrichtung 120, eine Bereichs-Berechnungs-Vorrichtung 130, einen Wegerzeuger (z.B. eine Weg-Erzeugungs-Vorrichtung 140), eine Lernvorrichtung 150, und eine Steuerung (Controller) (z.B. eine Steuervorrichtung) 160 aufzuweisen. Die jeweiligen Komponenten können in einer Komponente kombiniert sein und einige Komponenten können weggelassen werden.
Der Strategiererzeuger 110 kann mindestens eine Wende-Strategie erzeugen.
Die Fusionsvorrichtung 120 kann eingerichtet sein, ein Objekt-Fusions-Modul 121, ein Straßeninformationen-Fusions-Modul 122, und ein Standortinformationen-Fusions-Modul 123 aufzuweisen.
Das Objekt-Fusions-Modul 121 kann ein statisches Objekt und ein dynamisches Objekt in der Nähe eines Host-Fahrzeugs basierend auf einer Vielzahl von erfassten Informationen, die von einem kognitiven Sensor 170 erhalten werden/wurden, und verschiedenen Fahrzeug-zu-allen (engl.: vehicle-to-everything, V2X) Kommunikationsdaten, die von einer V2X-Kommunikations-Vorrichtung 190 empfangen werden/wurden, identifizieren und kann ausführliche Informationen über das identifizierte Objekt ausgeben.
Hierin können die ausführlichen Informationen über das Objekt Informationen über eine Objekt-Art zum Klassifizieren, ob das Objekt ein statisches Objekt oder ein dynamisches Objekt ist, Standortinformationen, Informationen zu einer Fahrzeuggeschwindigkeit, eine Beschleunigungsgeschwindigkeit, eine Gierrate, Informationen zu einem Lenkradwinkel oder dergleichen aufweisen, aber sind nicht darauf begrenzt.
In einer Ausführungsform kann der kognitive Sensor 170 eine Licht-Detektions-und-Abstands-Erfassung (engl.: light detection and ranging, LiDAR) 171, eine Kamera 172 und ein Radar 173 aufweisen, aber ist nicht darauf begrenzt.
Die Straßeninformationen-Fusions-Vorrichtung 122 kann Informationen über ein statisches Objekt in der Nähe des Host-Fahrzeugs erhalten, kann ausführliche Karteninformationen in der Nähe des Host-Fahrzeugs (z.B. ausführliche Karteninformationen über die Umgebung des Host-Fahrzeugs) von einer Karten-Bereitstellungs-Vorrichtung 180 erhalten, kann Infrastrukturinformationen in der Nähe des Host-Fahrzeugs (z.B. Informationen über die Infrastruktur in der Umgebung des Host-Fahrzeugs) für eine Fahrzeug-zu-Infrastruktur (engl.: vehicle-to-infrastructure, V2I) Kommunikation von der V2X-Kommunikations-Vorrichtung 190 erhalten, kann Informationen über einen Standort/eine Position des Host-Fahrzeugs, also globale Koordinaten des Host-Fahrzeugs, von dem Standortinformationen-Fusions-Modul 123 erhalten, und kann basierend auf den erhaltenen Informationen Straßeninformationen berechnen und ausgeben. Als ein Beispiel können die Straßeninformationen Straßen-Art-Informationen der Straße, auf welcher sich das Host-Fahrzeug derzeit fortbewegt, beispielsweise einen Highway/eine Autobahn, eine Straße mit beschränktem Zugang, eine Hauptstraße, eine Nebenstraße, eine Einbahnstraße oder dergleichen umfassend, Fahrspur-Informationen der Straße, auf welcher sich das Host-Fahrzeug fortbewegt, wie beispielsweise dritte Fahrspur einer Einbahnstraße in Richtung Jamsil, vierte Fahrspur einer Straße in beide Richtungen in Richtung Yeouido, oder dergleichen, und Informationen über eine Strecke, auf der sich das Host-Fahrzeug derzeit fortbewegt, und dergleichen aufweisen, aber ist nicht darauf begrenzt.
Das Standortinformationen-Fusions-Modul 123 kann Informationen über ein statisches Objekt in der Nähe des Host-Fahrzeugs von dem kognitiven Sensor 170 erhalten, kann Informationen zu einer Fahrgeschwindigkeit und einer Radgeschwindigkeit des Host-Fahrzeugs über das Fahrzeug-Netzwerk 191 erhalten, kann ausführliche Karteninformationen von der Karten-Bereitstellungs-Vorrichtung 180 erhalten, kann Informationen zur Straße in der Nähe des Host-Fahrzeugs von der V2X-Kommunikations-Vorrichtung 190 erhalten, kann GPS-Informationen von dem GPS-Empfänger 192 erhalten, und derzeitige Standortinformationen des Host-Fahrzeugs, also globale Koordinaten-Informationen des Host-Fahrzeugs, ausgeben.
Die Bereichs-Berechnungs-Vorrichtung 130 kann Objektinformationen und Informationen zur Straße in der Nähe des Host-Fahrzeugs empfangen und kann einen befahrbaren Bereich des Host-Fahrzeugs berechnen und ausgeben.
Der Weg-Erzeuger (z.B. die Weg-Erzeugungs-Vorrichtung) 140 kann mehrere Wege für den befahrbaren Bereich berechnen und ausgeben.
In einer Ausführungsform, kann der Weg-Erzeuger 140 Informationen über eine Wende-Strategie von dem Strategie-Erzeuger (z.B. der Strategie-Erzeugungs-Vorrichtung) 110 erhalten. In diesem Fall kann der Strategie-Erzeuger 140 mehrere Wege für jede Wende-Strategie in einem befahrbaren Bereich berechnen und ausgeben.
Die Lernvorrichtung 150 kann Wende-Strategie-Informationen von dem Strategie-Erzeuger 110 empfangen, kann Mehrwege-Informationen von dem Weg-Erzeuger 140 empfangen, und kann Objektinformationen und Straßeninformationen von der Fusionsvorrichtung 120 empfangen.
Die Lernvorrichtung 150 kann eine Straßensituation der Straße, auf der sich der Host derzeit fortbewegt, und eine Umgebung in der Nähe des Host-Fahrzeugs zu mindestens einer Wende-Strategie, die sinnvoll mittels des Strategie-Erzeugers 110 unter verschiedenen Wende-Strategien erzeugt wurde, zuordnen. Die Lernvorrichtung 150 kann einen Weg, welcher nicht einer Wende-Strategie zugeordnet ist (z.B. nicht zu einer Wende-Strategie passt), also eine geringe Ähnlichkeit hat, von zu betrachtenden Objekten (z.B. von Weg-Kandidaten) ausschließen.
Die Steuerung 160 kann einen Evaluationswert für jeden Weg berechnen, indem bestimmte Evaluierungskriterien, zum Beispiel ein Risiko, eine Krümmung (z.B. eine Krümmung bzw. eine Biegung einer Straße) und eine Länge, auf mehrere mittels der Lernvorrichtung 150 gefilterte Wege (z.B. auf mehrere von der Lernvorrichtung 150 herausgefilterte Wege), also mehrere Wege, welche die Wende-Strategie widerspiegeln, angewendet werden, und kann basierend auf dem berechneten Evaluationswert einen optimalen Wendeweg ermitteln.
2 ist ein Blockdiagramm, das eine Struktur/einen Aufbau einer Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Im Folgenden wird der Einfachheit der Beschreibung halber eine Vorrichtung 200 zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug lediglich als die Vorrichtung 200 bezeichnet.
Mit Bezug auf 2, kann die Vorrichtung 200 eingerichtet sein, eine Informations-Erfassungs-Vorrichtung 210, eine Lemelement-Klassifizierungs-Vorrichtung 220, eine Lernvorrichtung 230, eine Strategie-Ermittlungs-Vorrichtung 240, eine Weg-Evaluierungs-Vorrichtung 250, eine Vorrichtung zum Ermitteln eines optimalen Wegs 260, und eine Statistik-Berechnungs-Vorrichtung 270 aufzuweisen.
Die Informations-Erfassungs-Vorrichtung 210 kann verschiedene Ausgangsdaten (z.B. Rohdaten) 210 von verschiedenen in einem autonomen Fahrzeug bereitgestellten PeripherieVorrichtungen erfassen.
Hierin, wie mit Bezug auf 1 beschrieben, können die Ausgangsdaten, von einem kognitiven Sensor 170 nach 1 erfasste Informationen, von einer Karten-Bereitstellungs-Vorrichtung 180 nach 1 erfasste Informationen, von einer V2X-Kommunikations-Vorrichtung 190 nach 1 erfasste Informationen, von einem Fahrzeug-Netzwerk 191 nach 1 erfasste Informationen, von einem GPS-Empfänger 192 nach 1 erfasste Informationen, oder dergleichen aufweisen, aber sind nicht darauf begrenzt.
Die Lernelement-Klassifizierungs-Vorrichtung 220 kann die mittels der Informations-Erfassungs-Vorrichtung 210 erfassten Ausgangsdaten für jedes vordefinierte Lernelement (z.B. vordefinierte lernende Elemente) klassifizieren.
Als ein Beispiel kann das Lernelement ein Lernelement zum Ermitteln einer Intention eines vorausfahrenden Fahrzeugs, ein Lernelement zum Ermitteln eines Risikos eines dynamischen Objekts auf einer gegenüberliegenden Fahrspur, ein Lernelement, das einem Fußgänger zugeordnet ist, ein Lernelement, das einem statischen Objekt zugeordnet ist, ein Lernelement, das einem finalen befahrbaren Bereich zugeordnet ist, oder dergleichen aufweisen.
Die Lernvorrichtung 230 kann erstes bis N-tes Lernelement-Daten (z.B. Erstes-Lernelement-Daten bis N-tes-Lernelement-Daten, z.B. Daten zu einem ersten Lernelement, Daten zu einem zweiten Lernelement, ..., Daten zu einem N-ten Lernelement), eine erste bis K-te Wende-Strategie (z.B. eine erste Wendestrategie bis K-te Wendestrategie), und mehrere Wege empfangen, um mehrschichtiges Lernen (Deep Learning) durchzuführen.
Die Lernvorrichtung 230 kann mittels des mehrschichtigen Lernens Ähnlichkeits-Wahrscheinlichkeiten ausgeben, die der ersten bis K-ten Wende-Strategie zugeordnet sind.
Die Lernvorrichtung 230 kann unter den mehreren eingegebenen Wegen einen Wendeweg, welcher mit keiner der ersten bis K-ten Wende-Strategie übereinstimmt, filtern, um diesen von den mehreren zu berücksichtigenden Wegen zu entfernen.
Die Strategie-Ermittlungs-Vorrichtung 240 kann eine optimale Wende-Strategie ermitteln basierend auf einer Ähnlichkeits-Wahrscheinlichkeit einer jeden Strategie.
Die Weg-Evaluierungs-Vorrichtung 250 kann einen Evaluationswert gemäß einem bestimmten Evaluierungskriterium mit Bezug auf jeden Weg (alle Wege), der (die) der ermittelten optimalen Wende-Strategie entsprechen, berechnen.
Die Optimaler-Weg-Ermittlungs-Vorrichtung 260 kann einen Weg mit dem höchsten Evaluationswert als einen finalen Wendeweg ermitteln.
Die Statistik-Berechnungs-Vorrichtung 270 kann Fahr-Sicherheit-Statistiken für die Wende-Strategie und den Wendeweg, welche final ermittelt werden/wurden, berechnen und kann die Fahr-Sicherheit-Statistiken der Lernvorrichtung 230 bereitstellen.
Die Lernvorrichtung 230 kann mittels Durchführens von mehrschichtigem Lernen dem autonomen Fahrzeug einen sichereren Wendeweg bereitstellen, indem ferner Feedback-Informationen (z.B. Informationen zu einer Rückmeldung, z.B. Bewertungsinformationen, z.B. Beurteilungsinformationen), d.h. Fahr-Sicherheit-Statistiken-Informationen über einen auf das autonome Fahrzeug angewendeten Wendeweg verwendet werden.
3 ist eine Abbildung, die eine Struktur eines neuronalen Netzwerks, das auf eine Lernvorrichtung angewendet wird, gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Eine Konfiguration eines neuronalen Netzwerks gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung kann implementiert sein, um eine Struktur eines mehrschichtigen Lernens von zumindest einem von einem neuronalen Faltungsnetzwerk (CNN), einem rekurrenten neuronalen Netzwerk (RNN), einem tiefen neuronalen Netzwerk (DNN), einer beschränkten Boltzmann-Maschine (RBM), einem Deep-Belief-Netzwerk (DBN), einem langen Kurzzeitgedächtnis (LSTM), einem Gamma-Neuralen-Netzwerk (GAN), oder einem Softmax-Modell aufzuweisen.
Das neuronale Netzwerk gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung ist nicht nur auf die Beispiele beschränkt und kann jede Art von tiefer neuronaler Netzwerk-Struktur aufweisen, die imstande ist, Ausgaben von Lernelement-Extraktions-Modulen zu lernen, welche für Zwecke gegeben sind und eine Leistung erfüllen, für einen Zeitpunkt, an dem eine Wendung initiiert wird.
Mit Bezug auf 3 kann ein neuronales Netzwerk 300 eingerichtet sein, um im Wesentlichen eine Eingabeschicht 310, verborgene Schichten 320, und eine Ausgabeschicht 330 aufzuweisen.
Eine Konfiguration des neuronalen Netzwerks 300 gemäß einer Ausführungsform kann eine Struktur eines neuronalen Netzwerks haben, die imstande ist, einen Zeitpunkt zu ermitteln, zu dem es möglich ist, eine Wendung („U-turn“) zu machen, mit mindestens 10 oder mehr verborgenen Schichten 320 und mindestens 500 oder mehr Knoten (z.B. Netzelemente, z.B. Neuronen), bei Betrachtung der Anzahl an Eingangsknoten und einer Komplexität des Systems. Allerdings ist die Anzahl der verborgenen Schichten 320 und die Anzahl aller Knoten nicht auf die oben beschriebenen begrenzt.
Es wird darauf hingewiesen, dass ein Knoten der Eingabeschicht 310 eins-zu-eins (z.B. bijektiv) einem Knoten des Lernelement-Extraktions-Moduls einer Lemelement-Klassifizierungs-Vorrichtung 220 in 3 zugeordnet ist, aber dies ist nur eine Ausführungsform. In einer anderen Ausführungsform kann eine Ausgabe eines jeden Ausgabemoduls des Lernelements zu einer Vielzahl von Knoten der Eingabeschicht 310 eingegeben werden. Ferner kann ein Knoten der Eingabeschicht 310 Informationen einer Vielzahl von Ausgabemodulen des Lernelements empfangen.
Eine Ausgabe der Ausgabeschicht 330 kann eine Ähnlichkeit sein, die jeder der Anzahl von N Wende-Strategien, welche zuvor klassifiziert wurden, zugeordnet ist, also eine Wahrscheinlichkeit, dass mehrere Wege als eine zugeordnete Wende-Strategie ausgewählt werden. Eine finale Wende-Strategie kann basierend auf einer Ähnlichkeits-Wahrscheinlichkeit 340, die während des autonomen Fahrens einer jeden Strategie zugeordnet ist, ausgewählt werden. In diesem Fall können Feedback-Informationen darüber, wie oft die Risiko-Ermittlung während des Fahrens entlang des final ausgewählten Wendewegs auftritt, für eine Backpropagierung eines Fehlers auf das neuronale Netzwerk 300 verwendet werden. Beispielsweise können die Feedback-Informationen Grundwahrheitsdaten sein, welche verwendet werden können, um mittels einer Fehlerfunktion einen Fehler zu ermitteln, und das neuronale Netzwerk 300 kann mittels Backpropagierung derart trainiert werden, dass der Fehler reduziert (z.B. minimiert) wird.
4 ist ein Blockdiagramm, das eine Struktur einer Lernelement-Klassifizierungs-Vorrichtung gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Mit Bezug auf 4 kann eine Lemelement-Klassifizierungs-Vorrichtung 220 eingerichtet sein, erste bis fünfte Lemelement-Extraktions-Module 410 bis 450 aufzuweisen.
Das erste Lemelement-Extraktions-Modul 410 kann Lernelement-Daten, die einem Ermitteln einer Intention eines vorausfahrenden Fahrzeugs zugeordnet sind, extrahieren.
Das zweite Lemelement-Extraktions-Modul 420 kann Lernelement-Daten, die einem Risiko eines Fahrzeugs, also eines dynamischen Objekts, das sich in einer der Fahrspur, in der sich ein Host-Fahrzeug fortbewegt, entgegengesetzten Fahrspur fortbewegt, zugeordnet sind, extrahieren.
Das dritte Lernelement-Extraktions-Modul 430 kann Lernelement-Daten, die einem Fußgänger in der Nähe des Host-Fahrzeugs zugeordnet sind, extrahieren.
Das vierte Lernelement-Extraktions-Modul 440 kann Lernelement-Daten, die einem Ermitteln eines Risikos eines statischen Objekts in der Nähe der Fahrspur, in der sich das Host-Fahrzeug fortbewegt, zugeordnet sind, extrahieren.
Das fünfte Lernelement-Extraktions-Modul 450 kann Lernelement-Daten, die einem Ermitteln eines befahrbaren Bereichs des Host-Fahrzeugs (z.B. eines Bereichs, den das Host-Fahrzeug befahren kann) zugeordnet sind, extrahieren.
5 ist eine Abbildung, die ein Verfahren zum Erhalten von Trainingsdaten mittels Lernens für jeden Abschnitt gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Mit Bezug auf 5 kann ein System zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug Trainingsdaten, die zum Ermitteln eines optimalen Wegs erforderlich sind, in einem ersten Lernabschnitt bis einem dritten Lernabschnitt (z.B. Schritten des Lernens) erhalten.
Als ein Beispiel können die Trainingsdaten mittels des ersten bis dritten Lernabschnitts erhalten werden.
In S510 kann eine Vorrichtung 200 nach 2 in dem ersten Lernabschnitt ein initiales Lernmodell mittels simulationsbasierten mehrschichtigen Lernens erstellen (z.B. ermitteln).
Der erste Lernabschnitt kann leicht Trainingsdaten erhalten und ist imstande, verschiedene Szenarien zu lernen, aber in dem ersten Lernabschnitt treten eine Vielzahl von Situationen auf, welche nicht identisch zur Realität sind.
In S520 kann die Vorrichtung 200 in dem zweiten Lernabschnitt mittels cloudserver-basierten mehrschichtigen Lernens Massendaten (Big Data) erstellen (z.B. ermitteln). Anders ausgedrückt kann die Vorrichtung 200 Massendaten, die zum Ermitteln eines optimalen Wendewegs erforderlich sind, mittels mehrschichtigen Lernens verwenden basierend auf Erkennungs-/Ermittlungs-Informationen von autonomen Fahrzeugen, welche mittels eines zentralen Servers erfasst werden.
Der zweite Lernabschnitt ist imstande, Trainingsdaten leicht zu erhalten, da autonome Fahrzeuge in Serie produziert und verteilt werden, aber es ist schwierig, einen personalisierten Weg-Dienst, zum Beispiel einen Weg-Service, in welchem eine persönliche Wende-Tendenz in dem zweiten Lernabschnitt widergespiegelt wird, bereitzustellen.
In S530 kann die Vorrichtung 200 in dem dritten Lernabschnitt eine lokale Datenbank mittels personalisierten mehrschichtigen Lernens erstellen.
Der dritte Lernabschnitt ist imstande, einen Wende-Modus des autonomen Fahrzeugs mittels eines Lernens, das für eine persönliche Wende-Tendenz geeignet ist, zu diversifizieren. Allerdings ist die Datenerfassung, die für das Lernen erforderlich ist, in dem dritten Lernabschnitt langsam.
Da, wie oben beschrieben, zum Lernen erforderliche Trainingsdaten am Anfang des Dienstes des autonomen Fahrzeugs nicht ausreichen, kann ein initiales Daten-Modell mittels simulationsbasierten mehrschichtigen Lernens erstellt werden. In der Mitte des Dienstes des autonomen Fahrzeugs kann ein Datenmodell, also Massendaten (Big Data), die für eine reale Fahrsituation geeignet sind, erstellt werden, indem Sensorinformationen, die von einer Vielzahl von autonomen Fahrzeugen erfasst werden, zum Lernen verwendet werden unter Verwendung eines Datensammlers, der in einem zentralen Server bereitgestellt ist. Am Ende des Dienstes für das autonome Fahrzeug können Feedback-Informationen eingegeben werden, um eine persönliche Wende-Tendenz in dem gelernten (z.B. trainierten) mehrschichtigen Lern-Modell widerzuspiegeln.
6 ist ein Flussdiagramm, das ein Verfahren eines Erzeugens eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Mit Bezug aufFIG. 6 kann, in S610, eine Vorrichtung 200 nach 2 einen befahrbaren Bereich basierend auf Standorten/Positionen von statischen/dynamischen Objekten, dynamischen Informationen, Standortinformationen einer umgebenden Struktur, und dergleichen berechnen.
In S620 kann die Vorrichtung 200 mittels eines Weg-Erzeugungs-Algorithmus eine Anzahl von N fahrbaren Wegen erzeugen (d.h., mehrere fahrbare Wege, wobei die Anzahl der fahrbaren Wege N ist). Als ein Beispiel kann der Weg-Erzeugungs-Algorithmus einen Weg-Erzeugungs-Algorithmus basierend auf einer Zufallswahrscheinlichkeit und einen Weg-Erzeugungs-Algorithmus basierend auf einem gleichmäßigen Versatz (Offset) in einem befahrbaren Bereich aufweisen, aber ist nicht darauf begrenzt.
In S630 kann die Vorrichtung 200 einen Vorgang (z.B. ein Verfahren) eines Filterns einer Fahrstrategie basierend auf mehrschichtigem Lernen durchführen.
Hierbei kann der Vorgang (z.B. das Verfahren) des Filterns des Fahr-Strategie-Wegs aufweisen: Klassifizieren verschiedener von einer Peripherievorrichtung erfasster Eingabeinformationen in einem Mehrschichtiges-Lernen-Klassifikationsverfahren, Auswählen einer am besten geeigneten Wende-Strategie mittels eines basierend auf den klassifizierten Eingabeinformationen lernenden neuronalen Netzwerks, und Ausschließen eines Wegs, welcher der ausgewählten Wende-Strategie nicht zugeordnet ist (z.B. welcher nicht zu der ausgewählten Wende-Strategie passt), von den Weg-Kandidaten.
In S640 kann die Vorrichtung 200 einen Evaluationswert für jeden zugeordneten Weg basierend auf einem Risiko, einer Krümmung und einer Länge eines jeden der Wege, die gefiltert wurden, um die Wende-Strategie widerzuspiegeln, berechnen.
7 ist eine Abbildung, die ein Verfahren eines Berechnens eines befahrbaren Bereichs gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Im Einzelnen: 7 ist eine Abbildung, die ein Verfahren eines Berechnens eines befahrbaren Bereichs entsprechend einer Straßenstruktur darstellt.
Wenn es für ein autonomes Fahrzeug unmöglich ist, unmittelbar (z.B. in einem Zug) eine Wendung zu machen, da die Straße in einem erlaubten Wendebereich zu schmal ist, kann das autonome Fahrzeug eine Wende-Strategie, die ein Rückwärtsfahren aufweist, oder verschiedene Wende-Strategien versuchen, bei denen ein Zustand eines umgebenden Fahrzeugs ermittelt wird und eine große Kurve/Wendung gemacht wird, um eine Wendung zu versuchen. Allerdings ist es, bevor verschiedene Wende-Strategien versucht werden, erforderlich, eine Straßenstruktur eines Fahrbereichs akkurat zu ermitteln.
Als ein Beispiel: Es ist leicht, ein Verhalten eines vorausfahrenden Fahrzeugs zu ermitteln, indem in eine Fahrspur, in der es möglich ist, links abzubiegen und eine Wendung zu machen, und eine Fahrspur, in der es nur möglich ist, eine Wendung zu machen, geteilt (z.B. aufgeteilt, z.B. aufgegliedert) wird.
In einer Ausführungsform können Informationen über eine Fahrspur, in der es möglich ist, eine Wendung zu machen, mittels der zwei folgenden Verfahren identifiziert werden.

1. Ein Verfahren zum Identifizieren einer Wende-Markierung auf der Fahrspur mittels Verwendens einer Kamera; oder
2. Ein Verfahren zum Ermitteln, ob ein derzeitiger Standort-Erkennungs-Zustand gut ist und ob Attribute einer Fahrspur-Markierung auf der Fahrspur eines Host-Fahrzeugs auf einer detaillierten Karte eine Wendung sind (z.B. ein Wenden angeben).

In einer Ausführungsform können die zwei folgenden Verfahren verwendet werden, um Linieninformationen zu identifizieren:

1. Ein Verfahren zum Ermitteln, ob die Linie eine gestrichelte Linie ist unter Verwendung einer Kamera; oder
2. Ein Verfahren zum Ermitteln, ob ein derzeitiger Standort-Erkennungs-Zustand gut ist und ob Attribute einer Linie einer Fahrspur neben einem Host-Fahrzeug auf einer ausführlichen Karte eine gestrichelte Linie sind.

Da ein befahrbarer Bereich entsprechend einer Straßenstruktur identisch zu einem real befahrbaren Bereich ist, wenn ein Standort-Erkennungs-Zustand eines autonomen Fahrzeugs besser ist, kann eine Kennzeichnung (gut/durchschnittlich/schlecht) eines Standort-Erkennungs-Zustands ein wichtiges Lernelement zum Berechnen eines befahrbaren Bereichs sein.
Der befahrbare Bereich kann ein Vereinigungsgebiet (z.B. Vereinigungsmenge) aus allen Gebieten, in denen es für das Host-Fahrzeug möglich ist, beim Fahren auf der Straße anzukommen, ohne gegen Vorschriften/Regeln zu verstoßen, welches als eine Punktmenge einer äußeren Linie in einer zweidimensionalen (2D) Ebene ausgegeben werden kann.
Daher kann eine Bereichs-Berechnungs-Vorrichtung 130 nach 1 eine Fahrspur-Markierung, Linieninformationen, einen Standort/Position einer ausführlichen Karte des Host-Fahrzeugs, einen Standort-Erkennungs-Zustand, Informationen über eine äußere Linie (z. B. äußere Fahrbahnmarkierung, z. B. äußere Fahrbahnbegrenzung) entlang der Straße, und einen basierend auf diesen berechneten befahrbaren Bereich ausgeben.
Bezugszeichen 710 zeigt ein Beispiel des Teilens (z.B. Aufteilens, z.B. Aufgliederns ) eines befahrbaren Bereichs in Abhängigkeit einer Straßenbreite, und Bezugszeichen 720 zeigt ein Beispiel des Teilens eines befahrbaren Bereichs in Abhängigkeit einer Wendung-erlaubenden Linie (z.B. einer Wendung-erlaubenden Straßenmarkierung).
8 ist eine Abbildung, die ein Verfahren eines Berechnens eines befahrbaren Bereichs gemäß einer anderen Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Im Einzelnen: 8 ist eine Abbildung, die ein Verfahren eines Berechnens eines befahrbaren Bereichs in Abhängigkeit eines statischen Objekts darstellt.
Wenn es für ein autonomes Fahrzeug unmöglich ist, unmittelbar (z.B. in einem Zug) eine Wendung zu machen, da die Straße in einem erlaubten Wendebereich zu schmal ist, kann das autonome Fahrzeug eine Wende-Strategie, die ein Rückwärtsfahren aufweist, oder verschiedene Wende-Strategien versuchen, bei denen ein Zustand eines umgebenden Fahrzeugs ermittelt wird und eine große Kurve/Wendung gemacht wird, um eine Wendung zu versuchen. Allerdings ist es, bevor verschiedene Wende-Strategien versucht werden, erforderlich, einen akkuraten Standort/eine akkurate Position eines statischen Objekts zu ermitteln.
Das statische Objekt kann sich auf ein Objekt beziehen, welches als derzeit nicht in Bewegung befindlich klassifiziert wurde/wird, und ein geparktes/gestopptes Fahrzeug, ein an einer Ampel wartendes Fahrzeug, ein Straßenbauabschnitt, ein Unfallabschnitt, oder dergleichen kann als ein statisches Objekt klassifiziert werden, um zum Berechnen eines befahrbaren Bereichs verwendet zu werden.
Der befahrbare Bereich kann ein aus allen Gebieten, in denen es für das Host-Fahrzeug möglich ist, beim Fahren auf der Straße anzukommen, ohne gegen Vorschriften/Regeln zu verstoßen, vereintes Gebiet sein. Eine Bereichs-Berechnungs-Vorrichtung 130 nach 1 kann einen befahrbaren Bereich als eine Punktmenge einer äußeren Linie in einer 2D-Ebene ausgegeben.
Daher kann die Bereichs-Berechnungs-Vorrichtung 130 Informationen über Standorte/Positionen statischer Objekte, Informationen über eine äußere Linie (z. B. äußere Fahrbahnmarkierung), Informationen über eine belegte/besetzte Fahrspur, und einen basierend auf diesen berechneten befahrbaren Bereich ausgeben.
Bezugszeichen 810 zeigt ein Beispiel des Teilens eines befahrbaren Bereichs in Abhängigkeit der Verteilung von geparkten/gestoppten Fahrzeugen, und Bezugszeichen 820 zeigt ein Beispiel des Teilens eines befahrbaren Bereichs in Abhängigkeit eines Straßenbauabschnitts (z. B. eines Baustellenabschnitts) und eines Unfallabschnitts.
9 ist eine Abbildung, die ein Verfahren eines Berechnens eines finalen befahrbaren Bereichs gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Mit Bezug aufFIG. 9 kann ein finaler befahrbarer Bereich 930 berechnet werden mittels eines überlappenden Bereichs, d.h. einer Schnittmenge eines basierend auf einer Straßenstruktur befahrbaren Bereichs 910 und eines basierend auf einem statischen Objekt befahrbaren Bereichs 920.
Der befahrbare Bereich sollte so berechnet werden, dass er gut mit einer hinteren Umgebung übereinstimmt, indem er einen Bewegungszustand eines Host-Fahrzeugs an einem zu aktualisierenden Ausgangs-Standort widerspiegelt.
Eine Bereichs-Berechnungs-Vorrichtung 130 nach 1 kann gemäß einer Ausführungsform einen befahrbaren Bereich basierend auf einem statischen Objekt und ausgenommen eines dynamischen Objekts berechnen.
Da die Wahrscheinlichkeit hoch ist, dass ein dynamisches Objekt eine Bewegung fortsetzt, kann das dynamische Objekt verwendet werden, um ein Risiko einer entgegengesetzten Fahrspur ohne Berücksichtigung des Berechnens eines befahrbaren Bereichs zu ermitteln.
10 ist eine Abbildung, die ein Verfahren eines Erzeugens mehrerer Wege gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Wenn ein befahrbarer Bereich mittels einer Bereichs-Berechnungs-Vorrichtung 130 nach 1 hergeleitet (z. B. ermittelt) wird, kann gemäß einer Ausführungsform ein Weg-Erzeuger (z. B. eine Weg-Erzeugungs-Vorrichtung) 140 nach 1 mehrere Wege, in denen es möglich ist, in dem gesamten befahrbaren Bereich eine Wendung zu machen, erzeugen. Vorzugsweise kann der Weg-Erzeuger 140 alle möglichen Fahr-Trajektorien, in denen es möglich ist, in dem befahrbaren Bereich eine Wendung zu machen, berechnen und ausgeben.
Im Allgemeinen ist eine Last (z.B. Rechenlast) beim Erzeugen eines Fahrwegs selbst sehr klein, aber eine Berechnungslast (z.B. Rechenlast) ist groß, um zu verifizieren/überprüfen, ob die entsprechenden Wege für eine Situation geeignet sind.
Daher, da es faktisch unmöglich ist, alle möglichen Fahr-Trajektorien zu berechnen, kann eine Last verringert werden, indem alle Wege mittels einer kleinen Berechnung erzeugt werden und ein Weg, welcher basierend auf einer Strategie, die beim Analysieren der Wege später basierend auf mehrschichtigem Lernen abgestimmt wird, nicht geeignet ist, gefiltert wird.
In einer Ausführungsform kann ein Schema, wie beispielsweise ein zufallswahrscheinlichkeits-basierter RRT gezeigt in Bezugszeichen 1010 oder ein fRRT gezeigt in Bezugszeichen 1020, verwendet werden, um so viele Wege wie möglich zu erzeugen.
Je kleiner der Abstand (z. B. je kürzer das Zeitintervall) zwischen den erzeugten Wegen ist, desto mehr Wege können erzeugt werden. Allerdings kann der Umfang einer zum Verifizieren eines finalen Wegs durchgeführten Berechnung erhöht werden. Daher kann ein Weg-Abstand (z. B. ein Zeitintervall zwischen zwei erzeugten Wegen), der proportional zu einer Berechnungsleistung eines gegebenen Systems erzeugt wird, angepasst werden.
Abweichend von dem Schema können mehrere Wege in einem einfachen Berechnungsschema eines gleichmäßigen Erzeugens von Wegen pro bestimmtem Versatz (Offset) basierend auf einem ganz linken Weg und einem ganz rechten Weg, auf welchen ein Fahrzeug in einem befahrbaren Bereich fahren kann, erzeugt werden.
11 ist eine Abbildung, die ein Verfahren eines Filterns eines Fahr-Strategie-Wegs basierend auf mehrschichtigem Lernen gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Falls mehrere in einem befahrbaren Bereich befahrbare Wege mittels eines Wegerzeugers (z. B. einer Weg-Erzeugungs-Vorrichtung) 140 nach 1 in S1110 erzeugt werden, kann in S1120 eine Lernvorrichtung 150 nach 1 eine Ähnlichkeits-Wahrscheinlichkeit, dass ein jeder Weg einer jeden Wende-Strategie am nächsten ist, basierend auf Objektinformationen, Straßeninformationen, und einer vordefinierten Wende-Strategie, und dergleichen berechnen.
In S1130 kann eine Strategie-Ermittlungs-Vorrichtung 240 nach 2 eine finale Wende-Strategie basierend auf der für jede Strategie berechneten Ähnlichkeits- Wahrscheinlichkeit ermitteln.
Die Strategie-Ermittlungs-Vorrichtung 240, die einen mehrschichtiges-Lernen-basierten Fahr-Strategie-Weg-Filter aufweist, kann grundsätzlich in einem mehrschichtigen Lern-Klassifikations-Prinzip arbeiten, welches das Ergebnis des Klassifizierens einer Fahrweg-Strategie (z.B. eines Fahr-Strategie-Wegs) basierend auf einem umgebenden Objekt, Straßeninformationen, und dergleichen mit einer Vielzahl von Wende-Strategien, die von einem Strategie-Erzeuger (z. B. einer Strategie-Erzeugungs-Vorrichtung) 110 nach 1 erhalten werden/wurden, vergleichen kann, um einen Weg, welcher nicht identisch zu der Wende-Strategie ist, von den Weg-Kandidaten auszuschließen.
Als ein Beispiel kann, falls eine in Reaktion auf einen entsprechenden Weg klassifizierte Wende-Strategie von einer von dem Strategie-Erzeuger 110 eingegebenen Wende-Strategie verschieden ist, die Strategie-Ermittlungs-Vorrichtung 240 den entsprechenden Weg von einer Weg-Kandidaten-Liste ausschließen (z.B. entfernen).
Anders ausgedrückt, falls verschiedene mögliche Wege mittels des Weg-Erzeugers 140 erzeugt werden, kann die Strategie-Ermittlungs-Vorrichtung 240 unter diesen Wegen Wege filtern, die mit der von dem Strategie-Erzeuger 110 eingegebenen Wende-Strategie abgestimmt werden/wurden (z. B. zu dieser Wende-Strategie passen).
Das mehrschichtiges-Lernen-basierte Fahr-Strategie-Weg-Filtern hat den Vorteil, dass die Berechnungsmenge bei dem späteren Verifizieren eines Wegs effektiv reduziert wird, und den Vorteil, dass der Weg nicht auf einen Raum begrenzt ist, da ermittelt wird, dass eine semantische Interpretation des Wegs identisch zu einer entsprechenden auf mehrschichtigem Lernen basierenden Wende-Strategie ist, anstatt den Weg beim Auswählen eines Weg-Kandidaten räumlich zu begrenzen.
Ähnlich wie Bezugszeichen 1140 kann es erforderlich sein, falls ein Unfall-Fahrzeug vor einem Host-Fahrzeug ist, einen speziellen Weg zu erzeugen, bei dem das Host-Fahrzeug eine große Umkehrung (z.B. eine Wendung in einem Bogen mit einem großen Radius) über die Fahrspur des Host-Fahrzeugs macht.
Da alle Wege in Bezugszeichen 1140 vom Sinn her ungefähr in einer Drehungs-Strategie enthalten sind, kann ein Wendeweg unter Verwendung eines freien Raums in einem Taxi-ParkBereich 1150 erzeugt werden.
Daher können für eine spezielle Situation, in welcher es für einen Experten unmöglich ist, diese zu bewältigen, alle möglichen mehreren Wege erzeugt werden, und eine Strategie kann durch eine Interpretation der derzeitigen Situation mittels mehrschichtigen Lernens abgeleitet werden.
Ferner können Wege, die einer entsprechenden Strategie zugeordnet sind, gefiltert werden, um von Weg-Kandidaten ausgeschlossen zu werden, und ein optimaler Weg kann basierend auf einem Risiko, einer Krümmung oder einer Länge eines jeden nicht gefilterten Wegs ausgewählt werden.
Wenn ohne Strategie-Entscheidung alle möglichen Wege ausgewählt werden, um einen finalen Weg nur basierend auf einer Bewertung (z.B. dem Evaluierungswert) auszuwählen, könnte ein ineffizienter Weg ausgewählt werden, bei dem das Host-Fahrzeug eine größere Wendung macht, anstatt eines Wegs, bei dem das Host-Fahrzeug an einem Ort eines zu weichenden Fahrzeugs, das vor dem Host-Fahrzeug ist, vorbeifährt (z. B. einem Weg, bei dem das Host-Fahrzeug dort entlang fährt, wo sich zuvor ein vor dem Host-Fahrzeug befindliche Fahrzeug befand, welches in der Zwischenzeit gewichen (z. B. weitergefahren) ist).
12 ist eine Abbildung, die ein Verfahren eines Ermittelns eines finalen Wegs gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Im Einzelnen zeigt 12 ein Verfahren zum Ermitteln eines finalen Wegs basierend auf einer Risiko-Bewertung.
Wie in Bezugszeichen 1210 gezeigt, kann eine Optimaler-Weg-Ermittlungs-Vorrichtung 260 nach 2 gemäß einer Ausführungsform Risiko-Bewertungen für mehrere Wege, welche die Wendung widerspiegeln, berechnen, um einen finalen Weg zu ermitteln.
Die mehreren Wege, welche die Wendung widerspiegeln, können Wege sein, die in einem befahrbaren Bereich vorhanden sind und einer vordefinierten Wende-Strategie zugeordnet sind.
Allerdings ist es erforderlich, in einen Prioritäts-Weg und einen Nicht-Prioritäts-Weg zu unterteilen, wenn dynamische/statische Objekte in der Nähe einer Fahrspur, in der sich das Host-Fahrzeug fortbewegt, verteilt sind.
Wie in Bezugszeichen 1220 gezeigt, kann, wenn Vorhersagepunkte über die Zeit für eine Fahrspur eines Host-Fahrzeugs mit Vorhersagepunkten über die Zeit für eine Fahrspur eines fremden Fahrzeugs verglichen werden, ein Fahrer des Host-Fahrzeugs befürchten zu kollidieren, wenn ein Intervall/Abstand zwischen zwei Punkten kleiner oder gleich einem spezifischen Kriterium ist zu einer selben Zeit (z. B. zu einem selben Zeitpunkt).
Daher kann die Risiko-Bewertung niedriger eingestellt werden, da ein Zeitpunkt, zu dem ein Vorhersagepunkt innerhalb einer bestimmten Distanz nahe ist, kürzer ist.
Ferner kann, falls eine TTC kleiner ist als ein spezifisches auf einer longitudinalen/lateralen TTC basierendes Kriterium, ein Insasse des Host-Fahrzeugs befürchten, zu kollidieren.
Daher kann die Risiko-Bewertung im Verhältnis zu einer Anzahl der Fälle, in denen die longitudinale/laterale TTC auf das spezifische Kriterium oder weniger sinkt, niedriger eingestellt werden.
13 ist eine Abbildung, die ein Verfahren eines Ermittelns eines finalen Wegs gemäß einer anderen Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Im Einzelnen zeigt 13 ein Verfahren zum Ermitteln eines finalen Wegs basierend auf einer Krümmungs-Bewertung.
Wie in 13 gezeigt, kann eine Optimaler-Weg-Ermittlungs-Vorrichtung 260 nach 2 gemäß einer Ausführungsform für mehrere Wege, welche die Wendung widerspiegeln, Krümmungs-Bewertungen (z.B. einen Krümmungswert, z.B. eine Krümmungs-Punktzahl, z.B. als Evaluierungswert) berechnen, um einen finalen Weg zu ermitteln.
Die mehreren Wege, welche die Wendung widerspiegeln, können Wege sein, die in einem befahrbaren Bereich vorhanden sind und einer vordefinierten Wende-Strategie zugeordnet sind.
Allerdings ist die Zentripetalkraft desto größer, je größer die Krümmung eines zugeordneten Wegs ist. Der Insasse spürt, dass die Fahrqualität abnimmt. Dies kann zu einer Nicht-Bevorzugung des Wegs führen.
Je größer also die Abschnitts-Krümmung eines jeden der Wege und die maximale Krümmung eines bestimmten Punktes ist, desto weniger könnte die Fahrqualität verringert werden.
Die Optimaler-Weg-Ermittlungs-Vorrichtung 260 kann gemäß einer Ausführungsform eine Krümmungs-Bewertung umgekehrt proportional zu der Abschnitts-Krümmung und der maximalen Krümmung berechnen.
Eine Krümmung eines Weges kann proportional zu der Summe der spitzen Winkel von Segmenten zwischen Punkten, die den Weg bilden, sein, und die gesamte Abschnitts-Krümmung und die maximale Krümmung können unter Verwendung der Krümmung des Wegs berechnet werden.
14 ist eine Abbildung, die ein Verfahren eines Ermittelns eines finalen Wegs gemäß einer anderen Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Im Einzelnen zeigt 14 ein Verfahren zum Ermitteln eines finalen Wegs basierend auf einer Weg-Länge.
Wie in 14 gezeigt, kann eine Optimaler-Weg-Ermittlungs-Vorrichtung 260 nach 2 gemäß einer Ausführungsform für mehrere Wege, welche die Wendung widerspiegeln, Weg-Längen berechnen, um einen finalen Weg zu ermitteln.
Je länger allerdings die Fahr-Länge für eine Wendung eines bestimmten Wegs ist, desto mehr kann die Zeit zum Durchführen einer Wendung ansteigen. Je mehr Zeit ein Durchführen einer Wendung benötigt, desto schwächer könnte diese bei einer Änderung einer Umgebungssituation sein.
Da die Länge des gesamten Wegs länger ist, kann die Optimaler-Weg-Ermittlungs-Vorrichtung 260 daher eine Längen-Bewertung (z.B. einen Längenwert, z.B. eine Längen-Punktzahl, z.B. als Evaluierungswert) umgekehrt proportional zu der Länge des gesamten Wegs einstellen.
Die Optimaler-Weg-Ermittlungs-Vorrichtung 260 kann gemäß einer anderen Ausführungsform der vorliegenden Offenbarung/Erfindung zwei (z.B. mindestens zwei) von einer Risiko-Bewertung, einer Krümmungs-Bewertung, und einer Längen-Bewertung für jeden Weg-Kandidaten berechnen. Die Optimaler-Weg-Ermittlungs-Vorrichtung 260 kann einen finalen Weg basierend auf den mindestens zwei berechnen Bewertungen ermitteln. In diesem Fall können unterschiedliche Gewichtungen zu einem Risiko, einer Krümmung und einer Länge zugeordnet werden.
15 ist eine Abbildung, die einen Vergleich einer Weg-Erzeugung danach, ob eine Wende-Strategie widergespiegelt wird, gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Mit Bezug auf 15 kann, falls ein Weg basierend auf mehrschichtigem Lernen in dem gesamten befahrbaren Bereich, in welchem eine Wende-Strategie nicht widergespiegelt ist/wird, ausgewählt wird, ein Host-Fahrzeug sich entlang eines unerwarteten, unerwünschten Wegs fortbewegen.
In diesem Fall kann/könnte, wenn eine Strategie nicht identifiziert wird, ein Ermitteln, ob der Weg, auf welchem sich das Host-Fahrzeug derzeit fortbewegt, ein normaler Weg oder ein abnormaler Weg ist, fehlschlagen.
Ferner ist es erforderlich, die Fahrstrategie zu ermitteln bevor ein Weg erzeugt wird, da bei einem Ermitteln eines Risikos ein anderes (z. B. weiteres) Ermittlungs-Kriterium in Abhängigkeit der Fahrstrategie vorliegt.
Da im Allgemeinen die Last zum Verifizieren, ob der erzeugte Weg für eine Umgebungssituation geeignet ist, sehr viel größer ist als die Last zum Erzeugen des Wegs selbst, wenn der Weg beim Auswählen des Wegs nicht durch eine Fahrstrategie gefiltert wird, sollten alle möglichen Wege als Kandidaten berücksichtigt werden. Daher kann sich der Berechnungsaufwand geometrisch erhöhen, wenn der Weg verifiziert wird.
Da das Filtern durch die Fahrstrategie nicht notwendigerweise Kandidaten von Wegen räumlich begrenzt und es basierend auf der ähnlichsten Fahrstrategie mittels einer Mehrschichtiges-Lernen-Interpretation (Klassifizierung) von möglichen Wegen durchgeführt wird, kann das Filtern eher in der Bedeutung eines Weges als eines Raumes durchgeführt werden.
16 ist eine Abbildung, die ein Verfahren eines Erzeugens eines Wegs, wenn es ein zu weichendes Fahrzeug gibt, gemäß einer Ausführungsform der vorliegenden Offenbarung/Erfindung darstellt.
Wenn beim Erzeugen eines Wendewegs alle möglichen Wege ohne eine Strategie-Ermittlung ausgewählt werden, um einen finalen Weg nur basierend auf einer Bewertung auszuwählen, kann/könnte ein ineffizienter Weg 1610 ausgewählt werden, bei dem das Host-Fahrzeug eine größere Wendung macht, anstatt eines Wegs 1620, bei dem das Host-Fahrzeug an einem Ort eines zu weichenden Fahrzeugs, das vor dem Host-Fahrzeug ist, vorbeifährt (z. B. einem Weg, bei dem das Host-Fahrzeug dort entlang fährt, wo sich zuvor ein vor dem Host-Fahrzeug befindliches Fahrzeug befand, welches in der Zwischenzeit gewichen (z. B. weitergefahren) ist).
Wie in Bezugszeichen 1630 gezeigt, können Wege unter mehreren initial erzeugten Wegen, welche identisch zu einer entsprechenden Strategie sind, basierend auf einer mittels Mehrschichtiges-Lernen-Interpretation einer Umgebungssituation abgeleiteten Wende-Strategie gelassen (z. B. behalten) werden, und die anderen der mehreren Wege können weggelassen (z. B. ausgeschlossen) werden.
In einer Ausführungsform der vorliegenden Offenbarung/Erfindung schränkt ein Filtern durch eine Wende-Strategie Weg-Kandidaten nicht notwendigerweise nur in Bezug auf eine räumliche Situation ein.
Anders ausgedrückt kann in einer Ausführungsform der vorliegenden Offenbarung/Erfindung, da das Filtern basierend auf einer vordefinierten Wende-Strategie mittels Interpretation möglicher Wege durch mehrschichtiges Lernen durchgeführt wird, das Filtern durch eine semantische Interpretation anstatt einer räumlichen Interpretation durchgeführt werden.
Ferner kann, wie in Bezugszeichen 1640 gezeigt, eine Bewertung für jeden Weg-Kandidaten von Weg-Kandidaten, welche eine Wende-Strategie widerspiegeln, basierend auf einem Risiko, einer Krümmung oder einer Länge berechnet werden. Danach kann, wie in Bezugszeichen 1650 gezeigt, durch Vergleichen der berechneten Bewertungen der Weg-Kandidaten miteinander ein optimal fahrbarer Weg ausgewählt werden.
Die in Verbindung mit den hierin offenbarten Ausführungsformen beschriebenen Operationen/Vorgänge des Verfahrens oder des Algorithmus können direkt in Hardware oder einem Software-Modul, das mittels eines Prozessors ausgeführt wird, oder einer Kombination davon ausgeführt sein. Das Software-Modul kann sich auf einem Speichermedium und/oder dem Speicher (z. B. der Speichervorrichtung) befinden, wie beispielsweise einem RAM, einem Flashspeicher, einem ROM, einem EPROM, einem EEPROM, einem Register, einer Festplatte, einem Wechseldatenträger, und einer CD-ROM.
Das beispielhafte Speichermedium kann mit dem Prozessor gekoppelt sein und der Prozessor kann Informationen von dem Speichermedium auslesen und kann Informationen auf dem Speichermedium speichern. Alternativ kann das Speichermedium mit dem Prozessor integriert sein. Der Prozessor und das Speichermedium können sich auf/in einem applikationsspezifischen integrierten Schaltkreis (ASIC) befinden. Der ASIC kann sich innerhalb eines Benutzerterminals befinden. In einem anderen Fall können sich der Prozessor und das Speichermedium in dem Benutzerterminal als separate Komponenten befinden.
Eine Ausführungsform der vorliegenden Offenbarung/Erfindung kann ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs („U-Turn“-Wegs) eines autonomen Fahrzeugs basierend auf mehrschichtigem Lernen bereitstellen.
Eine Ausführungsform der vorliegenden Offenbarung/Erfindung kann ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug bereitstellen, kann verschiedene erfasste Daten für jedes Merkmal klassifizieren und lernen, kann mehrere strategische Wege ermitteln, und kann einen optimalen Wendeweg mit Bezug auf verschiedene Evaluierungselemente erzeugen.
Eine Ausführungsform der vorliegenden Offenbarung/Erfindung kann ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug bereitstellen, die einen zuverlässigeren Wendeweg bereitstellen können mittels Erstellens von Wende-Strategien, die tatsächlich für jede Fahrsituation durchgeführt werden, als Massendaten (Big Data) und des Durchführens von mehrschichtigem Lernen basierend auf den Massendaten (Big Data), wenn die gleichen oder ähnliche Situationen auftreten.
Eine Ausführungsform der vorliegenden Offenbarung/Erfindung kann ein Verfahren und eine Vorrichtung zum Erzeugen eines Wendewegs in einem mehrschichtiges-Lernen-basierten autonomen Fahrzeug bereitstellen, die eine räumliche Freiheit beim Erzeugen eines Wendewegs verbessern können.
Eine Ausführungsform der vorliegenden Offenbarung/Erfindung kann ein autonomes Fahrzeug bereitstellen mit einem sichereren, bequemeren (z. B. geeigneteren) Wendeweg als ein Wenden basierend auf einem eigentlichen Ermitteln des Fahrers, indem eine basierend auf mehrschichtigem Lernen erzeugte adaptive Wende-Strategie und ein entsprechend zu der adaptiven Wende-Strategie als Massendaten (Big Data) erzeugter optimaler Wendeweg erstellt werden.
Eine Ausführungsform der vorliegenden Offenbarung/Erfindung kann schnell verschiedene Trainingsdaten mittels Lernens für jeden Abschnitt erlangen.
Ferner können verschiedene direkt oder indirekt mittels der vorliegenden Offenbarung/Erfindung festgestellte Effekte bereitgestellt werden.
Obwohl die vorliegende Offenbarung/Erfindung voranstehend mit Bezug auf beispielhafte Ausführungsformen und den beigefügten Zeichnungen beschrieben wurde, ist die vorliegenden Offenbarung/Erfindung nicht darauf begrenzt, sondern kann durch einen Fachmann, an den sich die vorliegende Offenbarung/Erfindung richtet, auf verschiedene Weise modifiziert und verändert werden, ohne vom Gedanken und Umfang der in den folgenden Ansprüchen beanspruchten vorliegenden Offenbarung/Erfindung abzuweichen.
Daher werden die beispielhaften Ausführungsformen der vorliegenden Offenbarung/Erfindung bereitgestellt, um den Gedanken und Umfang der vorliegenden Offenbarung/Erfindung zu erläutern, aber nicht um diese zu beschränken, sodass der Gedanke und Umfang der vorliegenden Offenbarung/Erfindung durch die Ausführungsformen nicht begrenzt wird. Der Umfang der vorliegenden Offenbarung/Erfindung soll basierend auf den beigefügten Ansprüchen ausgelegt werden.

Claims

Verfahren zum Erzeugen eines Wendewegs in einem autonomen Fahrzeug, das Verfahren aufweisend: Berechnen, mittels einer Bereichs-Berechnungs-Vorrichtung (130), eines befahrbaren Bereichs (S610), Erzeugen, mittels eines Wegerzeugers (140), mehrerer in dem befahrbaren Bereich befahrbarer Wege (S620); Herausfiltern, mittels einer Lernvorrichtung (150), eines Fahr-Strategie-Wegs unter den mehreren Wegen basierend auf mehrschichtigem Lernen (S630); und Ermitteln, mittels einer Steuerung (160), eines finalen Wegs aus den herausgefilterten Weg-Kandidaten (S640).
Verfahren nach Anspruch 1, wobei der befahrbare Bereich basierend auf zumindest einem von Informationen über ein Objekt in der Nähe eines Host-Fahrzeugs, Informationen über eine Straße in der Nähe des Host-Fahrzeugs, oder Informationen über eine Struktur in der Nähe des Host-Fahrzeugs berechnet wird.
Verfahren nach Anspruch 1 oder 2, wobei das Herausfiltern des Fahr-Strategie-Wegs aufweist: Klassifizieren von Eingabeinformationen, die von einer Vielzahl von Peripherievorrichtungen erfasst werden, in einem Mehrschichtiges-Lernen-Klassifikationsverfahren; Auswählen einer am besten geeigneten Wende-Strategie mittels eines basierend auf den klassifizierten Eingabeinformationen lernenden neuronalen Netzwerks (300); und Ausschließen eines Wegs, welcher der ausgewählten Wende-Strategie nicht zugeordnet ist, von den Weg-Kandidaten.
Verfahren nach Anspruch 3, wobei das Auswählen der am besten geeigneten Wende-Strategie mittels des basierend auf den klassifizierten Eingabeinformationen lernenden neuronalen Netzwerks (300) aufweist: Erhalten einer Liste mit einer Vielzahl von zuvor erzeugten Wende-Strategien; Berechnen einer Ähnlichkeits- Wahrscheinlichkeit für jede in der Wende-Strategie-Liste enthaltene Wende-Strategie mittels des lernenden neuronalen Netzwerks (300) für die mehreren Wege; und Auswählen einer am besten geeigneten Wende-Strategie basierend auf der für jede Wende-Strategie berechneten Ähnlichkeits-Wahrscheinlichkeit.
Verfahren nach Anspruch 4, wobei die mehreren Wege, welche keiner in der Wende-Strategie-Liste enthaltenen Wende-Strategie zugeordnet sind, herausgefiltert werden.
Verfahren nach einem der Ansprüche 3 bis 5, wobei das neuronale Netzwerk (300) eine Mehrschichtiges-Lernen-Struktur von zumindest einem von einem neuronalen Faltungsnetzwerk (CNN), einem rekurrenten neuronalen Netzwerk (RNN), einem tiefen neuronalen Netzwerk (DNN), einer beschränkten Boltzmann-Maschine (RBM), einem Deep-Belief-Netzwerk (DBN), einem langen Kurzzeitgedächtnis (LSTM), einem Gamma-Neuralen-Netzwerk (GAN), oder einem Softmax-Modell aufweist.
Verfahren nach einem der Ansprüche 1 bis 6, wobei das Ermitteln des finalen Wegs aufweist: Berechnen eines Evaluationswerts für jeden Weg-Kandidaten für zumindest eines von einem Risiko, einer Krümmung, oder einem Abstand; und Ermitteln des finalen Wegs basierend auf dem für jeden Weg-Kandidaten berechneten Evaluationswert, und wobei der gemäß zu einer Situation, in der sich ein Host-Fahrzeug fortbewegt, ermittelte finale Weg in einer Datenbank aufgezeichnet wird und für das mehrschichtige Lernen verwendet wird.
Verfahren nach Anspruch 2, wobei das Objekt ein statisches Objekt und ein dynamisches Objekt aufweist, und wobei das statische Objekt verwendet wird, um den befahrbaren Bereich zu berechnen, und das dynamische Objekt verwendet wird, um ein Risiko, dass sich ein fremdes Fahrzeug von einer Fahrspur, die einer Fahrspur, in welcher sich der Host fortbewegt, entgegengesetzt ist, nähert, zu analysieren.
Verfahren nach Anspruch 8, wobei das Berechnen des befahrbaren Bereichs aufweist: Berechnen eines ersten befahrbaren Bereichs basierend auf den Straßeninformationen; Berechnen eines zweiten befahrbaren Bereichs basierend auf dem statischen Objekt; und Ermitteln eines Bereichs, in dem sich der erste befahrbare Bereich und der zweite befahrbare Bereich überlappen, als einen finalen befahrbaren Bereich.
Verfahren nach einem der Ansprüche 1 bis 9, ferner aufweisend: Erstellen eines Trainingsmodells für das mehrschichtige Lernen, wobei das Trainingsmodell erstellt wird mittels: Erstellens eines initialen lernenden Modells mittels simulationsbasierten mehrschichtigen Lernens (S510); Erstellens von Massendaten mittels cloudserver-basierten mehrschichtigen Lernens (S520); und Erstellens einer lokalen Datenbank mittels personalisierten mehrschichtigen Lernens (S530).
Vorrichtung zum Erzeugen eines Wendewegs in einem autonomen Fahrzeug, die Vorrichtung aufweisend: eine Fusionsvorrichtung (120), die eingerichtet ist, Fusionsinformationen zu erzeugen; eine Bereichs-Berechnungs-Vorrichtung (130), die eingerichtet ist, einen befahrbaren Bereich basierend auf den Fusionsinformationen zu berechnen; einen Wegerzeuger (140), der eingerichtet ist, mehrere in dem befahrbaren Bereich befahrbare Wege zu erzeugen; eine Lernvorrichtung (150), die eingerichtet ist, einen Fahr-Strategie-Weg unter den mehreren Wegen basierend auf mehrschichtigem Lernen herauszufiltern; und eine Steuerung (160), die eingerichtet ist, einen finalen Weg aus den herausgefilterten Weg-Kandidaten zu ermitteln.
Vorrichtung nach Anspruch 11, wobei die Fusionsvorrichtung aufweist: ein Objekt-Fusions-Modul (121), das eingerichtet ist, Informationen zu Objekten in der Nähe eines Host-Fahrzeugs zu erzeugen; ein Straßeninformationen-Fusions-Modul (122), das eingerichtet ist, Informationen zur Straße in der Nähe des Host-Fahrzeugs zu erzeugen; und ein Standortinformationen-Fusions-Modul (123), das eingerichtet ist, globale Koordinaten-Informationen, die zum Erzeugen der Straßeninformationen erforderlich sind, zu erzeugen.
Vorrichtung nach Anspruch 11 oder 12, wobei die Lernvorrichtung (150) Eingabeinformationen, die von einer Vielzahl von Peripherievorrichtungen erfasst werden, in einem Mehrschichtiges-Lemen-Klassifikationsverfahren klassifiziert, eine am besten geeignete Wende-Strategie mittels eines basierend auf den klassifizierten Eingabeinformationen lernenden neuronalen Netzwerks (300) auswählt, und einen Weg, welcher der ausgewählten Wende-Strategie nicht zugeordnet ist, von den Weg-Kandidaten ausschließt.
Vorrichtung nach Anspruch 13, ferner aufweisend: einen Strategieerzeuger (110), der eingerichtet ist, eine Liste mit einer Vielzahl von Wende-Strategien zu erzeugen, wobei die Lernvorrichtung (150) die zuvor erzeugte Liste mit der Vielzahl von Wende-Strategien von der Strategie-Erzeugungs-Vorrichtung erhält, eine Ähnlichkeits-Wahrscheinlichkeit für jede in der Wende-Strategie-Liste enthaltene Wende-Strategie mittels des lernenden neuronalen Netzwerks (300) für die mehreren Wege berechnet, und eine am besten geeigneten Wende-Strategie basierend auf der für jede Wende-Strategie berechneten Ähnlichkeits-Wahrscheinlichkeit auswählt.
Vorrichtung nach Anspruch 14, wobei die mehreren Wege, welche keiner in der Wende-Strategie-Liste enthaltenen Wende-Strategie zugeordnet sind, herausgefiltert werden.
Vorrichtung nach einem der Ansprüche 13 bis 15, wobei das neuronale Netzwerk (300) eine Mehrschichtiges-Lernen-Struktur von zumindest einem von einem neuronalen Faltungsnetzwerk (CNN), einem rekurrenten neuronalen Netzwerk (RNN), einem tiefen neuronalen Netzwerk (DNN), einer beschränkten Boltzmann-Maschine (RBM), einem Deep-Belief-Netzwerk (DBN), einem langen Kurzzeitgedächtnis (LSTM), einem Gamma-Neuralen-Netzwerk (GAN), oder einem Softmax-Modell aufweist.
Vorrichtung nach einem der Ansprüche 11 bis 16, wobei die Steuerung (160) einen Evaluationswert für jeden Weg-Kandidaten für zumindest eines von einem Risiko, einer Krümmung, oder einem Abstand berechnet und den finalen Weg basierend auf dem für jeden Weg-Kandidaten berechneten Evaluationswert ermittelt, und wobei der gemäß zu einer Situation, in der sich ein Host-Fahrzeug fortbewegt, ermittelte finale Weg in einer Datenbank aufgezeichnet wird und für das mehrschichtige Lernen verwendet wird.
Vorrichtung nach Anspruch 12, wobei die Objektinformationen Informationen zu einem statischen Objekt und Informationen zu einem dynamischen Objekt aufweisen, und wobei die Informationen zu dem statischen Objekt verwendet werden, um den befahrbaren Bereich zu berechnen, und die Informationen zu dem dynamischen Objekt verwendet werden, um ein Risiko, dass sich ein fremdes Fahrzeug von einer Fahrspur, die einer Fahrspur, in welcher sich der Host fortbewegt, entgegengesetzt ist, nähert, zu analysieren.
Vorrichtung nach Anspruch 18, wobei die Bereichs-Berechnungs-Vorrichtung (130) einen ersten befahrbaren Bereich basierend auf den Straßeninformationen berechnet, einen zweiten befahrbaren Bereich basierend auf dem statischen Objekt berechnet, und einen Bereich, in dem sich der erste befahrbare Bereich und der zweite befahrbare Bereich überlappen, als einen finalen befahrbaren Bereich ermittelt.
Vorrichtung nach einem der Ansprüche 11 bis 19, wobei für das mehrschichtige Lernen ein Trainingsmodell verwendet wird, und wobei das Trainingsmodell erzeugt wird mittels: eines Algorithmus zum Erstellen eines initialen lernenden Modells mittels simulationsbasierten mehrschichtigen Lernens (S510); eines Algorithmus zum Erstellen von Massendaten mittels cloudserver-basierten mehrschichtigen Lernens (S520); und eines Algorithmus zum Erstellen einer lokalen Datenbank mittels personalisierten mehrschichtigen Lernens (S530).