DE112018000174T5 - Aktionsplanungssystem und -verfahren für autonome Fahrzeuge - Google Patents

Aktionsplanungssystem und -verfahren für autonome Fahrzeuge Download PDF

Info

Publication number
DE112018000174T5
DE112018000174T5 DE112018000174.1T DE112018000174T DE112018000174T5 DE 112018000174 T5 DE112018000174 T5 DE 112018000174T5 DE 112018000174 T DE112018000174 T DE 112018000174T DE 112018000174 T5 DE112018000174 T5 DE 112018000174T5
Authority
DE
Germany
Prior art keywords
processors
action
vehicles
autonomous vehicle
computer program
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE112018000174.1T
Other languages
English (en)
Inventor
Jason Scott Hardy
Seyed Abbas Sadat
Thomas Glaser
Joerg Mueller
Mithun Jacob
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of DE112018000174T5 publication Critical patent/DE112018000174T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34Route searching; Route guidance
    • G01C21/3407Route searching; Route guidance specially adapted for specific applications
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04Traffic conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097Predicting future conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001Planning or execution of driving tasks
    • B60W60/0027Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001Planning or execution of driving tasks
    • B60W60/0027Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00272Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0011Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot associated with a remote control arrangement
    • G05D1/0027Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot associated with a remote control arrangement involving a plurality of vehicles, e.g. fleet or convoy travelling
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing

Abstract

Ein Aktionsplanungssystem und -verfahren für autonome Fahrzeuge werden bereitgestellt. Das System umfasst einen oder mehrere Prozessoren und ein oder mehrere nichttransitorische computerlesbare Speichermedien, die darauf gespeichert ein Computerprogramm aufweisen, das von dem einen oder den mehreren Prozessoren verwendet wird, wobei das Computerprogramm den einen oder die mehreren Prozessoren veranlasst zum Schätzen einer zukünftigen Umgebung eines autonomen Fahrzeugs, Erzeugen einer möglichen Trajektorie für die autonomen Fahrzeuge, Vorhersagen einer Bewegung und von Reaktionen von jedem dynamischen Hindernis in der zukünftigen Umgebung des autonomen Fahrzeugs auf der Grundlage eines aktuellen lokalen Verkehrskontextes und Erzeugen einer über Zeitschritte hinweg iterativen Vorhersage.

Description

  • TECHNISCHES GEBIET
  • Diese Offenbarung betrifft allgemein autonome Fahrzeuge und insbesondere Aktionsplanungssysteme und -verfahren für autonome Fahrzeuge.
  • ALLGEMEINER STAND DER TECHNIK
  • Sofern hier nicht anderweitig angegeben, sind die in diesem Abschnitt beschriebenen Materialien kein Stand der Technik für die Ansprüche in dieser Anmeldung und werden durch Aufnahme in diesem Abschnitt nicht als Stand der Technik anerkannt.
  • Eine herkömmliche Aktionsplanungsvorrichtung basiert auf einem Ansatz mit einer endlichen Zustandsmaschine (Finite State Machine - FSM), bei dem das autonome Fahrzeug, basierend auf heuristischen Übergangsbedingungen, entscheidet, spezielle Aktionen vorzunehmen. Dieser FSM-Ansatz erlaubt allerdings nur, dass das autonome Fahrzeug passiv auf Änderungen in seiner Umgebung reagiert und liefert keinen Blick in die Zukunft, wie die vorgegebene Aktion möglicherweise beeinflusst, wie sich die zukünftige Verkehrssituation entwickelt. 1 und 2 veranschaulichen verschiedene mögliche Aktionen, wie etwa eine „Fahrspurfolgen“-Aktion mit einem Ziel- oder eine „Fahrspurwechsel“-Aktion zwischen zwei Zielfahrzeugen in einer benachbarten Fahrspur, die durch Aktionsplanungsvorrichtungen im Stand der Technik unter Verwendung des FSM-Ansatzes evaluiert werden.
  • KURZDARSTELLUNG
  • Eine Kurzdarstellung gewisser hier offenbarter Ausführungsformen ist im Folgenden dargelegt. Es versteht sich, dass diese Aspekte lediglich präsentiert werden, um dem Leser eine kurze Kurzfassung dieser gewissen Ausführungsformen zu geben und dass diese Aspekte nicht dafür gedacht sind, den Schutzumfang dieser Offenbarung zu beschränken. Tatsächlich kann diese Offenbarung eine Vielfalt von Aspekten einschließen, die im Folgenden möglicherweise nicht dargelegt wird.
  • Ausführungsformen der Offenbarung betreffen ein nichtflüchtiges computerlesbares Speicherungsmedium, das darauf ein Computerprogramm zum Evaluieren von Reaktionen und Interaktionen mit einem oder mehreren Fahrzeugen gespeichert hat, wobei das Computerprogramm eine Routine von eingestellten Anweisungen umfasst, um die Maschine zum Durchführen von Durchsuchen eines Baums möglicher Aktionsabfolgekombinationen für ein Ego-Fahrzeug und Aufnehmen von Reaktionen und Interaktionen mit einem oder mehreren Fahrzeugen zu veranlassen.
  • Ein weiterer Aspekt der offenbarten Ausführungsform ist ein Verfahren durch einen oder mehrere Prozessoren, beinhaltend Schätzen einer zukünftigen Umgebung eines autonomen Fahrzeugs, Erzeugen einer möglichen Trajektorie für die autonomen Fahrzeuge, Vorhersagen von Bewegung und Reaktionen von jedem dynamischen Hindernis in der zukünftigen Umgebung des autonomen Fahrzeugs auf der Grundlage eines aktuellen lokalen Verkehrskontextes, und iteratives Erzeugen einer Vorhersage über Zeitschritte. Das Verfahren umfasst ferner Entkoppeln, durch den einen oder die mehreren Prozessoren, einer Aktionsentscheidungszeitauflösung von einer Iterative-Vorhersage-Auflösung.
  • Ein weiterer Aspekt der offenbarten Ausführungsform ist ein System für ein autonomes Fahrzeug, beinhaltend einen oder mehrere Prozessoren und ein oder mehrere nichtflüchtige computerlesbare Speicherungsmedien, die darauf gespeichert ein Computerprogramm aufweisen, das von dem einen oder den mehreren Prozessoren verwendet wird, wobei das Computerprogramm den einen oder die mehreren Prozessoren zum Schätzen einer zukünftigen Umgebung eines autonomen Fahrzeugs, Erzeugen einer möglichen Trajektorie für die autonomen Fahrzeuge, Vorhersagen von Bewegung und Reaktionen von jedem dynamischen Hindernis in der zukünftigen Umgebung des autonomen Fahrzeugs auf der Grundlage eines aktuellen lokalen Verkehrskontextes, und iterativen Erzeugen einer Vorhersage über Zeitschritte veranlasst.
  • Figurenliste
  • Diese und andere Merkmale, Aspekte und Vorteile dieser Offenbarung werden besser verstanden werden, wenn die folgende ausführliche Beschreibung gewisser Ausführungsbeispiele mit Bezugnahme auf die begleitenden Zeichnungen gelesen wird, in denen gleiche Zeichen durchweg durch die Zeichnungen gleiche Techniken repräsentieren, wobei:
    • 1 ist ein vereinfachtes Diagramm, das eine mögliche Fahrspurfolgenaktion zeigt, die eine Aktionsplanungsvorrichtung für ein autonomes Fahrzeug verwendet, die mit einer FSM nach dem Stand der Technik implementiert ist,
    • 2 ist ein vereinfachtes Diagramm, das eine mögliche Fahrspurwechselaktion zeigt, die die Aktionsplanungsvorrichtung für ein autonomes Fahrzeug verwendet, die mit der FSM nach dem Stand der Technik implementiert ist;
    • 3A ist eine Veranschaulichung, die ein automatisiertes Fahrsystem gemäß einer Ausführungsform der Offenbarung zeigt;
    • 3B ist ein vereinfachtes Diagramm, das eine Sicht einer Landkarte und einer mehrspurigen Straße aus der Vogelperspektive zeigt, die mehrere Nachbarfahrzeuge in der Nähe eines autonomen Fahrzeugs zeigt, gemäß einer beschriebenen Ausführungsform der Offenbarung; und
    • 4A-4D sind Ansichten des autonomen Fahrzeugs, wie es autonom in der Nähe mehrerer Nachbarfahrzeuge fährt, gemäß einer beschriebenen Ausführungsform der Offenbarung.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Die folgende Beschreibung wird dargelegt, um einem Fachmann auf dem Gebiet zu ermöglichen, die beschriebenen Ausführungsformen herzustellen und zu verwenden, und wird im Zusammenhang einer speziellen Anwendung und ihrer Anforderungen bereitgestellt. Verschiedene Modifikationen an den beschriebenen Ausführungsformen sind Fachleuten auf dem Gebiet leicht erkenntlich und die allgemeinen vorliegend definierten Prinzipien können bei anderen Ausführungsformen und Anwendungen angewendet werden, ohne vom Gedanken und Schutzumfang der beschriebenen Ausführungsformen abzuweichen. Somit sind die beschriebenen Ausführungsformen nicht auf die dargestellten Ausführungsformen beschränkt, sondern der breiteste Umfang, der mit den vorliegend offenbarten Prinzipien und Merkmalen konsistent ist, soll diesen zugesprochen werden.
  • 3A und 3B veranschaulichen ein automatisiertes Fahrsystem 100 gemäß einem Aspekt der Offenbarung. Wie in 3A abgebildet ist, kann das Fahrsystem 100 entweder in ein Fahrzeug 114, eine Maschinenvorrichtung oder eine beliebige tragbare oder mobile Vorrichtung bzw. ein derartiges Behältnis integriert sein. Obgleich gewisse Aspekte der Offenbarung insbesondere in Verbindung mit speziellen Fahrzeugarten nützlich sind, kann das Fahrzeug von beliebiger Fahrzeugart sein, einschließlich unter anderem Autos, Lastwagen, Motorräder, Busse, Boote, Sportutility Vehicles, Zweiräder, Flugzeuge, Helikopter, Rasenmäher, Wohnmobile, Freizeitparkfahrzeuge, Trams, Golfkarren, Züge, Straßenbahnen, Ultraleichte und dergleichen. Das Fahrzeug kann ein oder mehrere automatisierte Fahrsysteme aufweisen. Die Maschinenvorrichtungen können von einer beliebigen Vorrichtungsart sein, einschließlich unter anderem Mobiltelefone, Laptops, Tablets, anziehbare Vorrichtungen, wie etwa Uhren, Brillen, Schutzbrillen oder beliebige geeignete tragbare Vorrichtungen. Wie in 3A abgebildet ist, beinhaltet das automatisierte Fahrsystem 100 einen Prozessor 108, ein computerlesbares Medium 110 und ein Kommunikationsmodul 112. Ein Routenplanungsmodul 102, ein Aktionsplanungsmodul 104 und ein Trajektorienplanungsmodul 106 können in dem automatisierten Fahrsystem 100 vorgesehen sein.
  • Obgleich das Routenplanungsmodul 102, das Aktionsplanungsmodul 104, das Trajektorienplanungsmodul 106, der Prozessor 108, das computerlesbare Medium 110 und das Kommunikationsmodul 112 als innerhalb desselben Blocks 100 befindlich angegeben sind, versteht der Durchschnittsfachmann, dass das Routenplanungsmodul 102, das Aktionsplanungsmodul 104, das Trajektorienplanungsmodul 106, der Prozessor 108, das computerlesbare Medium 110 und das Kommunikationsmodul 112 in demselben Block 100 befindlich sein können oder auch nicht. Bei verschiedenen der hier beschriebenen Aspekte können der Prozessor 108, das computerlesbare Medium 110 und das Kommunikationsmodul 112 in einem außerhalb des automatisierten Fahrsystems 100 befindlichen Computer integriert sein. Bei anderen Aspekten werden manche der hier beschriebenen Prozesse auf einem Prozessor, der innerhalb des Fahrzeugs 114 angeordnet ist, und andere durch einen abgesetzten Prozessor innerhalb der Maschinenvorrichtung 116 ausgeführt.
  • Das computerlesbare Medium 110 speichert für das Routenplanungsmodul 102, das Aktionsplanungsmodul 104, das Trajektorienplanungsmodul 106 und den Prozessor 108 zugreifbare Informationen, die computerausführbare Anweisungen beinhalten, die durch das Routenplanungsmodul 102, das Aktionsplanungsmodul 104, das Trajektorienplanungsmodul 106 und den Prozessor 108 ausgeführt oder anderweitig verwendet werden können. Der Prozessor 108 kann ein herkömmlicher Prozessor sein. Alternativ kann der Prozessor 108 eine dedizierte Vorrichtung sein, wie etwa ein ASIC.
  • Das Kommunikationsmodul 112 befindet sich direkt oder indirekt in drahtgebundener/drahtloser Kommunikation mit anderen Computern, wie etwa einer oder mehreren elektronischen Steuerungseinheiten, einem oder mehreren Prozessoren, Netzwerken. Andere Erfassungsvorrichtungen, wie etwa Sensoren, Benutzerschnittstellen, wie etwa eine Berühranzeigevorrichtung, eine Maus, eine Tastatur, ein Audioeingang, eine Kamera und andere geeignete computerimplementierte Module, können in das System 100 integriert oder mit diesem kommunizierend gekoppelt sein.
  • Prozesse für Route, Aktion und Trajektorie, die auf dem Routenplanungsmodul 102, dem Aktionsplanungsmodul 104 und dem Trajektorienplanungsmodul 106 laufen, Erzeugen eine Kandidatenroute, -aktion und - trajektorie, denen ein Ego-Fahrzeug während eines konfigurierbaren Zeithorizonts T hindurch folgen kann. Bei manchen Aspekten können Prozesse für Route, Aktion und Trajektorie zum Erzeugen einer Kandidatenroute, -aktion und -trajektorie auf dem Prozessor 108 laufen, wodurch das Routenplanungsmodul 102, das Aktionsplanungsmodul 104 und das Trajektorienplanungsmodul 106 computerausführbare Anweisungen sind, die auf dem Prozessor 108 programmiert sind.
  • Wie in 3B abgebildet ist, ist das Aktionsplanungsmodul 104 betreibbar zum Durchführen einer Durchsuchung mit begrenztem Horizont eines Baums möglicher Aktionsabfolgekombinationen für das autonome Fahrzeug und zum Kombinieren der Horizontsuche mit iterativer Ganzumgebungsvorhersage, um Reaktionen und Interaktionen mit anderen Verkehrsteilnehmern aufzunehmen. Beispielsweise führt das Aktionsplanungsmodul 104 eine Optimaler-Graph-Suche durch, um den Baum möglicher Ego-Aktionen bis zu einem begrenzten Zeithorizont oder Planungshorizont effizient zu erforschen. Der Zeithorizont beinhaltet einen Startzeitpunkt und einen Endzeitpunkt, an welchem der Zeithorizont evaluiert werden kann. Der Zeithorizont ist nötig zum Einschränken der Größe des Suchraums und zum Ermöglichen effizienter Neuplanung.
  • Um zu gewährleisten, dass der Endzeitpunkt schnell erreicht wird, wodurch der bestgeeignete Weg gefunden werden kann, ohne alle möglichen Wege oder Verbindungen zu durchlaufen, wird eine graphische Durchsuchungstechnik angewandt. Die graphische Durchsuchungstechnik kann eine Horizontsuchtechnik sein. Allerdings können andere geeignete graphische Suchtechniken verwendet werden. Ein vorab berechneter Aufwand wird am Ende des Planungszeithorizonts zum Schätzen eines Nutzungsaufwands für eine gegebene Ego-Position verwendet. Bei einer Ausführungsform beinhaltet das Trajektorienplanungsmodul 106 die graphische Durchsuchungstechnik, der das Ego-Fahrzeug 114 während des konfigurierbaren Zeithorizonts T möglicherweise durch die Umgebung folgt. Bei einer anderen Ausführungsform ist die graphische Durchsuchungstechnik auf dem Aktionsplanungsmodul 104 gespeichert. Die erzeugte Trajektorie wird dann auf dem computerlesbaren Medium 110 gespeichert. Weitere Details über Aktionsplanung unter Verwendung von Ganzumgebungsvorhersage mit iterativer Aktionssuche werden im Folgenden beschrieben.
  • 4A-4D sind Ansichten des autonomen Fahrzeugs 114 auf einer zweispurigen Straße 200, das autonom in der Nähe mehrerer Nachbarfahrzeuge 160, 162 fährt, gemäß einer beschriebenen Ausführungsform der Offenbarung. Wie in 4A abgebildet ist, folgen die Fahrzeuge 160 aktuell demselben potentiellen Weg 202 in der linken Spur der zweispurigen Straße 200. Das autonome Fahrzeug 114 befindet sich aktuell in der rechten Fahrspur der zweispurigen Straße 200, wobei die linke und die rechte Fahrspur durch eine Abteilungslinie 204 getrennt sind. Das hier beschriebene autonome Fahrzeug 114 oder „Ego-Fahrzeug“ beginnt mit einer Fahrspurfolgenaktion und zählt alle möglichen Aktionen auf, zu denen es bei dem nächsten Zeitschritt wechseln kann. Bei einem Aspekt, wie in 4A abgebildet ist, macht das Ego-Fahrzeug 104 mit der Fahrspurfolgenaktion weiter und folgt demselben potentiellen Weg 208 in der rechten Fahrspur der zweispurigen Straße 200. Bei einem anderen Aspekt kann das Autonomfahrsystem 100 des Ego-Fahrzeugs 104 von der Fahrspurfolgenaktion zu einer Fahrspurwechselaktion wechseln, und ein geplanter Weg 210 für das Ego-Fahrzeug 104 ist in 4B als die Abteilungslinie 204 kreuzend abgebildet, um sich dem potentiellen Weg 202 des Nachbarfahrzeugs 160 anzunähern, falls die Fahrspurwechselaktion einen niedrigeren Anfangsaufwand aufweist. Das Aktionsplanungsmodul 104 mit darin programmierter Horizontsuche erforscht Wechseln von der Fahrspurfolgenaktion zu der Fahrspurwechselaktion. Bei einer Ausführungsform wird eine iterative Ganzumgebungsvorhersage verwendet, welche es der Horizontsuche erlaubt, Reaktionen und Interaktionen mit anderen Fahrzeugen 160, 102 zu evaluieren, ohne explizit hinsichtlich der möglichen Aktionen anderer Fahrzeuge 160, 162 zu suchen. Die iterative Ganzumgebungsvorhersage hält die Horizontsuche lenkbar. Jedes Mal, wenn eine neue Aktion in der Horizontgraphensuche evaluiert wird, wird ein Vorhersageprozess durchgeführt, der eine zukünftige Umgebung des Ego-Fahrzeugs 114 an dem nächsten Zeitschritt schätzt, unter der Annahme, dass das Ego-Fahrzeug 114 der ausgewählten Aktion folgt, z. B. einer Fahrspurfolgenaktion, einer Fahrspurwechselaktion oder einer Fahrspurwechselabbruchaktion. Dieser Vorhersageprozess beinhaltet Erzeugen einer möglichen Trajektorie für das Ego-Fahrzeug 114 und dann Vorhersagen der Bewegung und von Reaktionen von jedem dynamischen Hindernis in der Umgebung des Ego-Fahrzeugs 114 auf der Grundlage von dessen aktuellem lokalen Verkehrskontext. Der Vorhersageprozess beinhaltet ferner Erzeugen einer Vorhersage davon, wie andere Fahrzeuge auf ihre aktuelle Verkehrssituation und iterativ über kurze Zeitschritte reagieren können. Die Horizontgraphensuche ist fähig zum Modellieren von Interaktionen zwischen dem Ego-Fahrzeug 114 und anderen Verkehrsteilnehmern, ohne irgendeine aktive Planung für die anderen Fahrzeuge 160, 162 vornehmen zu müssen. Die iterative passive Vorhersage ist weniger aufwändig und skaliert viel besser, als zu versuchen, gemeinsame aktive Planung für das Ego-Fahrzeug 114 und andere Verkehrsteilnehmer durchzuführen.
  • Bei einem Aspekt kann das Ego-Fahrzeug 104 entweder mit der Fahrspurfolgenaktion weitermachen oder von der Fahrspurwechselaktion zu einer Fahrspurwechselabbruchaktion wechseln. Wie in 4C abgebildet ist, führt das Ego-Fahrzeug 104 Weitermachen mit der Fahrspurwechselaktion fort, indem in den potentiellen Weg 202 des Nachbarfahrzeugs 160 eingetreten wird und der geplante Weg 210 dadurch mit dem potentiellen Weg 202 zusammenfließt. Falls das Ego-Fahrzeug 104 entweder entscheidet, die Fahrspuren nicht zu wechseln oder die Fahrspuren wahrscheinlich nicht wechseln wird, aufgrund dessen, dass sich ein aufkommendes Nachbarfahrzeug 160 dem potentiellen Weg 202 annähert, wie in 4D abgebildet ist, wechselt das Autonomfahrsystem 100 des Ego-Fahrzeugs 104 von der Fahrspurwechselaktion in die Fahrspurwechselabbruchaktion. Ein geplanter Weg 212 für das Ego-Fahrzeug 104 ist als die Abteilungslinie 204 kreuzend, um sich der linken Fahrspur der zweispurigen Straße 200 anzunähern, abgebildet.
  • Nun zu 4B zurück reagiert, wo das Ego-Fahrzeug 114 an einem Zeitschritt t1 eine Fahrspurwechseltrajektorie erzeugt, das andere Fahrzeug 160 in der linken Fahrspur aber noch nicht reagiert hat. Zum Zeitschritt t2, wenn das Ego-Fahrzeug entweder mit dem Fahrspurwechselverhalten weitermacht, wie in 4C veranschaulicht ist, oder zu einer Fahrspurwechselabbruchaktion wechselt, wie in 4D gezeigt ist, führt die Ego-Fahrzeugtrajektorie das Ego-Fahrzeug 114 teilweise in die linke Fahrspur, was eine Reaktion des Fahrzeugs 160 in der linken Fahrspur verursacht. Bei manchen Ausführungsformen entkoppelt Beschränken der Aktionssuche auf lediglich Evaluieren von Wechselverhalten in einer kleinen Untermenge von Zeitschritten die Iterative-Vorhersage-Zeitauflösung effektiv von der Aktionssuchzeitauflösung. Dies verbessert die Berechnungseffizienz erheblich und erlaubt die Evaluation von längeren Planungshorizonten, was intelligentere Aktionsentscheidungen erzeugt. Die beschränkte Horizontsuche durch den Baum möglicher Ego-Aktionen für intelligentes Automatisiertes-Fahren-Entscheidungsfällen liefert eine signifikante Entscheidungsfällen-Leistungsfähigkeitsverbesserung. In einem Beispiel evaluiert das Ego-Fahrzeug 114 explizit die erwartete Nützlichkeit seiner Aktionen in zukünftigen Zeitschritten. In einem anderen Beispiel versteht das Ego-Fahrzeug 114, die Aktionen anderer Agenten auf der Grundlage seines eigenen vorgesehenen Zukunftszustands inkrementell vorherzusagen. Das Ego-Fahrzeug 114 evaluiert und vergleicht explizit verschiedene mögliche Zeitpunkte von jedem Aktionsübergang, um Sicherheit, Komfort und Fortschritt in Richtung auf sein Ziel zu maximieren. Iterative Vorhersage erlaubt es der Aktionssuche, zu verstehen, wie andere dynamische Hindernisse auf das Ego-Fahrzeug 114 reagieren bzw. mit diesem interagieren, ohne gemeinsame vorausschauende Planung für jedes dynamische Hindernis in der Umgebung durchführen zu müssen. Beschränkte Verzweigungspunkte entkoppeln die Aktionsentscheidungszeitauflösung von der iterativen Vorhersageauflösung, was effizientere Erforschung längerer Planungshorizonte erlaubt.
  • Die oben beschriebenen Ausführungsformen sind beispielhaft dargestellt worden und es versteht sich, dass diese Ausführungsformen verschiedenen Modifikationen und Alternativformen unterzogen werden können. Ferner versteht sich, dass nicht beabsichtigt ist, die Ansprüche auf die gewissen offenbarten Formen zu beschränken, sondern stattdessen alle Modifikationen, Äquivalente und Alternativen, die in den Gedanken und den Schutzumfang dieser Offenbarung fallen, abzudecken.
  • Ausführungsformen innerhalb des Schutzumfangs der Offenbarung können auch nichtvergängliche computerlesbare Speichermedien oder ein maschinenlesbares Medium zum Führen von darauf gespeicherten oder zu speichernden computerausführbaren Anweisungen oder Datenstrukturen beinhalten. Solche nichtvergängliche computerlesbare Speichermedien oder solch ein maschinenlesbares Medium können beliebige verfügbare Medien sein, auf die durch einen Mehrzweck- oder Sonderzweckcomputer zugegriffen werden kann. Als Beispiel und nicht als Beschränkung können derartige nichtvergängliche computerlesbare Speichermedien oder ein maschinenlesbares Medium RAM, ROM, EEPROM, CD-ROM oder andere optische Plattenspeicher-, magnetische Plattenspeicher- oder andere magnetische Speichervorrichtungen oder ein beliebiges anderes Medium, die zum Tragen oder Speichern von gewünschten Programmcodemitteln in der Form von computerausführbaren Anweisungen oder Datenstrukturen verwendet werden können, umfassen. Kombinationen der Obigen sollen ebenfalls in den Schutzumfang der nichtvergänglichen computerlesbaren Speichermedien oder des maschinenlesbaren Mediums fallen.
  • Ausführungsformen können auch in verteilten Rechenumgebungen praktiziert werden, in denen Aufgaben von lokalen und abgesetzten Verarbeitungsvorrichtungen durchgeführt werden, die über ein Kommunikationsnetzwerk (entweder durch festverdrahtete Verbindungsstrecken, drahtlose Verbindungsstrecken oder eine Kombination davon) verlinkt sind.
  • Computerausführbare Anweisungen beinhalten beispielsweise Anweisungen und Daten, die einen Allzweckcomputer, einen Sonderzweckcomputer oder eine Sonderzweckverarbeitungsvorrichtung veranlassen, eine gewisse Funktion oder Gruppe von Funktionen durchzuführen. Computerausführbare Anweisungen beinhalten auch Programmmodule, die von Computern in eigenständigen oder Netzwerkumgebungen ausgeführt werden. Im Allgemeinen beinhalten Programmmodule Routinen, Programme, Objekte, Komponenten und Datenstrukturen usw., die besondere Aufgaben durchführen ober besondere abstrakte Datenarten implementieren. Computerausführbare Anweisungen, verknüpft mit Datenstrukturen, und Programmmodule stellen Beispiele für Programcodemittel zum Ausführen von Schritten der hier offenbarten Verfahren dar. Die besondere Abfolge solcher ausführbaren Anweisungen oder verknüpften Datenstrukturen stellt Beispiele für entsprechende Handlungen zum Implementieren der in solchen Schritten beschriebenen Funktionen dar.
  • Obgleich das Patent unter Bezugnahme auf verschiedene Ausführungsformen beschrieben worden ist, versteht sich, dass diese Ausführungsformen veranschaulichend sind und dass der Schutzumfang der Offenbarung nicht auf diese beschränkt ist. Viele Variationen, Modifikationen, Ergänzungen und Verbesserungen sind möglich. Allgemeiner gesagt sind Ausführungsformen gemäß dem Patent im Kontext oder in gewissen Ausführungsformen beschrieben worden. Die Funktionalität kann in verschiedenen Ausführungsformen der Offenbarung unterschiedlich getrennt oder in Blöcken kombiniert oder mit anderer Terminologie beschrieben werden. Diese und andere Variationen, Modifikationen, Ergänzungen und Verbesserungen können in den Schutzumfang der Offenbarung fallen, wie er in den folgenden Ansprüchen definiert ist.

Claims (6)

  1. Nichtflüchtiges computerlesbares Speicherungsmedium, das darauf ein Computerprogramm zum Evaluieren von Reaktionen und Interaktionen mit einem oder mehreren Fahrzeugen gespeichert hat, wobei das Computerprogramm eine Routine von eingestellten Anweisungen umfasst, um die Maschine zum Durchführen von Folgendem zu veranlassen: Durchsuchen eines Baums möglicher Aktionsabfolgekombinationen für ein Ego-Fahrzeug; und Aufnehmen von Reaktionen und Interaktionen mit einem oder mehreren Fahrzeugen.
  2. Nichtflüchtiges computerlesbares Speicherungsmedium nach Anspruch 1, wobei das Aufnehmen, durch eine iterative Ganzumgebungsvorhersage, Reaktionen und Interaktionen mit einem oder mehreren Fahrzeugen umfasst.
  3. Verfahren, das Folgendes umfasst: Schätzen, durch einen oder mehrere Prozessoren, einer zukünftigen Umgebung eines autonomen Fahrzeugs; Erzeugen, durch den einen oder die mehreren Prozessoren, einer möglichen Trajektorie für die autonomen Fahrzeuge; Vorhersagen, durch den einen oder die mehreren Prozessoren, von Bewegung und Reaktionen von jedem dynamischen Hindernis in der zukünftigen Umgebung des autonomen Fahrzeugs auf der Grundlage eines aktuellen lokalen Verkehrskontextes, und iteratives Erzeugen, durch den einen oder die mehreren Prozessoren, einer Vorhersage über Zeitschritte.
  4. Verfahren nach Anspruch 3, das ferner Folgendes umfasst: Entkoppeln, durch den einen oder die mehreren Prozessoren, einer Aktionsentscheidungszeitauflösung von einer Iterative-Vorhersage-Auflösung.
  5. System für ein autonomes Fahrzeug, das Folgendes umfasst: einen oder mehrere Prozessoren; und ein oder mehrere nichtflüchtige computerlesbare Speicherungsmedien, die darauf gespeichert ein Computerprogramm aufweisen, das von dem einen oder den mehreren Prozessoren verwendet wird, wobei das Computerprogramm den einen oder die mehreren Prozessoren veranlasst zum: Schätzen einer zukünftigen Umgebung eines autonomen Fahrzeugs; Erzeugen einer möglichen Trajektorie für die autonomen Fahrzeuge; Vorhersagen von Bewegung und Reaktionen von jedem dynamischen Hindernis in der zukünftigen Umgebung des autonomen Fahrzeugs auf der Grundlage eines aktuellen lokalen Verkehrskontextes; und iteratives Erzeugen einer Vorhersage über Zeitschritte.
  6. System nach Anspruch 5, wobei das Computerprogramm ferner den einen oder die mehreren Prozessoren veranlasst zum: Entkoppeln einer Aktionsentscheidungszeitauflösung von einer Iterative-Vorhersage-Auflösung.
DE112018000174.1T 2017-03-07 2018-03-07 Aktionsplanungssystem und -verfahren für autonome Fahrzeuge Pending DE112018000174T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762468140P 2017-03-07 2017-03-07
US62/468,140 2017-03-07
PCT/EP2018/055536 WO2018162521A1 (en) 2017-03-07 2018-03-07 Action planning system and method for autonomous vehicles

Publications (1)

Publication Number Publication Date
DE112018000174T5 true DE112018000174T5 (de) 2019-08-08

Family

ID=61622560

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112018000174.1T Pending DE112018000174T5 (de) 2017-03-07 2018-03-07 Aktionsplanungssystem und -verfahren für autonome Fahrzeuge

Country Status (5)

Country Link
US (1) US11402839B2 (de)
JP (1) JP7191843B2 (de)
CN (1) CN110352330B (de)
DE (1) DE112018000174T5 (de)
WO (1) WO2018162521A1 (de)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102235166B1 (ko) * 2015-09-21 2021-04-02 주식회사 레인보우로보틱스 실시간 로봇 시스템, 로봇 시스템 제어 장치 및 로봇 시스템 제어 방법
JP6897938B2 (ja) 2017-02-10 2021-07-07 ニッサン ノース アメリカ,インク 車両交通ネットワークの横断に使用される方法と自律走行車
BR112019016268B1 (pt) 2017-02-10 2023-11-14 Nissan North America, Inc. Método para uso no atravessamento de uma rede de transporte de veículo e veículo autônomo
WO2019088977A1 (en) 2017-10-30 2019-05-09 Nissan North America, Inc. Continual planning and metareasoning for controlling an autonomous vehicle
US11702070B2 (en) 2017-10-31 2023-07-18 Nissan North America, Inc. Autonomous vehicle operation with explicit occlusion reasoning
US11027751B2 (en) 2017-10-31 2021-06-08 Nissan North America, Inc. Reinforcement and model learning for vehicle operation
JP6992182B2 (ja) * 2017-11-30 2022-01-13 ニッサン ノース アメリカ,インク 自律走行車両運行管理計画
US11874120B2 (en) 2017-12-22 2024-01-16 Nissan North America, Inc. Shared autonomous vehicle operational management
US11110941B2 (en) 2018-02-26 2021-09-07 Renault S.A.S. Centralized shared autonomous vehicle operational management
US11120688B2 (en) 2018-06-29 2021-09-14 Nissan North America, Inc. Orientation-adjust actions for autonomous vehicle operational management
JP2022516383A (ja) * 2018-10-16 2022-02-25 ファイブ、エーアイ、リミテッド 自律型車両の計画
US11048253B2 (en) 2018-11-21 2021-06-29 Waymo Llc Agent prioritization for autonomous vehicles
US11188082B2 (en) * 2019-01-11 2021-11-30 Zoox, Inc. Occlusion prediction and trajectory evaluation
JP7201550B2 (ja) * 2019-07-29 2023-01-10 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
US11635758B2 (en) 2019-11-26 2023-04-25 Nissan North America, Inc. Risk aware executor with action set recommendations
US11899454B2 (en) 2019-11-26 2024-02-13 Nissan North America, Inc. Objective-based reasoning in autonomous vehicle decision-making
US11613269B2 (en) 2019-12-23 2023-03-28 Nissan North America, Inc. Learning safety and human-centered constraints in autonomous vehicles
US11300957B2 (en) 2019-12-26 2022-04-12 Nissan North America, Inc. Multiple objective explanation and control interface design
CN114829225A (zh) * 2019-12-27 2022-07-29 伟摩有限责任公司 自主载具的条件行为预测
US11577746B2 (en) 2020-01-31 2023-02-14 Nissan North America, Inc. Explainability of autonomous vehicle decision making
US11714971B2 (en) 2020-01-31 2023-08-01 Nissan North America, Inc. Explainability of autonomous vehicle decision making
JP7279656B2 (ja) * 2020-02-06 2023-05-23 トヨタ自動車株式会社 情報処理装置、システム、及び、情報処理方法
US11782438B2 (en) 2020-03-17 2023-10-10 Nissan North America, Inc. Apparatus and method for post-processing a decision-making model of an autonomous vehicle using multivariate data
JP7061148B2 (ja) * 2020-03-31 2022-04-27 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
CN113805572B (zh) * 2020-05-29 2023-12-15 华为技术有限公司 运动规划的方法与装置
US11835958B2 (en) 2020-07-28 2023-12-05 Huawei Technologies Co., Ltd. Predictive motion planning system and method
US11814075B2 (en) * 2020-08-26 2023-11-14 Motional Ad Llc Conditional motion predictions
US11753044B2 (en) * 2020-11-18 2023-09-12 Argo AI, LLC Method and system for forecasting reactions of other road users in autonomous driving
DE102022203590A1 (de) 2022-04-08 2023-10-26 Volkswagen Aktiengesellschaft Verfahren und Schutzvorrichtung für ein Fahrzeug zum Schutz einer sensiblen, elektronischen Recheneinrichtung eines Fahrzeugs
CN115027500A (zh) * 2022-06-30 2022-09-09 智道网联科技(北京)有限公司 用于无人驾驶车辆的决策规划方法、装置及电子设备、存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6176837B1 (en) * 1998-04-17 2001-01-23 Massachusetts Institute Of Technology Motion tracking system
EP1898232B1 (de) 2006-09-08 2010-09-01 Ford Global Technologies, LLC Verfahren und System zur Kollisionsvermeidung
JP4525670B2 (ja) * 2006-11-20 2010-08-18 トヨタ自動車株式会社 走行制御計画生成システム
JP4623057B2 (ja) * 2007-06-05 2011-02-02 トヨタ自動車株式会社 自車両の移動領域取得装置
WO2010101749A1 (en) * 2009-03-05 2010-09-10 Massachusetts Institute Of Technology Predictive semi-autonomous vehicle navigation system
JP5407764B2 (ja) * 2009-10-30 2014-02-05 トヨタ自動車株式会社 運転支援装置
US20110190972A1 (en) * 2010-02-02 2011-08-04 Gm Global Technology Operations, Inc. Grid unlock
US9633564B2 (en) * 2012-09-27 2017-04-25 Google Inc. Determining changes in a driving environment based on vehicle behavior
JP6451111B2 (ja) 2014-07-10 2019-01-16 日産自動車株式会社 走行支援装置及び走行支援方法
US10249194B2 (en) * 2016-08-30 2019-04-02 International Business Machines Corporation Modifying behavior of autonomous vehicle based on advanced predicted behavior analysis of nearby drivers
CN106371439B (zh) * 2016-09-13 2020-11-20 同济大学 一种统一的自动驾驶横向规划方法与系统

Also Published As

Publication number Publication date
CN110352330B (zh) 2024-04-19
CN110352330A (zh) 2019-10-18
WO2018162521A1 (en) 2018-09-13
JP7191843B2 (ja) 2022-12-19
US11402839B2 (en) 2022-08-02
JP2020509966A (ja) 2020-04-02
US20200097008A1 (en) 2020-03-26

Similar Documents

Publication Publication Date Title
DE112018000174T5 (de) Aktionsplanungssystem und -verfahren für autonome Fahrzeuge
DE112017006530T5 (de) Rückmeldung für ein autonomes fahrzeug
DE102017116192A1 (de) Verwenden von virtuellen Daten zum Testen und Trainieren von Parkplatzerfassungssystemen
DE112018005774T5 (de) Vorrichtung zur Vorhersage des Verhaltens eines sich bewegenden Körpers und Verfahren zur Vorhersage des Verhaltens eines sich bewegenden Körpers
DE102018120635A1 (de) Geteilte verarbeitung mit tiefen neuronalen netzwerken
DE102018103107A1 (de) Auf feedback beruhende erzeugung von steuermodellen für ein autonomes fahrzeug
DE102019108477A1 (de) Automatische navigation unter verwendung von deep reinforcement learning
DE102017205518A1 (de) Streckenermittlungsvorrichtung für ein autonomes Fahrzeug und Streckenermittlungsverfahren
DE102014204892A1 (de) Verfahren zum Erstellen und Verwenden einer lokalen Karte eines Fahrwegs eines Fahrzeugs
DE102015113596A1 (de) Verfahren und System für das Parken eines Fahrzeugs
DE102014223275A1 (de) Fahrtverifikation im fahrzeug
DE102018100154A1 (de) System und verfahren zur vermeidung von interferenz mit einem bus
DE112014005247T5 (de) Informationssystem und Verfahren zur Verwendung einer Vorausberechnungsmaschine eines Fahrzeugs
DE112016005700T5 (de) Wendeassistenz auf Grundlage der Manövrierschwierigkeit
DE102019118366A1 (de) Verfahren sowie Steuergerät für ein System zum Steuern eines Kraftfahrzeugs
DE102020120357A1 (de) System und verfahren für simulationen fahrzeugbasierter artikelzustellung
DE112020006045T5 (de) Formal sicheres symbolisches bestärkendes lernen anhand von visuellen eingaben
DE102021109395A1 (de) Verfahren, systeme und vorrichtungen für benutzerverständliche erklärbare lernmodelle
DE112022002652T5 (de) Automatische erzeugung einer vektorkarte für die fahrzeugnavigation
DE112021006846T5 (de) Systeme und Verfahren zur szenarioabhängigen Trajektorienbewertung
DE102018209804A1 (de) Verfahren und Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug
DE102022200743A1 (de) Systeme und Verfahren zur Bestimmung eines befahrbaren Raums
DE102019134089A1 (de) Parkassistenzvorrichtung, Parkassistenzverfahren und Computerprogramm
DE102021104178A1 (de) Dynamisch gerouteter felddiskriminator
DE102017128082A1 (de) Meta-Architektur-Design für ein CNN-Netzwerk

Legal Events

Date Code Title Description
R012 Request for examination validly filed