JP2021521050A - 追加車両の決定されたヨーパラメータに基づいた自律走行車制御 - Google Patents

追加車両の決定されたヨーパラメータに基づいた自律走行車制御 Download PDF

Info

Publication number
JP2021521050A
JP2021521050A JP2020555890A JP2020555890A JP2021521050A JP 2021521050 A JP2021521050 A JP 2021521050A JP 2020555890 A JP2020555890 A JP 2020555890A JP 2020555890 A JP2020555890 A JP 2020555890A JP 2021521050 A JP2021521050 A JP 2021521050A
Authority
JP
Japan
Prior art keywords
vehicle
yaw
additional
additional vehicle
lidar data
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.)
Granted
Application number
JP2020555890A
Other languages
English (en)
Other versions
JPWO2019199474A5 (ja
JP7358384B2 (ja
Inventor
ウォレン スミス
ウォレン スミス
イサン イーデ
イサン イーデ
スターリング ジェー アンダーソン
スターリング ジェー アンダーソン
ジェームズ アンドリュー バグネル
ジェームズ アンドリュー バグネル
バーソロメウス シー ナブ
バーソロメウス シー ナブ
クリストファー ポール アームソン
クリストファー ポール アームソン
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.)
Aurora Innovation Inc
Original Assignee
Aurora Innovation Inc
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 Aurora Innovation Inc filed Critical Aurora Innovation Inc
Publication of JP2021521050A publication Critical patent/JP2021521050A/ja
Publication of JPWO2019199474A5 publication Critical patent/JPWO2019199474A5/ja
Application granted granted Critical
Publication of JP7358384B2 publication Critical patent/JP7358384B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W40/00—Estimation 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
    • B60W40/02—Estimation 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
    • B60W40/04—Traffic conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W40/00—Estimation 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
    • B60W40/10—Estimation 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 vehicle motion
    • B60W40/114—Yaw movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G01S17/32—Systems determining position data of a target for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
    • G01S17/34—Systems determining position data of a target for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated using transmission of continuous, frequency-modulated waves while heterodyning the received signal, or a signal derived therefrom, with a locally-generated signal related to the contemporaneously transmitted signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/50—Systems of measurement based on relative movement of target
    • G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G05D1/247—
    • G05D1/81—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B60W2420/408—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/803—Relative lateral speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT 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
    • B60W2754/00—Output or target parameters relating to objects

Abstract

自律的に制御される車両に追加された追加車両のヨーパラメータ（例えば、少なくとも１つのヨーレート）を決定し、追加車両の決定されたヨーパラメータに基づいて車両の自律走行制御が調整される。例えば、車両の自律走行の操向、加速および／または減速は、追加車両の決定されたヨーレートに基づいて調整されることができる。多くの具現において、車両の位相コヒーレントＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）モノパルスコンポーネントおよび／または周波数変調連続波（ＦＭＣＷ）ＬＩＤＡＲコンポーネントのような車両の位相コヒーレントＬＩＤＡＲコンポーネントからのデータに基づいて追加車両のヨーパラメータが決定される。

Description

コンピューティングおよび車両技術が進化し続けるにつれて、自律性の関連特徴は、より強力かつ広範囲に使用できることになり、より様々な環境で車両を制御できることになった。自動車の場合、例えば、米国自動車工学会（ＳＡＥ）は、「非自動化」から「完全自動化」までの運転自動化を６つのレベルに識別した標準（Ｊ３０１６）を樹立した。ＳＡＥ標準は、レベル０を警告または介入（Ｉｎｔｅｒｖｅｎｔｉｏｎ）システムによる向上にもかかわらず、動的運転タスクのすべての面で人間ドライバーによるフルタイムの実行が必要な「非自動化」と定義する。レベル１は、「ドライバー補助」と定義され、車両は、少なくとも一部の運転モードで操向（Ｓｔｅｅｒｉｎｇ）または、加速／減速（両方ともではない）を制御し、ドライバーは、動的運転作業のすべての残りの部分を行う。レベル２は、「部分自動化」と定義され、車両は、少なくともいくつかの運転モードで操向および加速／減速を制御し、ドライバーは、動的運転作業のすべての残りの部分を行う。レベル３は、「条件付き自動化」と定義され、少なくとも一部の運転モードで自動化された運転システムは、動的運転作業のすべての面を行い、人間ドライバーが介入要求に対して適切に応答することを期待する。レベル４は、「高い自動化」と定義され、特定の条件でのみ自動化された運転システムは、人間ドライバーが介入要求に対して適切に応答しなくても、動的運転作業のすべての面を行う。レベル４の特定の条件は、例えば、特定の道路タイプ（例えば、高速道路）および／または特定の地理的領域（例えば、適切な地図が備えられ、境界が明確な（Ｇｅｏｆｅｎｃｅｄ）大都市地域）であり得る。最後に、レベル５は、「完全自動化」と定義され、ここで車両は、すべての条件下でドライバーの入力がなくても動作できる。
自律性関連技術についての基本的な挑戦は、車両の周囲環境についての情報を収集および解析するとともに、車両の動きを適切に制御する命令を計画および実行して現在の環境で車両を安全に調整することに関連する。したがって、このような側面のそれぞれを改善する努力が続けられており、そうすることにより、自律走行車は、より複雑な状況を確実に処理し得、ある環境内で予想や予想外の条件を収容することができる。
本発明が解決しようとする課題は、追加車両の決定されたヨーパラメータに基づいた自律走行車制御を提供するものである。
一部の具現において、追加車両の決定されたヨーパラメーター（Ｙａｗ Ｐａｒａｍｅｔｅｒ）に基づいて自律走行車の自律走行制御を調整する方法が提供される。前記方法は、車両の位相コヒーレント（Ｐｈａｓｅ Ｃｏｈｅｒｅｎｔ）ＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）コンポーネントのセンシングサイクルの位相コヒーレントＬＩＤＡＲデータポイントグループを位相コヒーレントＬＩＤＡＲコンポーネントから受信する。前記グループのＬＩＤＡＲデータポイントのそれぞれは、環境内の対応ポイントについての対応距離および対応速度を示し、前記グループの位相コヒーレントＬＩＤＡＲデータポイントのそれぞれは、センシングサイクル中に、位相コヒーレントＬＩＤＡＲコンポーネントの対応センシングイベントに基づいて生成される。前記方法は、前記グループの前記位相コヒーレントＬＩＤＡＲデータポイントのうち、一サブグループが前記車両に追加された追加車両に対応すると判断するステップをさらに含む。前記方法は、前記サブグループが前記追加車両に対応すると判断するステップに基づいて、前記サブグループの複数の前記位相コヒーレントＬＩＤＡＲデータポイントに基づいて前記追加車両のヨーパラメータを判断するステップをさらに含む。前記方法は、また前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップをさらに含む。
ここで説明した技術の具現および他の具現は、１つ以上の次の特徴を含み得る。
一部の具現において、前記グループの前記位相コヒーレントＬＩＤＡＲデータポイントのうち、前記サブグループが前記追加車両に対応すると判断するステップは、学習された機械学習モデルを使用して前記グループの前記位相コヒーレントＬＩＤＡＲデータポイントを処理するステップと、前記学習された機械学習モデルを使用して前記グループの前記位相コヒーレントＬＩＤＡＲデータポイントを処理したことに基づいて前記サブグループが車両分類（Ｖｅｈｉｃｌｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）を有することを示す出力を生成するステップと、前記サブグループが前記車両分類を有することを示す前記出力に基づいて前記サブグループが前記追加車両に対応すると判断するステップと、を含む。
一部の具現において、前記サブグループの前記複数の前記位相コヒーレントＬＩＤＡＲデータポイントに基づいて前記追加車両の前記ヨーパラメータを決定するステップは、前記サブグループの前記複数の位相コヒーレントＬＩＤＡＲデータポイントのうち、１つ以上の第１セットを決定するステップと、前記第１セットから空間的にオフセット（Ｓｐａｔｉａｌｌｙ Ｏｆｆｓｅｔ）された第２セットに基づいて前記サブグループの前記複数の位相コヒーレントＬＩＤＡＲデータポイントのうち、１つ以上の第２セットを決定するステップと、前記第１セットおよび前記第２セットの比較に基づいて前記ヨーパラメータを決定するステップと、を含む。前記具現の一部のバージョンにおいて、前記第１セットおよび前記第２セットが相対的に互いに空間的にオフセットされていると判断するステップは、少なくとも部分的に前記第１セットおよび第２セットに示した対応距離に基づく。前記具現の一部の追加的または代替的なバージョンにおいて、前記第１セットおよび前記第２セットの比較に基づいて前記追加車両の前記ヨーパラメータを決定するステップは、前記第１セットの第１セット速度の大きさ（Ｖｅｌｏｃｉｔｙ Ｍａｇｎｉｔｕｄｅ）および前記第２セットの第２セット速度の大きさの比較に基づいて前記ヨーパラメータを決定するステップを含む。前記第１セット速度の大きさは、前記第１セットに対する対応速度に基づき、前記第２セット速度の大きさは、前記第２セットに対する対応速度に基づく。多様な具現において、追加車両のヨーパラメータは、追加車両のヨーレート（Ｙａｗ Ｒａｔｅ）を含み得、第１セットおよび第２セットの比較に基づいて追加車両のヨーパラメータを決定するステップは、第１セットおよび第２セットとの間の空間オフセットに基づいて距離を決定するステップと、第１セット速度の大きさおよび第２セット速度の大きさの比較、および距離に基づいてヨーレートを決定するステップと、をさらに含む。第１セット速度の大きさおよび第２セット速度の大きさの比較、および距離に基づいて前記ヨーレートを決定するステップは、第１セット速度の大きさおよび第２セット速度の大きさの比較に基づいて第１セット速度の大きさおよび第２セット速度の大きさとの間の速度差（Ｖｅｌｏｃｉｔｙ Ｄｉｆｆｅｒｅｎｔｉａｌ）を決定するステップと、前記距離に基づいて前記速度差を前記ヨーレートに変換するステップと、を含み得る。多様な具現において、前記追加車両の前記ヨーパラメータは、前記追加車両の下界（Ｌｏｗｅｒ Ｂｏｕｎｄ）ヨーレートを含み得、前記方法は、上界（Ｕｐｐｅｒ Ｂｏｕｎｄ）ヨーレートに該当し、前記第１セットおよび前記第２セットの比較に基づいて決定される前記追加車両の追加ヨーパラメータを決定するステップを含み得る。例えば、前記方法は、前記第１セット速度の大きさおよび前記第２セット速度の大きさとの間の比較に基づいて前記第１セット速度の大きさおよび前記第２セット速度の大きさとの間の速度差を決定するステップをさらに含み、前記下界ヨーレートを決定するステップは、前記速度差を前記距離で割るステップを含み、前記上界ヨーレートを決定するステップは、前記距離に基づくが、前記距離に比べて大きさが減少した値で前記速度差を割るステップを含み得る。前記位相コヒーレントＬＩＤＡＲデータポイントの第１セットおよび第２セットを決定する多様な具現において、前記第１セットは、前記複数の位相コヒーレントＬＩＤＡＲデータポイントのうち、多数を含み、前記第１セット速度の大きさは、前記複数の位相コヒーレントＬＩＤＡＲデータポイントのうち、前記多数に対する前記対応速度に基づいて決定される。例えば、前記第１セット速度の大きさは、前記複数の位相コヒーレントＬＩＤＡＲデータポイントのうち、前記多数に対する前記対応速度の平均に基づくことができる。前記ヨーパラメータがヨーレートを含み、前記第１セットおよび前記第２セットの比較に基づいて前記追加車両の前記ヨーパラメータを決定する多様な具現において、前記ヨーパラメータを決定するステップは、第１セット速度の大きさおよび第２セット速度の大きさの比較に基づいて速度差を決定するステップと、前記追加車両に対する格納されたモデルを識別するステップと、前記追加車両に対する前記格納されたモデルに基づいて前記速度差を前記ヨーレートに変換するステップと、を含む。前記第１セット速度の大きさは、前記第１セットに対する対応速度に基づくことができ、前記第２セット速度の大きさは、前記第２セットに対する対応速度に基づくことができる。このような多様な具現の一部において、前記追加車両に対する前記格納されたモデルを識別するステップは、前記格納されたモデルを複数の格納された候補モデルのうち、前記サブグループの前記位相コヒーレントＬＩＤＡＲデータポイントに基づいて選択するステップを含む。
一部の具現において、前記ヨーパラメータは、ヨーレートおよびヨー方向を含む。このような一部の具現において、前記サブグループの前記複数の位相コヒーレントＬＩＤＡＲデータポイントに基づいて前記追加車両の前記ヨーパラメータを決定するステップは、学習された機械学習モデルを使用して前記サブグループの前記複数の位相コヒーレントＬＩＤＡＲデータポイントを処理するステップと、前記学習された機械学習モデルを使用して前記サブグループの前記位相コヒーレントＬＩＤＡＲデータポイントを処理することに基づいて、前記ヨーレートを示す出力を生成するステップと、前記出力に基づいて前記ヨーレートおよび前記ヨー方向を決定するステップと、を含む。このような具現の一部バージョンにおいて、前記学習された機械学習モデルを使用して前記サブグループの前記複数の位相コヒーレントＬＩＤＡＲデータポイントを処理するステップは、前記学習された機械学習モデルを使用して前記サブグループの前記複数の位相コヒーレントＬＩＤＡＲデータポイントのすべてを処理するステップを含む。
一部の具現において、前記追加車両の前記ヨーパラメータは、ヨーレートを示す速度差に該当する。このような一部の具現において、前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップは、しきい値を超過する前記速度差に基づいて前記自律走行制御を調整するステップを含む。
一部の具現において、前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップは、前記車両の速度および／または方向を変更するステップを含む。一部の具現において、前記ヨーパラメータは、ヨーレートであり、前記追加車両の前記決定されたヨーレートに基づいて前記車両の自律走行制御を調整するステップは、前記決定されたヨーレートがしきい値を満足するという判断に応答して行われる。
一部の具現において、前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップは、前記決定されたヨーパラメータに基づいて前記追加車両の少なくとも１つの候補軌跡を決定するステップと、少なくとも１つの候補軌跡に基づいて前記車両の自律走行制御を調整するステップと、を含む。
一部の具現において、前記位相コヒーレントＬＩＤＡＲデータポイントのグループは、３次元ポイントクラウドを含む。
一部の具現において、前記位相コヒーレントＬＩＤＡＲコンポーネントは、位相コヒーレントＬＩＤＡＲモノパルス（Ｍｏｎｏｐｕｌｓｅ）コンポーネントである。前記具現の一部において、前記位相コヒーレントＬＩＤＡＲコンポーネントの前記対応センシングイベントのそれぞれは、前記位相コヒーレントＬＩＤＡＲモノパルスコンポーネントの第１受信機での第１受信機センシングイベントおよび前記位相コヒーレントＬＩＤＡＲモノパルスコンポーネントの第２受信機での第２受信機センシングイベントを含む。前記具現の一部バージョンにおいて、前記位相コヒーレントＬＩＤＡＲコンポーネントの対応センシングイベントは、前記位相コヒーレントＬＩＤＡＲモノパルスコンポーネントの第３受信機での第３受信機センシングイベントをさらに含む。
一部の具現において、前記位相コヒーレントＬＩＤＡＲコンポーネントは、周波数変調連続波（Ｆｒｅｑｕｅｎｃｙ−Ｍｏｄｕｌａｔｅｄ Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ：ＦＭＣＷ）ＬＩＤＡＲコンポーネントである。
一部の具現において、追加車両の決定されたヨーレートに基づいて自律走行車の自律走行制御を調整する方法が提供され、前記方法は、車両の位相コヒーレントＬＩＤＡＲコンポーネントから前記車両の環境をキャプチャした位相コヒーレントＬＩＤＡＲデータを受信するステップを含む。前記位相コヒーレントＬＩＤＡＲデータは、前記車両の前記環境内の複数のポイントそれぞれに対して前記位相コヒーレントＬＩＤＡＲコンポーネントの対応するセンシングイベントに基づく少なくとも１つの対応距離および少なくとも１つの対応速度を示す。前記方法は、また前記位相コヒーレントＬＩＤＡＲデータのサブグループが前記環境内に存在し、前記車両に追加された追加車両に対応すると判断するステップをさらに含む。前記方法は、前記追加車両のヨーレートを決定するステップと、前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップと、をさらに含む。前記追加車両の前記ヨーレートを決定するステップは、前記サブグループの前記位相コヒーレントＬＩＤＡＲデータに示した多数の対応速度に基づく。
ここで説明した技術の具現および他の具現は、１つ以上の次の特徴を含み得る。
一部の具現において、前記位相コヒーレントＬＩＤＡＲデータのサブグループが前記追加車両に対応すると判断するステップは、学習された機械学習モデルを使用して前記位相コヒーレントＬＩＤＡＲデータを処理するステップと、前記学習された機械学習モデルを使用した前記位相コヒーレントＬＩＤＡＲデータポイントの処理に基づいて、前記サブグループが車両分類を有することを示す出力を生成するステップと、前記サブグループが前記車両分類を有することを示す出力に基づいて前記サブグループを選択するステップと、を含む。
一部の具現において、前記追加車両の前記ヨーレートを決定するステップは、前記サブグループの前記位相コヒーレントＬＩＤＡＲデータに示した前記多数の対応速度に基づいて速度勾配（Ｖｅｌｏｃｉｔｙ Ｇｒａｄｉｅｎｔ）を決定するステップ、前記速度勾配に基づいて前記ヨーレートを決定するステップと、を含む。
一部の具現において、前記追加車両の前記決定されたヨーレートに基づいて前記車両の自律走行制御を調整するステップは、前記車両の速度および方向のうち、１つまたは両方を変更するステップを含む。
一部の具現において、前記位相コヒーレントＬＩＤＡＲデータは、距離−ドップラー（Ｒａｎｇｅ−Ｄｏｐｐｌｅｒ）映像、３次元ポイントクラウドおよび／または中間周波数波形（Ｉｎｔｅｒｍｅｄｉａｔｅ Ｆｒｅｑｕｅｎｃｙ Ｗａｖｅｆｏｒｍ）を含む。前記中間周波数波形は、当該のセンシングサイクル中に、時間遅延した反射と局部光発振器の混合（Ｍｉｘｉｎｇ）に基づいて生成され得る。
一部の具現において、位相コヒーレントＬＩＤＡＲコンポーネントは、少なくとも第１コヒーレント光受信機および第２コヒーレント光受信機を含む位相コヒーレントＬＩＤＡＲモノパルスコンポーネントである。前記具現の一部において、前記位相コヒーレントＬＩＤＡＲコンポーネントの前記対応センシングイベントのそれぞれは、前記位相コヒーレントＬＩＤＡＲモノパルスコンポーネントの第１受信機での第１受信機センシングイベントおよび前記位相コヒーレントＬＩＤＡＲモノパルスコンポーネントの第２受信機での第２受信機センシングイベントを（そして、選択的に追加受信機での追加受信機センシングイベントをさらに）含む。
一部の具現において、前記位相コヒーレントＬＩＤＡＲコンポーネントは、ＦＭＣＷ ＬＩＤＡＲコンポーネントである。
一部の具現において、追加車両の決定されたヨーレートに基づいて自律走行車の自律走行制御を調整する方法が提供され、前記方法は、車両の位相コヒーレントモノパルスＬＩＤＡＲコンポーネントから前記車両の環境をキャプチャした位相コヒーレントＬＩＤＡＲモノパルスデータを受信するステップを含む。前記位相コヒーレントＬＩＤＡＲモノパルスコンポーネントは、レーザーソースおよび少なくとも第１コヒーレント受信機および第２コヒーレント受信機を含む。前記位相コヒーレントＬＩＤＡＲモノパルスデータは、前記車両の環境内の複数のポイントそれぞれに対して少なくとも１つの対応距離および少なくとも１つの対応速度を前記位相コヒーレントＬＩＤＡＲモノパルスコンポーネントの当該のセンシングイベントに基づいて示す。前記位相コヒーレントＬＩＤＡＲコンポーネントの前記対応センシングイベントは、それぞれ前記第１受信機による第１受信機センシングイベントおよび前記第２受信機による第２受信機センシングイベントを含む。前記方法は、前記位相コヒーレントＬＩＤＡＲモノパルスデータに示した前記多数の対応速度に基づいて前記車両の前記環境内の追加車両のヨーパラメータを決定するステップをさらに含む。前記方法は、前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップをさらに含む。
ここで説明した技術の具現および他の具現は、１つ以上の次の特徴を含み得る。
一部の具現において、前記位相コヒーレントＬＩＤＡＲモノパルスデータに基づいて前記追加車両の前記ヨーパラメータを決定するステップは、前記位相コヒーレントＬＩＤＡＲモノパルスデータの第１セットを決定するステップと、前記第１セットから空間的にオフセットされた第２セットに基づいて前記位相コヒーレントＬＩＤＡＲモノパルスデータの第２セットを決定するステップと、第１セット速度および第２セット速度に基づいて前記ヨーパラメータを決定するステップと、を含む。前記第１セット速度は、前記第１セットの対応速度のうち、少なくとも１つに基づき、前記第２セット速度の大きさは、前記第２セットの対応速度のうち、少なくとも１つに基づく。一部の具現において、前記追加車両の前記ヨーパラメータは、前記追加車両のヨーレートを含む。前記具現の一部のバージョンにおいて、前記第１セット速度および前記第２セット速度の比較に基づいて前記追加車両の前記ヨーパラメータを決定するステップは、前記第１セットおよび前記第２セットとの間の前記空間オフセットに基づいて距離を決定するステップと、前記ヨーレートを前記第１セット速度、前記第２セット速度、および前記距離の関数として決定するステップと、をさらに含む。前記バージョンの一部において、前記ヨーレートを前記第１セット速度、第２セット速度および前記距離の関数として決定するステップは、前記第１セット速度および前記第２セット速度との間の速度差を決定するステップと、前記距離に基づいて前記速度差を前記ヨーレートに変換するステップと、を含む。
一部の具現において、前記ヨーパラメータは、ヨーレートを含み、前記位相コヒーレントＬＩＤＡＲモノパルスデータに示した前記多数の対応速度に基づいて前記ヨーパラメータを決定するステップは、前記追加車両に対する格納されたモデルを識別するステップと、前記多数の対応速度および前記追加車両に対する前記格納されたモデルに基づいて前記ヨーレート決定するステップと、を含む。一部の具現において、前記多数の対応速度および前記追加車両に対する前記格納されたモデルに基づいて前記ヨーレートを決定するステップは、前記多数の対応速度に基づいて速度差を決定するステップと、前記追加車両に対する前記格納されたモデルに基づいて前記速度差を前記ヨーレートに変換するステップと、を含む。
一部の具現において、前記ヨーパラメータは、ヨーレートを含み、前記位相コヒーレントＬＩＤＡＲモノパルスデータに基づいて前記追加車両の前記ヨーパラメータを決定するステップは、学習された機械学習モデルを使用して前記位相コヒーレントＬＩＤＡＲモノパルスデータの少なくとも一部を処理するステップと、前記学習された機械学習モデルを使用した前記位相コヒーレントＬＩＤＡＲモノパルスデータの前記少なくとも一部の処理に基づいて前記ヨーレートを示す出力を生成するステップと、前記出力に基づいて前記ヨーレートを決定するステップと、を含む。
一部の具現において、前記位相コヒーレントＬＩＤＡＲコンポーネントは、ＦＭＣＷ ＬＩＤＡＲコンポーネントである。
一部の具現において、車両の位相コヒーレントＬＩＤＡＲコンポーネントから前記車両の環境をキャプチャした位相コヒーレントＬＩＤＡＲデータを受信するステップを含む方法が提供される。前記位相コヒーレントＬＩＤＡＲデータは、前記車両の環境内の複数のポイントそれぞれに対して前記位相コヒーレントＬＩＤＡＲコンポーネントの当該のセンシングイベントに基づく少なくとも１つの対応距離および少なくとも１つの対応速度を示す。前記方法は、前記位相コヒーレントＬＩＤＡＲデータのサブグループが前記環境内にあり、前記車両に追加された追加車両に対応すると判断するステップをさらに含む。前記方法は、前記サブグループの前記位相コヒーレントＬＩＤＡＲデータに示した多数の対応速度に基づいて前記追加車両のヨーパラメータを決定するステップをさらに含む。前記方法は、また車両の計画ザブシステムおよび／または制御ザブシステムのような、車両の少なくとも１つのザブシステムに前記決定されたヨーパラメータを提供するステップをさらに含む。
一部の具現において、車両の位相コヒーレントコンポーネントから前記車両の環境をキャプチャしたものであり、前記車両の環境内の複数のポイントそれぞれに対して前記位相コヒーレントＬＩＤＡＲコンポーネントの対応センシングイベントに基づく少なくとも１つの対応距離および少なくとも１つの対応速度を示す位相コヒーレントＬＩＤＡＲデータを受信するステップを含む方法が提供される。前記方法は、前記方法は、前記位相コヒーレントＬＩＤＡＲデータに示した前記多数の対応速度に基づいて前記車両の環境内にある追加車両のヨーパラメータを決定するステップをさらに含む。前記方法は、車両の計画ザブシステムおよび／または制御ザブシステムのような、車両の少なくとも１つのザブシステムに前記決定されたヨーパラメータを提供するステップをさらに含む。
前述の２つの具現およびここで説明した技術の他の具現は、１つ以上の次の特徴を含み得る。
一部の具現において、前記ヨーパラメータは、ヨーレート（Ｙａｗ Ｒａｔｅ）を含み、前記位相コヒーレントＬＩＤＡＲデータに基づいて前記追加車両のヨーパラメータを決定するステップは、学習された機械学習モデルを使用して前記位相コヒーレントＬＩＤＡＲデータの少なくとも一部を処理するステップと、前記学習された機械学習モデルを使用した前記位相コヒーレントＬＩＤＡＲデータの前記少なくとも一部の処理に基づいて前記ヨーレートを示す出力を生成するステップと、前記出力に基づいて前記ヨーレートを決定するステップと、を含む。
一部の具現において、前記位相コヒーレントＬＩＤＡＲコンポーネントは、前記位相コヒーレントモノパルスコンポーネントであり、前記位相コヒーレントＬＩＤＡＲデータは、位相コヒーレントＬＩＤＡＲモノパルスデータである。一部の追加的または代替的な具現において、前記位相コヒーレントＬＩＤＡＲコンポーネントは、ＦＭＣＷ ＬＩＤＡＲコンポーネントである。
一部の具現において、機械学習モデルを学習する方法が提供される。前記機械学習モデルは、少なくとも１つの自律走行車の自律走行制御に使用され、前記方法は、複数の学習インスタンスを生成するステップを含む。前記学習インスタンスのそれぞれを生成するステップは、対応する自律走行車のビジョン（Ｖｉｓｉｏｎ）コンポーネントからのビジョンデータの対応インスタンスに基づいて前記学習インスタンスの学習インスタンス入力を生成するステップと、ビジョンデータの当該のインスタンスによってキャプチャされ、対応追加車両の１つ以上のセンサに基づく追加車両データの対応インスタンスに基づいて学習インスタンスの指導学習インスタンス出力（Ｓｕｐｅｒｖｉｓｅｄ Ｔｒａｉｎｉｎｇ Ｉｎｓｔａｎｃｅ Ｏｕｔｐｕｔ）を生成するステップと、を含む。前記追加車両データの対応インスタンスは、前記対応追加車両の少なくとも１つの動的特性（Ｐｒｏｐｅｒｔｙ）に対応する現在の状態を示す。追加車両データの前記対応インスタンスは、追加車両データの前記対応インスタンスが一時的に前記当該のビジョンデータインスタンスに対応するという判断に基づいて前記指導学習インスタンス出力を生成するのに使用される。前記方法は、複数の学習インスタンスに基づいて前記機械学習モデルを学習するステップと、前記少なくとも１つの自律走行車の制御に使用するように、前記学習された機械学習モデルを提供するステップと、をさらに含む。
ここで説明した技術の具現および他の具現は、選択的に１つ以上の次の特徴を含み得る。
一部の具現において、ビジョンデータの当該のインスタンスは、ＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）データであり、ビジョンコンポーネントは、ＬＩＤＡＲコンポーネントである。一部の具現において、ＬＩＤＡＲコンポーネントは、位相コヒーレントＬＩＤＡＲコンポーネントであり、ＬＩＤＡＲデータは、位相コヒーレントＬＩＤＡＲコンポーネントのセンシングサイクルのＬＩＤＡＲデータポイントグループを含む。前記グループのＬＩＤＡＲデータポイントのそれぞれは、前記環境内の対応ポイントについての対応距離および対応速度を示し、前記グループのＬＩＤＡＲデータポイントのそれぞれは、前記センシングサイクルの対応センシングイベントに基づいて生成される。
一部の具現において、前記学習インスタンスの前記指導学習インスタンス出力は、前記対応追加車両のキャプチャした前記ビジョンデータの一部を境界づける境界領域の表示（Ｉｎｄｉｃａｔｉｏｎ）をさらに含む。
一部の具現において、機械学習モデルを学習するステップは、前記機械学習モデルを使用して前記学習インスタンスの前記学習インスタンス入力を処理して予測された出力を生成するステップと、前記予測された出力および前記学習インスタンスの前記指導学習インスタンス出力に基づいて損失を生成するステップと、前記生成された損失に基づいて前記機械学習モデルを更新するステップと、を含む。
一部の具現において、前記追加車両データのインスタンスは、１つ以上のヨーパラメータを含み、前記対応追加車両の１つ以上のセンサは、少なくともヨーレートセンサを含む。このような一部の具現において、前記追加車両データは、前記対応追加車両の制御器領域ネットワーク（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）に対するモニタリングに基づいて決定される。
一部の具現において、前記追加車両データインスタンスは、前記対応追加車両の速度および加速度のうち、１つまたは両方を含む。
一部の具現において、前記追加車両データインスタンスは、ヨーパラメータ、および速度と加速度のうち、１つまたは両方を含む。
一部の具現において、前記方法は、前記少なくとも１つの自律走行車のうち、与えられた自律走行車の少なくとも１つのプロセッサによって前記学習された機械学習モデルを使用して（与えられた自律走行車の与えられたビジョンコンポーネントによってキャプチャされた）与えられたビジョンデータを処理するステップと、前記処理に基づいて前記与えられたビジョンデータによってキャプチャされた与えられた追加車両の予測された状態を生成するステップと、前記予測された状態に基づいて前記与えられた自律走行車を制御するステップと、を含む。一部の具現において、前記与えられたビジョンデータは、前記ビジョンコンポーネントのセンシングサイクル中にキャプチャされたビジョンデータのサブグループであり、前記方法は、前記サブグループが前記与えられた追加車両に対応するという判断に基づいてビジョンデータのサブグループを生成するステップをさらに含む。このような具現のうち、一部のバージョンにおいて、前記サブグループが前記与えられた追加車両に対応すると判断するステップは、追加客体検出および分類モデルを使用して前記ビジョンデータを処理するステップと、前記追加客体検出および分類モデルを使用して前記ビジョンデータを処理するステップに基づいて生成された出力に応じて前記サブグループが前記与えられた追加車両に対応すると判断するステップと、を含む。
一部の具現において、学習された機械学習モデルを使用して自律走行車を制御する方法が提供される。前記方法は、自律走行車の１つ以上のプロセッサによって具現され、前記方法は、前記学習された機械学習モデルを使用して与えられたビジョンデータを処理するステップを含み、前記与えられたビジョンデータは、自律走行車のビジョンコンポーネントによってキャプチャされる。前記方法は、前記処理に基づいて前記与えられたビジョンデータによってキャプチャされた与えられた追加車両の少なくとも１つ以上の動的特性の予測された状態を生成するステップを含む。前記方法は、前記予測された状態に基づいて前記自律走行車を制御するステップをさらに含む。学習された機械学習モデルは、複数の学習インスタンスに基づいて学習され、学習インスタンスのそれぞれは、当該の自律走行車のビジョンコンポーネントからのビジョンデータの対応インスタンスに基づく学習インスタンス入力と、ビジョンデータの当該のインスタンスによってキャプチャされた対応追加車両の１つ以上のセンサに基づく追加車両データの対応インスタンスによる指導学習インスタンス出力を含む。
ここで説明した技術の具現および他の具現は、選択的に１つ以上の次の特徴を含み得る。
一部の具現において、前記与えられたビジョンデータは、前記ビジョンコンポーネントのセンシングサイクル中にキャプチャされたビジョンデータのサブグループであり、前記方法は、前記サブグループが前記与えられた追加車両に対応するという判断に基づいてビジョンデータのサブグループを生成するステップをさらに含む。一部の具現において、前記サブグループが前記与えられた追加車両に該当すると判断するステップは、追加客体検出および分類モデルを使用して前記ビジョンデータを処理するステップと、前記追加客体検出および分類モデルを使用して前記ビジョンデータを処理するステップに基づいて生成された出力に応じて前記サブグループが前記与えられた追加車両に対応すると判断するステップと、を含む。
一部の具現において、前記自律走行車を制御するステップは、前記自律走行車の速度および／または方向を制御するステップを含む。
一部の具現において、少なくとも１つの特性は、前記追加車両のヨーレートおよび／またはヨー方向を含む。
一部の具現において、少なくとも１つの特性は、追加車両の速度および／または加速度を含む。
一部の具現において、少なくとも１つの特性は、追加車両のヨーパラメータ、速度および／または加速度を含む。
また、一部の具現は、連想メモリに格納された命令を行うように動作可能な１つ以上のプロセッサを有する自律走行車を含み、前記命令は、ここに記述された方法のうち、いずれかを行うように構成される。一部具現は、追加的または代替的に１つ以上のプロセッサによって実行可能なコンピューター命令語を格納する１つ以上の非一時的コンピューターで読み出しできる格納媒体を含む。
前述した概念とより詳しく後述される追加概念のすべての組合せが本明細書に開示される構成要素の一部として考慮される。例えば、本明細書の最後に表示される請求される構成要素のすべての組合せが本明細書に開示される構成要素の一部として考慮される。
ここで開示された具現が行われることができる例示的な環境を示したものである。
図２Ａは、図１のＦＭＣＷ ＬＩＤＡＲコンポーネントの具現を概略的に示したものである。図２Ｂは、図１のＦＭＣＷ ＬＩＤＡＲコンポーネントの他の具現を概略的に示したものである。
追加車両のヨー軸、ピッチ軸およびロール軸とともに例示的な追加車両を示したものである。
追加車両の決定されたヨーパラメータに基づいて車両の自律走行制御を調整する具現を示したブロック図である。
それぞれ車両の例示的な環境を示し、前記環境は、追加車両を含み、それぞれは、また環境内の追加車両に対応できる一部のＦＭＣＷ ＬＩＤＡＲデータポイントの例を示したものである。 それぞれ車両の例示的な環境を示し、前記環境は、追加車両を含み、それぞれは、また環境内の追加車両に対応できる一部のＦＭＣＷ ＬＩＤＡＲデータポイントの例を示したものである。 それぞれ車両の例示的な環境を示し、前記環境は、追加車両を含み、それぞれは、また環境内の追加車両に対応できる一部のＦＭＣＷ ＬＩＤＡＲデータポイントの例を示したものである。 それぞれ車両の例示的な環境を示し、前記環境は、追加車両を含み、それぞれは、また環境内の追加車両に対応できる一部のＦＭＣＷ ＬＩＤＡＲデータポイントの例を示したものである。
どのように追加車両の候補軌跡が決定されたヨーパラメータに基づいて決定され得るか、またはどのように車両の自律走行制御が追加車両の候補軌跡に基づいて調整されることができるかを示したものである。
ヨーパラメータを決定し、決定されたヨーパラメータに基づいて自律走行車を制御する例示的な方法を示したフローチャートである。
ヨーパラメータを決定し、決定されたヨーパラメータに基づいて自律走行車を制御する他の例示的な方法を示したフローチャートである。
ＦＭＣＷ ＬＩＤＡＲデータに基づいてヨーレートの決定に使用できる機械学習モデルを学習する例示的な方法を示したフローチャートである。
車両の自律制御の様々なレベルで（例えば、前述したＳＡＥレベル１ないし５のうち、いずれか）、いわゆる自車両（Ｅｇｏ Ｖｅｈｉｃｌｅ、すなわち、自律的に制御される車両）の様々なパラメータが決定され、自車両自体の多様に決定されたパラメータに基づく自車両の自律走行制御を調整する必要がある。このようなパラメータが自車両のヨーレート（Ｙａｗ Ｒａｔｅ）である。車両のヨーレートは、ヨー軸に対する回転角速度であり、通常、秒当たりラジアンまたは秒当たり角度で測定される。自車両のヨーレートは、例えば、自車両のコリオリの力（Ｃｏｒｉｏｌｉｓ Ｆｏｒｃｅ）を測定する圧電（Ｐｉｅｚｏｅｌｅｃｔｒｉｃ）またはマイクロ機械式（Ｍｉｃｒｏｍｅｃｈａｎｉｃａｌ）センサのような自車両のヨーレートセンサからの出力に基づいて決定される。自車両のヨーレートは、自車両の電子式走行安定装置（Ｅｌｅｃｔｒｏｎｉｃ Ｓｔａｂｉｌｉｔｙ Ｃｏｎｔｒｏｌ、ＥＳＣ）のような様々な車両制御技法に使用されてきた。ＥＳＣにおいて、ヨーレートセンサおよび他のセンサからの出力は、例えば、アンチロックブレーキ（Ａｎｔｉ−Ｌｏｃｋ Ｂｒａｋｉｎｇ Ｓｙｓｔｅｍ、ＡＢＳ）の制御調整に使用され、自車両の追跡／スキッド（Ｓｋｉｄ）の損失を軽減し得る。
自車両（以下、手短に「車両」とも述べる）の様々なレベルの自律制御において、自車両に追加され、自車両の環境内に存在する追加車両の様々なパラメータを決定することが好ましいか、または必要である。例えば、車両に対する追加車両のポーズ（位置および選択的に方向）を決定し、追加車両が車両に対してどのように移動するかを判断する必要がある。例えば、車両が継続して現在の意図された軌跡に進行すれば、追加車両のポーズおよび移動によって追加車両が車両に接近しすぎると判断される場合、車両の自律回避制動（Ａｕｔｏｎｏｍｏｕｓ Ｅｖａｓｉｖｅ Ｂｒａｋｉｎｇ）および／または自律回避操向（Ａｕｔｏｎｏｍｏｕｓ Ｅｖａｓｉｖｅ Ｓｔｅｅｒｉｎｇ）が必要であり得る。
ここで開示された具現は、一般的に追加車両のヨーパラメータを決定することと追加車両の決定されたヨーパラメータに基づいて車両の自律走行制御を調整することに合わせられている。例えば、車両の自律操向、加速および／または減速は、追加車両の決定されたヨーパラメータに基づいて調整されることができる。追加車両のヨーパラメータは、例えば、追加車両の少なくとも１つのヨーレートを含み得る。ヨーレートは、ヨー軸（Ｙａｗ Ａｘｉｓ）に対する追加車両の回転角速度および選択的に前記回転の方向を示し得る。追加車両のヨーパラメータは、選択的にヨー軸に対する追加車両の回転方向の表示とともに、追加的または代替的に追加車両の２つの部分の間の速度差の大きさを示す少なくとも１つの速度差を含み得る。ヨーパラメータは、追加的または代替的に追加車両がヨー移動（Ｙａｗ Ｍｏｖｅｍｅｎｔ）中にあるのか（例えば、追加車両がヨー軸を中心に少なくとも最小移動臨界角度だけ進行しているのか）の可否に対する表示を含む。
ここに開示された多くの具現において、追加車両のヨーパラメータは、車両の位相コヒーレントＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）からのデータに基づいて決定される。車両の位相コヒーレントＬＩＤＡＲコンポーネントからのデータは、ここで「位相コヒーレントＬＩＤＡＲデータ」と呼ばれる。ここで開示されたように、位相コヒーレントＬＩＤＡＲデータは、環境内の複数のポイントそれぞれに対して、少なくとも前記ポイントに対する距離と速度を示し得る。ポイントに対する距離は、位相コヒーレントＬＩＤＡＲコンポーネントの受信機から前記ポイントまでの距離を示す。前記ポイントに対する速度は、前記ポイントに対する速度の大きさ（および選択的に方向）を示す。ポイントに対して示した距離および速度は、位相コヒーレントＬＩＤＡＲコンポーネントの対応センシングイベントに基づく。したがって、センシングサイクルのセンシングイベントを通じて、環境内の多量のポイントに対する瞬間距離および瞬間速度を示す位相コヒーレントＬＩＤＡＲデータが決定され得る。ここに開示された具現は、少なくとも一部のＦＭＣＷ ＬＩＤＡＲデータに示した瞬間距離および瞬間速度に基づいて追加車両の瞬間ヨーパラメータを決定し得る。したがって、センシングサイクルの位相コヒーレントＬＩＤＡＲデータに基づいて決定されたヨーパラメータは、以後、センシングサイクルから位相コヒーレントＬＩＤＡＲデータの参照を必要とせず、センシングサイクル中のヨー移動に基づいて追加車両に対するヨー情報を提供する。これは、追加車両の現在のヨーパラメータに対する迅速な判断を可能にし、結果的に現在のヨーパラメータを考慮して車両制御調整が必要かどうかの迅速な決定（および調整が決定されたときは、迅速な調整）を可能にする。
一般的に、ＬＩＤＡＲは、光学スペクトル内の電磁波の反射を使用して環境内のポイントの距離を決定する技術である。例えば、一部のＬＩＤＡＲ具現は、光パルスの双方向遅延（Ｒｏｕｎｄ−Ｔｒｉｐ Ｄｅｌａｙ）の測定に基づいてポイントの距離を決定する。ＬＩＤＡＲコンポーネントは、光学スペクトル内の光パルスを生成する光源（例えば、レーザー）、（例えば、方位角および仰角をスキャンするため）光源の方向を調整するようにする光学装置（例えば、鏡など）、反射したパルスを測定するセンサ、および反射したパルスを処理するための局部プロセッサおよび／または他の電子コンポーネントを含み得る。反射したパルスは、送信されたパルスおよび反射したパルスとの間の時間遅延に基づいて（また、光束を用いて）環境内のターゲットのポイントまでの距離を決定するように処理され得る。一部の具現において、ＬＩＤＡＲコンポーネントは、前記処理に基づいて（また、反射したパルスの強度に基づいて） 強度値（Ｉｎｔｅｎｓｉｔｙ Ｖａｌｕｅ）を有し得る３次元（３Ｄ）ポイントクラウドである出力を生成する。
一般的に、位相コヒーレントＬＩＤＡＲは、光学スペクトル内の電磁波の反射を使用して環境内のポイントの距離および視線速度（Ｒａｄｉａｌ Ｖｅｌｏｃｉｔｉｅｓ）を示すデータを決定する技術である。位相コヒーレントＬＩＤＡＲコンポーネントは、波長を生成する少なくとも１つの波長可変レーザー（Ｔｕｎａｂｌｅ Ｌａｓｅｒ）（または、他の光源）を含み、干渉光受信機のような少なくとも１つの受信機を含む。位相コヒーレントＬＩＤＡＲコンポーネントは、また波長可変レーザーからの波形を（方位角および／または仰角で）環境内の複数のポイントに向けるのに使用できる光学装置のように、波長可変レーザーの方向を調整する１つ以上のコンポーネントを含み得る。また、位相コヒーレントＬＩＤＡＲコンポーネントは、波形反射を処理するための局部プロセッサおよび／または電子コンポーネントを含み得る。位相コヒーレントＬＩＤＡＲコンポーネントを有する波長可変レーザーは、生成した波形が前記波形を通じて波形の１つ以上の特徴を変更してエンコードされるように制御できるという点で可変である。波長可変レーザーは、チャープ（Ｃｈｉｒｐ）、ステップおよび／またはパルス波形のように１つ以上の様々なエンコードされた波形を生成するように制御できる。
周波数変調連続波（Ｆｒｅｑｕｅｎｃｙ−Ｍｏｄｕｌａｔｅｄ Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ：ＦＭＣＷ）ＬＩＤＡＲコンポーネントは、位相コヒーレントＬＩＤＡＲコンポーネントの特別なタイプである。ＦＭＣＷ ＬＩＤＡＲコンポーネントは、周波数変調によりエンコードされ、連続的な波形を生成するように波長可変レーザーを少なくとも選択的に（例えば、使用中であれば常に）制御する。例えば、波形は、周波数変調によりエンコードされた連続ステップ波形であり得る。例えば、波長可変レーザーは、ステップの周波数の変更によりエンコードされたステップ波形を生成するように制御できる。車両のＦＭＣＷ ＬＩＤＡＲコンポーネントからのデータは、ここで「ＦＭＣＷ ＬＩＤＡＲデータ」と呼ばれる。したがって、「位相コヒーレントＬＩＤＡＲデータ」は、周波数変調によりエンコードされ、連続的な波形に基づいてＦＭＣＷ ＬＩＤＡＲコンポーネントによって生成された場合、「ＦＭＣＷ ＬＩＤＡＲデータ」であり得る。
位相コヒーレントＬＩＤＡＲコンポーネントのセンシングサイクル中に、送信されたエンコードされた波形は、順次に環境内の複数の各ポイントを向け、順次に各ポイントによって反射する。エンコードされた波形の反射した部分は、センシングサイクルの当該のセンシングイベントで少なくとも１つの位相コヒーレントＬＩＤＡＲコンポーネント受信機によってそれぞれ検出される。例えば、センシングイベントの反射した部分は、前記部分が送信されたエンコード波形に対応する局部光信号と混合したコヒーレント検出（Ｃｏｈｅｒｅｎｔ−Ｄｅｔｅｃｔｉｏｎ）方式を使用して少なくとも１つのコヒーレント光受信機によって検出され得る。コヒーレント検出方式は、例えば、ホモダインミキシング（Ｈｏｍｏｄｙｎｅ Ｍｉｘｉｎｇ）、ヘテロダインミキシング（Ｈｅｔｅｒｏｄｙｎｅ Ｍｉｘｉｎｇ）、セルフヘテロダインミキシング（Ｓｅｌｆ−Ｈｅｔｅｒｏｄｙｎｅ Ｍｉｘｉｎｇ）、または他のコヒーレント検出方式であり得る。反射した部分を局部光信号とミキシングして生成された結果信号は、（１）当該のポイントまでの距離、および（２）当該のポイントの速度を示す。例えば、前記結果信号は、信号に２次元フーリエ変換（Ｔｗｏ−Ｄｉｍｅｎｓｉｏｎａｌ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を適用し、ダイレクトディメンション（Ｄｉｒｅｃｔ Ｄｉｍｅｎｓｉｏｎ） 内の周波数座標で２Ｄスペクトルを生成することにより処理され得る。インダイレクト（Ｉｎｄｉｒｅｃｔ）ディメンション内の周波数座標は、距離決定に使用でき、インダイレクトディメンション内の周波数座標は、速度決定に使用できる。特別の例として、ホモダイン検出方式は、局部光学信号が送信されたエンコード波形の分割された部分であり、光受信機に対する光学的局部発振器信号に使用される方式であり得る。センシングイベントの間、局部発振器と時間遅延した反射部分のミキシングは、時変（Ｔｉｍｅ Ｖａｒｙｉｎｇ）中間周波数（ＩＦ）波形を生成し、当該のポイントの距離に直接関係する。また、ポイントが動いている場合、ドップラー周波数遷移は、ＩＦ波形に重畳され、前記ポイントの視線速度（Ｒａｄｉａｌ Ｖｅｌｏｃｉｔｙ）決定に使用できる。センシングサイクルの多数のセンシングイベントで検出することにより、位相コヒーレントＬＩＤＡＲデータは、車両の環境内の複数のポイントそれぞれに対して生成され、センシングサイクル中に環境内の各ポイントに対する距離、速度、および選択的に強度を示す。
前述したように、位相コヒーレントＬＩＤＡＲコンポーネントによって生成された位相コヒーレントデータは、ここで開示された多様な具現で追加車両のヨーパラメータの決定に使用される。このような具現において、センシングサイクルの位相コヒーレントＬＩＤＡＲデータは、直接または間接的に、位相コヒーレントＬＩＤＡＲコンポーネントが結合された車両の環境内の複数のポイントそれぞれに対する対応距離および対応速度を示す。このような具現のうち一部において、位相コヒーレントＬＩＤＡＲデータは、３次元（３Ｄ）ポイントクラウドを含み、３Ｄポイントクラウド内の各ポイントは、（３Ｄポイントクラウド内の３Ｄ座標による）対応距離、対応速度および選択的に対応強度を定義する。一部の他の具現において、位相コヒーレントＬＩＤＡＲデータは、距離−ドップラー映像（Ｒａｎｇｅ−Ｄｏｐｐｌｅｒ Ｉｍａｇｅ）のように、各ピクセルが対応距離および交差距離（Ｃｒｏｓｓ−Ｒａｎｇｅ）に対する対応速度（および選択的に強度）を定義する距離−ドップラー映像を含む。言い換えれば、距離−ドップラー映像内の各ピクセルは、対応距離および（環境内のポイントに対応する）交差距離に対応し、前記距離および交差距離に対する速度を定義する。他の具現において、位相コヒーレントＬＩＤＡＲデータは、局部発振器の時間遅延した反射とのミキシングに基づいてＦＭＣＷ ＬＩＤＡＲコンポーネントの光受信機によって生成された時変中間周波数（ＩＦ）波形を含む。時変ＩＦ波形は、ヨーパラメータの直接決定に使用でき、および／またはフーリエ変換および／または他の技法、およびヨーパラメータの決定に使用された処理データを使用して処理され得る。例えば、時変ＩＦ波形の各スライス（Ｓｌｉｃｅ）が処理され、環境内の当該のポイントに対する距離および速度、およびヨーパラメータの決定に使用された多数のポイントに対する距離および速度を決定するように処理され得る。したがって、１つ以上の先行（Ｐｒｅｃｅｄｉｎｇ）および／または他のタイプの位相コヒーレントＬＩＤＡＲデータが位相コヒーレントＬＩＤＡＲコンポーネントによって生成され得、ここで説明した具現によって、追加車両のヨーパラメータの決定に使用できる。ヨーパラメータの決定で生成および使用された位相コヒーレントＬＩＤＡＲデータのタイプは、例えば、使用されている特別位相コヒーレントＬＩＤＡＲコンポーネントに属し得る。また、一部の具現において、受信された位相コヒーレントＬＩＤＡＲデータに示された速度は、（例えば、自車両のセンサに基づいて決定された自車両の速度または位相コヒーレントＬＩＤＡＲデータ内の靜的（Ｓｔａｔｉｃ）客体の速度に基づいて推論された自車両の速度に基づいて）自車両の速度が減算したものであり得る。一部の具現において、自車両の速度は、受信された位相コヒーレントＬＩＤＡＲデータから減算しないことがある。このような具現において、受信された位相コヒーレントＬＩＤＡＲデータは、選択的に自車両の速度を減算するように処理され得る。
一部の具現において、位相コヒーレントＬＩＤＡＲデータは、第１および第２コヒーレント光受信機のような、少なくとも第１および第２受信機を含む位相コヒーレントＬＩＤＡＲモノパルス（Ｍｏｎｏｐｕｌｓｅ）コンポーネントから出力される。このような具現において、各センシングイベントは、第１受信機による第１受信機センシングイベントおよび第２受信機による第２受信機センシングイベントを含む。例えば、第１受信機センシングイベントは、波形の反射した部分の第１検出と局部発振器のコヒーレントミキシングを含み得、第２受信機センシングイベントは、波形の反射した部分の第２検出と局部発振器のコヒーレントミキシングを含み得る。第１受信機センシングイベントおよび第２受信機センシングイベントは、ここでは、別の受信機によるものであるように、別のイベントに示される。しかし、センシングイベントは、それぞれ同じ反射を有するものであり得、同時にまたは実質的に同時に（例えば、互いに１ミリ秒以内に、１マイクロ秒以内に、または１ナノ秒以内に）起こり得る。
第１および第２受信機は、位置上で互いに相対的にオフセットされ、これによって第１および第２検出が（例えば、一時的および／または特徴的に（例えば、同相（Ｉｎ Ｐｈａｓｅ）に）変わることになる。これは、第１受信機センシングイベントおよび第２受信機センシングイベントの比較に基づいて少なくとも１つの追加データチャネルがセンシングイベントに対して決定できるようにする。追加チャネルは、センシングイベントに基づいて決定されたポイントに対する角度の正確性増加に使用できる。例えば、追加チャネルは、第１および第２受信機センシングイベントとの間の振幅および／または位相差（例えば、局部発振器信号とのミキシングで第１および第２受信機のそれぞれによって生成された時変ＩＦ波形内の差）に基づくことができる。例えば、振幅および／または位相差が比較され、センシングイベントに基づいて決定された１つ以上のポイントそれぞれに対して角度（特別角度または角度範囲）を決定し得、ポイントがセンシングイベントを起こした反射のビーム幅よりも小さくなるようにそれぞれの角度が決定される（Ｒｅｓｏｌｖｅｄ）。したがって、当該の距離に対する角度（例えば、受信機に対する方位角および仰角）がサブビーム幅レベルで決定され得、これによって決定された角度に対してより大きな正確性を提供する。また、前記ポイントは、ポイントの位置が角度および距離によって定義されるときに、サブビーム幅レベルとして限定されることができる。
一部の具現において、多数の距離／速度のペアは、単一のセンシングイベントに基づいて（例えば、距離−ドップラー映像および／またはＩＦ波形に示した多数の距離／速度のペアのうち、距離および／または速度差に基づいて）決定され得ることが知られている。このような具現において、対応する角度は、多数の距離／速度のペアのそれぞれに対して決定され得、それぞれはサブビーム幅レベルで決定され得る。別の方法で説明すると、センシングサイクルの単一のセンシングイベントは、２つ以上のポイントのそれぞれに対して対応距離および対応速度を決定するのに使用できる。前記具現の一部のバージョンにおいて、位相コヒーレントＬＩＤＡＲコンポーネントのレーザーによる出力である電磁気出力のビーム幅は、意図的に広げられ、ビーム幅によって広げられないビーム幅に比べてより多くの空間をカバーし得る。例えば、ビーム幅は、位相コヒーレントＬＩＤＡＲコンポーネントから与えられた距離（例えば、１０メートル、１５メートル、２０メートル、５０メートルまたは、他の距離）で、センシングサイクルのビームの間にカバレッジギャップ（Ｃｏｖｅｒａｇｅ Ｇａｐ）がないように固定され得る。ここで記述された角度の正確度の増加技法は、センシングサイクルの各ビームの広くなったビーム幅内にある２つ以上のポイントそれぞれに対して対応距離および対応速度を決定するのに使用できる。これは、ここで記述された増加された角速度技法の不在時に、センシングサイクルで多くの量のビームとセンシングイベントを必要とする正確度を有する距離および速度の決定を可能にする。したがって、ここで記述された増加された角速度技法は、センシングサイクルで与えられた正確度を有する距離および速度の分解を可能にする一方、正確度の達成に必要なセンシングサイクル内のセンシングイベントの量が減少する。これは、各センシングサイクルで起こるセンシングイベントの量を減少させ得、これによってハードウェア資源（例えば、レーザー資源および／または電力源資源など）を保存する。これは、追加的または代替的に減少した時間の間の領域に対して与えられた距離および速度量の分解を可能にし、これによって追加領域に対する距離および速度を分解する追加時間を提供する（例えば、各センシングサイクルでセンシングサイクルの持続時間（Ｄｕｒａｔｉｏｎ）を増加させずに）。より大きな全体領域がカバーできるようにし、および／または前記領域に対する更新された距離および速度に対する速い再分解を可能にする（例えば、角度の正確度を低下させず、センシングサイクルを短くすることができる）。
したがって、位相コヒーレントＬＩＤＡＲモノパルスコンポーネントで２つの受信機に対する反射をスプリット（Ｓｐｌｉｔ）することにより、信号対雑音比（ＳＮＲ）が減少する間に（すなわち、雑音が増加）スーパーピクセル分解能を得られる。これは、（位相コヒーレントＬＩＤＡＲモノパルスコンポーネントから）離れており、および／またはサイズが小さい追加車両のポイントに対する距離および速度の決定に有利であり得る。例えば、与えられたリターン／センシングイベントに対して距離および速度が決定され得る角度の正確度を増加（与えられたポイントで、角度センシングで、より正確なポジショニング）させ得、したがって、分解能を増加させ、離れており、および／またはサイズが小さい追加車両に対するヨーパラメータの決定（または、少なくともより正確な決定）を可能にする一方、ヨーパラメータは、離れており、および／またはサイズが小さい追加車両に対して決定できない場合がある（または、少なくとも正確度は、低くなるだろう）。
多様な具現において、位相コヒーレントＬＩＤＡＲモノパルスコンポーネントで２つ以上の受信機に対する反射をスプリット（Ｓｐｌｉｔ）することにより、信号対雑音比（ＳＮＲ）が減少する間に（すなわち、雑音が増加）スーパー分解能が追加的および／または代替的に達成され得る。２つ以上の受信機は、位置上で互いに相対的にオフセットされ、したがって、受信機の個別検出が（例えば、一時的および／または特徴的に（例えば、同相（Ｉｎ Ｐｈａｓｅ）に）変わることになる。これは、各受信機でセンシングイベントからの非重複（Ｎｏｎ−Ｒｅｄｕｎｄａｎｔ）ＬＩＤＡＲデータが結合され、ある個別受信機のセンシングイベントのＬＩＤＡＲデータよりも高い解像度（例えば、より高い解像度の距離および／または速度）を有するＬＩＤＡＲデータ（例えば、距離−ドップラー映像および／またはＩＦ波形）を生成することを可能にする。言い換えれば、各センシングイベントは、各受信機で受信機センシングイベントを含み得（例えば、第１受信機での第１受信機センシングイベント、第２受信機での第２受信機センシングイベントなど）、各受信機センシングイベントに対する各ＬＩＤＡＲデータを生成し得る。受信機センシングイベントからの非重複ＬＩＤＡＲデータを結合し、センシングイベントに対するスーパー解像度ＬＩＤＡＲデータを生成し得る。非重複ＬＩＤＡＲデータは、例えば、各受信機センシングイベントの間の振幅および／または位相差（例えば、局部発振器信号とのミキシングで第１および第２受信機のそれぞれによって生成された時変ＩＦ波形内の差）に基づくことができる。（例えば、連続および離散フーリエ変換のシフトおよびエイリアシング（Ｓｈｉｆｔ ａｎｄ Ａｌｉａｓｉｎｇ）の特性に基づく）周波数領域技法および／または空間領域技法（非繰り返し（Ｎｏｎ−Ｉｔｅｒａｔｉｖｅ）および／または繰り返し技法）のような様々な技法が多数の受信機センシングイベントからスーパー解像度ＬＩＤＡＲデータを生成するのに使用できる。空間領域技法は、受信機センシングイベントの低解像度ＬＩＤＡＲデータからスーパー解像度ＬＩＤＡＲデータを構築する上で１つ以上の柔軟な推定器を適用するのに使用できる。このような柔軟な推定器は、例えば、最尤度（Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ）、最大事後確率（Ｍａｘｉｍｕｍ ａ Ｐｏｓｔｅｒｉｏｒｉ）、凸集合投影（Ｐｒｏｊｅｃｔｉｏｎ Ｏｎｔｏ Ｃｏｎｖｅｘ Ｓｅｔｓ）、ベイジアン処理（Ｂａｙｅｓｉａｎ Ｔｒｅａｔｍｅｎｔｓ）などを含む。一部の位相コヒーレントＬＩＤＡＲ技法および一部の位相コヒーレントＬＩＤＡＲコンポーネントに対する追加説明は、モノパルスコンポーネントおよび技法を含んでここで提供される。
前述したように、位相コヒーレントＬＩＤＡＲコンポーネントのセンシングサイクル中に、送信されたエンコードされた波形の方向は、順次に環境内の複数のポイントそれぞれに向けて順次に反射し、エンコードされた波形の反射した部分がセンシングサイクルの当該のセンシングイベントで位相コヒーレントＬＩＤＡＲコンポーネントの少なくとも１つの受信機によってそれぞれ検出される。センシングサイクル中に、波形は、環境内の領域で複数のポイントに向かい、対応する反射が波形の方向がセンシングサイクル内で前記ポイントに再び向けずに検出される。したがって、センシングサイクルの位相コヒーレントＬＩＤＡＲデータに示したポイントの距離および速度は、以前または後続のセンシングイベントを参照せず、単一のセンシングイベントに基づくという点で即時的であり得る。一部の具現において、多数の（例えば、すべての）センシングサイクルのそれぞれは、（センシングサイクル中の波形の方向により）同じ持続時間、同じ視野（Ｆｉｅｌｄ ｏｆ Ｖｉｅｗ）および／または同じパターンの波形分布を有し得る。例えば、それぞれスイープ（Ｓｗｅｅｐ）する多数のセンシングサイクルそれぞれは、同じ持続時間、同じ視野および同じ波形分布を有し得る。しかし、他の多くの具現において、持続時間、視野、および／または波形分布パターンは、１つ以上のセンシングサイクル中で変わることができる。例えば、第１センシングサイクルは、第１持続時間、第１視野、および第１波形分布パターンを有し得、第２センシングサイクルは、第１持続時間よりも短い第２持続時間、第１視野のサブセットである第２視野、および第１波形分布パターンよりも密な第２波形分布パターンを有し得る。
図面を見ると、図１は、ここで開示された様々な技術が具現された例示的な自律走行車１００を示したものである。例えば、車両１００は、エネルギーソース１０６が動力を供給する原動機１０４を含む動力系（Ｐｏｗｅｒｔｒａｉｎ）１０２を含み、動力を方向制御器（Ｄｉｒｅｃｔｉｏｎ Ｃｏｎｔｒｏｌ）１１２、動力系制御器１１４およびブレーキ制御器１１６を含む制御システム１１０だけでなく駆動系（Ｄｒｉｖｅｔｒａｉｎ）１０８にも供給できる。車両１００は、人および／または貨物を輸送でき、陸地、海、空、地下、海底および／または空間を走行できる車両を含んで様々な形態に具現でき、前述したコンポーネント１０２ないし１１６は、前記コンポネントが使用される車両のタイプに基づいて様々に変わることができることが周知される。
以下の論議される具現は、例えば、乗用車、バン、トラック、バスなどの車輪の陸上車両に焦点を合わせる。このような例において、原動機１０４は、（他のもののうち）１つ以上の電気モーターおよび／または内燃機関（Ｉｎｔｅｒｎａｌ Ｃｏｍｂｕｓｔｉｏｎ Ｅｎｇｉｎｅ）を含み得る。エネルギーソース１０６は、例えば、燃料システム（例えば、ガソリン、ディーゼル、水素などを提供）、バッテリーシステム、太陽パネルまたは、他の再生可能なエネルギーソース、および／または燃料電池システムを含み得る。駆動系１０８は、制御可能に車両１００を停止または遅くするように構成された１つ以上のブレーキおよび車両１００の軌跡（例えば、車両１００の１つ以上のホイールが一般的に垂直軸に対して回転し、ホイールの回転平面角が車両の長軸に対して変わるようにすることができるラックアンドピニオン操向連結（Ｒａｃｋ ａｎｄ Ｐｉｎｉｏｎ Ｓｔｅｅｒｉｎｇ Ｌｉｎｋａｇｅ））を制御するのに適した方向またはステアリングコンポーネントのみならず、原動機１０４の出力を車両の動きに変換するのに適したトランスミッションおよび／または任意の他の機械駆動コンポーネントとともに、ホイールおよび／またはタイヤを含み得る。一部の具現において、動力系およびエネルギーソースの結合が（例えば、電気／ガスハイブリッド車の場合に）使用でき、一部の例において、（例えば、個別ホイールまたは軸専用の）多数の電気モーターが原動機として使用できる。
方向制御器１１２は、方向または操向コンポーネントからのフィードバックを制御および受信して車両１００がほしい軌跡に沿うようにする１つ以上のアクチュエータおよび／またはセンサを含み得る。動力系制御器１１４は、動力系１０２の出力を制御するように、例えば、原動機の出力パワーを制御し、駆動系１０８内のトランスミッションのギアなどを制御するように構成されて車両１００の速度および／または方向を制御する。ブレーキ制御器１１６は、車両１００の速度を緩めるか、または停止させる１つ以上のブレーキ、例えば、車ホイールと結合されたディスクまたはドラムブレーキを制御するように構成され得る。
飛行機、宇宙船、ヘリコプター、ドローン、軍用車両、全地形または軌道車（Ａｌｌ−Ｔｅｒｒａｉｎ ｏｒ Ｔｒａｃｋｅｄ Ｖｅｈｉｃｌｅｓ）、船舶、潜水艦、建設装備などを含むが、これに制限されない他の車両タイプは、本開示の利益を有する当業者であれば理解するように、必須に異なる動力系、駆動系、エネルギーソース、方向制御、動力系制御器およびブレーキ制御器を使用する。また、一部の具現において、コンポーネントの一部が結合され得、例えば、車両の方向制御は、１つ以上の原動機の出力を変わるようにして１次処理される。したがって、ここで開示された具現は、自律走行車輪の陸上車両において、ここに記述された技法の特別アプリケーションに制限されない。
図示された具現において、車両１００に対する完全または半自律走行制御は、車両制御システム１２０で具現され、車両制御システム１２０は、１つ以上のプロセッサ１２２および１つ以上のメモリ１２４を含み得、各プロセッサ１２２は、メモリ１２４に格納されたプログラムコード命令１２６を行うように構成される。プロセッサ１２２は、例えば、グラフィックス処理ユニット（ＧＰＵ（ｓ））および／または中央処理ユニット（ＣＰＵ（ｓ））を含み得る。
センサ１３０は、車両の動作を制御するのに使用される車両の周囲環境から情報収集に適した様々なセンサを含み得る。例えば、センサ１３０は、車両（ＦＭＣＷ）の周波数変調連続波（ＦＭＣＷ）ライダ（ＬＩＤＡＲ）コンポーネント１３２を含み得る。ここに記述したように、ＦＭＣＷ ＬＩＤＡＲコンポーネント１３２は、車両１００の環境内の１つ以上の客体のそれぞれに対する当該のヨーパラメータの決定に使用できるＦＭＣＷ ＬＩＤＡＲデータを生成し得る。ＦＭＣＷ ＬＩＤＡＲコンポーネント１３２によって生成されたＦＭＣＷ ＬＩＤＡＲデータは、車両の環境内の複数のポイントそれぞれに対してＦＭＣＷ ＬＩＤＡＲコンポーネントの当該のセンシングイベントに基づく当該距離および当該速度を示す。ＦＭＣＷ ＬＩＤＡＲコンポーネントが図１（および他の図面）に図示され、多くの図面と組み合わせてここに図示されたが、多くの具現でＦＭＣＷ ＬＩＤＡＲコンポーネントではなく、位相コヒーレントＬＩＤＡＲコンポーネントが代わりに使用できる。また、これらの具現において、ＦＭＣＷ ＬＩＤＡＲデータではなく、位相コヒーレントＬＩＤＡＲデータがＦＭＣＷ ＬＩＤＡＲデータの代わりに使用できる。
センサ１３０は、また選択的にレーダー（Ｒａｄｉｏ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）コンポーネント１３４および／またはＬＩＤＡＲコンポーネント１３６（距離決定には使用できるが、速度には、使用できないデータを生成する非位相コヒーレント（Ｎｏｎ−Ｐｈａｓｅ Ｃｏｈｅｒｅｎｔ）を含み得る。また、センサは、選択的に、例えば、ＧＰＳ、ＧＬＯＮＡＳＳ、Ｇａｌｉｌｅｏ、Ｃｏｍｐａｓｓなどのような様々な衛星航法システムのうち、いずれかと両立できる衛星航法（ＳＡＴＮＡＶ）コンポーネント１３８を含み得る。ＳＡＴＮＡＶコンポーネント１３８は、衛星信号を使用して地上の車両の位置を決定するのに使用できる。センサ１３０は、またカメラ１４０、慣性測定ユニット（Ｉｎｅｒｔｉａｌ Ｍｅａｓｕｒｅｍｅｎｔ Ｕｎｉｔ、ＩＭＵ）１４２および／または１つ以上のホイールエンコーダー１４４を含み得る。カメラ１４０は、モノグラフィックまたはステレオグラフィックカメラであり得、静止および／またはビデオイメージャー（Ｉｍａｇｅｒ）を記録し得る。ＩＭＵ１４２は、３つの方向から車両１００の線形および回転の動きを検出できる多数のジャイロスコープおよび加速度計を含み得る。ホイールエンコーダー１４２は、車両１００の１つ以上のホイールの回転をモニタリングするのに使用できる。
センサ１３０の出力は、位置追跡ザブシステム１５２、計画ザブシステム１５６、認識ザブシステム１５４および制御ザブシステム１５８を含む制御サブシステムセット１５０として提供され得る。位置追跡ザブシステム１５２は、主に周辺環境内で、そして、概ね一部の参照環境内で車両１００の位置と方向（また、ときには「ポーズ」と呼ばれる）を正確に決定する。認識ザブシステム１５４は、主に車両１００の周辺環境内のエレメントを検出、追跡および／または識別する。例えば、ここに記述されたように、認識ザブシステム１５４は、他のもののうち、車両１００の周辺環境内の１つ以上の追加車両のそれぞれに対するヨーレート（Ｙａｗ Ｒａｔｅ）を決定し得る。計画ザブシステム１５６は、主に環境内の停止または移動の客体だけではなく、ほしい目的地が指定されると、一部の時間フレームに対する車両１００の軌跡を計画する。例えば、ここに記述されたように、計画ザブシステム１５６は、車両１００の周辺環境で追加車両の（認識ザブシステム１５４によって決定された）決定ヨーパラメータに少なくとも部分的に基づいて車両１００に対する軌跡を計画することができる。制御ザブシステム１５８は、主に車両の計画された軌跡を具現するために制御システム１１０で様々な制御器を制御する適切な制御信号を生成する。
車両制御システム１２０についての図１に示されたコンポーネントの収集は、本質的に単に例示的であることが理解されるであろう。個別センサは、一部の具現で省略され得る。追加的または代替的に、一部の具現において、図１に示された様々なタイプのセンサは、重複し、および／または車両周辺の異なる領域をカバーするために使用でき、他のセンサタイプが使用できる。同様に、制御ザブシステムの異なるタイプおよび／または結合が他の具現で使用できる。また、ザブシステム１５２ないし１６０がプロセッサ１２２およびメモリ１２４と分離されたものとして図示されたが、一部の具現において、ザブシステム１５２ないし１６０の一部またはすべての機能が１つ以上のメモリ１２４に常駐するプログラムコード命令１２６に具現されて１つ以上のプロセッサ１２２によって実行され、一部の例において、前記ザブシステム１５２ないし１６０が同じプロセッサおよび／またはメモリを使用して具現できることが理解されるであろう。一部の具現において、ザブシステムは、部分的に様々な専用回路ロジッグ、様々なプロセッサ、様々なフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、様々な注文型半導体（ＡＳＩＣ）、様々なリアルタイム制御器などを使用して具現でき、前述したように、多数のザブシステムは、回路、プロセッサ、センサおよび／または他のコンポーネントを使用できる。また、車両制御システム１２０で様々なコンポーネントが様々な方式でネットワークに接続され得る。
一部の具現において、車両１００は、また車両１００用の重複または、バックアップ制御システムで使用できる２次車両制御システム（図示せず）を含み得る。一部の具現において、２次車両制御システムは、車両制御システム１２０で異常反応イベント（Ａｄｖｅｒｓｅ Ｅｖｅｎｔ）で自律走行車１００の全体を動作させることができる一方、他の具現において、２次車両制御システムは、例えば、１次車両制御システム１２０から検出された異常反応に応答し、車両１００の停止制御を行う制限された機能のみを有し得る。他の具現において、２次車両制御システムは省略され得る。
概して、ソフトウェア、ハードウェア、回路ロジッグ、センサ、ネットワークなどの様々な結合を含む無数の異なるアーキテクチャーが図１に示された様々なコンポーネントの具現に使用できる。各プロセッサは、例えば、マイクロプロセッサとして具現でき、各メモリは、例えば、キャッシュメモリ、不揮発またはバックアップメモリ（例えば、プログラマブルまたはフラッシュメモリ）、ロム（ＲＯＭ、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの補足レベルのメモリのみならず、メインストレージを含むラム（ＲＡＭ、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）装置を示し得る。また、各メモリは、仮想メモリ、例えば、大量ストレージ装置または他のコンピューターまたは制御器に格納されて使用されるストレージ容量のみならず、車両１００内のどこかに物理的に位置するメモリストレージ、例えば、プロセッサ内の任意のキャッシュメモリを含むものとして考慮され得る。図１に示された１つ以上のプロセッサまたは全体的に分離されたプロセッサが自律制御の目的を外れて車両１００内の追加機能、例えば、娯楽システムの制御、ドア、照明、利便性の特徴などの制御の具現に使用できる。
また、追加ストレージの場合、車両１００は、１つ以上の大量ストレージ装置、例えば、他のもののうち、着脱可能ディスクドライブ、ハードディスクドライブ、直接アクセスストレージ装置（ＤＡＳＤ）、光ドライブ（例えば、ＣＤドライブ、ＤＶＤドライブなど）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｓｔｏｒａｇｅ Ｄｒｉｖｅ）、ネットワーク付着ストレージ、ストレージ領域ネットワーク（Ｓｔｏｒａｇｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）および／またはテープドライブなどを含み得る。また、車両１００は、ユーザインターフェース１６４を含み、車両１００がユーザまたはドライバーから多数の入力を受信し得るようにし、ユーザまたはドライバーのための出力、例えば、１つ以上のディスプレー、タッチスクリーン、音声および／またはジェスチャーインターフェース、ボタン、および他の触覚制御などを生成するようにする。また、ユーザ入力は、他のコンピューターまたは電子装置、例えば、移動装置アプリまたはウェブインターフェースを介して受信され得る。
また、車両１００は、１つ以上のネットワーク（例えば、他のもののうち、ＬＡＮ、ＷＡＮ、無線ネットワークおよび／またはインターネット）と通信に適した１つ以上のネットワークインターフェース、例えば、ネットワークインターフェース１６２を含み、例えば、車両１００が自律制御に使用するための環境および他のデータを受信するクラウドサービスのような中央サービスを含む他のコンピューターおよび電子装置との情報の通信を許容する。
ここで記述された様々な追加制御器およびサブシステムのみならず、図１に示された各プロセッサは、以下で具体的に説明するように、概してオペレーティングシステムの制御下で動作し、様々なコンピューターソフトウェアアプリケーション、コンポーネント、プログラム、客体、モジュール、データ構造などを実行、またはこれらに依存する。また、様々なアプリケーション、コンポーネント、プログラム、客体、モジュールなどは、例えば、分散クラウド基盤、または、クライアント−サーバーコンピューティング環境でネットワークを介して車両１００に結合された他のコンピューターで１つ以上のプロセッサ上で行い得、これによってコンピュータープログラム機能の具現に必要なプロセシングがネットワークを介して多数のコンピューターおよび／またはサービスに割り当てられることができる。
概して、本明細書に記述された多様な具現のために実行されるルーチンは、オペレーティングシステムまたは特定アプリケーション、コンポーネント、プログラム、客体、モジュールまたは命令シーケンス、あるいは、前記サブセットの一部として具現されるかどうかに応じて本明細書では、「プログラムコード」と呼ばれる。プログラムコードは、様々な視覚でコンピューターの様々なメモリおよび格納装置に常駐する１つ以上のインストラクションを含み、コンピューターの１つ以上のプロセッサによって読取りおよび処理されると、コンピューターをして本発明の様々な様態を実施するステップまたはエレメントを行うのに必要なステップを行うようにする。また、完全に機能するコンピューターおよびコンピューターシステムの観点で本発明を後述するが、当業者は、本発明の様々な実施例が様々な形態のプログラム製品として配布され得、実際に前記配布を行うのに用いられる媒体を含むコンピューターで読み出し可能な特別タイプにかかわらず、本発明を具現できることを理解するであろう。コンピューターで読み出し可能な媒体の例は、揮発性および不揮発性メモリ装置、他の着脱可能なディスク、固体状態のドライブ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ハードディスクドライブ、磁気テープおよび光ディスク（例えば、ＣＤ−ＲＯＭ、ＤＶＤなど）のように触れることができ、非一時的な媒体を含む。
また、後述する様々なプログラムコードは、本発明の特定の実施例で具現されるアプリケーションに基づいて識別されることができる。しかし、後述する任意の特定プログラムの名称は、単に便宜のためのものであるから、このような名称によって識別および／または暗示される任意の特定アプリケーションに制限されてはならない。また、コンピュータープログラムがルーチン、プロシージャ、方法、モジュール、客体などで組織化される典型的に無数の方式のみならず、プログラム機能性が典型的なコンピューター内に常駐する様々なソフトウェア階層（例えば、オペレーティングシステム、ライブラリー、ＡＰＩ、アプリケーション、アプレットなど）の間に割り当てられる様々な方式が与えられると、本発明が説明されるプログラム機能性の特定組織および割当てに制限されないことが理解されるべきである。
本開示の利益を得る当業者は、図１に示された例示的な環境が本発明を制限しようとしたものではないことを認識するであろう。確かに、当業者は、他の代替的なハードウェアおよび／またはソフトウェアの環境がここに開示された具現の範囲を逸脱することなく使用できることを認識するであるう。
図２Ａおよび図２Ｂを見ると、図１のＦＭＣＷ ＬＩＤＡＲコンポーネント１３２の２つの具現が概略的に示されている。図２Ａは、単一受信機１３２Ａ３を含むＦＭＣＷ ＬＩＤＡＲコンポーネント１３２Ａを示した一方、図２Ｂは、２つの受信機１３２Ｂ３Ａおよび１３２Ｂ３Ｂを含むＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネント１３２Ｂを示す。
図２Ａにおいて、ＦＭＣＷ ＬＩＤＡＲコンポーネント１３２Ａは、光出力が信号生成器１３２Ａ２によって制御される波長可変レーザー（Ｔｕｎａｂｌｅ Ｌａｓｅｒ）１３２Ａ１を含む。信号生成器１３２Ａ２は、レーザー１３２Ａ１が光スペクトル内にあり、電磁気出力の周波数変形を通じてエンコードされる電磁気出力を生成するようにレーザー１３２Ａ１を駆動する。信号生成器１３２Ａ２は、信号を生成して波形がエンコードされるようにする。様々なタイプの周波数エンコードされた波形が信号生成器１３２Ａ２およびレーザー１３２Ａ１を介して生成され得る。
図２Ａは、先行の段落で説明したようにエンコードされ、ターゲットオブジェクト１９１上のポイントに向かうように、レーザー１３２Ａ１から送信されたビーム１９２Ａを示したものである。送信されたビーム１９２Ａは、ターゲットオブジェクト１９１上のポイントから反射し、反射１９３Ａは、センシングイベント中に受信機１３２Ａ３から受信される。送信されたビーム１９２Ａは、エンコードされた波形のスライス（Ｓｌｉｃｅ）を含み、反射１９３Ａは、またエンコードされた波形のスライスを含む。エンコードされた波形のスライスは、センシングイベント中に受信機１３２Ａ３によって検出される。
受信機１３２Ａ３は、コヒーレント受信機であり得、反射１９３Ａは、受信機１３２Ａ３によってコヒーレント検出方式−反射１９３Ａが送信されたビーム１９２Ａのスプリット部分である局部光信号とミキシングされた−を使用して検出され得る。受信機１３２Ａ３による反射１９３Ａの検出は、局部光信号（例えば、送信されたビーム１９２Ａのスプリット部分）の検出について時間遅延される。コヒーレント検出方式は、プロセッサ１３２Ａ４によって具現でき、例えば、ホモダインミキシング（Ｈｏｍｏｄｙｎｅ Ｍｉｘｉｎｇ）、ヘテロダインミキシング（Ｈｅｔｅｒｏｄｙｎｅ Ｍｉｘｉｎｇ）、セルフヘテロダインミキシング（Ｓｅｌｆ−Ｈｅｔｅｒｏｄｙｎｅ Ｍｉｘｉｎｇ）、または他のコヒーレント検出方式であり得る。反射した部分を局部光信号とミキシングして生成された結果信号は：（１）ターゲットオブジェクト１９１のポイントまでの距離、および（２）ターゲットオブジェクト１９１のポイントの速度を示す。一部の具現において、プロセッサ１３２Ａ４は、前記結果信号をＦＭＣＷ ＬＩＤＡＲコンポーネント１３２Ａからのポイントに対するＦＭＣＷ ＬＩＤＡＲデータとして提供する。一部の他の具現において、プロセッサ１３２Ａ４は、追加処理を行ってポイントの距離および速度を直接示すポイント用ＦＭＣＷ ＬＩＤＡＲデータを生成する。例えば、前記ポイントの距離および速度は、距離および速度値、または、距離−ドップラー映像を示す３ＤポイントクラウドであるＦＭＣＷ ＬＩＤＡＲデータ内で直接示し得る。レーザー１３２Ａ１からの光出力の方向（例えば、方位角および／または仰角）が変わる多数のセンシングイベントに対する検出を通じて、ＦＭＣＷ ＬＩＤＡＲデータは、環境内の複数のポイントそれぞれに対してＦＭＣＷ ＬＩＤＡＲコンポーネントによって生成され、環境内の各ポイントに対して距離、速度および選択的に強度を示す。
前述した図２Ａの説明は、ＦＭＣＷ ＬＩＤＡＲコンポーネントを説明するが、ＦＭＣＷではなく、位相コヒーレントＬＩＤＡＲコンポーネントが同一および／または類似コンポーネントを有し得ることが注目される。しかし、非ＦＭＣＷ（Ｎｏｎ−ＦＭＣＷ）ＬＩＤＡＲコンポーネントが備えられた場合、信号生成器１３２Ａ２は、レーザー１３２Ａ１を駆動して非連続的であり、および／または周波数変調ではない技法を使用してエンコードされる波形を生成し得る。
図２Ｂにおいて、ＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネント１３２Ｂは、光出力が信号生成器１３２Ｂ２によって制御される波長可変レーザー１３２Ｂ１を含む。信号生成器１３２Ｂ２は、レーザー１３２Ｂ１が、光スペクトル内にあり、電磁気出力の周波数変形を通じてエンコードされる電磁気出力を生成するようにレーザー１３２Ｂ１を駆動する。信号生成器１３２Ｂ２は、信号を生成して波形がエンコードされるようにする。様々なタイプのエンコードされた波形が信号生成器１３２Ｂ２およびレーザー１３２Ｂ１を介して生成され得る。
図２Ｂは、先行の段落で説明したようにエンコードされ、方向がターゲットオブジェクト１９１上のポイントに向かうレーザー１３２Ｂ１から送信されたビーム１９２Ｂを示したものである。送信されたビーム１９２Ｂは、ターゲットオブジェクト１９１上のポイントから反射し、センシングイベント中に、第１反射１９３Ｂ１が第１受信機１３２Ｂ３Ａから受信され、第２反射１９３Ｂ２が第２受信機１３２Ｂ３Ｂから受信される。送信されたビーム１９２Ｂは、エンコードされた波形のスライスを含み、反射１９３Ｂ１および１９３Ｂ２もエンコードされた波形スライスを含む。第１および第２受信機１３２Ｂ３Ａおよび１３２Ｂ３Ｂは、コヒーレント受信機であり得、センシングイベントは、第１受信機センシングイベントおよび第２受信機センシングイベントを含み得る。第１受信機センシングイベントは、第１反射１９３Ｂ１の第１検出と局部発振器のコヒーレントミキシング（例えば、送信されたビーム１９２Ｂのスプリット部分）を含み得、第２受信機センシングイベントは、第２反射１９３Ｂ２の第２検出と局部発振器のコヒーレントミキシングを含み得る。第１および第２受信機１３２Ｂ３Ａおよび１３２Ｂ３Ｂは、位置上で互いに相対的にオフセットされ、したがって、第１および第２検出が変わるようにする。これは、プロセッサ１３２Ｂ４が、第１受信機センシングイベントおよび第２受信機センシングイベントの比較に基づいてセンシングイベントに対する少なくても１つの追加データチャネルを決定するようにする。例えば、プロセッサ１３２Ｂ４は、第１および第２受信機センシングイベントとの間の振幅および／または位相差（例えば、局部発振器信号とのミキシングで第１および第２受信機のそれぞれによって生成された時変ＩＦの差）に基づいて追加チャネルを決定し得る。例えば、振幅および／または位相差は、センシングイベントに基づいて決定された１つ以上のポイントそれぞれに対して角度（特別角度または角度範囲）を決定するように比較され得、ポイントがセンシングイベントをもたらした反射のビーム幅よりも小さくなるように各角度が分解される。したがって、当該の距離に対する角度（例えば、受信機に対する方位角および仰角）がサブビーム幅のレベルとして決定され得る。また、前記ポイントは、ポイントの位置が角度および距離によって定義されるとき、サブビーム幅レベルとして限定できる。したがって、２つの受信機に対する反射スプリットを介して信号対雑音比（ＳＮＲ）が減少する間に（すなわち、雑音が増加）増加された角度の正確度を得られる。これは（ＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネントから）離れており、および／またはサイズが小さい追加車両の多数のポイントに対する距離および速度決定に有利であり得る。追加的または代替的に、および前述したように、プロセッサ１３２Ｂ４は、第１および第２検出から非重複データを使用してスーパー分解能のＬＩＤＡＲデータを決定し得る。例えば、プロセッサ１３２Ｂ４は、第１および第２検出から低解像度のＬＩＤＡＲデータからスーパー分解能のＬＩＤＡＲデータを作ることができる。したがって、２つの受信機に対する反射スプリットを介してＳＮＲが減少する間に、スーパー分解能の距離および速度が決定され得る。
一部の具現において、プロセッサ１３２Ｂ４は、第１および第２受信機センシングイベントから生成された信号をＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネント１３２Ｂからのポイントに対するＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネントに提供する。一部の他の具現において、プロセッサ１３２Ｂ４は、追加処理を行い、ポイントの距離および速度を直接示すポイント用ＦＭＣＷ ＬＩＤＡＲモノパルスデータを生成する。例えば、前記ポイントの距離および速度は、３Ｄポイントクラウドまたは距離−ドップラー映像であるＦＭＣＷ ＬＩＤＡＲモノパルスデータに直接示し得る。レーザー１３２Ｂ１からの光出力方向（例えば、方位角および／または仰角）が変わる多数のセンシングイベントに対する検出を通じて、ＦＭＣＷ ＬＩＤＡＲモノパルスデータは、環境内の複数のポイントそれぞれに対してＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネント１３２Ｂによって生成され、環境内の各ポイントに対して距離、速度および選択的に強度を示す。
前述した図２Ｂの説明は、ＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネントを説明するが、ＦＭＣＷではない位相コヒーレントＬＩＤＡＲモノパルスコンポーネントが同一および／または類似コンポーネントを有し得ることが注目される。しかし、非ＦＭＣＷ ＬＩＤＡＲコンポーネントが備えられた場合、信号生成器１３２Ｂ２は、レーザー１３２Ｂ１を駆動して非連続的であり、および／または周波数変調ではない技法を使用してエンコードされた波形を生成し得る。
図３を見ると、追加車両３００のヨー軸３７１、ピッチ軸３７２およびロール軸３７３に沿って例示的な追加車両３００が図示されている。追加車両３００のヨー軸３７１は、追加車両３００の車軸に垂直する。一部の状況で、ヨー軸３７１は、必要ではないが、追加車両３００の車軸と交差し得、ヨー軸３７１は、追加車両３００のヨー移動の原因および／または規模に応じて一定の状況でシフトし得る。ヨー軸３７１に対する追加車両３００の回転は、追加車両３００の旋回（Ｔｕｒｎｉｎｇ）、追加車両３００による追跡損失（例えば、水膜現象（Ｈｙｄｒｏｐｌａｎｉｎｇ））、他の客体に対する追加車両３００の衝撃のような様々な要因によるものであり得る。追加車両３００のヨー移動は、ヨー軸３７１に対する追加車両３００の回転であり、追加車両３００のヨーレートは、ヨー軸３７１に対する回転の角速度である。ヨーレートは、たびたび秒当たりラジアン（Ｒａｄｉａｎ）または秒当たり度（Ｄｅｇｒｅｅ）として測定される。
追加車両３００のロール軸３７３は、ヨー軸３７１と垂直し、追加車両３００に沿って前後（Ｆｒｏｎｔ−ｔｏ−Ｂａｃｋ）方式で拡張される。追加車両３００が動いている場合、追加車両３００は、ロール軸３７３に沿って絶対客体速度を有する。このような絶対客体速度は、また、ここに記述された具現で自律走行車の制御調整に考慮され得る。しかし、絶対客体速度は、追加車両３００のヨーレートと別物であることが知られている。例えば、追加車両３００は、移動する間に比較的高い絶対客体速度を有し得る一方、（例えば、比較的直線経路で移動し、追跡損失がない場合）０または最小のヨーレートを有する。追加車両３００のピッチ軸は、ヨー軸３７１およびロール軸３７３と垂直し、追加車両３００に沿って並んでいる（Ｓｉｄｅ−ｔｏ−Ｓｉｄｅ）方式で拡張される。
図４を見ると、追加車両の決定されたヨーパラメータに基づいて車両の自律走行制御を調整する具現を示したブロック図が提供される。図４は、車両制御システム１２０のザブシステム１５２、１５４、１５６、１５８およびこれらがどのように追加車両のヨーパラメータの決定で相互作用をするのか、および／または決定されたヨーパラメータに基づいて自律走行制御を調整するのかの例を図示する。
位置追跡ザブシステム１５２は、一般的に環境内で車両の位置追跡を担当する。位置追跡ザブシステム１５２は、例えば、周囲環境内の自律走行車１００のポーズ（一般的に位置、一部の例においては、方向）を決定し得る。位置追跡ザブシステム１５２は、ＦＭＣＷ ＬＩＤＡＲコンポーネント１３２からのＦＭＣＷ ＬＩＤＡＲデータ４９２および／またはカメラ１４０、ＲＡＤＡＲコンポーネント１３４、ＬＩＤＡＲコンポーネント１３６および／または図１の他のセンサ１３０（例えば、ＩＭＵ１４２（エンコーダー１４４））のような他のセンサからのデータを使用して自律走行車１００のポーズを決定し得る。位置追跡ザブシステム１５２によって決定されたポーズは、例えば、車両制御システム１２０によって使用されたマップについてのものであり得る。ポーズは、車両が全体環境を移動するとき、位置追跡ザブシステム１５２によって更新され得、ポーズは、ザブシステムによって使用されるように、１つ以上の他のザブシステム１５４、１５６および／または１５８に提供され得る（または、接近可能になる）。
認識ザブシステム１５４は、主に環境内の歩行者および追加車両のような動的客体を認知し、ＦＭＣＷ ＬＩＤＡＲデータ４９２および選択的に他のセンサ４９１（すなわち、カメラ１４０、ＲＡＤＡＲコンポーネント１３４）からのデータを使用して動的客体を識別および追跡することができる。追加車両の追跡において、認識ザブシステム１５４は、複数の繰り返しのそれぞれで、絶対客体速度および／またはヨーパラメータ（例えば、ヨーレート）のみならず、ポーズ（位置および／または場所）のような追加車両の様々な特性を決定し得る。
認識ザブシステム１５４は、ＦＭＣＷ ＬＩＤＡＲデータ４９２および／または他のセンサ４９１のデータを使用して様々な客体を検出（例えば、客体のポーズを決定）し、選択的に検出された客体を分類するのに使用する客体検出および分類モジュール１５４Ａを含み得る。例えば、客体検出および分類モジュール１５４Ａは、車両１００の環境内の追加車両、歩行者および／または他の動的客体を検出および分類するのにおいて、ＦＭＣＷ ＬＩＤＡＲデータ４９２および／または他のセンサ４９１のデータを処理し得る。多様な具現において、客体検出および分類モジュール１５４Ａは、様々な客体の検出および／または分類に１つ以上の学習された機械学習モデルを使用できる。例えば、学習された機械学習モデルは、ＦＭＣＷ ＬＩＤＡＲデータ（および／または他のデータ）処理に使用するように学習された神経回路網モデルを含んでデータに示された客体のポーズおよび選択的に前記客体の対応分類の表示を出力として生成する。例えば、前記出力は、データから検出された１つ以上の客体のそれぞれに対する境界ボックス（Ｂｏｕｎｄｉｎｇ Ｂｏｘｅｓ）、境界球（Ｂｏｕｎｄｉｎｇ Ｓｐｈｅｒｅｓ）、または、他の境界領域を選択的に各境界領域に対する対応分類とともに示し得る。
特別な例であって、ＦＭＣＷ ＬＩＤＡＲデータ４９２は、（３Ｄポイントクラウド内の３Ｄ座標による）対応距離、対応速度および選択的に対応強度を定義する３Ｄポイントクラウドを含み得る。客体検出および分類モジュール１５４Ａは、学習された機械学習モデルを使用してＦＭＣＷ ＬＩＤＡＲデータ４９２を処理して検出された客体を含む３Ｄポイントクラウドの一部にそれぞれ対応する１つ以上の境界ボックスを示す出力を生成する。一部の具現において、また前記出力は、各境界ボックスごとに、検出された客体が属する分類を示し得る。例えば、前記出力は、各境界ボックスごとに、検出された客体が追加車両、歩行者、動物などである各確率を示し得る。一部の他の具現において、学習された機械学習モデルは、追加車両のみを検出するように学習され得、境界形状に対する分類の明白な表示がなく、境界ボックスおよび／または境界形状を示す出力生成に使用できる。
一部の具現において、様々な客体に対する検出および／または分類で、客体検出および分類モジュール１５４Ａは、追加的または代替的に機械学習モデルを使用せず、ＦＭＣＷ ＬＩＤＡＲデータ４９２および／または他のセンサのデータを処理し得る。例えば、最近接隣りおよび／または他のクラスタリング技法が追加車両および／または他の客体に対応するようなデータ部分を決定するのに使用できる。
使用された技法とは無関係に、客体検出および分類モジュール１５４Ａは、追加車両４９３のポーズに対する表示を認識ザブシステム１５４のヨーモジュール１５４Ｂに提供し得る。前記ポーズは、車両制御システム１２０によって使用されたマップに関連するものであるか、および／またはＦＭＣＷ ＬＩＤＡＲデータ４９２に関連するものであり得る。ヨーモジュール１５４Ｂは、追加車両４９３の提供されたポーズを使用して前記ポーズに対応するＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループを決定する。また、ヨーモジュール１５４Ｂは、ＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループに基づいて追加車両４９４に対する１つ以上のヨーパラメータを決定する。
ヨーモジュール１５４Ｂは、ＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループの全部または一部によって示された大きさおよび選択的に方向に基づいて追加車両４９４に対するヨーパラメータを決定し得る。例えば、ヨーパラメータモジュール１５４Ｂは、少なくとも臨界速度勾配（Ｇｒａｄｉｅｎｔ）がＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループの少なくとも一部として示されるという判断に基づいてヨー移動（例えば、少なくともヨー移動の臨界角度）をしているのかの可否を示すヨーパラメータを決定し得る。例えば、ＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループが４ｍ／ｓの速度勾配（例えば、＋２ｍ／ｓないし−２ｍ／ｓ範囲の速度または＋９ｍ／ｓないし＋５ｍ／ｓ範囲の速度）を有する場合に、ヨーパラメータモジュール１５４Ｂは、４ｍ／ｓの速度勾配に基づいてヨー運動をしていると判断できる。一方、ＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループが０．１ｍ／ｓ未満の速度勾配を有する場合に、ヨーパラメータモジュール１５４Ｂは、低い速度勾配に基づいて車両がヨー運動をしないか、またはほとんどしないと判断できる。
また、例えば、ヨーパラメータモジュール１５４Ｂは、ＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループの多数セットに示された速度に基づいて追加車両に対するヨーパラメータを決定し得る。例えば、ヨーパラメータモジュール１５４Ｂは、ＦＭＣＷ ＬＩＤＡＲデータ４９２の第１セットの速度および空間的にオフセットされたＦＭＣＷ ＬＩＤＡＲデータ４９２の第２セットの速度比較に基づいて速度差を決定し得る。ヨーパラメータモジュール１５４Ｂは、速度差をヨーパラメータとして使用できるか、または速度差に基づいてヨーレートを決定し得る。一部の具現において、ヨーパラメータモジュール１５４Ｂは、速度差に基づき、第１セットおよび第２セットとの間の決定された距離に基づいてヨーレートを決定し得る。このような一部の具現において、ヨーパラメータモジュール１５４Ｂは、（選択的に定数が乗算された）距離で速度差を割ったことに基づいてヨーレートを決定し、ヨーレートを秒当たりラジアンに決定し得る。前記具現の一部の他のバージョンにおいて、ヨーパラメータモジュール１５４Ｂは、ヨーレートの範囲を決定し得る。例えば、下界（Ｌｏｗｅｒ Ｂｏｕｎｄ）ヨーレートは、速度差を距離で割ったことに基づくことができ、上界（Ｕｐｐｅｒ Ｂｏｕｎｄ）ヨーレートは、速度差を０．４および０．９との間の値、０．４および０．７５との間の値、または０．４および０．７との間の値のように、０と１の間の定数が乗算された距離で割ったことに基づくことができる。例えば、速度差が１ｍ／ｓであり、距離が１．５ｍであれば、下界ヨーレートは、秒当たり０．６７ラジアン（（１ｍ／ｓ）／（１．５ｍ））である一方、速度差が１ｍ／ｓであり、距離がより大きい４ｍであれば、下界ヨーレートは、秒当たり０．２５ラジアンであり得る。定数の値は、例えば、自車両に対する追加車両の角度のコサインに基づくことができる。例えば、ＦＭＣＷ ＬＩＤＡＲ受信機に対する追加車両の角度は、追加車両に対応し、ＦＭＣＷ ＬＩＤＡＲデータに示された１つ以上の角度に基づくことができる。
特別な例であって、第１セットは、単一データポイントであり得、第１セットの速度は、単一データポイントに対する速度であり得、第２セットは、別個の単一データポイントであり得、第２セットの速度は、別個の単一データポイントに対する速度であり得る。ヨーパラメータモジュール１５４Ｂは、第１および第２セットの速度の大きさの差（速度差）に基づいて、そして、第１および第２セットとの間の決定された距離に基づいてヨーレートを決定し得る。また、ヨーパラメータモジュール１５４Ｂは、（速度差が０でない場合）第１および第２セットの速度の大きさの比較に基づいてヨー移動の方向（そして、選択的に極端なヨー移動（例えば、追加車両の制御不能（Ｌｏｓｓ Ｏｆ Ｃｏｎｔｒｏｌ））の場合の方向）を決定し得る。
他の特別な例であって、ヨーパラメータモジュール１５４Ｂは、ＦＭＣＷ ＬＩＤＡＲデータの第１および第２セットの決定に基づいて追加車両に対するヨーレートを決定し得、このとき、第１および第２セットのそれぞれは、多数の対応データポイントを含む。また、ヨーパラメータモジュール１５４Ｂは、平均速度、または第１セットのデータポイントの速度の他の統計測定値（例えば、平均（Ｍｅａｎ））、第２セットのデータポイントの速度の統計測定値を決定し得、第１セットに対する速度の統計測定値および第２セットに対する速度の統計測定値の比較に基づくヨーレートを決定し得る。ヨーレート測定のため前記技法および他の技法についての追加説明がここで提供される。例えば、一部の技法についての追加説明が図５ないし図８の説明と関連して以下で提供される。
一部の具現において、ヨーパラメータモジュール１５４Ｂは、追加的または代替的にＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループの少なくとも一部に示された速度に基づいて、そして、追加車両に対する格納されたモデルに基づいて追加車両に対するヨーレートを決定し得る。追加車両に対する格納されたモデルは、追加車両の幾何特徴（Ｇｅｏｍｅｔｒｉｃ Ｆｅａｔｕｒｅｓ）を説明する。格納されたモデルは、例えば、追加車両の３次元（３Ｄ）モデルであり得る。ヨーパラメータモジュール１５４Ｂは、ＦＭＣＷ ＬＩＤＡＲデータ４９２のサブグループの少なくとも一部に示された速度を格納されたモデルの対応位置にマッピングし、前記速度と格納されたモデルの前記位置を使用して追加車両のヨーレートを決定する。例えば、ヨーパラメータモジュール１５４Ｂは、多数の速度を格納されたモデルに適用し、適用された速度を有する格納されたモデルのヨー軸に対するヨーレートを決定し得る。ヨーパラメータモジュール１５４Ｂは、例えば、適用された速度を有する格納されたモデルの移動を模擬実験する（Ｓｉｍｕｌａｔｅ）シミューレーターを使用してこれを決定し得る。
追加車両の格納されたモデルが使用された一部の具現において、ヨーパラメータモジュール１５４Ｂは、選択的にすべての追加車両に対する包括的な（Ｇｅｎｅｒｉｃ）格納されたモデルを使用できる。一部の他の具現において、ヨーパラメータモジュール１５４Ｂは、選択された格納されたモデルが追加車両をキャプチャしたセンサデータに最も近いに合致するという判断に基づいて、与えられた追加車両に対する格納されたモデルを複数の格納された候補モデルから選択できる。例えば、ヨーパラメータモジュール１５４Ｂは、 一サブグループのＦＭＣＷ ＬＩＤＡＲデータが他の格納されたモデルよりも選択されたモデルに最も近いに合致するという判断に基づいて格納されたモデルを選択できる。
一部の具現において、ヨーパラメータモジュール１５４Ｂは、追加的または代替的に学習された（Ｔｒａｉｎｅｄ）ヨー機械学習（ＭＬ）モデル１５４Ｂ１を使用して追加車両に対するヨーレートを決定し得る。例えば、ヨーパラメータモジュール１５４Ｂは、学習されたヨーＭＬモデル１５４Ｂ１を使用してＦＭＣＷ ＬＩＤＡＲデータ４９２のすべてまたは一部分を処理してヨーレートを示す出力を生成し得る。例えば、追加車両に対応すると判断されたＦＭＣＷ ＬＩＤＡＲデータ４９２の少なくとも１つのサブグループは、学習されたヨーＭＬモデル１５４Ｂ１を使用して処理されてヨーレートを示す出力を生成し得る。学習されたヨーＭＬモデル１５４Ｂ１は、例えば、図１２の方法１２００について以下で説明するように学習されることができる。
認識ザブシステム１５４は、追加車両４９４に対するヨーパラメータを計画ザブシステム１５６に提供する（または、計画ザブシステム１５６が使用できるようにする）。計画ザブシステム１５６は、主に一部の時間フレーム（例えば、数秒）の間、車両の軌跡を計画し、位置追跡ザブシステム１５２および認識ザブシステム１５４から入力を受信し得る。計画ザブシステム１５６は、追加車両４９４の提供されたヨーパラメータに基づいて車両の軌跡を調整できる。例えば、ヨーパラメータ４９４が追加車両が制御不能であることを示すしきい値を超過した追加車両に対する速度差および／またはヨーレートを示す場合、計画ザブシステム１５４は、追加車両を回避するように車両の軌跡を調整できる。また、例えば、ヨーパラメータ４９４がヨーレートおよびヨー方向を示す場合、計画ザブシステム１５４は、追加車両に対する１つ以上の候補軌跡の決定に追加車両４９４に対するヨーレートおよびヨー方向を使用でき、追加車両が候補軌跡のうち、１つを横断する場合（Ｔｒａｖｅｒｓｅ）、車両は、接触および／または追加車両の臨界距離の以内に入らないように車両の軌跡を調節できる。追加車両に対して決定されたヨーパラメータに基づいて車両の制御を調整する技法および他の技法についての追加説明がここで提供される。例えば、一部の技法についての追加説明が図９の説明と関連して以下で提供される。
次に、決定されたヨーパラメータを考慮して計画ザブシステム１５６によって生成された軌跡および／または他のデータが制御ザブシステム１５８に伝達され、ほしい軌跡を制御システム１１０内の様々な車両制御器１１２、１１４および／または１１６の制御に適した軌跡命令１９５に変換し、位置追跡データも制御ザブシステム１５８に提供されて制御ザブシステム１５８が適切な命令を下せるようにし、車両の位置が時間フレームに対して変化しながら、ほしい軌跡を具現させる。
図５ないし図８を見ると、図面は、それぞれ車両の例示的な環境を示し、前記環境は、追加車両３００を含む。また、図５ないし図８のそれぞれは、環境内の追加車両３００に対応できる一部のＦＭＣＷ ＬＩＤＡＲデータポインタの例を図示する。例えば、図５は、例示的なＦＭＣＷ ＬＩＤＡＲデータポイント５８２Ａ−Ｂ、５８３Ａ−Ｂ、５８４Ａ−Ｃ、および５８５Ａ−Ｃを図示する。データポイントは、例えば、３ＤポイントクラウドであるＦＭＣＷ ＬＩＤＡＲデータのインスタンス（Ｉｎｓｔａｎｃｅ）から出てきたものであり得、ここで、３Ｄポイントクラウドのポイントのそれぞれは、（３Ｄポイントクラウド内の位置を介して）対応距離を示し得、対応比／速度、および選択的に対応強度値を含み得る。追加ＦＭＣＷ ＬＩＤＡＲデータポイントは、追加環境客体に対応する追加ポイントだけではなく、車両３００に対応する追加ポイントを含むＦＭＣＷ ＬＩＤＡＲデータを備えることが理解される。しかし、簡単に一部のＦＭＣＷ ＬＩＤＡＲデータポイントだけが単純性のために図５ないし図８のそれぞれで説明される。また、車両３００は、（対応ＦＭＣＷ ＬＩＤＡＲデータポイントによって視覚的に確認できても）図５ないし図８に示されているが、ＦＭＣＷ ＬＩＤＡＲデータに提供されないことが理解される。しかし、車両３００は、参照目的として図５ないし図８のそれぞれに図示されている。また、図５ないし図８は、ＦＭＣＷ ＬＩＤＡＲデータポイントについて説明したが、追加的または代替的なＦＭＣＷ ＬＩＤＡＲデータのタイプがここでも説明したデータの前記タイプのように、追加車両のヨーパラメータの決定に使用できることが理解される。
図５において、境界ボックス５８１が追加車両３００の周囲に図示されている。境界ボックス５８１は、追加車両３００に対応できるＦＭＣＷ ＬＩＤＡＲデータのサブグループを示す。境界ボックス５８１は、例えば、ＦＭＣＷ ＬＩＤＡＲデータおよび／または他のデータの処理に基づいて図４の客体検出および分類モジュール１５４Ａによって決定され、車両および車両のポーズを決定し得る。例えば、客体検出および分類モジュール１５４Ａは、機械学習モデルを使用してＦＭＣＷ ＬＩＤＡＲデータを処理し、境界ボックス５８１に囲まれたＦＭＣＷ ＬＩＤＡＲデータポイントが車両に対応することを示す出力を生成する。境界ボックス５８１内に示されたものは、例示的なＦＭＣＷ ＬＩＤＡＲデータポイントである。すなわち、データポイント５８２Ａ−Ｂの第１セット５８２、データポイント５８３Ａ−Ｂの第２セット５８３、データポイント５８４Ａ−Ｃの第３セット５８４、およびデータポイント５８５Ａ−Ｃの第４セットをそれぞれ示す。
図４のヨーパラメータモジュール１５４Ｂは、第１セット５８２、第２セット５８３、第３セット５８４および／または第４セット５８５との間の比較に基づいて追加車両３００のヨーパラメータを決定し得る。例えば、ヨーパラメータモジュール１５４Ｂは、データポイント５８２Ａおよび５８２Ｂに示された速度に基づいて第１セット５８２に対する速度の統計測定値を決定し得る。例えば、データポイント５８２Ａが＋３．１ｍ／ｓの速度を示し、データポイント５８２Ｂが＋３．３ｍ／ｓの速度を示すと、ヨーパラメータモジュール１５４Ｂは、第１セット５８２に対する＋３．２ｍ／ｓの平均速度を決定し得る。また、ヨーパラメータモジュール１５４Ｂは、データポイント５８３Ａおよび５８３Ｂに示された速度に基づいて第２セット５８３に対する速度の統計測定値を決定し得る。例えば、データポイント５８３Ａが＋３．８ｍ／ｓの速度を示し、データポイント５８３Ｂが＋４．０ｍ／ｓの速度を示すと、ヨーパラメータモジュール１５４Ｂは、第２セット５８３に対する＋３．９ｍ／ｓの平均速度を決定し得る。次に、ヨーパラメータモジュール１５４Ｂは、第１セット５８２および第２セット５８３との間の速度差を決定し得る。例えば、第１セット５８２および第２セット５８３がそれぞれ＋３．１ｍ／ｓおよび＋３．９ｍ／ｓの平均速度を有する場合、速度差は、０．８ｍ／ｓであり得る。一部の具現において、０．８ｍ／ｓの速度差は、ヨーパラメータとして使用できる。また、ヨーパラメータモジュール１５４Ｂは、第１セット５８２および第２セット５８３の速度の大きさの比較に基づいてヨー移動の方向を決定し得る。例えば、第１セット５８２および第２セット５８３がそれぞれ＋３．１ｍ／ｓおよび＋３．９ｍ／ｓの平均速度を有する場合、ヨー動きの方向（ヨー方向）は、図５の矢印３７１Ａに表された方向であり得る。
一部の具現において、ヨーパラメータは、追加的または代替的に０．８ｍ／ｓの速度差に基づいて決定されたヨーレートを含み得る。例えば、少なくとも上界および下界ヨーレートは、０．８ｍ／ｓの速度差および第１セット５８２と第２セット５８３との間の空間オフセットに基づく距離５８８に基づいて決定され得る。距離５８８は、例えば、ポイント５８２Ａおよび５８２Ｂの平均距離およびポイント５８３Ａおよび５８３Ｂの平均距離との間の３Ｄ距離であり得る。一例として、距離５８８が４．５メートルであり、速度差が０．８ｍ／ｓであれば、下界ヨーレートは、秒当たり０．１８ラジアン（（０．８ｍ／ｓ）／（４．５ｍ））であり得、上界ヨーレートは、秒当たり０．３６ラジアン（（０．８ｍ／ｓ）／（４．５ｍ）（０．５））であり得る。
ヨーパラメータモジュール１５４Ｂは、追加的または代替的に第３セット５８４に対する速度の統計測定値、第４セット５８５に対する速度の統計測定値を決定し、第３セット５８４および第４セット５８５との間の速度差を決定し、そして、第３セット５８４および第４セット５８５との間の速度差に基づくヨーパラメータを決定し得る。例えば、ヨーパラメータは、第３セット５８４および第４セット５８５との間の速度差のみに基づくことができるか、または前記速度差および第１セット５８２および第２セット５８３との間の速度差の結合（例えば、平均）に基づくことができる。また、追加セットの間の追加速度差（図示していないセットおよび／または図示したセットの他の結合）が決定されてヨーパラメータの決定に使用できる。
図６において、境界ボックス６８１が追加車両３００周囲に図示されている。境界ボックス６８１は、追加車両３００に対応できるＦＭＣＷ ＬＩＤＡＲデータのサブグループを示す。境界ボックス６８１は、例えば、ＦＭＣＷ ＬＩＤＡＲデータおよび／または他のデータの処理に基づいて図４の客体検出および分類モジュール１５４Ａによって決定され、車両および車両のポーズを決定し得る。境界ボックス６８１内に示されたものは、例示的なＦＭＣＷ ＬＩＤＡＲデータポイント６８２Ａ−Ｈである。
図４のヨーパラメータモジュール１５４Ｂは、２つ以上のＦＭＣＷ ＬＩＤＡＲデータポイント６８２Ａ−Ｈの間の比較に基づいて追加車両３００のヨーパラメータを決定し得る。例えば、ヨーパラメータモジュール１５４Ｂは、データポイント６８２Ｅおよび６８２Ｈに示された速度の間の第１速度差に基づく第１ヨーレート（または、第１下界および上界ヨーレート）およびデータポイント６８２Ｅおよび６８２Ｈの間の決定された距離と、データポイント６８２Ｆおよび６８２Ｈに示された速度の間の第２速度差に基づく第２ヨーレート（または、第２下界および上界ヨーレート）およびデータポイント６８２Ｆおよび６８２Ｈの間の決定された距離と、データポイント６８２Ａおよび６８２Ｄに示された速度の間の第３速度差に基づく第３ヨーレート（または、第３下界および上界ヨーレート）およびデータポイント６８２Ａおよび６８２Ｄの間の決定された距離などを決定し得る。前記例に続いて、次にヨーパラメータモジュール１５４Ｂは、多数のヨーレートの結合（または、多数の下界ヨーレートの結合および多数の上界ヨーレートの結合）に基づいて全体ヨーレート（または、全体下界ヨーレートおよび全体上界ヨーレート）を決定し得る。また、ヨーパラメータモジュール１５４Ｂは、１つ以上のデータポイントペアの大きさの比較に基づいてヨー移動の方向も決定し得る。
図７において、追加車両３００は、図５および図６に示されたものとは異なる（ＦＭＣＷ ＬＩＤＡＲコンポーネントに関連する）ポーズに図示されている。すなわち、図７の追加車両３００は、ＦＭＣＷ ＬＩＤＡＲコンポーネントと垂直である。境界ボックス７８１が図７の追加車両３００の周囲に図示されて追加車両３００に対応できるＦＭＣＷ ＬＩＤＡＲデータのサブグループを示す。境界ボックス７８１内に示されたものは、例示的なＦＭＣＷ ＬＩＤＡＲデータポイント７８２Ａおよび７８２である。
追加車両３００は、図７で垂直であるため、データポイント７８２Ａおよび７８２Ｂは、追加車両３００がヨー移動を行っていない場合、０（または、ほぼ０）の速度を示すものである。一方、追加車両３００がヨー移動を行っている場合、データポイント７８２Ａおよび７８２Ｂは、０でない速度を示すものである。図４のヨーパラメータモジュール１５４Ｂは、データポイント７８２Ａおよび７８２Ｂの間の比較に基づいて追加車両３００のヨーパラメータを決定し得る。例えば、ヨーパラメータモジュール１５４Ｂは、データポイント７８２Ａおよび７８２Ｂに示された速度の間の第１速度差がしきい値を満足するという判断に基づいて追加車両３００がヨー移動を行っているのかの可否を判断できる。
図８において、境界ボックス８８１は、追加車両３００の周囲に図示されており、境界ボックス８８１は、追加車両３００に対応するただ２つのＦＭＣＷ ＬＩＤＡＲデータポイント８８２Ａおよび８８２Ｂを示す。図８において、追加車両３００は、ＦＭＣＷ ＬＩＤＡＲコンポーネントから遠く離れている。図８において、ＦＭＣＷ ＬＩＤＡＲデータポイント８８２Ａおよび８８２Ｂは、ＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネントによって生成されたＦＭＣＷ ＬＩＤＡＲモノパルスデータポイントであり得る。図８の例は、ＦＭＣＷ ＬＩＤＡＲモノパルスデータポイントが特に有用であり得る一例である。すなわち、ＦＭＣＷ ＬＩＤＡＲモノパルスコンポーネントの増加された角度の正確度によって２つのＦＭＣＷ ＬＩＤＡＲデータポイント８８２Ａおよび８８２Ｂが決定され得た一方、ＦＭＣＷ ＬＩＤＡＲ（非モノパルス（Ｎｏｎ−Ｍｏｎｏｐｕｌｓｅ）コンポーネント）では、１つだけが決定されるか、または１つも決定されないことがある。図８は、一例であるが、図５ないし図７のＦＭＣＷ ＬＩＤＡＲデータポイントもＦＭＣＷ ＬＩＤＡＲモノパルスデータポイントになることがあり、例えば、ここで開示された具現によってヨーレートの決定に使用できる追加車両３００に対するＦＭＣＷ ＬＩＤＡＲデータの角度の正確度を増加させるため、有利であり得る。このように増加されたＦＭＣＷ ＬＩＤＡＲデータの角度の正確度は、一部の具現でより正確なヨーレートの決定をもたらすことができる。
図４のヨーパラメータモジュール１５４Ｂは、ＦＭＣＷ ＬＩＤＡＲデータポイント８８２Ａおよび８８２Ｂとの間の比較に基づいて追加車両３００のヨーパラメータを決定し得る。例えば、ヨーパラメータモジュール１５４Ｂは、データポイント８８２Ａおよび８８２Ｂに示した速度の間の速度差およびデータポイント８８２Ａおよび８８２Ｂとの間の決定された距離に基づいてヨーレートを決定し得る。また、ヨーパラメータモジュール１５４Ｂは、データポイント８８２Ａおよび８８２Ｂに対する速度の大きさの比較に基づいてヨー移動の方向も決定し得る。
ここで記述された技法によって決定されたヨーパラメータは、自車両の制御調整に使用できる。このような調整の一例が図９について説明されており、前記図面は、どのように追加車両３００の候補軌跡が決定されたヨーパラメータに基づいて決定され得るか、またはどのように車両１００の自律走行の制御が追加車両３００の候補軌跡に基づいて調整されることができるのかを図示する。
図９において、車両１００は、車両１００のＦＭＣＷ ＬＩＤＡＲコンポーネントからＦＭＣＷ ＬＩＤＡＲデータを使用して与えられたインスタンスで追加車両３００のヨーレートを決定し得る。候補軌跡９９１は、与えられたヨーレートが０または０に近い場合、決定され得る候補軌跡を図示する。候補軌跡９９１は、（決定されたヨーレートが０または０に近いため）ヨーレートに基づく変更がなく、追加車両３００の決定された客体速度方向および大きさに基づいて決定され得る。
一方、候補軌跡９９２は、決定されたヨーレートが図９の鳥瞰図と関連して時計方向であるヨー方向に車両のヨー移動を示す場合、決定され得る候補軌跡を図示する。候補軌跡９９２は、決定された絶対速度方向および大きさ、そして、決定されたヨーレートの決定された大きさおよび方向の関数で決定され得る。多数のセンサデータ（例えば、ＦＭＣＷ ＬＩＤＡＲおよび／または他のデータ）インスタンスに対する追加車両の追跡のような絶対客体速度の決定に様々な技法が使用できる。ただ１つの候補軌跡９９２が図９に図示されているが、一部の具現で多数の候補軌跡が決定され得る。例えば、下界および上界ヨーレートがここで説明したとおり決定される場合、第１候補軌跡は、下界ヨーレートに基づいて決定され得、第２候補軌跡は、上界ヨーレートに基づいて決定され得る。第１および第２候補軌跡との間にある複数の軌跡（および選択的に第１および第２候補軌跡自体）は、追加車両３００の候補軌跡（例えば、候補軌跡の地域）として考慮され得る。
図９から分かるように、車両３００に対して候補軌跡９９１が決定される場合、（追加車両３００が候補軌跡９９１を横断する場合は、追加車両３００が車両１００の車線を過ぎるようになるとき）車両１００の制御を調整して追加車両３００を回避する必要がある。一方、候補軌跡９９２が代わりに決定される場合、車両の回避適応制御は、必要ないこともある。
図９は、与えられたインスタンスに対して決定されたヨーレートに基づいて与えられたインスタンスに対して決定され得る候補軌跡を示したものである。ヨーレートおよび候補軌跡は、複数の追加インスタンスのそれぞれで（例えば、更新されたヨーレートおよび候補軌跡が各制御サイクル（例えば、６０Ｈｚおよび／または他の速度））で生成され続けるものであり、これによって候補軌跡は、ヨーレートの変化を考慮して継続的に更新し得る。また、与えられたインスタンスで候補軌跡の生成時に、１つ以上の先行インスタンスから１つ以上の候補軌跡および／または１つ以上のヨーレートが与えられたインスタンスで候補軌跡を滑らかにし、例えば、誤って決定されたヨーレートに基づく（例えば、雑音があるデータに基づく）不必要な回避調節および／または簡単かつ間欠的なヨーレートの変更を防止するように考慮され得る。
図１０を見ると、ヨーパラメータを決定し、決定されたヨーパラメータに基づいて自律走行車を制御する例示的な方法１０００を示したフローチャートが提供される。便宜上、フローチャートの動作は、その動作を行うシステムを参照して記述される。前記システムは、図１の自律走行車１００の１つ以上のプロセッサのような様々なコンポーネントを含み得る。また、方法１０００の動作は、特別の手順によって図示されるが、これに限定されない。１つ以上の動作が記録、省略、または追加され得る。
１００２ブロックにおいて、システムは、車両のＦＭＣＷ ＬＩＤＡＲコンポーネントからＦＭＣＷ ＬＩＤＡＲデータを受信する。１００２ブロックの繰り返し時に受信されたＦＭＣＷ ＬＩＤＡＲデータは、ＦＭＣＷ ＬＩＤＡＲコンポーネントによって生成されたデータの処理されない（方法１０００を使用して処理されない）最も最近のインスタンスであり得る。データインスタンスは、センシングサイクル中にＦＭＣＷ ＬＩＤＡＲコンポーネントによって生成され得、システムによって、例えば、ストリームの一部として、データパケット、または共有メモリ接続を介して受信され得る。
１００４ブロックにおいて、システムは、ＦＭＣＷ ＬＩＤＡＲデータのサブグループが追加車両に対応すると決定する。１００４ブロックは、選択的にサブブロック１００４Ａを含み得、ここでシステムは、サブグループが学習された機械学習モデルを使用したＦＭＣＷ ＬＩＤＡＲデータおよび／または他のセンサデータの処理に基づく車両分類を有すると判断する。一部の具現において、サブブロック１００４Ａは、省略され得、システムは、機械学習モデルを使用せずに、サブグループが追加車両に対応すると判断できる。例えば、システムは、最近接隣り（Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒ）および／または他のクラスタリング技法を使用してＦＭＣＷ ＬＩＤＡＲデータのサブグループが追加車両に対応すると判断できる。
１００６ブロックにおいて、システムは、サブグループのＦＭＣＷ ＬＩＤＡＲデータに基づいて追加車両の１つ以上のヨーパラメータを決定する。システムは、サブグループのＦＭＣＷ ＬＩＤＡＲデータおよび追加車両に対応するサブグループのＦＭＣＷ ＬＩＤＡＲデータに基づいてヨーパラメータを決定する。
１００６ブロックは、選択的にサブブロック１００６Ａおよびサブブロック１００６Ｂを含み得る。１００６Ａサブブロックにおいて、システムは、サブグループの第１ＦＭＣＷ ＬＩＤＡＲデータセットおよびサブグループの第２ＦＭＣＷ ＬＩＤＡＲデータセットの比較に基づいてヨーパラメータを決定する。例えば、システムは、第１および第２セットとの間の速度差と第１および第２セットとの間の３Ｄ距離に基づいてヨーレートを決定し得る。システムは、第１および第２セットだけの比較に基づいて、または追加セットの追加比較にも基づいてヨーパラメータを決定し得る。
１００６Ｂサブブロックにおいて、システムは、学習されたヨー機械学習モデルを使用したサブグループのＦＭＣＷ ＬＩＤＡＲデータの処理に基づいてヨーパラメータを決定する。例えば、システムは、学習されたヨー機械学習モデルを使用してＦＭＣＷ ＬＩＤＡＲデータ４９２のすべてまたは一部分を処理してヨーレートを示す出力を生成し得る。学習されたヨー機械学習モデルは、例えば、図１２の方法１２００について以下で説明するように学習されることができる。
一部の具現において、システムは、１００６Ａサブブロックおよび１００６Ｂサブブロックのうち、１つだけを使用してヨーパラメータを決定する。他の具現において、システムは、１００６Ａサブブロックおよび１００６Ｂサブブロックの両方を使用してヨーパラメータを決定する。例えば、システムは、１００６Ａサブブロックに基づいて第１ヨーレートを、１００６Ｂサブブロックに基づいて第２ヨーレートを決定し、第１ヨーレートおよび第２ヨーレートの結合に基づいて最終ヨーレートを決定し得る。サブブロック１００６Ａおよび１００６Ｂが図１０に図示されているが、追加車両の格納された３Ｄモデルを使用してヨーパラメータを決定するサブブロックのような追加および／または代替的なサブブロックがブロック１００６に含まれ得る。
１００８ブロックにおいて、システムは、決定されたヨーパラメータに基づいて車両の自律走行制御を調節するかの可否を決定する。例えば、システムは、決定されたヨーパラメータの少なくとも一部に基づいて自律操向および／または加速／減速を選択的に調節できる。１００８ブロックは、選択的に、システムが決定されたヨーパラメータに基づいて追加車両の候補軌跡を決定し、前記候補軌跡に基づいて車両の自律走行制御を調節するかの可否を判断するサブブロック１００８Ａを含み得る。例えば、追加車両の候補軌跡および車両の現在の意図された軌跡が追加車両を示し、および／または追加車両が車両と追加車両との間の潜在的衝突を示す場合、システムは、車両の自律走行制御を調整できる。
１００８ブロックの後、システムは、１００２ブロックに戻り、新規ＦＭＣＷ ＬＩＤＡＲデータ（例えば、方法１０００を使用して処理されていない最も最近に生成されたデータ）を受信し、次に、ブロック１００２、１００４、１００６、１００８を繰り返しに行う。図８に連続して図示されたが、ブロック１００２、１００４、および／または１００６の次の繰り返しは、１つ以上の今後ブロックの以前の繰り返しと並列に（例えば、多数のプロセッサおよび／またはスレッド（Ｔｈｒｅａｄｓ）を介して）行われ得る。車両が方向を探索する（Ｎａｖｉｇａｔｉｎｇ）間に図１０のブロックの継続的な繰り返しを通じて、追加車両のヨーパラメータが継続して決定され、更新（追加車両が存在する場合）され得、車両の自律走行制御は、選択的にヨーパラメータに基づいて調整される。
図１１を見ると、ヨーパラメータを決定し、決定されたヨーパラメータに基づいて自律走行車を制御する他の例示的な方法１１００を示したフローチャートが提供される。便宜上、フローチャートの動作は、前記動作を行うシステムを参照して記述される。前記システムは、図１の自律走行車１００の１つ以上のプロセッサのような様々なコンポーネントを含み得る。また、方法１１００の動作は、特別の手順によって図示されるが、これに限定されない。１つ以上の動作が記録、省略、または追加され得る。
１１０２ブロックにおいて、システムは、車両のＦＭＣＷ ＬＩＤＡＲコンポーネントからＦＭＣＷ ＬＩＤＡＲデータを受信する。１つの非制限的な作業の例として、ＦＭＣＷ ＬＩＤＡＲデータは、距離−ドップラー映像であり得る。
１１０４ブロックにおいて、システムは、受信されたＦＭＣＷ ＬＩＤＡＲデータに基づいて追加車両のヨーパラメータを決定する。１１０４ブロックは、システムが学習されたヨー機械学習モデルを使用したサブグループのＦＭＣＷ ＬＩＤＡＲデータの処理に基づいてヨーパラメータを決定するサブブロック１００４Ａを選択的に含み得る。作業例を続けると、システムは、学習されたヨー機械学習モデルを使用して距離−ドップラー映像のすべてまたは一部を処理して距離−ドップラー映像からキャプチャされた追加車両の少なくともヨーレートを示す出力を生成し得る。例えば、システムは、距離−ドップラー映像の全体を処理し、距離−ドップラー映像内の追加車両の位置の表示とともに、追加車両のヨーレートを示す出力を生成し得る。また、例えば、システムは、単一追加車両に対応する距離−ドップラー映像の一部を処理し、前記単一追加車両のヨーレーターを示す出力を生成し得る。学習されたヨー機械学習モデルは、例えば、図１２の方法１２００について以下で説明するように学習されることができる。
１１０６ブロックにおいて、システムは、決定されたヨーパラメータに基づいて車両の自律走行制御を調整するかの可否を決定する。１１０６ブロックは、選択的に、システムが決定されたヨーパラメータに基づいて追加車両の候補軌跡を決定し、前記候補軌跡に基づいて車両の自律走行制御を調整するかの可否を判断するサブブロック１１０６Ａを含み得る。
１１０６ブロックの後、システムは、１１０２ブロックに戻り、新規ＦＭＣＷ ＬＩＤＡＲデータ（例えば、方法１１００を使用して処理されていない最も最近に生成されたデータ）を受信し、次に、ブロック１１０４、および１１０６を繰り返しに行う。図８に連続して図示されたが、ブロック１１０２、１１０４、および／または１１０６の次の繰り返しは、１つ以上の今後ブロックの以前の繰り返しと並列に（例えば、多数のプロセッサおよび／またはスレッドを介して）行われ得る。車両が方向を探索する間に図１１のブロックの継続的な繰り返しを通じて、追加車両のヨーパラメータが継続して決定され、更新（追加車両が存在する場合）され得、車両の自律走行制御は、選択的にヨーパラメータに基づいて調整される。
図１２を見ると、ＦＭＣＷ ＬＩＤＡＲデータに基づいてヨーレートの決定に使用できる機械学習の方法を学習する例示的な方法１２００を示したフローチャートが提供される。便宜上、フローチャートの動作は、前記動作を行うシステムを参照して記述される。前記システムは、１つ以上のコンピューティングデバイスのうち、１つ以上のプロセッサ、１つ以上のコンピューティングデバイスのうち、１つ以上のグラフィックス処理ユニットのような様々なコンポーネントを含み得る。また、方法１２００の動作は、特別の手順によって図示されるが、これに限定されない。１つ以上の動作が記録、省略、または追加され得る。
１２０２ブロックにおいて、システムは、それぞれ学習インスタンス入力および学習インスタンス出力を含む学習インスタンスを生成する。学習インスタンス入力は、ＦＭＣＷ ＬＩＤＡＲデータを含む。学習インスタンス出力は、学習インスタンス入力のＦＭＣＷ ＬＩＤＡＲデータに対応する追加車両に対するヨーレートの表示を含む。追加車両は、追加自律走行車および／または非自律走行車を含み得る。
特別な一例として、各学習インスタンスの学習インスタンス入力は、インスタンスのＦＭＣＷ ＬＩＤＡＲデータの全体を含み得る。例えば、各学習インスタンス入力は、当該の距離−ドップラー映像、（速度値および強度値を有する）当該の３Ｄポイントクラウド、または当該の時変中間周波数波形であり得る。このような特別な例において、各学習インスタンスの学習インスタンス出力は、例えば、存在する場合、それぞれ追加車両を含むＦＭＣＷ ＬＩＤＡＲデータの一部を示す境界ボックス（または、他の境界表示）および（存在する場合）境界ボックスのそれぞれに対するヨーレートおよびヨー方向を含み得る。例えば、追加車両をキャプチャできなかったＦＭＣＷ ＬＩＤＡＲデータの学習インスタンス入力を有する第１学習インスタンスの場合、学習インスタンス出力は、境界表示がないことを示し得る。また、例えば、単一追加車両をキャプチャしたＦＭＣＷ ＬＩＤＡＲデータの学習インスタンス入力を有する第２学習インスタンスの場合、学習インスタンス出力は、単一追加車両に対応するＦＭＣＷ ＬＩＤＡＲデータの当該部分を示す単一境界表示と前記境界表示に対するヨーレートおよびヨー方向を示し得る。また、例えば、多数の追加車両をキャプチャしたＦＭＣＷ ＬＩＤＡＲデータの学習インスタンス入力を有する第３学習インスタンスの場合、学習インスタンス出力は、多数の追加車両のうち、対応車両に該当するＦＭＣＷ ＬＩＤＡＲデータの当該部分をそれぞれ示す多数の境界表示と各境界表示に対する対応ヨーレートおよび対応ヨー方向を示し得る。
他の特別な例であって、各学習例の学習インスタンス入力は、インスタンスのＦＭＣＷ ＬＩＤＡＲデータのサブグループを含み得、ＦＭＣＷ ＬＩＤＡＲデータのサブグループは、当該サブグループが追加車両に対応するという判断に基づいて（例えば、個別学習された客体検出および分類機械学習モデルを使用してインスタンスのＦＭＣＷ ＬＩＤＡＲデータを処理したことに基づいて）選択され得る。追加車両に該当するＦＭＣＷ ＬＩＤＡＲデータのサブグループは、（例えば、インスタンスで追加車両の個別ポーズに基づいて）インスタンスごとに異なる場合があり、１つ以上の技法がそれぞれ同じディメンションを有する学習インスタンス入力の生成に使用できる。例えば、パディングデータが前記ディメンションよりも低いサブグループに追加され得る。また、例えば、ＦＭＣＷ ＬＩＤＡＲデータは、（前記ディメンションよりも低い場合）アップサンプリングされるか、または（前記ディメンションよりも低い場合）ダウンサンプリングされ得る。このような特別な例において、各学習インスタンスの学習インスタンス出力は、例えば、ヨーレートおよびヨー方向を含み得る。
学習インスタンスの学習インスタンス出力に対する追加車両のヨーレートは、学習インスタンスに対するＦＭＣＷ ＬＩＤＡＲデータのキャプチャ時刻に対応する時間でのヨーレートの決定に基づくことができる。一部の具現で、そして少なくとも一部の学習インスタンスの場合、ヨーレートは、追加車両の車両搭載型（Ｏｎ−Ｖｅｈｉｃｌｅ）ヨーレートセンサの出力に基づいて決定され得る。例えば、車両搭載型ヨーレートセンサの出力は、ＦＭＣＷ ＬＩＤＡＲデータと時間同期化でき、複数のＦＭＣＷ ＬＩＤＡＲデータのインスタンスそれぞれにヨーレートおよびヨー方向を割り当てるのに使用できる。この具現において、追加車両の車両搭載型ヨーレートセンサがヨー機械学習モデルの学習に使用された学習インスタンスの学習インスタンス出力の生成に使用できる。しかし、追加車両のヨーレートセンサのデータを使用しなくても、推論時間に学習されたヨー機械学習モデルを使用して追加車両のヨーレートの予測が生成され得る。例えば、推論時間に与えられたインスタンスでヨーレートの予測は、学習されたヨー機械学習モデルを使用して与えられたインスタンスに対するＦＭＣＷ ＬＩＤＡＲデータだけの処理に基づいて生成され得る。
多様な具現において、学習インスタンス出力生成に使用された追加車両の車両搭載型ヨーレートセンサの出力は、追加車両のＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）バス、またはヨーレートセンサのデータを含む追加車両の他の通信ネットワークからのデータモニタリングに基づいて決定され得る。一部の多様な具現において、追加車両が移動する間に、ラップトップ（Ｌａｐｔｏｐ）コンピューターまたは他のコンピューティングデバイスが追加車両に統合され得、追加車両の通信ネットワークに結合して通信ネットワークについて送信されたヨーレートセンサデータおよび／または他のデータを記録（Ｌｏｇ）できる。追加的または代替的な具現において、追加車両の車両搭載型ヨーレーターセンサは、追加車両のＣＡＮバスまたは他の必須通信ネットワークと通信しない独立型（Ｓｔａｎｄ−Ａｌｏｎｅ）センサであり得る。例えば、ヨーレートセンサおよび通信装置を含む装備パッケージが追加車両が移動する間に追加車両に統合され得、コンピューティングデバイスは、ヨーレートセンサと通信するように結合してセンサからのセンサデータを記録およびタイムスタンプすることができる。
様々な技法が追加車両の車両搭載型ヨーレートセンサの出力を（自律走行車の）ＦＭＣＷ ＬＩＤＡＲデータと時間同期化するのに使用でき、これにより与えられたヨーレートおよび与えられたヨー方向を当該のＦＭＣＷ ＬＩＤＡＲデータインスタンスに割り当てることができる。例えば、追加車両のヨーレートデータを記録した追加車両のコンピューティングデバイスは、コンピューティングデバイスの局部クロックを使用してヨーレートデータをタイムスタンプすることができる。同様に、自律走行車の局部クロックは、ＦＭＣＷ ＬＩＤＡＲデータをタイムスタンプすることができる。ヨーレートデータのタイムスタンプおよびＦＭＣＷ ＬＩＤＡＲデータのタイムスタンプは、ＦＭＣＷ ＬＩＤＡＲデータのインスタンスと当該のヨーレートデータをペアリングするのに使用できる。例えば、局部クロックは、データ収集以前の最近に同期化でき、タイムスタンプは、同期であると仮定される。また、例えば、局部クロックの間のデルタ（Ｄｅｌｔａ）が（データ収集前後に）決定され得、デルタは、ＦＭＣＷ ＬＩＤＡＲデータのどのタイムスタンプがヨーレートデータのどのタイムスタンプに対応するかの決定に使用できる。
一部の追加的または代替的な具現において、および少なくとも一部の学習インスタンスの場合、ヨーレートは、自動化されたヨーレートの決定技法に基づいて決定され得、前記技法は、追加車両をキャプチャした１つ以上の以前および／または今後ＦＭＣＷ ＬＩＤＡＲデータ（および／または他のセンサデータ）の分析に少なくとも部分的に基づいて与えられたインスタンスでヨーレートを決定する。この具現において、ＦＭＣＷ ＬＩＤＡＲデータの以前および／または今後のインスタンスがヨー機械学習モデルの学習に使用された学習インスタンスの学習インスタンス出力を生成するのに使用できる。しかし、推論時点での追加車両のヨーレートの予測は、与えられたインスタンスに対して学習されたヨー機械学習モデルおよび与えられたインスタンスに対するＦＭＣＷ ＬＩＤＡＲデータを使用し、そして、以前および／または今後のＦＭＣＷ ＬＩＤＡＲデータを使用しなくて生成され得る。例えば、推論時点での与えられたインスタンスでのヨーレートの予測は、与えられたインスタンスに対するＦＭＣＷ ＬＩＤＡＲデータの処理に基づいて学習されたヨー機械学習モデルを使用し、そして、今後のＦＭＣＷ ＬＩＤＡＲデータを処理しなくて（または選択的に今後ＦＭＣＷ ＬＩＤＡＲデータが生成および／または受信される前に）生成され得る
１２０４ブロックにおいて、システムは、１２０２ブロックから生成された学習インスタンスのうち、１つの学習インスタンスを選択する。
１２０６のブロックにおいて、システムは、機械学習モデルを使用してインスタンスの学習インスタンス入力の処理に基づいて予測を生成する。一部の具現において、機械学習モデルは、フィードフォワード（Ｆｅｅｄ−Ｆｏｒｗａｒｄ）神経回路網のような神経回路網モデルであり得る。例えば、機械学習モデルは、１つ以上のコンボリューション層を含むフィードフォワードコンボリューショナル（Ｆｅｅｄ−Ｆｏｒｗａｒｄ Ｃｏｎｖｏｌｕｔｉｏｎａｌ）神経回路網（ＣＮＮ）であり得る。
１２０８ブロックにおいて、システムは、予測を学習インスタンスの学習インスタンス出力と比較して損失（Ｌｏｓｓ）を生成する。例えば、予測と学習インスタンス出力との間の差に基づいて誤差（Ｅｒｒｏｒ）が決定され得、損失は、前記誤差の大きさに基づいて決定され得る。
１２１０ブロックにおいて、システムは、損失に基づいて機械学習モデルを更新する。例えば、システムは、損失に基づいて機械学習モデルの逆伝播（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を行い、機械学習モデルのパーセプトロン（Ｐｅｒｃｅｐｔｒｏｎ（ｓ））の加重値を更新し得る。
１２１２ブロックにおいて、システムは、追加学習を行うかどうかを決定する。システムが追加学習の実行を決定すると、システムは、１２０４、１２０６、１２０８、および１２１０ブロックの他の繰り返しを行う。一部の具現において、システムは、未処理学習インスタンスが残っている場合には、追加学習の実行を決定する。一部の具現において、システムは、１つ以上の追加的または代替的な基準（Ｃｒｉｔｅｒｉｏｎ）に基づいて追加学習を行うかどうかを決定する。例えば、システムは、学習エポック（Ｅｐｏｃｈｓ）の臨界回数だけ行われたかどうかに基づいて機械学習モデルを使用して生成された最近の予測が基準を満足するという判断および／または他の基準／基準に基づいて追加学習の可否を決定し得る。
１２１４ブロックにおいて、システムが追加学習を行わないことに決定すると、システムは、１２１４ブロックに進行する。１２１４ブロックにおいて、システムは、ＦＭＣＷ ＬＩＤＡＲデータに基づいて追加車両のヨーレートの決定に使用するように学習された機械学習モデルを提供する。例えば、システムは、図１０の方法１０００または図１１の方法１１００で使用する学習された機械学習モデルを提供し得る。
方法１２００は、予測および単一学習インスタンスの学習インスタンス出力に基づいて、損失を生成することについて説明したが、多様な具現において、損失が予測バッチ（Ｂａｔｃｈ）および学習インスタンスバッチの学習インスタンス出力に基づいて決定されるバッチ技法が使用できる。例えば、１２０８ブロックの各繰り返しの以前に１２０４および１２０６ブロックの多数の繰り返しが行われ得、１２０８ブロックの各繰り返しでシステムは、１２０４および１２０６ブロックの最も最近の繰り返しに基づいて損失を生成し得る。
ここで記述されたように、図１２の方法１２００の具現によって学習された機械学習モデルは、追加車両のヨーパラメータの決定に使用できる。追加に記述されたように、学習された機械学習モデルの一部の具現は、ＬＩＤＡＲデータ処理に使用でき、ＬＩＤＡＲデータ処理に基づいてＬＩＤＡＲデータによってキャプチャされた追加車両のヨーパラメータを直接または間接的に示す出力を生成するのに使用できる。前記具現の一部において、処理されたＬＩＤＡＲデータは、追加車両に対応するように決定されたＬＩＤＡＲデータのサブセットであり得る。例えば、追加学習された機械学習モデルは、追加車両に対応するＬＩＤＡＲデータの一部、および学習された機械学習モデルを使用して処理されたＬＩＤＡＲデータの一部の検出に使用できる。追加に記述されたように、学習された機械学習モデルの多様な具現は、ＬＩＤＡＲデータの処理に使用でき、ＬＩＤＡＲデータ処理に基づいて境界表示を示す出力の生成に使用でき、境界表示のそれぞれは、境界表示のそれぞれに対する対応ヨーレートおよび対応ヨー方向によって対応車両に該当するＦＭＣＷ ＬＩＤＡＲデータの一部を示す。したがって、このような多様な具現において、学習された機械学習モデルは、検出された追加車両のヨーパラメータの決定だけでなく、追加車両の検出も行うように学習され得る。
図１２の方法１２００は、ＦＭＣＷ ＬＩＤＡＲデータに基づいてヨーレートの決定に使用できる機械学習モデルの学習について記述している。しかし、多くの具現において、方法１２００は、ＦＭＣＷ ＬＩＤＡＲデータおよび／または他のセンサデータ（例えば、非ＦＭＣＷ−ＬＩＤＡＲデータ、カメラベースの映像、および／または他のビジョンセンサデータ）に基づいて追加車両の追加的および／または代替的なパラメータの決定に使用できる機械学習モデルを学習させるように調節できる。
このような調節の一例として、１２０１ステップの変異（Ｖａｒｉａｎｔ）において、システムは、位相コヒーレントＬＩＤＡＲデータ（ＦＭＣＷ ＬＩＤＡＲデータまたは他の位相コヒーレントＬＩＤＡＲデータ）を含む学習インスタンス入力をそれぞれ含み、学習インスタンス入力の位相コヒーレントＬＩＤＡＲデータに対応する追加車両に対する速度、加速度および／または進路（Ｈｅａｄｉｎｇ）の表示を含んだ学習インスタンス出力を含む学習インスタンスを生成し得る。追加車両は、追加自律走行車および／または非自律走行車を含み得る。学習インスタンス出力内の与えられた追加車両に対する速度、加速度および／または進路の表示は、追加車両の対応センサからの出力に基づくことであり得る。例えば、前記表示は、ＣＡＮバス、または追加車両の他の通信ネットワークからの対応データをモニタリングしたこと、および／またはＣＡＮバスおよび／または追加車両の他の必須通信ネットワークと通信しない追加車両の独立型センサをモニタリングしたことに基づいて決定され得る。様々な技法が（追加車両）の速度、加速度および／または進路を（自律走行車の）位相コヒーレントＬＩＤＡＲデータと時間同期化するのに使用され、与えられた速度、与えられた加速度および／または与えられた進路が当該の位相コヒーレントＬＩＤＡＲデータインスタンスに割り当てられるようにすることができる。
前記調整の特別な一例として、各学習インスタンスの学習インスタンス入力は、インスタンスの位相コヒーレントＬＩＤＡＲデータの全体を含み得る。例えば、各学習インスタンス入力は、当該の距離−ドップラー映像、（速度値および強度値を有する）当該の３Ｄポイントクラウドまたは当該の時変中間周波数波形であり得る。このような特別な例において、各学習インスタンスの学習インスタンス出力は、例えば、存在する場合は、それぞれ追加車両を含む位相コヒーレントＬＩＤＡＲデータの一部を示す境界ボックス（または、他の境界表示）および（存在する場合は）境界ボックスのそれぞれに対する速度、加速度および／または進路の表示を含み得る。
調整の他の特別な例であって、各学習例の学習インスタンス入力は、インスタンスの位相コヒーレントＬＩＤＡＲデータのサブグループを含み得、位相コヒーレントＬＩＤＡＲデータのサブグループは、前記サブグループが追加車両に対応するという判断に基づいて（例えば、個別学習された客体検出および分類機械学習モデルを使用してインスタンスの位相コヒーレントＬＩＤＡＲデータを処理することに基づいて）選択され得る。このような特別な例において、各学習インスタンスの学習インスタンス出力は、例えば、追加車両に対する速度、加速度および／または進路を含み得る。
したがって、ここで記述された多様な具現は、自律走行車のセンサデータに基づく学習インスタンス入力、追加車両のセンサデータに基づく学習インスタンス出力を含む学習インスタンスを生成し得、ここで追加車両は、自律走行車のセンサデータで少なくとも一部キャプチャされる。このような学習インスタンスに基づく機械学習モデルの学習は、機械学習モデルを使用して自律走行車からのセンサデータを処理し得るようにし、前記センサデータに対して少なくとも部分的にキャプチャされた追加車両の１つ以上の特性を予測できるようにする。前述の説明のように、このような学習インスタンスの生成が人の関与なしに（または、最小限に関与して）自動で行われることが理解され得る。例えば、学習インスタンスに対して指導（Ｓｕｐｅｒｖｉｓｅｄ）ラベルが追加車両のセンサデータに基づいて生成され得、人間検討者の必要性を排除（およびこのような人間のラベリング（Ｌａｂｅｌｉｎｇ）と連携した様々な計算リソースを排除）してこのような指導ラベリングを提供し、および／または人間が学習インスタンス入力の検討に基づいてラベルを生成できなくなる状況で自動化された指導ラベリングを可能にする。

Claims (24)

  1. 追加車両の決定されたヨーパラメータに基づいて自律制御車の自律走行制御を調整する方法において、
    車両の位相コヒーレント（Ｐｈａｓｅ Ｃｏｈｅｒｅｎｔ）ＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）コンポーネントから、前記位相コヒーレントＬＩＤＡＲコンポーネントのセンシングサイクルのＬＩＤＡＲデータポイントグループを受信し、前記グループのＬＩＤＡＲデータポイントのそれぞれは、環境内の対応ポイントについての対応距離および対応速度を示し、それぞれは、前記センシングサイクル中に前記位相コヒーレントＬＩＤＡＲコンポーネントの対応センシングイベントに基づいて生成されるステップと、
    前記グループの前記ＬＩＤＡＲデータポイントのうち、一サブグループが前記車両に追加された追加車両に対応すると判断するステップと、
    前記サブグループが前記追加車両に対応するという判断に基づいて、
    前記サブグループの複数の前記ＬＩＤＡＲデータポイントに基づいて前記追加車両のヨーパラメータを決定するステップと、
    前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップと、を含む方法。
  2. 前記グループの前記ＬＩＤＡＲデータポイントのうち、前記サブグループが前記追加車両に対応すると判断するステップは、
    学習された機械学習モデルを使用して前記グループの前記ＬＩＤＡＲデータポイントを処理するステップと、
    前記学習された機械学習モデルを使用して前記グループの前記ＬＩＤＡＲデータポイントを処理することに基づいて前記サブグループが車両分類を有することを示す出力を生成するステップと、
    前記サブグループが前記車両分類を有することを示す出力に基づいて前記サブグループが前記追加車両に対応すると判断するステップと、を含む請求項１に記載の方法。
  3. 前記サブグループの前記複数のＬＩＤＡＲデータポイントに基づいて前記追加車両の前記ヨーパラメータを決定するステップは、
    前記サブグループの前記複数のＬＩＤＡＲデータポイントのうち、１つ以上の第１セットを決定するステップと、
    前記サブグループの前記複数のＬＩＤＡＲデータポイントのうち、１つ以上の第２セットを前記第２セットが前記第１セットから空間的にオフセットされること（Ｓｐａｔｉａｌｌｙ Ｏｆｆｓｅｔ）に基づいて決定するステップと、
    前記第１セットと前記第２セットの比較に基づいて前記ヨーパラメータを決定するステップと、を含む請求項１に記載の方法。
  4. 前記第１セットおよび前記第２セットが相対的に互いに空間的にオフセットされているという判断は、前記第１セットおよび第２セットによって示した対応距離に少なくとも部分的に基づく請求項３に記載の方法。
  5. 前記第１セットおよび前記第２セットの比較に基づいて前記追加車両の前記ヨーパラメータを決定するステップは、
    前記第１セットの第１セット速度の大きさ（Ｖｅｌｏｃｉｔｙ Ｍａｇｎｉｔｕｄｅ）および前記第２セットの第２セット速度の大きさの比較に基づいて前記ヨーパラメータを決定するステップを含み、前記第１セット速度の大きさは、前記第１セットに対する対応速度に基づき、前記第２セット速度の大きさは、前記第２セットに対する対応速度に基づく請求項３に記載の方法。
  6. 前記追加車両の前記ヨーパラメータは、前記追加車両のヨーレートを含み、前記第１セットおよび前記第２セットの比較に基づいて前記追加車両の前記ヨーパラメータを決定するステップは、
    前記第１セットおよび前記第２セットとの間の前記空間オフセットに基づいて距離を決定するステップと、
    前記ヨーレートを
    前記第１セット速度の大きさおよび前記第２セット速度の大きさの比較および
    前記距離に基づいて決定するステップと、を含む請求項５に記載の方法。
  7. 前記第１セット速度の大きさおよび前記第２セット速度の大きさの前記比較および前記距離に基づいて前記ヨーレートを決定するステップは、
    前記第１セット速度の大きさおよび前記第２セット速度の大きさの前記比較に基づいて前記第１セット速度の大きさおよび前記第２セット速度の大きさとの間の速度差（Ｖｅｌｏｃｉｔｙ Ｄｉｆｆｅｒｅｎｔｉａｌ）を決定するステップと、
    前記速度差を前記距離に基づいて前記ヨーレートに変換するステップと、を含む請求項６に記載の方法。
  8. 前記追加車両の前記ヨーパラメータは、前記追加車両の下界（Ｌｏｗｅｒ Ｂｏｕｎｄ）ヨーレートを含み、前記第１セットおよび前記第２セットの比較に基づいて上界（Ｕｐｐｅｒ Ｂｏｕｎｄ）ヨーレートである前記追加車両の追加ヨーパラメータを決定するステップをさらに含む請求項５に記載の方法。
  9. 前記第１セットおよび前記第２セットとの間の前記空間オフセットに基づいて距離を決定するステップと、
    前記第１セット速度の大きさおよび前記第２セット速度の大きさの前記比較に基づいて前記第１セット速度の大きさおよび前記第２セット速度の大きさとの間の速度差（Ｖｅｌｏｃｉｔｙ Ｄｉｆｆｅｒｅｎｔｉａｌ）を決定するステップと、をさらに含み、
    前記下界ヨーレートを決定するステップは、
    前記速度差を前記距離で割るステップを含む請求項８に記載の方法。
  10. 前記上界ヨーレートを決定するステップは、
    前記速度差を前記距離に基づくが、前記距離に対して大きさが減少した値で割るステップを含む請求項９に記載の方法。
  11. 前記第１セットは、前記複数のＬＩＤＡＲデータポイントのうち、多数を含み、前記第１セット速度の大きさは、前記複数のＬＩＤＡＲデータポイントのうち、前記多数に対する前記対応速度に基づいて決定される請求項５に記載の方法。
  12. 前記第１セット速度の大きさは、前記複数のＬＩＤＡＲデータポイントのうち、前記多数に対する前記対応速度の平均に基づく請求項１１に記載の方法。
  13. 前記ヨーパラメータは、ヨーレートを含み、前記第１セットおよび前記第２セットの比較に基づいて前記追加車両の前記ヨーパラメータを決定するステップは、
    第１セット速度の大きさおよび第２セット速度の大きさの比較に基づいて速度差（Ｖｅｌｏｃｉｔｙ Ｄｉｆｆｅｒｅｎｔｉａｌ）を決定するステップを含み、前記第１セット速度の大きさは、前記第１セットに対する対応速度に基づき、前記第２セット速度の大きさは、前記第２セットに対する対応速度に基づくステップと、
    前記追加車両に対する格納されたモデルを識別するステップと、
    前記追加車両に対する前記格納されたモデルに基づいて前記速度差を前記ヨーレートに変換するステップと、を含む請求項３に記載の方法。
  14. 前記追加車両に対する前記格納されたモデルを識別するステップは、
    前記サブグループの前記ＬＩＤＡＲデータポイントに基づいて複数の格納された候補モデルから前記格納されたモデルを選択するステップを含む請求項１３に記載の方法。
  15. 前記ヨーパラメータは、ヨーレートおよびヨー方向を含み、前記サブグループの前記複数のＬＩＤＡＲデータポイントに基づいて前記追加車両の前記ヨーパラメータを決定するステップは、
    学習された機械学習モデルを使用して前記サブグループの前記複数のＬＩＤＡＲデータポイントを処理するステップと、
    前記処理された機械学習モデルを使用して前記グループの前記ＬＩＤＡＲデータポイントを処理するステップに基づいて前記ヨーレートおよび前記ヨー方向を示す出力を生成するステップと、
    前記出力に基づいて前記ヨーレートおよび前記ヨー方向を決定するステップと、を含む請求項１に記載の方法。
  16. 前記学習された機械学習モデルを使用して前記サブグループの前記ＬＩＤＡＲデータポイントを処理するステップは、前記学習された機械学習モデルを使用して前記サブグループの前記ＬＩＤＡＲデータポイントのすべてを処理するステップを含む請求項１５に記載の方法。
  17. 前記追加車両の前記ヨーパラメータは、ヨーレートを示す速度差（Ｖｅｌｏｃｉｔｙ Ｄｉｆｆｅｒｅｎｔｉａｌ）であり、前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップは、しきい値を超過する前記速度差に基づいて前記自律走行制御を調整するステップを含む請求項１に記載の方法、
  18. 前記追加車両の前記ヨーパラメータは、ヨーレートおよびヨー方向を含む請求項１に記載の方法。
  19. 前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップは、
    前記車両の速度および
    前記車両の方向のうち、少なくとも１つを変更するステップを含む請求項１に記載の方法。
  20. 前記ヨーパラメータは、ヨーレートであり、前記追加車両の前記決定されたヨーレートに基づいて前記車両の自律走行制御を調整するステップは、前記決定されたヨーレートがしきい値を満足するという判断に応答して行われる請求項１９に記載の方法。
  21. 前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップは、
    前記決定されたヨーパラメータに基づいて前記追加車両の少なくとも１つの候補軌跡を決定するステップと、
    前記少なくとも１つの候補軌跡に基づいて前記車両の自律走行制御を調整するステップと、を含む請求項１に記載の方法。
  22. 前記ＬＩＤＡＲコンポーネントは、ＬＩＤＡＲモノパルスコンポーネントであり、前記ＬＩＤＡＲコンポーネントの前記対応センシングイベントは、それぞれ前記ＬＩＤＡＲモノパルスコンポーネントの第１受信機での第１受信機センシングイベントおよび前記ＬＩＤＡＲモノパルスコンポーネントの第２受信機での第２受信機センシングイベントを含む請求項１に記載の方法。
  23. 追加車両の決定されたヨーレートに基づいて自律制御車の自律走行制御を調整する方法において、
    車両の位相コヒーレント（Ｐｈａｓｅ Ｃｏｈｅｒｅｎｔ）ＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）コンポーネントから前記車両の環境をキャプチャしたＬＩＤＡＲデータを受信するが、
    前記ＬＩＤＡＲデータは、前記車両の前記環境内の複数のポイントそれぞれに対して少なくとも１つの対応距離および少なくとも１つの対応速度を前記ＬＩＤＡＲコンポーネントの対応センシングイベントに基づいて示すステップと、
    前記ＬＩＤＡＲデータのサブグループが前記環境内の追加車両に対応すると決定し、前記追加車両は、前記車両に追加されたものであるステップと、
    前記追加車両のヨーレートを決定し、前記決定は、前記サブグループのＬＩＤＡＲデータに示した多数の対応速度に基づいて行われるステップと、
    前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行制御を調整するステップと、を含む方法。
  24. 自律走行車において、
    位相コヒーレント（Ｐｈａｓｅ Ｃｏｈｅｒｅｎｔ）ＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）コンポネントと、
    格納されたコンピューター命令を行って
    前記位相コヒーレントＬＩＤＡＲコンポーネントから前記車両の環境をキャプチャしたＬＩＤＡＲデータを受信するが、
    前記ＬＩＤＡＲデータは、前記車両の前記環境内の複数のポイントそれぞれに対して少なくとも１つの対応距離および少なくとも１つの対応速度を前記位相コヒーレントＬＩＤＡＲコンポーネントの対応センシングイベントに基づいて表示し、
    前記位相コヒーレントＬＩＤＡＲデータに示した前記多数の対応速度に基づいて前記車両の前記環境内の追加車両のヨーパラメータを決定し、
    前記追加車両の前記決定されたヨーパラメータに基づいて前記車両の自律走行の制御調整を行う１つ以上のプロセッサを含む自律走行車。
JP2020555890A 2018-04-11 2019-03-28 方法及び自律走行車両 Active JP7358384B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862655965P 2018-04-11 2018-04-11
US62/655,965 2018-04-11
US16/173,660 US10906536B2 (en) 2018-04-11 2018-10-29 Control of autonomous vehicle based on determined yaw parameter(s) of additional vehicle
US16/173,660 2018-10-29
PCT/US2019/024672 WO2019199474A1 (en) 2018-04-11 2019-03-28 Control of autonomous vehicle based on determined yaw parameter(s) of additional vehicle

Publications (3)

Publication Number Publication Date
JP2021521050A true JP2021521050A (ja) 2021-08-26
JPWO2019199474A5 JPWO2019199474A5 (ja) 2022-03-16
JP7358384B2 JP7358384B2 (ja) 2023-10-10

Family

ID=68160190

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020555890A Active JP7358384B2 (ja) 2018-04-11 2019-03-28 方法及び自律走行車両

Country Status (5)

Country Link
US (5) US10676085B2 (ja)
EP (1) EP3774477B1 (ja)
JP (1) JP7358384B2 (ja)
KR (2) KR102497330B1 (ja)
WO (2) WO2019199474A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230174505A (ko) * 2022-06-21 2023-12-28 (주)뉴빌리티 자율주행을 위한 횡방향 제어 장치 및 방법

Families Citing this family (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114296093A (zh) 2016-11-29 2022-04-08 布莱克莫尔传感器和分析有限责任公司 用于以点云数据集合对对象进行分类的方法和系统
US11624828B2 (en) 2016-11-30 2023-04-11 Blackmore Sensors & Analytics, Llc Method and system for adaptive scanning with optical ranging systems
CN113985427A (zh) 2016-11-30 2022-01-28 布莱克莫尔传感器和分析有限责任公司 对光学啁啾距离检测进行多普勒检测和校正的方法和系统
WO2018102188A1 (en) 2016-11-30 2018-06-07 Blackmore Sensors and Analytics Inc. Method and system for automatic real-time adaptive scanning with optical ranging systems
US10422880B2 (en) 2017-02-03 2019-09-24 Blackmore Sensors and Analytics Inc. Method and system for doppler detection and doppler correction of optical phase-encoded range detection
US10401495B2 (en) 2017-07-10 2019-09-03 Blackmore Sensors and Analytics Inc. Method and system for time separated quadrature detection of doppler effects in optical range measurements
US11307309B2 (en) * 2017-12-14 2022-04-19 COM-IoT Technologies Mobile LiDAR platforms for vehicle tracking
US11620419B2 (en) * 2018-01-24 2023-04-04 Toyota Research Institute, Inc. Systems and methods for identifying human-based perception techniques
US11550061B2 (en) 2018-04-11 2023-01-10 Aurora Operations, Inc. Control of autonomous vehicle based on environmental object classification determined using phase coherent LIDAR data
US10676085B2 (en) 2018-04-11 2020-06-09 Aurora Innovation, Inc. Training machine learning model based on training instances with: training instance input based on autonomous vehicle sensor data, and training instance output based on additional vehicle sensor data
WO2019209727A1 (en) * 2018-04-23 2019-10-31 Blackmore Sensors and Analytics Inc. Method and system for controlling autonomous vehicle using coherent range doppler optical sensors
US10839262B2 (en) * 2018-04-24 2020-11-17 Here Global B.V. Machine learning a feature detector using synthetic training data
JP6661695B2 (ja) * 2018-05-09 2020-03-11 三菱電機株式会社 移動体検出装置、車両制御システム、移動体検出方法および車両制御方法
US11354406B2 (en) * 2018-06-28 2022-06-07 Intel Corporation Physics-based approach for attack detection and localization in closed-loop controls for autonomous vehicles
USD922889S1 (en) * 2018-06-29 2021-06-22 Zoox, Inc. Sensor housing
US11726210B2 (en) 2018-08-05 2023-08-15 COM-IoT Technologies Individual identification and tracking via combined video and lidar systems
US11061406B2 (en) * 2018-10-22 2021-07-13 Waymo Llc Object action classification for autonomous vehicles
US11209821B2 (en) 2018-11-02 2021-12-28 Aurora Operations, Inc. Labeling autonomous vehicle data
US11403492B2 (en) 2018-11-02 2022-08-02 Aurora Operations, Inc. Generating labeled training instances for autonomous vehicles
US11256263B2 (en) 2018-11-02 2022-02-22 Aurora Operations, Inc. Generating targeted training instances for autonomous vehicles
US11086319B2 (en) 2018-11-02 2021-08-10 Aurora Operations, Inc. Generating testing instances for autonomous vehicles
US11829143B2 (en) 2018-11-02 2023-11-28 Aurora Operations, Inc. Labeling autonomous vehicle data
JP7208388B2 (ja) * 2018-11-13 2023-01-18 ブラックモア センサーズ アンド アナリティクス エルエルシー 位相エンコーディングｌｉｄａｒにおける内部反射減算のためのレーザー位相追跡方法およびシステム
US10831209B2 (en) * 2018-12-19 2020-11-10 Fca Us Llc Using a long-term recurrent convolutional network to plan a sequence of lateral controls in autonomous driving
US11822010B2 (en) 2019-01-04 2023-11-21 Blackmore Sensors & Analytics, Llc LIDAR system
JP2020148593A (ja) * 2019-03-13 2020-09-17 株式会社明電舎 自動操縦ロボットを制御する操作推論学習モデルの学習システム及び学習方法
CN109782015A (zh) * 2019-03-21 2019-05-21 同方威视技术股份有限公司 激光测速方法、控制装置和激光测速仪
US11016496B2 (en) * 2019-04-10 2021-05-25 Argo AI, LLC Transferring synthetic LiDAR system data to real world domain for autonomous vehicle training applications
KR20210050052A (ko) * 2019-10-25 2021-05-07 현대모비스 주식회사 자동차용 센서 통합 모듈
US11657290B2 (en) * 2019-10-28 2023-05-23 Robert Bosch Gmbh System and method with a robust deep generative model
US11531107B2 (en) 2019-11-19 2022-12-20 Volvo Car Corporation Long range LIDAR-based speed estimation
US10732261B1 (en) * 2019-12-31 2020-08-04 Aurora Innovation, Inc. Generating data using radar observation model based on machine learning
US10733463B1 (en) 2020-03-31 2020-08-04 Lyft, Inc. Systems and methods for augmenting perception data with supplemental information
US11906967B1 (en) * 2020-03-31 2024-02-20 Zoox, Inc. Determining yaw with learned motion model
US11782451B1 (en) * 2020-04-21 2023-10-10 Aurora Operations, Inc. Training machine learning model for controlling autonomous vehicle
US11919529B1 (en) 2020-04-21 2024-03-05 Aurora Operations, Inc. Evaluating autonomous vehicle control system
US11703599B2 (en) * 2020-05-15 2023-07-18 Baidu Usa Llc Partial point cloud-based pedestrians' velocity estimation method
KR102283237B1 (ko) * 2020-05-29 2021-07-29 서울대학교산학협력단 데이터 주도 기계학습 기반 차량 조향 특성 모델 실시간 규명 장치 및 방법
CA3181067A1 (en) 2020-06-05 2021-12-09 Gautam Narang Method and system for context-aware decision making of an autonomous agent
WO2021247081A1 (en) 2020-06-05 2021-12-09 Gatikai Inc. Method and system for data-driven and modular decision making and trajectory generation of an autonomous agent
JP2023528078A (ja) 2020-06-05 2023-07-03 ガティック エーアイ インコーポレイテッド 自律エージェントの不確実性推定に基づく決定論的軌道選択のための方法およびシステム
US11960290B2 (en) * 2020-07-28 2024-04-16 Uatc, Llc Systems and methods for end-to-end trajectory prediction using radar, LIDAR, and maps
US20220128995A1 (en) * 2020-10-22 2022-04-28 Waymo Llc Velocity estimation and object tracking for autonomous vehicle applications
US11841439B2 (en) * 2020-11-02 2023-12-12 Waymo Llc Point cloud segmentation using a coherent lidar for autonomous vehicle applications
GB2600695A (en) * 2020-11-03 2022-05-11 Daimler Ag A method for estimating an attribute of an entity for an autonomous control system such as an at least partially autonomous motor vehicle
US20220141804A1 (en) * 2020-11-04 2022-05-05 Huawei Technologies Co., Ltd. Waveform adaptation for integrated communications and sensing
WO2022104259A1 (en) * 2020-11-16 2022-05-19 Oculii Corp. System and method for radar-based localization and/or mapping
US11656629B1 (en) 2020-12-08 2023-05-23 Waymo Llc Detection of particulate matter in autonomous vehicle applications
JP7472784B2 (ja) * 2020-12-28 2024-04-23 トヨタ自動車株式会社 車両電子制御装置、車両電子制御方法及び車両制御プログラム
WO2022216885A1 (en) * 2021-04-07 2022-10-13 Ridecell, Inc. A systematic approach towards system identification based yaw rate estimation with low-cost imu+gps units
US11734909B2 (en) * 2021-05-04 2023-08-22 Ford Global Technologies, Llc Machine learning
US11760368B2 (en) * 2021-10-19 2023-09-19 Cyngn, Inc. System and method of same-loop adaptive simulation for autonomous driving

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016200443A (ja) * 2015-04-08 2016-12-01 トヨタ自動車株式会社 障害物検出装置
JP2017502315A (ja) * 2013-12-19 2017-01-19 ディーエスシージー ソルーションズ，インコーポレイテッド 単一レーザーｌｉｄａｒシステム
WO2017013750A1 (ja) * 2015-07-21 2017-01-26 日産自動車株式会社 運転計画装置、走行支援装置、運転計画方法
JP2017516110A (ja) * 2014-05-21 2017-06-15 ディーエスシージー ソルーションズ，インコーポレイテッド 物体をリアルタイムで追跡するためのデバイス、システム、および方法
WO2017158768A1 (ja) * 2016-03-16 2017-09-21 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム

Family Cites Families (89)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3477616A (en) * 1968-01-16 1969-11-11 Mainar Sa Ind Metering device
US3987297A (en) 1975-06-09 1976-10-19 United Technologies Corporation Monopulse optical receiver system
SE432224B (sv) * 1983-08-04 1984-03-26 Stig Holmgren Sekerhetsinrettning vid fordon
US7629899B2 (en) 1997-10-22 2009-12-08 Intelligent Technologies International, Inc. Vehicular communication arrangement and method
JP3651259B2 (ja) * 1998-05-01 2005-05-25 日産自動車株式会社 先行車追従制御装置
DE19851027C2 (de) * 1998-11-05 2000-09-21 Daimler Chrysler Ag Kopfstütze für Fahrzeugsitze
DE10148071A1 (de) 2001-09-28 2003-04-17 Ibeo Automobile Sensor Gmbh Verfahren zur Erkennung und Verfolgung von Objekten
DE10353348A1 (de) 2003-11-14 2005-06-02 Ibeo Automobile Sensor Gmbh Verfahren zur Verfolgung von Objekten
DE112006003044T5 (de) 2005-10-21 2008-10-23 Deere & Company, Moline Vielseitiges Robotersteuermodul
US8050863B2 (en) 2006-03-16 2011-11-01 Gray & Company, Inc. Navigation and control system for autonomous vehicles
US7744154B2 (en) * 2008-07-30 2010-06-29 Cosco Management, Inc. Energy-dissipation system
US8229663B2 (en) * 2009-02-03 2012-07-24 GM Global Technology Operations LLC Combined vehicle-to-vehicle communication and object detection sensing
JP2014514849A (ja) 2011-04-14 2014-06-19 ノキア シーメンス ネットワークス オサケユキチュア 単一キャリアセルアグリゲーションでの協調送信ＣｏＭＰ
DE102013100446B4 (de) * 2012-01-25 2020-01-09 Denso Corporation Spurhalte-Steuersystem
EP2637072B1 (en) * 2012-03-05 2017-10-11 Volvo Car Corporation Path following of a target vehicle
DE102012008391A1 (de) * 2012-04-26 2013-10-31 Trw Automotive Gmbh Fahrzeuginsassenschutzsystem
US8849557B1 (en) * 2012-11-15 2014-09-30 Google Inc. Leveraging of behavior of vehicles to detect likely presence of an emergency vehicle
US8849494B1 (en) 2013-03-15 2014-09-30 Google Inc. Data selection by an autonomous vehicle for trajectory modification
US9463725B2 (en) * 2013-04-03 2016-10-11 AISIN Technical Center of America, Inc. Comfort headrest
US8983705B2 (en) * 2013-04-30 2015-03-17 Google Inc. Methods and systems for detecting weather conditions including fog using vehicle onboard sensors
KR102142361B1 (ko) 2013-04-11 2020-08-07 웨이모 엘엘씨 차량 온보드 센서들을 사용하여 날씨 상태들을 검출하는 방법들 및 시스템들
US9523772B2 (en) 2013-06-14 2016-12-20 Microsoft Technology Licensing, Llc Object removal using lidar-based classification
KR101470221B1 (ko) * 2013-10-17 2014-12-05 현대자동차주식회사 현가 제어 장치 및 그 방법
EP3114574A4 (en) 2014-03-03 2018-03-07 Inrix, Inc. Traffic obstruction detection
US9834207B2 (en) * 2014-04-15 2017-12-05 GM Global Technology Operations LLC Method and system for detecting, tracking and estimating stationary roadside objects
US20160107552A1 (en) * 2014-09-02 2016-04-21 Olivia Wakeman Multi-function customizable cover
KR20160093465A (ko) 2015-01-29 2016-08-08 엘지전자 주식회사 차량용 레이더 장치, 차량 운전 보조 장치, 차량 및 차량용 레이더 장치의 동작 방법
WO2016164435A1 (en) 2015-04-07 2016-10-13 Oewaves, Inc. Compact lidar system
US9481277B1 (en) * 2015-09-23 2016-11-01 Ford Global Technologies, Llc Adjustable headrest
US9606539B1 (en) 2015-11-04 2017-03-28 Zoox, Inc. Autonomous vehicle fleet service and system
US9734455B2 (en) 2015-11-04 2017-08-15 Zoox, Inc. Automated extraction of semantic information to enhance incremental mapping modifications for robotic vehicles
US9632502B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Machine-learning systems and techniques to optimize teleoperation and/or planner decisions
US10220752B2 (en) * 2016-01-13 2019-03-05 Ford Global Technologies, Llc Adjustable headrest assembly with neck support feature
US9940834B1 (en) 2016-01-22 2018-04-10 State Farm Mutual Automobile Insurance Company Autonomous vehicle application
JP6480366B2 (ja) * 2016-03-14 2019-03-06 株式会社Ｓｏｋｅｎ 自動運転制御装置、自動運転制御方法、および運転情報出力方法
CN116659526A (zh) 2016-03-15 2023-08-29 康多尔收购第二分公司 用于提供车辆认知的系统和方法
EP3432285A4 (en) * 2016-03-16 2019-03-27 Panasonic Intellectual Property Management Co., Ltd. FAHRANALYSE DEVICE AND FAIR ANALYSIS SYSTEM
JPWO2017168586A1 (ja) * 2016-03-29 2019-03-07 パイオニア株式会社 算出装置、制御方法、プログラム及び記憶媒体
JP6500826B2 (ja) * 2016-04-08 2019-04-17 トヨタ自動車株式会社 乗員保護装置
US20200222010A1 (en) 2016-04-22 2020-07-16 Newton Howard System and method for deep mind analysis
US20180053102A1 (en) 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Individualized Adaptation of Driver Action Prediction Models
US20180188736A1 (en) 2016-08-16 2018-07-05 Faraday&Future Inc. System and method for vehicle localization assistance using sensor data
EP3285230B1 (en) * 2016-08-19 2021-04-07 Veoneer Sweden AB Enhanced object detection and motion estimation for a vehicle environment detection system
US10592805B2 (en) 2016-08-26 2020-03-17 Ford Global Technologies, Llc Physics modeling for radar and ultrasonic sensors
GB201616097D0 (en) 2016-09-21 2016-11-02 Univ Oxford Innovation Ltd Segmentation of path proposals
US10599150B2 (en) 2016-09-29 2020-03-24 The Charles Stark Kraper Laboratory, Inc. Autonomous vehicle: object-level fusion
US20180113210A1 (en) 2016-10-21 2018-04-26 Waymo Llc Mountable Radar System
US20180136332A1 (en) 2016-11-15 2018-05-17 Wheego Electric Cars, Inc. Method and system to annotate objects and determine distances to objects in an image
EP3563265B1 (en) 2016-12-30 2021-06-02 DeepMap Inc. High definition map updates
CN117310741A (zh) 2017-01-03 2023-12-29 应诺维思科技有限公司 用于检测和分类物体的激光雷达系统和方法
US10145945B2 (en) 2017-01-11 2018-12-04 Toyota Research Institute, Inc. Systems and methods for automatically calibrating a LIDAR using information from a secondary vehicle
US10409279B2 (en) 2017-01-31 2019-09-10 GM Global Technology Operations LLC Efficient situational awareness by event generation and episodic memory recall for autonomous driving systems
US10127814B2 (en) 2017-02-03 2018-11-13 Ford Global Technologies, Llc Advanced V2X event dissemination
JP6542824B2 (ja) * 2017-03-13 2019-07-10 ファナック株式会社 入力画像から検出した対象物の像の尤度を計算する画像処理装置および画像処理方法
US10252688B2 (en) * 2017-03-22 2019-04-09 Ford Global Technologies, Llc Monitoring a vehicle cabin
US10037613B1 (en) 2017-03-30 2018-07-31 Uber Technologies, Inc. Systems and methods to track vehicles proximate perceived by an autonomous vehicle
JP2018176792A (ja) * 2017-04-03 2018-11-15 本田技研工業株式会社 車両シート制御装置、車両シート制御方法、及びプログラム
EP3616387A1 (en) * 2017-04-24 2020-03-04 Carnegie Mellon University Virtual sensor system
US10262234B2 (en) 2017-04-24 2019-04-16 Baidu Usa Llc Automatically collecting training data for object recognition with 3D lidar and localization
US10007269B1 (en) 2017-06-23 2018-06-26 Uber Technologies, Inc. Collision-avoidance system for autonomous-capable vehicle
US11209825B2 (en) 2017-07-01 2021-12-28 International Business Machines Corporation Moving traffic obstacle detection and avoidance
US10416681B2 (en) 2017-07-12 2019-09-17 Mitsubishi Electric Research Laboratories, Inc. Barcode: global binary patterns for fast visual inference
US10558224B1 (en) 2017-08-10 2020-02-11 Zoox, Inc. Shared vehicle obstacle data
US10216189B1 (en) 2017-08-23 2019-02-26 Uber Technologies, Inc. Systems and methods for prioritizing object prediction for autonomous vehicles
US10503170B2 (en) 2017-08-28 2019-12-10 GM Global Technology Operations LLC Method and apparatus for monitoring an autonomous vehicle
WO2019079750A1 (en) 2017-10-19 2019-04-25 Gerard Dirk Smits METHODS AND SYSTEMS FOR NAVIGATING A VEHICLE EQUIPPED WITH A NEW MILITARY MARKER SYSTEM
EP3477616A1 (en) * 2017-10-27 2019-05-01 Sigra Technologies GmbH Method for controlling a vehicle using a machine learning system
JP7346401B2 (ja) 2017-11-10 2023-09-19 エヌビディア コーポレーション 安全で信頼できる自動運転車両のためのシステム及び方法
US11017550B2 (en) 2017-11-15 2021-05-25 Uatc, Llc End-to-end tracking of objects
US11232350B2 (en) 2017-11-29 2022-01-25 Honda Motor Co., Ltd. System and method for providing road user classification training using a vehicle communications network
US10338223B1 (en) 2017-12-13 2019-07-02 Luminar Technologies, Inc. Processing point clouds of vehicle sensors having variable scan line distributions using two-dimensional interpolation and distance thresholding
US10599929B2 (en) 2018-01-04 2020-03-24 Motionloft, Inc. Event monitoring with object detection systems
US11022971B2 (en) 2018-01-16 2021-06-01 Nio Usa, Inc. Event data recordation to identify and resolve anomalies associated with control of driverless vehicles
JP6819620B2 (ja) * 2018-01-23 2021-01-27 トヨタ自動車株式会社 車両用シート及び車両
US10915101B2 (en) 2018-02-02 2021-02-09 Uatc, Llc Context-dependent alertness monitor in an autonomous vehicle
US11386055B2 (en) 2018-02-23 2022-07-12 Toyota Research Institute, Inc. Adaptive storage of data captured by one or more vehicles
US11073618B2 (en) 2018-04-03 2021-07-27 GM Global Technology Operations LLC Optical amplifier in return path of coherent lidar system
US11550061B2 (en) 2018-04-11 2023-01-10 Aurora Operations, Inc. Control of autonomous vehicle based on environmental object classification determined using phase coherent LIDAR data
US10676085B2 (en) 2018-04-11 2020-06-09 Aurora Innovation, Inc. Training machine learning model based on training instances with: training instance input based on autonomous vehicle sensor data, and training instance output based on additional vehicle sensor data
US11164016B2 (en) 2018-05-17 2021-11-02 Uatc, Llc Object detection and property determination for autonomous vehicles
US10755575B2 (en) 2018-08-30 2020-08-25 Cisco Technology, Inc. Raw sensor data sharing for enhanced fleet-wide environmental awareness and safety
US11182986B2 (en) 2018-10-10 2021-11-23 Micron Technology, Inc. Real-time selection of data to collect in autonomous vehicle
US11163998B2 (en) 2018-10-22 2021-11-02 Woven Planet North America, Inc. Systems and methods for automated image labeling for images captured from vehicles
US10928826B2 (en) 2018-10-26 2021-02-23 Lyft, Inc. Sensor fusion by operations-control vehicle for commanding and controlling autonomous vehicles
US11829143B2 (en) 2018-11-02 2023-11-28 Aurora Operations, Inc. Labeling autonomous vehicle data
US11256263B2 (en) 2018-11-02 2022-02-22 Aurora Operations, Inc. Generating targeted training instances for autonomous vehicles
US11086319B2 (en) 2018-11-02 2021-08-10 Aurora Operations, Inc. Generating testing instances for autonomous vehicles
US11209821B2 (en) 2018-11-02 2021-12-28 Aurora Operations, Inc. Labeling autonomous vehicle data
US11403492B2 (en) 2018-11-02 2022-08-02 Aurora Operations, Inc. Generating labeled training instances for autonomous vehicles

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017502315A (ja) * 2013-12-19 2017-01-19 ディーエスシージー ソルーションズ，インコーポレイテッド 単一レーザーｌｉｄａｒシステム
JP2017516110A (ja) * 2014-05-21 2017-06-15 ディーエスシージー ソルーションズ，インコーポレイテッド 物体をリアルタイムで追跡するためのデバイス、システム、および方法
JP2016200443A (ja) * 2015-04-08 2016-12-01 トヨタ自動車株式会社 障害物検出装置
WO2017013750A1 (ja) * 2015-07-21 2017-01-26 日産自動車株式会社 運転計画装置、走行支援装置、運転計画方法
WO2017158768A1 (ja) * 2016-03-16 2017-09-21 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230174505A (ko) * 2022-06-21 2023-12-28 (주)뉴빌리티 자율주행을 위한 횡방향 제어 장치 및 방법
KR102647477B1 (ko) 2022-06-21 2024-03-14 (주)뉴빌리티 자율주행을 위한 횡방향 제어 장치 및 방법

Also Published As

Publication number Publication date
CN112313133A (zh) 2021-02-02
KR20220151039A (ko) 2022-11-11
US11358601B2 (en) 2022-06-14
US20190318206A1 (en) 2019-10-17
US10906536B2 (en) 2021-02-02
WO2019199475A3 (en) 2019-11-28
WO2019199475A2 (en) 2019-10-17
US20190315351A1 (en) 2019-10-17
KR102497330B1 (ko) 2023-02-07
KR102464758B1 (ko) 2022-11-08
EP3774477A1 (en) 2021-02-17
WO2019199474A1 (en) 2019-10-17
US20230271615A1 (en) 2023-08-31
EP3774477B1 (en) 2022-12-07
JP7358384B2 (ja) 2023-10-10
US11964663B2 (en) 2024-04-23
US10676085B2 (en) 2020-06-09
US20200391736A1 (en) 2020-12-17
KR20200138817A (ko) 2020-12-10
US20210146932A1 (en) 2021-05-20
US11654917B2 (en) 2023-05-23

Similar Documents

Publication Publication Date Title
JP7358384B2 (ja) 方法及び自律走行車両
KR102481638B1 (ko) 위상 코히어런트 라이다 데이터를 사용하여 결정된 환경 객체 분류에 기반한 자율주행 차량 제어
US10620634B2 (en) Vehicle interface for autonomous vehicle
US20220128995A1 (en) Velocity estimation and object tracking for autonomous vehicle applications
WO2022094430A1 (en) Point cloud segmentation using a coherent lidar for autonomous vehicle applications
Kelly A partial analysis of the high speed autonomous navigation problem
US11693110B2 (en) Systems and methods for radar false track mitigation with camera
WO2022051263A1 (en) Localization methods and architectures for an autonomous vehicle
US11531113B1 (en) System and methods for object detection and tracking using a lidar observation model
US11841441B2 (en) LIDAR system
CN112313133B (zh) 基于附加车辆的所确定的横摆参数控制自动驾驶车辆
US11859994B1 (en) Landmark-based localization methods and architectures for an autonomous vehicle
Barzaghi Sensors’ Architecture Definition for Energy Consumption Reduction in Urban Battery Electric Vehicles

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220308

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220308

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220308

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220621

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220803

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221101

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230201

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230307

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230502

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230703

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230731

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230829

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230927

R150 Certificate of patent or registration of utility model

Ref document number: 7358384

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S531 Written request for registration of change of domicile

Free format text: JAPANESE INTERMEDIATE CODE: R313531

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: R3D02