KR101975725B1 - 학습 기반 모델 예측 제어를 이용한 자율 주행 차량의 노면 마찰 결정 방법 및 시스템 - Google Patents

학습 기반 모델 예측 제어를 이용한 자율 주행 차량의 노면 마찰 결정 방법 및 시스템 Download PDF

Info

Publication number
KR101975725B1
KR101975725B1 KR1020187006433A KR20187006433A KR101975725B1 KR 101975725 B1 KR101975725 B1 KR 101975725B1 KR 1020187006433 A KR1020187006433 A KR 1020187006433A KR 20187006433 A KR20187006433 A KR 20187006433A KR 101975725 B1 KR101975725 B1 KR 101975725B1
Authority
KR
South Korea
Prior art keywords
road surface
cost
trip
friction
previous
Prior art date
Application number
KR1020187006433A
Other languages
English (en)
Other versions
KR20180116216A (ko
Inventor
치 루오
판 쭈
센 후
치 콩
시앙 유
?구앙 쭈
유창 판
웬리 양
구앙 양
Original Assignee
바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드
바이두 유에스에이 엘엘씨
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 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드, 바이두 유에스에이 엘엘씨 filed Critical 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드
Publication of KR20180116216A publication Critical patent/KR20180116216A/ko
Application granted granted Critical
Publication of KR101975725B1 publication Critical patent/KR101975725B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient
    • 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
    • B60W30/14—Adaptive cruise control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096877—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement
    • G08G1/096888—Systems involving transmission of navigation instructions to the vehicle where the input to the navigation device is provided by a suitable I/O arrangement where input information is obtained using learning systems, e.g. history databases
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0022—Gains, weighting coefficients or weighting functions
    • B60W2050/0024—Variable gains
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • B60W2050/0088—Adaptive recalibration
    • 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
    • B60W2520/10—Longitudinal 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/10—Accelerator pedal 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/12—Brake pedal 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle
    • B60W2550/148—
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/40—Coefficient of friction
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle for navigation systems
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions

Abstract

일 실시예에서, 계획 데이터는, 예를 들어, 계획 모듈로부터 수신되어 자율 주행 차량(ADV)을 출발 위치로부터 목적지 위치까지 주행한다. 이에 응답하여, 일련의 제어 명령이 계획 데이터에 기초하여 생성되며, 여기서 제어 명령들은 출발 위치로부터 목적지 위치까지 시간 상의 서로 다른 지점에서 적용된다. 비용 함수를 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 출발 위치에서 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용하여 비용이 계산된다. 이전 여행의 이전 종료 비용을 고려하고 비용 함수를 사용하여 현재 여행의 제1 노면 마찰이 추정되어 비용이 최소가 되도록 한다.

Description

학습 기반 모델 예측 제어를 이용한 자율 주행 차량의 노면 마찰 결정 방법 및 시스템
본 발명의 실시예들은 일반적으로 자율 주행 차량을 동작하는 것에 관한 것이다. 특히, 본 발명의 실시예는 자율 주행 차량에 대한 노면 마찰을 결정하는 것에 관한 것이다.
자율 모드(예를 들어, 운전자 없이)에서 작동하는 차량에서 탑승자, 특히 운전자는 일부 운전과 관련하여 담당하고 있는 사항들로부터 경감될 수 있다. 자율 모드에서 작동할 때, 차량은 온보드 센서를 사용하여 다양한 위치들로 내비게이트 할 수 있고, 그 결과 최소한의 인간과의 상호 작용으로 또는 일부의 경우 승객 없이 차량이 이동하는 것이 허용된다.
모션 계획 및 제어는 자율 주행에 있어서 중요한 동작들이다. 그러나 기존의 모션 계획 동작들은 주어진 경로를 완료하는 어려움을 다양한 유형의 차량에 대한 기능의 차이를 고려하지 않고 주로 경로의 곡률(curvature)과 속력으로부터 추정한다. 동일한 모션 계획 및 제어가 모든 유형의 차량에 적용되는데, 이는 일부 상황에서는 정확하고 부드럽지 않을 수 있다.
또한, 노면 마찰은 자율 주행에서 차량 경로 제어를 높이는 데 중요하다. 그러나 직접적인 측정 방법을 사용하여 노면 마찰을 결정하는 것은 어렵다.
본 개시의 실시예들은 자율 주행 차량을 작동시키기 위한 컴퓨터로 구현된 방법, 비일시적 기계 판독가능한 매체 및 데이터 처리 시스템을 제공한다.
본 개시의 일 실시예에 따르면, 자율 주행 차량을 운행하기 위한 컴퓨터로 구현된 방법은: 출발 위치로부터 목적지 위치까지 자율 주행 차량(ADV)을 주행시키기 위한 계획 데이터를 수신하는 단계; 상기 계획 데이터에 기초하여 일련의 제어 명령을 생성하는 단계 - 상기 제어 명령은 상기 출발 위치로부터 상기 목적지 위치까지 시간 상의 복수의 지점에서 적용됨 -; 비용 함수를 상기 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 상기 출발 위치에서 상기 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용하여 비용을 계산하는 단계; 및 상기 비용이 최소가 되도록, 상기 이전 여행의 이전 종료 비용을 고려하고 상기 비용 함수를 사용하여 상기 현재 여행의 제1 노면 마찰을 추정하는 단계를 포함한다.
본 개시의 다른 실시예에 따르면, 비일시적 기계 판독 가능 매체는 명령어들을 저장하고, 상기 명령어들은 프로세서에 의해 실행될 때 상기 프로세서로 하여금 동작들을 수행하게 하고, 상기 동작들은, 출발 위치로부터 목적지 위치까지 자율 주행 차량(ADV)을 주행시키기 위한 계획 데이터를 수신하는 것, 상기 계획 데이터에 기초하여 일련의 제어 명령을 생성하는 것 - 상기 제어 명령은 상기 출발 위치로부터 상기 목적지 위치까지 시간 상의 복수의 지점에서 적용됨 -, 비용 함수를 상기 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 상기 출발 위치에서 상기 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용하여 비용을 계산하는 것, 상기 비용이 최소가 되도록, 상기 이전 여행의 이전 종료 비용을 고려하고 상기 비용 함수를 사용하여 상기 현재 여행의 제1 노면 마찰을 추정하는 것을 포함한다.
본 개시의 또 다른 실시예에 따르면, 데이터 처리 시스템은 프로세서; 및 상기 프로세서에 결합되어 명령어들을 저장하는 메모리를 포함하고, 상기 명령어들은 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금 동작들을 수행하게 하며, 상기 동작들은, 출발 위치로부터 목적지 위치까지 자율 주행 차량(ADV)을 주행시키기 위한 계획 데이터를 수신하는 것, 상기 계획 데이터에 기초하여 일련의 제어 명령을 생성하는 것 - 상기 제어 명령은 상기 출발 위치로부터 상기 목적지 위치까지 시간 상의 복수의 지점에서 적용됨 -, 비용 함수를 상기 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 상기 출발 위치에서 상기 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용하여 비용을 계산하는 것, 상기 비용이 최소가 되도록, 상기 이전 여행의 이전 종료 비용을 고려하고 상기 비용 함수를 사용하여 상기 현재 여행의 제1 노면 마찰을 추정하는 것을 포함한다.
본 발명의 실시예들은 유사한 참조 번호가 유사한 요소들을 나타내는 첨부된 도면들의 도면들에서 예시로서 설명되고 이에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 네트워크 시스템을 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 자율 주행 차량의 일례를 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 자율 주행 차량과 함께 사용되는 인지 및 계획 시스템의 일례를 나타내는 블록도이다.
도 4는 본 발명의 일 실시예에 따른 모델 예측 제어기의 일례를 나타내는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 노면 마찰을 추정하는 프로세스를 나타내는 트랜잭션 다이어그램(transactional diagram)이다.
도 6은 본 발명의 일 실시예에 따른 노면 마찰을 추정하는 프로세스를 나타내는 흐름도이다.
도 7은 본 발명의 다른 일 실시예에 따른 노면 마찰을 추정하는 프로세스를 나타내는 흐름도이다.
도 8은 일 실시예에 따른 데이터 처리 시스템을 나타내는 블록도이다.
본 발명의 다양한 실시예들 및 양상들은 이하 세부 설명을 참조하여 설명되며, 첨부 도면들은 다양한 실시예들을 나타낸다. 아래의 설명 및 도면은 본 발명을 예시적으로 보여주며, 본 발명을 제한하는 것으로 해석되어서는 안 된다. 다수의 구체적인 세부 사항들이 본 발명의 다양한 실시예들의 완전한 이해를 제공하기 위해 설명된다. 그러나, 어떤 경우에는, 본 발명의 실시예들에 대한 간결한 설명을 제공하기 위해 잘 알려진 또는 종래의 세부 사항은 설명되지 않는다.
명세서에서의 “일 실시예” 또는 “실시예”에 대한 참조는, 실시예와 관련하여 설명된 특정 특징, 구조 또는 특성이 본 발명의 적어도 하나의 실시예에 포함될 수 있다는 것을 의미한다. 명세서의 다양한 곳에서 기재된 “일 실시예에서”라는 문구는 모두 반드시 동일한 실시예를 지칭하는 것은 아니다.
일상적인 통근에서 운전자는 보통 집과 직장과 같은 고정된 두 위치 사이를 정기적으로 이동한다. 따라서, 그들은 대략 동일한 출발 위치와 목적지 위치이다. 일부 실시예에 따르면, 학습 기반 모델 예측 제어(MPC) 메커니즘은 자율 주행의 제어 알고리즘을 최적화하기 위해 노면 마찰과 같은 알려지지 않은 파라미터를 학습하고 적응적으로 업데이트하도록 활용된다. 출발 위치에서 목적지 위치까지의 각 여행에 대해, 노면 마찰은 출발 위치와 목적지 위치 사이의 경로를 따라 시간 상의 서로 다른 지점에서 발행된 제어 명령(예를 들어, 스로틀, 브레이크, 스티어링 명령)에 응답하는 차량 반응(예를 들어, 위치, 속력, 방향)에 기초하여 추정된다.
현재 여행의 노면 마찰은 MPC 방법을 사용하여 동일한 출발 위치에서 목적지 위치까지의 이전 여행 중에 추정된 노면 마찰에 기초하여 추정된다. 각 여행에 대한 비용은 현재 여행과 마지막 여행의 노면 마찰 사이의 차이에 기초하여 비용 함수를 사용하여 계산된다. 마지막 두 번의 여행의 비용 차이가 소정의 임계값 아래로 떨어질 때까지 노면 마찰은 출발 위치에서 목적지 위치까지의 각 여행에 대해 반복적으로 추정된다. 이 시점에서, 마지막으로 추정된 노면 마찰이 앞으로의 출발 위치와 목적지 위치 사이의 도로에 대한 최종 노면 마찰로 지정된다. 노면 마찰은 출발 위치로부터 목적지 위치까지 자율 주행 차량을 주행하기 위한 목적으로 후속 제어 명령을 결정 또는 조정하는데 활용될 수 있다.
일 실시예에서, 계획 데이터는, 예를 들어, 계획 모듈로부터 수신되어 자율 주행 차량(ADV)을 출발 위치로부터 목적지 위치까지 주행한다. 이에 응답하여, 일련의 제어 명령이 계획 데이터에 기초하여 생성되며, 여기서 제어 명령들은 출발 위치로부터 목적지 위치까지 시간 상의 서로 다른 지점에서 적용된다. 비용 함수를 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 출발 위치에서 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용하여 비용이 계산된다. 이전 여행의 종료 비용을 고려하고 비용 함수를 사용하여 현재 여행의 제1 노면 마찰이 추정되어 비용이 최소가 되도록 한다. 종료 비용은 이전 여행의 목적지에서 계산된 비용이다.
도 1은 본 발명의 일 실시예에 따른 자율 주행 차량 네트워크 구성을 나타내는 블록도이다. 도 1을 참조하면, 네트워크 구성(100)은, 네트워크(102) 상에서 하나 이상의 서버(103-104)와 통신 가능하게 결합될 수 있는 자율 주행 차량(101)을 포함한다. 하나의 자율 주행 차량이 도시되어 있지만, 다수의 자율 주행 차량이 서로 결합될 수 있고/있거나 네트워크(102)를 통해 서버들(103-104)에 결합될 수 있다. 네트워크(102)는 근거리 통신망(LAN), 인터넷과 같은 광역 네트워크(WAN), 셀룰러 네트워크, 위성 네트워크 또는 이들의 조합과 같은 유선 또는 무선의 임의의 유형의 네트워크일 수 있다. 서버(들) (103-104)는 웹 또는 클라우드 서버, 애플리케이션 서버, 백엔드 서버 또는 이들의 조합과 같은 임의의 종류의 서버 또는 서버 클러스터일 수 있다. 서버(103-104)는 데이터 분석 서버, 콘텐츠 서버, 교통 정보 서버, 지도 및 관심 지점(MPOI: map and point of interest) 서버 또는 위치 서버 등일 수 있다.
자율 주행 차량은, 자율 주행 모드에서 운전자로부터의 입력이 거의 또는 전혀 없이 차량이 주변 환경 사이로 내비게이트 할 수 있도록 구성될 수 있는 차량을 지칭한다. 이러한 자율 주행 자량은 차량이 운행되는 환경에 관한 정보를 검출하도록 구성된 하나 이상의 센서를 갖는 센서 시스템을 포함할 수 있다. 차량 및 관련 제어기(들)는 검출된 정보를 이용하여 주변 환경 사이로 내비게이트 한다. 자율 주행 차량(101)은 수동 모드, 완전 자율 주행 모드 또는 부분 자율 주행 모드로 운행될 수 있다.
일 실시예에서, 자율 주행 차량(101)은 인지 및 계획 시스템(110), 차량 제어 시스템(111), 무선 통신 시스템(112), 사용자 인터페이스 시스템(113), 인포테인먼트 시스템(114) 및 센서 시스템(115)을 포함하지만, 이에 한정되지 않는다. 자율 주행 차량(101)은, 예를 들어, 가속 신호 또는 명령, 감속 신호 또는 명령, 조향 신호 또는 명령, 제동 신호 또는 명령 등과 같은 다양한 통신 신호 및/또는 명령을 사용하여, 차량 제어 시스템(111) 및/또는 인지 및 계획 시스템(110)에 의해 제어될 수 있는, 엔진, 차륜(wheel), 스티어링 휠, 변속기 등과 같은, 일반 차량에 포함되는 특정 공통 구성 요소를 더 포함할 수 있다.
구성요소(110-115)는 인터커넥트(interconnect), 버스, 네트워크 또는 이들의 조합을 통해 서로 통신 가능하게 결합될 수 있다. 예를 들어, 구성요소(110-115)는, 제어기 영역 네트워크(CAN) 버스를 통해 서로 통신 가능하게 결합될 수 있다. CAN 버스는, 호스트 컴퓨터가 없는 어플리케이션들에서 마이크로 컨트롤러들과 장치들이 서로 통신할 수 있도록 설계된 차량 버스 표준이다. 그것은 메시지 기반 프로토콜로서, 원래는 자동차 내의 멀티플렉스(multiplex) 전기 배선을 위해 설계되었지만, 다른 많은 상황에서도 사용된다.
이제 도 2를 참조하면, 일 실시예에서, 센서 시스템(115)은, 하나 이상의 카메라(211), GPS(global positioning system) 유닛(212), 관성 측정 유닛(IMU)(213), 레이더 유닛(214) 및 광 검출 및 측정(LIDAR) 유닛(215)을 포함하지만, 이에 한정되지 않는다. GPS 시스템(212)은 자율 주행 차량의 위치에 관한 정보를 제공하도록 동작 가능한 송수신기를 포함할 수 있다. IMU 유닛(213)은, 관성 가속도에 기초하여 자율 주행 차량의 위치 및 방향 변화를 감지할 수 있다. 레이더 유닛(214)은, 무선 신호를 활용하여 자율 주행 차량의 로컬 환경 내의 물체들을 감지하는 시스템을 나타낼 수 있다. 일부 실시예들에서, 물체를 감지하는 것 외에, 레이더 유닛(214)은 물체의 속력 및/또는 진행 방향(heading)을 추가로 감지할 수 있다. LIDAR 유닛(215)은, 레이저를 사용하여 자율 주행 차량이 위치한 환경 내의 물체들을 감지할 수 있다. LIDAR 유닛(215)은, 다른 시스템 구성 요소들 중에서, 하나 이상의 레이저 소스, 레이저 스캐너 및 하나 이상의 검출기를 포함할 수 있다. 카메라(211)는 자율 주행 차량을 둘러싸는 환경의 이미지를 캡쳐하기 위한 하나 이상의 장치를 포함할 수 있다. 카메라(211)는 정지 화상 카메라 및/또는 비디오 카메라일 수 있다. 카메라는, 예를 들어, 카메라를 회전 및/또는 틸팅 플랫폼에 장착함으로써, 기계적으로 이동 가능할 수 있다.
센서 시스템(115)은, 소나 센서, 적외선 센서, 스티어링(조향) 센서, 스로틀 센서, 제동 센서 및 오디오 센서(예를 들어, 마이크로폰)와 같은 다른 센서들을 더 포함 할 수 있다. 오디오 센서는 자율 주행 차량을 둘러싸는 환경에서 소리(sound)를 캡쳐하도록 구성될 수 있다. 스티어링 센서는, 스티어링 휠, 차량의 차륜 또는 이들의 조합의 스티어링 각도를 감지하도록 구성될 수 있다. 스로틀 센서 및 제동 센서는, 차량의 스로틀 위치 및 제동 위치를 각각 감지한다. 일부 상황에서는, 스로틀 센서와 제동 센서가 통합 스로틀/제동 센서로 통합될 수 있다.
일 실시예에서, 차량 제어 시스템(111)은, 스티어링 유닛(201), 스로틀 유닛(202)(가속 유닛으로도 지칭됨) 및 제동 유닛(203)을 포함하지만, 이에 한정되지 않는다. 스티어링 유닛(201)은, 차량의 방향 또는 진행 방향을 조정하기 위한 것이다. 스로틀 유닛(202)은 모터 또는 엔진의 속력을 제어하여 차량의 속력 및 가속을 차례로 제어하기 위한 것이다. 제동 유닛(203)은 차량의 차륜 또는 타이어를 감속시키도록 마찰을 제공함으로써 차량을 감속시키기 위한 것이다. 도 2에 도시된 구성 요소들은, 하드웨어, 소프트웨어 또는 이들의 조합으로 구현될 수 있다.
도 1을 다시 참조하면, 무선 통신 시스템(112)은, 자율 주행 차량(101)과, 장치들, 센서들, 다른 차량들 등과 같은 외부 시스템들 간의 통신을 가능하게 한다. 예를 들어, 무선 통신 시스템(112)은, 하나 이상의 장치들과 직접 또는 네트워크(102) 상의 서버들(103-104)과 같은 통신 네트워크를 통해 무선 통신할 수 있다. 무선 통신 시스템(112)은, 임의의 셀룰러 통신 네트워크 또는 무선 근거리 네트워크(WLAN)를 사용할 수 있으며, 예를 들어, 다른 구성 요소 또는 시스템과 통신하기 위해 WiFi를 사용할 수 있다. 무선 통신 시스템(112)은, 예를 들어, 적외선 링크, 블루투스 등을 사용하여, 장치(예를 들어, 승객의 모바일 장치, 디스플레이 장치, 차량(101) 내의 스피커)와 직접 통신할 수 있다. 사용자 인터페이스 시스템(113)은, 예를 들어, 키보드, 터치 스크린 디스플레이 장치, 마이크로폰 및 스피커 등을 포함하는 차량(101) 내에 구현되는 주변 장치들의 일부일 수 있다.
자율 주행 차량(101)의 일부 또는 모든 기능은, 특히 자율 주행 모드에서 운행될 때, 인지 및 계획 시스템(110)에 의해 제어되거나 관리될 수 있다. 인지 및 계획 시스템(110)은, 센서 시스템(115), 제어 시스템(111), 무선 통신 시스템(112) 및/또는 사용자 인터페이스 시스템(113)으로부터 정보를 수신하고, 수신된 정보를 처리하고, 출발점에서 목적지점까지의 루트(route) 또는 경로를 계획한 다음, 계획 및 제어 정보에 기초하여 차량(101)을 주행하기 위해, 필요한 하드웨어(예를 들어, 프로세서(들), 메모리, 저장 장치) 및 소프트웨어(예를 들어, 운영 체계, 계획 및 라우팅(routing) 프로그램)을 포함한다. 대안적으로, 인지 및 계획 시스템(110)은 차량 제어 시스템(111)과 통합될 수 있다.
예를 들어, 승객인 사용자는, 예를 들어, 사용자 인터페이스를 통해 여행의 출발 위치 및 목적지를 지정할 수 있다. 인지 및 계획 시스템(110)은 여행 관련 데이터를 획득한다. 예를 들어, 인지 및 계획 시스템(110)은 서버들(103-104)의 일부일 수 있는 MPOI 서버로부터 위치 및 루트 정보를 획득할 수 있다. 위치 서버는 위치 서비스를 제공하고, MPOI 서버는 지도 서비스와 특정 위치들의 POI들을 제공한다. 대안적으로, 이러한 위치 및 MPOI 정보는 인지 및 계획 시스템(110)의 영구 저장 장치에 국부적으로 캐시될 수 있다.
자율 주행 차량(101)이 루트를 따라 이동하는 동안, 인지 및 계획 시스템(110)은 교통 정보 시스템 또는 서버(TIS)로부터 실시간 교통 정보도 획득할 수 있다. 서버(103-104)는 제3 엔티티에 의해 운영될 수 있다. 대안적으로, 서버들(103-104)의 기능들은 인지 및 계획 시스템(110)과 통합될 수 있다. 인지 및 계획 시스템(110)은, 실시간 교통 정보, MPOI 정보 및 위치 정보뿐만 아니라 센서 시스템(115)에 의해 검출 또는 감지된 실시간 로컬 환경 데이터(예를 들어, 장애물, 물체, 주변 차량)에 기초하여, 예를 들어, 제어 시스템(111)을 통해, 최적의 루트를 계획하고, 지정된 목적지에 안전하고 효율적으로 도착하기 위해 계획된 루트에 따라 차량(101)을 주행할 수 있다.
서버(103)는 다양한 클라이언트에 대해 데이터 분석 서비스를 수행하기 위한 데이터 분석 시스템일 수 있다. 일 실시예에서, 데이터 분석 시스템(103)은 데이터 수집기(121) 및 머신 러닝 엔진(122)을 포함한다. 데이터 수집기(121)는 자율 주행 차량 또는 인간 운전자에 의해 운행되는 일반 차량을 포함하는 다양한 차량으로부터 주행 통계(123)를 수집한다. 주행 통계(123)는 상이한 시점에서, 발행된 주행 명령(예를 들어, 스로틀, 브레이크, 스티어링 명령) 및 차량의 센서에 의해 캡쳐된 차량의 응답(예를 들어, 속력, 가속도, 감속도, 방향)을 나타내는 정보를 포함한다. 주행 통계(123)는, 상이한 시점에서의 주행 환경을 설명하는 정보, 예를 들어, 루트(출발 및 목적지 위치 포함), MPOI, 도로 상태, 날씨 상태 등을 더 포함할 수 있다.
주행 통계(123)에 기초하여, 머신 러닝 엔진(122)은 다양한 목적을 위해 규칙, 알고리즘 및/또는 예측 모델들의 세트(124)를 수행하거나 훈련시킨다. 일 실시예에서, 노면 마찰을 결정하기 위한 MPC 모델은 동일한 유형 또는 유사한 유형의 차량의 주행 통계에 기초하여 특정 유형의 자율 주행 차량에 대해 생성된다. MPC 모델의 계수 또는 이득은 차량이 다양한 운전 조건 하에서 사람 운전자에 의해 주행되는 동안 캡쳐되고 기록될 수 있는 주행 통계(123)에 기초하여 결정될 수 있다. 일 실시예에서, MPC 모델은 노면 마찰을 실시간으로 결정하기 위해 비용 함수를 포함하거나 호출(invoke)할 수 있다. 노면 마찰은 출발 위치로부터 목적지 위치까지의 반복적인 여행 사이의 비용에 기초하여 결정될 수 있고, 반복적인 여행 사이의 비용이 최소가 되도록 결정될 수 있다. MPC 모델 및 대응하는 비용 함수는 대응 유형의 차량 상에 업로드 되어 실시간으로 특정 도로의 노면 마찰을 결정하기 위해 활용될 수 있다.
도 3은 본 발명의 일 실시예에 따른 자율 주행 차량과 함께 사용되는 인지 및 계획 시스템의 일례를 나타내는 블록도이다. 시스템(300)은, 도 1의 자율 주행 차량(101)의 일부로서 구현될 수 있으며, 인지 및 계획 시스템(110), 제어 시스템(111) 및 센서 시스템(115)을 포함하지만, 이에 한정되지 않는다. 도 3을 참조하면, 인지 및 계획 시스템(110)은 로컬라이제이션(localization) 모듈(301), 인지 모듈(302), 결정 모듈(303), 계획 모듈(304) 및 제어 모듈(305)을 포함하지만, 이에 제한되지 않는다.
모듈들(301-307)의 일부 또는 전부는 소프트웨어, 하드웨어 또는 이들의 조합으로 구현될 수 있다. 예를 들어, 이들 모듈은 영구 저장 장치(352)에 설치되고, 메모리(351)에 로드되며, 하나 이상의 프로세서(미도시)에 의해 실행될 수 있다. 이들 모듈 중 일부 또는 전부는, 도 2의 차량 제어 시스템(111)의 일부 또는 모든 모듈들과 통신 가능하게 결합되거나 통합될 수 있다. 모듈들(301-307) 중 일부는 통합 모듈로서 함께 통합될 수 있다.
로컬라이제이션 모듈(301)(맵 및 루트 모듈이라고도 함)은 사용자의 여행 또는 루트와 관련된 임의의 데이터를 관리한다. 사용자는, 예를 들어, 사용자 인터페이스를 통해 로그인하고 여행의 출발 위치 및 목적지를 지정할 수 있다. 로컬라이제이션 모듈(301)은, 지도 및 루트 정보(311)와 같은 자율 주행 차량(300)의 다른 구성 요소와 통신하여 여행 관련 데이터를 획득한다. 예를 들어, 로컬라이제이션 모듈(301)은 위치 서버, 및 지도 및 POI(MPOI) 서버로부터 위치 및 루트 정보를 획득할 수 있다. 위치 서버는 위치 서비스를 제공하고, MPOI 서버는 지도 서비스와 지도 및 경로 정보(311)의 일부로서 캐시될 수 있는 특정 위치들의 POI들을 제공한다. 자율 주행 차량(300)이 루트를 따라 이동하는 동안, 로컬라이제이션(localization) 모듈(301)은 교통 정보 시스템 또는 서버로부터 실시간 교통 정보도 획득할 수 있다.
센서 시스템(115)에 의해 제공되는 센서 데이터 및 로컬라이제이션 모듈(301)에 의해 획득되는 로컬라이제이션 정보에 기초하여, 인지 모듈(302)에 의해 주변 환경의 인지(perception)가 결정된다. 인지 정보는 일반 운전자가 그가 주행하는 차량 주위를 어떻게 인지(perceive)하는지를 나타낼 수 있다. 인지(perception)는 차로 구성(예를 들어, 직선 또는 곡선 차선), 신호등 신호, 다른 차량의 상대적 위치, 보행자, 건물, 횡단 보도 또는 기타 교통 관련 표지판(예를 들어, 정지 표지판, 양보 표지판) 등을, 예를 들어, 물체의 형태로 포함할 수 있다.
인지 모듈(302)은, 자율 주행 차량의 환경에서 물체 및/또는 특징을 식별하기 위해, 하나 이상의 카메라에 의해 캡쳐된 이미지를 처리 및 분석하는 컴퓨터 비전 시스템 또는 컴퓨터 비전 시스템의 기능을 포함할 수 있다. 물체는 교통 신호, 도로 경계, 다른 차량, 보행자 및/또는 장애물 등을 포함할 수 있다. 컴퓨터 비전 시스템은 물체 인식 알고리즘, 비디오 추적 및 다른 컴퓨터 비전 기술을 사용할 수 있다. 일부 실시예에서, 컴퓨터 비전 시스템은, 환경을 매핑하고, 물체를 추적하고, 물체의 속력 추정 등을 할 수 있다. 인지 모듈(302)은 레이더 및/또는 LIDAR와 같은 다른 센서에 의해 제공되는 다른 센서 데이터에 기초하여 물체를 검출할 수도 있다.
각각의 물체에 대해, 결정 모듈(303)은 물체를 어떻게 다룰지에 대한 결정을 한다. 예를 들어, 특정 물체(예를 들어, 교차 루트에 있는 다른 차량)뿐만 아니라 물체를 기술하는 메타 데이터(예를 들어, 속력, 방향, 선회 각도)에 대해서, 결정 모듈(303)은 물체를 어떤 식으로 대면할지를 결정한다(예를 들어, 추월, 양보, 정지, 통과). 결정 모듈(303)은, 영구 저장 장치(352)에 저장될 수 있는 트래픽 규칙 또는 운전 규칙(312)과 같은 규칙들의 세트에 따라 이러한 결정을 내릴 수 있다.
인지된 물체들 각각에 대한 결정에 기초하여, 계획 모듈(304)은 자율 주행 차량에 대한 경로 또는 루트뿐만 아니라 주행 파라미터(예를 들어, 거리, 속력 및/또는 회전 각도)를 계획한다. 즉, 주어진 물체에 대해, 결정 모듈(303)은 물체에 대한 처리를 결정하고, 계획 모듈(304)은 그것을 어떻게 수행할지를 결정한다. 예를 들어, 주어진 물체에 대해, 결정 모듈(303)은 물체를 지나가는 것으로 결정할 수 있는 반면, 계획 모듈(304)은 물체의 좌측 또는 우측으로 지나갈지를 결정할 수 있다. 계획 및 제어 데이터는 계획 모듈(304)에 의해 생성되고, 차량(300)이 다음 이동 사이클(예를 들어, 다음 루트/경로 세그먼트)에서 어떻게 움직일 것인지를 기술하는 정보를 포함한다. 예를 들어, 계획 및 제어 데이터는, 차량(300)이 시속 30 마일(mph)의 속력으로 10m 이동한 다음 25 mph의 속력으로 우측 차로로 변경하도록 지시할 수 있다.
계획 및 제어 데이터에 기초하여, 제어 모듈(305)은 계획 및 제어 데이터에 의해 정의된 루트 또는 경로에 따라, 차량 제어 시스템(111)에 적절한 명령 또는 신호를 전송함으로써 자율 주행 차량을 제어 및 주행한다. 계획 및 제어 데이터에는, 경로 또는 루트 상의 시간에 따른 상이한 지점들에서 적절한 차량 설정 또는 주행 파라미터(예를 들어, 스로틀, 제동 및 선회 명령)를 사용하여 루트 또는 경로의 제1 지점에서 제2 지점까지 차량을 주행할 수 있는 충분한 정보가 포함되어 있다.
결정 모듈(303) 및 계획 모듈(304)은 통합 모듈로서 통합될 수 있다. 결정 모듈(303)/계획 모듈(304)은, 자율 주행 차량에 대한 주행 경로를 결정하기 위한 내비게이션 시스템 또는 내비게이션 시스템의 기능들을 포함할 수 있다. 예를 들어, 내비게이션 시스템은, 일련의 속력 및 진행 방향(directional heading)을 결정하여, 인지된 장애물을 실질적으로 피하는 경로를 따라 자율 주행 차량의 이동을 수행하면서, 궁극적인 목적지에 이르는 도로 기반 경로를 따라 자율 주행 차량을 일반적으로 전진시킬 수 있다. 목적지는, 사용자 인터페이스 시스템(113)을 통한 사용자 입력에 따라 설정될 수 있다. 내비게이션 시스템은, 자율 주행 차량이 운행되는 동안 주행 경로를 동적으로 업데이트할 수 있다. 내비게이션 시스템은, 자율 주행 차량을 위한 주행 경로를 결정하기 위해 GPS 시스템 및 하나 이상의 맵으로부터의 데이터를 통합할 수 있다.
결정 모듈(303)/계획 모듈(304)은, 자율 주행 차량의 환경에서의 잠재적 장애물을 식별, 평가 및 회피하거나 협상하기 위한 충돌 회피 시스템 또는 충돌 회피 시스템의 기능을 더 포함할 수 있다. 예를 들어, 충돌 회피 시스템은, 급회피 조작, 선회 조작, 제동 조작 등을 수행하기 위해, 제어 시스템(111)의 하나 이상의 서브 시스템을 조작하여 자율 주행 차량의 내비게이션의 변화를 수행할 수 있다. 충돌 회피 시스템은, 주변의 교통 패턴, 도로 조건 등에 기초하여, 실현 가능한 장애물 회피 조작을 자동으로 결정할 수 있다. 충돌 회피 시스템은, 자율 주행 차량이 급회피하여 진입할 인접 영역에서, 차량, 건축 장애물 등을 다른 센서 시스템이 검출할 때, 급회피 조작이 수행되지 않도록 구성될 수 있다. 충돌 회피 시스템이, 사용 가능하면서 자율 운행 차량의 탑승자의 안전을 극대화하는 조작을 자동적으로 선택할 수 있다. 충돌 회피 시스템은, 자율 운행 차량의 승객실에서 최소량의 가속을 일으킬 것으로 예상되는 회피 조작을 선택할 수 있다.
일 실시예에 따르면, 제어 모듈(305)은 2개의 고정된 또는 미리 결정된 위치들 사이의 도로의 노면 마찰을 결정하기 위해 MPC 제어기(310)를 포함한다. 두 위치는 일반 운전자가 정기적으로 앞뒤로 여행할 수 있는 통근 경로의 출발 위치 및 목적지 위치가 될 수 있다. MPC 제어기(310)는 2개의 위치 사이의 반복적인 여행으로부터 반복적으로 수집된 주행 통계에 기초하여 노면 마찰을 추정한다. 현재 여행의 노면 마찰은 이전 여행 또는 여행들에서 추정된 노면 마찰을 고려하여 현재 여행의 주행 통계에 기초하여 추정된다.
일 실시예에서, 비용 함수(315)와 같은 비용 함수는 주행 통계 및 추정된 노면 마찰에 기초하여 비용을 계산하기 위해 활용되며, 현재 여행의 비용과 마지막 여행의 비용 사이의 차이가 최소가 되도록 한다. 이 프로세스는 이 두 위치 사이를 여행하는 각 여행에 대해 반복적으로 수행되며, 동일한 위치 사이의 마지막 두 여행의 비용이 수렴할 때까지, 즉, 가장 최근 두 번의 여행의 비용 사이의 차이가 미리 결정된 임계값 아래가 될 때까지, 반복적으로 추정되고 조정된다. 이 시점에서, 최신 추정 노면 마찰은 도로의 최종 노면 마찰로 지정된다. 그 뒤에, 제어 명령은 최종 노면 마찰을 고려하여 생성되고 발행된다. MPC 제어기(310) 및 비용 함수(315)는 도 1의 데이터 분석 시스템(103)과 같은 데이터 분석 시스템에 의해 오프라인으로 생성되고 모델링될 수 있다.
도 4는 본 발명의 일 실시예에 따른 모델 예측 제어기의 일례를 나타내는 블록도이다. 도 4를 참조하면, MPC 제어기(310)는 마찰 결정 모듈(401) 및 비용 계산기(402)를 포함하며, MPC 제어기(310)는 제어 모듈(305)의 일부이다. 계획 모듈 (304)로부터 수신된 계획 데이터에 응답하여, 제어 모듈(305)은 하나 이상의 제어 명령(예컨대, 스로틀, 제동 및 조향 명령)을 차량 플랫폼 또는 섀시(403)에 생성하고 발행하여 차량이 계획 모듈(304)에 의해 계획된 경로에 따라 주행되도록 한다. 차량 응답(예를 들어, 위치, 속력, 방향)은 시간 상의 서로 다른 지점에서 캡처되고 기록될 수 있으며, 응답은 후속 계획 및 제어 명령을 결정하기 위해 제어 모듈 및/또는 계획 모듈로 피드백된다.
일부 실시예에 따르면, MPC 제어기(310)는 학습 기반 모델 예측 제어 방법을 활용하여 자율 주행의 제어 알고리즘을 최적화하기 위해 노면 마찰의 추정을 학습하고 적응적으로 업데이트 한다. 출발 위치에서 목적지 위치까지의 각 여행에 대해, 노면 마찰은 출발 위치와 목적지 위치 사이의 경로를 따라 시간 상의 서로 다른 지점에서 발행된 제어 명령(예를 들어, 스로틀, 브레이크, 스티어링 명령)에 응답하는 차량 반응(예를 들어, 위치, 속력, 방향)에 기초하여 추정된다.
MPC 제어기(310)의 마찰 결정 모듈(401)은 동일한 출발 위치로부터 목적지 위치로의 이전 여행 동안 추정된 노면 마찰에 기초하여 현재 여행의 노면 마찰을 추정한다. 추정된 노면 마찰은 노면 마찰 데이터(411)의 일부로서 추정되고 기록되며, 이는 하드 디스크와 같은 영구 저장 장치에 저장될 수 있다. 비용 계산기는 하나 이상의 비용 함수(315)를 사용하여 현재 여행과 이전 여행(들) 사이의 노면 마찰들 사이의 차이에 기초하여 각 여행에 대한 비용을 계산한다. 전술 한 바와 같이, 비용 함수(들)(315)는 오프라인으로 생성되고 모델링될 수 있다. 비용은 영구 저장 장치에 저장된 종료 비용(412)의 일부로서 기록될 수 있는 이전 여행의 종료 비용을 더 고려하여 계산될 수 있다. “종료 비용”이라는 용어는 비용 함수를 사용하여 특정 여행의 목적지 위치에서 계산된 비용을 나타낸다.
마지막 두 번의 여행의 비용 차이가 소정의 임계값 아래로 떨어질 때까지 노면 마찰은 출발 위치에서 목적지 위치까지의 각 여행에 대해 MPC 제어기(310)에 의해 반복적으로 추정된다. 이 시점에서, 마지막으로 추정된 노면 마찰이 앞으로의 출발 위치와 목적지 위치 사이의 도로에 대한 최종 노면 마찰로 지정된다. 노면 마찰은 출발 위치로부터 목적지 위치까지 자율 주행 차량을 주행하기 위한 목적으로 후속 제어 명령을 결정하는데 활용될 수 있다.
일 실시예에서, 계획 데이터는, 예를 들어, 계획 모듈(304)로부터 수신되어 자율 주행 차량(ADV)을 출발 위치로부터 목적지 위치까지 주행한다. 이에 응답하여, 일련의 제어 명령이 계획 데이터에 기초하여 제어 모듈에 의해 생성되며, 여기서 제어 명령들은 출발 위치로부터 목적지 위치까지 시간 상의 서로 다른 지점에서 적용된다. MPC 제어기의 비용 계산기(402)는 비용 함수(315)를 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 출발 위치에서 목적지 위치로의 이전 여행 동안 추정되는 제2 노면 마찰(예를 들어, 마찰 데이터(411))에 적용함으로써 비용을 계산한다. 마찰 결정 모듈(401)은 비용이 최소가 되도록 이전 여행의 이전 종료 비용(412)을 고려하고 비용 함수를 사용하여 현재 여행의 제 1 노면 마찰을 추정한다. 종료 비용(412)은 현재 여행의 목적지에서 계산된 비용이다.
도 5는 본 발명의 일 실시예에 따른 노면 마찰을 추정하는 프로세스를 나타내는 트랜잭션 다이어그램(transactional diagram)이다. 도 5를 참조하면, 차량이 2개의 알려진 위치, 이 예에서는, 위치(501)와 위치(502), 사이에서 반복적으로 이동할 때, 이전 주행 통계는 노면 마찰을 추정하는데 활용될 수 있다. 예를 들어, 위치(501)는 홈 위치일 수 있고, 위치(502)는 특정 사용자의 직장일 수 있다. 사용자는 차량을 위치들(501-502) 사이로 매일 정기적으로 운행할 수 있다. 위치(501)에서 위치(502)로 차량을 운행하기 위해 계획 모듈로부터 계획 데이터가 수신되면, 시간 틱 1, 2, ... k, ..., n-1에 의해 지시되는 위치(501)에서 위치(502)까지의 경로를 따라 시간 상의 서로 상이한 지점들에서 차량에 적용되는 일련의 제어 명령이 생성된다.
시간 상의 각각의 지점에 대해, 차량 응답(예를 들어, 위치, 속도 및 방향)은 제어 명령(예를 들어, 시간 상의 이전 지점 또는 시간 슬롯(명령 사이클이라고도 지칭됨)에서 발행 된 명령)에 응답하여 측정되고 기록된다. 또한, 시간 상의 각 지점에 대응하는 도로 세그먼트와 연관된 노면 마찰은 시간 상의 동일한 지점에 대한 이전 여행으로부터 추정된 마찰을 고려하여 추정된다. 비용 함수는 현재 여행에서 추정된 마찰과 위치(501)와 위치(502) 사이의 이전 여행에서 추정된 마찰 사이의 차이에 기초하여 비용을 계산하는데 활용된다. 상기 차이는 두 번의 반복 여행 사이의 노면 마찰을 예측하는데 있어서의 오류를 나타낸다. 목표는 (오류를 나타내는) 비용이 최소가 되도록 현재 여행의 노면 마찰을 추정하는 것이다. 따라서, 노면 마찰의 추정은 각 여행에 대하여 실제 노면 마찰에 더 가깝게 된다. 여행의 수가 증가함에 따라, 반복적으로 수행되는 노면 마찰의 추정은 결국 실제 노면 마찰을 나타내기에 충분히 근접할 것이다.
도 5를 다시 참조하면, 여행(511)이 위치(501)로부터 위치(502)로의 제1 전체 여행이라고 가정하면, 시스템은 시간 또는 명령 사이클 1 내지 N으로 표시되는 각 도로 세그먼트에 초기 노면 마찰을 초기 설정하고, 이는 노면 세그먼트 마찰이라고 지칭된다. 각 명령 싸이클에 대해, 명령 싸이클 도중에 발행된 제어 명령(예를 들어, 스로틀, 브레이크, 스티어링)에 대한 응답으로 차량으로부터의 응답(예를 들어, 위치, 속도, 방향)이 측정된다. 명령 주기는 제어 명령이 발행되는 주기적인 기간을 나타낸다. 예를 들어, 매 0.1 초마다 제어 명령이 발행될 수 있다. 0.1 초의 시간 주기가 명령 주기라고 지칭된다.
일반적으로 제어 명령에 응답하는 차량으로부터의 응답은 노면 마찰의 영향을 받을 것이다. 여행(511)에 대한 비용은 제어 명령, 차량으로부터의 응답, 현재 여행의 추정된 노면 마찰(예를 들어, 초기 노면 마찰), 그리고 이전 여행에서 추정된 노면 마찰(예를 들어, 이전 여행에서 결정된 “실제” 마찰)을 고려하고 비용 함수(비용 함수 J로 표시됨)를 사용하여 계산된다. 이 예에서, 여행(511)은 제1 전체 여행이므로, 시스템은 소정의 초기값을 할당할 수 있다. 일 실시예에서, 트라이(try) 도로에 대한 통상적인 마찰은 약 0.9일 수 있는 반면, 노면 마찰은 2와 같은 큰 값으로 초기 할당될 수 있다. 여행의 노면 마찰은 위치(501)와 위치(502) 사이의 도로 세그먼트와 연관된 다수의 노면 세그먼트 마찰로 표현된다. 각 도로 세그먼트는 시간 상의 지점 또는 명령 사이클 중 하나에 대응된다. 시간 또는 명령 사이클 1 내지 N에 대한 노면 세그먼트 마찰은 비용이 최소에 도달하도록 추정되거나 조정된다. 비용은 여행에 대한 종료 비용이라고도 지칭된다. 이 예에서, 종료 비용 Q0은 여행(511)을 위해 계산되고 유지된다.
차량이 위치(501)에서 위치(502)로 다시 여행할 때, 이 예에서는 여행(512), 이전의 여행, 즉 여행(511)으로부터 추정된 노면 마찰에 기초하여 여행에 대한 노면 마찰을 추정하기 위해 상기 프로세스가 반복적으로 수행된다. 도 5에서 도시된 바와 같이, 여행(512)의 경우, 비용 함수는 이전 여행(예를 들어, 여행(511))의 종료 비용: J+Q0을 기반으로 한다. 여행(512)에 대한 비용은 여행(511)의 종료 비용 Q0을 고려하고 비용 함수를 사용하여 계산된다. 여행(511)의 종료 비용을 고려한 비용 함수의 비용이 최소가 되도록 여행(512)에 대한 노면 마찰이 추정된다. 특히, 여행(512)에 대한 노면 마찰은 여행(512) 동안 추정된 노면 세그먼트 마찰과 이 예에서는 여행(511) 동안의 대응되는 도로 세그먼트 1 내지 N에 대해 추정된 대응 노면 세그먼트 마찰 사이의 차이에 기초하여 추정될 수 있다. 비용은 현재 여행의 추정된 노면 세그먼트 마찰과 이전 여행의 추정된 노면 세그먼트 마찰 사이의 오류의 합계 또는 총계를 나타낸다.
상기 과정은 현재 여행의 종료 비용과 이전 여행의 종료 비용 사이의 차이가 수렴할 때까지 반복적으로 수행된다. 즉, 상기 과정은 현재 여행과 마지막 여행 사이의 종료 비용의 차이가 소정의 임계값 아래로 떨어질 때까지 반복적으로 수행된다. 이러한 상황에서, 최신 여행의 최신 추정 노면 마찰이 실제 노면 마찰을 나타내는 추정 노면 마찰이 된다. 이전 비용 및 노면 마찰 추정을 피드백으로 고려하여 비용 프로세스를 반복적으로 수행함으로써 추정의 정확성을 시간이 지남에 따라 향상시킬 수 있다.
비용 함수는 MPC 제어기(310)의 일부로서 MPC 알고리즘 또는 모델에 기초하여 생성되고 모델링될 수 있다. 모델 예측 제어기는 프로세스의 동적 모델, 대개 선형 경험(linear empirical) 모델에 의존한다. MPC의 주요 이점은 미래의 타임 슬롯을 고려하면서 현재의 타임 슬롯을 최적화할 수 있다는 것이다. 이는 한정 시간 수평선(finite time-horizon)을 최적화함으로써 달성되지만, 현재의 타임 슬롯만을 구현한다. MPC는 미래의 사건을 예측할 수 있는 능력을 가지고 있으며 이에 따라 제어 동작을 취할 수 있다. MPC 모델은 독립 변수의 변화로 인한 모델링된 시스템의 종속 변수의 변화를 예측한다. 제어기가 조정할 수 없는 독립 변수는 외란(disturbances)으로 사용된다. 이러한 프로세스에서의 종속 변수는 제어 목표 또는 프로세스 제약 조건을 나타내는 다른 측정값이다. 이러한 변경 사항은 독립 변수와 종속 변수 모두에 대한 제약 조건을 준수하면서 종속 변수를 목표에 가깝게 유지하도록 계산된다.
일 실시예에서, 비용 함수(J)는 다음과 같이 구현될 수 있다.
Figure 112018022386992-pct00001
여기서, ek는 현재 여행(j) 동안의 시간 상의 지점(k)에 대응하는 노면 마찰과 현재 여행에 대한 추정 노면 마찰(예를 들어, 이전 여행을 기초로 결정된 노면 마찰) 사이의 오차를 나타낸다. Δk는 차량이 목적지에 도달했는지 여부를 나타내는 상수이다. 차량이 목적지에 도달하면 Δk는 1로 설정 될 수 있다; 그렇지 않으면 0이다. Qj-1은 이전 여행(j-1)의 종료 비용을 나타낸다.
종래의 MPC 함수는 이전 여행의 종료 비용을 고려하지 않는 반면, 위의 MPC 비용 함수는 이전 여행의 종료 비용을 고려하기 때문에 증강(augmented) MPC 비용 함수로 불린다. 여기서 공칭(nominal) 비용 함수로 지칭되는 종래의 MPC 비용 함수는 다음과 같이 이전 여행 Qj-1의 종료 비용을 고려하지 않고 첫 부분만을 포함한다.
Figure 112018022386992-pct00002
일 실시예에서, 위의 MPC 비용 함수는 다음의 공식으로 표현될 수 있다.
Figure 112018022386992-pct00003
여기서 qk는 시간 상의 지점(k)에서의 차량의 상태를 나타내는 상태 행렬이다.
Figure 112018022386992-pct00004
는 qk의 전치(transpose)를 나타낸다.
일 실시예에서, Qk = {xk, yk, vk, sk, ek}. xk와 yk는 시간(k)에서의 차량의 위치, 예를 들면 차량의 위도와 경도를 나타낸다. vk는 시간(k)에서의 차량 속력을 나타낸다. sk는 시간(k)에서의 도로 세그먼트에 대응되는 추정 노면 마찰을 나타낸다. ek는 현재 여행 및 마지막 여행에서 추정된 시간(k)에 대응되는 도로 세그먼트의 노면 마찰들 사이의 오차를 나타낸다. M은 상태 가중 행렬(예를 들어, 5 x 5 행렬)이다. μk는 추정 마찰 sk를 고려하여 시간(k)에 발행된 제어 명령을 나타내는 입력 행렬을 나타낸다.
Figure 112018022386992-pct00005
는 μk의 전치를 나타낸다. 일 실시예에서, μk = {αk, θk, sk+1-sk}이고, 여기서 ak는 속력 제어 명령(예를 들어, 스로틀 또는 브레이크 명령)을 나타내고, θk는 스티어링 명령을 나타낸다. sk+1-sk는 동일한 여행 내에서 타임 슬롯(k+1) 및 타임 슬롯(k)에서 결정된 노면 마찰 사이의 차이를 나타낸다. N은 입력 가중 행렬(예를 들어, 3 x 3 행렬)이다. M 및 N은 데이터 분석 시스템(103)과 같은 데이터 분석 시스템에 의해 미리 결정될 수 있다. 이 예에서, MPC 모델의 독립 변수는 μk이다. 종속 변수는 차량의 위치, 방향/각도, 속력 및 회전 각속도 등이다.
도 6은 본 발명의 일 실시예에 따른 노면 마찰을 추정하는 프로세스를 나타내는 흐름도이다. 프로세스(600)은 소프트웨어, 하드웨어, 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 예를 들어, 프로세스(600)는 도 3의 MPC 제어기(310)에 의해 수행될 수 있다. 도 6을 참조하면, 단계(601)에서, 프로세싱 로직은 출발 위치로부터 목적지 위치로 자율 주행 차량(ADV)을 구동하기 위한 계획 데이터를 수신한다. 계획 데이터에 기초하여, 단계(602)에서, 프로세싱 로직은 출발 위치로부터 목적지 위치까지의 경로를 따라 시간 또는 명령 사이클의 시간 상의 상이한 지점에 적용될 일련의 제어 명령(예를 들어, 스로틀, 브레이크, 스티어링 명령)을 생성한다. 단계(603)에서, 프로세싱 로직은 비용 함수를 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 출발 위치에서 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용함으로써 비용을 계산한다. 단계(604)에서, 프로세싱은 비용이 최소가 되도록 출발 위치와 목적지 위치 사이의 이전 여행의 종료 비용을 고려하고 비용 함수를 사용하여 현재 여행에 대한 제1 노면 마찰을 추정하거나 조정한다.
도 7은 본 발명의 다른 일 실시예에 따른 노면 마찰을 추정하는 프로세스를 나타내는 흐름도이다. 프로세스(700)는 소프트웨어, 하드웨어, 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 예를 들어, 프로세스(600)는 도 3의 MPC 제어기(310)에 의해 수행될 수 있다. 도 7을 참조하면, 단계(701)에서, 프로세싱 로직은 출발 위치로부터 목적지 위치까지의 경로를 따라 시간 또는 명령 사이클의 시간 상의 상이한 지점에 적용될 일련의 제어 명령(예를 들어, 스로틀, 브레이크, 스티어링 명령)을 생성한다. 단계(702)에서, 프로세싱 로직은 비용 함수를 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 출발 위치에서 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용함으로써 비용을 계산한다. 단계(703)에서, 프로세싱은 비용이 최소가 되도록 출발 위치와 목적지 위치 사이의 이전 여행의 종료 비용을 고려하고 비용 함수를 사용하여 현재 여행에 대한 제1 노면 마찰을 추정하거나 조정한다. 단계(704)에서, 프로세싱 로직은 현재의 여행의 종료 비용과 현재 여행의 종료 비용을 비교하여 비용이 수렴되는지를 결정한다. 단계(705)에서, 현재의 여행 및 이전 여행의 비용이 수렴한다면, 최신 추정 노면 마찰이 최종 추정(예를 들어, 실제) 노면 마찰로서 지정된다. 그렇지 않으면, 단계들(701-704)은 출발 위치로부터 목적지 위치로의 후속 여행에서 반복적으로 수행될 수 있다.
상술되고 도시된 구성 요소의 일부 또는 전부는 소프트웨어, 하드웨어 또는 이들의 조합으로 구현될 수 있다. 예를 들어, 이러한 구성 요소는, 본 출원 전반에 걸쳐 기술된 프로세스 또는 동작들을 실행하기 위해, 프로세서(미도시)에 의해 메모리에 로딩되어 실행될 수 있는, 영구 기억 장치에 인스톨되어 저장되는 소프트웨어로서 구현될 수 있다. 대안적으로, 이러한 구성 요소는, 집적 회로(예를 들어, 주문형 집적 회로 또는 ASIC), 디지털 신호 처리기(DSP) 또는 현장 프로그래머블 게이트 어레이(Field Programmable Gate Array; FPGA)와 같은 전용 하드웨어에 프로그램되거나 내장된 실행 가능 코드로서 구현될 수 있으며, 이는 애플리케이션으로부터 대응하는 드라이버 및/또는 운영 체제을 통해 액세스될 수 있다. 또한, 이러한 구성 요소는 하나 이상의 특정 명령을 통해 소프트웨어 구성 요소에 의해 액세스 가능한 명령 세트의 일부로서 프로세서 또는 프로세서 코어에서 특정 하드웨어 로직으로서 구현될 수 있다.
도 8은 본 발명의 일 실시예와 함께 사용될 수 있는 데이터 처리 시스템의 일례를 나타내는 블록도이다. 예를 들어, 시스템(1500)은, 예를 들어, 도 1의 임의의 서버(103-104) 또는 인지 및 계획 시스템(110)과 같은, 상술된 임의의 프로세스 또는 방법을 수행하는 상술된 데이터 처리 시스템 중 임의의 것을 나타낼 수 있다. 시스템(1500)은 다수의 상이한 구성 요소들을 포함할 수 있다. 이들 구성 요소는, 집적 회로(IC), 그 부분, 개별 전자 장치 또는 컴퓨터 시스템의 마더 보드 또는 애드-인 카드와 같은 회로 보드에 적용되는 다른 모듈로서 구현 될 수 있거나, 컴퓨터 시스템의 샤시 내에 다른 방법으로 통합되는 구성 요소들로써 구현될 수 있다.
또한, 시스템(1500)은 컴퓨터 시스템의 많은 구성 요소들의 상위 레벨 뷰를 도시하기 위한 것이다. 그러나, 추가의 구성 요소가 특정 구현 예에 존재할 수 있고, 또한, 구성 요소의 다른 배열이 다른 구현 예에서 나타날 수 있음을 이해해야 한다. 시스템(1500)은 데스크탑, 랩탑, 태블릿, 서버, 이동 전화, 미디어 플레이어, PDA(personal digital assistant), 스마트 워치, 개인용 통신기, 게임 장치, 네트워크 라우터 또는 허브, 무선 액세스 지점(AP) 또는 중계기(repeater), 셋톱 박스, 또는 이들의 조합일 수 있다. 또한, 단지 하나의 기계 또는 시스템이 도시되어 있지만, “기계” 또는 “시스템”이라는 용어는, 본 출원에서 기술하는 방법들의 하나 이상을 실행하기 위해, 개별적으로 또는 공동으로 명령어들의 세트(또는 다수의 세트)를 수행하는 임의의 기계 또는 시스템의 집합을 포함하도록 취급될 것이다.
일 실시예에서, 시스템(1500)은 버스 또는 인터커넥트(1510)를 통해 프로세서(1501), 메모리(1503) 및 디바이스들(1505-1508)을 포함한다. 프로세서(1501)는 단일 프로세서 코어 또는 그 안에 포함 된 다중 프로세서 코어를 갖는 단일 프로세서 또는 다중 프로세서를 나타낼 수 있다. 프로세서(1501)는, 마이크로 프로세서, 중앙 처리 장치(CPU) 등과 같은 하나 이상의 범용 프로세서를 나타낼 수 있다. 특히, 프로세서(1501)는, 복합 명령어 세트 컴퓨팅(CISC) 마이크로 프로세서, 리듀스드 명령어 세트 컴퓨팅(Reduced Instruction Set Computing; RISC) 마이크로 프로세서, 장문 명령어 워드(Very Long Instruction Word; VLIW) 마이크로 프로세서 또는 명령어 세트들의 조합을 구현하는 프로세서 명령어 세트의 조합을 구현하는 프로세서일 수 있다. 프로세서(1501)는, 주문형 집적 회로(ASIC), 셀룰러 또는 베이스 밴드 프로세서, 필드 프로그래머블 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP), 네트워크 프로세서, 그래픽 프로세서, 네트워크 프로세서, 통신 프로세서, 암호화 프로세서, 코프로세서(co-processor), 임베디드 프로세서 등과 같은 하나 이상의 특수 목적 프로세서, 또는 명령어들을 처리할 수 있는 임의의 다른 유형의 로직일 수 있다.
초 저전압 프로세서와 같은 저전력 멀티 코어 프로세서 소켓일 수 있는, 프로세서(1501)는, 메인 프로세싱 유닛 및 시스템의 다양한 구성요소와의 통신을 위한 중앙 허브로서 작용할 수 있다. 이러한 프로세서는 시스템 온 칩(SoC)으로서 구현 될 수 있다. 프로세서(1501)는, 본 명세서에서 논의된 동작들 및 단계들을 수행하기 위한 명령어들을 실행하도록 구성된다. 시스템(1500)은, 디스플레이 제어기, 그래픽 프로세서 및/또는 디스플레이 장치를 포함할 수 있는, 선택적인 그래픽 서브 시스템(1504)과 통신하는 그래픽 인터페이스를 더 포함할 수 있다.
프로세서(1501)는, 일 실시예에서 주어진 양의 시스템 메모리를 제공하기 위해 다수의 메모리 장치를 통해 구현될 수 있는 메모리(1503)와 통신할 수 있다. 메모리(1503)는, 랜덤 액세스 메모리(RAM), 다이나믹 RAM(DRAM), 동기식 DRAM(SDRAM), 스태틱 RAM(SRAM)와 같은 하나 이상의 휘발성 저장(또는 메모리) 장치 또는 다른 유형의 저장 장치를 포함할 수 있다. 메모리(1503)는, 프로세서(1501) 또는 임의의 다른 장치에 의해 실행되는 명령어들의 시퀀스를 포함하는 정보를 저장할 수 있다. 예를 들어, 다양한 운영 체제, 장치 드라이버, 펌웨어(예를 들어, 입출력 기본 시스템 또는 BIOS), 및/또는 애플리케이션의 실행 가능 코드 및/또는 데이터는 메모리(1503)에 로드되고 프로세서(1501)에 의해 실행될 수 있다. 운영 체제는, 예를 들어, 로봇 운영 체제(ROS), 마이크로소프트® 사의 윈도우즈® 운영 체제, 애플의 맥 OS®/iOS®, 구글®의 안드로이드®, LINUX, UNIX, 또는 다른 실시간 또는 임베디드 운영 체제와 같은 임의의 유형의 운영 체제일 수 있다.
시스템(1500)은, 네트워크 인터페이스 장치(들)(1505), 선택적인 입력 장치(들)(1506) 및 다른 선택적인 IO 장치(들)(1507)을 포함하는 장치들(1505-1508)과 같은 IO 장치들을 더 포함할 수 있다. 네트워크 인터페이스 디바이스(1505)는 무선 트랜시버 및/또는 네트워크 인터페이스 카드(NIC)를 포함할 수 있다. 무선 트랜시버는, WiFi 트랜시버, 적외선 트랜시버, 블루투스 트랜시버, WiMax 트랜시버, 무선 셀룰러 전화 트랜시버, 위성 트랜시버(예를 들어, GPS(Global Positioning System) 송수신기) 또는 다른 무선 주파수(RF) 트랜시버일 수 있으며, 또는 이들의 조합일 수 있다. NIC는 이더넷 카드 일 수 있다.
입력 장치(들)(1506)은, 마우스, 터치 패드, (디스플레이 장치(1504)와 통합될 수 있는) 터치 감지 스크린, 스타일러스와 같은 포인터 장치 및/또는 키보드(예를 들어, 물리적 키보드 또는 터치 감지 스크린의 일부로 표시되는 가상 키보드)를 포함할 수 있다. 예를 들어, 입력 장치(1506)는, 터치 스크린에 결합되는 터치 스크린 제어기를 포함할 수 있다. 터치 스크린 및 터치 스크린 제어기는, 예를 들어, 용량성, 저항성, 적외선 및 표면 탄성파 기술뿐만 아니라 다른 근접 센서 어레이 또는 터치 스크린과의 하나 이상의 접촉점들을 결정하기 위한 다른 요소들을 포함하지만, 이에 한정되지 않는, 다수의 터치 감지 기술 중 임의의 것을 사용하여, 접촉 및 이동 또는 그것의 파단을 검출할 수 있다.
IO 장치들(1507)은 오디오 장치를 포함할 수 있다. 오디오 장치는 음성 인식, 음성 복제, 디지털 녹음 및/또는 전화 기능과 같은 음성 작동 기능을 용이하게 하기 위해 스피커 및/또는 마이크를 포함할 수 있다. 다른 IO 장치들(1507)은, USB(universal serial bus) 포트(들), 병렬 포트(들), 직렬 포트(들), 프린터, 네트워크 인터페이스, 버스 브리지(예를 들어, PCI-PCI 브리지), 센서(들)(예를 들어, 가속도계, 자이로스코프, 자력계, 광 센서, 나침반, 근접 센서 등과 같은 모션 센서) 또는 이들의 조합을 포함할 수 있다. 디바이스들(1507)은, 사진 및 비디오 클립의 기록과 같은, 카메라 기능들을 용이하게 하는데 활용되는 CCD(charge coupled device) 또는 CMOS(complementary metal-oxide semiconductor) 광학 센서와 같은 광 센서를 포함할 수 있는 이미징 프로세싱 서브 시스템(예를 들어, 카메라)을 더 포함할 수 있다. 특정 센서는, 센서 허브(미도시)를 통해 인터커넥트(1510)에 연결될 수 있지만, 키보드 또는 열 센서와 같은 다른 장치는 시스템(1500)의 특정 구성 또는 설계에 따라 내장형 제어기(미도시)에 의해 제어될 수 있다.
데이터, 애플리케이션, 하나 이상의 운영 체제 등과 같은 정보의 영구 저장을 제공하기 위해, 대용량 저장 장치(미도시)가 또한 프로세서(1501)에 연결될 수 있다. 다양한 실시예에서, 시스템 응답성을 향상시킬 뿐만 아니라 더 얇고 가벼운 시스템 설계를 가능하게 하기 위해, 이 대용량 저장 장치는 SSD(solid state device)를 통해 구현될 수 있다. 그러나, 다른 실시예들에서, 대용량 저장 장치는, 시스템 활동의 재시작 시에 빠른 파워 업이 일어나도록, 파워 다운 이벤트들 동안 컨텍스트 상태(context state) 및 다른 그러한 정보의 비 휘발성 저장을 가능하게 하기 위해 SSD 캐시로서 작용하는, 더 적은 양의 SSD 스토리지와 함께 하드 디스크 드라이브(HDD)를 사용하여 주로 구현 될 수 있다. 또한, 플래시 장치는, 예를 들어, 직렬 주변 장치 인터페이스(SPI)를 통해 프로세서(1501)에 결합될 수 있다. 이 플래시 장치는, 시스템의 다른 펌웨어뿐만 아니라 BIOS를 포함하는, 시스템 소프트웨어의 비휘발성 저장 공간을 제공할 수 있습니다.
저장 장치(1508)는, 본 명세서에 기술된 방법들 또는 기능들의 하나 이상을 내장하는 하나 이상의 명령어 세트 또는 소프트웨어(예를 들어, 모듈, 유닛 및/또는 로직(1528))가 저장되는 컴퓨터 액세스 가능 저장 매체(1509)(기계 판독 가능 저장 매체 또는 컴퓨터 판독 가능 매체로도 알려짐)을 포함할 수 있다. 프로세싱 모듈/유닛/로직(1528)은, 예를 들어, 플래닝 모듈(304) 및/또는 제어 모듈(305)과 같은, 전술한 구성 요소들 중 임의의 것을 나타낼 수 있다. 처리 모듈/유닛/로직(1528)은 또한 머신 액세스 가능 저장 매체를 또한 구성하는, 데이터 처리 시스템(1500), 메모리(1503) 및 프로세서(1501)에 의해 실행 중에 메모리(1503) 및/또는 프로세서(1501) 내에 완전히 또는 적어도 부분적으로 상주할 수 있다. 프로세싱 모듈/유닛/로직(1528)은 네트워크 인터페이스 장치(1505)를 통해 네트워크를 통해 더 송신되거나 수신될 수 있다.
또한, 컴퓨터 판독 가능 저장 매체(1509)는 전술한 일부 소프트웨어 기능을 지속적으로 저장하는데 사용될 수 있다. 컴퓨터 판독 가능 저장 매체(1509)는 단일 매체로 예시적인 실시예로 도시되지만, “컴퓨터 판독 가능 저장 매체”라는 용어는 하나 이상의 명령어 세트들을 저장하는 단일 매체 또는 다중 매체(예를 들어, 중앙 집중식 또는 분산형 데이터베이스 및/또는 연관된 캐시들 및 서버들)를 포함하도록 취급되어야 한다. “컴퓨터 판독 가능 저장 매체”라는 용어는, 또한 기계에 의한 실행을 위한 명령 세트를 저장 또는 인코딩할 수 있고, 본 발명의 방법들 중 하나 이상을 기계가 수행하게 하는 임의의 매체를 포함하도록 취급될 것이다. 따라서, “컴퓨터 판독 가능 저장 매체”라는 용어는, 솔리드 스테이트 메모리, 광학 및 자기 매체, 또는 임의의 다른 비 일시적 기계 판독 가능 매체를 포함하도록 취급될 것이지만, 이에 한정되는 것은 아니다.
프로세싱 모듈/유닛/로직(1528), 본 명세서에서 설명된 구성 요소들 및 다른 특징들은, 개별 하드웨어 구성 요소들로서 구현되거나, ASIC, FPGA, DSP 또는 유사한 장치와 같은 하드웨어 구성 요소들의 기능성에 통합될 수 있다. 또한, 처리 모듈/유닛/로직(1528)은 하드웨어 장치 내의 펌웨어 또는 기능 회로로 구현될 수 있다. 또한, 처리 모듈/유닛/로직(1528)은 임의의 조합 하드웨어 장치 및 소프트웨어 구성 요소로 구현될 수 있다.
시스템(1500)은, 데이터 처리 시스템의 다양한 구성 요소로 도시되어 있지만, 구성 요소를 상호 접속시키는 임의의 특정 아키텍처 또는 방식을 나타내기 위한 것이 아니다. 이러한 세부 사항들은 본 발명의 실시예들과 직접적으로 관련되지 않는다. 네트워크 컴퓨터들, 핸드 헬드 컴퓨터들, 이동 전화들, 서버들 및/또는 더 적은 구성 요소 또는 더 많은 구성 요소를 갖는 다른 데이터 처리 시스템들이 또한 본 발명의 실시예들과 함께 사용될 수 있다.
전술한 상세한 설명의 일부는, 컴퓨터 메모리 내의 데이터 비트에 대한 연산의 알고리즘 및 기호 표현과 관련하여 제시되었다. 이러한 알고리즘 설명 및 표현은, 데이터 처리 기술 분야의 당업자가 자신의 연구 내용을 다른 당업자에게 가장 효과적으로 전달하는데 사용되는 방법이다. 알고리즘은, 본 명세서에서 일반적으로, 원하는 결과를 이끌어내는 일관된 동작 순서로 인식된다. 이 동작들은 물리량의 물리적인 조작을 요구하는 것들이다.
그러나 이러한 모든 용어 및 그와 유사한 용어는 적절한 물리양과 관련되어 있으며 이러한 양에 적용되는 편리한 레이블이다. 상기 논의로부터 명백한 바와 같이 특별히 언급하지 않는 한, 명세서 전반에 걸쳐, 이하의 특허청구범위에 기재된 것과 같은 용어를 이용한 설명은 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 장치의 동작 및 프로세스를 참고하며, 동작 및 프로세스는 컴퓨터 시스템의 레지스터 및 메모리 내의 물리(전자) 양으로 표현된 데이터를 컴퓨터 시스템 메모리 또는 레지스터 또는 기타 정보 저장 장치, 전송 또는 디스플레이 장치 내에서 물리량으로 유사하게 표현되는 다른 데이터로 조작 및 변형한다.
본 발명의 실시예는 또한 본 명세서의 동작을 수행하기 위한 장치에 관한 것이다. 이러한 컴퓨터 프로그램은 비일시적 컴퓨터 판독 가능 매체에 저장된다. 기계 판독 가능 매체는, 기계(예를 들어, 컴퓨터) 판독 가능 형태로 정보를 저장하기 위한 임의의 메커니즘을 포함한다. 예를 들어, 기계 판독 가능(예를 들어, 컴퓨터 판독 가능) 매체는 기계(예를 들어, 컴퓨터) 판독 가능 저장 매체(예를 들어, 읽기 전용 메모리(ROM)), 랜덤 액세스 메모리(RAM), 자기 저장 매체, 광학 저장 매체, 플래시 메모리 장치)를 포함한다.
상기 도면들에 도시된 프로세스들 또는 방법들은, 하드웨어(예를 들어, 회로, 전용 로직 등), 소프트웨어(예를 들어, 비일시적인 컴퓨터 판독 가능 매체 상에 구현되는), 또는 이들의 조합을 포함하는 프로세싱 로직에 의해 수행될 수 있다. 프로세스들 또는 방법들이 몇몇 순차적인 동작들과 관련해서 위에서 설명되었지만, 기술된 동작들 중 일부는 다른 순서로 수행될 수 있다. 더욱이, 몇몇 동작들은 순차적이 아니라 병렬로 수행될 수 있다.
본 발명의 실시예는 임의의 특정 프로그래밍 언어를 참조하여 설명되지 않는다. 본 명세서에 설명된 본 발명의 실시예들의 교시를 구현하기 위해 다양한 프로그래밍 언어가 사용될 수 있다는 것을 이해할 것이다.
전술한 명세서에서, 본 발명의 실시예는 특정 실시예를 참조하여 설명되었다. 후술할 특허청구범위에 기재된 본 발명의 더 넓은 사상 및 범위를 벗어나지 않으면 서도 다양한 변형이 가능하다는 것은 명백할 것이다. 따라서, 명세서 및 도면은 제한적인 의미라기보다는 예시적인 의미로 간주되어야 한다.

Claims (22)

  1. 자율 주행 차량을 운행하기 위한 컴퓨터로 구현된 방법에 있어서,
    출발 위치부터 목적지 위치까지 자율 주행 차량(ADV)을 주행시키기 위한 계획 데이터를 수신하는 단계;
    상기 계획 데이터에 기초하여 일련의 제어 명령을 생성하는 단계 - 상기 제어 명령은 상기 출발 위치로부터 상기 목적지 위치까지 시간 상의 복수의 지점에서 적용됨 -;
    비용 함수를 상기 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 상기 출발 위치에서 상기 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용하여 비용을 계산하는 단계; 및
    상기 비용이 최소가 되도록, 상기 이전 여행의 이전 종료 비용을 고려하고 상기 비용 함수를 사용하여 상기 현재 여행의 제1 노면 마찰을 추정하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 종료 비용은 상기 비용 함수를 사용하여 상기 이전 여행의 목적지 위치에서 계산된 종료 비용을 포함하는, 방법.
  3. 제1항에 있어서,
    상기 ADV가 상기 목적지 위치에 도달할 때 상기 현재 여행에 대한 현재 종료 비용을 계산하는 단계;
    상기 이전 여행의 이전 종료 비용 및 상기 현재 여행의 현재 종료 비용을 비교하여 상기 이전 및 현재 종료 비용 간의 차이가 소정의 임계값 미만인지를 결정하는 단계; 및
    상기 차이가 상기 소정의 임계치를 초과한다고 결정하는 것에 응답하여, 일련의 제어 명령을 생성하고 상기 출발 위치로부터 상기 목적지 위치로의 새로운 여행에 대한 상기 제어 명령에 비용 함수를 적용함으로써 비용을 계산하는 것을 반복적으로 수행하는 단계를 더 포함하는, 방법.
  4. 제3항에 있어서, 상기 차이가 상기 소정의 임계값 미만이라고 결정하는 것에 응답하여, 상기 현재 여행의 상기 제1 노면 마찰을 상기 출발 위치와 상기 목적지 위치 사이의 최종 노면 마찰로 지정하는 단계를 더 포함하는, 방법.
  5. 제4항에 있어서, 상기 최종 노면 마찰은 상기 출발 위치로부터 상기 목적지 위치로의 후속 여행에서 상기 ADV에 대한 후속 제어 명령을 결정하기 위해 활용되는, 방법.
  6. 제1항에 있어서, 상기 제1 노면 마찰을 추정하는 단계는:
    상기 출발 위치와 상기 목적지 위치 사이의 상기 시간 상의 복수의 지점에 대응하는 복수의 도로 세그먼트의 복수의 제1 노면 세그먼트 마찰을 추정하는 단계; 및
    상기 제1 노면 세그먼트 마찰들과 상기 이전 여행 동안의 대응되는 시간 상의 지점들에 대해 추정된 복수의 제2 노면 세그먼트 마찰들 사이의 차이를 결정하는 단계 - 상기 비용은 상기 제1 노면 세그먼트 마찰들과 상기 제2 노면 세그먼트 마찰들 사이의 차이에 기초하여 계산됨 - 를 포함하는, 방법.
  7. 제6항에 있어서, 상기 비용은 상기 제1 노면 세그먼트 마찰들과 상기 제2 노면 세그먼트 마찰들 사이의 차이의 합에 기초하여 계산되는, 방법.
  8. 제6항에 있어서, 상기 제1 노면 세그먼트 마찰들 각각은 상기 ADV의 위치 및 대응되는 도로 세그먼트의 시간 상의 지점에서 발행된 제어 명령에 응답한 상기 ADV의 속도에 기초하여 추정되는, 방법.
  9. 명령어들을 저장하는 비일시적 기계 판독 가능 매체로서, 상기 명령어들은 프로세서에 의해 실행될 때 상기 프로세서로 하여금 동작들을 수행하게 하고, 상기 동작들은,
    출발 위치로부터 목적지 위치까지 자율 주행 차량(ADV)을 주행시키기 위한 계획 데이터를 수신하는 것,
    상기 계획 데이터에 기초하여 일련의 제어 명령을 생성하는 것 - 상기 제어 명령은 상기 출발 위치로부터 상기 목적지 위치까지 시간 상의 복수의 지점에서 적용됨 -,
    비용 함수를 상기 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 상기 출발 위치에서 상기 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용하여 비용을 계산하는 것,
    상기 비용이 최소가 되도록, 상기 이전 여행의 이전 종료 비용을 고려하고 상기 비용 함수를 사용하여 상기 현재 여행의 제1 노면 마찰을 추정하는 것을 포함하는, 저장하는, 기계 판독 가능 매체.
  10. 제9항에 있어서, 상기 종료 비용은 상기 비용 함수를 사용하여 상기 이전 여행의 목적지 위치에서 계산된 이전 비용을 포함하는, 기계 판독 가능 매체.
  11. 제9항에 있어서, 상기 동작들은,
    상기 ADV가 상기 목적지 위치에 도달할 때 상기 현재 여행에 대한 현재 종료 비용을 계산하는 것,
    상기 이전 여행의 이전 종료 비용 및 상기 현재 여행의 현재 종료 비용을 비교하여 상기 이전 및 현재 종료 비용 간의 차이가 소정의 임계값 미만인지를 결정하는 것,
    상기 차이가 상기 소정의 임계치를 초과한다고 결정하는 것에 응답하여, 일련의 제어 명령을 생성하고 상기 출발 위치로부터 상기 목적지 위치로의 새로운 여행에 대한 상기 제어 명령에 비용 함수를 적용함으로써 비용을 계산하는 것을 반복적으로 수행하는 것을 더 포함하는, 기계 판독 가능 매체.
  12. 제11항에 있어서, 상기 동작들은 상기 차이가 상기 소정의 임계값 미만이라고 결정하는 것에 응답하여, 상기 현재 여행의 상기 제1 노면 마찰을 상기 출발 위치와 상기 목적지 위치 사이의 최종 노면 마찰로 지정하는 것을 더 포함하는, 기계 판독 가능 매체.
  13. 제12항에 있어서, 상기 최종 노면 마찰은 상기 출발 위치로부터 상기 목적지 위치로의 후속 여행에서 상기 ADV에 대한 후속 제어 명령을 결정하기 위해 활용되는, 기계 판독 가능 매체.
  14. 제9항에 있어서, 상기 제1 노면 마찰을 추정하는 것은,
    상기 출발 위치와 상기 목적지 위치 사이의 상기 시간 상의 복수의 지점에 대응하는 복수의 도로 세그먼트의 복수의 제1 노면 세그먼트 마찰을 추정하는 것,
    상기 제1 노면 세그먼트 마찰들과 상기 이전 여행 동안의 대응되는 시간 상의 지점들에 대해 추정된 복수의 제2 노면 세그먼트 마찰들 사이의 차이를 결정하는 것 - 상기 비용은 상기 제1 노면 세그먼트 마찰들과 상기 제2 노면 세그먼트 마찰들 사이의 차이에 기초하여 계산됨 - 을 포함하는, 기계 판독 가능 매체.
  15. 제14항에 있어서, 상기 비용은 상기 제1 노면 세그먼트 마찰들과 상기 제2 노면 세그먼트 마찰들 사이의 차이의 합에 기초하여 계산되는, 기계 판독 가능 매체.
  16. 제14항에 있어서, 상기 제1 노면 세그먼트 마찰들 각각은 상기 ADV의 위치 및 대응되는 도로 세그먼트의 시간 상의 지점에서 발행된 제어 명령에 응답한 상기 ADV의 속도에 기초하여 추정되는, 기계 판독 가능 매체.
  17. 데이터 처리 시스템에 있어서,
    프로세서; 및
    상기 프로세서에 결합되어 명령어들을 저장하는 메모리를 포함하고, 상기 명령어들은 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금 동작들을 수행하게 하며, 상기 동작들은,
    출발 위치로부터 목적지 위치까지 자율 주행 차량(ADV)을 주행시키기 위한 계획 데이터를 수신하는 것,
    상기 계획 데이터에 기초하여 일련의 제어 명령을 생성하는 것 - 상기 제어 명령은 상기 출발 위치로부터 상기 목적지 위치까지 시간 상의 복수의 지점에서 적용됨 -,
    비용 함수를 상기 제어 명령, 현재 여행에서 추정되는 제1 노면 마찰 및 상기 출발 위치에서 상기 목적지 위치로의 이전 여행 동안 추정된 제2 노면 마찰에 적용하여 비용을 계산하는 것,
    상기 비용이 최소가 되도록, 상기 이전 여행의 이전 종료 비용을 고려하고 상기 비용 함수를 사용하여 상기 현재 여행의 제1 노면 마찰을 추정하는 것을 포함하는, 데이터 처리 시스템.
  18. 제17항에 있어서, 상기 종료 비용은 상기 비용 함수를 사용하여 상기 이전 여행의 목적지 위치에서 계산된 이전 비용을 포함하는, 데이터 처리 시스템.
  19. 제17항에 있어서, 상기 동작들은,
    상기 ADV가 상기 목적지 위치에 도달할 때 상기 현재 여행에 대한 현재 종료 비용을 계산하는 것,
    상기 이전 여행의 이전 종료 비용 및 상기 현재 여행의 현재 종료 비용을 비교하여 상기 이전 및 현재 종료 비용 간의 차이가 소정의 임계값 미만인지를 결정하는 것,
    상기 차이가 상기 소정의 임계치를 초과한다고 결정하는 것에 응답하여, 일련의 제어 명령을 생성하고 상기 출발 위치로부터 상기 목적지 위치로의 새로운 여행에 대한 상기 제어 명령에 비용 함수를 적용함으로써 비용을 계산하는 것을 반복적으로 수행하는 것을 더 포함하는, 데이터 처리 시스템.
  20. 제19항에 있어서, 상기 동작들은 상기 차이가 상기 소정의 임계값 미만이라고 결정하는 것에 응답하여, 상기 현재 여행의 상기 제1 노면 마찰을 상기 출발 위치와 상기 목적지 위치 사이의 최종 노면 마찰로 지정하는 것을 더 포함하는, 데이터 처리 시스템.
  21. 제20항에 있어서, 상기 최종 노면 마찰은 상기 출발 위치로부터 상기 목적지 위치로의 후속 여행에서 상기 ADV에 대한 후속 제어 명령을 결정하기 위해 활용되는, 데이터 처리 시스템.
  22. 제17항에 있어서, 상기 제1 노면 마찰을 추정하는 것은,
    상기 출발 위치와 상기 목적지 위치 사이의 상기 시간 상의 복수의 지점에 대응하는 복수의 도로 세그먼트의 복수의 제1 노면 세그먼트 마찰을 추정하는 것,
    상기 제1 노면 세그먼트 마찰들과 상기 이전 여행 동안의 대응되는 시간 상의 지점들에 대해 추정된 복수의 제2 노면 세그먼트 마찰들 사이의 차이를 결정하는 것 - 상기 비용은 상기 제1 노면 세그먼트 마찰들과 상기 제2 노면 세그먼트 마찰들 사이의 차이에 기초하여 계산됨 - 을 포함하는, 데이터 처리 시스템.
KR1020187006433A 2017-01-13 2017-01-13 학습 기반 모델 예측 제어를 이용한 자율 주행 차량의 노면 마찰 결정 방법 및 시스템 KR101975725B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/071108 WO2018129711A1 (en) 2017-01-13 2017-01-13 Method and system for determining road frictions of autonomous driving vehicles using learning-based model predictive control

Publications (2)

Publication Number Publication Date
KR20180116216A KR20180116216A (ko) 2018-10-24
KR101975725B1 true KR101975725B1 (ko) 2019-05-07

Family

ID=62839251

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187006433A KR101975725B1 (ko) 2017-01-13 2017-01-13 학습 기반 모델 예측 제어를 이용한 자율 주행 차량의 노면 마찰 결정 방법 및 시스템

Country Status (6)

Country Link
US (1) US10407076B2 (ko)
EP (1) EP3562725B8 (ko)
JP (1) JP6539408B2 (ko)
KR (1) KR101975725B1 (ko)
CN (1) CN108684203B (ko)
WO (1) WO2018129711A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210065718A (ko) 2019-11-27 2021-06-04 재단법인 지능형자동차부품진흥원 인공지능을 이용한 센서융합 기반의 노면 분류 방법 및 장치

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3423787B8 (en) * 2017-05-22 2020-04-08 Baidu.com Times Technology (Beijing) Co., Ltd. Method and system for updating maps based on control feedbacks of autonomous driving vehicles
DE102017214032A1 (de) * 2017-08-11 2019-02-14 Robert Bosch Gmbh Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn und Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs
US10775790B2 (en) * 2018-02-09 2020-09-15 Baidu Usa Llc Methods and systems for model predictive control of autonomous driving vehicle
US11226620B2 (en) * 2019-02-08 2022-01-18 GM Global Technology Operations LLC Automated driving systems and control logic with enhanced longitudinal control for transitional surface friction conditions
CN109871017B (zh) * 2019-02-20 2022-09-13 阿波罗智能技术(北京)有限公司 自动驾驶参考线调用方法、装置和终端
DE102019205405A1 (de) * 2019-04-15 2020-10-15 Zf Friedrichshafen Ag Ermittlung einer Eingangsgröße eines Fahrzeug-Aktuators mittels modellgestützter prädiktiver Regelung
KR20200135886A (ko) * 2019-05-10 2020-12-04 현대자동차주식회사 자율주행차량을 지원하는 시스템 및 방법
US11543343B2 (en) 2019-09-05 2023-01-03 Volvo Car Corporation Road friction estimation
US11318947B2 (en) 2019-12-23 2022-05-03 Volvo Car Corporation Estimating surface friction coefficients using rear-wheel steering excitations
EP4110668A1 (en) * 2020-02-24 2023-01-04 Thales Canada Inc. Controller, control system and method for vehicle control
KR20220015171A (ko) 2020-07-30 2022-02-08 현대자동차주식회사 차량 서스펜션 제어 장치 및 방법
WO2022044470A1 (ja) * 2020-08-27 2022-03-03 パナソニックＩｐマネジメント株式会社 移動体制御方法、移動体制御装置、および移動体
US11521394B2 (en) * 2020-10-09 2022-12-06 Motional Ad Llc Ground plane estimation using LiDAR semantic network
CN112668669B (zh) * 2021-01-27 2023-09-26 河北省交通规划设计院 一种路面摩擦系数估计方法、装置和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014148989A1 (en) 2013-03-19 2014-09-25 Scania Cv Ab Control system for autonomous vehicles, and a method for the control system
CN104890595A (zh) 2014-03-04 2015-09-09 沃尔沃汽车公司 在自动驾驶车辆中预测自动驾驶可用时间的设备和方法
US20180283895A1 (en) 2015-09-24 2018-10-04 Apple Inc. Navigation system and method

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1141708A (ja) * 1997-07-23 1999-02-12 Nissan Motor Co Ltd ハイブリッド車両
JP3440791B2 (ja) * 1997-11-21 2003-08-25 トヨタ自動車株式会社 路面状態判定装置
US6728620B2 (en) * 2002-02-08 2004-04-27 Visteon Global Technologies, Inc. Predictive control algorithm for an anti-lock braking system for an automotive vehicle
JP2005028887A (ja) * 2003-07-07 2005-02-03 Fuji Heavy Ind Ltd 路面摩擦係数推定装置および路面摩擦係数推定方法
JP2010163131A (ja) * 2009-01-19 2010-07-29 Sumitomo Electric Ind Ltd 路面状況判別装置
JP2010179678A (ja) * 2009-02-03 2010-08-19 Honda Motor Co Ltd 路面摩擦係数推定装置
DE112010005366B4 (de) * 2010-03-08 2022-02-03 Mitsubishi Electric Corporation Routensuchvorrichtung
JP6467773B2 (ja) * 2014-02-25 2019-02-13 アイシン・エィ・ダブリュ株式会社 経路探索システム、経路探索方法及びコンピュータプログラム
US9707960B2 (en) * 2014-07-31 2017-07-18 Waymo Llc Traffic signal response for autonomous vehicles
CN104554251A (zh) * 2014-12-09 2015-04-29 河南理工大学 基于道路坡度信息的混合动力汽车节能预测控制方法
US9815476B2 (en) * 2014-12-22 2017-11-14 Here Global B.V. Method and apparatus for providing road surface friction data for a response action
CN104773170B (zh) * 2015-04-28 2017-03-29 吉林大学 一种车辆稳定性集成控制方法
US9821801B2 (en) * 2015-06-29 2017-11-21 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling semi-autonomous vehicles
US9721472B2 (en) * 2015-09-22 2017-08-01 Ford Global Technologies, Llc Formulating lane level routing plans
US10002471B2 (en) * 2015-09-30 2018-06-19 Ants Technology (Hk) Limited Systems and methods for autonomous vehicle navigation
CN105404729B (zh) * 2015-11-04 2019-05-03 北京联合大学 智能驾驶中基于驾驶态势图簇的改进pid速度控制方法
US10473470B2 (en) * 2016-10-20 2019-11-12 nuTonomy Inc. Identifying a stopping place for an autonomous vehicle
CN108121325A (zh) * 2017-11-17 2018-06-05 南京视莱尔汽车电子有限公司 一种自动驾驶汽车地面状态评定方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014148989A1 (en) 2013-03-19 2014-09-25 Scania Cv Ab Control system for autonomous vehicles, and a method for the control system
CN104890595A (zh) 2014-03-04 2015-09-09 沃尔沃汽车公司 在自动驾驶车辆中预测自动驾驶可用时间的设备和方法
US20180283895A1 (en) 2015-09-24 2018-10-04 Apple Inc. Navigation system and method

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210065718A (ko) 2019-11-27 2021-06-04 재단법인 지능형자동차부품진흥원 인공지능을 이용한 센서융합 기반의 노면 분류 방법 및 장치

Also Published As

Publication number Publication date
JP2019512111A (ja) 2019-05-09
CN108684203B (zh) 2021-05-28
US20180304900A1 (en) 2018-10-25
JP6539408B2 (ja) 2019-07-03
US10407076B2 (en) 2019-09-10
KR20180116216A (ko) 2018-10-24
EP3562725A1 (en) 2019-11-06
EP3562725B8 (en) 2022-02-23
WO2018129711A1 (en) 2018-07-19
CN108684203A (zh) 2018-10-19
EP3562725B1 (en) 2022-01-12
EP3562725A4 (en) 2020-09-23

Similar Documents

Publication Publication Date Title
KR101975725B1 (ko) 학습 기반 모델 예측 제어를 이용한 자율 주행 차량의 노면 마찰 결정 방법 및 시스템
KR102042123B1 (ko) 자율 주행 차량을 위한 속력 제어 파라미터 추정 방법
US10289110B2 (en) Method to dynamically adjusting steering rates of autonomous vehicles
EP3423787B1 (en) Method and system for updating maps based on control feedbacks of autonomous driving vehicles
KR101975728B1 (ko) 자율 주행 차량을 위한 사이드슬립 보상 제어 방법
KR102048646B1 (ko) 자율 주행 차량 이동을 시뮬레이트하기 위한 물리 모델 및 머신 러닝과 결합된 방법
KR102260486B1 (ko) 자율 주행 차량의 완전 정지를 위한 속력 제어
JP6494715B2 (ja) 自律走行車の速度制御率の動的調整方法
US10569651B2 (en) Speed control and steering control assistant based on pitch status and roll status of autonomous driving vehicle
KR20180052673A (ko) 자율 주행 차량 제어를 위한 시스템 지연 추정 방법
US10606273B2 (en) System and method for trajectory re-planning of autonomous driving vehicles
JP2019182401A (ja) 自動運転車に用いられる学習に基づく速度計画装置
JP2018108801A (ja) 自律走行車の安定性を向上させるための方法及びシステム
KR20180051568A (ko) 자율 주행 차량을 위한 시스템 지연 보정 제어 방법
KR20180135847A (ko) 자율 주행 차량을 위한 감속 연석 기반 방향 검출 및 차선 유지 시스템
JP2019501809A (ja) 自律走行車の速度を追従する方法及びシステム
WO2020132959A1 (en) Spiral curve based vertical parking planner system for autonomous driving vehicles

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant