KR20190108638A - 자율주행 차량 운용 관리 차단 모니터링 - Google Patents
자율주행 차량 운용 관리 차단 모니터링 Download PDFInfo
- Publication number
- KR20190108638A KR20190108638A KR1020197026084A KR20197026084A KR20190108638A KR 20190108638 A KR20190108638 A KR 20190108638A KR 1020197026084 A KR1020197026084 A KR 1020197026084A KR 20197026084 A KR20197026084 A KR 20197026084A KR 20190108638 A KR20190108638 A KR 20190108638A
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- autonomous vehicle
- transport network
- information
- autonomous
- Prior art date
Links
- 230000000903 blocking effect Effects 0.000 title claims abstract description 86
- 238000012544 monitoring process Methods 0.000 title abstract description 28
- 230000002123 temporal effect Effects 0.000 claims description 183
- 238000011156 evaluation Methods 0.000 claims description 177
- 238000000034 method Methods 0.000 claims description 73
- 230000009471 action Effects 0.000 description 192
- 238000007726 management method Methods 0.000 description 178
- 238000004891 communication Methods 0.000 description 81
- 230000008859 change Effects 0.000 description 60
- 230000008569 process Effects 0.000 description 42
- 238000003032 molecular docking Methods 0.000 description 26
- 230000004044 response Effects 0.000 description 23
- 230000001133 acceleration Effects 0.000 description 21
- 230000007704 transition Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 230000033228 biological regulation Effects 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000001276 controlling effect Effects 0.000 description 11
- 230000002787 reinforcement Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000003466 anti-cipated effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000008080 stochastic effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- -1 nickel metal hydride Chemical class 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/085—Taking automatic action to adjust vehicle attitude in preparation for collision, e.g. braking for nose dropping
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- 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
- 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
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic 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
- 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
- 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
- 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
- B60W30/10—Path keeping
-
- 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
- B60W30/14—Adaptive cruise control
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
-
- 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
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
-
- B60W2050/0077—
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
-
- 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
- B60W2554/802—Longitudinal distance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Electromagnetism (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
차단 모니터링을 포함하는 자율주행 차량 운용 관리는 자율주행 차량에 의해 차량 운송 네트워크를 횡단하는 것을 포함할 수 있다. 차량 운송 네트워크를 횡단하는 것은 차단 모니터 인스턴스를 동작시키는 것을 포함할 수 있고, 이는 자율주행 차량의 정의된 거리 내에 있는 제1 외부 물체에 대응하는 정보를 포함하는 운용 환경 정보를 식별하는 것, 차량 운송 네트워크 내에서의 자율주행 차량의 현재의 지리공간적 위치 및 자율주행 차량에 대한 식별된 루트에 기초하여 차량 운송 네트워크의 제1 영역을 결정하는 것, 및 운용 환경 정보에 기초하여 제1 영역에 대한 이용가능성 확률을 결정하는 것을 포함할 수 있다. 차량 운송 네트워크를 횡단하는 것은 이용가능성 확률에 기초하여 차량 운송 네트워크의 부분을 횡단하는 것을 포함할 수 있다.
Description
본 개시내용은 자율주행 차량 운용 관리(autonomous vehicle operational management) 및 자율 주행(autonomous driving)에 관한 것이다.
자율주행 차량(autonomous vehicle)과 같은 차량은 차량 운송 네트워크(vehicle transportation network)의 부분을 횡단(traverse)할 수 있다. 차량 운송 네트워크의 부분을 횡단하는 것은 예컨대 차량의 센서에 의해, 차량의 운용 환경 또는 그 일부를 표현하는 데이터와 같은 데이터를 생성하거나 캡처하는 것을 포함할 수 있다. 따라서, 차단 모니터링(blocking monitoring)을 포함하는 자율주행 차량 운용 관리를 위한 시스템, 방법, 및 장치가 유리할 수 있다.
본 명세서에서는, 차단 모니터링을 포함하는 자율주행 차량 운용 관리의 양태들, 특징들, 요소들, 구현예들 및 실시예들이 개시된다.
개시된 실시예들의 양태는 차량 운송 네트워크를 횡단하는 데 사용하기 위한 방법이고, 이는 자율주행 차량에 의해 차량 운송 네트워크를 횡단하는 단계를 포함할 수 있고, 여기서 차량 운송 네트워크를 횡단하는 단계는 차단 모니터 인스턴스를 동작시키는 단계를 포함한다. 차단 모니터 인스턴스를 동작시키는 단계는 자율주행 차량의 정의된 거리 내에 있는 제1 외부 물체에 대응하는 정보를 포함하는 운용 환경 정보를 식별하는 단계, 차량 운송 네트워크 내의 자율주행 차량의 현재의 지리공간적 위치 및 자율주행 차량에 대한 식별된 루트에 기초하여 차량 운송 네트워크의 제1 영역을 결정하는 단계, 및 운용 환경 정보에 기초하여 제1 영역에 대한 이용가능성 확률을 결정하는 단계를 포함한다. 차량 운송 네트워크를 횡단하는 단계는 이용가능성 확률에 기초하여 차량 운송 네트워크의 부분을 횡단하는 단계를 포함할 수 있다.
개시된 실시예들의 양태는 차량 운송 네트워크를 횡단하는 데 사용하기 위한 방법이고, 이는 자율주행 차량에 의해 차량 운송 네트워크를 횡단하는 단계를 포함할 수 있고, 여기서 차량 운송 네트워크를 횡단하는 단계는 자율주행 차량의 정의된 거리 내에 있는 외부 물체에 대응하는 정보를 포함하는 운용 환경 정보를 식별하는 단계, 차량 운송 네트워크 내의 자율주행 차량의 현재의 지리공간적 위치 및 자율주행 차량에 대한 식별된 루트에 기초하여 차량 운송 네트워크의 영역을 식별하는 단계, 차단 모니터 인스턴스에 의해, 운용 환경 정보에 기초하여 차량 운송 네트워크의 영역에 대한 차단 확률을 결정하는 단계를 포함하고, 여기서 차단 확률은 외부 물체에 대한 예상 경로 및 자율주행 차량에 대한 제1 예상 경로가 영역 내에서 지리공간적으로 및 시간적으로 수렴할 확률을 나타낸다. 차량 운송 네트워크를 횡단하는 단계는 차단 확률이 정의된 임계값 내에 있는 조건에서, 자율주행 차량에 대한 제1 예상 경로에 따라 차량 운송 네트워크의 부분을 횡단하는 단계를 포함할 수 있다. 차량 운송 네트워크를 횡단하는 단계는 차단 확률이 적어도 정의된 임계값인 조건에서, 외부 물체에 대한 예상 경로 및 자율주행 차량에 대한 제2 예상 경로가 영역 내에서 지리공간적으로 및 시간적으로 수렴할 확률이 정의된 임계값 내에 있도록 자율주행 차량에 대한 업데이트된 루트를 생성하는 단계 - 제2 예상 경로는 업데이트된 루트에 기초함 -, 및 자율주행 차량에 대한 제2 예상 경로에 따라 차량 운송 네트워크의 부분을 횡단하는 단계를 포함할 수 있다.
개시된 실시예들의 다른 양태는 차단 모니터링을 포함하는 자율주행 차량 운용 관리를 위한 자율주행 차량이다. 자율주행 차량은 자율주행 차량의 정의된 거리 내에 있는 외부 물체에 대응하는 정보를 포함하는 운용 환경 정보를 식별하고; 차량 운송 네트워크 내의 자율주행 차량의 현재의 지리공간적 위치 및 자율주행 차량에 대한 식별된 루트에 기초하여 차량 운송 네트워크의 부분을 식별하고; 운용 환경 정보에 기초하여 차량 운송 네트워크의 영역에 대한 이용가능성 확률을 결정하고; 이용가능성 확률에 기초하여 차량 운송 네트워크의 부분을 횡단하도록 자율주행 차량을 제어하기 위해 차단 모니터 인스턴스를 동작시키도록, 비-일시적 컴퓨터 판독가능한 매체 상에 저장된 명령어들을 실행하도록 구성된 프로세서를 포함할 수 있다.
본 명세서에 개시된 방법들, 장치들, 절차들, 및 알고리즘들의 이들 및 다른 양태들, 특징들, 요소들, 구현예들, 및 실시예들의 변형들은 이하에 더 상세하게 설명된다.
본 명세서에 개시된 방법들 및 장치들의 다양한 양태들은 이하의 설명 및 도면에 제공된 예들을 참조함으로써 더 명백해질 것이다:
도 1은 본 명세서에 개시된 양태들, 특징들 및 요소들이 구현될 수 있는 차량의 예의 도면이다.
도 2는 본 명세서에 개시된 양태들, 특징들 및 요소들이 구현될 수 있는 차량 운송 및 통신 시스템의 부분의 예의 도면이다.
도 3은 본 개시내용에 따른 차량 운송 네트워크의 부분의 도면이다.
도 4는 본 개시내용의 실시예들에 따른 자율주행 차량 운용 관리 시스템의 예의 도면이다.
도 5는 본 개시내용의 실시예들에 따른 자율주행 차량 운용 관리의 예의 흐름도이다.
도 6은 본 개시내용의 실시예들에 따른 차단 장면의 예의 도면이다.
도 7은 본 개시내용의 실시예들에 따른 보행자 시나리오들을 포함하는 보행자 장면의 예의 도면이다.
도 8은 본 개시내용의 실시예들에 따른 교차로 시나리오들을 포함하는 교차로 장면의 예의 도면이다.
도 9는 본 개시내용의 실시예들에 따른 차선 변경 시나리오를 포함하는 차선 변경 장면의 예의 도면이다.
도 1은 본 명세서에 개시된 양태들, 특징들 및 요소들이 구현될 수 있는 차량의 예의 도면이다.
도 2는 본 명세서에 개시된 양태들, 특징들 및 요소들이 구현될 수 있는 차량 운송 및 통신 시스템의 부분의 예의 도면이다.
도 3은 본 개시내용에 따른 차량 운송 네트워크의 부분의 도면이다.
도 4는 본 개시내용의 실시예들에 따른 자율주행 차량 운용 관리 시스템의 예의 도면이다.
도 5는 본 개시내용의 실시예들에 따른 자율주행 차량 운용 관리의 예의 흐름도이다.
도 6은 본 개시내용의 실시예들에 따른 차단 장면의 예의 도면이다.
도 7은 본 개시내용의 실시예들에 따른 보행자 시나리오들을 포함하는 보행자 장면의 예의 도면이다.
도 8은 본 개시내용의 실시예들에 따른 교차로 시나리오들을 포함하는 교차로 장면의 예의 도면이다.
도 9는 본 개시내용의 실시예들에 따른 차선 변경 시나리오를 포함하는 차선 변경 장면의 예의 도면이다.
자율주행 차량 또는 반-자율주행 차량과 같은 차량은 차량 운송 네트워크의 부분을 횡단할 수 있다. 차량은 하나 이상의 센서를 포함할 수 있고, 차량 운송 네트워크를 횡단하는 것은 센서들이 차량의 운용 환경 또는 그 일부에 대응하는 데이터와 같은 센서 데이터를 생성 또는 캡처하는 것을 포함할 수 있다. 예를 들어, 센서 데이터는 보행자들, 원격 차량들, 차량 운용 환경 내의 다른 물체들, 차량 운송 네트워크 기하구조, 또는 이들의 조합과 같은 하나 이상의 외부 물체에 대응하는 정보를 포함할 수 있다.
자율주행 차량은 자율주행 차량에 대한 센서 데이터와 같은 운용 환경 정보를 처리할 수 있는 하나 이상의 운용 환경 모니터를 포함할 수 있는 자율주행 차량 운용 관리 시스템을 포함할 수 있다. 운용 환경 모니터들은 자율주행 차량에 시공간적으로(spatiotemporally) 근접한 차량 운송 네트워크의 부분들에 대한 이용가능성 확률 정보(probability of availability information)를 결정할 수 있는 차단 모니터(blocking monitor)를 포함할 수 있다.
자율주행 차량 운용 관리 시스템은 외부 물체들에 대응하는 하나 이상의 운용 시나리오, 예컨대 보행자 시나리오들, 교차로 시나리오들, 차선 변경 시나리오들 또는 임의의 다른 차량 운용 시나리오, 또는 차량 운용 시나리오들의 조합을 검출할 수 있는 자율주행 차량 운용 관리 제어기 또는 실행기를 포함할 수 있다.
자율주행 차량 운용 관리 시스템은 하나 이상의 시나리오 특정 운용 제어 평가 모듈을 포함할 수 있다. 각각의 시나리오 특정 운용 제어 평가 모듈은 각각의 운용 시나리오의 부분적으로 관측가능한 마르코프 결정 프로세스(Partially Observable Markov Decision Process)(POMDP) 모델과 같은 모델일 수 있다. 자율주행 차량 운용 관리 제어기는 대응하는 운용 시나리오들을 검출하는 것에 응답하여 시나리오 특정 운용 제어 평가 모듈들의 각각의 인스턴스들을 인스턴스화할 수 있다.
자율주행 차량 운용 관리 제어기는 각각의 인스턴스화된 시나리오 특정 운용 제어 평가 모듈 인스턴스들로부터 후보 차량 제어 액션들을 수신할 수 있고, 후보 차량 제어 액션들로부터 차량 제어 액션을 식별할 수 있고, 식별된 차량 제어 액션에 따라 차량 운송 네트워크의 부분을 횡단하도록 자율주행 차량을 제어할 수 있다.
본 명세서에서는 자율주행 차량을 참조하여 설명하였지만, 본 명세서에 설명된 방법들 및 장치들은 자율주행 또는 반-자율주행 동작이 가능한 임의의 차량에서 구현될 수 있다. 차량 운송 네트워크를 참조하여 설명되었지만, 본 명세서에서 설명된 방법 및 장치는 차량에 의해 항행가능한 임의의 영역에서 동작하는 자율주행 차량을 포함할 수 있다.
본 명세서에서 사용될 때, 용어 "컴퓨터" 또는 "컴퓨팅 디바이스"는 본 명세서에 개시된 임의의 방법 또는 그것의 임의의 부분 또는 부분들을 수행할 수 있는 임의의 유닛 또는 유닛들의 조합을 포함한다.
본 명세서에서 사용될 때, 용어 "프로세서"는 하나 이상의 특수 목적 프로세서, 하나 이상의 디지털 신호 프로세서, 하나 이상의 마이크로프로세서, 하나 이상의 제어기, 하나 이상의 마이크로컨트롤러, 하나 이상의 애플리케이션 프로세서, 하나 이상의 응용 특정 집적 회로, 하나 이상의 응용 특정 표준 제품, 하나 이상의 필드 프로그래머블 게이트 어레이, 임의의 다른 타입 또는 조합의 집적 회로들, 하나 이상의 상태 머신, 또는 이들의 임의의 조합과 같은 하나 이상의 프로세서를 나타낸다.
본 명세서에서 사용될 때, 용어 "메모리"는 임의의 프로세서에 의해 또는 그와 관련하여 사용될 수 있는 임의의 신호 또는 정보를 유형으로(tangibly) 포함, 저장, 통신, 또는 전송할 수 있는 임의의 컴퓨터 사용가능한 또는 컴퓨터 판독가능한 매체 또는 디바이스를 나타낸다. 예를 들어, 메모리는 하나 이상의 판독 전용 메모리(ROM), 하나 이상의 랜덤 액세스 메모리(RAM), 하나 이상의 레지스터, 저전력 더블 데이터 레이트(LPDDR) 메모리, 하나 이상의 캐시 메모리, 하나 이상의 반도체 메모리 디바이스, 하나 이상의 자기 매체, 하나 이상의 광학 매체, 하나 이상의 광자기 매체, 또는 이들의 임의의 조합일 수 있다.
본 명세서에서 사용될 때, 용어 "명령어들"은 본 명세서에 개시된 임의의 방법, 또는 그것의 임의의 부분 또는 부분들을 수행하기 위한 지시들 또는 표현들을 포함할 수 있으며, 하드웨어, 소프트웨어 또는 이들의 임의의 조합으로 실현될 수 있다. 예를 들어, 명령어들은 본 명세서에 설명된 것과 같은 각각의 방법들, 알고리즘들, 양태들, 또는 이들의 조합들 중 임의의 것을 수행하기 위해 프로세서에 의해 실행될 수 있는 메모리에 저장된 컴퓨터 프로그램과 같은 정보로서 구현될 수 있다. 일부 실시예들에서, 명령어들 또는 그 일부는 본 명세서에 설명된 것과 같은 방법들, 알고리즘들, 양태들, 또는 이들의 조합 중 임의의 것을 수행하기 위한 특수 하드웨어를 포함할 수 있는 특수 목적 프로세서 또는 회로로서 구현될 수 있다. 일부 구현예들에서, 명령어들의 부분들은 근거리 네트워크, 광역 네트워크, 인터넷, 또는 이들의 조합과 같은 네트워크를 거쳐 또는 직접적으로 통신할 수 있는 복수의 디바이스 상에, 또는 단일 디바이스 상의 복수의 프로세서에 걸쳐 분산될 수 있다.
본 명세서에서 사용될 때, 용어 "예", "실시예", "구현", "양태", "특징" 또는 "요소"는 예, 사례 또는 실례의 역할을 하는 것을 나타낸다. 명시적으로 나타나지 않는 한, 임의의 예, 실시예, 구현예, 양태, 특징 또는 요소는 서로 독립적인 예, 실시예, 구현, 양태, 특징 또는 요소이며, 임의의 다른 예, 실시예, 구현예, 양태, 특징, 또는 요소와 함께 사용될 수 있다.
본 명세서에 사용될 때, 용어 "결정하다" 및 "식별하다" 또는 그것의 임의의 변형들은 본 명세서에 도시되고 설명된 디바이스들 중 하나 이상을 이용하여 어느 것이든 임의의 방식으로 선택, 확인, 계산, 검색, 수신, 결정, 확립, 획득, 또는 다르게 식별 또는 결정하는 것을 포함한다.
본 명세서에서 사용될 때, 용어 "또는"은 배타적인 "또는"이 아니라 포괄적인 "또는"을 의미하는 것으로 의도된다. 즉, 다르게 명시되거나 문맥상 명확하지 않은 한, "X는 A 또는 B를 포함한다"는 임의의 자연적인 포괄적 순열들을 나타내도록 의도된다. 즉, X가 A를 포함하거나; X가 B를 포함하거나; X가 A와 B 둘 다를 포함하는 경우, 상기 사례들 중 임의의 것 하에서 "X는 A 또는 B를 포함한다"가 만족된다. 추가로, 본 출원 및 첨부된 청구항들에서 사용되는 단수 표현("a" 및 "an")은 단수 형태를 지시하는 것으로서 달리 명시되지 않거나 문맥상 명백하지 않은 경우, 일반적으로 "하나 이상"을 의미하는 것으로 해석되어야 한다.
또한, 설명의 단순화를 위해, 본 명세서에서의 도면들 및 설명들은 단계들 또는 스테이지들의 시퀀스들 또는 연속들을 포함할 수 있지만, 본 명세서에 개시된 방법들의 요소들은 다양한 순서들로 또는 동시에 발생할 수 있다. 추가로, 본 명세서에 개시된 방법들의 요소들은 본 명세서에 명시적으로 제시되고 설명되지 않은 다른 요소들과 함께 발생할 수 있다. 또한, 본 명세서에 설명된 방법들의 모든 요소들이 본 개시내용에 따른 방법을 구현하기 위해 요구되지는 않을 수 있다. 양태들, 특징들, 및 요소들이 특정 조합들로 설명되었지만, 각각의 양태, 특징 또는 요소는 독립적으로, 또는 다른 양태들, 특징들, 및 요소들을 갖거나 갖지 않는 다양한 조합들로 사용될 수 있다.
도 1은 본 명세서에 개시된 양태들, 특징들, 및 요소들이 구현될 수 있는 차량의 예의 도면이다. 일부 실시예들에서, 차량(1000)은 섀시(1100), 파워트레인(1200), 제어기(1300), 휠들(1400), 또는 차량의 임의의 다른 요소 또는 요소들의 조합을 포함할 수 있다. 단순하게 하기 위해 차량(1000)이 4개의 휠(1400)을 포함하는 것으로 도시되어 있지만, 프로펠러 또는 트레드와 같은 임의의 다른 추진 디바이스 또는 디바이스들이 사용될 수 있다. 도 1에서, 파워트레인(1200), 제어기(1300), 및 휠들(1400)과 같은 요소들을 상호접속하는 선들은 데이터 또는 제어 신호와 같은 정보, 전기 전력 또는 토크와 같은 동력, 또는 정보 및 전력 둘 다가 각각의 요소들 사이에서 전달될 수 있음을 나타낸다. 예를 들어, 제어기(1300)는 파워트레인(1200)으로부터 동력을 수신할 수 있고, 차량(1000)을 제어하기 위해 파워트레인(1200), 휠들(1400) 또는 둘 다와 통신할 수 있는데, 제어는 차량(1000)을 가속, 감속, 조향, 또는 다르게 제어하는 것을 나타낼 수 있다.
파워트레인(1200)은 전원(1210), 트랜스미션(1220), 조향 유닛(1230), 액추에이터(1240), 또는 서스펜션, 드라이브 샤프트, 액슬 또는 배기 시스템과 같은 파워트레인의 임의의 다른 요소 또는 요소들의 조합을 포함할 수 있다. 별개로 도시되었지만, 휠들(1400)은 파워트레인(1200)에 포함될 수 있다.
전원(1210)은 엔진, 배터리, 또는 이들의 조합을 포함할 수 있다. 전원(1210)은 전기 에너지, 열 에너지 또는 운동 에너지와 같은 에너지를 제공하도록 동작하는 임의의 디바이스 또는 디바이스들의 조합일 수 있다. 예를 들어, 전원(1210)은 내연 기관, 전기 모터, 또는 내연 기관 및 전기 모터의 조합과 같은 엔진을 포함할 수 있으며, 휠들(1400) 중 하나 이상에 운동 에너지를 원동력으로서 제공하도록 동작할 수 있다. 일부 실시예들에서, 전원(1210)은 니켈-카드뮴(NiCd), 니켈-아연(NiZn), 니켈 금속 수소화물(NiMH), 리튬 이온(Li 이온)과 같은 하나 이상의 건전지; 태양 전지들; 연료 전지들; 또는 에너지를 제공할 수 있는 임의의 다른 디바이스와 같은 포텐셜 에너지 유닛을 포함할 수 있다.
트랜스미션(1220)은 전원(1210)으로부터 운동 에너지와 같은 에너지를 수신할 수 있고, 원동력을 제공하기 위해 휠들(1400)에 에너지를 전달할 수 있다. 트랜스미션(1220)은 제어기(1300), 액추에이터(1240), 또는 둘 다에 의해 제어될 수 있다. 조향 유닛(1230)은 제어기(1300), 액추에이터(1240), 또는 둘 다에 의해 제어될 수 있고, 차량을 조향하기 위해 휠들(1400)을 제어할 수 있다. 액추에이터(1240)는 제어기(1300)로부터 신호들을 수신할 수 있고, 차량(1000)을 동작시키기 위해 전원(1210), 트랜스미션(1220), 조향 유닛(1230), 또는 이들의 임의의 조합을 작동시키거나 제어할 수 있다.
일부 실시예들에서, 제어기(1300)는 위치 유닛(1310), 전자 통신 유닛(1320), 프로세서(1330), 메모리(1340), 사용자 인터페이스(1350), 센서(1360), 전자 통신 인터페이스(1370), 또는 이들의 임의의 조합을 포함할 수 있다. 단일 유닛으로 도시되었지만, 제어기(1300)의 임의의 하나 이상의 요소는 임의의 개수의 분리된 물리적 유닛으로 통합될 수 있다. 예를 들어, 사용자 인터페이스(1350) 및 프로세서(1330)는 제1 물리적 유닛으로 통합될 수 있고, 메모리(1340)는 제2 물리적 유닛으로 통합될 수 있다. 도 1에는 도시되지 않았지만, 제어기(1300)는 배터리와 같은 전원을 포함할 수 있다. 별개의 요소들로서 도시되어 있지만, 위치 유닛(1310), 전자 통신 유닛(1320), 프로세서(1330), 메모리(1340), 사용자 인터페이스(1350), 센서(1360), 전자 통신 인터페이스(1370), 또는 이들의 임의의 조합은 하나 이상의 전자 유닛, 회로 또는 칩으로 통합될 수 있다.
일부 실시예들에서, 프로세서(1330)는 광학 프로세서들, 양자 프로세서들, 분자 프로세서들, 또는 이들의 조합을 포함하여, 현존하거나 향후 개발될 신호 또는 다른 정보를 조작하거나 처리할 수 있는 임의의 디바이스 또는 디바이스들의 조합을 포함할 수 있다. 예를 들어, 프로세서(1330)는 하나 이상의 특수 목적 프로세서, 하나 이상의 디지털 신호 프로세서, 하나 이상의 마이크로프로세서, 하나 이상의 제어기, 하나 이상의 마이크로컨트롤러, 하나 이상의 집적 회로, 하나 이상의 애플리케이션 특정 집적 회로, 하나 이상의 필드 프로그래머블 게이트 어레이, 하나 이상의 프로그래머블 로직 어레이, 하나 이상의 프로그래머블 로직 제어기, 하나 이상의 상태 머신, 또는 이들의 임의의 조합을 포함할 수 있다. 프로세서(1330)는 위치 유닛(1310), 메모리(1340), 전자 통신 인터페이스(1370), 전자 통신 유닛(1320), 사용자 인터페이스(1350), 센서(1360), 파워트레인(1200), 또는 이들의 임의의 조합과 동작가능하게 결합될 수 있다. 예를 들어, 프로세서는 통신 버스(1380)를 통해 메모리(1340)와 동작가능하게 결합될 수 있다.
메모리(1340)는 예를 들어 프로세서(1330)에 연관되거나 그에 의해 사용되거나 그에 관련된 머신 판독가능한 명령어들 또는 임의의 정보를 포함, 저장, 통신 또는 전송할 수 있는 임의의 유형의(tangible) 비-일시적 컴퓨터 사용가능한 또는 컴퓨터 판독가능한 매체를 포함할 수 있다. 메모리(1340)는 예를 들어 하나 이상의 고체 상태 드라이브, 하나 이상의 메모리 카드, 하나 이상의 이동식 매체, 하나 이상의 판독 전용 메모리, 하나 이상의 랜덤 액세스 메모리, 하드 디스크, 플로피 디스크, 광학 디스크, 자기 또는 광학 카드를 포함하는 하나 이상의 디스크, 또는 전자 정보를 저장하기에 적합한 임의의 타입의 비-일시적 매체, 또는 이들의 임의의 조합일 수 있다.
통신 인터페이스(1370)는 도시된 바와 같은 무선 안테나, 유선 통신 포트, 광학 통신 포트, 또는 유선 또는 무선 전자 통신 매체(1500)와 인터페이스할 수 있는 임의의 다른 유선 또는 무선 유닛일 수 있다. 도 1은 단일 통신 링크를 통해 통신하는 통신 인터페이스(1370)를 도시하지만, 통신 인터페이스는 복수의 통신 링크를 통해 통신하도록 구성될 수 있다. 도 1은 단일 통신 인터페이스(1370)를 도시하지만, 차량은 임의의 개수의 통신 인터페이스를 포함할 수 있다.
통신 유닛(1320)은 유선 또는 무선 전자 통신 매체(1500)를 통해, 예컨대 통신 인터페이스(1370)를 통해 신호들을 전송 또는 수신하도록 구성될 수 있다. 도 1에 명시적으로 도시되지는 않았지만, 통신 유닛(1320)은 무선 주파수(RF), 자외선(UV), 가시 광, 광섬유, 와이어라인 또는 이들의 조합과 같은 임의의 유선 또는 무선 통신 매체를 통해 전송하거나, 수신하거나, 둘 다를 하도록 구성될 수 있다. 도 1은 단일 통신 유닛(1320) 및 단일 통신 인터페이스(1370)를 도시하지만, 임의의 개수의 통신 유닛 및 임의의 개수의 통신 인터페이스가 사용될 수 있다. 일부 실시예들에서, 통신 유닛(1320)은 전용 단거리 통신(dedicated short range communications)(DSRC) 유닛, 온보드 유닛(on-board unit)(OBU), 또는 이들의 조합을 포함할 수 있다.
위치 유닛(1310)은 차량(1000)의 경도, 위도, 고도, 주행 방향 또는 속도와 같은 지리위치 정보(geolocation information)를 결정할 수 있다. 예를 들어, 위치 유닛은 전지구적 위치측정 시스템(Global Positioning System)(GPS), 예컨대 WAAS(Wide Area Augmentation System)-가능형 NMEA(National Marine-Electronics Association) 유닛, 라디오 삼각 측량 유닛, 또는 이들의 조합을 포함할 수 있다. 위치 유닛(1310)은 예를 들어 차량(1000)의 현재 진로방향, 2차원 또는 3차원으로의 차량(1000)의 현재 위치, 차량(1000)의 현재 각도 방향, 또는 이들의 조합을 표현하는 정보를 획득하기 위해 사용될 수 있다.
사용자 인터페이스(1350)는 가상 또는 물리적 키패드, 터치패드, 디스플레이, 터치 디스플레이, 헤드 업 디스플레이, 가상 디스플레이, 증강 현실 디스플레이, 햅틱 디스플레이, 안구 추적 디바이스와 같은 얼굴부위 추적 디바이스, 스피커, 마이크로폰, 비디오 카메라, 센서, 프린터 또는 이들의 임의의 조합과 같이, 사람과 인터페이스할 수 있는 임의의 유닛을 포함할 수 있다. 사용자 인터페이스(1350)는 도시된 것과 같은 프로세서(1330), 또는 제어기(1300)의 임의의 다른 요소와 동작가능하게 결합될 수 있다. 단일 유닛으로서 도시되었지만, 사용자 인터페이스(1350)는 하나 이상의 물리적 유닛을 포함할 수 있다. 예를 들어, 사용자 인터페이스(1350)는 사람과의 오디오 통신을 수행하기 위한 오디오 인터페이스, 및 사람과의 시각 및 터치 기반 통신을 수행하기 위한 터치 디스플레이를 포함할 수 있다. 일부 실시예들에서, 사용자 인터페이스(1350)는 복수의 물리적으로 분리된 유닛, 단일 물리적 유닛 내의 복수의 정의된 부분, 또는 이들의 조합과 같은 복수의 디스플레이를 포함할 수 있다.
센서(1360)는 센서들의 어레이와 같은 하나 이상의 센서를 포함할 수 있으며, 이는 차량을 제어하기 위해 사용될 수 있는 정보를 제공하도록 동작가능할 수 있다. 센서들(1360)은 차량의 현재 동작 특성들에 관한 정보를 제공할 수 있다. 센서들(1360)은 예를 들어, 속도 센서, 가속 센서들, 조향각 센서, 트랙션 관련 센서들, 제동 관련 센서들, 조향 휠 위치 센서들, 안구 추적 센서들, 착석 위치 센서들, 또는 차량(1000)의 현재 동적 상황의 소정의 양태에 관한 정보를 보고하도록 동작할 수 있는 임의의 센서 또는 센서들의 조합을 포함할 수 있다.
일부 실시예들에서, 센서들(1360)은 차량(1000)을 둘러싼 물리적 환경에 관한 정보를 획득하도록 동작가능한 센서들을 포함할 수 있다. 예를 들어, 하나 이상의 센서는 도로 기하구조 및 장애물들, 예컨대 고정된 장애물들, 차량들 및 보행자들을 검출할 수 있다. 일부 실시예들에서, 센서들(1360)은 하나 이상의 비디오 카메라, 레이저 감지 시스템, 적외선 감지 시스템, 음향 감지 시스템, 또는 임의의 다른 적합한 타입의 차량탑재 환경 감지 디바이스, 또는 현재 알려져 있거나 향후에 개발될 디바이스들의 조합일 수 있거나 그것들을 포함할 수 있다. 일부 실시예들에서, 센서들(1360) 및 위치 유닛(1310)은 결합될 수 있다.
별도로 도시되지는 않았지만, 일부 실시예들에서, 차량(1000)은 궤적 제어기를 포함할 수 있다. 예를 들어, 제어기(1300)는 궤적 제어기를 포함할 수 있다. 궤적 제어기는 차량(1000)의 현재 상태, 및 차량(1000)에 대해 계획된 루트를 기술하는 정보를 획득하고, 이 정보에 기초하여 차량(1000)에 대한 궤적을 결정 및 최적화하도록 동작가능할 수 있다. 일부 실시예들에서, 궤적 제어기는 차량(1000)이 궤적 제어기에 의해 결정된 궤적을 따르게끔 차량(1000)을 제어하도록 동작가능한 신호들을 출력할 수 있다. 예를 들어, 궤적 제어기의 출력은 파워트레인(1200), 휠들(1400) 또는 둘 다에 공급될 수 있는 최적화된 궤적일 수 있다. 일부 실시예들에서, 최적화된 궤적은 조향각들의 세트와 같은 제어 입력일 수 있으며, 각각의 조향각은 시점 또는 위치에 대응한다. 일부 실시예들에서, 최적화된 궤적은 하나 이상의 경로, 선, 곡선 또는 이들의 조합일 수 있다.
휠들(1400) 중 하나 이상은 조향 유닛(1230)의 제어 하에서 조향각에 대해 피벗할 수 있는 조향 휠, 트랜스미션(1220)의 제어 하에서 차량(1000)을 추진하도록 토크가 가해질 수 있는 추진 휠(propelled wheel), 또는 차량(1000)을 조향하고 추진할 수 있는 조향 및 추진 휠일 수 있다.
도 1에 도시되지는 않았지만, 차량은 인클로저, 블루투스
모듈, 주파수 변조(FM) 라디오 유닛, 근거리 통신(NFC) 모듈, 액정 디스플레이(LCD) 디스플레이 유닛, 유기 발광 다이오드(OLED) 디스플레이 유닛, 스피커, 또는 이들의 임의의 조합과 같이, 도 1에 도시되지 않은 유닛들 또는 요소들을 포함할 수 있다.
일부 실시예들에서, 차량(1000)은 자율주행 차량일 수 있다. 자율주행 차량은 사람의 직접적인 개입없이 자율적으로 제어되어, 차량 운송 네트워크의 부분을 횡단할 수 있다. 도 1에는 별개로 도시되지 않았지만, 일부 구현예들에서, 자율주행 차량은 자율주행 차량 라우팅, 항행, 및 제어를 수행할 수 있는 자율주행 차량 제어 유닛을 포함할 수 있다. 일부 구현예들에서, 자율주행 차량 제어 유닛은 차량의 다른 유닛과 통합될 수 있다. 예를 들어, 제어기(1300)는 자율주행 차량 제어 유닛을 포함할 수 있다.
일부 구현예들에서, 자율주행 차량 제어 유닛은 현재의 차량 동작 파라미터들에 따라 차량 운송 네트워크의 부분을 횡단하도록 차량(1000)을 제어하거나 동작시킬 수 있다. 다른 예에서, 자율주행 차량 제어 유닛은 차량을 주차시키는 것과 같은 정의된 동작 또는 기동을 수행하도록 차량(1000)을 제어하거나 동작시킬 수 있다. 다른 예에서, 자율주행 차량 제어 유닛은 차량 정보, 환경 정보, 차량 운송 네트워크를 표현하는 차량 운송 네트워크 정보, 또는 이들의 조합에 기초하여, 차량(1000)의 현재 위치와 같은 출발지로부터 목적지까지의 이동 루트를 생성할 수 있고, 루트에 따라 차량 운송 네트워크를 횡단하도록 차량(1000)을 제어하거나 동작시킬 수 있다. 예를 들어, 자율주행 차량 제어 유닛은 생성된 루트를 사용하여 출발지로부터 목적지까지 이동하도록 차량(1000)을 동작시킬 수 있는 궤적 제어기에 이동 루트를 출력할 수 있다.
도 2는 본 명세서에 개시된 양태들, 특징들 및 요소들이 구현될 수 있는 차량 운송 및 통신 시스템의 부분의 예의 도면이다. 차량 운송 및 통신 시스템(2000)은 하나 이상의 차량 운송 네트워크(2200)의 하나 이상의 부분을 통해 이동할 수 있는 도 1에 도시된 차량(1000)과 같은 하나 이상의 차량(2100/2110)을 포함할 수 있고, 하나 이상의 전자 통신 네트워크(2300)를 통해 통신할 수 있다. 도 2에 명시적으로 도시된 바와 같이, 차량은 오프로드 영역과 같은 차량 운송 네트워크에 명시적으로 또는 완전히 포함되지 않은 영역을 횡단할 수 있다.
일부 실시예들에서, 전자 통신 네트워크(2300)는 예를 들어 다중 액세스 시스템일 수 있으며, 차량(2100/2110)과 하나 이상의 통신 디바이스(2400) 사이의 음성 통신, 데이터 통신, 비디오 통신, 메시징 통신, 또는 이들의 조합과 같은 통신을 제공할 수 있다. 예를 들어, 차량(2100/2110)은 네트워크(2300)를 통해 통신 디바이스(2400)로부터 차량 운송 네트워크(2200)를 표현하는 정보와 같은 정보를 수신할 수 있다.
일부 실시예들에서, 차량(2100/2110)은 유선 통신 링크(도시되지 않음), 무선 통신 링크(2310/2320/2370), 또는 임의의 개수의 유선 또는 무선 통신 링크의 조합을 통해 통신할 수 있다. 예를 들어, 도시된 바와 같이, 차량(2100/2110)은 지상 무선 통신 링크(2310)를 통해, 비-지상 무선 통신 링크(2320)를 통해, 또는 이들의 조합을 통해 통신할 수 있다. 일부 구현예들에서, 지상 무선 통신 링크(2310)는 이더넷 링크, 직렬 링크, 블루투스 링크, 적외선(IR) 링크, 자외선(UV) 링크, 또는 전자 통신을 제공할 수 있는 임의의 링크를 포함할 수 있다.
일부 실시예들에서, 차량(2100/2110)은 다른 차량(2100/2110)과 통신할 수 있다. 예를 들어, 호스트 또는 주체 차량(HV)(2100)은 직접 통신 링크(2370)를 통해 또는 네트워크(2300)를 통해, 원격 또는 타겟 차량(RV)(2110)으로부터 기본 안전 메시지(BSM)와 같은 하나 이상의 자동화된 차량 간 메시지를 수신할 수 있다. 예를 들어, 원격 차량(2110)은 300미터와 같은 정의된 방송 범위 내에서 호스트 차량들에 메시지를 방송할 수 있다. 일부 실시예들에서, 호스트 차량(2100)은 신호 중계기(도시되지 않음) 또는 다른 원격 차량(도시되지 않음)과 같은 제3자를 통해 메시지를 수신할 수 있다. 일부 실시예들에서, 차량(2100/2110)은 예를 들어 100밀리초와 같은 정의된 간격에 기초하여, 주기적으로 하나 이상의 자동화된 차량 간 메시지를 전송할 수 있다.
자동화된 차량 간 메시지들은 차량 식별 정보, 경도, 위도 또는 고도 정보와 같은 지리공간적 상태 정보(geospatial state information), 지리공간적 위치 정확성 정보, 차량 가속 정보, 요 레이트 정보, 속도 정보, 차량 진로방향 정보, 제동 시스템 상태 정보, 스로틀 정보, 조향 휠 각도 정보 또는 차량 라우팅 정보와 같은 운동학적 상태 정보, 또는 차량 크기 정보, 전조등 상태 정보, 방향 지시등 정보, 와이퍼 상태 정보, 전송 정보 또는 임의의 다른 정보와 같은 차량 동작 상태 정보, 또는 전송 차량 상태에 관련된 정보의 조합을 포함할 수 있다. 예를 들어, 전송 상태 정보는 전송 차량의 트랜스미션이 중립 상태인지, 주차 상태인지, 순방향 상태인지, 또는 역방향 상태인지를 나타낼 수 있다.
일부 실시예들에서, 차량(2100)은 액세스 포인트(2330)를 통해 통신 네트워크(2300)와 통신할 수 있다. 컴퓨팅 디바이스를 포함할 수 있는 액세스 포인트(2330)는 유선 또는 무선 통신 링크들(2310/2340)을 통해, 차량(2100), 통신 네트워크(2300), 하나 이상의 통신 장치(2400), 또는 이들의 조합과 통신하도록 구성될 수 있다. 예를 들어, 액세스 포인트(2330)는 기지국, 기지 송수신국(BTS), 노드 B, 향상된 노드 B(eNode-B), 홈 노드 B(HNode-B), 무선 라우터, 유선 라우터, 허브, 릴레이, 스위치, 또는 임의의 유사한 유선 또는 무선 디바이스일 수 있다. 액세스 포인트는 단일 유닛으로서 도시되어 있지만, 임의의 개수의 상호접속되는 요소들을 포함할 수 있다.
일부 실시예들에서, 차량(2100)은 위성(2350) 또는 다른 비-지상 통신 디바이스를 통해 통신 네트워크(2300)와 통신할 수 있다. 컴퓨팅 디바이스를 포함할 수 있는 위성(2350)은 하나 이상의 통신 링크(2320/2360)를 통해, 차량(2100), 통신 네트워크(2300), 하나 이상의 통신 디바이스(2400), 또는 이들의 조합과 통신하도록 구성될 수 있다. 단일 유닛으로 도시되었지만, 위성은 임의의 개수의 상호접속된 요소를 포함할 수 있다.
전자 통신 네트워크(2300)는 음성, 데이터, 또는 임의의 다른 타입의 전자 통신을 제공하도록 구성된 임의의 타입의 네트워크일 수 있다. 예를 들어, 전자 통신 네트워크(2300)는 근거리 네트워크(LAN), 광역 네트워크(WAN), 가상 사설 네트워크(VPN), 이동 또는 셀룰러 전화 네트워크, 인터넷, 또는 임의의 다른 전자 통신 시스템을 포함할 수 있다. 전자 통신 네트워크(2300)는 전송 제어 프로토콜(TCP), 사용자 데이터그램 프로토콜(UDP), 인터넷 프로토콜(IP), 실시간 전송 프로토콜(RTP), 하이퍼텍스트 전송 프로토콜(HTTP), 또는 이들의 조합과 같은 통신 프로토콜을 사용할 수 있다. 단일 유닛으로 도시되었지만, 전자 통신 네트워크는 임의의 개수의 상호접속된 요소를 포함할 수 있다.
일부 실시예들에서, 차량(2100)은 차량 운송 네트워크(2200)의 부분 또는 조건을 식별할 수 있다. 예를 들어, 차량은 도 1에 도시된 센서(1360)와 같은 하나 이상의 차량 탑재 센서(2105)를 포함할 수 있고, 이는 속도 센서, 휠 속도 센서, 카메라, 자이로스코프, 광학 센서, 레이저 센서, 레이더 센서, 소닉 센서, 또는 차량 운송 네트워크(2200)의 부분 또는 조건을 결정하거나 식별할 수 있는 임의의 다른 센서 또는 디바이스, 또는 이들의 조합을 포함할 수 있다.
일부 실시예들에서, 차량(2100)은 차량 운송 네트워크(2200)를 표현하는 정보, 하나 이상의 차량 탑재 센서(2105)에 의해 식별된 정보, 또는 이들의 조합과 같이, 네트워크(2300)를 통해 전달되는 정보를 사용하여 하나 이상의 차량 운송 네트워크(2200)의 부분 또는 부분들을 횡단할 수 있다.
간략하게 하기 위해, 도 2는 하나의 차량(2100), 하나의 차량 운송 네트워크(2200), 하나의 전자 통신 네트워크(2300), 및 하나의 통신 디바이스(2400)를 도시하지만, 임의의 개수의 차량, 네트워크 또는 컴퓨팅 디바이스가 사용될 수 있다. 일부 실시예들에서, 차량 운송 및 통신 시스템(2000)은 도 2에 도시되지 않은 디바이스들, 유닛들, 또는 요소들을 포함할 수 있다. 차량(2100)은 단일 유닛으로 도시되어 있지만, 차량은 임의의 개수의 상호접속된 요소를 포함할 수 있다.
차량(2100)은 네트워크(2300)를 통해 통신 디바이스(2400)와 통신하는 것으로 도시되어 있지만, 차량(2100)은 임의의 개수의 직접 또는 간접 통신 링크를 통해 통신 디바이스(2400)와 통신할 수 있다. 예를 들어, 차량(2100)은 블루투스 통신 링크와 같은 직접 통신 링크를 통해 통신 디바이스(2400)와 통신할 수 있다.
일부 실시예들에서, 차량(2100/2210)은 차량의 운전자, 조작자 또는 소유자와 같은 엔티티(2500/2510)에 연관될 수 있다. 일부 실시예들에서, 차량(2100/2110)에 연관된 엔티티(2500/2510)는 스마트폰(2502/2512) 또는 컴퓨터(2504/2514)와 같은 하나 이상의 개인 전자 디바이스(2502/2504/2512/2514)에 연관될 수 있다. 일부 실시예들에서, 개인 전자 디바이스(2502/2504/2512/2514)는 직접 또는 간접 통신 링크를 통해 대응하는 차량(2100/2110)과 통신할 수 있다. 하나의 엔티티(2500/2510)가 도 2에서 하나의 차량(2100/2110)에 연관된 것으로 도시되어 있지만, 임의의 개수의 차량이 엔티티에 연관될 수 있고, 임의의 개수의 엔티티가 차량에 연관될 수 있다.
도 3은 본 개시내용에 따른 차량 운송 네트워크의 부분을 나타내는 도면이다. 차량 운송 네트워크(3000)는 건물과 같은 하나 이상의 항행불가능한 영역(3100), 주차 영역(3200)과 같은 하나 이상의 부분 항행가능한 영역, 도로들(3300/3400)과 같은 하나 이상의 항행가능 영역, 또는 이들의 조합을 포함할 수 있다. 일부 실시예들에서, 도 1에 도시된 차량(1000), 도 2에 도시된 차량들(2100/2110) 중 하나, 반-자율주행 차량, 또는 자율 주행을 구현하는 임의의 다른 차량과 같은 자율주행 차량은 차량 운송 네트워크(3000)의 부분 또는 부분들을 횡단할 수 있다.
차량 운송 네트워크는 하나 이상의 항행가능한 또는 부분 항행가능한 영역(3200/3300/3400) 사이에 하나 이상의 교차로(3210)를 포함할 수 있다. 예를 들어, 도 3에 도시된 차량 운송 네트워크의 부분은 주차 영역(3200)과 도로(3400) 사이의 교차로(3210)를 포함한다. 일부 실시예들에서, 주차 영역(3200)은 주차 슬롯들(3220)을 포함할 수 있다.
도로(3300/3400)와 같은 차량 운송 네트워크의 부분은 하나 이상의 차선(3320/3340/3360/3420/3440)을 포함할 수 있으며, 도 3의 화살표들에 의해 나타난 하나 이상의 이동 방향에 연관될 수 있다.
일부 실시예들에서, 도 3에 도시된 차량 운송 네트워크의 부분과 같은 차량 운송 네트워크 또는 그 일부는, 차량 운송 네트워크 정보로서 표현될 수 있다. 예를 들어, 차량 운송 네트워크 정보는 데이터베이스 또는 파일에 저장될 수 있는 마크업 언어 요소들과 같은 요소들의 계층으로서 표현될 수 있다. 단순하게 하기 위해, 본 명세서의 도면들은 차량 운송 네트워크의 부분들을 도면 또는 맵으로서 표현하는 차량 운송 네트워크 정보를 도시하지만; 차량 운송 네트워크 정보는 차량 운송 네트워크 또는 그 일부를 표현할 수 있는 임의의 컴퓨터 사용가능한 형태로 표현될 수 있다. 일부 실시예들에서, 차량 운송 네트워크 정보는 이동 정보의 방향, 속도 제한 정보, 통행료 정보, 경사 또는 각도 정보와 같은 등급 정보, 표면 재료 정보, 심미적 정보 또는 이들의 조합과 같은 차량 운송 네트워크 제어 정보를 포함할 수 있다.
일부 실시예들에서, 차량 운송 네트워크의 부분 또는 부분들의 조합은 관심 지점 또는 목적지로서 식별될 수 있다. 예를 들면, 차량 운송 네트워크 정보는 항행불가능한 영역(3100)과 같은 건물, 및 인접한 부분 항행가능한 주차 영역(3200)을 관심 지점으로서 식별할 수 있고, 자율주행 차량은 관심 지점을 목적지로서 식별할 수 있고, 자율주행 차량은 차량 운송 네트워크를 횡단하여 출발지로부터 목적지까지 이동할 수 있다. 도 3에서, 항행불가능한 영역(3100)에 연관된 주차 영역(3200)은 항행가능한 영역(3100)에 인접한 것으로 도시되어 있지만, 목적지는 예를 들어 건물에 물리적으로 또는 지리공간적으로 인접하지 않은 건물 및 주차 영역을 포함할 수 있다.
일부 실시예들에서, 목적지를 식별하는 것은 고유하게 식별가능한 불연속의 지리적 위치일 수 있는 목적지에 대한 위치를 식별하는 것을 포함할 수 있다. 예를 들어, 차량 운송 네트워크는 목적지에 대한 거리 주소, 우편 주소, 차량 운송 네트워크 주소, GPS 주소, 또는 이들의 조합과 같은 정의된 위치를 포함할 수 있다.
일부 실시예들에서, 목적지는 도 3에 도시된 입구(3500)와 같은 하나 이상의 입구에 연관될 수 있다. 일부 실시예들에서, 차량 운송 네트워크 정보는 목적지에 연관된 입구의 지리적 위치를 식별하는 정보와 같은 정의된 입구 위치 정보를 포함할 수 있다. 일부 실시예들에서, 예측된 입구 위치 정보는 본 명세서에 설명된 바와 같이 결정될 수 있다.
일부 실시예들에서, 차량 운송 네트워크는 보행자 운송 네트워크에 연관될 수 있거나 그것을 포함할 수 있다. 예를 들어, 도 3은 보행로일 수 있는 보행자 운송 네트워크의 부분(3600)을 포함한다. 일부 실시예들에서, 보행자 운송 네트워크 또는 그 부분, 예컨대 도 3에 도시된 보행자 운송 네트워크의 부분(3600)은 보행자 운송 네트워크 정보로서 표현될 수 있다. 일부 실시예들에서, 차량 운송 네트워크 정보는 보행자 운송 네트워크 정보를 포함할 수 있다. 보행자 운송 네트워크는 보행자 항행가능한 영역들을 포함할 수 있다. 보행로 또는 보도와 같은 보행자 항행가능한 영역은 차량 운송 네트워크의 항행불가능한 영역에 대응할 수 있다. 도 3에는 별개로 도시되지 않았지만, 보행자 횡단보도와 같은 보행자 항행가능한 영역은 차량 운송 네트워크의 항행가능한 영역 또는 부분 항행가능한 영역에 대응할 수 있다.
일부 실시예들에서, 목적지는 도 3에 도시된 도킹 위치(3700)와 같은 하나 이상의 도킹 위치에 연관될 수 있다. 도킹 위치(3700)는 승객의 승차 또는 하차와 같은 도킹 동작들이 수행될 수 있도록 자율주행 차량이 정지, 정차 또는 주차할 수 있는 목적지 근처의 지정되거나 지정되지 않은 위치 또는 영역일 수 있다.
일부 실시예들에서, 차량 운송 네트워크 정보는 목적지에 연관된 하나 이상의 도킹 위치(3700)의 지리적 위치를 식별하는 정보와 같은 도킹 위치 정보를 포함할 수 있다. 일부 실시예들에서, 도킹 위치 정보는 차량 운송 네트워크 정보에 수동으로 포함된 도킹 위치 정보일 수 있는, 정의된 도킹 위치 정보일 수 있다. 예를 들어, 정의된 도킹 위치 정보는 사용자 입력에 기초하여 차량 운송 네트워크 정보에 포함될 수 있다. 일부 실시예들에서, 도킹 위치 정보는 본 명세서에 설명된 바와 같이 자동적으로 생성된 도킹 위치 정보일 수 있다. 도 3에는 별개로 도시되지 않았지만, 도킹 위치 정보는 도킹 위치(3700)에 연관된 도킹 동작의 타입을 식별할 수 있다. 예를 들어, 목적지는 승객 승차를 위한 제1 도킹 위치 및 승객 하차를 위한 제2 도킹 위치에 연관될 수 있다. 자율주행 차량은 도킹 위치에 주차할 수 있지만, 목적지에 연관된 도킹 위치는 목적지에 연관된 주차 영역과는 별개이며 독립적일 수 있다.
예에서, 자율주행 차량은 항행불가능한 영역(3100), 주차 영역(3200), 및 입구(3500)를 목적지로서 포함할 수 있는 관심 지점을 식별할 수 있다. 자율주행 차량은 항행불가능한 영역(3100) 또는 입구(3500)를 관심 지점에 대한 주요 목적지로서 식별할 수 있고, 주차 영역(3200)을 2차 목적지로서 식별할 수 있다. 자율주행 차량은 도킹 위치(3700)를 주요 목적지에 대한 도킹 위치로서 식별할 수 있다. 자율주행 차량은 출발지(도시되지 않음)로부터 도킹 위치(3700)까지의 루트를 생성할 수 있다. 자율주행 차량은 루트를 사용하여 출발지로부터 도킹 위치(3700)까지 차량 운송 네트워크를 횡단할 수 있다. 자율주행 차량은 승객의 승차 또는 하차가 수행될 수 있도록 도킹 위치(3700)에서 정지 또는 주차할 수 있다. 자율주행 차량은 도킹 위치(3700)로부터 주차 영역(3200)까지의 후속 루트를 생성할 수 있고, 후속 루트를 사용하여 도킹 위치(3700)로부터 주차 영역(3200)까지 차량 운송 네트워크를 횡단할 수 있고, 주차 영역(3200)에 주차할 수 있다.
도 4는 본 개시내용의 실시예들에 따른 자율주행 차량 운용 관리 시스템(4000)의 예의 도면이다. 자율주행 차량 운용 관리 시스템(4000)은 도 1에 도시된 차량(1000), 도 2에 도시된 차량들(2100/2110) 중 하나, 반-자율주행 차량, 또는 자율 주행을 구현하는 임의의 다른 차량과 같은 자율주행 차량에서 구현될 수 있다.
자율주행 차량은 차량 운송 네트워크 또는 그 일부를 횡단할 수 있고, 이는 별개의 차량 운용 시나리오들을 횡단하는 것을 포함할 수 있다. 별개의 차량 운용 시나리오는 자율주행 차량의 정의된 시공간 영역 또는 운용 환경 내에서 자율주행 차량의 동작에 영향을 미칠 수 있는 동작 조건들의 임의의 명확하게 식별가능한 세트를 포함할 수 있다. 예를 들어, 별개의 차량 운용 시나리오는 자율주행 차량이 정의된 시공간 거리 내에서 횡단할 수 있는 도로, 도로 구간, 또는 차선의 수 또는 카디널리티(cardinality)에 기초할 수 있다. 다른 예에서, 별개의 차량 운용 시나리오는 자율주행 차량의 정의된 시공간 영역 또는 운용 환경 내에서 자율주행 차량의 동작에 영향을 미칠 수 있는 하나 이상의 교통 제어 디바이스에 기초할 수 있다. 다른 예에서, 별개의 차량 운용 시나리오는 자율주행 차량의 정의된 시공간 영역 또는 운용 환경 내에서 자율주행 차량의 동작에 영향을 미칠 수 있는 하나 이상의 식별가능한 규칙, 규정 또는 법규에 기초할 수 있다. 다른 예에서, 별개의 차량 운용 시나리오는 자율주행 차량의 정의된 시공간 영역 또는 운용 환경 내에서 자율주행 차량의 동작에 영향을 미칠 수 있는 하나 이상의 식별가능한 외부 물체에 기초할 수 있다.
별개의 차량 운용 시나리오들의 예들은 자율주행 차량이 교차로를 횡단하고 있는 별개의 차량 운용 시나리오; 보행자가 자율주행 차량의 예상 경로를 가로지르거나 그에 접근하고 있는 별개의 차량 운용 시나리오; 및 자율주행 차량이 차선을 변경하고 있는 별개의 차량 운용 시나리오를 포함한다.
단순하고 명료하게 하기 위해, 본 명세서에서는 유사한 차량 운용 시나리오들이 차량 운용 시나리오 타입들 또는 클래스들을 참조하여 설명될 수 있다. 예를 들어, 보행자들을 포함하는 차량 운용 시나리오들은 본 명세서에서 보행자들을 포함하는 차량 운용 시나리오들의 타입들 또는 클래스들을 참조하는 보행자 시나리오들로서 지칭될 수 있다. 예로서, 제1 보행자 차량 운용 시나리오는 횡단보도에서 도로를 건너는 보행자를 포함할 수 있고, 제2 보행자 차량 운용 시나리오는 무단횡단으로 도로를 건너는 보행자를 포함할 수 있다. 보행자 차량 운용 시나리오들, 교차로 차량 운용 시나리오들, 및 차선 변경 차량 운용 시나리오들이 본 명세서에 설명되지만, 임의의 다른 차량 운용 시나리오 또는 차량 운용 시나리오 타입이 사용될 수 있다.
자율주행 차량의 운용 환경의 양태들은 각각의 별개의 차량 운용 시나리오들 내에서 표현될 수 있다. 예를 들어, 외부 물체들의 상대적인 방향, 궤적, 예상 경로는 각각의 별개의 차량 운용 시나리오들 내에서 표현될 수 있다. 다른 예에서, 차량 운송 네트워크의 상대적인 기하구조가 각각의 별개의 차량 운용 시나리오들 내에서 표현될 수 있다.
예로서, 제1 별개의 차량 운용 시나리오는 보행자가 횡단보도에서 도로를 건너는 것에 대응할 수 있고, 왼쪽으로부터 오른쪽으로 건너는 것 또는 오른쪽으로부터 왼쪽으로 건너는 것과 같은 보행자의 상대적인 방향 및 예상 경로는 제1 별개의 차량 운용 시나리오 내에서 표현될 수 있다. 제2 별개의 차량 운용 시나리오는 보행자가 무단횡단으로 도로를 건너는 것에 대응할 수 있고, 왼쪽으로부터 오른쪽으로 건너는 것 또는 오른쪽으로부터 왼쪽으로 건너는 것과 같은 보행자의 상대적인 방향 및 예상 경로는 제2 별개의 차량 운용 시나리오 내에서 표현될 수 있다.
일부 실시예들에서, 자율주행 차량은 복합 차량 운용 시나리오의 양태들일 수 있는 운용 환경 내의 복수의 별개의 차량 운용 시나리오를 횡단할 수 있다. 예를 들어, 보행자는 교차로를 횡단하는 자율주행 차량에 대한 예상 경로에 접근할 수 있다.
자율주행 차량 운용 관리 시스템(4000)은 안전 제약들, 법적인 제약들, 물리적 제약들, 사용자 수용가능성 제약들, 또는 자율주행 차량들의 동작에 대해 정의되거나 유도될 수 있는 임의의 다른 제약 또는 제약들의 조합과 같은 정의된 제약들에 종속되는 별개의 차량 운용 시나리오들을 횡단하도록 자율주행 차량을 동작시키거나 제어할 수 있다.
일부 실시예들에서, 별개의 차량 운용 시나리오들을 횡단하도록 자율주행 차량을 제어하는 것은 별개의 차량 운용 시나리오들을 식별 또는 검출하는 것, 별개의 차량 운용 시나리오들에 기초하여 후보 차량 제어 액션들을 식별하는 것, 후보 차량 제어 액션들 중 하나 이상에 따라 차량 운송 네트워크의 부분을 횡단하도록 자율주행 차량을 제어하는 것, 또는 이들의 조합을 포함할 수 있다.
차량 제어 액션은 가속, 감속, 선회, 정지, 또는 차량 운송 네트워크의 부분을 횡단하는 것과 관련하여 자율주행 차량에 의해 수행될 수 있는 임의의 다른 차량 동작 또는 차량 동작들의 조합과 같은 차량 제어 동작 또는 기동을 나타낼 수 있다.
자율주행 차량 운용 관리 제어기(4100) 또는 자율주행 차량의 다른 유닛은 차량 제어 액션에 따라 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어할 수 있다.
예를 들어, 자율주행 차량 운용 관리 제어기(4100)는 자율주행 차량을 정지 시키거나, 그렇지 않으면 정지상태로 되거나 정지상태로 남아있도록 자율주행 차량을 제어하는 것에 의한 '정지' 차량 제어 액션에 따라, 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어할 수 있다.
다른 예에서, 자율주행 차량 운용 관리 제어기(4100)는 몇 인치 또는 1 피트와 같은 짧은 거리를 천천히 전진시키는 것에 의한 '전진(advance)' 차량 제어 액션에 따라, 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어할 수 있다.
다른 예에서, 자율주행 차량 운용 관리 제어기(4100)는 정의된 가속 비율 또는 정의된 범위 내의 가속 비율로 가속하는 것에 의한 '가속' 차량 제어 액션에 따라, 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어할 수 있다.
다른 예에서, 자율주행 차량 운용 관리 제어기(4100)는 정의된 감속 비율 또는 정의된 범위 내의 감속 비율로 감속하는 것에 의한 '감속' 차량 제어 액션에 따라, 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어할 수 있다.
다른 예에서, 자율주행 차량 운용 관리 제어기(4100)는 현재의 속도를 유지하거나, 현재의 경로 또는 루트를 유지하거나, 현재의 차선 방향을 유지하는 것 등에 의한 것과 같이, 현재의 운용 파라미터들에 따라 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어하는 것에 의한 '유지' 차량 제어 액션에 따라, 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어할 수 있다.
다른 예에서, 자율주행 차량 운용 관리 제어기(4100)는 운용 파라미터들의 이전에 식별된 세트를 시작하거나 재개함으로써 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어하는 것에 의한 "진행(proceed)" 차량 제어 액션에 따라, 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어할 수 있으며, 이는 하나 이상의 다른 차량 제어 액션에 따라 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어하는 것을 포함할 수 있다. 예를 들어, 자율주행 차량은 교차로에서 정지상태로 있을 수 있고, 자율주행 차량에 대한 식별된 루트는 교차로를 통한 횡단을 포함할 수 있으며, '진행' 차량 제어 액션에 따라 자율주행 차량을 제어하는 것은 식별된 경로를 따라 정의된 가속 비율로 정의된 속도까지 가속하도록 자율주행 차량을 제어하는 것을 포함할 수 있다. 다른 예에서, 자율주행 차량은 정의된 속도로 차량 운송 네트워크의 부분을 횡단하고 있을 수 있고, 자율주행 차량에 대해 차선 변경이 식별될 수 있으며, '진행' 차량 제어 액션에 따라 자율주행 차량을 제어하는 것은 자율주행 차량이 식별된 차선 변경 동작을 수행하도록, 정의된 차선 변경 파라미터들에 따라 궤적 조절들의 시퀀스를 수행하도록 자율주행 차량을 제어하는 것을 포함할 수 있다.
일부 실시예들에서, 차량 제어 액션은 하나 이상의 성능 메트릭을 포함할 수 있다. 예를 들어, '정지' 차량 제어 액션은 성능 메트릭으로서 감속 비율을 포함할 수 있다. 다른 예에서, '진행' 차량 제어 액션은 성능 메트릭으로서 루트 또는 경로 정보, 속도 정보, 가속 비율 또는 이들의 조합을 명시적으로 나타낼 수 있거나, 현재 또는 이전에 식별된 경로, 속도, 가속 비율, 또는 이들의 조합이 유지될 수 있음을 명시적으로 또는 암시적으로 나타낼 수 있다.
일부 실시예들에서, 차량 제어 액션은 차량 제어 액션들의 시퀀스, 조합, 또는 둘 다를 포함할 수 있는 복합 차량 제어 액션일 수 있다. 예를 들어, '전진' 차량 제어 액션은 '정지' 차량 제어 액션, 정의된 가속 비율에 연관된 후속 '가속' 차량 제어 액션, 및 정의된 감속 비율에 연관된 후속 '정지' 차량 제어 액션을 나타낼 수 있고, 그에 의해 '전진' 차량 제어 액션에 따라 자율주행 차량을 제어하는 것은` 몇 인치 또는 1 피트와 같은 짧은 거리를 천천히 전진하도록 자율주행 차량을 제어하는 것을 포함한다.
일부 실시예들에서, 자율주행 차량 운용 관리 시스템(4000)은 자율주행 차량 운용 관리 제어기(4100), 차단 모니터(4200), 운용 환경 모니터들(4300), 시나리오 특정 운용 제어 평가 모듈들(4400), 또는 이들의 조합을 포함할 수 있다. 별도로 설명되었지만, 차단 모니터(4200)는 운용 환경 모니터(4300)의 인스턴스 또는 인스턴스들일 수 있다.
자율주행 차량 운용 관리 제어기(4100)는 자율주행 차량의 운용 환경, 예컨대 현재 운용 환경 또는 예상 운용 환경, 또는 그것의 하나 이상의 양태를 표현하는 운용 환경 정보를 수신하거나 식별하거나 그렇지 않으면 액세스할 수 있다. 자율주행 차량의 운용 환경은 자율주행 차량의 정의된 시공간 영역 내에서 자율주행 차량의 동작에 영향을 미칠 수 있는 명확하게 식별가능한 동작 조건들의 세트를 포함할 수 있다.
예를 들어, 운용 환경 정보는 자율주행 차량의 지리공간적 위치를 나타내는 정보, 자율주행 차량의 지리공간적 위치를 차량 운송 네트워크를 표현하는 정보에 상관시키는 정보, 자율주행 차량의 루트, 자율주행 차량의 속도, 자율주행 차량의 가속 상태, 자율주행 차량의 승객 정보, 또는 자율주행 차량 또는 자율주행 차량의 동작에 관한 임의의 다른 정보와 같이, 자율주행 차량에 대한 차량 정보를 포함할 수 있다.
다른 예에서, 운용 환경 정보는 자율주행 차량의 정의된 공간 거리, 예를 들어 300미터 내와 같이 자율주행 차량에 근접한 차량 운송 네트워크를 표현하는 정보, 차량 운송 네트워크의 하나 이상의 양태의 기하구조를 나타내는 정보, 차량 운송 네트워크의 표면 조건과 같은 조건을 나타내는 정보, 또는 이들의 임의의 조합을 포함할 수 있다.
다른 예에서, 운용 환경 정보는 자율주행 차량의 운용 환경 내의 외부 물체들을 표현하는 정보, 예컨대 보행자들, 사람이 아닌 동물들, 자전거 또는 스케이트보드와 같은 동력화되지 않은 운송 디바이스들, 원격 차량과 같은 동력화된 운송 디바이스들, 또는 자율주행 차량의 동작에 영향을 미칠 수 있는 임의의 다른 외부 물체 또는 엔티티를 표현하는 정보를 포함할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기(4100)는 자율주행 차량의 운용 환경 또는 그것의 정의된 양태들을 모니터링할 수 있다. 일부 실시예들에서, 자율주행 차량의 운용 환경을 모니터링하는 것은 외부 물체들을 식별하고 추적하는 것, 별개의 차량 운용 시나리오들을 식별하는 것, 또는 이들의 조합을 포함할 수 있다.
예를 들어, 자율주행 차량 운용 관리 제어기(4100)는 자율주행 차량의 운용 환경과 함께 외부 물체들을 식별하고 추적할 수 있다. 외부 물체들을 식별하고 추적하는 것은 자율주행 차량에 관련될 수 있는 각각의 외부 물체들의 시공간적 위치들을 식별하는 것, 및 각각의 외부 물체들에 대한 하나 이상의 예상 경로를 식별하는 것을 포함할 수 있고, 이는 외부 물체에 대한 속도, 궤적 또는 둘 다를 식별하는 것을 포함할 수 있다. 간략하고 명료하게 하기 위해, 본 명세서에서 위치들, 예상 위치들, 경로들, 예상 경로들 등의 설명은 대응하는 위치들 및 경로들이 지리공간적 및 시간 컴포넌트들을 참조하는 명시적인 표시를 생략할 수 있지만, 본 명세서에서 명시적으로 지시되지 않는 한, 또는 문맥으로부터 다르게 모호하지 않게 명확하지 않으면, 본 명세서에 설명된 위치들, 예상 위치들, 경로들, 예상 경로들 등은 지리공간적 컴포넌트들, 시간 컴포넌트들, 또는 둘 다를 포함할 수 있다.
일부 실시예들에서, 운용 환경 모니터들(4300)은 보행자들을 모니터링하기 위한 운용 환경 모니터(4310)(보행자 모니터), 교차로들을 모니터링하기 위한 운용 환경 모니터(4320)(교차로 모니터), 차선 변경들을 모니터링하기 위한 운용 환경 모니터(4330)(차선 변경 모니터), 또는 이들의 조합을 포함할 수 있다. 운용 환경 모니터(4340)는 자율주행 차량 운용 관리 시스템(4000)이 임의의 개수의 운용 환경 모니터(4300)를 포함할 수 있음을 나타내기 위해 파선들을 사용하여 도시된다.
하나 이상의 별개의 차량 운용 시나리오는 각각의 운용 환경 모니터(4300)에 의해 모니터링될 수 있다. 예를 들어, 보행자 모니터(4310)는 복수의 보행자 차량 운용 시나리오에 대응하는 운용 환경 정보를 모니터링할 수 있고, 교차로 모니터(4320)는 복수의 교차로 차량 운용 시나리오에 대응하는 운용 환경 정보를 모니터링할 수 있고, 차선 변경 모니터(4330)는 복수의 차선 변경 차량 운용 시나리오에 대응하는 운용 환경 정보를 모니터링할 수 있다.
운용 환경 모니터(4300)는 자율주행 차량의 하나 이상의 센서에 의해 생성되거나 캡처된 운용 환경 정보, 차량 운송 네트워크 정보, 차량 운송 네트워크 기하구조 정보, 또는 이들의 조합과 같은 운용 환경 정보를 수신하거나 그렇지 않으면 액세스할 수 있다. 예를 들어, 보행자들을 모니터링하기 위한 운용 환경 모니터(4310)는 자율주행 차량의 운용 환경 내의 하나 이상의 보행자를 나타내거나 그에 대응하거나 그렇지 않으면 그에 연관될 수 있는 센서 정보와 같은 정보를 수신하거나 그렇지 않으면 액세스할 수 있다.
일부 실시예들에서, 운용 환경 모니터(4300)는 운용 환경 정보 또는 그 일부를, 보행자, 원격 차량, 또는 차량 운송 네트워크 기하구조의 양태와 같은 외부 물체와 같이 운용 환경 또는 그 양태와 연관시킬 수 있다.
일부 실시예들에서, 운용 환경 모니터(4300)는 보행자, 원격 차량 또는 차량 운송 네트워크 기하구조의 양태와 같은 외부 물체와 같이, 운용 환경의 하나 이상의 양태를 표현하는 정보를 생성하거나 그렇지 않으면 식별할 수 있으며, 이는 운용 환경 정보를 필터링하거나 추상화하거나 그렇지 않으면 처리하는 것을 포함할 수 있다.
일부 실시예들에서, 운용 환경 모니터(4300)는 예를 들어 운용 환경의 하나 이상의 양태를 표현하는 정보를 자율주행 차량 운용 관리 제어기(4100)에 의해 액세스가능한 자율주행 차량의 메모리, 예컨대 도 1에 도시된 메모리(1340) 내에 저장하는 것, 운용 환경의 하나 이상의 양태를 표현하는 정보를 자율주행 차량 운용 관리 제어기(4100)에 송신하는 것, 또는 그들의 조합에 의해, 운용 환경의 하나 이상의 양태를 표현하는 정보를 자율주행 차량 운용 관리 제어기(4100)에, 또는 그에 의한 액세스를 위해 출력할 수 있다. 운용 환경 모니터(4300)는 운용 환경의 하나 이상의 양태를 표현하는 정보를 차단 모니터(4200)와 같은 자율주행 차량 운용 관리 시스템(4000)의 하나 이상의 요소에 출력할 수 있다.
예를 들어, 보행자들을 모니터링하기 위한 운용 환경 모니터(4310)는 하나 이상의 보행자의 액션들을 식별, 추적 또는 예측하기 위해 운용 환경 정보를 상관시키거나 연관시키거나 그렇지 않으면 처리할 수 있다. 예를 들어, 보행자들을 모니터링하기 위한 운용 환경 모니터(4310)는 하나 이상의 보행자에 대응할 수 있는 하나 이상의 센서로부터의 센서 정보와 같은 정보를 수신할 수 있고, 보행자들을 모니터링하기 위한 운용 환경 모니터(4310)는 센서 정보를 하나 이상의 식별된 보행자에 연관시킬 수 있으며, 이는 각각의 식별된 보행자 중 하나 이상에 대한 이동 방향, 예상 경로와 같은 경로, 현재 또는 예상 속도, 현재 또는 예상 가속 비율, 또는 이들의 조합을 식별하는 것을 포함할 수 있고, 보행자들을 모니터링하기 위한 운용 환경 모니터(4310)는 식별되거나 연관되거나 생성된 보행자 정보를 자율주행 차량 운용 관리 제어기(4100)에, 또는 그에 의한 액세스를 위해 출력할 수 있다.
다른 예에서, 교차로들을 모니터링하기 위한 운용 환경 모니터(4320)는 자율주행 차량의 운용 환경 내에서의 하나 이상의 원격 차량의 액션들을 식별, 추적 또는 예측하기 위해, 자율주행 차량의 운용 환경 내의 교차로 또는 그것의 양태를 식별하기 위해, 차량 운송 네트워크 기하구조를 식별하기 위해, 또는 이들의 조합을 위해, 운용 환경 정보를 상관시키거나 연관시키거나 그렇지 않으면 식별할 수 있다. 예를 들어, 교차로들을 모니터링하기 위한 운용 환경 모니터(4310)는 자율주행 차량의 운용 환경 내의 하나 이상의 원격 차량, 자율주행 차량의 운용 환경 내의 교차로 또는 그것의 하나 이상의 양태, 차량 운송 네트워크 기하구조, 또는 그들의 조합에 대응할 수 있는 하나 이상의 센서로부터의 센서 정보와 같은 정보를 수신할 수 있고, 교차로들을 모니터링하기 위한 운용 환경 모니터(4310)는 센서 정보를 자율주행 차량의 운용 환경 내의 하나 이상의 식별된 원격 차량, 자율주행 차량의 운용 환경 내의 교차로 또는 그것의 하나 이상의 양태, 차량 운송 네트워크 기하구조, 또는 그들의 조합에 연관시킬 수 있고, 이는 각각의 식별된 원격 차량 중 하나 이상에 대한 현재 또는 예상 이동 방향, 예상 경로와 같은 경로, 현재 또는 예상 속도, 현재 또는 예상 가속 비율, 또는 이들의 조합을 식별하는 것을 포함할 수 있고, 교차로들을 모니터링하기 위한 운용 환경 모니터(4320)는 식별되거나 연관되거나 생성된 교차로 정보를 자율주행 차량 운용 관리 제어기(4100)에, 또는 그에 의한 액세스를 위해 출력할 수 있다.
다른 예에서, 차선 변경을 모니터링하기 위한 운용 환경 모니터(4330)는 현재 또는 예상 차선 변경 동작에 시공간적으로 대응하는 자율주행 차량의 운용 환경 내의 차량 운송 네트워크 기하구조와 같은 자율주행 차량의 운용 환경의 하나 이상의 양태 또는 그것의 조합을 식별하기 위해, 자율주행 차량의 예상 경로를 따른 저속 또는 정지상태 원격 차량을 나타내는 정보와 같은 자율주행 차량의 운용 환경 내의 하나 이상의 원격 차량의 액션들을 식별, 추적 또는 예측하기 위해, 운용 환경 정보를 상관시키거나 연관시키거나 그렇지 않으면 처리할 수 있다. 예를 들어, 차선 변경을 모니터링하기 위한 운용 환경 모니터(4330)는 자율주행 차량의 운용 환경 내의 하나 이상의 원격 차량, 현재 또는 예상 차선 변경 동작에 시공간적으로 대응하는 자율주행 차량의 운용 환경 내의 자율주행 차량의 운용 환경의 하나 이상의 양태, 또는 그들의 조합에 대응할 수 있는 하나 이상의 센서로부터의 센서 정보와 같은 정보를 수신할 수 있고, 차선 변경을 모니터링하기 위한 운용 환경 모니터(4330)는 센서 정보를 자율주행 차량의 운용 환경 내의 하나 이상의 식별된 원격 차량, 현재 또는 예상 차선 변경 동작에 시공간적으로 대응하는 자율주행 차량의 운용 환경의 하나 이상의 양태, 또는 그들의 조합에 연관시킬 수 있고, 이는 각각의 식별된 원격 차량 중 하나 이상에 대한 현재 또는 예상 이동 방향, 예상 경로와 같은 경로, 현재 또는 예상 속도, 현재 또는 예상 가속 비율, 또는 이들의 조합을 식별하는 것을 포함할 수 있고, 교차로들을 모니터링하기 위한 운용 환경 모니터(4330)는 식별되거나 연관되거나 생성된 차선 변경 정보를 자율주행 차량 운용 관리 제어기(4100)에, 또는 그에 의한 액세스를 위해 출력할 수 있다.
자율주행 차량 운용 관리 제어기(4100)는 운용 환경 정보에 의해 표현되는 운용 환경의 하나 이상의 양태에 기초하여 하나 이상의 별개의 차량 운용 시나리오를 식별할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기(4100)는 운용 환경 모니터들(4300) 중 하나 이상에 의해 나타난 운용 환경 정보를 식별하는 것에 응답하여, 또는 그에 기초하여, 별개의 차량 운용 시나리오를 식별할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기(4100)는 운용 환경 정보에 의해 표현되는 운용 환경의 하나 이상의 양태에 기초하여 복수의 별개의 차량 운용 시나리오를 식별할 수 있다. 예를 들어, 운용 환경 정보는 자율주행 차량의 예상 경로를 따라 교차로에 접근하는 보행자를 표현하는 정보를 포함할 수 있으며, 자율주행 차량 운용 관리 제어기(4100)는 보행자 차량 운용 시나리오, 교차로 차량 운용 시나리오 또는 둘 다를 식별할 수 있다.
자율주행 차량 운용 관리 제어기(4100)는 운용 환경 정보에 의해 표현되는 운용 환경의 하나 이상의 양태에 기초하여 시나리오 특정 운용 제어 평가 모듈들(4400)의 하나 이상의 각각의 인스턴스들을 인스턴스화할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기(4100)는 별개의 차량 운용 시나리오를 식별하는 것에 응답하여 시나리오 특정 운용 제어 평가 모듈(4400)의 인스턴스를 인스턴스화할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기(4100)는 운용 환경 정보에 의해 표현되는 운용 환경의 하나 이상의 양태에 기초하여 하나 이상의 시나리오 특정 운용 제어 평가 모듈(4400)의 복수의 인스턴스를 인스턴스화할 수 있다. 예를 들어, 운용 환경 정보는 자율주행 차량의 운용 환경 내의 2명의 보행자를 나타낼 수 있으며, 자율주행 차량 운용 관리 제어기(4100)는 운용 환경 정보에 의해 표현되는 운용 환경의 하나 이상의 양태에 기초하여 각각의 보행자에 대해 보행자 시나리오 특정 운용 제어 평가 모듈(4410)의 각각의 인스턴스를 인스턴스화할 수 있다.
일부 실시예들에서, 보행자 시나리오, 교차로 시나리오, 또는 차선 변경 시나리오와 같은 시나리오에 대응하는, 보행자 또는 원격 차량과 같은 식별된 외부 물체들의 카디널리티, 개수 또는 카운트는 정의된 시나리오 특정 임계값일 수 있는 정의된 임계값을 초과할 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 식별된 외부 물체들 중 하나 이상에 대응하는 시나리오 특정 운용 제어 평가 모듈(4400)의 인스턴스를 인스턴스화하는 것을 생략할 수 있다.
예를 들어, 운용 환경 모니터들(4300)에 의해 나타난 운용 환경 정보는 자율주행 차량의 운용 환경 내의 25명의 보행자를 나타낼 수 있고, 보행자 시나리오에 대한 정의된 임계값은 보행자들의 정의된 카디널리티, 예를 들어 10일 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 자율주행 차량과 함께 수렴하는 예상 경로를 갖는 자율주행 차량에 지리공간적으로 가장 가까운 10명의 보행자와 같이, 10명의 가장 관련있는 보행자를 식별할 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 가장 관련있는 10명의 보행자를 위해 보행자 시나리오 특정 운용 제어 평가 모듈(4410)의 10개의 인스턴스를 인스턴스화할 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 15명의 다른 보행자에 대한 보행자 시나리오 특정 운용 제어 평가 모듈(4410)의 인스턴스들을 인스턴스화하는 것을 생략할 수 있다.
다른 예에서, 운용 환경 모니터들(4300)에 의해 나타나는 운용 환경 정보는 북향 도로 구간, 남향 도로 구간, 동향 도로 구간 및 서향 도로 구간과 같은 4개의 도로 구간을 포함하며, 북향 도로 구간에 대응하는 5개의 원격 차량, 남향 도로 구간에 대응하는 3개의 원격 차량, 동향 도로 구간에 대응하는 4개의 원격 차량, 및 서향 도로 구간에 대응하는 2개의 원격 차량을 나타내는 교차로를 나타낼 수 있으며, 교차로 시나리오에 대한 정의된 임계값은 도로 구간 당의 원격 차량의 정의된 카디널리티, 예를 들어 2일 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 도로 구간 당 자율주행 차량과 함께 수렴하는 예상 경로를 갖는 교차로에 지리공간적으로 가장 가까운 2개의 원격 차량과 같이, 도로 구간 당 2개의 가장 관련있는 원격 차량을 식별할 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 북향 도로 구간에 대응하는 2개의 가장 관련있는 원격 차량에 대한 교차로 시나리오 특정 운용 제어 평가 모듈(4420)의 2개의 인스턴스, 남향 도로 구간에 대응하는 2개의 가장 관련있는 원격 차량을 위한 교차로 시나리오 특정 운용 제어 평가 모듈(4420)의 2개의 인스턴스, 동향 도로 구간에 대응하는 2개의 가장 관련있는 원격 차량에 대한 교차로 시나리오 특정 운용 제어 평가 모듈(4420)의 2개의 인스턴스, 및 서향 도로 구간에 대응하는 2개의 원격 차량에 대한 교차로 시나리오 특정 운용 제어 평가 모듈(4420)의 2개의 인스턴스를 인스턴스화할 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 북향 도로 구간에 대응하는 3개의 다른 원격 차량, 남향 도로 구간에 대응하는 다른 원격 차량, 및 동향 도로 구간에 대응하는 2개의 다른 원격 차량에 대해 교차로 시나리오 특정 운용 제어 평가 모듈(4420)의 인스턴스들을 인스턴스화하는 것을 생략할 수 있다. 대안적으로 또는 부가적으로, 교차로 시나리오에 대한 정의된 임계값은 교차로 당 원격 차량들의 정의된 카디널리티, 예컨대 8일 수 있으며, 자율주행 차량 운용 관리 제어기(4100)는 자율주행 차량과 함께 수렴하는 예상 경로를 갖는 교차로에 지리공간적으로 가장 가까운 8개의 원격 차량과 같이, 교차로에 대해 8개의 가장 관련있는 원격 차량을 식별할 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 8개의 가장 관련있는 원격 차량에 대한 교차로 시나리오 특정 운용 제어 평가 모듈(4420)의 8개의 인스턴스를 인스턴스화할 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 6개의 다른 원격 차량에 대한 교차로 시나리오 특정 운용 제어 평가 모듈(4420)의 인스턴스들을 인스턴스화하는 것을 생략할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기(4100)는 운용 환경 정보 또는 그것의 하나 이상의 양태를 자율주행 차량의 다른 유닛, 예컨대 차단 모니터(4200) 또는 시나리오 특정 운용 제어 평가 모듈들(4400)의 하나 이상의 인스턴스에 송신할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기(4100)는 운용 환경 정보 또는 그것의 하나 이상의 양태를 자율주행 차량의 메모리, 예컨대 도 1에 도시된 메모리(1340)에 저장할 수 있다.
자율주행 차량 운용 관리 제어기(4100)는 시나리오 특정 운용 제어 평가 모듈들(4400)의 각각의 인스턴스들로부터 후보 차량 제어 액션들을 수신할 수 있다. 예를 들어, 제1 시나리오 특정 운용 제어 모듈(4400)의 제1 인스턴스로부터의 후보 차량 제어 액션은 '정지' 차량 제어 액션을 나타낼 수 있고, 제2 시나리오 특정 운용 제어 평가 모듈(4400)의 제2 인스턴스로부터의 후보 차량 제어 액션은 '전진' 차량 제어 액션을 나타낼 수 있고, 제3 시나리오 특정 운용 제어 평가 모듈(4400)의 제3 인스턴스로부터의 후보 차량 제어 액션은 '진행' 차량 제어 액션을 나타낼 수 있다.
자율주행 차량 운용 관리 제어기(4100)는 하나 이상의 후보 차량 제어 액션에 따라 차량 운송 네트워크의 부분을 횡단할지를 결정할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기(4100)는 시나리오 특정 운용 제어 평가 모듈들(4400)의 복수의 인스턴스로부터 복수의 후보 차량 제어 액션을 수신할 수 있고, 후보 차량 제어 액션들로부터 차량 제어 액션을 식별할 수 있고, 차량 제어 액션에 따라 차량 운송 네트워크를 횡단할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기(4100)는 하나 이상의 정의된 차량 제어 액션 식별 메트릭에 기초하여 후보 차량 제어 액션들로부터 차량 제어 액션을 식별할 수 있다.
일부 실시예들에서, 정의된 차량 제어 액션 식별 메트릭은 각각의 타입의 차량 제어 액션에 연관된 우선순위, 가중치 또는 순위를 포함할 수 있고, 후보 차량 제어 액션들로부터 차량 제어 액션을 식별하는 것은 후보 차량 제어 액션들로부터 최고 우선순위 차량 제어 액션을 식별하는 것을 포함할 수 있다. 예를 들어, '정지' 차량 제어 액션은 높은 우선순위에 연관될 수 있고, '전진' 차량 제어 액션은 높은 우선순위보다 낮을 수 있는 중간 우선순위에 연관될 수 있고, '진행' 차량 제어 액션은 중간 우선순위보다 낮을 수 있는 낮은 우선순위에 연관될 수 있다. 예에서, 후보 차량 제어 액션들은 하나 이상의 '정지' 차량 제어 액션을 포함할 수 있으며, '정지' 차량 제어 액션은 차량 제어 액션으로서 식별될 수 있다. 다른 예에서, 후보 차량 제어 액션들은 '정지' 차량 제어 액션을 생략할 수 있고, 하나 이상의 '전진' 차량 제어 액션을 포함할 수 있고, '전진' 차량 제어 액션은 차량 제어 액션으로서 식별될 수 있다. 다른 예에서, 후보 차량 제어 액션들은 '정지' 차량 제어 액션을 생략할 수 있고, '전진' 차량 제어 액션을 생략할 수 있고, 하나 이상의 '진행' 차량 제어 액션을 포함할 수 있으며, '진행' 차량 제어 액션은 차량 제어 액션으로서 식별될 수 있다.
일부 실시예들에서, 후보 차량 제어 액션들로부터 차량 제어 액션을 식별하는 것은, 정의된 차량 제어 액션 식별 메트릭들, 인스턴스화된 시나리오들, 인스턴스화된 시나리오들에 연관된 가중치들, 후보 차량 제어 액션들, 후보 차량 제어 액션들에 연관된 가중치, 또는 이들의 조합에 기초하여, 각각의 타입의 차량 제어 액션에 대한 가중된 평균을 생성 또는 계산하는 것을 포함할 수 있다.
예를 들어, 후보 차량 제어 액션들로부터 차량 제어 액션을 식별하는 것은 분류 문제의 감독된 학습과 같은 기계 학습 컴포넌트를 구현하는 것, 및 대응하는 차량 운용 시나리오의 예들, 예컨대 1000개의 예를 사용하여 기계 학습 컴포넌트를 트레이닝하는 것을 포함할 수 있다. 다른 예에서, 후보 차량 제어 액션들로부터 차량 제어 액션을 식별하는 것은 각각의 후보 차량 제어 액션들이 후속 후보 차량 제어 액션 효과들에 어떻게 영향을 미치는지를 설명할 수 있는 마르코프 결정 프로세스 또는 부분적으로 관측가능한 마르코프 결정 프로세스를 구현하는 것을 포함할 수 있고, 각각의 차량 제어 액션들에 대한 포지티브 또는 네거티브 보상을 출력하는 보상 함수를 포함할 수 있다.
자율주행 차량 운용 관리 제어기(4100)는 시나리오 특정 운용 제어 평가 모듈(4400)의 인스턴스를 인스턴스화 해제(uninstantiate)할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기(4100)는 자율주행 차량에 대한 별개의 차량 운용 시나리오를 나타내는 것으로서 동작 조건들의 별개의 세트를 식별하고, 별개의 차량 운용 시나리오에 대해 시나리오 특정 운용 제어 평가 모듈(4400)의 인스턴스를 인스턴스화하고, 동작 조건들을 모니터링하고, 동작 조건들 중 하나 이상이 만료되었거나 자율주행 차량의 동작에 영향을 미치는 확률이 정의된 임계값 미만임을 후속하여 결정할 수 있고, 자율주행 차량 운용 관리 제어기(4100)는 시나리오 특정 운용 제어 평가 모듈(4400)의 인스턴스를 인스턴스화 해제할 수 있다.
차단 모니터(4200)는 자율주행 차량에 대한 운용 환경 또는 그것의 양태를 표현하는 운용 환경 정보를 수신할 수 있다. 예를 들어, 차단 모니터(4200)는 자율주행 차량 운용 관리 제어기(4100)로부터, 자율주행 차량의 센서로부터, 원격 차량 또는 기반구조 디바이스와 같은 외부 디바이스로부터, 또는 이들의 조합으로부터 운용 환경 정보를 수신할 수 있다. 일부 실시예들에서, 차단 모니터(4200)는 메모리, 예컨대 도 1에 도시된 메모리(1340)와 같은 자율주행 차량의 메모리로부터 운용 환경 정보 또는 그 일부를 판독할 수 있다.
도 4에 명시적으로 도시되지는 않았지만, 자율주행 차량 운용 관리 시스템(4000)은 예측 정보를 생성하여 차단 모니터(4200)에 송신할 수 있는 예측 모듈을 포함할 수 있으며, 차단 모니터(4200)는 운용 환경 모니터들(4300) 중 하나 이상에 이용가능성 확률 정보를 출력할 수 있다.
차단 모니터(4200)는 차량 운송 네트워크의 하나 이상의 부분, 예컨대 자율주행 차량의 현재 루트에 기초하여 식별된 예상 경로와 같은 자율주행 차량의 예상 경로에 대응하는 차량 운송 네트워크의 부분들을 포함할 수 있는, 자율주행 차량에 근접한 차량 운송 네트워크의 부분들에 대한 각각의 이용가능성 확률 또는 대응하는 차단 확률을 결정할 수 있다.
이용가능성 확률 또는 대응하는 차단 확률은 자율주행 차량이 안전하게, 예컨대 원격 차량 또는 보행자와 같은 외부 물체에 의해 방해받지 않고서, 차량 운송 네트워크의 부분 또는 차량 운송 네트워크 내의 공간적 위치를 횡단할 수 있는 확률 또는 가능성을 나타낼 수 있다. 예를 들어, 차량 운송 네트워크의 부분은 정지상태의 물체와 같은 장애물을 포함할 수 있고, 차량 운송 네트워크의 부분에 대한 이용가능성 확률은 0%와 같이 낮을 수 있으며, 이는 차량 운송 네트워크의 그 부분에 대한 100%와 같은 높은 차단 확률로서 표현될 수 있다.
차단 모니터(4200)는 자율주행 차량의 300미터 내와 같은 운용 환경 내에 있는 차량 운송 네트워크의 복수의 부분 각각에 대한 각각의 이용가능성 확률을 식별할 수 있다.
일부 실시예들에서, 차단 모니터(4200)는 자율주행 차량에 대한 동작 정보, 하나 이상의 외부 물체에 대한 동작 정보, 차량 운송 네트워크를 표현하는 차량 운송 네트워크 정보, 또는 이들의 조합에 기초하여 차량 운송 네트워크의 부분 및 대응하는 이용가능성 확률을 식별할 수 있다. 일부 실시예들에서, 자율주행 차량에 대한 동작 정보는 현재 위치, 또는 자율주행 차량에 대한 예상 경로에 기초하여 식별된 예상 위치와 같은 예상 위치일 수 있는, 차량 운송 네트워크 내의 자율주행 차량의 지리공간적 위치를 나타내는 정보를 포함할 수 있다. 일부 실시예들에서, 외부 물체들에 대한 동작 정보는 현재 위치, 또는 각각의 외부 물체에 대한 예상 경로에 기초하여 식별된 예상 위치와 같은 예상 위치일 수 있는, 차량 운송 네트워크 내의 또는 그 근처의 하나 이상의 외부 물체의 각각의 지리공간적 위치를 나타낼 수 있다.
일부 실시예들에서, 이용가능성 확률은 자율주행 차량의 운용 환경 내의 각각의 외부 물체에 대응하여 차단 모니터(4200)에 의해 나타날 수 있고, 지리공간적 영역은 복수의 외부 물체들에 대응하는 복수의 이용가능성 확률에 연관될 수 있다. 총 이용가능성 확률은 보행자들에 대한 이용가능성 확률 및 원격 차량들에 대한 이용가능성 확률과 같이 자율주행 차량의 운용 환경 내의 외부 물체의 각각의 타입에 대응하여 차단 모니터(4200)에 의해 나타날 수 있고, 지리공간적 영역은 복수의 외부 물체 타입에 대응하는 복수의 이용가능성 확률에 연관될 수 있다. 일부 실시예들에서, 차단 모니터(4200)는 지리적 위치에 대한 복수의 시간적 이용가능성 확률을 포함할 수 있는, 각각의 지리공간적 위치에 대한 하나의 총 이용가능성 확률을 나타낼 수 있다.
일부 실시예들에서, 차단 모니터(4200)는 외부 물체들을 식별하거나, 외부 물체들을 추적하거나, 외부 물체들에 대한 위치 정보, 경로 정보, 또는 둘 다를 추정하거나, 이들의 조합을 할 수 있다. 예를 들어, 차단 모니터(4200)는 외부 물체를 식별할 수 있고, 예상된 공간 위치들, 예상된 시간적 위치들, 및 대응하는 확률들의 시퀀스를 나타낼 수 있는 외부 물체에 대한 예상 경로를 식별할 수 있다.
일부 실시예들에서, 차단 모니터는 외부 물체의 현재 위치를 나타내는 정보, 외부 물체에 대한 현재 궤적을 나타내는 정보, 외부 물체를 보행자 또는 원격 차량으로서 분류하는 정보와 같은 외부 물체의 분류 타입을 나타내는 정보, 차량 운송 네트워크가 외부 물체에 근접한 횡단보도를 포함함을 나타내는 정보와 같은 차량 운송 네트워크 정보, 외부 물체에 연관된 이전에 식별된 또는 추적된 정보, 또는 이들의 임의의 조합과 같은 운용 환경 정보에 기초하여, 외부 물체에 대한 예상 경로를 식별할 수 있다. 예를 들어, 외부 물체는 원격 차량으로서 식별될 수 있고, 원격 차량에 대한 예상 경로는 원격 차량의 현재 위치를 나타내는 정보, 원격 차량의 현재 궤적를 나타내는 정보, 원격 차량의 현재 속도를 나타내는 정보, 원격 차량에 대응하는 차량 운송 네트워크 정보, 법 또는 규정 정보, 또는 이들의 조합에 기초하여 식별될 수 있다.
일부 실시예들에서, 차단 모니터(4200)는 연속적으로 또는 주기적으로 이용가능성 확률을 결정하거나 업데이트할 수 있다. 일부 실시예들에서, 외부 물체의 하나 이상의 클래스 또는 유형은 우선적 차단(preferentially blocking)으로서 식별될 수 있고, 우선적 차단 외부 물체의 예상 경로는 다른 우선적 차단 외부 물체의 예상 경로와 공간적 및 시간적으로 중첩될 수 있다. 예를 들어, 보행자의 예상 경로가 다른 보행자의 예상 경로와 중첩할 수 있다. 일부 실시예들에서, 외부 물체의 하나 이상의 클래스 또는 타입은 존중적 차단(deferentially blocking)으로서 식별될 수 있으며, 존중적 차단 외부 물체의 예상 경로는 다른 외부 물체들에 의해 방해받거나 그렇지 않으면 영향을 받는 것과 같이 차단될 수 있다. 예를 들어, 원격 차량에 대한 예상 경로는 다른 원격 차량 또는 보행자에 의해 차단될 수 있다.
일부 실시예들에서, 차단 모니터(4200)는 보행자들과 같은 우선적 차단 외부 물체들에 대한 예상 경로들을 식별할 수 있으며, 우선적 차단 외부 물체들에 대한 예상 경로들에 종속하여, 원격 차량들과 같은 존중적 차단 외부 물체들에 대한 예상 경로들을 식별할 수 있다. 일부 실시예들에서, 차단 모니터(4200)는 이용가능성 확률들 또는 대응하는 차단 확률들을 자율주행 차량 운용 관리 제어기(4100)에 전달할 수 있다. 자율주행 차량 운용 관리 제어기(4100)는 이용가능성 확률들 또는 대응하는 차단 확률들을 시나리오 특정 운용 제어 평가 모듈들(4400)의 각각의 인스턴스화된 인스턴스들에 전달할 수 있다.
각각의 시나리오 특정 운용 제어 평가 모듈(4400)은 각각의 별개의 차량 운용 시나리오를 모델링할 수 있다. 자율주행 차량 운용 관리 시스템(4000)은 각각의 별개의 차량 운용 시나리오를 각각 모델링하는 임의의 개수의 시나리오 특정 운용 제어 평가 모듈(4400)을 포함할 수 있다.
일부 실시예들에서, 시나리오 특정 운용 제어 평가 모듈(4400)에 의해 별개의 차량 운용 시나리오를 모델링하는 것은 별개의 차량 운용 시나리오에 대응하는 자율주행 차량의 운용 환경의 양태들을 표현하는 상태 정보를 생성하거나, 유지하거나, 둘 다 하는 것, 대응하는 상태들의 각각의 모델링된 양태들 사이의 잠재적인 상호작용들을 식별하는 것, 및 모델을 해결하는 후보 차량 제어 액션을 결정하는 것을 포함할 수 있다. 일부 실시예들에서, 별개의 차량 운용 시나리오에 대응하는 자율주행 차량의 운용 환경의 양태들의 정의된 세트 이외의 자율주행 차량의 운용 환경의 양태들은 모델로부터 생략될 수 있다.
자율주행 차량 운용 관리 시스템(4000)은 솔루션에 독립적일 수 있으며, 단일 에이전트 모델, 다중 에이전트 모델, 학습 모델, 또는 하나 이상의 별개의 차량 운용 시나리오의 임의의 다른 모델과 같이, 별개의 차량 운용 시나리오의 임의의 모델을 포함할 수 있다.
시나리오 특정 운용 제어 평가 모듈들(4400) 중 하나 이상은 고전적 계획(CP) 모델일 수 있고, 이는 단일 에이전트 모델일 수 있고, 시나리오 특정 운용 제어 평가 모듈들(4400)에 의해 모델링된 별개의 차량 운용 시나리오에 대한 자율주행 차량의 운용 환경의 요소들의 각각의 비-확률적 상태들(non-probabilistic states)을 나타낼 수 있는 정의된 입력 상태에 기초하여 별개의 차량 운용 시나리오를 모델링할 수 있다. 고전적 계획 모델에서, 시간적 위치에 연관된 외부 물체들과 같은 모델링된 요소들의 하나 이상의 양태, 예컨대 지리공간적 위치는 비확률적으로, 예컨대 정의된 또는 고정된 양만큼, 바로 후속하는 시간적 위치와 같은 다른 시간적 위치에 연관된 대응하는 양태들과 차이날 수 있다. 예를 들어, 제1 시간적 위치에서, 원격 차량은 제1 지리공간적 위치를 가질 수 있고, 바로 후속하는 제2 시간적 위치에서, 원격 차량은 원격 차량에 대한 예상 경로를 따라 정의된 지리공간적 거리, 예컨대 정의된 미터 수만큼 제1 지리공간적 위치와 차이나는 제2 지리공간적 위치를 가질 수 있다.
시나리오 특정 운용 제어 평가 모듈들(4400) 중 하나 이상은 단일 에이전트 모델일 수 있는 마르코프 결정 프로세스(MDP) 모델과 같은 이산 시간 추계적 제어 프로세스(discrete time stochastic control process)일 수 있으며, 이는 정의된 입력 상태에 기초하여 별개의 차량 운용 시나리오를 모델링할 수 있다. 외부 물체의 위치 변경과 같은 자율주행 차량의 운용 환경에 대한 변경들은 확률적 변경들로 모델링될 수 있다. 마르코프 결정 프로세스 모델은 더 많은 처리 자원들을 이용할 수 있으며, 고전적 계획(CP) 모델보다 별개의 차량 운용 시나리오를 더 정확하게 모델링할 수 있다.
마르코프 결정 프로세스 모델은 현재 상태, 예상되는 미래 상태들, 또는 둘 다와 같은 대응 상태들과 함께, 현재의 시간적 위치, 장래의 시간적 위치 또는 둘 다와 같은 시간적 위치들의 시퀀스로서 별개의 차량 운용 시나리오를 모델링할 수 있다. 각각의 시간적 위치에서, 모델은 예상 상태일 수 있고 하나 이상의 후보 차량 제어 액션에 연관될 수 있는 상태를 가질 수 있다. 모델은 자율주행 차량을 에이전트로서 표현할 수 있으며, 이는 현재 상태에 대한 식별된 액션, 및 식별된 액션이 상태를 현재 상태로부터 후속 상태로 전이시킬 확률에 따라, 하나의 상태(현재 상태)로부터 다른 상태(후속 상태)로 시간적 위치들의 시퀀스를 따라 전이할 수 있다.
모델은 각각의 액션에 따라 하나의 상태로부터 다른 상태로 전이하는 것에 대응하는 포지티브 또는 네거티브 값일 수 있는 보상을 누적할 수 있다. 모델은 누적 보상을 최대화하는 시간적 위치들의 시퀀스에서 각각의 상태에 대응하는 액션들을 식별함으로써 별개의 차량 운용 시나리오를 해결할 수 있다. 모델을 해결하는 것은 모델링된 시나리오 및 운용 환경 정보에 응답하여 차량 제어 액션을 식별하는 것을 포함할 수 있다.
마르코프 결정 프로세스 모델은 상태들의 세트, 액션들의 세트, 상태 전이 확률들의 세트, 보상 함수, 또는 이들의 조합을 사용하여 별개의 차량 운용 시나리오를 모델링할 수 있다. 일부 실시예들에서, 별개의 차량 운용 시나리오를 모델링하는 것은 후속하는 시간 주기들에 적용되는 보상 함수의 출력을 조절하거나 디스카운트할 수 있는 디스카운트 계수를 이용하는 것을 포함할 수 있다.
상태들의 세트는 마르코프 결정 프로세스 모델의 현재 상태, 마르코프 결정 프로세스 모델의 하나 이상의 가능한 후속 상태, 또는 이들의 조합을 포함할 수 있다. 상태는 이산 시간적 위치에 있는 자율주행 차량의 동작에 확률적으로 영향을 미칠 수 있는 자율주행 차량의 운용 환경의 외부 물체들 및 교통 제어 디바이스들과 같은 각각의 정의된 양태들의 예상 조건일 수 있는 식별된 조건을 표현할 수 있다. 예를 들어, 자율주행 차량의 근방에서 동작하는 원격 차량은 자율주행 차량의 동작에 영향을 미칠 수 있으며, 마르코프 결정 프로세스 모델로 표현될 수 있으며, 이는 각각의 시간적 위치에 대응하는 원격 차량의 식별된 또는 예상된 지리공간적 위치, 원격 차량의 식별된 또는 예상된 경로, 진로방향 또는 둘 다, 원격 차량의 식별된 또는 예상된 속도, 원격 차량의 식별된 또는 예상된 가속 또는 감속 비율, 또는 그들의 조합을 표현하는 것을 포함할 수 있다. 인스턴스화에서, 마르코프 결정 프로세스 모델의 현재 상태는 동작 환경의 동시적인 상태 또는 조건에 대응할 수 있다. 각각의 별개의 차량 운용 시나리오에 대해 상태들의 각각의 세트가 정의될 수 있다.
상태들의 임의의 개수 또는 카디널리티가 사용될 수 있지만, 모델에 포함된 상태들의 개수 또는 카디널리티는 300개의 상태와 같은 정의된 최대 개수의 상태로 제한될 수 있다. 예를 들어, 모델은 대응하는 시나리오에 대해 300개의 가장 가능성있는 상태를 포함할 수 있다.
액션들의 세트는 상태들의 세트 내의 각각의 상태에서 마르코프 결정 프로세스 모델에 이용가능한 차량 제어 액션들을 포함할 수 있다. 각각의 별개의 차량 운용 시나리오에 대해 액션들의 각각의 세트가 정의될 수 있다.
상태 전이 확률들의 세트는, 액션들에 응답하여, 상태들에 의해 표현되는 자율주행 차량의 운용 환경에 대한 잠재적인 또는 예상되는 변경들을 확률적으로 표현할 수 있다. 예를 들어, 상태 전이 확률은 각각의 액션에 따라 현재 상태로부터 자율주행 차량에 의해 차량 운송 네트워크를 횡단하는 것에 응답하여, 현재 상태에 대응하는 현재 시간적 위치에 바로 후속하는 각각의 시간적 위치에서 자율주행 차량의 운용 환경이 각각의 상태에 대응할 확률을 나타낼 수 있다.
상태 전이 확률들의 세트는 운용 환경 정보에 기초하여 식별될 수 있다. 예를 들어, 운용 환경 정보는 도시 또는 시골과 같은 지역 타입, 하루 중 시각, 주변 광 레벨, 기상 조건들, 러시아워 조건들, 이벤트 관련 교통 조건들, 또는 휴일 관련 운전자 행동 조건들과 같은 예상 교통 조건들을 포함할 수 있는 교통 조건들, 도로 조건들, 국가, 주 또는 지방자치 조건들과 같은 관할 구역 조건, 또는 자율주행 차량의 동작에 영향을 미칠 수 있는 임의의 다른 조건 또는 조건들의 조합을 나타낼 수 있다.
보행자 차량 운용 시나리오에 연관된 상태 전이 확률들의 예들은 보행자와 각각의 도로 구간 사이의 지리공간적 거리에 기초할 수 있는 보행자 무단횡단의 정의된 확률; 교차로에서 보행자가 멈출 정의된 확률; 보행자가 횡단보도에서 건널 정의된 확률; 보행자가 횡단보도에서 자율주행 차량에 양보할 정의된 확률; 보행자 차량 운용 시나리오에 연관된 임의의 다른 확률을 포함할 수 있다.
교차로 차량 운용 시나리오에 연관된 상태 전이 확률들의 예들은 원격 차량이 교차로에 도달할 정의된 확률; 원격 차량이 자율주행 차량을 중단시킬 정의된 확률; 예컨대 우선통행권의 부재 시에 제2 원격 차량이 교차로를 횡단하는 것에 바로 후속하여 또는 그에 매우 근접하여 원격 차량이 교차로를 횡단할(피기백) 정의된 확률; 원격 차량이 교차로를 횡단하기 전에 교통 제어 디바이스, 규제, 또는 우선통행권의 다른 표시에 따라 교차로에 인접하여 정지할 정의된 확률; 원격 차량이 교차로를 횡단할 정의된 확률; 원격 차량이 교차로에 근접하여 예상 경로로부터 벗어날 정의된 확률; 원격 차량이 예상된 우선통행권 우선순위로부터 벗어날 정의된 확률; 교차로 차량 운용 시나리오에 연관된 임의의 다른 확률을 포함할 수 있다.
차선 변경 차량 운용 시나리오에 연관된 상태 전이 확률들의 예들은 자율주행 차량 뒤에 있는 원격 차량이 속도를 증가시킬 정의된 확률 또는 자율주행 차량 앞에 있는 원격 차량이 속도를 감소시킬 정의된 확률과 같이, 원격 차량이 속도를 변경할 정의된 확률; 자율주행 차량의 앞에 있는 원격 차량이 차선을 변경할 정의된 확률; 자율주행 차량에 근접한 원격 차량이 속도를 변경하여, 자율주행 차량이 차선에 합류하는 것을 허용할 정의된 확률; 또는 차선 변경 차량 운용 시나리오에 연관된 임의의 다른 확률들을 포함할 수 있다.
보상 함수는 상태 및 액션의 각각의 조합에 대해 누적될 수 있는 각각의 포지티브 또는 네거티브 (비용) 값을 결정할 수 있으며, 이는 대응하는 차량 제어 액션에 따른 대응 상태로부터 후속 상태까지, 차량 운송 네트워크를 횡단하는 자율주행 차량의 예상 값을 표현할 수 있다.
보상 함수는 운용 환경 정보에 기초하여 식별될 수 있다. 예를 들어, 운용 환경 정보는 도시 또는 시골과 같은 지역 타입, 하루 중 시각, 주변 광 레벨, 기상 조건들, 러시아워 조건들, 이벤트 관련 교통 조건들, 또는 휴일 관련 운전자 행동 조건들과 같은 예상 교통 조건들을 포함할 수 있는 교통 조건들, 도로 조건들, 국가, 주 또는 지방자치 조건들과 같은 관할 구역 조건, 또는 자율주행 차량의 동작에 영향을 미칠 수 있는 임의의 다른 조건 또는 조건들의 조합을 나타낼 수 있다.
시나리오 특정 운용 제어 평가 모듈들(4400) 중 하나 이상은 단일 에이전트 모델일 수 있는 부분 관측가능한 마르코프 결정 프로세스(Partially Observable Markov Decision Process)(POMDP) 모델일 수 있다. 부분 관측가능한 마르코프 결정 프로세스 모델이 불확실한 상태들을 모델링하는 것을 포함할 수 있다는 점을 제외하면, 부분 관측가능한 마르코프 결정 프로세스 모델은 마르코프 결정 프로세스 모델과 유사할 수 있다. 부분 관측가능한 마르코프 결정 프로세스 모델은 모델링 신뢰도, 센서 신뢰성, 산만함(distraction), 잡음, 센서 불확실성과 같은 불확실성 등을 포함할 수 있다. 부분 관측가능한 마르코프 결정 프로세스 모델은 마르코프 결정 프로세스 모델보다 더 많은 처리 자원들을 이용할 수 있으며 별개의 차량 운용 시나리오를 더 정확하게 모델링할 수 있다.
부분 관측가능한 마르코프 결정 프로세스 모델은 상태들의 세트, 상태들의 세트, 액션들의 세트, 상태 전이 확률들의 세트, 보상 함수, 관측값들의 세트, 조건부 관측 확률들의 세트, 또는 이들의 조합을 사용하는 별개의 차량 운용 시나리오를 모델링할 수 있다. 상태들의 세트, 액션들의 세트, 상태 전이 확률들의 세트, 및 보상 함수는 마르코프 결정 프로세스 모델과 관련하여 위에서 설명한 것과 유사할 수 있다.
관측값들의 세트는 각각의 상태들에 대응하는 관측값들을 포함할 수 있다. 관측값은 각각의 상태의 속성들에 관한 정보를 제공할 수 있다. 관측값은 각각의 시간적 위치에 대응할 수 있다. 관측값은 센서 정보와 같은 운용 환경 정보를 포함할 수 있다. 관측값은 예상된 또는 예측된 운용 환경 정보를 포함할 수 있다.
예를 들어, 부분 관측가능한 마르코프 결정 프로세스 모델은 제1 상태에 대응하는 제1 지리공간적 위치 및 제1 시간적 위치에 자율주행 차량을 포함할 수 있고, 모델은 자율주행 차량이 제1 시간적 위치에 바로 후속하는 제2 시간적 위치에서, 제1 지리공간적 위치로부터 제2 지리공간적 위치로 차량 운송 네트워크를 횡단하기 위해 차량 제어 액션을 식별 및 수행하거나 수행하려고 시도할 수 있음을 나타낼 수 있고, 제2 시간적 위치에 대응하는 관측값들의 세트는 자율주행 차량을 위한 지리공간적 위치 정보, 하나 이상의 외부 물체를 위한 지리공간적 위치 정보, 이용가능성 확률들, 예상 경로 정보 등과 같이, 제2 시간적 위치에 대응하여 식별될 수 있는 운용 환경 정보를 포함할 수 있다.
조건부 관측값 확률들의 세트는 자율주행 차량의 운용 환경에 기초하여 각각의 관측값들을 만들 확률들을 포함할 수 있다. 예를 들어, 자율주행 차량은 제1 도로를 횡단하여 교차로에 접근할 수 있고, 동시에 원격 차량은 제2 도로를 횡단하여 교차로에 접근할 수 있으며, 자율주행 차량은 원격 차량에 대응하는 운용 환경 정보를 포함할 수 있는, 교차로에 대응하는 센서 정보와 같은 운용 환경 정보를 식별하고 평가할 수 있다. 일부 실시예들에서, 운용 환경 정보는 부정확하거나, 불완전하거나, 오류가 있을 수 있다. 마르코프 결정 프로세스 모델에서, 자율주행 차량은 원격 차량을 비확률적으로 식별할 수 있고, 이는 원격 차량의 위치, 원격 차량의 예상 경로 등을 식별하는 것을 포함할 수 있고, 부정확한 운용 환경 정보에 기초하는 원격 차량의 식별된 위치와 같은 식별된 정보는 부정확하거나 오류가 있을 수 있다. 부분 관측가능한 마르코프 결정 프로세스 모델에서, 자율주행 차량은 원격 차량을 확률적으로 식별하는 정보를 식별할 수 있고, 이는 원격 차량이 교차로에 근접할 수 있음을 나타내는 위치 정보와 같은 원격 차량에 대한 위치 정보를 확률적으로 식별하는 것을 포함할 수 있다. 원격 차량의 위치를 관측하거나 확률적으로 식별하는 것에 대응하는 조건부 관측 확률은 식별된 운용 환경 정보가 원격 차량의 위치를 정확하게 표현할 확률을 표현할 수 있다.
조건부 관측 확률들의 세트는 운용 환경 정보에 기초하여 식별될 수 있다. 예를 들어, 운용 환경 정보는 도시 또는 시골과 같은 지역 타입, 하루 중 시각, 주변 광 레벨, 기상 조건들, 러시아워 조건들, 이벤트 관련 교통 조건들, 또는 휴일 관련 운전자 행동 조건들과 같은 예상 교통 조건들을 포함할 수 있는 교통 조건들, 도로 조건들, 국가, 주 또는 지방자치 조건들과 같은 관할 구역 조건, 또는 자율주행 차량의 동작에 영향을 미칠 수 있는 임의의 다른 조건 또는 조건들의 조합을 나타낼 수 있다.
부분 관측가능한 마르코프 결정 프로세스 모델을 구현하는 실시예들과 같은 일부 실시예들에서, 자율주행 차량 운용 제어 시나리오를 모델링하는 것은 폐색들(occlusions)을 모델링하는 것을 포함할 수 있다. 예를 들어, 운용 환경 정보는 자율주행 차량의 운용 환경 내의 센서 폐색들과 같은 하나 이상의 폐색에 대응하는 정보를 포함할 수 있고, 그에 의해 운용 환경 정보는 자율주행 차량의 운용 환경 내의 하나 이상의 폐색된 외부 물체를 표현하는 정보를 생략할 수 있다. 예를 들어, 폐색은 정의된 시공간적 위치에 있는 자율주행 차량으로부터 외부 물체들과 같은 하나 이상의 다른 운용 조건을 가릴 수 있는 교통 표지판, 건물, 나무, 식별된 외부 물체, 또는 임의의 다른 운용 조건 또는 운용 조건들의 조합과 같은 외부 물체일 수 있다. 일부 실시예들에서, 운용 환경 모니터(4300)는 폐색들을 식별할 수 있고, 식별된 폐색에 의해 외부 물체가 가려지거나 숨겨질 확률을 식별하거나 결정할 수 있고, 자율주행 차량 운용 관리 제어기(4100)에 출력되고 자율주행 차량 운용 관리 제어기(4100)에 의해 각각의 시나리오 특정 운용 제어 평가 모듈들(4400)에 전달되는 운용 환경 정보에 폐색된 차량 확률 정보를 포함시킬 수 있다.
일부 실시예들에서, 시나리오 특정 운용 제어 평가 모듈들(4400) 중 하나 이상은 다중 에이전트 모델일 수 있고 별개의 차량 운용 시나리오를 모델링할 수 있는 분산된 부분 관측가능한 마르코프 결정 프로세스(Decentralized Partially Observable Markov Decision Process)(Dec-POMDP) 모델일 수 있다. 부분 관측가능한 마르코프 결정 프로세스 모델이 자율주행 차량 및 외부 물체들의 부분집합, 예컨대 1개의 외부 물체를 모델링할 수 있고, 분산된 부분 관측가능한 마르코프 결정 프로세스 모델은 자율주행 차량 및 외부 물체들의 세트를 모델링할 수 있다는 점을 제외하면, 분산된 부분 관측가능한 마르코프 결정 프로세스 모델은 부분 관측가능한 마르코프 결정 프로세스 모델과 유사할 수 있다.
일부 실시예들에서, 시나리오 특정 운용 제어 평가 모듈들(4400) 중 하나 이상은 다중 에이전트 모델일 수 있고 별개의 차량 운용 시나리오를 모델링할 수 있는 부분 관측가능한 추계적 게임(Partially Observable Stochastic Game)(POSG) 모델일 수 있다. 분산된 부분 관측가능한 마르코프 결정 프로세스 모델은 자율주행 차량에 대한 보상 함수를 포함할 수 있고, 부분 관측가능한 추계적 게임 모델은 자율주행 차량에 대한 보상 함수 및 각각의 외부 물체에 대한 각각의 보상 함수를 포함할 수 있다는 점을 제외하면, 부분 관측가능한 확률적 게임 모델은 분산된 부분 관측가능한 마르코프 결정 프로세스와 유사할 수 있다.
일부 실시예들에서, 시나리오 특정 운용 제어 평가 모듈들(4400) 중 하나 이상은 학습 모델 일 수 있고 별개의 차량 운용 시나리오를 모델링할 수 있는 강화 학습(Reinforcement Learning)(RL) 모델일 수 있다. 정의된 상태 전이 확률들, 관측 확률들, 보상 함수 또는 이들의 임의의 조합이 모델로부터 생략될 수 있다는 것을 제외하면, 강화 학습 모델은 마르코프 결정 프로세스 모델 또는 부분 관측가능한 마르코프 결정 프로세스 모델과 유사할 수 있다.
일부 실시예들에서, 강화 학습 모델은 하나 이상의 모델링된 또는 관측된 이벤트에 기초하여 상태 전이 확률들, 관측 확률, 보상 함수 또는 이들의 임의의 조합을 생성하는 것을 포함할 수 있는 모델 기반 강화 학습 모델일 수 있다.
강화 학습 모델에서, 모델은 교차로를 횡단하는 것, 보행자 근처의 차량 운송 네트워크를 횡단하는 것, 또는 차선을 변경하는 것과 같은 시뮬레이션된 이벤트일 수 있는 하나 이상의 이벤트 또는 상호작용을 평가할 수 있고, 각각의 이벤트에 응답하여, 대응하는 모델 또는 그것의 솔루션을 생성하거나 수정할 수 있다. 예를 들어, 자율주행 차량은 강화 학습 모델을 사용하여 교차로를 횡단할 수 있다. 강화 학습 모델은 교차로를 횡단하기 위한 후보 차량 제어 액션을 나타낼 수 있다. 자율주행 차량은 후보 차량 제어 액션을 시간적 위치에 대한 차량 제어 액션으로서 사용하여 교차로를 횡단할 수 있다. 자율주행 차량은 후보 차량 제어 액션을 사용하여 교차로를 횡단한 결과를 결정할 수 있으며, 그 결과에 기초하여 모델을 업데이트할 수 있다.
예에서, 제1 시간적 위치에서, 원격 차량은 적색등과 같은 금지된 우선통행권 표시로 인해 교차로에 정지상태로 있을 수 있고, 강화 학습 모델은 제1 시간적 위치에 대해 '진행' 후보 차량 제어 액션을 나타낼 수 있고, 강화 학습 모델은 식별된 후보 차량 제어 액션에 따라 차량 운송 네트워크를 횡단한 것에 후속하여, 제1 시간적 위치에 대응하는 원격 차량의 지리공간적 위치가 제2 시간적 위치에 대응하는 원격 차량의 지리공간적 위치와 다르다는 것을 나타내는 후속 시간적 위치에서의 운용 환경 정보를 식별할 확률이 0/100과 같이 낮은 것을 포함할 수 있다. 자율주행 차량은 식별된 후보 차량 제어 액션에 따라 차량 운송 네트워크를 횡단할 수 있고, 후속하여, 제1 시간적 위치에 대응하는 원격 차량의 지리공간적 위치가 제2 시간적 위치에 대응하는 원격 차량의 지리공간적 위치와 다름을 결정할 수 있으며, 그에 따라 식별된 이벤트를 통합하는 확률을 예컨대 1/101로 수정하거나 업데이트할 수 있다.
다른 예에서, 강화 학습 모델은 식별된 차량 제어 액션에 따라, 그리고 식별된 운용 환경 정보에 따라 제1 시간적 위치로부터 제2 시간적 위치로 차량 운송 네트워크를 횡단하는 것에 대해 정의된 포지티브 예상 보상을 나타낼 수 있고, 이는 확률적일 수 있다. 자율주행 차량은 식별된 차량 제어 액션에 따라 차량 운송 네트워크를 횡단할 수 있다. 자율주행 차량은 확률론적일 수 있는 후속하여 식별된 운용 환경 정보에 기초하여, 제2 시간적 위치에 대응하는 운용 환경 정보가 제1 시간적 위치에 대응하여 식별된 운용 환경 정보와 실질적으로 유사하다고 결정할 수 있고, 이는 식별된 차량 제어 액션에 따라 차량 운송 네트워크를 횡단하는 것의 비용, 예컨대 시간에서의 비용을 나타낼 수 있고, 강화 학습 모델은 대응하는 예상 보상을 감소시킬 수 있다.
자율주행 차량 운용 관리 시스템(4000)은 임의의 개수 또는 조합의 모델 타입들을 포함할 수 있다. 예를 들어, 보행자 시나리오 특정 운용 제어 평가 모듈(4410), 교차로 시나리오 특정 운용 제어 평가 모듈(4420), 및 차선 변경 시나리오 특정 운용 제어 평가 모듈(4430)은 부분 관측가능한 마르코프 결정 프로세스 모델들일 수 있다. 다른 예에서, 보행자 시나리오 특정 운용 제어 평가 모듈(4410)은 마르코프 결정 프로세스 모델일 수 있고, 교차로 시나리오 특정 운용 제어 평가 모듈(4420) 및 차선 변경 특정 운용 제어 평가 모듈(4430)은 부분 관측가능한 마르코프 결정 프로세스 모델들일 수 있다.
자율주행 차량 운용 관리 제어기(4100)는 운용 환경 정보에 기초하여 시나리오 특정 운용 제어 평가 모듈들(4400)의 임의의 개수의 인스턴스를 인스턴스화할 수 있다.
예를 들어, 운용 환경 정보는 보행자가 자율주행 차량에 대한 예상 경로를 따라 교차로에 접근하고 있는 것을 표현하는 정보를 포함할 수 있으며, 자율주행 차량 운용 관리 제어기(4100)는 보행자 차량 운용 시나리오, 교차로 차량 운용 시나리오, 또는 둘 다를 식별할 수 있다. 자율주행 차량 운용 관리 제어기(4100)는 보행자 시나리오 특정 운용 제어 평가 모듈(4410)의 인스턴스, 교차로 시나리오 특정 운용 제어 평가 모듈(4420)의 인스턴스, 또는 둘 다를 인스턴스화할 수 있다.
다른 예에서, 운용 환경 정보는 자율주행 차량에 대한 예상 경로를 따라 교차로 또는 그 부근에 있는 하나 초과의 보행자를 표현하는 정보를 포함할 수 있다. 자율주행 차량 운용 관리 제어기(4100)는 하나 이상의 보행자에 대응하는 보행자 운용 시나리오들, 교차로 차량 운용 시나리오, 또는 이들의 조합을 식별할 수 있다. 자율주행 차량 운용 관리 제어기(4100)는 보행자 운용 시나리오의 일부 또는 전부에 대한 보행자 시나리오 특정 운용 제어 평가 모듈(4410)의 인스턴스들, 교차로 시나리오 특정 동작 제어 평가 모듈(4420)의 인스턴스, 또는 이들의 조합을 인스턴스화할 수 있다.
보행자 시나리오 특정 운용 제어 평가 모듈(4410)은 자율주행 차량이 보행자에 근접한 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 모델(보행자 시나리오)일 수 있다. 보행자 시나리오 특정 운용 제어 평가 모듈(4410)은 자율주행 차량 운용 관리 제어기(4100)로부터 보행자 모니터링을 위한 운용 환경 모니터(4310)에 의해 생성된 보행자 정보와 같은 운용 환경 정보를 수신할 수 있다.
보행자 시나리오 특정 운용 제어 평가 모듈(4410)은 차량 운송 네트워크의 부분을 횡단하거나 그렇지 않으면 자율주행 차량의 동작에 확률적으로 영향을 미치는 보행자에 대응하는 보행자 행동을 모델링할 수 있다. 일부 실시예들에서, 보행자 시나리오 특정 운용 제어 평가 모듈(4410)은 가능성있는 보행자 행동을 표현하는 보행자 모델 규칙들에 따라 행동하는 것으로서 보행자를 모델링할 수 있다. 예를 들어, 보행자 모델 규칙들은 차량 운송 네트워크 규제들, 보행자 운송 네트워크 규제들, 예측된 보행자 행동, 사회적 규범들, 또는 이들의 조합을 표현할 수 있다. 예를 들어, 보행자 모델 규칙들은 보행자가 횡단보도 또는 다른 정의된 보행자 접근 영역을 통해 차량 운송 네트워크의 부분을 통과할 수 있는 확률을 나타낼 수 있다. 일부 실시예들에서, 보행자 시나리오 특정 운용 제어 평가 모듈(4410)은 예컨대 무단횡단에 의해, 정의된 차량 운송 네트워크 규제들, 보행자 운송 네트워크 규제들, 또는 둘 다에 독립하여 행동하는 것으로서 보행자를 모델링할 수 있다.
보행자 시나리오 특정 운용 제어 평가 모듈(4410)은 '정지' 후보 차량 제어 액션, '전진' 후보 차량 제어 액션, 또는 '진행' 후보 차량 제어 액션과 같은 후보 차량 제어 액션을 출력할 수 있다. 일부 실시예들에서, 후보 차량 제어 액션은 복합 차량 제어 액션 일 수 있다. 예를 들어, 후보 차량 제어 액션은 간접 시그널링 보행자 통신 차량 제어 액션일 수 있는 '전진' 차량 제어 액션을 포함할 수 있으며, 자율주행 차량의 전조등을 점멸시키는 것 또는 자율주행 차량의 경적을 울리는 것과 같이, 직접 시그널링 보행자 통신 차량 제어 액션을 포함할 수 있다. 자율주행 차량이 보행자에 근접한 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 예는 도 7에 도시된다.
교차로 시나리오 특정 운용 제어 평가 모듈(4420)은 자율주행 차량이 교차로를 포함하는 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 모델일 수 있다. 교차로 시나리오 특정 운용 제어 평가 모듈(4420)은 차량 운송 네트워크에서 교차로를 횡단하거나 그렇지 않으면 교차로를 횡단하는 자율주행 차량의 동작에 확률적으로 영향을 미치는 원격 차량들의 행동을 모델링할 수 있다. 교차로는 차량 운송 네트워크의 임의의 부분을 포함할 수 있고, 여기서 차량은 하나의 도로로부터 다른 도로로 갈아탈 수 있다.
일부 실시예들에서, 자율주행 차량이 교차로를 포함하는 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오를 모델링하는 것은, 예를 들어 원격 차량들과 교섭함으로써 교차로를 횡단할 차량들에 대한 우선통행권 순위를 결정하는 것을 포함할 수 있다.
일부 실시예들에서, 자율주행 차량이 교차로를 포함하는 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오를 모델링하는 것은, 정지 사인, 양보 사인, 교통 신호등, 또는 임의의 다른 교통 제어 디바이스, 규제, 신호 또는 이들의 조합과 같은 하나 이상의 교통 제어를 모델링하는 것을 포함할 수 있다.
일부 실시예들에서, 자율주행 차량이 교차로를 포함하는 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오를 모델링하는 것은 '전진' 후보 차량 제어 액션을 출력하는 것, 자율주행 차량이 '전진' 후보 차량 제어 액션을 수행하는 것에 응답하여, 센서 정보와 같은 정보를 수신하는 것, 및 수신된 정보에 기초하여 후속 후보 차량 제어 액션을 출력하는 것을 포함할 수 있다.
일부 실시예들에서, 자율주행 차량이 교차로를 포함하는 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오를 모델링하는 것은 원격 차량이 차량 운송 네트워크 규제들에 따라 교차로를 횡단할 수 있는 확률을 모델링하는 것을 포함할 수 있다. 일부 실시예들에서, 자율주행 차량이 교차로를 포함하는 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오를 모델링하는 것은, 원격 차량이 예컨대 우선통행권을 갖는 다른 원격 차량의 바로 뒤를 따르거나 피기백함으로써 하나 이상의 차량 운송 네트워크 규제들에 독립하여 교차로를 횡단할 수 있는 확률을 모델링하는 것을 포함할 수 있다.
교차로 시나리오 특정 운용 제어 평가 모듈(4420)은 '정지' 후보 차량 제어 액션, '전진' 후보 차량 제어 액션 또는 '진행' 후보 차량 제어 액션과 같은 후보 차량 제어 액션을 출력할 수 있다. 일부 실시예들에서, 후보 차량 제어 액션은 복합 차량 제어 액션 일 수 있다. 예를 들어, 후보 차량 제어 액션은 '진행' 차량 제어 액션, 및 자율주행 차량의 방향 지시 신호를 점멸시키는 것과 같은 시그널링 통신 차량 제어 액션을 포함할 수 있다. 자율주행 차량이 교차로를 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 예는 도 8에 도시된다.
차선 변경 시나리오 특정 운용 제어 평가 모듈(4430)은 자율주행 차량이 차선 변경 동작을 수행함으로써 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 모델일 수 있다. 차선 변경 시나리오 특정 운용 제어 평가 모듈(4430)은 차선 변경을 횡단하는 자율주행 차량의 동작에 확률적으로 영향을 미치는 원격 차량들의 거동을 모델링할 수 있다.
일부 실시예들에서, 자율주행 차량이 차선 변경을 수행함으로써 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오를 모델링하는 것은 '유지' 후보 차량 제어 액션, '진행' 차량 제어 액션, '가속' 차량 제어 액션, '감속' 차량 제어 액션, 또는 이들의 조합을 출력하는 것을 포함할 수 있다. 자율주행 차량이 차선을 변경하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 예는 도 9에 도시된다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기(4100), 차단 모니터(4200), 운용 환경 모니터들(4300), 또는 시나리오 특정 운용 제어 평가 모듈들(4400) 중 하나 이상은 연속적으로 또는 주기적으로, 예컨대 10 헤르쯔(10㎐)의 진동수로 동작할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기(4100)는 초당 10회와 같이 여러 회, 차량 제어 액션을 식별할 수 있다. 자율주행 차량 운용 관리 시스템(4000)의 각각의 컴포넌트의 운용 진동수는 동기화되거나 비동기화될 수 있고, 자율주행 차량 운용 관리 제어기(4100), 차단 모니터(4200), 운용 환경 모니터들(4300), 또는 시나리오 특정 운용 제어 평가 모듈들(4400) 중 하나 이상의 운용 레이트는 자율주행 차량 운용 관리 제어기(4100), 차단 모니터(4200), 운용 환경 모니터들(4300), 또는 시나리오 특정 운용 제어 평가 모듈들(4400) 중 다른 하나 이상의 운용 레이트에 독립적일 수 있다.
일부 실시예들에서, 시나리오 특정 동작 제어 평가 모듈들(4400)의 인스턴스들에 의해 출력된 후보 차량 제어 액션들은 상태 정보, 시간 정보, 또는 둘 다와 같은 운용 환경 정보를 포함할 수 있거나 그에 연관될 수 있다. 예를 들어, 후보 차량 제어 액션은 가능한 장래의 상태, 장래의 시간적 위치, 또는 둘 다를 표현하는 운용 환경 정보에 연관될 수 있다. 일부 실시예들에서, 자율주행 차량 운용 관리 제어기(4100)는 과거의 시간적 위치들, 최소 임계값 미만의 발생 확률을 갖는 상태들, 또는 선택되지 않은 후보 차량 제어 액션들을 표현하는 무효의 후보 차량 제어 액션들을 식별할 수 있으며, 무효 후보 차량 제어 액션들을 삭제, 생략 또는 무시할 수 있다.
도 5는 본 개시내용의 실시예들에 따른 자율주행 차량 운용 관리(5000)의 예의 흐름도이다. 자율주행 차량 운용 관리(5000)는 도 1에 도시된 차량(1000), 도 2에 도시된 차량들(2100/2110) 중 하나, 반-자율주행 차량, 또는 자율 주행을 구현하는 임의의 다른 차량과 같은 자율주행 차량에서 구현될 수 있다. 예를 들어, 자율주행 차량은 도 4에 도시된 자율주행 차량 운용 관리 시스템(4000)과 같은 자율주행 차량 운용 관리 시스템을 구현할 수 있다.
자율주행 차량 운용 관리(5000)는 도 4에 도시된 자율주행 차량 운용 관리 제어기(4100)와 같은 자율주행 차량 운용 관리 제어기 또는 실행기(5100); 도 4에 도시된 차단 모니터(4200)와 같은 차단 모니터(5200); 도 4에 도시된 시나리오 특정 운용 제어 평가 모듈들(4400)의 인스턴스들과 같은 0개 이상의 시나리오 특정 운용 제어 평가 모듈 인스턴스(SSOCEMI)(5300); 또는 이들의 조합을 포함할 수 있는 하나 이상의 모듈 또는 컴포넌트를 구현하거나 동작시키는 것을 포함할 수 있다.
도 5에는 별개로 도시되지 않았지만, 일부 실시예들에서, 실행기(5100)는 자율주행 차량의 운용 환경 또는 그것의 정의된 양태들을 모니터링할 수 있다. 일부 실시예들에서, 자율주행 차량의 운용 환경을 모니터링하는 것은 블록(5110)에서 외부 물체들을 식별하고 추적하는 것, 블록(5120)에서 별개의 차량 운용 시나리오들을 식별하는 것, 또는 이들의 조합을 포함할 수 있다.
실행기(5100)는 블록(5110)에서 자율주행 차량의 운용 환경 또는 그것의 양태를 식별할 수 있다. 운용 환경을 식별하는 것은 운용 환경, 또는 그것의 하나 이상의 양태를 표현하는 운용 환경 정보를 식별하는 것을 포함할 수 있다. 일부 실시예들에서, 운용 환경 정보는 자율주행 차량에 대한 차량 정보, 자율주행 차량에 근접한 차량 운송 네트워크 또는 그것의 하나 이상의 양태를 표현하는 정보, 자율주행 차량의 운용 환경 내의 외부 물체들 또는 그것들의 하나 이상의 양태를 표현하는 정보, 또는 이들의 조합을 포함할 수 있다.
일부 실시예들에서, 실행기(5100)는 블록(5110)에서 센서 정보, 차량 운송 네트워크 정보, 이전에 식별된 운용 환경 정보, 또는 운용 환경의 양태 또는 양태들을 기술하는 임의의 다른 정보 또는 정보 조합에 기초하여 운용 환경 정보를 식별할 수 있다. 일부 실시예들에서, 센서 정보는 자율주행 차량의 센서로부터 센서 정보를 수신할 수 있고 센서 정보에 기초하여 처리된 센서 정보를 생성할 수 있는 자율주행 차량의 센서 정보 처리 유닛으로부터의 처리된 센서 정보와 같은 처리된 센서 정보일 수 있다.
일부 실시예들에서, 블록(5110)에서 운용 환경 정보를 식별하는 것은 도 1에 도시된 센서(1360) 또는 도 2에 도시된 차량 탑재 센서들(2105)과 같은 자율주행 차량의 센서로부터 운용 환경의 하나 이상의 양태를 나타내는 정보를 수신하는 것을 포함할 수 있다. 예를 들어, 센서는 자율주행 차량의 외부에서 자율주행 차량의 300미터와 같은 정의된 거리 내에 있는 보행자, 차량 또는 임의의 다른 물체와 같은 외부 물체를 검출할 수 있으며, 센서는 외부 물체를 나타내거나 표현하는 센서 정보를 실행기(5100)에 송신할 수 있다. 일부 실시예들에서, 자율주행 차량의 센서 또는 다른 유닛은 센서 정보를 자율 주행 차량의 메모리, 예컨대 도 1에 도시된 메모리(1340)에 저장할 수 있고, 실행기(5100)는 메모리로부터 센서 정보를 판독한다.
일부 실시예들에서, 센서 정보에 의해 나타나는 외부 물체는 비결정적일 수 있으며, 실행기(5100)는 센서 정보, 다른 센서로부터의 정보와 같은 다른 정보, 이전에 식별된 물체에 대응하는 정보, 또는 이들의 조합에 기초하여 물체 타입과 같은 물체 정보를 식별할 수 있다. 일부 실시예들에서, 자율주행 차량의 센서 또는 다른 유닛은 물체 정보를 식별할 수 있고, 물체 식별 정보를 실행기(5100)에 송신할 수 있다.
일부 실시예들에서, 센서 정보는 도로 조건, 도로 특징, 또는 이들의 조합을 나타낼 수 있다. 예를 들어, 센서 정보는 젖은 도로 조건, 동결된 도로 조건, 또는 임의의 다른 도로 조건 또는 조건들과 같은 도로 조건을 나타낼 수 있다. 다른 예에서, 센서 정보는 차선, 차도 기하구조의 양태, 또는 임의의 다른 도로 특징 또는 특징들과 같은 도로 표시들을 나타낼 수 있다.
일부 실시예들에서, 블록(5110)에서 운용 환경 정보를 식별하는 것은 차량 운송 네트워크 정보로부터 운용 환경의 하나 이상의 양태를 나타내는 정보를 식별하는 것을 포함할 수 있다. 예를 들어, 실행기(5100)는 자율주행 차량이 교차로에 접근하고 있음을 나타내거나, 그렇지 않으면 자율주행 차량에 근접한, 예를 들어 자율주행 차량의 300미터 이내에 있는 차량 운송 네트워크의 기하구조 또는 구성을 기술하는 차량 운송 네트워크 정보를 판독하거나 그렇지 않으면 수신할 수 있다.
일부 실시예들에서, 블록(5110)에서 운용 환경 정보를 식별하는 것은 원격 차량, 또는 자율주행 차량 외부의 다른 원격 디바이스로부터 운용 환경의 하나 이상의 양태를 나타내는 정보를 식별하는 것을 포함할 수 있다. 예를 들어, 자율주행 차량은 원격 차량으로부터 무선 전자 통신 링크를 통해, 원격 차량에 대한 원격 차량 지리공간적 상태 정보를 나타내는 원격 차량 정보, 원격 차량에 대한 원격 차량 운동학적 상태 정보, 또는 둘 다를 포함하는 원격 차량 메시지를 수신할 수 있다.
일부 실시예들에서, 실행기(5100)는 하나 이상의 시나리오 특정 모니터 모듈 인스턴스를 포함할 수 있다. 예를 들어, 실행기(5100)는 보행자들을 모니터링하기 위한 시나리오 특정 모니터 모듈 인스턴스, 교차로들을 모니터링하기 위한 시나리오 특정 모니터 모듈 인스턴스, 차선 변경들을 모니터링하기 위한 시나리오 특정 모니터 모듈 인스턴스, 또는 이들의 조합을 포함할 수 있다. 각각의 시나리오 특정 모니터 모듈 인스턴스는 각각의 시나리오에 대응하는 운용 환경 정보를 수신하거나 다르게 액세스할 수 있고, 각각의 시나리오에 대응하는 특수화된 모니터 정보를 실행기(5100), 차단 모니터(5200), 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300), 또는 이들의 조합에, 또는 그것에 의한 액세스를 위해, 송신하거나 저장하거나 그렇지 않으면 출력할 수 있다.
일부 실시예들에서, 실행기(5100)는 블록(5112)에서 자율주행 차량에 대한 운용 환경을 표현하는 운용 환경 정보를 차단 모니터(5200)에 송신할 수 있다. 대안적으로 또는 부가적으로, 차단 모니터(5200)는 자율주행 차량의 다른 컴포넌트로부터, 예컨대 자율주행 차량의 센서로부터 자율주행 차량에 대한 운용 환경을 표현하는 운용 환경 정보를 수신할 수 있고, 차단 모니터(5200)는 자율주행 차량의 운용 환경을 표현하는 운용 환경 정보를 자율주행 차량의 메모리 또는 이들의 조합으로부터 판독할 수 있다.
실행기(5100)는 블록(5120)에서 하나 이상의 별개의 차량 운용 시나리오를 검출 또는 식별할 수 있다. 일부 실시예들에서, 실행기(5100)는 블록(5110)에서 식별된 운용 환경 정보에 의해 표현된 운용 환경의 하나 이상의 양태에 기초하여, 블록(5120)에서 별개의 차량 운용 시나리오를 검출할 수 있다.
일부 실시예들에서, 실행기(5100)는 블록(5120)에서 복합 차량 운용 시나리오의 양태들일 수 있는 복수의 별개의 차량 운용 시나리오를 식별할 수 있다. 예를 들어, 운용 환경 정보는 자율주행 차량에 대한 예상 경로를 따라 교차로에 접근하는 보행자를 표현하는 정보를 포함할 수 있고, 실행기(5100)는 블록(5120)에서 보행자 차량 운용 시나리오, 교차로 차량 운용 시나리오, 또는 둘 다를 식별할 수 있다. 다른 예에서, 운용 환경 정보에 의해 표현된 운용 환경은 복수의 외부 물체를 포함할 수 있고, 실행기(5100)는 블록(5120)에서 각각의 외부 물체에 대응하는 별개의 차량 운용 시나리오를 식별할 수 있다.
실행기(5100)는 블록(5130)에서 운용 환경 정보에 의해 표현된 운용 환경의 하나 이상의 양태에 기초하여 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화할 수 있다. 예를 들어, 실행기(5100)는 블록(5120)에서 별개의 차량 운용 시나리오를 식별하는 것에 응답하여, 블록(5130)에서 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화할 수 있다.
하나의 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)가 도 5에 도시되어 있지만, 실행기(5100)는 블록(5110)에서 식별된 운용 환경 정보에 의해 표현된 운용 환경의 하나 이상의 양태에 기초하여 복수의 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화할 수 있고, 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)은 블록(5120)에서 검출된 각각의 별개의 차량 운용 시나리오, 또는 블록(5110)에서 식별된 별개의 외부 물체와 블록(5120)에서 검출된 각각의 별개의 차량 운용 시나리오의 조합에 대응한다.
예를 들어, 블록(5110)에서 식별된 운용 환경 정보에 의해 표현된 운용 환경은 복수의 외부 물체를 포함할 수 있고, 실행기(5100)는 블록(5120)에서, 블록(5110)에서 식별된 운용 환경 정보에 의해 표현된 운용 환경에 기초하여, 복합 차량 운용 시나리오의 양태들일 수 있는 복수의 별개의 차량 운용 시나리오를 검출할 수 있고, 실행기(5100)는 외부 물체 및 별개의 차량 운용 시나리오의 각각의 별개의 조합에 대응하는 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화할 수 있다.
일부 실시예들에서, 블록(5120)에서 식별된 별개의 차량 운용 시나리오에 대응하는 시나리오 특정 운용 제어 평가 모듈은 이용불가능할 수 있고, 블록(5130)에서 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화하는 것은 블록(5120)에서 식별된 별개의 차량 운용 시나리오에 대응하는 시나리오 특정 운용 제어 평가 모듈의 인스턴스(5300)를 생성, 해결 및 인스턴스화하는 것을 포함할 수 있다. 예를 들어, 블록(5120)에서 식별된 별개의 차량 운용 시나리오는 정지 신호들과 같은 정지 교통 제어 신호들을 갖는 2개의 차선, 및 양보 신호들과 같은 양보 교통 제어 신호들을 갖는 2개의 차선을 포함하는 교차로를 나타낼 수 있고, 이용가능한 시나리오 특정 운용 제어 평가 모듈은 블록(5120)에서 식별된 별개의 차량 운용 시나리오와는 다른 부분 관측가능한 마르코프 결정 프로세스 시나리오 특정 운용 제어 평가 모듈, 예컨대 정지 교통 제어 신호들을 갖는 4개의 차선을 포함하는 교차로 시나리오를 모델링하는 부분 관측가능한 마르코프 결정 프로세스 시나리오 특정 운용 제어 평가 모듈을 포함할 수 있고, 실행기(5100)는 블록(5130)에서 정지 교통 제어 신호들을 갖는 2개의 차선, 및 양보 교통 제어 신호들을 갖는 2개의 차선을 포함하는 교차로를 모델링하는 마르코프 결정 프로세스 시나리오 특정 운용 제어 평가 모듈의 인스턴스(5300)를 생성, 해결 및 인스턴스화할 수 있다.
일부 실시예들에서, 블록(5130)에서 시나리오 특정 운용 제어 평가 모듈 인스턴스를 인스턴스화하는 것은 자율주행 차량에 관한 정보, 운용 환경 정보, 또는 이들의 조합에 기초하여 시공간적 수렴의 수렴 확률을 식별하는 것을 포함할 수 있다. 시공간적 수렴의 수렴 확률을 식별하는 것은 자율주행 차량에 대한 예상 경로를 식별하는 것, 원격 차량에 대한 예상 경로를 식별하는 것, 및 예상 경로 정보에 기초하여 자율주행 차량 및 원격 차량이 수렴하거나 충돌할 수 있을 확률을 나타내는 자율주행 차량과 원격 차량의 수렴 확률을 식별하는 것을 포함할 수 있다. 시나리오 특정 운용 제어 평가 모듈 인스턴스는 수렴 확률이 정의된 최대 허용가능한 수렴 확률과 같은 정의된 임계값을 초과하는 것으로 결정한 것에 응답하여 인스턴스화될 수 있다.
일부 실시예들에서, 블록(5130)에서 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화하는 것은 블록(5132)에 나타낸 바와 같이 자율주행 차량에 대한 운용 환경을 표현하는 운용 환경 정보를 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)에 송신하는 것을 포함할 수 있다.
시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 블록(5310)에서 자율주행 차량에 대한 운용 환경 또는 그것의 하나 이상의 양태를 표현하는 운용 환경 정보를 수신할 수 있다. 예를 들어, 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 블록(5132)에서 실행기(5100)에 의해 송신된 자율주행 차량에 대한 운용 환경 또는 그것의 하나 이상의 양태를 표현하는 운용 환경 정보를 수신할 수 있다. 대안적으로 또는 부가적으로, 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)은 자율주행 차량의 다른 컴포넌트로부터, 예컨대 자율주행 차량의 센서로부터 또는 차단 모니터(5200)로부터 자율주행 차량에 대한 운용 환경을 표현하는 운용 환경 정보를 수신할 수 있고, 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)은 자율주행 차량에 대한 운용 환경을 표현하는 운용 환경 정보를 자율주행 차량의 메모리 또는 이들의 조합으로부터 판독할 수 있다.
차단 모니터(5200)는 블록(5210)에서 자율주행 차량에 대한 운용 환경 또는 그것의 양태를 표현하는 운용 환경 정보를 수신할 수 있다. 예를 들어, 차단 모니터(5200)는 블록(5112)에서 실행기(5100)에 의해 송신된 운용 환경 정보 또는 그것의 양태를 수신할 수 있다. 일부 실시예들에서, 차단 모니터(5200)는 자율주행 차량의 센서로부터, 원격 차량 또는 기반구조 디바이스와 같은 외부 디바이스로부터, 또는 그들의 조합으로부터 운용 환경 정보 또는 그것의 양태를 수신할 수 있다. 일부 실시예들에서, 차단 모니터(5200)는 자율주행 차량의 메모리와 같은 메모리로부터, 운용 환경 정보 또는 그것의 양태를 판독할 수 있다.
차단 모니터(5200)는 블록(5220)에서, 자율주행 차량에 근접한 차량 운송 네트워크의 부분들과 같은 차량 운송 네트워크의 하나 이상의 부분에 대한 각각의 이용가능성 확률(POA) 또는 대응하는 차단 확률을 결정할 수 있고, 이는 자율주행 차량의 현재 루트에 기초하여 식별된 예상 경로와 같은 자율주행 차량의 예상 경로에 대응하는 차량 운송 네트워크의 부분들을 포함할 수 있다.
일부 실시예들에서, 블록(5220)에서 각각의 이용가능성 확률을 결정하는 것은 외부 물체들을 식별하는 것, 외부 물체들을 추적하는 것, 외부 물체들에 대한 위치 정보를 추정하는 것, 외부 물체들에 대한 경로 정보를 추정하는 것, 또는 이들의 조합을 포함할 수 있다. 예를 들어, 차단 모니터(5200)는 외부 물체를 식별할 수 있고, 외부 물체에 대한 예상 경로를 식별할 수 있으며, 예상된 공간 위치들, 예상된 시간적 위치들, 및 대응하는 확률들의 시퀀스를 나타낼 수 있다.
일부 실시예들에서, 차단 모니터(5200)는 외부 물체의 현재 위치를 나타내는 정보, 외부 물체에 대한 현재 궤적을 나타내는 정보, 외부 물체를 보행자 또는 원격 차량으로서 분류하는 정보와 같은 외부 물체의 분류의 타입을 나타내는 정보, 차량 운송 네트워크가 외부 물체에 근접한 횡단보도를 포함함을 나타내는 정보와 같은 차량 운송 네트워크 정보, 외부 물체에 연관된 이전에 식별되거나 추적된 정보, 또는 이들의 임의의 조합과 같은 운용 환경 정보에 기초하여, 외부 물체에 대한 예상 경로를 식별할 수 있다. 예를 들어, 외부 물체는 원격 차량으로서 식별될 수 있고, 원격 차량에 대한 예상 경로는 원격 차량의 현재 위치를 나타내는 정보, 원격 차량의 현재 궤적을 나타내는 정보, 원격 차량의 현재 속도를 나타내는 정보, 원격 차량에 대응하는 차량 운송 네트워크 정보, 법 또는 규제 정보, 또는 이들의 조합에 기초하여 식별될 수 있다.
일부 실시예들에서, 차단 모니터(5200)는 블록(5222)에서, 블록(5220)에서 식별된 이용가능성 확률들을 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)에 송신할 수 있다. 대안적으로 또는 추가적으로, 차단 모니터(5200)는 블록(5220)에서 식별된 이용가능성 확률들을 자율주행 차량의 메모리, 또는 이들의 조합에 저장할 수 있다. 도 5에 명시적으로 도시되지는 않았지만, 차단 모니터(5200)는 블록(5212)에서, 이용가능성 확률들을 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)에 송신하는 것에 더하여, 또는 그것을 대신하여, 블록(5220)에서 식별된 이용가능성 확률들을 실행기(5100)에 송신할 수 있다.
시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 블록(5320)에서 이용가능성 확률들을 수신할 수 있다. 예를 들어, 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 블록(5222)에서 차단 모니터(5200)에 의해 송신된 이용가능성 확률들을 수신할 수 있다. 일부 실시예들에서, 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 자율주행 차량의 메모리와 같은 메모리로부터 이용가능성 확률들을 판독할 수 있다.
시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 블록(5330)에서 대응하는 별개의 차량 운용 시나리오의 모델을 해결할 수 있다. 일부 실시예들에서, 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 블록(5330)에서 후보 차량 제어 액션을 생성하거나 식별할 수 있다.
일부 실시예들에서, 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 블록(5332)에서, 블록(5330)에서 식별된 후보 차량 제어 액션을 실행기(5100)에 송신할 수 있다. 대안적으로 또는 부가적으로, 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)는 블록(5330)에서 식별된 후보 차량 제어 액션을 자율주행 차량의 메모리에 저장할 수 있다.
실행기(5100)는 블록(5140)에서 후보 차량 제어 액션을 수신할 수 있다. 예를 들어, 실행기(5100)는 블록(5140)에서 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)로부터 후보 차량 제어 액션을 수신할 수 있다. 대안적으로 또는 부가적으로, 실행기(5100)는 자율주행 차량의 메모리로부터 후보 차량 제어 액션을 판독할 수 있다.
실행기(5100)는 블록(5150)에서 차량 운송 네트워크를 횡단하도록 자율주행 차량을 제어하기 위해, 후보 차량 제어 액션을 승인하거나, 그렇지 않으면 후보 차량 제어 액션을 차량 제어 액션으로서 식별할 수 있다. 예를 들어, 실행기(5100)는 블록(5120)에서 하나의 별개의 차량 운용 시나리오를 식별하고, 블록(5130)에서 하나의 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화하고, 블록(5140)에서 하나의 후보 차량 제어 액션을 수신하며, 블록(5150)에서 후보 차량 제어 액션을 승인할 수 있다.
일부 실시예들에서, 실행기(5100)는 블록(5120)에서 복수의 별개의 차량 운용 시나리오를 식별하고, 블록(5130)에서 복수의 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화하고, 블록(5140)에서 복수의 후보 차량 제어 액션을 수신하고, 블록(5150)에서 후보 차량 제어 액션들 중 하나 이상을 승인할 수 있다. 부가적으로 또는 대안적으로, 자율주행 차량 운용 관리(5000)는 하나 이상의 이전에 인스턴스화된 시나리오 특정 운용 제어 평가 모듈 인스턴스(명시적으로 도시되지 않음)를 동작시키는 것을 포함할 수 있고, 실행기는 블록(5140)에서, 블록(5130)에서 인스턴스화된 시나리오 특정 운용 제어 평가 모듈 인스턴스로부터, 그리고 이전에 인스턴스화된 시나리오 특정 운용 제어 평가 모듈 인스턴스들 중 하나 이상으로부터 후보 차량 제어 액션들을 수신할 수 있고, 블록(5150)에서 후보 차량 제어 액션들 중 하나 이상을 승인할 수 있다.
블록(5150)에서 후보 차량 제어 액션을 승인하는 것은 후보 차량 제어 액션에 따라 차량 운송 네트워크의 부분을 횡단하는지를 결정하는 것을 포함할 수 있다.
일부 실시예들에서, 실행기(5100)는 블록(5160)에서, 블록(5150)에서 식별된 차량 제어 액션에 따라, 차량 운송 네트워크 또는 그것의 일부를 횡단하도록 자율주행 차량을 제어할 수 있다.
일부 실시예들에서, 실행기(5100)는 블록(5170)에서 자율주행 차량의 운용 환경 또는 그것의 양태를 식별할 수 있다. 블록(5170)에서 자율주행 차량의 운용 환경 또는 그것의 양태를 식별하는 것은 블록(5110)에서 자율주행 차량의 운용 환경을 식별하는 것과 유사할 수 있고, 이전에 식별된 운용 환경 정보를 업데이트하는 것을 포함할 수 있다.
실행기(5100)는 블록(5180)에서 별개의 차량 운용 시나리오가 해결되었는지 해결되지 않았는지를 결정하거나 검출할 수 있다. 예를 들어, 실행기(5100)는 위에서 설명된 바와 같이 운용 환경 정보를 연속적으로 또는 주기적으로 수신할 수 있다. 실행기(5100)는 운용 환경 정보를 평가하여 별개의 차량 운용 시나리오가 해결되었는지를 결정할 수 있다.
실행기(5100)는 블록(5180)에서 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)에 대응하는 별개의 차량 운용 시나리오가 해결되지 않았다고 결정할 수 있고, 실행기(5100)는 블록(5185)에 나타난 것과 같이, 블록(5170)에서 식별된 운용 환경 정보를 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)에 송신할 수 있고, 블록(5180)에서 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화 해제하는 것은 생략되거나 달라질 수 있다.
실행기(5100)는 블록(5180)에서 별개의 차량 운용 시나리오가 해결된 것으로 결정할 수 있고, 블록(5190)에서, 블록(5180)에서 해결된 것으로 결정된 별개의 차량 운용 시나리오에 대응하는 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)을 인스턴스화 해제할 수 있다. 예를 들어, 실행기(5100)는 블록(5120)에서 자율주행 차량에 대한 별개의 차량 운용 시나리오를 형성하는 동작 조건들의 별개의 세트를 식별할 수 있고, 블록(5180)에서 동작 조건들 중 하나 이상이 만료되었거나 자율주행 차량의 동작에 영향을 줄 확률이 정의된 임계값 미만임을 결정할 수 있고, 대응하는 시나리오 특정 운용 제어 평가 모듈 인스턴스(5300)를 인스턴스화 해제할 수 있다.
도 5에 명시적으로 도시되지는 않았지만, 실행기(5100)는 블록(5170)에서 운용 환경 정보의 식별 또는 업데이트를 연속적으로 또는 주기적으로 반복하여, 블록(5180)에서 별개의 차량 운용 시나리오가 해결되는지를 결정하고, 블록(5180)에서 별개의 차량 운용 시나리오가 해결되지 않은 것으로 결정한 것에 응답하여, 블록(5180)에서 별개의 차량 운용 시나리오가 해결되는지를 결정하는 것이 별개의 차량 운용 시나리오가 해결됨을 결정하는 것을 포함할 때까지, 블록(5185)에서 나타난 바와 같이, 블록(5170)에서 식별된 운용 환경 정보를 시나리오 특정 운용 제어 평가 모듈 인스턴스들(5300)에 송신한다.
도 6은 본 개시내용의 실시예들에 따른 차단 장면(6000)의 예의 도면이다. 도 5에 도시된 자율주행 차량 운용 관리(5000)와 같은 자율주행 차량 운용 관리는, 차단 장면(6000)에 대응하는 차량 운송 네트워크의 부분 또는 한 영역에 대해 이용가능성 확률 또는 대응하는 차단 확률을 결정하기 위해, 도 4에 도시된 차단 모니터(4200) 또는 도 5에 도시된 차단 모니터(5200)와 같은 차단 모니터를 포함하는 도 4에 도시된 자율주행 차량 운용 관리 시스템(4000)과 같은 자율주행 차량 운용 관리 시스템을 동작시키는, 도 1에 도시된 차량(1000), 도 2에 도시된 차량들(2100/2110) 중 하나, 반-자율주행 차량, 또는 자율주행을 구현하는 임의의 다른 차량과 같은 자율주행 차량(6100)을 포함할 수 있다. 정의된 자율주행 차량 운용 제어 시나리오들과 함께 또는 그와 무관하게, 차단 모니터가 동작할 수 있고 이용가능성 확률들이 결정될 수 있다.
도 6에 도시된 차단 장면(6000)에 대응하는 차량 운송 네트워크의 부분은 제1 도로(6200)를 횡단하고, 제2 도로(6220)와의 교차로(6210)에 접근하는 자율주행 차량(6100)을 포함한다. 교차로(6210)는 횡단보도(6300)를 포함한다. 보행자(6400)는 횡단보도(6300)에 접근하고 있다. 원격 차량(6500)은 교차로(6210)에 접근하는 제2 도로(6220)를 횡단하고 있다. 자율주행 차량(6100)에 대한 예상 경로(6110)는 자율주행 차량(6100)이 제1 도로(6200)로부터 제2 도로(6220)로 우회전함으로써 교차로(6210)를 횡단할 수 있음을 나타낸다. 파선을 이용하여 보여진 자율주행 차량(6100)에 대한 대안적인 예상 경로(6120)는 자율주행 차량(6100)이 제1 도로(6200)로부터 제2 도로(6220)로 좌회전하여 교차로(6210)를 횡단할 수 있음을 나타낸다.
차단 모니터는 보행자(6400)에 대한 예상 경로(6410)를 식별할 수 있다. 예를 들어, 센서 정보는 보행자(6400)가 임계값을 초과하는 속도 및 횡단보도(6300)와 교차하는 궤적을 갖는 것을 나타낼 수 있으며, 차량 운송 네트워크 정보는 교차로가 규제 제어들을 포함하는 것을 나타낼 수 있는데, 그러한 규제 제어는 횡단보도 또는 교차로(6210)에서 보행자들에게 양보하는 차량들에 의해 규제 제어에 따라 교차로를 횡단하는 것이 보행자(6400)에 대한 허가된 우선통행권 신호를 나타내는 하나 이상의 교통 제어 디바이스들(도시되지 않음)을 포함할 수 있고, 보행자(6400)에 대한 예상 경로(6410)가 1.0 또는 100%와 같은 높은 확률로 횡단보도(6300)를 횡단하는 보행자(6400)를 포함하는 것으로서 식별될 수 있도록 하는 것이다.
차단 모니터는 원격 차량(6500)에 대한 예상 경로들(6510, 6520)을 식별할 수 있다. 예를 들어, 센서 정보는 원격 차량(6500)이 교차로(6210)에 접근하고 있음을 나타낼 수 있고, 차량 운송 네트워크 정보는 원격 차량(6500)이 교차로(6210)을 통해 직진하여 횡단하거나 교차로(6210)에서 제1 도로(6200)로 우회전할 수 있음을 나타낼 수 있으며, 차단 모니터는 원격 차량(6500)에 대해, 교차로를 통해 직진하여 횡단하는 제1 예상 경로(6510) 및 교차로를 통해 우회전하는 제2 예상 경로(6520)를 식별할 수 있다.
일부 실시예들에서, 차단 모니터는, 예를 들어 원격 차량(6500)에 대한 동작 정보에 기초하여 예상 경로들(6510, 6520) 각각에 대한 확률을 식별할 수 있다. 예를 들어, 원격 차량(6500)에 대한 동작 정보는 최대 선회 임계값을 초과하는 원격 차량에 대한 속도를 나타낼 수 있고, 제1 예상 경로(6510)는 0.9 또는 90%와 같은 높은 확률로 식별될 수 있고, 제2 예상 경로(6520)는 0.1 또는 10%와 같은 낮은 확률로 식별될 수 있다.
다른 예에서, 원격 차량(6500)에 대한 동작 정보는 최대 선회 임계값 내에 있는 원격 차량에 대한 속도를 나타낼 수 있고, 제1 예상 경로(6510)는 0.1 또는 10%와 같은 낮은 확률로 식별될 수 있고, 제2 예상 경로(6520)는 0.9 또는 90%와 같이 높은 확률로 식별될 수 있다.
차단 모니터는 횡단보도(6300)에 대응할 수 있는 보행자의 예상 경로(6410)의 몇 피트 이내, 예컨대 3피트 이내와 같이 근접한 제2 도로(6220)의 부분 또는 영역에 대한 이용가능성 확률을 0%와 같이 낮은 것으로 식별할 수 있고, 이는 제2 도로(6220)의 대응하는 부분이 보행자(6400)가 횡단보도(6300)를 횡단하는 것에 대응하는 시간 기간 동안 차단되는 것을 나타낸다.
차단 모니터는 원격 차량(6500)에 대한 제1 예상 경로(6510) 및 자율주행 차량(6100)의 예상 경로가 보행자(6400)가 횡단보도(6300)를 횡단하는 것에 대응하는 시간 기간과 동시에 보행자에 의해 차단된다고 결정할 수 있다.
도 7은 본 개시내용의 실시예들에 따른 보행자 시나리오들을 포함하는 보행자 장면(7000)의 예의 도면이다. 도 5에 도시된 자율주행 차량 운용 관리(5000)와 같은 자율주행 차량 운용 관리는, 자율주행 차량(7100)이 보행자에 근접한 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 모델일 수 있는 도 4에 도시된 보행자 시나리오 특정 운용 제어 평가 모듈(4410)과 같은 보행자 시나리오 특정 운용 제어 평가 모듈의 인스턴스일 수 있는 보행자 시나리오 특정 운용 제어 평가 모듈 인스턴스를 포함하는 도 4에 도시된 자율주행 차량 운용 관리 시스템(4000)과 같은 자율주행 차량 운용 관리 시스템을 동작시키는, 도 1에 도시된 차량(1000), 도 2에 도시된 차량들(2100/2110) 중 하나, 반-자율주행 차량, 또는 자율 주행을 구현하는 임의의 다른 차량과 같은 자율주행 차량(7100)을 포함할 수 있다. 단순하고 명료하게 하기 위해, 도 7에 도시된 보행자 장면(7000)에 대응하는 차량 운송 네트워크의 부분은 위쪽을 북쪽으로 하고 오른쪽을 동쪽으로 하여 배향된다.
도 7에 도시된 보행자 장면(7000)에 대응하는 차량 운송 네트워크의 부분은 제1 도로(7200)의 차선에서 도로 구간을 따라 북향으로 횡단하고, 제2 도로(7220)와의 교차로(7210)에 접근하는 자율주행 차량(7100)을 포함한다. 교차로(7210)는 제1 도로(7200)를 가로지르는 제1 횡단보도(7300), 및 제2 도로(7220)를 가로지르는 제2 횡단보도(7310)를 포함한다. 제1 보행자(7400)는 제1 도로(7200)에서, 보행자 접근불가 영역에서 동쪽으로 이동하고 있다(무단횡단). 제2 보행자(7410)는 제1 횡단보도(7300)에 근접하고, 서-북서쪽으로 이동하고 있다. 제3 보행자(7420)는 서쪽으로부터 제1 횡단보도(7300)에 접근하고 있다. 제4 보행자(7430)는 북쪽으로부터 제2 횡단보도(7310)에 접근하고 있다.
자율주행 차량 운용 관리 시스템은 도 4에 도시된 자율주행 차량 운용 관리 제어기(4100) 또는 도 5에 도시된 실행기(5100)와 같은 자율주행 차량 운용 관리 제어기, 및 도 4에 도시된 차단 모니터(4200) 또는 도 5에 도시된 차단 모니터(5200)와 같은 차단 모니터를 포함할 수 있다. 자율주행 차량(7100)은 하나 이상의 센서, 하나 이상의 운용 환경 모니터, 또는 이들의 조합을 포함할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 시스템은 연속적으로 또는 주기적으로, 예컨대 시간적 위치들의 시퀀스 내의 각각의 시간적 위치에서 동작할 수 있다. 단순하고 명료하게 하기 위해, 자율주행 차량(7100), 제1 보행자(7400), 제2 보행자(7410), 제3 보행자(7420), 및 제4 보행자(7430)의 지리공간적 위치는 시간적 위치들의 시퀀스로부터 제1의 순차적으로 가장 이른 시간적 위치에 따라 도시된다. 단순하고 명료하게 하기 위해, 시간적 위치들의 시퀀스를 참조하여 설명되었지만, 자율주행 차량 운용 관리 시스템의 각각의 유닛은 임의의 진동수에서 동작할 수 있고, 각각의 유닛들의 동작은 동기화되거나 비동기화될 수 있으며, 동작들은 하나 이상의 시간적 위치의 하나 이상의 부분과 동시에 수행될 수 있다. 단순하고 명료하게 하기 위해, 본 명세서에 설명된 시간적 위치들 사이의 시간적 위치들과 같은 하나 이상의 시간적 위치의 각각의 설명은 본 개시내용으로부터 생략될 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량(7100)의 센서들은 보행자들(7400, 7410, 7420, 7430) 중 하나 이상에 대응하는 정보와 같은 자율주행 차량(7100)의 운용 환경에 대응하는 정보를 검출할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 시스템은 자율주행 차량(7100)에 대한 예상 경로(7500), 자율주행 차량(7100)에 대한 루트(7510), 또는 둘 다를 식별할 수 있다. 제1 시간적 위치에 따라, 자율주행 차량(7100)에 대한 예상 경로(7500)는 자율주행 차량(7100)이 제1 도로(7200)를 따라 북쪽으로 진행하여 교차로(7210)를 횡단할 수 있음을 나타낸다. 자율주행 차량(7100)에 대한 루트(7510)는 자율주행 차량(7100)이 제2 도로(7220)로 우회전할 수 있음을 나타낸다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량(7100)의 운용 환경 모니터들은 예컨대 보행자들(7400, 7410, 7420)에 대응하는 센서 정보를 수신한 것에 응답하여, 자율주행 차량(7100)의 운용 환경 또는 그것의 양태를 표현하는 운용 환경 정보를 식별하거나 생성할 수 있고 - 이는 센서 정보를 보행자들(7400, 7410, 7420, 7430)에 연관시키는 것을 포함할 수 있음 -, 보행자들(7400, 7410, 7420, 7430)을 표현하는 정보를 포함할 수 있는 운용 환경 정보를 자율주행 차량 운용 관리 제어기에 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 차단 모니터는 차량 운송 네트워크의 하나 이상의 영역 또는 부분에 대한 각각의 이용가능성 확률들을 나타내는 이용가능성 확률 정보를 생성할 수 있다. 예를 들어, 제1 시간적 위치에 따라, 차단 모니터는 제1 보행자(7400)에 대한 예상 경로(7520), 및 제1 보행자(7400)에 대한 예상 경로(7520)와 자율주행 차량(7100)에 대한 예상 경로(7500) 또는 루트(7510) 사이의 수렴 지점에 근접한 차량 운송 네트워크의 영역 또는 부분에 대한 이용가능성 확률을 결정할 수 있다.
다른 예에서, 차단 모니터는 제2 보행자(7410)에 대한 예상 경로(7530), 제3 보행자(7420)에 대한 예상 경로(7540), 및 제1 횡단보도(7300)에 근접한 차량 운송 네트워크의 영역 또는 부분에 대한 이용가능성 확률을 결정할 수 있다. 제1 횡단보도(7300)에 근접한 차량 운송 네트워크의 영역 또는 부분에 대한 이용가능성 확률을 식별하는 것은 제2 보행자(7410) 및 제3 보행자(7420)를 우선적 차단 외부 물체들로서 식별하는 것, 및 대응하는 예상 경로(7530, 7540)가 공간적으로 및 시간적으로 중첩할 수 있음을 결정하는 것을 포함할 수 있다.
다른 예에서, 차단 모니터는 하나 이상의 외부 물체에 대한 복수의 예상 경로를 결정할 수 있다. 예를 들어, 차단 모니터는 제2 보행자(7410)에 대한 제1 예상 경로(7530)를 높은 확률로 식별할 수 있고, 제2 보행자(7410)에 대한 제2 예상 경로(7532)를 낮은 확률로 식별할 수 있다.
다른 예에서, 차단 모니터는 제4 보행자(7430)에 대한 예상 경로(7550) 및 제2 횡단보도(7310)에 근접한 차량 운송 네트워크의 영역 또는 부분에 대한 이용가능성 확률을 결정할 수 있다.
일부 실시예들에서, 이용가능성 확률 정보를 생성하는 것은 시간적 위치들의 시퀀스로부터의 복수의 시간적 위치에 대응하는 차량 운송 네트워크의 각각의 영역 또는 부분에 대한 이용가능성 확률들을 생성하는 것을 포함할 수 있다. 차단 모니터는 이용가능성 확률 정보를 자율주행 차량 운용 관리 제어기에, 또는 그에 의한 액세스를 위해 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 운용 환경 정보를 생성하거나 이전에 생성된 운용 환경 정보를 업데이트할 수 있으며, 이는 운용 환경 정보 또는 그 일부를 수신하는 것을 포함할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 예컨대 운용 환경 모니터들에 의해 출력된 운용 환경 정보, 차단 모니터에 의해 출력된 이용가능성 확률 정보, 또는 이들의 조합을 포함할 수 있는 운용 환경 정보에 의해 표현되는 운용 환경에 기초하여, 하나 이상의 별개의 차량 운용 시나리오를 검출하거나 식별할 수 있다. 예를 들어, 제1 시간적 위치에 따라, 자율주행 차량 운용 관리 제어기는 제1 보행자(7400)를 포함하는 제1 보행자 시나리오, 제2 보행자(7410)를 포함하는 제2 보행자 시나리오, 제3 보행자(7420)를 포함하는 제3 보행자 시나리오, 및 제4 보행자(7430)를 포함하는 제4 보행자 시나리오 중 하나 이상을 검출하거나 식별할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 하나 이상의 이전에 검출되지 않은 차량 운용 시나리오를 검출할 수 있다. 예를 들어, 제1 시간적 위치에 따라, 자율주행 차량 운용 관리 제어기는 제1 차량 운용 시나리오를 검출할 수 있고, 시간적 위치들의 시퀀스로부터 제2 시간적 위치, 예컨대 제1 시간적 위치에 후속하는 시간적 위치에 따라, 자율주행 차량 운용 관리 제어기는 제2 차량 운용 시나리오를 검출할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 제1 보행자(7400)를 포함하는 제1 보행자 시나리오, 제2 보행자(7410)를 포함하는 제2 보행자 시나리오, 제3 보행자(7420)를 포함하는 제3 보행자 시나리오, 또는 제4 보행자(7430)를 포함하는 제4 보행자 시나리오 중 하나 이상을 검출하거나 식별하는 것에 응답하여, 하나 이상의 보행자 시나리오 특정 운용 제어 평가 모듈 인스턴스를 인스턴스화할 수 있다.
예를 들어, 제1 시간적 위치에 따라, 자율주행 차량 운용 관리 제어기는 제1 보행자(7400)를 포함하는 제1 보행자 시나리오를 검출할 수 있고, 제1 보행자 시나리오에 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈이 이용가능함을 결정할 수 있고, 제1 보행자(7400)를 포함하는 제1 보행자 시나리오를 검출하는 것에 응답하여 제1 보행자 시나리오 특정 운용 제어 평가 모듈 인스턴스를 인스턴스화할 수 있다.
다른 예에서, 자율주행 차량 운용 관리 제어기는 제1 보행자(7400)를 포함하는 제1 보행자 시나리오를 검출하고, 제1 보행자 시나리오에 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈이 이용가능하지 않음을 결정하고, 제1 보행자 시나리오에 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈을 생성 및 해결하고, 제1 보행자(7400)를 포함하는 제1 보행자 시나리오를 검출한 것에 응답하여, 제1 보행자 시나리오에 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기는 보행자 시나리오들 중 하나 이상을 실질적으로 동시에 검출하거나 식별할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기는 제2 보행자(7410)를 포함하는 제2 보행자 시나리오 및 제3 보행자(7420)를 포함하는 제3 보행자 시나리오를 실질적으로 동시에 검출하거나 식별할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기는 각각의 보행자 시나리오 특정 운용 제어 평가 모듈들의 2개 이상의 각각의 인스턴스를 실질적으로 동시에 인스턴스화할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기는 제2 보행자(7410)를 포함하는 제2 보행자 시나리오, 및 제3 보행자(7420)를 포함하는 제3 보행자 시나리오를 실질적으로 동시에 검출하거나 식별할 수 있고, 제3 보행자 시나리오에 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화하는 것과 실질적으로 동시에, 제2 보행자 시나리오에 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화할 수 있다.
다른 예에서, 자율주행 차량 운용 관리 제어기는 제2 보행자(7410)에 대한 제1 예상 경로(7530)를 포함하는 제2 보행자 시나리오 및 제2 보행자(7410)에 대한 제2 예상 경로(7532)를 포함하는 제5 보행자 시나리오를 실질적으로 동시에 검출하거나 식별할 수 있고, 제5 보행자 시나리오에 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화하는 것과 실질적으로 동시에, 제2 보행자 시나리오에 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 새로운 또는 업데이트된 운용 환경 정보와 같은 운용 환경 정보를 이전에 인스턴스화되거나 동작 중인 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 송신하거나 그렇지 않으면 이용가능하게 할 수 있다.
시나리오 특정 운용 제어 평가 모듈 인스턴스를 인스턴스화 또는 업데이트하는 것은, 예컨대 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 송신하거나, 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 평가 모듈 인스턴스들에 의한 액세스를 위해 저장함으로써, 센서 정보 또는 이용가능성 확률과 같은 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 제공하는 것을 포함할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 각각의 보행자 시나리오 특정 운용 제어 평가 모듈 인스턴스들은 각각의 자율주행 차량 운용 제어 시나리오들에 대응하는 운용 환경 정보를 수신하거나 그렇지 않으면 액세스할 수 있다. 예를 들어, 제1 시간적 위치에 따라, 제1 보행자 시나리오 특정 운용 제어 평가 모듈 인스턴스는 제1 보행자 시나리오에 대응하는 운용 환경 정보를 수신할 수 있으며, 이는 자율주행 차량(7100)에 대한 예상 경로(7500) 또는 루트(7510)와 제1 보행자(7400)에 대한 예상 경로(7520) 사이의 수렴 지점에 근접한 차량 운송 네트워크의 영역 또는 부분에 대한 이용가능성 확률 정보를 포함할 수 있다.
보행자 시나리오 특정 운용 제어 평가 모듈은 자율주행 차량(7100)에 대한 시공간적 위치들, 각각의 보행자(7400, 7410, 7420, 7430)에 대한 시공간적 위치들, 및 대응하는 차단 확률들을 표현하는 상태들을 포함하는 것으로서 보행자 시나리오를 모델링할 수 있다. 보행자 시나리오 특정 운용 제어 평가 모듈은 보행자 시나리오를 '정지'(또는 '대기'), '전진' 및 '진행'과 같은 액션들을 포함하는 것으로서 모델링할 수 있다. 보행자 시나리오 특정 운용 제어 평가 모듈은 각각의 보행자가 예컨대 각각의 보행자에 연관된 예상 경로를 횡단함으로써 자율주행 차량의 예상 경로에 진입할 확률을 표현하는 상태 전이 확률들을 포함하는 것으로서 보행자 시나리오를 모델링할 수 있다. 상태 전이 확률들은 운용 환경 정보에 기초하여 결정될 수 있다. 보행자 시나리오 특정 운용 제어 평가 모듈은 교통 제어 규제들을 위반한 것에 대한 네거티브 값 보상들을 포함하고 보행자 시나리오를 완료한 것에 대한 포지티브 값 보상을 포함하는 것으로서 보행자 시나리오를 모델링할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 각각의 인스턴스화된 보행자 시나리오 특정 운용 제어 평가 모듈 인스턴스는 각각의 모델링된 시나리오 및 대응하는 운용 환경 정보에 기초하여 '정지', '전진' 또는 '진행'과 같은 각각의 후보 차량 제어 액션을 생성할 수 있고, 예컨대 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 송신하거나 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 의한 액세스를 위해 저장함으로써, 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 각각의 인스턴스화된 보행자 시나리오 특정 운용 제어 평가 모듈 인스턴스들로부터 후보 차량 제어 액션을 수신할 수 있고, 대응하는 시간적 위치에서 자율주행 차량(7100)을 제어하기 위해 수신된 후보 차량 제어 액션들에 기초하여 차량 제어 액션을 식별할 수 있고, 식별된 차량 제어 액션에 따라 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량을 제어할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 검출된 차량 운용 시나리오 중 하나 이상이 만료되었는지를 결정할 수 있고, 차량 운용 시나리오가 만료되었다고 결정한 것에 응답하여, 대응하는 보행자 시나리오 특정 운용 제어 평가 모듈 인스턴스들을 인스턴스화 해제할 수 있다.
도 8은 본 개시내용의 실시예들에 따른 교차로 시나리오들을 포함하는 교차로 장면(8000)의 예의 도면이다. 도 5에 도시된 자율주행 차량 운용 관리(5000)와 같은 자율주행 차량 운용 관리는, 자율주행 차량(8100)이 교차로를 포함하는 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 모델일 수 있는 도 4에 도시된 교차로 시나리오 특정 운용 제어 평가 모듈(4420)과 같은 교차로 시나리오 특정 운용 제어 평가 모듈의 인스턴스일 수 있는 교차로 시나리오 특정 운용 제어 평가 모듈 인스턴스를 포함하는 도 4에 도시된 자율주행 차량 운용 관리 시스템(4000)과 같은 자율주행 차량 운용 관리 시스템을 동작시키는, 도 1에 도시된 차량(1000), 도 2에 도시된 차량들(2100, 2110) 중 하나, 반-자율주행 차량, 또는 자율 주행을 구현하는 임의의 다른 차량과 같은 자율주행 차량(8100)을 포함할 수 있다. 단순하고 명료하게 하기 위해, 도 8에 도시된 교차로 장면(8000)에 대응하는 차량 운송 네트워크의 부분은 위쪽을 북쪽으로 하고 오른쪽을 동쪽으로 하여 배향된다.
도 8에 도시된 교차로 장면(8000)에 대응하는 차량 운송 네트워크의 부분은 제1 도로(8200)를 서쪽으로부터 동쪽으로 횡단하고, 제2 도로(8220)와의 교차로(8210)에 접근하는 자율주행 차량(8100)을 포함한다. 자율주행 차량(8100)의 예상 경로(8110)는 자율주행 차량(8100)이 교차로(8210)를 통해 직진하여 횡단할 수 있음을 나타낸다. 파선을 이용하여 도시된 자율주행 차량(8100)에 대한 제1 대안적인 예상 경로(8120)는 자율주행 차량(8100)이 제1 도로(8200)로부터 제2 도로(8220)로 우회전함으로써 교차로(8210)를 횡단할 수 있음을 나타낸다. 파선을 이용하여 도시된 자율주행 차량(8100)에 대한 제2 대안적인 예상 경로(8130)는 자율주행 차량(8100)이 제1 도로(8200)로부터 제2 도로(8220)로 좌회전함으로써 교차로(8210)를 횡단할 수 있음을 나타낸다.
제1 원격 차량(8300)은 교차로(8210)에 접근하는 제2 도로(8220)의 제1 남향 차선을 따라 남쪽으로 횡단하는 것으로 도시되어 있다. 제2 원격 차량(8310)은 교차로(8210)에 접근하는 제2 도로(8220)의 제1 북향 차선을 따라 북쪽으로 횡단하는 것으로 도시되어 있다. 제3 원격 차량(8320)은 교차로(8210)에 접근하는 제2 도로(8220)의 제2 북향 차선을 따라 북쪽으로 횡단하는 것으로 도시되어 있다. 제4 원격 차량(8330)은 교차로(8210)에 접근하는 제2 도로(8220)의 제1 북향 차선을 따라 북쪽으로 횡단하는 것으로 도시되어 있다.
자율주행 차량 운용 관리 시스템은 도 4에 도시된 자율주행 차량 운용 관리 제어기(4100), 또는 도 5에 도시된 실행기(5100)와 같은 자율주행 차량 운용 관리 제어기, 및 도 4에 도시된 차단 모니터(4200) 또는 도 5에 도시된 차단 모니터(5200)와 같은 차단 모니터를 포함할 수 있다. 자율주행 차량(8100)은 하나 이상의 센서, 하나 이상의 운용 환경 모니터, 또는 이들의 조합을 포함할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 시스템은 연속적으로 또는 주기적으로, 예컨대 시간적 위치들의 시퀀스 내의 각각의 시간적 위치에서 동작할 수 있다. 단순하고 명료하게 하기 위해, 자율주행 차량(8100), 제1 원격 차량(8300), 제2 원격 차량(8310), 제3 원격 차량(8320), 및 제4 원격 차량(8330)의 지리공간적 위치는 시간적 위치들의 시퀀스로부터의 제1의 순차적으로 가장 이른 시간적 위치에 따라 도시된다. 단순하고 명료하게 하기 위해, 시간적 위치들의 시퀀스를 참조하여 설명되었지만, 자율주행 차량 운용 관리 시스템의 각각의 유닛은 임의의 진동수에서 동작할 수 있고, 각각의 유닛들의 동작은 동기화되거나 비동기화될 수 있으며, 동작들은 하나 이상의 시간적 위치의 하나 이상의 부분과 동시에 수행될 수 있다. 단순하고 명료하게 하기 위해, 본 명세서에 설명된 시간적 위치들 사이의 시간적 위치들과 같은 하나 이상의 시간적 위치의 각각의 설명은 본 개시내용으로부터 생략될 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량(8100)의 센서는 원격 차량들(8300, 8310, 8320, 8330) 중 하나 이상에 대응하는 정보와 같은 자율주행 차량(8100)의 운용 환경에 대응하는 정보를 검출할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 시스템은 자율주행 차량(8100)에 대한 예상 경로(8110, 8120, 8130), 자율주행 차량(8100)에 대한 루트(도시되지 않음), 또는 둘 다를 식별할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량(8100)의 운용 환경 모니터들은 예컨대 원격 차량들(8300, 8310, 8320, 8330)에 대응하는 센서 정보를 수신하는 것에 응답하여, 자율주행 차량(8100)의 운용 환경 또는 그것의 양태를 표현하는 운용 환경 정보를 식별하거나 생성할 수 있고 - 이는 센서 정보를 원격 차량(8300, 8310, 8320, 8330)과 연관시키는 것을 포함할 수 있음 -, 원격 차량들(8300, 8310, 8320, 8330)을 표현하는 정보를 포함할 수 있는 운용 환경 정보를 자율주행 차량 운용 관리 제어기에 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 차단 모니터는 차량 운송 네트워크의 하나 이상의 영역 또는 부분에 대한 각각의 이용가능성 확률들을 나타내는 이용가능성 확률 정보를 생성할 수 있다. 예를 들어, 차단 모니터는 제1 원격 차량(8300)에 대한 하나 이상의 가능성있는 예상 경로(8400, 8402), 제2 원격 차량(8310)에 대한 하나 이상의 가능성있는 예상 경로(8410, 8412), 제3 원격 차량(8320)에 대한 하나 이상의 가능성있는 예상 경로(8420, 8422), 및 제4 원격 차량(8330)에 대한 예상 경로(8430)를 결정할 수 있다. 차단 모니터는 자율주행 차량(8100)에 대한 예상 경로(8110), 자율주행 차량(8100)에 대한 제1 대안적인 예상 경로(8120), 또는 자율주행 차량(8100)에 대한 제2 대안적인 예상 경로(8130) 중 하나 이상에 대응하는 차량 운송 네트워크의 하나 이상의 영역 또는 부분에 대한 각각의 이용가능성 확률들을 나타내는 이용가능성 확률 정보를 생성할 수 있다.
일부 실시예들에서, 이용가능성 확률 정보를 생성하는 것은, 시간적 위치들의 시퀀스로부터 복수의 시간적 위치들에 대응하는 차량 운송 네트워크의 각각의 영역 또는 부분에 대한 이용가능성 확률들을 생성하는 것을 포함할 수 있다. 차단 모니터는 이용가능성 확률 정보를 자율주행 차량 운용 관리 제어기에, 또는 그에 의한 액세스를 위해 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 운용 환경 정보를 생성하거나, 이전에 생성된 운용 환경 정보를 업데이트할 수 있으며, 이는 운용 환경 정보 또는 그 일부를 수신하는 것을 포함할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 예컨대 운용 환경 모니터에 의해 출력된 운용 환경 정보를 포함할 수 있는 운용 환경 정보에 의해 표현되는 운용 환경, 차단 모니터에 의해 출력된 이용가능성 확률 정보, 또는 그것들의 조합에 기초하여, 하나 이상의 별개의 차량 운용 시나리오를 검출 또는 식별할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기는 제1 원격 차량(8300)을 포함하는 제1 교차로 시나리오, 제2 원격 차량(8310)을 포함하는 제2 교차로 시나리오, 제3 원격 차량(8320)을 포함하는 제3 교차로 시나리오, 및 제4 원격 차량(8330)을 포함하는 제4 교차로 시나리오 중 하나 이상을 검출하거나 식별할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 하나 이상의 이전에 검출되지 않은 차량 운용 시나리오를 검출할 수 있다. 예를 들어, 제1 시간적 위치에 따라, 자율주행 차량 운용 관리 제어기는 제1 교차로 시나리오를 검출할 수 있으며, 시간적 위치들의 시퀀스로부터의 제2 시간적 위치, 예컨대 제1 시간적 위치에 후속하는 시간적 위치에 따라, 자율주행 차량 운용 관리 제어기는 제2 교차로 시나리오를 검출할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 제1 교차로 시나리오, 제2 교차로 시나리오, 제3 교차로 시나리오 또는 제4 교차로 시나리오 중 하나 이상을 검출하거나 식별한 것에 응답하여, 하나 이상의 교차로 시나리오 특정 운용 제어 평가 모듈 인스턴스를 인스턴스화할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기는 교차로 시나리오들 중 하나 이상을 실질적으로 동시에 검출하거나 식별할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기는 제2 교차로 시나리오 및 제3 교차로 시나리오를 실질적으로 동시에 검출하거나 식별할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 제어기는 각각의 교차로 시나리오 특정 운용 제어 평가 모듈들의 2개 이상의 각각의 인스턴스를 실질적으로 동시에 인스턴스화할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기는 제2 교차로 시나리오 및 제3 교차로 시나리오를 실질적으로 동시에 검출하거나 식별할 수 있고, 제3 교차로 시나리오에 대응하는 교차로 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화하는 것과 실질적으로 동시에, 제2 교차로 시나리오에 대응하는 교차로 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화할 수 있다.
다른 예에서, 자율주행 차량 운용 관리 제어기는 제1 원격 차량(8300)에 대한 제1 예상 경로(8400)를 포함하는 제2 교차로 시나리오, 및 제1 원격 차량(8300)에 대한 제2 예상 경로(8402)를 포함하는 제5 교차로 시나리오를 실질적으로 동시에 검출하거나 식별할 수 있고, 제5 교차로 시나리오에 대응하는 교차로 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화하는 것과 실질적으로 동시에, 제2 교차로 시나리오에 대응하는 교차로 시나리오 특정 운용 제어 평가 모듈의 인스턴스를 인스턴스화할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 새로운 또는 업데이트된 운용 환경 정보와 같은 운용 환경 정보를 이전에 인스턴스화되거나 동작 중인 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 송신하거나, 그렇지 않으면 이용가능하게 할 수 있다.
시나리오 특정 운용 제어 평가 모듈 인스턴스를 인스턴스화하거나 업데이트하는 것은 예컨대 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 송신하거나, 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 의한 액세스를 위해 저장함으로써, 센서 정보 또는 이용가능성 확률들과 같은 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 제공하는 것을 포함할 수 있다.
일부 실시예들에서, 운용 환경 정보는 지리공간적 위치 정보, 속도 정보, 가속 정보, 계류 정보, 우선순위 정보, 또는 이들의 조합과 같은 자율주행 차량(8100)에 대한 운용 정보, 및 지리공간적 위치 정보, 속도 정보, 가속 정보, 계류 정보, 우선순위 정보, 또는 이들의 조합과 같은 원격 차량들(8300, 8310, 8320, 8330) 중 하나 이상에 대한 운용 정보를 나타낼 수 있다. 계류 정보는 각각의 차량 및 각각의 지리적 위치에 대응하는 시간 주기를 나타낼 수 있고, 그 시간 주기에서 각각의 차량은 교차로에서 정지상태에 있다. 우선순위 정보는 교차로 장면(8000) 내의 다른 차량들에 대한 각각의 차량에 대응하는 우선통행권 우선순위를 나타낼 수 있다.
교차로 시나리오 특정 운용 제어 평가 모듈은 자율주행 차량(8100)에 대한 시공간적 위치, 각각의 원격 차량들((8300, 8310, 8320, 8330)에 대한 시공간적 위치, 계류 정보, 우선순위 정보, 및 대응하는 차단 확률들을 표현하는 상태들을 포함하는 것으로서 교차로 시나리오를 모델링할 수 있다. 교차로 시나리오 특정 운용 제어 평가 모듈은 '정지'(또는 '대기'), '전진' 및 '진행'과 같은 액션들을 포함하는 것으로서 교차로 시나리오를 모델링할 수 있다. 교차로 시나리오 특정 운용 제어 평가 모듈은, 예컨대 각각의 교차로에 연관된 예상 경로를 횡단함으로써 자율주행 차량의 예상 경로에 각각의 교차로가 들어올 확률들을 표현하는 상태 전이 확률들을 포함하는 것으로서 교차로 시나리오를 모델링할 수 있다. 상태 전이 확률들은 운용 환경 정보에 기초하여 결정될 수 있다. 교차로 시나리오 특정 운용 제어 평가 모듈은 교통 제어 규제를 위반한 것에 대한 네거티브 값 보상을 포함하고, 교차로 시나리오를 완료한 것에 대한 포지티브 값 보상을 포함하는 것으로서 교차로 시나리오를 모델링할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 각각의 교차로 시나리오 특정 운용 제어 평가 모듈 인스턴스들은 각각의 교차로 시나리오들에 대응하는 운용 환경 정보를 수신할 수 있거나 그렇지 않으면 액세스할 수 있다. 예를 들어, 제1 시간적 위치에 따라, 제1 교차로 시나리오 특정 운용 제어 평가 모듈 인스턴스는 제1 교차로 시나리오에 대응하는 운용 환경 정보를 수신할 수 있으며, 이는 제1 원격 차량(8300)에 대한 제1 예상 경로(8400)와 자율주행 차량(8100)에 대한 예상 경로(8110) 사이의 수렴 지점에 근접한 차량 운송 네트워크의 영역 또는 부분에 대한 이용가능성 확률 정보를 포함할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 각각의 인스턴스화된 교차로 시나리오 특정 운용 제어 평가 모듈 인스턴스는 각각의 모델링된 시나리오 및 대응하는 운용 환경 정보에 기초하여, '정지', '전진' 또는 '진행'과 같은 각각의 후보 차량 제어 액션을 생성할 수 있고, 예컨대 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 송신하거나, 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 의한 액세스를 위해 저장함으로써, 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 각각의 인스턴스화된 교차로 시나리오 특정 운용 제어 평가 모듈 인스턴스들로부터 후보 차량 제어 액션들을 수신할 수 있고, 대응하는 시간적 위치에서 자율주행 차량(8100)을 제어하기 위해 수신된 후보 차량 제어 액션들에 기초하여 차량 제어 액션을 식별할 수 있으며, 식별된 차량 제어 액션에 따라 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량(8100)을 제어할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 검출된 교차로 시나리오들 중 하나 이상이 만료되었는지를 결정할 수 있고, 교차로 시나리오가 만료되었다고 결정한 것에 응답하여, 대응하는 교차로 시나리오 특정 운용 제어 평가 모듈 인스턴스들을 인스턴스화 해제할 수 있다.
도 9는 본 개시내용의 실시예들에 따른 차선 변경 시나리오를 포함하는 차선 변경 장면(9000)의 예의 도면이다. 도 5에 도시된 자율주행 차량 운용 관리(5000)와 같은 자율주행 차량 운용 관리는, 자율주행 차량(9100)이 차선 변경을 수행함으로써 차량 운송 네트워크의 부분을 횡단하는 것을 포함하는 자율주행 차량 운용 제어 시나리오의 모델일 수 있는 도 4에 도시된 차선 변경 시나리오 특정 운용 제어 평가 모듈(4430)과 같은 차선 변경 시나리오 특정 운용 제어 평가 모듈의 인스턴스일 수 있는 차선 변경 시나리오 특정 운용 제어 평가 모듈 인스턴스를 포함하는 도 4에 도시된 자율주행 차량 운용 관리 시스템(4000)과 같은 자율주행 차량 운용 관리 시스템을 동작시키는, 도 1에 도시된 차량(1000), 도 2에 도시된 차량들(2100, 2110) 중 하나, 반-자율주행 차량, 또는 자율 주행을 구현하는 임의의 다른 차량과 같은 자율주행 차량(9100)을 포함할 수 있다. 단순하고 명료하게 하기 위해, 도 9에 도시된 차선 변경 장면(9000)에 대응하는 차량 운송 네트워크의 부분은 위쪽을 북쪽으로 하고 오른쪽을 동쪽으로 하여 배향된다.
도 9에 도시된 차선 변경 장면(9000)에 대응하는 차량 운송 네트워크의 부분은, 제1 도로(9200)를 따라 북향으로 횡단하는 자율주행 차량(9100)을 포함한다. 제1 도로(9200)는 동북향 차선(9210) 및 서북향 차선(9220)을 포함한다. 자율주행 차량(9100)에 대한 현재 예상 경로(9110)는 자율주행 차량(9100)이 동북향 차선(9210)에서 북향으로 이동하고 있는 것을 나타낸다. 파선을 사용하여 도시된 자율주행 차량(9100)에 대한 대안적인 예상 경로(9120)는, 자율주행 차량(9100)이 동북향 차선(9210)으로부터 서북향 차선(9220)으로 차선 변경을 수행함으로써 차량 운송 네트워크를 횡단할 수 있음을 나타낸다.
제1 원격 차량(9300)은 자율주행 차량(9100)의 전방(북쪽)에서 동북향 차선(9210)을 따라 북쪽으로 횡단하는 것으로 도시되어 있다. 제2 원격 차량(9400)은 자율주행 차량(9100)의 후방(남쪽)에서 서북향 차선(9220)을 따라 북향으로 횡단하는 것으로 도시되어 있다.
자율주행 차량 운용 관리 시스템은 도 4에 도시된 자율주행 차량 운용 관리 제어기(4100), 또는 도 5에 도시된 실행기(5100)와 같은 자율주행 차량 운용 관리 제어기, 및 도 4에 도시된 차단 모니터(4200) 또는 도 5에 도시된 차단 모니터(5200)와 같은 차단 모니터를 포함할 수 있다. 자율주행 차량(9100)은 하나 이상의 센서, 하나 이상의 운용 환경 모니터, 또는 이들의 조합을 포함할 수 있다.
일부 실시예들에서, 자율주행 차량 운용 관리 시스템은 연속적으로 또는 주기적으로, 예컨대 시간적 위치들의 시퀀스 내의 각각의 시간적 위치에서 동작할 수 있다. 단순하고 명료하게 하기 위해, 자율주행 차량(9100), 제1 원격 차량(9300), 및 제2 원격 차량(9400)의 지리공간적 위치는 시간적 위치들의 시퀀스로부터의 제1의 순차적으로 가장 이른 시간적 위치에 따라 도시된다. 단순하고 명료하게 하기 위해, 시간적 위치들의 시퀀스를 참조하여 설명되었지만, 자율주행 차량 운용 관리 시스템의 각각의 유닛은 임의의 진동수에서 동작할 수 있고, 각각의 유닛들의 동작은 동기화되거나 비동기화될 수 있으며, 동작들은 하나 이상의 시간적 위치의 하나 이상의 부분과 동시에 수행될 수 있다. 단순하고 명료하게 하기 위해, 본 명세서에 설명된 시간적 위치들 사이의 시간적 위치들과 같은 하나 이상의 시간적 위치의 각각의 설명은 본 개시내용으로부터 생략될 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량(9100)의 센서들은 원격 차량들(9300, 9400) 중 하나 이상에 대응하는 정보와 같은 자율주행 차량(9100)의 운용 환경에 대응하는 정보를 검출할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 시스템은 자율주행 차량(9100)에 대한 예상 경로(9110, 9120), 자율주행 차량(9100)에 대한 루트(도시되지 않음), 또는 둘 다를 식별할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량(9100)의 운용 환경 모니터들은 예컨대 원격 차량들(9300, 9400)에 대응하는 센서 정보를 수신하는 것에 응답하여, 자율주행 차량(9100)의 운용 환경 또는 그것의 양태를 표현하는 운용 환경 정보를 식별하거나 생성할 수 있고 - 이는 센서 정보를 원격 차량들(9300, 9400)과 연관시키는 것을 포함할 수 있음 -, 원격 차량들(9300, 9400)을 표현하는 정보를 포함할 수 있는 운용 환경 정보를 자율주행 차량 운용 관리 제어기에 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 차단 모니터는 차량 운송 네트워크의 하나 이상의 영역 또는 부분에 대한 각각의 이용가능성 확률을 나타내는 이용가능성 확률 정보를 생성할 수 있다. 예를 들어, 차단 모니터는 제1 원격 차량(9300)에 대한 하나 이상의 가능성있는 예상 경로(9310, 9320), 및 제2 원격 차량(9400)에 대한 하나 이상의 가능성있는 예상 경로(9410, 9420)를 결정할 수 있다. 제1 원격 차량(9300)에 대한 제1 가능성있는 예상 경로(9310)는 제1 원격 차량(9300)이 동북향 차선(9210)에서 차량 운송 네트워크의 대응하는 부분을 횡단하는 것을 나타낸다. 제1 원격 차량(9300)에 대해 파선을 이용하여 도시된 제2의 가능성있는 예상 경로(9320)는 제1 원격 차량(9300)이 서북향 차선(9220)으로 차선 변경을 수행함으로써 차량 운송 네트워크의 대응하는 부분을 횡단하는 것을 나타낸다. 제2 원격 차량(9400)에 대한 제1의 가능성있는 예상 경로(9410)는 제2 원격 차량(9400)이 서북향 차선(9220)에서 차량 운송 네트워크의 대응하는 부분을 횡단하는 것을 나타낸다. 제2 원격 차량(9400)에 대해 파선을 이용하여 도시된 제2의 가능성있는 예상 경로(9420)는 제2 원격 차량(9400)이 동북향 차선(9210)으로 차선 변경을 수행함으로써 차량 운송 네트워크의 대응하는 부분을 횡단하는 것을 나타낸다.
차단 모니터는 자율주행 차량(9100)에 대한 예상 경로(9110), 또는 자율주행 차량(9100)에 대한 대안적인 예상 경로(9120) 중 하나 이상에 대응하는 차량 운송 네트워크의 하나 이상의 영역 또는 부분에 대한 각각의 이용가능성 확률들을 나타내는 이용가능성 확률 정보를 생성할 수 있다.
일부 실시예들에서, 이용가능성 확률 정보를 생성하는 것은 시간적 위치들의 시퀀스로부터의 복수의 시간적 위치들에 대응하는 차량 운송 네트워크의 각각의 영역 또는 부분에 대한 이용가능성 확률들을 생성하는 것을 포함할 수 있다. 차단 모니터는 이용가능성 확률 정보를 자율주행 차량 운용 관리 제어기에 출력하거나, 그에 의한 액세스를 위해 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 운용 환경 정보를 생성하거나 이전에 생성된 운용 환경 정보를 업데이트할 수 있고, 이는 운용 환경 정보 또는 그 일부를 수신하는 것을 포함할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 예컨대 운용 환경 모니터들에 의해 출력된 운용 환경 정보를 포함할 수 있는 운용 환경 정보에 의해 표현된 운용 환경, 차단 모니터에 의해 출력된 이용가능성 확률 정보, 또는 이들의 조합에 기초하여, 하나 이상의 별개의 차량 운용 시나리오를 검출 또는 식별할 수 있다. 예를 들어, 자율주행 차량 운용 관리 제어기는 제1 원격 차량(9300)을 포함하는 제1 차선 변경 시나리오, 제2 원격 차량(9400)을 포함하는 제2 차선 변경 시나리오, 또는 둘 다를 검출하거나 식별할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 제1 차선 변경 시나리오 또는 제2 차선 변경 시나리오 중 하나 이상을 검출하거나 식별한 것에 응답하여, 하나 이상의 차선 변경 시나리오 특정 운용 제어 평가 모듈 인스턴스를 인스턴스화할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 새로운 또는 업데이트된 운용 환경 정보와 같은 운용 환경 정보를 이전에 인스턴스화되거나 동작 중인 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 송신하거나, 그렇지 않으면 이용가능하게 할 수 있다.
시나리오 특정 운용 제어 평가 모듈 인스턴스를 인스턴스화 또는 업데이트하는 것은, 예를 들어 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 송신하거나, 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 의한 액세스를 위해 저장함으로써, 센서 정보 또는 이용가능성 확률과 같은 운용 환경 정보 또는 그 일부를 각각의 시나리오 특정 운용 제어 평가 모듈 인스턴스들에 제공하는 것을 포함할 수 있다.
일부 실시예들에서, 운용 환경 정보는 지리공간적 위치 정보, 속도 정보, 가속 정보, 또는 이들의 조합과 같은 자율주행 차량(9100)에 대한 운용 정보, 및 지리공간적 위치 정보, 속도 정보, 가속 정보, 또는 이들의 조합과 같은 원격 차량들(9300, 9400) 중 하나 이상에 대한 운용 정보를 나타낼 수 있다.
차선 변경 시나리오 특정 운용 제어 평가 모듈은 자율주행 차량(9100)에 대한 시공간적 위치들, 각각의 원격 차량(9300, 9400)에 대한 시공간적 위치들, 및 대응하는 차단 확률들을 표현하는 상태들을 포함하는 것으로서 차선 변경 시나리오를 모델링할 수 있다. 차선 변경 시나리오 특정 운용 제어 평가 모듈은 '유지', '가속', '감속' 및 '진행'(차선 변경)과 같은 액션들을 포함하는 것으로서 차선 변경 시나리오를 모델링할 수 있다. 차선 변경 시나리오 특정 운용 제어 평가 모듈은 각각의 원격 차량(9300, 9400)이 자율주행 차량(9100)의 예상 경로(9110, 9120)에 진입할 확률들을 표현하는 상태 전이 확률들을 포함하는 것으로서 차선 변경 시나리오를 모델링할 수 있다. 예를 들어, 제1 원격 차량(9300)은 자율주행 차량(9100)의 속도보다 낮은 속도로 제1 원격 차량(9300)에 대한 대안적인 예상 경로(9320)를 횡단함으로써, 자율주행 차량(9100)의 대안적인 예상 경로(9120)에 진입할 수 있다. 다른 예에서, 제2 원격 차량(9400)은 자율주행 차량(9100)의 속도보다 큰 속도로 제2 원격 차량(9400)에 대한 예상 경로(9410)를 횡단함으로써, 자율주행 차량(9100)의 대안적인 예상 경로(9120)에 진입할 수 있다. 상태 전이 확률들은 운용 환경 정보에 기초하여 결정될 수 있다. 차선 변경 시나리오 특정 운용 제어 평가 모듈은 교통 제어 규제를 위반한 것에 대한 네거티브 값 보상을 포함하고 차선 변경 시나리오를 완료한 것에 대한 포지티브 값 보상을 포함하는 것으로서 차선 변경 시나리오를 모델링할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 각각의 차선 변경 시나리오 특정 운용 제어 평가 모듈 인스턴스들은 각각의 차선 변경 시나리오들에 대응하는 운용 환경 정보를 수신할 수 있거나, 그렇지 않으면 액세스할 수 있다. 예를 들어, 제2 차선 변경 시나리오 특정 운용 제어 평가 모듈 인스턴스는 제2 차선 변경 시나리오에 대응하는 운용 환경 정보를 수신할 수 있으며, 이는 제2 원격 차량(9400)에 대한 예상 경로(9410)와 자율주행 차량(9100)에 대한 대안적인 예상 경로(9120) 사이의 수렴 지점에 근접한 차량 운송 네트워크의 영역 또는 부분의 이용가능성 확률 정보를 포함할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 각각의 인스턴스화된 차선 변경 시나리오 특정 운용 제어 평가 모듈 인스턴스는 각각의 모델링된 시나리오 및 대응하는 운용 환경 정보에 기초하여, '유지', '가속', '감속', 또는 '진행'과 같은 각각의 후보 차량 제어 액션을 생성할 수 있고, 예컨대 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 송신하거나, 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 의한 액세스를 위해 저장함으로써, 각각의 후보 차량 제어 액션을 자율주행 차량 운용 관리 제어기에 출력할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 각각의 인스턴스화된 차선 변경 시나리오 특정 운용 제어 평가 모듈 인스턴스들로부터 후보 차량 제어 액션들을 수신할 수 있고, 대응하는 시간적 위치에서 자율주행 차량(9100)을 제어하기 위해 수신된 후보 차량 제어 액션들에 기초하여 차량 제어 액션을 식별할 수 있고, 식별된 차량 제어 액션에 따라 차량 운송 네트워크 또는 그 일부를 횡단하도록 자율주행 차량(9100)을 제어할 수 있다.
각각의 시간적 위치에서와 같은 하나 이상의 시간적 위치에서, 자율주행 차량 운용 관리 제어기는 검출된 차선 변경 시나리오 중 하나 이상이 만료되었는지를 결정할 수 있고, 차선 변경 시나리오가 만료되었다고 결정한 것에 응답하여, 대응하는 차선 변경 시나리오 특정 운용 제어 평가 모듈 인스턴스들을 인스턴스화 해제할 수 있다.
위에서 설명된 양태들, 예들, 및 구현예들은 본 개시내용의 용이한 이해를 허용하기 위해 기술되었지만 제한하는 것은 아니다. 반대로, 본 개시내용은 첨부된 청구항들의 범위 내에 포함되는 다양한 변형들 예 및 등가 배열들을 포함하며, 그것의 범위에는 법률 하에서 허가되는 모든 그러한 변형들 및 등가 구조를 포괄하도록 가장 넓은 해석이 부여되어야 한다.
Claims (17)
- 차량 운송 네트워크(vehicle transportation network)를 횡단(traversing)하는 데 사용하기 위한 방법으로서,
자율주행 차량(autonomous vehicle)에 의해 차량 운송 네트워크를 횡단하는 단계
를 포함하고, 상기 차량 운송 네트워크를 횡단하는 단계는:
차단 모니터 인스턴스(blocking monitor instance)를 동작시키는 단계 - 상기 차단 모니터 인스턴스를 동작시키는 단계는,
상기 자율주행 차량의 정의된 거리 내에 있는 제1 외부 물체 및 상기 자율주행 차량의 상기 정의된 거리 내에 있는 제2 외부 물체에 대응하는 정보를 포함하는 운용 환경 정보를 식별하는 단계,
상기 차량 운송 네트워크 내에서의 상기 자율주행 차량의 현재의 지리공간적 위치(geospatial location) 및 상기 자율주행 차량에 대한 식별된 루트에 기초하여 상기 차량 운송 네트워크의 제1 영역을 결정하는 단계, 및
상기 운용 환경 정보에 기초하여 상기 제1 영역에 대한 이용가능성 확률을 결정하는 단계
를 포함함 - ; 및
상기 이용가능성 확률에 기초하여 상기 차량 운송 네트워크의 부분을 횡단하는 단계
를 포함하고, 상기 제1 영역에 대한 이용가능성 확률을 결정하는 단계는:
상기 제1 외부 물체에 대한 제1 예상 경로를 결정하는 단계,
상기 제2 외부 물체에 대한 제2 예상 경로를 결정하는 단계, 및
상기 제1 예상 경로가 상기 제2 예상 경로와 공간적으로 및 시간적으로 교차하는 조건에서:
상기 제1 외부 물체가 보행자를 표현하는 조건에서, 그리고 상기 제2 외부 물체가 보행자를 표현하는 조건에서, 상기 제1 예상 경로가 상기 제2 예상 경로와 공간적으로 및 시간적으로 중첩하는 것을 결정하는 단계, 및
상기 제1 외부 물체가 원격 차량을 표현하는 조건에서:
상기 제1 예상 경로 및 상기 제2 예상 경로의 공간적 및 시간적 교차에 대응하는 상기 차량 운송 네트워크의 제2 영역을 식별하는 단계,
상기 제2 예상 경로가 제1 시간적 위치에서 상기 제2 영역에 대응하는 상기 차량 운송 네트워크의 제2 부분을 횡단하는 상기 제2 외부 물체를 포함함을 결정하는 단계, 및
상기 제1 예상 경로가 상기 제1 시간적 위치에 후속하는 제2 시간적 위치에서 상기 제2 부분을 횡단하는 상기 제1 외부 물체를 포함함을 결정하는 단계
를 포함하는 방법. - 제1항에 있어서, 상기 이용가능성 확률에 기초하여 상기 차량 운송 네트워크의 부분을 횡단하는 단계는 상기 부분을 통해 상기 차량 운송 네트워크 내에서의 상기 현재의 지리공간적 위치로부터 다른 지리공간적 위치까지 상기 차량 운송 네트워크를 횡단하는 단계를 포함하는 방법.
- 제2항에 있어서, 상기 이용가능성 확률에 기초하여 상기 차량 운송 네트워크의 부분을 횡단하는 단계는:
정의된 임계값이 상기 이용가능성 확률을 초과하는 조건에서, 상기 이용가능성 확률에 대응하는 시간적 위치에서 상기 부분을 횡단하는 단계; 및
상기 이용가능성 확률이 적어도 상기 정의된 임계값인 조건에서, 상기 이용가능성 확률에 대응하는 시간적 위치에 후속하는 시간적 위치에서 상기 부분을 횡단하는 단계
를 포함하는 방법. - 제1항에 있어서, 상기 차량 운송 네트워크 내에서의 상기 자율주행 차량의 상기 현재의 지리공간적 위치는 현재의 시간적 위치에 대응하고, 상기 제1 영역에 대한 이용가능성 확률은 상기 현재의 시간적 위치에 후속하는 후속 시간적 위치에 대응하는 방법.
- 제1항에 있어서, 상기 차단 모니터 인스턴스를 동작시키는 단계는:
상기 이용가능성 확률을 시나리오 특정 운용 제어 평가 모듈 인스턴스 또는 자율주행 차량 운용 관리 제어기 중 적어도 하나에 전달하는 단계를 포함하는 방법. - 제1항에 있어서, 상기 차량 운송 네트워크의 제1 영역을 결정하는 단계는 상기 차량 운송 네트워크의 영역들의 시퀀스를 결정하는 단계를 포함하고, 상기 차량 운송 네트워크의 영역들의 시퀀스는 상기 차량 운송 네트워크의 상기 제1 영역을 포함하고, 상기 차량 운송 네트워크의 영역들의 시퀀스로부터의 상기 차량 운송 네트워크의 각각의 영역은 각각의 시간적 위치에 연관되는 방법.
- 제6항에 있어서, 상기 제1 영역에 대한 이용가능성 확률을 결정하는 단계는:
상기 차량 운송 네트워크의 영역들의 시퀀스로부터의 상기 차량 운송 네트워크의 각각의 영역에 대한 각각의 이용가능성 확률을 결정하는 단계를 포함하는 방법. - 제7항에 있어서, 상기 차량 운송 네트워크의 영역들의 시퀀스로부터의 상기 차량 운송 네트워크의 각각의 영역에 대한 각각의 이용가능성 확률을 결정하는 단계는:
상기 제1 예상 경로에 대한 예상 경로 확률에 기초하여 상기 차량 운송 네트워크의 영역들의 시퀀스로부터의 상기 차량 운송 네트워크의 각각의 영역에 대한 각각의 이용가능성 확률을 결정하는 단계
를 포함하고, 상기 제1 예상 경로는 상기 차량 운송 네트워크의 각각의 영역과 공간적으로 및 시간적으로 교차하는 방법. - 제1항에 있어서, 상기 제1 영역에 대한 이용가능성 확률을 결정하는 단계는:
상기 제1 예상 경로에 대한 예상 경로 확률에 기초하여 상기 제1 영역에 대한 이용가능성 확률을 결정하는 단계
를 포함하고, 상기 제1 예상 경로는 상기 제1 영역과 공간적 및 시간적으로 교차하는 방법. - 제1항에 있어서, 상기 제1 예상 경로를 결정하는 단계는:
상기 제1 외부 물체에 대한 제3 예상 경로를 결정하는 단계;
상기 제1 예상 경로에 대한 제1 예상 경로 확률을 결정하는 단계; 및
상기 제3 예상 경로에 대한 제2 예상 경로 확률을 결정하는 단계
를 포함하는 방법. - 제1항에 있어서, 상기 운용 환경 정보를 식별하는 단계는 상기 자율 주행 차량의 센서로부터 복수의 외부 물체에 대응하는 복수의 센서 정보 항목을 포함하는 센서 정보를 수신하는 단계를 포함하고, 상기 복수의 외부 물체는 상기 제1 외부 물체 및 상기 제2 외부 물체를 포함하는 방법.
- 제11항에 있어서, 상기 센서 정보를 수신하는 단계는:
상기 제1 외부 물체에 대응하는 제1 센서 정보를 수신하는 단계; 및
상기 제2 외부 물체에 대응하는 제2 센서 정보를 수신하는 단계
를 포함하는 방법. - 제1항에 있어서, 상기 제2 예상 경로를 결정하는 단계는:
상기 제2 외부 물체에 대한 제3 예상 경로를 결정하는 단계;
상기 제2 예상 경로에 대한 제1 예상 경로 확률을 결정하는 단계; 및
상기 제3 예상 경로에 대한 제2 예상 경로 확률을 결정하는 단계
를 포함하는 방법. - 제1항에 있어서, 상기 이용가능성 확률이 정의된 임계값 내에 있는 조건에서, 상기 이용가능성 확률에 기초하여 상기 차량 운송 네트워크의 부분을 횡단하는 단계는:
상기 차량 운송 네트워크의 부분이 상기 제1 영역과 지리공간적으로 다르도록 상기 차량 운송 네트워크의 부분을 식별하는 단계를 포함하는 방법. - 제1항에 있어서, 상기 제1 영역은 상기 차량 운송 네트워크 내에서의 상기 자율주행 차량의 상기 현재의 지리공간적 위치에 대해 지리공간적으로 관련되는 방법.
- 차량 운송 네트워크를 횡단하는 데 사용하기 위한 방법으로서,
자율주행 차량에 의해 차량 운송 네트워크를 횡단하는 단계
를 포함하고, 상기 차량 운송 네트워크를 횡단하는 단계는:
상기 자율주행 차량의 정의된 거리 내에 있는 외부 물체에 대응하는 정보를 포함하는 운용 환경 정보를 식별하는 단계,
상기 차량 운송 네트워크 내에서의 상기 자율주행 차량의 현재의 지리공간적 위치 및 상기 자율주행 차량에 대한 식별된 루트에 기초하여 상기 차량 운송 네트워크의 영역을 식별하는 단계,
차단 모니터 인스턴스에 의해, 상기 운용 환경 정보에 기초하여 상기 차량 운송 네트워크의 상기 영역에 대한 차단 확률을 결정하는 단계 - 상기 차단 확률은 상기 외부 물체에 대한 예상 경로 및 상기 자율주행 차량에 대한 제1 예상 경로가 상기 영역 내에서 지리공간적으로 및 시간적으로 수렴할 확률을 나타냄 -,
상기 차단 확률이 정의된 임계값 내에 있는 조건에서, 상기 자율주행 차량에 대한 상기 제1 예상 경로에 따라 상기 차량 운송 네트워크의 부분을 횡단하는 단계; 및
상기 차단 확률이 적어도 상기 정의된 임계값인 조건에서:
상기 외부 물체에 대한 상기 예상 경로 및 상기 자율주행 차량에 대한 제2 예상 경로가 상기 영역 내에서 지리공간적으로 및 시간적으로 수렴할 확률이 상기 정의된 임계값 내에 있도록 상기 자율주행 차량에 대한 업데이트된 루트를 생성하는 단계 - 상기 제2 예상 경로는 상기 업데이트된 루트에 기초함 -, 및
상기 자율주행 차량에 대한 상기 제2 예상 경로에 따라 상기 차량 운송 네트워크의 부분을 횡단하는 단계
를 포함하는 방법. - 자율주행 차량으로서,
상기 자율주행 차량의 정의된 거리 내에 있는 외부 물체 및 상기 자율주행 차량의 상기 정의된 거리 내에 있는 제2 외부 물체에 대응하는 정보를 포함하는 운용 환경 정보를 식별하고;
차량 운송 네트워크 내에서의 상기 자율주행 차량의 현재의 지리공간적 위치 및 상기 자율주행 차량에 대한 식별된 루트에 기초하여 상기 차량 운송 네트워크의 부분을 식별하고;
상기 제1 외부 물체에 대한 제1 예상 경로를 결정하고,
상기 제2 외부 물체에 대한 제2 예상 경로를 결정하고,
상기 제1 예상 경로가 상기 제2 예상 경로와 공간적으로 및 시간적으로 교차하는 조건에서:
상기 제1 외부 물체가 보행자를 표현하는 조건에서, 그리고 상기 제2 외부 물체가 보행자를 표현하는 조건에서, 상기 제1 예상 경로가 상기 제2 예상 경로와 공간적으로 및 시간적으로 교차하는 것을 결정하고,
상기 제2 외부 물체가 원격 차량을 표현하는 조건에서:
상기 제1 예상 경로 및 상기 제2 예상 경로의 공간적 및 시간적 교차에 대응하는 상기 차량 운송 네트워크의 영역을 식별하고,
상기 제1 예상 경로가 제1 시간적 위치에서 상기 영역에 대응하는 상기 차량 운송 네트워크의 제2 부분을 횡단하는 상기 제1 외부 물체를 포함함을 결정하고,
상기 제2 예상 경로가 상기 제1 시간적 위치에 후속하는 제2 시간적 위치에서 상기 제2 부분을 횡단하는 상기 제2 외부 물체를 포함함을 결정하는 것
에 의해, 상기 운용 환경 정보에 기초하여 상기 차량 운송 네트워크의 상기 부분에 대한 이용가능성 확률을 결정하고;
상기 이용가능성 확률에 기초하여 상기 차량 운송 네트워크의 상기 부분을 횡단하도록 상기 자율주행 차량을 제어하도록,
차단 모니터 인스턴스를 동작시키기 위해, 비-일시적 컴퓨터 판독가능한 매체 상에 저장된 명령어들을 실행하도록 구성된 프로세서
를 포함하는 자율주행 차량.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/US2017/017516 WO2018147873A1 (en) | 2017-02-10 | 2017-02-10 | Autonomous vehicle operational management blocking monitoring |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190108638A true KR20190108638A (ko) | 2019-09-24 |
| KR102090919B1 KR102090919B1 (ko) | 2020-05-18 |
Family
ID=63107788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020197026084A KR102090919B1 (ko) | 2017-02-10 | 2017-02-10 | 자율주행 차량 운용 관리 차단 모니터링 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US11113973B2 (ko) |
| EP (1) | EP3580104B1 (ko) |
| JP (1) | JP6897938B2 (ko) |
| KR (1) | KR102090919B1 (ko) |
| CN (1) | CN110418743B (ko) |
| CA (1) | CA3052953C (ko) |
| MX (1) | MX2019009395A (ko) |
| RU (1) | RU2734732C1 (ko) |
| WO (1) | WO2018147873A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210042832A (ko) * | 2019-10-08 | 2021-04-20 | 모셔널 에이디 엘엘씨 | 자율주행 차량으로의 다방향 정지 교차로 내비게이팅 |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6890757B2 (ja) | 2017-02-10 | 2021-06-18 | ニッサン ノース アメリカ，インク | 部分観測マルコフ決定過程モデルインスタンスを動作させることを含む自律走行車動作管理 |
| US11087200B2 (en) | 2017-03-17 | 2021-08-10 | The Regents Of The University Of Michigan | Method and apparatus for constructing informative outcomes to guide multi-policy decision making |
| US10643084B2 (en) | 2017-04-18 | 2020-05-05 | nuTonomy Inc. | Automatically perceiving travel signals |
| US11874120B2 (en) | 2017-12-22 | 2024-01-16 | Nissan North America, Inc. | Shared autonomous vehicle operational management |
| WO2020018688A1 (en) | 2018-07-20 | 2020-01-23 | May Mobility, Inc. | A multi-perspective system and method for behavioral policy selection by an autonomous agent |
| US10960886B2 (en) * | 2019-01-29 | 2021-03-30 | Motional Ad Llc | Traffic light estimation |
| DK201970221A1 (en) * | 2019-01-29 | 2020-08-05 | Aptiv Tech Ltd | Traffic light estimation |
| US10969470B2 (en) | 2019-02-15 | 2021-04-06 | May Mobility, Inc. | Systems and methods for intelligently calibrating infrastructure devices using onboard sensors of an autonomous agent |
| US11561547B2 (en) * | 2019-02-20 | 2023-01-24 | Gm Cruise Holdings Llc | Autonomous vehicle routing based upon spatiotemporal factors |
| US11899454B2 (en) | 2019-11-26 | 2024-02-13 | Nissan North America, Inc. | Objective-based reasoning in autonomous vehicle decision-making |
| US11635758B2 (en) | 2019-11-26 | 2023-04-25 | Nissan North America, Inc. | Risk aware executor with action set recommendations |
| CN112859830B (zh) * | 2019-11-28 | 2022-08-26 | 华为技术有限公司 | 一种设计运行区域odd判断方法、装置及相关设备 |
| US11714971B2 (en) | 2020-01-31 | 2023-08-01 | Nissan North America, Inc. | Explainability of autonomous vehicle decision making |
| US11782438B2 (en) | 2020-03-17 | 2023-10-10 | Nissan North America, Inc. | Apparatus and method for post-processing a decision-making model of an autonomous vehicle using multivariate data |
| JP2023533225A (ja) | 2020-07-01 | 2023-08-02 | メイ モビリティー，インコーポレイテッド | 自律走行車ポリシーを動的にキュレーションする方法及びシステム |
| WO2022132774A1 (en) | 2020-12-14 | 2022-06-23 | May Mobility, Inc. | Autonomous vehicle safety platform system and method |
| CN112634655B (zh) * | 2020-12-15 | 2022-11-22 | 阿波罗智联(北京)科技有限公司 | 基于车道线的变道处理方法、装置、电子设备及存储介质 |
| JP7567059B2 (ja) | 2020-12-17 | 2024-10-15 | メイ モビリティー，インコーポレイテッド | 自律エージェントの環境表現を動的に更新するための方法およびシステム |
| EP4314708A1 (en) | 2021-04-02 | 2024-02-07 | May Mobility, Inc. | Method and system for operating an autonomous agent with incomplete environmental information |
| JP2024526037A (ja) | 2021-06-02 | 2024-07-17 | メイ モビリティー，インコーポレイテッド | 自律エージェントの遠隔支援のための方法及びシステム |
| US20230063368A1 (en) * | 2021-08-27 | 2023-03-02 | Motional Ad Llc | Selecting minimal risk maneuvers |
| US12012123B2 (en) | 2021-12-01 | 2024-06-18 | May Mobility, Inc. | Method and system for impact-based operation of an autonomous agent |
| WO2023154568A1 (en) | 2022-02-14 | 2023-08-17 | May Mobility, Inc. | Method and system for conditional operation of an autonomous agent |
| CN115099009B (zh) * | 2022-05-31 | 2023-08-29 | 同济大学 | 一种基于推理图的混合交通流运动行为建模方法 |
| US12116003B2 (en) | 2022-06-30 | 2024-10-15 | Nissan North America, Inc. | Vehicle notification system |
| CN115392111B (zh) * | 2022-07-27 | 2023-07-14 | 交控科技股份有限公司 | 一种列车追踪控制方法、设备、存储介质 |
| WO2024129832A1 (en) | 2022-12-13 | 2024-06-20 | May Mobility, Inc. | Method and system for assessing and mitigating risks encounterable by an autonomous vehicle |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013218678A (ja) * | 2012-03-23 | 2013-10-24 | Institut Francais Des Sciences Et Technologies Des Transports De L'Amenagement Et Des Reseaux | 路上車両の経路についての情報の決定方法 |
| US20150106010A1 (en) * | 2013-10-15 | 2015-04-16 | Ford Global Technologies, Llc | Aerial data for vehicle navigation |
| US20160375766A1 (en) * | 2015-06-24 | 2016-12-29 | Nissan North America, Inc. | Vehicle operation assistance information management |
| US20160375768A1 (en) * | 2015-06-24 | 2016-12-29 | Nissan North America, Inc. | Vehicle operation assistance information management for autonomous vehicle control operation |
Family Cites Families (127)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8430980D0 (en) | 1984-12-07 | 1985-01-16 | Robinson M | Generation of apparently three-dimensional images |
| JP2728170B2 (ja) | 1988-10-25 | 1998-03-18 | マツダ株式会社 | 移動車の走行制御装置 |
| US5838562A (en) | 1990-02-05 | 1998-11-17 | Caterpillar Inc. | System and a method for enabling a vehicle to track a preset path |
| US7418346B2 (en) | 1997-10-22 | 2008-08-26 | Intelligent Technologies International, Inc. | Collision avoidance methods and systems |
| US20040068351A1 (en) | 2002-04-22 | 2004-04-08 | Neal Solomon | System, methods and apparatus for integrating behavior-based approach into hybrid control model for use with mobile robotic vehicles |
| US7242294B2 (en) | 2003-09-17 | 2007-07-10 | Agilent Technologies, Inc | System and method for using mobile collectors for accessing a wireless sensor network |
| ATE511669T1 (de) | 2004-01-13 | 2011-06-15 | Renault Sas | Entwurf von sicherheitskritischen systemen |
| JP4591346B2 (ja) | 2005-12-28 | 2010-12-01 | アイシン・エィ・ダブリュ株式会社 | 車車間通信システム |
| US9373149B2 (en) | 2006-03-17 | 2016-06-21 | Fatdoor, Inc. | Autonomous neighborhood vehicle commerce network and community |
| JP4177394B2 (ja) * | 2006-08-16 | 2008-11-05 | 本田技研工業株式会社 | ナビ装置、ナビサーバおよびナビシステム |
| JP4254844B2 (ja) | 2006-11-01 | 2009-04-15 | トヨタ自動車株式会社 | 走行制御計画評価装置 |
| US20090088916A1 (en) | 2007-09-28 | 2009-04-02 | Honeywell International Inc. | Method and system for automatic path planning and obstacle/collision avoidance of autonomous vehicles |
| US20090140887A1 (en) * | 2007-11-29 | 2009-06-04 | Breed David S | Mapping Techniques Using Probe Vehicles |
| US9103671B1 (en) | 2007-11-29 | 2015-08-11 | American Vehicular Sciences, LLC | Mapping techniques using probe vehicles |
| WO2009114649A2 (en) | 2008-03-12 | 2009-09-17 | Aptima, Inc. | Probabilistic decision making system and methods of use |
| US8244469B2 (en) | 2008-03-16 | 2012-08-14 | Irobot Corporation | Collaborative engagement for target identification and tracking |
| JP5067217B2 (ja) | 2008-03-18 | 2012-11-07 | アイシン・エィ・ダブリュ株式会社 | 交通情報処理システム、統計処理装置、交通情報処理方法及び交通情報処理プログラム |
| US8126642B2 (en) | 2008-10-24 | 2012-02-28 | Gray & Company, Inc. | Control and systems for autonomously driven vehicles |
| EP2467290B1 (en) | 2009-08-19 | 2014-10-08 | Kelsey-Hayes Company | Fail safe operational steering system for autonomous driving |
| US9552728B2 (en) * | 2010-05-19 | 2017-01-24 | General Motors Llc | Route-based propulsion mode control for multimodal vehicles |
| US8452535B2 (en) | 2010-12-13 | 2013-05-28 | GM Global Technology Operations LLC | Systems and methods for precise sub-lane vehicle positioning |
| US20120233102A1 (en) | 2011-03-11 | 2012-09-13 | Toyota Motor Engin. & Manufact. N.A.(TEMA) | Apparatus and algorithmic process for an adaptive navigation policy in partially observable environments |
| US8849483B2 (en) | 2011-04-13 | 2014-09-30 | California Institute Of Technology | Target trailing with safe navigation with colregs for maritime autonomous surface vehicles |
| US8949018B2 (en) | 2011-06-13 | 2015-02-03 | Toyota Jidosha Kabushiki Kaisha | Driving assistance device and driving assistance method |
| GB2494716B (en) | 2011-09-15 | 2019-12-18 | Bae Systems Plc | Autonomous vehicle and task modelling |
| CA2849739C (en) | 2011-09-22 | 2018-09-04 | Aethon, Inc. | Monitoring, diagnostic and tracking tool for autonomous mobile robots |
| WO2013051081A1 (ja) | 2011-10-03 | 2013-04-11 | トヨタ自動車株式会社 | 車両の運転支援システム |
| DE102012005245A1 (de) | 2012-03-14 | 2012-09-20 | Daimler Ag | Unterstützen eines Fahrers eines Kraftfahrzeugs bei einem Überholvorgang |
| US20140309876A1 (en) | 2013-04-15 | 2014-10-16 | Flextronics Ap, Llc | Universal vehicle voice command system |
| US20130278441A1 (en) | 2012-04-24 | 2013-10-24 | Zetta Research and Development, LLC - ForC Series | Vehicle proxying |
| US8781669B1 (en) | 2012-05-14 | 2014-07-15 | Google Inc. | Consideration of risks in active sensing for an autonomous vehicle |
| WO2014024284A1 (ja) | 2012-08-08 | 2014-02-13 | トヨタ自動車株式会社 | 衝突予測装置 |
| CN104584097B (zh) * | 2012-08-09 | 2017-04-05 | 丰田自动车株式会社 | 物体检测装置和驾驶辅助装置 |
| DE102012220134A1 (de) | 2012-11-06 | 2014-05-08 | Robert Bosch Gmbh | Verfahren und Informationsgerät zum Erkennen einer absichtlichen Abweichung von einer optimalen Fahrroute eines Fahrzeugs zwischen einem Startpunkt und einem Zielpunkt |
| US9242647B2 (en) | 2013-02-06 | 2016-01-26 | GM Global Technology Operations LLC | Display systems and methods for autonomous vehicles |
| US10347127B2 (en) | 2013-02-21 | 2019-07-09 | Waymo Llc | Driving mode adjustment |
| US9081651B2 (en) | 2013-03-13 | 2015-07-14 | Ford Global Technologies, Llc | Route navigation with optimal speed profile |
| DE102013206746B4 (de) | 2013-04-16 | 2016-08-11 | Ford Global Technologies, Llc | Verfahren und Vorrichtung zum Modifizieren der Konfiguration eines Fahrassistenzsystems eines Kraftfahrzeuges |
| WO2015034923A2 (en) | 2013-09-03 | 2015-03-12 | Metrom Rail, Llc | Rail vehicle signal enforcement and separation control |
| US9099004B2 (en) | 2013-09-12 | 2015-08-04 | Robert Bosch Gmbh | Object differentiation warning system |
| JP6052424B2 (ja) | 2013-10-11 | 2016-12-27 | 日産自動車株式会社 | 走行制御装置及び走行制御方法 |
| EP3092599B1 (en) | 2013-12-04 | 2019-03-06 | Mobileye Vision Technologies Ltd. | Systems and methods for mimicking a leading vehicle |
| WO2015096878A1 (en) | 2013-12-24 | 2015-07-02 | Volvo Truck Corporation | Method and system for driver assistance for a vehicle |
| US9140554B2 (en) | 2014-01-24 | 2015-09-22 | Microsoft Technology Licensing, Llc | Audio navigation assistance |
| EP2902864B1 (en) | 2014-01-30 | 2017-05-31 | Volvo Car Corporation | Control arrangement for autonomously driven vehicle |
| US9248832B2 (en) | 2014-01-30 | 2016-02-02 | Mobileye Vision Technologies Ltd. | Systems and methods for detecting traffic signal details |
| EP2915718B1 (en) | 2014-03-04 | 2018-07-11 | Volvo Car Corporation | Apparatus and method for continuously establishing a boundary for autonomous driving availability and an automotive vehicle comprising such an apparatus |
| JP6180968B2 (ja) * | 2014-03-10 | 2017-08-16 | 日立オートモティブシステムズ株式会社 | 車両制御装置 |
| JP6147691B2 (ja) | 2014-03-27 | 2017-06-14 | 株式会社デンソーアイティーラボラトリ | 駐車スペース案内システム、駐車スペース案内方法、及びプログラム |
| JP6537780B2 (ja) | 2014-04-09 | 2019-07-03 | 日立オートモティブシステムズ株式会社 | 走行制御装置、車載用表示装置、及び走行制御システム |
| US10319039B1 (en) | 2014-05-20 | 2019-06-11 | State Farm Mutual Automobile Insurance Company | Accident fault determination for autonomous vehicles |
| US9972054B1 (en) | 2014-05-20 | 2018-05-15 | State Farm Mutual Automobile Insurance Company | Accident fault determination for autonomous vehicles |
| US9792656B1 (en) | 2014-05-20 | 2017-10-17 | State Farm Mutual Automobile Insurance Company | Fault determination with autonomous feature use monitoring |
| US10599155B1 (en) | 2014-05-20 | 2020-03-24 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle operation feature monitoring and evaluation of effectiveness |
| US9404761B2 (en) | 2014-05-30 | 2016-08-02 | Nissan North America, Inc. | Autonomous vehicle lane routing and navigation |
| US20150345967A1 (en) | 2014-06-03 | 2015-12-03 | Nissan North America, Inc. | Probabilistic autonomous vehicle routing and navigation |
| JP5952862B2 (ja) | 2014-06-27 | 2016-07-13 | 富士重工業株式会社 | 車両の運転支援装置 |
| JP6451111B2 (ja) | 2014-07-10 | 2019-01-16 | 日産自動車株式会社 | 走行支援装置及び走行支援方法 |
| US10293816B2 (en) | 2014-09-10 | 2019-05-21 | Ford Global Technologies, Llc | Automatic park and reminder system and method of use |
| JP6280850B2 (ja) | 2014-09-29 | 2018-02-14 | 日立建機株式会社 | 障害物回避システム |
| KR101664582B1 (ko) | 2014-11-12 | 2016-10-10 | 현대자동차주식회사 | 자율주행차량의 주행경로 생성장치 및 방법 |
| US9534910B2 (en) | 2014-12-09 | 2017-01-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Autonomous vehicle detection of and response to yield scenarios |
| US9963215B2 (en) | 2014-12-15 | 2018-05-08 | Leidos, Inc. | System and method for fusion of sensor data to support autonomous maritime vessels |
| US9436183B2 (en) | 2015-01-15 | 2016-09-06 | Nissan North America, Inc. | Associating passenger docking locations with destinations using vehicle transportation network partitioning |
| US9625906B2 (en) | 2015-01-15 | 2017-04-18 | Nissan North America, Inc. | Passenger docking location selection |
| US9519290B2 (en) | 2015-01-15 | 2016-12-13 | Nissan North America, Inc. | Associating passenger docking locations with destinations |
| JP6294247B2 (ja) * | 2015-01-26 | 2018-03-14 | 株式会社日立製作所 | 車両走行制御装置 |
| WO2016121572A1 (ja) | 2015-01-30 | 2016-08-04 | 日産自動車株式会社 | 駐車場と目的地との関連付け |
| US10216196B2 (en) | 2015-02-01 | 2019-02-26 | Prosper Technology, Llc | Methods to operate autonomous vehicles to pilot vehicles in groups or convoys |
| DE102015201878A1 (de) | 2015-02-04 | 2016-08-04 | Continental Teves Ag & Co. Ohg | Halbautomatisierter Spurwechsel |
| EP3845427A1 (en) | 2015-02-10 | 2021-07-07 | Mobileye Vision Technologies Ltd. | Sparse map for autonomous vehicle navigation |
| US10459446B2 (en) | 2015-02-12 | 2019-10-29 | Hitachi, Ltd. | Autonomous operation verification device and autonomous system |
| US20160260328A1 (en) | 2015-03-06 | 2016-09-08 | Qualcomm Incorporated | Real-time Occupancy Mapping System for Autonomous Vehicles |
| US9555807B2 (en) | 2015-05-01 | 2017-01-31 | Delphi Technologies, Inc. | Automated vehicle parameter modification based on operator override |
| US9547309B2 (en) | 2015-05-13 | 2017-01-17 | Uber Technologies, Inc. | Selecting vehicle type for providing transport |
| US10345809B2 (en) | 2015-05-13 | 2019-07-09 | Uber Technologies, Inc. | Providing remote assistance to an autonomous vehicle |
| US9494439B1 (en) | 2015-05-13 | 2016-11-15 | Uber Technologies, Inc. | Autonomous vehicle operated with guide assistance of human driven vehicles |
| US9937795B2 (en) * | 2015-06-24 | 2018-04-10 | Nissan North America, Inc. | Vehicle operation assistance information management for autonomous vehicle control transfer |
| US10186150B2 (en) * | 2015-07-21 | 2019-01-22 | Nissan Motor Co., Ltd. | Scene determination device, travel assistance apparatus, and scene determination method |
| US9934688B2 (en) | 2015-07-31 | 2018-04-03 | Ford Global Technologies, Llc | Vehicle trajectory determination |
| US10139828B2 (en) | 2015-09-24 | 2018-11-27 | Uber Technologies, Inc. | Autonomous vehicle operated with safety augmentation |
| US9566986B1 (en) | 2015-09-25 | 2017-02-14 | International Business Machines Corporation | Controlling driving modes of self-driving vehicles |
| US10002471B2 (en) | 2015-09-30 | 2018-06-19 | Ants Technology (Hk) Limited | Systems and methods for autonomous vehicle navigation |
| US9904286B2 (en) | 2015-10-13 | 2018-02-27 | Nokia Technologies Oy | Method and apparatus for providing adaptive transitioning between operational modes of an autonomous vehicle |
| JP6344695B2 (ja) | 2015-10-28 | 2018-06-20 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、および車両制御プログラム |
| DE102015224338B4 (de) * | 2015-12-04 | 2021-10-28 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung in einem Kraftfahrzeug zum automatisierten Fahren |
| US10061326B2 (en) | 2015-12-09 | 2018-08-28 | International Business Machines Corporation | Mishap amelioration based on second-order sensing by a self-driving vehicle |
| US10126135B2 (en) | 2015-12-15 | 2018-11-13 | Nissan North America, Inc. | Traffic signal timing estimation using an artificial neural network model |
| CN105635849B (zh) | 2015-12-25 | 2018-06-05 | 网易传媒科技（北京）有限公司 | 多媒体文件播放时的文本显示方法和装置 |
| US9913104B2 (en) | 2016-01-21 | 2018-03-06 | General Motors Llc | Vehicle location services |
| CN105620470B (zh) | 2016-01-25 | 2018-09-07 | 雷沃重工股份有限公司 | 一种作业车辆行偏移检测调整方法及系统 |
| US9568915B1 (en) | 2016-02-11 | 2017-02-14 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling autonomous or semi-autonomous vehicle |
| DE102016203086B4 (de) | 2016-02-26 | 2018-06-28 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Fahrerassistenz |
| DE102016203723A1 (de) * | 2016-03-08 | 2017-09-14 | Robert Bosch Gmbh | Verfahren und System zum Bestimmen der Pose eines Fahrzeugs |
| US9792575B2 (en) | 2016-03-11 | 2017-10-17 | Route4Me, Inc. | Complex dynamic route sequencing for multi-vehicle fleets using traffic and real-world constraints |
| US9645577B1 (en) | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
| US9910440B2 (en) | 2016-05-13 | 2018-03-06 | Delphi Technologies, Inc. | Escape-path-planning system for an automated vehicle |
| JP2017207859A (ja) | 2016-05-17 | 2017-11-24 | 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 |
| US11092446B2 (en) * | 2016-06-14 | 2021-08-17 | Motional Ad Llc | Route planning for an autonomous vehicle |
| US10449962B2 (en) * | 2016-06-23 | 2019-10-22 | Honda Motor Co., Ltd. | System and method for vehicle control using vehicular communication |
| US10286913B2 (en) | 2016-06-23 | 2019-05-14 | Honda Motor Co., Ltd. | System and method for merge assist using vehicular communication |
| US10331138B2 (en) | 2016-07-05 | 2019-06-25 | Baidu Usa Llc | Standard scene-based planning control methods for operating autonomous vehicles |
| JP6551332B2 (ja) | 2016-07-26 | 2019-07-31 | トヨタ自動車株式会社 | 車両の走行可能距離算出システムおよび走行可能距離算出方法 |
| DE102016009763A1 (de) | 2016-08-11 | 2018-02-15 | Trw Automotive Gmbh | Steuerungssystem und Steuerungsverfahren zum Bestimmen einer Trajektorie und zum Erzeugen von zugehörigen Signalen oder Steuerbefehlen |
| CN106184223A (zh) | 2016-09-28 | 2016-12-07 | 北京新能源汽车股份有限公司 | 一种自动驾驶控制方法、装置及汽车 |
| JP2018077565A (ja) | 2016-11-07 | 2018-05-17 | 本田技研工業株式会社 | 車両制御装置 |
| CN110050301B (zh) | 2016-12-07 | 2021-12-03 | 本田技研工业株式会社 | 车辆控制装置 |
| US10421459B2 (en) | 2016-12-20 | 2019-09-24 | GM Global Technology Operations LLC | Contextual-assessment vehicle systems |
| WO2018116409A1 (ja) | 2016-12-21 | 2018-06-28 | 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 |
| US11392129B2 (en) | 2016-12-27 | 2022-07-19 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and storage medium |
| EP3548845B1 (en) * | 2017-01-12 | 2021-10-13 | Mobileye Vision Technologies Ltd. | Navigation based on vehicle activity |
| WO2018138769A1 (ja) | 2017-01-24 | 2018-08-02 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、および車両制御プログラム |
| US10654476B2 (en) * | 2017-02-10 | 2020-05-19 | Nissan North America, Inc. | Autonomous vehicle operational management control |
| KR20180094725A (ko) | 2017-02-16 | 2018-08-24 | 삼성전자주식회사 | 자율 주행을 위한 차량 제어 방법, 차량 제어 장치 및 자율 주행을 위한 학습 방법 |
| CN110352330B (zh) | 2017-03-07 | 2024-04-19 | 罗伯特·博世有限公司 | 用于自主交通工具的动作规划系统和方法 |
| US10513268B2 (en) | 2017-04-07 | 2019-12-24 | Steering Solutions Ip Holding Corporation | Vehicle safety system |
| US20180342033A1 (en) * | 2017-05-23 | 2018-11-29 | Uber Technologies, Inc. | Trip classification system for on-demand transportation services |
| US10762447B2 (en) | 2017-05-23 | 2020-09-01 | Uatc, Llc | Vehicle selection for on-demand transportation services |
| JP6666304B2 (ja) | 2017-06-02 | 2020-03-13 | 本田技研工業株式会社 | 走行制御装置、走行制御方法、およびプログラム |
| US11042155B2 (en) | 2017-06-06 | 2021-06-22 | Plusai Limited | Method and system for closed loop perception in autonomous driving vehicles |
| US10296004B2 (en) | 2017-06-21 | 2019-05-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Autonomous operation for an autonomous vehicle objective in a multi-vehicle environment |
| US10532749B2 (en) | 2017-08-11 | 2020-01-14 | Uatc, Llc | Systems and methods to adjust autonomous vehicle parameters in response to passenger feedback |
| US10514697B2 (en) | 2017-09-15 | 2019-12-24 | GM Global Technology Operations LLC | Vehicle remote assistance mode |
| US20190096244A1 (en) | 2017-09-25 | 2019-03-28 | Intel Corporation | Vehicle-to-many-vehicle communication |
| JPWO2019069868A1 (ja) | 2017-10-04 | 2020-11-26 | パイオニア株式会社 | 判定装置及び判定方法並びに判定用プログラム |
| US10739775B2 (en) | 2017-10-28 | 2020-08-11 | Tusimple, Inc. | System and method for real world autonomous vehicle trajectory simulation |
| JP6704890B2 (ja) | 2017-11-08 | 2020-06-03 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
-
2017
- 2017-02-10 EP EP17895515.9A patent/EP3580104B1/en active Active
- 2017-02-10 RU RU2019127927A patent/RU2734732C1/ru active
- 2017-02-10 KR KR1020197026084A patent/KR102090919B1/ko active IP Right Grant
- 2017-02-10 WO PCT/US2017/017516 patent/WO2018147873A1/en unknown
- 2017-02-10 JP JP2019543065A patent/JP6897938B2/ja active Active
- 2017-02-10 CN CN201780084928.4A patent/CN110418743B/zh active Active
- 2017-02-10 CA CA3052953A patent/CA3052953C/en active Active
- 2017-02-10 US US16/473,037 patent/US11113973B2/en active Active
- 2017-02-10 MX MX2019009395A patent/MX2019009395A/es unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013218678A (ja) * | 2012-03-23 | 2013-10-24 | Institut Francais Des Sciences Et Technologies Des Transports De L'Amenagement Et Des Reseaux | 路上車両の経路についての情報の決定方法 |
| US20150106010A1 (en) * | 2013-10-15 | 2015-04-16 | Ford Global Technologies, Llc | Aerial data for vehicle navigation |
| US20160375766A1 (en) * | 2015-06-24 | 2016-12-29 | Nissan North America, Inc. | Vehicle operation assistance information management |
| US20160375768A1 (en) * | 2015-06-24 | 2016-12-29 | Nissan North America, Inc. | Vehicle operation assistance information management for autonomous vehicle control operation |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210042832A (ko) * | 2019-10-08 | 2021-04-20 | 모셔널 에이디 엘엘씨 | 자율주행 차량으로의 다방향 정지 교차로 내비게이팅 |
Also Published As
| Publication number | Publication date |
|---|---|
| BR112019016278A2 (pt) | 2020-04-07 |
| JP2020507509A (ja) | 2020-03-12 |
| US11113973B2 (en) | 2021-09-07 |
| EP3580104A1 (en) | 2019-12-18 |
| WO2018147873A1 (en) | 2018-08-16 |
| CA3052953A1 (en) | 2018-08-16 |
| EP3580104B1 (en) | 2020-11-11 |
| US20200098269A1 (en) | 2020-03-26 |
| MX2019009395A (es) | 2019-12-05 |
| EP3580104A4 (en) | 2020-03-04 |
| KR102090919B1 (ko) | 2020-05-18 |
| CN110418743A (zh) | 2019-11-05 |
| JP6897938B2 (ja) | 2021-07-07 |
| CN110418743B (zh) | 2022-10-04 |
| RU2734732C1 (ru) | 2020-10-22 |
| CA3052953C (en) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102090920B1 (ko) | 자율주행 차량 운용 관리 제어 | |
| KR102199093B1 (ko) | 부분 관측가능한 마르코프 결정 프로세스 모델 인스턴스를 동작시키는 것을 포함하는 자율주행 차량 운용 관리 | |
| KR102090919B1 (ko) | 자율주행 차량 운용 관리 차단 모니터링 | |
| KR102305291B1 (ko) | 자율주행 차량 운용 관리 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |