KR20210100007A - 머신 러닝을 이용한 모션 계획을 사용한 차량의 동작 - Google Patents

머신 러닝을 이용한 모션 계획을 사용한 차량의 동작 Download PDF

Info

Publication number
KR20210100007A
KR20210100007A KR1020207035780A KR20207035780A KR20210100007A KR 20210100007 A KR20210100007 A KR 20210100007A KR 1020207035780 A KR1020207035780 A KR 1020207035780A KR 20207035780 A KR20207035780 A KR 20207035780A KR 20210100007 A KR20210100007 A KR 20210100007A
Authority
KR
South Korea
Prior art keywords
vehicle
motion
motion segment
constraints
constraint
Prior art date
Application number
KR1020207035780A
Other languages
English (en)
Other versions
KR102569134B1 (ko
Inventor
소랍 보라
오스카 올로프 베이봄
시-유안 리우
티차코른 웡피롬사른
프란세스코 다니엘레 드
스콧 디. 펜들톤
Original Assignee
모셔널 에이디 엘엘씨
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 모셔널 에이디 엘엘씨 filed Critical 모셔널 에이디 엘엘씨
Publication of KR20210100007A publication Critical patent/KR20210100007A/ko
Application granted granted Critical
Publication of KR102569134B1 publication Critical patent/KR102569134B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • 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
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/105—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
    • 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
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • 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
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • 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
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/20—Control system inputs
    • G05D1/22—Command input arrangements
    • G05D1/228—Command input arrangements located on-board unmanned vehicles
    • 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
    • G05D1/60—Intended control result
    • G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • 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
    • 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
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)

Abstract

모션 계획에서 머신 러닝을 사용하여 차량을 동작시키기 위한 기술은, 환경 내에 위치된 차량의 하나 이상의 프로세서를 사용하여, 환경 내에서 차량을 동작시키는 것에 대한 복수의 제약을 저장하는 것을 포함한다. 차량의 하나 이상의 센서는 환경을 기술하는 센서 데이터를 수신한다. 하나 이상의 프로세서는 저장된 복수의 제약 및 수신된 센서 데이터로부터 특징 벡터를 추출한다. 특징 벡터는 환경 내에 위치된 대상체를 기술하는 제1 특징을 포함한다. 차량의 머신 러닝 회로는 특징 벡터에 기초하여 제1 모션 세그먼트를 생성하는 데 사용된다. 저장된 복수의 제약의 위반 횟수가 임계치 미만이다. 하나 이상의 프로세서는 생성된 제1 모션 세그먼트에 따라 차량을 동작시킨다.

Description

머신 러닝을 이용한 모션 계획을 사용한 차량의 동작
[관련 출원의 상호 참조]
본 출원은 2018년 12월 18일자로 출원된 미국 가출원 제62/781,573호의 이익을 주장한다.
[기술 분야]
이 설명은 일반적으로 차량의 동작, 특히 머신 러닝을 이용한 모션 계획(motion planning)을 사용하는 차량의 동작에 관한 것이다.
초기 위치로부터 최종 목적지까지의 차량의 운행은 종종 사용자 또는 차량의 의사 결정 시스템에 초기 위치로부터 최종 목적지까지의 도로망을 통한 루트를 선택할 것을 요구한다. 루트는 최대 운전 시간을 초과하지 않는 것과 같은 목표를 충족시키는 것을 수반할 수 있다. 그렇지만, 복잡한 루트는 많은 결정을 요구할 수 있어, 전통적인 루트 선택 알고리즘을 비실용적으로 만들 수 있다. 초기 위치로부터 최종 목적지까지의 방향성 그래프를 가로지르는 루트를 선택하기 위해 전통적인 탐욕 알고리즘이 때때로 사용된다. 그렇지만, 도로 상의 많은 수의 다른 차량이 그러한 탐욕 알고리즘을 사용하는 경우, 선택된 루트가 과밀(overload)될 수 있고 주행이 느려져 기어갈 수 있다. 추가적으로, 주차된 차량, 공사 구역, 및 보행자의 존재는 루트 선택 및 운행을 복잡하게 만든다.
머신 러닝을 이용한 모션 계획(예를 들면, 최소 위반 모션 계획)을 사용하여 차량을 동작시키기 위한 기술이 제공된다. 이 기술은, 환경 내에 위치된 차량의 하나 이상의 프로세서를 사용하여, 환경 내에서 차량을 동작시키는 것에 대한 복수의 제약을 저장하는 것을 포함한다. 차량의 하나 이상의 센서는 환경을 기술하는 센서 데이터를 수신한다. 하나 이상의 프로세서는 저장된 복수의 제약 및 수신된 센서 데이터로부터 특징 벡터를 추출한다. 특징 벡터는 환경 내에 위치된 대상체를 기술하는 제1 특징을 포함한다. 차량의 머신 러닝 회로는 특징 벡터에 기초하여 제1 모션 세그먼트를 생성하는 데 사용된다. 저장된 복수의 제약의 위반 횟수가 임계치 미만이다. 하나 이상의 프로세서는 생성된 제1 모션 세그먼트에 따라 차량을 동작시킨다.
이 기술은, 하나 이상의 프로세서를 사용하여, 차량을 동작시키기 위한 복수의 제약을 저장하는 것을 추가로 포함한다. 하나 이상의 프로세서는 차량을 동작시키기 위한 복수의 모션 세그먼트를 수신한다. 복수의 모션 세그먼트 중 적어도 제1 모션 세그먼트는 차량이 주행할 거리를 포함한다. 수신된 복수의 모션 세그먼트의 각각의 모션 세그먼트에 대해, 저장된 복수의 제약의 대응하는 위반 횟수가 결정된다. 머신 러닝 회로는 저장된 복수의 제약 및 수신된 복수의 모션 세그먼트로부터 제2 모션 세그먼트를 생성한다. 제2 모션 세그먼트에 대한 저장된 복수의 제약의 위반 횟수는 수신된 복수의 모션 세그먼트의 각각의 모션 세그먼트에 대한 저장된 복수의 제약의 대응하는 위반 횟수보다 낮다. 차량은 제2 모션 세그먼트에 따라 동작된다.
이들 및 다른 양태, 특징, 및 구현예는 기능을 수행하기 위한 방법, 장치, 시스템, 컴포넌트, 프로그램 제품, 수단 또는 단계로서, 및 다른 방식으로 표현될 수 있다.
이들 및 다른 양태, 특징, 및 구현은 청구항을 포함하여, 이하의 설명으로부터 명백해질 것이다.
도 1은 하나 이상의 실시예에 따른, 자율 주행 능력(autonomous capability)을 갖는 자율 주행 차량(autonomous vehicle; AV)의 일 예를 예시한다.
도 2는 하나 이상의 실시예에 따른, 예시적인 "클라우드" 컴퓨팅 환경을 예시한다.
도 3은 하나 이상의 실시예에 따른, 컴퓨터 시스템을 예시한다.
도 4는 하나 이상의 실시예에 따른, AV에 대한 예시적인 아키텍처를 예시한다.
도 5는 하나 이상의 실시예에 따른, 인지 모듈에 의해 사용될 수 있는 입력 및 출력의 일 예를 예시한다.
도 6은 하나 이상의 실시예에 따른, LiDAR 시스템의 일 예를 예시한다.
도 7은 하나 이상의 실시예에 따른, 동작 중인 LiDAR 시스템을 예시한다.
도 8은 하나 이상의 실시예에 따른, LiDAR 시스템의 동작을 추가적으로 상세하게 예시한다.
도 9는 하나 이상의 실시예에 따른, 계획 모듈의 입력과 출력 사이의 관계의 블록 다이어그램을 예시한다.
도 10은 하나 이상의 실시예에 따른, 경로 계획에서 사용되는 방향 그래프(directed graph)를 예시한다.
도 11은 하나 이상의 실시예에 따른, 제어 모듈의 입력 및 출력의 블록 다이어그램을 예시한다.
도 12는 하나 이상의 실시예에 따른, 제어기의 입력, 출력, 및 컴포넌트의 블록 다이어그램을 예시한다.
도 13은 하나 이상의 실시예에 따른, 머신 러닝을 이용한 모션 계획을 사용하는 차량의 동작 환경의 블록 다이어그램을 예시한다.
도 14는 하나 이상의 실시예에 따른, 대상체와의 충돌을 방지하기 위해 차량에 의한 더 낮은 순위의 제약(lower-ranked constraint)의 위반의 일 예를 예시한다.
도 15는 하나 이상의 실시예에 따른, 차량을 동작시키기 위한 머신 러닝 아키텍처의 블록 다이어그램를 예시한다.
도 16은 하나 이상의 실시예에 따른, 머신 러닝을 이용한 모션 계획을 사용하여 차량을 동작시키기 위한 프로세스를 예시한다.
도 17은 하나 이상의 실시예에 따른, 머신 러닝을 이용한 모션 계획을 사용하여 차량을 동작시키기 위한 대안의 프로세스를 예시한다.
설명을 위한 이하의 기술에서는, 본 발명에 대한 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항이 제시된다. 그렇지만, 본 발명이 이러한 특정 세부 사항 없이 실시될 수 있음이 명백할 것이다. 다른 경우에, 공지된 구조 및 디바이스는 본 발명을 불필요하게 모호하게 하는 것을 피하기 위하여 블록 다이어그램 형태로 도시된다.
도면에서, 기술을 용이하게 하기 위해, 디바이스, 모듈, 명령 블록 및 데이터 요소를 나타내는 것과 같은 개략적 요소의 특정한 배열 또는 순서가 도시된다. 그렇지만, 본 기술 분야의 통상의 기술자라면, 도면에서의 개략적 요소의 특정 순서 또는 배열이 프로세싱의 특정한 순서 또는 시퀀스, 또는 프로세스의 분리가 요구됨을 암시한다는 것을 의미하지는 않는다는 점을 이해할 것이다. 게다가, 도면에 개략적 요소를 포함시키는 것은, 그러한 요소가 모든 실시예에서 요구됨을 암시한다는 것을 의미하지는 않거나, 또는 그러한 요소에 의해 표현된 특징이 일부 실시예에서 포함되지 않을 수 있거나 다른 요소와 조합되지 않을 수 있음을 암시한다는 것을 의미하지는 않는다.
또한, 도면에서, 2개 이상의 다른 개략적 요소 사이의 연결, 관계 또는 연관을 보여주기 위해 실선 또는 파선 또는 화살표와 같은 연결 요소가 사용되는 경우에, 임의의 그러한 연결 요소의 부재가 연결, 관계 또는 연관이 존재할 수 없다는 것을 암시하는 것을 의미하지 않는다. 환언하면, 요소들 사이의 일부 연결, 관계 또는 연관은 본 개시를 모호하게 하지 않기 위해 도면에 도시되지 않는다. 추가적으로, 예시를 용이하게 하기 위해, 요소들 사이의 다수의 연결, 관계 또는 연관을 나타내기 위해 단일의 연결 요소가 사용된다. 예를 들어, 연결 요소가 신호, 데이터 또는 명령의 통신을 나타내는 경우에, 본 기술 분야의 통상의 기술자라면, 그러한 요소가, 통신을 수행하기 위해 필요할 수 있는, 하나 또는 다수의 신호 경로(예를 들면, 버스)를 나타낸다는 것을 이해할 것이다.
그 예가 첨부된 도면에 예시된 실시예가 이제 상세하게 언급될 것이다. 이하의 상세한 설명에서, 다양한 기술된 실시예에 대한 완전한 이해를 제공하기 위해 많은 특정 세부 사항이 기재된다. 그렇지만, 다양한 기술된 실시예가 이러한 특정 세부 사항 없이 실시될 수 있다는 것이 본 기술 분야의 통상의 기술자에게 명백할 것이다. 다른 경우에, 실시예의 양태를 불필요하게 모호하게 하지 않기 위해 공지된 방법, 절차, 컴포넌트, 회로, 및 네트워크는 상세히 기술되지 않았다.
서로 독립적으로 또는 다른 특징의 임의의 조합과 함께 각각 사용될 수 있는 여러 특징이 이하에 기술된다. 그렇지만, 임의의 개별 특징은 위에서 논의된 문제들 중 임의의 것을 해결할 수 없거나 또는 위에서 논의된 문제들 중 단지 하나만을 해결할 수 있다. 위에서 논의된 문제들 중 일부는 본원에 기술된 특징들 중 임의의 것에 의해 완전히 해결되지는 않을 수 있다. 비록 여러 표제가 제공되어 있더라도, 특정 표제에 관련되지만 해당 표제를 갖는 섹션에서 발견되지는 않는 정보가 본 설명의 다른 곳에서 발견될 수도 있다. 실시예는 이하의 개요에 따라 본원에 기술된다:
1. 일반적 개관
2. 시스템 개관
3. 자율 주행 차량 아키텍처
4. 자율 주행 차량 입력
5. 자율 주행 차량 계획
6. 자율 주행 차량 제어
7. 머신 러닝을 이용한 모션 계획을 위한 동작 환경
8. 충돌 방지를 위한 제약 위반의 예
9. 모션 계획을 위한 머신 러닝 아키텍처
10. 모션 계획을 이용한 차량의 동작 프로세스
일반적 개관
자율 주행 차량(AV)은 환경 내에서 동작 동안 센서를 사용하여 대상체를 검출하고 대상체로부터의 거리를 결정한다. 센서는 카메라 및 LiDAR와 같은 시각 센서를 포함한다. LiDAR는 펄스 레이저 빔 격자를 사용하여 대상체로부터 디바이스까지의 거리를 측정하는 원격 감지 디바이스이다. AV를 동작시키기 위해, AV의 시각적 센서는 환경을 표현하는 센서 데이터를 수신하는 데 사용된다. AV의 하나 이상의 프로세서는 환경 내에서 차량을 동작시키는 것에 대한 제약을 저장하는 데 사용된다. 예를 들어, 제약은 AV에 대한 최대 속력을 명시할 수 있다. 프로세서는 제약 및 수신된 센서 데이터로부터 특징 벡터를 추출한다. 특징 벡터는 환경 내에 위치된 대상체를 기술하는 제1 특징을 포함한다. 예를 들어, 제1 특징은 대상체의 위치 또는 속력을 기술할 수 있다. 차량의 머신 러닝 회로는 특징 벡터에 기초하여 제1 모션 세그먼트를 생성하는 데 사용된다. 제1 모션 세그먼트에 대한 제약의 위반 횟수가 임계치 미만이도록, 제1 모션 세그먼트가 생성된다. 하나 이상의 프로세서는 생성된 제1 모션 세그먼트에 따라 차량을 동작시킨다.
시스템 개관
도 1은 자율 주행 능력을 갖는 자율 주행 차량(100)의 일 예를 예시한다.
본원에서 사용되는 바와 같이, "자율 주행 능력"이라는 용어는, 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량을 제한 없이 포함하는, 실시간 인간 개입 없이 차량이 부분적으로 또는 완전하게 동작할 수 있게 하는 기능, 특징, 또는 설비를 지칭한다.
본원에서 사용되는 바와 같이, 자율 주행 차량(AV)은 자율 주행 능력을 갖는 차량이다.
본원에서 사용되는 바와 같이, "차량"은 상품 또는 사람의 운송 수단을 포함한다. 예를 들어, 자동차, 버스, 기차, 비행기, 드론, 트럭, 보트, 선박, 잠수함, 비행선 등. 무인 자동차는 차량의 일 예이다.
본원에서 사용되는 바와 같이, "궤적"은 AV를 제1 시공간적 위치로부터 제2 시공간적 위치로 운행시키는 경로 또는 루트를 지칭한다. 일 실시예에서, 제1 시공간적 위치는 초기 또는 시작 위치라고 지칭되고 제2 시공간적 위치는 목적지, 최종 위치, 목표, 목표 위치, 또는 목표 장소라고 지칭된다. 일부 예에서, 궤적은 하나 이상의 세그먼트(예를 들면, 도로의 섹션)로 구성되고, 각각의 세그먼트는 하나 이상의 블록(예를 들면, 차선 또는 교차로의 부분)으로 구성된다. 일 실시예에서, 시공간적 위치는 현실 세계 위치에 대응한다. 예를 들어, 시공간적 위치는 사람을 태우거나 내려주고 또는 상품을 싣거나 내리는 픽업(pick up) 위치 또는 드롭 오프(drop-off) 위치이다.
본원에서 사용되는 바와 같이, "센서(들)"는 센서를 둘러싸는 환경에 관한 정보를 검출하는 하나 이상의 하드웨어 컴포넌트를 포함한다. 하드웨어 컴포넌트들 중 일부는 감지 컴포넌트(예를 들면, 이미지 센서, 생체 측정 센서), 송신 및/또는 수신 컴포넌트(예를 들면, 레이저 또는 라디오 주파수 파 송신기 및 수신기), 아날로그 대 디지털 변환기와 같은 전자 컴포넌트, 데이터 저장 디바이스(예컨대, RAM 및/또는 비휘발성 스토리지), 소프트웨어 또는 펌웨어 컴포넌트, 및 ASIC(application-specific integrated circuit), 마이크로프로세서 및/또는 마이크로컨트롤러와 같은 데이터 프로세싱 컴포넌트를 포함할 수 있다.
본원에서 사용되는 바와 같이, "장면 묘사(scene description)"는 AV 차량 상의 하나 이상의 센서에 의해 검출되거나 AV 외부의 소스에 의해 제공되는 하나 이상의 분류된 또는 레이블링된 대상체를 포함하는 데이터 구조(예를 들어, 리스트) 또는 데이터 스트림이다.
본원에서 사용되는 바와 같이, "도로"는 차량에 의해 횡단될 수 있는 물리적 영역이고, 명명된 주요 도로(예를 들어, 도시 거리, 주간 고속도로 등)에 대응할 수 있거나, 또는 명명되지 않은 주요 도로(예를 들어, 주택 또는 사무실 건물 내의 사유 도로, 주차장 섹션, 공터 섹션, 시골 지역의 비포장 경로 등)에 대응할 수 있다. 일부 차량(예를 들면, 4륜 구동 픽업 트럭, 스포츠 유틸리티 차량 등)은 차량 주행에 특히 적합하지 않은 다양한 물리적 영역을 횡단할 수 있기 때문에, "도로"는 임의의 지자체 또는 다른 정부 또는 행정처에 의해 주요 도로로서 공식적으로 규정되지 않은 물리적 영역일 수 있다.
본원에서 사용되는 바와 같이, "차선"은 차량에 의해 횡단될 수 있는 도로의 한 부분이고, 차선 마킹들 사이의 공간의 대부분 또는 전부에 대응할 수 있거나, 또는 차선 마킹들 사이의 공간의 단지 일부(예를 들면, 50% 미만)에 대응할 수 있다. 예를 들어, 멀리 이격된 차선 마킹을 갖는 도로는 차선 마킹들 사이에 둘 이상의 차량을 수용할 수 있어서, 하나의 차량이 차선 마킹을 횡단하지 않으면서 다른 차량을 추월할 수 있고, 따라서 차선 마킹들 사이의 공간보다 좁은 차선을 갖거나 차선 마킹들 사이에 2개의 차선을 갖는 것으로 해석될 수 있다. 차선은 차선 마킹의 부재 시에도 해석될 수 있다. 예를 들어, 차선은 환경의 물리적 특징, 예를 들어, 시골 지역에서의 주요 도로를 따라 있는 바위 및 나무에 기초하여 규정될 수 있다.
"하나 이상"은 하나의 요소에 의해 수행되는 기능, 하나보다 많은 요소에 의해, 예를 들어, 분산 방식으로, 수행되는 기능, 하나의 요소에 의해 수행되는 여러 기능, 여러 요소에 의해 수행되는 여러 기능, 또는 이들의 임의의 조합을 포함한다.
또한, 제1, 제2 등과 같은 용어가, 일부 예에서, 다양한 요소를 기술하기 위해 본원에서 사용되고 있지만, 이러한 요소는 이러한 용어에 의해 제한되지 않아야 한다는 것이 이해될 것이다. 이러한 용어는 하나의 요소를 다른 요소와 구별하는 데만 사용된다. 예를 들어, 기술된 다양한 실시예의 범위를 벗어나지 않으면서, 제1 접촉은 제2 접촉이라고 지칭될 수 있고, 유사하게 제2 접촉은 제1 접촉이라고 지칭될 수 있다. 제1 접촉과 제2 접촉 둘 모두가 접촉이지만, 동일한 접촉은 아니다.
본원에 기술된 다양한 실시예의 설명에 사용된 용어는 단지 특정한 실시예를 기술하기 위한 것이며, 제한하려는 것은 아니다. 기술된 다양한 실시예 및 첨부된 청구항의 설명에서 사용되는 바와 같이, 단수형은, 문맥이 달리 명확히 표시하지 않는 한, 복수형을 포함하는 것으로 의도되어 있다. "및/또는"이라는 용어가, 본원에서 사용되는 바와 같이, 열거된 연관 항목들 중 하나 이상의 항목의 임의의 및 모든 가능한 조합을 지칭하고 포함한다는 것이 또한 이해될 것이다. 게다가, "포함한다" 및/또는 "포함하는"이라는 용어는 본 설명에서 사용될 때, 언급된 특징, 정수, 단계, 동작, 요소, 및/또는 컴포넌트의 존재를 명기하지만, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 컴포넌트, 및/또는 그의 그룹의 존재 또는 추가를 배제하지 않는다는 것도 이해될 것이다.
본원에서 사용되는 바와 같이, "~ 경우"라는 용어는 선택적으로 문맥에 따라 "~할 때", 또는 "~시에" 또는 "결정에 응답하여" 또는 "검출에 응답하여"를 의미하는 것으로 해석된다. 마찬가지로, 문구 "~라고 결정된다면" 또는 "[언급된 조건 또는 이벤트]가 검출되는 경우"는 선택적으로 문맥에 따라, "결정할 시에" 또는 "결정에 응답하여" 또는 "[언급된 조건 또는 이벤트]의 검출 시에" 또는 "[언급된 조건 또는 이벤트]의 검출에 응답하여"를 의미하는 것으로 해석된다.
본원에서 사용되는 바와 같이, AV 시스템은 AV의 동작을 지원하는 하드웨어, 소프트웨어, 저장 데이터 및 실시간으로 생성된 데이터의 어레이와 함께 AV를 지칭한다. 일 실시예에서, AV 시스템은 AV 내에 포함된다. 일 실시예에서, AV 시스템은 여러 위치에 걸쳐 확산되어 있다. 예를 들어, AV 시스템의 소프트웨어 중 일부는 도 3과 관련하여 아래에서 기술되는 클라우드 컴퓨팅 환경(300)과 유사한 클라우드 컴퓨팅 환경 상에 구현된다.
일반적으로, 본원은 완전한 자율 주행 차량, 고도의 자율 주행 차량, 및 조건부 자율 주행 차량, 예를 들어, 각각 소위 레벨 5 차량, 레벨 4 차량 및 레벨 3 차량을 포함하는 하나 이상의 자율 주행 능력을 갖는 임의의 차량에 적용 가능한 기술을 개시한다(차량의 자율성의 레벨 분류에 대한 세부 사항은 본원에 그 전체가 참조로 포함된, SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의(Taxonomy and Definitions for Terms Related to On-128-172020-02-28 Road Motor Vehicle Automated Driving Systems) 참조). 또한, 본원에서 개시된 기술은 부분적 자율 주행 차량 및 운전자 보조 차량, 예컨대, 소위 레벨 2 및 레벨 1 차량에도 적용 가능하다(SAE 국제 표준 J3016: 온로드 자동차 자동 운전 시스템에 관한 용어의 분류 및 정의 참조). 일 실시예에서, 레벨 1, 레벨 2, 레벨 3, 레벨 4 및 레벨 5 차량 시스템 중 하나 이상은 센서 입력의 프로세싱에 기초하여 특정의 동작 조건 하에서 특정의 차량 동작(예를 들면, 조향, 제동, 및 맵 사용)을 자동화할 수 있다. 본 문서에서 설명된 기술은, 완전한 자율 주행 차량으로부터 인간 운전 차량에 이르는, 임의의 레벨에 있는 차량에 혜택을 줄 수 있다.
도 1을 참조하면, AV 시스템(120)은, 대상체(예를 들면, 자연 장애물(191), 차량(193), 보행자(192), 자전거 타는 사람, 및 다른 장애물)을 피하고 도로 법규(예를 들면, 동작 규칙 또는 운전 선호사항)를 준수하면서, AV(100)를 궤적(198)을 따라 환경(190)을 통과하여 목적지(199)(때때로 최종 위치라고 지칭됨)로 동작시킨다.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)로부터 동작 커맨드를 수신하고 이에 따라 동작하도록 설비된 디바이스(101)를 포함한다. 일 실시예에서, 컴퓨팅 프로세서(146)는 도 3을 참조하여 아래에서 기술되는 프로세서(304)와 유사하다. 디바이스(101)의 예는 조향 컨트롤(102), 브레이크(103), 기어, 가속기 페달 또는 다른 가속 제어 메커니즘, 윈드실드 와이퍼, 사이드 도어 락, 윈도 컨트롤, 및 방향 지시등을 포함한다.
일 실시예에서, AV 시스템(120)은, AV의 위치, 선형 속도 및 선형 가속도, 각속도 및 각가속도, 및 헤딩(heading)(예를 들면, AV(100)의 선단의 배향)과 같은, AV(100)의 상태 또는 조건의 속성을 측정 또는 추론하기 위한 센서(121)를 포함한다. 센서(121)의 예는 GNSS, 차량 선가속도 및 각도 변화율(angular rate) 둘 모두를 측정하는 IMU(inertial measurement unit), 휠 슬립률(wheel slip ratio)을 측정 또는 추정하기 위한 휠 속력 센서, 휠 브레이크 압력 또는 제동 토크 센서, 엔진 토크 또는 휠 토크 센서, 그리고 조향각 및 각도 변화율 센서이다.
일 실시예에서, 센서(121)는 AV의 환경의 속성을 감지 또는 측정하기 위한 센서를 또한 포함한다. 예를 들어, 가시광, 적외선 또는 열(또는 둘 모두) 스펙트럼의 단안 또는 스테레오 비디오 카메라(122), LiDAR(123), RADAR, 초음파 센서, TOF(time-of-flight) 깊이 센서, 속력 센서, 온도 센서, 습도 센서, 및 강우 센서.
일 실시예에서, AV 시스템(120)은 컴퓨터 프로세서(146)와 연관된 머신 명령 또는 센서(121)에 의해 수집된 데이터를 저장하기 위한 데이터 저장 유닛(142) 및 메모리(144)를 포함한다. 일 실시예에서, 데이터 저장 유닛(142)은 도 3과 관련하여 아래에서 기술되는 ROM(308) 또는 저장 디바이스(310)와 유사하다. 일 실시예에서, 메모리(144)는 아래에서 기술되는 메인 메모리(306)와 유사하다. 일 실시예에서, 데이터 저장 유닛(142) 및 메모리(144)는 환경(190)에 관한 과거 정보, 실시간 정보, 및/또는 예측 정보를 저장한다. 일 실시예에서, 저장된 정보는 맵, 운전 성능, 교통 혼잡 업데이트 또는 기상 조건을 포함한다. 일 실시예에서, 환경(190)에 관한 데이터는 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신된다.
일 실시예에서, AV 시스템(120)은 다른 차량의 상태 및 조건, 예컨대, 위치, 선속도와 각속도, 선가속도와 각가속도, 및 AV(100)를 향한 선형 헤딩(linear heading)과 각도 헤딩(angular heading)의 측정된 또는 추론된 속성을 통신하기 위한 통신 디바이스(140)를 포함한다. 이러한 디바이스는 V2V(Vehicle-to-Vehicle) 및 V2I(Vehicle-to-Infrastructure) 통신 디바이스 및 포인트-투-포인트(point-to-point) 또는 애드혹(ad hoc) 네트워크 또는 둘 모두를 통한 무선 통신을 위한 디바이스를 포함한다. 일 실시예에서, 통신 디바이스(140)는 (라디오 및 광학 통신을 포함하는) 전자기 스펙트럼 또는 다른 매체(예를 들면, 공기 및 음향 매체)를 통해 통신한다. V2V(Vehicle-to-Vehicle), V2I(Vehicle-to-Infrastructure) 통신(및 일부 실시예에서, 하나 이상의 다른 유형의 통신)의 조합이 때때로 V2X(Vehicle-to-Everything) 통신이라고 지칭된다. V2X 통신은 전형적으로, 자율 주행 차량과의 통신 및 자율 주행 차량들 사이의 통신을 위한 하나 이상의 통신 표준을 준수한다.
일 실시예에서, 통신 디바이스(140)는 통신 인터페이스를 포함한다. 예를 들어, 유선, 무선, WiMAX, Wi-Fi, 블루투스, 위성, 셀룰러, 광학, 근거리, 적외선, 또는 라디오 인터페이스. 통신 인터페이스는 원격에 위치된 데이터베이스(134)로부터 AV 시스템(120)으로 데이터를 송신한다. 일 실시예에서, 원격에 위치된 데이터베이스(134)는 도 2에 기술된 바와 같은 클라우드 컴퓨팅 환경(200)에 내장된다. 통신 인터페이스(140)는 센서(121)로부터 수집된 데이터 또는 AV(100)의 동작에 관련된 다른 데이터를 원격에 위치된 데이터베이스(134)에 송신한다. 일 실시예에서, 통신 인터페이스(140)는 원격 조작(teleoperation)에 관련되는 정보를 AV(100)에 송신한다. 일부 실시예에서, AV(100)는 다른 원격(예를 들면, "클라우드") 서버(136)와 통신한다.
일 실시예에서, 원격에 위치된 데이터베이스(134)는 또한 디지털 데이터를 저장 및 송신한다(예를 들면, 도로 및 거리 위치와 같은 데이터를 저장함). 그러한 데이터는 AV(100) 상의 메모리(144)에 저장되거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신된다.
일 실시예에서, 원격에 위치된 데이터베이스(134)는 유사한 시각(time of day)에 궤적(198)을 따라 이전에 주행한 적이 있는 차량의 운전 속성(예를 들면, 속력 및 가속도 프로파일)에 관한 과거 정보를 저장 및 송신한다. 일 구현예에서, 그러한 데이터는 AV(100) 상의 메모리(144)에 저장될 수 있거나, 원격에 위치된 데이터베이스(134)로부터 통신 채널을 통해 AV(100)에 송신될 수 있다.
AV(100) 상에 위치된 컴퓨팅 디바이스(146)는 실시간 센서 데이터 및 사전 정보(prior information) 둘 모두에 기초한 제어 액션을 알고리즘적으로 생성하여, AV 시스템(120)이 자율 주행 운전 능력을 실행할 수 있게 한다.
일 실시예에서, AV 시스템(120)은 AV(100)의 사용자(예를 들면, 탑승자 또는 원격 사용자)에게 정보 및 경고를 제공하고 그로부터 입력을 수신하기 위해 컴퓨팅 디바이스(146)에 결합된 컴퓨터 주변기기(132)를 포함한다. 일 실시예에서, 주변기기(132)는 도 3을 참조하여 아래에서 논의되는 디스플레이(312), 입력 디바이스(314), 및 커서 컨트롤러(316)와 유사하다. 결합은 무선 또는 유선이다. 인터페이스 디바이스들 중 임의의 둘 이상이 단일 디바이스에 통합될 수 있다.
예시적인 클라우드 컴퓨팅 환경
도 2는 예시적인 "클라우드" 컴퓨팅 환경을 예시한다. 클라우드 컴퓨팅은 구성 가능한 컴퓨팅 리소스(예를 들면, 네트워크, 네트워크 대역폭, 서버, 프로세싱, 메모리, 스토리지, 애플리케이션, 가상 머신, 및 서비스)의 공유 풀에 대한 편리한 온-디맨드 네트워크 액세스를 가능하게 하기 위한 서비스 전달(service delivery)의 일 모델이다. 전형적인 클라우드 컴퓨팅 시스템에서는, 하나 이상의 대규모 클라우드 데이터 센터가 클라우드에 의해 제공되는 서비스를 전달하는 데 사용되는 머신을 수용한다. 이제 도 2를 참조하면, 클라우드 컴퓨팅 환경(200)은 클라우드(202)를 통해 상호연결되는 클라우드 데이터 센터(204a, 204b, 및 204c)를 포함한다. 데이터 센터(204a, 204b, 및 204c)는 클라우드 컴퓨팅 서비스를 클라우드(202)에 연결된 컴퓨터 시스템(206a, 206b, 206c, 206d, 206e, 및 206f)에 제공한다.
클라우드 컴퓨팅 환경(200)은 하나 이상의 클라우드 데이터 센터를 포함한다. 일반적으로, 클라우드 데이터 센터, 예를 들어, 도 2에 도시된 클라우드 데이터 센터(204a)는 클라우드, 예를 들어, 도 2에 도시된 클라우드(202) 또는 클라우드의 특정 부분을 구성하는 서버의 물리적 배열체를 지칭한다. 예를 들어, 서버는 클라우드 데이터 센터 내에 룸, 그룹, 로우(row), 및 랙(rack)으로 물리적으로 배열된다. 클라우드 데이터 센터는 하나 이상의 서버 룸을 포함하는 하나 이상의 구역(zone)을 갖는다. 각각의 룸은 하나 이상의 서버 로우를 가지며, 각각의 로우는 하나 이상의 랙을 포함한다. 각각의 랙은 하나 이상의 개별 서버 노드를 포함한다. 일부 구현예에서, 구역, 룸, 랙, 및/또는 로우 내의 서버는, 전력 요건, 에너지 요건, 열적 요건, 가열 요건, 및/또는 다른 요건을 포함하는, 데이터 센터 설비의 물리적 인프라스트럭처 요건에 기초하여 그룹으로 배열된다. 일 실시예에서, 서버 노드는 도 3에서 기술된 컴퓨터 시스템과 유사하다. 데이터 센터(204a)는 다수의 랙을 통해 분산된 다수의 컴퓨팅 시스템을 갖는다.
클라우드(202)는 클라우드 데이터 센터(204a, 204b, 및 204c)를 상호연결시키고 클라우드 컴퓨팅 서비스에 대한 컴퓨팅 시스템(206a 내지 206f)의 액세스를 용이하게 하는 것을 돕는 네트워크 및 네트워킹 리소스(예를 들어, 네트워킹 장비, 노드, 라우터, 스위치, 및 네트워킹 케이블)와 함께 클라우드 데이터 센터(204a, 204b, 및 204c)를 포함한다. 일 실시예에서, 네트워크는 지상 또는 위성 연결을 사용하여 배포된 유선 또는 무선 링크를 사용하여 결합된 하나 이상의 로컬 네트워크, 광역 네트워크, 또는 인터네트워크의 임의의 조합을 나타낸다. 네트워크를 거쳐 교환되는 데이터는, IP(Internet Protocol), MPLS(Multiprotocol Label Switching), ATM(Asynchronous Transfer Mode), 및 프레임 릴레이 등과 같은, 임의의 개수의 네트워크 계층 프로토콜을 사용하여 송신된다. 게다가, 네트워크가 다수의 서브 네트워크의 조합을 나타내는 실시예에서는, 기저 서브 네트워크(underlying sub-network) 각각에서 상이한 네트워크 계층 프로토콜이 사용된다. 일부 실시예에서, 네트워크는, 공중 인터넷과 같은, 하나 이상의 상호연결된 인터네트워크를 나타낸다.
컴퓨팅 시스템(206a 내지 206f) 또는 클라우드 컴퓨팅 서비스 소비자는 네트워크 링크 및 네트워크 어댑터를 통해 클라우드(202)에 연결된다. 일 실시예에서, 컴퓨팅 시스템(206a 내지 206f)은 다양한 컴퓨팅 디바이스, 예를 들어, 서버, 데스크톱, 랩톱, 태블릿, 스마트폰, IoT(Internet of Things) 디바이스, 자율 주행 차량(자동차, 드론, 셔틀, 기차, 버스 등을 포함함) 및 소비자 전자기기로서 구현된다. 일 실시예에서, 컴퓨팅 시스템(206a 내지 206f)은 다른 시스템 내에 또는 그 일부로서 구현된다.
컴퓨터 시스템
도 3은 컴퓨터 시스템(300)을 예시한다. 일 구현예에서, 컴퓨터 시스템(300)은 특수 목적 컴퓨팅 디바이스이다. 특수 목적 컴퓨팅 디바이스는 기술을 수행하도록 고정 배선(hard-wired)되거나, 기술을 수행하도록 지속적으로 프로그래밍되는 하나 이상의 ASIC(application-specific integrated circuit) 또는 FPGA(field programmable gate array)와 같은 디지털 전자 디바이스를 포함하거나, 펌웨어, 메모리, 다른 스토리지 또는 조합 내의 프로그램 명령에 따라 기술을 수행하도록 프로그래밍되는 하나 이상의 범용 하드웨어 프로세서를 포함할 수 있다. 그러한 특수 목적 컴퓨팅 디바이스는 또한 커스텀 고정 배선 로직, ASIC, 또는 FPGA를 커스텀 프로그래밍과 조합하여 기술을 실현할 수 있다. 다양한 실시예에서, 특수 목적 컴퓨팅 디바이스는 기술을 구현하기 위한 고정 배선 및/또는 프로그램 로직을 포함하는 데스크톱 컴퓨터 시스템, 휴대용 컴퓨터 시스템, 핸드헬드 디바이스, 네트워크 디바이스, 또는 임의의 다른 디바이스이다.
일 실시예에서, 컴퓨터 시스템(300)은 정보를 통신하기 위한 버스(302) 또는 다른 통신 메커니즘, 및 정보를 프로세싱하기 위해 버스(302)와 결합된 하드웨어 프로세서(304)를 포함한다. 하드웨어 프로세서(304)는, 예를 들어, 범용 마이크로프로세서이다. 컴퓨터 시스템(300)은 프로세서(304)에 의해 실행될 명령 및 정보를 저장하기 위해 버스(302)에 결합된, RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 메인 메모리(306)를 또한 포함한다. 일 구현예에서, 메인 메모리(306)는 프로세서(304)에 의해 실행될 명령의 실행 동안 임시 변수 또는 다른 중간 정보를 저장하는 데 사용된다. 그러한 명령은, 프로세서(304)에 의해 액세스 가능한 비-일시적 저장 매체에 저장되어 있을 때, 컴퓨터 시스템(300)을 명령에 명시된 동작을 수행하도록 커스터마이징된 특수 목적 머신으로 만든다.
일 실시예에서, 컴퓨터 시스템(300)은, 프로세서(304)를 위한 정적 정보 및 명령을 저장하기 위해 버스(302)에 결합된 ROM(read only memory)(308) 또는 다른 정적 저장 디바이스를 추가로 포함한다. 자기 디스크, 광학 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리와 같은, 저장 디바이스(310)가 제공되고 정보 및 명령을 저장하기 위해 버스(302)에 결합된다.
일 실시예에서, 컴퓨터 시스템(300)은 버스(302)를 통해, 정보를 컴퓨터 사용자에게 디스플레이하기 위한 CRT(cathode ray tube), LCD(liquid crystal display), 플라스마 디스플레이, LED(light emitting diode) 디스플레이, 또는 OLED(organic light emitting diode) 디스플레이와 같은 디스플레이(312)에 결합된다. 문자 숫자식 키 및 다른 키를 포함하는 입력 디바이스(314)는 정보 및 커맨드 선택을 프로세서(304)에 통신하기 위해 버스(302)에 결합된다. 다른 유형의 사용자 입력 디바이스는 방향 정보 및 커맨드 선택을 프로세서(304)에 통신하고 디스플레이(312) 상에서의 커서 움직임을 제어하기 위한, 마우스, 트랙볼, 터치식 디스플레이, 또는 커서 방향 키와 같은, 커서 컨트롤러(316)이다. 이러한 입력 디바이스는 전형적으로, 디바이스가 평면에서의 위치를 명시할 수 있게 하는 2개의 축, 즉 제1 축(예를 들면, x-축) 및 제2 축(예를 들면, y-축)에서의 2 자유도를 갖는다.
일 실시예에 따르면, 본원에서의 기술은 프로세서(304)가 메인 메모리(306)에 포함된 하나 이상의 명령의 하나 이상의 시퀀스를 실행하는 것에 응답하여 컴퓨터 시스템(300)에 의해 수행된다. 그러한 명령은, 저장 디바이스(310)와 같은, 다른 저장 매체로부터 메인 메모리(306) 내로 판독된다. 메인 메모리(306)에 포함된 명령의 시퀀스의 실행은 프로세서(304)로 하여금 본원에서 기술된 프로세스 단계를 수행하게 한다. 대안적인 실시예에서는, 소프트웨어 명령 대신에 또는 소프트웨어 명령과 조합하여 고정 배선 회로가 사용된다.
"저장 매체"라는 용어는, 본원에서 사용되는 바와 같이, 머신이 특정 방식으로 동작하게 하는 데이터 및/또는 명령을 저장하는 임의의 비-일시적 매체를 지칭한다. 그러한 저장 매체는 비휘발성 매체 및/또는 휘발성 매체를 포함한다. 비휘발성 매체는, 예를 들어, 광학 디스크, 자기 디스크, 솔리드 스테이트 드라이브, 또는 3차원 크로스 포인트 메모리, 예컨대, 저장 디바이스(310)를 포함한다. 휘발성 매체는 동적 메모리, 예컨대, 메인 메모리(306)를 포함한다. 저장 매체의 일반적인 형태는, 예를 들어, 플로피 디스크, 플렉서블 디스크, 하드 디스크, 솔리드 스테이트 드라이브, 자기 테이프, 또는 임의의 다른 자기 데이터 저장 매체, CD-ROM, 임의의 다른 광학 데이터 저장 매체, 홀 패턴을 갖는 임의의 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, NV-RAM, 또는 임의의 다른 메모리 칩, 또는 카트리지를 포함한다.
저장 매체는 송신 매체와 별개이지만 송신 매체와 함께 사용될 수 있다. 송신 매체는 저장 매체들 사이에서 정보를 전달하는 데 참여한다. 예를 들어, 송신 매체는 버스(302)를 포함하는 와이어를 포함하여, 동축 케이블, 구리 와이어 및 광섬유를 포함한다. 송신 매체는 또한, 라디오 파 및 적외선 데이터 통신 동안 생성되는 것과 같은, 광파 또는 음향파의 형태를 취할 수 있다.
일 실시예에서, 실행을 위해 하나 이상의 명령의 하나 이상의 시퀀스를 프로세서(304)에 반송하는 데 다양한 형태의 매체가 관여된다. 예를 들어, 명령은 초기에 원격 컴퓨터의 자기 디스크 또는 솔리드 스테이트 드라이브에 보유된다. 원격 컴퓨터는 동적 메모리에 명령을 로딩하고 모뎀을 사용하여 전화선을 통해 명령을 전송한다. 컴퓨터 시스템(300)에 로컬인 모뎀은 전화선 상으로 데이터를 수신하고 적외선 송신기를 사용하여 데이터를 적외선 신호로 변환한다. 적외선 검출기는 적외선 신호로 반송되는 데이터를 수신하고 적절한 회로는 데이터를 버스(302)에 배치한다. 버스(302)는 데이터를 메인 메모리(306)로 반송하고, 프로세서(304)는 메인 메모리로부터 명령을 검색 및 실행한다. 메인 메모리(306)에 의해 수신된 명령은 프로세서(304)에 의해 실행되기 전이나 실행된 후에 선택적으로 저장 디바이스(310)에 저장될 수 있다.
컴퓨터 시스템(300)은 버스(302)에 결합된 통신 인터페이스(318)를 또한 포함한다. 통신 인터페이스(318)는 로컬 네트워크(322)에 연결된 네트워크 링크(320)에 대한 2-웨이 데이터 통신(two-way data communication) 결합을 제공한다. 예를 들어, 통신 인터페이스(318)는 ISDN(integrated service digital network) 카드, 케이블 모뎀, 위성 모뎀, 또는 대응하는 유형의 전화선에 데이터 통신 연결을 제공하기 위한 모뎀이다. 다른 예로서, 통신 인터페이스(318)는 호환 가능한 LAN(local area network)에 데이터 통신 연결을 제공하기 위한 LAN 카드이다. 일부 구현예에서는, 무선 링크도 구현된다. 임의의 그러한 구현예에서, 통신 인터페이스(318)는 다양한 유형의 정보를 나타내는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 전송 및 수신한다.
네트워크 링크(320)는 전형적으로 하나 이상의 네트워크를 통한 다른 데이터 디바이스로의 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(320)는 로컬 네트워크(322)를 통해 호스트 컴퓨터(324)로의 연결 또는 ISP(Internet Service Provider)(326)에 의해 운영되는 클라우드 데이터 센터 또는 장비로의 연결을 제공한다. ISP(326)는 차례로 지금은 "인터넷(328)"이라고 통상적으로 지칭되는 월드-와이드 패킷 데이터 통신 네트워크(world-wide packet data communication network)를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(322) 및 인터넷(328) 둘 모두는 디지털 데이터 스트림을 반송하는 전기 신호, 전자기 신호, 또는 광학 신호를 사용한다. 컴퓨터 시스템(300)으로 및 컴퓨터 시스템(300)으로부터 디지털 데이터를 반송하는, 다양한 네트워크를 통한 신호 및 통신 인터페이스(318)를 통한 네트워크 링크(320) 상의 신호는 송신 매체의 예시적인 형태이다. 일 실시예에서, 네트워크(320)는 위에서 기술된 클라우드(202) 또는 클라우드(202)의 일부를 포함한다.
컴퓨터 시스템(300)은 네트워크(들), 네트워크 링크(320), 및 통신 인터페이스(318)를 통해, 프로그램 코드를 포함하여, 메시지를 전송하고 데이터를 수신한다. 일 실시예에서, 컴퓨터 시스템(300)은 프로세싱하기 위한 코드를 수신한다. 수신된 코드는 수신될 때 프로세서(304)에 의해 실행되고 그리고/또는 추후의 실행을 위해 저장 디바이스(310) 또는 다른 비휘발성 스토리지에 저장된다.
자율 주행 차량 아키텍처
도 4는 자율 주행 차량(예를 들면, 도 1에 도시된 AV(100))에 대한 예시적인 아키텍처(400)를 예시한다. 아키텍처(400)는 인지 모듈(402)(때때로 인지 회로라고 지칭됨), 계획 모듈(planning module)(404)(때때로 계획 회로라고 지칭됨), 제어 모듈(406)(때때로 제어 회로라고 지칭됨), 로컬화 모듈(localization module)(408)(때때로 로컬화 회로라고 지칭됨), 및 데이터베이스 모듈(410)(때때로 데이터베이스 회로라고 지칭됨)을 포함한다. 각각의 모듈은 AV(100)의 동작에서 소정의 역할을 한다. 다함께, 모듈(402, 404, 406, 408, 및 410)은 도 1에 도시된 AV 시스템(120)의 일부일 수 있다. 일부 실시예에서, 모듈(402, 404, 406, 408, 및 410) 중 임의의 모듈은 컴퓨터 소프트웨어(예를 들면, 컴퓨터 판독 가능 매체 상에 저장된 실행 가능한 코드) 및 컴퓨터 하드웨어(예를 들면, 하나 이상의 마이크로프로세서, 마이크로컨트롤러, ASIC(application-specific integrated circuit), 하드웨어 메모리 디바이스, 다른 유형의 집적 회로, 다른 유형의 컴퓨터 하드웨어, 또는 이러한 것 중 임의의 것 또는 모든 것의 조합)의 조합이다.
사용 중에, 계획 모듈(404)은 목적지(412)를 나타내는 데이터를 수신하고 목적지(412)에 도달하기 위해(예를 들면, 도착하기 위해) AV(100)에 의해 주행될 수 있는 궤적(414)(때때로 루트라고 지칭됨)을 나타내는 데이터를 결정한다. 계획 모듈(404)이 궤적(414)을 나타내는 데이터를 결정하기 위해, 계획 모듈(404)은 인지 모듈(402), 로컬화 모듈(408), 및 데이터베이스 모듈(410)로부터 데이터를 수신한다.
인지 모듈(402)은, 예를 들면, 도 1에도 도시된 바와 같이, 하나 이상의 센서(121)를 사용하여 인근의 물리적 대상체를 식별한다. 대상체는 분류되고(예를 들면, 보행자, 자전거, 자동차, 교통 표지판 등과 같은 유형으로 그룹화되고), 분류된 대상체(416)를 포함하는 장면 묘사는 계획 모듈(404)에 제공된다.
계획 모듈(404)은 또한 로컬화 모듈(408)로부터 AV 위치(418)를 나타내는 데이터를 수신한다. 로컬화 모듈(408)은 위치를 계산하기 위해 센서(121)로부터의 데이터 및 데이터베이스 모듈(410)로부터의 데이터(예를 들면, 지리적 데이터)를 사용하여 AV 위치를 결정한다. 예를 들어, 로컬화 모듈(408)은 GNSS(Global Navigation Satellite System) 센서로부터의 데이터 및 지리적 데이터를 사용하여 AV의 경도 및 위도를 계산한다. 일 실시예에서, 로컬화 모듈(408)에 의해 사용되는 데이터는 도로 기하학적 속성의 고-정밀 맵, 도로망 연결 속성을 기술하는 맵, 도로 물리적 속성(예컨대, 교통 속력, 교통량, 차량 교통 차선과 자전거 타는 사람 교통 차선의 개수, 차선 폭, 차선 교통 방향, 또는 차선 마커 유형 및 위치, 또는 그 조합)을 기술하는 맵, 및 도로 특징부, 예컨대, 횡단보도, 교통 표지판 또는 다양한 유형의 다른 주행 신호(travel signal)의 공간적 위치를 기술하는 맵을 포함한다.
제어 모듈(406)은 궤적(414)을 나타내는 데이터 및 AV 위치(418)를 나타내는 데이터를 수신하고, AV(100)로 하여금 목적지(412)를 향해 궤적(414)을 주행하게 할 방식으로 AV의 제어 기능(420a 내지 420c)(예를 들면, 조향, 스로틀링, 제동, 점화)을 동작시킨다. 예를 들어, 궤적(414)이 좌회전을 포함하는 경우, 제어 모듈(406)은, 조향 기능의 조향각이 AV(100)로 하여금 왼쪽으로 회전하게 하고 스로틀링 및 제동이 AV(100)로 하여금 이러한 회전이 이루어지기 전에 지나가는 보행자 또는 차량을 위해 일시정지 및 대기하게 하는 방식으로 제어 기능(420a 내지 420c)을 동작시킬 것이다.
자율 주행 차량 입력
도 5는 인지 모듈(402)(도 4)에 의해 사용되는 입력(502a 내지 502d)(예를 들면, 도 1에 도시된 센서(121)) 및 출력(504a 내지 504d)(예를 들면, 센서 데이터)의 일 예를 예시한다. 하나의 입력(502a)은 LiDAR(Light Detection and Ranging) 시스템(예를 들면, 도 1에 도시된 LiDAR(123))이다. LiDAR는 그의 시선에 있는 물리적 대상체에 관한 데이터를 획득하기 위해 광(예를 들면, 적외선 광과 같은 광의 버스트)을 사용하는 기술이다. LiDAR 시스템은 출력(504a)으로서 LiDAR 데이터를 생성한다. 예를 들어, LiDAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 3D 또는 2D 포인트(포인트 클라우드라고도 알려져 있음)의 집합체이다.
다른 입력(502b)은 RADAR 시스템이다. RADAR는 인근의 물리적 대상체에 관한 데이터를 획득하기 위해 라디오 파를 사용하는 기술이다. RADAR는 LiDAR 시스템의 시선 내에 있지 않은 대상체에 관한 데이터를 획득할 수 있다. RADAR 시스템(502b)은 출력(504b)으로서 RADAR 데이터를 생성한다. 예를 들어, RADAR 데이터는 환경(190)의 표현을 구성하는 데 사용되는 하나 이상의 라디오 주파수 전자기 신호이다.
다른 입력(502c)은 카메라 시스템이다. 카메라 시스템은 인근의 물리적 대상체에 관한 정보를 획득하기 위해 하나 이상의 카메라(예를 들면, CCD(charge-coupled device)와 같은 광 센서를 사용하는 디지털 카메라)를 사용한다. 카메라 시스템은 출력(504c)으로서 카메라 데이터를 생성한다. 카메라 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. 일부 예에서, 카메라 시스템은, 카메라 시스템이 깊이를 인지할 수 있게 하는, 예를 들어, 입체시(stereopsis)(스테레오 비전)를 위한, 다수의 독립적인 카메라를 갖는다. 비록 카메라 시스템에 의해 인지되는 대상체가 여기서 "인근"으로 기술되지만, 이것은 AV에 상대적인 것이다. 사용 중에, 카메라 시스템은 멀리 있는, 예를 들어, AV 전방으로 최대 1 킬로미터 이상에 있는 대상체를 "보도록" 구성될 수 있다. 따라서, 카메라 시스템은 멀리 떨어져 있는 대상체를 인지하도록 최적화되어 있는 센서 및 렌즈와 같은 특징부를 가질 수 있다.
다른 입력(502d)은 TLD(traffic light detection) 시스템이다. TLD 시스템은 하나 이상의 카메라를 사용하여, 시각적 운행 정보를 제공하는 교통 신호등, 거리 표지판, 및 다른 물리적 대상체에 관한 정보를 획득한다. TLD 시스템은 출력(504d)으로서 TLD 데이터를 생성한다. TLD 데이터는 종종 이미지 데이터(예를 들면, RAW, JPEG, PNG 등과 같은 이미지 데이터 포맷의 데이터)의 형태를 취한다. TLD 시스템은, 시각적 운행 정보를 제공하는 가능한 한 많은 물리적 대상체에 관한 정보를 획득하기 위해 TLD 시스템이 넓은 시야를 갖는 카메라(예를 들면, 광각 렌즈 또는 어안 렌즈를 사용함)를 사용하여, AV(100)가 이러한 대상체에 의해 제공되는 모든 관련 운행 정보에 액세스한다는 점에서, 카메라를 포함하는 시스템과 상이하다. 예를 들어, TLD 시스템의 시야각은 약 120도 이상일 수 있다.
일부 실시예에서, 출력(504a 내지 504d)은 센서 융합 기술을 사용하여 조합된다. 따라서, 개별 출력(504a 내지 504d) 중 어느 하나가 AV(100)의 다른 시스템에 제공되거나(예를 들면, 도 4에 도시된 바와 같은 계획 모듈(404)에 제공되거나), 또는 조합된 출력이 동일한 유형(동일한 조합 기술을 사용하는 것 또는 동일한 출력을 조합하는 것 또는 둘 모두)의 단일 조합 출력 또는 다중 조합 출력의 형태 또는 상이한 유형(예를 들면, 상이한 각자의 조합 기술을 사용하는 것 또는 상이한 각자의 출력을 조합하는 것 또는 둘 모두)의 단일 조합 출력 또는 다중 조합 출력의 형태 중 어느 하나로 다른 시스템에 제공될 수 있다. 일부 실시예에서, 조기 융합(early fusion) 기술이 사용된다. 조기 융합 기술은 하나 이상의 데이터 프로세싱 단계가 조합 출력에 적용되기 전에 출력을 조합하는 것을 특징으로 한다. 일부 실시예에서, 늦은 융합(late fusion) 기술이 사용된다. 늦은 융합 기술은 하나 이상의 데이터 프로세싱 단계가 개별 출력에 적용된 후에 출력을 조합하는 것을 특징으로 한다.
도 6은 LiDAR 시스템(602)(예를 들면, 도 5에 도시된 입력(502a))의 일 예를 예시한다. LiDAR 시스템(602)은 광 방출기(606)(예를 들면, 레이저 송신기)로부터 광(604a 내지 604c)을 방출한다. LiDAR 시스템에 의해 방출되는 광은 전형적으로 가시 스펙트럼에 있지 않으며; 예를 들어, 적외선 광이 종종 사용된다. 방출되는 광(604b)의 일부는 물리적 대상체(608)(예를 들면, 차량)와 조우하고, LiDAR 시스템(602)으로 다시 반사된다. (LiDAR 시스템으로부터 방출되는 광은 전형적으로 물리적 대상체, 예를 들면, 고체 형태의 물리적 대상체를 관통하지 않는다). LiDAR 시스템(602)은 또한 반사된 광을 검출하는 하나 이상의 광 검출기(610)를 갖는다. 일 실시예에서, LiDAR 시스템과 연관된 하나 이상의 데이터 프로세싱 시스템은 LiDAR 시스템의 시야(614)를 나타내는 이미지(612)를 생성한다. 이미지(612)는 물리적 대상체(608)의 경계(616)를 나타내는 정보를 포함한다. 이러한 방식으로, 이미지(612)는 AV 인근의 하나 이상의 물리적 대상체의 경계(616)를 결정하는 데 사용된다.
도 7은 동작 중인 LiDAR 시스템(602)을 예시한다. 이 도면에 도시된 시나리오에서, AV(100)는 이미지(702) 형태의 카메라 시스템 출력(504c) 및 LiDAR 데이터 포인트(704) 형태의 LiDAR 시스템 출력(504a) 둘 모두를 수신한다. 사용 중에, AV(100)의 데이터 프로세싱 시스템은 이미지(702)를 데이터 포인트(704)와 비교한다. 특히, 이미지(702)에서 식별된 물리적 대상체(706)가 데이터 포인트(704) 중에서도 식별된다. 이러한 방식으로, AV(100)는 데이터 포인트(704)의 윤곽 및 밀도에 기초하여 물리적 대상체의 경계를 인지한다.
도 8은 LiDAR 시스템(602)의 동작을 추가적으로 상세하게 예시한다. 위에서 기술된 바와 같이, AV(100)는 LiDAR 시스템(602)에 의해 검출되는 데이터 포인트의 특성에 기초하여 물리적 대상체의 경계를 검출한다. 도 8에 도시된 바와 같이, 지면(802)과 같은 평평한 대상체는 LiDAR 시스템(602)으로부터 방출되는 광(804a 내지 804d)을 일관된 방식으로 반사할 것이다. 달리 말하면, LiDAR 시스템(602)이 일관된 간격을 사용하여 광을 방출하기 때문에, 지면(802)은 광을 동일한 일관된 간격으로 다시 LiDAR 시스템(602)으로 반사할 것이다. AV(100)가 지면(802) 위를 주행함에 따라, LiDAR 시스템(602)은 도로를 방해하는 것이 아무 것도 없는 경우 다음 유효 지면 포인트(806)에 의해 반사되는 광을 계속 검출할 것이다. 그렇지만, 대상체(808)가 도로를 방해하는 경우, LiDAR 시스템(602)에 의해 방출되는 광(804e 내지 804f)은 예상되는 일관된 방식과 부합하지 않는 방식으로 포인트(810a 내지 810b)로부터 반사될 것이다. 이 정보로부터, AV(100)는 대상체(808)가 존재한다고 결정할 수 있다.
경로 계획
도 9는 (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)의 입력과 출력 사이의 관계의 블록 다이어그램(900)을 예시한다. 일반적으로, 계획 모듈(404)의 출력은 시작 포인트(904)(예를 들면, 소스 위치 또는 초기 위치)로부터 종료 포인트(906)(예를 들면, 목적지 또는 최종 위치)까지의 루트(902)이다. 루트(902)는 전형적으로 하나 이상의 세그먼트에 의해 정의된다. 예를 들어, 세그먼트는 거리, 도로, 공도, 사유 도로, 또는 자동차 주행에 적절한 다른 물리적 영역의 적어도 일 부분에 걸쳐 주행되는 거리이다. 일부 예에서, 예를 들어, AV(100)가 4륜 구동(4WD) 또는 상시 4륜구동(AWD) 자동차, SUV, 픽업 트럭 등과 같은 오프-로드 주행 가능 차량인 경우, 루트(902)는 비포장 경로 또는 탁트인 들판과 같은 "오프-로드" 세그먼트를 포함한다.
루트(902)에 추가하여, 계획 모듈은 차선-레벨 루트 계획 데이터(908)도 출력한다. 차선-레벨 루트 계획 데이터(908)는 특정한 시간에서의 세그먼트의 조건에 기초하여 루트(902)의 세그먼트를 횡단하는 데 사용된다. 예를 들어, 루트(902)가 다중 차선 공도를 포함하는 경우, 차선-레벨 루트 계획 데이터(908)는, 예를 들어, 출구가 다가오고 있는지, 차선 중 하나 이상이 다른 차량을 갖는지, 또는 수 분 이하 동안에 걸쳐 변화되는 다른 인자에 기초하여, AV(100)가 다중 차선 중 한 차선을 선택하는 데 사용할 수 있는 궤적 계획 데이터(910)를 포함한다. 유사하게, 일부 구현예에서, 차선-레벨 루트 계획 데이터(908)는 루트(902)의 세그먼트에 특정적인 속력 제약(912)을 포함한다. 예를 들어, 세그먼트가 보행자 또는 예상치 않은 교통상황(traffic)을 포함하는 경우, 속력 제약(912)은 AV(100)를 예상된 속력보다 더 느린 주행 속력, 예를 들면, 세그먼트에 대한 속력 제한 데이터에 기초한 속력으로 제한할 수 있다.
일 실시예에서, 계획 모듈(404)에의 입력은 (예를 들면, 도 4에 도시된 데이터베이스 모듈(410)로부터의) 데이터베이스 데이터(914), 현재 위치 데이터(916)(예를 들면, 도 4에 도시된 AV 위치(418)), (예를 들면, 도 4에 도시된 목적지(412)에 대한) 목적지 데이터(918), 및 대상체 데이터(920)(예를 들면, 도 4에 도시된 인지 모듈(402)에 의해 인지되는 분류된 대상체(416))를 포함한다. 일 실시예에서, 데이터베이스 데이터(914)는 계획에 사용되는 규칙을 포함한다. 규칙은 형식 언어를 사용하여, 예를 들어, 불리언 로직을 사용하여 명시된다. AV(100)가 조우하는 임의의 주어진 상황에서, 규칙들 중 적어도 일부는 해당 상황에 적용될 것이다. 규칙이 AV(100)에 이용 가능한 정보, 예를 들면, 주위 환경에 관한 정보에 기초하여 충족되는 조건을 갖는 경우, 규칙이 주어진 상황에 적용된다. 규칙은 우선순위를 가질 수 있다. 예를 들어, "도로가 공도인 경우, 최좌측 차선으로 이동하라"로 되어 있는 규칙은, 출구가 1마일 내로 다가오고 있는 경우, 최우측 차선으로 이동하라"는 것보다 낮은 우선순위를 가질 수 있다.
도 10은, 예를 들어, 계획 모듈(404)(도 4)에 의해 경로 계획에 사용되는 방향 그래프(1000)를 예시한다. 일반적으로, 도 10에 도시된 것과 같은 방향 그래프(1000)는 임의의 시작 포인트(1002)와 종료 포인트(1004) 사이의 경로를 결정하는 데 사용된다. 현실 세계에서는, 시작 포인트(1002)와 종료 포인트(1004)를 분리하는 거리는 상대적으로 클 수 있거나(예를 들면, 2개의 상이한 대도시 지역에 있음) 또는 상대적으로 작을 수 있다(예를 들면, 도시 블록과 맞닿아 있는 2개의 교차로 또는 다중 차선 도로의 2개의 차선).
일 실시예에서, 방향 그래프(1000)는 AV(100)에 의해 점유될 수 있는 시작 포인트(1002)와 종료 포인트(1004) 사이의 상이한 위치를 나타내는 노드(1006a 내지 1006d)를 갖는다. 일부 예에서, 예를 들면, 시작 포인트(1002)와 종료 포인트(1004)가 상이한 대도시 지역을 나타낼 때, 노드(1006a 내지 1006d)는 도로의 세그먼트를 나타낸다. 일부 예에서, 예를 들면, 시작 포인트(1002)와 종료 포인트(1004)가 동일한 도로 상의 상이한 위치를 나타낼 때, 노드(1006a 내지 1006d)는 해당 도로 상의 상이한 위치를 나타낸다. 이러한 방식으로, 방향 그래프(1000)는 다양한 레벨의 입도(granularity)로 정보를 포함한다. 일 실시예에서, 높은 입도를 갖는 방향 그래프는 또한 더 큰 스케일을 갖는 다른 방향 그래프의 하위그래프이다. 예를 들어, 시작 포인트(1002)와 종료 포인트(1004)가 멀리 떨어져 있는(예를 들면, 수 마일(many miles) 떨어져 있는) 방향 그래프는 그의 정보 대부분이 낮은 입도이고 저장된 데이터에 기초하지만, AV(100)의 시야 내의 물리적 위치를 나타내는 그래프의 부분에 대한 일부 높은 입도 정보도 포함한다.
노드(1006a 내지 1006d)는 노드와 오버랩될 수 없는 대상체(1008a 및 1008b)와 별개이다. 일 실시예에서, 입도가 낮을 때, 대상체(1008a 및 1008b)는 자동차에 의해 횡단될 수 없는 영역, 예를 들면, 거리 또는 도로가 없는 구역을 나타낸다. 입도가 높을 때, 대상체(1008a 및 1008b)는 AV(100)의 시야 내의 물리적 대상체, 예를 들면, 다른 자동차, 보행자, 또는 AV(100)와 물리적 공간을 공유할 수 없는 다른 엔티티를 나타낸다. 일 실시예에서, 대상체(1008a 내지 708b)의 일부 또는 전부는 정적 대상체(예를 들면, 가로등 또는 전신주와 같은 위치를 변경하지 않는 대상체) 또는 동적 대상체(예를 들면, 보행자 또는 다른 자동차와 같은 위치를 변경할 수 있는 대상체)이다.
노드(1006a 내지 1006d)는 에지(1010a 내지 1010c)에 의해 연결된다. 2개의 노드(1006a 및 1006b)가 에지(1010a)에 의해 연결되는 경우, AV(100)가, 예를 들면, 다른 노드(1006b)에 도착하기 전에 중간 노드로 주행할 필요 없이, 하나의 노드(1006a)와 다른 노드(1006b) 사이에서 주행하는 것이 가능하다. (노드들 사이에서 주행하는 AV(100)를 언급할 때, AV(100)가 각자의 노드에 의해 표현되는 2개의 물리적 위치 사이에서 주행한다는 것을 의미한다.) 에지(1010a 내지 1010c)는, AV(100)가 제1 노드로부터 제2 노드로, 또는 제2 노드로부터 제1 노드로 주행한다는 의미에서 종종 양방향성이다. 일 실시예에서, 에지(1010a 내지 1010c)는, AV(100)가 제1 노드로부터 제2 노드로 주행할 수 있지만, AV(100)가 제2 노드로부터 제1 노드로 주행할 수 없다는 의미에서 단방향성이다. 에지(1010a 내지 1010c)는, 예를 들어, 일방통행로, 거리, 도로, 또는 간선도로의 개별 차선, 또는 법적 또는 물리적 제약으로 인해 일 방향으로만 횡단될 수 있는 다른 특징부를 나타낼 때, 단방향성이다.
일 실시예에서, 계획 모듈(404)은 방향 그래프(1000)를 사용하여 시작 포인트(1002)와 종료 포인트(1004) 사이의 노드 및 에지로 이루어진 경로(1012)를 식별한다.
에지(1010a 내지 1010c)는 연관된 비용(1014a 및 1014b)을 갖는다. 비용(1014a 및 1014b)은 AV(100)가 해당 에지를 선택하는 경우 소비될 리소스를 나타내는 값이다. 전형적인 리소스는 시간이다. 예를 들어, 하나의 에지(1010a)가 다른 에지(1010b)의 물리적 거리의 2배인 물리적 거리를 나타내는 경우, 제1 에지(1010a)의 연관된 비용(1014a)은 제2 에지(1010b)의 연관된 비용(1014b)의 2배일 수 있다. 시간에 영향을 미치는 다른 인자는 예상된 교통상황, 교차로의 개수, 속력 제한 등을 포함한다. 다른 전형적인 리소스는 연비이다. 2개의 에지(1010a 및 1010b)는 동일한 물리적 거리를 나타낼 수 있지만, 예를 들면, 도로 조건, 예상된 날씨 등으로 인해, 하나의 에지(1010a)는 다른 에지(1010b)보다 많은 연료를 필요로 할 수 있다.
계획 모듈(404)이 시작 포인트(1002)와 종료 포인트(1004) 사이의 경로(1012)를 식별할 때, 계획 모듈(404)은 전형적으로, 비용에 최적화된 경로, 예를 들면, 에지의 개별 비용이 함께 가산될 때 가장 적은 전체 비용을 갖는 경로를 선택한다.
자율 주행 차량 제어
도 11은 (예를 들면, 도 4에 도시된 바와 같은) 제어 모듈(406)의 입력 및 출력의 블록 다이어그램(1100)을 예시한다. 제어 모듈은, 예를 들어, 프로세서(304)와 유사한 하나 이상의 프로세서(예를 들면, 마이크로프로세서 또는 마이크로컨트롤러 또는 둘 모두와 같은 하나 이상의 컴퓨터 프로세서), 메인 메모리(306)와 유사한 단기 및/또는 장기 데이터 스토리지(예를 들면, 메모리 랜덤-액세스 메모리 또는 플래시 메모리 또는 둘 모두), ROM(1308), 및 저장 디바이스(210)를 포함하는 제어기(1102), 및 메모리 내에 저장된 명령에 따라 동작하는데, 상기 명령은 명령이 (예를 들면, 하나 이상의 프로세서에 의해) 실행될 때 제어기(1102)의 동작을 수행한다.
일 실시예에서, 제어기(1102)는 원하는 출력(1104)을 나타내는 데이터를 수신한다. 원하는 출력(1104)은 전형적으로 속도, 예를 들어, 속력 및 헤딩을 포함한다. 원하는 출력(1104)은, 예를 들어, (예를 들면, 도 4에 도시된 바와 같은) 계획 모듈(404)로부터 수신되는 데이터에 기초할 수 있다. 원하는 출력(1104)에 따라, 제어기(1102)는 스로틀 입력(1106) 및 조향 입력(1108)으로서 사용 가능한 데이터를 생성한다. 스로틀 입력(1106)은 원하는 출력(1104)을 달성하기 위해, 예를 들면, 조향 페달에 관여하거나 또는 다른 스로틀 제어에 관여함으로써, AV(100)의 스로틀(예를 들면, 가속 제어)에 관여하는 정도를 나타낸다. 일부 예에서, 스로틀 입력(1106)은 AV(100)의 브레이크(예를 들면, 감속 제어)에 관여하는 데 사용 가능한 데이터를 또한 포함한다. 조향 입력(1108)은 조향각, 예를 들면, AV의 조향 컨트롤(예를 들면, 조향 휠, 조향각 액추에이터, 또는 조향각을 제어하기 위한 다른 기능성)이 원하는 출력(1104)을 달성하도록 위치설정되어야 하는 각도를 나타낸다.
일 실시예에서, 제어기(1102)는 스로틀 및 조향에 제공되는 입력을 조정하는 데 사용되는 피드백을 수신한다. 예를 들어, AV(100)가 언덕과 같은 방해물(1110)과 조우하면, AV(100)의 측정된 속력(1112)은 원하는 출력 속력 아래로 낮아진다. 일 실시예에서, 임의의 측정된 출력(1114)은, 예를 들어, 측정된 속력과 원하는 출력 사이의 차분(1113)에 기초하여, 필요한 조정이 수행되도록 제어기(1102)에 제공된다. 측정된 출력(1114)은 측정된 위치(1116), 측정된 속도(1118)(속력 및 헤딩을 포함), 측정된 가속도(1120), 및 AV(100)의 센서에 의해 측정 가능한 다른 출력을 포함한다.
일 실시예에서, 방해물(1110)에 관한 정보는, 예를 들면, 카메라 또는 LiDAR 센서와 같은 센서에 의해 미리 검출되고, 예측 피드백 모듈(1122)에 제공된다. 이후, 예측 피드백 모듈(1122)은 정보를 제어기(1102)에 제공하며, 제어기(1102)는 이 정보를 사용하여 그에 따라 조정할 수 있다. 예를 들어, AV(100)의 센서가 언덕을 검출한("본") 경우, 이 정보는 상당한 감속을 방지하도록 적절한 시간에 스로틀에 관여할 준비를 하기 위해 제어기(1102)에 의해 사용될 수 있다.
도 12는 제어기(1102)의 입력, 출력, 및 컴포넌트의 블록 다이어그램(1200)을 예시한다. 제어기(1102)는 스로틀/브레이크 제어기(1204)의 동작에 영향을 미치는 속력 프로파일러(1202)를 갖는다. 예를 들어, 속력 프로파일러(1202)는, 예를 들면, 제어기(1102)에 의해 수신되고 속력 프로파일러(1202)에 의해 프로세싱되는 피드백에 따라 스로틀/브레이크(1206)를 사용하여 가속에 관여하거나 감속에 관여하도록 스로틀/브레이크 제어기(1204)에 명령한다.
제어기(1102)는 또한 조향 제어기(1210)의 동작에 영향을 미치는 측방향 추적 제어기(1208)를 갖는다. 예를 들어, 측방향 추적 제어기(1208)는, 예를 들면, 제어기(1102)에 의해 수신되고 측방향 추적 제어기(1208)에 의해 프로세싱되는 피드백에 따라 조향각 액추에이터(1212)의 위치를 조정하도록 조향 제어기(1204)에 명령한다.
제어기(1102)는 스로틀/브레이크(1206) 및 조향각 액추에이터(1212)를 제어하는 방법을 결정하는 데 사용되는 여러 입력을 수신한다. 계획 모듈(404)은, 예를 들어, AV(100)가 동작을 시작할 때 헤딩을 선택하기 위해 그리고 AV(100)가 교차로에 도달할 때 어느 도로 세그먼트를 횡단할지를 결정하기 위해, 제어기(1102)에 의해 사용되는 정보를 제공한다. 로컬화 모듈(408)은, 예를 들어, 스로틀/브레이크(1206) 및 조향각 액추에이터(1212)가 제어되고 있는 방식에 기초하여 예상되는 위치에 AV(100)가 있는지를 제어기(1102)가 결정할 수 있도록, AV(100)의 현재 위치를 기술하는 정보를 제어기(1102)에 제공한다. 일 실시예에서, 제어기(1102)는 다른 입력(1214)으로부터의 정보, 예를 들어, 데이터베이스, 컴퓨터 네트워크 등으로부터 수신된 정보를 수신한다.
머신 러닝을 이용한 모션 계획을 위한 동작 환경
도 13은 하나 이상의 실시예에 따른, 머신 러닝을 이용한 모션 계획을 사용하는 AV(1308)에 대한 동작 환경(1304)을 예시한다. 동작 환경(1304)은 AV(1308) 및 차량(1316)을 포함한다. 동작 환경(1304)은, 주(state), 시(town), 지역(neighborhood), 또는 도로망 또는 도로 세그먼트와 같은, 지리적 영역을 나타낸다. 동작 환경(1304)은 도 1을 참조하여 위에서 예시되고 기술된 환경(190)의 일 예일 수 있다. 다른 실시예에서, 동작 환경(1304)은 본원에서 기술되는 것에 추가적인 대상체를 포함한다.
동작 환경(1304)은 AV(1308) 외부의 물리적 엔티티인 대상체를 포함한다. 대상체는 정적이거나 동적일 수 있다. 정적 대상체는 도로 세그먼트, 교통 신호, 건물, 도로 세그먼트에 위치된 주차 공간, 간선도로 진출 또는 진입 램프, 운전 가능 구역에 인접한 연석, 운전 가능 구역의 2개의 차선을 분리시키는 중앙 분리대, 및 환경(1304) 내에서 움직이지 않는 임의의 다른 대상체를 포함할 수 있지만 이에 제한되지 않는다. 동적 대상체는 주차되지 않은 다른 차량, 보행자, 자전거 타는 사람, 및 환경(1304) 내에서 움직이는 임의의 다른 대상체를 포함할 수 있지만 이에 제한되지는 않는다. 차량(1316)은 동적 대상체의 일 예이다.
운전 모드에서, AV(1308)는 센서 데이터(1352), 예를 들어, LiDAR 데이터 또는 스테레오 카메라 데이터를 사용하여 환경(1304)에서의 정적 대상체 및 동적 대상체를 검출하고 분류하거나 레이블링한다. 분류된/레이블링된 대상체 및, 있는 경우, 그의 동적 특성, 예를 들어, 위치, 속도, 또는 헤딩은 동작 환경(1304) 내에서 AV(1308)와 대상체(예를 들면, 차량(1316)) 간의 충돌을 예측하고, 환경(1304)을 통과하는 안전한 궤적을 생성하며, 안전한 궤적을 따라 운전하여 동작 환경(1304)을 통과하도록 AV(1308)를 동작시키기 위해 계획 모듈(1336)에 의해 사용된다.
궤적을 따라 주행하는 동안, AV(1308)의 하나 이상의 시각 센서(1344)는 환경(1304)을 기술하는 센서 데이터(1352)를 수신한다. 시각 센서(1344)는, 차량(1316)의 존재 및 구조와 같은, 환경(1304)의 상태를 감지하고, 상태를 표현하는 센서 데이터(1352) 및 시맨틱 데이터를 계획 모듈(1336)에 송신한다. 시각 센서(1344)는 센서 데이터(1352) 및 시맨틱 데이터를 송신하기 위해 계획 모듈(1336)에 통신 가능하게 결합된다. 시각 센서(1344)는 가시광, 적외선 또는 열(또는 둘 모두) 스펙트럼의 하나 이상의 단안 또는 스테레오 비디오 카메라, LiDAR, RADAR, 초음파 센서, TOF(time-of-flight) 깊이 센서를 포함하고, 온도 센서, 습도 센서, 또는 강우 센서를 포함할 수 있다. 시각 센서(1344)는 도 1을 참조하여 위에서 예시되고 기술된 센서(122 및 123)의 일 예일 수 있다.
일 실시예에서, 센서 데이터(1352)는 LiDAR 포인트 클라우드 데이터 또는 카메라 이미지를 포함한다. AV(1308)의 LiDAR 센서는 타깃, 예를 들어, 차량(1316)에 펄스 레이저 광을 조사(illuminate)하고 반사된 펄스를 측정하는 데 사용된다. 레이저 복귀 시간 및 파장의 차이는 이어서 센서 데이터(1352)를 생성하고 차량(1316)의 디지털 3D 표현을 생성하는 데 사용될 수 있다. LiDAR 포인트 클라우드 데이터의 구조는 많은 양의 원시 측정 데이터가 계획 모듈(1336)에 의해 처리될 수 있게 한다.
일 실시예에서, 계획 모듈(1336)은 차량(1316)의 동적 특성을 사용하여 차량(1316)에 대한 궤적을 추정한다. 계획 모듈(1336)은 또한 차량(1316)의 추정된 궤적과 AV(1308)의 계획된 궤적 간의 교차 지점과 교차 시간을 추정한다. 계획 모듈(1336)은 AV(1308)와 차량(1316)에 대한 충돌 가능성을 결정하기 위해 차량(1316)에 대한 잠재적인 거동을 결정하고 각각의 잠재적인 거동에 확률을 할당한다.
궤적 및 교차 지점과 교차 시간을 결정하는 것 외에도, 계획 모듈(1336)은 AV(1308)를 동작시키는 것에 대한 복수의 제약을 저장한다. 각각의 제약은 AV(1308)의 동작을 제한한다. 예를 들어, 제약은 교통 규칙에 기초한 AV(1308)에 대한 최대 속력 제한일 수 있다. 다른 제약은 AV(1308)가 적색 신호등에서 정지해야 한다는 것을 명시할 수 있다. 계획 모듈(1336)은 AV(1308)의 승객 센서에 의해 측정되는 승객 편의 레벨을 증가시키도록 의도된 하나 이상의 제약을 서버(136)로부터 수신할 수 있다. 예를 들어, 제약은 AV(1308) 상에 위치된 승객 센서에 의해 측정되는 승객 편의 레벨과 연관된 AV(1308)의 최대 속력 또는 최대 가속도를 명시할 수 있다. 승객 센서는 승객의 얼굴 표정, 피부 전도도, 맥박 및 심박수, 승객 체온, 동공 확장, AV 시트 팔걸이에 대한 압력과 같은 데이터를 기록하기 위한 특수 센서를 포함한다. 각각의 유형의 데이터는 상이한 센서 또는 상이한 센서들의 조합, 예를 들어, 심박수 모니터, 혈압계(sphygmomanometer), 동공계(pupilometer), 적외선 온도계, 또는 갈바닉 피부 반응 센서를 사용하여 기록될 수 있다. 계획 모듈(1336)은 승객 센서에 의해 검출되는 바와 같은 상승된 심박수 또는 피부 전도도 레벨에 기초하여 모션 제약을 결정한다.
일 실시예에서, AV(1308)를 동작시키는 것에 대한 제약은 계층적 순서로 순위화되고, 여기서 각각의 제약의 순위는 AV(1308)의 운행 안전성 레벨에 대응한다. 예를 들어, 50 mph의 최대 속력 제한을 명시하는 제약은 AV(1308)가 차량(1316)과의 충돌을 방지하기 위해 속력을 높여야 한다고 명시하는 제약보다 낮게 순위화된다. 따라서, 계획 모듈(1336)은 더 높은 순위의 제약(higher-ranking constraint)을 충족시키기 위해 더 낮은 순위의 제약(lower-ranking constraint)을 일시적으로 위반할 수 있다.
일 실시예에서, 계획 모듈(1336)은 모션 세그먼트에 대한 동작 메트릭을 생성한다. 모션 세그먼트는 AV(1308)의 원하는 동작이 분해될 수 있는 개별 모션이다. 예를 들어, 원하는 동작은 충돌 없이 교차로를 빠져나가는 것을 포함할 수 있다. 모션 세그먼트는 AV(1308)가 40 mph로 전방으로 주행하거나 그의 방향 배향을 30°만큼 변경하는 것을 포함할 수 있다. 계획 모듈(1336)은 모션 세그먼트에 의한 제약의 위반 횟수의 가중 총계(weighted aggregate)를 결정하는 것에 의해 모션 세그먼트에 대한 동작 메트릭을 생성한다. 예를 들어, 제약은 AV(1308)가 50 mph의 최대 속력으로 동작하고 15°의 최대 각도로 오른쪽으로 조향해야 한다고 명시할 수 있다. 모션 세그먼트는 AV(1308)가 25 mph로 동작하지만 20°의 각도로 오른쪽으로 조향하는 것을 포함할 수 있다. 따라서, 계획 모듈(1336)은 위반 횟수를 1로 결정할 것이다. 동작 메트릭을 생성하기 위해, 계획 모듈(1336)은 제약의 각각의 위반을 제약의 순위에 의해 가중한다. 모션 세그먼트에 대한 동작 메트릭은 OM = ∑i (Ri × Vi)로 표현될 수 있고, 여기서 Ri는 제약 i의 순위를 나타내고, Vi는 제약 i가 모션 세그먼트에 의해 위반되는지 여부를 나타낸다. 예를 들어, 제약 i가 위반되지 않는 경우 Vi = 0이고, 제약 i가 위반되는 경우 Vi = 1이다.
일 실시예에서, 계획 모듈(1336)은 각각의 모션 세그먼트에 대한 복수의 동작 메트릭을 생성한다. 동작 메트릭은 모션 세그먼트에 대한 제약의 대응하는 위반 횟수를 사용하여 생성된다. 예를 들어, 동작 메트릭은 제약의 순위 또는 제약과 운행 안전성 간의 연관성에 따라 제약을 그룹화하는 것에 의해 생성될 수 있다. 모션 세그먼트에 대한 동작 메트릭은 (OM1, OM2, OM3)으로서 표현될 수 있고, 여기서 OM1은 운행 안전성에 기초한 제1 동작 메트릭이고, OM2는 교통 규칙에 기초한 제2 동작 메트릭이며, OM3은 승객 편의에 기초한 제3 동작 메트릭이다.
각각의 동작 메트릭은 동작 메트릭과 차량의 운행 안전성 간의 연관성에 따라 계층적 순서로 순위화된다. AV(1308)와 차량(1316)의 충돌을 방지하는 것과 연관된 동작 메트릭은 AV(1308)의 승객 센서에 의해 측정되는 승객 편의 레벨을 증가시키는 것과 연관된 다른 동작 메트릭보다 높게 순위화된다. 예를 들어, 운행 안전성에 기초한 동작 메트릭 OM1은 교통 규칙에 기초한 동작 메트릭 OM2보다 높게 순위화된다. 차례로, OM2는 승객 편의에 기초한 동작 메트릭 OM3보다 높게 순위화된다.
위에서 기술된 바와 같이, 모션 세그먼트는 AV(1308)의 원하는 동작이 분해될 수 있는 개별 액션 또는 모션이다. 일 실시예에서, 계획 모듈(1336)은 AV(1308)를 동작시키기 위한 복수의 모션 세그먼트를, 서버(136)로부터, 수신하거나 다른 방법을 사용하여 생성한다. 모션 세그먼트를 생성하기 위한 다른 방법은 모션 계획을 위한 격자 기반 검색, 구간 기반 검색(interval-based search), 또는 기하학적 알고리즘을 포함할 수 있다. 예를 들어, 모션 세그먼트는 AV(1308)가 특정 방향으로 주행하기 위한 거리 d를 포함할 수 있다. 다른 예에서, 모션 세그먼트는 차량(1316)과의 충돌을 방지하기 위한 AV(1308)의 방향 배향을 포함한다. 모션 세그먼트는 환경(1304)의 2개의 시공간적 위치 사이의 궤적을 포함할 수 있다. 모션 세그먼트는 AV(1308)와 차량(1316)의 충돌을 방지하기 위한 AV(1308)의 속력을 포함할 수 있다. 예를 들어, 계획 모듈(1336)은 차량(1316)이 t1초 내에 AV(1308)로부터 특정 거리 d1에 있는 건널목 위치 l1에서 길을 건너갈 것이라고 결정한다. 충돌 모션을 방지하기 위한 모션 세그먼트는, 차량(1316)이 길을 건너가기 전에 AV(1308)가 건널목 위치 l1을 안전하게 통과할 수 있도록, (d1/t1)에 기초한 AV(1308)의 속력을 포함할 수 있다.
일 실시예에서, 계획 모듈(1336)은 각각의 모션 세그먼트에 대한 제약의 대응하는 위반 횟수를 결정한다. 계획 모듈(1336)은 각각의 모션 세그먼트에 대한 대응하는 위반 횟수를 결정하기 위해 AV(1308)의 동작을 시뮬레이션할 수 있다. 다른 실시예에서, 계획 모듈(1336)은 각각의 모션 세그먼트에 대한 대응하는 위반 횟수를 결정하기 위해 충돌 검사, 랜덤화된 계획(randomized planning), 또는 제약된 최적화 및 이동 구간 제어(receding-horizon control)를 이용한 입력 공간 이산화에 기초한 방법을 사용할 수 있다.
계획 모듈은 제약 및 수신된 센서 데이터(1352)로부터 특징 벡터를 추출한다. 특징 벡터는 제약 및 센서 데이터(1352)의 콤팩트한 비중복 표현인 하나 이상의 특징을 포함한다. 예를 들어, 특징 벡터는 시각 센서(1344)가 식별한 차량(1316)의 구조 또는 형상을 기술하는 특징을 포함할 수 있다. 추출된 특징 벡터의 특징은 차량(1316)의 시공간적 위치(좌표), 차량(1316)의 속력(예를 들면, 25 mph), 또는 차량(1316)의 방향 배향(북쪽)을 포함할 수 있다.
제약으로부터 추출된 특징은 AV(1308)에 대한 최대 속력 제한, AV(1308)의 최대 가속도 제한, 또는 AV(1308)의 최대 저크를 포함할 수 있다. AV(1308)의 저크는, m/s3로 표현되는, AV(1308)의 가속도의 변화율 또는 가속도의 시간 미분을 지칭한다. AV(1308)의 최대 속력 제한, 최대 가속도, 및 최대 저크는 AV(1308)의 승객 센서에 의해 측정되는 승객 편의 레벨에 대응한다. 예를 들어, AV(1308)의 가속도가 감소되는 경우, 승객 편의 레벨은 전형적으로 증가한다. AV(1308)의 저크가 증가하는 경우, 승객 편의 레벨은 전형적으로 감소한다.
추출된 특징 벡터의 특징은 특정 모션 세그먼트에 따라 AV(1308)를 동작시키는 것이 교통 신호등 위반을 유발하는지 여부를 나타낼 수 있다. 예를 들어, 모션 세그먼트는, AV(1308)가 AV(1308)로 직진하게 운전하고 있는 차량(1316)과 충돌하는 것을 방지하기 위해, 신호등이 적색으로 변할 때 속력을 높여 운전하여 교통 신호등을 통과하도록 AV(1308)에 요구할 수 있다. 이 경우에, 계획 모듈(1336)은 운전하여 신호등을 통과하는 다른 차량이 없으며 AV(1308)가 충돌을 방지하기 위해 안전하게 속력을 높여 운전하여 신호등을 통과할 수 있다고 결정한다. 모션 세그먼트는 교통 신호등 위반을 유발하지만 차량(1316)과의 충돌을 방지한다.
추출된 특징 벡터의 특징은 모션 세그먼트에 따라 주행할 때 AV(1308)와 차량(1316)의 충돌 가능성을 나타낼 수 있다. 예를 들어, 계획 모듈(1336)은 차량(1316)이 t2초 내에 AV(1308)로부터 특정 거리 d2에 있는 건널목 위치 l2에서 길을 건너갈 것이라고 결정한다. 계획 모듈(1336)은 차량(1316)의 속력 및 궤적을 추정한다. 계획 모듈(1336)은 또한 차량(1316)이 그의 현재 궤적에서 그의 현재 속력으로 계속가는 경우 AV(1308)와 차량(1316)의 충돌 가능성을 결정한다. AV(1308)가 차량(1316)과의 충돌을 방지하기 위해 더 낮은 순위의 제약을 위반하는 것의 일 예가 도 14를 참조하여 아래에 예시되고 기술된다.
추출된 특징 벡터의 특징은 AV(1308) 상에 위치된 승객 센서에 의해 측정되는 승객 편의 레벨을 나타낼 수 있다. 이 특징은 AV(1308)가 특정 모션 세그먼트에 따라 주행하고 있을 때 승객 편의와 연관된다. 예를 들어, 제약은 AV(1308)가 30 mph 미만으로 운전하고 있을 때 승객이 특정 레벨의 편의를 경험한다는 것을 명시할 수 있다. 모션 세그먼트가 40 mph의 속력을 포함하는 경우, 이 특징은 AV(1308)가 특정 모션 세그먼트에서 운전하고 있을 때 승객이 편의를 경험하지 못한다는 것을 나타낼 것이다.
일 실시예에서, 계획 모듈(1336)은 제약 및 수신된 모션 세그먼트로부터 특징 벡터를 추출한다. 특징 벡터는 AV(1308)와 차량(1316) 간의 측방향 이격거리(lateral clearance)를 기술하는 특징을 포함한다. AV(1308)와 차량(1316) 간의 측방향 이격거리는 AV(1308)와 차량(1316)의 충돌 가능성을 나타낸다. 예를 들어, 측방향 이격거리가 더 큰 경우, AV(1308)와 차량(1316)의 충돌 가능성은 더 작을 것이다. AV(1308)와 차량(1316) 간의 측방향 이격거리는 또한 승객 편의 레벨을 결정하는 데 사용될 수 있다. 예를 들어, 측방향 이격거리가 더 큰 경우, AV(1308) 내의 승객은 더 편안할 것이다. 특징 벡터는 AV(1308)를 동작시키기 위한 모션 세그먼트(1312)를 생성하기 위해 AV(1308)의 머신 러닝 회로에 송신된다. 모션 세그먼트(1312)는 위반된 제약의 수를 감소시키고 제공되는 승객 편의의 양을 증가시키면서 AV(1308)의 운행 목적을 달성한다.
머신 러닝 회로는 계획 모듈(1336)의 일부이거나 AV(1308)의 다른 컴포넌트일 수 있다. 머신 러닝 회로는 입력(제약 및 센서 데이터(1352)) 및 원하는 출력(모션 세그먼트)을 포함하는 트레이닝 데이터로부터 모델을 구축한다. 일 실시예에서, 머신 러닝 회로는 제약의 위반 횟수가 임계치 미만이도록, 특징 벡터에 기초하여, AV(1308)에 대한 모션 세그먼트(1312)를 생성한다. 특징 벡터는 차량(1316)의 위치 및 장소에 관한 정보를 포함한다. 따라서, 머신 러닝 회로는 차량(1316)과의 충돌을 방지하고 이와 동시에 저장된 제약의 위반 횟수를 감소시킬 최적의 모션 세그먼트(1312)를 결정하기 위해 특징 벡터를 사용한다. 이러한 모션 세그먼트(1312)를 기술하는 정보는 제약의 위반 횟수를 감소시키면서 AV(1308)를 동작시키기 위해 계획 모듈(1336)로부터 제어 모듈(1340)에 송신된다.
일 실시예에서, 머신 러닝 회로는 추출된 특징 벡터에 기초하여 제약을 순위화하기 위한 계층적 순서를 생성한다. 이 실시예에서, 특징 벡터의 특징은 각각의 제약이 운행 안전성에 영향을 미치는 정도를 나타낸다. 예를 들어, 특징은 특정 제약이 안전성과 관련이 없고 승객이 얼마나 편안하게 느끼는지에만 영향을 미치는 것을 나타낼 수 있다. 이 경우에, 머신 러닝 회로는 특정 제약에 더 낮은 순위를 할당할 것이다. 머신 러닝 회로는 모션 제약의 리스트를 입력으로서 포함하고 계층적 순위화를 출력으로서 포함하는 데이터 세트를 사용하여 트레이닝된다.
일 실시예에서, 계획 모듈(1336)은, 위에서 기술된 바와 같이, 다른 수단에 의해 생성되는 복수의 모션 세그먼트를 수신한다. 머신 러닝 회로는 이러한 모션 세그먼트 및 제약을 트레이닝 데이터로서 사용한다. 머신 러닝 회로는 어느 모션 세그먼트가 제약을 위반할 것인지는 물론 위반된 제약의 우선순위 또는 순위를 결정하는 것에 대해 트레이닝된다. 머신 러닝 모델은 이어서 AV(1308)에 대한 모션 세그먼트(1312)를 생성한다. 모션 세그먼트(1312)에 대한 제약의 위반 횟수는 각각의 모션 세그먼트에 대한 제약의 대응하는 위반 횟수보다 낮다. 머신 러닝 회로의 동작 및 트레이닝에 관한 추가 세부 사항은 도 14를 참조하여 아래에 있다.
계획 모듈(1336)은 추출된 특징 벡터의 특징을 모션 계획 그래프로 통합한다. 모션 계획은, 위에서 기술된 바와 같이, 충돌 없이 교차로를 빠져나가는 것과 같은, 원하는 동작을 AV(1308)에 대한 개별 모션으로 분해하는 프로세스이다. 일 실시예에서, 계획 모듈(1336)은 AV(1308)에 대한 원하는 동작에 대한 설명을 수신하고 제약 및 수신된 모션 세그먼트를 모션 계획 그래프로 통합한다. 모션 계획 그래프는 AV(1308)를 동작시키기 위한 모션 세그먼트(1312)를 생성하는 데 사용된다. 계획 모듈(1336)은 AV(1308)의 스로틀 및 조향을 위한 속력 및 회전 커맨드를 생성하기 위해 모션 계획 그래프를 순회(traverse)한다.
일 실시예에서, 모션 계획 그래프는 AV(1308)에 대한 구성 공간(시공간적 위치, 속력, 방향 배향 등)에 오버레이된다. AV(1308)에 대한 각각의 구성은 모션 계획 그래프의 정점(vertex)과 연관된다. 인접한 정점 사이의 경로가 대상체, 예를 들어, 차량(1316)과의 충돌을 방지하는 한, 각각의 정점으로부터, AV(1308)는 인접한 정점으로 이동하도록 허용된다. 모션 계획 그래프는 또한 복수의 에지를 포함한다. 각각의 에지는 모션 세그먼트에 대응한다. 계획 모듈(1336)은, 각각의 모션 세그먼트에 대해, 모션 세그먼트에 대응하는 모션 계획 그래프의 에지를 식별하는 것에 의해 각각의 제약에 대한 대응하는 위반 횟수를 결정한다. 계획 모듈(1336)은 이어서 식별된 에지와 연관된 제약의 위반 횟수를 결정한다. 예시적인 모션 계획 그래프가 도 10을 참조하여 위에서 예시되고 기술되어 있다.
일 실시예에서, 계획 모듈(1336)은 저장된 제약 및 수신된 모션 세그먼트를 사용하여 최소 위반 모션 계획 그래프를 생성한다. 최소 위반 모션 계획 그래프의 각각의 에지는 대응하는 모션 세그먼트의 동작 메트릭의 값과 연관된다. 일 실시예에서, 머신 러닝 회로는 제약, 모션 세그먼트, 및 센서 데이터(1352)를 트레이닝 데이터로서 사용하고, 특징 벡터에 기초하여 모션 계획 그래프의 복수의 에지의 각각의 대응하는 모션 세그먼트의 동작 메트릭의 값을 생성한다. 예를 들어, 충돌을 방지하기 위해 65 mph의 최소 속력 제약이 최소 위반 모션 계획 그래프에 추가되는 경우 승객 편의를 위한 60 mph의 최대 속력을 명시하는 제약이 일시적으로 위반될 수 있다. 따라서, 머신 러닝 회로는 충돌을 방지하기 위해 최소 속력을 명시하는 제약보다 낮은 최대 속력을 명시하는 제약을 가중할 것이다.
일 실시예에서, 머신 러닝 회로는, 모션 계획 그래프의 각각의 에지에 대해, 대응하는 모션 세그먼트에 따라 AV(1308)를 동작시키는 것이 동작 메트릭을 임계치 미만으로 되게 할 가능성을 식별하는 것에 의해 모션 세그먼트(1312)를 생성한다. 머신 러닝 회로는 제약을 입력으로서 사용하고, 모션 계획 그래프의 에지를 순회하여 각각의 모션 세그먼트에 대한 가능성을 결정한다. 그렇게 함으로써, 머신 러닝 회로는 모션 계획 그래프의 새로운 에지를 생성하는 것에 의해 모션 세그먼트(1312)를 생성한다. 새로운 에지와 연관된 제약의 위반 횟수는 모션 계획 그래프의 각각의 다른 에지와 연관된 제약의 대응하는 위반 횟수보다 낮다.
일 실시예에서, 제약의 순위화가 완료된 후에, 머신 러닝 회로는 (순위화된 제약에 기초한) 특징 벡터를 사용하여 모션 세그먼트(1312)를 생성한다. 머신 러닝 회로는 다른 모션 세그먼트보다 모션 세그먼트(1312)를 선택한다. 머신 러닝 회로는, 모션 세그먼트(1312)에 따라 AV(1308)를 동작시키는 것이 더 높은 순위를 갖는 제1 제약의 위반을 야기하도록, 그의 선택을 최적화한다. 예를 들어, 제1 제약은 AV(1308)가 차량(1316)과의 충돌을 방지하기 위해 65 mph로 속력을 높여야 한다는 것을 명시할 수 있다. 머신 러닝은 다른 모션 세그먼트에 따라 AV(1308)를 동작시키는 것이 더 낮은 순위를 갖는 제2 제약의 위반을 야기한다고 결정한다. 예를 들어, 제2 제약은 최대 속력 제한이 교통 규칙에 따라 45 mph인 것을 명시할 수 있다.
일 실시예에서, 머신 러닝 회로는 위에서 기술된 복수의 동작 메트릭의 각각의 동작 메트릭에 대응하는 계수를 생성한다. 계수는 각각의 모션 세그먼트와 운행 안전성 간의 관련성의 순서로 각각의 모션 세그먼트에 대한 동작 메트릭을 가중하는 데 사용된다. 예를 들어, 모션 세그먼트에 대한 비용 함수는 Cost = a1×OM1 + a2×OM2 + a3×OM3으로서 표현될 수 있고, 여기서 a1, a2, 및 a3은 AV의 이전 액션 및 관측된 센서 데이터(1352)를 사용한 머신 러닝 회로의 트레이닝에 기초하여 머신 러닝 회로에 의해 생성되는 계수이다. 계수의 더 높은 값은 비용 함수에서 특정 동작 메트릭을 더 높게 가중할 것이고, 해당 동작 메트릭과 연관된 제약을 위반하는 모션 세그먼트를 선택하는 것을 피하기 위해 계획 모듈을 편향시킬 것이다. 다른 실시예에서, 머신 러닝 회로는 동작 메트릭을 순위화하기 위한 계층적 순서를 생성하기 위해 (제약 및 모션 세그먼트로부터 추출된) 특징 벡터를 사용한다. 일 실시예에서, 계획 모듈(1336)은 운행 안전성과 연관된 제1 동작 메트릭(예를 들면, OM1)을 승객 편의와 연관된 제2 동작 메트릭(예를 들면, OM2)보다 높게 순위화하는 것에 의해 모션 세그먼트(1312)를 생성한다. 머신 러닝 회로는 모션 세그먼트(1312)에 대한 동작 메트릭 OM1을 최적화하는 데 사용된다.
계획 모듈(1336)은 또한, 생성된 모션 제약의 최소 횟수의 위반이 있도록, 최소 위반 모션 계획 그래프를 사용하여 AV(1308)에 대한 속력, 가속도, 또는 방향 배향을 결정한다. 일 실시예에서, 샘플링 기반 모션 계획은 모션 제약의 순위화된 계층구조에 기초하여 생성된 모션 제약에 대한 모델 검사를 수행하는 데 사용된다. 최소 위반 모션 그래프의 순회는 운행 목적을 충족시키는 여러 잠재적 궤적 중에서 안전성 레벨을 최대화하는 AV(1308)에 대한 궤적을 결과한다. 생성된 궤적은 모션 세그먼트(1312)를 포함한다.
일 실시예에서, 계획 모듈(1336)이 다른 방법에 의해 생성된 모션 세그먼트를 수신한 후에, 머신 러닝 회로는 제약 및 모션 세그먼트로부터 추출된 특징에 기초하여 새로운 모션 세그먼트를 생성한다. 머신 러닝 회로는 새로운 모션 세그먼트에 대한 위반된 제약의 수를 최소화하려고 시도한다. 계획 모듈(1336)은 머신 러닝 회로의 동작을 검증한다. 계획 모듈(1336)은 새로운 모션 세그먼트에 대한 위반된 제약의 수가 실제로 각각의 다른 수신된 모션 세그먼트에 대한 것보다 낮은지 여부를 결정한다. 계획 모듈(1336)은 수신된 모션 세그먼트와 새로운 모션 세그먼트를 포함하는 그룹을 구성한다. 이 그룹으로부터, 계획 모듈(1336)은 AV(1308)를 동작시키기 위한 최적의 모션 세그먼트를 선택한다. 위에서 기술된 비용 함수, 또는 복수의 동작 메트릭은 선택된 최적의 모션 세그먼트에 걸쳐 최적화된다. 계획 모듈(1336)은 또한 선택된 최적의 모션 세그먼트가 실제로 머신 러닝 회로에 의해 생성된 새로운 모션 세그먼트일 가능성을 나타내는 제1 점수를 생성한다. 제1 점수는 머신 러닝 회로의 품질 및 수렴(convergence)을 검증하는 데 사용된다. 머신 러닝 회로는 동작 메트릭을 최적화하는 모션 세그먼트(1312)를 생성하기 위해 생성된 제1 점수를 사용하여, 도 14를 참조하여 아래에 기술된 바와 같이, 트레이닝된다. 동작 메트릭을 최적화하는 이 모션 세그먼트(1312)는 다른 모션 세그먼트에 대한 대응하는 위반 횟수보다 낮은 제약의 위반 횟수를 갖는다.
일 실시예에서, 머신 러닝 회로는, 먼저 각각의 수신된 모션 세그먼트에 대한 제2 점수를 생성하는 것에 의해, 모션 세그먼트(1312)를 생성한다. 제2 점수는 모션 세그먼트에 대한 제약의 위반 횟수가 수신된 모션 세그먼트들의 각각의 다른 모션 세그먼트에 대한 제약의 위반 횟수보다 낮을 가능성을 나타낸다. 이러한 방식으로, 머신 러닝 회로는 가장 높은 점수를 갖는 수신된 모션 세그먼트를 간단히 선택할 수 있다. 제2 점수는 또한 머신 러닝 회로의 동작을 검증하는 데 사용될 수 있다. 머신 러닝 회로는 또한 모션 세그먼트(1312)를 생성하기 위해, 점수 및 수신된 모션 세그먼트를 사용하여, 트레이닝된다. 트레이닝은, 모션 세그먼트(1312)에 대한 제약의 위반 횟수가 각각의 수신된 모션 세그먼트에 대한 제약의 대응하는 위반 횟수보다 낮도록, 머신 러닝 회로를 구성한다.
일 실시예에서, 샘플링 기반 모션 계획은 모션 제약의 순위화된 계층구조에 대한 모델 검사를 수행하는 데 사용된다. 계획 모듈(1336)은 모션 세그먼트(1312)를 생성하기 위해 제약 및 센서 데이터(1352)를 샘플링한다. 모션 세그먼트(1312)에 따라 AV(1308)를 동작시키는 것은 동작 메트릭(OM)을 임계치 미만으로 되게 한다. 일 실시예에서, 샘플링은 AV(1308)에 대한 궤적을 생성하기 위해 최소 위반 모션 그래프를 순회하는 것을 포함한다. 이 궤적은 운행 목적을 충족시키는 여러 잠재적 궤적 중에서 안전성 레벨을 최대화한다. 생성된 궤적은 모션 제약(1312)을 포함한다.
제어 모듈(1340)은 생성된 모션 세그먼트(1312)에 따라 AV(1308)를 동작시킨다. 제어 모듈(1340)은 계획 모듈(1336)로부터의 모션 세그먼트(1312)를 사용하여 AV(1308)의 브레이크(420c), 조향(420a), 및 스로틀(420b)(도 4를 참조하여 위에서 예시되고 기술됨)을 동작시킨다. AV(1308)를 동작시키는 것은 더 낮은 우선순위의 제약, 예를 들어, 승객 편의 레벨을 제공하는 것에 기초한 최대 가속도 제약을 위반하는 것을 포함할 수 있다. 일 실시예에서, 제어 모듈(1340)은, 충돌 검사를 수행하거나 차량(1316) 주위의 운전 가능 구역을 확률적으로 탐색하면서, 모션 세그먼트(1312)에 따라 이산화된 운전 가능 구역 내에서 AV(1308)를 동작시킨다. 다른 실시예에서, 차량(1316)이 움직이고 있는 경우, 제어 모듈(1340)은, 양보하는 것 또는 공격적으로 행동하는 것과 같은, 차량(1320)의 모션으로부터 차량(1320)의 의도를 추론한다. 모션 세그먼트(1312)에 기초하여, 차량(1316)과의 충돌까지의 예측된 시간이 임계치 아래로 떨어지는 경우 제어 모듈(1340)은 조향 컨트롤(102), 브레이크(103), 기어, 또는 가속 페달을 동작시킨다.
본원에서 개시된 실시예의 이점 및 장점 중 하나는 운용 비용을 최소화하고, 일시적으로 위반되는 교통 규칙의 수를 최소화하며, 충돌을 방지하기 위해 상이하고 복잡한 모션 세그먼트가 AV 시스템에 의해 생성되고 평가될 수 있다는 것이다. 개시된 실시예는 AV는 물론 보행자 및 다른 차량에 대한 운행 안전성을 증가시킨다. 운행 안전성에 따라 계층적 순서로 모션 제약을 순위화하는 것에 의해, AV는 차량 안전성을 증가시키기 위해 일시적으로 위반할 더 낮은 우선순위의 규칙을 선택할 수 있다. 개시된 실시예를 사용하여 AV를 동작시키는 것은 증가된 승객 편의, 증가된 승객과 보행자 안전성, AV의 더 낮은 마손, 감소된 주행 시간, 감소된 주행 거리 등을 결과한다. 도로망에 있는 다른 차량에 대한 증가된 안전성도 달성된다.
충돌 방지를 위한 제약 위반의 예
도 14는 하나 이상의 실시예에 따른, 차량(1316)과의 충돌을 방지하기 위해 AV(1308)에 의한 더 낮은 순위의 제약의 위반의 예를 예시한다. 도 14는 AV(1308) 및 차량(1316) 둘 모두가 운전하고 있는 환경(1400)을 묘사한다. AV(1308)는 초기 위치(1412)로부터 궤적(1432)에 따라 목적지 위치(1416)를 향해 차선(1408)에서 운전하기 시작한다. AV(1308)의 계획 모듈(1336)은 AV(1308)가 다른 대상체와 충돌하지 않아야 한다는 것을 명시하는 AV(1308)를 동작시키는 것에 대한 제1 제약을 저장한다. 차선(1408)의 최대 속력 제한은 55 mph이다. 계획 모듈(1336)은 또한 AV(1308)를 동작시키는 것에 대한 55 mph의 최대 속력 제한에 대응하는 제2 제약을 저장한다. 제1 제약(충돌을 방지하는 것)은 제2 제약(속력 제한을 준수하는 것)보다 높게 순위화된다. 계획 모듈(1336)은 저장된 제1 제약 및 제2 제약을 충족시키도록 AV(1308)를 동작시키기 위한 모션 세그먼트(1428)를 생성한다. 모션 세그먼트(1428)는 (목적지 위치(1416)를 향한) AV(1308)의 방향 배향 및 50 mph의 속력을 명시한다. 따라서 AV(1308)는 모션 세그먼트(1428)에 따라 동작한다.
AV(1308)는 AV(1308) 전방의 차선(1408)에서 교차로(1436)에 접근한다. 한편, 차량(1316)도 차선(1408)에 직각인 차선(1440)에서 궤적(1424)에 따라 교차로(1436)를 향해 운전하고 있다. AV(1308)의 시각 센서(1344)는 환경(1400)을 기술하는 센서 데이터(1352)를 생성하고 차량(1316)의 존재 및 모션을 감지한다. 시각 센서(1344)에 의해 생성된 센서 데이터(1352)에 기초하여, AV(1308)의 계획 모듈(1336)은 차량(1316)이 궤적(1424)에 따라 교차로(1436)를 향해 운전하고 있다고 결정한다. 계획 모듈(1336)은 또한, 차량(1316)의 속력 및 모션 세그먼트(1428)에 기초하여, AV(1308)와 차량(1316)의 충돌 가능성이 임계치 초과라고 결정한다. 계획 모듈(1336)은 또한 AV(1308)와 차량(1316)이 궤적(1424)과 궤적(1432)이 교차하는 위치(1420)에서 충돌할 가능성이 있다고 결정한다. 계획 모듈은 교차 지점과 교차 시간을 결정한다.
계획 모듈(1336)은 저장된 제약 및 수신된 센서 데이터(1352)로부터 특징 벡터를 추출한다. 특징 벡터는 차량(1316)의 크기, 형상, 속력, 및 방향을 기술하는 특징을 포함한다. AV(1308)의 머신 러닝 회로는, 특징 벡터에 기초하여, 저장된 제약의 위반 횟수가 최소화되도록 새로운 모션 세그먼트(1404)를 생성한다. 머신 러닝 회로는 AV(1308)에 대한 2개의 옵션: 충돌을 방지하기 위해 속력을 낮추는 것 또는 속력을 높이는 것이 있다고 추정한다. AV(1308)의 저장된 거동을 사용하여 트레이닝된 머신 러닝 회로는 AV(1308)가 위치(1420)에 너무 가깝고, 따라서 충돌을 방지하기에 충분할 정도로 속력을 낮출 수 없을 것이라고 결정한다. 머신 러닝 회로는 AV(1308)의 속력을 60 mph로 증가시켜 더 빠르게 운전하여 교차로(1436)를 통과하면 충돌을 방지할 것이지만 55 mph의 최대 속력을 명시하는 제2 제약을 일시적으로 위반할 것이라고 결정한다. 제1 제약이 제2 제약보다 높게 순위화되기 때문에, 머신 러닝 회로는 제1 제약(충돌을 방지하는 것)을 충족시키기 위해 제2 제약을 일시적으로 위반한다. 따라서, 머신 러닝 회로는 AV(1308)에 대해 60 mph의 속력을 명시하는 모션 세그먼트(1404)를 생성한다.
AV(1308)의 제어 모듈(1340)은, AV(1308)가 안전하게 운전하여 교차로(1436)를 통과하고 차량(1316)과의 충돌을 방지하도록, 모션 세그먼트(1404)에 따라 AV(1308)를 동작시킨다.
모션 계획을 위한 머신 러닝 아키텍처
도 15는 하나 이상의 실시예에 따른, 모션 계획을 위한 AV(1308)에 대한 머신 러닝 아키텍처(1500)의 블록 다이어그램을 예시한다. 아키텍처(1500)는 특징 추출 모듈(1508) 및 머신 러닝 회로(1516)를 포함한다. 다른 실시예에서, 아키텍처(1500)는 본원에서 기술되는 것에 추가적인 컴포넌트 또는 본원에서 기술되는 것보다 적은 컴포넌트를 포함한다. 유사하게, 기능은 여기에 기술된 것과 상이한 방식으로 컴포넌트 및/또는 상이한 엔티티 간에 분산될 수 있다.
도 13 및 도 15를 참조하면, 특징 추출 모듈(1508)은 센서 데이터(1352), 수신된 모션 세그먼트(1504), 및 제약으로부터 특징 벡터(1512)를 추출한다. 특징 벡터(1512)는 차량(1316)의 위치 및 속력은 물론 AV(1308)가 취할 수 있는 여러가지 가능한 경로를 기술한다. 특징(1512a)은 차량(1316)의 시공간적 위치를 나타낸다. 차량(1316)의 위치가 AV(1308)에 너무 가까우면, 머신 러닝 회로(1516)는 충돌을 방지하기 위한 모션 세그먼트(1312)를 생성한다. 특징(1512b)은 차량(1316)의 속력을 나타낸다. 차량(1316)이 속력을 높여 AV(1308)로부터 멀어지면, 머신 러닝 회로는 비용을 최소화하기 위한, 예를 들어, 승객 편의를 증가시키기 위한 모션 세그먼트(1312)를 생성한다.
특징(1512c)은 차량(1316)의 방향 배향을 나타낸다. 차량(1316)이 AV(1308)를 향해 나아가는 경우, 머신 러닝 회로(1516)는, AV(1308)가 멀어지게 운전하도록, 모션 세그먼트(1312)를 선택할 것이다. 특징(1512d)은 모션 세그먼트들(1504) 중 하나에 따라 AV(1308)를 동작시키는 것이 교통 신호등 위반을 유발하는지 여부를 나타낸다. 충족시킬 더 높은 순위의 제약이 없는 경우, 머신 러닝 회로(1516)는 특징(1512d)에 의해 표현된 제약을 위반하는 것을 방지할 것이다. 특징(1512e)은 모션 세그먼트에 따라 주행할 때 AV(1308)와 차량(1316)의 충돌 가능성을 나타낸다. 특징(1512e)이 충돌 가능성이 낮다는 것을 나타내는 경우, 머신 러닝 회로(1516)는 해당 모션 세그먼트를 선택할 수 있다. 일 실시예에서, 특징 추출 모듈(1508)은 특징 벡터(1512)의 데이터 양을 더 작고 더 대표적인 데이터 세트로 감소시키기 위해 (예를 들면, 선형 판별 분석(linear discriminant analysis; LDA), 주성분 분석(principle component analysis; PCA) 등을 통해) 차원 축소(dimensionality reduction)를 적용한다.
머신 러닝 회로(1516)는 특징 벡터(1512), 트레이닝 데이터(1524), 및 제약(1520)을 사용하여 트레이닝된다. 트레이닝 데이터(1524)는, 여러 모션 세그먼트의 옵션을 제공받을 때 AV(1308)가 행한 선택과 같은, AV(1308)의 저장된 동작을 포함한다. 일 실시예에서, 머신 러닝 회로(1516)는, 제약(1520)의 위반 횟수가 각각의 수신된 모션 세그먼트에 대한 대응하는 위반 횟수보다 낮도록, 그에 의해 모션 세그먼트(1312)를 생성하도록 구성된다. 다른 실시예에서, 머신 러닝 회로(1516)는, 모션 세그먼트(1312)에 따라 AV(1308)를 동작시키는 것이 동작 메트릭 OM을 감소시키도록, 모션 세그먼트(1312)를 생성하도록 구성된다.
일 실시예에서, 수신된 모션 세그먼트의 특징에 적용될 때, 머신 러닝 회로(1516)는 모션 세그먼트가 동작 메트릭 OM을 최적화하는지 여부를 추정한다. 머신 러닝 회로(1516)의 트레이닝의 일부로서, 트레이닝 특징 세트 및 트레이닝 데이터(1524)는 문제의 속성(동작 메트릭 OM을 최적화하는 것)을 갖는 것으로 결정된 제1 트레이닝 특징 세트를 식별하는 것에 의해 형성되고, 일부 실시예에서, 문제의 속성을 결여한 제2 트레이닝 특징 세트를 형성한다.
일 실시예에서, 지도 머신 러닝(supervised machine learning)은 제1 및 제2 트레이닝 세트의 특징 벡터(1512)로 머신 러닝 회로(1516)를 트레이닝시키는 데 사용된다. 다른 실시예에서, 딥 러닝, 신경 네트워크, 선형 서포트 벡터 머신(선형 SVM), 다른 알고리즘에 대한 부스팅(예를 들면, AdaBoost), 로지스틱 회귀, 나이브 베이즈(naive Bayes), 메모리 기반 학습, 랜덤 포레스트(random forest), 배깅 트리(bagged tree), 의사 결정 트리, 부스트 트리(boosted tree) 또는 부스트 스텀프(boosted stump)와 같은 여러가지 머신 러닝 기술이 사용될 수 있다.
머신 러닝을 사용한 모션 계획 프로세스
도 16은 하나 이상의 실시예에 따른, 모션 계획에서 머신 러닝을 사용하여 AV(1308)를 동작시키기 위한 프로세스(1600)를 예시한다. 일 실시예에서, 도 16의 프로세스는 계획 모듈(1336)에 의해 수행된다. 다른 엔티티, 예를 들어, AV(1308)의 하나 이상의 컴포넌트 또는 서버(136)는 다른 실시예에서 프로세스(1600)의 단계들 중 일부 또는 전부를 수행한다. 마찬가지로, 실시예는 상이한 및/또는 추가 단계를 포함할 수 있거나, 또는 단계들을 상이한 순서로 수행할 수 있다.
AV(1308)는, 하나 이상의 프로세서를 사용하여, 환경(1304) 내에서 AV(1308)를 동작시키는 것에 대한 제약(1520)을 저장한다(1604). 각각의 제약은 AV(1308)의 동작을 제한한다. 예를 들어, 제약은 교통 규칙에 기초한 AV(1308)에 대한 최대 속력 제한일 수 있다. 다른 제약은 AV(1308)가 적색 신호등에서 정지해야 한다는 것을 명시할 수 있다. 계획 모듈(1336)은 AV(1308)의 승객 센서에 의해 측정되는 승객 편의 레벨을 증가시키도록 의도된 하나 이상의 제약을 서버(136)로부터 수신할 수 있다.
AV(1308)는, 하나 이상의 센서(1344)를 사용하여, 환경(1304)을 기술하는 센서 데이터(1352)를 수신한다(1608). 일 실시예에서, 센서 데이터(1352)는 LiDAR 포인트 클라우드 데이터 또는 카메라 이미지를 포함한다. 예를 들어, AV(1308)의 LiDAR 센서는 타깃, 예를 들어, 차량(1316)에 펄스 레이저 광을 조사하고 반사된 펄스를 측정하는 데 사용된다. 레이저 복귀 시간 및 파장의 차이는 이어서 센서 데이터(1352)를 생성하고 차량(1316)의 디지털 3D 표현을 생성하는 데 사용될 수 있다.
AV(1308)는, 하나 이상의 프로세서를 사용하여, 제약(1520) 및 수신된 센서 데이터(1352)로부터 특징 벡터(1512)를 추출한다(1612). 특징 벡터(1512)는 차량(1316)을 기술하는 특징(1512a)을 포함한다. 특징(1512a)은 차량(1316)의 시공간적 위치를 나타낸다. 차량(1316)의 위치가 AV(1316)에 너무 가까우면, 머신 러닝 회로(1516)는 충돌을 방지하기 위한 모션 세그먼트(1312)를 생성한다.
AV(1308)는, 머신 러닝 회로(1516)를 사용하여, 특징 벡터(1512)에 기초하여 모션 세그먼트(1312)를 생성한다(1616). 모션 세그먼트(1312)에 대한 제약(1520)의 위반 횟수는 임계치 미만이다. 일 실시예에서, 머신 러닝 회로(1516)는, 제약(1520)의 위반 횟수가 각각의 모션 세그먼트에 대한 제약(1520)의 대응하는 위반 횟수보다 낮도록, 모션 세그먼트(1312)를 생성하도록 구성된다. 다른 실시예에서, 머신 러닝 회로(1516)는, 모션 세그먼트(1312)에 따라 AV(1308)를 동작시키는 것이 동작 메트릭 OM을 감소시키도록, 모션 세그먼트(1312)를 생성하도록 구성된다.
AV(1308)는, 하나 이상의 프로세서를 사용하여, 생성된 모션 세그먼트(1312)에 따라 동작한다(1620).
머신 러닝을 사용한 대안의 모션 계획 프로세스
도 17은 하나 이상의 실시예에 따른, 모션 계획에서 머신 러닝을 사용하여 AV(1308)를 동작시키기 위한 대안의 프로세스(1700)를 예시한다. 일 실시예에서, 도 17의 프로세스는 계획 모듈(1336)에 의해 수행된다. 다른 엔티티, 예를 들어, AV(1308)의 하나 이상의 컴포넌트 또는 서버(136)는 다른 실시예에서 프로세스(1700)의 단계들 중 일부 또는 전부를 수행한다. 마찬가지로, 실시예는 상이한 및/또는 추가 단계를 포함할 수 있거나, 또는 단계들을 상이한 순서로 수행할 수 있다.
AV(1308)는, 하나 이상의 프로세서를 사용하여, 차량을 동작시키는 것에 대한 복수의 제약(1520)을 저장한다(1704). 각각의 제약은 AV(1308)의 동작을 제한한다. 예를 들어, 제약은 교통 규칙에 기초한 AV(1308)에 대한 최대 속력 제한을 명시할 수 있다. 다른 제약은 AV(1308)가 적색 신호등에서 정지해야 한다는 것을 명시할 수 있다. 계획 모듈(1336)은 AV(1308)의 승객 센서에 의해 측정되는 승객 편의 레벨을 증가시키도록 의도된 하나 이상의 제약을 서버(136)로부터 수신할 수 있다.
AV(1308)는, 하나 이상의 프로세서를 사용하여, AV(1308)를 동작시키기 위한 복수의 모션 세그먼트(1504)를 수신한다(1708). 각각의 모션 세그먼트는 AV(1308)에 대한 액션을 명시한다. 예를 들어, 복수의 모션 세그먼트(1504) 중 제1 모션 세그먼트는 AV(1308)가 주행할 거리 또는 AV(1308)가 동작할 속력을 포함할 수 있다.
수신된 복수의 모션 세그먼트(1504)의 각각의 모션 세그먼트에 대해, AV(1308)는 저장된 복수의 제약(1520)의 대응하는 위반 횟수를 결정한다(1712). 모션 세그먼트는, 제약과 반대로 행동하도록 AV(1308)에 지시할 때, 제약을 위반한다. 예를 들어, 제약은 AV(1308)에 대한 최대 속력이 30 mph여야 함을 명시하는 반면, 모션 세그먼트는 AV(1308)에 대해 60 mph의 동작 속력을 명시한다. AV(1308)는 더 높은 순위의 제약, 예를 들어, 차량(1316)과의 충돌을 방지하는 것을 충족시키기 위해, 더 낮은 순위의 제약, 예를 들어, 편안한 승차를 제공하는 것을 일시적으로 위반할 수 있다.
AV(1308)는, 머신 러닝 회로(1516)를 사용하여, 저장된 복수의 제약(1520) 및 수신된 복수의 모션 세그먼트(1504)로부터 제2 모션 세그먼트를 생성한다(1716). 제2 모션 세그먼트에 대한 제약(1520)의 위반 횟수는 수신된 복수의 모션 세그먼트(1504)의 각각의 모션 세그먼트에 대한 제약(1520)의 대응하는 위반 횟수보다 낮다. 따라서 AV(1308)는 AV(1308)가 위반하는 제약의 수를 최소화하면서 그의 운행 목적을 달성한다.
AV(1308)는, 하나 이상의 프로세서를 사용하여, 제2 모션 세그먼트에 따라 AV(1308)를 동작시킨다(1720).
추가 실시예
일 실시예에서, 차량의 하나 이상의 프로세서는 차량을 동작시키는 것에 대한 다수의 제약을 저장한다. 하나 이상의 프로세서는 차량을 동작시키기 위한 다수의 모션 세그먼트를 수신한다. 적어도 제1 모션 세그먼트는 차량이 주행할 거리를 포함한다. 각각의 모션 세그먼트에 대해, 저장된 제약의 대응하는 위반 횟수가 결정된다. 머신 러닝 회로는 저장된 제약 및 수신된 모션 세그먼트로부터 제2 모션 세그먼트를 생성한다. 머신 러닝 회로는 제2 모션 세그먼트에 대한 제약의 위반 횟수가 수신된 모션 세그먼트들의 각각의 모션 세그먼트에 대한 제약의 대응하는 위반 횟수보다 낮다고 결정한다. 하나 이상의 프로세서는 제2 모션 세그먼트에 따라 차량을 동작시킨다.
일 실시예에서, 하나 이상의 프로세서는 저장된 제약 및 수신된 모션 세그먼트를 모션 계획 그래프로 통합한다.
일 실시예에서, 저장된 제약의 대응하는 위반 횟수를 결정하는 것은, 각각의 모션 세그먼트에 대해, 모션 세그먼트에 대응하는 모션 계획 그래프의 에지를 식별하는 것을 포함한다. 식별된 에지와 연관된 저장된 제약의 위반 횟수가 결정된다.
일 실시예에서, 머신 러닝 회로에 의해 생성된 제2 모션 세그먼트는 모션 계획 그래프의 제2 에지에 대응한다. 제2 에지와 연관된 저장된 제약의 위반 횟수는 모션 계획 그래프의 각각의 다른 에지와 연관된 저장된 제약의 대응하는 위반 횟수보다 낮다.
일 실시예에서, 저장된 제약의 대응하는 위반 횟수에 기초하여 각각의 모션 세그먼트에 대해 동작 메트릭이 생성된다.
일 실시예에서, 머신 러닝 회로는 저장된 제약 및 수신된 모션 세그먼트로부터 각각의 동작 메트릭에 대응하는 계수를 생성한다.
일 실시예에서, 각각의 동작 메트릭은 동작 메트릭과 차량의 운행 안전성 간의 연관성에 따라 계층적 순서로 순위화된다.
일 실시예에서, 차량과 대상체의 충돌을 방지하는 것과 연관된 제1 동작 메트릭은 차량의 승객 센서에 의해 측정되는 승객 편의 레벨을 증가시키는 것과 연관된 제2 동작 메트릭보다 높게 순위화된다.
일 실시예에서, 머신 러닝 회로는 저장된 제약 및 수신된 모션 세그먼트에 기초하여 동작 메트릭을 순위화하기 위한 계층적 순서를 생성한다.
일 실시예에서, 제2 모션 세그먼트를 생성하는 것은 운행 안전성과 연관된 제3 동작 메트릭을 운행 안전성과 연관되지 않은 제4 동작 메트릭보다 더 높게 순위화하는 것을 포함한다. 머신 러닝 회로는 제2 모션 세그먼트에 대한 제3 동작 메트릭을 감소시킨다.
일 실시예에서, 차량을 동작시키기 위한 제3 모션 세그먼트는 수신된 모션 세그먼트 및 제2 모션 세그먼트를 포함하는 그룹으로부터 식별된다. 동작 메트릭이 식별된 제3 모션 세그먼트에 걸쳐 감소된다.
일 실시예에서, 식별된 제3 모션 세그먼트가 제2 모션 세그먼트를 포함할 가능성을 나타내는 점수가 생성된다. 머신 러닝 회로는 생성된 점수를 사용하여 제4 모션 세그먼트를 생성하도록 트레이닝된다. 생성된 제4 모션 세그먼트에 대응하는 저장된 제약의 위반 횟수는 수신된 모션 세그먼트들의 각각의 모션 세그먼트에 대한 저장된 제약의 대응하는 위반 횟수보다 낮다.
일 실시예에서, 제2 모션 세그먼트를 생성하는 것은 수신된 모션 세그먼트들의 각각의 모션 세그먼트에 대한 점수를 생성하는 것을 포함한다. 점수는 모션 세그먼트에 대한 저장된 제약의 대응하는 위반 횟수가 수신된 모션 세그먼트들의 각각의 다른 모션 세그먼트에 대한 저장된 제약의 대응하는 위반 횟수보다 낮을 가능성을 나타낸다.
일 실시예에서, 제2 모션 세그먼트를 생성하는 것은 저장된 제약 및 수신된 모션 세그먼트로부터 특징 벡터를 추출하는 것을 포함한다. 특징 벡터는 제5 모션 세그먼트에 따라 차량을 동작시킬 때 차량과 대상체 간의 측방향 이격거리를 기술하는 적어도 제1 특징을 포함한다. 하나 이상의 프로세서는 제2 모션 세그먼트를 생성하기 위해 특징 벡터를 머신 러닝 회로에 송신한다.
일 실시예에서, 머신 러닝 회로는 수신된 모션 세그먼트에 기초하여 차량을 동작시키기 위한 제6 모션 세그먼트를 생성하도록 트레이닝된다. 제6 모션 세그먼트에 저장된 제약의 위반 횟수는 수신된 모션 세그먼트들의 각각의 모션 세그먼트에 대한 저장된 제약의 대응하는 위반 횟수보다 낮다.
일 실시예에서, 특징 벡터의 제2 특징은 제7 모션 세그먼트에 따라 주행할 때 차량과 대상체의 충돌 가능성을 포함한다.
일 실시예에서, 특징 벡터의 제3 특징은 차량이 수신된 모션 세그먼트들 중 제8 모션 세그먼트에 따라 주행할 때 승객 편의 레벨을 포함한다. 승객 편의 레벨은 차량에 위치된 승객 센서에 의해 측정된다.
전술한 설명에서, 본 발명의 실시예는 구현마다 달라질 수 있는 다수의 특정 세부 사항을 참조하여 기술되었다. 따라서, 상세한 설명 및 도면은 제한적인 관점보다는 예시적인 관점에서 보아야 한다. 본 발명의 범위의 유일한 독점적인 지표, 및 출원인이 본 발명의 범위가 되도록 의도한 것은, 본 출원에서 특정 형태로 나오는 일련의 청구항의 문언적 등가 범위이며, 그러한 청구항이 나오는 특정 형태는 임의의 후속 보정을 포함한다. 그러한 청구항에 포함된 용어에 대한 본원에서 명시적으로 기재된 임의의 정의는 청구항에서 사용되는 그러한 용어의 의미를 결정한다. 그에 부가하여, 전술한 설명 및 이하의 청구항에서 "추가로 포함하는"이라는 용어가 사용될 때, 이 문구에 뒤따르는 것은 추가적인 단계 또는 엔티티, 또는 이전에 언급된 단계 또는 엔티티의 서브-단계/서브-엔티티일 수 있다.

Claims (20)

  1. 방법으로서,
    환경 내에 위치된 차량의 하나 이상의 프로세서를 사용하여, 상기 환경 내에서 상기 차량을 동작시키는 것에 대한 복수의 제약을 저장하는 단계;
    상기 차량의 하나 이상의 센서를 사용하여, 상기 환경을 기술하는 센서 데이터를 수신하는 단계;
    상기 하나 이상의 프로세서를 사용하여, 상기 저장된 복수의 제약 및 상기 수신된 센서 데이터로부터 특징 벡터를 추출하는 단계 - 상기 특징 벡터는 상기 환경 내에 위치된 대상체를 기술하는 제1 특징을 포함함 - ;
    상기 차량의 머신 러닝 회로를 사용하여, 상기 저장된 복수의 제약의 위반 횟수가 임계치 미만이도록, 상기 특징 벡터에 기초하여 제1 모션 세그먼트를 생성하는 단계; 및
    상기 하나 이상의 프로세서를 사용하여, 상기 생성된 제1 모션 세그먼트에 따라 상기 차량을 동작시키는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 생성된 제1 모션 세그먼트는 상기 대상체와의 충돌을 방지하기 위한 상기 차량의 방향 배향을 포함하는 것인, 방법.
  3. 제1항 또는 제2항에 있어서,
    상기 추출된 특징 벡터의 제2 특징은:
    상기 대상체의 시공간적 위치;
    상기 대상체의 속력; 또는
    상기 대상체의 방향 배향
    중 적어도 하나를 포함하는 것인, 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 추출된 특징 벡터의 제3 특징은 상기 차량의 최대 속력, 상기 차량의 최대 가속도, 또는 상기 차량의 최대 저크 중 적어도 하나를 포함하고;
    상기 최대 속력, 상기 최대 가속도, 또는 상기 최대 저크 중 상기 적어도 하나는 상기 차량의 하나 이상의 승객 센서에 의해 측정되는 승객 편의 레벨에 대응하는 것인, 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 추출된 특징 벡터의 제4 특징은 상기 제1 모션 세그먼트에 따라 상기 차량을 동작시키는 것이 교통 신호등 위반을 유발하는지 여부를 나타내는 것인, 방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 생성된 제1 모션 세그먼트는:
    상기 환경의 2개의 시공간적 위치 사이의 궤적; 또는
    상기 차량과 상기 대상체의 충돌을 방지하기 위한 상기 차량의 속력
    중 적어도 하나를 포함하는 것인, 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 하나 이상의 프로세서를 사용하여, 상기 추출된 특징 벡터의 복수의 특징을 모션 계획 그래프로 통합하는(aggregating) 단계
    를 추가로 포함하고,
    상기 모션 계획 그래프는 복수의 에지를 포함하며;
    상기 복수의 에지의 각각의 에지는 상기 수신된 복수의 모션 세그먼트 중의 모션 세그먼트에 대응하는 것인, 방법.
  8. 제7항에 있어서,
    상기 특징 벡터에 기초하여, 상기 차량을 동작시키기 위한 상기 제1 모션 세그먼트를 생성하는 단계는:
    상기 하나 이상의 프로세서를 사용하여, 상기 복수의 에지 중 제2 에지에 대응하는 제2 모션 세그먼트보다 상기 복수의 에지 중 제1 에지에 대응하는 상기 제1 모션 세그먼트를 선택하는 단계를 포함하고,
    상기 제1 모션 세그먼트에 따라 상기 차량을 동작시키는 것은 더 높은 순위를 갖는 제1 제약의 위반을 유발하고;
    상기 제2 모션 세그먼트에 따라 상기 차량을 동작시키는 것은 더 낮은 순위를 갖는 제2 제약의 위반을 유발하는 것인, 방법.
  9. 제7항에 있어서,
    상기 모션 계획 그래프는 최소 위반 모션 계획 그래프를 포함하고;
    상기 복수의 에지의 각각의 에지는 대응하는 모션 세그먼트의 동작 메트릭의 값과 연관되는 것인, 방법.
  10. 제9항에 있어서,
    상기 머신 러닝 회로를 사용하여, 상기 특징 벡터에 기초하여 상기 모션 계획 그래프의 상기 복수의 에지의 각각의 대응하는 모션 세그먼트의 상기 동작 메트릭의 값을 생성하는 단계
    를 추가로 포함하는, 방법.
  11. 제9항에 있어서,
    상기 차량을 동작시키기 위한 제1 모션 세그먼트를 생성하는 단계는, 상기 머신 러닝 회로를 사용하여, 상기 모션 계획 그래프의 상기 복수의 에지의 각각의 에지에 대해, 대응하는 모션 세그먼트에 따라 상기 차량을 동작시키는 것이 상기 동작 메트릭을 상기 임계치 미만으로 되게 할 가능성을 식별하는 단계를 포함하는 것인, 방법.
  12. 제9항에 있어서,
    상기 하나 이상의 프로세서를 사용하여, 상기 환경 내에서 상기 차량을 동작시키기 위한 제3 모션 세그먼트를 생성하기 위해 상기 저장된 복수의 제약 및 상기 수신된 센서 데이터를 샘플링하는 단계
    를 추가로 포함하고,
    상기 제3 모션 세그먼트에 따라 상기 차량을 동작시키는 것은 상기 차량을 동작시키는 것과 연관된 상기 동작 메트릭을 상기 임계치 미만으로 되게 하는 것인, 방법.
  13. 제9항에 있어서,
    상기 동작 메트릭은 상기 저장된 복수의 제약의 위반 횟수의 가중 총계를 추가로 포함하고;
    상기 저장된 복수의 제약 중의 제약의 각각의 위반은 상기 제약의 순위에 의해 가중되는 것인, 방법.
  14. 제1항 내지 제13항 중 어느 한 항에 있어서,
    상기 환경 내에서 상기 차량을 동작시키는 것에 대한 상기 복수의 제약은 계층적 순서로 순위화되고;
    상기 복수의 제약의 각각의 제약의 순위는 상기 차량의 운행 안전성 레벨에 대응하는 것인, 방법.
  15. 제14항에 있어서,
    상기 머신 러닝 회로를 사용하여, 상기 추출된 특징 벡터에 기초하여 상기 복수의 제약을 순위화하기 위한 상기 계층적 순서를 생성하는 단계
    를 추가로 포함하는, 방법.
  16. 차량으로서,
    하나 이상의 컴퓨터 프로세서; 및
    명령을 저장하는 하나 이상의 비-일시적 저장 매체
    를 포함하며, 상기 명령은, 상기 하나 이상의 컴퓨터 프로세서에 의해 실행될 때, 상기 하나 이상의 컴퓨터 프로세서로 하여금:
    환경 내에서 상기 차량을 동작시키는 것에 대한 복수의 제약을 저장하게 하고;
    상기 차량의 하나 이상의 센서를 사용하여, 상기 환경을 기술하는 센서 데이터를 수신하게 하며;
    상기 저장된 복수의 제약 및 상기 수신된 센서 데이터로부터 특징 벡터를 추출하게 하고 - 상기 특징 벡터는 상기 환경 내에 위치된 대상체를 기술하는 제1 특징을 포함함 -;
    상기 차량의 머신 러닝 회로를 사용하여, 상기 저장된 복수의 제약의 위반 횟수가 임계치 미만이도록, 상기 특징 벡터에 기초하여 제1 모션 세그먼트를 생성하게 하며;
    상기 생성된 제1 모션 세그먼트에 따라 상기 차량을 동작시키게
    하는 것인, 차량.
  17. 제16항에 있어서,
    상기 생성된 제1 모션 세그먼트는 상기 대상체와의 충돌을 방지하기 위한 상기 차량의 방향 배향을 포함하는 것인, 차량.
  18. 제16항 또는 제17항에 있어서,
    상기 추출된 특징 벡터의 제2 특징은 상기 대상체의 시공간적 위치, 상기 대상체의 속력, 또는 상기 대상체의 방향 배향 중 적어도 하나를 포함하는 것인, 차량.
  19. 명령을 저장하는 하나 이상의 비-일시적 저장 매체로서, 상기 명령은, 하나 이상의 컴퓨팅 디바이스에 의해 실행될 때, 상기 하나 이상의 컴퓨팅 디바이스로 하여금:
    환경 내에서 차량을 동작시키는 것에 대한 복수의 제약을 저장하게 하고;
    상기 차량의 하나 이상의 센서를 사용하여, 상기 환경을 기술하는 센서 데이터를 수신하게 하며;
    상기 저장된 복수의 제약 및 상기 수신된 센서 데이터로부터 특징 벡터를 추출하게 하고 - 상기 특징 벡터는 상기 환경 내에 위치된 대상체를 기술하는 제1 특징을 포함함 -;
    상기 차량의 머신 러닝 회로를 사용하여, 상기 저장된 복수의 제약의 위반 횟수가 임계치 미만이도록, 상기 특징 벡터에 기초하여 제1 모션 세그먼트를 생성하게 하며;
    상기 생성된 제1 모션 세그먼트에 따라 상기 차량을 동작시키게
    하는 것인, 하나 이상의 비-일시적 저장 매체.
  20. 제19항에 있어서,
    상기 생성된 제1 모션 세그먼트는 상기 대상체와의 충돌을 방지하기 위한 상기 차량의 방향 배향을 포함하는 것인, 하나 이상의 비-일시적 저장 매체.
KR1020207035780A 2018-12-18 2019-12-05 머신 러닝을 이용한 모션 계획을 사용한 차량의 동작 KR102569134B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862781573P 2018-12-18 2018-12-18
US62/781,573 2018-12-18
PCT/US2019/064603 WO2020131399A1 (en) 2018-12-18 2019-12-05 Operation of a vehicle using motion planning with machine learning

Publications (2)

Publication Number Publication Date
KR20210100007A true KR20210100007A (ko) 2021-08-13
KR102569134B1 KR102569134B1 (ko) 2023-08-22

Family

ID=68988316

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207035780A KR102569134B1 (ko) 2018-12-18 2019-12-05 머신 러닝을 이용한 모션 계획을 사용한 차량의 동작

Country Status (6)

Country Link
US (2) US11899464B2 (ko)
KR (1) KR102569134B1 (ko)
CN (1) CN113165668A (ko)
DE (1) DE112019004832T5 (ko)
GB (2) GB2608567B (ko)
WO (1) WO2020131399A1 (ko)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6643417B2 (ja) * 2018-08-02 2020-02-12 Ｈａｐｓモバイル株式会社 システム、制御装置及び軽航空機
GB2608567B (en) 2018-12-18 2023-06-14 Motional Ad Llc Operation of a vehicle using motion planning with machine learning
WO2020131372A1 (en) 2018-12-18 2020-06-25 Wongpiromsarn Tichakorn Operation of a vehicle using multiple motion constraints
US20210058814A1 (en) * 2019-08-22 2021-02-25 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for processing traffic data from vehicles
US11945440B2 (en) 2019-08-23 2024-04-02 Motional Ad Llc Data driven rule books
US11325594B2 (en) * 2020-02-10 2022-05-10 GM Global Technology Operations LLC Sensor fusion based on intersection scene to determine vehicle collision potential
US11429107B2 (en) 2020-02-21 2022-08-30 Argo AI, LLC Play-forward planning and control system for an autonomous vehicle
US11643105B2 (en) 2020-02-21 2023-05-09 Argo AI, LLC Systems and methods for generating simulation scenario definitions for an autonomous vehicle system
US20200326721A1 (en) * 2020-06-26 2020-10-15 Intel Corporation Occupancy verification device and method
US20220080962A1 (en) * 2020-09-14 2022-03-17 Motional Ad Llc Vehicle operation using a behavioral rule model
US11521394B2 (en) * 2020-10-09 2022-12-06 Motional Ad Llc Ground plane estimation using LiDAR semantic network
US11648959B2 (en) 2020-10-20 2023-05-16 Argo AI, LLC In-vehicle operation of simulation scenarios during autonomous vehicle runs
US20220126876A1 (en) * 2020-10-23 2022-04-28 Motional Ad Llc Vehicle operation using behavioral rule checks
WO2022178478A1 (en) * 2021-02-18 2022-08-25 Argo AI, LLC Rare event simulation in autonomous vehicle motion planning
US11623738B1 (en) * 2021-11-12 2023-04-11 Beta Air, Llc System and method for the prioritization of flight controls in an electric aircraft
RU2767826C1 (ru) * 2021-05-24 2022-03-22 Общество с ограниченной ответственностью «Яндекс Беспилотные Технологии» Способ и устройство для управления автомобилем
US20230020503A1 (en) * 2021-07-08 2023-01-19 Ford Global Technologies, Llc Machine control
US11851091B2 (en) 2021-09-14 2023-12-26 Motional Ad Llc Immobility detection within situational context
US11845454B2 (en) * 2021-09-14 2023-12-19 Motional Ad Llc Operational envelope detection with situational assessment
US20230221128A1 (en) * 2022-01-11 2023-07-13 Motional Ad Llc Graph Exploration for Rulebook Trajectory Generation
US20230331252A1 (en) * 2022-04-15 2023-10-19 Gm Cruise Holdings Llc Autonomous vehicle risk evaluation
US20240042993A1 (en) * 2022-08-04 2024-02-08 Motional Ad Llc Trajectory generation utilizing diverse trajectories
WO2024073033A1 (en) * 2022-09-30 2024-04-04 Tesla, Inc. Labeling training data using high-volume navigation data
US20240124016A1 (en) * 2022-10-14 2024-04-18 Motional Ad Llc Ensemble-based vehicle motion planner

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009101733A (ja) * 2007-10-19 2009-05-14 Toyota Motor Corp 車両走行制御装置
JP2009137410A (ja) * 2007-12-05 2009-06-25 Toyota Motor Corp 走行軌跡生成方法及び走行軌跡生成装置
JP2012116366A (ja) * 2010-12-01 2012-06-21 Toyota Motor Corp 走行支援装置
JP2016007989A (ja) * 2014-06-26 2016-01-18 クラリオン株式会社 車両制御装置及び車両制御方法
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
JP2017154725A (ja) * 2015-04-21 2017-09-07 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
US20180150081A1 (en) * 2018-01-24 2018-05-31 GM Global Technology Operations LLC Systems and methods for path planning in autonomous vehicles
KR20180109190A (ko) * 2017-03-27 2018-10-08 현대자동차주식회사 딥러닝 기반 자율주행 차량 제어 장치, 그를 포함한 시스템 및 그 방법

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1942026B1 (en) 2005-08-04 2013-07-03 Volvo Car Corporation Automatic collision mangagement system
DE102008062916A1 (de) 2008-12-23 2010-06-24 Continental Safety Engineering International Gmbh Verfahren zur Ermittlung einer Kollisionswahrscheinlichkeit eines Fahrzeuges mit einem Lebewesen
WO2011009011A1 (en) 2009-07-15 2011-01-20 Massachusetts Institute Of Technology An integrated framework for vehicle operator assistance based on a trajectory prediction and threat assessment
WO2010101749A1 (en) 2009-03-05 2010-09-10 Massachusetts Institute Of Technology Predictive semi-autonomous vehicle navigation system
US8698639B2 (en) 2011-02-18 2014-04-15 Honda Motor Co., Ltd. System and method for responding to driver behavior
DE102013013867A1 (de) 2013-08-20 2015-03-12 Audi Ag Kraftfahrzeug und Verfahren zur Steuerung eines Kraftfahrzeugs
EP2848487B1 (en) 2013-09-12 2020-03-18 Volvo Car Corporation Manoeuvre generation for automated drive
US9135803B1 (en) * 2014-04-17 2015-09-15 State Farm Mutual Automobile Insurance Company Advanced vehicle operator intelligence system
EP3145776A1 (de) 2014-05-22 2017-03-29 Conti Temic microelectronic GmbH Verfahren und vorrichtung zur erhöhung der sicherheit bei einem überholvorgang eines fahrzeuges
KR101610544B1 (ko) 2014-11-21 2016-04-07 현대자동차주식회사 차량의 자율 주행 시스템 및 방법
JP6699831B2 (ja) * 2016-04-28 2020-05-27 トヨタ自動車株式会社 運転意識推定装置
US10331138B2 (en) * 2016-07-05 2019-06-25 Baidu Usa Llc Standard scene-based planning control methods for operating autonomous vehicles
JP6756174B2 (ja) * 2016-07-12 2020-09-16 株式会社デンソー 車両制御装置
US10699305B2 (en) 2016-11-21 2020-06-30 Nio Usa, Inc. Smart refill assistant for electric vehicles
US10403145B2 (en) 2017-01-19 2019-09-03 Ford Global Technologies, Llc Collison mitigation and avoidance
FR3063265B1 (fr) * 2017-02-28 2019-04-05 Renault S.A.S Dispositif de controle de trajectoire d un vehicule
EP4357869A3 (en) 2017-03-20 2024-06-12 Mobileye Vision Technologies Ltd. Trajectory selection for an autonomous vehicle
CN110914641B (zh) * 2017-06-14 2024-01-30 御眼视觉技术有限公司 自主导航的导航信息的融合构架和分批对齐
US10216189B1 (en) 2017-08-23 2019-02-26 Uber Technologies, Inc. Systems and methods for prioritizing object prediction for autonomous vehicles
US10019011B1 (en) * 2017-10-09 2018-07-10 Uber Technologies, Inc. Autonomous vehicles featuring machine-learned yield model
US20190120640A1 (en) 2017-10-19 2019-04-25 rideOS Autonomous vehicle routing
US10156850B1 (en) 2017-12-08 2018-12-18 Uber Technologies, Inc. Object motion prediction and vehicle control systems and methods for autonomous vehicles
DE112019000065T5 (de) * 2018-02-02 2020-03-05 Nvidia Corporation Sicherheitsprozeduranalyse zur hindernisvermeidung in einem autonomen fahrzeug
US20180164822A1 (en) 2018-02-09 2018-06-14 GM Global Technology Operations LLC Systems and methods for autonomous vehicle motion planning
US10860023B2 (en) * 2018-06-25 2020-12-08 Mitsubishi Electric Research Laboratories, Inc. Systems and methods for safe decision making of autonomous vehicles
US11048252B2 (en) * 2018-10-19 2021-06-29 Baidu Usa Llc Optimal path generation for static obstacle avoidance
US11648951B2 (en) * 2018-10-29 2023-05-16 Motional Ad Llc Systems and methods for controlling actuators based on load characteristics and passenger comfort
US11827241B2 (en) * 2018-10-29 2023-11-28 Motional Ad Llc Adjusting lateral clearance for a vehicle using a multi-dimensional envelope
DK201970121A1 (en) * 2018-10-30 2020-06-04 Aptiv Technologies Limited GENERATION OF OPTIMAL TRAJECTORIES FOR NAVIGATION OF VEHICLES
WO2020112799A1 (en) 2018-11-26 2020-06-04 Voznesensky Michael Routing graph management in autonomous vehicle routing
JP7361775B2 (ja) * 2018-12-10 2023-10-16 ホアウェイ クラウド コンピューティング テクノロジーズ カンパニー リミテッド 自律運転のための個人運転スタイル学習
WO2020131372A1 (en) 2018-12-18 2020-06-25 Wongpiromsarn Tichakorn Operation of a vehicle using multiple motion constraints
GB2608567B (en) 2018-12-18 2023-06-14 Motional Ad Llc Operation of a vehicle using motion planning with machine learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009101733A (ja) * 2007-10-19 2009-05-14 Toyota Motor Corp 車両走行制御装置
JP2009137410A (ja) * 2007-12-05 2009-06-25 Toyota Motor Corp 走行軌跡生成方法及び走行軌跡生成装置
JP2012116366A (ja) * 2010-12-01 2012-06-21 Toyota Motor Corp 走行支援装置
JP2016007989A (ja) * 2014-06-26 2016-01-18 クラリオン株式会社 車両制御装置及び車両制御方法
JP2017154725A (ja) * 2015-04-21 2017-09-07 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
KR20180109190A (ko) * 2017-03-27 2018-10-08 현대자동차주식회사 딥러닝 기반 자율주행 차량 제어 장치, 그를 포함한 시스템 및 그 방법
US20180150081A1 (en) * 2018-01-24 2018-05-31 GM Global Technology Operations LLC Systems and methods for path planning in autonomous vehicles

Also Published As

Publication number Publication date
GB2592293B (en) 2022-11-30
US20210255635A1 (en) 2021-08-19
GB2608567B (en) 2023-06-14
US20220283586A1 (en) 2022-09-08
GB202215006D0 (en) 2022-11-23
KR102569134B1 (ko) 2023-08-22
GB2592293A (en) 2021-08-25
GB202018358D0 (en) 2021-01-06
GB2608567A (en) 2023-01-04
DE112019004832T5 (de) 2021-06-24
WO2020131399A1 (en) 2020-06-25
US11320826B2 (en) 2022-05-03
US20200192391A1 (en) 2020-06-18
US11899464B2 (en) 2024-02-13
CN113165668A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
KR102569134B1 (ko) 머신 러닝을 이용한 모션 계획을 사용한 차량의 동작
KR102532546B1 (ko) 미리 계산되거나 동적으로 생성된 궤적 뱅크로부터의 궤적 예측
KR102551208B1 (ko) 차량의 교통 신호등 검출 시스템
KR102505300B1 (ko) 복수의 모션 제약을 사용하는 차량의 동작
KR102542970B1 (ko) 데이터 기반 규칙 북
KR102569135B1 (ko) 선형 시간 논리를 사용한 자율 주행 차량 동작
KR102402293B1 (ko) 자율 주행 차량 거동을 디스플레이하기 위한 그래픽 사용자 인터페이스
KR102626145B1 (ko) 거동 규칙 검사를 사용한 차량 작동
KR20220139850A (ko) 속력 프로파일 추정
KR20220110068A (ko) 기동 생성을 사용한 차량 작동
KR20220144296A (ko) 인지된 위험에 기초하여 자율 주행 차량을 운행하기 위한 기술
KR20210109615A (ko) 활동에 기초한 인지된 대상체 분류
US12019450B2 (en) Operation of a vehicle using motion planning with machine learning

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant