RU2019145038A - Способы и процессоры для управления рулением беспилотным автомобилем - Google Patents
Способы и процессоры для управления рулением беспилотным автомобилем Download PDFInfo
- Publication number
- RU2019145038A RU2019145038A RU2019145038A RU2019145038A RU2019145038A RU 2019145038 A RU2019145038 A RU 2019145038A RU 2019145038 A RU2019145038 A RU 2019145038A RU 2019145038 A RU2019145038 A RU 2019145038A RU 2019145038 A RU2019145038 A RU 2019145038A
- Authority
- RU
- Russia
- Prior art keywords
- sdc
- training
- target state
- target
- steering wheel
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims 37
- 230000007704 transition Effects 0.000 claims 4
- 238000010801 machine learning Methods 0.000 claims 3
- 230000004044 response Effects 0.000 claims 3
- 238000013528 artificial neural network Methods 0.000 claims 2
- 230000000306 recurrent effect Effects 0.000 claims 2
- 230000006870 function Effects 0.000 claims 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/021—Determination of steering angle
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
- G07C5/04—Registering or indicating driving, working, idle, or waiting time only using counting means or digital clocks
-
- 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
- B60W2520/06—Direction of travel
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Databases & Information Systems (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Traffic Control Systems (AREA)
Claims (88)
1. Способ управления рулением беспилотным автомобилем (SDC), реализованный посредством компьютера, причем SDC соединен с возможностью связи с процессором, причем SDC имеет предварительно определенный диапазон позиций рулевого колеса, которые являются физически возможными для SDC, причем способ осуществляют посредством процессора, при этом способ содержит этапы, на которых:
- получают, посредством процессора, из запоминающего устройства данные состояния SDC, ассоциированные с двумя последовательными вершинами на графовой структуре,
причем вершины графовой структуры задают последовательность целевых состояний SDC на маршруте,
первая из двух последовательных вершин задает первое целевое состояние SDC на маршруте, и
вторая из двух последовательных вершин задает второе целевое состояние SDC на маршруте;
- используют, посредством процессора, данные состояния SDC для получения набора параметров для построения полиномиальной кривой,
причем полиномиальная кривая представляет возможный вариант профиля руления SDC для попытки перехода из первого целевого состояния во второе целевое состояние;
причем возможный вариант профиля руления представляет множество возможных вариантов позиций рулевого колеса для SDC в соответствующие моменты времени между (i) моментом времени, ассоциированным с первым целевым состоянием, и (ii) моментом времени, ассоциированным со вторым целевым состоянием,
причем по меньшей мере один возможный вариант позиции рулевого колеса из множества возможных вариантов позиций рулевого колеса представляет собой неразрешенную позицию рулевого колеса,
причем неразрешенная позиция рулевого колеса находится за пределами предварительно определенного диапазона позиций рулевого колеса SDC;
- используют, посредством процессора, полиномиальную кривую для моделирования возможного варианта траектории SDC, как если SDC управляют с помощью руля в соответствии с множеством возможных вариантов позиций рулевого колеса в соответствующие моменты времени, и таким образом, что вместо неразрешенной позиции рулевого колеса используют ближайшую относительно неразрешенной позиции рулевого колеса разрешенную позицию рулевого колеса в предварительно определенном диапазоне позиций рулевого колеса ,
причем возможный вариант траектории (i) начинается в первом целевом состоянии SDC и (ii) завершается в моделируемом состоянии SDC;
- определяют, посредством процессора, смещение между моделируемым состоянием SDC и вторым целевым состоянием SDC;
- в ответ на смещение, составляющее ниже предварительно определенного порогового значения, выбирают, посредством процессора, возможный вариант профиля руления в качестве целевого профиля руления SDC; и
- используют, посредством процессора, целевой профиль руления SDC для управления рулением SDC, когда SDC находится в первом целевом состоянии.
2. Способ по п. 1, в котором до получения данных состояния SDC, способ дополнительно содержит этап, на котором:
- формируют, посредством процессора, графовую структуру для маршрута, которого должен придерживаться SDC.
3. Способ по п. 1, в котором запоминающее устройство представляет собой запоминающее устройство удаленного сервера.
4. Способ по п. 1, в котором набор параметров получают из запоминающего устройства.
5. Способ по п. 4, в котором запоминающее устройство выполнено с возможностью сохранять соответствующие наборы параметров для соответствующих пар последовательных предварительно определенных состояний SDC.
6. Способ по п. 1, в котором данные состояния SDC, ассоциированные с данным состоянием SDC, содержат множество значений состояния.
7. Способ по п. 6, в котором каждое из множества значений состояния содержит, по меньшей мере:
- значение позиции;
- значение времени;
- значение ориентации транспортного средства; и
- значение позиции руления.
8. Способ по п. 1, в котором набор параметров содержит по меньшей мере четыре параметра.
9. Способ по п. 8, в котором набор параметров содержит по меньшей мере один параметр, указывающий общую величину перемещения при рулении.
10. Способ по п. 1, в котором полиномиальную кривую строят в качестве полиномиальной функции третьей степени.
11. Способ по п. 1, в котором предварительно определенный диапазон позиций рулевого колеса указывает максимальную амплитуду руления, с возможностью выполнения которой физически выполнено SDC.
12. Способ по п. 1, при этом способ дополнительно содержит этап, на котором:
- сравнивают, посредством процессора, смещение с предварительно определенным пороговым значением.
13. Способ по п. 13, в котором смещение составляет ниже предварительно определенного порогового значения, когда моделируемое состояние SDC совпадает со вторым целевым состоянием SDC.
14. Способ по п. 1, в котором в ответ на смещение, составляющее выше предварительно определенного порогового значения, способ дополнительно содержит этап, на котором выполняют, посредством процессора, процедуру регулирования,
причем процедура регулирования содержит этапы, на которых:
- используют, посредством процессора, смещение для регулирования набора параметров,
за счет этого определяя набор отрегулированных параметров для построения отрегулированной полиномиальной кривой,
причем отрегулированная полиномиальная кривая представляет отрегулированный профиль руления для SDC для попытки перехода из первого целевого состояния во второе целевое состояние;
- используют, посредством процессора, отрегулированную полиномиальную кривую для моделирования второго возможного варианта траектории SDC, как если SDC управляют с помощью руля в соответствии с отрегулированным профилем руления,
причем второй возможный вариант траектории (i) начинается в первом целевом состоянии SDC и (ii) завершается во втором моделируемом состоянии SDC;
- определяют, посредством процессора, второе смещение между вторым моделируемым состоянием SDC и вторым целевым состоянием SDC; и
- в ответ на второе смещение, составляющее ниже предварительно определенного порогового значения, выбирают, посредством процессора, отрегулированный профиль руления в качестве целевого профиля руления для SDC.
15. Способ по п. 14, при этом способ дополнительно содержит этап, на котором:
- итеративно повторяют, посредством процессора, процедуру регулирования до тех пор, пока данное смещение не составляет ниже предварительно определенного порогового значения.
16. Способ по п. 1, при этом способ дополнительно содержит этап, на котором:
- используют, посредством сервера, (i) первое целевое состояние, (ii) второе целевое состояние и (iii) целевой профиль руления SDC для того, чтобы обучить алгоритм машинного обучения (MLA) прогнозировать позицию рулевого колеса в ходе использования для SDC для текущего состояния в ходе использования SDC с учетом того, что траектория в ходе использования SDC должна завершаться во втором целевом состоянии в ходе использования.
17. Способ обучения алгоритма машинного обучения (MLA) для прогнозирования позиций рулевого колеса для управления рулением беспилотным автомобилем (SDC), причем SDC соединен с возможностью связи с процессором, причем способ осуществляют посредством процессора, при этом способ содержит этапы, на которых:
- получают, посредством процессора, множество обучающих наборов данных, ассоциированных с обучающей траекторией SDC,
причем обучающая траектория имеет множество целевых состояний SDC, при этом множество целевых состояний включают в себя (i) первое целевое состояние SDC, (ii) набор промежуточных целевых состояний и (iii) второе целевое состояние SDC,
причем целевая траектория (i) начинается с нахождения SDC в первом целевом состоянии, (ii) продолжается с нахождением SDC последовательно в наборе промежуточных целевых состояний и (iii) завершается с нахождением SDC во втором целевом состоянии,
причем обучающая траектория ассоциирована с множеством фактических позиций рулевого колеса в различные моменты времени, причем данная фактическая позиция рулевого колеса в данный момент времени служит для прихода из данного целевого состояния обучающей траектории в последовательное целевое состояние обучающей траектории,
причем данный один из множества обучающих наборов данных включает в себя (i) обучающий ввод и (ii) соответствующую метку,
причем обучающий ввод указывает (i) обучающее целевое состояние и (ii) второе целевое состояние,
причем обучающее целевое состояние представляет собой по меньшей мере одно из (i) первого целевого состояния и (ii) одного из множества промежуточных целевых состояний,
причем соответствующая метка указывает фактическую позицию рулевого колеса в соответствующий момент времени для прихода из обучающего целевого состояния в последовательное целевое состояние обучающей траектории;
- вводят, посредством процессора, данный обучающий набор данных в MLA для определения прогнозируемой позиции рулевого колеса для прихода из обучающего целевого состояния в соответствующий момент времени в последовательное целевое состояние с учетом того, что обучающая траектория должна завершаться вторым целевым состоянием;
- определяют, посредством процессора, разность между прогнозируемой позицией рулевого колеса для обучающего целевого состояния и фактической позицией рулевого колеса для обучающего целевого состояния; и
- обучают, посредством процессора, MLA на основе разности с возможностью прогнозировать позицию рулевого колеса в ходе использования для SDC для текущего состояния в ходе использования SDC с учетом того, что траектория в ходе использования SDC должна завершаться во втором целевом состоянии в ходе использования.
18. Способ по п. 17, в котором:
- ввод содержит этап, на котором итеративно вводят, посредством процессора, соответствующие обучающие наборы данных из множества обучающих наборов данных в MLA для определения соответствующих прогнозируемых позиций рулевого колеса, и при этом:
- обучение содержит этап, на котором итеративно обучают посредством процессора MLA на основе разностей между соответствующими прогнозируемыми позициями рулевого колеса и соответствующими фактическими позициями рулевого колеса.
19. Способ по п. 17, в котором множество фактических позиций рулевого колеса, ассоциированных с обучающей траекторией, имеют форму профиля руления для обучающей траектории, причем профиль руления построен посредством процессора в качестве полиномиальной кривой, представляющей данный профиль руления SDC, который позволяет SDC переходить из первого целевого состояния во второе целевое состояние.
20. Способ по п. 17, в котором обучающая траектория и фактические позиции рулевого колеса, ассоциированные с ней, собраны посредством устройства, ассоциированного с одним из следующего: (i) транспортное средство в ходе управления водителем-человеком, (ii) обучающий SDC.
21. Способ по п. 17, в котором множество целевых состояний обучающей траектории выбирают для избегания препятствия, и при этом обучающий ввод дополнительно указывает позицию препятствия.
22. Способ по п. 17, в котором обучающий ввод указывает первое целевое состояние, одно из множества промежуточных целевых состояний и второе целевое состояние.
23. Способ по п. 17, в котором обучающий ввод дополнительно указывает по меньшей мере одну из позиции центра полосы движения, на которой расположена оптимальная траектория.
24. Способ по п. 17, в котором MLA реализована как рекуррентная нейронная сеть (RNN), имеющая внутреннее состояние, и при этом обучающий ввод дополнительно указывает предыдущее целевое состояние по отношению к одному из множества промежуточных целевых состояний.
25. Процессор для обучения алгоритма машинного обучения (MLA) для прогнозирования позиций рулевого колеса для управления рулением беспилотным автомобилем (SDC), причем процессор выполнен с возможностью:
- получать множество обучающих наборов данных, ассоциированных с обучающей траекторией SDC,
причем обучающая траектория имеет множество целевых состояний SDC, при этом множество целевых состояний включают в себя (i) первое целевое состояние SDC, (ii) набор промежуточных целевых состояний и (iii) второе целевое состояние SDC,
причем целевая траектория (i) начинается с нахождения SDC в первом целевом состоянии, (ii) продолжается с нахождением SDC последовательно в наборе промежуточных целевых состояний и (iii) завершается с нахождением SDC во втором целевом состоянии,
причем обучающая траектория ассоциирована с множеством фактических позиций рулевого колеса в различные моменты времени, причем данная фактическая позиция рулевого колеса в данный момент времени служит для прихода из данного целевого состояния обучающей траектории в последовательное целевое состояние обучающей траектории,
причем данный один из множества обучающих наборов данных включает в себя (i) обучающий ввод и (ii) соответствующую метку,
причем обучающий ввод указывает (i) обучающее целевое состояние и (ii) второе целевое состояние,
причем обучающее целевое состояние представляет собой по меньшей мере одно из (i) первого целевого состояния и (ii) одного из множества промежуточных целевых состояний,
причем соответствующая метка указывает фактическую позицию рулевого колеса в соответствующий момент времени для прихода из обучающего целевого состояния в последовательное целевое состояние обучающей траектории;
- вводить данный обучающий набор данных в MLA для определения прогнозируемой позиции рулевого колеса для прихода из обучающего целевого состояния в соответствующий момент времени в последовательное целевое состояние с учетом того, что обучающая траектория должна завершаться вторым целевым состоянием;
- определять разность между прогнозируемой позицией рулевого колеса для обучающего целевого состояния и фактической позицией рулевого колеса для обучающего целевого состояния; и
- на основе разности обучать MLA прогнозировать позицию рулевого колеса в ходе использования для SDC для текущего состояния в ходе использования SDC с учетом того, что траектория в ходе использования SDC должна завершаться во втором целевом состоянии в ходе использования.
26. Процессор по п. 25, в котором:
- ввод выполняют процессором, выполненным с возможностью итеративно вводить соответствующие обучающие наборы данных из множества обучающих наборов данных в MLA для определения соответствующих прогнозируемых позиций рулевого колеса, и при этом:
- обучение выполняют процессором, выполненным с возможностью итеративно обучать MLA на основе разностей между соответствующими прогнозируемыми позициями рулевого колеса и соответствующими фактическими позициями рулевого колеса.
27. Процессор по п. 25, в котором множество фактических позиций рулевого колеса, ассоциированных с обучающей траекторией, имеют форму профиля руления для обучающей траектории, причем профиль руления построен посредством процессора в качестве полиномиальной кривой, представляющей данный профиль руления SDC, который позволяет SDC переходить из первого целевого состояния во второе целевое состояние.
28. Процессор по п. 25, в котором обучающая траектория и фактические позиции рулевого колеса, ассоциированные с ней, собраны посредством устройства, ассоциированного с одним из следующего: (i) транспортное средство в ходе управления водителем-человеком, (ii) обучающий SDC.
29. Процессор по п. 25, в котором множество целевых состояний обучающей траектории выбраны для избегания препятствия, и при этом обучающий ввод дополнительно указывает позицию препятствия.
30. Процессор по п. 25, в котором обучающий ввод указывает первое целевое состояние, одно из множества промежуточных целевых состояний и второе целевое состояние.
31. Процессор по п. 25, в котором обучающий ввод дополнительно указывает по меньшей мере одну из позиции центра полосы движения, на которой расположена оптимальная траектория.
32. Процессор по п. 25, в котором MLA реализована как рекуррентная нейронная сеть (RNN), имеющая внутреннее состояние, и при этом обучающий ввод дополнительно указывает предыдущее целевое состояние по отношению к одному из множества промежуточных целевых состояний.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2019145038A RU2751734C2 (ru) | 2019-12-30 | 2019-12-30 | Способы и процессоры для управления рулением беспилотным автомобилем |
US17/060,397 US11731699B2 (en) | 2019-12-30 | 2020-10-01 | Methods and processors for controlling steering of self-driving car |
EP20207084.3A EP3845981B1 (en) | 2019-12-30 | 2020-11-12 | Methods and processors for controlling steering of self-driving car |
US18/213,021 US20230347979A1 (en) | 2019-12-30 | 2023-06-22 | Methods and processors for controlling steering of self-driving car |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2019145038A RU2751734C2 (ru) | 2019-12-30 | 2019-12-30 | Способы и процессоры для управления рулением беспилотным автомобилем |
Publications (3)
Publication Number | Publication Date |
---|---|
RU2019145038A3 RU2019145038A3 (ru) | 2021-06-30 |
RU2019145038A true RU2019145038A (ru) | 2021-06-30 |
RU2751734C2 RU2751734C2 (ru) | 2021-07-16 |
Family
ID=73401329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2019145038A RU2751734C2 (ru) | 2019-12-30 | 2019-12-30 | Способы и процессоры для управления рулением беспилотным автомобилем |
Country Status (3)
Country | Link |
---|---|
US (2) | US11731699B2 (ru) |
EP (1) | EP3845981B1 (ru) |
RU (1) | RU2751734C2 (ru) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3819665B1 (en) * | 2019-11-06 | 2022-01-19 | Yandex Self Driving Group LLC | Method and computer device for calibrating lidar system |
WO2023096716A1 (en) * | 2021-11-24 | 2023-06-01 | Zoox, Inc. | Encoding relative object information into node edge features |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101013898B1 (ko) * | 2007-12-12 | 2011-02-14 | 현대자동차주식회사 | 차량용 자동주차 시스템 |
JP5608918B2 (ja) * | 2009-06-22 | 2014-10-22 | 独立行政法人 宇宙航空研究開発機構 | 航空機のステアリング角制御システム |
WO2012141601A2 (en) * | 2011-04-11 | 2012-10-18 | Crown Equipment Limited | Method and apparatus for efficient scheduling for multiple automated non-holonomic vehicles using a coordinated path planner |
US8965633B2 (en) * | 2011-09-02 | 2015-02-24 | GM Global Technology Operations LLC | System and method for speed adaptive steering override detection during automated lane centering |
US9522699B2 (en) * | 2015-02-05 | 2016-12-20 | Ford Global Technologies, Llc | Trailer backup assist system with adaptive steering angle limits |
JP2018510373A (ja) | 2015-02-10 | 2018-04-12 | モービルアイ ビジョン テクノロジーズ リミテッド | 自律車両ナビゲーションのための疎な地図 |
US9834224B2 (en) * | 2015-10-15 | 2017-12-05 | International Business Machines Corporation | Controlling driving modes of self-driving vehicles |
US10496766B2 (en) * | 2015-11-05 | 2019-12-03 | Zoox, Inc. | Simulation system and methods for autonomous vehicles |
DE102016213495A1 (de) * | 2016-07-22 | 2018-01-25 | Robert Bosch Gmbh | Fahrassistenzverfahren, Fahrassistenzsystem und Fahrzeug |
CN115343947A (zh) | 2016-09-23 | 2022-11-15 | 苹果公司 | 自主车辆的运动控制决策 |
US9874871B1 (en) * | 2016-11-21 | 2018-01-23 | Baidu Usa Llc | Method to dynamically adjusting steering rates of autonomous vehicles |
US10254121B2 (en) | 2017-01-23 | 2019-04-09 | Uber Technologies, Inc. | Dynamic routing for self-driving vehicles |
US10145953B2 (en) | 2017-03-31 | 2018-12-04 | Ford Global Technologies, Llc | Virtual steerable path |
US10332320B2 (en) | 2017-04-17 | 2019-06-25 | Intel Corporation | Autonomous vehicle advanced sensing and response |
US10496099B2 (en) * | 2017-07-18 | 2019-12-03 | Uatc, Llc | Systems and methods for speed limit context awareness |
US11048251B2 (en) | 2017-08-16 | 2021-06-29 | Uatc, Llc | Configuring motion planning for a self-driving tractor unit |
US10606270B2 (en) * | 2017-10-18 | 2020-03-31 | Luminar Technologies, Inc. | Controlling an autonomous vehicle using cost maps |
US10737717B2 (en) * | 2018-02-14 | 2020-08-11 | GM Global Technology Operations LLC | Trajectory tracking for vehicle lateral control using neural network |
DE102019202090A1 (de) | 2018-03-14 | 2019-09-19 | Robert Bosch Gmbh | Verfahren zum Erzeugen eines Trainingsdatensatzes zum Trainieren eines Künstlichen-Intelligenz-Moduls für eine Steuervorrichtung eines Roboters |
US10551836B2 (en) * | 2018-06-06 | 2020-02-04 | Ford Global Technologies, Llc | Driver assist |
US10859673B2 (en) * | 2018-11-01 | 2020-12-08 | GM Global Technology Operations LLC | Method for disambiguating ambiguous detections in sensor fusion systems |
US10831209B2 (en) * | 2018-12-19 | 2020-11-10 | Fca Us Llc | Using a long-term recurrent convolutional network to plan a sequence of lateral controls in autonomous driving |
-
2019
- 2019-12-30 RU RU2019145038A patent/RU2751734C2/ru active
-
2020
- 2020-10-01 US US17/060,397 patent/US11731699B2/en active Active
- 2020-11-12 EP EP20207084.3A patent/EP3845981B1/en active Active
-
2023
- 2023-06-22 US US18/213,021 patent/US20230347979A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210197895A1 (en) | 2021-07-01 |
US11731699B2 (en) | 2023-08-22 |
US20230347979A1 (en) | 2023-11-02 |
EP3845981A1 (en) | 2021-07-07 |
EP3845981B1 (en) | 2023-08-30 |
RU2019145038A3 (ru) | 2021-06-30 |
RU2751734C2 (ru) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062617B2 (en) | Training system for autonomous driving control policy | |
Wu et al. | Prioritized experience-based reinforcement learning with human guidance for autonomous driving | |
US20220363259A1 (en) | Method for generating lane changing decision-making model, method for lane changing decision-making of unmanned vehicle and electronic device | |
CN111260027B (zh) | 一种基于强化学习的智能体自动决策方法 | |
US11783702B2 (en) | Method and system for adaptive cycle-level traffic signal control | |
US11449016B2 (en) | Action control method and apparatus | |
CN112464577B (zh) | 车辆动力学模型的构建及车辆状态信息预测方法、装置 | |
KR102303126B1 (ko) | 사용자 선호에 따른 강화학습 기반 자율주행 최적화 방법 및 시스템 | |
RU2019145038A (ru) | Способы и процессоры для управления рулением беспилотным автомобилем | |
González et al. | High-speed highway scene prediction based on driver models learned from demonstrations | |
US11347221B2 (en) | Artificial neural networks having competitive reward modulated spike time dependent plasticity and methods of training the same | |
EP3929814A1 (en) | Making time-series predictions using a trained decoder model | |
CN115578876A (zh) | 一种车辆的自动驾驶方法、系统、设备及存储介质 | |
Kuefler et al. | Burn-in demonstrations for multi-modal imitation learning | |
RU2019143947A (ru) | Способ и система для вычисления данных для управления работой беспилотного автомобиля | |
Kume et al. | Map-based multi-policy reinforcement learning: enhancing adaptability of robots by deep reinforcement learning | |
Gong et al. | A decentralized network level adaptive signal control algorithm by deep reinforcement learning | |
WO2019155511A1 (en) | Inverse model predictive control system, inverse model predictive control method, and inverse model predictive control program | |
Ahmed et al. | A deep q-network reinforcement learning-based model for autonomous driving | |
CN110187707B (zh) | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 | |
US20230162539A1 (en) | Driving decision-making method and apparatus and chip | |
CN117008620A (zh) | 一种无人驾驶自适应路径规划方法、系统、设备及介质 | |
CN111984000A (zh) | 用于自动影响执行器的方法和设备 | |
CN114104005B (zh) | 自动驾驶设备的决策方法、装置、设备及可读存储介质 | |
US20220198925A1 (en) | Temporal detector scan image method, system, and medium for traffic signal control |