TW201801965A - 自動車移動規劃技術以及可重組配之移動規劃處理器 - Google Patents

自動車移動規劃技術以及可重組配之移動規劃處理器 Download PDF

Info

Publication number
TW201801965A
TW201801965A TW106119452A TW106119452A TW201801965A TW 201801965 A TW201801965 A TW 201801965A TW 106119452 A TW106119452 A TW 106119452A TW 106119452 A TW106119452 A TW 106119452A TW 201801965 A TW201801965 A TW 201801965A
Authority
TW
Taiwan
Prior art keywords
collision
planning
plan
cost
mobile
Prior art date
Application number
TW106119452A
Other languages
English (en)
Other versions
TWI758296B (zh
Inventor
丹尼爾 J. 索倫
喬治 D. 柯尼達里斯
威廉 弗洛伊德瓊斯
席恩 莫瑞
Original Assignee
杜克大學
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 杜克大學 filed Critical 杜克大學
Publication of TW201801965A publication Critical patent/TW201801965A/zh
Application granted granted Critical
Publication of TWI758296B publication Critical patent/TWI758296B/zh

Links

Classifications

    • 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
    • G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
    • G—PHYSICS
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

一種用於自動車之移動規劃可包括複數個感測器模組、與該複數個感測器電氣通信之複數個偵檢器、以及與該複數個偵檢器、及一自動車之一運算系統電氣通信之一移動規劃模組。該移動規劃模組儲存一規劃圖，所具有的各節點隱含地或明確地代表時間與變數，其定義該自動車之一狀態、一操作環境、或該自動車之該狀態與該操作環境兩者。一可重新組配處理器可包括一碰撞偵檢模組，並且任選地可包括一最短路徑模組。預運算碰撞資料及反映邏輯/實體節點映射關係之規劃圖資料可於一規劃階段期間予以傳送至該處理器並且於運行時間內予以使用。

Description

自動車移動規劃技術以及可重組配之移動規劃處理器
相關申請案交互參照 本申請案主張2016年6月10日提出申請之美國臨時申請案第62/348,230號、及2017年1月30日提出申請之美國臨時申請案第62/451,816號的利益，其全部內容包括任何圖形、表格及圖式在內係以參考方式併入本文。
本發明係有關於自動車移動規劃技術以及可重組配之移動規劃處理器。
移動規劃為判斷一機器人應如何在現實世界中移動之程序。其為從一機器人之起始位置至一目標狀態尋找一無碰撞路徑之程序。舉例而言，一機器人可能想要移動其臂部以觸及一所欲物件，但不與其本身或任何其他物件碰撞。進行移動規劃以導航及操縱物件之能力對因應未受強力控制或工程處理之自然環境至關重要。機器人首先感知其周圍與實體世界有關之資訊，然後電腦判斷如何控制實體機器人以使得機器人可在此受感知環境中導航。
同時以高速及低功率進行移動規劃對於包括自動車在內的許多技術為一重要且具有挑戰性的工作。自動車之挑戰包括避免與靜態(例如留在道路中之桁管或東西)及動態(單車騎士、行人、或其他汽車)障礙物發生碰撞之能力、高頻再規劃之能力、以及因應動態障礙物可用何種方式移動有關之不確定性之能力。
在許多情況中，機器人(包括自動車)之一主要限制條件為其在具有障礙物之環境中進行即時移動規劃之能力。移動規劃演算法有運算密集的特性，各移動需要進行大量碰撞檢查。
所提供的是用於自動車之專業機器人移動規劃硬體。除了用於對自動車與其他機器人進行移動規劃之系統與裝置以外，還說明可針對自動車與其他機器人實施各種專業機器人移動規劃硬體之一可重新組配處理器。該可重新組配處理器可針對一特定機器人及/或特定情境進行該移動規劃，然後經過重新組配以針對一不同機器人及/或情境解決該移動規劃。所述專業機器人移動規劃硬體可完全在硬體電路系統中、或作為藉由一硬體處理器所執行之軟體、或作為硬體電路系統、及藉由一硬體處理器所執行之軟體之一組合進行解決碰撞偵檢及/或尋找一最短路徑之移動規劃操作。該硬體及/或軟體功能可視為藉由一「移動規劃模組」來具體實現。
一種用於自動車之移動規劃可包括複數個感測器模組、與該複數個感測器電氣通信之複數個偵檢器、以及與該複數個偵檢器、及一自動車之一運算系統電氣通信之一移動規劃模組。該移動規劃模組儲存一規劃圖，所具有的各節點明確地或隱含地代表時間與變數，其定義該自動車之一狀態、一操作環境、或該自動車之該狀態與該操作環境兩者。該移動規劃模組從該複數個偵檢器接收感知資料與樣本軌跡、沿著該規劃圖中之各邊緣(其與該感知資料中之障礙物導致一碰撞)調整一碰撞機率以考量該等樣本軌跡、顧及碰撞成本與機率而判定一路徑、以及輸出該路徑至該運算系統。該複數個偵檢器可包括一物件偵檢器及一障礙物追蹤器。可包括從該物件偵檢器接收如一體素流所給予之一障礙物位置、並且為各體素指定一成本修飾符之一成本網格，接著該成本修飾符係發送至該移動規劃模組。
該移動規劃模組可包括一硬體處理器及記憶體儲存器。該記憶體儲存器可儲存在即時移動規劃前離線產生之一規劃圖，諸如一格子或其他機率路線圖。在一些狀況中，該移動規劃模組包括用以進行平行碰撞偵檢之硬體碰撞偵檢單元。在一些狀況中，該移動規劃模組包括可重新組配碰撞偵檢加速。該預運算碰撞資料可儲存於一移動規劃模組之一記憶體儲存器，使得在移動規劃期間，如收到感知資料，便藉由該移動規劃模組之一硬體處理器將該感知資料與該記憶體儲存器中所儲存之該預運算碰撞資料作比較以判斷碰撞。
在運行時間操作內，可為該規劃圖之邊緣指定一或多個變數之資訊。一個變數可以是成本，而第二變數可以是風險。成本資訊可取自該環境中與物件偵檢(靜態物件及任選地具有可計算軌跡之移動中物件)相關聯之一成本網格。風險資訊可取自取樣該物件追蹤器之輸出。接著，該移動規劃模組產生顧及成本與風險之一路徑，代表一合法移動計畫，並且還輸出該移動計畫以使得一機器人可根據該移動計畫來實現移動。
該移動規劃模組可針對多種機器人及期望的工作情境來規劃。可針對不同機器人再利用、或再規劃該移動規劃模組，或可針對一特定機器人設計該移動規劃模組。一種機器人類型可以是一自動車。
提供本發明內容是要以一簡化形式介紹下面在實施方式中進一步說明之一概念選擇。本發明內容非意欲識別所訴求標的內容之關鍵特徵或重要特徵，也非意欲用於限制所訴求標的內容之範疇。
所提供的是用於自動車之專業機器人移動規劃硬體。用於自動車之機器人移動規劃硬體涉及風險意識機器人移動規劃。除了用於對自動車與其他機器人進行移動規劃之系統與裝置以外，還說明可針對自動車與其他機器人實施各種專業機器人移動規劃硬體之一可重新組配處理器。該可重新組配處理器可針對一特定機器人及/或情境進行該移動規劃，然後經過重新組配以針對一不同機器人及/或情境解決該移動規劃。
「情境」於本文中使用時，係有關於一環境類別，諸如「上有物件之桌子」或「上有物件之書架」。一情境包括障礙物之數量分布、以及其位置、尺寸與形狀。一情境亦包括機器人起始姿勢及目標姿勢之分布及各種機器人部件之位置。於任何給定時間，機器人必須針對從一個情境取出之一個工作進行移動規劃。舉例而言，若情境為「上有物件之3呎高桌子」，在障礙物數量、障礙物位置、障礙物尺寸/形狀、及機器人起始與目標姿勢之分布給定的情況下，期望機器人不需要能夠將其臂部移到桌台下方。舉另一例而言，在許多情境中，機器人不太可能需要能夠將其臂部移到本身後面。情境之此一先驗知識節省用於解決預期移動規劃問題的資源(並且撥出更多硬體)。若一給定環境中的情境可能超過一個，則當該情境變化時，利用有效為可能情境聯集之一複合情境，或重新組配機器人移動規劃硬體。
一「載具」於本文中使用時，係有關於可在地上、水上或水中、空氣中、或以上的任何組合行進之任何行動機器。地面載具之實例包括火車、公車、汽車、卡車、機車、及輕型機踏車。水載具之實例包括潛水艇、小艇、及休閒船隻。空氣載具之實例包括無人靶機、飛機、直升機及四旋翼飛行器。只要載具屬於動力型並且可自主控制，地面載具、水載具及空氣載具便全都視為在「載具」之範疇內。一自動車為「機器人」之一特例，因此，本文中針對「機器人」所述之態樣可取決於應用針對自動車來實施。應瞭解的是，對「自主」之參考不需要完全的自主權，而是可包括半自動車。
「風險意識」於本文中使用時，係有關於含納可伴隨載具或其他機器人之一操作環境中之一些不確定性出現的動態障礙物未來軌跡之機率性估測。
一體素為一障礙物之一表示型態(並且其可以是一堆體素)。在一些實作態樣中，一體素係定義為空間(x, y, z)中之一點，並且任選地定義為t，其中x、y及z為定義為空間中一點之坐標，並且t為隱含性或明確性代表一障礙物處於該空間之時間的一值。隱含時間係有關於反映時間之參數，但不必然直接表示該時間。隱含時間之一實例為起於開始點之躍點數量。明確時間係有關於直接表示時間之一值，無論是否繫結至實際時間或表示為起於一起始時間之時間遞增，其例如以秒為單位。因此，一靜態障礙物為(x, y, z)點對於[0, H]中之所有t全都相同之一障礙物。在一些狀況中，一體素中可包括一或多個附加變數(連同或取代x、y、z及t值之任何一者或全部)。這些變數包括與一機器人/載具之狀態及/或其環境有關之任何適合的資訊。實例包括，但不限於濕度、下雨、坡面、速度、加速度、方位角及角度。
在一些實作態樣中，障礙物而不是體素可藉由例如三角形之任何類型之多邊形所施作之一網目模型來表示，其中一三角形之各頂點係以其3D坐標作說明。
所述專業機器人移動規劃硬體可完全在硬體電路系統中、或作為儲存於一記憶體儲存器中並藉由一硬體處理器所執行之軟體、或作為硬體電路系統、及儲存於該記憶體儲存器中並藉由一硬體處理器所執行之軟體之一組合進行解決碰撞偵檢及/或尋找一最短路徑之移動規劃操作。該硬體及/或軟體功能可視為具體實現一「移動規劃模組」。
如背景中所述，移動規劃係有關於用於識別一機器人在到達一所欲位置前為了從一個位置移動至另一位置所經歷之移動的程序。一關節型機器人係由藉由關節所連接之一組剛體所構成，移動規劃針對該關節型機器人判定符合一目標姿勢前從一姿勢到另一姿勢之移動。載具可以或可不具有多種操作維度與自由度，移動規劃針對該等載具依照與一關節型機器人(具有經指定作為該機器人之部分組態空間的更多或更少位置)類似之一方式來判斷自一個位置或姿勢至另一位置或姿勢之移動。
舉例而言，一關節型機器人之姿勢可藉由指定位置予其所有關節來說明。所有此類關節位置之空間係稱為該機器人之組態空間，也稱為「C空間」，係以Q來表示。Q中之(關節位置之)一些組態會與機器人之環境中之一障礙物、或該機器人自身本體導致一碰撞；Q之其餘部分係稱為「自由空間」。因此，機器人移動規劃問題可視為需要穿過自由空間自某起始組態q0 至一組目標組態G內之任何組態g尋找一無碰撞路徑。
圖1展示一大致靜態環境中一移動規劃問題之一例示圖。請參照圖1，一C空間(機器人之組態空間) 100可包括障礙物碰撞區102、104及自由空間110。可穿過自由空間110自一起始組態122 (q0 )至一組目標組態124 (g
Figure TW201801965AD00001
G)內之一組態尋找一路徑120。
對於載具實施例，除了可形成障礙物碰撞區102、104之靜態障礙物以外，其他障礙物在特定動態障礙物中也相關，包括代表在已知/某些軌跡中移動之物件(例如一落磚、一滾桶)者，也包括受到有意識物(例如一單車騎士、行人、鳥)控制者。以自動車來說明，移動規劃因這些動態障礙物所致的挑戰涉及以極快速度進行移動規劃的能力、及分析動態物件可用何種方式移動之不確定性的能力。一自動車週圍之環境可快速變化，而載具進行移動規劃之能力也必須跟上那些變化。
涉及建立一移動計畫之主要組件典型有四種：感知、規劃圖建構、碰撞偵檢、及路徑搜尋。
感知組合涉及使用一感測器組合及用以產生該環境之一模型的處理。感知可藉由任何適合的電腦視覺與感測架構來實行。一般而言，該環境之該模型可視為以一佔用網格之形式呈現，其為一資料結構，代表空間之哪些區域在該環境之一離散圖中含有障礙物。
規劃圖建構組件涉及建立一機器人之組態空間中之姿勢與移動之一圖解。在一些狀況中，該圖解中之各節點圖完整地定義一特定姿勢中該機器人之狀態，並且各邊緣定義介於諸姿勢之間的一移動。在一些狀況中，諸如對於自動車實施例有用處之狀況中，規劃圖建構組件涉及載具隱含地或明確地搭配時間之行為相關之一組變數。亦即，在一項實作態樣中，如關節型機器人實施例(例如空間坐標x、y及任選地z)之類似參數連同隱含或明確時間可定義一節點。在其他實作態樣中，代替或除了空間參數之一或多者以外，可包括角度(theta)、速度、加速度、或其他受關注參數。規劃圖建構係離線進行(亦即在即時移動規劃前進行)。
碰撞偵檢組件涉及判斷一機器人之一移動是否與自己或環境碰撞。碰撞偵檢之一部分係離線進行。此部分可包括預運算碰撞資料。作為規劃建構某部分所產生之圖解係於碰撞偵檢之離線部分期間以一規劃圖之所產生之輸出作修改。一規劃圖可以是，但不限於一機率性路線圖(PRM)、PRM*、一快速探索隨機樹圖、(RRT)、RRT*、或一格子。
路徑搜尋組件可涉及越過規劃圖以檢查自起始位置至目標是否存在一路徑，並且識別一或多個最佳或按其他方式期望之路徑。
規劃圖建構、碰撞偵檢、及路徑搜尋可透過本文中所述之技巧來加速，並且在一些實施例中，可採用一可重新組配方式來實施。
圖2針對一自動車之移動規劃展示一即時系統之一實例。請參照圖2，系統200包括感測器201、一物件偵檢器202、一物件追蹤器203、一成本網格204、及一移動規劃模組205。
感測器201可以是用於一機器人之任何適合的感測器。感測器之實例包括光/照明(包括IR)、聲音(例如反射式)、化學品、定向、及位置(例如全球定位系統)。應瞭解的是，機器人所擷取及分析之環境不必然只是介於機器人目前位置與一目標位置之間的一直接路徑中之環境。一機器人只在一迂迴路線中才可具有一有效路徑(並且該路由安排甚至可不在目標姿勢或狀態之全視線中)。該機器人可包括可藉以偵檢及分析一環境之各種感測器系統之任何一者，或可與之通訊。舉例而言，機器人可具有能夠接收紅色、綠色、藍色及深度資訊(例如經由紅外線)之一或多個相機感測器。舉另一例而言，相機(或其他感測器)可位於該環境中之一或多個位置，諸如牆壁、天花板、地板、及/或位在該環境中(像是在一桌台、盒子等上)之物件及/或位在空間中之物件(例如衛星、無人靶機)。從該環境中之該(等)感測器所擷取之環境資訊可經由有線或無線構件傳送至該機器人(及/或物件偵檢器202及/或物件追蹤器203)。
物件偵檢器202使用出自一或多個感測器201之輸入來判定物件資訊。物件偵檢器202可用於從感測器資料判斷是否有一障礙物。物件偵檢器202可用於識別靜態物件，並且亦可包括用於偵檢具有某一/可計算路徑之移動物件(例如一落磚)的功能(經由硬體或軟體)。對照使用一道路之一載具，物件偵檢器202可以是一道路偵檢器，其識別該道路上已知靜態障礙物之位置(而且其可包括從該載具相對一路線圖之位置識別出之物件)。
物件追蹤器203將出自一或多個感測器201之輸入用於識別一動態物件，並且針對各經識別物件隨著時間輸出未來軌跡之一機率分布。物件追蹤器203係用於偵檢並且追蹤具有不確定移動之障礙物。舉例而言，物件追蹤器203可從出自一或多個感測器201之資料識別該道路上有另一汽車(經識別動態物件)。物件追蹤器203關於該汽車之輸出可在一或多條相關聯軌跡上於一給定時間表示動態物件有一10%可能性在自動車前面轉向，並且動態物件有一90%可能性減速(原因舉例而言，在於一即將來臨的停車指示標)。
感測器201、物件偵檢器202、以及在一些狀況中，還有物件追蹤器203之態樣可視為感知元件之用於移動規劃之部分。
成本網格204 (或「成本映射圖」)包括可用於代表障礙物之一資料結構。成本網格204可用於針對某些活動及/或位置包括偏好有關資訊，以及識別環境中之特定物件。舉一些實例說明，成本網格204之物件表示型態格式可包括一體素之值、由三角形所施作之一網目模型(其中一三角形之各頂點係以其3D坐標作說明)、一機率性佔用網格、或一八元樹圖(octomap)。
在一自動車之一例示性實作態樣中，成本網格204可從載具周圍之特徵產生一成本映射圖(「一道路特定成本映射圖」)。舉例而言，對於一汽車，可偏好停留在車道中間、針對反方向移動之車流不移動到車道內、更少而不是更多之變換車道。另外，還可將諸如彎曲與坑洞等道路特徵列入考量。因此，成本網格204會從汽車周圍之道路特徵產生一成本映射圖，其類似於一佔用網格，但其中各體素攜載一成本修飾符。舉一例示說明，若道路在正前方、向右有一緊急車道、以及向左在其他方向有一車道，則該網格將內有一條低成本(或甚至負成本)體素、向其右側有一條更高成本體素、以及向其左側有一條非常高成本體素。類似的是，倘若道路中有彎道，會將道路外區域之成本修飾符指示為更高成本以使汽車偏離道路的狀況減到最少。也可指定成本修飾符以使變換車道的狀況減到最少。對於一道路，成本網格204之各體素可包括x與y坐標，但不需要作為一值之時間。該體素可包括諸如速度之資訊，以便針對速限支援表達偏好。當然，可視所欲使用其他參數。
移動規劃模組205從成本網格204接收體素及指定成本，其對應於輸出自經識別動態物件之物件追蹤器203之估測所出之經偵檢物件及樣本軌跡，用以針對載具(可藉由自動車之適當硬體來實行)或其他機器人產生一移動計畫。該移動規劃模組205包括一硬體處理器及記憶體儲存器。所運用之記憶體類型可以是任何適合的儲存媒體，諸如動態隨機存取記憶體、快閃記憶體、磁電記憶體、磁阻性記憶體、光學為基之記憶體、及類似者。
一規劃圖係儲存於該記憶體儲存器中。如上述，該規劃圖可以是一格子、PRM、PRM*、或其他適合的圖解。移動規劃模組205處之硬體處理器對物件追蹤器203處輸出之軌跡進行取樣以調整成本/風險。換句話說，移動規劃模組205沿著該圖解之各邊緣調整一碰撞機率，其可包括一成本及/或風險值，以考量樣本軌跡。可將樣本軌跡映射至體素(或一障礙物之其他表示型態)並用於進行碰撞偵檢。因此，此移動規劃硬體為一風險意識移動規劃硬體。
在一實例中，移動規劃模組205從各動態障礙物之未來軌跡之機率性估測取樣該等軌跡，並且以各樣本進行碰撞偵檢。有碰撞之邊緣可使其碰撞之估測機率遞增。若有200個樣本，則各軌跡上之一碰撞將1/200加入一邊緣之機率碰撞。此值係儲存為規劃圖之那個邊緣之部分，並且在進行一最短路徑演算法時使用(其例如屬於一可重新組配與硬體實施之最短路徑模組參照使用Bellman-Ford演算法之說明)。該等值可儲存於與規劃圖之邊緣相關聯之移動規劃模組205。
碰撞偵檢在一些狀況中可涉及使用諸如，但不限於2016年1月5日提出申請之題為「Specialized Robot Motion Planning Hardware and Methods of Making and Using Same」之PCT/US2016/012204中所述之方法，其全部內容係以參考方式併入本文。
該移動規劃模組所實行之一例示性程序係提供如下。
移動規劃模組205產生一移動計畫，其藉由計算然後指定規劃圖中每個邊緣之一風險，使碰撞其他障礙物之風險與抵達一目標位置之效率獲得平衡。移動規劃模組205處所儲存之規劃圖之肯定會導致碰撞(例如那些靜態障礙物)之邊緣可遭受移除，或可對其指定一風險。在自動車之許多實際應用中，該等邊緣維持不變但對該等邊緣指定一風險(其可以是非常小/可忽略或非常大/最大的指定值)。指定予邊緣之風險可基於靜態物件之預定義風險值(例如100%)。為了確保與不確定障礙物無碰撞之機率高，移動規劃模組205可從機率性估測對軌跡分布進行取樣，並且計算與規劃圖中各邊緣碰撞之一機率。
在移動規劃模組205取樣軌跡並且針對邊緣(基於指定予邊緣之風險)判定一碰撞之機率之後，移動規劃模組藉由顧及碰撞之成本與機率來判定連至一目標位置之「最短」路徑。舉例而言，到達一目標位置的最快途徑可為在一直行單車騎士前疾駛而過，但那條路徑撞倒該單車騎士的機會(例如碰撞估測)可能有2%，屬於一高成本(不良/糟糕的決策)。其他路徑選項可包括繞著該單車騎士走。舉另一例而言，撞到一垃圾桶的成本小於撞到一隻狗的成本，即使撞到垃圾桶的機率較大亦然。因此，撞到該垃圾的有效成本遠小於撞到該狗的有效成本。若碰撞機率為100%，則有效成本達到最大。在另一實例中，以使用一風險限制條件為一例，若每軌跡的碰撞機率必須小於5%，則可進行一搜尋，尋找所具限制條件小於5%碰撞機率之最小路徑成本。若所欲反而是使風險與效率取得平衡之一成本函數，則移動規劃模組可使用兩項來運算一經修飾成本，然後執行一最短路徑演算法。此路徑係輸出自移動規劃模組205，並且發送至機器人以從而移動。
一般而言，隨著一移動中的機器人，每條路徑都可具有某碰撞機率，否則載具應該維持靜置。然而，維持靜置對於一載具一般不是一合理的選項。大部分駕駛員舉例而言，若需平衡效率，反而可採納0.1%碰撞風險之一臨界值，如此便已足夠。機器人，或在這種狀況中，自動車、設計人員可選擇特定的取捨。知悉該取捨之移動規劃模組205可運算最短路徑。
藉由平衡、或至少思考風險與效率的關係，移動規劃模組205提供風險意識移動規劃。在一項實施例中，於時間H給定一組所欲目標位置(或於時間H給定一位置偏好)，移動規劃模組205可包含(a)基於可能碰撞而移除一邊緣、或將成本或風險加入各邊緣；(b)基於道路之布置圖而移除、或將成本加入各邊緣；及/或(c)至少使用成本，可能還多加使用一風險限制條件，來運算一計畫。
在運行時間內，成本、及該成本出現的機率會改變。因此，移動規劃模組205所進行之移動規劃模組本質上可反覆進行。亦即，再規劃可包含製作一計畫、進行單一移動、然後再重複移動規劃程序等步驟。在其他狀況中，將格子(或其他規劃圖)根植於載具之起源以維持一致性頗為有用(而且還可降低計畫的解析度，因為該載具更靠近一障礙物)。
所述系統200可實施成一載具之部分，其包括板面電腦處理器及可對載具系統實行調整之電氣及/或機械性連接致動系統(例如煞車、引擎、轉向等)。可包括儲存系統、以及用以供電給各種組件之電力供應器及/或連接。感測器201可以是一感測器系統之可藉以偵檢與分析一環境之部分。例示性感測器系統包括，但不限於光學、微波、聲學及其他感測器，形式有攝影機、影像感測器、紅外線感測器、超音波收發器、麥克風、力感測器、電容性感測器、加速計、陀螺儀、及溫度感測器。感測器系統可包括用於對來自一感測器之一信號進行某處理、及/或對該感測器進行控制之硬體。感測器系統可包括可處於載具本機處之組件、及可處於載具遠端處之組件。舉例而言，在一些狀況中，感測器系統可包括例如可位於一環境中之感測器，其輸出可於載具本機處進行分析，或可於機器人遠端處進行分析，然後傳遞至機器人以供在移動規劃中使用(還可在可用之其他應用中使用)。
板面電腦處理器可與用於移動規劃模組205之處理器或處理系統、及/或藉由物件偵檢器202與物件追蹤器203所使用之任何處理器不同或相同。一處理系統可包括根據載具及/或移動規劃模組205 (及/或系統200之其他組件)之儲存系統上所儲存之軟體指令用以轉換或操縱資料之一或多個處理器。處理系統之處理器實例包括通用中央處理單元、特定應用處理器、及邏輯裝置、圖形處理單元(GPU)、以及任何其他類型之處理裝置、組合、或以上的變例。處理系統可以是、或包括於一系統晶片(SoC)中，連帶還有一或多個其他組件，諸如網路連線組件、視訊顯示組件、及類似者。再者，移動規劃模組205之包括碰撞偵檢及/或最短路徑判斷之態樣可實施成硬體(其可支援可重新組配性)。
一儲存系統包括形式為實體儲存裝置之儲存媒體。「儲存媒體」一詞不應該定義為一暫時性或傳播信號。載具之儲存系統可包括諸如一控制器等能夠與處理系統通訊之附加元件。
一移動規劃模組或屬於單純(不包括風險意識)或有風險意識，可針對各種機器人及移動規劃應用來重新組配，或可特定於機器人及情境。
可了解的是，產生一移動規劃模組之一碰撞偵檢單元時，可藉由使用一機器人描述(例如機器人之碰撞幾何形狀、機器人之各關節之自由度、及機器人之關節限制)及一情境描述來產生一PRM (或其他規劃圖)；然後識別該PRM中會與一障礙物(已知障礙物、及機器人本身之部件)之各部分碰撞之所有可能邊緣。對於一固線解決方案，可產生一邏輯電路，例如用於各邊緣之一OR電路，其對該邊緣會碰撞之障礙物之部分之表示型態進行或運算。對於一可重新組配解決方案，邏輯電路可實施成可重新組配架構(例如FPGA)，或儲存為藉由該移動規劃模組之一硬體處理器來應用之一軟體表示型態。替代地，該等邊緣之一清單可藉由該移動規劃模組之一硬體處理器來儲存與搜尋。
一旦固線或儲存於該移動規劃模組，該移動規劃模組便可藉由一機器人用於進行即時移動規劃。
圖3根據本發明之某些實施例，繪示一移動規劃模組之一例示性架構。請參照圖3，一移動規劃模組300可包括一碰撞偵檢模組310及一最短路徑模組320。碰撞偵檢模組310或最短路徑模組320其中一者或兩者可為可重新組配。
移動規劃模組300之一些實作態樣可使用軟體為基之最短路徑演算法，沒有用於最短路徑加速之硬體架構。一規劃階段容許一使用者針對受關注問題組配、及重新組配一裝置。用於特定機器人之預運算碰撞資料、及所涉及之規劃圖係發送至一晶片之移動規劃模組300 (虛箭頭表示規劃階段期間發生之通訊，而實線則表示規劃階段期間發生之通訊)。
以硬體實現最短路徑模組320時，規劃圖之拓樸結構亦映射到硬體單元之一可重新組配組織架構上，用以能夠快速判斷最短路徑。該映射步驟涉及對各實體節點以其邏輯鄰點之位址及邊緣權重進行規劃。這容許該架構可重新組配成不同規劃圖拓樸結構。
有助益的是，最短路徑硬體如本文中所述，可在移動規劃除外的應用中加以利用。因此，列入考量的是，可將最短路徑模組應用於其他應用。
請回到圖3，在運行時間階段期間，主機(例如機器人系統)發送感知資料至移動規劃模組300。該感知資料為一串流，其體素存在於目前環境中。碰撞偵檢模組310計算哪些移動安全，而且一完成便將結果發送至最短路徑模組320 (不用進一步主機-裝置通訊)。碰撞偵檢模組310從而藉由消除有碰撞之邊緣來修改規劃圖。最短路徑模組320接著運行並且回傳一路徑P至該主機。
使用者可儲存與不同機器人/規劃圖組合相關之各種組態檔案。一經切換至一新組合，舉例而言，藉由提供預運算碰撞資料至碰撞偵檢模組310之可重新組配實作態樣，並且任選地，提供規劃圖資料與邏輯/實體節點映射關係至最短路徑模組320之可重新組配實作態樣，便得以再規劃該裝置。
碰撞偵檢模組310可包括一硬體處理器；記憶體儲存器；以及預運算碰撞資料，其係儲存於該記憶體儲存器，使得在移動規劃期間，如收到感知資料，便藉由該硬體處理器將該感知資料與該記憶體儲存器中所儲存之該預運算碰撞資料作比較以判斷碰撞。
最短路徑模組320可包括實施一最短路徑演算法之平行硬體單元(請參照例如圖7所示之實例)；以及將邏輯拓樸結構映射到該平行硬體單元之一實體拓樸結構上用以識別邏輯鄰點之電路系統(請參照例如圖8與9)。對於移動規劃，最短路徑模組320接收該已定碰撞以輸出一計畫。
操作一可重新組配移動規劃模組之一例示方法可包括進行一第一規劃階段以針對一特定機器人及特定情境規劃該模組，使用該已規劃移動規劃模組來進行該移動規劃，然後藉由進行一第二規劃階段來重新組配該移動規劃模組以針對一新特定機器人及/或新特定情境規劃該模組。該重新組配之模組可接著用於移動規劃。
用於機器人移動規劃加速之例示性可重新組配架構
此架構可應用於一自動車、或任何一般機器人之實施例。應知，儘管具體說明的是一PRM、或路線圖，仍可使用其他規劃圖。碰撞偵檢作業流程涉及四個階段。首先，在規劃階段期間建置具有充分穩健性之一PRM。其次，該PRM在環境之一離散化視圖中徹底進行碰撞檢查。在移動規劃模組之規劃階段期間，預運算資料係發送至碰撞偵檢模組(例如碰撞偵檢模組310)，並且採用可輕易存取之方式儲存。在即時過程中(即移動中)，碰撞偵檢模組串流化障礙物資訊，並且標示有碰撞之諸邊緣。以上說明且圖3中繪示的是一般架構。
該PRM係建置於不含有可變障礙物之一空間中。舉情境有關之任一先驗知識可藉由包括諸如牆壁或桌台之固定物件來善用，但一無障礙物環境中按其他方式發生PRM建構。該PRM係施作成大到足以對預期之障礙物具有穩健性。該架構對建構該PRM之方式為不可知。在這項實施例中，對著從受關注情境之一參數化表示型態隨機產生出來的數千個樣本環境測試一大圖解(等級為數十萬個邊緣)。保持有用且關鍵的邊緣，解決方案中使用不頻繁的邊緣遭到修剪。此啟發式程序重複數次，於各步驟確保該PRM保持一高成功率，並且未蒙受路徑品質衰減。儘管這相較於針對單一環境建構一PRM為一耗時甚多的工作，此步驟仍然僅需要進行一次。
預規劃階段期間可進行某量之碰撞偵檢。此階段期間可進行幾何測試以節省運行時間內之時間。下面的實例說明使用體素代表障礙物之碰撞偵檢。應瞭解的是，可使用其他障礙物表示型態。可將環境離散化成體素之3D區域。接著，預運算介於PRM中每個移動之掃描容積與離散化空間中之體素之間的所有可能碰撞。
在此步驟之後，各移動具有其與之碰撞之一組對應體素。感知系統此時僅需要產生代表離散化環境中遭由障礙物佔有的是哪些空間區域的佔用網格(例如自動車環境中之成本網格)，並且針對各移動，檢查該等障礙物體素中是否有任何一者位在其碰撞體素集合中。對於發生此現象之所有那些移動，必須將對應之邊緣暫時地從PRM移除，直到環境改變為止。應知，預運算碰撞資料及PRM係特定於一給定機器人及使用案例。若機器人變化或若情境劇烈變化，則必須重新計算PRM，從而也必須重新計算碰撞資料。這些結構將儲存於組態檔案中。可儲存與不同機器人/規劃圖組合相關之各種組態檔案。一經切換至一新組合，便可再規劃該裝置。相同使用案例(例如若僅障礙物或目標改變位置)之諸詢問之間不需要再規劃。一軟重設將標示為有碰撞之諸邊緣還原，並且下一個詢問可立即開始。即使環境可能有一些變化，同一情境也不需要再規劃。
上述體素集合一旦以邏輯方式建立完成，便可建立可在運行時間快速詢問該等集合之一架構。作為可重新組配性特徵之部分，在規劃階段期間，使用者發送一規劃圖(例如PRM)、及預運算碰撞資料至碰撞偵檢模組310。將PRM中之各移動指定予基本為一「模板化」積和之一邊緣模組。個別邊緣模組含有用以能夠檢查任何體素集合之儲存機制(例如閂鎖器、電容器、磁穿隧接面裝置等)，而不是硬編碼之邏輯功能。為了達到平行性，並且使碰撞檢查潛時獨立於邊緣數量，有大量這些可規劃邊緣模組，每一者係用於PRM中之各移動。
在此規劃階段期間，與各移動碰撞之各體素係發送至移動規劃模組硬體，並且在適當的邊緣模組中儲存該等體素。
圖4針對單一移動展示一例示性可重新組配碰撞偵檢架構。此架構實施單一邊緣。請參照圖4，用於單一移動之一可重新組配偵檢架構400包括控制邏輯410、儲存機制(421-1、… 421-n)與比較器(422-1、… 422-n)之平行「邊緣模組」、以及用以對平行線路之諸輸出進行或運算並輸出一碰撞結果之一NOR邏輯閘430。
雖然將一閂鎖器繪示為用於個別邊緣模組之儲存機制，如上述，可使用任何適合的儲存機制。
在運行時間階段期間，碰撞偵檢器模組(例如使用圖4之邊緣模組來實施之碰撞偵檢模組310)串流化體素ID，並且將該等體素ID分布至所有個別邊緣模組。各邊緣模組將那體素ID與所有其儲存之資料作比較，並且若有任何匹配則輸出成立，其意味著那特定邊緣有碰撞。該碰撞偵檢器模組匯集來自該邊緣模組之結果，並且輸出一位元向量，代表有碰撞之目前規劃之PRM中的移動。
數個挑戰會因可重新組配性而產生。各移動與一不同空間容積碰撞，並且從而與不同數量之體素碰撞。這在實施一可規劃電路時會是一問題，因為模組必須施作成大到足以容納各種尺寸之邊緣。硬體效率可藉由建立可變尺寸之可規劃碰撞偵檢電路來達成(基於與其碰撞之體素數量)。該規劃階段接著涉及PRM中諸邊緣對適當的碰撞偵檢電路之一策略性映射(基於與其碰撞之體素數量)。
會出現的另一挑戰為大量所需硬體。兩個主要因素造成此可重新組配性策略需要比一硬編碼設計更多的硬體資源。用以儲存碰撞資料(並達成可重新組配性)之狀態是顯著的。若一移動與1,000體素碰撞，並且各體素以15位元表示，則該單一邊緣消耗15,000位元之狀態，其即使使用單純的閂鎖器作為儲存機制也會相當耗成本。第二因素為無法使用邏輯最小限制器縮減電路之尺寸，如可在以硬編碼邏輯表式作業時完成者。個別邊緣內、及具有重疊之掃描容積之諸邊緣之間兩者之表式中有大量冗餘。若組建一專業電路，可利用此冗餘來大幅降低該邏輯表式之複雜度、及減少其實施所需的硬體資源。即使冗餘仍然存在，可重新組配狀況中還是缺乏這些節省。
此體素-閂鎖器策略容許任意體素組合形成一邊緣之掃描容積。實際上，一掃描容積之該等體素係連接起來並且形成連續容積。一掃描容積之描述中有存在順序之事實隱含著應該有方法壓縮資料。用以將一掃描容積中所包括之各個別體素之一表示型態明確儲存之一替代例可以是儲存目前連續體素之表示型態。長方柱(為求便利，稱為「方塊」)可僅以方塊之一對相對角之坐標來表示。這可達到大幅節省，因為儲存一方塊所需之狀態等於儲存兩個體素所需之狀態。各方塊僅必須覆蓋超過兩個原始體素即可降低狀態。
為了利用方塊為基之表示型態，而不是利用個別體素，必須尋找包括所有原始體素之一堆方塊。這可視為類似於集合覆蓋最佳化問題。在此集合覆蓋問題中，有一組稱為「宇集」之元件、及該宇集之一堆子集。該問題之最佳化版本涉及尋找聯集即宇集之最少量子集。在此應用中，掃描容積為宇集，並且該堆子集包括與此掃描容積重疊之所有可能長方柱。必須尋找為了降低設計所需狀態需用以覆蓋掃描容積之最少量方塊。此集合覆蓋最佳化問題為NP-困難，以致必須計算一近似解。首先，選擇一方塊，其覆蓋掃描容積之一離散化版本中之最大量體素，但不包括任何額外的體素。將覆蓋之體素從宇集移除(覆蓋之體素在後續反覆移動中變為「無所謂」，因為諸方塊會重疊)，並且遞迴直到出自原始集合之所有體素都遭受覆蓋為止。舉一實驗性實例來說，此策略是在具有50,000個邊緣之一PRM上實施。發現對於一15位元解析度，各掃描容積與與平均2,000個體素碰撞。該集合覆蓋覆蓋問題之此版本之該近似解需要平均127個方塊才能全然地覆蓋掃描容積(不包額外容積)。
有趣的是，若放鬆全然覆蓋要求，並且可接受方塊表示型態包括原始掃描容積中不存在之某數量之體素，則所需方塊數量會顯著減少。該問題此時有多軸要思考。作為一硬限制條件，至少必須覆蓋原始掃描容積。在該限制條件下，達到此覆蓋同時使所包括額外體素數量獲得平衡所需的方塊數量得以減到最少。對該演算法實施另一步驟以併入此演算法。在上述集合覆蓋之後，透過一系列合併運行結果。於各反覆移動，演算法選擇遭受合併時導致加入集合之附加容積最小之兩個方塊。下面更加詳細地論述此演算法之效力。只有當用以檢查一方塊中之從屬關系之硬體單純到足以證明此變化，有能力儲存與個別體素截然不同之方塊表示型態才有用處。檢查一體素是否落在一方塊內以邏輯方式由六個比較所組成。若方塊之最靠近起源之頂點為(x1 ;y1 ; z1 )及方塊之最遠離起源之頂點為(x2 ;y2 ; z2 )，則檢查位於(vx ;vy ;vz )之體素是否在方塊內即檢查以下不等式成立：
x1 ≦ vx ≦ x2 ；y1 ≦ vy ≦ y2 ；z1 ≦ vz ≦ z2 。
此工作可用六個比較器在一個週期內平行完成，或可多工處理更少比較器以使用更小的面積。
圖5針對使用方塊而不是使用體素之一策略展示一例示性碰撞偵檢架構。這裡繪示單一方塊。請參照圖5，一可重新組配偵檢架構500可包括控制邏輯510、儲存機制(521-1、… 521-n)與比較器(522-1、… 522-n)之平行模組、以及用以對平行模組之諸輸出進行及運算並輸出一碰撞結果之一AND邏輯閘530。正如圖4所示之實例，該方塊策略作法可使用任何適合的儲存機制(但圖中所示為閂鎖器)。
用於各移動之模組為許多此類方塊之邏輯OR。在圖5中，可看出使用方塊而不是使用體素之一設計之簡便。在規劃期間，將相對角之坐標閂鎖。於運行時間，將傳入體素與代表方塊轉角之儲存值作比較，以查看體素是否落在方塊內(例如將傳入體素與儲存值作比較，然後對結果進行及運算)。
圖6A至6D繪示單一移動之掃描容積之表示型態如何以一PRM隨著表示策略而變。圖6A展示實際掃描容積。圖6B包括該移動之所有個別體素。若特別針對此掃描容積建構一硬編碼電路，則該移動消耗的電晶體為10,000個左右。若設計如上述明確代表各體素之一可規劃電路，其需要超過660,000個電晶體，增加超過65倍。圖6C展示使用87個方塊而不是使用個別體素所述之相同掃描容積。用於此策略之必要結構只消耗不到200,000電晶體。圖6C展示全然地使用87個方塊而不是使用個別體素所述之相同掃描容積。這導致硬編碼電路上方增加量小於4倍。
邊緣模組之匯集結果之輸出可用於指定成本或將邊緣從PRM移除。一旦完成碰撞偵檢(以及移除或指定PRM之邊緣的成本)，便在PRM上進行一圖解搜尋以判斷連接性並且建構一路徑。圖解搜尋雖然並非習知移動規劃演算法中之瓶頸，若碰撞偵檢加速，仍可為限制因素。設計一可規劃架構以加速圖解處理之一挑戰在於達到既可處置任何期望圖解拓樸結構又具有合理資源要求之一設計。有助益的是，事先靜態地建構所述PRM，其可保證某些特定，諸如其最大程度、最大邊緣權重、及最大路徑成本。由於能夠約束這些量，相較於容許任意圖解，能實現緊湊度高更多且儲存結構與資料路徑有效率之一設計。在所示實例中，設計一資料流架構以進行Bellman-Ford演算法。然而，可修改其他最短路徑演算法以具體實現為硬體，其中電路系統包括支援識別邏輯鄰點，儘管非為實體鄰點。
圖7根據一例示性實作態樣，展示Bellman-Ford運算單元之一基本微架構布置圖。此首要架構涉及由Bellman-Ford運算單元(BFCU)所構成、並且經由用於達到可重新組配拓樸結構之一低成本互連網路所連接之一節點陣列。圖8針對例示性實作態樣展示用於一晶片上網路之一例示性路由器微架構；圖9展示一互連網路的一平面圖。路徑搜尋架構之操作落入三個階段。一預處理階段涉及自邏輯圖至實體硬體資源建立一映射關係。規劃階段以與手邊預處理該圖解有關之必要資訊來組配該架構之資料結構。在運行時間階段期間，分散式Bellman-Ford演算法運行以計算最短路徑。
該Bellman-Ford演算法為單一來源最短路徑演算法。首先，將該來源除外之所有節點初始化為一無窮大成本。於各反覆移動，每個節點藉由將鄰點之目前成本加入鄰點之邊緣權重，針對一更好的最短路徑檢查各鄰點。此演算法通常是採用一分散式方式用於實施路由安排資訊協定，差異在於傳遞的是整體路由安排表格，不是只有鄰點成本而已。
期望實施Bellman-Ford演算法之一資料流架構避免耗成本之記憶體存取。此架構對於一特定圖解(或在自動車實施例中為格子)將易於設計，但其複雜度隨著可再規劃之需求而成長。
將圖解中之每個邏輯節點圖靜態地指定予移動規劃硬體模組上之一實體BFCU。在一規劃階段，填佈BFCU中之數個表格。一表格中儲存該節點之邏輯鄰點之各者之實體位址。另一表格中儲存這些鄰點之各者的邊緣權重。這些表格僅必須填寫一次，而且可在切換至一不同圖解前再利用。
各BFCU亦具有一暫存器，儲存其對目的地之目前最妥成本(在此應用中，Bellman-Ford係視為單一目的地，而不是單一來源演算法)。將這些暫存器全都初始化為代表無窮大之最大值。若要開始最短路徑搜尋，將BFCU更新至一零成本，目的地節點係映射至該BFCU。該目的地節點接著對其鄰點表格反覆移動，並且向各鄰點發送一訊息，其中其成本(零)係加入該鄰點之邊緣權重。當該鄰點接收此訊息時，其將此新成本與其目前成本作比較。若該新成本小於其目前成本，則發生數件事。首先，該節點更新其最妥成本暫存器及其次躍點指標器。第二，其開始對其自有鄰點表格反覆移動以尋找其鄰點之實體位址，並且向各該鄰點發送一訊息，其中其成本係加入該鄰點之邊緣權重。
發送值後加入而不是預加入之決策可能似乎為偶發性，但具有重要性。接收一後加入值容許節點評估是否要在單一週期內處理或捨棄該訊息，而不是等待一週期才存取具有鄰點權重之表格，進行一加法，然後進行比較(這會需要附加狀態才能儲存在表格查詢期間抵達之訊息)。即使處理一新最妥成本及對鄰點表格反覆移動用掉數個週期，各BFCU仍可各週期維持一則訊息之一產出量。若BFCU處於走查該表格以在其收到一新成本更新訊息時發送更新，則有兩種可能性。若新成本為一改良，則此表格走查上之到目前未發送之訊息為陳舊訊息，所以可憑藉新成本中止及重啟反覆移動。若新成本不為一改良，則將該訊息捨棄。各週期內處置一訊息之能力如未中斷，則運算節點中不需要輸入緩衝區，並且意味著網路可依靠有能力每個時脈週期於各節點噴出一訊息，其在論述互連網路時會具有重要性。
除了成本更新訊息以外，BFCU還處理兩種其他訊息類型。BFCU收到一次躍點詢問時，以鄰點之位址作出回應，其從該鄰點收到其最妥成本。此訊息類別容許路徑本身遭受提取。BFCU亦可接收一最妥成本詢問，其以其最妥成本暫存器之目前值對該最妥成本詢問作出回應。
即使BFCU之行為單純，仍必須進行數個設計選擇，才能使BFCU之尺寸保持小到足以使該架構可調整到大圖解尺寸。若容許各節點具有無限數量之邏輯鄰點，舉例而言，鄰點位址表將必須要大。該策略涉及預運算一規劃圖，以致可保證各節點圖至多具有四個鄰點，不會影響規劃圖之品質。藉由以邏輯方式將具有太多鄰點之一節點分割成以一零邊緣權重連接之多個節點，可視需要克服此限制。類似決策必須以最大路徑與邊緣成本來制定。
分散式Bellman-Ford演算法通常實施一水平分割廣告政策以容許網路更有效地處理失敗的連結。在目前的架構中，圖解搜尋開始前先傳遞碰撞(其為規劃圖中有效失敗之連結)，基於此理由，無需保持一水平分割。向一節點之次躍點將一更耗成本之路線宣傳回去，仍然非必要地佔用網路頻寬。然而，模擬結果顯示，這些冗餘訊息對效能的影響可忽略(路徑搜尋完成時間內增加量小於1%)。複雜度因沒有實施一水平分割而保持下降。
這些決策全都有助於使各BFCU之面積覆蓋區保持相當小。各節點需要的電晶體為6,000左右。就此，70%包含可規劃狀態，而其餘部分則為組合邏輯。此適中的尺寸使得實施解決具有挑戰性之問題所需的若干運算節點為可行。
為了實現一Bellman-Ford實作態樣，各BFCU需要能夠與其邏輯鄰點通訊。然而，因為該設計必須為可重新組配，此通訊必須透過一網路發生，以使得實體BFCU海可模擬所欲圖解拓樸結構之行為。該網路使該BFCU能夠抽象化通訊問題，並且表現為猶如其實際連接至其邏輯鄰點，即使該等邏輯鄰點可能非實體相鄰亦然。
此網路在空間與電力兩方面亦必須有效率，因為一有用處的設計會有數千個節點。所提出之微架構強調簡便為實現大網路尺寸調整之一第一類限制條件。有數種方式可簡化、或最佳化網路。第一種在於因為BFCU間訊息非常小，可將各訊息組成單一flit。由於各訊息為單一flit，多個flit罕有地背靠背行進。因為不需要覆蓋點數回傳潛時，這容許各連接埠處僅以單一緩衝項來維持效能。路由器之各輸出方向具有單一相關聯點數。該點數始於1，在該方向發送一訊息時遞減。一旦該訊息已空出鄰點中之緩衝項，便直接從鄰近路由器直接帶外回傳該點數。實施此單一緩衝項方案將面積縮減40%。
進一步檢驗後，中轉緩衝區也似乎未受充分利用。單純地引進一轉向懲罰，而不是藉由釋放東向/西向之資源來促進產出。將該轉向緩衝區整體移除時，效能幾乎不變。部分原因為分散式Bellman-Ford演算法建立之低流量，且部分原因為BFCU每個週期可維護一訊息，以致一訊息非常罕有地在一輸入緩衝區中停頓等待被噴出(只有當相同節點同時有兩個訊息抵達時才噴出)。藉由將東側與西側輸入緩衝區直接連接至北側/南側/噴出多工器，此最佳化能夠進一步縮減路由器之尺寸。
另外，我們的分散式Bellman-Ford演算法的性質免除實施任何飢餓避免協定，正如配合此路由器典型所需者。因為此網路中之新訊息只在演算法進展時才產生(收到更好的成本時)，依照演算法保證網路中任何位置之一停頓以最終造成網路之其餘部分靜止。此靜止將訊息繼續所需的任何資源空出。模擬顯示這些停頓極為罕見。圖8所示路由器架構之設計消耗7,500個電晶體。其中大約65%為四單進輸入緩衝區，其顯示將各個別路由器之緩衝區需求降低的重要性。
該可重新組配網路之所提出之設計的一個目標為利用各種網路達到良好效能的能力。為了完成此目標，邏輯規劃圖組態對實體BFCU之智慧型映射必須發生。若要使通訊潛伏降到最低，理想是將邏輯鄰點映射至實體鄰近之BFCU，但這由於規劃圖之拓樸結構而永遠不可能。BFCU之實體網路為一2D網目，不過，其若是在機器人之高維組態空間中建立，則邏輯規劃圖不太可能呈平面型。
一模擬之退火作法係用於在一預處理階段期間取得此映射問題之一可接受解決方案。模擬之退火為用以對一複雜狀態空間之最佳者進行搜尋之一典型技巧。首先，對實體網目上之位置隨機指定邏輯節點。以某一「溫度」及冷卻率初始化該系統。於各反覆移動，該系統嘗試轉變至一鄰近狀態。鄰近狀態係藉由隨機選擇一節點(節點A)所產生。選擇節點A之諸邏輯鄰點其中一者(節點B)，並且在節點B之鄰點附近隨機選擇一實體位置。該鄰近狀態是藉由將節點A與目前映射至此位置之任一邏輯節點調換所建構。此新狀態若降低該系統之能量(在本申請案中，定義為諸邏輯鄰點之間的平均實體距離)，則被接受。其若增大該系統之能量，則以取決於該系統之目前溫度之一機率被接受。溫度愈高，該系統愈可能會接受更高能量鄰近狀態。接受更高能量狀態容許演算法從局部極小找出其方式。各反覆移動，溫度以冷卻率指數式降低。
一互連網路上之諸點處出現介於最短路徑架構與碰撞偵檢架構之間的介面。這些點可稱為「控制節點」。圖9展示位於互連網路之周邊上之控制節點。碰撞偵檢模組發送代表有碰撞的是哪些移動(圖解邊緣)之一位元向量至控制節點。對於有碰撞之各移動，該控制節點將訊息發送至指定予各邊緣任一側邊上之節點的BFCU，表示BFCU對於下一個詢問不應該使用該邊緣。該等控制節點亦負責一完成便自行收集路徑。為此，設定參數(在規劃階段期間)以指引該等控制節點如何評量最短路徑搜尋之狀態。這些包括開始探測來源節點之最妥成本前要等待的週期數量、以及表示完成之條件。這些條件可用靜態分析來判定，下文將有更多論述。控制節點之尺寸是藉由保持邊緣ID對所涉及組態之實體位址之映射關係所需之儲存來主宰。此映射關係使控制節點能夠將碰撞偵檢結果轉發至網路上之適當處。若實施一128 x 128網目，則各控制節點消耗幾乎190,000個電晶體，其幾乎全都是映射表。
對於這項例示性實作態樣，拾取與置放工作因其在機器人科學中無所不在而遭受評估。Kinova所施作之針對六自由度之Jaco II機器人產生各種尺寸之PRM。在由隨機置放且大小經過調整之障礙物與不同來源/目的地對所組成之取樣環境上進行實驗。針對範圍自4,000至256,000個邊緣之PRM測試解決問題之系統之行為，但區域與時序數量將會聚焦於針對一16,000個節點、32,000個邊緣之PRM解決問題之一128 x 128實作態樣。此尺寸足以解決機器人領域中具有挑戰性之問題。
Synopsys工具鏈及NanGate 15 nm Open Cell Library係用於對設計進行合成，並且取得效能、面積及功率估測。以下數字係針對具有16,384個節點(128 x 128)之一實作態樣。面積是以電晶體數量來表示，其應該獨立於技術節點，但潛時與功率估測則取決於此積極性特徵尺寸。
碰撞偵檢架構相對所使用之規劃圖中之邊緣完全平行，因此其潛時僅取決於其必須處理之障礙物數量。對於本實驗中取樣之隨機拾取與置放環境，平均有750個障礙物體素，其意味著碰撞檢查平均用掉750個週期，因為各體素僅需要單一週期即可處理。
若要測試所提出之最短路徑架構之有效性，針對互連網路與相關聯之BFCU撰寫一週期準確之模擬器。雖然Verilog係用於設計，並且一RTL模擬器係用於測試更小實作態樣上之功能正確性，針對一RTL模擬器中之一16,384節點實作態樣運行數千個時序實驗仍然時間成本過高。模擬器進行一快速的設計空間探索，同時開發微架構並且有效率地分析最終結果。
對於16,000節點圖，完成之平均時間為360個週期。除了圖解搜尋本身之速度以外，還必須評估之一項設計態樣為偵檢搜尋完成之方法。圖10針對兩種路線圖尺寸展示各種次數之完成機率，模擬超過5,000個取樣環境。資料之靜態分析係用於選擇參數，及用於在規劃階段期間組配路徑提取模組以識別完成。對於16,000節點圖，該策略正確地識別完成超過99%時間。所帶來之一平均額外負荷為270個額外週期。
此方法是可接受的，因為儘管未嚴格保證路徑搜尋會在取回路徑時完成運行，其仍然絕不會回傳一無效路徑，只會回傳一最佳路徑。若參數選擇適當，這應該不常發生，但若此對於某些應用並不適當，保證演算法以圖解中節點數量所約束之一速率靜止，並且可使用一更保守的參數設定。
加總時間以用高準確度完成路徑搜尋與偵檢完成兩者產出630個週期之一平均值。然而，正如硬體設計中常見者，四處移動資料所花的時間與運算恰好一樣多。另有950個週期之額外負荷要用以傳遞至BFCU並且實際提取路徑。包括用以進行碰撞偵檢之時間在內，從障礙物體素抵達之時間到一路徑已備妥輸出之時間，總平均潛時為2,330個週期。Synopsys中的合成表示設計可輕易地以1 GHz進行時控，以致此變換至一2.3微秒潛時。此潛時比習知的取樣式規劃器約略快五倍，並且比先前提出之加速器快兩倍。
一16,384節點設計消耗的電晶體總計23億個左右。碰撞偵檢模組雖然是以簡化方塊來表示，其佔用的空間仍屬大部分。第二大組件為網路節點，其係藉以四個單進緩衝區來主宰。Synopsys估測該設計的功率消耗為35瓦特。類似於面積數字，此大部分由碰撞偵檢檢測貢獻，且其餘部分由網路貢獻。
圖11A展示碰撞數量檢查潛時相對一路線圖中邊緣數量的一作圖；以及圖11B展示最短路徑搜尋潛時相對一路線圖中邊緣數量的一作圖。思考效能與問題大小的比例關係也很重要。圖11A展示進行碰撞偵檢之時間獨立於PRM中之邊緣數量，因為各邊緣有專屬硬體。此16,384節點實作態樣可處置高達32,768個邊緣，但該設計可輕易調整成更大的實作態樣。圖11A亦有助於藉由展示利用一CPU及GPU上實施之相同預運算的策略，解構相較於專屬硬體從積極性預運算衍生出的效益多寡。該CPU版本為具有8 GB之RAM之4核心Haswell i7上執行之一高度最佳化C程式，並且係以OpenMP指令來儀測以利用所有硬體執行緒。該GPU版本為一Tesla K80上執行之一調好之CUDA核心。相較於在運行時間運行一習知的取樣式規劃器，這兩種策略都約略達到10倍加速，但仍比所提出之解決方案慢很多。
圖11B展示所提出之可重新組配Bellman-Ford硬體式最短路徑演算法的調整行為，並且繪示對於此自訂硬體解決方案之需求。各節點具有專屬硬體容許效能隨著穿過圖解之平均躍點數量線性調整。連同所提出之自訂硬體解決方案。亦展示一CPU與GPU上最短路徑搜尋之效能。該CPU為Klampt (一最佳化良好之機器人科學套裝軟體)中運行最短路徑實作態樣之一4核心Haswell i7。該GPU使用一Tesla K80上之nvGraph圖解分析API運行最短路徑。因為所提出之架構涉及將最短路徑與碰撞偵檢緊密耦合，儘管GPU涉及透過PCI-e進行通訊，仍未包括資料移動額外負荷，以利實作態樣之公平性(所以，本圖密切地涉及運算時間)。即使如此，GPU之運算時間對於小圖解尺寸實際上仍然比CPU更慢，交叉超過約32,000個邊緣，並且維持比本文中介紹之所提出的解決方案慢數倍。這示範為了使最短路徑之潛時與加速之碰撞偵檢有相同的幅度等級，需要一自訂硬體解決方案。
用於偵檢必須評估之碰撞偵檢的方塊化策略有數種態樣。第一種為積極縮減掃描容積表示型態中之方塊數量以求硬體成本降低之技巧。將上述演算法用於方塊化碰撞偵檢，進行一50,000邊緣路線圖上參數空間之一掃描以評估硬體預算與表示型態容積增加之間的取捨。
圖12展示表示型態之硬體預算與體積增大之間的取捨之一視覺化。確實代表原始體素化容積之平均方塊數量為127。然而，使用上述演算法，以只有64之一方塊預算來說，各表示型態之平均容積只增加11%。值得注意的是，此最佳化很安全，由於只會加入容積，不會移除容積，以致絕不會將一碰撞移動錯誤地標示為可用。假定各方塊表示型態之尺寸相當於兩個體素，清楚可知的是，以方塊表示容積遠比利用體素更有效率。另一問題是，在該架構尋找最佳路徑之能力方面，此更粗略之表示型態造成一衰減的頻繁程度有多高。使用一個別體素表示型態、及容許容積增加10%之一方塊化策略兩者對5,000個取樣之拾取與置放環境測試一50,000邊緣PRM。容許這10%之容積增加造成失效率僅提升0.13%。對於其餘路徑，平均路徑長度增加0.59%。相較於使用方塊之一全然覆蓋，此小懲罰比偏移多出50%硬體成本減少量。這些結果顯示以方塊表示型態進行碰撞偵檢之策略有效地減少所需的硬體資源，同時仍維持路徑品質。
100‧‧‧C空間
102~104‧‧‧障礙物碰撞區
110‧‧‧自由空間
120‧‧‧路徑
122‧‧‧起始組態
124‧‧‧目標組態
200‧‧‧系統
201‧‧‧感測器
202‧‧‧物件偵檢器
203‧‧‧物件追蹤器
204‧‧‧成本網格
205‧‧‧移動規劃模組
300‧‧‧移動規劃模組
310‧‧‧碰撞偵檢模組
320‧‧‧最短路徑模組
400、500‧‧‧可重新組配偵檢架構
410、510‧‧‧控制邏輯
421-1~421-n、521-1~521-n‧‧‧儲存機制
422-1~422-n、522-1~522-n‧‧‧比較器
430‧‧‧NOR邏輯閘
530‧‧‧AND邏輯閘
圖1展示一大致靜態環境中一移動規劃問題之一例示圖。
圖2針對一自動車之移動規劃展示一即時系統之一實例。
圖3根據本發明之某些實施例，繪示一移動規劃模組之一例示性架構。
圖4針對單一移動展示一例示性可重新組配碰撞偵檢架構。
圖5針對使用方塊而不是使用體素之一策略展示一例示性碰撞偵檢架構。
圖6A至6D繪示單一移動之掃描容積之表示型態如何以一PRM隨著表示策略而變。圖6A展示實際掃描容積。圖6B包括該移動之所有個別體素。圖6C展示使用87個方塊而不是使用個別體素所述之相同掃描容積。圖6D展示若容許增加一10%容積則僅藉由38個方塊所覆蓋之容積。
圖7針對一例示性實作態樣展示Bellman-Ford運算單元之一基本微架構布置圖。
圖8針對例示性實作態樣展示用於一晶片上網路之一例示性路由器微架構。
圖9針對一例示性實作態樣展示一互連網路的一平面圖。
圖10針對兩種路線圖尺寸展示各種次數之完成機率，模擬超過5,000個取樣環境。
圖11A展示碰撞數量檢查潛時相對一路線圖中邊緣數量的一作圖。
圖11B展示最短路徑搜尋潛時相對一路線圖中邊緣數量的一作圖。
圖12展示表示型態之硬體預算與體積增大之間的取捨之一視覺化。
200‧‧‧系統
201‧‧‧感測器
202‧‧‧物件偵檢器
203‧‧‧物件追蹤器
204‧‧‧成本網格
205‧‧‧移動規劃模組

Claims (27)

  1. 一種用於自動車移動規劃之系統，該系統包含： 複數個感測器； 複數個偵檢器，其與該複數個感測器電氣通信；以及 一移動規劃模組，其與該複數個偵檢器電氣通信並且與一自動車之一運算系統電氣通信， 其中該移動規劃模組儲存一規劃圖，該規劃圖包含藉由邊緣連接之複數個節點，其中各節點隱含地或明確地代表時間與變數，其定義該自動車之一狀態、一操作環境、或該自動車之該狀態與該操作環境兩者。
  2. 如請求項1之系統，其中該移動規劃模組從該複數個偵檢器接收感知資料與樣本軌跡、沿著該規劃圖中之各邊緣(其與該感知資料中之障礙物導致一碰撞)調整一碰撞機率以考量該等樣本軌跡、顧及碰撞成本與機率而判定一路徑、以及輸出該路徑至該運算系統。
  3. 如請求項2之系統，其中該複數個偵檢器包含一物件追蹤器，其識別該環境中之一動態物件，並且針對該動態物件輸出未來軌跡之一機率分布以供該移動規劃模組進行取樣。
  4. 如請求項2之系統，其中該複數個偵檢器包含一物件偵檢器，其產生包含障礙物體素之感知資料，該等體素代表該環境之經識別物件。
  5. 如請求項4之系統，其更包含一成本網格，其從該物件偵檢器接收該等障礙物體素、為各體素指定一成本修飾符、以及輸出該等體素與指定之成本修飾符至該移動規劃模組。
  6. 如請求項1之系統，其中該移動規劃模組包含一硬體處理器、記憶體儲存器、以及代表該規劃圖之邊緣的碰撞偵檢單元。
  7. 如請求項1之系統，其中該移動規劃模組包含一可重新組配架構。
  8. 如請求項1至5中任一項之系統，其中該移動規劃模組包含： 一硬體處理器； 記憶體儲存器，其中該規劃圖係儲存於該記憶體儲存器；以及 預運算碰撞資料，其係儲存於該記憶體儲存器，使得在運行時間內，如收到感知資料，便藉由該硬體處理器將該感知資料與該記憶體儲存器中所儲存之該預運算碰撞資料作比較以判斷碰撞。
  9. 如請求項8之系統，其中該預運算碰撞資料係針對一新載具或情境用新預運算碰撞資料來更新。
  10. 一種移動規劃裝置，其包含： 一硬體處理器； 記憶體儲存器；以及 儲存於該記憶體儲存器中之一規劃圖，該規劃圖包含藉由邊緣連接之複數個節點，其中各節點隱含地或明確地代表時間與變數，其定義一機器人之一狀態、一操作環境、或該機器人之該狀態與該操作環境兩者。
  11. 如請求項10之移動規劃裝置，其中該規劃圖包含與該等邊緣相關聯所儲存之至少一條通道。
  12. 如請求項12之移動規劃裝置，其中該至少一條通道包含成本。
  13. 如請求項10或12之移動規劃裝置，其中該至少一條通道包含風險。
  14. 如請求項10之移動規劃裝置，其中該硬體處理器接收代表一環境之經識別物件的障礙物體素、及代表該環境之經識別動態物件的障礙物樣本軌跡；沿著該規劃圖中與障礙物體素導致一碰撞之各邊緣調整一碰撞機率以考量該等樣本軌跡；以及顧及碰撞成本與機率而判定一路徑。
  15. 如請求項14之移動規劃裝置，其更包含碰撞偵檢單元，其識別該等障礙物之該等體素與該規劃圖之該等邊緣之間的碰撞。
  16. 一種針對一自動車進行移動規劃之方法，其包含： 接收代表一環境之經識別物件的障礙物體素； 取樣代表該環境之經識別動態物件的障礙物軌跡； 沿著一規劃圖中與障礙物體素導致一碰撞之各邊緣調整一碰撞機率以考量該等樣本軌跡，其中該規劃圖包含藉由邊緣所連接之複數個節點，其中各節點隱含地或明確地代表時間與變數，其定義一機器人之一狀態、一操作環境、或該機器人之該狀態與該操作環境兩者；以及 判定顧及成本及/或風險之一路徑。
  17. 如請求項16之方法，其更包含： 憑藉代表該環境之經識別物件的各障礙物體素進行接收作為指定之成本值；以及 沿著該規劃圖中與代表該等經識別物件之該等障礙物體素導致一碰撞之各邊緣調整一成本值以考量該等指定之成本值。
  18. 如請求項17之方法，其中判定該路徑包含：判定介於一經識別動態物件之該碰撞機率與一經識別物件之該碰撞成本值之間的一有效成本。
  19. 如請求項17之方法，其中判定該路徑包含使用該等碰撞成本值來運算一移動計畫，該路徑識別具有一最低成本之一路徑，該最低成本取決於針對那條路徑之該等碰撞機率對一風險限制條件之應用。
  20. 如請求項16至19中任一項之方法，其中該方法係於該自動車之各移動之後重複進行。
  21. 一種移動規劃模組，其包含： 一硬體處理器； 記憶體儲存器；以及 預運算碰撞資料，其係儲存於該記憶體儲存器，使得在運行時間內，如收到感知資料，便藉由該硬體處理器將該感知資料與該記憶體儲存器中所儲存之該預運算碰撞資料作比較以判斷碰撞。
  22. 如請求項21之移動規劃模組，其更包含儲存於該記憶體儲存器之一規劃圖，其中該規劃圖係於運行時間之前針對一特定機器人及任選地針對一特定情境所產生，其中該預運算碰撞資料係與該規劃圖之邊緣相關聯。
  23. 如請求項21或22之移動規劃模組，其更包含： 一最短路徑模組，其包含： 實施一最短路徑演算法之平行硬體單元；以及 基於一所接收規劃圖將邏輯拓樸結構映射到該等平行硬體單元之一實體拓樸結構上之可規劃電路系統， 該最短路徑模組於運行時間內接收該已定碰撞以輸出一計畫。
  24. 一種操作一可重新組配移動規劃模組之方法，該方法包含： 進行一第一規劃階段以針對一特定機器人及任選地針對一特定情境組配一移動規劃模組，該第一規劃階段包含： 接收一第一規劃圖；以及針對該第一規劃圖之各邊緣，接收該邊緣之預運算碰撞資料、及任選地接收與該邊緣相關聯之成本； 將該第一規劃圖與該預運算碰撞資料儲存於該移動規劃模組之一記憶體儲存器； 使用針對該特定機器人及任選地針對該特定情境所組配之該移動規劃模組來進行即時移動規劃；以及 進行一第二規劃階段以針對一新特定機器人、一新特定情境、或一新特定機器人與新特定情境兩者組配該移動規劃模組，該第二規劃階段包含： 接收一第二規劃圖；以及針對該第二規劃圖之各邊緣，接收該邊緣之預運算碰撞資料、及任選地接收與該邊緣相關聯之成本； 將該第二規劃圖與該預運算碰撞資料儲存於該移動規劃模組之該記憶體儲存器。
  25. 如請求項24之方法，其中使用針對該特定機器人及任選地針對該特定情境所組配之該移動規劃模組來進行即時移動規劃包含： 接收感知資料； 將該感知資料與該記憶體儲存器中所儲存之該預運算碰撞資料作比較以判斷碰撞；以及 判定最短路徑，任選地顧及成本。
  26. 如請求項24之方法，其中該第一規劃階段更包含： 基於該所接收規劃圖，規劃將邏輯拓樸結構映射到實施一最短路徑演算法之平行硬體單元之一實體拓樸結構上之一電路系統。
  27. 一種用於針對圖解尋找最短路徑之硬體模組，其包含： 實施一最短路徑演算法之平行硬體單元；以及 將邏輯拓樸結構映射到該等平行硬體單元之一實體拓樸結構上之可重新組配電路系統。
TW106119452A 2016-06-10 2017-06-12 用於自動車移動規劃之系統及相關方法、移動規劃裝置以及操作可重新組配移動規劃模組之方法 TWI758296B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201662348230P 2016-06-10 2016-06-10
US62/348,230 2016-06-10
US201762451816P 2017-01-30 2017-01-30
US62/451,816 2017-01-30

Publications (2)

Publication Number Publication Date
TW201801965A true TW201801965A (zh) 2018-01-16
TWI758296B TWI758296B (zh) 2022-03-21

Family

ID=60578208

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106119452A TWI758296B (zh) 2016-06-10 2017-06-12 用於自動車移動規劃之系統及相關方法、移動規劃裝置以及操作可重新組配移動規劃模組之方法

Country Status (8)

Country Link
US (1) US11429105B2 (zh)
EP (2) EP3449214B1 (zh)
JP (2) JP7181092B2 (zh)
CN (1) CN109477723B (zh)
ES (1) ES2903532T3 (zh)
PL (1) PL3449214T3 (zh)
TW (1) TWI758296B (zh)
WO (1) WO2017214581A1 (zh)

Families Citing this family (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016122840A1 (en) 2015-01-26 2016-08-04 Duke University Specialized robot motion planning hardware and methods of making and using same
PL3449214T3 (pl) 2016-06-10 2022-04-04 Duke University Planowanie ruchu dla pojazdów autonomicznych i rekonfigurowalne procesory planowania ruchu
US10518770B2 (en) * 2017-03-14 2019-12-31 Uatc, Llc Hierarchical motion planning for autonomous vehicles
US20210166568A1 (en) * 2017-06-16 2021-06-03 FLIR Belgium BVBA Collision avoidance systems and methods
US10599161B2 (en) * 2017-08-08 2020-03-24 Skydio, Inc. Image space motion planning of an autonomous vehicle
US20190079517A1 (en) 2017-09-08 2019-03-14 nuTonomy Inc. Planning autonomous motion
WO2019139815A1 (en) 2018-01-12 2019-07-18 Duke University Apparatus, method and article to facilitate motion planning of an autonomous vehicle in an environment having dynamic objects
CN108363393B (zh) * 2018-02-05 2019-09-27 腾讯科技（深圳）有限公司 一种智能运动设备及其导航方法和存储介质
TWI822729B (zh) 2018-02-06 2023-11-21 美商即時機器人股份有限公司 用於儲存一離散環境於一或多個處理器之一機器人之運動規劃及其改良操作之方法及設備
US11789449B2 (en) * 2018-02-09 2023-10-17 Nvidia Corporation Controlling autonomous vehicles using safe arrival times
GB201803292D0 (en) * 2018-02-28 2018-04-11 Five Ai Ltd Efficient computation of collision probabilities for safe motion planning
DE102018104104A1 (de) * 2018-02-23 2019-08-29 Valeo Schalter Und Sensoren Gmbh Fahrerunterstützungsverfahren für ein Fahrzeug
ES2928250T3 (es) 2018-03-21 2022-11-16 Realtime Robotics Inc Planificación del movimiento de un robot para diversos entornos y tareas y mejora del funcionamiento del mismo
US11255679B2 (en) * 2018-04-19 2022-02-22 Uatc, Llc Global and local navigation for self-driving
US10579754B1 (en) 2018-09-14 2020-03-03 Hewlett Packard Enterprise Development Lp Systems and methods for performing a fast simulation
US10809732B2 (en) * 2018-09-25 2020-10-20 Mitsubishi Electric Research Laboratories, Inc. Deterministic path planning for controlling vehicle movement
CN113227927A (zh) * 2018-12-04 2021-08-06 杜克大学 在具有动态对象环境中促进运动规划的设备、方法和物体
JP7241517B2 (ja) * 2018-12-04 2023-03-17 三菱電機株式会社 航法装置、航法パラメータ計算方法およびプログラム
US11911908B2 (en) 2018-12-21 2024-02-27 Intrinsic Innovation Llc Dynamic probabilistic motion planning
US10809734B2 (en) 2019-03-13 2020-10-20 Mobile Industrial Robots A/S Route planning in an autonomous device
US12017364B2 (en) 2019-04-17 2024-06-25 Realtime Robotics, Inc. Motion planning graph generation user interface, systems, methods and articles
CN111830957A (zh) * 2019-04-19 2020-10-27 北京京东尚科信息技术有限公司 一种路径规划方法和装置
US11179850B2 (en) 2019-04-24 2021-11-23 Intrinsic Innovation Llc Robot motion planning
CN110069434A (zh) * 2019-04-28 2019-07-30 北京超维度计算科技有限公司 一种高性能弹性计算hec的终端算力部署系统和方法
US11373318B1 (en) 2019-05-14 2022-06-28 Vulcan Inc. Impact detection
KR102647646B1 (ko) * 2019-05-15 2024-03-13 현대자동차주식회사 엣지 컴퓨팅에 기초한 이동체 동작 방법 및 장치
US11105645B2 (en) * 2019-05-28 2021-08-31 Glazberg, Applebaum & co. Navigation in vehicles and in autonomous cars
CN114206698B (zh) * 2019-06-03 2024-07-02 实时机器人有限公司 在具有动态障碍物的环境中促进运动规划的装置、方法和物品
CN110196596B (zh) * 2019-06-04 2022-05-27 南阳理工学院 一种基于碰撞风险分析的四轮移动机器人模糊避障方法
US11875678B2 (en) * 2019-07-19 2024-01-16 Zoox, Inc. Unstructured vehicle path planner
WO2021033574A1 (ja) * 2019-08-21 2021-02-25 ソニー株式会社 情報処理装置、および情報処理方法、並びにプログラム
JP7368025B2 (ja) 2019-08-23 2023-10-24 リアルタイム ロボティクス， インコーポレーテッド 加速度とジャークの制限を維持しながら速度を最適化するロボットの動作計画
WO2021063486A1 (en) * 2019-10-01 2021-04-08 Huawei Technologies Co., Ltd. Automatic root cause analysis of failures in autonomous vehicle
JP7382201B2 (ja) * 2019-10-11 2023-11-16 株式会社日立製作所 車両管制システム、演算装置
CN110954104B (zh) * 2019-10-29 2021-12-28 中国人民解放军战略支援部队航天工程大学 一种航天器抵近操作路径规划方法
CN111006666B (zh) * 2019-11-21 2021-10-29 深圳市优必选科技股份有限公司 机器人路径规划方法、装置、存储介质和机器人
CN112859829B (zh) * 2019-11-28 2023-01-20 北京百度网讯科技有限公司 一种车辆控制方法、装置、电子设备和介质
US11675366B2 (en) 2019-12-27 2023-06-13 Motional Ad Llc Long-term object tracking supporting autonomous vehicle navigation
TW202146189A (zh) 2020-01-22 2021-12-16 美商即時機器人股份有限公司 於多機器人操作環境中之機器人之建置
EP4114623A4 (en) * 2020-03-06 2024-03-20 Edda Technology, Inc. METHOD AND SYSTEM FOR OBSTACLE AVOIDANCE IN ROBOT PATH PLANNING USING DEPTH SENSORS
US11592843B2 (en) 2020-04-08 2023-02-28 Lockheed Martin Corporation Autonomous aircraft local planning to avoid obstructions
JP7450297B2 (ja) * 2020-04-14 2024-03-15 リアルタイム ロボティクス， インコーポレーテッド センサーの配置を含むロボット操作環境の構成
CN113671941A (zh) * 2020-05-15 2021-11-19 北京京东乾石科技有限公司 一种轨迹规划方法、装置、设备和存储介质
US11698639B2 (en) * 2020-06-04 2023-07-11 Waymo Llc Predicting jaywalking behaviors of vulnerable road users
US11634161B2 (en) * 2020-06-24 2023-04-25 Woven Planet North America, Inc. Path planning using delta cost volume generated from movement restrictions and observed driving behavior
CN111736631B (zh) * 2020-07-09 2023-03-21 纪关荣 一种农药喷洒机器人的路径规划方法及系统
US12037017B2 (en) 2020-10-15 2024-07-16 Waymo Llc Collision evaluation using a hierarchy of grids
FR3117979A1 (fr) * 2020-12-21 2022-06-24 Psa Automobiles Sa Procédé et dispositif de contrôle d’un véhicule autonome
FR3117974A1 (fr) * 2020-12-21 2022-06-24 Psa Automobiles Sa Procédé et dispositif de contrôle d’un véhicule
US11686650B2 (en) * 2020-12-31 2023-06-27 Robert Bosch Gmbh Dynamic spatiotemporal beamforming
US11430459B2 (en) 2020-12-31 2022-08-30 Robert Bosch Gmbh Self-calibration dynamic spatiotemporal beamforming system
CN112987799B (zh) * 2021-04-16 2022-04-05 电子科技大学 一种基于改进rrt算法的无人机路径规划方法
KR20230166129A (ko) * 2021-04-23 2023-12-06 모셔널 에이디 엘엘씨 에이전트 궤적 예측
RU2767826C1 (ru) 2021-05-24 2022-03-22 Общество с ограниченной ответственностью «Яндекс Беспилотные Технологии» Способ и устройство для управления автомобилем
DE102021212697A1 (de) * 2021-11-11 2023-05-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Bestimmen eines Bewegungspfades für ein mobiles Gerät
KR102700403B1 (ko) * 2021-11-16 2024-08-28 성균관대학교산학협력단 데이터 전송 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
CN114056351B (zh) * 2021-11-26 2024-02-02 文远苏行(江苏)科技有限公司 自动驾驶方法及装置
US11981328B2 (en) 2022-02-02 2024-05-14 Ford Global Technologies, Llc Vehicle object avoidance
CN114756026B (zh) * 2022-04-07 2024-04-19 青岛沃柏斯智能实验科技有限公司 一种实验环境安全检查的巡视控制系统
TWI781074B (zh) * 2022-05-20 2022-10-11 東元電機股份有限公司 利用影像辨識進行側邊跟隨之自動跟隨車
US20240001959A1 (en) * 2022-06-30 2024-01-04 Zoox, Inc. Vehicle motion planner
CN115049309B (zh) * 2022-07-19 2023-01-13 中环洁环境有限公司 一种垃圾收运路线规划方法和系统
US20240143655A1 (en) * 2022-10-26 2024-05-02 Dell Products L.P. So-map: a semantic-aware algorithm for optimizing the representation structure of octomaps
CN115774427A (zh) * 2022-11-11 2023-03-10 劢微机器人科技(深圳)有限公司 时间窗调整方法、装置、设备及计算机可读存储介质
CN116119025B (zh) * 2023-02-23 2023-08-11 哈尔滨工业大学 一种模块化可重构卫星分布式自组织重构方法及其系统

Family Cites Families (126)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4862373A (en) * 1987-05-13 1989-08-29 Texas Instruments Incorporated Method for providing a collision free path in a three-dimensional space
US4949277A (en) 1988-03-09 1990-08-14 North American Philips Corporation Differential budding: method and apparatus for path planning with moving obstacles and goals
US6089742A (en) 1989-11-01 2000-07-18 Warmerdam; Thomas P. H. Method and apparatus for controlling robots and the like using a bubble data hierarchy placed along a medial axis
US5544282A (en) 1991-04-05 1996-08-06 Chen; Pang C. Method and apparatus for planning motions of robot manipulators
US5347459A (en) 1993-03-17 1994-09-13 National Research Council Of Canada Real time collision detection
US5835684A (en) * 1994-11-09 1998-11-10 Amada Company, Ltd. Method for planning/controlling robot motion
US6004016A (en) 1996-08-06 1999-12-21 Trw Inc. Motion planning and control for systems with multiple mobile objects
US5795297A (en) 1996-09-12 1998-08-18 Atlantis Diagnostics International, L.L.C. Ultrasonic diagnostic imaging system with personal computer architecture
US6049756A (en) * 1997-11-12 2000-04-11 Lockheed Martin Corporation System and method for avoiding collision between vector and solid objects
JPH11296229A (ja) * 1998-02-13 1999-10-29 Komatsu Ltd 車両の誘導装置
JPH11249711A (ja) * 1998-03-03 1999-09-17 Yokogawa Electric Corp 制御装置
US6259988B1 (en) 1998-07-20 2001-07-10 Lockheed Martin Corporation Real-time mission adaptable route planner
JP2002073130A (ja) 2000-06-13 2002-03-12 Yaskawa Electric Corp ロボットの大域動作経路計画方法とその制御装置
US6629037B1 (en) * 2000-06-26 2003-09-30 Westerngeco, L.L.C. Optimal paths for marine data collection
JP2003012077A (ja) 2001-07-02 2003-01-15 Japan Furakkusu:Kk 植物運搬用箱
DE10200680B4 (de) 2002-01-10 2004-03-25 Siemens Ag Minimale Schwingungsanregung beim Verfahren mit Ruckbegrenzung durch Adaption von Ruckprofilen
US10065317B2 (en) 2016-06-30 2018-09-04 General Electric Company Control system for coordinating robotic machines to collaborate on tasks
US7130716B2 (en) 2003-04-22 2006-10-31 Berkeley Process Control, Inc. System of path planning for robotic manipulators based on maximum acceleration and finite jerk constraints
JP4251545B2 (ja) * 2003-07-11 2009-04-08 独立行政法人科学技術振興機構 移動ロボット用経路計画システム
JP3834307B2 (ja) 2003-09-29 2006-10-18 ファナック株式会社 ロボットシステム
US7447593B2 (en) * 2004-03-26 2008-11-04 Raytheon Company System and method for adaptive path planning
KR20070011495A (ko) * 2004-04-22 2007-01-24 프론트라인 로보틱스 자율 이동 시스템을 위한 개방형 제어 시스템 아키텍처
DE102004059966B3 (de) 2004-12-13 2006-06-22 Siemens Ag Verfahren und Einrichtung zur Bewegungsführung eines bewegbaren Maschinenelements einer numerisch gesteurten Maschine
JP2006224740A (ja) 2005-02-16 2006-08-31 Advics:Kk 車両用走行支援装置
US20060235610A1 (en) 2005-04-14 2006-10-19 Honeywell International Inc. Map-based trajectory generation
US20060247852A1 (en) 2005-04-29 2006-11-02 Kortge James M System and method for providing safety-optimized navigation route planning
JP4577248B2 (ja) * 2006-03-23 2010-11-10 トヨタ自動車株式会社 移動体の経路探索システム、経路探索方法及び経路探索プログラム
JP5112666B2 (ja) 2006-09-11 2013-01-09 株式会社日立製作所 移動装置
ATE412929T1 (de) 2006-09-14 2008-11-15 Abb Research Ltd Verfahren und vorrichtung zur vermeidung von kollisionen zwischen einem industrieroboter und einem objekt
US7974737B2 (en) 2006-10-31 2011-07-05 GM Global Technology Operations LLC Apparatus and method of automated manufacturing
EP1972415B1 (en) 2007-03-23 2019-01-02 Honda Research Institute Europe GmbH Robots with collision avoidance functionality
US7865277B1 (en) * 2007-05-07 2011-01-04 The United States Of America As Represented By The Secretary Of The Navy Obstacle avoidance system and method
US8380424B2 (en) 2007-09-28 2013-02-19 The Boeing Company Vehicle-based automatic traffic conflict and collision avoidance
JP2009116860A (ja) * 2007-10-19 2009-05-28 Yamaha Motor Powered Products Co Ltd 車両
EP2085279B1 (en) 2008-01-29 2011-05-25 Ford Global Technologies, LLC A system for collision course prediction
JP2009217330A (ja) * 2008-03-07 2009-09-24 Toyota Motor Corp 移動ロボットシステム及びその制御方法
US8571745B2 (en) * 2008-04-10 2013-10-29 Robert Todd Pack Advanced behavior engine
US8315738B2 (en) 2008-05-21 2012-11-20 Fanuc Robotics America, Inc. Multi-arm robot system interference check via three dimensional automatic zones
US8706452B2 (en) 2008-06-26 2014-04-22 Siemens Product Lifecycle Management Software Inc. System and method for collision-free CAD design of pipe and tube paths
JP5086942B2 (ja) 2008-09-02 2012-11-28 トヨタ自動車株式会社 経路探索装置、経路探索方法、及び経路探索プログラム
KR101554515B1 (ko) 2009-01-07 2015-09-21 삼성전자 주식회사 로봇의 경로계획장치 및 그 방법
KR101105325B1 (ko) 2009-09-08 2012-01-16 부산대학교 산학협력단 실제 로봇의 다중 경로계획 방법
US8386080B2 (en) 2009-09-15 2013-02-26 Harris Corporation Robotic apparatus implementing collision avoidance scheme and associated methods
JP4975075B2 (ja) 2009-09-30 2012-07-11 クラリオン株式会社 ナビゲーション装置および経路演算方法
EP2493664B1 (en) 2009-10-27 2019-02-20 Battelle Memorial Institute Semi-autonomous multi-use robot system and method of operation
US20110153080A1 (en) 2009-12-22 2011-06-23 Siemens Product Lifecycle Management Software Inc. Method and apparatus for industrial robotic pathscycle time optimization using fly by
US20120061155A1 (en) 2010-04-09 2012-03-15 Willow Garage, Inc. Humanoid robotics system and methods
US8855812B2 (en) 2010-07-23 2014-10-07 Chetan Kapoor System and method for robot safety and collision avoidance
JP2012056023A (ja) 2010-09-09 2012-03-22 Toyota Motor Corp ロボットの動作生成システム及び動作生成方法
EP2619742B1 (en) * 2010-09-24 2018-02-28 iRobot Corporation Systems and methods for vslam optimization
US8509982B2 (en) 2010-10-05 2013-08-13 Google Inc. Zone driving
JP2012190405A (ja) 2011-03-14 2012-10-04 Toyota Motor Corp 経路情報修正装置、軌道計画装置、及びロボット
JP5774361B2 (ja) 2011-04-28 2015-09-09 本田技研工業株式会社 軌道計画方法、軌道計画システム及び軌道計画・制御システム
JP2012243029A (ja) 2011-05-18 2012-12-10 Toyota Central R&D Labs Inc 経路探索機能付き移動体
KR101634463B1 (ko) 2011-06-29 2016-06-28 미쓰비시덴키 가부시키가이샤 부품 공급 장치
TW201318793A (zh) 2011-11-08 2013-05-16 Univ Minghsin Sci & Tech 機器人光學定位系統及其定位方法
WO2013140401A2 (en) 2012-03-22 2013-09-26 Israel Aerospace Industries Ltd. Planning and monitoring of autonomous-mission
JP5724919B2 (ja) 2012-03-22 2015-05-27 トヨタ自動車株式会社 軌道生成装置、移動体、軌道生成方法及びプログラム
KR20130112507A (ko) 2012-04-04 2013-10-14 인하대학교 산학협력단 Ｓ＊ 알고리즘을 이용한 이동로봇의 안전경로계획 수립방법
KR101441187B1 (ko) * 2012-07-19 2014-09-18 고려대학교 산학협력단 자율 보행 로봇 경로 계획 방법
JP6069923B2 (ja) 2012-07-20 2017-02-01 セイコーエプソン株式会社 ロボットシステム、ロボット、ロボット制御装置
JP2015526309A (ja) 2012-08-31 2015-09-10 リシンク ロボティクス インコーポレイテッド 安全ロボット動作のためのシステムおよび方法
CN104812535A (zh) 2012-10-11 2015-07-29 Abb技术有限公司 自动产生用于将机器人从停止位置返回预设重启位置的无碰撞返回程序的方法和设备
KR102009482B1 (ko) 2012-10-30 2019-08-14 한화디펜스 주식회사 로봇의 경로계획 장치와 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록 매체
US9405296B2 (en) 2012-12-19 2016-08-02 Elwah LLC Collision targeting for hazard handling
US8972057B1 (en) 2013-01-09 2015-03-03 The Boeing Company Systems and methods for generating a robotic path plan in a confined configuration space
US9227323B1 (en) 2013-03-15 2016-01-05 Google Inc. Methods and systems for recognizing machine-readable information on three-dimensional objects
JP5962560B2 (ja) 2013-03-22 2016-08-03 トヨタ自動車株式会社 経路探索装置、移動体、経路探索方法及びプログラム
CN103278164B (zh) * 2013-06-13 2015-11-18 北京大学深圳研究生院 一种复杂动态场景下机器人仿生路径规划方法及仿真平台
US9280899B2 (en) 2013-08-06 2016-03-08 GM Global Technology Operations LLC Dynamic safety shields for situation assessment and decision making in collision avoidance tasks
JP6057862B2 (ja) 2013-08-29 2017-01-11 三菱電機株式会社 部品供給装置および部品供給装置のプログラム生成方法
US9656667B2 (en) * 2014-01-29 2017-05-23 Continental Automotive Systems, Inc. Method for minimizing automatic braking intrusion based on collision confidence
JP5897624B2 (ja) 2014-03-12 2016-03-30 ファナック株式会社 ワークの取出工程をシミュレーションするロボットシミュレーション装置
JP5877867B2 (ja) 2014-04-25 2016-03-08 ファナック株式会社 複数台のロボットのシミュレーション装置
DE102014212898A1 (de) 2014-07-03 2016-01-07 Robert Bosch Gmbh Verfahren zum Ermitteln einer Notfall-Trajektorie und Verfahren zum teilautomatisierten oder automatisierten Führen eines Ego-Fahrzeugs
US11576543B2 (en) 2014-07-18 2023-02-14 Ali Ebrahimi Afrouzi Robotic vacuum with rotating cleaning apparatus
JP5980873B2 (ja) 2014-10-17 2016-08-31 ファナック株式会社 ロボットの干渉領域設定装置
US9403275B2 (en) 2014-10-17 2016-08-02 GM Global Technology Operations LLC Dynamic obstacle avoidance in a robotic system
US20160121487A1 (en) 2014-11-03 2016-05-05 Qualcomm Incorporated Communicating Configurable Instruction Sets to Robots for Controlling Robot Behavior
WO2016122840A1 (en) 2015-01-26 2016-08-04 Duke University Specialized robot motion planning hardware and methods of making and using same
CN107206590B (zh) 2015-02-13 2021-02-05 Abb瑞士股份有限公司 用于避免两个机器人之间的碰撞的方法
US10019006B2 (en) 2015-04-08 2018-07-10 University Of Maryland, College Park Surface vehicle trajectory planning systems, devices, and methods
US9687982B1 (en) 2015-05-27 2017-06-27 X Development Llc Adapting programming of a robot and/or control of the robot based on one or more parameters of an end effector of the robot
US20160357187A1 (en) * 2015-06-05 2016-12-08 Arafat M.A. ANSARI Smart vehicle
US20170004406A1 (en) * 2015-06-30 2017-01-05 Qualcomm Incorporated Parallel belief space motion planner
US9707681B2 (en) 2015-07-27 2017-07-18 Siemens Industry Software Ltd. Anti-collision management of overlapping robotic movements
KR101724887B1 (ko) 2015-08-10 2017-04-07 현대자동차주식회사 전방 도로 형상과 연결을 분석해 차선 변경과 타이밍을 결정하는 자율주행 제어 장치 및 방법
US10464559B2 (en) 2015-09-29 2019-11-05 Sony Corporation Damage reduction device, damage reduction method, and program
KR20170044987A (ko) 2015-10-16 2017-04-26 한국전기연구원 저크가 제한된 궤적 생성 방법
KR101748632B1 (ko) 2015-10-29 2017-06-20 한국과학기술연구원 로봇의 구동 경로를 계획하기 위한 로봇 제어 시스템 및 로봇 구동 경로 계획방법
US9632502B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Machine-learning systems and techniques to optimize teleoperation and/or planner decisions
US10496766B2 (en) * 2015-11-05 2019-12-03 Zoox, Inc. Simulation system and methods for autonomous vehicles
EP3171133B1 (en) 2015-11-19 2020-03-11 Sikorsky Aircraft Corporation Kinematic motion planning with regional planning constraints
US10093021B2 (en) 2015-12-02 2018-10-09 Qualcomm Incorporated Simultaneous mapping and planning by a robot
US10012984B2 (en) * 2015-12-14 2018-07-03 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling autonomous vehicles
US10705528B2 (en) 2015-12-15 2020-07-07 Qualcomm Incorporated Autonomous visual navigation
US10665115B2 (en) 2016-01-05 2020-05-26 California Institute Of Technology Controlling unmanned aerial vehicles to avoid obstacle collision
JP6576255B2 (ja) 2016-01-25 2019-09-18 キヤノン株式会社 ロボット軌道生成方法、ロボット軌道生成装置、および製造方法
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
WO2017168187A1 (en) 2016-03-31 2017-10-05 Siemens Industry Software Ltd. Method and system for determining optimal positioning of a plurality of robots in a simulated production environment
KR102499421B1 (ko) 2016-05-05 2023-02-14 하만인터내셔날인더스트리스인코포레이티드 운전자 지원을 위한 시스템 및 방법
US9687983B1 (en) 2016-05-11 2017-06-27 X Development Llc Generating a grasp pose for grasping of an object by a grasping end effector of a robot
US9880561B2 (en) 2016-06-09 2018-01-30 X Development Llc Sensor trajectory planning for a vehicle
PL3449214T3 (pl) 2016-06-10 2022-04-04 Duke University Planowanie ruchu dla pojazdów autonomicznych i rekonfigurowalne procesory planowania ruchu
US9981383B1 (en) 2016-08-02 2018-05-29 X Development Llc Real-time trajectory generation for actuators of a robot to reduce chance of collision with obstacle(s)
US10131053B1 (en) 2016-09-14 2018-11-20 X Development Llc Real time robot collision avoidance
US10345815B2 (en) 2016-09-14 2019-07-09 Qualcomm Incorporated Motion planning and intention prediction for autonomous driving in highway scenarios via graphical model-based factorization
DE102016120763B4 (de) 2016-10-31 2019-03-14 Pilz Gmbh & Co. Kg Verfahren zur kollisionsfreien Bewegungsplanung
US20190346275A1 (en) 2016-11-09 2019-11-14 Inventive Cogs (Campbell) Limited Vehicle route guidance
KR102518532B1 (ko) 2016-11-11 2023-04-07 현대자동차주식회사 자율주행차량의 경로 결정장치 및 그 방법
US10296012B2 (en) 2016-12-21 2019-05-21 X Development Llc Pre-computation of kinematically feasible roadmaps
CA3052961A1 (en) 2017-02-07 2018-08-16 Veo Robotics, Inc. Workspace safety monitoring and equipment control
US11541543B2 (en) 2017-02-07 2023-01-03 Veo Robotics, Inc. Dynamic, interactive signaling of safety-related conditions in a monitored environment
US10430641B2 (en) 2017-03-08 2019-10-01 GM Global Technology Operations LLC Methods and systems for object tracking using bounding boxes
KR101937269B1 (ko) 2017-05-15 2019-01-14 한국생산기술연구원 로봇 모션 경로 계획방법
US11014240B2 (en) 2017-09-05 2021-05-25 Abb Schweiz Ag Robot having dynamic safety zones
US10782694B2 (en) 2017-09-07 2020-09-22 Tusimple, Inc. Prediction-based system and method for trajectory planning of autonomous vehicles
EP3486612B1 (en) 2017-11-20 2020-07-01 Robert Bosch GmbH Method for generating a trajectory
US10466707B2 (en) 2017-12-22 2019-11-05 X Development Llc Planning robot stopping points to avoid collisions
ES2928250T3 (es) 2018-03-21 2022-11-16 Realtime Robotics Inc Planificación del movimiento de un robot para diversos entornos y tareas y mejora del funcionamiento del mismo
US11216009B2 (en) 2018-06-25 2022-01-04 Intrinsic Innovation Llc Robot coordination in a shared workspace
CN112601641B (zh) 2018-08-23 2024-03-08 实时机器人有限公司 用于机器人运动规划的碰撞检测
CN113227927A (zh) 2018-12-04 2021-08-06 杜克大学 在具有动态对象环境中促进运动规划的设备、方法和物体
EP3725472A1 (de) 2019-04-16 2020-10-21 Siemens Aktiengesellschaft Verfahren zum ermitteln einer trajektorie eines roboters
US11179850B2 (en) 2019-04-24 2021-11-23 Intrinsic Innovation Llc Robot motion planning
JP7222803B2 (ja) 2019-04-25 2023-02-15 株式会社日立製作所 軌道計画装置、軌道計画方法及びプログラム

Also Published As

Publication number Publication date
CN109477723A (zh) 2019-03-15
US20190163191A1 (en) 2019-05-30
US11429105B2 (en) 2022-08-30
WO2017214581A1 (en) 2017-12-14
JP2022084895A (ja) 2022-06-07
JP7431273B2 (ja) 2024-02-14
CN109477723B (zh) 2023-02-21
EP3537248A1 (en) 2019-09-11
ES2903532T3 (es) 2022-04-04
EP3449214A1 (en) 2019-03-06
EP3449214B1 (en) 2021-12-15
TWI758296B (zh) 2022-03-21
JP2019517702A (ja) 2019-06-24
EP3449214A4 (en) 2019-05-22
JP7181092B2 (ja) 2022-11-30
PL3449214T3 (pl) 2022-04-04

Similar Documents

Publication Publication Date Title
JP7431273B2 (ja) 自律型車両用動作計画及び再構成可能な動作計画プロセッサ
JP7090751B2 (ja) 車両の移動を制御するシステム及び方法
CN106949893B (zh) 一种三维避障的室内机器人导航方法和系统
JP6868028B2 (ja) 自律測位航法設備、測位航法方法及び自律測位航法システム
CN110345955A (zh) 用于自动驾驶的感知与规划协作框架
CN111417871A (zh) 基于激光雷达利用高清晰度地图的集成运动估计的迭代最近点处理
Tordesillas et al. Real-time planning with multi-fidelity models for agile flights in unknown environments
JP2019529209A (ja) 車両を駐車するシステム、方法及び非一時的コンピューター可読記憶媒体
Chen et al. Driving maneuvers prediction based autonomous driving control by deep Monte Carlo tree search
CN110386142A (zh) 用于自动驾驶车辆的俯仰角校准方法
CN110096054A (zh) 用于使用多个线程生成用于自动驾驶车辆的参考线的方法和系统
CN110390240A (zh) 自动驾驶车辆中的车道后处理
CN115061499B (zh) 无人机控制方法及无人机控制装置
Tang et al. A real‐time quadrotor trajectory planning framework based on B‐spline and nonuniform kinodynamic search
KR20230036858A (ko) 3차원 포인트 클라우드 맵을 이용한 차선 레벨 지도 구축 방법 및 시스템
Wooden Graph-based path planning for mobile robots
Lian et al. Improved coding landmark-based visual sensor position measurement and planning strategy for multiwarehouse automated guided vehicle
Khoche et al. Semantic 3d grid maps for autonomous driving
Zhang et al. APFD: an effective approach to taxi route recommendation with mobile trajectory big data
Guo et al. Occupancy grid based urban localization using weighted point cloud
Cai et al. Intelligent Systems in Motion: A Comprehensive Review on Multi-Sensor Fusion and Information Processing From Sensing to Navigation in Path Planning
Murray Accelerated Motion Planning Through Hardware/Software Co-Design
Du et al. Interactive Sensing and Planning for a Quadrotor Vehicle in Partially Known Environments
Collin A systems architecture framework towards hardware selection for autonomous navigation
US12067765B2 (en) Distributed computing network to perform simultaneous localization and mapping