TWI841040B - 判定自駕車的情境資料的電子裝置及方法 - Google Patents
判定自駕車的情境資料的電子裝置及方法 Download PDFInfo
- Publication number
- TWI841040B TWI841040B TW111142575A TW111142575A TWI841040B TW I841040 B TWI841040 B TW I841040B TW 111142575 A TW111142575 A TW 111142575A TW 111142575 A TW111142575 A TW 111142575A TW I841040 B TWI841040 B TW I841040B
- Authority
- TW
- Taiwan
- Prior art keywords
- current
- data
- context
- module
- self
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 58
- 230000004044 response Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 7
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 7
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 4
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 3
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 3
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Abstract
提供一種判定自駕車的情境資料的電子裝置及方法。所述方法包括:利用情境資料、損失函數以及自駕程式模組獲得訓練情境資料;利用訓練情境資料訓練編碼模組以及解碼模組,並且利用訓練後的編碼模組產生情境空間;利用情境空間獲得監控模組;以及執行監控模組以利用當前情境資料以及訓練後的編碼模組,來判定當前情境資料是否屬於操作設計範圍。
Description
本發明是有關於自駕車技術,且特別是有關於一種判定自駕車的情境資料的電子裝置及方法。
當自駕車在實車運行時,自駕車可能會遇到自駕車已知的情境資料,或者,也可能會遇到自駕車未知的情境資料。由於未知的情境資料可能包括眾多參數的組合,針對此些未知的情境資料,目前的自駕車技術往往難以即時地判斷此些未知的情境資料對自駕車來說是否為安全,即,難以即時地判斷自駕車在此些未知的情境資料下,是否適合運行自動駕駛。
本發明提供一種判定自駕車的情境資料的電子裝置及方法,可提高自駕車實車運行的安全性。
本發明的判定自駕車的情境資料的電子裝置包括儲存媒體以及處理器。儲存媒體儲存編碼模組以及解碼模組。處理器耦接
儲存媒體,經配置以:利用情境資料、損失函數以及自駕程式模組獲得訓練情境資料;利用訓練情境資料訓練編碼模組以及解碼模組,並且利用訓練後的編碼模組產生情境空間;利用情境空間獲得監控模組;以及執行監控模組以利用當前情境資料以及訓練後的編碼模組,來判定當前情境資料是否屬於操作設計範圍(Operational Design Domain,ODD)。
本發明的判定自駕車的情境資料的方法,適用於儲存編碼模組以及解碼模組的電子裝置,所述方法包括以下步驟:利用情境資料、損失函數以及自駕程式模組獲得訓練情境資料;利用訓練情境資料訓練編碼模組以及解碼模組,並且利用訓練後的編碼模組產生情境空間;利用情境空間獲得監控模組;以及執行監控模組以利用當前情境資料以及訓練後的編碼模組,來判定當前情境資料是否屬於操作設計範圍。
基於上述,本發明的判定自駕車的情境資料的電子裝置及方法可在利用訓練情境資料訓練編碼模組以及解碼模組且獲得監控模組之後,利用監控模組來判定自駕車在實車運行時的當前情境資料是否是安全的。換言之,即使當前情境資料對於自駕車來說是未知的情境資料,本發明的判定自駕車的情境資料的電子裝置及方法可即時地判斷自駕車是否適合運行自動駕駛,從而提高了自駕車實車運行的安全性。
100:判定自駕車的情境資料的電子裝置
110:儲存媒體
111:編碼模組
112:解碼模組
120:處理器
130:收發器
200:自駕車
210:自駕程式模組
30:情境資料
31a、31b:車道線
300:測試車
40:情境空間向量
50、51a、51b、51c、51d、51e、51f、51g、51h、51i、51j、51k、51l、51m:點
S210、S220、S230、S240、S710、S720、S730、S740、S750:步驟
圖1是根據本發明的一實施例繪示的一種判定自駕車的情境資料的電子裝置的示意圖。
圖2是根據本發明的一實施例繪示的判定自駕車的情境資料的方法的流程圖。
圖3是根據本發明的一實施例繪示的情境資料的示意圖。
圖4是根據本發明的一實施例繪示的產生情境空間的示意圖。
圖5是根據本發明的一實施例繪示的獲得情境空間中的點所對應的情境資料的損失值的示意圖。
圖6是根據本發明的一實施例繪示的基於損失值獲得監控模組的示意圖。
圖7是根據本發明的一實施例繪示的產生及提供建議車速以及建議轉向的流程圖。
圖1是根據本發明的一實施例繪示的一種判定自駕車的情境資料的電子裝置100的示意圖。電子裝置100可包括儲存媒體110以及處理器120。在其他實施例中,電子裝置100還可包括收發器130。
儲存媒體110可包括任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk
drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器120執行的多個模組或各種應用程式。在本實施例中,儲存媒體110可儲存包括編碼模組111以及解碼模組112等多個模組,此些模組的功能將於後續說明。
處理器120可包括中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、影像訊號處理器(image signal processor,ISP)、影像處理單元(image processing unit,IPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器120可耦接至儲存媒體110以及收發器130,並且存取和執行儲存於儲存媒體110中的多個模組和各種應用程式。
收發器130以無線或有線的方式傳送及接收訊號。
在本實施例中,電子裝置100可通過收發器130通訊連接至自駕車200。自駕車200可包括自駕程式模組210。
圖2是根據本發明的一實施例繪示的判定自駕車的情境
資料的方法的流程圖。請同時參照圖1及圖2,本實施例的方法適用於圖1的電子裝置100,以下即搭配電子裝置100說明本發明實施例的判定自駕車的情境資料的方法的詳細步驟。
在步驟S210中,處理器120可利用情境資料、損失函數以及自駕程式模組210獲得訓練情境資料。詳細而言,處理器120可利用自駕程式模組210來執行特定情境資料以獲得訓練情境資料。進一步而言,處理器120可利用損失函數獲得,自駕程式模組210執行此情境資料之後的損失值。損失函數可以是處理器120預先設置及/或儲存於儲存媒體110,且可用來評估自駕程式模組210在執行特定情境時是否能夠即時反應。舉例來說,損失函數例如是處理器120使用如減速度、依過去行車記錄統計未來碰撞機率、安全模型資料、或者多種數值的線性組合等方式所產生。所述安全模型例如是RSS(Responsibility-Sensitive Safety)模型,然而本發明不限於此。
在處理器120利用自駕程式模組210來執行特定情境資料並且獲得損失值之後,處理器120可利用此損失值以及預設的損失值門檻值,來判定此情境資料「對自駕程式模組210來說是否安全」(例如,判定自駕程式模組210在遇到此情境資料時是否需要自駕車200緊急煞車)。進一步而言,處理器120可將此損失值作為訓練情境資料。
圖3是根據本發明的一實施例繪示的情境資料30的示意圖。請同時參照圖1以及圖3。如圖3所示,情境資料30可包括
在車道(即車道線31a及車道線31b之間)中自駕車200的軌跡及規劃行進路線、測試車300的軌跡以及自駕車200與測試車300在不同時間點時彼此之間的位置關係。
在一實施例中,情境資料可包括自駕車實車運行資料、交通流情境以及參數化模型情境。舉例來說,處理器120可通過收發器130從自駕車200接收自駕車200先前的自駕車實車運行資料。舉另一例來說,處理器120可通過收發器130從外部伺服器(圖未繪示)接收由軟體模擬所產生的交通流情境及/或參數化模型情境。參數化模型情境可包括但不限於行人衝出、後車超車以及對向車輛迴轉。
處理器120可利用圖3所示的情境資料30、損失函數以及自駕程式模組210獲得訓練情境資料。在一實施例中,訓練情境資料可包括自駕車速度、自駕車軌跡、預測自駕車軌跡、影像、點雲資料、天氣、道路幾何、紅綠燈狀態以及自駕車感測器資料。除此之外,如前述實施例所說明的,處理器120可將,利用自駕程式模組210執行情境資料30所獲得的損失值,也作為訓練情境資料。訓練情境資料的用途將於後續說明。
請回到圖2。在步驟S220中,處理器120可利用訓練情境資料訓練編碼模組111以及解碼模組112,並且利用訓練後的編碼模組111產生情境空間。
圖4是根據本發明的一實施例繪示的產生情境空間的示意圖。請同時參照圖1、圖3以及圖4。處理器120可利用訓練後
的編碼模組111來編碼情境資料30,以獲得情境空間向量40。接著,處理器120可利用情境空間向量40的所有維度來建構情境空間。也就是說,情境空間將會包括多個情境空間向量,且所述多個情境空間向量將會包括情境空間向量40。進一步而言,情境空間向量40所對應的點50的意義為,「已知的」情境資料30被映射至情境空間的點。在此需說明的是,圖4及後續圖式的情境空間雖以3維的情境空間表示,然而本發明不限於此。
請回到圖2。在步驟S230中,處理器120可利用情境空間獲得監控模組。
詳細而言,除了圖3所示的情境資料30之外,處理器120還可利用訓練後的編碼模組111來編碼前述自駕車實車運行資料、交通流情境以及參數化模型情境等情境資料,以將此些情境資料分別映射至情境空間的多個點。接著,為了從情境空間的所有點中,盡可能地找出「未知」且「對自駕程式模組210來說並不安全」的點,處理器120可從情境空間的多個情境空間向量中找出多個第一情境空間向量,其中所述多個第一情境空間向量分別對應於多個第一情境資料,且所述多個第一情境資料的每一者的損失值大於損失值門檻值。換言之,所述多個第一情境資料的意義為,「對自駕程式模組210來說並不安全」的情境資料。
具體而言,在一實施例中,處理器120可利用訓練後的解碼模組112、所述多個情境空間向量、自駕程式模組210以及損失函數獲得多個情境空間向量中的所述多個第一情境空間向量,
其中所述多個第一情境空間向量分別對應於多個第一情境資料。進一步而言,處理器120可利用訓練後的解碼模組112解碼所述多個第一情境空間向量的每一者以獲得所述多個第一情境資料。接著,處理器120可利用所述多個第一情境資料的每一者、自駕程式模組210以及損失函數獲得所述損失值。以下將進一步說明。
圖5是根據本發明的一實施例繪示的獲得情境空間中的點所對應的情境資料的損失值的示意圖。請同時參照圖1、圖4以及圖5。承前述實施例,為了在情境空間的所有點中,盡可能地找出「未知」且「對自駕程式模組210來說並不安全」的點,處理器120可從情境空間的所有點中選出與點50不同的點51a。然後,處理器120可利用訓練後的解碼模組112解碼點51a所對應的情境空間向量,以獲得點51a對應的情境資料。接著,處理器120可利用自駕程式模組210來執行點51a對應的情境資料,並且利用損失函數獲得點51a對應的情境資料的損失值。
相似地,假設處理器120也針對所選出的,與情境空間向量40不同的,點51b、點51c、點51d、點51e、點51f、點51g、點51h、點51i、點51j、點51k、點51l以及點51m,執行了與前述點51a相同的操作。換言之,處理器120還可獲得點51b對應的情境資料的損失值、點51c對應的情境資料的損失值、…、直到點51m對應的情境資料的損失值。
接著,處理器120可利用損失值門檻值決定出,點51a對應的情境資料、點51b對應的情境資料、…、直到點51m對應的
情境資料之中,哪些情境資料的損失值大於損失值門檻值。如圖5所示,若點51g對應的情境資料的損失值、點51h對應的情境資料的損失值、點51l對應的情境資料的損失值以及點51m對應的情境資料的損失值大於損失值門檻值,則處理器120可決定出,情境空間的所有點之中,點51g對應的情境資料、點51h對應的情境資料、點51l對應的情境資料以及點51m對應的情境資料為「未知」且「對自駕程式模組210來說並不安全」。
值得說明的是,本發明不限制處理器120選出點51a、點51b、…直到點51m的方法。在一實施例中,處理器120可從情境空間的所有點中隨機地選出點51a、點51b、…、直到點51m,以獲得點51a對應的情境資料的損失值、點51b對應的情境資料的損失值、…、直到點51m對應的情境資料的損失值。在另一實施例中,處理器120可利用統計優化/多次迭代的方式來從情境空間的所有點中選出點51a、點51b、…、直到點51m,以獲得點51a對應的情境資料的損失值、點51b對應的情境資料的損失值、…、直到點51m對應的情境資料的損失值。
圖6是根據本發明的一實施例繪示的基於損失值獲得監控模組的示意圖。請同時參照圖1、圖4、圖5以及圖6。在本實施例中,處理器120可在搜索情境空間之後獲得監控模組。以下將繼續說明。
在一實施例中,在前述步驟S210中,處理器120獲得的訓練情境資料可包括,處理器120利用貝爾曼方程式計算的碰撞
事件發生數據。在前述步驟S220中,處理器120可利用VectorNet的編碼方式結合VGAE的架構,來建構出訓練後的編碼模組111以及訓練後的解碼模組112。進一步而言,在前述步驟S230中,處理器120可利用貝爾曼方程式來獲得點51a對應的情境資料的損失值(碰撞事件發生數據)、點51b對應的情境資料的損失值、…、直到點51m對應的情境資料的損失值。接著,處理器120可利用基因演算法找出此些損失值的局部最大值,然後重新隨機取樣。進一步而言,處理器120可利用蒙特卡羅法判定是否已完成前述搜索情境空間的操作。在完成前述搜索情境空間的操作之後,處理器120可利用點51a所對應的情境資料及其損失值、點51b所對應的情境資料及其損失值、…、直到點51m對應的情境資料的損失值來訓練支持向量回歸器(SVR,Support Vector Regressor)以獲得所述監控模組。
值得說明的是,在獲得監控模組之後,若處理器120將情境空間的特定點(即情境空間的特定向量)輸入至監控模組,則處理器120將會獲得此特定點的損失值。以下將繼續說明監控模組的用途。
請回到圖2。在步驟S240中,處理器120可執行監控模組以利用當前情境資料以及訓練後的所述編碼模組,來判定當前情境資料是否屬於操作設計範圍(Operational Design Domain,ODD)。
在一實施例中,處理器120可通過收發器130從自駕車
200接收自駕車200實車運行時的當前情境資料。接著,處理器120可利用訓練後的編碼模組111編碼當前情境資料以獲得當前情境資料空間向量。然後,處理器120可執行監控模組以利用當前情境資料空間向量獲得當前損失值,換言之,處理器120可將當前情境資料空間向量輸入至監控模組以獲得當前損失值。在獲得當前損失值之後,處理器120可比較當前損失值以及損失值門檻值。響應於判定當前損失值小於或等於損失值門檻值,處理器120可判定當前情境資料屬於操作設計範圍。換言之,處理器120可判定當前情境資料為「對自駕程式模組210來說是安全的」。另一方面,若處理器120判定當前損失值大於損失值門檻值,則處理器120可判定當前情境資料為「對自駕程式模組210來說並不安全」。
進一步而言,當處理器120判定當前情境資料為「對自駕程式模組210來說並不安全」時,處理器120可產生及提供建議車速以及建議轉向。以下將繼續說明。
圖7是根據本發明的一實施例繪示的產生及提供建議車速以及建議轉向的流程圖。請同時參照圖1、圖4、圖5、圖6以及圖7。首先,處理器120可通過收發器130從自駕車200接收自駕車200實車運行時的當前情境資料、當前車速以及當前轉向。在此假設情境空間的維度為N維。進一步而言,所述多個情境空間向量的每一者可對應於車速以及轉向。在本實施例中,處理器120可執行監控模組以利用當前情境資料、當前車速、當前轉向以
及訓練後的編碼模組111,來判定當前情境資料、當前車速以及當前轉向是否屬於操作設計範圍。
詳細而言,在步驟S710中,處理器120可利用訓練後的編碼模組111來編碼當前情境資料、當前車速以及當前轉向,以獲得情境空間中的當前情境空間向量(N-2維的向量)、編碼後的當前車速(1維的向量)以及編碼後的當前轉向(1維的向量)。換言之,當前情境空間向量、編碼後的當前車速以及編碼後的當前轉向的維度總和仍為N維。
在步驟S720中,處理器120可串接當前情境空間向量、編碼後的當前車速以及編碼後的當前轉向以獲得N維情境空間中的特定點(特定N維向量)。接著,處理器120可將串接後的當前情境空間向量、編碼後的當前車速以及編碼後的當前轉向輸入至監控模組,以獲得此特定點(特定N維向量)的損失值。
在步驟S730中,處理器120可判斷損失值是否大於損失值門檻值。若損失值小於或等於損失值門檻值(步驟S730的判斷結果為「否」),則處理器120可判定當前情境資料、當前車速以及當前轉向屬於操作設計範圍。換言之,處理器120可判定當前情境資料、當前車速以及當前轉向「對自駕程式模組210來說是安全的」。
在一實施例中,響應於判定當前情境資料、當前車速以及當前轉向不屬於所述操作設計範圍,處理器120可利用情境空間來決定建議車速以及建議轉向。
詳細而言,若損失值大於損失值門檻值(步驟S730的判斷結果為「是」),則處理器120可判定當前情境資料、當前車速以及當前轉向不屬於操作設計範圍。換言之,處理器120可判定當前情境資料、當前車速以及當前轉向「對自駕程式模組210來說並不安全」。接著,處理器120可利用情境空間來決定編碼後的建議車速以及編碼後的建議轉向。詳細而言,由於本實施例中的多個情境空間向量的每一者可對應於車速(1維的向量)以及轉向(1維的向量),處理器120可利用相似於前述圖5及圖6及其實施例所說明的方式,從車速以及轉向所組成的2維情境空間中,找出「對自駕程式模組210是安全的」,編碼後的建議車速以及編碼後的建議轉向。
在步驟S740中,處理器120可串接當前情境空間向量、編碼後的建議車速以及編碼後的建議轉向以獲得N維情境空間中的特定點(特定N維向量)。接著,處理器120可將串接後的當前情境空間向量、編碼後的建議車速以及編碼後的建議轉向輸入至監控模組,以獲得此特定點的損失值。
在步驟S750中,處理器120可判斷損失值是否小於損失值門檻值。若損失值小於或等於損失值門檻值(步驟S750的判斷結果為「是」),則處理器120可通過收發器130提供建議車速以及建議轉向至自駕程式模組210。詳細而言,處理器120可利用訓練後的解碼模組112來解碼編碼後的建議車速以及編碼後的建議轉向,以獲得建議車速以及建議轉向。接著,處理器120可收發器
130提供建議車速以及建議轉向至自駕程式模組210。
綜上所述,本發明的判定自駕車的情境資料的電子裝置及方法可在利用訓練情境資料訓練編碼模組以及解碼模組且獲得監控模組之後,利用監控模組來判定自駕車在實車運行時的當前情境資料是否是安全的。除此之外,當判定當前情境資料為不安全時,還可將建議車速以及建議轉向提供給自駕車,從而提高了自駕車實車運行的安全性及用戶體驗。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S210、S220、S230、S240:步驟
Claims (16)
- 一種判定自駕車的情境資料的電子裝置,包括: 儲存媒體,儲存編碼模組以及解碼模組;以及 處理器,耦接所述儲存媒體,經配置以: 利用情境資料、損失函數以及自駕程式模組獲得訓練情境資料; 利用所述訓練情境資料訓練所述編碼模組以及所述解碼模組,並且利用訓練後的所述編碼模組產生情境空間; 利用所述情境空間獲得監控模組;以及 執行所述監控模組以利用當前情境資料以及訓練後的所述編碼模組,來判定所述當前情境資料是否屬於操作設計範圍(Operational Design Domain, ODD)。
- 如請求項1所述的電子裝置,其中所述情境空間包括多個情境空間向量,其中所述處理器更經配置以: 利用訓練後的所述解碼模組、所述多個情境空間向量、所述自駕程式模組以及所述損失函數獲得所述多個情境空間向量中的多個第一情境空間向量,其中所述多個第一情境空間向量分別對應於多個第一情境資料,其中所述多個第一情境資料的每一者的損失值大於損失值門檻值。
- 如請求項2所述的電子裝置,其中所述處理器更經配置以: 利用訓練後的所述解碼模組解碼所述多個第一情境空間向量的每一者以獲得所述多個第一情境資料,並且利用所述多個第一情境資料的每一者、所述自駕程式模組以及所述損失函數獲得所述損失值。
- 如請求項1所述的電子裝置,其中所述處理器更經配置以: 利用訓練後的所述編碼模組編碼所述當前情境資料以獲得當前情境資料空間向量; 執行所述監控模組以利用所述當前情境資料空間向量獲得當前損失值;以及 響應於判定所述當前損失值小於或等於損失值門檻值而判定所述當前情境資料屬於所述操作設計範圍。
- 如請求項1所述的電子裝置,其中所述情境空間包括多個情境空間向量,其中所述多個情境空間向量的每一者對應於車速以及轉向,其中所述處理器更經配置以: 執行所述監控模組以利用所述當前情境資料、當前車速、當前轉向以及訓練後的所述編碼模組,來判定所述當前情境資料、所述當前車速以及所述當前轉向是否屬於所述操作設計範圍。
- 如請求項5所述的電子裝置,其中所述處理器更經配置以: 響應於判定所述當前情境資料、所述當前車速以及所述當前轉向不屬於所述操作設計範圍,利用所述情境空間來決定建議車速以及建議轉向。
- 如請求項1所述的電子裝置,其中所述情境資料包括自駕車實車運行資料、交通流情境以及參數化模型情境。
- 如請求項1所述的電子裝置,其中所述訓練情境資料包括自駕車速度、自駕車軌跡、預測自駕車軌跡、影像、點雲資料、天氣、道路幾何、紅綠燈狀態以及自駕車感測器資料。
- 一種判定自駕車的情境資料的方法,適用於儲存編碼模組以及解碼模組的電子裝置,所述方法包括以下步驟: 利用情境資料、損失函數以及自駕程式模組獲得訓練情境資料; 利用所述訓練情境資料訓練所述編碼模組以及所述解碼模組,並且利用訓練後的所述編碼模組產生情境空間; 利用所述情境空間獲得監控模組;以及 執行所述監控模組以利用當前情境資料以及訓練後的所述編碼模組,來判定所述當前情境資料是否屬於操作設計範圍。
- 如請求項9所述的方法,其中所述情境空間包括多個情境空間向量,其中利用所述情境空間獲得所述監控模組的步驟包括: 利用訓練後的所述解碼模組、所述多個情境空間向量、所述自駕程式模組以及所述損失函數獲得所述多個情境空間向量中的多個第一情境空間向量,其中所述多個第一情境空間向量分別對應於多個第一情境資料,其中所述多個第一情境資料的每一者的損失值大於損失值門檻值。
- 如請求項10所述的方法,其中利用所述情境空間獲得所述監控模組的步驟更包括: 利用訓練後的所述解碼模組解碼所述多個第一情境空間向量的每一者以獲得所述多個第一情境資料,並且利用所述多個第一情境資料的每一者、所述自駕程式模組以及所述損失函數獲得所述損失值。
- 如請求項9所述的方法,其中執行所述監控模組以利用所述當前情境資料以及訓練後的所述編碼模組,來判定所述當前情境資料是否屬於所述操作設計範圍的步驟包括: 利用訓練後的所述編碼模組編碼所述當前情境資料以獲得當前情境資料空間向量; 執行所述監控模組以利用所述當前情境資料空間向量獲得當前損失值;以及 響應於判定所述當前損失值小於或等於損失值門檻值而判定所述當前情境資料屬於所述操作設計範圍。
- 如請求項9所述的方法,其中所述情境空間包括多個情境空間向量,其中所述多個情境空間向量的每一者對應於車速以及轉向,其中執行所述監控模組以利用所述當前情境資料以及訓練後的所述編碼模組,來判定所述當前情境資料是否屬於所述操作設計範圍的步驟包括: 執行所述監控模組以利用所述當前情境資料、當前車速、當前轉向以及訓練後的所述編碼模組,來判定所述當前情境資料、所述當前車速以及所述當前轉向是否屬於所述操作設計範圍。
- 如請求項13所述的方法,其中執行所述監控模組以利用所述當前情境資料以及訓練後的所述編碼模組,來判定所述當前情境資料是否屬於所述操作設計範圍的步驟更包括: 響應於判定所述當前情境資料、所述當前車速以及所述當前轉向不屬於所述操作設計範圍,利用所述情境空間來決定建議車速以及建議轉向。
- 如請求項9所述的方法,其中所述情境資料包括自駕車實車運行資料、交通流情境以及參數化模型情境。
- 如請求項9所述的方法,其中所述訓練情境資料包括自駕車速度、自駕車軌跡、預測自駕車軌跡、影像、點雲資料、天氣、道路幾何、紅綠燈狀態以及自駕車感測器資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US18/087,840 US20240152800A1 (en) | 2022-11-08 | 2022-12-23 | Electronic device and method for determining scenario data of self-driving car |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI841040B true TWI841040B (zh) | 2024-05-01 |
TW202419323A TW202419323A (zh) | 2024-05-16 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019134110A1 (en) | 2018-01-05 | 2019-07-11 | Driving Brain International Ltd. | Autonomous driving methods and systems |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019134110A1 (en) | 2018-01-05 | 2019-07-11 | Driving Brain International Ltd. | Autonomous driving methods and systems |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10990096B2 (en) | Reinforcement learning on autonomous vehicles | |
US11410048B2 (en) | Systems and methods for anomalous event detection | |
CN111508101B (zh) | 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置 | |
US20210086798A1 (en) | Model-free reinforcement learning | |
JP2010033352A (ja) | 車線変更警報装置及びプログラム | |
CN113256985B (zh) | 一种交通拥堵预测方法、装置和电子设备 | |
US20220001858A1 (en) | Dangerous scene prediction device, dangerous scene prediction method, and dangerous scene prediction program | |
CN114323054A (zh) | 自动驾驶车辆行驶轨迹的确定方法、装置及电子设备 | |
JP7048780B2 (ja) | 合成フィールドに基づくシングルショット予測 | |
CN113935143A (zh) | 通过自主车辆的增加的严重性等级估计碰撞概率 | |
US11008018B1 (en) | Risk prediction on a peer-to-peer network | |
JP2019012481A (ja) | 運転診断装置および運転診断方法 | |
CN116490858A (zh) | 自主交通工具关键场景的自适应生成和评估 | |
US20210295093A1 (en) | Spatio-temporal graph for video captioning with knowledge distillation | |
Yuan et al. | Prioritized experience replay-based deep q learning: Multiple-reward architecture for highway driving decision making | |
TWI841040B (zh) | 判定自駕車的情境資料的電子裝置及方法 | |
US20230043061A1 (en) | System and method for 3d multi-object tracking in lidar point clouds | |
US20220375274A1 (en) | Device health code broadcasting on mixed vehicle communication networks | |
CN114489319A (zh) | 用于运动预测的增强混合注意的系统和方法 | |
TW202419323A (zh) | 判定自駕車的情境資料的電子裝置及方法 | |
JP2021077362A (ja) | 車両による性能データの収集のためのシステムおよび方法 | |
US20240152800A1 (en) | Electronic device and method for determining scenario data of self-driving car | |
US20180157770A1 (en) | Geometric proximity-based logging for vehicle simulation application | |
CN112215193A (zh) | 一种行人轨迹预测方法及系统 | |
CN114104005B (zh) | 自动驾驶设备的决策方法、装置、设备及可读存储介质 |