CN108475057B - 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和*** - Google Patents
基于车辆周围的情境预测车辆的一个或多个轨迹的方法和*** Download PDFInfo
- Publication number
- CN108475057B CN108475057B CN201780003103.5A CN201780003103A CN108475057B CN 108475057 B CN108475057 B CN 108475057B CN 201780003103 A CN201780003103 A CN 201780003103A CN 108475057 B CN108475057 B CN 108475057B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- identified
- trajectories
- independent information
- information
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 34
- 238000012545 processing Methods 0.000 claims description 34
- 238000010801 machine learning Methods 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 21
- 230000008447 perception Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000002085 persistent effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 210000002364 input neuron Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K35/00—Instruments specially adapted for vehicles; Arrangement of instruments in or on vehicles
- B60K35/20—Output arrangements, i.e. from vehicle to user, associated with vehicle functions or specially adapted therefor
- B60K35/28—Output arrangements, i.e. from vehicle to user, associated with vehicle functions or specially adapted therefor characterised by the type of the output information, e.g. video entertainment or vehicle dynamics information; characterised by the purpose of the output information, e.g. for attracting the attention of the driver
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- 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
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K2360/00—Indexing scheme associated with groups B60K35/00 or B60K37/00 relating to details of instruments or dashboards
- B60K2360/16—Type of output information
- B60K2360/175—Autonomous driving
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/54—Audio sensitive means, e.g. ultrasound
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/30—Road curve radius
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/35—Road bumpiness, e.g. potholes
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
- B60W2554/4026—Cycles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
- B60W2554/4029—Pedestrians
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4044—Direction of movement, e.g. backwards
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/406—Traffic density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Traffic Control Systems (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆。对于所识别车辆中的每个,基于所识别车辆的当前位置,获取车辆无关信息以确定所识别车辆周围的情境,其中,车辆无关信息包括限定施加于所识别车辆上的物理约束的车辆周围信息。对于所识别车辆中的每个,至少部分地基于与所识别车辆相关联的车辆无关信息来预测所识别车辆的一个或多个轨迹。基于一个或多个所识别车辆的一个或多个预测轨迹来控制自动驾驶车辆。
Description
技术领域
本发明的实施方式总体涉及操作自动驾驶车辆。更具体地,本发明的实施方式涉及基于车辆周围的情境预测车辆的轨迹。
背景技术
以自动驾驶模式运行(例如,无人驾驶)的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时,车辆可以使用车载传感器导航到各个位置,从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。
类似于人类在驾驶时做出各种决策,自动驾驶车辆总是必须根据实际的周围环境做出即时的驾驶决策,周围环境可以包括特定的驾驶条件、周围的障碍物以及交通状况。这样的环境经常影响车辆的运动,并且可能难以确定或识别车辆在该环境中将要做出的下一操纵。然而,人类可以例如通过使用肉眼很容易地识别和解决困难。不幸的是,这对于自动驾驶车辆可能具有挑战性。
发明内容
本申请的一个方面提供了一种用于操作自动驾驶车辆的计算机实施的方法。该方法包括:感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆;对于所识别车辆中的每个,基于所述所识别车辆的当前位置,获取车辆无关信息以确定所述所识别车辆周围的情境,其中,所述车辆无关信息包括限定施加于所述所识别车辆上的物理约束的车辆周围信息,以及至少部分地基于与所述所识别车辆相关联的所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹;以及基于一个或多个所识别车辆的所述一个或多个预测轨迹来控制所述自动驾驶车辆。
本申请的另一方面提供了一种非暂时性机器可读介质。该机器可读介质中存储有指令,所述指令在由处理器执行时使所述处理器执行用于操作自动驾驶车辆的操作。所述操作包括:感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆;对于所识别车辆中的每个,基于所述所识别车辆的当前位置,获取车辆无关信息以确定所述所识别车辆周围的情境,其中,所述车辆无关信息包括限定施加于所述所识别车辆上的物理约束的车辆周围信息,以及至少部分地基于与所述所识别车辆相关联的所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹;以及基于一个或多个所识别车辆的所述一个或多个预测轨迹来控制所述自动驾驶车辆。
本申请的又一方面提供了一种数据处理***。该***包括处理器和联接到所述处理器以存储指令的存储器。所述指令在由所述处理器执行时使所述处理器执行用于操作自动驾驶车辆的操作。所述操作包括:感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆;对于所识别车辆中的每个,基于所述所识别车辆的当前位置,获取车辆无关信息以确定所述所识别车辆周围的情境,其中,所述车辆无关信息包括限定施加于所述所识别车辆上的物理约束的车辆周围信息,以及至少部分地基于与所述所识别车辆相关联的所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹;以及基于一个或多个所识别车辆的所述一个或多个预测轨迹来控制所述自动驾驶车辆。
附图说明
本发明的实施方式在附图的各图中以举例而非限制的方式示出,附图中的相同参考数字指示相似元件。
图1是示出根据本发明的一个实施方式的网络化***的框图。
图2是示出根据本发明的一个实施方式的自动驾驶车辆的示例的框图。
图3是示出根据本发明的一个实施方式的与自动驾驶车辆一起使用的感知与规划***的示例的框图。
图4是示出根据本发明的一个实施方式的机器学习模型的示例的图。
图5是示出根据本发明的一个实施方式的另一机器学习模型的示例的图。
图6是示出根据本发明的一个实施方式的另一机器学习模型的示例的图。
图7是示出根据本发明的一个实施方式的操作自动驾驶车辆的过程的流程图。
图8示出了根据本发明的一个实施方式的驾驶场景的示例。
图9是示出根据一个实施方式的数据处理***的框图。
具体实施方式
将参考以下所讨论的细节来描述本发明的各种实施方式和方面,附图将示出所述各种实施方式。下列描述和附图是对本发明的说明,而不应当解释为限制本发明。描述了许多特定细节以提供对本发明各种实施方式的全面理解。然而,在某些情况下,并未描述众所周知的或常规的细节以提供对本发明的实施方式的简洁讨论。
本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可以包括在本发明的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
根据一些实施方式,当构建自动驾驶车辆的模型时,***通过感知自动驾驶车辆的驾驶环境来理解驾驶环境并作出安全和适当的决策以模拟人类思维过程。例如,***感知或扫描驾驶环境以识别自动驾驶车辆附近的一个或多个车辆。对于所识别的车辆中的每个,***获取所识别车辆的当前位置。使用该当前位置,***可以获取所识别车辆周围的情境信息。情境信息可以是影响所识别车辆的运动自由度的因素。***将情境信息提供给机器学习模型(例如递归神经网络(RNN)模型),用于训练并提供所识别车辆的轨迹预测结果,从而允许自动驾驶车辆基于预测结果作出安全和适当的驾驶决策。
在一个实施方式中,感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆。对于所识别车辆中的每个,基于所识别车辆的当前位置,获取车辆无关信息以确定所识别车辆周围的情境,其中,车辆无关信息包括限定施加于所识别车辆上的物理约束的车辆周围信息。至少部分地基于与所识别车辆相关联的车辆无关信息来预测所识别车辆的一个或多个轨迹。基于一个或多个所识别车辆的一个或多个预测轨迹来控制自动驾驶车辆。
图1是示出根据本发明的一个实施方式的自动驾驶车辆网络配置的框图。参考图1,网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆,但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络,例如,有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集,诸如,网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(MPOI)服务器或者位置服务器等。
自动驾驶车辆是指可以被配置成处于自动驾驶模式下的车辆,在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可以包括传感器***,所述传感器***具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可以在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。
在一个实施方式中,自动驾驶车辆101包括,但不限于,感知与规划***110、车辆控制***111、无线通信***112、用户接口***113和传感器***114。自动驾驶车辆101还可以包括普通车辆中包括的某些常用部件,诸如:发动机、车轮、方向盘、变速器等,所述部件可以由车辆控制***111和/或感知与规划***110使用多种通信信号和/或命令进行控制,该多种通信信号和/或命令例如,加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等。
部件110至114可以经由互连件、总线、网络或其组合通信地联接到彼此。例如,部件110至114可以经由控制器局域网(CAN)总线通信地联接到彼此。CAN总线是被设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议,但也用于许多其它环境。
现在参考图2,在一个实施方式中,传感器***114包括但不限于一个或多个摄像机211、全球定位***(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS***212可以包括收发器,所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元213可以基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元214可以表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的***。在一些实施方式中,除感测对象之外,雷达单元214可以另外感测对象的速度和/或前进方向。LIDAR单元215可以使用激光来感测自动驾驶车辆所处环境中的对象。除其它***部件之外,LIDAR单元215还可以包括一个或多个激光源、激光扫描器以及一个或多个检测器。摄像机211可以包括用来采集自动驾驶车辆周围环境的图像的一个或多个装置。摄像机211可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的,例如,通过将摄像机安装在旋转和/或倾斜平台上。
传感器***114还可以包括其它传感器,诸如:声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如,麦克风)。音频传感器可以被配置成从自动驾驶车辆周围的环境中采集声音。转向传感器可以被配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下,油门传感器和制动传感器可以集成为集成式油门/制动传感器。
在一个实施方式中,车辆控制***111包括但不限于转向单元201、油门单元202(也被称为加速单元)和制动单元203。转向单元201用来调整车辆的方向或前进方向。油门单元202用来控制电动机或发动机的速度,电动机或发动机的速度进而控制车辆的速度和加速度。制动单元203通过提供摩擦使车辆的车轮或轮胎减速而使车辆减速。应注意,如图2所示的部件可以以硬件、软件或其组合实施。
回到图1,无线通信***112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部***之间的通信。例如,无线通信***112可以与一个或多个装置直接无线通信,或者经由通信网络进行无线通信,诸如,通过网络102与服务器103至104通信。无线通信***112可以使用任何蜂窝通信网络或无线局域网(WLAN),例如,使用WiFi,以与另一部件或***通信。无线通信***112可以例如使用红外链路、蓝牙等与装置(例如,乘客的移动装置、显示装置、车辆101内的扬声器)直接通信。用户接口***113可以是在车辆101内实施的***装置的部分,包括例如键盘、触摸屏显示装置、麦克风和扬声器等。
自动驾驶车辆101的功能中的一些或全部可以由感知与规划***110控制或管理,尤其当在自动驾驶模式下操作时。感知与规划***110包括必要的硬件(例如,处理器、存储器、存储设备)和软件(例如,操作***、规划和路线安排程序),以从传感器***114、控制***111、无线通信***112和/或用户接口***113接收信息,处理所接收的信息,规划从起始点到目的地点的路线或路径,随后基于规划和控制信息来驾驶车辆101。替代地,感知与规划***110可以与车辆控制***111集成在一起。
例如,作为乘客的用户可以例如经由用户接口来指定行程的起始位置和目的地。感知与规划***110获得行程相关数据。例如,感知与规划***110可以从MPOI服务器中获得位置和路线信息,所述MPOI服务器可以是服务器103至104的一部分。位置服务器提供位置服务,并且MPOI服务器提供地图服务和某些位置的POI。替代地,此类位置和MPOI信息可以本地高速缓存在感知与规划***110的永久性存储装置中。
当自动驾驶车辆101沿着路线移动时,感知与规划***110也可以从交通信息***或服务器(TIS)获得实时交通信息。应注意,服务器103至104可以由第三方实体进行操作。替代地,服务器103至104的功能可以与感知与规划***110集成在一起。基于实时交通信息、MPOI信息和位置信息以及由传感器***114检测或感测的实时本地环境数据(例如,障碍物、对象、附近车辆),感知与规划***110可以规划最佳路线并且根据所规划的路线例如经由控制***111来驾驶车辆101,以安全且高效到达指定目的地。
在一个实施方式中,在作出安全且适当的驾驶决策中,自动驾驶车辆101感知周围环境以识别附近的一个或多个车辆。对于每个所识别车辆,基于所识别车辆的当前位置,自动驾驶车辆101获取车辆无关信息以确定所识别车辆周围的情境,其中,车辆无关信息包括限定施加于所识别车辆上的物理约束的车辆周围信息。至少部分地基于与所识别车辆相关联的车辆无关信息,自动驾驶车辆101预测所识别车辆的一个或多个轨迹。然后,基于所识别车辆的预测轨迹,自动驾驶车辆101进行操纵。
在一个实施方式中,车辆无关信息还包括所述车辆被识别时的时间、驾驶状况、兴趣点(POI)和事件信息以及在所述车辆上进一步施加物理约束的交通信息。这些因素可能会影响车辆随后可能如何操作。
在一个实施方式中,自动驾驶车辆101通过至少部分地调用机器学习模型至少部分地基于车辆无关信息来预测所识别车辆的一个或多个轨迹,以基于车辆无关信息生成或预测一个或多个轨迹。
对于所识别车辆中的每个,自动驾驶车辆101还从自动驾驶车辆101的一个或多个传感器获取与所识别车辆相关联的传感器数据,并且至少部分地基于传感器数据来确定所识别车辆的当前位置。
图3是示出根据本发明的一个实施方式的与自动驾驶车辆一起使用的感知与规划***的示例的框图。***300可实施为图1的自动驾驶车辆101的一部分,其包括但不限于感知与规划***110、控制***111和传感器***114。参照图3,感知与规划***110包括但不限于定位模块301、感知模块302、决策模块303、规划模块304、控制模块305、车辆相关特征提取模块306、车辆无关特征提取模块307和行为预测模块308。
模块301-308中的一些或全部可以以软件、硬件或其组合来实施。例如,这些模块可安装在永久性存储装置352中,加载到存储器351中并由一个或多个处理器(未示出)执行。应注意的是,这些模块中的一些或全部可以与图2的车辆控制***111的一些模块或全部模块通信地联接或集成在一起。模块301-308中的一些可一起集成为集成模块。
定位模块301确定自动驾驶车辆300的当前位置(例如,利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。用户可以登录并且例如经由用户接口来指定行程的起始位置和目的地。定位模块301与自动驾驶车辆300的其它部件(例如,地图和路线信息311)通信以获取与行程相关的数据。例如,定位模块301可从位置服务器及地图和POI(MPOI)服务器获取位置和路线信息。位置服务器提供位置服务,以及MPOI服务器提供地图服务和某些位置的POI,这可作为地图和路线信息311的一部分缓存。当自动驾驶车辆300沿着路线移动时,定位模块301还可从交通信息***或服务器获取实时交通信息。
基于由传感器***114提供的传感器数据和由定位模块301获得的定位信息,感知模块302确定对周围环境的感知。感知信息可以表示普通驾驶员在驾驶员正驾驶的车辆周围将感知到的东西。感知可以包括例如采用对象形式的车道配置(例如,直线车道或弯曲车道)、交通灯信号、另一车辆的相对位置、行人、建筑物、人行横道或其它交通相关标志(例如,停止标志、让行标志)等。
感知模块302可以包括计算机视觉***或计算机视觉***的功能,以处理并分析由一个或多个摄像机采集的图像,从而识别自动驾驶车辆环境中的对象和/或特征。所述对象可以包括交通信号、道路边界、其它车辆、行人和/或障碍物等。计算机视觉***可以使用对象识别算法、视频跟踪以及其它计算机视觉技术。在一些实施方式中,计算机视觉***可以绘制环境地图,跟踪对象,以及估算对象的速度等。感知模块302也可以基于由诸如雷达和/或LIDAR的其它传感器提供的其它传感器数据来检测对象。
针对每个对象,决策模块303作出关于如何处置对象的决定。例如,针对特定对象(例如,交叉路线中的另一车辆)以及描述对象的元数据(例如,速度、方向、转弯角度),决策模块303决定如何与所述对象相遇(例如,超车、让行、停止、超过)。决策模块303可以根据诸如交通规则的规则集来作出此类决定,所述规则集可以存储在永久性存储装置352(未示出)中。
基于针对所感知到的对象中的每个的决定,规划模块304为自动驾驶车辆规划路径或路线以及驾驶参数(例如,距离、速度和/或转弯角度)。换言之,针对给定的对象,决策模块303决定对该对象做什么,而规划模块304确定如何去做。例如,针对给定的对象,决策模块303可以决定超过所述对象,而规划模块304可以确定在所述对象的左侧还是右侧超过。规划和控制数据由规划模块304生成,包括描述车辆300在下一移动循环(例如,下一路线/路径段)中将如何移动的信息。例如,规划和控制数据可以指示车辆300以30英里每小时(mph)的速度移动10米,随后以25mph的速度变到右侧车道。
基于规划和控制数据,控制模块305根据由规划和控制数据限定的路线或路径通过将适当的命令或信号发送到车辆控制***111来控制并驾驶自动驾驶车辆。所述规划和控制数据包括足够的信息,以沿着路径或路线在不同的时间点使用适当的车辆设置或驾驶参数(例如,油门、制动和转弯命令)将车辆从路线或路径的第一点驾驶到第二点。
应注意,决策模块303和规划模块304可以集成为集成模块。决策模块303/规划模块304可以包括导航***或导航***的功能,以确定自动驾驶车辆的驾驶路径。例如,导航***可以确定用于实现自动驾驶车辆沿着以下路径移动的一系列速度和前进方向:所述路径在使自动驾驶车辆沿着通往最终目的地的基于车行道的路径前进的同时,基本上避免感知到的障碍物。目的地可以根据经由用户接口***113进行的用户输入来设定。导航***可以在自动驾驶车辆正在运行的同时动态地更新驾驶路径。导航***可以将来自GPS***和一个或多个地图的数据合并,以确定用于自动驾驶车辆的驾驶路径。
决策模块303/规划模块304还可以包括防撞***或防撞***的功能,以识别、评估并且避免或以其它方式越过自动驾驶车辆的环境中的潜在障碍物。例如,防撞***可以通过以下方式实现自动驾驶车辆的导航中的变化:操作控制***111中的一个或多个子***来采取变向操纵、转弯操纵、制动操纵等。防撞***可以基于周围的交通模式、道路状况等自动确定可行的障碍物回避操纵。防撞***可以被配置成使得当其它传感器***检测到位于自动驾驶车辆将变向进入的相邻区域中的车辆、建筑障碍物等时不采取变向操纵。防撞***可以自动选择既可使用又使得自动驾驶车辆乘员的安全性最大化的操纵。防撞***可以选择预测使得自动驾驶车辆的乘客舱中出现最小量的加速度的避让操纵。
车辆相关特征提取模块306获取车辆相关信息或特征(例如,与另一车辆相关联的传感器数据),并将车辆相关信息提供给行为预测模块308。例如,感知模块302可以感知自动驾驶车辆(例如,自动驾驶车辆101)的周围环境以检测或识别自动驾驶车辆附近或预定邻近范围内的一个或多个车辆。当识别出一个或多个附近车辆并且对于每个所识别车辆而言,传感器***114(例如,通过雷达单元214)可以利用无线电信号来感测所识别车辆并且生成与所识别车辆相关联的传感器数据(例如,速度、加速度、前进方向等)。
另外,例如,通过利用地图和路线信息311、MPOI信息、位置信息和/或传感器数据,可以确定所识别车辆的当前位置。例如,所识别车辆的传感器数据和当前位置可以根据例如通过感知与规划***110生成并分配给所识别车辆的车辆标识符(VID)而存储在感知与规划***110的存储器或存储装置中。因此,车辆相关特征提取模块306可以通过从感知与规划***110的存储器中读取或检索传感器数据来获取传感器数据,并将传感器数据提供给行为预测模块308。
基于所识别车辆的当前位置,车辆无关特征提取模块307可获取车辆无关信息或特征(例如,情境认知特征)以确定所识别车辆周围的情境。情境认知特征可以被分类为不同的类别以涵盖“何时、何处、何人”的概念,并且包括限定施加于所识别车辆上的各种物理约束的信息。例如,利用感知模块302,车辆无关特征提取模块307可以确定车辆被感知和识别时的时间(例如,月份、星期几、小时、分钟、秒)。一个月中的不同日期和一周中的不同日可能具有不同的驾驶状况(例如交通堵塞),这可能影响其他驾驶员可能如何操作他们的车辆。另外,车辆无关特征提取模块307可以从远程服务器(例如,服务器103至104)、感知模块302和/或传感器***114接收情境认知特征,诸如驾驶状况信息、车辆周围信息、兴趣点(POI)和事件信息以及交通信息。
在一些实施方式中,驾驶状况信息被用于确定可见度、稳定性和驾驶性能。因此,驾驶状况信息可以包括道路不平坦度、道路宽度与车辆宽度比值、道路曲率、降雨水平、雾水平、降雪水平、温度和/或影响所识别车辆的驾驶状况的任何信息。
在一些实施方式中,车辆周围信息包括指示车辆的运动自由度的信息,诸如,阻挡面积百分比、阻挡障碍物类型分布(例如,静态障碍物、车辆、自行车、行人和/或所识别车辆附近的其它移动障碍物以及它们相对于所识别车辆的方向)以及相对拥堵水平。
在一些实施方式中,POI和事件信息也可以用于确定车辆的运动自由度。也就是说,POI和事件信息可以描述车辆目的地的周围环境。例如,特定兴趣点(例如,景点)可以表示车辆(例如,所识别车辆)的目的地前进方向。例如,如果在一周的特定日期和时间期间在这样的兴趣点处发生事件(例如,音乐会),则可以预期人群将在该特定日期和时间期间为这样的事件而聚集。因此,当车辆在该特定日期和时间期间处于兴趣点(即,其目的地)邻近范围内时,车辆的运动自由度可能受到影响。因此,在一些实施方式中,POI和事件信息可以包括附近POI类型的分布数据、事件类型的分布数据、事件流行度信息和事件流行度历史。
在一些实施方式中,交通信息可以包括特定时间和目的地的交通历史数据。例如,一周中前四天在同一小时期间的平均交通历史数据分布可以是预测今日交通状况的因素。此外,例如,在某个目的地附近的事故历史也可能是预测今日在该目的地发生事故的可能性的因素。
基于车辆无关信息和/或车辆相关信息,行为预测模块308预测所识别车辆的一个或多个轨迹,并将所预测的轨迹提供给决策模块303和/或规划模块304。例如,行为预测模块308可以调用一个或多个机器学习模型或算法(例如,递归神经网络(RNN)模型),以从由车辆无关信息和/或车辆相关信息提供的数据中学习并据此进行预测,从而训练该模型以根据车辆无关信息和/或车辆相关信息的训练集合预测所识别车辆的一个或多个轨迹。
图4是示出根据本发明的一个实施方式的机器学习模型的示例的图。在一些实施方式中,机器学习模型400可由图3的行为预测模块308调用。参照图4,机器学习模型包括例如输入层402、隐藏层411至413和输出层415,作为RNN模型的一部分。RNN模型是一类人工神经网络,其中,单元之间的连接形成有向循环。这创建了网络的内部状态,这允许其呈现动态时间行为。RNN可以使用其内部存储器来处理任意输入序列。
如图4所示,车辆无关特征401以递归方式提供给输入层402。输入层402可以包括输入节点或神经元,所述输入节点或神经元接收车辆无关特征401(例如,车辆被感知和识别时的时间、驾驶状况信息、车辆周围信息、POI和事件信息以及交通信息)并将与车辆无关特征401传送到可包括中间神经元的第一隐藏层411以进行处理。在一些实施方式中,输入层402可以在将信息传送到第一隐藏层411之前将车辆无关特征401转换或编码成方便的形式。在一些实施方式中,第一隐藏层411可以调用使用车辆无关特征401作为训练集合的监督式学习规则。在一些实施方式中,代替监督式学习规则或者除了监督式学习规则之外,第一隐藏层411可调用非监督式学习规则(例如,德尔塔(delta)规则),非监督式学习规则根据所提供的车辆无关特征401来修改或更新输入层402与第一隐藏层411之间的连接的权重。
可以将来自第一隐藏层411的输出数据提供给下一隐藏层(例如第N隐藏层413)用于进一步处理,其中N是机器学习模型400中的隐藏层的数量。第N隐藏层413可以包括与来自第一隐藏层411的中间神经元进行通信的中间神经元。与第一隐藏层411一样,在一些实施方式中,第N隐藏层413也可以调用监督式和/或非监督式学习规则来处理来自第一隐藏层411的数据。在处理该数据后,来自第N隐藏层413的输出数据可以被提供给输出层415,来自第N隐藏层413的输出数据表示车辆的一个或多个预测轨迹。在一些实施方式中,输出层415可以包括输出节点或神经元,所述输入节点或神经元从第N隐藏层413接收输出数据并且将该数据传送到例如决策模块303和/或规划模块304。
图5是示出根据本发明的一个实施方式的另一机器学习模型的示例的图。在一些实施方式中,机器学习模型500可由图3的行为预测模块308调用。参照图5,机器学习模型包括第一输入层502、第二输入层503、隐藏层511至513以及输出层521。如图5所示,分别以递归方式将车辆无关特征401提供给第一输入层502,以及将车辆相关特征(例如,与车辆相关联的传感器数据和当前位置)提供给第二输入层503。第一输入层502可以包括接收车辆无关特征401的第一组输入神经元(未示出),而第二输入层503可以包括可接收车辆相关特征501的第二组输入神经元(也未示出),第一组输入神经元和第二组输入神经元将车辆无关特征401和车辆相关特征501提供给第一隐藏层511。第一隐藏层511可以通过调用监督式和/或非监督式学习规则的方式处理来自车辆无关特征401和车辆相关特征501的数据或信息。随后,处理后的数据被传送到下一隐藏层(例如,第N隐藏层513,其中N是机器学习模型500中的隐藏层的数量)。第N隐藏层513也可以调用监督式和/或非监督式学习规则来进一步处理该数据,并且将表示车辆的一个或多个预测轨迹的输出数据传送给输出层521。
图6是示出根据本发明的一个实施方式的另一机器学习模型的示例的图。在一些实施方式中,机器学习模型600可以由图3的行为预测模块308调用。参照图6,车辆无关特征401和车辆相关特征501分别并行地提供给第一学习模型601和第二学习模型602,并且来自第一学习模型601和第二学习模型602的结果或输出信息被组合或合并成最终预测623。在一些实施方式中,第一学习模型601和第二学习模型602与图4的机器学习模型400和/或图5的机器学习模型500类似或相同。
参照图6,车辆无关特征401以递归方式提供给输入层603。随后,输入层603将来自车辆无关特征401的信息传送给第一隐藏层611。在(例如,使用监督式和/或非监督式学习规则)处理该信息时,第一隐藏层611可以将处理后的信息传送或提供给后续的隐藏层(例如,第N隐藏层613,其中N是第一学习模型601中的隐藏层的数量)以进行附加处理,并且将来自第N隐藏层613的输出信息提供给输出层621。
类似地,仍然参照图6,车辆相关特征501也以递归方式提供给输入层604。然后,输入层604将来自车辆相关特征501的信息传送到第一隐藏层612以进行处理。在处理该信息之后,第一隐藏层612可以将处理后的信息传送到后续层(例如,第N隐藏层614,其中N是第二学习模型602中的隐藏层的数量)以进行附加处理,并且将来自第N隐藏层614的输出信息提供给输出层622。来自输出层621和输出层622的输出信息被(例如,使用贝叶斯算法、决策树和/或乘法)组合或合并成最终预测623,最终预测623指示车辆的一个或多个最终预测轨迹。
图7是示出根据本发明的一个实施方式的操作自动驾驶车辆的过程的流程图。过程700可以通过处理逻辑来执行,处理逻辑可以包括软件、硬件或其组合。例如,过程700可以由图1的感知与规划***110执行。参照图7,在框701处,处理逻辑感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆。在框702处,对于每个所识别车辆,基于所识别车辆的当前位置,处理逻辑获取车辆无关信息以确定所识别车辆周围的情境,其中车辆无关信息包括限定施加于所识别车辆上的物理约束的车辆周围信息。在框703处,处理逻辑至少部分地基于与所识别车辆相关联的车辆无关信息来预测所识别车辆的一个或多个轨迹。在框704处,处理逻辑基于一个或多个所识别车辆的一个或多个预测轨迹来控制自动驾驶车辆。
图8示出了根据本发明的一个实施方式的驾驶场景的示例。参照图8,在该示例中,第一车辆801(例如,自动驾驶车辆101)(其可以称为“主车辆”)、第二车辆802和第三车辆803可以在同一时间或大致同一时间到达停车标志交叉路口,第二车辆802和第三车辆803可能以与主车辆的规划轨迹干涉的轨迹行驶。随后,主车辆可以(例如,通过调用感知模块302)感知停车标志交叉路口内的周围环境以识别附近的一个或多个车辆。在这种情况下,主车辆将识别出第二车辆802和第三车辆803。对于每个所识别车辆(即,第二车辆802和第三车辆803),主车辆(例如,通过至少部分地调用定位模块301)获取所识别车辆的当前位置。使用该当前位置,主车辆可以(例如,通过调用车辆无关特征提取模块307)获取所识别车辆的车辆无关信息或特征(例如,周围环境信息)。在这种场景下,主车辆未检测到第三车辆803周围的任何障碍物。然而,通过调用感知模块302和/或利用来自传感器***114的传感器数据,主车辆将检测到干涉第二车辆802的轨迹的行人804。由于第三车辆803没有干涉其路径的障碍物,所以主车辆可以预测第三车辆803将执行超车操纵。因此,主车辆可以例如为第三车辆803让行。另一方面,由于第二车辆802可能需要等待行人804穿过路口,所以第二车辆802在一段时间内可能无法操纵。因此,主车辆可以预测第二车辆802将让行,并超车第二车辆802。
应注意,如上文示出和描述的部件中的一些或全部可以在软件、硬件或其组合中实施。例如,此类部件可以实施为安装并存储在永久性存储装置中的软件,所述软件可以通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。替代地,此类部件可以实施为编程或嵌入到专用硬件(诸如,集成电路(例如,专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码,所述可执行代码可以经由来自应用的相应驱动程序和/或操作***来访问。此外,此类部件可以实施为处理器或处理器内核中的特定硬件逻辑,作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图9是示出可以与本发明的一个实施方式一起使用的数据处理***的示例的框图。例如,***900可以表示以上所述的执行上述过程或方法中的任一个的任何数据处理***,例如,图1的感知与规划***110或者服务器103至104中的任一个。***900可以包括许多不同的部件。这些部件可以实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如,计算机***的主板或***卡)的其它模块或者实施为以其它方式并入计算机***的机架内的部件。
还应注意,***900旨在示出计算机***的许多部件的高阶视图。然而,应当理解的是,某些实施例中可以具有附加的部件,此外,其它实施例中可以具有所示部件的不同布置。***900可以表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外,虽然仅示出了单个机器或***,但是术语“机器”或“***”还应当被理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或***的任何集合。
在一个实施方式中,***900包括通过总线或互连件910连接的处理器901、存储器903以及装置905至908。处理器901可以表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器901可以表示一个或多个通用处理器,诸如,微处理器、中央处理单元(CPU)等。更具体地,处理器901可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器901还可以是一个或多个专用处理器,诸如,专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器901(其可以是低功率多核处理器套接口,诸如超低电压处理器)可以充当用于与所述***的各种部件通信的主处理单元和中央集线器。这种处理器可以实施为片上***(SoC)。处理器901被配置成执行用于执行本文所讨论的操作和步骤的指令。***900还可以包括与可选的图形子***1504通信的图形接口,图形子***904可以包括显示控制器、图形处理器和/或显示装置。
处理器901可以与存储器903通信,存储器903在一个实施方式中可以经由多个存储器装置实施以提供给定量的***存储。存储器903可以包括一个或多个易失性存储(或存储器)装置,诸如,随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器903可以存储包括由处理器901或任何其它装置执行的指令序列的信息。例如,各种操作***、装置驱动程序、固件(例如,输入输出基本***或BIOS)和/或应用的可执行代码和/或数据可以加载到存储器903中并由处理器901执行。操作***可以是任何类型的操作***,例如,机器人操作***(ROS)、来自公司的操作***、来自苹果公司的Mac来自公司的LINUX、UNIX,或者其它实时或嵌入式操作***。
***900还可以包括IO装置,诸如装置905至908,包括网络接口装置905、可选的输入装置906,以及其它可选的IO装置907。网络接口装置905可以包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如,全球定位***(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置906可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置904集成在一起)、指针装置(诸如,手写笔)和/或键盘(例如,物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如,输入装置906可以包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可以使用触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种,以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置907可以包括音频装置。音频装置可以包括扬声器和/或麦克风,以促进支持语音的功能,诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置907还可以包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如,PCI-PCI桥)、传感器(例如,诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置907还可以包括成像处理子***(例如,摄像机),所述成像处理子***可以包括用于促进摄像机功能(诸如,记录照片和视频片段)的光学传感器,诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可以经由传感器集线器(未示出)联接到互连件910,而诸如键盘或热传感器的其它装置可以根据***900的具体配置或设计由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作***等信息的永久性存储,大容量存储设备(未示出)也可以联接到处理器901。在各种实施方式中,为了实现更薄且更轻的***设计并且改进***响应性,这种大容量存储设备可以经由固态装置(SSD)来实施。然而,在其它实施方式中,大容量存储设备可以主要使用硬盘驱动器(HDD)来实施,其中较小量的SSD存储设备充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储,从而使得在***活动重新启动时能够实现快速通电。另外,闪存装置可以例如经由串行***接口(SPI)联接到处理器901。这种闪存装置可以提供***软件的非易失性存储,所述***软件包括所述***的BIOS以及其它固件。
存储装置908可以包括计算机可访问的存储介质909(也被称为机器可读存储介质或计算机可读介质),其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如,模块、单元和/或逻辑928)。处理模块/单元/逻辑928可以表示上述部件中的任一个,例如规划模块304、控制模块305或模块306至308中的任一个(单独地或组合地)。处理模块/单元/逻辑928还可以在其由数据处理***900、存储器903和处理器901执行期间完全地或至少部分地驻留在存储器903内和/或处理器901内,数据处理***900、存储器903和处理器901也构成机器可访问的存储介质。处理模块/单元/逻辑928还可以通过网络经由网络接口装置905进行传输或接收。
计算机可读存储介质909也可以用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质909在示例性实施方式中被示为单个介质,但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质,所述指令集用于由机器执行并且使得所述机器执行本发明的任何一种或多种方法。因此,术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质,或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑928、部件以及其它特征可以实施为分立硬件部件或集成在硬件部件(诸如,ASICS、FPGA、DSP或类似装置)的功能中。此外,处理模块/单元/逻辑928可以实施为硬件装置内的固件或功能电路。此外,处理模块/单元/逻辑928可以以硬件装置和软件部件的任何组合来实施。
应注意,虽然***900被示出为具有数据处理***的各种部件,但是并不旨在表示使部件互连的任何特定架构或方式;因为此类细节和本发明的实施方式没有密切关系。还应当认识到,具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理***也可以与本发明的实施方式一起使用。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式,以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中,算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而,应当牢记,所有这些和类似的术语均旨在与适当的物理量关联,并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出,否则应当了解,在整个说明书中,利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机***或类似电子计算装置的动作和处理,所述计算机***或电子计算装置操控计算机***的寄存器和存储器内的表示为物理(电子)量的数据,并将所述数据变换成计算机***存储器或寄存器或者其它此类信息存储设备、传输或显示装置内类似地表示为物理量的其它数据。
本发明的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如,计算机)可读的形式存储信息的任何机构。例如,机器可读(例如,计算机可读)介质包括机器(例如,计算机)可读存储介质(例如,只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可以由处理逻辑来执行,所述处理逻辑包括硬件(例如,电路、专用逻辑等)、软件(例如,体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的,但是应当了解,所述操作中的一些可以按不同的顺序执行。此外,一些操作可以并行地执行而不是顺序地执行。
本发明的实施方式并未参考任何特定的编程语言进行描述。应认识到,可以使用多种编程语言来实施如本文描述的本发明的实施方式的教导。
在以上的说明书中,已经参考本发明的具体示例性实施方式对本发明的实施方式进行了描述。将显而易见的是,在不脱离所附权利要求书中阐述的本发明的更宽泛精神和范围的情况下,可以对本发明作出各种修改。因此,应当在说明性意义而不是限制性意义上来理解本说明书和附图。
Claims (21)
1.一种用于操作自动驾驶车辆的计算机实施的方法,所述方法包括:
感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆;
对于所识别车辆中的每个,
基于所述所识别车辆的当前位置,获取车辆无关信息以确定所述所识别车辆周围的情境,其中,所述车辆无关信息包括限定施加于所述所识别车辆上的物理约束的车辆周围信息和车辆被感知和识别时的时间,以及在所述当前位置处实时获取的当前的车辆无关信息和与所述当前位置关联的历史车辆无关信息;以及
至少部分地基于与所述所识别车辆相关联的所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹;以及
基于一个或多个所识别车辆的所述一个或多个预测轨迹来控制所述自动驾驶车辆。
2.根据权利要求1所述的方法,还包括:
对于所述所识别车辆中的每个,
从所述自动驾驶车辆的一个或多个传感器获取与所述所识别车辆相关联的传感器数据,以及
至少部分地基于所述传感器数据来确定所述所识别车辆的所述当前位置。
3.根据权利要求1所述的方法,其中,所述车辆无关信息还包括进一步对所述车辆施加物理约束的驾驶状况、兴趣点(POI)和事件信息以及交通信息。
4.根据权利要求3所述的方法,其中,所述兴趣点和事件信息包括表示所述所识别车辆的目的地前进方向的信息。
5.根据权利要求1所述的方法,其中,至少部分地基于所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹包括:调用机器学习模型,以基于所述车辆无关信息来输出所述一个或多个轨迹。
6.根据权利要求2所述的方法,其中,至少部分地基于所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹包括:
将所述传感器数据输入到第一机器学习模型,并输出所述所识别车辆的第一组预测轨迹;
将所述车辆无关信息输入到第二机器学习模型,并输出所述所识别车辆的第二组预测轨迹;以及
合并所述第一组预测轨迹和所述第二组预测轨迹,以获取最终组预测轨迹。
7.根据权利要求6所述的方法,其中,合并所述第一组预测轨迹和所述第二组预测轨迹以获取所述最终组预测轨迹使用贝叶斯算法执行。
8.一种非暂时性机器可读介质,其中存储有指令,所述指令在由处理器执行时使所述处理器执行用于操作自动驾驶车辆的操作,所述操作包括:
感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆;
对于所识别车辆中的每个,
基于所述所识别车辆的当前位置,获取车辆无关信息以确定所述所识别车辆周围的情境,其中,所述车辆无关信息包括限定施加于所述所识别车辆上的物理约束的车辆周围信息和车辆被感知和识别时的时间,以及在所述当前位置处实时获取的当前的车辆无关信息和与所述当前位置关联的历史车辆无关信息;以及
至少部分地基于与所述所识别车辆相关联的所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹;以及
基于一个或多个所识别车辆的所述一个或多个预测轨迹来控制所述自动驾驶车辆。
9.根据权利要求8所述的机器可读介质,其中,所述操作还包括:
对于所识别车辆中的每个,
从所述自动驾驶车辆的一个或多个传感器获取与所述所识别车辆相关联的传感器数据,以及
至少部分地基于所述传感器数据来确定所述所识别车辆的所述当前位置。
10.根据权利要求8所述的机器可读介质,其中,所述车辆无关信息还包括进一步对所述车辆施加所述物理约束的驾驶状况、兴趣点(POI)和事件信息以及交通信息。
11.根据权利要求10所述的机器可读介质,其中,所述兴趣点和事件信息包括表示所述所识别车辆的目的地前进方向的信息。
12.根据权利要求8所述的机器可读介质,其中,至少部分地基于所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹包括:调用机器学习模型以基于所述车辆无关信息来输出所述一个或多个轨迹。
13.根据权利要求9所述的机器可读介质,其中,至少部分地基于所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹包括:
将所述传感器数据输入到第一机器学习模型,并输出所述所识别车辆的第一组预测轨迹;
将所述车辆无关信息输入到第二机器学习模型,并输出所述所识别车辆的第二组预测轨迹;以及
合并所述第一组预测轨迹和所述第二组预测轨迹,以获取最终组预测轨迹。
14.根据权利要求13所述的机器可读介质,其中,合并所述第一组预测轨迹和所述第二组预测轨迹以获取所述最终组预测轨迹使用贝叶斯算法执行。
15.一种数据处理***,包括:
处理器;以及
存储器,联接到所述处理器以存储指令,所述指令在由所述处理器执行时使所述处理器执行用于操作自动驾驶车辆的操作,所述操作包括:
感知自动驾驶车辆的周围环境以识别附近的一个或多个车辆;
对于所识别车辆中的每个,
基于所述所识别车辆的当前位置,获取车辆无关信息以确定所述所识别车辆周围的情境,其中,所述车辆无关信息包括限定施加于所述所识别车辆上的物理约束的车辆周围信息和车辆被感知和识别时的时间,以及在所述当前位置处实时获取的当前的车辆无关信息和与所述当前位置关联的历史车辆无关信息;以及
至少部分地基于与所述所识别车辆相关联的所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹;以及
基于一个或多个所识别车辆的所述一个或多个预测轨迹来控制所述自动驾驶车辆。
16.根据权利要求15所述的***,其中,所述操作还包括:
对于所识别车辆中的每个,
从所述自动驾驶车辆的一个或多个传感器获取与所述所识别车辆相关联的传感器数据,以及
至少部分地基于所述传感器数据来确定所述所识别车辆的所述当前位置。
17.根据权利要求15所述的***,其中,所述车辆无关信息还包括进一步对所述车辆施加所述物理约束的驾驶状况、兴趣点(POI)和事件信息以及交通信息。
18.根据权利要求17所述的***,其中,所述兴趣点和事件信息包括表示所述所识别车辆的目的地前进方向的信息。
19.根据权利要求15所述的***,其中,至少部分地基于所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹包括:调用机器学习模型以基于所述车辆无关信息来输出所述一个或多个轨迹。
20.根据权利要求16所述的***,其中,至少部分地基于所述车辆无关信息来预测所述所识别车辆的一个或多个轨迹包括:
将所述传感器数据输入到第一机器学习模型并输出所述所识别车辆的第一组预测轨迹;
将所述车辆无关信息输入到第二机器学习模型,并输出所述所识别车辆的第二组预测轨迹;和
合并所述第一组预测轨迹和所述第二组预测轨迹,以获取最终组预测轨迹。
21.根据权利要求20所述的***,其中,合并所述第一组预测轨迹和所述第二组预测轨迹以获取所述最终组预测轨迹使用贝叶斯算法执行。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/387,466 US10268200B2 (en) | 2016-12-21 | 2016-12-21 | Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle |
US15/387,466 | 2016-12-21 | ||
PCT/US2017/034160 WO2018118112A1 (en) | 2016-12-21 | 2017-05-24 | Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108475057A CN108475057A (zh) | 2018-08-31 |
CN108475057B true CN108475057B (zh) | 2021-04-09 |
Family
ID=62110823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780003103.5A Active CN108475057B (zh) | 2016-12-21 | 2017-05-24 | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和*** |
Country Status (6)
Country | Link |
---|---|
US (2) | US10268200B2 (zh) |
EP (1) | EP3356900B1 (zh) |
JP (1) | JP6684346B2 (zh) |
KR (1) | KR102078488B1 (zh) |
CN (1) | CN108475057B (zh) |
WO (1) | WO2018118112A1 (zh) |
Families Citing this family (103)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10769453B2 (en) * | 2017-05-16 | 2020-09-08 | Samsung Electronics Co., Ltd. | Electronic device and method of controlling operation of vehicle |
US10829149B1 (en) * | 2017-03-01 | 2020-11-10 | Zoox, Inc. | Steering control for vehicles |
CN108628904B (zh) * | 2017-03-23 | 2021-03-02 | 北京嘀嘀无限科技发展有限公司 | 一种路径编码、相似路径检索方法及装置和电子设备 |
KR102406507B1 (ko) * | 2017-03-27 | 2022-06-10 | 현대자동차주식회사 | 딥러닝 기반 자율주행 차량 제어 장치, 그를 포함한 시스템 및 그 방법 |
US10643084B2 (en) | 2017-04-18 | 2020-05-05 | nuTonomy Inc. | Automatically perceiving travel signals |
US10572773B2 (en) * | 2017-05-05 | 2020-02-25 | Intel Corporation | On the fly deep learning in machine learning for autonomous machines |
WO2018212538A1 (en) * | 2017-05-16 | 2018-11-22 | Samsung Electronics Co., Ltd. | Electronic device and method of detecting driving event of vehicle |
US11537134B1 (en) * | 2017-05-25 | 2022-12-27 | Apple Inc. | Generating environmental input encoding for training neural networks |
US11029693B2 (en) | 2017-08-08 | 2021-06-08 | Tusimple, Inc. | Neural network based vehicle dynamics model |
US20190050714A1 (en) * | 2017-08-09 | 2019-02-14 | Ants Technology (Hk) Limited | Modular distributed artificial neural networks |
US10953880B2 (en) | 2017-09-07 | 2021-03-23 | Tusimple, Inc. | System and method for automated lane change control for autonomous vehicles |
US10782694B2 (en) * | 2017-09-07 | 2020-09-22 | Tusimple, Inc. | Prediction-based system and method for trajectory planning of autonomous vehicles |
US10782693B2 (en) * | 2017-09-07 | 2020-09-22 | Tusimple, Inc. | Prediction-based system and method for trajectory planning of autonomous vehicles |
US10649458B2 (en) * | 2017-09-07 | 2020-05-12 | Tusimple, Inc. | Data-driven prediction-based system and method for trajectory planning of autonomous vehicles |
US10953881B2 (en) | 2017-09-07 | 2021-03-23 | Tusimple, Inc. | System and method for automated lane change control for autonomous vehicles |
US11555706B1 (en) | 2017-09-27 | 2023-01-17 | Apple Inc. | Processing graph representations of tactical maps using neural networks |
US11243532B1 (en) * | 2017-09-27 | 2022-02-08 | Apple Inc. | Evaluating varying-sized action spaces using reinforcement learning |
US20190164007A1 (en) * | 2017-11-30 | 2019-05-30 | TuSimple | Human driving behavior modeling system using machine learning |
US11042163B2 (en) | 2018-01-07 | 2021-06-22 | Nvidia Corporation | Guiding vehicles through vehicle maneuvers using machine learning models |
DE112019000065T5 (de) | 2018-02-02 | 2020-03-05 | Nvidia Corporation | Sicherheitsprozeduranalyse zur hindernisvermeidung in einem autonomen fahrzeug |
JP2019151177A (ja) * | 2018-03-01 | 2019-09-12 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、及びプログラム |
US11104334B2 (en) | 2018-05-31 | 2021-08-31 | Tusimple, Inc. | System and method for proximate vehicle intention prediction for autonomous vehicles |
US11966838B2 (en) | 2018-06-19 | 2024-04-23 | Nvidia Corporation | Behavior-guided path planning in autonomous machine applications |
US11618475B2 (en) * | 2018-07-04 | 2023-04-04 | Nissan Motor Co., Ltd. | Driving support method and driving support device |
CN108944945B (zh) * | 2018-07-10 | 2020-03-20 | 深圳地平线机器人科技有限公司 | 用于辅助驾驶的状态预测方法、装置、电子设备和车辆 |
US11260855B2 (en) | 2018-07-17 | 2022-03-01 | Baidu Usa Llc | Methods and systems to predict object movement for autonomous driving vehicles |
EP3598414A1 (en) * | 2018-07-20 | 2020-01-22 | Volvo Car Corporation | System and method for avoiding a collision course |
DE102018118761A1 (de) * | 2018-08-02 | 2020-02-06 | Robert Bosch Gmbh | Verfahren zum zumindest teilautomatisierten Führen eines Kraftfahrzeugs |
JP6684533B2 (ja) * | 2018-08-28 | 2020-04-22 | 三菱ロジスネクスト株式会社 | 進路予測装置および進路予測方法 |
CN110874610B (zh) * | 2018-09-01 | 2023-11-03 | 图森有限公司 | 一种使用机器学习的人类驾驶行为建模***及方法 |
US11514293B2 (en) * | 2018-09-11 | 2022-11-29 | Nvidia Corporation | Future object trajectory predictions for autonomous machine applications |
CN110378502A (zh) * | 2018-09-13 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 辅助无人车确定路径的方法和装置 |
CN110928286B (zh) * | 2018-09-19 | 2023-12-26 | 阿波罗智能技术(北京)有限公司 | 用于控制车辆的自动驾驶的方法、设备、介质和*** |
US11199847B2 (en) * | 2018-09-26 | 2021-12-14 | Baidu Usa Llc | Curvature corrected path sampling system for autonomous driving vehicles |
US11169531B2 (en) * | 2018-10-04 | 2021-11-09 | Zoox, Inc. | Trajectory prediction on top-down scenes |
US10885776B2 (en) * | 2018-10-11 | 2021-01-05 | Toyota Research Institute, Inc. | System and method for roadway context learning by infrastructure sensors |
US11073831B2 (en) * | 2018-10-17 | 2021-07-27 | Baidu Usa Llc | Autonomous driving using a standard navigation map and lane configuration determined based on prior trajectories of vehicles |
US11194331B2 (en) * | 2018-10-30 | 2021-12-07 | The Regents Of The University Of Michigan | Unsupervised classification of encountering scenarios using connected vehicle datasets |
US11110922B2 (en) | 2018-11-05 | 2021-09-07 | Zoox, Inc. | Vehicle trajectory modification for following |
US11577750B2 (en) | 2018-11-08 | 2023-02-14 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle |
EP3650297B1 (en) * | 2018-11-08 | 2023-06-14 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for determining information related to a lane change of a target vehicle, and computer program |
CN109631915B (zh) * | 2018-12-19 | 2021-06-29 | 百度在线网络技术(北京)有限公司 | 轨迹预测方法、装置、设备及计算机可读存储介质 |
US20220057804A1 (en) * | 2018-12-27 | 2022-02-24 | Honda Motor Co., Ltd. | Path determination method |
US11494613B2 (en) * | 2019-01-02 | 2022-11-08 | The Aerospace Corporation | Fusing output of artificial intelligence networks |
WO2020160144A1 (en) | 2019-01-29 | 2020-08-06 | Aptiv Technologies Limited | Traffic light estimation |
KR102335389B1 (ko) * | 2019-01-30 | 2021-12-03 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 |
US10838418B2 (en) * | 2019-01-31 | 2020-11-17 | StradVision, Inc. | Method for providing autonomous driving service platform to be used for supporting autonomous driving of vehicles by using competitive computing and information fusion, and server using the same |
WO2020163390A1 (en) | 2019-02-05 | 2020-08-13 | Nvidia Corporation | Driving lane perception diversity and redundancy in autonomous driving applications |
US20200249674A1 (en) * | 2019-02-05 | 2020-08-06 | Nvidia Corporation | Combined prediction and path planning for autonomous objects using neural networks |
WO2020164089A1 (en) * | 2019-02-15 | 2020-08-20 | Bayerische Motoren Werke Aktiengesellschaft | Trajectory prediction using deep learning multiple predictor fusion and bayesian optimization |
WO2020164090A1 (en) * | 2019-02-15 | 2020-08-20 | Bayerische Motoren Werke Aktiengesellschaft | Trajectory prediction for driving strategy |
CN109849934B (zh) * | 2019-02-19 | 2020-09-29 | 百度在线网络技术(北京)有限公司 | 轨迹处理的方法、装置、存储介质和终端设备 |
CN109855641B (zh) * | 2019-02-20 | 2021-06-11 | 百度在线网络技术(北京)有限公司 | 预测运动轨迹的方法、装置、存储介质和终端设备 |
JP7250571B2 (ja) * | 2019-03-11 | 2023-04-03 | 本田技研工業株式会社 | 倒立振子型ロボット |
JP7250572B2 (ja) * | 2019-03-11 | 2023-04-03 | 本田技研工業株式会社 | 倒立振子型ロボット |
CN110047276B (zh) * | 2019-03-11 | 2020-11-27 | 广州文远知行科技有限公司 | 障碍物车辆的拥堵状态确定方法、装置和相关产品 |
JP7250573B2 (ja) * | 2019-03-11 | 2023-04-03 | 本田技研工業株式会社 | 倒立振子型ロボット |
JP7469850B2 (ja) * | 2019-03-25 | 2024-04-17 | 本田技研工業株式会社 | 経路決定装置、ロボット及び経路決定方法 |
US20200310422A1 (en) * | 2019-03-26 | 2020-10-01 | GM Global Technology Operations LLC | Cognitive processor feedforward and feedback integration in autonomous systems |
US11364904B2 (en) * | 2019-03-26 | 2022-06-21 | GM Global Technology Operations LLC | Path-planning fusion for a vehicle |
US10962371B2 (en) * | 2019-04-02 | 2021-03-30 | GM Global Technology Operations LLC | Method and apparatus of parallel tracking and localization via multi-mode slam fusion process |
RU2750152C1 (ru) | 2019-04-25 | 2021-06-22 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способы и системы для определения порядка оценивания траекторий транспортных средств |
GB2600552B (en) * | 2019-05-07 | 2022-12-07 | Motional Ad Llc | Systems and methods for planning and updating a vehicle's trajectory |
US20220204003A1 (en) * | 2019-05-07 | 2022-06-30 | Kontrol Gmbh | Formal Verification for the Development and Real-Time Application of Autonomous Systems |
US11157784B2 (en) * | 2019-05-08 | 2021-10-26 | GM Global Technology Operations LLC | Explainable learning system and methods for autonomous driving |
JP2022537798A (ja) * | 2019-05-08 | 2022-08-30 | ボルボトラックコーポレーション | 車両制御指令が将来の車両安全マニューバを除外するかどうかを判断するための方法 |
KR20200133858A (ko) * | 2019-05-20 | 2020-12-01 | 현대모비스 주식회사 | 자율 주행 장치 및 방법 |
US11131993B2 (en) * | 2019-05-29 | 2021-09-28 | Argo AI, LLC | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout |
CN110262486B (zh) * | 2019-06-11 | 2020-09-04 | 北京三快在线科技有限公司 | 一种无人驾驶设备运动控制方法及装置 |
CN112078592B (zh) * | 2019-06-13 | 2021-12-24 | 魔门塔(苏州)科技有限公司 | 一种车辆行为和/或车辆轨迹的预测方法及装置 |
CN110275531B (zh) * | 2019-06-21 | 2020-11-27 | 北京三快在线科技有限公司 | 障碍物的轨迹预测方法、装置及无人驾驶设备 |
US11691650B2 (en) * | 2019-07-08 | 2023-07-04 | Uatc, Llc | Systems and methods for generating motion forecast data for a plurality of actors with respect to an autonomous vehicle |
EP3969344A1 (en) * | 2019-07-08 | 2022-03-23 | Huawei Technologies Co., Ltd. | System and method for improving interaction of a plurality of autonomous vehicles with a driving environment including said vehicles |
CN110333517B (zh) * | 2019-07-11 | 2022-11-25 | 腾讯科技(深圳)有限公司 | 障碍物感知方法、装置及存储介质 |
DE102019211457A1 (de) * | 2019-07-31 | 2021-02-04 | Volkswagen Aktiengesellschaft | Verfahren und System zum Bereitstellen einer kontextabhängigen Wissensbasis zum Plausibilisieren mindestens einer Wahrnehmungsfunktion |
US11460843B2 (en) * | 2019-09-25 | 2022-10-04 | GM Global Technology Operations LLC | Parallelized tree-based decision scheme for autonomous vehicle |
WO2021062595A1 (en) * | 2019-09-30 | 2021-04-08 | Beijing Voyager Technology Co., Ltd. | Systems and methods for predicting a pedestrian movement trajectory |
US11591012B2 (en) * | 2019-10-01 | 2023-02-28 | Robert Bosch Gmbh | Vehicle trajectory prediction using road topology and traffic participant object states |
US20210101625A1 (en) * | 2019-10-08 | 2021-04-08 | Motional Ad Llc | Navigating multi-way stop intersections with an autonomous vehicle |
US11420630B2 (en) | 2019-10-24 | 2022-08-23 | Zoox, Inc. | Trajectory modifications based on a collision zone |
US11643073B2 (en) * | 2019-10-24 | 2023-05-09 | Zoox, Inc. | Trajectory modifications based on a collision zone |
CN112712729B (zh) * | 2019-10-26 | 2023-01-06 | 华为技术有限公司 | 预测运动轨迹的方法和*** |
CN113905941A (zh) * | 2019-10-29 | 2022-01-07 | 索尼集团公司 | 地理控制区中的车辆控制 |
CN111009153B (zh) * | 2019-12-04 | 2021-10-15 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
CN111114554B (zh) * | 2019-12-16 | 2021-06-11 | 苏州智加科技有限公司 | 行驶轨迹预测方法、装置、终端及存储介质 |
US11314258B2 (en) * | 2019-12-27 | 2022-04-26 | Intel Corporation | Safety system for a vehicle |
CN111260950B (zh) * | 2020-01-17 | 2021-03-26 | 清华大学 | 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备 |
KR102416686B1 (ko) * | 2020-03-04 | 2022-07-05 | 김명락 | 자율주행차량 사용자정보 수집을 통한 유동인구 및 지역 가치 예측 방법 |
US20210357763A1 (en) * | 2020-05-18 | 2021-11-18 | StradVision, Inc. | Method and device for performing behavior prediction by using explainable self-focused attention |
CN113942524B (zh) * | 2020-07-15 | 2023-08-08 | 广州汽车集团股份有限公司 | 一种车辆行驶控制方法、***及计算机可读存储介质 |
US11794731B2 (en) | 2020-08-12 | 2023-10-24 | Ford Global Technologies, Llc | Waypoint prediction for vehicle motion planning |
US11648965B2 (en) | 2020-09-28 | 2023-05-16 | Argo AI, LLC | Method and system for using a reaction of other road users to ego-vehicle actions in autonomous driving |
WO2022078564A1 (en) * | 2020-10-13 | 2022-04-21 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Device for and method of predicting a trajectory of a vehicle |
DE102020127051A1 (de) * | 2020-10-14 | 2022-04-14 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zur Bestimmung von sicherheitskritischen Ausgabewerten mittels einer Datenanalyseeinrichtung für eine technische Entität |
JP7125969B2 (ja) * | 2020-10-28 | 2022-08-25 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
FR3118928B1 (fr) | 2021-01-19 | 2023-12-15 | Baptiste Hanrion | Procédé et système d’aide à la conduite d’un véhicule dans un flux de circulation impliquant d’autres véhicules |
KR102560693B1 (ko) | 2021-02-04 | 2023-07-27 | 엘아이지넥스원 주식회사 | 선박 복귀 시점 결정 장치 및 방법 |
CN113232674A (zh) * | 2021-05-28 | 2021-08-10 | 南京航空航天大学 | 基于决策树和贝叶斯网络的车辆控制方法和装置 |
KR102459218B1 (ko) * | 2022-01-28 | 2022-10-26 | 이지디텍터 주식회사 | 3차원 시정정보를 제공하는 방법 및 이를 이용한 내비게이션 시스템과 이동체와 프로그램 |
CN114758502B (zh) * | 2022-04-29 | 2023-08-18 | 北京百度网讯科技有限公司 | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 |
DE102022205068A1 (de) * | 2022-05-20 | 2023-11-23 | Continental Autonomous Mobility Germany GmbH | Verfahren für ein Fahrzeug zur Bewegungsprädiktion, ein Assistenzsystem sowie ein Fahrzeug |
CN115201615B (zh) * | 2022-09-15 | 2022-12-20 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
CN117994754A (zh) * | 2022-10-31 | 2024-05-07 | 华为技术有限公司 | 车辆的位置获取方法、模型的训练方法以及相关设备 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4561139B2 (ja) * | 2004-03-22 | 2010-10-13 | アイシン・エィ・ダブリュ株式会社 | ナビゲーションシステム |
JP2010055403A (ja) * | 2008-08-28 | 2010-03-11 | Fujitsu Ten Ltd | 運転支援装置、運転支援プログラムおよび車載システム |
WO2010101749A1 (en) | 2009-03-05 | 2010-09-10 | Massachusetts Institute Of Technology | Predictive semi-autonomous vehicle navigation system |
JP5262986B2 (ja) * | 2009-03-05 | 2013-08-14 | 日産自動車株式会社 | 走行経路生成装置、走行経路生成方法、及び運転操作支援装置 |
JP2011107068A (ja) * | 2009-11-20 | 2011-06-02 | Aisin Aw Co Ltd | ナビゲーション装置、渋滞情報配信装置、及びナビゲーション方法 |
JP5607409B2 (ja) * | 2010-04-06 | 2014-10-15 | トヨタ自動車株式会社 | 対象物リスク予測装置 |
JP5533157B2 (ja) * | 2010-04-07 | 2014-06-25 | トヨタ自動車株式会社 | 将来挙動予測装置 |
EP2562060B1 (en) * | 2011-08-22 | 2014-10-01 | Honda Research Institute Europe GmbH | A method and system for predicting movement behavior of a target traffic object |
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 |
US8457827B1 (en) * | 2012-03-15 | 2013-06-04 | Google Inc. | Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles |
US10737665B2 (en) | 2012-08-28 | 2020-08-11 | Ford Global Technologies, Llc | Vehicle braking based on external object communications |
DE102013005362A1 (de) * | 2013-03-28 | 2013-10-10 | Daimler Ag | Verfahren zur Analyse einer Verkehrssituation |
DE112013007129B4 (de) * | 2013-05-31 | 2021-08-12 | Toyota Jidosha Kabushiki Kaisha | Bewegungstrajektorienvorhersagevorrichtung und Bewegungstrajektorienvorhersageverfahren |
US20150106010A1 (en) * | 2013-10-15 | 2015-04-16 | Ford Global Technologies, Llc | Aerial data for vehicle navigation |
EP2923911B1 (en) * | 2014-03-24 | 2019-03-13 | Honda Research Institute Europe GmbH | A method and system for predicting movement behavior of a target traffic object |
JP6314744B2 (ja) * | 2014-08-21 | 2018-04-25 | 日産自動車株式会社 | 移動物体進路予測装置 |
CN105374231A (zh) * | 2014-08-27 | 2016-03-02 | ***通信集团公司 | 一种预警方法、装置及*** |
US9248834B1 (en) * | 2014-10-02 | 2016-02-02 | Google Inc. | Predicting trajectories of objects based on contextual information |
KR102623680B1 (ko) * | 2015-02-10 | 2024-01-12 | 모빌아이 비젼 테크놀로지스 엘티디. | 자율 주행을 위한 약도 |
US10044751B2 (en) * | 2015-12-28 | 2018-08-07 | Arbor Networks, Inc. | Using recurrent neural networks to defeat DNS denial of service attacks |
-
2016
- 2016-12-21 US US15/387,466 patent/US10268200B2/en active Active
-
2017
- 2017-05-24 CN CN201780003103.5A patent/CN108475057B/zh active Active
- 2017-05-24 EP EP17847775.8A patent/EP3356900B1/en active Active
- 2017-05-24 JP JP2018517765A patent/JP6684346B2/ja active Active
- 2017-05-24 KR KR1020187009732A patent/KR102078488B1/ko active IP Right Grant
- 2017-05-24 WO PCT/US2017/034160 patent/WO2018118112A1/en unknown
-
2019
- 2019-03-07 US US16/296,177 patent/US11400959B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US10268200B2 (en) | 2019-04-23 |
CN108475057A (zh) | 2018-08-31 |
EP3356900B1 (en) | 2020-04-29 |
US11400959B2 (en) | 2022-08-02 |
US20180173240A1 (en) | 2018-06-21 |
EP3356900A1 (en) | 2018-08-08 |
KR102078488B1 (ko) | 2020-02-17 |
JP6684346B2 (ja) | 2020-04-22 |
WO2018118112A1 (en) | 2018-06-28 |
EP3356900A4 (en) | 2018-11-14 |
KR20180088789A (ko) | 2018-08-07 |
US20190204843A1 (en) | 2019-07-04 |
JP2019504373A (ja) | 2019-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108475057B (zh) | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和*** | |
CN110794823B (zh) | 预测自动驾驶车辆的对象移动的方法和*** | |
CN110239562B (zh) | 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适 | |
CN109489673B (zh) | 用于自动驾驶车辆的数据驱动地图更新*** | |
CN110641472B (zh) | 基于神经网络的用于自主车辆的安全监控*** | |
CN108604095B (zh) | 确定操作自动驾驶车辆的转向率的方法、介质及处理*** | |
CN108602509B (zh) | 基于运动规划来操作自动驾驶车辆的方法和*** | |
CN107943016B (zh) | 用于自主车辆的群体驾驶风格学习框架 | |
CN110325935B (zh) | 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线 | |
CN110096053B (zh) | 用于自动驾驶车辆的驾驶轨迹生成方法、***和机器可读介质 | |
CN108255170B (zh) | 动态地调整自动驾驶车辆的速度控制率的方法 | |
CN108733046B (zh) | 用于自动驾驶车辆的轨迹重新规划的***和方法 | |
CN111380534B (zh) | 用于自动驾驶车辆的基于st图学习的方法 | |
CN110597243B (zh) | 自动驾驶车辆的基于v2x通信的车辆车道*** | |
CN110667591A (zh) | 用于自动驾驶车辆的规划驾驶感知*** | |
CN109491378B (zh) | 自动驾驶车辆的基于道路分段的路线引导*** | |
CN110621541B (zh) | 用于生成轨迹以操作自动驾驶车辆的方法和*** | |
CN109085818B (zh) | 基于车道信息控制自动驾驶车辆的车门锁的方法和*** | |
CN111857119A (zh) | 用于停放自动驾驶车辆的停车管理架构 | |
CN111856923A (zh) | 加速对复杂驾驶场景的规划的参数学习的神经网络方法 | |
CN111857118A (zh) | 对停车轨迹分段以控制自动驾驶车辆停车 | |
CN111830959A (zh) | 用于操作自动驾驶车辆的方法、***和机器可读介质 | |
CN111259712B (zh) | 用于车辆行为预测的压缩环境特征的表示 | |
CN111328385A (zh) | 用于自动驾驶车辆的基于螺旋路径的三点转弯规划 | |
CN111328313A (zh) | 用于自动驾驶车辆的控制占主导的三点转弯规划 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |