CN109094573A - 用于确定自动驾驶车辆的控制器的最佳系数的方法和*** - Google Patents
用于确定自动驾驶车辆的控制器的最佳系数的方法和*** Download PDFInfo
- Publication number
- CN109094573A CN109094573A CN201810191045.XA CN201810191045A CN109094573A CN 109094573 A CN109094573 A CN 109094573A CN 201810191045 A CN201810191045 A CN 201810191045A CN 109094573 A CN109094573 A CN 109094573A
- Authority
- CN
- China
- Prior art keywords
- controller
- coefficient
- cost
- drive parameter
- local optimum
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 41
- 238000005457 optimization Methods 0.000 abstract description 13
- 239000002245 particle Substances 0.000 abstract description 13
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000003860 storage Methods 0.000 description 29
- 238000002379 ultrasonic velocimetry Methods 0.000 description 22
- 230000008447 perception Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 17
- 238000007405 data analysis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000010391 action planning Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000630329 Scomberesox saurus saurus Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 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
- 238000012517 data analytics Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005036 potential barrier Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
- G05B13/044—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance not using a perturbation signal
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请公开了用于确定用于自动驾驶车辆的控制器的最佳系数的方法和***。由自动驾驶车辆(ADV)通常作为目标驾驶参数使用的驾驶参数(例如速度、朝向)被分组为一些范围并且在每个范围中的驾驶参数之一被选为表示各自范围或段的目标驾驶参数或驾驶参数代表。对于代表范围的每个目标驾驶参数,使用粒子群优化算法为用于控制ADV的控制器(例如速度控制器、转向控制器)获得最佳系数的集合。生成驾驶参数至系数(参数/系数)映射表以将表示驾驶参数范围的具体驾驶参数映射至具体控制器的一个或多个系数的集合。参数/系数映射表被实时地使用以响应于具体的目标驾驶参数使用对应的系数来配置控制器。
Description
技术领域
本公开的实施方式总体涉及操作自动驾驶车辆。更具体地,本公开的实施方式涉及确定用以控制自动驾驶车辆的控制器的控制器系数。
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。
动作规划和控制是自动驾驶车辆(ADVs)的自动驾驶中的重要操作。传统的动作规划操作主要根据给定路径的曲率和车辆速度估计完成给定路径的难度,而不考虑对于不同类型的车辆在特性上的差异。对所有类型的车辆应用相同的动作规划和控制,这在一些情况下可能不会准确和顺利。
但是,对于不同驾驶参数(诸如速度或朝向),用于控制ADV的控制器的控制器系数可能不同。调整用于自动驾驶的控制器的增益或系数是费事的。存在用于不同控制器的许多系数,并且将这些系数和驾驶参数进行映射不是线性的。当车辆参数恶化时,控制器系数可能偏离最佳点。缺乏对用于自动驾驶的控制器的控制器系数进行微调的有效方法。
发明内容
根据本申请的一个方面,提供了一种用于确定用于控制自动驾驶车辆的控制器的系数的由计算机实现的方法,所述方法包括:基于第一目标驾驶参数从在用于控制自动驾驶车辆行驶的第一预定范围内的控制器系数候选的集合中选择控制器系数候选;基于所选择的控制器系数候选和所述第一目标驾驶参数使用成本函数计算成本;为所述第一预定范围确定局部最佳控制器系数,使得所述成本在所述第一预定范围内的控制器系数候选的集合中最小化;以及考虑控制器系数候选的其他范围的其他局部最佳控制器系数,基于所述局部最佳控制器系数确定全局最佳控制器系数,其中所述全局最佳控制器系数由控制器使用以利用所述第一目标驾驶参数控制自动驾驶车辆。
根据本申请的另一方面,提供了一种非易失性机器可读介质,在所述非易失性机器可读介质上存储有指令,所述指令在由处理器执行时,使所述处理器执行确定最佳控制器系数的操作,所述操作包括:基于第一目标驾驶参数从在用于控制自动驾驶车辆行驶的第一预定范围内的控制器系数候选的集合中选择控制器系数候选;基于所选择的控制器系数候选和所述第一目标驾驶参数使用成本函数计算成本;为所述第一预定范围确定局部最佳控制器系数,使得所述成本在所述第一预定范围内的控制器系数候选的集合中最小化;以及考虑控制器系数候选的其他范围的其他局部最佳控制器系数,基于所述局部最佳控制器系数确定全局最佳控制器系数,其中所述全局最佳控制器系数由控制器使用以利用所述第一目标驾驶参数控制自动驾驶车辆。
根据本申请的又一方面,提供了一种数据处理***,包括:处理器;以及存储器,所述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,使所述处理器执行确定控制器系数的操作,所述操作包括:基于第一目标驾驶参数从在用于控制自动驾驶车辆行驶的第一预定范围内的控制器系数候选的集合中选择控制器系数候选;基于所选择的控制器系数候选和所述第一目标驾驶参数使用成本函数计算成本;为所述第一预定范围确定局部最佳控制器系数,使得所述成本在所述第一预定范围内的控制器系数候选的集合中最小化;以及考虑控制器系数候选的其他范围的其他局部最佳控制器系数,基于所述局部最佳控制器系数确定全局最佳控制器系数,其中所述全局最佳控制器系数由控制器使用以利用所述第一目标驾驶参数控制自动驾驶车辆。
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4A和图4B是示出根据某实施方式的参数/系数映射表的图表。
图5是示出根据一个实施方式的用于确定最佳控制器系数的***的框图。
图6A-6B是示出不同控制器系数对驾驶参数的影响的图表。
图7是示出根据一个实施方式的用于搜寻局部与全局的最佳控制器系数的搜寻空间。
图8是示出根据一个实施方式的确定用以控制自动驾驶车辆的控制器的最佳控制器系数的处理的流程图。
图9是示出根据另一个实施方式的确定用以控制自动驾驶车辆的控制器的最佳控制器系数的处理的流程图。
图10是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,将ADV可能作为驾驶参数使用的驾驶参数(例如速度/速率、朝向)分为或分组为若干范围或段(例如,1-10米每秒或m/s、10-20m/s、或朝向或转向角以度或百分比形式的范围),并且在每个范围中的驾驶参数中选择一个驾驶参数作为表示各范围或段的驾驶参数代表值或目标驾驶参数。对于每个表示范围的目标驾驶参数,使用粒子群优化算法来确定用于控制ADV的控制器(例如速度控制器、转向控制器)的最佳系数的集合。生成驾驶参数至系数(参数/系数)映射表以将表示驾驶参数范围的具体目标驾驶参数映射至具体控制器的一个或多个控制器系数的集合。实时地使用参数/系数映射表以响应于具体的目标驾驶参数使用对应的控制器系数来配置控制器。
根据一个实施方式,为每个目标驾驶参数确定适合ADV的控制器的控制器系数候选的集合。控制器系数被分为或分组为若干控制器系数候选的范围(组或段)。控制器系数候选的每个范围表示局部域(也被称为局部空间或局部搜寻空间)并且所有范围作为整体表示全局域(也被称为全局空间或全局搜寻空间)。对于每个局部域,使用成本函数基于与该局部域关联的所有控制器系数候选确定局部最佳控制器系数(或简称为局部最佳系数)。局部域的局部最佳控制器系数表示用于对应的局部域的最佳控制器系数。
基于所有局部域的局部最佳控制器系数,确定全局最佳控制器系数。全局最佳控制器系数表示在所有局部域(即,全局域)的所有局部最佳控制器系数中最佳的控制器系数。之后将全局最佳控制器系数与目标驾驶参数关联,与目标驾驶参数关联的该全局最佳控制器系数可以被***至参数/系数映射表的映射条目中,以用于实时或在线控制ADV。可以迭代地执行上述处理从而为每个目标驾驶参数确定具体控制器的全局最佳控制器系数。
根据一个实施方式,控制器系数选自在第一预设范围内的控制器系数候选的集合,该第一预设范围用于控制ADV使用第一目标参数行驶。第一目标驾驶参数是表示一些局部域的一些目标驾驶参数之一。第一预设范围表示第一局部域。基于所选择的控制器系数使用成本函数计算成本。为第一局部域确定第一局部最佳控制器系数,使得在第一预设范围的集合的控制器系数候选中成本最小化。基于第一局部最佳控制器系数并考虑其他范围或其他局部域的其他最佳控制器系数来确定全局最佳控制器系数。迭代地执行上述处理从而为每个局部域确定局部最佳控制器系数。之后基于所有局部域的局部最佳控制器系数确定全局最佳控制器系数。通过对应的控制器使用全局最佳控制器系数以控制AVD使用第一驾驶参数驾驶。迭代地执行上述处理从而为每个表示局部域的目标驾驶参数确定全局最佳控制器系数。
根据一个实施方式,在确定局部最佳控制器系数的过程中,将与当前所选择的控制器系数关联的成本和与各局部域的当前局部最佳控制器系数关联的局部最佳成本进行比较。局部最佳成本是指使用成本函数确定的、与局部最佳控制器系数对应的成本。如果确定当前所选择的控制器系数的成本低于当前局部最佳成本,则将当前最佳控制器系数替换为当前所选择的控制器系数并且将所选择的控制器系数的成本指定为局部最佳成本。也就是说,如果当前所选择的控制器系数的成本低于现有局部最佳控制器系数的成本,则当前所选择的控制器系数变为局部最佳控制器系数。另外,根据一个实施方式,如果当前所选择的控制器系数的成本低于与当前全局最佳控制器系数对应的全局最佳成本,则当前所选择的控制器系数变为全局最佳控制器系数并且与所选择的控制器系数对应的成本变为全局最佳成本。全局最佳成本是指与全局最佳控制器系数对应的成本。
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、信息娱乐***114和传感器***115。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115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115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***115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***115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***115、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***115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。
服务器103可以是为各种客户端进行数据分析服务的数据分析***。在一个实施方式中,数据分析***103包括数据收集器121和机器学习引擎122。数据收集器121从各种车辆(自动驾驶车辆或者由人驾驶的常规车辆)收集驾驶统计123。驾驶统计123包括指示在不同的时间点由车辆发出的驾驶命令(例如,调节油门、制动、转向命令)和在不同的时间点由车辆的传感器捕获的车辆响应(例如,速度、加速度、减速度、方向)的信息。驾驶统计123还可以包括在不同时间点描述驾驶环境的信息,诸如,例如,路线(包括开起始位置和终点位置)、MOPI、道路状况、天气状况等。
基于驾驶统计123,机器学习引擎122出于各种目的产生或训练一组规则、算法和/或预测模型124。在一个实施方式中,算法、规则和/或预测模型124包括一个或多个成本函数从而为各种控制器(诸如,例如速度/速率控制器和转向控制器)确定最佳控制器系数,上述各种控制器用于控制自动驾驶车辆的驾驶参数(例如,速度/速率,朝向)。对于给定的目标驾驶参数或驾驶参数代表值,使用成本函数确定控制器的一个或多个最佳控制器系数,使得函数的成本达到最小。在一个实施方式中,算法、规则和/或预测模块124还包括用于控制器系数的迭代率(例如,在粒子群优化期间控制器系数的增量更新)的粒子群优化的方程,将在下文详细说明的。
之后使用最佳控制器系数在运行时间配置控制器以根据关联的目标驾驶参数控制ADV行驶。目标驾驶参数或驾驶参数代表值表示驾驶参数的预定范围,诸如速度范围或朝向范围。基于最佳控制器系数,生成驾驶参数至控制器系数(参数/系数)表。参数/系数表包括一些映射条目。每个映射条目将具体的驾驶参数或驾驶参数范围映射至用于自动驾驶的具体控制器的具体控制器系数或控制器系数的集合。之后将参数/系数表上传至ADV并被用于响应目标驾驶参数来确定一个或多个控制器系数的集合。之后用从参数/系数表获得的控制器系数来配置对应的控制器以控制ADV的自动驾驶。
图3是示出根据本发明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可以被实施为图1的自动驾驶车辆101的一部分,包括但不限于感知与规划***110、控制***111和传感器***115。参考图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以及控制模块305。
模块301至305中的一些或全部可以以软件、硬件或其组合实施。例如,这些模块可以安装在永久性存储装置352中、加载到存储器351中,并且由一个或多个处理器(未示出)执行。应注意,这些模块中的一些或全部可以通信地联接到图2的车辆控制***111的一些或全部模块或者与它们集成在一起。模块301至305中的一些可以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),并管理与用户的路线或行程有关的任何数据。定位模块301(也被称为地图与路线模块)管理与用户的行程或路线相关的任何数据。用户可以例如经由用户接口登录并且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的诸如地图和路线信息311的其它部件通信,以获得行程相关数据。例如,定位模块301可以从位置服务器和地图与POI(MPOI)服务器获得位置和路线信息。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,从而可以作为地图和路线信息311的一部分高速缓存。当自动驾驶车辆300沿着路线移动时,定位模块301也可以从交通信息***或服务器获得实时交通信息。
基于由传感器***115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或驾驶规则312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。
在一个实施方式中,在一些规划周期(也称为命令周期,例如,以每100微秒(ms)的时间间隔)中进行规划阶段。对于每个规划周期或命令周期,将基于规划数据和控制数据发出一个或多个控制命令。也就是说,对于每100ms,规划模块304规划下一个路线段或路径段,例如,包括目标位置和ADV到达目标位置所需的时间。可选地,规划模块304还可以指定特定的速度、方向和/或转向角等。在一个实施方式中,规划模块304为下一个预定时间段(诸如5秒)规划路线段或路径段。对于每个规划周期,规划模块304基于在先前的周期中规划的目标位置为当前周期(例如,下一个5秒)规划目标位置。之后控制模块305基于当前周期的规划数据和控制数据生成一个或多个控制命令(例如,调节油门、制动、转向控制命令)。
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。
在一个实施方式中,控制模块305包括用于控制ADV的各种驾驶参数的各种控制器,例如,包括速度控制器306和转向控制器307。速度控制器306配置为响应于由规划模块304提供的规划和控制数据通过生成和发出速度控制命令(例如调节油门或制动命令)控制ADV的速度。转向控制器307配置为响应于由规划模块304提供的规划和控制数据通过生成和发出转向命令控制ADV的朝向。
在一个实施方式中,速度控制器306和/或转向控制器307可以包括比例-积分-微分(PID)控制器。PID是通常在工业控制***中使用的控制闭环反馈机制(控制器)。PID控制器连续计算误差值{\displaystyle e(t)}为期待的设定值(例如目标速度、目标朝向)和测量的处理变量(例如实际速度、实际朝向)的差异并基于比例(Kp)、积分(Ki)以及微分(Kd)项进行修正。PID控制器连续计算误差值为期待的设定值和测量的处理变量的差异并基于比例、积分以及微分项进行修正。控制器试图通过将控制变量{\displaystyle e(t)}调整至由加权和确定的新值来最小化随时间的误差。
PID控制器可以通过比例、积分、微分系数来建模。这些系数可以由数据分析***(诸如,例如数据分析***或服务器103)基于大量驾驶统计离线地初始配置,如下所示:
其中,Kp、Ki、Kd是PID控制器的比例、积分以及微分系数。误差e(t)表示在目标驾驶参数(例如目标速度、目标朝向)和响应于规划的控制命令实时测量的实际驾驶参数之间的差异。
在一个实施方式中,控制器常数Kp、Ki和Kd可以响应于不同驾驶参数而区别地配置。例如,用于速度控制器306的控制器系数和用于转向控制器307的控制器系数可以不同。对于速度控制器306,可以为不同的速度范围(例如0-10m/s、10-20m/s)设置不同的控制器系数。同样地,对于朝向控制器307,可以为不同的朝向范围设置不同的控制器系数。用于不同的速度范围或不同的朝向范围的控制器系数可以配置或映射至在参数/系数映射表313中的控制器系数的不同集合。
在一个实施方式中,参数/系数映射表313包括一些映射条目。每个映射条目将驾驶参数的具体范围(或表示驾驶参数的范围的驾驶参数代表值)映射至一个或多个控制器系数的集合,在PID控制器的例子中,该集合为系数Kp、Ki和Kd。在自动驾驶期间,响应目标驾驶参数(例如,目标速度,目标朝向),控制器模块306基于目标驾驶参数在参数/系数映射表313中进行查找以获得一个或多个控制器系数的集合。之后使用所获得的控制器系数来配置用于控制ADV的对应的控制器(例如速度控制器306、转向控制器307)。在一个实施方式中,参数/系数映射表313包括例如如图4A所示的速度参数/系数映射表和例如如图4B所示的转向参数/系数映射表。
参考图4A,根据一个实施方式,速度参数/系数映射表400包括一些映射条目。每个映射条目将速度401的具体范围(或表示速度范围的速度代表值)映射至一个或多个控制器系数的集合,诸如,例如,用于PID控制器的Kp 402、Ki 403和Kd 404。Kp 402、Ki 403和Kd404是分别用于对应的范围或局部域的全局最佳Kp、Ki和Kd。在运行时,当控制模块305从规划模块304接收到目标速度时,控制模块305基于目标速度在速度参数/系数映射表400中经由字段401进行查找以定位具有包括目标速度的速度范围的映射条目。之后控制模块305从定位的映射条目的字段402至404获得用于速度控制器306的控制器系数的集合。
参考图4B,根据一个实施方式,转向参数/系数映射表450包括若干映射条目。每个映射条目将转向角451的具体范围(或转向角范围的转向角代表值)映射至一个或多个控制器系数的集合,诸如,例如,用于PID控制器的Kp 452、Ki 453和Kd 454。Kp 452、Ki 453和Kd454是分别用于对应的范围或局部域的全局最佳Kp、Ki和Kd。在运行时,当控制模块305从规划模块304接收到目标朝向时,控制模块305基于目标朝向在转向参数/系数映射表450中经由字段451进行查找以定位具有包括目标朝向的朝向范围的映射条目。之后控制模块305从定位的映射条目的字段452至454获得用于转向控制器307的控制器系数的集合。注意,图4A和图4B所示出的表400和450的格式和布局仅出于说明的目的而示出。表400和450可以在各种其他数据结构或数据库中实现。
图5是示出根据一个实施方式的数据分析***的示例的框图。***500可以实现为数据分析***103的一部分。***500包括控制器优化器510以优化用于各种控制器(诸如,速度控制器306和转向控制器307)的控制器系数。控制器优化器510可以被加载于存储器502(例如易失性存储器装置,诸如动态随机访问存储器或DRAM装置)中并由一个或多个处理器501执行。控制器优化器510使用存储在永久性存储装置503(例如,非易失性存储器装置,诸如硬盘)中的成本函数520来确定用于控制器的最佳控制器系数。
在一个实施方式中,控制器优化器510包括用于各种控制器的具体的控制器优化器,例如,速度控制器优化器511和转向控制器优化器512。速度控制器优化器511配置为对各种目标速度确定用于速度控制器306的最佳控制器系数的集合。转向控制器优化器512配置为对各种目标朝向确定用于转向控制器307的最佳控制器系数的集合。表生成器515基于有控制器优化器510提供的最佳控制器系数生成参数/系数映射表313。可以为不同控制器生成不同的表,包括例如,速度参数/系数映射表(诸如图4A的映射表400)以及转向参数/系数映射表(诸如图4B的映射表450)。
例如,当目标速度从10m/s改变为20m/s时,图6A示出理想的速度变化曲线。为了使从10m/s到20m/s的速度变化尽可能地接近图6A所示的理想曲线,速度控制器306使用最佳控制器系数控制ADV。如图6B所示,速度控制器306的控制器系数会影响ADV的速度将如何改变。参考图6B,具有不同集合的控制器系数的速度控制器306可以使得ADV以如曲线601至603示出的不同方式改变速度。如果可以确定最佳控制器系数并且速度控制器306以最佳控制器系数配置,则ADV可以根据最接近图6A示出的理想曲线的最佳曲线610改变其速度。如图6B所示,由于不同集合的控制器系数,不同曲线具有不同形状(诸如溢出)和稳定时间。术语“溢出”是指超过目标驾驶参数的驾驶参数的量。溢出百分比(%溢出)是指溢出超出目标驾驶参数的百分比,也就是说,(溢出/目标驾驶参数)*100。在曲线601的示例中,溢出是在最高峰与20的目标速度之间的差异。术语“稳定时间”是指车辆在目标驾驶参数的预定百分比的浮动范围内到达并稳定所需的时间。在本示例中,百分之二稳定时间(2%稳定时间)是指在20的目标速度的2%的浮动范围内到达并稳定的时间。最佳曲线将具有最小的溢出和最短的稳定时间,即,最接近如图6A示出的曲线。通过优化控制器系数,可以获得最佳曲线。
根据一个实施方式,控制器优化器510使用粒子群优化确定最佳控制器系数。在计算机科学中,粒子群优化(PSO)是将通过迭代地尝试提高关于给定质量测量的候选解决方案来对问题进行优化的计算方法。其通过提供候选解决方案(这里称为粒子)的种群并根据在粒子的位置和速率方面的简单数学公式而将这些粒子在搜寻空间中移动。每个粒子的移动受其局部最佳已知位置的影响,但是也在搜寻空间中被朝向最熟知位置引导,这些位置被更新为由其他粒子找到的更好位置。期待将该群朝向最佳解决方案移动。
在应用PSO方法确定最佳控制器系数的过程中,控制器系数候选被分为控制器候选的范围或组,以形成若干局部域或局部搜寻空间。对于每个局部域,使用成本函数基于控制器系数候选和驾驶参数代表值或目标驾驶参数来搜寻和确定局部最佳控制器系数。如上所述,驾驶参数代表值或目标驾驶参数表示驾驶参数(诸如速度或朝向)的预定范围。局部最佳控制器系数表示在局部域中的最佳控制器系数。此外,全局最佳控制器系数基于所有局部域的所有局部最佳控制器系数确定。全局最佳控制器系数是指所有局部域(共同称为全局域)的最佳控制器系数。
根据一个实施方式,对于每个目标驾驶参数,确定适于ADV的控制器的控制器系数候选的集合。控制器系数被分为或分组为控制器系数候选的一些范围(组或段)。控制器系数的每个范围表示局部域(局部空间或局部搜寻空间)并且所有范围作为整体共同表示全局域(全局空间或全局搜寻空间)。对于每个局部域,使用成本函数基于与该局部域关联的所有控制器系数候选确定局部最佳控制器系数,使得成本达到最小。对于速度控制的成本函数,成本函数的成本基于溢出量和/或车辆的速度改变的稳定时间的结合而计算。因此,当成本达到最小时,溢出和稳定时间的结合达到最小。
在一个实施方式中,成本函数可以被如下定义:
Cost=A1(%溢出)^2+A2(2%稳定时间)^2
术语“%溢出”是指溢出与对应的目标驾驶参数(例如,目标速度或目标朝向)相比的百分比。术语“2%稳定时间”是指在对应的目标驾驶参数的2%的浮动范围内到达并稳定所需的时间。
基于所有局部域的局部最佳控制器系数,确定全局最佳控制器系数。全局最佳控制器系数表示在所有局部域(即,全局域)中最佳的控制器系数。之后将全局最佳控制器系数与目标驾驶参数关联,与目标驾驶参数关联的该全局最佳控制器系数可以被***参数/系数映射表(诸如表400或表450)的映射条目中以用于实时或在线地控制ADV。上述处理可以迭代地执行从而为每个目标驾驶参数确定具体控制器的全局最佳控制器系数。
图7示出根据一个实施方式的用于使用粒子群优化搜寻和确定最佳控制器系数的搜寻空间。参考图7,在仅出于说明目的的本示例中,用于确定最佳控制器系数的全局域(或全局搜寻空间)700被分为若干局部域(或局部搜寻空间)。如图7所示,网格单元的整个网格被认为是全局域700,而每个单独网格单元被认为是局部域。在本示例中,假定目标控制器是PID控制器。对于PID控制器,最佳控制器系数包括最佳Kp、最佳Ki以及最佳Kd。对于每个局部域将存在Kp、Ki和Kd的局部最佳集合,对于每个驾驶参数代表值或范围将存在Kp、Ki和Kd的单一全局最佳集合。Kp、Ki和Kd的全局最佳集合将加入用于对应的控制器的参数/系数映射表(例如,表400和表500)中。
因此,如图7所示,域(无论是局部域还是全局域)是三维(3D)的域,其包括Kp维度或向量701、Ki维度/向量702以及Kd维度/向量703。每个维度701至703的尺寸取决于可能由对应的控制器使用的对应的系数Kp、Ki和Kd的范围。在本示例中,对于速度控制器306,假设每个维度701至703的范围均是0至2。控制器系数的范围被分为或分组为一些组,在本示例中是0.25x0.25x0.25的3D网格单元,并且每个3D网格单元表示一个局部域。例如,对于Kp、Ki和Kd,局部域710将分别具有(0-0.25、0-0.25、0-0.25)的3D空间。局部域711将分别具有(0.5-0.75、1.25-1.5、0-0.25)的3D空间。局部域712将分别具有(1.75-2、0.75-1、0-0.25)的3D空间。
对于表示驾驶参数范围(例如,0-10m/s)的目标驾驶参数,在每个局部域范围中进行搜寻以基于各局部域中的Kp、Ki和Kd候选的集合来得到Kp、Ki和Kd的局部最佳集合。例如,对于局部域710,Kp候选的集合(例如0、0.05、0.1、0.15、…、0.25),Ki候选的集合(例如0、0.05、0.1、0.15、…、0.25)以及Kd候选的集合(例如0、0.05、0.1、0.15、…、0.25)分别用于搜寻局部最佳Kp、Ki和Kd。在本示例中,尽管使用0.05的增量在两个相邻参数之间进行分隔,但是也可以使用其他增量。例如,在粒子群方法中,可以考虑当前局部最佳控制器系数和全局最佳控制器系数基于对应的先前迭代的控制器系数使用预定公式更新具体迭代的控制器系数。之后,根据用于对应的目标驾驶参数的Kp、Ki和Kd的局部最佳集合确定Kp、Ki和Kd的全局最佳集合。
在一个实施方式中,对于选自每个局部域范围内的Kp、Ki和Kd候选的每个Kp、Ki和Kd集合,使用预定的成本函数基于所选择的Kp、Ki和Kd候选和对应的目标速度迭代地计算成本。将Kp、Ki和Kd的局部最佳集合确定为使得与Kp、Ki和Kd的局部最佳集合关联的对应的局部最佳成本最小化。一旦Kp、Ki和Kd的局部最佳集合确定,则将该局部最佳集合与Kp、Ki和Kd的当前全局最佳集合进行比较。如果局部最佳集合优于当前全局最佳集合(即局部最佳成本低于当前全局最佳成本),则局部最佳集合将代替当前全局最佳集合作为新的全局最佳集合。当已经搜寻了所有局部域并且已经确定它们的局部最佳集合时,最终全局最佳集合将与对应的目标速度关联并加入对应的参数/系数映射表中。
在一个实施方式中,在每个迭代期间,迭代率可以基于以下函数确定:
u(n+1)=w1*u(n)+w2*[pbest(n)-Kj]+w3*[gbest(n)-Kj]
其中,w1、w2和w3是作为加权因子的常数,可以例如使用机器学习算法基于驾驶统计通过数据分析***103确定。对于不同的目标驾驶参数(例如0-10m/s、10-20m/s),加权因子w1、w2和w3可以区别地配置。
在本示例中,下一个迭代(n+1)的迭代率u(n+1)可以基于当前迭代(n)的迭代率u(n)、当前局部最佳控制器系数pbest(n)、当前全局最佳控制器系数gbest(n)以及当前所选择的控制器系数候选的集合Kj确定。用于下一个迭代的控制器系数候选Kj(n+1)可以基于以下函数更新:
Kj(n+1)=Kj(n)+u(n+1)
对于迭代(n+1),U(n+1)是基于在之前迭代(n)期间确定的、目标速度u(n)、Kp、Ki和Kd的当前局部最佳集合pbest(n)、Kp、Ki和Kd的当前局全局最佳集合gbest(n)以及表示当前所选择的候选Kp、Ki和Kd的Kj计算的成本。注意出于说明的目的,Kj表示Kp、Ki和Kd的集合。
在一个实施方式中,对于表示速度范围(例如10-20m/s)的给定目标速度,Kj、pbest、gbest起初被设定为初始值,并且初始局部成本和全局成本设定为高。之后将所选择的控制器系数候选馈送至对应的控制器并且例如通过仿真测量驾驶参数。之后计算成本并与初始局部成本比较。如果该成本低于当前局部最佳成本,则当前局部最佳pbest将由当前Kj代替。如果该成本还低于当前全局最佳成本,则当前全局最佳gbest将由当前Kj代替。否则,例如使用如上所述的迭代率更新公式Kj,并且迭代地进行上述处理直到在相同局部域中的所有Kj候选都已被应用。在一个实施方式中,成本可以基于测量的驾驶参数使用成本函数计算。例如,对于车辆的速度,可以基于溢出量和稳定时间配置成本函数。
一旦局部最佳Kj确定,则迭代地进行相同处理以在全局域700的范围内为其他局部域(例如局部域711-712)搜寻局部最佳pbest和全局最佳gbest。一旦已经搜寻所有局部域,则确定Kp、Ki和Kd的最终全局最佳集合gbest并且将其与对应的目标速度关联。可以迭代地执行上述相同处理从而为用于速度处理器306的每个目标速度范围确定Kp、Ki和Kd的全局最佳集合。之后将全局最佳控制器系数加入速度参数/系数映射表,诸如表400。相同或相似的技术可以用于为用于转向控制器307的转向参数/系数映射表450对于目标朝向的不同范围确定控制器系数的局部最佳集合和控制器系数的全局最佳集合。
图8是示出根据一个实施方式确定用以控制自动驾驶车辆的控制器的最佳控制器系数的处理的流程图。处理800可以由处理逻辑执行,处理逻辑可以包括软件、硬件或它们的组合。例如,处理800可以由图5的控制器优化器510执行。参考图8,在操作801中,处理逻辑根据目标驾驶参数(例如目标速度或目标朝向)从用于控制ADV行驶的预定范围的控制器系数候选的集合中选择控制器系数候选。预定范围表示全局搜寻空间或全局域的若干局部搜寻空间或局部域中的一个。在操作802中,处理逻辑使用成本函数基于ADV的目标驾驶参数和所选择的控制器系数候选计算成本。在操作803中,处理逻辑确定用于预定范围的局部最佳控制器系数,使得成本在预定范围内的控制器系数候选中最小化。在操作804中,考虑控制器系数候选的余下范围的其他局部最佳控制器系数,基于局部最佳控制器系数确定用于全局域的全局最佳控制器系数。之后将全局控制器系数加入用于对应的控制器的参数/系数映射表中。
图9是示出根据一个实施方式确定用以控制自动驾驶车辆的控制器的最佳控制器系数的处理的流程图。处理900可以由处理逻辑执行,处理逻辑可以包括软件、硬件或它们的组合。例如,处理900可以由图5的控制器优化器510执行。参考图9,在操作901中,处理逻辑从预定的目标驾驶参数的集合中选择目标驾驶参数。每个目标驾驶参数表示驾驶参数的范围(例如速度范围0-10m/s、10-20m/s)。在操作902中,处理逻辑选择控制器系数候选的范围,其中该控制器系数候选的范围表示共同构成全局域的局部域之一。
在操作903中,处理逻辑从控制器系数候选的选定范围中选择控制器系数候选的集合。在操作904中,考虑当前局部最佳控制器系数和当前全局最佳控制器系数,基于所选择的目标驾驶参数和所选择的控制器系数候选使用成本函数计算成本。在操作905中,基于成本更新局部最佳控制器系数和全局最佳控制器系数。在一个实施方式中,如果与当前选择的控制器系数候选关联的成本低于与当前局部最佳控制器系数关联的成本,则当前选择的控制器系数候选将代替局部最佳控制器系数作为新的局部最佳控制器系数。同样地,如果与当前选择的控制器系数候选关联的成本低于与当前全局最佳控制器系数关联的成本,则当前选择的控制器系数候选将代替全局最佳控制器系数作为新的全局最佳控制器系数。
在操作906中,如果尚有多个控制器系数候选存在于当前选择的范围中,则对所选择的范围迭代地进行操作903至905,直到不再有候选剩余或者成本不会更低。在一个实施方式中,在迭代地进行操作903至905之前,如上文所述使用迭代率函数(例如u(n+1))更新系数候选。在当前范围的控制器系数候选已被处理后,在操作907中,如果尚有更多范围待处理,则对剩下的范围迭代地进行操作902至905。在为所选择的目标驾驶参数确定了全局最佳控制器系数之后,在操作908中,如果尚有更多目标驾驶参数待处理(例如还剩有更多的速度范围),则对剩下的目标驾驶参数迭代地进行操作901至905。
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10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,***1500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。***1500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,***1500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。***1500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,***1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501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1501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1501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1501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1501(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1501被配置成执行用于执行本文所讨论的操作和步骤的指令。***1500还可以包括与可选的图形子***1504通信的图形接口,图形子***1504可以包括显示控制器、图形处理器和/或显示装置。
处理器1501可以与存储器1503通信,存储器1503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1503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1503可以存储包括由处理器1501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1503中并由处理器1501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***。
***1500还可以包括IO装置,诸如装置1505至1508,包括网络接口装置1505、可选的输入装置1506,以及其它可选的IO装置1507。网络接口装置1505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1506可以包括鼠标、触摸板、触敏屏幕(其可以与显示装置1504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1506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多种触敏技术(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1507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1507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1507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1510,而诸如键盘或热传感器的其它装置可以根据***1500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1501。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1501。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1508可以包括计算机可访问的存储介质1509(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1528)。处理模块/单元/逻辑1528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或控制器优化器510。处理模块/单元/逻辑1528还可以在其由数据处理***1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内,数据处理***1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可以通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509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1509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1528、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1528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1528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***1500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 (22)
1.用于确定用于控制自动驾驶车辆的控制器的系数的由计算机实现的方法,所述方法包括:
基于第一目标驾驶参数从在用于控制自动驾驶车辆行驶的第一预定范围内的控制器系数候选的集合中选择控制器系数候选;
基于所选择的控制器系数候选和所述第一目标驾驶参数使用成本函数计算成本;
为所述第一预定范围确定局部最佳控制器系数,使得所述成本在所述第一预定范围内的控制器系数候选的集合中最小化;以及
考虑控制器系数候选的其他范围的其他局部最佳控制器系数,基于所述局部最佳控制器系数确定全局最佳控制器系数,其中所述全局最佳控制器系数由控制器使用以利用所述第一目标驾驶参数控制自动驾驶车辆。
2.如权利要求1所述的方法,其中所述第一预定范围是多个预定范围中的一个,并且其中,对于每个预定范围,所述方法还包括使用所述成本函数计算成本并为各自的预定范围确定局部最佳控制器系数。
3.如权利要求2所述的方法,其中所述第一驾驶参数表示多个驾驶参数中的一个,并且其中,对于每个驾驶参数,所述方法还包括使用所述成本函数计算成本,为所述多个预定范围中的每一个确定局部最佳控制器系数,并为各自的驾驶参数确定全局最佳控制器系数。
4.如权利要求3所述的方法,其中每个驾驶参数表示驾驶参数值的一个范围。
5.如权利要求1所述的方法,其中为所述预定范围确定局部最佳控制器系数包括:
将与所选择的控制器系数候选关联的成本和与所述第一预定范围的局部最佳控制器系数关联的局部最佳成本进行比较;以及
响应于确定出与所选择的控制器系数候选关联的成本低于与所述局部最佳控制器系数关联的局部最佳成本,
将所述局部最佳控制器系数替换为所选择的控制器系数候选,并且
将所述局部最佳成本替换为与所选择的控制器系数候选关联的成本。
6.如权利要求1所述的方法,其中基于所述局部最佳控制器系数确定全局最佳控制器系数包括:
将与所选择的控制器系数候选关联的成本和与全局最佳控制器系数关联的全局最佳成本进行比较;以及
响应于确定出与所选择的控制器系数候选关联的成本低于与所述全局最佳控制器系数关联的全局最佳成本,
将所述全局最佳控制器系数替换为所选择的控制器系数候选,并且
将所述全局最佳成本替换为与所选择的控制器系数候选关联的成本。
7.如权利要求1所述的方法,其中每个控制器系数候选表示比例-积分-微分(PID)控制器的Kp、Ki或Kd中的至少一个。
8.如权利要求1所述的方法,其中所述第一目标驾驶参数是自动驾驶车辆的目标速度或朝向中的一个。
9.如权利要求1所述的方法,还包括生成参数/系数表,所述参数/系数表用于配置用于使用相似目标驾驶参数驾驶自动驾驶车辆的控制器,其中,所述参数/系数表包括多个映射条目,每个映射条目将具体的驾驶参数映射至具体的控制器系数。
10.非易失性机器可读介质,在所述非易失性机器可读介质上存储有指令,所述指令在由处理器执行时,使所述处理器执行确定最佳控制器系数的操作,所述操作包括:
基于第一目标驾驶参数从在用于控制自动驾驶车辆行驶的第一预定范围内的控制器系数候选的集合中选择控制器系数候选;
基于所选择的控制器系数候选和所述第一目标驾驶参数使用成本函数计算成本;
为所述第一预定范围确定局部最佳控制器系数,使得所述成本在所述第一预定范围内的控制器系数候选的集合中最小化;以及
考虑控制器系数候选的其他范围的其他局部最佳控制器系数,基于所述局部最佳控制器系数确定全局最佳控制器系数,其中所述全局最佳控制器系数由控制器使用以利用所述第一目标驾驶参数控制自动驾驶车辆。
11.如权利要求10所述的机器可读介质,其中所述第一预定范围是多个预定范围中的一个,并且其中,对于每个预定范围,所述操作还包括使用所述成本函数计算成本并为各自的预定范围确定局部最佳控制器系数。
12.如权利要求11所述的机器可读介质,其中所述第一驾驶参数表示多个驾驶参数中的一个,并且其中,对于每个驾驶参数,所述操作还包括使用所述成本函数计算成本,为所述多个预定范围中的每一个确定局部最佳控制器系数,并为各自的驾驶参数确定全局最佳控制器系数。
13.如权利要求12所述的机器可读介质,其中每个驾驶参数表示驾驶参数值的一个范围。
14.如权利要求10所述的机器可读介质,其中为所述预定范围确定局部最佳控制器系数包括:
将与所选择的控制器系数候选关联的成本和与所述第一预定范围的局部最佳控制器系数关联的局部最佳成本进行比较;以及
响应于确定出与所选择的控制器系数候选关联的成本低于与所述局部最佳控制器系数关联的局部最佳成本,
将所述局部最佳控制器系数替换为所选择的控制器系数候选,并且
将所述局部最佳成本替换为与所选择的控制器系数候选关联的成本。
15.如权利要求10所述的机器可读介质,其中基于所述局部最佳控制器系数确定全局最佳控制器系数包括:
将与所选择的控制器系数候选关联的成本和与全局最佳控制器系数关联的全局最佳成本进行比较;以及
响应于确定出与所选择的控制器系数候选关联的成本低于与所述全局最佳控制器系数关联的全局最佳成本,
将所述全局最佳控制器系数替换为所选择的控制器系数候选,并且
将所述全局最佳成本替换为与所选择的控制器系数候选关联的成本。
16.如权利要求10所述的机器可读介质,其中每个控制器系数候选表示比例-积分-微分(PID)控制器的Kp、Ki或Kd中的至少一个。
17.如权利要求10所述的机器可读介质,其中所述第一目标驾驶参数是自动驾驶车辆的目标速度或朝向中的一个。
18.如权利要求10所述的机器可读介质,其中所述操作还包括生成参数/系数表,所述参数/系数表用于配置用于使用相似目标驾驶参数驾驶自动驾驶车辆的控制器,其中,所述参数/系数表包括多个映射条目,每个映射条目将具体的驾驶参数映射至具体的控制器系数。
19.数据处理***,包括:
处理器;以及
存储器,所述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,使所述处理器执行确定控制器系数的操作,所述操作包括:
基于第一目标驾驶参数从在用于控制自动驾驶车辆行驶的第一预定范围内的控制器系数候选的集合中选择控制器系数候选;
基于所选择的控制器系数候选和所述第一目标驾驶参数使用成本函数计算成本;
为所述第一预定范围确定局部最佳控制器系数,使得所述成本在所述第一预定范围内的控制器系数候选的集合中最小化;
以及
考虑控制器系数候选的其他范围的其他局部最佳控制器系数,基于所述局部最佳控制器系数确定全局最佳控制器系数,其中所述全局最佳控制器系数由控制器使用以利用所述第一目标驾驶参数控制自动驾驶车辆。
20.如权利要求19所述的***,其中所述第一预定范围是多个预定范围中的一个,并且其中,对于每个预定范围,所述操作还包括使用所述成本函数计算成本并为各自的预定范围确定局部最佳控制器系数。
21.如权利要求20所述的***,其中所述第一驾驶参数表示多个驾驶参数中的一个,并且其中,对于每个驾驶参数,所述操作还包括使用所述成本函数计算成本,为所述多个预定范围中的每一个确定局部最佳控制器系数,并为各自的驾驶参数确定全局最佳控制器系数。
22.如权利要求21所述的***,其中每个驾驶参数表示驾驶参数值的一个范围。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/627,970 | 2017-06-20 | ||
US15/627,970 US10613489B2 (en) | 2017-06-20 | 2017-06-20 | Method and system for determining optimal coefficients of controllers for autonomous driving vehicles |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109094573A true CN109094573A (zh) | 2018-12-28 |
CN109094573B CN109094573B (zh) | 2022-06-24 |
Family
ID=64656201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810191045.XA Active CN109094573B (zh) | 2017-06-20 | 2018-03-08 | 用于确定自动驾驶车辆的控制器的最佳系数的方法和*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US10613489B2 (zh) |
CN (1) | CN109094573B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113525406A (zh) * | 2020-04-15 | 2021-10-22 | 百度(美国)有限责任公司 | 用于车辆运动控制器的基于贝叶斯全局优化的参数调谐 |
CN113544597A (zh) * | 2019-03-15 | 2021-10-22 | 3M创新有限公司 | 优化用于操作车辆的控制信号的方法 |
CN113825880A (zh) * | 2019-05-13 | 2021-12-21 | 卡特彼勒公司 | 用于液压机器的控制映射 |
CN114326696A (zh) * | 2020-09-30 | 2022-04-12 | 百度(美国)有限责任公司 | 用于自动驾驶车辆中使用的控制器的自动参数调整框架 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016220313B3 (de) * | 2016-10-18 | 2018-03-29 | Audi Ag | Verfahren zum Betrieb eines Kraftfahrzeugs mit mehreren Fahrerassistenzsystemen und Kraftfahrzeug |
CN109901402B (zh) * | 2019-04-08 | 2021-10-29 | 哈尔滨工程大学 | 一种基于航向平滑技术的自主水下机器人路径跟踪方法 |
CN112230641B (zh) * | 2019-06-28 | 2022-04-15 | 比亚迪股份有限公司 | 车辆的制动曲线的生成方法和装置 |
US11467584B2 (en) * | 2019-12-27 | 2022-10-11 | Baidu Usa Llc | Multi-layer grid based open space planner |
CN113119988B (zh) * | 2019-12-31 | 2022-07-12 | 中移智行网络科技有限公司 | 无人驾驶决策的生成方法、装置、存储介质和计算机设备 |
CN111231927B (zh) * | 2020-02-19 | 2021-10-12 | 科力远混合动力技术有限公司 | 功率分流式混合动力***的扭矩分配控制方法 |
CN112498366B (zh) * | 2020-11-20 | 2022-04-05 | 苏州智加科技有限公司 | 自动驾驶车辆、控制方法、装置、设备及存储介质 |
CN112598819B (zh) * | 2020-12-17 | 2022-07-01 | 北京百度网讯科技有限公司 | 自动驾驶***的测试方法、装置、电子设备及存储介质 |
CN113885511B (zh) * | 2021-10-22 | 2023-12-12 | 温州大学乐清工业研究院 | 一种断路器柔性装配机器人的轨迹优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040230325A1 (en) * | 2003-05-13 | 2004-11-18 | Subramanian Ramamoorthy | Automatic tuning of motion controllers using search techniques |
CN101511659A (zh) * | 2006-08-11 | 2009-08-19 | 罗伯特·博世有限公司 | 用于减轻拖车摇摆的闭环控制 |
CN104781098A (zh) * | 2012-11-02 | 2015-07-15 | 德纳重型车辆***集团有限责任公司 | 用于串列轴驱动***的分级控制***和方法 |
CN105946865A (zh) * | 2015-01-26 | 2016-09-21 | 福特环球技术公司 | 调整传动系运行的***和方法 |
CN106585636A (zh) * | 2016-11-28 | 2017-04-26 | 上海工程技术大学 | 基于状态机的车辆行驶状态描述和驾驶行为侦测的方法 |
CN106671982A (zh) * | 2017-01-09 | 2017-05-17 | 厦门大学 | 基于多智能体的无人驾驶电动汽车自动超车***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11108627B2 (en) * | 2016-12-30 | 2021-08-31 | Intel Corporation | Object identification for groups of IoT devices |
-
2017
- 2017-06-20 US US15/627,970 patent/US10613489B2/en active Active
-
2018
- 2018-03-08 CN CN201810191045.XA patent/CN109094573B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040230325A1 (en) * | 2003-05-13 | 2004-11-18 | Subramanian Ramamoorthy | Automatic tuning of motion controllers using search techniques |
CN101511659A (zh) * | 2006-08-11 | 2009-08-19 | 罗伯特·博世有限公司 | 用于减轻拖车摇摆的闭环控制 |
CN104781098A (zh) * | 2012-11-02 | 2015-07-15 | 德纳重型车辆***集团有限责任公司 | 用于串列轴驱动***的分级控制***和方法 |
CN105946865A (zh) * | 2015-01-26 | 2016-09-21 | 福特环球技术公司 | 调整传动系运行的***和方法 |
CN106585636A (zh) * | 2016-11-28 | 2017-04-26 | 上海工程技术大学 | 基于状态机的车辆行驶状态描述和驾驶行为侦测的方法 |
CN106671982A (zh) * | 2017-01-09 | 2017-05-17 | 厦门大学 | 基于多智能体的无人驾驶电动汽车自动超车***及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113544597A (zh) * | 2019-03-15 | 2021-10-22 | 3M创新有限公司 | 优化用于操作车辆的控制信号的方法 |
CN113825880A (zh) * | 2019-05-13 | 2021-12-21 | 卡特彼勒公司 | 用于液压机器的控制映射 |
CN113525406A (zh) * | 2020-04-15 | 2021-10-22 | 百度(美国)有限责任公司 | 用于车辆运动控制器的基于贝叶斯全局优化的参数调谐 |
CN114326696A (zh) * | 2020-09-30 | 2022-04-12 | 百度(美国)有限责任公司 | 用于自动驾驶车辆中使用的控制器的自动参数调整框架 |
Also Published As
Publication number | Publication date |
---|---|
US10613489B2 (en) | 2020-04-07 |
CN109094573B (zh) | 2022-06-24 |
US20180364657A1 (en) | 2018-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109094573A (zh) | 用于确定自动驾驶车辆的控制器的最佳系数的方法和*** | |
CN108981730A (zh) | 用于为操作自动驾驶车辆生成参考路径的方法和*** | |
CN110388931A (zh) | 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法 | |
CN110345955A (zh) | 用于自动驾驶的感知与规划协作框架 | |
CN109947090A (zh) | 用于自动驾驶车辆规划的非阻塞边界 | |
CN111771141B (zh) | 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位 | |
CN109196432A (zh) | 用于自动驾驶车辆的速度控制参数估计方法 | |
CN110389584A (zh) | 用于评估自动驾驶车辆的轨迹候选项的方法 | |
CN109491375A (zh) | 用于自动驾驶车辆的基于驾驶场景的路径规划 | |
CN110389583A (zh) | 生成自动驾驶车辆的轨迹的方法 | |
CN110389581A (zh) | 用于为自动驾驶车辆生成障碍物的预测轨迹的方法 | |
CN110389585A (zh) | 用于自动驾驶车辆的基于学习的速度规划器 | |
CN109489673A (zh) | 用于自动驾驶车辆的数据驱动地图更新*** | |
CN110096053A (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 | |
CN110325935A (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 | |
CN110531749A (zh) | 确定避开移动障碍物的自动驾驶的驾驶路径 | |
CN109489675A (zh) | 用于自动驾驶车辆的基于成本的路径规划 | |
CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
CN109491376A (zh) | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 | |
CN110377024A (zh) | 用于自动驾驶车辆的自动数据标注 | |
CN110239562A (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 | |
CN109521762A (zh) | 用于自动驾驶车辆的基于2d约束平滑样条的平滑道路参考线路 | |
CN110531750A (zh) | 用于自动驾驶车辆的pid嵌入式lqr | |
CN109955853A (zh) | 用于操作自动驾驶车辆的方法、***和存储介质 | |
CN108604095A (zh) | 动态调整自动驾驶车辆的转向率的方法 |
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 |