CN110377025B - 用于自动驾驶车辆的传感器聚合框架 - Google Patents
用于自动驾驶车辆的传感器聚合框架 Download PDFInfo
- Publication number
- CN110377025B CN110377025B CN201910034383.7A CN201910034383A CN110377025B CN 110377025 B CN110377025 B CN 110377025B CN 201910034383 A CN201910034383 A CN 201910034383A CN 110377025 B CN110377025 B CN 110377025B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- obstacle information
- vehicle data
- obstacle
- 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
- 230000002776 aggregation Effects 0.000 title abstract description 12
- 238000004220 aggregation Methods 0.000 title abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 68
- 230000033001 locomotion Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 20
- 230000004931 aggregating effect Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000002085 persistent effect Effects 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning 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
- 230000004927 fusion 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
- 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
- 230000000306 recurrent effect 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
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 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
- 238000012876 topography Methods 0.000 description 1
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
- 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
-
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0248—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means in combination with a laser
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/027—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means comprising intertial navigation means, e.g. azimuth detector
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- 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
- G05D1/60—Intended control result
- G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
-
- 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
- G05D1/80—Arrangements for reacting to or preventing system or operator failure
- G05D1/81—Handing over between on-board automatic and on-board manual control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/96—Management of image or video recognition tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electromagnetism (AREA)
- Acoustics & Sound (AREA)
- Optics & Photonics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
公开了用于自动驾驶车辆的传感器聚合框架。在一个实施方式中,当自动驾驶车辆(ADV)在包括多个障碍物的感兴趣区域(ROI)内移动时,从安装在自动驾驶车辆(ADV)上的一个或多个传感器收集传感器数据。传感器数据包括障碍物的障碍物信息和ADV的车辆数据。利用车辆数据被捕获的当前时间对车辆数据中的每个加注时间戳,以生成对应于车辆数据的多个时间戳。将障碍物信息、车辆数据和对应时间戳聚合成训练数据。训练数据用于训练一组参数,该组参数后续用于至少部分地预测未来障碍物行为和ADV的车辆运动。
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用于自动驾驶车辆的传感器聚合框架。
背景技术
以自动驾驶模式运行(例如,无人驾驶)的车辆可将乘员、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。
运动规划和控制是自动驾驶中的关键操作。然而,传统的运动规划操作主要从给定路径的曲率和速度来估计完成给定路径的难度,而不考虑不同类型车辆的特征方面的差异。将相同的运动规划和控制应用于所有类型的车辆,这在某些情况下可能不准确和不平稳。
由于每个传感器具有其各自的限制,因此运动规划和控制的操作需要多个传感器来执行。例如,多个传感器可协作以准确地识别和跟踪车辆环境内的对象(或障碍物)。传感器的协作通常需要多传感器融合,其涉及时间戳对齐和传感器数据聚合。然而,通常地,时间戳对齐难以正确和有效地执行,并且传感器数据聚合通常在传感器之间产生冲突的结果。
发明内容
在本公开的一方面,提供了训练用于在控制自动驾驶车辆中后续使用的一组参数的计算机实施的方法,包括:
当自动驾驶车辆在包括多个障碍物的感兴趣区域内移动时,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据,所述传感器数据包括所述障碍物的障碍物信息和所述自动驾驶车辆的车辆数据;
利用所述车辆数据被捕获的当前时间对所述车辆数据中的每个加注时间戳,以生成对应于所述车辆数据的多个时间戳;以及
将所述障碍物信息、所述车辆数据和对应时间戳聚合成训练数据,其中,所述训练数据用于训练一组参数,所述一组参数后续用于至少部分地预测未来障碍物行为和所述自动驾驶车辆的车辆运动。
在本公开的另一方面,提供了一种存储有指令的非暂时性机器可读介质,所述指令在由处理器执行时致使所述处理器执行操作,所述操作包括:
当自动驾驶车辆在包括多个障碍物的感兴趣区域内移动时,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据,所述传感器数据包括所述障碍物的障碍物信息和所述自动驾驶车辆的车辆数据;
利用所述车辆数据被捕获的当前时间对所述车辆数据中的每个加注时间戳,以生成对应于所述车辆数据的多个时间戳;以及将所述障碍物信息、所述车辆数据和对应时间戳聚合成训练数据,其中,所述训练数据用于训练一组参数,所述一组参数后续用于至少部分地预测未来障碍物行为和所述自动驾驶车辆的车辆运动。
在本公开的再一方面,提供了一种数据处理***,包括:
处理器;以及
存储器,所述存储器联接至所述处理器,以存储指令,所述指令在由所述处理器执行时致使所述处理器执行操作,所述操作包括:
当自动驾驶车辆在包括多个障碍物的感兴趣区域内移动时,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据,所述传感器数据包括所述障碍物的障碍物信息和所述自动驾驶车辆的车辆数据,
利用所述车辆数据被捕获的当前时间对所述车辆数据中的每个加注时间戳,以生成对应于所述车辆数据的多个时间戳,以及
将所述障碍物信息、所述车辆数据和对应时间戳聚合成训练数据,其中,所述训练数据用于训练一组参数,所述一组参数后续用于至少部分地预测未来障碍物行为和所述自动驾驶车辆的车辆运动。
在本公开的又一方面,提供了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:
当自动驾驶车辆以自动驾驶模式操作时,从安装在自动驾驶车辆上的一个或多个传感器收集传感器数据;
利用所述传感器数据被捕获的当前时间对所述传感器数据中的每个加注时间戳,以生成对应于所述传感器数据的多个时间戳;
从所述传感器数据提取所述自动驾驶车辆的车辆数据和感知到的障碍物的障碍物信息;以及
基于所提取的车辆数据、所提取的障碍物信息、对应时间戳以及先前训练的以学习历史障碍物行为和所述自动驾驶车辆的车辆运动的一组训练参数,预测所述感知到的障碍物的行为和所述自动驾驶车辆的车辆运动。
附图说明
本公开的实施方式在附图的各图中以举例而非限制的方式示出,附图中的相同参考标记指示相似元件。
图1A是示出根据一个实施方式的网络化***的框图。
图1B是示出根据一个实施方式的用于训练传感器数据的***的框图。
图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。
图3A至图3B是示出根据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是示出根据一个实施方式的车辆数据及对应时间戳的示例的图示。
图5是示出根据一个实施方式的训练数据的示例的图示。
图6是示出根据一个实施方式的在包括许多障碍物的感兴趣区域内操作的自动驾驶车辆的图示。
图7是根据一个实施方式的训练传感器数据的方法的流程图。
图8是根据一个实施方式的用于操作自动驾驶车辆的方法的流程图。
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公开的各种实施方式和方面,附图将示出所述各种实施方式。下列描述和附图是本公开的说明,而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的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,以提供对本公开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、结构或特性可包括在本公开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,当自动驾驶车辆操作进入感兴趣区域时,***从安装在自动驾驶车辆上的一个或多个传感器收集传感器数据。传感器数据包括车辆数据,该车辆数据具有指示所发出的驾驶命令(例如,油门、制动、转向命令)以及由车辆的传感器在不同的时间点(或时间帧)捕获的车辆的响应(例如,速度、加速、减速、方向)的信息。传感器数据还包括障碍物(或对象)信息,诸如障碍物位置和障碍物反射率。来自传感器数据的每个车辆数据分别利用收集时的当前时间加注时间戳。然后提取传感器数据以分别生成车辆数据、对应时间戳和障碍物信息,其中,传感器数据可远程存储在中央服务器上和/或本地存储在永久性存储驱动器上。然后,将提取的车辆数据、对应时间戳和障碍物信息进行聚合以形成训练数据。然后,使用训练数据训练一组参数(例如,使用诸如神经网络的机器学习引擎),该组参数可被部署用于车辆的在线控制(例如,运动规划和控制)。因此,时间戳更好地对齐,并且减少或消除了传感器之间的冲突结果。
在一个实施方式中,当自动驾驶车辆(ADV)在包括多个障碍物的感兴趣区域(ROI)内移动时,从安装在ADV上的一个或多个传感器收集传感器数据。传感器数据包括障碍物的障碍物信息和ADV的车辆数据。利用车辆数据被捕获的当前时间对车辆数据中的每个加注时间戳,以生成对应于车辆数据的多个时间戳。将障碍物信息、车辆数据和对应时间戳聚合成训练数据。训练数据用于训练一组参数,该组参数后续用于至少部分地预测未来障碍物行为和ADV的车辆运动。
在一个实施方式中,在将障碍物信息、车辆数据和对应时间戳聚合为训练数据之前,从传感器数据中提取障碍物信息和车辆数据。在一个实施方式中,在将障碍物信息、车辆数据和对应时间戳聚合为训练数据之后,使用训练数据训练该组参数以学习障碍物的障碍物行为和ADV的当前车辆运动。
在一个实施方式中,为了将障碍物信息、车辆数据和对应时间戳聚合为训练数据,车辆数据中的每个及其对应时间戳以成对方式彼此附加,以形成多个车辆数据和对应时间戳对。车辆数据和对应时间戳对彼此附加。附加的车辆数据和对应时间戳对被附加至障碍物信息。
在另一实施方式中,当ADV以主动驾驶模式操作时,从安装在ADV上的一个或多个传感器收集传感器数据。利用传感器数据被捕获的当前时间对传感器数据中的每个加注时间戳,以生成对应于传感器数据的多个时间戳。从传感器数据中提取ADV的车辆数据和感知到的障碍物的障碍物信息。基于提取的车辆数据、提取的障碍物信息、对应时间戳以及先前训练的以学习历史障碍物行为和ADV的车辆运动的一组训练参数,预测感知到的障碍物的行为和ADV的车辆运动。
图1A是示出根据本公开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)服务器或位置服务器等。
自动驾驶车辆是指可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***115。自动驾驶车辆101还可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单元212可包括收发器,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可另外感测对象的速度和/或前进方向。LIDAR单元215可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。
返回参考图1A,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、存储装置)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。可替代地,感知与规划***110可与车辆控制***111集成在一起。
例如,作为乘客的用户可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。可替代地,此类位置和MPOI信息可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可由第三方实体进行操作。可替代地,服务器103至104的功能可与感知与规划***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。
继续参考图1A和现在的图1B,图1B是示出根据一个实施方式的用于训练传感器数据的***的框图,服务器103可以是用于为各种客户执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、时间戳模块122、数据聚合模块123、特征提取模块124和机器学习引擎125。
数据收集器121可收集并标记来自安装在自动驾驶车辆101上的各种传感器的传感器数据。例如,参考图6,当自动驾驶车辆101操作进入感兴趣区域(ROI)600时,传感器***115可检测ROI 600内的多个障碍物(或对象)601至604,并且在特定时间帧(例如,100毫秒(ms)、1秒或任何合适的时间周期)的不同时间点生成传感器数据。随着自动驾驶车辆在ROI 600内移动,生成额外的传感器数据。ROI 600例如可以是车辆可在其中操作的任何地区或区域,诸如十字路口。障碍物601至障碍物604例如可以是另一车辆(例如,自动驾驶车辆或常规车辆)、行人、建筑物或交通相关标志(例如,停车标志、让行标志)等。应理解,虽然图6示出了障碍601至障碍物604,但是ROI(诸如ROI 600)内可能存在任意数量的障碍物。
应理解,虽然图6仅示出了一个ROI,但是在操作中,自动驾驶车辆101可进入若干ROI内,并且每个ROI均可具有根据区域不同地定位的不同数量的障碍物。
返回参考图1A至图1B,数据收集器121可通过网络102与自动驾驶车辆101通信,以从传感器***115获取并标记传感器数据。传感器数据可包括车辆数据,该车辆数据指示所发出的驾驶命令(例如,油门、制动、转向命令)以及由车辆101的传感器在不同的时间点捕获的车辆的响应(例如,速度、加速、减速、方向)。传感器数据还可包括障碍物(或对象)信息,该障碍物(或对象)信息指示障碍物601至障碍物604中的每个的位置(例如,x、y、z坐标)和反射率。当数据收集器121收集传感器数据时,数据收集器121可调用时间戳模块122(可包括在数据收集器121中),以利用特定时间帧的当前时间对传感器数据中的一些或所有加注时间戳。
特征提取模块124可分别从数据收集器121和时间戳模块122接收传感器数据以及时间戳,提取传感器数据和时间戳,并将提取的信息存储为车辆数据131、对应时间戳132和障碍物信息134。例如,提取的信息可由特征提取模块124确定为信息性的和非冗余的,从而便于对提取的信息的后续学习。更详细地,特征提取模块124可基于预定标准提取(或过滤)数据。例如,在一个实施方式中,预定标准可触发车辆数据和与障碍物601至障碍物604相关联的障碍物信息是信息性特征的决定。因此,从收集的传感器数据中提取车辆数据和障碍物信息,并将其存储为车辆数据131和障碍物信息134。在一个实施方式中,预定标准可触发提取由时间戳模块122生成的、与车辆数据131相关联的时间戳的决定。因此,可提取那些时间戳并将其存储为时间戳132。
现在参考图4,图4是示出根据一个实施方式的车辆数据131和对应时间戳132的示例的图示。在图4中,车辆数据131可包括在时间帧内的不同时间点捕获的多个车辆数据(例如,DATA_1、DATA_2、DATA_3、......、DATA_N)。车辆数据中的每个与记录有捕获车辆数据的当前时间的对应时间戳(例如,TS_1、TS_2、TS_3、...、TS_N)相关联。记录的时间戳可共同存储为时间戳132。在一个实施方式中,时间戳132中的每一个可以或可以不与捕获相应车辆数据的当前时间对齐。在一个实施方式中,车辆数据131(例如,DATA_1、DATA_2、DATA_3、......、DATA_N)中的每个可包括指示所发出的驾驶命令(例如,油门、制动、转向命令)和车辆101的传感器在特定时间点捕获的车辆的响应(例如,速度、加速、减速、方向)的信息,该特定时间点可以是在特定时间帧内。在一个实施方式中,车辆数据131、时间戳132和障碍物信息134可存储在中央服务器(例如,服务器103)和/或永久性存储装置上。
返回参考图1A至图1B,车辆数据131、时间戳132和障碍物信息134可提供至数据聚合模块123,以生成训练数据133。例如,如图中5所示,数据聚合模块123可将车辆数据131、时间戳132和障碍物信息134聚合成数据格式,其中,图5是示出根据一个实施方式的训练数据133的示例的图示。如图5中所示,训练数据133可包括可彼此附加的、与不同障碍物(例如,图6的障碍物601至障碍物604)相关联的障碍物信息(例如,OBSTACLE_1INFO、OBSTACLE_2INFO、...、OBSTACLE_N INFO)。训练数据133还可包括车辆数据131和对应时间戳132。车辆数据131中的每个(例如,DATA_1)及其对应时间戳(例如,TS_1)可以以成对方式彼此附加。成对的车辆数据和对应时间戳可附加至障碍物信息以形成训练数据133。
基于训练数据133,机器学习引擎125可生成或训练一组参数、算法和/或预测模型135(其可存储在服务器103上和/或永久性存储装置上)。例如,在一个实施方式中,机器学习引擎125可调用一个或多个机器学习模型/算法(例如深度学习架构,诸如深度神经网络、卷积神经网络、深度置信网络和/或递归神经网络),以连续地确定或学习障碍物信息(即,障碍物行为)以及车辆数据(即,车辆运动)及其对应时间戳。由于参数135是使用在提供给机器学习引擎125之前的时间帧内获得的聚合的障碍物信息、车辆数据和对应时间戳来训练的,因此时间戳被最佳地对齐并且减少或消除了传感器之间的冲突结果。然后训练的参数135可被部署用于车辆(例如,自动驾驶车辆101)的在线控制。即,如下文更详细讨论的,训练的参数135可用于预测车辆的未来障碍物行为和车辆运动。
应理解,如先前结合图1A至图1B描述的,数据收集、加注时间戳、数据聚合、特征提取和机器学习的操作是在不同的时间帧处自动驾驶车辆101进入并在各种感兴趣区域内操作时执行的,时间帧总计可达10至24小时或更长时间。因此,作为不同ROI和时间帧的结果,生成了多组训练数据(例如,训练数据133)。
还应理解,虽然如先前结合图1A至图1B所描述的,数据收集、加注时间戳、数据聚合、特征提取和机器学习的操作可离线执行,例如,通过诸如服务器103的另一数据处理***(例如,中央服务器),但是在另一实施方式中,这种操作可在线执行,例如通过感知与规划***110。即,如本申请先前所描述的,感知与规划***110可包括数据收集器121、时间戳模块122、数据聚合模块123、特征提取模块124和机器学习引擎125。
图3A和图3B是示出根据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3A至图3B,感知与规划***110包括但不限于定位模块301、感知模块302、预测模块303、决策模块304、规划模块305、控制模块306、路线安排模块307、数据收集器308和特征提取模块309。
模块301至309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309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。定位模块301(又称作为地图与路线模块)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的诸如地图与路线信息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,从而可作为地图与路线信息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,预测模块303预测对象在这种情况下将如何表现。预测是基于感知数据执行的,该感知数据在考虑一组地图/路线信息311和交通规则312的时间点感知驾驶环境。例如,如果对象为相反方向上的车辆且当前驾驶环境包括十字路口,则预测模块303将预测车辆是否可能会笔直向前移动或转弯。如果感知数据表明十字路口没有交通灯,则预测模块303可能会预测车辆在进入十字路口之前可能需要完全停车。如果感知数据表明车辆目前处于左转唯一车道或右转唯一车道,则预测模块303可能预测车辆将更可能分别左转或右转。
针对每个对象,决策模块304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304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304可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,所述规则集可存储在永久性存储装置352中。
路线安排模块307配置成提供从起始点到目的地点的一个或多个路线或路径。对于从起始位置到目的地位置的给定行程,例如从用户接收的给定行程,路线安排模块307获得路线与地图信息311,并确定从起始位置至到达目的地位置的所有可能路线或路径。路线安排模块307可生成地形图形式的参考线,它确定了从起始位置至到达目的地位置的每个路线。参考线是指不受其它诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。即,如果道路上没有其它车辆、行人或障碍物,则ADV应精确地或紧密地跟随参考线。然后,将地形图提供至决策模块304和/或规划模块305。决策模块304和/或规划模块305检查所有可能的路线,以根据由其它模块提供的其它数据选择和更改最佳路线中的一个,其中,其它数据诸如为来自定位模块301的交通状况、由感知模块302感知到的驾驶环境以及由预测模块303预测的交通状况。根据时间点下的特定驾驶环境,用于控制ADV的实际路径或路线可能接近于或不同于由路线安排模块307提供的参考线。
基于针对所感知到的对象中的每个的决定,规划模块305使用由路线安排模块307提供的参考线作为基础,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304决定对该对象做什么,而规划模块305确定如何去做。例如,针对给定的对象,决策模块304可决定超过所述对象,而规划模块305可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305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306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,规划阶段在多个规划周期(也称作为命令周期)中执行,例如,在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或命令周期中的每一个,将基于规划和控制数据发出一个或多个控制命令。即,对于每100ms,规划模块305规划下一个路线段或路径段,例如,包括目标位置和ADV到达目标位置所需要的时间。可替代地,规划模块305还可规定具体的速度、方向和/或转向角等。在一个实施方式中,规划模块305为下一个预定时段(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305基于在前一周期中规划的目标位置规划用于当前周期(例如,下一个5秒)的目标位置。控制模块306然后基于当前周期的规划和控制数据生成一个或多个控制命令(例如,油门、制动、转向控制命令)。
应注意,决策模块304和规划模块305可集成为集成模块。决策模块304/规划模块305可包括导航***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。目的地可根据经由用户接口***113进行的用户输入来设定。导航***可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304/规划模块305还可包括防撞***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。
继续参考图3A至图3B,当自动驾驶车辆101以自动驾驶模式或手动模式操作时,数据收集器308(可类似于数据收集器121)可收集并标记来自安装在自动驾驶车辆101上的各种传感器(即,传感器***115)的传感器数据。收集的传感器数据例如可包括车辆数据和感知到的障碍物的障碍物信息。如先前所描述的,车辆数据可包括指示所发出的驾驶命令(例如,油门、制动、转向命令)和车辆101的传感器在不同时间点捕获的车辆的响应(例如,速度、加速、减速、方向)的信息。障碍物信息可包括由车辆101的传感器检测到的每个障碍物的位置(例如,x、y、z坐标)和反射率。与数据收集器121一样,在一个实施方式中,数据收集器308可调用时间戳模块(未示出)利用当前时间为每个传感器数据加注时间戳,从而为收集的传感器数据生成若干时间戳。
特征提取模块309可从收集的传感器数据中提取某些特征,这些特征基于预定标准被确定为信息性的和非冗余的。例如,预定标准可指示来自收集的传感器数据的车辆数据和障碍物信息是信息性特征。因此,预定标准可触发特征提取模块309从传感器数据中提取车辆数据和障碍物信息。
基于提取的车辆数据、障碍物信息、记录的时间戳和/或训练的参数135(其可从服务器103和/或永久性存储装置352接收或取回),预测模块303可预测在这种情况下自动驾驶车辆101的障碍物(或对象)的行为和车辆运动。例如,为了预测障碍物的行为,预测模块303可在提取的障碍物信息(例如,障碍物位置)和训练参数135中包括的障碍物信息(例如,历史障碍物信息)之间执行增量操作。例如,预测模块303可获取所提取的障碍物信息(例如,来自LIDAR单元215的LIDAR数据)的点云与来自训练的参数135的障碍物信息的点云之间的差异。类似地,为了预测自动驾驶车辆101的运动,在一个实施方式中,预测模块303可分别在提取的车辆数据与记录的时间戳之间以及来自训练的参数135的车辆数据与对应时间戳(例如,历史车辆数据与对应时间戳)之间执行增量操作。来自增量操作的输出可提供至决策模块304和/或规划模块305,以规划自动驾驶车辆101的路径或路线以及驾驶参数(例如,距离、速度和/或转向角)。因此,当训练的参数提供给预测模块303以辅助规划时,预测模块303可生成精确的规划与控制数据,从而改善控制并驱动自动驾驶车辆101。
图7是根据一个实施方式的训练传感器数据的方法的流程图。过程700可以由处理逻辑执行,所述处理逻辑可包括软件、硬件或它们的组合。例如,过程700可由图1的服务器103和/或感知与规划***110执行。
参考图7,在框701处,当ADV在包括多个障碍物的ROI内移动时,处理逻辑从安装在ADV上的一个或多个传感器收集传感器数据。在一个实施方式中,传感器数据包括障碍物的障碍物信息和ADV的车辆数据。在框702处,处理逻辑利用车辆数据被捕获的当前时间对车辆数据中的每个加注时间戳,以生成对应于车辆数据的多个时间戳。在框703处,处理逻辑将障碍物信息、车辆数据和对应时间戳聚合成训练数据。在一个实施方式中,训练数据用于训练一组参数,该组参数后续用于至少部分地预测未来障碍物行为和ADV的车辆运动。
图8是根据一个实施方式的用于操作自动驾驶车辆的方法的流程图。过程800可由处理逻辑执行,所述处理逻辑可包括软件、硬件或其组合。例如,过程800可由图1的感知与规划***110执行。
参考图8,在框801处,当ADV以自动驾驶模式操作时,处理逻辑从安装在ADV上的一个或多个传感器收集传感器数据。在框802处,处理逻辑利用传感器数据被捕获的当前时间对传感器数据中的每个加注时间戳,以生成对应于传感器数据的多个时间戳。在框803处,处理逻辑从传感器数据中提取ADV的车辆数据和感知到的障碍物的障碍物信息。在框804处,基于提取的车辆数据、提取的障碍物信息、对应时间戳以及先前训练的以学习历史障碍物行为和ADV的车辆运动的一组训练参数,处理逻辑预测感知到的障碍物的行为和ADV的车辆运动。
应注意,如上文示出和描述的部件中的一些或全部可在软件、硬件或其组合中实施。例如,此类部件可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。可替代地,此类部件可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是示出可与本公开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可包括许多不同的部件。这些部件可实施为集成电路(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,某些实施例中可具有附加的部件,此外,其它实施例中可具有所示部件的不同布置。***1500可表示台式计算机、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还可包括与可选的图形子***1504通信的图形接口,图形子***1504可包括显示控制器、图形处理器和/或显示装置。
处理器1501可与存储器1503通信,存储器1503在一个实施方式中可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可包括鼠标、触摸板、触敏屏幕(其可与显示装置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可包括音频装置。音频装置可包括扬声器和/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还可包括成像处理子***(例如,摄像机),所述成像处理子***可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,大容量存储装置(未示出)也可联接到处理器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,这种大容量存储装置可经由固态装置(SSD)来实施。然而,在其它实施方式中,大容量存储装置可主要使用硬盘驱动器(HDD)来实施,其中较小量的SSD存储装置充当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,闪存装置可例如经由串行***接口(SPI)联接到处理器1501。这种闪存装置可提供***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可表示上述部件中的任一个,例如规划模块305、控制模块306、数据收集器308、特征提取模块309以及如先前描述的图1A至图1B的服务器103中的模块、引擎或单元。处理模块/单元/逻辑1528还可在其由数据处理***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公开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;因为此类细节和本公开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***也可与本公开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装置、传输或显示装置内类似地表示为物理量的其它数据。
本公开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按不同的顺序执行。此外,一些操作可并行地执行而不是顺序地执行。
本公开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,可使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中,已经参考本公开的具体示例性实施方式对本公开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公开的更宽泛精神和范围的情况下,可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.训练用于在控制自动驾驶车辆中后续使用的一组参数的计算机实施的方法,包括:
当自动驾驶车辆在包括多个障碍物的感兴趣区域内移动时,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据,所述传感器数据包括所述障碍物的障碍物信息和所述自动驾驶车辆的车辆数据;
利用所述车辆数据被捕获的当前时间对所述车辆数据中的每个加注时间戳,以生成对应于所述车辆数据的多个时间戳;以及
将所述车辆数据中的每一个及其对应时间戳以成对方式附加至彼此,以形成多个车辆数据和对应时间戳对,将所述障碍物信息、所述车辆数据和对应时间戳对聚合成训练数据,其中,所形成的训练数据中包括的所述车辆数据和对应时间戳对中的与各个车辆数据对应的时间戳中的至少两个彼此不同,并且所述训练数据用于训练一组参数,所述一组参数后续用于至少部分地预测未来障碍物行为和所述自动驾驶车辆的车辆运动。
2.根据权利要求1所述的方法,还包括:
在将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据之前,从所述传感器数据提取所述障碍物信息和所述车辆数据;以及
在将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据之后,使用所述训练数据训练所述一组参数,以学习所述障碍物的障碍物行为和所述自动驾驶车辆的当前车辆运动。
3.根据权利要求1所述的方法,其中,将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据包括:
将所述车辆数据中的每一个及其对应时间戳以成对方式附加至彼此,以形成多个车辆数据和对应时间戳对;
将所述车辆数据和对应时间戳对附加至彼此;以及将所附加的车辆数据和对应时间戳对附加至所述障碍物信息。
4.根据权利要求1所述的方法,其中,所述训练数据包括附加至所述障碍物信息的多个所附加的车辆数据和对应时间戳对,其中,所述障碍物信息中的每个均附加至彼此。
5.根据权利要求1所述的方法,其中,所述障碍物信息包括所述障碍物的位置和反射率,以及所述车辆数据包括所发出的驾驶命令和所述自动驾驶车辆的响应。
6.根据权利要求1所述的方法,其中,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据是在特定时间帧内执行的。
7.根据权利要求2所述的方法,其中,训练所述一组参数包括调用机器学习模型以连续地学习所述障碍物信息、所述车辆数据和所述对应时间戳。
8.一种存储有指令的非暂时性机器可读介质,所述指令在由处理器执行时致使所述处理器执行操作,所述操作包括:
当自动驾驶车辆在包括多个障碍物的感兴趣区域内移动时,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据,所述传感器数据包括所述障碍物的障碍物信息和所述自动驾驶车辆的车辆数据;
利用所述车辆数据被捕获的当前时间对所述车辆数据中的每个加注时间戳,以生成对应于所述车辆数据的多个时间戳;以及
将所述障碍物信息、所述车辆数据和对应时间戳聚合成训练数据,其中,所形成的训练数据中包括的所述车辆数据和对应时间戳对中的与各个车辆数据对应的时间戳中的至少两个彼此不同,并且所述训练数据用于训练一组参数,所述一组参数后续用于至少部分地预测未来障碍物行为和所述自动驾驶车辆的车辆运动。
9.根据权利要求8所述的非暂时性机器可读介质,其中,所述操作还包括:
在将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据之前,从所述传感器数据提取所述障碍物信息和所述车辆数据;以及在将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据之后,使用所述训练数据训练所述一组参数,以学习所述障碍物的障碍物行为和所述自动驾驶车辆的当前车辆运动。
10.根据权利要求8所述的非暂时性机器可读介质,其中,将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据包括:
将所述车辆数据中的每一个及其对应时间戳以成对方式附加至彼此,以形成多个车辆数据和对应时间戳对;
将所述车辆数据和对应时间戳对附加至彼此;以及
将所附加的车辆数据和对应时间戳对附加至所述障碍物信息。
11.根据权利要求8所述的非暂时性机器可读介质,其中,所述训练数据包括附加至所述障碍物信息的多个所附加的车辆数据和对应时间戳对,其中,所述障碍物信息中的每个均附加至彼此。
12.根据权利要求8所述的非暂时性机器可读介质,其中,所述障碍物信息包括所述障碍物的位置和反射率,以及所述车辆数据包括所发出的驾驶命令和所述自动驾驶车辆的响应。
13.根据权利要求8所述的非暂时性机器可读介质,其中,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据是在特定时间帧内执行的。
14.根据权利要求9所述的非暂时性机器可读介质,其中,训练所述一组参数包括调用机器学习模型以连续地学习所述障碍物信息、所述车辆数据和所述对应时间戳。
15.一种数据处理***,包括:
处理器;以及
存储器,所述存储器联接至所述处理器,以存储指令,所述指令在由所述处理器执行时致使所述处理器执行操作,所述操作包括:
当自动驾驶车辆在包括多个障碍物的感兴趣区域内移动时,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据,所述传感器数据包括所述障碍物的障碍物信息和所述自动驾驶车辆的车辆数据,
利用所述车辆数据被捕获的当前时间对所述车辆数据中的每个加注时间戳,以生成对应于所述车辆数据的多个时间戳,以及
将所述障碍物信息、所述车辆数据和对应时间戳聚合成训练数据,其中,所形成的训练数据中包括的所述车辆数据和对应时间戳对中的与各个车辆数据对应的时间戳中的至少两个彼此不同,并且所述训练数据用于训练一组参数,所述一组参数后续用于至少部分地预测未来障碍物行为和所述自动驾驶车辆的车辆运动。
16.根据权利要求15所述的数据处理***,其中,所述操作还包括:
在将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据之前,从所述传感器数据提取所述障碍物信息和所述车辆数据;以及
在将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据之后,使用所述训练数据训练所述一组参数,以学习所述障碍物的障碍物行为和所述自动驾驶车辆的当前车辆运动。
17.根据权利要求15所述的数据处理***,其中,将所述障碍物信息、所述车辆数据和所述对应时间戳聚合成所述训练数据包括:
将所述车辆数据中的每一个及其对应时间戳以成对方式附加至彼此,以形成多个车辆数据和对应时间戳对;
将所述车辆数据和对应时间戳对附加至彼此;以及
将所附加的车辆数据和对应时间戳对附加至所述障碍物信息。
18.根据权利要求15所述的数据处理***,其中,所述训练数据包括附加至所述障碍物信息的多个所附加的车辆数据和对应时间戳对,其中,所述障碍物信息中的每个均附加至彼此。
19.根据权利要求15所述的数据处理***,其中,所述障碍物信息包括所述障碍物的位置和反射率,以及所述车辆数据包括所发出的驾驶命令和所述自动驾驶车辆的响应。
20.根据权利要求15所述的数据处理***,其中,从安装在所述自动驾驶车辆上的一个或多个传感器收集传感器数据是在特定时间帧内执行的。
21.根据权利要求16所述的数据处理***,其中,训练所述一组参数包括调用机器学习模型以连续地学习所述障碍物信息、所述车辆数据和所述对应时间戳。
22.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:
当自动驾驶车辆以自动驾驶模式操作时,从安装在自动驾驶车辆上的一个或多个传感器收集传感器数据;
利用所述传感器数据被捕获的当前时间对所述传感器数据中的每个加注时间戳,以生成对应于所述传感器数据的多个时间戳;
从所述传感器数据提取所述自动驾驶车辆的车辆数据和感知到的障碍物的障碍物信息;以及
基于所提取的车辆数据、所提取的障碍物信息、对应时间戳以及根据权利要求1至7中任一项所述的方法所训练的一组训练参数,预测所述感知到的障碍物的行为和所述自动驾驶车辆的车辆运动。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/952,101 US10983524B2 (en) | 2018-04-12 | 2018-04-12 | Sensor aggregation framework for autonomous driving vehicles |
US15/952,101 | 2018-04-12 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110377025A CN110377025A (zh) | 2019-10-25 |
CN110377025B true CN110377025B (zh) | 2024-04-05 |
Family
ID=68161728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910034383.7A Active CN110377025B (zh) | 2018-04-12 | 2019-01-15 | 用于自动驾驶车辆的传感器聚合框架 |
Country Status (3)
Country | Link |
---|---|
US (2) | US10983524B2 (zh) |
JP (1) | JP6754856B2 (zh) |
CN (1) | CN110377025B (zh) |
Families Citing this family (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11019161B2 (en) | 2005-10-26 | 2021-05-25 | Cortica, Ltd. | System and method for profiling users interest based on multimedia content analysis |
US10742340B2 (en) | 2005-10-26 | 2020-08-11 | Cortica Ltd. | System and method for identifying the context of multimedia content elements displayed in a web-page and providing contextual filters respective thereto |
US11403336B2 (en) | 2005-10-26 | 2022-08-02 | Cortica Ltd. | System and method for removing contextually identical multimedia content elements |
US11620327B2 (en) | 2005-10-26 | 2023-04-04 | Cortica Ltd | System and method for determining a contextual insight and generating an interface with recommendations based thereon |
US11216498B2 (en) | 2005-10-26 | 2022-01-04 | Cortica, Ltd. | System and method for generating signatures to three-dimensional multimedia data elements |
US10949773B2 (en) | 2005-10-26 | 2021-03-16 | Cortica, Ltd. | System and methods thereof for recommending tags for multimedia content elements based on context |
US11386139B2 (en) | 2005-10-26 | 2022-07-12 | Cortica Ltd. | System and method for generating analytics for entities depicted in multimedia content |
US9646005B2 (en) | 2005-10-26 | 2017-05-09 | Cortica, Ltd. | System and method for creating a database of multimedia content elements assigned to users |
US8326775B2 (en) | 2005-10-26 | 2012-12-04 | Cortica Ltd. | Signature generation for multimedia deep-content-classification by a large-scale matching system and method thereof |
US11604847B2 (en) | 2005-10-26 | 2023-03-14 | Cortica Ltd. | System and method for overlaying content on a multimedia content element based on user interest |
US10848590B2 (en) | 2005-10-26 | 2020-11-24 | Cortica Ltd | System and method for determining a contextual insight and providing recommendations based thereon |
US20140156901A1 (en) | 2005-10-26 | 2014-06-05 | Cortica Ltd. | Computing device, a system and a method for parallel processing of data streams |
US20160321253A1 (en) | 2005-10-26 | 2016-11-03 | Cortica, Ltd. | System and method for providing recommendations based on user profiles |
US11032017B2 (en) | 2005-10-26 | 2021-06-08 | Cortica, Ltd. | System and method for identifying the context of multimedia content elements |
US20160085733A1 (en) | 2005-10-26 | 2016-03-24 | Cortica, Ltd. | System and method thereof for dynamically associating a link to an information resource with a multimedia content displayed in a web-page |
US11361014B2 (en) | 2005-10-26 | 2022-06-14 | Cortica Ltd. | System and method for completing a user profile |
US11537636B2 (en) | 2007-08-21 | 2022-12-27 | Cortica, Ltd. | System and method for using multimedia content as search queries |
US11037015B2 (en) | 2015-12-15 | 2021-06-15 | Cortica Ltd. | Identification of key points in multimedia data elements |
US11195043B2 (en) | 2015-12-15 | 2021-12-07 | Cortica, Ltd. | System and method for determining common patterns in multimedia content elements based on key points |
WO2019008581A1 (en) | 2017-07-05 | 2019-01-10 | Cortica Ltd. | DETERMINATION OF DRIVING POLICIES |
US11899707B2 (en) | 2017-07-09 | 2024-02-13 | Cortica Ltd. | Driving policies determination |
EP3588211A1 (de) * | 2018-06-27 | 2020-01-01 | Siemens Aktiengesellschaft | Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung |
US10846544B2 (en) | 2018-07-16 | 2020-11-24 | Cartica Ai Ltd. | Transportation prediction system and method |
US11613261B2 (en) | 2018-09-05 | 2023-03-28 | Autobrains Technologies Ltd | Generating a database and alerting about improperly driven vehicles |
US20200133308A1 (en) * | 2018-10-18 | 2020-04-30 | Cartica Ai Ltd | Vehicle to vehicle (v2v) communication less truck platooning |
US10839694B2 (en) | 2018-10-18 | 2020-11-17 | Cartica Ai Ltd | Blind spot alert |
US11700356B2 (en) | 2018-10-26 | 2023-07-11 | AutoBrains Technologies Ltd. | Control transfer of a vehicle |
US10748038B1 (en) | 2019-03-31 | 2020-08-18 | Cortica Ltd. | Efficient calculation of a robust signature of a media unit |
US11904863B2 (en) | 2018-10-26 | 2024-02-20 | AutoBrains Technologies Ltd. | Passing a curve |
US11392738B2 (en) | 2018-10-26 | 2022-07-19 | Autobrains Technologies Ltd | Generating a simulation scenario |
US11294381B2 (en) * | 2018-11-21 | 2022-04-05 | Toyota Motor North America, Inc. | Vehicle motion adaptation systems and methods |
US10789535B2 (en) | 2018-11-26 | 2020-09-29 | Cartica Ai Ltd | Detection of road elements |
US20200211376A1 (en) * | 2018-12-31 | 2020-07-02 | Pujan Roka | Systems and Methods to Enable a Transportation Network with Artificial Intelligence for Connected and Autonomous Vehicles |
US10824151B2 (en) * | 2019-01-31 | 2020-11-03 | StradVision, Inc. | Method and device for providing personalized and calibrated adaptive deep learning model for the user of an autonomous vehicle |
US11170647B2 (en) | 2019-02-07 | 2021-11-09 | Cartica Ai Ltd. | Detection of vacant parking spaces |
US11643005B2 (en) | 2019-02-27 | 2023-05-09 | Autobrains Technologies Ltd | Adjusting adjustable headlights of a vehicle |
US11285963B2 (en) | 2019-03-10 | 2022-03-29 | Cartica Ai Ltd. | Driver-based prediction of dangerous events |
US11694088B2 (en) | 2019-03-13 | 2023-07-04 | Cortica Ltd. | Method for object detection using knowledge distillation |
US11132548B2 (en) | 2019-03-20 | 2021-09-28 | Cortica Ltd. | Determining object information that does not explicitly appear in a media unit signature |
US11260852B2 (en) * | 2019-03-26 | 2022-03-01 | GM Global Technology Operations LLC | Collision behavior recognition and avoidance |
US11908242B2 (en) | 2019-03-31 | 2024-02-20 | Cortica Ltd. | Efficient calculation of a robust signature of a media unit |
US10776669B1 (en) | 2019-03-31 | 2020-09-15 | Cortica Ltd. | Signature generation and object detection that refer to rare scenes |
US11222069B2 (en) | 2019-03-31 | 2022-01-11 | Cortica Ltd. | Low-power calculation of a signature of a media unit |
US11704292B2 (en) | 2019-09-26 | 2023-07-18 | Cortica Ltd. | System and method for enriching a concept database |
US11593662B2 (en) | 2019-12-12 | 2023-02-28 | Autobrains Technologies Ltd | Unsupervised cluster generation |
CN111177869B (zh) * | 2020-01-02 | 2023-09-01 | 北京百度网讯科技有限公司 | 传感器布局方案的确定方法、装置及设备 |
US11592570B2 (en) * | 2020-02-25 | 2023-02-28 | Baidu Usa Llc | Automated labeling system for autonomous driving vehicle lidar data |
US11428550B2 (en) * | 2020-03-03 | 2022-08-30 | Waymo Llc | Sensor region of interest selection based on multisensor data |
US11590988B2 (en) | 2020-03-19 | 2023-02-28 | Autobrains Technologies Ltd | Predictive turning assistant |
US11827215B2 (en) | 2020-03-31 | 2023-11-28 | AutoBrains Technologies Ltd. | Method for training a driving related object detector |
JP7354905B2 (ja) * | 2020-04-01 | 2023-10-03 | 株式会社デンソー | 走行支援要求装置 |
US11312393B2 (en) * | 2020-05-29 | 2022-04-26 | Robert Bosch Gmbh | Artificially falsifying sensor data to initiate a safety action for an autonomous vehicle |
US20220129783A1 (en) * | 2020-10-23 | 2022-04-28 | EMC IP Holding Company LLC | Acceptance Status Classification of Product-Related Data Structures Using Models With Multiple Training Periods |
CN113706870B (zh) * | 2021-08-30 | 2022-06-10 | 广州文远知行科技有限公司 | 一种拥堵场景下主车换道数据的收集方法及相关设备 |
CN113949673B (zh) * | 2021-10-15 | 2024-06-18 | 维沃移动通信有限公司 | 传感器数据处理方法、装置、穿戴式电子设备及存储介质 |
CN113985854B (zh) * | 2021-11-02 | 2024-05-28 | 苏州挚途科技有限公司 | 数据处理方法、装置及电子设备 |
CN114194210A (zh) * | 2021-11-19 | 2022-03-18 | 岚图汽车科技有限公司 | 一种高速公路领航***、控制方法及其设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105711597A (zh) * | 2016-02-25 | 2016-06-29 | 江苏大学 | 前方局部行驶环境感知***及方法 |
CN105989749A (zh) * | 2015-03-20 | 2016-10-05 | 哈曼国际工业有限公司 | 用于优先化驾驶员警报的***和方法 |
CN106650705A (zh) * | 2017-01-17 | 2017-05-10 | 深圳地平线机器人科技有限公司 | 区域标注方法、装置和电子设备 |
CN106980814A (zh) * | 2016-01-15 | 2017-07-25 | 福特全球技术公司 | 用显著性地图的行人检测 |
CN107463907A (zh) * | 2017-08-08 | 2017-12-12 | 东软集团股份有限公司 | 车辆碰撞检测方法、装置、电子设备及车辆 |
CN107491072A (zh) * | 2017-09-05 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 车辆避障方法和装置 |
CN107862346A (zh) * | 2017-12-01 | 2018-03-30 | 驭势科技(北京)有限公司 | 一种进行驾驶策略模型训练的方法与设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9221461B2 (en) * | 2012-09-05 | 2015-12-29 | Google Inc. | Construction zone detection using a plurality of information sources |
US9555883B1 (en) * | 2015-06-25 | 2017-01-31 | Amazon Technologies, Inc. | Unmanned aerial vehicle sensor synchronization |
US10315665B2 (en) * | 2016-01-29 | 2019-06-11 | Faraday & Future Inc. | System and method for driver pattern recognition, identification, and prediction |
JP6940612B2 (ja) * | 2016-09-14 | 2021-09-29 | ナウト, インコーポレイテッドNauto, Inc. | ニアクラッシュ判定システムおよび方法 |
US11573573B2 (en) * | 2017-06-06 | 2023-02-07 | Plusai, Inc. | Method and system for distributed learning and adaptation in autonomous driving vehicles |
US10800427B2 (en) * | 2017-10-19 | 2020-10-13 | Uatc, Llc | Systems and methods for a vehicle controller robust to time delays |
-
2018
- 2018-04-12 US US15/952,101 patent/US10983524B2/en active Active
-
2019
- 2019-01-15 CN CN201910034383.7A patent/CN110377025B/zh active Active
- 2019-03-08 JP JP2019042236A patent/JP6754856B2/ja active Active
-
2021
- 2021-03-18 US US17/205,725 patent/US12017663B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989749A (zh) * | 2015-03-20 | 2016-10-05 | 哈曼国际工业有限公司 | 用于优先化驾驶员警报的***和方法 |
CN106980814A (zh) * | 2016-01-15 | 2017-07-25 | 福特全球技术公司 | 用显著性地图的行人检测 |
CN105711597A (zh) * | 2016-02-25 | 2016-06-29 | 江苏大学 | 前方局部行驶环境感知***及方法 |
CN106650705A (zh) * | 2017-01-17 | 2017-05-10 | 深圳地平线机器人科技有限公司 | 区域标注方法、装置和电子设备 |
CN107463907A (zh) * | 2017-08-08 | 2017-12-12 | 东软集团股份有限公司 | 车辆碰撞检测方法、装置、电子设备及车辆 |
CN107491072A (zh) * | 2017-09-05 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 车辆避障方法和装置 |
CN107862346A (zh) * | 2017-12-01 | 2018-03-30 | 驭势科技(北京)有限公司 | 一种进行驾驶策略模型训练的方法与设备 |
Also Published As
Publication number | Publication date |
---|---|
US20210208597A1 (en) | 2021-07-08 |
JP2019182404A (ja) | 2019-10-24 |
US12017663B2 (en) | 2024-06-25 |
JP6754856B2 (ja) | 2020-09-16 |
CN110377025A (zh) | 2019-10-25 |
US10983524B2 (en) | 2021-04-20 |
US20190317513A1 (en) | 2019-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377025B (zh) | 用于自动驾驶车辆的传感器聚合框架 | |
CN110727267B (zh) | 具有冗余超声雷达的自动驾驶车辆 | |
US10810872B2 (en) | Use sub-system of autonomous driving vehicles (ADV) for police car patrol | |
CN111076732B (zh) | 基于车辆行驶的轨迹标记和生成高清地图的标记方案 | |
CN110345955B (zh) | 用于自动驾驶的感知与规划协作框架 | |
CN109429518B (zh) | 基于地图图像的自动驾驶交通预测 | |
CN110462543B (zh) | 用于评估自动驾驶车辆的感知要求的基于仿真的方法 | |
CN109489673B (zh) | 用于自动驾驶车辆的数据驱动地图更新*** | |
CN109937343B (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
CN110389585B (zh) | 用于自动驾驶车辆的基于学习的速度规划器 | |
CN108733046B (zh) | 用于自动驾驶车辆的轨迹重新规划的***和方法 | |
CN110597243B (zh) | 自动驾驶车辆的基于v2x通信的车辆车道*** | |
CN110621541B (zh) | 用于生成轨迹以操作自动驾驶车辆的方法和*** | |
CN111380534B (zh) | 用于自动驾驶车辆的基于st图学习的方法 | |
CN110349416B (zh) | 用于自动驾驶车辆(adv)的基于密度的交通灯控制*** | |
CN111328411B (zh) | 用于自动驾驶车辆的行人概率预测*** | |
CN111856923B (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 | |
CN111857118B (zh) | 对停车轨迹分段以控制自动驾驶车辆停车 | |
CN111615476B (zh) | 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划*** | |
CN112084830A (zh) | 通过基于视觉的感知***检测对抗样本 | |
KR20210134853A (ko) | 자율 주행 차량에 사용되는 터널에 기초한 계획 시스템 | |
CN111328385B (zh) | 用于自动驾驶车辆的基于螺旋路径的三点转弯规划 | |
CN111328313B (zh) | 用于自动驾驶车辆的控制占主导的三点转弯规划 | |
CN111103876A (zh) | 自动驾驶车辆的基于雷达通信的扩展感知 | |
CN112041774B (zh) | 用于3级自动驾驶车辆的基于摄像机的横向位置校准 |
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 |