CN111044057A - 用于自动驾驶车辆的基于先前驾驶轨迹的实时地图生成方案 - Google Patents
用于自动驾驶车辆的基于先前驾驶轨迹的实时地图生成方案 Download PDFInfo
- Publication number
- CN111044057A CN111044057A CN201910684003.4A CN201910684003A CN111044057A CN 111044057 A CN111044057 A CN 111044057A CN 201910684003 A CN201910684003 A CN 201910684003A CN 111044057 A CN111044057 A CN 111044057A
- Authority
- CN
- China
- Prior art keywords
- autonomous vehicle
- lane
- road segment
- real
- driving
- 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 claims description 43
- 238000012545 processing Methods 0.000 claims description 32
- 230000008447 perception Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 7
- 238000002379 ultrasonic velocimetry Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 230000002085 persistent effect Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000872 buffer Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000001120 potassium sulphate Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009429 electrical wiring Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization 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
- 230000010076 replication Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3848—Data obtained from both position sensors and additional sensors
-
- 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
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- 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
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3658—Lane guidance
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
- G01C21/3896—Transmission of map data from central databases
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
-
- 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
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Library & Information Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Instructional Devices (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
在一个实施方式中,实时地图可基于特定路段上的车道和车道的相关车道边界的导航引导线通过自动驾驶车辆(ADV)生成。当在路段上的道中行进时,ADV可使用导航引导线作为参考线并使用车道边界作为边界。导航引导线可以从手动驾驶路径数据推导出,其中,手动驾驶路径数据通过在所述特定路段上行进多次的人为驾驶车辆进行收集。
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基于从各种车辆收集的先前驾驶路径数据和实时传感器数据为自动驾驶车辆生成实时地图。
背景技术
以自动驾驶模式运行(例如,无人驾驶)的车辆可以将乘客(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以及高清地图导航到各个位置,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驾驶。
自动驾驶车辆(ADV)依靠高清地图来导航通过真实世界的驾驶环境。然而,典型的高清(HD)地图提供限制信息而非引导信息,例如车道边界、道路边界或停止标志。然而,在某些情形下,地图(更不用说HD地图)可能无法用于诸如乡郊地区、新开发区域的特定道路。在这种情况下,自动驾驶车辆可能难以导航。在这种情形下,缺乏有效方式来驾驶ADV。
发明内容
本公开的实施方式提供了用于动态生成自动驾驶的驾驶地图的计算机实施的方法、一种存储有指令的非暂时性机器可读介质以及一种数据处理***。
在本公开的一方面,用于动态生成自动驾驶的驾驶地图的计算机实施的方法包括:通过在路段行进的自动驾驶车辆从服务器接收指示所述路段上的车道的导航引导线的数据;基于感知所述自动驾驶车辆周围的驾驶环境的感知数据来确定所述车道的车道边界;以及基于所述车道边界和所述导航引导线生成实时地图,以用于在所述路段上的所述车道内导航所述自动驾驶车辆,其中,所述实时地图用于在不使用静态地图的情况下生成用于自动地驾驶所述自动驾驶车辆通过所述路段的路径。
在本公开的另一方面,非暂时性机器可读介质中存储的指令在由处理器运行时使得所述处理器执行以下操作,所述操作包括:通过在路段行进的自动驾驶车辆从服务器接收指示所述路段上的车道的导航引导线的数据;基于感知所述自动驾驶车辆周围的驾驶环境的感知数据来确定所述车道的车道边界;以及基于所述车道边界和所述导航引导线生成实时地图,以用于在所述路段上的所述车道内导航所述自动驾驶车辆,其中,所述实时地图用于在不使用静态地图的情况下生成用于自动地驾驶所述自动驾驶车辆通过所述路段的路径。
在本公开的又一方面,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运行时使得所述处理器执行以下操作,所述操作包括:通过在路段行进的自动驾驶车辆从服务器接收指示所述路段上的车道的导航引导线的数据;基于感知所述自动驾驶车辆周围的驾驶环境的感知数据来确定所述车道的车道边界;以及基于所述车道边界和所述导航引导线生成实时地图,以用于在所述路段上的所述车道内导航所述自动驾驶车辆,其中,所述实时地图用于在不使用静态地图的情况下生成用于自动地驾驶所述自动驾驶车辆通过所述路段的路径。
附图说明
本公开的实施方式以示例而非限制的方式示出在附图的各图中,附图中相似的附图标记指示相似的元件。
图1是示出根据一个实施方式的网络化***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示出了根据实施方式的用于为ADV生成实时地图的***。
图5示出了根据实施方式的示例实时地图。
图6示出了根据实施方式的从手动驾驶路径数据生成导航引导线的过程。
图7是示出根据实施方式的从手动驾驶路径数据生成导航引导线的示例过程的流程图。
图8是示出根据一些实施方式的用于基于手动驾驶路径数据生成实时地图的过程800的示例的流程图。
图9是示出可以与一个实施方式一起使用的数据处理***的示例的框图。
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。下列描述和附图是对本公开的说明,而不应当解释为限制本公开。描述了许多特定细节以提供对本公开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”的引述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”在本说明书中各处的记载不必全部指同一实施方式。
根据实施方式,实时地图可基于特定路段上的车道和/或车道的相关车道边界的导航引导线通过自动驾驶车辆(ADV)生成。可经由网络从中央服务器提供或获得特定道路和/或其相关边界的导航引导线。导航引导线和/或相关边界可基于先前驾驶轨迹由服务器确定,该先前驾驶轨迹由驾驶通过相同道路或车道的多个车辆收集。当在路段上的车道中行进时,ADV可使用导航引导线作为参考线并使用车道边界作为边界,以确定驾驶并控制ADV通过道路或车道的路径,而非必须使用地图。导航引导线可以从手动驾驶路径数据推导出,其中,手动驾驶路径数据通过在特定路段上行进多次的人为驾驶车辆进行收集。
在实施方式中,导航引导线在世界坐标系(全球坐标系)中进行定位,并且可以在生成实时地图之前转换成体坐标。因此,实时地图是相对地图。
实时地图是动态生成的,并且可以在ADV离开所述路段之后被丢弃,或者可选地,地图可以被缓存并存储在本地永久性存储器中以供将来在相同的道路/车道上驾驶。此外,实时地图只需要示出预定长度的导航引导线和车道边界。这样,实时地图可以比典型的高清地图小得多,从而节省了服务器上的存储空间。实时地图也具有更低的创建成本,并且更容易被ADV中的其他模块处理。
在实施方式中,服务器可以从路段上车道中的多条手动驾驶路径推导出车道的导航引导线。在接收到手动驾驶路径数据之后,服务器可通过去除因激进驾驶行为或低质量定位而导致的异常值来清理数据。然后,服务器可确定车道中的密集驾驶区域,并将平滑算法应用于每个密集驾驶区域,以在每个密集驾驶区域内找出平滑路径。可利用平滑路径来推导出路段上车道的导航引导线。在一个实施方式中,导航引导线可利用驾驶通过相同道路或车道的车辆的先前轨迹推导出,例如通过获取不同时间点的先前轨迹的平均位置来推导出导航引导线。此外,基于从先前轨迹或路径推导出的车辆的驾驶模式和行为,***还可识别并确定道路或路段内的多条车道,并为所识别的每条车道生成引导线。另外,可通过从导航引导线向左侧和右侧添加预定缓冲区而从导航引导线推导出每条车道或道路的边界(也称为道路宽度或车道宽度)。
ADV架构
图1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,Web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***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相机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。相机211可包括用来收集自动驾驶车辆周围环境的图像的一个或多个装置。相机211可以是静物相机和/或视频相机。相机可以是可机械地移动的,例如,通过将相机安装在旋转和/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)。音频传感器可以被配置成从自动驾驶车辆周围的环境中收集声音。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用来控制马达或发动机的速度,马达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、其它车辆等的外部***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可以是为多种客户端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(自动驾驶车辆或由人类驾驶员所驾驶的常规车辆)收集驾驶统计数据123。驾驶统计数据123包括表明在不同的时间点时发出的驾驶命令(例如,油门命令、制动命令、转向命令)以及车辆的传感器所捕获的车辆的响应(例如速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述在不同的时间点时的驾驶环境的信息,诸如,例如路线(包括起始位置和目的地位置)、MPOI、道路条件、天气条件等。
基于驾驶统计数据123,机器学习引擎122出于多种目的而生成或训练规则集、算法和/或预测模型124。算法124可包括基于导航引导线来针对各种道路生成地图的信息、规则或模型,所述导航引导线从驾驶通过相同道路的各种车辆的先前轨迹推导出,以使得ADV不需要利用预配置地图。算法124随后可被上传至ADV上以在自动驾驶期间实时地使用。
服务器103可包括引导线生成器125,该引导线生成器125可以从先前驾驶路径数据生成一条或多条导航引导线,其中,先前驾驶路径数据通过各种车辆在特定路段上驾驶时进行收集。车辆的轨迹或路径被记录和捕获,车辆的轨迹或路径可存储为驾驶统计数据123的一部分。下面将进一步描述与引导线生成器125有关的更详细的信息。
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和实时地图生成模块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309中的一些可以一起集成为集成模块。
定位模块301(例如,利用GPS单元212)确定包括***300的自动驾驶车辆的当前位置,并管理与用户的行程或路线相关的任何数据。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与包括***300的自动驾驶车辆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,这些服务和POI可以作为地图和路线信息311的一部分高速缓存。当包括***300的自动驾驶车辆沿着路线移动时,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。感知可包括例如采用对象形式的车道配置、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。车道配置包括描述一条车道或多条车道的信息,例如,车道的形状(例如,直线或曲率)、车道的宽度、道路中的车道数目、单向车道或双向车道、合流车道或分流车道、出口车道等。
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相机捕获的图像,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,预测模块303预测所述对象在所述情况下的行为。基于在某时间点感知的驾驶环境的感知数据根据地图/路线信息311与交通规则312的集合来执行所述预测。例如,如果对象是相反方向处的车辆且当前驾驶环境包括十字路口,则预测模块303将预测该车辆是可能向前直行还是可能转弯。如果感知数据表明十字路口没有交通灯,则预测模块303可预测该车辆可能在进入十字路口之前必须完全停下。如果感知数据表明该车辆当前处于左转专用车道或右转专用车道,则预测模块303可分别预测该车辆更可能进行左转或右转。
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、经过)。决策模块304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。
路线安排模块307配置成提供从起始点到终点的一个或多个路线或路径。对于例如从用户处接收到的从起始位置到目的地位置的给定行程,路线安排模块307获取地图和路线信息311,并确定从起始位置到达目的地位置的所有可能的路线或路径。对于确定了从起始位置到达目的地位置的路线中的每一个,路线安排模块307可以以地形图的形式生成参考线路。参考线路表示没有诸如其它车辆、障碍物或交通状况的任何干扰的理想路线或理想路径。即,如果道路上没有其它车辆、行人或障碍物,则ADV应精确地或接近地遵循参考线路。随后可向决策模块304和/或规划模块305提供地形图。根据由其它模块提供的其它数据(诸如,来自定位模块301的交通状况、感知模块302感知的驾驶环境和预测模块303预测的交通状况),决策模块304和/或规划模块305检验所有可能的路线,以选择并修正其中一个最佳路线。取决于在某时间点时的特定的驾驶环境,用于控制ADV的实际路径或路线可接近于或不同于由路线安排模块307提供的参考线路。
基于针对所感知到的对象中的每个的决定,规划模块305使用路线安排模块307提供的参考线路作为基础,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)。即,针对给定的对象,决策模块304决定对对象做什么,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可以决定经过所述对象,而规划模块305可以确定在所述对象的左侧还是右侧经过。规划和控制数据由规划模块305生成,包括描述包括***300的车辆在下一移动周期(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包括***300的车辆以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、制动和转向命令)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(也称为驾驶周期)中执行,诸如,以例如每100毫秒(ms)的时间间隔执行。针对每个规划周期或驾驶周期,将基于规划和控制数据发出一个或多个控制命令。即,对于每个100ms,规划模块305规划下一路线段或路径段,例如,包括目标位置和ADV到达该目标位置所需的时间。替代地,规划模块305还可指定具体速度、方向和/或转向角度等。在一个实施方式中,规划模块305为下一预定的时间段(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305基于先前周期中所规划的目标位置为当前周期(例如,下个5秒)规划目标位置。控制模块306随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,油门控制命令、制动控制命令、转向控制命令)。
应注意,决策模块304和规划模块305可以集成为集成模块。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。
实时地图生成
图4示出了根据实施方式的用于为ADV生成实时地图的***。如图4中所示,***400可包括ADV 101中的实时地图生成模块309。实时地图生成模块309可实施为定位模块301和/或感知模块302的一部分。ADV 101可基于实时传感器数据(例如,一个或多个唯一标识符)或GPS坐标确定ADV 101在路段上行进。通常,ADV将调用并检索地图的与道路对应的地图段,诸如地图311。然而,在某些情况下,这样的地图是不可用的(例如,新的道路、乡郊地区)。当存在上述确定结果且地图不可用时,ADV 101可以向服务器103发送请求,请求用于针对所述路段的一条或多条导航引导线的数据。在实施方式中,服务器可存储先前的驾驶路径数据,该先前的驾驶路径数据可用于为路段上的每条车道生成导航引导线。服务器可响应于该请求基于先前的驾驶数据动态地生成引导线,或者可选地,引导线可例如响应于来自另一车辆的类似请求预先生成并被存储在服务器的永久性存储器中。
参考图4,实时地图生成模块309可以使用来自服务器103的导航引导线信息405、来自感知模块302的车道边界403以及地图模块412来创建实时地图,以在导航ADV 101时供规划模块305使用。
感知模块302可处理和分析由传感器***115捕获的图像,以识别ADV的环境中的对象和/或特征。在一个示例中,对象可包括交通信号、车道边界和道路边界、行人和其他车辆。在一些情况下,如果感知模块302不能确定车道边界,则可使用预定公式从引导线推导出车道边界,例如,通过基于车辆先前的驾驶行为在引导线的两侧上添加预定边缘或缓冲区域。假设引导线是位于道路或车道中央处的参考线。可以在ADV或服务器处计算车道/道路宽度。
在实施方式中,由感知模块302检测到的车道边界403可限定为预定长度。例如,仅将ADV 101前方或后方10米的车道边界的数据发送至实时地图生成模块309。
在接收到车道边界和导航引导线信息405的数据之后,实时地图生成模块309可调用地图模块412来生成实时地图。在ADV 101沿着路段移动时,实时地图以规划模块305在生成ADV的轨迹时使用的频率(例如,10HZ)不断更新。规划模块305可以与实时地图生成模块309通信以获得更新的实时地图,并使用实时地图来导航ADV 101。
在实施方式中,在导航ADV 101时,规划模块305将紧密跟随路段上的车道中的导航引导线。然而,由于导航引导线是基于路段没有外部干扰或具有较少的外部干扰(例如,行人和其它车辆)的假设而生成的,因而规划模块305可根据在某一时间点时的特定驾驶环境来规划与导航引导线不同的轨迹。
在实施方式中,由地图模块412生成的实时地图可包括与ADV可能位于或行进通过的环境或地理位置/区域有关的信息。例如,实时地图可以指示道路、车道、标志(例如,停止标志、让行标志等)、交通灯、障碍物、建筑物、人行道、通道、行人道、障碍等的定位、位置、取向、长度、宽度、距离、布局等。
地图模块412可以将导航引导线从世界坐标表示转换成体坐标表示,并且将经转换的体坐标表示与检测到的车道边界进行组合以生成实时地图。地图模块412可使用多种功能、技术、方法、算法、操作等来生成实时地图。
在其他实施方式中,地图模块412可在运行中针对其生成实时地图的区域/位置的大小或距离可基于诸如ADV 101的速度、ADV 101减速或完全停止可能花费的距离/时间等的各种因素。例如,如果ADV101以较高的速度/速率行进,则地图模块412可针对其生成实时地图的区域/位置的大小或距离可以较大或较长。在另一示例中,如果ADV101以较低速度/速率行进,则地图模块412可针对其来生成实时地图的区域/位置的大小/距离可以较小或较短。在实施方式中,可以在ADV101离开所述路段之后丢弃该实时地图,从而减轻服务器存储地图数据的负担。
在实施方式中,实时地图可包括多条导航引导线,每条导航引导线均与道路内的多条车道中的一条对应,这使得ADV 101能够在特定的路段上驾驶时切换车道。在实时地图上仅示出ADV当前行进或当前位于的车道的车道边界。对于路段上其他的一条或多条其他车道中的每一条,仅示出导航引导线以进一步提高地图生成过程的速度并减小实时地图的大小。
在替代性实施方式中,实时地图仅示出导航引导线而不示出车道边界。该特征在ADV 101在具有车道边界的道路上行进时特别有用,并且只要手动驾驶数据可用于ADV101,便允许ADV 101在任何路段上行进而不依赖于高清地图。
图5示出了根据实施方式的示例实时地图。如图5中所示,服务器502可存储在双车道路段上从点X 501至点Y 503收集的手动驾驶路径数据。所述路段包括车道标记(车道线)A 507、B 509和C 511。
服务器502可以为路段上的每条车道生成导航引导线。当ADV512进入至车道边界B509与车道边界C 511之间的车道时,ADV 512可基于GPS坐标或路段的其他标识符检测ADV已进入该车道。在检测到这种情况时,ADV 512可以向服务器502发送针对该路段的导航引导线信息的请求,并使用导航引导线信息和检测到的车道边界来创建实时地图505。
如进一步在图5中所示出的,实时地图505可包括用于每条车道的导航引导线E515或导航引导线F 517。然而,仅示出了ADV 512所处的车道或正在其中行进的车道的车道边界。对于车道边界A 507与车道边界B 509之间的车道,实时地图505仅示出了导航引导线E515,由此,如果驾驶环境使ADV 512需要切换车道,则ADV 512可切换至该车道。
当在车道边界B 509与车道边界C 511之间的车道中驾驶时,ADV512遵循作为参考线的导航引导线F 517,并且保持在车道边界B 518与车道边界C 519内。
图6示出了根据实施方式的从手动驾驶路径数据生成导航引导线的过程。参考图6,路段上的车道边界A 601与车道边界B 602之间的车道包括多个手动驾驶路径/轨迹。路径数据可存储在服务器(例如,图1中的服务器103或图5中的服务器502)中。
服务器可使用算法从手动驾驶路径数据生成导航引导线。在一个实施方式中,服务器可通过去除因激进的驾驶行为或低质量的定位而导致的异常值(例如,驾驶路径605)来清理数据。然后,服务器可确定路段上的车道中的密集驾驶区域(例如,密集驾驶区域603),并且将平滑算法应用于每个密集驾驶区域以在密集驾驶区域内生成平滑路径。可使用密集驾驶区域的平滑路径来形成路段上的车道的导航引导线607。在实施方式中,平滑算法可以是相邻平均方法、Savitzky-Golay方法、百分位过滤(percentile filter)方法或其它平滑算法中的一种。然后,例如通过在不同时间点时沿着路径获取路径点的平均横向位置,基于平滑路径生成特定车道或特定道路的引导线。这背后的基本原理是大多数车辆都会靠近于车道的中心线驾驶。因此,大多数现有驾驶图案将代表车道或道路的中心线,即车道或道路的引导线或参考线。
即,对于特定时间点,将存在代表在相同时间点时的所有轨迹的所有路径点的单个平均位置的路径点。然后,连接所选择的路径点以形成粗略的参考线。由于粗略的参考线上的每个所选路径点都是基于所有轨迹(例如,候选轨迹)的平均位置而确定的,因此参考线不是平滑且连续的。根据一个实施方式,在粗略参考线上执行平滑操作。例如,根据预定约束的集合,利用多项式函数来拟合或优化参考线。
多项式优化或多项式拟合的项表示对多项式函数(例如,五次多项式函数或四次多项式函数)所代表的曲线的形状(在该示例中为轨迹)进行的优化,以使得曲线沿着该曲线是连续的(例如,两个相邻段的连接处的导数是可获得的)。在自动驾驶领域中,从起始点到终点的多项式曲线被分成多个段(或片),每个段与控制点(或参考点)对应。这种分段多项式曲线称为分段多项式。当对分段多项式进行优化时,除了初始状态约束和结束状态约束的集合之外,还必须满足两个相邻段之间的连接约束的集合和边界约束的集合。
该连接约束的集合包括相邻段的位置(x,y)、速度、前进方向和加速度必须相同。例如,第一段(例如,前段)的结束位置和第二段(例如,后段)的起始位置必须相同或处于预定的接近度内。第一段的结束位置的速度、前进方向和加速度与第二段的起始位置的相应速度、前进方向和加速度必须相同或处于预定范围内。另外,每个控制点均与预定边界(例如,在控制点周围的左侧和右侧0.2米)关联。多项式曲线必须经过其相应边界内的每个控制点。当在优化期间满足这两个约束的集合时,代表轨迹的多项式曲线应该是平滑且连续的。
图7是示出根据实施方式的从手动驾驶路径数据生成导航引导线的示例过程的流程图。
过程700可以由处理逻辑执行,处理逻辑可包括软件、硬件或其组合。在一个实施方式中,过程700可以由图1中的服务器103或图5中的服务器502执行。如图7中所示,在操作701中,可清理手动驾驶路径数据以去除因激进的驾驶行为或低质量的定位而导致的异常值。的位置。在操作702中,确定路段上的车道内的多个密集驾驶区域。密集驾驶区域可以是路段上的车道中的被预定数量的驾驶路径(例如,超过70%的手动驾驶路径)穿过的区域。在操作703中,将平滑算法应用于每个密集驾驶区域以创建多个平滑路径。在操作704中,使用平滑路径来生成路段上的车道的导航引导线。
图8是示出根据一些实施方式的用于基于手动驾驶路径数据生成实时地图的过程800的示例的流程图。
过程800可以由处理逻辑执行,该处理逻辑可包括软件、硬件或其组合。过程800可以由以下处理逻辑执行:该处理逻辑可包括硬件(例如,电路、专用逻辑、可编程逻辑、处理器、处理装置、中央处理单元(CPU)、片上***(SoC)等)、软件(例如,在处理装置上运行/执行的指令)、固件(例如,微代码)或其组合。在一些实施方式中,过程800可以由如图3A、图3B和图4中所示的感知模块302和规划模块305中的一个或多个执行。
参考图8,在操作801中,自动驾驶车辆中的处理逻辑从服务器获得指示路段上的车道的导航引导线的数据。导航引导线从由已在该路段行进多次的人为驾驶车辆收集的手动驾驶路径数据推导出。可以对路段上的车道中的每个密集驾驶区域使用平滑算法以获得平滑路径。可以将每条平滑路径连接以制定车道的导航引导线。在具有多条车道的路段上,每条车道可具有其自己的导航引导线。在操作802中,处理逻辑可获得车道的被检测到的车道边界。检测到的车道边界可限定成预定长度。例如,仅使用ADV前方或后方10米的车道边界的数据。在操作803中,处理逻辑基于车道边界和导航引导线生成实时地图,以用于在路段上的车道内导航自动驾驶车辆。当在路段上的车道中驾驶时,自动驾驶车辆使用车道的导航引导线作为参考线,并且使用车道的车道边界作为边界。
应注意,如上文示出和描述的部件中的一些或全部可以以软件、硬件或其组合实施。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,所述软件可以加载在存储器中并通过处理器(未示出)执行以实施本申请全文中所述的过程或操作。替代地,此类部件可以实施为编程或嵌入到专用硬件(诸如,集成电路(例如,专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码,所述可执行代码可以经由来自应用的相应驱动程序和/或操作***来访问。此外,此类部件可以实施为处理器或处理器内核中的特定硬件逻辑,作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图9是示出可以与本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,某些实施方式中可以具有附加的部件,此外,其它实施方式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)可以用作用于与所述***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被配置成执行用于实施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,诸如加速度计的运动传感器、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,相机),所述成像处理子***可包括用于促进相机功能(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。根据***1500的具体配置或设计,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***等的信息的永久性存储,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305、控制模块306、路线安排模块307和实时地图生成模块309。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***也可以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,实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,可以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发明的更宽泛精神和范围的情况下,可以对本公开作出各种修改。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 (20)
1.用于动态生成自动驾驶的驾驶地图的计算机实施的方法,所述方法包括:
通过在路段行进的自动驾驶车辆从服务器接收指示所述路段上的车道的导航引导线的数据;
基于感知所述自动驾驶车辆周围的驾驶环境的感知数据来确定所述车道的车道边界;以及
基于所述车道边界和所述导航引导线生成实时地图,以用于在所述路段上的所述车道内导航所述自动驾驶车辆,其中,所述实时地图用于在不使用静态地图的情况下生成用于自动地驾驶所述自动驾驶车辆通过所述路段的路径。
2.根据权利要求1所述的方法,其中,所述导航引导线在全球坐标系中进行定位,并且在生成所述实时地图之前被转换成相对于所述自动驾驶车辆的位置的相对坐标。
3.根据权利要求1所述的方法,其中,当在所述路段上的所述车道内行进时,所述自动驾驶车辆使用所述导航引导线作为参考线,并且使用所述车道边界作为边界。
4.根据权利要求1所述的方法,其中,根据所述自动驾驶车辆在规划所述自动驾驶车辆的驾驶参数时的规划周期来更新所述实时地图。
5.根据权利要求1所述的方法,其中,所述导航引导线从先前驾驶路径数据推导出,所述先前驾驶路径数据通过先前在所述路段上的所述车道行进的多个车辆进行收集。
6.根据权利要求5所述的方法,其中,所述先驾驶路径数据存储在所述服务器中,所述服务器操作成通过将平滑算法应用于多个密集驾驶区域中的每个密集驾驶区域以找出平滑路径并且将每个密集驾驶区域的平滑路径进行连接,来为所述路段上的每条车道生成导航引导线。
7.根据权利要求1所述的方法,其中,所述实时地图是针对所述自动驾驶车辆的相对地图,并且在所述自动驾驶车辆完成在所述路段的行进之后被丢弃。
8.根据权利要求1所述的方法,其中,所生成的实时地图包括所述自动驾驶车辆能够在行进于所述路段时使用的一条或多条另外的导航引导线。
9.一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运行时使得所述处理器执行以下操作,所述操作包括:
通过在路段行进的自动驾驶车辆从服务器接收指示所述路段上的车道的导航引导线的数据;
基于感知所述自动驾驶车辆周围的驾驶环境的感知数据来确定所述车道的车道边界;以及
基于所述车道边界和所述导航引导线生成实时地图,以用于在所述路段上的所述车道内导航所述自动驾驶车辆,其中,所述实时地图用于在不使用静态地图的情况下生成用于自动地驾驶所述自动驾驶车辆通过所述路段的路径。
10.根据权利要求9所述的非暂时性机器可读介质,其中,所述导航引导线在全球坐标系中进行定位,并且在生成所述实时地图之前被转换成相对于所述自动驾驶车辆的位置的相对坐标。
11.根据权利要求9所述的非暂时性机器可读介质,其中,当在所述路段上的所述车道内行进时,所述自动驾驶车辆使用所述导航引导线作为参考线,并且使用所述车道边界作为边界。
12.根据权利要求9所述的非暂时性机器可读介质,其中,所述实时地图根据所述自动驾驶车辆在规划所述自动驾驶车辆的驾驶参数时的规划周期进行更新。
13.根据权利要求9所述的非暂时性机器可读介质,其中,所述导航引导线从先前驾驶路径数据推导出,所述先前驾驶路径数据从先前在所述路段上的所述车道行进的多个车辆进行收集。
14.根据权利要求13所述的非暂时性机器可读介质,其中,所述先驾驶路径数据存储在所述服务器中,所述服务器操作成通过将平滑算法应用于多个密集驾驶区域中的每个密集驾驶区域以找出平滑路径并且将每个密集驾驶区域的平滑路径进行连接,来为所述路段上的每条车道生成导航引导线。
15.根据权利要求9所述的非暂时性机器可读介质,其中,所述实时地图是针对所述自动驾驶车辆的相对地图,并且在所述自动驾驶车辆完成在所述路段的行进之后被丢弃。
16.根据权利要求9所述的非暂时性机器可读介质,其中,所生成的实时地图包括所述自动驾驶车辆能够在行进于所述路段时使用的一条或多条另外的导航引导线。
17.一种数据处理***,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运行时使得所述处理器执行以下操作,所述操作包括:
通过在路段行进的自动驾驶车辆从服务器接收指示所述路段上的车道的导航引导线的数据;
基于感知所述自动驾驶车辆周围的驾驶环境的感知数据来确定所述车道的车道边界;以及
基于所述车道边界和所述导航引导线生成实时地图,以用于在所述路段上的所述车道内导航所述自动驾驶车辆,其中,所述实时地图用于在不使用静态地图的情况下生成用于自动地驾驶所述自动驾驶车辆通过所述路段的路径。
18.根据权利要求17所述的***,其中,所述导航引导线在全球坐标系中进行定位,并且在生成所述实时地图之前被转换成相对于所述自动驾驶车辆的位置的相对坐标。
19.根据权利要求17所述的***,其中,当在所述路段上的所述车道内行进时,所述自动驾驶车辆使用所述导航引导线作为参考线,并且使用所述车道边界作为边界。
20.根据权利要求17所述的***,其中,所述实时地图根据所述自动驾驶车辆在规划所述自动驾驶车辆的驾驶参数时的规划周期来更新。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/159,594 | 2018-10-12 | ||
US16/159,594 US10921135B2 (en) | 2018-10-12 | 2018-10-12 | Real-time map generation scheme for autonomous vehicles based on prior driving trajectories |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111044057A true CN111044057A (zh) | 2020-04-21 |
CN111044057B CN111044057B (zh) | 2023-08-08 |
Family
ID=70160739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910684003.4A Active CN111044057B (zh) | 2018-10-12 | 2019-07-26 | 用于自动驾驶车辆的基于先前驾驶轨迹的实时地图生成方案 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10921135B2 (zh) |
JP (1) | JP7043466B2 (zh) |
CN (1) | CN111044057B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113916239A (zh) * | 2021-10-20 | 2022-01-11 | 北京轻舟智航科技有限公司 | 一种自动驾驶公交车的车道级导航方法 |
CN114608603A (zh) * | 2022-04-18 | 2022-06-10 | 小米汽车科技有限公司 | 路径规划方法、装置、存储介质及车辆 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6809890B2 (ja) * | 2016-12-15 | 2021-01-06 | 日立オートモティブシステムズ株式会社 | 車両制御装置 |
US11988518B2 (en) * | 2019-06-17 | 2024-05-21 | Nvidia Corporation | Updating high definition maps based on lane closure and lane opening |
US11454966B2 (en) * | 2019-06-28 | 2022-09-27 | Gm Cruise Holdings Llc | Programmatic application of router flags for vehicle limitations |
CN111443360B (zh) * | 2020-04-20 | 2022-06-24 | 北京易控智驾科技有限公司 | 矿区无人驾驶***道路边界自动采集装置和识别方法 |
CN111693059B (zh) * | 2020-05-28 | 2022-10-11 | 阿波罗智联(北京)科技有限公司 | 环岛的导航方法、装置、设备及存储介质 |
CN111767360B (zh) | 2020-07-02 | 2024-06-11 | 阿波罗智能技术(北京)有限公司 | 路口虚拟车道标注的方法及装置 |
US11787440B2 (en) * | 2020-08-04 | 2023-10-17 | Baidu Usa Llc | Lane boundary and vehicle speed based nudge decision |
JP7342828B2 (ja) * | 2020-09-24 | 2023-09-12 | いすゞ自動車株式会社 | 自動運転装置 |
CN112304330B (zh) * | 2020-10-29 | 2024-05-24 | 腾讯科技(深圳)有限公司 | 展示车辆的行驶状态的方法以及电子设备 |
CN115167406B (zh) * | 2022-06-28 | 2024-05-17 | 智己汽车科技有限公司 | 动态自动驾驶全局路径生成方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2916623B1 (ja) * | 1998-05-25 | 1999-07-05 | 建設省土木研究所長 | 車の自動分流制御方法及び装置 |
WO2017187884A1 (ja) * | 2016-04-28 | 2017-11-02 | 住友電気工業株式会社 | 推奨走行速度提供プログラム、走行支援システム、車両制御装置および自動走行車両 |
JP2018022353A (ja) * | 2016-08-04 | 2018-02-08 | 三菱電機株式会社 | 車両走行制御装置、車両走行制御システムおよび車両走行制御方法 |
CN108268033A (zh) * | 2016-12-30 | 2018-07-10 | 百度(美国)有限责任公司 | 使用基于图的车道变换指导来操作无人驾驶车辆的方法和*** |
US20180203453A1 (en) * | 2017-01-19 | 2018-07-19 | Robert Bosch Gmbh | System and Method of Using Crowd-Sourced Driving Path Data in an Autonomous or Semi-Autonomous Driving System |
CN108372857A (zh) * | 2017-01-31 | 2018-08-07 | 通用汽车环球科技运作有限责任公司 | 自主驾驶***的通过事件发生和情节记忆回顾进行有效情景感知 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3567866B2 (ja) * | 2000-07-31 | 2004-09-22 | トヨタ自動車株式会社 | 車両の操舵支援装置 |
JP5782708B2 (ja) * | 2010-12-03 | 2015-09-24 | 日産自動車株式会社 | 走行支援装置 |
CN103366560B (zh) * | 2012-04-01 | 2016-04-20 | 同济大学 | 一种道路交通运行状态跟车探测方法、***及应用 |
US8527199B1 (en) * | 2012-05-17 | 2013-09-03 | Google Inc. | Automatic collection of quality control statistics for maps used in autonomous driving |
JP6142979B2 (ja) * | 2012-08-01 | 2017-06-07 | マツダ株式会社 | 車線維持制御方法及び車線維持制御装置 |
CN109074737B (zh) * | 2016-04-28 | 2021-04-02 | 住友电气工业株式会社 | 安全驾驶辅助***、服务器、车辆、以及程序 |
CN108061555B (zh) * | 2016-11-09 | 2020-06-26 | 华为技术有限公司 | 一种车辆定位误差矫正方法及装置 |
JP6843665B2 (ja) * | 2017-03-24 | 2021-03-17 | 日立Astemo株式会社 | 自動運転制御装置 |
US11009868B2 (en) * | 2017-07-20 | 2021-05-18 | Nuro, Inc. | Fleet of autonomous vehicles with lane positioning and platooning behaviors |
-
2018
- 2018-10-12 US US16/159,594 patent/US10921135B2/en active Active
-
2019
- 2019-07-26 CN CN201910684003.4A patent/CN111044057B/zh active Active
- 2019-08-21 JP JP2019151050A patent/JP7043466B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2916623B1 (ja) * | 1998-05-25 | 1999-07-05 | 建設省土木研究所長 | 車の自動分流制御方法及び装置 |
WO2017187884A1 (ja) * | 2016-04-28 | 2017-11-02 | 住友電気工業株式会社 | 推奨走行速度提供プログラム、走行支援システム、車両制御装置および自動走行車両 |
JP2018022353A (ja) * | 2016-08-04 | 2018-02-08 | 三菱電機株式会社 | 車両走行制御装置、車両走行制御システムおよび車両走行制御方法 |
CN108268033A (zh) * | 2016-12-30 | 2018-07-10 | 百度(美国)有限责任公司 | 使用基于图的车道变换指导来操作无人驾驶车辆的方法和*** |
US20180203453A1 (en) * | 2017-01-19 | 2018-07-19 | Robert Bosch Gmbh | System and Method of Using Crowd-Sourced Driving Path Data in an Autonomous or Semi-Autonomous Driving System |
CN108372857A (zh) * | 2017-01-31 | 2018-08-07 | 通用汽车环球科技运作有限责任公司 | 自主驾驶***的通过事件发生和情节记忆回顾进行有效情景感知 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113916239A (zh) * | 2021-10-20 | 2022-01-11 | 北京轻舟智航科技有限公司 | 一种自动驾驶公交车的车道级导航方法 |
CN113916239B (zh) * | 2021-10-20 | 2024-04-12 | 北京轻舟智航科技有限公司 | 一种自动驾驶公交车的车道级导航方法 |
CN114608603A (zh) * | 2022-04-18 | 2022-06-10 | 小米汽车科技有限公司 | 路径规划方法、装置、存储介质及车辆 |
CN114608603B (zh) * | 2022-04-18 | 2023-07-04 | 小米汽车科技有限公司 | 路径规划方法、装置、存储介质及车辆 |
Also Published As
Publication number | Publication date |
---|---|
US10921135B2 (en) | 2021-02-16 |
JP7043466B2 (ja) | 2022-03-29 |
JP2020060552A (ja) | 2020-04-16 |
US20200116497A1 (en) | 2020-04-16 |
CN111044057B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109947090B (zh) | 用于自动驾驶车辆规划的非阻塞边界 | |
CN111061261B (zh) | 使用标准导航地图与基于车辆的先前轨迹确定的车道配置的自动驾驶方法 | |
CN110667598B (zh) | 用于处理自动驾驶车辆中的传感器故障的方法 | |
CN110347145B (zh) | 用于自动驾驶车辆的感知辅助 | |
CN109489673B (zh) | 用于自动驾驶车辆的数据驱动地图更新*** | |
CN111044057B (zh) | 用于自动驾驶车辆的基于先前驾驶轨迹的实时地图生成方案 | |
CN110325935B (zh) | 用于自动驾驶车辆的路径规划的基于驾驶场景的车道引导线 | |
CN110389580B (zh) | 用于规划自动驾驶车辆的路径的漂移校正的方法 | |
CN110096053B (zh) | 用于自动驾驶车辆的驾驶轨迹生成方法、***和机器可读介质 | |
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*** | |
CN109491378B (zh) | 自动驾驶车辆的基于道路分段的路线引导*** | |
US11199842B2 (en) | Determining driving paths for autonomous driving using parallel processing | |
CN110621541B (zh) | 用于生成轨迹以操作自动驾驶车辆的方法和*** | |
CN110667591A (zh) | 用于自动驾驶车辆的规划驾驶感知*** | |
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 | |
CN111712417B (zh) | 用于自动驾驶车辆的、基于隧道的规划*** | |
CN111615618B (zh) | 用于自动驾驶车辆的高速规划的基于多项式拟合的参考线平滑方法 | |
CN111615476B (zh) | 用于自动驾驶车辆的基于螺旋曲线的竖直停车规划*** | |
CN111857118A (zh) | 对停车轨迹分段以控制自动驾驶车辆停车 | |
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 | |
CN112272805A (zh) | 连接两条平滑参考线的基于多点增强的拼接方法 |
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 |