CN111508253A - 提供自动行驶服务平台的方法及利用其的服务器 - Google Patents

提供自动行驶服务平台的方法及利用其的服务器 Download PDF

Info

Publication number
CN111508253A
CN111508253A CN202010066096.7A CN202010066096A CN111508253A CN 111508253 A CN111508253 A CN 111508253A CN 202010066096 A CN202010066096 A CN 202010066096A CN 111508253 A CN111508253 A CN 111508253A
Authority
CN
China
Prior art keywords
information
vehicle
automatic travel
service server
specific
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
Application number
CN202010066096.7A
Other languages
English (en)
Other versions
CN111508253B (zh
Inventor
金桂贤
金镕重
金鹤京
南云铉
夫硕焄
成明哲
申东洙
吕东勋
柳宇宙
李明春
李炯树
张泰雄
郑景中
诸泓模
赵浩辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Stradvision Inc
Original Assignee
Stradvision Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Stradvision Inc filed Critical Stradvision Inc
Publication of CN111508253A publication Critical patent/CN111508253A/zh
Application granted granted Critical
Publication of CN111508253B publication Critical patent/CN111508253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient 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
    • G05D1/02—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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2300/00—Indexing codes relating to the type of 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/35—Data fusion
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种方法，是利用竞争计算及信息融合提供用于自动行驶车辆的自动行驶服务平台的方法，其包括：(a)服务服务器通过包括对象车辆的所述自动行驶车辆中至少一部分上搭载的传感器获得个别传感器数据及个别行驶数据的步骤；(b)所述服务服务器执行(i)把不是所述对象车辆的所述自动行驶车辆中特定自动行驶车辆的特定传感器数据及所述对象车辆的对象传感器数据输入到各数据处理服务器获得对所述对象车辆的各自动行驶源信息的过程及(ii)从状况特化性能DB获得对所述数据处理服务器的状况特化性能信息的过程的步骤；及(c)所述服务服务器把所述自动行驶源信息及所述状况特化性能信息传输到所述对象车辆，使所述对象车辆执行所述自动行驶的步骤。

Description

提供自动行驶服务平台的方法及利用其的服务器
技术领域
本发明涉及用于自动行驶车辆的方法及服务器，更具体来讲涉及利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的方法及利用其的服务器。
背景技术
自动行驶利用多种计算***帮助搭乘者从一个场所移动到其他场所。部分自动巡航车辆中可能需要操纵师、驾驶员或搭乘者之类的运营者在初始阶段进行部分输入或持续输入。其他***，例如自动驾驶***能够使得运营者能够从手动行驶模式转换到自动行驶模式。
这种车辆一般为了感测所述环境的客体而安装有多种类型的传感器。例如，自动行驶车辆可包括激光雷达(LIDAR)、水中声波探测器、雷达、摄像头及从所述车辆环境扫描及记录数据的其他装置。从一个以上的这种装置得到的传感器数据可用于检测客体及各特性(位置、形态、方向、速度等)。
然而，以往的自动行驶车辆根据基于深度学习的自动行驶算法执行自动行驶，因此即使在相同的行驶环境下从不同的自动行驶算法导出不同的结果，因此具有无法确保自动行驶的结果稳定性的问题。
因此，本发明的目的在于提供一种能够提高自动行驶算法的准确度及稳定性的方案。
发明内容
技术问题
本发明的目的是解决上述所有问题。
本发明的另一目的是提高至少一个自动行驶算法的准确度及稳定性。
本发明的又一目的是使至少一个自动行驶车辆根据可靠性充分的自动行驶源信息执行自动行驶。
本发明的又一目的是使得利用一个以上的周边自动行驶车辆的周边传感器数据能够安全自动行驶。
技术方案
为了达成如上所述的本发明的目的，实现下述本发明的特征性效果的本发明的特征性构成如下。
根据本发明的一个方面，公开一种方法，是利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的方法，其特征在于，包括：(a)服务服务器通过包括对象车辆的所述自动行驶车辆中至少一部分上搭载的传感器获得个别传感器数据及个别行驶数据的步骤；(b)所述服务服务器执行(i)把不是所述对象车辆的所述自动行驶车辆中一个以上的特定自动行驶车辆的特定传感器数据及所述对象车辆的对象传感器数据输入到一个以上的各数据处理服务器获得对所述对象车辆的各自动行驶源信息的过程及(ii)参照所述对象车辆的对象行驶数据从状况特化(circumstance-specific)性能DB(database)获得对所述数据处理服务器的状况特化性能信息的过程的步骤；以及(c)所述服务服务器把所述自动行驶源信息及所述状况特化性能信息传输到所述对象车辆，使所述对象车辆参照所述自动行驶源信息及所述状况特化性能信息执行所述自动行驶的步骤。
根据本发明的一个实施例，其特征在于，在所述(b)步骤中，所述服务服务器参照所述对象行驶数据获得所述对象车辆周边的地形信息、所述对象车辆周边的天气信息、所述对象车辆的行驶时间段信息及所述对象车辆的车辆种类信息中至少一部分后，将参照所述地形信息、所述天气信息、所述行驶时间段信息及所述车辆种类信息中所述至少一部分生成的查询(query)传输到所述状况特化性能DB获得所述数据处理服务器的所述状况特化性能信息。
根据本发明的一个实施例，其特征在于，所述(c)步骤中，所述服务服务器使所述对象车辆(i)参照所述对象传感器数据计算关于各所述自动行驶源信息的各自我验证(self-verification)评分，(ii)参照所述自我验证评分及所述状况特化性能信息中至少一部分生成对应于各所述自动行驶源信息的整合自动行驶源信息后，(iii)参照所述整合自动行驶源信息执行所述自动行驶。
根据本发明的一个实施例，其特征在于，所述服务服务器使包含于所述对象车辆的至少一个卷积神经网络(Convolutional Neural Network，CNN)，对向量适用至少一个CNN运算执行分类生成所述自我验证评分，其中所述向量包括(i)所述对象传感器数据与(ii)所述自动行驶源信息。
根据本发明的一个实施例，其特征在于，所述服务服务器使所述对象车辆将所述自我验证评分作为性能反馈信息传输到所述服务服务器，所述服务服务器参照所述性能反馈信息更新所述状况特化性能DB。
根据本发明的一个实施例，其特征在于，所述服务服务器使所述对象车辆(i)参照第T时刻利用各所述自动行驶源信息及所述状况特化性能信息生成的整合自动行驶源信息执行所述自动行驶，(ii)使用所述第T时刻执行的所述自动行驶的第T+1时刻的结果状况信息生成关于各所述自动行驶源信息的各自我验证评分后，(iii)将所述自我验证评分作为性能反馈信息传输到所述服务服务器。
根据本发明的一个实施例，其特征在于，在所述(b)步骤中，所述服务服务器从所述自动行驶车辆中选择满足对应于所述对象车辆的对象位置及所述自动行驶车辆的一个以上的个别位置之间关系的直接(direct)交互条件及对应于所述自动行驶车辆的个别运动信息的间接(indirect)交互条件中至少一个的所述特定自动行驶车辆。
根据本发明的一个实施例，其特征在于，各所述数据处理服务器对所述对象传感器数据及所述特定传感器数据适用自动行驶算法生成各所述自动行驶源信息，使用基于规则算法及深度学习算法中至少一部分设计所述自动行驶算法，各所述数据处理服务器通过各不同的运营体工作使得其自动行驶算法互异。
根据本发明的一个实施例，其特征在于，利用根据所述深度学习算法设计的一个以上的各特定自动行驶算法的一个以上的特定数据处理服务器分别将使用自己的卷积层的卷积运算适用于所述对象传感器数据及所述特定传感器数据生成至少一个特征图，将使用自己的输出层的输出运算适用于所述特征图生成各所述自动行驶源信息。
根据本发明的另一方面，其特征在于，提供一种服务服务器，是利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的服务服务器，其特征在于，包括：存储指令的至少一个存储器；以及构成为运行用于执行(I)通过包括对象车辆的所述自动行驶车辆中至少一部分上搭载的传感器获得个别传感器数据及个别行驶数据的过程；(II)(i)把不是所述对象车辆的所述自动行驶车辆中一个以上的特定自动行驶车辆的特定传感器数据及所述对象车辆的对象传感器数据输入到一个以上的各数据处理服务器获得对所述对象车辆的各自动行驶源信息的过程及(ii)参照所述对象车辆的对象行驶数据从状况特化(circumstance-specific)性能DB(database)获得对所述数据处理服务器的状况特化性能信息的过程；以及(III)把所述自动行驶源信息及所述状况特化性能信息传输到所述对象车辆，使所述对象车辆参照所述自动行驶源信息及所述状况特化性能信息执行所述自动行驶的过程的所述指令的至少一个处理器。
根据本发明的一个实施例，其特征在于，在所述(II)过程中，所述处理器参照所述对象行驶数据获得所述对象车辆周边的地形信息、所述对象车辆周边的天气信息、所述对象车辆的行驶时间段信息及所述对象车辆的车辆种类信息中至少一部分后，将参照所述地形信息、所述天气信息、所述行驶时间段信息及所述车辆种类信息中所述至少一部分生成的查询(query)传输到所述状况特化性能DB获得所述数据处理服务器的所述状况特化性能信息。
根据本发明的一个实施例，其特征在于，在所述(III)过程中，所述处理器使所述对象车辆(i)参照所述对象传感器数据计算关于各所述自动行驶源信息的各自我验证(self-verification)评分，(ii)参照所述自我验证评分及所述状况特化性能信息中至少一部分生成对应于各所述自动行驶源信息的整合自动行驶源信息后，(iii)参照所述整合自动行驶源信息执行所述自动行驶。
根据本发明的一个实施例，其特征在于，所述处理器使包含于所述对象车辆的至少一个卷积神经网络(Convolutional Neural Network，CNN)，对向量适用至少一个CNN运算执行分类生成所述自我验证评分，其中所述向量包括(i)所述对象传感器数据与(ii)所述自动行驶源信息。
根据本发明的一个实施例，其特征在于，所述处理器使所述对象车辆将所述自我验证评分作为性能反馈信息传输到所述服务服务器，所述服务服务器参照所述性能反馈信息更新所述状况特化性能DB。
根据本发明的一个实施例，其特征在于，所述处理器使所述对象车辆(i)参照第T时刻利用各所述自动行驶源信息及所述状况特化性能信息生成的整合自动行驶源信息执行所述自动行驶，(ii)使用所述第T时刻执行的所述自动行驶的第T+1时刻的结果状况信息生成关于各所述自动行驶源信息的各自我验证评分后，(iii)将所述自我验证评分作为性能反馈信息传输到所述服务服务器。
根据本发明的一个实施例，其特征在于，在所述(II)过程中，所述处理器从所述自动行驶车辆中选择满足对应于所述对象车辆的对象位置及所述自动行驶车辆的一个以上的个别位置之间关系的直接(direct)交互条件及对应于所述自动行驶车辆的个别运动信息的间接(indirect)交互条件中至少一个的所述特定自动行驶车辆。
根据本发明的一个实施例，其特征在于，各所述数据处理服务器对所述对象传感器数据及所述特定传感器数据适用自动行驶算法生成各所述自动行驶源信息，使用基于规则算法及深度学习算法中至少一部分设计所述自动行驶算法，各所述数据处理服务器通过各不同的运营体工作使得其自动行驶算法互异。
根据本发明的一个实施例，其特征在于，利用根据所述深度学习算法设计的一个以上的各特定自动行驶算法的一个以上的特定数据处理服务器分别将使用自己的卷积层的卷积运算适用于所述对象传感器数据及所述特定传感器数据生成至少一个特征图，将使用自己的输出层的输出运算适用于所述特征图生成各所述自动行驶源信息。
此外，还提供用于存储用于执行本发明的方法的计算机程序的计算机可读存储介质。
技术效果
本发明具有能够提高至少一个自动行驶算法的准确度及稳定性的效果。
本发明具有使至少一个自动行驶车辆能够根据可靠性充分的自动行驶源信息执行自动行驶的效果。
本发明具有使得利用一个以上的周边自动行驶车辆的周边传感器数据能够安全自动行驶的效果。
附图说明
为了用于说明本发明的实施例而所附的以下附图只是本发明的实施例中的部分而已，本发明所属技术领域的一般技术人员(以下“普通技术人员”)在未经过创造性劳动的情况下可基于这些附图得到其他附图。
图1是简要示出本发明的一个实施例的利用竞争计算及信息融合(fusion)提供用于支援车辆的自动行驶的自动行驶服务平台的服务服务器的构成的图；
图2是简要示出与本发明的一个实施例的利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的服务服务器联动起来工作的对象车辆的构成的图；
图3是简要示出本发明的一个实施例的利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的对象车辆、数据处理服务器及服务服务器之间的关系的图。
具体实施方式
参照示出能够实施本发明的特定实施例的附图对本发明进行如下详细说明以明确本发明的目的、技术方案及优点。通过详细说明这些实施例使得本领域普通技术人员足以实施本发明。
并且，在本发明的具体说明及权利要求中，“包括”这一术语及其变形并非将其他技术特征、附加物、构成要素或步骤除外。显而易见地，普通技术人员能够从本说明书获知本发明的其他目的、优点及特性中的一部分，并且一部分可从本发明的实施获知。以下例示及附图作为实例提供，目的并非限定本发明。
尤其，本发明包括本说明书所示实施例的所有可能的组合。应理解本发明的多种实施例虽然互异，但不必相互排斥。例如，此处记载的特定形状、结构及特性在一个实施例中在不超出本发明的精神及范围的前提下可通过其他实施例实现。并且，应理解可在不超出本发明的精神及范围的前提下对各公开的实施例内的个别构成要素的位置或配置进行变更。因此下述具体说明并非旨在进行限定，对本发明的范围来讲，适当说明的情况下仅限于与该权利要求的保护范围等同的所有范围及所附权利要求。附图中类似的附图标记在各个方面表示相同或类似的功能。
本发明所述的各种图像可包括铺装或非铺装道路相关图像，该情况下可想到道路环境中可能出现的物体(例如，汽车、人、动物、植物、物品、建筑物、飞机或无人机之类的飞行器、其他障碍物)，但并不局限于此，本发明所述的各种图像还可以是与道路无关的图像(例如，非铺装道路、胡同、空地、大海、湖泊、河流、山川、草地、沙漠、天空、室内相关的图像)，该情况下，可想到非铺装道路、胡同、空地、大海、湖泊、河流、山川、草地、沙漠、天空、室内环境中可能出现的物体(例如，汽车、人、动物、植物、物品、建筑物、飞机或无人机之类的飞行器、其他障碍物)，但并不局限于此。
以下，为了使得本发明所属技术领域的普通技术人员能够轻易地实施本发明，参照关于本发明的优选实施例的附图进行具体说明。
图1是简要示出本发明的一个实施例的利用竞争计算及信息融合(fusion)提供用于支援车辆的自动行驶的自动行驶服务平台的服务服务器的构成的图。
参照图1，所述服务服务器100可包括下述传感器数据收集单元130、数据传输单元140、车辆管理单元150、数据处理服务器管理单元160、结果传输单元170、结果接收单元180及服务器排序单元190。在此，所述传感器数据收集单元130、所述数据传输单元140、所述车辆管理单元150、所述数据处理服务器管理单元160、所述结果传输单元170、所述结果接收单元180及所述服务器排序单元190的输入输出及运算过程可分别由至少一个通信部110及至少一个处理器120执行。但图1省略了所述通信部110及所述处理器120的具体结构图。在此，存储器115可以是存储了下述多种指令的状态，所述处理器120可执行存储于所述存储器115的所述指令，可通过执行以下要说明的所述指令执行本发明的过程。并非因为描述了所述服务服务器100，因此排除所述服务服务器100集成用于实施本发明的处理器、存储器、介质或其他计算构成要素的形态的集成装置。
在此，所述单元，即所述传感器数据收集单元130、所述数据传输单元140、所述车辆管理单元150、所述数据处理服务器管理单元160、所述结果传输单元170、所述结果接收单元180及所述服务器排序单元190可基于与所述服务服务器100联动起来工作的个别硬件单元及/或搭载于所述服务服务器100的软件，但本发明的范围不限于此。
如上服务服务器100可与对象车辆200联动起来工作。为了说明所述对象车辆200的构成而参照图2。
图2是简要示出与本发明的一个实施例的利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的服务服务器联动起来工作的对象车辆的构成的图。
参照图2，所述对象车辆200可包括传感器输入单元210、传感器数据传输单元220、平台连接单元230、验证单元240、结果接收单元250、反馈传输单元260及结果整合单元270。所述对象车辆200可以是利用所述服务服务器100执行自动行驶的所述自动行驶车辆之一。具体来讲，所述自动行驶车辆将所述服务服务器100用作中间管理者，可使用从包括下述自动行驶算法的多数据处理服务器获得的自动行驶源信息执行所述自动行驶。但是，所述服务服务器100不仅能够执行单纯的管理过程，还能够执行所述竞争计算及所述信息融合的过程。为了查看这种过程以下参照图3。
在此，所述单元，即所述传感器输入单元210、所述传感器数据传输单元220、所述平台连接单元230、所述验证单元240、所述结果接收单元250、所述反馈传输单元260及所述结果整合单元270可基于与所述对象车辆200联动起来工作的个别硬件单元及/或搭载在所述对象车辆200的软件，但本发明的范围不限于此。
图3是简要示出本发明的一个实施例的利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的对象车辆、数据处理服务器及服务服务器之间的关系的图。
参照图3，可确认通过所述服务服务器100从所述数据处理服务器300获得所述自动行驶源信息的所述对象车辆200中包含的单元间关系。以下，参照图3说明所述提供自动行驶服务平台的方法的同时还说明各构成的各功能。
首先，所述服务服务器100可从所述自动行驶车辆持续获得个别传感器数据及个别行驶数据。在此，包括关于所述自动行驶车辆的周边状况的信息的所述个别传感器数据可通过搭载在各所述自动行驶车辆的传感器获得。参照图3，可以确认作为所述自动行驶车辆的一个的所述对象车辆200将通过所述传感器输入单元210获得的对象传感器数据通过所述传感器数据传输单元传输到所述传感器数据收集单元130的构成。所述自动行驶车辆执行与上述类似的过程时，所述服务服务器100可获得所述自动行驶车辆的所述个别传感器数据。
所述个别行驶数据可包括所述自动行驶车辆的各位置信息及各速度信息。进一步地，所述个别行驶数据可包括所述自动行驶车辆周边的地形信息、所述自动行驶车辆周边的天气信息、所述自动行驶车辆的行驶时间段信息及所述自动行驶车辆的车辆种类信息中至少一部分。在这种状况下，所述服务服务器100可以使所述对象车辆200利用所述自动行驶源信息执行所述自动行驶。作为第一步骤，所述服务服务器100可选择所述自动行驶车辆中与所述对象车辆200相关的特定自动行驶车辆。
具体来讲，所述服务服务器100可以从所述自动行驶车辆中选择满足对应于所述对象车辆的对象位置及所述自动行驶车辆的一个以上的个别位置间关系的直接(direct)交互条件及对应于所述自动行驶车辆的个别运动信息的间接(indirect)交互条件中至少一个的所述特定自动行驶车辆。根据所述直接交互条件，可通过找出所述个别位置与所述对象位置间差异点小于第一临界值的车辆以选择所述特定自动行驶车辆。并且，根据所述间接交互条件，可通过参照包括所述车辆的速度信息的所述个别运动信息，找出即使所述个别位置及所述对象位置之间差异为所述第一临界值以上也预测所述差异在所述预设时间之后小于所述第一临界值的车辆以选择所述特定自动行驶车辆。
之后，所述服务服务器100可以通过所述数据传输单元140，将所述特定自动行驶车辆的特定传感器数据传输到所述数据处理服务器300。在此，所述数据处理服务器300可包括使用基于规则算法及深度学习算法中至少一部分设计的所述自动行驶算法使得能够利用自动行驶算法生成所述自动行驶源信息。并且，各所述数据处理服务器300可分别被其他IT会社之类的其他运营体运营。该情况下，它们的自动行驶算法不同，且可能相互竞争。这种竞争在后面说明。
作为一例，所述数据处理服务器300中，使用利用所述深度学习算法设计的一个以上的各特定自动行驶算法的一个以上的特定数据处理服务器分别将使用自己的卷积层的卷积运算适用于所述对象传感器数据及所述特定传感器数据生成至少一个特征图，可以将使用自己的输出层的输出运算适用于所述特征图生成各所述自动行驶源信息。
在此，所述自动行驶源信息可包括所述对象车辆200及关于位于所述特定自动行驶车辆周边的客体的位置的信息，本发明的范围不限于此。该情况下，所述输出层包括池化层及FC(Fully-Connected)层从而能够检测所述客体的位置。各所述自动行驶源信息通过所述结果接收单元180从各所述数据处理服务器300获得时，所述服务服务器100可通过所述结果传输单元170将所述自动行驶源信息传输到所述对象车辆200。在此，追加信息，即通过所述服务器排序单元190获得的以下说明的状况特化性能信息可以和所述自动行驶源信息一起传输到所述对象车辆。
即，所述服务服务器100参照所述对象车辆200的对象行驶数据，从包含于所述服务器排序单元190的状况特化性能DB(database)获得所述数据处理服务器的状况特化性能信息。具体来讲，所述服务服务器100参照所述对象车辆200的所述对象行驶数据获得所述对象车辆周边的地形信息、所述对象车辆周边的天气信息、所述对象车辆的行驶时间段信息及所述对象车辆的车辆种类信息中至少一部分后，将参照所述地形信息、所述天气信息、所述行驶时间段信息及所述车辆种类信息中所述至少一部分生成的查询(query)传输给所述状况特化性能DB，以获得所述数据处理服务器300的所述状况特化性能信息。在此，所述状况特化性能DB可包括关于在各状况的所述数据处理服务器300的排序的信息，所述状况特化性能信息可包括关于对应于所述对象行驶数据的特定状况的所述数据处理服务器300的排序的信息。
如上获得所述状况特化性能信息后，所述服务服务器100通过所述结果传输单元170可将所述自动行驶源信息及所述状况特化性能信息传输到所述对象车辆200。所述对象车辆200可以通过所述结果接收单元250获得所述自动行驶源信息及所述状况特化性能信息后，将其传输到所述验证单元240。
之后，所述对象车辆200可使所述验证单元240参照所述对象传感器数据计算关于各所述自动行驶源信息的自我验证评分。具体来讲，所述服务服务器100使包含于所述对象车辆200的至少一个卷积神经网络(Convolutional Neural Network，CNN)，对包括(i)所述对象传感器数据及(ii)所述自动行驶源信息的向量适用至少一个CNN运算执行分类生成所述自我验证评分。在此，所述CNN可包括卷积层及输出层。
之后，所述对象车辆200可以使所述结果整合单元270参照所述自我验证评分及所述状况特化性能信息中至少一部分，生成对应于各所述自动行驶源信息的整合自动行驶源信息。具体来讲，两个自动行驶源信息表示对相同客体的不同检测结果的情况下，例如所述相同的客体的类在两个所述自动行驶源信息中检测得不同的情况下，判断为对应于某一个自动行驶源信息的自我验证评分大于其他信息的自我验证评分或状况特化排序比其他信息的排序高，该自动行驶源信息正确，可以将其反映到所述整合自动行驶源信息。
之后，所述对象车辆200可参照所述整合自动行驶源信息执行所述自动行驶。并且，所述对象车辆200与其并列地，可以通过所述反馈传输单元260将所述自我验证评分作为性能反馈信息传输到所述服务服务器100。之后，所述服务服务器100可参照所述性能反馈信息更新所述状况特化性能DB。根据上述更新过程，所述状况特化性能DB可设计成包括在各状况的所述数据处理服务器300的排序信息。
与所述说明不同地，存在生成所述整合自动行驶源信息与所述自我验证评分的又一实施例。下述说明又一实施例。
即，所述对象车辆200可参照在第T时刻利用各所述自动行驶源信息及所述状况特化性能信息生成的整合自动行驶源信息执行所述自动行驶，使用对应于所述第T时刻执行的所述自动行驶的状况的第T+1时刻(第T+1时刻为所述第T时刻之后的时刻)的结果状况信息生成关于各所述自动行驶源信息的各自我验证评分。换而言之，所述对象车辆200可根据所述状况特化性能信息利用所述整合自动行驶源信息只执行自动行驶，检测是否发生否定状况、例如急刹车、警报或事故，算出更小的对应于根据所述第T时刻的所述自动行驶的所述整合自动行驶源信息中至少一部分的所述自我验证评分中至少一部分。可把这种自我验证评分传输到所述服务服务器100更新所述状况特化性能DB。
所述服务服务器100及所述对象车辆200可包括用于保持其连接关系的部分构成。例如，所述服务服务器100可通过所述车辆管理单元150连接在包括所述对象车辆200的所述自动行驶车辆，通过所述数据处理服务器管理单元160连接到所述数据处理服务器300。所述对象车辆200可通过所述平台连接单元230连接到所述服务服务器100。
通过提供所述自动行驶服务平台，即所述服务服务器100，能够实现利用所述竞争计算及所述信息融合的更安全的自动行驶。
以上说明的本发明的实施例可实现为能够通过多种计算机构成要素执行的程序命令的形态存储在计算机可读存储介质中。所述计算机可读存储介质可包括程序指令、数据文件、数据结构等或其组合。存储在所述计算机可读存储介质中的程序指令可以是为本发明而专门设计和构成的，但也可以是计算机软件领域的技术人员公知使用的。计算机可读存储介质例如可以是硬盘、软盘及磁带之类的磁介质、CD-ROM、DVD之类的光存储介质、软光盘(floptical disk)之类的磁-光介质(magneto-optical media)及ROM、RAM、闪速存储器等为了存储和执行程序命令而专门构成的硬件装置。并且，程序命令不仅包括通过编译器得到的机器代码，还包括能够通过解释器由计算机运行的高级语言代码。所述硬件装置可构成为为了执行本发明的处理而作为一个以上的软件模块工作，反之相同。
以上通过本发明的具体构成要素等特定事项与限定的实施例及附图进行了说明，但是其目的只是用于帮助更全面的理解，本发明并不限定于上述实施例，本发明所属领域的普通技术人员可根据以上记载想到多种修改及变更。
因此本发明的思想不应局限于以上说明的实施例，应理解所附权利要求范围及与该权利要求范围等同或等价变形的所有一切都属于本发明思想的范畴。

Claims (18)

1.一种方法，是利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的方法，其特征在于，包括：
(a)服务服务器通过包括对象车辆的所述自动行驶车辆中至少一部分上搭载的传感器获得个别传感器数据及个别行驶数据的步骤；
(b)所述服务服务器执行(i)把不是所述对象车辆的所述自动行驶车辆中一个以上的特定自动行驶车辆的特定传感器数据及所述对象车辆的对象传感器数据输入到一个以上的各数据处理服务器获得对所述对象车辆的各自动行驶源信息的过程及(ii)参照所述对象车辆的对象行驶数据从状况特化性能DB获得对所述数据处理服务器的状况特化性能信息的过程的步骤；以及
(c)所述服务服务器把所述自动行驶源信息及所述状况特化性能信息传输到所述对象车辆，使所述对象车辆参照所述自动行驶源信息及所述状况特化性能信息执行所述自动行驶的步骤。
2.根据权利要求1所述的方法，其特征在于：
在所述(b)步骤中，
所述服务服务器参照所述对象行驶数据获得所述对象车辆周边的地形信息、所述对象车辆周边的天气信息、所述对象车辆的行驶时间段信息及所述对象车辆的车辆种类信息中至少一部分后，将参照所述地形信息、所述天气信息、所述行驶时间段信息及所述车辆种类信息中所述至少一部分生成的查询传输到所述状况特化性能DB获得所述数据处理服务器的所述状况特化性能信息。
3.根据权利要求1所述的方法，其特征在于：
所述(c)步骤中，
所述服务服务器使所述对象车辆(i)参照所述对象传感器数据计算关于各所述自动行驶源信息的各自我验证评分，(ii)参照所述自我验证评分及所述状况特化性能信息中至少一部分生成对应于各所述自动行驶源信息的整合自动行驶源信息后，(iii)参照所述整合自动行驶源信息执行所述自动行驶。
4.根据权利要求3所述的方法，其特征在于：
所述服务服务器使包含于所述对象车辆的至少一个卷积神经网络，对向量适用至少一个卷积神经网络运算执行分类生成所述自我验证评分，其中所述向量包括(i)所述对象传感器数据与(ii)所述自动行驶源信息。
5.根据权利要求3所述的方法，其特征在于：
所述服务服务器使所述对象车辆将所述自我验证评分作为性能反馈信息传输到所述服务服务器，所述服务服务器参照所述性能反馈信息更新所述状况特化性能DB。
6.根据权利要求1所述的方法，其特征在于：
所述服务服务器使所述对象车辆(i)参照第T时刻利用各所述自动行驶源信息及所述状况特化性能信息生成的整合自动行驶源信息执行所述自动行驶，(ii)使用所述第T时刻执行的所述自动行驶的第T+1时刻的结果状况信息生成关于各所述自动行驶源信息的各自我验证评分后，(iii)将所述自我验证评分作为性能反馈信息传输到所述服务服务器。
7.根据权利要求1所述的方法，其特征在于：
在所述(b)步骤中，
所述服务服务器从所述自动行驶车辆中选择满足对应于所述对象车辆的对象位置、所述自动行驶车辆的一个以上的个别位置之间关系的直接交互条件及对应于所述自动行驶车辆的个别运动信息的间接交互条件中至少一个的所述特定自动行驶车辆。
8.根据权利要求1所述的方法，其特征在于：
各所述数据处理服务器对所述对象传感器数据及所述特定传感器数据适用自动行驶算法生成各所述自动行驶源信息，
使用基于规则算法及深度学习算法中至少一部分设计所述自动行驶算法，各所述数据处理服务器通过各不同的运营体工作使得其自动行驶算法互异。
9.根据权利要求8所述的方法，其特征在于：
利用根据所述深度学习算法设计的一个以上的各特定自动行驶算法的一个以上的特定数据处理服务器分别将使用自己的卷积层的卷积运算适用于所述对象传感器数据及所述特定传感器数据生成至少一个特征图，将使用自己的输出层的输出运算适用于所述特征图生成各所述自动行驶源信息。
10.一种服务服务器，是利用竞争计算及信息融合提供用于支援车辆的自动行驶的自动行驶服务平台的服务服务器，其特征在于，包括：
至少一个存储器，其存储指令；以及
至少一个处理器，其构成为运行用于执行(I)通过包括对象车辆的所述自动行驶车辆中至少一部分上搭载的传感器获得个别传感器数据及个别行驶数据的过程；(II)(i)把不是所述对象车辆的所述自动行驶车辆中一个以上的特定自动行驶车辆的特定传感器数据及所述对象车辆的对象传感器数据输入到一个以上的各数据处理服务器获得对所述对象车辆的各自动行驶源信息的过程及(ii)参照所述对象车辆的对象行驶数据从状况特化性能DB获得对所述数据处理服务器的状况特化性能信息的过程；以及(III)把所述自动行驶源信息及所述状况特化性能信息传输到所述对象车辆，使所述对象车辆参照所述自动行驶源信息及所述状况特化性能信息执行所述自动行驶的过程的所述指令。
11.根据权利要求10所述的服务服务器，其特征在于：
在所述(II)过程中，
所述处理器参照所述对象行驶数据获得所述对象车辆周边的地形信息、所述对象车辆周边的天气信息、所述对象车辆的行驶时间段信息及所述对象车辆的车辆种类信息中至少一部分后，将参照所述地形信息、所述天气信息、所述行驶时间段信息及所述车辆种类信息中所述至少一部分生成的查询(query)传输到所述状况特化性能DB获得所述数据处理服务器的所述状况特化性能信息。
12.根据权利要求10所述的服务服务器，其特征在于：
在所述(III)过程中，
所述处理器使所述对象车辆(i)参照所述对象传感器数据计算各所述自动行驶源信息的各自我验证评分，(ii)参照所述自我验证评分及所述状况特化性能信息中至少一部分生成对应于各所述自动行驶源信息的整合自动行驶源信息后，(iii)参照所述整合自动行驶源信息执行所述自动行驶。
13.根据权利要求12所述的服务服务器，其特征在于：
所述处理器使包含于所述对象车辆的至少一个卷积神经网络，对向量适用至少一个卷积神经网络运算执行分类生成所述自我验证评分，其中所述向量包括(i)所述对象传感器数据与(ii)所述自动行驶源信息。
14.根据权利要求12所述的服务服务器，其特征在于：
所述处理器使所述对象车辆将所述自我验证评分作为性能反馈信息传输到所述服务服务器，所述服务服务器参照所述性能反馈信息更新所述状况特化性能DB。
15.根据权利要求10所述的服务服务器，其特征在于：
所述处理器使所述对象车辆(i)参照第T时刻利用各所述自动行驶源信息及所述状况特化性能信息生成的整合自动行驶源信息执行所述自动行驶，(ii)使用所述第T时刻执行的所述自动行驶的第T+1时刻的结果状况信息生成关于各所述自动行驶源信息的各自我验证评分后，(iii)将所述自我验证评分作为性能反馈信息传输到所述服务服务器。
16.根据权利要求10所述的服务服务器，其特征在于：
在所述(II)过程中，
所述处理器从所述自动行驶车辆中选择满足对应于所述对象车辆的对象位置、所述自动行驶车辆的一个以上的个别位置之间关系的直接交互条件及对应于所述自动行驶车辆的个别运动信息的间接交互条件中至少一个的所述特定自动行驶车辆。
17.根据权利要求10所述的服务服务器，其特征在于：
各所述数据处理服务器对所述对象传感器数据及所述特定传感器数据适用自动行驶算法生成各所述自动行驶源信息，
使用基于规则算法及深度学习算法中至少一部分设计所述自动行驶算法，各所述数据处理服务器通过各不同的运营体工作使得其自动行驶算法互异。
18.根据权利要求17所述的服务服务器，其特征在于：
利用根据所述深度学习算法设计的一个以上的各特定自动行驶算法的一个以上的特定数据处理服务器分别将使用自己的卷积层的卷积运算适用于所述对象传感器数据及所述特定传感器数据生成至少一个特征图，将使用自己的输出层的输出运算适用于所述特征图生成各所述自动行驶源信息。
CN202010066096.7A 2019-01-31 2020-01-20 提供自动行驶服务平台的方法及利用其的服务器 Active CN111508253B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962799131P 2019-01-31 2019-01-31
US62/799,131 2019-01-31
US16/738,427 US10838418B2 (en) 2019-01-31 2020-01-09 Method for providing autonomous driving service platform to be used for supporting autonomous driving of vehicles by using competitive computing and information fusion, and server using the same
US16/738,427 2020-01-09

Publications (2)

Publication Number Publication Date
CN111508253A true CN111508253A (zh) 2020-08-07
CN111508253B CN111508253B (zh) 2022-04-19

Family

ID=69187610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010066096.7A Active CN111508253B (zh) 2019-01-31 2020-01-20 提供自动行驶服务平台的方法及利用其的服务器

Country Status (5)

Country Link
US (1) US10838418B2 (zh)
EP (1) EP3690845A1 (zh)
JP (1) JP6938056B2 (zh)
KR (1) KR102314515B1 (zh)
CN (1) CN111508253B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021004640A1 (de) 2021-09-14 2021-11-11 Daimler Ag Anbieter-Roaming für den Betrieb autonomer Fahrzeuge
KR102585557B1 (ko) * 2021-11-29 2023-10-06 주식회사 와이즈오토모티브 자율 주행 차량의 장애물 인지 성능 평가 장치 및 방법
CN114882717B (zh) * 2022-03-16 2024-05-17 仓擎智能科技(上海)有限公司 一种基于车路协同的物体检测***和方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150158499A1 (en) * 2013-12-05 2015-06-11 Magna Electronics Inc. Vehicle monitoring system
CN106953904A (zh) * 2017-03-13 2017-07-14 百度在线网络技术（北京）有限公司 自动驾驶车辆的数据传输方法、装置、设备及存储介质
CN107851125A (zh) * 2015-08-11 2018-03-27 大陆汽车有限责任公司 通过车辆和服务器数据库进行两步对象数据处理以生成、更新和传送精确道路特性数据库的***和方法
EP3309640A2 (en) * 2016-10-13 2018-04-18 Baidu USA LLC Group driving style learning framework for autonomous vehicles
WO2018122808A1 (zh) * 2016-12-30 2018-07-05 同济大学 一种基于舒适度的自动驾驶行驶规划方法
US10019011B1 (en) * 2017-10-09 2018-07-10 Uber Technologies, Inc. Autonomous vehicles featuring machine-learned yield model
CN108475057A (zh) * 2016-12-21 2018-08-31 百度（美国）有限责任公司 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和***
CN108594799A (zh) * 2018-01-17 2018-09-28 佛山杰致信息科技有限公司 无人驾驶汽车路况信息实时获取装置与***
CN108803604A (zh) * 2018-06-06 2018-11-13 深圳市易成自动驾驶技术有限公司 车辆自动驾驶方法、装置以及计算机可读存储介质
CN108931971A (zh) * 2018-05-24 2018-12-04 奇瑞汽车股份有限公司 用于无人驾驶的移动终端、车辆、服务器及无人驾驶***
CN108986540A (zh) * 2017-06-02 2018-12-11 本田技研工业株式会社 车辆控制***和方法、以及行驶辅助服务器

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5780996B2 (ja) 2012-03-28 2015-09-16 日立オートモティブシステムズ株式会社 車両走行制御装置
US10216190B2 (en) * 2016-09-20 2019-02-26 International Business Machines Corporation Managing autonomous vehicles needing energy replenishment
US10311658B2 (en) * 2016-10-07 2019-06-04 Waymo Llc Unexpected impulse change collision detector
US10769452B2 (en) * 2016-11-14 2020-09-08 Lyft, Inc. Evaluating and presenting pick-up and drop-off locations in a situational-awareness view of an autonomous vehicle
KR20180094725A (ko) * 2017-02-16 2018-08-24 삼성전자주식회사 자율 주행을 위한 차량 제어 방법, 차량 제어 장치 및 자율 주행을 위한 학습 방법
KR102406506B1 (ko) * 2017-02-17 2022-06-10 현대자동차주식회사 자율주행 차량 경쟁 제어 장치, 그를 포함한 시스템 및 그 방법
US11836611B2 (en) * 2017-07-25 2023-12-05 University Of Massachusetts Method for meta-level continual learning
US20190049950A1 (en) * 2018-09-17 2019-02-14 Intel Corporation Driving environment based mixed reality for computer assisted or autonomous driving vehicles

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150158499A1 (en) * 2013-12-05 2015-06-11 Magna Electronics Inc. Vehicle monitoring system
CN107851125A (zh) * 2015-08-11 2018-03-27 大陆汽车有限责任公司 通过车辆和服务器数据库进行两步对象数据处理以生成、更新和传送精确道路特性数据库的***和方法
EP3309640A2 (en) * 2016-10-13 2018-04-18 Baidu USA LLC Group driving style learning framework for autonomous vehicles
CN108475057A (zh) * 2016-12-21 2018-08-31 百度（美国）有限责任公司 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和***
WO2018122808A1 (zh) * 2016-12-30 2018-07-05 同济大学 一种基于舒适度的自动驾驶行驶规划方法
CN106953904A (zh) * 2017-03-13 2017-07-14 百度在线网络技术（北京）有限公司 自动驾驶车辆的数据传输方法、装置、设备及存储介质
CN108986540A (zh) * 2017-06-02 2018-12-11 本田技研工业株式会社 车辆控制***和方法、以及行驶辅助服务器
US10019011B1 (en) * 2017-10-09 2018-07-10 Uber Technologies, Inc. Autonomous vehicles featuring machine-learned yield model
CN108594799A (zh) * 2018-01-17 2018-09-28 佛山杰致信息科技有限公司 无人驾驶汽车路况信息实时获取装置与***
CN108931971A (zh) * 2018-05-24 2018-12-04 奇瑞汽车股份有限公司 用于无人驾驶的移动终端、车辆、服务器及无人驾驶***
CN108803604A (zh) * 2018-06-06 2018-11-13 深圳市易成自动驾驶技术有限公司 车辆自动驾驶方法、装置以及计算机可读存储介质

Also Published As

Publication number Publication date
KR20200095382A (ko) 2020-08-10
JP6938056B2 (ja) 2021-09-22
KR102314515B1 (ko) 2021-10-20
EP3690845A1 (en) 2020-08-05
US20200249676A1 (en) 2020-08-06
JP2020126643A (ja) 2020-08-20
CN111508253B (zh) 2022-04-19
US10838418B2 (en) 2020-11-17

Similar Documents

Publication Publication Date Title
KR102328732B1 (ko) 다양한 소스로부터 획득되는 정보의 퓨전을 통해 주변 객체의 모션을 예측함으로써, 사고 위험을 회피하여 안전한 자율 주행을 지원하는 학습 방법, 그리고 이를 이용한 학습 장치, 테스트 방법, 및 테스트 장치
CN110244701B (zh) 用于基于自动生成的课程序列的自主车辆的强化学习的方法和装置
CN111506058B (zh) 通过信息融合来计划自动驾驶的短期路径的方法及装置
Naranjo et al. Using fuzzy logic in automated vehicle control
CN111508253B (zh) 提供自动行驶服务平台的方法及利用其的服务器
US10466361B2 (en) Systems and methods for multi-sensor fusion using permutation matrix track association
CN109690434A (zh) 用于操控自主车辆的操控***
CN110356412B (zh) 用于自主驾驶的自动规则学习的方法和设备
CN111505690B (zh) 实时检测应急车辆并规划行驶路径的方法及装置
CN111507369B (zh) 自动行驶车辆空间学习方法及装置、测试方法及装置
CN111507373B (zh) 执行无缝参数变更的方法及装置
JP2018205940A (ja) 移動体挙動予測装置
CN113298250A (zh) 用于定位和对象检测的神经网络
US11657635B2 (en) Measuring confidence in deep neural networks
US20230153623A1 (en) Adaptively pruning neural network systems
US20210398014A1 (en) Reinforcement learning based control of imitative policies for autonomous driving
Ren et al. Intelligent path planning and obstacle avoidance algorithms for autonomous vehicles based on enhanced rrt algorithm
US11262201B2 (en) Location-based vehicle operation
US20210103800A1 (en) Certified adversarial robustness for deep reinforcement learning
US11158066B2 (en) Bearing only SLAM with cameras as landmarks
US20220172062A1 (en) Measuring confidence in deep neural networks
US11952015B2 (en) Systems and methods related to controlling autonomous vehicle(s)
EP4145358A1 (en) Systems and methods for onboard enforcement of allowable behavior based on probabilistic model of automated functional components

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