CN112041774A - 用于3级自动驾驶车辆的基于摄像机的横向位置校准 - Google Patents
用于3级自动驾驶车辆的基于摄像机的横向位置校准 Download PDFInfo
- Publication number
- CN112041774A CN112041774A CN201980002098.5A CN201980002098A CN112041774A CN 112041774 A CN112041774 A CN 112041774A CN 201980002098 A CN201980002098 A CN 201980002098A CN 112041774 A CN112041774 A CN 112041774A
- Authority
- CN
- China
- Prior art keywords
- calibration
- value
- deviation
- autonomous vehicle
- offset value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000008447 perception Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 13
- 238000012937 correction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 230000002085 persistent effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- QBPPRVHXOZRESW-UHFFFAOYSA-N 1,4,7,10-tetraazacyclododecane Chemical compound C1CNCCNCCNCCN1 QBPPRVHXOZRESW-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007664 blowing 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
- 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
- 238000001914 filtration Methods 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
- 230000010076 replication Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 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
-
- 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
-
- 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
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/806—Relative heading
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
描述了用于接收和校准横向偏离值以及用于控制自动驾驶车辆以修正横向偏离的计算机实施的方法、装置和***。在每个感知和规划周期中,基于摄像机检测,生成代表相对于参考线(例如,对应于车道中心)的估计的自动驾驶车辆的横向偏离的单个横向偏离值。接收当前周期的偏离值。基于接收的偏离值和高斯分布模型,可以对于当前周期更新校准偏离值。基于所更新的校准偏离值生成当前周期的控制信号,以驾驶自动驾驶车辆至少部分地修正自动驾驶车辆的横向偏离。
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自动驾驶车辆的横向偏离校准及修正。
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。
在自动驾驶车辆运行期间,车辆的横向位置应尽可能保持靠近车道中心。自动驾驶车辆的横向位置会受到各种因素的影响,如方向盘偏斜、车轮偏斜、吹在车辆上的侧风、道路倾斜等。一种用于实时确定车辆横向偏离的适当的校准方法是有用的。
发明内容
在第一方面,本公开提供了一种用于操作自动驾驶车辆的计算机实施的方法,该方法包括:确定代表相对于参考线的估计的自动驾驶车辆的横向偏离的当前周期的偏离值,所述偏离值已基于由摄像机捕获的摄像机数据生成;使用高斯分布模型基于所述偏离值更新所述当前周期的校准偏离值;以及基于所更新的校准偏离值生成所述当前周期的控制信号,以驾驶自动驾驶车辆至少部分地修正所述自动驾驶车辆的横向偏离。
在第二方面,本公开提供了一种存储有指令的非暂时性机器可读介质,该指令在由处理器执行时致使处理器执行操作,该操作包括:确定代表相对于参考线的估计的自动驾驶车辆的横向偏离的当前周期的偏离值,所述偏离值已基于由摄像机捕获的摄像机数据生成;使用高斯分布模型基于所述偏离值更新所述当前周期的校准偏离值;以及基于所更新的校准偏离值生成所述当前周期的控制信号,以驾驶自动驾驶车辆至少部分地修正所述自动驾驶车辆的横向偏离。
在第三方面,本公开提供了一种数据处理***,该数据处理***包括处理器和存储器,其中,存储器联接至处理器以存储指令,该指令在由处理器执行时致使处理器执行操作自动驾驶车辆的操作,该操作包括:确定代表相对于参考线的估计的自动驾驶车辆的横向偏离的当前周期的偏离值,所述偏离值已基于由摄像机捕获的摄像机数据生成;使用高斯分布模型基于所述偏离值更新所述当前周期的校准偏离值;以及基于所更新的校准偏离值生成所述当前周期的控制信号,以驾驶自动驾驶车辆至少部分地修正所述自动驾驶车辆的横向偏离。
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是示出根据一个实施方式的可以使用的各种组件的框图。
图5是示出根据一个实施方式的用于校准自动驾驶车辆中的横向偏离值和修正横向偏离的示例方法的流程图。
图6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。
本公开的一个实施方式涉及用于接收和校准横向偏离值以及用于控制自动驾驶车辆以修正横向偏离的计算机实施的方法、装置和***。在每个感知和规划周期中,基于摄像机检测,生成代表相对于参考线(例如,对应于车道中心)的估计的自动驾驶车辆的横向偏离的单个横向偏离值。本文所描述的横向偏离校准和修正方法不需要地图或其他传感器。接收当前周期的偏离值(可以表示为dn)。基于接收的偏离值(dn)和高斯分布模型,可以更新当前周期的校准偏离值(更新的校准偏离值可以表示为Dn)。此后,可基于所更新的校准偏离值(Dn)生成当前周期的控制信号,以驾驶自动驾驶车辆至少部分地来修正自动驾驶车辆横向偏离。
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、资讯娱乐***114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总线是设计成允许微控制器和装置在没有主机的应用中与彼此通信的车辆总线标准。它是最初是为汽车内的复用电气布线设计的基于消息的协议,但也用于许多其它环境。
现在参考图2,在一个实施方式中,传感器***115包括但不限于一个或多个摄像机211、全球定位***(GPS)单元212、惯性测量单元(IMU)213、雷达单元214以及光探测和测距(LIDAR)单元215。GPS***212可包括收发器,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1,无线通信***112允许自动驾驶车辆101与诸如装置、传感器、其它车辆等外部***之间的通信。例如,无线通信***112可以与一个或多个装置直接无线通信,或者经由通信网络进行无线通信,诸如,通过网络102与服务器103至104通信。无线通信***112可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。
服务器103可以是数据分析***,从而为各种客户执行数据分析服务。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包括指示所发出的驾驶指令(例如,油门、制动、转向指令)以及由车辆的传感器在不同的时间点捕捉到的车辆的响应(例如,速度、加速、减速、方向)的信息。驾驶统计数据123还可包括描述不同时间点下的驾驶环境的信息,例如,路线(包括起始位置和目的地位置)、MPOI、道路状况、天气状况等。
基于驾驶统计数据123,出于各种目的,机器学习引擎122生成或训练一组规则、算法和/或预测模型124。在一个实施方式中,算法124可包括检测自动驾驶的偏离的算法。然后算法124可上传到ADV上以在自动驾驶期间实时使用。
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和偏离值校准模块308。
模块301至308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308中的一些可一起集成为集成模块。
定位模块301确定自动驾驶车辆300的当前位置(例如,利用GPS单元212)以及管理与用户的行程或路线相关的任何数据。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、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个或多个车道的信息,诸如,例如车道的形状(例如,直线或弯曲)、车道的宽度、道路中的车道数量、单向或双向车道、合并或分开车道、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、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(也称作为驾驶周期)中执行,例如,在每个时间间隔为100毫秒(ms)的周期中执行。对于规划周期或驾驶周期中的每一个,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***可确定用于影响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。
参考图4,示出根据一个实施方式的可以使用的各种组件的框图400被示出。在每个感知和规划周期中,基于摄像机检测模块410处的摄像机检测,生成代表估计的自动驾驶车辆相对于参考线(例如,对应于车道中心)的的横向偏离的单个横向偏离值。摄像机检测模块410可以包括图2的摄像机211和其他必要的处理逻辑。基于接收的偏离值和高斯分布模型420,可以在偏离值校准模块308处对于当前周期更新校准偏离值。在基于高斯分布模型的偏离值校准中,使用跨过多个连续周期的多个偏离值的固定大小的校准窗口308A。更新的校准偏离值被提供给决策/规划模块430,其中可以确定对于当前周期的偏离修正目标(例如,如上所述的k*Dn)。决策/规划模块430可对应于如图3A-3B所示的决策模块304和规划模块305。此后,基于当前周期的偏离修正目标,可在控制模块307处生成当前周期的控制信号,以驾驶自动驾驶车辆至少部分地修正自动驾驶车辆的横向偏离。
在每个感知和规划周期中,根据一个实施方式,基于摄像机检测生成代表估计的自动驾驶车辆相对于参考线(例如,对应于车道中心)的横向偏离的横向偏离值。本文所述的横向偏离校准和修正方法不需要地图或其他传感器。接收当前周期的偏离值(可以表示为dn)。基于接收的偏离值(dn)和高斯分布模型,可以更新当前周期的校准偏离值(更新的校准偏离值可以表示为Dn)。规划模块305根据Dn规划轨迹。此后,例如,可以由控制模块306基于轨迹生成当前周期的控制信号,以驾驶自动驾驶车辆基于所更新的校准偏离值(Dn),至少部分地修正自动驾驶车辆的横向偏离。
在特定实施方式中,更新当前周期的校准偏离值(Dn)包括将来自上一周期的校准偏离值(即,Dn-1)以及当前周期的偏离值(Dn)和相应的概率值(可以表示为f(x),其中x是当前校准窗口中当前周期的偏离值的位置)的乘积相加。换句话说,Dn可以计算为dn*f(x)+Dn-1。
可以基于与高斯分布模型420相关联的概率密度函数来确定与当前周期的偏离值相对应的概率值f(x)。在一个实施方式中,概率密度函数的形式是其中x是当前校准窗口内当前周期的偏离值的位置(换句话说,x是可以在1和校准窗口的大小之间变化的自然数)。σ是高斯分布模型的标准偏差,u是高斯分布模型的平均值,e是自然对数的基。基于摄像机检测***的统计分析,可以确定高斯分布模型的标准偏差(σ)和平均值(u)。在一个实施方式中,1被设置为标准偏差(σ),并且校准窗口的大小被设置为平均值(u)。
校准窗口跨过多个连续周期的多个偏离值。在一个实施方式中,校准窗口的大小(即,从连续周期收集的偏离值的数量)可以至少部分地基于自动驾驶车辆控制***的端到端延迟和频率来确定。例如,对于端到端延迟约为200毫秒(ms)、以约10赫兹(Hz)的频率运行的***,可以使用约20到30的校准窗口大小。
校准窗口开始为空。当控制***从一个周期进入下一个周期时,偏离值被收集并输入校准窗口。一旦校准窗口变满,则在下一个周期开始之前或开始时,校准窗口被重新初始化(即,清除所有的值),校准偏离值(Dn)将重置为0。换言之,响应于确定当前周期的偏离值(dn)填满校准窗口,在生成当前周期的控制信号之后,校准窗口和校准偏离值(Dn)被重新初始化。
应该理解,本文描述的基于高斯分布模型的偏离值校准是有益的,因为可以有效地滤除传感器噪声。当横向偏离检测仅基于摄像机输入时,这尤其有益,因为基于摄像机的偏离检测往往带有噪声。
在每个周期(例如,规划周期)中,一旦校准的偏离值(Dn)被更新,就可以基于此生成该周期的控制信号,以驾驶自动驾驶车辆至少部分地修正自动驾驶车辆的横向偏离。然而,校准的偏离值(Dn)不能直接用于确定待在该周期执行的横向位置修正的量,因为这种潜在的突然和大的修正会导致控制***不稳定。在一个实施方式中,控制***旨在在每个周期仅修正Dn的分数(即,k*Dn,其中k远小于1)。这种温和的修正应该是控制***可以容忍的,并且修正将反映在基于高斯分布模型的后续周期的更新Dn值中。换句话说,车辆的横向位置以闭环方式进行修正。修正横向偏离的方式与比例积分(PI)控制器将用于横向偏离修正的方式类似,其中P对应于分数(k),I对应于校准偏离值(Dn)。
分数(k)和高斯分布模型可以基于使用的控制和规划算法以及传感器进行经验确定。在一个实施方式中,使用的分数(k)可以如下:对于小于10厘米(cm)(即,Dn<0.1m)的校准横向偏离,k设置为0;对于0.1m<=Dn<0.2m,k设置为0.01;对于0.2m<=Dn<0.3m,k设置为0.03;对于0.3m<=Dn<0.4m,k设置为0.05;对于0.4m<=Dn<0.5m,k设为0.1;对于0.5m<=Dn<0.6m,k设为0.15;对于0.6m<=Dn<0.7m,k设为0.175;对于0.7m<=Dn<0.8m,k设为0.2;对于0.8m<=Dn<0.9m,k设为0.25;对于Dn>0.9m,k设为0.3。应该理解,分数(k)应仔细调整,使其适合规划和控制算法。
一旦确定了分数(k),k*Dn就被传递到控制模块。控制模块现在可以相应地生成适当的信号以修正横向偏离。在一个实施方式中,控制信号可以包括方向盘角度和油门/制动命令。
参考图5,示出了根据一个实施方式的用于校准自动驾驶车辆中的横向偏离值和修正横向偏离的示例方法500的流程图被示出。在框501,接收代表相对于参考线的估计的自动驾驶车辆的横向偏离的当前周期的偏离值,该偏离值已经基于摄像机检测生成。在一个实施方式中,在每个周期中生成单个偏离值。在框502,基于接收的偏离值和高斯分布模型,更新当前周期的校准偏离值。在框503,基于所更新的校准偏离值生成当前周期的控制信号,以驾驶自动驾驶车辆以至少部分地修正自动驾驶车辆的横向偏离。
因此,本文描述的基于高斯分布模型的偏离值校准可以用于有效地滤除传感器噪声。由于基于摄像机的偏离检测往往带有噪声,因此当横向偏离检测仅基于摄像机输入时,滤除传感器噪声是尤为重要和有益的。
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7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、偏离值校准模块308等。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 (21)
1.一种用于操作自动驾驶车辆的计算机实施的方法,所述方法包括:
确定代表相对于参考线的估计的自动驾驶车辆的横向偏离的当前周期的偏离值,所述偏离值已基于由摄像机捕获的摄像机数据生成;
使用高斯分布模型基于所述偏离值更新所述当前周期的校准偏离值;以及
基于所更新的校准偏离值生成所述当前周期的控制信号,以驾驶自动驾驶车辆至少部分地修正所述自动驾驶车辆的横向偏离。
2.根据权利要求1所述的方法,其中,更新所述当前周期的校准偏离值包括将来自上一周期的校准偏离值与所述当前周期的偏离值和相应概率值的乘积相加。
3.根据权利要求2所述的方法,其中,基于与所述高斯分布模型相关联的概率密度函数来确定与所述当前周期的偏离值相对应的概率值。
5.根据权利要求4所述的方法,其中,所述校准窗口跨过多个连续周期的多个偏离值。
6.根据权利要求5所述的方法,其中,1设定为所述标准偏差(σ),且所述校准窗口的大小设定为所述平均值(u)。
7.根据权利要求5所述的方法,还包括响应于确定所述当前周期的偏离值填满所述校准窗口,在生成所述控制信号之后重新初始化所述校准窗口和所述校准偏离值。
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:
确定代表相对于参考线的估计的自动驾驶车辆的横向偏离的当前周期的偏离值,所述偏离值已基于由摄像机捕获的摄像机数据生成;
使用高斯分布模型基于所述偏离值更新所述当前周期的校准偏离值;以及
基于所更新的校准偏离值生成所述当前周期的控制信号,以驾驶自动驾驶车辆至少部分地修正所述自动驾驶车辆的横向偏离。
9.根据权利要求8所述的机器可读介质,其中,更新所述当前周期的校准偏离值包括将来自上一周期的校准偏离值与所述当前周期的偏离值和相应概率值的乘积相加。
10.根据权利要求9所述的机器可读介质,其中,基于与所述高斯分布模型相关联的概率密度函数来确定与所述当前周期的偏离值相对应的概率值。
12.根据权利要求11所述的机器可读介质,其中,所述校准窗口跨过多个连续周期的多个偏离值。
13.根据权利要求12所述的机器可读介质,其中,1设定为所述标准偏差(σ),且所述校准窗口的大小设定为所述平均值(u)。
14.根据权利要求12所述的机器可读介质,还包括响应于确定所述当前周期的偏离值填满所述校准窗口,在生成所述控制信号之后重新初始化所述校准窗口和所述校准偏离值。
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自动驾驶车辆的操作,所述操作包括:
确定代表相对于参考线的估计的自动驾驶车辆的横向偏离的当前周期的偏离值,所述偏离值已基于由摄像机捕获的摄像机数据生成;
使用高斯分布模型基于所述偏离值更新所述当前周期的校准偏离值;以及
基于所更新的校准偏离值生成所述当前周期的控制信号,以驾驶自动驾驶车辆至少部分地修正所述自动驾驶车辆的横向偏离。
16.根据权利要求15所述的数据处理***,其中,更新所述当前周期的校准偏离值包括将来自上一周期的校准偏离值与所述当前周期的偏离值和相应概率值的乘积相加。
17.根据权利要求16所述的数据处理***,其中,基于与所述高斯分布模型相关联的概率密度函数来确定与所述当前周期的偏离值相对应的概率值。
19.根据权利要求18所述的数据处理***,其中,所述校准窗口跨过多个连续周期的多个偏离值。
20.根据权利要求19所述的数据处理***,其中,1设定为所述标准偏差(σ),且所述校准窗口的大小设定为所述平均值(u)。
21.根据权利要求20所述的数据处理***,还包括响应于确定所述当前周期的偏离值填满所述校准窗口,在生成所述控制信号之后重新初始化所述校准窗口和所述校准偏离值。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/080096 WO2020191711A1 (en) | 2019-03-28 | 2019-03-28 | A camera-based low-cost lateral position calibration method for level-3 autonomous vehicles |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112041774A true CN112041774A (zh) | 2020-12-04 |
Family
ID=72610879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980002098.5A Pending CN112041774A (zh) | 2019-03-28 | 2019-03-28 | 用于3级自动驾驶车辆的基于摄像机的横向位置校准 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11180140B2 (zh) |
CN (1) | CN112041774A (zh) |
WO (1) | WO2020191711A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113127489A (zh) * | 2021-04-22 | 2021-07-16 | 京东鲲鹏(江苏)科技有限公司 | 数据表更新方法和装置 |
CN114866683A (zh) * | 2021-02-04 | 2022-08-05 | 通用汽车环球科技运作有限责任公司 | 用于使用外部智能传感器校准车辆照相机的***和方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11327497B2 (en) * | 2019-06-21 | 2022-05-10 | Volkswagen Ag | Autonomous transportation vehicle image augmentation |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101791979A (zh) * | 2009-01-29 | 2010-08-04 | 日产自动车株式会社 | 车辆制动控制器 |
CN103488174A (zh) * | 2013-09-16 | 2014-01-01 | 北京邮电大学 | 自动导引控制方法、控制装置及*** |
CN103688226A (zh) * | 2011-06-06 | 2014-03-26 | 克朗设备有限公司 | 用于自动校准车辆参数的方法和装置 |
CN107608314A (zh) * | 2016-07-12 | 2018-01-19 | 波音公司 | 用于工作单元和工厂级自动化的方法和设备 |
CN108292475A (zh) * | 2015-11-30 | 2018-07-17 | 日产自动车株式会社 | 车辆道路网的行驶中使用的预测车辆信息的生成方法以及装置 |
US20180348761A1 (en) * | 2017-05-31 | 2018-12-06 | Baidu Usa Llc | Scalable smooth reference path generator for autonomous driving vehicles |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6385539B1 (en) * | 1999-08-13 | 2002-05-07 | Daimlerchrysler Ag | Method and system for autonomously developing or augmenting geographical databases by mining uncoordinated probe data |
US8718932B1 (en) * | 2011-06-01 | 2014-05-06 | Google Inc. | Snapping GPS tracks to road segments |
CN102608998A (zh) * | 2011-12-23 | 2012-07-25 | 南京航空航天大学 | 嵌入式***的视觉导引agv***及方法 |
US9340207B2 (en) * | 2014-01-16 | 2016-05-17 | Toyota Motor Engineering & Manufacturing North America, Inc. | Lateral maneuver planner for automated driving system |
KR20200092435A (ko) * | 2014-02-06 | 2020-08-03 | 얀마 파워 테크놀로지 가부시키가이샤 | 병주 작업 시스템 |
CN105572651A (zh) * | 2015-12-30 | 2016-05-11 | 哈尔滨工业大学 | 一种基于杂波背景统计识别的cfar检测方法 |
US11086334B2 (en) * | 2016-07-21 | 2021-08-10 | Mobileye Vision Technologies Ltd. | Crowdsourcing a sparse map for autonomous vehicle navigation |
US10196086B2 (en) * | 2016-08-11 | 2019-02-05 | GM Global Technology Operations LLC | Methods and apparatus for robust trajectory control of an autonomous vehicle |
US10504368B2 (en) * | 2017-06-21 | 2019-12-10 | International Business Machines Corporation | Management of mobile objects |
JP6633663B2 (ja) * | 2018-02-09 | 2020-01-22 | 本田技研工業株式会社 | 車両走行制御装置 |
JP6664424B2 (ja) * | 2018-02-09 | 2020-03-13 | 本田技研工業株式会社 | 車両走行制御装置 |
EP4253913A3 (en) * | 2018-03-05 | 2023-12-13 | Mobileye Vision Technologies Ltd. | Systems and methods for anonymizing navigation information |
CN109343543A (zh) * | 2018-12-13 | 2019-02-15 | 合肥泰禾光电科技股份有限公司 | 一种车辆直行导航方法以及车辆直行导航装置 |
US11242050B2 (en) * | 2019-01-31 | 2022-02-08 | Honda Motor Co., Ltd. | Reinforcement learning with scene decomposition for navigating complex environments |
-
2019
- 2019-03-28 US US16/338,427 patent/US11180140B2/en active Active
- 2019-03-28 CN CN201980002098.5A patent/CN112041774A/zh active Pending
- 2019-03-28 WO PCT/CN2019/080096 patent/WO2020191711A1/en active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101791979A (zh) * | 2009-01-29 | 2010-08-04 | 日产自动车株式会社 | 车辆制动控制器 |
CN103688226A (zh) * | 2011-06-06 | 2014-03-26 | 克朗设备有限公司 | 用于自动校准车辆参数的方法和装置 |
CN103488174A (zh) * | 2013-09-16 | 2014-01-01 | 北京邮电大学 | 自动导引控制方法、控制装置及*** |
CN108292475A (zh) * | 2015-11-30 | 2018-07-17 | 日产自动车株式会社 | 车辆道路网的行驶中使用的预测车辆信息的生成方法以及装置 |
CN107608314A (zh) * | 2016-07-12 | 2018-01-19 | 波音公司 | 用于工作单元和工厂级自动化的方法和设备 |
US20180348761A1 (en) * | 2017-05-31 | 2018-12-06 | Baidu Usa Llc | Scalable smooth reference path generator for autonomous driving vehicles |
CN108981730A (zh) * | 2017-05-31 | 2018-12-11 | 百度(美国)有限责任公司 | 用于为操作自动驾驶车辆生成参考路径的方法和*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114866683A (zh) * | 2021-02-04 | 2022-08-05 | 通用汽车环球科技运作有限责任公司 | 用于使用外部智能传感器校准车辆照相机的***和方法 |
CN113127489A (zh) * | 2021-04-22 | 2021-07-16 | 京东鲲鹏(江苏)科技有限公司 | 数据表更新方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2020191711A1 (en) | 2020-10-01 |
US11180140B2 (en) | 2021-11-23 |
US20210188266A1 (en) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533943B (zh) | 确定自动驾驶车辆的车道改变轨迹的方法 | |
CN110667591B (zh) | 用于自动驾驶车辆的规划驾驶感知*** | |
CN109489673B (zh) | 用于自动驾驶车辆的数据驱动地图更新*** | |
CN109196432B (zh) | 用于自动驾驶车辆的速度控制参数估计方法、介质和*** | |
CN108602509B (zh) | 基于运动规划来操作自动驾驶车辆的方法和*** | |
CN110389580B (zh) | 用于规划自动驾驶车辆的路径的漂移校正的方法 | |
US10353393B2 (en) | Method and system for improving stability of autonomous driving vehicles | |
CN108891417B (zh) | 用于操作自动驾驶车辆的方法及数据处理*** | |
CN108733046B (zh) | 用于自动驾驶车辆的轨迹重新规划的***和方法 | |
CN110621541B (zh) | 用于生成轨迹以操作自动驾驶车辆的方法和*** | |
KR20180074676A (ko) | 자율 주행 차량의 조향률의 동적 조정 | |
CN111380534A (zh) | 用于自动驾驶车辆的基于st图学习的决策 | |
US11327498B2 (en) | Polynomial-fit based reference line smoothing method for high speed planning of autonomous driving vehicles | |
KR20210134853A (ko) | 자율 주행 차량에 사용되는 터널에 기초한 계획 시스템 | |
CN111328313B (zh) | 用于自动驾驶车辆的控制占主导的三点转弯规划 | |
CN111856923A (zh) | 加速对复杂驾驶场景的规划的参数学习的神经网络方法 | |
WO2020062030A1 (en) | A spiral path based three-point turn planning for autonomous driving vehicles | |
US11180140B2 (en) | Camera-based low-cost lateral position calibration method for level-3 autonomous vehicles | |
EP3697656B1 (en) | A mutual nudge algorithm for self-reverse lane of autonomous driving | |
CN113226825B (zh) | 自动驾驶车辆的基于扭矩反馈的车辆纵向自动校准*** | |
WO2020010489A1 (en) | A speed control command auto-calibration system for autonomous vehicles | |
CN111649751B (zh) | 一种用于参考线平滑的超自由缝合方法 | |
CN112272805A (zh) | 连接两条平滑参考线的基于多点增强的拼接方法 | |
CN112041637B (zh) | 用于3级自动驾驶车辆的无地图且基于摄像机的车道标识取样方法 |
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 |