CN112823372B - 排队进入上车和下车位置 - Google Patents
排队进入上车和下车位置 Download PDFInfo
- Publication number
- CN112823372B CN112823372B CN201980066874.8A CN201980066874A CN112823372B CN 112823372 B CN112823372 B CN 112823372B CN 201980066874 A CN201980066874 A CN 201980066874A CN 112823372 B CN112823372 B CN 112823372B
- Authority
- CN
- China
- Prior art keywords
- queue
- processors
- location
- vehicle
- computing device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 42
- 230000008447 perception Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 4
- 230000015654 memory Effects 0.000 description 21
- 230000006399 behavior Effects 0.000 description 17
- 230000001133 acceleration Effects 0.000 description 8
- 230000000903 blocking effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101100206395 Caenorhabditis elegans tag-250 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- B60W60/0025—Planning or execution of driving tasks specially adapted for specific operations
- B60W60/00253—Taxi operations
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/60—Intended control result
- G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/202—Dispatching vehicles on the basis of a location, e.g. taxi dispatching
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
- G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
-
- 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
- B60W2554/406—Traffic density
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Traffic Control Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Operations Research (AREA)
Abstract
本公开的方面提供了控制自主车辆100以响应在上车或下车位置处的排队行为。作为示例,可以接收在位置处使乘客上车或下车的请求。可以确定该位置可能有用于使乘客上车和下车的队列710。基于从感知***172接收的传感器数据,可以确定在该位置处是否存在队列。一旦确定队列存在,就可以确定是否加入队列以避免对其他道路使用者造成不便。基于加入队列的确定,可以控制车辆以加入队列。
Description
相关申请的交叉引用
本申请要求2018年10月9日提交的申请序列号16/154,829的权益,其公开内容通过引用结合于此。
技术领域
本申请涉及排队进入上车和下车位置。
背景技术
自主车辆,例如不需要人类驾驶员的车辆,可以用于帮助将乘客或物品从一个位置运输到另一位置。这样的车辆可以在完全自主模式下操作,在该完全自主模式下乘客可以提供某一初始输入,例如上车(pickup)或下车(drop-off)位置,并且车辆将自身操纵到该位置。
当一个人(或用户)想要经由车辆在两个位置之间进行物理运输时,他们可以使用任何数量的运输服务。迄今为止,这些服务通常涉及人类驾驶员,其被给予到一位置的派遣指令以使用户上车。在许多情况下,该位置可能会有用于使乘客上车或下车的队列。例如,人类驾驶员可能会知道诸如机场和火车站的位置通常有用于使乘客上车或下车的队列。此外,人类驾驶员通常从经验中了解此类队列的常见做法和规则,并且可以直观地响应其他车辆的排队行为。这样,人类驾驶员能够确定如何最好地减少对队列中和周围的其他驾驶员的不便。在没有人类驾驶员的自主车辆的情况下,这不是可容易实现的。
发明内容
本公开的方面提供了:由一个或多个处理器接收在位置处使乘客上车或下车的请求;由所述一个或多个处理器确定该位置有可能有用于使乘客上车和下车的队列;由所述一个或多个处理器基于从感知***接收的传感器数据来确定在该位置处在上车和下车地点存在队列;由所述一个或多个处理器基于传感器数据确定是否加入队列以避免对其他道路使用者造成不便;以及由所述一个或多个处理器基于加入队列的确定来控制车辆以加入队列。
确定在该位置处是否存在队列可以基于从传感器数据观察到的交通模式。确定在该位置处是否存在队列可以基于使用传感器数据的时间序列观察到的交通模式的变化。确定在该位置处是否存在队列可以基于使用传感器数据检测到的标志,其中标志在交通模式的预定距离内。
该方法还可以包括:由所述一个或多个处理器基于传感器数据来确定如果车辆加入队列,则车辆是否会堵塞交通;其中,确定是否加入队列可以基于如果车辆加入队列,则车辆是否会堵塞交通。该方法还可以包括:由所述一个或多个处理器基于传感器数据来确定如果车辆加入队列,则车辆是否会干扰另一车辆的装载或卸载;其中,确定是否加入队列可以基于如果车辆加入队列,则车辆是否会干扰另一车辆的装载或卸载。
该方法还可以包括:由所述一个或多个处理器基于传感器数据来确定队列中用于装载和卸载乘客的指定的地点,以及由所述一个或多个处理器控制车辆在队列中向前移动以到达指定的地点。该方法还可以包括:由所述一个或多个处理器基于传感器数据来确定队列中的其他车辆容忍在指定的地点之外装载或卸载,以及由所述一个或多个处理器控制车辆以在指定的地点之外执行上车或下车。该方法还可以包括:由所述一个或多个处理器基于传感器数据确定队列具有多个车道;以及由所述一个或多个处理器控制车辆变换到最接近指定的地点的车道。
该方法还可以包括:由所述一个或多个处理器基于传感器数据来预测车辆到达队列中指定的地点的预期等待时间;以及由所述一个或多个处理器向乘客的客户端计算设备发送指示车辆正在队列中等待以在指定的地点使乘客上车的消息,该消息包括预期等待时间。该方法还可以包括:由所述一个或多个处理器基于传感器数据来预测车辆到达队列中指定的地点的预期等待时间;以及由所述一个或多个处理器基于传感器数据向乘客提供在从车辆出去之前等待车辆到达指定的地点的消息,该消息包括预期等待时间。
该方法还可以包括:由所述一个或多个处理器基于传感器数据来预测车辆到达队列中指定的地点的预期等待时间;以及由所述一个或多个处理器预测请求在该位置处上车的乘客到达指定的地点的估计到达时间;其中,确定是否加入队列可以基于预期等待时间与估计到达时间之间的比较。该方法还可以包括:由所述一个或多个处理器基于预期等待时间与估计到达时间之间的比较来确定在加入队列之前在等待区域中等待;以及由所述一个或多个处理器控制车辆在加入队列之前停放在等待区域中。
该方法还可以包括:在到达队列中的指定的地点时,由所述一个或多个处理器基于退出和重新加入队列的困难水平来确定要在指定的地点处等待乘客的时间量;以及由所述一个或多个处理器控制车辆在等待该时间量之后退出队列。该方法还可以包括:在到达队列中的指定的地点时,由所述一个或多个处理器基于车辆是否在指定的地点堵塞交通来确定要在指定的地点处等待乘客的时间量;以及由所述一个或多个处理器控制车辆在等待该时间量之后退出队列。
该方法还可以包括:在到达队列中的指定的地点时,由所述一个或多个处理器确定乘客到达指定的地点的估计到达时间;基于估计到达时间,控制车辆退出队列;由所述一个或多个处理器预测在退出队列之后到达指定的地点的预期等待时间;由所述一个或多个处理器基于估计到达时间与预期等待时间之间的比较来确定在退出队列之后返回队列;以及由所述一个或多个处理器控制车辆在退出队列之后行驶返回队列。该方法还可以包括:由所述一个或多个处理器向乘客的用户设备发送指示车辆正在返回队列的末尾的消息,该消息包括预期等待时间。该方法还可以包括:由所述一个或多个处理器基于估计到达时间与预期等待时间之间的比较来确定在返回队列之前在等待区域中等待;以及由所述一个或多个处理器控制车辆在返回队列之前停放在等待区域中。
该方法还可以包括:由所述一个或多个处理器确定该位置具有多个指定的上车区域或下车区域;由所述一个或多个处理器选择指定的上车区域或下车区域之一;以及由所述一个或多个处理器控制车辆行驶至所选择的指定的上车区域或下车区域。选择指定的上车区域或下车区域之一可以基于从用户设备接收的反馈,与乘客相关联的反馈识别用于上车或下车的优选的地点。
附图说明
图1是根据本公开的方面的示例车辆的功能图。
图2是根据本公开的方面的地图信息的示例表示。
图3是根据本公开的方面的车辆的示例外部视图。
图4是根据本公开的方面的***的示例示图。
图5是根据本公开的方面的***的示例功能图。
图6是根据本公开的方面的示例流程图。
图7A-10是根据本公开的方面的各种情形的示例。
具体实施方式
概述
本技术涉及用于排队进入一排车辆以执行货物和/或乘客的上车或下车的自主车辆的行为。如上所述,自主车辆不具有识别和响应排队行为的直觉,因此可能按照对其他道路使用者造成不便或烦扰的方式表现。例如,如果在队列中有指定的地点(例如队列的前部)用于使乘客上车,则如果自主车辆在队列中的另一地点(例如队列的中间)执行上车,可能会给乘客和其他道路使用者造成不便或烦扰。再例如,如果车辆在队列中指定的上车位置等待太长时间,或者在乘客到达之前重新排队多次,这可能会使队列减慢并且因此给队列中的其他车辆造成不便。自主车辆的这种不适当行为可能导致交通拥堵,或者甚至对其他道路使用者来说不安全的状况,因此需要加以解决。
一种选项是让自主车辆请求来自远程操作员的帮助。例如,远程操作员可以向车辆提供指令,以指示自主车辆是否应该以及如何进入队列以等待乘客。一旦在队列中,远程操作员可以指示车辆应在队列中的何处使乘客上车,并且如果乘客不在那里,则车辆是应该继续在队列中等待还是应该离开并重新排队等。远程驾驶员可以通过检查车辆的周围环境来这样做,然后基于对乘客和其他道路使用者的考虑来引导车辆。但是,与远程操作员的这种来回交互会花费时间,这可能对乘客和其他道路使用者造成进一步的烦扰和不便。为了减少或甚至消除在这种情形下自主车辆呼叫远程操作员的需求,车辆的计算设备可以确定队列的各种情况并相应地控制车辆。
在这方面,车辆可以接收在位置处使乘客上车或下车的请求。作为响应,车辆使用地图信息(例如,包括GPS坐标)控制自己以便操纵到该位置。在这样做时,车辆的计算机从感知***接收传感器数据,以检测、识别并响应对象,包括道路使用者(车辆、自行车和乘客)、护栏和标志。
车辆的计算设备可以确定该位置是否可能具有队列。例如,车辆的计算设备可以基于指示该位置是机场或具有已排程的体育赛事的体育场的地图信息,确定该位置可能具有用于乘客上车和/或下车的队列。如果是这样,则车辆的计算设备可以激活过程以确定此时实际上是否存在队列,并确定该队列的适当的排队行为。
如果车辆的计算设备确定该位置可能具有队列,则当车辆接近该位置时,车辆的计算设备使用来自感知***的传感器数据来确定在该位置处是否存在用于上车或下车的队列。例如,通过从传感器数据识别交通模式(traffic pattern)以及这些交通模式随时间的变化,车辆的计算设备然后可以确定在该位置处实际上是否存在队列。为了允许车辆的计算设备快速评估这些交通模式,可以训练模型以接收上述传感器数据作为输入,并输出是否将任何交通模式识别为队列。可以通过使用由车辆的感知***生成的传感器数据与何时识别出队列的加标签的实例来训练模型。
一旦在该位置处识别出用于上车或下车的队列,则车辆的计算设备可以确定是否加入该队列。例如,车辆的计算设备可以基于传感器数据确定进入队列是否会给其他道路使用者造成不便,例如堵塞人行道或道路。对于另一个实例,特别是对于上车,车辆的计算设备可以确定队列的预期等待时间和乘客的预期到达时间,并确定是否进入队列以避免给其他道路使用者造成不便,例如避免需要重新排队。这样,传感器数据可以用于跟踪队列中的车辆的行进(progress)。可以进一步训练前述模型以接收传感器数据作为输入,并输出预期等待时间。
一旦确定进入队列不会给其他道路使用者造成不便,则车辆的计算设备控制车辆以加入队列。例如,车辆的计算设备可以控制车辆朝向队列行驶,在队列中的最后一个车辆后面停下,和/或与队列一起向前移动(move along)。
在某些情况下,基于传感器数据,车辆的计算设备还可以确定队列是否具有用于装载和卸载乘客的指定的地点。例如,传感器数据可以指示队列中的车辆在加速之前暂时停在队列的前部,基于此,车辆的计算设备可以确定指定的装载或卸载地点是队列的前部。车辆的计算设备可以控制车辆与队列一起向前移动,直到车辆到达指定的地点,然后控制车辆在指定的地点停止以执行上车或下车。在这方面,可以进一步训练前述模型以输出指定的地点的位置。此外,队列的预期等待时间可以是车辆到达队列中的指定的地点所需的时间。
如果当车辆到达时请求上车的乘客在指定的地点处或附近,则车辆的计算设备可以在指定的地点处使乘客上车。替选地,车辆的计算设备可以例如基于确定是否容忍在在指定的地点之外的装载或卸载,允许乘客在到达指定的地点之前进入车辆。
如果当车辆到达时乘客不在队列中的指定的地点处或附近,则车辆的计算设备可以确定在指定的地点处等待乘客的时间量,并且在等待该时间量之后退出队列。车辆的计算设备可以基于地图信息(例如位置的类型)来确定要等待的时间量。车辆的计算设备还可以基于传感器数据(例如,车辆是否会堵塞交通)确定要等待的时间量。在一些示例中,车辆的计算设备可以确定乘客到达指定的地点的更新的估计到达时间,并确定在等待该时间量之前退出队列。车辆的计算设备可以控制车辆退出队列并在稍后的时间重新排队。
如果例如基于更新的估计到达时间,车辆在乘客到达之前退出队列,则车辆的计算设备可以确定重新排队并到达指定的地点的预期等待时间。此外,基于更新的估计到达时间与重新排队的预期等待时间之间的比较,车辆的计算设备可以确定何时重新排队。
车辆的计算设备可以被配置为与乘客通信。例如,为了在车辆在队列中等待时使乘客知道车辆的所在之处,车辆的计算设备可以被配置为向乘客的用户设备发送指示车辆正在队列中等待和预期等待时间的消息。再例如,车辆的计算设备可以向乘客发送乘客应该何时进入或退出车辆的消息,例如何时完全停在用于装载或卸载的指定的地点。又例如,车辆的计算设备可以向乘客的用户设备发送消息,该消息指示车辆正在返回队列的末尾连同重新排队的预期等待时间。
上述特征可以使自主车辆能够在有用于在一位置处使乘客上车和下车的队列时做出独立的确定。这可以减少或者甚至消除远程操作员做出这些决策的需要,同时还减少了车辆对这种情形做出反应所花费的时间。同时,通过允许车辆自动确定队列的具有细微差别的情况或规则,例如队列中是否有用于装载或卸载的指定的地点,以及队列是快速移动还是慢速移动,车辆可能对其环境更敏感,并且不太可能堵塞乘客或其他道路使用者,对乘客或其他道路使用者造成不便,以及在某些情况下使乘客或其他道路使用者感到烦扰。
示例***
如图1所示,根据本公开的一个方面的车辆100包括各种组件。尽管本公开的某些方面对于特定类型的车辆特别有用,但是该车辆可以是任何类型的车辆,包括但不限于小汽车、卡车、摩托车、公共汽车、休闲车等。该车辆可以具有一个或多个计算设备,例如包含一个或多个处理器120、存储器130和通常在通用计算设备中存在的其他组件的计算设备110。
存储器130存储一个或多个处理器120可访问的信息,包括可以由处理器120执行或以其他方式使用的指令132和数据134。存储器130可以是能够存储可由处理器访问的信息的任何类型,包括计算设备可读介质或其他存储可以借助电子设备读取的数据的介质,例如硬驱动、存储卡、ROM、RAM、DVD或其他光盘,以及其他可写和只读存储器。***和方法可以包括前述的不同组合,由此指令和数据的不同部分被存储在不同类型的介质上。
指令132可以是将由处理器直接执行(例如,机器代码)或间接执行(例如,脚本)的任何指令集。例如,指令可以作为计算设备代码存储在计算设备可读介质上。就这一点而言,术语“指令”和“程序”在本文中可以互换使用。指令可以以目标代码格式存储以供处理器直接处理,或者以任何其他计算设备语言存储,包括按需解释或预先编译的独立源代码模块的集合或脚本。将在下面更详细地说明指令的功能、方法和例程。
数据134可以由处理器120根据指令132检索,存储或修改。作为示例,存储器130的数据134可以存储预定义的场景。给定场景可以识别一组场景要求,包括对象的类型、对象相对于车辆的位置的范围、以及其他因素,例如自主车辆是否能够操纵绕过该对象,对象是否正在使用转弯信号,与对象的当前位置相关的交通灯的状况,对象是否正在接近停止标志等。要求可以包括离散值,例如“右转弯信号开启”或“在右转专用车道(right turn onlylane)上”,或值范围,例如“具有下述走向:该走向以从车辆100的当前路径偏离30至60度的角度被定向”。在一些示例中,预定场景可以包括针对多个对象的类似信息。
一个或多个处理器120可以是任何常规处理器,例如可商购获得的CPU。替代地,一个或多个处理器可以是专用设备,诸如ASIC或其他基于硬件的处理器。尽管图1在功能上将处理器、存储器和计算设备110的其他元件示出为在同一块内,但是本领域普通技术人员将理解,处理器、计算设备或存储器实际上可以包括可能存放或可能不存放在同一物理壳体内的多个处理器、计算设备或存储器。作为示例,内部电子显示器152可以由具有其自己的处理器或中央处理单元(CPU)、存储器等的专用计算设备控制,该专用计算设备可以经由高带宽或其他网络连接与计算设备110对接。在一些示例中,该计算设备可以是可以与用户的客户端设备通信的用户界面计算设备。类似地,存储器可以是位于与计算设备110的壳体不同的壳体中的硬驱动或其他存储介质。因此,对处理器或计算设备的引用将被理解为包括对可以并行运行或可以不并行运行的处理器或计算设备或存储器的集合的引用。
计算设备110可以包括通常与计算设备结合使用的所有组件,例如上述处理器和存储器,以及用户输入150(例如,鼠标、键盘、触摸屏和/或麦克风),以及各种电子显示器(例如,具有屏幕的监视器或可操作以显示信息的任何其他电子设备)。在该示例中,车辆包括内部电子显示器152以及一个或多个扬声器154以提供信息或视听体验。就这一点而言,内部电子显示器152可以位于车辆100的车舱内,并且可以由计算设备110用来向车辆100内的乘客提供信息。除了内部扬声器之外,一个或多个扬声器154可以包括外部扬声器,所述外部扬声器被布置在车辆上的各个位置,以便向车辆100外部的对象提供可听通知。
在一个示例中,计算设备110可以是结合到车辆100中的自主驾驶计算***。自主驾驶计算***能够与车辆的各个组件进行通信。例如,计算设备110可以与车辆100的各种***通信,以便在不要求或不需要来自车辆的乘客的连续或周期性输入的自主驾驶模式下根据存储器130的指令132来控制车辆100的运动、速度等,所述***诸如减速***160(用于控制车辆的制动)、加速***162(用于控制车辆的加速)、转向***164(用于控制车轮的朝向和车辆的方向)、信号***166(用于控制转弯信号)、导航***168(用于将车辆导航到一位置或对象周围)、定位***170(用于确定车辆的定位)、感知***172(用于检测车辆环境中的对象)和动力***174(例如,电池和/或汽油或柴油动力发动机)。再者,尽管这些***被示出为在计算设备110外部,但实际上,这些***也可以并入计算设备110中,再次作为用于控制车辆100的自主驾驶计算***。
计算设备110可以通过控制各种组件来控制车辆的方向和速度。举例来说,计算设备110可以使用来自地图信息和导航***168的数据完全自主地将车辆导航到下车位置。计算设备110可以使用定位***170来确定车辆的位置,以及使用感知***172以在需要时检测并响应对象以安全到达该位置。为了这样做,计算设备110可以使车辆加速(例如,通过由加速***162增加提供给发动机的燃料或其他能量)、减速(例如,通过由减速***160减少供应给发动机的燃料,改变档位,和/或施加制动)、更改方向(例如,通过由转向***164转动车辆100的前轮或后轮)、以及发信号通知这样的变化(例如,通过点亮信号***166的转弯信号)。因此,加速***162和减速***160可以是包括在车辆的发动机和车辆的车轮之间的各种组件的、动力传动***(drivetrain)的一部分。再者,通过控制这些***,计算设备110还可以控制车辆的动力传动***,以便自主地操纵车辆。
作为示例,计算设备110可以与减速***160和加速***162交互,以便控制车辆的速度。类似地,转向***164可以由计算设备110使用以便控制车辆100的方向。例如,如果车辆100被配置为在道路上使用,诸如小汽车或卡车,则转向***可以包括用于控制车轮的角度以使车辆转弯的组件。信号***166可以由计算设备110使用,以便例如在需要时通过点亮转弯信号或刹车灯来向其他驾驶员或车辆发信号通知车辆的意图。
计算设备110可以使用导航***168,以确定并遵循到一位置的路线。在这方面,导航***168和/或数据134可以存储地图信息,例如计算设备110可以用来导航或控制车辆的高度详细的地图。作为示例,这些地图可以识别道路的形状和高程(elevation)、车道标记、十字路口、人行横道、限速、交通信号灯、建筑物、标志、实时或历史交通信息、植被或其他此类对象和信息。车道标记可以包括诸如实线或双虚线或单线车道线、实线或虚线车道线、反光体等特征。给定车道可以与左右车道线或定义车道的边界的其他车道标记相关联。因此,大多数车道可以由一个车道线的左边缘和另一车道线的右边缘界定(bound)。如上所述,地图信息可以存储在过去的相似时间来自特定上车位置的已知交通或拥堵信息和/或运输时间表(火车、公共汽车等)。该信息甚至可以通过计算设备110接收的信息来实时更新。
图2是针对位置210的地图信息200的示例。对于此示例,地图信息200描绘了地图信息的一部分,其包括识别位置210的类型的信息。例如,位置210的类型可以是机场、火车站、体育场、学校、教堂、医院、公寓楼、房屋等。就这一点而言,位置210的类型可以从行政记录(例如县记录)中收集,或由人类操作员在查看航空图像之后手动地加标签(label)。
地图信息200可以包括关于位置210的实时信息(未示出)。例如,如果位置210是机场,则实时信息可以包括航班时间表。对于另一个示例,如果位置210是体育场,则实时信息可以包括事件时间表。就这一点而言,地图信息200可以被标示(flag)或以其他方式与在线数据库链接,例如在下面进一步讨论的存储***450处,其中这种实时信息是可用的。作为替代,一旦车辆的计算设备识别出队列,则车辆的计算设备可以自动地从远程服务器计算设备和/或数据库请求实时信息。附加地或替代地,诸如服务器计算设备410的服务器计算设备可以基于从车辆100接收到的关于车辆的当前位置的信息来自动发送实时信息。就这一点而言,当车辆处于有可能具有队列的位置的特定区域和/或特定距离内时,车辆可以自动接收实时信息。在某些情况下,该信息可以与地图信息200一起存储。
另外,地图信息200可以包括关于位置210周围可用的基础设施的信息。如图所示,地图信息200包括位置210周围的道路220和道路230的形状、位置和其他特性。例如,地图信息200可以包括道路220具有双向交通并且道路230具有单向交通的指示。对于另一示例,地图信息200可以包括用于道路220的车道标记或车道线222和224。车道线还可以定义各种车道223、225、227。作为车道线或标记的替代,车道也可以通过道路的宽度来推断。地图信息200还可以包括识别每个车道的交通方向和速度限制的信息、以及允许计算设备110确定车辆是否具有完成特定类型的操纵(即,完成转弯、穿过交通车道或十字路口等)的通行权的信息。
除了这些特征以外,地图信息200还可以包括位置210处或附近的道路上的具有各种特性和不同语义含义的标志和标记。如图所示,地图信息200包括带有文本“LOAD”的标志240,其可以指示用于装载乘客和/或货物的位置。地图信息200还包括车道223中的标记250,带有文本“仅装载”,其可以指示关于道路中的文本的装载乘客和/或货物的位置。地图信息200还包括车道223、225和227中的用于行人人行横道的标记252。地图信息200可以另外包括其他特征,例如路缘石、水路、植被等。
地图信息200还可以存储包括上车和下车区域的预定停止区域。上车区域可以指自主车辆停下来等待以使乘客上车进行行程的区域。下车区域可以指自主车辆停下来以允许乘客在行程后离开车辆的区域。就这一点而言,这样的区域可以由人类操作员手动选择,或随时间推移由计算设备学习。例如,上车和/或下车区域通常在位置的入口处或附近。在这方面,地图信息200可以另外存储针对位置210的入口和/或出口的位置,例如入口211。如图所示,车道223的最靠近位置210的入口211和/或与车道223中的上述“仅装载”标记250相关联的部分可以被加标签为位置210的上车和/或下车区域。
其他停止位置可以包括等待区域,例如车辆可以停止并等待乘客到达的那些区域。例如,对于诸如机场或学校的关注点的位置,可能存在该位置的等待区域。如图所示,在位置210后面的停车场260可以被加标签为等待区域。在这方面,可以通过对每个位置的特性的一些手动或自动分析来选择这样的等待区域。
地图信息还可以包括位置210的GPS坐标(未示出),以及如上所述在位置210的各种其他基础设施,例如道路220和230,车道223、225、227和停车场260。
尽管详细的地图信息在本文中被描绘为基于图像的地图,但是地图信息不需要完全基于图像(例如,栅格)。例如,详细的地图信息可以包括一个或多个信息的道路图或图形网络,例如道路、车道、十字路口,以及这些特征之间的连接。每个特征可以存储为图形数据,并且可以与诸如地理位置及其是否链接到其他相关特征的信息相关联,例如,停止标志可以链接到道路和十字路口等。在一些示例中,相关联的数据可以包括道路图的基于网格的索引,以允许高效地查找某些道路图特征。
感知***172还包括一个或多个组件,用于检测车辆外部的对象,例如其他车辆、道路上的障碍物、交通信号、标志、树木等。例如,感知***172可以包括一个或多个LIDAR传感器、声纳设备、雷达单元、相机和/或记录数据的任何其他检测设备,所述数据可以由计算设备110处理。感知***的传感器可以检测对象及其特性,例如位置、朝向、大小、形状、类型(例如,车辆、行人、自行车等)、走向和移动速度等。来自传感器的原始数据和/或上述特性可以被量化或布置为描述性函数、向量、和/或边界框,并在其由感知***172生成时周期性和连续性地发送给计算设备110以进行进一步处理。如下面进一步详细讨论的,计算设备110可以使用定位***170来确定车辆的位置,以及使用感知***172以在需要时检测并响应对象以安全到达该位置。
例如,图3是车辆100的示例外部视图。在该示例中,车顶上(roof-top)壳体310和圆顶壳体312可以包括LIDAR传感器,以及各种相机和雷达单元。另外,位于车辆100的前端的壳体320和在车辆的驾驶员侧和乘客侧的壳体330、332可以各自存放LIDAR传感器。例如,壳体330位于驾驶员车门350的前面。车辆100还包括也位于车辆100的车顶的用于雷达单元和/或相机的壳体340、342。附加的雷达单元和相机(未示出)可以位于车辆100的前端和后端,和/或在沿着车顶或车顶上壳体310的其他位置上。车辆100还包括典型客用车辆的许多特征,例如车门350、352,车轮360、362等。
一旦检测到附近的对象,计算设备110和/或感知***172可以确定对象的类型,例如,交通锥、行人、车辆(诸如客用小汽车、卡车、公共汽车等)、自行车等。可以通过各种模型来识别对象,所述模型可以考虑检测到的对象的各种特性,例如对象的大小、对象的速度(自行车往往不会快于每小时40英里或慢于每小时0.1英里)、来自自行车的热量(自行车往往使骑手从其车身上散发热量)等。此外,可以基于对象的特定属性(例如包含在牌照、保险杠贴纸或出现在车辆上的徽标上的信息)来对对象进行分类。
在一个示例中,计算设备110可以操作以从感知***172提供的传感器数据中识别其他车辆的排队行为,例如,通过寻找并识别停在关注点的入口或出口附近的车道中的一排车辆。但是,存储器130也可以存储被训练为识别排队行为的行为模型。行为模型可以包括机器学习模型,例如深度神经网络。可以通过使用由感知***172生成的传感器数据与何时识别队列的加标签的实例来训练模型。例如,可以基于由远程操作员做出的上述确定来生成这些标签。传感器数据可以包括由感知***172生成的所有数据、或者更精简(streamlined)的信息,例如由感知***在某个时间段内检测到的每个道路使用者的姿势、速度、加速度和类似数据。
如以下关于示例情形详细描述的,这样加标签的队列实例可以包括在靠近关注点或靠近某些标志或标记的车道中形成的一排车辆的图像。为了进一步区分交通模式,可以使用数据的按时间顺序的序列来训练行为模型。这种时间相关性可以允许行为模型识别交通模式随时间的变化,并基于这种变化将排队行为与可能类似于快照中的排队行为的其他行为(例如交通拥堵)区分开。
可选地,可以训练行为模型以将来自感知***172的传感器数据用作输入,并输出关于所识别的队列的附加信息。例如,如下面关于示例情形详细描述的,可以训练行为模型以识别队列中用于装载和/或卸载乘客的指定的地点。对于另一个示例,同样在下面关于示例情形详细描述,可以训练行为模型以预测到达队列中指定的地点的预期等待时间。
车辆100的一个或多个计算设备110还可以例如使用无线网络连接156从其他计算设备接收信息或向其他计算设备传送信息。无线网络连接可以包括例如BLUETOOTH(R)、Bluetooth(蓝牙)LE、LTE、蜂窝、近场通信等,以及前述的各种组合。图4和图5分别是示例***400的示图和功能图,该示例***400包括经由网络460连接的多个计算设备410、420、430、440和存储***450。***400还包括车辆100、以及可以与车辆100相似地配置的车辆100A。尽管为了简单起见仅描绘了几个车辆和计算设备,但是典型的***可能包括明显更多的车辆和计算设备。
如图4所示,每个计算设备410、420、430、440可以包括一个或多个处理器、存储器、数据和指令。这样的处理器、存储器、数据和指令可以类似于计算设备110的一个或多个处理器120、存储器130、数据134和指令132被配置。
网络460和中间节点可以包括各种配置和协议,包括短距离通信协议,诸如BLUETOH(R)、Bluetooth LE、因特网、万维网、内部网、虚拟专用网、广域网、本地网络、使用一个或多个公司专有的通信协议的专用网络、以太网、WiFi和HTTP,以及前述的各种组合。能够向和从其他计算设备传输数据的任何设备,例如调制解调器和无线接口,可以促进这种通信。
在一个示例中,一个或多个计算设备110可以包括具有多个计算设备的服务器,例如负载均衡服务器群,该多个计算设备与网络的不同节点交换信息,以用于从其他计算设备接收数据、处理数据和向其他计算设备发送数据的目的。例如,一个或多个计算设备410可包括一个或多个服务器计算设备,其能够经由网络460与车辆100的一个或多个计算设备110或车辆100A的类似计算设备以及客户端计算设备420、430进行通信。例如,车辆100和100A可以是可由服务器计算设备派遣到各个位置的车辆车队的一部分。在这方面,车队的车辆可以周期性地向服务器计算设备发送由车辆各自的定位***提供位置信息,并且一个或多个服务器计算设备可以跟踪车辆的位置。
此外,服务器计算设备410可以使用网络460来发送信息并在诸如计算设备420、430、440的显示器424、434、444的显示器上向用户(例如用户422、432、442)呈现信息。在这方面,计算设备420、430、440可以被认为是客户端计算设备。
如图5所示,每个客户端计算设备420、430、440可以是打算供用户422、432、442使用的个人计算设备,并且具有通常与个人计算设备结合使用的所有组件,包括一个或多个处理器(例如,中央处理单元(CPU))、存储数据和指令的存储器(例如,RAM和内部硬驱动)、显示器(例如,显示器424、434、444)(例如,具有屏幕的监视器、触摸屏、投影仪、电视或其他可操作来显示信息的设备)、以及用户输入设备426、436、446(例如,鼠标、键盘、触摸屏或麦克风)。诸如用户422、432、442的用户可以使用计算设备420、430、440的用户输入设备426、436、446向服务器计算设备410发送信息,例如上车或下车请求。客户端计算设备还可以包括用于记录视频流的相机、扬声器、网络接口设备、以及用于将这些元件彼此连接的所有组件。
尽管客户端计算设备420、430和440每个都可以包括全尺寸的个人计算设备,但是替选地它们可以包括能够通过诸如因特网的网络与服务器无线地交换数据的移动计算设备。仅作为示例,客户端计算设备420可以是移动电话或诸如无线使能的PDA、平板PC、可穿戴计算设备或***、或能够经由因特网或其他网络获得信息的上网本的设备。在另一个示例中,客户端计算设备430可以是可穿戴计算***,如图4中的腕表所示。作为示例,用户可以使用小型键盘、键区、麦克风、使用带有相机的视觉信号或触摸屏来输入信息。
在一些示例中,客户端计算设备440可以是管理员用来向诸如用户422和432的用户提供远程操作员服务的远程操作员工作站。例如,远程操作员442可以使用远程操作员工作站440以通过他们各自的客户端计算设备和/或车辆100或100A经由与用户的电话呼叫或音频连接来进行通信,以便确保车辆100和100A的安全操作以及用户的安全,如在下面进一步详细描述的。尽管在图4和图5中仅示出了单个远程操作员工作站440,但是在典型的***中可以包括任何数量的这样的工作站。
存储***450可以存储各种类型的信息,如下面更详细描述的。该信息可以由服务器计算设备(例如一个或多个服务器计算设备410)检索或以其他方式访问,以便执行本文所述的一些或全部特征。例如,信息可以包括能够用于识别针对一个或多个服务器计算设备的用户的用户帐户信息,例如凭证(例如,如在传统的单因素认证的情况下的用户名和口令,以及通常在多因素认证中使用的其他类型的凭证,例如随机标识符、生物特征等)。用户帐户信息还可以包括个人信息,例如用户的名字、联系信息、用户的客户端计算设备(或多个设备,如果多个设备与相同的用户帐户一起使用)的标识信息,以及年龄信息、健康信息和有关用户过去花费多长时间进入车辆或退出车辆的用户历史信息,如下面讨论的。
存储***450还可以存储用于生成和评估位置之间的路线的路线(routing)数据。例如,路线信息可用于估计在第一位置处的车辆会花费多长时间到达第二位置。就这一点而言,路线信息可以包括地图信息,不一定与上述详细的地图信息一样具体,但是包括道路、以及关于那些道路的信息,例如方向(单向、双向等)、朝向(北方、南方等)、速度限制、以及识别预期交通状况的交通信息等。
存储***450还可以存储可被提供给客户端计算设备以显示给用户的信息。例如,存储***450可以存储预定的距离信息,该预定的距离信息用于确定针对给定的上车或下车位置车辆有可能停在的区域。存储***450还可以存储图形、图标和可以向用户显示的其他项目,如下面所讨论的。
与存储器130一样,存储***450可以是能够存储由服务器计算设备410可访问的信息的任何类型的计算机化存储,例如硬驱动、存储卡、ROM、RAM、DVD、CD-ROM、可写和只读存储器。另外,存储***450可以包括分布式存储***,其中数据被存储在物理上可以位于相同或不同地理位置的多个不同存储设备上。存储***450可以经由网络460连接到计算设备,如图4所示,和/或可以直接连接到或合并到计算设备110、410、420、430、440等中的任何一个。
示例方法
除了上述和附图中示出的***之外,现在还将描述各种操作。应当理解,以下操作不必以下面描述的精确顺序来执行。而是,可以以不同的顺序或同时地处理各个步骤,并且还可以添加或省略步骤。
在一个方面,用户可以将用于请求车辆的应用下载到客户端计算设备。例如,用户422和432可以经由电子邮件中的链接直接从网站或应用商店下载应用到客户端计算设备420和430。例如,客户端计算设备可以通过网络例如向一个或多个服务器计算设备410发送对应用的请求,并且作为响应,接收该应用。该应用可以本地安装在客户端计算设备处。
用户然后可以使用他或她的客户端计算设备来访问该应用并请求车辆。作为示例,诸如用户432的用户可以使用客户端计算设备430将请求发送到用于车辆的一个或多个服务器计算设备410。作为其一部分,用户可以识别上车位置、下车位置、以及在某些情况下车辆可停下的服务区域内的任何位置的一个或多个中间停止位置。
这些上车和下车位置可以是预定义的(例如,住所或关注点的特定地址),或者可以仅仅是车辆的服务区域内的任何位置(例如,由GPS坐标定义)。作为示例,上车位置可以默认为用户的客户端计算设备的当前位置,或者可以由用户在用户的客户端计算设备处输入。例如,用户可以输入地址或其他位置信息,或者在地图上选择位置以选择上车位置。一旦用户选择了上车和/或下车位置中的一个或多个,例如位置210,客户端计算设备420就可以将该一个或多个位置发送到集中式派遣***的一个或多个服务器计算设备。
作为响应,例如基于对于用户的可用性和接近度,诸如服务器计算设备410的一个或多个服务器计算设备可以选择诸如车辆100的车辆。然后,服务器计算设备410可以将用户分配作为车辆100的乘客,派遣所选择的车辆(这里是车辆100)以使所分配的乘客上车。这可以包括通过向计算设备110提供由所分配的乘客指定的上车和/或下车位置以及可以由车辆100的计算设备110用来认证客户端计算设备(例如客户端计算设备430)的信息。
图6是可以由一个或多个处理器(例如计算设备110的一个或多个处理器120)执行的示例流程图600。例如,计算设备110的处理器120可以接收数据并做出各种确定,如在流程图600中所示,并且基于这些确定来控制车辆100。参考图6,在块610中,接收在位置处在上车和下车地点使乘客上车或下车的请求。就这一点而言,计算设备110可以从服务器计算设备410接收使乘客上车或下车的请求,如上面所讨论的。
此后,计算设备110可以朝向上车位置操纵车辆100,并且在使乘客上车之后,朝向下车位置操纵车辆100。在这样做时,计算设备110可以从感知***172接收传感器数据,以便检测、识别和响应包括道路使用者(车辆、自行车和乘客)、障碍物和标志的对象。
在一些实例中,尽管未示出,但是计算设备110可以基于地图信息200确定位置210具有多个指定的上车或下车区域,并控制车辆100操纵到指定的上车或下车区域之一。例如,机场可能有多个航站楼和在每个航站楼处的用于上车和/或下车的多个门。在这样的情况下,计算设备110可以选择指定的上车和/或下车区域之一。例如,计算设备110可以向乘客的用户设备发送询问乘客用于在该位置处上车或下车的优选地点的消息。在接收到用户反馈(例如,来自乘客的指示上车或下车的优选地点的消息)时,计算设备110可以基于地图信息200确定指定的上车或下车区域中的哪个最接近上车或下车的优选地点。然后,计算设备110可以控制车辆100行驶至最接近上车或下车的优选地点的指定的上车或下车区域。
返回参考图6,在块620中,确定上车或下车位置是否有可能有用于使乘客上车或下车的队列。例如,计算设备110可以基于该位置的类型来确定该位置是否有可能有队列。例如,如果位置210被选择为上车或下车位置,则计算设备110可以基于指示位置210是机场的地图信息200来确定位置210有可能具有用于乘客上车或下车的队列。对于另一个示例,计算设备110可以基于指示位置210是房屋的地图信息来确定位置210不太可能具有用于乘客上车或下车的队列。
对于另一个实例,计算设备110可以进一步基于实时信息来确定该位置是否有可能具有队列,该实时信息诸如是从在线数据库获得的事件时间表。例如,计算设备110可以基于指示位置210是在上车或下车的时间处或在上车或下车的时间附近有已排程的体育赛事的体育场的地图信息200,来确定位置210有可能具有用于乘客上车或下车的队列。对于另一个示例,计算设备110可以基于指示位置210是在上车或下车的时间处或在上车或下车的时间附近没有已排程的服务的教堂的地图信息200,来确定位置210不太可能具有用于乘客上车或下车的队列。
返回参考图6,当在块630中确定该位置有可能具有用于乘客上车或下车的队列时,使用来自感知***的传感器数据来确定在该位置处在所选择的上车或下车地点是否存在队列。例如,当车辆100接近位置210时,计算设备110可以使用来自感知***172的传感器数据来确定在位置210处是否实际上存在用于上车或下车的队列。例如,计算设备110可以接收在位置210来自感知***172的传感器数据,将这些传感器数据输入上述行为模型,并从行为模型接收指示在位置210处是否存在队列的输出。如下面通过示例情形所示出的,确定可以基于识别交通模式、这些交通模式随时间的变化、标志和/或标记。就这一点而言,对于给定位置可以存在多于一个的上车和下车地点,并且这些上车或下车地点可以是预定的(例如上述的上车和/或下车区域)(由标牌指示)和/或自发形成,例如当其他车辆开始显示在地图信息或其他信息中先前未这样指定的上车或下车地点的排队行为时。
图7A和图7B示出了用于确定在可能具有用于乘客上车或下车的队列的位置处是否存在队列的示例情形700A和700B。图7A和图7B中的各种特征通常可以对应于图2的地图信息200中所示的特征的形状、位置和其他特性,并被如此加标签。下面详细描述图7A和图7B中的附加特征,包括各种道路使用者和其他对象。尽管这些示例对于演示的目的是有用的,但不应将其视为限制性的。
参考图7A,情形700A示出了当车辆100在车道225接近位置210时位置210周围的环境。除了已经关于图2描述的特征之外,情形700A还示出了各种道路使用者,包括车道225中的车辆100、100F和100G,车道223中的车辆100A-E,车道227中的车辆100H,以及停放在停车场260中的车辆100I;以及各种行人,例如用户422和432。
计算设备110从感知***172接收传感器数据,感知***172检测车道223中的车辆100A、100B、100C、100D和100E。基于该传感器数据,计算设备110可以识别交通模式,例如,车辆100A-E形成一排或队列710,并得出在位置210处存在上车或下车队列的结论。对于另一个示例,计算设备110可以进一步确定车道223是与该位置的入口211最接近的车道,并得出在车道223中形成的队列710是上车或下车队列的结论。对于又一示例,计算设备110可以进一步确定即使没有任何事物堵塞车道223中的车辆100A,即队列710中的第一车辆,也存在队列710,并且得出队列710是上车或下车队列的结论。
替选地或附加地,交通模式的变化可以用于确定队列是否存在。参考图7B,示例情形700B再次示出了位置210周围的环境,但是是在自从感知***172捕获情形700A以来经过某一时间之后。例如,700B可以在情形700A之后的几分之一秒或几秒被捕获。如图所示,与700A相比,车辆100、100A-H中的每一个在700B中已经改变了它们的位置。此外,在经过的时间期间,计算设备110可以继续从感知***172接收传感器数据,其可以捕获在情形700A和700B之间车辆100A-H的中间运动。
基于在经过的时间期间捕获的传感器数据,计算设备110可以确定交通模式的变化,包括对队列710的变化。例如,计算设备110可以确定在经过的时间期间,尽管没有任何事物(即,没有对象,诸如锥、行人、其他车辆等)堵塞车辆100A,车辆100A-100E在此期间也移动非常缓慢。对于另一个实例,计算设备110可以确定在到达队列710的前部720处完全停止以及短暂的停顿之后,车辆100A离开队列710并驶离。又例如,计算设备110可以确定,在车辆100A离开队列710之后,车辆100B行驶赶到(drive up)并在车辆100A先前停止的地方停止,并且车辆100C-E在队列710中跟随车辆100B。又例如,计算设备110可以确定,一旦车辆100C-E在队列710中向前移动,车道225中的车辆100F切换到车道223并停在车辆100E之后,即队列710中的最后一个车辆,而不是继续在车道225中行驶,这具有较少的车辆(因此可能更快地移动)。因此,基于识别交通模式的这种变化,计算设备110可以将形成为上车或下车队列的一排车辆与由于交通拥堵或其他交通情形而形成的一排车辆区分开。
附加地或替选地,计算设备110可以基于从传感器数据检测到的标志和/或标记来确定是否存在队列,并且在一些情况下,这些标志是否在交通模式的预定距离内,例如15英尺或更多或更少。例如,如图7A所示,计算设备110可以基于传感器数据确定指示带有文本“装载”的标志240位于靠近车道223的人行道上,以及由车道223中的车辆100A-E形成的队列710是用于上车或下车的队列。对于另一个示例,计算设备110可以基于传感器数据来确定指示带有文本“仅装载”的标记250位于车道223中,并且由车道223中的车辆100A-E形成的队列710是用于上车或下车的队列。在其他示例中,计算设备110可以将其他文本或标记(例如带有人携带行李的标志、颜色、车道中的文本和/或形状等)确定为指示用于上车或下车的队列。因此,基于检测标志和/或标记,计算设备110可以将形成为上车或下车队列的一排车辆与由于交通拥堵或其他交通情形而形成的一排车辆区分开。
一旦识别出上车或下车队列,返回参考图6,在块640中,基于传感器数据确定是否加入该队列以避免对其他道路使用者造成不便。对其他使用者造成不便可以包括例如堵塞车辆或行人交通,干扰其他车辆的装载或卸载,减慢队列(例如通过重新排队)。
例如,图8示出了示例情形800,其中计算设备110确定是否加入队列。图8示出了图7B的许多相同的特征,但是具有如下进一步讨论的差异。如图所示,车辆100G是队列710中的最后一个车辆,并且其位置使得其部分阻塞人行横道252。如果车辆100在车辆100G后面进入队列710,则车辆100会阻塞整个人行横道252,从而对想要穿过人行横道252的行人(诸如行人820)造成不便。另外,如果车辆100在车辆100G后面进入队列710,则车辆100还会部分阻塞道路230,从而对退出该道路的车辆(例如车辆100H)造成不便。对于另一个示例,如图所示,车辆100G处于对行人810进行装载或卸载的过程中,如果车辆100在车辆100G后面进入队列710,则当试图打开车辆100G的后备箱时可能会使行人810不便。这些示例被示出为不便因素832和834,基于所述不便因素做出不进入队列710的决策836。
如果计算设备110确定不进入队列710以避免对这些其他道路使用者造成不便,则计算设备110可以控制车辆100以在进入队列710之前等待。例如,计算设备110可以控制车辆100在车道223中等待。在等待时,计算设备110可以继续使用传感器数据以确定是否以及何时加入队列710。例如,计算设备110可以基于传感器数据来确定车辆100G在队列710中向前移动,或完成装载或卸载,然后确定车辆100可以加入队列710,而不会对其他道路使用者造成不便。
图9示出了另一示例情形900,特别是用于上车,其中计算设备110确定是否加入队列。图9示出了图7B的许多相同的特征,但是具有如下进一步讨论的差异。在情形900中,计算设备110基于哪个计算设备110可以确定是否进入队列710来确定队列710的预期等待时间。
这样,计算设备110可以确定队列710具有用于装载和卸载乘客的指定的地点910。例如,如果传感器数据指示队列710中的车辆100A-F在加速之前暂时停在队列710的前部,则计算设备110可以基于该传感器数据确定指定的装载或卸载地点910位于队列710的前部。对于另一个示例,计算设备110可以基于包括标志和标记(例如带有文本“装载”的标志240)的传感器数据来确定指定的地点910是标志240所在的位置。对于又一个示例,传感器数据可以指示护栏(barriers)920位于沿着形成队列710所处的车道223,计算设备110可以确定护栏920打开的地方是用于装载或卸载乘客的指定的地点910。
然后,计算设备110可以基于传感器数据预测车辆100到达队列710中的指定的地点910的预期等待时间。在一些示例中,计算设备110可以使用传感器数据跟踪队列中的车辆的行进。例如,基于传感器数据,计算设备110可以确定队列710中的车辆总数,计算队列710中的车辆在指定的地点910处的平均停顿时间,然后将平均停顿时间乘以队列710中的车辆总数。例如,如图所示,计算设备110可以确定队列710具有总共5个车辆。如图所示,计算设备110还可以确定车辆100A具有15秒的停顿时间930,并且车辆100B具有25秒的停顿时间940,并且估计队列710中的车辆的平均停顿时间为大约20秒。计算设备110然后可以将20秒乘以队列710中的5个车辆,并且估计出一旦进入队列710中,车辆100将具有大约100秒或大约一分半钟的期望等待时间952。
在其他示例中,计算设备110可以使用针对不同类型的位置的预定停顿时间。例如,当地图信息200指示位置210是机场时,计算设备110可以使用30秒的预定停顿时间来装载或卸载带行李的乘客,然后将预定停顿时间乘以队列710中的车辆总数以确定预测的等待时间。就这一点而言,可以基于历史或统计数据来设置针对不同类型的位置的预定停顿时间,例如,可以将此类数据和预定停顿时间存储在服务器计算设备410上并且可以由计算设备110访问。
计算设备110还可以预测乘客到达指定的地点910的估计到达时间。该估计到达时间可以基于任何数量的不同因素,包括例如有关上车位置的一般信息、该特定的乘客或类似境遇的乘客、事件特定的信息等。例如,给定乘客的客户端计算设备的当前位置(例如GPS位置),到达时间可以部分地基于从当前位置到车辆的距离和人的估计步行速度、或乘客步行该距离会花费多长时间的模型来估计。附加地或替选地,估计到达时间可以基于具有到达时间的乘客的特定历史、在该位置处的所有乘客的历史、在该位置或任何位置处具有相似特性的乘客的历史等。在这方面,估计到达时间可以通过聚类或池化(pool)数据来估计。例如,通常迟到的乘客更可能迟到。作为另一个实例,服务器计算设备410可以监视事件信息,例如航班、火车和/或事件状态,并且这样的信息可以用于估计到达时间。此外,关于机场示例,乘客是否可能必须取托运的行李(如果乘客正在或曾经乘坐国际航班,则其更有可能),以及此或其他类似境遇的乘客到达队列通常花费多长时间。作为另一个实例,可以基于关于上车位置的位置类型已经发生或正在发生的事件的类型来确定估计到达时间。例如,在体育场的体育赛事期间,乘客可能花费额外的时间退出体育场。作为另一示例,在杂货店,乘客可能往往有更大差异,而放学后使乘客上车可能会更加一致。通过将队列的预期等待时间与请求上车的乘客的估计到达时间进行比较,计算设备110可以确定车辆100是否应该进入队列710,另外在排队之前在某处等待一会儿,或者去往替选的上车地点。
在乘客的估计到达时间大于预期等待时间的情况下,计算设备110可以确定不进入队列710,以减少队列710中其他车辆的等待时间并避免需要重新排队。在一些示例中,如果估计到达时间比预期等待时间大第一预定阈值差,则计算设备110可以控制车辆100停放在等待区域中。可以将第一预定阈值差选择为任何适当的持续时间,例如诸如30秒、1分钟、5分钟等。例如,如图所示,计算设备110可以确定请求上车的用户432具有到达指定的地点910的、10分钟的估计到达时间954(例如,基于客户端计算设备430的GPS坐标或来自用户432的消息),并确定10分钟估计到达时间954比100秒的预期等待时间952大1分钟的第一阈值差。
在这方面,计算设备110可以基于关于位置210的地图信息200来确定在该位置210处适当的等待区域位于何处。例如,如图所示,计算设备110可以基于地图信息200来确定停车场260是位置210的适当等待区域956。从上面的示例继续,计算设备110因此可以做出决策958不进入队列710并且在排队之前在停车场260中等待。
在乘客的估计到达时间小于或等于队列中的预期等待时间,或者不比预期等待时间大第一预定阈值差的情况下,计算设备110可以确定立即进入队列。这样,车辆100不会为乘客带来额外的等待时间。例如,计算设备110可以确定请求上车的用户432距离指定的地点910 2分钟(例如,基于客户端计算设备430的GPS坐标或来自用户432的消息),并确定2分钟不比100秒的预期等待时间大多于第一阈值差(1分钟)。计算设备110因此可以确定进入队列710。
返回参考图6,在块650中,基于加入队列的确定,控制车辆以加入队列。参考图9,例如,计算设备110可以控制车辆100朝向队列710行驶,诸如从车道225切换到车道223。计算设备110可以基于传感器数据确定队列710在何处结束,并控制车辆100停在队列710中的最后一个车辆即车辆100F后面。
一旦车辆100进入队列710,计算设备110可以控制车辆100与队列710中的车辆一起向前移动,例如通过跟随在它前面的车辆100F。计算设备110可以控制车辆100在队列710中向前移动,直到车辆到达指定的地点910,然后控制车辆100在指定的地点910停止以执行上车或下车。在一些示例中,尽管未示出,但是在队列包括多个车道的情况下,计算设备110可以控制车辆100在到达指定的地点910之前变换到最靠近上车或下车位置的车道。
对于下车以及对于上车(其中在车辆100到达时请求上车的乘客在指定的地点910处或附近),计算设备110可以控制车辆100在指定的地点910执行上车或下车。替选地,计算设备110可以允许乘客在到达指定的地点910之前进入或退出车辆100。就这一点而言,计算设备110可以跟踪附近车辆(包括队列710中的车辆)的装载和卸载事件,并决定是否容忍在指定的地点910之外的装载或卸载。例如,返回参考图8,基于指示车辆100G正在装载和/或卸载行人810的传感器数据,计算设备110可以确定在除队列710的前部之外的位置处容忍乘客上车或下车。
为了在车辆100正在队列710中等待时使乘客知道车辆的所在之处,计算设备110可以被配置为向乘客的客户端计算设备(例如用户422的客户端计算设备420或用户432的客户端计算设备430)发送消息,该消息指示车辆正在队列710中等待。例如,该消息可包括队列710的预期等待时间。对于另一个示例,该消息可包括对请求上车的乘客的更新到达时间的请求、或对乘客的当前位置的请求。又例如,计算设备110可以向乘客的客户端计算设备发送消息,该消息指示乘客应当何时进入或退出车辆100,例如何时车辆100已经完全停在指定的地点910。类似地,计算设备110可以例如在内部电子显示器152上显示消息,请求乘客等待退出车辆直到车辆到达指定的地点。这可以防止乘客例如在车辆到达指定的地点之前过早地进入和/或退出车辆。
在某些情况下,一旦车辆进入队列,车辆的计算设备可以确定等待请求在用于装载或卸载的指定的地点上车的乘客的时间量。例如,图10示出了特别用于上车的示例情形1000,其中计算设备110确定等待请求在指定的地点910上车的乘客的时间量。图10示出了图9的许多相同的特征,但有差异,如下面进一步讨论的。如图所示,当车辆100到达指定的地点910时,请求上车的用户432不在队列710中的指定的地点910处或附近,然后计算设备110可以确定在指定的地点910等待用户432的时间量,并在等待该时间量之后退出队列710。
例如,计算设备110可以基于地图信息200确定要等待的时间。例如,如图所示,如果地图信息200指示位置210是机场,则计算设备110可以确定在退出队列710之前在指定的地点910等待的适当的时间量1010多至1分钟。对于另一示例,如果地图信息200指示该位置是学校,则计算设备110可以确定在退出队列710之前在指定的地点910等待的适当的时间量多至5分钟。
对于又一个实例,计算设备110可以进一步基于退出队列并重新排队的困难水平来确定要等待的时间量。例如,如图所示,如果地图信息200指示存在退出和重新进入队列710的相对简单的方式,例如道路230提供的简易出口(easy exit)1020,则计算设备110可以确定在退出队列710之前在指定的地点910处等待预定时间量,例如5秒或更多或更少。
计算设备110可以进一步基于传感器数据来确定时间量。例如,传感器数据可以指示指定的地点910是否堵塞交通1030。如果传感器数据指示在指定的地点停止会堵塞正在进行的交通或以其他方式对其他用户造成不便,例如图8的情形800所示,则计算设备110可以减少基于地图信息200确定的时间量。例如,如果计算设备110基于指示位置210是机场的地图信息200来确定在指定的地点910等待1分钟,则当确定在指定的地点910停止会对其他道路使用者造成不便时,例如堵塞正在进行的交通或人行横道,计算设备110可以将在指定的地点910处的时间量从1分钟减少到预定时间量,例如5秒或更多或更少。
在一些示例中,计算设备110可以确定乘客到达指定的地点910的更新的估计到达时间,并且确定在等待该时间量之前退出队列710。就这一点而言,计算设备110可以向乘客发送当车辆100到达指定的地点910时他或她是否不在那里的消息,并且可以从乘客接收更新的估计到达时间。替选地,计算设备110可以基于乘客的更新的地理位置来确定更新的估计到达时间。从上面的机场示例继续,如图所示,如果当车辆100到达队列710中的指定的地点910时更新的估计到达时间1050是5分钟,则计算设备110可以确定根本不等待,因为等待1分钟除了减慢队列710之外,其他任何事情都不会实现。计算设备110因此可以简单地做出决策1040,即车辆100应该退出队列710并在稍后的时间重新排队。
如果例如基于更新的估计到达时间,车辆100在乘客到达之前退出队列,则计算设备110可以确定重新排队并到达指定的地点910的预期等待时间。此外,基于更新后的估计到达时间与重新排队的预期等待时间之间的比较,计算设备110可以确定是否立即重新排队。在这方面,该过程可以类似于将估计到达时间与队列的预期等待时间进行比较,如图9所示。例如,如果更新的估计到达时间小于或等于重新排队的预期等待时间,则计算设备110可以确定立即重新排队。计算设备110还可以向乘客的用户设备发送消息,该消息指示车辆正在返回队列710的末尾连同重新排队的预期等待时间。替选地,如果更新的估计到达时间大于重新排队的预期等待时间,则计算设备110可以控制车辆100停放在诸如停车场260的等待区域中。
除非另有说明,否则前述替代示例不是互相排斥的,而是可以以各种组合实现以实现独特的优点。由于可以在不背离权利要求所限定的主题的情况下利用以上讨论的特征的这些和其他变形以及组合,所以对实施例的前述描述应当通过说明的方式而不是通过限制权利要求所限定的主题的方式来进行。另外,提供在此描述的示例以及用短语表达为“诸如”、“包括”等的用语不应被解释为将权利要求的主题限制于特定示例;反而,这些示例仅旨在说明许多可能的实施例之一。此外,不同附图中的相同附图标记可以识别相同或相似的元件。
Claims (20)
1.一种自主车辆排队的方法,包括:
由一个或多个处理器接收在位置处使乘客上车或下车的请求;
由所述一个或多个处理器确定该位置有可能有用于使乘客上车和下车的队列;
当确定该位置有可能有队列时,由所述一个或多个处理器基于从自主车辆的感知***接收的传感器数据来确定在该位置处在选择的上车和下车地点存在车辆的队列;
由所述一个或多个处理器基于传感器数据确定是否加入用于使乘客上车或下车的队列以避免对其他道路使用者造成不便;以及
由所述一个或多个处理器基于加入队列的确定来控制自主车辆以加入队列。
2.根据权利要求1所述的方法,其中,基于从传感器数据观察到的交通模式来确定在该位置处是否存在队列。
3.根据权利要求1所述的方法,其中,基于使用传感器数据的时间序列观察到的交通模式的变化来确定在该位置处是否存在队列。
4.根据权利要求3所述的方法,其中,基于使用传感器数据检测到的标志来确定在该位置处是否存在队列,其中所述标志在所述交通模式的预定距离内。
5.根据权利要求1所述的方法,还包括:
由所述一个或多个处理器基于传感器数据来确定如果自主车辆加入队列,则自主车辆是否会堵塞交通;
其中,确定是否加入队列基于如果自主车辆加入队列,则自主车辆是否会堵塞交通。
6.根据权利要求1所述的方法,还包括:
由所述一个或多个处理器基于传感器数据来确定如果自主车辆加入队列,则自主车辆是否会干扰另一车辆的装载或卸载;
其中,确定是否加入队列基于如果自主车辆加入队列,则自主车辆是否会干扰另一车辆的装载或卸载。
7.根据权利要求1所述的方法,还包括:
由所述一个或多个处理器基于传感器数据来确定队列中用于装载和卸载乘客的指定的地点,以及
由所述一个或多个处理器控制自主车辆在队列中向前移动以到达指定的地点。
8.根据权利要求7所述的方法,还包括:
由所述一个或多个处理器基于传感器数据来预测自主车辆到达队列中指定的地点的预期等待时间;以及
由所述一个或多个处理器向乘客的客户端计算设备发送指示自主车辆正在队列中等待以在指定的地点使乘客上车的消息,该消息包括预期等待时间。
9.根据权利要求7所述的方法,还包括:
由所述一个或多个处理器基于传感器数据来预测自主车辆到达队列中指定的地点的预期等待时间;以及
由所述一个或多个处理器基于传感器数据向乘客提供在从自主车辆出去之前等待自主车辆到达指定的地点的消息,该消息包括预期等待时间。
10.根据权利要求7所述的方法,还包括:
由所述一个或多个处理器基于传感器数据来预测自主车辆到达队列中指定的地点的预期等待时间;以及
由所述一个或多个处理器预测请求在该位置处上车的乘客到达指定的地点的估计到达时间;
其中,确定是否加入队列基于预期等待时间与估计到达时间之间的比较。
11.根据权利要求10所述的方法,还包括:
由所述一个或多个处理器基于预期等待时间与估计到达时间之间的比较来确定在加入队列之前在等待区域中等待;以及
由所述一个或多个处理器控制自主车辆在加入队列之前停放在等待区域中。
12.根据权利要求7所述的方法,还包括:
由所述一个或多个处理器基于传感器数据来确定队列中的其他车辆容忍在指定的地点之外装载或卸载,以及
由所述一个或多个处理器控制自主车辆以在指定的地点之外执行上车或下车。
13.根据权利要求7所述的方法,还包括:
在到达队列中的指定的地点时,由所述一个或多个处理器基于退出和重新加入队列的困难水平来确定要在指定的地点处等待乘客的时间量;以及
由所述一个或多个处理器控制自主车辆在等待该时间量之后退出队列。
14.根据权利要求7所述的方法,还包括:
在到达队列中的指定的地点时,由所述一个或多个处理器基于自主车辆是否在指定的地点堵塞交通来确定要在指定的地点处等待乘客的时间量;以及
由所述一个或多个处理器控制自主车辆在等待该时间量之后退出队列。
15.根据权利要求7所述的方法,还包括:
在到达队列中的指定的地点时,由所述一个或多个处理器确定乘客到达指定的地点的估计到达时间;
基于估计到达时间,控制自主车辆退出队列;
由所述一个或多个处理器预测在退出队列之后到达指定的地点的预期等待时间;
由所述一个或多个处理器基于估计到达时间与预期等待时间之间的比较来确定在退出队列之后返回队列;以及
由所述一个或多个处理器控制自主车辆在退出队列之后行驶返回队列。
16.根据权利要求15所述的方法,还包括:
由所述一个或多个处理器向乘客的用户设备发送指示自主车辆正在返回队列的末尾的消息,该消息包括预期等待时间。
17.根据权利要求15所述的方法,还包括:
由所述一个或多个处理器基于估计到达时间与预期等待时间之间的比较来确定在返回队列之前在等待区域中等待;以及
由所述一个或多个处理器控制自主车辆在返回队列之前停放在等待区域中。
18.根据权利要求7所述的方法,还包括:
由所述一个或多个处理器基于传感器数据确定队列具有多个车道;以及
由所述一个或多个处理器控制自主车辆变换到最接近指定的地点的车道。
19.根据权利要求1所述的方法,还包括:
由所述一个或多个处理器确定该位置具有多个指定的上车区域或下车区域;
由所述一个或多个处理器选择指定的上车区域或下车区域之一;以及
由所述一个或多个处理器控制自主车辆行驶至所选择的指定的上车区域或下车区域。
20.根据权利要求19所述的方法,其中,选择指定的上车区域或下车区域之一基于从用户设备接收的反馈,与乘客相关联的反馈识别用于上车或下车的优选的地点。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/154,829 US11543824B2 (en) | 2018-10-09 | 2018-10-09 | Queueing into pickup and drop-off locations |
US16/154,829 | 2018-10-09 | ||
PCT/US2019/053821 WO2020076538A1 (en) | 2018-10-09 | 2019-09-30 | Queueing into pickup and drop-off locations |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112823372A CN112823372A (zh) | 2021-05-18 |
CN112823372B true CN112823372B (zh) | 2024-04-30 |
Family
ID=70052224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980066874.8A Active CN112823372B (zh) | 2018-10-09 | 2019-09-30 | 排队进入上车和下车位置 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11543824B2 (zh) |
EP (1) | EP3837661A4 (zh) |
CN (1) | CN112823372B (zh) |
WO (1) | WO2020076538A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10989547B2 (en) * | 2018-10-22 | 2021-04-27 | Ford Global Technologies, Llc | Autonomous vehicle ride service systems and methods |
JP2020086942A (ja) * | 2018-11-26 | 2020-06-04 | トヨタ自動車株式会社 | 着席位置決定装置、着席位置決定方法及び着席位置決定用コンピュータプログラム |
US11062405B2 (en) * | 2019-01-31 | 2021-07-13 | Toyota Motor Engineering & Manufacturing North America, Inc. | Dynamic ordering system |
US11346675B2 (en) * | 2019-10-30 | 2022-05-31 | Ford Global Technologies, Llc | Systems and methods for assisting a physically handicapped individual obtain a ride in an autonomous vehicle |
US20220351624A1 (en) * | 2019-12-13 | 2022-11-03 | Arual Siva MURUGAN. V | System and method to manage first and last mile connectivity service of a trip |
JP7354913B2 (ja) * | 2020-04-16 | 2023-10-03 | トヨタ自動車株式会社 | 運行管理装置、運行管理システム、及び運行管理方法 |
US12020569B2 (en) * | 2020-04-24 | 2024-06-25 | Nissan Motor Co., Ltd. | Stop location control method, stop location control device, and stop location control system |
JP7238850B2 (ja) * | 2020-05-07 | 2023-03-14 | トヨタ自動車株式会社 | 自動運転システムおよび自動運転方法 |
JP2022030594A (ja) * | 2020-08-07 | 2022-02-18 | 本田技研工業株式会社 | 管理装置、管理システム、管理方法、およびプログラム |
JP7405057B2 (ja) * | 2020-10-08 | 2023-12-26 | トヨタ自動車株式会社 | 制御装置、プログラム及び制御方法 |
CN112614376B (zh) * | 2020-12-11 | 2022-11-22 | 中车唐山机车车辆有限公司 | 一种车辆的行车控制方法、装置及*** |
US20220222597A1 (en) * | 2021-01-12 | 2022-07-14 | Waymo Llc | Timing of pickups for autonomous vehicles |
US20220388546A1 (en) * | 2021-06-04 | 2022-12-08 | Waymo Llc | Predicting a Parking or Pullover Spot Vacancy for an Autonomous Vehicle Pickup |
CN113741470B (zh) * | 2021-09-10 | 2023-10-03 | 深圳市海柔创新科技有限公司 | 机器人组队控制方法、装置、机器人及调度设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527315A (zh) * | 2016-06-20 | 2017-12-29 | 梦想城市人私人有限公司 | 提高安排即时响应和预定运输服务时的效率的***和方法 |
CN107850895A (zh) * | 2015-05-13 | 2018-03-27 | 优步技术公司 | 通过引导协助操作的自动驾驶车辆 |
WO2018071266A1 (en) * | 2016-10-14 | 2018-04-19 | Waymo Llc | Planning stopping locations for autonomous vehicles |
CN108475406A (zh) * | 2015-11-04 | 2018-08-31 | 祖克斯有限公司 | 用于请求和控制自主车辆服务的软件应用 |
CN108475055A (zh) * | 2016-01-08 | 2018-08-31 | 伟摩有限责任公司 | 用于自主车辆的备用轨迹*** |
Family Cites Families (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130007754A (ko) * | 2011-07-11 | 2013-01-21 | 한국전자통신연구원 | 자율주행 교차로에서 차량 제어 장치 및 그 방법 |
US9846811B2 (en) * | 2014-04-24 | 2017-12-19 | Conduent Business Services, Llc | System and method for video-based determination of queue configuration parameters |
US9631933B1 (en) | 2014-05-23 | 2017-04-25 | Google Inc. | Specifying unavailable locations for autonomous vehicles |
WO2016130719A2 (en) * | 2015-02-10 | 2016-08-18 | Amnon Shashua | Sparse map for autonomous vehicle navigation |
US9733096B2 (en) * | 2015-06-22 | 2017-08-15 | Waymo Llc | Determining pickup and destination locations for autonomous vehicles |
US9805605B2 (en) | 2015-08-12 | 2017-10-31 | Madhusoodhan Ramanujam | Using autonomous vehicles in a taxi service |
JP6331151B2 (ja) * | 2015-11-13 | 2018-05-30 | パナソニックIpマネジメント株式会社 | 配車システムおよび配車システムの制御方法 |
US10685416B2 (en) * | 2015-12-10 | 2020-06-16 | Uber Technologies, Inc. | Suggested pickup location for ride services |
US9911084B2 (en) * | 2016-02-02 | 2018-03-06 | International Business Machines Corporation | Autonomous vehicle scheduling system for pickup and drop-off of passengers |
WO2017155740A1 (en) | 2016-03-08 | 2017-09-14 | Pcms Holdings, Inc. | System and method for automated recognition of a transportation customer |
US9836057B2 (en) | 2016-03-24 | 2017-12-05 | Waymo Llc | Arranging passenger pickups for autonomous vehicles |
JP6817337B2 (ja) * | 2016-05-27 | 2021-01-20 | ユーエーティーシー, エルエルシー | 自動運転車のための乗客の乗車の円滑化 |
US10325442B2 (en) * | 2016-10-12 | 2019-06-18 | Uber Technologies, Inc. | Facilitating direct rider driver pairing for mass egress areas |
CN110073399B (zh) * | 2016-11-03 | 2024-03-15 | 福特汽车公司 | 用于对运输提供者和乘客进行排队的设备及方法 |
US11010615B2 (en) * | 2016-11-14 | 2021-05-18 | Lyft, Inc. | Rendering a situational-awareness view in an autonomous-vehicle environment |
US10261513B2 (en) * | 2016-12-19 | 2019-04-16 | drive.ai Inc. | Methods for communicating state, intent, and context of an autonomous vehicle |
US10490066B2 (en) * | 2016-12-29 | 2019-11-26 | X Development Llc | Dynamic traffic control |
WO2018132088A1 (en) | 2017-01-10 | 2018-07-19 | Ford Global Technologies, Llc | Picking up and dropping off passengers at an airport using an autonomous vehicle |
WO2018151712A1 (en) * | 2017-02-15 | 2018-08-23 | Ford Global Technologies, Llc | Aerial vehicle-ground vehicle coordination |
KR101979268B1 (ko) | 2017-03-03 | 2019-05-16 | 엘지전자 주식회사 | 자율 주행 시스템 |
US10082793B1 (en) * | 2017-03-21 | 2018-09-25 | GM Global Technology Operations LLC | Multi-mode transportation planning and scheduling |
JP7064508B2 (ja) * | 2017-05-08 | 2022-05-10 | チェイス,アーノルド | 自律走行車両強化システムのためのモバイル機器 |
US10317899B2 (en) * | 2017-06-16 | 2019-06-11 | nuTonomy Inc. | Intervention in operation of a vehicle having autonomous driving capabilities |
US11493348B2 (en) * | 2017-06-23 | 2022-11-08 | Direct Current Capital LLC | Methods for executing autonomous rideshare requests |
US10403133B1 (en) * | 2017-07-27 | 2019-09-03 | State Farm Mutual Automobile Insurance Company | Vehicle roadway traffic density management systems for optimizing vehicle spacing |
US10545500B2 (en) * | 2017-08-02 | 2020-01-28 | Wing Aviation Llc | Model for determining drop-off spot at delivery location |
US10532749B2 (en) * | 2017-08-11 | 2020-01-14 | Uatc, Llc | Systems and methods to adjust autonomous vehicle parameters in response to passenger feedback |
US20190066515A1 (en) * | 2017-08-22 | 2019-02-28 | Waymo Llc | Estimating time to pick up and drop off passengers for improved stopping analysis in autonomous vehicles |
JP7095968B2 (ja) * | 2017-10-02 | 2022-07-05 | トヨタ自動車株式会社 | 管理装置 |
WO2019075341A1 (en) * | 2017-10-12 | 2019-04-18 | Netradyne Inc. | DETECTION OF DRIVING ACTIONS THAT MITIGATE RISK |
US10838428B2 (en) * | 2017-11-29 | 2020-11-17 | Honda Motor Co., Ltd. | Autonomous drop-off and pick-up |
KR102058049B1 (ko) * | 2017-12-01 | 2020-01-22 | 엘지전자 주식회사 | 차량의 운행 시스템 |
US11067401B2 (en) * | 2017-12-08 | 2021-07-20 | Uber Technologies, Inc | Coordinating transport through a common rendezvous location |
JP6831344B2 (ja) * | 2018-02-07 | 2021-02-17 | 株式会社Subaru | 管制装置 |
US10955851B2 (en) * | 2018-02-14 | 2021-03-23 | Zoox, Inc. | Detecting blocking objects |
US20190311629A1 (en) * | 2018-04-06 | 2019-10-10 | Lyft, Inc. | Generating and managing virtual queues at congested venues |
US10559197B2 (en) * | 2018-04-13 | 2020-02-11 | Toyota Jidosha Kabushiki Kaisha | Remote vehicle control at intersections |
US10466057B1 (en) * | 2018-07-30 | 2019-11-05 | Wesley Edward Schwie | Self-driving vehicle systems and methods |
US20210053567A1 (en) * | 2019-08-21 | 2021-02-25 | Waymo Llc | Identifying pullover regions for autonomous vehicles |
US11462019B2 (en) * | 2019-09-20 | 2022-10-04 | Gm Cruise Holdings Llc | Predicting rider entry time for pick-up and drop-off locations |
US20220097690A1 (en) * | 2020-09-30 | 2022-03-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Optical sense-compute solution for real-time navigation involving multiple vehicles |
US11935404B2 (en) * | 2021-03-24 | 2024-03-19 | Toyota Motor Engineering & Manufacturing North America, Inc. | Integrated congested mitigation for freeway non-recurring queue avoidance |
US20220349720A1 (en) * | 2021-04-29 | 2022-11-03 | Argo AI, LLC | Method of navigating autonomous vehicle to passenger pickup / drop-off location |
CN113420908B (zh) * | 2021-05-26 | 2022-11-29 | 浙江中控信息产业股份有限公司 | 一种基于意愿性概率的大型场站旅客等候时长预测方法 |
US11776402B2 (en) * | 2021-06-29 | 2023-10-03 | Motional Ad Llc | Forecasting vehicle location occupancy |
-
2018
- 2018-10-09 US US16/154,829 patent/US11543824B2/en active Active
-
2019
- 2019-09-30 EP EP19871164.0A patent/EP3837661A4/en active Pending
- 2019-09-30 WO PCT/US2019/053821 patent/WO2020076538A1/en unknown
- 2019-09-30 CN CN201980066874.8A patent/CN112823372B/zh active Active
-
2022
- 2022-12-05 US US18/074,737 patent/US11977387B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107850895A (zh) * | 2015-05-13 | 2018-03-27 | 优步技术公司 | 通过引导协助操作的自动驾驶车辆 |
CN108475406A (zh) * | 2015-11-04 | 2018-08-31 | 祖克斯有限公司 | 用于请求和控制自主车辆服务的软件应用 |
CN108475055A (zh) * | 2016-01-08 | 2018-08-31 | 伟摩有限责任公司 | 用于自主车辆的备用轨迹*** |
CN107527315A (zh) * | 2016-06-20 | 2017-12-29 | 梦想城市人私人有限公司 | 提高安排即时响应和预定运输服务时的效率的***和方法 |
WO2018071266A1 (en) * | 2016-10-14 | 2018-04-19 | Waymo Llc | Planning stopping locations for autonomous vehicles |
Also Published As
Publication number | Publication date |
---|---|
US11977387B2 (en) | 2024-05-07 |
EP3837661A4 (en) | 2022-06-01 |
US20200111370A1 (en) | 2020-04-09 |
EP3837661A1 (en) | 2021-06-23 |
US20230152812A1 (en) | 2023-05-18 |
CN112823372A (zh) | 2021-05-18 |
WO2020076538A1 (en) | 2020-04-16 |
US11543824B2 (en) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112823372B (zh) | 排队进入上车和下车位置 | |
CN110785780B (zh) | 用于自动驾驶车辆中乘客的提前上车的方法和*** | |
AU2021202268B2 (en) | Estimating time to pick up and drop off passengers for improved stopping analysis in autonomous vehicles | |
CN114370883B (zh) | 用于操纵车辆的方法和*** | |
US11709490B1 (en) | Behavior and intent estimations of road users for autonomous vehicles | |
US11884264B2 (en) | Driveway maneuvers for autonomous vehicles | |
US11543823B2 (en) | Reducing inconvenience to surrounding road users caused by stopped autonomous vehicles | |
US20230168095A1 (en) | Route providing device and route providing method therefor | |
US20240126296A1 (en) | Behavior prediction for railway agents for autonomous driving system | |
US20240157872A1 (en) | External facing communications for autonomous vehicles | |
CN112789209B (zh) | 减少由停止的自主车辆给周围道路使用者带来的不便 | |
US20230227065A1 (en) | Managing maneuvers for autonomous vehicles in certain situations |
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 |