CN113195322A - 用于确定预定区域内的运动轨迹的方法和装置 - Google Patents
用于确定预定区域内的运动轨迹的方法和装置 Download PDFInfo
- Publication number
- CN113195322A CN113195322A CN201980033060.4A CN201980033060A CN113195322A CN 113195322 A CN113195322 A CN 113195322A CN 201980033060 A CN201980033060 A CN 201980033060A CN 113195322 A CN113195322 A CN 113195322A
- Authority
- CN
- China
- Prior art keywords
- sub
- motion
- areas
- vehicle
- motion trajectory
- 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 title claims abstract description 60
- 239000002245 particle Substances 0.000 claims description 56
- 230000001133 acceleration Effects 0.000 claims description 33
- 230000000386 athletic effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 28
- 230000003068 static effect Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/20—Steering systems
- B60W2710/207—Steering angle of wheels
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
- B60W2720/103—Speed profile
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
- B60W2720/106—Longitudinal acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
一种确定交通工具在预定区域内的运动轨迹的方法,其中该预定区域包括多个子区域,该方法由一个或多个处理器执行,该方法包括:确定该预定区域的占用假设,其中该占用假设指示该多个子区域中的已占用子区域以及该多个子区域中的未占用子区域;确定该预定区域的每一个子区域的效用值;基于未占用子区域中被运动轨迹穿过的至少一个子区域的效用值的函数、并通过最大化交通工具的运动效用,来确定穿过未占用子区域中的该至少一个子区域的运动轨迹,其中该交通工具的运动效用由被该运动轨迹穿过的子区域的效用值的函数来指示。
Description
相关申请的交叉引用
本申请要求于2018年12月27日提交的美国申请16/233,164的优先权,该美国申请的全部内容通过援引纳入与此。
技术领域
本公开的各方面一般涉及用于确定预定区域内的运动轨迹的方法和装置。
背景技术
自动驾驶交通工具预期在其中道路占用由于道路上的交通工具、人和其他各方或对象的持续移动而不断变化的动态交通状况中驾驶。在这些状况中,自动驾驶交通工具需要估计并评估可能的将来危险以最大化安全性的办法;总体目标是降低交通工具、乘客和道路上或交通工具周围的其它各方的风险。但自动驾驶交通工具也需要最大化乘客的效用的办法,其中最大化效用可包括最大化乘客到达目的地的可能性。
解决在各种交通状况中的自动驾驶问题需要融合至少两种技巧。第一种技巧是感知道路上的具有其动态方面的障碍物,第二种技巧是导航至目的地。对于感知技巧,解决感知问题的最初方法是基于使用边界框来检测和跟踪对象;但是边界框方法无法检测诸如建筑物之类的大型对象,对于建筑物,没有边界框可以被构建并且边界框无法支持来自多个传感器的信息融合。近年来,基于结合动态占用网格(DOG)的粒子过滤器的替代方法通过提供融合信息的自然方式并消除标识道路上的对象周围的边界框的需求解决了某些边界框问题。结果,自动化交通工具可具有与道路上的障碍物的行踪有关的信息。
对于导航技巧,许多成功的***和产品解决了该问题,但它们全都假定道路畅通无阻。更精确地,这些产品提供了大致运动方向,但它们无法规避道路上的危险。
自动驾驶交通工具需要一种通过生成规避危险、最小化风险、最大化安全性并且仍将乘客带至所需目的地的轨迹来合并以下两种技巧的方法:检测道路上的危险的感知技巧以及到达目的地的导航技巧。
发明内容
一种确定交通工具在预定区域内的运动轨迹的方法,其中该预定区域包括多个子区域,该方法由一个或多个处理器执行,该方法包括:确定该预定区域的占用假设,其中该占用假设指示该多个子区域中的已占用子区域以及该多个子区域中的未占用子区域;确定该预定区域的每一个子区域的效用值;基于未占用子区域中被运动轨迹穿过的至少一个子区域的效用值的函数并通过最大化交通工具的运动效用、来确定穿过未占用子区域中的该至少一个子区域的运动轨迹,其中该交通工具的运动效用由被该运动轨迹穿过的子区域的效用值的函数来指示。
附图说明
在附图中,贯穿不同的视图,相同的附图标记一般指代相同部分。这些附图不一定是按比例的;而是一般着重于说明本公开的原理。在以下描述中,参照以下附图描述本公开的各方面,其中:
图1示出示例***通工具,该示例***通工具包括用于检测预定区域中的空间占用的运动轨迹确定器。
图2示出可确定穿过预定区域的运动轨迹的运动轨迹确定器。
图3示出可指示交通工具前方的道路的示例性城市场景。
图4示出包括多个网格单元的示例性动态占用网格。
图5示出占用假设确定器的实施例。
图6示出与指示穿过示例***叉路口的方向的示例性导航指示相关联的示例性效用值确定。
图7示出阐示示例性运动方向和示例性运动简档的图示。
图8示出示例性运动轨迹选择器。
图9示出用于确定预定区域中的运动轨迹的方法。
图10示出将计算机程序存储在数据和指令存储中的非瞬态计算机可读介质,该计算机程序在由处理器执行时实现一种用于确定预定区域中的运动轨迹的方法。
具体实施方式
以下详细描述中对附图进行参考,附图通过图示示出了具体细节以及可在其中实施本公开的实施例。可利用其他方面,并且可作出结构的、逻辑的和电气的改变,而不背离本公开的范围。本公开的各方面不一定是互斥的,因为可将本公开的一些方面与本公开的一个或多个其他方面组合以形成新的方面。
在本申请中使用词“示例性”来意指“充当示例、实例或说明”。在本申请中被描述为“示例性”的任何实施例或设计不一定被解释为相对于其他实施例或设计是优选的或有优势的。
鉴于以下描述、示例和图涉及自动驾驶(AD)(例如,自主驾驶)交通工具,应当理解,自动驾驶交通工具的示例可包括汽车、公共汽车、小型公共汽车、货车、卡车、移动房屋、交通工具拖车、摩托车、自行车、三轮车、移动机器人、个人运输设备和无人机。还应当理解,自动驾驶交通工具可包括火车、有轨电车、地铁以及更一般地包括限于在预先指定的轨道上移动的交通工具;还应当理解,所公开的运动轨迹确定器适用于任何尺寸和类型的交通工具。
另外,应理解,所公开的运动轨迹确定器以及所公开的示例不限于交通工具;相反,运动轨迹确定器可用于大范围的应用,包括:可使用该运动轨迹确定器来监视对给定区域的进入和/或引导该区域中的其他交通工具的安全相机;可使用该运动轨迹确定器来监视在交叉路口处等待的道路交通工具和/或引导该交叉路口周围的道路交通工具的交通灯;可使用运动轨迹确定器来估计印象数或者导出要显示的最相关内容的广告和信息用途的智能数字标牌;可使用运动轨迹确定器来估计给定区域中的交通量以寻找解决交通拥塞的方法的交通拥塞传感器;可使用运动轨迹确定器来计算给定区域中的交通工具的速度或者将交通工具引导至安全位置的速度计。
图1示出示例***通工具(例如,自动化交通工具)100,该交通工具包括用于检测空间占用并确定预定区域中的运动轨迹的运动轨迹确定器102。在一些实施例中,空间占用的示例可包括静态和动态对象,其中示例性静态对象可包括路灯、交通灯、路旁的建筑物,并且示例性动态对象可包括行人以及其它交通工具和道路交通工具。在一些实施例中,运动轨迹可包括多个速度、加速度以及指示如何驾驶交通工具100穿过预定区域的转向角度值。
自动驾驶交通工具100还可包括汽车控制器114以及各种汽车组件,这些汽车组件诸如,转向模块116、发动机118以及车轮120,这些汽车组件还可包括制动***和转弯***,该制动***和转弯***均未显示。
在一些实施例中,运动轨迹确定器102可以是可以不与其他组件连接的独立式设备。在这些情形中,运动轨迹确定器102可将潜在危险以及这些危险周围的道路发信号通知驾驶员。
在一些实施例中,运动轨迹确定器102可以通过示例性连接132来连接到汽车控制器114。运动确定器102可以通过连接器132向汽车控制器114传送包括多个速度、加速度以及转向角度和/或占用信息的运动轨迹。
汽车控制器114可控制汽车组件(诸如转向模块116、发动机118以及车轮120、未显示在图1中的制动***以及交通工具中包括的其他***)以便以与运动确定器所确定的轨迹和运动参数相一致的方式驾驶交通工具。
汽车控制器114可被配置成用于完全或部分地控制交通工具100。完全控制可指示:汽车控制器114可被配置成用于控制所有其他汽车组件的行为。部分控制可指示:汽车控制器114可被配置成用于仅控制一些汽车组件,而不控制可以在人类驾驶员的控制下的其他组件。在部分控制的一些示例性实施例中,汽车控制器114可被配置成用于仅控制交通工具速度但不控制交通工具转向。在交通工具100的一些实施例中,部分控制可指示:汽车控制器114可被配置成用于控制所有的汽车组件,但是仅在一些情形下控制所有的汽车组件,例如,在高速公路上而不是在其中人类驾驶员应当获得控制的其他道路上控制交通工具。在其他实施例中,部分控制可指示以上实施例的任何组合。
在一些实施例中,运动轨迹确定器102和汽车控制器114可以是不同组件。在交通工具100的一些实施例中,运动轨迹确定器102和汽车控制器114可被集成到单个设备中。在一些实施例中,感知设备102和汽车控制器114可部分地被集成。在一些实施例中,运动轨迹确定器102的一些或全部组件可被集成在汽车控制器114中。
图1还示出跨不同组件的示例性连接方案。连接器144可将汽车控制器14与转向模块116、发动机118以及车轮120等等耦合。连接器144能以此类方式被配置以使得汽车控制器114可向转向模块116、发动机118以及车轮120指示如何驾驶交通工具,并且转向模块116、发动机118以及车轮120可往回向转向模块116指示测程信息、定位信息和交通工具状态信息。
连接器146将转向模块116耦合至车轮120的转弯***(未示出)以控制交通工具的驾驶方向。连接器146能以此类方式被配置以使得转向模块116可向致动组件(诸如,车轮120的转弯***(未示出))指示如何驾驶交通工具,并且致动组件(诸如,车轮120的转弯***(未示出))可往回向转向模块116指示测程信息、定位信息和交通工具状态信息。
连接器132、144和146可被实现为有线连接或无线连接。可将包括交通工具总线网络的任何种类的通信协议用于两个相应组件之间的通信,该交通工具总线网络诸如,控制器区域网络(CAN)、本地互连网络(LIN)总线、FlexRay、面向媒体的***传输(MOST)、以及汽车以太网、以及加密和非加密变型。此外,组件之间的交互可被实现为跨软件模块或以允许组件之间的信息传输的任何其他方式的循环广播或多播通信、或远程函数调用、或API调用。
在图1中显示的示例性实施例中,交通工具100可以是汽车,并且可能是自动驾驶汽车,但是在其他实施例中,交通工具100可以是自动驾驶交通工具100,例如,自主驾驶交通工具、自主无人机、自主飞机或任何其他飞行对象、自主自行车、三轮车等等。自主交通工具100还可以是任何种类的机器人或移动硬件代理。此外,可能应注意,交通工具100不一定必需是完全自主交通工具,而是还可以是部分自主交通工具或在其中将运动轨迹确定器实现为驾驶员辅助***的部分的交通工具。
在一些实施例中,交通工具100能以要求给定区域中的运动轨迹确定器的任何设备来代替,诸如,可监视特定位置的监视无人机。
图2示出可确定穿过预定区域的运动轨迹的运动轨迹确定器200。运动轨迹确定器200在功能上可等价于运动轨迹确定器102。
在一些实施例中,运动轨迹确定器200可包括至少一个传感器202,其中该至少一个传感器202可包括激光雷达传感器、雷达传感器、视觉传感器(诸如单色相机)或其他类型的传感器。
在一些实施例中,传感器可及范围可确定预定区域,其中该预定区域可被限于这些传感器中的至少一者可在其中提供信息的区域。在其他实施例中,预定区域的确定可以在其他考虑事项的基础上确立。
运动轨迹确定器200还可包括占用假设确定器222,该占用假设确定器222可被配置成确定预定区域的占用假设。在一些实施例中,占用假设确定器222可标识预定区域中的可能被静态对象(诸如建筑物)占用的子区域、可能持续被占用的子区域、以及该预定区域中的可能被诸如交通工具之类的动态对象占用的子区域,这些动态对象可移开以消除其对子区域的占用。
占用假设确定器222还可标识未占用子区域,换言之是可能没有障碍物并且可被交通工具100用来行进穿过预定区域的子区域。
占用假设确定器222可以在通过至少一个连接器212接收到的来自诸如至少一个传感器202之类的传感器的信息的基础上做出其确定。在一些实施例中,占用假设确定器222还可执行传感器融合;因此,占用假设可以是合并来自不同传感器的不同类型的信息的结果。
运动轨迹确定器200还可包括被配置成确定预定区域中的所有子区域的效用值的效用值确定器224。具体地,效用值确定器224可以在某一效用准则的基础上将预定区域划分成各个子区域,其中该预定区域中的每一个子区域可以与一个效用值相关联。
在一些实施例中,效用值确定器224可以在到其预期目的地的路线的基础上将预定区域划分成各个子区域,其中在该预期目的地的方向上的子区域可接收到比处在其它方向上的子区域更高的效用值。
为了将效用分派给子区域,效用值确定器224可需要到预期目的地的方向的指示作为输入。到预期目的地的方向的这一指示可由导航***204通过连接器214来提供。导航***可以是具有确定从起点到目的地的路线的功能以及用于提供本地方向以指示到达目的地的方式的附加功能的任何导航***。
运动轨迹确定器200还可包括被配置成指示交通工具100的运动简档的运动简档指示器226,其中运动简档可指示与交通工具100在预定时间区间中的移动相关的运动参数值。
在一些实施例中,运动参数可包括速度简档、加速度简档和转向角简档。
示例性运动简档可指示:在2分钟的预定时间区间内、交通工具100以从8级逐渐变为15级的转向角向左转、速度为以恒定的负加速度从35km/h逐渐减小至25km/h。
运动简档指示器226可以通过连接器216从一个或多个测程传感器206接收关于交通工具的运动参数的数据。在一些实施例中,测程传感器可包括交通工具上的惯性测量单元(IMU);在一些实施例中,测程传感器可包括测量车轮速度的传感器和/或测量引擎产生的加速度的传感器和/或测量车轮的转向角度的传感器;在一些实施例中,测程传感器可包括诸如相对于地标位置的估计之类的其他测程估计或其他类型的估计。
运动轨迹选择器228可通过连接器232接收占用假设,该占用假设可指示预定区域中的被诸如建筑物之类的静态对象以及诸如交通工具之类的动态对象占用的子区域。占用假设还可包括交通工具或许能够在其中行驶的未占用子区域的指示。
另外,运动轨迹选择器228可通过连接器234接收预定区域的各个子区域的效用的指示。通过将未占用子区域与预定区域的各子区域的效用值相组合,运动轨迹选择器228可确定具有较高效用的未占用子区域,这些子区域是将被运动轨迹穿过的优选子区域。更一般而言,未占用子区域与预定区域中的各个子区域的效用值的组合可导致对未占用子区域的指示轨迹的替代选项的评分以及相对于效用度量来为替代选项评分。
最后,运动轨迹选择器228可通过连接器236接收交通工具100的运动简档的指示。通过将用效用函数评分的未占用区域与交通工具100的运动简档相组合,运动轨迹选择器228可选择具有高效用的轨迹,同时沿该轨迹控制转向角、速度和加速度。
运动轨迹选择器228的输出可包括运动轨迹以及指示如何沿该轨迹驾驶的多个位置值、速度值、加速度值以及转向角度值。这些输出可通过连接器230传送到其他组件。在一些实施例中,连接器230在功能上可等价于连接器132,在这些实施例中,运动轨迹以及速度值、加速度值和转向角度值可产生对汽车控制器114的指示,汽车控制器114可使用这些指示来控制交通工具100的行为。
在运动轨迹确定器200的一些实施例中,效用值确定器224或者运动简档指示器226可能缺失,这提供了运动轨迹确定器200的替代版本。
在一些实施例中,运动轨迹确定器200可以只包括占用假设确定器222以及运动简档指示器226。在这些实施例中,运动方向可能不得不在运动轨迹确定器200之外确定。在一些此类实施例中,驾驶员可负责交通工具转向或至少向交通工具100指示运动方向。
在一些实施例中,运动轨迹确定器200可以只包括占用假设确定器222以及效用值确定器224。在这些实施例中,运动简档可能不得不在运动轨迹确定器200之外确定。在一些此类实施例中,驾驶员可负责确定交通工具的速度和加速度,同时运动轨迹确定器200可负责交通工具100的运动方向。
在一些实施例中,运动轨迹确定器200可以是包括所有传感器和IMU传感器的单个组件;在其他实施例中,运动轨迹确定器200可分布在交通工具100中,其中每一个组件可被置于最恰当的位置以执行其任务。在一些实施例中,连接器212、214、216、232、234、236可被实现为有线连接或无线连接。可将包括交通工具总线网络的任何种类的通信协议用于两个相应组件之间的通信,该交通工具总线网络诸如,控制器区域网络(CAN)、本地互连网络(LIN)总线、FlexRay、面向媒体的***传输(MOST)、以及汽车以太网、以及加密和非加密变型。此外,组件之间的交互可被实现为跨软件模块或以允许组件之间的信息传输的任何其他方式的循环广播或多播通信、或远程函数调用、或API调用。
图3示出可指示交通工具100前方的道路的示例性城市场景300。城市场景300可包括第一墙壁302、第二墙壁304、第二墙壁304前方的树木308、第一人行道330、第二人行道332、第一人行道上的对象306以及交通工具310。另外,在城市场景300中,标记320和322可指示附加对象,诸如示例性墙壁,而标记324和326可指示两个附加人行道;最后城市场景300可表示由302、304、320和322所指示的墙壁界定的交叉路口。
图3的城市场景300还可示出由点312、314、316、318、320表示的多个传感器读数的样本。传感器读数可能已由功能上等价于至少一个传感器302的一个或多个传感器检测到。传感器读数可以与城市场景300中的某些对象相关。每一个传感器读数可指示预定区域中的对象的存在。作为示例,传感器读数312可指示第一墙壁302的存在,传感器读数314可指示第二墙壁304的存在,传感器读数316可指示对象306的存在,传感器读数318可指示树木308的存在,传感器读数320可指示交通工具310的存在。
每一个传感器读数还可提供关于检测到的对象的附加信息,诸如速度估计或对象类型估计。作为示例,传感器读数320可指示离交通工具310的距离、交通工具310的速度,在某些情形中,传感器读数320可指示检测到的对象的类型,诸如交通工具310是汽车。
传感器读数可以从一个或多个传感器(例如,至少一个传感器202)被传送到占用假设确定器,该占用假设确定器可被配置成确定预定区域的占用假设,其中这一确定可取决于从传感器接收到的传感器读数。
在一些实施例中,占用假设可以是动态占用网格(DOG),其中动态占用网格可提供对预定区域中的空间进行建模的方法,其中传感器读数被变换成置于DOG中的粒子并且然后被抽象以识别空闲空间、静态障碍物和动态(即,移动的)对象。在一些实施例中,动态占用网格可被解释为表示诸如墙壁和临时障碍之类的静态特征以及诸如移动的交通工具之类的动态特征这两者的预定区域地图。
图4示出包括多个网格单元402的示例性动态占用网格400。每个网格单元402可由相应的网格单元边框线404框定。在一些实施例中,网格单元可以是正方形或矩形,在其他实施例中,网格单元可假定其他形状。
在一些实施例中,动态占用网格可提供预定区域的表示,其中,该预定区域可包括所有是网格一部分的单元的区域。在一些实施例中,预定区域可以是连续的:在这些实施例中,如在网格400的情形中,单元可彼此相邻放置,在其他实施例中,动态占用网格可被分割,以捕捉特殊要求。在一些实施例中,每一个网格单元可表示预定区域的子区域,在其他实施例中,单元的群集可表示预定区域的子区域。
网格单元的大小可变化:网格单元大小的示例性值的范围可以从几平方厘米的大小到几平方米的大小。在一些实施例中,较小的网格单元往往可产生较高的表示分辨率。在一些示例性实施例中,动态占用网格可具有不同大小的单元,其中网格单元在该网格的一些区域中可以较小,这些区域可表示预定区域中的需要较高表示分辨率的子区域,而在可需要较低表示分辨率的其他区域中、网格单元可以较大。
在一些示例性实施例中,交通工具100可被置于动态占用网格的中心,并因此处于预定区域的中心。相对于处于动态占用网格的边缘处的单元,较靠近交通工具100的单元可以较小,因为越靠近交通工具就需要越小的分辨率以便更好地控制该交通工具的移动。在其他示例性实施例中,较靠近交通工具的前部和侧部的单元可以比交通工具后面的单元更小。
动态占用网格的预定区域可以是交通工具100周围的区域。在一些实施例中,交通工具100可被定位在占用网格的中心,并且预定区域可以是在交通工具周围均等分布的区域。在其他实施例中,交通工具100可被定位在动态占用网格的侧面处,或者等效地位于预定区域的侧面处,以适应在交通工具的一侧可能要求更多信息的要求。在一些实施例中,交通工具100可在动态占用网格之外。在一些实施例中,动态占用网格可随交通工具100移动。
网格单元可与粒子相关联,其中,每个粒子可表示一个或多个传感器读数,诸如示例性传感器读数312、314、316、318、320,该一个或多个传感器读数可能已经检测到由网格单元表示的区域中存在的对象。通过放置粒子,动态占用网格可提供与预定区域内对象的位置有关的信息。动态占用网格可被认为是预定区域的动态地图,动态占用网格可被替代地认为提供预定区域的占用假设。
标记412、414、416、418、420、422、424可表示可被放置在占用网格400中的粒子。作为示例,可已经从与传感器读数312相关联的信息中生成粒子412,并且粒子412可在动态占用网格中表示第一墙壁302的部分;可已经从与传感器读数314相关联的信息中生成粒子414,并且粒子414可表示第二墙壁304的部分;可已经从与像素320相关联的信息中生成粒子420,并且粒子420可表示交通工具310的部分。
在一些实施例中,412、414、416、418、420、422、424所指示的粒子可表示由不同传感器检测到的传感器读数,但它们全都提供可占用预定区域的障碍物的证据。通过将所有传感器读数变换成粒子,动态占用网格可提供传感器融合功能。
在一些实施例中,诸如第一墙壁、第二墙壁和交通工具之类的对象可由多个粒子表示。在一些实施例中,此类多个粒子可包括大量的粒子。在一些实施例中,所生成的粒子数量可取决于传感器的质量,其中高分辨率传感器可生成更多数量的粒子;粒子数还可取决于资源考虑事项,其中更多数量的粒子可需要更大量的资源;最后,粒子数可取决于所需分辨率,其中更多大数量的粒子可导致更高的分辨率。
粒子还可与速度相关联,该速度可由运动方向和速度值表示。与非零速度相关联的粒子可被指示为动态粒子,而与零速度相关联的粒子可被指示为静态粒子。作为示例,表示交通工具310的部分的粒子420可以是在由箭头436指示的方向上具有非零速度的动态粒子;而两者均表示墙壁的部分的粒子412和414可以是具有零速度的静态粒子。
除了粒子之外,动态占用网格还可将单个占用假设关联到每一个单元,其中每一个单个占用假设可提供相关联的单元的占用水平的指示。每一个单个占用假设可提供附加信息,诸如单元速度或占用类型。在一些实施例中,单个占用假设还可以提供单元被占用的可能性或对其的信任的度量以及与单元的占用相关联的速度的度量。
形状430可表示与单元406相关联的示例性单个占用假设,其中,单个占用假设可提供单元占用水平的指示、单元速度的指示、以及占用类型的指示。示例性单元406可包括可指代墙壁302的粒子(如粒子412),因此单元中的大部分或全部粒子可以具有0速度或近乎0速度。结果,单个占用假设430可指示对应的单元可具有0速度,换言之该单元是静态的。类似地,形状432可表示针对单元408的示例性单个占用假设。单元408可包括可指代交通工具310的粒子(如粒子420),因此单元408中的大部分或全部粒子可以是动态的,反映交通工具310的速度。箭头434可指示与单个占用假设430的非零速度相关联的运动的方向。
在一些实施例中,诸如单个占用假设430和432之类的单个占用假设可使用信任质量函数来确定,其中,单元占用的信任质量可被定义为单元中的粒子相对于动态占用网格中所有粒子的比例。速度的信任质量可从与单元中的粒子相关联的速度的分布来计算。
在一些实施例中,信任质量函数可指示占用信息,该占用信息指定对应单元的占用是静态还是动态的还是空闲空间,或者该占用信息是否是未知的,这可能是因为其它对象阻止传感器读取这些单元中的占用。使用Dempster-Shafer证据理论,信任质量函数可被简化为2Θ识别框架,其中:
Θ={F,S,D}
其中
F指示空闲空间;
S指示静态空间;
D指示动态空间。
上式是可能的值组合的集合,
其中:
{S}指示静态占用;
{D}指示动态占用;
{F}指示空闲占用;
{S,D}指示无法在静态占用或动态占用之间进行区别;
{S,D}指示无法在静态占用或动态占用之间进行区别;
{S,F}和{D,F}由于它们不一致而不被考虑。
给定如在(1)中描述的识别框架,在一些实施例中,用于确定单个占用假设的信任质量函数可根据以下公式来确定:
其中
S可以是单元中的粒子为静态的指示;
D可以是单元中的粒子为动态的指示;
si可指示第i个传感器。
公式(2)可提供用于在保持将传感器之间的技术差异考虑在内的同时、在分派给粒子的位置值的基础上确定单元占用的信任质量的方法。
类似于公式(2)的公式可指示对于其他情形以及对于诸如与单元相关联的速度之类的其他信息如何确定质量信任。
在一些实施例中,网格单元Ci被占用的信任度可通过可以类似于以下公式(3)的信任函数来计算
其中:
{S,D}是网格单元的占用类型,其中:
S指示静态占用;
D指示动态占用;
mocc是占用的最大证据;它在范围[0:1]中是常数;
i是网格单元索引;
j是传感器读数索引;
t是时间读数索引;
xi是第i个网格单元的中心;
zt j是第j个传感器读数在时刻t的位置;
σ是确定高斯斜率的参数。
在公式(3)中,高斯函数担当折扣因子,其中更远离xi的测量zt j提供对网格单元i占用的减少的贡献;此外,对maxj函数的使用选择对网格单元贡献最多的传感器j测量,以移除所有其他传感器测量的贡献。
最后,应观察到,公式(3)返回包括在0和1之间的值。换言之,传感器信息值对网格单元i的占用的信任度的贡献随着该传感器检测到的对象的位置离xi的距离的增加而显著减少。
在一些实施例中,公式(3)中的值σ可以与x的值相对于z的标准差相关。在这些情形中,ms i({S,D})可具有概率正态分布的数学属性。
图5示出在功能上可等同于占用假设确定器222的占用假设确定器500的实施例。
在图5中,标记500、504、510、514、560和524表示过程;而标记512、516520、522和526表示数据。连接器的解释因此变化。连接过程的连接器可表示数据流和/或控制流;连接过程和数据的连接器可指示输入/输出关系;连接数据的连接器可指示在一些实施例中可以仅仅是数据身份或数据分派的数据变换。
在图5中,标记502可表示在功能上可等价于至少一个传感器202的至少一个传感器。连接器530可表示占用假设确定器500的输入。连接器530在功能上可等价于连接器212。
在504中,占用假设确定器500可计算基于传感器的动态占用网格,该基于传感器的动态占用网格在功能上可等价于示例性占用网格400。在一些实施例中,基于传感器的动态占用网格的确定还可涉及与该基于传感器的动态占用网格的每个单元相对应的信任质量的确定,其中,信任质量的确定可根据公式(2)来执行。
在一些实施例中,传感器会产生错误读数,这些错误读数可能导致错误的粒子被添加到动态占用网格。可能需要从动态占用网格移除错误的粒子以改善其准确度。
占用假设确定器500可通过两个过滤过程来改善动态占用网格。第一过滤器514可以是粒子过滤器,第二过滤器560可基于Dempster Shafer证据理论。
粒子过滤器510可被定义为过程,其中第一动态占用网格512可通过连接器548被传送至映射过程514以生成经更新的第二动态占用网格516,该第二动态占用网格通过连接器550来传送。具体地,经更新的第二动态占用网格516的生成涉及:在第一动态占用网格512中注入可来自通过连接器532被传送到该粒子过滤器的基于传感器的动态占用网格504的附加粒子、以及用于过滤掉可能由于传感器错误而产生的粒子的投影和重采样过程。连接器558可指示第二动态占用网格可变成该过程的下一次迭代中的第一动态占用网格。在一些实施例中,连接器558可被实现为变量赋值。
由连接器540指示的粒子过滤的结果可以是基于证据的动态占用网格520,其中证据粒子图520可以是动态占用网格,其中该动态占用网格的每一个单元与该动态占用网格中的该单元的占用类型的质量信任相关联。
在一些实施例中,基于证据的动态占用网格520在功能上可等价于经更新的第二动态占用网格516。
在一些实施例中,基于证据的动态占用网格520与经更新的第二动态占用网格516的不同之处在于:该动态占用网格的每一个单元的值可指示根据公式(2)确定的与该单元相关联的信任质量。
基于证据的动态占用网格520可包含可能由于不正确的传感器读数造成的不正确的信任估计。在一些实施例中,基于证据的动态占用网格520中的估计可由DempsterShafer过滤器560基于Dempster Shafer映射过程524来进一步改善。
Dempster Shafer映射过程524可变换通过连接器544接收到的第一基于证据的动态占用网格522,以便通过包括经由连接器542接收到的来自基于证据的动态占用网格520的信息来输出第二基于证据的动态占用网格526,如由连接器546指示的。第二基于证据的动态占用网格526可以是过滤器560以及占用假设确定器500的输出。
连接器570可指示第二基于证据的动态占用网格526可变成该过程的下一次迭代中的第一基于证据的动态占用网格522。在一些实施例中,连接器570可被实现为变量赋值。
在一些实施例中,Dempster Shafer映射过程524可根据Dempster Shafer证据理论来定义,其中识别框架可根据公式(1)来定义。
Dempster Shafer映射过程524可基于以下公式(4)。
mt-1(F)=mt-1(F)+mt-1(D)
mt-1(D)=0 (4)
其中
mt-1指示第一基于证据的动态占用网格522的信任质量;
mt-1(F)指示空闲单元的信任质量;
mt-1(D)指示动态单元的信任质量;
公式(4)假定:从时刻t-1到t,诸如交通工具之类的在第一基于证据的动态占用网格中由质量信任mt-1(D)表示的所有动态对象已经可以移开并且对应的空间已被释放。因此,不再有任何动态对象的证据。
以下公式(5)可指定第二基于证据的动态占用网格的信任质量,其中动态对象的证据来自基于证据的动态占用网格520,而其他信任质量被相应地更新。
其中
mt-1指示第一基于证据的动态占用网格522的信任质量;
mt指示第二基于证据的动态占用网格526的信任质量;
ms指示基于证据的动态占用网格520的信任质量;
Θ是在(1)中定义的集合;
D指示动态空间;
在功能上可等价于图2中的连接器214的输出连接器572可指示:在每一时间实例t,第二基于证据的动态占用网格可作为对预定区域中的占用的估计来被传送至其他组件。在一些实施例中,第二基于证据的动态占用网格可指示交通工具100周围的占用。
图6示出与指示穿过示例***叉路口的替代方向的示例性导航指示620、622、624相关联的示例性效用值确定600。
示例性效用值确定600可指示示例***叉路口被分成4个子区域:第一子区域614,其也可以是交通工具100所来自的子区域;第二子区域616,其也可以是由导航***指示为最佳运动方向(如箭头624所示)的子区域;第三子区域610,其也可以是由导航***指示为替代运动方向(如虚线箭头620所示)的子区域;以及第四子区域612,其可也可以是由导航***指示为错误运动方向(如十字标记622所示)。
在一些实施例中,导航***可能不指示错误方向,但相反指示不存在穿过特定子区域的替代运动方向。这一指示可由效用值确定器与十字标记指示622等同地解释。
效用值确定600可已经由功能上等价于效用值确定器224的效用值确定器确定,其中该效用值确定器可将较高效用值分派给区域616,因为穿过区域616可直接导向目的地,如箭头624所示。该效用值确定器可将较低效用值分派给区域610,因为穿过区域610仍可能导向目的地,如虚线箭头620所示,但这可涉及绕路;由此,这可能不是优选路线。该效用值确定器可以向区域622分派最低效用值且可能是负效用值,因为穿过区域622无法导向目的地,而是相反方向。
图7示出阐示示例性运动方向和示例性运动简档750的图示700。在图示700中,标记702、704、706和708示出静态占用空间或动态占用空间的边界,诸如示例性建筑物的边界,标记702、704、706和708之间的被示为720、722、724、726的空间可以是未占用空间,在该未占用空间上可指示示例***叉路口。线710可指示示例***通工具100在穿过该交叉路口时行进的轨迹。分别由标签A、B和C指示的线712、714、716可指示沿轨迹710的点。
图示750示出了示例性运动简档,包括图示790所示的指示速度值的示例性速度简档、图示792所示的指示加速度值的示例性加速度简档、以及图示794所示的指示转向角度值的示例性转向角度简档。
790中的速度简档由相对于时间表示速度的曲线760示出,其中速度值由标记为“v”的轴752表示、并且时间由标记为“t”的轴762表示。标记为“A”的点754可对应于图示700中的点712;标记为“B”的点756可对应于图示700中的点714;标记为“C”的点758可对应于图示700中的点716。790中的速度简档示出:速度在交通工具在点A 754中进入弯道时减小,在交通工具到达点B 756时到达最小值,并且再次增大直到交通工具到达点C 758,并且然后稳定在恒定速度。
792中的加速度简档由相对于时间表示加速度的曲线772示出,其中加速度值由标记为“a”的轴764表示、并且时间由标记为“t”的轴774表示。标记为“A”的点766可对应于图示700中的点712;标记为“B”的点768可对应于图示700中的点714;标记为“C”的点770可对应于图示700中的点716。792中的加速度简档示出加速度在交通工具在点A 766中进入弯道时减小至负值以指示交通工具正在制动,到达最小值且然后在交通工具到达点B 768时增大到达0值以指示交通工具不再制动,并且然后增大到达最大值且再次减小直到交通工具到达点C 770,并且然后稳定在0加速度值附近以指示恒定速度。
794中的转向角度简档由相对于时间表示转向角度的曲线784示出,其中转向角度值由标记为“sa”的轴776表示、并且时间由标记为“t”的轴786表示。标记为“A”的点778可对应于图示700中的点712;标记为“B”的点780可对应于图示700中的点714;标记为“C”的点782可对应于图示700中的点716。792中的转向角度简档示出转向角度在交通工具在点A778中进入弯道时增大,在点B 780中到达最大转向角度值,并且然后减小转向角度以便在交通工具到达点C 782时达到最小值0,其中0指示交通工具按直线驾驶。
在上述实施例中,速度、加速度和转向角度简档使用笛卡尔坐标中的图表来表示,在其他实施例中可使用其他表示。在一些实施例中,运动参数简档的表示可基于运动方向的表示,并且运动参数可被表示为叠加在跟踪标记上的颜色变化。
图8示出在功能上可等价于228的示例性运动轨迹选择器800。如箭头850所示,运动轨迹选择器800可接收以下各项作为输入:在功能上可等价于动态占用网格400的动态占用网格830;从在功能上可等价于224的效用值确定器接收到的在功能上可等价于效用值确定600的效用值确定832,该效用值确定832指示给预定区域中的所有子区域的效用分派;在功能上可等价于运动参数简档750的多个运动参数简档834;以及在功能上可等价于运动方向700的前一运动方向的指示。
运动轨迹选择器800的输出由箭头852指示,并且该输出可包括运动轨迹840以及指示该轨迹以及对如何沿该轨迹840驾驶的约束的多个速度值、加速度值和转向角度值842。
由运动轨迹选择器800生成的运动轨迹840可趋向于最大化该轨迹的效用,其中轨迹的效用可取决于与该轨迹穿过的子区域相关联的效用。在一些示例性实施例中,轨迹的效用可被定义为该轨迹穿过的子区域的效用的总和。
在一些实施例中,运动轨迹选择器800可以是在输入层802中对运动轨迹选择器800的输入进行编码的神经网络,其中在一些实施例中输入可被编码为图像。
在其中运动轨迹选择器800是神经网络的实施例中,该运动轨迹选择器的输出可以在该神经网络的输出层中被编码,其中在一些实施例中输出可以在输出层中被编码为图像。
在一些实施例中,运动轨迹选择器800可以是全卷积神经网络828,除了输入层802和输出层824之外,全卷积神经网络828还可包括卷积层804、812、816、820的集合、池化层806和810、最大反池化(unpooling)层814和818以及至少一个SoftMax层822。
在一些实施例中,运动轨迹选择器800还可包含可被配置为长短期记忆层的循环层(未示出)。
图9示出了确定预定区域中的运动轨迹的方法,其中该预定区域包括多个子区域。
在902中,确定预定区域的占用假设,其中该占用假设指示多个子区域中的已占用子区域以及该多个子区域中的未占用子区域。
在904中,确定未占用子区域中的每一个子区域的效用值。
在906中,确定运动轨迹的效用值,其中该运动轨迹穿过未占用子区域中的至少一个子区域,其中该运动轨迹的效用值是根据该运动轨迹穿过的未占用子区域中的至少一个子区域的效用值的函数来确定的。
在908中,选择最大化运动轨迹的效用值的运动轨迹。
图10示出将计算机程序存储在数据和指令存储1004中的非瞬态计算机可读介质1000,该计算机程序在由处理器1002执行时实现一种用于确定预定区域中的运动轨迹的方法900。
现在示出,非瞬态计算机可读介质1000可包括多个处理器1002和/或一个或多个控制器。每一个处理器或控制器因此可以是或可包括模拟电路、数字电路、混合信号电路、逻辑电路、处理器、微处理器、中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、集成电路、专用集成电路(ASIC)等,或其任何组合。下文将进一步详细描述的相应功能的任何其他种类的实现方式也可被理解为处理器、控制器或逻辑电路。可理解,本文中详述的处理器、控制器或逻辑电路中的任何两个(或更多个)可被实现为具有等效功能或类似功能的单个实体,并且相反地,本文中详述的任何单个处理器、控制器或逻辑电路可被实现为具有等效功能或类似功能的两个(或更多个)分开的实体。
计算机可读介质1000还可以是可由一个或多个物理设备执行的虚拟化设备。另外,计算机可读介质可以是驻留在云中的网络设备,或者其可被配置成用于例如通过远程API调用来执行云中的一些功能。
在下文中,将对本公开的各个方面进行说明:
示例1是一种确定交通工具在预定区域中的运动轨迹的方法。所述预定区域包括多个子区域。所述方法由一个或多个处理器执行。所述方法可包括确定所述预定区域的占用假设。所述占用假设指示所述多个子区域中的已占用子区域以及所述多个子区域中的未占用子区域。所述方法进一步包括:确定所述预定区域的每一个子区域的效用值,以及基于所述未占用子区域中的被所述运动轨迹穿过的至少一个子区域的效用值的函数、并且通过最大化所述交通工具的运动效用、来确定穿过所述未占用子区域中的所述至少一个子区域的所述运动轨迹。所述交通工具的运动效用由被所述运动轨迹穿过的子区域的效用值的函数来指示;
在示例2中,示例1的主题可任选地包括,所述未占用子区域中的每一个子区域的效用值进一步根据所述交通工具的预期运动方向来确定。
在示例3中,示例2的主题可任选地包括,所述交通工具的预期运动方向由导航***来确定。
在示例4中,示例1到3中的任一项的主题可任选地包括,所述预定区域的所述占用假设是包括多个网格单元的动态占用网格。
在示例5中,示例4的主题可任选地包括,所述多个网格单元中的每一个网格单元与至少包括占用可能性度量和占用速度度量的单个占用假设相关联。
在示例6中,示例5的主题可任选地包括,所述单个占用假设根据传感器读数来确定。
在示例7中,示例5或6中的任一项的主题可任选地包括,所述单个占用假设进一步根据粒子过滤器来确定。
在示例8中,示例5或7中的任一项的主题可任选地包括,所述单个占用假设进一步根据Dempster Shafer过滤器来确定。
在示例9中,示例1到8中的任一项的主题可任选地包括,所述运动轨迹包括运动简档。运动简档包括多个速度值、多个加速度值以及多个转向角度值。
在示例10中,示例9的主题可任选地包括,确定预定区域中的所述运动轨迹进一步包括指示第一运动简档。选择所述运动轨迹进一步包括从所述第一运动简档中确定所述运动轨迹简档。
在示例11中,示例10的主题可任选地包括,从所述第一运动简档中确定所述运动轨迹简档进一步包括:从所述第一运动简档中的所述多个速度值中确定与所述运动轨迹的所述运动简档相关联的多个速度值;从所述第一运动简档中的所述多个加速度值中确定与所述运动轨迹的所述运动简档相关联的多个加速度值;以及从所述第一运动简档中的所述多个加速度值中确定与所述运动轨迹的所述运动简档相关联的多个加速度值。
在示例12中,示例1到11中的任一项的主题可任选地包括,所述运动轨迹根据可训练模型来选择。
在示例13中,示例12的主题可任选地包括,所述可训练模型包括或是人工神经网络。
在示例14中,示例13的主题可任选地包括,所述人工神经网络包括或是全卷积神经网络。
在示例15中,示例12到14中的任一项的主题可任选地包括,所述可训练模型的输入被配置成接收所述预定区域的所述占用假设、所述未占用子区域中的每一个子区域的效用值、与过往运动轨迹相关联的多个速度值、多个加速度值以及多个转向角度值。
在示例16中,示例12到15中的任一项的主题可任选地包括,所述可训练模型的输入层包括至少五个通道。所述至少五个通道中的第一通道是表示所述预定区域的所述占用假设的图像。所述至少五个通道中的第二通道是表示所述未占用子区域中的每一个子区域的效用值的图像。所述至少五个通道中的第三通道是表示与所述过往运动轨迹相关联的多个速度值的图像。所述至少五个通道中的第四通道是表示与所述过往运动轨迹相关联的多个加速度值的图像。所述至少五个通道中的第五通道是表示与所述过往运动轨迹相关联的多个转向角度值的图像。
在示例17中,示例12到16中的任一项的主题可任选地包括,所述可训练模型的输出是将来运动轨迹,所述将来运动轨迹与关联于所述将来运动轨迹的多个速度值、多个加速度值以及多个转向角度值相关联。
在示例18中,示例1到17中的任一项的主题可任选地包括,被所述运动轨迹穿过的子区域的效用值的函数可包括被所述运动轨迹穿过的子区域的效用值的总和。
在示例19中,示例18的主题可任选地包括,被所述运动轨迹穿过的子区域的效用值的函数可包括被所述运动轨迹穿过的子区域的效用值的均值。
示例20是一种确定交通工具在预定区域中的运动轨迹的设备。所述预定区域包括多个子区域。该设备可包括一个或多个处理器以及被配置成确定所述预定区域的占用假设的占用假设确定器。所述占用假设指示所述多个子区域中的已占用子区域以及所述多个子区域中的未占用子区域。所述设备进一步包括:效用值确定器,其被配置成确定所述预定区域的每一个子区域的效用值;以及运动轨迹确定器,其被配置成基于所述未占用子区域中的被所述运动轨迹穿过的至少一个子区域的效用值的函数、并且通过最大化所述交通工具的运动效用、来确定穿过所述未占用子区域中的所述至少一个子区域的所述运动轨迹。所述交通工具的运动效用由被所述运动轨迹穿过的子区域的效用值的函数来指示。
在示例21中,示例20的主题可任选地包括,所述未占用子区域中的每一个子区域的效用值进一步根据所述交通工具的预期运动方向来确定。
示例22是交通工具。所述交通工具可包括一种确定预定区域中的运动轨迹的设备。所述预定区域包括多个子区域。所述设备可包括被配置成确定所述预定区域的占用假设的占用假设确定器。所述占用假设指示所述多个子区域中的已占用子区域以及所述多个子区域中的未占用子区域。所述设备进一步包括:效用值确定器,其被配置成确定所述未占用子区域中的每一个子区域的效用值;以及运动轨迹确定器,其被配置成基于所述未占用子区域中的被所述运动轨迹穿过的至少一个子区域的效用值的函数、并且通过最大化所述交通工具的运动效用、来确定穿过所述未占用子区域中的所述至少一个子区域的所述运动轨迹。所述交通工具的运动效用由被所述运动轨迹穿过的子区域的效用值的函数来指示。
在示例23中,示例22的主题可任选地包括,所述未占用子区域中的每一个子区域的效用值进一步根据所述交通工具的预期运动方向来确定。
示例24是一种存储计算机程序的非瞬态计算机可读介质,所述计算机程序在由处理器执行时实现一种确定预定区域中的运动轨迹的方法,其中所述预定区域包括多个子区域。所述方法可包括确定所述预定区域的占用假设。所述占用假设指示所述多个子区域中的已占用子区域以及所述多个子区域中的未占用子区域。所述方法可进一步包括:确定所述预定区域的每一个子区域的效用值,以及基于所述未占用子区域中的被所述运动轨迹穿过的至少一个子区域的效用值的函数、并且通过最大化所述交通工具的运动效用、来确定穿过所述未占用子区域中的所述至少一个子区域的所述运动轨迹,其中所述交通工具的运动效用由被所述运动轨迹穿过的子区域的效用值来指示。
在示例25中,示例24的主题可任选地包括,所述未占用子区域中的每一个子区域的效用值进一步根据所述交通工具的预期运动方向来确定。
Claims (24)
1.一种确定交通工具在预定区域中的运动轨迹的方法,其中所述预定区域包括多个子区域,所述方法由一个或多个处理器执行,所述方法包括:
确定所述预定区域的占用假设,其中所述占用假设指示所述多个子区域中的已占用子区域以及所述多个子区域中的未占用子区域;
确定所述预定区域的每一个子区域的效用值;
基于所述未占用子区域中的被所述运动轨迹穿过的至少一个子区域的效用值的函数、并且通过最大化所述交通工具的运动效用,来确定穿过所述未占用子区域中的所述至少一个子区域的所述运动轨迹,其中所述交通工具的运动效用由被所述运动轨迹穿过的子区域的效用值的函数来指示。
2.如权利要求1所述的方法,其特征在于:
所述未占用子区域中的每一个子区域的效用值进一步根据所述交通工具的预期运动方向来确定。
3.如权利要求2所述的方法,其特征在于:
所述交通工具的预期运动方向由导航***来确定。
4.如权利要求1所述的方法,其特征在于:
所述预定区域的所述占用假设是包括多个网格单元的动态占用网格。
5.如权利要求4所述的方法,其特征在于:
所述多个网格单元中的每一个网格单元与单个占用假设相关联,所述单个占用假设至少包括占用可能性度量以及占用速度度量。
6.如权利要求5所述的方法,其特征在于,所述单个占用假设根据传感器读数来确定。
7.如权利要求6所述的方法,其特征在于:
所述单个占用假设进一步根据粒子过滤器来确定。
8.如权利要求6所述的方法,其特征在于:
所述单个占用假设进一步根据Dempster Shafer过滤器来确定。
9.如权利要求1所述的方法,其特征在于:
所述运动轨迹包括运动简档;
运动简档包括多个速度值、多个加速度值以及多个转向角度值。
10.如权利要求9所述的方法,其特征在于:
确定预定区域中的所述运动轨迹进一步包括
指示第一运动简档;
其中,选择所述运动轨迹进一步包括从所述第一运动简档中确定所述运动轨迹简档。
11.如权利要求10所述的方法,其特征在于,从所述第一运动简档中确定所述运动轨迹简档进一步包括:从所述第一运动简档中的多个速度值中确定与所述运动轨迹的所述运动简档相关联的多个速度值;从所述第一运动简档中的多个加速度值中确定与所述运动轨迹的所述运动简档相关联的多个加速度值;以及从所述第一运动简档中的多个加速度值中确定与所述运动轨迹的所述运动简档相关联的多个加速度值。
12.如权利要求1所述的方法,其特征在于:
所述运动轨迹根据可训练模型来选择。
13.如权利要求12所述的方法,其特征在于:
所述可训练模型包括人工神经网络。
14.如权利要求13所述的方法,其特征在于:
所述可训练模型的输入被配置成用于接收所述预定区域的所述占用假设,所述未占用子区域中的每一个子区域的效用值,与过往运动轨迹相关联的多个速度值、多个加速度值和多个转向角度值。
15.如权利要求13所述的方法,其特征在于:
所述可训练模型的输入层包括至少五个通道,
其中,所述至少五个通道中的第一通道是表示所述预定区域的所述占用假设的图像,
其中,所述至少五个通道中的第二通道是表示所述未占用子区域中的每一个子区域的效用值的图像,
其中,所述至少五个通道中的第三通道是表示与所述过往运动轨迹相关联的所述多个速度值的图像,
其中,所述至少五个通道中的第四通道是表示与所述过往运动轨迹相关联的所述多个加速度值的图像,以及
其中,所述至少五个通道中的第五通道是表示与所述过往运动轨迹相关联的所述多个转向角度值的图像。
16.如权利要求13所述的方法,其特征在于:
所述可训练模型的输出是将来运动轨迹,所述将来运动轨迹与关联于所述将来运动轨迹的所述多个速度值、所述多个加速度值和所述多个转向角度值相关联。
17.如权利要求1所述的方法,其特征在于:
被所述运动轨迹穿过的子区域的效用值的函数包括被所述运动轨迹穿过的子区域的效用值的总和。
18.如权利要求17所述的方法,其特征在于:
被所述运动轨迹穿过的子区域的效用值的函数包括被所述运动轨迹穿过的子区域的效用值的均值。
19.一种确定交通工具在预定区域中的运动轨迹的设备,其中所述预定区域包括多个子区域,所述设备包括:
一个或多个处理器;
占用假设确定器,其被配置成确定所述预定区域的占用假设,其中所述占用假设指示所述多个子区域中的已占用子区域以及所述多个子区域中的未占用子区域;
效用值确定器,其被配置成确定所述预定区域的每一个子区域的效用值;
运动轨迹确定器,其被配置成基于所述未占用子区域中的被所述运动轨迹穿过的至少一个子区域的效用值的函数、并且通过最大化所述交通工具的运动效用、来确定穿过所述未占用子区域中的所述至少一个子区域的所述运动轨迹,其中所述交通工具的所述运动效用由被所述运动轨迹穿过的子区域的效用值的函数来指示。
20.如权利要求19所述的设备,
所述未占用子区域中的每一个子区域的效用值进一步根据所述交通工具的预期运动方向来确定。
21.一种交通工具,包括:
确定预定区域中的运动轨迹的设备,其中所述预定区域包括多个子区域,所述设备包括:
占用假设确定器,其被配置成确定所述预定区域的占用假设,其中所述占用假设指示所述多个子区域中的已占用子区域以及所述多个子区域中的未占用子区域;
效用值确定器,其被配置成确定所述未占用子区域中的每一个子区域的效用值;
运动轨迹确定器,其被配置成基于所述未占用子区域中的被所述运动轨迹穿过的至少一个子区域的效用值的函数、并且通过最大化所述交通工具的运动效用、来确定穿过所述未占用子区域中的所述至少一个子区域的所述运动轨迹,其中所述交通工具的所述运动效用由被所述运动轨迹穿过的子区域的效用值的函数来指示。
22.如权利要求21所述的交通工具,其特征在于:
所述未占用子区域中的每一个子区域的效用值进一步根据所述交通工具的预期运动方向来确定。
23.一种存储计算机程序的非瞬态计算机可读介质,所述计算机程序在由处理器执行时实现一种确定预定区域中的运动轨迹的方法,其中所述预定区域包括多个子区域,所述方法包括:
确定所述预定区域的占用假设,其中所述占用假设指示所述多个子区域中的已占用子区域以及所述多个子区域中的未占用子区域;
确定所述预定区域的每一个子区域的效用值;以及
基于所述未占用子区域中的被所述运动轨迹穿过的至少一个子区域的效用值的函数、并且通过最大化所述交通工具的运动效用、来确定穿过所述未占用子区域中的所述至少一个子区域的所述运动轨迹,其中所述交通工具的运动效用由被所述运动轨迹穿过的子区域的效用值来指示。
24.如权利要求23所述的非瞬态计算机可读介质,其特征在于,所述未占用子区域中的每一个子区域的效用值进一步根据所述交通工具的预期运动方向来确定。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/233,164 | 2018-12-27 | ||
US16/233,164 US20190126922A1 (en) | 2018-12-27 | 2018-12-27 | Method and apparatus to determine a trajectory of motion in a predetermined region |
PCT/US2019/058690 WO2020139456A1 (en) | 2018-12-27 | 2019-10-30 | A method and apparatus to determine a trajectory of motion in a predetermined region |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113195322A true CN113195322A (zh) | 2021-07-30 |
Family
ID=66245350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980033060.4A Pending CN113195322A (zh) | 2018-12-27 | 2019-10-30 | 用于确定预定区域内的运动轨迹的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190126922A1 (zh) |
EP (1) | EP3902728A4 (zh) |
CN (1) | CN113195322A (zh) |
WO (1) | WO2020139456A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7013989B2 (ja) * | 2018-03-23 | 2022-02-01 | 株式会社デンソー | 他車両位置推定装置 |
DE102020206660A1 (de) | 2019-05-30 | 2020-12-03 | Robert Bosch Gesellschaft mit beschränkter Haftung | Redundante umgebungswahrnehmungsverfolgung für automatisierte fahrsysteme |
US11427146B2 (en) * | 2019-07-10 | 2022-08-30 | Pony Ai Inc. | Collision protection |
CN110675418B (zh) * | 2019-09-26 | 2023-04-18 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
US11521487B2 (en) * | 2019-12-09 | 2022-12-06 | Here Global B.V. | System and method to generate traffic congestion estimation data for calculation of traffic condition in a region |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006047131A1 (de) * | 2006-10-05 | 2008-04-10 | Robert Bosch Gmbh | Verfahren zum automatischen Steuern eines Fahrzeugs |
DE102010063133A1 (de) * | 2010-12-15 | 2012-06-21 | Robert Bosch Gmbh | Verfahren und System zur Bestimmung einer Eigenbewegung eines Fahrzeugs |
DE102014208009A1 (de) * | 2014-04-29 | 2015-10-29 | Bayerische Motoren Werke Aktiengesellschaft | Erfassen von statischen und dynamischen Objekten |
US9244462B2 (en) * | 2014-05-30 | 2016-01-26 | Nissan North America, Inc. | Vehicle trajectory planning for autonomous vehicles |
US9632502B1 (en) * | 2015-11-04 | 2017-04-25 | Zoox, Inc. | Machine-learning systems and techniques to optimize teleoperation and/or planner decisions |
US10012984B2 (en) * | 2015-12-14 | 2018-07-03 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling autonomous vehicles |
US10649458B2 (en) * | 2017-09-07 | 2020-05-12 | Tusimple, Inc. | Data-driven prediction-based system and method for trajectory planning of autonomous vehicles |
-
2018
- 2018-12-27 US US16/233,164 patent/US20190126922A1/en not_active Abandoned
-
2019
- 2019-10-30 CN CN201980033060.4A patent/CN113195322A/zh active Pending
- 2019-10-30 WO PCT/US2019/058690 patent/WO2020139456A1/en unknown
- 2019-10-30 EP EP19905689.6A patent/EP3902728A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3902728A4 (en) | 2023-01-04 |
WO2020139456A1 (en) | 2020-07-02 |
US20190126922A1 (en) | 2019-05-02 |
EP3902728A1 (en) | 2021-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112204634B (zh) | 驱动包络确定 | |
JP7349792B2 (ja) | 車両走行のための情報を提供する方法 | |
US10431094B2 (en) | Object detection method and object detection apparatus | |
CN113195322A (zh) | 用于确定预定区域内的运动轨迹的方法和装置 | |
CN113196011A (zh) | 运动图构建和车道级路线规划 | |
US11794775B2 (en) | Control architectures for autonomous vehicles | |
WO2021053393A1 (en) | Systems and methods for monitoring traffic lane congestion | |
US20150153184A1 (en) | System and method for dynamically focusing vehicle sensors | |
US11480962B1 (en) | Dynamic lane expansion | |
CN115615445A (zh) | 处理地图数据的方法、***和存储介质 | |
US11935417B2 (en) | Systems and methods for cooperatively managing mixed traffic at an intersection | |
CN113970924A (zh) | 用于运载工具的方法和*** | |
US20230419830A1 (en) | Determining right of way | |
WO2022149049A2 (en) | Systems and methods for common speed mapping and navigation | |
KR102639022B1 (ko) | 운전 가능 영역 검출을 사용한 운행 | |
US20220357453A1 (en) | Lidar point cloud segmentation using box prediction | |
EP4080164A1 (en) | Identifying parkable areas for autonomous vehicles | |
US20230168100A1 (en) | Automatic annotation of drivable road segments | |
CN116935693A (zh) | 碰撞预警方法、车载终端及存储介质 | |
CN115220439A (zh) | 用于运载工具的***和方法以及存储介质 | |
CN114655243A (zh) | 基于地图的停止点控制 | |
CN114730521A (zh) | 使用统计模型的碰撞监测 | |
Alrousan et al. | Multi-Sensor Fusion in Slow Lanes for Lane Keep Assist System | |
US20240124060A1 (en) | A method for determining whether an automatic collision avoidance steering maneuver should be executed or not | |
US20240092358A1 (en) | Systems and methods for scene understanding |
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 |