CN113753072A - 基于人体驾驶参考数据的自动舒适度评分*** - Google Patents
基于人体驾驶参考数据的自动舒适度评分*** Download PDFInfo
- Publication number
- CN113753072A CN113753072A CN202011550849.8A CN202011550849A CN113753072A CN 113753072 A CN113753072 A CN 113753072A CN 202011550849 A CN202011550849 A CN 202011550849A CN 113753072 A CN113753072 A CN 113753072A
- Authority
- CN
- China
- Prior art keywords
- adv
- route
- similarity
- driving
- data points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001133 acceleration Effects 0.000 claims abstract description 63
- 230000033001 locomotion Effects 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 98
- 238000009826 distribution Methods 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000002379 ultrasonic velocimetry Methods 0.000 description 83
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000008447 perception Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000002085 persistent effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/04—Monitoring the functioning of the control system
- B60W50/045—Monitoring control system 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
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/085—Changing the parameters of the control units, e.g. changing limit values, working points by control input
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
采集从安装在ADV上的多个传感器获得的传感器数据,ADV在路线上驾驶。从传感器数据中提取一组特征,该组特征包括ADV在路线上驾驶的加速度和速度。基于该组特征,确定ADV和与在路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性。基于该组特征,确定ADV和与在路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性。基于第一相似性和第二相似性,确定ADV的舒适度分数,以评估ADV的运动规划和控制。
Description
技术领域
本公开的实施方式总体上涉及运行自动驾驶车辆。更具体地,本公开的实施方式涉及自动驾驶车辆(ADV)的乘坐舒适性。
背景技术
以自动模式(例如,无驾驶员)操作的车辆可减轻乘坐者、尤其是驾驶员的某些驾驶相关的责任。当在自动模式下操作时,可使用车载传感器将车辆导航到各种位置,从而允许车辆以最小的人机交互或在一些情况下不需要任何乘客来行进。
运动规划和控制是自动驾驶中的关键操作。对于乘客而言,具有舒适的乘坐和享受乘坐体验很重要。然而,如果主观地进行测量,ADV的乘坐舒适性通常需要大量的测试乘坐,因为主观测量可能不一致并且可能不准确。
发明内容
根据本申请的一方面,提供了一种计算机实现的方法,可包括:
采集从安装在自动驾驶车辆(ADV)上的多个传感器获得的传感器数据,所述自动驾驶车辆(ADV)在路线上驾驶;
从所述传感器数据中提取一组特征,所述一组特征包括所述ADV在所述路线上驾驶的加速度和速度;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性;
基于所述第一相似性和所述第二相似性,确定所述ADV的舒适度分数,以评估所述ADV的运动规划和控制。
根据本申请的另一方面,提供了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使所述处理器执行操作,所述操作可包括:
采集从安装在自动驾驶车辆(ADV)上的多个传感器获得的传感器数据,所述自动驾驶车辆(ADV)在路线上驾驶;
从所述传感器数据中提取一组特征,所述一组特征包括所述ADV在所述路线上驾驶的加速度和速度;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性;
基于所述第一相似性和所述第二相似性,确定所述ADV的舒适度分数,以评估所述ADV的运动规划和控制。
根据本申请的又一方面,提供了一种数据处理***,包括:
处理器;以及
存储器,联接至所述处理器以存储指令,所述指令在由处理器执行时使所述处理器执行操作,所述操作可包括:
采集从安装在自动驾驶车辆(ADV)上的多个传感器获得的传感器数据,所述自动驾驶车辆(ADV)在路线上驾驶;
从所述传感器数据中提取一组特征,所述一组特征包括所述ADV在所述路线上驾驶的加速度和速度;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性;
基于所述第一相似性和所述第二相似性,确定所述ADV的舒适度分数,以评估所述ADV的运动规划和控制。
根据本申请的另一方面,提供了一种计算机程序程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述方法。
附图说明
本公开的实施方式在附图的图中以示例的方式示出,而不是限制的方式示出,在附图中相同的附图标记表示类似的元件。
图1是示出不同驾驶行为的图。
图2是示出根据一个实施方式的评估驾驶行为的示例的图。
图3是示出用于评估驾驶行为的数据收集的示例的流程图。
图4是示出根据一个实施方式的确定ADV的舒适度分数的示例的框图。
图5是示出根据一个实施方式的确定ADV的舒适度分数的过程的流程图。
图6是示出根据一个实施方式的自动驾驶车辆的框图。
图7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8是示出根据一个实施方式的与自动驾驶车辆一起使用的自动驾驶***的示例的框图。
具体实施方式
将参考以下讨论的细节来描述本公开的各种实施方式和各方面,并且附图将示出各种实施方式。以下描述和附图是本公开的示例,并且不应被解释为限制本公开。描述了许多具体细节以提供对本公开的各种实施方式的透彻理解。然而,在某些情况下,为了提供对本公开的实施方式的简洁讨论,没有描述公知的或常规的细节。
在说明书中提及“一个实施方式”或“实施方式”意味着结合该实施方式描述的特定特征、结构或特性可包括于本发明的至少一个实施方式中。在说明书的各处出现的短语“在一个实施方式中”不一定都指同一实施方式。
根据一些实施方式,提供了一种客观地计算ADV的舒适度分数的方法。可收集与第一类型的驾驶员(例如,良好的人类驾驶员)相关联的第一驾驶行为以及与在相同路线上驾驶的第二类型的驾驶员(例如,不良的人类驾驶员)相关联的第二驾驶行为的数据。可从所收集的数据中提取信息(例如,加速度、速度)。在一个实施方式中,可计算第一驾驶行为(例如,良好的人类驾驶员)的加速度和速度对的分布以及第二驾驶行为(例如,不良的人类驾驶员)的加速度和速度对的分布。可收集来自在相同路线上驾驶的ADV的数据。在一个实施方式中,可计算ADV的加速度和速度对的分布。可计算与第一驾驶行为的第一相似性分数和与第二第一驾驶行为的第二相似性分数。ADV的舒适度分数可基于第一相似性分数和第二相似性分数来计算。
根据一些实施方式,收集从安装在路线上驾驶的ADV上的多个传感器获得的传感器数据。从传感器数据中提取一组特征,其中该组特征包括ADV在路线上驾驶的加速度和速度。基于该组特征来确定ADV和与在路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性。基于该组特征来确定ADV和与在路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性。基于第一相似性和第二相似性来确定ADV的舒适度分数,以评估ADV的运动规划和控制。
图1是示出不同驾驶行为的图。乘坐舒适性对于使乘客具有令人愉快的乘坐体验很重要。然而,乘坐舒适性通常通过主观测量来评估。如果主观地测量,则乘坐舒适度的评估通常需要大量的测试乘坐,因为主观测量可能不一致,并且具有大量的噪声。大量的测试乘坐可能花费大量的时间。另外,当试图提高ADV的乘坐舒适度时,主观测量可能不够准确地区分乘坐舒适度的小差异。可能需要开发一种客观地计算ADV的舒适度分数来克服上述问题的方法。
如图1所示,车辆101A可由具有例如良好驾驶行为的第一驾驶行为的例如良好的人类驾驶员的第一类型的驾驶员中的一个驾驶;车辆101B可由具有例如不良驾驶行为的第二驾驶行为的例如不良人类驾驶员的第二类型驾驶员中的一个驾驶。第一驾驶行为和第二驾驶行为在油门/刹车行为上可不同。例如,车辆101A可以以包括较小和较不频繁的加速度的第一驾驶行为(例如,良好的驾驶行为)和/或合理的速度来驾驶,而车辆101B可以以包括较大和较频繁的加速度的第二驾驶行为(例如,不良的驾驶行为)和/或较高的速度来驾驶。表示油门/刹车行为的特征可用于评估ADV的乘坐舒适性。
对于ADV 103C,如果ADV的自动驾驶行为更类似于相同路线上101A的第一驾驶行为(例如,良好驾驶行为),则ADV 103C可具有更舒适的乘坐体验;而如果ADV的自动驾驶行为更类似于相同路线上101B的第二驾驶行为(例如,不良驾驶行为),则ADV 103C可能具有不太舒适的乘坐体验。因而,可通过将ADV的自动驾驶行为与相同路线上的第一驾驶行为(例如,良好驾驶行为)和第二驾驶行为(例如,不良驾驶行为)进行比较来评估ADV的乘坐舒适度。
图2是示出用于评估驾驶行为的数据收集的示例的流程图。在数据收集期间,在201,可收集与路线上的第一类型的驾驶员(例如,良好的人类驾驶员)相关联的第一驾驶行为的数据。在202,可收集与在同一路线上驾驶的第二类型的驾驶员(例如,不良的人类驾驶员)相关联的第二驾驶行为的数据。数据可包括大量数据点。例如,可在预定时间间隔收集大量数据点。例如,良好驾驶者可在相同的路线上驾驶,可收集来自良好驾驶者的具有第一总数目的数据点的第一组数据。可将例如“1”的最高舒适度分数给予来自第一组数据的数据。类似地,不良驾驶者可在同一路线上驾驶,可收集来自不良驾驶者的具有第二总数目的数据点的第二组数据。可将例如“0”的最低舒适度分数给予来自第二组数据的数据。
在203,可从所收集的数据,例如,第一组数据和第二组数据,提取包括一组特征的信息。例如,该组特征可包括表示油门/刹车行为的特征。表示油门/刹车行为的特征,例如加速度、速度等,可用于评估车辆的乘坐舒适性。该组特征可包括指示驾驶行为的其它特征,诸如航向、或航向的改变、或车辆是否沿着直线驾驶等。
图3是示出根据一个实施方式的评估驾驶行为的示例的图300。在一个实施方式中,可通过计算在路线上驾驶的数据点相对于预定加速度范围和预定速度范围的分布来评估驾驶行为。例如,可基于预定加速度范围和预定速度范围中的数据点的部分的数目在数据点的总数上的百分比,确定在路线上相对于预定加速度范围和预定速度范围驾驶的数据点的分布。
在图3中,X轴302可为速度,Y轴303可为加速度,而Z轴304可为数据点的分布301。例如,图3可示出与路线上的第一类型驾驶员(例如,良好的人类驾驶员)相关联的第一驾驶行为的数据点相对于预定加速度范围和预定速度范围的分布。对于另一示例,图3可示出与路线上的第二类型的驾驶员(例如,不良人类驾驶员)相关联的第二驾驶行为的数据点相对于预定加速度范围和预定速度范围的分布。对于另一示例,图3可示出在路线上驾驶的ADV的数据点相对于预定加速度范围和预定速度范围的分布。
分布301可为具有两个关键点的三维分布,沿着X轴302的速度和沿着Y轴303的加速度。在一个实施方式中,数据点的分布可通过计算数据点在预定加速度范围和预定速度范围内的部分的数量在数据点总数上的百分比来确定。预定加速度范围可为0.01、0.05、0.1、0.2、0.5、1m/s2或其间的任何值。例如,预定加速度范围可为0.1m/s2。预定速度范围可为0.01、0.05、0.1、0.2、0.5、1m/s或其间的任何值。例如,预定速度范围可为0.1m/s。例如,可有5%的数据点在加速度范围[0、0.1m/s2]和速度范围[10m/s、10.1m/s]内,因而在加速度范围[0、0.1m/s2]和速度范围[10m/s、10.1m/s]内的分布可为5%。由于可基于该百分比来确定分布,因而可自然地对分布进行归一化。
参照图2和图3,在一个实施方式中,在204,可计算第一类型驾驶员(例如,良好的人类驾驶员)的第一驾驶行为的数据点相对于预定加速度范围和预定速度范围的分布。类似地,在205,可计算第二类型驾驶员(例如,不良人类驾驶员)的第二驾驶行为的加速度和速度对相对于预定加速度范围和预定速度范围的分布。
图4是示出根据一个实施方式的确定ADV的舒适分数的方法的示例的框图。该方法可由ADV的自动驾驶***(ADS)的处理器或计算机、计算***、计算设备、计算平台、平板电脑、智能电话等的处理器来执行。该方法可由收集模块402、提取模块403、第一相似性模块404、第二相似性模块405、舒适度评分模块406和/或包括分配模块408的评估模块407连通分配算法/模型410来执行。收集模块402、提取模块403、第一相似性模块404、第二相似性模块405、舒适度评分模块406和/或包括分配模块408的评估模块407可为ADV的ADS的处理器的模块、或另一计算机、计算***、计算设备、计算平台等的处理器。注意,模块402至408可集成到更少数量的模块或单个模块中。收集模块402、提取模块403、第一相似性模块404、第二相似性模块405、舒适度评分模块406和/或包括分配模块408的评估模块407可与分配算法/模型410一起工作,以确定ADV的舒适度评分,以便评估或改进ADV的运动规划和控制。ADV的运动规划和控制可基于ADV的舒适度评分来改进。
待测量的ADV可在路线上驾驶,该路线可为与在其上驾驶的第一类型的驾驶员(例如,良好的人类驾驶员)和在其上驾驶的第二类型的驾驶员(例如,不良的人类驾驶员)相同的路线。可收集从安装在相同路线上驾驶的ADV上的多个传感器获得的传感器数据401。在一个实施方式中,传感器数据401可例如由采集模块402采集。传感器数据可输入至采集模块402中。传感器数据可包括在路线上驾驶的ADV的大量数据点。
在一个实施方式中,可例如通过提取模块403从传感器数据中提取来自传感器数据的一组特征。该组特征包括ADV在路线上驾驶的加速度和速度。该组特征可包括指示驾驶行为的其它特征,例如,航向、或航向的改变、或车辆是否沿着直线驾驶等。
在一个实施方式中,可例如通过评估模块407来评估路线上ADV驾驶的自动驾驶行为。例如,自动驾驶行为可包括乘坐舒适度。在一个实施方式中,乘坐舒适度可基于舒适度分数来评估,这将在下面详细描述。
ADV的数据点的分布可例如由分布模块408来确定。在一个实施方式中,ADV的自动驾驶行为可基于ADV驾驶路线上的数据点相对于预定加速度范围和预定速度范围的分布来评估。在一个实施方式中,数据点的分布可通过计算在预定加速度范围和预定速度范围中的数据点的部分的数量在数据点的总数上的百分比来确定。预定加速度范围可为0.01、0.05、0.1、0.2、0.5、1m/s2或其间的任何值。预定速度范围可为0.01、0.05、0.1、0.2、0.5、1m/s或其间的任何值。例如,预定加速度范围可为0.1m/s2。例如,预定速度范围可为0.1m/s。例如,数据点的分布可通过计算每0.1m/s2的加速度范围和每0.1m/s的速度范围中的数据点的部分的数目在数据点的总数上的百分比来确定。
ADV和与在路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性可例如通过第一相似性模块404基于该组特征来确定。可将路线上ADV驾驶的数据点的分布与相对于预定加速度范围和预定速度范围在路线上驾驶的第一驾驶行为的数据点的分布进行比较。
例如,两个驾驶行为之间的相似性分数可定义如下:
相似性分数=∑aooeleration ∑speed min(D1_aoo_speed,D2_aoo_speed)
其中D1_100_speed表示在某一加速度范围和某一速度范围内的第一驾驶行为的数据点的第一分布,D2_aoo_speed表示在某一加速度范围和某一速度范围内的第二驾驶行为的数据点的第二分布,min(D1_aoo_speed,D2_aoo_speed)表示D1_aoo_speed和D2_aoo_speed的最小值。相似性分数基于所有加速度范围和所有速度范围中的两个分布的最小值的和,其对应于两个三维分布的重叠体积。因而,两种驾驶行为的相似性分数基于两种驾驶行为的两个数据点分布的重叠。相似性分数越大,两种驾驶行为越相似。两个相同的分布具有为1的相似性分数。
在一个实施方式中,ADV和第一驾驶行为之间的第一相似性可基于第一相似性分数。在一个实施方式中,可基于在路线上驾驶的ADV驾驶的数据点的分布和在路线上驾驶的第一驾驶行为的数据点的分布相对于预定加速度范围和预定速度范围的重叠来计算第一相似性分数。
ADV和与在路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性可例如由第二相似性模块405基于该组特征来确定。可将路线上驾驶的ADV的数据点的分布与相对于预定加速度范围和预定速度范围在路线上驾驶的第二驾驶行为的数据点的分布进行比较。
在一个实施方式中,ADV和第二驾驶行为之间的第二相似性可基于第二相似性分数。在一个实施方式中,可基于在路线上的ADV的数据点的分布和在路线上驾驶的第二驾驶行为的数据点的分布相对于预定加速度范围和预定速度范围的重叠来计算第二相似性分数。
ADV的舒适度分数可例如由舒适度分数模块406基于第一相似性分数和第二相似性分数来确定。在一个实施方式中,假设ADV与第一驾驶行为的第一相似性分数是X,并且ADV与第二驾驶行为的第二相似性分数是Y,则ADV的舒适度分数可计算为X/(X+Y)。ADV的舒适度分数可基于第一相似性分数与第一相似性分数和第二相似性分数之和的比率。
图5是示出根据一个实施方式的确定ADV的舒适度分数的过程500的流程图。过程500可由可包括软件、硬件或其组合的处理逻辑来执行。例如,过程500可由收集模块402、提取模块403、第一相似性模块404、第二相似性模块405、舒适度评分模块406和/或包括分配模块408的评估模块407连同分配算法/模型410来执行。过程800提供ADV的客观舒适度分数,其可用于评估和改进ADV的运动规划和控制。
参照图5,在操作501中,处理逻辑收集从安装在路线上驾驶的ADV上的多个传感器获得的传感器数据。
在操作502中,处理逻辑从传感器数据提取一组特征,该组特征包括ADV在路线上驾驶的加速度和速度。
在操作503中,处理逻辑基于该组特征来确定ADV和与在路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性。
在操作504中,处理逻辑基于该组特征来确定ADV和与在路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性。
在操作505中,处理逻辑基于第一相似性和第二相似性来确定ADV的舒适度分数,以评估ADV的运动规划和控制。
图6是示出根据本公开的一个实施方式的自动驾驶车辆的框图。参照图6,自动驾驶车辆601可通过网络通信地联接至一个或多个服务器,该网络可为任何类型的网络,诸如有线或无线的局域网(LAN)、诸如因特网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器可为任何类型的服务器或服务器群集,诸如Web服务器或云服务器、应用服务器、后端服务器或其组合。服务器可为数据分析服务器、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。
自动驾驶车辆是指能够配置为处于自动模式的车辆,在该自动模式中,车辆在很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具有一个或多个传感器的传感器***,所述传感器配置为检测关于车辆在其中操作的环境的信息。车辆及其相关联的一个或多个控制者使用所检测的信息来导航通过环境。自动驾驶车辆601可在手动模式、全自动模式或部分自动模式下操作。
在一个实施方式中,自动驾驶车辆601包括但不限于自动驾驶***(ADS)610、车辆控制***611、无线通信***612、用户接口***613和传感器***615。自动驾驶车辆601还可包括普通车辆中包括的某些普通部件,诸如发动机、车轮、方向盘、变速器等,其可由车辆控制***611和/或ADS 610使用各种通信信号和/或命令来控制,例如加速信号或命令、减速信号或命令、转向信号或命令、刹车信号或命令等。
部件610至615可经由互连件、总线、网络或其组合而彼此通信地联接。例如,部件610至615可经由控制器区域网络(CAN)总线彼此通信地联接。CAN总线是车辆总线标准,其设计成允许微控制器和设备在没有主计算机的应用中彼此通信。CAN总线是一种基于消息的协议,最初设计用于汽车内的多路电线,但是也用于许多其它环境中。
现在参考图7,在一个实施方式中,传感器***615包括但不限于一个或多个相机711、全球定位***(GPS)单元712、惯性测量单元(IMU)713、雷达单元714和光检测和测距(LIDAR)单元715。GPS***712可包括收发器,其可操作成提供关于自动驾驶车辆的位置的信息。IMU单元713可基于惯性加速度来感测自动驾驶车辆的位置和方向变化。雷达单元714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,除了感测对象之外,雷达单元714还可感测对象的速度和/或航向。激光雷达单元715可使用激光来感测自动驾驶车辆所处的环境中的对象。LIDAR 715可包括一个或多个激光源、激光扫描仪和一个或多个检测器、以及其它***部件。相机711可包括用于捕获自动驾驶车辆周围环境的图像的一个或多个设备。相机711可为静态相机和/或视频相机。例如,通过将相机安装在旋转和/或倾斜平台上,相机可为机械可移动的。
传感器***615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、刹车传感器和音频传感器(例如麦克风)。音频传感器可配置为从自动驾驶车辆周围的环境捕获声音。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。油门传感器和刹车传感器分别感测车辆的油门位置和刹车位置。在一些情况下,油门传感器和刹车传感器可集成为集成油门/刹车传感器。
在一个实施方式中,车辆控制***611包括但不限于转向单元701、油门单元702(也称为加速单元)和刹车单元703。转向单元701用于调整车辆的方向或航向。油门单元702用于控制电动机或发动机的速度,该电动机或发动机又控制车辆的速度和加速度。刹车单元703通过提供摩擦来使车辆减速,从而减慢车辆的车轮或轮胎。注意,如图7所示的部件可用硬件、软件或其组合来实现。
再参考图6,无线通信***612允许自动驾驶车辆601和外部***之间的通信,诸如设备、传感器、其它车辆等。例如,无线通信***612可直接或经由通信网络与一个或多个设备进行无线通信。无线通信***612可使用任何蜂窝通信网络或无线局域网(WLAN),例如使用WiFi与另一部件或***通信。无线通信***612可例如使用红外链路、蓝牙等直接与设备(例如,乘客的移动设备、显示设备、车辆601内的扬声器)通信。用户接口***613可为在车辆601内实现的***设备的部分,包括例如键盘、触摸屏显示设备、麦克风和扬声器等。
自动驾驶车辆601的一些或全部功能可由ADS 610控制或管理,尤其是当在自动驾驶模式下操作时。ADS 610包括从传感器***615、控制***611、无线通信***612和/或用户接口***613接收信息、处理所接收的信息、规划从起始点到目的点的路线或路径、然后基于规划和控制信息驾驶车辆601所必需的硬件(例如,一个或多个处理器、存储器、储存器)和软件(例如,操作***、规划和路线程序)。可替代地,ADS 610可与车辆控制***611集成在一起。
例如,作为乘客的用户可例如经由用户接口指定旅行的开始位置和目的地。ADS610获得行程相关数据。例如,ADS 610可从MPOI服务器获得位置和路线数据。位置服务器提供位置服务,以及MPOI服务器提供地图服务和特定位置的POI。可替代地,可在ADS 610的永久存储设备中本地缓存这种位置和MPOI信息。
当自动驾驶车辆601沿着路线移动时,ADS 610还可从交通信息***或服务器(TIS)获得实时交通信息。注意,服务器可由第三方实体操作。可替代地,服务器的功能可与ADS 610集成在一起。基于由传感器***615检测或感测的实时交通信息、MPOI信息和位置信息、以及实时本地环境数据(例如,障碍物、物体、附近车辆),ADS 610可例如经由控制***611根据计划路线规划最佳路线并驾驶车辆601,从而安全高效地到达指定目的地。
图8是示出根据一个实施方式的与自动驾驶车辆一起使用的自动驾驶***的示例的框图。***800可实现为图6的自动驾驶车辆601的部分,包括但不限于ADS 610、控制***611和传感器***615。参照图8,ADS 610包括但不限于定位模块801、感知模块802、预测模块803、判定模块804、规划模块805、控制模块806、路线模块807。
模块801至807中的一些或全部可用软件、硬件或其组合来实现。例如,这些模块可安装在永久存储设备852中,加载到存储器851中,并且由一个或多个处理器(未示出)执行。注意,这些模块中的一些或全部可通信地联接至图7的车辆控制***611的一些或全部模块或与图7的车辆控制***611的一些或全部模块集成。模块801至807中的一些可集成在一起作为集成模块。
定位模块801确定自动驾驶车辆300的当前位置(例如,利用GPS单元712),并管理与用户的行程或路线相关的任何数据。定位模块801(也称为地图和路线模块)管理与用户的旅行或路线有关的任何数据。用户可例如经由用户接口登录,并指定旅行的开始位置和目的地。定位模块801与自动驾驶车辆300的其它部件通信,诸如地图和路线数据811,以获得行程相关数据。例如,定位模块801可从位置服务器以及地图和POI(MPOI)服务器获得位置和路线数据。位置服务器提供位置服务,以及MPOI服务器提供地图服务和特定位置的POI,其可作为地图和路线数据811的部分进行高速缓存。当自动驾驶车辆300沿着路线移动时,定位模块801还可从交通信息***或服务器获得实时交通信息。
基于由传感器***615提供的传感器数据和由定位模块801获得的定位信息,由感知模块802确定对周围环境的感知。感知信息可表示普通驾驶员将感知到驾驶员正在驾驶的车辆周围的东西。该感知可包括车道配置、交通灯信号、另一车辆的相对位置、行人、建筑物、人行道、或其它交通相关标志(例如,停车标志、让路标志)等,例如,以对象的形式。车道配置包括描述一条或多条车道的信息,例如,车道的形状(例如,直线或曲率)、车道的宽度、道路中多少车道、单向或双向车道、合并或***车道、退出车道等。
感知模块802可包括计算机视觉***或计算机视觉***的功能,以处理和分析由一个或多个相机捕获的图像,以便识别自动驾驶车辆的环境中的对象和/或特征。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、视频跟踪和其它计算机视觉技术。在一些实施方式中,计算机视觉***可映射环境、跟踪对象,并估计对象的速度等。感知模块802还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。
对于每个对象,预测模块803预测对象在环境下将表现的行为。根据一组地图/路线信息811和交通规则812,基于在时间点感知驾驶环境的感知数据,执行预测。例如,如果对象是处于相反方向的车辆,并且当前驾驶环境包括交叉路口,则预测模块803将预测车辆是否可能直接向前移动或转弯。如果感知数据指示交叉路口没有交通灯,则预测模块803可预测车辆在进入交叉路口之前可能必须完全停止。如果感知数据指示车辆当前处于仅左转弯车道或仅右转弯车道,则预测模块803可预测车辆将更可能分别进行左转弯或右转弯。
对于每个对象,判定模块804做出关于如何处理对象的判定。例如,对于特定对象(例如,交叉路口中的另一车辆)及其描述该对象的元数据(例如,速度、方向、转向角),判定模块804判定如何遇到该对象(例如,超车、让路、停止、通过)。判定模块804可根据可存储在持久存储装置852中的诸如交通规则或驾驶规则812的一组规则来做出此类判定。
路线模块807配置为提供从起始点到目的点的一个或多个路线或路径。对于例如从用户接收的从开始位置到目的地位置的给定行程,路线模块807获得路线和地图信息811,并确定从开始位置到目的地位置的所有可能的路线或路径。路线模块807可为它确定的从开始位置到达目的地位置的每条路线生成地形图形式的参考路线。参考路线指的是没有来自其它车辆、障碍物或交通状况的任何干扰的理想路线或路径。也就是说,如果在道路上没有其它车辆、行人或障碍物,则ADV应该精确地或紧密地遵循参考路线。然后,将地形图提供给判定模块804和/或规划模块805。判定模块804和/或规划模块805检查所有可能的路线,从而考虑由其它模块提供的其它数据来选择和修改最佳路线之一,所述其它数据诸如是来自定位模块801的交通状况、由感知模块802感知的驾驶环境、以及由预测模块803预测的交通状况。用于控制ADV的实际路径或路线可接近或不同于由路线模块807提供的参考路线,这取决于在该时间点的特定驾驶环境。
基于所感知的对象中的每个的判定,规划模块805使用由路线模块807提供的参考路线作为基础来规划自动驾驶车辆的路径或路线以及驾驶参数(例如,距离、速度和/或转向角)。也就是说,对于给定的对象,判定模块804判定对该对象做什么,而规划模块805判定如何做。例如,对于给定对象,判定模块804可判定通过该对象,而规划模块805可确定是在左侧还是右侧通过该对象。规划和控制数据由规划模块805生成,包括描述车辆300将在下一移动循环(例如,下一路线/路径段)中如何移动的信息。例如,规划和控制数据可指示车辆300以每小时30英里(mph)的速度移动10米,然后以25mph的速度改变至右车道。
基于规划和控制数据,控制模块806根据规划和控制数据所限定的路线或路径,通过向车辆控制***611发送适当的命令或信号来控制和驾驶自动驾驶车辆。规划和控制数据包括足够的信息,以便在沿着路径或路线的不同时间点使用适当的车辆设置或驾驶参数(例如,油门、刹车、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中执行,也称为驾驶周期,例如,在100毫秒(ms)的每个时间间隔中执行。对于每个规划周期或驾驶周期,将基于规划和控制数据发出一个或多个控制命令。也就是说,对于每100ms,规划模块805规划下一个路线段或路径段,例如,包括目标位置和ADV到达目标位置所需的时间。可替代地,规划模块805还可指定特定的速度、方向和/或转向角等。在一个实施方式中,规划模块805为诸如5秒的下一预定时间段规划路线段或路径段。对于每个规划周期,规划模块805基于在前一周期中规划的目标位置来规划当前周期的目标位置(例如,下个5秒)。然后,控制模块806基于当前循环的规划和控制数据生成一个或多个控制命令(例如,油门、刹车、转向控制命令)。
注意,判定模块804和规划模块805可集成为集成模块。判定模块804/规划模块805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***可确定一系列速度和方向航向,以实现自动驾驶车辆沿着基本上避免感知障碍的路径的运动,同时使自动驾驶车辆大致沿着通向最终目的地的、基于道路的路径前进。可根据经由用户接口***613的用户输入来设置目的地。导航***可在自动驾驶车辆运行的同时动态地更新驾驶路径。导航***可结合来自GPS***和一个或多个地图的数据,以便确定用于自动驾驶车辆的驾驶路径。
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。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驾驶程序和/或操作***来访问。另外,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。
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***存储器或寄存器或其它此类信息存储设备、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序被存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如,计算机)可读的形式存储信息的任何机构。例如,机器可读(例如,计算机可读)介质包括机器(例如,计算机)可读存储介质(例如,只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可由处理逻辑来执行,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。另外,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发明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)
1.一种计算机实现的方法,包括:
采集从安装在自动驾驶车辆(ADV)上的多个传感器获得的传感器数据,所述自动驾驶车辆(ADV)在路线上驾驶;
从所述传感器数据中提取一组特征,所述一组特征包括所述ADV在所述路线上驾驶的加速度和速度;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性;
基于所述第一相似性和所述第二相似性,确定所述ADV的舒适度分数,以评估所述ADV的运动规划和控制。
2.根据权利要求1所述的方法,还包括:基于所述一组特征,评估在所述路线上驾驶的所述ADV的自动驾驶行为。
3.根据权利要求2所述的方法,其中,评估在所述路线上驾驶的所述ADV的自动驾驶行为包括:确定在所述路线上驾驶的所述ADV的数据点相对于预定加速度范围和预定速度范围的分布。
4.根据权利要求3所述的方法,其中,基于所述预定加速度范围和所述预定速度范围中的所述数据点的部分的数目在所述数据点的总数上的百分比,确定在所述路线上驾驶的所述ADV的数据点相对于所述预定加速度范围和所述预定速度范围的分布。
5.根据权利要求3所述的方法,还包括:将在所述路线上驾驶的所述ADV的数据点的分布与在所述路线上驾驶的所述第一驾驶行为的数据点的分布相对于所述预定加速度范围和所述预定速度范围进行比较。
6.根据权利要求3所述的方法,其中,所述ADV与所述第一驾驶行为之间的所述第一相似性基于第一相似性分数,以及其中,所述第一相似性分数基于在所述路线上驾驶的所述ADV的数据点的分布和在所述路线上驾驶的所述第一驾驶行为驾驶的数据点的分布相对于所述预定加速度范围和所述预定速度范围的重叠来计算。
7.根据权利要求3所述的方法,还包括:将在所述路线上驾驶的所述ADV的数据点的分布与在所述路线上驾驶的所述第二驾驶行为的数据点的分布相对于所述预定加速度范围和所述预定速度范围进行比较。
8.根据权利要求3所述的方法,其中,所述ADV和所述第二驾驶行为之间的所述第二相似性基于第二相似性分数,以及其中,所述第二相似性分数基于计算在所述路线上驾驶的所述ADV的数据点的分布和在所述路线上驾驶的所述第二驾驶行为的数据点的分布相对于所述预定加速度范围和所述预定速度范围的重叠。
9.根据权利要求1所述的方法,其中,所述ADV的舒适度分数基于第一相似性分数与所述第一相似性分数和第二相似性分数之和的比率。
10.一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使所述处理器执行操作,所述操作包括:
采集从安装在自动驾驶车辆(ADV)上的多个传感器获得的传感器数据,所述自动驾驶车辆(ADV)在路线上驾驶;
从所述传感器数据中提取一组特征,所述一组特征包括所述ADV在所述路线上驾驶的加速度和速度;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性;
基于所述第一相似性和所述第二相似性,确定所述ADV的舒适度分数,以评估所述ADV的运动规划和控制。
11.根据权利要求10所述的介质,其中,所述操作还包括:基于所述一组特征,评估在所述路线上驾驶的所述ADV的自动驾驶行为。
12.根据权利要求11所述的介质,其中,评估在所述路线上驾驶的所述ADV的自动驾驶行为包括:确定在所述路线上驾驶的所述ADV的数据点相对于预定加速度范围和预定速度范围的分布。
13.根据权利要求12所述的介质,其中,基于所述预定加速度范围和所述预定速度范围中的所述数据点的部分的数目在所述数据点的总数上的百分比,确定所述路线上驾驶的所述ADV的数据点相对于所述预定加速度范围和所述预定速度范围的分布。
14.根据权利要求12所述的介质,其中,所述ADV与所述第一驾驶行为之间的所述第一相似性基于第一相似性分数,以及其中,所述第一相似性分数基于在所述路线上驾驶的所述ADV的数据点的分布和在所述路线上驾驶的所述第一驾驶行为驾驶的数据点的分布相对于所述预定加速度范围和所述预定速度范围的重叠来计算。
15.根据权利要求12所述的介质,其中,所述ADV和所述第二驾驶行为之间的所述第二相似性基于第二相似性分数,以及其中,所述第二相似性分数基于计算在所述路线上驾驶的所述ADV的数据点的分布和在所述路线上驾驶的所述第二驾驶行为的数据点的分布相对于所述预定加速度范围和所述预定速度范围的重叠。
16.根据权利要求10所述的介质,其中,所述ADV的舒适度分数基于第一相似性分数与所述第一相似性分数和第二相似性分数之和的比率。
17.一种数据处理***,包括:
处理器;以及
存储器,联接至所述处理器以存储指令,所述指令在由处理器执行时使所述处理器执行操作,所述操作包括:
采集从安装在自动驾驶车辆(ADV)上的多个传感器获得的传感器数据,所述自动驾驶车辆(ADV)在路线上驾驶;
从所述传感器数据中提取一组特征,所述一组特征包括所述ADV在所述路线上驾驶的加速度和速度;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第一类型驾驶员相关联的第一驾驶行为之间的第一相似性;
基于所述一组特征,确定所述ADV和与在所述路线上驾驶的第二类型驾驶员相关联的第二驾驶行为之间的第二相似性;
基于所述第一相似性和所述第二相似性,确定所述ADV的舒适度分数,以评估所述ADV的运动规划和控制。
18.根据权利要求17所述的***,其中,所述操作还包括:基于所述一组特征,评估在所述路线上驾驶的所述ADV的自动驾驶行为。
19.根据权利要求18所述的***,其中,评估在所述路线上驾驶的所述ADV的自动驾驶行为包括:确定在所述路线上驾驶的所述ADV的数据点相对于预定加速度范围和预定速度范围的分布。
20.根据权利要求19所述的***,其中,基于所述预定加速度范围和所述预定速度范围中的所述数据点的部分的数目在所述数据点的总数上的百分比,确定在所述路线上驾驶的所述ADV的数据点相对于所述预定加速度范围和所述预定速度范围的分布。
21.一种计算机程序程序产品,包括计算机程序,所述计算机程序在被处理器执行实现根据权利要求1-9中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/889,588 US11254326B2 (en) | 2020-06-01 | 2020-06-01 | Automatic comfort score system based on human driving reference data |
US16/889,588 | 2020-06-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113753072A true CN113753072A (zh) | 2021-12-07 |
CN113753072B CN113753072B (zh) | 2023-12-12 |
Family
ID=78707172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011550849.8A Active CN113753072B (zh) | 2020-06-01 | 2020-12-24 | 基于人体驾驶参考数据的自动舒适度评分*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US11254326B2 (zh) |
CN (1) | CN113753072B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11531865B2 (en) * | 2020-02-28 | 2022-12-20 | Toyota Research Institute, Inc. | Systems and methods for parallel autonomy of a vehicle |
CN114162142B (zh) * | 2021-12-17 | 2024-05-31 | 广州小鹏自动驾驶科技有限公司 | 行驶路径的评分方法、装置、车辆及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109415062A (zh) * | 2016-07-19 | 2019-03-01 | 华为技术有限公司 | 自动驾驶车辆中的自适应的乘客舒适度增强 |
US20190278290A1 (en) * | 2018-03-08 | 2019-09-12 | Baidu Usa Llc | Simulation-based method to evaluate perception requirement for autonomous driving vehicles |
US20190317512A1 (en) * | 2018-04-17 | 2019-10-17 | Baidu Usa Llc | Method to evaluate trajectory candidates for autonomous driving vehicles (advs) |
JP2019206327A (ja) * | 2018-04-16 | 2019-12-05 | バイドゥ ユーエスエイ エルエルシーBaidu USA LLC | 自動運転車両の軌道の生成方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6497915B2 (ja) * | 2014-12-08 | 2019-04-10 | 株式会社デンソーテン | 運転支援システム |
JP6502148B2 (ja) * | 2015-04-03 | 2019-04-17 | 株式会社日立製作所 | 運転診断方法および運転診断装置 |
US9914460B2 (en) * | 2015-09-25 | 2018-03-13 | Mcafee, Llc | Contextual scoring of automobile drivers |
JP6451583B2 (ja) * | 2015-10-08 | 2019-01-16 | 株式会社デンソー | 運転支援装置 |
JP6731619B2 (ja) * | 2016-10-26 | 2020-07-29 | パナソニックIpマネジメント株式会社 | 情報処理システム、情報処理方法、およびプログラム |
US10209715B2 (en) * | 2017-01-19 | 2019-02-19 | Robert Bosch Gmbh | System and method of using crowd-sourced driving path data in an autonomous or semi-autonomous driving system |
US20180215391A1 (en) * | 2017-01-30 | 2018-08-02 | GM Global Technology Operations LLC | Methods and systems for detecting road surface using crowd-sourced driving behaviors |
US10850693B1 (en) * | 2018-04-05 | 2020-12-01 | Ambarella International Lp | Determining comfort settings in vehicles using computer vision |
CN109445426A (zh) * | 2018-09-06 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 自动驾驶模式的切换方法、装置及可读存储介质 |
US20200298892A1 (en) * | 2018-10-18 | 2020-09-24 | Cartica Ai Ltd | Vehicle to vehicle (v2v) communication less truck platooning |
US10960838B2 (en) * | 2019-01-30 | 2021-03-30 | Cobalt Industries Inc. | Multi-sensor data fusion for automotive systems |
JP7136720B2 (ja) * | 2019-02-27 | 2022-09-13 | トヨタ自動車株式会社 | 評価装置 |
DE102019219534A1 (de) * | 2019-12-13 | 2021-06-17 | Robert Bosch Gmbh | Verfahren zum Bestimmen von Regelparametern für ein Regelsystem |
US11531865B2 (en) * | 2020-02-28 | 2022-12-20 | Toyota Research Institute, Inc. | Systems and methods for parallel autonomy of a vehicle |
-
2020
- 2020-06-01 US US16/889,588 patent/US11254326B2/en active Active
- 2020-12-24 CN CN202011550849.8A patent/CN113753072B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109415062A (zh) * | 2016-07-19 | 2019-03-01 | 华为技术有限公司 | 自动驾驶车辆中的自适应的乘客舒适度增强 |
US20190278290A1 (en) * | 2018-03-08 | 2019-09-12 | Baidu Usa Llc | Simulation-based method to evaluate perception requirement for autonomous driving vehicles |
JP2019206327A (ja) * | 2018-04-16 | 2019-12-05 | バイドゥ ユーエスエイ エルエルシーBaidu USA LLC | 自動運転車両の軌道の生成方法 |
US20190317512A1 (en) * | 2018-04-17 | 2019-10-17 | Baidu Usa Llc | Method to evaluate trajectory candidates for autonomous driving vehicles (advs) |
Also Published As
Publication number | Publication date |
---|---|
US11254326B2 (en) | 2022-02-22 |
CN113753072B (zh) | 2023-12-12 |
US20210370962A1 (en) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111775945B (zh) | 用于自动驾驶的用于检测最接近的路径内对象的方法和装置 | |
CN111775933B (zh) | 用于基于车辆周围障碍物的移动轨迹自主驾驶车辆的方法 | |
US11485360B2 (en) | Dynamic speed limit adjustment system based on perception results | |
CN112124318B (zh) | 自主驾驶车辆的障碍物感知校准*** | |
CN112149487A (zh) | 一种用于自动驾驶的用于训练神经网络对象检测模型的用于确定锚框的方法 | |
US11880201B2 (en) | Fastest lane determination algorithm under traffic jam | |
US11556127B2 (en) | Static obstacle map based perception system | |
US11225228B2 (en) | Method for enhancing in-path obstacle detection with safety redundancy autonomous system | |
CN113064143B (zh) | 用于具有多LiDAR传感器的自动驾驶车辆的再校准确定*** | |
CN113753072B (zh) | 基于人体驾驶参考数据的自动舒适度评分*** | |
CN113508350A (zh) | 基于反馈的实时转向校准*** | |
CN112985825B (zh) | 用于确定自动驾驶***的乘坐稳定性的方法 | |
US11518404B2 (en) | Static-state curvature error compensation control logic for autonomous driving vehicles | |
CN112985435A (zh) | 用于操作自主驾驶车辆的方法及*** | |
CN116736855A (zh) | 评估自主驾驶规划和控制的方法和*** | |
EP4082856A2 (en) | E2e learning-based evaluator for an autonomous driving vehicle | |
US20230042001A1 (en) | Weighted planning trajectory profiling method for autonomous vehicle | |
CN113815526B (zh) | 用于自动驾驶车辆的早期制动灯警告*** | |
CN212391730U (zh) | 用于自动驾驶车辆的光探测和测距装置 | |
CN113753071A (zh) | 预防减速规划 | |
US11242057B2 (en) | Method for optimizing three-point turn of autonomous driving vehicles | |
CN212515471U (zh) | 用于自动驾驶车辆的光探测和测距装置 | |
CN112498365B (zh) | 基于置信度水平和距离、响应于障碍物的自动驾驶车辆的延迟决策 | |
US20240005066A1 (en) | Decoupled prediction evaluation | |
CN113552870B (zh) | 基于感知结果的动态速度限制调整***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |