CN114185332A - 操作运载工具的方法、自主运载工具和介质 - Google Patents
操作运载工具的方法、自主运载工具和介质 Download PDFInfo
- Publication number
- CN114185332A CN114185332A CN202111074214.XA CN202111074214A CN114185332A CN 114185332 A CN114185332 A CN 114185332A CN 202111074214 A CN202111074214 A CN 202111074214A CN 114185332 A CN114185332 A CN 114185332A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- objects
- risk level
- sensor data
- violations
- 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 66
- 238000009826 distribution Methods 0.000 claims abstract description 92
- 230000004044 response Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 27
- 230000001133 acceleration Effects 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 12
- 230000003542 behavioural effect Effects 0.000 abstract description 18
- 230000006399 behavior Effects 0.000 description 62
- 238000004891 communication Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 28
- 230000015654 memory Effects 0.000 description 27
- 238000004458 analytical method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000008447 perception Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 230000034994 death Effects 0.000 description 5
- 231100000517 death Toxicity 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 230000000116 mitigating effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
-
- 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
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic 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
- 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
-
- 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
-
- 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
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/105—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
- 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
- B60W40/10—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 vehicle motion
- B60W40/107—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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
-
- 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/009—Priority selection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/54—Audio sensitive means, e.g. ultrasound
-
- 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
- B60W2422/00—Indexing codes relating to the special location or mounting of sensors
- B60W2422/70—Indexing codes relating to the special location or mounting of sensors on the wheel or the tire
-
- 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
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
-
- 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
- B60W2540/18—Steering angle
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4046—Behavior, e.g. aggressive or erratic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4049—Relationship among other objects, e.g. converging dynamic 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2400/00—Special features of vehicle units
- B60Y2400/30—Sensors
- B60Y2400/304—Acceleration sensors
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及操作运载工具的方法、自主运载工具和介质。用于使用行为规则模型的运载工具操作的方法包括从第一组传感器和第二组传感器接收传感器数据。传感器数据表示运载工具针对一个或多个对象的操作。基于传感器数据确定对运载工具的操作的行为模型的违反。基于运载工具针对一个或多个对象的操作的事件分布来确定一个或多个违反的第一风险等级。响应于第一风险等级大于阈值风险等级,生成轨迹。轨迹具有比阈值风险等级低的第二风险等级。基于轨迹操作运载工具以避免运载工具与一个或多个对象碰撞。
Description
技术领域
本描述总体上涉及运载工具的操作,特别地涉及使用行为规则模型的运载工具操作。
背景技术
运载工具从初始地点到最终目的地的操作通常需要用户或运载工具的决策***选择从初始地点通过道路网络到最终目的地的路线。路线可能涉及满足目标,诸如不超过最长驾驶时间等。复杂的路线可能需要许多决策,使得自动驾驶的传统算法不切实际。
发明内容
公开了使用行为规则模型的运载工具操作的方法、***和设备。在实施例中,在环境中操作的运载工具的一个或多个处理器从所述运载工具的第一组传感器接收第一传感器数据,以及从所述运载工具的第二组传感器接收第二传感器数据。所述第一传感器数据表示所述运载工具的操作,以及所述第二传感器数据表示位于所述环境中的一个或多个对象。所述一个或多个处理器基于所述第一传感器数据和所述第二传感器数据来确定对所述运载工具的操作的存储行为模型的一个或多个违反。所述一个或多个违反是针对位于所述环境中的一个或多个对象确定的。所述一个或多个处理器基于所述运载工具的操作相对于所述一个或多个对象的存储事件分布来确定所述一个或多个违反的第一风险等级。响应于所述第一风险等级大于阈值风险等级,所述一个或多个处理器生成所述运载工具的轨迹。所述轨迹具有低于所述阈值风险等级的第二风险等级。所述第二风险等级是针对所述一个或多个对象确定的。所述一个或多个处理器基于所述轨迹操作所述运载工具以避免所述运载工具与所述一个或多个对象碰撞。
在实施例中,所述第一组传感器包括加速度计、方向盘角度传感器、轮传感器和制动传感器其中至少之一。
在实施例中,所述第一传感器数据包括所述运载工具的速率、所述运载工具的加速度、所述运载工具的航向、所述运载工具的角速度和所述运载工具的转矩其中至少之一。
在实施例中,所述第二组传感器包括LiDAR、RADAR、照相机和麦克风其中至少之一。
在实施例中,所述第二传感器数据包括所述一个或多个对象的图像、所述一个或多个对象的速率、所述一个或多个对象的加速度、以及所述一个或多个对象与所述运载工具之间的横向距离其中至少之一。
在实施例中,所述一个或多个处理器基于所述轨迹和所述运载工具的操作相对于所述一个或多个对象的存储事件分布来确定所述第二风险等级。
在实施例中,所述存储事件分布包括独立随机变量的对数正态概率分布。各个随机变量表示所述运载工具的操作的危险的风险等级。
在实施例中,所述运载工具的操作的存储行为模型包括多个操作规则。各个操作规则具有相对于各个其它操作规则的优先权。优先级表示对所述存储行为模型的一个或多个违反的风险等级。
在实施例中,对所述运载工具的操作的存储行为模型的一个或多个违反包括所述运载工具与所述一个或多个对象之间的横向距离落到低于阈值横向距离。
在实施例中,基于违反的频率来调整操作规则的优先级。
在实施例中,基于对存储行为模型的一个或多个违反的频率来调整运载工具的运动规划处理以降低第二风险等级。
在实施例中,基于对存储行为模型的一个或多个违反的频率来确定运载工具的运动规划处理的风险等级。
在实施例中,在环境中操作的运载工具的一个或多个处理器基于来自所述运载工具的第一组传感器的第一传感器数据和来自所述运载工具的第二组传感器的第二传感器数据生成轨迹。所述第一传感器数据表示所述运载工具的操作,以及所述第二传感器数据表示位于所述环境中的一个或多个对象。所述一个或多个处理器确定所述轨迹是否导致对所述运载工具的操作的存储行为模型的一个或多个违反。所述一个或多个违反是针对位于所述环境中的一个或多个对象确定的。响应于确定为所述轨迹导致对所述存储行为模型的一个或多个违反,所述一个或多个处理器基于所述运载工具的操作相对于所述一个或多个对象的存储事件分布来确定所述一个或多个违反的第一风险等级。所述一个或多个处理器生成所述运载工具的备选轨迹。所述一个或多个处理器确定为所述备选轨迹具有高于所述第一风险等级的第二风险等级。所述第二风险等级是针对所述一个或多个对象确定的。所述一个或多个处理器基于所述轨迹操作所述运载工具以避免所述运载工具与所述一个或多个对象碰撞。
在实施例中,所述运载工具的操作的存储行为模型包括多层。各个层具有与一个或多个违反中的违反相对应的相应位置。
在实施例中,当多个层中的各个层的相应位置对齐时,发生运载工具与一个或多个对象的碰撞。
在实施例中,设计运载工具的运动规划处理,使得多个层中的各个层的相应位置对齐的概率小于阈值概率。
在实施例中,一个或多个违反中的违反表示运载工具的减速超过阈值减速。
在实施例中,一个或多个违反中的违反表示从所述运载工具到所述一个或多个对象的横向距离落到低于阈值横向距离。
在实施例中,第一组传感器包括加速度计、方向盘角度传感器、轮传感器和制动传感器其中至少之一。
在实施例中,第一传感器数据包括运载工具的速率、运载工具的加速度、运载工具的航向、运载工具的角速度和运载工具的转矩其中至少之一。
在实施例中,第二组传感器包括LiDAR、RADAR、照相机和麦克风其中至少之一。
在实施例中,第二传感器数据包括一个或多个对象的图像、一个或多个对象的速率、一个或多个对象的加速度、以及一个或多个对象与运载工具之间的横向距离其中至少之一。
在实施例中,一个或多个处理器基于备选轨迹和运载工具针对一个或多个对象的操作的存储事件分布来确定第二风险等级。
在实施例中,存储事件分布包括独立随机变量的对数正态概率分布,各个随机变量表示运载工具的操作的危险的风险等级。
在实施例中,运载工具的操作的存储行为模型包括多个操作规则。多个操作规则中的各个操作规则具有相对于多个操作规则中的各个其它操作规则的优先级。优先级表示对存储行为模型的一个或多个违反的风险等级。
在实施例中,对运载工具的操作的存储行为模型的一个或多个违反中的违反包括运载工具与一个或多个对象之间的横向距离落到低于阈值横向距离。
在实施例中,基于违反的频率来调整操作规则的优先级。
在实施例中,基于对存储行为模型的一个或多个违反的频率来调整运载工具的运动规划处理以降低第二风险等级。
在实施例中,基于对存储行为模型的一个或多个违反的频率来确定运载工具的运动规划处理的风险等级。
这些和其它方面、特征和实现可以表示为方法、设备、***、组件、程序产品、用于进行功能的手段或步骤,以及其它方式。
这些和其它方面、特性和实现将从以下描述(包括权利要求)中变得明显。
附图说明
图1是例示根据一个或多个实施例的具有自主能力的自主运载工具(AV)的示例的框图。
图2是例示根据一个或多个实施例的示例“云”计算环境的框图。
图3是例示根据一个或多个实施例的计算机***的框图。
图4是例示根据一个或多个实施例的AV的示例架构的框图。
图5是例示根据一个或多个实施例的可由感知模块使用的输入和输出的示例的框图。
图6是例示根据一个或多个实施例的LiDAR***的示例的框图。
图7是例示根据一个或多个实施例的操作中的LiDAR***的框图。
图8是例示根据一个或多个实施例的LiDAR***的操作的附加细节的框图。
图9是例示根据一个或多个实施例的规划模块的输入和输出之间的关系的框图。
图10例示根据一个或多个实施例的在路径规划中使用的有向图。
图11是例示根据一个或多个实施例的控制模块的输入和输出的框图。
图12是例示根据一个或多个实施例的控制器的输入、输出和组件的框图。
图13是例示根据一个或多个实施例的用于确定轨迹是否违反运载工具的操作的存储行为模型的示例处理的流程图。
图14例示根据一个或多个实施例的运载工具的操作的示例存储行为模型。
图15例示根据一个或多个实施例的对运载工具的操作的存储行为模型的违反的示例频率。
图16例示根据一个或多个实施例的运载工具的操作的示例存储行为模型。
图17例示根据一个或多个实施例的运载工具的操作相对于一个或多个对象的示例存储事件分布。
图18例示根据一个或多个实施例的运载工具的操作相对于一个或多个对象的示例存储事件分布。
图19例示根据一个或多个实施例的运载工具的操作相对于一个或多个对象的示例存储事件分布。
图20例示根据一个或多个实施例的运载工具的操作相对于一个或多个对象的示例存储事件分布。
图21例示根据一个或多个实施例的运载工具的操作相对于一个或多个对象的示例存储事件分布。
图22是例示根据一个或多个实施例的使用行为规则模型的运载工具操作的示例处理的流程图。
图23是例示根据一个或多个实施例的使用行为规则模型的运载工具操作的示例处理的流程图。
具体实施方式
在以下描述中,为了解释的目的,阐述了许多具体细节,以便提供对本发明的透彻理解。然而,本发明可以在没有这些具体细节的情况下实施将是明显的。在其它实例中,众所周知的构造和装置是以框图形式示出的,以避免不必要地使本发明模糊。
在附图中,为了便于描述,示出了示意要素(诸如表示装置、模块、指令块和数据要素的那些要素)的具体排列或次序。然而,本领域技术人员应当理解,附图中示意要素的具体次序或排列并不意在意味着要求特定的处理次序或序列、或处理过程的分离。此外,在附图中包含示意要素并不意在意味着在所有实施例中都需要这种要素,也不意在意味着由这种要素表示的特征不能包括在一些实施例中或不能在实施例中与其它要素结合。
此外,在附图中,连接要素、诸如实线或虚线或箭头用于例示两个或更多个其它示意要素之间的连接、关系或关联,没有任何此类连接要素并不意在意味着不能存在连接、关系或关联。换句话说,一些要素之间的连接、关系或关联未在附图中示出,以便不使本公开内容模糊。此外,为了便于例示,使用单个连接要素来表示要素之间的多个连接、关系或关联。例如,如果连接要素表示信号、数据或指令的通信,本领域技术人员应理解,这种要素表示影响通信可能需要的一个或多个信号路径(例如,总线)。
现在将详细参考实施例,其示例在附图中例示出。在以下的详细描述中,阐述了许多具体细节,以便提供对所描述的各种实施例的透彻理解。然而,对于本领域的普通技术人员来说将明显的是,可以在没有这些具体细节的情况下实施所描述的各种实施例。在其它情况下,没有详细描述众所周知的方法、程序、组件、电路和网络,以便不会不必要地使实施例的方面模糊。
下面描述的若干特征各自可以彼此独立地使用,也可以与其它特征的任何组合一起使用。然而,任何个别特征可能不能解决以上所讨论的任何问题,或者只能解决以上所讨论的问题之一。以上所讨论的一些问题可能不能通过本文所描述的任何一个特征得到充分解决。虽然提供了标题,但在本说明书的其它地方也可以找到与具体标题有关但在具有该标题的部分中未找到的信息。本文根据以下概要描述实施例:
1.总体概述
2.***概述
3.自主运载工具架构
4.自主运载工具输入
5.自主运载工具规划
6.自主运载工具控制
7.使用行为规划模型的自主运载工具操作
总体概述
本文介绍了使用行为规则模型的运载工具操作的方法、***和设备。道路安全是重要的公共卫生问题(到2020年全球道路交通死亡人数超过100万人)并且目前是美国多年生命损失的第七大死因。然而,评估道路安全干预的影响的关键挑战是,个体人类驾驶员很少发生碰撞,因此需要量大到不切实际的驾驶数据用于不同道路安全干预的碰撞率的直接比较。当估计任何数量的政策、技术或教导性干预以改善道路安全时,该问题广泛适用。由于人类因素是造成大多数机动运载工具碰撞的关键原因,因此识别导致更高碰撞风险的行为的方法可以创建防止交通死亡的路径。近年来,相对于人类驾驶基线测量自主运载工具(AV)的安全性的挑战使关于有效测量驾驶安全性的长期问题重新浮出水面。道路安全评估越来越依赖用于诸如航空和工业安全等的其它复杂的安全关键***的方法;同样,评估道路安全的新方法也适用于其它复杂***。
本文公开的实施例实现基于规则的工具,以估计机器驾驶器或人类驾驶员的表现,估计风险因素,以及估计AV***或子***(诸如运动规划模块等)的性能。本文公开的基于行为的驾驶评估的实现是基于这样的观察,即良好的驾驶员始终遵循行为规则。规则源于安全考虑因素、交通法规或公共接受的最佳实践。可以使用驾驶规则制定来定量地估计通过人类或自动化***的实际驾驶如何匹配期望的驾驶行为。
本文描述的实施例的优点和益处包括自主运载工具***和人类驾驶员这两者的驾驶性能的估计。使用实施例,可以估计特定的自主驾驶行为。此外,实施例对于保险公司(其可能奖励风险评估中的改进)是有用的。此外,本文公开的实施例可以通知越来越要求特定AV行为的各种监管和标准处理,并促进关于定义良好AV驾驶行为的行业协作。
***概述
图1是示出根据一个或多个实施例的具有自主能力的自主运载工具100的示例的框图。
如本文所使用的,术语“自主能力”是指一种功能、特征或设施,该功能、特征或设施使运载工具能够部分地或完全地操作,而无需实时的人类干预,包括但不限于完全自主运载工具、高度自主运载工具和有条件自主运载工具。
如本文所使用的,自主运载工具(AV)是一种具有自主能力的运载工具。
如本文所使用的,“运载工具”包括货物或人员的运输方式。例如,小汽车、公共汽车、火车、飞机、无人机、卡车、船只、舰艇、潜水器、飞船等。无人驾驶的小汽车是运载工具的示例。
如本文所使用的,“轨迹”是指将AV从第一时空地点操作到第二时空地点的路径或路线。在实施例中,第一时空地点被称为初始地点或起始地点,第二时空地点被称为目的地、最终地点、目标、目标位置或目标地点。在一些示例中,轨迹由一个或多个路段(例如,道路的数段)组成,并且各路段由一个或多个块(例如,车道或交叉口的一部分)组成。在实施例中,时空地点对应于真实世界地点。例如,时空地点是上车或下车地点,以使人员或货物上车或下车。
如本文所使用的,“(一个或多个)传感器”包括一个或多个硬件组件,用于检测与传感器周围环境有关的信息。一些硬件组件可包括感测组件(例如,图像传感器、生物特征传感器)、传输和/或接收组件(例如,激光或射频波发射器和接收器)、电子组件(诸如,模数转换器)、数据存储装置(诸如,RAM和/或非易失性存储器)、软件或固件组件和数据处理组件(诸如,专用集成电路)、微处理器和/或微控制器。
如本文所使用的,“场景描述”是一种数据结构(例如,列表)或数据流,其包括由AV运载工具上的一个或多个传感器检测到的一个或多个分类或标记的对象,或由AV外部的源提供的一个或多个分类或标记的对象。
如本文所使用的,“道路”是一个可以被运载工具穿过的物理区域,并且可以对应于已命名的通道(例如,城市街道、州际高速公路等)或可对应于未命名的通道(例如,房屋或办公楼内的行车道、停车场的一段、空置停车场的一段、乡村区域的污物通道等)。因为有些运载工具(例如,四轮驱动的小卡车、越野车(SUV)等)能够穿过各种不特别适合运载工具行驶的物理区域,因此“道路”可以是任何市政当局或其它政府或行政机构没有正式定义为一条通道的物理区域。
如本文所使用的,“车道”是道路的可被运载工具穿过的部分,并且可对应于车道标记之间的大部分或全部空间,或仅对应于车道标记之间的一些空间(例如,小于50%)。例如,具有相距远的车道标记的道路可能在标记之间容纳两个或更多个运载工具,使得一个运载工具可以在不穿过车道标记的情况下超过另一个运载工具,并且因此可被解释为具有比车道标记之间的空间窄的车道,或具有车道之间的两个车道。在没有车道标记的情况下,也可以对车道进行解释。例如,可以基于环境的物理特征(例如乡村区域沿着通道的岩石和树木)来定义车道。
“一个或多个”包括由一个要素执行的功能、由多个要素例如以分布式的方式执行的功能、由一个要素执行的若干功能、由若干要素执行的若干功能、或上述的任何组合。
还将理解的是,尽管在一些情况下,术语“第一”、“第二”等在本文中是用来描述各种要素的,但这些要素不应受到这些术语的限制。这些术语仅用于区分一个要素与另一个要素。例如,在未背离各种所描述的实施例的范围的情况下,第一触点可被称为第二触点,并且类似地,第二触点可被称为第一触点。第一触点和第二触点两者都是触点,但它们不是相同触点。
在本文所描述的各种实施例的说明书中使用的术语仅用于描述特定实施例的目的,而不是意在限制。如在所描述的各种实施例的说明书和所附权利要求书中所使用的,单数形式“a”、“an”和“the”也意在包括复数形式,除非上下文另有明确说明。还将理解的是,如本文所使用的“和/或”是指并且包括一个或多个相关清单项目的任何和所有可能的组合。还将理解的是,当在本说明书中使用术语“包括”、“包含”、“具备”和/或“具有”时,具体说明存在所陈述的特征、整数、步骤、操作、要素和/或组件,但并不排除存在或添加一个或多个其它特征、整数、步骤、操作、要素、组件、和/或其群组。
如本文所使用的,取决于上下文,术语“如果”可选地被理解为意指“当”或“在当时”或“响应于确定为”或“响应于检测到”。类似地,取决于上下文,短语“如果已确定”或“如果[所陈述的条件或事件]已被检测到”可选地被理解为意指“在确定时”或“响应于确定为”或“在检测到[所陈述的条件或事件]时”或“响应于检测到[所陈述的条件或事件]”。
如本文所使用的,AV***是指AV以及支持AV操作的硬件、软件、存储的数据和实时生成的数据的阵列。在实施例中,AV***并入在AV内。在实施例中,AV***跨若干地点分布。例如,AV***的一些软件是在类似于下面关于图2描述的云计算环境200的云计算环境中实现的。
一般而言,本文件描述了适用于任何具有一种或多种自主能力的运载工具的技术,包括完全自主运载工具、高度自主运载工具和有条件自主运载工具,诸如分别为所谓的第5级、第4级和第3级运载工具(见SAE国际标准J3016:道路上机动车自动驾驶***相关术语的分类和定义,通过引用将其全部内容并入本文件,用于了解运载工具自主权等级的更多详细信息)。本文件所描述的技术也适用于部分自主运载工具和驾驶员辅助运载工具,诸如所谓的第2级和第1级运载工具(见SAE国际标准J3016:道路上机动车自动驾驶***相关术语的分类和定义)。在实施例中,一个或多个第1级、第2级、第3级、第4级和第5级运载工具***可基于对传感器输入的处理,在某些操作条件下自动执行某些运载工具操作(例如,转向、制动和使用地图)。本文件中所描述的技术可以使从完全自主运载工具到人类操作的运载工具范围内的任何级别的运载工具受益。
参考图1,AV***120使AV 100沿着轨迹198操作,穿过环境190至目的地199(有时称为最终地点),同时避开对象(例如,自然障碍物191、运载工具193、行人192、骑车者和其它障碍物)和遵守道路规则(例如,操作规则或驾驶偏好)。
在实施例中,AV***120包括被装备以从计算机处理器146接收操作命令并对其进行操作的装置101。在实施例中,计算处理器146与下面参考图3描述的处理器304类似。装置101的示例包括转向控制器102、制动器103、挡位、加速踏板或其它加速控制机构、挡风玻璃雨刮器、侧门锁、窗控器和转向指示器。
在实施例中,AV***120包括用于测量或推断AV 100的状态或条件的属性的传感器121,这些属性诸如是AV的位置、线速度和加速度及角速度和加速度、以及航向(例如,AV100的前端的方向)。传感器121的示例是GNSS、测量运载工具线加速度和角速率两者的惯性测量单元(IMU)、用于测量或估计轮滑移率的轮传感器、轮制动压力或制动转矩传感器、引擎转矩或轮转矩传感器以及转向角度和角速率传感器。
在实施例中,传感器121还包括用于感测或测量AV的环境的属性的传感器。例如,可见光、红外或热(或两者兼有)光谱的单目或立体摄像机122,LiDAR 123,RADAR,超声波传感器,飞行时间(TOF)深度传感器,速率传感器,温度传感器,湿度传感器和降水传感器。
在实施例中,AV***120包括数据存储单元142和存储器144,用于存储与计算机处理器146相关联的机器指令或由传感器121收集的数据。在实施例中,数据存储单元142与以下关于图3描述的ROM 308或存储装置310类似。在实施例中,存储器144与下面描述的主存储器306类似。在实施例中,数据存储单元142和存储器144存储有关环境190的历史、实时和/或预测性信息。在实施例中,存储的信息包括地图、驾驶性能、交通拥堵更新或天气条件。在实施例中,与环境190有关的数据从远程数据库134通过通信信道传输到AV 100。
在实施例中,AV***120包括通信装置140,用于将对其它运载工具的状态和条件(诸如位置、线速度和角速度、线加速度和角加速度、以及线航向和角航向)测量或推断的属性传送到AV 100。这些装置包括运载工具到运载工具(V2V)和运载工具到基础设施(V2I)通信装置以及用于通过点对点或自组织(ad hoc)网络或两者进行无线通信的装置。在实施例中,通信装置140跨电磁频谱(包括无线电和光通信)或其它介质(例如,空气和声介质)进行通信。运载工具对运载工具(V2V)、运载工具对基础设施(V2I)通信(以及在实施例中为一种或多种其它类型的通信)的组合有时被称为运载工具对所有事物(V2X)通信。V2X通信通常符合一个或多个通信标准,用于与自主运载工具进行的和在自主运载工具之间的通信。
在实施例中,通信装置140包括通信接口。例如,有线、无线、WiMAX、Wi-Fi、蓝牙、卫星、蜂窝、光、近场、红外或无线电接口。通信接口将数据从远程数据库134传输到AV***120。在实施例中,远程数据库134嵌入在如图2中所描述的云计算环境200中。通信接口140将从传感器121收集的数据或与AV 100操作有关的其它数据传输到远程数据库134。在实施例中,通信接口140向AV 100传输与遥操作有关的信息。在实施例中,AV 100与其它远程(例如,“云”)服务器136通信。
在实施例中,远程数据库134还存储和传输数字数据(例如,存储诸如道路和街道地点的数据)。这些数据存储在AV 100上的存储器144中,或者通过通信信道从远程数据库134传输到AV 100。
在实施例中,远程数据库134存储和传输与以前在一天中类似时间沿着轨迹198行驶的运载工具的驾驶属性有关的历史信息(例如,速率和加速度分布)。在一个实现中,这种数据可以存储在AV 100上的存储器144中,或者通过通信信道从远程数据库134传输到AV100。
位于AV 100上的计算装置146基于实时传感器数据和先验信息两者以算法方式生成控制动作,允许AV***120执行其自主驾驶能力。
在实施例中,AV***120包括耦接到计算装置146的计算机***设备132,用于向AV100的用户(例如,乘员或远程用户)提供信息和提醒并接收来自该用户的输入。在实施例中,***设备132类似于下面参考图3讨论的显示器312、输入装置314和光标控制器316。耦接是无线的或有线的。任意两个或更多个的接口装置可以集成到单个装置中。
示例云计算环境
图2是例示根据一个或多个实施例的示例“云”计算环境的框图。云计算是一种服务交付模式,用于使得能够方便、按需地在网络上访问可配置计算资源(例如网络、网络带宽、服务器、处理、内存、存储、应用程序、虚拟机和服务)的共享池。在典型的云计算***中,一个或多个大型云数据中心容纳用于交付云所提供的服务的机器。现在参考图2,云计算环境200包括通过云202互连的云数据中心204a、204b和204c。数据中心204a、204b和204c为连接到云202的计算机***206a、206b、206c、206d、206e和206f提供云计算服务。
云计算环境200包括一个或多个云数据中心。一般而言,云数据中心(例如图2中所示的云数据中心204a)是指构成云(例如图2中所示的云202或云的特定部分)的服务器的物理排列。例如,服务器在云数据中心中物理排列成房间、组、行和机架。云数据中心有一个或多个区域,其中包括一个或多个服务器房间。每个房间有一行或多行服务器,并且每行包括一个或多个机架。每个机架包括一个或多个单独的服务器节点。在一些实现中,区域、房间、机架和/或行中的服务器基于数据中心设施的物理基础设施要求(包括电力、能源、热力、热源和/或其它要求)被排列成若干组。在实施例中,服务器节点类似于图3中描述的计算机***。数据中心204a具有许多分布在多个机架上的计算***。
云202包括云数据中心204a、204b和204c以及用于连接云数据中心204a、204b和204c并有助于促进计算***206a-f对云计算服务的访问的网络和网络资源(例如,网络设备、节点、路由器、交换机和网络电缆)。在实施例中,该网络表示一个或多个本地网络、广域网或通过使用地面或卫星连接部署的有线或无线链路耦接的网际网络的任意组合。通过网络交换的数据使用多种网络层协议(诸如,因特网协议(IP)、多协议标签交换(MPLS)、异步传输模式(ATM)、帧中继(Frame Relay)等)进行传输。此外,在网络表示多个子网络的组合的实施例中,在每个底层子网络上使用不同的网络层协议。在实施例中,网络表示一个或多个互连网际网络(诸如公共因特网等)。
计算***206a-f或云计算服务消费者通过网络链路和网络适配器连接到云202。在实施例中,计算***206a-f被实现为各种计算装置,例如服务器、台式机、膝上型计算机、平板电脑、智能手机、物联网(IoT)装置、自主运载工具(包括小汽车、无人机、航天飞机、火车、公共汽车等)和消费电子产品。在实施例中,计算***206a-f在其它***中实现或作为其它***的一部分实现。
计算机***
图3是例示根据一个或多个实施例的计算机***300的框图。在实现中,计算机***300是一种专用计算装置。专用计算装置被硬连线以执行这些技术,或包括诸如一个或多个专用集成电路(ASIC)或现场可编程门阵列(FPGA)的被持久编程为执行上述技术的数字电子装置,或可包括一个或多个通用硬件处理器,这些硬件处理器经编程以根据固件、存储器、其它存储器、或者组合中的程序指令执行这些技术。这种专用的计算装置还可以将定制的硬线逻辑、ASIC或FPGA与定制的编程相结合来完成这些技术。在各种实施例中,专用计算装置是台式计算机***、便携式计算机***、手持装置、网络装置或包含硬线和/或程序逻辑以实现这些技术的任何其它装置。
在实施例中,计算机***300包括总线302或用于传达信息的其它通信机制、以及与总线302耦接以处理信息的硬件处理器304。硬件处理器304是例如通用微处理器。计算机***300还包括主存储器306,诸如随机存取存储器(RAM)或其它动态存储装置,该主存储器306耦接到总线302以存储信息和指令,该信息和指令由处理器304执行。在一个实现中,主存储器306用于在执行要由处理器304执行的指令期间存储临时变量或其它中间信息。当这些指令存储在处理器304可访问的非暂时性存储介质中时,使计算机***300变成一个专用机器,该机器被定制以执行指令中指定的操作。
在实施例中,计算机***300还包括只读存储器(ROM)308或耦接到总线302的其它静态存储装置,用于存储处理器304的静态信息和指令。提供诸如磁盘、光盘、固态驱动器或三维交叉点存储器的存储装置310,并且该存储装置310耦接到总线302以存储信息和指令。
在实施例中,计算机***300通过总线302耦接到诸如阴极射线管(CRT)、液晶显示器(LCD)、等离子体显示器、发光二极管(LED)显示器或用于向计算机用户显示信息的有机发光二极管(OLED)显示器的显示器312。包括字母数字键和其它键的输入装置314耦接到总线302,用于向处理器304传送信息和命令选择。另一种类型的用户输入装置是光标控制器316,诸如鼠标、轨迹球、触控显示器或光标方向键,用于将方向信息和命令选择传送到处理器304,并用于控制光标在显示器312上的移动。这种输入装置通常具有两个轴(第一轴(例如,x轴)和第二轴(例如,y轴))上的两个自由度,这两个轴允许装置指定平面上的位置。
根据一个实施例,本文的技术由计算机***300响应于处理器304执行主存储器306中包含的一个或多个指令的一个或多个序列而执行。这些指令从诸如存储装置310的另一存储介质读入主存储器306。执行主存储器306中包含的指令序列使处理器304执行本文所描述的过程步骤。在替代实施例中,使用硬连线电路代替或与软件指令结合使用。
如本文所使用的术语“存储介质”是指存储数据和/或指令的任何非暂时性介质,这些数据和/或指令使机器以特定方式操作。这种存储介质包括非易失性介质和/或易失性介质。非易失性介质例如包括诸如存储装置310的光盘、磁盘、固态驱动器或三维交叉点存储器。易失性介质包括动态存储器,诸如主存储器306。存储介质的常见形式包括例如软盘、软磁盘、硬盘、固态驱动器、磁带或任何其它磁数据存储介质、CD-ROM、任何其它光数据存储介质、任何具有孔型的物理介质、RAM、PROM和EPROM、FLASH-EPROM、NV-RAM、或任何其它存储芯片或存储盒。
存储介质有别于传输介质,但可以与传输介质相结合使用。传输介质参与存储介质之间的信息传输。例如,传输介质包括同轴电缆、铜线和光纤,其包括具备总线302的电线。传输介质也可以采取声波或光波的形式,诸如在无线电波和红外数据通信过程中产生的声波或光波。
在实施例中,各种形式的介质涉及将一个或多个指令的一个或多个序列承载到处理器304以供执行。例如,这些指令最初是在远程计算机的磁盘或固态驱动器上执行的。远程计算机将指令加载到其动态存储器中,并使用调制解调器通过电话线路发送指令。计算机***300的本地调制解调器接收电话线路上的数据,并使用红外发射器将数据转换为红外信号。红外检测器接收红外信号中承载的数据,并且适当的电路将数据放置在总线302上。总线302将数据承载到主存储器306,处理器304从主存储器306检索并执行指令。主存储器306接收的指令可以可选地在处理器304执行之前或之后存储在存储装置310上。
计算机***300还包括耦接到总线302的通信接口318。通信接口318提供耦接到连接至本地网络322的网络链路320的双向数据通信。例如,通信接口318是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或用以提供与相应类型电话线路的数据通信连接的调制解调器。作为另一示例,通信接口318是局域网(LAN)卡,用于提供与兼容LAN的数据通信连接。在一些实现中,无线链路也被实现。在任何这种实现中,通信接口318发送和接收承载表示各种类型的信息的数字数据流的电、电磁或光信号。
网络链路320通常通过一个或多个网络向其它数据装置提供数据通信。例如,网络链路320通过本地网络322提供与主计算机324或与由因特网服务提供商(ISP)326运营的云数据中心或设备的连接。ISP 326又通过现在通常称为“因特网”328的世界范围分组数据通信网络来提供数据通信服务。本地网络322和因特网328两者都使用承载数字数据流的电、电磁或光信号。通过各种网络的信号以及网络链路320上并通过通信接口318的信号是传输介质的示例形式,其中这些信号承载了进出计算机***300的数字数据。在实施例中,网络320包含上述云202或云202的一部分。
计算机***300通过(一个或多个)网络、网络链路320和通信接口318发送消息和接收包括程序代码的数据。在实施例中,计算机***300接收用于处理的代码。接收到的代码在接收到时由处理器304执行,和/或存储在存储装置310中,或存储在其它非易失性存储装置中以便以后执行。
自主运载工具架构
图4是例示根据一个或多个实施例的用于自主运载工具(例如,图1所示的AV 100)的示例架构400的框图。架构400包括感知模块402(有时称为感知电路)、规划模块404(有时称为规划电路)、控制模块406(有时称为控制电路)、定位模块408(有时称为定位电路)和数据库模块410(有时称为数据库电路)。各模块在AV 100的操作中发挥作用。共同地,模块402、404、406、408和410可以是图1所示的AV***120的一部分。在实施例中,模块402、404、406、408和410中的任何模块是计算机软件(例如,计算机可读介质上所存储的可执行代码)和计算机硬件(例如,一个或多个微处理器、微控制器、专用集成电路[ASIC]、硬件存储器装置、其它类型的集成电路、其它类型的计算机硬件、或者这些硬件中的任何或所有的组合)的组合。
在使用中,规划模块404接收表示目的地412的数据,并且确定表示AV 100为了到达(例如,抵达)目的地412而可以行驶的轨迹414(有时称为路线)的数据。为了使规划模块404确定表示轨迹414的数据,规划模块404从感知模块402、定位模块408和数据库模块410接收数据。
感知模块402使用例如也如图1所示的一个或多个传感器121来识别附近的物理对象。将对象分类(例如,分组成诸如行人、自行车、汽车、交通标志等的类型),并且将包括经分类的对象416的场景描述提供至规划模块404。
规划模块404还从定位模块408接收表示AV位置418的数据。定位模块408通过使用来自传感器121的数据和来自数据库模块410的数据(例如,地理数据)以计算位置来确定AV位置。例如,定位模块408使用来自全球导航卫星***(GNSS)单元的数据和地理数据来计算AV的经度和纬度。在实施例中,定位模块408所使用的数据包括具有行车道几何属性的高精度地图、描述道路网络连接属性的地图、描述行车道物理属性(诸如交通速率、交通量、运载工具和自行车车道的数量、车道宽度、车道交通方向、或车道标记类型和地点,或者它们的组合)的地图、以及描述道路特征(诸如十字路口、交通标志或各种类型的其它行驶信号等)的空间地点的地图。
控制模块406接收表示轨迹414的数据和表示AV位置418的数据,并且以将使得AV100行驶轨迹414到达目的地412的方式来操作AV的控制功能420a~420c(例如,转向、油门、制动、点火)。例如,如果轨迹414包括左转,则控制模块406将以如下方式操作控制功能420a~420c:转向功能的转向角度将使得AV 100左转,并且油门和制动将使得AV 100在进行转弯之前暂停并等待经过的行人或运载工具。
自主运载工具输入
图5是例示根据一个或多个实施例的感知模块402(图4)所使用的输入502a-502d(例如,图1中所示的传感器121)和输出504a-504d(例如,传感器数据)的示例的框图。一个输入502a是LiDAR(光检测和测距)***(例如,图1所示的LiDAR 123)。LiDAR是使用光(例如,诸如红外光等的一道光)来获得与其视线中的物理对象有关的数据的技术。LiDAR***产生LiDAR数据作为输出504a。例如,LiDAR数据是用于构造环境190的表示的3D或2D点(也称为点云)的集合。
另一输入502b是RADAR(雷达)***。RADAR是使用无线电波来获得与附近的物理对象有关的数据的技术。RADAR可以获得与不在LiDAR***的视线内的对象有关的数据。RADAR***502b产生RADAR数据作为输出504b。例如,RADAR数据是用于构造环境190的表示的一个或多个射频电磁信号。
另一输入502c是照相机***。照相机***使用一个或多个照相机(例如,使用诸如电荷耦合器件[CCD]等的光传感器的数字照相机)来获取与附近的物理对象有关的信息。照相机***产生照相机数据作为输出504c。照相机数据通常采用图像数据(例如,诸如RAW、JPEG、PNG等的图像数据格式的数据)的形式。在一些示例中,照相机***具有例如为了立体影像(立体视觉)的目的的多个独立照相机,这使得照相机***能够感知深度。尽管照相机***所感知的对象在这里被描述为“附近”,但这是相对于AV而言的。在使用中,照相机***可被配置为“看见”远处的(例如,AV前方的远至1公里或更远的)对象。因此,照相机***可以具有为了感知遥远的对象而优化的诸如传感器和镜头等的特征。
另一输入502d是交通灯检测(TLD)***。TLD***使用一个或多个照相机来获得与交通灯、街道标志和提供视觉操作信息的其它物理对象有关的信息。TLD***产生TLD数据作为输出504d。TLD数据经常采用图像数据(例如,诸如RAW、JPEG、PNG等的图像数据格式的数据)的形式。TLD***与包含照相机的***的不同之处在于:TLD***使用具有宽视场(例如,使用广角镜头或鱼眼镜头)的照相机,以获得与尽可能多的提供视觉操作信息的物理对象有关的信息,使得AV 100能够访问这些对象所提供的所有相关操作信息。例如,TLD***的视角可以为约120度或更大。
在实施例中,使用传感器融合技术来组合输出504a-504d。因而,将个体输出504a-504d提供至AV 100的其它***(例如,提供至如图4所示的规划模块404),或者可以采用相同类型的单个组合输出或多个组合输出(例如,使用相同组合技术或组合相同输出或者这两者)或不同类型的单个组合输出或多个组合输出(例如,使用不同的各个组合技术或组合不同的各个输出或者这两者)的形式,将组合输出提供至其它***。在实施例中,使用早期融合技术。早期融合技术的特征在于:在将一个或多个数据处理步骤应用到组合输出之前,将输出组合。在实施例中,使用后期融合技术。后期融合技术的特征在于:在将一个或多个数据处理步骤应用到个体输出之后,将输出组合。
图6是例示根据一个或多个实施例的LiDAR***602的示例(例如,图5所示的输入502a)的框图。LiDAR***602从发光器606(例如,激光发射器)发射光604a-604c。LiDAR***所发射的光通常不在可见光谱中;例如,经常使用红外光。所发射的光604b中的一些光遇到物理对象608(例如,运载工具)并且反射回到LiDAR***602。(从LiDAR***发射的光通常不会穿透物理对象,例如,实心形式的物理对象。)LiDAR***602还具有用于检测反射光的一个或多个光检测器610。在实施例中,与LiDAR***相关联的一个或多个数据处理***生成表示LiDAR***的视场614的图像612。图像612包括表示物理对象608的边界616的信息。这样,图像612用于确定AV附近的一个或多个物理对象的边界616。
图7是例示根据一个或多个实施例的操作中的LiDAR***602的框图。在该图所示的情境中,AV 100接收采用图像702的形式的照相机***输出504c和采用LiDAR数据点704的形式的LiDAR***输出504a两者。在使用中,AV 100的数据处理***将图像702与数据点704进行比较。特别地,在数据点704中也识别在图像702中识别出的物理对象706。这样,AV100基于数据点704的轮廓和密度来感知物理对象的边界。
图8是例示根据一个或多个实施例的LiDAR***602的操作的附加细节的框图。如上所述,AV 100基于LiDAR***602所检测到的数据点的特性来检测物理对象的边界。如图8所示,诸如地面802等的平坦对象将以一致的方式反射从LiDAR***602发射的光804a-804d。换句话说,由于LiDAR***602使用一致的间隔发射光,因此地面802将以相同的一致间隔将光反射回到LiDAR***602。在AV 100在地面802上行驶时,在没有东西阻挡道路的情况下,LiDAR***602将继续检测到由下一个有效地面点806反射的光。然而,如果对象808阻挡道路,则LiDAR***602所发射的光804e-804f将以与预期一致方式不一致的方式从点810a-810b反射。根据该信息,AV 100可以确定存在对象808。
路径规划
图9是例示根据一个或多个实施例的(例如,如图4所示的)规划模块404的输入和输出之间的关系的框图900。一般而言,规划模块404的输出是从起点904(例如,源地点或初始地点)到终点906(例如,目的地或最终地点)的路线902。路线902通常由一个或多个路段定义。例如,路段是指要在街道、道路、公路、行车道或适合汽车行驶的其它物理区域的至少一部分上行驶的距离。在一些示例中,例如,如果AV 100是诸如四轮驱动(4WD)或全轮驱动(AWD)小汽车、SUV或小卡车等的能够越野的运载工具,则路线902包括诸如未铺面路径或开阔田野等的“越野”路段。
除路线902之外,规划模块还输出车道级路线规划数据908。车道级路线规划数据908用于在特定时间基于路线902的路段的条件来驶过这些路段。例如,如果路线902包括多车道公路,则车道级路线规划数据908包括轨迹规划数据910,其中AV 100可以使用该轨迹规划数据910以例如基于出口是否临近、多个车道中的一个或多个车道是否存在其它运载工具、或者在几分钟或更少时间的过程中变化的其它因素来从这多个车道中选择某车道。类似地,在一些实现中,车道级路线规划数据908包括路线902的某路段特有的速率约束912。例如,如果该路段包括行人或非预期交通,则速率约束912可以将AV 100限制到比预期速率慢的行驶速率,例如基于该路段的限速数据的速率。
在实施例中,向规划模块404的输入包括(例如,来自图4所示的数据库模块410的)数据库数据914、当前地点数据916(例如,图4所示的AV位置418)、(例如,用于图4所示的目的地412的)目的地数据918和对象数据920(例如,如图4所示的感知模块402所感知的经分类的对象416)。在实施例中,数据库数据914包括规划时所使用的规则。规则是使用形式语言(例如,使用布尔逻辑)指定的。在AV 100所遇到的任何给定情形中,这些规则中的至少一些规则将适用于该情形。如果规则具有基于AV 100可用的信息(例如,与周围环境有关的信息)所满足的条件,则该规则适用于给定情形。规则可以具有优先级。例如,“如果公路是高速公路,则移动到最左侧车道”这一规则与“如果出口在一英里内临近,则移动到最右侧车道”相比可以具有更低的优先级。
图10例示根据一个或多个实施例的在路径规划中(例如,由规划模块404(图4))使用的有向图1000。一般而言,如图10所示的有向图那样的有向图1000用于确定任何起点1002和终点1004之间的路径。在现实世界中,分隔起点1002和终点1004的距离可能相对较大(例如,在两个不同的都市区域中),或者可能相对较小(例如,毗邻城市街区的两个十字路口或多车道道路的两条车道)。
在实施例中,有向图1000具有表示起点1002和终点1004之间的AV 100可能占用的不同地点的节点1006a-1006d。在一些示例中,例如,在起点1002和终点1004表示不同的都市区域时,节点1006a-1006d表示道路的路段。在一些示例中,例如,在起点1002和终点1004表示相同道路上的不同地点时,节点1006a-1006d表示该道路上的不同位置。这样,有向图1000包括不同粒度级别的信息。在实施例中,具有高粒度的有向图也是具有更大规模的另一有向图的子图。例如,起点1002和终点1004相距远(例如,相距许多英里)的有向图的大部分信息处于低粒度,并且该有向图是基于所存储的数据,但该有向图还包括用于该有向图中的表示AV 100的视场中的物理地点的一部分的一些高粒度信息。
节点1006a-1006d不同于无法与节点重叠的对象1008a-1008b。在实施例中,在粒度低时,对象1008a-1008b表示汽车不能穿过的地区,例如无街道或道路的区域。在粒度高时,对象1008a-1008b表示AV 100的视场中的物理对象,例如其它汽车、行人、或AV 100不能与之共用物理空间的其它实体。在实施例中,对象1008a-1008b的一部分或全部是静态对象(例如,不改变位置的对象,诸如街灯或电线杆等)或动态对象(例如,能够改变位置的对象,诸如行人或其它小汽车等)。
节点1006a-1006d通过边1010a-1010c连接。如果两个节点1006a-1006b通过边1010a连接,则AV 100可以在一个节点1006a和另一节点1006b之间行驶,例如,而不必在到达另一节点1006b之前行驶到中间节点。(当提到AV 100在节点之间行驶时,意味着AV 100在由相应节点表示的两个物理位置之间行驶。)边1010a-1010c通常是双向的,从某种意义上,AV 100从第一节点行驶到第二节点,或者从第二节点行驶到第一节点。在实施例中,边1010a-1010c是单向的,从某种意义上,AV 100可以从第一节点行驶到第二节点,然而AV100不能从第二节点行驶到第一节点。在边1010a-1010c表示例如单向街道,街道、道路或公路的单独车道,或者由于法律或物理约束因而仅能沿一个方向穿过的其它特征的情况下,边1010a-1010c是单向的。
在实施例中,规划模块404使用有向图1000来识别由起点1002和终点1004之间的节点和边组成的路径1012。
边1010a-1010c具有关联成本1014a-1014b。成本1014a-1014b是表示在AV 100选择该边的情况下将花费的资源的值。典型的资源是时间。例如,如果一个边1010a所表示的物理距离是另一边1010b所表示的物理距离的两倍,则第一边1010a的关联成本1014a可以是第二边1010b的关联成本1014b的两倍。影响时间的其它因素包括预期交通、十字路口的数量、限速等。另一典型的资源是燃料经济性。两个边1010a-1010b可以表示相同的物理距离,但例如由于道路条件、预期天气等,因此一个边1010a与另一边1010b相比需要更多的燃料。
在规划模块404识别起点1002和终点1004之间的路径1012时,规划模块404通常选择针对成本优化的路径,例如,在将边的个体成本相加到一起时具有最小总成本的路径。
自主运载工具控制
图11是例示根据一个或多个实施例的(例如,如图4所示的)控制模块406的输入和输出的框图1100。控制模块根据控制器1102而操作,该控制器1102例如包括:与处理器304类似的一个或多个处理器(例如,诸如微处理器或微控制器或这两者等的一个或多个计算机处理器);与主存储器306、ROM 308和存储装置310类似的短期和/或长期数据存储装置(例如,存储器,随机存取存储器或闪速存储器或这两者);以及存储器中所存储的指令,这些指令在(例如,由一个或多个处理器)执行时执行控制器1102的操作。
在实施例中,控制器1102接收表示期望输出1104的数据。期望输出1104通常包括速度,例如速率和航向。期望输出1104例如可以基于从(例如,如图4所示的)规划模块404接收到的数据。根据期望输出1104,控制器1102产生可用作油门输入1106和转向输入1108的数据。油门输入1106表示例如通过接合转向踏板或接合另一油门控件来接合AV 100的油门(例如,加速控制)以实现期望输出1104的大小。在一些示例中,油门输入1106还包括可用于接合AV 100的制动器(例如,减速控制)的数据。转向输入1108表示转向角度,例如AV的转向控制(例如,方向盘、转向角致动器或用于控制转向角度的其它功能)应被定位成实现期望输出1104的角度。
在实施例中,控制器1102接收在调整提供至油门和转向的输入时使用的反馈。例如,如果AV 100遇到诸如山丘等的干扰1110,则AV 100的测量速率1112降至低于期望输出速率。在实施例中,任何测量输出1114均被提供至控制器1102,使得例如基于测量速率和期望输出之间的差分1113来进行所需的调整。测量输出1114包括测量位置1116、测量速度1118(包括速率和航向)、测量加速度1120和AV 100的传感器可测量的其它输出。
在实施例中,例如通过诸如照相机或LiDAR传感器等的传感器预先检测与干扰1110有关的信息,并且该信息被提供至预测性反馈模块1122。然后,预测性反馈模块1122将控制器1102可用于相应地调整的信息提供至控制器1102。例如,如果AV 100的传感器检测到(“看见”)山丘,则控制器1102可以使用该信息来准备在适当时间接合油门,以避免显著减速。
图12是例示根据一个或多个实施例的控制器1102的输入、输出和组件的框图1200。控制器1102具有影响油门/制动器控制器1204的操作的速率分析器1202。例如,速率分析器1202根据例如由控制器1102接收到并由速率分析器1202处理后的反馈,来指示油门/制动器控制器1204使用油门/制动器1206进行加速或进行减速。
控制器1102还具有影响方向盘控制器1210的操作的横向跟踪控制器1208。例如,横向跟踪控制器1208根据例如由控制器1102接收到并由横向跟踪控制器1208处理后的反馈,来指示方向盘控制器1210调整转向角致动器1212的位置。
控制器1102接收用于确定如何控制油门/制动器1206和转向角致动器1212的若干输入。规划模块404提供控制器1102例如选择AV 100开始操作时的航向并确定在AV 100到达十字交叉路口时穿过哪个道路路段所使用的信息。定位模块408例如将描述AV 100的当前地点的信息提供至控制器1102,使得控制器1102可以确定AV 100是否处于基于正控制油门/制动器1206和转向角致动器1212的方式而预期的地点。在实施例中,控制器1102接收来自其它输入1214的信息,例如从数据库、计算机网络等接收到的信息。
使用行为规则模型的运载工具操作
图13是例示根据一个或多个实施例的用于确定轨迹是否违反AV 100的操作的存储行为模型的处理的流程图。参考图1更详细地例示和描述AV 100。AV 100使用AV 100的操作的存储行为模型来提供关于AV驾驶性能的反馈。存储行为模型有时被称为规则书。在一些实施例中,以通过-失败的方式提供反馈。图13的处理被设计为识别AV 100何时生成违反规则的轨迹、针对AV 100显著好于已生成轨迹的轨迹何时可用以及优选轨迹。
AV 100在环境190中操作。参考图1更详细地例示和描述环境190。在实施例中,AV100的一个或多个处理器146生成轨迹198。参考图1更详细地例示和描述处理器146和轨迹198。基于来自AV 100的第一组传感器(例如,传感器121)的第一传感器数据和来自AV 100的第二组传感器(例如,传感器122)的第二传感器数据生成轨迹198。参考图1更详细地例示和描述传感器121、122。第一传感器数据表示AV 100的操作,以及第二传感器数据表示位于环境190中的一个或多个对象146。参考图4更详细地例示和描述对象。在实施例中,第一组传感器121包括加速度计、方向盘角度传感器、轮传感器和制动传感器其中至少之一。第一传感器数据包括运载工具的速率、运载工具的加速度、运载工具的航向、运载工具的角速度和运载工具的转矩其中至少之一。
在实施例中,一个或多个处理器确定轨迹198是否引起对AV 100的操作的存储行为模型的一个或多个违反。参考图14更详细地例示和描述示例存储行为模型。针对位于环境190中的一个或多个对象416确定一个或多个违反。例如,定义用于将轨迹198标记为可能失败的准则。简单准则是违反单个规则,并且其它准则制定也是可能的。例如,给定由AV100的规划模块404生成的可能或实际轨迹198,图13的处理在驾驶行为的适当性方面提供关于轨迹198的反馈。参考图4更详细地例示和描述规划模块404。
在实施例中,响应于确定为轨迹198导致对存储行为模型的一个或多个违反,一个或多个处理器146基于AV 100的操作相对于一个或多个对象416的存储事件分布来确定一个或多个违反的第一风险等级。事件有时被称为“危险”。参考图15更详细地例示和描述存储事件分布。一个或多个处理器146生成AV 100的备选轨迹。例如,创建备选轨迹集合以对照所标记的轨迹198进行评估。
在实施例中,一个或多个处理器146确定为备选轨迹具有高于第一风险等级的第二风险等级。针对一个或多个对象416确定第二风险等级。例如,来自风险确定的反馈的可能结果是“通过”(即,轨迹198是令人满意的,或不存在更好的备选轨迹),或者“失败”(即,AV轨迹198不符合规则书行为规范并且存在实质上更好的备选轨迹可用)。如果识别出实质上更好的轨迹,则轨迹198被认为是“失败”。使用构成实质上更好的轨迹的形式化。图13的处理不用于识别微小或轻度改进。
图13的处理被设计成防止“轻度满意”轨迹(即,AV 100将停止或不会到达其目标的轨迹)被认为是比具有一些规则违反而到达目标的轨迹198更好的解决方案。将“到达目标”的规则显式地构建到规则书中。一个或多个处理器146基于轨迹198操作AV 100以避免AV 100与一个或多个对象416碰撞。例如,参考图4更详细例示和描述的控制模块406操作AV100。
图14例示根据一个或多个实施例的AV 100的操作的存储行为模型。参考图1更详细地例示和描述AV 100。在实施例中,AV 100的一个或多个处理器146接收来自AV 100的第一组传感器121的第一传感器数据和来自AV 100的第二组传感器122的第二传感器数据。参考图1更详细地例示和描述处理器146和传感器121、122。第一传感器数据表示AV 100的操作,以及第二传感器数据表示位于环境190中的一个或多个对象416。参考图4更详细地例示和描述对象416。参考图1更详细地例示和描述环境190。在实施例中,第二组传感器122包括LiDAR、RADAR、照相机和麦克风其中至少之一。第二传感器数据包括一个或多个对象416的图像、一个或多个对象416的速率、一个或多个对象416的加速度或者一个或多个对象416与AV 100之间的横向距离其中至少之一。
在实施例中,一个或多个处理器146基于第一传感器数据和第二传感器数据来确定对AV 100的操作的存储行为模型的一个或多个违反。针对位于环境190中的一个或多个对象416来确定一个或多个违反。例如,诸如在AV 100上配置的传感器等的基于运载工具的传感器或外部的传感器记录与AV 100涉及的场景有关的信息以及驾驶员的响应驾驶行为,包括但不限于速率、航向、邻近对象或路线。
在实施例中,一个或多个处理器146基于AV 100的操作相对于一个或多个对象416的存储事件分布来确定一个或多个违反的第一风险等级。参考图15更详细地例示和描述示例存储事件分布。例如,给定记录,使用规则书(规则制定和规则评估)来确定驾驶行为是遵循还是违反规则。规则违反可能与人类驾驶***和自动驾驶***这两者中的安全结果相关。
响应于第一风险等级大于阈值风险等级,一个或多个处理器生成AV 100的轨迹198。参考图1更详细地例示和描述轨迹198。轨迹具有比阈值风险等级低的第二风险等级。针对一个或多个对象416来确定第二风险等级。一个或多个处理器146基于轨迹198操作AV100以避免AV 100与一个或多个对象416碰撞。
在实施例中,基于对存储行为模型的一个或多个违反的频率来调整规划模块404的运动规划处理,以降低第二风险等级。例如,为了保险或公共安全目的,应用经验证的规则书以设计和实现自动化运载工具***或进行人类驾驶员的“风险评分”。在通常具有***模型的机器驾驶器的情况下,驾驶性能可使用规则书来估计AV驾驶性能。在实施例中,基于对存储行为模型的一个或多个违反的频率来确定AV 100的运动规划处理的风险等级。例如,如图14所示,对***设计和子***性能对规划轨迹的影响进行建模。根据***设计和子***性能,对规划轨迹进行评分以测量总体驾驶性能。从行为规范(规则)导出(子)***要求,优化性能,并优先化资源。
图15例示根据一个或多个实施例的AV 100的操作的存储行为模型的违反频率。参考图1更详细地例示和描述AV 100。参考图14更详细地例示和描述操作的示例存储行为模型。在实施例中,一个或多个处理器146基于轨迹198和AV 100的操作相对于一个或多个对象416的存储事件分布来确定第二风险等级。参考图1更详细地例示和描述一个或多个处理器146和轨迹198。参考图4更详细地例示和描述一个或多个对象416。
图15中所例示的操作的存储行为模型的违反频率对AV 100在公共道路上应当表现的方式进行建模。当法规频繁未规定并且即使给定完美信息也难以枚举所有场景的适当行为时,复杂场景需要在不同行为之间进行权衡。图14中所例示的操作的存储行为模型用于针对碰撞和安全包络违反来测量相对于人类驾驶员的AV***级性能。例如,在事件的频率和严重性之间存在逆关系。存在与不同严重性的事件相关的可验证的定量关系。事件源自产生参考图16更详细例示和描述的可表征分布的单个生成处理。
本文公开的实施例使得能够使用碰撞严重性的很少的连续测量来分析严重性分布。虽然存在与导致死亡、受伤和仅财产损害的碰撞的相对流行率(prevalence)有关的详细统计,但这些类别是离散性质的,并且缺乏碰撞严重性分布的定量标度极限分析。所公开的实施例因而考虑了连续的碰撞严重性分布。使用针对严重性的不同代理的四个数据集用于测试安全关键道路事件的严重性分布是否与图13和15中的模型一致。
所使用的第一示例数据集是国家汽车采样***的防撞性数据***(“NASS CDS”)。这是研究、重建和分类美国所有报告碰撞中严重到足以需要拖车的随机样本的持续数据收集工作。所报告碰撞特征之一是Delta(差量)-V,被定义为“运载工具的碰撞前与碰撞后轨迹之间的速度变化”并且是意外(事故)严重性的权威测量,广泛地被认为是运载工具碰撞中的受伤和死亡的最佳预测因子。与碰撞严重性等级不同,Delta-V可采用连续统的值。例如,分析2000与2011之间的6,286次碰撞的数据集,该数据集具有来自所涉及的运载工具的事件数据记录器的记录。Delta-V是通过在横向和纵向方向上的碰撞事件期间所报告的最大Delta-V取欧几里德范数来确定的。该数据集中的许多事件报告了每小时0英里的Delta-V,由于碰撞隐含了一些速率差异,这看起来是虚假的。部分为了消除这种可能虚假数据,丢弃Delta-V低于每小时5英里的事故,这些事故不太可能导致拖走(tow-away)碰撞并且表示远低于10%的数据集值。所分析的其它示例数据集包括保险索赔数据集。
图16例示根据一个或多个实施例的AV 100的操作的存储行为模型。参考图1更详细地例示和描述AV 100。在实施例中,AV 100的操作的存储行为模型包括多个层。各个层具有与一个或多个违反中的特定违反相对应的相应位置。图16例示基于几乎固定比率的高严重性意外与较低严重性意外的观察、关联不同严重性的安全事故的框架。含义是着重于减少轻微意外、险兆及危险状况使得主要意外(事故)成比例降低。
在实施例中,当多个层中的各个层的相应位置对齐时,发生AV 100与一个或多个对象416的碰撞。例如,图16的存储行为模型将复杂***的安全视为由多个层组成,尽管在各个层中具有表示故障(失败)的一些孔。图16的模型表明,意外仅发生在各个安全层的孔对齐时。这意味着需要在各个安全层中具有很少孔(即,低故障概率)的多个安全层来设计安全***。
在实施例中,设计AV 100的运动规划处理,使得多个层中的各个层的相应位置对齐的概率小于阈值概率。例如,替代安全度量对不导致碰撞但表示某种程度的危险的潜在驾驶冲突或行为进行测量。虽然存在宽范围的技术,但是替代安全度量是对于窄定义的情境特定的(例如,评估无信号的交叉口子集的安全)。远程信息处理(telematic)服务表示替代安全度量的实际价值的商业演示,跟踪制动或猛烈加速频繁的驾驶员群组并且给他们分配更高程度的碰撞风险。
在实施例中,AV 100的操作的存储行为模型包括多个操作规则。各个操作规则具有相对于各个其它操作规则的优先级。优先级表示对存储行为模型的一个或多个违反的风险等级。例如,替代安全度量用于评估AV安全。因此,替代安全度量用于更快速地估计道路安全并且将该概念集成到整体理论框架中。在实施例中,对AV 100的操作的存储行为模型的一个或多个违反中的违反包括AV 100与一个或多个对象416之间的横向距离落到低于阈值。例如,将图16的存储行为模型形式化成用于意外(意外严重性的分布)的框架,该框架如果经过验证,则意味着可以通过观察替代安全度量来推断复杂***的安全。在实施例中,基于违反的频率来调整操作规则的优先级。例如,使用来自人类驾驶员数据的实证证据来支持将图16的存储行为模型应用于道路安全。
图17例示根据一个或多个实施例的AV 100针对一个或多个对象416的操作的存储事件分布。参考图1和4更详细地例示和描述AV 100和对象416。在实施例中,存储事件分布包括独立随机变量的对数正态概率分布。各个随机变量表示AV 100的操作的危险的风险等级。例如,图17的存储事件分布意味着碰撞事件遵循对数正态分布。因此,对包括行为度量的低严重性事件的观察揭示了高严重性事件的频率。因此,图17中所例示的存储事件分布使得能够使用冗余***和对单点故障的抵抗进行AV设计。例如,存储事件分布可以用于基于事故(意外)的现有理论框架来形式化安全关键驾驶事件的频率和严重性之间的可预测关系。
在实施例中,使用数学分析确定针对意外原因和意外严重性的存储行为模型(参见图16)暗示了事故严重性的特定分布式形式。图16的存储行为模型在图17中针对由危险引起的安全关键驾驶事件的严重性被形式化为数学表达式。安全关键驾驶事件(incidents(events))被建模为包含风险增加因素但可能或可能不导致碰撞的事件。中心极限定理在图17中使用以示出该数学表达式暗示安全关键事件的严重性的对数正态分布。
在实施例中,可以进一步分析近似机动运载工具事件严重性的四个不同数据集的分布形式。数学分析(参见图17)表明存储行为模型与意外严重性的对数正态分布一致。图17中所示的实证分析证实了所有五个数据集紧密地拟合对数正态分布。第六示例数据集表明接近碰撞和碰撞之间的显著增大的关系。图17中所例示的实验支持使用高频低严重性事件来更快速地评估机动运载工具或个体驾驶员的安全。此外,设计用于对单点故障鲁棒的复杂***(包括自主运载工具)与相同的理论框架一致,从而允许使用本文公开的实施例更快速地部署更安全的技术。
在实施例中,使用若干常见的“重尾”候选分布(幂律、指数、对数正态)来对碰撞的严重性进行建模。幂律和指数分布具有单调递减的密度函数(即,它们不具有左尾)。因此,它们仅适合数据的右尾。为了确保三个候选分布之间的公平比较,各个数据集相对于其峰丢弃左尾,这是通过将数据集分成100百分位并且取包含峰数量样本的百分位的低端来获得的(图19中例示)。由于对数正态分布具有左尾,因此该处理有利于其它两个候选分布。不考虑左尾有效地忽略了严重性非常低(即,低索赔金额低或Delta-V)的碰撞(这些碰撞受漏报影响最大)。
在实施例中,评估实证数据集是遵循对数正态分布、遵循不同的候选分布还是不遵循候选分布。在实验中,使用Python powerlaw包,其使用最大似然估计以获得各个候选分布的最佳拟合。对于各个数据集和候选分布,确定Kolmogorov-Smirnov(KS)距离,其被定义为累积实证分布函数与候选拟合累积分布函数之间的最大差。KS距离提供各个单独候选分布对数据拟合有多好的测量。为了更直接地确定对数正态分布是否提供比其它两个候选分布更好的拟合,针对与各个其它候选分布相比、来自对数正态分布的数据的对数似然比的显著性而考虑p值。小的p值提供了有利于对数正态分布的证据。
在实验中,将具有安全关键事件数据集的行程记录相组合以确定各个驾驶员在研究过程中具有的接近碰撞的总数,并且基于驾驶员在研究期间经历了多少接近碰撞将驾驶员分成群组。对于较大数量的接近碰撞,数据集包含很少的驾驶员。将这些驾驶员组合到相同的群组中,直到在群组中驾驶的英里数超过一百万英里,并且为这些群组分配添加到该群组的所有驾驶员的接近碰撞数的平均数量。确定斯皮尔曼(Spearman)的秩相关,其测量单调(不一定是线性)关系的强度、以及该单调关系对于调查具有更高接近碰撞率的驾驶员群组是否倾向于经历更高的碰撞和严重碰撞率的重要性。
图18例示根据一个或多个实施例的AV 100的操作相对于一个或多个对象416的存储事件分布。参考图1和4更详细地例示和描述AV 100和对象416。在实施例中,一个或多个违反中的违反表示AV 100的减速度超过阈值减速度。例如,根据非碰撞结果(诸如接近碰撞的频率和遇到危险驾驶情形等)来评估风险等级。为了评估单个框架是否可以联合碰撞前和碰撞行为,分析了两个示例数据集。
第一示例数据集表示来自安装在消费者运载工具中的移动装置的用于分析驾驶员安全的读数。第一数据集是高于阈值减速度的硬制动事件的随机选择样本。硬制动是与升高的碰撞风险相关的规避性操纵。为了评估硬制动事件是否位于与碰撞相同的结果连续统上,使用用于碰撞数据的相同方法评估对数正态拟合。
在实施例中,一个或多个违反中的违反表示从AV 100到一个或多个对象416的横向距离落到低于阈值横向距离(险兆(near-miss))。例如,第二数据集源自第二战略高速路研究项目(SHRP-2)自然驾驶研究,迄今为止最大的对真实世界驾驶行为的研究。使用两个提取的数据集-第一个具有参与研究的驾驶员的行程记录(3,546个驾驶员,捕获了540万行程,并且行驶了3200万个完全记录的英里),并且第二个具有安全关键事件的记录(8,717次碰撞和接近碰撞)。SHRP-2研究将安全关键事件分为五个类别(碰撞严重性1-4和接近碰撞)中的一个。出于分析的目的,具有财产损害、受伤、或死亡的碰撞被分类为“严重”(286个事件)。除了这些被分类为4级之外,任何其它接触事件(即轮胎偏离道路或不涉及风险因素的路缘石撞击)都被分类为“轻微”(775个事件)。4级碰撞和需要规避动作的非碰撞事故被分类为“接近碰撞”(7,656个事件)。
图19例示根据一个或多个实施例的AV 100的操作相对于一个或多个对象416的示例存储事件分布。参考图1和4更详细地例示和描述AV 100和对象416。图16的存储行为模型被概念化为与危险驾驶情形交互以放大或减轻危险的一系列独立因素。例如,危险可能是由于道路上的其它运载工具的动作而发生的。碰撞是否发生取决于许多其它因素,例如,驾驶员的反应时间、道路几何形状、天气、速率、运载工具能力和维护状态。如果一个或多个因素是高度有利的,则危险被消除并且没有安全关键事件发生。实际上,因素不是完全决定性的且不能完全消除危险;因素甚至可能加重危险且因此变为累积添加因素(例如,恶劣天气),因此因素也可能充当危险(例如,维护保养不佳的小汽车可能是危险,或者是加重另一危险的因素)。如果其它因素在减轻危险方面仅略微有效,则将发生接近碰撞或轻微碰撞,并且如果其它因素在减轻危险方面很大程度上无效,则可能发生严重碰撞。
在实施例中,图19的存储事件分布包括独立随机变量的对数正态概率分布。各个随机变量表示运载工具的操作的危险的风险等级。例如,每次碰撞在其主要根本原因处都具有危险。碰撞严重性的分布如等式(1)中确定。
S=∑i wi Si (1)
这里,Si是表示与危险i的发生相关联的安全关键事件的严重性的随机变量,并且wi是由于危险i而引起的安全关键事件的比例。对于单一类型的危险,结果的分布如等式(2)中确定。
Si=〖Hi×X〗1i×X2i×X3i...XNi (2)
这里,Hi是表示危险i的严重性的随机变量,并且各个Xji是表示因子j对减轻(或恶化)特定危险i的影响的随机变量。取两侧的对数得到等式(3)。
log Si=log〖Hi+log X〗1i+log X2i+log X3i...+log XNi (3)
由于等式(3)中的右侧是一系列独立随机变量的总和,因此如果(1)所有Hi和Xji都相同地分布或者(2)Hi和Xji满足李雅普诺夫(Lyapunov)或林德伯格(Lindeberg)中心极限定理条件,则它们将收敛至正态分布。如果是,则Si由如等式(4)中的对数正态概率分布很好地近似。
p(x)=1/x exp[-((ln x-μ)2)/(2σ2)] (4)
其中μ和σ分别是正态分布的量log Si的均值和标准差。虽然完全不同的危险和因素更难通过接近相同分布的随机变量的任何方式进行建模,但是只要没有小的子集主导随机变量,随机变量大部分是独立的,并且存在足够大量的随机变量,然后Si将收敛至对数正态分布。因此,如果众多大部分不相关的因素影响碰撞的严重性,如图16中所例示的模型所假定的,则严重性分布将趋向于对数正态分布。
等式(2)使得能够通过对遇到危险i的加权近似求和来捕获所有碰撞的严重性。多个对数正态分布的总和保持为对数正态分布并且仅非常缓慢地收敛至正态分布。因此,小汽车碰撞(或遵循图16中所例示的模型的任何处理)的严重性结果将是对数正态的。将存在表示单一故障模式(例如,驾驶员睡着,其后果偏向严重结果)并且将不遵循对数正态分布的异常危险,但是只要***对单点故障有弹性,严重性的分布将是对数正态的。
如先前所讨论的,图16的模型表示以长右尾为特征的某些类别的安全关键事件的定性分布形式。以上分析表明针对大多数事故追踪到因素组合的AV***自然地出现分布,并且表明事件的真实分布形式是对数正态分布。图19的上部总结了碰撞严重性的分布的分析结果,对于所有数据集证实:(i)对数正态拟合使得距候选分布中的数据的最小KS距离远,并且(ii)对数正态拟合高度显著地好于对其它候选分布的拟合。
图20例示根据一个或多个实施例的AV 100的操作相对于一个或多个对象416的示例存储事件分布。参考图1和4更详细地例示和描述AV 100和对象416。图20在视觉上表示两个索赔数据集的拟合。各个曲线图在对数尺度上示出各个候选分布相对于实证概率质量函数的拟合概率分布函数。在两者中,视觉检查示出对数正态分布可能是最佳拟合,从而补充了来自图19的数值结果。
图21例示根据一个或多个实施例的AV 100针对一个或多个对象416的操作的示例存储事件分布。参考图1和4更详细地例示和描述AV 100和对象416。SHRP-2自然驾驶数据的分析示出群组的接近碰撞率与其碰撞率之间的强烈增加的关系(斯皮尔曼R=0.95,p<0.001)。当仅考虑群组的接近碰撞率和严重碰撞率之间的关系时(斯皮尔曼R=0.75,p=0.01),增加的关系稍微较弱但仍然强且显著。这些发现支持驾驶员涉及接近碰撞的频率是驾驶员能力和总体碰撞率的强信号的概念。图21以最佳拟合线和95%置信区间来可视化显示驾驶员群组的接近碰撞相对于群组碰撞和严重碰撞率的关系。由于个体差异和离群值,仅在个体驾驶员级(而不是上面报告的群组级)存在接近碰撞率与碰撞率之间的弱相关性,但是相关性对于碰撞(斯皮尔曼R=0.19,p<0.001)和严重碰撞(斯皮尔曼R=0.12,p<0.001)都是高度显著的。由于SHRP-2具有“接近碰撞”的离散结果,因此更难以估计不同接近碰撞的相对严重性以及它们是否遵循对数正态分布。然而,来自CMT的规避性制动操纵数据集以Delta-V提供了碰撞和安全关键事件这两者的严重性的测量。图19的下部示出,与碰撞事件类似,硬制动事件也遵循对数正态分布。
图22是例示根据一个或多个实施例的用于使用行为规则模型的AV操作的示例处理的流程图。在实施例中,通过参考图1更详细地描述的AV 100进行图22的处理。在其它实施例中,特定实体(例如,感知模块402或规划模块404)进行该处理的一些或所有步骤。此外,实施例可以包括不同的和/或附加的步骤,或者以不同的顺序进行步骤。参考图4更详细地例示和描述感知模块402和规划模块404。
AV 100接收2204来自AV 100的第一组传感器121的第一传感器数据和来自AV 100的第二组传感器122的第二传感器数据。参考图1更详细地描述第一组传感器121和第二组传感器122。第一传感器数据表示AV 100的操作,以及第二传感器数据表示位于环境190中的一个或多个对象416。参考图4更详细地描述一个或多个对象416。参考图1更详细地描述环境190。
AV 100基于第一传感器数据和第二传感器数据确定2208对AV 100的操作的存储行为模型的一个或多个违反。参考图14更详细地描述示例存储行为模型。针对位于环境190中的一个或多个对象416来确定一个或多个违反。
AV 100基于AV 100的操作相对于一个或多个对象416的存储事件分布来确定2212一个或多个违反的第一风险等级。参考图17更详细地描述示例存储事件分布。
响应于第一风险等级大于阈值风险等级,AV 100生成2216针对AV 100的轨迹198。参考图1更详细地描述轨迹198。轨迹198具有比阈值风险等级低的第二风险等级。针对一个或多个对象416来确定第二风险等级。
AV 100基于轨迹198来操作2220以避免AV 100与一个或多个对象416碰撞。例如,AV 100的控制模块406用于操作AV 100。参考图4更详细地描述控制模块406。
图23是例示根据一个或多个实施例的用于使用行为规则模型来操作AV 100的示例处理的流程图。参考图1更详细地例示和描述AV 100。在实施例中,图23的处理由参考图4更详细地描述的规划电路404进行。在其它实施例中,其它实体(例如,感知模块402或控制模块406)进行该处理的一些或所有步骤。此外,实施例可以包括不同的和/或附加的步骤,或者以不同的顺序进行步骤。参考图4更详细地例示和描述感知模块402和控制模块406。
AV 100基于来自AV 100的第一组传感器121的第一传感器数据和来自AV 100的第二组传感器122的第二传感器数据来生成2304轨迹198。参考图1更详细地描述第一组传感器121和第二组传感器122。第一传感器数据表示AV 100的操作,以及第二传感器数据表示位于环境190中的一个或多个对象416。参考图4更详细地描述一个或多个对象416。参考图1更详细地描述环境190。
AV 100确定2308轨迹198是否导致对AV 100的操作的存储行为模型的一个或多个违反。参考图14更详细地描述示例存储行为模型。相对于位于环境190中的一个或多个对象416来确定一个或多个违反。
响应于确定为轨迹190导致对存储行为模型的一个或多个违反,AV 100基于AV100的操作相对于一个或多个对象416的存储事件分布来确定2312一个或多个违反的第一风险等级。参考图17更详细地描述的示例存储事件分布。AV 100生成针对AV 100的备选轨迹。
AV 100确定为2316备选轨迹具有高于第一风险等级的第二风险等级。针对一个或多个对象416来确定第二风险等级。
基于轨迹198操作2320AV 100以避免AV 100与一个或多个对象416碰撞。例如,AV100的控制模块406用于操作AV 100。参考图4更详细地描述控制模块406。
使用本文公开的实施例,安全关键事件被示出为由相同的因果机制导致,而无论事件是否导致了损失(即,在机动运载工具事件情况下的碰撞),并且事件与参考图16更详细地例示和描述的模型一致,损失的严重性本质上是乘法倍增的,导致对数正态严重性分布。在实验中,接近碰撞与碰撞强相关(参见图21)。在聚合水平上,使用所公开的实施例进行的实验示出群组中的硬制动事件的频率也与该群组中的碰撞率相关,因为硬制动事件通常是由在没有碰撞的情况下解决的交通冲突引起的。因此,激进的制动是更严重碰撞和更高碰撞频率的指示。硬制动事件遵循使用相同变量(Delta-V)的与碰撞事件相同的分布形式,这表明了共同的致因机制。本文公开的实施例可用于确定为规避性制动动作遵循与碰撞本身相同形式的频率-严重性分布。
本文公开的实施例还可用于确定为碰撞和安全关键事件的五个不同数据集都紧密地遵循对数正态分布。因此,公开了用于基于驾驶员遇到危险情形的频率来评估碰撞风险的实现。虽然实施例可以加速评估任何道路安全干预,但它们在AV的情况下特别有用。AV和其它复杂***的安全标准建议使用具有多个安全措施的冗余子***,以最小化单点故障。这些建议与图16的模型一致,并且图17中的相应分析表明这些建议得到较不严重和较严重事件之间的可预测的关系,其中更严重的事件以越来越低的频率发生。
AV社区正在针对AV的良好行为的定义采取步骤,这些定义测量行为能力超过避免冲突。本文公开的实施例可以用于在模拟中或通过真实世界数据的聚合来估计AV的事前(例如,碰撞前)度量预测风险的程度有多好。事前度量可以包括硬制动、紧随(低碰撞时间)或其它。与***特定的软件或其它度量不同,估计安全道路性能的度量具有技术中性的优点(即,可以独立于特定的技术实现来评估安全性)。这里描述的分析示出,随机变量的乘积将收敛至对数正态分布,即使在随机变量之间具有一些相关性。此外,使用等式(3)的形式对意外(事故)正式建模有助于理解不同因素到底如何组合以影响事件严重性。此外,在自然驾驶研究中考虑除接近碰撞外的其它事件可以消除限制SHRP-2数据分析的一些统计波动。最后,可以实施涉及AV的安全关键事件的全面分析。
在先前描述中,已经参考许多具体细节描述了本发明的实施例,这些具体细节可因实现而不同。因此,说明书和附图应被视为说明性的,而非限制性意义的。本发明范围的唯一且排他的指示、以及申请人期望是本发明范围的内容是以发布权利要求书的具体形式从本申请发布的权利要求书的字面和等同范围,包括任何后续修正。本文中明确阐述的用于被包括在此类权利要求中的术语的任何定义应当以此类术语如在权利要求书中所使用的意义为准。另外,当在先前的说明书或所附权利要求书使用术语“还包括”时,该短语的下文可以是附加的步骤或实体、或先前所述的步骤或实体的子步骤/子实体。
相关申请的交叉引用
本申请是于2020年9月14日提交的美国临时申请63/078,062的转换,并通过引用将其整体并入本文。
Claims (20)
1.一种操作运载工具的方法,包括:
由在环境中操作的运载工具的一个或多个处理器接收来自所述运载工具的第一组传感器的第一传感器数据以及来自所述运载工具的第二组传感器的第二传感器数据,所述第一传感器数据表示所述运载工具的操作,以及所述第二传感器数据表示位于所述环境中的一个或多个对象;
由所述一个或多个处理器基于所述第一传感器数据和所述第二传感器数据来确定对所述运载工具的操作的存储行为模型的一个或多个违反,所述一个或多个违反是针对位于所述环境中的所述一个或多个对象确定的;
由所述一个或多个处理器基于所述运载工具的操作相对于所述一个或多个对象的存储事件分布来确定所述一个或多个违反的第一风险等级;
响应于所述第一风险等级大于阈值风险等级,由所述一个或多个处理器生成所述运载工具的轨迹,所述轨迹具有低于所述阈值风险等级的第二风险等级,所述第二风险等级是针对所述一个或多个对象确定的;以及
由所述一个或多个处理器基于所述轨迹来操作所述运载工具以避免所述运载工具与所述一个或多个对象碰撞。
2.根据权利要求1所述的方法,其中,所述第一组传感器包括加速度计、方向盘角度传感器、轮传感器和制动传感器其中至少之一。
3.根据权利要求1所述的方法,其中,所述第一传感器数据包括所述运载工具的速率、所述运载工具的加速度、所述运载工具的航向、所述运载工具的角速度和所述运载工具的转矩其中至少之一。
4.根据权利要求1所述的方法,其中,所述第二组传感器包括LiDAR、RADAR、照相机和麦克风其中至少之一。
5.根据权利要求1所述的方法,其中,所述第二传感器数据包括所述一个或多个对象的图像、所述一个或多个对象的速率、所述一个或多个对象的加速度、以及所述一个或多个对象与所述运载工具之间的横向距离其中至少之一。
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所述轨迹和所述运载工具的操作相对于所述一个或多个对象的存储事件分布来确定所述第二风险等级。
7.根据权利要求1所述的方法,其中,所述存储事件分布包括独立随机变量的对数正态概率分布,各个随机变量表示所述运载工具的操作的危险的风险等级。
8.根据权利要求1所述的方法,其中,所述运载工具的操作的存储行为模型包括多个操作规则,所述多个操作规则中的各个操作规则具有相对于所述多个操作规则中的各个其它操作规则的优先级,所述优先级表示对所述存储行为模型的一个或多个违反的风险等级。
9.根据权利要求8所述的方法,其中,对所述运载工具的操作的存储行为模型的一个或多个违反中的违反包括所述运载工具与所述一个或多个对象之间的横向距离落到低于阈值横向距离。
10.根据权利要求9所述的方法,还包括基于所述违反的频率来调整所述操作规则的优先级。
11.根据权利要求1所述的方法,还包括基于对所述存储行为模型的一个或多个违反的频率来调整所述运载工具的运动规划处理以降低所述第二风险等级。
12.根据权利要求11所述的方法,还包括基于对所述存储行为模型的一个或多个违反的频率来确定所述运载工具的运动规划处理的风险等级。
13.一种自主运载工具,包括:
一个或多个计算机处理器;以及
一个或多个非暂时性存储介质,其存储有指令,所述指令在由所述一个或多个计算机处理器执行时使得进行操作,所述操作包括:
由在环境中操作的所述运载工具的一个或多个计算机处理器接收来自所述运载工具的第一组传感器的第一传感器数据以及来自所述运载工具的第二组传感器的第二传感器数据,所述第一传感器数据表示所述运载工具的操作,以及所述第二传感器数据表示位于所述环境中的一个或多个对象;
由所述自主运载工具的一个或多个计算机处理器基于所述第一传感器数据和所述第二传感器数据来确定对所述运载工具的操作的存储行为模型的一个或多个违反,所述一个或多个违反是针对位于所述环境中的所述一个或多个对象确定的;
由所述自主运载工具的一个或多个计算机处理器基于所述运载工具的操作相对于所述一个或多个对象的存储事件分布来确定所述一个或多个违反的第一风险等级;
响应于所述第一风险等级大于阈值风险等级,由所述自主运载工具的一个或多个计算机处理器生成所述运载工具的轨迹,所述轨迹具有低于所述阈值风险等级的第二风险等级,所述第二风险等级是针对所述一个或多个对象确定的;以及
由所述自主运载工具的一个或多个计算机处理器基于所述轨迹来操作所述运载工具以避免所述运载工具与所述一个或多个对象碰撞。
14.根据权利要求13所述的自主运载工具,其中,所述第一组传感器包括加速度计、方向盘角度传感器、轮传感器和制动传感器其中至少之一。
15.根据权利要求13所述的自主运载工具,其中,所述第一传感器数据包括所述运载工具的速率、所述运载工具的加速度、所述运载工具的航向、所述运载工具的角速度和所述运载工具的转矩其中至少之一。
16.根据权利要求13所述的自主运载工具,其中,所述第二组传感器包括LiDAR、RADAR、照相机和麦克风其中至少之一。
17.一个或多个非暂时性存储介质,其存储有指令,所述指令在由一个或多个计算装置执行时使得进行操作,所述操作包括:
由在环境中操作的运载工具的一个或多个处理器接收来自所述运载工具的第一组传感器的第一传感器数据以及来自所述运载工具的第二组传感器的第二传感器数据,所述第一传感器数据表示所述运载工具的操作,以及所述第二传感器数据表示位于所述环境中的一个或多个对象;
由所述一个或多个处理器基于所述第一传感器数据和所述第二传感器数据来确定对所述运载工具的操作的存储行为模型的一个或多个违反,所述一个或多个违反是针对位于所述环境中的所述一个或多个对象确定的;
由所述一个或多个处理器基于所述运载工具的操作相对于所述一个或多个对象的存储事件分布来确定所述一个或多个违反的第一风险等级;
响应于所述第一风险等级大于阈值风险等级,由所述一个或多个处理器生成所述运载工具的轨迹,所述轨迹具有低于所述阈值风险等级的第二风险等级,所述第二风险等级是针对所述一个或多个对象确定的;以及
由所述一个或多个处理器基于所述轨迹来操作所述运载工具以避免所述运载工具与所述一个或多个对象碰撞。
18.根据权利要求17所述的一个或多个非暂时性存储介质,其中,所述第一组传感器包括加速度计、方向盘角度传感器、轮传感器和制动传感器其中至少之一。
19.根据权利要求17所述的一个或多个非暂时性存储介质,其中,所述第一传感器数据包括所述运载工具的速率、所述运载工具的加速度、所述运载工具的航向、所述运载工具的角速度和所述运载工具的转矩其中至少之一。
20.根据权利要求17所述的一个或多个非暂时性存储介质,其中,所述第二组传感器包括LiDAR、RADAR、照相机和麦克风其中至少之一。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063078062P | 2020-09-14 | 2020-09-14 | |
US63/078,062 | 2020-09-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114185332A true CN114185332A (zh) | 2022-03-15 |
Family
ID=78149354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111074214.XA Pending CN114185332A (zh) | 2020-09-14 | 2021-09-14 | 操作运载工具的方法、自主运载工具和介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220080962A1 (zh) |
KR (1) | KR102657847B1 (zh) |
CN (1) | CN114185332A (zh) |
DE (1) | DE102021123721A1 (zh) |
GB (2) | GB2603829B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971217A (zh) * | 2022-05-07 | 2022-08-30 | 南京航空航天大学 | 一种无人机对地风险评估方法及*** |
CN116499772A (zh) * | 2023-06-28 | 2023-07-28 | 天津所托瑞安汽车科技有限公司 | 车辆制动性能评估方法、装置、电子设备及存储介质 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11945440B2 (en) | 2019-08-23 | 2024-04-02 | Motional Ad Llc | Data driven rule books |
US11928746B2 (en) * | 2020-07-20 | 2024-03-12 | Populus Financial Group, Inc. | Systems and methods for processing contributions made to purchaser selected organizations |
US11772640B2 (en) * | 2021-04-02 | 2023-10-03 | Verizon Patent And Licensing Inc. | Systems and methods for vehicular collision detection based on multi-dimensional collision models |
US12037013B1 (en) * | 2021-10-29 | 2024-07-16 | Zoox, Inc. | Automated reinforcement learning scenario variation and impact penalties |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100217476A1 (en) * | 2007-10-19 | 2010-08-26 | Toyota Jidosha Kabushiki Kaisha | Vehicle traveling controller |
US20140372017A1 (en) * | 2013-06-14 | 2014-12-18 | Cartasite, Inc. | Vehicle performance detection, analysis, and presentation |
CN206781626U (zh) * | 2017-03-09 | 2017-12-22 | 浙江吉利控股集团有限公司 | 一种车辆防撞预警***及车辆 |
WO2018220439A2 (en) * | 2017-05-30 | 2018-12-06 | Nauto Global Limited | Systems and methods for safe route determination |
KR20200019696A (ko) * | 2017-06-20 | 2020-02-24 | 누토노미 인크. | 자율 주행 능력들을 갖는 차량들에 대한 위험 처리 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6409726B2 (ja) * | 2015-09-25 | 2018-10-24 | 株式会社デンソー | 危険度指標変換装置 |
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
JPWO2018138980A1 (ja) * | 2017-01-30 | 2019-11-14 | 日本電気株式会社 | 制御システム、制御方法及びプログラム |
US11378955B2 (en) * | 2017-09-08 | 2022-07-05 | Motional Ad Llc | Planning autonomous motion |
US11899464B2 (en) * | 2018-12-18 | 2024-02-13 | Motional Ad Llc | Operation of a vehicle using motion planning with machine learning |
US20200211394A1 (en) * | 2018-12-26 | 2020-07-02 | Zoox, Inc. | Collision avoidance system |
US11235761B2 (en) * | 2019-04-30 | 2022-02-01 | Retrospect Technology, LLC | Operational risk assessment for autonomous vehicle control |
KR102310491B1 (ko) * | 2019-11-27 | 2021-10-08 | 한국과학기술원 | 자율주행 자동차의 충돌 회피 경로 생성 방법 및 장치 |
-
2021
- 2021-09-10 US US17/471,586 patent/US20220080962A1/en active Pending
- 2021-09-13 KR KR1020210121784A patent/KR102657847B1/ko active IP Right Grant
- 2021-09-14 DE DE102021123721.1A patent/DE102021123721A1/de active Pending
- 2021-09-14 CN CN202111074214.XA patent/CN114185332A/zh active Pending
- 2021-09-14 GB GB2113111.5A patent/GB2603829B/en active Active
- 2021-09-14 GB GBGB2300609.1A patent/GB202300609D0/en not_active Ceased
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100217476A1 (en) * | 2007-10-19 | 2010-08-26 | Toyota Jidosha Kabushiki Kaisha | Vehicle traveling controller |
US20140372017A1 (en) * | 2013-06-14 | 2014-12-18 | Cartasite, Inc. | Vehicle performance detection, analysis, and presentation |
CN206781626U (zh) * | 2017-03-09 | 2017-12-22 | 浙江吉利控股集团有限公司 | 一种车辆防撞预警***及车辆 |
WO2018220439A2 (en) * | 2017-05-30 | 2018-12-06 | Nauto Global Limited | Systems and methods for safe route determination |
KR20200019696A (ko) * | 2017-06-20 | 2020-02-24 | 누토노미 인크. | 자율 주행 능력들을 갖는 차량들에 대한 위험 처리 |
Non-Patent Citations (1)
Title |
---|
陈名扬等: "基于自然驾驶的驾驶员制动行为参数分析", 2015中国汽车安全技术学术会议, 21 March 2018 (2018-03-21), pages 35 - 39 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971217A (zh) * | 2022-05-07 | 2022-08-30 | 南京航空航天大学 | 一种无人机对地风险评估方法及*** |
CN116499772A (zh) * | 2023-06-28 | 2023-07-28 | 天津所托瑞安汽车科技有限公司 | 车辆制动性能评估方法、装置、电子设备及存储介质 |
CN116499772B (zh) * | 2023-06-28 | 2023-10-03 | 天津所托瑞安汽车科技有限公司 | 车辆制动性能评估方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR102657847B1 (ko) | 2024-04-16 |
KR20220036874A (ko) | 2022-03-23 |
US20220080962A1 (en) | 2022-03-17 |
GB202113111D0 (en) | 2021-10-27 |
GB2603829A (en) | 2022-08-17 |
GB202300609D0 (en) | 2023-03-01 |
DE102021123721A1 (de) | 2022-03-17 |
GB2603829B (en) | 2023-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110997387B (zh) | 具有自主驾驶能力的运载工具的风险处理 | |
KR102657847B1 (ko) | 거동 규칙 모델을 사용하는 차량 운행 | |
CN113165668A (zh) | 利用机器学习使用运动规划来操作运载工具 | |
DE112019005425T5 (de) | Redundanz in autonomen fahrzeugen | |
US11568688B2 (en) | Simulation of autonomous vehicle to improve safety and reliability of autonomous vehicle | |
US11681296B2 (en) | Scenario-based behavior specification and validation | |
KR102580085B1 (ko) | 자율 주행 차량의 성능을 평가하기 위한 테스트 시나리오의 선택 | |
CN114510018B (zh) | 用于子***性能评价的度量反向传播 | |
CN114812589A (zh) | 用于运载工具的方法、自主运载工具和存储介质 | |
US20220289198A1 (en) | Automated emergency braking system | |
CN114647522A (zh) | 计算机实现的方法、运载工具和存储介质 | |
KR20220054534A (ko) | 거동 규칙 검사를 사용한 차량 작동 | |
CN115565149A (zh) | 用于对象检测的方法、运载工具和存储介质 | |
CN112014859A (zh) | 估计速率分布 | |
CN114815799A (zh) | 运载工具、用于运载工具的方法和存储介质 | |
CN114812586A (zh) | 用于运载工具的***、方法和存储介质 | |
CN114791731A (zh) | 用于运载工具的***、方法以及计算机可读存储介质 | |
CN114162063A (zh) | 运载工具、用于运载工具的方法和存储介质 | |
US20230331256A1 (en) | Discerning fault for rule violations of autonomous vehicles for data processing | |
WO2022197736A1 (en) | Real time integrity check of gpu accelerated neural network |
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 |