CN114502443A - 用于颗粒物的规划容纳 - Google Patents
用于颗粒物的规划容纳 Download PDFInfo
- Publication number
- CN114502443A CN114502443A CN202080068515.9A CN202080068515A CN114502443A CN 114502443 A CN114502443 A CN 114502443A CN 202080068515 A CN202080068515 A CN 202080068515A CN 114502443 A CN114502443 A CN 114502443A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- probability
- determining
- trajectory
- action
- 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
- 239000013618 particulate matter Substances 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 117
- 239000002245 particle Substances 0.000 claims abstract description 33
- 230000009471 action Effects 0.000 claims description 163
- 230000001133 acceleration Effects 0.000 claims description 67
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000033001 locomotion Effects 0.000 claims description 18
- 230000001965 increasing effect Effects 0.000 claims description 6
- 239000007789 gas Substances 0.000 abstract description 7
- 238000001704 evaporation Methods 0.000 abstract description 3
- 230000008020 evaporation Effects 0.000 abstract description 3
- 238000000859 sublimation Methods 0.000 abstract description 3
- 230000008022 sublimation Effects 0.000 abstract description 3
- 239000000428 dust Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 64
- 230000008447 perception Effects 0.000 description 39
- 230000015654 memory Effects 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 241000282472 Canis lupus familiaris Species 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001172 regenerating effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007728 cost analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003623 enhancer Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- 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
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
-
- 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
- B60W40/02—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
- B60W40/04—Traffic 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
- B60W40/08—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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/12—Lateral speed
- B60W2720/125—Lateral acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Aviation & Aerospace Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Electromagnetism (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
用于检测环境中的物体、确定物体是颗粒物区域的概率以及基于该概率控制车辆的技术。该区域颗粒物可以包括蒸汽(例如,从人孔盖,干燥器排气口等排出)、从车辆(例如,汽车、卡车、摩托车等)排出的废气、灰尘、环境气体(例如,升华、雾、蒸发等产生的)等。基于所述物体是颗粒物区域的相关概率,车辆计算***可以基本保持车辆轨迹、修改车辆的轨迹以确保车辆不撞击物体、停止车辆、或者以其它方式控制车辆以确保车辆以安全的方式继续前进。车辆控制器可基于额外获取的传感器数据和相关联的区域概率来连续地调整轨迹。
Description
相关申请的交叉引用
本PCT国际专利申请是于2019年9月27日提交的题为“用于颗粒物的规划容纳”的美国专利申请第16/586650号的延续并要求其优先权,其全部内容在此引入作为参考。
背景技术
各种方法,装置和***被用于引导自动驾驶车辆通过包括各种静态和动态物体的环境。例如,自动驾驶车辆可以包括传感器,例如激光雷达、雷达、相机等,以检测环境中的运动和静止物体。传感器可另外收集与颗粒物相关联的数据,例如从人孔盖散发的蒸汽,从车辆排出的废气等。在一些实例中,自动驾驶车辆可以利用传感器数据来做出控制决定,例如部分地基于检测到的物体来确定在哪里驾驶。然而,自动驾驶车辆可以将颗粒物感知为要避免的物体,这可以通过使车辆停止或调整路径以避免颗粒物而中断向前的进程。
附图说明
参照附图对来具体实施方式进行描述。在附图中,附图标记最左边的数字标识第一次出现附图标记的图。在不同的图中使用相同的附图标记表示相似或相同的部件或特征。
图1是根据本公开的实例的自动驾驶车辆的车辆计算***可以检测物体并且基于物体与颗粒物(例如水蒸气)的区域相关联的概率来控制车辆的实例。
图2是根据本公开的实例的基于车辆路径中的物体与颗粒物区域相关联的概率来控制车辆的示例性过程。
图3描述了用于实现本文所描述的技术的实例***的框图。
图4描述了用于基于检测到的物体与颗粒物区域相关联的概率来控制车辆的示例性过程。
图5描述了用于使车辆减速以收集关于物体的附加数据以确定该物体是否与颗粒物区域相关联的示例性过程。
图6描述了用于控制车辆以避开可能与颗粒物区域不相关(例如,低概率)的物体的示例性过程。
具体实施方式
本公开涉及用于检测环境中的物体,确定该物体是颗粒物的区域(例如,云)的概率,以及基于该概率控制车辆的技术。颗粒物的区域可以包括蒸汽(例如,从人孔盖射出、干燥器排气口等),来自车辆的排气(例如,汽车、卡车、摩托车等),环境气体(例如,由升华、雾、蒸发等引起的),灰尘的云或其它类型的颗粒物,其可以位于车辆的环境中并且不会影响驾驶行为(例如自动驾驶车辆可以安全地通过颗粒物而不影响平台)。基于物体是颗粒物区域的第一概率,车辆计算***可以基本保持车辆轨迹,从而改善车辆的有效操作。基于物体是颗粒物区域的第二概率,车辆计算***可以修改车辆的轨迹以确保车辆不撞击物体,从而增强车辆和环境中的其它物体的安全性。
车辆可以包括自动驾驶或半自动驾驶车辆,自动驾驶或半自动驾驶车辆利用由一个或多个传感器收集的传感器数据来检测环境中的物体并基于物体导航通过环境。由车辆捕获的传感器数据可以包括由激光雷达传感器捕获的数据,以及由诸如相机传感器、雷达传感器、飞行时间传感器、声纳传感器等的其它传感器捕获的数据。在一些实例中,传感器数据可以被提供给感知***,该感知***被配置为确定或分类环境中的物体的类型(例如,车辆,行人,自行车,摩托车,动物,停放的汽车,树木,建筑物,颗粒物云等)。在各个实例中,感知***可以识别与物体相关联的一个或多个特征,并基于一个或多个特征来确定分类。在各个实例中,感知***可以利用在2018年6月29日提交的题为“具有语义分割的点云过滤”的美国专利申请第16/023878号中描述的技术;其全部内容在此引入作为参考。在一些实例中,感知***可以包括被配置为识别特征并对物体进行分类的机器学习模型。在各个实例中,感知***可以提供与分类相关联的置信度。在这样的实例中,置信度可以包括物体与分类相关联的概率。例如,基于与被检测物体相关联的特征,感知***可以确定物体与颗粒物区域相关联(例如,分类为)的概率(或任何概率)为70%。在各个实例中,物体可能不能被识别为与特定类型的物体(例如,不是行人,汽车,卡车等)相关联。在这样的实例中,感知***可以被配置为确定物体与颗粒物区域相关联的概率。
在一些实例中,概率可以基于与物体相关联的一个或多个特征。特征可以包括物体在环境中的位置(例如,靠近表面、高于表面的高度等)、物体的尺寸(例如,宽度、高度、深度等)、形状(例如,对称、不对称、圆形、椭圆形等)、与另一车辆的接近度、与另一车辆上的位置(例如,与排气相关的位置等)的接近度、物体的轨迹(例如,随时间捕获的运动)等。例如,车辆计算***可以检测环境中的物体,并且可以确定物体的底边距离道路表面大约6英寸,并且到与车辆相同的路段之前和之上操作的另一车辆的距离在阈值距离内。基于高度特征和/或到另一车辆的阈值距离,车辆计算***可以确定物体是颗粒物区域的概率高。
在各个实例中,物体与颗粒物区域相关联的概率可以基于由车辆计算***访问的地图数据。地图数据可以部分地基于来自一个或多个车辆的预先记录的传感器数据来表示关于车辆在其中操作的环境的信息。在一些实例中,车辆计算***可以利用地图数据来导航车辆通过环境。地图数据可以包括与环境中的可驾驶表面(例如街道、道路、路段、交叉口等)和/或已知障碍物(例如环境中的固定物体等)相关联的数据。在一些实例中,地图数据还可以包括排放颗粒物的已知区域,例如人孔盖,干燥器通风口(例如工业干燥器,家用干燥器等)等。在这样的实例中,物体与颗粒物区域相关联的概率可以部分地基于颗粒物排放的已知区域,例如,车辆计算***可以识别环境中的位置处的物体。车辆计算***可访问地图数据以确定位置与人孔盖相关联,人孔盖偶尔具有相关联的颗粒物排放(例如,来自地下的蒸汽)。
在各个实例中,可以利用机器学习技术来确定概率。在这样的实例中,可以用训练数据训练机器学习模型以确定物体与颗粒物区域相关联的概率。训练数据可以包括来自一个或多个车辆的先前捕获的传感器数据,传感器数据被注释以指示存在于环境中的颗粒物的一个或多个区域的地面真实状态。
在各个实例中,车辆计算***可以基于物体与颗粒物区域相关联的概率来确定要采取的动作。动作可以包括保持与车辆的路径相关联的航向和速度(例如,轨迹)、将车辆减速到预定速度、将车辆减速到停止、改变车道和/或调整车道中的位置。在各个实例中,该动作可以基于高于和/或低于一个或多个阈值的概率来确定。在一些实例中,阈值可以与各种概率水平相关联,例如高概率,中等概率,低概率等。在这样的实例中,概率水平可以具有与其相关联的一个或多个动作。例如,基于概率处于或高于物体与颗粒物的区域相关联的第一阈值概率的确定(例如,高概率),车辆计算***可以使车辆保持与车辆的路径相关联的轨迹。对于另一个实例,基于概率处于或低于第一阈值且处于或高于第二阈值的确定(例如,中等概率),车辆计算***可以使车辆减速到预定速度(例如,5公里/小时,10公里/小时,15公里/小时等)。对于又一个实例,基于概率处于或低于第二阈值的确定,车辆计算***可以使车辆停止,以避免与物体碰撞。虽然这些仅仅是说明性的实例,但也考虑到了其它动作和/或与之相关的概率和动作的水平。
在各个实例中,可以基于与动作相关联的成本来确定动作。在一些实例中,车辆计算***可以识别要采取的一个或多个动作,并且可以确定与每个动作相关联的成本(例如,动作成本)。在各个实例中,成本可以基于一个或多个安全性成本(例如,车辆和/或物体的安全性,避免车辆和物体之间的碰撞),舒适性成本(例如,没有突然的运动-例如,通过对大幅度加速度进行处罚,小于车辆和物体之间的最小距离),进度成本(例如,向目的地的移动),操作规则成本(例如道路规则,法律,代码,法规等)等,如在2019年8月13日提交的题为“基于成本的路径确定”的美国专利申请第16/539928号中所述,其全部内容在此引入作为参考。在一些实例中,所选择的动作可以包括具有与其相关联的最低成本的动作。在这样的实例中,该动作可以基于成本优化。
在各个实例中,动作可以基于和物体与颗粒物区域相关联的概率、区域的尺寸、到区域的距离、车辆速度和/或与车辆通过环境相关联的任何其它因素相关联的函数来确定。在一些实例中,一个或多个因素(例如概率,大小,距离,车辆速度等)可以被加权为高于其它的,例如,以对动作选择具有更大的影响。例如,颗粒物区域的尺寸可以被加权为高于到该区域的距离。因此,该尺寸对动作选择的影响可能大于到该区域的距离。
在各个实例中,车辆计算***可以检测可以与颗粒物区域相关联的物体,并且可以确定到物体的距离高于阈值距离(例如,200英尺,100码,100米等)。车辆计算***可确定物体与颗粒物区域相关联的初始概率。基于初始概率高于阈值概率(例如95%,99%等)的确定,车辆可以沿着基本相同的轨迹(例如速度和/或方向)行进。基于初始概率低于阈值概率的确定,车辆计算***可以修改车辆的轨迹。在一些实例中,车辆计算***可以使车辆改变车道,调整在车道中的位置,或者执行另一动作以避开物体。在一些实施例中,车辆计算***可以使车辆减速到预定速度,以便捕获与物体相关联的附加数据。在这样的实例中,车辆计算***可基于附加数据来确定物体与颗粒物区域相关联的更新的概率。例如,车辆计算***可以检测位于车辆前方100米处的物体,该物体与水的区域相关联的概率为20%。车辆计算***可确定100米距离高于阈值距离且20%概率低于阈值概率,并可使车辆减速至每小时10英里捕获与物体相关联的附加数据。车辆计算***可捕获附加数据并确定物体与颗粒物区域相关联的90%的更新的概率。基于更新的概率的确定,车辆计算***可以使车辆按照原始轨迹(例如,在减速之前的轨迹)前进。
在各个实例中,车辆计算***可以检测可能与颗粒物区域相关联的物体。车辆计算***可确定物体与颗粒物区域相关联的概率低于阈值(例如,不可能是颗粒物)。车辆计算***可以确定到物体的距离,并且可以基于距离来确定减速的速率(例如,-3英里/小时/秒,-5英里/小时/秒等)。减速速率可以与施加到车辆制动器的压力、再生制动、降挡、发动机制动或在到达与物体相关的位置之前停止车辆的任何其它方法相关联。通过根据距离确定减速速率,车辆计算***能够保证车辆不与物体接触,从而大大提高了车辆的安全运行。例如,车辆计算***能够确定位于车辆前方25英尺处的物体具有与颗粒物相关联的较低的概率。车辆计算***可以使车辆以每秒15英尺的速度减速,以在物体之前停止。在一些实例中,车辆计算***可以被配置为以最大减速速率(例如,每秒20英尺,每秒25英尺等)使车辆减速,以使对车辆和/或物体的损害最小化。
在一些实例中,基于确定物体与颗粒物区域相关联的概率低于阈值,车辆计算***可以确定避免碰撞所需的横向加速度(例如,2米/秒2,8英尺/秒2等)。在这样的实例中,车辆计算***可以被配置为使车辆横向地(例如转向)调整车辆离开可能与物体相交的路径的位置。在各个实例中,车辆可以在确定横向加速度之前或基本上与确定横向加速度同时确定横向路径没有其它物体。在一些实例中,横向调整位置(例如,改变车道,偏离物体等)的确定可以基于到物体的距离小于阈值距离(例如,30米,40英尺等)。在一些实例中,阈值距离可以包括阈值停止距离。在这样的实例中,车辆计算***可以确定在物体之前停止车辆不是可行的选择,但是可以使用位置调整来避开物体。例如,车辆计算***可以确定物体比每小时行驶25公里的车辆提前15英尺,并且在最大减速速率下,车辆将不能在物体之前停止。因此,车辆计算***可以确定转向到相邻车道并避开该物体所需的横向加速度。
本文讨论的技术可以改进多个途径的自动驾驶车辆控制。例如,传统的自动驾驶车辆控制器可能严重依赖于激光雷达来检测和避开环境中的物体。环境中的颗粒物,例如由排气,蒸汽或诸如蒸发和升华之类的环境因素产生的颗粒物,可以在与激光雷达相关联的光束上产生返回。返回可以使激光雷达检测出自动驾驶车辆控制器可能无法识别的物体。为了避开未识别的物体,自动驾驶车辆控制器可以使车辆制动和/或停止以避开物体,这可能导致车辆行进不稳定和/或不一致。相反,本文的技术检测未识别的物体,确定物体与颗粒物相关联的概率,并基于该概率控制车辆。因此,本文描述的技术通过使自动驾驶车辆更加有效和高效而导致对自动驾驶车辆的改进控制。另外,通过依赖于利用环境中的许多检测特征产生的概率,车辆计算***可以增强与自动驾驶车辆操作相关联的安全性。
本文描述的技术可以以多种方式实现。下面将参考以下附图提供示例性实施方式。虽然在自动驾驶车辆的上下文中讨论本文描述的方法、装置和***可以应用于各种***(例如传感器***或机器人平台),并且不限于自动驾驶车辆。在一个实例中,本文所描述的技术可用于驾驶员控制的车辆中,其中这样的***可向车辆的驾驶员提供执行各种操作是否安全的指示。在另一个实例中,这些技术可以在航空或航海环境中使用,或者在涉及可以与***未知的行为相关联的物体或实体的任何***中使用。另外,本文描述的技术可以与真实数据(例如,使用传感器捕获的)、模拟数据(例如,由模拟器生成的)或两者的任意组合一起使用。
图1示出了根据本公开的实例的环境100,其中自动驾驶车辆104(例如,车辆104)的一个或多个计算***102可以检测物体106,并且基于物体106与颗粒物108的区域相关联的概率来控制车辆104。自动驾驶车辆104可以基于由车辆104的一个或多个传感器110捕获的传感器数据来检测物体106。由传感器110捕获的传感器数据可以包括由激光雷达传感器捕获的数据,以及由诸如相机传感器,雷达传感器,飞行时间传感器,声纳传感器等的其它传感器捕获的数据。在至少一个实例中,传感器数据可以包括包含从物体106反射的光信号的激光雷达数据。在这样的实例中,光信号可以反射出存在于颗粒物108的一个或多个区域中的水分子。
在一些实例中,传感器数据可以被提供给感知组件112,感知组件112被配置为确定与物体106(例如,车辆、行人、自行车、摩托车、动物、停放的汽车、树木、建筑物、颗粒物区域等)相关联的分类。在各个实例中,感知组件112可以基于与物体106相关联的一个或多个特征来确定物体分类。这些特征可以包括物体106的尺寸(例如,宽度、高度、深度等)、形状(例如,几何形状、对称等)、物体106的位置(例如,接近表面、高于表面的高度等)、物体106的轨迹(例如,相对于时间的运动、速度、方向等)、接近另一物体106、接近另一车辆上的位置(例如,与排气相关的位置等)等。例如,感知组件112可以识别与物体106(4)和106(5)相关联的形状,尺寸和轨迹,并且可以确定物体106(4)和106(5)是汽车。对于另一个实例,感知组件112可以确定与物体106(1),106(2)和106(3)相关联的形状,位置,尺寸和轨迹是与颗粒物区域相关联的那些。
在各个实例中,感知组件112可以使用被配置为基于与物体106相关联的特征输出分类的一个或多个机器学习模型。在一些实例中,机器学习的模型可以被配置为输出物体与分类相关联的概率(例如,物体被正确分类的置信度)。在这样的实例中,可以使用训练数据来训练机器学习模型,训练数据包括与颗粒物108的区域相关联的注释特征,例如由一个或多个车辆104在预先记录的传感器数据中捕获的那些。出于这个讨论的目的,焦点将在于确定诸如物体106(1),106(2)和106(3)的物体106与颗粒物区域相关联的概率。然而,感知组件112可以被配置为相对于具有其它分类的物体106执行相同或相似的置信度(例如,概率)确定。
在各个实例中,物体106与颗粒物108的区域(例如,颗粒物云,颗粒物区域等)相关联的概率可以基于与物体106相关联的特征。例如,感知组件112可以检测环境中的物体106(1),并且可以确定物体106(1)的底边位于距离道路的可驾驶表面114约6英寸的高度(H)处,并且到与车辆104相同的路段之前和之上操作的另一车辆(例如物体106(4))的距离在阈值距离内。基于高度特性和/或到另一车辆的阈值距离,车辆计算***可以确定物体是颗粒物区域的概率高(例如93%)。在一些实例中,可以基于与和颗粒物108的区域相关联的特征匹配的特征的数量来增加概率。
在各个实例中,物体106与颗粒物108的区域相关联的概率可以基于由感知组件112访问的地图数据。地图数据可以部分地基于来自一个或多个车辆的预先记录的传感器数据来表示关于环境100的信息。地图数据可以包括与可驾驶表面114(例如街道,道路,路段,交叉口等),已知障碍物(例如环境中的固定物体等)和/或环境中的其它表面(例如人行道等)相关联的数据。在各个实例中,地图数据还可以包括已知的颗粒物排放区域,例如区域116。颗粒物排放的已知区域116可以包括人孔盖,干燥器排气口(例如工业干燥器,家用干燥器等)等。在这样的实例中,物体与颗粒物区域相关联的概率可以部分地基于颗粒物排放的已知区域。例如,车辆计算***可以识别环境中的位置处的物体。下水道等。例如,多个车辆可以行进通过环境100,并且在一个位置捕获传感器数据,该传感器数据包括从可驾驶表面114发射的颗粒物108(3)的区域。被配置为生成地图数据的计算***(例如,车辆计算***,远程计算***等))可以基于从多个车辆捕获的传感器数据来确定颗粒物108(3)的区域与颗粒物排放的已知区域116相关联。
在一些实例中,感知组件112可以比较与物体106相关联的位置,并且基于与已知的颗粒物排放区域116的接近度来确定物体106与颗粒物108的区域相关联的概率增加。例如,感知组件112可以检测环境100中的物体106(3)。感知组件112可以访问地图数据以确定与已知颗粒物排放的区域116相关联的位置接近物体106(3)(例如,在阈值距离内,从等发射)。感知组件112可以部分地基于已知的颗粒物排放区域116来确定物体106(3)具有与颗粒物108(3)的区域相关联的高概率(例如90%,95%等)。
在各个实例中,物体106与颗粒物108的区域相关联的概率可以基于与其相关联的轨迹118。在各个实例中,感知组件112可以在一段时间内收集感知数据,并确定与物体106相关联的轨迹118。轨迹118可以包括检测到的物体106在一段时间内的移动,例如行进的距离,速度等。感知组件112可以部分地基于轨迹118来确定概率。在说明性的实例中,感知组件112可以在物体106(2)沿着轨道118随时间移动时检测物体106(2)。部分基于物体106(2)的移动,感知组件112可以确定物体106(2)与颗粒物108(2)的区域相关联。
在各个实例中,概率可以附加地或可选地部分地基于物体106(2)的形状和/或物体106(2)沿轨迹118的尺寸。在这样的实例中,感知组件112可以识别颗粒物的耗散和物体106(2)的尺寸随时间的减小。在各个实例中,感知组件112可以基于物体106(2)沿轨迹118的形状和/或尺寸来确定物体106(2)与颗粒物108(2)的区域相关联的概率。
在各个实例中,车辆104的规划组件120可以被配置为从感知组件112接收数据并基于该数据控制车辆104。在各个实例中,数据可以包括将物体106分类为颗粒物108的区域和/或物体106与颗粒物108的区域相关联的概率。在各个实例中,规划组件120可以基于物体106与颗粒物108的区域相关联的概率来确定要采取的动作。该动作可以包括保持与车辆104的路径相关联的航向和速度(例如,轨迹),将车辆104减慢到预定速度(例如,每小时10英里,每小时20公里等),停止车辆104,改变车道,和/或调整在车道中的位置。在各个实例中,规划组件120可以基于该动作来确定车辆104行进的一个或多个轨迹。
在各个实例中,可以基于高于和/或低于一个或多个阈值概率的概率来确定动作。在一些实例中,阈值可以与各种概率水平相关联,例如高概率,中等概率,低概率等。在一些实例中,每个概率水平(例如,高于/低于不同阈值的概率)可以具有与其相关联的一个或多个动作。例如,基于物体106(3)与颗粒物108(3)的区域相关联的高概率的确定(例如,处于或高于第一阈值的概率),规划组件120可以确定该动作包括保持车辆104的航向和速度(例如,保持轨迹)。对于另一个实例,基于物体106(3)与颗粒物108(3)的区域相关联的低概率的确定(例如,在第二阈值或低于第二阈值的概率),规划组件120可以确定该动作包括停止车辆。对于又一个实例,基于物体106(3)与颗粒物108(3)的区域相关联的中等概率的确定(例如,在第一阈值或低于第一阈值且在第二阈值或高于第二阈值的概率),规划组件120可以确定将车辆减速到预定速度(例如,每小时15公里,每小时9英里等)。
在各个实例中,规划组件120可以被配置为基于与概率(物体106与颗粒物区域相关联的概率)相对应的函数来确定车辆104要采取的动作、该区域的尺寸、距该区域的距离、车速、与车辆轨迹相关联的车道宽度和/或附加缓冲(例如,安全缓冲器,与物体106保持的距离等),和/或与车辆行驶通过环境相关联的任何其它因素。在一些实例中,一个或多个因素(例如,概率、尺寸、距离、车辆速度等)可以被加权为高于其它因素,以便对动作选择具有更大的影响。例如,颗粒物区域的尺寸可以被加权为高于到该区域的距离。因此,该尺寸对动作选择的影响可能大于到该区域的距离。
在各个实例中,规划组件120可以被配置为基于概率来确定车辆104可以采取的两个或多个动作,并且可以基于与每个动作相关联的成本分析来选择动作,例如利用并入本文的于2019年8月13日提交的美国专利申请第16/539928号中描述的技术。在至少一些这样的实例中,这样的成本可以包括,例如,基于车道中可用的宽度的成本(例如,使得成本相对于车辆的宽度和/或附加缓冲成指数增加)。作为非限制性实例,成本可以是多项式的、指数地、或者是车道宽度相对于阈值宽度的函数。在一些实例中,这种成本可以基于到最近物体的距离,该距离可以包括可驾驶表面的边界。
在一些实施例中,与安全相关的成本(例如,安全性成本)可以基于车辆104和物体106之间的碰撞概率。在一些实例中,如果碰撞概率大于表明可能发生碰撞(例如40%,51%等)的预定义阈值,则安全性成本可以包括固定成本(例如60,80,100等)。在一些实例中,固定成本可以包括高于阈值的成本值,使得车辆计算***不能选择与其相关联的动作。在这样的实例中,碰撞的概率可以包括对车辆104可以采取的行动的约束。在各个实例中,安全性成本可以包括物体106与颗粒物108的区域相关联的概率的函数。例如,安全性成本可以随着物体106与颗粒物108的区域相关联的概率的减小而增加。在一些实例中,安全性成本可以基于车辆104和物体106的相对位置和/或轨道/轨迹。在这样的实例中,车辆104(在车辆轨迹上行驶)越接近物体106,安全性成本可能会增加。
在各个实例中,舒适性成本可以与估计加速度(例如正,负,侧向等)和/或与响应于物体106的检测而确定的关联于车辆轨迹的估计加速度变化(例如颠簸)相关联。在一些实例中,舒适性成本可以与执行相关联的动作的车辆104和物体106之间的距离相关联。在这样的实例中,舒适性成本可以与车辆104和物体106之间的最近的接近点相关联。在一些实例中,舒适性成本可以与和动作相关联的通过速度相关联。在一些实例中,舒适性成本可以与车辆104和物体106之间的相对速度相关联。在其它实例中,车辆104和/或被考虑物体106的任何其它状态/控制可以用于确定舒适性成本(例如,与其它车辆的距离有多近-这可以被计算为最近邻,或者下一个最近邻,转向速率,旋转速率,速度等)。
在各个实例中,进度成本可以包括车辆104向目的地移动的进度。在一些实施例中,可以基于车辆104的速度变化和/或由车辆停止,减速等引起的车辆104的延迟来计算进度成本。在一些实例中,进度成本可以包括与归因于动作的延迟秒数基本相似的值。在这样的实例中,包括在与物体106相关联的位置之前减慢和/或停止车辆的动作可以与比与包括在物体106周围导航的动作相关联的进度成本更高的进度成本相关联。
在各个实例中,操作规则成本可以基于道路规则(例如,交通运输部门法律,代码,法规等)、良好驾驶规则、区域驾驶习惯(例如,普通驾驶练习),驾驶礼让(例如,调整在车道中的位置以提供另一辆车通过右侧转弯的空间,不占用自行车车道等)。在各个实例中,可以基于被破坏和/或满足的一个或多个规则来计算与动作相关联的操作规则成本。在这样的实例中,可以基于被破坏或未实现的规则(例如规则,习惯,礼让等)来增加操作规则成本,和/或基于被满足或实现的规则来减少操作规则成本。例如,与将车道改变为即将到来的交通相关联的动作可包括打破车辆104应当保留在指定用于沿与规划的车辆轨迹(例如,原始车辆路径,轨迹等)相关联的方向操作的交通的车道中的规则。与涉及车道中车辆104的位置调整的动作相比,该动作可以包括更高的操作规则成本。
在各个实例中,可以基于与对应于车辆所行驶的车道的车道标记相关联的规则、规定等来确定操作规则成本(例如,在物体106的检测期间)。在这样的实例中,车道标记的颜色和/或车道标记是否是实心的和/或坏的会导致与动作相关联的操作规则成本。例如,与跨越双黄线相关联的动作可能具有与之相关联的高操作规则成本(例如40,50等)。对于另一个实例,断开的白线可能具有与之相关联的低操作规则成本(例如,5,10等)。
在各个实例中,可以按照重要性的顺序对成本进行排序或加权。在一些实例中,成本(例如,安全性,舒适性,进度,操作规则)中的至少一个可以包括被加权为高于其它成本的成本。例如,安全性可以被加权为高于其它因素。在这样的实例中,规划组件120可以在确定车辆104要采取的行动时强调安全性高于其他因素。
在一些实例中,规划组件120可以基于与其相关联的最低成本来确定要采取的动作。在这样的实例中,该动作可以基于成本优化。例如,规划组件120可以接收物体106(1)与颗粒物108(1)的区域相关联的概率为70%的指示。规划组件120可以确定70%概率低于第一阈值概率并且高于第二阈值概率。基于该确定,规划组件120可以确定车辆104可以执行包括减速到预定速度的第一动作或包括车道改变以避开物体106(1)的第二动作。规划组件120可以确定与减速车辆104相关联的成本小于与改变车道相关联的成本,并且可以基于成本分析使车辆104减速到预定速度。
在各个实例中,感知组件112可以向规划组件120提供车辆104和物体106(1)之间的距离(D)以及物体106(1)与颗粒物108(1)的区域相关联的概率。在各个实例中,规划组件120可以确定距离(D)高于阈值距离(例如150英尺,80米等)。在一些实施例中,阈值距离可以包括编程到计算***102中的预定阈值距离。在一些实施例中,阈值距离可以基于一个或多个因素动态地确定,如车速,与可驾驶表面114相关联的速度限制,检测物体106的数量,在环境100中检测的物体106的类型,天气(例如雨,雪,雾等),与环境相关联的区域或片区(例如学校区域,住宅区域,建筑区域等)等。
在一些实例中,基于距离(D)高于阈值距离的确定,规划组件120可以确定概率对应于初始概率。在各个实例中,基于初始概率处于或高于阈值概率(例如91%,99%等)的确定,规划组件120可以使车辆104保持轨迹。在这样的实施例中,车辆104可以保持与通过环境100的规划的车辆路径相关联的航向和速度。例如,规划组件120可以以高概率确定物体106(1)与颗粒物108(1)的区域相关联。规划组件120因此可以保持车辆轨迹操作通过颗粒物108(1)的区域内。
在一些实例中,基于初始概率处于或低于阈值概率的确定,规划组件120可以使车辆104降低速度(例如,减速)。在这样的实例中,降低的速度可以为感知组件112收集关于物体106的附加数据提供时间以确定更新的概率。在一些实例中,速度可以动态地确定,例如基于上述因素中的一个或多个(例如,车辆速度,速度限制,天气等)。在各个实例中,速度可以包括预定速度(例如,10英里/小时,8英里/小时,18公里/小时等),例如编程到计算***102中的速度。在一些实例中,预定速度可以基于一个或多个安全因素,例如对车辆104、物体106等的乘客的影响最小,以便使车辆104的安全操作最大化。
在各个实例中,规划组件120可以在一段时间(例如,0.1秒,0.5秒,1秒等)之后接收更新的概率。在一些实例中,更新的概率可以基于在与初始概率相关联的第一时间和与更新的概率相关联的第二时间之间捕获的数据。在一些实例中,更新的概率可以与在第二时间捕获的数据相关联,例如在距离(D)的一部分处。在各个实例中,规划组件120可以将更新的概率与一个或多个阈值进行比较,以确定车辆104要采取的行动。例如,基于更新的概率处于或高于上阈值的确定,规划组件120可以使车辆加速回到初始速度(例如,减速之前的速度,与通过环境100的规划的车辆路径相关联的速度,等等)。对于另一个实例,基于更新的概率处于或低于上阈值以及相邻车道畅通的确定,规划组件120可以确定使车辆104将车道改变为相邻车道,以便避开物体106(1)。在又一个实例中,基于更新的概率处于或低于较低阈值的确定,规划组件120可以使车辆在物体106(1)之前停止(例如,避免与物体106(1)的碰撞)。
在各个实例中,规划组件120可以接收车辆104和物体106(1)之间的距离(D),并且可以确定距离(D)小于阈值距离,使得不足以捕获附加数据和确定更新的概率。在一些实例中,规划组件120可以接收物体106(1)与颗粒物108(1)的区域相关联的概率。基于概率小于阈值概率(例如,低概率)的确定,规划组件120可以确定使车辆在物体106(1)之前停止,以避免与其发生碰撞。
在各个实例中,规划组件可以基于车辆104和物体106(1)之间的距离(D)来确定减速速率(例如,负加速)(例如,-3英里/小时/秒,-5英里/小时/秒等)。减速速率可以与施加到车辆104的一个或多个制动器的压力,再生制动,降挡,发动机制动或在到达与物体106(1)相关联的位置之前停止车辆104的任何其它方法相关联。通过基于距离(D)确定减速速率,规划组件120可以确保车辆104不接触物体106(1),从而大大提高车辆104的安全操作。例如,规划组件120可以确定车辆与物体106(1)之间的距离(D)是35英尺,并且物体106(1)与颗粒物108(1)的区域相关联的概率低。规划组件120可以使车辆104以每秒15英尺的速度减速,以在物体106(1)之前停止。
在一些实例中,规划组件120可以被配置为以最大减速速率(例如,每秒20英尺,每秒25英尺等)使车辆减速。在这样的实例中,最大减速速率可以基于能够施加到制动器上的最大压力量,最大再生制动,最低降挡,最大发动机制动等,以便在该位置之前尽可能地使车辆104减速,从而使对车辆104和/或物体106(1)的损坏最小化。
在各个实例中,基于确定物体106(1)与颗粒物108(1)的区域相关联的概率低于阈值,规划组件120可以确定横向调整位置,以避开物体106(1)。在一些实例中,横向移动的确定可以基于横向路径没有物体106(例如其它车辆,摩托车,骑行者等)的确定。在这样的实例中,确定横向路径畅通可以基于传感器数据和/或来自感知***的至少相邻车道的阈值区域没有物体106的指示。阈值区域可以与过渡到相邻车道所需的区域相关联,而不会在物体106前面或后面的阈值距离内侵入。例如,阈值区域可以确保车辆104不会切断在相邻车道中运行的另一车辆。对于另一个实例,阈值区域可以确保车辆104不会改变车道以在不舒适的距离(例如,小于5英尺等)跟随在另一车辆后面。
在一些实例中,横向移动的确定,例如偏离可能与物体106(1)相交的路径的确定,可以基于车辆104的距离(D)和/或速度。在这样的实施例中,如果在到达与物体106(1)相关联的位置之前,车辆104和物体106(1)之间的距离(D)小于阈值和/或小于停止车辆104(以特定速度行进)所需的距离,规划组件120可以使车辆104横向移动。例如,规划组件120可以确定到物体106(1)的距离(D)是在每小时行驶20英里的车辆104前面15英尺,在最大减速速率下,车辆104不能在物体106(1)之前停止。规划组件120因此可以确定偏离进入相邻车道所需的横向加速度,并避开物体106(1)。在一些实例中,横向加速度,最大减速速率和/或确定横向移动可以基于如上的基于成本的分析。在这样的实施例中,偏离物体106(1)的路径的确定和/或与运动相关联的横向加速度可以基于与动作相关联的安全性成本、舒适性成本、进度成本和/或操作规则成本中的一个或多个。
在各个实例中,规划组件120可以确定与横向移动相关联的横向加速度(例如,每秒2米,每秒8英尺等),例如避开物体106(1)所需的横向加速度。横向加速度可以基于距离(D)和/或车辆104的速度。在这样的实例中,物体106(1)离车辆104越近和/或车辆104通过环境100的速度越快,避开物体106(1)所需的横向加速度就越大。
图2是根据本公开的实例,基于车辆路径中的物体106(1)与颗粒物108(1)的区域相关联的概率来控制车辆104的示例性过程200。
操作202包括检测环境100中的物体106(1)和106(4)。在各个实例中,可以基于从一个或多个传感器捕获的数据来检测物体106(1)和106(4)。由传感器捕获的传感器数据可以包括由激光雷达传感器捕获的数据,以及由诸如相机传感器,雷达传感器,飞行时间传感器,声纳传感器等的其它传感器捕获的数据。在至少一个实例中,传感器数据可以包括含有从物体106(1)和106(4)反射的光信号的激光雷达数据。在一些实例中,光信号可以反射出存在于颗粒物108(1)区域中的水分子。
在各个实例中,诸如计算***102的车辆计算***可以被配置为确定与物体106(1)和106(4)相关联的分类。该分类可以包括与物体106(1)和106(4)相关联的类别或类型,例如行人、汽车、卡车、骑行者、助力车、火车、颗粒物区域(例如云)等。作为示例性实例,车辆计算***可以将物体106(4)识别为车辆,并且将物体106(1)识别为颗粒物区域。在一些实例中,车辆计算***可以处理激光雷达返回物(例如,从物体106(1)反射的光),但是可能不能确定与诸如物体106(1)的物体相关联的分类。在这样的实例中,基于缺乏分类,车辆计算***可以确定物体106(1)可以包括颗粒物108(1)的区域。
操作204可包括确定物体与颗粒物108(1)的区域相关联的概率。在各个实例中,概率可以包括物体106(1)被正确地分类为颗粒物108(1)的区域的置信度。在这样的实例中,车辆计算***可以与分类基本同时地确定置信度(例如概率)。在一些实例中,该概率可以表示在没有分类的情况下,物体106(1)包括颗粒物108(1)的区域的概率。在这样的实例中,概率可以包括物体106(1)是颗粒物108(1)的可能性。
在各个实例中,车辆计算***可以基于与物体106(1)相关联的一个或多个特征来确定概率。特征可以包括物体106(1)在环境中的位置(例如,靠近表面,高于表面的高度等)、物体106(1)的尺寸(例如,宽度、高度、深度等)、形状(例如,对称的、不对称的、圆形的、椭圆形的等)、物体106(1)与诸如物体106(4)的车辆的接近度(例如,与产生废气的车辆(例如,汽油或柴油驱动的汽车,卡车等)的接近度)、与另一车辆上的位置的接近度(例如,与排气相关联的位置)、物体106(1)的轨迹(例如,随时间捕获的运动)等。例如,车辆计算***可以检测物体106(1),并基于云状形状和与物体106(4)的接近度来确定物体106(1)与颗粒物108(1)的区域相关联的概率为80%。
在一些实例中,车辆计算***可以基于与环境100相关联的地图数据来确定概率。地图数据可以表示关于车辆在其中操作的环境100的信息。在一些实例中,地图数据可以基于来自一个或多个车辆104的预先记录的传感器数据来生成。地图数据可以包括与环境中的可驾驶表面(例如街道,道路,路段,交叉口等)和/或已知障碍物(例如环境中的固定物体等)相关联的数据。在一些实例中,地图数据还可以包括颗粒物排放的已知区域,例如人孔盖,干燥器通风口(例如工业干燥器,家用干燥器等)等。在这样的实例中,物体106(1)与颗粒物108(1)的区域相关联的概率可以部分地基于颗粒物排放的已知区域。
在各个实例中,车辆计算***可以利用机器学习技术来确定概率。在这样的实例中,可以用训练数据训练机器学习模型以确定物体106(1)与颗粒物108(1)的区域相关联的概率。在一些实例中,训练数据可以包括预先记录的传感器数据,传感器数据用所识别的颗粒物区域(例如颗粒物区域108(1))注释。在一些实例中,注释可以包括特征。在各个实例中,机器学习的模型可以被训练以基于地图数据来识别颗粒物108(1)的区域,如上所述。
操作206包括至少部分地基于概率来确定车辆采取的动作210。在各个实例中,车辆计算***可以确定车辆的轨迹(例如,初始轨迹,第一轨迹等),例如在与初始位置208相关联的时间确定的轨迹。初始轨迹可以包括与例如沿着到目的地的路径行驶通过环境的车辆相关联的行驶方向和速度(或多个速度)。在各个实例中,动作210,例如第一动作210(1),可以包括保持初始轨迹。在一些实例中,车辆计算***可以基于物体106(1)与颗粒物108(1)的区域相关联的概率高于第一阈值概率(例如,95%,98%)的确定,使车辆执行第一动作210(1)。在这样的实例中,车辆计算***可以确定,由于被检测物体106(1)包括颗粒物的高概率,车辆104能够沿着初始轨迹安全地行进到目的地。
在各个实例中,动作210,诸如动作210(2),210(3)和210(4)可以包括将轨迹修改为第二(修改后的)轨迹。在示例性实例中,第二动作210(2)包括通过降低与之相关联的速度(例如,与初始轨迹相比)来修改轨迹。在各个实例中,与修改的轨迹相关联的修改的(或第二)速度可以包括预定速度(例如,每小时9公里,每小时15公里等)。在这样的实施例中,预定速度可以与用于车辆操作的安全协议相关联,从而确保车辆、车辆乘员和在环境100中操作的其他人员的最大安全性。在一些实例中,可以基于一个或多个因素动态地确定与修改的轨迹相关联的速度。这些因素可以包括车辆104的速度,与环境100相关联的速度限制,多个检测物体106,在环境100中检测的物体106的类型,天气(例如雨,雪,雾等),与环境100相关联的区域或片区(例如学校区域,住宅区域,建筑区域等)等。在这样的实例中,车辆计算***可以确定接近环境100中的物体106(1)的安全速度,从而确保在任何条件(例如,不同的环境,天气等)下的安全操作。例如,车辆计算***可以检测物体106(1)并确定车辆104在学校区域中。基于学校区域,车辆计算设备可以使车辆减速到每小时7英里,以允许车辆继续前进,但是如果出于安全原因而需要的话,能够在非常短的距离内停止。
在一些实例中,车辆计算***可以基于成本分析来确定执行第二动作210(2),第三动作210(3)和/或第四动作210(4)中的一个或多个。在这样的实例中,车辆计算***可以计算与每个动作相关联的成本(例如,安全性成本,舒适性成本,进度成本和/或操作规则成本等),并且可以选择最低成本的动作来执行。在一些实例中,车辆计算***可以至少部分地基于成本优化来选择车辆104要采取的动作。
在各个实例中,车辆计算***可以基于概率小于第一阈值概率的确定来确定执行第二动作210(2)。在一些实例中,可以响应于概率小于第一阈值距离并且大于或等于第二阈值(例如,50%,60%等)的确定来执行第二动作210(2)。在这样的实例中,车辆计算可以基于物体106(1)与颗粒物108(1)的区域相关联的中等概率存在的确定而使车辆104减速。
在各个实例中,车辆计算***可以部分地基于车辆104和物体106(1)之间的距离(D)来确定执行第二动作210(2)。在一些实例中,基于距离(D)高于阈值距离(例如100英尺,100米等)的确定,车辆计算***可以使车辆104执行第二动作210(2)。在这样的实例中,车辆计算***可以被配置为收集关于物体106(1)的附加数据,以确定物体106(1)与颗粒物108(1)的区域相关联的更新的概率。在一些例如,车辆计算***可以基于更新的概率来确定物体106(1)与颗粒物108(1)的区域相关联的高置信度。基于更新的概率,例如,车辆计算***可以使车辆104恢复初始轨迹和/或确定车辆104行驶通过环境100到达目的地的更新轨迹。例如,车辆计算***可以确定更新的轨迹高于第一阈值概率和/或与行进到目的地的车辆104相关联的另一轨迹,并且可以使车辆加速到与初始轨迹相关联的速度。
在各个实例中,车辆计算***可以使车辆以预定的减速速率(例如,每秒3英尺,每秒2米,等)从初始轨迹减速到与第二动作210(2)相关联的修改轨迹。减速速率可以与施加到车辆制动器上的压力量,再生制动,降挡,发动机制动,或任何其它将车辆减速到与修改的轨迹相关联的速度的方法相关联。在一些实例中,车辆计算***可以基于概率来确定减速速率。例如,车辆计算***可以基于概率为50%的确定以每秒5英尺的速度减速车辆,并且基于概率为80%的确定以每秒3英尺的速度减速车辆。在至少一些实例中,这种减速可以不是预先确定的,而是至少部分地基于概率、蒸汽的相对位置等。
附加地或作为减慢车辆104的前进速度的替代,并且如第三动作210(3)所示,车辆计算***可以修改与初始轨迹相关联的行驶方向。虽然图示为车道改变,但是第三动作210(3)可以包括任何其它安全的横向操作以允许在物体106(1)周围的导航,例如修改在车道中的位置、部分或完全在路肩上操作等。在一些实例中,车辆计算***可以基于低于第一阈值概率的概率使车辆104执行第三动作210(3)。在一些实例中,第三动作210(3)可基于低于第一阈值且高于第二阈值的概率来选择。在这样的实例中,车辆计算***可以基于物体106(1)与颗粒物108(1)的区域相关联的中等概率,使车辆执行第三动作210(3)。当然,虽然本文根据阈值进行了描述,但这并不意味着是这样的限制。例如,虽然一些实例可以设置用于制定决策的固定阈值,应当理解,本文对阈值的任何讨论也可以是指以这样的方式建立的成本表达,使得基于达到或接近这样一个阈值的成本优化在两个结果之间发生转换。在各个实例中,考虑硬约束(例如,用于决定的固定阈值)以及表示成本优化中的转变的阈值的组合。
在各个实例中,车辆计算***可以确定横向路径(例如,相邻车道)没有其它车辆,摩托车,骑行者等。在一些实施例中,横向路径畅通的确定可以基于传感器数据和/或来自感知***的至少相邻车道(或其它操作区域,例如路肩等)的阈值区域212畅通(例如,未被占用)的指示。在一些实例中,阈值区域212可以与过渡到相邻车道所需的区域相关联,而不会侵入物体106前面或后面的阈值距离内。例如,阈值区域212可以确保车辆104不会干扰在相邻车道中操作的另一车辆的行驶(例如,切断等)。在一些实施例中,验证阈值区域212是畅通的可以确保车辆104不会侵入其它操作员(例如,其它车辆,摩托车,骑行者等),例如,如果车辆104将车道中的位置调整为更靠近相邻车道。在这样的实例中,此处所描述的技术可以确保车辆104行驶对其它操作者的影响最小,在安全性和舒适性方面。
在各个实例中,车辆计算***可以确定与第三动作210(3)相关联的横向加速度(例如,1米/秒/秒,5英尺/秒/秒等)。在一些实例中,横向加速度可以包括预定的横向加速度(例如,3英尺/秒/秒,1米/秒/秒等),例如指定用于车道改变操作的横向加速度。在一些实例中,可以基于与环境100相关联的一个或多个因素,例如车辆104速度,速度限制,天气,区域或片区等,动态地确定横向加速度。在各个实例中,横向加速度可以基于车辆104和物体106(1)之间的距离(D)和/或车辆104的速度。在这样的实例中,物体106(1)离车辆104越近和/或车辆104行驶通过环境100的速度越快,横向加速度越大。
在各个实例中,车辆计算***可以使车辆104修改初始轨迹以在与物体106(1)相关联的位置之前停止车辆104,如图2中描绘的作为第四动作210(4)。在一些实例中,执行第四动作210(4)的确定可以基于低于第二(或低)阈值(例如25%,10%等)的概率。在这样的实施例中,基于物体106(1)与颗粒物108(1)的区域相关联的概率低的确定,车辆计算***可以使车辆104在与物体106(1)相关联的位置之前停止。
在各个实例中,车辆计算***可以确定车辆104的减速速率(例如,负加速)(例如,-6英里/小时/秒,-10英里/小时/秒等)。在一些实例中,减速速率可以包括预定速率。预定速率可以包括存储在车辆计算***中的减速速率,用于当车辆104应当在与物体106(1)相关联的位置之前停止时使用。在一些实例中,预定速率可以包括固定的减速速率。在一些实施例中,基于执行第四动作210(4)的确定,车辆计算***可以使固定量的压力施加到制动器。在一些实施例中,该车辆计算***可以引起预定量的发动机制动(例如,预定的每分钟转数等),预定的降挡(例如,一个挡位,两个挡位等的减速)等。在一些实例中,预定速率可以基于车辆104的距离(D)和/或速度。例如,对于20英尺的距离和25英里/小时的速度,车辆计算设备可以确定减速速率应当是20英尺/秒/秒。
在各个实例中,减速速率可以基于距离(D)和与环境100相关联的一个或多个因素,例如本文的那些因素来动态地确定。在这样的实施例中,例如,车辆计算设备可以处理与因素相关联的数据,并确定适合于环境100的减速速率。例如,车辆计算设备可以确定道路的可驾驶表面是湿的(例如,雨淋,喷洒车溢出等),并且由于这些条件,可能需要15英尺/秒/秒的减速速率来停止车辆104(其中在干燥路况中可能需要较小的速率)。
在一些实例中,减速速率可以基于车辆是否被占用。在这样的实例中,车辆计算***可以确定车辆104中存在一个或多个乘客,例如通过乘客舱中的一个或多个传感器,并且可以基于乘客来调整减速速率。例如,对于空的车辆,车辆计算***可以使用比占用的车辆增加的减速速率,反之亦然。在一些实例中,减速速率可以基于乘客(例如,人(例如,成人,儿童,婴儿等),动物(例如,狗,猫等)等)的类型或分类。在这样的实例中,车辆计算***可以被配置为基于从乘客舱中的传感器接收的传感器数据来确定乘客的分类或类型,并且基于分类或类型来确定减速速率。例如,车辆计算***可以确定乘客舱容纳成人和狗。车辆计算***可以确定,为了防止狗变成发射物,在没有犬乘客的类似情况下,减速速率可以小于与车辆104相关联的减速速率。
在一些实例中,车辆计算***可以被配置为以最大减速速率(例如,20英尺/秒/秒,25英尺/秒/秒)使车辆104减速。在一些实例中,最大减速速率可以基于能够施加到制动器上的最大压力量、最大降挡、发动机制动极限等,以便在位置之前尽可能使车辆104减速,以最小化对车辆104和/或物体106(1)的损坏。在一些实例中,最大减速速率可以包括预定的最大速率。在一些实例中,最大减速速率可以与能够施加到制动器上的预定最大压力量,最大降挡,最大发动机制动量等相关联。在这样的实例中,最大减速速率可以基于因素。例如,在潮湿和/或雪天条件下的最大减速速率可以小于在干燥条件下的最大减速速率。在一些实施例中,最大减速速率可以基于车辆104是否被占用来确定。在这样的实例中,车辆计算***可以确定车辆104中存在一个或多个乘客,并且可以基于例如乘客来调整最大减速速率。例如,对于空的车辆104,最大减速速率可以高于占用的车辆104。在一些实例中,最大减速速率可以基于占用车辆的乘客的类型或分类来确定。在这样的实例中,车辆计算***可以被配置为最大化车辆104的乘员的安全性,例如对于易受伤的乘员(例如年轻,体弱等),通过降低最大减速速率。
在各个实例中,基于车辆104不能在与物体相关联的位置之前停止的确定,车辆计算***可以使车辆执行第三动作210(3),如上文所述。例如,车辆计算***可以确定在最大减速速率下,车辆将不能停止在距离(D)中。如上所述,车辆计算***可以确定阈值区域212未被占用,并且可以确定避开物体106(1)所需的横向加速度(例如,偏离道路)。在这样的实例中,横向加速度可以基于距离(D)和与环境100相关联的因素,例如车辆104速度、路况、天气等。
车辆计算***可以基于对车辆的乘员和/或存在于环境中的其他乘员(例如,其他车辆的乘员等)的安全考虑来选择动作210。因此,本文描述的技术可以大大提高自动驾驶车辆操作的安全性。
图3示出了用于实现本文所描述的技术的示例性***300的框图。在至少一个实例中,***300可以包括车辆302,例如车辆104。车辆302可以包括自动驾驶、半自动驾驶或手动控制的车辆。
车辆302可包括车辆计算设备304,一个或多个传感器***306(例如图1的传感器110),一个或多个发射器308,一个或多个通信连接件310,至少一个直接连接件312和一个或多个驱动***314。车辆计算设备304可以包括一个或多个处理器316和与一个或多个处理器316通信耦合的存储器318。在示例性实施例中,车辆302是自动驾驶车辆;然而,车辆302可以是具有至少一个图像捕获设备(例如,启用相机的智能电话)的任何其它类型的车辆或机器人平台。在所示的实例中,车辆计算设备304的存储器318存储定位组件320、感知组件322、规划组件324、一个或多个***控制器326和一个或多个地图328。虽然为了说明的目的,在图3中被描绘为驻留在存储器318中,可以设想,定位组件320、感知组件322、规划组件324、一个或多个***控制器326和一个或多个地图328可以附加地或可选地可由车辆302访问(例如,存储在远离车辆302的存储器上或由远离车辆302的存储器访问)。
在至少一个实例中,定位组件320可以包括从传感器***306接收数据以确定车辆302的位置和/或方位(例如,x-,y-,z-位置,侧滚,间距或偏航中的一个或多个)的功能。例如,定位组件320可以包括和/或请求/接收环境的地图,并且可以连续地确定自动驾驶车辆在地图内的位置和/或方位。在一些情况下,定位组件320可以利用SLAM(同时定位和地图)、CLAMS(同时校准、定位和地图)、相对撞击、捆束调整、非线性最小二乘优化或接收图像数据的类似物、激光雷达数据、雷达数据、飞行时间数据、IMU数据、GPS数据、车轮编码器数据等以精确地确定自动驾驶车辆的位置。在一些情况下,定位组件320可以向车辆302的各个部件提供数据,以确定自动驾驶车辆的初始位置,用于生成轨迹,用于确定检索地图数据等,如本文所讨论的。
在一些情况下,感知组件322可以包括执行物体检测、分割和/或分类的功能。在一些实施例中,感知组件322可提供经处理的传感器数据,其指示接近车辆302的实体或物体的存在和/或实体作为实体类型的分类(例如,汽车、车轮、行人、骑行者、动物、建筑物、树木、路面、路缘石、人行道、红绿灯、停车标志、车道标志、车灯、未知物等)。在附加的或可选的实例中,感知组件322可以提供经处理的传感器数据,经处理的传感器数据指示与被检测的实体(例如,被跟踪的物体)和/或实体所处的环境相关联的一个或多个特征。在一些实施例中,与实体相关联的特征可以包括,但不限于,x位置(全球和/或本地位置)、y位置(全球和/或本地位置)、z位置(全球和/或本地位置)、方位(例如、侧滚、间距、偏航)、实体类型(例如、分类)、实体的速度、实体的加速度、实体的范围(尺寸)等。与环境相关的特征可以包括,但不限于,环境中另一个实体的存在、环境中另一个实体的状态、一天中的时间、一周中的一天、季节、天气状况、黑暗/光线的指示等。
在感知组件322执行检测的那些实例中,感知组件322可以输出图像中检测到的物体的检测和/或物体的特征。这样的检测可以包括被检测物体的二维边界框(其随后可以用于裁剪图像)和/或掩模。在一些实例中,这种检测可以利用机器学习方法(例如,尺度不变特征变换(SIFT),定向梯度直方图(HOG)等),随后是支持向量机(SVM),以对从相机接收的图像中描绘的物体和/或从传感器***306的激光雷达传感器接收的激光雷达数据进行分类。可选地或附加地,检测可以利用基于卷积神经网络(CNN)的深度学习方法来分类由传感器***306捕获的传感器数据中所描述的物体。在各个实例中,感知组件322可以利用机器学习方法来确定被检测实体与颗粒物区域相关联的概率。在这样的实例中,感知组件可以利用本文所描述的技术将概率提供给规划组件324的动作确定组件330以确定要执行的动作。
通常,规划组件324可以确定车辆302跟随通过环境的路径。例如,规划组件324可以确定各种路线和车辆轨迹以及各种细节水平。例如,规划组件324可以确定从第一位置(例如,当前位置)行驶到第二位置(例如,目标位置)的路线。为了讨论的目的,路线可以包括在两个位置之间行驶的航路点序列。作为非限制性实例,航路点包括街道,交叉口,全球定位***(GPS)坐标等。此外,规划组件324可以生成用于沿着从第一位置到第二位置的路线的至少一部分引导自动驾驶车辆的指令。在至少一个实例中,规划组件324可以确定如何将自动驾驶车辆从航路点序列中的第一航路点引导到航路点序列中的第二航路点。在一些实例中,指令可以是车辆轨迹,或者是轨迹的一部分。在一些实例中,可以根据后退水平技术基本同时生成多个轨迹(例如,在技术容差范围内),其中选择多个轨迹中的一个以供车辆302导航。
在各个实例中,规划组件324的动作确定组件330可以接收与检测到的实体相关联的数据,例如该实体包括颗粒物区域的概率。在这样的实例中,动作确定组件330可以被配置为基于概率来确定车辆302要采取的动作,如本文所述。动作可包括维持轨迹或修改与轨迹相关联的行驶速度和/或行驶方向。在一些实例中,修改可以包括使车辆302在与检测到的实体相关联的位置之前减速到停止。例如,基于该实体包括颗粒物的低概率,动作确定组件330可以确定使车辆302在与该实体接触之前停止。对于另一个实例,基于该实体包括颗粒物的高概率,动作确定组件330可以确定车辆动作应当包括保持与之相关联的轨迹。
另外,如上所述,该动作可包括使车辆302减速以捕获与该实体相关联的附加数据并确定更新的概率。在这样的实例中,动作确定组件330可确定该实体离车辆302的距离等于或大于阈值距离。动作确定组件330可以使车辆302将前进速度减慢到预定速度或动态确定速度。感知组件322可以收集与实体相关联的附加数据,并且可以确定更新的概率。响应于从感知组件322接收到更新的概率,动作确定组件330可以确定要采取的第二动作,例如使车辆停止,改变车道或加速到与车辆302行驶通过环境相关联的速度。
在各个实例中,动作确定组件330可以被配置为确定加速速率。该加速度可以包括正加速度,例如与加速到与车辆302行驶通过环境相关联的速度的确定相关联,或者包括负加速度,例如与减速和/或停止车辆的确定相关联。在一些实例中,加速度可以包括与车辆302,环境(例如基于与环境相关联的一个或多个因素等)相关联的预定加速度。例如,对于学校区域的预定加速度可以设置为3英尺/秒/秒,并且在不与学校相关联的区域中可以设置为5英尺/秒/秒。
在各个实例中,动作确定组件330可以被配置为基于与环境相关联的一个或多个因素来动态地确定加速度。如上所述,因素可以包括车辆302的速度,与环境相关联的速度限制,检测物体数量,在环境中检测的物体类型,天气(例如雨,雪,雾等),与环境相关联的区域或片区(例如学校区域,住宅区域,建筑区域等)等。在各个实例中,所确定的加速度可以包括最大加速度(正或负)。在至少一个实例中,最大加速度可以包括最大减速速率。在这样一个实例中,动作确定组件330可以确定利用最大减速速率,以便在到达与实体相关联的位置之前在短距离内停止车辆和/或尽可能地使车辆减速。
在各个实例中,动作确定组件330可以确定车辆302不能停止在车辆302和实体之间的距离内。在这样的实例中,动作确定组件330可以确定与车辆302相邻的区域是否畅通,例如相邻车道,道路的路肩等。基于确定相邻区域是畅通的,动作确定组件330可以使车辆修改轨迹以移入和/或移向相邻区域。在各个实例中,动作确定组件330可以确定与横向移动相关联的横向加速度(轨迹修改)。在一些实例中,横向加速度可以包括预定的横向加速度,例如与改变车道或避开物体相关联的横向加速度。在一些实例中,动作确定组件330可以动态地确定横向加速度。在一些实例中,动态确定的横向加速度可以基于与环境相关联的一个或多个特征。在一些实例中,动态确定的横向加速度可以基于车辆302和实体之间的距离。在至少一个实例中,横向加速度可以基于距离和车辆302的速度。例如,紧邻实体每小时行驶30英里的车辆可能需要积极地转向相邻车道以避开该实体,例如基于该实体与颗粒物区域相关联的低概率。虽然相对于图3讨论了动作确定组件330的具体特征,但是应当理解,动作确定组件330可以被配置为基于物体或实体与颗粒物区域相关联的概率来执行与确定动作相关联的任何功能,如本文所述。
存储器318可进一步包括一个或多个地图328,其可由车辆302用于在环境内导航,和/或确定环境中的特征的位置。为了讨论的目的,地图可以是以二维,三维或N维建模的任意数量的数据结构,其能够提供关于环境的信息,例如但不限于拓扑结构(例如交叉口),街道,山区,道路,地形和一般环境。在一些情况下,地图可包括但不限于:纹理信息(例如,颜色信息(例如,RGB颜色信息,LAB颜色信息,HSV/HSL颜色信息等)),强度信息(例如,激光雷达信息,雷达信息等);空间信息(例如,投影到网格上的图像数据,单独的“图元”(例如,与单独的颜色和/或强度相关联的多边形)),反射率信息(例如,镜面反射信息,逆向反射率信息,BRDF信息,BSSRDF信息等)。在一个实例中,地图可以包括环境的三维网格。在一些情况下,地图可以以平铺格式存储,使得地图的各个平铺表示环境的离散部分,并且可以根据需要加载到工作存储器中。在至少一个实例中,一个或多个地图328可以包括至少一个地图(例如,图像和/或网格)。在一些实例中,车辆302可以是至少部分地基于地图328进行控制。也就是说,地图328可与定位组件320、感知组件322、规划组件324和/或动作确定组件330一起使用,用于确定车辆302的位置,识别环境中的物体和/或环境特征,和/或生成用于在环境中导航的路线和/或轨迹。
在一些实例中,一个或多个地图328可以存储在可经由网络334访问的远程计算设备(例如计算设备332)上。在一些实例中,可以基于例如特征(例如,实体的类型,一天中的时间,一周中的一天,一年中的季节等)来存储多个地图328。存储多个地图328可以具有类似的存储器需求,但是提高了可以访问地图中的数据的速度。在一些实例中,一个或多个地图328可以存储与环境中的各个位置相关联的物体的尺寸或维度。例如,当车辆302穿越环境并且当表示接近车辆302的区域的地图被加载到存储器中时,也可以将与位置相关联的物体的一个或多个尺寸或维度加载到存储器中。
在至少一个实例中,车辆计算设备304可包括一个或多个***控制器326,其可被配置为控制车辆302的转向,推进,制动,安全,发射器,通信和其它***。***控制器326可以与驱动***314和/或车辆302的其它组件的相应***进行通信和/或控制。
可以理解,本文讨论的组件(例如,定位组件320,感知组件322,包括动作确定组件330的规划组件324,一个或多个***控制器326和一个或多个地图328)被描述为被划分用于说明的目的。然而,由各种组件执行的操作可以被组合或在任何其它组件中执行。
在至少一个实例中,传感器***306可以包括激光雷达传感器、雷达传感器、超声波换能器、声纳传感器、位置传感器(例如,GPS、指南针等)、惯性传感器(例如,惯性测量单元(IMU)、加速度计、磁力计、陀螺仪等)、相机(例如RGB、IR、强度、深度、飞行时间等)、麦克风、车轮编码器、环境传感器(例如温度传感器、湿度传感器、光传感器、压力传感器等)。传感器***306可以包括这些或其他类型的传感器中的每一个的多个实例。例如,激光雷达传感器可以包括位于车辆302的拐角、前部、后部、侧面和/或顶部的单独的激光雷达传感器。作为另一个实例,相机传感器可以包括布置在车辆302的外部和/或内部周围的不同位置处的多个相机。在一些实例中,位于车辆内部的相机传感器可以向感知组件322提供传感器数据,用于确定乘客是否占用乘客舱和/或与乘客相关联的类型或分类。在这样的实例中,动作确定组件330可以利用乘客信息确定要采取的动作和/或确定与动作相关联的加速度(例如正加速度、负加速度、横向加速度)。传感器***306可以向车辆计算设备304提供输入。另外或可选地,传感器***306可以通过一个或多个网络334以特定频率、在预定时间段过去后、近乎实时地等向一个或多个计算设备332发送传感器数据。
车辆302还可以包括一个或多个发射器308,用于发射光和/或声音。在这个实例中,发射器308包括与车辆302的乘客通信的内部音频和视频发射器。作为实例而非限制,内部发射器可以包括扬声器、灯、标志、显示屏、触摸屏、触觉发射器(例如,振动和/或力反馈)、机械致动器(例如,安全带张紧器、座椅***、头枕***等)等。在这个实例中,发射器308还包括外部发射器。作为实例而非限制,在该实例中,外部发射器包括用于发出行驶方向信号的灯或车辆动作的其它指示器(例如,指示灯、标志、灯阵列等)和一个或多个音频发射器(例如扬声器、扬声器阵列、喇叭等),以与行人或其它附近的车辆可听地通信,其中一个或多个包括声束转向技术。
车辆302还可以包括一个或多个通信连接件310,该一个或多个通信连接件310使得能够在车辆302和一个或多个其它本地或远程计算设备之间进行通信。例如,通信连接件310可以促进与车辆302和/或驱动***314上的其它本地计算设备的通信。而且,通信连接件310可以允许车辆与其它附近的计算设备(例如,其它附近的车辆,交通信号等)通信。通信连接件310还可以使车辆302能够与远程操作计算设备或其它远程服务通信。
通信连接件310可以包括物理和/或逻辑接口,用于将车辆计算设备304连接到另一计算设备或网络,例如网络334。例如,通信连接件310能够实现基于Wi-Fi的通信,例如通过由IEEE 802.11标准定义的频率、短距离无线频率,例如蜂窝通信(例如,2G,3G,4G,4GLTE,5G等)或使相应的计算设备能够与其它计算设备接口的任何适当的有线或无线通信协议。
在至少一个实例中,车辆302可以包括一个或多个驱动***314。在一些实例中,车辆302可以具有单个驱动***314。在至少一个实例中,如果车辆302具有多个驱动***314,则单独的驱动***314可以定位在车辆302的相对端部(例如,前部和后部等)上。在至少一个实例中,驱动***314可以包括一个或多个传感器***,以检测驱动***314和/或车辆302的周围环境的状况。作为实例而非限制,传感器***可以包括用于感测驱动模块的车轮旋转的一个或多个车轮编码器(例如,旋转编码器)、用于测量驱动模块、相机或其他图像传感器的方向和加速度的惯性传感器(例如,惯性测量单元、加速度计、陀螺仪、磁力计等)、用于以声学方式检测驱动***周围的物体的超声波传感器、激光雷达传感器、雷达传感器等。一些传感器,如车轮编码器可能是唯一的驱动***314。在一些情况下,驱动***314上的传感器***可以重叠或补充车辆302的相应***(例如,传感器***306)。
驱动***314可以包括许多车辆***,包括高压电池,驱动车辆的电动机,用于将来自电池的直流电转换成交流电以供其它车辆***使用的逆变器;转向***,包括转向马达和转向齿条(可以是电动的),制动***,包括液压或电动致动器,悬架***,包括液压和/或气动组件,用于分配制动力以减轻牵引力损失和维持控制的稳定性控制***,HVAC***,照明(例如,诸如照射车辆外部周围的头灯/尾灯的照明),以及一个或多个其它***(例如,冷却***,安全***,车载充电***,如DC/DC转换器的其它电气组件)。另外,驱动***314可包括驱动***控制器,该驱动***控制器可从传感器***接收和预处理数据,并控制各种车辆***的操作。在一些实例中,驱动***控制器可以包括一个或多个处理器和与一个或多个处理器通信耦合的存储器。存储器可存储一个或多个组件以执行驱动***314的各种功能。此外,驱动***314还可以包括一个或多个通信连接件,一个或多个通信连接件使得各个驱动***能够与一个或多个其它本地或远程计算设备进行通信。
在至少一个实例中,直接连接件312可以提供物理接口以将一个或多个驱动***314与车辆302的车身连接。例如,直接连接件312可以允许在驱动***314和车辆之间的能量、流体、空气、数据的传输等。在一些情况下,直接连接件312可以进一步可释放地将驱动***314固定到车辆302的车身。
在至少一个实例中,定位组件320、感知组件322、规划组件324、一个或多个***控制器326和一个或多个地图328如上可以处理传感器数据,如上所述,并且可以通过一个或多个网络334将它们各自的输出发送到一个或多个计算设备332。在至少一个实例中,定位组件320,感知组件322,规划组件324,一个或多个***控制器326和一个或多个地图328可以以特定频率,经过预定时间后,接近实时等将他们各自的输出分别发送到计算设备332。
在一些实施例中,车辆302可以经由网络334将传感器数据发送到一个或多个计算设备332。在一些实施例中,车辆302可以将原始传感器数据发送到计算设备332。在其它实例中,车辆302可以将处理后的传感器数据和/或传感器数据的表示发送到计算设备332。在一些实施例中,车辆302可以特定频率、在经过预定时间段之后、接近实时等方式向计算设备332发送传感器数据。在一些情况下,车辆302可以将传感器数据(原始的或处理过的)作为一个或多个日志文件发送到计算设备332。
计算设备332可以包括处理器336和存储动作组件340和训练组件342的存储器338。如上所述,动作组件340可以被配置为执行类似于动作确定组件330的功能。在一些实例中,动作组件340可以存储一个或多个预定加速度(即,正加速度、负加速度、侧向加速度)以供动作确定组件330使用。在这样的实例中,计算设备332可以将预定加速度从动作部件340发送到动作确定组件330。
在一些情况下,训练组件342可以包括训练一个或多个模型以检测物体和/或物体的特征,确定(分类或回归)物体和/或物体的特征,确定物体在环境中的位置等的功能。如本文所指出的,传感器数据可以被注释或指示为表示颗粒物的区域,并且这种注释或指示的数据可以被识别为训练数据。训练数据可以被输入到机器学习模型,其中已知的结果(例如地面事实,例如已知的“未来”属性)可以被用于调整机器学习模型的权重和/或参数以使误差最小化。
在一些情况下,训练组件342可以将由一个或多个模型生成的信息传送到车辆计算设备304,以响应于不同的情况来修改如何控制车辆302。
例如,本文讨论的一些或所有组件的方面可以包括任何模型,算法和/或机器学习算法。例如,在一些情况下,存储器338(以及上述的存储器318)中的组件可以实现为神经网络。在一些实例中,训练组件342可以利用神经网络来生成和/或执行一个或多个模型,以改进用于车辆302的轨迹规划中的物体轨迹估计的各个方面。
如本文所述,示例性的神经网络是生物激励算法,其使输入数据通过一系列连接的层以产生输出。神经网络中的每一层也可以包括另一个神经网络,或者可以包括任意层数(无论卷积还是非卷积)。正如在本公开的上下文中可以理解的,神经网络可以利用机器学习,其可以指的是其中基于所学习的参数生成输出的这类算法的大类。
虽然在神经网络的上下文中讨论,但是根据本公开,可以使用任何类型的机器学***滑(LOESS)),基于实例的算法(例如,脊回归,最小绝对收缩和选择算子(LASSO),弹性网,最小角度回归(LARS)),决策树算法(例如,分类回归树(CART),迭代二分器3(ID3),卡方自动交互检测(CHAID),决定树桩,条件决定树),贝叶斯算法(例如,纯天然贝叶斯,高斯自然贝叶斯,多项式自然贝叶斯,平均一依赖估计器(AODE),贝叶斯置信网络(BNN),贝叶斯网络),聚类算法(例如,k-装置,k-介质,期望最大化(EM),分层聚类),关联规则学习算法(例如,感知器,反向繁殖,霍普菲尔网络,径向基函数网络(RBFN)),深度学习算法(例如,深波尔兹曼机(DBM),深度信任网络(DBN),卷积神经网络(CNN),堆叠的自动编码器),降维算法(例如,主成分分析(PCA),主成分回归(PCR),偏最小二乘回归(PLSR),萨蒙映射,多维缩放(MDS),投影追踪,线性判别分析(LDA),混合判别分析(MDA),二次判别分析(QDA),灵活判别分析(FDA),集成算法(例如,增强,自举聚集(Bagging),自适应增强算法,堆叠泛化(混合),梯度增强器(GBM)、梯度提升回归树(GBRT),随机森林(GBRT),支持向量机(SVM),监督学习,无监督学习,半监督学习等。
体系结构的其它实例包括神经网络,例如ResNet50、ResNet101、VGG、DenseNet、PointNet等。
车辆302的处理器316和计算设备332的处理器336可以是能够执行指令以处理数据和执行本文的操作的任何适当的处理器。作为实例而非限制,处理器316和336可以包括一个或多个中央处理单元(CPU),图形处理单元(GPU),或处理电子数据以将该电子数据转换为可存储在寄存器和/或存储器中的其它电子数据的任何其它设备或设备的一部分。在一些实例中,集成电路(例如ASIC等),门阵列(例如FPGA等),以及其它硬件设备也可以被认为是处理器,只要它们被配置成实现编码指令即可。
存储器318和338是非暂时性计算机可读介质的实例。存储器318和338可以存储操作***和一个或多个软件应用程序、指令、程序和/或数据,以实现本文描述的方法和属于各个***的功能。在各种实施方式中,存储器可以使用任何适当的存储器技术来实现,例如静态随机存取存储器(SRAM),同步动态RAM(SDRAM),非易失性/闪存型存储器,或能够存储信息的任何其它类型的存储器。本文描述的体系结构、***和各个元件可以包括许多其它的逻辑,程序和物理部件,其中在附图中示出的仅仅是与本文的讨论相关的实例。
应当注意,虽然图3示出为分布式***,但是在可选实例中,车辆302的组件可以与计算设备332相关联,和/或计算设备332的组件可以与车辆302相关联。也就是说,车辆302可以执行与计算设备332相关联的一个或多个功能,反之亦然。
图4-6示出了根据本公开的实施例的示例性过程。这些过程被图解为逻辑流程图,其中每个操作表示可以硬件、软件或它们的组合来实现的操作序列。在软件的上下文中,操作表示存储在一个或多个计算机可读存储介质上的计算机可执行指令,当其由一个或多个处理器执行时,执行所述操作。通常,计算机可执行指令包括执行特定功能或实现特定抽象数据类型的例程、程序、物体、组件、数据结构等。描述操作的顺序并不意欲被解释为限制,并且任何数量的操作可以以任何顺序和/或并行方式组合以实现过程。
图4描述了用于基于检测到的物体与颗粒物区域相关联的概率来控制车辆的示例性过程400。例如,过程400的一些或全部可以由图3中的一个或多个组件来执行,如本文所述。例如,过程400的一些或全部可以由车辆计算设备304、计算设备332或任何其它计算设备或计算设备的组合来执行。此外,在示例性过程400中描述的任何操作可以以与过程400中描述的顺序并行执行、与在过程400中描述的顺序不同的顺序执行、省略、与其它过程组合等。
在操作402,该过程可以包括检测环境中的物体。在一些实例中,车辆计算***可以从车辆的一个或多个传感器接收传感器数据。如上所述,传感器数据可以包括由一个或多个激光雷达传感器,雷达传感器,相机,飞行时间传感器等捕获的数据。在至少一个实例中,传感器数据可以包括激光雷达数据。车辆计算***可被配置为接收传感器数据并基于传感器数据检测物体。车辆计算***可以附加地被配置为基于传感器数据对物体进行分类(例如,确定物体的类型或分类)。
在操作404,过程可包括确定物体与颗粒物区域相关联的概率。在各个实例中,车辆计算***可以将物体的分类确定为颗粒物的区域以及与分类相关联的置信度。在这样的实例中,置信度可以对应于物体与颗粒物区域相关联的概率。在一些实例中,车辆计算***可能无法确定与检测到的物体相关联的分类。在这样的实例中,车辆计算***可以确定物体与颗粒物区域相关联的概率。例如,车辆计算***可以接收其中检测到物体的激光雷达数据(例如,从表面或分子反射的光)。车辆计算***可以处理数据,并且可能无法将物体分类为物体的特定分类。因此,车辆计算***可以处理传感器数据以确定物体与颗粒物区域相关联的概率。
在各个实例中,概率可以基于与物体相关联的一个或多个特征来确定,诸如上述特征。在一些实例中,概率可以基于与环境相关联的地图数据来确定。在一些实例中,可利用机器学习模型来确定概率,机器学习模型诸如为确定物体的分类和与分类相关联的置信度而训练的那些。
在操作406,该过程可包括确定概率是否为第一阈值(例如85%,90%,95%等)或在第一阈值之上。在一些实例中,第一阈值可以包括上阈值,高于该上阈值,物体与颗粒物区域相关联的概率高。如上所述,虽然本文根据阈值进行了描述,但这并不意味着是这样的限制。例如,虽然一些实例可以设置用于决策的固定阈值,应当理解,本文对阈值的任何讨论也可以是指以这样的方式建立的成本表达,使得基于达到或接近这样一个阈值的成本优化在两个结果之间发生转换。在各个实例中,考虑硬约束(例如,用于决定的固定阈值)以及表示成本优化中的转变的阈值的组合。
基于概率处于或高于第一阈值的确定(在操作406“是”),该过程可以包括,在操作408,根据第一动作控制车辆。在一些实施例中,第一动作可包括使车辆保持与通过环境的行驶相关联的轨迹。在这样的实施例中,基于物体与颗粒物区域相关联的概率高的确定,车辆可以在行驶通过环境的同时行进通过(或经过)物体。在一些实例中,第一动作可包括减慢与车辆相关联的速度。在这样的实例中,车辆计算***可使车辆减慢到用于通过和/或行驶通过颗粒物区域的预定速度或动态确定的速度。在这样的实例中,车辆计算***可以被配置为安全地对位于与颗粒物相关联的物体后面的另一个物体做出反应和/或在其周围进行导航。在一些实例中,第一动作可附加地或可选地包括修改在车道中的位置或执行车道改变以避开物体。在这样的实例中,不管物体与颗粒物区域相关联的高概率,车辆计算***都可以使车辆在物体周围导航,以便最大化操作安全性。
基于概率不为或高于第一阈值的确定(在操作406“否”),该过程可以包括,在操作410,确定概率是否为或高于第二阈值(例如,55%,60%,70%等)。在一些实例中,第二阈值可以和物体与颗粒物区域相关联的中等概率相关联。
基于概率处于或高于第二阈值的确定(在操作410“是”),该过程可以包括,在操作412,根据第二动作控制车辆。第二动作可包括修改与车辆相关联的轨迹。如上所述,第二动作可以包括修改轨迹以降低车辆的速度。经修改的速度可包括预定速度或由车辆计算***动态地确定的速度,例如基于与环境相关联的一个或多个因素。在各个实例中,基于车辆和物体之间的距离,修改的速度可以为车辆计算***提供捕获附加数据和确定与物体相关联的更新的概率的机会。基于更新的数据,车辆可以确定要执行的动作(例如,第一动作,第二动作或第三动作)。
在各个实例中,第二动作可以包括修改轨迹以使车辆横向移动。在这样的实例中,车辆计算***可以确定与第二动作相关联的横向加速度,例如,如上所述的。
基于概率不处于或高于第二阈值的确定(在操作410“否”),该过程可以包括,在操作414,根据第三动作控制车辆。在一些实例中,第三动作可以包括修改车辆的轨道以使车辆停止。在一些实例中,车辆计算***可以确定与第三动作相关联的减速速率。在这样的实例中,减速速率可以包括预定速率或动态确定的速率,如上文所述。在一些实例中,减速速率可以基于对车辆被占用的确定和/或占用车辆的乘客的类型或分类。
在一些实施例中,例如,基于在与物体相关联的位置之前车辆将不能停止的确定,第三动作可包括修改车辆的轨迹以横向移动,例如进入相邻车道,路肩等。如上所述,车辆计算***可以确定车辆将横向移动到的区域没有物体。在各个实例中,车辆计算***可以确定与第三动作相关联的横向加速度。横向加速度可以基于与环境、车辆和物体之间的距离等相关联的因素。
图5描述了用于使车辆减速以便收集关于物体的附加数据以确定该物体是否与颗粒物区域相关联的示例性过程500。例如,过程500的一些或全部可以由图3中的一个或多个组件来执行,如本文所述。例如,过程500的一些或全部可以由车辆计算设备304、计算设备332或任何其它计算设备或计算设备的组合来执行。此外,在示例性过程500中描述的任何操作可以与在过程500中描述的顺序并行执行、与在过程500中描述的顺序不同的顺序执行、省略、与其它过程组合等。
在操作502中,该过程可包括至少部分地基于来自车辆传感器的传感器数据来检测环境中的物体。如上所述,传感器数据可以包括由一个或多个激光雷达传感器,雷达传感器,相机,飞行时间传感器等捕获的数据。在至少一个实例中,传感器数据可以包括激光雷达数据。车辆计算***可被配置为接收传感器数据并基于传感器数据来检测物体。车辆计算***可附加地被配置为基于传感器数据来对物体进行分类(例如,确定物体的类型或分类)。
在操作504中,该过程可以包括确定车辆和物体之间的距离。在一些实例中,该距离可以包括与车辆相关联的位置和与物体相关联的位置之间的距离。
在操作506中,该过程可包括确定该距离是否处于或高于阈值距离(例如100英尺,100米等)。阈值距离可以表示足以允许车辆收集关于物体的附加数据的距离,以便确保物体与颗粒物区域相关联的准确概率。
基于距离不处于或高于阈值距离的确定(在操作506“否”),该过程可以包括,在操作508,确定物体与颗粒物区域相关联的概率。在各个实例中,车辆计算***可以将物体的分类确定为颗粒物区域以及与分类相关联的置信度。在这样的实例中,置信度可以对应于物体与颗粒物区域相关联的概率。在一些实例中,车辆计算***可能无法确定与检测到的物体相关联的分类。在这样的实例中,车辆计算***可以确定物体与颗粒物区域相关联的概率。例如,车辆计算***可以接收其中检测到物体的激光雷达数据(例如,从表面或分子反射的光)。车辆计算***可以处理数据,并且可能无法将物体分类为物体的特定分类。因此,车辆计算***可以处理传感器数据以确定物体与颗粒物区域相关联的概率。
在各个实例中,概率可以基于与物体相关联的一个或多个特征来确定,诸如上述特征。在一些实例中,概率可以基于与环境相关联的地图数据来确定。在一些实例中,可利用机器学习模型来确定概率,机器学习模型诸如为确定物体的分类和与分类相关联的置信度而训练的那些。
在操作510,该过程可以包括至少部分地基于概率来控制车辆。在各个实例中,车辆计算***可以根据上述任何动作来控制车辆。
基于距离处于或高于阈值距离的确定(在操作506“是”),过程可包括,在操作512,确定物体与颗粒物区域相关联的初始概率。初始概率可以如上关于操作508来确定。例如,可以基于与物体相关联的一个或多个特征,地图数据和/或利用机器学习技术来确定初始概率。
在操作514,该方法可包括确定初始概率是否处于或低于第一阈值(例如,95%,98%等)。在各个实例中,第一阈值可包括高于物体具有与颗粒物区域相关联的高概率的概率。
基于初始概率高于第一阈值的确定(在操作514“否”),该过程可以包括,在操作516,保持与车辆相关联的轨迹。轨迹可以包括由车辆计算***的规划组件确定的初始轨迹,用于使车辆行驶通过环境,例如沿着从第一位置到第二位置,到目的地等的路径行驶。
基于初始概率处于或低于第一阈值的确定(在操作514“是”),该过程可以包括,在操作518,使车辆减速以捕获附加的传感器数据。在一些实例中,车辆计算***可以将车辆的轨迹修改为预定速度(例如,10英里/小时,15公里/小时等)。在一些实例中,车辆计算***可以动态地确定与修改的轨迹相关联的速度。在这样的实例中,速度可以基于环境中的一个或多个因素来确定,例如上述因素。
在操作520,该过程可包括至少部分地基于附加传感器数据来确定更新的概率。在各个实例中,车辆计算***可以利用上述关于操作508和/或操作512的技术来处理附加传感器数据以确定更新的概率。
在操作522,该过程可以包括至少部分地基于更新的概率来控制车辆。在各个实例中,基于更新的概率处于或高于第一阈值概率的确定,车辆计算***可以使车辆加速到更新轨迹以朝向目的地行进。更新的轨迹可包括诸如与初始轨迹相关联的初始速度或不同速度。在各个实例中,基于更新的概率处于或低于第一阈值概率和/或处于或高于第二阈值概率的确定,车辆计算***可以确定保持与修改的轨迹相关联的慢速,例如以上关于操作516所讨论的。
在各个实例中,基于更新的概率处于或低于第一阈值概率和/或处于或高于第二阈值概率的确定,车辆计算***可以确定修改车辆轨迹以将车辆移动到相邻区域,例如相邻车道,路肩等。在这样的实例中,并且如上,在使车辆横向移动之前,车辆计算***可以确定邻接区域没有其它物体。在一些实例中,车辆计算***可以确定与横向移动相关联的横向加速度。
在各个实例中,基于概率处于或低于第二阈值的确定,车辆计算***可以将车辆减速到停止。在一些实施例中,车辆计算***可以确定减速速率和/或制动压力,发动机制动,降挡,或在与物体相关联的位置之前停止车辆相关联的类似物。如上所述,减速速率可以由车辆计算***例,如基于与环境和/或物体与车辆之间的距离相关联的一个或多个因素来预先确定或动态地确定。
在各个实例中,基于车辆将不能在与物体相关联的位置之前停止的确定,车辆计算***可以使车辆附加地或可选地,横向调整位置以避开物体。在这样的实例中,车辆计算***可以确定避开物体所需的横向加速度。横向加速度可以基于车辆和物体之间的距离和/或与环境相关联的因素,例如车速。车辆计算***可以被配置为修改与车辆相关联的轨迹,以使在环境中操作的车辆和物体的安全性最大化。
图6描述了用于控制车辆以避开可能与颗粒物区域不相关(例如,低概率)的物体的示例性过程600。例如,过程600的一些或全部可以由图3中的一个或多个组件来执行,如本文所述。例如,过程600的一些或全部可以由车辆计算设备304、计算设备332或任何其它计算设备或计算设备的组合来执行。此外,在示例性过程600中描述的任何操作可以以与在过程600中描述的并行执行、以不同的顺序执行、省略与其它过程组合等。
在操作602,该过程可包括至少部分地基于来自车辆传感器的传感器数据来检测环境中的物体。如上所述,传感器数据可以包括由一个或多个激光雷达传感器,雷达传感器,相机,飞行时间传感器等捕获的数据。在至少一个实例中,传感器数据可以包括激光雷达数据。车辆计算***可被配置为接收传感器数据并基于传感器数据来检测物体。车辆计算***可附加地被配置为基于传感器数据来对物体进行分类(例如,确定物体的类型或分类)。
在操作604,过程可包括确定物体与颗粒物区域相关联的概率低于阈值概率。如上所述,概率可以基于与物体相关联的一个或多个特征来确定,诸如上述特征。在一些实例中,概率可以基于与环境相关联的地图数据来确定。在一些实例中,可利用机器学习模型来确定概率,机器学习模型诸如为确定物体的分类和与分类相关联的置信度而训练的那些。在各个实例中,阈值概率(例如,50%,40%等)可以和物体与颗粒物区域相关联的低概率相关联。
在操作606,该过程可包括确定与车辆的第一动作相关联的第一成本。如上所述,第一成本可以包括与第一动作相关联的安全性成本、进度成本、舒适性成本和操作规则成本中的一个或多个。在各个实例中,第一动作可包括使车辆在与物体相关联的位置之前减速和/或停止。在一些实例中,第一成本可以至少部分地基于与车辆停止和/或减速相关联的减速速率(负加速度)。在各个实例中,减速速率可以包括预定速率。在一些实例中,预定速率可以基于与车辆相关联的速度。在这样的实例中,车辆计算***可以确定与初始轨迹相关联的速度,并且可以基于该速度来确定减速速率。例如,车辆计算***可以在其中存储与不同车速相关联的预定减速速率的表。在一些实例中,减速速率可以包括最大减速速率。在一些实例中,最大减速速率可以包括能够施加到制动器上的最大压力量,最大降挡,发动机制动限制等。
在操作608,该过程可包括确定与车辆的第二动作相关联的第二成本。如上所述,第二成本可以包括与第二动作相关联的安全性成本、进度成本、舒适性成本和操作规则成本中的一个或多个。在各个实例中,第二动作可以包括使车辆横向地调整位置以在物体周围导航,例如调整在车道中的位置,部分地改变车道,和/或完全地改变车道以在物体周围导航。在各个实例中,第二成本可以和与第二动作相关联的横向加速度和/或水平加速度相关联。
在各个实例中,第二成本可以基于横向区域是否没有物体的确定。在这样的实例中,车辆计算***可以处理从车辆的一个或多个传感器接收的传感器数据,以确定横向区域是否畅通。在一些实例中,横向区域可以包括与车辆相邻的区域,车辆可以合法进入该区域。例如,横向区域可以包括相邻车道,路肩等。
在操作610,该过程可包括确定第一成本是否低于第二成本。
基于第一成本低于第二成本的确定(在操作610“是”),该过程可以包括,在操作612中,根据第一动作控制车辆。
基于第一成本高于第二成本的确定(在操作610“否”),该过程可以包括,在操作614中,根据第二动作控制车辆。
示例性条款
A:一种***,包括:一个或多个处理器;以及一个或多个计算机可读介质,其存储可由所述一个或多个处理器执行的指令,其中当所述指令被执行时,使所述***执行以下操作:使用自动驾驶车辆上的传感器捕获环境的传感器数据;确定所述传感器数据表示所述环境中的物体;确定所述物体包括颗粒物区域的概率;以及执行以下步骤中的至少一个:基于所述概率等于或大于阈值概率的第一确定,根据第一轨迹控制自动驾驶车辆;或者基于所述概率小于阈值概率的第二确定,根据第二轨迹控制自动驾驶车辆。
B:如段落A所述的***,其中:所述第一轨迹包括保持自动驾驶车辆的速度;并且所述第二轨迹包括以下中的至少一个:减慢所述自动驾驶车辆的速度;在与所述物体相关联的位置之前停止所述自动驾驶车辆;或者调整自动驾驶车辆的横向位置以避开物体。
C:如段落A或B所述的***,其中根据所述第二轨迹控制所述自动驾驶车辆,所述第二轨迹包括小于与所述第一轨迹相关联的第一速度的第二速度,所述操作还包括:捕获表示所述环境中的所述物体的附加传感器数据;至少部分地基于所述附加传感器数据来确定所述物体包括所述颗粒物区域的更新的概率,以及至少部分地基于所述更新的概率,根据第三轨迹控制所述自动驾驶车辆,所述第三轨迹包括大于所述第二速度的第三速度。
D:如段落A-C中任一段落所述的***,所述操作还包括:确定自动驾驶车辆到与所述物体相关联的位置之间的距离;以及确定在与所述物体相关联的位置之前停止所述自动驾驶车辆的减速速率;其中,根据所述第二轨迹控制所述自动驾驶车辆包括根据所述减速速率控制所述自动驾驶车辆。
E:如段落A-D中任一段落所述的***,其中根据第二轨迹控制自动驾驶车辆,所述操作还包括:确定与自动驾驶车辆相邻的区域未被其它物体占据;以及确定与所述自动驾驶车辆进入所述区域的运动相关联的横向加速度;其中第二轨迹包括横向加速度。
F:一种计算机实现的方法,包括:接收由环境中的传感器捕获的传感器数据;确定所述传感器数据表示所述环境中的物体;利用机器学习技术确定物体包括颗粒物区域的概率;以及至少部分地基于所述概率来控制车辆。
G:如F段所述的计算机实现的方法,其中控制所述车辆包括以下至少之一:确定所述概率和所述物体与所述颗粒物区域相关联的第一概率相关联,以及在与所述物体相关联的位置之前停止所述车辆;确定所述概率和所述物体与所述颗粒物区域相关联的第二概率相关联和减缓所述车辆的速度,其中所述第二概率高于所述第一概率;或者确定所述概率和所述物体与所述颗粒物区域相关联的第三概率相关联,并且保持所述车辆的速度,其中所述第三概率高于所述第二概率。
H:如段落F或G所述的计算机实现的方法,还包括:确定车辆和与物体相关联的位置之间的距离;以及确定所述距离大于阈值距离,其中控制所述车辆包括使所述车辆减速以捕获与所述物体相关联的附加传感器数据。
I:如段落F-H中任一段落所述的计算机实现的方法,还包括:至少部分地基于附加传感器数据来确定更新的概率;以及至少部分地基于所述更新的概率来增加所述车辆的速度。
J:如段落F-I中任一段落所述的计算机实现的方法,还包括:确定所述概率小于阈值概率,确定所述车辆和与所述物体相关联的位置之间的距离;以及至少部分地基于所述距离确定减速速率,其中控制所述车辆包括以所述减速速率使所述车辆减速。
K:如段落F-J中任一段落所述的计算机实现的方法,还包括:确定概率小于阈值概率;确定车辆被乘客占用;以及至少部分地基于所述乘客确定减速速率,其中控制所述车辆包括以所述减速速率使所述车辆减速。
L:如段落F-K中任一段落所述的计算机实现的方法,其中控制车辆包括:至少部分地基于概率确定车辆要采取的第一动作;至少部分地基于所述概率来确定所述车辆要采取的第二动作;确定与所述第一动作相关联的第一成本和与所述第二动作相关联的第二成本;确定与所述第一动作相关联的所述第一成本小于与所述第二动作相关联的所述第二成本;以及使所述车辆至少部分地基于所述第一成本小于所述第二成本来执行所述第一动作。
M:如段落F-L中任一段落所述的计算机实现的方法,其中所述第一动作或所述第二动作中的至少一个包括以下至少一个:保持所述车辆的轨迹;将车辆的速度降低到预定速度;将车辆的速度降低到动态确定的速度;在与所述物体相关联的位置之前停止所述车辆;或者调整车辆的横向位置以避开物体。
N:如段落F-M中任一段落所述的计算机实现的方法,还包括:确定概率小于阈值概率;确定车辆和与所述物体相关联的位置之间的第一距离;确定车辆以减速速率停止的第二距离;以及确定所述第二距离超过所述第一距离,其中控制所述车辆包括调整所述车辆的横向位置以避开所述物体。
O:一种***或设备,包括:处理器;以及存储指令的非暂时性计算机可读介质,所述指令在被执行时使处理器执行如段落F-N任一段落所述的计算机实现的方法。
P:一种***或设备,包括:处理装置;以及耦合到所述处理装置的存储装置,所述存储装置包括配置一个或多个设备以执行如段落F-N任一段落所述的计算机实现的方法的指令。
Q:存储指令的一个或多个计算机可读介质,所述指令在由一个或多个处理器执行时执行以下操作:接收由环境中的传感器捕获的传感器数据;确定所述传感器数据表示所述环境中的物体;确定所述物体包括颗粒物区域的概率,其中所述概率至少部分地基于与所述物体相关联的尺寸、形状、轨迹或位置中的至少一个来确定;以及至少部分地基于所述概率来控制车辆。
R:如段落Q所述的一个或多个计算机可读介质,其中控制车辆包括保持与车辆相关联的轨迹。
S:如段落Q或R中的任一段落所述的一个或多个计算机可读介质,其中控制车辆包括修改与车辆相关联的轨迹,修改所述轨迹包括以下至少之一:将车辆的速度降低到预定速度;停止车辆;或者调整车辆的横向位置以避开物体。
T:如段落Q-S中任一段落所述的一个或多个计算机可读介质,所述操作还包括:确定所述车辆和与所述物体相关联的所述位置之间的距离高于阈值距离,其中控制所述车辆包括使所述车辆以第一速度行驶;捕获表示环境中的物体的附加传感器数据;至少部分地基于所述附加传感器数据来确定所述物体包括所述颗粒物区域的更新的概率;以及至少部分地基于所述更新的概率使所述车辆加速到第二速度,所述第二速度大于所述第一速度。
U:如段落Q-T中任一段落所述的一个或多个计算机可读介质,所述操作还包括:至少部分地基于所述概率来确定所述车辆要采取的第一动作;至少部分地基于所述概率来确定所述车辆要采取的第二动作;确定与所述第一动作相关联的第一成本和与所述第二动作相关联的第二成本;确定与所述第一动作相关联的所述第一成本小于与所述第二动作相关联的所述第二成本;以及使所述车辆至少部分地基于所述第一成本小于所述第二成本来执行所述第一动作。
V:如段落Q-U中任一段落所述的一个或多个计算机可读介质,其中所述第一动作或所述第二动作中的至少一个包括以下至少一个:保持所述车辆的轨迹;将所述车辆的速度降低到预定速度;将所述车辆的速度降低到动态确定的速度;在与所述物体相关联的位置之前停止所述车辆;或者调整所述车辆的横向位置以避开所述物体。
虽然上面描述的示例性条款是针对一个特定的实施方式来描述的,但是应当理解,在本文件的上下文中,示例性条款的内容也可以通过方法、设备、***、计算机可读介质和/或另一种实施方式来实现。另外,实例A-V中的任何一个可以单独实施,或者与实施例A-V中的任何其它一个或多个组合实施。
结论
虽然已经描述了本文所述技术的一个或多个实例,但是其各种改变、添加、置换和等同物也包括在本文所述技术的范围内。
在实例的描述中,对构成本发明一部分的附图进行了参考,这些附图以示例的方式示出了所要求保护的主题的具体实例。应当理解,可以使用其它实例,并且可以进行修改或改变,例如结构改变。这样的实例、改变或修改不一定偏离关于所要求保护的主题的范围。虽然本文将各个实例描述为具有某些特征或组件,但是各个实例的特征和组件可以组合在一起并一起使用。虽然本文的操作可以以一定的顺序呈现,但是在一些情况下,可以改变该顺序,以便在不改变所述***和方法的功能的情况下,以不同的时间或不同的顺序提供某些输入。所公开的过程也可以以不同的顺序执行。另外,本文的各种计算不需要按照所公开的顺序来执行,并且可以容易地实现使用计算的可选顺序的其它示例。除了被重新排序之外,还可以将计算分解为具有相同结果的子计算。
Claims (15)
1.一种***,包括:
一个或多个处理器;以及
一个或多个计算机可读介质,其存储可由所述一个或多个处理器执行的指令,其中当所述指令被执行时,使所述***执行以下操作:
使用自动驾驶车辆上的传感器捕获环境的传感器数据;
确定所述传感器数据表示所述环境中的物体;
确定所述物体包括颗粒物区域的概率;以及
执行以下步骤中的至少一个:
基于所述概率等于或大于阈值概率的第一确定,根据第一轨迹控制所述自动驾驶车辆;或者
基于所述概率小于所述阈值概率的第二确定,根据第二轨迹控制所述自动驾驶车辆。
2.如权利要求1所述的***,其中:
所述第一轨迹包括保持所述自动驾驶车辆的速度;并且
所述第二轨迹包括以下中的至少一个:
减慢所述自动驾驶车辆的速度;
在与所述物体相关联的位置之前停止所述自动驾驶车辆;或者
调整自动驾驶车辆的横向位置以避开所述物体。
3.如权利要求1或2所述的***,其中,根据所述第二轨迹控制所述自动驾驶车辆,所述第二轨迹包括小于与所述第一轨迹相关联的第一速度的第二速度,所述操作还包括:
捕获表示环境中的所述物体的附加传感器数据;
至少部分地基于所述附加传感器数据来确定所述物体包括所述颗粒物区域的更新的概率;以及
至少部分地基于所述更新的概率,根据第三轨迹控制所述自动驾驶车辆,所述第三轨迹包括大于所述第二速度的第三速度。
4.如权利要求1-3中任一项所述的***,所述操作还包括:
确定所述自动驾驶车辆到与所述物体相关联的位置之间的距离;以及
确定在与所述物体相关联的位置之前停止所述自动驾驶车辆的减速速率;
其中,根据所述第二轨迹控制所述自动驾驶车辆包括根据所述减速速率控制所述自动驾驶车辆。
5.如权利要求1-3中任一项所述的***,其中,根据所述第二轨迹控制所述自动驾驶车辆,所述操作还包括:
确定与所述自动驾驶车辆相邻的区域未被其它物体占据;以及
确定与所述自动驾驶车辆进入所述区域的运动相关联的横向加速度;
其中第二轨迹包括所述横向加速度。
6.一种方法,包括:
接收由环境中的传感器捕获的传感器数据;
确定所述传感器数据表示所述环境中的物体;
利用机器学习技术确定所述物体包括颗粒物区域的概率;以及
至少部分地基于所述概率来控制车辆。
7.如权利要求6所述的方法,其中,控制所述车辆包括以下至少之一:
确定所述概率和所述物体与所述颗粒物区域相关联的第一概率相关联,并且在与所述物体相关联的位置之前停止所述车辆;
确定所述概率和所述物体与所述颗粒物区域相关联的第二概率相关联,并且减慢所述车辆的速度,其中所述第二概率高于所述第一概率;或者
确定所述概率和所述物体与所述颗粒物区域相关联的第三概率相关联,并且保持所述车辆的速度,其中所述第三概率高于所述第二概率。
8.如权利要求6或7所述的方法,还包括:
确定所述车辆和与所述物体相关联的位置之间的距离;以及
确定所述距离大于阈值距离,
其中控制所述车辆包括使所述车辆减速以捕获与所述物体相关联的附加传感器数据。
9.如权利要求6-8中任一项所述的方法,还包括:
至少部分地基于所述附加传感器数据来确定更新的概率;以及
至少部分地基于所述更新的概率来增加所述车辆的速度。
10.如权利要求6所述的方法,还包括:
确定所述概率小于阈值概率;
确定所述车辆和与所述物体相关联的位置之间的距离;以及
至少部分地基于所述距离确定减速速率,
其中控制所述车辆包括以所述减速速率使所述车辆减速。
11.如权利要求6所述的方法,还包括:
确定所述概率小于阈值概率;
确定车辆被乘客占用;以及
至少部分地基于所述乘客确定减速速率,
其中控制所述车辆包括以所述减速速率使所述车辆减速。
12.如权利要求6所述的方法,其中,控制所述车辆包括:
至少部分地基于所述概率来确定所述车辆要采取的第一动作;
至少部分地基于所述概率来确定所述车辆要采取的第二动作;
确定与所述第一动作相关联的第一成本和与所述第二动作相关联的第二成本;
确定与所述第一动作相关联的所述第一成本小于与所述第二动作相关联的所述第二成本;以及
至少部分地基于所述第一成本小于所述第二成本使所述车辆执行所述第一动作。
13.如权利要求12所述的方法,其中,所述第一动作或所述第二动作中的至少一个包括以下步骤中的至少一个:
保持所述车辆的轨迹;
将所述车辆的速度降低到预定速度;
将所述车辆的速度降低到动态确定的速度;
在与物体相关联的位置之前停止所述车辆;或者
调整所述车辆的横向位置以避开所述物体。
14.如权利要求6所述的方法,还包括:
确定所述概率小于阈值概率;
确定所述车辆和与所述物体相关联的位置之间的第一距离;
确定所述车辆以减速速率停止的第二距离;以及
确定所述第二距离超过所述第一距离,
其中控制所述车辆包括调整所述车辆的横向位置以避开所述物体。
15.存储指令的一个或多个计算机可读介质,所述指令在由一个或多个处理器执行时使所述一个或多个处理器执行权利要求6-14中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/586,650 | 2019-09-27 | ||
US16/586,650 US11643072B2 (en) | 2019-09-27 | 2019-09-27 | Planning accommodations for particulate matter |
PCT/US2020/052869 WO2021062262A1 (en) | 2019-09-27 | 2020-09-25 | Planning accommodations for particulate matter |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114502443A true CN114502443A (zh) | 2022-05-13 |
Family
ID=72840643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080068515.9A Pending CN114502443A (zh) | 2019-09-27 | 2020-09-25 | 用于颗粒物的规划容纳 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11643072B2 (zh) |
EP (1) | EP4034442A1 (zh) |
JP (1) | JP2022549832A (zh) |
CN (1) | CN114502443A (zh) |
WO (1) | WO2021062262A1 (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11192545B1 (en) * | 2018-12-05 | 2021-12-07 | Waymo Llc | Risk mitigation in speed planning |
US11348332B2 (en) * | 2019-09-25 | 2022-05-31 | Toyota Research Institute, Inc. | Object location analysis |
US11351995B2 (en) | 2019-09-27 | 2022-06-07 | Zoox, Inc. | Error modeling framework |
US11625513B2 (en) * | 2019-09-27 | 2023-04-11 | Zoox, Inc. | Safety analysis framework |
US11734473B2 (en) * | 2019-09-27 | 2023-08-22 | Zoox, Inc. | Perception error models |
US11640170B1 (en) | 2019-10-29 | 2023-05-02 | Zoox, Inc. | Identification of particulate matter in sensor data |
US11608062B2 (en) * | 2019-12-02 | 2023-03-21 | Nissan Motor Co., Ltd. | Vehicle control method and vehicle control device |
US20210191387A1 (en) * | 2019-12-23 | 2021-06-24 | Autonomous Solutions, Inc. | System and method for assisted teleoperations of vehicles |
CN115175838B (zh) * | 2020-02-24 | 2023-08-04 | 日产自动车株式会社 | 车辆控制方法及车辆控制装置 |
US11195033B2 (en) * | 2020-02-27 | 2021-12-07 | Gm Cruise Holdings Llc | Multi-modal, multi-technique vehicle signal detection |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107272007B (zh) | 2012-09-20 | 2020-03-03 | 伟摩有限责任公司 | 检测公路天气状况的方法和*** |
CN105324287B (zh) | 2013-04-11 | 2018-07-06 | 伟摩有限责任公司 | 使用车载传感器检测天气条件的方法和*** |
MX356836B (es) * | 2013-12-11 | 2018-06-15 | Intel Corp | Asistencia computarizada adaptada de preferencias de conducción individuales o conducción autónoma de vehículos. |
US9505405B2 (en) * | 2015-01-16 | 2016-11-29 | Ford Global Technologies, Llc | Rear collision avoidance and mitigation system |
US9928427B2 (en) | 2015-12-03 | 2018-03-27 | GM Global Technology Operations LLC | Vision-based wet road surface condition detection using tire rearward splash |
US9645577B1 (en) * | 2016-03-23 | 2017-05-09 | nuTonomy Inc. | Facilitating vehicle driving and self-driving |
US10196058B2 (en) * | 2016-11-28 | 2019-02-05 | drive.ai Inc. | Method for influencing entities at a roadway intersection |
WO2018172849A1 (en) | 2017-03-20 | 2018-09-27 | Mobileye Vision Technologies Ltd. | Trajectory selection for an autonomous vehicle |
KR102304851B1 (ko) * | 2017-03-28 | 2021-09-27 | 현대자동차주식회사 | Ecu, 상기 ecu를 포함하는 무인 자율 주행 차량, 및 이의 주변 차량 인지 방법 |
JP6859902B2 (ja) * | 2017-08-31 | 2021-04-14 | トヨタ自動車株式会社 | 車両制御装置 |
WO2019112514A1 (en) * | 2017-12-08 | 2019-06-13 | St Engineering Land Systems Ltd. | Rain filtering techniques for autonomous vehicle |
JP7067567B2 (ja) * | 2017-12-20 | 2022-05-16 | 日産自動車株式会社 | 駐車制御方法及び駐車制御装置 |
US20210116907A1 (en) * | 2018-03-18 | 2021-04-22 | Driveu Tech Ltd. | Device, System, and Method of Autonomous Driving and Tele-Operated Vehicles |
US10845806B2 (en) * | 2018-07-31 | 2020-11-24 | GM Global Technology Operations LLC | Autonomous vehicle control using prior radar space map |
-
2019
- 2019-09-27 US US16/586,650 patent/US11643072B2/en active Active
-
2020
- 2020-09-25 CN CN202080068515.9A patent/CN114502443A/zh active Pending
- 2020-09-25 JP JP2022518738A patent/JP2022549832A/ja active Pending
- 2020-09-25 WO PCT/US2020/052869 patent/WO2021062262A1/en active Application Filing
- 2020-09-25 EP EP20790123.2A patent/EP4034442A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2022549832A (ja) | 2022-11-29 |
US11643072B2 (en) | 2023-05-09 |
US20210094538A1 (en) | 2021-04-01 |
EP4034442A1 (en) | 2022-08-03 |
WO2021062262A1 (en) | 2021-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11420630B2 (en) | Trajectory modifications based on a collision zone | |
US11161502B2 (en) | Cost-based path determination | |
EP3908493B1 (en) | Occlusion prediction and trajectory evaluation | |
US11802969B2 (en) | Occlusion aware planning and control | |
US11643073B2 (en) | Trajectory modifications based on a collision zone | |
US11548512B2 (en) | Yield behavior modeling and prediction | |
US11643072B2 (en) | Planning accommodations for particulate matter | |
US11048265B2 (en) | Occlusion aware planning | |
US20210094539A1 (en) | Blocking object avoidance | |
CN112740299A (zh) | 用于车辆的碰撞预测和规避 | |
CN112789481A (zh) | 对自上而下场景的轨迹预测 | |
US11565709B1 (en) | Vehicle controller simulations | |
US11513519B1 (en) | Sharing occlusion data | |
US11433922B1 (en) | Object uncertainty detection | |
US11801864B1 (en) | Cost-based action determination | |
US20220379889A1 (en) | Vehicle deceleration planning | |
CN116670000A (zh) | 横向安全区域 | |
US11738772B1 (en) | Object avoidance with perceived safety subgoal | |
US11640170B1 (en) | Identification of particulate matter in sensor data | |
US12039784B1 (en) | Articulated object determination |
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 |