CN114730521A - 使用统计模型的碰撞监测 - Google Patents

使用统计模型的碰撞监测 Download PDF

Info

Publication number
CN114730521A
CN114730521A CN202080078816.XA CN202080078816A CN114730521A CN 114730521 A CN114730521 A CN 114730521A CN 202080078816 A CN202080078816 A CN 202080078816A CN 114730521 A CN114730521 A CN 114730521A
Authority
CN
China
Prior art keywords
vehicle
determining
estimated location
probability
additional
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
Application number
CN202080078816.XA
Other languages
English (en)
Inventor
A·S·克雷戈
A·加塞姆扎德霍什格鲁迪
S·A·莫达拉瓦拉萨
A·C·雷什卡
S·雷兹万贝巴哈尼
L·秦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zoox Inc
Original Assignee
Zoox Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from US16/682,971 external-priority patent/US11697412B2/en
Priority claimed from US16/683,005 external-priority patent/US11648939B2/en
Application filed by Zoox Inc filed Critical Zoox Inc
Publication of CN114730521A publication Critical patent/CN114730521A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • 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
    • 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
    • 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
    • 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
    • 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
    • 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

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)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

用于使用误差模型执行碰撞监测的技术和方法。例如，车辆可以使用一个或多个传感器生成传感器数据。车辆然后可以使用***来分析传感器数据以便确定与车辆相关联的参数和与另一物体相关联的参数。此外，车辆可以使用与***相关联的误差模型来处理与车辆相关联的参数，以便确定与车辆相关联的估计位置的分布。车辆还可以使用误差模型来处理与物体相关联的参数以便确定与物体相关联的估计位置的分布。使用估计位置的分布，车辆可以确定车辆和物体之间的碰撞概率。

Description

使用统计模型的碰撞监测
相关申请的交叉引用
本申请请求以于2019年11月13日提交的题为“使用统计模型的碰撞监测(COLLISION MONITORING USING STATISTIC MODELS)”的美国专利申请第16/682,971号、以及于2019年11月13日提交的题为“使用***数据的碰撞监测(COLLISION MONITORINGUSING SYSTEM DATA)”的美国专利申请第16/683,005号为优先权，其全部内容通过引用并入本文。
背景技术
自动驾驶车辆可以使用自动驾驶车辆控制器来引导自动驾驶车辆通过环境。例如，自动驾驶车辆控制器可以使用规划方法、装置和***来确定行驶路径并引导自动驾驶车辆通过环境，该环境包含动态物体(例如，车辆、行人、动物等)和静态物体(例如，建筑物、招牌、停止的车辆等)。当车辆导航通过环境时，自动驾驶车辆控制器可以将动态物体的预测行为纳入考虑。
附图说明
以下详细描述是参照附图来加以叙述的。在附图中，附图标记的最左侧数字标识第一次出现该附图标记的附图。在不同附图中使用相同的附图标记表示相似或相同的组件或特征。
图1是根据本公开的实施例的包括使用误差模型和/或***数据执行碰撞监测的车辆的环境的示图。
图2是根据本公开的实施例的车辆使用误差模型分析传感器数据以便确定与物体相关联的估计位置的示例的示图。
图3是根据本公开的实施例的车辆使用误差模型分析传感器数据以便确定与物体相关联的估计位置的另一示例的示图。
图4是根据本公开的实施例的车辆分析传感器数据和***数据以便确定与物体相关联的估计位置的示例的示图。
图5是根据本公开的实施例的车辆分析传感器数据和***数据以便确定与物体相关联的估计位置的另一示例的示图。
图6示出了根据本公开的实施例的说明车辆确定碰撞概率的示例图表。
图7示出了根据本公开的实施例的至少部分地基于车辆数据和地面真值数据生成误差模型数据。
图8示出了根据本公开的实施例的至少部分地基于由一个或多个车辆生成的记录数据和地面真值数据生成感知误差模型数据的一个或多个计算设备。
图9示出了根据本公开的实施例的至少部分地基于车辆数据和地面真值数据生成不确定性数据。
图10描绘了根据本公开的实施例的用于实现本文描述的技术的示例***的方框图。
图11描绘了根据本公开的实施例的用于使用误差模型执行碰撞监测的示例过程。
图12描绘了根据本公开的实施例的用于使用误差模型来确定与物体相关联的估计位置的示例过程。
图13A至图13B描绘了根据本公开的实施例的用于使用不确定性执行碰撞监测的示例过程。
图14描绘了根据本公开的实施例的用于使用不确定性来确定与物体相关联的估计位置的示例过程。
具体实施方式
如上所述，自动驾驶车辆可以使用控制器来引导自动驾驶车辆通过环境。例如，控制器可以使用规划方法、设备和***来确定行驶路径并引导自动驾驶车辆通过环境，该环境包括动态物体(例如，车辆、行人、动物等)和/或静态物体(例如，建筑物、招牌、停止的车辆等)。为了确保乘员和物体的安全，自动驾驶车辆控制器在环境中运行时可以采用安全因子。然而，在至少一些示例中，这样的***和控制器可以包括无法被检查的复杂***。尽管存在这样的事实：可能没有用于确定与此类***和***相关联的误差或不确定性的方法，此类误差和不确定性对于告知此类车辆在环境中的安全操作可能是必要的。
因此，本公开针对这样的技术：用于通过确定复杂***和***的此类误差和/或不确定性模型来使用误差模型和/或***数据执行碰撞监测。例如，自动驾驶车辆可以使用误差模型和/或***不确定性来在以后的时间确定自动驾驶车辆和一个或多个物体两者的估计位置。在一些情况下，估计位置可以包括与自动驾驶车辆和一个或多个物体相关联的概率位置的分布。然后，自动驾驶车辆可以使用估计位置确定自动驾驶车辆与一个或多个物体之间的碰撞概率。至少部分地基于碰撞概率，自动驾驶车辆可以执行一个或多个动作。在至少一些示例中，可以基于根据本文所详细描述的任何技术做出的确定来确定这样的概率。
有关更多详细信息，自动驾驶车辆可以穿越环境并使用一个或多个传感器生成传感器数据。在一些情况下，传感器数据可以包括由传感器捕获的数据，该传感器例如为飞行时间传感器、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)、激光雷达传感器、雷达传感器、声纳传感器、红外传感器、摄像机(例如，RGB、IR、强度、深度等)、麦克风传感器、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)、超声波转换器、车轮编码器等。然后，自动驾驶车辆可以在导航通过环境时使用一个或多个组件(例如，一个或多个***)来分析传感器数据。
例如，自动驾驶车辆的组件中的一个或多个组件可以使用传感器数据来生成自动驾驶车辆的轨迹。在一些情况下，一个或多个组件还可以使用传感器数据来确定与自动驾驶车辆的位置相关联的姿势数据。例如，一个或多个组件可以使用传感器数据来确定车辆在环境中的位置数据、坐标数据和/或方位数据。在一些情况下，姿势数据可以包括x-y-z坐标和/或可以包括与车辆相关联的俯仰(pitch)、滚动(roll)和偏航(yaw)数据。
此外，自动驾驶车辆的一个或多个组件可以使用传感器数据来执行操作，例如，检测、识别、分割、分类和/或追踪环境内的物体。例如，诸如行人、自行车/自行车骑士、摩托车/摩托车骑士、公共汽车、有轨电车、卡车、动物和/或其类似物的物体可以存在于环境中。一个或多个组件可以使用传感器数据来确定物体的当前位置以及物体在未来时间(例如，未来一秒、未来五秒等)的估计位置。
然后，自动驾驶车辆可以使用自动驾驶车辆的轨迹以及物体的估计位置来确定自动驾驶车辆和物体之间的碰撞概率。例如，自动驾驶车辆可以确定物体在未来时间的估计位置是否与自动驾驶车辆在未来时间沿着轨迹的位置相交。为了提高安全性，自动驾驶车辆可以在做出决定时使用距离和/或时间缓冲。例如，当物体在未来时间的位置在与自动驾驶车辆的位置的阈值距离(例如，距离缓冲)内时，自动驾驶车辆可以确定存在着高碰撞概率。
此外，自动驾驶车辆可以使用与组件相关联的误差模型和/或与组件的输出相关联的不确定性来确定碰撞概率。与组件相关联的误差模型可以表示与组件的输出相关联的一个或多个误差和/或误差百分比。例如，感知误差模型可以产生与感知组件的感知参数(例如，输出)相关联的感知误差，预测误差模型可以产生与来自预测组件的预测参数(例如，输出)相关联的预测误差，等等。在一些情况下，误差可以通过但不限于查找表来表示，该查找表是使用地面真值数据、函数(例如，基于输入参数的误差)或将输出映射到特定误差的任何其他模型或数据结构至少部分地基于统计聚合来确定的。在至少一些示例中，这样的误差模型可以将特定误差与发生的概率/频率进行映射。如将描述的，在一些示例中，可以为某些类别的数据确定这样的误差模型(例如，感知***的不同误差模型，其用于基于车辆、物体等的速率在第一范围内的检测和在第二距离范围内的检测)。
在一些情况下，误差模型可能包括静态误差模型。在其他情况下，误差模型可以包括由自动驾驶车辆和/或一个或多个计算设备更新的动态误差模型。例如，一个或多个计算设备可以持续从自动驾驶车辆接收车辆数据。一个或计算设备然后可以使用车辆数据以及地面真值数据来更新误差模型，这将在下面更详细地描述。在更新误差模型之后，一个或多个计算设备可以将更新的误差模型发送到自动驾驶车辆。
组件可以对传感器数据进行分析，并且至少部分地基于该分析，产生可以表示一个或多个参数的输出。然后，误差模型可以指示车辆的组件的输出，例如，与物体相关联的速度，其与误差百分比相关联。例如，组件可以确定物体在环境中的速度是每秒10米。使用误差模型，自动驾驶车辆可以确定误差百分比为X％(例如，20％)，从而导致速度范围为+/-X％(例如，在20％误差百分比的情况下，范围在每秒8米和每秒12米之间)。在一些情况下，速度范围可以与概率分布相关联，例如，高斯分布，其表示范围的一些部分比范围的其他部分具有更高的发生概率。在一些示例中，可以将概率分布分组成多个离散概率。例如，每秒8米和每秒12米可能与5％的概率相关联，每秒9米和每秒11米可能与20％的概率相关联，而每秒10米可能与45％的概率相关联。
为了使用误差模型，自动驾驶车辆可以至少部分地基于来自组件的输出和与组件相关联的误差模型来确定物体在未来时间的估计位置。估计位置可以对应于位置的概率分布，例如，高斯分布。在一些情况下，自动驾驶车辆通过最初确定与组件和/或参数中的每一个相关联的相应概率分布来确定物体的估计位置。然后，自动驾驶车辆可以使用所有组件和/或参数的概率分布来确定估计位置。例如，自动驾驶车辆可以聚合或组合所有组件和/或参数的概率分布以确定估计位置。聚合和/或组合概率分布可以包括将概率分布相乘，对概率分布求和，和/或将一个或多个其他公式应用于概率分布。
另外或可替代地，在一些情况下，自动驾驶车辆可以首先使用来自组件的输出来确定与物体相关联的初始估计位置。然后，自动驾驶车辆使用误差模型来确定输出中的每个输出的总误差。自动驾驶车辆可以通过聚合和/或组合来自组件的误差模型中的每个误差模型的误差来确定总误差。接下来，自动驾驶车辆可以使用总误差和初始估计位置来确定估计位置。在这种情况下，估计位置可以包括围绕初始估计位置的可能位置的分布。
对于第一示例，自动驾驶车辆可以使用一个或多个组件来分析传感器数据以便确定与物体相关联的参数。参数可以包括但不限于物体的类型、物体的当前位置、物体的速度、物体的行进方向等。使用误差模型，自动驾驶车辆然后可以确定与物体的类型相关联的概率分布、与物体的当前位置相关联的概率分布、与物体的速度相关联的概率分布、与物体的行进方向相关联的概率分布等。然后，自动驾驶车辆可以使用参数的概率分布来确定物体在未来时间的估计位置。在该第一示例中，估计位置中的每一个(或任何一个或多个)可以表示为位置的概率分布。
对于第二示例，自动驾驶车辆可以使用一个或多个组件来分析传感器数据，以便再次确定与物体相关联的参数。然后，自动驾驶车辆可以使用这些参数确定物体在未来时间的初始估计位置。此外，在一些示例中，自动驾驶车辆可以使用与参数相关联的误差模型来确定与确定物体的初始估计位置相关联的总误差和/或误差百分比。然后，自动驾驶车辆可以使用初始估计位置和总误差和/或误差百分比来确定物体的估计位置。再次地，在该第二示例中，估计位置中的每一个(或任何一个或多个)可以表示为位置的概率分布。
在上述任一示例中，自动驾驶车辆可以使用类似的过程来确定位于环境内的一个或多个其他物体的估计位置。此外，自动驾驶车辆可以使用类似的过程来确定自动驾驶车辆在未来时间的估计位置。例如，自动驾驶车辆可以使用一个或多个组件来分析传感器数据以便确定与自动驾驶车辆相关联的参数。参数可以包括但不限于自动驾驶车辆的位置、自动驾驶车辆的速度、自动驾驶车辆的行进方向等。然后，自动驾驶车辆可以采用与参数相关联的误差模型来确定自动驾驶车辆在未来时间的估计位置。在一些示例中，估计位置中的每一个(或任何一个或多个)可以对应于自动驾驶车辆在未来时间的位置的概率分布。
作为使用误差模型来确定自动驾驶车辆和/或物体的估计位置的补充或替代，自动驾驶车辆可以使用与组件和/或输出相关联的***数据(例如，不确定性模型)来确定估计位置。与参数相关联的不确定性模型可以对应于输出有多少应当被信任的分布和/或***认为输出的正确程度的度量。例如，如果组件多次分析传感器数据以便确定物体的位置，如果输出包括由地面真值数据指示的位置周围的值的较小分布(例如，在第一范围内)，则该组件将输出低不确定性。此外，如果输出包括由地面真值数据指示的位置周围的值的较大分布(例如，在大于第一范围的第二范围内)，则该组件将输出大的不确定性。自动驾驶车辆可以使用不确定性模型来确定物体在未来时间的估计位置。
对于第一示例，自动驾驶车辆可以使用一个或多个组件来分析传感器数据以便再次确定与物体相关联的参数。然后，自动驾驶车辆可以确定与确定物体的类型相关联的不确定性模型、与确定物体的当前位置相关联的不确定性模型、与确定物体的速度相关联的不确定性模型、与确定物体的行进方向相关联的不确定性模型等。然后，自动驾驶车辆可以使用与参数相关联的不确定性模型来确定物体在未来时间的估计位置。在该第一示例中，估计位置可以对应于位置的概率分布。
对于第二示例，自动驾驶车辆可以使用一个或多个组件来分析传感器数据，以便再次确定与物体相关联的参数。然后，自动驾驶车辆可以使用这些参数确定物体在未来时间的初始估计位置。此外，自动驾驶车辆可以使用与组件确定参数和估计位置相关联的不确定性模型来确定物体在未来时间的估计位置。再次地，在该第二示例中，估计位置可以对应于位置的概率分布。
在上述任一示例中，自动驾驶车辆可以使用类似的过程来确定位于环境内的一个或多个其他物体的估计位置。此外，自动驾驶车辆可以使用类似的过程来确定自动驾驶车辆在未来时间的估计位置。例如，自动驾驶车辆可以使用一个或多个组件来分析传感器数据以便确定与自动驾驶车辆相关联的参数。参数可以包括但不限于自动驾驶车辆的位置、自动驾驶车辆的速度、自动驾驶车辆的行进方向等(例如，任何和/或所有的这些参数都可以从规划***的输出轨迹中得出)。自动驾驶车辆然后可以使用与确定参数相关联的不确定性模型来确定自动驾驶车辆在未来时间的估计位置。在一些示例中，估计位置可以对应于自动驾驶车辆在未来时间的位置的概率分布。
在一些情况下，自动驾驶车辆然后可以使用自动驾驶车辆的估计位置和物体的估计位置来确定碰撞概率。例如，可以使用自动驾驶车辆的估计位置(例如，位置的概率分布)和物体的估计位置(例如，位置的概率分布)之间的几何重叠区域来计算自动驾驶车辆和物体之间的碰撞概率。在一些情况下，如果有多个物***于环境中，则自动驾驶车辆可以使用针对物体中的每个物体的所确定的碰撞概率来确定与自动驾驶车辆相关联的总碰撞概率。例如，总碰撞概率可以包括针对物体中的每个物体的碰撞概率的总和。
然后，自动驾驶车辆可以确定碰撞概率是否等于或大于阈值(例如，0.5％、1％、5％和/或某个其他阈值百分比)。在一些情况下，如果碰撞概率小于阈值，则自动驾驶车辆可以继续沿着自动驾驶车辆的当前路线导航行进。然而，在一些情况下，如果自动驾驶车辆确定碰撞概率等于或大于阈值，则自动驾驶车辆可以采取一个或多个动作。例如，自动驾驶车辆可以改变自动驾驶车辆的速度(例如，减速)、改变自动驾驶车辆的路线、停放于安全的位置等。
另外或可替代地，在一些情况下，自动驾驶车辆可以至少部分地基于用于确定自动驾驶车辆的估计位置的不确定性模型和用于确定一个或多个物体的估计位置的不确定性模型来确定与对自动驾驶车辆进行导航相关联的总不确定性。然后，自动驾驶车辆可以生成不同的路线并执行类似的过程，以确定与不同路线相关联的总不确定性。此外，自动驾驶车辆可以选择包括最低不确定性的路线。
在一些情况下，自动驾驶车辆和/或一个或多个计算设备使用输入数据(例如，记录数据和/或仿真数据)来生成误差模型和/或不确定性模型。例如，自动驾驶车辆和/或一个或多个计算设备可以将输入数据与地面真值数据进行比较。在一些情况下，可以手动标记和/或从其他经过验证的机器学习组件来确定地面真值数据。例如，输入数据可以包括传感器数据和/或由自动驾驶车辆的组件生成的输出数据。自动驾驶车辆和/或一个或多个计算设备可以将输入数据与可以指示环境中的物体的实际参数的地面真值数据进行比较。通过将输入数据与地面真值数据进行比较，自动驾驶车辆和/或一个或多个计算设备可以确定与组件和/或参数相关联的误差和/或不确定性，并且使用该误差生成对应的误差模型和/或使用该不确定性生成对应的不确定性模型。
在一些情况下，自动驾驶车辆和/或一个或多个计算设备可以确定与组件相关联的不确定性。例如，自动驾驶车辆和/或一个或多个计算设备可以多次将输入数据输入到组件中，以便从组件接收多个输出(例如，参数)。自动驾驶车辆和/或一个或多个计算设备然后可以分析输出以确定与输出相关联的分布。使用该分布，自动驾驶车辆和/或一个或多个计算设备可以确定不确定性。例如，如果存在大的分布，则自动驾驶车辆和/或一个或多个计算设备可以确定存在大的不确定性。然而，如果存在小的分布，则自动驾驶车辆和/或一个或多个计算设备可以确定存在小的不确定性。
本文描述的技术可以以多种方式实现。下文参考以下附图提供示例实施方式。尽管在自动驾驶车辆的上下文中进行了讨论，但本文所描述的方法、装置和***可以应用于各种***(例如，传感器***或机器人平台)，而不限于自动驾驶车辆。在另一示例中，这些技术可以用于航空或航海上下文中，或用在使用机器视觉的任何***中(例如，在使用图像数据的***中)。此外，本文描述的技术可以与真实数据(例如，使用一个或多个传感器捕获的)、仿真数据(例如，由仿真器生成的)或两者的任何组合一起使用。
图1是根据本公开的实施例的包括使用误差模型和/或***数据执行碰撞监测的车辆102的环境100的示图。例如，车辆102可以沿着环境100内的轨迹104导航。在导航时，车辆102可以使用车辆102的一个或多个传感器生成传感器数据106并使用车辆102的一个或多个组件108(例如，一个或多个***)分析传感器数据106。一个或多个组件108可以包括但不限于定位组件、感知组件、预测组件、规划组件等。至少部分地基于该分析，车辆102可以识别位于环境100内的至少第一物体110和第二物体112。
此外，车辆102可以使用一个或多个组件108分析传感器数据106以便确定在未来时间的与车辆102相关联的估计位置114、与第一物体110相关联的估计位置116、以及与第二物体112相关联的估计位置118。在一些情况下，估计位置114可以包括与车辆102相关联的位置的概率分布，估计位置116可以包括与第一物体110相关联的位置的概率分布，和/或估计位置118可以包括与第二物体112相关联的位置的概率分布。
例如，估计位置114可以包括与车辆102相关联的估计位置120(1)、与第一概率相关联的估计位置的第一区域120(2)(例如，第一边界)、与第二概率相关联的估计位置的第二区域120(3)(例如，第二边界)、以及与第三概率相关联的估计位置的第三区域120(4)(例如，第三边界)。在一些情况下，第一概率大于第二概率并且第二概率大于第三概率。例如，车辆102可以确定车辆102将位于估计位置的第一区域120(2)内的概率高于位于可能位置的第二区域120(3)内的概率。另外，车辆102可以确定车辆102将位于估计位置的第二区域120(3)内的概率高于位于估计位置的第三区域120(4)内的概率。
应当注意的是，虽然图1的示例仅示出了估计位置的三个单独的区域，但是在其他示例中，可以存在任意数量的估计位置的区域。此外，更远离估计位置120(1)的区域可以包括比更靠近估计位置120(1)的区域更低的概率。这可以类似地用于物体110和物体112的估计位置中的每一个。
另外，估计位置116可以包括与第一物体110相关联的估计位置122(1)、与第一概率相关联的估计位置的第一区域122(2)(例如，第一边界)，与第二概率相关联的估计位置的第二区域122(3)(例如，第二边界)、以及与第三概率相关联的估计位置的第三区域122(4)(例如，第三边界)。在一些情况下，第一概率大于第二概率并且第二概率大于第三概率。例如，车辆102可以确定第一物体110将位于估计位置的第一区域122(2)内的概率高于位于可能位置的第二区域122(3)内的概率。此外，车辆102可以确定第一物体110将位于估计位置的第二区域122(3)内的概率高于位于估计位置的第三区域122(4)内的概率。
此外，估计位置118可以包括与第二物体112相关联的估计位置124(1)、与第一概率相关联的估计位置的第一区域124(2)(例如，第一边界)、与第二概率相关联的估计位置的第二区域124(3)(例如，第二边界)，以及与第三概率相关联的估计位置的第三区域124(4)(例如，第三边界)。在一些情况下，第一概率大于第二概率并且第二概率大于第三概率。例如，车辆102可以确定第二物体112将位于估计位置的第一区域124(2)内的概率高于位于可能位置的第二区域124(3)内的概率。此外，车辆102可以确定第二物体112将位于估计位置的第二区域124(3)内的概率高于位于估计位置的第三区域124(4)内的概率。
在一些情况下，车辆102可以使用与一个或多个组件108相关联的一个或多个误差模型126来确定估计位置114-118。例如，对于第一物体110，车辆102可以使用一个或多个组件108分析传感器数据106，以便确定与第一物体110相关联的一个或多个参数128。一个或多个参数128可以包括但不限于第一物体110的类型、第一物体110的当前位置(和/或到第一物体110的距离)、第一物体110的速度等。使用一个或多个误差模型126，车辆102然后可以确定第一物体110的估计位置116。
对于第一示例，车辆102可以使用第一误差模型126来确定与第一物体110的类型相关联的概率分布、使用第二误差模型126来确定与第一物体110的当前位置相关联的概率分布、使用第三误差模型126来确定与第一物体110的速度相关联的概率分布，等等。例如，使用第一物体110的速度，车辆102可以确定第一物体110的速度为每秒1米。车辆102然后可以使用第三误差模型126来确定误差百分比可以为X％(例如，20％)，从而产生速度范围(例如，在20％时，速度在每秒0.8米和每秒1.2米之间)。在一些情况下，误差模型126可以进一步指示范围的一些部分比范围的其他部分具有更高的发生概率。例如，每秒0.8米和每秒1.2米可能与5％的概率相关联，每秒0.9米和每秒1.1米可能与20％的概率相关联，而每秒1米可能与45％的概率相关联。车辆102可以使用类似的过程来确定一个或多个其他参数128的概率分布。
车辆102然后可以使用参数128的概率分布来确定第一物体110的估计位置116。此外，车辆102可以使用类似的过程来确定车辆102的参数128，确定与车辆102的参数128相关联的概率分布，并且使用概率分布来确定估计位置114。此外，车辆102可以使用类似的过程来确定第二物体112的参数128，确定与第二物体112的参数128相关联的概率分布，并且使用概率分布来确定估计位置116。
对于第二示例，车辆102可以使用第一物体110的参数128以便确定第一物体110的估计位置122(1)。车辆102然后可以使用与用于确定估计位置122(1)的参数128相关联的误差模型126，以便确定参数128的总误差。使用总误差和估计位置122(1)，车辆102可以确定第一物体110的估计位置116。此外，车辆102可以使用类似的过程来确定车辆102的估计位置114和第二物体112的估计位置118。
作为使用一个或多个误差模型126来确定估计位置114-118的补充或替代，在其他示例中，车辆102可以使用与一个或多个组件108和/或参数128相关联的一个或多个不确定性模型130。例如，来自一个或多个组件108的输出可以包括与确定参数128相关联的一个或多个不确定性模型130。例如，车辆102可以确定与确定第一物体110的类型相关联的第一不确定性模型130、与确定第一物体110的当前位置相关联的第二不确定性模型130、与确定第一物体110的速度相关联的第三不确定性模型130，等等。车辆102然后可以使用参数128和不确定性模型130来确定第一物体110的估计位置116。
对于第一示例，车辆102可以使用第一不确定性模型130来确定与第一物体110的类型相关联的概率分布，使用第二不确定性模型130来确定与第一物体110的当前位置相关联的概率分布，使用第三不确定性模型130来确定与第一物体110的速度相关联的概率分布，等等。例如，使用第一物体110的速度，车辆102可以确定第一物体110的速度是每秒1米。车辆102然后可以确定第一物体的速度的不确定性是20％，因此，确定性是80％。因此，车辆102可以确定速度范围在每秒0.8米和每秒1.2米之间。在一些情况下，车辆102可以进一步确定范围的一些部分比范围的其他部分具有更高的发生概率。例如，每秒0.8米和每秒1.2米可能与5％的概率相关联，每秒0.9米和每秒1.1米可能与20％的概率相关联，而每秒1米可能与45％的概率相关联。车辆102可以使用类似的过程来确定一个或多个其他参数128的概率分布。
然后，车辆102可以使用参数128的概率分布来确定第一物体110的估计位置116。另外，车辆102可以使用类似的过程来确定车辆102的参数128，确定与车辆102的参数128相关联的概率分布，并且使用概率分布来确定估计位置114。此外，车辆102可以使用类似的过程来确定第二物体112的参数128，确定与第二物体112的参数128相关联的概率分布，并且使用概率分布来确定估计位置116。
对于第二示例，车辆102可以使用第一物体110的参数128以便确定第一物体110的估计位置122(1)。车辆102然后可以使用与参数128相关联的一个或多个不确定性模型130以便确定与估计位置122(1)相关联的总不确定性。使用总不确定性，车辆102可以确定第一物体110的估计位置116。此外，车辆102可以使用类似的过程来确定车辆102的估计位置114和第二物体112的估计位置118。
在上述任一示例中，在确定估计位置114-118之后，车辆102可以使用估计位置114-118来确定碰撞概率。例如，车辆102可以确定车辆102和第一物体110之间的碰撞概率。在一些情况下，车辆102可以至少使用车辆102的估计位置114和第一物体110的估计位置116之间的几何重叠区域来确定碰撞概率。
更具体地，车辆102的估计位置114可以是具有参数μν，σν的高斯分布(其可以由N(μν,
Figure BDA0003640379300000073
)表示)。此外，第一物体110的估计位置116可以是具有参数μ0，σ0的高斯分布(其可以由N(μ0,
Figure BDA0003640379300000071
表示)。估计位置114和估计位置116之间的重叠概率然后可以转化为P[x＝0]，其中x属于
Figure BDA0003640379300000072
这可以代表与确定重叠概率相关联的一维问题。
在一些情况下，车辆102可以执行类似的过程以便将一维问题扩展为二维问题。此外，车辆102可以执行类似的过程以便确定车辆102和第二物体112之间的碰撞概率。在一些情况下，车辆102然后可以使用车辆102和第一物体110之间的碰撞概率以及车辆102和第二物体112之间的碰撞概率来确定总碰撞概率。然而，在图1的示例中，由于估计位置114和估计位置118之间没有几何重叠，车辆102和第二物体112之间的碰撞概率可以为零。
车辆102然后可以确定碰撞概率是否等于或大于阈值。至少部分地基于确定碰撞概率小于阈值，车辆102可以继续沿着轨迹104导航。然而，至少部分地基于确定碰撞概率等于或大于阈值，车辆102可以采取一个或多个动作。一个或多个动作可以包括但不限于沿着新的轨迹导航、改变速度(例如，减速)、停车等。
应当注意的是，在一些示例中，车辆102可以执行类似的过程以便确定物体110和物体112之间的碰撞概率。车辆102然后可以至少部分地基于碰撞概率来执行一个或多个动作。例如，如果车辆102确定物体110和物体112之间的碰撞概率等于或大于阈值，则车辆102可以停止。
图2是根据本公开的实施例的车辆102使用一个或多个误差模型126分析传感器数据106以便确定与物体相关联的估计位置的示例的示图。例如，车辆102的一个或多个传感器***202可以生成传感器数据106。然后可以由车辆102的一个或多个组件108分析传感器数据106。在图2的示例中，一个或多个组件108可以包括定位组件204、感知组件206、规划组件208和预测组件210。然而，在其他示例中，车辆102可以不包括定位组件204、感知组件206、规划组件208或预测组件210中的一个或多个。另外或可替代地，在一些示例中，车辆102可以包括一个或多个附加组件。
然后，组件204-210中的一个或多个可以分析传感器数据106并且至少部分地基于该分析生成输出212-218。在一些情况下，输出212-218可以包括与车辆102和/或物体相关联的参数。对于第一示例，来自定位组件204的输出212可以指示车辆102的位置。对于第二示例，来自感知组件206的输出214可以包括与物体相关联的检测、分割、分类等。对于第三示例，来自规划组件208的输出216可以包括用于车辆102在环境内行进的路径。
应当注意的是，虽然在图2的示例中未示出，但是组件204-210中的一个或多个可以使用来自其他组件204-210中的一个或多个的输出212-218以便生成输出212-218。例如，规划组件208可以使用来自定位组件204的输出212以便生成输出216。对于另一示例，规划组件208可以使用来自感知组件206的输出214以便生成输出216。作为使用来自一个或多个其他组件204-210的输出212-218的补充或替代，组件204-210可以使用下文所描述的概率分布220-226。
一个或多个误差组件228可以被配置为使用一个或多个误差模型126来处理输出212-218，以便生成与输出212-218相关联的概率分布220-226。在一些情况下，一个或多个误差组件228可以包含于组件204-210内。例如，定位组件204可以分析传感器数据106，并且至少部分地基于该分析，生成输出212和与输出212相关联的概率分布220两者。对于另一示例，感知组件206可以分析传感器数据106，并且至少部分地基于该分析，生成输出214和与输出214相关联的概率分布222两者。
概率分布220-226可以分别与输出212-218相关。例如，一个或多个误差组件228可以使用与定位组件204相关联的一个或多个误差模型126来处理输出212，以便生成概率分布220。例如，如果输出212指出车辆102的位置，则概率分布220可以表示车辆102的估计位置，该估计位置是基于确定的位置和由针对定位组件204的一个或多个误差模型126表示的一个或多个误差的。此外，误差组件228可以使用与感知组件206相关联的一个或多个误差模型126来处理输出214，以便生成概率分布222。例如，如果输出214指出物体的速度，则概率分布222可以表示物体的可能速度，该可能速度是基于确定的速度和由针对感知组件206的一个或多个误差模型126表示的一个或多个误差的。
估计组件230可以被配置为处理概率分布220-226中的一个或多个和/或传感器数据106(为了清楚起见并未示出)，以便生成与车辆102和/或物体相关联的估计位置232。如本文所讨论的，估计位置232可以包括位置的概率分布，例如，高斯分布。
图3是根据本公开的实施例的车辆102使用一个或多个误差模型126分析传感器数据106以便确定与物体相关联的估计位置的另一示例的示图。在图3的示例中，估计组件230可以分析来自组件204-210中的一个或多个的输出212-218中的一个或多个，以便确定与车辆102和/或物体相关联的估计位置302。一个或多个误差组件228然后可以使用一个或多个误差模型126和估计位置302来确定车辆102和/或物体的估计位置304。
例如，一个或多个误差组件228可以使用一个或多个误差模型126来确定与一个或多个组件204-210的一个或多个输出212-218相关联的、用于确定估计位置302的一个或多个总误差和/或总误差百分比。一个或多个误差组件228然后可以使用一个或多个总误差和/或总误差百分比来生成估计位置304。如本文所讨论的，估计位置304可以包括位置的概率分布，例如，高斯分布。
图4是根据本公开的实施例的车辆102使用一个或多个不确定性模型130分析传感器数据106以便确定与物体相关联的估计位置的示例的示图。例如，一个或多个不确定性组件402可以被配置为使用一个或多个不确定性模型130来处理输出212-218，以便生成与输出212-218相关联的概率分布404-410。在一些情况下，一个或多个不确定性组件402可以包含于组件204-210内。例如，定位组件204可以分析传感器数据106，并且至少部分地基于该分析，生成输出212和与输出212相关联的概率分布404两者。对于另一个示例，感知组件206可以分析传感器数据106，并且至少部分地基于该分析，生成输出214和与输出214相关联的概率分布406两者。
应注意的是，虽然在图4的示例中未示出，但是组件204-210中的一个或多个可以使用来自其他组件204-210中的一个或多个的输出212-218来生成输出212-218。例如，规划组件208可以使用来自定位组件204的输出212来生成输出216。对于另一个示例，规划组件208可以使用来自感知组件206的输出214来生成输出216。作为使用来自一个或多个其他组件204-210的输出212-218的补充或替代，组件204-210可以使用概率分布404-410。
概率分布404-410可以分别与输出212-218相关联。例如，一个或多个不确定性组件402可以使用与定位组件204相关联的一个或多个不确定性模型130来处理输出212，以便生成概率分布404。例如，如果输出212指出车辆102的位置，则概率分布404可以表示车辆102的估计位置，该估计位置是至少部分基于确定的位置和针对定位组件204的一个或多个不确定性模型130的。此外，一个或多个不确定性组件402可以使用与感知组件206相关联的一个或多个不确定性模型130来处理输出214，以便生成概率分布406。例如，如果输出214指出物体的速度，则概率分布406可以表示物体的可能速度，该可能速度是基于确定的速度和针对感知组件206的一个或多个不确定性模型130的。
估计组件230可以被配置为处理概率分布404-410中的一个或多个和/或传感器数据106(为了清楚起见未示出)，以便生成与车辆102和/或物体相关联的估计位置412。如本文所讨论的，估计位置412可以包括位置的概率分布，例如，高斯分布。
图5是根据本公开的实施例的车辆102使用一个或多个不确定性模型130分析传感器数据106以确定与物体相关联的估计位置的另一示例的示图。在图5的示例中，估计组件230可以分析来自组件204-210中的一个或多个的输出212-218中的一个或多个，以便确定与车辆102和/或物体相关联的估计位置302。一个或多个不确定性组件402然后可以使用一个或多个不确定性模型130和估计位置302来确定车辆102和/或物体的估计位置502。
例如，一个或多个不确定性组件402可以使用组件204-210的一个或多个不确定性模型130来确定与一个或多个组件204-210的一个或多个输出212-218相关联的总不确定性，该总不确定性用于确定估计位置302。一个或多个不确定性组件402然后可以使用总不确定性来生成估计位置502。如本文所讨论的，估计位置502可以包括位置的概率分布，例如，高斯分布。
图6示出了根据本公开的实施例的说明车辆102确定一段时间内的碰撞概率的示例图表600。如图所示，图表600表示沿y轴的概率602和沿x轴的时间604。在图6的示例中，车辆102可以确定在时间606(1)的碰撞概率。例如，在时间606(1)，车辆102可以确定三个未来时间的碰撞概率，该三个未来时间为时间606(2)、时间606(3)和时间606(4)。在一些情况下，碰撞概率与车辆102和单个物体相关联。在其他情况下，碰撞概率与车辆102和多于一个物体相关联。
如图所示，车辆102可以确定在时间606(2)存在第一碰撞概率608(1)、在时间606(3)存在第二碰撞概率608(2)、并且在时间606(4)没有碰撞概率。第一碰撞概率608(1)可能与低风险相关联，第二碰撞概率608(2)可能与高风险相关联，并且由于在时间606(4)没有碰撞概率，所以在时间606(4)不存在碰撞风险。在一些情况下，至少部分地基于第一碰撞概率608(1)低于阈值概率，第一碰撞概率608(1)可以是低风险的。此外，至少部分地基于第二碰撞概率608(2)等于或大于阈值概率，第二碰撞概率608(2)可以是高风险的。
尽管图6的示例说明了确定在离散时间的碰撞概率，但在一些情况下，车辆102可以持续地确定碰撞概率。
图7示出了根据本公开的实施例的至少部分地基于车辆数据和地面真值数据生成误差模型数据的示例700。如图7所描绘的，一个或多个车辆702可以生成车辆数据704并将车辆数据704传输到误差模型组件706。如本文所讨论的，误差模型组件706可以确定能够指示与参数相关联的误差的误差模型126。例如，车辆数据704可以是与一个或多个车辆702的组件相关联的数据，例如，感知组件206、规划组件208、定位组件204、估计组件230等。通过示例而非限制，车辆数据704可以与感知组件206相关联，并且车辆数据704可以包括与一个或多个车辆702在环境中检测到的物体相关联的边界框。
误差模型组件706可以接收可以手动标记和/或从其他经过验证的机器学习组件确定的地面真值数据708。通过示例而非限制，地面真值数据708可以包括与环境中的物体相关联的经过验证的边界框。通过将车辆数据704的边界框与地面真值数据708的边界框进行比较，误差模型组件706可以确定与一个或多个车辆702的***(例如，组件)相关联的误差。这样的误差可以包括，例如，地面真值与输出之间的差异、百分比差异、误差率等。在一些情况下，车辆数据704可以包括与检测到的实体和/或该实体所在的环境相关联的一个或多个特性(也称为参数)。在一些示例中，与实体相关联的特性可以包括但不限于x位置(全局位置)、y位置(全局位置)、z位置(全局位置)、方位、实体类型(例如，分类)、实体的速率、实体的范围(大小)等。与环境相关联的特性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、一天中的某个时间、一周中的某一天、季节、天气状况、暗/明的指示等。因此，误差可能与其他特性(例如，环境参数)相关联。在至少一些示例中，可以为各种参数分组确定这样的误差模型(例如，针对分类、距离、速度等的不同组合的不同模型)。在至少一些示例中，这样的参数可以进一步包括环境信息，例如但不限于物体的数量、一天中的时间、一年中的时间、天气状况等。
误差模型组件706可以处理多个车辆数据704和多个地面真值数据708以确定误差模型数据710。误差模型数据710可以包括由误差模型组件706计算的误差，其可以表示为误差712(1)-(3)。另外，误差模型组件706可以确定表示为概率714(1)-(3)的、与误差712(1)-(3)相关联的概率，其可以与用于呈现误差模型716(1)-(3)的环境参数相关联(其可以表示误差模型126)。通过示例而非限制，车辆数据704可以包括与在包括降雨的环境中距一个或多个车辆702在50米距离处的物体相关联的边界框。地面真值数据708可以提供与物体相关联的经验证的边界框。误差模型组件706可以确定误差模型数据710，该误差模型数据确定与一个或多个车辆702的感知***相关联的误差。该50米距离和降雨可以作为环境参数来确定使用误差模型716(1)-(3)中的哪个误差模型。一旦识别出误差模型，误差模型716(1)-(3)可以基于概率714(1)-(3)提供误差712(1)-(3)，其中与较高概率714(1)-(3)相关联的误差712(1)-(3)相比与较低概率714(1)-(3)相关联的误差712(1)-(3)更有可能被选择。
图8示出了根据本公开的实施例的一个或多个车辆702生成车辆数据704并将车辆数据704传输到一个或多个计算设备802的示例800。如上所述，误差模型组件706可以确定可以指示与参数相关联的误差的感知误差模型。如上所述，车辆数据704可以包括由一个或多个车辆702的传感器生成的传感器数据和/或由一个或多个车辆702的感知***生成的感知数据。可以通过将车辆数据704与地面真值数据708进行比较来确定感知误差模型。地面真值数据708可以被手动标记并且可以与环境相关，并且可以表示已知的结果。因此，车辆数据704中与地面真值数据708的偏差可以被识别为传感器***和/或一个或多个车辆702的感知***中的误差。通过示例而非限制，感知***可以将物体识别为自行车骑士，其中地面真值数据708指示该物体为行人。通过另一示例而非限制，传感器***可以生成将物体表示为具有2米宽度的传感器数据，其中地面真值数据708指示该物体具有3米宽度。
如上所述，误差模型组件706可以确定与车辆数据704中表示的物体相关联的分类，并且确定车辆数据704和/或其他记录数据中具有相同分类的其他物体。然后误差模型组件706可以确定与误差范围相关联的概率分布，该误差范围与物体相关联。基于比较和误差范围，误差模型组件706可以确定估计位置502。
如图8中描绘的，环境804可以包括表示为由感知***生成的边界框的物体806(1)-(3)。感知误差模型数据808可以将情境参数指示为810(1)-(3)并且将与情境参数相关联的误差指示为812(1)-(3)。
图9示出了根据本公开的实施例的至少部分地基于车辆数据和地面真值数据生成不确定性数据的示例900。如图9中描绘的，一个或多个车辆702可以生成车辆数据704并将车辆数据704传输到不确定性模型组件902。如本文所讨论的，不确定性模型组件902可以确定与确定参数的组件相关联的不确定性。例如，车辆数据704可以是与一个或多个车辆702的组件相关联的数据，该组件例如为感知组件206、规划组件208、定位组件204、预测组件210等。通过示例而非限制，车辆数据704可以与感知组件206相关联，并且车辆数据704可以包括与由一个或多个车辆702在环境中检测到的物体相关联的边界框。
不确定性模型组件902可以接收可以被手动标记和/或从其他经过验证的机器学习组件确定的地面真值数据708。通过示例而非限制，地面真值数据708可以包括与环境中的物体相关联的经过验证的边界框。通过比较车辆数据704与地面真值数据708，不确定性模型组件902可以确定一个或多个车辆702的***(例如，组件)确定地面真值的一致性。例如，该一致性可以指示由车辆数据704表示的参数的百分比与由地面真值数据708表示的参数的百分比相同。
不确定性模型组件902然后可以使用该一致性来生成与确定参数的组件相关联和/或与确定参数的组件相关联的不确定性数据904。例如，如果该一致性指示存在低百分比，则不确定性数据904可以指示高不确定性。然而，如果一致性数据指示存在高百分比，则不确定性数据904可以指示低不确定性。
更详细地，不确定性模型组件902可以识别一种或多种类型的不确定性。不确定性的类型可以包括但不限于认知不确定性、偶然不确定性(例如，数据相关、任务相关等)等。认知不确定性可能与对组件生成的数据的无知相关联。偶然不确定性可能与关于数据无法解释的信息的不确定性相关联。不确定性模型组件902然后可以使用识别的一个或多个不确定性来生成一个或多个不确定性模型130。
在一些情况下，不确定性模型组件902可以多次地将数据输入到组件中，其中组件的一个或多个节点在输入数据时发生变化，这导致组件的输出不同。这可能会导致来自组件的输出中的范围。在一些情况下，组件可以进一步将输出的均值和/或方差输出。不确定性模型组件902然后可以使用与输出的范围、均值和/或方差相关联的分布，以针对组件和/或输出类型(例如，参数)生成一个或多个不确定性模型130。
图10描绘了用于实现本文所讨论的技术的示例***1000的方框图。在至少一个示例中，***1000可以包括车辆102。在所示示例1000中，车辆102为自动驾驶车辆；然而，车辆102可以是任何其他类型的车辆(例如，可以提供执行各种操控是否安全的指示的、由驾驶员控制的车辆)。
车辆102可以包括一个或多个计算设备1002、一个或多个传感器***202、一个或多个发射器1004、一个或多个通信连接1006(也称为通信设备和/或调制解调器)、至少一个直接连接1008(例如，用于与车辆102物理耦合以交换数据和/或提供电力)、以及一个或多个驱动***1010。一个或多个传感器***202可以被配置为获取与环境相关联的传感器数据106。
一个或多个传感器***202可以包括飞行时间传感器、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)、激光雷达传感器、雷达传感器、声纳传感器、红外传感器、摄像机(例如，RGB、IR、强度、深度等)、麦克风传感器、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)、超声波转换器、车轮编码器等。一个或多个传感器***202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，飞行时间传感器可以包括位于车辆102的角部、前部、后部、侧面和/或顶部的单独的飞行时间传感器。作为另一示例，摄像机传感器可以包括设置于车辆102的外部和/或内部周围的不同位置的多个摄像机。一个或多个传感器***202可以向一个或多个计算设备1002提供输入。
车辆102还可以包括一个或多个发射器1004，其用于发射光和/或声音。该示例中的一个或多个发射器1004包括用于与车辆102的乘客通信的内部音频和视觉发射器。通过示例而非限制，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)、机械式致动器(例如，安全带张紧器、座椅***、头枕***等)等。该示例中的一个或多个发射器1004还包括外部发射器。通过示例而非限制，在该示例中，外部发射器包括用信号通知行进方向的灯或车辆动作的其他指示器(例如，指示器灯、标志、灯组等)，以及一个或多个音频发射器(例如，扬声器、扬声器组、喇叭等)，以与行人或其他附近的车辆进行声音通信，其中一项或多项可以包括声束转向技术。
车辆102还可以包括一个或多个通信连接1006，其实现车辆102与一个或多个其他本地或远程计算设备(例如，远程长距离操作计算设备)或远程服务之间的通信。例如，一个或多个通信连接1006可以促进与车辆102和/或一个或多个驱动***1010上的一个或多个其他本地计算设备的通信。此外，一个或多个通信连接1006可以允许车辆102与其他附近的一个或多个计算设备(例如，其他附近的车辆、交通信号等)进行通信。
一个或多个通信连接1006可以包括用于将一个或多个计算设备1002连接到另一计算设备或一个或多个外部网络1012(例如，因特网)的物理和/或逻辑接口。例如，一个或多个通信连接1006可以实现基于Wi-Fi的通信，例如，经由IEEE802.11标准定义的频率、短程无线频率(例如，蓝牙)、移动通信(例如，2G、3G、4G、4GLTE、5G等)、卫星通信、专用短程通信(DSRC)、或任何合适的有线或无线通信协议，其使得相应的计算设备能够与一个或多个其他计算设备相接合。在至少一些示例中，一个或多个通信连接1006可以包括如上面详细描述的一个或多个调制解调器。
在至少一个示例中，车辆102可以包括一个或多个驱动***1010。在一些示例中，车辆102可以具有单一驱动***1010。在至少一个示例中，如果车辆102具有多个驱动***1010，则各个驱动***1010可以定位于车辆102的相对端(例如，前部和后部等)。在至少一个示例中，一个或多个驱动***1010可以包括一个或多个传感器***202以检测一个或多个驱动***1010和/或车辆102周围环境的状况。通过示例而非限制，一个或多个传感器***202可以包括用于感测驱动***的车轮的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***的方位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)，摄像机或其他图像传感器，用于声学地检测驱动***周围环境中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，例如，车轮编码器，可以是一个或多个驱动***1010唯一的。在一些情况下，一个或多个驱动***1010上的一个或多个传感器***202可以与车辆102的对应***(例如，一个或多个传感器***202)重叠或对其进行补充。
一个或多个驱动***1010可以包括许多车辆***，包括高压电池、驱动车辆的电机、将来自电池的直流电转换为交流电以供其他车辆***使用的变流器、包括转向电机和转向齿条(其可以是电动的)的转向***、包括液压或电动致动器的制动***、包括液压和/或气动组件的悬挂***、用于分配制动力以减轻抓地力损失并保持控制的稳定控制***、HVAC***、照明(例如，诸如用于照亮车辆外部周围环境的头灯/尾灯之类的照明)以及一个或多个其他***(例如，冷却***、安全***、车载充电***、其他电气组件，例如，DC/DC转换器、高压接头、高压电缆、充电***、充电端口等)。另外，一个或多个驱动***1010可以包括驱动***控制器，其可以接收和预处理来自一个或多个传感器***202的数据并且控制各种车辆***的操作。在一些示例中，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地耦合的存储器。存储器可以存储一个或多个模块以执行一个或多个驱动***1010的各种功能。此外，一个或多个驱动***1010还包括一个或多个通信连接，其使得相应的驱动***能够与一个或多个其他本地或远程计算设备进行通信。
一个或多个计算设备1002可以包括一个或多个处理器1014和与处理器1014通信地耦合的存储器1016。在所示示例中，一个或多个计算设备1002的存储器1016可以存储定位组件204、感知组件206、预测组件210、估计组件230、规划组件208、一个或多个误差组件228、一个或多个不确定性组件402和一个或多个传感器***202。尽管出于说明目的描述为驻留于存储器1016中，但是可以设想，定位组件204、感知组件206、预测组件210、估计组件230、规划组件208、一个或多个误差组件228、一个或多个不确定性组件402和一个或多个***控制器1018可以另外地或可替代地可由一个或多个计算设备1002访问(例如，存储在车辆102的不同组件中和/或可由车辆102访问(例如，远程存储)。
在一个或多个计算设备1002的存储器1016中，定位组件204可以包括从一个或多个传感器***202接收数据以确定车辆102的位置的功能。例如，定位组件204可以包括和/或请求/接收环境的三维地图，并且可以持续确定自动驾驶车辆在地图内的位置。在一些情况下，定位组件204可以使用SLAM(同时定位和映射)或CLAMS(同时校准、定位和映射)来接收飞行时间数据、图像数据、激光雷达数据、雷达数据、声纳数据、IMU数据、GPS数据、车轮编码器数据或其任意组合等，以准确地确定自动驾驶车辆的位置。在一些情况下，定位组件204可以向车辆102的各个组件提供数据以确定自动驾驶车辆的初始位置以用于生成轨迹，如本文中所讨论的。
感知组件206可以包括执行物体检测、分割和/或分类的功能。在一些示例中，感知组件206可以提供经处理的传感器数据，该数据指示存在靠近车辆102的实体和/或将实体分类为实体类型(例如，汽车、行人、自行车骑士、建筑物、树木、路面、路缘、人行道、未知等)。在附加和/或替代示例中，感知组件206可以提供经处理的传感器数据，该数据指示与检测到的实体和/或该实体所处的环境相关联的一个或多个特性(也称为参数)。在一些示例中，与实体相关联的特性可以包括但不限于x位置(全局位置)、y位置(全局位置)、z位置(全局位置)、方位、实体类型(例如，分类)、实体的速率、实体的范围(大小)等。与环境相关联的特性可以包括但不限于环境中存在另一个实体、环境中另一个实体的状态、一天中的某个时间、一周中的一天、季节、天气状况、地理位置、暗/明的指示等。
感知组件206可以包括存储由感知组件206生成的感知数据的功能。在一些情况下，感知组件206可以确定对应于已分类为物体类型的物体的追踪。仅出于说明的目的，使用一个或多个传感器***202，感知组件206可以获取环境的一个或多个图像。一个或多个传感器***202可以获取包括诸如行人之类的物体的环境的图像。行人可以在时间T处于第一位置并且在时间T+t处于第二位置(例如，在时间T之后的时间t跨度内的移动)。换言之，行人可以在这段时间跨度内从第一位置移动到第二位置。例如，这样的运动可以记录为与物体相关联的存储的感知数据。
在一些示例中，存储的感知数据可以包括由车辆获取的融合感知数据。融合感知数据可以包括来自一个或多个传感器***202的传感器数据的融合或其他组合，该传感器***例如为图像传感器、激光雷达传感器、雷达传感器、飞行时间传感器、声纳传感器、全球定位***传感器、内部传感器和/或这些传感器的任意组合。存储的感知数据可以另外地或可替代地包括分类数据，其包括传感器数据中表示的物体(例如，行人、车辆、建筑物、路面等)的语义分类。存储的感知数据可以另外地或可替代地包括与分类为动态物体的物体在环境中的运动相对应的追踪数据(随时间与物体相关联的历史位置、方位、传感器特征等的集合)。追踪数据可以包括多个不同物体随时间的追踪。当物体静止(例如，静止不动)或移动(例如，步行、跑步等)时，可以挖掘该追踪数据以识别某些类型的物体(例如，行人、动物等)的图像。在该示例中，计算设备确定对应于行人的追踪。
预测组件210可以生成表示环境中的一个或多个物体的估计位置的预测概率的一个或多个概率图。例如，预测组件210可以针对距车辆102在阈值距离内的车辆、行人、动物等生成一个或多个概率图。在一些情况下，预测组件210可以测量物体的追踪并基于观察和预测的行为生成物体的离散化预测概率图、热学图、概率分布、离散化概率分布和/或轨迹。在一些情况下，一个或多个概率图可以表示环境中一个或多个物体的意图。
规划组件208可以确定车辆102要依循以穿越环境的路径。例如，规划组件208可以确定各种路线和路径以及各种细节水平。在一些情况下，规划组件208可以确定从第一位置(例如，当前位置)行进到第二位置(例如，目标位置)的路线。出于讨论的目的，路线可以是在两个位置之间行进的航路点的序列。作为非限制性示例，航路点包括街道、交叉路口、全球定位***(GPS)的坐标等。此外，规划组件208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车辆102的指令。在至少一个示例中，规划组件208可以确定如何将车辆102从航路点的序列中的第一航路点引导至航路点的序列中的第二航路点。在一些示例中，指令可以是路径或路径的一部分。在一些示例中，可以根据滚动域技术大致上同时生成多条路径(即，在技术容差内)。可以选择具有最高置信水平的滚动数据域内的多条路径中的一条路径来操作车辆。
在其他示例中，规划组件208可以可替代地或另外地，使用来自感知组件206和/或预测组件210的数据来确定车辆102要依循以穿越环境的路径。例如，规划组件208和/或预测组件210可以从感知组件206接收关于与环境相关联的物体的数据。使用该数据，规划组件208可以确定从第一位置(例如，当前位置)行进到第二位置(例如，目标位置)的路线，以避开环境中的物体。在至少一些示例中，规划组件208可以确定不存在这样的无碰撞路径，并且进而可以提供将车辆102带入安全停止的路径，从而避免所有碰撞和/或以其他方式减轻损坏。
在至少一个示例中，一个或多个计算设备1002可以包括一个或多个***控制器1018，其可以被配置为控制车辆102的转向、推进、制动、安全、发射器、通信和其他***。这些***控制器1018可以与一个或多个驱动***1010的对应***和/或车辆102的其他组件通信和/或对其进行控制，其可以被配置为根据从规划组件208提供的路径进行操作。
车辆102可以通过一个或多个网络1012连接到一个或多个计算设备802并且可以包括一个或多个处理器1020和与一个或多个处理器820通信地耦合的存储器1022。在至少一种情况下，一个或多个处理器820可以类似于一个或多个处理器1014，并且存储器1022可以类似于存储器1016。在所示示例中，一个或多个计算设备802的存储器1022可以存储车辆数据704、地面真值数据708和误差模型组件706。尽管出于说明的目的被描述为驻留于存储器1022中，但是可以设想，车辆数据704、地面真值数据708和/或误差模型组件706可以另外地或可替代地可由一个或多个计算设备802访问(例如，存储在一个或多个计算设备802的不同组件中和/或可由一个或多个计算设备802访问(例如，远程存储))。
一个或多个计算设备1002的一个或多个处理器1014和一个或多个计算设备802的一个或多个处理器1020可以是能够执行指令以处理数据并执行如本文所述的操作的任何合适的处理器。通过示例而非限制，一个或多个处理器1014和1020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成可以存储在寄存器和/或存储器中的其他电子数据的任何其他设备或设备的一部分。在一些示例中，集成电路(例如，ASIC等)、门阵列(例如，FPGA等)和其他硬件设备只要被配置为实现编码指令，也可以被认为是处理器。
一个或多个计算设备1002的存储器1016和一个或多个计算设备802的存储器1022是非暂时性计算机可读介质的示例。存储器1016和1022可以存储操作***和一个或多个软件应用、指令、程序和/或数据以实现本文描述的方法和属于各种***的功能。在各种实施方式中，存储器1016和1022可以使用任何合适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他类型的存储器。本文描述的架构、***和单独的元素可以包括许多其他逻辑、程序和物理组件，其中附图中所示的那些仅仅是与此处的讨论相关联的示例。
在一些情况下，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1016和1022中的组件可以实现为神经网络。
图11-14示出了根据本公开的实施例的示例过程。这些过程被示出为逻辑流程图，其中的每个操作表示可以以硬件、软件或其组合实现的操作序列。在软件的上下文中，操作表示存储于一个或多个计算机可读存储介质上的计算机可执行指令，该指令当由一个或多个处理器执行时，执行所阐述的操作。一般地，计算机可执行指令包括执行特定功能或实现特定抽像数据类型的例程、程序、对象、组件、数据结构等。描述操作的顺序不旨在被解释为限制，并且任何数量的描述的操作可以以任何顺序和/或并行组合以实现该过程。
图11描绘了根据本公开的实施例的用于使用误差模型执行碰撞监测的示例过程1100。在操作1102处，过程1100可以包括接收由一个或多个传感器生成的传感器数据。例如，车辆102可以沿着从第一位置到第二位置的路径导航。在导航时，车辆102可以使用车辆102的一个或多个传感器生成传感器数据。
在操作1104处，过程1100可以包括至少使用车辆的第一***，至少部分地基于传感器数据的第一部分来至少确定与车辆相关联的参数。例如，车辆102可以使用一个或多个***分析传感器数据的第一部分。一个或多个***可以包括但不限于定位***、感知***、规划***、预测***等。至少部分地基于分析，车辆102可以确定与车辆102相关联的参数。参数可以包括但不限于车辆102的位置、车辆102的速度、车辆102的行进方向等。
在操作1106处，过程1100可以包括至少部分地基于与车辆相关联的参数和与第一***相关联的第一误差模型来确定与车辆相关联的估计位置。例如，车辆102可以使用第一误差模型至少处理与车辆102相关联的参数。如本文所讨论的，第一误差模型可以表示与第一***的输出相关联的误差和/或误差百分比。至少部分地基于该处理，车辆102可以确定在之后时间的与车辆102相关联的估计位置。如本文还讨论的，估计位置可以对应于位置的概率分布。
在操作1108处，过程1100可以包括至少使用车辆的第二***，至少部分地基于传感器数据的第二部分来至少确定与物体相关联的参数。例如，车辆102可以分析传感器数据并且至少部分地基于该分析来识别物体。车辆102然后可以使用一个或多个***来分析传感器数据的第二部分。至少部分地基于分析，车辆102可以确定与物体相关联的参数。参数可以包括但不限于物体的类型、物体的位置、物体的速度、物体的行进方向等。
在操作1110处，过程1100可以包括至少部分地基于与物体相关联的参数和与第二***相关联的第二误差模型来确定与物体相关联的估计位置。例如，车辆102可以使用第二误差模型至少处理与物体相关联的参数。如本文所讨论的，第二误差模型可以表示与第二***的输出相关联的误差和/或误差百分比。至少部分地基于该处理，车辆102可以确定在之后时间的与物体相关联的估计位置。如本文还讨论的，估计位置可以对应于位置的概率分布。
在操作1112处，过程1100可以包括至少部分地基于与车辆相关联的估计位置和与物体相关联的估计位置来确定碰撞概率。例如，车辆102可以分析与车辆102相关联的估计位置和与物体相关联的估计位置以便确定碰撞概率。在一些情况下，碰撞概率可以至少部分地基于与车辆102相关联的估计位置和与物体相关联的估计位置之间的重叠量。
在操作1114处，过程1100可以包括确定碰撞概率是否等于或大于阈值。例如，车辆102可以将碰撞概率与阈值进行比较以便确定碰撞概率是否等于或大于阈值。
如果在操作1114处确定碰撞概率不等于或大于阈值，则在操作1116处，过程1100可以包括使车辆继续沿路径导航。例如，如果车辆102确定碰撞概率小于阈值，则车辆102可以继续沿路径导航。
然而，如果在操作1114处确定碰撞概率等于或大于阈值，则在操作1118处，过程1100可以包括使车辆执行一个或多个动作。例如，如果车辆102确定碰撞概率等于或大于阈值，则车辆102可以执行一个或多个动作。该一个或多个动作可以包括但不限于改变车辆102的路径、改变车辆102的速度、使车辆102停车等。
图12描绘了根据本公开的实施例的用于使用误差模型来确定与物体相关联的估计位置的示例过程1200。在操作1202处，过程1200可以包括接收由一个或多个传感器生成的传感器数据。例如，车辆102可以沿着从第一位置到第二位置的路径导航。在导航时，车辆102可以使用车辆102的一个或多个传感器生成传感器数据。
在操作1204处，过程1200可以包括使用车辆的一个或多个***，至少部分地基于传感器数据来确定与物体相关联的第一参数。例如，车辆102可以使用一个或多个***来分析传感器数据。该一个或多个***可以包括但不限于，定位***、感知***、规划***、预测***等。至少部分地基于该分析，车辆102可以确定与物体(例如，车辆或另一物体)相关联的第一参数。第一参数可以包括但不限于物体的位置、物体的速度、物体的行进方向等。
在操作1206处，过程1200可以包括至少部分地基于第一误差模型来确定与第一参数相关联的第一概率分布。例如，车辆102可以使用第一误差模型处理至少第一参数。如本文所讨论的，第一误差模型可以表示与第一参数相关联的误差和/或误差百分比。至少部分地基于该处理，车辆102可以确定与第一参数相关联的第一概率分布。
在操作1208处，过程1200可以包括使用车辆的一个或多个***，至少部分地基于传感器数据或第一概率分布中的至少一个来确定与物体相关联的第二参数。例如，车辆102可以使用一个或多个***来分析传感器数据或第一概率分布中的至少一个。在一些情况下，当第二参数是使用第一参数确定的时，车辆102对第一概率分布进行分析。至少部分地基于该分析，车辆102可以确定与物体(例如，车辆或另一物体)相关联的第二参数。第二参数可以包括但不限于物体的位置、物体的速度、物体的行进方向、物体在未来时间的估计位置等。
在操作1210处，过程1200可以包括至少部分地基于第二误差模型来确定与第二参数相关联的第二概率分布。例如，车辆102可以使用第二误差模型至少处理第二参数。如本文所讨论的，第二误差模型可以表示与第二参数相关联的误差和/或误差百分比。至少部分地基于该处理，车辆102可以确定与第二参数相关联的第二概率分布。
在操作1212处，过程1200可以包括至少部分地基于第一概率分布或第二概率分布中的至少一个来确定与物体相关联的估计位置。例如，车辆102可以至少部分地基于第一概率分布和/或第二概率分布来确定估计位置。在一些情况下，如果第一参数和第二参数是独立的，例如，第一参数指示物体的当前位置而第二参数指示物体的速度，则车辆102可以使用第一概率分布和第二概率分布两者来确定估计位置。在一些情况下，如果第二参数是使用第一参数确定的，例如，如果第二参数指示物体在未来时间的估计位置，而该估计位置是使用指示物体的速度的第一参数确定的，则车辆102可以使用第二概率分布来确定估计位置。
图13A-13B描绘了根据本公开的实施例的用于使用不确定性模型执行碰撞监测的示例过程1300。在操作1302处，过程1300可以包括接收由一个或多个传感器生成的传感器数据。例如，车辆102可以沿着从第一位置到第二位置的路径导航。在导航时，车辆102可以使用车辆102的一个或多个传感器生成传感器数据。
在操作1304处，过程1300可以包括至少使用车辆的第一***，至少部分地基于传感器数据的第一部分来至少确定与车辆相关联的参数。例如，车辆102可以使用一个或多个***来分析传感器数据的第一部分。一个或多个***可以包括但不限于定位***、感知***、规划***、预测***等。至少部分地基于该分析，车辆102可以确定与车辆102相关联的参数。该参数可以包括但不限于车辆102的位置、车辆102的速度、车辆102的行进方向等。
在操作1306处，过程1300可以包括确定与第一***确定与车辆相关联的参数相关联的第一不确定性模型。例如，车辆102可以确定第一不确定性模型。在一些情况下，车辆102通过从第一***接收第一不确定性模型来确定第一不确定性模型。在一些情况下，车辆102使用不确定性数据确定第一不确定性模型，不确定性数据指示与第一***确定第一参数相关联的不确定性。
在操作1308处，过程1300可以包括至少部分地基于与车辆相关联的参数和第一不确定性模型来确定与车辆相关联的估计位置。例如，车辆102可以使用第一不确定性模型至少处理与车辆102相关联的参数。至少部分地基于该处理，车辆102可以确定在之后时间的与车辆102相关联的估计位置。还如本文所讨论的，估计位置可以对应于位置的概率分布。
在操作1310处，过程1300可以包括至少使用车辆的第二***，至少部分地基于传感器数据的第二部分来至少确定与物体相关联的参数。例如，车辆102可以分析传感器数据并且至少部分地基于该分析来识别物体。车辆102然后可以使用一个或多个***来分析传感器数据的第二部分。至少部分地基于该分析，车辆102可以确定与物体相关联的参数。参数可以包括但不限于物体的类型、物体的位置、物体的速度、物体的行进方向等。
在操作1312处，过程1300可以包括确定与第二***确定与物体相关联的参数相关联的第二不确定性模型。例如，车辆102可以确定第二不确定性模型。在一些情况下，车辆102通过从第二***接收第二不确定性模型来确定第二不确定性模型。在一些情况下，车辆102使用不确定性数据确定第二不确定性模型，不确定性数据指示与第二***确定第二参数相关联的不确定性。
在操作1314处，过程1300可以包括至少部分地基于与物体相关联的参数和第二不确定性模型来确定与物体相关联的估计位置。例如，车辆102可以使用第二不确定性模型至少处理与物体相关联的参数。至少部分地基于该处理，车辆102可以确定在之后时间的与物体相关联的估计位置。还如本文所讨论的，估计位置可以对应于位置的概率分布。
在操作1316处，过程1300可以包括至少部分地基于与车辆相关联的估计位置和与物体相关联的估计位置来确定碰撞概率。例如，车辆102可以分析与车辆102相关联的估计位置和与物体相关联的估计位置以便确定碰撞概率。在一些情况下，碰撞概率可以至少部分地基于与车辆102相关联的估计位置和与物体相关联的估计位置之间的重叠量。
在操作1318处，过程1300可以包括确定碰撞概率是否等于或大于阈值。例如，车辆102可以将碰撞概率与阈值进行比较以确定碰撞概率是否等于或大于阈值。
如果在操作1318处确定碰撞概率不等于或大于阈值，则在操作1320处，过程1300可以包括使车辆继续沿着路径导航。例如，如果车辆102确定碰撞概率小于阈值，则车辆102可以继续沿着路径导航。
然而，如果在操作1318处确定碰撞概率等于或大于阈值，则在操作1322处，过程1300可以包括使车辆执行一个或多个动作。例如，如果车辆102确定碰撞概率等于或大于阈值，则车辆102可以执行一个或多个动作。该一个或多个动作可以包括但不限于改变车辆102的路径、改变车辆102的速度、使车辆102停车等。
需要注意的是，在一些示例中，车辆102可以使用与车辆102相关联的多条可能路线来执行步骤1304-1314。在这样的示例中，车辆102可以选择包括最低不确定性和/或最低碰撞概率的路线。
图14描绘了根据本公开的实施例的用于使用不确定性模型来确定与物体相关联的估计位置的示例过程1400。在操作1402处，过程1400可以包括接收由一个或多个传感器生成的传感器数据。例如，车辆102可以沿着从第一位置到第二位置的路径导航。在导航时，车辆102可以使用车辆102的一个或多个传感器生成传感器数据。
在操作1404处，过程1400可以包括使用车辆的一个或多个***，至少部分地基于传感器数据来确定与物体相关联的第一参数。例如，车辆102可以使用一个或多个***来分析传感器数据。一个或多个***可以包括但不限于定位***、感知***、规划***、预测***等。至少部分地基于该分析，车辆102可以确定与物体(例如，车辆或另一物体)相关联的第一参数。第一参数可以包括但不限于物体的位置、物体的速度、物体的行进方向等。
在操作1406处，过程1400可以包括至少部分地基于第一不确定性模型来确定与第一参数相关联的第一概率分布。例如，车辆102可以使用第一不确定性模型至少处理第一参数。至少部分地基于该处理，车辆102可以确定与第一参数相关联的第一概率分布。
在操作1408处，过程1400可以包括使用车辆的一个或多个***，至少部分地基于传感器数据或第一概率分布中的至少一个来确定与物体相关联的第二参数。例如，车辆102可以使用一个或多个***来分析传感器数据或第一概率分布中的至少一个。在一些情况下，当第二参数是使用第一参数确定的时，车辆102可以对第一概率分布进行分析。至少部分地基于该分析，车辆102可以确定与物体(例如，车辆或另一物体)相关联的第二参数。第二参数可以包括但不限于物体的位置、物体的速度、物体的行进方向、物体在未来时间的估计位置等。
在操作1410处，过程1400可以包括至少部分地基于第二不确定性模型来确定与第二参数相关联的第二概率分布。例如，车辆102可以使用第二不确定性模型至少处理第二参数。至少部分地基于该处理，车辆102可以确定与第二参数相关联的第二概率分布。
在操作1412处，过程1400可以包括至少部分地基于第一概率分布或第二概率分布中的至少一个来确定与物体相关联的估计位置。例如，车辆102可以至少部分地基于第一概率分布和/或第二概率分布来确定估计位置。在一些情况下，如果第一参数和第二参数是独立的，例如，第一参数指示物体的当前位置而第二参数指示物体的速度，则车辆102可以使用第一概率分布和第二概率分布两者来确定估计位置。在一些情况下，如果第二参数是使用第一参数来确定的，例如，如果第二参数指示物体在未来时间的估计位置，而该估计位置是使用指示物体的速度的第一参数确定的，则车辆102可以使用第二概率分布来确定估计位置。
结论
虽然已描述了本文描述的技术的一个或多个示例，但其各种变化、增加、排列和等效对象仍包含于本文描述的技术的范围内。
在示例的描述中，参考构成其一部分的附图，附图通过说明的方式示出了要求保护的主题的具体示例。应当理解的是，可以使用其他示例并且可以对其进行变更或替换，例如，结构上的变更。这样的示例、变更或替换不一定会偏离关于预期要求保护的主题的范围。虽然本文的步骤可能会按特定顺序呈现，但在一些情况下，顺序可能会改变，因此在不改变所描述的***和方法的功能的情况下，可以在不同时间或以不同顺序提供某些输入。所公开的程序也能以不同的顺序执行。此外，本文中的各种计算不一定按照公开的顺序执行，并且可以容易地实现使用计算的替代排序的其他示例。除了重排序之外，计算还可以分解为具有相同结果的子计算。
示例条款
A：一种自动驾驶车辆，包括：一个或多个传感器；一个或多个处理器；以及一种或多种计算机可读介质，其存储指令，指令当由一个或多个处理器执行时，使得一个或多个处理器执行操作，操作包括：从一个或多个传感器获取传感器数据；至少部分地基于传感器数据的第一部分，确定自动驾驶车辆在未来时间的估计位置；至少部分地基于自动驾驶车辆的***和传感器数据的第二部分，确定物体在未来时间的估计位置；至少部分地基于误差模型和物体的估计位置，确定与物体相关联的估计位置的分布，误差模型表示与***相关联的误差概率；至少部分地基于自动驾驶车辆的估计位置以及与物体相关联的估计位置的分布，确定自动驾驶车辆和物体之间的碰撞概率；并且至少部分地基于碰撞概率，使得自动驾驶车辆执行一个或多个动作。
B：如段落A中引述的自动驾驶车辆，操作还包括从一个或多个计算设备接收误差模型，误差模型是至少使用由一个或多个车辆生成的传感器数据来生成的。
C：如段落A或B中引述的自动驾驶车辆，操作还包括：至少部分地基于附加误差模型和车辆的估计位置，确定与自动驾驶车辆相关联的估计位置的分布；并且其中，确定自动驾驶车辆和物体之间的碰撞概率至少包括：确定与自动驾驶车辆相关联的估计位置的分布和与物体相关联的估计位置的分布之间的重叠量；并且至少部分地基于重叠量，确定碰撞概率。
D：如段落A至C中任一项引述的自动驾驶车辆，其中：至少部分地基于自动驾驶车辆的附加***，进一步确定物体在未来时间的估计位置；并且至少部分地基于附加误差模型，进一步确定估计位置的分布，附加误差模型表示与附加***相关联的误差分布。
E：一种方法，包括：从车辆的一个或多个传感器接收传感器数据；至少部分地基于传感器数据的第一部分，确定在一时间的与车辆相关联的估计位置；至少部分地基于车辆的***和传感器数据的第二部分，确定与物体相关联的参数；至少部分地基于误差模型和与物体相关联的参数，确定在时间的与物体相关联的估计位置，误差模型表示与***相关联的误差概率；并且至少部分地基于与车辆相关联的估计位置和与物体相关联的估计位置，使得车辆执行一个或多个动作。
F：如段落E中引述的方法，还包括从一个或多个计算设备接收误差模型，误差模型是至少使用由一个或多个车辆生成的传感器数据来生成的。
G：如段落E或F中引述的方法，其中，参数包括以下各项中的至少一项：与物体相关联的物体类型；物体在环境内的位置；物体的速度；或物体在环境内的行进方向。
H：如段落E至F中任一项引述的方法，其中，确定在时间的与车辆相关联的估计位置至少包括：至少部分地基于车辆的附加***和传感器数据的第一部分，确定与车辆相关联的参数；并且至少部分地基于附加误差模型和与车辆相关联的参数，确定在时间的与车辆相关联的估计位置，附加误差模型表示与附加***相关联的误差概率。
I：如段落E至H中任一项引述的方法，还包括：至少部分地基于参数，确定在时间的与物体相关联的附加估计位置；并且其中，确定在时间的与物体相关联的估计位置包括：至少部分地基于误差模型和与物体相关联的附加估计位置，确定在时间的与物体相关联的估计位置。
J：如段落E至I中任一项引述的方法，其中，确定在时间的与物体相关联的估计位置包括：至少部分地基于误差模型和与物体相关联的参数，确定在时间的与物体相关联的估计位置的分布。
K：如段落E至J中任一项引述的方法，其中，确定与车辆相关联的估计位置至少包括：至少部分地基于车辆的附加***和传感器数据的第一部分，确定与车辆相关联的参数；并且至少部分地基于附加误差模型和与车辆相关联的参数，确定在该时间的与车辆相关联的估计位置的分布，附加误差模型表示与附加***相关联的误差概率。
L：如段落E至K中任一项引述的方法，还包括：确定与车辆相关联的估计位置的分布和与物体相关联的估计位置的分布之间的重叠量；并且至少部分地基于重叠量来确定碰撞概率，并且其中，使车辆执行一个或多个动作是至少部分地基于碰撞概率的。
M：如段落E至L中任一项引述的方法，还包括至少部分地基于参数来选择误差模型。
N：如段落E至M中任一项引述的方法，还包括：至少部分地基于车辆的附加***和传感器数据的第二部分，确定与物体相关联的附加参数；并且至少部分地基于附加误差模型和与物体相关联的附加参数，确定与物体相关联的输出，附加误差模型表示与附加***相关联的误差概率；并且其中，确定与物体相关联的参数包括：至少部分地基于车辆的***和输出，确定与物体相关联的参数。
O：如段落E至N中任一项引述的方法，其中，***为感知***并且附加***为预测***。
P：如段落E至O中任一项引述的方法，还包括：至少部分地基于传感器数据的第一部分，确定在晚于时间的附加时间的与车辆相关联的附加估计位置；至少部分地基于车辆的***和传感器数据的第二部分，确定与物体相关联的附加参数；至少部分地基于误差模型和与物体相关联的附加参数，确定在附加时间的与物体相关联的附加估计位置；并且至少部分地基于与车辆相关联的附加估计位置和与物体相关联的附加估计位置，使得车辆执行一个或多个动作。
Q：如段落E至P中任一项引述的方法，还包括：至少部分地基于与车辆相关联的估计位置和与物体相关联的估计位置，确定碰撞概率；并且其中，使得车辆执行一个或多个动作包括：至少部分地基于碰撞概率，使得车辆进行改变速率或改变路线中的至少一个。
R：一种或多种非暂时性计算机可读介质，其存储指令，该指令当由一个或多个处理器执行时，使一个或多个计算设备执行操作，该操作包括：接收由与车辆相关联的传感器生成的传感器数据；至少部分地基于传感器数据的一部分，确定在该时间的与物体相关联的估计位置；至少部分地基于估计位置，从多个误差模型中确定误差模型；至少部分地基于误差模型和估计位置来确定与物体相关联的估计位置的分布；并且至少部分地基于估计位置的分布来确定用于导航车辆的一个或多个动作。
S：如段落R中引述的一种或多种非暂时性计算机可读介质，操作还包括：至少部分地基于传感器数据的一部分来确定与车辆相关联的参数；至少部分地基于参数来确定估计位置，并且其中，误差模型与参数相关联。
T：如段落R或S中任一项引述的一种或多种非暂时性计算机可读介质，其中，确定误差模型进一步至少部分地基于以下各项中的一项或多项：物体的分类、物体的速度、物体的大小、环境中物体的数量、环境中的天气状况、一天中的某个时间、或一年中的某个时间。
U：一种自动驾驶车辆，包括：一个或多个传感器；一个或多个处理器；以及一种或多种计算机可读介质，其存储指令，该指令当由一个或多个处理器执行时，使一个或多个处理器执行操作，操作包括：获取由一个或多个传感器生成的传感器数据；至少部分地基于传感器数据的第一部分确定自动驾驶车辆的估计位置；至少部分地基于传感器数据的第二部分确定物体的估计位置；确定与物体的估计位置相关联的不确定性模型；至少部分地基于不确定性模型和物体的估计位置来确定与物体相关联的估计位置的分布；至少部分地基于与车辆相关联的估计位置和与物体相关联的估计位置的概率来确定自动驾驶车辆和物体之间的碰撞概率；并且至少部分地基于碰撞概率使自动驾驶车辆执行一个或多个动作。
V：如段落U中引述的自动驾驶车辆，操作还包括：确定与附加***确定自动驾驶车辆的估计位置相关联的附加不确定性模型；并且至少部分地基于附加不确定性模型和自动驾驶车辆的估计位置，确定与自动驾驶车辆相关联的估计位置的概率，并且其中，确定自动驾驶车辆与物体之间的碰撞概率至少包括：确定与自动驾驶车辆相关联的估计位置的概率和与物体相关联的估计位置的概率之间的重叠量；并且至少部分地基于重叠量来确定碰撞概率。
W：如段落U或V中引述的自动驾驶车辆，其中：至少部分地基于自动驾驶车辆的附加***进一步确定物体的估计位置；操作还包括确定与附加***确定物体的估计位置相关联的附加不确定性模型；并且至少部分地基于附加不确定性模型进一步确定估计位置的概率。
X：一种方法，包括：从车辆的一个或多个传感器接收传感器数据；至少部分地基于传感器数据的第一部分来确定与车辆相关联的估计位置；至少部分地基于车辆的***和传感器数据的第二部分来确定与物体相关联的参数；确定与***确定与物体相关联的参数相关联的不确定性模型；至少部分地基于与物体相关联的参数和不确定性模型来确定与物体相关联的估计位置；并且至少部分地基于与车辆相关联的估计位置和与物体相关联的估计位置，使车辆执行一个或多个动作。
Y：如段落X中引述的方法，还包括从一个或多个计算设备接收不确定性模型，不确定性模型是至少部分地基于由一个或多个车辆生成的传感器数据生成的。
Z：如段落X或Y中任一项引述的方法，其中，确定与物体相关联的参数包括至少部分地基于***和传感器数据的第二部分来确定以下各项中的至少一项：与物体相关联的物体类型；物体在环境内的位置；物体的速度；或物体在环境内的行进方向。
AA：如段落X至Z中任一项引述的方法，其中，确定与车辆相关联的估计位置至少包括：至少部分地基于车辆的附加***和传感器数据的第一部分来确定与车辆相关联的参数；确定与附加***确定与车辆相关联的参数相关联的附加不确定性模型；并且至少部分地基于与车辆相关联的参数和附加不确定性模型来确定与车辆相关联的估计位置。
AB：如段落X至AA中任一项引述的方法，还包括：至少部分地基于参数确定与物体相关联的附加估计位置，并且其中，确定与物体相关联的估计位置包括至少部分地基于与物体相关联的附加估计位置和不确定性模型来确定与物体相关联的估计位置。
AC：如段落X至AB中任一项引述的方法，其中，确定与物体相关联的估计位置包括至少部分地基于与物体相关联的参数和不确定性模型来确定与物体相关联的估计位置的分布。
AD：如段落X至AC中任一项引述的方法，其中，确定与车辆相关联的估计位置至少包括：至少部分地基于车辆的附加***和传感器数据的第一部分来确定与车辆相关联的参数；确定与附加***确定与车辆相关联的参数相关联的附加不确定性模型；并且至少部分地基于与车辆相关联的参数和附加不确定性模型来确定与车辆相关联的估计位置的分布。
AE：如段落X至AD中任一项引述的方法，还包括：确定与车辆相关联的估计位置的分布和与物体相关联的估计位置的分布之间的重叠量；并且至少部分地基于重叠量来确定碰撞概率，并且其中，至少部分地基于碰撞概率使车辆执行一个或多个动作。
AF：如段落X至AE中任一项引述的方法，还包括：至少部分地基于车辆的附加***和传感器数据的第三部分，确定与物体相关联的附加参数；并且确定与附加***确定与物体相关联的附加参数相关联的附加不确定性模型；并且其中，确定与物体相关联的估计位置进一步至少部分地基于附加参数和附加不确定性模型。
AG：如段落X至AF中任一项引述的方法，还包括：至少部分地基于车辆的附加***和传感器数据的第二部分来确定与物体相关联的附加参数；确定与附加***确定与物体相关联的附加参数相关联的附加不确定性模型；并且至少部分地基于与物体相关联的附加参数和附加不确定性模型来确定与物体相关联的输出，并且其中，确定与物体相关联的参数包括至少部分地基于车辆的***和输出来确定与物体相关联的参数。
AH：如段落X至AG中任一项引述的方法，还包括：至少部分地基于车辆的***和传感器数据的第三部分来确定与附加物体相关联的参数；确定与***确定与附加物体相关联的参数相关联的附加不确定性模型；至少部分地基于与附加物体相关联的参数和附加不确定性模型来确定与附加物体相关联的估计位置；并且其中，使车辆执行一个或多个动作进一步至少部分地基于与附加物体相关联的估计位置。
AI：如段落X至AH中任一项引述的方法，还包括：至少部分地基于与车辆相关联的估计位置和与物体相关联的估计位置来确定碰撞概率，并且其中，使车辆执行一个或多个动作包括至少部分地基于碰撞概率使车辆进行改变速率或改变路线中的至少一个。
AJ：一种或多种非暂时性计算机可读介质，其存储指令，该指令当由一个或多个处理器执行时，使一个或多个计算设备执行操作，操作包括：接收由与车辆相关联的传感器生成的传感器数据；至少部分地基于传感器数据的一部分，确定与物体相关联的估计位置；至少部分地基于估计位置，从多个不确定性模型中确定不确定性模型；至少部分地基于不确定性模型和估计位置来确定与物体相关联的估计位置的分布；并且至少部分地基于估计位置的分布来确定用于导航车辆的一个或多个动作。
AK：如段落AJ引述的一种或多种非暂时性计算机可读介质，操作还包括：至少部分地基于传感器数据的一部分来确定与车辆相关联的参数；至少部分地基于参数来确定估计位置，并且其中，不确定性模型与参数相关联。
AL：如段落AJ或AK中任一项引述的一种或多种非暂时性计算机可读介质，操作还包括：至少部分地基于传感器数据的附加部分来确定与车辆相关联的估计位置；至少部分地基于估计位置，从多个不确定性模型中确定附加不确定性模型；并且至少部分地基于附加不确定性模型和与车辆相关联的估计位置，确定与车辆相关联的估计位置的分布，并且其中，确定一个或多个动作进一步至少部分地基于与车辆相关联的估计位置的分布。
AM：如段落AJ至AL中任一项引述的一种或多种非暂时性计算机可读介质，操作还包括：至少部分地基于与车辆相关联的估计位置的分布和与物体相关联的估计位置的分布来确定碰撞概率，并且其中，至少部分地基于碰撞概率来确定一个或多个动作。
AN：如段落AJ至AM中任一项引述的一种或多种非暂时性计算机可读介质，其中，确定不确定性模型进一步至少部分地基于以下各项中的一项或多项：物体的分类、物体的速度、物体的大小、环境中物体的数量、环境中的天气状况、一天中的某个时间、或一年中的某个时间。

Claims (15)

1.一种自动驾驶车辆，包括：
一个或多个传感器；
一个或多个处理器；以及
一种或多种计算机可读介质，其存储指令，所述指令当由所述一个或多个处理器执行时，使得所述一个或多个处理器执行操作，所述操作包括：
从所述一个或多个传感器获取传感器数据；
至少部分地基于所述传感器数据的第一部分，确定所述自动驾驶车辆在未来时间的估计位置；
至少部分地基于所述自动驾驶车辆的***和所述传感器数据的第二部分，确定物体在所述未来时间的估计位置；
至少部分地基于误差模型和所述物体的估计位置，确定与所述物体相关联的估计位置的分布，所述误差模型表示与所述***相关联的误差概率；
至少部分地基于所述自动驾驶车辆的估计位置以及与所述物体相关联的所述估计位置的分布，确定所述自动驾驶车辆和所述物体之间的碰撞概率；并且
至少部分地基于所述碰撞概率，使得所述自动驾驶车辆执行一个或多个动作。
2.根据权利要求1所述的自动驾驶车辆，所述操作还包括从一个或多个计算设备接收所述误差模型，所述误差模型是至少使用由一个或多个车辆生成的传感器数据来生成的。
3.根据权利要求1或2所述的自动驾驶车辆，所述操作还包括：
至少部分地基于附加误差模型和所述车辆的估计位置，确定与所述自动驾驶车辆相关联的估计位置的分布；
并且其中，确定所述自动驾驶车辆和所述物体之间的所述碰撞概率至少包括：
确定与所述自动驾驶车辆相关联的所述估计位置的分布和与所述物体相关联的所述估计位置的分布之间的重叠量；并且
至少部分地基于所述重叠量，确定所述碰撞概率。
4.根据权利要求1-3中任一项所述的自动驾驶车辆，其中：
至少部分地基于所述自动驾驶车辆的附加***，进一步确定所述物体在所述未来时间的所述估计位置；并且
至少部分地基于附加误差模型，进一步确定所述估计位置的分布，所述附加误差模型表示与所述附加***相关联的误差分布。
5.一种方法，包括：
从车辆的一个或多个传感器接收传感器数据；
至少部分地基于所述传感器数据的第一部分，确定在一时间的与所述车辆相关联的估计位置；
至少部分地基于所述车辆的***和所述传感器数据的第二部分，确定与物体相关联的参数；
至少部分地基于误差模型和与所述物体相关联的所述参数，确定在所述时间的与所述物体相关联的估计位置，所述误差模型表示与所述***相关联的误差概率；并且
至少部分地基于与所述车辆相关联的所述估计位置和与所述物体相关联的所述估计位置，使得所述车辆执行一个或多个动作。
6.根据权利要求5项所述的方法，还包括从一个或多个计算设备接收所述误差模型，所述误差模型是至少使用由一个或多个车辆生成的传感器数据来生成的。
7.根据权利要求5或6所述的方法，其中，所述参数包括以下各项中的至少一项：
与所述物体相关联的物体类型；
所述物体在环境内的位置；
所述物体的速度；或
所述物体在所述环境内的行进方向。
8.根据权利要求5-7中任一项所述的方法，其中，确定在所述时间的与所述车辆相关联的所述估计位置至少包括：
至少部分地基于所述车辆的附加***和所述传感器数据的第一部分，确定与所述车辆相关联的参数；并且
至少部分地基于附加误差模型和与所述车辆相关联的所述参数，确定在所述时间的与所述车辆相关联的所述估计位置，所述附加误差模型表示与所述附加***相关联的误差概率。
9.根据权利要求5-8中任一项所述的方法，还包括：
至少部分地基于所述参数，确定在所述时间的与所述物体相关联的附加估计位置；
并且其中，确定在所述时间的与所述物体相关联的所述估计位置包括：至少部分地基于所述误差模型和与所述物体相关联的所述附加估计位置，确定在所述时间的与所述物体相关联的所述估计位置。
10.根据权利要求5-9中任一项所述的方法，其中，确定在所述时间的与所述物体相关联的所述估计位置包括：至少部分地基于所述误差模型和与所述物体相关联的所述参数，确定在所述时间的与所述物体相关联的估计位置的分布。
11.根据权利要求5-10中任一项所述的方法，还包括至少部分地基于所述参数来选择所述误差模型。
12.根据权利要求5-11中任一项所述的方法，还包括：
至少部分地基于所述车辆的附加***和所述传感器数据的第二部分，确定与所述物体相关联的附加参数；并且
至少部分地基于附加误差模型和与所述物体相关联的所述附加参数，确定与所述物体相关联的输出，所述附加误差模型表示与所述附加***相关联的误差概率；
并且其中，确定与所述物体相关联的所述参数包括：至少部分地基于所述车辆的***和所述输出，确定与所述物体相关联的所述参数。
13.根据权利要求5-11中任一项所述的方法，还包括：
至少部分地基于所述传感器数据的第一部分，确定在晚于所述时间的附加时间的与所述车辆相关联的附加估计位置；
至少部分地基于所述车辆的***和所述传感器数据的第二部分，确定与所述物体相关联的附加参数；
至少部分地基于所述误差模型和与所述物体相关联的所述附加参数，确定在所述附加时间的与所述物体相关联的附加估计位置；并且
至少部分地基于与所述车辆相关联的所述附加估计位置和与所述物体相关联的所述附加估计位置，使得所述车辆执行一个或多个动作。
14.根据权利要求5-13中任一项所述的方法，还包括：
至少部分地基于与所述车辆相关联的所述估计位置和与所述物体相关联的所述估计位置，确定碰撞概率；
并且其中，使得所述车辆执行所述一个或多个动作包括：至少部分地基于所述碰撞概率，使得所述车辆进行改变速率或改变路线中的至少一个。
15.一种或多种非暂时性计算机可读介质，其存储指令，所述指令当被执行时，使得一个或多个处理器执行根据权利要求5-14中任一项所述的方法。
CN202080078816.XA 2019-11-13 2020-11-12 使用统计模型的碰撞监测 Pending CN114730521A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US16/682,971 2019-11-13
US16/682,971 US11697412B2 (en) 2019-11-13 2019-11-13 Collision monitoring using statistic models
US16/683,005 US11648939B2 (en) 2019-11-13 2019-11-13 Collision monitoring using system data
US16/683,005 2019-11-13
PCT/US2020/060197 WO2021097070A1 (en) 2019-11-13 2020-11-12 Collision monitoring using statistic models

Publications (1)

Publication Number Publication Date
CN114730521A true CN114730521A (zh) 2022-07-08

Family

ID=75912837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080078816.XA Pending CN114730521A (zh) 2019-11-13 2020-11-12 使用统计模型的碰撞监测

Country Status (4)

Country Link
EP (1) EP4059003A4 (zh)
JP (1) JP2023502598A (zh)
CN (1) CN114730521A (zh)
WO (1) WO2021097070A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2612632B (en) * 2021-11-08 2024-04-03 Jaguar Land Rover Ltd Control system for a vehicle and method thereof

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
US8457827B1 (en) * 2012-03-15 2013-06-04 Google Inc. Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles
US9656667B2 (en) * 2014-01-29 2017-05-23 Continental Automotive Systems, Inc. Method for minimizing automatic braking intrusion based on collision confidence
WO2015155833A1 (ja) 2014-04-08 2015-10-15 三菱電機株式会社 衝突防止装置
DE112014006561T5 (de) * 2014-04-10 2017-02-16 Mitsubishi Electric Corporation Routenvorausberechunungseinrichtung
JP6409680B2 (ja) * 2015-05-29 2018-10-24 株式会社デンソー 運転支援装置、運転支援方法
JP6481520B2 (ja) * 2015-06-05 2019-03-13 トヨタ自動車株式会社 車両の衝突回避支援装置
US10496766B2 (en) * 2015-11-05 2019-12-03 Zoox, Inc. Simulation system and methods for autonomous vehicles
US10029682B2 (en) * 2016-01-22 2018-07-24 Toyota Motor Engineering & Manufacturing North America, Inc. Surrounding vehicle classification and path prediction
US10699305B2 (en) * 2016-11-21 2020-06-30 Nio Usa, Inc. Smart refill assistant for electric vehicles

Also Published As

Publication number Publication date
EP4059003A1 (en) 2022-09-21
JP2023502598A (ja) 2023-01-25
EP4059003A4 (en) 2023-11-22
WO2021097070A1 (en) 2021-05-20

Similar Documents

Publication Publication Date Title
CN112204634B (zh) 驱动包络确定
US20210339741A1 (en) Constraining vehicle operation based on uncertainty in perception and/or prediction
US11648939B2 (en) Collision monitoring using system data
US10762396B2 (en) Multiple stage image based object detection and recognition
US11697412B2 (en) Collision monitoring using statistic models
CN112789481A (zh) 对自上而下场景的轨迹预测
JP2022539245A (ja) アクションデータに基づくトップダウンシーンの予測
CN114845913A (zh) 基于物体运动的自顶向下场景预测
CN112752950A (zh) 修改与地图数据相关联的地图元素
CN112839853A (zh) 响应式车辆控制
CN114072841A (zh) 根据图像使深度精准化
CN113343746A (zh) 用于车辆行驶表面上的车道检测的方法和设备
CN117813230A (zh) 基于对象轨迹的主动预测
US20230419830A1 (en) Determining right of way
JP2023547988A (ja) 衝突回避計画システム
CN113544538A (zh) 使用速度和位置信息识别雷达反射
CN114730521A (zh) 使用统计模型的碰撞监测
WO2023009794A1 (en) Three-dimensional object detection based on image data
CN117545674A (zh) 用于识别路缘的技术
CN117651880A (zh) 雷达数据分析和隐藏对象检测
CN116229703A (zh) 用于检测交通信号的方法、***和存储介质
KR20230033551A (ko) 운전 가능 영역 검출을 사용한 운행
US20230033177A1 (en) Three-dimensional point clouds based on images and depth data
US20230095410A1 (en) System for detecting objects in an environment
US11915436B1 (en) System for aligning sensor data with maps comprising covariances

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