CN116106905A - 基于雷达的变道安全*** - Google Patents
基于雷达的变道安全*** Download PDFInfo
- Publication number
- CN116106905A CN116106905A CN202211337376.2A CN202211337376A CN116106905A CN 116106905 A CN116106905 A CN 116106905A CN 202211337376 A CN202211337376 A CN 202211337376A CN 116106905 A CN116106905 A CN 116106905A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- radar
- data
- energy levels
- sensor
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 152
- 238000001914 filtration Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims description 86
- 230000015654 memory Effects 0.000 claims description 59
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 47
- 238000010801 machine learning Methods 0.000 claims description 43
- 238000009825 accumulation Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000008447 perception Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 17
- 230000009471 action Effects 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 63
- 238000013527 convolutional neural network Methods 0.000 description 25
- 238000004891 communication Methods 0.000 description 24
- 238000012549 training Methods 0.000 description 22
- 238000003860 storage Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000007726 management method Methods 0.000 description 15
- 230000000670 limiting effect Effects 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012805 post-processing Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 235000019800 disodium phosphate Nutrition 0.000 description 5
- 238000007667 floating Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 125000000914 phenoxymethylpenicillanyl group Chemical group CC1(S[C@H]2N([C@H]1C(=O)*)C([C@H]2NC(COC2=CC=CC=C2)=O)=O)C 0.000 description 2
- 229920002451 polyvinyl alcohol Polymers 0.000 description 2
- 235000019422 polyvinyl alcohol Nutrition 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 101100248200 Arabidopsis thaliana RGGB gene Proteins 0.000 description 1
- 102100035964 Gastrokine-2 Human genes 0.000 description 1
- 101001075215 Homo sapiens Gastrokine-2 Proteins 0.000 description 1
- 102100030148 Integrator complex subunit 8 Human genes 0.000 description 1
- 101710092891 Integrator complex subunit 8 Proteins 0.000 description 1
- 206010027145 Melanocytic naevus Diseases 0.000 description 1
- 208000007256 Nevus Diseases 0.000 description 1
- 206010034960 Photophobia Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001693 membrane extraction with a sorbent interface Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010396 two-hybrid screening Methods 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
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
- G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
-
- 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
- G01S2013/9315—Monitoring blind spots
-
- 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
- G01S2013/9324—Alternative operation using ultrasonic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Acoustics & Sound (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及基于雷达的变道安全***。在各种示例中,本文描述的***可以针对一组过滤标准评估一个或更多个雷达检测,该一个或更多个雷达检测是使用车辆的至少一个传感器产生的。然后,该***可以至少基于评估,累积一个或更多个雷达检测以形成一个或更多个能量水平,该一个或更多个能量水平对应于一个或更多个雷达检测在相对于车辆定位的区域中的一个或更多个位置。然后,该***可以至少基于一个或更多个能量水平的一个或更多个量值,确定与该区域相关联的一个或更多个安全状态。该***可以至少基于一个或更多个安全状态传输引起对车辆进行控制的数据,或采取引起对车辆进行控制的一些其他行动。
Description
背景技术
设计一个***来在没有监督的情况下安全地自主驾驶车辆是非常困难的。自主车辆至少应该能够发挥相当于一个专心致志的司机的功能--司机借助于感知和行动***,该***具有难以置信的识别复杂环境中的移动和静态障碍物并对其做出反应的能力--以避免与沿着车辆路径的其他对象或结构发生碰撞。因此,检测移动或静止行为者(如汽车、行人等)的实例的能力是自主驾驶感知***的一个关键组成部分。随着自主车辆的操作环境开始从高速公路环境扩展到以具有许多遮挡物和复杂形状的复杂场景为特征的半城市和城市环境,这种能力变得越来越重要。
传统的感知方法在很大程度上依赖于使用相机或激光雷达传感器来检测和跟踪场景中的障碍物。然而,单独使用这些方法有很多缺点。例如,仅仅依靠视觉(照相机)和激光雷达的传统检测技术在有严重遮挡的场景中以及在恶劣的天气条件下可能是不可靠的,而且底层的传感器--特别是激光雷达--往往是过于昂贵的。此外,由于来自这些基于相机或激光雷达的***的输出信号需要大量的后处理以提取准确的三维(3D)信息,因此这些***的运行时间通常很高,并且需要额外的计算和处理要求,从而降低了这些***的效率。
基于雷达的变道辅助***通常用于非自主车辆,并针对盲点中的障碍物提供警告。警告的形式可以是后视镜上的灯光、声音、触觉反馈等。这些***是低成本和低复杂度的,从而为人类驾驶员提供额外的意识。这些变道辅助***只对在盲点中接近车辆的雷达检测进行触发。因此,它们无法考虑到可能被认为是危险的、静止的对象、司机盲点外的对象、和/或引起雷达检测的对象类型的多于一种类型的情况。因此,传统的变道辅助***缺乏自主应用所需的许多特征。
发明内容
本公开的实施例涉及基于雷达的变道安全***。公开了这样的***和方法:该***和方法识别和/或分类车辆相邻车道上的障碍物,并根据与障碍物相关联的能量水平的累积向相邻车道中的一个或更多个分配安全状态,以响应于安全状态而采取或阻止行动(例如变道)。
与传统方法相反,所公开的方法可用于在完全自主和半自主应用(或在一些实施例中的非自主应用)中使用雷达(例如,仅雷达)检测和跟踪障碍物。在本公开的某些方面,***可以使用与雷达检测的一个或更多个属性相对应的一组标准来过滤雷达检测,然后累积通过过滤的雷达检测以形成与雷达检测在相对于车辆定位的区域中的位置对应的能量水平。这些***还可以至少根据能量水平的量值来确定与该区域相关的一个或更多个安全状态,并使用安全状态来控制车辆。通过过滤和累积雷达检测,所公开的***可以使用能量水平来随着时间区分不同类型的雷达检测,例如,在考虑驾驶员盲点外的对象与驾驶员盲点内的对象时使用不同的危险标准,对区域内的附近固定对象进行触发,而不是对远处的固定对象进行触发,等等。
附图说明
下面参照附图详细描述用于基于雷达的变道安全监控的本***和方法,其中:
图1A是示出根据本公开的一些实施例的用于确定区域信息的过程的数据流图;
图1B是示出根据本公开的一些实施例的由变道安全监控***执行的示例方法的流程图;
图2是示出根据本公开的一些实施例的在相邻车道的各种安全区域中的本车辆和相邻车辆的示例的示图;
图3是根据本公开的一些实施例的累积雷达检测和对应的安全区域的第一示例投影的图示;
图4是根据本公开的一些实施例的累积雷达检测和对应的对象检测的第二示例正射投影的图示;
图5A是示出了图3的第一组示例雷达检测的结果安全状态的图表;
图5B是示出了图4的第二组示例雷达检测的结果安全状态的图表;
图6是示出根据本公开的一些实施例的用于使用过滤标准确定安全状态的方法的流程图;
图7是示出根据本公开的一些实施例的用于使用一个或更多个机器学习模型确定安全状态的方法的流程图;
图8A是根据本公开的一些实施例的示例自主车辆的图示;
图8B是根据本公开的一些实施例的图8A的示例自主车辆的相机位置和视场的示例;
图8C是根据本公开的一些实施例的图8A的示例自主车辆的示例***架构的框图;
图8D是根据本公开的一些实施例的用于在基于云的服务器与图8A的示例自主车辆之间通信的***图;
图9是适合用于实现本公开的一些实施例的示例计算设备的框图;以及
图10是适合用于实现本公开的一些实施例的示例数据中心的框图。
具体实施方式
公开了与基于雷达的变道安全监控有关的***和方法。尽管本公开可针对示例性自主车辆800(在此可替代性地称为"车辆800"或"本车辆800",其示例被描述为关于图8A-8D),这并不意味着是限制性的。例如,本文所描述的***和方法可由但不限于非自主车辆、半自主车辆(例如,在一个或更多个自适应驾驶辅助***(ADAS)中)、有人驾驶和无人驾驶机器人或机器人平台、仓库车辆、越野车辆、与一个或更多个拖车耦合的车辆、飞行船、船、穿梭机、应急车辆、摩托车、电动或机动自行车、飞机、建筑车辆、水下飞船、无人机和/或其他车辆类型使用。此外,尽管本公开可针对用于自主驾驶的相邻车道的安全状态进行描述,但这并不意味着是限制性的,本文描述的***和方法可用于增强现实、虚拟现实、混合现实、机器人学、安全和监视、自主或半自主机器应用和/或可使用对象跟踪或车道安全监控(或更一般地,占用检测)的任何其他技术空间。
在本公开的实施例中,所公开的***可以评估使用车辆的至少一个传感器产生的一个或更多个雷达检测。多个雷达传感器可以布置在车辆上,并被定向为检测车辆周围的对象。雷达传感器可以产生各种形式的雷达检测。这些雷达探测可以指示相对于车辆的各个区域的障碍物。
过滤标准可用于确定雷达检测是否具有一个或更多个指示性特征,即通过累积针对区域中的位置的雷达检测而保证对各种检测的进一步分析和考虑。例如,过滤标准可被配置为允许累积雷达检测,该雷达检测表明与该雷达检测相关的对象对车辆构成威胁,该威胁应影响对车辆的控制。通过举例而非限制的方式,过滤标准可对应于的雷达检测的属性包括速度(例如,相对于一个或更多个传感器的多普勒速度)、距离(例如,雷达检测和一个或更多个传感器之间)和/或碰撞时间(例如,雷达检测和一个或更多个传感器之间的径向TTC)等的任何组合。
例如,第一组过滤标准可以允许基于指示一个或更多个接近对象的雷达检测的一个或更多个属性进行累积,例如与一个或更多个雷达检测相关联的多普勒速度高于速度阈值。第二组过滤标准可以允许基于雷达检测的一个或更多个属性进行累积,这些属性指示雷达检测落在相对于车辆的范围内,例如距一个或更多个雷达检测的一个或更多个距离高于或低于距离阈值。第三组过滤标准可以允许基于雷达检测的一个或更多个属性进行累积,这些属性指示一个或更多个碰撞时间低于时间阈值。在本公开的一些实施例中,过滤标准可以定义第一距离范围(或区域),其在与至少第二距离范围(或区域)相比,具有关于从累积过滤一个或更多个雷达检测的不同条件集。
在本公开的实施例中,***可以至少基于评估过滤标准,累积一个或更多个雷达检测以形成一个或更多个能量水平,该能量水平对应于一个或更多个雷达检测在相对于车辆定位的区域中的一个或更多个位置。对于通过过滤标准的雷达检测,该雷达检测可以指示可能与车辆控制有关的障碍物。因此,雷达检测可被累积以形成对于该区域内的位置的能量水平。能量水平也可以随时间衰减,例如在累积和/或确定一组时间上相关的雷达检测的能量水平之前或之后。衰减可根据每组连续的雷达数据降低能量水平。这可允许能量水平随时间降低,例如以考虑到移动到新的位置的对象。
在本公开的实施例中,***可以至少基于一个或更多个能量水平的一个或更多个量值来确定与一个区域相关的一个或更多个安全状态。可以为整个区域和/或区域内的一个或更多个各个位置或区确定安全状态。安全状态可以对应于某个阈值或其他涉及能量水平的量值的标准。在一个或更多个实施例中,可以使用不同的阈值来考虑可能引起雷达检测的不同类型的对象。例如,一个或更多个能量水平和/或位置的不同特征可用于确定应用哪个阈值,使得例如,通过使用不同的阈值,摩托车可与卡车区别对待。在一个或更多个实施例中,特征和/或阈值可使用统计技术(如直方图)来确定和/或应用。例如,***可以将一组能量水平与对应于对象类型的直方图进行比较,并在能量水平与直方图充分相似时使用与直方图相关联的阈值。
随着能量水平基于新的雷达检测被累积以及基于时间的流逝而衰减,安全状态可能会改变。作为示例,确定一个或更多个安全状态可以包括根据使用一个或更多个能量水平的安全或不安全的二元分类对一个或更多个位置和/或区域进行分类。安全状态因此可以指示***是否确定车辆执行涉及该区域中的位置的特定动作是安全的,例如向包括该区域的车辆的某一侧改变车道。在本公开的至少一个实施例中,该区域至少部分位于车辆前方。其他区域可以至少部分地在车辆旁边和/或在车辆的各个侧面(例如,朝左和/或朝右)至少部分地在车辆的后面。此外,一个或更多个区域可以部分地相互重叠。在采用多个区域的情况下,可以为每个区域单独地确定安全状态(例如,每个区域的单独安全状态)。
在本公开内容的进一步方面,除了使用过滤标准过滤雷达检测之外或作为替代,所公开的***可以至少基于将一个或更多个能量水平应用于一个或更多个机器学***或其他信息,如一个或更多个属性(和/或从多个雷达检测导出的统计数据),应用于神经网络或其他MLM(在至少一个实施例中,基于使用过滤标准的累积,如本文所述)。例如,对MLM的输入可以包括对应于区域内的位置的单元网格(例如,每个单元对应于世界的二维自上而下表示中的相应位置),并且能量水平和/或属性可以存储在相应位置的一个或更多个单元中。神经网络的输出可以指示与属于一个类别(例如,与一个或更多个安全状态相关联)、相关联的安全状态(例如,二进制分类)和/或相关联的分数(例如,安全级别)的位置相对应的空间网格单元的可能性。
通过训练MLM以在确定安全状态时考虑检测到的对象类型和/或过滤标准,安全状态可以考虑这些差异以提供安全、有效和高效的变道安全***。例如,在训练期间,不同的对象类别可能被不同地对待,这可能影响安全状态。在至少一个实施例中,MLM可以被训练以认为某些对象类别是障碍物(例如,使用显示地障碍物类别或隐含地通过训练),从而增加或减少对应的一个或更多个位置、区、网格单元、像素和/或区域的对应安全状态,以指示增加的危险或障碍。类似地,MLM可以被训练以认为某些对象类别是非障碍物(例如,使用显式障碍物类别或隐式),从而增加或减少对应的一个或更多个位置、区、网格单元、像素和/或区域的对应安全状态,以指示减少对危险或障碍。举例来说,MLM可以被训练以对障碍物输出0,而对非障碍物输出1。例如,减速带可以被归类为非障碍物,而汽车可以被归类为障碍物。然而,更多的离散值可以被使用,例如,至少基于正在被训练的对象类别。例如,MLM可以被训练成针对树枝输出非零值,该值可能低于针对另一车辆的值。
在进一步方面,在训练期间,一个或更多个累积的雷达检测、反射特征和/或其他输入属性可能影响对应的一个或更多个安全状态和/或对象类别。例如,各种对象的特征能量和/或属性值和/或值的范围可以使用滞后和/或其他统计技术从观察中确定,并用于训练。举例来说,行人的地面真值数据可以包括对于一组对应的网格单元的值,这些网格单元可以至少基于(例如,从统计得出的值和/或值的范围中选择,这些值可以基于相对于对象的位置而变化,例如中心与***区域),以及指示障碍或危险的安全状态0,指示行人类别的行人类别值1(或者可以没有任何明确的对象类别,因为不同的对象类型可以由训练中的雷达信息模式来说明)。
在本公开的实施例中,***可以传输至少基于一个或更多个安全状态引起控制车辆的数据。当车辆是在完全自主或半自主模式下运行时,引起对车辆的控制可以防止车辆移动到与区域相关联的车辆一侧(例如,改变车道)。因此,本文所述的***可以在完全自主和半自主的应用中(或在一些实施例中的非自主应用中),能够使用雷达来检测和跟踪障碍物。
所公开的实施例可以在用于自主或半自主机器的控制***、用于自主或半自主机器的感知***、用于执行模拟操作的***、用于执行深度学习操作的***、使用边缘设备实现的***、使用机器人实现的***、包含一个或更多个虚拟机(VM)的***、至少部分在数据中心中实现的***、或至少部分使用云计算资源实现的***中实施。
参照图1A,图1A是示出根据本公开的一些实施例的用于确定区域信息116的示例过程的示例数据流图。应当理解,本文所述的这种和其他布置仅作为示例被阐述。除了所示的那些布置和元件之外或代替所示的那些布置和元件,可以使用其他布置和元件(例如,机器、接口、功能、顺序、功能分组等),并且一些元件可以一起省略。进一步,本文描述的许多元件是可被实现为分立或分布式组件,或结合其他组件且在任何合适的组合和位置中实现的功能实体。本文中描述为由实体执行的各个功能可由硬件、固件和/或软件执行。例如,各个功能可通过处理器执行存储在存储器中的指令来执行。
在高级别,过程100可以包括安全状态分析器107,该安全状态分析器可以被配置为至少部分地基于使用至少一组RADAR(雷达)传感器101生成的一组传感器数据102来分析安全状态。在一个或更多个实施例中,安全状态还可以或替代地基于由传感器数据102捕获的检测对象(如果有的话)。安全状态分析器107可以使用各种算法、程序、阈值和其他计算中的任何一种来确定或指示安全状态。例如,安全状态分析器107可以在一个或更多个算法中使用一个或更多个机器学习模型(MLM)108和/或一个或更多个非机器学习模型118来导出用于确定区域信息116的数据。
传感器数据102可以被预处理104成具有安全状态分析器107理解的格式的输入数据106--例如对于MLM 108包括神经网络的实施例的RADAR张量数据。输入数据106可以被馈送入安全状态分析器107,以确定由输入数据106捕获的区域信息116。在至少一个实施例中,安全状态分析器107的MLM 108预测对象检测数据110和安全状态数据112,这些数据可以被后处理114成区域信息116,区域信息116包括一个或更多个区域状态(例如,安全状态)、对象类别或可以识别一个或更多个区域中检测到的对象的位置、尺寸和/或方向的包围框或形状。区域信息116可以对应于和/或指示自主车辆周围的障碍物,并且可以由自主车辆的控制组件(例如,控制器836、ADAS***838、SOC 804、软件栈和/或图8A-8D的自主车辆800的其他组件)使用,以帮助自主车辆在环境中执行一个或更多个操作(例如,避开障碍物、路径规划、绘图等)。
在传感器数据102包括RADAR数据的实施例中,RADAR数据可以相对于三维(3D)空间捕获。例如,自我对象或自我行为者的一个或更多个RADAR传感器101--例如图8A-8D的自主车辆800的RADAR传感器860--可以被用于生成车辆周围环境中的对象的雷达检测。一般来说,RADAR***可以包括发射器,它发射无线电波。无线电波从某些对象和材料反射出去,而RADAR传感器101可以检测这些反射和反射特性,如方位(bearing)、方位角、仰角、范围(例如,光束飞行时间)、强度、多普勒速度、RADAR截面(RCS)、反射率、SNR(信噪比)等。反射和反射特性可取决于环境中的对象、速度、材料、传感器安装位置和方向等。与RADAR传感器101相关联的固件可用于控制RADAR传感器101,以捕获和/或处理传感器数据102,如来自传感器视场的反射数据。一般来说,传感器数据102可以包括原始传感器数据、RADAR点云数据和/或处理成某种其他格式的反射数据。例如,反射数据可以与位置和方向数据(例如,来自GNSS和IMU传感器)相结合,以形成表示从环境检测到的反射的点云。点云中的每个检测可以包括检测的三维位置和关于检测的元数据,如一个或更多个反射特性。
传感器数据102可以被预处理104成安全状态分析器107所理解的格式。例如,在传感器数据102包括RADAR检测的实施例中,RADAR检测可以被累积、转换到单一坐标系(例如,以自我行为者/车辆为中心)、自我运动补偿(例如,到自我行为者/车辆的最新已知位置),和/或正交投影以形成具有所需尺寸(例如,空间维度)和所需地面采样距离的投影图像(例如,俯视图或自上向下的图像)。投影图像和/或其他反射数据的一个或更多个部分可以被存储和/或编码为合适的表示,例如RADAR张量数据,它可以作为机器学习模型108的输入数据106。例如,在至少一个实施例中,输入数据106可以对应于一个或更多个区域的位置,如本文所述(例如,每个区域的一组输入中的输入或用于多个区域和/或相关位置的共享输入)。
现在将讨论根据本公开的至少一些实施例的用于安全状态分析器107的传感器数据102的预处理104的例子。在至少一个实施例中,传感器数据102可以包括RADAR检测,其可以被累积(并且其可以包括转换到单一坐标系)、自我运动补偿和/或通过预处理104编码成合适的表示,例如RADAR检测的投影图像,具有存储不同的反射特性和/或本文所述的其他属性的多个通道。
在至少一个实施例中,(累积的、自我运动补偿的)RADAR检测可以被编码成合适的表示,例如投影图像,其可以包括存储不同特征的多个通道,例如反射特性或其他属性。更具体地说,累积的、自我运动补偿的检测可以被正交投影,以形成具有所需尺寸(例如,空间维度)和所需地面采样距离的投影图像。可以为投影图像选择任何所需的环境视图,如自上而下的视图、正面视图、透视图和/或其他。在一些实施例中,可以生成具有不同视图的多个投影图像,每个投影图像被输入到单独的通道或输入到安全状态分析器107(例如,CNN)。当投影图像可以被评估为机器学习模型108的输入时,通常在预测精度和计算需求之间存在折衷。因此,可以选择投影图像的所需空间尺寸和地面采样距离(例如,每像素米)作为设计选择。图3和图4中显示了示例投影图像。
在一些实施例中,投影图像可以包括多个层,不同层的像素值存储不同的反射特性或对应于一个或更多个雷达检测的其他属性。在一些实施例中,对于投影图像上一个或更多个检测点所在的每个像素,可以计算、确定或以其他方式从RADAR检测的反射特性(例如,方位、方位角、仰角、范围、强度、多普勒速度、RADAR截面(RCS)、反射率、信噪比(SNR)等)中选择一组特征。当有多个检测对应于同一像素上从而形成点塔时,该像素的特定特征可以通过聚合多个重叠检测的对应反射特性来计算(例如,使用统计值,如标准偏差、平均值等)。因此,任何给定的像素可以有多个相关联的特征值,这些特征值可以存储在输入数据106(例如,神经网络的张量数据)的对应通道中。
现在将讨论根据本公开内容的至少一些实施例的机器学习模型108的示例实施。在高级别,机器学习模型108(例如,神经网络)可以接受输入数据106以检测对象,例如在传感器数据102中表示的障碍物(或障碍)的实例。在非限制性的示例中,机器学习模型108可以把累积的、自我运动补偿的和正交投影的RADAR检测的投影图像作为输入,其中针对任何给定像素的RADAR探测的各种反射特性可以存储在输入张量的对应通道中。为了从输入数据106生成区域信息116,机器学习模型108可以预测每个类别、位置/像素和/或区域的对象检测数据110和/或安全状态数据112。对象检测数据110和安全状态数据112可以被后处理114,以生成区域信息116,其包括一个或更多个区域状态(例如安全状态)、对象类别或可以识别一个或更多个区域中的检测到的对象的位置、大小和/或方向的包围框或形状。
在至少一个实施例中,机器学习模型108可以使用DNN实现,例如卷积神经网络(CNN)。尽管在机器学习模型108使用神经网络实现的情况下描述某些实施例,特别是使用CNN来实现,但这并不意味着是限制性的。例如,在不受限制的情况下,机器学习模型108可以包括任何类型的机器学习模型,例如使用线性回归、逻辑回归、决策树、支持向量机(SVM)、奈夫贝叶斯、K-近邻(Knn)、K均值聚类、随机森林、降维算法、梯度提升算法、神经网络(例如,自动编码器、卷积、循环、感知器、长/短期记忆(STM)、Hopfield、Boltzmann、深度信念、解卷积、生成对抗、液态机等)的一个或更多个机器学习模型和/或其他类型的机器学习模型。
机器学习模型108可以包括具有几个头部(或至少部分离散的层流)的公共主干(或层流),用于基于输入数据106预测不同输出。例如,机器学习模型108可以包括但不限于包括卷积层、池化层和/或其他层类型的特征提取器,其中特征提取器的输出被作为输入提供给用于预测对象检测数据110的一个或更多个第一头和用于预测安全状态数据112的一个或更多个第二头。在一些例子中,第一头和第二头可以接收并行输入,因此可以从类似的输入数据产生不同的输出。
因此,机器学习模型108可以从特定的输入(例如,输入数据106)或多个输入(例如,在迭代和/或时间性的实施例中)预测(例如,对象检测数据110的)多通道分类数据和/或(例如,安全状态数据112的)多通道安全状态数据。下面更详细地描述一些可能的训练技术。在操作中,机器学习模型108的输出可以被后处理(例如,解码),以生成一个或更多个区域状态(例如,安全状态)、对象类别或可以识别一个或更多个区域中的检测到的对象的位置、大小和/或方向的包围框或形状,如下面更详细地解释的。此外,或者作为使用具有单独分割头的公共主干的机器学习模型108的补偿或替代,单独的DNN特征化器可以被配置为评估来自环境的不同视图的投影图像。在一个示例中,可以用不同的视图生成多个投影图像,每个投影图像可以被馈送入单独的并排的DNN特征化器,并且DNN特征化器的潜在空间张量可以被组合并解码为区域信息116。在另一个例子中,顺序的DNN特征化器可以被链接。在这个例子中,可以用环境的第一视图(例如,透视图)生成第一投影图像,第一投影图像可以被送入第一DNN特征化器(例如,其预测分类数据),第一DNN特征化器的输出可以被转换为环境的第二视图(例如,俯视图),其可以被送入第二DNN特征化器(例如,安全状态数据112)。这些架构只是作为示例表示,并且其他架构(无论是单视图还是具有单独的DNN特征化器的多视图场景)都在本公开的范围内被考虑。
机器学习模型108的输出可以被后处理114(例如,解码)以产生一个或更多个区域状态(例如,安全状态)、对象类别或可以识别一个或更多个区域中的检测对象的位置、大小和/或方向的包围框或形状。例如,当机器学习模型108的输入包括(例如,累积的、自我运动补偿的和正交投影的RADAR检测的)投影图像或其一个或更多个部分时,可以相对于投影图像(例如,在投影图像的图像空间中)识别和/或确定一个或更多个区域状态(例如,安全状态)、对象类别或可以识别一个或更多个区域中的检测对象的位置、大小和/或方向的包围框或形状。在对象检测数据110包括对象实例数据的实施例中,由于对象实例数据可能是有噪声的和/或可能产生多个候选者,可以使用非最大抑制、基于密度的噪声应用空间聚类(DBSCAN)和/或另一个函数来产生包围形状。
现在将讨论根据本公开的一些实施例的用于在变道安全***中生成区域信息116的后处理过程114。如本文所述,安全状态数据112可以包括一个或更多个特定位置、区、网格单元、像素和/或区域的一个或更多个输出,指示一个或更多个安全状态和/或类别的对应预测置信度值。在至少一个实施例中,后处理114可以至少基于对应的置信度值超过阈值,将安全状态和/或类别分配给一个或更多个特定位置、区、网格单元、像素和/或区域。类似地,在包括对象检测数据110的实施例中,对象检测数据110可以包括一个或更多个特定位置、区、网格单元、像素和/或区域的一个或更多个输出,指示一个或更多个对象类别的对应预测置信度值。
在至少一个实施例中,可以从包括置信度值的一个或更多个置信度图产生分割图。在至少一个实施例中,后处理114可以利用实例解码器并包括诸如过滤和/或聚类的操作。通常,实例解码器可以基于来自安全状态分析器107的一个或更多个输出,从数据的对应通道的置信度图识别候选包围框(或其他包围形状)(例如,对于每个对象类别和/或安全状态)。该信息可用于识别候选对象检测和/或安全状态区或域(例如,具有唯一中心点、高度、宽度、方向等的候选)。结果可以是一组候选包围框(或其他包围形状)。在一个或更多个实施例中,整个区域可以被分配一个安全状态,以及为对象检测和/或安全状态域生成包围框或形状,和/或分割图(如果有的话)。
虽然主要描述了MLM 108,但非机器学***和/或反射特性或属性)可以使用诸如滞后的统计数据来确定,如本文关于训练所描述的。
现在参考图1B,图1B是示出根据本公开的一些实施例的由变道安全监控***执行的示例方法150的流程图。本文所描述的方法150和其他方法的每个框包括可使用硬件、固件和/或软件的任何组合来执行的计算过程。例如,各种功能可以由处理器执行存储在存储器中的指令来执行。这些方法也可以体现为存储在计算机存储介质上的计算机可使用指令。这些方法可以由独立的应用程序、服务或托管服务(独立的或与另一托管服务相结合)、或另一产品的插件提供,仅举几例。此外,作为例子,方法150是针对可实现图1A的过程100的***描述的。然而,这些方法可以额外地或替代地由任何一个***或***的任何组合执行,包括但不限于本文描述的那些***。
方法150在框B152包括接收雷达检测。在本公开的实施例中,***可以接收使用车辆的至少一个传感器产生的一个或更多个雷达检测然后对其进行评估。车辆的示例可以是车辆800,并且传感器可以是雷达传感器860。雷达传感器可以布置在车辆800上,并被定向为检测车辆周围的对象。包括被多个障碍物包围的车辆202的示例场景200显示在图2中,并在下面描述。这些雷达检测可以指示相对于车辆202的各个区域中的障碍物,例如一组左侧安全区域204A-N和一组右侧安全区域206A-N。如所示,一个或更多个区域可以至少部分位于车辆202的前方。同样在本公开的实施例中,一个区域可以与一个或更多个其他区域重叠,如图2中所示。第一区域204A可至少部分地与第二区域204B重叠,可包括一半的重叠,如图2所示(例如,使得一个区域内的每个位置都在与该区域相邻的另一个区域内)。在至少一个实施例中,可以包括多行的一个或更多个区域,如由区域204C或区域206C所指示。这些区域可以类似于或不同于横向更靠近车辆202的区域。
在示例场景200中,单个大型车辆208被布置在一个或更多个左侧安全区域204A-N中,并且两个标准车辆210A-B被布置在一个或更多个右侧安全区域206A-N。车辆202的雷达传感器可以产生各种形式的指示障碍物(如示例场景200的大型车辆208和标准车辆210A-B)的雷达检测。障碍物可以基于它们在一个或更多个区域中的存在来考虑,如图2所示的那些。在本公开的实施例中,区域外的雷达检测可以被丢弃(例如,通过预处理104和/或后处理114)。
方法150在框B154包括分析雷达检测的属性。该属性可以识别相对于车辆800的障碍物的一个或更多个特性或值。在本公开的一些实施例中,一个或更多个属性可以通过分析雷达检测来确定。这里已经描述了各种属性的例子。第一示例属性可以是探测到的障碍物和车辆800之间的距离。该距离可以是车辆800和障碍物之间的直线距离(例如由雷达测量)。该距离可以额外地或替代地是沿行进方向向前或向后的测量(例如,整体距离的向前或向后部分)。第二示例属性可以是障碍物的速度。该速度可以相对于本车辆800、相对于底层表面、或相对于某个其他参考系来测量。速度可以是矢量,包括量值和方向。方向可以相对于行进方向、基本方向(如真北、网格北或磁北)或某个其他方向来测量。第三示例属性是障碍物对车辆800的碰撞时间(TTC)。TTC可以是估计的直到障碍物和车辆800之间发生碰撞(如果有的话)的时间量。TTC可以是在车辆800与障碍物处于同一车道的情况下直到碰撞的估计时间量。
方法150在框B156包括应用过滤标准。该过滤标准可用于确定雷达检测是否具有如下的一个或更多个特性:该特性指示通过累积区域中的位置的雷达检测来保证进一步分析和考虑各种检测。该应用可包括至少部分地基于上述属性中的一个或更多个,针对一组过滤标准评估一个或更多个雷达检测。通过一个或更多个过滤标准的检测可用于分析是否触发(直接或间接地)阻止车辆800移动到与该障碍物相关联的车道或以其他方式控制车辆。在一个或更多个实施例中,未通过任何过滤标准的检测不被用于分析。
一组过滤标准中的第一示例标准可以至少基于与一个或更多个雷达检测相关联的多普勒速度高于速度阈值。一组过滤标准中的第二示例标准可被配置为至少基于距一个或更多个雷达检测的一个或更多个距离低于距离阈值而将一个或更多个雷达检测包括在累积中。一组过滤标准的第三示例标准被配置为至少基于与一个或更多个雷达检测相关联的一个或更多个碰撞时间低于时间阈值而将一个或更多个雷达检测包括在累积中。
应该理解的是,该组过滤标准可以基于各种因素中的任何一个而不同。作为第一示例,第一组过滤标准可应用于第一距离范围,该距离范围具有与第二距离范围不同的、关于从累积中过滤一个或更多个雷达检测的一组条件。作为第二示例,第一组过滤标准可以在车辆800的低速下应用,而另一组可以在车辆800的高速下应用。
如图1B中由决策框B158所示,如果雷达检测通过在框B156的过滤标准的应用,则可以根据框B160A累积雷达检测。然而,如果雷达检测没有通过在框B156的过滤标准的应用,则雷达检测不会按照框B160B被累积(即,它被过滤掉)。
如本文所述,雷达检测被累积到的能量水平可以与相对于车辆800的一个或更多个区域的一个或更多个位置相关联。该一个或更多个区域或位置可以在迭代之间推进能量水平。至少基于针对过滤标准的评估,一个或更多个雷达检测可以被添加或以其他方式与对应于一个或更多个雷达检测的一个或更多个位置的一个或更多个能量水平相关联。在实施例中,该组过滤标准被配置为至少基于指示一个或更多个接近对象(或具有导致其通过过滤标准的一些其他属性的对象)的一个或更多个雷达检测,将一个或更多个雷达检测包括在累积中。
方法150在框B162包括至少基于能量水平对一个或更多个位置进行分类。例如,安全状态分析器107和后处理114可被用于对位置、区、网格单元、像素和/或区域进行分类。分类可以确定与一个或更多个位置(例如,一个区域)相关联的障碍物、对象和/或安全状态的类别或类型。该方法可以包括使用一个或更多个分类器应用或以其他方式评估一个或更多个能量水平,以将一个或更多个类别分配给与一个或更多个位置相关联的区域的至少一部分。在本公开的实施例中,能量水平可被应用于神经网络或其他分类器,如本文所述。作为示例而非限制,神经网络的一个或更多个输出可以指示与一个或更多个位置中的属于与一个或更多个安全状态相关联的类别的位置相对应的空间网格单元的可能性。
因此,该方法可以包括将类别、类型、分数或其他指定分配给能量水平,这可能影响车辆800的控制。例如,如果障碍物被分类为自行车,则车辆800的控制可以与障碍物被分类为大卡车不同。分类器还可以确定单个检测到的障碍物是否可能与两个或更多个不同的障碍物(例如两个相互靠近行驶的车辆)有关,或者两个或更多个不同的障碍物检测是否与单个大型障碍物(例如带有拖车的车辆)有关。
与区域相关联的一个或更多个安全状态可以至少基于一个或更多个能量水平的一个或更多个量值。可以至少部分地通过根据使用一个或更多个能量水平的安全或不安全的二元分类对一个或更多个位置分类,来确定一个或更多个安全状态。二元分类可以是"安全"或"不安全"的指定,"1"或"0"的指定,"绿色"或"红色"的指定,"允许变道"或"不允许变道"的指定,或其他指定。
图5A和图5B示出了根据一个或更多个实施例的示例安全状态。图5A显示了可以为图3确定的相关安全状态,而图5B显示了可以为图4确定的相关安全状态。图3和图4都示出了具有车辆和施加在其上的安全区域的投影图像的示例。图5A和图5B都包括每一侧的安全状态,都是左边安全,右边不安全。在图5A和图5B的示例中,车辆包括分布在车辆周围的九个雷达传感器,这里讨论的步骤是针对每个单独的雷达传感器执行的。如果相应雷达传感器视野内的区域累积超过阈值,则该雷达传感器可以报告"0",指示不安全的指定。如果任何雷达传感器报告侧面是不安全的,则可以将整个侧面指定为不安全。例如,图5A标有“左侧安全”的每个安全状态可以对应于同一个第一区域,图5A标有“右侧安全”的的每个安全状态可以对应于同一个第二区域。在不同的实施例中,来自雷达传感器的检测的早期和/或后期融合可用于确定区域的最终安全状态。作为示例而非限制,如果区域的任何安全状态是不安全的,那么该区域的最终安全状态可以是不安全的安全状态。类似地,如果区域的所有安全状态都是安全的,则该区域的最终安全状态可以是安全的安全状态。
方法150在框B164包括衰减能量水平(例如,每个位置)。衰减能量水平随时间减少能量水平。如果累积的能量小于衰减的能量,则该区域的整体能量水平可能降低。如果累积的能量大于衰减的能量,则该区域的整体能量水平可能会增加。当障碍物离开区域,并且没有被另一个障碍物取代时,该区域的能量水平可能会衰减回一个默认水平。如果障碍物仍然在该区域内,则能量水平可以保持在指示该区域内的对车辆800的潜在威胁的升高水平。框B164的位置显示了衰减能量水平的一个合适时间,但衰减可以在任何合适的时间应用。
方法150在框B168包括至少部分地基于安全状态而控制或命令车辆。引起对车辆的控制可以阻止车辆在与该区域相关联的方向上移动。例如,在图5A和图5B中,右侧都被指定为不安全。因此,控制可以阻止车辆向右变道。控制可以允许车辆向左变道,因为左边已经被指定为安全。在不同的实施例中,控制可以作为其他自主驾驶规划器的主要或次要检查或故障保护,如本文讨论的那些。
现在参考图6和图7,本文描述的方法600和700的每个框包括可使用硬件、固件和/或软件的任何组合来执行的计算过程。例如,各种功能可以由处理器执行存储在存储器中的指令来执行。这些方法也可以体现为存储在计算机存储介质上的计算机可使用指令。这些方法可以由独立的应用程序、服务或托管服务(独立的或与另一托管服务相结合)、或另一产品的插件提供,仅举几例。此外,方法600和700通过举例的方式,就上述变道安全***进行了描述。然而,这些方法可以额外地或替代地由任何一个***或任何***的组合执行,包括但不限于本文所描述的那些。
图6是示出根据本公开的一些实施例的用于使用过滤标准确定安全状态的方法600的流程图。该方法600在框B602处包括针对一组过滤标准评估一个或更多个雷达检测。例如,预处理104可以包括针对一组过滤标准评估一个或更多个雷达检测,该一个或更多个雷达检测是使用车辆202的雷达传感器101生成的。雷达检测的各种属性可以被识别并与过滤标准进行比较。
方法600在框B604包括累积来自框B602的雷达检测以形成能量水平。例如,预处理104可以包括至少基于评估,累积一个或更多个雷达检测以形成与相对于车辆202定位的区域(例如,区域204N)中的一个或更多个雷达检测的一个或更多个位置对应的一个或更多个能量水平。累积可将能量水平添加到先前的迭代。
方法600在框B606包括确定一个或更多个安全状态。例如,安全状态分析器107和后处理114可用于至少基于一个或更多个能量水平的一个或更多个量值来确定与该区域相关联的一个或更多个安全状态。安全状态影响***是否确定车辆可以移动到该相应的侧面或区域。
方法600在框B608处包括至少基于一个或更多个安全状态而传输引起控制车辆的数据。所传输的数据可以直接或间接地引起对车辆的控制,并且可以作为其他自主控制应用的辅助安全***。
图7是示出根据本公开的一些实施例的用于使用一个或更多个机器学***。例如,预处理104可以包括累积使用车辆的至少一个传感器生成的一个或更多个雷达检测,以形成与相对于车辆定位的区域内的一个或更多个雷达检测的一个或更多个位置对应的一个或更多个能量水平。
方法700在框B704包括将能量水平应用于MLM以执行推理。例如,安全状态分析器107可以将一个或更多个能量水平应用于一个或更多个MLM,一个或更多个MLM经训练以将一个或更多个类别分配给与一个或更多个位置相关联的区域的至少一部分。基于MLM的训练,该分类可以包括安全状态和/或检测到的障碍物的类型。
方法700在框B706处包括基于该类别确定安全状态。例如,后处理114可以至少基于由一个或更多个MLM产生的并与一个或更多个类别相关联的一个或更多个输出,来确定与该区域相关联的一个或更多个安全状态。
方法700在框B708处包括至少基于一个或更多个安全状态而传输引起对车辆控制的数据。
示例自主车辆
图8A是根据本公开的一些实施例的示例自主车辆800的图示。自主车辆800(可替代地,在本文称为“车辆800”)可以包括但不限于,客运车辆,如小汽车、卡车、公共汽车、第一响应车辆、摆渡车、电动或机动自行车、摩托车、消防车、警用车辆,救护车、船、施工车辆、水下船只、无人机、与拖车相连的车辆和/或另一类型的车辆(例如,无人驾驶的和/或容纳一个或更多个乘客的车辆)。自主车辆通常按照美国运输部的一个部门——国家公路交通安全管理局(NHTSA)以及汽车工程师协会(SAE)“Taxonomy and Definitions for TermsRelated to Driving Automation Systems for On-Road Motor Vehicles”(2018年6月15日发布的标准No.J3016-201806,2016年9月30日发布的标准No.J3016-201609,以及该标准的先前和未来的版本)定义的自动化级别进行描述。车辆800可能够实现符合自主驾驶级别的1级-5级中的一个或更多个的功能。例如,取决于实施例,车辆800可能够实现驾驶员辅助(1级)、部分自动化(2级)、条件自动化(3级)、高自动化(4级)和/或全自动化(5级)。如本文所用,术语“自主”可包括车辆800或其他机器的任何和/或所有类型的自主,例如完全自主、高度自主、有条件自主、部分自主、提供辅助自主、是半自主的、主要是自主的或其他名称。
车辆800可以包括诸如底盘、车身、车轮(例如2个、4个、6个、8个、18个等)、轮胎、车轴之类的部件以及车辆的其他部件。车辆800可以包括推进***850,例如内燃机、混合动力发电厂、全电动发动机和/或另一种推进***类型。推进***850可以连接到可以包括变速器的车辆800的传动系以便实现车辆800的推进。可以响应于接收到来自油门/加速器852的信号而控制推进***850。
可以包括方向盘的转向(steering)***854可以用来在推进***850操作时(例如在车辆运动时)使车辆800转向(例如沿着希望的路径或路线)。转向***854可以接收来自转向致动器856的信号。对于全自动(5级)功能而言,方向盘可以是可选的。
制动传感器***846可以用来响应于接收到来自制动致动器848和/或制动传感器的信号而操作车辆制动器。
可以包括一个或更多个片上***(SoC)804(图8C)和/或一个或更多个GPU的一个或更多个控制器836可以向车辆800的一个或更多个部件和/或***提供(例如表示命令的)信号。例如,一个或更多个控制器可以发送经由一个或更多个制动致动器848操作车辆制动器、经由一个或更多个转向致动器856操作转向***854、经由一个或更多个油门/加速器852操作推进***850的信号。一个或更多个控制器836可以包括一个或更多个板载(例如集成)计算设备(例如超级计算机),所述计算设备处理传感器信号并且输出操作命令(例如表示命令的信号),以实现自主驾驶和/或辅助人类驾驶员驾驶车辆800。一个或更多个控制器836可以包括用于自主驾驶功能的第一控制器836、用于功能性安全功能的第二控制器836、用于人工智能功能(例如计算机视觉)的第三控制器836、用于信息娱乐功能的第四控制器836、用于紧急情况下的冗余的第五控制器836和/或其他控制器。在一些示例中,单个控制器836可以处理上述功能中的两个或更多,两个或更多控制器836可以处理单个功能,和/或其任意组合。
一个或更多个控制器836可以响应于接收自一个或更多个传感器的传感器数据(例如传感器输入),提供用于控制车辆800的一个或更多个部件和/或***的信号。传感器数据可以接收自例如且不限于全球导航卫星***传感器858(例如全球定位***传感器)、RADAR传感器860、超声传感器862、LIDAR传感器864、惯性测量单元(IMU)传感器866(例如加速度计、陀螺仪、磁罗盘、磁力计等)、麦克风896、立体相机868、广角相机870(例如鱼眼相机)、红外相机872、环绕相机874(例如360度相机)、远程和/或中程相机898、速度传感器844(例如用于测量车辆800的速率)、振动传感器842、转向传感器840、制动传感器(例如作为制动传感器***846的部分)和/或其他传感器类型。
控制器836中的一个或更多个可以接收来自车辆800的仪表组832的输入(例如由输入数据表示),并且经由人机接口(HMI)显示器834、听觉信号器、扬声器和/或经由车辆800的其他部件提供输出(例如输出数据、显示数据等表示的)。这些输出可以包括诸如车辆速度、速率、时间、地图数据(例如图8C的HD地图822)、位置数据(例如,车辆800例如在地图上的位置)、方向、其他车辆的位置(例如占用网格)之类的信息,如控制器836所感知的关于对象和对象状态的信息等等。例如,HMI显示器834可以显示关于一个或更多个对象(例如街道指示牌、警示牌、交通灯变化等)的存在性的信息和/或关于车辆已经做出、正在做出或者将会做出的驾驶机动的信息(例如现在变道、两英里后离开34B,等等)。
车辆800还包括网络接口824,其可以使用一个或更多个无线天线826和/或调制解调器通过一个或更多个网络通信。例如,网络接口824可能够通过LTE、WCDMA、UMTS、GSM、CDMA2000等通信。一个或更多个无线天线826也可以使用诸如蓝牙、蓝牙LE、Z波、ZigBee等等之类的一个或更多个局域网和/或诸如LoRaWAN、SigFox等等之类的一个或更多个低功率广域网(LPWAN)实现环境中的对象(例如车辆、移动设备等等)之间的通信。
图8B为根据本公开一些实施例的用于图8A的示例自主车辆800的相机位置和视场的示例。相机和各自的视场是一个示例实施例,并不意图是限制性的。例如,可以包括附加的和/或可替换的相机,和/或这些相机可以位于车辆800上的不同位置。
用于相机的相机类型可以包括但不限于可以适于与车辆800的部件和/或***一起使用的数字相机。所述相机可以在汽车安全完整性级别(ASIL)B下和/或在另一个ASIL下操作。相机类型可以具有任何图像捕获率,例如60帧每秒(fps)、120fps、240fps等等,这取决于实施例。相机可能够使用滚动快门、全局快门、另一种类型的快门或者其组合。在一些示例中,滤色器阵列可以包括红白白白(RCCC)滤色器阵列、红白白蓝(RCCB)滤色器阵列、红蓝绿白(RBGC)滤色器阵列、Foveon X3滤色器阵列、拜耳传感器(RGGB)滤色器阵列、单色传感器滤色器阵列和/或另一种类型的滤色器阵列。在一些实施例中,诸如具有RCCC、RCCB和/或RBGC滤色器阵列的相机之类的清晰像素相机可以用在提高光敏感度的努力中。
在一些示例中,所述相机中的一个或更多个可以用来执行高级驾驶员辅助***(ADAS)功能(例如作为冗余或故障安全设计的部分)。例如,可以安装多功能单目相机以提供包括车道偏离警告、交通指示牌辅助和智能前照灯控制在内的功能。所述相机中的一个或更多个(例如全部相机)可以同时记录和提供图像数据(例如视频)。
所述相机中的一个或更多个可以安装在诸如定制设计的(3-D打印的)组件之类的安装组件中,以便切断可能干扰相机的图像数据捕获能力的杂散光和来自汽车内的反射(例如挡风玻璃镜中反射的来自仪表板的反射)。关于翼镜安装组件,翼镜组件可以是定制3-D打印的,使得相机安装板匹配翼镜的形状。在一些示例中,一个或更多个相机可以集成到翼镜中。对于侧视相机而言,一个或更多个相机也可以集成到驾驶室每个拐角的四根柱子内。
具有包括车辆800前面的环境部分的视场的相机(例如前置相机)可以用于环视,以帮助识别前向路径和障碍,以及在一个或更多个控制器836和/或控制SoC的帮助下辅助提供对于生成占用网格和/或确定优选车辆路径至关重要的信息。前置相机可以用来执行许多与LIDAR相同的ADAS功能,包括紧急制动、行人检测和碰撞避免。前置相机也可以用于ADAS功能和***,包括车道偏离警告(LDW)、自主巡航控制(ACC),和/或诸如交通指示牌识别之类的其他功能。
各种各样的相机可以用于前置配置中,包括例如包括CMOS(互补金属氧化物半导体)彩色成像仪在内的单目相机平台。另一个示例可以是广角相机870,其可以用来感知从周边进入视场的对象(例如行人、十字路***通或者自行车)。尽管图8B中图示出仅仅一个广角相机,但是在车辆800上可以存在任意数量的广角相机870。此外,远程相机898(例如长视立体相机对)可以用于基于深度的对象检测,尤其是用于尚未针对其训练神经网络的对象。远程相机898也可以用于对象检测和分类以及基本的对象追踪。
一个或更多个立体相机868也可以包括在前置配置中。立体相机868可以包括集成控制单元,该单元包括可扩展处理单元,其可以提供在单个芯片上具有集成的CAN或以太网接口的多核微处理器和可编程逻辑(FPGA)。这样的单元可以用来生成车辆环境的3-D地图,包括针对图像中的所有点的距离估计。可替代的立体相机868可以包括紧凑型立体视觉传感器,其可以包括两个相机镜头(左右各一个)以及可以测量从车辆到目标对象的距离并且使用生成的信息(例如元数据)激活自主紧急制动和车道偏离警告功能的图像处理芯片。除了本文所描述的那些之外或者可替代地,可以使用其他类型的立体相机868。
具有包括车辆800的侧面的环境部分的视场的相机(例如侧视相机)可以用于环视,提供用来创建和更新占用网格以及生成侧撞击碰撞警告的信息。例如,环绕相机874(例如如图8B中所示的四个环绕相机874)可以置于车辆800上。环绕相机874可以包括广角相机870、鱼眼相机、360度相机和/或类似物。四个示例,四个鱼眼相机可以置于车辆的前面、后面和侧面。在一种可替代的布置中,车辆可以使用三个环绕相机874(例如左边、右边和后面),并且可以利用一个或更多个其他相机(例如前向相机)作为第四环视相机。
具有包括车辆800的后面的环境部分的视场的相机(例如后视相机)可以用于辅助停车、环视、后面碰撞警告以及创建和更新占用网格。可以使用各种各样的相机,包括但不限于也适合作为如本文所描述的前置相机(例如远程和/或中程相机898、立体相机868、红外相机872等等)的相机。
图8C为根据本公开一些实施例的用于图8A的示例自主车辆800的示例***架构的框图。应当理解,这种布置和本文描述的其他布置仅仅作为示例而被阐述。除了所示的那些之外或者代替它们的是,可以使用其他的布置和元素(例如机器、接口、功能、顺序、功能分组等等),并且一些元素可以完全省略。进一步,许多本文描述的元素是功能实体,其可以实现为分立的或分布式部件或者结合其他部件实现,以及以任何适当的组合和位置实现。本文描述为由实体执行的各个功能可以通过硬件、固件和/或软件实现。例如,各个功能可以通过处理器执行存储在内存中的指令而实现。
图8C中车辆800的部件、特征和***中的每一个被图示为经由总线802连接。总线802可以包括控制器区域网络(CAN)数据接口(可替代地,本文称为“CAN总线”)。CAN可以是车辆800内部的网络,用来辅助控制车辆800的各种特征和功能,例如制动器、加速、制动、转向、挡风玻璃雨刷等等的驱动。CAN总线可以被配置为具有数十或者甚至数百个节点,每个节点具有其自己的唯一标识符(例如CAN ID)。可以读取CAN总线以找到方向盘角度、地速、每分钟发动机转速(RPM)、按钮位置和/或其他车辆状态指示符。CAN总线可以是ASIL B兼容的。
尽管这里将总线802描述为CAN总线,但是这并不意图是限制性的。例如,除了CAN总线之外或者可替代地,可以使用FlexRay和/或以太网。此外,尽管用单条线来表示总线802,但是这并不意图是限制性的。例如,可以存在任意数量的总线802,其可以包括一条或更多条CAN总线、一条或更多条FlexRay总线、一条或更多条以太网总线和/或一条或更多条使用不同协议的其他类型的总线。在一些示例中,两条或更多总线802可以用来执行不同的功能,和/或可以用于冗余。例如,第一总线802可以用于碰撞避免功能,并且第二总线802可以用于驱动控制。在任何示例中,每条总线802可以与车辆800的任何部件通信,并且两条或更多总线802可以与相同的部件通信。在一些示例中,车辆内的每个SoC 804、每个控制器836和/或每个计算机可以有权访问相同的输入数据(例如来自车辆800的传感器的输入),并且可以连接到诸如CAN总线之类的公共总线。
车辆800可以包括一个或更多个控制器836,例如本文关于图8A所描述的那些控制器。控制器836可以用于各种各样的功能。控制器836可以耦合到车辆800的任何其他不同的部件和***,并且可以用于车辆800的控制、车辆800的人工智能、用于车辆800的信息娱乐和/或类似物。
车辆800可以包括一个或更多个片上***(SoC)804。SoC 804可以包括CPU 806、GPU 808、处理器810、高速缓存812、加速器814、数据存储816和/或未图示出的其他部件和特征。在各种各样的平台和***中,SoC 804可以用来控制车辆800。例如,一个或更多个SoC804可以在***(例如车辆800的***)中与HD地图822结合,所述HD地图可以经由网络接口824从一个或更多个服务器(例如图8D的一个或更多个服务器878)获得地图刷新和/或更新。
CPU 806可以包括CPU簇或者CPU复合体(可替代地,本文称为“CCPLEX”)。CPU 806可以包括多个核和/或L2高速缓存。例如,在一些实施例中,CPU 806在一致性多处理器配置中可以包括八个核。在一些实施例中,CPU 806可以包括四个双核簇,其中每个簇具有专用的L2高速缓存(例如2MB L2高速缓存)。CPU 806(例如CCPLEX)可以被配置为支持同时簇操作,使得CPU 806的簇的任意组合能够在任何给定时间是活动的。
CPU 806可以实现包括以下特征中的一个或更多个的功率管理能力:各硬件块在空闲时可以自动进行时钟门控以节省动态功率;由于WFI/WFE指令的执行,每个核时钟可以在该核不主动地执行指令时进行门控;每个核可以独立地进行功率门控;当所有核都进行时钟门控或者功率门控时,可以独立地对每个核簇进行时钟门控;和/或当所有核都进行功率门控时,可以独立地对每个核簇进行功率门控。CPU 806可以进一步实现用于管理功率状态的增强算法,其中指定允许的功率状态和期望的唤醒时间,并且硬件/微代码为所述核、簇和CCPLEX确定要进入的最佳的功率状态。处理核可以在软件中支持简化的功率状态进入序列,该工作被卸载到微代码。
GPU 808可以包括集成的GPU(可替代地,本文称为“iGPU”)。GPU 808可以是可编程的,并且对于并行工作负载而言是高效的。在一些示例中,GPU 808可以使用增强张量指令集。GPU 808可以包括一个或更多个流式微处理器,其中每个流式微处理器可以包括L1高速缓存(例如具有至少96KB存储能力的L1高速缓存),并且这些流式微处理器中的两个或更多可以共享L2高速缓存(例如具有512KB存储能力的L2高速缓存)。在一些实施例中,GPU 808可以包括至少八个流式微处理器。GPU 808可以使用计算应用编程接口(API)。此外,GPU808可以使用一个或更多个并行计算平台和/或编程模型(例如NVIDIA的CUDA)。
在汽车和嵌入式使用的情况下,可以对GPU 808进行功率优化以实现最佳性能。例如,可以在鳍式场效应晶体管(FinFET)上制造GPU 808。然而,这并不意图是限制性的,并且GPU 808可以使用其他半导体制造工艺来制造。每个流式微处理器可以合并划分成多个块的若干混合精度处理核。例如且非限制性地,可以将64个PF32核和32个PF64核划分成四个处理块。在这样的示例中,每个处理块可以分配16个FP32核、8个FP64核、16个INT32核、用于深层学习矩阵算术的两个混合精度NVIDIA张量核、L0指令高速缓存、线程束(warp)调度器、分派单元和/或64KB寄存器文件。此外,流式微处理器可以包括独立的并行整数和浮点数据路径,以利用计算和寻址计算的混合提供工作负载的高效执行。流式微处理器可以包括独立线程调度能力,以允许实现并行线程之间的更细粒度的同步和协作。流式微处理器可以包括组合的L1数据高速缓存和共享内存单元,以便在简化编程的同时提高性能。
GPU 808可以包括在一些示例中提供大约900GB/s的峰值内存带宽的高带宽内存(HBM)和/或16GB HBM2内存子***。在一些示例中,除了HBM内存之外或者可替代地,可以使用同步图形随机存取存储器(SGRAM),例如第五代图形双倍数据速率同步随机存取存储器(GDDR5)。
GPU 808可以包括统一内存技术,其包括访问计数器以允许内存页面更精确地迁移到最频繁地访问它们的处理器,从而提高处理器之间共享的内存范围的效率。在一些示例中,地址转换服务(ATS)支持可以用来允许GPU 808直接访问CPU 806页表。在这样的示例中,当GPU 808内存管理单元(MMU)经历遗漏时,可以将地址转换请求传输至CPU 806。作为响应,CPU 806可以在其页表中寻找用于地址的虚拟-物理映射,并且将转换传输回GPU808。这样,统一内存技术可以允许单个统一虚拟地址空间用于CPU 806和GPU 808二者的内存,从而简化了GPU 808编程和将应用程序移(port)到GPU 808。
此外,GPU 808可以包括访问计数器,其可以追踪GPU 808访问其他处理器的内存的频率。访问计数器可以帮助确保内存页面移至最频繁地访问这些页面的处理器的物理内存。
SoC 804可以包括任意数量的高速缓存812,包括本文描述的那些高速缓存。例如,高速缓存812可以包括CPU 806和GPU 808二者可用的L3高速缓存(例如,其连接到CPU 806和GPU 808二者)。高速缓存812可以包括回写高速缓存,其可以例如通过使用高速缓存一致性协议(例如MEI、MESI、MSI等)追踪行的状态。取决于实施例,L3高速缓存可以包括4MB或者更多,但是也可以使用更小的高速缓存大小。
SoC 804可以包括算术逻辑单元(ALU),所述算术逻辑单元可以在执行关于车辆800的各种任务或操作中的任何任务或操作(如处理DNN)的处理中被利用。此外,SoC 804可以包括用于在***内执行数学运算的浮点单元(FPU)(或其他数学协处理器或数字协处理器类型)。例如,SoC104可以包括集成为CPU 806和/或GPU 808内的执行单元的一个或更多个FPU。
SoC 804可以包括一个或更多个加速器814(例如硬件加速器、软件加速器或者其组合)。例如,SoC 804可以包括硬件加速器簇,其可以包括优化的硬件加速器和/或大型片上内存。该大型片上内存(例如4MB SRAM)可以使得硬件加速器簇能够加速神经网络和其他计算。硬件加速器簇可以用来补充GPU 808,并且卸载GPU 808的一些任务(例如释放GPU808的更多周期以用于执行其他任务)。作为一个示例,加速器814可以用于足够稳定以易于控制加速的有针对性的工作负载(例如感知、卷积神经网络(CNN)等等)。当在本文中使用时,术语“CNN”可以包括所有类型的CNN,包括基于区域的或者区域卷积神经网络(RCNN)和快速RCNN(例如用于对象检测)。
加速器814(例如硬件加速器簇)可以包括深度学习加速器(DLA)。DLA可以包括可以被配置成为深度学习应用和推理提供额外的每秒10万亿次操作的一个或更多个张量处理单元(TPU)。TPU可以是被配置为执行图像处理功能(例如用于CNN、RCNN等)且针对执行图像处理功能而优化的加速器。DLA可以进一步针对特定的一组神经网络类型和浮点运算以及推理进行优化。DLA的设计可以比通用GPU提供每毫米更高的性能,并且远远超过CPU的性能。TPU可以执行若干功能,包括单实例卷积函数,支持例如用于特征和权重二者的INT8、INT16和FP16数据类型,以及后处理器功能。
DLA可以在处理的或者未处理的数据上针对各种各样的功能中的任何功能快速且高效地执行神经网络,尤其是CNN,例如且不限于:用于使用来自相机传感器的数据进行对象识别和检测的CNN;用于使用来自相机传感器的数据进行距离估计的CNN;用于使用来自麦克风的数据进行应急车辆检测和识别与检测的CNN;用于使用来自相机传感器的数据进行面部识别和车主识别的CNN;和/或用于安全和/或安全相关事件的CNN。
DLA可以执行GPU 808的任何功能,并且通过使用推理加速器,例如,设计者可以使DLA或GPU 808针对任何功能。例如,设计者可以将CNN的处理和浮点运算聚焦在DLA上,并且将其他功能留给GPU 808和/或其他加速器814。
加速器814(例如硬件加速器簇)可以包括可编程视觉加速器(PVA),其在本文中可以可替代地称为计算机视觉加速器。PVA可以被设计和配置为加速用于高级驾驶员辅助***(ADAS)、自主驾驶和/或增强现实(AR)和/或虚拟现实(VR)应用的计算机视觉算法。PVA可以提供性能与灵活性之间的平衡。例如,每个PVA可以包括例如且不限于任意数量的精简指令集计算机(RISC)核、直接内存访问(DMA)和/或任意数量的向量处理器。
RISC核可以与图像传感器(例如本文描述的任何相机的图像传感器)、图像信号处理器和/或类似物交互。这些RISC核中的每一个可以包括任意数量的内存。取决于实施例,RISC核可以使用若干协议中的任何协议。在一些示例中,RISC核可以执行实时操作***(RTOS)。RISC核可以使用一个或更多个集成电路设备、专用集成电路(ASIC)和/或存储设备实现。例如,RISC核可以包括指令高速缓存和/或紧密耦合的RAM。
DMA可以使得PVA的部件能够独立于CPU 806访问***内存。DMA可以支持用来向PVA提供优化的任意数量的特征,包括但不限于支持多维寻址和/或循环寻址。在一些示例中,DMA可以支持高达六个或更多维度的寻址,其可以包括块宽度、块高度、块深度、水平块步进、竖直块步进和/或深度步进。
向量处理器可以是可编程处理器,其可以被设计为高效且灵活地执行用于计算机视觉算法的编程并且提供信号处理能力。在一些示例中,PVA可以包括PVA核和两个向量处理子***分区。PVA核可以包括处理器子***、一个或更多个DMA引擎(例如两个DMA引擎)和/或其他***设备。向量处理子***可以作为PVA的主处理引擎而操作,并且可以包括向量处理单元(VPU)、指令高速缓存和/或向量内存(例如VMEM)。VPU核可以包括数字信号处理器,诸如例如单指令多数据(SIMD)、超长指令字(VLIW)数字信号处理器。SIMD和VLIW的组合可以增强吞吐量和速率。
向量处理器中的每一个可以包括指令高速缓存并且可以耦合到专用内存。结果,在一些示例中,向量处理器中的每一个可以被配置为独立于其他向量处理器执行。在其他示例中,包括在特定PVA中的向量处理器可以被配置为采用数据并行化。例如,在一些实施例中,包括在单个PVA中的多个向量处理器可以执行相同的计算机视觉算法,但是在图像的不同区域上执行。在其他示例中,包括在特定PVA中的向量处理器可以在相同的图像上同时执行不同的计算机视觉算法,或者甚至在序列图像或者图像的部分上执行不同的算法。除其他的以外,任意数量的PVA可以包括在硬件加速器簇中,并且任意数量的向量处理器可以包括在这些PVA中的每一个中。此外,PVA可以包括附加的纠错码(ECC)内存,以增强总体***安全性。
加速器814(例如硬件加速器簇)可以包括片上计算机视觉网络和SRAM,以提供用于加速器814的高带宽、低延迟SRAM。在一些示例中,片上内存可以包括由例如且不限于八个现场可配置的内存块组成的至少4MB SRAM,其可以由PVA和DLA二者访问。每对内存块可以包括高级***总线(APB)接口、配置电路***、控制器和复用器。可以使用任何类型的内存。PVA和DLA可以经由向PVA和DLA提供高速内存访问的主干(backbone)访问内存。主干可以包括(例如使用APB)将PVA和DLA互连到内存的片上计算机视觉网络。
片上计算机视觉网络可以包括在传输任何控制信号/地址/数据之前确定PVA和DLA二者都提供就绪且有效的信号的接口。这样的接口可以提供用于传输控制信号/地址/数据的单独相位和单独信道,以及用于连续数据传输的突发式通信。这种类型的接口可以符合ISO 26262或者IEC 61508标准,但是也可以使用其他标准和协议。
在一些示例中,SoC 804可以包括例如在2018年8月10日提交的美国专利申请No.16/101,232中描述的实时光线追踪硬件加速器。该实时光线追踪硬件加速器可以用来快速且高效地确定(例如世界模型内的)对象的位置和范围,以便生成实时可视化仿真,以用于RADAR信号解释、用于声音传播合成和/或分析、用于SONAR***仿真、用于一般波传播仿真、用于为了定位和/或其他功能的目的与LIDAR数据相比较和/或用于其他用途。在一些实施例中,一个或更多个树遍历单元(TTU)可以用于执行一个或更多个光线跟踪相关操作。
加速器814(例如硬件加速器簇)具有广泛的自主驾驶用途。PVA可以是可编程视觉加速器,其可以用于ADAS和自主车辆中的关键处理阶段。PVA的能力是需要可预测处理、低功率和低延迟的算法域的良好匹配。换言之,PVA在半密集或者密集规则计算上,甚至在需要具有低延迟和低功率的可预测运行时间的小数据集上都表现良好。因此,在用于自主车辆的平台的背景下,PVA被设计为运行经典计算机视觉算法,因为它们在对象检测和整数数学运算方面很有效。
例如,根据该技术的一个实施例,PVA用来执行计算机立体视觉。在一些示例中,可以使用基于半全局匹配的算法,但是这并不意图是限制性的。许多用于3-5级自主驾驶的应用都需要即时运动估计/立体匹配(例如来自运动的结构、行人识别、车道检测等等)。PVA可以在来自两个单目相机的输入上执行计算机立体视觉功能。
在一些示例中,PVA可以用来执行密集的光流。根据过程原始RADAR数据(例如使用4D快速傅立叶变换)以提供经处理的RADAR。在其他示例中,PVA用于飞行时间深度处理,其例如通过处理原始飞行时间数据以提供经处理的飞行时间数据。
DLA可以用来运行任何类型的网络以增强控制和驾驶安全性,包括例如输出用于每个对象检测的置信度度量的神经网络。这样的置信度值可以解释为概率,或者解释为提供每个检测与其他检测相比的相对“权重”。该置信度值使得***能够做出关于哪些检测应当被认为是真阳性检测而不是假阳性检测的进一步决定。例如,***可以为置信度设置阈值,并且仅仅将超过阈值的检测看作真阳性检测。在自动紧急制动(AEB)***中,假阳性检测会使得车辆自动地执行紧急制动,这显然是不希望的。因此,只有最确信的检测才应当被认为是AEB的触发因素。DLA可以运行用于回归置信度值的神经网络。该神经网络可以将至少一些参数子集作为其输入,例如包围框维度,(例如从另一个子***)获得的地平面估计,与车辆800取向、距离相关的惯性测量单元(IMU)传感器866输出,从神经网络和/或其他传感器(例如LIDAR传感器864或RADAR传感器860)获得的对象的3D位置估计等。
SoC 804可以包括一个或更多个数据存储816(例如内存)。数据存储816可以是SoC804的片上内存,其可以存储要在GPU和/或DLA上执行的神经网络。在一些示例中,为了冗余和安全,数据存储816可以容量足够大以存储神经网络的多个实例。数据存储812可以包括L2或L3高速缓存812。对数据存储816的引用可以包括对与如本文所描述的PVA、DLA和/或其他加速器814关联的内存的引用。
SoC 804可以包括一个或更多个处理器810(例如嵌入式处理器)。处理器810可以包括启动和功率管理处理器,其可以是用于处理启动功率和管理功能以及有关安全实施的专用处理器和子***。启动和功率管理处理器可以是SoC 804启动序列的一部分,并且可以提供运行时间功率管理服务。启动功率和管理处理器可以提供时钟和电压编程、辅助***低功率状态转换、SoC 804热和温度传感器管理和/或SoC 804功率状态管理。每个温度传感器可以实现为环形振荡器,其输出频率与温度成比例,并且SoC 804可以使用环形振荡器检测CPU 806、GPU 808和/或加速器814的温度。如果确定温度超过阈值,那么启动和功率管理处理器可以进入温度故障例程并且将SoC 804置于较低功率状态和/或将车辆800置于司机安全停车模式(例如使车辆800安全停车)。
处理器810可以还包括可以用作音频处理引擎的一组嵌入式处理器。音频处理引擎可以是一种音频子***,其允许实现对于通过多个接口的多声道音频的完全硬件支持以及一系列广泛而灵活的音频I/O接口。在一些示例中,音频处理引擎是具有带有专用RAM的数字信号处理器的专用处理器核。
处理器810可以还包括始终在处理器上的引擎,其可以提供必要的硬件特征以支持低功率传感器管理和唤醒用例。该始终在处理器上的引擎可以包括处理器核、紧密耦合的RAM、支持***设备(例如定时器和中断控制器)、各种I/O控制器***设备和路由逻辑。
处理器810可以还包括安全簇引擎,其包括处理汽车应用的安全管理的专用处理器子***。安全簇引擎可以包括两个或更多处理器核、紧密耦合的RAM、支持***设备(例如定时器、中断控制器等等)和/或路由逻辑。在安全模式下,所述两个或更多核可以操作于锁步模式下,并且用作具有检测它们的操作之间的任何差异的比较逻辑的单核。
处理器810可以还包括实时相机引擎,其可以包括用于处理实时相机管理的专用处理器子***。
处理器810可以还包括高动态范围信号处理器,其可以包括图像信号处理器,该图像信号处理器是一种硬件引擎,该硬件引擎是相机处理管线的部分。
处理器810可以包括可以是(例如微处理器上实现的)处理块的视频图像复合器,其实现视频回放应用程序产生用于播放器窗口的最终图像所需的视频后处理功能。视频图像复合器可以对广角相机870、环绕相机874和/或对驾驶室内监控相机传感器执行镜头畸变校正。驾驶室内监控相机传感器优选地由运行在高级SoC的另一个实例上的神经网络监控,被配置为识别驾驶室内事件并且相对应地做出响应。驾驶室内***可以执行唇读,以激活移动电话服务并拨打电话、口述电子邮件、改变车辆目的地、激活或改变车辆的信息娱乐***和设置或者提供语音激活的网上冲浪。某些功能仅在车辆操作于自主模式下时对于驾驶员可用,并且在其他情况下被禁用。
视频图像复合器可以包括用于空间和时间降噪的增强时间降噪。例如,在视频中出现运动的情况下,降噪适当地对空间信息加权,降低邻近帧提供的信息的权重。在图像或者图像的部分不包括运动的情况下,视频图像复合器执行的时间降噪可以使用来自先前的图像的信息以降低当前图像中的噪声。
视频图像复合器也可以被配置为对输入立体镜头帧执行立体校正。当操作***桌面正在使用并且GPU 808无需连续地渲染(render)新的表面时,视频图像复合器可以进一步用于用户接口组成。甚至在GPU 808上电并且激活,进行3D渲染时,视频图像复合器可以用来减轻GPU 808的负担以提高性能和响应能力。
SoC 804可以还包括用于从相机接收视频和输入的移动行业处理器接口(MIPI)相机串行接口、高速接口和/或可以用于相机和有关像素输入功能的视频输入块。SoC 804可以还包括可以由软件控制并且可以用于接收未提交到特定角色的I/O信号的输入/输出控制器。
SoC 804可以还包括大范围的***设备接口,以使能与***设备、音频编解码器、功率管理和/或其他设备通信。SoC 804可以用来处理来自(通过千兆多媒体串行链路和以太网连接的)相机、传感器(例如可以通过以太网连接的LIDAR传感器864、RADAR传感器860等等)的数据,来自总线802的数据(例如车辆800的速率、方向盘位置等等),来自(通过以太网或CAN总线连接的)GNSS传感器858的数据。SoC 804可以还包括专用高性能大容量存储控制器,其可以包括它们自己的DMA引擎,并且其可以用来从日常数据管理任务中释放CPU806。
SoC 804可以是具有灵活架构的端到端平台,该架构跨越自动化3-5级,从而提供利用和高效使用计算机视觉和ADAS技术以实现多样性和冗余、连同深度学***台的综合功能安全架构。SoC 804可以比常规的***更快、更可靠,甚至更加能量高效和空间高效。例如,当与CPU 806、GPU 808和数据存储816结合时,加速器814可以提供用于3-5级自主车辆的快速高效平台。
因此该技术提供了不能通过常规***实现的能力和功能。例如,计算机视觉算法可以在CPU上执行,这些CPU可以使用诸如C编程语言之类的高级编程语言配置为跨各种各样的视觉数据执行各种各样的处理算法。然而,CPU常常不能满足许多计算机视觉应用的性能要求,诸如与例如执行时间和功耗有关的那些要求。特别地,许多CPU不能实时地执行复杂的对象检测算法,这是车载ADAS应用的要求和实用3-5级自主车辆的要求。
与常规***形成对比的是,通过提供CPU复合体、GPU复合体和硬件加速器簇,本文描述的技术允许同时和/或顺序地执行多个神经网络,并且将结果组合在一起以实现3-5级自主驾驶功能。例如,在DLA或dGPU(例如GPU 820)上执行的CNN可以包括文本和单词识别,允许超级计算机读取和理解交通指示牌,包括尚未针对其特别地训练神经网络的指示牌。DLA可以还包括能够识别、解释和提供对指示牌的语义理解,并且将该语义理解传递给运行在CPU复合体上的路径规划模块的神经网络。
作为另一个示例,如3、4或5级驾驶所需的,多个神经网络可以同时运行。例如,由“注意:闪烁的灯指示结冰条件”组成的警告指示牌连同电灯可以由若干神经网络独立地或者共同地进行解释。指示牌本身可以由部署的第一神经网络(例如经过训练的神经网络)识别为交通指示牌,文本“闪烁的灯指示结冰条件”可以由部署的第二神经网络解释,该部署的第二神经网络告知车辆的路径规划软件(优选地在CPU复合体上执行)当检测到闪烁的灯时,存在结冰条件。闪烁的灯可以通过在多个帧上操作部署的第三神经网络而识别,该神经网络告知车辆的路径规划软件闪烁的灯的存在(或不存在)。所有三个神经网络可以例如在DLA内和/或在GPU 808上同时运行。
在一些示例中,用于面部识别和车主识别的CNN可以使用来自相机传感器的数据识别车辆800的授权的驾驶员和/或车主的存在。始终在传感器上的处理引擎可以用来在车主接近驾驶员车门时解锁车辆并且打开灯,并且在安全模式下,在车主离开车辆时禁用车辆。按照这种方式,SoC 804提供了防范盗窃和/或劫车的安全性。
在另一个示例中,用于应急车辆检测和识别的CNN可以使用来自麦克风896的数据来检测并且识别应急车辆警报(siren)。与使用通用分类器检测警报并且手动地提取特征的常规***形成对比的是,SoC 804使用CNN以对环境和城市声音分类以及对视觉数据分类。在优选的实施例中,运行在DLA上的CNN被训练为识别应急车辆的相对关闭速率(例如通过使用多普勒效应)。CNN也可以被训练为识别如GNSS传感器858所识别的特定于车辆在其中操作的局部区域的应急车辆。因此,例如,当在欧洲操作时,CNN将寻求检测欧洲警报,并且当在美国时,CNN将寻求识别仅仅北美的警报。一旦检测到应急车辆,在超声传感器862的辅助下,控制程序可以用来执行应急车辆安全例程,使车辆放慢速度,开到路边,停下车辆,和/或使车辆空转,直到应急车辆通过。
车辆可以包括可以经由高速互连(例如PCIe)耦合到SoC 804的CPU818(例如分立的CPU或dCPU)。CPU 818可以包括例如X86处理器。CPU818可以用来执行各种各样的功能中的任何功能,包括例如仲裁ADAS传感器与SoC 804之间潜在地不一致的结果,和/或监控控制器836和/或信息娱乐SoC 830的状态和健康状况。
车辆800可以包括可以经由高速互连(例如NVIDIA的NVLINK)耦合到SoC 804的GPU820(例如分立的GPU或dGPU)。GPU 820可以例如通过执行冗余的和/或不同的神经网络而提供附加的人工智能功能,并且可以用来至少部分地基于来自车辆800的传感器的输入(例如传感器数据)来训练和/或更新神经网络。
车辆800可以还包括网络接口824,该网络接口可以包括一个或更多个无线天线826(例如用于不同通信协议的一个或更多个无线天线,例如蜂窝天线、蓝牙天线等等)。网络接口824可以用来使能通过因特网与云(例如与服务器878和/或其他网络设备)、与其他车辆和/或与计算设备(例如乘客的客户端设备)的无线连接。为了与其他车辆通信,可以在这两辆车之间建立直接链接,和/或可以建立间接链接(例如跨网络以及通过因特网)。直接链接可以使用车对车通信链路提供。车对车通信链路可以向车辆800提供关于接近车辆800的车辆(例如车辆800前面、侧面和/或后面的车辆)的信息。该功能可以是车辆800的协作自适应巡航控制功能的部分。
网络接口824可以包括提供调制和解调功能并且使得控制器836能够通过无线网络通信的SoC。网络接口824可以包括用于从基带到射频的上转换以及从射频到基带的下转换的射频前端。频率转换可以通过公知的过程执行,和/或可以使用超外差(super-heterodyne)过程执行。在一些示例中,射频前端功能可以由单独的芯片提供。网络接口可以包括用于通过LTE、WCDMA、UMTS、GSM、CDMA2000、蓝牙、蓝牙LE、Wi-Fi、Z波、ZigBee、LoRaWAN和/或其他无线协议通信的无线功能。
车辆800可以还包括可包括片外(例如SoC 804外)存储装置的数据存储828。数据存储828可以包括一个或更多个存储元件,包括RAM、SRAM、DRAM、VRAM、闪存、硬盘和/或可以存储至少一个比特的数据的其他部件和/或设备。
车辆800可以还包括GNSS传感器858。GNSS传感器858(例如GPS、辅助GPS传感器、差分GPS(DGPS)传感器等)用于辅助映射、感知、占用网格生成和/或路径规划功能。可以使用任意数量的GNSS传感器858,包括例如且不限于使用带有以太网到串行(RS-232)网桥的USB连接器的GPS。
车辆800可以还包括RADAR传感器860。RADAR传感器860可以甚至在黑暗和/或恶劣天气条件下也由车辆800用于远程车辆检测。RADAR功能安全级别可以是ASIL B。RADAR传感器860可以使用CAN和/或总线802(例如以传输RADAR传感器860生成的数据)以用于控制以及访问对象追踪数据,在一些示例中接入以太网以访问原始数据。可以使用各种各样的RADAR传感器类型。例如且非限制性地,RADAR传感器860可以适合前面、后面和侧面RADAR使用。在一些示例中,使用脉冲多普勒RADAR传感器。
RADAR传感器860可以包括不同的配置,例如具有窄视场的远程、具有宽视场的短程、短程侧覆盖等等。在一些示例中,远程RADAR可以用于自适应巡航控制功能。远程RADAR***可以提供通过两个或更多独立扫描实现的广阔视场(例如250m范围内)。RADAR传感器860可以帮助区分静态对象和运动对象,并且可以由ADAS***用于紧急制动辅助和前方碰撞警告。远程RADAR传感器可以包括具有多根(例如六根或更多)固定RADAR天线以及高速CAN和FlexRay接口的单站多模RADAR。在具有六根天线的示例中,中央四根天线可以创建聚焦的波束图案,其被设计为在更高速率下以来自邻近车道的最小交通干扰记录车辆800的周围环境。其他两根天线可以扩展视场,使得快速地检测进入或离开车辆800的车道的车辆成为可能。
作为一个示例,中程RADAR***可以包括高达860m(前面)或80m(后面)的范围以及高达42度(前面)或850度(后面)的视场。短程RADAR***可以包括但不限于被设计为安装在后保险杠两端的RADAR传感器。当安装在后保险杠两端时,这样的RADAR传感器***可以创建持续地监控后方和车辆旁边的视盲点的两个波束。
短程RADAR***可以在ADAS***中用于视盲点检测和/或变道辅助。
车辆800可以还包括超声传感器862。可以置于车辆800的前面、后面和/或侧面的超声传感器862可以用于停车辅助和/或创建和更新占用网格。可以使用各种各样的超声传感器862,并且不同的超声传感器862可以用于不同的检测范围(例如2.5m、4m)。超声传感器862可以操作于功能安全级别的ASIL B。
车辆800可以包括LIDAR传感器864。LIDAR传感器864可以用于对象和行人检测、紧急制动、碰撞避免和/或其他功能。LIDAR传感器864可以为功能安全级别的ASIL B。在一些示例中,车辆800可以包括可以使用以太网(例如以将数据提供给千兆以太网交换机)的多个LIDAR传感器864(例如两个、四个、六个等等)。
在一些示例中,LIDAR传感器864可能够对360度视场提供对象列表及其距离。商业上可用的LIDAR传感器864可以具有例如近似800m的广告范围,精度为2cm-3cm,支持800Mbps以太网连接。在一些示例中,可以使用一个或更多个非突出的LIDAR传感器864。在这样的示例中,LIDAR传感器864可以实现为可以嵌入到车辆800的前面、后面、侧面和/或拐角的小设备。在这样的示例中,LIDAR传感器864可以甚至对于低反射率对象提供高达120度水平的和35度竖直的视场,具有200m的范围。前面安装的LIDAR传感器864可以被配置用于45度与135度之间的水平视场。
在一些示例中,也可以使用诸如3D闪光LIDAR之类的LIDAR技术。3D闪光LIDAR使用激光的闪光作为发射源,以照亮高达约200m的车辆周围环境。闪光LIDAR单元包括接受器,该接受器将激光脉冲传输时间和反射光记录在每个像素上,其进而与从车辆到对象的范围相对应。闪光LIDAR可以允许利用每个激光闪光生成周围环境的高度精确且无失真的图像。在一些示例中,可以部署四个闪光LIDAR传感器,车辆800的每一侧一个。可用的3D闪光LIDAR***包括没有风扇以外的运动部件(moving part)的固态3D凝视阵列LIDAR相机(例如非扫描LIDAR设备)。闪光LIDAR设备可以使用每帧5纳秒I类(眼睛安全)激光脉冲,并且可以以3D范围点云和共同寄存的强度数据的形式捕获反射的激光。通过使用闪光LIDAR,并且因为闪光LIDAR是没有运动部件的固态设备,LIDAR传感器864可以不太容易受到运动模糊、振动和/或震动的影响。
该车辆可以还包括IMU传感器866。在一些示例中,IMU传感器866可以位于车辆800的后轴的中心。IMU传感器866可以包括例如且不限于加速度计、磁力计、陀螺仪、磁罗盘和/或其他传感器类型。在一些示例中,例如在六轴应用中,IMU传感器866可以包括加速度计和陀螺仪,而在九轴应用中,IMU传感器866可以包括加速度计、陀螺仪和磁力计。
在一些实施例中,IMU传感器866可以实现为微型高性能GPS辅助惯性导航***(GPS/INS),其结合微机电***(MEMS)惯性传感器、高灵敏度GPS接收器和高级卡尔曼滤波算法以提供位置、速度和姿态的估计。这样,在一些示例中,IMU传感器866可以使得车辆800能够在无需来自磁传感器的输入的情况下通过直接观察从GPS到IMU传感器866的速度变化并且将其相关来估计方向(heading)。在一些示例中,IMU传感器866和GNSS传感器858可以结合到单个集成单元中。
该车辆可以包括置于车辆800中和/或车辆800周围的麦克风896。除别的以外,麦克风896可以用于应急车辆检测和识别。
该车辆可以还包括任意数量的相机类型,包括立体相机868、广角相机870、红外相机872、环绕相机874、远程和/或中程相机898和/或其他相机类型。这些相机可以用来捕获车辆800整个***周围的图像数据。使用的相机类型取决于实施例和车辆800的要求,并且相机类型的任意组合可以用来提供车辆800周围的必要覆盖。此外,相机的数量可以根据实施例而不同。例如,该车辆可以包括六个相机、七个相机、十个相机、十二个相机和/或另一数量的相机。作为一个示例且非限制性地,这些相机可以支持千兆多媒体串行链路(GMSL)和/或千兆以太网。所述相机中的每一个在本文关于图8A和图8B更详细地进行了描述。
车辆800可以还包括振动传感器842。振动传感器842可以测量车辆的诸如车轴之类的部件的振动。例如,振动的变化可以指示道路表面的变化。在另一个示例中,当使用两个或更多振动传感器842时,振动之间的差异可以用来确定道路表面的摩擦或滑移(例如当动力驱动轴与自由旋转轴之间存在振动差异时)。
车辆800可以包括ADAS***838。在一些示例中,ADAS***838可以包括SoC。ADAS***838可以包括自主/自适应/自动巡航控制(ACC)、协作自适应巡航控制(CACC)、前方撞车警告(FCW)、自动紧急制动(AEB)、车道偏离警告(LDW)、车道保持辅助(LKA)、视盲点警告(BSW)、后方穿越交通警告(RCTW)、碰撞警告***(CWS)、车道居中(LC)和/或其他特征和功能。
ACC***可以使用RADAR传感器860、LIDAR传感器864和/或相机。ACC***可以包括纵向ACC和/或横向ACC。纵向ACC监控并控制到紧接在车辆800前方的车辆的距离,并且自动地调节车速以维持离前方车辆的安全距离。横向ACC执行距离保持,并且在必要时建议车辆800改变车道。横向ACC与诸如LCA和CWS之类的其他ADAS应用程序有关。
CACC使用来自其他车辆的信息,该信息可以经由网络接口824和/或无线天线826经由无线链路或者通过网络连接(例如通过因特网)间接地从其他车辆接收。直接链接可以由车对车(V2V)通信链路提供,而间接链接可以是基础设施到车辆(I2V)的通信链路。通常,V2V通信概念提供关于紧接在前的车辆(例如紧接在车辆800前方且与其处于相同车道的车辆)的信息,而I2V通信概念提供关于前方更远处的交通的信息。CACC***可以包括I2V和V2V信息源中的任一个或者二者。给定车辆800前方车辆的信息,CACC可以更加可靠,并且它有可能提高交通流的畅通性且降低道路拥堵。
FCW***被设计为提醒驾驶员注意危险,使得驾驶员可以采取纠正措施。FCW***使用耦合到专用处理器、DSP、FPGA和/或ASIC的前置相机和/或RADAR传感器860,该专用处理器、DSP、FPGA和/或ASIC电耦合至诸如显示器、扬声器和/或振动部件之类的驾驶员反馈。FCW***可以提供例如声音、视觉警告、振动和/或快速制动脉冲形式的警告。
AEB***检测即将发生的与另一车辆或其他对象的前方碰撞,并且可以在驾驶员在指定的时间或距离参数内没有采取纠正措施的情况下自动地应用制动器。AEB***可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的前置相机和/或RADAR传感器860。当AEB***检测到危险时,它典型地首先提醒(alert)驾驶员采取纠正措施以避免碰撞,并且如果驾驶员没有采取纠正措施,那么AEB***可以自动地应用制动器以努力防止或者至少减轻预测的碰撞的影响。AEB***可以包括诸如动态制动支持和/或碰撞迫近制动之类的技术。
LDW***提供了诸如方向盘或座位振动之类的视觉、听觉和/或触觉警告,以在车辆800穿过车道标记时提醒驾驶员。当驾驶员指示有意偏离车道时,通过激活转弯信号,不激活LDW***。LDW***可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的前侧朝向相机,该专用处理器、DSP、FPGA和/或ASIC电耦合至诸如显示器、扬声器和/或振动部件之类的驾驶员反馈。
LKA***是LDW***的变型。如果车辆800开始离开车道,那么LKA***提供纠正车辆800的转向输入或制动。
BSW***检测并向驾驶员警告汽车视盲点中的车辆。BSW***可以提供视觉、听觉和/或触觉警报以指示合并或改变车道是不安全的。***可以在驾驶员使用转弯信号时提供附加的警告。BSW***可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的后侧朝向相机和/或RADAR传感器860,该专用处理器、DSP、FPGA和/或ASIC电耦合至诸如显示器、扬声器和/或振动部件之类的驾驶员反馈。
RCTW***可以在车辆800倒车时在后置相机范围之外检测到对象时提供视觉、听觉和/或触觉通知。一些RCTW***包括AEB以确保应用车辆制动器以避免撞车。RCTW***可以使用耦合到专用处理器、DSP、FPGA和/或ASIC的一个或更多个后置RADAR传感器860,该专用处理器、DSP、FPGA和/或ASIC电耦合至诸如显示器、扬声器和/或振动部件之类的驾驶员反馈。
常规的ADAS***可能易于出现假阳性结果,这可能会让驾驶员烦恼并分散注意力,但是典型地不是灾难性的,因为ADAS***提醒驾驶员并且允许驾驶员决定安全条件是否真正存在并且相对应地采取行动。然而,在自主车辆800中,在冲突结果的情况下,车辆800本身必须决定是否注意(heed)来自主计算机或者辅助计算机(例如第一控制器836或第二控制器836)的结果。例如,在一些实施例中,ADAS***838可以是用于向备用计算机合理性模块提供感知信息的备用和/或辅助计算机。备用计算机合理性监视器可以在硬件部件上运行冗余多样的软件,以检测感知和动态驾驶任务中的故障。来自ADAS***838的输出可以提供给监督MCU。如果来自主计算机和辅助计算机的输出冲突,那么监督MCU必须确定如何协调该冲突以确保安全操作。
在一些示例中,主计算机可以被配置为向监督MCU提供置信度评分,指示主计算机对所选结果的置信度。如果置信度评分超过阈值,那么监督MCU可以遵循主计算机的方向,而不管辅助计算机是否提供冲突或不一致的结果。在置信度评分不满足阈值的情况下并且在主计算机和辅助计算机指示不同的结果(例如冲突)的情况下,监督MCU可以在这些计算机之间进行仲裁以确定适当的结果。
监督MCU可以被配置为运行神经网络,所述神经网络被训练并且被配置为至少部分地基于来自主计算机和辅助计算机的输出,确定辅助计算机提供假警报的条件。因此,监督MCU中的神经网络可以了解何时可以信任辅助计算机的输出以及何时不能。例如,当辅助计算机为基于RADAR的FCW***时,监督MCU中的神经网络可以了解FCW***何时正在识别事实上不是危险的金属对象,例如触发警报的排水栅格或井盖。类似地,当辅助计算机是基于相机的LDW***时,监督MCU中的神经网络可以学习在骑车者或行人在场并且车道偏离实际上是最安全的策略时无视该LDW。在包括运行在监督MCU上的神经网络的实施例中,监督MCU可以包括适合于利用关联的内存运行神经网络的DLA或GPU中的至少一个。在优选的实施例中,监督MCU可以包括SoC 804的部件和/或作为SoC 804的部件而被包括。
在其他示例中,ADAS***838可以包括使用传统计算机视觉规则执行ADAS功能的辅助计算机。这样,辅助计算机可以使用经典的计算机视觉规则(如果-那么),并且在监督MCU中存在神经网络可以提高可靠性、安全性和性能。例如,多样化的实现方式和有意的非完全相同(non-identity)使得整个***更加容错,对于软件(或者软件-硬件接口)功能造成的故障而言尤其如此。例如,如果在主计算机上运行的软件中存在软件漏洞或错误并且运行在辅助计算机上的非完全相同的软件代码提供相同的总体结果,那么监督MCU可以更加确信总体结果是正确的,并且主计算机上的软件或硬件中的漏洞不造成实质性的错误。
在一些示例中,ADAS***838的输出可以馈送至主计算机的感知块和/或主计算机的动态驾驶任务块。例如,如果ADAS***838由于对象紧接在前的原因而指示前方碰撞警告,那么感知块可以在识别对象时使用该信息。在其他示例中,辅助计算机可以具有它自己的神经网络,其被训练并且因此如本文所描述的降低假阳性的风险。
车辆800可以还包括信息娱乐SoC 830(例如车载信息娱乐***(IVI))。尽管被图示和描述为SoC,但是信息娱乐***可以不是SoC,并且可以包括两个或更多分立的部件。信息娱乐SoC 830可以包括可以用来向车辆800提供音频(例如音乐、个人数字助理、导航指令、新闻、广播等等)、视频(例如TV、电影、流媒体等等)、电话(例如免提呼叫)、网络连接(例如LTE、WiFi等等)和/或信息服务(例如导航***,后停车援助,无线电数据***,诸如燃油水平、覆盖的总距离、制动燃油水平、油位、车门开/关、空气过滤器信息之类的车辆有关信息,等等)的硬件和软件的组合。例如,信息娱乐SoC 830可以包括收音机、盘播放器、导航***、视频播放器、USB和蓝牙连接、车载电脑、车载娱乐、WiFi、方向盘音频控件、免提语音控件、平视显示器(HUD)、HMI显示器834、远程信息处理设备、控制面板(例如用于控制各种部件、特征和/或***,和/或与其交互)和/或其他部件。信息娱乐SoC 830可以进一步用来向车辆的用户提供信息(例如视觉的和/或听觉的),例如来自ADAS***838的信息,诸如规划的车辆机动、轨迹、周围环境信息(例如交叉路口信息、车辆信息、道路信息等等)之类的自主驾驶信息,和/或其他信息。
信息娱乐SoC 830可以包括GPU功能。信息娱乐SoC 830可以通过总线802(例如CAN总线、以太网等)与车辆800的其他设备、***和/或部件通信。在一些示例中,信息娱乐SoC830可以耦合至监督MCU,使得在主控制器836(例如车辆800的主和/或备用计算机)出现故障的情况下,信息娱乐***的GPU可以执行一些自驾驶功能。在这样的示例中,信息娱乐SoC830可以如本文所描述的将车辆800置于司机安全停车模式。
车辆800可以还包括仪表组832(例如数字仪表板、电子仪表组、数字仪表面板等等)。仪表组832可以包括控制器和/或超级计算机(例如分立的控制器或超级计算机)。仪表组832可以包括一套仪器,例如车速表、燃油水平、油压、转速表、里程表、转弯指示器、换档位置指示器、安全带警告灯、停车制动警告灯、发动机故障灯、安全气囊(SRS)***信息、照明控件、安全***控件、导航信息等等。在一些示例中,信息可以被显示和/或在信息娱乐SoC 830和仪表组832之间共享。换言之,仪表组832可以作为信息娱乐SoC 830的部分而被包括,或者反之亦然。
图8D为根据本公开一些实施例的基于云的服务器与图8A的示例自主车辆800之间的通信的***示意图。***876可以包括服务器878、网络890以及包括车辆800在内的车辆。服务器878可以包括多个GPU 884(A)-884(H)(这里统称为GPU 884)、PCIe交换机882(A)-882(H)(这里统称为PCIe交换机882)和/或CPU 880(A)-880(B)(这里统称为CPU 880)。GPU884、CPU 880和PCIe交换机可以与诸如例如且不限于NVIDIA开发的NVLink接口888之类的高速互连和/或PCIe连接886互连。在一些示例中,GPU 884经由NVLink和/或NVSwitch SoC连接,并且GPU 884和PCIe交换机882经由PCIe互连连接。尽管图示出八个GPU 884、两个CPU880和两个PCIe交换机,但是这并不意图是限制性的。取决于实施例,服务器878中的每一个可以包括任意数量的GPU 884、CPU 880和/或PCIe交换机。例如,服务器878中的每一个可以包括八个、十六个、三十二个和/或更多GPU 884。
服务器878可以通过网络890并且从车辆接收图像数据,该图像数据表示示出诸如最近开始的道路工程之类的意外或改变的道路状况的图像。服务器878可以通过网络890并且向车辆传输神经网络892、更新的神经网络892和/或地图信息894,包括关于交通和道路状况的信息。对地图信息894的更新可以包括对于HD地图822的更新,例如关于建筑工地、坑洼、弯道、洪水或其他障碍物的信息。在一些示例中,神经网络892、更新的神经网络892和/或地图信息894可以已从新的训练和/或从环境中的任意数量的车辆接收的数据中表示和/或基于数据中心处执行的训练(例如使用服务器878和/或其他服务器)的经验产生。
服务器878可以用来基于训练数据训练机器学习模型(例如神经网络)。训练数据可以由车辆生成,和/或可以在仿真中生成(例如使用游戏引擎)。在一些示例中,训练数据被标记(例如在神经网络受益于有监督学习的情况下)和/或经历其他预处理,而在其他示例中,训练数据不被标记和/或预处理(例如在神经网络无需有监督学习的情况下)。可以根据任何一类或更多类别的机器学习技术来执行训练,包括但不限于诸如以下类别:监督训练、半监督训练、非监督训练、自学习、强化学习、联合学习、转移学习、特征学习(包括主要组成和聚类分析)、多线性子空间学习、流形学习、表示学习(包括备用字典学习)、基于规则的机器学习、异常检测及其任何变体或组合。一旦机器学习模型被训练,机器学习模型可以由车辆使用(例如通过网络890传输至车辆),和/或机器学习模型可以由服务器878用来远程地监控车辆。
在一些示例中,服务器878可以接收来自车辆的数据,并且将该数据应用到最新的实时神经网络以用于实时智能推理。服务器878可以包括由GPU 884供电的深度学习超级计算机和/或专用AI计算机,例如NVIDIA开发的DGX和DGX站机器。然而,在一些示例中,服务器878可以包括仅使用CPU供电的数据中心的深度学习基础设施。
服务器878的深度学习基础设施可能够快速实时推理,并且可以使用该能力来评估并验证车辆800中的处理器、软件和/或关联硬件的健康状况。例如,深度学习基础设施可以接收来自车辆800的定期更新,例如图像序列和/或车辆800已经定位的位于该图像序列中的对象(例如经由计算机视觉和/或其他机器学习对象分类技术)。深度学习基础设施可以运行它自己的神经网络以识别对象并且将它们与车辆800识别的对象相比较,如果结果不匹配并且该基础设施得出车辆800中的AI发生故障的结论,那么服务器878可以向车辆800传输信号,指示车辆800的故障保护计算机进行控制,通知乘客,并且完成安全停车操作。
为了推理,服务器878可以包括GPU 884和一个或更多个可编程推理加速器(例如NVIDIA的TensorRT)。GPU供电的服务器和推理加速的组合可以使得实时响应成为可能。在其他示例中,例如在性能不那么重要的情况下,CPU、FPGA和其他处理器供电的服务器可以用于推理。
示例计算设备
图9是适合用于实现本公开的一些实施例的示例计算设备900的框图。计算设备900可以包括直接或间接耦合以下设备的互连***902:存储器904、一个或更多个中央处理单元(CPU)906、一个或更多个图形处理单元(GPU)908、通信接口910、输入/输出(I/O)端口912、输入/输出组件914、电源916,一个或更多个呈现组件918(例如,(一个或更多个)显示器)和一个或更多个逻辑单元920。在至少一个实施例中,(一个或更多个)计算设备900可以包括一个或更多个虚拟机(VM),和/或其任何组件可以包括虚拟组件(例如,虚拟硬件组件)。对于非限制性示例,GPU 908中的一个或更多个可以包括一个或更多个vGPU,CPU 906中的一个或更多个可以包括一个或更多个vCPU,和/或逻辑单元920中的一个或更多个可以包括一个或更多个虚拟逻辑单元。这样,(一个或更多个)计算设备900可以包括分立组件(例如,专用于计算设备900的全GPU)、虚拟组件(例如,专用于计算设备900的GPU的一部分)、或其组合。
尽管图9的各个方框被示出为利用线路经由互连***902连接,但这并不旨在是限制性的并且仅是为了清楚起见。例如,在一些实施例中,呈现组件918(诸如显示设备)可被认为是I/O组件914(例如,如果显示器是触摸屏)。作为另一个示例,CPU 906和/或GPU 908可以包括存储器(例如,存储器904可以表示除了GPU 908的存储器、CPU 906和/或其他组件之外的存储设备)。换言之,图9的计算设备仅是说明性的。在如“工作站”、“服务器”、“膝上型计算机”、“桌面型计算机”、“平板计算机”、“客户端设备”、“移动设备”、“手持式设备”、“游戏控制台”、“电子控制单元(ECU)”、“虚拟现实***”和/或其他设备或***类型的此类类别之间不做区分,因为所有都被考虑在图9的计算设备的范围内。
互连***902可表示一个或更多个链路或总线,诸如地址总线、数据总线、控制总线或其组合。互连***902可以包括一个或更多个总线或链路类型,诸如工业标准架构(ISA)总线、扩展工业标准架构(EISA)总线、视频电子标准协会(VESA)总线、***组件互连(PCI)总线、快速***组件互连(PCIe)总线和/或另一类型的总线或链路。在一些实施例中,组件之间存在直接连接。作为示例,CPU 906可直接连接到存储器904。进一步,CPU 906可直接连接到GPU 908。在组件之间存在直接或点对点连接的情况下,互连***902可包括PCIe链路以执行连接。在这些示例中,PCI总线不需要被包括在计算设备900中。
存储器904可以包括各种计算机可读介质中的任何计算机可读介质。计算机可读介质可以是可由计算设备900访问的任何可用介质。计算机可读介质可以包括易失性和非易失性介质,以及可移除和不可移除介质。作为示例而非限制,计算机可读介质可包括计算机存储介质和通信介质。
计算机存储介质可以包括以用于存储诸如计算机可读指令、数据结构、程序模块和/或其他数据类型的信息的任何方法或技术实现的易失性和非易失性介质和/或可移动和不可移动介质。例如,存储器904可以存储计算机可读指令(例如,表示(一个或更多个)程序和/或(一个或更多个)程序元件,诸如操作***)。计算机存储介质可以包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术,CD-ROM、数字通用盘(DVD)或其他光盘存储、磁带盒、磁带、磁盘存储装置或其他磁性存储装置,或可用于存储所要信息且可由计算设备900存取的任何其他介质。如本文所使用的,计算机存储介质不包括信号本身。
计算机存储介质可将计算机可读指令、数据结构、程序模块和/或其他数据类型体现在诸如载波或其他传输机制之类的已调制数据信号中,并且包括任何信息传递介质。术语“调制数据信号”可以指代以编码信号中的信息的方式设置或改变其一个或更多个特性的信号。作为示例而非限制,计算机存储介质可包括有线介质(诸如有线网络或直接有线连接)和无线介质(诸如声学、RF、红外和其他无线介质)。以上任何内容的组合也应包含在计算机可读介质的范围内。
CPU 906可经配置以执行计算机可读指令中的至少一些以控制计算设备900的一个或更多个组件执行本文中所描述的方法和/或过程中的一个或更多个。CPU 906可各自包含能够同时处置众多软件线程的一个或更多个核心(例如,一个、两个、四个、八个、二十八个、七十二个等)。CPU906可包含任何类型的处理器,且可取决于所实施的计算设备900的类型而包含不同类型的处理器(例如,针对移动装置具有较少核心的处理器和针对服务器具有较多核心的处理器)。例如,取决于计算设备900的类型,处理器可以是使用精简指令集计算(RISC)实现的高级RISC机器(ARM)处理器或使用复杂指令集计算(CISC)实现的x86处理器。除了一个或更多个微处理器或补充协处理器(诸如数学协处理器)之外,计算设备900还可包括一个或更多个CPU 906。
除(一个或更多个)CPU 906以外或替代(一个或更多个)CPU 906,(一个或更多个)GPU 908可被配置成执行计算机可读指令中的至少一些以控制计算设备900的一个或更多个组件执行本文所描述的方法和/或过程中的一个或更多个。GPU 908中的一个或更多个可为集成GPU(例如,有CPU 906中的一个或更多个)和/或GPU 908中的一个或更多个可为离散GPU。在实施例中,GPU 908中的一个或更多个可以是CPU 906中的一个或更多个的协处理器。GPU 908可由计算设备900使用以渲染图形(例如,3D图形)或执行通用计算。例如,GPU908可用于GPU上的通用计算(GPGPU)。GPU 908可包含能够同时处置数百或数千软件线程的数百或数千核心。GPU 908可响应于渲染命令(例如,经由主机接口从CPU 906接收的渲染命令)而产生输出图像的像素数据。GPU 908可包含用于存储像素数据或任何其他合适数据(例如,GPGPU数据)的图形存储器(例如,显示存储器)。显示存储器可作为存储器904的一部分被包括。GPU 908可包含并行操作(例如,经由链路)的两个或两个以上GPU。链路可以直接连接GPU(例如,使用NVLINK)或可以通过交换机(例如,使用NVSwitch)连接GPU。当组合在一起时,每一GPU 908可产生用于输出的不同部分或用于不同输出的像素数据或GPGPU数据(例如,用于第一图像的第一GPU和用于第二图像的第二GPU)。每一GPU可包含其自己的存储器,或可与其他GPU共享存储器。
除CPU 906和/或GPU 908之外或替代CPU 906和/或GPU 908,逻辑单元920可经配置以执行计算机可读指令中的至少一些以控制计算设备900的一个或更多个组件执行本文中所描述的方法和/或过程中的一个或更多个。在实施例中,(一个或更多个)CPU 906、(一个或更多个)GPU 908、和/或(一个或更多个)逻辑单元920可以离散地或联合地执行方法、过程和/或其部分的任何组合。逻辑单元920中的一个或更多个可为CPU 906和/或GPU 908中的一个或更多个中的一部分和/或集成于CPU 906和/或GPU 908中的一个或更多个和/或逻辑单元920中的一个或更多个可为离散组件或以其他方式在CPU 906和/或GPU 908外部。在实施例中,逻辑单元920中的一个或更多个可以是CPU 906中的一个或更多个和/或GPU908中的一个或更多个的协处理器。
逻辑单元920的示例包括一个或更多个处理核心和/或其组件,诸如数据处理单元(DPU)、张量核心(TC)、张量处理单元(TPU)、像素视觉核心(PVC)、视觉处理单元(VPU)、图形处理群集(GPC)、纹理处理群集(TPC)、流多处理器(SM)、树横向单元(TTU)、人工智能加速器(AIA)、深度学习加速器(DLA)、算术逻辑单元(ALU)、专用集成电路(ASIC)、浮点单元(FPU)、输入/输出(I/O)元件、***组件互连(PCI)或快速***组件互连(PCIe)元件等。
通信接口910可以包括使计算设备900能够经由电子通信网络(包括有线和/或无线通信)与其他计算设备通信的一个或更多个接收机、发射机和/或收发机。通信接口910可包括实现通过多个不同网络中的任一个进行通信的组件和功能,诸如无线网络(例如,Wi-Fi、Z-Wave、蓝牙、蓝牙LE、ZigBee等)、有线网络(例如,通过以太网或无限带通信)、低功率广域网(例如,LoRaWAN、SigFox等)和/或互联网。在一个或更多个实施例中,逻辑单元920和/或通信接口910可以包括一个或更多个数据处理单元(DPU),以将通过网络和/或通过互连***902接收的数据直接传输到一个或多个GPU 908(的例如存储器)。
I/O端口912可以使得计算设备900能够逻辑地耦合到包括I/O组件914、(一个或更多个)呈现组件918和/或其他组件的其他设备,其中一些可以被内置到(例如,集成在)计算设备900中。说明性I/O组件914包括麦克风、鼠标、键盘、操纵杆、游戏垫、游戏控制器、碟形卫星天线、扫描仪、打印机、无线设备等。I/O组件914可以提供处理空中姿势、语音或由用户生成的其他生理输入的自然用户界面(NUI)。在一些情况下,可将输入发射到适当的网络元件以供进一步处理。NUI可实现与计算设备900的显示器相关联的语音识别、指示笔识别、面部识别、生物特征识别、屏幕上和屏幕附近的姿势识别、空中姿势、头部和眼睛跟踪、以及触摸识别(如以下更详细地描述的)的任何组合。计算设备900可以包括用于手势检测和识别的深度相机,诸如立体相机***、红外相机***、RGB相机***、触摸屏技术和这些的组合。另外,计算设备900可包含使得能够检测运动的加速度计或陀螺仪(例如,作为惯性测量单元(IMU)的部分)。在一些示例中,计算设备900可以使用加速度计或陀螺仪的输出来渲染沉浸式增强现实或虚拟现实。
电源916可包括硬连线电源、电池电源或其组合。电源916可向计算设备900提供电力以使得计算设备900的组件能够操作。
呈现组件918可包括显示器(例如,监视器、触摸屏、电视屏幕、平视显示器(HUD)、其他显示器类型或其组合)、扬声器和/或其他呈现组件。呈现组件918可从其他组件(例如,GPU908、CPU906、DPU等)接收数据,且输出所述数据(例如,作为图像、视频、声音等)。
示例数据中心
图10示出了可在本公开的至少一个实施例中使用的示例数据中心1000。数据中心1000可包括数据中心基础设施层1010、框架层1020、软件层1030和/或应用层1040。
如图10所示,数据中心基础设施层1010可以包括资源协调器1012、分组的计算资源1014和节点计算资源(“节点C.R.s”)1016(1)-1016(N),其中“N”表示任何完整的正整数。在至少一个实施例中,节点C.R.s 1016(1)-1016(N)可包括,但不限于任何数量的中央处理单元(CPU)或其他处理器(包括DPU、加速器、现场可编程门阵列(FPGA)、图形处理器或图形处理单元(GPU)等),存储器设备(例如,动态只读存储器),存储设备(例如,固态或磁盘驱动器),网络输入/输出(NW I/O)装置、网络交换机、虚拟机(VM)、功率模块和/或冷却模块,等等。在一些实施例中,来自节点C.R.s 1016(1)-1016(N)中的一个或更多个节点C.R.s可对应于具有上述计算资源中的一个或更多个的服务器。此外,在一些实施例中,节点C.R.s1016(1)-10161(N)可包括一个或更多个虚拟组件,诸如vGPU、vCPU等,和/或节点C.R.s1016(1)-1016(N)中的一个或更多个可对应于虚拟机(VM)。
在至少一个实施例中,分组的计算资源1014可包括容纳在一个或更多个机架(未示出)内的节点C.R.s 1016的单独分组,或容纳在不同地理位置(也未示出)处的数据中心内的许多机架。分组的计算资源1014内的节点C.R.s 1016的单独分组可包括可被配置或分配来支持一个或更多个工作负荷的分组计算、网络、存储器或存储资源。在至少一个实施例中,包括CPU、GPU、DPU和/或其他处理器的若干节点C.R.s 1016可以分组在一个或更多个机架内以提供计算资源来支持一个或更多个工作负荷。一个或更多个机架还可包括任意组合的任意数量的功率模块、冷却模块和/或网络交换机。
资源协调器1012可配置或以其他方式控制一个或更多个节点C.R.s1016(1)-1016(N)和/或分组的计算资源1014。在至少一个实施例中,资源协调器1012可以包括用于数据中心1000的软件设计基础设施(SDI)管理实体。资源协调器1012可以包括硬件、软件或其某种组合。
在至少一个实施例中,如图10所示,框架层1020可以包括作业调度器1033、配置管理器1034、资源管理器1036和/或分布式文件***1038。框架层1020可以包括支持软件层1030的软件1032和/或应用层1040的一个或更多个应用1042的框架。软件1032或应用1042可分别包含基于网络的服务软件或应用,例如由Amazon(亚马逊)网络服务、Google Cloud(谷歌云)和Microsoft Azure提供的那些。框架层1020可以是但不限于可以利用分布式文件***1038进行大规模数据处理(例如,“大数据”)的免费和开源的软件网络应用框架(如Apache SparkTM(下文称为“Spark”))的类型。在至少一个实施例中,作业调度器1033可以包括Spark驱动器以促进调度由数据中心1000的不同层支持的工作负荷。配置管理器1034可以能够配置不同层,诸如软件层1030和框架层1020(其包括用于支持大规模数据处理的Spark和分布式文件***1038)。资源管理器1036可以能够管理被映射到分布式文件***1038和作业调度器1033或被分配用于支持分布式文件***1038和作业调度器1033的集群的或分组的计算资源。在至少一个实施例中,集群的或分组的计算资源可包括在数据中心基础设施层1010的分组的计算资源1014。资源管理器1036可与资源协调器1012协调以管理这些被映射或分配的计算资源。
在至少一个实施例中,在软件层1030中包括的软件1032可包括由节点C.R.s 1016(1)-1016(N)、分组的计算资源1014和/或框架层1020的分布式文件***1038中的至少部分使用的软件。一种或更多种类型的软件可以包括但不限于互联网网页搜索软件、电子邮件病毒扫描软件、数据库软件和流式视频内容软件。
在至少一个实施例中,在应用层1040中包括的应用1042可包括由节点C.R.s 1016(1)-1016(N)、分组的计算资源1014和/或框架层1020的分布式文件***1038中的至少部分使用的一个或更多个类型的应用。一种或更多种类型的应用可以包括但不限于任何数量的基因组应用、认知计算和机器学习应用,包括训练或推断软件、机器学习框架软件(例如,PyTorch、TensorFlow、Caffe等)和/或结合一个或更多个实施例使用的其他机器学习应用。
在至少一个实施例中,配置管理器1034、资源管理器1036和资源协调器1012中的任一个可基于在任何技术上可行的方式中获取的任何量和类型的数据来实现任何数量和类型的自修改动作。自修改动作可使数据中心1000的数据中心操作者免于做出可能较差的配置决策和可能避免数据中心的未充分利用和/或较差执行部分。
根据本文描述的一个或更多个实施例,数据中心1000可包括工具、服务、软件或其他资源来训练一个或更多个机器学习模型或使用一个或更多个机器学习模型来预测或推断信息。例如,可以通过使用以上相对于数据中心1000描述的软件和/或计算资源根据神经网络架构来计算权重参数来训练(一个或更多个)机器学习模型。在至少一个实施例中,对应于一个或更多个神经网络的经训练或部署的机器学习模型可用于通过使用通过一种或多种训练技术(诸如但不限于本文中描述的那些训练技术)计算的权重参数,使用上文相对于数据中心1000描述的资源来推断或预测信息。
在至少一个实施例中,数据中心1000可使用CPU、专用集成电路(ASIC)、GPU、FPGA和/或其他硬件(或与其对应的虚拟计算资源)来使用上述资源执行训练和/或推断。此外,上文所描述的一或更多个软件和/或硬件资源可被配置为允许用户训练或执行对信息的推断的服务,例如图像识别、语音识别或其他人工智能服务。
示例网络环境
适合用于实现本公开的实施例的网络环境可以包括一个或更多个客户端设备、服务器、网络附加存储(NAS)、其他后端设备和/或其他设备类型。客户端设备、服务器和/或其他设备类型(例如,每个设备)可以在图9的(一个或更多个)计算设备900的一个或更多个实例上实现——例如,每个设备可以包括(一个或更多个)计算设备900的类似部件、特征和/或功能。此外,在实现后端设备(例如,服务器、NAS等)的情况下,后端设备可被包括作为数据中心1000的一部分,数据中心1000的示例在本文中关于图10更详细地描述。
网络环境的组件可经由网络彼此通信,所述网络可为有线的、无线的或为两者。网络可以包括多个网络或多个网络中的一个网络。例如,网络可包括一个或更多个广域网(WAN)、一个或更多个局域网(LAN)、一个或更多个公共网络(诸如互联网和/或公共交换电话网(PSTN))和/或一个或更多个私有网络。在网络包括无线电信网络的情况下,诸如基站、通信塔或者甚至接入点(以及其他组件)的组件可以提供无线连接。
兼容的网络环境可以包括一个或更多个对等网络环境(在这种情况下,服务器可以不被包括在网络环境中)和一个或更多个客户端-服务器网络环境(在这种情况下,一个或更多个服务器可以被包括在网络环境中)。在对等网络环境中,本文针对服务器所描述的功能可在任何数量的客户端设备上实现。
在至少一个实施例中,网络环境可包括一个或更多个基于云的网络环境、分布式计算环境、其组合等。基于云的网络环境可包括框架层、作业调度器、资源管理器和在一个或更多个服务器上实现的分布式文件***,所述服务器可包括一个或更多个核心网服务器和/或边缘服务器。框架层可包括支持软件层的软件和/或应用层的一个或更多个应用的框架。软件或应用可分别包含基于网络的服务软件或应用。在实施例中,一个或更多个客户端设备可以使用基于网络的服务软件或应用(例如,通过经由一个或更多个应用编程接口(API)访问服务软件和/或应用)。框架层可以是但不限于如可以使用分布式文件***进行大规模数据处理(例如,“大数据”)的一种免费和开源软件网络应用框架。
基于云的网络环境可提供执行本文描述的计算和/或数据存储功能(或其一个或更多个部分)的任何组合的云计算和/或云存储。这些不同功能中的任何功能可以分布在来自(例如,可以分布在州、地区、国家、全球等的一个或更多个数据中心的)中央或核心服务器的多个位置上。如果与用户(例如,客户端设备)的连接相对靠近边缘服务器,则核心服务器可以将功能的至少一部分指定给边缘服务器。基于云的网络环境可以是私有的(例如,限于单个组织),可以是公共的(例如,对许多组织可用),和/或其组合(例如,混合云环境)。
(一个或更多个)客户端设备可以包括本文关于图9所描述的(一个或更多个)示例计算设备900的组件、特征和功能中的至少一些。作为示例而非限制,客户端设备可被实现为个人计算机(PC),膝上型计算机、移动设备、智能电话、平板计算机、智能手表、可穿戴计算机、个人数字助理(PDA)、MP3播放器、虚拟现实耳机、全球定位***(GPS)或设备、视频播放器、摄像机、监视设备或***、车辆、船、飞船、虚拟机、无人机、机器人、手持式通信设备、医院设备、游戏设备或***、娱乐***、车辆计算机***、嵌入式***控制器、遥控器、电器、消费电子设备、工作站、边缘设备、这些描绘的设备的任何组合或任何其他合适的设备。
本公开可以在由计算机或者诸如个人数字助理或其他手持式设备之类的其他机器执行的、包括诸如程序模块之类的计算机可执行指令的机器可使用指令或者计算机代码的一般背景下进行描述。通常,包括例程、程序、对象、组件、数据结构等等的程序模块指的是执行特定任务或者实现特定抽象数据类型的代码。本公开可以在各种各样的***配置中实践,这些配置包括手持式设备、消费电子器件、通用计算机、更专业的计算设备等等。本公开也可以在其中任务由通过通信网络链接的远程处理设备执行的分布式计算环境中实践。
如在本文中使用的,“和/或”关于两个或更多元件的叙述应当解释为仅指一个元件或者元件组合。例如,“元件A、元件B和/或元件C”可以包括仅仅元件A,仅仅元件B,仅仅元件C,元件A和元件B,元件A和元件C,元件B和元件C,或者元件A、B和C。此外,“元件A或元件B中的至少一个”可以包括元件A中的至少一个,元件B中的至少一个,或者元件A中的至少一个和元件B中的至少一个。进一步,“元件A和元件B中的至少一个”可以包括元件A中的至少一个,元件B中的至少一个,或者元件A中的至少一个和元件B中的至少一个。
这里详细地描述了本公开的主题以满足法定要求。然而,描述本身并非意在限制本公开的范围。相反地,本公开人已经设想到,要求保护的主题也可以以其他的方式具体化,以包括与本文中结合其他当前或未来技术描述的步骤不同的步骤或者相似的步骤的组合。而且,尽管术语“步骤”和/或“块”在本文中可以用来隐含采用的方法的不同元件,但是这些术语不应当被解释为暗示本文公开的各个步骤之中或之间的任何特定顺序,除非明确描述了各步骤的顺序。
Claims (21)
1.一种方法,包括:
针对过滤标准评估一个或更多个雷达检测的一个或更多个属性,所述一个或更多个雷达检测是使用车辆的至少一个传感器生成的;
至少基于所述评估,累积所述一个或更多个雷达检测以形成一个或更多个能量水平,所述一个或更多个能量水平对应于所述一个或更多个雷达检测在相对于所述车辆的区域内的一个或更多个位置;
至少基于所述一个或更多个能量水平的一个或更多个量值,确定与所述区域相关联的一个或更多个安全状态;以及
至少基于所述一个或更多个安全状态,传输引起对所述车辆的控制的数据。
2.根据权利要求1所述的方法,其中所述过滤标准被配置为至少基于指示一个或更多个接近对象的所述一个或更多个雷达检测,将所述一个或更多个雷达检测包括在所述累积中。
3.根据权利要求1所述的方法,其中所述过滤标准至少基于与所述一个或更多个雷达检测相关联的多普勒速度高于速度阈值。
4.根据权利要求1所述的方法,其中所述过滤标准被配置为至少基于距所述一个或更多个雷达检测的一个或更多个距离低于距离阈值而将所述一个或更多个雷达检测包括在所述累积中。
5.根据权利要求1所述的方法,其中所述过滤标准被配置为至少基于与所述一个或更多个雷达检测相关联的一个或更多个碰撞时间低于时间阈值而将所述一个或更多个雷达检测包括在所述累积中。
6.根据权利要求1所述的方法,其中所述过滤标准定义了第一距离范围,所述第一距离范围具有与第二距离范围不同的从所述累积中过滤所述一个或更多个雷达检测的一组条件。
7.根据权利要求1所述的方法,其中所述区域相对于与所述车辆对应的当前行驶方向至少部分地向前。
8.根据权利要求1所述的方法,其中引起对所述车辆的控制阻止了所述车辆沿与所述区域相关联的所述车辆的方向移动。
9.根据权利要求1所述的方法,进一步包括:在雷达检测的多个帧中将所述一个或更多个能量水平中的至少一个能量水平进行衰减。
10.根据权利要求1所述的方法,其中确定所述一个或更多个安全状态包括:根据使用所述一个或更多个能量水平的安全或不安全的二元分类对所述一个或更多个位置进行分类。
11.根据权利要求1所述的方法,其中确定所述一个或更多个安全状态包括:将所述一个或更多个能量水平应用于一个或更多个机器学习模型,所述一个或更多个机器学习模型经训练以利用一个或更多个安全状态对与所述一个或更多个位置相关联的区域的至少一部分进行分类。
12.一种***,包括:
一个或更多个处理单元;以及
一个或更多个存储单元,其存储指令,当所述指令由所述一个或更多个处理单元执行时,使所述一个或更多个处理单元执行操作,所述操作包括:
累积使用车辆的至少一个传感器生成的一个或更多个雷达检测,以形成与所述一个或更多个雷达检测的一个或更多个位置相对应的一个或更多个能量水平;
将所述一个或更多个能量水平应用于一个或更多个机器学习模型,所述一个或更多个机器学习模型经训练以将一个或更多个类别分配给相对于所述车辆并与所述一个或更多个位置相关联的区域的至少一部分;
至少基于由一个或更多个机器学习模型MLM生成的并与所述一个或更多个类别相关联的一个或更多个输出,确定与所述区域相关联的一个或更多个安全状态;以及
至少基于所述一个或更多个安全状态,传输引起对所述车辆的控制的数据。
13.根据权利要求12所述的***,其中应用所述一个或更多个能量水平包括:将所述一个或更多个能量水平应用于神经网络,并且其中,所述神经网络的一个或更多个输出指示与属于与所述一个或更多个安全状态相关联的类别的所述一个或更多个位置中的位置相对应的空间网格单元的可能性。
14.根据权利要求12所述的***,其中所述一个或更多个类别包括与所述一个或更多个能量水平相关联的对象类型。
15.根据权利要求12所述的***,其中所述区域相对于与本车辆对应的当前行驶方向至少部分地向前。
16.根据权利要求12所述的***,其中所述累积至少基于针对一组过滤标准评估所述一个或更多个雷达检测。
17.根据权利要求12所述的***,其中所述一个或更多个能量水平代表所述区域中的静止对象。
18.根据权利要求12所述的***,其中所述***被包括在以下的至少一个中:
用于自主或半自主机器的控制***;
用于自主或半自主机器的感知***;
用于执行模拟操作的***;
用于执行深度学习操作的***;
利用边缘设备实现的***;
使用机器人实现的***;
包含一个或更多个虚拟机VM的***;
至少部分在数据中心中实现的***;或
至少部分使用云计算资源实现的***。
19.一种处理器,包括
一个或更多个电路,用于:
将与雷达检测相关联的一个或更多个属性与过滤标准进行比较,所述雷达检测是使用机器的至少一个传感器生成的;
至少基于所述比较,更新与所述雷达检测在相对于所述机器定位的区域中的位置相对应的能量水平;
至少基于所述能量水平的量值,确定所述区域的安全状态;以及
至少基于所述安全状态的确定,传输引起对所述机器的控制的数据。
20.根据权利要求19所述的处理器,其中所述区域相对于与本车辆对应的当前行驶方向至少部分地向前。
21.根据权利要求19所述的处理器,其中确定所述区域的安全状态包括:根据使用所述一个或更多个能量水平的安全或不安全的二元分类对所述一个或更多个位置进行分类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/454,338 US20230145218A1 (en) | 2021-11-10 | 2021-11-10 | Radar-based lane change safety system |
US17/454,338 | 2021-11-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116106905A true CN116106905A (zh) | 2023-05-12 |
Family
ID=86053000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211337376.2A Pending CN116106905A (zh) | 2021-11-10 | 2022-10-28 | 基于雷达的变道安全*** |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230145218A1 (zh) |
JP (1) | JP2023076393A (zh) |
CN (1) | CN116106905A (zh) |
DE (1) | DE102022129311A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020205952A1 (de) * | 2020-05-12 | 2021-11-18 | Brose Fahrzeugteile Se & Co. Kommanditgesellschaft, Bamberg | Verfahren zum Erkennen und Klassifizieren von Objekten, Kraftfahrzeug |
-
2021
- 2021-11-10 US US17/454,338 patent/US20230145218A1/en active Pending
-
2022
- 2022-10-28 CN CN202211337376.2A patent/CN116106905A/zh active Pending
- 2022-11-01 JP JP2022175353A patent/JP2023076393A/ja active Pending
- 2022-11-07 DE DE102022129311.4A patent/DE102022129311A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022129311A1 (de) | 2023-05-11 |
US20230145218A1 (en) | 2023-05-11 |
JP2023076393A (ja) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11941819B2 (en) | Object detection using skewed polygons suitable for parking space detection | |
US11884294B2 (en) | Lane change planning and control in autonomous machine applications | |
US20200380274A1 (en) | Multi-object tracking using correlation filters in video analytics applications | |
CN113139642B (zh) | 在自主驾驶应用中使用神经网络执行故障检测 | |
US11816987B2 (en) | Emergency response vehicle detection for autonomous driving applications | |
CN112989914B (zh) | 具有自适应加权输入的注视确定机器学习*** | |
WO2021262603A1 (en) | Sensor fusion for autonomous machine applications using machine learning | |
CN111133448A (zh) | 使用安全到达时间控制自动驾驶车辆 | |
CN114155272A (zh) | 自主机器应用中的自适应目标跟踪算法 | |
US20230054759A1 (en) | Object tracking using lidar data for autonomous machine applications | |
US20240217557A1 (en) | Behavior planning for autonomous vehicles in yield scenarios | |
CN116767245A (zh) | 使用自主***和应用的神经网络的地图信息对象数据管理 | |
US20220340149A1 (en) | End-to-end evaluation of perception systems for autonomous systems and applications | |
CN117584956A (zh) | 用于自主***的使用未来轨迹预测的自适应巡航控制 | |
US20240017743A1 (en) | Task-relevant failure detection for trajectory prediction in machines | |
CN118119981A (zh) | 用于自主***和应用的使用机器学习的自由空间检测 | |
CN118251705A (zh) | 用于自主***和应用中的使用多个传感器的环绕场景感知 | |
WO2024015632A1 (en) | Surround scene perception using multiple sensors for autonomous systems and applications | |
CN116106905A (zh) | 基于雷达的变道安全*** | |
CN116772874A (zh) | 用于自主***和应用的使用占用网格进行危险检测 | |
CN117581117A (zh) | 自主机器***和应用中使用LiDAR数据的动态对象检测 | |
CN116500619A (zh) | 用于汽车雷达感知的雷达信号采样 | |
CN116106934A (zh) | 用于自主机器应用的基于粒子的危险检测 | |
CN116263688A (zh) | 在自主***和应用程序中使用特征描述符绘图进行单个和跨传感器对象追踪 | |
CN116795091A (zh) | 自主***和应用程序的环境重建和路径规划 |
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 |