CN116867675A - 车辆运动规划***与方法 - Google Patents

Abstract

用于操作自主车辆的***/方法。方法包括：检测自主车辆附近的对象；确定对象的行进路径，行进路径包括多个数据点，数据点的数量等于基于对象所处的车道的几何形状而选择的给定车辆位置的数量；生成分别与数据点相关联的成本曲线，每个成本曲线表示沿着给定交叉线在特定位置处的位移成本，给定交叉线(i)穿过数据点中的相应数据点并且(ii)垂直于车道的边界线并在边界线之间延伸；确定表示成本曲线距车道中心的位移的多段线；基于多段线定义对象的预测行进路径；以及使用对象的预测行进路径来促进自主驾驶操作。

Description

车辆运动规划***与方法

交叉引用和优先权要求

本专利申请要求2021年2月19日提交的专利申请号为17/179,524的美国专利申请的优先权，该专利申请的全部内容通过引用并入本文。

技术领域

本公开总体上涉及车辆。更具体地，本公开涉及用于车辆运动规划的实施***和方法。

背景技术

相关领域的描述

现代车辆至少有一台车载计算机，并具有互联网/卫星连接。在这些车载计算机上运行的软件监视和/或控制车辆的操作。如果车辆是自主车辆，它还包括用于检测其附近的对象的激光雷达探测器。激光雷达探测器生成激光雷达数据集，该激光雷达数据集在多个不同时间测量从车辆到对象的距离。这些距离测量值可用于跟踪对象的运动、对对象轨迹进行预测并基于对象的预测轨迹规划车辆的行进路径。

发明内容

本公开涉及用于操作自主车辆的实施***和方法。该方法包括由计算设备执行以下操作：检测自主车辆附近的对象；确定对象的行进路径，行进路径包括多个数据点，数据点的数量等于基于对象所处的车道的几何形状而选择的给定车辆位置的数量；生成分别与数据点相关联的成本曲线(每个成本曲线表示沿着给定交叉线在特定位置处的位移成本，给定交叉线(i)穿过数据点中的相应数据点并且(ii)垂直于所述车道的边界线并在边界线之间延伸)；确定表示成本曲线距车道的中心的位移的多段线；基于多段线来定义对象的预测行进路径；和/或使用对象的预测行进路径来促进自主车辆的至少一个自主驾驶操作。

在一些场景中，方法还包括：确定对象是否具有行驶意图；以及当确定对象具有行驶意图时，确定对象的行进路径。给定车辆位置的总数对于直车道和弯车道可以具有不同的值。行进路径的每个数据点可以与道路地图中车道的中心对齐并且可以位于车道的中心上。每个数据点可以从对象的当前位置纵向偏移。

在这些或其他场景中，使用表示从对象到车道的左边界的距离的成本函数、表示从对象到车道的右边界的距离的成本函数、表示对象应该多靠近车道的中心的成本函数、表示与车道的左边界和右边界一致的位置的成本函数和表示靠近静态障碍物的位置的成本函数中的至少一个生成成本曲线。

在这些或其他场景中，方法还包括：通过组合与每个所述数据点相关的成本曲线来生成成本曲线；定义多段线使得其包括具有基于组合的成本曲线的最小值而确定的坐标值的数据点。附加地或替代地，方法包括基于预测行进路径(predicted path of travel)来确定对象的预期行进路径(forecasted path of travel)。

实施***包括：处理器；以及包括编程指令的非暂时性计算机可读存储介质，编程指令被配置为使处理器实现上述方法。

附图说明

将参考以下附图描述本发明的方案，其中在附图中相同的附图标记表示相同的项目。

图1是说明性***的示意图。

图2是车辆的说明性架构的示意图。

图3是说明性计算设备的示意图。

图4提供了有助于理解如何根据本发明的方案实现车辆控制的框图。

图5A-5B(本文中统称为“图5”)提供了使用激光雷达去相关控制自主车辆的说明性方法的流程图。

图6提供了使用检测到的对象的预测轨迹进行自主车辆(AV)运动规划的说明性方法的流程图。

图7-18提供了有助于理解图6所示方法的示意图。

图19提供了有助于理解第一示例的细节的示意图。

图20提供了有助于理解第二示例的细节的示意图。

图21提供了有助于理解第三示例的细节的示意图。

具体实施方式

除非上下文另有明确规定，否则本文中使用的单数形式“一”、“一个”和“该”包括复数形式。除非另有定义，否则本文中使用的所有技术和科学术语具有本领域普通技术人员通常理解的含义。本文中使用的术语“包含”是指“包括但不限于”。与本文相关的附加术语的定义包含在本具体实施方式的末尾。

“电子设备”或“计算设备”是指包括处理器和存储器的设备。每个设备可以具有其自己的处理器和/或存储器，或者可以与其他设备共享处理器和/或者存储器，如在虚拟机或容器布置中。存储器将包含或接收编程指令，该编程指令在由处理器执行时使电子设备根据编程指令执行一个或多个操作。

术语“存储器”、“存储器设备”、“数据存储器”、“数据存储设备”等均指存储计算机可读数据、编程指令或两者的非暂时性设备。除非另有特别说明，否则术语“存储器”、“存储器设备”、“数据存储器”、“数据存储设备”等旨在包括单个设备实施例、多个存储器设备一起或共同存储一组数据或指令的实施例以及这些设备内的单个扇区。

术语“处理器”和“处理设备”是指被配置为执行编程指令的电子设备的硬件组件。除非另有特别说明，否则单数术语“处理器”或“处理设备”旨在包括单个处理设备实施例和多个处理设备一起或共同执行过程的实施例。

术语“车辆”是指能够承载一名或多名人类乘员和/或货物并由任何形式的能量提供动力的任何移动形式的运输工具。术语“车辆”包括但不限于轿车、卡车、货车、火车、自主车辆、飞机、无人机等。“自主车辆”是指具有处理器、编程指令和传动系部件的车辆，传动系部件可由处理器控制，无需人工操作。自主车辆可以是完全自主的，对于大多数或所有驾驶条件和功能，不需要人工操作，或者可以是半自主的，在某些条件下或对于某些操作，可能需要人工操作，或者人工操作可以超驰车辆的自主***并承担车辆的控制。

在本文中，当使用“第一”和“第二”等术语来修饰名词时，这种使用只是为了将一个项目与另一个项目区分开来，除非特别说明，否则不需要顺序。此外，“垂直”和“水平”、或“前”和“后”等相对位置的术语在使用时，旨在彼此相对，而不必是绝对的，并且仅指与这些术语相关联的设备的一个可能位置，这取决于设备的方向。

自主车辆(AV)必须能够预测场景中主体(agent)或对象的未来轨迹，以便做出安全高效的行为决策。在理解了主体的意图之后，会生成一个从其当前位置到该目标的理想参考路径。参考路径是通过由多段线(polyline)描述的二维空间的理想轨迹。它编码了与车道的偏移量、参与者如何轮流的趋势、基本的情景交互(如突然转向绕过静态障碍物)以及相对于车道几何结构的路径。理想参考路径被定义为主体在理想世界中将遵循的一系列路点。因此，它逼真地将道路和场景特征融入到问题中。更真实的参考路径将导致更真实的预测轨迹，更真实的预测轨迹将增强AV驾驶***的安全性。此外，参考路径允许实时计算关于参与者的运动的一些约束。以速度和制动目标的形式应用的屈服约束是通过找到参考路径与AV路线的交叉点来计算的。

当前方法使用与主体相关联的车道中心线来生成从当前主***置开始的参考路径，该参考路径随着时间的推移向映射车道的中心缓慢衰减。这种当前方法有以下局限性：当车道宽度不一致时(例如，键控车道(keyed lane)、变窄车道或加宽车道)，会导致不太可能的参考路径；没有考虑横向偏移的增加(例如，宽转弯(wide turn))；没有考虑车辆小转弯(cut corner)；没有考虑使用大车道的全宽；无法预测车辆绕过静态障碍物(例如，车道上的双车位车辆(double parked vehicle))；没有考虑不同的主体类型；并且没有考虑主体可能保持与车道边界的当前横向偏移的事实。

本发明的方案解决了当前方法的上述局限性。因此，本发明的方案涉及使用改进的对象轨迹生成算法来控制车辆的***和方法。该方法总体上涉及通过最小化沿车道采样的横向位移成本函数的组合来计算检测到的对象的参考行进路径。通过使用一组成本函数来生成检测到的对象的参考行进路径，本发明的方案能够从运动规划的角度预期其他参与者的动作。这种预期是本发明的方案的一个新颖方面。本发明的方案的另一新颖方面是能够在捕捉车道几何形状以及静态场景的情况下为对象生成真实参考行进路径。这些新颖的方面是通过使用成本函数来保持在车道中的偏移量、使用成本来考虑宽转弯、使用成本来考虑小转弯和/或考虑静态障碍物来实现的。

本文在自主车辆的背景下描述了本发明的方案。本发明的方案不限于自主车辆应用。本发明的方案可用于其他应用，例如机器人应用、雷达***应用、度量应用和/或***性能应用。

说明性***

现在参考图1，提供了说明性***100的图示。***100包括车辆102₁，车辆102₁以半自主或自主的方式沿着道路行驶。车辆102₁可以是AV。AV 102₁可以包括但不限于陆地车辆(如图1所示)、飞行器或船只。

AV 102₁总体上被配置为检测其附近的对象102₂、114、116。对象可以包括但不限于车辆102₂、骑车人114(例如自行车、电动滑板车、摩托车等的骑车人)和/或行人116。例如，可以通过分析由AV 102₁上的至少一个传感器设备生成的传感器数据和/或经由通信链路150、152、154从对象的通信设备(例如，收发器、信标和/或智能电话)接收的信息来进行该对象检测。通信链路150、152、154可以包括但不限于V2X通信链路。术语“V2X”是指车辆与任何可能影响车辆或可能受到车辆的影响的任何实体之间的通信。

当进行这样的检测时，AV 102₁执行以下操作：为检测到的对象生成一个或多个可能的对象轨迹(或预测行进路径)；并且使用所生成的可能对象轨迹(或预测行进路径)中的至少一个来促进车辆轨迹的确定。AV 102₁然后可以执行操作以遵循车辆轨迹。

在一些场景中，AV 102₁执行额外的操作，以确定是否存在AV和对象之间在阈值时间段(例如，1分钟)内将发生碰撞的不期望的风险水平。如果存在，则AV 102₁执行操作以确定在AV 102₁遵循车辆轨迹并且在预定义的时间段(例如，N毫秒)内执行多个动态生成的紧急机动中的任何一个的情况下是否可以避免碰撞。如果可以避免碰撞，则AV 102₁不采取措施或可选地执行谨慎机动(例如，稍微减速)。相反，如果不能避免碰撞，则AV 102₁立即采取紧急机动(例如，刹车和/或改变行进方向)。

现在参考图2，提供了用于车辆的说明性***架构200的示意图。图1的车辆102₁和/或102₂可以具有与图2中所示的***架构相同或相似的***架构。因此，以下对***架构200的讨论足以理解图1的车辆102₁、102₂。

如图2所示，车辆200包括发动机或马达202和用于测量车辆各种参数的各种传感器204-218。在具有燃料动力发动机的气体动力或混合动力车辆中，传感器可以包括例如发动机温度传感器204、电池电压传感器206、发动机每分钟转数(RPM)传感器208和节气门位置传感器210。如果车辆是电动或混合动力车辆，则车辆可以具有电动马达，并且相应地将具有电池监测***212(用于测量电池的电流、电压和/或温度)、马达电流传感器214和马达电压传感器216以及诸如解算器和编码器218的马达位置传感器等传感器。

这两种类别型的车辆通用的操作参数传感器包括，例如：位置传感器236，例如加速度计、陀螺仪和/或惯性测量单元；速度传感器238；以及里程计传感器240。车辆还可以具有时钟242，***使用该时钟来确定操作期间的车辆时间。时钟242可以被编码到车辆车载计算设备中，它可以是单独的设备，或者可以有多个时钟。

车辆还将包括用于收集有关车辆行驶环境的信息的各种传感器。这些传感器可以包括，例如：定位传感器260(例如，全球定位***(GPS)设备)；对象检测传感器，例如一个或多个摄像机262；激光雷达传感器***264；和/或雷达和/或声纳***266。传感器还可以包括环境传感器268，例如降水传感器和/或环境温度传感器。对象检测传感器可以使车辆能够在任何方向上检测在车辆200的给定距离范围内的对象，而环境传感器收集关于车辆行驶区域内的环境条件的数据。

在操作过程中，信息从传感器传送到车载计算设备220。车载计算设备220分析由传感器捕获的数据，并且可选地基于分析结果控制车辆的操作。例如，车载计算设备220可以经由制动控制器232控制制动；经由转向控制器224控制方向；经由节气门控制器226(在燃气动力车辆中)或马达速度控制器228(例如电动车辆中的电流水平控制器)控制速度和加速度；控制差速齿轮控制器230(在具有变速器的车辆中)；和/或控制其他控制器。

地理位置信息可以从定位传感器260传送到车载计算设备220，然后车载计算设备可以访问与位置信息相对应的环境地图，以确定环境的已知固定特征，例如街道、建筑物、停车标志和/或停/走信号。从摄像机262捕获的图像和/或从诸如激光雷达传感器***264之类的传感器捕获的对象检测信息从这些传感器传送到车载计算设备220。对象检测信息和/或捕获的图像由车载计算设备220处理，以检测车辆200附近的对象。基于传感器数据和/或捕获的图像进行对象检测的任何已知或将要已知的技术都可以用于本文公开的实施例中。

激光雷达信息从激光雷达传感器264传送到车载计算设备220。此外，所捕获的图像被从摄像机262传送到车载计算设备220。车载计算设备220对激光雷达信息和/或捕获的图像进行处理，以检测车辆200附近的对象。车载计算设备220进行对象检测的方式随着讨论的进行将变得显而易见。

当车载计算设备220检测到移动对象时，车载计算设备200将为检测到的对象生成一个或多个可能的对象轨迹，并分析可能的对象轨迹以评估对象和AV之间碰撞的风险。如果风险超过可接受的阈值，则车载计算设备220执行操作以确定在AV遵循定义的车辆轨迹和/或在预定义的时间段(例如，N毫秒)内执行一个或多个动态生成的紧急机动的情况下是否可以避免碰撞。如果可以避免碰撞，则车载计算设备220可以使车辆200执行谨慎机动(例如，稍微减速、加速或转向)。相反，如果不能避免碰撞，则车载计算设备220将使车辆200采取紧急机动(例如，刹车和/或改变行进方向)。

现在参考图3，提供了计算设备300的说明性架构的示意图。图1的计算设备110和/或图2的车辆车载计算设备220与计算设备300相同或相似。因此，对计算设备300的讨论足以理解图1的计算设备110和图2的车辆车载计算设备220。

计算设备300可以包括比图3中所示的组件更多或更少的组件。然而，所示的组件足以公开实现本发明的方案的说明性方案。图3的硬件架构表示被配置为操作车辆的代表性计算设备的一种实现方式，如本文所述。因此，图3的计算设备300实现本文所描述的方法的至少一部分。

计算设备300的一些或所有组件可以实现为硬件、软件和/或硬件和软件的组合。硬件包括但不限于一个或多个电子电路。电子电路可以包括但不限于无源部件(例如电阻器和电容器)和/或有源部件(例如放大器和/或微处理器)。无源部件和/或有源部件可以适于、布置成和/或编程成执行本文所述的方法、过程或功能中的一个或多个。

如图3所示，计算设备300包括用户接口302、中央处理单元(CPU)306、***总线310、通过***总线310连接到计算设备300的其他部分并可由其访问的存储器312、***接口360以及连接到***总线310的硬件实体314。用户接口可以包括输入设备和输出设备，它们促进用于控制计算设备300的操作的用户-软件交互。输入设备包括但不限于，物理和/或触摸键盘350。输入设备可以经由有线或无线连接(例如连接)连接到计算设备300。输出设备包括但不限于扬声器352、显示器354和/或发光二极管356。***接口360被配置为便于与外部设备(例如，接入点等网络节点)进行有线或无线通信。

至少一些硬件实体314执行包括访问和使用存储器312的动作，存储器312可以是随机存取存储器(RAM)、磁盘驱动器、闪存、光盘只读存储器(CD-ROM)和/或能够存储指令和数据的另一硬件设备。硬件实体314可以包括磁盘驱动单元316，该磁盘驱动单元包括计算机可读存储介质318，在该计算机可读存储媒体318上存储被配置为实现本文所描述的方法、过程或功能中的一个或多个的一组或多组指令320(例如，软件代码)。在计算设备300执行指令320期间，指令320还可以完全或至少部分地驻留在存储器312内和/或CPU 306内。存储器312和CPU 306也可以构成机器可读介质。本文使用的术语“机器可读介质”是指存储一组或多组指令320的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓存和服务器)。本文使用的术语“机器可读介质”还指能够存储、编码或携带由计算设备300执行的一组指令320并且使得计算设备300进行本公开的方法中的任何一个或多个的任何介质。

现在参考图4，提供了有助于理解根据本发明的方案如何实现车辆控制的框图。框402-410中执行的所有操作都可以由车辆(例如，图1的AV 102₁)的车载计算设备执行。

在框402中，检测车辆的位置。该检测可以基于从车辆的定位传感器(例如图2的定位传感器260)输出的传感器数据来进行。该传感器数据可以包括但不限于GPS数据。检测到的车辆的位置然后被传递到框406。

在框404中，检测车辆附近的对象。该检测是基于从车辆的摄像机(例如，图2的摄像机262)、激光雷达***(例如，图2的激光雷达***264)和/或雷达/声纳***264输出的传感器数据进行的。用于检测对象的技术在本领域中是众所周知的。任何已知或将要已知的对象检测技术都可以在本文中使用。关于检测到的对象的信息被传递到框406。该信息包括但不限于检测到的对象的踪迹(或空间描述)。踪迹(或空间描述)可以包括对象的至少一个预测轨迹或行进路径、对象的速度、对象的整个范围、对象的航向、对象的行进方向和/或对象的分类。预测对象轨迹或行进路径可以包括但不限于指向车道方向的线性路径或指向车道方向的弯曲路径。

从框404输出的该对象检测信息随后可用于促进至少一个自主驾驶操作(例如，对象跟踪操作、对象轨迹预测操作、车辆轨迹确定操作和/或防撞操作)。例如，可以基于传感器数据来确定检测到的对象的未来意图。未来意图可以包括但不限于行驶意图。车道可以与具有行驶意图的对象相关联。对象的当前位置和车道细节可用于在框404中预测对象轨迹或行进路径、在框406中确定车辆轨迹和/或在框406触发紧急机动。本发明的方案不限于该示例的细节。

在框406中，使用来自框402和404的信息生成车辆轨迹。用于确定车辆轨迹的技术在本领域中是众所周知的。任何已知或将要已知的用于确定车辆轨迹的技术都可以在这里使用，而不受限制。例如，在一些场景中，这种技术涉及确定AV的轨迹，当对象在AV前面时，该轨迹将经过对象，对象具有与AV正在移动的方向对准的航向方向，并且对象具有大于阈值的长度。本发明的方案不限于这种情况的细节。车辆轨迹420可以基于来自框402的位置信息、来自框404的对象检测信息和地图信息428(其预先存储在车辆的数据存储器中)来确定。车辆轨迹420可以表示平滑路径，该平滑路径不具有将会给乘客带来不适的突然变化。例如，车辆轨迹由沿着道路的给定车道的行进路径定义，预测对象在给定时间内不在该道路的给定车道中行驶。车辆轨迹420随后被提供给框408。

在框408中，基于车辆轨迹420生成转向角和速度命令。转向角和速度命令被提供给用于车辆动力学控制的框410。

车辆控制

现在参考图5，提供了用于控制车辆(例如，图1的车辆102₁)的说明性方法500的流程图。方法500的至少一部分由车辆车载计算设备(例如，图2的车辆车载计算设备220)执行。方法500针对在任何给定时间被检测到在距离车辆一定距离范围内的每个对象(例如，图1的车辆102₂、图1的骑车人114和/或图1的行人116)执行。

方法500包括多个操作502-530。本发明的方案不限于图5中所示的操作502-530的特定顺序。例如，520的操作可以与504-518的操作并行执行，而不是如图5所示的那样在504-518的操作之后执行。

如图5A所示，方法500从502开始，并继续到504，在504中，生成AV的车辆轨迹(例如，图4的车辆轨迹420)。车辆轨迹可以表示平滑的路径，该路径不具有将会给乘客带来不适的突然变化，或者可以允许紧急机动以避免碰撞。用于确定车辆轨迹的技术在本领域中是众所周知的。任何已知或将要已知的用于确定车辆轨迹的技术都可以在这里使用，而不受限制。在一些场景中，基于由AV的定位传感器(例如，图2的定位传感器260)生成的位置信息、由AV的车载计算设备(例如，图2的车载计算设备220)生成的对象检测信息、由AV的至少一个摄像机(例如，图2的摄像机262)拍摄的图像、存储在AV的存储器(例如，图4的存储器412)中的地图信息和/或车道信息来确定车辆轨迹。

一旦生成了车辆轨迹，方法500继续到505，在505中，AV执行操作以检测其附近的对象。对象检测算法在本领域中是众所周知的。这里可以使用任何已知或将要已知的对象检测算法。然后，对象检测用于促进至少一个自主驾驶操作(例如，对象跟踪操作、对象轨迹预测操作、车辆轨迹确定操作和/或防撞操作)。

因此，方法500继续506，在506中，为在505中检测到的对象(例如，图1的车辆102₂、骑车人114或行人116)确定一个或多个可能的对象轨迹或预测行进路径(例如，图4的可能的对象轨迹或预测行进路径412)。

接下来在510中，确定在504中生成的车辆轨迹和在506中生成的可能对象轨迹/预测行进路径是否彼此相交。如果它们彼此不相交[511：否]，则执行512，在512中，方法500返回504。

相反，如果它们确实彼此相交[511：是]，则方法500继续到514，在514中，确定时间值。该时间值表示在AV遵循车辆轨迹并且对象遵循可能的对象轨迹/预测行进路径的情况下将发生碰撞的时间。然后将在514中确定的时间值与阈值时间值进行比较，如516所示。阈值时间值是根据给定的应用来选择的(例如，一秒或多秒)。如果时间值大于阈值时间值[516：否]，则执行518，在518中，方法500返回504。如果时间值等于或小于阈值时间值[516：是]，则方法500继续到520-522。520-522包含：基于车辆轨迹和可能的对象轨迹/预测行进路径，动态生成一个或多个紧急机动配置文件；并且确定在AV遵循车辆轨迹并且在预先定义的时间段(例如N毫秒)内执行任何一个紧急机动的情况下是否可以避免碰撞。在完成522之后，方法500继续到图5B的524。

现在参考图5B，如果在预先定义的时间段内不能避免碰撞[524：否]，则执行526，在526中，使AV立即采取紧急机动。紧急机动可以包括但不限于上面关于520讨论的动态生成的紧急机动之一。用于使AV进行紧急机动的技术在本领域中是众所周知的。用于使AV采取紧急机动的任何已知或将要已知的技术都可以在这里使用。随后，执行530，在530中，方法500结束或者执行其他处理。

相反，如果可以在预先定义的时间段内避免碰撞[524：是]，则执行528，在528中，AV可选地执行谨慎机动(例如，轻度减速)。用于使AV采取谨慎机动(例如减速)的技术在本领域中是众所周知的。用于使AV进行谨慎机动的任何已知或将要已知的技术都可以在这里使用。随后，执行530，在530中，方法500结束或者执行其他处理。

现在参考图6，提供了使用检测到的对象的预测轨迹/行进路径进行AV运动规划的说明性方法600的流程图。方法600可以由图1的车辆102₁、图1的计算设备110、图2的车辆车载计算设备220和/或图3的计算设备300执行。

如图6所示，方法600从602开始，并继续到604，在604中，计算设备获取由车辆(例如，图1的车辆102₁)的至少一个传感器生成的传感器数据。传感器数据可以包括但不限于由车辆的摄像机(例如，图2的摄像机262)捕获的图像，和/或由车辆的激光雷达***(例如，图2的激光雷达***264)生成的激光雷达数据。在606中，计算设备分析传感器数据以检测车辆附近的对象。用于对象检测的算法在本领域中是公知的。这里可以使用的说明性对象检测算法为公知的基于卷积神经网络(CNN)的对象检测算法)。在606中执行的操作还可以包括：确定对象的类型(例如，车辆或行人)、检测到的对象的边界框、检测到的对象的当前位置、检测到的对象与车辆的距离以及检测到的对象相对于车辆的方向。检测到的对象的当前位置由x坐标、y坐标和z坐标定义。

一旦检测到对象，计算设备就在608中执行操作，以确定检测到的对象的未来意图。该确定可以根据美国专利申请序列号17/179,503和美国专利申请系列号17/179,510中描述的过程来实现。上述专利申请的内容通过引用的方式整体并入本文。总体上，这个过程包括：将检测到的对象的当前位置投影到3D道路地图的3D空间中，以定义数据点；以及基于对象是否位于道路的车道中来确定对象是否具有行驶意图。3D道路地图是众所周知的。可替换地或附加地，可以基于从车辆的通信设备接收到的信息(例如，经由图1的通信链路150、152和/或154从对象的通信设备(例如，收发器、信标和/或智能电话)接收到的信息)来确定未来意图。该信息可以指定对象的一个或多个未来意图。

如果数据点不位于3D道路地图中指定的任何车道的边界内或不在其附近，则确定对象具有除行驶意图之外的未来意图(例如，停车意图)。在这种情况下[610：否]，执行612，在612中，方法600结束或执行其他操作(例如，返回604或606，以便可以对另一个检测到的对象执行该过程)。

如果数据点位于3D道路地图中指定的给定车道的边界内或其附近，则确定检测到的对象位于给定车道中。因此，给定车道被识别为对象所在的车道，并且确定对象具有行驶意图。在这种情况下[610：是]，方法600继续到614。

在614中，计算设备执行操作，以使用3D道路地图中定义的车道几何形状来确定给定车道是直车道还是弯车道。在616中，基于车道是直车道还是弯车道来选择车辆位置的总数n。例如，对于直车道，数量n为10，对于弯车道，数量n为16。本发明的方案在这方面不受限制。对于(i)直车道和弯车道和/或(ii)具有相邻停放汽车的左车道和右车道，数量n可以相同或不同。根据给定的应用，可以为直车道和弯车道选择数量n。在一些场景中，数量n是针对直车道和弯车道中的每一个预先定义的。在其他情况下，数量n是根据算法动态确定的，该算法考虑了各种因素，例如直车道的长度、车道速度、弯车道的转弯半径、车道宽度、转弯速度(例如，最大推荐转弯速度)和/或转弯方向(例如，左或右)。所列出的因素可以在算法中被不同地加权。

接下来在618中，计算设备确定对象的至少一个行进路径。行进路径包括多个数据点，数据点的数量等于所选择的车辆位置的总数n。将参照图7来解释确定行进路径的方式。如图7所示，对象700包括车辆。使用给定车道750的中心C来确定对象700的行进路径。行进路径由n个车辆位置L₁、L₂、……、L_n组成的多段线L定义。每个车辆位置L₁、L₂、……、L_n由圆形数据点表示，数据点的中心与给定车道的中心C对齐并位于该中心C上。这些圆沿给定车道中心C的长度等距分布。每个车辆位置L₁、L₂、……L_n从车辆的当前位置704纵向偏移。

再次参考图6，计算设备为每个位置L₁、L₂、……、L_n定义直交叉线，如620所示。车辆位置L₁、L₂、……、L_n的示例性直交叉线802、804、806在图8中示出。每条交叉线垂直于给定车道750的边界线808、810并在边界线808、810之间延伸，并穿过相应车辆位置的圆形数据点的中心。例如，交叉线802垂直于给定车道750的边界线808、810并在边界线808、810之间延伸，并穿过车辆位置L₁的圆形数据点的中心。交叉线804垂直于给定车道750的边界线808、810并在边界线808、810之间延伸，并穿过车辆位置L₂的圆形数据点的中心。806垂直于给定车道750的边界线808、810并在边界线808、810之间延伸，并且穿过车辆位置L_n的圆形数据点的中心。

在图6的622中，计算设备生成成本曲线。每个成本曲线表示沿着给定的交叉线在特定位置处的位移成本。在图9中示出了针对交叉线802生成的说明性成本曲线902、904、906。每个成本曲线902、904、906是通过获得先前在606中确定的对象类型的一组预先定义的或机器学习的成本函数来生成的。该组预先定义的或机器学习的成本函数包括但不限于，表示从对象700到左车道边界808的距离的第一成本函数、表示从对象700到右车道边界810的距离的第二成本函数、表示对象应该多靠近给定车道750的中心C的第三成本函数、表示与左右车道边界808和810一致的位置的第四成本函数和/或表示靠近静态障碍物(例如，标志、树木、停放的车辆等)的位置的第五成本函数。该组预先定义的或机器学习的成本函数中的每一个可以包括但不限于，线性函数、二次函数和/或Huber函数。线性函数、二次函数和Huber函数是众所周知的。对于不同类型的对象，预先定义的或机器学习的成本函数可以相同或不同。

在一些场景中，成本函数包括由以下数学方程(1)或(2)定义的二次成本函数。

f(x)＝w*(x-o)² (1)

f(x)wx²-2wox+o² (2)

其中w表示权重(其可以是预先定义的或机器学习的)，x表示沿着给定交叉线的特定位置的x坐标，o表示对象的当前位置和x轴之间的位移。

在这些或其他场景中，基于对象将优先停留在给定车道中的位置的假设来定义成本函数。因此，对象与车道边界的距离保持恒定或不变。可以产生这样的成本曲线，其在对象到边界线的距离与初始偏移相同的点处具有最小值。在这种情况下，可以采用以下两种方法。

·参考图10，第一成本函数被用于生成成本曲线1002，第二成本函数被用于生成成本曲线1002。第一成本函数表示距左车道边界808的距离。第二成本函数表示距右车道边界810的距离。对于每个样本，成本函数被构造为使得在与对象700和车道边界之间的初始偏移相同的距车道边界808、810的距离dR、dL处，得到的成本曲线具有最小值1006。对于具有车道遵循意图的对象，如果向边界行驶或迎面而来的车辆向边界行驶，则相同的成本函数可以用于左右车道边界。对于具有变道意图的对象，成本函数可以在更近的车道边界处更快地增加，以惩罚朝向该边界的方向变道。

·可以选择替代成本函数来优化两个偏移之间的比率。成本函数在距离dR和dL之间的比率等于初始偏移比率的点处具有最小值。这提供了一个优点，即只有一个成本函数考虑两个车道边界的变化。另一个可能的比率是dL/dTot和dR/dTot，其中dTot是道路或车道的总宽度。具有这些比率可以相对于道路或车道变化自动调整对象的位置。

例如，如图11所示，车辆1100处于变窄车道1102中。在时间t＝0时，成本函数在同一点最小化。车道1102从右侧变窄，从而使车道的中心线C的位置移动。车辆1100相对于左车道边界线1110的横向偏移没有改变，但是相对于中心线C和右边界线1112的位置都发生了移动。

假设车辆优先停留在远离车道边缘的位置处，那么从车辆上最近点到每条边界线的距离的成本函数可能会惩罚在非常靠近车道边界的地方驾驶。成本函数在所有其他位置上几乎是平坦的，并且如果车辆离车道边界足够远，则对超额成本的贡献很小，如图12所示。

横向偏移趋势的成本函数考虑了现实路径。假设：较大的移动对象有进行宽转弯的倾向；大多数情况下，转弯早在转弯前的直车道上开始；并且较小的移动对象具有小转弯的倾向。宽转弯成本函数可以应用于较大的移动对象，而小转弯成本函数可以适用于较小的移动对象。

宽转弯的成本函数在车道曲率的相反方向上具有最小移动。移动与车道曲率和中心线与边界之间的距离成比例，如图13所示。考虑到较大的移动对象需要比较小的移动对象进行更宽的转弯，该成本函数的权重可以大于其他成本函数。

用于小转弯的成本函数具有在车道曲率方向上移动的最小值。移动与车道曲率和中心线与边界之间的距离成比例，如图14所示。该成本函数的权重可以大于用于左转的其他成本函数。

还可以采用考虑静态障碍物的成本函数。在城市环境中导航时，移动对象会面临不同类型的障碍物，并转向以避开它们。本发明的方案使用提供AV周围场景的快照的可见性网格。可见性网格指示特定位置属于空闲单元格还是已占用单元格。下面提供了用于实现该成本函数的说明性算法。从右边界开始，并沿交叉线对位置进行采样，

occupied＝false

For each sample s

if free&&！occupied

a.create function with high cost at the sample point

b occupied＝true

If s is occupied&&occupied-＞continue

If free create&&occupied

a.create function with high cost at the sample point

b.occupied＝false

在图15中提供了上述算法的表示。由此产生的成本函数使移动对象远离静态对象，而几乎不增加自由空间的成本。该算法可以应用于道路中间的对象。在这种情况下，可以提供两个参考路径(每个转向方向1个)，或者可以使用一致性项来计算最小值，以避免两个连续点之间的巨大移动。

在这些或其他情况下，右侧成本函数可以由以下数学方程(3)定义。如果x≥o&0如果x≤o，f(x)＝w*(x-o)²，其中o＝偏移量(3)

在图16中提供了该成本函数的说明性表示。

在这些或其他情况下，左侧成本函数可以由以下数学方程(4)定义。如果x＜o&0如果x≥o，f(x)＝w*(x-o)²，其中o＝偏移量(4)

在图17中提供了该成本函数的说明性表示。

再次参考图6，方法600继续到624，在624中，为每个车辆位置L₁、L₂、……L_n生成组合成本曲线。在一些场景中，组合成本曲线包括成本曲线的加权和。加权和可以由以下数学方程(5)来定义。

f₁(x)+f₂(x)+…+f_n(x)＝(w1+w2+…wn)x²-(2w₁o₁+2w₂o₂+..+2w_no_n)+(w₁o₁ ²+w₂o₂ ²+··+w_no_n ²) (5)

图18中示出了与车辆位置L₁相关联的成本曲线902、904、906的示例性加权和1800。本发明的方案不限于这种情况的细节。

在626中，计算设备确定在多段线L中的每个车辆位置L₁、L₂、……、L_n成本曲线距车道中心线C的位移D。该确定可以通过聚集成本曲线来进行，例如计算加权和成本曲线的最小值。最小值可以由以下数学方程(6)来定义。

min fs(x)＝-b/2*a其中a＝(w1+w2+…wn)和b＝-(2w₁o₁+2w₂o₂+..+2w_no_n)(6)

位移D可以由下面的数学方程(7)来定义。

D＝min fs(x) (7)

在图18中示出了加权和成本曲线1800的说明性最小值1802。一致性值v可以被添加到最小值，以考虑围绕静态障碍物的任何转向，如下面的数学方程(8)所示。

D＝minfs(x)+v (8)

在628中，定义了多段线L’，该多段线L’包括与位移值相关联的数据点。多段线L’由点组成，每个点都与用本方法计算的位移值相关联。这些点是在每个点的局部坐标系中计算的。例如，局部坐标系被定义为x轴穿过该点并与左边界和右边界相交，以及坐标系的零点(x＝0，y＝0)在交叉线和左边界之间的交叉点上。成本曲线是在此参考系中计算的。成本曲线在这个参考系中被组合并最小化。在局部坐标系中获得最佳点(x，y，z)。然后在地图坐标系中变换最小点。这用于细化多段线L’中的点。对每个点重复此操作。本发明的方案不限于这种投影技术的细节。

在630中，使用多段线L’确定对象的预测行进路径。在某些情况下，预测行进路径遵循多段线L’。接下来在632中，运动模型可以可选地应用于对象的预测行进路径，以生成表示对象的预期行进路径的时间空间坐标。632的操作可以与美国专利序列号为17/104,994、名称为“用于确定用于自主车辆控制中的运动预测的移动器模型的方法和***”的专利中描述的内容相同或大体类似。该专利申请的内容通过引用整体并入本文。在634中，计算设备使AV基于检测到的对象的预测行进路径和/或对象的预期行进路径执行至少一个自主驾驶操作。自主驾驶操作可以包括但不限于对象跟踪操作、车辆轨迹确定操作和/或防撞操作。随后，执行636，在636中，方法600结束或执行其他操作(例如，返回602、604或606)。

提供以下示例来说明本发明的方案的某些实施例。以下示例无意以任何方式限制本发明的方案。

示例1

在该示例中，计算设备计算图19中所示的移动对象的参考行进路径。

该计算是使用右侧成本函数fr(x)和左侧成本函数fl(x)来实现的。

第一数据点p_1的成本函数由以下数学方程(9)和(10)定义。

fr(x)＝w₁*(x-o₁)²＝2*(x-7)²偏移量＝DL_R-DM_R (9)

fl(x)＝w₂*(x-o₂)²＝1*(x-7)²偏移量＝DM_L (10)

其中，L表示给定车道的左边界，R表示给定车道的右边界，M表示移动对象的当前位置，DL_R表示多段线上的第一车辆位置与右边界线的距离，DM_R表示对象的当前位置与右边界线的距离，DM_L表示对象的当前位置距左边界线的距离，w₁表示第一权重，w₂表示第二权重。假设每侧有一个成本函数，则成本函数的加权和不确定。

在这个示例中，数据点p_1的DL_R的值等于10。数据点p_2的DL_R的值等于7。数据点p_3的DL_R的值等于5。DM_R的值等于3。DM_L的值等于7。

右侧成本函数曲线的最小值为7，W_1的权重等于2。左侧成本函数曲线的最小值也等于7，W_2的权重等于1。因此，预测行进路径上的第一数据点p_1的x坐标等于7(即，((7×2)+(7×1))/3＝7)。

第二数据点p_2的成本函数由以下数学方程(11)和(12)定义。

fr(x)＝w₁*(x-o₁)²＝2*(x-4)²偏移量＝DL_R-DM_R (11)

fl(x)＝w₂*(x-o₂)²＝1*(x-7)²偏移量＝DM_L (12)假设每侧有一个成本函数，则成本函数的加权和不确定。

右侧成本函数曲线的最小值为4，权重W_1等于2。左侧成本函数曲线的最小值是7，权重W_2等于1。因此，预测行进路径上的第二数据点p_2的x坐标等于5(即，((4×2)+(7×1))/3＝5)。变小导致向左侧移动。

第三数据点p_3的成本函数由以下数学方程(13)和(14)定义。

fr(x)＝w₁*(x-o₁)²＝2*(x-2)²偏移量＝DL_R-DM_R (13)

fl(x)＝w₂*(x-o₂)²＝1*(x-7)²偏移量＝DM_L (14)

假设每侧有一个成本函数，则成本函数的加权和不确定。

右侧成本函数曲线的最小值为2，权重W_R等于1。左侧成本函数曲线的最小值是7，权重W_L等于2。因此，预测行进路径上的第三数据点p_3的x坐标等于5.3(即((2×1)+(7×2))/3＝5.3)。车辆总体上停留在车道右侧。

示例2

在该示例中，计算设备计算图20中所示的移动对象的参考行进路径。在当前情况下，车辆相对靠近车道边界。因此，以下两个约束组合在一起：

保持对象的位置与以前一样；并且惩罚过于靠近车道边界的数据点。

右侧成本函数由以下数学方程(15)和(16)定义。

fr₁(x)＝w₁*(x-o₁)²＝2*(x-9.5)²偏移量：DL_R-DM_R (15)

fr₂(x)＝w₂*(x-o₂)²＝1*(x-9)²偏移量＝DL_R-D_B (16)

其中L表示左车道边界，R表示右车道边界，M表示移动对象的当前位置，DL_R表示右车道边界和左车道边界之间的距离，DM_R表示M和R之间的距离、DM_L表示M与L之间的距离以及D_B表示距给定边界的距离，w₁表示第一权重，并且w₂表示第二权重。在当前的情况下，DL_R等于10。D_R等于0.5。D_L等于9.5。D_B等于1.0。两个右侧成本函数的加权和由以下数学方程(17)定义。

fr_x(x)＝3x²-56x+261.5＞c总是忽略 (17)

左侧成本函数由以下数学方程(18)和(19)定义。

fl₁(x)＝w₁*(x-o₁)²＝1*(x-9.5)²偏移量＝DM_R (18)

fl₂(x)＝w₂*(x-o₂)²＝1*(x-1)²偏移量＝D_B (19)

两个左侧成本函数的加权和由以下数学方程(20)定义。

fl_s(x)＝2x²-21x+91.25 (20)

右侧成本函数曲线的最小值为9.3，权重W_R等于3。左侧成本函数曲线的最小值是5.25，权重W_L等于2。因此，预测行进路径上的第一个数据点p_1的x坐标等于7.7(即(9.3×3)+(5.25×2))/5＝7.68)(车辆从车道边界移动到车道中心)。

示例3

在该示例中，计算设备计算图21中所示的移动对象的参考行进路径。在当前的情况下，存在来自移动对象的静态障碍物。因此，以下两个约束被结合在一起：保持对象的位置与以前一样；以及惩罚过于靠近静态障碍物的数据点。

成本函数由以下数学方程(21)和(22)定义。

fr(x)＝w₁*(x-o₁)²＝2*(x-7)²偏移量＝DL_R-DM_R (21)

fl(x)＝w₃*(x-o₂)²＝5*(x-6)²偏移量＝DM_L (22)

其中，L表示左车道边界，R表示右车道边界，M表示移动对象的当前位置，DL_R表示右车道边界和左车道边界之间的距离，DM_R表示M和R之间的距离、DM_L表示M与L之间的距离以及DS_R表示静态障碍物和右车道边界之间，w₁表示第一权重，w₂表示第二权重，w₃表示第三权重。在当前的情况下，DL_R等于10。D_R等于3。D_L等于7。R等于4。两个成本函数的加权和由以下数学方程(23)定义。

fr_s(x)＝7x²-88x+278-＞C总是忽略 (23)

左侧成本函数由以下数学方程(24)定义。

fl₁(x)＝w₁*(x-o₁)²＝1*(x-7)²偏移量＝DM_R (24)假定只有一个左侧成本函数，则左侧成本函数的加权和不确定。

右侧成本函数曲线的最小值为6.2，权重W_R等于7。左侧成本函数曲线的最小值是7，权重W_L等于1。因此，预测行进路径上的数据点的x坐标等于6.3(即(6.2×7)+(7×1))/5＝6.3)。车辆从车道边界移动到车道中心。

尽管本发明的方案已针对一个或多个实施方式进行了说明和描述，但在阅读和理解本说明书和附图后，本领域其他技术人员将进行等效的更改和修改。此外，虽然本发明的方案的特定特征已经针对几个实施方式中的一个进行了公开，但是这种特征可以与其他实施方式的一个或多个其他特征相结合，这对于任何给定或特定的应用来说都是期望的和有利的。因此，本发明的方案的广度和范围不应受到任何上述实施例的限制。相反，本发明的方案的范围应当根据以下权利要求及其等价物来定义。

Claims (21)

1.一种用于操作自主车辆的方法，包括：

通过计算设备检测所述自主车辆附近的对象；

通过所述计算设备确定所述对象的行进路径，所述行进路径包括多个数据点，所述数据点的数量等于基于所述对象所处的车道的几何形状而选择的给定车辆位置的数量；

通过所述计算设备生成分别与所述数据点相关联的成本曲线，每个成本曲线表示沿着给定交叉线在特定位置处的位移成本，所述给定交叉线(i)穿过所述数据点中的相应数据点并且(ii)垂直于所述车道的边界线并且在所述边界线之间延伸；

通过所述计算设备确定表示所述成本曲线距所述车道的中心的位移的多段线；

通过所述计算设备基于所述多段线来定义所述对象的预测行进路径；以及

通过所述计算设备使用所述对象的所述预测行进路径来促进所述自主车辆的至少一个自主驾驶操作。

2.根据权利要求1所述的方法，还包括通过所述计算设备确定所述对象是否具有行驶意图。

3.根据权利要求2所述的方法，其中当确定所述对象具有行驶意图时，所述计算设备确定所述对象的所述行进路径。

4.根据权利要求1所述的方法，其中所述给定车辆位置的总数对于直车道和弯车道具有不同的值。

5.根据权利要求1所述的方法，其中所述行进路径的每个数据点与道路地图中所述车道的中心对齐并位于所述中心上。

6.根据权利要求1所述的方法，其中每个数据点从所述对象的当前位置纵向偏移。

7.根据权利要求1所述的方法，其中使用下列中的至少一个来生成所述成本曲线：表示从所述对象到所述车道的左边界的距离的成本函数，表示从所述对象到所述车道的右边界的距离的成本函数，表示所述对象应该多靠近所述车道的中心的成本函数，表示与所述车道的左边界和右边界一致的位置的成本函数，以及表示靠近静态障碍物的位置的成本函数。

8.根据权利要求1所述的方法，还包括通过组合与每个所述数据点相关联的所述成本曲线来生成成本曲线。

9.根据权利要求8所述的方法，其中所述多段线包括具有基于组合的成本曲线的最小值而确定的坐标值的数据点。

10.根据权利要求1所述的方法，还包括基于所述预测行进路径来确定所述对象的预期行进路径。

11.一种***，包括：

处理器；

非暂时性计算机可读存储介质，包括编程指令，所述编程指令被配置为使所述处理器实现用于操作自主车辆的方法，其中所述编程指令包括以下指令：

检测所述自主车辆附近的对象；

确定所述对象的行进路径，所述行进路径包括多个数据点，所述数据点的数量等于基于所述对象所处的车道的几何形状而选择的给定车辆位置的数量；

生成分别与所述数据点相关联的成本曲线，每个成本曲线表示沿着给定交叉线在特定位置处的位移成本，所述给定交叉线(i)穿过所述数据点中的相应数据点并且(ii)垂直于所述车道的边界线并在所述边界线之间延伸；

确定表示所述成本曲线距所述车道的中心的位移的多段线；

基于所述多段线来定义所述对象的预测行进路径；以及

使用所述对象的所述预测行进路径来促进所述自主车辆的至少一个自主驾驶操作。

12.根据权利要求11所述的***，其中所述编程指令还包括用于确定所述对象是否具有行驶意图的指令。

13.根据权利要求12所述的***，其中当确定所述对象具有行驶意图时，确定所述对象的所述行进路径。

14.根据权利要求11所述的***，其中所述给定车辆位置的总数对于直车道和弯车道具有不同的值。

15.根据权利要求11所述的***，其中所述行进路径的每个数据点与道路地图中所述车道的中心对齐并位于所述中心上。

16.根据权利要求11所述的***，其中每个数据点从所述对象的当前位置纵向偏移。

17.根据权利要求11所述的***，其中所述成本曲线是使用下列中的至少一个来生成的：表示从所述对象到所述车道的左边界的距离的成本函数，表示从所述对象到所述车道的右边界的距离的成本函数，表示所述对象应该多靠近所述车道的中心的成本函数，表示与所述车道的左边界和右边界一致的位置的成本函数，以及表示靠近静态障碍物的位置的成本函数。

18.根据权利要求11所述的***，其中所述编程指令还包括通过组合与每个所述数据点相关联的成本曲线来生成成本曲线的指令。

19.根据权利要求18所述的***，其中所述多段线包括具有基于组合的成本曲线的最小值而确定的坐标值的数据点。

20.根据权利要求11所述的***，其中所述编程指令还包括基于所述预测行进路径来确定所述对象的预期行进路径的指令。

21.一种存储指令的非暂时性计算机可读介质，所述指令被配置为当由至少一个计算设备执行时使所述至少一个计算设备执行以下操作：

检测所述自主车辆附近的对象；

确定所述对象的行进路径，所述行进路径包括多个数据点，所述多个数据点的数量等于基于所述对象所处的车道的几何形状而选择的给定车辆位置的数量；

生成分别与所述数据点相关联的成本曲线，每个成本曲线表示沿着给定交叉线在特定位置处的位移成本，所述给定交叉线(i)穿过所述数据点中的相应数据点并且(ii)垂直于所述车道的边界线并在所述边界线之间延伸；

确定表示所述成本曲线距所述车道的中心的位移的多段线；

基于所述多段线来定义所述对象的预测行进路径；以及

使用所述对象的所述预测行进路径来促进所述自主车辆的至少一个自主驾驶操作。