JP2023533507A - 人間の運転振る舞いに基づいて軌跡プランナを最適化するシステム及び方法 - Google Patents
人間の運転振る舞いに基づいて軌跡プランナを最適化するシステム及び方法 Download PDFInfo
- Publication number
- JP2023533507A JP2023533507A JP2022581593A JP2022581593A JP2023533507A JP 2023533507 A JP2023533507 A JP 2023533507A JP 2022581593 A JP2022581593 A JP 2022581593A JP 2022581593 A JP2022581593 A JP 2022581593A JP 2023533507 A JP2023533507 A JP 2023533507A
- Authority
- JP
- Japan
- Prior art keywords
- trajectory
- vehicle
- environment
- driving
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 32
- 230000033001 locomotion Effects 0.000 claims description 29
- 230000001133 acceleration Effects 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 230000036461 convulsion Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 83
- 230000015654 memory Effects 0.000 description 29
- 230000008569 process Effects 0.000 description 24
- 230000001953 sensory effect Effects 0.000 description 22
- 230000006399 behavior Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 9
- 230000008447 perception Effects 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0022—Gains, weighting coefficients or weighting functions
- B60W2050/0025—Transfer function weighting factor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
- B60W2050/0088—Adaptive recalibration
-
- 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
- B60W2554/4026—Cycles
-
- 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
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
- B60W2754/20—Lateral distance
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
【課題】方法の提供。【解決手段】一実施形態において、車両の演算システムは、環境内において走行している車両と関連する車両運転データ及び環境と関連する検出された環境データを受け取ることができる。システムは、車両運転データに基づいて環境内において走行している車両の基準軌跡を生成することができる。システムは、検出された環境データに基づいて環境と関連する運転制約を判定することができる。システムは、運転制約に基づいて車両の軌跡を生成することができる。システムは、基準軌跡と関連する少なくとも1つの対応するパラメータとの関係における軌跡と関連する少なくとも1つのパラメータの差を判定することができる。システムは、軌跡と関連する少なくとも1つのパラメータと基準軌跡と関連する対応するパラメータの間の差に基づいて軌跡のコスト関数と関連する重み値を調節することができる。【選択図】図1
Description
自律型車両(AV)又は運転者支援機能を有する手動運転車両は、関連する環境の知覚データに基づいてその周囲環境を通じてナビゲートすることができる。車両は、通常、カメラ、レーダー、及びLiDARなどのセンサを使用してその環境を知覚している。その結果、演算システム(例えば、オンボードコンピュータ及び/又はリモートサーバーコンピュータ)は、周囲環境内において検出された状況に応答して動作決定を実施するためにセンサデータを処理及び分析することができる。運転環境においてAVが遭遇する特定のシナリオについて、AVは、その特定のシナリオに従って車両をナビゲートするための計画軌跡を生成することができる。計画軌跡は、人間のエンジニアによって判定されたいくつかのパラメータに基づいて生成することができる。
但し、人間のエンジニアによってパラメータを判定及び調節するプロセスは、非効率的なものになる可能性があり、且つ、時間を所要する可能性があろう。更には、人間のエンジニアによって判定されたパラメータは、主観的なものになる可能性があり且つ一貫性を欠く可能性があり、且つ、AVが不自然な軌跡を生成し且つ乗員の乗車経験に悪影響を及ぼすようにしてしまう場合もある。
以下の説明においては、様々な実施形態について説明する。説明を目的として、実施形態の十分な理解を提供するために、特定の構成及び詳細について記述されている。但し、実施形態は、特定の詳細を伴うことなしに実施され得ることも当業者には明らかとなろう。更には、記述されている実施形態を不明瞭にしないように、周知の特徴が省略又は単純化されている場合もある。これに加えて、本明細書において開示されている実施形態は、例であるに過ぎず、且つ、本開示の範囲は、これらに限定されるものではない。特定の実施形態は、以上において開示されている実施形態のコンポーネント、要素、特徴、機能、動作、又はステップのすべて又はいくつかを含むことができると共に、これらを含んでいなくてもよい。本発明による実施形態は、具体的には、方法、ストレージ媒体、システム、及びコンピュータプログラムプロダクトを対象とした添付の請求項において開示されており、この場合に、例えば、方法などの1つの請求項カテゴリにおいて言及されている任意の特徴は、同様に、例えば、システムなどの別の請求項カテゴリにおいて特許請求することができる。添付の請求項における従属性又は後方参照は、形式的な理由から選択されたものに過ぎない。但し、任意の以前の請求項に対する意図的な後方参照(特に複数の従属性)の結果として得られる任意の主題は、請求項の任意の組合せ及びその特徴が開示され且つ添付の請求項において選択されている従属性とは無関係に特許請求され得るように、同様に特許請求することができる。特許請求され得る主題は、添付の請求項において記述されている特徴の組合せのみならず、請求項における特徴の任意のその他の組合せを有しており、この場合に、請求項において言及されているそれぞれの特徴は、請求項における任意のその他の特徴又はその他の特徴の組合せと組み合わせることができる。更には、本明細書において記述又は描画されている実施形態及び特徴の任意のものは、別個の請求項において、且つ/又は、本明細書において記述又は描画されている任意の実施形態又は特徴との任意の組合せにおいて、或いは、添付の請求項の特徴の任意のものと共に、特許請求することもできる。
自律型運転モードにおいてAVをナビゲートする車両軌跡を生成するために、AVは、いくつかの候補軌跡を生成するための軌跡プランナを使用することができると共に、最良のものを選択するようにこれらの候補軌跡を評価するための軌跡評価関数(例えば、コスト関数)を使用することができる。例えば、AVは、それぞれの評価されている軌跡の合計コストを判定するために且つ合計コスト値に基づいて最良の軌跡を選択するために、コスト関数を使用することができる。コスト関数は、いくつかのコスト項及びこれらのコスト項と関連するいくつかの重みを有することができる。既存のAVは、コスト関数のコスト項用のこれらの重み値を判定及び調節するために人間のエンジニアに依存することができる。但し、コスト関数のコスト項は、多数のものが存在する可能性があり、且つ、人間のエンジニアによる重み値の判定及び調節は、非常に時間を所要する可能性があり且つ非効率的なものになる可能性があろう。更には、人間のエンジニアによって重み値を判定及び調節するプロセスは、一貫性を欠く且つ主観的なものになる可能性があり、且つ、客観的に且つ一貫性を有する方式で軌跡を評価するのに理想的ではないコスト関数の重みを結果的にもたらす場合がある。例えば、人間のエンジニアは、車両が潜在的に直面し得る様々な異なるシナリオに跨って候補軌跡の多くの異なるコスト項を評価し且つバランスさせることを必要とする場合があり、その理由は、このようなコスト項の望ましい値及び相対的な重要性の範囲がシナリオごとに変化し得るからである。これに加えて、人間によって判定された重み値に基づいて軌跡を評価及び選択する既存の方式は、この最適な軌跡が車両に乗車している人間の観点から知覚されることになる方式についてほとんど又はまったく考慮することなしに、数学的な意味において最適な軌跡を識別し得る。これを理由として、軌跡を評価及び選択する既存の方式は、人間によって運転されている車両が通常は振る舞うことになる方式とは異なる不自然な運転振る舞いをもたらす場合があり、これにより、車両内に乗車している人間乗員の経験の品位を下げる場合がある。
これらの問題を解決するために、システムの特定の実施形態は、人間の運転振る舞いに基づいて軌跡プランナのコスト関数のコスト項の重みを自動的に最適化することができる。システムは、車両に装備されたセンサを使用することにより、車両環境知覚データ、車両性能データ、及び位置特定データを含む車両運転データ(例えば、人間の運転データ)を収集することができる。次いで、システムは、収集された車両運転データ(例えば、人間の運転データ)に基づいて運転環境の基準軌跡(例えば、人間の運転軌跡)及びいくつかの制約(例えば、観察制約及び予測制約)を生成するために基準軌跡生成器を使用することができる。システムは、軌跡プランナによって使用されるコスト関数のコスト項の重みを最適化するために制約及び基準軌跡を使用することができる。システムは、運転環境の制約に基づいていくつかの候補軌跡を生成するために軌跡プランナを使用することができる。システムは、これらの候補軌跡を評価するために且つ出力用の最良の軌跡を選択するために、現時点の重みと共にコスト関数を使用することができる。次いで、システムは、軌跡プランナの出力軌跡を基準軌跡(例えば、人間の運転軌跡)と比較することができると共に、比較結果に基づいてオフラインで軌跡プランナのコスト関数の重みを自動的にチューニングすることができる。調節済みの重みを有する軌跡プランナは、軌跡プランナによって現時点において良好に処理されていないシナリオを識別するように、検証プラットフォーム上において試験することができる。次いで、システムは、軌跡プランナによって良好に処理されていないこれらのシナリオ用の更なる車両運転データ(例えば、人間の運転データ)を収集するためにフィードバック情報をデータ収集モジュールに送信することができる。その後に、システムは、軌跡プランナが相対的に良好にこれらのシナリオを処理することを許容するように、軌跡計画のコスト関数の重みを更に最適化するために新たに収集された車両運転データ(例えば、人間の運転データ)を使用することができる。
人間の運転振る舞いに基づいて軌跡プランナのコスト関数のコスト項の重みを自動的に最適化することにより、システムは、これらの重み値を判定するために必要とされる作業及び時間を劇的に低減することができる。基準軌跡生成器によって生成される観察制約及び予測制約を使用することにより、システムは、軌跡プランナが人間の運転者が遭遇するものと同一の制約下において軌跡を生成することを許容することができると共に、軌跡プランナの出力軌跡と人間の運転者が同一の状況下において実行することになるものの間の同じ条件による比較を許容することができる。最適化済みの重みを有する軌跡プランナを試験及び検証することにより、システムは、軌跡プランナによって良好に処理されていないシナリオを識別することができ、且つ、これらのシナリオ用の更なるデータを収集するためにデータ収集モジュールにフィードバック情報を送信することができると共に、軌跡プランナがこれらのシナリオを相対的に良好に処理するようにトレーニングされることを許容することができる。人間の運転振る舞いに基づいて軌跡プランナのコスト関数の重みを自動的にチューニングすることにより、軌跡プランナの出力は、人間の運転振る舞いに更に類似したものになることができる。
図1は、人間の運転振る舞いに基づいてAV軌跡プランナの軌跡評価関数の重みを自動的にチューニングするための例示用のフレームワーク100を示している。特定の実施形態において、フレームワーク100は、車両と関連する検知システム101を使用することにより、車両性能データ及び環境知覚データ111を収集及び保存するためのデータ収集及び保存モジュール102を含むことができる。データ収集及び保存モジュール102によって収集及び保存されたデータは、軌跡プランナのコスト関数を最適化するために基準軌跡(並びに、対応する制約)を生成するための(例えば、車両性能データ及び環境知覚データを含む)車両運転データ112を含むことができる。特定の実施形態において、車両運転データ112は、軌跡プランナのコスト関数を最適化するための基準軌跡を生成するために使用され得る任意の適切な車両運転データを含むことができる。特定の実施形態においては、車両運転データは、車両軌跡プランナの出力に従って自律的に動作してはいない車両から収集することができる。例えば、車両運転データ112は、自律型運転モードから切り離された後に安全な運転者によって運転されている車両から収集することができる。別の例として、車両運転データ112は、トレーニングデータ又はデモンストレーション運転データを生成するためにデモンストレーション運転プロセスにおいて人間の運転者によって運転されている車両から収集することができる。別の例として、車両運転データ112は、1つ又は複数のコンピュータアルゴリズムの支援を有する人間の運転者によって運転されている車両から収集することができる。別の例として、車両運転データ112は、センサを有する人間によって運転されている車両から収集することができる。特定の実施形態においては、車両運転データは、実際の車両運転データ、シミュレートされた車両運転データ、或いは、車両運転データを生成するための1つ又は複数のコンピュータアルゴリズムによる演算データに基づいて生成することができる。データ収集及び保存モジュール102において保存されている車両運転データは、AVが遭遇し得るすべての可能なシナリオを代表する(例えば、全体的な統計的分布を有する)広範なシナリオを車両運転データがカバーしていることを確実にするように、データクリーニングモジュール103により(例えば、人間のエンジニア又は機械学習(ML)モデルにより)、クリーニング及び事前処理することができる。フレームワーク100は、車両運転データ112に基づいて車両運転環境の基準軌跡114(例えば、人間の運転軌跡)及び運転制約(例えば、障害物、道路のレーン、規則、その他の車両、歩行者、など)を生成するために基準軌跡生成器110(デモンストレーション軌跡生成器とも呼称されている)を含むことができる。
特定の実施形態において、基準軌跡114及び運転制約113は、軌跡計画130のコスト関数の重みを最適化するために自動最適化プロセスにおいて軌跡プランナ130に供給することができる。自動最適化プロセスにおいては、最適化されている重み104の値を調節するために、コスト関数の1つ又は複数のコスト項と関連する1つ又は複数の重みを基準軌跡114(例えば、人間の運転軌跡)に基づいて調節することができる。重みが基準軌跡114に基づいて最適化された後に、最適化された重み104を有する軌跡プランナ130は、現時点の重み値を有する軌跡プランナ130によっていまだ良好に処理されてはいないシナリオを識別するために、検証プラットフォーム(例えば、シミュレートされた検証プラットフォーム又は車両試験稼働プラットフォーム)を使用することにより、評価及び試験することができる。次いで、システムは、データベースがこれらの識別されたシナリオに関係する相対的に多くの車両運転データを含んでいる場合には、これらのシナリオに関係する相対的に多くの車両運転データをデータベースから取得するために、又はこれらの識別されたシナリオに関係する相対的に多くの車両運転データを収集するために、フィードバック情報115をデータ収集及び保存モジュール102に送信することができる。その後に、システムは、軌跡プランナ130のコスト関数の重みを更に最適化するために、既存の車両運転データと共にこれらのシナリオに関係する新たに取得又は収集された車両運転データを使用することができる。最適化プロセスは、軌跡プランナ130の出力軌跡が車両運転データに基づいて判定された基準軌跡(例えば、人間の運転軌跡)にマッチングする時点まで反復することができる。特定の実施形態において、最適化プロセスは、無線又は有線ネットワーク、(例えば、データセンタにおける)ローカルコンピュータ、又は車両上のオンボードコンピュータと接続されたリモートサーバーコンピュータ内において実行することができる。
図2は、自律型車両(AV)が遭遇する例示用のシナリオ200を示している。特定の実施形態において、車両システム210(例えば、自律型車両、手動運転車両、コンピュータ支援型運転車両、人間-機械ハイブリッド運転車両、など)は、車両性能及び周囲環境を監視するための検知システム212を有することができる。検知システム212は、例えば、限定を伴うことなしに、カメラ(例えば、光学カメラ、サーマルカメラ)、LiDAR、レーダー、速度センサ、操舵角度センサ、制動圧力センサ、GPS、慣性計測ユニット(IMU)、加速度センサ、などを含むことができる。車両システム210は、環境知覚データ及び車両性能データを収集するために1つ又は複数の演算システム(例えば、データ収集装置、オンボードコンピュータ、高性能コンピュータ、携帯電話機、タブレット、モバイルコンピュータ、埋め込み型演算システム)を含むことができる。特定の実施形態において、車両システム210は、環境知覚データを収集するために検知システム212を使用することができる。例えば、限定を伴うことなしに、環境画像、車両速度、車両加速度、車両運動経路、車両運転軌跡、場所、車両信号状態(例えば、回転信号のオン/オフ状態)、制動信号状態、別の車両までの距離、別の車両に対する相対速度、歩行者までの距離、歩行者に対する相対速度、信号機までの距離、交差点までの距離、道路標識までの距離、縁石までの距離、道路のラインに対する相対位置、その他の交通エージェントの位置、道路のレイアウト、歩行者、交通状態(例えば、近傍の車両の数、歩行者、信号機の数)、時刻(例えば、朝のラッシュアワー、夕方のラッシュアワー、空いた時間)、交通のタイプ(例えば、高速運動の交通、事故イベント、低速運動の交通)、場所(例えば、GPS座標)、道路状態(例えば、工事ゾーン、スクールゾーン、濡れた表面、氷の表面)、交差点、道路標識(例えば、停止標識160、道路のライン142、横断歩道)、近傍の物体(例えば、縁石、照明ポール、看板)、建物、天候状態(例えば、雨、霧、晴れ、暑い天候、冷たい天候)、などを含む周囲環境内のその他の車両又はエージェントに関係するデータを収集することができる。
特定の実施形態において、収集された知覚データは、例えば、限定を伴うことなしに、ポイントクラウド、被写界深度、環境の2次元プロファイル、環境の三次元プロファイル、シーンの立体画像、環境物体に対する相対位置(例えば、距離、角度)、道路のラインに対する相対位置(例えば、距離、角度)、現時点の環境内における相対位置、交通状態(例えば、交通量が多い、交通量が少ない)、その他の車両の運転軌跡、その他の交通エージェントのモーション、その他の交通エージェントの速度、その他の交通エージェントの運動方向、その他の車両の信号状態、などを含むカメラに基づいた位置特定データを含むことができる。特定の実施形態において、車両システム210は、リアルタイムにおいて1つ又は複数のセンサを通じて収集された知覚データに基づいた且つ/又は車両モデルデータベース内において保存されている履歴知覚データに基づいた周囲環境の知覚を有することができる。
特定の実施形態において、車両システム210は、基準運転プロセスに関係する正確な知覚及び位置特定情報を生成するためにセンサのフルスタックを活用することができる。例えば、車両システム210は、車両運転データを収集するために且つ人間の運転振る舞い用のトレーニングサンプルを生成するために、バックグラウンドにおいて稼働しているセンサのフルスタックを有するデモンストレーション運転プロセスにおいて、安全な運転者により、運転されてもよい。この人間の運転振る舞いデータは、車両をナビゲートするための軌跡を生成する方法について軌跡プランナをトレーニングするために使用することができる。特定の実施形態において、人間の運転振る舞いデータは、公道から、或いは、閉鎖された試験グラウンド内において、収集することができる。例えば、人間の運転者がこれらのシナリオを処理することになる方式を試験するために且つこれらのシナリオの処理と関係する車両運転データを収集するために、いくつかの相対的に複雑な又は危険な状況(例えば、車両の近傍に位置した大きなトラック、縁石、歩行者)を閉鎖された試験グラウンド内においてセットアップすることができる。特定の実施形態において、車両システム210によって収集される車両運転データは、例えば、限定を伴うことなしに、車両速度、運動方向、車輪方向、操舵角度、ハンドル上の操舵力、制動ペダルの圧力、加速度ペダル上の圧力、加速度(例えば、運動方向及び横方向に沿った加速度)、(例えば、IMU/ジャイロスコープ出力に基づいた)回転レート、車両運動経路、回転半径、車両軌跡、場所(例えば、GPS座標)、信号状態(例えば、旋回信号、制動信号、緊急信号のオン/オフ状態)、切り離しデータ、人間の動作データ、などを含む車両自体に関係する車両性能データを含むことができる。特定の実施形態において、車両性能データは、例えば、ナビゲーションマップ、ナビゲーションターゲット場所、ルート、推定到着時間、迂回路、などのような車両のナビゲーションデータを含むことができる。
特定の実施形態において、自律型運転モードにおいて運転している間に、車両システム210は、システムには未知である又はナビゲーション軌跡を生成するために軌跡プランナによってサポートされてはいない(例えば、動作設計ドメイン内に含まれてはいない)シナリオに遭遇する場合がある。車両システム210は、安全な運転者が制御を引き受けることを許容するように、安全な運転者によって手動的に又は車両システムによって自動的に自律型運転モードから切り離すことができる。これが発生したら、車両システム210は、車両運転データ(例えば、操向角度、制動動作、軌跡、運動方向、速度、加速度、旋回半径、など)及び関係する環境知覚データを収集することができる。車両システム210は、収集されたデータを切り離しレポート内において含むことができる。例えば、車両システム210は、近接する交通、無謀な歩行者、冠水した道路表面、未知の又は識別不能な物体、サイクリストによって共有された狭いレーン、などのようなシナリオに遭遇する場合がある。車両システム210は、自律型運転モードから切り離されてもよく、且つ、これらのシナリオが動作設計ドメイン内において含まれていないという判定に応答して安全な運転者が制御を引き受けることを許容することができる。車両システム210は、車両性能、車両環境、及び安全な運転者の動作を監視することができると共に車両運転データ(例えば、車両性能データ、運転者操作データ、知覚データ)を収集することができる。車両運転データは、切り離しレポート内において包含することができると共に、軌跡プランナのコスト関数の重みを最適化するために使用することができる。
特定の実施形態において、車両運転データ(例えば、車両性能データ、運転者操作データ、及び知覚データを含む)は、データがAVが遭遇し得るすべての可能なシナリオを代表する(例えば、全体的な統計的分布を有する)広範囲のシナリオをカバーしていることを確実にするために、クリーニングすることができる。収集された車両運転データは、車両が遭遇するいくつかのシナリオと関連付けることができる。収集された車両運転データは、限られた数のシナリオに過剰に適合することを回避するように、広範な代表的なシナリオ(例えば、停止標識、レーン変更、レーンの合流、交差点における回転の実施、など)に対応するバランスのとれたデータセットを有する必要があり得る。データクリーニングは、人間のエンジニア又は機械学習モデルによって実行することができる。例えば、人間のラベル付与者(labeler)は、人間の運転者が知覚スタックとは非常に異なる方式で観察している厄介なケースを識別することできると共に、収集されたデータからノイズデータセットを除去することができる。一例として、収集された車両運転データは、知覚アルゴリズムによって知覚された際に物体であるものとして表示される車両の排気ガスに関係する知覚データを含む場合がある(例えば、物体認識アルゴリズム又は機械学習モデルによって境界ボックスを使用することによって物体としてマーキングされている車両の排気ガス)。人間のラベル付与者は、車両の排気ガスを認識することができると共に、軌跡プランナのコスト関数の重みを最適化するために使用されないように、この厄介なケースを除去することができる。人間のラベル付与者は、この知覚データを車両の排気ガスに関係するものとして再度ラベル付与してもよく、且つ、再度ラベル付与されたデータは、車両の排気ガスを正しく認識するように知覚アルゴリズムをトレーニングするために使用することができる。別の例として、人間のラベル付与者は、不法な又は危険な人間の運転振る舞いを識別することができると共に、軌跡プランナのコスト関数の重みを最適化する際に使用されないように、対応する車両運転データを排除することができる。
特定の実施形態において、車両運転データ(例えば、車両性能データ、運転者操作データ、及び知覚データ)は、データが、AVが遭遇し得るすべての可能なシナリオを代表する広範なシナリオをカバーしていることを確実にするために、機械学習モデル又は分類アルゴリズムにより、クリーニングすることができる。例えば、人間のラベル付与者による分類及びラベル付与の結果は、車両運転データを分類及びラベル付与する方式について機械学習モデルをトレーニングするために、使用することができる。次いで、車両運転データは、人間の運転者が、データセットからノイズを除去するために知覚アルゴリズムとは非常に異なる方式で観察している厄介なケースを識別するために、その機械学習モデルに供給することができる。別の例として、人間のラベル付与者による分類及びラベル付与の結果は、車両運転データを分類及びラベル付与するための規則に基づいた分類アルゴリズム用の1つ又は複数の規則を生成するために使用することができる。次いで、車両運転データは、人間の運転者が知覚アルゴリズムとは非常に異なる方式で観察している厄介なケースを識別するために且つ収集された車両運転データからノイズデータセットを除去するために、その分類アルゴリズムに供給することができる。
特定の実施形態において、データクリーニングプロセスは、データ収集及び保存モジュール(例えば、図1の103)内において保存されている車両運転データをクリーニングするデータクリーニングモジュール(例えば、図1の103)によって実行することができる。データクリーニングモジュール(例えば、図1の103)は、望ましくない厄介なケースに関係するデータをクリーニング又は除去するために、データ収集及び保存モジュール(例えば、図1の103)内において保存されているデータにアクセスすることができる。特定の実施形態において、データクリーニングモジュール(例えば、図1の103)は、望ましくない厄介なケースに関係する基準軌跡及び制約データを排除するために基準軌跡生成器(例えば、図1の110)と通信することができる。特定の実施形態において、収集された知覚データは、相対的に低い品質(例えば、乏しい照明状態を有する低解像度の画像)を有し得ると共に、且つ、軌跡プランナの軌跡評価関数の重みを最適化するために使用される前に(例えば、画像事前処理又は改善アルゴリズム、低品質画像について特別にトレーニングされた機械学習モデルによって)事前処理することができる。
図3Aは、車両運転データに基づいて基準軌跡を生成する且つ対応する知覚データに基づいて運転制約を生成する例示用の基準軌跡生成器110を示している。特定の実施形態において、車両軌跡(例えば、人間の運転軌跡、計画軌跡)は、運動する経路に沿った一連の車両の場所を含む空間時間運動経路であってもよく、或いは、これを含んでいてもよく、且つ、特定の時間ウィンドウ(例えば、100ポイント/10秒)に対応することができる。一連の場所のそれぞれは、例えば、限定を伴うことなしに、速度、(運動経路又は横方向に沿った)加速度、GPS座標、操舵角度、制動パドル圧力、運動方向、などを含むいくつかのパラメータと関連付けることができる。特定の実施形態において、基準軌跡生成器110は、車両の車両運転データに基づいて基準軌跡114(例えば、人間によって運転された軌跡)を生成する軌跡生成アルゴリズム301を含むことができる。軌跡生成アルゴリズム301は、車両運転データから情報(例えば、操舵角度、速度、運動方向、場所、など)を抽出することができると共に、人間の運転軌跡が軌跡プランナ(例えば、図1の130)の出力軌跡と直接的に比較されることを許容するように、軌跡プランナ(例えば、図1の130)の出力軌跡と同一のフォーマットを有する人間の運転軌跡を生成することができる。知覚データは、検知システム(例えば、光学カメラ、サーマルカメラ、LiDAR、レーダー)によって知覚されるバードビュー画像又はトップダウン画像を含むことができる。システムは、画像内の物体を認識するために且つこれらの物体を表すための境界ボックス又は多角形を生成するために、知覚アルゴリズム(例えば、物体認識アルゴリズム)を使用することができる。軌跡生成アルゴリズム301は、関係する情報を入力として取得することができると共に、この入力情報に基づいて基準軌跡(例えば、人間の運転軌跡)を生成することができる。車両軌跡は、3次元空間内の車両のモーションを記述することができる。基準軌跡生成器110によって生成された基準軌跡114は、軌跡プランナのコスト関数の重みを最適化するために軌跡プランナ(例えば、図1の130)の理想出力として使用されるように、軌跡プランナ(例えば、図1の130)に供給することができる。
特定の実施形態において、基準軌跡生成器110は、関連する知覚データに基づいて車両運転環境の運転制約を生成又は判定する運転制約生成器310を含むことができる。運転制約は、軌跡プランナが、車両を自動的にナビゲートするために対応する軌跡を生成するのに必要とすることになる運転環境内の境界状態に関係する情報を含むことができる。特定の実施形態において、運転制約は、例えば、限定を伴うことなしに、マッピング情報、障害物、レーン境界、その他の車両、歩行者、自転車、交通規則、レーン、信号機、などを含むことができる。例えば、別の車両がAVの前を走行している際に、AVの軌跡プランナは、その運動する車両を制約として解釈することができると共に、その運動経路との交差を回避することになる。別の例として、AVがレーン境界及び縁石を検出した際には、AVの軌跡プランナは、そのレーン境界及び縁石を車両をナビゲートするために対応する軌跡を生成するための運転制約として解釈する必要があり得る。特定の実施形態において、生成された運転制約は、タイムスタンプと関連付けることができると共に、この特定のシナリオに従って車両をナビゲートするために(コスト関数最適化プロセスにおいて)計画軌跡を生成するために軌跡プランナによって使用することができる。生成された制約は、次のN秒(例えば、10秒又は40秒)にわたる環境状態に関係する位置特定レポートと関連付けることができる。生成された運転制約は、軌跡プランナが軌跡を生成及び採点することを許容するための環境のスナップショット情報を含むことができる。要すれば、基準軌跡生成器110は、コスト関数の重みを最適化するために、軌跡プランナが軌跡及び軌跡プランナの理想出力(例えば、基準軌跡)を生成するために必要とされる入力(例えば、制約)を生成することができる。
特定の実施形態において、運転制約生成器310は、観察運転制約304を生成するためのアルゴリズム302、予測運転制約305を判定するための予測アルゴリズム303、及び車両自体の予測軌跡307を判定するための軌跡予測アルゴリズム306を含むことができる。観察運転制約は、特定の時間モーメントにおいて人間の運転者又は/及び車両検知システムによって知覚される周囲環境の実際の状態に対応し得る。観察運転制約は、(例えば、物体認識アルゴリズム、コンピュータビジョンアルゴリズム、機械学習モデル、などを使用することによって)車両運転データと関連付けられた対応する知覚データに基づいて判定することができる。予測運転制約は、特定の時間モーメントとの関係における将来のモーメントにおける(例えば、10秒の時間ウィンドウ内における)予測された運転環境の状態に対応し得る。予測運転制約は、この特定の時間モーメントの時点までの環境の予め観察された運転制約及びこの特定の時間モーメントの時点までの以前の知覚データに基づいて制約予測アルゴリズム303によって判定することができる。特定の実施形態において、運転制約生成器310(観察制約生成アルゴリズム302及び制約予測アルゴリズム303を含む)は、AVを自律型運転モードにおいてナビゲートするための車両軌跡を生成するためにランタイムにおいて軌跡プランナ(例えば、図1の130)によって使用される1つ又は複数のアルゴリズムと同一のものであってもよい。その結果、運転制約生成器310は、軌跡プランナ(例えば、図1の130)が、AVプラットフォーム上において走行している且つ自律型運転モードにおいてAVをナビゲートするための軌跡を生成している際に有することになるものと同一である軌跡を生成及び評価するための入力(例えば、同一のデータフォーマット及び同一の情報)を有することを許容することができる。特定の実施形態において、運転制約生成器310は、車両自体の予測軌跡307を判定するために制約予測アルゴリズム303と協働する軌跡予測アルゴリズム306を含むことができる。車両自体の予測軌跡307に関係する情報は、基準軌跡114を生成するために使用することができる。
図3Bは、観察制約及び予測制約を判定する例示用のプロセス300Bを示している。一例として、且つ、限定を伴うことなしに、人間の運転データは、車両の運転環境のバードビュー画像を含み得る知覚データを含むことができる。バードビュー画像を有する知覚データは、観察制約生成アルゴリズム及び制約予測アルゴリズムを含む運転制約生成器(例えば、図3Aの310)に供給することができる。観察制約生成アルゴリズムは、特定の時間モーメントT0において、車両331Aの前方に、同一のレーンを共有している自転車332Aが存在していることを判定するために、(例えば、物体認識アルゴリズム又は機械学習モデルを使用することによって)知覚データのバードビュー画像を分析することができる。観察制約生成アルゴリズムは、車両311A自体が時間モーメントT0において(例えば、車両位置311Aによって示されている)特定の位置に配置されていることを判定することができる。車両位置311Aは、GPS座標、マップ、又はその他の局所的な知覚データに基づいて判定することができる。自転車332Aの位置は、バードビュー画像(或いは、LiDARポイントクラウド)に基づいた物体認識結果に基づいて判定することができる。観察制約生成アルゴリズムは、自転車322Aを識別することができ、その位置を(時間モーメントT0において)判定することができ、且つ、これを表すための境界ボックスを生成することができる。この情報は、車両のナビゲーション軌跡を生成するための運転制約として軌跡プランナに後から供給することができる。例えば、時間モーメントT0から後の時間モーメントTE(例えば、TE=T0+10秒)まで車両331Aをナビゲートするための軌跡を生成するために、軌跡プランナは、自転車313A及び時間モーメントT0におけるその位置を運転制約の1つとして解釈することができる。軌跡プランナは、自転車331Aからの安全な距離314を維持するために、計画軌跡337を生成することができる。同時に、観察制約生成アルゴリズムは、バードビュー画像から、センターライン335、道路の境界339A及び339B、反対レーン336内の車両333を識別することができる。観察制約生成アルゴリズムは、その個々の位置を判定することができると共に、これらを表すための個々の表現(例えば、境界ボックス、ライン、など)を時間モーメントT0における観察運転制約として生成することができる。従って、これらの観察運転制約は、時間モーメントT0における運転環境の実際の状態(例えば、実際の位置)に対応し得る。
特定の実施形態において、軌跡プランナは、時間モーメントT0から後の時間モーメントTE(例えば、TE=T0+10秒)まで車両331Aをナビゲートするための計画軌跡337を生成することができる。計画軌跡337は、車両331Aが自転車332Aからの安全距離334を維持することを許容することができる。但し、計画軌跡337を生成するために、軌跡プランナは、車両331Aが自転車332Aを通過している際の時間モーメントT1における自転車332Aの予測位置332Bを知る必要があり得る。換言すれば、時間モーメントT0において、時間モーメントT0の後に車両をナビゲートするための計画軌跡を生成するために、軌跡プランナは、時間モーメントT0における運転環境の実際の状態及びT0の前の運転環境の以前の状態について知る必要があり得るのみならず、時間モーメントT0の後の運転環境の予測状態についても知る必要があり得る。特定の実施形態において、システムは、車両の検知システムによって知覚された且つ知覚データ内においてキャプチャされている運転環境の以前の状態に基づいてこれらの運転環境の予測状態(例えば、予測制約)を判定することができる。
一例として、且つ、限定を伴うことなしに、システムは、T0の後の一連の時間モーメントにおける自転車332Aの一連の場所(T1における予測位置332Bを含む)を予測するために制約予測アルゴリズム(例えば、図3Aの303)を使用することができる。予測された自転車332Aの一連の位置は、時間モーメントT0における現時点の位置、時間モーメントT0の前の知覚データに基づいて判定された自転車332Aの運動方向及び速度、及びその他の関係する情報(例えば、レーンの規則)に基づく制約予測アルゴリズムによって判定することができる。これらの予測された位置は、車両331Aをナビゲートするための計画軌跡337を生成するための予測運転制約として軌跡プランナに供給することができる。制約予測アルゴリズム303及び観察制約生成アルゴリズム302は、自律型運転モードにおいてAVをナビゲートするための軌跡を生成するためにランタイムにおいて軌跡プランナによって使用されているアルゴリズムと同一のものであってよいことに留意可能である。従って、運転制約生成器310によって判定される且つ軌跡プランナに供給される運転制約(観察制約及び予測制約を含む)は、軌跡プランナが、自律型運転モードにおいて車両をナビゲートするためにAVプラットフォーム上において稼働している際に有することになるものと同一の入力であってよい。
図3Cは、観察制約及び予測制約に基づいて計画軌跡を判定するための例示用のプロセス300Cを示している。一例として、且つ、限定を伴うことなしに、知覚データは、車両342Aが交差点340に接近中であり且つ左回転を実施する必要がある際の交差点340のバードビュー画像を含むことができる。知覚データは、運転制約を生成するために知覚データを分析し得る運転制約生成器(例えば、図3Aの310)に供給することができる。例えば、システムは、時間モーメントT0において、車両自体の実際の位置(例えば、車両位置342A)、その他の車両の実際の位置(例えば、車両位置342C)、センターラインの位置(例えば、343A、343B、343C、及び343D)、信号機の位置(例えば、341A、341B、341C、及び341D)、横断歩道の位置344、などを判定するために観察制約生成アルゴリズムを使用することができる。車両自体の実際の位置は、関連するGPS座標、マップ、局所的な知覚データ、などに基づいて判定することができる。システムは、時間モーメントT0について、その他の車両の実際の位置(例えば、342A)、センターライン(例えば、343A、343B、343C、及び343D)、信号機の状態(例えば、341A、341B、341C、及び341D)、及び横断歩道344を判定するために物体認識アルゴリズム又はパターン認識アルゴリズムを使用することができる。システムは、これらの物体又は状態を表すために対応する表現(例えば、境界ボックス、ライン、多角形、など)を生成することができる。システムは、知覚データ又はマップデータに基づいて1つ又は複数の交通規則(例えば、青信号において左旋回のために到来する交通に対しては譲る)を判定することができる。次いで、システムは、車両運転環境内における予測状態を判定するために制約予測アルゴリズム(例えば、図3Aの304)を使用することができる。これらの観察制約及び予測制約は、車両をナビゲートするための計画軌跡を生成するために軌跡プランナに供給することができる。例えば、制約予測アルゴリズムは、T0の後の時間モーメントT1において、反対側のレーン内の車両が直進し、且つ、予測位置342Dに位置することになることを予測し得る。軌跡プランナは、予測車両位置342Dと交差することにならない計画軌跡345を生成することができる。別の例として、制約予測アルゴリズムは、T0の後の時間モーメントT1において、反対側のレーン内の車両が、右旋回を実施し、且つ、予測位置342Eに位置することになることを予測することができる。軌跡プランナは、車両342Cの予測運動経路と交差することにならない計画軌跡345を生成することができる。
図3Dは、知覚データと様々なタイプの運転制約の間の対応性を示す例示用の図300Dを示している。特定の実施形態において、収集された車両運転データは、車両が(図示せず)ポイントAからポイントBまで移動するプロセスに対応するTSからTEまでの時間ウィンドウ(例えば、10秒時間ウィンドウ、40秒時間ウィンドウ)にわたる運転環境の知覚データ(例えば、352A及び352B)を含むことができる。知覚データ(例えば、352A及び352B)を含む車両運転データは、観察運転制約及び予測運転制約を生成するために運転制約生成器に供給することができる。特定の実施形態において、時間モーメントT0において、観察運転制約353は、(T0を含む)時間モーメントT0における又はこれに先行する時点に対応する知覚データ352Aに基づいて観察制約生成アルゴリズムによって判定することができる。予測運転制約354は、時間モーメントT0に先行する時点(T0を含む)に対応する知覚データ352Aに基づいて又は時間モーメントT0における且つ/又はこれに先行する観察運転制約353に基づいて制約予測アルゴリズムによって判定することができる。特定の実施形態において、計画軌跡を生成するために軌跡プランナに予測制約354を供給する代わりに、システムは、対応する知覚データ352Bに基づいて時間モーメントT0の後の時点における観察制約355を判定することができると共に、時間モーメントT0の後の時点に対応するこれらの観察制約355を予測制約のグラウンドトルス制約として軌跡プランナに供給することができる。特定の実施形態において、システムは、計画軌跡の第1バージョンを生成するために、時間モーメントT0の後の時点に対応する予測制約354及び時間モーメントT0の前の時点に対応する観察制約353を軌跡プランナに供給することができる。次いで、システムは、計画軌跡の第2バージョンを生成するために、時間モーメントT0の後の時点に対応するグラウンドトルス制約355及び時間モーメントT0の前の時点に対応する観察制約353を軌跡プランナに供給することができる。その後に、システムは、計画軌跡の2つのバージョンを比較することができると共に、制約予測アルゴリズム及び/又は軌跡プランナのコスト関数の重みを最適化するために比較結果を使用することができる。
特定の実施形態において、車両軌跡(例えば、人間の運転軌跡、計画軌跡、候補軌跡)は、3次元空間内における車両のモーションを記述することができる。車両軌跡は、一連の空間時間ポイント(x,y,t)を含む車両運動経路であってもよく、或いは、これを含むことができる。空間時間ポイント(x,y,t)のそれぞれは、特定の時間モーメントにおける運動経路に沿って車両の場所を通知し得る。全体軌跡は、特定の時間ウィンドウに対応し得ると共に、時間に伴う特定のポイント密度(例えば、100ポイント/10秒)を有することができる。空間時間ポイント(x,y,t)のそれぞれは、例えば、限定を伴うことなしに、速度、(例えば、運動方向又は横方向に沿った)加速度、GPS座標、操舵角度、制動パドル圧力、運動方向、などを含むいくつかのパラメータと関連付けることができる。
図4Aは、車両をナビゲートするための軌跡を生成する軌跡プランナ130の例示用の図400Aを示している。特定の実施形態において、軌跡プランナ130は、候補軌跡を生成する候補軌跡生成器132及び候補軌跡を評価する軌跡評価関数(例えば、コスト関数134)を含むことができると共に、評価結果に基づいて出力軌跡136を選択することができる。特定の実施形態において、候補軌跡生成器132は、基準軌跡生成器から受け取られた運転制約113(観察制約及び予測制約を含む)に基づいていくつかの候補軌跡を生成することができる。生成された候補軌跡133及び対応する運転制約113は、いくつかのコスト項(入力項とも呼称される)及びこれらのコスト項と関連するいくつかの重みに基づいて候補軌跡を評価/ランク付けするコスト関数134に供給することができる。システムは、評価されているそれぞれの候補軌跡ごとにコスト値(本開示の後の節においては、合計コストとも呼称される)を判定するために且つコスト値に基づいて出力軌跡136を選択するために、コスト関数134を使用することができる。一例として、且つ、限定を伴うことなしに、コスト関数134は、それぞれが重みと関連付けられているいくつかのコスト項を有することができる。システムは、対応する重みによって重み付けされたすべてのコスト項を加算することにより、それぞれの評価されている候補軌跡ごとに、コスト項及び関連する重みに基づいてコスト値を判定するためにコスト関数134を使用することができる。次いで、システムは、対応するコスト値に基づいてすべての評価されている候補軌跡をランク付けすることができると共に、最も小さなコスト値を有する候補軌跡を出力軌跡136として選択することができる。
特定の実施形態において、システムは、候補軌跡を評価するために1つ又は複数の軌跡評価関数(例えば、コスト関数)を使用することができる。例えば、システムは、評価されるそれぞれの候補軌跡ごとにコストを判定するためにコスト関数を使用することができる。特定の実施形態において、候補軌跡の「コスト」は、車両をナビゲートするためのその候補軌跡の使用と関連するペナルティに基づいて望ましさのレベルを通知する定量化された数学的メトリックを意味し得る。相対的に大きなコストは、関連する候補軌跡が車両をナビゲートするために使用されるために相対的に大きなペナルティに帰せられる相対的に低いレベルの望ましさを通知し得る。相対的に小さなコストは、関連する候補軌跡が車両をナビゲートするために使用されるために相対的に小さなペナルティに帰せれる相対的に高いレベルの望ましさを通知し得る。コスト関数は、コスト関数入力に基づいてコスト値を判定するための数学的関数(例えば、特定のパラメータの差ベクトル、異なるパラメータに対応するコスト項)であってよい。特定の実施形態において、コストを判定するために使用されるコスト関数は、線形合計関数であってよい。例えば、特定のパラメータに基づいて評価される軌跡のコストを判定するためのコスト関数は、特定のパラメータの(例えば、評価されている軌跡に基づいて判定される)予測値と(例えば、基準モデルに基づいて判定される)理想化された値の間の差を合計する線形合計関数であってよい。別の例として、評価されている軌跡の合計コスト(合計コスト関数又は全体コスト関数とも呼称されている)を判定するためのコスト関数は、対応する重みによって重み付けされるいくつかのコスト項を合計するための合計関数であってよい。いくつかの例においては、高コストと関連する操縦は、運転の快適性、知覚される安全性、などに対する影響に起因して人間の運転者が実行する可能性が低いものに帰せられ得る一方で、相対的に低いコストと関連する操作は、人間が実行する可能性が相対的に高くなるものに帰せられ得る。
特定の実施形態において、評価されるそれぞれの軌跡は、例えば、限定を伴うことなしに、最も近接した障害物までの距離、別の障害物までの距離、先行する車両までの距離、先行する車両に対する相対速度、レーン境界までの距離、軌跡速度と速度限度の間の差、最大ジャーク、最大加速度、車両操向角度、車両位置、などを含むいくつかのパラメータと関連付けることができる。システムは、評価される候補軌跡について、特定のパラメータ(例えば、最も近接した障害物までの距離、レーン境界までの距離、軌跡速度と速度限度の間の差、最大ジャーク、最大加速度)に基づいてコストを判定することができる。例えば、システムは、最も近接した障害物までの距離に基づいて候補軌跡の第1コストを判定することができると共に、最大加速度に基づいて候補軌跡の第2コストを判定することができる。特定の実施形態において、評価される候補軌跡は、個々のパラメータに基づいて判定された複数のコスト(それぞれが、評価される候補軌跡の合計コストを判定するための合計コスト関数のコスト項に対応している)を有することができる。システムは、図4Bに示されているように、且つ、本開示の後の節において記述されているように、個々のパラメータ(コスト項)に基づいて判定されたコストに基づいて評価対象の候補軌跡の合計コストを判定するために合計コスト関数を使用することができる。評価される軌跡の合計コストを判定するためのコスト関数は、いくつかの重み(例えば、重み/コスト項)によって重み付けされる(個々のパラメータに基づいて判定されたコスト値に対応する)いくつかのコスト項を有することができる。特定の実施形態において、コスト項は、例えば、限定を伴うことなしに、最も近接した障害物までの距離、別の障害物までの距離、先行する車両までの距離、先行する車両に対する相対速度、レーン境界までの距離、軌跡速度と速度限度の間の差、最大ジャーク、最大加速度、車両操舵角度、車両位置、などを含むことができる。
特定の実施形態において、システムは、(例えば、特定のシナリオについて基準モデル又は以前の運転データから生成された)予測軌跡との関係において軌跡を評価するために、それぞれが特定の軌跡パラメータ(例えば、速度、加速度、位置、レーン境界までの距離、最も近接した物体までの距離、など)と関連する1つ又は複数の軌跡評価関数(例えば、コスト関数)を使用することができる。一例として、且つ、限定を伴うことなしに、システムは、運転環境内の特定のシナリオと関連する軌跡を評価するためのパラメータとして速度を選択することができる。システムは、評価される軌跡について、軌跡に沿った既定の一連の時間モーメントにわたる一連の速度値を含む第1ベクトルを判定することができる。次いで、システムは、シナリオモデル又はシナリオと関連する以前の車両運転データを使用することにより、このシナリオ用の予測軌跡又は理想軌跡を生成することができる。次いで、システムは、理想軌跡について、(評価される軌跡の第1ベクトルと同一の)同一の一連の既定の時間モーメントにわたる一連の速度値を含む第2ベクトルを判定することができる。その後に、システムは、第1ベクトル内のそれぞれのベクトル要素と第2ベクトル内の対応するベクトル要素の間の差を判定することができる。次いで、システムは、評価されている軌跡のコストを算出するために、すべての差値を合計するためにコスト関数を使用することができる。評価される軌跡のコストは、速度の側面において計測される評価される軌跡と理想軌跡の間の全体的な類似性レベル又は全体的な相違性レベルを通知することができる。
特定の実施形態において、候補軌跡は、例えば、限定を伴うことなしに、速度、加速度、位置、最も近接した物体(例えば、先行する車両、障害物)までの距離、レーン境界までの距離、軌跡速度と対応する速度限度の間の差、最大ジャークメトリック、最大加速度、旋回半径、障害物までの最も近接した距離、移動した距離、などを含む対応するパラメータに基づいて多くの側面において評価することができる。システムは、選択されたパラメータに基づいて、評価されている軌跡のいくつかのコスト値を判定することができる。特定のパラメータに基づいて判定されたそれぞれのコスト値は、その特定のパラメータによって計測される(このシナリオの基準モデルによって判定される)理想軌跡との関係における評価される軌跡の類似性レベル又は相違性レベルを通知し得る。特定の実施形態において、システムは、これらの選択されたパラメータに対応するいくつかのコスト項を全体的なコスト関数用の入力として識別することができる。全体的なコスト関数は、これらのコスト項用のいくつかの重み(例えば、それぞれのコスト項用の重み)を有することができると共に、且つ、対応する重みによって重み付けられるすべてのコスト項を合計することにより、これらのコスト項及び対応する重みに基づいて、評価される軌跡の合計コストを判定するために使用することができる。
図4Bは、評価される軌跡の合計コストを判定するための例示用のプロセス400Bを示している。一例として、且つ、限定を伴うことなしに、システムは、評価されている軌跡と関連するいくつかのパラメータ(例えば、P1、P2、P3)に対応するいくつかのコスト項を判定することができる。それぞれのコスト項ごとに、システムは、評価される軌跡の対応するベクトル(例えば、P1のベクトル411、P2のベクトル413、P3のベクトル415)を判定することができる。次いで、システムは、評価されている軌跡と関連するシナリオを識別することができると共に、このシナリオと関連する基準モデルにアクセスすることができる。次いで、システムは、このシナリオと関連する基準モデルに基づいて理想軌跡を判定することができる。その後に、それぞれのコスト項ごとに、システムは、理想軌跡のベクトル(例えば、P1のベクトル412、P2のベクトル414、P3のベクトル414)を判定することができる。次いで、システムは、それぞれのコスト項(例えば、P1の401、P2の402、P3の403)に基づいて、評価される軌跡の関連するコストを算出することができる。例えば、システムは、対応する要素の差を判定するために、ベクトル411及び412の対応する要素を比較することができる。次いで、システムは、すべてのベクトル要素の差を合計することにより、コスト401を判定することができる。別の例として、システムは、対応する要素の差を判定するためにベクトル413及び413の対応する要素を比較することができる。次いで、システムは、すべてのベクトル要素の差を合計することにより、コスト402を判定することができる。別の例として、システムは、対応する要素の差を判定するためにベクトル415及び416の対応する要素を比較することができる。次いで、システムは、すべてのベクトル要素の差を合計することにより、コスト403を判定することができる。その後に、システムは、個々の重み(例えば、重み421、422、及び423)によって重み付けされている個々のコスト項に基づいて判定されたコストを合計することにより、評価されている軌跡の合計コスト410を判定することができる。合計コスト410は、このシナリオと関連する基準モデルに基づいて判定された理想軌跡との関係における評価されている軌跡の全体的な類似性レベル又は相違性レベルを通知し得る。
図4Cは、人間の運転軌跡に基づいてコスト関数のコスト項の重みをチューニングする例示用のプロセス400Cを示している。特定の実施形態において、評価されている軌跡の合計コストは、コスト項と関連するいくつかの重みに基づいて判定することができる。それぞれの重み値は、評価されている軌跡の合計コストを判定するための関連するコスト項の相対的な重要性レベルを通知し得る。出力軌跡が人間の運転軌跡に似るようにするために、システムは、これらの重みを適切にバランスさせる必要があり得る。人間のエンジニアによってこれらの重みをチューニングすることは、非効率的なものになり得ると共に時間を所要し得るであろう。特定の実施形態において、システムは、軌跡プランナが人間の運転者のようにこれらのファクタをバランスさせる方法を学習することを許容するためにコスト関数のコスト項と関連する重みを自動的にチューニングするように、図1に示されているフレームワーク100及び図4Cに示されているプロセス400Cを使用することができる。一例として、且つ、限定を伴うことなしに、軌跡プランナ130は、基準軌跡生成器から制約113及び基準軌跡114を受け取ることができる。基準軌跡114は、車両運転データ(例えば、GPSデータ、モーションデータ、など)に基づいて基準軌跡生成器によって生成された人間の運転軌跡であってよい。システムは、受け取られた制約113に基づいていくつかの候補軌跡133を生成するために軌跡プランナ130の候補軌跡生成器132を使用することができる。次いで、候補軌跡133及び制約113は、いくつかのコスト項、いくつかの対応する重み、及び制約113に基づいて候補軌跡133のそれぞれを評価し得るコスト関数134に供給することができる。コスト関数134の重みは、それぞれ、初期値を有することができる。コスト関数134は、評価される候補軌跡のそれぞれごとに合計コスト値を判定するために対応する初期値と共に重みを使用することができる。次いで、システムは、最小のコスト値を有する候補軌跡を出力軌跡136として選択することができる。その後に、システムは、初期値と共に重みに基づいて選択された出力軌跡136を基準軌跡114(例えば、人間の運転軌跡)に対して比較することができる。次いで、システムは、出力軌跡136と基準軌跡114の間の比較結果に基づいてコスト関数の1つ又は複数の重みを調節するためにコスト関数に対してフィードバック情報136を送信することができる。このプロセスは、軌跡プランナ130の出力軌跡136が人間の運転軌跡にマッチングする時点まで、(例えば、軌跡プランナに更に多くの制約データ及び基準軌跡を供給することによって)反復することができる。
特定の実施形態において、システムは、(人間の運転軌跡によって表される)人間の運転振る舞いに基づいてコスト関数の重みをチューニングするために、回帰及び分類方法(例えば、勾配降下アルゴリズム)を使用することができる。特定の実施形態において、システムは、人間の運転軌跡が最小コスト軌跡となることを許容するように、重みを操作することができる。特定の実施形態において、システムは、(例えば、速度又は距離などの1つ又は複数のパラメータによって計測される)人間の運転軌跡に最も類似した軌跡が最小コスト値を有することを許容するように、重みを調節することができる。特定の実施形態において、システムは、人間の運転軌跡に沿ってそれぞれの個々の特徴ベクトルを判定することができると共に、出力軌跡が人間の運転軌跡のそれぞれの特徴ベクトルの分布にマッチングすることを許容する方式により、重みを調節することができる。特定の実施形態において、システムは、特徴ベクトルの観点において非常に類似している候補軌跡を分析することができると共に、相応して重みを最適化する分類アルゴリズムをトレーニングするために位置誤差によって計測されるその差を判定することができる。
特定の実施形態において、システムは、(基準モデルに基づいて判定された理想軌跡を使用することなしに)評価されている軌跡の(コスト関数のコスト項に対応する)それぞれのパラメータに基づいてベクトルを判定することができる。一例として、且つ、限定を伴うことなしに、システムは、人間の運転軌跡と現時点の重みを有する軌跡プランナの出力軌跡のペアの組{human_trajectory,planner_trajectory}iを判定することができる(ここで、iは、一連の軌跡のポイントのインデックスである)。次いで、システムは、軌跡プランナの出力軌跡を評価するためのいくつかの特徴又はパラメータを判定することができる。特徴又はパラメータは、例えば、限定を伴うことなしに、速度、加速度、位置、最も近い物体までの距離(例えば、先行する車両、障害物)、レーン境界までの距離、軌跡速度と対応する速度限度の間の差、最大ジャークメトリック、最大加速度、旋回半径、障害物までの最も近接した距離、移動した距離、などを含み得る。次いで、システムは、選択された特徴又はパラメータのそれぞれごとにベクトルペア(例えば、{featureshuman_trajectory,featuresplanner_trajectory}i)を判定することができる。その後に、システムは、人間の運転軌跡の重み付けされた特徴ベクトルが軌跡プランナによって生成されたすべての候補軌跡の重み付けされた特徴ベクトルよりも小さなコストを有することを許容するように、重みベクトル内の重み値を調節することができる。
特定の実施形態において、システムは、シミュレートされた検証プラットフォーム又は実際の車両試験プラットフォームを使用することにより、調節済みの重みを有する軌跡プランナを試験及び評価することができる。例えば、軌跡プランナは、車両性能を評価するために、シミュレーションエンジン内において又は一般道路上の試験プラットフォーム上において10Kマイルを走行するように試験することができる。システムは、軌跡プランナを評価するための1つ又は複数の性能メトリックを判定することができる。例えば、システムは、安全性の程度を通知するための運転安全性メトリック(例えば、障害物及び境界線までの最も近接した距離)及び乗車乗員の快適性レベルを通知するための運転快適性メトリック(例えば、停止標識用の加速度プロファイル、運転の際の横方向加速度、旋回半径、など)を判定することができる。システムは、(例えば、個々の閾値未満である)運転安全性メトリック及び運転快適性メトリックに基づいて軌跡プランナによって良好に処理されてはいない1つ又は複数のシナリオを識別することができると共に、これらの識別されたシナリオに関係する更に多くの車両運転データが最適化パイプラインに供給されるようにするために最適化パイプラインにフィードバック情報を送信することができる。例えば、システムは、軌跡プランナが旋回を良好に処理しているが、車両が自転車に接近している際に近接用の安全距離を維持することができなかったと判定する場合がある。システムは、軌跡プランナがいまだ近接シナリオを良好に処理できていないと判定することができる。システムは、更に多くの近接データが最適化パイプラインに供給されるようにするためにフィードバック情報を最適化パイプラインに送信することができる。システムは、(存在している場合に)更に多くの近接データにアクセスし且つこれを取得するためにデータベースにアクセスすることができると共に、このデータを最適化パイプラインに供給することができる。或いは、システムは、近接シナリオに関係する更に多くの車両運転データを収集するためにフィードバック情報をデータ収集プロセスに送信することもできる。次いで、システムは、近接シナリオに関係する車両運転データに基づいて軌跡プランナのコスト関数の重みを更に最適化するために、更に多くの近接データを最適化パイプラインに供給することができる。最適化プロセスは、出力軌跡が人間の運転軌跡とマッチングする状態において軌跡プランナが検証基準を充足する(例えば、安全性メトリック及び快適性メトリックの基準を充足する)時点まで軌跡プランナのコスト関数の重みを調節するように、反復することができる。
図5は、人間の運転振る舞いに基づいた軌跡プランナのコスト関数のコスト項と関連する1つ又は複数の重みを調節する例示用の方法500を示している。特定の実施形態において、方法は、ステップ510において開始し得るが、この場合に、演算システムは、(i)環境内において走行している車両と関連する車両運転データ及び(ii)環境と関連する検出された環境データを受け取ることができる。ステップ520において、システムは、車両運転データに基づいて環境内において走行している車両の基準軌跡を生成することができる。ステップ530において、システムは、検出された環境データに基づいて環境と関連する運転制約を判定することができる。ステップ540において、システムは、運転制約に基づいて車両の軌跡を生成することができる。軌跡は、重み値を有するコスト関数と関連付けることができる。ステップ550において、システムは、基準軌跡と関連する少なくとも1つの対応するパラメータとの関係における軌跡と関連する少なくとも1つのパラメータの差を判定することができる。ステップ560において、システムは、軌跡と関連する少なくとも1つのパラメータと基準軌跡と関連する少なくとも1つの対応するパラメータの間の差に基づいて軌跡のコスト関数と関連する重み値の1つ又は複数を調節することができる。
特定の実施形態において、環境の運転制約は、観察運転制約及び予測運転制約の少なくとも1つを含むことができる。観察制約は、基準時間モーメントとの関係における環境の実際の状態に対応し得る。予測制約は、基準時間モーメントとの関係における将来時間モーメントにおける環境の予測状態に対応し得る。特定の実施形態において、軌跡は、基準時間モーメントの前の第1時点に対応する観察運転制約及び基準時間モーメントの後の第2時点に対応する環境の予測運転制約を有する運転制約に基づいて生成することができる。予測制約は、自律型運転モードにおいて車両をナビゲートするための軌跡を生成するためにランタイムにおいて軌跡生成器によって使用される第2制約予測アルゴリズムと同一である第1制約予測アルゴリズムによって判定することができる。特定の実施形態において、予測制約は、環境内のエージェントの予測軌跡、環境内のエージェントの予測位置、環境内のエージェントの予測運動方向、環境内のエージェントの予測速度、環境内の車両の予測軌跡、環境内の車両の予測位置、環境内の車両の予測運動方向、又は環境内の車両の予測速度の1つ又は複数を含み得る。特定の実施形態において、観察制約は、基準時間モーメントの前の第1時点に対応する第1観察制約及び基準時間モーメントの後の第2時点に対応する第2観察制約を含み得る。システムは、基準時間モーメントの前の第1時点に対応する第1観察制約及び基準時間モーメントの後の第2時点に対応する第2観察制約に基づいて新しい軌跡を生成することができる。システムは、新しい軌跡を車両の軌跡と比較することができる。システムは、軌跡と新しい軌跡の間の比較に基づいて新しい軌跡を生成するために軌跡プランナと関連する1つ又は複数の重み値を調節することができる。
特定の実施形態において、軌跡生成器は、環境の運転制約に基づいていくつかの候補軌跡を生成することができる。軌跡は、関連するコスト関数に基づいて候補軌跡の1つから選択することができる。特定の実施形態において、関連するコスト関数は、いくつかのコスト項と関連付けることができる。それぞれのコスト項は、そのコスト項の相対的な重要性レベルを通知する重みと関連付けることができる。特定の実施形態において、コスト関数のコスト項は、最も近接した障害物までの距離、レーン境界までの距離、先行する車両までの距離、先行する車両との関係における相対速度、軌跡速度と速度限度の間の差、最大ジャーク、最大加速度、車両操舵角度、車両位置、又は車両軌跡の安全性及び快適性を表すファクタの1つ又は複数を含み得る。特定の実施形態において、軌跡は、コスト項及び重みに基づいた関連するコスト関数を使用して判定された軌跡評価メトリックに基づいて候補軌跡から選択することができる。特定の実施形態において、軌跡評価メトリックは、個々の重みによって重み付けされたコスト項の合計であってよい。関連するコスト関数は、合計関数であってよい。特定の実施形態において、調節済みの1つ又は複数の重みを有する関連するコスト関数は、基準軌跡が最小軌跡評価メトリック値を有することを許容することができる。特定の実施形態において、調節済みの1つ又は複数の重みを有する関連するコスト関数は、基準軌跡に最も類似した候補軌跡が候補軌跡のうちで最小の軌跡評価メトリック値を有することを許容することができる。特定の実施形態において、調節済みの1つ又は複数の重みを有する関連するコスト関数は、基準軌跡の対応する特徴ベクトルの分布にマッチングした特徴ベクトルを有する候補軌跡が候補軌跡のうちで最小の軌跡評価メトリック値を有することを許容することができる。特定の実施形態において、調節済みの1つ又は複数の重みを有する関連するコスト関数は、基準軌跡との関係における最小位置誤差ベクトルを有する候補軌跡が候補軌跡のうちで最小の軌跡評価メトリック値を有することを許容することができる。
特定の実施形態において、1つ又は複数の重みは、環境のいくつかのシナリオに関連する車両運転データに基づいて勾配降下アルゴリズムを使用して調節することができる。特定の実施形態において、システムは、車両運転データ及び調節済みの1つ又は複数の重みに基づいていくつかの新しい軌跡を生成することができる。システムは、シミュレーションプラットフォーム又は車両試験プラットフォームを使用して新しい軌跡に基づいて車両性能を評価することができる。システムは、車両性能が1つ又は複数の既定の基準の充足に失敗している1つ又は複数の第1シナリオを識別することができる。特定の実施形態において、システムは、1つ又は複数の第1シナリオと関連する新しい車両運転データを収集するためにフィードバック情報をデータ収集モジュールに送信することができる。システムは、軌跡生成器の1つ又は複数の重みを更に調節するために、1つ又は複数の第1シナリオと関連する新しい車両運転データを最適化パイプラインに供給することができる。特定の実施形態において、基準軌跡は、車両の車両運転データに基づいて基準軌跡生成器によって判定することができる。基準軌跡は、軌跡生成器によって生成された軌跡と同一のフォーマットを有することができる。特定の実施形態において、システムは、環境と関連する環境データに基づいた環境の時間に伴って集計されたスナップショットを生成することができる。車両の軌跡は、環境の少なくとも1つの時間に伴って集計されたスナップショットに基づいて生成することができる。
特定の実施形態は、適宜、図5の方法の1つ又は複数のステップを反復することができる。本開示は、図5の方法の特定のステップを特定の順序において発生するものとして記述及び図示しているが、本開示は、図5の方法の任意の適切なステップが任意の適切な順序において発生することを想定している。更には、本開示は、図5の方法の特定のステップを含む人間の運転振る舞いに基づいて軌跡プランナと関連する1つ又は複数の重みを調節する例示用の方法について記述及び図示しているが、本開示は、適宜、図5の方法のステップのすべて又はいくつかを含み得る或いはこれらのいずれをも含み得ない任意の適切なステップを含む人間の運転振る舞いに基づいて軌跡プランナと関連する1つ又は複数の重みを調節する任意の適切な方法を想定している。更には、本開示は、図5の方法の特定のステップを実行する特定のコンポーネント、装置、又はシステムについて記述及び図示しているが、本開示は、図5の方法の任意の適切なステップを実行する任意の適切なコンポーネント、装置、又はシステムの任意の適切な組合せを想定している。
図6は、例示用のコンピュータシステム600を示している。特定の実施形態において、1つ又は複数のコンピュータシステム600は、本明細書において記述及び図示されている1つ又は複数の方法の1つ又は複数のステップを実行している。特定の実施形態において、1つ又は複数のコンピュータシステム600は、本明細書において記述又は図示されている機能を提供している。特定の実施形態において、1つ又は複数のコンピュータシステム600上において稼働するソフトウェアは、本明細書において記述又は図示されている1つ又は複数の方法の1つ又は複数のステップを実行するか又は本明細書において記述又は図示されている機能を提供している。特定の実施形態は、1つ又は複数のコンピュータシステム600の1つ又は複数の部分を含む。本明細書において、コンピュータシステムに対する参照は、適宜、演算装置を包含することもできると共に逆もまた真である。更には、コンピュータシステムに対する参照は、適宜、1つ又は複数のコンピュータシステムを包含し得る。
本開示は、任意の適切な数のコンピュータシステム600を想定している。本開示は、任意の適切な物理的形態を有するコンピュータシステム600を想定している。一例として、且つ、限定を伴うことなしに、コンピュータシステム600は、埋め込み型コンピュータシステム、システムオンチップ(SOC)、(例えば、コンピュータオンモジュール(COM)又はシステムオンモジュール(SOM)などの)シングルボードコンピュータシステム(SBC)、デスクトップコンピュータシステム、ラップトップ又はノートブックコンピュータシステム、対話型キオスク、メインフレーム、コンピュータシステムのメッシュ、携帯電話機、パーソナルデジタルアシスタント(PDA)、サーバー、タブレットコンピュータシステム、拡張/仮想現実装置、又はこれらの2つ以上の組合せであってよい。適宜、コンピュータシステム600は、1つ又は複数のコンピュータシステム600を含んでいてもよく、一体的であってもよく又は分散されていてもよく、複数の場所に跨っていてもよく、複数の機械に跨っていてもよく、複数のデータセンタに跨っていてもよく、或いは、1つ又は複数のネットワーク内の1つ又は複数のリモートサーバー演算コンポーネントを含み得るリモートサーバーコンピュータ内において存在していてもよい。適宜、1つ又は複数のコンピュータシステム600は、大きな空間的又は時間的制限を伴うことなしに、本明細書において記述又は図示されている1つ又は複数の方法の1つ又は複数のステップを実行することができる。一例として、且つ、限定を伴うことなしに、1つ又は複数のコンピュータシステム600は、リアルタイム又はバッチモードにおいて本明細書において記述又は図示されている1つ又は複数の方法の1つ又は複数のステップを実行することができる。1つ又は複数のコンピュータシステム600は、適宜、異なる時点において又は異なる場所において、本明細書において記述又は図示されている1つ又は複数の方法の1つ又は複数のステップを実行することができる。
特定の実施形態において、コンピュータシステム600は、プロセッサ602、メモリ604、ストレージ606、入出力(I/O)インターフェイス608、通信インターフェイス610、及びバス612を含む。本開示は、特定の構成において特定の数の特定のコンポーネントを有する特定のコンピュータシステムについて記述及び図示しているが、本開示は、任意の適切な構成において任意の適切な数の任意の適切なコンポーネントを有する任意の適切なコンピュータシステムを想定している。
特定の実施形態において、プロセッサ602は、コンピュータプログラムを構成するものなどの命令を実行するためのハードウェアを含む。一例として、且つ、限定を伴うことなしに、命令を実行するために、プロセッサ602は、内部レジスタ、内部キャッシュ、メモリ604、又はストレージ606から命令を取得(或いは、フェッチ)してもよく、これらをデコーディング及び実行してもよく、且つ、次いで、1つ又は複数の結果を内部レジスタ、内部キャッシュ、メモリ604、又はストレージ606に書き込んでもよい。特定の実施形態において、プロセッサ602は、データ、命令、又はアドレス用の1つ又は複数の内部キャッシュを含むことができる。本開示は、適宜、任意の適切な数の任意の適切な内部キャッシュを含むプロセッサ602を想定している。一例として、且つ、限定を伴うことなしに、プロセッサ602は、1つ又は複数の命令キャッシュ、1つ又は複数のデータキャッシュ、及び1つ又は複数の変換ルックアサイドバッファ(TLB)を含むことができる。命令キャッシュ内の命令は、メモリ604又はストレージ606内の命令の複写であり得ると共に、命令キャッシュは、プロセッサ602によるこれらの命令の取得を高速化することができる。データキャッシュ内のデータは、コンピュータ命令によって作用される対象のメモリ604又はストレージ606内のデータの複写、後続の命令からアクセス可能である又はメモリ604又はストレージ606に書き込むためのプロセッサ602によって実行され得る以前の命令の結果、或いは、任意のその他の適切なデータであってよい。データキャッシュは、プロセッサ602による読み取り又は書き込み動作を高速化することができる。TLBは、プロセッサ602用の仮想アドレス変換を高速化することができる。特定の実施形態において、プロセッサ602は、データ、命令、又はアドレス用の1つ又は複数の内部レジスタを含むことができる。本開示は、適宜、任意の適切な数の任意の適切な内部レジスタを含むプロセッサ602を想定している。適宜、プロセッサ602は、1つ又は複数の算術論理ユニット(ALU)を含んでいてもよく、マルチコアプロセッサであってもよく、或いは、1つ又は複数のプロセッサ602を含んでいてもよい。本開示は、特定のプロセッサについて記述及び図示しているが、本開示は、任意の適切なプロセッサを想定している。
特定の実施形態において、メモリ604は、プロセッサ602が実行する対象の命令又はプロセッサ602が作用する対象のデータを保存するためのメインメモリを含む。一例として、且つ、限定を伴うことなしに、コンピュータシステム600は、ストレージ606又は(別のコンピュータシステム600などの)別のソースからメモリ604に命令を読み込むことができる。次いで、プロセッサ602は、命令をメモリ604から内部レジスタ又は内部キャッシュに読み込むことができる。命令を実行するために、プロセッサ602は、内部レジスタ又は内部キャッシュから命令を取得することができると共に、これらをデコーディングすることができる。命令の実行の際に又はその後に、プロセッサ602は、1つ又は複数の(中間又は最終結果であり得る)結果を内部レジスタ又は内部キャッシュに書き込むことができる。次いで、プロセッサ602は、これらの結果の1つ又は複数をメモリ604に書き込むことができる。特定の実施形態において、プロセッサ602は、(ストレージ606又はどこか別の場所ではなく)1つ又は複数の内部レジスタ又は内部キャッシュ内において又はメモリ604内においてのみ命令を実行しており、且つ、(ストレージ606又はどこか別の場所ではなく)1つ又は複数の内部レジスタ又は内部キャッシュ内において又はメモリ604内においてのみデータに対して作用している。(それぞれがアドレスバス及びデータバスを含み得る)1つ又は複数のメモリバスは、プロセッサ602をメモリ604に結合することができる。バス612は、更に詳細に後述するように、1つ又は複数のメモリバスを含むことができる。特定の実施形態においては、1つ又は複数のメモリ管理ユニット(MMU)が、プロセッサ602とメモリ604の間に存在しており、且つ、プロセッサ602によって要求されたメモリ604に対するアクセスを促進している。特定の実施形態において、メモリ604は、ランダムアクセスメモリ(RAM)を含む。このRAMは、適宜、揮発性メモリであってよい。適宜、このRAMは、ダイナミックRAM(DRAM)であってよく、或いは、スタティックRAM(SRAM)であってもよい。更には、適宜、このRAMは、シングルポート型又はマルチポート型のRAMであってよい。本開示は、任意の適切なRAMを想定している。メモリ604は、適宜、1つ又は複数のメモリ604を含むことができる。本開示は、特定のメモリについて記述及び図示しているが、本開示は、任意の適切なメモリを想定している。
特定の実施形態において、ストレージ606は、データ又は命令用のマスストレージを含む。一例として、且つ、限定を伴うことなしに、ストレージ606は、ハードディスクドライブ(HDD)、フロッピーディスクドライブ、フラッシュメモリ、光ディスク、磁気光ディスク、磁気テープ、又はユニバーサルシリアルバス(USB)ドライブ、或いは、これらの2つ以上の組合せを含むことができる。ストレージ606は、適宜、着脱自在の又は非着脱自在の(即ち、固定された)媒体を含むことができる。ストレージ606は、適宜、コンピュータシステム600の内部又は外部に位置し得る。特定の実施形態において、ストレージ606は、不揮発性の半導体メモリである。特定の実施形態において、ストレージ606は、読み出し専用メモリ(ROM)を含む。適宜、このROMは、マスクプログラム型のROM、プログラム可能なROM(PROM)、消去可能なPROM(EPROM)、電気的に消去可能なPROM(EEPROM)、電気的に変更可能なROM(EAROM)、又はフラッシュメモリ、或いは、これらの2つ以上の組合せであってよい。本開示は、任意の適切な物理的形態を有するマスストレージ606を想定している。ストレージ606は、適宜、プロセッサ602とストレージ606の間の通信を促進する1つ又は複数のストレージ制御ユニットを含むことができる。適宜、ストレージ606は、1つ又は複数のストレージ606を含むことができる。本開示は、特定のストレージについて記述及び図示しているが、本開示は、任意の適切なストレージを想定している。
特定の実施形態において、I/Oインターフェイス608は、コンピュータシステム600と1つ又は複数のI/O装置の間の通信用の1つ又は複数のインターフェイスを提供するハードウェア、ソフトウェア、又は両方を含む。コンピュータシステム600は、適宜、これらのI/O装置の1つ又は複数を含むことができる。これらのI/O装置の1つ又は複数は、人物とコンピュータシステム600の間の通信を可能にすることができる。一例として、且つ、限定を伴うことなしに、I/O装置は、キーボード、キーパッド、マイクロフォン、モニタ、マウス、プリンタ、スキャナ、スピーカ、スチールカメラ、スタイラス、タブレット、タッチスクリーン、トラックボール、ビデオカメラ、別の適切なI/O装置、或いは、これらの2つ以上の組合せを含むことができる。I/O装置は、1つ又は複数のセンサを含むことができる。本開示は、任意の適切なI/O装置及びこれら用の任意の適切なI/Oインターフェイス608を想定している。適宜、I/Oインターフェイス608は、プロセッサ602がこれらのI/O装置の1つ又は複数を駆動することを可能にする1つ又は複数の装置又はソフトウェアドライバを含むことができる。I/Oインターフェイス608は、適宜、1つ又は複数のI/Oインターフェイス608を含むことができる。本開示は、特定のI/Oインターフェイスについて記述及び図示しているが、本開示は、任意の適切なI/Oインターフェイスを想定している。
特定の実施形態において、通信インターフェイス610は、コンピュータシステム600と1つ又は複数のその他のコンピュータシステム600又は1つ又は複数のネットワークの間の(例えば、パケットに基づいた通信などの)通信用の1つ又は複数のインターフェイスを提供するハードウェア、ソフトウェア、又は両方を含む。一例として、且つ、限定を伴うことなしに、通信インターフェイス610は、Ethernet又は任意のその他の有線に基づいたネットワークと通信するためのネットワークインターフェイスコントローラ(NIC)又はネットワークアダプタ或いはWI-FIネットワークなどの無線ネットワークとの間において通信するための無線NIC(WNIC)又は無線アダプタを含むことができる。本開示は、任意の適切なネットワーク及びこれ用の任意の適切な通信インターフェイス610を想定している。一例として、且つ、限定を伴うことなしに、コンピュータシステム600は、アドホックネットワーク、パーソナルエリアネットワーク(PAN)、ローカルエリアネットワーク(LAN)、ワイドエリアネットワーク(WAN)、メトロポリタンエリアネットワーク(MAN)、又はインターネットの1つ又は複数の部分、或いは、これらの2つ以上の組合せと通信することができる。これらのネットワークの1つ又は複数のものの1つ又は複数の部分は、有線型又は無線型であってよい。一例として、コンピュータシステム600は、(例えば、Bluetooth(登録商標) WPANなどの)無線PAN(WPAN)、WI-FIネットワーク、WI-MAXネットワーク、(例えば、GSM(Global System for Mobile Communications)ネットワークなどの)セルラー電話ネットワーク、又は任意のその他の適切な無線ネットワーク、或いは、これらの2つ以上の組合せと通信することができる。コンピュータシステム600は、適宜、これらのネットワークの任意のもの用の任意の適切な通信インターフェイスを含むことができる。通信インターフェイス610は、適宜、1つ又は複数の通信インターフェイス610を含むことができる。本開示は、特定の通信インターフェイスについて記述及び図示しているが、本開示は、任意の適切な通信インターフェイスを想定している。
特定の実施形態において、バス612は、コンピュータシステム600のコンポーネントを互いに結合するハードウェア、ソフトウェア、又は両方を含む。一例として、且つ、限定を伴うことなしに、バス612は、AGP(Accelerated Graphics Port)又は任意のその他のグラフィクスバス、EISA(Enhanced Industry Standard Architecture)バス、フロントサイドバス(FSB)、HYPERTRANSPORT(HT)相互接続、ISA(Industry Standard Architecture)バス、INFINIBAND相互接続、LPC(Low-Pin-Count)バス、メモリバス、MCA(Micro Channel Architecture)バス、PCI(Peripheral Component Interconnect)バス、PCI-Express(PCIe)バス、SATA(Serial Advanced Technology Attachment)バス、VLB(video electronics standards association local)バス、又は任意の適切なバス、或いは、これらの2つ以上の組合せを含むことができる。バス612は、適宜、1つ又は複数のバス612を含むことができる。本開示は、特定のバスについて記述及び図示しているが、本開示は、任意の適切なバス又は相互接続を想定している。
本明細書において、コンピュータ判読可能な一時的ではない1つ又は複数のストレージ媒体は、適宜、1つ又は複数の半導体に基づいた又はその他のタイプの集積回路(IC)(例えば、フィールドプログラム可能なゲートアレイ(FPGA)又は用途固有のIC(ASIC))、ハードディスクドライブ(HDD)、ハイブリッドハードドライブ(HHD)、光ディスク、光ディスクドライブ(ODD)、磁気光ディスク、磁気光ドライブ、フロッピーディスケット、フロッピーディスクドライブ(FDD)、磁気テープ、半導体ドライブ(SSD)、RAMドライブ、SECURE DIGITALカード又はドライブ、任意のその他の適切なコンピュータ判読可能な一時的ではないストレージ媒体、或いは、これらの2つ以上の任意の適切な組合せを含むことができる。コンピュータ判読可能な一時的ではないストレージ媒体は、適宜、揮発性であってもよく、不揮発性であってもよく、揮発性及び不揮発性の組合せであってもよい。
本明細書において、「又は(or)」は、そうではない旨が明示的に通知されていない限り又はそうではない旨が文脈によって通知されていない限り、排他的ではなく包含的である。従って、本明細書において、「A又はB」は、そうではない旨が明示的に通知されていない限り或いはそうではない旨が文脈によって通知されていない限り、「A、B、又は両方」を意味している。更には、「及び(and)」は、そうではない旨が明示的に通知されていない限り或いはそうではない旨が文脈によって通知されていない限り、共同的及び個別的の両方である。従って、本明細書において、「A及びB」は、そうではない旨が明示的に通知されていない限り或いはそうではない旨が文脈によって通知されていない限り、「共同的に又は個別的にA及びB」を意味している。
本開示の範囲は、当業者が理解することになる本明細書において記述又は図示されている例示用の実施形態に対するすべての変更、置換、変形、改変、及び改良を包含している。本開示の範囲は、本明細書において記述又は図示されている例示用の実施形態に限定されるものではない。更には、本開示は、本明細書において、特定のコンポーネント、要素、特徴、機能、動作、又はステップを含むものとして個々の実施形態を記述及び図示しているが、これらの実施形態の任意のものは、当業者が理解することになる本明細書の任意の場所において記述又は図示されているコンポーネント、要素、特徴、機能、動作、又はステップの任意のものの任意の組合せ又は順列を含むことができる。更には、特定の機能を実行するように適合された、準備された、能力を有する、構成された、可能にされた、動作可能である、或いは、動作自在である装置又はシステム或いは装置又はシステムのコンポーネントに対する添付の請求項における参照は、その装置、システム、又はコンポーネントがそのように適合される、準備される、能力を有する、構成される、可能にされる、動作可能である、或いは、動作自在である限り、それ又はその特定の機能が起動されているかどうか、ターンオンされているかどうか、或いは、アンロックされているかどうか、とは無関係に、その装置、システム、コンポーネントを包含している。これに加えて、本開示は、特定の実施形態を特定の利点を提供するものとして記述又は図示しているが、特定の実施形態は、これらの利点のいくつか、又はすべてを提供してもよく、或いは、これらのいずれをも提供しなくてもよい。
Claims (20)
- 方法であって、コンピュータシステムにより、
(i)環境内において走行している車両と関連する車両運転データ及び(ii)前記環境と関連する検出された環境データを受け取るステップと、
前記車両運転データに基づいて前記環境内において走行している前記車両の基準軌跡を生成するステップと、
前記検出された環境データに基づいて前記環境と関連する運転制約を判定するステップと、
前記運転制約に基づいて前記車両の軌跡を生成するステップであって、前記軌跡は、重み値を有するコスト関数と関連付けられている、ステップと、
前記基準軌跡と関連する少なくとも1つの対応するパラメータとの関係における前記軌跡と関連する少なくとも1つのパラメータの差を判定するステップと、
前記軌跡と関連する前記少なくとも1つのパラメータと前記基準軌跡と関連する前記少なくとも1つの対応するパラメータの間の前記差に基づいて前記軌跡の前記コスト関数と関連する前記重み値の1つ又は複数を調節するステップと、
を有する方法。 - 前記環境の前記運転制約は、観察運転制約又は予測運転制約の少なくとも1つを有し、前記観察制約は、基準時間モーメントとの関係における前記環境の実際の状態に対応しており、且つ、前記予測制約は、前記基準時間モーメントとの関係における将来の時間モーメントにおける前記環境の予測状態に対応している請求項1に記載の方法。
- 前記軌跡は、前記時間モーメントの前の第1時点に対応する前記観察運転制約及び前記基準時間モーメントの後の第2の時点に対応する前記環境の前記予測運転制約を有する前記運転制約に基づいて生成されている請求項2に記載の方法。
- 前記予測制約は、前記環境内のエージェントの予測軌跡、前記環境内のエージェントの予測位置、前記環境内のエージェントの予測運動方向、前記環境内のエージェントの予測速度、前記環境内の前記車両の予測軌跡、前記環境内の前記車両の予測位置、前記環境内の前記車両の予測運動方向、又は前記環境内の前記車両の予測速度の1つ又は複数を有する請求項3に記載の方法。
- 前記観察制約は、前記基準時間モーメントの前の前記第1時点に対応する第1観察制約及び前記基準時間モーメントの後の前記第2時点に対応する第2観察制約を有し、且つ、前記方法は、
前記基準時間モーメントの前の前記第1時点に対応する前記第1観察制約及び前記基準時間モーメントの後の前記第2時点に対応する前記第2観察制約に基づいて新しい軌跡を生成するステップと、
前記新しい軌跡を前記車両の前記軌跡と比較するステップと、
前記軌跡と前記新しい軌跡の間の比較に基づいて前記新しい軌跡と関連する前記重み値の1つ又は複数の重み値を調節するステップと、
を更に有する請求項3記載の方法。 - 前記環境の前記運転制約に基づいて複数の候補軌跡を生成するステップを更に有し、且つ、前記軌跡は、関連するコスト関数に基づいて前記複数の候補軌跡の1つから選択されている請求項1に記載の方法。
- 前記関連するコスト関数は、複数のコスト項と関連付けられており、且つ、それぞれのコスト項は、そのコスト項の相対的な重要性レベルを通知する重みと関連付けられている請求項6に記載の方法。
- 前記コスト関数の前記複数のコスト項は、最も近接した障害物までの距離、レーン境界までの距離、先行する車両までの距離、先行する車両との関係における相対速度、軌跡速度と速度限度の間の差、最大ジャーク、最大加速度、車両操舵角度、車両位置、又は車両軌跡の安全性及び快適性を表すファクタの1つ又は複数を有する請求項7に記載方法。
- 前記軌跡は、前記複数のコスト項及び個々の重み値に基づいた前記関連するコスト関数を使用して判定された軌跡評価メトリックに基づいて前記複数の候補軌跡から選択されている請求項6に記載の方法。
- 前記軌跡評価メトリックは、個々の重み値によって重み付けされる前記複数のコスト項の合計であり、且つ、前記関連するコスト関数は、合計関数である請求項6に記載の方法。
- 前記調節済みの1つ又は複数の重みを有する前記関連するコスト関数は、前記基準軌跡が最小の軌跡評価メトリック値を有するようにしている請求項6に記載の方法。
- 前記調節済みの1つ又は複数の重みを有する前記関連するコスト関数は、前記基準軌跡に最も類似した候補軌跡が前記複数の候補軌跡のうちで最小の軌跡評価メトリック値を有するようにしている請求項6に記載の方法。
- 前記調節済みの1つ又は複数の重みを有する前記関連するコスト関数は、前記基準軌跡の対応する特徴ベクトルの分布にマッチングした特徴ベクトルを有する候補軌跡が前記複数の候補軌跡のうちで最小の軌跡評価メトリック値を有するようにしている請求項6に記載の方法。
- 前記調節済みの1つ又は複数の重みを有する前記関連するコスト関数は、前記基準軌跡との関係における最小特徴差ベクトルを有する候補軌跡が前記複数の候補軌跡のうちで最小の軌跡評価メトリック値を有するようにしている請求項6に記載の方法。
- 前記1つ又は複数の重みは、前記環境の複数のシナリオに関連する前記車両運転データに基づいて勾配降下アルゴリズムを使用して調節されている請求項1に記載の方法。
- 前記車両運転データ及び前記調節済みの1つ又は複数の重みに基づいて複数の新しい軌跡を生成するステップと、
シミュレーションプラットフォーム又は車両試験プラットフォームを使用して前記複数の新しい軌跡に基づいて車両性能を評価するステップと、
前記車両性能が1つ又は複数の既定の基準を充足することに失敗している1つ又は複数の第1シナリオを識別するステップと、
を更に有する請求項15に記載の方法。 - 前記1つ又は複数の第1シナリオと関連する新しい車両運転データを収集するためにフィードバック情報をデータ収集モジュールに送信するステップと、
前記軌跡生成器の前記複数の重みの1つ又は複数の重みを更に調節するために前記1つ又は複数の第1シナリオと関連する前記新しい車両運転データを最適化パイプラインに供給するステップと、
を更に有する請求項16に記載の方法。 - 前記環境と関連する前記環境データに基づいて前記環境の時間に伴って集計されたスナップショットを生成するステップを更に有し、前記車両の前記軌跡は、前記環境の少なくとも1つの前記時間に伴って集計されたスナップショットに基づいている請求項1に記載の方法。
- ソフトウェアを格納した1つ又は複数の一時的ではないコンピュータ可読ストレージ媒体であって、前記ソフトウェアは、演算システムの1つ又は複数のプロセッサによって実行された際に、
(i)環境内において走行している車両と関連する車両運転データ及び(ii)前記環境と関連する検出された環境データを受け取り、
前記車両運転データに基づいて前記環境内において走行している前記車両の基準軌跡を生成し、
前記検出された環境データに基づいて前記環境と関連する運転制約を判定し、
前記運転制約に基づいて前記車両の軌跡を生成し、前記軌跡は、重み値を有するコスト関数と関連付けられており、
前記基準軌跡と関連する少なくとも1つの対応するパラメータとの関係における前記軌跡と関連する少なくとも1つのパラメータの差を判定し、且つ、
前記軌跡と関連する前記少なくとも1つのパラメータと前記基準軌跡と関連する前記少なくとも1つの対応するパラメータの間の前記差に基づいて前記軌跡の前記コスト関数と関連する前記重み値の1つ又は複数を調節する、
ように動作可能である、コンピュータ可読ストレージ媒体。 - システムであって、
命令を格納した1つ又は複数の一時的ではないコンピュータ可読ストレージ媒体と、
前記一時的ではないコンピュータ可読ストレージ媒体に結合された、且つ、
(i)環境内において走行している車両と関連する車両運転データ及び(ii)前記環境と関連する検出された環境データを受け取り、
前記車両運転データに基づいて前記環境内において走行している前記車両の基準軌跡を生成し、
前記検出された環境データに基づいて前記環境と関連する運転制約を判定し、
前記運転制約に基づいて前記車両の軌跡を生成し、前記軌跡は、重み値を有するコスト関数と関連付けられており、
前記基準軌跡と関連する少なくとも1つの対応するパラメータとの関係における前記軌跡と関連する少なくとも1つのパラメータの差を判定し、且つ、
前記軌跡と関連する前記少なくとも1つのパラメータと前記基準軌跡と関連する前記少なくとも1つの対応するパラメータの間の前記差に基づいて前記軌跡の前記コスト関数と関連する前記重み値の1つ又は複数を調節する、
ように前記命令を実行するように動作可能である1つ又は複数のプロセッサと、
を有するシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/915,901 US11458991B2 (en) | 2020-06-29 | 2020-06-29 | Systems and methods for optimizing trajectory planner based on human driving behaviors |
US16/915,901 | 2020-06-29 | ||
PCT/US2021/028777 WO2022005576A1 (en) | 2020-06-29 | 2021-04-23 | Systems and methods for optimizing trajectory planner based on human driving behaviors |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023533507A true JP2023533507A (ja) | 2023-08-03 |
Family
ID=79032324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022581593A Pending JP2023533507A (ja) | 2020-06-29 | 2021-04-23 | 人間の運転振る舞いに基づいて軌跡プランナを最適化するシステム及び方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11458991B2 (ja) |
EP (1) | EP4172022A1 (ja) |
JP (1) | JP2023533507A (ja) |
WO (1) | WO2022005576A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11731652B2 (en) * | 2020-12-15 | 2023-08-22 | Woven Planet North America, Inc. | Systems and methods for reactive agent simulation |
US20220250646A1 (en) * | 2021-02-11 | 2022-08-11 | Zoox, Inc. | Route-relative trajectory numerical integrator and controller using the same |
US20230192128A1 (en) * | 2021-12-21 | 2023-06-22 | Gm Cruise Holdings Llc | Hierarchical mode anchoring |
US20230227061A1 (en) * | 2022-01-14 | 2023-07-20 | Aurora Operations, Inc. | Systems and Methods for Pareto Domination-Based Learning |
US11999376B2 (en) * | 2022-02-01 | 2024-06-04 | Huawei Technologies Co., Ltd. | Systems, methods, and computer-readable media for spatio-temporal motion planning |
US11618460B1 (en) * | 2022-06-20 | 2023-04-04 | Plusai, Inc. | Predictive planning |
US11634133B1 (en) | 2022-06-20 | 2023-04-25 | Plusai, Inc. | Adaptive automatic preventative braking (APB) distance |
WO2024081742A1 (en) * | 2022-10-14 | 2024-04-18 | Motional Ad Llc | Systems and methods for autonomous driving based on human-driven data |
CN116524722B (zh) * | 2023-06-26 | 2023-10-13 | 浙江大学 | 面向混行交通流的车辆生态驾驶控制方法、电子设备 |
CN116923458B (zh) * | 2023-09-18 | 2023-12-01 | 宁波均联智行科技股份有限公司 | 一种车辆驾驶控制方法、装置及介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010101749A1 (en) * | 2009-03-05 | 2010-09-10 | Massachusetts Institute Of Technology | Predictive semi-autonomous vehicle navigation system |
JP6845083B2 (ja) | 2017-05-18 | 2021-03-17 | トヨタ自動車株式会社 | 運転支援装置 |
US10684134B2 (en) * | 2017-12-15 | 2020-06-16 | Waymo Llc | Using prediction models for scene difficulty in vehicle routing |
DE112019001421T5 (de) * | 2018-03-20 | 2021-02-18 | Mobileye Vision Technologies Ltd. | Systeme und verfahren zum navigieren eines fahrzeugs |
WO2020000192A1 (en) | 2018-06-26 | 2020-01-02 | Psa Automobiles Sa | Method for providing vehicle trajectory prediction |
US10553121B1 (en) * | 2018-09-17 | 2020-02-04 | The Boeing Company | Detecting violation of aircraft separation requirements |
US11110918B2 (en) * | 2018-11-02 | 2021-09-07 | Zoox, Inc. | Dynamic collision checking |
US11208096B2 (en) * | 2018-11-02 | 2021-12-28 | Zoox, Inc. | Cost scaling in trajectory generation |
US11231717B2 (en) * | 2018-11-08 | 2022-01-25 | Baidu Usa Llc | Auto-tuning motion planning system for autonomous vehicles |
-
2020
- 2020-06-29 US US16/915,901 patent/US11458991B2/en active Active
-
2021
- 2021-04-23 WO PCT/US2021/028777 patent/WO2022005576A1/en unknown
- 2021-04-23 JP JP2022581593A patent/JP2023533507A/ja active Pending
- 2021-04-23 EP EP21832511.6A patent/EP4172022A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US11458991B2 (en) | 2022-10-04 |
WO2022005576A1 (en) | 2022-01-06 |
EP4172022A1 (en) | 2023-05-03 |
US20210403034A1 (en) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023533507A (ja) | 人間の運転振る舞いに基づいて軌跡プランナを最適化するシステム及び方法 | |
JP7399164B2 (ja) | 駐車スペース検出に適したスキューされたポリゴンを使用した物体検出 | |
US11676364B2 (en) | Real-time detection of lanes and boundaries by autonomous vehicles | |
JP6832421B2 (ja) | シミュレーションに基づく自動運転車の感知要求の評価方法 | |
JP2023507695A (ja) | 自律運転アプリケーションのための3次元交差点構造予測 | |
JP7239703B2 (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
JP2023531330A (ja) | マシン学習を使用した自律マシン・アプリケーションのためのセンサ融合 | |
JP2023514905A (ja) | 自律型車両のためのビヘイビア・プランニング | |
JP2023503729A (ja) | 自律運転アプリケーションのための曲線適合を使用するランドマーク検出 | |
JP2023510136A (ja) | 知覚、予測又は計画のための地理的位置特定モデル | |
CN111971574A (zh) | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 | |
CN111771141A (zh) | 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位 | |
JP2023548721A (ja) | 自律システム及びアプリケーションにおけるビヘイビア予測のためのモデルベースの強化学習 | |
CN111771135A (zh) | 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位 | |
US11269341B2 (en) | Systems and methods for automated trajectory prediction | |
US11816900B2 (en) | Approaches for encoding environmental information | |
US20210124355A1 (en) | Approaches for encoding environmental information | |
US20220028262A1 (en) | Systems and methods for generating source-agnostic trajectories | |
CN116048060A (zh) | 用于自主***和应用的使用神经网络基于真实世界数据的3d表面结构估计 | |
JP2023051713A (ja) | 自律マシン・アプリケーションにおける深層学習を使用する視認距離推定 | |
US11682124B2 (en) | Systems and methods for transferring map data between different maps | |
CN114787894A (zh) | 感知误差模型 | |
JP2023066377A (ja) | 自律システム及びアプリケーションのための人工知能を使用した点群高密度化を有する3d表面再構成 | |
JP2022117916A (ja) | 自律マシン・アプリケーションのための配備されたディープ・ニューラル・ネットワークのパッチ | |
US20230196787A1 (en) | Estimating object uncertainty using a pre-non-maximum suppression ensemble |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240507 |