用于自动驾驶的基于预测和反应视场的计划的制作方法

[0001]
本主题公开涉及用于自动驾驶的基于预测和反应视场的计划。


背景技术：

[0002]
车辆的自动驾驶操作依赖于一种或多种类型的传感器来检测和监视车辆及其环境。示例性车辆包括汽车、卡车、摩托车、建筑设备、农场设备、自动化工厂设备。示例性传感器包括光检测和测距(激光)系统、无线电检测和测距(雷达)系统以及相机。大多数传感器都具有与其相关的标称视场(fov)，并且传感器在其各自的fov内检测对象或获取图像。考虑自动驾驶车辆的一个或多个传感器的标称视场以计划车辆的未来轨迹。例如，为从给定起点到给定目的地的行驶开发了静态路线计划。然后，在行驶过程中使用该路线计划以及来自传感器的标称fov的检测数据来生成动态轨迹，该轨迹指示车辆的路径点和速度。但是，由于遮挡，给定传感器的标称fov可能会降低。遮挡(occlusion)可能是静态的(例如建筑物，灌木丛)，也可能是动态的(例如当前路径中的其他车辆)。因此，期望提供用于自动驾驶的基于预测和反应视场的计划。


技术实现要素：

[0003]
在一个示例性实施例中，一种控制自动驾驶车辆从起点到目的地行驶的方法，包括使用地图确定起点和目的地之间的路线。该方法还包括通过优化第一成本函数来确定沿路线的初始路径，第一成本函数包括沿该路线在第一组位置处的静态成本构成(component)，以及沿着该路线在第一组位置中的每个位置处的静态成本构成对应于由在该地图上指示的位置处的一个或多个静态障碍物引起的自动驾驶车辆的一个或多个传感器的视场的改变。该方法还包括控制自动驾驶车辆以开始沿着初始路径的路线上的行驶。
[0004]
除了本文描述的一个或多个特征之外，该方法还包括在行驶期间实时动态地修改初始路径。
[0005]
除了本文描述的一个或多个特征之外，修改初始路径还包括实时优化第二成本函数。
[0006]
除了本文描述的一个或多个特征之外，优化第二成本函数包括在沿路线的第二组位置处使用动态成本构成，在沿着该路线的第二组位置处中的每个位置处的动态成本构成对应于由在该位置处的一个或多个静态和动态障碍物引起的自动驾驶车辆的一个或多个传感器的视场的改变，其中动态障碍物包括其他车辆。
[0007]
除了本文所述的一个或多个特征之外，第二组位置和第一组位置具有一个或多个共同的位置。
[0008]
除了本文所述的一个或多个特征之外，该方法还包括确定在第二组位置的每个处的两个或多个网格点处的自动驾驶车辆的一个或多个传感器的视场的变化。
[0009]
除了本文描述的一个或多个特征之外，该方法还包括估计两个或多个网格点中的每个网格点处的遮挡度，并提供在第二组位置处在两个或更多个网格点中的每个网格点处
的遮挡度作为动态成本构成。估计遮挡度包括获得谐波平均值。
[0010]
除了本文描述的一个或多个特征之外，优化第一成本函数和优化第二成本函数包括执行算法成本最小化过程。
[0011]
除了本文所述的一个或多个特征之外，该方法还包括确定在第一组位置的每个处在两个或更多个网格点处的自动驾驶车辆的一个或多个传感器的视场的变化。
[0012]
除了本文所述的一个或多个特征之外，该方法还包括估计在两个或更多个网格点中的每个网格点处的遮挡度，并提供在第一组位置的每个处在两个或更多个网格点中的每个网格点处的遮挡度作为静态成本构成。估计遮挡度包括获得谐波平均值。
[0013]
在另一个示例性实施例中，一种控制自动驾驶车辆从起点到目的地行驶的系统包括存储器装置，用于存储地图；以及控制器，用于确定起点与目的地之间的路线。控制器还通过优化第一成本函数来确定沿路线的初始路径，该第一成本函数包括在沿该路线的第一组位置处的静态成本构成，以及在沿着该路线的第一组位置中的每个位置处的静态成本构成对应于由在地图上指示的位置处的一个或多个静态障碍物引起的自动驾驶车辆的一个或多个传感器的视场的改变。控制器进一步控制自动驾驶车辆以沿着初始路径在该路线上开始行驶。
[0014]
除了本文描述的一个或多个特征之外，控制器在行驶期间实时地动态地修改初始路径。
[0015]
除了本文描述的一个或多个特征之外，控制器通过实时优化第二成本函数来修改初始路径。
[0016]
除了本文所述的一个或多个特征之外，控制器还通过使用在沿该路线的第二组位置处的动态成本构成来优化第二成本函数，在沿着该路线的第二组位置中的每个位置处的动态成本构成对应于由在该位置处的一个或多个静态和动态障碍物引起的自动驾驶车辆的一个或多个传感器的视场的改变，动态障碍物包括其他车辆。
[0017]
除了本文所述的一个或多个特征之外，第二组位置和第一组位置具有一个或多个共同的位置。
[0018]
除了本文所述的一个或多个特征之外，控制器确定在第二组位置中的每个位置处在两个或更多个网格点处的自动驾驶车辆的一个或多个传感器的视场的变化。
[0019]
除了本文描述的一个或多个特征之外，控制器估计两个或更多个网格点中的每个网格点处的遮挡度，并提供在第二组位置的每个处在两个或更多个网格点处的每个网格点处的遮挡度作为动态成本构成，并且估计遮挡度包括获得谐波均值。
[0020]
除了本文所述的一个或多个特征之外，控制器通过执行算法成本最小化过程来优化第一成本函数并优化第二成本函数。
[0021]
除了本文所述的一个或多个特征之外，控制器确定在第一组位置中的每个处在两个或更多个网格点处的自动驾驶车辆的一个或多个传感器的视场的变化。
[0022]
除了本文描述的一个或多个特征之外，控制器估计在两个或更多个网格点中的每个网格点处的遮挡度，并提供在第一组位置中的每个处在两个或更多个网格点中的每个网格点处的遮挡度作为静态成本构成，以及估计遮挡度包括获得谐波均值。
[0023]
当结合附图考虑时，从以下详细描述，本公开的以上特征和优点以及其他特征和优点将显而易见。
附图说明
[0024]
在下面的详细描述中，仅以示例的方式出现其他特征、优点和细节，该详细描述参考附图，在附图中：
[0025]
图1是根据一个或多个实施例的实现用于自动驾驶的基于预测和反应视场的计划的车辆的框图；
[0026]
图2是根据一个或多个实施例的用于使用基于预测和反应视场的计划来执行自动驾驶的示例性地图；
[0027]
图3是根据一个或多个实施例的使用基于预测和反应视场的计划进行自动驾驶的方法的处理流程；
[0028]
图4示出了根据一个或多个实施例的基于预测视场的计划的各方面；
[0029]
图5示出了根据一个或多个实施例的作为基于预测视场的计划的一部分的用于网格点的遮挡度(doo)的估计；
[0030]
图6是在图3所示的方法中进一步详细描述基于反应视场的计划的各方面的方法的处理流程；和
[0031]
图7图示了根据一个或多个实施例的作为基于反应视场的计划的一部分的用于网格点的doo的估计。
具体实施方式
[0032]
以下描述本质上仅是示例性的，并且不意图限制本公开、其应用或用途。应当理解，在所有附图中，相应的附图标记表示相同或相应的部件和特征。
[0033]
如前所述的，自动驾驶涉及计划自动驾驶车辆将采用的静态路线以及定义沿该路线的特定路径点和速度的动态轨迹。静态路线提供从起点到目的地的车道级路径，而无需考虑是否存在任何其他车辆。然后在行驶过程中修改此静态路线，以使用实时轨迹计划器考虑道路上的动态对象。静态和动态计划都使用地图来指示道路、道路上允许的行驶方向、车道线以及其他有助于在起点和目的地之间自动穿越的信息。例如，路线计划可以指示将用于到达指定目的地的车道以及沿着路线的每个部分的速度。轨迹计划可以指定自动驾驶车辆沿路线的更详细的位置和速度(例如，在车道线之间居中，在车道的右侧)。通常，具有几个成本构成的成本函数被优化以确定轨迹计划(例如，路径、速度)。示例性成本构成可以是到其他车辆的距离。即，随着与其他车辆的距离减小，成本增加。因此，可以基于优化成本函数来确定中心车道的中心或右侧车道的右侧的路径。
[0034]
成本函数可以使用许多其他成本构成来优化路径和沿到达目的地的路线的车辆操作。另外，成本函数可用于在两个不同阶段优化路径。在穿越路线之前，可以通过基于地图信息优化成本函数来调整标称路径点(即，路线中车道的中心线)。在穿越路线期间，例如，可以基于事件或特定位置通过周期性地或以不规则的间隔优化成本函数来实时更新初始路线计划。
[0035]
本文详细描述的系统和方法的实施例将有效视场(efov)作为成本构成(组件,组成部分)添加到成本函数中，以提供用于自动驾驶的预基于测性和反应视场的计划。基于预测视场的计划是指在穿越路径之前将efov视为成本函数分析的一部分。基于反应视场的计划是指在路径穿越期间将efov视为成本函数分析的一部分。通过考虑沿地图路线指示的静
态障碍物(例如，建筑物、广告牌、围栏、交叉路口几何形状)来执行基于预测视场的计划。通过考虑沿路线遇到的静态和动态障碍物(例如，其他车辆、行人)，在沿路线行驶期间动态执行基于反应视场的计划。
[0036]
通常，根据一个或多个实施例，在基于预测视场的计划(即，行驶前的路线计划)和基于反应视场的计划(即，行驶期间轨迹计划)，成本优化目标之一就是使efov最大化(即，使自动驾驶车辆传感器的遮挡最小化)。根据一个或多个实施例，基于预测和反应视场的计划都使用遮挡度(doo)的估计作为引入成本优化过程中的成本构成。doo，特别是doo的减少，与efov的增加相对应。因此，如本文所详细获得的doo的估计代表成本函数中的efov。
[0037]
根据示例性实施例，图1是车辆100的框图，该车辆实施用于自动驾驶的基于预测和反应视场的计划。图1所示的示例性车辆100是汽车101。车辆100包括传感器110a至110n(通常称为110)。示例性传感器110包括一个或多个雷达系统、激光雷达系统和相机。基于其类型和其围绕车辆100的位置，每个传感器110具有已知的不同标称fov。本文中对fov或efov的参考考虑了车辆100的整个传感器110的套件。即，即使车辆100的传感器110之一的视图被遮挡，如果一个或多个其他传感器110的视图没有被遮挡，efov也不会从标称fov减小。考虑车辆100的一组传感器110的fov和efov。
[0038]
车辆100还包括控制器120。控制器120可基于来自传感器110的信息来控制车辆100的操作的一个或多个方面。根据一个或多个示例性实施例，控制器120执行基于预测视场计划以在车辆100开始沿路线210行驶之前，确定沿路线210(图2)的初始路径420(图4)。然后，控制器120在沿路线210的行程期间实时地对初始路径420进行修改，作为基于反应视场的计划的一部分。如前所述的，例如，初始路径420可以沿着路线中的车道的中心线。控制器120还可包括促进通信的组件。例如，车辆100可以与图1所示的另一车辆140、卡车145执行车辆到车辆(v2v)的通信，或者与图1中所示的灯柱150内的通信电路进行车辆到基础设施(v2i)或车辆到所有的(v2x)的通信。通信可以是直接的或经由云服务器130，如所示的。除了通信组件之外，控制器120可以包括处理电路，该处理电路可以包括专用集成电路(asic)、电子电路、处理器(共享的、专用的或成组的)以及执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适的组件。如本文中详细描述的，根据一个或多个实施例，控制器120实施用于自动驾驶的基于预测和反应视场的计划。
[0039]
图2是根据一个或多个实施例的用于使用基于预测和反应视场的计划来执行自动驾驶的示例性地图200。地图200用于例示传达的信息的类型，而不是图示和限制由控制器120用于计划路线210或识别静态障碍物220的地图的定义或实际外观。指示从起点o到目的地d的路线210。图2中所示的示例性静态障碍物220包括路灯柱150、树篱225、建筑物230、树235和围栏240。一旦确定了路线210，则执行基于预测视场计划以基于地图中的静态障碍物220来确定沿路线210的特定初始路径420(图4)。然后，在行驶期间，考虑到动态障碍物(例如，其他车辆140)，实时地执行基于反应视场的计划，以修改沿路线210的初始路径420。
[0040]
如前所述的，轨迹计划包括优化成本函数。即，考虑了一组成本构成，并且实现了成本函数最小化的已知过程。示例性成本构成可包括车道保持(即，成本随着车辆100离开车道430而增加(图4))，以及在实时轨迹计划中，到其他车辆140的距离(即，成本随着车辆100越来越靠近其他车辆140而增加)。根据本发明的一个或多个实施例，基于预测视场的计划包括提供由静态障碍物220产生的doo的估计，作为用于确定初始路径420的成本构成之
一。根据本发明的一个或多个实施例，基于反应视场的计划包括提供由静态障碍物220和动态障碍物(即，其他车辆140)产生的实时的doo的估计，作为确定对初始路径420的修改的成本构成之一。
[0041]
图3是根据一个或多个实施例的使用基于预测和反应视场的计划来执行自动驾驶的方法300的处理流程。在框310处，确定到目的地的路线210是指控制器120使用地图200来绘制车辆100的起始位置与目的地d之间的线路。在框320处，优化成本函数是指使总成本最小化的算法方法。在路径选择的相关上下文中，优化成本函数是指确定与两条或更多条路径相关的成本，并在这两条或更多条路径中选择与最小成本相关的路径。每个路径由两个或多个位置(例如，网格点405(图4))定义，与该路径相关联的成本是指与构成该路径的每个位置相关联的成本之和。与每个位置相关的成本是该成本构成在该位置的之和。
[0042]
在框325处，根据一个或多个实施例，为了执行基于预测视场的计划，该过程包括基于地图200上指示的静态障碍物220估计沿路线210的感兴趣位置处的doo。将参考图4和图5进一步讨论。如所注意到的，在框320处，在感兴趣的第一位置处的doo估计(在框325处估计的)被提供为用于成本函数的优化的成本构成。即，尽管可以在沿路线210的任何数量的位置执行成本函数的优化(在框320处)，但是基于静态障碍物220(在框325处)的doo的估计可以在这些位置的子组处(出于解释目的称为第一感兴趣位置)执行。框320处的优化导致在框330处产生初始路径420(图4)。基于初始路径420，该过程包括在框340处开始行程。
[0043]
在行程期间，所述过程包括在框350处实时优化成本函数。作为基于反应视场的计划的一部分，成本函数包括从框355获得的第二感兴趣位置的成本构成。在框355处，该过程包括基于静态障碍物220和诸如其他车辆140的动态障碍物来估计感兴趣位置处的doo。这将参考图6和图7进一步讨论。如注意到的，在框350处，在第二感兴趣位置处的doo估计值(在框355处估计的)被提供作为用于成本函数的优化的成本构成。即，尽管可以在沿着路线210的任何数量的位置处执行成本函数的优化(在框350处)，但是基于静态障碍物220和动态障碍物(例如其他车辆140)的doo估计(在框325处)可以在这些位置的子组(出于解释目的被称为第二感兴趣位置)处执行。
[0044]
对沿路线210的所有感兴趣位置处的成本函数的优化(在框320处)，其可以包括指示作为基于预测视场的计划的一部分的在第一感兴趣位置处的doo的估计值的成本构成(在框325处)被一起执行，用于该整个路线210。这导致在车辆100穿越路线210之前确定初始路径420。但是，随着车辆100接近每个感兴趣的位置，在沿着路线210的所有感兴趣位置处的成本函数(在框350)的优化，其可以包括指示作为基于反应视场的计划的在第二感兴趣位置处的doo的估计的成本构成，是逐段实时执行的。第一感兴趣的位置和第二感兴趣的位置可以是不同的、相同的或可以重叠的。基于优化的成本函数，在框350处，沿路线210的给定位置处的初始路径420的修改可以在框360处实时地执行。在框370处，到达目的地d，结束方法300的处理流程。
[0045]
图4示出了根据一个或多个实施例的基于预测视场的计划的各方面。示例性交叉路口410被示为用于框325处的处理的第一感兴趣位置之一(图3)。示出的车道430被双车道线435分开。该交叉路口410可以是用于计划和执行车辆100的行程的地图200的一部分。图4中所示的静态障碍物220包括墙壁425、建筑物230、围栏240和路灯柱150。网格点405指示车辆100的不同位置，考虑这些位置以便提供从框325到框320的成本构成(图3)以优化成本函
数。具体地，在每个网格点405处，确定efov。由于静态障碍物220，efov可以是从标称fov减小的fov。该efov用于估计doo，如参考图5所详述的。
[0046]
一旦估计了与每个网格点405相对应的doo，就可以将网格点405的位置和相对应的doo作为成本构成来提供(从框325到框320)。在框320处发生的成本函数最小化考虑了与每个网格点405处的doo相关的成本构成(来自框325)，以及其他成本构成，例如与初始路径420的偏离，转向成本(即，跟随一组网格点405需要多少转向)。成本函数的优化结果是初始路径420，如图4所示。初始路径420由特定的一组网格点405组成，这导致在考虑的成组网格点405中具有最小的成本。如前注意到的，doo估计(在框325处)可能不是在成本函数针对其优化的每个位置处都感兴趣(在框320处)。因此，尽管在第一感兴趣位置(例如，交叉路口410)处提供了不同网格点405处的doo估计，但是在其他位置处，成本函数可能不包括传达efov的成本构成。同样如前所述的，沿路线210的初始路径420的确定是在由车辆100沿路线210开始行驶之前，在第一感兴趣位置和其他任何感兴趣的位置(其不包括doo估计作为成本构成)确定的。
[0047]
图5图示了根据一个或多个实施例的作为基于预测视场的计划的一部分的对网格点405的doo的估计。在图5中示出了在图4中所示的网格点中的一个示例性网格点405。该网格点405表示车辆100的一个可能的位置(例如，前方的中心的位置)。示出了车辆100的传感器110(图1)的标称fov 510。由于墙壁425起到从网格点405的位置起的静态障碍物220的作用，因此efov 520(也已指示)从fov 510减小了。围栏240和灯柱150被定位成不影响在网格点405的位置处的标称fov510。基于efov 520，确定距离x1、x2和x3。这些距离x1、x2或x3中的每一个都是从地图200上的指定相交点505到efov 520的最接近边界的距离。
[0048]
仅使用与为车辆100绘制的路线201相关的交叉点505。例如，假设在道路的右侧驾驶是合法的，则x1、x2和x3都与车道430有关，在该车道430处或从该车道430会发生车辆140与车辆100的可能的碰撞。然而，交叉点505x表示车道430，在该车道430中任何车辆140应远离由网格点405所表示的车辆100行驶。对于表示以秒为单位的计划范围t的时间段(例如5-6秒)，与图5所示的示例性网格点405相对应的doo可以使用谐波均值估计为：
[0049][0050]
在等式1中，v1、v2和v3是相应车道430中的标称速度。在地图200中列出了这些标称速度(例如，速度极限)。如图5所示，v1和v2可以是相同的值，因为它们涉及相同的行驶车道430。如前所述的，根据等式1，针对第一感兴趣位置中的给定感兴趣位置处的每个网格点405确定doo估算值(在图3的框325处)。网格点405和相应的doo估计值被提供作为在框320(图3)处用于成本函数最小化的成本构成之一，以便获得初始路径420(在框330处，图3)。
[0051]
图6是方法600的处理流程，其进一步详细说明了图3所示的方法300中基于反应视场的计划的各个方面。在框340处，开始行程是指车辆100沿着初始路径420(图4)。在框330(图3)处部分地基于基于预测视场的计划来生成该初始路径420，该计划使用了由静态障碍物220产生的doo的估计，如参考图4和图5所详细描述的。当车辆100接近每个感兴趣的位置时，重复图6所示的处理流程。感兴趣的位置可以是例如车辆100将要转弯的交叉路口410(图4)或实时场景由于建筑而与地图200不同的区域。通常，感兴趣的位置是任何成本构成都可能与生成初始路径420时所考虑的位置(在图3的框320处)已经改变的位置。
[0052]
在框610处，检查车辆100正在接近的感兴趣位置是否也是第二感兴趣位置。如前所述的，出于解释目的，第二感兴趣位置是对需要基于反应视场的计划的位置的参考。也就是说，在框610处的检查确定由于诸如其他车辆140的动态障碍物，与doo相关联的成本构成是否可能已经与所提供的成本构成(来自图3的框325)有所改变。如果感兴趣的位置也不是第二感兴趣位置，则以不包括任何doo估计的成本构成执行成本函数优化(在图3的框350处)。
[0053]
如果感兴趣的位置也是第二感兴趣的位置，根据框610处的检查，则进行类似于参考图4和5所述的处理流程，除了诸如在确定efov时还考虑了其他车辆140之外，这随后影响了doo估计。在框620处，选择网格点405(图4)是指在第二感兴趣位置处为车辆100选择两个或更多个替代未来位置之一。在框630处，针对所选网格点405计算doo涉及使用等式1。参照图7对此进行驶一步讨论。在框640处，检查当前网格点405是否为最后一个网格点(即，所有其他网格点405已被处理)。如果当前网格点405不是最后一个网格点，则在框620处执行从选择另一个网格点405开始的另一迭代。如果当前网格点405是最后一个网格点，则在框650处提供网格点405和相应的doo值作为成本构成，以在框350处进行成本函数优化。除了参照基于预测视场的计划所讨论的那些以外，其他示例性成本构成包括与其他车辆140的接近度。如所示的，框620至650处的过程详述了框355处的doo估计。
[0054]
图7示出了根据一个或多个实施例的、作为基于反应视场的计划的一部分的、针对网格点405的doo的估计。如图5与图7的比较所示，efov 710与efov 520不同。这是因为在沿路线210行驶期间实时确定的efov 701考虑了动态障碍物，例如其他车辆140，而不仅仅是标称fov 510内的静态障碍物220。基于其他车辆140的位置和生成的efov 710，在图7所示的场景中，距离x1小于图5所示的距离。由此，根据等式1计算的doo高于参考图5讨论的doo。如前所述的，针对代表车辆100可在特定的第二感兴趣位置处沿路线210行驶的每个位置的每个网格点405进行该doo估计。提供网格点405和相应的doo估计作为用于成本函数优化的成本构成(在框350处)。成本函数优化的结果(在框350处)可以是在第二感兴趣位置处的初始路径420的修改。
[0055]
尽管已经参考示例性实施例描述了以上公开，但是本领域技术人员将理解，在不脱离本发明范围的情况下，可以进行各种改变并且可以用等同物替代其要素。另外，在不脱离本公开的实质范围的情况下，可以做出许多修改以使特定情况或材料适应本公开的教导。因此，意图是本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。