【技術實現步驟摘要】
本公開涉及在行駛期間確定車輛的可行駛路徑的計算機實現的方法、裝置、車輛、系統和計算機程序。
技術介紹
1、現今，車輛(小汽車、摩托車、船舶、機器人等)經常使用車輛輔助系統(例如，高級駕駛輔助系統(adas))來操作以向駕駛員提供一定程度的駕駛輔助。另外，車輛輔助系統還能夠半自主地或甚至完全自主地控制車輛。這要求車輛助手系統具有關于其周圍環境的足夠知識(特別是關于諸如其他車輛、行人、護欄等障礙物的足夠知識)，以避免碰撞并允許車輛安全地通過其周圍環境。通常，傳感器用于獲得所需的數據以確定對象，對車輛環境中的周邊區域進行分類以及確定車輛的可行駛路徑或區域。
2、然而，諸如基于雷達或基于激光雷達的系統的傳感器可能將車輛周圍的對象報告為誤報。例如，在交通情形中，道路中的裂縫和隆起通常被確定為可能導致與車輛碰撞的較大對象，并且可行駛路徑將被相應地確定，從而避免所聲稱的較大對象。基于這種誤報確定的錯誤警告或速度降低對于駕駛員可能是不方便的。事實上，錯誤的確定甚至可能導致交通環境中的危險情況。例如，在車輛的半自主或完全自主控制中，如果基于道路中的裂縫調整可行駛路徑，則車輛的突然轉向操縱或制動可能導致與未針對這種行為做好準備的其他車輛的碰撞。因此，希望提供一種可靠地避免錯誤檢測的方法。
3、在ep?3929824a2中，公開了使用神經網絡架構來估計預測不確定性度量的技術，該預測不確定性度量將對深度神經網絡(dnn)結果有多大信任進行了量化。所述技術包括測量神經網絡的可靠的不確定性分數，所述可靠的不確定性分數被廣泛用于自動駕
4、在us10803328b1中，提供了用于檢測對象的系統和方法。在一個示例中，一種計算機實現的方法包括從被配置成生成傳感器數據的一個或更多個傳感器接收傳感器數據。該方法包括將傳感器數據輸入到機器學習模型，該機器學習模型針對傳感器數據的多個部分中的每一個部分生成類預測(class?prediction)和實例預測(instance?prediction)。實例預測包括基于到至少一個對象邊界的距離的能量值。機器學習模型可以被訓練以生成表示至少一個對象邊界的公共能量值。該方法包括生成對應于傳感器數據的多個部分中的每一個部分的實例預測和類預測作為機器學習模型的輸出。該方法包括至少部分地基于實例預測和類預測生成一個或更多個對象分段。
5、雖然上述現有技術方法提供了降低誤報可能性的手段，但是這些方法依賴于傳感器數據的可靠性和相應的機器學習算法。因此，這些方法不能解決初始傳感器數據不可靠的問題。此外，執行上述附加處理的處理能力相對較高。此外，現有技術中已知的方法沒有考慮到許多駕駛員有規律地駛過相同的路線的事實，例如，通勤并因此經常通過隆起和裂縫(以及可能導致誤檢測的其他種類的對象)。因此，可能發生本領域中已知的方法在第一行駛期間將對象分類為能夠駛過(overdrivable)的而在第二行駛期間將其分類為不能駛過的。此外，如果對象已經被可靠地識別為能夠駛過的，則在進一步通過期間再次對其進行分類是麻煩且易于出錯的。
6、針對該背景，本專利技術的目的是提供一種改進的確定車輛在行駛期間的可行駛路徑的方法。
技術實現思路
1、在一方面，一種在行駛期間確定車輛的可行駛路徑的計算機實現的方法包括以下步驟：獲得表示與地理位置相關聯的感知到的障礙物的傳感器數據；從數據存儲裝置取回與感知到的障礙物相關聯的數據，所述數據包括置信度分數；以及如果所述置信度分數高于閾值，則將感知到的障礙物確定為所述車輛能夠駛過的。
2、通過以上方法，可以檢測和忽略障礙物的誤檢測。例如，傳感器數據可以表示感知到的障礙物(例如，不能駛過的靜態障礙物)具有表示其是車輛不能駛過的尺寸或結構，但是該障礙物實際上是能夠駛過的。在這樣的示例中，從存儲裝置取回的數據可以借助于例如在前一次經過期間確定的置信度分數來表示感知到的障礙物(例如由障礙物占據的區域)可以被認為是車輛的可行駛路徑。因此，該方法受益于在先前行駛期間收集到的關于感知到的障礙物的知識，并且可以使用該知識來防止誤檢測。
3、在另一方面，該方法包括以下步驟：如果感知到的障礙物是能夠駛過的和/或如果所獲得的傳感器數據表示感知到的障礙物是能夠駛過的，則增加數據存儲裝置中的置信度分數。
4、當車輛駛過感知到的障礙物時，如果障礙物只是道路中的隆起或裂縫，則可能發生這種情況，置信度分數被增加以表示障礙物實際上是能夠駛過的事實。類似地，當傳感器數據允許得出感知到的障礙物能夠被駛過的結論時，可以增加置信度分數。因此，可以在每次車輛經過或駛過感知到的障礙物時增加置信度分數。由此，可以得知障礙物實際上是能夠駛過的。因此，如果車輛在另一行駛或經過期間再次遇到感知到的障礙物，則車輛可基于置信度分數來確定感知到的障礙物實際上是能夠駛過的，并且因此可將障礙物的位置包括在其路徑規劃中。
5、在另一方面，該方法包括以下步驟：如果所述置信度分數低于所述閾值，則將感知到的障礙物確定為所述車輛不能駛過的。
6、如果獲得表示障礙物的傳感器數據并且相應的置信度分數低于閾值，則認為該障礙物是不能駛過的。換句話說，如果置信度分數太低，則可能不允許解決或防止誤檢測。閾值可以是低的，因為障礙物既沒有先前被駛過，也沒有允許傳感器數據得出感知到的障礙物可能被駛過的可靠結論。如果置信度分數低，則障礙物被認為是不能駛過的，從而防止錯誤地確定為能夠駛過的。
7、在另一方面，所述方法包括基于所述傳感器數據來確定感知到的障礙物的一個或更多個特征，其中，所述一個或更多個特征包括以下中的至少一項：感知到的障礙物的類型；感知到的障礙物的形狀；感知到的障礙物的尺寸；車輛與感知到的障礙物之間的距離；感知到的障礙物的高度；和/或感知到的障礙物的地理位置。
8、在另一方面，該方法還包括在數據存儲裝置中存儲或更新所確定的感知到的障礙物的一個或更多個特征。
9、確定感知到的障礙物的上述特征中的一個或更多個特征允許更精確地確定障礙物實際上是否是能夠駛過的。
10、在另一方面，感知到的障礙物的地理位置是優選地根據全球導航衛星信息和/或通過使用基于雷達的定位，基于車輛的當前地理位置來確定的。
11、確定和存儲特征，特別是地理位置，可以允許識別存儲在數據存儲裝置中的障礙物的特征和置信度分數。因此，地理位置可充當允許識別與感知到的障礙物相關聯的數據存儲裝置中的數據的關鍵。換言之，如果在前一行駛期間已經檢測到障礙物并且已經指派了置信度分數，則在下一次經過期間，可以使用車輛的地理位置來搜索數據存儲裝置，并且確定在前一行駛期間創建的感知到的障礙物的數據(包括置信度分數)是否已經存在。這便于從數據存儲裝置取回與感知到的障礙物相關聯的其他特征和/或置信度分數。
12、可以基于諸如gps、galileo或gl本文檔來自技高網...
【技術保護點】
1.一種在行駛期間確定車輛的可行駛路徑的計算機實現的方法，該方法包括以下步驟：
2.根據權利要求1所述的方法，所述方法還包括以下步驟：
3.根據權利要求1或2所述的方法，所述方法還包括以下步驟：
4.根據權利要求1至3中任一項所述的方法，所述方法還包括以下步驟：
5.根據權利要求4所述的方法，所述方法還包括以下步驟：
6.根據權利要求4或5所述的方法，其中，所述感知到的障礙物的所述地理位置是優選地根據全球導航衛星信息和/或通過使用基于雷達的定位，基于所述車輛的當前地理位置確定的。
7.根據權利要求4至6中任一項所述的方法，所述方法還包括以下步驟：
8.根據權利要求7所述的方法，其中，確定所述可行駛路徑的步驟是基于可行駛通過預測器的。
9.根據權利要求1至8中任一項所述的方法，其中，所述數據存儲裝置是所述車輛的內部存儲裝置和/或能夠由所述車輛訪問的遠程存儲裝置，所述遠程存儲裝置優選為云存儲。
10.根據權利要求1至9中任一項所述的方法，其中，獲得傳感器數據的步驟包括使用對象檢
11.根據權利要求1至10中任一項所述的方法，所述方法還包括以下步驟：
12.一種包括被配置為執行根據權利要求1至11中任一項所述的方法的裝置的設備。
13.一種存儲包含指令的計算機程序的非暫時性計算機可讀存儲介質，當所述指令由計算系統執行時，所述指令使所述計算系統執行根據權利要求1至11中任一項所述的方法。
14.一種包括根據權利要求12所述的設備的車輛。
15.一種包括一個或更多個根據權利要求12所述的設備或一個或更多個根據權利要求14所述的車輛的系統，所述系統還包括能夠由一個或更多個根據權利要求14所述的車輛訪問的遠程存儲裝置，所述遠程存儲裝置優選為云存儲。
...【技術特征摘要】
1.一種在行駛期間確定車輛的可行駛路徑的計算機實現的方法，該方法包括以下步驟：
2.根據權利要求1所述的方法，所述方法還包括以下步驟：
3.根據權利要求1或2所述的方法，所述方法還包括以下步驟：
4.根據權利要求1至3中任一項所述的方法，所述方法還包括以下步驟：
5.根據權利要求4所述的方法，所述方法還包括以下步驟：
6.根據權利要求4或5所述的方法，其中，所述感知到的障礙物的所述地理位置是優選地根據全球導航衛星信息和/或通過使用基于雷達的定位，基于所述車輛的當前地理位置確定的。
7.根據權利要求4至6中任一項所述的方法，所述方法還包括以下步驟：
8.根據權利要求7所述的方法，其中，確定所述可行駛路徑的步驟是基于可行駛通過預測器的。
9.根據權利要求1至8中任一項所述的方法，其中，所述數據存儲裝置是所述車輛的內部存儲裝置和/或能夠由所述車輛訪問...
【專利技術屬性】
技術研發人員：C·普雷迪格爾，
申請(專利權)人：APTIV技術股份公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。