模拟自动驾驶车辆移动的物理模型和结合机器学习的方法技术

在一个实施方式中，识别自动驾驶车辆的下一移动的驾驶场景，其中驾驶场景由一个或多个预定参数的集合表示。使用与该驾驶场景相对应的物理模型为自动驾驶车辆计算第一下一移动。将侧滑预测模型应用于该组预定参数以预测该驾驶场景下的自动驾驶车辆的侧滑。基于自动驾驶车辆的第一下一移动和预测的侧滑来确定自动驾驶车辆的第二下一移动。预测的侧滑被用来修改第一下一移动以补偿侧滑。为第二下一移动生成规划和控制数据，并且基于该规划和控制数据来控制和驾驶自动驾驶车辆。

【技术实现步骤摘要】
【国外来华专利技术】模拟自动驾驶车辆移动的物理模型和结合机器学习的方法
本专利技术的实施方式总体上涉及操作自动驾驶车辆。更具体地，本专利技术的实施方式涉及使用物理模型和机器学习方法模拟车辆移动。
技术介绍
以自动驾驶模式运行(例如，无人驾驶)的车辆可以将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可以使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。运动规划和控制是自动驾驶的关键操作。然而，自动驾驶汽车可能会具有出乎意料的非常复杂的移动行为。不同道路上以不同速度和转向角行驶的不同车辆可能具有不同的转弯半径。尤其是当车辆转弯时，这种不同的转弯半径会影响控制精确度。在许多情况下，特别是在例如掉头、左转或右转的转弯情况下，车辆根据道路状况会侧向滑行。这种侧滑或滑行可能导致控制错误，并且有时会危及乘坐在车辆中的乘客。另外，根据车辆当前的状况和所执行的命令来确定或预测下一处理周期中的车辆状况或状态是重要的。但是，尚未有任何可行的先进方法来实现这种确定或预测。本专利技术的实施方式在附图的各图中以举例而非限制的方式示出，附图中的相同参考数字指示相似元件。附图说明图1是示出了根据本专利技术的一个实施方式的联网系统的框图。图2是示出了根据本专利技术的一个实施方式的自动驾驶车辆的示例的框图。图3是示出了根据本专利技术的实施方式中结合自动驾驶车辆而使用的数据处理系统的示例的框图。图4A和4B是示出了具有或不具有侧滑补偿的车辆驾驶模式的示意图。图5是示出了根据本专利技术的一个实施方式生成侧滑预测模型的机制的框图。图6是用于说明根据本专利技术的一个实施方式补偿自动驾驶车辆侧滑的方法的处理流程图。图7是示出了根据本专利技术的一个实施方式操作自动驾驶车辆的方法的流程图。图8是示出了根据本专利技术的一个实施方式生成侧滑预测模型的方法的流程图。图9是示出了根据本专利技术的一个实施方式的驾驶场景到侧滑的映射数据结构的示例的框图。图10A和图10B是示出了具有或不具有侧滑补偿的车辆驾驶模式的示意图。图11是示出了根据本专利技术的一个实施方式生成驾驶场景到侧滑的映射数据结构的方法的流程图。图12是示出了根据本专利技术的另一实施方式操作自动驾驶车辆的方法的流程图。图13是示出了根据一个实施方式的数据处理系统的框图。具体实施方式将参考以下所讨论的细节来描述本专利技术的各种实施方式和方面，附图将示出所述各种实施方式。下列描述和附图是对本专利技术的说明，而不应当解释为限制本专利技术。描述了许多特定细节以提供对本专利技术各种实施方式的全面理解。然而，在某些情况下，并未描述众所周知的或常规的细节以提供对本专利技术的实施方式的简洁讨论。本说明书中对“一个实施方式”或“实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可以包括在本专利技术的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。根据本专利技术的一个方面，当确定下一移动周期的下一路线或路径段的下一移动(例如，转弯)时，基于规划的路线信息，使用物理模型(例如，预定的公式或一组规则)计算或确定车辆的下一状况或状态。基于该物理模型生成规划和控制数据，规划和控制数据包括足够的数据和命令以控制汽车在下一移动周期内如何移动。另外，侧滑预测模型被应用于与规划和控制数据相关联的至少一组驾驶参数以及该时间点下的驾驶条件(例如，道路状况、天气)。使用侧滑预测模型来预测由规划和控制数据描述的驾驶场景下的侧滑或滑行。然后，可以基于预测的侧滑来修改规划和控制数据以补偿这样的侧滑。接着，基于经修改或补偿的规划和控制数据控制和驾驶车辆。在一个实施方式中，识别自动驾驶车辆的下一移动的驾驶场景，其中驾驶场景由一组一个或多个预定参数表示。使用与驾驶场景相对应的物理模型为自动驾驶车辆计算第一下一移动。将侧滑预测模型应用于该组预定参数以预测该驾驶场景下的自动驾驶车辆的侧滑。基于自动驾驶车辆的第一下一移动和预测的侧滑来确定自动驾驶车辆的第二下一移动。预测的侧滑被用来修改第一下一移动以补偿侧滑。为第二下一移动生成规划和控制数据，并且基于该规划和控制数据来控制和驾驶自动驾驶车辆。根据本专利技术的另一方面，由车辆记录和获取在各种驾驶环境或条件下的各种车辆的驾驶统计。另外，测量并确定在不同驾驶环境或驾驶场景下的车辆的侧滑。然后，由诸如数据分析系统或服务器之类的中心设施收集驾驶统计。然后，分析驾驶统计和所测量的侧滑以制定驾驶场景列表。每个驾驶场景都与可能在相同或类似驾驶场景下发生的特定侧滑或滑行相关联。创建驾驶场景与侧滑(场景/侧滑)映射表或数据库。场景/侧滑映射表将每个驾驶场景映射到基于相同类型或相似类型的各种车辆的驾驶统计和所测量的侧滑而确定的侧滑。当确定在线的特定车辆的下一移动时，在该时间点确定下一移动的驾驶场景。根据确定的驾驶场景在场景/侧滑映射表中执行查找操作，以获得对应于该时间点的驾驶场景的预定侧滑。在生成用于下一移动的规划和控制数据时将考虑该预定的侧滑。然后在相同或类似的驾驶环境或条件下基于针对预测的侧滑进行了补偿的规划和控制数据来控制和驾驶车辆。在一个实施方式中，针对不同类型的车辆确定一组驾驶场景。每个驾驶场景对应于特定类型的自动驾驶车辆的特定移动。对于每种类型的自动驾驶车辆的每个驾驶场景，获得一组驾驶统计。该驾驶统计包括用于控制和驾驶车辆的一个或多个驾驶参数(例如，速度、转向角)、在该时间点的驾驶条件(例如，道路状况、天气)以及在驾驶场景下由驾驶参数和驾驶条件引起的侧滑。构建驾驶场景/侧滑映射表或数据库。该场景/侧滑映射表包括许多映射条目。每个映射条目将特定驾驶场景映射到基于驾驶统计计算的侧滑。随后利用该情景/侧滑映射表来预测相似驾驶环境下的侧滑，从而可以补偿驾驶规划和控制。图1是示出根据本专利技术的一个实施方式的自动驾驶车辆网络配置的框图。参考图1，网络配置100包括可以通过网络102通信地联接到一个或多个服务器103至104的自动驾驶车辆101。尽管示出一个自动驾驶车辆，但多个自动驾驶车辆可以通过网络102联接到彼此和/或联接到服务器103至104。网络102可以是任何类型的网络，例如，有线或无线的局域网(LAN)、诸如互联网的广域网(WAN)、蜂窝网络、卫星网络或其组合。服务器103至104可以是任何类型的服务器或服务器群集，诸如，网络或云服务器、应用服务器、后端服务器或其组合。服务器103至104可以是数据分析服务器、内容服务器、交通信息服务器、地图和兴趣点(POI)服务器或者位置服务器等。自动驾驶车辆是指可以被配置成处于自动驾驶模式下的车辆，在所述自动驾驶模式下车辆在极少或没有来自驾驶员的输入的情况下导航通过环境。这种自动驾驶车辆可以包括传感器系统，所述传感器系统具有被配置成检测与车辆运行环境有关的信息的一个或多个传感器。所述车辆和其相关联的控制器使用所检测的信息来导航通过所述环境。自动驾驶车辆101可以在手动模式下、在全自动驾驶模式下或者在部分自动驾驶模式下运行。在一个实施方式中，自动驾驶车辆101包括但不限于包括数据处理系统110、车辆控制系统111、无线通信系统112、用户接口系统113、信息娱乐系统114和传感器系统115。自动驾驶车辆101还可以包括普通车辆中的本文档来自技高网...

【技术保护点】
一种计算机执行的用于操作自动驾驶车辆的方法，所述方法包括：识别用于自动驾驶车辆的下一移动的驾驶场景，其中所述驾驶场景由一个或多个预定参数的集合表示；通过使用对应于所述驾驶场景的物理模型来计算所述自动驾驶车辆的第一下一移动；将侧滑预测模型应用于所述预定参数的集合以预测给定所述驾驶场景的所述自动驾驶车辆的侧滑；基于所述第一下一移动和所述自动驾驶车辆的预测的侧滑确定所述自动驾驶车辆的第二下一移动，基于所述第二下一移动生成规划和控制数据；和基于所述规划和控制数据来控制和驾驶所述自动驾驶车辆。

【技术特征摘要】
【国外来华专利技术】2016.09.28 US 15/278,7191.一种计算机执行的用于操作自动驾驶车辆的方法，所述方法包括：识别用于自动驾驶车辆的下一移动的驾驶场景，其中所述驾驶场景由一个或多个预定参数的集合表示；通过使用对应于所述驾驶场景的物理模型来计算所述自动驾驶车辆的第一下一移动；将侧滑预测模型应用于所述预定参数的集合以预测给定所述驾驶场景的所述自动驾驶车辆的侧滑；基于所述第一下一移动和所述自动驾驶车辆的预测的侧滑确定所述自动驾驶车辆的第二下一移动，基于所述第二下一移动生成规划和控制数据；和基于所述规划和控制数据来控制和驾驶所述自动驾驶车辆。2.根据权利要求1所述的方法，其中，所述侧滑预测模型是基于多个不同类型的车辆在多个驾驶场景下测量和记录的侧滑和相应的驾驶参数通过使用机器学习而生成的。3.根据权利要求1所述的方法，其中，所述侧滑表示所述自动驾驶车辆的实际位置与所述自动驾驶车辆的基于所述物理模型的计算位置之间的距离。4.根据权利要求1所述的方法，其中，确定第二下一移动包括通过添加原始位置、车轮的移动和所述预测的侧滑来计算所述自动驾驶车辆的最终位置。5.根据权利要求1所述的方法，其中，所述预测的侧滑用于校正基于所述物理模型计算的所述自动驾驶车辆的所述第一移动。6.根据权利要求1所述的方法，其中，所述驾驶场景包括所述自动驾驶车辆转弯的场景。7.根据权利要求1所述的方法，其中，所述预定参数包括道路类型、天气状况、所述自动驾驶车辆的速度、所述自动驾驶车辆的目标角度、所述自动驾驶车辆的加速度或减速度、所述自动驾驶车辆的转向角以及所述自动驾驶车辆的转向角。8.一种其中存储有指令的非瞬时性的机器可读介质，所述指令在由处理器执行时使所述处理器执行操作自动驾驶车辆的操作，所述操作包括：识别用于自动驾驶车辆的下一移动的驾驶场景，其中所述驾驶场景由一个或多个预定参数的集合表示；使用对应于所述驾驶场景的物理模型来计算所述自动驾驶车辆的第一下一移动；将侧滑预测模型应用于所述预定参数的集合以预测给定所述驾驶场景的所述自动驾驶车辆的侧滑；基于所述第一下一移动和所述自动驾驶车辆的预测的侧滑确定所述自动驾驶车辆的第二下一移动，基于所述第二下一移动生成规划和控制数据；和基于所述规划和控制数据来控制和驾驶所述自动驾驶车辆。9.根据权利要求8所述的机器可读介质，其中，所述侧滑预测模型是基于多个不同类型的车辆在多个驾驶场景下测量和记录的侧滑和相应的驾驶参数通过使用机器学习而生成的。10.根据权利要求8...

【专利技术属性】
技术研发人员：朱帆，孔旗，杨光，王京傲，
申请(专利权)人：百度美国有限责任公司，
类型：发明
国别省市：美国,US