用于预测自主车辆中的交通模式的系统和方法技术方案

提供了用于控制车辆的系统和方法。在一个实施例中，一种预测交通模式的方法包括在自主车辆内提供第一组预测策略。该方法进一步包括接收与由自主车辆观察的对象相关联的交通模式数据，该交通模式数据包括对该对象的运动学估计、该对象的位置序列以及与该对象附近的区域相关联的道路语义。基于第一组预测策略和交通模式数据来确定该对象的预测路径，并且确定该对象的实际路径。如果预测路径与实际路径之间的差异高于预定阈值，则确定该对象的新预测策略。基于第一组预测策略和新策略产生第二组预测策略。

【技术实现步骤摘要】
用于预测自主车辆中的交通模式的系统和方法
本公开总体上涉及自主车辆，并且更具体地涉及用于预测自主车辆附近的车辆和对象的交通模式的系统和方法。
技术介绍
自主车辆是能够感测其环境并且以很少或不需要用户输入进行导航的车辆。它通过使用诸如雷达、激光雷达、图像传感器等感测装置来这样做。自主车辆进一步使用来自全球定位系统(GPS)技术、导航系统、车对车通信、车对基础设施技术和/或线控驱动系统的信息来对车辆进行导航并且执行交通预测。虽然近年来在导航系统和交通预测方面取得了重大进展，但是这样的系统在许多方面仍可能得到改进。例如，在正常操作期间，自主车辆通常会遇到大量车辆和其它对象，其中每一个都可能表现出其自己的难以预测的行为。即，即使自主车辆具有对道路的精确语义理解并且已经在其附近正确检测和分类对象，车辆仍然无法准确地预测在各种情况下的某些对象的轨迹和/或路径。因此，期望提供能够预测自主车辆遇到的对象的行为的系统和方法。另外，从以下结合附图和前面的
及
技术介绍
进行的具体实施方式和所附权利要求书中将更清楚地明白本专利技术的其它理想特征和特性。
技术实现思路
提供了用于控制车辆的系统和方法。在一个实施例中，交通模式预测方法包括在自主车辆内提供第一组预测策略。该方法进一步包括接收与由自主车辆观察的对象相关联的交通模式数据，该交通模式数据包括对该对象的运动学估计、对象的位置序列以及与对象附近的区域相关联的道路语义。交通模式数据还可包括与对象的形状和/或大小有关的数据。基于第一组预测策略和交通模式数据来确定对象的预测路径，并且确定对象的实际路径。如果预测路径与实际路径之间的差异高于预定阈值，则确定对象的新预测策略。基于第一组预测策略和新策略产生第二组预测策略。在一个实施例中，运动学估计包括观察对象的速度、加速度和转弯速率中的至少一个。在一个实施例中，交通模式数据进一步包括对该对象的物理尺寸的估计。在一个实施例中，由远离自主车辆的服务器来执行确定新预测策略。在一个实施例中，第一组预测策略包括多次车辆操纵。在一个实施例中，预测路径与实际路径之间的差异是平方和差异。在一个实施例中，道路语义包括道路标签、车道边界、车道连接性以及道路的可行驶区域中的至少一个。在一个实施例中，一种用于控制车辆的系统包括传感器系统，其配置为观察与车辆相关联的环境中的对象；以及通信地联接到传感器系统的策略学习模块，其包括第一组预测策略。策略学习模块配置为：接收与由自主车辆观察的对象相关联的交通模式数据，该交通模式数据包括对该对象的运动学估计、对象的位置序列以及与对象附近的区域相关联的道路语义；基于第一组预测策略和交通模式数据来确定对象的预测路径；确定对象的实际路径；如果预测路径与实际路径之间的差异高于预定阈值，则确定对象的新预测策略；并且基于新策略来修改第一组预测策略。在一个实施例中，运动学估计包括观察对象的速度、加速度和转弯速率中的至少一个。在一个实施例中，交通模式数据进一步包括对该对象的物理尺寸的估计。在一个实施例中，由远离自主车辆的服务器来确定新预测策略。在一个实施例中，第一组预测策略包括多次车辆操纵。在一个实施例中，预测路径与实际路径之间的差异是平方和差异。在一个实施例中，道路语义包括道路标签、车道边界、车道连接性以及道路的可行驶区域中的至少一个。根据一个实施例的自主车辆包括：传感器系统，其配置为观察与车辆相关联的环境中的对象；以及通信地联接到传感器系统的策略学习模块，其包括第一组预测策略。策略学习模块配置为：接收与由自主车辆观察的对象相关联的交通模式数据，该交通模式数据包括对该对象的运动学估计、对象的位置序列以及与对象附近的区域相关联的道路语义；基于第一组预测策略和交通模式数据来确定对象的预测路径；确定对象的实际路径；如果预测路径与实际路径之间的差异高于预定阈值，则确定对象的新预测策略；并且基于新策略来修改第一组预测策略。在一个实施例中，运动学估计包括观察对象的速度、加速度和转弯速率中的至少一个。在一个实施例中，交通模式数据进一步包括对该对象的物理尺寸的估计。在一个实施例中，由远离自主车辆的服务器来确定新预测策略。在一个实施例中，第一组预测策略包括多次车辆操纵。在一个实施例中，预测路径与实际路径之间的差异是平方和差异。附图说明下文将结合以下附图描述示例性实施例，其中相同标号表示相同元件，且其中：图1是说明根据各种实施例的具有交通模式预测系统的自主车辆的功能框图；图2是说明根据各种实施例的具有如图1中所示的一个或多个自主车辆的运输系统的功能框图；图3是说明根据各种实施例的与自主车辆相关联的自主驾驶系统(ADS)的功能框图；图4是有助于描述各种实施例的示例道路和车辆的俯视概念图；图5是说明根据各种实施例的路径预测模块的数据流图；图6是说明根据各种实施例的策略学习模块的数据流图；图7是说明根据各种实施例的用于控制自主车辆的控制方法的流程图；并且图8说明了用于确定对象类别的不明确对象的聚类。具体实施方式具体实施方式本质上仅仅是示例性的，并且不旨在限制应用和用途。另外，不存在被任何前述的
、
技术介绍
、
技术实现思路
或具体实施方式中提出的任何明确的或暗示的理论约束的意图。如本文所使用，术语“模块”是指单独地或呈任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置，包括但不限于：专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、处理器(共享、专用或成组)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/或提供所述功能性的其它合适部件。本公开的实施例在本文可依据功能和/或逻辑块部件和各个处理步骤来描述。应当明白的是，这些块部件可由配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实施。例如，本公开的实施例可采用各种集成电路部件(例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其它控制装置的控制下执行多种功能)。另外，本领域技术人员将明白的是，本公开的实施例可结合任何数量的系统来实践，并且本文所述的系统仅仅是本公开的示例性实施例。为了简明起见，本文可不详细描述与信号处理、数据传输、信令、控制、机器学习、图像分析、神经网络、车辆运动学以及该系统(和该系统的单个操作部件)的其它功能方面有关的常规技术。另外，本文所包括的各个图式中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意的是，在本公开的实施例中可存在许多替代或附加的功能关系或物理连接。参考图1，根据各种实施例，总体上示为100的交通模式预测系统与车辆10相关联。通常，交通模式预测系统(或简称为“系统”)100配置为基于与对象相关的观察(例如，对象位置、分类和运动学)以及关于附近道路的本质的信息(即“道路语义”)来预测那些对象的未来路径(或“轨迹”)。如图1中所描绘，车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14被布置在底盘12上并且大致上包围车辆10的部件。车身14和底盘12可共同形成框架。车轮16到18各自在车身14的相应拐角附近旋转地联接到底盘12。在各种实施例中，车辆10是自主车辆，并且交通模式预测系统100被结合到自主车辆10(在下文中被称为自主车辆10)中。自主车辆10本文档来自技高网...

【技术保护点】
1.一种预测交通模式的方法，包括：在自主车辆内提供第一组预测策略；接收与由所述自主车辆观察的对象相关联的交通模式数据，所述交通模式数据包括对所述对象的运动学估计、所述对象的位置序列以及与所述对象附近的区域相关联的道路语义；基于所述第一组预测策略和所述交通模式数据来确定所述对象的预测路径；确定所述对象的实际路径；如果所述预测路径与所述实际路径之间的差异高于预定阈值，则确定所述对象的新预测策略；以及基于所述第一组预测策略和所述新策略在所述自主车辆内提供第二组预测策略。

【技术特征摘要】
2017.06.27 US 15/6349471.一种预测交通模式的方法，包括：在自主车辆内提供第一组预测策略；接收与由所述自主车辆观察的对象相关联的交通模式数据，所述交通模式数据包括对所述对象的运动学估计、所述对象的位置序列以及与所述对象附近的区域相关联的道路语义；基于所述第一组预测策略和所述交通模式数据来确定所述对象的预测路径；确定所述对象的实际路径；如果所述预测路径与所述实际路径之间的差异高于预定阈值，则确定所述对象的新预测策略；以及基于所述第一组预测策略和所述新策略在所述自主车辆内提供第二组预测策略。2.根据权利要求1所述的方法，其中所述运动学估计包括所述观察对象的速度、加速度和转弯速率中的至少一个。3.根据权利要求1所述的方法，其中所述交通模式数据进一步包括对所述对象的物理尺寸的估计。4.根据权利要求1所述的方法，其中由远离所述自主车辆的服务器来执行确定所述新预测策略。5.根据权利要求1所述的方法，其中所述第一组预测策略包括多次车辆操纵。6....

【专利技术属性】
技术研发人员：E·布兰森，H·尼兹，
申请(专利权)人：通用汽车环球科技运作有限责任公司，
类型：发明
国别省市：美国,US