用于确定交通控制人员和交通控制标志物的存在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，基于传感器数据(诸如光学相机数据)来确定交通控制人员和交通控制标志物存在于车辆的环境中。例如经由激光雷达传感器数据来确定交通控制标志物相对于交通控制人员的位置和定向，并且基于交通控制标志物的位置和定向来确定交通控制人员和交通控制标志物的有效性。

【技术实现步骤摘要】
用于确定交通控制人员和交通控制标志物的存在的系统和方法
本公开总体上涉及自主车辆，并且更具体地涉及用于检测交通控制人员和相关交通控制标志物的存在的系统和方法。
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。虽然近年来自主车辆车辆取得了显著进步，但是这样的车辆在许多方面仍可能得到改进。例如，在一些情况下，交通控制人员将结合各种手势使用手持标志物(例如，“停止”或“减速”标志物)来控制交叉路口或其它位置处的交通流量。自主车辆期望正确地检测和解释这种交通控制人员和标示牌。因此，期望提供用于检测交通控制人员和自主车辆中的相关交通控制标志物的存在的系统和方法。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期望特征和特性。
技术实现思路
提供了用于控制第一车辆的系统和方法。在一个实施例中，交通控制检测方法包括接收与和车辆相关联的环境有关的传感器数据、基于传感器数据来确定交通控制人员和交通控制标志物存在于环境中、确定交通控制标志物相对于交通控制人员的位置和定向，以及基于确定的位置和定向来确认交通控制人员和交通控制标志物的有效性。在一个实施例中，传感器数据包括激光雷达传感器回扫，并且经由激光雷达传感器回扫来确定交通控制标志物相对于交通控制人员的定向和位置中的至少一个。在一个实施例中，确定交通控制人员和交通控制标志物存在于环境中包括将传感器数据呈现给先前经过训练的机器学习分类器。在一个实施例中，机器学习分类器是卷积神经网络。在一个实施例中，使用标记有图像的交通控制个体、手持“停止”标志物以及手持“减速”标志物来训练机器学习分类器。在一个实施例中，确认交通控制人员和交通控制标志物有效包括确定交通控制人员与交通控制标志物之间的横向距离是否低于预定阈值。在一个实施例中，确认交通控制人员和交通控制标志物有效包括确定交通控制标志物相对于车辆的姿态。在一个实施例中，确定交通控制人员和交通控制标志物有效包括确定交通控制标志物相对于交通控制人员的高度。根据一个实施例的用于控制车辆的系统包括交通控制人员检测模块和位置确定模块。包括处理器的交通控制人员检测模块被配置为接收与和车辆相关联的环境有关的传感器数据，并且基于传感器数据来确定交通控制人员和交通控制标志物存在于环境中。位置确定模块被配置为确定交通控制标志物相对于交通控制人员的位置和定向，并且基于所确定的位置和定向来确认交通控制人员和交通控制标志物的有效性。在一个实施例中，传感器数据包括激光雷达传感器回扫，并且经由激光雷达传感器回扫来确定交通控制标志物相对于交通控制人员的定向和位置中的至少一个。在一个实施例中，交通控制人员检测模块通过将传感器数据呈现给先前经过训练的机器学习分类器来确定交通控制人员和交通控制标志物存在于环境中。在一个实施例中，机器学习分类器是卷积神经网络。在一个实施例中，使用标记有图像的交通控制个体、手持“停止”标志物以及手持“减速”标志物来训练机器学习分类器。在一个实施例中，位置确定模块部分地通过确定交通控制人员与交通控制标志物之间的横向距离是否低于预定阈值来确定交通控制人员和交通控制标志物的有效性。在一个实施例中，位置确定模块部分地通过确定交通控制标志物相对于车辆的姿态来确定交通控制人员和交通控制标志物的有效性。在一个实施例中，位置确定模块部分地通过确定交通控制标志物相对于交通控制人员的高度来确定交通控制人员和交通控制标志物的有效性。根据一个实施例的自主车辆包括至少一个传感器，其提供传感器数据；以及控制器，其由处理器并且基于传感器数据：接收与和车辆相关联的环境有关的传感器数据；基于传感器数据来确定交通控制人员和交通控制标志物存在于环境中；确定交通控制标志物相对于交通控制人员的位置和定向；并且基于所确定的位置和定向来确认交通控制人员和交通控制标志物的有效性。在一个实施例中，传感器数据包括激光雷达传感器回扫，并且经由激光雷达传感器回扫来确定交通控制标志物相对于交通控制人员的定向和位置中的至少一个。在一个实施例中，交通控制人员检测模块通过将传感器数据呈现给卷积神经网络来确定交通控制人员和交通控制标志物存在于环境中，该卷积神经网络已经由示例性交通控制标志物和示例性交通控制人员的一组标记图像来训练。在一个实施例中，通过执行以下至少一项来确认交通控制人员和交通控制标志物的有效性：确定交通控制人员与交通控制标志物之间的横向距离是否低于预定阈值；确定交通控制标志物相对于车辆的姿态；以及确定交通控制标志物相对于交通控制人员的高度。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是说明根据多种实施例的包括交通控制人员检测系统的自主车辆的功能框图；图2是说明根据多种实施例的具有一个或多个如图1中所示的自主车辆的运输系统的功能框图；图3是说明根据多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是根据一个实施例的接近持有交通控制标志物的交通控制人员的示例性自主车辆的俯视图；图5说明了根据一个实施例的持有交通控制标志物的交通控制人员的示例性前置相机视图；图6说明了与图5中所说明的前置相机视图对应的激光雷达点云；图7说明了根据多种实施例的在训练机器学习模型中有用的多种标志物定向；图8是说明根据多种实施例的自主车辆的交通控制人员检测系统的数据流图；图9是说明根据多种实施例的用于控制自主车辆的控制方法的流程图；以及图10说明了根据多种实施例的示例性卷积神经网络(CNN)。具体实施方式具体实施方式本质上仅仅是示例性的，而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以依据功能和/或逻辑块部件和各个处理步骤来描述。应当明白的是，这些块部件可以由被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，本公开的实施例可以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，本公开的实施例可以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，本文可以不详细描述与信号处理、数据传输、信令、控制、机器学习模型、雷达、激光雷达、图像分析以及该系统(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，本文档来自技高网...

【技术保护点】
1.一种交通控制检测方法，包括：接收与和车辆相关联的环境有关的传感器数据；基于所述传感器数据来确定交通控制人员和交通控制标志物存在于所述环境中；确定所述交通控制标志物相对于所述交通控制人员的位置和定向；以及基于所确定的位置和定向来确定所述交通控制人员和所述交通控制标志物是否有效。

【技术特征摘要】
2017.09.07 US 15/6978211.一种交通控制检测方法，包括：接收与和车辆相关联的环境有关的传感器数据；基于所述传感器数据来确定交通控制人员和交通控制标志物存在于所述环境中；确定所述交通控制标志物相对于所述交通控制人员的位置和定向；以及基于所确定的位置和定向来确定所述交通控制人员和所述交通控制标志物是否有效。2.根据权利要求1所述的方法，其中所述传感器数据包括激光雷达传感器回扫，并且经由所述激光雷达传感器回扫来确定所述交通控制标志物相对于所述交通控制人员的所述定向和所述位置中的至少一个。3.根据权利要求1所述的方法，其中确定所述交通控制人员和所述交通控制标志物存在于所述环境中包括将所述传感器数据呈现给先前经过训练的机器学习分类器。4.根据权利要求3所述的方法，其中所述机器学习分类器是卷积神经网络。5.根据权利要求3所述的方法，其中使用标记有图像的交通控制个体、手持“停止”标志物以及手持“减速”标志物来训练所述机器学习分类器。6.根据权利要求1所述的方法，其中确定所述交通...

【专利技术属性】
技术研发人员：C·克勒索，
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