用于预测实体行为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，一种方法包括：接收从与车辆相关联的环境中感测到的传感器数据；通过处理器处理传感器数据以确定观测数据，观测数据包括与环境中的媒介相关联的差分特征；基于观测通过处理器确定与媒介相关联的场景；通过处理器选择与场景相关联的第一概率模型；通过处理器用所选择的第一概率模型来处理观测数据，以确定预测组；通过处理器用第二概率模型来处理该预测组，以确定对与媒介相关联的交互行为的最终预测；以及基于对与媒介相关联的交互行为的最终预测，通过处理器选择性地控制车辆。

Systems and methods for predicting entity behavior

【技术实现步骤摘要】
用于预测实体行为的系统和方法
本公开总体上涉及自主车辆，更具体地，涉及用于预测位于自主车辆的环境内的多种实体或媒介的行为的系统和方法。
技术介绍
自主车辆是能够在用户输入很少或没有的情况下感测其环境并导航的车辆。它通过使用诸如雷达、激光雷达、图像传感器等感测装置来实现。自主车辆还使用来自全球定位系统(GPS)技术、导航系统、车辆到车辆通信、车辆到基础设施技术和/或线控驾驶系统的信息来对车辆进行导航并执行交通预测。尽管近年来已经见证了行为预测系统的显著进步，但是这样的系统仍然可以在多个方面得到改进。例如，在正常运行期间，自主车辆通常会遇到大量车辆和其他物体，每个车辆和其他物体都可能呈现出其自身难以预测的行为。即，即使在自主车辆对道路具有精确的语义理解并已经对其附近的物体正确地检测和分类时，车辆可能仍然不能精确地预测某些物体在各种场景中的轨迹和/或路径。因此，期望提供能够预测自主车辆所遇到的各种实体或媒介的行为的系统和方法。此外，通过随后的详细描述和所附权利要求，结合附图以及前述
和
技术介绍
，本专利技术的其它期望特征和特性将变得显而易见。
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，一种方法包括：接收从与车辆相关联的环境中感测到的传感器数据；通过处理器处理传感器数据以确定观测数据，观测数据包括与环境中的媒介相关联的差分特征；基于观测通过处理器确定与媒介相关联的场景；通过处理器选择与场景相关联的第一概率模型；通过处理器用选择的第一概率模型来处理观测数据，以确定预测组；通过处理器用第二概率模型来处理该预测组，以确定对与媒介相关联的交互行为的最终预测；以及基于对与媒介相关联的交互行为的最终预测，通过处理器选择性地控制车辆。在各种实施例中，差分特征包括加速度和航向差。在各种实施例中，差分特征包括x和y位置。在各种实施例中，根据x和y位置来确定场景。在各种实施例中，场景与媒介行进所在的车道相关联。在各种实施例中，场景是通过使用媒介的x和y位置到车道的中心线之间的排序成对距离，并将车道映射到场景来确定的。在各种实施例中，第一概率模型是高斯混合模型-隐马尔可夫模型。在各种实施例中，该方法包括基于场景执行高斯混合模型-隐马尔可夫模型的无监督训练。在各种实施例中，第二概率模型是稀疏相关的隐马尔可夫模型。在各种实施例中，该方法还包括基于场景执行稀疏相关隐马尔可夫模型的无监督训练。在另一个实施例中，一种系统包括：传感器系统，该传感器系统被配置为观测与车辆相关联的环境中的媒介并基于该媒介产生传感器数据；以及预测模块，该预测模块被配置为：通过处理器接收传感器数据，处理传感器数据以确定包括与媒介相关联的差分特征的观测数据，基于观测确定与媒介相关联的场景，选择与场景相关联的第一概率模型，利用选择的第一概率模型来处理观测数据以确定预测组，利用概率模型来处理该预测组，以确定与该媒介相关联的交互行为的最终预测，并基于对与媒介相关联的交互行为的最终预测来选择性地控制车辆。在各种实施例中，差分特征包括加速度和航向差。在各种实施例中，差分特征包括x和y位置。在各种实施例中，根据x和y位置来确定场景。在各种实施例中，场景与媒介行进所在的车道相关联。在各种实施例中，场景是通过使用媒介的x和y位置到车道的中心线之间的排序成对距离，并将车道映射到场景来确定的。在各种实施例中，第一概率模型是高斯混合模型-隐马尔可夫模型。在各种实施例中，预测模块基于场景执行高斯混合模型-隐马尔可夫模型的无监督训练。在各种实施例中，第二概率模型是稀疏相关的隐马尔可夫模型。在各种实施例中，预测模块基于场景执行稀疏相关隐马尔可夫模型的无监督训练。附图说明下文将结合以下附图来描述示例性实施例，其中相同的数字表示相同的元件，并且其中：图1是示出根据各种实施例的具有实体行为预测系统的自主车辆的功能框图；图2是示出根据各种实施例的具有如图1所示的一个或多个自主车辆的运输系统的功能框图；图3是示出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是示出根据各种实施例的实体行为预测模块的数据流图；以及图5是示出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。具体实施方式以下详细描述本质上仅仅是示例性的，并不旨在限制应用和使用。此外，不存在通过前述
、
技术介绍
、
技术实现思路
或以下详细描述中呈现的任何明示的或暗示的理论进行限制的意图。如本文所使用的，术语“模块”是指单独地或在任何组合中的任何硬件、软件、固件、电子控制组件、处理逻辑、和/或处理器设备，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(共享的、专用的、或者组群)和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/或提供上述功能的其它适当组件。本文中可以就功能和/或逻辑块组件以及各种处理步骤方面来描述本公开的实施例。应当理解的是，这种块组件可以由被配置未执行特定功能的任何数量的硬件、软件和/或固件组件来实现。例如，本专利技术的实施例可采用各种集成电路组件，例如存储器元件、数字信号处理元件、逻辑元件、查找表等，其可在一个或多个微处理器或其它控制装置的控制下实行各种功能。另外，本领域技术人员将理解，可结合任意数目的系统来实施本专利技术的实施例，且本文中所描述的系统仅为本公开的示例性实施例。为了简洁起见，在此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、图像分析以及系统的其他功能方面(以及系统的个别操作组件)相关的常规技术。另外，本文包含的各个附图中示出的连接线旨在表示各个元件之间的示例性功能关系和/或物理联接。应当注意的是，在本公开的实施例中可以存在许多可替换的或附加的功能关系或物理连接。参照图1，根据多个实施例，总体上示为100的实体行为预测系统与车辆10相关联。通常，实体行为预测系统(或简称“系统”)100被配置为基于与场景内的实体的有关的观测来预测这些实体的未来路径(或“轨迹”)。如本文所用，术语“实体”(在本文中也称为“媒介”)是指车辆10的环境内的其他车辆、自行车、物体、行人或其他移动元件或行动体。在多个实施例中，实体行为预测系统100使用至少两个概率模型，包括高斯混合模型-隐马尔可夫模型(GMM-HMM)和稀疏相关隐马尔可夫模型(scHMM)，以对与某些场景相关联的媒介之间的交互建模，以便进行预测。如图1所示，示例性车辆10总体上包括底盘12、车身14、前轮16和后轮18。车身14被布置在底盘12上并且基本上包围车辆10的组件。车身14和底架12可共同地形成框架。轮16-18在车身14的相应拐角附近各自被可旋转地被联接到底盘12上。在多个实施例中，车辆10是自主车辆，并且实体行为预测系统100被结合到自主车辆10(以下称为自主车辆10)中。自主车辆10例如是被自动控制以将乘客从一个位置承载到另一位置的车辆。车辆10在所示实施例中被描述为客车，但是应当理解的是，也本文档来自技高网...

【技术保护点】
1.一种控制车辆的方法，包括：/n接收从与所述车辆相关联的环境中感测到的传感器数据；/n通过处理器处理所述传感器数据以确定观测数据，所述观测数据包括与所述环境中的媒介相关联的差分特征；/n基于所述观测通过所述处理器确定与所述媒介相关联的场景；/n通过所述处理器选择与所述场景相关联的第一概率模型；/n通过所述处理器用所述选择的第一概率模型来处理所述观测数据，以确定预测组；/n通过所述处理器用第二概率模型来处理所述预测组，以确定对与所述媒介相关联的交互行为的最终预测；以及/n基于对与所述媒介相关联的交互行为的最终预测，通过所述处理器选择性地控制车辆。/n

【技术特征摘要】
20180727 US 16/0478721.一种控制车辆的方法，包括：
接收从与所述车辆相关联的环境中感测到的传感器数据；
通过处理器处理所述传感器数据以确定观测数据，所述观测数据包括与所述环境中的媒介相关联的差分特征；
基于所述观测通过所述处理器确定与所述媒介相关联的场景；
通过所述处理器选择与所述场景相关联的第一概率模型；
通过所述处理器用所述选择的第一概率模型来处理所述观测数据，以确定预测组；
通过所述处理器用第二概率模型来处理所述预测组，以确定对与所述媒介相关联的交互行为的最终预测；以及
基于对与所述媒介相关联的交互行为的最终预测，通过所述处理器选择性地控制车辆。


2.根据权利要求1所述的方法，其中，所述差分特征包括加速度和航向差。


3.根据权利要求1所述的方法，其中，所述差分特征包括x和y位置。


4.根据权利要求3所述的方法，其中，所述场景是通过x和y位置确定的。


5.根据权利要求1所述的方法，其中，所述场景是通过使用所述媒介的x和y位置到车道的中心线之间...

【专利技术属性】
技术研发人员：A·伽马拉马达卡，R·巴特查里亚，M·J·戴利，
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