检测阻塞静止车辆制造技术

一种确定静止车辆是否为阻塞车辆以改善对自动驾驶车辆的控制的方法和系统。感知引擎可以由从自动驾驶车辆接收的传感器数据检测自动驾驶车辆的环境中的静止车辆。响应于该检测，感知引擎可以根据传感器数据确定车辆环境的特征值(例如，静止车辆的特征，其他物体，环境本身)。自动驾驶车辆可以将这些特征值输入到机器学习模型中，以确定静止车辆是阻塞车辆的概率，并使用该概率生成轨迹来控制自动驾驶车辆的运动。

【技术实现步骤摘要】
【国外来华专利技术】检测阻塞静止车辆相关申请的交叉引用该PCT国际申请要求2018年2月14日提交的美国专利申请15/897,028的优先权，其通过引用合并于此。
技术介绍
静止物体，例如道路上的车辆，可能会干扰车辆的自动操作。例如，自动驾驶车辆前方的静止车辆可以是并排停放的，或者以其他方式丧失功能，从而阻塞了自动驾驶车辆。检测这种阻塞车辆可能受到传感器可见度的限制，因为可能无法“看见”潜在阻塞车辆的前方以确定它是否是阻塞车辆。此外，环境提示可能会增加检测的复杂性。作为列举的两个示例，停在具有被检测的红灯的十字路口的车辆可能是阻塞车辆并且没在等待交通信号灯。类似地，停在具有被检测的绿灯的交叉路口附近的车辆实际上可能在排长队等待转弯，而不是阻塞车辆。基于未正确被检测的阻塞车辆自动操作可能会产生其他问题，例如，自动驾驶车辆无法重新进入其原始车道。附图说明参照附图描述详细说明。在附图中，附图标记的最左边的数字标识该附图标记首次出现的附图。不同附图中的相同附图标记表示相似或相同的项目。图1A示出涉及静止车辆的示例场景，该静止车辆可以是阻塞车辆。图1B示出描绘图1A的场景的自动驾驶车辆视图的示例，以显示从自动驾驶车辆收集的传感器数据可辨别出的图1A的场景的一部分。图2示出用于检测阻塞车辆的示例过程的图形流程图。图3A-3F示出传感器数据和从中得出的用于检测阻塞车辆的特征的示例。图4示出包括示例车辆系统的用于检测阻塞车辆的示例架构的框图。图5示出根据本文讨论的技术的用于训练阻塞车辆机器学习模型的示例过程的流程图。图6示出根据本文讨论的技术的用于使用机器学习模型来检测阻塞车辆的示例过程的示意性流程图。图7示出根据本文所讨论的技术的用于训练阻塞车辆机器学习模型的示例过程的流程图。具体实施方式如上所述，阻塞物体(包括车辆)包括阻碍自动驾驶车辆沿着规划的路线或路径前进的物体。例如，在许多城市环境中，并排停放是一种常见的做法。需要将这种并排停放的车辆检测为阻塞车辆，以与静止车辆分开处理。特别地，虽然可以指示自动驾驶车辆等待停止的车辆移动，但是也可以指示自动驾驶车辆在这种并排停放的车辆周围行驶。一般规则，例如将所有在绿灯处静止车辆视为阻塞，通常不准确和/或不足以安全地操作自动驾驶车辆和/或以更接近地模仿车辆的人类操作的方式操作自动驾驶车辆。本公开总体上针对用于确定静止车辆是阻塞车辆还是物体以便根据该确定来控制自动驾驶车辆的技术(例如，机器，程序，过程)。在一些示例中，本文讨论的技术包括机器学习(ML)模型，该机器学习模型被配置为接收传感器数据以确定是否指示静止车辆是阻塞车辆。代替根据条件规则进行该确定(例如，如果确实是绿色的灯并且确实是车辆已停止，则指示该车辆是阻塞车辆)，本文讨论的技术可以使用以传感器数据为输入的ML模型来确定静态车辆是阻塞车辆的概率。在一些示例中，本文讨论的技术可以包括：从自动驾驶车辆的传感器(一个或多个)和/或软件和/或硬件模块接收原始的和/或处理的传感器数据(例如，由自动驾驶车辆的另一机器学习模型和/或软件/硬件模块处理的传感器数据)；确定自动驾驶车辆路径中的车辆是静止的；确定来自传感器数据的特征值(例如，指示以下特征的值：诸如，与道路中下一个路口的距离；从静止车辆到静止车辆前方的下一车辆的距离；静止车辆的速度、刹车灯状况、高度、大小和/或偏航；静止车辆和/或在静止车辆附近的物体(一个或多个)的分类；交通流数据)；以及确定该静止车辆为阻塞车辆的概率。在一些示例中，可以使用ML模型来确定概率。在一些示例中，自动驾驶车辆可以包括用于控制自动驾驶车辆的感知引擎和/或规划器。感知引擎可以包括一个或多个ML模型和/或其他计算机可执行指令，用于由从自动驾驶车辆的环境收集的传感器数据来检测、识别、分类和/或跟踪物体。在一些示例中，感知引擎可以包括被配置为确定静止车辆是阻塞车辆的概率的ML模型(下文中称为“BV模型”，尽管ML模型的一般讨论同样适用于BV模型)。规划器可以包括用于路线规划、轨迹规划、评估决策等的一个或多个ML模型、算法等。规划器可以被配置为由从自动驾驶车辆的其他部件接收的数据、从其他车辆和/或网络连接、全球和/或本地地图部件等接收的数据，生成用于控制自动驾驶车辆的运动的轨迹，所述自动驾驶车辆的其他部件例如是感知引擎、传感器(一个或多个)。本文所讨论的技术通过相对于先前解决方案(例如，使用条件规则)提高检测的准确性来改善自动驾驶车辆的操作。实际上，该技术导致防止自动驾驶车辆不必要地停留在阻塞的车辆后面，因此减少车辆的功率消耗和浪费的计算周期。当静止车辆是非阻塞静止车辆时，该技术还可以防止自动驾驶车辆不必要地改变车道或改变路线。这可以类似地减少车辆的功率消耗和浪费的计算周期。这些技术还可以通过更准确地感知情况来提高自动驾驶车辆操作对自动驾驶乘客和/或环境实体的安全性。例如，这些技术可以防止自动驾驶车辆：改变车道，而只是不得不返回到由自动驾驶车辆先前未察觉的一排汽车占据的原始车道(例如，可能会增加碰撞危险)；遭遇非阻塞静止车辆已为之暂停的物体；预计非阻塞静止车辆的门(一个或多个)可能会打开且避免撞到门等。如本文中所使用的，阻塞车辆是在可行驶表面上的静止车辆，其在一定程度上妨碍其他车辆前进。并非所有可行驶表面上的静止车辆都在阻塞车辆。例如，非阻塞静止车辆可以是在可行驶的路面上由于发出红灯信号的交通灯、让行另一辆车辆和/或等待另一辆车辆前进而暂停前进的车辆。与此相反，阻塞车辆可以是并排停放的车辆、停放以进行运送的运送卡车、驾驶员不在的车辆、停下的警车、丧失功能的车辆等。非阻塞静止车辆与阻塞车辆之间的差异可能是模棱两可且难以确定，因为在大多数情况下，该差异可能只是静止车辆停止的时间长度问题。然而，静止车辆和阻塞车辆之间的主要差异在于，除非阻塞车辆存在，否则车辆的前进将是可能和/或被允许的。在一些示例中，阻塞车辆可以被分类为不遵守公认道路规则(诸如沿车道行进)的静止车辆。本文中讨论的技术通过防止自动驾驶车辆在不可维持的时间段内停止在阻塞车辆后方而改善自动驾驶车辆的操作。示例场景图1A是示例场景100的示意性鸟瞰图，其示出可以对其应用本文所讨论的技术的许多实例中的一个实例。在示例场景中，自动驾驶车辆102接近包括交通信号灯106的道路交叉口104。在一些示例中，自动驾驶车辆102可以是被配置为根据美国国家公路交通安全管理局发布的5级分类进行操作的自动驾驶车辆，所述5级分类描述了一种能够在整个行程中执行所有对安全至关重要的功能的车辆，而驾驶员(或乘员)在任何时候都不被期待控制该车辆。然而，在其他示例中，自动驾驶车辆102可以是具有现在存在或将来发展的任何其他级别或类别的完全或部分自动驾驶车辆。此外，在一些示例中，本文描述的用于确定阻塞车辆的技术也可以由非自动驾驶车辆使用。自动驾驶车辆102可以从自动驾驶车辆102的一个或多个传感器接收传感器数据。自动驾驶车辆102可以使用该传感器数据来确定用于控制自动驾驶车辆的运动的轨迹。本文档来自技高网...

【技术保护点】
1.一种系统，包括：/n一个或多个处理器；和/n存储处理器可执行指令的存储器，所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器执行操作，所述操作包括：/n从车辆的一个或多个传感器接收传感器数据；/n至少部分地基于传感器数据检测静止车辆；/n至少部分地基于传感器数据确定一个或多个特征，所述一个或多个特征之一指示交通流数据；/n给机器学习模型提供所述一个或多个特征；/n通过机器学习模型输出静止车辆是阻塞车辆的概率；以及/n至少部分地基于所述概率来控制车辆，/n其中，控制车辆包括：/n控制车辆经过阻塞车辆，或/n控制车辆等待非阻塞车辆。/n

【技术特征摘要】
【国外来华专利技术】20180214 US 15/897,0281.一种系统，包括：
一个或多个处理器；和
存储处理器可执行指令的存储器，所述指令在由所述一个或多个处理器执行时使所述一个或多个处理器执行操作，所述操作包括：
从车辆的一个或多个传感器接收传感器数据；
至少部分地基于传感器数据检测静止车辆；
至少部分地基于传感器数据确定一个或多个特征，所述一个或多个特征之一指示交通流数据；
给机器学习模型提供所述一个或多个特征；
通过机器学习模型输出静止车辆是阻塞车辆的概率；以及
至少部分地基于所述概率来控制车辆，
其中，控制车辆包括：
控制车辆经过阻塞车辆，或
控制车辆等待非阻塞车辆。


2.根据权利要求1所述的系统，其中，识别静止车辆包括：
检测车辆的环境中物体的存在；
将所述物体分类为车辆类别；
确定所述物体的速度；以及
确定所述物体的速度不满足预设阈值速度。


3.根据权利要求1所述的系统，其中，所述一个或多个特征指示以下至少之一：
静止车辆的速度，
车道标识，
交通信号状态，
从静止车辆到静止车辆前方的下一物体的距离，
从静止车辆到下一路口的距离，
交通流数据，
指示另一车辆相对于静止车辆移动的车辆行迹，
指示存在遮挡物体的传感器残差，
静止车辆或环境中物体中的至少之一的分类，
与静止车辆相关联的边界框，
静止车辆的灯光状态，
有人在车辆附近的指示，
静止车辆的门或孔的状态，
静止车辆的尺寸，或
静止车辆的偏航。


4.根据权利要求1所述的系统，其中，识别静止车辆还包括检测在自动驾驶车辆的预设阈值距离内的一个或多个其他静止车辆。


5.根据权利要求1所述的系统，其中，机器学习模型包括多个决策树，所述多个决策树被配置为：
接收所述一个或多个特征；
推动所述一个或多个特征穿过决策树的节点，以到达与加权值相关联的输出节点；以及
对加权值求和以确定所述概率。


6.根据权利要求1所述的系统，其中，所述一个或多个特征指示车辆的环境、静止车辆、或环境中物体中的至少之一的一个或多个特性。


7.根据权利要求1所述的系统，其中：
至少部分地基于检测静止车辆来输出所述概率；以及
所述概率指示静止车辆阻碍车辆的可能性。


8.根据权利要求1所述的系统，其中，所述操作还包括：
至少部分...

【专利技术属性】
技术研发人员：M·加法里安扎德，B·J·萨普，J·S·莱文森，
申请(专利权)人：祖克斯有限公司，
类型：发明
国别省市：美国;US