自动驾驶车辆的混合规划系统技术方案

在一个实施方式中，系统/方法生成自动驾驶车辆(ADV)的驾驶轨迹。该系统感知自动驾驶车辆(ADV)的环境。该系统基于所感知的环境来确定一个或多个界定条件。该系统使用神经网络模型生成第一轨迹，其中神经网络模型被训练以生成驾驶轨迹。系统评估/确定第一轨迹是否满足一个或多个界定条件。如果第一轨迹满足一个或多个界定条件，则系统根据第一轨迹自动地控制ADV。否则，系统根据第二轨迹自动地控制ADV，其中第二轨迹是基于目标函数生成的，其中目标函数是基于至少一个或多个界定条件确定的。

【技术实现步骤摘要】
自动驾驶车辆的混合规划系统
本公开的实施方式总体上涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及自动驾驶车辆(ADV)的混合规划系统。
技术介绍
以自动驾驶模式运行(例如，无人驾驶)的车辆可将乘员、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，可使用车载传感器将车辆导航到各个位置，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进。自动驾驶规划的目标是生成车辆可遵循的轨迹。ADV可使用驾驶轨迹自导航。驾驶轨迹可确定ADV在给定时间点的位置、速度和加速度。因此，驾驶轨迹的生成是半自动或全自动驾驶车辆的关键组件。所生成的轨迹需要平衡至少三个标准，该标准是：车载乘客和/或附近的行人的安全性、车载乘客的舒适性，以及朝向目的地位置前进的目标。为了安全起见，轨迹需要避开周围环境中的障碍物。为了舒适性，轨迹需要是平滑且有效的轨迹，即，具有可在合理的时间内将ADV从当前位置操纵到目的地的适度的加速度。最后，轨迹需要遵循本地交通规则，即，在红色信号灯和停止标志处停止等。
技术实现思路
本申请的一个方面提供了这样一种用于生成自动驾驶车辆(ADV)的驾驶轨迹的计算机实现的方法，方法包括：基于自动驾驶车辆(ADV)的感知的环境来确定一个或多个界定条件；使用神经网络模型生成第一轨迹，其中，训练神经网络模型以生成驾驶轨迹；确定第一轨迹是否满足一个或多个界定条件；如果第一轨迹满足一个或多个界定条件，则根据第一轨迹自动地控制ADV；以及否则，根据第二轨迹自动地控制ADV，其中，第二轨迹是基于目标函数生成的，目标函数至少基于一个或多个界定条件。本申请的另一个方面提供了这样一种存储有指令的非暂时性机器可读介质，该指令在由处理器执行时使得处理器执行操作，该操作包括：基于自动驾驶车辆(ADV)的感知的环境来确定一个或多个界定条件；使用神经网络模型生成第一轨迹，其中，训练神经网络模型以生成驾驶轨迹；确定第一轨迹是否满足一个或多个界定条件；如果第一轨迹满足一个或多个界定条件，则根据第一轨迹自动地控制ADV；以及否则，根据第二轨迹自动地控制ADV，其中，第二轨迹是基于目标函数生成的，目标函数至少基于一个或多个界定条件。本申请的另一个方面提供了这样一种数据处理系统，包括：处理器；以及存储器，联接到处理器以存储指令，指令在由处理器执行时使得处理器执行操作，操作包括：基于自动驾驶车辆(ADV)的感知的环境来确定一个或多个界定条件；使用神经网络模型生成第一轨迹，其中，训练神经网络模型以生成驾驶轨迹；确定第一轨迹是否满足一个或多个界定条件；如果第一轨迹满足一个或多个界定条件，则根据第一轨迹自动地控制ADV；以及否则，根据第二轨迹自动地控制ADV，其中，第二轨迹是基于目标函数生成的，目标函数至少基于一个或多个界定条件。本申请的另一个方面提供了这样一种计算机程序产品，包括：计算机程序，该计算机程序在被处理器执行时实现以下方法：基于自动驾驶车辆(ADV)的感知的环境来确定一个或多个界定条件；使用神经网络模型生成第一轨迹，其中，训练神经网络模型以生成驾驶轨迹；确定第一轨迹是否满足一个或多个界定条件；如果第一轨迹满足一个或多个界定条件，则根据第一轨迹自动地控制ADV；以及否则，根据第二轨迹自动地控制ADV，其中，第二轨迹是基于目标函数生成的，目标函数至少基于一个或多个界定条件。附图说明在附图的各图中以举例而非限制的方式示出了本公开的实施方式，附图中相同的参考标记指示相似元件。图1是示出根据一个实施方式的网络化系统的框图。图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。图3A至图3B是示出根据一个实施方式的、与自动驾驶车辆一起使用的自动驾驶系统的示例的框图。图4是示出根据一个实施方式的混合规划模块的示例的框图。图5是示出根据一个实施方式的站-侧移(SL)地图的示例的框图。图6A至图6B是示出根据一个实施方式的站时(ST)地图的示例的框图。图7是示出根据一个实施方式的混合规划框架的示例的框图。图8A至图8B是示出根据一个实施方式的SL地图的示例的框图。图9A至图9B是示出根据一个实施方式的ST地图的示例的框图。图10A至图10B是示出根据一个实施方式的SL地图的示例的框图。图11A至图11B是示出根据一个实施方式的ST地图的示例的框图。图12是根据一个实施方式的由ADV执行的方法的流程图。具体实施方式将参考以下所讨论的细节来描述本公开的各种实施方式和方面，且附图将示出各种实施方式。以下描述和附图是本公开的说明，而不应解释为对本公开的限制。为提供对本公开的各种实施方式的透彻理解，描述了大量的具体细节。然而，在某些情况下，为了提供对本公开的实施方式的简洁讨论，并未描述公知的或常规的细节。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公开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。本公开的实施方式结合了两种显著类型的规划系统。规划系统可以是基于规则的规划系统(使用目标函数)，该规划系统可确保一定程度的操作员安全性、生成的轨迹的舒适性/平滑性，以及轨迹实现合理的进展。然而，基于规则的规划系统可能不能在某些场景中对这三个标准进行优先级排序。例如，当车辆在ADV的前方切入时，ADV可施加硬中断，以保证安全距离(例如，与前方切入的车相距3秒)。另一个规划系统可以是基于深度学习神经网络模型的规划系统，该规划系统可被训练以生成具有三个标准的平衡的轨迹。但是对于一些场景，模型可能输出不安全的轨迹。根据一些实施方式，系统/方法生成自动驾驶车辆(ADV)的驾驶轨迹。该系统感知自动驾驶车辆(ADV)的环境。该系统基于所感知的环境来确定一个或多个界定条件。在一个实施方式中，界定条件还可基于交通规则和/或地图信息来确定。例如，地图信息指定ADV的车道、左车道边界和右车道边界、车道的交通方向，以及是否允许根据交通规则(例如，虚线车道标记或实线车道线)改变车道。地图信息可以是ADV的高清晰度地图(例如，图3A的地图和路线数据311)，或者是从ADV的传感器感知到的实时生成的地图。交通规则可指定红色交通信号灯是停止，绿色交通信号灯是通行。基于交通规则和/或地图信息，可实时地为ADV指定界定条件。该系统使用神经网络模型生成第一轨迹，其中，神经网络模型被训练以生成驾驶轨迹。系统评估/确定第一轨迹是否满足一个或多个界定条件。如果第一轨迹满足一个或多个界定条件，则系统根据第一轨迹自动地控制ADV。否则，系统根据第二轨迹自动地控制ADV，其中基于目标函数生成第二轨迹，其中基于至少一个或多个界定条件确定目标函数。图1是示出根据本公开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的自动驾驶车本文档来自技高网...

【技术保护点】
1.用于生成自动驾驶车辆的驾驶轨迹的计算机实现的方法，所述方法包括：/n基于自动驾驶车辆的感知的环境来确定一个或多个界定条件；/n使用神经网络模型生成第一轨迹，其中，训练所述神经网络模型以生成驾驶轨迹；/n确定所述第一轨迹是否满足所述一个或多个界定条件；/n如果所述第一轨迹满足所述一个或多个界定条件，则根据所述第一轨迹自动地控制所述自动驾驶车辆；/n否则，根据第二轨迹自动地控制所述自动驾驶车辆，其中，所述第二轨迹是基于目标函数生成的，所述目标函数至少基于所述一个或多个界定条件。/n

【技术特征摘要】
20200915 US 17/021,2071.用于生成自动驾驶车辆的驾驶轨迹的计算机实现的方法，所述方法包括：
基于自动驾驶车辆的感知的环境来确定一个或多个界定条件；
使用神经网络模型生成第一轨迹，其中，训练所述神经网络模型以生成驾驶轨迹；
确定所述第一轨迹是否满足所述一个或多个界定条件；
如果所述第一轨迹满足所述一个或多个界定条件，则根据所述第一轨迹自动地控制所述自动驾驶车辆；
否则，根据第二轨迹自动地控制所述自动驾驶车辆，其中，所述第二轨迹是基于目标函数生成的，所述目标函数至少基于所述一个或多个界定条件。


2.根据权利要求1所述的方法，其中，基于目标函数生成所述第二轨迹包括：
基于由所述自动驾驶车辆感知的一个或多个障碍物和交通规则生成路径曲线；
基于所述路径曲线生成速度曲线，其中，所述速度曲线包括对于所述一个或多个障碍中的每一个的、让行或超过所述障碍物的决策；以及
使用动态编程基于所述路径曲线、所述速度曲线和所述目标函数生成所述第二轨迹，以使得可基于所述第二轨迹自动地控制所述自动驾驶车辆。


3.根据权利要求1所述的方法，还包括：基于平滑函数来平滑所述第一轨迹或所述第二轨迹，其中，所述平滑函数是基于所述一个或多个界定条件来确定的。


4.根据权利要求1所述的方法，其中，所述一个或多个界定条件包括车道边界、障碍物边界或交通灯边界。


5.根据权利要求1所述的方法，其中，所述第一轨迹是基于所述自动驾驶车辆的能力和所述自动驾驶车辆的所感知的环境、使用所述神经网络模型生成的。


6.根据权利要求1所述的方法，还包括：基于地图信息确定所述一个或多个界定条件，其中，所述地图信息是从所述自动驾驶车辆的本地或远程数据库中检索的。


7.根据权利要求1所述的方法，其中，基于目标函数生成所述第二轨迹包括：
生成多个候选轨迹；
基于所述目标函数为所述多个候选轨迹中的每一个确定轨迹成本，所述目标函数具有安全性因子、舒适性因子和/或进展因子；以及
选择所述多个候选轨迹中的一个作为所述第二轨迹，其中，所选择的轨迹具有最低的轨迹成本。


8.存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时使得所述处理器执行操作，所述操作包括：
基于自动驾驶车辆的感知的环境来确定一个或多个界定条件；
使用神经网络模型生成第一轨迹，其中，训练所述神经网络模型以生成驾驶轨迹；
确定所述第一轨迹是否满足所述一个或多个界定条件；
如果所述第一轨迹满足所述一个或多个界定条件，则根据所述第一轨迹自动地控制所述自动驾驶车辆；
否则，根据第二轨迹自动地控制所述自动驾驶车辆，其中，所述第二轨迹是基于目标函数生成的，所述目标函数至少基于所述一个或多个界定条件。


9.根据权利要求8所述的非暂时性机器可读介质，其中，基于目标函数生成所述第二轨迹包括：
基于由所述自动驾驶车辆感知的一个或多个障碍物和交通规则生成路径曲线；
基于所述路径曲线生成速度曲线，其中，所述速度曲线包括对于所述一个或多个障碍中的每一个的、让行或超过所述障碍物的决策；以及
使用动态编程基于所述路径曲线、所述速度曲线和所述目标函数生成所述第二轨迹，以使得可基于所述第二轨迹自动地控制所述自动驾驶车辆。


10.根据权利要求8所述的非暂时性机器可读介质，其中，所述操作还包括基于平滑函数来平滑所述第一轨迹或所述第二...

【专利技术属性】
技术研发人员：蒋一飞，周金运，陶佳鸣，姜舒，胡江滔，缪景皓，宋适宇，
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