利用机器学习使用运动规划来操作运载工具制造技术

一种使用机器学习利用运动规划来操作运载工具的技术，包括：使用位于环境内的运载工具的一个或多个处理器存储用于在环境内操作运载工具的多个约束。运载工具的一个或多个传感器接收用于描述环境的传感器数据。一个或多个处理器从所存储的多个约束和所接收的传感器数据中提取特征向量。特征向量包括用于描述位于环境内的对象的第一特征。使用运载工具的机器学习电路基于特征向量生成第一运动段。所存储的多个约束的违反次数低于阈值。一个或多个处理器根据所生成的第一运动段来操作运载工具。

【技术实现步骤摘要】
【国外来华专利技术】利用机器学习使用运动规划来操作运载工具相关申请的交叉引用本申请要求于2018年12月18日提交的美国临时申请62/781,573的权益。
本说明书通常涉及运载工具的操作，并且具体涉及利用机器学习使用运动规划来操作运载工具。
技术介绍
运载工具从初始地点到最终目的地的导航通常需要用户或运载工具的决策系统选择通过路网从初始地点到最终目的地的路线。该路线可能涉及满足诸如不超过最大驾驶时间等的目标。然而，复杂的路线可能需要许多决策，这使得传统的路线选择算法不切实际。有时使用传统的贪婪算法来选择从初始地点到最终目的地的有向图上的路线。然而，如果道路上的大量其它运载工具使用这种贪婪算法，则所选择的路线可能变得超载并且行驶可能变慢。另外，停放的运载工具、建筑区域和行人的存在使路线选择和导航变得复杂。
技术实现思路
提供了利用机器学习使用运动规划(例如，最小违反运动规划)来操作运载工具的技术。该技术包括使用位于环境内的运载工具的一个或多个处理器来存储用于在环境内操作运载工具的多个约束。运载工具的一个或多个传感器接收描述环境的传感器数据。一个或多个处理器从所存储的多个约束和所接收的传感器数据中提取特征向量。特征向量包括描述位于环境内的对象的第一特征。运载工具的机器学习电路用于基于特征向量生成第一运动段。对所存储的多个约束的违反次数低于阈值。一个或多个处理器根据所生成的第一运动段来操作运载工具。这些技术还包括使用一个或多个处理器存储用于操作运载工具的多个约束。一个或多个处理器接收用于操作运载工具的多个运动段。多个运动段中的至少第一运动段包括运载工具要行驶的距离。针对所接收的多个运动段中的各运动段，确定对所存储的多个约束的相应违反次数。机器学习电路根据所存储的多个约束和所接收的多个运动段来生成第二运动段。第二运动段对所存储的多个约束的违反次数小于所接收的多个运动段中的各运动段对所存储的多个约束的违反次数。根据第二运动段操作运载工具。这些和其它方面、特征和实现可被表示为方法、设备、系统、组件、程序产品、用于进行功能的方法或步骤以及其它方式。从以下的包括权利要求书的说明书，这些和其它方面、特征和实现将变得明显。附图说明图1例示根据一个或多个实施例的具有自主能力的自主运载工具(AV)的示例。图2例示根据一个或多个实施例的示例“云”计算环境。图3例示根据一个或多个实施例的计算机系统。图4例示根据一个或多个实施例的用于AV的示例架构。图5例示根据一个或多个实施例的可由感知模块使用的输入和输出的示例。图6例示根据一个或多个实施例的LiDAR系统的示例。图7例示根据一个或多个实施例的操作中的LiDAR系统。图8更详细地例示根据一个或多个实施例的LiDAR系统的操作。图9例示根据一个或多个实施例的规划模块的输入和输出之间的关系的框图。图10例示根据一个或多个实施例的在路径规划中使用的有向图。图11例示根据一个或多个实施例的控制模块的输入和输出的框图。图12例示根据一个或多个实施例的控制器的输入、输出和组件的框图。图13例示根据一个或多个实施例的利用机器学习使用运动规划的运载工具的操作环境的框图。图14例示根据一个或多个实施例的运载工具违反较低排名约束以避免与对象碰撞的示例。图15例示根据一个或多个实施例的用于运载工具的操作的机器学习架构的框图。图16例示根据一个或多个实施例的利用机器学习使用运动规划来操作运载工具的处理。图17例示根据一个或多个实施例的利用机器学习使用运动规划来操作运载工具的替代处理。具体实施方式在以下描述中，为了解释的目的，阐述了许多具体细节，以便提供对本专利技术的透彻理解。然而，本专利技术可以在没有这些具体细节的情况下实施将是明显的。在其它实例中，众所周知的构造和装置是以框图形式示出的，以避免不必要地使本专利技术模糊。在附图中，为了便于描述，示出了示意要素(诸如表示装置、模块、指令块和数据要素的那些要素)的具体排列或次序。然而，本领域技术人员应当理解，附图中示意要素的具体次序或排列并不意在意味着要求特定的处理次序或序列、或处理过程的分离。此外，在附图中包含示意要素并不意在意味着在所有实施例中都需要这种要素，也不意在意味着由这种要素表示的特征不能包括在一些实施例中或不能在一些实施例中与其它要素结合。此外，在附图中，连接要素、诸如实线或虚线或箭头用于例示两个或更多个其它示意要素之间的连接、关系或关联，没有任何此类连接要素并不意在意味着不能存在连接、关系或关联。换句话说，一些要素之间的连接、关系或关联未在附图中示出，以便不使本公开内容模糊。此外，为了便于例示，使用单个连接要素来表示要素之间的多个连接、关系或关联。例如，如果连接要素表示信号、数据或指令的通信，本领域技术人员应理解，这种要素表示影响通信可能需要的一个或多个信号路径(例如，总线)。现在将详细参考实施例，其示例在附图中例示出。在以下的详细描述中，阐述了许多具体细节，以便提供对所描述的各种实施例的透彻理解。然而，对于本领域的普通技术人员来说将明显的是，可以在没有这些具体细节的情况下实施所描述的各种实施例。在其它情况下，没有详细描述众所周知的方法、程序、组件、电路和网络，以便不会不必要地使实施例的方面模糊。下面描述的若干特征各自可以彼此独立地使用，也可以与其它特征的任何组合一起使用。然而，任何个别特征可能不能解决以上所讨论的任何问题，或者只能解决以上所讨论的问题之一。以上所讨论的一些问题可能不能通过本文所描述的任何一个特征得到充分解决。虽然提供了标题，但在本说明书的其它地方也可以找到与具体标题有关但在具有该标题的部分中未找到的信息。本文根据以下概要描述实施例:1.总体概述2.系统概述3.自主运载工具架构4.自主运载工具输入5.自主运载工具规划6.自主运载工具控制7.利用机器学习的运动规划的操作环境8.避免碰撞的约束违反的示例9.运动规划的机器学习架构10.利用运动规划操作运载工具的处理总体概述自主运载工具(AV)在环境内操作期间使用传感器来检测对象并确定与对象的距离。传感器包括诸如照相机和LiDAR等的视觉传感器。LiDAR是一种遥感装置，其使用脉冲激光束栅格来测量从对象到装置的距离。为了操作AV，AV的视觉传感器用于接收表示环境的传感器数据。AV的一个或多个处理器用于存储在环境内操作运载工具的约束。例如，约束可以指定AV的最大速率。处理器从约束和所接收的传感器数据中提取特征向量。特征向量包括描述位于环境内的对象的第一特征。例如，第一特征可以描述对象的位置或速率。运载工具的机器学习电路用于基于特征向量生成第一运动段。生成第一运动段，使得第一运动段对约束的违反次数低于阈值。一个或多个处理器根据所生成的第一运动段来操作运载工具。系统概述图1示出具有自主能力的自本文档来自技高网...

【技术保护点】
1.一种方法，包括：/n使用位于环境内的运载工具的一个或多个处理器存储用于在所述环境内操作所述运载工具的多个约束；/n使用所述运载工具的一个或多个传感器接收用于描述所述环境的传感器数据；/n使用所述一个或多个处理器从所存储的多个约束和所接收的传感器数据中提取特征向量，其中，所述特征向量包括用于描述位于所述环境内的对象的第一特征；/n使用所述运载工具的机器学习电路基于所述特征向量生成第一运动段，使得对所存储的多个约束的违反次数低于阈值；以及/n使用所述一个或多个处理器根据所生成的第一运动段来操作所述运载工具。/n

【技术特征摘要】
【国外来华专利技术】20181218 US 62/781,5731.一种方法，包括：
使用位于环境内的运载工具的一个或多个处理器存储用于在所述环境内操作所述运载工具的多个约束；
使用所述运载工具的一个或多个传感器接收用于描述所述环境的传感器数据；
使用所述一个或多个处理器从所存储的多个约束和所接收的传感器数据中提取特征向量，其中，所述特征向量包括用于描述位于所述环境内的对象的第一特征；
使用所述运载工具的机器学习电路基于所述特征向量生成第一运动段，使得对所存储的多个约束的违反次数低于阈值；以及
使用所述一个或多个处理器根据所生成的第一运动段来操作所述运载工具。


2.根据权利要求1所述的方法，其中，所生成的第一运动段包括所述运载工具的用以避免与所述对象碰撞的定向。


3.根据权利要求1或2所述的方法，其中，所提取的特征向量的第二特征包括以下各项其中至少之一：
所述对象的时空地点；
所述对象的速率；以及
所述对象的定向。


4.根据权利要求1至3中任一项所述的方法，其中，
所提取的特征向量的第三特征包括所述运载工具的最大速率、所述运载工具的最大加速度和所述运载工具的最大急动度其中至少之一；以及
所述最大速率、所述最大加速度和所述最大急动度其中至少之一与所述运载工具的一个或多个乘客传感器所测量的乘客舒适性级别相对应。


5.根据权利要求1至4中任一项所述的方法，其中，所提取的特征向量的第四特征表示根据所述第一运动段操作所述运载工具是否导致违反交通灯。


6.根据权利要求1至5中任一项所述的方法，其中，所生成的第一运动段包括以下各项其中至少之一：
所述环境的两个时空地点之间的轨迹；以及
所述运载工具的用以避免该运载工具与所述对象碰撞的速率。


7.根据权利要求1至6中任一项所述的方法，还包括：
使用所述一个或多个处理器将所提取的特征向量的多个特征聚合为运动规划图，其中：
运动规划图包括多个边缘；以及
所述多个边缘中的各边缘与所接收的多个运动段中的各运动段相对应。


8.根据权利要求7所述的方法，其中，基于所述特征向量生成用于操作所述运载工具的第一运动段包括：
使用所述一个或多个处理器，优于与所述多个边缘中的第二边缘相对应的第二运动段而选择与所述多个边缘中的第一边缘相对应的第一运动段，其中：
根据所述第一运动段来操作所述运载工具导致违反具有较高排名的第一约束；以及
根据所述第二运动段来操作所述运载工具导致违反具有较低排名的第二约束。


9.根据权利要求7所述的方法，其中，
所述运动规划图包括最小违反运动规划图；以及
所述多个边缘中的各边缘与相应运动段的操作度量的值相关联。


10.根据权利要求9所述的方法，还包括：使用所述机器学习电路基于所述特征向量来生成所述运动规划图的所述多个边缘中的各相应运动段的操作度量的值。

<...

【专利技术属性】
技术研发人员：S·沃拉，O·O·贝基波姆，刘诗元，T·万彼洛姆萨恩，D·德·弗朗西斯科，S·D·彭德尔顿，
申请(专利权)人：动态AD有限责任公司，
类型：发明
国别省市：美国;US