用于估计未来路径的系统和方法技术方案

一种系统和方法估计车辆的当前位置前面的未来路径。所述系统包括：至少一个处理器，其编程为：获得对道路进行导航的车辆的当前任意位置前面的环境的图像；获得受训练以在对道路进行导航的车辆前面的环境的第一多个图像上估计未来路径的受训系统；将受训系统应用于所述车辆的当前任意位置前面的环境的图像；以及基于将受训系统应用于所述图像而提供当前任意位置前面的所述车辆的所估计的未来路径。意位置前面的所述车辆的所估计的未来路径。意位置前面的所述车辆的所估计的未来路径。

【技术实现步骤摘要】
用于估计未来路径的系统和方法
[0001]相关申请的交叉引用
[0002]本申请要求2016年1月5日提交的美国临时专利申请No.62/275,046以及2016年8月10日提交的美国临时专利申请No.62/373,153的优先权的利益。前述两个申请通过其完整引用合并到本文中。


[0003]本公开总体上涉及先进驾驶者辅助系统(ADAS)和自主车辆(AV)系统。附加地，本公开涉及用于处理图像的系统和方法以及用于估计车辆的未来路径的系统和方法。

技术介绍

[0004]先进驾驶者辅助系统(ADAS)和自主车辆(AV)系统连同对象分类器一起使用相机和其它传感器，其被设计为检测对道路进行导航的车辆的环境中的特定对象。对象分类器被设计为检测预定义对象并且用在ADAS和AV系统内，以基于被检测其位置的对象的类型等而控制车辆或对驾驶者告警。然而，作为单独解决方案，预先配置的分类器用于处理道路环境及其周围的无穷小变化和细节及其一般动态性质(移动车辆、阴影等)的能力是有限的。随着ADAS和AV系统朝着完全自主操作发展，增强这些系统的能力将是有益的。

技术实现思路

[0005]以下具体实施方式参照附图。只要可能，相同标号就用在附图以及以下描述中以指代相同或相似部分。虽然本文描述若干说明性实施例，但修改、适配和其它实现方式是可能的。例如，可以对附图所示的组件进行替换、添加或修改，并且可以通过对所公开的方法替换、重排、移除或添加步骤来修改本文所描述的说明性方法。相应地，以下具体实施方式不限于所公开的实施例和示例。
[0006]所公开的实施例提供可以用作自主导航/驾驶和/或驾驶者辅助技术特征的部分或与之组合而使用的系统和方法。驾驶者辅助技术指代用于在驾驶者的车辆的导航和/或控制(例如FCW、LDW和TSR)方面辅助他们的任何合适的技术，与完全自主驾驶相反。在各个实施例中，所述系统可以包括：一个、两个或更多个相机，其可安装在车辆中；以及关联处理器，其监控所述车辆的环境。在其它实施例中，附加类型的传感器可以安装在车辆中，并且可以用在自主导航和/或驾驶者辅助系统中。在目前所公开的主题内容的一些示例中，所述系统可以提供用于处理对道路进行导航的车辆前面的环境的图像以用于训练系统(例如神经网络、应用例如深度学习算法的深度学习系统等)以基于图像而估计车辆的未来路径的技术。在目前所公开的主题内容的其它示例中，所述系统可以提供用于使用受训系统来处理对道路进行导航的车辆前面的环境的图像以估计车辆的未来路径的技术。
[0007]根据目前所公开的主题内容的示例，提供一种用于估计车辆的当前位置前面的未来路径的系统。所述系统可以包括：至少一个处理器，其编程为：获得对道路进行导航的车辆的当前任意位置前面的环境的图像；获得受训练以在对道路进行导航的车辆前面的环境
的第一多个图像上估计未来路径的受训系统；将受训系统应用于所述车辆的当前任意位置前面的环境的图像；以及基于将受训系统应用于所述图像而提供当前任意位置前面的所述车辆的所估计的未来路径。
[0008]在一些实施例中，受训系统包括全局函数的分段式仿射函数。在一些实施例中，所述全局函数可以包括：卷积、最大池化和/或修正线性单元(ReLU)。
[0009]在一些实施例中，所述方法可以还包括：利用所述车辆的当前位置前面的所估计的未来路径，以控制所述车辆的至少一个电子或机械单元，以改变所述车辆的至少一个运动参数。在一些实施例中，所述方法可以还包括：利用所述车辆的当前位置前面的所估计的未来路径，以将感知反馈提供给所述车辆的驾驶者。
[0010]在一些实施例中，所述当前位置前面的所述车辆的所估计的未来路径可以进一步基于：使用至少一个分类器来标识所述环境的图像中显现的一个或多个预定义对象。
[0011]所述方法可以还包括：利用所述车辆的当前位置前面的所估计的未来路径，以提供用于所述车辆的转向控制功能的控制点。
[0012]在一些实施例中，将受训系统应用于所述车辆的当前位置前面的所述环境的图像提供所述当前位置前面的所述车辆的两个或更多个所估计的未来路径。
[0013]在一些实施例中，所述至少一个处理器可以进一步编程为：在估计所述车辆的当前位置前面的道路简档中，利用所述车辆的当前位置前面的所估计的未来路径。
[0014]在一些实施例中，将受训系统应用于所述车辆的当前位置前面的所述环境的图像提供所述当前位置前面的所述车辆的两个或更多个所估计的未来路径，并且可以还包括：沿着所述当前位置前面的所述车辆的所述两个或更多个所估计的未来路径中的每一个估计道路简档。
[0015]在一些实施例中，所述至少一个处理器可以进一步编程为：在检测位于所述车辆的未来路径中或其附近的一个或多个车辆中，利用所述车辆的当前位置前面的所估计的未来路径。
[0016]在一些实施例中，所述至少一个处理器可以进一步编程为：使得所述车辆的至少一个电子或机械单元基于确定为处于所述车辆的未来路径中或其附近的一个或多个车辆的位置而改变所述车辆的至少一个运动参数。
[0017]在一些实施例中，所述至少一个处理器可以进一步编程为：触发感知告警，以向用户指示所述一个或多个车辆确定为处于所述车辆的未来路径中或其附近。
[0018]所述处理图像的方法可以包括：获得第一多个训练图像，所述第一多个训练图像中的每一个是对道路进行导航的车辆前面的环境的图像；对于所述第一多个训练图像中的每一个，获得所述车辆的相应目前位置前面的所述车辆的预先存储的路径；给定图像，训练系统以提供用于对车辆的相应目前位置前面的道路进行导航的车辆的未来路径，其中，训练所述系统包括：提供所述第一多个训练图像作为对所述系统的输入；在训练的每个迭代时，基于通过权重的当前状态所估计的相应临时未来路径以及相应预先存储的路径而计算损失函数；以及根据所述损失函数的结果来更新神经的权重。
[0019]在一些实施例中，获得所述第一多个训练图像可以还包括：对于来自所述第一多个训练图像的图像中的每一个，获得指示在捕获所述图像的时刻所述车辆在所述道路上的位置的数据。在一些实施例中，获得所述第一多个训练图像包括：在来自所述第一多个训练
图像的至少一个图像中获得至少一个车道标记的位置，并且其中，对于来自所述第一多个训练图像的图像中的每一个，获得指示在捕获所述图像的时刻所述车辆在所述道路上的位置的数据包括：对于来自所述第一多个训练图像的所述至少一个图像，根据所述至少一个图像中的所述至少一个车道标记的位置来确定在捕获所述至少一个图像的时刻所述车辆在所述道路上的位置。
[0020]在一些实施例中，根据所述至少一个图像中的所述至少一个车道标记的位置来确定在捕获来自所述第一多个训练图像的所述至少一个图像的时刻所述车辆在所述道路上的位置可以包括：确定在距所述至少一个车道标记的位置的预定义偏移处所述车辆在所述道路上的位置。
[0021]在一些实施例中，可以基于在捕获相应第二多个训练图像的相应时刻所述车辆在所述道路上的位置而确定所述车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.至少一种非暂时性的机器可读存储介质，所述机器可读存储介质包含指令，所述指令在被计算装置的处理器电路执行时，致使所述处理器电路进行以下操作：获取从车辆的当前位置捕获的表示环境的场景的图像；将神经网络模型应用于所述图像，所述神经网络模型经过训练以根据输入图像来识别多个未来轨迹，其中，所述神经网络模型当应用于所述图像时，生成在所述车辆的所述当前位置前面的所述车辆的两个或更多个预测的未来轨迹；以及利用所述车辆的所述两个或更多个预测的未来轨迹来改变所述车辆在所述环境内的道路上的操作。2.如权利要求1所述的机器可读存储介质，其中，所述指令进一步致使所述处理器电路：向所述车辆提供命令以改变所述车辆的所述操作的至少一个运动参数。3.如权利要求2所述的机器可读存储介质，其中，所述至少一个运动参数涉及所述车辆的转向或速度。4.如权利要求1所述的机器可读存储介质，其中，所述神经网络模型经过训练，以根据从所述图像提取的一个或多个特征来生成所述车辆的所述两个或更多个预测的未来轨迹。5.如权利要求1所述的机器可读存储介质，其中，所述神经网络模型经过训练，以根据距所述道路的特定点的偏移来生成所述车辆的所述两个或更多个预测的未来轨迹。6.如权利要求1所述的机器可读存储介质，其中，所述指令进一步致使所述处理器电路：获取指示所述道路的特征的地图数据；其中，所述神经网络模型进一步基于所述道路的所述特征生成所述车辆的所述两个或更多个预测的未来轨迹。7.如权利要求6所述的机器可读存储介质，其中，从远程系统获取所述地图数据。8.如权利要求1所述的机器可读存储介质，其中，所述指令进一步致使所述处理器电路：获取指示所述车辆的过去状态的数据；其中，所述神经网络模型进一步基于所述车辆的所述过去状态生成所述车辆的所述两个或更多个预测的未来轨迹。9.如权利要求1所述的机器可读存储介质，其中，所述神经网络模型的训练采用多个训练图像来进行。10.如权利要求1至9中任一项所述的机器可读存储介质，其中，由所述车辆的相机来捕获所述图像。11.一种计算装置，包括：存储器，所述存储器存储从车辆的当前位置捕获的表示环境的场景的图像；以及处理器电路，所述处理器电路被配置成：
ꢀꢀꢀꢀꢀꢀꢀꢀ
将神经网络模型应用于所述图像，所述神经网络模型经过训练以根据输入图像来识别多个未来轨迹，其中，所述神经网络模型当应用于所述图像时，生成在所述车辆的所述当...

【专利技术属性】
技术研发人员：D，
申请(专利权)人：御眼视觉技术有限公司，
类型：发明
国别省市：