用于感知、预测或规划的地理定位模型制造技术

在一个实施例中，一种方法包括通过与车辆相关联的计算系统确定车辆在第一区域中的当前位置，标识与第一区域相关联的一个或多个第一组模型参数和与第二区域相关联的一个或多个第二组模型参数，使用具有基于第一组模型参数的一个或多个机器学习模型基于由车辆捕获的第一传感器数据生成一个或多个第一推断，将模型的配置从第一组模型参数切换到第二组模型参数，使用具有基于第二组模型参数的配置的模型基于由第二区域中的车辆的传感器生成的第二传感器数据生成一个或多个第二推断；以及使车辆基于第二推断执行一个或多个操作。使车辆基于第二推断执行一个或多个操作。使车辆基于第二推断执行一个或多个操作。

【技术实现步骤摘要】
【国外来华专利技术】用于感知、预测或规划的地理定位模型

技术介绍

[0001]现代车辆可能包括用于监测车辆和环境的一个或多个传感器或传感系统，并可能使用从这些传感器采集的数据来做出与当前和未来环境状态相关的推断。这些推断可以被用于与环境中物体的检测和分类以及车辆的路线规划相关的任务。推断可以使用统计模型做出，这些统计模型可以使用适当的参数被配置以基于环境的表示而生成推断。统计模型的参数可以基于指定特定输入(例如，环境表示)和输出(例如，诸如物体分类或路线之类的推断)之间的对应关系的训练数据来配置。这些模型后续可以被用于基于在当车辆行驶通过新的、先前未见过的环境时所收集的传感器数据而生成推断。这些模型可以标识对应于与传感器数据所表示的那些输入类似的输入的输出，并且所标识的输出可以是针对传感器数据而生成的推断。
[0002]例如，车辆可以使用一个或多个相机或LiDAR来检测车辆周围的环境中的物体。车辆可以使用一个或多个计算系统(例如，车载计算机)来收集和处理来自传感器的数据。计算系统可以使用统计模型(其存储在车载存储空间中或使用无线连接从云下载)基于这些数据生成推断，并使用这些推断来操作车辆。
附图说明
[0003]图1A图示了示例车辆环境，其包括具有车辆和众多行人的繁忙交叉路口。
[0004]图1B图示了示例地图，其被划分为区域。
[0005]图1C图示了示例地图，其被划分为与模型相关联的、部分重叠的区域。
[0006]图1D图示了示例地图，其与单个模型相关联，并且被划分为具有相关联的性能评估的区域。
[0007]图1E图示了示例地图，其被划分为与模型和性能评估相关联的区域。
[0008]图1F图示了示例地图，其被划分为区域和更小子区域。
[0009]图1G图示了示例地图，其被划分为与模型和性能评估相关联的区域和更小子区域。
[0010]图1H图示了示例地图，其被划分为不同大小的区域。
[0011]图2A图示了示例地图，其与单个模型相关联，并且被划分为对应于路段和交叉路口的区域。
[0012]图2B图示了示例地图，其与单个模型相关联，并且被划分为对应于路段和交叉路口的具有相关联的性能评估的区域。
[0013]图2C图示了示例地图，其被划分为对应于与模型相关联的路段和交叉路口的并且具有相关联的性能评估的区域。
[0014]图2D图示了示例地图，其被划分为对应于与模型相关联的路段的并且具有相关联的性能评估的区域和更小子区域。
[0015]图3图示了使用与地图区域相关联的模型的示例感知、预测和规划模块。
[0016]图4图示了用于加载和激活地理定位模型的系统的示例框图。
[0017]图5图示了用于在车辆接近区域边界配置时预加载预测模型配置并在车辆到达该边界时切换到所预加载的参数的示例方法。
[0018]图6图示了用于在使用模型配置所预测的轨迹之间的最小距离处在与不同地图区域相关联的预测模型配置之间进行切换的示例方法。
[0019]图7图示了用于基于模型性能将特定于区域的模型参数集合与地图区域相关联的示例方法。
[0020]图8图示了数据采集车辆系统收集附近车辆的车辆数据和周围环境的上下文数据的示例情况。
[0021]图9图示了用于将搭乘请求者与自主车辆进行匹配的运输管理环境的示例框图。
[0022]图10图示了算法导航流水线(pipeline)的示例框图。
[0023]图11图示了示例计算机系统。
具体实施方式
[0024]在以下描述中，将描述各种实施例。出于解释的目的，阐述了具体配置和细节以便提供对实施例的透彻理解。然而，将对本领域技术人员清楚的是，可以在没有具体细节的情况下实践实施例。此外，为了避免模糊正被描述的实施例，可以省略或简化众所周知的特征。此外，本文公开的实施例仅是示例，并且本公开的范围不限于它们。特定实施例可以包括以上公开的实施例的组件、元素、特征、功能、操作或步骤中的所有、一些、或者不包括它们。根据本专利技术的实施例尤其在针对方法、存储介质、系统和计算机程序产品的所附权利要求中公开，其中一个权利要求类别(例如，方法)中提到的任何特征也可以在另一个权利要求类别(例如系统)中被要求保护。仅出于形式原因而选择所附权利要求书中的依赖项或引用回溯。然而，由于故意引用回溯任何先前的权利要求(特别是多个依赖项)而得到的任何主题也可以被要求保护使得权利要求及其特征的任何组合被公开并且可以被要求保护而不管所附权利要求中所选择的依赖项。可被要求保护的主题不仅包括所附权利要求中列出的特征的组合，还包括权利要求中的任何其他特征的组合，其中权利要求中提到的每个特征可以与权利要求中的任何其他特征或其他特征的组合相结合。此外，本文描述或描绘的任何实施例和特征可以在单独的权利要求中和/或与本文描述或描绘的任何实施例或特征或与所附权利要求的任何特征的任何组合中被要求保护。
[0025]图1A图示了示例车辆环境100，其包括具有车辆107和众多行人108的繁忙交叉路口。计算系统可以使用各种模型(在本文中被称为机器学习模型)，这些模型已经被训练来执行与控制车辆的操作相关的任务。这些任务可以包括感知相关的任务、预测相关的任务和规划相关的任务等。这些模型通常被训练，以在与其他环境(模型已关于该其它环境被训练过)足够相似的环境中推断结果，使得模型可以标识正确的结果。两个环境之间的相似性可以通过使用合适的度量(诸如每个环境中特定特征的位置、形状、大小或数量)来比较两个环境的表示而确定。很难训练通用模型来识别不寻常的环境或知道如何对不寻常的情况进行适当反应。不寻常的环境可以是例如具有一个或多个不寻常的特征、道路条件、物体和/或情况的环境。不寻常的环境可能具有与典型环境共同的一个或多个特征，诸如相同类型的物体、相同类型的道路、相同类型的交通模式等。因此，不寻常的环境可以在至少一个特性上与典型环境不同，诸如具有不寻常的特征、道路条件、物体、情况、道路类型、交通模
式等，同时具有与典型环境的特征相同或类似的其他特性。例如，图1A中所示的车辆环境100包括位于街道的交通车道中的若干行人106，这些车道对于行人来说是不寻常的位置。此外，车辆环境100包括跨交叉路口的斜线人行横道(diagonal crosstalk)，这可能是不寻常的特征。行人很可能位于该斜线人行横道上，特别是当交通信号允许他们使用人行横道时。不寻常环境的相对稀有性导致难以训练通用机器学习模型来识别它们并适当地对它们进行响应。通用机器学习模型是基于许多不同的环境训练的，在这些环境中大多数事件/训练数据不是不寻常的特征或事件。因此，通用模型倾向于更好地识别和响应寻常的、常见的环境。这可能与识别并响应当地环境的细节(specifics)的目标相冲突。难以训练通用模型来对典型和不寻常的环境两者做出正确的推断。此外，针对不同环境而通用的机器学习模型被设计为识别在不同地理位置中的不同环境处出现的模式。与不寻常的环境或特征相比，典型环境或特征可被预期更可能出现在多个不同的地本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括通过与车辆相关联的计算系统执行以下操作：确定所述车辆在第一区域中的当前位置；标识与第一区域相关联的一个或多个第一组模型参数以及与第二区域相关联的一个或多个第二组模型参数；使用具有基于对应的第一组模型参数的配置的一个或多个机器学习模型，基于由所述车辆捕获的第一传感器数据生成一个或多个对应的第一推断；将所述一个或多个模型的配置从所述对应的第一组模型参数切换到与第二区域相关联的对应的第二组模型参数；使用具有基于所述对应的第二组模型参数的配置的所述一个或多个模型，基于当所述车辆在第二区域中时由所述车辆的所述传感器生成的第二传感器数据而生成一个或多个对应的第二推断；以及使所述车辆至少基于第二推断来执行一个或多个操作。2.如权利要求1所述的方法，其中，第一组模型参数和第二组模型参数是通过分别基于在第一区域和第二区域中收集的先前捕获的传感器数据来训练对应的模型而生成的。3.如权利要求1所述的方法，其中，标识第一组模型参数和第二组模型参数包括从数据存储库中检索第一组模型参数和第二组模型参数，其中第一组模型参数和第二组模型参数在所述数据存储库中分别与第一区域和第二区域相关联。4.如权利要求2所述的方法，其中，所述模型包括被训练以基于第一传感器数据或第二传感器数据分别标识第一区域或第二区域中的一种或多种类型的物体的一个或多个感知模型。5.如权利要求4所述的方法，其中，所述感知模型包括基于多个照明条件、多个天气条件、一天中的多个时间、或其组合而训练的多个感知模型。6.如权利要求5所述的方法，其中，确定第一组模型参数和第二组模型参数还包括：在数据存储库中标识与所述车辆的环境中的当前照明条件、所述车辆的环境中的天气条件、一天中的时间、或其组合相关联的第一组模型参数和第二组模型参数。7.如权利要求6所述的方法，其中，与第一组模型参数和第二组模型参数相关联的所述照明条件、天气条件、一天中的时间、或其组合是在通过训练对应的感知模型来生成第一组模型参数和第二组模型参数时被确定的。8.如权利要求2所述的方法，其中，所述模型包括一个或多个预测模型，所述一个或多个预测模型被训练以预测在第一传感器数据或第二传感器数据中表示的一个或多个物体的一个或多个轨迹。9.如权利要求8所述的方法，其中，具有基于与第一区域相关联的对应的第一组模型参数的配置的预测模型被训练为基于在第一区域中过去所捕获的物体的观察到的轨迹来对轨迹进行预测。10.如权利要求2所述的方法，其中，所述模型包括一个或多个规划模型，所述一个或多个规划模型被训练以基于第一传感器数据或第二传感器数据来分别标识用于操纵穿过第一区域或第二区域中的所述环境的一个或多个车辆轨迹。11.如权利要求10所述的方法，其中，所述一个或多个车辆轨迹包括导致对应的多个不同操纵被执行的多个车辆轨迹。
12.如权利要求1所述的方法，其中，第一区域通过区域边界与第二区域分开，并且将所述一个或多个模型的配置从对应的第一组模型参数切换到对应的第二组模型参数是响应于所述车辆穿过所述区域边界或被定位为距所述区域边界小于第一阈值距离而进行的，所述方法还包括：响应于基于所述车辆的当前位置和当前前进方向确定所述车辆距所述区域边界小于第二阈值距离，其中第二阈值距离大于第一阈值距离：将第二组模型参数从数据存储库加载到所述车辆上的存储器设备中。13.如权利要求1所述的方法，其中，第一组模型参数和第二组模型参数是针对预定组的第一区域和第二区域而被加载到所述车辆上的存储器设备中的，其中所述预定组是基于所述车...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：欧温星球北美股份有限公司，
类型：发明
国别省市：