预测周围因素的加塞概率制造技术

用于生成载具周围的因素的加塞概率的方法、系统和装置，包括编码在计算机存储介质上的计算机程序。方法之一包括获得环境中的一个或多个因素的因素轨迹数据；获得环境中的载具的载具轨迹数据；以及使用神经网络来处理从因素轨迹数据和载具轨迹数据生成的网络输入，以生成加塞输出，其中该加塞输出包括环境中的多个地点中的每一个的相应加塞概率，其中作为一个或多个因素之一的当前地点的每个地点的相应加塞概率表征当前地点的因素将在预定时间量内与载具的规划未来地点相交的似然性。量内与载具的规划未来地点相交的似然性。量内与载具的规划未来地点相交的似然性。

【技术实现步骤摘要】
【国外来华专利技术】预测周围因素的加塞概率

技术介绍

[0001]本说明书涉及自主载具。
[0002]自主载具包括自驾驶汽车、船只和飞机。自主载具使用各种交通工具上(on
‑
board)传感器和计算机系统来检测附近的对象，并使用这样的检测来做出控制和导航决策。
[0003]一些自主载具具有交通工具上计算机系统，其实施神经网络、其他类型的机器学习模型或两者以用于各种预测任务，例如图像内的对象分类。例如，神经网络可以用于确定由交通工具上相机捕捉的图像很可能是附近汽车的图像。神经网络，或简称为网络，是采用多层操作来从一个或多个输入预测一个或多个输出的机器学习模型。神经网络通常包括位于输入层和输出层之间的一个或多个隐藏层。每个层的输出用作网络中的另一个层(例如，下一个隐藏层或输出层)的输入。
[0004]神经网络的每个层指定要对该层的输入执行的一个或多个变换操作。一些神经网络层具有被称为神经元的操作。每个神经元接收一个或多个输入，并且生成由另一个神经网络层接收的输出。通常，每个神经元从其他神经元接收输入，并且每个神经元向一个或多个其他神经元提供输出。
[0005]神经网络的架构指定网络中包括什么层及其性质、以及网络的每个层的神经元如何连接。换句话说，架构指定哪些层将其输出作为输入提供给哪些其他层、以及如何提供输出。
[0006]每个层的变换操作由安装了实施变换操作的软件模块的计算机执行。因此，层被描述为执行操作意味着实施该层的变换操作的计算机执行该操作。
[0007]每个层使用该层的参数集合的当前值来生成一个或多个输出。因此，训练神经网络涉及对输入连续执行正向传递，计算梯度值，以及使用计算的梯度值(例如，使用梯度下降)来更新每个层的参数集合的当前值。一旦神经网络被训练，最终的参数值集合就可以用于在生产系统中做出预测。

技术实现思路

[0008]本说明书描述了载具(例如，自主或半自主载具)如何可以生成一个或多个周围因素是否要加塞(cut in)到载具前方的预测。加塞预测由机器学习模型生成，该模型在本说明书中被称为“加塞神经网络”也就是说，给定表征载具周围环境的输入，加塞神经网络的输出是一个或多个概率，其表示一个或多个周围因素将“加塞”(即，在一定时间量(例如，3秒或5秒)内进入载具的规划路径)的似然性。本说明书还描述了计算机系统如何可以使用由在现实世界中操作的载具生成的训练示例来训练加塞神经网络。
[0009]一旦加塞神经网络已经被训练，经训练的加塞神经网络就可以被部署在载具上，并且可以由载具用来做出自主或半自主驾驶决策。
[0010]根据第一实施例，提供了一种方法，包括：获得环境中的一个或多个因素的因素轨迹数据，每个因素的因素轨迹数据包括因素的预定运动参数集合的当前地点和当前值、以
及一个或多个先前时间点中的每一个的因素的预定运动参数集合的先前地点和先前值；获得环境中的载具的载具轨迹数据，该载具轨迹包括载具的预定运动参数集合的当前地点和当前值、一个或多个先前时间点中的每一个的载具的预定运动参数集合的先前地点和先前值、以及一个或多个未来时间点中的每一个的载具的预定运动参数集合的规划未来地点和规划未来值；以及使用神经网络来处理从因素轨迹数据和载具轨迹数据生成的网络输入，以生成加塞输出，其中该加塞输出包括环境中的多个地点中的每一个的相应加塞概率，其中作为一个或多个因素之一的当前地点的每个地点的相应加塞概率表征当前地点的因素将在预定时间量内与载具的规划未来地点相交的似然性。
[0011]在一些实施方式中，因素轨迹数据还包括一个或多个未来时间点中的每一个的因素的预定运动参数集合的预测未来地点和预测未来值。
[0012]在一些实施方式中，对于一个或多个未来时间点中的每一个，载具轨迹数据还包括载具的预定运动参数集合中的每一个的多个规划未来地点和多个规划未来值。
[0013]在一些实施方式中，多个地点包括不是一个或多个因素的任何当前地点的非因素地点，并且其中神经网络已经被训练为生成非因素地点的空概率。
[0014]在一些实施方式中，网络输入包括以下中的至少一个：表征环境中的道路车道的图像、或者表征环境中的一个或多个因素的边界框的图像。
[0015]在一些实施方式中，网络输入包括对应于每个因素和载具的多个通道的相应级联，并且其中在每个级联中：每个通道被表示为数据值的二维数组；每个通道中的每个位置对应于环境中的相应地点；不同通道中的对应位置对应于环境中的相同地点；通道包括时间通道和对应于预定运动参数集合中的每个运动参数的相应运动通道；并且对于由因素或载具在特定时间点占据的环境中的每个特定地点：对应于特定地点的时间通道中的位置定义了特定时间点；并且对于每个运动通道，对应于特定地点的运动通道中的位置定义了对应于特定时间点的运动通道的运动参数的值。
[0016]在一些实施方式中，预定运动参数集合包括以下中的至少一个：因素或载具在该时间点的朝向、因素或载具在该时间点的速度、或者因素或载具在该时间点的加速度。
[0017]在一些实施方式中，加塞输出包括数据值的二维数组，其中该数组中的每个位置对应于环境中的相应地点，并且其中该数据值各自表征相应地点的加塞概率。
[0018]在一些实施方式中，该方法还包括生成加塞神经网络特征，包括以下中的一个或多个：从加塞输出中提取特征，或者从神经网络的一个或多个中间输出中提取特征；以及使用加塞神经网络特征来生成环境中的一个或多个因素的因素加塞概率。
[0019]在一些实施方式中，从加塞输出中提取的特征包括以下中的一个或多个：环境的预定区域中的多个地点的平均加塞概率、或者环境的预定区域中的多个地点的最大加塞概率。
[0020]在一些实施方式中，使用加塞神经网络特征来生成因素加塞概率包括将加塞神经网络特征作为第一输入提供给不同加塞机器学习模型，该不同加塞机器学习模型对加塞神经网络特征和因素的其他特征、载具的其他特征、或两者进行操作。
[0021]在一些实施方式中，不同加塞机器学习模型是随机决策森林。
[0022]在一些实施方式中，该方法还包括计算一个或多个因素中的每一个的相应初始因素加塞概率，包括：接收指定因素的一个或多个预测路径的数据，该预测路径包括一个或多
个预测未来地点；接收指定因素的一个或多个预测路径中的每一个的相应预测路径概率的数据，其中给定预测路径的预测路径概率表征因素将在预测路径上行进的似然性；确定预测路径中的哪些在预定时间量内与载具的规划未来地点相交；以及通过组合与载具的规划未来地点相交的那些预测路径的相应预测路径概率来生成相应初始因素加塞概率；以及将初始因素加塞概率作为第二输入提供给随机决策森林。
[0023]在一些实施方式中，该方法还包括：对于一个或多个周围因素中的每一个，从周围因素的预测路径中提取表征周围因素的预测路径的一个或多个特征，其中该一个或多个特征包括以下中的一个或多个：与载具的最近碰撞时间、与一个或多个其他周围因素的最近碰撞时间、与交通灯有关的一个或多个特征本文档来自技高网...

【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：获得环境中的一个或多个因素的因素轨迹数据，每个因素的因素轨迹数据包括：因素的预定运动参数集合的当前地点和当前值；和一个或多个先前时间点中的每一个的因素的预定运动参数集合的先前地点和先前值；获得环境中的载具的载具轨迹数据，所述载具轨迹包括：载具的预定运动参数集合的当前地点和当前值；一个或多个先前时间点中的每一个的载具的预定运动参数集合的先前地点和先前值；和一个或多个未来时间点中的每一个的载具的预定运动参数集合的规划未来地点和规划未来值；以及使用神经网络来处理从因素轨迹数据和载具轨迹数据生成的网络输入，以生成加塞输出，其中所述加塞输出包括环境中的多个地点中的每一个的相应加塞概率，其中作为一个或多个因素之一的当前地点的每个地点的相应加塞概率表征当前地点的因素将在预定时间量内与载具的规划未来地点相交的似然性。2.根据权利要求1所述的方法，其中，所述因素轨迹数据还包括一个或多个未来时间点中的每一个的因素的预定运动参数集合的预测未来地点和预测未来值。3.根据权利要求1或2中任一项所述的方法，其中，对于一个或多个未来时间点中的每一个，载具轨迹数据还包括载具的预定运动参数集合中的每一个的多个规划未来地点和多个规划未来值。4.根据权利要求1
‑
3中任一项所述的方法，其中，所述多个地点包括不是一个或多个因素的任何当前地点的非因素地点，并且其中神经网络已经被训练为生成非因素地点的空概率。5.根据权利要求1
‑
4中任一项所述的方法，其中，所述网络输入包括以下中的至少一个：表征环境中的道路车道的图像；或者表征环境中的一个或多个因素的边界框的图像。6.根据权利要求1
‑
5中任一项所述的方法，其中：所述网络输入包括对应于每个因素和载具的多个通道的相应级联，并且其中在每个级联中：每个通道被表示为数据值的二维数组；每个通道中的每个位置对应于环境中的相应地点；不同通道中的对应位置对应于环境中的相同地点；通道包括时间通道和对应于预定运动参数集合中的每个运动参数的相应运动通道；并且对于由因素或载具在特定时间点占据的环境中的每个特定地点：对应于特定地点的时间通道中的位置定义了特定时间点；且对于每个运动通道，对应于特定地点的运动通道中的位置定义了对应于特定时间点的运动通道的运动参数的值。7.根据权利要求1
‑
6中任一项所述的方法，其中，所述预定运动参数集合包括以下中的
至少一个：因素或载具在所述时间点的朝向，因素或载具在所述时间点的速度，或者因素或载具在所述时间点的加速度。8.根据权利要求1
‑
7中任一项所述的方法，其中，所述加塞输出包括数据值的二维数组，其中所述数组中的每个位置对应于环境中的相应地点，并且其中所述数据值各自表征相应地点的加塞概率。9.根据权利要求...

【专利技术属性】
技术研发人员：K里法特，CP拉姆，
申请(专利权)人：伟摩有限责任公司，
类型：发明
国别省市：