不安全驾驶场景的计算机化检测制造技术

配置成在车辆的导航期间获得一个或多个系列的连续传感器数据帧的系统

【技术实现步骤摘要】
【国外来华专利技术】不安全驾驶场景的计算机化检测
[0001]相关申请的交叉引用
[0002]本申请要求
2021
年3月
17
日提交的美国申请第
17/204,050
号的优先权，该申请的全部内容通过引用并入本文
。

技术介绍

[0003]诸如自动驾驶或半自动驾驶车辆之类的车辆可以包括从环境捕获传感器数据的传感器
。
此类传感器例如可以包括相机传感器
、
光检测和测距
(LiDAR)
传感器
、
雷达传感器
、
全球定位系统
(GPS)
设备
、
基于声纳的传感器
、
超声波传感器
、
加速计
、
陀螺仪
、
磁力计
、
惯性测量单元
(IMU)
和远红外
(FIR)
传感器
。
与车辆相关的处理器可以处理传感器数据以检测和识别环境中的不同对象或实体
。
反过来，这些对象或实体的检测可以辅助车辆执行各种导航任务，例如车辆加速和减速
、
车辆制动
、
车辆变道
、
自适应巡航控制
、
盲点检测
、
用于碰撞警告或碰撞避免的后端雷达
、
停车辅助
、
交叉交通监控
、
紧急制动和自动距离控制
。
专利
技术实现思路

[0004]本文描述的是配置成在车辆的导航期间获得一个或多个系列的连续传感器数据帧的系统
、
方法和非暂时性计算机可读介质
。
可以获得指示车辆是否处于自主模式的脱离数据
。
可以确定用于训练机器学习模型的训练数据集
。
训练数据集包括一个或多个系列的连续传感器数据帧的子集和脱离数据的子集
。
机器学习模型被训练以识别不安全的驾驶条件
。
指令进一步使系统使用训练数据集来训练机器学习模型以识别不安全的驾驶条件
。
[0005]在一些实施例中，对机器学习模型的训练包括训练机器学习模型以确定模拟场景的安全级别，所述模拟场景包括描绘驾驶条件的一系列的连续传感器数据帧
。
[0006]在一些实施例中，对机器学习模型的训练包括向机器学习模型馈送两个数据集作为输入，其中第一数据集包括被识别为安全的驾驶条件，第二数据集包括被识别为在特定位置处不安全的驾驶条件
。
[0007]在一些实施例中，所述一个或多个系列的连续传感器数据帧中的在训练数据集中的第一部分被标记为具有不安全的驾驶条件，并且所述一个或多个系列的连续传感器数据帧中的在训练数据集中的第二部分被标记为具有安全的驾驶条件
。
[0008]在一些实施例中，一个或多个系列的连续传感器数据帧的第一部分指示驾驶员已使车辆脱离自主模式，并且一个或多个系列的连续传感器数据帧的第二部分指示车辆保持在自主模式下
。
[0009]在一些实施例中，可以对一个或多个系列的连续传感器数据帧进行与脱离数据的时间戳同步
。
[0010]在一些实施例中，一个或多个系列的连续传感器数据帧中的传感器数据帧可以包括与光检测和测距数据合并的图像数据
。
[0011]在一些实施例中，脱离数据可以包括方向盘旋转数据
、
加速踏板下压数据或制动踏板下压数据中的至少一种
。
[0012]在一些实施例中，可以获得多个模拟场景
。
可以基于至少一个机器学习模型来确定与多个模拟场景相对应的安全分数
。
可以基于安全分数从多个模拟场景中选择用于测试自动驾驶车辆的嵌入式算法和
/
或逻辑的模拟场景集
。
可以在模拟中使用模拟场景集来测试嵌入式算法和
/
或逻辑，以评估或分析由嵌入式算法和
/
或逻辑做出的任何决策或采取的动作
。
[0013]在一些实施例中，可以基于小于阈值的安全分数来选择该模拟场景集
。
[0014]本文公开的装置
、
系统
、
方法和非暂时性计算机可读介质的这些和其他特征
、
以及结构的相关元件的操作方法和功能及部件组合和制造经济性将通过参考附图考虑以下描述和所附权利要求变得更加明显，所有这些都形成本说明书的一部分，其中在各个附图中相同的附图标记表示相应部分
。
然而，应当明确地理解，附图仅用于说明和描述的目的并且不旨在定义本专利技术的限制
。
[0015]自动驾驶的安全评估
附图说明
[0016]本技术的多种实施例的某些特征在所附权利要求中具体阐述
。
通过参考以下阐述利用本专利技术的原理的说明性实施例的详细描述和附图，将获得对本技术的特征和优点的更好理解，其中在附图中：
[0017]图
1A
示出了根据本公开的实施例的示例车辆，例如自动驾驶或半自动驾驶车辆
。
[0018]图
1B
示出了根据本公开的实施例的混合数据流和框图，其中框图描绘了配置成从诸如图
1A
中示出的车辆获取传感器数据的计算系统
。
[0019]图2示出了根据本公开的实施例的对数据进行合并或同步的示例性实现
。
[0020]图3示出了用于训练机器学习模型以检测或识别危险或不安全
、
或者潜在危险或不安全的条件的示例功能框图
。
[0021]图4至图
10
示出了根据本公开的实施例的训练机器学习模型以检测或识别危险或不安全
、
或者潜在危险或不安全的条件的示例性实现
。
[0022]图
11
至图
12
示出了根据本公开的实施例的用于在模拟中测试自动驾驶车辆的嵌入式算法和
/
或逻辑的模拟过程，其结合了经训练的机器学习模型
、
用于在模拟中测试自动驾驶车辆的嵌入式算法和
/
或逻辑的示例计算环境
。
[0023]图
13
示出了根据本公开的实施例的包括一个或多个硬件处理器和存储机器可读
/
机器可执行指令集的机器可读存储介质的计算组件，该指令集在被执行时使得硬件处理器执行用于训练机器学习模型的示意性方法
。
[0024]图
14
示出了可以在其上实现本文描述的任何实施例的计算机系统的框图
。
具体实施方式
[0025]自动驾驶车辆可以通过根据传感器数据确定驾驶决策的车载嵌入式算法和
/
或逻辑进行控制本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种系统，包括：一个或多个处理器；和存储指令的存储器，所述指令在由所述一个或多个处理器执行时使所述系统执行：在车辆的导航期间获得一个或多个系列的连续传感器数据帧；获取指示所述车辆是否处于自主模式的脱离数据；确定训练数据集以训练机器学习模型，所述训练数据集包括所述一个或多个系列的连续传感器数据帧的子集以及所述脱离数据的子集，所述机器学习模型被训练以识别不安全的驾驶条件；和使用所述训练数据集来训练所述机器学习模型以识别不安全的驾驶条件
。2.
根据权利要求1所述的系统，其中对所述机器学习模型的所述训练包括训练所述机器学习模型以确定模拟场景的安全级别，所述模拟场景包括描绘驾驶条件的一系列的连续传感器数据帧
。3.
根据权利要求1所述的系统，其中对所述机器学习模型的训练包括向所述机器学习模型馈送两个数据集作为输入，其中第一数据集包括被识别为安全的驾驶条件，并且第二数据集包括被识别为在特定位置处不安全的驾驶条件
。4.
根据权利要求1所述的系统，其中所述一个或多个系列的连续传感器数据帧中的在所述训练数据集中的第一部分被标记为具有不安全的驾驶条件，并且所述一个或多个系列的连续传感器数据帧中的在所述训练数据集中的第二部分被标记为具有安全的驾驶条件
。5.
根据权利要求1所述的系统，其中所述一个或多个系列的连续传感器数据帧的第一部分指示驾驶员已使所述车辆脱离自主模式，并且所述一个或多个系列的连续传感器数据帧的第二部分指示所述车辆保持在所述自主模式下
。6.
根据权利要求1所述的系统，其中对所述一个或多个系列的连续传感器数据帧进行与所述脱离数据的时间戳同步
。7.
根据权利要求1所述的系统，其中所述一个或多个系列的连续传感器数据帧中的传感器数据帧包括与光检测和测距数据合并的图像数据
。8.
根据权利要求1所述的系统，其中所述脱离数据包括方向盘旋转数据
、
加速踏板下压数据和制动踏板下压数据中的至少一者
。9.
根据权利要求1所述的系统，其中所述指令在被执行时使所述系统进一步执行：获取多个模拟场景；基于至少一个机器学习模型确定与所述多个模拟场景相对应的安全分数；基于所述安全分数从所述多个模拟场景中选择用于测试自动驾驶车辆的嵌入式逻辑的模拟场景集；和在模拟中使用所述模拟场景集来测试所述嵌入式逻辑
。10.
根据权利要求9所述的系统，其中基于小于阈值的安全分数来选择所述模拟场景集
。11.
一种计算机实现的方法，包括：在车辆的导航期间获得一个或多个系列的连续传感器数据帧；获取指示所述车辆是否处于自主模式的脱离数据；确定训练数据集以训练机器学习模型，所述训练数据集包括所述一个或多个系列的连
续传感器数据帧的子集以及所述脱离数据的子集，所述机器学习模型被训练以识别不安全的驾驶条件；和使用所述训练数据集来训练机器学习模型以识别不安全的驾驶条件

【专利技术属性】
技术研发人员：Y，
申请(专利权)人：小马智行，
类型：发明
国别省市：