详情

原文传递确定道路上的车辆的状态

专利名称：	确定道路上的车辆的状态
摘要：	本公开涉及确定道路上的车辆的状态。方法包括获取与道路部分相关联的地图数据、获取指示车辆在道路上的姿态的定位数据及从车辆的传感器系统获取传感器数据。方法还包括针对道路部分初始化多个滤波器。方法还包括将所获取的传感器数据中的一个或多个传感器数据点关联到所获取的地图数据的对应地图元素及确定所获取的传感器数据与相关联的所获取的地图数据之间的一个或多个归一化相似性分数。方法还包括基于所确定的一个或多个归一化相似性分数来确定一个或多个多元时间序列数据。方法还包括将一个或多个多元时间序列数据作为输入提供到训练后的机器学习算法及借助于机器学习算法选择一个初始化滤波器。
专利类型：	发明专利
申请人：	哲晰公司
发明人：	阿克塞尔·博维萨热;傅俊圣;特奥多尔·斯滕哈马尔;大卫·贝默尔
专利状态：	有效
申请日期：	2023-05-16T00:00:00+0800
发布日期：	2023-11-17T00:00:00+0800
申请号：	CN202310548852.3
公开号：	CN117073693A
代理机构：	北京德琦知识产权代理有限公司
代理人：	宋颖娉;宋志强
分类号：	G01C21/28;G01C21/16;G01C21/34;G01S19/45;G01S19/47;G06N20/00;B60W60/00;G;B;G01;G06;B60;G01C;G01S;G06N;B60W;G01C21;G01S19;G06N20;B60W60;G01C21/28;G01C21/16;G01C21/34;G01S19/45;G01S19/47;G06N20/00;B60W60/00
申请人地址：	瑞典哥德堡
主权项：	1.一种用于确定具有两条或者更多条车道的道路部分上的车辆的状态的方法，所述车辆包括自动驾驶系统ADS特征，所述方法包括：获取与所述道路部分相关联的地图数据；获取指示所述车辆在所述道路上的姿态的定位数据；从所述车辆的传感器系统获取传感器数据；针对所述道路部分初始化多个滤波器，其中，基于所获取的地图数据、所获取的定位数据和所获取的传感器数据来按照所述道路部分的车道初始化一个滤波器，其中每个滤波器指示所述道路部分上的所述车辆的估计状态；将所获取的传感器数据中的一个或者多个传感器数据点关联到所获取的地图数据的对应地图元素；确定所获取的传感器数据与相关联的所获取的地图数据之间的一个或者多个归一化相似性分数；基于所确定的一个或者多个归一化相似性分数来确定一个或者多个多元时间序列数据，其中，每个多元时间序列数据归属于多个初始化滤波器当中的对应初始化滤波器；将所述一个或者多个多元时间序列数据作为输入提供到训练后的机器学习算法，其中，所述训练后的机器学习算法被配置用于：借助于概率分类器来确定用于所述多个初始化滤波器中的每个初始化滤波器的置信概率值；通过结合一个或者多个多目标优化系数而比较针对每个初始化滤波器确定的所述置信概率值来选择所述初始化滤波器中的一个，每个优化系数指示就绪性能指标和精确度性能指标之间的优化，用于选择单个初始化滤波器作为指示所述道路部分上的所述车辆的当前状态的所述机器学习算法的输出，其中，所述方法进一步包括：基于所选择的初始化滤波器来控制所述车辆的所述ADS特征。 2.根据权利要求1所述的方法，其中，每个初始化滤波器是贝叶斯滤波器和多个贝叶斯滤波器的组合中的一者。 3.根据权利要求2所述的方法，其中，每个贝叶斯滤波器是卡尔曼滤波器、扩展卡尔曼滤波器EKF、无迹卡尔曼滤波器UKF、容积卡尔曼滤波器CKF和粒子滤波器PF中的一个。 4.根据权利要求1所述的方法，其中，所获取的传感器数据包括关于所述车辆的周围环境中的一个或者多个其它车辆的状态的信息、车道标记几何形状、车道标记类型、交通标志信息、道路障碍物信息和惯性测量单元IMU数据。 5.根据前述权利要求中任一项所述的方法，其中，所述方法进一步包括通过以下步骤来确定所获取的传感器数据与相关联的所获取的地图数据之间的一个或者多个归一化相似性分数：计算对于与对应地图元素相关联的所述一个或者多个传感器数据点中的每个传感器数据点的关联成本值；以及选择具有最小关联成本值的传感器数据点和地图元素组合。 6.根据权利要求1至4中任一项所述的方法，其中，所述方法进一步包括基于所确定的一个或者多个归一化相似性分数而通过获取每个所确定的归一化相似性分数的一个或者多个时间相关特征来确定所述一个或者多个多元时间序列数据。 7.根据权利要求1至4中任一项所述的方法，其中，所述训练后的机器学习算法进一步被配置用于：基于每个所确定的置信概率值的置信水平来对用于所述多个初始化滤波器的所确定的置信概率值进行排序。 8.根据权利要求1至4中任一项所述的方法，其中，对于每个优化系数：所述就绪性能指标包括可用性性能指标和早期性能指标中的任何一个，所述可用性性能指标包括所述一个或者多个多元时间序列数据的一部分，单个初始化滤波器的选择对于所述一个或者多个多元时间序列数据的所述部分由所述训练后的机器学习算法执行，并且所述早期性能指标包括在由所述训练后的机器学习算法执行单个初始化滤波器的选择之前传递的所述一个或者多个多元时间序列数据的平均分数，并且进一步，对于每个优化系数：所述性能精确度指标包括由所述训练后的机器学习算法正确选择的单个初始化滤波器的指示所述道路部分上的所述车辆的当前状态的部分。 9.根据权利要求1至4中任一项所述的方法，其中，所述地图数据包括高清地图数据。 10.一种存储一个或者多个程序的计算机可读存储介质，所述一个或者多个程序被配置成由车载处理系统的一个或者多个处理器执行，所述一个或者多个程序包括用于执行根据权利要求1至9中任一项所述的方法的指令。 11.一种用于确定具有两条或者更多条车道的道路部分上的车辆状态的系统，所述车辆包括自动驾驶系统ADS特征，并且所述系统包括处理电路，所述处理电路被配置成：获取与所述道路部分相关联的地图数据；获取指示所述车辆在所述道路上的姿态的定位数据；从所述车辆的传感器系统获取传感器数据；针对所述道路部分初始化多个滤波器，其中，基于所获取的地图数据、所获取的定位数据和所获取的传感器数据来按照所述道路部分的车道初始化一个滤波器，其中每个滤波器指示所述道路部分上的所述车辆的估计状态；将所获取的传感器数据中的一个或者多个传感器数据点关联到所获取的地图数据的对应地图元素；确定所获取的传感器数据与相关联的所获取的地图数据之间的一个或者多个归一化相似性分数；基于所确定的一个或者多个归一化相似性分数来确定一个或者多个多元时间序列数据，其中，每个多元时间序列数据归属于多个初始化滤波器当中的对应初始化滤波器；将所述一个或者多个多元时间序列数据作为输入提供到训练后的机器学习算法，其中，所述训练后的机器学习算法被配置成：借助于概率分类器来确定用于所述多个初始化滤波器中的每个初始化滤波器的置信概率值；通过结合一个或者多个多目标优化系数而比较针对每个初始化滤波器确定的所述置信概率值来选择所述初始化滤波器中的一个，每个优化系数指示就绪性能指标和精确度性能指标之间的优化，用于选择单个初始化滤波器作为指示所述道路部分上的所述车辆的当前状态的所述机器学习算法的输出，其中，所述处理电路进一步被配置成：基于所选择的初始化滤波器来控制所述车辆的所述ADS特征。 12.根据权利要求11所述的系统，其中，所述处理电路进一步被配置成：计算对于与对应地图元素相关联的所述一个或者多个传感器数据点中的每个传感器数据点的关联成本值；以及选择具有最小关联成本值的传感器数据点和地图元素组合。 13.根据权利要求11或12所述的系统，其中，所述处理电路进一步被配置成：基于所确定的一个或者多个归一化相似性分数而通过获取每个所确定的归一化相似性分数的一个或者多个时间相关特征来确定所述一个或者多个多元时间序列数据。 14.根据权利要求11至13中任一项所述的系统，其中，对于每个优化系数：所述就绪性能指标包括可用性性能指标和早期性能指标中的任何一个，所述可用性性能指标包括所述一个或者多个多元时间序列数据的一部分，单个初始化滤波器的选择对于所述一个或者多个多元时间序列数据的所述部分由所述训练后的机器学习算法执行，并且所述早期性能指标包括在由所述训练后的机器学习算法执行单个初始化滤波器的选择之前传递的所述一个或者多个多元时间序列数据的平均分数，并且进一步，对于每个优化系数：所述性能精确度指标包括由所述训练后的机器学习算法正确选择的单个初始化滤波器的指示所述道路部分上的所述车辆的当前状态的部分。 15.一种车辆，包括：一个或者多个车载传感器，被配置成监视所述车辆的周围环境；定位系统，被配置成监视所述车辆在道路上的姿态；以及根据权利要求11至14中任一项所述的系统。
所属类别：	发明专利