[发明专利]用于碰撞避免的训练算法

说明书

通过定义包括车辆和典型驾驶环境的模型的场景来训练机器学习模型。主体车辆的模型添加至场景并且在该主体车辆上定义传感器位置。模拟在传感器位置上通过传感器的场景的感知。场景进一步地包括钻车缝车辆的模型。钻车缝车辆的位置以及传感器感知场景的模拟输出输入至机器学习算法，该机器学习算法基于传感器输出来训练模型以检测钻车缝车辆的位置。车辆控制器然后合并机器学习模型并且基于输入至机器学习模型的实际传感器输出来估算钻车缝车辆的存在和/或位置。

技术领域

本发明涉及在自主车辆中执行障碍物避让。

背景技术

在比如加利福尼亚州(CA)的旧金山或英国(UK)伦敦这样的许多拥挤的城市地区中，骑摩托车的人通常通过在车道之间行驶而超过在交通中缓慢或停止的车辆，即钻车缝(lane-splitting)。这是非常危险的驾驶活动，因为相邻车辆中的驾驶员很难检测到这样的活动，特别是当车道合并时。甚至对于未来的自主车辆来说，其可能具有内置360度感测系统，识别比如以相当高的相对速度变换车道的摩托车这样的快速移动物体将是挑战。这种困难因此将对总体感测套件和算法提出挑战。在物体或车辆挡住感测系统的情况下是进一步有问题的。

在此公开的系统和方法提供用于检测钻车缝车辆的方法。

发明内容

根据本发明的一方面，提供一种方法，该方法包含：

通过计算机系统定义三维(3D)模型；

通过计算机系统根据在3D模型中来自钻车缝车辆的入射到主体车辆的两个或两个以上的传感器位置上的声音来模拟两个或两个以上传感器输出；

通过计算机系统使用在3D模型中钻车缝车辆随着时间消逝的位置以及两个或两个以上传感器输出来训练机器学习模型。

根据本发明的一实施例，本发明方法进一步地包含：

定义在主体车辆上的一个或多个摄像机位置；

模拟在一个或多个摄像机位置上的图像的检测；以及

使用图像以及两个或两个以上传感器输出来训练机器学习模型。

根据本发明的一实施例，本发明方法进一步地包含：

定义在主体车辆上的RADAR传感器位置；

根据3D模型模拟RADAR传感器输出；以及

使用图像、RADAR传感器输出、以及两个或两个以上的传感器输出的全部来训练机器学习模型。

根据本发明的一实施例，本发明方法进一步地包含：

定义在主体车辆上的LIDAR传感器位置；

模拟根据3D模型的LIDAR传感器位置检测到的点云的顺序；以及

使用图像、RADAR传感器输出、点云的顺序、以及两个或两个以上传感器输出的全部来训练机器学习模型。

根据本发明的一实施例，其中定义3D模型进一步地包括定义多个车辆、钻车缝车辆以及主体车辆的速度。

根据本发明的一实施例，其中机器学习模型是深度神经网络。

根据本发明的一实施例，其中根据入射到两个或两个以上传感器位置上的多个车辆的声音来模拟两个或两个以上传感器输出包含模拟多普勒效应和声音的传播距离。

根据本发明的一实施例，其中将钻车缝车辆建模为发出摩托车的发动机噪声特性的钻车缝摩托车。

根据本发明的一实施例，本发明方法进一步地包含：

提供包括车辆控制器和两个或两个以上麦克风的车辆；

用机器学习模型编程车辆控制器；