[发明专利]预测周围因素的加塞概率

说明书

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。

背景技术

本说明书涉及自主载具。

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。

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。

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。

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。

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。

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。

发明内容

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。

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。

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。

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。