[发明专利]自驾驶载具的车道搜索

说明书

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，其根据车道图拓扑创建车道图几何。方法之一包括接收表示通过可驾驶区域的多个单元的拓扑车道路径的数据。根据拓扑车道路径，可以生成穿过与拓扑车道路径相同的多个单元的初始多段线。初始多段线可以由位于可驾驶区域的三角分解的边上的顶点来定义。可以根据优化标准对初始多段线执行几何优化过程，以生成最终多段线。根据最终多段线，可以生成表示穿过可驾驶区域的可驾驶车道的几何的几何车道路径。

技术领域

本说明书涉及自驾驶汽车，并且更具体地，涉及用于生成表示可驾驶空间区域中的交通车道的预测的车道路径的技术。

背景技术

安装在自驾驶载具上的导航系统通常使用预先生成的地图进行导航。这些地图是使用数字地图数据、卫星数据和先前旅行期间进行的观察而预先生成的。这种地图可以存储在自驾驶载具的存储器中、或者存储在与载具通信的数据中心中。

然而，在一些情况下，自驾驶载具可能会遇到一些道路尚未被绘制在地图上的区域。此外，即使已经在地图上绘制了道路，当出现新的障碍时(例如由于道路上的施工或车道调整)，地图也可能不准确。这种不准确性会给自主导航(也就是说，没有驾驶员的指导)的载具带来挑战。

发明内容

一般地，本说明书描述的主题的创新方面涉及创建车道图拓扑，以及根据车道图拓扑创建车道图几何(geometry)。

可以实现本说明书描述的主题的特定实施例，以实现以下优点中的一个或多个。

下述技术可以确定性地枚举通过可驾驶区域的所有车道图拓扑。这种完整性特性保证了生成与真实的车道图相对应的车道图拓扑。事实上，在可以选择最优拓扑和随后的最优几何之前，至少保证正确的拓扑在被考虑的拓扑列表中，因此完整性是重要的。

此外，该技术可以产生与每个车道图相关联的分数，该分数指示每个车道图正确地反映实际车道位置的预测的可能性，并且该分数可以用于基于从最有可能到最不可能的预测对可能的车道图进行排序。这样的分数可以用于选择车道图或者首先选择车道图拓扑，例如，通过评估与枚举中的每个车道图相关联的分数并且选择具有最高分数的车道图。

搜索方法可以进一步利用分数，通过以首先考虑最高分数拓扑的次序探索所有可能的车道图拓扑的空间来确定最优车道图。在时间有限且无法完成完整枚举的情况下，这种搜索方法增加了找到真实的车道图的机会，就像实际上已经完成了枚举一样。

下述技术也不需要依赖于机器学习技术，诸如深度神经网络。由于深度网络在计算上是昂贵的，需要大量的训练数据，并且可以产生近似的结果，所以确定性方法可能是有利的。

下述技术进一步使用车道图拓扑使用涉及凸空间上对分数的局部优化的优化、来创建通过可驾驶区域的车道图几何。这种优化允许现代计算机运行各种高效的局部优化算法，因此这些技术使自驾驶汽车能够实时地做出路线决策。在本说明书中，实时地计算车道图意味着载具的车载计算系统可以在完全自驾驶所需的时间段内计算车道图。换句话说，车载计算系统不需要参考预先存储的道路上的车道表示。相反，该计算系统可以在导航载具时，在行进中生成车道表示。在一些实现方式中，自驾驶汽车的计算系统可以在导航通过区域时不断地重新生成车道图，这允许完全自主地导航通过在预先存储的地图数据中可能没有完全或部分表示的区域。因此，本说明书中描述的技术可以允许完全自主导航，即使是在从未被绘制到地图上的道路(例如，刚建成的道路)上。

下述技术还允许便于整合外部证据(例如“禁止左转”或“靠左”标志)。候选拓扑可以被确定为与这样的证据兼容或不兼容，并且在本说明书中描述的技术可以用于取消与证据不兼容的任何拓扑的资格。结果，该技术将返回最有可能的拓扑，该拓扑也满足预先存储的约束或从外部证据(包括道路标志)导出的约束。相比于尝试使用纯机器学习的方法，对约束的基于规则的整合是主要优势。例如，在不探索特征空间的情况下，这种实时学习的外部证据不能容易地用于神经网络。