[发明专利]具有自修复能力的自主驾驶车辆的多模态感测

说明书

一种用于自主车辆的装置，该装置包括具有独立的分类过程的感知流水线，该独立的分类过程并行操作以基于来自多个不同类型传感器中的多个传感器的传感器数据流来分别标识属于特定对象类型的对象。该装置还包括传感器监测级，该传感器监测级用于与感知流水线并行地操作并用于使用传感器数据流来估计和跟踪多个不同类型的传感器中的每一个传感器的置信度水平，并且在与缺陷传感器相关联的置信度水平未能满足置信度阈值时，使缺陷传感器无效。

技术领域

本公开的实施例在自主或半自主装置的领域中，尤其涉及具有自修复能力的自主驾驶车辆中的多模态感测。

背景技术

本文中所提供的背景描述是出于总体上呈现本公开的上下文的目的。除非在本文中另有指示，否则本部分中描述的材料不是本申请中的权利要求的现有技术，并且不因为包含在本部分中而被承认为现有技术。

自主或半自主装置(诸如，自动驾驶汽车、无人驾驶飞行器(UAV，也称为无人机)或机器人)可依赖于多模态的传感器集合来感知、绘制和跟踪周围环境。传感器可包括若干类型，诸如远距离雷达、中距离雷达前端、夜视相机、摄像机、后视相机、超声、中距离雷达后端等。每种类型的传感器可具有其自身的优点和缺陷。

一旦定义了最小传感器集，这些传感器中的每一个传感器对于安全地操作车辆都是必不可少的。每当这种最小集的传感器发生故障时，当前的车辆行为就将采取行动以通过接合紧急制动系统(Emergency Brake System)或类似的适用于无人驾驶车辆的紧急停车方法来安全地停车，否则会损害车辆的自主性和安全性。出于该原因，自主车辆制造商选择提供最小传感器集的超集，以提供每传感器类型的冗余，这最终导致车辆设计的更高的成本和更高的外围设备复杂度。

附图说明

通过下列结合附图的详细描述，将容易地理解实施例。为了便于该描述，相同的附图标记指示相同的结构元件。在所附附图的各图中，通过示例的方式而非通过限制的方式来图示实施例。

图1图示了自主或半自主车辆上的代表性多模态异构传感器阵列。

图2图示具有连续传感器监测和自修复能力的多模态传感器感知流水线的示图。

图3是图示根据一个公开的实施例的由具有传感器监测和自修复能力的多模态感知流水线执行的过程的流程图。

图4图示了用作用于在给定所有其他相关的传感器的行为的情况下估计传感器发生故障的概率的管理程序的贝叶斯网络(Bayes Network)。

图5图示了由贝叶斯网络管理程序用于估计传感器发生故障的概率的方程式。

图6是比较从不同传感器解释的向量描述符的一个分量的曲线图。

图7图示了可以用于检测(多个)异常值传感器的示例集群算法。

图8A图示了针对图6所示示例的由图7的集群算法输出的集群结果。

图8B是图示故障传感器的误差度量的曲线图。

图9是图示了基于传感器转换器模型的示例传感器套件管理程序过程的框图。

图10图示出根据各实施例的可采用本文中所描述的装置和/或方法的示例计算设备。

具体实施方式

描述了与具有自修复能力的自主车辆中的多模态感测相关联的装置、方法、和存储介质。

在以下详细描述中，参考形成本文一部分的附图，其中贯穿各附图相同的标记指示相同的部分，并且其中通过图示的方式示出了可实施的实施例。应理解，可利用其他实施例，并且可作出结构或逻辑的改变而不背离本公开的范围。因此，以下详细描述不应以限制的意义来理解，并且实施例的范围由所附权利要求及其等效方案来限定。