[发明专利]自主机器应用中的路口姿态检测

说明书

在各个示例中，可以利用来自车辆的传感器的现场感知来生成用于车辆的潜在路径，以便实时地或接近实时地导航路口。例如，深度神经网络(DNN)可以被训练成计算各个输出——如对应于与路口相关联的关键点的热图，对应于相对于车道的方向性、航向和偏移的向量场，对应于车道的宽度的强度图，和/或对应于路口的线段的分类。可以对输出进行解码和/或以其他方式进行后处理以重建路口(或与其相对应的关键点)以及以确定用于导航车辆通过路口的建议或潜在路径。

背景技术

自主驾驶系统和高级驾驶员辅助系统(ADAS)可以利用传感器(如相机、LIDAR传感器、RADAR传感器等)来执行不同任务——如车道保持、车道变换、车道分配、相机校准、转弯、路径规划和/或定位。例如，为了使自主系统和ADAS系统独立且高效地操作，必须实现对车辆的周围环境的理解。这种理解可以包括关于物体、障碍物、车道、路口等的位置的信息，并且这种信息可以由车辆在做出路径规划或控制决策时使用——如遵循什么路径或轨迹。

举例来讲，当做出路径规划、障碍物躲避、和/或控制决策(如停在哪里、使用什么路径安全地穿过路口(intersection)、其他车辆或行人可能位于哪里等)时，关于自主或半自主车辆的环境中的路口的位置和布局的信息是重要的。当车辆在城市和/或近郊驾驶环境中运行时，这是特别重要的，其中路口理解和路径规划由于相对于公路驾驶环境的变量数量的增加而变得至关重要。例如，在车辆在双向多车道驾驶环境中执行左转通过路口的情况下，确定相对于其他车道的位置和方向性以及确定人行横道或自行车道的位置对于安全和有效的自主和/或半自主驾驶变得至关重要。

在常规系统中，可从车辆的预存储的高清晰度(HD)、三维(3D)图内插路口。例如，路口和周围区域的结构和取向可从HD地图中搜集。然而，除了标记可能对于每个路口相关的每个路口姿态特征之外，这样的基于地图的解决方案还需要要被导航的每个路口的准确且详细的人类标记。因此，路口越复杂，所需要的注释越多，从而增加准确标记路口的复杂度，并且减小使用基于地图的方法进行的路口结构检测的可缩放性。例如，当需要更大或更密集的地理区域(例如，城市、州、国家)的手动标记以便车辆能够在不同的区域中独立且有效地驾驶时，该过程可以在逻辑上更复杂。

发明内容

本公开的实施例涉及自主机器应用中的路口姿态检测。公开了利用来自车辆的不同传感器的输出来自动检测和生成实时或近实时地导航路口的路径的系统和方法。

与常规系统(诸如上述那些系统)相比，当前系统可使用车辆的实况感知来检测路口姿态并生成用于导航路口的路径。可以利用对应于路口的特征(如车道、人行横道、路口进入或离开线、自行车道等)的线段的关键点(例如，中心点和/或端点)来生成用于车辆导航路口的潜在路径。例如，一个或更多个机器学习算法(诸如深度神经网络(DNN))可以被训练成计算与路口相对应的信息(诸如关键点、航向方向、车道的宽度、车道的数量等)，并且此信息可以用于将中心关键点(例如，对应于线段的中心的关键点)连接在一起以生成用于车辆有效且准确地导航路口的路径和/或轨迹。如此，可以计算和利用与所预测的关键点相关联的语义信息(诸如与路口的区段相对应的方向性、航向(heading)、宽度和/或分类信息)，以便获得对路口姿态的理解。例如，DNN的输出可被用于直接或间接(例如，经由解码)确定：每个车道、自行车道、人行横道的位置等；与路口相关联的车道数目；车道、自行车道、人行横道等的几何结构；每条车道对应的行进方向(或航向方向)；和/或其他路口结构信息。

作为使用实况感知来生成对每个路口的理解的结果，生成用于导航路口的路径的过程可能是相对不太耗时的，计算强度更小并且更加可扩展，因为系统可以学习实时地或接近实时地诊断每个路口，不需要路口的先前经验或知识。因此，自主车辆可能能够更自由地行进通过城市、城区环境或HD地图可能不容易获得或完全准确的其他位置。

附图说明

下面参照附图详细描述用于自主机器应用中的路口姿态检测的本系统和方法，其中：