[发明专利]自动驾驶或半自动驾驶车辆的自适应控制

说明书

车辆的控制器使用控制函数将车辆的当前状态转换为目标状态。控制函数是概率性的以输出目标状态上的参数概率分布，该目标状态由一阶矩和至少一个高阶矩限定。控制器将当前状态提交至与下一个驾驶决策一致的至少一个控制函数子集，以生成目标状态上的参数概率分布子集，组合参数概率分布子集以生成目标状态的联合参数概率分布，并且基于目标状态的联合参数概率分布的一阶矩和至少一个高阶矩来确定控制命令。

技术领域

本发明总体涉及控制车辆，更具体而言，涉及控制自动驾驶或半自动驾驶车辆。

背景技术

自动驾驶车辆是复杂的决策系统，需要集成先进且相互连接的感测和控制部件。在最高级别，路线规划器通过道路网络计算驾驶决策序列。离散决策层负责确定车辆的本地驾驶目标。每个决策可以是右转、停留在车道上、左转或在交叉口的特定车道上完全停车中的任一个。感测和映射模块使用各种传感器信息，例如雷达、LIDAR、摄像头和全球定位系统(GPS)信息，连同先前的地图信息一起来评估与驾驶场景相关的环境分量。

运动规划的输出是车辆控制器的输入。运动规划器负责基于感测和映射模块的输出确定车辆应遵循的安全、理想和动态可行的轨迹。然后，车辆控制算法通过发出指令，例如转向角、车轮扭矩和制动力，以相对较高的采样频率跟踪该参考运动。最后，执行器控制层调节执行器以实现这些请求的命令。

自动驾驶车辆中的运动规划问题与标准机器人设置有许多相似之处，在大多数情况下，由于问题的非凸性，最优解是难以解决的。依赖于直接动态优化的方法已针对特定场景开发。然而，由于非凸性，这只会导致局部最优解，而其可能与全局最优解相去甚远，并且可能会以相对较大的计算负载和时间为代价。运动规划通常使用基于采样的方法执行，例如快速探索随机树(RRT)或图形搜索方法如A*、D*以及其它变量。

一些方法以确定性方式进行采样，而其它方法，如美国专利9,568,915中描述的方法，则使用概率采样。采样技术适用于快速机器计算，但采样方法生成的路径可能会让自动驾驶或半自动驾驶车辆中的乘员感到不自然。因此，仍然需要改进自动驾驶或半自动驾驶车辆的路径规划和控制。

发明内容

一些实施方式基于以下认识：基于采样的路径规划方法本质上是投机性和探索性的。采样技术适用于快速机器计算，但不一定与人类驾驶员处理路径规划和/或驾驶任务的方式一致。因此，对于自动驾驶或半自动驾驶车辆的乘员来说，采样方法生成的路径可能会感觉不自然。

事实上，人类驾驶员并不是通过在运动方式上采样自由空间来决定被驾驶车辆的路径。为此，一些实施方式的目的是以适合于自动驾驶或半自动驾驶车辆的自动驾驶控制的方式近似出人类驾驶员的路径生成决策。具体而言，一些实施方式使用以下概述的认识或目标的一种或组合。

首先，一些实施方式基于这样的认识，即人类驾驶员不是以采样投机性方式操作车辆，而是以旨在实现一个或多个驾驶目标的结果导向的方式操作车辆。例如，人类驾驶员的本质是有意识或无意识地为最近的未来制定驾驶目标，而不是对车辆前方的空间进行采样。驾驶目标的实例包括保持当前速度、保持时距、提高速度直至速度限制、在停车标志处停车、将车辆保持在车道中心、改变车道、避开障碍物等。在制定了这些目标之后，人类驾驶员利用他们的经验和驾驶风格来驾驭车辆。为此，一些实施方式的目的是提供基于驾驶目标的路径规划，而不是基于采样的路径规划。

其次，人类驾驶员可以根据其重要性和可比性来平衡多个目标。例如，如果一个保持当前速度的驾驶目标与另一个保持时距的驾驶目标相矛盾，人类驾驶员可以平衡这些目标，做出安全的驾驶决策。为此，一些实施方式的另一个目的是提供基于驾驶目标的路径规划，该路径规划适合基于各种驾驶目标对特定驾驶情况的重要性来平衡各种驾驶目标。

第三，人类驾驶者在决策时具有灵活性。这种灵活性可基于他们的驾驶风格、环境条件(例如交通状况或增加驾驶的不确定性的纯能见度)或者只是他们的情绪。为此，一些实施方式的目的是将这种灵活性纳入基于驾驶目标的路径规划方法中。