[发明专利]行人意图让行

说明书

公开了确定自主车辆的让行行为的包括在计算机存储介质上编码的计算机程序的方法、系统和装置。能够识别自主车辆附近的因素。所获得的穿过意图预测表征因素意图在未来时间段期间穿过道路的预测的可能性。获得因素和自主车辆的第一特征。使用机器学习模型处理包括第一特征和穿过意图预测的输入以生成意图让行分数，所述意图让行分数表示自主车辆由于因素要穿过道路的意图而应该执行让行行为的可能性。至少从意图让行分数，意图让行行为信号被确定并且指示自主车辆是否应该在到达第一穿过区域之前执行让行行为。

相关申请的交叉引用

本申请要求于2021年7月29日提交的美国临时申请第63/227,013号的权益，其内容通过引用并入本文。

技术领域

本说明书涉及自主车辆。

背景技术

自主车辆包括自驾驶小汽车、摩托车、卡车、公共汽车和类似车辆。自主汽车使用各种车载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。

发明内容

本说明书描述了一种系统，实现为在一个或多个位置的一个或多个计算机上的计算机程序，该系统为因素(agent)(例如，在道路上或道路附近的行人或骑自行车者)附近的自主车辆确定候选让行行为。使用因素的穿过意图预测和因素的名义穿过预测，可以确定自主车辆的让行行为。

能够实现在本说明书中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。下面描述的技术可以用于允许自主车辆模仿驾驶行为已被确定为有礼貌的人类驾驶员的行为。此外，描述的技术允许自主车辆模仿有礼貌的驾驶员，同时避免可能造成不安全驾驶状况的操纵。此外，下面描述的技术可以用于使自主车辆能够创建意图让行信号和名义让行信号两者，并使用其中一个信号或全部两个信号来创建候选让行行为。自主车辆能够在规划其操作时使用候选让行行为。

一个方面的特征是识别在当前时间点导航通过环境的自主车辆附近的因素。穿过意图预测被获得，并且穿过意图预测表征因素意图在当前时间点之后的未来时间段期间穿过第一穿过区域处的道路的预测的可能性。获得因素和自主车辆的第一特征。使用机器学习模型处理包括第一特征和穿过意图预测的输入，机器学习模型被配置为生成意图让行分数，意图让行分数表示自主车辆由于因素要穿过道路的意图而应该在到达第一穿过区域之前执行让行行为的可能性。至少从意图让行分数，意图让行行为信号被确定并且指示自主车辆是否应该在到达第一穿过区域之前执行让行行为。

可以包括一个或多个以下特征。可以获得因素和自主车辆的第二特征，并且基于第二特征，可以确定一个或多个标准中的每个标准被满足。使用机器学习模型处理输入可以包括：响应于确定一个或多个标准中的每个标准被满足，仅使用机器学习模型处理输入。因素的特征可以包括：与道路的距离、速度、走向、移动性和穿过意图预测中的至少一个。自主车辆的特征包括：速度、走向、与因素的距离、自主车辆已经让行的持续时间、和自主车辆是否具有路权中的至少一个。名义让行行为信号可以被获得，并且可以指示自主车辆是否应该由于因素的名义行为预测在到达第一穿过区域之前执行让行行为，所述因素的名义行为预测指示因素是否将在未来时间段中穿过道路。至少从名义让行行为信号和意图让行行为信号，可以生成最终让行行为信号。可以确定最终让行行为信号指示自主车辆应该让行，并且自主车辆的未来轨迹可以被修改以使自主车辆执行让行行为。机器学习模型可以是分类模型。分类模型可以是决策树模型。标准可以包括：确定自主车辆的速度，将速度与阈值进行比较；以及如果速度低于阈值，则确定满足标准。标准可以包括：确定自主车辆穿越的道路的类型，确定道路的类型是否是不可接受的道路类型，以及如果道路的类型是不可接受的道路类型，则确定不满足标准。

本说明书的主题的一个或多个实施方式的细节在附图和以下描述中阐述。本主题的其他特征、方面和优点将从描述、附图和权利要求中变得清晰。

附图说明

图1a是在高速公路上行驶的车辆的示意图。

图1b、图1c是在小路上行驶的车辆的示意图。