0 0
Read Time:31 Second

蓋世汽車訊據外媒報道,日前,美國專利商標局(U.S.PatentandTrademarkOffice)公佈瞭蘋果公司的73項專利,其中有一項涉及泰坦項目(ProjectTitan)的新發明,包含自動或半自動駕駛汽車運動規劃與控制的系統和算法。新系統著重於兩個關鍵系統的使用,即”行為規劃器(TheBehaviorPlanner)”和”動作選擇器(TheMotionSelector)”。能夠感知環境並導航到目的地的機動車輛,很少或根本不需要駕駛員進行幹預,才可能被稱為自動駕駛汽車。而目前,由於現有硬件和軟件的限制,分析車輛外部環境相關信息的計算速度還不足夠快,無法在沒有人工引導的情況下,做出重要的導航決策。而且,即使有快速處理器、大內存和高級算法,但由於在真實交通環境中,其他物體的行為無法預測,以及環境數據不完整或有噪聲,因此對自動駕駛車輛的行駛軌跡做出及時、合理的決策仍然是一項重大挑戰。蘋果的該項專利描述瞭用於管理自動駕駛車輛軌跡或運動的決策方法和設備。在一個實例中,與自動駕駛汽車的決策組件可以包括至少一個行為規劃器和一個運動選擇器,其中一個或兩個行為規劃器和運動選擇器可以組成各自的計算設備集。行為規劃器行為規劃器經過配置,可以迭代方式,在某些選定時間范圍內,如數十秒或幾分鐘,生成車輛條件動作的候選序列和相關預期狀態變化,並至少向運動選擇器提供在各種規劃迭代期間生成的一些序列。這些序列也可稱為策略,而動作可能包括變道,以及加速或減速到特定速度等,並且時間周期可能僅有短短幾秒。某一給定狀態可表示受控自動駕駛汽車的位置、速度和其他屬性,還可表示道路拓撲信息(包括車道線、停車標志和路面狀況等),以及自動駕駛汽外部環境中的其他車輛和物體。由於某個操作可能會導致多種狀態,因此前一種狀態中采取的特定操作會引起車輛狀態的變化,此種變化可能與條件概率相關。在一些應用中,行為規劃器可進行配置,利用決策樹技術生成策略。在一些實例中,從機器學習模型(如深度神經網絡模型)中獲得的啟發,可用於優化決策樹算法的執行。神經網絡可用於限制決策樹搜索的寬度,而另一個神經網絡則可用於限制決策樹搜索的深度。運動選擇器運動選擇器可以使用這些策略和附加的輸入信息,生成低級別的指令,然後傳輸到車輛的各個運動控制子系統,如制動子系統、加速子系統和轉向子系統等,從而使車輛沿著選擇器選定的軌跡行駛。在一些實例中,與動作選擇器從行為規劃器接收到策略的速率相比,動作選擇器發出指令的速率更快。在很多實例中,自動駕駛汽車配備不同類型的傳感器設備,如攝像頭、GPS、雷達、激光雷達等。這些傳感裝置的輸出信息可由行為規劃器和運動選擇器以不同的速率采集。由於運動選擇器作為車輛軌跡的終端仲裁器,而車輛軌跡可能涉及應對緊急情況和其他物體無法預測的行為,因此其傳感器數據的采樣速率可能要高於行為規劃器。用戶可以配置一個或兩個決策組件,以能夠處理傳感器不完整或有噪聲的數據集。如下蘋果專利圖FIG.1闡釋瞭一個示例系統環境,其中自動駕駛汽車的決策組件可以綜合利用決策樹搜索算法和神經網絡模型,以控制車輛軌跡。如下蘋果專利圖FIG.2闡釋瞭自動駕駛汽車的決策情形,以及與此類決策情形相關的一般問題的特征。如下蘋果專利圖FIG.3概述瞭一種自動駕駛汽車的混合決策方法,涉及隨機、確定性和基於學習的技術的組合。如下蘋果專利圖FIG.7概述瞭神經網絡模型,該模型可用於優化自動駕駛汽車運動控制的決策樹搜索操作。

Happy
Happy
0 %
Sad
Sad
0 %
Excited
Excited
0 %
Sleppy
Sleppy
0 %
Angry
Angry
0 %
Surprise
Surprise
0 %