[发明专利]确定自主车辆的可驾驶自由空间

权利要求书

1.一种方法，包括：接收由物理环境中的车辆的一个或多个传感器生成的传感器数据；将所述传感器数据应用于神经网络；通过所述神经网络的第一流计算由所述传感器数据表示的一组边界点，所述一组边界点与将所述物理环境内的可驾驶的自由空间与所述物理环境内的不可驾驶的空间分开的边界相对应；确定与所述一组边界点相对应的所述物理环境内的位置；通过所述神经网络的第二流计算所述一组边界点中的边界点的类标签；并且至少部分地基于所述位置和所述类标签执行一个或多个操作，以用于通过所述物理环境控制车辆。

2.如权利要求1所述的方法，其中，所述一组边界点是第一组边界点，所述传感器数据是第一传感器数据，并且所述方法还包括：利用与来自在所述第一传感器数据之前捕获的第二传感器数据的第二组边界点相对应的第二值，对与所述第一组边界点相对应的第一值进行加权，以计算第三值，其中确定所述物理环境内的所述位置至少部分地基于所述第三值。

3.如权利要求1所述的方法，还包括：对于所述一组边界点中的至少一个边界点，将滤波器应用于与所述边界点相对应的第一值以生成更新的第一值，所述滤波器加权与所述边界点的至少一个相邻边界点相对应的第二值，其中确定所述物理环境内的所述位置至少部分地基于所述更新的第一值。

4.如权利要求1所述的方法，其中，所述类标签包括行人、路缘、障碍、车辆、结构、可通行、不可通行或者包罗万象的类别中的至少一个。

5.如权利要求1所述的方法，其中，所述神经网络包括卷积神经网络(CNN)，所述CNN执行回归分析，并且所述一组边界点由所述CNN的所述第一流计算作为一维阵列。

6.如权利要求5所述的方法，其中，所述传感器数据包括表示具有空间宽度的图像的图像数据，并且所述一维阵列包括与所述空间宽度相对应的多个列。

7.如权利要求1所述的方法，其中，所述一组边界点是第一组边界点，所述可驾驶的自由空间是第一可驾驶的自由空间，所述不可驾驶的空间是第一不可驾驶的空间，并且该方法还包括：由所述神经网络的第三流计算由所述传感器数据表示的第二组边界点，所述第二组边界点与将所述物理环境内的第二可驾驶的自由空间与所述物理环境内的第二不可驾驶的空间分开的第二边界相对应。

8.如权利要求1所述的方法，其中，所述传感器数据表示多个列，并且所述一组边界点包括来自所述多个列中的每列的边界点。

9.如权利要求8所述的方法，其中，来自每列的所述边界点是单个点，并且所述单个点表示从所述传感器数据表示的图像的底部向上的、与所述边界相对应的所述列中的第一点。

10.一种方法，包括：接收表示物理环境的训练图像；接收表示与所述训练图像相对应的一个或多个注释的注释数据，所述一个或多个注释包括：边界标签，所述边界标签横跨所述训练图像的宽度延伸并且对应于所述训练图像的每列像素中的至少一个像素，从所述训练图像的底部到顶部所述至少一个像素对应于至少部分地将可驾驶的自由空间与不可驾驶的空间分开的所述环境中的第一边界；和与所述边界标签的一个或多个分段相对应的类标签，每个类标签对应于与一个或多个分段相关联的边界类型；并使用一个或多个注释作为地面实况数据来训练神经网络。

11.如权利要求10所述的方法，其中，所述边界标签的所述一个或多个分段中的分段对应于由所述边界类型定义的形状。

12.如权利要求10所述的方法，其中，所述边界标签的所述一个或多个分段中的分段包括沿着与所述边界类型相对应的所述训练图像的部分延伸的直线。

13.如权利要求10所述的方法，其中，所述神经网络的训练包括为来自所述神经网络的具有所述类标签的第一类标签的输出数据比第二类标签的输出数据分配更高的权重，并且使用所述更高的权重调整所述神经网络。