[发明专利]确定自主车辆的可驾驶自由空间

说明书

在各种示例中，可以接收传感器数据，该传感器数据表示位于物理环境中的车辆的传感器的视场。传感器数据可以应用于机器学习模型，该机器学习模型计算与将物理环境中的不可驾驶的空间与可驾驶的自由空间分开的边界相对应的一组边界点和用于与所述边界相对应的该组边界点的边界点的类标签。可以从由传感器数据表示的一组边界点确定物理环境内的位置，并且可以使用位置和类标签通过可驾驶的自由空间内的物理环境来控制车辆。

背景技术

自主驾驶系统可以在无人监督的情况下控制自主车辆(autonomous vehicle)，同时达到可接受的安全水平。这可能要求自主驾驶系统能够至少实现细心的人类驾驶员的功能性能，该人类驾驶员利用感知和动作系统，该系统具有识别复杂环境中的移动和静态障碍并对其作出反应的难以置信的能力。为了实现这一点，可以确定无障碍环境的区域(例如，可驾驶的自由空间)，因为该信息在规划演习和/或导航决策时可能对自主驾驶系统和/或高级驾驶员辅助系统(ADAS)有用。

一些确定可驾驶的自由空间的传统方法使用了使用深度人工神经网络(DNN)的基于视觉的技术。例如，这些传统方法使用DNN(例如卷积神经网络(CNN))来执行语义分割(例如，图像的逐像素分类)。然而，语义分割可能在计算上是昂贵的，因为分类被分配给图像的每个像素，并且因此可能需要对DNN的输出进行广泛的后处理以使得输出可由自主驾驶系统使用。因此，使用语义分割来确定可驾驶的自由空间的许多传统方法的缺点是它们不能实时运行。在一些传统方法中-例如在进行调整以减少计算费用以允许实时操作的情况下-语义分割的代价是确定可驾驶的自由空间低于维持自主驾驶的可接受安全水平所需的准确度水平。

另外，在其他传统方法中，可以实现可以执行逐列回归的CNN。然而，这些传统方法可以使用完全连接层，其类似于上述语义分割任务，也可能消耗过量的计算资源，从而降低CNN实时运行的能力。此外，即使在使用CNN进行逐列回归的情况下，也未识别在每列中回归的边界或障碍的类型或类别。结果，CNN的输出可能不足以为自主驾驶系统提供信息以实现自主车辆的安全操作。例如，没有CNN提供的一类边界的上下文-例如诸如人类的动态边界，与诸如路缘的静态边界相对-自主驾驶系统可能无法准确地预测以可以安全控制自主车辆的方式的可驾驶的自由空间。在这样的示例中，当确定导航的位置时，自主驾驶系统可以不考虑边界的动态性质(例如，动态边界类可以在移动时减小可驾驶的自由空间)。结果，即使在所确定的可驾驶的自由空间不对应于实际可驾驶的自由空间的情况下(例如，由于一个或多个动态边界类的移动)，自主车辆也可以使用所确定的可驾驶的自由空间来导航环境。

发明内容

本公开的实施例涉及确定用于自主车辆的可驾驶的自由空间。更具体地，公开了一种用于识别在物理环境中将可驾驶的自由空间(例如，无障碍空间)与不可驾驶的空间(例如，具有或超出一个或多个障碍的空间)分开的一个或多个边界以供自主车辆在物理环境中导航所使用的系统和方法。

与诸如上述那些的传统系统相比，本公开的系统可以使用有效且精确的机器学习模型-例如卷积神经网络(CNN)-在将物理环境中的可驾驶的自由空间与不可驾驶的空间分开的一个或多个边界上回归。例如，本系统的CNN可以是完全卷积网络，意味着CNN可以不包括任何完全连接层，从而提高系统的效率，同时减少计算资源的消耗。此外，通过在边界上回归(例如，逐列)，当前系统可能不需要单独地对图像的每个像素进行分类-如传统分割方法所要求的-从而减少了对CNN的输出执行大量后处理的要求。

与传统方法相比，本系统的CNN可以预测与图像中识别的(多个)边界相对应的每个边界类的标签。结果，本系统可以使用该上下文信息(例如，动态边界、静态边界、车辆、行人、路缘、障碍等)来安全地导航自主车辆通过环境，同时考虑划定可驾驶的自由空间的不同边界类-例如边界类是否可以移动、它们如何移动、它们移动到何处以及/或类似物。

最终，本系统可以实现用于检测可驾驶的自由空间的CNN，与传统方法相比，其在计算上更便宜，更具上下文信息，足以有效地实时运行(例如，每秒30帧或更高)，并且足够准确可用于安全地导航自主车辆通过现实世界的物理环境。