WO2019200564A1 - Method for evaluating localization system of autonomous driving vehicles - Google Patents

Abstract

A first localization system (401) performs a first localization using a first set of sensors (115A) to track locations of the ADV (300) along the path from a starting point to a destination point. A first localization curve (501) is generated as a result representing the locations of the ADV (300) along the path tracked by the first localization system (401). Currently, a second localization system (402) performs a second localization using a second set of sensors (115B) to track the locations of the ADV (300) along the path. A second localization curve (502) is generated as a result representing the locations of the ADV (300) along the path tracked by the second localization system (402). A system delay of the second localization system (402) is determined by comparing the second localization curve (502) against the first localization curve (501) as a localization reference. The system delay of the second localization system (402) can then be utilized to compensate path planning of the ADV (300) subsequently.

Description

METHOD FOR EVALUATING LOCALIZATION SYSTEM OF AUTONOMOUS DRIVING VEHICLES TECHNICAL FIELD

Embodiments of the present disclosure relate generally to operating autonomous vehicles. More particularly, embodiments of the disclosure relate to localization processes of autonomous driving.

BACKGROUND

Vehicles operating in an autonomous mode (e.g., driverless) can relieve occupants, especially the driver, from some driving-related responsibilities. When operating in an autonomous mode, the vehicle can navigate to various locations using onboard sensors, allowing the vehicle to travel with minimal human interaction or in some cases without any passengers.

Motion planning and control are critical operations in autonomous driving. The precision of planning a path to control an autonomous driving vehicle (ADV) relies on the prevision of the localization processes that determine the locations of the ADV along the path. Thus, it is important to determine the quality and any system delay of the localization system of the ADV. However, there has been a lack of efficient way to evaluate a localization system of an ADV.

SUMMARY

Embodiments of the present disclosure provide a computer-implemented method for determining a system delay of localization of autonomous driving vehicles, a non-transitory machine-readable medium and data processing system.

In an aspect of the disclosure, the computer-implemented method for determining a system delay of localization of autonomous driving vehicles includes: receiving first localization data of a first localization performed by a first localization system of an autonomous driving vehicle (ADV) driving along a path; receiving second localization data of a second localization performed by a second localization system of the ADV along the path, wherein the first localization and the second localization are performed concurrently on the ADV; generating a first localization curve based on the first localization data representing locations of the ADV along the path tracked by the first localization system; generating a second localization curve based on the second localization data representing the locations of the ADV along the path tracked by the second localization system; and determining a system delay of the second localization system by comparing the second localization curve against the first localization curve as a localization reference, wherein the system delay of the second localization system is utilized to compensate planning of a path to drive the ADV subsequently.

In another aspect of the disclosure, the non-transitory machine-readable medium has instructions stored therein, which when executed by a processor, cause the processor to perform operations, the operations include: receiving first localization data of a first localization performed by a first localization system of an autonomous driving vehicle (ADV) driving along a path; receiving second localization data of a second localization performed by a second localization system of the ADV along the path, wherein the first localization and the second localization are performed concurrently on the ADV; generating a first localization curve based on the first localization data representing locations of the ADV along the path tracked by the first localization system; generating a second localization curve based on the second localization data representing the locations of the ADV along the path tracked by the second  localization system; and determining a system delay of the second localization system by comparing the second localization curve against the first localization curve as a localization reference, wherein the system delay of the second localization system is utilized to compensate planning of a path to drive the ADV subsequently.

In a further aspect of the disclosure, the data processing system includes a processor; and a memory coupled to the processor to store instructions, which when executed by the processor, cause the processor to perform operations. The operations include: receiving first localization data of a first localization performed by a first localization system of an autonomous driving vehicle (ADV) driving along a path, receiving second localization data of a second localization performed by a second localization system of the ADV along the path, wherein the first localization and the second localization are performed concurrently on the ADV, generating a first localization curve based on the first localization data representing locations of the ADV along the path tracked by the first localization system, generating a second localization curve based on the second localization data representing the locations of the ADV along the path tracked by the second localization system, and determining a system delay of the second localization system by comparing the second localization curve against the first localization curve as a localization reference, wherein the system delay of the second localization system is utilized to compensate planning of a path to drive the ADV subsequently.

BRIEF DESCRIPTION OF THE DRAWINGS

Embodiments of the disclosure are illustrated by way of example and not limitation in the figures of the accompanying drawings in which like references indicate similar elements.

Figure 1 is a block diagram illustrating a networked system according to one embodiment.

Figure 2 is a block diagram illustrating an example of an autonomous vehicle according to one embodiment.

Figures 3A-3B are block diagrams illustrating an example of a perception and planning system used with an autonomous vehicle according to one embodiment.

Figure 4 is a block diagram illustrating an example of a localization evaluation system according to one embodiment.

Figures 5A and 5B are diagrams illustrating examples of localization curves for localization evaluation according to one embodiment.

Figure 6 is a flow diagram illustrating a process of evaluating localization according to one embodiment.

Figure 7 is a block diagram illustrating a data processing system according to one embodiment.

DETAILED DESCRIPTION

Various embodiments and aspects of the disclosures will be described with reference to details discussed below, and the accompanying drawings will illustrate the various embodiments. The following description and drawings are illustrative of the disclosure and are not to be construed as limiting the disclosure. Numerous specific details are described to provide a thorough understanding of various embodiments of the present disclosure. However, in certain instances, well-known or conventional details are not described in order to provide a concise discussion of embodiments of the present disclosures.

Reference in the specification to “one embodiment” or “an embodiment” means that a particular feature, structure, or characteristic described in conjunction with the embodiment can be included in at least one embodiment of the disclosure. The appearances of the phrase “in  one embodiment” in various places in the specification do not necessarily all refer to the same embodiment.

According to some embodiments, in order to evaluate a localization system of an ADV, an ADV is equipped with two localization systems: 1) a known localization system with a set of known sensors and 2) a target localization system that will be eventually deployed in the ADV for normal driving. The known localization system refers to a localization system with known performance and precision, which is usually implemented using higher precision devices and/or sensors. The target localization system is specifically designed for the ADV or a particular type of ADVs, which typically may have unknown quality and behaviors and may be implemented using lower performance or precision devices. The ADV equipped with two localization systems then drives through a predetermined path, while both localization systems are configured to concurrently determine and track the locations of the ADV along the path. The locations determined by both localization systems are recorded and stored in a persistent storage device.

Subsequently offline or online, an evaluation process is performed on the captured localization data to determine the quality and/or system delay of the target localization system, for example, by comparing the localization data of the known (or reference) localization system and the localization data of the target (or unknown) localization system. In one embodiment, a localization curve is generated for each of the localization systems, where the localization curve represents the locations along the path the ADV has driven and captured by a localization system. The localization curve of the known localization system is utilized as a reference localization curve because it was produced by a known localization system. The localization curve of the target localization system represents a target localization curve that is to be evaluated. One of the localization curves is shifted back and forth in time and a similarity score representing the similarity in shape between the reference localization curve and the target localization curve is calculated. When the similarity score reaches maximum, the  corresponding shifted time represents the system delay of the target localization system, while the similarity score represents the quality of the target localization system.

According to one embodiment, an ADV is equipped with two localization systems, one is known (e.g., reference) and one is unknown (e.g., target) and the ADV is configured to drive through a predetermined path. A first localization system (e.g., reference localization system) performs a first localization using a first set of sensors to track locations of the ADV along the path from a starting point to a destination point. A first localization curve is generated as a result representing the locations of the ADV along the path tracked by the first localization system. Concurrently, a second localization system performs a second localization using a second set of sensors to track the locations of the ADV along the path. A second localization curve is generated as a result representing the locations of the ADV along the path tracked by the second localization system. A system delay of the second localization system is determined by comparing the second localization curve against the first localization curve as a localization reference. The system delay of the second localization system can then be utilized to compensate path planning of the ADV subsequently.

In one embodiment, in comparing two localization curves, a similarity score is calculated to represent the similarity in shape between two localization curves. When one of the localization curves is shifted in time for a predetermined time interval, a similarity score is calculated for that particular shifted time. Such a process is repeatedly performed for a number of shifted time intervals and a similarity score is calculated for each of the shifted time intervals. The similarity scores of all shifted time intervals are examined to identify the highest similarity score that indicates the two localization curves are most similar to each other at the corresponding shifted time interval. The shifted time interval with the highest similarity score can be designated as the system delay for the second localization system, while the similarity score itself can be used to represent the quality of the localization system. When the target localization system performs with the quality close or similar to the reference localization  system, its performance is considered good or satisfactory. In one embodiment, a correlation coefficient between the two localization curves is calculated to represent the similarity between the two localization curves, which is also used to represent the quality of the second localization system.

Figure 1 is a block diagram illustrating an autonomous vehicle network configuration according to one embodiment of the disclosure. Referring to Figure 1, network configuration 100 includes autonomous vehicle 101 that may be communicatively coupled to one or more servers 103-104 over a network 102. Although there is one autonomous vehicle shown, multiple autonomous vehicles can be coupled to each other and/or coupled to servers 103-104 over network 102. Network 102 may be any type of networks such as a local area network (LAN) , a wide area network (WAN) such as the Internet, a cellular network, a satellite network, or a combination thereof, wired or wireless. Server (s) 103-104 may be any kind of servers or a cluster of servers, such as Web or cloud servers, application servers, backend servers, or a combination thereof. Servers 103-104 may be data analytics servers, content servers, traffic information servers, map and point of interest (MPOI) severs, or location servers, etc.

An autonomous vehicle refers to a vehicle that can be configured to in an autonomous mode in which the vehicle navigates through an environment with little or no input from a driver. Such an autonomous vehicle can include a sensor system having one or more sensors that are configured to detect information about the environment in which the vehicle operates. The vehicle and its associated controller (s) use the detected information to navigate through the environment. Autonomous vehicle 101 can operate in a manual mode, a full autonomous mode, or a partial autonomous mode.

In one embodiment, autonomous vehicle 101 includes, but is not limited to, perception and planning system 110, vehicle control system 111, wireless communication system 112, user interface system 113, infotainment system 114, and sensor system 115.  Autonomous vehicle 101 may further include certain common components included in ordinary vehicles, such as, an engine, wheels, steering wheel, transmission, etc., which may be controlled by vehicle control system 111 and/or perception and planning system 110 using a variety of communication signals and/or commands, such as, for example, acceleration signals or commands, deceleration signals or commands, steering signals or commands, braking signals or commands, etc.

Components 110-115 may be communicatively coupled to each other via an interconnect, a bus, a network, or a combination thereof. For example, components 110-115 may be communicatively coupled to each other via a controller area network (CAN) bus. A CAN bus is a vehicle bus standard designed to allow microcontrollers and devices to communicate with each other in applications without a host computer. It is a message-based protocol, designed originally for multiplex electrical wiring within automobiles, but is also used in many other contexts.

Referring now to Figure 2, in one embodiment, sensor system 115 includes, but it is not limited to, one or more cameras 211, global positioning system (GPS) unit 212, inertial measurement unit (IMU) 213, radar unit 214, and a light detection and range (LIDAR) unit 215. GPS system 212 may include a transceiver operable to provide information regarding the position of the autonomous vehicle. IMU unit 213 may sense position and orientation changes of the autonomous vehicle based on inertial acceleration. Radar unit 214 may represent a system that utilizes radio signals to sense objects within the local environment of the autonomous vehicle. In some embodiments, in addition to sensing objects, radar unit 214 may additionally sense the speed and/or heading of the objects. LIDAR unit 215 may sense objects in the environment in which the autonomous vehicle is located using lasers. LIDAR unit 215 could include one or more laser sources, a laser scanner, and one or more detectors, among other system components. Cameras 211 may include one or more devices to capture images of the environment surrounding the autonomous vehicle. Cameras 211 may be still cameras and/or  video cameras. A camera may be mechanically movable, for example, by mounting the camera on a rotating and/or tilting a platform.

Sensor system 115 may further include other sensors, such as, a sonar sensor, an infrared sensor, a steering sensor, a throttle sensor, a braking sensor, and an audio sensor (e.g., microphone) . An audio sensor may be configured to capture sound from the environment surrounding the autonomous vehicle. A steering sensor may be configured to sense the steering angle of a steering wheel, wheels of the vehicle, or a combination thereof. A throttle sensor and a braking sensor sense the throttle position and braking position of the vehicle, respectively. In some situations, a throttle sensor and a braking sensor may be integrated as an integrated throttle/braking sensor.

In one embodiment, vehicle control system 111 includes, but is not limited to, steering unit 201, throttle unit 202 (also referred to as an acceleration unit) , and braking unit 203. Steering unit 201 is to adjust the direction or heading of the vehicle. Throttle unit 202 is to control the speed of the motor or engine that in turn control the speed and acceleration of the vehicle. Braking unit 203 is to decelerate the vehicle by providing friction to slow the wheels or tires of the vehicle. Note that the components as shown in Figure 2 may be implemented in hardware, software, or a combination thereof.

Referring back to Figure 1, wireless communication system 112 is to allow communication between autonomous vehicle 101 and external systems, such as devices, sensors, other vehicles, etc. For example, wireless communication system 112 can wirelessly communicate with one or more devices directly or via a communication network, such as servers 103-104 over network 102. Wireless communication system 112 can use any cellular communication network or a wireless local area network (WLAN) , e.g., using WiFi to communicate with another component or system. Wireless communication system 112 could communicate directly with a device (e.g., a mobile device of a passenger, a display device, a speaker within vehicle 101) , for example, using an infrared link, Bluetooth, etc. User interface  system 113 may be part of peripheral devices implemented within vehicle 101 including, for example, a keyword, a touch screen display device, a microphone, and a speaker, etc.

Some or all of the functions of autonomous vehicle 101 may be controlled or managed by perception and planning system 110, especially when operating in an autonomous driving mode. Perception and planning system 110 includes the necessary hardware (e.g., processor (s) , memory, storage) and software (e.g., operating system, planning and routing programs) to receive information from sensor system 115, control system 111, wireless communication system 112, and/or user interface system 113, process the received information, plan a route or path from a starting point to a destination point, and then drive vehicle 101 based on the planning and control information. Alternatively, perception and planning system 110 may be integrated with vehicle control system 111.

For example, a user as a passenger may specify a starting location and a destination of a trip, for example, via a user interface. Perception and planning system 110 obtains the trip related data. For example, perception and planning system 110 may obtain location and route information from an MPOI server, which may be a part of servers 103-104. The location server provides location services and the MPOI server provides map services and the POIs of certain locations. Alternatively, such location and MPOI information may be cached locally in a persistent storage device of perception and planning system 110.

While autonomous vehicle 101 is moving along the route, perception and planning system 110 may also obtain real-time traffic information from a traffic information system or server (TIS) . Note that servers 103-104 may be operated by a third party entity. Alternatively, the functionalities of servers 103-104 may be integrated with perception and planning system 110. Based on the real-time traffic information, MPOI information, and location information, as well as real-time local environment data detected or sensed by sensor system 115 (e.g., obstacles, objects, nearby vehicles) , perception and planning system 110 can plan an optimal  route and drive vehicle 101, for example, via control system 111, according to the planned route to reach the specified destination safely and efficiently.

Server 103 may be a data analytics system to perform data analytics services for a variety of clients. In one embodiment, data analytics system 103 includes data collector 121 and machine learning engine 122. Data collector 121 collects driving statistics 123 from a variety of vehicles, either autonomous vehicles or regular vehicles driven by human drivers. Driving statistics 123 include information indicating the driving commands (e.g., throttle, brake, steering commands) issued and responses of the vehicles (e.g., speeds, accelerations, decelerations, directions) captured by sensors of the vehicles at different points in time. Driving statistics 123 may further include information describing the driving environments at different points in time, such as, for example, routes (including starting and destination locations) , MPOIs, road conditions, weather conditions, etc.

Based on driving statistics 123, machine learning engine 122 generates or trains a set of rules, algorithms, and/or predictive models 124 for a variety of purposes. In one embodiment, algorithms 124 include one or more algorithms to evaluate a localization system to determine the performance or quality of the localization system and the system delay of the localization system. Such algorithms may be utilized by localization evaluation system 125 based on the localization data collected from ADVs, for example, by determining the system delay and the similarity score of the localization system in view of a localization system reference.

Figures 3A and 3B are block diagrams illustrating an example of a perception and planning system used with an autonomous vehicle according to one embodiment. System 300 may be implemented as a part of autonomous vehicle 101 of Figure 1 including, but is not limited to, perception and planning system 110, control system 111, and sensor system 115. Referring to Figures 3A-3B, perception and planning system 110 includes, but is not limited to, localization module 301, perception module 302, prediction module 303, decision module 304,  planning module 305, control module 306, routing module 307, and localization evaluation system 308.

Some or all of modules 301-308 may be implemented in software, hardware, or a combination thereof. For example, these modules may be installed in persistent storage device 352, loaded into memory 351, and executed by one or more processors (not shown) . Note that some or all of these modules may be communicatively coupled to or integrated with some or all modules of vehicle control system 111 of Figure 2. Some of modules 301-308 may be integrated together as an integrated module.

Localization module 301 determines a current location of autonomous vehicle 300 (e.g., leveraging GPS unit 212) and manages any data related to a trip or route of a user. Localization module 301 (also referred to as a map and route module) manages any data related to a trip or route of a user. A user may log in and specify a starting location and a destination of a trip, for example, via a user interface. Localization module 301 communicates with other components of autonomous vehicle 300, such as map and route information 311, to obtain the trip related data. For example, localization module 301 may obtain location and route information from a location server and a map and POI (MPOI) server. A location server provides location services and an MPOI server provides map services and the POIs of certain locations, which may be cached as part of map and route information 311. While autonomous vehicle 300 is moving along the route, localization module 301 may also obtain real-time traffic information from a traffic information system or server.

Based on the sensor data provided by sensor system 115 and localization information obtained by localization module 301, a perception of the surrounding environment is determined by perception module 302. The perception information may represent what an ordinary driver would perceive surrounding a vehicle in which the driver is driving. The perception can include the lane configuration (e.g., straight or curve lanes) , traffic light signals,  a relative position of another vehicle, a pedestrian, a building, crosswalk, or other traffic related signs (e.g., stop signs, yield signs) , etc., for example, in a form of an object.

Perception module 302 may include a computer vision system or functionalities of a computer vision system to process and analyze images captured by one or more cameras in order to identify objects and/or features in the environment of autonomous vehicle. The objects can include traffic signals, road way boundaries, other vehicles, pedestrians, and/or obstacles, etc. The computer vision system may use an object recognition algorithm, video tracking, and other computer vision techniques. In some embodiments, the computer vision system can map an environment, track objects, and estimate the speed of objects, etc. Perception module 302 can also detect objects based on other sensors data provided by other sensors such as a radar and/or LIDAR.

For each of the objects, prediction module 303 predicts what the object will behave under the circumstances. The prediction is performed based on the perception data perceiving the driving environment at the point in time in view of a set of map/rout information 311 and traffic rules 312. For example, if the object is a vehicle at an opposing direction and the current driving environment includes an intersection, prediction module 303 will predict whether the vehicle will likely move straight forward or make a turn. If the perception data indicates that the intersection has no traffic light, prediction module 303 may predict that the vehicle may have to fully stop prior to enter the intersection. If the perception data indicates that the vehicle is currently at a left-turn only lane or a right-turn only lane, prediction module 303 may predict that the vehicle will more likely make a left turn or right turn respectively.

For each of the objects, decision module 304 makes a decision regarding how to handle the object. For example, for a particular object (e.g., another vehicle in a crossing route) as well as its metadata describing the object (e.g., a speed, direction, turning angle) , decision module 304 decides how to encounter the object (e.g., overtake, yield, stop, pass) . Decision  module 304 may make such decisions according to a set of rules such as traffic rules or driving rules 312, which may be stored in persistent storage device 352.

Routing module 307 is configured to provide one or more routes or paths from a starting point to a destination point. For a given trip from a start location to a destination location, for example, received from a user, routing module 307 obtains route and map information 311 and determines all possible routes or paths from the starting location to reach the destination location. Routing module 307 may generate a reference line in a form of a topographic map for each of the routes it determines from the starting location to reach the destination location. A reference line refers to an ideal route or path without any interference from others such as other vehicles, obstacles, or traffic condition. That is, if there is no other vehicle, pedestrians, or obstacles on the road, an ADV should exactly or closely follows the reference line. The topographic maps are then provided to decision module 304 and/or planning module 305. Decision module 304 and/or planning module 305 examine all of the possible routes to select and modify one of the most optimal route in view of other data provided by other modules such as traffic conditions from localization module 301, driving environment perceived by perception module 302, and traffic condition predicted by prediction module 303. The actual path or route for controlling the ADV may be close to or different from the reference line provided by routing module 307 dependent upon the specific driving environment at the point in time.

Based on a decision for each of the objects perceived, planning module 305 plans a path or route for the autonomous vehicle, as well as driving parameters (e.g., distance, speed, and/or turning angle) , using a reference line provided by routing module 307 as a basis. That is, for a given object, decision module 304 decides what to do with the object, while planning module 305 determines how to do it. For example, for a given object, decision module 304 may decide to pass the object, while planning module 305 may determine whether to pass on the left side or right side of the object. Planning and control data is generated by planning module 305  including information describing how vehicle 300 would move in a next moving cycle (e.g., next route/path segment) . For example, the planning and control data may instruct vehicle 300 to move 10 meters at a speed of 30 mile per hour (mph) , then change to a right lane at the speed of 25 mph.

Based on the planning and control data, control module 306 controls and drives the autonomous vehicle, by sending proper commands or signals to vehicle control system 111, according to a route or path defined by the planning and control data. The planning and control data include sufficient information to drive the vehicle from a first point to a second point of a route or path using appropriate vehicle settings or driving parameters (e.g., throttle, braking, steering commands) at different points in time along the path or route.

In one embodiment, the planning phase is performed in a number of planning cycles, also referred to as driving cycles, such as, for example, in every time interval of 100 milliseconds (ms) . For each of the planning cycles or driving cycles, one or more control commands will be issued based on the planning and control data. That is, for every 100 ms, planning module 305 plans a next route segment or path segment, for example, including a target position and the time required for the ADV to reach the target position. Alternatively, planning module 305 may further specify the specific speed, direction, and/or steering angle, etc. In one embodiment, planning module 305 plans a route segment or path segment for the next predetermined period of time such as 5 seconds. For each planning cycle, planning module 305 plans a target position for the current cycle (e.g., next 5 seconds) based on a target position planned in a previous cycle. Control module 306 then generates one or more control commands (e.g., throttle, brake, steering control commands) based on the planning and control data of the current cycle.

Note that decision module 304 and planning module 305 may be integrated as an integrated module. Decision module 304/planning module 305 may include a navigation system or functionalities of a navigation system to determine a driving path for the autonomous  vehicle. For example, the navigation system may determine a series of speeds and directional headings to affect movement of the autonomous vehicle along a path that substantially avoids perceived obstacles while generally advancing the autonomous vehicle along a roadway-based path leading to an ultimate destination. The destination may be set according to user inputs via user interface system 113. The navigation system may update the driving path dynamically while the autonomous vehicle is in operation. The navigation system can incorporate data from a GPS system and one or more maps so as to determine the driving path for the autonomous vehicle.

ADV 300 can be utilized to evaluate the performance of a localization system to be deployed on ADV 300. In one embodiment, in order to evaluate the performance of the localization system, in this example, localization module 301 as a target localization system, another localization system, i.e., a known localization system referred to herein as a reference localization system, is also utilized on ADV 300. ADV 300, equipped with a target localization system and a reference localization system, is configured to drive through a predetermined path or route, while both localization systems concurrently track and capture the localization data such as locations of ADV 300 along the path and generate the respective localization data.

The reference localization data generated by the reference localization system is stored in persistent storage device 352 as a part of reference localization data 313. The target localization data generated by the target localization system is stored as a part of target localization data 314. Localization evaluation module 308 is configured to analyze the localization data 313-314 to determine the performance and the system delay of the target localization system, for example, by comparing reference localization data 313 with target localization data 314. Alternatively, the collected localization data 313-314 can be analyzed offline, for example, by localization evaluation system 125 of server 103.

Figure 4 is a block diagram illustrating a localization evaluation system according to one embodiment. Referring to Figure 4, in this example, localization module 301 includes a  reference localization module 401 and a target localization module 402. Reference localization module 401 is considered as a trusted or known localization module that produces known localization quality with known or no system delay. Target localization module 402 is a localization module that will be or has been deployed in the ADVs for normal operations. Reference localization module 401 is utilized only for the purpose of evaluating the performance of target localization module 402. In addition, reference localization module 401 is associated with a set of known sensors, referred to herein as reference sensor system 115A, while target localization module 402 is associated with a set of target sensors, referred to herein as target sensor system 115B. Target sensor system 115B will be deployed on the ADVs during normal operations or mass production of ADVs.

In one embodiment, the ADV is configured to drive according to a predetermined path or route, during which both localization modules 401-402 concurrently perform localization using sensor systems 115A-115B and generate localization data 313-314 respectively. Reference localization data 313 includes information recording the locations of the ADV along the path captured by reference localization module 401 via sensor system 115A. Target localization data 314 includes information recording the locations of the ADV along the path captured by target localization module 402. Reference localization data 313 and target localization data 314 are then analyzed by localization evaluation module or system 410. The localization evaluation module 410 may be implemented as a part of localization evaluation system 125 of Figure 1 or localization evaluation module 308 of Figure 3A.

According to one embodiment, localization evaluation module 410 examines reference localization data 313 to generate a reference localization curve (also referred to as a localization graph) . The localization evaluation module 410 examines target localization data 314 to generate a target localization curve. A localization curve includes a number of points and each point represents a particular location of the ADV at a particular point in time. The localization evaluation module 410 compares the reference localization curve and the target  localization curve to determine the similarity between two localization curves and the system delay of the target localization module 402.

In one embodiment, the localization evaluation module 410 shifts in time one of the localization curves against the other. The localization evaluation module 410 then compares the shifted curves to determine the similarity in shape between two curves within a predetermined time window. The above process is iteratively performed to shift one localization curve back and forth in time with respect to the other localization curve, and the similarity between two curves within the time window is determine for the corresponding shifted time interval. When the shapes of the reference localization curve is most similar to the target localization curve or via versa, the corresponding shifted time interval is considered as the system delay of the target localization module 402. The level or similarity score of the highest similarity is utilized to represent the quality of localization module 402, i.e., how similar or close localization module 402 has performed in view of the reference localization module 401 as a known localization standard.

Referring now to Figure 5A, in this example, reference localization curve 501 is generated based on reference localization data 313 and target localization curve 502 is generated based on target localization data 314. In one embodiment, to determine a system delay of the target localization system, one of the localization curves 501-502 is shifted in time back and forth for a number of time intervals. For each shifted time interval, a similarity score between the reference localization curve 501 and target localization curve 502 is calculated within a predetermined time window.

For example, as shown in Figure 5B, reference localization curve 501 is shifted back and forth while target localization curve 502 remains steady for a number of time intervals (e.g., -0.3 seconds (s) , -0.2s, -0.1s, 0, 0.1s, 0.2s, 0.3s) . In this example, a predetermined time interval has been selected as 0.1s, but it can be other time interval values. Curve 501A has been shifted backwardly by 0.2s; curve 501B has been shifted backwardly by 0.1 s; curve 501C has been  shifted forwardly by 0.1s; and curve 501D has been shifted forwardly by 0.2s. For each shifted time interval, a similarity score is calculated to represent the similarity between reference localization curve 501 and target localization curve 502. Thus, a similarity score is calculated for each of the localization curves 501 and 501A-501D within the time window. A higher similarity score indicates that reference localization curve 501 and target localization curve 502 within the same time window are more similar. In one embodiment, after all of the similarity scores have been calculated for all shifted time intervals, amongst the similarity scores of different shifted time intervals (e.g., similarity scores for  curves  501 and 501A-501D) , a shifted time interval corresponding to the highest similarity scores is designated as the system delay of the target localization system. The highest similarity score can be used to measure the quality of the target localization system.

In one embodiment, a correlation coefficient is calculated between each of the reference localization curves 501 and 501A-501D and target localization curve 502 to represent the level of similarity between the two localization curves. The shifted time interval corresponding to the highest correlation coefficient amongst all represents the system delay of the target localization system, while the highest correlation coefficient represents the quality of the target localization system. For example, if the highest correlation coefficient is achieved at t = -0.3s with the correlation coefficient of 0.96, the quality score of the target localization curve 502 is 0.96 and the system delay of the target localization system is 0.3s.

A correlation coefficient is a numerical measure of some type of correlation, meaning a statistical relationship between two variables. The variables may be two columns of a given data set of observations, often called a sample, or two components of a multivariate random variable with a known distribution. Several types of correlation coefficient exist, each with their own definition and own range of usability and characteristics. They all assume values in the range from -1 to +1, where +1 indicates the strongest possible agreement and -1 the strongest possible disagreement. As tools of analysis, correlation coefficients present certain  problems, including the propensity of some types to be distorted by outliers and the possibility of incorrectly being used to infer a causal relationship between the variables.

Figure 6 is a flow diagram illustrating an example of a process of evaluating a localization system of an autonomous driving vehicle according to one embodiment. Process 600 can be performed by processing logic which may include software, hardware, or a combination thereof. For example, process 600 may be performed by localization evaluation system 125 or localization evaluation module 308. Referring to Figure 6, in operation 601, processing logic receives first localization data of a first localization performed by a first localization system of an ADV driving along a path. In operation 602, processing logic receives second localization data of a second localization performed by a second localization system of the ADV along the path. The first localization and the second localization are performed concurrently on the ADV.

In operation 603, processing logic generates a first localization curve based on the first localization data representing locations of the ADV along the path tracked by the first localization system. In operation 604, processing logic generates a second localization curve based on the second localization data representing the locations of the ADV along the path tracked by the second localization system. In operation 605, processing logic determines a system delay of the second localization system by comparing the second localization curve against the first localization curve as a localization reference. The system delay of the second localization system is utilized to compensate planning of a path to drive the ADV subsequently.

Note that some or all of the components as shown and described above may be implemented in software, hardware, or a combination thereof. For example, such components can be implemented as software installed and stored in a persistent storage device, which can be loaded and executed in a memory by a processor (not shown) to carry out the processes or operations described throughout this application. Alternatively, such components can be implemented as executable code programmed or embedded into dedicated hardware such as an  integrated circuit (e.g., an application specific IC or ASIC) , a digital signal processor (DSP) , or a field programmable gate array (FPGA) , which can be accessed via a corresponding driver and/or operating system from an application. Furthermore, such components can be implemented as specific hardware logic in a processor or processor core as part of an instruction set accessible by a software component via one or more specific instructions.

Figure 7 is a block diagram illustrating an example of a data processing system which may be used with one embodiment of the disclosure. For example, system 1500 may represent any of data processing systems described above performing any of the processes or methods described above, such as, for example, perception and planning system 110 or any of servers 103-104 of Figure 1. System 1500 can include many different components. These components can be implemented as integrated circuits (ICs) , portions thereof, discrete electronic devices, or other modules adapted to a circuit board such as a motherboard or add-in card of the computer system, or as components otherwise incorporated within a chassis of the computer system.

Note also that system 1500 is intended to show a high level view of many components of the computer system. However, it is to be understood that additional components may be present in certain implementations and furthermore, different arrangement of the components shown may occur in other implementations. System 1500 may represent a desktop, a laptop, a tablet, a server, a mobile phone, a media player, a personal digital assistant (PDA) , a Smartwatch, a personal communicator, a gaming device, a network router or hub, a wireless access point (AP) or repeater, a set-top box, or a combination thereof. Further, while only a single machine or system is illustrated, the term “machine” or “system” shall also be taken to include any collection of machines or systems that individually or jointly execute a set (or multiple sets) of instructions to perform any one or more of the methodologies discussed herein.

In one embodiment, system 1500 includes processor 1501, memory 1503, and devices 1505-1508 connected via a bus or an interconnect 1510. Processor 1501 may represent a single processor or multiple processors with a single processor core or multiple processor cores included therein. Processor 1501 may represent one or more general-purpose processors such as a microprocessor, a central processing unit (CPU) , or the like. More particularly, processor 1501 may be a complex instruction set computing (CISC) microprocessor, reduced instruction set computing (RISC) microprocessor, very long instruction word (VLIW) microprocessor, or processor implementing other instruction sets, or processors implementing a combination of instruction sets. Processor 1501 may also be one or more special-purpose processors such as an application specific integrated circuit (ASIC) , a cellular or baseband processor, a field programmable gate array (FPGA) , a digital signal processor (DSP) , a network processor, a graphics processor, a communications processor, a cryptographic processor, a co-processor, an embedded processor, or any other type of logic capable of processing instructions.

Processor 1501, which may be a low power multi-core processor socket such as an ultra-low voltage processor, may act as a main processing unit and central hub for communication with the various components of the system. Such processor can be implemented as a system on chip (SoC) . Processor 1501 is configured to execute instructions for performing the operations and steps discussed herein. System 1500 may further include a graphics interface that communicates with optional graphics subsystem 1504, which may include a display controller, a graphics processor, and/or a display device.

Processor 1501 may communicate with memory 1503, which in one embodiment can be implemented via multiple memory devices to provide for a given amount of system memory. Memory 1503 may include one or more volatile storage (or memory) devices such as random access memory (RAM) , dynamic RAM (DRAM) , synchronous DRAM (SDRAM) , static RAM (SRAM) , or other types of storage devices. Memory 1503 may store information  including sequences of instructions that are executed by processor 1501, or any other device. For example, executable code and/or data of a variety of operating systems, device drivers, firmware (e.g., input output basic system or BIOS) , and/or applications can be loaded in memory 1503 and executed by processor 1501. An operating system can be any kind of operating systems, such as, for example, Robot Operating System (ROS) , 

operating system from

Mac

from Apple, 

from

LINUX, UNIX, or other real-time or embedded operating systems.

System 1500 may further include IO devices such as devices 1505-1508, including network interface device (s) 1505, optional input device (s) 1506, and other optional IO device (s) 1507. Network interface device 1505 may include a wireless transceiver and/or a network interface card (NIC) . The wireless transceiver may be a WiFi transceiver, an infrared transceiver, a Bluetooth transceiver, a WiMax transceiver, a wireless cellular telephony transceiver, a satellite transceiver (e.g., a global positioning system (GPS) transceiver) , or other radio frequency (RF) transceivers, or a combination thereof. The NIC may be an Ethernet card.

Input device (s) 1506 may include a mouse, a touch pad, a touch sensitive screen (which may be integrated with display device 1504) , a pointer device such as a stylus, and/or a keyboard (e.g., physical keyboard or a virtual keyboard displayed as part of a touch sensitive screen) .  For example, input device 1506 may include a touch screen controller coupled to a touch screen. The touch screen and touch screen controller can, for example, detect contact and movement or break thereof using any of a plurality of touch sensitivity technologies, including but not limited to capacitive, resistive, infrared, and surface acoustic wave technologies, as well as other proximity sensor arrays or other elements for determining one or more points of contact with the touch screen.

IO devices 1507 may include an audio device. An audio device may include a speaker and/or a microphone to facilitate voice-enabled functions, such as voice recognition, voice replication, digital recording, and/or telephony functions. Other IO devices 1507 may  further include universal serial bus (USB) port (s) , parallel port (s) , serial port (s) , a printer, a network interface, a bus bridge (e.g., a PCI-PCI bridge) , sensor (s) (e.g., a motion sensor such as an accelerometer, gyroscope, a magnetometer, a light sensor, compass, a proximity sensor, etc. ) , or a combination thereof. Devices 1507 may further include an imaging processing subsystem (e.g., a camera) , which may include an optical sensor, such as a charged coupled device (CCD) or a complementary metal-oxide semiconductor (CMOS) optical sensor, utilized to facilitate camera functions, such as recording photographs and video clips. Certain sensors may be coupled to interconnect 1510 via a sensor hub (not shown) , while other devices such as a keyboard or thermal sensor may be controlled by an embedded controller (not shown) , dependent upon the specific configuration or design of system 1500.

To provide for persistent storage of information such as data, applications, one or more operating systems and so forth, a mass storage (not shown) may also couple to processor 1501. In various embodiments, to enable a thinner and lighter system design as well as to improve system responsiveness, this mass storage may be implemented via a solid state device (SSD) . However in other embodiments, the mass storage may primarily be implemented using a hard disk drive (HDD) with a smaller amount of SSD storage to act as a SSD cache to enable non-volatile storage of context state and other such information during power down events so that a fast power up can occur on re-initiation of system activities. Also a flash device may be coupled to processor 1501, e.g., via a serial peripheral interface (SPI) . This flash device may provide for non-volatile storage of system software, including BIOS as well as other firmware of the system.

Storage device 1508 may include computer-accessible storage medium 1509 (also known as a machine-readable storage medium or a computer-readable medium) on which is stored one or more sets of instructions or software (e.g., module, unit, and/or logic 1528) embodying any one or more of the methodologies or functions described herein. Processing module/unit/logic 1528 may represent any of the components described above, such as, for  example, planning module 305, control module 306, localization evaluation module 308, or localization evaluation system 125. Processing module/unit/logic 1528 may also reside, completely or at least partially, within memory 1503 and/or within processor 1501 during execution thereof by data processing system 1500, memory 1503 and processor 1501 also constituting machine-accessible storage media. Processing module/unit/logic 1528 may further be transmitted or received over a network via network interface device 1505.

Computer-readable storage medium 1509 may also be used to store the some software functionalities described above persistently. While computer-readable storage medium 1509 is shown in an exemplary embodiment to be a single medium, the term “computer-readable storage medium” should be taken to include a single medium or multiple media (e.g., a centralized or distributed database, and/or associated caches and servers) that store the one or more sets of instructions. The terms “computer-readable storage medium” shall also be taken to include any medium that is capable of storing or encoding a set of instructions for execution by the machine and that cause the machine to perform any one or more of the methodologies of the present disclosure. The term “computer-readable storage medium” shall accordingly be taken to include, but not be limited to, solid-state memories, and optical and magnetic media, or any other non-transitory machine-readable medium.

Processing module/unit/logic 1528, components and other features described herein can be implemented as discrete hardware components or integrated in the functionality of hardware components such as ASICS, FPGAs, DSPs or similar devices. In addition, processing module/unit/logic 1528 can be implemented as firmware or functional circuitry within hardware devices. Further, processing module/unit/logic 1528 can be implemented in any combination hardware devices and software components.

Note that while system 1500 is illustrated with various components of a data processing system, it is not intended to represent any particular architecture or manner of interconnecting the components; as such details are not germane to embodiments of the present  disclosure. It will also be appreciated that network computers, handheld computers, mobile phones, servers, and/or other data processing systems which have fewer components or perhaps more components may also be used with embodiments of the disclosure.

Some portions of the preceding detailed descriptions have been presented in terms of algorithms and symbolic representations of operations on data bits within a computer memory. These algorithmic descriptions and representations are the ways used by those skilled in the data processing arts to most effectively convey the substance of their work to others skilled in the art. An algorithm is here, and generally, conceived to be a self-consistent sequence of operations leading to a desired result. The operations are those requiring physical manipulations of physical quantities.

It should be borne in mind, however, that all of these and similar terms are to be associated with the appropriate physical quantities and are merely convenient labels applied to these quantities. Unless specifically stated otherwise as apparent from the above discussion, it is appreciated that throughout the description, discussions utilizing terms such as those set forth in the claims below, refer to the action and processes of a computer system, or similar electronic computing device, that manipulates and transforms data represented as physical (electronic) quantities within the computer system's registers and memories into other data similarly represented as physical quantities within the computer system memories or registers or other such information storage, transmission or display devices.

Embodiments of the disclosure also relate to an apparatus for performing the operations herein. Such a computer program is stored in a non-transitory computer readable medium. A machine-readable medium includes any mechanism for storing information in a form readable by a machine (e.g., a computer) . For example, a machine-readable (e.g., computer-readable) medium includes a machine (e.g., a computer) readable storage medium (e.g., read only memory ( “ROM” ) , random access memory ( “RAM” ) , magnetic disk storage media, optical storage media, flash memory devices) .

The processes or methods depicted in the preceding figures may be performed by processing logic that comprises hardware (e.g. circuitry, dedicated logic, etc. ) , software (e.g., embodied on a non-transitory computer readable medium) , or a combination of both. Although the processes or methods are described above in terms of some sequential operations, it should be appreciated that some of the operations described may be performed in a different order. Moreover, some operations may be performed in parallel rather than sequentially.

Embodiments of the present disclosure are not described with reference to any particular programming language. It will be appreciated that a variety of programming languages may be used to implement the teachings of embodiments of the disclosure as described herein.

In the foregoing specification, embodiments of the disclosure have been described with reference to specific exemplary embodiments thereof. It will be evident that various modifications may be made thereto without departing from the broader spirit and scope of the disclosure as set forth in the following claims. The specification and drawings are, accordingly, to be regarded in an illustrative sense rather than a restrictive sense.

Claims (21)

1. A computer-implemented method for determining a system delay of localization of autonomous driving vehicles, the method comprising:

   receiving first localization data of a first localization performed by a first localization system of an autonomous driving vehicle (ADV) driving along a path;

   receiving second localization data of a second localization performed by a second localization system of the ADV along the path, wherein the first localization and the second localization are performed concurrently on the ADV;

   generating a first localization curve based on the first localization data representing locations of the ADV along the path tracked by the first localization system;

   generating a second localization curve based on the second localization data representing the locations of the ADV along the path tracked by the second localization system; and

   determining a system delay of the second localization system by comparing the second localization curve against the first localization curve as a localization reference, wherein the system delay of the second localization system is utilized to compensate planning of a path to drive the ADV subsequently.
2. The method of claim 1, further comprising determining a performance of the second localization system based on the comparison of the first localization curve and the second localization curve.
3. The method of claim 2, wherein the performance of the second localization system is determined based on a similarity of shapes between the first localization curve and the second localization curve.
4. The method of claim 1, wherein determining a system delay of the second localization system comprises:

   for each of a predetermined number of time intervals,

   shifting the second localization curve in time by the time interval, and

   calculating a similarity score representing a similarity between the first localization curve and the second localization curve within a time window; and

   designating a time interval of which the corresponding similarity score is highest amongst the predetermined number of time intervals as the system delay for the second localization system.
5. The method of claim 4, wherein the highest similarity score is used to represent a performance of the second localization system.
6. The method of claim 4, wherein calculating a similarity score representing a similarity between the first localization curve and the second localization curve comprises calculating a correlation coefficient between the first localization curve and the second localization curve.
7. The method of claim 1, wherein the first localization is performed using a first set of sensors associated with known quality and precision, and wherein the second localization is performed using a second set of sensors to be deployed in the ADV during normal operations.
8. A non-transitory machine-readable medium having instructions stored therein, which when executed by a processor, cause the processor to perform operations, the operations comprising:

   receiving first localization data of a first localization performed by a first localization system of an autonomous driving vehicle (ADV) driving along a path;

   receiving second localization data of a second localization performed by a second localization system of the ADV along the path, wherein the first localization and the second localization are performed concurrently on the ADV;

   generating a first localization curve based on the first localization data representing locations of the ADV along the path tracked by the first localization system;

   generating a second localization curve based on the second localization data representing the locations of the ADV along the path tracked by the second localization system; and

   determining a system delay of the second localization system by comparing the second localization curve against the first localization curve as a localization reference, wherein the system delay of the second localization system is utilized to compensate planning of a path to drive the ADV subsequently.
9. The machine-readable medium of claim 8, wherein the operations further comprise determining a performance of the second localization system based on the comparison of the first localization curve and the second localization curve.
10. The machine-readable medium of claim 9, wherein the performance of the second localization system is determined based on a similarity of shapes between the first localization curve and the second localization curve.
11. The machine-readable medium of claim 8, wherein determining a system delay of the second localization system comprises:

    for each of a predetermined number of time intervals,

    shifting the second localization curve in time by the time interval, and

    calculating a similarity score representing a similarity between the first localization curve and the second localization curve within a time window; and

    designating a time interval of which the corresponding similarity score is highest amongst the predetermined number of time intervals as the system delay for the second localization system.
12. The machine-readable medium of claim 11, wherein the highest similarity score is used to represent a performance of the second localization system.
13. The machine-readable medium of claim 11, wherein calculating a similarity score representing a similarity between the first localization curve and the second localization curve comprises calculating a correlation coefficient between the first localization curve and the second localization curve.
14. The machine-readable medium of claim 8, wherein the first localization is performed using a first set of sensors associated with known quality and precision, and wherein the second localization is performed using a second set of sensors to be deployed in the ADV during normal operations.
15. A data processing system, comprising:

    a processor; and

    a memory coupled to the processor to store instructions, which when executed by the processor, cause the processor to perform operations, the operations including

    receiving first localization data of a first localization performed by a first localization system of an autonomous driving vehicle (ADV) driving along a path,

    receiving second localization data of a second localization performed by a second localization system of the ADV along the path, wherein the first localization and the second localization are performed concurrently on the ADV,

    generating a first localization curve based on the first localization data representing locations of the ADV along the path tracked by the first localization system,

    generating a second localization curve based on the second localization data representing the locations of the ADV along the path tracked by the second localization system, and

    determining a system delay of the second localization system by comparing the second localization curve against the first localization curve as a localization reference, wherein the system delay of the second localization system is utilized to compensate planning of a path to drive the ADV subsequently.
16. The system of claim 15, wherein the operations further comprise determining a performance of the second localization system based on the comparison of the first localization curve and the second localization curve.
17. The system of claim 16, wherein the performance of the second localization system is determined based on a similarity of shapes between the first localization curve and the second localization curve.
18. The system of claim 15, wherein determining a system delay of the second localization system comprises:

    for each of a predetermined number of time intervals,

    shifting the second localization curve in time by the time interval, and

    calculating a similarity score representing a similarity between the first localization curve and the second localization curve within a time window; and

    designating a time interval of which the corresponding similarity score is highest amongst the predetermined number of time intervals as the system delay for the second localization system.
19. The system of claim 18, wherein the highest similarity score is used to represent a performance of the second localization system.
20. The system of claim 18, wherein calculating a similarity score representing a similarity between the first localization curve and the second localization curve comprises calculating a correlation coefficient between the first localization curve and the second localization curve.
21. The system of claim 15, wherein the first localization is performed using a first set of sensors associated with known quality and precision, and wherein the second localization is performed using a second set of sensors to be deployed in the ADV during normal operations.

Images