[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110001773A - 自主转向控制 - Google Patents

自主转向控制 Download PDF

Info

Publication number
CN110001773A
CN110001773A CN201811600166.1A CN201811600166A CN110001773A CN 110001773 A CN110001773 A CN 110001773A CN 201811600166 A CN201811600166 A CN 201811600166A CN 110001773 A CN110001773 A CN 110001773A
Authority
CN
China
Prior art keywords
vehicle
lane
data
output
road
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811600166.1A
Other languages
English (en)
Inventor
卡齐·法鲁基
陈兴平
迈克尔·哈夫纳
达雷尔·艾伦·雷克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN110001773A publication Critical patent/CN110001773A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/112—Roll movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/114—Yaw movement
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • B60W2050/0033—Single-track, 2D vehicle model, i.e. two-wheel bicycle model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了“自主转向控制”。描述了一种系统和方法。所述方法包括：从车辆传感器套件接收所感测输入；使用所述输入，提供第一输出；确定车道置信水平小于阈值；然后相反地，提供第二输出，其中所述第一输出和所述第二输出包括车道校正数据，其中所述第二输出使用估计滤波器来确定。

Description

自主转向控制
技术领域
本发明涉及车辆转向控制领域。
背景技术
现代汽车可配置有车道对中特征。在一些情况下，当使用所述特征时—并且基于道路状况的变化—汽车意外地可能会横向移动或跳转。
发明内容
描述了一种用于车辆的转向控制系统，其可包括计算机和横向控制器。此外，描述了利用所述系统的方法。在至少一个示例中，一种或多种方法可由所述计算机、所述横向控制器或两者来执行。根据一个说明性示例，一种方法包括：从车辆传感器套件接收所感测输入；使用所述输入，提供第一输出；确定车道置信水平小于阈值；然后相反地，提供第二输出，其中所述第一输出和所述第二输出包括车道校正数据，其中所述第二输出使用估计滤波器来确定。
根据上述至少一个示例，所述输入包括radar数据和摄像机数据。
根据上述至少一个示例，所述radar数据和所述摄像机数据被融合成包括道路上的车道标志的单个表示。
根据上述至少一个示例，所述第一输出通过计算曲线拟合多项式的系数来确定。
根据上述至少一个示例，所述滤波器是卡尔曼滤波器。
根据上述至少一个示例，所述滤波器使用自行车模型来确定所述第二输出。
根据上述至少一个示例，所述模型使用车辆横摆率、车速和道路曲率测量值。
根据上述至少一个示例，确定所述水平还包括分析所述输入以确定以下的标识状态：道路上的右侧车道标志、所述道路上的左侧车道标志、在所述道路上移动的主要对象，或它们的组合。
根据上述至少一个示例，确定所述水平还包括确定所述右侧车道标志、所述左侧车道标志或所述对象中的一者或多者的状态已在检测到状态与未检测到状态之间改变。
根据上述至少一个示例，当检测到所述右侧车道标志、所述左侧车道标志和所述主要对象中的每一者的所述状态时，提供所述第一输出。
根据上述至少一个示例，当未检测到所述右侧车道标志、所述左侧车道标志和所述主要对象中的一者或多者的所述状态时，提供所述第二输出。
根据上述至少一个示例，所述水平是基于以下的输入内的标识：右侧车道标志、左侧车道标志、在道路上移动的主要对象、它们的组合，或者以下中的一者或多者的缺失：所述右侧车道标志、所述左侧车道标志或所述对象。
根据上述至少一个示例，所述数据包括横向偏移测量值和航向偏移测量值。
根据上述至少一个示例，所述输入包括主车辆处的摄像机数据，其中所述水平小于基于摄像机数据中的增益或对比度的变化的所述阈值。
根据上述至少一个示例，所述变化是基于以下中的至少一者：所述车辆在道路上在阴影区域与非阴影区域之间移动；所述道路上的右侧车道标志或左侧车道标志终止；所述右侧车道标志或所述左侧车道标志中的一者偏离平行；或者所述道路上的车道标志之外的标志的存在。
根据上述至少一个示例，所述标志包括道路修复或补丁。
根据另一说明性示例，描述了一种系统。所述系统可包括：处理器；以及存储器，所述存储器存储可由所述处理器执行的指令，所述指令包括用于：从车辆传感器套件接收所感测输入；使用所述输入，提供第一输出；确定车道置信水平小于阈值；然后相反地，提供第二输出，其中所述第一输出和所述第二输出包括车道校正数据，其中所述第二输出使用估计滤波器来确定。
根据上述至少一个示例，所述第一输出通过计算曲线拟合多项式的系数来确定。
根据上述至少一个示例，确定所述水平还包括分析所述输入以确定以下的标识状态：道路上的右侧车道标志、所述道路上的左侧车道标志、在所述道路上移动的主要对象，或它们的组合。
根据上述至少一个示例，所述滤波器使用自行车模型来确定所述第二输出，其中所述模型使用车辆横摆率、车速和道路曲率测量值。
根据至少一个示例，公开了一种计算机，所述计算机被编程为执行上述一种或多种方法的示例的任何组合。
根据至少一个示例，公开了一种计算机程序产品，所述计算机程序产品包括存储可由计算机处理器执行的指令的计算机可读介质，其中所述指令包括上述一种或多种方法的示例的任何组合。
附图说明
图1是示出至少部分地由于右侧车道标志的缺失而预测横向移动的主车辆的示意图。
图2是主车辆的转向控制系统的示意图。
图3是用于使用自行车模型和估计滤波器来确定主车辆的路径的所述模型的图形描绘。
图4是使用曲线拟合多项式所确定的主车辆的路径的一般示例的示意图。
图5是示出用于使用多项式路径数据或估计路径数据来控制主车辆的转向控制过程的流程图。
图5A示出接收所感测输入并产生估计路径数据作为输出的估计滤波器的示意图。
图6示出目标车辆、道路车道和在车道标志内的主车辆的路径的计算机化表示。
图7示出目标车辆、车道和至少部分地在车道标志之外的主车辆的路径的计算机化表示。
图8示出另一目标车辆、其中左侧车道标志消失的道路的主车道(并且该车道包含主车辆和目标车辆)、从主车道延伸的出口车道以及朝向出口车道延伸的主车辆的路径的计算机化表示。
图9示出包括道路曲率测量值的传感器数据区间的图形描绘—更具体地，示出多项式路径数据和估计路径数据。
图10示出图9的区间的图形描绘，传感器数据包括航向角误差测量值—更具体地，示出多项式路径数据和估计路径数据。
图11示出图9的区间的图形描绘，传感器数据包括横向偏移测量值—更具体地，示出多项式路径数据和估计路径数据。
图12示出包括道路曲率测量值的另一传感器数据区间的图形描绘—更具体地，示出多项式路径数据和估计路径数据。
图13示出图12的区间的图形描绘，传感器数据包括航向角误差测量值—更具体地，示出多项式路径数据和估计路径数据。
图14示出图12的区间的图形描绘，传感器数据包括横向偏移测量值—更具体地，示出多项式路径数据和估计路径数据。
具体实施方式
现在转向附图，其中相同附图标号表示相同或类似元素、特征或功能，示出了用于主车辆12在自主驾驶模式下进行操作的转向控制系统10，所述转向控制系统10可基于多项式路径数据和估计路径数据来控制车辆转向。因此，使用任一类型的数据，系统10控制车辆12，使得车辆12适当地定位在道路14的车道13中(例如，通过在左侧车道标志与右侧车道标志之间维持足够的横向间距)。根据默认状态，系统10可被配置为使用多项式路径数据来维持横向间距。然而，当转向控制系统确定车道置信水平下降到阈值以下时，系统10可替代地使用估计路径数据，直到置信水平再次增加到高于阈值的值。如下文将更详细解释的，系统10可从车辆12上的一个或多个成像传感器接收至少一个输入，并且可使用该输入来确定多项式路径数据。如还将在下文更详细地解释的，系统10可同时使用所谓的自行车模型和数学低通估计滤波器来确定估计路径数据。除其他事项之外，自行车模型可接收道路曲率测量值(例如，使用来自成像传感器的输入)以及车辆横摆率测量值和车速测量值作为输入。根据一个示例，滤波器包括诸如卡尔曼滤波器的联合概率分布算法。在转向控制系统10的示例性描述之后，将描述使用所述系统的一种或多种方法。
图1至图2示出作为乘用车辆的主车辆12；然而，车辆12可以是任何其他合适的车辆类型，包括具有转向控制系统10的卡车、运动型多功能车(sports utility vehicle，SUV)、休闲车、公共汽车等。仅出于说明和解释的目的，车辆12被示出为沿笛卡尔坐标系定向，其中x轴纵向地或沿着车辆12的长度延伸(并且绕x轴的旋转构成车辆侧倾)，y轴横向地或绕车辆12的宽度延伸(并且绕y轴的旋转构成车辆俯仰)，并且z轴竖直地延伸(并且绕z轴的旋转构成车辆横摆)。
系统10可促进车辆12在一个或多个自主模式下的操作，所述一个或多个自主模式如汽车工程师协会(Society of Automotive Engineer，SAE)所定义的(其已定义了0-5级的操作)。更具体地(并且如下文更详细描述的)，系统10可包括一个或多个计算机，所述一个或多个计算机被配置为存储和执行以硬件、软件、固件、它们的组合等来体现的逻辑指令或指令组，从而使得车辆12能够在某些用户辅助(部分自主)或没有任何用户辅助(完全自主)的情况下进行操作。例如，在0-2级，人类驾驶员通常在没有车辆12帮助的情况下监视或控制大部分驾驶任务。例如，在0级(“自主”)，人类驾驶员负责所有车辆操作。在1级(“驾驶员辅助”)，车辆12有时辅助转向、加速或制动，但驾驶员仍然负责绝大多数车辆控制。在2级(“部分自动化”)，车辆12可在某些情况下控制转向、加速和制动，而无需人的交互。在3-5级，车辆12承担更多驾驶相关的任务。在3级(“条件自动化”)，车辆12可在某些情况下处理转向、加速和制动，以及监视驾驶环境。然而，3级可能需要驾驶员偶尔进行干预。在4级(“高度自动化”)，车辆12可处理与3级相同的任务，但不依赖于驾驶员干预某些驾驶模式。在5级(“全自动化”)，车辆12可在没有任何驾驶员干预的情况下处理所有任务。在至少一个示例中，车辆12的转向控制模式包括车辆在SAE 3、4或5级中的一个下的操作。
图1示出转向控制系统10被配置为避免的一个问题。即，在图1中，车辆12(当在车道13中在自主模式下操作时)接近出口车道18的入口16，并且右侧车道标志20径向向外偏离(并且在一些情况下，可能消失)。在其中车辆12仅使用多项式路径数据进行转向的情形中，车辆可能遵循车辆路径22，该车辆路径22意外地横向转向或跳转。然而，转向系统10用估计路径数据补充多项式路径数据的使用，如下文将更详细解释的。例如，系统10首先被配置为当右侧车道标志20或其他车道定位标记变得不可标识时检测车道置信水平的下降，然后使用—至少临时地—所计算估计路径数据来避免所示的意外横向跳转。如本文所使用的，车道定位标记意指对象或车道标志，所述对象或车道标志在由车辆传感器套件(下文进行论述)以足够的分辨率、增益、对比度等成像时可由车辆12的车载计算机使用来在道路14上和/或在车道13内横向地导航车道12。车道标记的非限制性示例包括右侧车道标志(right lane marker，RLM)20、左侧车道标志(left lane marker，LLM)24和主要对象26(例如像示出为在车辆12前方行驶的目标车辆)。
图2示出系统10可包括促进数个示例性电子装置之间的有线或无线通信的通信网络连接30，所述示例性电子装置包括但不限于计算机40、横向控制器42和传感器套件44。传感器套件44可包括以下中的一者或多者：摄像机系统46、无线电检测和测距(radiodetection and ranging，radar)系统48、激光成像系统50、一个或多个惯性测量单元(inertial measurement unit，IMU)52，以及一个或多个转向控制传感器54。
连接网络30可包括控制器局域网(controller area network，CAN)总线、以太网、本地互连网(Local Interconnect Network，LIN)、光纤连接等中的一者或多者—仅举几个非限制性示例。根据可替代地或与所示总线示例结合使用的一个示例，连接30包括一个或多个离散有线或无线连接。
计算机40可包括至少一个处理器62(示出了一个)和存储器64。处理器62可被编程为处理和/或执行数字指令以执行本文所述任务中的至少一些。处理器62的非限制性示例包括微处理器、微控制器或控制器、专用集成电路(application specific integratedcircuit，ASIC)等—仅举几个示例。并且，可存储在存储器64中且可由处理器62执行的数字存储指令的一些非限制性示例包括用于：接收图像数据(例如，融合摄像机数据和radar数据)；使用图像数据，计算多项式路径数据；使用图像数据、车辆数据和不确定数据，确定估计路径数据；确定车道置信水平是否小于或等于阈值；当置信水平大于阈值时，向横向控制器42提供多项式路径数据；当置信水平小于或等于阈值时，向横向控制器42提供估计路径数据；以及迭代地执行上述指令。可替代和/或补充这些示例使用的指令的附加示例以及指令序列在下文一个或多个过程中进行描述。
存储器64可包括任何非暂时性计算机可用或可读介质，其可包括一个或多个存储装置或制品。示例性非暂时性计算机可用存储装置包括常规硬盘、固态存储器、随机存取存储器(random-access memory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasable programmable read-only memory，EPROM)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)以及任何其他易失性或非易失性介质。非易失性介质包括例如光碟或磁碟以及其他永久性存储器，而易失性存储器例如还可包括动态随机存取存储器(dynamic random-access memory，DRAM)。这些存储装置是非限制性示例；例如，其他形式的计算机可读介质存在并且包括磁性介质、压缩盘ROM(compact disc ROM，CD-ROM)、数字视频盘(digital video disc，DVD)、其他光学介质、任何合适的存储器芯片或盒式磁带，或计算机可从中读取的任何其他介质。如上文所论述的，存储器64可存储一个或多个计算机程序产品，所述一个或多个计算机程序产品可体现为软件、固件或可由处理器62执行的其他编程指令。
横向控制器42可以是控制车辆转向连杆的机械运动的任何合适的计算装置。控制器42可包括所谓的电子控制单元(ECU)66，所述电子控制单元(ECU)66包括处理器和存储器—使得侧向控制器42能够被编程为执行控制转向连杆的编程指令。根据一个示例，在部分或完全自主的车辆系统(例如，3、4或5级)中，车辆12可通过控制器42转向—即，在所述模式期间可能没有人的控制。转向连杆(未示出)可包括机械连杆、电气连杆(例如像线控驱动配置)或它们的组合。
因此，控制器42可从计算机40接收输出，并且响应于接收到输出，控制器42可控制车辆横向移动。输出可包括一个或多个电气信号、分组数据等，所述一个或多个电气信号、分组数据等包括诸如横向偏移测量值和航向误差测量值的车道校正数据。如上所论述，输出可包括多项式路径数据或估计路径数据。来自计算机40的其他输出是可能的；然而，在至少一个示例中，计算机40输出(并且控制器42从计算机40接收)多项式路径数据，或者替代地，估计路径数据。
应理解，虽然计算机40和横向控制器42被示出为单独的电子装置，但在一些示例中，控制器42和计算机40可形成同一计算设备的一部分(诸如，以硬件、软件、它们的组合等一起体现)。因此，在一些示例中，机械转向控制可由组合的计算机和横向控制器(经由网络连接30)直接传输到车辆转向连杆，而在所示的示例中，计算机40将横向偏移和航向误差测量值传输到横向控制器42(横向控制器42进而控制车辆转向连杆)。
现在转向传感器套件44，套件44的一些示例包括更多或更少的电子装置；因此，图2所示的那些仅仅是一个示例。(套件44的)摄像机系统46可包括一个或多个互补金属氧化物半导体(complementary metal oxide semiconductor，CMOS)装置、一个或多个电荷耦接装置(charge-coupled device，CCD)、一个或多个图像增强装置、一个或多个热成像装置、它们的组合等。根据至少一个示例，系统46的两个摄像机装置被定位为向车辆前方(例如，至少部分地沿着+x轴)查看，并且从这些装置所接收的摄像机数据被提供给计算机40。
Radar系统48可包括被配置为至少部分地向车辆前方扫描并确定二维和/或三维radar数据的一个或多个radar天线(未示出)。根据一个示例，来自系统48的数据包括距离方向(range direction)、方位角方向和仰角方向。系统48的一个示例是毫米波radar系统。
如下面将更详细说明的，计算机40(或另一车载计算系统)可将来自摄像机系统46的摄像机数据和来自系统48的radar数据融合在一起(例如，使用图像融合算法)。例如，摄像机数据和radar数据可被混合在一起和/或重建成单个表示或者对应于所述表示的共同成像数据集。数据集可包括车辆12周围的对象的高分辨率视觉特性(例如，颜色、增益、对比度等)以及这些对象相对于车辆12的高分辨率深度(例如，对象到车辆12的距离)两者。摄像机系统46、radar系统48和图像融合算法的响应时间可适用于车辆公路速度下的车道检测。因此，该融合传感器数据可用于计算或以其他方式确定多项式路径，以及部分地，估计路径数据，如下文更详细解释的。
激光成像系统50可包括也可向计算机40提供图像或深度数据输入的任何合适的激光扫描装置。这种装置的一个非限制性示例是光检测和测距(light detection andranging，LIDAR)装置。系统50是可选的。当被利用时，来自系统50的激光成像数据可代替radar数据，或者替代地，与摄像机数据和radar数据一起使用(例如，融合来自所有三个源的数据)。
惯性测量单元(IMU)52可包括测量车辆的加速度、角速率移动、旋转速率移动等的任何合适的电子装置。IMU 52可包括一个或多个加速度计、一个或多个陀螺仪、它们的组合等。IMU数据可用于计算多项式路径数据和/或估计路径数据，如下文更详细描述的。
转向控制传感器54可包括测量车轮旋转和/或转向角的任何传感器。因此，传感器54可包括速度或角速度传感器、转向角传感器、它们的组合等。根据至少一个示例，传感器54形成电子稳定性控制(electronic stability control，ESC)系统的一部分；然而，这只是一个示例。转向控制传感器数据还可用于计算多项式路径数据和/或估计路径数据，如下文更详细描述的。
现在转向图5，描述了向横向控制器42提供两个输出中的一者的计算机40的过程500的流程图。在该示例性过程中，输出包括横向偏移数据和航向误差测量值，使得横向控制器42可致动车辆12中的转向连杆，从而控制车辆横向位置。大体来说，过程500可包括在图示中示出并在下文描述为逻辑块的多个指令。过程可从框510开始，其中在计算机40处从传感器套件44中的至少一个传感器接收所感测输入。根据一个示例性实现方式，输入包括融合传感器数据—例如，来自系统46的一个或多个摄像机的摄像机数据与来自radar系统48的radar数据的融合。
在框510中所接收的输入可包括关于主要对象(primary object，PO)26(例如，主车辆12正在跟随的目标车辆—例如，图1、图5至图7中所例示)、右侧车道标志(RLM)20、左侧车道标志(LLM)24、其他道路数据或它们的组合的信息。如本文所使用的，主要对象是以下情况的对象：其在移动时以与车辆12类似的航向移动且由车辆12的计算机40使用以确定主车辆12适当地定位在道路14的车道13内的置信水平(例如，假设如果PO 26在RLM 20和LLM24内移动，则如果主车辆12遵循PO 26的路径，主车辆12也将适当地定位在车道13中—即，适当地定位在RLM 20与LLM 24之间。如本文所使用的，车道标志是勾画车辆12意图被导航所在的任何标识符或标记，以便与道路上的其他车辆横向间隔开和/或以便在道路14上移动时合法地定位。应理解，并非所有道路都具有车道标志20、24，并且一些道路将具有比其他道路少的车道标志(例如，有LLM 24而没有RLM 20，反之亦然)。车道标志20、24的非限制性示例包括：道路表面上的涂漆实线、道路表面上的涂漆短划线、道路表面上的一条或多条涂漆短划线和道路表面上的一条或多条涂漆实线的组合、道路表面上的薄膜反射粘合剂、从道路表面向上延伸的道路路沿、道路路肩等。因此，根据一个示例，从计算机40所接收的感测输入(框510中)，计算机40可提取车道定位标记。
在随后的框520中，计算机40可确定多项式路径数据。根据一个示例，计算机40可从所感测输入中提取车道定位标记，并用其计算对应于车辆12的预测路径的三次或更多次曲线拟合多项式的系数值。其后，多项式可用于外推对车辆12的横向偏移的调整和/或对车辆航向角的调整(即，确定横向偏移测量值和航向角测量值)。
根据等式(1)的示例，计算机40可计算多项式项的系数。例如，计算机40可计算：a0，其中a0是因变量x零次幂的数值；a1，其中a1是因变量x一次幂的数值；a2，其中a2是因变量x二次幂的数值；以及a3，其中a3是因变量x三次幂的数值。根据一个示例，计算机40可使用曲线拟合算法来确定a0、a1、a2和a3的值，所述曲线拟合算法接收融合的传感器数据作为输入，并基于RLM 20、LLM 24和/或PO26的标识来确定系数。
等式(1)
y(x)＝a0x0+a1x1+a2x2+a3x3，
其中，例如，当a0、a1、a2和a3各自等于零(0)时，则横向偏移量和航向角测量值为零(0)，
其中，例如，当a1、a2和a3各自等于零(0)且a0<0时，则航向角测量值为零(0)，但横向偏移测量值对应于a0的值[线性路径示例，平行于x轴并从x轴偏移]，
其中，例如，当a0、a2和a3各自等于零(0)且a1>0，则横向偏移测量值为零(0)，但航向角测量值对应于a1的值[线性路径示例，与x轴相交和偏离]，
其中，例如，当a0、a1和a3各自等于零(0)且a2>0，则a2表示路径曲率的一半(即，[二次路径示例，其中路径远离具有二次多项式特征的x轴弯曲]，
其中，例如，当a0、a1和a2各自等于零(0)且a3>0，则a3表示路径曲率的六分之一(即，[三次多项式路径示例，其中路径远离具有三次多项式特征的x轴弯曲]，并且
其中，例如，当a0＜0、a1＞0、和a3>0，则y(x)表示类似于图4所示的路径曲率)[三次多项式路径的一般示例]。
根据另一非限制性示例，计算机40可根据类似于或在美国专利公布号2017/0197615中所述的技术确定曲线拟合多项式及其项的系数，所述申请的内容以引用的方式整体并入本文。还有其他示例是可能的。
现在转向框530(还参见图5A)，计算机40可使用所感测输入、图3所示的自行车模型68以及估计滤波器69(例如，出于说明的目的，此处使用了卡尔曼滤波器)来确定估计路径数据。根据一个示例，卡尔曼滤波器69所接收的输入包括所感测输入I1、运动学输入I2，以及在某些情况下，曲线拟合多项式数据I3(框520中所确定)。所感测输入I1可包括来自摄像机系统46和radar系统48的融合传感器数据(例如，包括从融合传感器数据提取和/或导出的道路曲率信息)、来自IMU 52的车辆横摆率数据以及来自转向控制传感器54的车速数据。运动学输入I2可包括使用自行车模型68的计算数据(例如，如下所述，车轮的转向角的变化率和车辆侧向漂移的变化率例如，侧向漂移速度))。使用来自曲线拟合多项式的数据(I3)作为卡尔曼滤波器的输入是可选的；这将不再在下文重新描述(因为已在上文描述)。其后，卡尔曼滤波器69可用于计算包括估计路径数据的输出O，所述输出包括至少横向偏移测量值和航向角测量值。当然，在一些情况下这些测量值可能与通过等式(1)的曲线拟合多项式确定的值不同—即，如图9-14所示，估计数据(或其分量)可最小化车辆路径的变化率—例如，将控制器42对车辆转向连杆的车辆转向指令有效地平滑化。例如，根据图1所示的问题，当使用估计路径数据而不是多项式路径数据时，车辆12可能不会在RLM 20偏离时横向地向右跳转(例如，车辆12向右的任何移动可能是微小的，使得车辆12在LLM 24与RLM 20在原本平行于LLM 24延伸而非偏离的情况下将处的位置之间保持间隔)。
现在转到图3所示的自行车模型68，模型示出了车辆前轮70和车辆后轮72—例如，在车辆12的同一侧—以及车辆12的简化质心m(即，这两个车轮70、72之间的质心)。在图示中，车轮70、72相对于X轴和Y轴定向—例如，表示沿着道路14的车辆路径。图3还示出了车速(v)、曲率半径(Rk)、曲率(kR，其中转向角(Θd)(在半径切线Rk与后轮72的角位置之间)、车辆侧滑角(β)、车辆横摆(Ψ)、侧向漂移位移(yd)以及前轮70相对于后轮72的转向角(δL)(该简化模型假设没有到后轮72的转向输入)。等式(2)和(3)分别定义横向偏移测量值计算和航向角测量值计算。
等式(2)
其中是侧向漂移速度(例如，侧向漂移位移的变化率yd)。
等式(3)
其中是转向角变化率Θd(例如，这里，是相对于前轮70)。
根据一个示例，卡尔曼滤波器69可包括预测步骤和加权步骤。在预测步骤中，滤波器69可确定多个横向偏移量和对应航向角测量值，以及对应于每组横向偏移和航向角测量的不确定值。根据一个示例，不确定值可包括基于相应精度概率的分数。在加权步骤中，可接收随后的横向偏移量和航向角测量值，并且可使用加权平均数来更新较早测量值，其中赋予具有相应较高的不确定值的值较小的权重。这只是一个示例；可使用其他估计值。此外，到卡尔曼滤波器69的输入可在其他示例中不同。
一旦计算机40已确定多项式路径数据(框520)和估计路径数据(框530)，则过程500可前进到框540。在框540中，计算机40可确定车道置信度是否小于或等于预定阈值。根据一个示例，置信水平可以是二元的(例如，高或低)。置信水平的非限制性实例列于下文所示的表I中。
表I.
<u>LLM(24)</u> <u>RLM(20)</u> <u>PO(26)</u> <u>置信水平</u>
检测低 检测低 检测低 低
检测低 检测低 检测高 低
检测低 检测高 检测低 低
检测低 检测高 检测高 低
检测高 检测低 检测低 低
检测高 检测低 检测高 低
检测高 检测高 检测低 低
检测高 检测高 检测高 高
表I示出了其中相应的LLM 24、RLM 20和PO 26的检测是高检测或低检测的示例。因此，当LLM 24、RLM 20和PO 26中的每一者的检测为高时，则由计算机40确定的置信水平为高。高检测意味着检测到特征、边缘等的预定阈值量和/或分辨率(例如，适于标识相应的车道标志或主要对象)，而低检测意味着检测到它们小于该阈值量和/或分辨率。在示例性表中，检测被标记为高或低；然而，这是一个示例。例如，检测可以是低、中或高—或者包括三个以上的分类。此外，在至少一些示例中，尽管检测到(LLM 24、RLM 20或PO 26)小于检测高(例如，为检测中或甚至是检测低)，计算机40仍可确定高置信水平。因此，表I并不意图是限制性的；相反，它是置信表如何预先配置、存储在存储器64中并用于确定框540中的置信水平是否小于或等于预定阈值的示例。因此，在该示例中，除非计算机40确定LLM 24、RLM20和主要对象26中的每一者的高检测，否则置信度小于或等于阈值。
当置信水平(框540中)大于阈值时，过程500可前进到框550。而当置信水平(在框540中)小于或等于阈值时，过程500可前进到框560。
在框550中，计算机40向横向控制器42提供包括多项式路径数据的输出。此处，置信水平足够高，使得控制器42可指示或以其他方式控制转向连杆，以使用从融合的传感器数据导出的多项式路径数据将车辆12保持在车道13内。在框550之后，过程500可结束，或者循环回到框510并重复。通常，在车辆12的变速器不处于PARK时，过程重复循环回到框510。
在框560中，计算机40向横向控制器42提供包括估计路径数据的输出—例如，使用计算机40实现的卡尔曼滤波器的输出。此处，置信水平足够低—如果控制器42使用多项式路径数据—乘客体验可能受到负面影响，因为车辆12可能由于不能充分标识车道标记而突然向右或向左转向。因此，在框560中，计算机40将在框530中所确定的估计路径数据提供给控制器42，并且控制器42指示或以其他方式控制转向连杆，以使用估计路径数据将车辆12维持在车道13内。
如上所论述，多项式路径数据和估计路径数据都可包括横向偏移量和航向角偏移测量值；然而，由横向控制器传达的数据可以是基于这些横向偏移量和航向角偏移测量值(例如，它需要是横向偏移量和航向角偏移测量值本身)的任何合适的命令、指令等。
在框560之后，过程500可结束，或者循环回到框510并重复。与上文所论述的类似，通常，在车辆12的变速器不处于PARK时，过程循环回到框510。
图9至图11对应于车辆12接近出口车道的示例—例如像图1或图8中所示。更具体地，图9示出了在毫秒时间段内对应于估计路径数据和多项式路径数据的道路曲率数据；图10示出了对应于图9的道路曲率数据的航向角测量值；并且图11示出了对应于图9的道路曲率数据和图10的航向角测量值的横向偏移测量值。
在图9至图11的示例中，右侧车道标志或左侧车道标志(分别)可从其对应车道标志偏离和/或消失。这可能导致置信水平的突然下降，并且在不使用估计路径数据的情况下，在自主模式下操作的车辆12可向右或向左转向—如多项式路径数据中的尖峰所示。柏油标志、补丁或其他道路修复标记90—如图8所示—还可能导致混乱，因为计算机40尝试确定哪些对比线标定车道13。然而，如图9至图11所示，来自卡尔曼滤波器等的估计路径数据可平滑化或消除突然的航向角变化和/或突然的横向偏移变化。因此，当估计路径数据被提供给控制器42时，车辆转向控制可得以平滑化。
图12至图14示出了与图9至图11所示的类似的情况，不同之处在于，图14还示出了由计算机40所确定的置信水平的对应变化。同样地，道路曲率数据、航向角测量值和横向偏移测量值可由以下造成：车道标志可见性的突然变化；车辆12在阴影区域与非阴影区域之间移动(例如，阴影投射在车道标志20、24上(例如像当车辆12在立交桥下方或隧道内通行时))；环境照明的突然变化导致车道标志20、24上的眩光；主要对象26消失(由于山丘、转弯或者对象26采用与车辆12不同的路线)等。
图12示出了在毫秒时段内对应于估计路径数据和多项式路径数据的道路曲率数据；图13示出了对应于图12的道路曲率数据的航向角测量值；并且图14示出了对应于图12的道路曲率数据和图13的航向角测量值的横向偏移测量值。
如图12至图14所示，来自卡尔曼滤波器等的估计路径数据可平滑化或消除突然的航向角变化和/或突然的横向偏移变化。因此，当估计路径数据被提供给控制器42时，车辆转向控制可得以平滑化。此外，图14示出了置信水平的下降对应于其中使用估计路径数据适当地提供更平稳的车辆乘客驾驶体验的时段。因此，如上文在过程500中所解释的，在这些情况下，估计路径数据可由计算机40输出到横向控制器42。
如图14中的数据所示，应理解，计算机40还可基于车道标记中的一者的状态变化来确定置信水平。例如，如果检测到右侧车道标志20状态(例如，还参见表I)，并且它突然改变为未检测到状态，则计算机40可确定置信水平已下降到阈值以下。左侧车道标志24或主要对象26的检测到状态的改变可导致对置信水平低于阈值的类似确定。
因此，已经描述了一种用于车辆的转向控制系统。所述系统包括确定多项式路径数据和估计路径数据的计算机。当车道置信水平小于预定阈值时，所述系统就使用估计路径数据来控制车辆转向。并且当置信水平大于所述阈值时，所述系统可使用多项式路径数据来控制车辆转向。
大体来说，所描述的计算系统和/或装置可采用若干计算机操作系统中的任何一种，包括但不限于Ford 应用程序的版本和/或变体、AppLink/Smart Device Link中间件、汽车操作系统、Microsoft 操作系统、Unix操作系统(例如，由加州红木海岸的甲骨文公司发布的操作系统)、由纽约州阿蒙克市的国际商业机器公司发布的AIX UNIX操作系统、Linux操作系统、由加州库比蒂诺的苹果公司发布的Mac OSX和iOS操作系统、由加拿大滑铁卢的黑莓有限公司发布的BlackBerry OS，以及由谷歌公司和开放手机联盟开发的Android操作系统、或QNX软件公司提供的用于信息娱乐的平台。计算装置的示例包括但不限于车载计算机、计算机工作站、服务器、台式计算机、笔记本、膝上型计算机或手持式计算机、或者某一其他计算系统和/或装置。
计算装置通常包括计算机可执行指令，其中所述指令可由诸如以上列出的那些的一个或多个计算装置来执行。计算机可执行指令可由使用多种编程语言和/或技术创建的计算机程序来编译或解译，所述编程语言和/或技术单独地或者组合地包括但不限于JavaTM、C、C++、Visual Basic、Java Script、Perl等。这些应用程序中的一些可在诸如Java虚拟机、Dalvik虚拟机等虚拟机上进行编译和执行。大体来说，处理器(例如，微处理器)接收例如来自存储器、计算机可读介质等的指令，并执行这些指令，从而执行一个或多个过程，包括本文所述过程中的一个或多个。此类指令和其他数据可使用各种计算机可读介质来存储和传输。
计算机可读介质(也称为处理器可读介质)包括参与提供可由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂时性(例如，有形)介质。这种介质可采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可包括例如光盘或磁盘以及其他永久性存储器。易失性介质可包括例如通常构成主存储器的动态随机存取存储器(DRAM)。此类指令可由一种或多种传输介质来传输，所述传输介质包括同轴电缆、铜线和光纤，包括构成联接到计算机的处理器的系统总线的电线。计算机可读介质的常见形式包括例如软盘、软磁盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD、任何其他光学介质、穿孔卡、纸带、任何其他具有孔图案的物理介质、RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒式磁带，或计算机可从中读取的任何其他介质。
本文所述的数据库、数据存储库或其他数据存储可包括用于存储、存取/访问和检索各种数据的各种机构，包括分层数据库、文件系统中的一组文件、呈专有格式的应用程序数据库、关系数据库管理系统(relational database management system，RDBMS)等。每个此类数据存储大体上被包括在采用诸如上文所提及中的一种的计算机操作系统的计算装置内，并且以多种方式中的任何一种或多种来经由网络进行存取/访问。文件系统可由计算机操作系统访问，并且可包括以各种格式存储的文件。除了用于创建、存储、编辑以及执行存储过程的语言之外，RDBMS通常还采用结构化查询语言(Structured Query Language，SQL)，诸如上文所提及的PL/SQL语言。
在一些示例中，系统元件可实现为一个或多个计算装置(例如，服务器、个人计算机等)上的、存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上的计算机可读指令(例如，软件)。计算机程序产品可包括存储在计算机可读介质上的用于执行本文所述功能的此类指令。
处理器经由电路、芯片或其他电子部件来实现，并且可包括一个或多个微控制器、一个或多个现场可编程门阵列(field programmable gate array，FPGA)、一个或多个专用电路(ASIC)、一个或多个数字信号处理器(digital signal processor，DSP)、一个或多个客户集成电路等。处理器可被编程为处理传感器数据。处理数据可包括处理由传感器所捕获的视频馈送或其他数据流，以确定主车辆的道路车道和任何目标车辆的存在。如下所述，处理器指示车辆部件根据传感器数据来致动。处理器可并入控制器(例如，自主模式控制器)中。
存储器(或数据存储装置)经由电路、芯片或其他电子部件来实现，并且可包括以下中的一者或多者：只读存储器(ROM)、随机存取存储器(RAM)、闪存器、电可编程存储器(EPROM)、电可擦除可编程存储器(EEPROM)、嵌入式多媒体卡(embedded MultiMediaCard，eMMC)、硬盘驱动器，或者易失性或非易失性介质等。存储器可存储器从传感器所收集的数据。
已经以说明性方式描述了本公开，并且应理解，已使用的术语意图本质上是描述性词语的而非限制性词语。鉴于以上教导，本公开的许多修改形式和变化形式是可能的，并且本公开可以不同于具体描述的其他方式来实践。
根据本发明，提供一种方法，其具有：从车辆传感器套件接收所感测输入；使用所述输入，提供第一输出；确定车道置信水平小于阈值；然后相反地，提供第二输出，其中所述第一输出和所述第二输出包括车道校正数据，其中所述第二输出使用估计滤波器来确定。
根据一个实施例，所述输入包括radar数据和摄像机数据。
根据一个实施例，所述radar数据和所述摄像机数据被融合成包括道路上的车道标志的单个表示。
根据一个实施例，所述第一输出通过计算曲线拟合多项式的系数来确定。
根据一个实施例，所述滤波器是卡尔曼滤波器。
根据一个实施例，所述滤波器使用自行车模型来确定所述第二输出。
根据一个实施例，所述模型使用车辆横摆率、车速和道路曲率测量值。
根据一个实施例，确定所述水平还包括分析所述输入以确定以下的标识状态：道路上的右侧车道标志、所述道路上的左侧车道标志、在所述道路上移动的主要对象，或它们的组合。
根据一个实施例，确定所述水平还包括确定所述右侧车道标志、所述左侧车道标志或所述对象中的一者或多者的状态已在检测到状态与未检测到状态之间改变。
根据一个实施例，当检测到所述右侧车道标志、所述左侧车道标志和所述主要对象中的每一者的所述状态时，提供所述第一输出。
根据一个实施例，当未检测到所述右侧车道标志、所述左侧车道标志和所述主要对象中的一者或多者的所述状态时，提供所述第二输出。
根据一个实施例，所述水平是基于以下的输入内的标识：右侧车道标志、左侧车道标志、在道路上移动的主要对象、它们的组合，或者以下中的一者或多者的缺失：所述右侧车道标志、所述左侧车道标志或所述对象。
根据一个实施例，所述数据包括横向偏移测量值和航向偏移测量值。
根据一个实施例，所述输入包括主车辆处的摄像机数据，其中所述水平小于基于摄像机数据中的增益或对比度的变化的所述阈值。
根据一个实施例，所述变化是基于以下中的至少一者：所述车辆在道路上在阴影区域与非阴影区域之间移动；所述道路上的右侧车道标志或左侧车道标志终止；所述右侧车道标志或所述左侧车道标志中的一者偏离平行；或者所述道路上的车道标志之外的标志的存在。
根据一个实施例，所述标志包括道路修复或补丁。
根据本发明，提供一种系统，其可包括：处理器；以及存储器，所述存储器存储可由所述处理器执行的指令，所述指令包括用于：从车辆传感器套件接收所感测输入；使用所述输入，提供第一输出；确定车道置信水平小于阈值；然后相反地，提供第二输出，其中所述第一输出和所述第二输出包括车道校正数据，其中所述第二输出使用估计滤波器来确定。
根据一个实施例，所述第一输出通过计算曲线拟合多项式的系数来确定。
根据一个实施例，确定所述水平还包括分析所述输入以确定以下的标识状态：道路上的右侧车道标志、所述道路上的左侧车道标志、在所述道路上移动的主要对象，或它们的组合。
根据一个实施例，所述滤波器使用自行车模型来确定所述第二输出，其中所述模型使用车辆横摆率、车速和道路曲率测量值。

Claims (15)

1.一种方法，其包括：
从车辆传感器套件接收所感测输入；
使用所述输入，提供第一输出；
确定车道置信水平小于阈值；然后相反地，
提供第二输出，其中所述第一输出和所述第二输出包括车道校正数据，其中所述第二输出使用估计滤波器来确定。
2.如权利要求1所述的方法，其中所述输入包括radar数据和摄像机数据，其中所述radar数据和所述摄像机数据被融合成包括道路上的车道标志的单个表示。
3.如权利要求1所述的方法，其中所述第一输出通过计算曲线拟合多项式的系数来确定。
4.如权利要求1所述的方法，其中所述滤波器是卡尔曼滤波器。
5.如权利要求1所述的方法，其中所述滤波器使用自行车模型来确定所述第二输出。
6.如权利要求5所述的方法，其中所述模型使用车辆横摆率、车速和道路曲率测量值。
7.如权利要求1所述的方法，其中确定所述水平还包括分析所述输入以确定以下的标识状态：道路上的右侧车道标志、所述道路上的左侧车道标志、在所述道路上移动的主要对象，或它们的组合。
8.如权利要求7所述的方法，其中确定所述水平还包括确定所述右侧车道标志、所述左侧车道标志或所述对象中的一者或多者的状态已在检测到状态与未检测到状态之间改变。
9.如权利要求7所述的方法，其中当检测到所述右侧车道标志、所述左侧车道标志和所述主要对象中的每一者的所述状态时，提供所述第一输出。
10.如权利要求7所述的方法，其中当未检测到所述右侧车道标志、所述左侧车道标志和所述主要对象中的一者或多者的所述状态时，提供所述第二输出。
11.如权利要求1所述的方法，其中所述数据包括横向偏移测量值和航向偏移测量值。
12.如权利要求1所述的方法，其中所述输入包括主车辆处的摄像机数据，其中所述水平小于基于所述摄像机数据中的增益或对比度的变化的所述阈值。
13.如权利要求12所述的方法，其中所述变化是基于以下中的至少一者：所述车辆在道路上在阴影区域与非阴影区域之间移动；道路上的右侧车道标志或左侧车道标志终止；所述右侧车道标志或所述左侧车道标志中的一者偏离平行；或者所述道路上的车道标志之外的标志的存在。
14.一种计算机，其包括处理器和存储可由所述处理器执行的指令的存储器，所述指令包括执行如权利要求1-13中任一项所述的方法。
15.一种计算机程序产品，其包括存储指令的计算机可读介质，所述指令能由计算机处理器执行以执行如权利要求1-13中任一项所述的方法。
CN201811600166.1A 2018-01-04 2018-12-26 自主转向控制 Pending CN110001773A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/862,352 US10737693B2 (en) 2018-01-04 2018-01-04 Autonomous steering control
US15/862,352 2018-01-04

Publications (1)

Publication Number Publication Date
CN110001773A true CN110001773A (zh) 2019-07-12

Family

ID=66816777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811600166.1A Pending CN110001773A (zh) 2018-01-04 2018-12-26 自主转向控制

Country Status (3)

Country Link
US (1) US10737693B2 (zh)
CN (1) CN110001773A (zh)
DE (1) DE102019100034A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102496290B1 (ko) 2018-07-06 2023-02-06 현대모비스 주식회사 헤딩각 보상 장치 및 방법
US11370446B2 (en) * 2018-08-06 2022-06-28 Honda Motor Co., Ltd. System and method for learning and predicting naturalistic driving behavior
US11584379B2 (en) * 2018-08-06 2023-02-21 Honda Motor Co., Ltd. System and method for learning naturalistic driving behavior based on vehicle dynamic data
EP3971048B1 (en) * 2019-05-15 2023-06-07 NISSAN MOTOR Co., Ltd. Vehicle travel control method and vehicle travel control device
DE102019116892A1 (de) * 2019-06-24 2020-12-24 Valeo Schalter Und Sensoren Gmbh Fahrspurereignisantizipation durch LiDAR-Straßenbegrenzungserfassung
US12179758B2 (en) * 2019-09-11 2024-12-31 Hitachi Astemo, Ltd. Vehicle control device, vehicle control method, vehicle motion control system, and lane estimation device
US11908200B2 (en) * 2021-07-13 2024-02-20 Canoo Technologies Inc. System and method in the prediction of target vehicle behavior based on image frame and normalization
US11891060B2 (en) * 2021-07-13 2024-02-06 Canoo Technologies Inc. System and method in lane departure warning with full nonlinear kinematics and curvature
US11845428B2 (en) 2021-07-13 2023-12-19 Canoo Technologies Inc. System and method for lane departure warning with ego motion and vision
US11840147B2 (en) 2021-07-13 2023-12-12 Canoo Technologies Inc. System and method in data-driven vehicle dynamic modeling for path-planning and control
US12017661B2 (en) 2021-07-13 2024-06-25 Canoo Technologies Inc. System and method in vehicle path prediction based on full nonlinear kinematics
US11891059B2 (en) * 2021-07-13 2024-02-06 Canoo Technologies Inc. System and methods of integrating vehicle kinematics and dynamics for lateral control feature at autonomous driving
US20230350050A1 (en) * 2022-04-27 2023-11-02 Toyota Research Institute, Inc. Method for generating radar projections to represent angular uncertainty

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102209658A (zh) * 2008-11-06 2011-10-05 沃尔沃技术公司 用于确定道路数据的方法和系统
US20130253767A1 (en) * 2012-03-26 2013-09-26 GM Global Technology Operations LLC System and method for vehicle lateral control
US20140379164A1 (en) * 2013-06-20 2014-12-25 Ford Global Technologies, Llc Lane monitoring with electronic horizon
CN104395168A (zh) * 2012-04-27 2015-03-04 谷歌公司 通过与其它车辆维持安全距离来在道路上安全地导航
US20170016740A1 (en) * 2015-07-16 2017-01-19 Ford Global Technologies, Llc Method and apparatus for determining a vehicle ego-position

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1315980B1 (en) 2000-09-08 2006-10-04 Raytheon Company Path prediction system and method
JP4823520B2 (ja) 2002-07-15 2011-11-24 オートモーティブ システムズ ラボラトリー インコーポレーテッド 道路上の目標車両の状態を見積もる方法
DE102004028404A1 (de) 2004-06-14 2006-01-19 Daimlerchrysler Ag Verfahren zur Schätzung des Verlaufs einer Fahrspur eines Kraftfahrzeuges
KR101309508B1 (ko) 2011-10-10 2013-09-24 주식회사 만도 차량의 차선 변경 보조 시스템 및 그 방법
CN105825173B (zh) 2016-03-11 2019-07-19 福州华鹰重工机械有限公司 通用道路和车道检测系统与方法
JP6880590B2 (ja) * 2016-08-02 2021-06-02 いすゞ自動車株式会社 操舵補助装置及び操舵補助方法
CN106529493B (zh) 2016-11-22 2019-12-20 北京联合大学 一种基于透视图的鲁棒性多车道线检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102209658A (zh) * 2008-11-06 2011-10-05 沃尔沃技术公司 用于确定道路数据的方法和系统
US20110320163A1 (en) * 2008-11-06 2011-12-29 Volvo Technology Corporation Method and system for determining road data
US20130253767A1 (en) * 2012-03-26 2013-09-26 GM Global Technology Operations LLC System and method for vehicle lateral control
CN104395168A (zh) * 2012-04-27 2015-03-04 谷歌公司 通过与其它车辆维持安全距离来在道路上安全地导航
US20140379164A1 (en) * 2013-06-20 2014-12-25 Ford Global Technologies, Llc Lane monitoring with electronic horizon
US20170016740A1 (en) * 2015-07-16 2017-01-19 Ford Global Technologies, Llc Method and apparatus for determining a vehicle ego-position

Also Published As

Publication number Publication date
US20190202453A1 (en) 2019-07-04
DE102019100034A1 (de) 2019-07-04
US10737693B2 (en) 2020-08-11

Similar Documents

Publication Publication Date Title
CN110001773A (zh) 自主转向控制
US11307040B2 (en) Map information provision system
US9283967B2 (en) Accurate curvature estimation algorithm for path planning of autonomous driving vehicle
JP7130505B2 (ja) 道路の曲率データ無しでの進行レーン識別
US8170739B2 (en) Path generation algorithm for automated lane centering and lane changing control system
US9849878B2 (en) System and method for providing a corrected lane following path through a curve for trailering vehicles
US10703363B2 (en) In-vehicle traffic assist
CN104787045B (zh) 自动驾驶系统、计算机实现的自动驾驶的方法以及计算设备
US9229453B1 (en) Unified motion planner for autonomous driving vehicle in avoiding the moving obstacle
Lee et al. Development of a self-driving car that can handle the adverse weather
US20180188031A1 (en) System and method for calibrating vehicle dynamics expectations for autonomous vehicle navigation and localization
US20190137281A1 (en) Vehicle localization device
US11092442B2 (en) Host vehicle position estimation device
US20200164873A1 (en) Action Prediction Method and Action Prediction Device of Traveling Assistance Device
Lee et al. Robust multirate on-road vehicle localization for autonomous highway driving vehicles
CN105984461A (zh) 车辆的行驶控制装置
US10377383B2 (en) Vehicle lane change
JP6528696B2 (ja) 走行経路生成装置
JP6941178B2 (ja) 自動運転制御装置及び方法
CN108399214B (zh) 确定目标车辆的摩擦数据
CN112433531A (zh) 一种自动驾驶车辆的轨迹跟踪方法、装置及计算机设备
US20170240171A1 (en) Method for modifying steering of an automated vehicle for improved passenger comfort
JP2020087191A (ja) 車線境界設定装置、車線境界設定方法
JP7346722B2 (ja) 運転支援方法及び運転支援装置
US20210269035A1 (en) Systems and methods for estimating lane geometry

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination