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

CN110738870A - 用于避免碰撞路线的系统和方法 - Google Patents

用于避免碰撞路线的系统和方法 Download PDF

Info

Publication number
CN110738870A
CN110738870A CN201910635577.2A CN201910635577A CN110738870A CN 110738870 A CN110738870 A CN 110738870A CN 201910635577 A CN201910635577 A CN 201910635577A CN 110738870 A CN110738870 A CN 110738870A
Authority
CN
China
Prior art keywords
secondary road
trajectories
road users
modeled
host vehicle
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.)
Granted
Application number
CN201910635577.2A
Other languages
English (en)
Other versions
CN110738870B (zh
Inventor
P·哈达
A·乌德布罗姆
N·穆罕默迪哈
A·巴克豪斯
A·莫弗特
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.)
Zhenati Co
Volvo Car Corp
Original Assignee
Zhenati Co
Volvo Car Corp
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 Zhenati Co, Volvo Car Corp filed Critical Zhenati Co
Publication of CN110738870A publication Critical patent/CN110738870A/zh
Application granted granted Critical
Publication of CN110738870B publication Critical patent/CN110738870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
    • B60Q9/008—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling for anti-collision purposes
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18154—Approaching an intersection
    • 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
    • B60W50/0097—Predicting future conditions
    • 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
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • 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
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种用于预测至少一个次级道路用户(106)的轨迹，以避免主车辆(100)与次级道路用户(108)的碰撞路线的方法。确定(S102)主车辆的当前位置。检索(S104)当前交通状况的多个模型化轨迹(110)集群。检测(S106)至少一个次级道路用户的位置和速度。基于至少一个次级道路用户的位置和速度以及多个模型化轨迹集群，预测(S108)至少一个次级道路用户的至少一个可行轨迹(114)。基于选择标准，选择(S110)每个次级道路用户的可行轨迹中的至少一个可行轨迹。根据所选择的至少一个可行轨迹执行(S112)至少一个动作。

Description

用于避免碰撞路线的系统和方法
技术领域
本发明涉及一种用于预测至少一个次级道路用户的轨迹，以避免主车辆与次级道路用户的碰撞路线的方法。本发明还涉及一种用于车辆的主动安全系统。
背景技术
车辆中的先进驾驶辅助系统(ADAS)具有从巡航控制和自适应照明到更先进系统的范围，更先进系统诸如自动紧急制动、自动应急转向、车道保持系统和提醒驾驶员存在其它车辆的警告系统等。通常，ADAS从多个来源检索输入数据，诸如来自摄像机的图像处理、超声波传感器、雷达或LiDAR。最近，车辆到车辆连接、车辆到基础设施连接以及基于云的连接正在成为现有ADAS的有前景的补充。当更多决策和控制被移交给车辆时，它变得能够连续地自行驾驶，这被称为自动驾驶(AD)。在下文中，我们在主动安全中包括AD和ADAS系统。
碰撞避免系统使用制动或转向，或两者的组合，以在车辆驾驶员未能观察到紧急情况时避免碰撞。碰撞避免系统必须足够早地进行干预，以避免碰撞。
但是，如果该情况将被自然解决而无需干预，则不应该太早触发干预以至于干扰正常驾驶行为。区分紧急情况和通常情况的难度取决于场景和可用传感器信息的保真度。相比于在使迎面而来的车辆转向的交叉路口中，在低速后端(low-speed rear-end)场景中更容易做出这种区分。在某些场景中更难以区分紧急情况和通常情况的主要原因是，在这些情景中，较难预测所有道路用户的意图和可能的轨迹。
出于这个原因，碰撞避免算法通常会评估其它道路用户能够进行的所有可能的移动(maneuver)，并假设这些移动中最安全的是最可能的。这样，碰撞避免系统将不会引起干扰非紧急情况的不必要的干预。然而，如果过度限制其它道路用户的可能移动，则碰撞避免系统将表现不佳。
因此，构造碰撞避免系统中的一个问题是使其它道路用户的可能移动仅限于那些能够被合理地预期到的移动。
发明内容
鉴于上述情况，本发明的目的是提供一种用于预测至少一个次级道路用户的轨迹，以避免主车辆与次级道路用户的碰撞路线的改进方法。
根据本发明的第一方面，提供了一种用于预测至少一个次级道路用户的轨迹，以避免主车辆与次级道路用户的碰撞路线的方法，该方法包括：确定主车辆的当前位置；检索当前位置附近的当前交通状况的多个模型化轨迹集群；检测当前交通状况附近的至少一个次级道路用户的位置和速度；基于至少一个次级道路用户的位置和速度以及当前交通状况的多个模型化轨迹集群，预测至少一个次级道路用户的至少一个可行轨迹；基于选择标准选择每个次级道路用户的可行轨迹中的至少一个可行轨迹，并根据所选择的至少一个可行轨迹执行至少一个动作。
本发明基于实现了：可以基于当前交通状况的先前模型化轨迹来预测当前交通状况中的次级道路用户的可行轨迹。主车辆可以随后基于次级车辆的可行轨迹和选择标准来决定执行至少一个动作。该选择标准用于选择主车辆做出其决策所基于的至少一个可行轨迹。
因此，可以基于交通状况的历史轨迹来建立交通状况的模型化轨迹集群，并且其可以用于学习车辆可如何行驶通过交通状况。基于次级道路用户的当前位置以模型化轨迹及，可以将模型化轨迹中的至少一个模型化轨迹确定为可行轨迹。可行轨迹可以例如是位于次级车辆的当前位置附近的轨迹。基于(多个)可行轨迹和选择标准，可以将可行轨迹中的至少一个可行轨迹选择为例如次级车辆的最可能或者优选的轨迹，并且主车辆可以采取适当的动作。
因此，本发明至少提供了这种优点：能够确定在当前交通状况下哪种移动是可以从次级道路用户最合理地预期到的。
次级道路用户的位置可以是绝对位置，或者它可以是相对于主车辆的相对位置。次级道路用户的速度可以是绝对速度，或相对于主车辆的相对速度。
主车辆通常可以称为“自我车辆”。
交通状况可以例如是环形路口、交叉路口、人行横道、路段等。交通状况还可以包括环形路口、交叉路口、人行横道、路段等附近的对象。这些对象可以包括诸如车辆、行人等其它交通参与者，也可以包括交通场景的特征，例如杆、交通标志等。
次级道路用户可以例如是车辆，诸如轿车、卡车、公共汽车、自行车等，或行人。
适用于本发明构思的车辆包括自动驾驶车辆、半自动驾驶车辆和手动驾驶车辆。
轨迹通常包括行驶路径并沿着该路径前进。
选择标准可以是选择不跨到与主车辆在道路的同一侧的可行轨迹，或者是选择对于次级道路用户而言安全的可行轨迹。
此外，选择标准可以涉及，针对次级道路用户或主车辆中的任何一个，减少燃料消耗、提供舒适的乘坐、促进小心驾驶等。例如，主车辆可以沿着某个轨迹行驶以节省燃料(或者例如提供舒适的乘坐)，并且基于选择标准来优先考虑主车辆的燃料节省(或者例如舒适的乘坐)，可以相应地选择次级车辆的可行轨迹。因此，可行轨迹的选择可以受到与主车辆和/或次级道路用户相关的选择标准的影响。
可以基于选择标准来选择多于一个可行轨迹。在选择多于一个可行轨迹的情况中，当决定执行至少一个动作时，假设任何所选择的可行轨迹都发生。
在实施方式中，模型化轨迹集群可以进一步包括每个轨迹的速度曲线，该方法可以包括：基于将至少一个次级道路用户的位置和速度与包括当前交通状况的模型化速度曲线的模型化轨迹集群进行比较，预测至少一个次级道路用户的多个轨迹中的每个轨迹的速度曲线；基于选择标准，选择每个次级道路用户的包括速度曲线的可行轨迹中的至少一个可行轨迹，以及根据所选择的至少一个可行轨迹执行至少一个动作。
因此，为了进一步改进对次级车辆的可行轨迹的预测，可以在预测中使用当前交通状况的模型化速度曲线作为模型化轨迹集群的一部分。此外，通过在轨迹中包括速度曲线，可以根据选择标准更准确地选择可行轨迹。
因此，模型轨迹和可行轨迹可以包括速度曲线。在一些可能的实施方式中，模型轨迹和可行轨迹还可以包括加速度曲线。
根据实施方式，至少一个动作可以包括提供指示主车辆与至少一个次级道路用户处于碰撞路线上的警告信号。从而有利地向主车辆的驾驶员发出关于碰撞路线的通知。
在实施方式中，可以包括当提供警告信号时触发干预动作。干预动作可以是制动或改变主车辆的当前轨迹。
至少一个动作可以包括为主车辆选择路径，以避免与至少一个次级道路用户的碰撞路线。
根据实施方式，基于应用于接收到的多个交通状况的轨迹数据以及交通状况的几何形状的监督学习算法，针对其中可获得场景数据的多个交通状况生成模型化轨迹集群，其包括多个模型化轨迹集群。
通常，可以根据交通状况的照片或地图数据中的至少一种来确定场景数据。场景数据包括可从照片或地图数据获得的交通状况的几何形状或任何其它环境信息。
例如，场景数据可以由交通状况的卫星图像提供。卫星图像提供有关交通状况(诸如环形路口和交叉路口)的有价值的环境信息。可以根据卫星图像生成模型化轨迹集群。
此外，场景数据可以包括例如交通状况的速度限制数据，以进一步提高模型化轨迹的准确性。
另外，场景数据可以包括，道路是单向道路还是双向道路的指示、或轨道受限交通(诸如火车和有轨电车)的存在、以及可以在照片或地图数据中发现的任何其它数据。照片可以是卫星照片或其它航拍照片，并且地图数据可以是高清晰度(HD)地图数据。
在实施方式中，模型化轨迹集群的生成可以在深度神经网络中进行。
根据实施方式，可以包括，基于主车辆的位置与多个交通状况中的一个交通状况之间的匹配，选择当前交通状况的检索到的多个模型化轨迹集群。因此，当主车辆接近交通状况时，主车辆的位置可用于选择正确的与附近交通状况相关的多个模型化轨迹集群。
多个模型化轨迹集群可以有利地取决于一天中的时间、日期、或天气、或其它可测量的环境条件。因此，由于诸如一天中的时间、季节(日期)、天气以及其它条件的参数影响驾驶方式，所以可以在模型化轨迹集群中考虑这些参数。这些参数随后可以通过使用一天中的当前时间、日期、天气或其它可测量的环境条件作为预测步骤的输入来改进对至少一个可行轨迹的预测。
在实施方式中，可以基于至少一个次级道路用户的位置和速度以及当前交通状况的多个模型化轨迹集群的子类来预测至少一个次级道路用户的至少一个可行轨迹，该子类是基于指示当前交通状况的交通特征的交通对象数据确定的。以这种方式，由于使用较少的模型化轨迹集群作为预测的输入，所以可以以较高准确度和较低计算能力来进行可行轨迹的预测。
本发明的另一个目的是提供一种改进的主动安全系统，以避免主车辆与次级车辆的碰撞路线。
根据本发明的第二方面，提供了一种用于主车辆的主动安全系统，其包括：用于检测次级道路用户的位置和速度的至少一个检测单元；用于确定主车辆的当前位置的定位系统；以及车辆控制单元，其被构造为：检索当前交通状况的多个模型化轨迹集群，当前交通状况取决于主车辆的当前位置；基于至少一个次级道路用户的位置和速度以及当前交通状况的多个模型化轨迹集群，预测至少一个次级道路用户的至少一个可行轨迹；基于选择标准，选择每个次级道路用户的可行轨迹中的至少一个可行轨迹，并根据所选择的至少一个可行轨迹控制主车辆执行至少一个动作。
检测单元可以包括能够检测主车辆附近的对象的LIDAR、摄像机、超声传感器、雷达等中的至少一种。
至少一个动作可以包括提供指示主车辆与至少一个次级道路用户处于碰撞路线上的警告信号。
控制单元可以被构造为，当确定主车辆与至少一个次级道路用户处于碰撞路线时，触发干预动作。
干预动作可以是离散的干预，诸如干预行驶，例如制动或转向远离否则会导致碰撞的威胁。此外，干预动作可以是连续的驾驶自适应(driving adaption)的一部分，诸如用于其中需要驾驶行为的持续自适应的自适应巡航控制或自动驾驶。
至少一个动作可以包括为主车辆选择路径以避免与至少一个次级道路用户的碰撞路线。
在实施方式中，主动安全系统可以包括用于从服务器接收多个模型化轨迹集群的无线通信电路。
此外，在另一个实施方式中，检测单元可以包括接收器，其用于从次级道路用户接收指示其预期行驶路径和速度、和/或当前位置的信号。由此，可行轨迹的预测可以更准确。主车辆和次级道路用户之间的通信可以经由从任何一种使用无线通信的V2x(“vehicle-to-everything(车辆到一切)”)通信中选择的通信系统来实现。V2x包括例如车辆到车辆通信、车辆到基础设施通信、车辆到行人通信、车辆到电网通信以及车辆到设备通信。
本发明的该第二方面提供了与上面关于本发明的前一方面所讨论的类似的优点。
还提供了一种包括根据第二方面的任一实施方式的主动安全系统的车辆。
该车辆可以是自动驾驶车辆。
服务器可以被构造为接收主车辆的当前位置坐标，并且将轨迹的模型集群返给主车辆，以用于与当前交通状况相关的交通状况。
当研究所附权利要求和以下描述时，本发明的其它特征和优点将变得明显。本领域技术人员应认识到，在不脱离本发明的范围的情况下，可以组合本发明的不同特征以创建除了下面描述的实施方式之外的实施方式。
附图说明
现在将参考示出本发明的示例实施方式的附图更详细地描述本发明的这些和其它方面，其中：
图1概念性示出了本发明的实施方式的应用；
图2示出了预测次级道路用户的至少一个可行轨迹的示例场景；
图3A至图3C概念性示出了用于本发明的各种实施方式的监督学习算法的示例性数据收集。
图4概念性示出了根据卫星图像生成模型化轨迹集群；
图5概念性示出了关于使用模型化轨迹的子类来预测至少一个可行轨迹的示例实施方式；
图6示意性示出了根据本发明的实施方式的系统；
图7是根据本发明实施方式的方法步骤的流程图；
图8示出了示例性深度神经网络的框图；以及
图9概念性示出了卷积神经网络。
具体实施方式
在本详细描述中，主要参考轿车形式的次级道路用户来描述根据本发明的系统和方法的各种实施方式。然而，本发明同样适用于其它道路用户，诸如卡车、公共汽车、摩托车、自行车、行人等。此外，本发明适用于任何类型的交通状况，而不仅适用于本文示出的示例交通状况，即环形路口或交叉路口。因此，本发明通常可以以许多不同的形式实施，并且不应该被解释为限于本文阐述的实施方式；相反，提供这些实施方式是为了彻底和完整性，并且向本领域技术人员充分传达本发明的范围。相同的附图标记始终表示相同的元素。
图1概念性示出了接近交通状况102的主车辆100，在该示例情况下，交通状况是包括三个进口/出口的环形路口102。主车辆100在道路104上接近环形路口102。在通向环形路口102的另一条道路106上，次级车辆108形式的次级道路用户接近环形路口102。基于主车辆100的当前位置，可以由主车辆100检索环形路口102的多个模型化轨迹集群110，主车辆100的当前位置是通过例如全球定位系统或高清晰度(HD)地图确定的。模型化轨迹集群110可以以参考后续附图描述的方式构造。可以从服务器112，即从“云”检索模型化轨迹集群。
主车辆100还包括诸如LIDAR、摄像机、超声传感器、雷达等能够检测主车辆100附近的对象(诸如次级车辆108)的车载传感器。当次级车辆108接近环形路口102时，主车辆100可以检测次级车辆108的位置和速度。此外，主车辆100可以包括惯性测量单元，其包括用于测量主车辆100的横摆率和加速度的加速度计、陀螺仪。另外，主车辆可以包括接收器，其用于从次级道路用户接收指示其预期行驶路径和速度、和/或当前位置的信号。以这种方式，主车辆100可以通过主车辆100与次要道路用户108之间的直接通信或者例如经由云的通信来检测次要道路用户108的位置和速度。
次级车辆108的位置和速度与环形路口102的多个模型化轨迹集群110一起使用，以预测次级车辆108在环形路口104可以遵循的至少一个可行轨迹114、109a、109b、109c。因此，首先接收一大组可能的模型化轨迹集群110，然后基于次级车辆的位置和速度，为次级车辆108预测至少一个可能轨迹114、109a、109b、109c。
基于选择标准，确定所预测的至少一个可行轨迹114、109a、109b、109c中的一个可行轨迹，例如，最可能的轨迹可以是不跨到与主车辆100在道路的同一侧的轨迹。因此，这里认为跨过道路104的可行轨迹109a违反了选择标准。此外，对于次级车辆108而言沿轨迹109b行驶将是不安全的，因为这将导致与环形路口102的中心部分113的碰撞。此外，在基于右行交通的当前交通状况中，对于次级车辆108而言沿路径109c行驶将是不安全的，因为这导致以错误的方式行驶通过环形路口102。
其它可能的选择标准可以与降低燃料消耗、驾驶便利性、提供舒适的乘坐相关，还提到一些示例性选择标准也可以与主车辆驾驶偏好相关。例如，主车辆可以优先减少燃料消耗，因此在选择可行轨迹时将减少燃料消耗作为选择标准。如果所选择的次级车辆的可行轨迹114对于主车辆100而言是安全的轨迹，则主车辆100可以按计划行进通过环形路口102。
在一些实施方式中，模型化轨迹110还包括模型化轨迹的模型化速度曲线。因此，还可以基于次级道路用户108的位置和速度以及模型化轨迹集群110来预测次级道路用户108的速度曲线。
此外，在一些实施方式中，模型化轨迹110还包括多个轨迹110中的每个轨迹的横摆率数据和加速度数据。因此，主车辆100可以检索多个模型化轨迹集群110，其包括沿着模型化轨迹集群110的若干个位置的轨迹数据、速度曲线、横摆率数据和加速度数据。
在确定主车辆100与次级道路用户108处于碰撞路线上的情况中，可以在主车辆100中触发干预动作。干预动作可以例如包括改变主车辆100的当前路线，或者降低或增加主车辆100的速度。此外，在一些实施方式中，可以在主车辆100中提供警告信号，以至少向主车辆100的驾驶员发出关于碰撞路线的通知。
图2示出了预测次级道路用户108的至少一个可行轨迹的简化场景。图2示出了四个模型化轨迹集群：第一集群210、第二集群220、第三集群230和第四集群240。根据实施方式，次级道路用户108的位置由主车辆检测到并且与沿着每个集群210、220、230和240的一组位置进行匹配。通过使用距离度量，可以确定车辆最接近集群230。至于当前场景，可以假设车辆108刚刚开始沿着模型化轨迹230行驶。
然而，如果车辆108处于两个集群230和210中间，则可能无法选择车辆108正在沿哪个集群行驶。在那种情况下，轨迹的集群210和230都被认为是可行轨迹。
图3A至图3C概念性示出了随后用于再现多个交通状况的轨迹的监督学习算法的示例性数据收集。图3A中，示出了交通状况302的概念性卫星图像300或HD地图300。交通状况的轨迹数据由控制单元接收，即位于图1所示的服务器112上的控制单元。从行驶通过相同交通状况的多个道路用户接收轨迹数据。例如，道路用户可以在其行驶通过交通状况302时发送其GPS坐标和其它信息，诸如车辆速度、横摆率、加速度、检测到的交通标志、检测到的附近对象的位置和速度、天气数据、一天中的时间、日期、摩擦测量值、道路状况数据。这产生了交通状况302的一大组轨迹304，如图3B中概念性示出的。针对一大组交通状况进行该数据收集。此外，轨迹304可以聚类成若干类别的轨迹，诸如向左转、在停止线处停止、直线行驶等。
另外，如图3C中概念性示出的，经聚类的轨迹可以被参数化，从而提供通过交叉路口的轨迹的等密度线306，其中示出平均轨迹集308。
服务器112上的控制单元使用由轨迹304和/或参数化的经聚类的轨迹306提供的训练数据所教导的监督学习算法，以便能够使用交通状况的卫星图像作为输入来再现轨迹。因此，参考图4，可以在训练数据上训练深度神经网络，并且可以随后在离线处理步骤中将交通状况404的卫星图像402提供给该深度神经网络，并且基于监督学习算法，该深度神经网络被构造成创建模型化轨迹集群406，其包括卫星图像402中的交通状况404的速度曲线。深度神经网络可以创建任何可获得卫星图像或HD地图数据的交通状况的模型化轨迹集群。因此，本发明可以有利地为大量交通状况提供次要道路用户轨迹的预测。
另外，多个模型化轨迹集群取决于一天中的时间、日期、或天气和/或可用作深度学习网络的输入的其它可测量的环境条件。因此，最终预测的次级车辆的轨迹和速度曲线也取决于当前天气、一天中的时间、一年中的季节等。
在一个可能的实施方式中，训练数据包括交通对象数据，其指示在交通状况附近或交通状况中检测到的对象的位置和速度。然后，深度神经网络可以根据交通对象数据对模型化轨迹集群进行分类。因此，首先，深度神经网络构建模型化轨迹集群，随后，由历史交通对象数据教导的单独的深度神经网络使用当前交通对象数据来仅过滤出模型化轨迹集群的子类。因此，主车辆可以将当前交通对象数据发送到服务器或中央控制单元，然后服务器或中央控制单元基于当前交通状况的当前交通对象数据仅返回模型化轨迹的相关子类。
或者，如图5所示，主车辆100接收例如参考图1所述的模型化轨迹集群110，并且在主车辆100中执行用于仅提供模型化轨迹集群的子类111的过滤步骤。更具体地，当主车辆100接近交通状况102并且已将其位置提供给服务器112上的中央控制单元时，中央控制单元返回模型化轨迹集群110。然后，主车辆100将其交通对象数据和模型化轨迹集群110提供给算法，诸如由在车辆控制单元上运行的深度神经网络所提供的算法，以过滤出模型化轨迹集群的子类111。
交通对象数据可以例如包括路径405中存在交通拥堵408的信息。通过深度神经网络可以推断次级车辆108不能在道路路径405上的模型化轨迹集群上行驶，因为道路路径405被车辆堵塞了。在车辆上运行的深度神经网络可以过滤出模型化轨迹的子类111，其排除了与检测到的交通拥堵408相关的轨迹。随后可以基于轨迹的子类111进行至少一个可行轨迹114的预测。通过在主车辆102中执行过滤，需要传送到服务器的数据较少，即，用于过滤出轨迹的子类的交通对象数据无需被传送到服务器，因为可在主车辆中处理该交通对象数据。
在其它可能的实施方案中，仅使用单个深度神经网络。在这种情况下，在包括卫星图像300和/或HD地图300以及交通对象数据的训练数据上训练深度神经网络。在这种情况下，深度神经网络可以接收当前交通状况的卫星图像和/或HD地图，以及来自主车辆的当前交通对象数据，由此，深度神经网络基于当前交通状况的当前交通对象数据仅返回模型轨迹的相关子类。
图6示出了用于主车辆的示例主动安全系统500的框图。系统500包括用于检测次级道路用户的位置和速度的至少一个检测单元502。(多个)检测单元502可以例如是车载传感器，诸如LIDAR设备、雷达设备、图像捕获设备、超声传感器或适合检测主车辆附近存在的次级道路用户的任何类型的接近传感器中的至少一个。此外，系统500还可以包括用于测量主车辆的横摆率和加速度的惯性测量单元(未示出)。此外，检测单元502可以包括接收器，其用于从次级道路用户接收指示其预期行驶路径和速度、和/或当前位置的信号。主车辆与次级道路用户之间的通信可以经由从任何一种使用无线通信的V2x(“车辆到一切”)通信中选择的通信系统来实现。V2x包括例如车辆到车辆通信、车辆到基础设施通信、车辆到行人通信、车辆到电网通信以及车辆到设备通信。
主动安全系统500还包括用于确定主车辆的当前位置的定位系统504。定位系统504可以例如包括全球定位系统(GPS)和/或基于高清晰度(HD)地图的定位系统。
车辆控制单元506被构造为从服务器512或中央控制单元检索当前交通状况的多个模型化轨迹集群。因此，主车辆100可以包括用于从服务器512接收多个模型化轨迹集群的无线通信电路(未示出)。当前交通状况是基于主车辆的当前位置选择的，主车辆的当前位置是基于来自定位系统504的位置数据确定的。因此，车辆控制单元506处理位置数据以便确定主车辆的当前位置。服务器512接收关于主车辆的当前位置的信息，使得可以向主车辆提供正确的模型化轨迹集群。例如，可以推断主车辆100的当前位置位于哪个环形路口或交叉路口。
车辆控制单元506被构造为预测在当前交通状况下检测到的次级道路用户的至少一个可行轨迹。基于至少一个次级道路用户的位置和速度以及当前交通状况的多个模型化轨迹集群来预测至少一个可行轨迹。接下来，车辆控制单元506基于选择标准为每个次级道路用户选择至少一个可行轨迹。如果有必要，从安全性角度出发，控制单元506随后基于最可能的轨迹控制主车辆执行至少一个动作。
图7是根据本发明实施方式的方法步骤的流程图。在第一步骤S102中，确定主车辆的当前位置。在步骤S104中，针对当前位置附近的当前交通状况检索多个模型化轨迹集群。在步骤S106中，确定当前交通状况附近的至少一个次级道路用户的位置和速度。在随后的步骤S108中，基于至少一个次级道路用户的位置和速度以及当前交通状况的多个模型化轨迹集群，预测至少一个次级道路用户的至少一个可行轨迹。基于选择标准，选择S110每个次级道路用户的可行轨迹中的至少一个可行轨迹。根据所选择的至少一个可行轨迹，执行S112至少一个动作。
图8示出了实施深度神经网络以生成模型化轨迹集群的可能方法。图8具体示出了前馈深度神经网络700的框图。
该框图包括输入层702，其被构造为接收深度神经网络的输入数据。输入数据包括交通状况的场景数据703，诸如卫星图像、HD地图数据、速度限制等。输入层包括与每个输入相关联的节点704。
在框706中，深度神经网络700还包括一个或多个卷积层以及可选的循环或递归层。基于循环层的深度神经网络从输入层702获取当前数据作为除了先前处理的数据之外的输入。换句话说，循环层有利地用于捕获输入数据的历史。
输入层702的节点704经由连接710与层706的节点708通信。在诸如监督训练的训练期间确定连接710和连接的权重。
在输出层712中输出模型化轨迹集群。输出的模型化轨迹集群可以以拟合到预测轨迹的曲线的多项式系数的形式提供，或者仅以预测的模型化轨迹的下采样版本的形式提供。
应该注意，每层的连接和节点的数量可以变化，图8仅作为示例提供。因此，在一些深度神经网络设计中，可以使用比图8中示出的更多的层。
图9概念性示出了符合本发明构思、可与本发明构思一起使用的卷积神经网络，例如与图8中示出的神经网络组合。在卷积神经网络中，如本领域技术人员已知的，使用输入层的卷积来计算输出。形成局部连接，使得输入层的每个部分都连接到输出中的节点。每层应用滤波器，其中在神经网络的训练阶段期间学习滤波器的参数。
本公开的控制功能可以通过使用现有计算机处理器来实现，或者通过用于适当系统的专用计算机处理器来实现，该专用计算机处理器为此目的或另一目的而并入，或者通过硬线系统来实现。本公开范围内的实施方式包括程序产品，该程序产品包括机器可读介质，其用于携带或具有机器可执行指令，或在其上存储数据结构。这种机器可读介质可以是通用或专用计算机或具有处理器的其它机器能够访问的任何可用介质。举例来说，这种机器可读介质可包括RAM、ROM、EPROM、EEPROM、CD-ROM或其它光盘存储器、磁盘存储器或其它磁存储设备、或可用于携带或存储所需程序代码任何其它介质，所需程序代码的形式是机器可执行指令或数据结构，并且可由通用或专用计算机或具有处理器的其它机器访问。当通过网络或其它通信连接(硬连线、或者无线、或者硬连线或无线的组合)向机器传送或提供信息时，机器将连接适当地视为机器可读介质。因此，任何这种连接都被适当地称为机器可读介质。上述项的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机器执行特定功能或功能组的指令和数据。
尽管附图可以示出顺序，但是步骤的顺序可以与所描绘的顺序不同。还可以同时或部分同时地执行两个或更多个步骤。这种变化将取决于所选择的软件和硬件系统以及设计者的选择。所有这些变化都在本公开的范围内。同样地，软件实施可以利用标准编程技术、根据基于规则的逻辑和其它逻辑来完成，以实现各种连接步骤、处理步骤、比较步骤和决策步骤。
本领域技术人员应认识到，本发明决不限于上述优选实施方式。相反，在所附权利要求的范围内可以进行许多修改和变化。
在权利要求中，词语“包括”不排除其它元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其它单元可以实现权利要求中记载的若干项的功能。在相互不同的从属权利要求中陈述某些措施的仅有事实并不表示这些措施的组合不能用于获益。权利要求中的任何附图标记不应被解释为限制范围。

Claims (15)

1.一种用于预测至少一个次级道路用户(108)的轨迹，以避免主车辆(100)与所述次级道路用户(108)的碰撞路线的方法，所述方法包括：
-确定(S102)所述主车辆的当前位置；
-检索(S104)所述当前位置附近的当前交通状况的多个模型化轨迹集群；
-检测(S106)所述当前交通状况附近的所述至少一个次级道路用户的位置和速度；
-基于所述至少一个次级道路用户的位置和速度以及所述当前交通状况的所述多个模型化轨迹集群，预测(S108)所述至少一个次级道路用户的至少一个可行轨迹；
-基于选择标准，选择(S110)每个次级道路用户的可行轨迹中的至少一个可行轨迹，以及
-根据所选择的至少一个可行轨迹执行(S112)至少一个动作。
2.根据权利要求1所述的方法，其特征在于，所述模型化轨迹集群还包括每个轨迹的速度曲线，所述方法包括：
-基于将所述至少一个次级道路用户的位置和速度与包括所述当前交通状况的模型化速度曲线的所述模型化轨迹集群进行比较，预测所述至少一个次级道路用户的多个轨迹中的每个轨迹的速度曲线；
-基于所述选择标准，选择每个次级道路用户的包括速度曲线的可行轨迹中的至少一个可行轨迹，以及
-根据所选择的至少一个可行轨迹执行至少一个动作。
3.根据权利要求1或2所述的方法，其特征在于，所述至少一个动作包括提供指示所述主车辆与至少一个次级道路用户处于碰撞路线上的警告信号。
4.根据前述权利要求中的任一项所述的方法，其特征在于，所述至少一个动作包括为所述主车辆选择路径以避免与所述至少一个次级道路用户的碰撞路线。
5.根据前述权利要求中的任一项所述的方法，其特征在于，所述至少一个动作包括，当确定所述主车辆与至少一个次级道路用户处于碰撞路线上时，触发干预动作。
6.根据前述权利要求中的任一项所述的方法，其特征在于，所述方法包括：
-基于应用于接收到的多个交通状况的轨迹数据以及交通状况的几何形状的监督学习算法，针对可获得场景数据的多个交通状况，生成模型化轨迹集群，其包括所述多个模型化轨迹集群。
7.根据权利要求6所述的方法，其特征在于，所述场景数据是根据所述交通状况的照片或地图数据中的至少一种确定的。
8.根据权利要求6所述的方法，其特征在于，所述场景数据包括所述交通状况的速度限制数据。
9.根据权利要求6至8中的任一项所述的方法，其特征在于，在深度神经网络中生成所述模型化轨迹集群。
10.根据前述权利要求中的任一项所述的方法，其特征在于，所述方法包括：
-基于所述主车辆的位置与所述多个交通状况中的一个交通状况之间的匹配，选择所述当前交通状况的检索到的多个模型化轨迹集群。
11.根据前述权利要求中的任一项所述的方法，其特征在于，所述多个模型化轨迹集群取决于一天中的时间、日期、或天气和/或其它可测量的环境条件。
12.根据前述权利要求中的任一项所述的方法，其特征在于，所述方法包括：
-基于指示所述当前交通状况的交通特征的交通对象数据来确定模型化轨迹集群的子类，基于所述至少一个次级道路用户的位置和速度以及模型化轨迹集群的所述子类来预测所述至少一个次级道路用户的至少一个可行轨迹。
13.一种用于主车辆(100)的主动安全系统(500)，所述主动安全系统包括：
-用于检测次级道路用户(108)的位置和速度的至少一个检测单元(502)；
-用于确定所述主车辆的当前位置的定位系统(504)，以及
-车辆控制单元(506)，所述车辆控制单元被构造为：
-检索当前交通状况(102)的多个模型化轨迹集群(110)，所述当前交通状况取决于所述主车辆的所述当前位置；
-基于至少一个次级道路用户的位置和速度以及所述当前交通状况的所述多个模型化轨迹集群，预测所述至少一个次级道路用户的至少一个可行轨迹(114)；
-基于选择标准，选择每个次级道路用户的可行轨迹中的至少一个可行轨迹，以及
-根据所选择的至少一个可行轨迹控制所述主车辆执行至少一个动作。
14.根据权利要求13所述的主动安全系统，其特征在于，所述至少一个动作包括以下中的至少一个：
提供指示所述主车辆与至少一个次级道路用户处于碰撞线路上的警告信号，或者
当确定所述主车辆与至少一个次级道路用户处于碰撞线路上时，触发干预动作，或者
为所述主车辆选择路径以避免与所述至少一个次级道路用户的碰撞路线。
15.一种包括根据权利要求13或14所述的主动安全系统的车辆。
CN201910635577.2A 2018-07-20 2019-07-15 用于避免碰撞路线的系统和方法 Active CN110738870B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP18184743.5A EP3598414A1 (en) 2018-07-20 2018-07-20 System and method for avoiding a collision course
EP18184743.5 2018-07-20

Publications (2)

Publication Number Publication Date
CN110738870A true CN110738870A (zh) 2020-01-31
CN110738870B CN110738870B (zh) 2022-12-23

Family

ID=63014410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910635577.2A Active CN110738870B (zh) 2018-07-20 2019-07-15 用于避免碰撞路线的系统和方法

Country Status (3)

Country Link
US (1) US11814040B2 (zh)
EP (1) EP3598414A1 (zh)
CN (1) CN110738870B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112666883A (zh) * 2020-12-13 2021-04-16 昆明船舶设备集团有限公司 一种机场无人驾驶小车的碰撞检测系统
WO2023201954A1 (zh) * 2022-04-21 2023-10-26 合众新能源汽车股份有限公司 一种环岛路径规划方法及装置

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019103106A1 (de) * 2019-02-08 2020-08-13 Zf Automotive Germany Gmbh Steuerungssystem und Steuerungsverfahren zur interaktionsbasierten Langzeitbestimmung von Trajektorien für Kraftfahrzeuge
US20220026226A1 (en) * 2020-07-21 2022-01-27 Ag Leader Technology Visual Boundary Segmentations And Obstacle Mapping For Agricultural Vehicles
US20220152826A1 (en) * 2020-11-13 2022-05-19 Nvidia Corporation Object rearrangement using learned implicit collision functions
CN112632150B (zh) * 2020-12-24 2024-04-16 北京嘀嘀无限科技发展有限公司 一种确定转向点的方法、装置和电子设备
WO2022263008A1 (en) * 2021-06-15 2022-12-22 Bercman Technologies As System and method for increasing traffic safety
CN113554870A (zh) * 2021-07-16 2021-10-26 中国联合网络通信集团有限公司 环岛道路交通预警方法、系统、终端设备及存储介质
CN115871662A (zh) * 2021-09-26 2023-03-31 本田技研工业株式会社 车辆控制装置以及方法
US20230150549A1 (en) * 2021-11-18 2023-05-18 Zoox, Inc. Hybrid log simulated driving
CN114485698B (zh) * 2021-12-28 2023-11-28 武汉中海庭数据技术有限公司 一种交叉路口引导线生成方法及系统
DE102022106338A1 (de) 2022-03-18 2023-09-21 Joynext Gmbh Anpassen eines Fahrverhaltens eines autonomen Fahrzeugs
USD1022733S1 (en) * 2022-04-21 2024-04-16 Volvo Car Corporation LiDAR sensor for a vehicle
DE102022004338B3 (de) 2022-11-21 2023-12-28 Mercedes-Benz Group AG Verfahren zur Ermittlung eines Straßenzustandes

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070282530A1 (en) * 2003-11-28 2007-12-06 Dirk Meister Method And Device For Warning The Driver Of A Motor Vehicle
US20080222294A1 (en) * 2006-10-21 2008-09-11 Paragon Wireless, Inc. Managing Communications Using a Mobile Device
CN101350134A (zh) * 2008-08-29 2009-01-21 同济大学 基于dsrc的车辆紧急信息发送机制及系统
CN101407199A (zh) * 2008-10-28 2009-04-15 湖北汽车工业学院 一种车辆碰撞预警方法及装置
CN101425228A (zh) * 2007-10-29 2009-05-06 三菱扶桑卡客车株式会社 与碰撞减损装置相关联的监视目标检测装置
EP2562060A1 (en) * 2011-08-22 2013-02-27 Honda Research Institute Europe GmbH A method and system for predicting movement behavior of a target traffic object
US20130054132A1 (en) * 2011-08-29 2013-02-28 Bayerische Motoren Werke Aktiengesellschaft System and Method for Automatically Receiving Geo-Relevant Information in a Vehicle
US20150063628A1 (en) * 2013-09-04 2015-03-05 Xerox Corporation Robust and computationally efficient video-based object tracking in regularized motion environments
US20160001775A1 (en) * 2014-07-03 2016-01-07 Robert Bosch Gmbh Method for ascertaining an emergency trajectory and method for partially automated or automated driving of an ego-vehicle
EP3053777A1 (en) * 2015-02-09 2016-08-10 Honda Research Institute Europe GmbH Method and system for predictive driver assistance using communication and vehicle equipped with such system
US20160325753A1 (en) * 2015-05-10 2016-11-10 Mobileye Vision Technologies Ltd. Road profile along a predicted path
US20170344855A1 (en) * 2016-05-24 2017-11-30 Agt International Gmbh Method of predicting traffic collisions and system thereof
WO2018015811A1 (en) * 2016-07-21 2018-01-25 Mobileye Vision Technologies Ltd. Crowdsourcing and distributing a sparse map, and lane measurements for autonomous vehicle navigation
US20180173240A1 (en) * 2016-12-21 2018-06-21 Baidu Usa Llc Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle
US20180186370A1 (en) * 2016-11-29 2018-07-05 Esperanto Sensors LLC Multi-mode collision avoidance system

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4623057B2 (ja) * 2007-06-05 2011-02-02 トヨタ自動車株式会社 自車両の移動領域取得装置
US9067604B2 (en) * 2009-08-18 2015-06-30 Toyota Jidosha Kabushiki Kaisha Control device for vehicle
JP5407764B2 (ja) * 2009-10-30 2014-02-05 トヨタ自動車株式会社 運転支援装置
US9257042B2 (en) * 2010-03-11 2016-02-09 Inrix, Inc. Learning road feature delay times based on aggregate driver behavior
US9248834B1 (en) * 2014-10-02 2016-02-02 Google Inc. Predicting trajectories of objects based on contextual information
WO2017002258A1 (ja) * 2015-07-02 2017-01-05 三菱電機株式会社 経路予測装置
JP6551209B2 (ja) * 2015-12-15 2019-07-31 株式会社デンソー 運転支援装置
US10202112B2 (en) * 2016-11-28 2019-02-12 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for preemptively modifying vehicle parameters according to predicted accelerations when merging
US11364899B2 (en) * 2017-06-02 2022-06-21 Toyota Motor Europe Driving assistance method and system
JP6722280B2 (ja) * 2017-06-22 2020-07-15 バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッドＢａｉｄｕ．ｃｏｍ Ｔｉｍｅｓ Ｔｅｃｈｎｏｌｏｇｙ （Ｂｅｉｊｉｎｇ） Ｃｏ．， Ｌｔｄ． 自律走行車の交通予測における予測軌跡の評価フレームワーク

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070282530A1 (en) * 2003-11-28 2007-12-06 Dirk Meister Method And Device For Warning The Driver Of A Motor Vehicle
US20080222294A1 (en) * 2006-10-21 2008-09-11 Paragon Wireless, Inc. Managing Communications Using a Mobile Device
CN101425228A (zh) * 2007-10-29 2009-05-06 三菱扶桑卡客车株式会社 与碰撞减损装置相关联的监视目标检测装置
CN101350134A (zh) * 2008-08-29 2009-01-21 同济大学 基于dsrc的车辆紧急信息发送机制及系统
CN101407199A (zh) * 2008-10-28 2009-04-15 湖北汽车工业学院 一种车辆碰撞预警方法及装置
EP2562060A1 (en) * 2011-08-22 2013-02-27 Honda Research Institute Europe GmbH A method and system for predicting movement behavior of a target traffic object
US20130054132A1 (en) * 2011-08-29 2013-02-28 Bayerische Motoren Werke Aktiengesellschaft System and Method for Automatically Receiving Geo-Relevant Information in a Vehicle
US20150063628A1 (en) * 2013-09-04 2015-03-05 Xerox Corporation Robust and computationally efficient video-based object tracking in regularized motion environments
US20160001775A1 (en) * 2014-07-03 2016-01-07 Robert Bosch Gmbh Method for ascertaining an emergency trajectory and method for partially automated or automated driving of an ego-vehicle
EP3053777A1 (en) * 2015-02-09 2016-08-10 Honda Research Institute Europe GmbH Method and system for predictive driver assistance using communication and vehicle equipped with such system
US20160325753A1 (en) * 2015-05-10 2016-11-10 Mobileye Vision Technologies Ltd. Road profile along a predicted path
US20170344855A1 (en) * 2016-05-24 2017-11-30 Agt International Gmbh Method of predicting traffic collisions and system thereof
WO2018015811A1 (en) * 2016-07-21 2018-01-25 Mobileye Vision Technologies Ltd. Crowdsourcing and distributing a sparse map, and lane measurements for autonomous vehicle navigation
US20180186370A1 (en) * 2016-11-29 2018-07-05 Esperanto Sensors LLC Multi-mode collision avoidance system
US20180173240A1 (en) * 2016-12-21 2018-06-21 Baidu Usa Llc Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112666883A (zh) * 2020-12-13 2021-04-16 昆明船舶设备集团有限公司 一种机场无人驾驶小车的碰撞检测系统
WO2023201954A1 (zh) * 2022-04-21 2023-10-26 合众新能源汽车股份有限公司 一种环岛路径规划方法及装置

Also Published As

Publication number Publication date
EP3598414A1 (en) 2020-01-22
CN110738870B (zh) 2022-12-23
US20200023835A1 (en) 2020-01-23
US11814040B2 (en) 2023-11-14

Similar Documents

Publication Publication Date Title
CN110738870B (zh) 用于避免碰撞路线的系统和方法
US11854212B2 (en) Traffic light detection system for vehicle
US11945440B2 (en) Data driven rule books
US20200216064A1 (en) Classifying perceived objects based on activity
US11814046B2 (en) Estimating speed profiles
WO2020152627A1 (en) Automatically choosing data samples for annotation
US20240075927A1 (en) Estimating speed profiles
US20200238996A1 (en) Traffic light estimation
US11731653B2 (en) Conditional motion predictions
US20230221128A1 (en) Graph Exploration for Rulebook Trajectory Generation
KR102562381B1 (ko) 차량 호라이즌에서 오브젝트를 컨텍스트화 하기 위한 시스템 및 방법
CN116128053A (zh) 用于自主运载工具的方法和系统以及计算机可读介质
US20240005666A1 (en) Managing vehicle resources based on scenarios
CN115440025B (zh) 信息处理服务器、信息处理服务器的处理方法、非临时性存储介质
GB2616739A (en) Traffic light estimation
US11926342B2 (en) Autonomous vehicle post-action explanation system
US20230079116A1 (en) Adaptive communication for a vehicle in a communication network
US12037012B2 (en) Ensemble-based vehicle motion planner
US20240124029A1 (en) Selecting a vehicle action based on a combination of vehicle action intents
DK201970146A1 (en) Classifying perceived objects based on activity
US12122417B2 (en) Discriminator network for detecting out of operational design domain scenarios
US20230150544A1 (en) Generating notifications indicative of unanticipated actions
US20230373529A1 (en) Safety filter for machine learning planners
CN118053321A (zh) 车辆碰撞威胁评估
CN116022132A (zh) 用于协同逃生区检测的装置和方法

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
GR01 Patent grant
GR01 Patent grant