CN102307769A - 用于预测移动体的移动的设备 - Google Patents
用于预测移动体的移动的设备 Download PDFInfo
- Publication number
- CN102307769A CN102307769A CN2010800070663A CN201080007066A CN102307769A CN 102307769 A CN102307769 A CN 102307769A CN 2010800070663 A CN2010800070663 A CN 2010800070663A CN 201080007066 A CN201080007066 A CN 201080007066A CN 102307769 A CN102307769 A CN 102307769A
- Authority
- CN
- China
- Prior art keywords
- moving
- moving body
- normal manner
- positive normal
- motion prediction
- 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
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 363
- 230000033228 biological regulation Effects 0.000 claims description 124
- 238000001514 detection method Methods 0.000 abstract description 35
- 238000000034 method Methods 0.000 description 22
- 230000001133 acceleration Effects 0.000 description 18
- 230000006399 behavior Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 241000593989 Scardinius erythrophthalmus Species 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 206010022998 Irritability Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035987 intoxication Effects 0.000 description 2
- 231100000566 intoxication Toxicity 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002153 concerted effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
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
- 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
- B60W40/02—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 ambient 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
- 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
Abstract
一种移动区域预测设备,包括:移动体检测装置(10,11),所述移动体检测装置(10,11)检测宿主车辆周围的移动体;预测装置(13,14),所述预测装置(13,14)预测检测到的移动体的移动区域;以及正常度获取装置(12),所述正常度获取装置(12)获取所述检测到的移动体的移动情况的正常度。所述预测装置具有用于预测所述移动体的移动区域的多个运动预测模型,并基于由正常度获取装置获取的正常度从所述多个移动预测模型中选择移动预测模型,并用选择的移动预测模型预测所述移动体的移动区域。
Description
技术领域
本发明涉及一种预测移动体的移动区域的移动区域预测设备。
背景技术
已经开发了用于预测宿主车辆的行车路线和防止宿主车辆与移动体碰撞的技术,其中移动体为在预测的路线中存在于宿主车辆周围的其它车辆等移动体。还已经开发了用于获取宿主车辆为到达目的地而将采取的目标路线以及用于根据目标路线执行多种行驶控制或自动驾驶的技术。同样,在该技术中宿主车辆以避免与周围移动体碰撞的方式行驶是很重要的。日本专利申请公开号No.7-104062(JP-A-7-104062)中描述的设备基于由传感器检测到的宿主车辆的速度和偏航角速度获得宿主车辆的预测行驶轨迹及其预测行驶区域,该预测行驶区域在预测行驶轨迹的两侧具有预定范围;并且还基于由雷达检测到的障碍物(另一车辆等)的位置和速度获得障碍物的预测行驶轨迹及其预测行驶区域,该预测行驶区域在预测行驶轨迹的两侧具有预定范围。此外,该设备基于宿主车辆的预测行驶区域和障碍物的预测行驶区域计算宿主车辆与障碍物的碰撞点或它们之间的接近点,并且通过计算目标减速度和减后的目标速度来确定碰撞风险,并且如果碰撞风险提高,则根据目标减速度和减后的目标速度执行宿主车辆的速度控制。
在一般的交通环境中,由于疲劳驾驶、醉酒驾车、或根据对交通规则的遵守情况等,不可避免地发生以异常方式行驶的车辆与以正常方式行驶的车辆混杂。然而,在前述设备中,另一车辆驶入的范围是为所有车辆统一设定的。因此,如果假设异常车辆,为宿主车辆周围的每个其它车辆设定较宽的范围,宿主车辆相对于所有附近车辆(包括正常车辆)的碰撞风险变高,因此宿主车辆变得难以行驶(见图2A)。另一方面,如果假设正常车辆,对宿主车辆周围的每个其它车辆设定较小的范围,宿主车辆相对于所有其它车辆的碰撞风险变低,因此如果附近存在异常车辆,宿主车辆的行驶安全性下降(见图2B)。
发明内容
本发明提供了一种即使在宿主车辆周围混杂有正常移动体和异常移动体的环境中,也能对每个移动体预测适当的移动区域的移动区域预测设备。
本发明的第一方面涉及一种移动区域预测设备,包括:移动体检测装置,移动体检测装置检测宿主车辆周围的移动体;预测装置,预测装置预测检测到的移动体的移动区域;以及正常度获取装置,正常度获取装置获取检测到的移动体的移动情况的正常度。预测装置具有用于预测移动体的移动区域的多个运动预测模型,并基于获取的正常度从多个移动预测模型中选择移动预测模型,并用选择的移动预测模型预测移动体的移动区域。
该移动体检测装置检测宿主车辆周围的移动体,并且正常度获取装置获取宿主车辆周围的移动体移动情况的正常度(换言之,异常度)。此外,对于每个移动体,预测装置基于正常度从多个移动预测模型中选择移动预测模型(也可以选择多个模型),并用选择的移动预测模型预测移动体的移动区域。例如,作为正常度高的移动体,可将其移动区域缩窄至一定程度。另一方面,对于正常度低的移动体(其异常度高),难以预测其将如何移动。因此,应用这样的移动预测模型,使得正常度越高,使移动区域越小;而正常度越低,使移动区域越大。因此,在移动区域预测设备中,由于对于每个移动体都应用与该移动体的正常度相对应的移动预测模型以预测其移动区域,所以即使在正常移动体和异常移动体混杂的环境中,也能对每个移动体预测适当的移动区域。通过用为每个移动体单独提供的移动区域执行行驶辅助或自动驾驶,即使在正常移动体和异常移动体混杂的环境中,也能同时实现相对于移动体的良好的安全性以及宿主车辆朝目的地行驶的高效率。
顺带地,移动体例如为车辆、摩托车、自行车、行人等。移动体的移动情况正常度例如由移动体的摆动程度、其对交通规则的遵守程度、加速度/减速度、移动体所接受的关于与其它物体碰撞的风险(碰撞概率)等。多个移动预测模型可以是对应于各种正常度的单独的移动预测模型。
本发明的第二方面涉及一种移动区域预测设备,包括:移动体检测装置,移动体检测装置检测宿主车辆周围的移动体;预测装置,预测装置预测检测到的移动体的移动区域;以及正常度获取装置,正常度获取装置获取检测到的移动体的移动情况的正常度。预测装置具有多个运动预测模型,多个运动预测模型具有用于预测移动体的移动区域的预测参数,并且预测装置基于获取的正常度确定预测参数的值,并用预测参数具有确定的预测参数的值的移动预测模型预测移动体的移动区域。
移动体检测装置检测宿主车辆周围的移动体,并且正常度获取装置获取宿主车辆周围的移动体的移动情况的正常度。此外,对于每个移动体,预测装置基于移动体的正常度确定移动预测模型的预测参数的值(可以确定一个值或多个值),并用预测参数具有该确定值的移动预测模型预测移动体的移动区域。这样,在移动区域预测设备中,由于对于每个移动体都应用预测参数的值与该移动体的正常度相对应的移动预测模型以预测其移动区域,所以即使在正常移动体和异常移动体混杂的环境中,也能对每个移动体预测适当的移动区域。
预测参数的示例例如为移动体的摆动程度、对交通规则的遵守程度、加速度/减速度、转向角、移动体所接受的关于与其它物体碰撞的风险(碰撞概率)等。预测参数可以是正常度本身。还可以采用以下结构:在具有正常度作为参数的移动预测模型中替代为与正常度相称的不同参数,从而获得多个移动预测模型。一个移动预测模型所具有的预测参数的数量可以是一个或多于一个。
正常度获取装置可基于移动体的移动历史获取正常度。
正常度获取装置检测移动体的移动历史(其以前的运动),并基于移动历史获取正常度。移动体的移动历史的示例包括移动体的以往行驶期间的时间序列上的位置轨迹、其速度随时间的变化(加速度/减速度)、以及行驶方向随时间的变化等。例如,在移动体的位置在以往行驶期间变化较大(车辆的摆动程度较大)的情况下、速度变化大的情况下、或行驶方向变化大的情况下,移动体的正常度低。
正常度获取装置可基于移动体的位置获取正常度。此外,正常度获取装置可基于移动体的位置和速度获取正常度。
在移动体(车辆等)的位置变化大、移动体的摆动程度大、或其速度变化大的情况下,移动体的正常度低。
正常度获取装置可基于移动体的驾驶员状态获取正常度。
正常度获取装置可检测移动体的驾驶员状态,并且可基于驾驶员状态获取移动体的移动情况正常度。驾驶员状态的示例包括醉酒状态、清醒状态、疲劳状态、心理状态(急躁之类)等。例如,在驾驶员酒后驾车的情况下,或驾驶员清醒程度低的情况下,车辆的摆动程度很有可能变大。在驾驶员急躁的情况下,加速度/减速度很有可能变大。在这些情况下,正常度低。获得关于移动体驾驶员的信息的方法可以是例如以下方法:通过设置在移动区域预测设备中的传感器检测移动体的驾驶员状态的方法,或者通过附接于移动体或路基等的传感器检测移动体的驾驶员状态的方法,并且这些信息通过车与车间通信或路与车间通信被传送到移动区域预测设备。传送的数据可以是与正常度相关的驾驶员状态,或者可以是由该驾驶员状态获得的正常度。
正常度获取装置可基于移动体对交通规则的遵守情况获取正常度。具体地,对交通规则的遵守情况可以是对分优先级的多项交通规则的遵守程度的结合。
正常度获取装置可检测移动体对交通规则的遵守情况,并且可基于对交通规则的遵守情况获取移动体的移动情况正常度。越倾向于遵守交通规则,正常度越高,并且越不倾向于遵守交通规则,正常度越低。然而,在多项交通规则中,多项规则的重要程度是不同的。因此,如果对交通规则的遵守情况是对分优先级的多项交通规则的遵守程度的结合,则能够选择与这样的交通规则相对应的适当移动预测模型:高于该交通规则或在该交通规则时遵守程度高的最低程度交通规则;以及低于该交通规则或在该交通规则时遵守程度低的最高程度交通规则。遵守程度可以是示出遵守和违反的二元值,或者可以是三个或更多个遵守程度。
本发明的第三方面涉及一种移动区域预测设备,包括:移动体检测装置,移动体检测装置检测宿主车辆周围的移动体;以及预测装置,预测装置预测检测到的移动体的移动区域。预测装置具有多个运动预测模型,多个运动预测模型具有用于预测移动体的移动区域的不同预测时间,并且预测装置用多个移动预测模型执行预测以预测移动体的移动区域。
移动体检测装置检测宿主车辆周围的每个移动体。对于每个移动体,预测装置能用预测时间不同的多个移动预测模型并行地执行预测,并由此预测移动体的移动区域。因此,在该移动区域预测设备中,由于对于每个移动体,都用具有不同预测时间的多个运动预测模型预测其移动区域,所以即使在正常移动体和异常移动体混杂的环境中,也能够对每个移动体预测适当的移动区域。顺带地,多个运动预测模型的预测时间可以是相同的,也可以是完全不同的时间。
本发明该方面的移动区域预测设备还可包括正常度获取装置,正常度获取装置获取检测到的移动体的移动情况的正常度,并且预测装置可基于由正常度获取装置获取的正常度从多个移动预测模型中选择移动预测模型,并用选择的移动预测模型预测移动体的移动区域。
正常度获取装置获取宿主车辆周围每个移动体的移动情况的正常度。因此,对于每个移动体,预测装置基于正常度从多个移动预测模型中选择具有不同预测时间的移动预测模型,并用选择的具有不同预测时间的移动预测模型并行地执行预测,从而预测移动体的移动区域。在通过用为正常移动体准备的移动预测模型对移动情况正常的移动体执行预测的情况下,即使预测时间长,移动体的移动区域也局限在特定程度;因此,即使预测时间长,预测结果也是可靠的,并且能够确保移动体与宿主车辆之间的安全性。另一方面,在通过用为正常移动体准备的预测模型对移动情况异常的移动体执行预测的情况下,由于随着预测时间增加,移动区域扩大到更大范围,因此如果预测时间长,则预测结果不可靠,并且不能确保移动体与宿主车辆之间的安全性。然而,即使在通过用为异常移动体准备的移动预测模型执行预测的情况下,如果预测时间短,移动区域也会受到限制,使得预测结果是可靠的并且能够确保移动体与宿主车辆之间的安全性。
因此,即使在对移动情况正常的移动体执行预测的情况下,也可以用为移动情况异常的移动体准备的移动预测模型执行短预测时间的预测,使得能够处理移动体忽然变成异常移动情况的情况而不失去预测结果的可靠性。因此,能够进一步提高安全性。另外,在较长时间预测的情况下,能够通过用为移动情况正常的移动体准备的移动预测模型执行预测来执行必要的预测。因此,在该移动区域预测设备中,在由多个移动预测模型对移动情况正常的移动体并行地执行移动预测的情况下,优选地用为移动情况异常的移动体准备的移动预测模型执行与短预测时间相关的预测,并且用为移动情况正常的移动体准备的移动预测模型执行与长预测时间相关的预测。
本发明的第四方面涉及一种移动区域预测设备,包括:移动体检测装置,移动体检测装置检测宿主车辆周围的移动体;以及预测装置,预测装置预测检测到的移动体的移动区域。预测装置具有移动预测模型,移动预测模型中的用于预测移动体的移动区域的预测参数是可变的,并且预测装置用多个预测时间可变的移动预测模型执行预测,并预测移动体的移动区域。
移动体检测装置检测宿主车辆周围的每个移动体。对于每个移动体,预测装置改变移动预测模型中的预测时间,并用以该变化的预测时间执行预测,从而预测移动体的移动区域。因此,在移动区域预测设备中,由于对每个移动体,都用预测时间可变的移动预测模型预测移动区域,所以即使在正常移动体和异常移动体混杂的环境中,也能够对每个移动体预测适当的移动区域。
移动区域预测设备还可包括正常度获取装置,正常度获取装置获取由移动体检测装置检测到的移动体的移动情况的正常度,并且预测装置可基于由正常度获取装置获取的正常度确定预测时间,并且可用预测时间等于确定的预测时间的移动预测模型预测移动体的移动区域。
正常度获取装置获取宿主车辆周围的每个移动体的移动情况的正常度。对于每个移动体,预测装置基于正常度确定预测时间,并用预测时间等于该确定的预测时间的移动预测模型执行预测,从而预测移动体的移动区域。
在根据本发明的移动区域预测设备中,优选地由多个移动预测模型并行地提供的多个确定结果按预测结果的预测时间的长度增加的顺序来评估。
对于移动预测模型,预测时间越短,可靠性越高,并且预测的移动区域越小。因此,为了提高移动体与宿主车辆之间的安全性,有必要确定地避开预测时间相对较短的预测移动区域(预测其近期将发生)。为此,移动区域预测设备按预测结果(移动区域)的预测时间的长度的升序来评估预测结果,从而能够确保安全性。例如,按预测时间的长度的升序依次输出预测结果。因此,如果判断基于特定预测时间的预测结果与宿主车辆将来的位置相交叉,则可以判断即将发生碰撞。因此,移动区域预测设备在评估基于特定预测时间的预测结果时中止当前操作,并切换到用于避免碰撞的操作。
在本发明中,由于通过应用与预测时间或移动体的驾驶员正常度相称的移动预测模型来预测移动体的移动区域,所以即使在正常移动体和异常移动体混杂的环境中,也能够对每个移动体预测适当的移动区域。
附图说明
参照附图从对本发明的示例性实施方式的以下详细描述中,将描述本发明的特征、优点、以及技术和工业意义,在附图中相似的附图标记指代相似的元件,并且其中:
图1是根据本发明第一实施方式的运动预测设备的结构图。
图2A和图2B示出了现有技术的运动预测设备对宿主车辆前方车辆执行的运动预测结果的示例,并且分别示出了假设所有车辆都是异常车辆的情况和假设所有车辆都是正常车辆的情况;
图3示出了图1所示运动预测设备对宿主车辆前方车辆执行的运动预测结果的示例;
图4是流程图,示出了由图1所示运动预测设备执行的操作的流程;
图5是根据本发明第二实施方式的运动预测设备的构造图;
图6示出了车辆在弯曲道路上的运动的示例;
图7示出了车辆在另一车辆停在其前方的情况下的运动示例;
图8A、8B和8C示出了用运动预测模型执行运动预测的结果的示例,并且分别示出了由假设在来车车道而非错误车道中行驶的来车进入错误车道的运动预测模型获得的运动预测结果、由假设在错误车道中行驶的来车继续在错误车道中行驶的运动预测模型获得的运动预测结果、以及由假设在来车车道而非错误车道中行驶的来车保持在该车道中的运动预测模型获得的运动预测结果;
图9示出了由图5所示运动预测设备执行的操作的流程;
图10是根据本发明第三实施方式的运动预测设备的结构图;
图11A、11B、11C、11D示出了利用各种运动预测模型执行的运动预测的结果,并且分别示出了:由预测时间为一秒并且操纵概率均匀分布的运动预测模型获得的运动预测结果、由预测时间为一秒并且假设车辆保持车道不变的运动预测模型获得的运动预测结果、由预测时间为五秒并且操纵概率均匀分布的运动预测模型获得的运动预测结果、以及由预测时间为五秒并且假设车辆保持车道不变的运动预测模型获得的运动预测结果;
图12是流程图,示出了由图10的运动预测设备执行的操作的流程;以及
图13是示出在依次处理和并行预测相结合的情况下选择运动预测模型的方法示例的表格。
具体实施方式
根据本发明实施方式的运动预测设备用多个运动预测模型来预测宿主车辆周围或附近的物体(移动体)(以下也称为附近物体)的运动,并将预测结果供给到多种驾驶辅助设备(防撞设备等)或自动驾驶设备等。在本发明的第一实施方式中,根据附近物体的正常度来选择用于附近物体的运动预测模型。在第二实施方式中,根据附近物体对交通规则的遵守情况来选择用于附近物体的运动预测模型。在第三实施方式中,用多个运动预测模型并行地执行运动预测。
参见图1至图3,将描述根据第一实施方式的运动预测设备1。图1是根据第一实施方式的运动预测设备的结构图。图2A和图2B示出了现有技术的运动预测设备对宿主车辆前方车辆执行的运动预测结果的示例,并且分别示出了假设所有车辆都是异常车辆的情况和假设所有车辆都是正常车辆的情况。图3示出了图1所示运动预测设备对宿主车辆前方车辆执行的运动预测结果的示例。
对于宿主车辆附近或周围的每个物体,运动预测设备1都从多个运动预测模型中选择适于该附近物体的运动预测模型,并且基于所选的运动预测模型来预测该附近物体的运动。具体地,运动预测设备1评估每个附近物体的移动情况的正常度,并为每个附近物体选择与其正常度相称的运动预测模型。因此,运动预测设备1包括行驶信息获取装置10、物体检测装置11、正常度评估装置12、运动预测模型选择装置13以及运动预测装置14。物体检测装置11、正常度评估装置12、运动预测模型选择装置13以及运动预测装置14构造在ECU(电子控制单元)中,该ECU由CPU(中央处理单元)、ROM(只读存储器)、RAM(随机读取存储器)等构成。
顺带地,在第一实施方式中,行驶信息获取装置10和物体检测装置11可视为移动体检测装置,并且正常度评估装置12可视为正常度获取装置,并且运动预测模型选择装置13和运动预测装置14可视为预测装置,并且由运动预测模型选择装置13预先准备的多个运动预测模型可视为多个移动预测模型。
行驶信息获取装置10获取关于宿主车辆的行驶状态的感测-获取的信息、宿主车辆附近的物体以及现有知识等。
宿主车辆的行驶状态包括速度、加速度、转向角、当前位置等。用于检测上述信息的装置的示例包括速度、加速度、转向角等的多种传感器,并且还包括GPS接收设备、汽车导航设备等。
用于检测宿主车辆周围或附近的物体的感测装置的示例包括诸如毫米波雷达等多种雷达、诸如立体摄像机等摄像机(图像传感器)、激光测距机等。感测-获取的信息的示例包括由雷达在各个检测点处检测到的数据(光发射时间、光接收时间、扫描方向、反射率)、由摄像机摄得的图像、由激光测距机检测到的数据。
现有知识是能够预先获得的、车辆行驶所需要的各种类型的信息,包括道路地图、与路上的位置相对应的各种交通规则(如单行道、限速、停止标志、分界线(黄线、白线)、优先道路和非优先道路)、信号灯等。这些现有知识被预先存储在构造于运动预测设备1中的数据库中,并且根据宿主车辆的当前位置,从数据库中调出关于该当前位置及其周围区域的信息。
物体检测装置11基于由行驶信息获取装置10检测到的感测-获取的信息而检测宿主车辆周围的附近物体。具体地,物体检测装置11试图通过对由激光在各检测点获得的数据执行处理、和对摄得的图像执行图像处理等来检测附近物体。然后,如果检测到附近物体,则物体检测装置11计算关于该附近物体的信息。附近物体的示例包括诸如车辆、摩托车、自行车、行人等移动体。关于附近物体的信息包括其相对于宿主车辆的相对位置(x,y)、其相对于宿主车辆的速度或其绝对速度、其相对于宿主车辆的方向或其绝对方向、在其为车辆的情况下其轮胎相对于车体的方向等。
对于由物体检测装置11检测到的每个附近物体,正常度评估装置12得用该附近物体的以前的运动来评估其行为(移动状态)的正常度。以前的运动的示例包括时间序列上的位置轨迹、速度随时间的变化(加速度/减速度)、以及行驶方向随时间的变化。关于评估正常度的方法,由附近物体的摆动程度、其对交通规则的遵守程度、加速度/减速度(具有可容许的加速度/减速度)、附近物体所接受的关于与其它物体碰撞的风险(碰撞概率)等评估附近物体的正常度。附近物体的摆动程度由附近物体在时间序列上的位置轨迹等评估。附近物体对于交通规则的遵守程度由将其在时间序列上的位置轨迹、其速度等与宿主车辆当前位置周围的各项交通规则、信号灯状态等进行比较而评估。与附近物体的碰撞概率由该附近物体、其它附近物体和宿主车辆的时间序列上的位置轨迹、其速度随时间的变化、其方向随时间的变化等评估。
正常度是附近物体的移动情况的正常程度。附近物体的移动情况越正常,其正常度越高;而移动情况越异常,其正常度越低。例如,附近物体的摆动越大,其正常度越低;并且附近物体对交通规则的遵守程度越低,其正常度越低。此外,附近物体接受的碰撞概率越高,其正常度越低;并且其加速度/减速度越大,其正常度越低。正常度可具有多个参数。在这种情况下,关于各个参数分别设定正常度。例如,能够基于摆动程度等设置左右方向上的正常度。摆动程度越大,左右方向上的正常度越低。另外,能够基于加速度/减速度等设置行驶方向上的正常度。加速度/减速度越大,行驶方向上的正常度越低。
对于由物体检测装置11检测到的每个附近物体,运动预测模型选择装置13选择与由正常度评估装置12评估的正常度相称的最佳运动预测模型。多个运动预测模型预先存储在构造于运动预测设备1中的数据库中。运动预测模型选择装置13利用正常度作为关键词搜索数据库,并从数据库中调出与该正常度相称的运动预测模型。
运动预测模型是根据正常度准备的。每个模型在输入关于附近物体的信息(其位置、速度、方向等)后,输出在预定时间后(例如5秒后)预计物体将存在的范围作为该附近物体的运动。该存在范围可以仅仅是范围,也可以还具有物体存在于该范围内的概率。每个运动预测模型根据正常度预测存在范围(按照需要而提供存在的概率)(见图3)。以这种方式预测的存在范围和存在概率在范围的大小和形状上、各范围的概率值上等方面各不相同。例如,运动预测模型为使得左右方向上的正常度越低,存在范围在左右方向上变得越宽,并且其在该范围中的存在概率变得越低。另外,运动预测模型为使得行驶方向上的正常度越低,其在行驶方向上的长度变得越长,存在概率变得越低。
对于由物体检测装置11检测到的每个附近物体,运动预测装置14用由运动预测模型选择装置13选定的其运动预测模型预测该附近物体的运动。具体地,对于每个附近物体,运动预测装置14将关于该附近物体的信息输入到为该附近物体选定的运动预测模型中,并且由运动预测模型输出该附近物体的存在范围(以及如果有必要的话,输出其存在概率)。
图2A和2B示出了以下情况:在沿相同方向有三个车道的道路上,宿主车辆MV在这三个车道中的左侧车道中行驶,而另一车辆PV1在宿主车辆MV前方在左侧车道中行驶,且又另一车辆PV2在宿主车辆MV前方在中间车道中行驶。在本例中,另一车辆PV1行驶正常,而车辆PV2强烈摆动,即行驶异常。
图2A示出了假定所有车辆为异常车辆时执行运动预测的情况。在这种情况下,预测出经过预定时间后其它车辆PV1和PV2将存在的较宽的存在范围AA1和AA2。预测的范围AA1和AA2分别延伸得大大超出其它车辆PV1和PV2所行驶的车道。因此,如果在这种情况下产生宿主车辆MV的目标线路,则使产生宿主车辆MV在另一车辆PV1后方一点一点移动的目标线路TC1,以确保宿主车辆与其它车辆PV1和PV2之间的安全性。在宿主车辆MV沿目标轨迹TC1行驶的情况下,其难以朝目的地移动。
图2B示出了假定所有车辆都是正常车辆时执行运动预测的情况。在这种情况下,预测出经过预定时间后其它车辆PV1和PV2将存在的较窄的存在范围NA1和NA2。预测的范围NA1和NA2分别延伸得大大超出其它车辆PV1和PV2所行驶的车道。因此,如果在这种情况下产生宿主车辆MV的目标线路,则能够产生使宿主车辆MV移动到在其它车辆PV1和PV2侧边延伸的车道上的目标线路;具体地,产生使宿主车辆变更车道以在另一车辆PV2右侧移动的目标线路TC2。然而,在宿主车辆MV沿目标轨迹TC2行驶的情况下,宿主车辆MV与强烈摆动的其它车辆PV碰碰的概率变高,因此安全性降低。
图3示出了通过将运动预测设备1应用到图2A和2B所示情况下而预测的其它车辆PV1和PV2的运动。在这种情况下,对于以正常方式行驶的另一车辆PV1,选择高正常度的运动预测模型。利用该运动预测模型,预测出经过预定时间后另一车辆PV1的较小的存在范围A1。另一方面,对于以异常方式行驶的另一车辆PV2,选择低正常度的运动预测模型。利用该运动预测模型,关于每种存在概率预测出较宽的存在范围作为经过预定时间后另一车辆PV2将存在的存在范围A2。因此,如果在宿主车辆MV的目标路线的产生中,确保相对于其它车辆PV1和PV2的安全性,则产生使宿主车辆MV变更到在另一车辆PV1右侧延伸的车道(变更到中间车道)上并且在另一车辆PV2后方移动的目标路线TC。在宿主车辆MV沿该目标轨迹TC行驶的情况下,在确保安全性的同时改善了宿主车辆MV朝目的地移动的效率。
参见图1,将利用图4所示的流程图描述运动预测设备1的操作。图4是流程图,示出了图1所示运动预测设备的操作的流程。
运动预测设备1检测宿主车辆的行驶状态(S10)。另外,运动预测设备1对宿主车辆周围的附近物体执行感测(S11)。然后,运动预测设备1基于在S11中获得的感测-获取的信息来检测关于每个附近物体的信息(S12)。
对于每个附近物体,运动预测设备1基于该附近物体的以前的运动来评估其行为的正常度(S13)。然后,运动预测设备1根据该正常度选择最佳的运动预测模型(S14)。此外,运动预测设备1用选定的运动预测模型预测该附近物体的运动(S15)。
然后,运动预测设备1将每个附近物体的运动的预测结果输出至各种驾驶辅助设备或自动驾驶设备。
根据该运动预测设备1,通过用与附近物体的行为正常度相称的运动预测模型预测附近物体(移动体)的移动,即使在正常移动体和异常移动体混杂的环境中,也能对每个移动体预测适当的移动区域。通过用对每个移动体的预测结果来对宿主车辆执行行驶辅助或执行宿主车辆自动驾驶,即使在正常移动体和异常移动体混杂的环境中,也能同时实现宿主车辆高效地朝目的地移动以及移动体之间的安全性。
参见图5至图8C,将描述根据本发明第二实施方式的运动预测设备2。图5是根据第二实施方式的运动预测设备的构造图。图6示出了车辆在弯曲道路上的运动的示例。图7示出了车辆在另一车辆停在其前方的情况下的运动示例。图8A、8B和8C示出了用运动预测模型执行运动预测的结果的示例,并且分别示出了由假设在来车车道而非错误车道中行驶的来车PV进入错误车道的运动预测模型获得的运动预测结果、由假设在错误车道中行驶的来车PV继续在错误车道中行驶的运动预测模型获得的运动预测结果、以及由假设在来车车道而非错误车道中行驶的来车保持在该车道中的运动预测模型获得的运动预测结果。
关于宿主车辆附近或周围存在的每个物体,运动预测设备2从多个运动预测模型中选择适于该附近物体的运动预测模型,并基于该选定的运动预测模型预测该附近物体的运动。具体地,对于每个附近物体,运动预测设备2预测其对各项交通规则的遵守程度,并选择与遵守程度低的、并且在遵守程度低的交通规则中重要程度最高的交通规则相称的运动预测模型。为此,运动预测设备2包括行驶信息获取装置20、物体检测装置21、交通规则判断装置22、运动预测模型选择装置23、以及运动预测装置24。物体检测装置21、交通规则判断装置22、运动预测模型选择装置13和运动预测装置24构造在由CPU、ROM和RAM等制成的ECU中。顺带地,行驶信息获取装置20、物体检测装置21和运动预测装置24与第一实施方式的行驶信息获取装置10、物体检测装置11和运动预测装置14基本相同。因此将不再赘述。
顺带地,在第二实施方式中,行驶信息获取装置20和物体检测装置21可视为移动体检测装置,且交通规则判断装置22可视为正常度获取装置,且运动预测模型选择装置23和运动预测装置24可视为预测装置,且由运动预测模型选择装置23预先准备的多个运动预测模型可视为多个移动预测模型。
对于由物体检测装置21检测到的每个附近物体,交通规则判断装置22基于该附近物体的以前的运动以及其当前行驶状态来判断该附近物体对多项交通规则的遵守程度。本申请中术语“交通规则”的概念既包括各种交通法规又包括正确的交通行为。因此,本文中的交通规则包括应当遵守的最低标准的、与车辆的行驶或驾驶相关的方式,包括使车辆不自旋(使得车辆保持处于摩擦圆中)的车辆驾驶方式、使车辆保持处于路面上的车辆驾驶方式。
具体地,交通规则判断装置22基于每个附近物体的以前的运动和当前行驶状态以及与该附近物体的方向相称的交通规则、而针对每项交通规则分别判断该附近物体对于交通规则的遵守程度。遵守程度可以是显示遵守和违反的二元值,也可以是三个或更多的遵守程度(违反程度)。交通规则包括利用附近物体的当前位置和附近物体的方向为关键词从数据库(限制速度,等)中调出的交通规则,以及无论附近物体的当前位置和附近物体的方向如何均应用于附近物体的交通规则(使车辆不自旋的车辆驾驶方式等)。另外,可利用车与车间通信或路与车间通信来获取应用于附近物体的交通规则。
在以选择附近物体是否遵守交通规则(附近物体是遵守还是违反所有应遵守的交通规则)的方式简单地进行判断的情况下,不能够精确地判断附近物体的驾驶者对于交通规则的遵守行为。例如,对于超过限制速度大约10km/m行驶的车辆,将其一律判断成违反交通规则的车辆是不确切或者说不正确的。因此,对于多种交通规则中的每一项判断遵守情况,并且精确地判断每个附近物体对于交通规则的遵守行为。
以下结合图13中所示的多种交通规则进行描述,作为示例,这些交通规则为“保持处于摩擦圆中”、“不驶出道路”、“不逆行”、“遵守转换规则”、“避免碰撞”、“尊重优先级”。“保持处于摩擦圆中”是指以使车辆侧向力和车辆纵向力的合力不超过轮胎摩擦限度的方式行驶。如果超出摩擦圆,则车辆变得无法控制。“不驶出道路”是指车辆需要在道路内行驶。“不逆行”是指当在道路上行驶时避免在来车车道中行驶。“遵守转换规则”是指遵守转换规则,例如避免跨过黄线的规则、因红色信号灯而在停止线前停止的规则等。“避免追尾”是指避免撞上前方车辆的后部。“尊重优先级”是指行驶在非优先道路上的车辆为行驶在优先道路上的车辆让行。通过判断对这六项交通规则的遵守程度,能够准确地判断驾驶员对交通规则的遵守行为。
对于由物体检测装置21检测到的每个附近物体,运动预测模型选择装置23选择与其对多项交通规则的遵守程度相称的最佳运动预测模型,其中该遵守程度由交通规则判断装置22判断。多个运动预测模型预先存储在构造于运动预测设备2中的数据库中。
具体地,运动预测模型选择装置23根据交通规则的重要程度对附近物体对多项交通规则的遵守程度进行分类(区分交通规则的优先级)。由此,能够判断所遵守的交通规则所处的或所高于的最低交通规则级别是哪种交通规则级别(遵守程度高)、以及所违反的交通规则所处的或所低于的最高交通规则级别是哪种交通规则级别(遵守程度低)。然后,运动预测模型选择装置23利用遵守程度低的(有可能违反)、重要程度最高的交通规则为关键词在数据库中检索,并且从数据库中调出与假设将违反关键交通规则及重要程度更低的交通规则的情况相对应的运动预测模型。
多项交通规则具有不同的重要程度。例如,出于安全原因,一些交通规则必须遵守。另外,附近物体的驾驶员也倾向于根据重要程度来遵守交通规则。例如,很难想象在来车车道中逆行或无视红色信号灯的驾驶员会在行驶于非优先道路上时为优先道路上的车辆让行。具体地,很难想象注意优先道路与非优先道路之间关系的驾驶员会在来车车道中逆行或无视红色信号灯。因此,能够通过根据多项交通规则的重要程度确定其优先次序、以及判断倾向于遵守的交通规则所处的或所高于的重要性级别和倾向于违反的交通规则所处的或所低于的重要性级别、来更加精确地判断驾驶员对于交通规则将作何反应。因此,能够根据对交通规则的遵守程度来预测附近物体的运动范围。
现在将考虑上述六项交通规则的重要程度(优先级)。“保持处于摩擦圆中”的重要程度是最高的,因为如果车辆超出摩擦圆,有可能变得无法控制车辆和遵守其它交通规则。“不驶出道路”的重要程度为第二高,因为它是在道路的边界内行驶的基本要求。然后,“不逆行”的重要程度为第三高,因为需要严格遵守禁止在来车车道上逆行的禁令。例如,将考虑图6中所示的情况。在宿主车辆MV在弯曲道路上行驶而另一车辆PV在来车车道中从前方驶来的情况下,如果另一车辆PV变得不能停留在当前车道中,通常预测另一车辆PV的驾驶员将选择临时驶入来车车道中逆行而不是驶出道路。
此后,“遵守转换规则”的重要程度次之,因为在行驶过程中需要遵守信号灯、黄线等作为交通指令。另外,“避免追尾”的重要程度次之。如图7所示,在宿主车辆MV停止、另一车辆PV高速地从后方驶来而无法停在宿主车辆MV后方的情况下,通常预测另一车辆PV的驾驶员将选择从后面撞到宿主车辆MV上而不是驶入来车车道中逆行。
根据多项交通规则准备运动预测模型,同时区分优先级,即按优先次序排序。每个运动预测模型与以下情况相对应地预测经过预定时间之后附近物体所存在的存在范围(如果有必要的话,以及其存在概率),所述情况为:假设在按优先次序排序的交通规则中,将违反特定交通规则以及优先次序低于该特定交通规则的所有交通规则。与假定将违反的特定交通规则及低于其优先级的交通规则相对应地,预测的存在范围和存在概率在预测范围的尺寸和形状上、预测范围的概率值上等有所不同。例如,在将违反高重要程度的交通规则以及低于其优先级的所有交通规则的情况下,选择使附近物体的存在范围宽且其存在概率低的运动预测模型。在遵守所有交通规则的情况下,选择使附近物体的整个存在范围小且在该范围的中心其存在概率高的运动预测模型。
在采用作为示例的上述六项交通规则的情况下,准备的交通规则是与将违反所有这六项交通规则的情况相称的运动预测模型、与将违反“不驶出道路”以及低于其优先级的所有交通规则的情况相称的运动预测模型、与将违反“不逆行”以及低于其优先级的所有交通规则的情况相称的运动预测模型、与将违反“遵守转换规则”以及低于其优先级的所有交通规则的情况相称的运动预测模型、与将违反“避免追尾”以及低于其优先级的所有交通规则的情况相称的运动预测模型、与将违反“遵守优先级”的情况相称的运动预测模型、以及与遵守所有六项交通规则的情况相称的运动预测模型。
图8A至8C示出了以下情况:宿主车辆MV正在行驶,另一车辆PV在其巡航车道中、或在来车车道(宿主车辆MV的巡航车道)中逆行地从前方朝宿主车辆MV驶来。在图8A中,在另一车辆PV从正在巡航车道中行驶的宿主车辆MV前方驶来的情况下,将与车辆在来车车道中逆行的情况相称的运动预测模型应用于另一车辆PV,使得预测的经过预定时间后另一车辆PV将存在的存在范围A1延伸到来车车道中。在这种情况下,为了确保宿主车辆MV相对于另一车辆PV的安全性,为宿主车辆MV产生的目标路线是宿主车辆MV一点一点地前移(减速)的目标路线或宿主车辆MV停止的目标路线。如果宿主车辆MV沿目标路线行驶,即使另一车辆PV保持其车道不变,也会使宿主车辆MV难以朝目的地行驶。另外,在图8B中,在另一车辆PV在来车车道中逆行的情况下,将与车辆在来车车道中逆行的情况相称的运动预测模型应用于该另一车辆PV,使得预测的经过预定时间后另一车辆PV将存在的存在范围A2延伸到来车车道中。在这种情况下同样,为宿主车辆MV产生的目标路线与上述目标路线基本相同。然而,在这种情况下,产生该目标路线是可允许的或者说合理的,因为另一车辆PV确实在来车车道中逆行。
在另一车辆PV保持在巡航车道中行驶的情况下,不需要以假设另一车辆PV在来车车道中逆行的方式预测另一车辆PV的运动,基于另一车辆PV保持车道不变的假设预测该车辆的运动是妥当的。因此,如图8C所示,在另一车辆PV保持巡航车道行驶的情况(遵守“不逆行”交通规则的情况)下,应将与车辆保持车道不变的情况相称的运动预测模型应用于另一车辆PV,使得在经过预定时间后另一车辆PV的存在范围A3将限制在巡航车道内。在这种情况下,为宿主车辆MV产生的目标路线是宿主车辆MV朝目的地迅速前进以确保宿主车辆MV相对于另一车辆PV的安全性的目标路线。
参见图5,将利用图9中所示的流程图描述运动预测设备2的操作。图9示出了由图5所示运动预测设备2执行的操作的流程。
运动预测设备2通过与根据第一实施方式的运动预测设备1基本相同的方式操作、来检测宿主车辆的行驶状态并对附近物体执行感测(S20和S21)、并由通过感测获得的信息检测关于每个附近物体的信息(S22)。
对于每个附近物体,运动预测设备2基于该附近物体的运动判断该附近物体对多项交通规则的遵守程度(S23)。运动预测设备2根据交通规则的重要程度对关于多项交通规则的遵守程度判断结果进行排序(S24)。然后,利用每个附近物体对交通规则的遵守程度的、按优先级排序后的判断结果,运动预测设备2找出遵守程度低的、并且在遵守程度低的交通规则中重要程度最高的交通规则。然后,根据该交通规则,运动预测设备2为每个附近物体选择最佳的运动预测模型(S25)。然后,运动预测设备2用选定的运动预测模型预测该附近物体的运动(S26)。
然后,运动预测设备2将每个附近物体的运动预测结果输出到各种驾驶辅助设备或自动驾驶设备。
根据该运动预测设备2,通过利用与附近物体对多项交通规则的遵守程度判断结果相称的最佳运动预测模型预测附近物体(移动体)的运动,即使在正常移动体和异常移动体混杂的环境中,也能够对每个移动体预测适当的移动区域。具体地,根据运动预测设备2,能够通过根据重要程度确定多项交通规则的遵守程度判断结果的优先级次序、然后选择运动预测模型来高效地选择对于附近物体而言最佳的运动预测模型。
参照图10和图11A至11D,将描述根据第三实施方式的运动预测设备3。图10是根据第三实施方式的运动预测设备的结构图。图11A至11D示出了利用各种运动预测模型执行的运动预测的结果,并且分别示出了:由预测时间为一秒并且操纵概率均匀分布的运动预测模型获得的运动预测结果、由预测时间为一秒并且假设车辆保持车道不变的运动预测模型获得的运动预测结果、由预测时间为五秒并且操纵概率均匀分布的运动预测模型获得的运动预测结果、以及由预测时间为五秒并且假设车辆保持车道不变的运动预测模型获得的运动预测结果。
对于宿主车辆周围或附近的每个附近物体,运动预测设备3基于多个运动预测模型预测该附近物体的运动。具体地,运动预测设备3利用多个运动预测模型——其中运动预测模型中的预测时间与另一运动预测模型中设定的预测时间不同——对每个附近物体的运动执行并行预测,并且根据该设定的预测时间预测附近物体的运动。为此,运动预测设备3例如包括行驶信息获取装置30、第一物体检测装置311、第二物体检测装置312、第三物体检测装置313、……以及第n物体检测装置31n,并且还包括第一运动预测装置341、第二运动预测装置342、第三运动预测装置343、……以及第n运动预测装置34n,如图10所示。第一物体检测装置3111、……和第n物体检测装置31n、以及第一运动预测装置341、……和第n运动预测装置34n构造在由CPU、ROM、RAM等构成的ECU中。顺带地,行驶信息获取装置30与第一实施方式中的行驶信息获取装置10基本相同,因此不再赘述。
顺带地,在第三实施方式中,行驶信息获取装置30、第一物体检测装置311、……和第n物体检测装置31n可视为移动体检测装置,而第一运动预测装置341、……和第n运动预测装置34n可视为预测装置,并且由第一运动预测装置341、……和第n运动预测装置34n中的每一个预先准备的运动预测模型可视为移动预测模型。
第一物体检测装置311、……和第n物体检测装置31n中的每一个以与第一实施方式中的物体检测装置11基本相同的方式、基于通过由行驶信息获取装置30感测附近物体获得的信息来检测宿主车辆周围或附近的物体。具体地,在第一物体检测装置311、……和第n物体检测装置31n检测相同的附近物体的时候,它们计算第一至第n运动预测装置341至34n中分别准备的第一至第n运动预测模型中所需要的关于附近物体的信息部分。顺带地,也可以仅构造一个物体检测装置31单元,其计算第一至第n运动预测装置341至34n中分别准备的第一至第n运动预测模型中所需要的关于附近物体的所有信息部分。
对于由物体检测装置31检测到的每个附近物体,第一运动预测装置341、……和第n运动预测装置34n中的每一个利用由装置341至34n本身准备的运动预测模型预测该附近物体的运动。即,对于每个附近物体,第一运动预测装置341、……和第n运动预测装置34n利用不同的运动预测模型执行并行预测。具体地,对于每个附近物体,例如,第一运动预测装置341输入由第一物体检测装置311计算的关于附近物体的信息,并且输出通过用第一运动预测模型预测的经过最短预测时间之后附近物体将存在的存在范围(以及存在概率)。另外,对于每个附近物体,第n运动预测装置34n输入由第n物体检测装置31n计算的关于附近物体的信息,并且输出通过利用第n运动预测模型预测的经过最长预测时间之后附近物体将存在的存在范围(以及存在概率)。
因此,准备有预测时间不同的多个运动预测模型。对于运动预测模型,预测时间越短,可靠性越高并且预测的存在范围越小。因此,为了提高附近物体与宿主车辆之间的安全性,需要确定地避开预测时间相对较短(预测近期将发生)的预测存在范围。
为了确定地避开预测的近期将发生的附近物体的存在范围(其比预测的远期将发生的附近物体的运动预测结果具有较低的不确定性),需要按照基于较短预测时间的预测结果优先受到评估的顺序、基于不同的预测时间评估多个预测结果的安全性。
例如,当选择宿主车辆的最佳路线时,对基于最短预测时间的预测结果评估宿主车辆的多个备选路线中的每一个的安全性,然后仅选择确保安全性的一个或多个备选路线作为一个或多个最佳备选路线。在选择了多个最佳备选路线的情况下,对基于次短预测时间的预测结果评估选择的最佳备选路线中的每一个的安全性,并且利用安全评估进一步缩减确保安全性的最佳备选路线。该评估和缩减的过程重复执行,直到最佳备选路线的数量变得足够小,或者直到与最长预测时间相关的安全性评估完成。因此,能够更加优选地避开预测的近期将发生的附近物体的存在范围甚于预测的远期将发生的附近物体的运动。
顺带地,相比预测的远期将发生的附近物体的运动更加优选地避开预测的近期将发生的附近物体的存在范围的方法并不局限于从基于较短预测时间的预测结果开始评估预测结果的安全性。例如,也可以对预测结果进行加权、使得预测结果的预测时间越短权重越高,以及同时地评估预测时间不同的所有预测结果的安全性。
此外,不需要结合所有预测时间应用同一预测模型,但也可以为不同的预测时间以适当的预测方法准备多个预测模型。例如,在遵守交通规则的普通驾驶员(正常度高的驾驶员)的情况下,能够瞬间执行其它操作(例如,当避开障碍物时,当操纵音响设备时,等),但是很少能长时间持续该其它操作。因此,考虑到同时实现安全性和行驶效率,优选地利用假设进行其它操作的近期运动预测模型,和利用存在范围受到限制的远期运动预测模型。顺带地,实施受到限制的运动预测模型可以增加一前提条件,即附近物体遵守交通规则。
即,在通过利用为正常移动体准备的预测模型来预测移动情况正常的附近物体的情况下,即使预测时间很长,物体的存在范围也局限于特定的程度;因此,即使在预测时间很长的情况下,预测结果也是可靠的,并且能够确保该移动体与宿主车辆之间的安全性。另一方面,在利用为正常移动体准备的预测模型来预测移动情况异常的附近物体的情况下,由于随着预测时间增加存在范围扩大到更大的范围,所以如果预测时间很长,则预测结果不可靠,并且不能确保该移动体与宿主车辆之间的安全性。然而,即使在通过利用为异常移动体准备的运动预测模型执行预测的情况下,如果预测时间短,存在范围也是局限的,使得预测结果是可靠的因此能够确保该附近物体与宿主车辆之间的安全性。
因此,即使在对移动情况正常的附近物体执行预测的情况下,用为移动情况异常的移动体准备的运动预测模型执行较短预测时间的预测,也使得能够处理附近物体忽然受到异常操作等的情况而不失去预测结果的可靠性。因此,能够进一步改进安全性。此外,在结合长预测时间执行预测的情况下,能够通过用为移动情况正常的移动体准备的运动预测模型执行预测来执行必要的预测。因此,在以多个运动预测模型并行地对移动情况正常的移动体的运动执行预测的情况下,用为移动情况异常的移动体准备的运动预测模型执行短预测时间的预测,而用为移动情况正常的移动体准备的运动预测模型执行长预测时间的预测,使得能够同时实现安全性和行驶效率。
图11A至11D示出了在宿主车辆行驶时另一车辆PV在来车车道中从宿主车辆MV前方驶来的情况。在图11a中示出的示例中,用操纵概率均匀分布的运动预测模型(即,其中车辆驾驶员的行为是不可预测的)预测一秒后另一车辆PV发生的存在范围A1。在用该运动预测模型的情况下,由于预测的存在范围是车辆在一秒内能够物理上驶入的范围,所以虽然预测范围是预测的仅一秒后存在的范围,但范围A1延伸到另一车辆PV的巡航车道的整个宽度上。在图11B所示的示例中,用假设车辆保持车道不变的运动预测模型预测一秒后另一车辆PV发生的存在范围A2。在使用该运动预测模型的情况下,由于车辆不离开车道,所以预测出的范围A2限制在另一车辆PV的巡航车道中。在图11C所示的示例中,用操纵概率均匀分布的运动预测模型预测五秒后另一车辆PV发生的存在范围A3。在使用该模型的情况下,由于预测的范围是车辆在五秒内能够物理上驶入的范围,所以预测出延伸到来车车道(即,宿主车辆MV的巡航车道)的范围A3。在图11D中所示的示例中,用假设车辆保持车道不变的运动预测模型预测五秒后另一车辆PV发生的存在范围A4。在使用该运动预测模型的情况下,由于车辆不离开车道,所以虽然预测的是五秒后发生的存在范围,但预测出的范围A4仍然局限在另一车辆PV的巡航车道内。在该示例中,为了同时实现安全性和行驶效率,采用通过用操纵概率均匀分布的预测模型获得的未来1秒的预测结果(图11A)和通过用车辆保持车道不变的预测模型获得的未来5秒的预测结果(图11D)。
具体地,预测结果的预测时间越短,预测结果的可靠性越高。此外,预测结果的预测时间越短(即,预测的另一车辆的运动越近期发生),越需要确定地确保运动的安全性。因此,在待要评估具有不同预测时间的多个预测结果时,按预测结果的预测时间长度的升序评估预测结果是妥当的。
参见图10,将利用图12所示的流程图描述运动预测设备3的操作。图12的流程图示出了由图10的运动预测设备执行的操作的流程。
运动预测设备3通过与根据第一实施方式的运动预测设备1基本相同的方式检测宿主车辆的行驶状态并对附近物体执行感测(S30和S31)。然后,运动预测设备3基于通过感测获得的信息、对每个附近物体检测与第一至第n运动预测模型相对应的关于各个附近物体的信息部分(S321至S32n)。
对于每个附近物体,运动预测设备3用预测时间不同的第一至第n运动预测模型中的每一个预测附近物体的运动(S331至S33n)。
然后,运动预测设备3将每个附近物体的运动预测结果输出到各种驾驶辅助设备或自动驾驶设备。在输入前述运动预测结果的设备侧,每隔预定间隔输入对每个附近物体进行的预测时间不同的多个预测结果。然后,在该设备侧,按预测结果的预测时间的升序依次评估预测结果,并且例如产生宿主车辆的目标轨迹。
根据该运动预测设备3,由于用基于不同预测时间的多个运动预测模型并行地执行运动预测,所以能够基于与各移动体的移动情况相对应的适当的预测时间执行运动预测,并且即使在正常移动体和异常移动体混杂的环境中,也能够对每个移动体执行移动区域预测。
参见图13,将描述以下运动预测:其结合了第二实施方式中的与分优先级的交通规则的遵守程度判断结果相称的切换运动预测模型(依次处理)、以及第三实施方式中的用预测时间不同的预测模型并行预测。图13是示出了在依次处理与并行预测相结合的情况下选择运动预测模型的方法的示例的表格。
在该示例中,预测时间为1秒、5秒和10秒。对于这些预测时间中的每一个,准备了多个运动预测模型。在该示例中,多项交通规则为以上作为示例结合第二实施方式提出的六项规则。
在该示例中准备了两个预测时间为1秒的运动预测模型。两个运动预测模型为与车辆未处于摩擦圆中的情况相称的运动预测模型和车辆处于摩擦圆中的情况相称的运动预测模型。这两个运动预测模型例如构造成操纵概率均匀分布。
对于预测时间为5秒的运动预测模型,在该示例中准备了以上结合第二实施方式描述的六个模型。与违反优先级第二高的规则“保持处于摩擦圆中”及优先级更低的规则的情况相称的运动预测模型例如构造成操纵概率均匀分布。其它五个运动预测模型构造成操纵概率以任意方式分布。任意分布的示例包括均匀分布、标准分布、混合标准分布、非参数化分布等。
对于预测时间为10秒的运动预测模型,在该示例中准备了三个模型。该示例中准备的三个运动预测模型是准备的与违反交通规则“避免追尾”及优先级更低的规则的情况相称的运动预测模型、与违反六项规则中优先级最低的交通规则“尊重优先级”的情况相称的运动预测模型、以及与遵守全部六项交通规则的情况相称的运动预测模型。这三个运动预测模型例如用组合诸如直行、左右转和变更车道等车辆的行为要素构造而成。
对于每个附近物体,根据对交通规则的遵守程度判断结果来选择每个预测时间的多个运动预测模型中的一个,并且用不同预测时间的选定的运动预测模型并行地预测该附近物体的运动。因此,通过用对每个预测时间与对分优先级的交通规则的遵守程度判断结果相称的最佳运动预测模型并行地执行运动预测,能够实现第二实施方式的效果以及第三实施方式的效果。
虽然以上已经描述了本发明的实施方式,但本发明并不局限于上述实施方式,而是能够以多种方式实施。
例如,虽然在这些实施方式中,本发明应用于运动预测设备,但本发明也可以应用于其它设备,如需要移动体的运动预测结果的各种驾驶辅助设备(防撞设备等)、自动驾驶设备等。
另外,虽然在上述实施方式中,用安装在宿主车辆上的传感器执行附近物体的感测,但也可以采用通过车与车间通信或路与车间通信等获得关于附近物体的信息的结构。在这种情况下,也可以采用以下结构:用附接于附近物体或路基的传感器检测附近物体的驾驶员状态,并且通过车与车间通信或路与车间通信将检测到的驾驶员状态或由检测到的驾驶员状态获得的驾驶员正常度通信至宿主车辆。另一车辆的驾驶员状态(清醒状态、醉酒状态、精神状态等)作为正常度。
此外,虽然在第一实施方式中,为各正常度单独地准备多个运动预测模型,但也可以采用以下结构:准备以正常度为参数的一个运动预测模型,以及设定将评估的正常度作为参数值的运动预测模型。例如,在具有参数的运动预测模型的情况下,在移动体的行驶中允许加速度/减速度,评估附近移动体的加速度/减速度,并且设定将评估的加速度/减速度的值作为参数值的运动预测模型。另外,还允许采用以下结构:准备具有预测参数的一个运动预测模型,并且基于预测的正常度确定参数的值,并且设定基于确定的参数值的运动预测模型。例如,在具有参数的运动预测模型的情况下,在移动体的行驶中允许加速度/减速度,基于附近移动体的正常度确定附近物体的加速度/减速度的值,并且设定将确定的加速度/减速度的值作为参数值的运动预测模型。
另外,虽然在第二实施方式中,以依次的方式评估对多项分优先级的交通规则的遵守程度判断结果作为对交通规则的遵守情况,但对交通规则的遵守情况可以是除此之外的其它情况。例如,可基于多项交通规则的遵守/违反结果多级地设定遵守程度。另外,也可以采用以下结构:按交通规则的重要性的下降次序判断交通规则的遵守程度,并且在判断出遵守程度低的交通规则的时刻,根据判断的交通规则选择运动预测模型。
另外,虽然第三实施方式具有以下结构:多个运动预测模型中产生的多个预测结果被输出到下游侧设备,但也可以将多个预测结果整合到以时间参数为因数的一个结果中。
另外,虽然第三实施方式具有以下结构:在预测时间不同的多个运动预测模型中并行地执行预测并且评估预测结果,但也可以采用以下结构:采用可变地设定预测时间的运动预测模型,并且在预测时间变化的同时在运动预测模型中执行预测,并且评估这样获得的预测结果。在这种情况下,还可以通过基于正常度确定预测时间、并将运动预测时间的预测时间改为这样确定的预测时间来执行预测。
作为不根据交通规则评估正常度的方法,除摆动程度外,还可以利用线性预测残差执行预测。该残差例如在表达式(1)中获得。在表达式(1)中,k是预先确定的程度或次序。
还存在基于残差大小的方法。在这种情况下,如果残差大,即,如果残余误差大,则能够判断正常度低。另外,还能够用残差本身作为预测模型如何扩大的参数。顺带地,评估正常度的方法能够评估预测的困难,并且应当理解,评估正常度的方法并不局限于上述方法。
Claims (13)
1.一种移动区域预测设备,包括:
移动体检测装置,所述移动体检测装置检测宿主车辆周围的移动体;
预测装置,所述预测装置预测所检测到的移动体的移动区域;以及
正常度获取装置,所述正常度获取装置获取所检测到的移动体的移动情况的正常度,其中
所述预测装置具有多个用于预测所述移动体的所述移动区域的移动预测模型,所述预测装置基于所获取的正常度从所述多个移动预测模型中选择移动预测模型,并利用所选择的移动预测模型来预测所述移动体的所述移动区域。
2.一种移动区域预测设备,包括:
移动体检测装置,所述移动体检测装置检测宿主车辆周围的移动体;
预测装置,所述预测装置预测所检测到的移动体的移动区域;以及
正常度获取装置,所述正常度获取装置获取所检测到的移动体的移动情况的正常度,其中
所述预测装置具有移动预测模型,所述移动预测模型具有用于预测所述移动体的所述移动区域的预测参数,所述预测装置基于所获取的正常度确定所述预测参数的值,并利用其预测参数具有所确定的所述预测参数的值的所述移动预测模型来预测所述移动体的所述移动区域。
3.如权利要求1或2所述的移动区域预测设备,其中,
所述正常度获取装置基于所述移动体的移动历史获取所述正常度。
4.如权利要求1或2所述的移动区域预测设备,其中,
所述正常度获取装置基于所述移动体的位置获取所述正常度。
5.如权利要求4所述的移动区域预测设备,其中,
所述正常度获取装置基于所述移动体的位置和速度获取所述正常度。
6.如权利要求1或2所述的移动区域预测设备,其中,
所述正常度获取装置基于所述移动体的驾驶员状态获取所述正常度。
7.如权利要求1或2所述的移动区域预测设备,其中,
所述正常度获取装置基于所述移动体对交通规则的遵守情况获取所述正常度。
8.如权利要求7所述的移动区域预测设备,其中,
所述对交通规则的遵守情况为对分优先级的多项交通规则的遵守程度的结合。
9.一种移动区域预测设备,包括:
移动体检测装置,所述移动体检测装置检测宿主车辆周围的移动体;以及
预测装置,所述预测装置预测所检测到的移动体的移动区域;
其中,所述预测装置具有多个移动预测模型,所述多个移动预测模型具有不同的用于预测移动体的移动区域的预测时间,并且所述预测装置利用多个移动预测模型执行预测以预测所述移动体的所述移动区域。
10.如权利要求9所述的移动区域预测设备,还包括,
正常度获取装置,所述正常度获取装置获取所检测到的移动体的移动情况的正常度,其中
所述预测装置基于所获取的正常度从所述多个移动预测模型中选择移动预测模型,并利用所选择的移动预测模型来预测所述移动体的所述移动区域。
11.一种移动区域预测设备,包括:
移动体检测装置,所述移动体检测装置检测宿主车辆周围的移动体;以及
预测装置,所述预测装置预测所检测到的移动体的移动区域;
其中,所述预测装置具有移动预测模型,在所述移动预测模型中用于预测所述移动体的所述移动区域的预测参数是可变的,并且所述预测装置利用其预测时间可变的所述移动预测模型执行预测,并预测所述移动体的所述移动区域。
12.如权利要求11所述的移动区域预测设备,还包括,
正常度获取装置,所述正常度获取装置获取所检测到的移动体的移动情况的正常度,其中
所述预测装置基于所获取的正常度确定所述预测时间,并利用其预测时间等于所确定的预测时间的所述移动预测模型来预测所述移动体的所述移动区域。
13.如权利要求9至12中任一项所述的移动区域预测设备,其中,
由所述多个移动预测模型并行地提供的多个确定结果按所述预测结果的所述预测时间的长度增加的顺序来评估。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009-027262 | 2009-02-09 | ||
JP2009027262A JP4853525B2 (ja) | 2009-02-09 | 2009-02-09 | 移動領域予測装置 |
PCT/IB2010/000230 WO2010089661A2 (en) | 2009-02-09 | 2010-02-05 | Movement region prediction apparatus |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102307769A true CN102307769A (zh) | 2012-01-04 |
CN102307769B CN102307769B (zh) | 2014-12-24 |
Family
ID=42211923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080007066.3A Expired - Fee Related CN102307769B (zh) | 2009-02-09 | 2010-02-05 | 用于预测移动体的移动的设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8676487B2 (zh) |
JP (1) | JP4853525B2 (zh) |
CN (1) | CN102307769B (zh) |
DE (1) | DE112010000802B4 (zh) |
WO (1) | WO2010089661A2 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573311A (zh) * | 2013-10-17 | 2015-04-29 | 福特全球技术公司 | 道路特征预测系统和方法 |
CN106652557A (zh) * | 2015-10-28 | 2017-05-10 | 现代自动车株式会社 | 用于预测邻近车辆的驾驶路径的方法和系统 |
CN108437983A (zh) * | 2018-03-29 | 2018-08-24 | 吉林大学 | 一种基于预测安全的智能车辆避障系统 |
CN109941275A (zh) * | 2019-03-12 | 2019-06-28 | 杭州飞步科技有限公司 | 车道变换方法、装置、电子设备及存储介质 |
WO2019206273A1 (zh) * | 2018-04-28 | 2019-10-31 | 深圳市商汤科技有限公司 | 碰撞控制方法及装置、电子设备和存储介质 |
CN111278708A (zh) * | 2017-11-28 | 2020-06-12 | 宝马股份公司 | 用于辅助驾驶的方法和装置 |
CN112255628A (zh) * | 2020-10-09 | 2021-01-22 | 新石器慧义知行智驰(北京)科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
CN114764978A (zh) * | 2021-01-13 | 2022-07-19 | 丰田自动车株式会社 | 信号灯管理系统和信号灯管理方法 |
Families Citing this family (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4254844B2 (ja) * | 2006-11-01 | 2009-04-15 | トヨタ自動車株式会社 | 走行制御計画評価装置 |
JP4525670B2 (ja) | 2006-11-20 | 2010-08-18 | トヨタ自動車株式会社 | 走行制御計画生成システム |
US20090005984A1 (en) * | 2007-05-31 | 2009-01-01 | James Roy Bradley | Apparatus and method for transit prediction |
US8571786B2 (en) | 2009-06-02 | 2013-10-29 | Toyota Jidosha Kabushiki Kaisha | Vehicular peripheral surveillance device |
EP2306433A1 (en) * | 2009-10-05 | 2011-04-06 | Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO | Collision avoidance system and method for a road vehicle and respective computer program product |
JP5636854B2 (ja) * | 2010-10-05 | 2014-12-10 | トヨタ自動車株式会社 | 進路評価装置 |
JP5189157B2 (ja) | 2010-11-30 | 2013-04-24 | 株式会社豊田中央研究所 | 可動物の目標状態決定装置及びプログラム |
JP5786941B2 (ja) * | 2011-08-25 | 2015-09-30 | 日産自動車株式会社 | 車両用自律走行制御システム |
US9727820B2 (en) * | 2012-01-20 | 2017-08-08 | Toyota Jidosha Kabushiki Kaisha | Vehicle behavior prediction device and vehicle behavior prediction method, and driving assistance device |
US20130238181A1 (en) * | 2012-03-12 | 2013-09-12 | Toyota Motor Eng. & Man. North America (Tema) | On-board vehicle path prediction using processed sensor information |
US9495874B1 (en) | 2012-04-13 | 2016-11-15 | Google Inc. | Automated system and method for modeling the behavior of vehicles and other agents |
US8700251B1 (en) | 2012-04-13 | 2014-04-15 | Google Inc. | System and method for automatically detecting key behaviors by vehicles |
EP2654028B1 (en) | 2012-04-20 | 2018-09-26 | Honda Research Institute Europe GmbH | Orientation sensitive traffic collision warning system |
EP2845779B1 (en) * | 2013-09-09 | 2018-08-01 | Honda Research Institute Europe GmbH | Driving assistance technique for active vehicle control |
DE102013222586A1 (de) * | 2013-11-07 | 2015-05-07 | Robert Bosch Gmbh | Verfahren zur Vermeidung einer Kollision eines Kraftfahrzeugs mit einem falschfahrenden Fahrzeug und Steuer- und Erfassungseinrichtung für ein Kraftfahrzeug zur Vermeidung einer Kollision des Kraftfahrzeugs mit einem falschfahrenden Fahrzeug |
JP6314744B2 (ja) * | 2014-08-21 | 2018-04-25 | 日産自動車株式会社 | 移動物体進路予測装置 |
KR20170041162A (ko) | 2014-09-05 | 2017-04-14 | 요코하마 고무 가부시키가이샤 | 충돌 회피 시스템 및 충돌 회피 방법 |
JP6289669B2 (ja) | 2014-11-27 | 2018-03-07 | 日立オートモティブシステムズ株式会社 | 車両走行制御装置 |
US9786177B2 (en) | 2015-04-10 | 2017-10-10 | Honda Motor Co., Ltd. | Pedestrian path predictions |
KR102374921B1 (ko) * | 2015-10-30 | 2022-03-16 | 주식회사 만도모빌리티솔루션즈 | 차량 제어 시스템 및 방법 |
US10029682B2 (en) | 2016-01-22 | 2018-07-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Surrounding vehicle classification and path prediction |
CN106097734B (zh) * | 2016-08-22 | 2019-03-12 | 安徽科力信息产业有限责任公司 | 一种用于路口交通信号控制的平面感知检测方法及系统 |
JP6731819B2 (ja) * | 2016-09-26 | 2020-07-29 | 日立オートモティブシステムズ株式会社 | 移動体軌道予測システム |
CN109923597A (zh) * | 2016-11-18 | 2019-06-21 | 三菱电机株式会社 | 驾驶辅助装置及驾驶辅助方法 |
KR102343329B1 (ko) | 2017-02-07 | 2021-12-24 | 삼성전자주식회사 | 차량의 운전을 보조하는 전자 장치 및 방법 |
US20180374341A1 (en) * | 2017-06-27 | 2018-12-27 | GM Global Technology Operations LLC | Systems and methods for predicting traffic patterns in an autonomous vehicle |
JP6651486B2 (ja) * | 2017-09-01 | 2020-02-19 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
JP6859907B2 (ja) | 2017-09-08 | 2021-04-14 | トヨタ自動車株式会社 | 車両制御装置 |
US10497264B2 (en) | 2017-09-26 | 2019-12-03 | Toyota Research Institute, Inc. | Methods and systems for providing warnings of obstacle objects |
JP6937218B2 (ja) * | 2017-10-19 | 2021-09-22 | 株式会社東芝 | 情報処理装置、情報処理方法、およびプログラム |
KR102463720B1 (ko) * | 2017-12-18 | 2022-11-07 | 현대자동차주식회사 | 차량의 경로 생성 시스템 및 방법 |
JP6988637B2 (ja) * | 2018-03-28 | 2022-01-05 | トヨタ自動車株式会社 | 自動運転進路決定装置 |
JP6985203B2 (ja) * | 2018-04-05 | 2021-12-22 | トヨタ自動車株式会社 | 挙動予測装置 |
US10796175B2 (en) * | 2018-06-26 | 2020-10-06 | Toyota Jidosha Kabushiki Kaisha | Detection of a drowsy driver based on vehicle-to-everything communications |
US10824155B2 (en) * | 2018-08-22 | 2020-11-03 | Ford Global Technologies, Llc | Predicting movement intent of objects |
US11192545B1 (en) * | 2018-12-05 | 2021-12-07 | Waymo Llc | Risk mitigation in speed planning |
CN109727469B (zh) * | 2019-01-08 | 2021-04-20 | 南京航空航天大学 | 一种多车道下自动驾驶车辆综合危险度评估方法 |
US10776243B1 (en) | 2019-03-19 | 2020-09-15 | Bank Of America Corporation | Prediction tool |
CN110362074B (zh) * | 2019-06-18 | 2021-11-23 | 华南理工大学 | 一种基于航迹重规划的水面无人艇动态避碰方法 |
CN112242069B (zh) * | 2019-07-17 | 2021-10-01 | 华为技术有限公司 | 一种确定车速的方法和装置 |
CN110341722A (zh) * | 2019-07-25 | 2019-10-18 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的行驶方法和装置、电子设备、可读介质 |
US11868136B2 (en) | 2019-12-19 | 2024-01-09 | Woven By Toyota, U.S., Inc. | Geolocalized models for perception, prediction, or planning |
US11554794B2 (en) * | 2020-11-25 | 2023-01-17 | Argo AI, LLC | Method and system for determining a mover model for motion forecasting in autonomous vehicle control |
CN112486318A (zh) * | 2020-11-26 | 2021-03-12 | 北京字跳网络技术有限公司 | 图像显示方法、装置、可读介质及电子设备 |
WO2022185870A1 (ja) * | 2021-03-05 | 2022-09-09 | 株式会社デンソー | 処理方法、処理システム、処理プログラム |
US20220315047A1 (en) * | 2021-03-30 | 2022-10-06 | Honda Research Institute Europe Gmbh | Method, system and vehicle with an uncertainty-based lane positioning control |
DE102021205444A1 (de) | 2021-05-28 | 2022-12-01 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Analysieren einer Verkehrsszene |
DE102021206628A1 (de) | 2021-06-25 | 2022-12-29 | Continental Autonomous Mobility Germany GmbH | Verfahren sowie Assistenzsystem zur automatisierten Führung eines Ego-Fahrzeugs |
US20230192144A1 (en) * | 2021-12-16 | 2023-06-22 | Gm Cruise Holdings Llc | Uncertainty prediction for a predicted path of an object that avoids infeasible paths |
Family Cites Families (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2799375B2 (ja) | 1993-09-30 | 1998-09-17 | 本田技研工業株式会社 | 衝突防止装置 |
JP3102250B2 (ja) * | 1994-02-14 | 2000-10-23 | 三菱自動車工業株式会社 | 車両用周囲情報表示装置 |
US7209221B2 (en) | 1994-05-23 | 2007-04-24 | Automotive Technologies International, Inc. | Method for obtaining and displaying information about objects in a vehicular blind spot |
US6085151A (en) * | 1998-01-20 | 2000-07-04 | Automotive Systems Laboratory, Inc. | Predictive collision sensing system |
JP3659017B2 (ja) * | 1998-09-18 | 2005-06-15 | 株式会社デンソー | 自己診断装置を備えた車両用制御装置 |
US6445308B1 (en) | 1999-01-12 | 2002-09-03 | Toyota Jidosha Kabushiki Kaisha | Positional data utilizing inter-vehicle communication method and traveling control apparatus |
JP4485097B2 (ja) * | 2000-04-24 | 2010-06-16 | パナソニック株式会社 | ナビゲーション装置 |
JP2003058994A (ja) | 2001-08-14 | 2003-02-28 | Nissan Motor Co Ltd | 運転者将来状況予測装置及び方法 |
US6944543B2 (en) * | 2001-09-21 | 2005-09-13 | Ford Global Technologies Llc | Integrated collision prediction and safety systems control for improved vehicle safety |
JP2003216981A (ja) | 2002-01-25 | 2003-07-31 | Iwane Kenkyusho:Kk | 自動作業システム |
JP4114485B2 (ja) * | 2003-01-15 | 2008-07-09 | 日産自動車株式会社 | 車両走行状態検出装置及び車両走行制御装置 |
US20050114000A1 (en) * | 2003-11-25 | 2005-05-26 | Cashler Robert J. | Method and apparatus for deploying countermeasures in response to sensing an imminent vehicular collision |
JP4396281B2 (ja) * | 2004-01-16 | 2010-01-13 | 日産自動車株式会社 | 車両用運転操作補助装置 |
JP4617723B2 (ja) * | 2004-05-31 | 2011-01-26 | 三菱電機株式会社 | 中継装置 |
JP2006085285A (ja) * | 2004-09-14 | 2006-03-30 | Matsushita Electric Ind Co Ltd | 危険車両予測装置 |
JP2006131055A (ja) * | 2004-11-04 | 2006-05-25 | Denso Corp | 車両走行制御装置 |
JP4760715B2 (ja) * | 2004-12-28 | 2011-08-31 | 株式会社豊田中央研究所 | 車両運動制御装置 |
US20060162985A1 (en) * | 2005-01-26 | 2006-07-27 | Takata Corporation | System for crash prediction and avoidance |
DE102005023832A1 (de) * | 2005-05-24 | 2006-11-30 | Daimlerchrysler Ag | Verfahren und System zur Vermeidung einer Kollision eines Kraftfahrzeugs mit einem Objekt |
JP4517972B2 (ja) * | 2005-08-02 | 2010-08-04 | 日産自動車株式会社 | 障害物判断装置及び方法 |
WO2007102367A1 (ja) | 2006-02-28 | 2007-09-13 | Toyota Jidosha Kabushiki Kaisha | 物体進路予測方法、装置、プログラム、および自動運転システム |
JP4396653B2 (ja) | 2006-02-28 | 2010-01-13 | トヨタ自動車株式会社 | 物体進路予測方法、装置、およびプログラム |
JP4400584B2 (ja) | 2006-03-01 | 2010-01-20 | トヨタ自動車株式会社 | 障害物検出方法及び障害物検出装置 |
US7671725B2 (en) * | 2006-03-24 | 2010-03-02 | Honda Motor Co., Ltd. | Vehicle surroundings monitoring apparatus, vehicle surroundings monitoring method, and vehicle surroundings monitoring program |
JP2007276508A (ja) | 2006-04-03 | 2007-10-25 | Fujitsu Ten Ltd | 車両の衝突回避制御装置 |
JP2008003707A (ja) | 2006-06-20 | 2008-01-10 | Matsushita Electric Ind Co Ltd | 危険予測装置 |
JP4802942B2 (ja) * | 2006-08-30 | 2011-10-26 | トヨタ自動車株式会社 | 車両用運転支援装置、及び、運転支援システム |
JP2008070998A (ja) * | 2006-09-13 | 2008-03-27 | Hitachi Ltd | 車両周囲情報表示装置 |
US7579942B2 (en) * | 2006-10-09 | 2009-08-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | Extra-vehicular threat predictor |
JP4254844B2 (ja) * | 2006-11-01 | 2009-04-15 | トヨタ自動車株式会社 | 走行制御計画評価装置 |
US8311730B2 (en) | 2006-11-29 | 2012-11-13 | Neff Ryan A | Vehicle position determination system |
US8447472B2 (en) * | 2007-01-16 | 2013-05-21 | Ford Global Technologies, Llc | Method and system for impact time and velocity prediction |
JP2008191781A (ja) * | 2007-02-01 | 2008-08-21 | Hitachi Ltd | 衝突回避システム |
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 |
US20080306666A1 (en) * | 2007-06-05 | 2008-12-11 | Gm Global Technology Operations, Inc. | Method and apparatus for rear cross traffic collision avoidance |
JP4207088B2 (ja) * | 2007-06-20 | 2009-01-14 | トヨタ自動車株式会社 | 車両走行推定装置 |
JP4416020B2 (ja) | 2007-08-03 | 2010-02-17 | トヨタ自動車株式会社 | 走行計画生成装置 |
DE102007052763A1 (de) * | 2007-11-06 | 2008-06-12 | Daimler Ag | Verfahren zur Vorhersage einer Aktion eines bewegten Objekts |
-
2009
- 2009-02-09 JP JP2009027262A patent/JP4853525B2/ja active Active
-
2010
- 2010-02-05 DE DE112010000802.7T patent/DE112010000802B4/de not_active Expired - Fee Related
- 2010-02-05 US US13/148,507 patent/US8676487B2/en active Active
- 2010-02-05 WO PCT/IB2010/000230 patent/WO2010089661A2/en active Application Filing
- 2010-02-05 CN CN201080007066.3A patent/CN102307769B/zh not_active Expired - Fee Related
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573311A (zh) * | 2013-10-17 | 2015-04-29 | 福特全球技术公司 | 道路特征预测系统和方法 |
CN106652557A (zh) * | 2015-10-28 | 2017-05-10 | 现代自动车株式会社 | 用于预测邻近车辆的驾驶路径的方法和系统 |
US10793162B2 (en) | 2015-10-28 | 2020-10-06 | Hyundai Motor Company | Method and system for predicting driving path of neighboring vehicle |
CN106652557B (zh) * | 2015-10-28 | 2021-03-26 | 现代自动车株式会社 | 用于预测邻近车辆的驾驶路径的方法和系统 |
CN111278708A (zh) * | 2017-11-28 | 2020-06-12 | 宝马股份公司 | 用于辅助驾驶的方法和装置 |
US11748974B2 (en) | 2017-11-28 | 2023-09-05 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for assisting driving |
CN108437983A (zh) * | 2018-03-29 | 2018-08-24 | 吉林大学 | 一种基于预测安全的智能车辆避障系统 |
WO2019206273A1 (zh) * | 2018-04-28 | 2019-10-31 | 深圳市商汤科技有限公司 | 碰撞控制方法及装置、电子设备和存储介质 |
CN109941275A (zh) * | 2019-03-12 | 2019-06-28 | 杭州飞步科技有限公司 | 车道变换方法、装置、电子设备及存储介质 |
CN112255628A (zh) * | 2020-10-09 | 2021-01-22 | 新石器慧义知行智驰(北京)科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
CN114764978A (zh) * | 2021-01-13 | 2022-07-19 | 丰田自动车株式会社 | 信号灯管理系统和信号灯管理方法 |
CN114764978B (zh) * | 2021-01-13 | 2024-04-23 | 丰田自动车株式会社 | 信号灯管理系统和信号灯管理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2010182236A (ja) | 2010-08-19 |
JP4853525B2 (ja) | 2012-01-11 |
DE112010000802T5 (de) | 2012-08-09 |
WO2010089661A2 (en) | 2010-08-12 |
WO2010089661A3 (en) | 2010-10-14 |
US8676487B2 (en) | 2014-03-18 |
US20110313664A1 (en) | 2011-12-22 |
CN102307769B (zh) | 2014-12-24 |
DE112010000802B4 (de) | 2014-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102307769B (zh) | 用于预测移动体的移动的设备 | |
US11325606B2 (en) | Methods and systems for establishing cooperative driving engagements with vehicles having varying levels of autonomy | |
CN103158705B (zh) | 用于控制本车的方法和系统 | |
CN106461406A (zh) | 车道选择装置、车辆控制系统及车道选择方法 | |
US11577622B2 (en) | Information processing apparatus, information processing method, and storage medium | |
US11608067B2 (en) | Probabilistic-based lane-change decision making and motion planning system and method thereof | |
JP5252001B2 (ja) | 移動領域予測装置 | |
JP2019159426A (ja) | 車両制御装置、車両制御方法、およびプログラム | |
CN104656651A (zh) | 基于融合传感器的自动行驶控制装置及方法 | |
WO2023010043A1 (en) | Complementary control system for an autonomous vehicle | |
US20210300350A1 (en) | Vehicle control device, vehicle control method, and storing medium | |
JP7369078B2 (ja) | 車両制御装置、車両制御方法、及びプログラム | |
CN111746550B (zh) | 车辆控制装置、车辆控制方法、及存储介质 | |
CN115298073B (zh) | 车辆的行驶辅助方法及行驶辅助装置 | |
CN112141097B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
KR102350197B1 (ko) | 주행경로 설정장치 및 주행경로 설정방법 | |
Naveen et al. | A review on autonomous vehicles and its components | |
JP7465705B2 (ja) | 車両制御装置、車両制御方法、及びプログラム | |
CN211995540U (zh) | 一种考虑效益最大化的车道变更系统 | |
CN111746529B (zh) | 车辆控制装置、车辆控制方法、及存储介质 | |
Sathiyan et al. | A comprehensive review on cruise control for intelligent vehicles | |
CN113525413A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
Skruch | Control systems in semi and fully automated cars | |
US11807272B2 (en) | Systems and methods for multiple algorithm selection | |
채흥석 | Active Lane Change Decision and Control using Data-driven Safety Boundary and Collision Probability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141224 |
|
CF01 | Termination of patent right due to non-payment of annual fee |