CN104554079A - 交通工具中的测量结果关联 - Google Patents

交通工具中的测量结果关联 Download PDF

Info

Publication number
CN104554079A
CN104554079A CN201410539767.1A CN201410539767A CN104554079A CN 104554079 A CN104554079 A CN 104554079A CN 201410539767 A CN201410539767 A CN 201410539767A CN 104554079 A CN104554079 A CN 104554079A
Authority
CN
China
Prior art keywords
measurement
result
tracking gate
sensor
tracking
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
CN201410539767.1A
Other languages
English (en)
Inventor
K.A.奥迪
S.曾
J.N.尼科劳乌
B.汉纳
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.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations 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 GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN104554079A publication Critical patent/CN104554079A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9323—Alternative operation using light waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9324—Alternative operation using ultrasonic waves

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及交通工具中的测量结果关联。方法和系统被提供来用于交通工具中的测量结果关联。识别邻近交通工具的物体。经由一个或多个传感器获得测量结果或分类。生成第一跟踪门，其至少部分地基于用于获得所述测量结果或分类的传感器之一的特性。生成第二跟踪门，其至少部分地基于所述第一跟踪门和测量历史。

Description

交通工具中的测量结果关联
技术领域
本公开主要涉及交通工具的领域，并且更具体地涉及用于关联交通工具比如汽车中的测量结果的方法和系统。
背景技术
许多交通工具目前具有跟踪可能邻近交通工具的物体(例如，其它交通工具)的位置或移动的系统。这类系统可以包括例如自适应巡航控制(ACC)系统、回避系统、主动制动系统、主动转向系统、驾驶员辅助系统、警告系统和类似物。然而，在某些情形中可能难以随时间推移提供对这类物体的最佳跟踪。
相应地，希望提供用于交通工具中的测量结果关联的改善的方法和系统，例如相对于与可能邻近交通工具检测到的物体相关的测量结果。此外，从后续详细描述和所附权利要求书，结合附图和前述技术领域和背景技术来理解，本发明的其它所需特征和特性将变得清楚明了。
发明内容
依据一示例性实施例，提供了一种方法。所述方法包括：识别邻近交通工具的物体；经由一个或多个传感器获得可能潜在地关联于所述物体的一个或多个测量结果或分类；生成至少部分地基于用于获得所述测量结果或分类的所述传感器之一的特性的第一跟踪门；以及生成至少部分地基于所述第一跟踪门和测量历史的第二跟踪门。
依据另一示例性实施例，提供了一种方法。所述方法包括：经由第一类型的传感器获得初始的第一测量结果；经由不同于所述第一类型的传感器的第二类型的传感器获得初始的第二测量结果；生成包含所述初始的第一测量结果和所述初始的第二测量结果的融合系统(fusion system)；使用所述初始的第一测量结果、所述初始的第二测量结果和所述融合系统生成预测值；经由所述第一类型的传感器、所述第二类型的传感器或两者获得附加测量结果；以及比较所述预测值与所述附加测量结果。
依据再一示例性实施例，提供了一种系统。所述系统包括一个或多个传感器和处理器。所述一个或多个传感器被构造成提供一个或多个测量结果。所述处理器联接至所述一个或多个传感器，并且被构造成至少促进：识别邻近交通工具的物体；生成至少部分地基于用于获得所述测量结果的所述传感器之一的特性的第一跟踪门；以及生成至少部分地基于所述第一跟踪门和测量历史的第二跟踪门。
本公开还提供以下技术方案：
1. 一种方法，包括：
识别邻近交通工具的物体；
经由一个或多个传感器获得可能潜在地关联于所述物体的一个或多个测量结果或分类；
生成至少部分地基于用于获得所述测量结果的所述传感器之一的特性的第一跟踪门；以及
生成至少部分地基于所述第一跟踪门和测量历史的第二跟踪门。
2. 如技术方案1所述的方法，其中，所述第二跟踪门设置有由所述第一跟踪门限定出的边界。
3. 如技术方案1所述的方法，进一步包括：
使用所述测量结果或分类递归地更新所述第二跟踪门。
4. 如技术方案1所述的方法，进一步包括：
比较所述测量结果与所述第一跟踪门；
比较所述测量结果与所述第二跟踪门；
如果所述测量结果处于由所述第一跟踪门限定出的边界内，并且不处于由所述第二跟踪门限定出的边界内，则以第一权重使所述测量结果与所述物体关联；以及
如果所述测量结果处于由所述第二跟踪门限定出的边界内，则以第二权重使所述测量结果与所述物体关联，其中所述第二权重大于所述第一权重。
5. 如技术方案1所述的方法，其中，使用卡尔曼滤波器生成所述第二跟踪门。
6. 如技术方案1所述的方法，进一步包括：
比较所述测量结果与所述第二跟踪门；以及
如果所述测量结果处于由所述第二跟踪门限定出的边界内，则以所述测量结果更新所述第二跟踪门。
7. 如技术方案6所述的方法，其中，比较所述测量结果与所述第二跟踪门的步骤包括：相对于所述第二跟踪门计算用于所述测量结果的概率得分。
8. 如技术方案1所述的方法，其中：
生成第一跟踪门的步骤包括生成至少部分地基于用于获得所述测量结果的第一类型的传感器的特性的第一跟踪门；
所述方法进一步包括生成至少部分地基于用于获得所述测量结果的第二类型的传感器的特性的第三跟踪门；以及
生成第二跟踪门的步骤包括生成至少部分地基于所述第一跟踪门、所述第二跟踪门和所述测量历史的第二跟踪门。
9. 如技术方案8所述的方法，进一步包括：
使用所述测量结果和所述第二跟踪门生成预测值；
获得附加测量结果；
比较所述预测值与所述附加测量结果；以及
基于所述预测值与所述附加测量结果之间的比较来更新所述第二跟踪门。
10. 一种方法，包括：
经由第一类型的传感器获得初始的第一测量结果；
经由不同于所述第一类型的传感器的第二类型的传感器获得初始的第二测量结果；
生成包含所述初始的第一测量结果和所述初始的第二测量结果的融合系统；
使用所述初始的第一测量结果、所述初始的第二测量结果和所述融合系统生成预测值；
经由所述第一类型的传感器、所述第二类型的传感器或两者获得附加测量结果；以及
比较所述预测值与所述附加测量结果。
11. 如技术方案10所述的方法，其中，获得附加测量结果的步骤包括：
经由所述第一类型的传感器和所述第二类型的传感器获得所述附加测量结果。
12. 如技术方案10所述的方法，进一步包括：
使用所述预测值与所述附加测量结果的比较来更新所述融合系统。
13. 一种系统，包括：
一个或多个传感器，其被构造成提供一个或多个测量结果；和
处理器，其联接至所述一个或多个传感器，所述处理器被构造成至少促进：
　　识别邻近交通工具的物体；
　　生成至少部分地基于用于获得所述测量结果的所述传感器之一的特性的第一跟踪门；以及
　　生成至少部分地基于所述第一跟踪门和测量历史的第二跟踪门。
14. 如技术方案13所述的系统，其中，所述处理器进一步被构造成至少促进使用所述测量结果递归地更新所述第二跟踪门。
15. 如技术方案13所述的系统，其中，所述处理器进一步被构造成至少促进：
比较所述测量结果与所述第一跟踪门；
比较所述测量结果与所述第二跟踪门；
如果所述测量结果处于由所述第一跟踪门限定出的边界内，并且不处于由所述第二跟踪门限定出的边界内，则以第一权重使所述测量结果与所述物体关联；以及
如果所述测量结果处于由所述第二跟踪门限定出的边界内，则以第二权重使所述测量结果与所述物体关联，其中所述第二权重大于所述第一权重。
16. 如技术方案13所述的系统，其中，使用卡尔曼滤波器生成所述第二跟踪门。
17. 如技术方案13所述的系统，其中，所述处理器进一步被构造成至少促进：
比较所述测量结果与所述第二跟踪门；以及
如果所述测量结果处于由所述第二跟踪门限定出的边界内，则以所述测量结果更新所述第二跟踪门。
18. 如技术方案17所述的系统，其中，所述处理器进一步被构造成至少促进通过相对于所述第二跟踪门计算用于所述测量结果的概率得分来比较所述测量结果与所述第二跟踪门。
19. 如技术方案13所述的系统，其中，所述处理器进一步被构造成至少促进：
至少部分地基于用于获得所述测量结果的第一类型的传感器的特性来生成所述第一跟踪门；
生成至少部分地基于用于获得所述测量结果的第二类型的传感器的特性的第三跟踪门；以及
至少部分地基于所述第一跟踪门、所述第二跟踪门和所述测量历史来生成所述第二跟踪门。
20. 如技术方案19所述的系统，其中，所述处理器进一步被构造成至少促进：
使用所述测量结果和所述第二跟踪门生成预测值；
获得附加测量结果；
比较所述预测值与所述附加测量结果；以及
基于所述预测值与所述附加测量结果之间的比较来更新所述第二跟踪门。
附图说明
下面将结合以下附图来描述本公开，附图中相似附图标记表示相似要素，并且附图中：
图1是依据一示例性实施例的交通工具的功能框图，其包括用于关联邻近交通工具检测到的物体的测量结果的系统；
图2是依据一示例性实施例的系统的功能框图，其用于关联邻近图1的交通工具检测到的物体的测量结果；
图3是依据一示例性实施例的进程的流程图，其用于关联邻近交通工具检测到的物体的测量结果，并且可关联于图1的交通工具以及图1和2的系统使用；
图4是依据一示例性实施例的示例性跟踪门的图示，其相关于图3的进程(process)和图1的交通工具以及图1和2的系统；并且
图5是依据一示例性实施例的附加进程的流程图，其用于关联邻近交通工具检测到的物体的测量结果，并且可关联于图3的进程、图1的交通工具以及图1和2的系统使用。
具体实施方式
以下详细描述本质上仅仅是示例性的，并不旨在限制本公开或其应用和用途。此外，没有意图被在前面的背景技术或以下详细描述中给出的任何理论限制。
图1示出了根据一示例性实施例的交通工具100或汽车。交通工具100还贯穿本申请在各点处被称为交通工具。如下面进一步以更详细的细节描述的，交通工具100包括控制系统170，其用于关联与可能邻近交通工具100检测到的物体相关的测量结果。
如图1中示出的，交通工具100包括底盘112、本体114、四个轮子116、电子控制系统118、转向系统150、制动系统160和以上提及的控制系统170。本体114配置在底盘112上，并且大致封闭交通工具100的其它部件。本体114和底盘112可以共同地形成框体。轮子116各自在本体114的相应角部附近旋转地联接至底盘112。
交通工具100(以及目标交通工具和第三交通工具中的每个)可以是多种不同类型的汽车中的任一种，比如，轿车、货车、卡车、或运动型多功能车(SUV)，并且可以是两轮驱动(2WD)(即，后轮驱动或前轮驱动)、四轮子驱动(4WD)或全轮驱动(AWD)。交通工具100还可以包含多种不同类型的推进系统中的任一种或其组合，比如由汽油或柴油供给燃料的燃烧发动机、“柔性燃料交通工具”(FFV)发动机(即，使用汽油和乙醇的混合物)、由气体化合物(例如，氢气或天然气)供给燃料的发动机、燃烧/电动机混合动力发动机、和电动机。
在图1所示的示例性实施例中，交通工具100是混合动力电动交通工具(HEV)，并且进一步包括致动器组件120、能量存储系统(ESS)122、电力逆变器组件(或逆变器)126和散热器128。致动器组件120包括安装在底盘112上的至少一个电推进系统129，其驱动轮子116。在所示实施例中，致动器组件120包括燃烧发动机130和电动机/发电机(或电动机)132。如本领域的技术人员将理解的，电动机132在其中包括变速器，并且虽然未示出，还包括定子组件(包括导电线圈)、转子组件(包括铁磁芯)和冷却流体或冷却剂。电动机132内的定子组件和/或转子组件可以包括多个电磁极，如通常理解的。
仍然参考图1，燃烧发动机130和电动机132被一体化，使得一者或两者通过一个或多个驱动轴134机械地联接至至少一部分轮子116。在一个实施例中，交通工具100是“串联HEV”，其中燃烧发动机130不直接联接至变速器，而是联接至发电机(未示出)，其用于为电动机132提供动力。在另一实施例中，交通工具100啊“并联HEV”，其中燃烧发动机130直接联接至变速器，例如通过使电动机132的转子旋转地联接至燃烧发动机130的驱动轴。
ESS 122安装在底盘112上，并且电连接至逆变器126。ESS 122优选包括具有一组电池单元的电池。在一个实施例中，ESS 122包括磷酸铁锂电池，比如纳米磷酸盐锂离子电池。ESS 122和电推进系统129一起提供用以推进交通工具100的驱动系统。
散热器128连接至框体处于其外部，并且尽管未详细示出，包括位于其中容纳冷却流体(即，冷却剂)比如水和/或乙二醇(即，“防冻剂”)的多个冷却通道，并且联接至燃烧发动机130和逆变器126。
转向系统150安装在底盘112上，并且控制轮子116的转向。转向系统150包括转向盘和转向柱(未示出)。转向盘接收来自交通工具的驾驶员的输入。转向柱基于来自驾驶员的输入经由驱动轴134为轮子116提供所需的转向角度。
制动系统160安装在底盘112上，并且为交通工具100提供制动。制动系统160接收经由制动器踏板(未示出)来自驾驶员的输入，并且经由制动器单元(也未示出)提供适当的制动。驾驶员还提供经由加速器踏板(未示出)关于交通工具的所需速度或加速度的输入，经由巡航控制恢复开关(未示出)的输入，以及用于各个交通工具装置和/或系统的各种其它输入，所述各个交通工具装置和/或系统比如为一个或多个交通工具收音机、其它娱乐系统、环境控制系统、照明单元、导航系统和类似物(也未示出)。在一优选实施例中，制动系统160包括用于交通工具100的再生制动能力和摩擦制动能力。
控制系统170安装在底盘112上。控制系统170可以联接至多种其它交通工具装置和系统，比如致动器组件120、转向系统150、制动系统160和电子控制系统118等。控制系统170检测和跟踪可能邻近交通工具100的物体，包括跟踪这类物体的位置和移动。另外，控制系统170在执行在图3-5中给出并且在下面进一步以更详细的细节描述的进程300、500的步骤时使用多个跟踪门关联与这类物体相关的测量结果。在一个实施例中，控制系统170可以包括或包含一个或多个以下类型的系统的特征和/或部件：自适应巡航控制(ACC)系统、回避系统、主动制动系统、主动转向系统、驾驶员辅助系统和/或警告系统等。
参考图2，依据一示例性实施例，提供了用于控制系统170的功能框图。如图2中示出的，控制系统170包括传感器阵列202和控制器204。
传感器阵列202通过控制器204测量和获得供使用的信息，其相关于可能邻近图1的交通工具100的物体(例如，其它交通工具)。如图2中示出的，传感器阵列202包括一个或多个视觉传感器210和一个或多个雷达传感器212。在一个实施例中，视觉传感器210包括摄像头，并且雷达传感器212包括短距离和/或长距离雷达检测装置。在某些实施例中，可以采用其它类型的传感器和/或其它检测装置和/或技术，比如举例来说，光探测和测距(LIDAR)、交通工具对交通工具(V2V)通信、激光、超声、和/或可以采用其它装置，比如添加提供感兴趣的物体的范围、承载或分类的输入的任何其它装置。在一个实施例中，视觉传感器210和雷达传感器212设置在交通工具的前部。
控制器204联接至传感器阵列202。控制器204处理接收自传感器阵列202的数据和信息，并关联来自那里的与可能邻近交通工具的物体相关的测量结果。在一个实施例中，控制器204依据在图3-5中示出并与之相关地在下面进一步描述的进程300、500的步骤执行这些特征。
如图2中示出的，控制器204包括计算机系统。在某些实施例中，控制器204还可以包括传感器阵列202的传感器中的一个或多个。另外，应理解的是，控制器204可以在其它方面不同于图2中示出的实施例。例如，控制器204可以联接至或要不然可以采用一个或多个远程计算机系统和/或其它控制系统。
在所示实施例中，控制器204的计算机系统包括处理器220、内存222、接口224、存储装置226和总线228。处理器220执行。控制器204的计算和控制功能，并且可以包括任何类型的一个处理器或多个处理器、单个集成电路比如微处理器、或协同工作的任何适当数量的集成电路装置和/或电路板，以实现处理单元的功能。操作期间，处理器220执行。容纳在内存222内的一个或多个程序230，并如此控制控制器204和控制器204的计算机系统的一般操作，优选是在执行本文描述的进程的步骤时，比如关联于图3-5的进程300、500(及其任何子进程)的步骤时。
内存222可为任何类型的适当内存。这将包括各种类型的动态随机存取内存(DRAM)比如SDRAM、各种类型的静态RAM(SRAM)、和各种类型的非易失性内存(PROM、EPROM和闪存)。在某些示例中，内存222与处理器220位于和/或共同位于相同的计算机芯片上。在所示实施例中，内存222存储以上提及的程序230以及一个或多个存储值232(优选包括查询表)，其用于关联来自传感器阵列202的测量结果。
总线228用于在控制器204的计算机系统的各个部件之间传输程序、数据、状态和其它信息或信号。接口224允许与控制器204的计算机系统通信，例如来自系统驱动器和/或另一计算机系统，并且可使用任意适当的方法和设备来实施。它可包括与其它系统或部件通信的一个或多个网络接口。接口224还可以包括与技术人员通信的一个或多个网络接口，和/或连接至存储设备比如存储装置226的一个或多个存储接口。
存储装置226可为任何适当类型的存储设备，包括直接存取存储装置比如硬盘驱动器、闪存系统、软盘驱动器和光盘驱动器。在一个示例性实施例中，存储装置226包括程序产品，内存222可从其接收程序230，其执行本公开的一个或多个进程的一个或多个实施例，比如在下面进一步描述的图3-5的进程300、500(及其任何子进程)的步骤。在另一示例性实施例中，程序产品可以被直接存储在比如以下提及的内存222和/或盘(例如，盘234)中，和/或要不然被所述内存222和/或盘(例如，盘234)存取。
总线228可为连接计算机系统与部件的任何适当的物理或逻辑器件。这包括但不局限于直接硬连线连接、光纤、红外和无线总线技术。操作期间，程序230被存储在内存222中，并由处理器220执行。
应理解的是，虽然该示例性实施例是在全功能计算机系统的背景下描述的，但是本领域技术人员将意识到本公开的机制能够被分配为程序产品，其具有一个或多个类型的非临时性计算机可读信号承载介质，其用于存储程序及其指令并实施其分配，比如非临时性计算机可读介质，其承载程序并含有存储在其中的计算机指令，以使计算机处理器(比如处理器220)运行并执行程序。这种程序产品可以呈各种形式，并且不管用于实施分配的计算机可读信号承载介质的特定类型如何，本公开都同样适用。信号承载介质的示例包括：可记录介质比如软盘、硬盘驱动器、记忆卡和光盘，以及传输介质比如数字和模拟通信链路。应类似地理解的是，控制器204的计算机系统也可以在其它方面不同于图2中示出的实施例，例如，控制器204的计算机系统可以联接至或者可以以其它方式采用一个或多个远程计算机系统和/或其它控制系统。
图3是依据一示例性实施例的用于关联邻近交通工具检测到的物体的测量结果的进程300的流程图。依据一示例性实施例，可关联于图1的交通工具100以及图1和2的控制系统170使用进程300。依据一示例性实施例，还在下面协同图4以及协同图5论述进程300，所述图4包括与进程300相关的示例性跟踪门的图示，所述图5提供用于关联邻近交通工具检测到的物体的测量结果的相关进程。优选贯穿交通工具的点火循环连续地执行进程300和500。
如图3中示出的，进程300包括识别物体的步骤(步骤301)。物体优选包括邻近图1的交通工具100的另一交通工具或其它移动的或固定的物体。优选基于由图2的传感器阵列202提供的测量结果，通过图2的处理器220来识别物体。随着物体在步骤301中被识别，处理器220优选指示第一跟踪点402来代表物体，如图4中所示。
还获得附加测量结果(步骤302)。附加测量结果相关于可能邻近交通工具的物体的附加值，并且可能相关于在步骤301中识别的物体。附加测量结果优选由图2的传感器阵列202进行，并被提供至图2的处理器220用于处理。参考图4，附加测量结果由附图标记408指示。为了说明起见，如图4中示出的，附加测量结果408可以包括第一附加测量结果410、第二附加测量结果412和第三附加测量结果414。应理解的是，可以存在任何数量的这种附加测量结果408。
在某些实施例中，在步骤301中基于来自图2的传感器阵列202的第一传感器的第一测量结果来识别物体，并且至少一部分附加测量结果由传感器阵列202的不同于第一传感器的附加传感器进行。此外，在某些实施例中，在步骤301中基于来自第一时间点的测量结果识别物体，并且在继第一时间点之后的附加时间点(由相同传感器、附加传感器或其组合)进行附加测量结果。
获得历史数据(304)。历史数据优选相关于与在步骤301中识别的物体相关的测量历史，包括用于在步骤301中识别物体的测量结果以及步骤302的附加测量结果。历史数据优选被存储在图2的内存222中作为其存储值232，以供图2的处理器220读取和使用。
生成第一跟踪门(步骤306)。第一跟踪门代表用于跟踪测量结果并使它们与在步骤301中识别的物体相关联的初始边界。第一跟踪门优选由图2的处理器220基于用于获得步骤302的测量结果的传感器阵列202的一个或多个传感器的一个或多个特性而生成。
示例性第一跟踪门404在图4中示出。如图4中所示，第一跟踪门404优选为椭圆形形状。在一个实施例中，基于用于获得测量结果的传感器阵列202的特定类型的传感器的测量值的已知或预期变化或误差，来生成第一跟踪门。例如，图2的视觉传感器(例如摄像头)210的预期变化与图2的雷达传感器212的预期变化相比，可以具有不同的椭圆形形状。这种信息可以预先例如通过实验、公开的报告和/或制造商说明书获得，并存储在图2的内存222中作为其存储值232，以供图2的处理器220读取和使用。在一个实施例中，在步骤306中生成多个跟踪门(例如一个跟踪门用于图2的视觉传感器210，而另一跟踪门用于图2的雷达传感器212，等等)。
还生成第二跟踪门(步骤308)。第二跟踪门代表用于跟踪测量结果并使它们与在步骤301中识别的物体相关联的附加边界。第二跟踪门优选由图2的处理器220基于步骤306的第一跟踪门以及步骤304的测量历史来生成。第二跟踪门优选设置在步骤306的每个跟踪门的边界内，使得在第二跟踪门的边界内限定出的区域是在第一跟踪门的边界内限定出的区域的子区域。另外，优选协同步骤302的测量值使用卡尔曼滤波器、并且优选还连同对传感器性能的先备知识来生成第二跟踪门。第二跟踪门优选被递归地更新，因为附加测量结果被获得并用于卡尔曼滤波器的更新输入，并且优选还连同对传感器性能的先备知识。
示例性第二跟踪门406在图4中示出。如图4中所示，第二跟踪门406优选为椭圆形形状，但是具有较小的椭圆形形状，其完全配合在第一跟踪门404的边界内。此外，如图4中所示，第二跟踪门406还可以具有与第一跟踪门404不同形式的椭圆形形状。
对于步骤302的每个测量结果，基于与第一跟踪门的测量结果比较，确定测量结果是否落入第一跟踪门的边界内(步骤310)。该确定优选由图2的处理器220进行。参考图4的示例，第一和第二附加测量结果410、412都落入第一跟踪门404的边界内，而第三附加测量结果414落在第一跟踪门404的边界外。
在某些实施例中，其中使用了多个第一跟踪门(例如，用于不同类型的传感器)，步骤310的比较优选包括确定测量结果是否落入与用于生成所涉及的特定测量结果的传感器类型相关联的特定第一跟踪门的边界内。在一个实施例中，所述比较包括测量结果落入第一跟踪门的边界内的概率得分。
如果在步骤310中确定测量结果未处于第一跟踪门的边界内(即，如果测量结果在边界外，比如图4的第三附加测量结果414)，则不使测量结果与物体相关联(步骤311)。具体地，在步骤311期间，确定所涉及的测量结果不可能代表在步骤301中识别的物体，因此测量结果不用于进一步跟踪物体。进程于是跳至步骤320(在下面进一步论述)，其中历史数据被相应地更新。步骤310优选由图2的处理器220执行。
相反地，如果在步骤310中确定测量结果处于第一跟踪门的边界内(比如图4的第一和第二附加测量结果410、412)，则使测量结果与物体相关联(步骤312)。具体地，在步骤312期间，确定所涉及的测量结果有可能代表在步骤301中识别的物体，因此所涉及的测量结果被用于进一步跟踪物体。进程然后前进至步骤314，在下面论述。步骤314优选由图2的处理器220执行。
在步骤314期间，还基于与第二跟踪门的测量结果比较，(对于落入第一跟踪门的边界内的每个测量结果)确定测量结果是否还落入第二跟踪门的边界内(步骤314)。该确定优选由图2的处理器220进行。参考图4的示例，第一附加测量结果410落入第二跟踪门406的边界内，而第二和第三附加测量结果412、414落在第二跟踪门406的边界外。在一个实施例中，所述比较包括测量结果落入第二跟踪门的边界内的概率得分。
如果在步骤314中确定测量结果未处于第二跟踪门的边界内(即，如果测量结果在边界外，比如图4的示例中的第二和第三附加测量结果412、414)，但是处于第一跟踪门的边界内(如在步骤310中确定的)，则所述测量结果被提供第一权重水平，其作为所述测量结果代表在步骤301中识别的物体的第一置信度措施(步骤315)。第一权重水平可用于例如继续跟踪和预测物体的移动和位置。进程然后前进至步骤320，这时历史数据被更新(如下面进一步论述的)。步骤315优选由图2的处理器220执行。
相反地，如果在步骤314中确定测量结果处于第二跟踪门的边界内(比如图4的示例中的第一附加测量结果410)，则所述测量结果被提供第二权重水平，其作为测量结果代表在步骤301中识别的物体的第二置信度措施(步骤316)。第二权重水平可用于例如继续跟踪和预测物体的移动和位置。步骤316的第二置信度水平大于步骤315的第一置信度水平。相应地，落入第二跟踪门的边界内的测量结果被提供代表在步骤301中识别的物体的更大置信度水平，并且被提供跟踪和预测物体的移动和位置的更大权重水平。步骤316优选由图2的处理器220执行。进程然后前进至步骤318，紧接在下面论述。
在步骤318期间，更新第二跟踪门。具体地，在一优选实施例中，通过将测量结果作为新输入添加到来自前一迭代的卡尔曼滤波器中，来以递归方式更新第二门。如图3中所示，只有落入第二门的边界内的测量结果(如在步骤314中确定的)被用作用于更新第二跟踪门的卡尔曼滤波器的输入。步骤318优选由图2的处理器220执行。进程然后前进至步骤320，紧接在下面论述。
在步骤320期间，步骤302-318的测量结果和确定被用于更新历史数据。更新的历史数据优选存储在图2的内存222中作为其中的存储值232，以便在步骤304中在后续迭代中使用。更新的历史数据将用于在后续迭代的步骤308中更新第二跟踪门时的后续迭代。相应地，在一优选实施例中，第二跟踪门随着进程300的每次迭代被连续地细化并做成更小(并且更精确)的椭圆，以由此潜在连续地提供更准确和精确的结果。
另外，在某些实施例中，在来自数个传感器的物体已经被组合在一起的情况下，如果发生了不正确的关联或者与另一物体存在更好的匹配，则可以使这些物体分离。相应地，在一个实施例中，在每个时间步长处检查组合的关联历史，如果在可指定(可校准)数量的循环之后来自先前关联物体的数据不再确保关联或者它们已移动过于远离当前的关联跟踪，则不再匹配融合跟踪的测量结果将从该跟踪被移除，并且如果存在良好的匹配，则被添加至另一融合跟踪，或者将为该测量结果生成新的跟踪。
图5是依据一示例性实施例的用于关联邻近交通工具检测到的物体的测量结果的相关进程500的流程图。依据一示例性实施例，可关联于图3的进程300、图1的交通工具100以及图1和2的控制系统170使用进程500。优选贯穿交通工具的点火循环连续地连同图3的进程300执行进程500。
如图5中示出的，进程500包括从第一类型的传感器获得测量结果、确定和/或分类的步骤(步骤502)。在一个实施例中，在步骤502期间，从图2的一个或多个视觉传感器(例如一个或多个摄像头)210获得测量结果，其相关于已经被识别(例如，在图3的进程300的步骤301期间)的物体。在另一实施例中，从这类传感器获得分类(例如，相关于物体的特定类型和/或尺寸的分类)。在又一实施例中，从这类传感器获得确定(例如，相关于物体的特定类型和/或尺寸的分类)。
还从第二类型的传感器获得测量结果、确定和/或分类(步骤504)。在一个实施例中，在步骤504期间，从图2的一个或多个雷达传感器212获得测量结果，其相关于已经被识别(例如，在图3的进程300的步骤301期间)的物体。在另一实施例中，从这类传感器获得分类(例如，相关于物体的特定类型和/或尺寸的分类)。在又一实施例中，从这类传感器获得确定(例如，相关于物体的特定类型和/或尺寸的分类)。在步骤502和504的初始迭代期间，测量结果、确定和/或分类可以被称为来自相应传感器类型的初始测量结果。在步骤502和504的后续迭代期间(例如，如以下所描述的)，测量结果、确定和/或分类可以被称为附加测量结果。虽然图5中示出了用于两种类型的传感器的步骤，但是应理解的是：在各种实施例中，可以采用任何数量的不同类型的传感器(和/或其它检测装置和/或技术)。例如，在各种实施例中，可以采用各种雷达、摄像头、激光器、超声和/或其它装置，比如添加提供感兴趣的物体的范围、承载(bearing)或分类的任何其它装置。
基于所述测量结果、确定和/或分类识别对象(步骤506、508)。具体地，在步骤506期间，基于来自步骤502的第一类型的传感器的测量结果、确定和/或分类，来识别对象。类似地，在步骤508期间，基于来自步骤504的第二类型的传感器的测量结果、确定和/或分类，来识别对象。相应地，在一个实施例中，在步骤506中识别视觉传感器对象，并在步骤508中识别雷达传感器对象。在某些实施例中，可以识别来自三个或更多个不同类型的传感器(和/或其它检测装置和/或技术)的对象。在一个实施例中，步骤506和508的对象相关于相同物体的不同位置。在另一实施例中，步骤506和508的对象相关于不同物体。在某些实施例中，步骤506和508的识别优选由图2的处理器220执行。在某些其它实施例中，由传感器阵列202整体地或者部分地执行识别。
相对于在步骤506、508中识别的对象采用数据关联算法(步骤510、512)。具体地，在步骤510期间，用于第一类型的传感器(例如，用于视觉传感器)的数据关联算法被用于基于第一类型的传感器的特性生成用于步骤506的对象的第一跟踪门。类似地，在步骤512期间，用于第二类型的传感器(例如，用于雷达传感器)的数据关联算法被用于基于第二类型的传感器的特性生成用于步骤508的对象的第一跟踪门。相应地，在一个实施例中，步骤510和512对应于在图3的进程300的步骤306中生成用于不同类型的传感器的多个第一门，并且如以上关联于图3论述的。相应地，参考图4，生成两个不同的第一跟踪门404，一个用于每种类型的传感器。应理解的是，在不同实施例中，可以使用多于两种类型的传感器(和/或其它检测装置和/或技术)，因此可以生成多于两个的第一跟踪门。步骤510和512优选由图2的处理器220执行。
生成融合系统(步骤514)。融合系统优选对应于图3的进程300的步骤308的第二门。融合系统优选由处理器220以类似于以上关联于图3的步骤308描述的方式生成，但是特别使用步骤510、512的两个第一门连同步骤502-508的测量值，优选使用递归卡尔曼滤波器，并且优选还连同传感器性能的先备知识(也类似于以上关联于图3论述的)。此外，在一个实施例中，融合系统对应于图4的第二跟踪门406。步骤514优选由图2的处理器220执行。
生成融合对象(步骤516)。具体地，使用步骤514的融合系统，优选通过图2的处理器220，生成融合对象。融合对象各自代表基于步骤514的融合系统的物体(例如，在图3的进程300的步骤301中识别的物体)的估算位置，其包含来自步骤502-508的两种类型的传感器的测量结果和对象的信息。相应地，在一实施例中，其中步骤502、506的第一类型的传感器包括视觉传感器，并且步骤504、508的第二类型的传感器包括雷达传感器，融合对象代表使用来自视觉传感器和雷达传感器两者的所有可获得信息的物体位置的合计测量结果。
执行融合对象的分析(步骤518)，并将之用于生成目标运动模型(步骤520)。具体地，在一个实施例中，步骤516的融合对象随时间推移的跟踪被用于生成融合对象随时间推移的移动模式。目标运动模型用于预测进入未来的融合对象(步骤522)，优选使用步骤516的先有融合对象，协同步骤520的目标运动模型(和相关联的移动模式)。步骤518-522优选由图2的处理器220执行。
另外，获得附加测量结果(优选来自两种类型的传感器)，并且在步骤502-508的新迭代中识别附加的对应对象(优选，同样用于两者类型的传感器)。这些新迭代发生在步骤502-508的先有迭代被执行的时间之后的时间。
优选通过图2的处理器220，使步骤506和508的新迭代的对应对象分别在步骤523和524中与步骤522的预测融合对象比较。具体地，在一个实施例中，在步骤523期间，使步骤522的预测融合对象与来自步骤506的新迭代的新视觉对象比较，并且所述比较被用于在步骤510的新迭代中更新视觉数据关联算法的实施。类似地，在一个实施例中，在步骤524期间，使步骤522的预测融合对象与来自步骤508的新迭代的新雷达对象比较，并且所述比较被用于在步骤512的新迭代中更新雷达数据关联算法的实施。
进程然后以步骤514-522的新迭代继续，其中融合系统被相应地更新，并用于在连续循环中生成更新融合对象、更新目标运动模型、更新预测融合对象等等。进程贯穿交通工具的点火循环以这种方式继续重复。相应地，通过每个迭代，融合系统被相应地更新，以实现跟踪物体的潜在更大的准确度和精度。此外，类似于以上的论述，应理解的是，虽然关联于图5提及了两种类型的传感器(例如，视觉传感器和雷达传感器)，但是应理解的是，在不同实施例中可以采用任何数量的不同类型的传感器(和/或其它物体检测装置和/或技术，比如交通工具到交通工具通信，和/或其它装置和/或技术)。
相应地，方法和系统被提供来关联与可能邻近交通工具检测到的物体相关的测量结果。所公开的方法和系统实现沿着多个跟踪门跟踪与物体相关的测量结果。所公开的方法和系统因此实现潜在地改善对可能邻近交通工具的物体的跟踪。
应理解的是，图1的交通工具和/或图1和2的系统(包括但不限于控制系统170和/或其部件)在不同实施例中可以变化。还应该理解的是，本文关联于图3-5描述的进程300、500的各个步骤在某些实施例中可以变化。应类似地理解的是，本文关联于图3-5描述的进程300、500的各个步骤可以彼此同时发生，和/或以如图3-5中呈现和/或如以上描述的不同顺序发生。
虽然在前面的详细描述中给出了至少一个示例性实施例，但是应该理解的是存在大量的变型。还应该理解的是：一个示例性实施例或多个示例性实施例只是示例，并不旨在以任何方式限制本发明的范围、适用性或构造。相反，前面的详细描述将为本领域技术人员提供便利的线路图来实施一个示例性实施例或多个示例性实施例。应该明白的是：可在要素的功能和配置中做出各种变化，而不背离如在所附权利要求及其法律等同方案中给出的本发明的范围。

Claims (10)

1. 一种方法，包括：
识别邻近交通工具的物体；
经由一个或多个传感器获得可能潜在地关联于所述物体的一个或多个测量结果或分类；
生成至少部分地基于用于获得所述测量结果的所述传感器之一的特性的第一跟踪门；以及
生成至少部分地基于所述第一跟踪门和测量历史的第二跟踪门。
2. 如权利要求1所述的方法，其中，所述第二跟踪门设置有由所述第一跟踪门限定出的边界。
3. 如权利要求1所述的方法，进一步包括：
使用所述测量结果或分类递归地更新所述第二跟踪门。
4. 如权利要求1所述的方法，进一步包括：
比较所述测量结果与所述第一跟踪门；
比较所述测量结果与所述第二跟踪门；
如果所述测量结果处于由所述第一跟踪门限定出的边界内，并且不处于由所述第二跟踪门限定出的边界内，则以第一权重使所述测量结果与所述物体关联；以及
如果所述测量结果处于由所述第二跟踪门限定出的边界内，则以第二权重使所述测量结果与所述物体关联，其中所述第二权重大于所述第一权重。
5. 如权利要求1所述的方法，其中，使用卡尔曼滤波器生成所述第二跟踪门。
6. 如权利要求1所述的方法，进一步包括：
比较所述测量结果与所述第二跟踪门；以及
如果所述测量结果处于由所述第二跟踪门限定出的边界内，则以所述测量结果更新所述第二跟踪门。
7. 如权利要求6所述的方法，其中，比较所述测量结果与所述第二跟踪门的步骤包括：相对于所述第二跟踪门计算用于所述测量结果的概率得分。
8. 如权利要求1所述的方法，其中：
生成第一跟踪门的步骤包括生成至少部分地基于用于获得所述测量结果的第一类型的传感器的特性的第一跟踪门；
所述方法进一步包括生成至少部分地基于用于获得所述测量结果的第二类型的传感器的特性的第三跟踪门；以及
生成第二跟踪门的步骤包括生成至少部分地基于所述第一跟踪门、所述第二跟踪门和所述测量历史的第二跟踪门。
9. 一种方法，包括：
经由第一类型的传感器获得初始的第一测量结果；
经由不同于所述第一类型的传感器的第二类型的传感器获得初始的第二测量结果；
生成包含所述初始的第一测量结果和所述初始的第二测量结果的融合系统；
使用所述初始的第一测量结果、所述初始的第二测量结果和所述融合系统生成预测值；
经由所述第一类型的传感器、所述第二类型的传感器或两者获得附加测量结果；以及
比较所述预测值与所述附加测量结果。
10. 一种系统，包括：
一个或多个传感器，其被构造成提供一个或多个测量结果；和
处理器，其联接至所述一个或多个传感器，所述处理器被构造成至少促进：
　　识别邻近交通工具的物体；
　　生成至少部分地基于用于获得所述测量结果的所述传感器之一的特性的第一跟踪门；以及
　　生成至少部分地基于所述第一跟踪门和测量历史的第二跟踪门。
CN201410539767.1A 2013-10-14 2014-10-14 交通工具中的测量结果关联 Pending CN104554079A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/053205 2013-10-14
US14/053,205 US20150102955A1 (en) 2013-10-14 2013-10-14 Measurement association in vehicles

Publications (1)

Publication Number Publication Date
CN104554079A true CN104554079A (zh) 2015-04-29

Family

ID=52738169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410539767.1A Pending CN104554079A (zh) 2013-10-14 2014-10-14 交通工具中的测量结果关联

Country Status (3)

Country Link
US (1) US20150102955A1 (zh)
CN (1) CN104554079A (zh)
DE (1) DE102014114602A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107031646A (zh) * 2015-09-11 2017-08-11 罗伯特·博世有限公司 用于确定在处于停车场内的机动车的环境中是否存在对象的方法和设备
CN107848530A (zh) * 2015-06-16 2018-03-27 株式会社电装 车辆控制装置以及车辆控制方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9511764B2 (en) * 2014-02-28 2016-12-06 Ford Global Technologies, Llc Semi-autonomous mode control
JP6716956B2 (ja) * 2016-02-29 2020-07-01 住友電気工業株式会社 電波センサおよび検知プログラム
US10317522B2 (en) * 2016-03-01 2019-06-11 GM Global Technology Operations LLC Detecting long objects by sensor fusion
GB201804539D0 (en) * 2018-03-21 2018-05-02 Headlight Ai Ltd Object detection system and method
JP7156817B2 (ja) * 2018-05-15 2022-10-19 株式会社デンソーテン 物標検出装置および物標検出方法
US11982736B2 (en) * 2018-10-01 2024-05-14 Kpit Technologies Limited Perception sensors based fusion system for vehicle control and method thereof
DE102019102920A1 (de) * 2019-02-06 2020-08-06 Bayerische Motoren Werke Aktiengesellschaft Verfahren und eine Vorrichtung zur Sensordatenfusion für ein Fahrzeug
US11829128B2 (en) * 2019-10-23 2023-11-28 GM Global Technology Operations LLC Perception system diagnosis using predicted sensor data and perception results

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5204815A (en) * 1990-02-20 1993-04-20 Toyota Jidosha Kabushiki Kaisha Electric control apparatus for control of the running characteristic of a wheeled vehicle
US20030176961A1 (en) * 2000-12-30 2003-09-18 Thomas Sauter System and method for controlling and/or regulating the handling characteristics of a motor vehicle
CN1812901A (zh) * 2003-07-11 2006-08-02 丰田自动车株式会社 碰撞安全车辆控制系统
JP2009241924A (ja) * 2008-03-28 2009-10-22 Denso Internatl America Inc 自動車の運転者のためのインターフェースシステム
CN202115498U (zh) * 2011-05-24 2012-01-18 浙江吉利汽车研究院有限公司 一种汽车安全行驶车距保持系统
CN102476614A (zh) * 2010-11-29 2012-05-30 潘苏扬 一种车载定位跟踪系统
DE102012219475A1 (de) * 2011-10-24 2013-04-25 Continental Teves Ag & Co. Ohg Sensorsystem zur eigenständigen Bewertung der Genauigkeit seiner Daten

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2940465B1 (fr) * 2008-12-18 2010-12-31 Valeo Vision Sas Procede de detection d'un objet cible pour vehicule automobile
US9404754B2 (en) * 2013-03-25 2016-08-02 Raytheon Company Autonomous range-only terrain aided navigation

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5204815A (en) * 1990-02-20 1993-04-20 Toyota Jidosha Kabushiki Kaisha Electric control apparatus for control of the running characteristic of a wheeled vehicle
US20030176961A1 (en) * 2000-12-30 2003-09-18 Thomas Sauter System and method for controlling and/or regulating the handling characteristics of a motor vehicle
CN1812901A (zh) * 2003-07-11 2006-08-02 丰田自动车株式会社 碰撞安全车辆控制系统
JP2009241924A (ja) * 2008-03-28 2009-10-22 Denso Internatl America Inc 自動車の運転者のためのインターフェースシステム
CN102476614A (zh) * 2010-11-29 2012-05-30 潘苏扬 一种车载定位跟踪系统
CN202115498U (zh) * 2011-05-24 2012-01-18 浙江吉利汽车研究院有限公司 一种汽车安全行驶车距保持系统
DE102012219475A1 (de) * 2011-10-24 2013-04-25 Continental Teves Ag & Co. Ohg Sensorsystem zur eigenständigen Bewertung der Genauigkeit seiner Daten

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107848530A (zh) * 2015-06-16 2018-03-27 株式会社电装 车辆控制装置以及车辆控制方法
CN107848530B (zh) * 2015-06-16 2020-12-01 株式会社电装 车辆控制装置以及车辆控制方法
CN107031646A (zh) * 2015-09-11 2017-08-11 罗伯特·博世有限公司 用于确定在处于停车场内的机动车的环境中是否存在对象的方法和设备

Also Published As

Publication number Publication date
DE102014114602A9 (de) 2015-06-03
DE102014114602A1 (de) 2015-04-16
US20150102955A1 (en) 2015-04-16

Similar Documents

Publication Publication Date Title
CN104554079A (zh) 交通工具中的测量结果关联
US8731742B2 (en) Target vehicle movement classification
CN106652557B (zh) 用于预测邻近车辆的驾驶路径的方法和系统
CN108790630B (zh) 道路水检测
GB2560618A (en) Object tracking by unsupervised learning
GB2556977A (en) Safety critical systems control in autonomous vehicles
US20220073070A1 (en) Vehicle draft mode
US11657635B2 (en) Measuring confidence in deep neural networks
CN112438729A (zh) 驾驶员警觉性检测系统
CN104786854A (zh) 用于车辆的可再充电能量储存系统管理
CN116390879A (zh) 用于避免即将发生的碰撞的系统和方法
CN114763150A (zh) 对故障状况进行排名
CN116872921A (zh) 一种车辆规避风险方法、系统、车辆及存储介质
US11055624B1 (en) Probabilistic heat maps for behavior prediction
CN103863232A (zh) 外部安全气囊展开方法和系统
CN115764030A (zh) 动力电池的热失控预警方法、装置、存储介质及车辆
Guo et al. Forwarding collision assessment with the localization information using the machine learning method
Delprat et al. Reducing the computation effort of a hybrid vehicle predictive energy management strategy
US11584383B2 (en) Vehicle feature availability detection
US20220080968A1 (en) Adaptive cruise control
US11462020B2 (en) Temporal CNN rear impact alert system
He et al. Energy consumption simulation for connected and automated vehicles: Eco-driving benefits versus automation loads
CN112519779A (zh) 基于位置的车辆操作
Zlocki et al. Methodology for quantification of fuel reduction potential for adaptive cruise control relevant driving strategies
CN110341719A (zh) 控制车辆以调节感知系统能量使用的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20180309