CN105184262A - 使用递归自适应学习和验证的道路表面状况检测 - Google Patents

使用递归自适应学习和验证的道路表面状况检测 Download PDF

Info

Publication number
CN105184262A
CN105184262A CN201510579931.6A CN201510579931A CN105184262A CN 105184262 A CN105184262 A CN 105184262A CN 201510579931 A CN201510579931 A CN 201510579931A CN 105184262 A CN105184262 A CN 105184262A
Authority
CN
China
Prior art keywords
probability
road surface
vehicle
surface condition
data
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
CN201510579931.6A
Other languages
English (en)
Other versions
CN105184262B (zh
Inventor
Q·赵
J·王
W·张
B·B·利特库希
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 CN105184262A publication Critical patent/CN105184262A/zh
Application granted granted Critical
Publication of CN105184262B publication Critical patent/CN105184262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • B60W40/06—Road 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
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3822—Road feature data, e.g. slope data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • B60W2050/0088—Adaptive recalibration
    • 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 or light 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/62—Hybrid vehicles

Abstract

本发明涉及使用递归自适应学习和验证的道路表面状况检测。一种用于为在道路上行驶的车辆确定道路表面状况的方法。基于采集场景的图像，由第一概率模块确定与多个道路表面状况相关联的概率。基于车辆操作数据，由第二概率模块确定与多个道路表面状况相关联的概率。由第一和第二概率模块确定的概率被输入到数据融合单元，以融合所述概率并且确定道路表面状况。从数据融合单元输出的优化概率，是融合的第一和第二概率的函数。来自数据融合单元的优化概率被提供给自适应学习单元。自适应学习单元产生输出命令，所述输出命令至少第一概率模块和第二概率模块的可调参数，用于确定相应概率。

Description

使用递归自适应学习和验证的道路表面状况检测
技术领域
实施例涉及使用自适应学习技术的道路表面状态检测。
背景技术
行驶表面上的降水对车辆造成几种不同的问题。例如，道路上的水或雪降低在车辆的轮胎和道路的表面之间的摩擦系数，这导致了车辆稳定性问题。
已知多种技术用于尝试确定道路表面的环境状况是怎样的。一种这样的技术的示例是车辆模型，其感测车辆操作状况以获取对道路表面状况进行分类的数据。该模型已经设置参数并且不需要任何更新，对于给定输入该模型将产生相同的结果。因此，如果该模型错误地判断道路表面状况，那么输出将连续地产生相同的不正确结果。
其他方法，例如基于图像的方法，利用分类器以确定道路表面状况。然而，如果分类器未被更新，那么分类器将输出相同的结果，即使它是不正确的。
在这样的情况下，道路表面检测系统完全依赖于在车辆被制造或带来进行服务更新时存储在车辆中的分类器或模型。
发明内容
实施例的一个优点是协作使用来自两种相应评估技术的数据，以输出道路表面状况的概率。另一个优点是在线自适应学习技术，其中，在线自适应学习技术的输出作为反馈提供给两种相应评估技术，以优化每种技术中的参数。这允许每种评估技术从对由每种技术使用的参数的每个分析进行自适应学习。因此，产生的评估可以被验证，其认别所述技术是否正确地分析数据或是否需要调节。
实施例设想一种用于为在道路上行驶的车辆确定道路表面状况的方法。基于道路的采集场景的图像由第一概率模块确定与多个道路表面状况相关联的概率。基于车辆操作数据由第二概率模块确定与所述多个道路表面状况相关联的概率。由第一和第二概率模块确定的概率被输入到数据融合和决策制定单元，以融合由第一和第二概率模块确定的概率。确定道路表面状况基于由数据融合和决策制定单元产生的融合结果。与识别的道路表面状况相关联的优化概率从数据融合和决策单元输出，其是融合的第一和第二概率的函数。来自数据融合和决策制定单元的优化(refined)概率被提供给自适应学习单元。该自适应学习单元产生输出命令，所述输出命令优化至少第一概率模块和第二概率模块的可调参数，用于确定相应概率。
1.一种用于为在道路上行驶的车辆确定道路表面状况的方法，所述方法包括以下步骤：
基于所述道路的采集场景的图像由第一概率模块确定与多个道路表面状况相关联的概率；
基于车辆操作数据由第二概率模块确定与所述多个道路表面状况相关联的概率；
将由所述第一概率模块确定的概率和由所述第二概率模块确定的概率输入到数据融合和决策制定单元，以融合由第一和第二概率模块确定的概率；
基于由所述数据融合和决策制定单元产生的融合结果，确定道路表面状况；
从所述数据融合和决策制定单元输出与识别的道路表面状况相关联的优化概率，其是融合的第一和第二概率的函数；以及
将来自所述数据融合和决策制定单元的优化概率提供给自适应学习单元，所述自适应学习单元产生输出命令，所述输出命令优化至少所述第一概率模块和第二概率模块的可调参数，用于确定相应概率。
2.根据方案1所述的方法，其中，由第一概率模块确定概率包括以下步骤：
由图像采集装置检测车辆外部的场景；
由处理单元识别在第一采集图像中的道路的路段；
由处理器分析所述道路的路段以确定所述多个道路表面状况的每一个的概率。
3.根据方案2所述的方法，其中，分析所述道路的路段以确定所述多个道路表面状况的所述每一个的概率包括以下步骤：
由处理器从在所述图像中的所述道路的路段提取特征用于分析；
将提取的特征输入到分类器以确定每个道路表面状况的概率。
4.根据方案3所述的方法，其中，产生优化所述第一概率模块的可调参数的输出命令的所述自适应学习单元包括产生用于优化特征选择过程的命令。
5.根据方案4所述的方法，其中，优化特征选择过程包括使用AdaBoost机器学习技术以实施特征提取。
6.根据方案4所述的方法，其中，优化特征选择过程包括应用主分量分析以实施特征提取。
7.根据方案4所述的方法，其中，优化特征选择过程包括应用递归特征去除以实施特征提取。
8.根据方案3所述的方法，其中，产生优化所述第一概率模块的可调参数的输出命令的自适应学习单元包括产生用于优化所述分类器的命令。
9.根据方案8所述的方法，其中，产生用于优化所述分类器的命令包括使用新的图像训练数据优化道路表面状况模式。
10.根据方案1所述的方法，其中，由所述第二概率模块确定概率包括以下步骤：
由车辆传感装置监控车辆操作状况；
产生改变车辆操作状况的激励以获得车辆响应；
将所述激励和车辆响应输入到车辆参考模型；以及
基于来自车辆参考模式的输出确定所述多个道路表面状况的每一个的概率。
11.根据方案1O所述的方法，其中，产生优化所述第二概率模块的可调参数的输出命令的所述自适应学习单元包括产生用于优化车辆模型参数的命令。
12.根据方案10所述的方法，其中，产生用于优化车辆模型参数的命令包括减少车辆模型的转向激励阈值。
13.根据方案10所述的方法，其中，产生用于优化车辆模型参数的命令包括更新车辆模型的道路表面状况参数。
14.根据方案13所述的方法，其中，通过在线递归最小二乘参数估计来执行更新车辆模型的道路表面状况参数。
15.根据方案1所述的方法，其中，所述数据融合单元将回归分析法应用于所述概率输入。
16.根据方案1所述的方法，进一步包括以下步骤：从远程源获取外部气候状况，其中，外部气候状况被输入到所述数据融合单元以确定所述道路表面状况的优化概率。
17.根据方案1所述的方法，进一步包括以下步骤：从车辆雨传感器获取雨传感器数据，其中，所述雨传感器数据被输入到所述数据融合单元以确定所述道路表面状况的优化概率。
18.根据方案1所述的方法，进一步包括以下步骤：从全球定位装置获取全球定位数据，其中，所述全球定位数据被输入到所述数据融合单元以确定所述道路表面状况的概率。
19.根据方案1所述的方法，进一步包括以下步骤：从基于车辆的温度传感器获取温度数据，其中，雨温度传感器数据被输入到所述数据融合单元以确定所述道路表面状况的优化概率。
20.根据方案1所述的方法，进一步包括以下步骤：从基于车辆的道路温度传感器获取道路表面温度数据，其中，所述道路表面温度传感器数据被输入到所述数据融合单元以确定所述车辆在每个道路表面状况上行驶的概率。
21.根据方案20所述的方法，其中，所述道路表面状况的每一个是预分类的道路表面状况。
22.根据方案1所述的方法，进一步包括以下步骤：由输出装置产生道路表面状况指示信号，其与由所述数据融合单元输出的道路表面状况的类型有关。
23.根据方案22所述的方法，其中，由所述输出装置产生干燥道路表面状况指示信号。
24.根据方案22所述的方法，其中，由所述输出装置产生潮湿道路表面状况指示信号。
25.根据方案22所述的方法，其中，由所述输出装置产生有冰道路表面状况指示信号。
26.根据方案22所述的方法，其中，由所述输出装置产生有雪道路表面状况指示信号。
27.根据方案1所述的方法，其中，所述数据融合单元将登普斯特证据技术应用于所述概率输入。
28.根据方案1所述的方法，其中，所述数据融合单元将贝叶斯决策技术应用于所述概率输入。
附图说明
图1是由图像采集装置采集的示例性图像。
图2是采集潮湿道路表面状况的车辆的立体说明图。
图3示出了行驶在潮湿道路表面状况上的车辆。
图4是在线自适应学习方法的总体概述的方框图。
图5是示例性在线自适应学习方法的方框图。
具体实施方式
在图1中示出了在沿着车辆道路12行驶的车辆外部采集的图像。降水14显示置于道路12上，并且随着车辆轮胎在潮湿车辆道路12上转动，所述降水14经常被车辆轮胎移位。通常有利的是预先知道车辆何时将沿着潮湿车辆道路12行驶，使得由降水导致的问题(例如，损失牵引力)能够被排除或至少减轻。
当行驶在潮湿表面上时，车辆道路12上的降水14能够导致牵引力降低。应当理解的是，本文所使用的术语“降水”，可以包括但不限于，水、冰或雪。置于车辆道路12上的降水降低在车辆轮胎和车辆道路12之间的摩擦系数。因此，在车辆轮胎和车辆道路12之间的牵引力降低。通过以下方式损失牵引力能够被减轻：警告驾驶员降低车辆速度到有利于环境状况的速度；使用可变制动力致动车辆制动器的自动应用程序以最小化在制动组件的制动表面上形成的降水；当降水被检测到时，停用或限制巡航控制功能的启动；或者通知驾驶员与前方车辆保持更大的制动距离。
图2示出了可以如何使用反射特性利用各种图像分析技术来确定以水、冰或雪形式的降水是否存在于行驶道路的表面上的立体说明图。在本文为了说明性的目的，将讨论水形式的降水。如图2所示，图像采集装置20采集行驶道路12。利用采集的图像，在道路表面上的水可以通过镜像图像技术进行检测。静水22存在于道路表面12上，并且静水22中的反射可以通过图像采集装置20采集。在道路上的静水22充当具有反射特性的镜型表面。为了确定水是否存在于行驶道路上，在图像中采集的实际物体可以与反射中的虚拟物体进行比较。如果实际物体和虚拟物体是基本相同的，可以确定道路表面是潮湿的。各种比较技术可以用于确定实际物体和虚拟物体之间的相似性和差异。
用于确定图2中潮湿道路表面的另一种技术包括道路表面纹理分析。当利用这种技术时，在后续的时间点对道路的该路段进行采集和分析。在第一时间点的道路的纹路与在第二时间点的道路的纹理进行比较。如果在第一时间点和第二时间点之间的道路表面的纹理变化很大，那么确定存留在道路上的水已经被在道路上行驶的车辆激起。在这种情况下，确定道路表面是潮湿的。
图3示出了利用车辆动力学方法确定道路表面状况的另一个示例。示出了行驶在车辆道路12上的车辆在潮湿道路表面22上。车辆动力学能够使用参考模型，所述参考模型包括干燥道路表面模型、潮湿道路表面模型、有雪道路表面模型和有冰道路表面模型。参考模型优选是预分类的参考模型。车辆动力学方法利用车辆操作数据来估计轮胎-道路摩擦系数。在车辆动力学方法下，车辆产生用于获得车辆操作响应的激励(例如，转向输入、速度输入)。基于车辆的响应，给定的激励，该响应与从所有参考模型输出的期望响应的每一个进行比较以确定车辆是否正行驶在下述道路表面状况之一上，包括但不限于：潮湿道路表面、干燥道路表面、有雪道路表面以及有冰道路表面。
虽然在图2和3中的示例说明了用于识别道路表面状况的方法，但是这些技术都是基于预定和固定的分类器或设置参数。也就是说，这两种技术虽然提供了他们独特过程中的优势，但是这两种技术都受到由车辆模型在用于基于图像的方法的预存分类器中阐明的预定参数的约束。
图4示出了自适应学习方法的总体概述，在这里利用基于传感的模型30和车辆动力学模型模块32的在线自适应。来自基于传感的模块30和车辆动力学模型模块32的输出每一个分别基于车辆操作数据和道路的采集场景的图像独立地识别与多个道路表面状况相关联的概率。也就是说，每个模块将输出用于所述多个可能道路表面状况的每一个的相应概率，在这里所述概率是基于在参考模型与来自车辆激励的感测数据或来自采集图像的分析数据之间的比较。产生的概率所针对的多种道路表面状况包括但不限于：干燥表面状况、潮湿表面状况、有雪表面状况以及有冰表面状况。来自基于传感的模块30和车辆动力学模型模块32的输出通过数据融合和决策制定模块34进行融合以产生所识别的道路表面状况的增强概率。由数据融合和决策制定模块34产生的增强概率被反馈到自适应学习模块36，其自适应地更新基于传感是模块30和车辆动力学模型模块32。因此，每当道路表面状况被分析时，基于传感的模块30和车辆动力学模型模块32被不断地更新。此外，来自数据融合和决策制定模块34的增强概率被提供给输出装置38，其能够启用安装特征或警告驾驶员。
图5示出了一种示例性自适应学习方法，在这里利用基于传感的模型30和车辆动力学模型模块32的在线自适应。在图5中所示的示例性说明图说明了在图4中所示的相应模块的细节；然而，应当理解的是，装置、过程和模型都不限于本文公开的具体模块和装置，并且本文所示的模型是示例性的，从而使得可以使用其他模块和装置。基于传感的模块30包括传感装置40、特征选择模块42和分类器44。传感装置40安装在车辆上，用于感测车辆前方的物体，和/或能够包括车辆两侧或后方的图像，其能够用于确定某种形式的降水何时存在于道路上或道路表面状况是否是干燥的。来自基于传感的模块30的输出向驾驶员提供道路的预期或预测状况。传感装置40可以包括，但不限于，用于采集道路上图像的摄像机。图像采集装置的功能是采集图像，所述图像包括用于分析道路上的反射图像或分析道路表面纹理的道路，用于确定在行驶道路上存在水、冰或雪。该系统也可以确定干燥道路状况的存在。由图像采集装置采集的图像被分析以检测其中的道路表面状况。其他传感装置的示例可以包括，但不限于，摄像机、红外传感器、激光雷达传感装置以及雷达传感装置。特征选择模块42包括处理器，用于处理由图像采集装置40采集的图像。在图像中的特征被识别(例如，亮度、颜色、纹理、偏振度)。所识别的特征从该图像中提取，并且被提供给分类器以确定在道路表面上存在某种形式的降水。如所描述的各种技术，例如反射特性或纹理分析，可以用在图像中的被选择特征中。
每个分段部分能够被输入到分类器44，用于分析每个相应段以及确定该相应段是否是无障碍路径的部分。分类器44最初由训练程序进行训练。一旦训练完成，就获得分类器。虽然理解的是分类器能够是基于车辆的分类器或是远离车辆的分类器，其与车辆进行通信，通过发送数据到远程监控中心进行分析和处理，但量本文所用的分类器44是基于车辆的分类器。分类器44可以包括，但不限于，支持向量机分类器或贝叶斯(Bayesian)分类器。这些分类器对道路表面的状况进行分类，并且输出概率百分比46，其代表可能道路表面状况的每一个的概率。这样的百分比包括来自干燥道路表面状况、潮湿道路表面状况、有雪道路表面状况和有冰道路表面状况的概率百分比。还要理解的是，单个分类器能够分析数据以及确定道路表面是否包括包括干燥、潮湿、有雪或有冰道路表面状况。替代地，可以使用多个分类器，在这里，每个分类器识别是否存在相应的道路表面状况。例如，第一分类器可以确定道路表面是包括水还是不包括水；第二分类器确定道路表面是包括冰还是不包括冰；第三分类器可以确定道路表面是包括雪还是不包括雪；以及第四分类器可以确定道路表面是干燥的还是不干燥的。该多个分类器包括要进行分析的给定数量的道路表面状况所需的任何数量的分类器。每个分类器的分析可以同时进行或依次执行。
支持向量机(SVM)分类器包括一组用于分类和回归的相关学习算法。这些学习算法是建立模型的训练方法，所述模型用于预测是否有新的样本落入相应类别之一中。SVM模型是特征空间中点的类别的代表，并且被映射使得不同的类别被清晰的间隙分开。支持向量机将输入数据映射到更高维度空间，在这里最大的分离超平面被构建。支持向量机构建数据到超平面中。超平面构建在分离超平面的每一侧上，用于分离数据。分离超平面使两个相应的超平面之间的距离最大化。在具有到任何类别的最近训练数据点的最大空间距离的相应超平面之间期望良好的分离。基本概念是，当将数据分类到相应类别时，两个相应超平面之间的距离越大，误分类率将越低。
贝叶斯分类器是使用传入测量和数学过程模型随着时间递归地估计未知概率密度函数的一般概率方法。
车辆动力学模型模块32提供关于道路和车辆的轮胎之间的道路摩擦程度的概率。车辆动力学模型提供车辆正在经历的道路平滑程度。车辆基于模型的模块32利用车辆操作输入48、干燥参考模型50、潮湿参考模型51、雪参考模型52、以及冰参考模型53、测量传感指标装置54、均方根偏差模块56、以及概率百分比输出58。从相应参考模型的每一个获得指标。测量传感指标装置54将其值与从所有有关干燥、潮湿、雪和冰的参考模型计算的指标的每一个进行比较。将产生与四个不同表面相关联的四个误差。这四个误差被输出到RMSD分析，并且产生四个概率P(干燥)、P(潮湿)、P(雪)、P(冰)，其将被输入到数据融合和决策制定模块。
为了从车辆动力学模型模块32获得输出，车辆操作输入48，例如车辆激励，被要求作为输入。车辆激励的示例包括，但不限于，制动、加速和转向。利用车辆激励的目的是，对于已知输入，并且能够获得和分析输出响应，以识别道路表面状况。车辆操作输入48被提供给干燥参考模型50、潮湿参考模型51、雪参考模型52、冰参考模型53和测量传感指标装置54。
干燥参考模型50利用车辆操作输入48，并且将该车辆操作输入48应用到其模型，该模型假定道路表面状况是干燥的。类似地，潮湿参考模型52利用车辆操作输入48，并且将该车辆操作输入48应用到其模型，该模型假定道路表面状况是潮湿的。测量传感指标装置54测量对于给定的车辆操作输入车辆正经历的实际响应。输出的每一个被提供给均方根偏差分析模块56，以计算与道路表面状况的每一个相关联的相应概率百分比。来自均方根偏差分析模块56的输出，其包括有关道路表面状况的每一个的相应概率，被输出到数据融合和决策制定模块34，在这里具有最大概率的相应道路表面状况被识别具有所计算的概率。例如，如果在数据融合后确定潮湿表面具有最大概率，那么潮湿表面可以由数据融合和决策制定模块34利用其计算的概率来识别。
由基于传感的模块30输出的概率百分比46包括四个概率Ps(干燥)、Ps(潮湿)、Ps(雪)、Ps(冰)，并且相应概率输出的总和是1。类似地，由车辆动力学模型模块32输出的概率百分比58包括四个概率Pd(干燥)、Pd(潮湿)、Pd(雪)、Pd(冰)，并且相应概率输出的总和是1。来自基于传感的模块30的概率百分比46和来自车辆动力学模型模块32的概率百分比58被输入到数据融合模块34。数据融合和决策制定模块34是使用以下技术的决策制定模块，包括但不限于，登普斯特(dempster-shafer)证据技术、回归分析和贝叶斯(Bayesian)分析。数据融合和决策制定模块34可以提供细节，例如表面状态估计，其包括其决策的置信度/概率，并且也基于由基于传感的模块30和车辆动力学模型模块32供应的协同数据验证其决策。
数据融合和决策模块34可以利用来自其他传感装置59的附加信息，其包括的信息与以下的有关但不限于，全球定位信息、季节信息、当日时间、天气信息、亮度信息、湿度、温度、降水、露点以及大气压力。
数据融合和决策制定模块34将所识别的道路表面状况的概率结果输出到用于启动安全特征60的各种其他系统。这样的安全特征可以包括用于对抗水的影响的车辆子系统。例如，响应于确定道路是潮湿的，控制器可以启动电气或电动液压制动系统，在这里在牵引力损失发生的情况下制动策略被准备好。除了准备制动策略，制动系统可以自主地施加轻微的制动力，在不让驾驶员知道的情况下，一旦车辆进入降水就从车辆制动器去除降水。当制动由驾驶员手动施加时，从车轮/制动器去除降水积累维持在车辆制动器的致动器和车轮的制动表面之间预期的摩擦系数。可启用或禁用的其他装置包括速度控制系统、牵引力控制系统、巡航控制系统、驾驶员信息预警系统、进气系统以及通信系统。除了启动安装特征外，道路表面状况还可以用于经由输出装置(例如，显示屏消息传送系统或其他人机接口，其可以包括，但不限于视觉、音频或触觉输出)发出警告或警报。
为了增强来自基于传感的模块30和车辆动力学模型模块32的协同数据融合，数据融合结果被反馈到在线自适应学习模块36。在线自适应学习模块36通过改进系统能力验证所述结果，以通过自适应反馈预测道路表面状况可靠程度。也就是说，该系统通过反馈结果不断地学习。例如，车辆可以检测该车辆前方的道路表面的图像，并且保护道路表面状况。当车辆行驶在道路的被识别路段上时，车辆将通过激励-响应技术利用基于车辆的模型以预测当前道路表面状况。当车辆移动超越道路的被识别路段时，后向成像装置可以采集车辆后方的道路的相应路段。图像将被分析以确定道路表面状况，例如，通过比较由前向摄像机采集的道路表面图像的纹理和由后向摄像机采集的图像，以确定道路表面的纹理是否发生变化。这进一步验证最初预测的结果。响应于其自适应学习，在线自适应学习模块36提供用于优化基于传感的模块30和车辆动力学模型模块32的反馈。
相应模块的优化可以包括调整特征子模块62。调整特征子模块62优化在特征选择模块42中使用的特征选择标准。确定由调整特征子模块62优化的特征，可以通过利用AdaBoost算法、主分量分析(PCA)、独立分量分析(ICA)以及递归特征去除(RFE)来识别。
AdaBoost算法是机器学习算法，其结合各种其他学习算法使用，以改进其性能。AdaBoost算法在根据由先前分类器误分类的那些情况下一个连续分类器被修改的意义上是自适应的。由AdaBoost算法使用的先前分类器能够是弱分类器(例如，显示大量的误差率)，但是只要该分类器的性能不是随机的，其便改进整个分类器模型。
主分量分析(PCA)和独立分量分析(ICA)用于减少数据大小以及找到PID值之间的一致性。
PCA识别最能描述数据集中可变性的变量的线性组合。变量的线性组合由数据的协方差矩阵的特征向量分解来计算。描述最大可变性(例如，数据集中的总方差的90％)的变量的线性组合被用作基本向量，用于将该数据转换为新的降低维度的空间。有关数据集中冗余的信息被提取。此外，PCA仅在数据具有高斯分布的假设下才有效，但是对于汽车系统其可能是不真实的，因为存在可能产生非高斯数据的几个非线性过程。
ICA是非线性技术，用于在统计上估计数据矩阵的独立分量。ICA被用于非高斯数据的线性代表，使得分量在统计上是独立的，或者尽可能的独立。ICA在高度非线性系统中是最有效的，在[这里数据更可能是非高斯的。由于利用PCA数据简化已经被减少，ICA被施加到PCA数据输出，以检查是否存在进一步减少的可能。
RFE是一个过程，通过该过程模型进行反复构建，并且在特征提取中那些被识别为具有较低权重或不太重要的特征被移除或丢弃。例如，来自图像的亮度或阴影可能被丢弃。
对分类器44的优化可以由调整分类器子模块64提供。调整分类器子模块64使用新的图像训练数据来优化分类器44中的潮湿表面模式。关于分类器的投票或推进的概念可以被利用。推进应用到预测数据采掘的领域以产生多个模型或分类器(用于预测或分类)，以及得到用于将来自那些模型的预测组合成单个预测分类的权重。投票利用多个分类器，在这里由不同分类器产生的结果被组合用于预测增强结果。来自不同分类器的结果可以是被平均或加权。
对基于车辆的模型32的优化可以由调整车辆模型参数子模块66执行。调整车辆参数子模块66识别机会以及在各种模型中的参数可以被如何更新以增强他们的总体模型。例如，如果驾驶员转向输入被利用，那么调整车辆参数子模块66可以建议转向激励阈值减少。另一个示例可以是通过在线递归最小二乘参数估计更新潮湿表面参数。这样的潮湿表面参数可以包括，但不限于，潮湿表面的前轴和后轴的侧偏刚度(Cf和Cr)。
来自其他传感装置59的数据可以被进一步提供给基于传感的模块30和车辆动力学模型模块32。数据可以被每个相应模块在确定有关潮湿表面状况的相应概率中协作使用。
虽然已经对本发明的某些实施例进行了详细描述，但是那些熟悉本发明所涉及的技术领域的技术人员将认识到用于实现由所附权利要求限定的本发明的各种替代设计和实施例。

Claims (10)

1.一种用于为在道路上行驶的车辆确定道路表面状况的方法，所述方法包括以下步骤：
基于所述道路的采集场景的图像由第一概率模块确定与多个道路表面状况相关联的概率；
基于车辆操作数据由第二概率模块确定与所述多个道路表面状况相关联的概率；
将由所述第一概率模块确定的概率和由所述第二概率模块确定的概率输入到数据融合和决策制定单元，以融合由第一和第二概率模块确定的概率；
基于由所述数据融合和决策制定单元产生的融合结果，确定道路表面状况；
从所述数据融合和决策制定单元输出与识别的道路表面状况相关联的优化概率，其是融合的第一和第二概率的函数；以及
将来自所述数据融合和决策制定单元的优化概率提供给自适应学习单元，所述自适应学习单元产生输出命令，所述输出命令优化至少所述第一概率模块和第二概率模块的可调参数，用于确定相应概率。
2.根据权利要求1所述的方法，其中，由第一概率模块确定概率包括以下步骤：
由图像采集装置检测车辆外部的场景；
由处理单元识别在第一采集图像中的道路的路段；
由处理器分析所述道路的路段以确定所述多个道路表面状况的每一个的概率。
3.根据权利要求2所述的方法，其中，分析所述道路的路段以确定所述多个道路表面状况的所述每一个的概率包括以下步骤：
由处理器从在所述图像中的所述道路的路段提取特征用于分析；
将提取的特征输入到分类器以确定每个道路表面状况的概率。
4.根据权利要求3所述的方法，其中，产生优化所述第一概率模块的可调参数的输出命令的所述自适应学习单元包括产生用于优化特征选择过程的命令。
5.根据权利要求1所述的方法，其中，由所述第二概率模块确定概率包括以下步骤：
由车辆传感装置监控车辆操作状况；
产生改变车辆操作状况的激励以获得车辆响应；
将所述激励和车辆响应输入到车辆参考模型；以及
基于来自车辆参考模式的输出确定所述多个道路表面状况的每一个的概率。
6.根据权利要求1所述的方法，进一步包括以下步骤：从远程源获取外部气候状况，其中，外部气候状况被输入到所述数据融合单元以确定所述道路表面状况的优化概率。
7.根据权利要求1所述的方法，进一步包括以下步骤：从车辆雨传感器获取雨传感器数据，其中，所述雨传感器数据被输入到所述数据融合单元以确定所述道路表面状况的优化概率。
8.根据权利要求1所述的方法，进一步包括以下步骤：从全球定位装置获取全球定位数据，其中，所述全球定位数据被输入到所述数据融合单元以确定所述道路表面状况的概率。
9.根据权利要求1所述的方法，进一步包括以下步骤：从基于车辆的温度传感器获取温度数据，其中，雨温度传感器数据被输入到所述数据融合单元以确定所述道路表面状况的优化概率。
10.根据权利要求1所述的方法，进一步包括以下步骤：从基于车辆的道路温度传感器获取道路表面温度数据，其中，所述道路表面温度传感器数据被输入到所述数据融合单元以确定所述车辆在每个道路表面状况上行驶的概率。
CN201510579931.6A 2014-06-12 2015-06-12 使用递归自适应学习和验证的道路表面状况检测 Active CN105184262B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/302,642 US9139204B1 (en) 2014-06-12 2014-06-12 Road surface condition detection with recursive adaptive learning and validation
US14/302642 2014-06-12

Publications (2)

Publication Number Publication Date
CN105184262A true CN105184262A (zh) 2015-12-23
CN105184262B CN105184262B (zh) 2019-01-04

Family

ID=54106934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510579931.6A Active CN105184262B (zh) 2014-06-12 2015-06-12 使用递归自适应学习和验证的道路表面状况检测

Country Status (3)

Country Link
US (1) US9139204B1 (zh)
CN (1) CN105184262B (zh)
DE (1) DE102015109270B4 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273785A (zh) * 2016-03-30 2017-10-20 通用汽车环球科技运作有限责任公司 多尺度融合的道路表面状况检测
CN107341428A (zh) * 2016-04-28 2017-11-10 财团法人车辆研究测试中心 影像辨识系统及自适应学习方法
CN109219547A (zh) * 2016-06-07 2019-01-15 Zf 腓德烈斯哈芬股份公司 用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法
CN110263844A (zh) * 2019-06-18 2019-09-20 北京中科原动力科技有限公司 一种在线学习和实时估计路面状态的方法
CN111650940A (zh) * 2020-06-09 2020-09-11 中国人民解放军32023部队 一种三维地形可通行性分析方法
CN114078335A (zh) * 2020-07-30 2022-02-22 通用汽车环球科技运作有限责任公司 通过融合航空图像和遥测数据检测道路边缘的系统和方法

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013002333A1 (de) * 2013-02-12 2014-08-14 Continental Teves Ag & Co. Ohg Verfahren und Strahlensensormodul zur vorausschauenden Straßenzustandsbestimmung in einem Fahrzeug
KR101618551B1 (ko) * 2014-07-02 2016-05-09 엘지전자 주식회사 차량 운전 보조 장치 및 이를 구비한 차량
JP2017187812A (ja) * 2014-08-21 2017-10-12 ヤマハ発動機株式会社 運転支援方法、運転支援装置および運転支援システム
US9387851B2 (en) * 2014-08-28 2016-07-12 Robert Bosch Gmbh Adaptive electronic stability control
US9598087B2 (en) * 2014-12-12 2017-03-21 GM Global Technology Operations LLC Systems and methods for determining a condition of a road surface
US9453941B2 (en) * 2014-12-22 2016-09-27 GM Global Technology Operations LLC Road surface reflectivity detection by lidar sensor
US9875576B2 (en) * 2015-01-06 2018-01-23 Clearag, Inc. Three-dimensional visualization model of roadway information in a pavement condition analysis
US9616773B2 (en) 2015-05-11 2017-04-11 Uber Technologies, Inc. Detecting objects within a vehicle in connection with a service
US10712160B2 (en) 2015-12-10 2020-07-14 Uatc, Llc Vehicle traction map for autonomous vehicles
US20170166216A1 (en) * 2015-12-10 2017-06-15 Uber Technologies, Inc. Motion planning for a vehicle using traction information
US9840256B1 (en) 2015-12-16 2017-12-12 Uber Technologies, Inc. Predictive sensor array configuration system for an autonomous vehicle
US9841763B1 (en) 2015-12-16 2017-12-12 Uber Technologies, Inc. Predictive sensor array configuration system for an autonomous vehicle
CN107092920A (zh) * 2016-02-17 2017-08-25 福特全球技术公司 评估其上行驶有车辆的路面的方法和装置
DE102016104044A1 (de) * 2016-03-07 2017-09-07 Connaught Electronics Ltd. Verfahren zum Erkennen einer Ablagerung auf einem optischen Element einer Kamera durch einen Merkmalsraum und eine Hyperebene, sowie Kamerasystem und Kraftfahrzeug
US9990548B2 (en) 2016-03-09 2018-06-05 Uber Technologies, Inc. Traffic signal analysis system
DE102016207436A1 (de) * 2016-04-29 2017-11-02 Ford Global Technologies, Llc System und Verfahren zum Steuern- und/oder Regeln eines Lenksystems eines Fahrzeugs sowie Fahrzeug
US10035510B2 (en) 2016-05-27 2018-07-31 Ford Global Technologies, Llc Adaptive drive control low-traction detection and mode selection
DE102016210632A1 (de) * 2016-06-15 2017-12-21 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Überprüfen eines Medienverlustes eines Kraftfahrzeuges sowie Kraftfahrzeug und System zum Ausführen eines solchen Verfahrens
US10474162B2 (en) 2016-07-01 2019-11-12 Uatc, Llc Autonomous vehicle localization using passive image data
US10310298B2 (en) 2016-10-25 2019-06-04 GM Global Technology Operations LLC Smart sensor-cover apparatus and methods and computer products for implementing same
US10315649B2 (en) 2016-11-29 2019-06-11 Ford Global Technologies, Llc Multi-sensor probabilistic object detection and automated braking
US10814846B2 (en) * 2017-08-11 2020-10-27 Ford Global Technologies, Llc Traction control based on friction coefficient estimation
US10773725B1 (en) 2017-08-25 2020-09-15 Apple Inc. Tire-road friction estimation and mapping
WO2019063589A1 (en) * 2017-09-26 2019-04-04 Nira Dynamics Ab FRICTION ESTIMATE
EP3721170B1 (en) * 2017-12-04 2023-11-22 University of Massachusetts Method to measure road roughness characteristics and pavement induced vehicle fuel consumption
DE102017222568A1 (de) * 2017-12-13 2019-06-13 Robert Bosch Gmbh Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn und Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs
WO2019166142A1 (en) * 2018-03-01 2019-09-06 Jaguar Land Rover Limited Methods and apparatus for acquisition and tracking, object classification and terrain inference
US10641391B2 (en) 2018-04-23 2020-05-05 GM Global Technology Operations LLC System and method for CVT clamp control based on oncoming conditions in a vehicle propulsion system
US11334753B2 (en) 2018-04-30 2022-05-17 Uatc, Llc Traffic signal state classification for autonomous vehicles
US11592566B2 (en) 2019-08-15 2023-02-28 Volvo Car Corporation Vehicle systems and methods utilizing LIDAR data for road condition estimation
US10706294B2 (en) 2018-05-03 2020-07-07 Volvo Car Corporation Methods and systems for generating and using a road friction estimate based on camera image signal processing
US11124193B2 (en) 2018-05-03 2021-09-21 Volvo Car Corporation System and method for providing vehicle safety distance and speed alerts under slippery road conditions
DE102018209595A1 (de) * 2018-06-14 2019-12-19 Robert Bosch Gmbh Verfahren zum automatischen Bestimmen eines Straßenzustands
US11036999B2 (en) * 2018-07-30 2021-06-15 GM Global Technology Operations LLC Autonomous vehicle that is controlled based upon output of a Bayesian object classifier system
US10872419B2 (en) * 2018-09-04 2020-12-22 GM Global Technology Operations LLC Method and apparatus for evaluating a vehicle travel surface
US10627823B1 (en) * 2019-01-30 2020-04-21 StradVision, Inc. Method and device for performing multiple agent sensor fusion in cooperative driving based on reinforcement learning
US11226620B2 (en) 2019-02-08 2022-01-18 GM Global Technology Operations LLC Automated driving systems and control logic with enhanced longitudinal control for transitional surface friction conditions
US11052914B2 (en) 2019-03-14 2021-07-06 GM Global Technology Operations LLC Automated driving systems and control logic using maneuver criticality for vehicle routing and mode adaptation
EP3947088B1 (en) * 2019-04-05 2024-03-13 Volvo Truck Corporation A method and a control unit for determining a parameter indicative of a road capability of a road segment supporting a vehicle
CN114051631A (zh) * 2019-06-27 2022-02-15 哲内提 用于估计可行驶表面的方法和系统
US11300677B2 (en) 2019-07-08 2022-04-12 GM Global Technology Operations LLC Automated driving systems and control logic for host vehicle velocity estimation using wide aperture radar
DE102019212567A1 (de) * 2019-08-22 2021-02-25 Robert Bosch Gmbh Verfahren zum Ermitteln eines Straßenzustands mit einem Computersystem
DE102019128451A1 (de) * 2019-10-22 2021-04-22 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Ermittlung einer Fahrbahnnässe, System
US11472414B2 (en) * 2020-03-26 2022-10-18 Intel Corporation Safety system for a vehicle
US11521127B2 (en) * 2020-06-05 2022-12-06 Waymo Llc Road condition deep learning model
US20210402980A1 (en) * 2020-06-26 2021-12-30 Mitsubishi Electric Research Laboratories, Inc. System and Method for Data-Driven Reference Generation
KR102464641B1 (ko) * 2020-09-25 2022-11-09 아신씨엔티 주식회사 결빙 알람 시스템
JP7021798B1 (ja) * 2020-12-04 2022-02-17 国立研究開発法人土木研究所 学習済みモデル生成方法、路面滑り摩擦係数推定装置、路面滑り摩擦係数推定プログラムおよび路面滑り摩擦係数推定方法
DE102020215544A1 (de) 2020-12-09 2022-06-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Minimieren einer Latenzzeit einer Wirkkette
DE102020215551A1 (de) 2020-12-09 2022-06-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Minimieren einer Latenzzeit einer Wirkkette
CN113869241B (zh) * 2021-09-30 2022-09-27 西安理工大学 一种融合人脸多属性的在线学习状态分析与报警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932469A (zh) * 2005-09-16 2007-03-21 通用汽车环球科技运作公司 使用自适应阈值的健康状态监测和故障诊断
CN102254161A (zh) * 2011-07-15 2011-11-23 王世峰 基于路面轮廓及路面图像特征的路面类型识别方法及装置
CN103034862A (zh) * 2012-12-14 2013-04-10 北京诚达交通科技有限公司 基于特征信息分类的道路雨雪状态自动识别方法
CN103413441A (zh) * 2013-06-26 2013-11-27 广东惠利普路桥信息工程有限公司 道路天气状况监控系统和监控方法
US8744822B2 (en) * 2013-08-08 2014-06-03 Iteris, Inc. Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions on segments of a transportation network infrastructure

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4241834B2 (ja) 2007-01-11 2009-03-18 株式会社デンソー 車載霧判定装置
CA2910644A1 (en) 2012-05-23 2013-11-28 Liping Fu Road surface condition classification method and system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1932469A (zh) * 2005-09-16 2007-03-21 通用汽车环球科技运作公司 使用自适应阈值的健康状态监测和故障诊断
CN102254161A (zh) * 2011-07-15 2011-11-23 王世峰 基于路面轮廓及路面图像特征的路面类型识别方法及装置
CN103034862A (zh) * 2012-12-14 2013-04-10 北京诚达交通科技有限公司 基于特征信息分类的道路雨雪状态自动识别方法
CN103413441A (zh) * 2013-06-26 2013-11-27 广东惠利普路桥信息工程有限公司 道路天气状况监控系统和监控方法
US8744822B2 (en) * 2013-08-08 2014-06-03 Iteris, Inc. Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions on segments of a transportation network infrastructure

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273785A (zh) * 2016-03-30 2017-10-20 通用汽车环球科技运作有限责任公司 多尺度融合的道路表面状况检测
CN107341428A (zh) * 2016-04-28 2017-11-10 财团法人车辆研究测试中心 影像辨识系统及自适应学习方法
CN109219547A (zh) * 2016-06-07 2019-01-15 Zf 腓德烈斯哈芬股份公司 用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法
CN109219547B (zh) * 2016-06-07 2022-09-27 Zf 腓德烈斯哈芬股份公司 用于估计在车辆的当前的和/或未来的航路点处的最大摩擦系数的概率分布的方法
CN110263844A (zh) * 2019-06-18 2019-09-20 北京中科原动力科技有限公司 一种在线学习和实时估计路面状态的方法
CN110263844B (zh) * 2019-06-18 2021-04-06 北京中科原动力科技有限公司 一种在线学习和实时估计路面状态的方法
CN111650940A (zh) * 2020-06-09 2020-09-11 中国人民解放军32023部队 一种三维地形可通行性分析方法
CN111650940B (zh) * 2020-06-09 2023-04-07 中国人民解放军32023部队 一种三维地形可通行性分析方法
CN114078335A (zh) * 2020-07-30 2022-02-22 通用汽车环球科技运作有限责任公司 通过融合航空图像和遥测数据检测道路边缘的系统和方法
CN114078335B (zh) * 2020-07-30 2024-04-12 通用汽车环球科技运作有限责任公司 通过融合航空图像和遥测数据检测道路边缘的系统和方法

Also Published As

Publication number Publication date
US9139204B1 (en) 2015-09-22
DE102015109270B4 (de) 2022-09-08
DE102015109270A1 (de) 2015-12-17
CN105184262B (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN105184262A (zh) 使用递归自适应学习和验证的道路表面状况检测
CN107782727B (zh) 基于融合的湿路面检测
US11688174B2 (en) System and method for determining vehicle data set familiarity
CN101633359B (zh) 具有驾驶风格识别的自适应车辆控制系统
US11884279B2 (en) System and method for providing vehicle safety distance and speed alerts under slippery road conditions
US9626599B2 (en) Reconfigurable clear path detection system
US10467482B2 (en) Method and arrangement for assessing the roadway surface being driven on by a vehicle
CN111038522B (zh) 评估驾驶员辅助系统的训练数据集的车辆控制单元和方法
US20210074091A1 (en) Automated vehicle actions, and associated systems and methods
US9950700B2 (en) Road surface condition detection with multi-scale fusion
US20180141561A1 (en) Method and Apparatus for Detecting and Assessing Road Reflections
US11491979B2 (en) Automated vehicle actions such as lane departure warning, and associated systems and methods
CN112487905B (zh) 一种车辆周边行人危险等级预测方法及系统
EP3842307A1 (en) System and method for providing vehicle safety distance and speed alerts under slippery road conditions
Jang Pavement slipperiness detection using wheel speed and acceleration sensor data
CN111626334B (zh) 一种车载高级辅助驾驶系统的关键控制目标选择方法
Kadav et al. Road Snow Coverage Estimation Using Camera and Weather Infrastructure Sensor Inputs
US20210124351A1 (en) Onboard cluster tracking system
Fritz et al. Off-road terrain classification
KR20240053377A (ko) 비전센서와 음파센서가 구비된 도로 상태 모니터링 시스템 및 그 방법
KR101501360B1 (ko) 테일라이트 검출방법에 기반한 다중 차량 추적 시스템
Nagarajan et al. Detection of Potholes and Speedbumps by Monitoring Front Traffic
Kadav Advancing Winter Weather ADAS: Tire Track Identification and Road Snow Coverage Estimation Using Deep Learning and Sensor Integration
JP2023539513A (ja) 対象物を分類する方法及び装置
KR20240030565A (ko) 차량 도로의 노면 상태 분석 방법 및 이를 지원하는 전자 장치

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant