CN106133805B - 用于碰撞回避的驾驶辅助方法和系统 - Google Patents

用于碰撞回避的驾驶辅助方法和系统 Download PDF

Info

Publication number
CN106133805B
CN106133805B CN201480060323.8A CN201480060323A CN106133805B CN 106133805 B CN106133805 B CN 106133805B CN 201480060323 A CN201480060323 A CN 201480060323A CN 106133805 B CN106133805 B CN 106133805B
Authority
CN
China
Prior art keywords
decision
information
making
vehicle
intervention
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.)
Active
Application number
CN201480060323.8A
Other languages
English (en)
Other versions
CN106133805A (zh
Inventor
斯蒂芬妮·莱弗瑞
克里斯汀·洛吉耶
瑞塞纳·鲍伊奇
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.)
Institut National de Recherche en Informatique et en Automatique INRIA
University of California
Original Assignee
Institut National de Recherche en Informatique et en Automatique INRIA
University of California
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 Institut National de Recherche en Informatique et en Automatique INRIA, University of California filed Critical Institut National de Recherche en Informatique et en Automatique INRIA
Publication of CN106133805A publication Critical patent/CN106133805A/zh
Application granted granted Critical
Publication of CN106133805B publication Critical patent/CN106133805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
    • B60Q5/00—Arrangement or adaptation of acoustic signal devices
    • B60Q5/005—Arrangement or adaptation of acoustic signal devices automatically actuated
    • B60Q5/006—Arrangement or adaptation of acoustic signal devices automatically actuated indicating risk of collision between vehicles or with pedestrians
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2800/00—Indexing codes relating to the type of movement or to the condition of the vehicle and to the end result to be achieved by the control action
    • B60G2800/24—Steering, cornering
    • B60G2800/242—Obstacle avoidance manoeuvre
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种驾驶辅助方法，该方法用于协助驾驶员安全驾驶称为主车辆的车辆，该方法通过所述主车辆的车载处理器实现。所述主车辆包括用于获得与所述主车辆有关的第一信息的装置以及用于获得与所述主车辆附近的至少一个其他车辆有关的第二信息的装置，所述第一信息和所述第二信息在规定的时刻获得，所述方法包括触发碰撞回避系统的干预。所述方法包括干预决策步骤(51)，该步骤(51)适于根据要在当前时刻(Tc)与之后时刻(Tl)之间获取的附加第一信息和附加第二信息，来决定是在所述当前时刻(Tc)触发所述碰撞回避系统的干预，还是将所述干预决策延迟到所述之后时刻(Tl)，所述附加第一信息和所述附加第二信息具有相关的概率分布。本发明还涉及一种相关的驾驶辅助系统。

Description

用于碰撞回避的驾驶辅助方法和系统
技术领域
本发明涉及一种用于协助驾驶员安全驾驶称为主车辆的车辆并且由所述主车辆的车载处理器实现的驾驶辅助方法，以及一种相关的驾驶辅助系统。
本发明的领域是在车辆中实现的主动安全系统的领域。
背景技术
提高道路安全并防止交通事故总是有必要的。目前，诸如私家车之类的车辆配备有各种传感器，这些传感器在与道路地图数据库结合使用时，允许获得与车辆位置和运动的位置有关的第一信息。此外，车辆可以配备有附加传感器，该附加传感器提供与在邻近道路上行驶的其他车辆(称为邻近车辆)有关的第二信息。这种附加传感器包括激光定位器、雷达和摄像机。可替换地，车辆可以适于接收关于由远程传感器提供的、关于在附近行驶的其他车辆的位置和运动的信息。
主动安全系统的目的在于，通过基于驾驶员警告或对车辆进行诸如制动和转向之类的直接动作来避免或减轻交通事故。主动安全系统的原理一般为，基于关于主车辆的第一信息和关于其他车辆的第二信息来实现安全评估模块，并向风险评估模块提供交通状况的真实状态的评估，该风险评估模块适于计算该状况下的碰撞风险。交通状况指定了主车辆和附近的其他车辆在给定时刻的状态。
碰撞风险被提供给决策模块，决策模块适于决定碰撞回避系统的干预和相关动作，例如对驾驶员的警告或对诸如自动制动的自动干预。
在已知方法中，决策模块使用被称为碰撞时间的指示器来决定是否干预，该碰撞时间对应于评估的发生碰撞之前的时间。
所遇到的一个问题在于：指示器碰撞时间不确定，却又必须确保安全。在安全方面，应当相对早地触发干预，从而确保避免碰撞，例如当发出警报时，需要确保在实际碰撞发生之前，驾驶员有足够的时间做出诸如制动之类的反应。然而，在早期干预的情况下，可能出现高误警率。这种高误警率可能不利于驾驶员对系统的接受。
发明内容
本发明的目的在于提供如下方法和系统，该方法和系统提供了驾驶辅助，同时限制了碰撞回避系统的干预的误警率，并且同时保留了高安全水平，以确保干预及时避免交通事故。
为此，根据第一方面，本发明涉及一种驾驶辅助方法，该方法用于协助驾驶员安全驾驶称为主车辆的车辆，通过所述主车辆的车载处理器来实现所述方法，所述主车辆包括用于获得与所述主车辆的轨迹有关的第一信息的装置、以及用于获得与所述主车辆附近的至少一个其他车辆的轨迹有关的第二信息的装置，在规定的时刻获得所述第一信息和所述第二信息，所述方法包括碰撞风险评估和触发碰撞回避系统的干预。所述方法包括干预决策步骤，该步骤适于根据要在当前时刻与之后时刻之间获取的附加第一信息和附加第二信息，来决定是在所述当前时刻触发所述碰撞回避系统的干预，还是将所述干预决策延迟到所述之后时刻。所述干预决策考虑第一期望决策成本和第二期望决策成本，以确保延迟有可能降低非必要干预的概率，所述第一期望决策成本基于直到当前时刻为止获取的第一信息和第二信息，使用要在所述当前时刻与所述之后时刻之间获取的所述附加第一信息和所述附加第二信息的概率，来计算所述第二期望决策成本。
本发明的方法还包括以独立或组合方式选取的、在权利要求2至9中引用的特征。
根据第二方面，本发明涉及一种驾驶辅助系统，所述系统用于协助驾驶员安全驾驶称为主车辆的车辆，所述系统包括配备有车载处理单元的主车辆，所述主车辆包括用于获得与所述主车辆的轨迹有关的第一信息的装置、以及用于获得与所述主车辆附近的至少一个其他车辆的轨迹有关的第二信息的装置，所述第一信息和所述第二信息在规定的时刻获得，所述车载处理单元包括决策单元，所述决策单元适于触发碰撞回避系统的干预。所述系统还包括用于干预决策的装置，所述装置适于根据要在当前时刻与之后时刻之间获取的附加第一信息和附加第二信息，来决定是在所述当前时刻触发所述碰撞回避系统的干预，还是将所述干预决策延迟到所述之后时刻。所述干预决策考虑第一期望决策成本和第二期望决策成本，以确保延迟有可能降低不必要的干预的概率，所述第一期望决策成本基于直到当前时刻获取的第一信息和第二信息，所述第二期望决策成本使用要在所述当前时刻与所述之后时刻之间获取的所述附加第一信息和所述附加第二信息的概率来计算。
附图说明
通过详细的描述和下列附图，将更好地理解本发明，下列附图仅具有示例性而不具有限制性：
-图1示意性地表示了驾驶辅助系统的应用情景；
-图2是驾驶辅助系统的功能框图；
-图3是由根据本发明的干预决策模块实现的方法的流程图；
-图4是确定根据本发明的实施例的第一决策值的方法的流程图；
-图5是确定根据本发明的实施例的第二决策值的方法的流程图。
具体实施方式
图1例示了交通场景1，其中，存在碰撞风险，并且其中，根据本发明的驾驶辅助系统和方法得到应用。
在交通场景1中，两个车辆2和4正在朝第一道路6与第二道路8之间的双向停止道路交叉口5前进。如图所示，根据标志10、12的常用道路标记符号，第二道路8上的车辆应当停止在交叉口5处。
在图1的场景中，假设车辆2为包括驾驶辅助系统的主车辆，也被称为自我车辆。车辆4为车辆2的预定附近区域内的另一车辆，被称为其他车辆或附近车辆。
图1中表示的状况是考虑到车辆2和车辆4均在各自的道路上具有直线轨迹的情况下正常的交通状况，然而，可以设想交叉口5处的多个情景，并且其中一些情景可能导致碰撞。
在第一情景S1中，主车辆2根据遵守交通规则的正常驾驶条件，以恒定速度在道路6上前进，而其他车辆4未遵守停止标志10并根据轨迹14继续直行。在该第一情景S1中，在交叉口5处，根据车辆2与车辆4各自的速度，可能在车辆2与车辆4之间发生碰撞。
根据第二情景S2，主车辆2以恒定速度在道路6上前进，而其他车辆4在未遵守停止标志10的情况下根据轨迹16左转到道路6上。在该第二情景S2中，在交叉口5处，根据车辆2与车辆4各自的速度，也可能在车辆2与车辆4之间发生碰撞。
根据第三情景S3，主车辆2以恒定速度在道路6上前进，而其他车辆4在未遵守停止标志10的情况下根据轨迹18右转到道路6上。在该第三情景S3中，在交叉口5处，根据车辆2与车辆4各自的速度，也可能在车辆2与车辆4之间发生碰撞。
根据第四情景S4，主车辆2以恒定速度在道路6上前进，而其他车辆4根据停止标志10而停下。在该第四情景中，不会发生碰撞。
主车辆2的车载驾驶辅助系统能够通过经由人机接口发出警报或者通过自动制动以避免潜在的碰撞，来进行干预以避免可能的碰撞。更具体地说，驾驶辅助系统适于根据状况评估，来触发自动动作，以避免碰撞。
如图2示例性例示，驾驶辅助系统20包括输入模块22、输出模块24和处理模块26。
输入模块22包括大量传感器28，例如GPS(“全球定位系统”)传感器，以用于与存储道路地图信息的数据库30协作感测主车辆自身的位置、朝向和速度。
另外，传感器28可以包括惯性测量单元(IMU)，该惯性测量单元测量主车辆的相对位移，并与GPS系统协作以在，提供各测量时刻主车辆的更加可靠的位置信息、速度信息和朝向信息。
更一般地说，传感器28在规律的时刻(例如每200毫秒)与数据库30协作提供一组与主车辆2在道路6上的行驶(即，轨迹)有关的第一信息。
在实施例中，输入模块22还包括通信装置32，通信装置32适于在规律时刻(例如每200毫秒)接收与其他车辆的轨迹有关的第二信息。可以通过其他车辆4经由车辆间通信来发送该第二信息。
因此，输入模块22在规律时刻，提供了关于一般交通状况的第一和第二信息，即主车辆与在主车辆附近行驶的其他车辆的相对位置、朝向和速度。
在实施例中，以信息向量的形式存储各第一和第二信息，各元素为包括在时刻tk考虑的第n个车辆的位置、朝向和速度的三元组。
在图1的示例中，直到当前时刻Tc的与主车辆2有关的第一信息可以被表示为并且直到当前时刻Tc的与其他车辆4有关的第二信息可以被表示为
输入模块22将第一和第二信息传送到处理模块26的状况评估模块34。
例如通过车载计算机的处理器来实现处理模块26。在实施例中，使用双核处理器。
更具体地说，使用诸如编程的微处理器或微控制器、ASIC或其他集成电路的车载处理单元。
状况评估模块34融合从输入模块22接收的第一和第二信息，并根据给定的道路交通模型，提供主车辆及其环境的真实状态的评估，该环境包括主车辆附近的车辆。例如，如下文中更加详细的描述，在实施例中，通过动态贝叶斯网络(DBN)来对交通状况建模。风险评估模块36处理由状况评估模块34提供的主车辆及其环境的真实状态的评估，并例如以在时刻t碰撞的概率的形式来计算碰撞风险，t迟于当执行计算时的当前时刻Tc。
应当指出，在详细的示例中，仅考虑主车辆2附近的一个其他车辆4。然而，本发明不限于单个其他车辆，可以考虑主车辆的给定附近的多个其他车辆，并且应当计算与任意其他车辆的碰撞风险评估。
计算出的碰撞风险被发送至决策模块38，决策模块38实现干预决策，决策模块38适于决定是在当前时间Tc触发干预，还是将干预决策延迟到之后的时间Tl＝Tc+dt，其中，dt优选地介于100与1000毫秒之间，并且例如等于200毫秒。
决策模块38适于通过向输出模块24发送控制命令(向致动器模块40命令自动动作，或命令通过人机接口模块42发出警报，可视警报或声音警报)，来控制碰撞回避系统的干预。
图3是根据本发明的实施例的驾驶辅助方法的主要步骤的流程图，该方法通过主车辆2的车载驾驶辅助系统20来实现，尤其通过决策模块38与风险评估模块36协作来实现。
在信息获得步骤50中，获取由输入模块22提供的如下观测的测量结果，该测量结果包括直到当前时刻Tc为止的与主车辆2有关的第一信息以及直到当前时刻Tc为止的与车辆2附近的其他车辆4有关的第二信息
应当指出，可以考虑多个其他车辆，在这种情况下，第二信息包括N个其他车辆的信息组至为了简化说明，仅提及一个其他车辆。
所获取的第一和第二信息是与车辆有关的可用测量结果，例如是在持续时间Δ的时间段[Tc-Δ,Tc]期间每200毫秒观测的测量结果。例如，在各时刻t∈[Tc-Δ,Tc]，如上所述，输入模块22观测并记录各车辆的位置、朝向和速度。
在如下场景中优选使用本发明的方法：根据诸如决策成本函数之类的经典的最优性标准，可以基于由输入模块22提供的观测的测量结果来在当前时间Tc选择碰撞回避系统的干预。通过执行步骤52至58来实现步骤51的干预决策，步骤51适于决定是在当前时刻Tc触发车载输出模块24的干预，还是将决定延迟到之后的时刻Tl。
在步骤52中，计算要在当前时刻Tc与之后时刻Tl＝Tc+dt之间获取附加第一信息和附加第二信息的概率，其中，t∈[Tc,Tl]。附加信息具有与观测的信息相同的性质，尤其是各车辆的位置、朝向和速度，但是在当前时间Tc尚未观测到该附加信息。第一和第二附加信息具有相关的概率分布。
在随后的步骤54中，计算取决于期望的附加第一和第二信息的第一决策值V1。第一决策值V1取决于在先前步骤52中计算的附加信息的概率、还取决于在当前时刻Tc计算的在考虑的主车辆2与各其他车辆之间碰撞的概率、并取决于在考虑附加信息和的情况下考虑的主车辆2与各其他车辆之间碰撞的评估概率。
在给定时间T处碰撞的概率被理解为，在时间T与未来时刻T+Th之间考虑的主车辆2与任意其他车辆之发生间碰撞的概率，其中，Th为几秒量级的时间经过。
原则上，第一决策值V1代表了利用要在直到之后时刻Tl为止的未来时间间隔期间获取的附加信息做出决定的期望效益。
在随后的步骤56中，计算第二决策值V2，该第二决策值V2代表将干预决策延迟到之后时刻Tl的期望成本。
一旦计算出两个决策值，验证步骤58基于第一决策值V1应用第一决策标准C1，并基于第二决策值V2应用第二决策标准C2。
第一决策标准C1被设计为确保延迟干预的决定很可能具有正面影响，或者换句话说，附加信息很可能降低误警率，在当前情况下，误警率为不必要的干预的概率。
第二决策值V2和第二决策标准C2被设计为确保决定的延迟不会改变主车辆在安全方面的状况。也就是说，通过在之后时刻Tl触发碰撞回避系统的干预能够避免潜在碰撞的概率，不低于通过在时间Tc触发碰撞回避系统的干预能够避免潜在碰撞的概率。
换句话说，第二决策标准C2确保了即使干预决策被延迟到之后时刻Tl，也会对主车辆应用相同的安全条件。
在两个标准都验证成功的情况下，干预决策被延迟到之后时间Tl。在步骤60中，当前时间Tc被设置为Tc+dt，并且当达到当前时间时，在步骤60之后，进行已经描述的信息获得步骤50。
因此，在两个标准未验证成功的情况下，如果第一决策标准C1和/或第二决策标准C2未被验证，则在步骤58之后，进行触发碰撞回避系统的步骤62。
在碰撞回避系统的干预的情况下，设想两个替代方案：
在第一替代方案中，触发致动器40来接管主车辆的命令，并自动应用校正动作，例如制动。
在第二替代方案中，经由人机接口模块42发出警报，该警报为可视警报或声音警报。
在计算第二决策值V2的步骤52中考虑设想的干预62的类型。
根据优选实施例，通过实现包括图4中示意性表示的步骤的计算方法，利用附加信息应用决策的统计理论，来计算第一决策值V1。
能够如下模型化主车辆的状况。在给定时间段[Tc,Tl]期间，考虑两个可能的事件：自当前时刻Tc起的时间经过Th之内，发生或不发生与其他车辆的碰撞。
因此，可能事件或自然状态的集合为S＝{碰撞,不碰撞}。
要采取的决定涉及两个可能动作：碰撞回避系统的干预或不干预。
因此，可能动作的集合为A＝{干预,不干预}。
根据碰撞的发生与否，成本函数与干预或不干预的各决定相关联，如下：
成本值ct1和ct2为决策参数，并且在初始化步骤70中被提供为用于计算第一决策值V1的输入。
优选地，通过以下公式关联成本值ct1和ct2：
λ介于0与1之间，例如λ＝0.3，ct1＝42.9，ct2＝100。
根据公式计算第一决策值V1：
其中，EC(Tc)是仅使用在当前时刻Tc可用的由输入模块22提供的信息的决定的第一期望成本，是使用在当前时刻Tc可用的由输入模块22提供的信息、以及在Tc与之后时刻Tl＝Tc+dt之间获得的附加信息的决定的第二期望成本。
为了计算第一期望成本EC(Tc)，在后续步骤72中计算被赋予直到当前时刻Tc的由输入模块提供的信息的碰撞概率P(s|zt0:Tc)。符号zt0:Tc针对考虑的主车辆和其他车辆，指定在开始时刻t0(例如t0＝0)与当前时刻Tc之间来自输入模块22的信息。
接下来，使用以下公式在步骤74中计算第一期望成本EC(Tc)：
公式(Eq4)基于当前时刻Tc的可用信息，将在集合A＝{干预,不干预}中选取的、使总体决策成本最小的a，赋予决定的成本。
接下来，在步骤76中计算被赋予直到之后时刻Tl的附加信息的碰撞概率P(s|zt0:Tl)的评估。符号zt0:Tl指定在开始时刻t0与当前时刻Tc之间来自输入模块22的信息、以及在当前时刻Tc与之后时刻Tl之间的附加信息。随机变量ZTl表示在时刻Tl由输入模块22提供的与车辆有关的信息。
最后，在步骤78中，如下计算第二期望决策成本
以上公式使用在时刻Tl的信息zTl的观测值的概率P(zTl)。
在可替换实施例中，通过离散随机变量ZTl来表示由输入模块提供的与车辆有关的信息，并且第二期望决策成本的计算如下：
接下来，在步骤80中，根据公式(Eq3)计算第一决策值V1，第一决策值V1是根据统计决策的附加信息的期望值。
在步骤82中，与第一决策值V1相关联的第一决策标准C1被设置为V1>0。因此，如果V1大于0，则第一决策标准C1被验证，期望附加信息对决策具有正面影响。
根据图5所例示的方法，根据优选实施例计算第二决策值V2。
在第一步骤90中，计算碰撞回避系统能够在当前时刻Tc通过干预避免碰撞的概率PA(Tc)。
在第二步骤92中，计算碰撞回避系统能够在之后时刻Tl通过干预避免碰撞的概率PA(Tl)。
应当指出，可以并行执行步骤90和92。
第二决策值V2被作为先前计算的概率PA(Tc)与PA(Tl)之间的差来进行计算。
与第二决策值相关联的第二决策标准C2为V2＝0，从而确保碰撞回避概率在之后时间Tl不低于当前时间Tc。
能够实现多个模型来执行步骤52、72、76、90和92的概率评估。
根据第一实施例，道路交通的模型为通过动态贝叶斯网络(DBN)所建模的交通场景中的车辆的联合运动，如S.Lefèvre、C.Laugier和J.在2012年的智能机器人与系统IEEE/RSJ国际会议中公布的文章“Evaluating risk at road intersectionsby detecting conflicting intentions(通过检测冲突意图来评估道路交叉口的风险)”(第4841-4846页)中所提出。
针对考虑的各车辆，提出的DBN考虑了：
-由随机变量表示的驾驶员的预期动作，随机变量指定在时间t车辆n的驾驶员的预期动作；
-由随机变量表示的遵守交通规则的期望动作，随机变量指定在时间t车辆n的驾驶员的期望动作；
-由表示为的随机变量针对时间t的车辆n表示的车辆的物理状态，例如位置、速度和朝向；
-由表示为的随机变量针对时间t的车辆n表示的、通过输入模块22的传感器的测量结果而获得的信息。
随机变量和为隐变量，而为可观测。
在一般情况下，考虑包括主车辆在内的N个车辆。
为了简化符号，以指数的形式表示N个车辆的变量的结合：
每个Xn与一车辆n相关联。
时间t的给定状态向量被定义为θt＝(Et,It,Φt)，其中，针对各变量和考虑可能值。
可以如下定义联合分布：
这对应于将通过期望动作增大的和关联的经典马尔科夫状态空间模型，期望动作由先前的情境背景(It-1Φt-1)导出，并对预期动作造成影响。
通过一组被称为粒子的加权样本来对隐变量It、Et和Φt的概率密度函数求近似，各粒子与给定状态θt相关联。
在时间t，Np个粒子的集合被表示为(其中，例如Np＝400)：
{Hi,t,wi,t}i＝1:Np，其中，Hi,t＝(ItEtΦt)为粒子i在时间t的状态，wi,t为粒子i在时间t的权重。
从t0时起，考虑针对所有车辆观测的信息，在时间Tc与时间Tc+Th之间的碰撞概率被计算为驾驶员的意图与期望的意图不同的概率：
通过使用粒子滤波器，能够通过对验证条件的当前粒子j的权重求和，来计算以上在公式(Eq 8)中定义的碰撞概率：
在步骤72中使用公式(Eq 9)，来计算被赋予直到当前时间Tc收集的信息的碰撞概率。
为了考虑到概率性附加信息来计算附加信息的概率分布以及碰撞概率，描述的概率性运动模型的使用如下。
能够在两个步骤中计算当前时间Tc与之后时间Tl之间的未来观测值的概率分布。第一个步骤是在粒子滤波器中执行预测步骤，以获得概率分布θt+1。
第二个步骤是使用输入模块22的传感器的模型P(Zθ)来计算将被观测的附加信息zTl的概率分布。针对考虑的各车辆执行该计算，因此完成计算步骤52。以每个粒子一个可能的观测值的方式，来获得第一和第二附加信息的概率分布。
接下来，首先通过利用各粒子的观测值zTl来更新粒子滤波器，来计算之后时间Tl的碰撞概率。
其次，以与上述计算类似的方式，通过对验证条件的粒子k的权重求和，来计算碰撞概率。
在该第一实施例的步骤76中，使用公式(Eq 10)来计算碰撞概率的评估。
还使用概率性DBN运动模型，来计算在第二决策值V2的计算中使用的当前时刻Tc和之后时刻Tl的碰撞回避的概率PA(Tc)和PA(Tl)。
首先，时刻t的碰撞时间TTC(t)被定义为，如果主车辆2与其他车辆4继续在相同路线并以相同速度(即在相同轨迹上)行驶，直到在主车辆2与其他车辆4之间发生碰撞为止剩余的时间。可以在当前时刻Tc针对给定状态θTc，计算碰撞时间TTC(Tc)。
此外，还可以在保留相同轨迹(即，相同路线和相同速度)的假设的同时，在当前时间计算之后时刻Tl的碰撞时间TTC(Tl)。
时刻t的停止时间TTS(t)被定义为，当在时间t触发碰撞回避系统时，主车辆达到完全停止所需的时间。停止时间TTS(t)取决于碰撞回避系统实现的干预的类型。
如果碰撞回避系统触发了自动制动，则例如停止时间的计算如下：
其中，st是主车辆在时间t的速度，δ是由碰撞回避系统施加的减速度，例如δ＝7m/s2，并且Tm是平均制动系统响应，例如Tm＝0,4s(秒)。
如果碰撞回避系统触发了用于警告驾驶员的警报，则也必须考虑驾驶员的反应时间，并且可以将停止时间评估为：
其中，Tr是驾驶员的平均反应时间，例如Tr＝1.4s(秒)。
然后使用公式(Eq 12)来计算当前时刻Tc的停止时间TTS(Tc)、以及之后时刻Tl的停止时间TTS(Tl)。
为了计算TTS(Tl)，考虑到车辆继续在相同轨迹上行驶，根据当前时刻Tc的主车辆速度来预测之后时刻Tl的主车辆速度。
在实施例中，假定速度保持恒定，使得sTl＝sTc。
在可替换实施例中，使用当前时间的主车辆的减速度水平来预测之后时刻Tl的车辆速度。
在本发明的实施例中，通过针对各粒子计算TTC(Tc)和TTS(Tc)的值，并通过对验证条件i:(TTC(Tc)>TTS(Tc))的当前粒子i的权重求和，来计算通过在当前时刻Tc触发碰撞回避系统能够避免碰撞的概率PA(Tc)。
在本发明的实施例中，通过针对各粒子计算TTC(Tl)和TTS(Tl)的值，并通过对验证条件j:(TTC(Tl>TTS(Tl))的当前粒子j的权重求和，来计算通过在之后时刻Tl触发碰撞回避系统能够避免碰撞的概率PA(Tl)。
然后，如参照步骤94所指示，通过将通过应用公式(Eq 13)和(Eq 14)所获得的值相减，来计算第二决策值。
根据本发明的第二实施例，使用另一非贝叶斯交通模型来执行步骤52、72、76、90和92的概率评估。
N.Saunier等人在2007年的IEEE智能运输系统会议中公布的文章“ProbabilisticCollision Prediction for Vision-Based Automated Road Safety Analysis(用于基于视觉的自动道路安全分析的概率性碰撞预测)”中提出的交通模型得到采用。
在该第二实施例中，在给定时刻T的两个车辆之间的碰撞概率基于各种外推假设。针对包括主车辆和附近的其他车辆的道路状况，针对各车辆，基于直到当前时刻Tc的观测信息，获得一组外推假设。在之前的学习阶段获得外推假设及其相关概率。
然后，使用以下公式，在当前时刻Tc计算时间Tc与Tc+Th之间的碰撞概率：
其中，Qi表示针对主车辆的一组外推假设，Qj是针对其他车辆的一组外推假设，Δi,j＝ti,j-Tc，其中ti,j是在外推假设为Qi、Qj的情况下，主车辆与其他车辆之间的碰撞的预测时间，σ是恒定值，例如被选择为等于平均用户反应时间Tr。
在该第二实施例的步骤72中，使用公式(Eq 15)来计算碰撞概率的评估。
根据外推假设的学习概率，来计算要在当前时刻Tc与之后时刻Tl之间获得的附加信息的概率，一组附加信息对应于各外推假设。
基于直到当前时刻Tc的观测信息的各车辆的外推假设，能够被延长到之后时刻Tl，从而以与当前时间Tc的碰撞概率的计算类似的方式计算之后时间Tl的碰撞概率。
因此，公式(Eq 15)适于计算步骤76的之后时刻Tl的碰撞概率。
最后，针对各外推假设，例如通过假定所有车辆保持速度恒定，来计算当前时间Tc和之后时间Tl的碰撞回避概率，并且随后计算碰撞回避的各概率。
有利地，本发明提供了一种用于根据于要在当前时刻与之后时刻之间获取的附加信息，来延迟干预决策的方法。

Claims (9)

1.一种驾驶辅助的方法，所述方法用于协助驾驶员安全驾驶称为主车辆(2)的车辆，所述方法通过所述主车辆(2)的车载处理器来实现，所述主车辆(2)包括用于获得与所述主车辆(2)的轨迹有关的第一信息的装置(28、30)和用于获得与所述主车辆(2)附近的至少一个其他车辆(4)的轨迹有关的第二信息的装置(32)，所述第一信息和所述第二信息在规定的时刻获得，所述方法包括碰撞风险评估和触发碰撞回避系统(60、62)的干预，其特征在于，所述方法包括干预决策的步骤(51)，所述步骤(51)适于根据在当前时刻与之后时刻之间获取的附加第一信息和附加第二信息，来决定是在所述当前时刻触发所述碰撞回避系统的干预，还是将所述干预决策延迟到所述之后时刻，
所述干预决策考虑第一期望决策成本和第二期望决策成本，以确保延迟有可能降低非必要干预的概率，所述第一期望决策成本基于直到所述当前时刻为止获取的第一信息和第二信息，所述第二期望决策成本使用要在所述当前时刻与所述之后时刻之间获取的所述附加第一信息和所述附加第二信息的概率来计算，
其中，所述干预决策的步骤包括：
a)基于所述附加第一信息和所述附加第二信息来计算第一决策值(54)，
b)在所述之后时刻触发所述碰撞回避系统的情况下，基于避免所述主车辆与所述至少一个其他车辆之间的碰撞的概率来计算第二决策值(56)，
c)基于所述第一决策值验证第一决策标准，并基于所述第二决策值验证第二决策标准(58)，其中，所述第一决策标准被设计为确保所述干预决策的延迟有可能降低非必要干预的概率，所述第二决策标准被设计为确保所述干预决策的延迟不会改变所述主车辆在安全方面的状况，以及
d)基于所述验证的结果，决定是在所述当前时刻触发所述碰撞回避系统(60、62)，还是延迟所述干预决策(60、62)(58)。
2.根据权利要求1所述的方法，其中，在决定延迟所述干预决策的情况下，在所述之后时刻重复步骤a)至d)。
3.根据权利要求1所述的方法，其中，所述第一决策值被设置为所述第一期望决策成本与所述第二期望决策成本之间的差。
4.根据权利要求3所述的方法，其中，计算所述第一决策值的步骤(54)包括：
计算在所述当前时刻所述主车辆(2)与所述至少一个其他车辆(4)之间的碰撞概率(72)，
基于所计算的碰撞概率来计算所述第一期望决策成本(74)。
5.根据权利要求4所述的方法，其中，计算所述第一决策值的步骤(54)还包括：
计算在所述之后时刻所述主车辆(2)与所述至少一个其他车辆(4)之间的评估碰撞概率(76)，
使用与要在所述当前时刻与所述之后时刻之间获取的所述附加第一信息和所述附加第二信息相关联的概率、基于在所述之后时刻所述主车辆(2)与所述至少一个其他车辆(4)之间的所述评估碰撞概率，计算所述第二期望决策成本(78)。
6.根据权利要求5所述的方法，其中，为了计算在所述当前时刻的碰撞概率(72)以及计算在所述之后时刻的评估碰撞概率(76)，通过动态贝叶斯网络来对所述主车辆以及所述至少一个其他车辆的联合运动建模。
7.根据权利要求2至6中的任一项所述的方法，其中，所述第二决策值被设置为在所述当前时刻通过所述碰撞回避系统的干预避免碰撞的概率、与在所述之后时刻通过所述碰撞回避系统的干预避免碰撞的概率之间的差。
8.根据权利要求1至6中任一项所述的方法，其中，所述第一信息是表示所述主车辆(2)在开始时刻与所述当前时刻之间定期采样的各时刻的位置、朝向和速度的数据的向量，并且所述第二信息是表示所述至少一个其他车辆(4)在开始时刻与所述当前时刻之间定期采样的各时刻的位置、朝向和速度的数据的向量。
9.一种驾驶辅助的系统，所述系统用于协助驾驶员安全驾驶称为主车辆(2)的车辆，所述系统包括配备有车载处理单元的所述主车辆，所述主车辆(2)包括用于获得与所述主车辆(2)的轨迹有关的第一信息的装置(28、30)和用于获得与所述主车辆(2)附近的至少一个其他车辆(4)的轨迹有关的第二信息的装置(32)，所述第一信息和所述第二信息在规定的时刻获得，所述车载处理单元包括碰撞风险评估单元和决策单元，所述决策单元适于触发碰撞回避系统(60、62)的干预，
其特征在于，所述系统还包括用于干预决策的装置，该装置适于根据要在当前时刻与之后时刻之间获取的附加第一信息和附加第二信息，来决定是在所述当前时刻触发所述碰撞回避系统的干预，还是将所述干预决策延迟到所述之后时刻，
所述干预决策考虑第一期望决策成本和第二期望决策成本，以确保延迟有可能降低非必要干预的概率，所述第一期望决策成本基于直到所述当前时刻为止获取的第一信息和第二信息，所述第二期望决策成本使用要在所述当前时刻与所述之后时刻之间获取的所述附加第一信息和所述附加第二信息的概率来计算，
该用于干预决策的装置还适于：
基于所述附加第一信息和所述附加第二信息来计算第一决策值，
在所述之后时刻触发所述碰撞回避系统的情况下，基于避免所述主车辆与所述至少一个其他车辆之间的碰撞的概率来计算第二决策值，
基于所述第一决策值验证第一决策标准，并基于所述第二决策值验证第二决策标准，其中，所述第一决策标准被设计为确保所述干预决策的延迟有可能降低非必要干预的概率，所述第二决策标准被设计为确保所述干预决策的延迟不会改变所述主车辆在安全方面的状况，以及
基于所述验证的结果，决定是在所述当前时刻触发所述碰撞回避系统(60、62)，还是延迟所述干预决策(60、62)。
CN201480060323.8A 2013-10-31 2014-10-24 用于碰撞回避的驾驶辅助方法和系统 Active CN106133805B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP13306495.6A EP2869283B1 (en) 2013-10-31 2013-10-31 Method and system of driving assistance for collision avoidance
EP13306495.6 2013-10-31
PCT/EP2014/072908 WO2015062994A1 (en) 2013-10-31 2014-10-24 Method and system of driving assistance for collision avoidance

Publications (2)

Publication Number Publication Date
CN106133805A CN106133805A (zh) 2016-11-16
CN106133805B true CN106133805B (zh) 2019-01-11

Family

ID=49585335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480060323.8A Active CN106133805B (zh) 2013-10-31 2014-10-24 用于碰撞回避的驾驶辅助方法和系统

Country Status (6)

Country Link
US (1) US9779624B2 (zh)
EP (1) EP2869283B1 (zh)
JP (1) JP2016536731A (zh)
KR (1) KR102231013B1 (zh)
CN (1) CN106133805B (zh)
WO (1) WO2015062994A1 (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9784592B2 (en) * 2015-07-17 2017-10-10 Honda Motor Co., Ltd. Turn predictions
CN105761548B (zh) * 2016-04-14 2018-03-06 西安电子科技大学 基于动态贝叶斯网络的交叉路口碰撞避免方法
EP3805889A1 (en) * 2016-12-23 2021-04-14 Mobileye Vision Technologies Ltd. Navigational system monitoring host and target vehicle behaviour
CN109741632A (zh) * 2017-01-06 2019-05-10 一汽-大众汽车有限公司 一种车辆辅助行驶方法和装置
CN108860143B (zh) * 2017-05-12 2020-06-16 法雷奥汽车内部控制（深圳）有限公司 用于控制自动驾驶的车辆的方法和车辆控制系统
DE102017208386A1 (de) * 2017-05-18 2018-11-22 Ford Global Technologies, Llc Verfahren zum unterstützenden Steuern eines Fahrzeugs, Assistenzsystem sowie Fahrzeug
US11897498B2 (en) * 2018-02-15 2024-02-13 Toyota Motor Europe Control method for a vehicle, computer program, non-transitory computer readable medium, and automated driving system
DE102018208105B3 (de) 2018-05-23 2019-03-21 Volkswagen Aktiengesellschaft Verfahren zum Unterstützen eines Führens wenigstens eines Kraftfahrzeugs und Assistenzsystem
CN109034448B (zh) * 2018-06-14 2022-02-11 重庆邮电大学 基于车辆轨迹语义分析和深度信念网络的轨迹预测方法
CN111192479B (zh) * 2018-11-14 2022-09-27 奥迪股份公司 消息推送方法、装置、计算机设备和存储介质
US11577753B2 (en) 2019-05-30 2023-02-14 Robert Bosch Gmbh Safety architecture for control of autonomous vehicle
CN112116809A (zh) * 2020-09-07 2020-12-22 杭州鸿泉物联网技术股份有限公司 基于v2x技术的非视距车辆防碰撞方法及装置
US11921506B2 (en) * 2021-05-28 2024-03-05 Nissan North America, Inc. Belief state determination for real-time decision-making
CN114326725B (zh) * 2021-12-23 2023-10-24 武汉理工大学 面向人机交互的船舶智能避碰方法及系统
CN114662967B (zh) * 2022-04-07 2023-04-07 西南交通大学 基于动态贝叶斯网络的无人驾驶碰撞风险评估方法及系统
CN116704747A (zh) * 2022-12-29 2023-09-05 摩斯智联科技有限公司 一种基于边缘计算判定车辆事故并风控的系统
CN117076816A (zh) * 2023-07-19 2023-11-17 清华大学 响应预测方法、装置、计算机设备、存储介质和程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1782736A (zh) * 2004-08-09 2006-06-07 M/A-Com公司 检测迫近碰撞的系统和方法
CN101681562A (zh) * 2007-06-20 2010-03-24 丰田自动车株式会社 车辆行驶轨迹推定装置
CN102328656A (zh) * 2010-06-15 2012-01-25 通用汽车环球科技运作有限责任公司 用于车辆的碰撞评估的方法和系统
CN102695637A (zh) * 2009-08-31 2012-09-26 丰田自动车欧洲股份有限公司 车辆或交通流量控制方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3867505B2 (ja) * 2001-03-19 2007-01-10 日産自動車株式会社 障害物検出装置
JP3896852B2 (ja) * 2002-01-16 2007-03-22 株式会社デンソー 車両用衝突被害軽減装置
DE10257842A1 (de) * 2002-05-07 2003-11-27 Bosch Gmbh Robert Verfahren zur Bestimmung einer Unfallgefahr eines ersten Objekts mit wenigstens einem zweiten Objekt
US7710248B2 (en) * 2007-06-12 2010-05-04 Palo Alto Research Center Incorporated Human-machine-interface (HMI) customization based on collision assessments
JP5035040B2 (ja) * 2008-03-12 2012-09-26 株式会社豊田中央研究所 運転支援装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1782736A (zh) * 2004-08-09 2006-06-07 M/A-Com公司 检测迫近碰撞的系统和方法
CN101681562A (zh) * 2007-06-20 2010-03-24 丰田自动车株式会社 车辆行驶轨迹推定装置
CN102695637A (zh) * 2009-08-31 2012-09-26 丰田自动车欧洲股份有限公司 车辆或交通流量控制方法和系统
CN102328656A (zh) * 2010-06-15 2012-01-25 通用汽车环球科技运作有限责任公司 用于车辆的碰撞评估的方法和系统

Also Published As

Publication number Publication date
WO2015062994A1 (en) 2015-05-07
US20160275797A1 (en) 2016-09-22
EP2869283A1 (en) 2015-05-06
EP2869283B1 (en) 2017-08-16
JP2016536731A (ja) 2016-11-24
KR20160075607A (ko) 2016-06-29
US9779624B2 (en) 2017-10-03
CN106133805A (zh) 2016-11-16
KR102231013B1 (ko) 2021-03-23

Similar Documents

Publication Publication Date Title
CN106133805B (zh) 用于碰撞回避的驾驶辅助方法和系统
JP6800899B2 (ja) 視界に制限のある交差点への接近のためのリスクベースの運転者支援
Shalev-Shwartz et al. On a formal model of safe and scalable self-driving cars
US11967230B2 (en) System and method for using V2X and sensor data
CN103158705B (zh) 用于控制本车的方法和系统
JP5938569B2 (ja) 方位情報を考慮する高度運転者支援システム、及びその動作方法
CN108932869A (zh) 车辆系统、车辆信息处理方法、记录介质、交通系统、基础设施系统及信息处理方法
US11003925B2 (en) Event prediction system, event prediction method, program, and recording medium having same recorded therein
CN108615407A (zh) 用于防止行人碰撞事故的设备及方法
Rummelhard et al. Probabilistic grid-based collision risk prediction for driving application
CN111688681B (zh) 用于执行对在车辆旁的人员的反应的方法
CN112389392B (zh) 车辆主动制动方法、装置、设备及存储介质
CN104325931A (zh) 车辆碰撞防止装置及其方法
JP2022532941A (ja) 車両信号を処理して挙動危険性の測度を計算するための装置及び方法
WO2023179494A1 (zh) 危险预警的方法、装置和车辆
CN113335311B (zh) 一种车辆碰撞检测方法、装置、车辆及存储介质
Sandblom et al. Probabilistic threat assessment and driver modeling in collision avoidance systems
US11267465B1 (en) Enhanced threat assessment
Zeng et al. Novel vehicle crash risk detection based on vehicular sensory system
Sumaryo et al. A Model for Accelerating Discharge of Lane Traffic to Facilitate Intersection Access by EVs
Dabbour et al. Technology-independent algorithm for collision warning system at semi-controlled intersections
김태우 Robust Autonomous Emergency Braking System for Vulnerable Road Users
Peng et al. A Multi-Sensory Approach for Comprehensive Detection and Warning of Vehicle Collision Risk

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