CN108305478A - 用于避免与公共汽车发生干扰的系统和方法 - Google Patents

用于避免与公共汽车发生干扰的系统和方法 Download PDF

Info

Publication number
CN108305478A
CN108305478A CN201810010098.7A CN201810010098A CN108305478A CN 108305478 A CN108305478 A CN 108305478A CN 201810010098 A CN201810010098 A CN 201810010098A CN 108305478 A CN108305478 A CN 108305478A
Authority
CN
China
Prior art keywords
bus
sensor
autonomous vehicle
information
neural network
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.)
Withdrawn
Application number
CN201810010098.7A
Other languages
English (en)
Inventor
马里亚姆·穆萨埃
吉内什·J·杰恩
哈珀丽特辛格·班瓦伊特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies 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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN108305478A publication Critical patent/CN108305478A/zh
Withdrawn legal-status Critical Current

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • G08G1/162—Decentralised systems, e.g. inter-vehicle communication event-triggered
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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
    • B60W2754/00—Output or target parameters relating to objects
    • B60W2754/10—Spatial relation or speed relative to objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)

Abstract

一种避免与公共汽车发生干扰的方法。该方法包括探测公共汽车并且从公共汽车获得图像数据(如显示在公共汽车上的信息)。对公共汽车图像进行训练的深度神经网络可以处理该信息以将该公共汽车与公共汽车路线和停靠位置相关联。还可以获得对应于停靠位置的地图数据并且该地图数据用于响应于公共汽车与停靠位置的接近度而启动车道变换或安全响应。本文还公开并且要求保护相应的系统和计算机程序产品。

Description

用于避免与公共汽车发生干扰的系统和方法
技术领域
本发明涉及车辆导航系统。
背景技术
现代交通系统以最小的花费和环境影响为通勤者提供便利交通的方式提供了大量的公共服务。在大多数的中等城市与大城市中，公共汽车运输使乘客几乎能够在步行距离内确定目的地。由于公共汽车按预定的时间表以预定的停靠站运行，所以通勤者可以安排他们的行程，并且保证他们能按时到达目的地。此外，公共汽车系统力求通过在密集使用期间增加公共汽车的频率来满足需求。
尽管对整个社会来说是一个福利，但公共汽车却常常被恰好在公共汽车后面遭受交通堵塞的倒霉的驾驶员讨厌。细心的驾驶员可能会知道公共汽车停靠站的位置，并且试图预测公共汽车的活动，以避开不必要的缓行和干扰。好的驾驶员在接近停靠的公共汽车时还要格外小心，以避免行人问题。
尽管仍处于发展中，自主车辆预期为提供对传统交通方式的安全和方便的替代方案。然而，像其他交通方式一样，与自主车辆使用相关的效率可能取决于自主车辆预测和避开包括公共汽车和行人在内的障碍物和其他交通堵塞源的能力。
因此，需要用于自主车辆自动探测和避免与公共汽车发生干扰的系统和方法。理想情况下，这样的系统和方法将使自主车辆能够区分不同类型的公共汽车(包括公众公共汽车(public buses)、私人公共汽车(private buses)、班车(shuttle buses)和校车)，以确定适当的躲避策略。这样的系统和方法也可以预料沿着公共汽车路线的公共汽车停靠站，以提高在公共汽车周围驾驶的安全性并且避开行人。
发明内容
根据本发明，提供一种方法，该方法包含：
探测公共汽车；
从公共汽车获得图像数据，图像数据包括显示在公共汽车上的信息；
通过深度神经网络处理信息，以将公共汽车与具有至少一个停靠站的路线相关联；
获取与至少一个停靠站对应的地图数据；和
响应于公共汽车与停靠站的接近度，而启动车道变换与安全响应中的至少一个。
根据本发明的一个实施例，其中探测公共汽车还包含通过深度神经网络来识别对应于公共汽车的公共汽车类型。
根据本发明的一个实施例，其中公共汽车类型是从由公众运输公共汽车、私人特许公共汽车、班车和校车组成的组中选择的。
根据本发明的一个实施例，其中探测公共汽车还包含处理来自至少一个传感器的数据。
根据本发明的一个实施例，其中至少一个传感器是从由摄像机传感器、激光雷达传感器、雷达传感器、GPS传感器和超声波传感器组成的组中选择的。
根据本发明的一个实施例，其中至少一个传感器连接到自主车辆。
根据本发明的一个实施例，其中获得图像数据包含从摄像机收集图像数据。
根据本发明的一个实施例，其中深度神经网络被从由公共汽车代码、公共汽车号码、路线描述和牌照号码组成的组中选择的至少一个图像进行训练。
根据本发明，提供一种系统，该系统包含：
至少一个处理器；和
至少一个存储器装置，至少一个存储器装置连接到至少一个处理器并且存储用于在至少一个处理器上执行的指令，指令使至少一个处理器执行以下步骤：
探测公共汽车；
从公共汽车获得图像数据，图像数据包括显示在公共汽车上的信息；
通过深度神经网络处理信息，以将公共汽车与具有至少一个停靠站的路线相关联；
获取与至少一个停靠站对应的地图数据；和
响应于公共汽车与停靠站的接近度，而启动车道变换与安全响应中的至少一个。
根据本发明的一个实施例，其中探测公共汽车还包含通过深度神经网络识别与公共汽车相对应的公共汽车类型。
根据本发明的一个实施例，其中公共汽车类型是从由公众运输公共汽车、私人特许公共汽车、班车和校车组成的组中选择的。
根据本发明的一个实施例，其中探测公共汽车还包含处理来自至少一个传感器的数据。
根据本发明的一个实施例，其中至少一个传感器是从由摄像机传感器、激光雷达传感器、雷达传感器、GPS传感器和超声波传感器组成的组中选择的。
根据本发明的一个实施例，其中至少一个传感器连接到自主车辆。
根据本发明的一个实施例，其中获得图像数据包含从摄像机收集图像数据。
根据本发明的一个实施例，其中深度神经网络被从由公共汽车代码、公共汽车号码、路线描述和牌照号码组成的组中选择的至少一个图像进行训练。
根据本发明，提供一种用于避开来自公共汽车的交通干扰的计算机程序产品，计算机程序产品包含其中含有计算机可用程序代码的计算机可读存储介质，计算机可用程序代码配置为当由至少一个处理器执行时执行以下步骤：
(1)探测公共汽车；
(2)从公共汽车获得图像数据，图像数据包括显示在公共汽车上的信息；
(3)通过深度神经网络处理信息，以将公共汽车与具有至少一个停靠站的路线相关联；
(4)获取与至少一个停靠站相对应的地图数据；和
(5)响应于公共汽车与停靠站的接近度，而启动车道变换与安全响应中的至少一个。
根据本发明的一个实施例，其中探测公共汽车还包含通过深度神经网络识别对应于公共汽车的公共汽车类型。
根据本发明的一个实施例，其中探测公共汽车还包含处理来自至少一个传感器的数据。
根据本发明的一个实施例，其中至少一个传感器是从由摄像机传感器、激光雷达传感器、雷达传感器、GPS传感器和超声波传感器组成的组中选择的。
附图说明
为了容易理解本发明的优点，将通过参考附图中示出的具体实施例来呈现上面简要描述的本发明的更具体的描述。应当理解，这些附图仅示出了本发明的典型实施例，并且因此不被认为是对本发明范围的限制，本发明将通过使用附图以更多的特征和细节来进行描述和解释，其中：
图1是根据本发明的自主车辆和公共汽车的高级示意图；
图2示出了根据本发明的某些实施例的用于提供系统的各种特征和功能的模块；
图3是根据本发明的公共汽车的一个实施例的正面透视图；
图4是图3中示出的公共汽车的后部透视图；
图5是示出根据本发明的用于躲避公共汽车的系统的一个实施例的地图的俯视图；
图6是示出根据本发明的用于躲避公共汽车的系统的第二实施例的地图的俯视图；和
图7是示出根据本发明的某些实施例的用于躲避公共汽车的过程的流程图。
具体实施方式
参考图1，在交通网道中成功地驾驶车辆需要理解和认识周围的车辆和环境条件。通过训练和经验，人类驾驶员通常在得到驾驶执照以独立驾驶之前，要获得以可接受的熟练水平来驾驶交通工具所需的技能。随着在公共道路上出现越来越多的自主车辆，自主车辆也需要能够安全有效地行驶于公共道路并且避开包括公共汽车在内的障碍物和其他交通工具。
自主车辆的特性需要使用各种车辆传感器对周围环境条件进行几乎持续的监视。尽管这些传感器可以向车辆提供导航交通通常所需的信息，但是当前的自主车辆可能没有足够的能力将公共汽车与其他不同类型的车辆交通区分开来并且选择合适的车辆响应。根据本发明的系统和方法解决了这个问题，并且更具体地，便于自主车辆能够安全地识别和区分各种类型的公共汽车，并且适当地避开它们。
具体而言，如图1所示，在某些实施例中，可以提供自主或半自主车辆100以将人员或货物运送到各个位置并且在很少或不需要人为干预的情况下导航道路和交通。在该运输过程中，自主车辆100可能需要避开如其他车辆、人员、动物、危险物等的各种障碍物。也可能是有利的是来避开可能减慢或阻碍自主车辆100前进的物体。例如，提供大众运输的公共汽车104或其他车辆已知经常停车并且阻碍其后面的其他车辆前进。在某些情况下，法律可能会禁止在公共汽车104停车来接送乘客后超过公共汽车104。自主车辆100一旦卡在公共汽车104的后面，可能难以导航绕过公共汽车104或者并入其他车道中的交通。因此，将是有利的是能够预测公共汽车104的停车并且在公共汽车104减速或停车之前导航绕过或避开公共汽车104。
在某些实施例中，根据本发明的自主车辆100可以包括辅助自主车辆躲避公共汽车104或其他大众交通车辆的公共汽车躲避模块102。公共汽车躲避模块102可以与关联于自主车辆100的各种传感器106交互以探测和识别接近自主车辆100的公共汽车104。这些传感器106可以包括例如摄像机传感器、激光雷达传感器、雷达传感器、超声波传感器等。
一旦识别公共汽车104，公共汽车躲避模块102可以检索与公共汽车104相关联的路线数据，以确定公共汽车104可能停车来让乘客上下车的位置。理想地，这将使自主车辆100能够在公共汽车104停车或开始减速之前导航绕过或以其他方式避开公共汽车104。可选地，公共汽车躲避模块102可识别在其行驶的道路上即将出现的公共汽车停靠站，并且在公共汽车104到达停靠站之前导航绕过或以其他方式避开公共汽车104。将参考图2更详细地讨论公共汽车躲避模块102的功能。
现在参考图2，以上讨论的公共汽车躲避模块102可以包括提供各种特征和功能的各种子模块。可以以硬件、软件、固件或其组合来实现公共汽车躲避模块102和相关联的子模块。如图所示，公共汽车躲避模块102可以包括学习模块200、探测模块202、识别模块204、路线检索模块206、定位模块208、决策模块210、躲避模块212和安全响应模块214中的一个或多个。公共汽车躲避模块102内的子模块是作为示例提供的，并非旨在表示可包括在公共汽车躲避模块102内的子模块的详尽列表。公共汽车躲避模块102可以相比图示子模块包括更多或更少的子模块，或者子模块可以不同地编组。例如，子模块的功能可以被划分成多个子模块，或者多个子模块的功能可以被组合成单个子模块。
在某些实施例中，学习模块200可以接收表示各种类型的公共汽车(例如公众或城市公共汽车、私人或特许公共汽车、班车、校车等)的图像输入数据。学习模块200可以利用深度神经网络或类似的深度学习体系结构来处理图像输入数据并且将公共汽车104与其他类型的车辆区分开，并且识别“公共汽车”的总体类别内的公共汽车104的不同类型。
学习模块200还可以接收显示在公共汽车104上的信息(如公共汽车号码和代码、路线号码、路线描述和/或对外部环境可见的牌照)的各种图像输入数据。在一些实施例中，该信息可以显示在公共汽车104的外部或通过公共汽车104的内部的一个或多个窗口或挡风玻璃可见的LED显示器或屏幕上。在其他实施例中，这样的信息可以以其他方式打印或电子地显示在公共汽车104上。学习模块200可将该信息输入到深度神经网络或其他深度学习体系结构中，以训练本发明的实施例来识别所显示的信息并且根据需要将该信息与其他数据相互关联。
探测模块202可以利用从与自主车辆100相关联的传感器106收集的数据来探测公共汽车104。如前所述，来自与自主车辆100相关联的传感器106的数据可以包括图像数据、激光雷达数据、雷达数据、超声波数据等。探测模块202还可以探测显示在公共汽车104的外部的识别信息，例如公共汽车号码或代码、路线号码和/或路线描述。
识别模块204可以接收由探测模块202探测到的信息并且通过深度神经网络处理数据，例如来识别公共汽车104并且将其与周围环境中的其他类型的车辆区分开。识别模块204还可以接收显示在公共汽车104的外部并且由探测模块202探测到的识别信息。识别模块204可以利用深度学习体系结构来识别识别信息的内容并且将其识别为公共汽车号码或代码、路线号码、路线描述等。
在一些实施例中，例如，路线检索模块206可以从服务器或云平台检索与识别的公共汽车104相关联的路线信息。路线信息可以包括预计的时间和公共汽车104停靠站的位置，以及预期的行驶路线。路线检索模块206可以将路线信息与公共汽车104配对，以助于根据预定的公共汽车104活动来进行适当的车辆响应。
定位模块208可利用从各种车辆传感器106收集的信息来确定自主车辆100相对于公共汽车104的位置，以及确定自主车辆100在地图上的地理位置。例如，定位模块208可访问全球定位系统(GPS)数据以精确定位对应于自主车辆100的地理坐标，以及确定自主车辆100相对于道路、公共汽车104路线、公共汽车104停靠站和周边环境的其他地图数据和特征的位置。定位模块208可以结合决策模块210进行操作，以评估自主车辆100为避免与公共汽车104发生干扰而可以采取的行动路线。
在一个实施例中，例如，决策模块210可以确定公共汽车104是否正在接近公共汽车104停靠站。决策模块210还可以确定自主车辆100与公共汽车104之间的距离，并且在一些实施例中，确定公共汽车104与公共汽车104停靠站之间的距离。在一些实施例中，决策模块210可以与自主车辆100的传感器106通信以确定这样的距离，以及评估周围环境的其他状况。
在一个实施例中，例如，从与自主车辆100相关联的摄像机和/或雷达传感器106收集的数据可以指示相邻车道中的交通拥挤。决策模块210可以使用该信息来选择性地排除将变换车道作为用于使自主车辆100避免与公共汽车104发生干扰的其他适当的行动路线。
躲避模块212可以与决策模块210进行通信以启动由决策模块210推荐的行动路线。在一个实施例中，例如，决策模块210可以确定自主车辆100与公共汽车104之间有足够的距离，和稀疏的周围交通。决策模块210因此可以通过变换车道来确定自主车辆100可以安全地超过公共汽车104。作为响应，躲避模块212可以执行车道变换算法以启动车道变换。
在另一个实施例中，例如在自主车辆100与公共汽车104之间的距离不足或者自主车辆100正在接近十字路口的情况下，躲避模块212可以在启动车道变换之前使自主车辆100减慢。在其他实施例中，躲避模块212可以启动替代的行驶路线以允许自主车辆100避开公共汽车104。
安全响应模块214还可以与决策模块210和/或躲避模块212进行通信，以启动安全响应，例如在遭遇行人交通或者其他潜在安全问题的可能性增加的情况下激活自主车辆100的制动器。
在一个实施例中，例如，决策模块210可以确定自主车辆100紧邻公共汽车104，并且公共汽车104正在快速接近公共汽车104停靠站。结果是，自主车辆100可能遇到行人的可能性很高，并且可能需要减速到停靠站。相应地，安全响应模块214可以立即降低自主车辆100的速度以使自主车辆100与公共汽车104之间产生距离。安全响应模块214可以在自主车辆100和公共汽车104接近公共汽车104停靠站时使自主车辆100保持该距离并且增强警惕。在一些实施例中，安全响应模块214还可以启动行人探测算法以便于及时探测和避开紧邻的行人。
现在参考图3和图4，根据本发明实施例的自主车辆100可以结合各种传感器106利用一个或多个计算机视觉技术来探测和识别各种类型的公共汽车和伴随的识别标记。在某些实施例中，例如，自主车辆100可以配备有配置为探测周围环境(包括其他车辆)的特征的传感器106。如前所述，传感器106可以包括配置为收集图像数据的摄像机传感器、雷达传感器、激光雷达传感器、超声波传感器、以及其他这种传感器106。
可以接收用于与自主车辆100相关联的处理器进行后续处理的图像数据。处理器可以利用深度神经网络或其他类似的体系结构来识别在公共汽车104上显示的识别标记。在一些实施例中，例如，处理器可以利用对公共汽车104代码、公共汽车104号码、公共汽车104号牌等的图像进行训练的深度神经网络来识别显示在公共汽车104上的识别信息。
在一个实施例中，如图3所示，与自主车辆100相关联的一个或多个传感器106可以在公共汽车104的前端300对于自主车辆100可见的情况下探测十字路口处的公共汽车104。这可能例如发生在公共汽车104正在转向到与自主车辆100正在行驶的相同道路处。传感器106可以收集包含公共汽车104的测量值和比例的图像数据和其他数据。该信息可以由与自主车辆100相关联的处理器接收，并且训练成将公共汽车104与小型汽车和其他车辆交通区分开来。处理器还可以将公共汽车104识别为包括公众公共汽车、私人公共汽车、班车、校车等的几种公共汽车类型中的一个。
自主车辆100的传感器106可以与各种计算机视觉技术结合使用，以将从公共汽车104的外部显示或以其他方式可见的识别信息作为目标。这种识别信息可以例如包括印刷标牌、数字标牌、或其他标牌308。如图所示，标牌308可以包括如公共汽车104或路线描述信息302、公共汽车104代码信息304、公共汽车104号码或牌照信息306等的信息。该信息可以被自主车辆100的处理器接收，该处理器被训练成分析和识别由标牌308显示的识别信息。
在其他实施例中，如图4所示，与自主车辆100相关联的一个或多个传感器106可以探测到直接或间接地行驶在自主车辆100之前的公共汽车104。在这种情况下，公共汽车104的后端400对于自主车辆100可以是可见的。公共汽车104的后端400可以包含包括印刷标牌、数字标牌或其他标牌308的识别标记。如图所示，这种标牌308可以包括公共汽车104代码信息304或公共汽车104牌照信息306。然而，在其他实施例中，标牌308还可以包括公共汽车104描述信息302或者本领域技术人员已知的任何其他识别标记。
不论怎样，传感器106可以结合自主车辆100的处理器所使用的计算机视觉技术来实现，并且具体地结合由自主车辆100处理器和/或位于外部的服务器或处理器(如云服务器等)所实现的深度神经网络来实现，以捕获、处理和识别该信息。
现在参考图5，自主车辆100可以与服务器或云数据库通信以检索与来自公共汽车104的识别标记相关联的路线信息。路线信息可以例如包括预期的行驶路线、公共汽车104停靠站504、和与公共汽车104行驶相关的停靠站504次数。自主车辆100还可以从与自主车辆100相关联的GPS和其他传感器106收集位置数据。可以将该位置数据与路线信息相关联以生成可以用于预测公共汽车104行为并且预测当公共汽车104在其路线上行驶时与公共汽车104相关联的潜在停靠点和/或危险物的大体上实时的预测信息。根据该信息，自主车辆100可以启动行动以避免干扰公共汽车104或乘客上下公共汽车104。
在一个实施例中，例如，如地图500所示，自主车辆100可以直接在公众城市公共汽车104后面行驶。根据本发明生成的预测信息可以指示公共汽车104正在接近紧随十字路口502之后的公共汽车104停靠站504。与车辆100相关联的传感器106可以指示相邻车道506中没有车辆。根据该信息，本发明的实施例可以启动车道变换508以在到达十字路口502之前超过公共汽车104。在这种方式下，自主车辆100可以避免当公共汽车104接近公共汽车104停靠站504时可能发生的减速、行人和其他危险。
现在参考图6，在另一个实施例中，如地图600所示，自主车辆100可以在大体上与校车104相邻的车道602中并且在其后面行驶。根据本发明产生的预测信息可以指示公共汽车104正在接近具有人行横道606的十字路口604。尽管与车辆100相关联的传感器106可以指示在自主车辆100的正前方没有车辆，但是根据人行横道606的接近度和校车104的不可预知的停车性质，自主车辆100进行的适当响应可以排除超过公共汽车104。结果是，本发明的实施例可以改为降低自主车辆100的速度以维持自主车辆100与公共汽车104之间的距离。还可以实施各种附加算法来增加当自主车辆100接近十字路口604时由自主车辆100所执行的警惕程度。一旦自主车辆100已经安全地使其通过十字路口604，本发明的实施例可以重新评估自主车辆100的适当的行动路线以避开校车104以及与此相关的危险和不便。
现在参考图7，根据本发明的实施例的方法700可以探测702在自主车辆100附近行驶的公共汽车104。如前所述，可以通过处理从自主车辆100的传感器106收集的信息来探测702公共汽车104。在一些实施例中，处理信息可以包括利用对各种公共汽车的图像进行训练的深度神经网络。如果没有探测到公共汽车104，则方法700可以在探测702到公共汽车104之前继续监视环境。
如果探测702到公共汽车104，则可以从公共汽车104获得704识别图像数据。具体而言，摄像机传感器106和其他自主车辆100传感器106可以从公共汽车104的用于显示识别信息的区域收集图像数据。在某些实施例中，例如，可以从公共汽车104的前端300或后端400的挡风玻璃上方的屏幕或显示区域收集识别信息。在其他实施例中，可以从侧窗上方或侧窗中的屏幕或显示器收集识别信息。在其他实施例中，可以从位于公共汽车104的前端300或后端400的底部附近的数字或牌照306收集识别信息。
在任何情况下，该识别信息可以包括公共汽车104路线信息、公共汽车104号码信息、公共汽车104代码信息、公共汽车104牌照信息等。可以根据本发明处理识别信息以识别信息并且将其与公共汽车104路线信息相关联706。在一些实施例中，可以从服务器或基于云的数据库检索公共汽车104路线信息。
然后可以从自主车辆100的GPS和其他传感器106获得位置数据708。位置数据可以与公共汽车104路线信息相关，以确定710自主车辆100和/或公共汽车104与预期的公共汽车104停靠站的接近度。如果自主车辆100和公共汽车104都不靠近公共汽车104停靠站，则方法700可以继续监视自主车辆100并且从中获得708位置数据。如果自主车辆100和/或公共汽车104邻近公共汽车104停靠站(例如接近或离开公共汽车104停靠站504)，则方法700可以询问712是否可以变换车道。
车道变换的可行性可以取决于多个因素，例如包括与自主车辆100相邻的车道的数量、在那些车道中靠近自主车辆100行驶的其他交通、以及是否存在与车道变换相关联的其他潜在危险(例如如以上详细讨论的即将到来的人行横道606、交通信号灯或公共汽车104停靠站)。可以在处理信息期间通过执行各种算法来考虑这些因素，以确定712是否可以变换车道。
如果车道变换可行，则方法700可以启动714车道变换。启动714车道变换可以包括例如发信号通知车道变换、增加自主车辆100的速度以及改变车辆100行驶的角度或方向。如果车道变换不可行，则可以启动716安全响应。安全响应可以包括例如降低自主车辆100的速度、增加或维持自主车辆100与公共汽车104之间的距离、选择用于自主车辆100的替代行驶路线、和/或执行探测和/或避开行人的行人探测算法或增加所执行的探测和/或避开行人的行人探测算法的频率。
在以上公开中，已经参考了形成其一部分的附图，并且其中通过图示的方式示出了可以实施本公开的具体实施方式。应该理解的是，可以利用其他实施方式，并且可以在不脱离本公开的范围的情况下进行结构改变。说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指示所描述的实施例可以包括特定的特征、结构或特性，但是每个实施例可以不一定包括特定的特征、结构或特性。而且，这样的短语不一定是指相同的实施例。此外，当结合实施例描述特定特征、结构或特性时，无论是否明确描述，结合其他实施例来改变这种特征、结构或特性被认为是在本领域技术人员的知识范围内。
本文公开的系统、装置和方法的实施方式可以包含或利用包括计算机硬件(例如如本文所讨论的一个或多个处理器和系统存储器)的专用或通用计算机。在本公开的范围内的实施方式还可以包括用于携带或存储计算机可执行指令和/或数据结构的物理设备和其他计算机可读介质。这样的计算机可读介质可以是可以被通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(装置)。携带计算机可执行指令的计算机可读介质是传输介质。因此，作为示例而非限制，本公开的实施方式可以包含至少两种截然不同的计算机可读介质：计算机存储介质(装置)和传输介质。
计算机存储介质(装置)包括RAM(随机存储器，Random Access Memory)、ROM(只读存储器，Read Only Memory)、EEPROM(电可擦可编程只读存储器，electrically erasableprogrammable read-only memory)、CD-ROM(光盘只读存储器，Compact disc read-onlymemory)、固态驱动器(“SSD”)(例如基于RAM)、闪存、相变存储器(“PCM”)、其他类型存储器、其他光盘存储器、磁盘存储器或其他磁存储装置、或可用于以计算机可执行指令或数据结构的形式存储期望程序代码工具的并且可被通用或专用计算机访问的任何其他介质。
本文公开的装置、系统和方法的实施方式可以通过计算机网络进行通信。“网络”定义为能够在计算机系统和/或模块和/或其他电子装置之间传输电子数据的一个或多个数据链路。当通过网络或其他通信连接(硬连线、无线或者硬连线或无线连接的组合)将信息传输或提供给计算机时，计算机将该连接适当地视为传输介质。传输介质可以包括网络和/或数据链路，网络和/或数据链路可以被用来以计算机可执行指令或数据结构的形式携带期望的程序代码工具并且可以被通用或专用计算机访问。上述的组合也应该包括在计算机可读介质的范围内。
计算机可执行指令例如包含在处理器处执行时使通用计算机、专用计算机或专用处理装置执行特定功能或功能组的指令和数据。计算机可执行指令可以例如是二进制文件、如汇编语言的中间格式指令，或者是源代码。虽然已经用结构特征和/或方法动作专用的语言描述了主题，但是应当理解，所附权利要求中限定的主题不一定限于上述描述的特征或动作。相反，所描述的特征和动作作为实施权利要求的示例形式被公开。
本领域技术人员将认识到，本公开可以在具有许多类型的计算机系统配置的网络计算环境中实施，包括车内计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持装置、多处理器系统、基于微处理器或可编程的消费电子装置、网络个人计算机、小型计算机、大型计算机、移动电话、PDA(个人数字助理，Personal Digital Assistant)、平板电脑、寻呼机、路由器、交换机、各种存储装置等。本公开还可以在分布式系统环境中实施，其中通过网络进行连接(通过硬连线数据链路、无线数据链路或通过硬连线和无线数据链路的组合)的本地和远程计算机系统都执行任务。在分布式系统环境中，程序模块可以位于本地和远程内存存储装置中。
此外，在适当的情况下，本文描述的功能可以在以下中的一个或多个中执行：硬件、软件、固件、数字部件或模拟部件。例如，一个或多个专用集成电路(ASIC)可以编程为执行本文描述的一个或多个系统和过程。整个说明书和权利要求中使用了某些术语来指代特定的系统部件。如本领域技术人员将认识到的，可以通过不同的名称来引用这些部件。本文档并非旨在区分名称不同而功能相同的部件。
应当指出，上面讨论的传感器实施例可以包含计算机硬件、软件、固件或其执行至少一部分功能的任何组合。例如，传感器可以包括配置为在一个或多个处理器中执行的计算机代码，并且可以包括由计算机代码控制的硬件逻辑/电路。本文提供这些示例性装置是为了说明的目的，并非旨在为限制性的。本公开的实施例可以在其他类型的装置(如相关领域的技术人员已知的)中实现。
本公开的至少一些实施例指向包含存储在任何计算机可用介质上的这种逻辑(例如以软件的形式)的计算机程序产品。这样的软件当在一个或多个数据处理装置中执行时使装置如本文所述那样操作。
尽管以上已经描述了本公开的各种实施例，但是应该理解，其仅仅是作为示例而不是限制来呈现的。对于相关领域的技术人员显而易见的是，在不脱离本公开的精神和范围的情况下，可以在其中进行形式和细节上的各种改变。因此，本公开的广度和范围不应该被任何上述示例性实施例限制，而是应该仅根据以下权利要求及其等同物来限定。提出前面的描述是为了说明和描述的目的。这并非旨在是穷尽的或将本公开限制为所公开的确切形式。鉴于上述教导，许多修改和变化是可能的。此外，应该注意的是，可以以期望的任何组合来使用前述替代实施方式中的任一个或全部，以形成本公开的其他混合实施方式。

Claims (15)

1.一种方法，包含：
探测公共汽车；
从所述公共汽车获得图像数据，所述图像数据包括显示在所述公共汽车上的信息；
通过深度神经网络处理所述信息，以将所述公共汽车与具有至少一个停靠站的路线相关联；
获取与所述至少一个停靠站对应的地图数据；和
响应于所述公共汽车与所述停靠站的接近度，而启动车道变换与安全响应中的至少一个。
2.根据权利要求1所述的方法，其中探测所述公共汽车还包含通过所述深度神经网络来识别对应于所述公共汽车的公共汽车类型。
3.根据权利要求1所述的方法，其中探测所述公共汽车还包含处理来自至少一个传感器的数据。
4.根据权利要求3所述的方法，其中所述至少一个传感器是从由摄像机传感器、激光雷达传感器、雷达传感器、GPS传感器和超声波传感器组成的组中选择的。
5.根据权利要求3所述的方法，其中所述至少一个传感器连接到自主车辆。
6.根据权利要求1所述的方法，其中所述深度神经网络被从由公共汽车代码、公共汽车号码、路线描述和牌照号码组成的组中选择的至少一个图像进行训练。
7.一种系统，包含：
至少一个处理器；和
至少一个存储器装置，所述至少一个存储器装置连接到所述至少一个处理器并且存储用于在所述至少一个处理器上执行的指令，所述指令使所述至少一个处理器执行以下步骤：
探测公共汽车；
从所述公共汽车获得图像数据，所述图像数据包括显示在所述公共汽车上的信息；
通过深度神经网络处理所述信息，以将所述公共汽车与具有至少一个停靠站的路线相关联；
获取与所述至少一个停靠站对应的地图数据；和
响应于所述公共汽车与所述停靠站的接近度，而启动车道变换与安全响应中的至少一个。
8.根据权利要求7所述的系统，其中探测所述公共汽车还包含通过深度神经网络识别与所述公共汽车相对应的公共汽车类型。
9.根据权利要求7所述的系统，其中探测所述公共汽车还包含处理来自至少一个传感器的数据。
10.根据权利要求9所述的系统，其中所述至少一个传感器是从由摄像机传感器、激光雷达传感器、雷达传感器、GPS传感器和超声波传感器组成的组中选择的。
11.根据权利要求9所述的系统，其中所述至少一个传感器连接到自主车辆。
12.根据权利要求7所述的系统，其中所述深度神经网络被从由公共汽车代码、公共汽车号码、路线描述和牌照号码组成的组中选择的至少一个图像进行训练。
13.一种用于避开来自公共汽车的交通干扰的计算机程序产品，所述计算机程序产品包含计算机可读存储介质，所述计算机可读存储介质中含有计算机可用程序代码，所述计算机可用程序代码配置为当由至少一个处理器执行时执行以下步骤：
(1)探测公共汽车；
(2)从所述公共汽车获得图像数据，所述图像数据包括显示在所述公共汽车上的信息；
(3)通过深度神经网络处理所述信息，以将所述公共汽车与具有至少一个停靠站的路线相关联；
(4)获取与所述至少一个停靠站相对应的地图数据；和
(5)响应于所述公共汽车与所述停靠站的接近度，而启动车道变换与安全响应中的至少一个。
14.根据权利要求13所述的计算机程序产品，其中探测所述公共汽车还包含通过深度神经网络识别对应于所述公共汽车的公共汽车类型。
15.根据权利要求13所述的计算机程序产品，其中探测所述公共汽车还包含处理来自至少一个传感器的数据。
CN201810010098.7A 2017-01-13 2018-01-05 用于避免与公共汽车发生干扰的系统和方法 Withdrawn CN108305478A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/406,121 US20180203457A1 (en) 2017-01-13 2017-01-13 System and Method for Avoiding Interference with a Bus
US15/406,121 2017-01-13

Publications (1)

Publication Number Publication Date
CN108305478A true CN108305478A (zh) 2018-07-20

Family

ID=61190394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810010098.7A Withdrawn CN108305478A (zh) 2017-01-13 2018-01-05 用于避免与公共汽车发生干扰的系统和方法

Country Status (6)

Country Link
US (1) US20180203457A1 (zh)
CN (1) CN108305478A (zh)
DE (1) DE102018100154A1 (zh)
GB (1) GB2560609A (zh)
MX (1) MX2018000132A (zh)
RU (1) RU2017145555A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638711A (zh) * 2020-05-22 2020-09-08 北京百度网讯科技有限公司 用于自动驾驶的行驶轨迹规划方法、装置、设备和介质
CN111731281A (zh) * 2019-03-19 2020-10-02 本田技研工业株式会社 车辆控制装置、车辆控制方法及存储介质
CN113296506A (zh) * 2021-05-20 2021-08-24 深圳市富创优越科技有限公司 一种船舶锚泊控制系统及方法
DE102022124920A1 (de) 2022-09-28 2024-03-28 Bayerische Motoren Werke Aktiengesellschaft Steuervorrichtung und steuerverfahren für ein kraftfahrzeug

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190035159A (ko) * 2017-09-26 2019-04-03 삼성전자주식회사 차량 움직임 예측 방법 및 장치
US12017648B2 (en) * 2018-05-15 2024-06-25 Hitachi Astemo, Ltd. Vehicle control device
JP7026242B2 (ja) * 2018-08-28 2022-02-25 日立Astemo株式会社 走行制御装置及び走行制御方法
US11087175B2 (en) * 2019-01-30 2021-08-10 StradVision, Inc. Learning method and learning device of recurrent neural network for autonomous driving safety check for changing driving mode between autonomous driving mode and manual driving mode, and testing method and testing device using them
JP7145398B2 (ja) * 2019-03-12 2022-10-03 トヨタ自動車株式会社 広告表示装置、車両及び広告表示方法
DE102019212894A1 (de) * 2019-08-28 2021-03-04 Robert Bosch Gmbh Verhaltensprädiktion von Verkehrsteilnehmern
US11545035B2 (en) * 2019-11-15 2023-01-03 Toyota Motor Engineering & Manufacturing North America, Inc. Driver notification system
CN114141022B (zh) * 2020-09-03 2023-05-23 丰图科技(深圳)有限公司 应急车道占用行为检测方法、装置、电子设备及存储介质
GB2602647A (en) 2021-01-07 2022-07-13 Dromos Tech Ag Method for mixing scheduled and unscheduled vehicles
US20220314797A1 (en) * 2021-03-31 2022-10-06 Cerence Operating Company Infotainment system having awareness of local dynamic features

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4692898B2 (ja) * 2006-11-15 2011-06-01 株式会社デンソー 車両用案内装置
CN102134226B (zh) * 2010-01-26 2013-06-12 天津药物研究院 一类苯基c-葡萄糖苷衍生物、其制备方法和用途
JP2016189074A (ja) * 2015-03-30 2016-11-04 パイオニア株式会社 通知装置、通知方法および通知プログラム
US9672734B1 (en) * 2016-04-08 2017-06-06 Sivalogeswaran Ratnasingam Traffic aware lane determination for human driver and autonomous vehicle driving system

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111731281A (zh) * 2019-03-19 2020-10-02 本田技研工业株式会社 车辆控制装置、车辆控制方法及存储介质
CN111638711A (zh) * 2020-05-22 2020-09-08 北京百度网讯科技有限公司 用于自动驾驶的行驶轨迹规划方法、装置、设备和介质
CN113296506A (zh) * 2021-05-20 2021-08-24 深圳市富创优越科技有限公司 一种船舶锚泊控制系统及方法
CN113296506B (zh) * 2021-05-20 2023-12-26 珠海市美丰船务有限公司 一种船舶锚泊控制系统及方法
DE102022124920A1 (de) 2022-09-28 2024-03-28 Bayerische Motoren Werke Aktiengesellschaft Steuervorrichtung und steuerverfahren für ein kraftfahrzeug

Also Published As

Publication number Publication date
GB2560609A (en) 2018-09-19
US20180203457A1 (en) 2018-07-19
MX2018000132A (es) 2018-11-09
RU2017145555A (ru) 2019-06-25
DE102018100154A1 (de) 2018-07-19
GB201800285D0 (en) 2018-02-21

Similar Documents

Publication Publication Date Title
CN108305478A (zh) 用于避免与公共汽车发生干扰的系统和方法
US10977567B2 (en) Automated vehicular accident detection
US11815892B2 (en) Agent prioritization for autonomous vehicles
US12014424B2 (en) Autonomous vehicle premium computation using predictive models
US10860019B2 (en) Planning autonomous motion
US20180075747A1 (en) Systems, apparatus, and methods for improving safety related to movable/ moving objects
JP6796798B2 (ja) イベント予測システム、イベント予測方法、プログラム、及び移動体
CN109933062A (zh) 自动驾驶车辆的报警系统
CN107180219A (zh) 基于多模态信息的驾驶危险系数评估方法和装置
CN106980814A (zh) 用显著性地图的行人检测
Wu et al. Developing a crash warning system for the bike lane area at intersections with connected vehicle technology
US11003925B2 (en) Event prediction system, event prediction method, program, and recording medium having same recorded therein
US10460598B2 (en) Driving action classifying apparatus and driving action classifying method
US11545036B2 (en) Real-time driving behavior and safety monitoring
KR102534960B1 (ko) 자율주행 차량들을 위한 행렬들의 검출 및 그에 대한 대응
CN108073893A (zh) 使用距离数据检测植物
JP6890265B2 (ja) イベント予測システム、イベント予測方法、プログラム、及び移動体
US11861915B2 (en) Pipeline architecture for road sign detection and evaluation
US20230099334A1 (en) Pull-over location selection using machine learning
US20230288220A1 (en) Method and apparatus for determining connections between animate objects
US20240046779A1 (en) Driving determination system, driving determination method, and recording medium
CN114664085A (zh) 危险路段的提醒方法、装置、电子设备及介质
US20240044661A1 (en) Method and apparatus for determining left turn indicators
US11904863B2 (en) Passing a curve
US20240035834A1 (en) Method and apparatus for determining road debris indicators

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180720