CN109313847A - 用于错路驾驶员识别的方法、设备和系统 - Google Patents
用于错路驾驶员识别的方法、设备和系统 Download PDFInfo
- Publication number
- CN109313847A CN109313847A CN201780035496.8A CN201780035496A CN109313847A CN 109313847 A CN109313847 A CN 109313847A CN 201780035496 A CN201780035496 A CN 201780035496A CN 109313847 A CN109313847 A CN 109313847A
- Authority
- CN
- China
- Prior art keywords
- particle
- vehicle
- road
- data
- position 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- 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
- G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
Abstract
本发明涉及一种用于错路驾驶员识别的方法,所述包括以下步骤:通过接口读取位置数据(106),其中,所述位置数据(106)代表车辆(100)的测量位置;读取不精确性数据(107),所述不精确性数据代表所述位置数据(106)的不精确性;读取地图数据(116),所述地图数据反映能由所述车辆(100)行驶的道路区段;和基于所述位置数据(106)、所述不精确性数据(107)和所述地图数据(116)在使用粒子滤波器(532)的情况下求取(207)至少一个可信的道路区段(1213),其中,所述可信的道路区段(1213)代表能够配属有所述车辆(100)的当前位置(1117)的道路区段(1113)。
Description
技术领域
本发明从一种根据独立权利要求类型的设备或方法出发。本发明的主题也是一种计算机程序。
背景技术
错路驾驶员(“开错方向的驾驶员”)在事故情况下至少造成巨大的财产损失。仅基于导航装置进行的识别(道路等级和方向),对于大多数情况而言过晚,也就是说错路驾驶员(以高的行驶速度和大的碰撞概率)已经位于错误的行车道上。
发明内容
在该背景下,借助在此提出的方案,根据独立权利要求提出一种用于错路驾驶员识别的方法、设备和系统,以及最后提出一种相应的计算机程序。通过在从属权利要求中列举的措施能够实现在独立权利要求中说明的设备的有利扩展方案和改进方案。
例如基于云的错路驾驶员警告可以有利地借助粒子滤波器通过专门匹配于应用情况的识别来实现。
用于错路驾驶员识别的方法包括以下步骤:
通过接口读取位置数据,其中,所述位置数据代表车辆的测量位置;
读取不精确性数据,所述不精确性数据代表所述位置数据的不精确性;
读取地图数据,所述地图数据反映可由车辆行驶的道路区段;和
基于所述位置数据、不精确性数据和地图数据在使用粒子滤波器的情况下求取至少一个可信的道路区段,其中,所述可信的道路区段代表可以配属有车辆的当前位置的道路区段。
所述车辆可以是道路车辆。错误行驶可以理解为车辆在道路上逆着规定的行驶方向行驶。测量位置可以是在使用布置在车辆中的传感器情况下被测量的。所述当前位置可以是在使用粒子滤波器的情况下所估计的位置,该位置可以被用作车辆的实际位置。所述当前位置可以代替所述测量位置被用于识别车辆的错误行驶。例如可以从数字地图中读取地图数据。所述可信的道路区段可以理解为以下道路区段,对该道路区段在分析评估现有数据之后认为,车辆位于该道路区段上。
所述方法可以包括在使用至少一个可信的道路区段情况下确定错误行驶信号的步骤。在此,错误行驶信号可以指出,是否存在车辆的错误行驶。例如,可以仅在认为存在错误行驶时才提供错误行驶信号。
在求取步骤中,可以确定多个粒子。所述多个粒子可以围绕由位置数据反映的车辆测量位置分布并且这些粒子中的每一个可以代表车辆的一个假设位置和配属于该假设位置的权重。所述多个粒子可以在使用借助已知的粒子滤波器所使用的方法的情况下来确定。在此,这些粒子可以具有不同的假设位置,这些假设位置例如围绕所述测量位置被分组。这样的粒子可以很好地借助所说的粒子滤波器被处理。
在此,可以在求取步骤中在使用多个粒子和不精确性数据的情况下确定多个被移动的粒子。可以基于多个被移动的粒子求取至少一个可信的道路区段。有利地,不精确性数据可以被用于修正原始确定的粒子。
在求取步骤中,可以在使用地图数据的情况下确定粒子的与地图有关的参数。可以基于与地图有关的参数求取至少一个可信的道路区段。与地图有关的参数例如可以指出,配属有参数的粒子是否位于道路区段上。有利地,可以在使用地图数据的情况下检验各个粒子的可信性。
为此,可以在求取步骤中在使用与地图有关的参数情况下确定多个粒子的或者多个被移动的粒子的新权重。在考虑地图数据的情况下粒子表现得越可信,那么该粒子的权重能够越高。
在求取步骤中,可以从多个粒子或多个被移动的粒子中删除不相关的粒子。以该方式可以提高该方法的精确性。
有利地,可以对多个粒子或者多个被移动的粒子进行解释,以便求取至少一个可信的道路区段。通过解释可以分析评估配属于各个粒子的值,如例如权重或与地图有关的参数。
在读取步骤中,可以通过计算云、即所谓的云的接口读取位置数据。这能够实现基于云的解决方案。
用于错路驾驶员识别的相应设备被设立为用于在相应的单元中实施所说的方法的步骤。例如,这样的设备可以具有:一个读取装置,该读取装置构造为用于通过接口读取位置数据,其中,所述位置数据代表车辆的测量位置;读取装置,该读取装置构造为用于读取不精确性数据,所述不精确性数据代表位置数据的不精确性;读取装置,该读取装置构造为用于读取地图数据,所述地图数据反映可由车辆行驶的道路区段;和求取装置,所述求取装置构造为用于基于所述位置数据、所述不精确性数据和所述地图数据在使用粒子滤波器的情况下求取至少一个可信的道路区段,其中,所述可信的道路区段代表可以配属有车辆的当前位置的道路区段。相应地,所述设备可以包括粒子滤波器。
用于错路驾驶员识别的相应系统包括至少一个发送装置以及所说的用于错路驾驶员识别的设备,该发送装置可布置或已布置在车辆中并且构造为用于发送位置数据,该设备构造为用于例如通过无线连接接收由至少一个发送装置发送的位置数据。
用于错路驾驶员识别的另一系统包括至少一个发送装置和至少一个接收装置,该发送装置可布置或已布置在车辆中并且构造为用于发送位置数据,其中,所述位置数据代表车辆的测量位置,该接收装置可布置或已布置在所述车辆中并且构造为用于接收设备的数据,该设备根据在此所述的用于错路驾驶员识别的方案构造为用于接收由至少一个发送装置发送的位置数据。
所述方法可以在软件或硬件方面或以软件和硬件构成的混合形式例如在设备中被实现。
为此,所述设备可以具有至少一个用于处理信号或数据的计算单元、至少一个用于存储信号或数据的存储单元和/或至少一个用于读取或输出被嵌入到通信协议中的数据的通信接口。所述计算单元例如可以是信号处理器、微型控制器等,其中,所述存储单元可以是闪存、EPROM或磁性存储单元。所述通信接口可以构造为用于无线地和/或有线地读取或输出数据,其中,可以读取或输出有线传输的数据的通信接口例如可以电地或光学地从相应的数据传输线路读取所述数据或将所述数据输出到相应的数据传输线路中。
当前,设备可以理解为一种电设备,该电设备处理传感器信号并且根据其输出控制信号和/或数据信号。所述设备可以具有接口,该接口可以在硬件和/或软件方面来构造。在硬件方面的构造中,该接口例如可以是所谓的系统ASIC的一部分,该部分包含所述设备的各种不同功能。然而也可能的是,该接口是自有的集成电路或者至少部分地由离散的结构元件组成。在软件方面的构造中,该接口可以是软件模块,这些软件模块例如与其他软件模块并列地存在于微型控制器上。
计算机程序产品或具有程序代码的计算机程序也是有利的,所述程序代码可以储存在机器可读的载体或存储介质上,例如半导体存储器、硬盘存储器或光学存储器并且被用于尤其在所述程序产品或程序在计算机或设备上实施时执行、转化和/或操控根据前述实施方式所述的方法的步骤。
附图说明
在附图中示出并在接下来的说明书中详细阐述在此提出的方案的实施例。附图示出:
图1根据一个实施例的、用于错路驾驶员识别的系统;
图2根据一个实施例的、用于错路驾驶员识别的方法的流程图;
图3隐马尔科夫链模型(Hidden Markov Chain Model);
图4根据一个实施例的粒子滤波进程的流程;
图5根据一个实施例的、用于错路驾驶员识别的系统;
图6根据一个实施例的车辆;
图7根据一个实施例的程序流程;和
图8根据一个实施例的粒子滤波器的程序流程;
图9根据一个实施例的粒子滤波器的程序流程;
图10根据一个实施例的地图建模;
图11根据一个实施例的概率计算的示图;
图12根据一个实施例的在重采样之后的粒子的示图。
在接下来对本方案有利实施例的描述中,对于在不同附图中示出并且类似作用的元件使用相同或类似的附图标记,其中,省去对这些元件的重复描述。
具体实施方式
图1示出根据一个实施例的用于错路驾驶员识别的系统。该系统包括车辆100,该车辆具有传输装置102,该传输装置构造为用于将在使用至少一个布置在车辆100中的传感器装置104的情况下所检测的测量数据106无线地发送给用于错路驾驶员识别的设备110。设备110构造为用于将测量数据106整理成经整理的数据并且在使用粒子滤波器的情况下进一步处理所述经整理的数据,以便产生并且发送错误行驶信号112。根据一个实施例,错误行驶信号112指出,具有已处理的测量数据106的车辆100当前实施错误行驶。根据该实施例,不仅车辆100的传输装置102而且另一车辆100的传输装置102都构造为用于接收错误行驶信号112并且响应于对错误行驶信号112的接收地激活对应的车辆100,114的警告装置,该警告装置例如警告对应车辆100,114的驾驶员以防错误行驶或者根据一个实施例干预对应车辆100,114的至少部分自动的控制,例如干预制动机构或转向机构的控制。根据不同的实施例,传输装置102可以仅实施为发送装置或者也可以实施为发送接收装置。
根据一个实施例,测量数据106包括位置数据,这些位置数据在使用车辆100的位置确定装置的情况下被检测到并且反映车辆100的当前位置。根据另一实施例,测量数据106还包括运动数据,所述运动数据例如在使用车辆100的至少一个加速度传感器的情况下被检测到并且包括关于车辆100的当前运动的信息,例如关于行驶方向、纵向加速度、横向加速度的信息或者关于车辆围绕车辆轴线的转动的信息。
根据一个实施例,附加于测量数据106地传输不精确性数据107,这些不精确性数据反映位置数据的不精确性。
根据一个实施例,设备110构造为用于读取地图数据116,所述地图数据反映可由车辆100行驶的道路网。根据一个实施例,地图数据116例如包括关于道路网的道路区段的信息。根据一个实施例,关于每个道路区段的地图数据116还包括至少一个参数,该参数例如定义了对应道路区段的或对应道路区段走向的行驶方向规定。例如,可以通过该参数来定义,所述道路区段是直线走向还是曲线延伸。根据一个实施方式,设备110具有存储装置,在该存储装置中存储地图数据116。
根据一个实施例,设备110构造为用于使用颗粒过滤器,以便在使用位置数据、不精确性数据107和地图数据116的情况下求取可信的道路区段,由该道路区段认为车辆100位于该道路区段上。例如在使用配属于道路区段的行驶方向参数的情况下可以确定,该车辆100是否是错误行驶的车辆。如果是这种情况,那么根据一个实施例提供错误行驶信号112。
根据一个实施例,设备110或设备110的功能模块布置或被实现在云118中。
所述方案可以补充或替代地使用多种用于探测错路驾驶员的方法,在这些方法中例如使用视频传感装置,以便探测“禁止驶入”的指示牌被经过,或者结合导航来使用数字地图,以便识别在仅能沿一个方向行驶的道路区段上对错误行驶方向的探测。此外已知的是。此外,所述方案可以与无线方法组合,所述无线方法借助基础设施、例如行车道中或行车道边缘处的路标来探测错路驾驶员。
除了探测错路驾驶员以外,所述方案还提供对错路驾驶员作出反应的多个可能性。为此的示例是,通过显示器或声学提示来警告错路驾驶员本身。也可以应用以下方法,借助这些方法例如通过车对车通信或借助移动无线电来警告错路驾驶员附近的其它驾驶员。此外,能够通过在道路边缘处竖起的变换交通标志来警告其它交通参与者。也可以对错误行驶的车辆100的马达控制装置或制动器进行干预。
所述方案使得能够探测到错路驾驶员并且还能及时警告其附近的其它交通参与者,为此仅需提供非常少的时间。
所述方案涉及具有客户端服务器解决方案的错路驾驶员识别(Wrong-Way-Driver-Detection)。可设置位于机动车处或中的器具作为客户端,该器具具有互联网连接并且至少可调用位置坐标。在此例如可以涉及传输装置102。传输装置102例如可以是智能电话。在传输装置102中可以集成传感器装置104。因此,针对错路驾驶员特定的、借助智能电话进行的服务器客户端通信可以被转化为示例性的客户端。所述智能电话可以通过具有网关(PDN_GW)的移动无线电网络连接到互联网上,例如呈服务器形式的设备110可以布置在该互联网中。
由具有客户端服务器解决方案的错路驾驶员警告的上述可能功能方式得到该技术的由在此所述方案涉及的以下关键问题领域:
a)减少假正
假正,即在正确行驶方式情况下的错误探测,必须在自警告和/或主动介入的情况下尽可能被减少或者被完全避免。根据警告方案而定,必须满足直至ASIL-A(AutomotiveSafety Integrity Level A:汽车安全完整性等级A)的标准。
b)时间紧要地实施触发链
为了从错路驾驶员出发将对其它交通参与者的威胁保持得尽可能小,应尽可能快地进行干预或者警告。也就是说,从探测到紧要状况经识别到错路驾驶员直至进行干预或警告的完整功能链应在尽可能小的时间区间内完成。在此,服务器例如设备110在该功能使用范围相同情况下的满负荷和因此需要的功能能力起到非常重要的作用。除了触发时间以外,经济性也是重要的部分方面。
c)通信、数据效率和电流消耗
特别对于移动设备而言,通信和电流消耗必须尽可能高效或者说低,以便实现可接受的蓄电池使用时间。移动无线电小区(Mobilfunkzelle)或其他方面的无线通信单元的过载也必须通过数据高效的通信被禁止。只要可能,也应限制数据流量和与之相关的成本。由于计算能力原因,通信的效率在服务器侧也是格外重要的因素。
所述方案首先涉及关键领域a)“减少假正”和b)时间紧要地实施触发链,然而c)“通信、数据效率和电流消耗”也可能受上述情况影响。基于商业通用的智能电话传感装置和连接控制单元传感装置在云118中对错路驾驶员的识别不是无意义的冒险。
图2示出根据一个实施例的、用于错路驾驶员识别的方法的流程图。所述方法例如可以在使用根据图1所示的、用于错路驾驶员识别的设备的装置情况下实施。
该方法包括步骤201,在该步骤中,通过接口读取位置数据。这些位置数据为车辆的测量位置。在步骤203中,读取不精确性数据,这些不精确性数据代表位置数据的不精确性,并且在步骤205中读取地图数据,这些地图数据反映可由车辆行驶的道路区段。在步骤207中,基于位置数据、不精确性数据和地图数据以及在使用粒子滤波器的情况下求取至少一个可信的道路区段,该道路区段代表可以配属有车辆的当前位置的道路区段。根据一个实施例,在使用所述可信的道路区段情况下产生指出车辆错误行驶的错误行驶信号。
对于错路驾驶员识别不起决定性作用的是,错路驾驶员驶过哪个路线。所需的信息首先是,错路驾驶员当前位于哪里并且该错路驾驶员是否在道路上逆着行驶方向行驶。对于所述求取当然需要历史记录,然而该历史记录不是问题提出的一部分,而是通向结果的路径。
由于这些情况,提出一种基于粒子滤波器的方法。该粒子滤波器类似于卡尔曼滤波器地可应用到由隐马尔科夫链特性、即具有不被观测的状态的马尔科夫链决定的系统上。
图3示出具有在时间k和k-1时的状态x和观测量z的隐马尔科夫链模型320。
也就是说,系统的状态不能被直接测量出,而是可以基于其他观测被估计。在该情况下适用的是,估计位置并因此估计当前的道路。为此必须求解以下公式:
p(xk|z0:k,u0:k)=η·g(zk|xk,z0:k-1,u0:k)π(xk|z0:k-1,u0:k)
下面,在时间点k时的状态以xk来描述,先前的状态以x0:k-1=(x0,…,xk-1)来概括。类似于x地,该法则也适用于控制参量u和观测量u.η并且描述了标准项(Normalisierungsterm),然而该标准项在下面不具有很大意义。该公式可以被简化为以下公式:
并且这些公式在两个步骤中被描述:预知步骤
和权重项:
在粒子滤波器的情况下,对概率分布的积分借助数值近似
和蒙特卡洛方法来求解。w[j]在此描述第j个粒子的权重/概率。粒子的数量借助
χ={<x[j],w[j]>}j=1,…,J
来描述。因此,每个粒子具有权重w[j]和状态x[j]。
图4示出根据一个实施例的粒子滤波进程的流程。为此,在图4中示出具有在时间k和k-1时的状态x和观测量z的隐马尔科夫链模型。
该工作的大部分是找到合适的函数用于
和
所述函数优化地反映了该问题。对此的基础是,定义待估计的状态x。
模块401代表粒子滤波器(χk-1,uk,z)。
从模块403跳至模块405,直至完成所有值j=1:J。
在模块405中计算新的状态:
在模块407中计算权重:
如果在模块403中完成了所有值,那么跳至模块409。从模块409跳至模块411,直至完成所有值i=1:J。
在模块411中,按照标记一个值。
在模块413中,按照添加给粒子组。
如果在模块409中完成了所有值,那么跳至模块415,该模块为结束χk。
图5示出根据一个实施例的、用于错路驾驶员识别的系统。所述系统包括例如呈根据图1所说的传输装置形式的器具102并且包括用于错路驾驶员识别的设备110,该设备根据该实施例实施为所谓的WDW服务器。设备110构造为用于从器具102接收数据106,例如根据图1所述的测量数据,并且基于这些数据106提供警告112并且例如以根据图1所述的错误行驶信号的形式将其发回给器具102。
所述设备具有用于进行预处理的装置530、粒子滤波器532和警告模块534。
在基于云的错路驾驶员警告的简化构架中,如在图5中所示那样的粒子滤波器532被嵌入。
借助粒子滤波器532可以近似地确定车辆位置的概率分布。
图6根据车辆100示出可以被引入到根据图5所示的模型中的值。这些值例如可以是沿纵轴x、横轴y、竖轴z方向的状态以及围绕纵轴的侧倾p、围绕横轴的俯仰q和围绕竖轴的横摆r。
关于在使用粒子滤波器的情况下的地图适配方面适用贝叶斯滤波器p(xk|z0:k,u0:k)。在此,在参照图3的情况下xk可以代表所述状态(未测量)是什么,例如经度、纬度和地理高度,uk+1代表车辆100如何运动,例如在速度和转动速率方面,并且zk代表什么可以被观测,例如GPS信号或涉及车辆100的环境的信号(摄像机等)。
图7示出根据一个实施例的程序流程。所述流程以模块701开始。在模块530中,执行数据预处理,如例如根据图5所述那样。在模块703中,加入先前点的状态,如果存在的话。在模块705中,借助粒子滤波器发生地图适配(map-matching)。在模块707中对结果进行解释。在模块709中检查是否存在错误行驶。如果是这种情况,那么在模块534中发送警告,如例如根据图5所述那样。如果不存在错误行驶,那么以模块711结束该程序流程。
图8示出根据一个实施例的粒子滤波器的程序流程。模块801代表粒子滤波器的开始。在模块803中,在考虑例如根据图1所述的传感器装置的传感器不精确性的情况下移动这些粒子。在模块805中求取与地图有关的参数。这样的参数例如说明,是否有粒子位于道路上或者该道路的走向(Titel)是什么。在模块807中计算新的粒子权重。在模块809中进行所谓的重采样,在所述重采样中删除不相关的区域和/或粒子。在模块811中对各个粒子进行解释,在模块813中例如以至少一个可信的道路区段形式对可能的道路进行还原。
通过使用粒子滤波器,会改善下面所说的方面。一方面,实现顺序(能实时地)工作的方法,该方法首要地求取道路网上的当前位置。此外,能够稳健估计道路网上的当前位置。关于当前估计的不可靠性可被求取。这使得能够可靠地有意义地延迟对潜在错误行驶的判定。
图9示出根据一个实施例的粒子滤波器的程序流程。该程序流程相应于根据图8所述的程序流程,然而附加地还具有模块915,917。在模块915中检查,是否涉及初始步骤。如果是这种情况,那么在模块917中使粒子大范围地围绕车辆测量位置例如GPS位置分布。如果不涉及初始步骤,那么跳至模块803。
粒子滤波器的典型应用区别如下,即在根据图9所述的应用情况中不应实现尽可能好的定位精度,而是应在任何情况下求取正确的道路元素。也就是说,即使传感器数据指明存在错误行驶,应仅在实际上可以确认也确实存在错误行驶时才警告受威胁的交通。为了快速和可靠地识别错路驾驶员,粒子滤波器模型因此将会如根据图9所述那样。
根据该实施例,粒子,即在模块917中所确定的粒子,在模块803中随着传感器的不可靠性被移动。根据一个实施例,粒子由于观测量,即转动速率和速度,被移动。但是,替代获取传感器值地,根据一个实施例将随机数(带有传感器故障分布,在此简化地呈高斯形式)加到测量值上。为此,可以应用所谓的“运动定律”。
在模块805中,在空间上对地图建模,如随后根据图10所述那样。接下来,可以确定不同的参数,如例如是否有粒子处于道路上并且走向(Heading)、即道路的行驶方向是什么。这些参数在较晚时可以被引入到粒子的权重中,该权重在模块807中执行。
在模块807中确定,每个粒子的概率有多大。在此,如此实行,使得该粒子是实际的停留地点,并且检验该停留地点有多好地适合于这些观测。例如,粒子的走向与道路的方向一致或相反。对于可能的应用并且为了提高稳健性,在此根据一个实施例还引入不同的因数。
在模块811中,接下来对各个粒子进行解释,以便确定各个道路或道路区段的概率。这例如可以通过求和来进行。
例如,在进行解释时,至少一个可信的道路区段可以作为被地图数据包括的那个道路区段被求取,该道路区段可以配属有最大数量的粒子或者可以配属有具有最高权重的粒子。
图10示出根据一个实施例的、根据图9所提及的地图建模。示出有棱角1001、形状点1003作为所谓的“形状点(shape points)”以及至少一个道路区段的道路边界1005。此外,示出有该道路区段的宽度1007,该宽度由车道宽度dl和车道数量nl的乘积得到。
可以在使用地图数据的情况下确定所示的模型。
图11示出根据一个实施例的概率计算的示图。在此,在水平轴上画出经度,在竖轴上画出纬度。示出有具有多个道路1111的地形的插图。对于道路1111中的一个,例如以道路多边形的形式示出反映该道路1111的多个道路区段1113。
测量位置1115为所谓的“输入位置(input position)”,该输入位置被用作在此所述的方法的初始值。在执行所述方法的情况下,求取当前位置1117作为所谓的估计位置。为此,使用多个粒子1119。粒子1119具有不同的权重,这些权重例如从代表“不可能”的“0”直至达到代表“非常可能”的“1”。示例性地,在图11中表明中央区域1121,在该中央区域中布置有具有高权重例如接近“1”的粒子1119,并且表明中间区域1123,在该中间区域中布置有具有平均权重例如接近“0.5”的粒子1119,并且表明外部区域1125,在该外部区域中布置有具有低权重例如接近“0”的粒子1119。
根据一个实施例,根据图11示出按照具有交叉快速道路的运动原理对概率的示例性计算。
图12示出根据一个实施例的在重采样之后的粒子119的示图。在此,从在图11中所示的多个粒子中删除不相关的粒子。根据一个实施例,不相关的粒子是布置在道路区段1113之外的粒子。
在图12中所示的实施例中,在重采样之后留下的粒子119中的大多数位于道路区段1113中,该道路区段通过对留下的粒子119的合适解释被确定为可信的道路区段1213。根据一个实施例,根据图12示出在具有交叉快速道路的重采样之后的粒子119。
如果一个实施例包括第一特征和第二特征之间的“和/或”关联,那么这应当解读为,该实施例根据一个实施方式既具有第一特征又具有第二特征而根据另一实施方式或者仅具有第一特征或者仅具有第二特征。
Claims (13)
1.一种用于错路驾驶员识别的方法,其中,所述包括以下步骤:
通过接口读取(201)位置数据(106),其中,所述位置数据(106)代表车辆(100)的测量位置(1115);
读取(203)不精确性数据(107),所述不精确性数据代表所述位置数据(106)的不精确性;
读取(205)地图数据(116),所述地图数据反映能由所述车辆(100)行驶的道路区段(1113);和
基于所述位置数据(106)、所述不精确性数据(107)和所述地图数据(116)在使用粒子滤波器(532)的情况下求取(207)至少一个可信的道路区段(1213),其中,所述可信的道路区段(1213)代表能够配属有所述车辆(100)的当前位置(1117)的道路区段(1113)。
2.根据权利要求1所述的方法,具有在使用所述至少一个可信的道路区段(1213)情况下确定(709)错误行驶信号(112)的步骤,其中,所述错误行驶信号(112)指出,是否存在所述车辆(100)的错误行驶。
3.根据上述权利要求中任一项所述的方法,其中,在所述求取(207;917)的步骤中,确定多个粒子(119),其中,所述多个粒子(119)围绕所述车辆(100)的由所述位置数据(106)反映的所述测量位置(1115)分布并且所述粒子(119)中的每一个代表所述车辆(100)的一个假设位置和配属于所述假设位置的权重。
4.根据权利要求3所述的方法,其中,在所述求取(207;803)的步骤中,在使用所述多个粒子(119)和所述不精确性数据(107)的情况下确定多个被移动的粒子,并且基于所述多个被移动的粒子求取至少一个可信的道路区段(1213)。
5.根据上述权利要求中任一项所述的方法,其中,在所述求取(207;805)的步骤中,在使用所述地图数据(116)的情况下确定所述粒子(119)的与地图有关的参数,并且基于所述与地图有关的参数求取至少一个可信的道路区段(1213)。
6.根据权利要求4所述的方法,其中,在所述求取(207;807)的步骤中,在使用与地图有关的参数情况下确定所述多个粒子(119)的或者所述多个被移动的粒子的新权重。
7.根据上述权利要求中任一项所述的方法,其中,在所述求取(207;809)的步骤中,从多个粒子(119)或多个被移动的粒子中删除不相关的粒子。
8.根据上述权利要求中任一项所述的方法,其中,在所述求取(207;811)的步骤中,对多个粒子(119)或者多个被移动的粒子进行解释,以便求取至少一个可信的道路区段(1213)。
9.根据上述权利要求中任一项所述的方法,其中,在所述读取(201)的步骤中,通过计算云(118)的接口读取所述位置数据(106)。
10.一种用于错路驾驶员识别的设备(110),其中,所述设备被设立为用于在相应的单元中实施根据上述权利要求中任一项所述的方法的步骤。
11.一种用于错路驾驶员识别的系统,其中,所述系统包括以下特征:
至少一个发送装置(102),所述发送装置能布置或已布置在车辆(100)中并且构造为用于发送位置数据(106),其中,所述位置数据(106)代表所述车辆(100)的测量位置;和
根据权利要求10所述的用于错路驾驶员识别的设备(110),所述设备构造为用于接收由所述至少一个发送装置(102)发送的所述位置数据(106)。
12.一种计算机程序,其被设立为用于实施根据上述权利要求中任一项所述的方法。
13.一种机器可读的存储介质,在所述存储介质上存储根据权利要求12所述的计算机程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102016210023.8 | 2016-06-07 | ||
DE102016210023.8A DE102016210023A1 (de) | 2016-06-07 | 2016-06-07 | Verfahren Vorrichtung und System zur Falschfahrererkennung |
PCT/EP2017/058623 WO2017211483A1 (de) | 2016-06-07 | 2017-04-11 | Verfahren vorrichtung und system zur falschfahrererkennung |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109313847A true CN109313847A (zh) | 2019-02-05 |
Family
ID=58609374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780035496.8A Pending CN109313847A (zh) | 2016-06-07 | 2017-04-11 | 用于错路驾驶员识别的方法、设备和系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11315417B2 (zh) |
EP (1) | EP3465655A1 (zh) |
JP (1) | JP2019519040A (zh) |
CN (1) | CN109313847A (zh) |
DE (1) | DE102016210023A1 (zh) |
WO (1) | WO2017211483A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443185A (zh) * | 2019-07-31 | 2019-11-12 | 京东城市(北京)数字科技有限公司 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11202013011VA (en) * | 2018-06-27 | 2021-01-28 | Mitsubishi Heavy Industries Machinery Systems Ltd | Terminal device, rearward server, in-vehicle transponder, determination system, determination method, and program |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009140008A (ja) * | 2007-12-03 | 2009-06-25 | Sumitomo Electric Ind Ltd | 危険走行情報提供装置、危険走行判定プログラム及び危険走行判定方法 |
CN102547244A (zh) * | 2012-01-17 | 2012-07-04 | 深圳辉锐天眼科技有限公司 | 视频监控方法及系统 |
CN202435528U (zh) * | 2012-01-17 | 2012-09-12 | 深圳辉锐天眼科技有限公司 | 视频监控系统 |
CN102792350A (zh) * | 2010-03-12 | 2012-11-21 | 歌乐株式会社 | 车辆逆行检测装置 |
CN103021186A (zh) * | 2012-12-28 | 2013-04-03 | 中国科学技术大学 | 一种车辆监控的方法及系统 |
US20130304374A1 (en) * | 2011-12-22 | 2013-11-14 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing position of moving object |
JP2014034251A (ja) * | 2012-08-08 | 2014-02-24 | Nissan Motor Co Ltd | 車両走行制御装置及びその方法 |
EP2800883A1 (en) * | 2012-01-03 | 2014-11-12 | Volvo Lastvagnar AB | Method and arrangement for cleaning a particle filter |
CN106022243A (zh) * | 2016-05-13 | 2016-10-12 | 浙江大学 | 一种基于图像处理的机动车道车辆逆行识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8452535B2 (en) | 2010-12-13 | 2013-05-28 | GM Global Technology Operations LLC | Systems and methods for precise sub-lane vehicle positioning |
US20120290150A1 (en) * | 2011-05-13 | 2012-11-15 | John Doughty | Apparatus, system, and method for providing and using location information |
US9140792B2 (en) * | 2011-06-01 | 2015-09-22 | GM Global Technology Operations LLC | System and method for sensor based environmental model construction |
JP6036371B2 (ja) * | 2013-02-14 | 2016-11-30 | 株式会社デンソー | 車両用運転支援システム及び運転支援方法 |
JP6511767B2 (ja) | 2014-10-20 | 2019-05-15 | 株式会社デンソー | 逆走判断装置 |
-
2016
- 2016-06-07 DE DE102016210023.8A patent/DE102016210023A1/de not_active Withdrawn
-
2017
- 2017-04-11 WO PCT/EP2017/058623 patent/WO2017211483A1/de unknown
- 2017-04-11 JP JP2018563789A patent/JP2019519040A/ja active Pending
- 2017-04-11 US US16/097,754 patent/US11315417B2/en active Active
- 2017-04-11 EP EP17718860.4A patent/EP3465655A1/de active Pending
- 2017-04-11 CN CN201780035496.8A patent/CN109313847A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009140008A (ja) * | 2007-12-03 | 2009-06-25 | Sumitomo Electric Ind Ltd | 危険走行情報提供装置、危険走行判定プログラム及び危険走行判定方法 |
CN102792350A (zh) * | 2010-03-12 | 2012-11-21 | 歌乐株式会社 | 车辆逆行检测装置 |
US20130304374A1 (en) * | 2011-12-22 | 2013-11-14 | Electronics And Telecommunications Research Institute | Apparatus and method for recognizing position of moving object |
EP2800883A1 (en) * | 2012-01-03 | 2014-11-12 | Volvo Lastvagnar AB | Method and arrangement for cleaning a particle filter |
CN102547244A (zh) * | 2012-01-17 | 2012-07-04 | 深圳辉锐天眼科技有限公司 | 视频监控方法及系统 |
CN202435528U (zh) * | 2012-01-17 | 2012-09-12 | 深圳辉锐天眼科技有限公司 | 视频监控系统 |
JP2014034251A (ja) * | 2012-08-08 | 2014-02-24 | Nissan Motor Co Ltd | 車両走行制御装置及びその方法 |
CN103021186A (zh) * | 2012-12-28 | 2013-04-03 | 中国科学技术大学 | 一种车辆监控的方法及系统 |
CN106022243A (zh) * | 2016-05-13 | 2016-10-12 | 浙江大学 | 一种基于图像处理的机动车道车辆逆行识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443185A (zh) * | 2019-07-31 | 2019-11-12 | 京东城市(北京)数字科技有限公司 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
CN110443185B (zh) * | 2019-07-31 | 2020-11-24 | 北京京东智能城市大数据研究院 | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20200402396A1 (en) | 2020-12-24 |
EP3465655A1 (de) | 2019-04-10 |
JP2019519040A (ja) | 2019-07-04 |
WO2017211483A1 (de) | 2017-12-14 |
US11315417B2 (en) | 2022-04-26 |
DE102016210023A1 (de) | 2017-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3673407B1 (en) | Automatic occlusion detection in road network data | |
CN109313849A (zh) | 用于错路驾驶员识别的方法、设备和系统 | |
CN103150786B (zh) | 一种非接触式无人驾驶车辆行驶状态测量系统及测量方法 | |
KR101446546B1 (ko) | 위치기반 실시간 차량정보 표시시스템 | |
GB2547999A (en) | Tracking objects within a dynamic environment for improved localization | |
CN109974734A (zh) | 一种用于ar导航的事件上报方法、装置、终端及存储介质 | |
US20200342430A1 (en) | Information Processing Method and Apparatus | |
CN106097755A (zh) | 用于识别泊车场地和/或空出场地的方法 | |
CN109313850A (zh) | 用于逆行驾驶员识别的方法、设备和系统 | |
US11150099B2 (en) | Detecting vehicular deviation from a specified path | |
US20230180045A1 (en) | Systems and methods for selecting locations to validate automated vehicle data transmission | |
Zhao et al. | Vetrack: Real time vehicle tracking in uninstrumented indoor environments | |
CN108960083A (zh) | 基于多传感器信息融合的自动驾驶目标分类方法及系统 | |
US20190180382A1 (en) | Methods and systems for driver and/or itinerary identification | |
CN109313847A (zh) | 用于错路驾驶员识别的方法、设备和系统 | |
CN109313851A (zh) | 用于逆行驾驶员识别的方法、设备和系统 | |
CN110793531B (zh) | 道路匹配的方法、装置以及可读存储介质 | |
CN106556405A (zh) | 一种基于智能手机传感器的车道检测方法 | |
CN109313852A (zh) | 用于逆行驾驶员识别的方法、设备和系统 | |
CN109313848A (zh) | 用于错路驾驶员识别的方法、设备和系统 | |
Alasaadi et al. | Parkzoom: A parking spot identification system | |
CN114166234A (zh) | 基于路害度量选择导航路线和路害识别预警的系统、方法、装置、处理器及计算机存储介质 | |
EP4160153A1 (en) | Methods and systems for estimating lanes for a vehicle | |
EP4160154A1 (en) | Methods and systems for estimating lanes for a vehicle | |
Lei et al. | Inertial Measurement Units-based probe vehicles: Path reconstruction and map matching |
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 |