CN110406532B - 一种识别目标车辆可能变道的方法、系统及汽车 - Google Patents
一种识别目标车辆可能变道的方法、系统及汽车 Download PDFInfo
- Publication number
- CN110406532B CN110406532B CN201910543087.XA CN201910543087A CN110406532B CN 110406532 B CN110406532 B CN 110406532B CN 201910543087 A CN201910543087 A CN 201910543087A CN 110406532 B CN110406532 B CN 110406532B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- distance
- sensor
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种识别目标车辆可能变道的方法、系统及汽车，以解决现有技术中不能及时的对其它车辆的切入情况进行预测性地识别的问题。该识别目标车辆可能变道的方法，包括：从与本车关联的至少一个传感器接收周围环境数据；基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；基于对所述周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换。
Description
技术领域
本发明涉及车辆自动驾驶领域，具体是一种识别目标车辆可能变道的方法、系统及汽车。
背景技术
随着技术的不断进步，能够在道路上进行自动驾驶的车辆即将出现，自动驾驶车辆在行驶期间，可能会遇到另一车道上的车辆尝试变道的车辆，当发生这样的切入情况时，自动驾驶车辆必须做出切入响应，通过改变其速度或加速度或变换到另一车道上，来避免其他车辆的切入。
在某些情况下，其他车辆看起来在尝试切入，但其切入可能最终并不会完成(例如，其他车辆的驾驶员改变了切入想法或者车辆仅在进行漂移)。尽管延迟实施切入响应直到其他车辆的切入足够可能发生，可以防止不必要的制动，但是这样的延迟也可能增加碰撞的风险和/或导致可以导致本车中的人员不适的制动。因此，需要针对车辆何时尝试切入进行改进预测。
发明内容
本发明的目的在于提供一种识别目标车辆可能变道的方法、系统及汽车，以解决现有技术中不能及时的对其它车辆的切入情况进行预测性地识别的问题。
本发明的技术方案为：
本发明提供了一种识别目标车辆可能变道的方法，包括：
从与本车关联的至少一个传感器接收周围环境数据；
基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；
基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；
依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换。
优选地，所述目标车辆为：位于与本车所在车道相邻的左车道和/或右车道上且与本车之间的纵向距离最近的车辆；所述感兴趣区域为位于本车前方的方框区域，所述方框区域的纵向距离为前车的车头和本车的车头之间的距离，所述方框的横向距离为与本车所在车道相邻的左车道的外侧边界线和与本车所在车道相邻的右车道的外侧边界线之间的距离，所述前车为位于本车所在车道前方且与本车之间纵向距离最近的车辆。
优选地，基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离的步骤之前，所述方法还包括：
基于对用于采集本车与所述目标车辆之间的纵向距离的传感器所采集的周围环境数据进行分析，判断是否存在目标车辆切换。
优选地，依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率的步骤包括：
对用于采集本车与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对计算出的在未来一定时段内所述目标车辆与本车之间的预测横向距离进行卡尔曼滤波，获得经过滤波处理后的在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对经过滤波处理后获得的预测横向距离进行最小二乘拟合，获得在未来一定时段内与所述预测横向距离相关的斜率。
优选地，对用于采集与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测的步骤包括：
若存在目标车辆切换，则在进行目标车辆切换后的预定个数据输出周期内，将用于采集本车与所述目标车辆之间的纵向距离的传感器所采集到的数据直接输入至所述CTRV模型中；并将所述传感器在预定个数据输出周期内的所采集到的数据进行均值滤波处理，以作为所述传感器在所述预定个数据输出周期后的下一数据输出周期所输出的数据，并输入至所述CTRV模型中进行预测计算；；
若不存在目标车辆切换，则对用于采集本车与所述目标车辆之间的纵向距离的传感器在当前数据输出周期前的预定个数据输出周期内所输出的数据进行均值滤波处理，将经过均值滤波处理后获得的数据均值作为当前数据输出周期输出的数据，并输入至所述CTRV模型中进行预测计算。
优选地，依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换的步骤包括：
依据所述预测横向距离，确定所述目标车辆在未来一定时段内的各个位置，一个所述预测横向距离对应于一个目标车辆的位置；
判断所述目标车辆在目标位置处的斜率和在所述目标位置处时与本车之间的预测横向距离是否满足切入条件；
若满足，则确定目标车辆在未来一定时段内会进行车道变换；
反之，则确定目标车辆在未来一定时段内不会进行车道变换。
优选地，根据用于采集目标车辆与本车之间的纵向距离的传感器所采集的数据，判断是否存在目标车辆切换的步骤包括：
根据用于采集目标车辆与本车之间的纵向距离的传感器所采集的数据，确定在所述传感器的相邻两个数据输出周期内的纵向距离采样差值，以及所述目标车辆在相邻两个数据输出周期内的实际运动纵向距离；
判断所述纵向距离采样差值是否小于所述实际运动纵向距离；
若大于，则确定存在目标车辆切换；
若小于或等于，则确定不存在目标车辆切换。
根据本发明的另一方面，本发明还提供了一种识别目标车辆可能变道的系统，所述系统包括：
数据接口，以及
至少一个处理装置，所述处理装置用于经由所述数据接口从与本车关联的至少一个传感器接收周围环境数据；
基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；
基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；
依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换。
根据本发明的另一方面，本发明还提供了一种汽车，包括：
车体；
至少一个传感器，以及至少一个处理装置，用于：
从所述至少一个传感器接收周围环境数据；
基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；
基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；
依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换。
本发明的有益效果为：
能够对目标车辆在未来一定时段内的切入情况进行预测，预知目标车辆在未来一定时间段内是否会进行车道变换。考虑控制自动驾驶搭载的传感成本和数据库搭建成本、传感器输出的数据存在突变、短暂丢失和错误数据等异常，无法有效判断自动驾驶车辆的邻车道目标车辆靠近趋势时，采用此方法可以不影响对目标车辆的切入判断，能通过短暂保持一定程度上减少传感异常带来的切入误报和漏报，从而有效提高了自动驾驶车辆的安全性和乘坐舒适性。
附图说明
图1为本发明的方法的流程示意图；
图2为本发明的方法的详细流程示意图；
图3为本发明中本车和其它车辆之间的位置定义图；
图4为本发明中对目标横向距离数据进行最小二乘拟合检测靠近趋势的示意图；
图5为本发明中均值滤波器进行均值滤波的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
参照图1，本发明实施例提供了一种识别目标车辆可能变道的方法，该方法包括：
步骤101，从与本车关联的至少一个传感器获取的周围环境数据。
在本发明实施例中，本车是指在没有驾驶员输入的情况下能够实现车辆的转向、制动和加速中的一个或多个性能改变的车辆。本车可以是在某些时间段内在驾驶员的控制下操作，而在其他时间内无需驾驶员操作的车辆。
周围环境数据是指传感器检测到的本车和其它车辆之间的横向距离，纵向距离以及其他车辆的车速，其它车辆与本车之间的相对横向车速，相对纵向车速，其它车辆的偏航角，偏航角速度等参数值。传感器安装在本车上，传感器的安装位置可灵活设置，此处不作限定。
步骤102，基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆。
在本车自动驾驶期间，可能会遇到另一辆或多辆尝试车道变换的车辆。例如，在所行驶的车道的左侧和/或右侧的车道(例如，由道路上的标记指定的车道、或在没有道路上的标记的情况下与本车的路径对齐的车道)中的车辆可以尝试变换到或切入(cut-in)到本车行驶的车道，这样的车辆可以称为目标车辆。该目标车辆为位于与本车所在车道相邻的左车道和/或右车道上且与本车之间的纵向距离最近的车辆。如图3所示，图中，目标车辆可以为位于左车道的LV和位于右车道的RV。
所述感兴趣区域为位于本车前方的方框区域，所述方框区域的纵向距离为前车的车头和本车的车头之间的距离，所述方框的横向距离为与本车所在车道相邻的左车道的外侧边界线和与本车所在车道相邻的右车道的外侧边界线之间的距离，所述前车为位于本车所在车道前方且与本车之间纵向距离最近的车辆。
其中，在接收到周围环境数据后，读取出周围环境数据，依据传感器所采集的周围环境数据的目标定义来确定每一组传感器数据所对应采集的那一辆车和本车之间的相对横向距离或纵向距离，该标签确定规则为：
RT1，本车道内与本车(Host Vehicle)纵向距离最近的车辆，本专利中的前车(Front Vehicle,FV)；
RT2，本车道内与本车纵向距离次近的车辆；RT3，本车的左侧相邻车道内与本车纵向距离最近的车辆，本申请中的相邻左车道潜在cut-in目标车辆(Left Vehicle,LV)；
RT4，本车的右侧相邻车道内与本车纵向距离最近的车辆，本专利中的相邻右车道潜在cut-in目标车辆(Right Vehicle,RV)；
RT5，RT3前方与本车横向距离最近的车辆；
RT6，RT4前方与本车横向距离最近的车辆。
依据该上述规则，可以定义数据具体对应哪一个目标车辆，然后，在对定义完成后的数据进行合理性判断，主要用于确定传感器采集到的数据是否为车与车之间的相对距离，或者是传感器采集到的车与车之间的相对距离是否符合真实情况等。若在合理性判断时，确认到某一传感器所采集的数据不满足定义要求，则视为该传感器所采集到的数据无效，并将该传感器在上一周期采集的合理数据作为后续处理数据。
考虑到在车辆行进过程中，由于相邻车道上的目标车辆速度的不同，在传感器的输出数据的过程中，目标车辆可能发生替换，因此，需要对传感器在数据输出过程中检测是否出现目标车辆切换的情况。主要是基于对用于采集本车与所述目标车辆之间的纵向距离的传感器所采集的周围环境数据进行分析，判断是否存在目标车辆切换。具体来说，是通过以下步骤来实现判断的：
根据用于采集目标车辆与本车之间的纵向距离的传感器所采集的数据，确定在所述传感器的相邻两个数据输出周期内的纵向距离采样差值，以及所述目标车辆在相邻两个数据输出周期内的实际运动距离；
判断所述纵向距离采样差值是否小于所述实际运动距离；
若大于，则确定存在目标车辆切换；
若小于或等于，则确定不存在目标车辆切换。
例如，传感器在持续检测并输出所采集到的数据，驾驶传感器在第N个周期检测到的本车与目标车辆之间的纵向距离为S1，在第N+1个周期检测到的本车与目标车辆之间的纵向距离为S2，根据目标车辆的车速，可以获知目标车辆在传感器的一个数据输出周期内的纵向移动距离。如果S2与S1的差值小于或等于目标车辆在传感器的一个数据输出周期内的纵向移动距离值，则表明目标车辆未发生变化；反之，则表明传感器在第N个周期采集到的数据对象和第N+1个周期采集到的数据对象不同，因此，存在目标车辆切换的情况。在确定目标车辆切换后，则后台将目标车辆定义为新的目标车辆。
步骤103，基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离。
在步骤102中，已经确定了表征本车和目标车辆之间的相对距离的周围环境数据，可以基于传感器数据，直接读取出本车和目标车辆之间的横向距离。其中，传感器在每一个数据输出周期到达时，输出一组数据，本申请中，为了实现后续目标切换情形时的计算，在步骤103中，所确定的是，存储的传感器在多个数据输出周期(如20个)各自输出的横向距离数据。
步骤104，依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率。
具体来说，该步骤105包括：
对用于采集本车与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对计算出的在未来一定时段内所述目标车辆与本车之间的预测横向距离进行卡尔曼滤波，获得经过滤波处理后的在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对经过滤波处理后获得的预测横向距离进行最小二乘拟合，获得在未来一定时段内与所述预测横向距离相关的斜率。
具体来说，根据目标车辆切换的有无，对横向距离的计算分两种情形。
若存在目标车辆切换，则在进行目标车辆切换后的预定个数据输出周期内，将用于采集本车与所述目标车辆之间的纵向距离的传感器所采集到的数据直接输入至所述CTRV模型中；并将所述传感器在预定个数据输出周期内的所采集到的数据进行均值滤波处理，以作为所述传感器在所述预定个数据输出周期后的下一数据输出周期所输出的数据，并输入至所述CTRV模型中进行预测计算。例如，如图5所示，该目标车辆切换后时传感器第一次输出数据的时刻为起始时刻，预定个数据输出周期即为包含该起始时刻在内开始的连续19个传感器数据输出周期，，将包含目标车辆切换的起始时刻的连续19个传感器数据输出的多组数据序列输入至CTRV模型中进行预测计算，此时，滤波器在该19次组数据输出周期时所输出的数据为传感器的真实采样数据；而对于传感器在目标车辆切换后的第20个数据输出周期及后续采样时刻来说，其输出的数据为前19次数据输出周期所输出的数据均值。若不存在目标车辆切换，则对用于采集本车与所述目标车辆之间的纵向距离的传感器当前数据输出周期前的预定个数据输出周期内所输出的数据进行均值滤波处理，将经过均值滤波处理后获得的数据均值作为当前数据输出周期输出的数据，输入至所述CTRV模型中进行预测计算。例如，如图5所示，对于该种情况下，传感器每次输出的数据均为前19次输出的数据的均值，传感器所输出的数据并非为传感器的真实采样数据。也就是说，在存在目标车辆切换时，将目标车辆切换时刻在内开始的连续一定时间段内(如19个数据输出周期)采集到的数据直接使用，而不进行均值滤波；而在未进行目标车辆切换时，则将传感器在一定时间段内(如19个数据输出周期)采集到的数据进行均值滤波。
具体来说，CTRV模型计算的过程如下，对于CTRV模型来说，其运动模型的状态量为
其中，y和x分别是目标车辆相对于本车的横向距离和纵向距离，v是目标车辆相对于本车的横向速度，θ为目标车辆的偏航角，其具体是指目标车辆在本车坐标系下与纵向坐标轴的夹角，逆时针方向为正，θ的取值范围为[0,2π)，ω是目标车辆的偏航角速度，
是在传感器数据输出的下一时刻的状态向量，Δt是传感器数据输出的周期时间步长。CTRV的状态转移方程如下，
当ω＝0时，
y(t+Δt)＝v cos(θ)Δt+y(t)
x(t+Δt)＝v sin(θ)Δt+x(t)
经过CTRV模型计算后，可以对在未来一定时间段内目标车辆和本车之间的横向距离进行预测，该未来一定时间段可以进行标定，例如在传感器未来的30、50或者100个数据输出周期。进行卡尔曼滤波的目的在于，对预测数据进行进一步处理，以提高预测结果的准确性。
在本发明中，采用CA模型对目标车辆运动建立动态建模(假设本车与目标车辆之间相对横向加速度的变化是平稳的，因此选用三阶卡尔曼滤波器对横向数据进行跟踪预测)。采样间隔T的卡尔曼滤波器离散时间状态方程为，
其中，
是传感器数据输出的当前时刻的系统状态向量，
是预测的传感器数据输出的下一时刻状态向量，z(t)＝y是传感器数据输出的当前时刻的系统观测向量，
是系统矩阵，H＝[1 0 0]是系统观测矩阵，w(t)是系统噪声，其方差矩阵为Q，v(t)是观测噪声，其方差矩阵为R。滤波器的初始条件为，初始状态估计为从传感器获得的当前采样时刻目标数据
初始误差协方差矩阵
在进行最小二乘拟合时，主要是进行一阶拟合，这样，如图4所示，可以得到一个与预测横向距离相关且近似成一条直线的斜率。
步骤105，依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换。
其中，该步骤105具体包括：
依据所述预测横向距离，确定所述目标车辆在未来一定时段内的各个位置，一个所述预测横向距离对应于一个目标车辆的位置；
判断所述目标车辆在目标位置处的斜率和在所述目标位置处时与本车之间的预测横向距离是否满足切入条件；
若满足，则确定目标车辆在未来一定时段内会进行车道变换；
反之，则确定目标车辆在未来一定时段内不会进行车道变换。
具体来说，针对于位于左车道的目标车辆来说，其具体满足的切入条件为：在目标位置处的斜率小于预定斜率且在目标位置处时与本车所在车道的左车道线之间的预测横向距离大于目标横向距离；针对于位于右车道的目标车辆来说，其具体满足的切入条件为：在目标位置处的斜率大于预定斜率且在目标位置处时与本车所在车道的右车道线之间的预测横向距离小于目标横向距离。
并且，对于位于左车道的目标车辆来说，若目标车辆在目标位置处的斜率小于预定斜率，但在目标位置处与本车所在车道的左车道线之间的预测横向距离未大于目标横向距离，则确定目标车辆不具有靠近本车的趋势。对于位于右车道的目标车辆来说，若目标车辆在目标位置处的斜率大于预定斜率，但在目标位置处与本车所在车道的右车道线之间的预测横向距离未小于目标横向距离，则确定目标车辆不具有靠近本车的趋势。其中，目标位置是一个标定位置，若该目标位置表征目标车辆在该目标位置处不存在车道变换的可能性，则在该未来一定时间段内均不存在车道变换的可能性。
参照图2，本发明上述方法，其步骤如下：
步骤201，当目标存在模块1接收到RT1～RT6共6个传感器数据后，根据本车的邻车道潜在切入目标车辆LV和RV位置信息，判断目标车辆是否存在于感兴趣区域内；
步骤202，如果步骤101输出的标志位为0，将不再执行后续切入预测识别模块，并将目标的cut-in标志位置0；
步骤203，如果步骤101输出的标志位为1，目标数据预处理模块根据目标定义对其状态数据进行合理性判断，如果数据不满足该定义，视为目标短暂丢失后的无效数据，则保持前一时刻数据不变，如果数据有效，则进一步根据目标状态信息判断是否存在目标车辆切换；具体来说，如果目标车辆与本车之间是纵向距离跳变超出目标车辆当前速度运动的距离，则将目标判断为新目标，即目标切换，先进入初始化滤波器模块进行初始化滤波操作，初始化滤波操作为包括检测到目标切换时刻开始的连续19个控制周期直接输出传感器给的横向距离，如图5所示目标切换时刻(初始时刻)在内开始的连续19个周期多组数据序列；
步骤204，如果目标车辆与本车之间的纵向距离跳变在当前速度运动的距离范围内，则将目标判断为同一个目标，即目标未切换，进入横向距离均值滤波模块，则输出窗口长度为20的横向距离均值滤波结果，如图5所示的当前采样时刻到下一个目标切换时刻(初始时刻)之间的数据序列，如果目标切换，在完成初始化滤波器4模块后再进入横向距离均值滤波模块进行均值滤波，如图5所示目标切换时刻(初始时刻)在内开始的连续19个周期多组数据序列；
步骤205，滤波处理后的横向距离数据结合目标车辆的其他状态数据，输入基于CTRV模型进行预测模块，对未来50个控制周期的目标车辆运动状态进行预测，提前50个控制周期得到未来目标车辆的预测横向距离；
步骤207，预测到的预测横向距离输入卡尔曼滤波模块，对该预测数据进行基于常加速度(Constant Acceleration,CA)模型的卡尔曼滤波处理，进一步提高预测结果准确性；
步骤208，滤波处理后的预测横向距离输入最小二乘拟合模块，利用最小二乘法对该距离序列进行一阶拟合，得到该多组距离数据序列对应的斜率；
步骤209，将该斜率和基于CTRV模型预测的目标车辆与本车道的相对位置输入满足切入条件判断模块，如果目标车辆LV对应的斜率大于0.6m/s，则LV靠近趋势标志位置1，否则置0，如果同时满足预测的横向位置大于本车左侧车道线近本车0.7m位置，则LV的切入标志位置1，否则置0，如果目标车辆RV对应的斜率大于-0.6m/s，则RV靠近趋势标志位置1，否则置0，如果同时满足预测的横向位置小于本车右侧车道线靠近本车0.7m位置，则RV的切入标志位置1，否则置0。
在确定目标车辆会发生车道变换时，对于本车来说，应当进行切入响应。
在一些情况下，目标车辆可能看起来在尝试切入，但该切入可能最终不会完成。目标车辆的驾驶员(或者甚至与目标车辆相关联的完全或部分自主的驾驶系统)例如可以改变他或她的想法或以其他方式改变远离车道改变的驾驶计划，或者目标车辆可以简单地一直在漂移。因此，为了避免频繁的不必要的制动和/或加速，可能期望车辆延迟实施(effect)导航响应，直到目标车辆的切入被确定为是足够可能的。另一方面，在一些情况下(特别是在预期到目标车辆的路线的改变成本车的路径的情况下)，可能期望本车可以更早地实施切入响应。这种至少部分基于预期到的行为的切入响应可以帮助避免突然的制动并且可以提供甚至进一步增加的安全裕度。对目标车辆何时尝试切入的改进的预测可以有助于减少不必要的制动和突然制动。这种改进的预测可以称为切入检测，并且当检测到切入时所采用的响应可以称为切入响应。对于本车来说，其在进行切入响应的方式车速、加速度、转向等方式来进行，以避免目标车辆切入时碰撞问题出现。
本实施例上述方法，能够对目标车辆在未来一定时段内的切入情况进行预测，预知目标车辆在未来一定时间段内是否会进行车道变换。考虑控制自动驾驶搭载的传感成本和数据库搭建成本、传感器输出的数据存在突变、短暂丢失和错误数据等异常，无法有效判断自动驾驶车辆的邻车道目标车辆靠近趋势时，采用此方法可以不影响对目标车辆的切入判断，能通过短暂保持一定程度上减少传感异常带来的切入误报和漏报，从而有效提高了自动驾驶车辆的安全性和乘坐舒适性。
根据本发明的另一方面，本发明还提供了一种识别目标车辆可能变道的系统，所述系统包括：
数据接口，以及
至少一个处理装置，所述处理装置用于经由所述数据接口从与本车关联的至少一个传感器接收周围环境数据；
基于对周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；
基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；
依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换。
本发明上述系统，能够对目标车辆在未来一定时段内的切入情况进行预测，预知目标车辆在未来一定时间段内是否会进行车道变换。考虑控制自动驾驶搭载的传感成本和数据库搭建成本、传感器输出的数据存在突变、短暂丢失和错误数据等异常，无法有效判断自动驾驶车辆的邻车道目标车辆靠近趋势时，采用此方法可以不影响对目标车辆的切入判断，能通过短暂保持一定程度上减少传感异常带来的切入误报和漏报，从而有效提高了自动驾驶车辆的安全性和乘坐舒适性。
根据本发明的另一方面，本发明还提供了一种汽车，包括：
车体；
至少一个传感器，以及至少一个处理装置，用于：
从所述至少一个传感器接收周围环境数据；
基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；
基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；
依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换。
本发明上述汽车，能够对目标车辆在未来一定时段内的切入情况进行预测，预知目标车辆在未来一定时间段内是否会进行车道变换。考虑控制自动驾驶搭载的传感成本和数据库搭建成本、传感器输出的数据存在突变、短暂丢失和错误数据等异常，无法有效判断自动驾驶车辆的邻车道目标车辆靠近趋势时，采用此方法可以不影响对目标车辆的切入判断，能通过短暂保持一定程度上减少传感异常带来的切入误报和漏报，从而有效提高了自动驾驶车辆的安全性和乘坐舒适性。
Claims (7)
1.一种识别目标车辆可能变道的方法，其特征在于，包括：
从与本车关联的至少一个传感器接收周围环境数据；
基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；
基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；
依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率的步骤包括：
对用于采集本车与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对计算出的在未来一定时段内所述目标车辆与本车之间的预测横向距离进行卡尔曼滤波，获得经过滤波处理后的在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对经过滤波处理后获得的预测横向距离进行最小二乘拟合，获得在未来一定时段内与所述预测横向距离相关的斜率；
对用于采集与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测的步骤包括：
若存在目标车辆切换，则在进行目标车辆切换后的预定个数据输出周期内，将用于采集本车与所述目标车辆之间的纵向距离的传感器所采集到的数据直接输入至所述CTRV模型中；并将所述传感器在预定个数据输出周期内的所采集到的数据进行均值滤波处理，以作为所述传感器在所述预定个数据输出周期后的下一数据输出周期所输出的数据，并输入至所述CTRV模型中进行预测计算；
若不存在目标车辆切换，则对用于采集本车与所述目标车辆之间的纵向距离的传感器在当前数据输出周期前的预定个数据输出周期内所输出的数据进行均值滤波处理，将经过均值滤波处理后获得的数据均值作为当前数据输出周期输出的数据，并输入至所述CTRV模型中进行预测计算。
2.根据权利要求1所述的方法，其特征在于，所述目标车辆为：位于与本车所在车道相邻的左车道和/或右车道上且与本车之间的纵向距离最近的车辆；所述感兴趣区域为位于本车前方的方框区域，所述方框区域的纵向距离为前车的车头和本车的车头之间的距离，所述方框的横向距离为与本车所在车道相邻的左车道的外侧边界线和与本车所在车道相邻的右车道的外侧边界线之间的距离，所述前车为位于本车所在车道前方且与本车之间纵向距离最近的车辆。
3.根据权利要求1所述的方法，其特征在于，基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离的步骤之前，所述方法还包括：
基于对用于采集本车与所述目标车辆之间的纵向距离的传感器所采集的周围环境数据进行分析，判断是否存在目标车辆切换。
4.根据权利要求1所述的方法，其特征在于，依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换的步骤包括：
依据所述预测横向距离，确定所述目标车辆在未来一定时段内的各个位置，一个所述预测横向距离对应于一个目标车辆的位置；
判断所述目标车辆在目标位置处的斜率和在所述目标位置处时与本车之间的预测横向距离是否满足切入条件；
若满足，则确定目标车辆在未来一定时段内会进行车道变换；
反之，则确定目标车辆在未来一定时段内不会进行车道变换。
5.根据权利要求3所述的方法，其特征在于，根据用于采集目标车辆与本车之间的纵向距离的传感器所采集的数据，判断是否存在目标车辆切换的步骤包括：
根据用于采集目标车辆与本车之间的纵向距离的传感器所采集的数据，确定在所述传感器的相邻两个数据输出周期内的纵向距离采样差值，以及所述目标车辆在相邻两个数据输出周期内的实际运动距离；
判断所述纵向距离采样差值是否小于所述实际运动纵向距离；
若大于，则确定存在目标车辆切换；
若小于或等于，则确定不存在目标车辆切换。
6.一种识别目标车辆可能变道的系统，其特征在于，所述系统包括：
数据接口，以及
至少一个处理装置，所述处理装置用于经由所述数据接口从与本车关联的至少一个传感器接收周围环境数据；
基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；
基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；
依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率的步骤包括：
对用于采集本车与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对计算出的在未来一定时段内所述目标车辆与本车之间的预测横向距离进行卡尔曼滤波，获得经过滤波处理后的在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对经过滤波处理后获得的预测横向距离进行最小二乘拟合，获得在未来一定时段内与所述预测横向距离相关的斜率；
对用于采集与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测的步骤包括：
若存在目标车辆切换，则在进行目标车辆切换后的预定个数据输出周期内，将用于采集本车与所述目标车辆之间的纵向距离的传感器所采集到的数据直接输入至所述CTRV模型中；并将所述传感器在预定个数据输出周期内的所采集到的数据进行均值滤波处理，以作为所述传感器在所述预定个数据输出周期后的下一数据输出周期所输出的数据，并输入至所述CTRV模型中进行预测计算；
若不存在目标车辆切换，则对用于采集本车与所述目标车辆之间的纵向距离的传感器在当前数据输出周期前的预定个数据输出周期内所输出的数据进行均值滤波处理，将经过均值滤波处理后获得的数据均值作为当前数据输出周期输出的数据，并输入至所述CTRV模型中进行预测计算。
7.一种汽车，其特征在于，包括：
车体；
至少一个传感器，以及至少一个处理装置，用于：
从所述至少一个传感器接收周围环境数据；
基于对所述周围环境数据的分析，识别出位于本车的感兴趣区域内的目标车辆；
基于对所述目标车辆对应的周围环境数据的分析，确定出所述目标车辆与本车之间的横向距离；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率；
依据所述预测横向距离和与所述预测横向距离相关的斜率，识别出所述目标车辆在未来一定时段内是否会进行车道变换；
依据所确定的横向距离，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离和与所述预测横向距离相关的斜率的步骤包括：
对用于采集本车与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测，计算出在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对计算出的在未来一定时段内所述目标车辆与本车之间的预测横向距离进行卡尔曼滤波，获得经过滤波处理后的在未来一定时段内所述目标车辆与本车之间的预测横向距离；
对经过滤波处理后获得的预测横向距离进行最小二乘拟合，获得在未来一定时段内与所述预测横向距离相关的斜率；
对用于采集与所述目标车辆之间的纵向距离的传感器在一定时间段内所采集到的数据进行CTRV模型预测的步骤包括：
若存在目标车辆切换，则在进行目标车辆切换后的预定个数据输出周期内，将用于采集本车与所述目标车辆之间的纵向距离的传感器所采集到的数据直接输入至所述CTRV模型中；并将所述传感器在预定个数据输出周期内的所采集到的数据进行均值滤波处理，以作为所述传感器在所述预定个数据输出周期后的下一数据输出周期所输出的数据，并输入至所述CTRV模型中进行预测计算；
若不存在目标车辆切换，则对用于采集本车与所述目标车辆之间的纵向距离的传感器在当前数据输出周期前的预定个数据输出周期内所输出的数据进行均值滤波处理，将经过均值滤波处理后获得的数据均值作为当前数据输出周期输出的数据，并输入至所述CTRV模型中进行预测计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910543087.XA CN110406532B (zh) | 2019-06-21 | 2019-06-21 | 一种识别目标车辆可能变道的方法、系统及汽车 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910543087.XA CN110406532B (zh) | 2019-06-21 | 2019-06-21 | 一种识别目标车辆可能变道的方法、系统及汽车 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110406532A CN110406532A (zh) | 2019-11-05 |
| CN110406532B true CN110406532B (zh) | 2020-12-04 |
Family
ID=68359520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910543087.XA Active CN110406532B (zh) | 2019-06-21 | 2019-06-21 | 一种识别目标车辆可能变道的方法、系统及汽车 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110406532B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800812A (zh) * | 2019-11-13 | 2021-05-14 | 北京地平线机器人技术研发有限公司 | 目标对象变道识别方法和装置、可读存储介质、电子设备 |
| CN111016902B (zh) * | 2019-12-30 | 2021-07-06 | 重庆长安汽车股份有限公司 | 一种车辆换道时的车速辅助控制方法、系统及汽车 |
| CN111169476B (zh) * | 2020-01-18 | 2021-09-03 | 重庆长安汽车股份有限公司 | 一种运动趋势预测方法、装置、控制器及汽车 |
| CN111645682B (zh) * | 2020-04-20 | 2021-12-28 | 长城汽车股份有限公司 | 一种巡航控制方法、系统及车辆 |
| CN113808298B (zh) * | 2020-06-17 | 2023-05-09 | 上海汽车集团股份有限公司 | 一种基于测试数据的车辆换道行为提取方法及系统 |
| CN112026756B (zh) * | 2020-08-31 | 2021-08-06 | 重庆长安汽车股份有限公司 | 基于跟踪目标的危险目标选择方法、系统及车辆 |
| CN111967094B (zh) * | 2020-09-01 | 2022-08-16 | 吉林大学 | 一种基于Mobileye提供车道线方程的后向车道线推算方法 |
| CN112356848A (zh) * | 2020-11-06 | 2021-02-12 | 北京经纬恒润科技股份有限公司 | 目标监测方法及自动驾驶系统 |
| CN112530202B (zh) * | 2020-11-23 | 2022-01-04 | 中国第一汽车股份有限公司 | 一种车辆变道的预测方法、装置、设备及车辆 |
| CN112455439B (zh) * | 2020-11-25 | 2022-07-08 | 重庆长安汽车股份有限公司 | 基无人驾驶车辆环境认知及决策控制方法、系统及车辆 |
| CN113428141B (zh) * | 2021-07-15 | 2022-12-09 | 东风汽车集团股份有限公司 | 一种前车紧急切入及时响应的智能检测方法及系统 |
| CN117842073A (zh) * | 2024-03-07 | 2024-04-09 | 中国第一汽车股份有限公司 | 目标车辆换道意图识别方法、装置及车辆 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015140114A (ja) * | 2014-01-29 | 2015-08-03 | いすゞ自動車株式会社 | 横変位算出装置 |
| EP3007150A1 (en) * | 2014-10-07 | 2016-04-13 | Autoliv Development AB | Lane change detection |
| DE102016009762A1 (de) * | 2016-08-11 | 2018-02-15 | Trw Automotive Gmbh | Steuerungssystem und Steuerungsverfahren zum Ermitteln einer Wahrscheinlichkeit für einen Fahrspurwechsel eines vorausfahrenden Kraftfahrzeugs |
| DE102016120876A1 (de) * | 2016-11-02 | 2018-05-03 | HELLA GmbH & Co. KGaA | Verfahren, System und Computerprogrammprodukt zur Erkennung eines möglichen Spurwechsels eines Fremdfahrzeugs, sowie Fahrzeug |
| CN108202745B (zh) * | 2016-12-19 | 2020-10-02 | 法法汽车(中国)有限公司 | 预测障碍物车辆状态的方法及系统 |
-
2019
- 2019-06-21 CN CN201910543087.XA patent/CN110406532B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110406532A (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110406532B (zh) | 一种识别目标车辆可能变道的方法、系统及汽车 | |
| CN106335509B (zh) | 车辆的驾驶辅助装置 | |
| CN107000745B (zh) | 车辆的行驶控制装置以及行驶控制方法 | |
| US8306269B2 (en) | Lane recognition device | |
| US20180370528A1 (en) | Driver assistance method and system | |
| US10843705B2 (en) | Method and device for environment-based adaptation of driver assistance functions | |
| CN107031331B (zh) | 横穿道路的异常检测系统和方法 | |
| CN102632888B (zh) | 用于警告车辆驾驶员的方法和警告装置以及车辆 | |
| US9150221B2 (en) | Vehicle controller, control method for vehicle and control system for vehicle | |
| US20050278112A1 (en) | Process for predicting the course of a lane of a vehicle | |
| EP3048023B1 (en) | Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system | |
| US20080291276A1 (en) | Method for Driver Assistance and Driver Assistance Device on the Basis of Lane Information | |
| CN109155107A (zh) | 用于自动化车辆场景感知的感知系统 | |
| CN110816540B (zh) | 交通拥堵的确定方法、装置、系统及车辆 | |
| CN103419783A (zh) | 车道保持辅助系统及方法 | |
| CN102673560A (zh) | 识别拐弯机动的方法和驾驶员辅助系统 | |
| CN111033589A (zh) | 车道信息管理方法、行驶控制方法及车道信息管理装置 | |
| US10239532B2 (en) | Method for operating a driver assistance system, and driver assistance system | |
| CN102428505A (zh) | 车辆环境估计装置 | |
| JP2005511374A (ja) | 自動車を自動的に監視するシステム | |
| CN109844843A (zh) | 用于检查超车可能性条件的方法 | |
| JP2003531423A (ja) | 車両の速度制御方法 | |
| CN112265542B (zh) | 一种自动驾驶会车场景处理方法及其装置、车辆 | |
| US11119491B2 (en) | Vehicle steering control | |
| KR100999971B1 (ko) | 자동운행차량의 주행라인 제어 시스템 및 그 방법 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210508 Address after: 401120 No.107 dataguzhong Road, Xiantao street, Yubei District, Chongqing Patentee after: Chongqing Changan Automobile Software Technology Co.,Ltd. Address before: 400023, No. 260, Jianxin East Road, Jiangbei District, Chongqing Patentee before: Chongqing Changan Automobile Co.,Ltd. |