CN110414707A - 用于车道级危险预测的系统和方法 - Google Patents

用于车道级危险预测的系统和方法 Download PDF

Info

Publication number
CN110414707A
CN110414707A CN201910289021.2A CN201910289021A CN110414707A CN 110414707 A CN110414707 A CN 110414707A CN 201910289021 A CN201910289021 A CN 201910289021A CN 110414707 A CN110414707 A CN 110414707A
Authority
CN
China
Prior art keywords
lane
vehicle
cell
grade cell
grade
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
Application number
CN201910289021.2A
Other languages
English (en)
Inventor
S·拉贾布
白雪
吴国垣
K·博里布恩索姆辛
M·J·巴斯
叶菲
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.)
Honda Motor Co Ltd
Honda R&D Co Ltd
University of California
Original Assignee
Honda R&D Co Ltd
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 Honda R&D Co Ltd, University of California filed Critical Honda R&D Co Ltd
Publication of CN110414707A publication Critical patent/CN110414707A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • 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
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • G06Q50/40—
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • 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
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • 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
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096791—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is another vehicle
    • 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
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Analytical Chemistry (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

一种用于车道危险预测的计算机实现的方法包括从多个车辆接收车辆数据，所述多个车辆各自装备用于计算机通信。多个车辆中的每个车辆都沿着包括多个车道的道路网络行驶，并且多个车道中的每个车道都包括多个车道级小区，其中每个车道级小区都包括多个车道中的车道的特定部分。所述方法包括：将所述车辆数据集成到所述多个车道级小区中；以及对于所述多个车道级小区中的每个车道级小区，基于与所述车道级小区、相邻上游小区和相邻下游小区相关联的所述车辆数据来计算相对于所述车道级小区存在危险的概率。此外，所述方法包括基于主车辆下游存在危险的概率来控制主车辆。

Description

用于车道级危险预测的系统和方法
背景技术
车道级危险诸如道路上的车道关闭、车辆破损、碰撞和/或碎片可能会对道路使用者造成显著延迟和其他问题。车道级危险引起的问题通常是由于驾驶员无法从他/她的车道看到超出主车辆特定环境的危险。每当驾驶员的视线被大型物体(诸如大型车辆)或车辆倒车操作阻挡时，情况尤其如此。驾驶员的视觉也可能由于道路几何形状(诸如曲率)或某些天气条件而降低。传统的感测系统(例如，雷达、激光雷达、相机)具有对主车辆的直接周围环境的有限的检测范围。因此，通常情况下，驾驶员没有超出主车辆周围环境的关于前方障碍物的信息，无论是道路级的还是车道级的。因此，需要一种准确地预测车道级的危险信息的解决方案。
发明内容
根据一个方面，一种用于车道危险预测的计算机实现的方法包括从多个车辆接收车辆数据，所述多个车辆各自装备用于计算机通信。多个车辆中的每个车辆都沿着包括多个车道的道路网络行驶，并且多个车道中的每个车道都包括多个车道级小区(lane levelcell)，其中每个车道级小区都包括多个车道中的车道的特定部分。所述方法包括将车辆数据集成到多个车道级小区中。对于多个车道级小区中的每个车道级小区，所述方法包括基于与车道级小区相关联的车辆数据、与相邻上游小区相关联的车辆数据以及与相邻下游小区相关联的车辆数据来计算相对于车道级小区存在危险的概率。此外，所述方法包括基于主车辆下游存在危险的概率来控制主车辆。
根据另一方面，一种用于车道危险预测的系统包括多个车辆，所述多个车辆各自配置用于经由车辆通信网络进行计算机通信。多个车辆中的每个车辆都沿着包括多个车道的道路网络行驶，并且多个车道中的每个车道都包括多个车道级小区，其中每个车道级小区都包括多个车道中的车道的特定部分。所述系统包括可操作地连接以用于到车辆通信网络的计算机通信的处理器，其中所述处理器：接收从多个车辆所发送的车辆数据；将车辆数据集成到多个车道级小区中；以及对于多个车道级小区中的每个车道级小区，基于与车道级小区相关联的车辆数据、与相邻上游小区相关联的车辆数据以及与相邻下游相关联的车辆数据，计算相对于车道级小区存在危险的概率。此外，处理器基于主车辆下游存在危险的概率来控制主车辆。
根据另一方面，一种包括指令的非暂时性计算机可读存储介质，所述指令在由处理器执行时使处理器从多个车辆接收车辆数据，所述多个车辆各自装备用于计算机通信。多个车辆中的每个车辆都沿着包括多个车道的道路网络行驶，并且多个车道中的每个车道都包括多个车道级小区，其中每个车道级小区都包括多个车道中的车道的特定部分。所述指令在由所述处理器执行时还使处理器：将车辆数据集成到多个车道级小区中；以及对于多个车道级小区中的每个车道级小区，基于与车道级小区相关联的车辆数据、与相邻上游小区相关联的车辆数据以及与相邻下游相关联的车辆数据，计算相对于车道级小区存在危险的概率。此外，所述指令在由处理器执行时还使处理器基于所述主车辆下游存在所述危险的概率来控制主车辆。
附图说明
在随附权利要求中阐述了被认为是本公开特性的新颖特征。在后面的描述中，贯穿说明书和附图分别用相同的附图标记标示相同的部分。附图未必按比例绘制，并且为了清楚和简明的目的，某些特征可能以放大或广义的形式进行示出。然而，通过参考以下结合附图的阐述性实施方案的详细描述，将最好地理解本公开本身以及其优选使用模式、另外的目的和进步，在附图中：
图1是根据一个实施方案的道路网络上的示例性交通场景的示意图；
图2是根据示例性实施方案的用于实现车道级危险预测的操作环境和系统的框图；
图3是根据示例性实施方案的用于车道级危险预测的方法的过程流程图；
图4是根据示例性实施方案的车辆的车道变换操纵的时空图；
图5是根据示例性实施方案的在不同渗透率下的相对冲突频率的图；
图6是根据示例性实施方案的在不同交通量下的相对冲突频率的图；
图7是根据示例性实施方案的在不同渗透率下的平均速度增加的图；以及
图8是根据示例性实施方案的在不同交通量下的平均速度增加的图。
具体实施方式
以下包括本文采用的所选术语的定义。所述定义包括落在术语范围内并且可用于实现的部件的各种示例和/或形式。示例不意图进行限制。此外，本文讨论的部件可以与其他部件组合、省略或与组织在一起，或者组成不同的架构。
如本文所使用的“总线”是指互连的架构，其可操作地连接到计算机内部或计算机之间的其他计算机部件。总线可以在计算机部件之间传送数据。总线可以是存储器总线、存储器处理器、外围总线、外部总线、交叉开关和/或本地总线等。总线也可以是车辆总线，其使用诸如面向媒体的系统传输(MOST)、处理器局部网(CAN)、本地互连网络(LIN)等协议来互连车辆内部的部件。
如本文所使用的“部件”是指计算机相关实体(例如，硬件、固件、执行中的指令、其组合)。计算机部件可以包括例如在处理器上运行的进程、处理器、对象、可执行文件、执行线程和计算机。计算机部件可以驻留在进程和/或线程内。计算机部件可以位于一台计算机上和/或可以分布在多台计算机之间。
如本文所使用的“计算机通信”是指两个或更多个计算装置(例如，计算机、个人数字助理、蜂窝电话、网络装置、车辆、车辆计算装置、基础设施装置、路边装置)之间的通信，并且可以是例如网络传输、数据传输、文件传输、小应用程序传输、电子邮件、超文本传输协议(HTTP)传输等。计算机通信可以发生在任何类型的有线或无线系统和/或具有任何类型的配置的网络上，例如、局域网(LAN)、个域网(PAN)、无线个域网(WPAN)、无线网络(WAN)、广域网(WAN)、城域网(MAN)、虚拟专用网(VPN)、蜂窝网络、令牌环网、点对点网络、自组织网络、移动自组织网络、车载自组织网络(VANET)、车辆对车辆(V2V)网络、车辆对外界(V2X)网络、车辆对基础设施(V2I)网络等。计算机通信可以利用任何类型的有线、无线或网络通信协议，包括但不限于以太网(例如，IEEE 802.3)、WiFi(例如，IEEE 802.11)、陆地移动通信接入(CALM)、WiMax、蓝牙、Zigbee、超宽带(UWAB)、多输入多输出(MIMO)、电信和/或蜂窝网络通信(例如，SMS、MMS、3G、4G、LTE、5G、GSM、CDMA、WAVE)、卫星、专用短程通信(DSRC)等等。
如本文所使用的“计算机可读介质”是指存储指令和/或数据的非暂时性介质。计算机可读介质可以采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可以包括例如光盘、磁盘等。易失性介质可以包括例如半导体存储器、动态存储器等。计算机可读介质的常见形式可以包括但不限于软盘、软磁盘、硬盘、磁带、其他磁介质、ASIC、CD、其他光学介质、RAM、ROM、存储器芯片或卡、记忆棒和计算机、处理器或其他电子装置可以从其中读取的其他介质。
如本文所使用的“数据库”用于指代表。在其他示例中，“数据库”可用于指代一组表。在另外的其他示例中，“数据库”可以指代用于访问和/或操纵那些数据存储库的一组数据存储库和方法。数据库可以例如存储在磁盘和/或存储器中。
如本文所使用的“磁盘”可为例如磁盘驱动器、固态磁盘驱动器、软盘驱动器、磁带驱动器、Zip驱动器、快闪存储器卡和/或记忆棒。此外，磁盘可以是CD-ROM(光盘ROM)、CD可记录驱动器(CD-R驱动器)、CD可重写驱动器(CD-RW驱动器)和/或数字视频ROM驱动器(DVDROM)。磁盘可以存储控制或分配计算装置的资源的操作系统。
如本文所使用的“输入/输出装置”(I/O装置)可以包括用于接收输入的装置和/或用于输出数据的装置。输入和/或输出可以用于控制包括各种车辆部件、系统和子系统的不同车辆特征。具体地，术语“输入装置”包括但不限于：键盘、传声器、指向和选择装置、相机、成像装置、视频卡、显示器、按钮、旋钮等。术语“输入装置”此外包括在用户界面内发生的图形输入控件，所述用户界面可以通过诸如基于软件和硬件的控件、接口、触摸屏、触摸板或即插即用装置等各种类型的机制来显示。“输出装置”包括但不限于：显示装置和用于输出信息和功能的其他装置。
如本文所使用的“逻辑电路”包括但不限于硬件、固件、存储指令的非暂时性计算机可读介质、在机器上执行和/或引起(例如执行)来自另一逻辑电路、模块、方法和/或系统的动作的指令。逻辑电路可以包括由算法控制的处理器、离散逻辑(例如，ASIC)、模拟电路、数字电路、编程逻辑装置、包含指令的存储器装置和/或作为其一部分等。逻辑可以包括一个或多个门、门的组合或其他电路部件。在描述多个逻辑的情况下，可以将多个逻辑合并到一个物理逻辑中。类似地，在描述单个逻辑的情况下，可以在多个物理逻辑之间分配所述单个逻辑。
如本文所使用的“存储器”可以包括易失性存储器和/或非易失性存储器。非易失性存储器可以包括例如ROM(只读存储器)、PROM(可编程只读存储器)、EPROM(可擦除PROM)和EEPROM(电可擦除PROM)。易失性存储器可以包括例如RAM(随机存取存储器)、同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDRSDRAM)和直接RAM总线RAM(DRRAM)。存储器可以存储控制或分配计算装置的资源的操作系统。
“可操作连接”或实体“可操作连接”所借助的连接是可以发送和/或接收信号、物理通信和/或逻辑通信的连接。可操作的连接可以包括无线接口、物理接口、数据接口和/或电接口。
如本文所使用的“模块”包括但不限于存储指令、在机器上执行的指令、在机器上执行的硬件、固件、软件和/或每一个的组合的非临时性计算机可读介质，用于执行功能或动作和/或引起来自另一个模块、方法和/或系统的功能或动作。模块还可以包括逻辑、软件控制的微处理器、离散逻辑电路、模拟电路、数字电路、编程逻辑装置、包含执行指令的存储器装置、逻辑门、门的组合和/或其他电路部件。多个模块可以组合成一个模块，并且单个模块可以分布在多个模块之间。
如本文所使用的“便携式装置”是通常具有带有用户输入(例如，触摸、键盘)的显示屏幕和用于计算的处理器的计算装置。便携式装置包括但不限于手持装置、移动装置、智能电话、膝上型计算机、平板电脑和电子阅读器。
如本文所使用的“处理器”处理信号并执行通用计算和算术功能。由处理器处理的信号可以包括可以被接收、传输和/或检测的数字信号、数据信号、计算机指令、处理器指令、消息、比特、比特流。通常，处理器可以是各种各样的处理器，包括多个单核和多核处理器和协同处理器以及其他多个单核和多核处理器和协同处理器架构。处理器可以包括执行动作和/或算法的逻辑电路。
如本文所使用的“车辆”是指能够承载一个或多个人类乘员并且由任何形式的能量提供动力的任何移动车辆。术语“车辆”包括但不限于汽车、卡车、厢式货车、小型货车、SUV、摩托车、踏板车、小船、卡丁车、游乐车、铁路运输、私人船艇和飞机。在一些情况下，机动车辆包括一个或多个发动机。此外，术语“车辆”可以指能够承载一个或多个人类乘员并且完全或部分由一个或多个电动马达提供动力的电动车辆(EV)，所述电动马达由电池供电。EV可以包括电池电动车辆(BEV)和插电式混合动力电动车辆(PHEV)。术语“车辆”还可以指由任何形式的能量提供动力的自主车辆和/或无人驾驶车辆。自主车辆可以承载一个或多个人类乘员。此外，术语“车辆”可以包括具有预定路径的自动化或非自动化的车辆或自由移动的车辆。
如本文所使用的“车辆显示器”可以包括但不限于经常在车辆中发现的用于显示关于车辆的信息的LED显示面板、LCD显示面板、CRT显示器、等离子体显示面板、触摸屏显示器等。显示器可以从用户接收输入(例如，触摸输入、键盘输入、来自各种其他输入装置的输入等)。显示器可以位于车辆的各个位置中，例如位于仪表板或中央控制台上。在一些实施方案中，显示器是便携式装置的一部分(例如，拥有车辆乘员或与车辆乘员相关联)、导航系统、信息娱乐系统等。
如本文所使用的“车辆控制系统”和/或“车辆系统”可以包括但不限于可以用于增强车辆、驾驶和/或安全性的任何自动或手动系统。示例性车辆系统包括但不限于：电子稳定性控制系统、防抱死制动系统、制动辅助系统、自动预制动系统、低速跟随系统、巡航控制系统、碰撞警告系统、碰撞缓解制动系统、自动巡航控制系统、车道偏离警告系统、盲点指示器系统、车道保持辅助系统、导航系统、传动系统、制动踏板系统、电子动力转向系统、视觉装置(例如，相机系统、接近传感器系统)、气候控制系统、电子预张紧系统、监控系统、乘客检测系统、车辆悬架系统、车辆座椅配置系统、车辆舱照明系统、音频系统、感觉系统、内部或外部相机系统等。
I.系统概述
本文所讨论的系统和方法通常涉及使用车辆通信(例如，V2X)来使用来自远程车辆(RV)的实时信息，以提供主车辆(HV)和/或一个或多个其他RV的车道级危险预测和车辆控制。现在参考附图，其中所述附图是为了说明一个或多个示例性实施方案而不是为了限制它们的目的，图1是根据一个实施方案的将用于描述车道危险预测的道路网络100上的示例性交通场景的示意图。道路网络100可以是任何类型的道路、公路、高速路或路段。在图1中，道路网络100包括具有相同行驶方向的四条车道，即车道j1、车道j2、车道j3和车道j4，然而应理解，道路网络100可以具有图1中未示出的各种配置并且可以有任意数量的车道。
在图1中，多个车辆(例如，RV)正在沿着道路网络100行驶，即，主车辆(HV)102、远程车辆104a、远程车辆104b、远程车辆104c、远程车辆104d以及远程车辆104e、远程车辆104f、远程车辆104g，但应了解，在道路网络100上可以存在任何数量的车辆。出于说明的目的，图1中所示的每个车辆都被装备用于如本文所定义的计算机通信。然而，应理解，车辆中的一个或多个可以不被装备用于计算机通信和/或不装备本文所讨论的车道危险预测方法和系统。然而，所述方法和系统可以在部分渗透率的情况下基于来自所连接的车辆的信息来执行车道危险预测。
如本文将讨论的，通过众包来自被装备用于计算机通信的远程车辆的信息，可以提取特征以检测车道级下游的即将发生的危险，例如，HV 102下游的危险106。术语危险或危险状况通常是指对车辆构成潜在威胁的一个或多个物体和/或驾驶场景。例如，在图1中，危险106可指示道路网络100上的可能导致显著延迟和/或在车辆(例如，HV 102)下游造成潜在威胁的车道关闭、禁用车辆、碰撞和/或碎片。在检测到HV 102下游的危险106时，危险信息、车道推荐和/或半自主和完全自主响应可以被提供给HV 102。
现在参考图2，示出了根据示例性实施方案的操作环境200的示意图。操作环境200的部件中的一个或多个可以被全部或部分地认为是车辆通信网络。在图2中，HV 102的框图示出为具有RV 104a的简化框图、远程服务器202和网络204的框图。应理解，RV 104a、RV104b、RV 104c、RV 104d、RV 104e、RV 104f、RV 104g和/或远程服务器202可包括本文中关于HV 102所讨论的部件和/或功能中的一个或多个。因此，应理解，尽管在图2中未示出，但HV 102的部件中的一个或多个也可以通过可操作用于与HV 102和/或与操作环境200的计算机通信的RV 104a、RV 104b、RV 104c、RV 104d、RV 104e、RV 104f、RV 104g和/或远程服务器202、其他实体、交通指示器和/或装置(例如，V2I装置、V2X装置)来实现。另外，应理解，HV 102和操作环境200的部件以及本文讨论的其他系统、硬件架构和软件架构的部件可以结合、省略或组织成用于各种实施方案的不同的架构。
在图2中，HV 102包括车辆计算装置(VCD)206、车辆系统208和传感器210。一般来讲，VCD 206包括处理器212、存储器214、数据存储库216、位置确定单元218和通信接口(I/F)220，它们各自经由总线222和/或本文所定义的其他有线和无线技术可操作地连接用于计算机通信。再次参考HV 102，VCD 206可包括用于进行处理、与HV 102的各种部件和操作环境200的其他部件(包括RV 104a和远程服务器202)通信和交互的规定。在一个实施方案中，VCD 206可以通过HV 102来实现，例如，作为远程信息处理单元、主机单元、信息娱乐单元、电子控制单元、车载单元的一部分，或者作为特定车辆控制系统的一部分等等。在其他实施方案中，VCD 206可以例如经由网络204连接的便携式装置(未示出)、远程装置(未示出)或远程服务器202而远离HV 102实现。
处理器212可以包括具有硬件、固件和软件架构框架的逻辑电路，以用于促进HV102和/或RV 104a的车道危险预测和控制。因此，在一些实施方案中，处理器212可存储应用框架、内核、库、驱动器、应用程序接口等等，以执行并控制本文中所讨论的硬件和功能。例如，在图2中，处理器212可以包括众包感测模块224、特征提取模块226、车道危险模式识别模块228和车道推荐模块230，但应理解，处理器212可配置成其他架构。此外，在一些实施方案中，存储器214和/或数据存储库(例如，磁盘)216可以存储与处理器212类似的部件，以供处理器212执行。
位置确定单元218可包括硬件(例如，传感器)和软件，以用于确定和/或获取关于HV 102的位置数据。例如，位置确定单元218可包括全球定位系统(GPS)单元(未示出)和/或惯性测量单元(IMU)(未示出)。因此，位置确定单元218可以基于来自例如全球位置源232或来自任何全球导航卫星基础设施(GNSS)的卫星数据来提供HV 102的地理位置，所述全球导航卫星基础设施包括GPS、Glonass(俄罗斯)和/或Galileo(欧洲)。此外，位置确定单元218可以提供来自例如陀螺仪、加速度计、磁力仪以及其他传感器(未示出)的航位推算数据或运动数据。在一些实施方案中，位置确定单元218可以是向HV 102提供导航地图和导航信息的导航系统。
通信接口220可以包括软件和硬件，以促进在VCD 206的部件和操作环境200的其他部件之间的数据输入和输出。具体地，通信接口220可以包括网络接口控制器(未示出)以及管理和/或监控连接并使用例如通信网络204来控制通信接口220和操作环境200的其他部件之间的双向数据传输的其他硬件和软件。
更具体地，在一个实施方案中，VCD 206可以经由收发器234或其他通信硬件和协议来与其他兼容的车辆和/或装置交换数据和/或传递消息。例如，收发器234可以经由收发器250来与RV 104a交换数据。在一些实施方案中，HV 102和RV 104a可以利用无线网络天线238、路边装置(RSE)240和/或通信网络204(例如，无线通信网络)或其他无线网络连接来交换数据(例如，如本文所述的车辆数据)。
如上所述，在一些实施方案中，数据传输可以在其他基础设施和服务器处和/或与其他基础设施和服务器一起执行。例如，在图2中，VCD 206可以通过通信网络204直接或间接地向远程服务器202发送信息和从远程服务器202接收信息。远程服务器202可以包括被配置为彼此通信的远程处理器242、存储器244、数据246和通信接口248。因此，在图2中，收发器234可以被VCD 206用来通过通信网络204向远程服务器202以及其他服务器、处理器和信息提供方发送信息以及从其接收消息。在替代实施方案中，射频(RF)收发器236可用于向远程服务器202发送信息及从其接收消息。在一些实施方案中，VCD 206可以从远程服务器202接收信息和向远程服务器202发送信息，包括但不限于车辆数据、交通数据、道路数据、路缘数据、车辆位置和航向数据、交通密集事件时间表、天气数据或其他交通相关数据。在一些实施方案中，远程服务器202可以通过网络连接，诸如经由无线网络天线238、路边装备240和/或其他网络连接而链接到多个车辆(例如，RV 104a)、其他实体、交通基础设施和/或装置。
再次参考HV 102，车辆系统208可包括本文所述的任何类型的车辆控制系统和/或车辆，以增强HV 102和/或HV 102的驱动。例如，车辆系统208可包括自主驾驶系统、驾驶员辅助系统、自适应巡航控制系统、车道偏离警告系统、并道辅助系统、高速公路汇入、退出和车道变换系统、碰撞警告系统、集成的基于车辆的安全系统和自动引导车辆系统，或任何其他高等级驾驶辅助系统(ADAS)。如将描述的，可以根据本文所讨论的系统和方法来控制车辆系统208中的一个或多个。
可以用车辆系统208实现的传感器210可以包括与HV 102和/或车辆系统208一起使用的各种类型的传感器，以用于检测和/或感测HV 102、车辆系统208和/或HV 102周围的环境的参数。例如，传感器210可以提供关于HV 102附近的车辆和/或危险的数据。例如，传感器210可以包括但不限于：加速度传感器、速度传感器、制动传感器、接近传感器、视觉传感器、测距传感器、座椅传感器、安全带传感器、门传感器、环境传感器、偏航率传感器、转向传感器、GPS传感器等等。还应理解，传感器210可以是任何类型(例如，声学、电、环境、光学、成像、光、压力、力、热、温度、接近等)的传感器。
使用上述系统和网络配置，可以基于来自使用了车辆通信的车辆的实时信息来提供车道级危险预测和车辆控制。现在将详细讨论描述使用上述系统和网络配置的示例性方法的详细实施方案。
II.用于车道危险预测的方法
现在参考图3，现在将根据示例性实施方案描述用于车道危险预测的方法300。图3也将参考图1和图2进行描述。如图3所示，用于车道危险预测的方法可以通过三个阶段来描述，即：数据众包、车道危险检测和驾驶员响应策略。为简单起见，将通过这些阶段来描述方法300，但应理解，方法300的要素可以被组织成不同的架构、框、阶段和/或过程。
A.数据众包
在框302处，方法300包括将道路网络划分成小区。例如，众包感测模块224可以将道路网络100划分成多个车道级小区。参考图1并且如上所述，道路网络100可包括多个车道，即：车道j1、车道j2、车道j3和车道j4。每个车道均可划分成多个车道级小区，其中每个车道级小区都包括车道的特定部分。因此，车道级小区可以相对于车道中的纵向位置限定道路网络100的空间域。在一些实施方案中，道路网络100被划分成相同大小的小区，例如，所述小区在每个车道在空间上为30米长。
在图1中，在车道j3中示出三个小区，具体地，小区i-1、小区i和小区i+1。小区i被称为自我小区，小区i-1是自我小区上游方向的相邻小区，并且小区i+1是自我小区下游方向的相邻小区。应理解，尽管图1中仅示出了三个小区，但每个车道都可划分成多个小区(例如，多于三个小区)，并且可以以这种方式划分整体车道和/或道路网络100。
在框304处，方法300包括接收车辆数据。例如，众包感测模块224可以如上结合图2所述使用车辆通信来接收关于正沿着道路网络100行驶的RV中的一个或多个(例如，HV102、RV 104a、RV 104b、RV 104c、RV 104d、RV 104e、RV 104f、RV 104g)的车辆数据。车辆数据可以包括速度、加速度、速率、偏航率、转向角以及节气门角度、范围或距离数据等等。车辆数据还可以包括航向数据、路线历史数据、预计路线数据、动态数据、当前车辆位置数据以及关于RV和RV周围环境的任何其他车辆信息。
众包感测模块224收集空间域和时域方面的车辆数据，并且将车辆数据划分(例如，集成)到车道级小区中(例如，纵向地)并划分成时间片(例如，多个时间步)。因此，在框306处，方法300包括将车辆数据到在框302处划分的多个车道级小区中的数据集成。在一些实施方案中，以预定时间间隔(例如，20秒)执行数据集成和时间分辨率。
B.车道危险检测
基于众包车辆数据，在框308处，方法300包括提取每个车道级小区的特征(例如，输入特征)。在一个实施方案中，特征提取模块226可以提取并识别被认为代表检测潜在的下游危险的关键因素。例如，将在本文中进一步详细讨论的特征可包括小区的平均速度。这些特征还可以包括小区的车辆操纵。例如，在一些实施方案中，特征提取模块226可以基于车辆数据来识别每个车道级小区内的车辆操纵。车辆操纵可以分为五类：包括进入和离开二者的直通操纵(M1)；左车道换出(M2)；右车道换出(M3)；右车道换入(M4)；左车道换入(M5)。
使用这些特征，系统可以在框310处识别车道危险模式并且通过车道危险模式识别模块228检测车道危险。例如，参考图4的图表400，基于车辆数据，观察到可以识别车辆接近危险位置(例如，危险106)的集体行为的模式。图表400可视化了当存在下游危险时车辆的车道变换操纵。在图4中，检测到的危险出现在距原点1225米处的第一车道上，这可以通过危险的上游和下游之间的车道变换操纵的明确划分来看出。
因此，在框310处，方法300包括检测车道危险。例如，对于多个车道级小区中的每个车道级小区，车道危险模式识别模块228基于与车道级小区相关联的车辆数据、与相邻上游小区相关联的车辆数据以及与相邻下游小区相关联的车辆数据来计算相对于车道级小区存在危险的概率。车道危险模式识别模块228针对每个车道级小区在本地执行并输出二元危险标记(1：存在危险，0：无危险)。从数学上讲，对于道路网络100中的每个小区(i,j)(例如，其中i表示纵向位置并且j指示车道号)，使用等式(1)和等式(2)中所示的逻辑回归来考虑自我小区和来自上游段和下游段中的相邻小区的测量值：
P(y＝0|x)＝1-P(y＝1|x)＝1-hθ(x) (2)
其中，hθ(x)是危险存在的概率；θ是模型参数的向量；x是特征输入的向量；以及(y＝0|1)表示特定车道级小区的车道危险标记。逻辑函数将模型的滑坡易发性指数的值限制在范围[0，1]内。在本文所讨论的实施方案中，指数阈值被设定为0.75。应理解，尽管贯穿本文所讨论的所有方法和系统使用逻辑回归模型，但可以实施任何类型的机器学习模型。
在一个实施方案中，八个输入特征(例如，在框308处提取的)被应用于等式(1)和(2)中所示的算法，即：小区(i，j)的平均速度；小区(i，j)的平均速度除以小区(i，j)的平均速度；小区(i，j)的平均速度除以小区(i-1，：)的平均速度；小区(i，j)的平均速度除以小区(i+1，：)的平均速度；#(M1)除以所有操纵的次数；(#(M2)+#(M3))除以所有操纵的次数；以及(#(M4)+#(M5))除以所有操纵的次数。
等式(1)和(2)可以以扩展形式重写。因此，上面讨论的逻辑回归也可以数学地表示为：
因此，每个小区(i，j)中发生危险的概率也可以通过以下等式获得：
其中Pij是在小区(i，j)处存在危险的概率；是小区(i，j)的平均速度；是纵向段I上所有车道的平均速度；是上游相邻纵向段中小区(i，j)处车道的平均速度；是下游相邻纵向段中小区(i，j)处车道的平均速度；mi是在小区(i，j)处发生的车辆操纵的数量(下面讨论)，所述车辆操纵属于预定义的操纵类型i；m是在小区(i，j)处发生的操纵总数；n是操纵类型的数量；以及βk表示参数的系数。在表1中示出包括系数的参数校准结果。
表1
根据等式(3)和(4)中的实施方案，八个输入特征可以概括为：是小区(i，j)的平均车辆速度；是小区(i，j)和与小区(i，j)在同一纵向段上的所有车道之间的相对平均速度比；是小区(i，j)和相邻纵向段上游的小区(i，j)处的所有车道之间的相对平均速度比；是小区(i，j)和相邻纵向段上游的小区(i，j)处的所有车道之间的相对平均速度比；是在所有车辆操纵中直通操纵的百分比；是在所有车辆操纵中小区(i，j)的车道换出的百分比；是在所有操纵中从其相邻车道进入消去(i，j)的车道变换的百分比；以及是车辆操纵的熵测量。
关于车辆操纵，车辆操纵的熵可以用作特征输入之一以捕获操纵的多样性。当所有车辆操纵均来自同一分类时，熵达到其最小值零，并且当所有车辆操纵均匀分布时，熵达到其最大值。更具体地，车辆操纵的熵在等式(5)中以数学方式示出：
C.驾驶员响应策略
基于上面示出的模型的输出，可以使用车辆控制来执行各种驾驶员响应策略。因此，在框312处，方法300包括基于车道危险来控制一个或多个车辆。例如，车道推荐模块230可以基于在HV 102的行驶车道的下游检测到的危险106来控制一个或多个车辆系统208。例如，可以向HV 102的人机界面提供危险信息和/或车道选择建议。
另外，可以向HV 102提供半自主响应和完全自主响应。例如，当在HV 102的当前车道(例如，车道j3)的下游确定危险(例如，危险标记＝1)时，可以执行对HV 102的横向移动的控制(例如，车道变换为相邻车道j2或相邻车道j4)。这种控制也可以基于危险106的预定距离来执行，例如，当在HV 102的通信范围(例如，2000米)内检测到危险时。另外，还可以引导和/或控制其他车道上的上游的装备车道危险预测的车辆，从而不会变换车道为存在危险106的车道，直到它们通过危险106。应理解，也可以实施其他类型的控制。例如，可以以协作方式控制RV中的一个或多个的速度，以进一步平滑上游交通流的绕道行为，从而使危险106的影响最小化。
虽然关于HV 102描述了图1、图2和图3，但所述系统和方法也可以相对于远程车辆中的一个或多个起作用。例如，在一个实施方案中，RV 104a可以充当主车辆。在这样的实施方案中，HV 102可以充当远程车辆，并且RV 104a通过所描述的方法接收关于潜在车道危险的早期警告。
例如，关于图3的方法，在框302处，道路网络100由RV 104a的众包感测模块224划分成小区。在框304处，RV 104a在众包感测模块224处接收关于包括HV 102的远程车辆中的一个或多个的车辆数据。在框306处，车辆数据被集成到多个车道级小区中。因此，RV 104a以与道路网络100上的任何其他车辆相似的方式接收数据并整合数据。
在框308处，RV 104a的特征提取模块226识别代表RV 104a下游的潜在危险的因素。如上所述，这些因素可以包括小区(诸如包括HV 102的小区i-1)的平均速度，在该实施方案中，HV 102再次为远程车辆。这些特征可能还包括在小区i-1中是HV 102的操纵。在框310处，车道危险模式识别模块228识别车道危险模式以检测车道危险。然后在框312处，可以基于检测到的车道危险来控制RV 104a。例如，RV 104a可以变换车道为相邻车道。因此，上游车辆可以预测下游的潜在车道危险并且在不中断交通流的情况下避开它们。
IV.模拟和结果
使用假设的道路网络来验证本文所讨论的系统和方法，以便测试一般车道级操纵和危险预测。所使用的假设道路网络是具有四个车道的两英里长高速公路路段。利用假设的道路网络，在各种V2X网络渗透率和不同水平的交通拥堵程度下进行模拟测试。所使用的详细参数包括基于V2X网络的CV渗透率(PR)和交通量。关于基于V2X网络的CV PR，蜂窝网络市场渗透率显示了具有长通信范围和可靠性的巨大前景。全渗透率(即100％)使得车道危险预测能够实现准确的测量，这导致更高的预测准确度和更短的反应时间。然而，这种理想情况可能无法立即实现，并且对于不同渗透率等级的敏感度分析变得有意义。关于交通量，考虑三种不同的交通拥堵程度。具体地，根据在一小时模拟运行中在网络中释放的车辆的数量，在模拟中测试轻度交通(3000辆/小时)、中度交通(5000辆/小时)和重度交通(7000辆/小时)。
在模拟中，装备车道危险预测的车辆(例如，根据本文所述的系统和方法而被装备用于计算机通信和车道危险预测的车辆)被设置为基于V2X网络连接的车辆的9％。因此，在模拟网络中运行的车辆有三种类型：装备车道危险预测的车辆、仅V2X车辆和传统车辆。装备车道危险预测的车辆是不仅可以交换信息，而且还可以变换车道以避免下游交通中的危险的车辆。仅V2X车辆是可以与其他基于V2X网络连接的车辆交换其实时信息(例如，速度、车道级位置)但无车载应用的车辆。常规车辆是没有V2V通信能力的车辆，并且其行为遵循模拟软件默认车道和跟车模型。每次运行的模拟周期被设定为1800秒。对于渗透率和交通量参数的每个组合(例如，50％的装备V2X的车辆和7000辆/小时)，所述模拟在假设的道路网络中运行十(10)个随机种子。
利用驾驶员响应模型(即，避免变换为下游危险所在的车道)，装备车道危险预测的车辆可以受益于在减少激进的车道变换和平滑危险的上游的拥塞传播方面的应用。通过一些替代措施来评估性能，例如，潜在冲突，其被定义为两个或更多道路使用者在空间和时间上彼此接近到如果他们的移动保持不变就有碰撞风险的这种程度的可观察情况。统计分析表明冲突与崩溃之间存在高度相关性。在所述模拟中，所获得的冲突频率被选择作为性能的测量。如下面的等式(6)和等式(7)中所定义的，装备车道危险预测的车辆、未装备车道危险预测的车辆和所有车辆之间的比较通过冲突频率(CF)相对比率来量化。
其中MOEe＝装备的车辆的度量，CF由装备的车辆引起；以及MOEue＝未装备的车辆的度量，CF由未装备的车辆引起。
其中MOEoa＝装备高速差动(differential)警告的场景中所有车辆的度量，CF；以及MOEbl＝基线中所有车辆的度量，CF。
如图5的图表500所示，装备车道危险预测的车辆和未装备车道危险预测的车辆之间在不同V2X连通性渗透率下的总冲突频率(例如，相对数量)比较的箱形曲线和误差线，其中交通交通量设定为7000辆/小时。从图500中可以看出，平均冲突频率相对数量对于所有渗透率始终为负，这意味着对于装备车道危险的车辆的显著改善。平均冲突频率降低范围为21％至47％。潜在的原因是在危险位置之前触发驾驶员反应可以减轻冲击波式影响，并使整体交通流平稳。
现在参考图6，图表600示出了交通量敏感度分析，所述交通量敏感度分析在以下假设下进行：100％V2X的通信连通性渗透率；并且装备车道危险预测的车辆是基于V2X网络连接的总车辆中的9％。如图表600所示，本文讨论的用于车道危险预测的系统和方法有很大的潜力来改善不同交通拥堵程度的安全性能，包括轻度交通(例如，3000辆/小时)、中度交通(例如，5000辆/小时)和重度交通(例如，7000辆/小时)。特别地，对于轻度交通状况、中度交通状况和重度交通状况，装备车道危险预测的车辆的平均冲突频率与未装备的车辆相比分别降低了38％、20％、36％。然而，在重度交通状况下，有益效果更加稳健，方差更小。
还根据等式(8)使用平均速度来观察车道危险预测车辆、未装备的车辆和所有车辆的机动性能：
其中，VMTi，t＝i在时间步t中车辆行驶的车辆里程数，单位英里；以及VHTi，t是i在时间步t中车辆行驶的车辆时间数，单位小时。图7中所示的图表700示出了装备车道危险预测的车辆和未装备车道危险预测的车辆之间的平均速度(相对比率)的比较结果。装备车道危险预测的车辆的平均速度增加(15％至20％)在所有渗透率上都是显著的，并且随着V2X通信连通性渗透率的增加，改善更加稳健，这可能是由于危险预测更加可靠和高效。
如图8和图表800所示，还进行了交通量敏感度分析。所述分析表明，在轻度交通状况、中度交通状况和重度交通状况下，装备车道危险预测的车辆的平均速度可以比未装备车道危险预测的车辆(在100％的渗透率下)增加3％、6％和15％。重度交通(即，7000辆/小时)的机动性改善比轻度交通更为显著，这可能是由于当交通并未如此拥堵时，未装备的车辆在接近危险之前有更多空间进行变道。
本文讨论的实施方案还可以在存储计算机可执行指令的计算机可读存储介质的背景下进行描述和实现。计算机可读存储介质包括计算机存储介质和通信介质。例如，快闪存储器驱动器、数字通用光盘(DVD)、光盘(CD)、软盘以及盒式磁带。计算机可读存储介质可以包括以用于存储信息诸如计算机可读指令、数据结构、模块或其他数据的任何方法或技术实施的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质排除非暂时性有形介质和传播的数据信号。
应了解，上文公开的以及其他特征和功能的各种实施方案或替代方案或其变型可理想地合并到许多其他不同的系统或应用中。并且，各种当前未预见或未预料到的替代方案、修改、变化型式或其中的改进可随后通过所属领域的技术人员实现，所述替代方案、修改、变化型式或其中的改进也旨在涵盖在以下权利要求书中。

Claims (20)

1.一种用于车道危险预测的计算机实现的方法，所述方法包括：
从多个车辆接收车辆数据，所述多个车辆各自装备用于计算机通信，其中所述多个车辆中的每个车辆都沿着包括多个车道的道路网络行驶，所述多个车道中的每个车道都包括多个车道级小区，其中每个车道级小区都包括所述多个车道中的车道的特定部分；
将所述车辆数据集成到所述多个车道级小区中；
对于所述多个车道级小区中的每个车道级小区，基于与所述车道级小区相关联的所述车辆数据、与相邻上游小区相关联的所述车辆数据以及与相邻下游小区相关联的所述车辆数据来计算相对于所述车道级小区存在危险的概率；以及
基于主车辆下游存在所述危险的概率来控制所述主车辆。
2.如权利要求1所述的计算机实现的方法，其包括将所述道路网络划分成所述多个车道级小区。
3.如权利要求2所述的计算机实现的方法，其中所述多个车道级小区在所述多个车道的每个车道中在空间上为30米长。
4.如权利要求1所述的计算机实现的方法，其包括基于所述车辆数据来识别每个车道级小区内的车辆操纵。
5.如权利要求4所述的计算机实现的方法，其中每个车道级小区内的所述车辆操纵被分类为直通操纵、左车道换出、右车道换出、右车道变换和左车道换入中的至少一个。
6.如权利要求4所述的计算机实现的方法，其中计算相对于所述车道级小区存在所述危险的所述概率是基于所述车道级小区的平均速度、所述车道级小区的平均速度除以所述相邻上游小区的平均速度、所述车道级小区的平均速度除以所述相邻车道级小区的平均速度以及针对所述道路网络所识别的所述车辆操纵。
7.如权利要求6所述的计算机实现的方法，其中基于所述车辆操纵的熵来计算针对所述道路网络所识别的所述车辆操纵。
8.如权利要求1所述的计算机实现的方法，其中基于所述车辆数据的机器学习模型来计算所述危险存在的概率。
9.如权利要求1所述的计算机实现的方法，其中控制所述主车辆包括当在所述主车辆的当前行驶车道的下游预测到所述危险时，控制所述主车辆的车道变换。
10.一种用于车道危险预测的系统，所述系统包括：
多个车辆，每个车辆都装备用于经由车辆通信网络进行计算机通信，其中所述多个车辆中的每个车辆都沿着包括多个车道的道路网络行驶，所述多个车道中的每个车道都包括多个车道级小区，其中每个车道级小区都包括所述多个车道中的车道的特定部分；以及
处理器，所述处理器可操作地连接以用于到所述车辆通信网络的计算机通信，其中所述处理器：
接收从所述多个车辆所发送的车辆数据；
将所述车辆数据集成到所述多个车道级小区中；
对于所述多个车道级小区中的每个车道级小区，基于与所述车道级小区相关联的所述车辆数据、与相邻上游小区相关联的所述车辆数据以及与相邻下游小区相关联的所述车辆数据来计算相对于所述车道级小区存在危险的概率；以及
基于主车辆下游存在所述危险的概率来控制所述主车辆。
11.如权利要求10所述的系统，其中所述处理器将所述道路网络划分成所述多个车道级小区。
12.如权利要求10所述的系统，其中所述处理器基于所述车辆数据的逻辑回归来计算所述危险存在的概率。
13.如权利要求12所述的系统，其中所述车辆数据是从每个车道级小区提取的输入特征，并且所述输入特征包括以下至少一个：所述车道级小区的平均速度；所述车道级小区的平均速度除以所述相邻上游小区的平均速度；所述车道级小区的平均速度除以所述相邻下游小区的平均速度；以及针对所述道路网络所识别的车辆操纵。
14.如权利要求10所述的系统，其中当在所述主车辆的当前行驶车道的下游预测到所述危险时，所述处理器控制所述主车辆的车道变换。
15.一种包括指令的非暂时性计算机可读存储介质，所述指令在由处理器执行时使所述处理器：
从多个车辆接收车辆数据，所述多个车辆各自装备用于计算机通信，其中所述多个车辆中的每个车辆都沿着包括多个车道的道路网络行驶，所述多个车道中的每个车道都包括多个车道级小区，其中每个车道级小区都包括所述多个车道中的车道的特定部分；
将所述车辆数据集成到所述多个车道级小区中；
对于所述多个车道级小区中的每个车道级小区，基于与所述车道级小区相关联的所述车辆数据、与相邻上游小区相关联的所述车辆数据以及与相邻下游小区相关联的所述车辆数据来计算相对于所述车道级小区存在危险的概率；以及
基于主车辆下游存在所述危险的所述概率来控制所述主车辆。
16.如权利要求15所述的非暂时性计算机可读存储介质，其包括使所述处理器将所述道路网络划分成所述多个车道级小区。
17.如权利要求15所述的非暂时性计算机可读存储介质，其包括使所述处理器基于所述车辆数据来识别每个车道级小区内的车辆操纵。
18.如权利要求17所述的非暂时性计算机可读存储介质，其中每个车道级小区内的所述车辆操纵被分类为直通操纵、左车道换出、右车道换出、右车道变换和左车道换入中的至少一个。
19.如权利要求17所述的非暂时性计算机可读存储介质，其中基于包括所识别的车辆操纵的所述车辆数据的逻辑回归来计算所述危险存在的概率。
20.如权利要求15所述的非暂时性计算机可读存储介质，其包括使所述处理器当在所述主车辆的当前行驶车道的下游预测到所述危险时控制所述主车辆的横向移动。
CN201910289021.2A 2018-04-27 2019-04-11 用于车道级危险预测的系统和方法 Pending CN110414707A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862663804P 2018-04-27 2018-04-27
US62/663,804 2018-04-27
US15/981,222 2018-05-16
US15/981,222 US20190329770A1 (en) 2018-04-27 2018-05-16 System and method for lane level hazard prediction

Publications (1)

Publication Number Publication Date
CN110414707A true CN110414707A (zh) 2019-11-05

Family

ID=68291047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910289021.2A Pending CN110414707A (zh) 2018-04-27 2019-04-11 用于车道级危险预测的系统和方法

Country Status (3)

Country Link
US (1) US20190329770A1 (zh)
JP (1) JP7343869B2 (zh)
CN (1) CN110414707A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111332298A (zh) * 2020-02-19 2020-06-26 北京百度网讯科技有限公司 可行驶区域确定方法、装置、设备及存储介质
CN113271332A (zh) * 2020-02-14 2021-08-17 通用汽车有限责任公司 通过众包实时车队流通信的基于边缘通知的方法和装置
CN113276860A (zh) * 2021-07-19 2021-08-20 腾讯科技（深圳）有限公司 车辆控制方法、装置、电子设备以及存储介质

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020052646A (ja) * 2018-09-26 2020-04-02 トヨタ自動車株式会社 車両制御装置
US11079593B2 (en) * 2018-11-26 2021-08-03 International Business Machines Corporation Heads up display system
CN111145544B (zh) * 2019-12-25 2021-05-25 北京交通大学 一种基于拥堵蔓延消散模型的行程时间及路径预测方法
JP7427556B2 (ja) 2020-07-27 2024-02-05 株式会社東芝 運転制御装置、運転制御方法及びプログラム
US11749108B2 (en) * 2021-03-31 2023-09-05 Honda Motor Co., Ltd. System and method for lane level traffic state estimation
US20230083625A1 (en) * 2021-09-15 2023-03-16 Toyota Motor Engineering & Manufacturing North America, Inc Systems and methods for leveraging evasive maneuvers to classify anomalies
US20230264704A1 (en) * 2022-02-22 2023-08-24 Mitsubishi Electric Research Laboratories, Inc. Method and System for Driving Condition-Agnostic Adaptation of Advanced Driving Assistance Systems
CN117435351B (zh) * 2023-12-20 2024-04-30 深圳市城市交通规划设计研究中心股份有限公司 一种道路仿真分布式计算的负载均衡方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012009297A1 (de) * 2012-05-03 2012-12-13 Daimler Ag Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
US20140309884A1 (en) * 2013-04-10 2014-10-16 Magna Electronics Inc. Rear collision avoidance system for vehicle
CN104271420A (zh) * 2012-03-15 2015-01-07 谷歌公司 基于其他车辆的预测行为修改自主车辆的行为
DE102014204309A1 (de) * 2014-03-10 2015-09-10 Robert Bosch Gmbh Vorrichtung und Verfahren zum Betreiben eines Fahrzeugs
KR20160004115A (ko) * 2014-07-02 2016-01-12 현대모비스 주식회사 자동차의 스마트 크루즈 컨트롤 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9792821B1 (en) * 2016-03-25 2017-10-17 Toyota Jidosha Kabushiki Kaisha Understanding road scene situation and semantic representation of road scene situation for reliable sharing
US10013877B2 (en) * 2016-06-20 2018-07-03 Toyota Jidosha Kabushiki Kaisha Traffic obstruction notification system based on wireless vehicle data
US11120353B2 (en) * 2016-08-16 2021-09-14 Toyota Jidosha Kabushiki Kaisha Efficient driver action prediction system based on temporal fusion of sensor data using deep (bidirectional) recurrent neural network
KR20190049824A (ko) * 2016-09-09 2019-05-09 후아웨이 테크놀러지 컴퍼니 리미티드 차량 통행권 관리 방법 및 장치, 그리고 단말기

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104271420A (zh) * 2012-03-15 2015-01-07 谷歌公司 基于其他车辆的预测行为修改自主车辆的行为
DE102012009297A1 (de) * 2012-05-03 2012-12-13 Daimler Ag Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
US20140309884A1 (en) * 2013-04-10 2014-10-16 Magna Electronics Inc. Rear collision avoidance system for vehicle
DE102014204309A1 (de) * 2014-03-10 2015-09-10 Robert Bosch Gmbh Vorrichtung und Verfahren zum Betreiben eines Fahrzeugs
KR20160004115A (ko) * 2014-07-02 2016-01-12 현대모비스 주식회사 자동차의 스마트 크루즈 컨트롤 시스템

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113271332A (zh) * 2020-02-14 2021-08-17 通用汽车有限责任公司 通过众包实时车队流通信的基于边缘通知的方法和装置
CN113271332B (zh) * 2020-02-14 2024-03-19 通用汽车有限责任公司 通过众包实时车队流通信的基于边缘通知的方法和装置
CN111332298A (zh) * 2020-02-19 2020-06-26 北京百度网讯科技有限公司 可行驶区域确定方法、装置、设备及存储介质
CN111332298B (zh) * 2020-02-19 2021-08-31 北京百度网讯科技有限公司 可行驶区域确定方法、装置、设备及存储介质
CN113276860A (zh) * 2021-07-19 2021-08-20 腾讯科技（深圳）有限公司 车辆控制方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
JP7343869B2 (ja) 2023-09-13
JP2019192228A (ja) 2019-10-31
US20190329770A1 (en) 2019-10-31

Similar Documents

Publication Publication Date Title
CN110414707A (zh) 用于车道级危险预测的系统和方法
US11807247B2 (en) Methods and systems for managing interactions between vehicles with varying levels of autonomy
Shirazi et al. Looking at intersections: a survey of intersection monitoring, behavior and safety analysis of recent studies
US10916125B2 (en) Systems and methods for cooperative smart lane selection
US11260852B2 (en) Collision behavior recognition and avoidance
US11458991B2 (en) Systems and methods for optimizing trajectory planner based on human driving behaviors
KR20190042088A (ko) 예상치 못한 임펄스 변화 충돌 검출기
CN111758017A (zh) 信息处理装置、信息处理方法、程序及移动体
US11687087B2 (en) Systems and methods for shared cross-modal trajectory prediction
US11460856B2 (en) System and method for tactical behavior recognition
CN111746557B (zh) 用于车辆的路径规划融合
US11150643B2 (en) Systems and methods for remote control by multiple operators
US20220230537A1 (en) Vehicle-to-Everything (V2X) Misbehavior Detection Using a Local Dynamic Map Data Model
CN113424209B (zh) 使用深度学习多预测器融合和贝叶斯优化的轨迹预测
Tabibiazar et al. Kernel-based modeling and optimization for density estimation in transportation systems using floating car data
TW202231089A (zh) 使用本端動態地圖資料模型進行的車聯網路（ｖ２ｘ）不當行為偵測
US20210003406A1 (en) Systems and methods for estimating a prediction value for prospective vehicle usage
Khattar et al. Stochastic reachable set threat assessment for autonomous vehicles using trust-based driver behavior prediction
US11749108B2 (en) System and method for lane level traffic state estimation
US11270525B2 (en) Automated vehicle occupancy detection
US20230084623A1 (en) Attentional sampling for long range detection in autonomous vehicles
US20230196787A1 (en) Estimating object uncertainty using a pre-non-maximum suppression ensemble
Tseng et al. Turn prediction for special intersections and its case study
Jayanthi et al. Integration of V2X information for manoeuvre feasibility check, and decision making in trajectory planning and tracking of autonomous mobile robots.
Luo et al. A highway in-transit vehicle position estimation method considering road characteristics and short-term driving style

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