CN110617829A - 用于预测车辆的可能行驶路线的方法和装置 - Google Patents
用于预测车辆的可能行驶路线的方法和装置 Download PDFInfo
- Publication number
- CN110617829A CN110617829A CN201910515881.3A CN201910515881A CN110617829A CN 110617829 A CN110617829 A CN 110617829A CN 201910515881 A CN201910515881 A CN 201910515881A CN 110617829 A CN110617829 A CN 110617829A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- reward
- map
- travel
- route
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 239000000446 fuel Substances 0.000 claims description 13
- 230000001934 delay Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 239000003795 chemical substances by application Substances 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G01C21/3605—Destination input or retrieval
- G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G08G1/09—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
Abstract
本发明涉及一种用于预测车辆(105)的可能行驶路线(170)的方法。该方法首先包括预测的步骤,其中通过使用表示车辆(105)的过去停留位置的至少一个数据信号(135)以及表示车辆(105)的当前位置的位置信号(140)来预测行驶目的地。此外,该方法还包括创建的步骤,其中通过使用车辆的行驶历史(155)和/或驾驶员的驾驶偏好(160)来创建用于映射在车辆(105)的当前位置和所预测的行驶目的地之间的至少一个区域的加权的奖励地图(150)。最后,该方法包括计算的步骤,其中通过使用神经网络(165)和所创建的奖励地图(150)来计算可能行驶路线(170),以预测可能行驶路线(170)。
Description
技术领域
本发明涉及一种用于预测车辆的可能行驶路线的方法和装置。本发明还涉及一种计算机程序。
背景技术
为了实现自动驾驶车辆会使用处理地图数据的导航模块,以便为驾驶策略单元提供前方行驶路线的预览,然后驾驶策略单元自动地控制车辆。在此特别是应提及电子地平线,其代表导航和发动机控制的网络。用于构建电子地平线的关键部件之一是在已知当前位置而行驶目的地和/或路线不确定时,例如当驾驶员未被指定目的地或者控制系统无法或不允许传达最终目的地时,用于预测行驶路线的算法。在此,行驶路线的预测基于车辆的历史数据,也就是说,当车辆驶往同一行驶目的地时,车辆遵循与上一次相同的行驶路线。
DE 10 2007 043 533 A1说明了一种用于机动车的导航设备以及一种用于在交通拥堵的情况下计算和输出至少一个替代性道路路线的方法。在此,即使在导航功能已停用的情况下也为位于限定的位置地平线中的每一次交通拥堵向驾驶员或导航系统的用户提供至少一个替代性道路路线。
发明内容
在此背景下,利用在此介绍的方案提出了一种用于预测可能行驶路线的方法,进一步提出了一种使用该方法的装置,以及最后提出了一种相应的计算机程序。通过在本文中列出的措施可改进且改善上述装置。
在此示出的用于预测车辆的可能行驶路线的方法旨在预测车辆到行驶目的地的可能行驶路线。在此,例如借助于现代机器学习方法可尝试模仿人们在考虑路线偏好(例如最短路线、节省燃料等)的情况下如何计划行驶路线或选择到行驶目的地的行驶路线。此外,在此处介绍的用于预测车辆的可能行驶路线的方法中,例如同样可考虑诸如驾驶员偏好和/或车辆偏好和实时交通情况的相关信息以用于预测可能的行驶路线。
本发明提出一种用于预测车辆的可能行驶路线的方法,其中该方法包括以下步骤:
通过使用表示车辆的过去停留位置的至少一个数据信号以及表示车辆的当前位置的位置信号来预测行驶目的地;
通过使用车辆的行驶历史和/或驾驶员的驾驶偏好来创建用于映射在车辆的当前位置和所预测的行驶目的地之间的至少一个区域的加权的奖励地图;并且
通过使用神经网络和所创建的奖励地图来计算可能行驶路线,以预测可能行驶路线。
奖励地图一词是对英语词汇“rewards map”的翻译。
奖励地图是一种在地图或单元中的每个位置被分配有奖励或数字的地图。该数字是某个位置便于或不利于行驶的衡量程度。
行驶路线可以是若干点之间的路径,其中行驶路线特别是描述了例如从车辆的特定位置驶往行驶目的地的有序的路标清单。车辆可以是客运车辆,例如高度自动驾驶的车辆。奖励地图可以是具有多个地理区域的基于地图的车辆环境模型。在此,奖励地图可被构造为一种二维的位于地平面的占用网格,其将环境地图呈现为均匀间隔的二进制随机变量阵列,这些二进制随机变量分别表示地理区域的奖励值。神经网络可以是人造的人脑抽象模型,其由具有人造节点(一种神经元)的多个层组成。在此,神经网络特别是可具有输入层和输出层,在它们之间可布置若干中间层。输入层的节点可通过在不同路径上的训练经由中间层的节点与输出层的节点链接。在此,神经网络所具有的节点和层越多,则可反映的事实情况就越复杂。
在此介绍的用于预测车辆的可能行驶路线的方法的优点例如特别是在于电子地平线的延伸,其中电子地平线表示用于车辆的巡航控制和/或驾驶员辅助系统的一种前瞻功能并且构成在自动驾驶方向上的重要步骤。在此,电子地平线特别是用于前瞻性驾驶。首先,例如当因为导航系统报告前方有危险的狭窄弯道而使车辆自动减速时,在此通过使用电子地平线可提高交通安全性。而该系统不仅可防止事故,而且可在相同的基础上前瞻性且省油地行驶,使得避免驾驶员进行不必要的加速和制动。原则上,这个原则例如也适用于上坡和下坡、红色交通灯、交通拥堵或其他交通延误。在极端情况下,驾驶员只需要转向;车辆独立地操作油门和制动。
根据一个实施方式,在预测步骤中可通过地理坐标来定义车辆已经停留超过预定时间段的过去停留位置,特别是其中位于停留位置周围的限定距离内的所有地理坐标都对应于该停留位置。在此,驾驶员或车辆已经在过去停留超过例如20分钟的时间段的过去停留位置可以是车辆的可能行驶目的地。
根据一个实施方式,在预测步骤中可将过去的停留位置分组,以形成可能的行驶目的地,和/或将停留位置按时间排序。在此,例如将停留位置分组,以确定可能的行驶目的地,这例如意味着可能的行驶目的地形成过去停留位置的群组。在此,群组描述了在特定的地理区域内通过空间接近或聚集相关联的过去停留位置彼此的空间集中度。最后根据其何时被车辆访问对群组的停留位置按时间排序。这种实施方式提供了对过去停留位置的更粗略估计的优点,从而通过预测中较低的复杂度可降低数字复杂性或电路复杂性。
根据一个实施方式,在创建步骤中,地理区域和/或地理区域之间的连接可以分别被分配奖励值,以创建奖励地图。在此,奖励地图可形成为一种二维的位于地平面的占用网格,其将环境地图呈现为均匀间隔的二进制随机变量阵列,这些二进制随机变量分别表示对应于地理区域的奖励值。作为替代或附加,还可以是标准导航地图(NDS)的道路元素分配奖励值。道路元素是在两个结点或节点之间的链接或连接并且例如具有地图内的唯一标识符或标识特征。地图例如被建模为图形。在此提出的方案的这种实施方式提供了在加权中对各个区域进行尽可能精细的评估的优点。
根据一个实施方式,在创建步骤中,可根据驾驶员对道路等级和/或兴趣点和/或车辆过去停留位置的驾驶偏好,为奖励地图的每个地理区域和/或在两个地理区域之间的每个连接分配奖励值,特别是其中奖励值对应于一个负数和/或正数。在此,借助于所使用的奖励地图可有利地且在技术上可简单实施地使沿可能行驶路线的奖励值最大化,其中这些奖励值有利地被分配正数值。在此呈现的方案的这种实施方式提供了在最可能的行驶路线的预测中考虑其他的驾驶员特定信息的优点。
根据一个实施方式,在创建步骤中,可通过使用至少一个特征的加权来创建奖励地图的奖励值,特别是其中该一个和/或多个特征分别表示:当前地理区域的欧几里德距离和奖励地图中邻近的地理区域的欧几里德距离,和/或邻近地理区域中的交通状况,和/或有关在过去是否驶过该地理区域的信息,和/或在邻近地理区域中待行使的道路的道路等级,和/或为到达邻近地理区域所需的估计燃料消耗。通过被加权以创建奖励地图的奖励值的多个特征有利地实现数据可变性的提高,这使得通过神经网络改善对车辆的可能行驶路线的预测。
根据一个实施方式,在创建步骤中,可以分别用一个权重对一个和/或多个特征进行加权,特别是其中对应于每个地理区域的奖励值被计算为相关地理区域的以权重加权的特征的线性组合。在此,奖励值可隐含地包括用于驾驶员决策的模型,其中基于先前计算的奖励值和加权特征自动计算奖励地图。在此呈现的方案的这种实施方式提供了以下优点:可简单而精确地创建奖励地图,并且由此可精确预测最可能的行驶路线。
根据一个实施方式,在创建步骤中,可基于车辆的行驶历史来计算奖励值,其中在计算最可能的行驶路线的步骤中,排除对应的奖励值超过和/或低于特定数值范围的地理区域。在此,可通过所选择行驶路线的相应地理区域的奖励值使可能行驶路线的相应地理区域的选择可能性最小化;奖励值应有利地被分配正数值。
根据一个实施方式,可以包括更新奖励地图的步骤,通过使用至少一个动态交通信息来规划新的行驶路线,特别是其中动态交通信息表示交通延迟和/或当前道路状况和/或当前天气状况。在此,使用预训练的神经网络搜索车辆的新行驶路线至少有两个主要优点:首先,显著提高了搜索速度;其次,神经网络成功地模拟了人们如何解决这样的问题。
根据一个实施方式,可以至少重复和/或循环地重复计算步骤和/或更新步骤。在此,使用神经网络的一个重要优点在于,只要通过计算行驶路线以及不断更新奖励地图以规划新的行驶路线使所读取的数据量以及数据可变性增加,就会进一步改善车辆的可能行驶路线的预测结果。
在一个实施方式中,在更新步骤中,可以通过使用多个车辆的交通信息数据来确定奖励值。在此,可通过在地理区域中彼此连接的多个车辆的交通信息数据有利地获得更准确和真实的地图数据。奖励地图的更新还可用于实时警告车辆驾驶员当前交通状况和道路状况。
在此介绍的用于预测车辆可能行驶路线的方法可以例如以软件或硬件或以软件和硬件的混合形式例如在控制器中实现。
此外,在此介绍的方案还提出了一种用于预测车辆的可能行驶路线的装置,其被构造用于在相应的设备中执行、控制或实施在此介绍的用于预测车辆可能行驶路线的方法的变型方案的步骤。同样通过本发明的这种装置形式的实施变型方案也可快速有效地解决本发明所基于的目的。
为此,用于预测车辆的可能行驶路线的装置可具有至少一个用于处理信号或数据的运算单元、至少一个用于存储信号或数据的存储单元、至少一个与用于从传感器读取传感器信号或者将数据信号或控制信号输出到执行器的传感器或执行器的接口和/或至少一个用于读取或输出嵌入在通信协议中的数据的通信接口。运算单元例如可以是信号处理器、微控制器等,其中存储单元可以是闪存存储器、EEPROM或磁性存储单元。通信接口可被设计为无线地和/或通过线路读取或输出数据,其中可读取或输出有线数据的通信接口可以例如以电子或光学的方式从相应的数据传输线读取这些数据或将这些数据输出到相应的数据传输线中。
在此,装置可被理解为处理传感器信号并且据此输出控制信号和/或数据信号的电子设备。该装置可具有基于硬件和/或软件构造的接口。在基于硬件的构造方式中,接口例如可以是所谓的ASIC系统的包含装置各种功能的部分。而还可行的是,接口为自身的集成电路或者至少部分地由分立元件组成。在基于软件的构造方式中,接口可以是例如与其他软件模块并存于微控制器上的软件模块。
还有利的是计算机程序产品或具有程序代码的计算机程序,该程序代码可存储在机器可读的如半导体存储器、硬盘存储器或光学存储器的载体或存储介质上,并且特别是当在计算机或运算单元或装置上运行该程度产品或程序时用于执行、实施和/或控制根据上述实施方式中任一项所述的方法步骤。
附图说明
在此介绍的方案的实施例在附图中示出并且在以下说明中得以详细解释。其中:
图1示出了根据一个实施例用于预测车辆的可能行驶路线的装置的示意图;
图2示出了根据一个实施例基于用于预测车辆的可能行驶路线的装置来预测车辆的可能行驶路线的示意性简化系统结构;
图3示出了根据一个实施例用于对过去的车辆停留位置进行分组的网格地图的示意图;
图4示出了根据一个实施例在用于预测车辆的行驶目的地的预测设备中使用的神经网络的示意图;
图5示出了根据一个实施例用于映射在车辆当前位置和所预测行驶目的地之间的权重的奖励地图的示意图;
图6示出了根据一个实施例用于计算车辆的可能行驶路线的神经网络的示意图;
图7示出了根据一个实施例用于映射在车辆当前位置和所预测行驶目的地之间的区域的加权的更新奖励地图的示意图;
图8示出了根据一个实施例基于用于预测车辆的可能行驶路线的方法来预测可能的行驶路线的示意性系统结构;并且
图9示出了根据一个实施例用于预测车辆的可能行驶路线的方法的流程图。
在下面对本发明的有利实施例的说明中,对于各个附图中所示的作用相似的元件使用相同或相似的附图标记,其中省去了对这些元件的重复说明。
具体实施方式
图1示出了根据一个实施例用于预测车辆105的可能行驶路线的装置100的示意图。根据一个实施例,装置100布置在(车辆)外部的运算单元110上,其中外部运算单元110为信息技术基础设施,例如云端。在此介绍的方案的这种实施例所具有的优点是,在外部运算单元110中处理数据意味着在车辆105本身中有更低的运算需求并且与此相关联的能耗更低或者将提供将资源用于其他功能的可能性。此外,外部运算单元110一般具有比车载计算机更高的可用运算能力。然而也可考虑车载计算机单元作为装置100,如其在图1中所示。
用于预测车辆105的可能行驶路线的装置100具有预测设备115、创建设备120、计算设备125和(可选的)更新设备130。预测器115被配置为通过使用表示车辆105的过去停留位置的数据信号135和表示车辆105的当前位置的位置信号140来预测行驶目的地。此外,预测设备115还被配置为通过车辆105已经停留超过预定时间段的地理坐标来定义车辆105的过去停留位置。在此,该停留位置对应于位于停留位置周围的限定距离内的地理坐标。最后,预测设备115被配置为将车辆105的过去停留位置分组,以形成可能的行驶目的地,然后对过去的停留位置进行时间排序。
创建设备120被配置为通过使用车辆105的行驶历史155和/或驾驶员的驾驶偏好160来创建奖励地图150,以用于映射在车辆105的当前位置和车辆105的预测行驶目的地之间的至少一个区域的加权。在此,创建设备120被配置为给地理区域和/或地理区域之间的连接分配奖励值,以创建奖励地图150。该分配给地理区域的奖励值根据驾驶员对道路等级和/或兴趣点和/或车辆105的过去停留位置的偏好例如被分配给地理区域,特别是其中奖励值对应于一个负数和/或正数。此外,创建设备120还被配置为通过使用至少一个特征的至少一个区域的加权来创建奖励地图150的奖励值,其中该一个和/或多个特性例如是:当前地理区域的欧几里德距离和邻近的地理区域的欧几里德距离,和/或邻近地理区域中的交通状况,和/或邻近地理区域在过去是否被车辆驶过,和/或在邻近地理区域中待行使的道路的道路等级,和/或为到达邻近地理区域所需的估计燃料消耗。在此,分别用一个权重对所述一个和/或多个特征进行加权,其中对应于每个地理区域的奖励值被计算为相关地理区域的以权重加权的特征的线性组合。
计算设备125被配置为通过使用神经网络165和所创建的奖励地图150来计算可能的行驶路线170,以预测可能的行驶路线170。此外,计算设备125还被设计为排除对应的奖励值超过和/或低于特定数值范围的地理区域。
最后,更新设备130被配置为通过使用动态交通信息175来更新奖励地图150以规划新的行驶路线,其中动态交通信息175为交通延迟和/或当前道路状况和/或当前天气状况。此外,更新设备130还被配置为通过使用由多个车辆确定并被提供给更新设备130的交通信息数据180来更新奖励值并且以更新信号185的形式将该更新信息输出到计算设备125。在此,计算设备125和更新设备130被配置为重复和/或循环地重复车辆的可能行驶路线170的计算过程以及用于规划新行驶路线的奖励地图150的更新过程。
图2示出了根据一个实施例基于用于预测车辆的可能行驶路线170的装置100来预测车辆的可能行驶路线170的示意性简化系统结构。该系统结构具有用于预测车辆的可能行驶路线170的装置100,该装置100又包括预测设备115、创建设备120、计算设备125和更新设备130。
在此介绍的方法的一个重要方面是预测车辆驾驶员在哪条路线170上行驶到行驶目的地205。例如,用于预测车辆的可能行驶路线170的第一步骤是预测车辆当前行程的最终行驶目的地205。然而在此驾驶员不会将其行驶目的地205加入系统中。该最终行驶目的地205的预测基于历史数据以及车辆的当前位置。为此,车辆向预测设备115提供表示车辆的过去停留位置的数据信号135以及表示车辆的当前位置的位置信号140。此外,时间信号210被提供给预测设备115,其中该时间信号210例如表示过去行驶路线的时间点和周日期。只要估计了车辆的行驶目的地205,就会创建可能的行驶路线170,其可考虑以下所有的目标设定,例如:
-到达最终行驶目的地205(事实上或在特定时间点);
-优选地遵循之前车辆在一周中同一天的同一时间并且以相同的行驶目的地205行驶的行驶路线170;
-优选地遵循在特定地理区域中车辆通常优选的道路等级;
-优选地行驶最短的行驶路线170和/或具有最大燃料经济性的行驶路线170,其中在此加权取决于驾驶员偏好;
-避免有交通拥堵和/或其他交通延误的道路;和/或
-避免状况不佳的道路。
为了创建行驶路线170,将关于车辆的行驶目的地205的信息提供给创建设备120,其被配置为通过使用车辆的行驶历史155和/或驾驶员的驾驶偏好160和/或所预测的行驶目的地205来创建奖励地图,以用于映射在车辆的当前位置和车辆的最终行驶目的地205之间的至少一个区域的加权。在此,基于驾驶员的偏好和历史行程为例如奖励地图150的地理区域和/或地理区域之间的连接分配奖励值,以创建奖励地图150。通过使用所创建的奖励地图150和能够独立且自主动态响应的机器学习方法(例如神经元代理或神经网络165)在计算设备125中计算可能的行驶路线170。根据一个实施例,神经网络165或神经元代理已利用增强学习过程训练,以沿着所创建的奖励地图150进行导航并且到达所预测的车辆行驶目的地205。在此,例如有必要基于所使用的奖励地图150使奖励值最大化,以通过使用效率信号215找到最短的行驶路线170和/或通过使用经济信号220来节省燃料。在强化或增强学习过程中,神经元代理或神经网络165自主地学习策略,以在车辆周围环境中实现行驶目的地205,并且同时使所获得的奖励值最大化。然后例如通过使用可能的行驶路线170和动态交通信息175来更新具有固定预设参数的静态奖励地图150,其中向更新设备130提供由交通拥堵和/或当前道路条件和/或当前天气条件引起的交通延迟的信息。已经训练的神经元代理或神经网络165与例如用于规划新行驶路线250的更新的奖励地图形成对比,以确定新的行驶路线250,其中所有上述目标设定仍有待补偿。
然后,使用新创建的更新的行驶路线250例如作为构建电子地平线的最可能的路线。在此,除了车辆系统之外,汽车系统还与电子地平线的数据联网,其提供详细的路线预览作为对外界的传感器。由此新功能将降低燃料消耗并且提高行驶舒适性。
图3示出了根据一个实施例用于对过去的车辆停留位置340进行分组的网格地图305的示意图。根据一个实施例,网格地图305为二维的位于地平面的地图,其特征在于由规则正方形组成的网格并且可使得基于数字或字母精确定位某个位置。在此,网格地图305具有三个构造为圆形的群组310、320、330,其中分别布置有多个点,其中点表示车辆的过去停留位置340。
车辆行驶目的地的预测例如基于特别是驾驶员或车辆的过去停留位置340的历史数据。在此,可能行驶目的地特别是驾驶员或车辆在过去曾经去过的停留位置。车辆的过去停留位置340由车辆已停留超过预定时间段(例如20分钟)的地理坐标定义。在此,位于停留位置340周围的限定距离内的地理坐标例如对应于停留位置340。在识别出停留位置340之后,对其进行分组,以确定可能的行驶目的地,这意味着可能的行驶目的地为停留位置340的群组310、320、330。在此,群组310、320、330描述了在特定的地理区域内通过空间接近或聚集相关联的停留位置340彼此的空间集中度。最后,对群组310、320、330的停留位置340进行时间排序,这取决于车辆何时去过该处。
图4示出了根据一个实施例在用于预测车辆的行驶目的地205的预测设备115中使用的神经网络165的示意图。为了使在此介绍的神经网络165在开始时已经预测有意义的行驶目的地205以预测车辆的行驶目的地205,可基于根据随机预定义的输入变量计算行驶目的地205的行驶目的地模型来预训练神经网络165。
在此使用的神经网络165基于被监控的学习方法。在此,神经网络165具有输入层410、输出层420和一个或多个内部中间层430,其中根据一个实施例神经网络165仅具有一个中间层430,以便更好地概览。这种神经网络165中的信息处理通常从输入层410通过隐藏的中间层430向输出层420进行,其中输出层420预测车辆的下一个行驶目的地205。神经网络165的层410、420、430中的每一个都具有多个节点450,该节点为一种神经元。在两个节点450之间的连接表示为权重。
过去车辆去过的停留位置的时间序列用于训练神经网络165,以预测车辆的可能目的地205。这种情况发生在受监控的训练方法中。在此,神经网络165的输入例如为以时间信号210的形式读取的过去行驶路线的时间点和周日期以及以位置信号140的形式读取的当前车辆位置群组和以数据信号135的形式读取的车辆或驾驶员在过去去过的停留位置群组。
例如,对于在此所示的神经网络165使用S形活动函数,以模拟行驶目的地预测的认知过程,其中根据一个实施例使用双曲正切函数tanh。在此,W1、W2、Wn-1和Wn表示从神经网络165的中间层430到输出层420的权重因子。在许多情况下,中间层430还具有被称为偏置元件的元件。以b1、b2、bn-1和bn表示的该元件具有恒定值1并且仅具有输出,没有输入。在此,借助于偏置元件可确保特定的节点450始终收到非零输入。
图5示出了根据一个实施例用于映射在车辆当前位置505和所预测行驶目的地205之间的权重的示例性奖励地图150的示意图。根据一个实施例,奖励地图150为具有多个地理区域510的基于地图的车辆环境模型。在此,奖励地图150可形成为一种二维的位于地平面的占用网格,其将环境地图呈现为均匀间隔的二进制随机变量阵列,这些二进制随机变量分别表示地理区域510的奖励值515。
只要行驶目的地205被预测,就创建奖励地图150以映射在车辆的当前位置505和所预测的行驶目的地205之间的权重。在此,例如通过使用车辆的行驶历史和/或驾驶员的驾驶偏好实现奖励地图150的创建。该静态奖励地图150例如不包含诸如交通拥堵和当前道路条件和/或天气条件的动态信息。为地理区域510和/或地理区域510之间的连接分配奖励值515,以创建奖励地图150。分配给地理区域510的该奖励值515例如根据驾驶员对道路等级和/或兴趣点和/或车辆的过去停留位置的偏好来分配,特别是其中奖励值515被分配一个负数和/或正数。在这里示出的奖励地图150的示例中,奖励值515被分配数字5和-1和-5。例如,过去在车辆的当前位置505和过去停留位置之间在同一时段中驶过的地理区域510获得奖励值5。例如,车辆尚未行驶的地理区域510获得奖励值-1,然而其中在该地理区域510中有优选道路等级的街道。例如,既未被车辆驶过也不具有优选道路等级的街道的地理区域510获得奖励值-5。以字母S标记的地理区域510描述了车辆的当前位置505。以字母D标记的地理区域510描述了车辆的行驶目的地205,即其终点。
当驾驶员决定遵循到行驶目的地205的特定路线时,驾驶员例如权衡不同的因素,如到行驶目的地205的最短路线、到行驶目的地205的最短时间、路线上的道路等级以及到行驶目的地205的路线是否位于驾驶员已知的地区内。每个驾驶员例如将以不同的方式权衡这些因素。基于这些因素,分配给每个地理区域510和/或两个地理区域510之间的每个连接的奖励值515(在此也称为“reward”)基于车辆的行驶历史被计算为相关地理区域510和/或两个地理区域510的连接的以权重Wn加权的特征(在此也称为“Features”)或因素的线性组合,计算如下:
在此,Fn例如描述了在其加权下创建奖励地图150的奖励值515的一个和/或多个特征。在此,例如一个和/或多个特征Fn为:当前地理区域510的欧几里德距离和与奖励地图150的当前地理区域510相邻的地理区域510的欧几里德距离,和/或在与当前地理区域510相邻的地理区域510中的交通状况,和/或车辆在过去是否去过与当前地理区域510相邻的地理区域510,和/或与当前地理区域510相邻的地理区域510中待行驶的道路的道路等级,和/或为到达与当前地理区域510相邻的地理区域510所需的估计燃料消耗。
在计算车辆的可能行驶路线时,排除那些其对应的奖励值515超过和/或低于特定范围的地理区域510和/或两个地理区域510之间的连接。根据一个实施例,所选择的行驶路线(以名称“path”表示)的地理区域510的奖励值515的负概率(或最小化概率)或者说在选择行驶路线(作为一个动作或“action”)时选择或考虑相关区域(或者说相关“cell”)的概率在此被最小化:
上述等式的解是高奖励的加权奖励值515,特别是奖励值5,其使得在车辆的当前位置505和行驶目的地205之间的某个特定行驶路线是最可能的。下面将在当前车辆位置505和行驶目的地205之间的每个可能行驶路线(或者说路径或“path”)的加权奖励值515对于驾驶员(也称为“driver”)进行线性组合:
在此,奖励值515隐含地包含用于驾驶员决策的模型,其中基于先前计算的奖励值515和加权特征Fn自动计算奖励地图150。下一步骤是沿着奖励地图150最优地导航车辆。
图6示出了根据一个实施例在用于计算车辆的可能行驶路线170的计算设备125中使用的神经网络165的示意图。在此使用的神经网络165例如基于受监控的学习方法。在此,神经网络165例如具有一个输入层410、一个输出层420和一个或多个内部中间层430,其中根据一个实施例神经网络165具有两个中间层430。例如,这种神经网络165中的信息处理通常从输入层410经由隐藏的中间层430向输出层420进行,其中输出层420预测车辆的可能行驶路线170。神经网络165的层410、420、430中的每一个具有多个节点450,该节点为一种神经元。两个节点450之间的连接表示为权重。
只要创建了奖励地图,神经网络165例如就可利用增强学习过程来学习在奖励地图上移动的规则,以获得最大奖励并到达行驶目的地。为了获悉在每个地理区域和/或两个地理区域的连接中获得最高奖励的移动是什么,例如以车辆的当前位置505作为输入410并且以具有最大奖励值的可能行驶路线170作为输出420来使用神经网络165。在此,神经网络165被预训练,以使如下损失函数“Loss”最小化:
Loss=-log(Action)*Rewards
S形活动函数用于在此示出的神经网络165,以模拟例如沿着车辆的可能行驶路线170导航的认知过程,其中根据一个实施例使用双曲正切函数tanh。在训练过程中,使用例如未训练的神经网络165的神经元代理沿着奖励地图移动。这允许神经网络165的内部参数(W和b)使沿着地理区域之间的可能行驶路线170的奖励值损失最小化。在此,例如在整个奖励地图上应用算法,以学习可如何到达具有指定目标设定的行驶目的地。这是一个迭代过程。由箭头符号表示的第二中间层430的动作例如限定了车辆应朝哪个方向从当前地理区域移动到与当前地理区域相邻的地理区域。
除了与奖励地图中的地理区域和/或两个地理区域的连接相关的奖励值之外,当神经网络165移近最终的行驶目的地时也会有奖励。这迫使例如神经网络165去平衡驾驶员的优选行驶路线170和到行驶目的地的最短行驶路线170。此外,如果所选地理区域意味着燃料经济性,则将有例如额外的奖励,其中借助于诸如速度限制、地形等的静态地图信息来计算燃料经济性奖励。例如基于车辆的历史数据来计算燃料经济性和/或时间经济性对驾驶员有多重要。
只要训练了上述沿着奖励地图导航的策略,以获得在车辆的当前位置505和行驶目的地之间的可能行驶路线170,例如就会包括诸如交通延误和/或当前道路状况和/或当前天气状况的附加动态交通信息,以更新奖励地图的奖励值并且规划新的行驶路线。在此,神经网络165将根据新的奖励值限制例如重新学习最优行驶策略。
图7示出了根据一个实施例用于映射在车辆当前位置505和所预测行驶目的地205之间的加权的更新奖励地图705的示意图。根据一个实施例,奖励地图150为具有多个地理区域510的基于地图的车辆环境模型。在此,奖励地图150例如可形成为一种二维的位于地平面的占用网格,其将环境地图呈现为均匀间隔的二进制随机变量阵列,这些二进制随机变量分别表示地理区域510的奖励值515。
除了更新的奖励地图705之外,图7还示出了从图5中已知的用于映射在车辆的当前位置505和所预测行驶目的地205之间的加权的奖励地图150,其中例如以数字5和-1和-5为两个奖励地图150和705分配奖励值515。例如,过去在车辆的当前位置505和过去停留位置之间在同一时段中行驶过的地理区域510获得奖励值5。例如,车辆尚未行驶的地理区域510获得奖励值-1,然而其中在该地理区域510中有优选道路等级的街道。例如,既未被车辆驶过也不具有优选道路等级的街道的地理区域510获得奖励值-5。以字母S标记的地理区域510例如描述了车辆的当前位置505。以字母D标记的地理区域510例如描述了车辆的行驶目的地205,即其终点。然而,更新的奖励地图705附加地具有发生交通拥堵的地理区域510,其中该地理区域510被分配负的奖励值-100。这种情况例如迫使神经网络创建新的行驶路线250,以绕过交通拥堵或该地理区域510。
由于神经网络已经学习了静态奖励地图150的最优方案,神经网络现在基于更新的奖励地图705试图在最短的时间内找到靠近第一行驶路线170的新行驶路线250,类似于驾驶员也会做的。在此,灰色阴影地理区域510例如表示行驶路线170和250经过的地理区域,其中在规划新的行驶路线250时也应将分配给地理区域510的奖励值515最大化。
图8示出了根据一个实施例基于用于预测车辆的可能行驶路线170的方法来预测可能的行驶路线170的示意性系统结构。系统结构例如具有外部运算单元110,其中该外部运算单元110为信息技术基础设施,例如云端,其具有用于预测车辆的可能行驶路线的装置、奖励地图150、更新的奖励地图705以及神经网络165。该装置例如又具有预测设备115、创建设备120、计算设备125和行驶数据设备810。根据一个实施例,在此示出的外部运算单元110还具有前端设备815、单独的传输设备820和适配设备825。此外,系统结构还示出了多个车辆830和LTE/5G连接接口840,其中多个车辆830分别具有运算单元连接模块845、位置模块850和地平线构建模块855。根据一个实施例,行驶目的地205的预测、用于映射在车辆当前位置和所预测行驶目的地205之间的加权的奖励地图150的创建、可能行驶路线170计算以及用于规划新行驶路线250的奖励地图150的更新在外部运算单元110上进行。
用于预测车辆的可能行驶路线170的第一步骤是预测车辆当前行程的最终行驶目的地205。该最终行驶目的地205的预测基于历史数据和车辆的当前位置。为此,例如车辆向外部运算单元110的行驶数据设备810提供车辆识别信号860,其表示用于识别车辆的个体数据,其中行驶数据设备810通过使用车辆识别信号860向预测设备115提供数据信号135,其表示车辆的过去停留位置。表示车辆当前位置的位置信号140和表示过去行驶路线的时间点以及周日期的时间信号例如借助于运算单元110的适配设备825同样被提供给预测设备115,以预测行驶目的地205。
为了创建车辆的可能行驶路线170,从预测设备115向创建设备120提供例如关于车辆的预测行驶目的地205的信息。此外,行驶数据设备810将关于车辆的行驶历史155和/或驾驶员的驾驶偏好160的信息提供给创建设备120,其中创建设备120被配置为通过使用车辆的行驶历史155、驾驶员的驾驶偏好160和所预测的行驶目的地205来创建用于映射在车辆当前位置和车辆最终行驶目的地205之间的权重的奖励地图150。通过使用所创建的奖励地图150和神经网络165在计算设备125中计算可能的行驶路线170。根据一个实施例,神经网络165已利用增强学习过程被训练,以便例如沿着所创建的奖励地图150进行导航并且到达所预测的车辆行驶目的地205。在此,例如有必要基于所使用的奖励地图150使奖励值最大化,通过使用效率信号215找到最短的行驶路线170并且通过使用经济信号220来节省燃料。随后通过使用动态交通信息175更新奖励地图150,其中动态交通信息175例如为关于由拥堵引起的交通延迟和/或当前道路条件和/或当前天气条件的信息。根据一个实施例,为了更新奖励地图同样确定多个车辆830的交通信息数据180并且将其通过前端设备815提供给奖励地图150,其中奖励地图150现在通过使用动态交通信息175和交通信息数据180被更新,以规划新的行驶路线250。神经网络165例如随着更新的奖励地图705被加载,以确定新的行驶路线250,其中所有上述目标设定均应予以平衡。为每个单独车辆单独确定的新确定的行驶路线250现在由各自的传输设备820被提供给相应的车辆。然后,新创建的更新的行驶路线250例如被用作借助于地平线构建模块855构建电子地平线的最可能路线。
在此介绍的系统结构呈现了用于预测车辆的可能行驶路线170的方法的一种可能的实现方式,其中多个车辆830借助于LTE/5G连接接口840将交通信息数据180提供到外部运算单元110中,以通过使用交通信息数据180来更新奖励地图150。在此,借助于LTE/5G连接接口840在多个车辆830和外部运算单元110之间传输例如任何数据信号。在此,LTE/5G连接接口840提供高达10Gbps的数据速率、更高频率范围的使用、小于1ms的延迟时间和传输过程中能耗的降低。
图9示出了根据一个实施例用于预测车辆的可能行驶路线的方法900的流程图。可通过使用图1中介绍的用于预测车辆的可能行驶路线的装置来应用该方法900。
方法900首先包括步骤905,其中通过使用表示车辆过去停留位置的数据信号和表示车辆当前位置的位置信号来预测行驶目的地。此外,在步骤905中,通过车辆已停留超过预定时间段的地理坐标来限定车辆的过去停留位置。在此,该停留位置对应于位于停留位置周围的限定距离内的地理坐标。最后,在步骤905中将车辆的过去停留位置分组,以形成可能的行驶目的地和/或对停留位置进行时间排序。该方法还包括另一步骤910,其中通过使用车辆的行驶历史和/或驾驶员的驾驶偏好来创建用于映射在车辆当前位置和所预测的车辆行驶目的地之间的权重的奖励地图。在此,为地理区域和/或地理区域之间的连接分配奖励值,以创建奖励地图。根据驾驶员对道路等级和/或兴趣点和/或车辆过去停留位置的驾驶偏好为地理区域分配对应于该地理区域的奖励值,特别是其中奖励值对应于一个负数和/或正数。此外,在方法步骤901中通过使用至少一个特征的加权来创建奖励地图的奖励值,其中该一个和/或多个特征为:当前地理区域的欧几里德距离和奖励地图中邻近的地理区域的欧几里德距离,和/或邻近的地理区域中的交通状况,和/或车辆在过去是否行驶过该地理区域,和/或在邻近地理区域中待行使的道路的道路等级,和/或为到达邻近地理区域所需的估计燃料消耗。在此,分别用一个权重对一个和/或多个特征进行加权,其中对应于每个地理区域的奖励值被计算为相关地理区域的以权重加权的特征的线性组合,其中特别是基于车辆的行驶历史计算奖励值。在方法900的步骤915中,通过使用神经网络和所创建的奖励地图来计算可能的行驶路线,以预测可能的行驶路线。此外,在方法步骤915中将排除那些其对应的奖励值超过和/或低于特定范围的地理区域。最后,方法900具有步骤920,其中通过使用动态交通信息来更新奖励地图以规划新的行驶路线,其中动态交通信息为交通延迟和/或当前道路条件和/或当前天气条件。此外,在方法步骤920中通过使用由多个车辆确定并被提供给更新设备的交通信息数据来更新奖励值。特别是将重复地和/或循环重复地实施方法900的步骤915和920。
如果一个实施例在第一特征和第二特征之间包括“和/或”连接词,则这可被解读为,该实施例根据一个实施方式不仅具有第一特征而且具有第二特征,并且根据另一实施方式仅具有第一特征或者仅具有第二特征。
Claims (14)
1.一种用于预测车辆(105)的可能行驶路线(170)的方法(900),其中所述方法(900)包括以下步骤:
通过使用表示所述车辆(105)的过去的停留位置(340)的至少一个数据信号(135)以及表示所述车辆(105)的当前位置(505)的位置信号(140)来预测(905)行驶目的地(205);
通过使用所述车辆(105)的行驶历史(155)和/或驾驶员的驾驶偏好(160)来创建(910)奖励地图(150),所述奖励地图用于映射在所述车辆(105)的所述当前位置(505)和所预测的所述行驶目的地(205)之间的至少一个区域(510)的加权;并且
通过使用神经网络(165)和所创建的所述奖励地图(150)来计算(915)所述可能行驶路线(170),以预测所述可能行驶路线(170)。
2.根据权利要求1所述的方法(900),其中在所述预测(905)的步骤中,通过所述车辆(105)已停留超过预定时间段的地理坐标来限定过去的所述停留位置(340),特别是其中位于所述停留位置(340)周围的限定距离内的所有地理坐标都对应于所述停留位置(340)。
3.根据前述权利要求中任一项所述的方法(900),其中在所述预测(905)的步骤中,将所述停留位置(340)分组以形成可能的行驶目的地(205),和/或将所述停留位置(340)按时间排序。
4.根据前述权利要求中任一项所述的方法(900),其中在所述创建(910)的步骤中,为地理区域(510)和/或地理区域(510)之间的连接分别分配奖励值(515),以创建所述奖励地图(150)。
5.根据权利要求4所述的方法(900),其中在所述创建(910)的步骤中,根据所述驾驶员对道路等级和/或兴趣点和/或所述车辆(105)的过去的停留位置(340)的驾驶偏好(160),为所述奖励地图(150)的每个地理区域(510)和/或两个地理区域(510)之间的每个连接分配奖励值(515),特别是其中奖励值(515)被分配一个负数和/或正数。
6.根据权利要求4或5所述的方法(900),其中在所述创建(910)的步骤中,通过使用至少一个特征(Fn)的加权来创建所述奖励地图(150)的所述奖励值(515),特别是其中一个和/或多个所述特征(Fn)表示:当前地理区域(510)的欧几里德距离和在所述奖励地图(150)中邻近的地理区域(510)的欧几里德距离,和/或在邻近的地理区域(510)中的交通状况,和/或关于在过去是否行驶过所述地理区域(510)的信息,和/或在所述邻近的地理区域(510)中待行使的道路的道路等级,和/或为到达邻近的地理区域(510)所需的估计燃料消耗。
7.根据权利要求4至6中任一项所述的方法(900),其中在所述创建(910)的步骤中,分别用一个权重对一个和/或多个特征(Fn)进行加权,特别是其中对应于每个地理区域(510)的所述奖励值(515)被计算为相关的地理区域(510)的以所述权重加权的特征(Fn)的线性组合。
8.根据权利要求4至7中任一项所述的方法(900),其中在所述创建(910)的步骤中,基于所述车辆(105)的所述行驶历史(155)计算所述奖励值(515),其中在所述计算(915)最可能行驶路线(170)的步骤中,排除对应的奖励值(515)超过和/或低于特定数值范围的地理区域(510)。
9.根据前述权利要求中任一项所述的方法(900),包括以下步骤:
通过使用至少一个动态交通信息(175)更新(920)所述奖励地图(150)以规划新行驶路线(250),特别是其中所述动态交通信息(175)表示交通延迟和/或当前道路条件和/或当前天气条件。
10.根据前述权利要求中任一项所述的方法(900),其中至少重复和/或循环地重复所述计算(915)的步骤和/或所述更新(920)的步骤。
11.根据权利要求9或10所述的方法(900),其中在所述更新(920)的步骤中,通过使用多个车辆(830)的交通信息数据(180)确定所述奖励值(515)。
12.一种装置(100),被配置为在相应的单元中实施和/或控制根据前述权利要求中任一项所述的方法(900)的步骤。
13.一种包括程序代码的计算机程序,所述计算机程序被配置为在通过运算单元或装置执行所述程序代码时实施和/或控制根据前述权利要求中任一项所述的方法(900)。
14.一种机器可读的存储介质,在所述存储介质上存储有根据权利要求13所述的计算机程序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018209804.2A DE102018209804A1 (de) | 2018-06-18 | 2018-06-18 | Verfahren und Vorrichtung zur Vorhersage einer wahrscheinlichen Fahrroute für ein Fahrzeug |
DE102018209804.2 | 2018-06-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110617829A true CN110617829A (zh) | 2019-12-27 |
CN110617829B CN110617829B (zh) | 2024-01-23 |
Family
ID=68581873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910515881.3A Active CN110617829B (zh) | 2018-06-18 | 2019-06-14 | 用于预测车辆的可能行驶路线的方法和装置 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN110617829B (zh) |
DE (1) | DE102018209804A1 (zh) |
FR (1) | FR3082613B1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112344950A (zh) * | 2020-10-24 | 2021-02-09 | 武汉光庭信息技术股份有限公司 | Adas道路网树的融合方法及系统、服务器及介质 |
CN116793376A (zh) * | 2023-04-13 | 2023-09-22 | 北京邮电大学 | 一种基于最短路径和历史经验的路径预测方法、装置及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2604355A (en) * | 2021-03-02 | 2022-09-07 | Cubic Telecom Ltd | Vehicle Routing System And Method |
DE102021107796A1 (de) | 2021-03-29 | 2022-09-29 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Ermittlung eines wahrscheinlichsten Fahrpfades eines Kraftfahrzeug |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090287408A1 (en) * | 2008-05-18 | 2009-11-19 | Volkswagen Of America, Inc. | Method for Offering a User Reward Based on a Chosen Navigation Route |
US20100106603A1 (en) * | 2008-10-20 | 2010-04-29 | Carnegie Mellon University | System, method and device for predicting navigational decision-making behavior |
CN102270191A (zh) * | 2010-06-03 | 2011-12-07 | 索尼公司 | 数据处理设备、数据处理方法和程序 |
CN103376119A (zh) * | 2012-04-18 | 2013-10-30 | 哈曼贝克自动系统股份有限公司 | 执行路网搜索的方法和用于估计车辆续航里程的系统 |
CN103620344A (zh) * | 2011-06-22 | 2014-03-05 | 罗伯特·博世有限公司 | 用于确定路线适用性的方法和装置 |
CN104715675A (zh) * | 2015-04-02 | 2015-06-17 | 成都数云科技有限公司 | 一种适用于物流配送路径优化的gis电子地图 |
CN105674994A (zh) * | 2014-11-17 | 2016-06-15 | 深圳市腾讯计算机系统有限公司 | 获取行车路线的方法、装置及导航设备 |
CN107466469A (zh) * | 2017-02-17 | 2017-12-12 | 深圳前海达闼云端智能科技有限公司 | 地图绘制方法、其云端平台及服务器 |
CN108072378A (zh) * | 2016-11-15 | 2018-05-25 | 中国移动通信有限公司研究院 | 一种预测目的地的方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007043533A1 (de) | 2007-09-12 | 2009-03-19 | Robert Bosch Gmbh | Navigationsgerät für Kraftfahrzeuge und Verfahren zur Berechnung und Ausgabe mindestens einer alternativen Strassenroute im Staufall |
US8392116B2 (en) * | 2010-03-24 | 2013-03-05 | Sap Ag | Navigation device and method for predicting the destination of a trip |
-
2018
- 2018-06-18 DE DE102018209804.2A patent/DE102018209804A1/de active Pending
-
2019
- 2019-06-13 FR FR1906290A patent/FR3082613B1/fr active Active
- 2019-06-14 CN CN201910515881.3A patent/CN110617829B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090287408A1 (en) * | 2008-05-18 | 2009-11-19 | Volkswagen Of America, Inc. | Method for Offering a User Reward Based on a Chosen Navigation Route |
US20100106603A1 (en) * | 2008-10-20 | 2010-04-29 | Carnegie Mellon University | System, method and device for predicting navigational decision-making behavior |
CN102270191A (zh) * | 2010-06-03 | 2011-12-07 | 索尼公司 | 数据处理设备、数据处理方法和程序 |
CN103620344A (zh) * | 2011-06-22 | 2014-03-05 | 罗伯特·博世有限公司 | 用于确定路线适用性的方法和装置 |
CN103376119A (zh) * | 2012-04-18 | 2013-10-30 | 哈曼贝克自动系统股份有限公司 | 执行路网搜索的方法和用于估计车辆续航里程的系统 |
CN105674994A (zh) * | 2014-11-17 | 2016-06-15 | 深圳市腾讯计算机系统有限公司 | 获取行车路线的方法、装置及导航设备 |
CN104715675A (zh) * | 2015-04-02 | 2015-06-17 | 成都数云科技有限公司 | 一种适用于物流配送路径优化的gis电子地图 |
CN108072378A (zh) * | 2016-11-15 | 2018-05-25 | 中国移动通信有限公司研究院 | 一种预测目的地的方法及装置 |
CN107466469A (zh) * | 2017-02-17 | 2017-12-12 | 深圳前海达闼云端智能科技有限公司 | 地图绘制方法、其云端平台及服务器 |
Non-Patent Citations (6)
Title |
---|
唐进君等: "基于路径预测的不确定性推理组合地图匹配算法", 《测绘学报》 * |
唐进君等: "基于路径预测的不确定性推理组合地图匹配算法", 《测绘学报》, no. 05, 31 October 2010 (2010-10-31), pages 546 - 550 * |
王亚琼等: "动态路径诱导系统中路径规划的关键技术研究", 《今日科苑》 * |
王亚琼等: "动态路径诱导系统中路径规划的关键技术研究", 《今日科苑》, no. 16, 31 August 2008 (2008-08-31), pages 203 * |
陈文宇等: "神经网络在路径优化问题中的应用", 电子科技大学出版社, pages: 1 - 17 * |
龙琼等: "面向驾驶员个性化需求的动态路径诱导方法", 《中南大学学报(自然科学版)》, no. 05, 31 May 2013 (2013-05-31), pages 2124 - 2129 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112344950A (zh) * | 2020-10-24 | 2021-02-09 | 武汉光庭信息技术股份有限公司 | Adas道路网树的融合方法及系统、服务器及介质 |
CN112344950B (zh) * | 2020-10-24 | 2022-03-08 | 武汉光庭信息技术股份有限公司 | Adas道路网树的融合方法及系统、服务器及介质 |
CN116793376A (zh) * | 2023-04-13 | 2023-09-22 | 北京邮电大学 | 一种基于最短路径和历史经验的路径预测方法、装置及存储介质 |
CN116793376B (zh) * | 2023-04-13 | 2024-03-19 | 北京邮电大学 | 一种基于最短路径和历史经验的路径预测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
DE102018209804A1 (de) | 2019-12-19 |
CN110617829B (zh) | 2024-01-23 |
FR3082613B1 (fr) | 2021-12-31 |
FR3082613A1 (fr) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110617829B (zh) | 用于预测车辆的可能行驶路线的方法和装置 | |
US10474151B2 (en) | Method for guiding a vehicle system in a fully automated manner, and motor vehicle | |
CN110850861B (zh) | 基于注意的分层变道深度强化学习 | |
CN112703459B (zh) | 对抗场景的迭代生成 | |
US10692371B1 (en) | Systems and methods for changing autonomous vehicle operations based on user profiles | |
CN113805572B (zh) | 运动规划的方法与装置 | |
US11899458B2 (en) | Identifying a route for an autonomous vehicle between an origin and destination location | |
CN110673602B (zh) | 一种强化学习模型、车辆自动驾驶决策的方法和车载设备 | |
CN110850854A (zh) | 自动驾驶员代理和为自动驾驶员代理提供策略的策略服务器 | |
CN110857085A (zh) | 车辆路径规划 | |
EP3588226B1 (en) | Method and arrangement for generating control commands for an autonomous road vehicle | |
WO2018057978A1 (en) | Decision making for autonomous vehicle motion control | |
CN109131346A (zh) | 用于预测自主车辆中的交通模式的系统和方法 | |
US20150344036A1 (en) | Vehicle speed profile prediction using neural networks | |
CN109643118B (zh) | 基于关于车辆的环境的与功能相关的信息来影响车辆的功能 | |
US11351996B2 (en) | Trajectory prediction of surrounding vehicles using predefined routes | |
CN110562258A (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US11561547B2 (en) | Autonomous vehicle routing based upon spatiotemporal factors | |
WO2021050152A1 (en) | Systems and methods for predicting fuel consumption efficiency | |
CN113076897A (zh) | 智能网联汽车的博弈动态行驶安全测控方法及调控终端 | |
JP2024514078A (ja) | マップを改良するために新しい道路を探索するためのルートプランナ及び意思決定 | |
US20220126826A1 (en) | Enhanced vehicle operation | |
CN115136081A (zh) | 用于训练用于机动车的控制器的至少一个算法的方法、用于优化区域中的交通流的方法、计算机程序产品以及机动车 | |
US20230391371A1 (en) | Precise pull-over with mechanical simulation | |
US20230222267A1 (en) | Uncertainty Based Scenario Simulation Prioritization and Selection |
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 |