CN111469852A - 用于机动车的驾驶员辅助系统的主对象选择的方法和驾驶辅助系统 - Google Patents
用于机动车的驾驶员辅助系统的主对象选择的方法和驾驶辅助系统 Download PDFInfo
- Publication number
- CN111469852A CN111469852A CN202010076709.5A CN202010076709A CN111469852A CN 111469852 A CN111469852 A CN 111469852A CN 202010076709 A CN202010076709 A CN 202010076709A CN 111469852 A CN111469852 A CN 111469852A
- Authority
- CN
- China
- Prior art keywords
- function
- neural network
- object selection
- data
- artificial neural
- 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 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000004931 aggregating effect Effects 0.000 claims abstract description 3
- 238000009826 distribution Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 20
- 230000001133 acceleration Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000008569 process Effects 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
- 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
- B60W40/04—Traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
- B60W30/162—Speed limiting therefor
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
-
- B60W2420/408—
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Abstract
一种用于为机动车的驾驶员辅助系统或驾驶系统的辅助功能或自动化驾驶功能进行主对象选择的方法,该系统包括对象选择分支,该对象选择分支包括基于规则的第一对象选择分支以及第二对象选择分支,第一对象选择分支用于选择用于功能的主对象,第二对象选择分支包括用于选择用于功能的主对象的人工神经网络,该方法包括以下步骤:将至少一个传感器的传感器数据聚合成一个或多个对象数据组;在人工神经网络的训练数据方面对由聚合的对象数据组表示的交通情况的新奇性进行评估;在系统的对象选择分支之间进行切换,其中,如果交通情况的新奇性超过阈值,则使用基于规则的对象选择分支。本发明还涉及一种用于执行该方法的驾驶员辅助系统或驾驶系统。
Description
技术领域
本发明涉及一种用于为机动车的驾驶员辅助系统或驾驶系统的辅助功能或自动化驾驶功能进行主对象选择的方法,其中,所述系统包括用于检测机动车的交通环境的至少一个传感器。本发明还涉及一种用于机动车的驾驶员辅助系统或驾驶系统。
背景技术
已知部分自动化的驾驶员辅助系统,该部分自动化的驾驶员辅助系统如此匹配车辆速度,使得可以以安全距离跟随前方行驶的车辆。这种行驶速度调节装置也称为ACC(英语Adaptive Cruise Control:自适应巡航控制)系统。从由雷达传感器探测到的多个雷达对象中确定应跟随的主对象——即所谓的目标对象。目标对象通常位于自身车道上,并在自身车辆前方行驶。
通过适当创建的并在驾驶员辅助系统中实施的算法来基于规则地确定目标对象。
发明内容
本发明的任务是提供一种方法和一种相应的驾驶员辅助系统或驾驶系统,所述驾驶员辅助系统或驾驶系统允许更高效地且同时可靠地选择用于辅助驾驶功能或自动化驾驶功能的目标对象。
自动化驾驶功能例如可以包括用于辅助驾驶员的功能,或者包括用于部分自动化的、有条件自动化(条件自动化)的、高度自动化的或全自动化的驾驶的功能。自动化驾驶功能尤其可以包括用于自主驾驶或部分自主驾驶的功能。
例如,驾驶员辅助系统或驾驶系统可以相应地包括用于驾驶员辅助或用于自动化驾驶的系统——尤其用于部分自动化的、有条件自动化(条件自动化)的、高度自动化的或全自动化的驾驶。驾驶系统尤其可以是自动化驾驶系统或自主驾驶系统。
该方法能够实现在常规情况下使用第二对象选择分支,并且通过人工神经网络来选择用于所述功能的主对象。这使得可以使用机器学习方法(缩写ML,英语MachineLearning)。与传统的基于规则的方法相比,使用神经网络可以明显提高对象选择的效果。此外有利的是,通过传感器数据的聚合(Aggregieren)可以将神经网络的尺寸保持得相对较小。由此,可以在使用神经网络时实现高效计算,并且产生对神经网络的权重的较低存储需求。特别有利的是,通过在神经网络的训练数据方面对由聚合的对象数据组表示的交通情况的新奇性(Neuartigkeit)进行评估,可以显著提高该方法的可靠性。已发现,机器学习方法在应用情况中的性能很大程度地取决于:待处理或待分类的数据组是否与在学习方法的训练中所使用的数据组具有足够的相似性(Vergleichbarkeit)。在极端情况下,在仅使用神经网络的情况下可能会发生输入数据组的系统性错误评估。通过对交通情况的新奇性进行评估,在新奇性超过阈值的情况下,可以切换到使用基于规则的对象选择分支来选择用于辅助功能或驾驶功能的主对象。由此,可以将基于规则的对象选择的优点与借助人工神经网络的对象选择的优点相结合,从而可以实现特别可靠且同时尽可能高效的方法。尤其能够将神经网络的性能与传统的基于规则的用于对象选择的方法的已证实的稳健性相结合。
优选地,在第二对象选择分支中,人工神经网络设置用于同时使用多个对象数据组作为输入参量,以选择用于辅助功能或驾驶功能的主对象。与通过神经网络对相应的单个对象数据组进行评估以及根据评估结果进行选择相比,同时使用多个对象数据组作为神经网络的输入参量能够实现:将由对象数据组所表示的对象之间的关系也一并用作附加信息源。因此,例如即使在行车道上缺少车道标记或车道标记质量差的情况下,也可以由对象之间的相对位置推断出:对象中的哪些正在自身车道(也称为本车道)上行驶,从而例如将所述对象考虑作为用于驾驶员辅助功能的主对象。
所述至少一个传感器例如可以包括摄像机和/或雷达传感器和/或激光雷达传感器。
由传感器数据聚合成的对象数据组可以相应于运动对象和/或静止对象。静止对象例如可以包括护栏。静止对象的对象数据组例如可以包含关于道路边界的信息。因此,例如可以使用护栏形式的对象,以便估计道路边界。基于规则的对象选择分支例如可以设置用于:在使用本车辆相对于所估计的道路边界以及相对于所探测的动态对象的自身位置(必要时基于本车辆相对于所估计的道路边界的相对位置)的情况下,求取哪个对象在同一车道上在本车辆前方行驶。如果传感器包括摄像机,则可以(一并)使用在视频图像中能够探测到的行车道标记,以便选择主对象。
对象数据组形式的聚合传感器数据例如可以相应于对象(例如车辆或行人)。因此,多个对象数据组可以相应于对象列表。在对象数据组中,每个对象都可以通过状态空间中的一个点进行描述,其中,所述点例如可以具有包括以下各项的元素中的一个或多个:横向位置、纵向位置、速度、加速度、对象定向、对象在笛卡尔坐标系中的延伸(例如长度或宽度)、或所述参量的方差。与原始数据(传感器数据)相比,传感器数据的聚合尤其可以明显减少信息量——尤其与视频图像相比或与源自同一对象的多个雷达探测相比。
在第二对象选择分支中,人工神经网络优选具有至少一个卷积层,所述至少一个卷积层连接到人工神经网络的输入层。卷积层(也称为Convolutional Layer)是如下层:在所述层中,通过根据卷积矩阵或滤波器核的离散卷积来计算各个神经元的活动。输入数据(对象数据组)的卷积允许以特别高效的方式评估交通环境中对象之间的关系。因此,所述人工神经网络优选是卷积人工神经网络。卷积层在此相应于M个一维滤波器,这些一维滤波器可以突出并组合各个对象特性。这种对象特性例如可以是如下对象的特性:所述对象位于本车道的左侧并且朝着本车道的方向上形成加速度(所述加速度)。在借助适当的训练数据组来训练神经网络的情况下,自动化地产生滤波器(即卷积层的结构)。
优选地,在人工神经网络的训练数据方面对由聚合的对象数据组表示的交通情况的新奇性进行评估包括:对包括对象数据组的数据元组(Datentupel)至这种数据元组的由训练数据计算出的多维概率分布的距离进行评估。
在对多维概率分布进行建模时,对于相应于交通情况的每个训练数据组的所有训练数据,例如可以根据一个或多个所聚合的对象数据组,将相应于交通情况的输入数据元组用作输入值(输入数据元组),以便由输入值来计算概率分布。因此,概率分布是训练数据的一种表示。
在此,可以为(相应于训练数据的每个交通情况的)每个输入数据元组确定概率分布,其中,将各个概率分布求和为用于评估新奇性的概率分布。借助多维概率分布对训练数据进行建模具有以下优点:可以全面地评估交通场景的新奇性,尤其例如可以在对象的所有属性(例如相应于对象数据组)方面和/或在交通情况中的多个对象群体(Konstellation)方面进行评估。
在一个实施例中,在人工神经网络的训练数据方面对由所聚合的对象数据组表示的交通情况的新奇性进行评估包括:结合表示环境场景的附加数据,对由所聚合的对象数据组表示的交通情况的新奇性进行评估。表示环境场景的附加数据例如可以包括:关于天气(例如日照/雨/雪/雾)的信息、关于隧道的存在性的信息(例如是/否)和/或关于建筑工地的存在性的信息(是/否)。例如可以由道路交通网络信息(例如隧道)或通过信息服务(建筑工地)或附加的传感装置(天气)获得这种数据。考虑表示环境场景的附加数据能够实现:在根据表示环境场景的数据得出与训练数据的重大偏差的情况下,即使神经网络为了选择主对象而使用的对象数据组良好地匹配于训练数据,也可以切换到基于规则的对象选择分支。因此可以考虑交通情况的由附加数据表示的潜在差异性。
本发明的主题还是一种用于机动车的驾驶员辅助系统或驾驶系统,所述驾驶员辅助系统或驾驶系统具有至少一个传感器以及对象选择单元,所述至少一个传感器用于检测机动车的交通环境,所述对象选择单元用于选择主对象,所述主对象用于驾驶员辅助系统的辅助功能或自动化驾驶功能,其中,在该系统中实现上述方法中的一种。
附图说明
以下根据附图进一步阐述实施例。
附图示出:
图1示出具有两个对象选择分支的传感器系统的示意性原理图;
图2示出对象选择分支的卷积神经网络的示意图;
图3示出用于阐述由神经网络的训练数据对概率分布的计算的示意图。
具体实施方式
图1所示的传感器系统包括一个或多个传感器,所述一个或多个传感器用于检测本车辆的交通环境。示例性地示出传感器10。通过预处理单元14对由传感器提供的传感器数据12进行预处理。预处理包括将传感器数据12聚合成一个或多个对象数据组16,其中,对象数据组16可以相应于所探测的对象。对象数据组X例如可以是向量或列表,所述对象数据组包括:纵向位置x、横向位置y、定向纵向速度vx、横向速度vy、纵向加速度ax、横向加速度ay:
对象数据组X是相应状态空间的元素。
将所聚合的对象数据组16提供给在下文中进一步描述的新奇性评估装置18。根据新奇性是否超过阈值来将处理分支到基于规则的第一处理分支20或第二处理分支,该第二处理分支包括卷积神经网络(缩写CNN,英语Convolutional Neural Network)22。
在人工神经网络22的训练数据方面评估交通情况的新奇性。
在使用第一对象选择分支20的情况下,第一对象选择分支选择主对象24作为ACC速度调节器形式的驾驶辅助功能的目标对象。驾驶辅助功能也可以是机动车的自动化驾驶系统的自动化驾驶功能的一部分。
如果使用具有神经网络22的第二对象选择分支,则神经网络22选择主对象26作为驾驶辅助功能的目标对象。
将分别选择的主对象24、26传输给驾驶辅助功能,该驾驶辅助功能包括情况分析单元28、牵引规划单元(Traktorienplanungseinheit)30和纵向速度的实际调节装置32。
如果新奇性评估装置18识别到由预处理单元14的输出端施加的数据与在神经网络22的训练范畴内所使用的数据有很大差异,则分支到基于规则的第一对象选择分支20。另一方面,如果新奇性评估装置18上存在的数据与训练数据之间存在足够的相似性,则使用具有神经网络22的第二对象选择分支。例如将分别未使用的对象选择分支暂时关闭。
此外,可以给新奇性评估装置18提供表示环境场景的附加数据34——例如关于天气、隧道的存在性或建筑工地的存在性的信息。在评估新奇性时,可以一并考虑这些附加信息。
图2示意性地示出卷积人工神经网络22的结构的示例。神经网络22包括输入层40、连接到输入层上的第一卷积处理层42、第二卷积处理层44以及其他的处理层46、48和输出层50。这些层的所述数量仅用于阐述原理性结构并且可以在实践中发生改变。
输入层40在各个输入部位(由圆圈表示)处包含对象数据组16。第一层和第二层42、44(也可以称为卷积滤波器)导致:可以考虑对象之间的关系。输入层40上由虚线四边形表示的数据组例如到达层42的在层42中以虚线示出的部段。
输出层50的由圆圈表示的输出部位分别相应于如下类别:对象在所分配的输入部位处代表目标对象,或者,没有识别出目标对象。
对于输入部位上的对象数据组的互换,神经网络22在排列上可变。
图3示意性地且高度简化地示出根据神经网络22的训练数据对概率分布的计算。每个由圆圈表示的输入值x都相应于训练数据的一种交通情况,并且所述输入值尤其可以是数据元组,该数据元组表示在交通情况中存在的多个对象。
例如,对于输入值中的每个假设一个高斯分布60。将高斯分布60组合成总计的归一化概率密度62。
现在,如果在系统的应用情况中将在交通情况中聚合的对象数据组组合成数据元组,则新奇性评估装置18可以计算出该数据元组至概率密度62的距离d,该距离表示交通情况相对于训练数据的新奇性的度量。如果如此计算的新奇性超过阈值s,则如上所述,实现到第一对象选择分支20的分支。否则,使用神经网络22来进行对象选择。
以下可以用作距离d的距离度量:马氏距离(Mahalanobisdistanz),所述马氏距离相应于测量值与高斯分布之间的距离的计算;或者可以使用相对熵(Kullback-Leibler-Divergenz),其相应于两个分布之间的距离的计算。为了由数据元组获得分布,可以将数据元组假定为成高斯分布的测量值。为了求取各个测量循环获得的数据元组的真实分布,也可以伴随有例如几秒钟的滑动时间窗口。
例如,可以在假设相应的数据元组是高斯混合分布的情况下,借助所谓的核密度估计(KDE)、借助狄利克雷过程高斯混合模型(DGPMM)或借助最大期望(EM)来根据训练数据求取用于计算概率密度62的合适的概率分布。因此,在使用所有相应于训练数据的数据元组的情况下产生多维分布。
所描述的方法尤其具有可以克服以下风险的优点:在真实存在的数据与训练数据的偏差增大的情况下,通过对交通情况的新奇性的实时识别,可以避免超出神经网络的常规能力,在所述超出的情况下可能产生神经网络的无法预见的故障行为。
将卷积网络层用作神经网络22的第一层可以导致:网络性能的大幅改善,这例如表明正确分类率的改善。正确分类率通常可以计算为:
正确分类率=(TP+TN)/(TP+TN+FP+FN),
其中,TP(True Positive,真阳性)表示正确的阳性分类的数量,TN(TrueNegative,真阴性)表示正确的阴性分类的数量,FP(假阳性)表示错误的阳性分类的数量,FN(假阴性)表示错误的阴性分类的数量。
神经网络的使用还可以具有以下优点:通过合适的训练数据也可以学习交通情况的特殊情况。特殊情况例如可以包括:(1)ACC必须非常早地对本车辆前方的车辆驶入做出反应——甚至在驶入车辆完全到达本车辆的车道之前;(2)在本车辆进行车道变换时,ACC必须提早放弃(即释放)在本车辆的旧车道上的所选择的目标对象——甚至在本车辆完全到达新车道之前,以便无明显延迟地允许本车辆的加速;(3)如果本车辆前方的目标对象开始离开车道,则必须提早切换到本车道中的在旧目标对象前方的新目标对象上。
Claims (7)
1.一种用于为机动车的驾驶员辅助系统或驾驶系统的辅助功能(28,30,32)或自动化驾驶功能进行主对象选择的方法,
其中,所述系统包括至少一个传感器(10),所述至少一个传感器用于检测所述机动车的交通环境,
其中,所述系统包括对象选择分支(20,22),所述对象选择分支包括基于规则的第一对象选择分支(20)并且包括第二对象选择分支,所述基于规则的第一对象选择分支用于选择用于所述功能(28,30,32)的主对象,其中,所述第二对象选择分支包括人工神经网络(22),所述人工神经网络用于选择用于所述功能(28,30,32)的主对象,
其中,所述方法包括以下步骤:
将所述至少一个传感器(10)的传感器数据(12)聚合成一个或多个对象数据组(16);
在所述人工神经网络(22)的训练数据方面对由所聚合的对象数据组(16)表示的交通情况的新奇性进行评估;
在所述系统的所述对象选择分支(20,22)之间进行切换,其中,如果所述交通情况的新奇性超过阈值(s),则使用基于规则的对象选择分支(20)。
2.根据权利要求1所述的方法,在所述方法中,在所述第二对象选择分支中,所述人工神经网络(22)设置用于同时使用多个对象数据组(16)作为输入参量,以选择用于所述功能(28,30,32)的主对象。
3.根据权利要求1或2所述的方法,在所述方法中,在所述第二对象选择分支中,所述人工神经网络(22)具有至少一个卷积层(42),所述至少一个卷积层连接到所述人工神经网络的输入层(40)。
4.根据以上权利要求中任一项所述的方法,在所述方法中,在所述人工神经网络(22)的训练数据方面对由所聚合的对象数据组(16)表示的交通情况的新奇性进行评估包括:对包括所述对象数据组的数据元组至这种数据元组的由所述训练数据计算出的多维概率分布(62)的距离进行评估。
5.根据以上权利要求中任一项所述的方法,在所述方法中,在所述人工神经网络(22)的训练数据方面对由所聚合的对象数据组(16)表示的交通情况的新奇性的评估是:结合表示环境场景的附加数据(34),对由所聚合的对象数据组(16)表示的交通情况的新奇性进行评估。
6.根据以上权利要求中任一项所述的方法,在所述方法中,所述功能(28,30,32)是为了跟随前方行驶的车辆而用于调节所述机动车的纵向速度的功能,其中,将应跟随的前方行驶的车辆选择为主对象选择。
7.一种用于机动车的驾驶员辅助系统或驾驶系统,所述驾驶员辅助系统或驾驶系统具有至少一个传感器(10)以及对象选择单元(18,20,22),所述至少一个传感器用于检测所述机动车的交通环境,所述对象选择单元用于选择用于所述系统的辅助功能(28,30,32)或自动化驾驶功能的主对象,其中,所述对象选择单元(18,20,22)包括对象选择分支,所述对象选择分支包括基于规则的第一对象选择分支(20)并且包括第二对象选择分支,所述基于规则的第一对象选择分支用于选择用于所述功能(28,30,32)的主对象,其中,所述第二对象选择分支包括人工神经网络(22),所述人工神经网络用于选择用于所述功能(28,30,32)的主对象,其中,所述系统设置用于实施根据以上权利要求中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019200828.3A DE102019200828A1 (de) | 2019-01-24 | 2019-01-24 | Hauptobjektauswahl für eine Assistenzfunktion oder automatisierte Fahrfunktion eines Fahrerassistenz- oder Fahrsystems eines Kraftfahrzeugs |
DE102019200828.3 | 2019-01-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111469852A true CN111469852A (zh) | 2020-07-31 |
CN111469852B CN111469852B (zh) | 2024-04-30 |
Family
ID=71524110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076709.5A Active CN111469852B (zh) | 2019-01-24 | 2020-01-23 | 用于机动车的驾驶员辅助系统的主对象选择的方法和驾驶辅助系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11433901B2 (zh) |
JP (1) | JP2020119526A (zh) |
CN (1) | CN111469852B (zh) |
DE (1) | DE102019200828A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11708075B2 (en) * | 2021-04-08 | 2023-07-25 | Ford Global Technologies, Llc | Enhanced adaptive cruise control |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102717798A (zh) * | 2011-03-16 | 2012-10-10 | 通用汽车环球科技运作有限责任公司 | 用于驾驶员辅助系统的运行方法和驾驶员辅助系统 |
EP2527221A1 (de) * | 2011-05-25 | 2012-11-28 | Audi AG | Verfahren zum Betrieb eines längsführenden Fahrerassistenzsystems eines Kraftfahrzeugs und Kraftfahrzeug |
CN103569111A (zh) * | 2012-08-01 | 2014-02-12 | 罗伯特·博世有限公司 | 用于机动车的安全装置 |
CN106004876A (zh) * | 2015-03-31 | 2016-10-12 | 丰田自动车工程及制造北美公司 | 用于自动驾驶系统的基于间隙的速度控制 |
WO2017167801A1 (de) * | 2016-03-29 | 2017-10-05 | Avl List Gmbh | Fahrerassistenzsystem zum unterstützen eines fahrers beim führen eines fahrzeugs |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112721923A (zh) * | 2018-03-20 | 2021-04-30 | 御眼视觉技术有限公司 | 用于导航车辆的系统和方法 |
EP3787947A2 (en) * | 2018-08-14 | 2021-03-10 | Mobileye Vision Technologies Ltd. | Systems and methods for navigating with safe distances |
-
2019
- 2019-01-24 DE DE102019200828.3A patent/DE102019200828A1/de active Pending
-
2020
- 2020-01-07 JP JP2020000651A patent/JP2020119526A/ja active Pending
- 2020-01-10 US US16/739,682 patent/US11433901B2/en active Active
- 2020-01-23 CN CN202010076709.5A patent/CN111469852B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102717798A (zh) * | 2011-03-16 | 2012-10-10 | 通用汽车环球科技运作有限责任公司 | 用于驾驶员辅助系统的运行方法和驾驶员辅助系统 |
EP2527221A1 (de) * | 2011-05-25 | 2012-11-28 | Audi AG | Verfahren zum Betrieb eines längsführenden Fahrerassistenzsystems eines Kraftfahrzeugs und Kraftfahrzeug |
CN103569111A (zh) * | 2012-08-01 | 2014-02-12 | 罗伯特·博世有限公司 | 用于机动车的安全装置 |
CN106004876A (zh) * | 2015-03-31 | 2016-10-12 | 丰田自动车工程及制造北美公司 | 用于自动驾驶系统的基于间隙的速度控制 |
WO2017167801A1 (de) * | 2016-03-29 | 2017-10-05 | Avl List Gmbh | Fahrerassistenzsystem zum unterstützen eines fahrers beim führen eines fahrzeugs |
Also Published As
Publication number | Publication date |
---|---|
US11433901B2 (en) | 2022-09-06 |
US20200238997A1 (en) | 2020-07-30 |
DE102019200828A1 (de) | 2020-07-30 |
CN111469852B (zh) | 2024-04-30 |
JP2020119526A (ja) | 2020-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382768B (zh) | 多传感器数据融合方法和装置 | |
CN110001658B (zh) | 用于车辆的路径预测 | |
JP6742802B2 (ja) | 対象物体の将来状態を計算により予測する方法の性能を向上するための方法、運転者支援システム、そのような運転者支援システムを備える車両、並びに対応するプログラムの記憶媒体及びプログラム | |
CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
CN112512890B (zh) | 一种异常驾驶行为识别方法 | |
US9708004B2 (en) | Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system | |
JP6468261B2 (ja) | 自動運転システム | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
JP2018206036A (ja) | 車両制御システム及び方法、並びに走行支援サーバ | |
CN111332296B (zh) | 其他车辆的车道变换的预测 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
JP4937844B2 (ja) | 歩行者検出装置 | |
CN107209998A (zh) | 车道线识别装置 | |
US10916134B2 (en) | Systems and methods for responding to a vehicle parked on shoulder of the road | |
Remmen et al. | Cut-in scenario prediction for automated vehicles | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
US11325589B2 (en) | Vehicle control device | |
US20220343637A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
CN111469852B (zh) | 用于机动车的驾驶员辅助系统的主对象选择的方法和驾驶辅助系统 | |
Moser et al. | Stochastic prediction of lane change trajectories for adaptive cruise control | |
US20230227082A1 (en) | Vehicle speed management systems and methods | |
JP6796679B2 (ja) | 車両制御システム及び方法、並びに走行支援サーバ | |
CN115092181A (zh) | 车辆的控制方法、装置、存储介质和处理器 | |
Pichler et al. | Autonomous highway pilot using Bayesian networks and hidden Markov models | |
US11485387B2 (en) | System and method for predictive navigation control |
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 |