CN111492202A - 车辆运行的位置确定 - Google Patents

车辆运行的位置确定 Download PDF

Info

Publication number
CN111492202A
CN111492202A CN201780096278.5A CN201780096278A CN111492202A CN 111492202 A CN111492202 A CN 111492202A CN 201780096278 A CN201780096278 A CN 201780096278A CN 111492202 A CN111492202 A CN 111492202A
Authority
CN
China
Prior art keywords
vehicle
lane
time
determining
position estimate
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
Application number
CN201780096278.5A
Other languages
English (en)
Other versions
CN111492202B (zh
Inventor
S.纳希德
D.伊尔斯特鲁普
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.)
Renault SAS
Nissan North America Inc
Original Assignee
Renault SAS
Nissan North America Inc
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 Renault SAS, Nissan North America Inc filed Critical Renault SAS
Publication of CN111492202A publication Critical patent/CN111492202A/zh
Application granted granted Critical
Publication of CN111492202B publication Critical patent/CN111492202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • 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
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • 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
    • G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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
    • B60W2556/50—External transmission of data to or from the vehicle for navigation systems

Abstract

由车辆穿越车辆交通网络可以包括：确定车辆运行信息，使用车辆运行信息确定车辆的度量位置估计，确定车辆交通网络的一部分的运行环境信息，使用度量位置估计和运行环境信息确定车辆交通网络内车辆的拓扑位置估计，以及基于车辆的拓扑位置估计穿越车辆交通网络。运行环境信息可以包括车辆可观测到的车辆交通网络的一部分的传感器数据。传感器数据可以包括远程车辆位置数据。为了确定度量位置估计，卡尔曼滤波器与非线性损失函数一起可以减轻(多个)未建模的传感器误差的影响。还描述了使用隐马尔可夫模型和推土机距离来确定拓扑位置估计的技术。

Description

车辆运行的位置确定
技术领域
本公开涉及车辆运行管理和驾驶，包括自主车辆运行管理和自主驾驶。
背景技术
车辆，诸如自主车辆，可以穿越车辆交通网络的一部分。穿越车辆交通网络包括诸如通过车辆的传感器生成或捕获表示车辆的运行状态的数据。该数据可用于车辆交通网络内的车辆定位。
发明内容
本文公开了使用度量位置信息和拓扑位置信息的用于车辆运行的定位的方面、特征、元素、实施方式和实施例。在本文中，度量位置指的是通常在全球坐标系中的物理位置，而拓扑位置指的是拓扑地图内的对应的虚拟位置，该拓扑地图通常在地图的坐标系中示出车辆交通网络的至少一部分。根据上下文，对没有修饰符的位置的引用可以指度量位置和拓扑位置中的一者或两者。
所公开的实施例的一方面是一种穿越车辆交通网络的方法，其包括确定车辆的车辆运行信息，使用车辆运行信息确定车辆的度量位置估计，确定车辆交通网络的一部分的运行环境信息，使用度量位置估计和运行环境信息确定车辆交通网络内车辆的拓扑位置估计，以及由车辆基于车辆的拓扑位置估计穿越车辆交通网络。运行环境信息包括车辆可观测到的车辆交通网络的一部分的传感器数据。车辆可观测到的一部分可以与向车辆提供运行环境信息的一个或多个传感器的(多个)传感器测距(sensor range)共同延伸或不同。传感器数据可以包括远程车辆位置数据。
所公开的实施例的另一方面是一种车辆，其可以是包括处理器的自主车辆，该处理器被配置为执行存储在非暂时性计算机可读介质上的指令，以：确定车辆的车辆运行信息，使用车辆运行信息确定车辆的度量位置估计，确定车辆交通网络的一部分的运行环境信息(该运行环境信息包括车辆可观测到的车辆交通网络的一部分的传感器数据，并且传感器数据包括远程车辆位置数据)，使用度量位置估计和运行环境信息确定车辆交通网络内车辆的拓扑位置估计，并且车辆基于车辆的拓扑位置估计穿越车辆交通网络。
本文公开的方法、装置、过程、和算法的这些和其他方面、特征、元素、实施方式和实施例的变型将在下文中进一步详细描述。
附图说明
通过参考以下描述和附图中提供的示例，本文公开的方法和装置的各个方面将变得更加明显，其中除非另有说明，否则相同的附图标记指代相同的元件。
图1是其中可以实施本文公开的方面、特征、和元素的车辆的示例的图。
图2是车辆交通和通信系统的一部分的示例的图，其中可以实施本文公开的方面、特征、和元素。
图3是根据本公开的车辆交通网络的一部分的图。
图4是根据本公开实施例的使用位置确定来穿越车辆交通网络的示例的流程图。
图5是根据本公开的实施例的实施用于位置确定的非线性损失函数的示例的图。
图6是使用运行环境信息来确定车辆交通网络内车辆的拓扑位置估计的示例的图。
图7是根据本公开的实施例的实施用于位置确定的隐马尔可夫模型的示例的图。
图8是根据本公开的实施例的实施用于位置确定的可变结构多重隐马尔可夫模型的示例的图。
图9是根据本公开的实施例的实施用于位置确定的扩展的推土机距离度量的示例的图。
具体实施方式
诸如自主车辆或半自主车辆的车辆可以穿越车辆交通网络的一部分。车辆可以包括一个或多个传感器，并且穿越车辆交通网络可以包括传感器生成或捕获传感器数据以用于穿越车辆交通网络。传感器数据可以包括车辆运行信息，诸如全球定位系统(globalpositioning system，GPS)坐标、车辆是正在移动还是处于固定位置、车辆航向等。传感器数据还可以包括与车辆的运行环境相对应的信息，诸如与一个或多个外部对象(诸如行人、远程车辆)、车辆运行环境内的其他对象、车辆交通网络几何结构或拓扑、或其组合相对应的信息。该信息在本文可以被称为运行环境信息。
为了控制车辆，车辆的位置可以使用度量(例如，观测或测量的)位置(诸如纬度、经度、和航向)来通知车辆交通网络内的拓扑位置，诸如特定街道或道路的最左侧车道。也就是说，可以使用传感器数据来确定度量位置。拓扑位置的确定依赖于准确的拓扑地图和准确的度量位置，其中度量位置被转换成拓扑地图的坐标系内的坐标。
准确的度量和拓扑位置估计有助于安全、有效的导航和做出决策。可以使用提供精确全球信息的相对昂贵的传感器来执行度量位置的准确确定。质量较低的传感器信息和范围有限的传感器信息会降低度量位置估计的准确度，并且因此降低拓扑位置估计的准确度。例如，准确度降低的传感器可能针对同一物理位置指示两组不同的坐标。当车辆的传感器产生错误的数据或完全失效时，这些估计也会受到影响。
即使度量位置是准确的，拓扑位置估计也可能不如期望的准确。例如，尽管存在许多高清晰度(high-definition，HD)拓扑地图，但这些地图可能具有因施工、交通事故、诸如滑坡的自然事件等而产生的误差，这导致车辆交通网络内道路的真实拓扑与地图给出的拓扑不同。质量较低的地图会加剧这些误差，例如，使得难以准确识别车辆正在行驶的道路的特定车道。
本文描述的技术解决了车辆的传感器、车辆可用的拓扑地图、或这两者中的不确定性、模糊性、和/或固有误差。
图1是其中可以实施本文公开的方面、特征、和元素的车辆的示例的图。在所示实施例中，车辆1000包括底盘1100、动力总成1200、控制器1300、和车轮1400。尽管为了简单起见，车辆1000被示为包括四个车轮1400，但是可以使用一个或多个任何其他推进设备，诸如螺旋桨或踏板。在图1中，互连元件(诸如动力总成1200、控制器1300和车轮1400)的线指示信息(诸如数据或控制信号)、动力(诸如电功率或扭矩)、或信息和动力两者可以在各个元件之间通信。例如，控制器1300可从动力总成1200接收动力，并可与动力总成1200、车轮1400、或这两者通信，以控制车辆1000，这可以包括加速、减速、转向或以其他方式控制车辆1000。
图1中示例性示出的动力总成1200包括动力源1210、变速器1220、转向单元1230、和致动器1240。也可以包括动力总成的任何其他元件或元件组合，诸如悬架、驱动轴(driveshaft)、轴(axle)、或排气系统。尽管单独示出，但是车轮1400可以被包括在动力总成1200中。
动力源1210包括发动机、电池、或其组合。动力源1210可以是可操作来提供能量(诸如电能、热能、或动能)的任何设备或设备组合。在示例中，动力源1210包括发动机，诸如内燃机、电动机、或内燃机和电动机的组合，并且可操作为向车轮1400中的一个或多个提供动能作为原动力。替代地或附加地，动力源1210包括势能单元，诸如一个或多个干电池(诸如镍镉(NiCd)、镍锌(NiZn)、镍金属氢化物(NiMH)、锂离子(Li-ion))、太阳能电池、燃料电池、或者能够提供能量的任何其他设备。
变速器1220从动力源1210接收能量(诸如动能)，并向车轮1400传输该能量以提供原动力。变速器1220可由控制器1300、致动器1240、或这两者控制。转向单元1230可由控制器1300、致动器1240、或这两者控制，并控制车轮1400来使车辆转向。致动器1240可从控制器1300接收信号，并致动或控制动力源1210、变速器1220、转向单元1230、或其任意组合来运行车辆1000。
在所示实施例中，控制器1300包括位置单元1310、电子通信单元1320、处理器1330、存储器1340、用户接口1350、传感器1360、和电子通信接口1370。更少的这些元件可以作为控制器1300的一部分存在。尽管被示为单个单元，但是控制器1300的任何一个或多个元件可以集成到任意数量的单独的物理单元中。例如，用户接口1350和处理器1330可以集成在第一物理单元中，并且存储器1340可以集成在第二物理单元中。尽管在图1中未示出，但控制器1300可以包括电源，诸如电池。尽管被示为单独的元件，但是位置单元1310、电子通信单元1320、处理器1330、存储器1340、用户接口1350、传感器1360、电子通信接口1370、或其任意组合可以集成在一个或多个电子单元、电路、或芯片中。
处理器1330可以包括能够操纵或处理信号或者现在存在或以后开发的其他信息的任何设备或设备组合，包括光学处理器、量子处理器、分子处理器、或其组合。例如，处理器1330可以包括一个或多个专用处理器、一个或多个数字信号处理器、一个或多个微处理器、一个或多个控制器、一个或多个微控制器、一个或多个集成电路、一个或多个专用集成电路、一个或多个现场可编程门阵列、一个或多个可编程逻辑阵列、一个或多个可编程逻辑控制器、一个或多个状态机、或其任意组合。处理器1330可操作地与位置单元1310、存储器1340、电子通信接口1370、电子通信单元1320、用户接口1350、传感器1360和动力总成1200中的一个或多个耦合。例如，处理器可以经由通信总线1380可操作地与存储器1340耦合。
存储器1340包括任何有形的非暂时性计算机可用或计算机可读介质，其能够例如包含、存储、传达、或传输机器可读指令或与其相关联的任何信息，以供任何处理器(诸如处理器1330)使用或与其结合使用。存储器1340可以是，例如，一个或多个固态驱动器、一个或多个存储器卡、一个或多个可移动介质、一个或多个只读存储器、一个或多个随机存取存储器、一个或多个磁盘(包括硬盘、软盘、光盘、磁卡或光卡)、或者适合存储电子信息的任何类型的非暂时性介质、或者它们的任意组合。例如，存储器可以是一个或多个只读存储器(read only memory，ROM)、一个或多个随机存取存储器(random access memory，RAM)、一个或多个寄存器、低功率双倍数据速率(low power double data rate，LPDDR)存储器、一个或多个高速缓冲存储器、一个或多个半导体存储器设备、一个或多个磁介质、一个或多个光学介质、一个或多个磁光介质、或其任意组合。
通信接口1370可以是无线天线(如所示出的)、有线通信端口、光通信端口、或能够与有线或无线电子通信介质1500接口的任何其他有线或无线单元。尽管图1示出了经由单个通信链路通信的通信接口1370，但是通信接口可以被配置为经由多个通信链路通信。尽管图1示出了单个通信接口1370，但是车辆可以包括任意数量的通信接口。
通信单元1320被配置为经由有线或无线电子通信介质1500(诸如经由通信接口1370)发送或接收信号。尽管在图1中没有明确示出，但是通信单元1320可以被配置为经由任何有线或无线通信介质(诸如射频(radio frequency，RF)、紫外(ultraviolet，UV)、可见光、光纤、有线、或其组合)来发送、接收、或这两者。尽管图1示出了单个通信单元1320和单个通信接口1370，但是可以使用任意数量的通信单元和任意数量的通信接口。在一些实施例中，通信单元1320包括专用短程通信(dedicated short range communication，DSRC)单元、车载单元(on-board unit，OBU)、或其组合。
位置单元1310可以确定车辆1000的地理位置信息，诸如经度、纬度、海拔、行驶方向、或速度。在示例中，位置单元1310包括GPS单元，诸如支持广域增强系统(Wide AreaAugmentation System，WAAS)的国家海洋电子协会(National Marine-ElectronicsAssociation，NMEA)单元、无线电三角测量单元、或其组合。位置单元1310可用于获得表示例如车辆1000的当前航向、车辆1000在二维或三维中的当前位置、车辆1000的当前角度朝向、或其组合的信息。
用户接口1350包括能够与人接口的任何单元，诸如虚拟或物理键盘、触摸板、显示器、触摸显示器、平视显示器、虚拟显示器、增强现实显示器、触觉显示器、特征跟踪设备(诸如眼睛跟踪设备)、扬声器、麦克风、摄像机、传感器、打印机、或其任意组合。如所示出的，用户接口1350可以可操作地与处理器1330耦合，或者与控制器1300的任何其他元件耦合。尽管被示为单个单元，但是用户接口1350可以包括一个或多个物理单元。例如，用户接口1350可以包括用于与人执行音频通信的音频接口和用于与人执行视觉和基于触摸的通信的触摸显示器两者。用户接口1350可以包括多个显示器，诸如多个物理上分离的单元、单个物理单元内的多个定义部分、或其组合。
传感器1360可操作为提供可用来控制车辆的信息。传感器1360可以是传感器阵列。传感器1360可以提供关于车辆1000的当前运行特性的信息，包括车辆运行信息。传感器1360可以包括例如速度传感器、加速度传感器、转向角度传感器、牵引相关传感器、制动相关传感器、方向盘位置传感器、眼睛跟踪传感器、座椅位置传感器、或任何传感器或传感器的组合，其可操作为报告关于车辆1000的当前动态状况的一些方面的信息。
传感器1360包括一个或多个传感器，其可操作为获得关于车辆1000周围的物理环境的信息，诸如运行环境信息。例如，一个或多个传感器可以检测道路几何结构(诸如车道线)以及障碍物(诸如固定障碍物、车辆、和行人)。传感器1360可以是或包括一个或多个摄像机、激光感测系统、红外感测系统、声学感测系统、或任何其他合适类型的车载环境感测设备、或现在已知或以后开发的设备的组合。在一些实施例中，传感器1360和位置单元1310被组合。
尽管没有单独示出，但车辆1000可以包括轨迹控制器。例如，控制器1300可以包括轨迹控制器。轨迹控制器可操作为获得描述车辆1000的当前状态和为车辆1000规划的路线的信息，并基于该信息来确定和优化车辆1000的轨迹。在一些实施例中，轨迹控制器可以输出可操作为控制车辆1000使得车辆1000遵循由轨迹控制器确定的轨迹的信号。例如，轨迹控制器的输出可以是优化的轨迹，其可以被供应给动力总成1200、车轮1400、或这两者。在一些实施例中，优化的轨迹可以是控制输入，诸如转向角的集合，其中每个转向角对应于一时间点或一位置。在一些实施例中，优化的轨迹可以是一个或多个路径、直线、曲线、或其组合。
车轮1400中的一个或多个可以是在转向单元1230的控制下被枢转到转向角的转向车轮、在变速器1220的控制下被扭转以推进车辆1000的推进车轮、或者可以转向和推进车辆1000的转向和推进车轮。
尽管图1中未示出，但是车辆可以包括图1中未示出的附加单元或元件，诸如外壳、蓝牙模块、调频(frequency modulated，FM)无线电单元、近场通信(Near FieldCommunication，NFC)模块、液晶显示器(liquid crystal display，LCD)显示单元、有机发光二极管(organic light-emitting diode，OLED)显示单元、扬声器、或其任意组合。
车辆1000可以是自主车辆，其在没有直接人工干预的情况下被自主控制以穿越车辆交通网络的一部分。尽管在图1中没有单独示出，但是自主车辆可以包括执行自主车辆路线规划、导航、和控制的自主车辆控制单元。自主车辆控制单元可以与车辆的另一单元集成。例如，控制器1300可以包括自主车辆控制单元。
当存在时，自主车辆控制单元可以根据当前车辆运行参数控制或操作车辆1000穿越车辆交通网络的一部分。自主车辆控制单元可以控制或操作车辆1000执行定义的操作或操纵，诸如停车。自主车辆控制单元可以基于车辆信息、环境信息、表示车辆交通网络的车辆交通网络信息、或其组合来生成从起点(诸如车辆1000的当前位置)到目的地的行驶路线，并且可以控制或操作车辆1000根据该路线穿越车辆交通网络。例如，自主车辆控制单元可以向轨迹控制器输出行驶路线，以操作车辆1000使用所生成的路线从起点行驶到目的地。
图2是车辆交通和通信系统的一部分的示例的图，其中可以实施本文公开的方面、特征、和元素。车辆交通和通信系统2000可以包括一个或多个车辆2100/2110(诸如图1所示的车辆1000)，其经由车辆交通网络2200的一个或多个部分行驶，并且经由一个或多个电子通信网络2300通信。尽管在图2中没有明确示出，但是车辆可以穿过越野区域。
电子通信网络2300可以是例如在车辆2100/2110和一个或多个通信设备2400之间提供通信(诸如语音通信、数据通信、视频通信、消息通信、或其组合)的多址系统。例如，车辆2100/2110可以经由网络2300从通信设备2400接收信息，诸如表示车辆交通网络2200的信息。
在一些实施例中，车辆2100/2110可以经由有线通信链路(未示出)、无线通信链路2310/2320/2370、或者任意数量的有线或无线通信链路的组合进行通信。如图所示，车辆2100/2110经由地面无线通信链路2310、经由非地面无线通信链路2320、或经由其组合进行通信。地面无线通信链路2310可以包括以太网链路、串行链路、蓝牙链路、红外链路(infrared，IR)、紫外(UV)链路、或能够提供电子通信的任何链路。
车辆2100/2110可以与另一车辆2100/2110通信。例如，主机或主体车辆(hostvehicle，HV)2100可以经由直接通信链路2370或经由网络2300从远程或目标车辆(remotevehicle，RV)2110接收一个或多个自动的车辆间消息，诸如基本安全消息(basic safetymessage，BSM)。远程车辆2110可以在定义的广播范围内(诸如300米)向主体车辆广播该消息。在一些实施例中，主机车辆2100可以经由第三方(诸如信号中继器(未示出)或另一远程车辆(未示出))接收消息。车辆2100/2110可以基于例如定义的间隔(诸如100毫秒)周期性地发送一个或多个自动的车辆间消息。
自动的车辆间消息可包括车辆标识信息、地理空间状态信息(诸如经度、纬度、或海拔信息)、地理空间位置准确度信息、运动学状态信息(诸如车辆加速度信息、偏航角速率信息、速度信息、车辆航向信息、制动系统状态信息、油门信息、方向盘角度信息、或车辆路线信息)、或车辆运行状态信息(诸如车辆大小信息、前灯状态信息、转向信号信息、刮水器状态信息、变速器信息、或与变速车辆状态相关的任何其他信息或信息组合)。例如，变速器状态信息可以指示对车辆变速的变速器是处于空档状态、停车状态、前进状态、还是倒退状态。
车辆2100可以经由接入点2330与通信网络2300通信。可以包括计算设备的接入点2330被配置为经由有线或无线通信链路2310/2340与车辆2100、与通信网络2300、与一个或多个通信设备2400、或与它们的组合通信。例如，接入点2330可以是基站、基站收发信台(base transceiver station，BTS)、节点B、增强型节点B(enhanced Node-B，eNode-B)、家庭节点B(Home Node-B，HNode-B)、无线路由器、有线路由器、集线器、中继站、交换机、或任何类似的有线或无线设备。尽管这里被示为单个单元，但是接入点可以包括任意数量的互连元件。
车辆2100可以经由卫星2350或其他非地面通信设备与通信网络2300通信。可以包括计算设备的卫星2350被配置为经由一个或多个通信链路2320/2360与车辆2100、与通信网络2300、与一个或多个通信设备2400、或与它们的组合通信。尽管这里被示为单个单元，但是卫星可以包括任意数量的互连元件。
电子通信网络2300是被配置为提供语音、数据、或任何其他类型的电子通信的任何类型的网络。例如，电子通信网络2300可以包括局域网(local area network，LAN)、广域网(wide area network，WAN)、虚拟专用网(virtual private network，VPN)、移动或蜂窝电话网络、互联网、或任何其他电子通信系统。电子通信网络2300使用通信协议，诸如传输控制协议(transmission control protocol，TCP)、用户数据报协议(user datagramprotocol，UDP)、互联网协议(internet protocol，IP)、实时传输协议(real-timetransport protocol，RTP)、超文本传输协议(HyperText Transport Protocol，HTTP)、或其组合。尽管这里被示为单个单元，但是电子通信网络可以包括任意数量的互连元件。
车辆2100可以识别车辆交通网络2200的一部分或其状况。例如，车辆包括至少一个车载传感器2105(类似于图1所示的传感器1360)，其可以是或包括速度传感器、车轮速度传感器、相机、陀螺仪、光学传感器、激光传感器、雷达传感器、声波传感器、或能够确定或识别车辆交通网络2200的一部分或其状况的任何其他传感器或设备或其组合。传感器数据可以包括车道线数据、远程车辆位置数据、或这两者。
车辆2100可以使用经由网络2300传达的信息(诸如表示车辆交通网络2200的信息、由一个或多个车载传感器2105识别的信息、或其组合)穿越车辆交通网络2200的一部分或多个部分。
尽管为了简单起见，图2示出了一个车辆交通网络2200、一个电子通信网络2300、和一个通信设备2400，但是可以使用任意数量的网络或通信设备。车辆交通和通信系统2000可以包括图2中未示出的设备、单元、或元件。尽管车辆2100被示为单个单元，但是车辆可以包括任意数量的互连元件。
尽管车辆2100被示为经由网络2300与通信设备2400通信，但是车辆2100可以经由任意数量的直接或间接通信链路与通信设备2400通信。例如，车辆2100可以经由诸如蓝牙通信链路的直接通信链路与通信设备2400通信。
图3是根据本公开的车辆交通网络的一部分的图。车辆交通网络3000可以包括一个或多个不可导航区域3100(诸如建筑物)、一个或多个部分可导航区域(诸如停车区域3200)、一个或多个可导航区域(诸如道路3300/3400)、或者它们的组合。在一些实施例中，自主车辆(诸如图1所示的车辆1000、图2所示的车辆2100/2110之一)、半自主车辆、或实施自主驾驶的任何其他车辆可以穿越车辆交通网络3000的一部分或多个部分。
车辆交通网络3000可以包括一个或多个可导航或部分可导航区域3200/3300/3400之间的一个或多个交汇处3210。例如，图3所示的车辆交通网络300的一部分包括停车区3200和道路3400之间的交汇处3210。车辆交通网络3000的一部分(诸如道路3300/3400)可以包括一个或多个车道3320/3340/3360/3420/3440，并且可以与一个或多个行驶方向相关联，如图3中的箭头所示。
车辆交通网络或其一部分(诸如图3所示的车辆交通网络3000的一部分)可以被表示为车辆交通网络信息。例如，车辆交通网络信息可以被表达为元素(诸如标记语言元素)的分层结构，其可以被存储在数据库或文件中。为简单起见，本文的附图将表示车辆交通网络的一部分的车辆交通网络信息描绘为以图表或地图的形式；然而，车辆交通网络信息可以以能够表示车辆交通网络或其一部分的任何计算机可用形式来表达。在一些实施例中，车辆交通网络信息可以包括车辆交通网络控制信息，诸如行驶方向信息、速度限制信息、通行费信息、坡度信息(诸如倾斜度或角度信息)、表面材料信息、美学信息、或其组合。
车辆交通网络可以与行人交通网络相关联，或者可以包括行人交通网络。例如，图3包括行人交通网络的一部分3600，其可以是行人人行道。尽管在图3中没有单独示出，但是行人可导航区域(诸如行人人行横道)可以对应于车辆交通网络的可导航区域或部分可导航区域。
在一些实施例中，车辆交通网络的一部分或多个部分的组合可以被标识为兴趣点或目的地。例如，车辆交通网络信息可以将建筑物(诸如不可导航区域3100和相邻的部分可导航停车区域3200)标识为兴趣点，车辆可以将兴趣点识别为目的地，并且车辆可以通过穿越车辆交通网络从起点行驶到目的地。尽管在图3中，与不可导航区域3100相关联的停车区域3200被示为与不可导航区域3100相邻，但是目的地可以包括例如建筑物和在物理上或地理空间上不与该建筑物相邻的停车区域。
穿越车辆交通网络的一部分可以从车辆的拓扑位置估计前进到目的地。目的地可以是离散的唯一可识别的地理位置。例如，车辆交通网络可以包括用于目的地的定义的位置，诸如街道地址、邮政地址、车辆交通网络地址、GPS地址或其组合。目的地可以与一个或多个入口相关联，诸如图3所示的入口3500。
目的地可以与一个或多个停靠位置相关联，诸如图3所示的停靠位置3700。停靠位置3700可以是靠近目的地的指定或未指定的位置或区域，其中在该位置或区域处，车辆可以停止、停放、或停车，从而可以执行停靠操作(诸如乘客装载或卸载)。车辆交通网络信息可以包括停靠位置信息，诸如标识停靠位置3700的地理位置的信息。尽管在图3中没有单独示出，但停靠位置信息可以标识与停靠位置3700相关联的停靠操作的类型。例如，目的地可以与用于乘客装载的第一停靠位置和用于乘客卸载的第二停靠位置相关联。
图4是根据本公开实施例的使用位置确定来穿越车辆交通网络的示例的流程图。图4的过程可以在车辆中实施，诸如图1所示的车辆1000、图2所示的车辆2100/2110之一、自主车辆、半自主车辆、或任何其他车辆。图4的过程可以至少部分地在车辆交通和通信系统2000的另一部分(诸如通信设备2400中)实施，其中用于穿越车辆交通网络的指令经由网络2300发送到车辆。在任一情况下，该过程可以由执行存储在非暂时性存储介质或存储器中的指令的处理器来执行。
在操作4100处，该过程包括确定车辆运行信息。确定车辆运行信息可以包括从车辆的传感器读取传感器数据，诸如图1中描述的传感器1360。确定车辆运行信息可以包括从车辆的传感器或从观测该车辆的其他车辆的传感器接收传感器数据。车辆运行信息可以包括车辆在全球坐标中的位置。在示例中，位置由传感器所测量的经度和纬度指示。车辆运行信息可以包括由传感器测量的或者根据多个传感器值计算的车辆航向。可以使用其他车辆运行信息，诸如车辆速度。在车辆穿越车辆交通网络的同时，可以针对多个时间点确定车辆运行信息。例如，多个时间点每100毫秒或某个其他时间间隔发生一次。
在操作4200处，该过程包括使用车辆运行信息来确定车辆的度量位置估计。确定度量位置估计可以通过从车辆运行信息中提取位置数据来执行。位置数据本身可以用于度量位置估计。然而，这并没有解决统计噪声和个别估计的其他不准确性。可以合并卡尔曼滤波器，卡尔曼滤波器使用在操作4100处针对多个时间点确定的车辆运行信息来减少这些误差对给定时间点的最终度量位置估计的影响。
卡尔曼滤波器对于相对较小误差以及建模误差是有效的，但是传感器误差通常难以建模。对于GPS传感器来说尤其如此。此外，与例如统计噪声相比，传感器误差可能相对较大。根据本文描述的一些实施例，可以通过使用卡尔曼滤波器与非线性损失函数一起来实现对在确定度量位置时减轻相对较大的未建模误差的影响的改进。在该示例中，确定多个时间点中的各个时间点的位置估计，确定各个后续(subsequent)时间点的投影位置估计，以及使用卡尔曼滤波器与非线性损失函数一起来确定当前时间点的度量位置估计，以减轻未建模的传感器误差的影响。
非线性损失函数可以基于同一时间点的位置估计与投影位置估计的比较。例如，同一时间点的位置之间的差异可以被最小化。非线性损失函数可以在每个时间点被连续地细化(例如，重新优化以实现最小化)。在这样的实施方式中，在基于当前位置估计与来自先前时间点的投影位置估计的比较来细化非线性损失函数之前，可以使用非线性损失函数来确定针对相应时间点而确定的位置估计。
使用卡尔曼滤波器与非线性损失函数一起来确定时间点的度量位置估计可以包括提供由在该时间点感测的车辆的纬度和经度表示的度量点作为非线性损失函数的输入，其中非线性损失函数选择性地对该度量点进行赋权(例如，惩罚)以用于卡尔曼滤波器。
图5是根据本公开的实施例的实施用于位置确定的非线性损失函数的示例的图。非线性损失函数可以是用户定义的函数，其将在卡尔曼滤波器中使用的传感器数据的值映射到相应权重，以在确定度量位置估计时将相应权重应用到值(例如，位置估计)。在图5的示例中，车辆5100在箭头5110所指示的航向上随着时间的推移穿越车辆交通网络的一部分5000。车辆5100被示为在当前时间点之前的时间点的度量位置估计处。当前时间点之前的时间点可以被称为第一时间点，而当前时间点可以被称为第二时间点，以反映当前时间点是在第一时间点之后。当前时间点的投影位置估计可以使用在第一时间点测量的或根据在第一时间点测量的值计算的车辆航向来确定。因为根据定义的采样间隔知道下一时间点，所以车辆的速度(例如，作为车辆运行信息的一部分，在第一时间点确定的车辆的速度)可以与航向一起用于计算车辆5100的投影位置估计5120。
图5中的非线性损失函数包括多个半径，该多个半径定义了围绕当前时间点的投影位置估计5120的同心圆5200、5300。如上所述，权重可以应用于由所确定的纬度和经度值表示的车辆的度量点或位置。权重可以基于投影位置估计5120和度量点之间的差异。可能导致投影位置估计5120和度量点之间的差异的一个因素是所确定的纬度和经度值的来源的准确度。在图5中，示出了三个可能的GPS读数5400、5410和5420。在该示例中，GPS读数5400、5410和5420是当前时间点的各个位置估计，但是可以使用附加的车辆运行信息来确定位置估计。
在图5的示例中，非线性损失函数响应于当前时间点的位置估计位于具有多个半径中的最小半径的第一圆(这里是圆5200)内，向卡尔曼滤波器提供当前时间点的经度和纬度的感测值(即，GPS读数5400)，以用于确定当前时间点的度量位置估计。换句话说，感测值不会受到惩罚(即，它们被赋权100％)，因为它们相对接近车辆的预期位置。相对接近意味着感测值在预期位置(即，投影位置估计5120)的第一阈值距离内。非线性损失函数响应于当前时间点的位置估计(即，GPS读数5420)位于具有多个半径中的最大半径的第二圆(这里是圆5300)之外，从卡尔曼滤波器中省略该感测值，以用于确定当前时间点的度量位置估计。换句话说，该感测值被省略(即，它们被赋权0％)，因为它们距车辆的预期位置相对远。相对远意味着感测值在预期位置(即，投影位置估计5120)的第二阈值距离之外。
非线性损失函数响应于当前时间点的度量位置估计位于第一圆(即，圆5200)之外且位于第二圆(即，圆5300)之内，对感测值(即，GPS读数5410)应用惩罚以获得惩罚感测值，并向卡尔曼滤波器提供所述惩罚感测值，以用于确定当前时间点的位置估计。换句话说，当感测值位于距车辆的预期位置的第一阈值距离之外但在第二阈值距离之内时，感测值将以介于0％和100％之间的某个值而被惩罚。
虽然图5仅示出了两个同心圆5200、5300，但是可以使用两个以上的半径，其中不同的惩罚值随着距投影位置估计5120的距离而增加。
非线性损失函数可以是基于景况(context)的函数。也就是说，非线性损失函数的参数将基于车辆的景况而变化。参数可以包括同心圆的半径。参数可以包括半径的数量，并因此可以包括同心圆的数量。参数可以基于景况定义不同形状用于实施非线性损失函数。因此，参数可以包括第一阈值距离、第二阈值距离、以及形状的任何其他阈值距离。参数可以包括被应用到测量值的惩罚。车辆的景况可以基于车辆运行信息，诸如速度、车辆是否正在转弯、车辆是正在下坡还是在上坡，等等。车辆的景况可以基于运行环境信息，诸如交通拥堵的程度、车辆是在城市环境中行驶还是在乡村环境中行驶、车辆正行驶的道路类型，等等。
如本文所述的使用卡尔曼滤波器与非线性损失函数一起来确定时间点的度量位置估计提供所感测的车辆运行信息(例如，纬度和经度)作为非线性损失函数的输入，其中非线性损失函数对在卡尔曼滤波器中使用的值选择性地赋权(或惩罚)。在一些实施方式中，非线性损失函数和卡尔曼滤波器的设计可以使得非线性损失函数向卡尔曼滤波器提供用于确定度量位置估计的值的惩罚。虽然非线性损失函数和卡尔曼滤波器被描述为使用车辆在其中运行的物理系统的坐标系中的感测值或测量值，但是计算中的一些或全部可以使用通过将感测值或测量值转换到拓扑地图的坐标系而生成的位置估计。
如本文所述的使用卡尔曼滤波器与非线性损失函数一起来确定时间点的度量位置估计可以识别传感器何时变得不可靠。例如，在当车辆穿越车辆交通系统的同时权重随多个时间点变化的情况下，可以识别不可靠的GPS传感器。如本文所述的使用卡尔曼滤波器与非线性损失函数一起来确定时间点的度量位置估计可以确定在给定那些传感器的质量的情况下使用哪些传感器。如本文所述的使用卡尔曼滤波器与非线性损失函数一起来确定时间点的度量位置估计可以确定在给定传感器的计算中使用哪些算法。例如，不同的传感器可用于向非线性损失函数和卡尔曼滤波器提供输入，该输入可用于单独或组合地生成度量位置估计。通过使用不同的传感器或传感器的不同组合，根据本文的教导单独确定度量位置估计，非线性损失函数惩罚感测数据的次数和/或惩罚量(例如，累积或每次)可用于确定哪些传感器具有最低质量，并且因此不应被使用，或者哪些算法可用于传感器故障。
如本文所述的使用卡尔曼滤波器与非线性损失函数一起来确定时间点的度量位置估计，通过增加对错误数据的鲁棒性，减少了对昂贵传感器的需求。该解决方案易于实施，并且相对于仅使用卡尔曼滤波器所增加的计算复杂度非常小。此外，可以根据景况很容易地学习或修改非线性损失函数。至少出于这些原因，并且回到图4，在操作4200处使用卡尔曼滤波器与非线性损失函数一起来确定的度量位置估计可以在操作4400处直接用于确定在车辆交通网络内车辆的拓扑位置估计。也就是说，可以省略在操作4300处的确定运行环境信息，并且在操作4400处运行环境信息不被用来确定车辆的拓扑位置估计。在操作4400处确定拓扑位置估计可以包括将度量位置估计的坐标转换为包括车辆交通网络的拓扑地图的坐标系。拓扑位置估计可以与特定道路相关联。拓扑位置估计可以与特定多车道道路的特定车道相关联。
在操作4500处，基于车辆的拓扑位置估计来穿越车辆交通网络。基于车辆的拓扑位置估计穿越车辆交通网络的一部分可以包括向车辆提供导航指令。基于车辆的拓扑位置估计穿越车辆交通网络可以包括使用拓扑位置估计作为车辆的控制系统的输入。例如，在车辆是自主车辆的情况下，基于车辆的拓扑位置估计穿越车辆交通网络的一部分可以包括控制车辆执行车道改变、转弯、或一些其他车辆操作。
虽然在操作4200处使用卡尔曼滤波器与非线性损失函数一起来确定度量位置估计在车辆的位置确定中提供了益处，但是通过将非线性损失函数和卡尔曼滤波器的使用与如下面更详细讨论的用于使用运行环境信息来确定拓扑位置估计的一种或多种不同技术相结合，可以获得附加的益处。此外，如下文更详细讨论的用于使用运行环境信息来确定拓扑位置估计的不同技术可以一起使用或单独使用，而不管在操作4200处如何确定度量位置估计。因此，在操作4200处确定车辆的度量位置估计可以如最初讨论的那样执行。也就是说，可以通过从车辆运行信息中提取位置数据并使用位置数据本身作为度量位置估计来执行度量位置估计。更理想的是，合并卡尔曼滤波器(在操作4100该卡尔曼滤波器使用针对多个时间点确定的车辆运行信息)来减少个别估计中的统计噪声和其他不准确性的影响，以便提供给定时间点的最终度量位置估计。卡尔曼滤波器可以以任何已知的方式设计。
无论在操作4200处的确定中是否使用非线性损失函数，在操作4300处都可以确定车辆交通网络的一部分的运行环境信息。运行环境信息包括车辆可观测到的车辆交通网络的一部分的传感器数据。例如，该一部分可以由车辆的传感器测距来定义，或者当从除车辆传感器之外的其他传感器接收运行环境信息时，由关于车辆的一些其他合理测距来定义。限制交通网络的运行环境信息的范围的一个原因是，由于可变的节点数量，关于所有拓扑概率的全局推理在计算上是难以处理的。此外，对于任何固定的节点集合，唯一拓扑的数量是节点数量的指数。相反，给定固定的节点集合，在局部可观测的拓扑内关于位置和结构的推理允许推理算法处理可变的节点数量以及多个拓扑。
可以使用传感器1360、传感器2105、或车辆的一些其他传感器来获得运行环境信息的传感器数据。可以从来自一个或多个远程车辆的传感器数据的传输中获得运行环境信息的传感器数据。可以从车辆交通和通信系统2000内的任何传感器获得运行环境信息的传感器数据。作为一个示例，传感器数据包括远程车辆位置数据。确定车辆运行信息可以包括感测或接收一个或多个远程车辆的全球位置作为远程车辆位置数据。确定车辆运行信息可以包括感测或接收一个或多个远程车辆的相对位置作为远程车辆位置数据。相对位置可以在全球坐标系中。无论全球位置或相对位置是否可用，都可以将其转换为拓扑地图的坐标系，用于在操作4400处确定拓扑位置估计。
车道线数据可以从拓扑地图中获得，以供确定拓扑位置估计时使用。车道线数据可以被转换为全球坐标。然而，在一些实施方式中，传感器数据包括车道线数据。也就是说，确定车辆运行信息可以包括感测或接收与车辆正在行驶的道路的车道线相关的数据。
在操作4400处，过程4000包括使用度量位置估计和运行环境信息来确定车辆交通网络内车辆的拓扑位置估计。使用运行环境信息来确定车辆交通网络内车辆的拓扑位置估计的示例如图6所示。
在图6的示例中，利用局部感测来确定拓扑位置估计。车辆6100在车辆交通网络的一部分6000内沿箭头6110所指示的行驶方向行驶。车辆6100在度量位置估计处被指示。远程车辆位置数据指示车辆交通网络的一部分6000内远程车辆6300和远程车辆6400的位置。车道线数据包括车道线6500、6510和6520。没有检测到车道线6530。
在操作4400处，使用度量位置估计和运行环境信息来确定车辆交通网络内车辆的拓扑位置估计可以包括使用车道线数据和远程车辆位置数据来生成车辆的车道假设，并且基于度量位置估计将拓扑位置估计确定为更有可能的车道假设。
生成车道假设可以包括使用车道线数据和远程车辆位置数据来定义车辆交通网络的一部分的多个车道，并且基于多个车道的基数(cardinality)来生成车道假设。车道假设可以包括第一车道假设(其中拓扑位置估计是多车道道路的左车道)、第二车道假设(其中拓扑位置估计是多车道道路的中心车道、或第三车道假设(其中拓扑位置估计是多车道道路的右车道)中的至少两个。例如，在图6中，车道线数据(即，检测到的车道线6500、6510和6520)指示至少两个车道，其第一车道6210是右车道，而其另一车道6220是左车道或中心车道。远程车辆位置数据指示至少有三个车道6210、6220和6230，使得车道6220是中心车道(而不是左车道)。
基于度量位置估计将拓扑位置估计确定为更有可能的车道假设包括将度量位置估计与车道假设所表示的运行环境信息进行比较。例如，在图6中，车道线数据与远程车辆位置数据一起指示车辆6100正在行驶的车道6220的标识更可能是中心车道，而不是左车道或右车道。
在一些实施例中，在基于远程车辆位置数据将拓扑位置估计确定为更有可能的车道假设之前，可以过滤远程车辆位置数据，以移除在不同于车辆的方向上行驶的任何远程车辆的数据。以这种方式过滤远程车辆位置数据也可以在生成车道假设之前完成。虽然不是必需的，但是过滤减小了所考虑的车辆交通网络的运行环境信息的范围，降低了分析的复杂性。
利用跟踪远程车辆的位置的上述局部感测的技术在区分两个以其他方式模糊的车道假设(例如，右车道和中心车道，或者左车道和中心车道)方面是有价值的。此外，跟踪其他车辆位置可以对识别以其他方式未被绘制的交通图案提供进一步的益处。
上面对图6的讨论部分地依赖于这样的假设，即可以使用车道线数据和远程车辆位置数据来准确地确定车道的基数。然而，缺少该数据中的任何数据会降低确定的准确度。传感器可能不会一直检测数据。此外，更复杂的拓扑可能导致车道线数据和远程车辆位置数据指示车辆存在于不止一个车道中。由于这些原因，可以使用更通用的方法来对车道隶属(membership)建模。
对车道隶属理想地计算作为表示不确定性的方式的概率，使用多个传感器输入，并且对真实世界(例如，运行环境信息)的物理约束建模。根据本文的教导，在操作4400处，确定车辆的拓扑位置估计可以包括通过使用隐马尔可夫模型(Hidden Markov Model，HMM)对车辆的车道隶属建模，来确定在一系列时间点上在车辆交通网络的多车道道路内车辆的车道隶属。
当系统的独特状态未知，但该状态产生可以被观测到的数据时，HMM是有用的。根据观测到的数据，可以确定关于系统存在于至少两种状态中的哪种独特状态的概率。最高概率是系统最可能的状态。这里，未知的是拓扑位置估计(例如，车道隶属)。使用一个或多个HMM进行拓扑定位(例如，车道隶属)支持许多有效的推理和学习模式，并且HMM可以容易地针对特定的传感器特征、特定的拓扑结构、或这两者来设计。根据本文的教导，每个传感器的观测值模型可以以观测值概率编码，并且状态转移矩阵可以编码真实世界的物理约束。HMM的解产生对于多车道道路的车道的概率分布。
这些概念最初可以参考图6来描述。在图6中，示出了车道状态xa–xe，作为可观测到的特征(即，车道线6500、6510和6520的车道线数据，以及远程车辆6300和6400的远程车辆位置数据)。先前描述的车道假设可以对应于HMM中的车道状态，或者对应于HMM中的车道状态的子集。车道状态xa–xe对应于道路上不同的拓扑位置，针对这些位置存在预期的观测值。例如，如果车辆6100处于右车道6210(即，状态xe)，则指示车辆6100左侧两条车道(这里，车道6500和6510)的存在的车道线数据将是预期的观测值。作为另一示例，如果车辆6100处于左车道6230(即，状态xa)，则对远程车辆(诸如车辆6100左侧的远程车辆6400)的观测值不是预期的观测值，但是如果车辆6100在中心车道6220(即，状态xc)或右车道6210(即，状态xe)，则对远程车辆(诸如车辆6100左侧的远程车辆6400)的观测值是预期的观测值。在图6中，车道状态xc是车道线数据和远程车辆位置数据都支持的车辆的唯一状态。单独的车道线数据将使得xc和xe两种状态的同等可信度。
更通常地说，拓扑位置(这里，拓扑位置估计)可以被建模为状态xi∈X在HMM内的占用。在本讨论中，拓扑位置估计针对车道级别的定位，但应用也可用于其他粒度级别(诸如道路级别的定位)。由于车道级别的定位，HMM中的状态X可以对应于在车道的中心或者在两条车道之间。例如，表示两车道道路的HMM(在图7详细描述)具有三个状态x0、x1和x2。状态x0和x2分别对应于车辆占用最右侧车道和最左侧车道。状态x1表示车辆的一些部分位于车道划分线的上方。状态x1可以被认为是切换状态。在实践中，可以包括一个额外的状态，该状态表示其观测值不能被HMM中的任何其他状态解释的位置集合。因此，在一些示例中，表示基数为L个车道的道路的HMM具有2L个状态。理论上，可以存在任意数量的车道，并且因此也可以有任意数量的非零转移概率。因此，图7的示例仅仅是说明性的，并且一般不指示HMM的大小。
在图7中，实线表示状态之间的非零转移概率，同时省略了自循环。状态之间的转移概率在本文也可以称为状态转移概率。更具体地，HMM的状态可以包括左车道、右车道、以及左车道和右车道之间的位置(例如，当多车道道路是两车道道路时)，并且HMM的状态转移概率包括：车辆的车道隶属从当前时间点到后续时间点将保持在左车道中的第一概率；车辆的车道隶属将从当前时间点的左车道改变为后续时间点的左车道和右车道之间的位置的第二概率；车辆的车道隶属将从当前时间点的左车道和右车道之间的位置改变为后续时间点的左车道的第三概率；车辆的车道隶属从当前时间点到后续时间点将保持在左车道和右车道之间的位置的第四概率；车辆的车道隶属将从当前时间点的左车道和右车道之间的位置改变为后续时间点的右车道的第五概率；车辆的车道隶属将从当前时间点的右车道改变为后续时间点的左车道和所述右车道之间的位置的第六概率；以及车辆的车道隶属从当前时间点到后续时间点将保持在左车道和所述右车道之间的位置的第七概率。
在图7中，虚线表示观测值概率或输出概率(emission probability)，针对单个状态，观测值概率或输出概率中一些是互斥的。HMM的观测值概率可以包括针对状态的传感器数据的可能输出值的相应概率。例如，如果在主体车辆或目标车辆的右侧存在远程车辆，则对状态x2和x1中的每个分配相等的概率，而对状态x0分配零的概率。作为另一示例，如果在主车辆或目标车辆的每侧都检测到一条白线，其中该线相对远离车辆的两侧(即，比车辆正在车道中心行驶时所预期的更远)，则1(或100％)的概率可被分配给状态x1，而0的概率可被分配给状态x0和x1中的每个。从这些示例可以看出，每个传感器的观测值模型以各个状态的观测值概率编码。这是概率确定的简化描述，因为它假设车道的基数及其大小相对恒定。可以使用其他技术将观测或输出概率分配给这些状态。
不管观测值的来源(例如，感测值)，也不管观测值是在这里使用还是在本文描述的拓扑定位的任何其他实施方式和变型中使用，置信度测度可以与观测值一起使用。也就是说，可以向每个观测值分配置信度测度，以为观测值对任何得到的概率的影响赋权。例如，可以使用诸如以下标准来计算远程车辆位置信息的置信度:1)相对于车辆的测距，2)跟踪的持续时间和被跟踪属性的一致性，3)给定跟踪速度时每项目的间隔，4)绝对和相对速度，以及5)相对航向。真阳性展示这些量的特征值，这些特征值经常被常见的假阳性所破坏。
注意，HMM的转移结构匹配车辆交通网络的两车道道路的拓扑结构。也就是说，HMM在拓扑定位中可能是特别理想的，因为它能够经由其转移函数对真实世界的动态准确地建模。因为车辆只能通过紧邻的切换状态从一个车道的中心移动到相邻车道的中心，所以表示转移函数的状态转移矩阵是稀疏的。通常，n个状态HMM的状态转移矩阵τn可以被定义为:
Figure BDA0002465784570000201
其中，tr是针对保持在同一状态的概率的参数，ts是针对切换到相邻状态的概率的参数。该定义减少了对物理上不可能的事件(诸如跨多个车道的瞬时改变)的报告。这提供了优于其他多模式(multimodal)方法(诸如粒子过滤器)的明显优势。
从以上描述可以确定，除了GPS和诸如速度传感器的本体感受传感器之外，车道线数据和其他车辆的相对位置都可以通知拓扑位置估计。代替以上关于图6描述的简化技术，对于车道线，可以使用从拓扑地图中学习的参数和信息的组合来参数化高斯混合模型，该高斯混合模型描述了给定特定车道状态时，在相对于车辆的某个位置和方向观测到车道线的可能性。
车道线信息可能会因遮挡、天气、一天中的时间、以及许多道路上本身没有标记而断断续续。为了减少没有外部信号的周期，在某些车道状态下，附近被跟踪的车辆的相对位置支持该车辆存在。这一创意背后的原理是，尽管其他车辆(例如，远程车辆)全球地且相对地移动，但它们是根据车道隶属所定义的特定局部图案移动的。例如，如果车辆(例如，主体车辆)在两车道道路上，并且感测到紧邻其右侧的远程车辆，则车辆有较高概率在左车道，因为观测到的车辆相对于超出道路边缘行驶更可能在右车道行驶。状态xi和传感器q的观测函数可以表示为φ(xi,q)。
如上所述，HMM的解产生对于多车道道路的车道的概率分布，在该示例中是两车道道路。最可能的状态是在操作4400处确定的拓扑位置估计。在操作4500处，车辆基于拓扑位置估计穿越车辆交通网络。如前所述，在操作4500处可以执行穿越车辆交通网络。
尽管当拓扑地图基本正确并且单个HMM中的状态数量与真实车道状态数量匹配时，该HMM对于拓扑定位是可靠的，但是当拓扑地图由于地图错误或临时事件而不能提供正确的车道数量时，单个HMM可能会失败。为了解决地图的不确定性，测试多个HMM的蛮力方法是可能的。然而，这是计算复杂的解决方案。替代的，可以合并在本文被称为可变结构多重隐马尔可夫模型(Variable Structure Multiple Hidden Markov Model，VSM-HMM)的模型。
VSM-HMM可以被定义为所有可能的模型的集合U，以及活动模型集合UA和非活动模型集合UN。每一个u∈U都是具有唯一状态空间的HMM。因此，UA∪UN和
Figure BDA0002465784570000211
VSM-HMM可以参考图8来描述，其中所有可能的模型的集合U包括HMM u，标记为M1、M2、M3和M4。例如，模型M1可以是图7的HMM。另一模型M2、M3或M4可以是三车道道路的HMM。可以对其他拓扑进行建模。在图8中，初始迭代时的VSM-HMM被示为VSM-HMM 8100，其中模型M1和M2形成活动模型集合UA，且模型M3和M4形成非活动模型集合UN。
在每次迭代中，可以使用可能模型集合(Likely Model Set，LMS)算法8000(如以下算法1所示)的变型和模型选择标准来确定活动模型集合UA。更新的活动模型集合U′A和可能性得分数组S被初始化(第3-4行)。对于集合(u∈U)内的每个模型，计算可能性得分(第6行)。可能性得分根据模型u匹配拓扑地图(图8中的地图数据)的概率Pr(u|M)和模型u匹配观测值z(图8中的传感器数据，也称为在操作4300处确定的运行环境信息)的概率。然后，模型按其得分降序排序(第8行)，并且只要其得分so和最大得分smax之间的比率高于阈值Tactive，就选择后续模型以包括在更新的活动模型集合中(第10-15行)。在更新的活动模型集合U′A(以下被引用作为模型u′)中，被选为活动模型的模型数量下限为1(第12行)，并且上限为常数κ(第14行)。该常数κ可以取决于车辆运行期间预期的计算约束。最后，从已经活动的模型中复制可信度，并为还没有活动的模型初始化可信度(第16-20行)。如这里所使用的，可信度对应于解(例如，对应于整个概率分布)，除非上下文中另有说明。
Figure BDA0002465784570000221
LMS算法8000的输出是更新的活动模型集合U′A。在图8的示例中，模型M2和M4不改变它们的状态。模型M1被停用，并且模型M3被激活。因此，对于VSM-HMM 8200，模型M2和M3形成活动模型集合UA，并且模型M1和M4形成非活动模型集合UN。
拓扑地图M和实际拓扑之间的差异可以通过比较每个活动模型(即，活动模型集合UA中的每个模型u)的可信度分布Pr(u)的熵H(u)来检测。如果地图M建议的模型与另一模型相比具有高熵，则地图M可能是不正确的。高熵通常指示在建议的拓扑中没有状态可以解释观测值z。根据示例，熵H(u)可以使用香农熵方程来计算。
算法2概述了对照观测值z检查地图M的过程。阈值Tent的值是基于地图M的可靠性设置的。地图M越可靠，阈值Tent的值越高。
Figure BDA0002465784570000231
当活动模型集合等于总模型集合(UA＝U)时，VSM-HMM等价于具有密集转移矩阵τ*的一个大型HMM。转移矩阵τ*可以根据表示每个独特的拓扑假设的子块τ2,τ4,...,τn和它们之间的转移来定义。
根据这种技术，每个子块τκ可以布置在转移矩阵τ*的对角线上。此外，非对角块可以是完全密集的并且具有值tm，即切换模型的概率。因此，
Figure BDA0002465784570000241
通常，这会产生p×p转移矩阵，其中p＝∑X∈U|Xi|。类似地，X*和φ*分别由所有状态空间和观测函数的并集定义。
当
Figure BDA0002465784570000242
时，则VSM-HMM通过对最可能的可信度的子集进行推理来逼近等价HMM。
VSM-HMM的解是对于当前道路的不同可能的拓扑的车道的概率分布。最可能的状态是在操作4400处确定的拓扑位置估计。在操作4500处，车辆基于拓扑位置估计穿越车辆交通网络。如前所述，在操作4500处可以执行穿越车辆交通网络。
本文描述的VSM-HMM的使用估计了局部拓扑的当前结构。也就是说，VSM-HMM对外部世界状态做出假设。当局部拓扑地图具有非零不确定性(即，拓扑地图中存在一些不确定性)时，这是有用的。它允许对多种可能的拓扑进行并行推理。此外，除了那些已经可用于使用HMM确定拓扑位置估计的观测值之外，它不需要附加观测值，并且只要可能，知识(例如，关于HMM的知识)就被重复使用。
无论是单个HMM还是VSM-HMM被用于确定拓扑位置估计，可信度转移都是一个问题。可信度转移可以通过考虑车辆具有关于其在已知局部拓扑中的当前拓扑位置的可信度来解释。这种可信度是离散的，并且基于n-单纯形(n-simplex)Δn，其中n是局部拓扑状态的数量，并且在该示例中其大致对应于车辆正在行驶的道路上的车道数量。当车辆接近交叉路口或汇入路口时，车辆将到达的道路上的车道数量可能与当前的车道数量不同。因此，基于Δn的当前的可信度分布与基于Δm的即将到来的可信度分布处于不同的空间。即将到来的可信度不能简单地从当前的可信度中复制。
一种选项是在进入新的道路时抹去所有先前的可信度，并从某种概率分布(诸如均匀分布)开始。另一种选项是启发式地决定如何初始化新的可信度。这两种选择在计算上都很有效，但在许多情况下并没有最佳地执行。第三种选项是找到与Δn中的当前分布最接近的Δm中的预期分布，其中接近度由一些统计度量定义。这可能比其他选项更好，但由于Δn和Δm之间缺乏同构而变得复杂。本文的解决方案描述了第一瓦瑟斯坦(Wasserstein)距离的变化，也称为推土机距离，本文称为扩展推土机距离(Extended Earth Mover’sDistance，EEMD)。EEMD定义了任意相对大小的单纯形上的离散分布之间的相似性，并处理具有任意不确定性程度的映射。
接下来将描述如何实施EEMD，其中
Figure BDA0002465784570000251
和
Figure BDA0002465784570000252
分别是Δn和Δm上的归一化分布。不失一般性，对于这个示例，假设n＞m。函数f∶Δm→Δn被定义为
Figure BDA0002465784570000253
因此，f本质上是用零可信度填充
Figure BDA0002465784570000254
以便使其大小与
Figure BDA0002465784570000255
相同。该新的分布，现在是n维，可以称为
Figure BDA0002465784570000256
推土机距离(EMD)度量的常规公式可用于计算
Figure BDA0002465784570000257
和
Figure BDA0002465784570000258
之间的距离。
然而，通常地，这两种分布之间的映射可能存在不确定性。因此，在现实中可能存在
Figure BDA0002465784570000259
和
Figure BDA00024657845700002510
不对应于相同的真实世界状态的情况。一个具体的示例是两车道道路变成了跨交叉路口的三车道道路。这通过图9中的示例示出。不清楚图9左侧的第一道路中的两个车道是对应于图9右侧所示的随后的三车道道路中的最右边两个车道、最左边两个车道、还是车道的一些其他组合。因为映射可能不是单射的(injective)或满射的(surjective)，所以存在从
Figure BDA00024657845700002511
到
Figure BDA00024657845700002512
的nn个可能的映射。为了得到预期的距离，
Figure BDA00024657845700002513
的所有唯一概率的总和可以被计算，并且EMD可以通过对每个映射的概率加权来计算。因此，
Figure BDA00024657845700002514
和
Figure BDA00024657845700002515
之间的EEMD可以定义为
Figure BDA00024657845700002516
假设
Figure BDA00024657845700002517
是已知的，并且在所有i之间被归一化。这可以使用来自地图M的信息来计算。在实践中，大多数的被加数可以被忽略，因为对应的
Figure BDA00024657845700002518
项是0。
EEMD是度量，满足非负性、同一性、和对称性的性质。例如，EMD总是正的，因为它是一个度量。
Figure BDA00024657845700002519
总是非负的。它们的乘积总是非负的，并且非负元素的和也是非负的。因此，EEMD总是非负的。
同一性也被满足，因为
Figure BDA00024657845700002520
更具体地，如果
Figure BDA00024657845700002521
则对于所有被加数，
Figure BDA00024657845700002522
和/或
Figure BDA00024657845700002523
0。因为
Figure BDA00024657845700002524
是分布，所以必须存在至少一个i使得
Figure BDA00024657845700002525
如果存在多于一个这样的i，则
Figure BDA00024657845700002526
不能为0，因为每个
Figure BDA00024657845700002527
是唯一的，并且EMD是度量。然而，
Figure BDA00024657845700002528
的假设被破坏。如果存在单个i使得
Figure BDA00024657845700002529
则因为EMD是度量并且必须是0，所以
Figure BDA00024657845700002530
Figure BDA0002465784570000261
此外，
Figure BDA0002465784570000262
这从EEMD和
Figure BDA0002465784570000263
的定义中可以清楚得到。所有
Figure BDA0002465784570000264
将为0，除了当
Figure BDA0002465784570000265
时。对于该项，对应的EMD将为零，因为EMD是度量。
最后，不管顺序如何，两个分布的更小维数总是增强的。因此，对于
Figure BDA0002465784570000266
和
Figure BDA0002465784570000267
两者，执行完全相同的计算。因此，
Figure BDA0002465784570000268
满足对称性的性质。
图9示出了从两车道道路到新的三车道道路的可信度转移。如上所述，从两车道道路到三车道道路没有清晰的映射，因此如何估计中间车道上的可信度是不明确的。然而，给定对于两车道道路的所有车道的可信度，例如，Pr(两车道道路HMM)，
Figure BDA0002465784570000269
在明确地考虑上述映射模糊性和不确定性的同时产生针对三车道道路的所有状态的可信度的值。
EEMD允许不同大小的域之间的映射，并且当映射中存在不确定性时，可以有效地进行逼近。EEMD适用于离散域上的任何两个分布。
本文呈现的每个解决方案都是对当前车辆定位技术的改进。如上所述，它们单独或一起解决关于传感器、地图、或这两者的不确定性、模糊性、固有误差、或这些问题的组合。
以下示例总结了进一步的实施方式:
示例1:一种穿越车辆交通网络的方法，该方法包括：由车辆穿越车辆交通网络，其中，穿越车辆交通网络包括：确定车辆运行信息，该车辆运行信息包括在车辆正穿越车辆交通网络的同时在多个时间点测量的车辆的经度和纬度；使用车辆运行信息来确定车辆的度量位置估计，包括：确定多个时间点的各个时间点的位置估计；确定各个后续时间点的投影位置估计；以及使用卡尔曼滤波器与非线性损失函数一起来确定当前时间点的度量位置估计，以减轻未建模的传感器误差的影响，该非线性损失函数基于同一时间点的位置估计与投影位置估计的比较；使用度量位置估计来确定车辆交通网络内车辆的拓扑位置估计；以及基于车辆的拓扑位置估计穿越车辆交通网络。
示例2：根据示例1的方法，其中，确定投影位置估计包括：使用在第一时间点测量的车辆的航向来确定第一时间点之后的第二时间点的投影位置估计。
示例3：根据示例1或示例2的方法，还包括：确定车辆交通网络的一部分的运行环境信息，该运行环境信息包括由车辆的传感器测距所定义的车辆交通网络的一部分内的传感器数据，其中确定拓扑位置估计包括：使用度量位置估计和运行环境信息来确定车辆交通网络内车辆的拓扑位置估计。
示例4：根据示例1至3中任一项的方法，其中非线性损失函数包括定义围绕当前时间点的第一投影位置估计的同心圆的多个半径，该非线性损失函数：响应于当前时间点的位置估计位于具有多个半径中的最小半径的第一圆之内，向卡尔曼滤波器提供当前时间点的经度和纬度的感测值，以用于确定当前时间点的度量位置估计；响应于当前时间点的位置估计位于具有多个半径中的最大半径的第二圆之外，从卡尔曼滤波器中省略该感测值，以用于确定当前时间点的度量位置估计；以及响应于当前时间点的度量位置估计位于第一圆之外和第二圆之内，对感测值应用惩罚以获得惩罚感测值，并向卡尔曼滤波器提供所述惩罚感测值，以用于确定当前时间点的位置估计。
示例5：根据示例1至4中任一项的方法，其中，非线性损失函数是基于景况的函数。
示例6：根据示例5的方法，其中，基于景况的函数的景况是车辆交通系统的一部分的运行环境信息。
示例7：根据示例6的方法，其中，运行环境信息是城市环境或乡村环境之一。
示例8：根据示例1至7中任一项的方法，其中，非线性损失函数基于同一时间点的位置估计距投影位置估计的距离来改变应用到被输入到卡尔曼滤波器中的车辆运行信息的至少一个测量值的权重。
示例9：执行根据示例1-8的方法中的任何一种方法的车辆。
示例10：存储使处理器执行根据示例1-8的方法中的任何一种方法的指令的非暂时性存储介质。
如本文所使用的，术语“指令”可以包括用于执行本文所公开的任何方法或其任何部分的指导或表达，并且可以用硬件、软件、或其任意组合来实现。例如，指令可被实施为存储在存储器中的信息(诸如计算机程序)，该信息可由处理器执行以执行如本文所述的各种方法、算法、方面、或其组合中的任何一项。在一些实施例中，指令或其一部分可被实施为包括用于执行如本文所述的方法、算法、方面、或其组合中的任何一项的专用硬件的专用处理器或电路。在一些实施方式中，指令的各部分可以分布在单个设备上、多个设备上的多个处理器之间，这些设备可以直接通信或者通过诸如局域网、广域网、互联网、或其组合的网络通信。
如本文所用，术语“示例”、“实施例”、“实施方式”、“方面”、“特征”、或“元素”指示用作示例、实例、或说明。除非明确指示，否则任何示例、实施例、实施方式、方面、特征、或元素与其他示例、实施例、实施方式、方面、特征、或元素独立，并且可以与任何其他示例、实施例、实施方式、方面、特征、或元素结合使用。
如本文所用，术语“确定”和“识别”或其任何变型包括使用本文所示和所述的一个或多个设备以任何方式选择、确定、计算、查找、接收、确定、建立、获得或识别或确定。
如本文所用，术语“或”旨在表示包含性的“或”，而不是排他性的“或”。也就是说，除非另有说明，或者从上下文中清楚得到，否则“X包括A或B”旨在指示任何自然的包含性的排列。也就是说，如果X包括A；X包括B；或X包括A和B两者，则“X包括A或B”在前述任何实例下都成立。此外，在本申请和所附权利要求中使用的冠词“一”通常应被解释为意指“一个或多个”，除非另有说明或从上下文中清楚地得到其指向单数形式。
此外，为了便于解释，尽管本文的附图和描述可以包括步骤或阶段的顺序或系列，但是本文公开的方法的元素可以以各种次序或同时出现。此外，本文公开的方法的元素可以与本文未明确呈现和描述的其他元素一起出现。此外，并非本文描述的方法的所有元素都是实施根据本公开的方法所必需的。尽管本文以特定的组合描述了各方面、特征和元素，但是每个方面、特征或元件可以独立使用，或者在有或没有其他方面、特征和元素的情况下以各种组合使用。
已经描述了上述方面、示例和实施方式，以便允许容易地理解本公开，但这不是限制性的。相反，本公开覆盖了被包括在所附权利要求的范围内的各种修改和等效布置，该范围应符合最广泛的解释，以便涵盖法律允许的所有这些修改和等效结构。

Claims (20)

1.一种穿越车辆交通网络的方法，所述方法包括：
确定车辆的车辆运行信息；
使用车辆运行信息确定车辆的度量位置估计；
确定车辆交通网络的一部分的运行环境信息，所述运行环境信息包括车辆可观测到的车辆交通网络的一部分的传感器数据，所述传感器数据包括远程车辆位置数据；
使用度量位置估计和运行环境信息来确定车辆交通网络内车辆的拓扑位置估计；以及
由车辆基于车辆的拓扑位置估计来穿越车辆交通网络。
2.根据权利要求1所述的方法，其中，所述传感器数据包括车道线数据。
3.根据权利要求2所述的方法，其中，使用度量位置估计和运行环境信息来确定车辆交通网络内车辆的拓扑位置估计包括：
使用车道线数据和所述远程车辆位置数据生成车辆的车道假设；以及
基于所述度量位置估计，将所述拓扑位置估计确定为更有可能的车道假设。
4.根据权利要求3所述的方法，其中，使用车道线数据和所述远程车辆位置数据生成车辆的车道假设包括：
使用所述车道线数据和所述远程车辆位置数据来定义车辆交通网络的一部分的多个车道；以及
基于所述多个车道的基数生成车道假设，所述车道假设包括第一车道假设、第二车道假设、或第三车道假设中的至少两个，在第一车道假设中，所述拓扑位置估计是多车道道路的左车道，在第二车道假设中，所述拓扑位置估计是多车道道路的中心车道，在第三车道假设中，拓扑位置估计是多车道道路的右车道。
5.根据权利要求3所述的方法，还包括：
在基于所述远程车辆位置数据将所述拓扑位置估计确定为更有可能的车道假设之前，过滤所述远程车辆位置数据以移除正在与车辆不同的方向上行驶的任何远程车辆的数据。
6.根据权利要求1或权利要求2所述的方法，其中，所述远程车辆位置数据包括一个或多个远程车辆对于所述车辆的相对位置。
7.根据权利要求1或权利要求2所述的方法，其中，车辆的拓扑位置估计包括车辆交通网络的多车道道路内的车道。
8.根据权利要求1所述的方法，其中，确定车辆的拓扑位置估计包括通过以下操作确定在一系列时间点上在车辆交通网络的多车道道路内车辆的车道隶属：
使用隐马尔可夫模型(HMM)对所述多车道道路进行建模，所述HMM的解产生对于所述多车道道路的车道的概率分布。
9.根据权利要求8所述的方法，其中，
所述HMM的状态包括左车道、右车道、以及左车道和右车道之间的位置，
所述HMM的状态转移概率包括：
车辆的车道隶属从当前时间点到后续时间点将保持在左车道中的第一概率；
车辆的车道隶属将从当前时间点的左车道改变为后续时间点的左车道和右车道之间的位置的第二概率；
车辆的车道隶属将从当前时间点的左车道和右车道之间的位置改变为后续时间点的左车道的第三概率；
车辆的车道隶属从当前时间点到后续时间点将保持在左车道和右车道之间的位置的第四概率；
车辆的车道隶属将从当前时间点的左车道和右车道之间的位置改变为后续时间点的右车道的第五概率；
车辆的车道隶属将从当前时间点的右车道改变为后续时间点的左车道和右车道之间的位置的第六概率；以及
车辆的车道隶属从当前时间点到后续时间点将保持在左车道和右车道之间的位置的第七概率，并且
所述HMM的观测值概率包括针对状态的传感器数据的可能输出值的相应概率。
10.根据权利要求8或9所述的方法，其中，所述概率分布的最高概率值指示车辆的车道隶属。
11.根据权利要求8或9所述的方法，其中，确定车道隶属包括：
使用包括多个HMM的可变结构多重隐马尔可夫模型内的HMM，所述多个HMM中的每一个对所述多车道道路的车道建模相应的可能拓扑。
12.根据权利要求8或9所述的方法，其中，从所述一系列时间点的第一时间点到第二时间点，所述多车道道路的车道的基数改变，并且
确定在所述第二时间点车辆交通网络的多车道道路内车辆的车道隶属包括：
将在第一时间点使用所述HMM产生的对于所述多车道道路的车道的概率分布映射到在第二时间点对于所述多车道道路的车道的更新的概率分布。
13.根据权利要求12所述的方法，其中，映射所述概率分布包括：
使用推土机距离(EMD)度量来映射所述概率分布。
14.根据权利要求1或权利要求2所述的方法，其中：
确定所述车辆运行信息包括使用全球定位系统(GPS)传感器感测车辆的全球位置，并且
确定在车辆交通网络内车辆的度量位置估计包括：
将所述全球位置用作非线性损失函数的输入，所述非线性损失函数对所述GPS传感器的感测值进行赋权；以及
在卡尔曼滤波器内使用所述非线性损失函数的输出，所述卡尔曼滤波器输出所述度量位置估计。
15.一种车辆，包括：
处理器，被配置为执行存储在非暂时性计算机可读介质上的指令，以：
确定车辆的车辆运行信息；
使用车辆运行信息确定车辆的度量位置估计；
确定车辆交通网络的一部分的运行环境信息，所述运行环境信息包括车辆可观测到的车辆交通网络的一部分的传感器数据，所述传感器数据包括远程车辆位置数据；
使用度量位置估计和运行环境信息来确定车辆交通网络内车辆的拓扑位置估计；以及
由车辆基于车辆的拓扑位置估计来穿越车辆交通网络。
16.根据权利要求15所述的车辆，其中，所述处理器被配置为执行存储在非暂时性计算机可读介质上的指令，以通过以下操作确定所述拓扑位置估计：
使用隐马尔可夫模型(HMM)对多车道道路建模，包括：
识别与所述多车道道路的拓扑相对应的多个状态；
识别多个状态转移概率，其中，所述多个状态转移概率中的每个状态转移概率表示从所述多个状态中的第一相应状态转移到所述多个状态中的第二相应状态的概率；
识别多个观测值，所述多个观测值中的每个观测值与运行环境信息的值相对应；以及
识别多个观测值概率，其中，所述多个观测值概率中的每个观测值概率指示与所述多个状态中的相应一个或多个状态相关联的所述多个观测值中的相应观测值的准确度概率。
17.根据权利要求16所述的车辆，其中，所述处理器被配置为执行存储在非暂时性计算机可读介质上的指令，以通过以下操作确定所述拓扑位置估计：
求解所述HMM以产生对于所述多车道道路的车道的概率分布；并且
将所述拓扑位置估计确定为所述多车道道路中的具有所述概率分布的最高概率值的车道。
18.根据权利要求15或16所述的车辆，其中，所述处理器被配置为执行存储在非暂时性计算机可读介质上的指令，以：
通过在车辆正穿越所述车辆交通网络的同时在多个时间点测量的确定车辆的经度和纬度来确定所述车辆运行信息；
通过以下操作确定所述度量位置估计：
确定所述多个时间点中的各个时间点的位置估计；
确定各个后续时间点的投影位置估计；以及
使用卡尔曼滤波器与非线性损失函数一起来确定当前时间点的所述度量位置估计，以减轻未建模的传感器误差的影响，所述非线性损失函数基于同一时间点的位置估计与投影位置估计的比较。
19.根据权利要求18所述的车辆，其中，所述非线性损失函数包括多个半径，所述多个半径定义了围绕当前时间点的第一投影位置估计的同心圆，所述非线性损失函数：
响应于当前时间点的位置估计位于具有多个半径中的最小半径的第一圆之内，向卡尔曼滤波器提供当前时间点的经度和纬度的感测值，以用于确定当前时间点的度量位置估计；
响应于当前时间点的位置估计位于具有多个半径中的最大半径的第二圆之外，从卡尔曼滤波器中省略所述感测值，以用于确定当前时间点的度量位置估计；以及
响应于当前时间点的度量位置估计位于第一圆之外且第二圆之内，对所述感测值应用惩罚以获得惩罚感测值，并向卡尔曼滤波器提供所述惩罚感测值，以用于确定当前时间点的位置估计。
20.根据权利要求18所述的车辆，还包括：
全球定位系统传感器。
CN201780096278.5A 2017-10-24 2017-10-24 车辆运行的位置确定 Active CN111492202B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2017/058081 WO2019083513A1 (en) 2017-10-24 2017-10-24 LOCATION DETERMINATION FOR VEHICLE OPERATION

Publications (2)

Publication Number Publication Date
CN111492202A true CN111492202A (zh) 2020-08-04
CN111492202B CN111492202B (zh) 2022-03-08

Family

ID=66247637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780096278.5A Active CN111492202B (zh) 2017-10-24 2017-10-24 车辆运行的位置确定

Country Status (8)

Country Link
US (1) US11112259B2 (zh)
EP (1) EP3701223B1 (zh)
JP (1) JP6928722B2 (zh)
CN (1) CN111492202B (zh)
CA (1) CA3079656C (zh)
MX (1) MX2020004095A (zh)
RU (1) RU2756439C1 (zh)
WO (1) WO2019083513A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156470A (zh) * 2021-01-29 2021-07-23 北京中航讯科技股份有限公司 基于路网的公交路链提取与优化算法
CN113295174A (zh) * 2021-07-27 2021-08-24 腾讯科技（深圳）有限公司 一种车道级定位的方法、相关装置、设备以及存储介质
CN113428155A (zh) * 2021-08-11 2021-09-24 浙江吉利控股集团有限公司 牵引车与牵引车厢的对接方法、设备及存储介质
CN114067600A (zh) * 2020-08-06 2022-02-18 大众汽车股份公司 用于提供关于空闲停车位的停车信息的方法和控制器

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3084799A1 (en) * 2017-12-04 2019-06-13 University Of Massachusetts Method to measure road roughness characteristics and pavement induced vehicle fuel consumption
US11138350B2 (en) * 2018-08-09 2021-10-05 Zoox, Inc. Procedural world generation using tertiary data
KR102092913B1 (ko) * 2018-10-08 2020-04-23 현대모비스 주식회사 주행차로 안내 장치 및 그 제어 방법
US11514310B2 (en) * 2018-12-21 2022-11-29 Waymo Llc Training a classifier to detect open vehicle doors
CN110278525B (zh) * 2019-05-21 2020-12-11 袁正道 一种高精度室内无线定位方法
EP3748300A1 (en) * 2019-06-07 2020-12-09 Zenuity AB Lane-level map matching
US11866070B2 (en) * 2020-09-28 2024-01-09 Guangzhou Automobile Group Co., Ltd. Vehicle control method and apparatus, storage medium, and electronic device
EP4285093A1 (en) * 2021-01-29 2023-12-06 Horiba Instruments Incorporated Apparatus and method for testing automated vehicles
CN112978532B (zh) * 2021-02-26 2022-06-17 成都新潮传媒集团有限公司 电梯状态的检测方法、装置及存储介质
JP2022150605A (ja) * 2021-03-26 2022-10-07 いすゞ自動車株式会社 運転制御装置
US20220306156A1 (en) * 2021-03-29 2022-09-29 Nissan North America, Inc. Route Planner and Decision-Making for Exploration of New Roads to Improve Map
US11945441B2 (en) 2021-03-31 2024-04-02 Nissan North America, Inc. Explainability and interface design for lane-level route planner
CN113492841B (zh) * 2021-07-22 2022-09-06 上汽通用五菱汽车股份有限公司 泊车控制方法、装置及计算机可读存储介质
WO2023158338A1 (ru) * 2022-02-17 2023-08-24 Общество с ограниченной ответственностью "ЭвоКарго" Устройство управления питанием и исполнительными механизмами высокоавтоматизированного транспортного средства
CN114910081B (zh) * 2022-05-26 2023-03-10 阿波罗智联(北京)科技有限公司 车辆定位方法、装置及电子设备
DE102022208063A1 (de) * 2022-08-03 2024-02-08 Zf Friedrichshafen Ag Verfahren zur Lokalisation einer beweglichen Einheit in HD-Karten und Fahrzeug

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403620A (zh) * 2008-09-10 2009-04-08 深圳市同洲电子股份有限公司 导航装置及方法
CN103185578A (zh) * 2011-12-30 2013-07-03 上海博泰悦臻电子设备制造有限公司 移动定位装置和导航装置
CN103649683A (zh) * 2011-06-03 2014-03-19 罗伯特·博世有限公司 组合的雷达和gps定位系统
CN104508719A (zh) * 2012-07-17 2015-04-08 日产自动车株式会社 驾驶辅助系统以及驾驶辅助方法
CN104535070A (zh) * 2014-12-26 2015-04-22 上海交通大学 高精细地图数据结构、采集和处理系统及方法
WO2016130719A2 (en) * 2015-02-10 2016-08-18 Amnon Shashua Sparse map for autonomous vehicle navigation
CN107121980A (zh) * 2017-03-17 2017-09-01 北京理工大学 一种基于虚拟约束的自动驾驶车辆路径规划方法
CN107229063A (zh) * 2017-06-26 2017-10-03 奇瑞汽车股份有限公司 一种基于gnss和视觉里程计融合的无人驾驶汽车导航定位精度矫正方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4586795B2 (ja) * 2006-12-07 2010-11-24 トヨタ自動車株式会社 車両用制御装置
US9358924B1 (en) * 2009-05-08 2016-06-07 Eagle Harbor Holdings, Llc System and method for modeling advanced automotive safety systems
EP2738751A4 (en) * 2011-07-26 2015-04-15 Toyota Motor Co Ltd VEHICLE SPECIFICATION SYSTEM AND VEHICLE SPECIFICATION DEVICE
WO2014155106A1 (en) * 2013-03-27 2014-10-02 Sciteb Ltd System and method for enabling transfer of systemic risk exposure
US8996197B2 (en) * 2013-06-20 2015-03-31 Ford Global Technologies, Llc Lane monitoring with electronic horizon
US10089417B2 (en) * 2013-09-26 2018-10-02 Here Global B.V. Structure determination in a geographic area
DE102014211168A1 (de) * 2014-06-11 2015-12-17 Continental Teves Ag & Co. Ohg Verfahren und System zur Verifizierung von Messdaten
US10407078B2 (en) * 2016-04-26 2019-09-10 Sivalogeswaran Ratnasingam Dynamic learning driving system and method

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101403620A (zh) * 2008-09-10 2009-04-08 深圳市同洲电子股份有限公司 导航装置及方法
CN103649683A (zh) * 2011-06-03 2014-03-19 罗伯特·博世有限公司 组合的雷达和gps定位系统
CN103185578A (zh) * 2011-12-30 2013-07-03 上海博泰悦臻电子设备制造有限公司 移动定位装置和导航装置
CN104508719A (zh) * 2012-07-17 2015-04-08 日产自动车株式会社 驾驶辅助系统以及驾驶辅助方法
CN104535070A (zh) * 2014-12-26 2015-04-22 上海交通大学 高精细地图数据结构、采集和处理系统及方法
WO2016130719A2 (en) * 2015-02-10 2016-08-18 Amnon Shashua Sparse map for autonomous vehicle navigation
CN107121980A (zh) * 2017-03-17 2017-09-01 北京理工大学 一种基于虚拟约束的自动驾驶车辆路径规划方法
CN107229063A (zh) * 2017-06-26 2017-10-03 奇瑞汽车股份有限公司 一种基于gnss和视觉里程计融合的无人驾驶汽车导航定位精度矫正方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114067600A (zh) * 2020-08-06 2022-02-18 大众汽车股份公司 用于提供关于空闲停车位的停车信息的方法和控制器
CN113156470A (zh) * 2021-01-29 2021-07-23 北京中航讯科技股份有限公司 基于路网的公交路链提取与优化算法
CN113156470B (zh) * 2021-01-29 2023-08-11 北京中航讯科技股份有限公司 基于路网的公交路链提取与优化方法
CN113295174A (zh) * 2021-07-27 2021-08-24 腾讯科技（深圳）有限公司 一种车道级定位的方法、相关装置、设备以及存储介质
CN113428155A (zh) * 2021-08-11 2021-09-24 浙江吉利控股集团有限公司 牵引车与牵引车厢的对接方法、设备及存储介质

Also Published As

Publication number Publication date
WO2019083513A1 (en) 2019-05-02
US20200249038A1 (en) 2020-08-06
RU2756439C1 (ru) 2021-09-30
MX2020004095A (es) 2020-07-21
US11112259B2 (en) 2021-09-07
EP3701223A4 (en) 2020-12-02
CA3079656A1 (en) 2019-05-02
CA3079656C (en) 2021-11-23
EP3701223B1 (en) 2023-03-01
JP2021503404A (ja) 2021-02-12
JP6928722B2 (ja) 2021-09-01
EP3701223A1 (en) 2020-09-02
BR112020007737A2 (pt) 2020-10-13
CN111492202B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN111492202B (zh) 车辆运行的位置确定
CN112368662B (zh) 用于自主运载工具操作管理的定向调整动作
EP3580084B1 (en) Autonomous vehicle operational management including operating a partially observable markov decision process model instance
EP3580620B1 (en) Autonomous vehicle operational management control
CA3052951C (en) Autonomous vehicle operational management
EP3580104B1 (en) Autonomous vehicle operational management blocking monitoring
US11084504B2 (en) Autonomous vehicle operational management scenarios
US10901417B2 (en) Autonomous vehicle operational management with visual saliency perception control
CN111902782A (zh) 集中式共享自主运载工具操作管理
WO2019089015A1 (en) Autonomous vehicle operation with explicit occlusion reasoning
US11921506B2 (en) Belief state determination for real-time decision-making
US20240067195A1 (en) Transfer Learning with Experience Filter for Vehicle Operation
BR112020007737B1 (pt) Método de travessia de uma rede de transporte de veículo e um veículo autônomo ou semi-autônomo

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