CN111527013A - 车辆变道预测 - Google Patents

车辆变道预测 Download PDF

Info

Publication number
CN111527013A
CN111527013A CN201780098063.7A CN201780098063A CN111527013A CN 111527013 A CN111527013 A CN 111527013A CN 201780098063 A CN201780098063 A CN 201780098063A CN 111527013 A CN111527013 A CN 111527013A
Authority
CN
China
Prior art keywords
lane
lane change
vehicle
prediction model
change prediction
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
CN201780098063.7A
Other languages
English (en)
Other versions
CN111527013B (zh
Inventor
M·德姆林
徐高伟
许涛
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.)
Bayerische Motoren Werke AG
Original Assignee
Bayerische Motoren Werke AG
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 Bayerische Motoren Werke AG filed Critical Bayerische Motoren Werke AG
Publication of CN111527013A publication Critical patent/CN111527013A/zh
Application granted granted Critical
Publication of CN111527013B publication Critical patent/CN111527013B/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
    • 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
    • B60W50/0097—Predicting future conditions
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/10—Number of lanes
    • 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
    • B60W2554/801—Lateral distance
    • 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
    • B60W2556/05—Big data

Abstract

本公开的各示例描述了用于变道预测的方法和系统。该方法包括收集原始驾驶数据；从所收集的原始驾驶数据中提取多个特征集合；获取相应的变道信息，所述变道信息指示车辆在每一个所提取的特征集合下的变道状态；用所获取的相应的变道信息来对所提取的多个特征集合中的每一个进行自动标记；以及用经标记的多个特征集合来训练变道预测模型。本公开的各示例还描述了用于应用变道预测模型的方法、系统和车辆。

Description

车辆变道预测
技术领域
本发明总体涉及自动驾驶车辆，更具体地，涉及车辆变道预测。
背景技术
自动驾驶车辆(也称为无人驾驶汽车、自动驾驶汽车、机器人汽车)是一种能够感测其环境并且在无需人类输入的情况下导航的车辆。自动化汽车使用各种技术来检测其周边环境，诸如使用雷达、激光、GPS、测程法以及计算机视觉。高级的控制系统对感测信息进行解读以标识合适的导航路径，以及障碍物和相关路标。
基于驾驶自动化的程度，存在从完全手动到完全自动化系统的若干个等级。诸如自适应巡航控制(ACC)、泊车辅助、车道保持辅助(LKA)以及盲点监测系统之类的一些低等级自动化特征已经被广泛装备在汽车上。然而，具有更高程度自动化(当被人类驾驶员激活时，汽车完全接管驾驶的所有方面)的汽车仍然处于开发中。只有非常有限数量的测试汽车被批准在某些受限区域中在道路上试跑。高度自动驾驶(HAD)汽车需要极其高的安全性、可靠性以及稳健性。与之前提到的驾驶辅助特征相比，HAD系统明显更为复杂，因为该系统本身不得不做出关于驾驶的所有决策，包括路径规划、方向控制、速度控制等等。为了帮助HAD系统做出恰当的决策，全世界的公司和技术团队针对可能发生在道路上的各种情形开发和训练各种各样的决策模型。
随着自动驾驶技术的蓬勃发展，对高准确度变道预测模型的要求也提高了。关于变道预测领域的目前成就，一些团队使用由自己的HAD汽车收集的数据，而其他团队则使用经验模型来进行变道预测。
由于HAD汽车的高昂费用，从这些汽车收集的驾驶数据大小非常有限。此外，在某些国家，使用HAD汽车在道路上收集驾驶数据还可能会引起法律问题。对于经验模型，诸如到左车道边界的距离和汽车的偏航方向等参数被直接用于判断是否将要发生变道，这会导致错误的预测。
发明内容
本公开旨在提供一种用于变道预测的方法和系统，该方法和系统可解决有限的驾驶数据大小以及低质量预测模型的问题。
根据本公开的第一示例实施例，提供了一种用于变道预测的计算机实现的方法，其中所述方法包括：收集原始驾驶数据；从所收集的原始驾驶数据中提取多个特征集合；获取相应的变道信息，所述变道信息指示车辆在每一个所提取的特征集合下的变道状态；用所获取的相应的变道信息对所提取的多个特征集合中的每一个进行自动标记；以及用经标记的多个特征集合来训练变道预测模型。
根据本公开的第二示例实施例，提供了一种车辆上的用于变道预测的计算机实现的方法，其中所述方法包括：获取通过根据第一示例实施例的方法来训练的变道预测模型；收集所述车辆的与用于所述变道预测模型的特征集合相对应的特征；以及基于所收集的特征在车辆上应用所述变道预测模型以预测变道概率。
根据本公开的第三示例实施例，提供了一种车辆上的用于基于变道预测来做出变道决策的计算机实现的方法，其中所述方法包括：获取通过根据第一示例实施例的方法来训练的变道预测模型；收集所述车辆的与用于所述变道预测模型的特征集合相对应的特征；基于所收集的特征在车辆上应用所述变道预测模型以预测变道概率；以及基于所预测的变道概率来做出变道决策。
根据本公开的第四示例实施例，提供了一种用于变道预测的系统，其中所述系统包括：数据收集模块，所述数据收集模块被配置成收集原始驾驶数据；特征提取模块，所述特征提取模块被配置成从所收集的原始驾驶数据中提取多个特征集合；变道信息获取模块，所述变道信息获取模块被配置成获取相应的变道信息，所述变道信息指示车辆在每一个所提取的特征集合下的变道状态；标记模块，所述标记模块被配置成用所获取的相应的变道信息对所提取的多个特征集合中的每一个进行自动标记；以及训练模块，所述训练模块被配置成用经标记的多个特征集合来训练变道预测模型。
根据本公开的第五示例实施例，提供了一种车辆上的用于变道预测的系统，其中所述系统包括：模型获取模块，所述模型获取模块被配置成获取通过根据第一示例实施例的方法来训练的变道预测模型；特征收集模块，所述特征收集模块被配置成收集所述车辆的与用于所述变道预测模型的特征集合相对应的特征；以及模型应用模块，所述模型应用模块被配置成基于所收集的特征在车辆上应用所述变道预测模型。
根据本公开的第六示例实施例，提供了一种车辆，其中所述车辆包括：根据第五示例实施例的装置；以及传感器，所述传感器被配置成收集所述车辆的与用于所述变道预测模型的特征集合相对应的特征。
与现有技术的变道预测模型相比，本发明所提供的方法和系统可实现至少以下优点：
通过将来自HAD汽车的驾驶数据和来自地图供应商的驾驶数据合并，解决了用于训练的有限数据大小的问题，并且可更好地获得变道预测模型；
训练数据可通过自动标记被更精准和高效地处理；以及
通过将所提取的特征用于LSTM模型训练，预测结果将比经验模型更准确和可靠。
提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的概念的选集。本概述并非旨在标识出要求保护的主题内容的关键特征或必要特征，亦非旨在限定要求保护的主题内容的范围。诸示例的附加的方面、特征和/或优点将在下面的描述中部分地阐述，并且部分地从描述中将是显而易见的，或者可以通过本公开的实践而获知。
附图说明
结合附图，通过以下对示例性实施例的详细描述，本公开的上述和其它方面和优点将变得显而易见，这些附图作为示例解说了本公开的原理。注意，附图不一定按比例绘制。
图1解说了根据本发明的实施例的用于变道预测的示例性方法的流程图。
图2解说了根据本发明的实施例的示例性数据标记。
图3解说了根据本发明的实施例的可被用于训练变道预测模型的示例性训练模型构造。
图4解说了根据本发明的实施例的用于变道预测的示例性方法的流程图。
图5解说了根据本发明的实施例的用于基于变道预测来做出变道决策的示例性方法的流程图。
图6解说了根据本发明的实施例的自动驾驶深度学习系统的完整架构。
图7解说了根据本发明的实施例的用于变道预测的示例性系统700。
图8解说了根据本发明的实施例的用于变道预测的示例性装置800。
图9解说了根据本发明的实施例的示例性车辆900。
图10解说了根据本公开的示例性实施例的其中可应用本公开的一般硬件环境。
详细描述
在以下详细描述中，阐述了许多具体细节以提供对所描述的示例性实施例的透彻理解。然而，对于本领域技术人员显而易见的是，可以在没有一些或所有这些具体细节的情况下实践所描述的实施例。在其他示例性实施例中，未详细描述众所周知的结构或处理步骤，以避免不必要地使本公开的概念模糊。
在说明书中使用的术语“车辆”是指汽车、飞机、直升机、轮船等。为了简单起见，结合“汽车”来描述本发明，但是本文所描述的各实施例不仅限于“汽车”，而是可适用于其他种类的交通工具。说明书中使用的术语“A或B”是指“A和B”和“A或B”，而不是意味着A和B是排他的，除非另有说明。
图1解说了根据本发明的实施例的用于变道预测的示例性方法的流程图。
方法开始于块102，收集原始驾驶数据。原始驾驶数据可由地图供应商来提供。此外，原始驾驶数据也可由制造商自己的HAD汽车来收集。在以下将更详细描述的非限制性示例中，由地图供应商提供的驾驶数据被用于通用深度神经网络模型训练，而由自动汽车检测到的驾驶数据则用于模型改善。这两种不同的驾驶数据收集方式可以依次或同时执行。在两种驾驶数据收集方式都被执行的情况下，由厂商自己的汽车检测到的驾驶数据和由地图供应商提供的驾驶数据可被组合以用于变道模型训练数据。
在块104，可以从所收集的原始驾驶数据中提取特征。作为示例，这些特征包括与车辆的各种状态有关的多个不同特征。下表列出了可被提取并用于变道预测的一些特征。
Figure BDA0002558568550000051
表1：所提取的特征列表
应当理解，以上特征仅仅是示例，可以从原始数据提取任何其它合适的特征并将其用于变道预测中。本发明不限于上面列出的具体特征和格式。所提取的特征可以按时间形成多个特征集合，每个集合指示集合中每个特征在给定时间的即时值。如本领域技术人员将理解的，所提取的特征可以按任何合适的格式来保存，例如TensorFlow训练的垫(mat)格式。
在块106处，获取对应的变道信息。变道信息可以指示处于每一个所提取的特征集合下的车辆的变道状态。换言之，变道信息可以指示在特征集合中的各特征被收集时车辆是变道还是保持其车道。
在块108，用所获取的对应的变道信息对所提取的特征进行自动标记。为了节省时间并实现高效标记，可以将训练数据按时间分成多个小部分，然后根据所提取特征的若干限制来进行自动标记。图2中示出了被标记的特征的一个示例。
在图2中，底部显示了一辆正在沿着道路的右侧车道驾驶的汽车。在特定时间t0，汽车开始向左车道变道。在例如三秒钟后，在tLCT(即tLCT＝t0+3s)时，向左变道结束，在这之后，汽车继续沿左车道驾驶。
在图2的上部，显示了相应的数据标记过程。为了更好地理解，数据被显示为与时间对齐。对应于同一收集时间的原始数据(具体而言是所提取的特征)可被视为一个特征集合。令参数C为指示变道的标签，其中C＝0代表车道保持，C＝1代表向左变道。因此，与t0之前的时间相对应的数据用C＝0来标记。随后，在从t0到tLCT的时间段期间(在此期间发生向左变道)，数据用C＝1来标记。从tLCT开始，数据再次用C＝0来标记。经标记的数据可被存储为用于本发明的变道预测模型的训练数据。
现在返回图1，在块110，用经标记的特征来训练变道预测模型。在本发明的实施例中，可以在TensorFlow上训练变道预测模型。TensorFlow是由谷歌大脑(Google Brain)开发的开源软件库，用于跨各种任务的机器学习。它是一个标志性的数学库，并且还被用作用于构建和训练神经网络以检测和破译模式和相关性的系统，类似于人类的学习和推理。
图3解说了根据本发明的实施例的可被用于训练变道预测模型的示例性训练模型构造。从图3中可以看到，带有变道标签的8个驾驶特征(f1－f8)最初输入值将通过堆叠的LSTM(长短期记忆)。在这之后，经训练的特征将通过完全连接的层以及Softmax函数以最终输出向左变道、向右变道或保持车道的相应概率(p1－p3)。
图4解说了根据本发明的实施例的用于变道预测的示例性方法的流程图。
方法开始于块402，获取变道预测模型。变道预测模型可以是结合图1描述的变道预测模型或任何其它合适的变道预测模型。变道预测模型可以本地地存储在车辆上，例如存储在车辆的车载存储器或存储设备中。在这种情况下，可以从车载存储器或存储设备获取变道预测模型。替代地，变道预测模型可被远程地存储，例如存储在由车辆的制造商或某些其他服务提供商维护和服务的服务器或云上。在这种情况下，变道预测模型可经由网络(诸如互联网连接)获取。
在块404，可以诸如通过车辆的传感器来收集车辆的特征。待收集的特征包括与特征集合相对应的那些特征，使得这些特征可以稍后被用在变道预测模型中作为输入。上文在表1中描述了要收集的特征的示例。
带着所收集的特征，方法前进到块406，基于所收集的特征在车辆上应用变道预测模型。如上文中提到的，所收集的一个或多个特征集合可以用作变道预测模型的输入。作为结果，该模型将提供与输入的特征集合相对应的预测的变道概率作为输出。变道概率包括分别向左变道、向右变道和保持车道的概率。
图5解说了根据本发明的实施例的基于变道预测来做出变道决策的示例性方法的流程图。
该方法包括获取变道预测模型(块502)，收集与用在变道预测模型中的特征集合相对应的车辆特征(块504)，以及基于所收集的特征在车辆上应用变道预测模型以预测变道概率(块506)，这些与图4中的块402、404和406类似。可以将由变道预测模型输出的变道概率提供给车辆的处理器或特定模块，例如决策模块。然后，在块508，处理器或决策模块可以基于向左、向右或保持车道的相应概率来做出关于变道的恰当的决策。作为示例，预测的变道概率可被用于控制车辆自身，诸如用于在当前情况下(即，在由当前特征集合所指示的状态下)车辆是应该变道还是不变道。作为另一示例，预测的变道概率可被提交给服务器，该服务器可进而将它们广播到其相邻车辆，以使它们知道该车辆的潜在变道动作，因此那些相邻车辆可以决定它们应该如何恰当地应对。
图6解说了根据本发明的实施例的自动驾驶深度学习系统的完整架构。如之前提到的，由HAD汽车检测到的驾驶数据以及由地图供应商提供的驾驶数据被合并作为变道模型的原始数据。其中，来自地图供应商的驾驶数据可用于一般的DNN(深度神经网络)模型训练，而由HAD汽车收集的驾驶数据可用于模型完善。原始数据经过自动数据标记过程，并且成为具有上下文信息的语义特征。在那之后，经标记的数据经过DNN模型，然后例如使用TensorFlow形成深度学习模型数据库。之后，将ROS和TensorFlow平台结合在一起，以最终实现在线变道预测。
图7解说了根据本发明的实施例的用于变道预测的示例性系统700。系统700可包括：数据收集模块702，其被配置为收集原始驾驶数据；特征提取模块704，其被配置为从所收集的原始驾驶数据中提取多个特征集合；以及变道信息获取模块706，其被配置为获取对应的变道信息。变道信息可以指示处于每一个所提取的特征集合下的车辆的变道状态。系统700进一步包括：标记模块708，其被配置为用所获取的对应的变道信息来对所提取的多个特征集合中的每一个进行自动标记；以及训练模块710，其被配置为利用经标记的多个特征集合来训练变道预测模型。
图8解说了根据本发明的实施例的用于变道预测的示例性装置800。装置800可以包括被配置为获取变道预测模型的模型获取模块802。变道预测模型可以是任何合适的变道预测模型，诸如上文描述的那些。装置可以进一步包括：特征收集模块804，其被配置为收集与用在变道预测模型中的特征集合相对应的车辆特征；以及模型应用模块806，其被配置为基于所收集的特征来在车辆上应用变道预测模型。
图9解说了根据本发明的实施例的示例性车辆900。车辆900可包括用于变道预测的装置，诸如图8中的装置800。车辆900可进一步包括一个或多个传感器902，其被配置为收集与用在变道预测模型中的特征集合相对应的车辆特征。例如，车辆900可以包括多个传感器，每个传感器被配置为感测以下一个或多个特征中的一个：绝对速度；汽车中心线与当前车道左边界之间的垂直距离；汽车中心线与当前车道右边界之间的垂直距离；在当前车道的左侧是否有车道；在当前车道的右侧是否有车道；绝对加速度；对象垂直于车道中心线的绝对速度；对象相对于车道中心线的偏航角。
图10解说了根据本公开的示例性实施例的其中可应用本公开的一般硬件环境1000。
参照图10，现在将描述计算设备1000，计算设备1000是可应用于本公开的各方面的硬件设备的示例。计算设备1000可以是配置成执行处理和/或计算的任何机器，可以是但不限于工作站、服务器、桌面型计算机、膝上型计算机、平板计算机、个人数字助理、智能电话、车载计算机、或其任何组合。以上提及的系统可以全部或者至少部分地由计算设备1000或类似设备或系统来实现。
计算设备1000可以包括可能地经由一个或多个接口来与总线1002连接或者与总线1002处于通信的元件。例如，计算设备1000可以包括总线1002、以及一个或多个处理器1004、一个或多个输入设备1006和一个或多个输出设备1008。该一个或多个处理器1004可以是任何类型的处理器，并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(诸如专门的处理芯片)。输入设备1006可以是可将信息输入计算设备的任何类型的设备，并且可以包括但不限于鼠标、键盘、触摸屏、话筒、和/或遥控器。输出设备1008可以是可呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备1000还可以包括非瞬态存储设备1010或者与非瞬态存储设备1010相连接，该非瞬态存储设备1010可以是为非瞬态的且可实现数据存储的任何存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储、软盘、软磁盘、硬盘、磁带或任何其他磁性介质、光盘或任何其他光介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓存存储器和/或任何其他存储器芯片或存储器盒、和/或计算机可从其读取数据、指令和/或代码的任何其他介质。非瞬态存储设备1010可以能与接口分开。非瞬态存储设备1010可以具有用于实现上述方法和步骤的数据/指令/代码。计算设备1000还可以包括通信设备1012。通信设备1012可以是能实现与外部装置和/或网络的通信的任何类型的设备或系统，并且可以包括但不限于调制解调器、网卡、红外通信设备、诸如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设施之类的无线通信设备和/或芯片组、等等。
当计算设备1000被用作车载设备时，计算设备1000还可以连接至外部设备，例如GPS接收机、用于感测不同环境数据的传感器(诸如加速度传感器、车轮速度传感器、陀螺仪)、等等。以此方式，计算设备1000可以例如接收指示车辆的行驶情况的位置数据和传感器数据。当计算设备1000被用作车载设备时，计算设备1000还可以连接至用于控制车辆的行驶和操作的其他设施(诸如引擎系统、雨刮器、制动防抱死系统等)。
另外，非瞬态存储设备1010可以具有地图信息和软件元素，以使得处理器1004可以执行路线引导处理。另外，输出设备1006可以包括用于显示地图、车辆的位置标记以及指示车辆的行驶情况的图像的显示器。输出设备1006还可以包括具有用于音频引导的耳机的扬声器或接口。
总线1002可以包括但不限于工业标准架构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线、以及外围组件互连(PCI)总线。具体地，对于车载设备，总线1002可以包括控制器局域网(CAN)总线或者被设计成用于汽车上的应用的其他架构。
计算设备1000还可以包括工作存储器1014，工作存储器1014可以是可存储对于处理器1004的工作而言有用的指令和/或数据的任何类型的工作存储器，并且可以包括但不限于随机存取存储器和/或只读存储器设备。
软件元素可以位于工作存储器1014中，包括但不限于操作系统1016、一个或多个应用程序1018、驱动程序和/或其他数据和代码。用于执行上述方法和步骤的指令可以包括在一个或多个应用程序1018中，并且以上提及的装置800的各单元可以通过处理器1004读取和执行一个或多个应用程序1018的指令来实现。软件元素的指令的可执行代码或源代码可以被存储在非瞬态计算机可读存储介质(诸如上述存储设备1010)中，并且可以可能地通过编译和/或安装而被读取到工作存储器1014中。软件元素的指令的可执行代码或源代码也可以从远程位置下载。
从上面的实施例中，本领域技术人员可以清楚地知道，本公开可以由具有必要硬件的软件来实现，或者由硬件、固件等来实现。基于这样的理解，本公开的实施例可以部分地以软件形式来实施。可以将计算机软件存储在诸如计算机的软盘、硬盘、光盘或闪存之类的可读存储介质中。该计算机软件包括一系列指令，以使计算机(例如，个人计算机、服务站或网络终端)执行根据本公开的相应实施例的方法或其一部分。
在整个说明书中，已经对一个示例摂或一示例摂进行了参考，这意味着在至少一个示例中包括具体描述的特征、结构或特性。因此，此类短语的使用可能涉及不止一个示例。此外，所描述的特征、结构或特性可以在一个或多个示例中以任何合适的方式组合。
然而，相关领域的技术人员可以认识到，可以在没有一个或多个特定细节的情况下，或者在其他方法、资源、材料等的情况下实践这些示例。在其他实例中，没有详细示出或描述众所周知的结构、资源或操作以避免使这些示例的各方面模糊。
尽管已经解说和描述了诸样例和应用，但是应当理解，这些示例不限于上述精确的配置和资源。可以对本文公开的方法和系统的布置、操作和细节作出对于本领域技术人员而言显而易见的各种修改、改变和变化，而不会脱离所要求保护的示例的范围。

Claims (15)

1.一种用于变道预测的计算机实现的方法，其特征在于，所述方法包括：
收集原始驾驶数据；
从所收集的原始驾驶数据中提取多个特征集合；
获取相应的变道信息，所述变道信息指示车辆在每一个所提取的特征集合下的变道状态；
用所获取的相应的变道信息对所提取的多个特征集合中的每一个进行自动标记；以及
用经标记的多个特征集合来训练变道预测模型。
2.如权利要求1所述的方法，其特征在于，所述车辆的变道状态包括：向左变道、向右变道以及保持车道。
3.如权利要求1或2中任意一项所述的方法，其特征在于，所述原始驾驶数据进一步包括由地图供应商提供的驾驶数据和由自动汽车检测的驾驶数据中的至少一者。
4.如权利要求3中的任意一项所述的方法，其特征在于，所述由地图供应商提供的驾驶数据被用于一般深度神经网络模型训练，而所述由自动汽车检测的驾驶数据被用于模型改善。
5.如权利要求1－4中任意一项所述的方法，其特征在于，所提取的特征包括以下特征中的一项或多项：
绝对速度；
汽车中心线与当前车道左边界之间的垂直距离；
汽车中心线与当前车道右边界之间的垂直距离；
在当前车道的左侧是否有车道；
在当前车道的右侧是否有车道；
绝对加速度；
对象垂直于车道中心线的绝对速度；以及
对象相对于车道中心线的偏航角。
6.如权利要求1－6中任意一项所述的方法，其特征在于，用经标记的特征集合来训练变道预测模型进一步包括：
将经标记的特征集合输入到堆栈的LSTM；
使经训练的特征集合通过完全连接的层和softmax函数；以及
输出向左变道、向右变道或保持车道的相应概率。
7.一种车辆上的用于变道预测的计算机实现的方法，其特征在于，所述方法包括：
获取通过根据权利要求1－6中的任意一项所述的方法来训练的变道预测模型；
收集所述车辆的与用于所述变道预测模型的特征集合相对应的特征；以及
基于所收集的特征在车辆上应用所述变道预测模型以预测变道概率。
8.如权利要求7所述的方法，其特征在于，应用所述变道预测模型以预测变道概率包括：
将所收集的特征输入到所述变道预测模型；以及
获得由所述变道预测模型输出的向左变道、向右变道或保持车道的相应概率。
9.一种车辆上的用于基于变道预测来做出变道决策的计算机实现的方法，其特征在于，所述方法包括：
获取通过根据权利要求1－6中的任意一项所述的方法来训练的变道预测模型；
收集所述车辆的与用于所述变道预测模型的特征集合相对应的特征；
基于所收集的特征在车辆上应用所述变道预测模型以预测变道概率；以及
基于所预测的变道概率来做出变道决策。
10.一种用于变道预测的系统，其特征在于，所述系统包括：
数据收集模块，所述数据收集模块被配置成收集原始驾驶数据；
特征提取模块，所述特征提取模块被配置成从所收集的原始驾驶数据中提取多个特征集合；
变道信息获取模块，所述变道信息获取模块被配置成获取相应的变道信息，所述变道信息指示车辆在每一个所提取的特征集合下的变道状态；
标记模块，所述标记模块被配置成用所获取的相应的变道信息对所提取的多个特征集合中的每一个进行自动标记；以及
训练模块，所述训练模块被配置成用经标记的多个特征集合来训练变道预测模型。
11.一种车辆上的用于变道预测的装置，其特征在于，所述装置包括：
模型获取模块，所述模型获取模块被配置成获取通过根据权利要求1－6中的任意一项所述的方法来训练的变道预测模型；
特征收集模块，所述特征收集模块被配置成收集所述车辆的与用于所述变道预测模型的特征集合相对应的特征；以及
模型应用模块，所述模型应用模块被配置成基于所收集的特征在车辆上应用所述变道预测模型。
12.一种车辆，其特征在于，所述车辆包括：
如权利要求11所述的装置；以及
传感器，所述传感器被配置成收集所述车辆的与用于所述变道预测模型的特征集合相对应的特征。
13.如权利要求12所述的车辆，其特征在于，所述传感器包括多个传感器，每一个传感器被配置成感测以下一个或多个特征中的一项：
绝对速度；
汽车中心线与当前车道左边界之间的垂直距离；
汽车中心线与当前车道右边界之间的垂直距离；
在当前车道的左侧是否有车道；
在当前车道的右侧是否有车道；
绝对加速度；
对象垂直于车道中心线的绝对速度；以及
对象相对于车道中心线的偏航角。
14.如权利要求12－13中任意一项所述的车辆，其特征在于，应用所述变道预测模型包括：
将所收集的特征输入到所述变道预测模型；以及
获得由所述变道预测模型输出的向左变道、向右变道或保持车道的相应概率。
15.如权利要求12－14中任意一项所述的车辆，其特征在于，所述车辆进一步包括：
决策模块，所述决策模块被配置成基于所预测的变道概率来做出变道决策。
CN201780098063.7A 2017-12-27 2017-12-27 车辆变道预测 Active CN111527013B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/118905 WO2019127079A1 (en) 2017-12-27 2017-12-27 Vehicle lane change prediction

Publications (2)

Publication Number Publication Date
CN111527013A true CN111527013A (zh) 2020-08-11
CN111527013B CN111527013B (zh) 2024-02-23

Family

ID=67064250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780098063.7A Active CN111527013B (zh) 2017-12-27 2017-12-27 车辆变道预测

Country Status (4)

Country Link
US (1) US11643092B2 (zh)
EP (1) EP3732085A4 (zh)
CN (1) CN111527013B (zh)
WO (1) WO2019127079A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112373482A (zh) * 2020-11-23 2021-02-19 浙江天行健智能科技有限公司 一种基于驾驶模拟器的驾驶习惯建模方法
CN112835362A (zh) * 2020-12-29 2021-05-25 际络科技(上海)有限公司 一种自动变道规划方法及装置、电子设备和存储介质
CN114023108A (zh) * 2021-11-02 2022-02-08 河北工业大学 一种混合交通流变道模型及变道仿真方法
CN114945961A (zh) * 2020-11-12 2022-08-26 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11130497B2 (en) 2017-12-18 2021-09-28 Plusai Limited Method and system for ensemble vehicle control prediction in autonomous driving vehicles
US20190185012A1 (en) 2017-12-18 2019-06-20 PlusAI Corp Method and system for personalized motion planning in autonomous driving vehicles
US11273836B2 (en) * 2017-12-18 2022-03-15 Plusai, Inc. Method and system for human-like driving lane planning in autonomous driving vehicles
JP7247974B2 (ja) * 2020-06-30 2023-03-29 トヨタ自動車株式会社 車両
CN113345237A (zh) * 2021-06-29 2021-09-03 山东高速建设管理集团有限公司 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、系统、设备及存储介质
KR20240042990A (ko) 2022-09-26 2024-04-02 김연준 인공지능을 통한 맞춤형 학습 관리 시스템 및 방법
CN116246492B (zh) * 2023-03-16 2024-01-16 东南大学 一种基于时空注意力lstm和超阈值模型的车辆换道碰撞风险预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103858153A (zh) * 2011-09-30 2014-06-11 宝马股份公司 具有用于影响驾驶员的注意力的并且用于确定驾驶员的视向的设备的车辆
WO2016170786A1 (ja) * 2015-04-21 2016-10-27 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
WO2017094316A1 (ja) * 2015-11-30 2017-06-08 株式会社デンソー 運転支援装置
US20170174261A1 (en) * 2015-12-17 2017-06-22 Ford Global Technologies, Llc Vehicle Turn Signal Detection
US20170267177A1 (en) * 2016-03-17 2017-09-21 Ford Global Technologies, Llc Vehicle Lane Boundary Position
US20170282930A1 (en) * 2016-04-05 2017-10-05 Ford Global Technologies, Llc Method and apparatus for predictive driver assistance
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法

Family Cites Families (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102047304B (zh) * 2008-08-05 2013-04-03 松下电器产业株式会社 驾驶注意力程度判定装置、方法
US8384534B2 (en) * 2010-01-14 2013-02-26 Toyota Motor Engineering & Manufacturing North America, Inc. Combining driver and environment sensing for vehicular safety systems
US9043042B2 (en) * 2011-07-19 2015-05-26 GM Global Technology Operations LLC Method to map gaze position to information display in vehicle
US9031729B2 (en) * 2012-11-29 2015-05-12 Volkswagen Ag Method and system for controlling a vehicle
US20140258942A1 (en) * 2013-03-05 2014-09-11 Intel Corporation Interaction of multiple perceptual sensing inputs
US9475389B1 (en) * 2015-06-19 2016-10-25 Honda Motor Co., Ltd. System and method for controlling a vehicle display based on driver behavior
GB2514603B (en) * 2013-05-30 2020-09-23 Tobii Ab Gaze-controlled user interface with multimodal input
US9965062B2 (en) * 2013-06-06 2018-05-08 Microsoft Technology Licensing, Llc Visual enhancements based on eye tracking
CN103605285A (zh) * 2013-11-21 2014-02-26 南京理工大学 汽车驾驶机器人系统的模糊神经网络控制方法
DE102013021931A1 (de) * 2013-12-20 2015-06-25 Audi Ag Tastenlos bedienbare Bedienvorrichtung
US9817474B2 (en) * 2014-01-24 2017-11-14 Tobii Ab Gaze driven interaction for a vehicle
US9714037B2 (en) * 2014-08-18 2017-07-25 Trimble Navigation Limited Detection of driver behaviors using in-vehicle systems and methods
DE102015003194A1 (de) 2015-03-12 2016-09-15 Infineon Technologies Ag Verfahren und Vorrichtung zum Handhaben von sicherheitskritischen Fehlern
US10518783B2 (en) * 2015-03-31 2019-12-31 Hitachi Automotive Systems, Ltd. Automatic driving control device
US10627813B2 (en) * 2015-04-21 2020-04-21 Panasonic Intellectual Property Management Co., Ltd. Information processing system, information processing method, and program
US9934688B2 (en) * 2015-07-31 2018-04-03 Ford Global Technologies, Llc Vehicle trajectory determination
KR101704524B1 (ko) * 2015-09-02 2017-02-08 현대자동차주식회사 차량 및 그 제어방법
US9983591B2 (en) * 2015-11-05 2018-05-29 Ford Global Technologies, Llc Autonomous driving at intersections based on perception data
US9841813B2 (en) * 2015-12-22 2017-12-12 Delphi Technologies, Inc. Automated vehicle human-machine interface system based on glance-direction
CN105631440B (zh) * 2016-02-22 2019-01-22 清华大学 一种易受伤害道路使用者的联合检测方法
US20170277182A1 (en) * 2016-03-24 2017-09-28 Magna Electronics Inc. Control system for selective autonomous vehicle control
US10048751B2 (en) * 2016-03-31 2018-08-14 Verizon Patent And Licensing Inc. Methods and systems for gaze-based control of virtual reality media content
CN106080590B (zh) * 2016-06-12 2018-04-03 百度在线网络技术（北京）有限公司 车辆控制方法和装置以及决策模型的获取方法和装置
US10216269B2 (en) * 2016-06-21 2019-02-26 GM Global Technology Operations LLC Apparatus and method for determining intent of user based on gaze information
JP2018018389A (ja) * 2016-07-29 2018-02-01 パナソニックＩｐマネジメント株式会社 自動運転車輌の制御装置、及び制御プログラム
US9616809B1 (en) * 2016-08-01 2017-04-11 Denso International America, Inc. Lane change prediction and turn signal activation upon observation of head and eye movement
CN109562763B (zh) * 2016-08-09 2021-05-04 日产自动车株式会社 自动驾驶车辆的控制方法及控制装置
US20200184238A1 (en) * 2016-10-17 2020-06-11 Panasonic Automotive System Company of America, Division of Corporation of North America (8 pp.) Vehicle occupant monitoring system use cases
US11623647B2 (en) * 2016-10-27 2023-04-11 Toyota Motor Engineering & Manufacturing North America, Inc. Driver and vehicle monitoring feedback system for an autonomous vehicle
CN106828503B (zh) 2017-02-15 2018-11-30 武汉理工大学 一种驾驶员制动行为及状态实时辨识方法
US10011216B1 (en) * 2017-04-27 2018-07-03 Toyota Motor Engineering & Manufacturing North America, Inc. Auto turn signal initiation based on lane change and driver history
KR101973627B1 (ko) * 2017-07-11 2019-04-29 엘지전자 주식회사 차량에 구비된 차량 제어 장치 및 차량의 제어방법
US10235881B2 (en) * 2017-07-28 2019-03-19 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous operation capability configuration for a vehicle
US10656657B2 (en) * 2017-08-08 2020-05-19 Uatc, Llc Object motion prediction and autonomous vehicle control
US11112796B2 (en) * 2017-08-08 2021-09-07 Uatc, Llc Object motion prediction and autonomous vehicle control
US10173586B1 (en) * 2017-09-11 2019-01-08 Stanislav D Kashchenko System and method for automatically activating turn indicators in a vehicle
US10611371B2 (en) * 2017-09-14 2020-04-07 Toyota Motor Engineering & Manufacturing North America, Inc. System and method for vehicle lane change prediction using structural recurrent neural networks
US10739776B2 (en) * 2017-10-12 2020-08-11 Honda Motor Co., Ltd. Autonomous vehicle policy generation
EP3474253B1 (en) * 2017-10-20 2024-04-10 Honda Research Institute Europe GmbH Gaze-guided communication for assistance in mobility
US10474916B2 (en) * 2017-11-20 2019-11-12 Ashok Krishnan Training of vehicles to improve autonomous capabilities
DE112019000122T5 (de) * 2018-02-27 2020-06-25 Nvidia Corporation Echtzeiterfassung von spuren und begrenzungen durch autonome fahrzeuge
US11392131B2 (en) * 2018-02-27 2022-07-19 Nauto, Inc. Method for determining driving policy
US11084490B2 (en) * 2018-04-11 2021-08-10 Hyundai Motor Company Apparatus and method for controlling drive of vehicle
US11077854B2 (en) * 2018-04-11 2021-08-03 Hyundai Motor Company Apparatus for controlling lane change of vehicle, system having the same and method thereof
US11173910B2 (en) * 2018-04-11 2021-11-16 Hyundai Motor Company Lane change controller for vehicle system including the same, and method thereof
US10849543B2 (en) * 2018-06-08 2020-12-01 Ford Global Technologies, Llc Focus-based tagging of sensor data
US10940863B2 (en) * 2018-11-01 2021-03-09 GM Global Technology Operations LLC Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle
US11046320B2 (en) * 2018-12-13 2021-06-29 GM Global Technology Operations LLC System and method for initiating and executing an automated lane change maneuver
US10882398B2 (en) * 2019-02-13 2021-01-05 Xevo Inc. System and method for correlating user attention direction and outside view
GB201912145D0 (en) * 2019-08-23 2019-10-09 Five Ai Ltd Performance testing for robotic systems
US11267483B2 (en) * 2019-08-26 2022-03-08 GM Global Technology Operations LLC Method and apparatus for prevention of unintended lane change maneuver in an assisted driving system
US11603098B2 (en) * 2019-08-27 2023-03-14 GM Global Technology Operations LLC Systems and methods for eye-tracking data collection and sharing
US11535253B2 (en) * 2020-09-18 2022-12-27 GM Global Technology Operations LLC Lane change maneuver intention detection systems and methods

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103858153A (zh) * 2011-09-30 2014-06-11 宝马股份公司 具有用于影响驾驶员的注意力的并且用于确定驾驶员的视向的设备的车辆
WO2016170786A1 (ja) * 2015-04-21 2016-10-27 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
WO2017094316A1 (ja) * 2015-11-30 2017-06-08 株式会社デンソー 運転支援装置
US20170174261A1 (en) * 2015-12-17 2017-06-22 Ford Global Technologies, Llc Vehicle Turn Signal Detection
US20170267177A1 (en) * 2016-03-17 2017-09-21 Ford Global Technologies, Llc Vehicle Lane Boundary Position
US20170282930A1 (en) * 2016-04-05 2017-10-05 Ford Global Technologies, Llc Method and apparatus for predictive driver assistance
CN107492251A (zh) * 2017-08-23 2017-12-19 武汉大学 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KHOSROSHAHI AIDA: "Surround vehicles trajectory analysis with recurrent neural networks", 《IEEE 》 *
刘春晓: "基于深度学习的无人驾驶路径规划和控制", 《人工智能》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114945961A (zh) * 2020-11-12 2022-08-26 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置
CN114945961B (zh) * 2020-11-12 2024-03-08 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置
CN112373482A (zh) * 2020-11-23 2021-02-19 浙江天行健智能科技有限公司 一种基于驾驶模拟器的驾驶习惯建模方法
CN112373482B (zh) * 2020-11-23 2021-11-05 浙江天行健智能科技有限公司 一种基于驾驶模拟器的驾驶习惯建模方法
CN112835362A (zh) * 2020-12-29 2021-05-25 际络科技(上海)有限公司 一种自动变道规划方法及装置、电子设备和存储介质
CN114023108A (zh) * 2021-11-02 2022-02-08 河北工业大学 一种混合交通流变道模型及变道仿真方法

Also Published As

Publication number Publication date
EP3732085A1 (en) 2020-11-04
US11643092B2 (en) 2023-05-09
CN111527013B (zh) 2024-02-23
EP3732085A4 (en) 2021-08-11
US20210061294A1 (en) 2021-03-04
WO2019127079A1 (en) 2019-07-04

Similar Documents

Publication Publication Date Title
CN111527013B (zh) 车辆变道预测
CN109429518B (zh) 基于地图图像的自动驾驶交通预测
CN109739216B (zh) 自动驾驶系统实际路测的测试方法及系统
US10755007B2 (en) Mixed reality simulation system for testing vehicle control system designs
CN110377025B (zh) 用于自动驾驶车辆的传感器聚合框架
CN109937343B (zh) 用于自动驾驶车辆交通预测中的预测轨迹的评估框架
JP6578439B2 (ja) 自律走行車の移動をシミュレートするための物理モデル及び機械学習結合方法
US10481609B2 (en) Parking-lot-navigation system and method
CN110312633B (zh) 图像显示系统、图像显示方法以及程序
JP2018535871A (ja) 自律走行車のための横滑り補償制御方法
EP3493108A1 (en) Lane maintaining method and apparatus
US10495480B1 (en) Automated travel lane recommendation
US11897505B2 (en) In-vehicle operation of simulation scenarios during autonomous vehicle runs
RU2750243C2 (ru) Способ и система для формирования траектории для беспилотного автомобиля (sdc)
CN111971725B (zh) 用于确定车辆的变道说明的方法、可读存储介质以及车辆
CN111845771A (zh) 数据收集自动化系统
CN113895456A (zh) 自动驾驶车辆的交叉路口行驶方法、装置、车辆及介质
EP2405383A1 (en) Assisting with guiding a vehicle over terrain
CN112444258A (zh) 可行驶区域判定的方法、智能驾驶系统和智能汽车
CN113424209B (zh) 使用深度学习多预测器融合和贝叶斯优化的轨迹预测
CN114475656A (zh) 行驶轨迹预测方法、装置、电子设备以及存储介质
CN113454555A (zh) 用于驾驶策略的轨迹预测
US20210004016A1 (en) U-turn control system for autonomous vehicle and method therefor
WO2019127076A1 (en) Automated driving vehicle control by collision risk map
JP2019214320A (ja) 認識処理装置、車両制御装置、認識制御方法、およびプログラム

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