CN111605548A - 车辆路径处理 - Google Patents

车辆路径处理 Download PDF

Info

Publication number
CN111605548A
CN111605548A CN202010099794.7A CN202010099794A CN111605548A CN 111605548 A CN111605548 A CN 111605548A CN 202010099794 A CN202010099794 A CN 202010099794A CN 111605548 A CN111605548 A CN 111605548A
Authority
CN
China
Prior art keywords
path
lane
vehicle
computer
error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010099794.7A
Other languages
English (en)
Inventor
尼滕德拉·纳特
迈克尔·哈夫纳
亚伦·L·米尔斯
王钊
巴赫贾特·阿布沙班
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.)
Ford Electric Mach Technology Nanjing Co ltd
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN111605548A publication Critical patent/CN111605548A/zh
Pending legal-status Critical Current

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
    • B60W60/005—Handover processes
    • B60W60/0053—Handover processes from vehicle to occupant
    • 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
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • 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
    • 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
    • B60W40/06—Road 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
    • 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
    • B60W40/06—Road conditions
    • B60W40/072—Curvature of the road
    • 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
    • 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
    • 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
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • B60W2050/0054—Cut-off filters, retarders, delaying means, dead zones, threshold values or cut-off frequency
    • B60W2050/0056—Low-pass filters
    • 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
    • B60W2520/06—Direction of travel
    • 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
    • B60W2552/30—Road curve radius
    • 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
    • B60W2552/50—Barriers
    • 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
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了“车辆路径处理”。一种计算机，包括处理器和存储器，所述存储器存储指令，所述指令可由所述处理器执行以识别基于根据第一协议收集的数据的车辆的预测可转向路径与基于根据第二协议收集的数据的预测车道路径之间的误差，并且当所述误差超过误差阈值持续超过时间阈值的经过时间时识别路径故障。

Description

车辆路径处理
技术领域
本公开总体上涉及车辆导航。
背景技术
车辆可以包括用于收集周围环境的数据的传感器。车辆中的计算机可以使用所述数据沿着路径操作车辆。车辆沿着道路的操作可以取决于在车辆在道路上操作时获取关于未来路径的准确和及时的数据。
发明内容
一种系统包括计算机，所述计算机包括处理器和存储器，所述存储器存储指令，所述指令可由所述处理器执行以识别基于根据第一协议收集的数据的车辆的预测可转向路径与基于根据第二协议收集的数据的预测车道路径之间的误差，并且当所述误差超过误差阈值持续超过时间阈值的经过时间时识别路径故障。
所述指令还可以包括用于基于车辆航向角、曲率或曲率变化率中的至少一者来确定所述预测可转向路径的指令。
所述第二协议可以包括安全措施。
所述时间阈值可以基于所述误差的大小。
所述指令还可以包括用于基于车道标记、车道障碍物和道路边缘中的至少一者来确定所述预测车道路径的指令。
所述指令还可以包括用于对所述预测可转向路径施加低通滤波器的指令。
所述指令还可以包括用于确定所述预测可转向路径的路径偏移量和所述预测车道路径的车道偏移量的指令。
所述指令还可以包括用于基于所述路径偏移量和所述车道偏移量来识别所述误差的指令。
所述指令还可以包括用于基于转向数据来确定所述预测可转向路径并基于道路车道图像数据来确定所述车道路径的指令。
所述指令还可以包括用于基于车辆速度来确定所述误差的指令。
所述指令还可以包括用于在识别所述路径故障时从自主模式过渡到半自主模式或手动模式中的一者的指令。
所述指令还可以包括用于在识别所述路径故障时当所述误差低于所述误差阈值持续大于第二时间阈值的经过时间时识别不存在路径故障的指令。
一种方法包括：识别基于根据第一协议收集的数据的车辆的预测可转向路径与基于根据第二协议收集的数据的预测车道路径之间的误差；以及当所述误差超过误差阈值持续超过时间阈值的经过时间时识别路径故障。
所述方法还可以包括基于车辆航向角、曲率或曲率变化率中的至少一者来确定所述预测可转向路径。
所述方法还可以包括基于车道标记、车道障碍物和道路边缘中的至少一者来确定所述预测车道路径。
所述方法还可以包括对所述预测可转向路径施加低通滤波器。
所述方法还可以包括确定所述预测可转向路径的路径偏移量和所述预测车道路径的车道偏移量。
所述方法还可以包括基于所述路径偏移量和所述车道偏移量来识别所述误差。
所述方法还可以包括基于转向数据来确定所述预测可转向路径并基于道路车道图像数据来确定所述车道路径。
所述方法还可以包括基于车辆速度来确定所述误差。
所述方法还可以包括在识别所述路径故障时从自主模式过渡到半自主模式或手动模式中的一者。
所述方法还可以包括在识别所述路径故障时当所述误差低于所述误差阈值持续大于第二时间阈值的经过时间时识别不存在路径故障。
一种系统包括：用于识别基于根据第一协议收集的数据的车辆的预测可转向路径与基于根据第二协议收集的数据的预测车道路径之间的误差的装置；以及用于当所述误差超过误差阈值持续超过时间阈值的经过时间时识别路径故障的装置。
所述系统还可以包括用于基于车辆航向角、曲率或曲率变化率中的至少一者来确定所述预测可转向路径的装置。
所述系统还可以包括用于确定所述预测可转向路径的路径偏移量和所述预测车道路径的车道偏移量的装置。
还公开了一种计算装置，所述计算装置被编程为执行上述方法步骤中的任一者。还公开了一种包括所述计算装置的车辆。还公开了一种计算机程序产品，所述计算机程序产品包括计算机可读介质，所述计算机可读介质存储指令，所述指令可由计算机处理器执行，以执行上述方法步骤中的任一者。
附图说明
图1是用于操作车辆的示例性系统的框图。
图2是示例性道路车道中的车辆的示例性可转向路径和示例性车道路径的平面图。
图3是示例性道路车道中的车辆的示例性可转向路径和示例性车道路径的平面图。
图4是来自示例性可转向路径和示例性车道路径的示例性误差的图。
图5是用于操作车辆的示例性过程的图。
具体实施方式
自主车辆中的计算机允许车辆用户放弃对车辆的控制，同时计算机控制车辆的横向和纵向运动。计算机监视用户的意识和承担对车辆进行手动控制的能力。
计算机可以确定用于将车辆从起点移动到目的地的行驶路径。计算机生成遵循行驶路径的可转向路径。计算机根据可转向路径来致动车辆中的部件以使车辆基本沿着行驶路径移动。
计算机可以根据包括路径多项式的第一协议来生成可转向路径。在第一协议中所使用的数据可以不包括安全措施。为了检查可转向路径的稳健性，计算机可以基于车道标记根据第二协议来确定车道路径，所述第二协议包括安全措施，例如，ASIL-A、ASIL-B、符合ISO26262的措施等。安全措施可以改善车道路径的稳健性，并且计算机105可以合并数据以确定未用于确定可转向路径的车道路径。
计算机可以确定可转向路径与车道路径之间的差值以确定当遵循可转向路径时车辆是否将偏离行驶路径。当差值超过阈值时，计算机可以确定车辆应当不再遵循可转向路径，并且以手动或半自主模式将对车辆的至少部分控制返回给用户。通过使用车道路径以确保可转向路径的稳健性，计算机可以比其他方式更准确地确定何时保持在自主模式下以及何时将控制过渡给用户。
图1示出了用于操作车辆101的示例性系统100。系统100包括计算机105。车辆101中通常包括的计算机105被编程为从一个或多个传感器110接收所收集的数据115。例如，车辆101的数据115可以包括车辆101的位置、关于车辆101周围的环境的数据、关于车辆外部的物体(诸如另一车辆)的数据等。车辆101位置通常以常规形式提供，例如地理坐标，诸如经由使用全球定位系统(GPS)的导航系统获得的纬度和经度坐标。数据115的其他示例可以包括车辆101的系统和部件的测量结果，例如，车辆101的速度、车辆101的轨迹等。
计算机105通常被编程用于在车辆101的网络上进行通信，所述网络例如包括常规的车辆101的通信总线。经由网络、总线和/或其他有线或无线机制(例如，车辆101中的有线或无线局域网)，计算机105可以向车辆101中的各种装置(例如，控制器、致动器、传感器等，包括传感器110)传输消息和/或从所述各种装置接收消息。可选地或另外地，在其中计算机105实际上包括多个装置的情况下，车辆网络可以用于在本公开中表示为计算机105的装置之间的通信。另外，计算机105可以被编程用于与网络125通信，如下所述，网络可以包括各种有线和/或无线联网技术，例如蜂窝、
Figure BDA0002386569050000051
低功耗(BLE)、有线和/或无线分组网络等。
数据存储装置106可以是任何类型的，例如硬盘驱动器、固态驱动器、服务器或任何易失性或非易失性介质。数据存储装置106可以存储从传感器110发送的所收集的数据115。
传感器110可以包括多种装置。例如，车辆101中的各种控制器可以充当传感器110以经由车辆101的网络或总线提供数据115，例如与车辆速度、加速度、位置、子系统和/或部件状态等有关的数据115。此外，其他传感器110可以包括相机、运动检测器等，即，用于提供数据115以用于评估部件的位置、评估道路的坡度等的传感器110。传感器110还可以包括但不限于短程雷达、远程雷达、激光雷达(LIDAR)和/或超声换能器。
所收集的数据115可以包括在车辆101中收集的多种数据。以上提供了所收集的数据115的示例，并且此外，数据115通常使用一个或多个传感器110来收集，并且另外可以包括在计算机105中和/或在服务器130处根据数据115计算出的数据。一般而言，所收集的数据115可以包括可以由传感器110采集的和/或根据此类数据计算出的任何数据。
车辆101可以包括多个车辆部件120。在这种背景下，每个车辆部件120包括适于执行机械功能或操作(诸如移动车辆101、使车辆101减速或停止、使车辆101转向等)的一个或多个硬件部件。部件120的非限制性示例包括推进部件(其包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如，其可以包括方向盘、转向齿条等中的一者或多者)、制动部件(如下所述)、停车辅助部件、自适应巡航控制部件、自适应转向部件、可移动座椅等。
当计算机105部分地或完全操作车辆101时，车辆101是“自主”车辆101。出于本公开的目的，术语“自主车辆”用于指代以完全自主模式操作的车辆101。完全自主模式被限定为以下模式：其中车辆101的推进(通常经由包括电动马达和/或内燃发动机的动力传动系统)、制动和转向中的每一者都由计算机105控制。半自主模式是其中车辆101的推进(通常经由包括电动马达和/或内燃发动机的动力传动系统)、制动和转向中的至少一者至少部分地由计算机105而不是人类操作者控制的模式。在非自主模式(即，手动模式)下，车辆101的推进、制动和转向由人类操作员控制。
系统100还可以包括连接到服务器130和数据存储装置135的网络125。计算机105还可以被编程为经由网络125与诸如服务器130的一个或多个远程站点进行通信，这种远程站点可能包括数据存储装置135。网络125表示车辆计算机105可以通过其与远程服务器130进行通信的一种或多种机制。因此，网络125可以是各种有线或无线通信机制中的一种或多种，包括有线(例如，电缆和光纤)和/或无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何所需组合以及任何所需网络拓扑结构(或当使用多个通信机制时的多个拓扑结构)。示例性通信网络包括提供数据通信服务的无线通信网络(例如，使用
Figure BDA0002386569050000071
低功耗(BLE)、IEEE 802.11、车辆对车辆(V2V)(诸如专用短程通信(DSRC)等))、局域网(LAN)和/或包括因特网的广域网(WAN)。
图2是遵循道路车道205中的预测可转向路径200的示例性车辆101的视图。在当前背景下，“可转向路径”是计算机105操作部件120以使车辆101沿其沿着行驶路径移动的预测的(弯曲的和/或笔直的)线。“行驶路径”是预测的(弯曲的和/或笔直的)导航线以将车辆101从起点移动到目的地。计算机105可以确定道路车道205的车道路径210。“车道路径”是在计算机105操作部件120以沿其移动车辆101的道路车道205的车道边缘标记215之间的预测的(弯曲的和/或笔直的)线。车道边缘标记215可以是例如涂漆实线、虚线等。当可转向路径200遵循车道路径210时，车辆101保持在道路车道205的车道边缘标记215内。如下所述，可以利用比可转向路径200更稳健的附加数据115来确定车道路径210，从而防止偏离车辆101的行驶路径。在当前背景下，当车辆101向前和向后移动时，车辆101沿“纵向”方向移动，并且当车辆101相对于车辆101中的乘员垂直于纵向方向(即，向左和向右)移动时，车辆101沿“横向”方向移动。“纵向距离”是沿着纵向方向的距离，而“横向距离”是沿着横向方向的距离。
可转向路径200可以偏离车道路径210。即，可转向路径200可以远离车道路径210移动，从而使车辆101朝车道边缘标记215中的一者移动。转向路径200与车道路径210之间的横向距离是误差220。当误差220超过误差阈值时，车辆101可能移动经过车道边缘标记215并移出道路车道205。可以基于例如当车辆101沿着车道路径210移动时车辆101的最外部与车道边缘标记215之间的平均距离来确定误差阈值。可以基于来自车辆101中检测车道边缘标记215的一个或多个传感器110的图像数据115来测量车辆101的最外部与车道边缘标记215之间的平均距离。即，计算机105可以确定车道边缘标记215在车辆坐标系中的位置，并且基于车辆101的已知尺寸，车辆101的最外部可以是存储在数据存储装置106中的预定义值。在另一个示例中，服务器130可以基于车辆101的地理坐标数据115、车辆101的尺寸以及车道边缘标记215的地理坐标数据来确定平均距离。在图2的示例中，道路车道205基本是笔直的；因此，当可转向路径200弯曲偏离车道路径210时，可能会发生误差220。
图3是遵循弯曲道路车道305中的可转向路径300的示例性车辆101的视图。在图3的示例中，当可转向路径300保持笔直而车道路径310弯曲并且车辆101接近车道边缘标记315时，可转向路径300与车道路径310之间可能会发生误差320。如果计算机105遵循可转向路径300，则随着车辆101偏离车道路径310，车辆101将在弯道中离开道路车道305。
计算机105可以利用路径多项式来预测车辆101的可转向路径200、300。路径多项式y(x)是将可转向路径200、300预测为多项式方程所描绘的线的模型。路径多项式y(x)针对预定的即将到来的距离x(以米为单位进行测量)预测可转向路径200、300：
y(x)＝a0+a1x+a2x2+a3x3 (1)
其中a0是偏移量，即，在即将到来的距离x处可转向路径200、300与车辆101的中心线之间的横向距离，a1是可转向路径200、300的航向角，a2是可转向路径200、300的曲率，并且a3是可转向路径200、300的曲率变化率。例如，用于计算系数a0，a1，a2，a3的技术可以在例如以下美国专利申请中找到：于2017年10月13日提交的标题为“车内交通辅助”的第15/783900号美国专利申请；于2018年1月18日提交的标题为“路径对中干扰缓解”的第15/873997号美国专利申请；于2018年8月8日提交的标题为“车辆横向运动控制”的第16/085495号美国专利申请；以及于2018年12月12日提交的标题为“车辆路径处理”的第16/217227号美国专利申请；所述每个美国专利申请的全部内容在此通过引用全部并入。在当前背景下，“即将到来的距离”x是在车辆101前方距车辆101的前保险杠的预定纵向距离，传感器110在前保险杠中收集数据115并且计算机105预测可转向路径200、300。即将到来的距离x可以基于例如车辆101的当前速度、基于经验仿真数据确定的预定时间阈值、传感器110的检测范围等来确定。时间阈值可以例如为1秒。
计算机105可以确定路径多项式y(x)的偏移量，所述偏移量是系数a0。计算机105可以确定在即将到来的距离x处车辆101沿着转向路径200、300的中心线。计算机105可以基于即将到来的距离x处沿着可转向路径200、300的车辆101的中心线与行驶路径之间的横向距离(即，垂直于车辆101的向前纵向方向的距离)来确定偏移量。
计算机105可以确定路径多项式y(x)的航向角，所述航向角是系数a1。航向角是在即将到来的距离x处车辆101的中心线与行驶路径之间定义的预测角，所述预测角以弧度为单位测量，其中零弧度的航向等于直线方向，即，当方向盘处于空挡时车辆101的移动。
计算机105可以确定路径多项式y(x)的曲率，所述曲率是系数a2。曲率测量路径多项式y(x)与直线的偏差，以米的倒数m-1为单位进行测量。车辆101与即将到来的距离x之间的行驶路径定义圆弧，并且计算机105可以基于圆弧来定义圆。由圆弧定义的圆的半径是曲率。计算机105可以基于例如常规曲线逼近技术来确定即将到来的距离x处的曲率。
计算机105可以确定路径多项式y(x)的曲率变化率，所述曲率变化率是系数a3。如上所述，曲率变化率是曲率的变化率，并且以平方米的倒数m-2为单位进行测量。计算机105可以基于由传感器110收集的数据115来确定曲率变化率。例如，计算机105可以确定针对即将到来的距离x和一组距离[x-Δx，x+Δx]的行驶路径的曲率，这组距离与距离x相差Δx，并且计算机105可以使用数值微分方法(例如，牛顿差商)来确定曲率。
计算机105可以包括编程以致动传感器110以收集横向距离、航向角、曲率和曲率变化率的数据115。所述编程是“可转向路径多项式”(SPP)特征。根据SPP，计算机105根据不包括安全措施的协议收集数据115，所述协议例如端到端保护、ISO 26262等，诸如质量管理(“QM”)协议。如此处所使用的“安全措施”是加密和/或确保根据协议传输的数据115的质量的其他稳健性措施。即，在将数据115从传感器110传输到计算机105期间，电子干扰可能会更改某些数据115，从而使更改后数据115不准确从而无法供计算机105使用。数据115的“稳健性”是数据115的质量，即，传感器110收集的数据115的在传输到计算机105时保持不变的数据量，例如，百分比。“稳健性措施”是维持从传感器110传输到计算机105的数据115的质量的编程。例如，作为加密的补充或替代，安全措施可以包括指定的数据收集和滤波算法，所述数据收集和滤波算法确保传输到计算机105的数据115不会丢失、不会更改或不会以其他方式因传感器110收集的数据115而变得不准确。因此，可以通过安全措施提高数据115的稳健性，即，质量。在另一个示例中，安全措施可以包括各自都处理相同的数据115的冗余数据收集算法。如果冗余算法产生相同结果，则计算机105可以确定接收到的数据115是稳健的。如果冗余算法产生不同结果，则计算机105可以在结果之间进行仲裁并确定一种或多种冗余算法不会产生稳健数据115。
在另一个示例中，安全措施可以是校验和，即，接收数据的特定字符串115、将所述字符串转换为数字并将所述数字与预定值进行比较的算法，所述预定值基于在传输前利用校验和转换字符串而确定。因此，如果数据115在传输期间丢失，则转换后的字符串将会生成与预定值不同的数字，并且计算机105可以确定数据115的质量较低。SPP特征可以基于转向数据115(即，来自转向部件120的数据115)来预测转向路径200、300。SPP特征可以快速确定可转向路径200、300，并允许计算机105致动部件120以使车辆101沿着可转向路径200、300移动。
计算机105可以利用方程1的路径多项式y(x)来预测车道路径210、310。计算机105可以基于由传感器110收集的数据115来确定车道路径210、310的相应系数a0，a1，a2，a3。计算机105可以基于“车道预测多项式”(LPP)特征的编程来预测车道路径210、310。LPP特征根据包括安全措施(例如，带校验和的受ASIL-B保护信号和/或符合ISO 26262的稳健性和安全性的计数器、受ASIL-A保护信号)的协议来收集数据115。因此，通过安全措施，LPP特征可以识别车辆101与SPP特征对于可转向路径200、300无法识别的行驶路径的偏差。LPP特征可以基于道路车道205、305的图像数据115(例如，车道边缘标记215、315、车道障碍物、道路的边缘等的图像)来预测车道路径210、310。
计算机105可以确定预测车道路径210、310的车道偏移量。“车道偏移量”是沿着车道路径210、310的行驶路径与车辆101的中心线之间的横向距离(基于方程式1的路径多项式的系数a0确定的)。基于车道偏移量，计算机105可以确定车辆101是否将偏离车道路径210、310。
计算机105可以对SPP和LPP特征所使用的数据115施加低通滤波器。如本文中所使用的，“低通滤波器”正进行编程以接受原始信号作为输入，并输出仅包括低于指定阈值的频率的滤波后信号。可以确定阈值以消除由异常数据115引起的变化，所述异常数据115可以使可转向路径200、300和车道路径210、310歪斜。可以基于对仿真的可转向路径200、300和车道路径210、310的仿真测试来确定阈值，并且每个系数a0，a1，a2，a3可以有相应阈值。系数a0的示例性阈值是0.2米。
计算机105可以识别预测可转向路径200、300与预测车道路径210、310之间的误差220、320。“误差”是可转向路径200、300与车道路径210、310的偏差，以距离单位(例如，米)进行测量。计算机105可以将误差220、320识别为例如由路径多项式y路径确定的可转向路径200、300与由路径多项式y车道确定的车道路径210、310之间的差值：
误差＝|y路径-y车道| (2)
其中竖直线指定绝对值，从而导致误差220、320为正值。当误差220、320超过误差阈值时，车辆101可能偏离行驶路径并离开道路车道205、305，并且计算机105可以致动一个或多个部件120以防止车辆101偏离行驶路径。
计算机105可以识别路径故障。在当前背景下，“路径故障”是当未修正所述故障时路径转向路径200、300与车道路径210、310之间的误差220、320严重到足以使车辆101离开道路车道205、305的指示。在超过误差阈值时，计算机105可以发起计时器以测量自从超过误差阈值以来经过的时间。当经过时间超过时间阈值时，计算机105可以识别路径故障，所述时间阈值是基于例如对导致车辆101离开道路车道205、305的误差220、320的可能性的经验测试和/或仿真建模而确定的。
所述时间阈值可以基于误差220、320的大小。随着误差220、320的增加，时间阈值可能会减少，这指示较大误差220、320可能更加严重并且需要计算机105进行更直接的干预。数据存储装置106和/或服务器130可以包括提供针对误差220、320的特定大小的时间阈值的查找表或相关性。查找表和/或相关性可以基于车辆101离开道路车道205、305的预测时间来确定。例如，查找表和/或相关性可以基于遵循指定的可转向路径200、300和车道路径210、310的车辆101的仿真来确定。在仿真中，可以引入指定误差220、320，并且可以针对每个指定误差220、320确定车辆101离开道路车道205、305的时间。因此，可以确定针对误差220、320的指定大小的时间阈值，使得所述时间阈值小于车辆101离开道路车道205、305的经过时间。
在识别路径故障时，计算机105可以从自主模式过渡到半自主模式或手动模式中的一者。因为路径故障可以指示车辆101将要离开道路车道205、305，所以计算机105可以将车辆101的控制返回给用户。例如，计算机105可以从自主模式过渡到半自主模式，从而将对转向部件120的控制返回给用户。计算机105可以确定使车辆101从自主模式中渐出并进入半自主模式或手动模式中的一者的车辆101的渐出扭矩(ramp-out torque)。“渐出”扭矩是计算机105致动转向部件120以减少计算机105对转向部件120的控制直到用户承担对车辆101的手动控制为止的规定扭矩变化。即，渐出扭矩减小了计算机105在指定时间段内施加到转向部件120的扭矩，从而允许用户经由例如方向盘提供扭矩。例如，计算机105可以将扭矩线性地减小15Nm/s直到计算机105提供的扭矩为零为止。渐出扭矩可以基于例如对用户承担车辆101的手动控制的平均时间的经验测试以及计算机105可以基于所述平均时间来减小的扭矩量来确定。
在识别路径故障之后，计算机105可以继续确定可转向路径200、300与车道路径210、310之间的误差220、320。如果误差220、320低于误差阈值，则计算机105可以确定车辆101不再具有偏离车道路径210、310的危险。当误差220、320低于误差阈值持续大于第二时间阈值的经过时间时，计算机105可以识别没有路径故障，所述第二时间阈值是基于例如使车辆101返回到车道路径210、310而不离开道路车道205、305的时间量的经验测试而确定的。
图4示出了路径偏移量和车道偏移量的示例性图表。图表400示出了对于转向路径200、300的以实线表示为偏移量405和对于车道路径210、310的以虚线表示为偏移量410的偏移系数a0。竖直轴是相应偏移量的大小。水平轴是以秒为单位的时间。在图4的示例中，期间示出偏移量405、410的时间段在车辆101沿着其行驶的路线期间为1530秒至1600秒。
如图表400中所示，可转向路径200、300的偏移量405与车道路径210、310的偏移量410基本相同。然而，在时间戳1570秒至1580秒之间，偏移量410增加而偏移量405没有增加，这指示车道路径210、310预测车辆101与车道路径210、310的偏差，可转向路径200、300无法预测所述偏差。因为基于包括安全措施的LPP特征来确定车道路径210、310，所以LPP中所使用的数据115可以比用于利用SPP特征确定转向路径200、300的数据115更稳健，即，更可靠。因此，车道路径210、310可以识别可转向路径200、300可能错过的偏差，如偏移量410相对于偏移量405的增加所示。
图表415示出了由计算机105确定的误差220、320。误差220、320以实线表示为误差线420，而误差阈值以虚线表示为阈值线425。竖直轴是误差220、320的大小。水平轴是以秒为单位的时间。
如图表415中所示，因为偏移量405、410基本相同，所以误差线420通常保持在阈值线425下方。误差线420超过阈值线425几次，通常是在偏移量405、410突然改变并且偏移量405、410之间的时间间隔产生了误差线420超过阈值线425时的几个时间步长时。然而，在1570秒和1580秒的时间戳之间，误差线420超过阈值线425并在阈值线425上方停留了几个时间步长。增大的误差线420表示由于车道路径210识别可转向路径200、300没有识别的偏差而导致的图表400中所示的偏移量405、410的差值。可以确定时间阈值，使得在1530至1540时间戳和1560至1570时间戳之间的误差线420增大不会触发路径故障，但是在1570至1580时间戳之间的误差线420增大会触发路径故障。
图5是用于操作车辆101的示例性过程的图。过程500在框505中开始，其中计算机105从一个或多个传感器110收集数据115。计算机105可以收集例如道路车道205、305、车道边缘、车道边缘标记215、315等的图像的数据115。
接下来，在框510中，计算机105根据SPP和LPP特征来确定路径多项式y(x)的相应系数a0，a1，a2，a3。如上所述，SPP特征和LPP特征可以各自基于根据相应特征和预期行驶路径收集的数据115来确定路径多项式的系数。
接下来，在框515中，计算机105确定路径偏移量和车道偏移量。路径偏移量是沿着可转向路径200、300的行驶路径与车辆101的中心线之间的横向距离(即，垂直于车辆101的向前纵向方向的距离)。车道偏移量是沿着车道路径210、310的行驶路径与车辆101的中心线之间的横向距离。计算机105可以通过确定用于确定可转向路径200、300和车道路径210、310的相应路径多项式y(x)的线性系数a0来确定路径偏移量和车道偏移量。如上所述，线性系数a0是沿着路径多项式y(x)的车辆101的中心线之间与即将到来的纵向距离x处的行驶路径之间的横向距离。
接下来，在框520中，计算机105确定误差220、320。如上所述，误差220、320是由相应的路径多项式y路径和y车道确定的可转向路径200与车道路径210之间的差值。
接下来，在框525中，计算机105确定误差220、320是否高于误差阈值。可以基于车辆101可能偏离车道路径210直到离开道路车道的预测距离来确定误差阈值。例如，误差阈值可以是当车辆101沿着车道路径210、310移动时车辆101的最外部与车道边缘标记215、315之间的平均距离，例如对于3.7米宽的道路车道和1.9米宽的车辆101，所述平均距离为0.9米。如果误差220、320高于误差阈值，则过程500在框530中继续。否则，过程500在框550中继续。
在框530中，计算机105确定自从误差超过误差阈值以来经过的时间是否超过时间阈值。可以基于例如沿着仿真的转向路径200、300和车道路径210、310行驶的车辆101的经验仿真数据、传感器110的检测范围等来确定时间阈值。例如，在对沿着仿真的可转向路径200、300和车道路径210、310行驶的多个车辆101的误差220、320的可能性执行经验测试时和/或仿真建模时，时间阈值可以被确定为车辆101离开道路车道205、305的平均时间。另外或可选地，如上所述，时间阈值可以随着误差220、320的大小或量的增加而减小。时间阈值可以是例如1秒。如果经过时间超过时间阈值，则过程500在框535中继续。否则，过程500返回到框525。
在框535中，计算机105识别路径故障。在识别到路径故障时，计算机105可以致动一个或多个部件120以确保车辆101保持在道路车道205、305中和/或沿着行驶路径。例如，计算机105可以从自主模式过渡为半自主模式或手动模式以将对车辆101的控制提供给用户。
接下来，在框540中，计算机105确定更新后误差220、320并确定更新后误差220、320是否高于误差阈值。如上所述，车辆101可以校正沿着可转向路径200、300的移动使得车辆101将返回到车道路径210、310。如果误差220、320低于误差阈值，则过程500在框545中继续。否则，过程500返回到框535。
在框545中，计算机105确定自从误差220、320被确定低于误差阈值以来经过的时间是否超过第二时间阈值。可以基于例如车辆101返回到车道路径210、310而不离开道路车道205、305的时间量的经验测试来确定第二时间阈值。如果经过时间超过第二时间阈值，则过程500在框550中继续。否则，过程500返回到框540。
在框550中，计算机105基于可转向路径200、300与车道路径210、310之间的误差220、320来识别不存在路径故障，即，车辆101不太可能偏离行驶路径。一旦识别不存在路径故障，计算机105就根据可转向路径200、300继续操作车辆101。
接下来，在框555中，计算机105确定是否继续过程500。例如，当车辆101仍然在运动并且沿着道路车道205、305时，计算机105可以确定继续过程500。在另一个示例中，当计算机105将车辆101过渡到手动模式时，计算机105可以确定不继续过程500。如果计算机105确定继续，则过程500返回到框505以收集数据115。否则，过程500结束。
如本文中所使用的，修饰形容词的副词“基本上”意指形状、结构、测量结果、值、计算等可能偏离精确描述的几何形状、距离、测量结果、值、计算等，这是因为材料、加工、制造、数据采集器测量、计算、处理时间、通信时间等存在缺陷。
本文中所讨论的计算装置(包括计算机105和服务器130)包括处理器和存储器，所述存储器通常各自包括可由诸如上面识别的那些计算装置的一个或多个计算装置执行的并且用于执行上述过程的框或步骤的指令。计算机可执行指令可以从使用多种编程语言和/或技术创建的计算机程序来编译或解译，所述编程语言和/或技术包括但不限于以下各者的单一形式或组合形式：JavaTM、C、C++、Visual Basic、Java Script、Perl、HTML等。一般而言，处理器(例如，微处理器)从例如存储器、计算机可读介质等接收指令，并且执行这些指令，从而执行一个或多个过程，包括本文所描述的过程中的一个或多个。此类指令和其他数据可以使用各种计算机可读介质来存储和传输。计算机105中的文件通常是存储在计算机可读介质(诸如存储介质、随机存取存储器等)上的数据的集合。
计算机可读介质包括参与提供可由计算机读取的数据(例如，指令)的任何介质。这种介质可以采用许多形式，包括但不限于非易失性介质、易失性介质等。非易失性介质包括例如光盘或磁盘和其他持久性存储器。易失性介质包括通常构成主存储器的动态随机存取存储器(DRAM)。计算机可读介质的常见形式包括例如软盘、软磁盘、硬盘、磁带、任何其他磁性介质、CD ROM、DVD、任何其他光学介质、穿孔卡、纸带、任何其他具有孔图案的物理介质、RAM、PROM、EPROM、快闪EEPROM、任何其他存储器芯片或盒式磁带、或计算机可以从中读取的任何其他介质。
关于本文所描述的介质、过程、系统、方法等，应当理解，尽管此类过程等的步骤已被描述为按照某一有序的序列发生，但是此类过程可以在以本文所描述的顺序以外的顺序执行所描述的步骤来实践。还应当理解，可以同时执行某些步骤，可以添加其他步骤，或者可以省略本文所描述的某些步骤。例如，在过程500中，可以省略一个或多个步骤，或者可以与图5中所示不同的顺序执行步骤。换句话说，本文对系统和/或过程的描述是为了示出某些实施例而提供，而决不应将其理解为对权利要求进行限制。
因此，应当理解，包括以上描述和附图以及所附权利要求的本公开意图是说明性的而非限制性的。通过阅读以上描述，除了所提供的示例之外的许多实施例和应用对于所属领域技术人员来说将是显而易见的。本发明的范围不应参考以上描述来确定，而是应参考所附的和/或基于此包括在非临时专利申请中的权利要求连同此类权利要求所赋予权利的等效物的全部范围来确定。预期并且意图在于本文所讨论的领域未来将有所发展，并且所公开的系统和方法将并入此类未来的实施例中。总而言之，应当理解，所公开的主题能够进行修改和变化。
除非另有说明或上下文另有要求，否则修饰名词的冠词“一个”应被理解为是指一个或多个。短语“基于”涵盖部分地或全部地基于。
根据本发明，提供了一种系统，所述系统具有：计算机，其包括处理器和存储器，所述存储器存储指令，所述指令可由所述处理器执行以识别基于根据第一协议收集的数据的车辆的预测可转向路径与基于根据第二协议收集的数据的预测车道路径之间的误差；并且当所述误差超过误差阈值持续超过时间阈值的经过时间时识别路径故障。
根据一个实施例，所述指令还包括用于基于车辆航向角、曲率或曲率变化率中的至少一者来确定所述预测可转向路径的指令。
根据一个实施例，所述第二协议包括安全措施。
根据一个实施例，所述时间阈值是基于所述误差的大小。
根据一个实施例，所述指令还包括用于基于车道标记、车道障碍物和道路边缘中的至少一者来确定所述预测车道路径的指令。
根据一个实施例，所述指令还包括用于对所述预测可转向路径施加低通滤波器的指令。
根据一个实施例，所述指令还包括用于确定所述预测可转向路径的路径偏移量和所述预测车道路径的车道偏移量的指令。
根据一个实施例，所述指令还包括用于基于所述路径偏移量和所述车道偏移量来识别所述误差的指令。
根据一个实施例，所述指令还包括用于基于转向数据来确定所述预测可转向路径并基于道路车道图像数据来确定所述车道路径的指令。
根据一个实施例，所述指令还包括用于基于车辆速度来确定所述误差的指令。
根据一个实施例，所述指令还包括用于在识别所述路径故障时从自主模式过渡到半自主模式或手动模式中的一者的指令。
根据一个实施例，所述指令还包括用于在识别所述路径故障时当所述误差低于所述误差阈值持续大于第二时间阈值的经过时间时识别不存在路径故障的指令。
根据本发明，提供了一种方法，所述方法具有：识别基于根据第一协议收集的数据的车辆的预测可转向路径与基于根据第二协议收集的数据的预测车道路径之间的误差；以及当所述误差超过误差阈值持续超过时间阈值的经过时间时识别路径故障。
根据一个实施例，本发明的特征还在于，基于车辆航向角、曲率或曲率变化率中的至少一者来确定所述预测可转向路径。
根据一个实施例，所述时间阈值是基于所述误差的大小。
根据一个实施例，本发明的特征还在于，确定所述预测可转向路径的路径偏移量和所述预测车道路径的车道偏移量。
根据本发明，提供了一种系统，所述系统具有：用于识别基于根据第一协议收集的数据的车辆的预测可转向路径与基于根据第二协议收集的数据的预测车道路径之间的误差的装置；以及用于当所述误差超过误差阈值持续超过时间阈值的经过时间时识别路径故障的装置。
根据一个实施例，本发明的特征还在于，用于基于车辆航向角、曲率或曲率变化率中的至少一者来确定所述预测可转向路径的装置。
根据一个实施例，所述时间阈值是基于所述误差的大小。
根据一个实施例，本发明的特征还在于，用于确定所述预测可转向路径的路径偏移量和所述预测车道路径的车道偏移量的装置。

Claims (15)

1.一种方法，其包括：
识别基于根据第一协议收集的数据的车辆的预测可转向路径与基于根据第二协议收集的数据的预测车道路径之间的误差；以及
当所述误差超过误差阈值持续超过时间阈值的经过时间时识别路径故障。
2.如权利要求1所述的方法，其还包括基于车道标记、车道障碍物和道路边缘中的至少一者来确定所述预测车道路径。
3.如权利要求1所述的方法，其还包括对所述预测可转向路径施加低通滤波器。
4.如权利要求1所述的方法，其还包括确定所述预测可转向路径的路径偏移量和所述预测车道路径的车道偏移量。
5.如权利要求4所述的方法，其还包括基于所述路径偏移量和所述车道偏移量来识别所述误差。
6.如权利要求1所述的方法，其还包括基于转向数据来确定所述预测可转向路径并基于道路车道图像数据来确定所述车道路径。
7.如权利要求1所述的方法，其还包括基于车辆速度来确定所述误差。
8.如权利要求1所述的方法，其还包括在识别所述路径故障时从自主模式过渡到半自主模式或手动模式中的一者。
9.如权利要求1所述的方法，其还包括在识别所述路径故障时当所述误差低于所述误差阈值持续大于第二时间阈值的经过时间时识别不存在路径故障。
10.如权利要求1至9中任一项所述的方法，其还包括基于车辆航向角、曲率或曲率变化率中的至少一者来确定所述预测可转向路径。
11.如权利要求1至9中任一项所述的方法，其中所述第二协议包括安全措施。
12.如权利要求1至9中任一项所述的方法，其中所述时间阈值是基于所述误差的大小。
13.一种计算机，其被编程为执行如权利要求1至9中任一项所述的方法。
14.一种车辆，其包括如权利要求13所述的计算机。
15.一种计算机程序产品，其包括存储指令的计算机可读介质，所述指令可由计算机处理器执行以执行如权利要求1至9中任一项所述的方法。
CN202010099794.7A 2019-02-22 2020-02-18 车辆路径处理 Pending CN111605548A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/282,428 US11117577B2 (en) 2019-02-22 2019-02-22 Vehicle path processing
US16/282,428 2019-02-22

Publications (1)

Publication Number Publication Date
CN111605548A true CN111605548A (zh) 2020-09-01

Family

ID=72139112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099794.7A Pending CN111605548A (zh) 2019-02-22 2020-02-18 车辆路径处理

Country Status (3)

Country Link
US (1) US11117577B2 (zh)
CN (1) CN111605548A (zh)
DE (1) DE102020104427A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11199847B2 (en) * 2018-09-26 2021-12-14 Baidu Usa Llc Curvature corrected path sampling system for autonomous driving vehicles
US11079761B2 (en) * 2018-12-12 2021-08-03 Ford Global Technologies, Llc Vehicle path processing
DE102020106679B4 (de) * 2019-03-12 2023-03-16 Steering Solutions Ip Holding Corporation Lenksystem und verfahren zum bereitstellen eines betriebsartübergangs für ein fahrzeug
JP7537978B2 (ja) * 2020-10-02 2024-08-21 株式会社Subaru 車両制御システム
US20230032998A1 (en) * 2021-07-30 2023-02-02 Magna Electronics Inc. Vehicular object detection and door opening warning system
US12030513B2 (en) 2021-10-04 2024-07-09 Magna Electronics Inc. Vehicular door opening warning system
DE102021214848A1 (de) 2021-12-21 2023-06-22 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Übertragen von Fahrbahnfeuchtedaten

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005003192A1 (de) 2005-01-24 2006-07-27 Robert Bosch Gmbh Verfahren zur Kursprädiktion in Fahrerassistenzsystemen für Kraftfahrzeuge
US8190330B2 (en) 2009-03-06 2012-05-29 GM Global Technology Operations LLC Model based predictive control for automated lane centering/changing control systems
US9874609B2 (en) 2010-09-24 2018-01-23 Infineon Technologies Ag Sensor self-diagnostics using multiple signal paths
DE102014200638A1 (de) 2014-01-16 2015-07-30 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zum Schätzen eines Fahrspurverlaufs
JP6376055B2 (ja) 2015-06-26 2018-08-22 株式会社デンソー 車線逸脱抑制システム
US9567004B1 (en) 2015-12-29 2017-02-14 Automotive Research & Testing Center Method and apparatus for vehicle path tracking with error correction
IT201600109633A1 (it) 2016-10-31 2018-05-01 Magneti Marelli Spa Procedimento e sistema di controllo adattivo in un veicolo terrestre per l'inseguimento di un percorso, particolarmente in uno scenario di guida autonoma.
EP3563595B1 (en) * 2016-12-30 2023-09-13 Intel Corporation Methods and devices for radio communications

Also Published As

Publication number Publication date
US20200269837A1 (en) 2020-08-27
DE102020104427A1 (de) 2020-08-27
US11117577B2 (en) 2021-09-14

Similar Documents

Publication Publication Date Title
US11117577B2 (en) Vehicle path processing
CN108327716B (zh) 碰撞缓解和避免
US11169520B2 (en) Enhanced vehicle operation
CN110234957B (zh) 行驶记录的存储方法、行驶轨迹模型的生成方法、自身位置推定方法及行驶记录的存储装置
US11400927B2 (en) Collision avoidance and mitigation
CN108297863B (zh) 用于车辆的碰撞减轻和躲避方法和系统
US10262476B2 (en) Steering operation
US9969389B2 (en) Enhanced vehicle operation
US10095238B2 (en) Autonomous vehicle object detection
CN112389426A (zh) 增强的威胁选择
US11087147B2 (en) Vehicle lane mapping
US20200216060A1 (en) Collision mitigation and avoidance
US20190054950A1 (en) Enhanced vehicle steering
US20220063610A1 (en) Vehicle detection and response
CN111547052A (zh) 增强的碰撞减轻
CN113370974A (zh) 增强的对象检测和响应
CN112240767A (zh) 车辆定位识别
CN113353070A (zh) 车辆检测和响应
US11183052B2 (en) Enhanced vehicle operation
US11383704B2 (en) Enhanced vehicle operation
US11673548B2 (en) Vehicle detection and response
JP5282590B2 (ja) 車両用運転支援装置および車両用運転支援方法
JP4976998B2 (ja) 車両の走行安全装置
US10928195B2 (en) Wheel diagnostic
US20200310436A1 (en) Enhanced vehicle localization and navigation

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221107

Address after: Dearborn, Michigan, USA

Applicant after: Ford Global Technologies, LLC

Applicant after: Ford Electric Mach Technology (Nanjing) Co.,Ltd.

Address before: Dearborn, Michigan, USA

Applicant before: Ford Global Technologies, LLC