CN111626538A - 用于确定行驶策略的方法以及系统 - Google Patents
用于确定行驶策略的方法以及系统 Download PDFInfo
- Publication number
- CN111626538A CN111626538A CN202010115747.7A CN202010115747A CN111626538A CN 111626538 A CN111626538 A CN 111626538A CN 202010115747 A CN202010115747 A CN 202010115747A CN 111626538 A CN111626538 A CN 111626538A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving strategy
- decision
- module
- driving
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000033001 locomotion Effects 0.000 claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000004590 computer program Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 239000003795 chemical substances by application Substances 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- WWJZWCUNLNYYAU-UHFFFAOYSA-N temephos Chemical compound C1=CC(OP(=S)(OC)OC)=CC=C1SC1=CC=C(OP(=S)(OC)OC)C=C1 WWJZWCUNLNYYAU-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
- B60W2720/106—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
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
- B60W2754/20—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
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
- B60W2754/30—Longitudinal distance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
用于确定行驶策略的方法以及系统。该方法具有以下步骤:a)通过所述车辆(10)的行驶策略规划模块(22)获得车辆参数(P),b)通过所述行驶策略规划模块(22)基于获得的车辆参数(P)借助行驶策略规划模块(22)的至少一个决策子模块确定至少一个可行的行驶策略(M),c)将所述至少一个可行的行驶策略(M)中的一个传输至车辆(10)的运动规划模块(24),d)通过行驶策略规划模块(22)从运动规划模块(24)获得评估量(B),以及e)根据获得的评估量(B)调整所述至少一个决策子模块。还涉及一种用于确定车辆的行驶策略的系统,一种用于实施所述行驶策略的车辆,一种针对车辆的控制设备,以及一种用于实施所述方法的计算机程序。
Description
技术领域
本发明涉及用于确定车辆的行驶策略的一种方法以及一种系统,一种用于实施行驶策略的车辆,一种针对车辆的用于控制车辆的控制设备,以及一种用于实施所述方法的计算机程序。
背景技术
针对车辆的自主或半自主控制的主要挑战中的一项是确定车辆的行驶策略。通常基于车辆的收集的数据确定可行的行驶策略,例如道路的可通行的车道的数目,相邻的车辆的运动轨迹,以及用以达到期望的行驶目的地的导航数据。
在现有技术中已揭示过通过行驶行程规划模块(也称作“mission planningframework(任务规划框架)”)来规划车辆的行程。系统为此使用当前地点和目的地。此外,系统具有行驶策略规划模块(也称作“behavioral planning framework(行为规划框架)”),其基于传感器数据规划行驶策略。根据行驶行程规划模块和行驶策略规划模块生成的行驶策略被传输至运动规划模块(也称作“motion planning framework(运动规划框架)”),其实施行驶策略。
但这些系统的缺点在于,行驶策略的选择仅以理论考量为基础。
发明内容
有鉴于此,本发明的目的在于提供一种确定行驶策略的方法,其将选择行驶策略过程中的实践反馈考虑在内。
本发明用以达成上述目的的解决方案为一种确定车辆的行驶策略的方法。首先,车辆的行驶策略规划模块获得车辆参数。基于获得的车辆参数,所述行驶策略规划模块借助行驶策略规划模块的至少一个决策子模块确定至少一个可行的行驶策略。随后选择行驶策略并传输至车辆的运动规划模块。行驶策略规划模块从该运动规划模块获得评估量。最后,根据获得的评估量对所述至少一个决策子模块进行调整。
根据本发明,所述运动规划模块与所述行驶策略规划模块相连,其中行驶策略规划模块确定至少一个可行的行驶策略,并将至少一个行驶策略传输至运动规划模块。行驶策略规划模块获得针对传输的行驶策略的评估量,其包含有关传输的行驶策略的实践反馈。随后基于所述实践反馈对行驶策略规划模块的至少一个决策子模块进行调整,从而除理论基础以外,也将实践基础用于选择行驶策略。
所述运动规划模块可以采用基于云端或基于服务器,或者在本地设于车辆中的实施方案。换言之,无需在车辆内实施运动规划模块。
举例而言,在车辆中设有对应的IT基础设施,从而通过车辆内的IT基础设施提供运动规划模块。
作为替代方案,所述运动规划模块也可以实施在中央服务器上,其中所述服务器从车辆获得车辆参数。在此情形下,通过网络、例如互联网传输车辆参数。
一般而言可采用以下方案:相邻车辆(即处于一定的最大间距内的车辆)的IT基础设置相互联合,并且在所述车辆的IT基础设施上提供运动规划模块。
这也适用于行驶策略规划模块。
行驶策略规划模块获得的车辆参数可以是根据GNSS数据的位置数据(即有关车辆的当前地理位置的信息),车辆的加速度和/或速度数据,例如通过LIDAR传感器(lightdetection and ranging,光探测和测距)和雷达传感器进行的光学距离测量和速度测量,摄像机数据,可通行的车道的数目,相邻汽车的轨迹和/或导航数据。
这些数据可由车辆的传感器记录、源自相邻的车辆、以及/或者被从中央服务器通过无线接口传输至车辆。
在本发明的一个技术方案中,从所述至少一个行驶策略选择一个待实施的行驶策略,其中所述运动规划模块如此控制车辆,使得车辆实施所述待实施的行驶策略。这样一来,评估模块便能直接评估经实施的行驶策略。
为了将不同车辆参数中不确定性考虑在内,以及对选择的行驶策略的可实施性进行评估,所述运动规划模块能够实施可达到性分析。
可通过运动规划模块基于经实施的行驶策略和/或基于实施行驶策略期间的车辆参数测定评估量。这样一来,评估量直接取决于经实施的行驶策略,故可直接根据行驶策略的实施调整决策子模块。
举例而言,所述评估量可具有:行驶策略期间与至少一个相邻车辆的最小距离、车辆在行驶策略期间的最大横向加速度、车辆的纵向加速度以及/或者行驶策略的成本值。
一般而言也可采用以下方案:所述评估量包括数个值。所述评估量例如为矢量,其包含所述值中的一个或数个。
此外,所述评估量也可以是多维矢量,并且例如针对行驶策略的每个时步包括前述值中的一或数个。
其中,所述时步可以基于车辆的一或数个传感器的时间分辨率,或者为自由选择的值,例如10ms。
为了提供有关其他车辆的经实施的行驶策略的信息,可将知识数据传输至其他车辆。所述知识数据至少包括车辆参数、待实施的行驶策略、经实施的行驶策略和/或评估量。
根据传输的知识数据,能够对其他车辆的决策子模块进行调整。
这样一来,数个具有对应的决策子模块的车辆便能使用经实施的行驶策略的知识数据,并基于经实施的行驶策略对其决策子模块进行调整。相应地,车辆不再强制需要自行实施行驶策略,且所述至少一个决策子模块能够更快得学习,从而提供更佳的行驶策略。
在本发明的一个技术方案中,所述服务器基于一个车辆的经实施的行驶策略测定其他车辆的决策子模块所需的调整。
也可替代性地采用以下方案:所述其他车辆的IT基础设施基于经实施的行驶策略测定各至少一个决策子模块所需的调整。
一般而言也可采用以下方案:所述服务器对车辆参数、选择的行驶策略、经实施的行驶策略和/或评估量,即概括言之对知识数据进行处理和/或传输。
在本发明的一个技术方案中,所述至少一个决策子模块根据状态机(“statemachine”)确定可行的行驶策略。据此,通过模型确定可行的行驶策略,所述模型描述通过状态、状态转换和动作描述车辆的特性。可以将在高速公路上行驶、在停车场停驻、在交通信号灯处等待、穿过交通限制区域的行驶、在十字路口处的拐弯等视作状态,且动作为车辆在相应的状态下能够实施的对应的行驶策略。在此情形下,实施行驶策略可能会导致状态转换。
所述至少一个决策子模块也可以根据成本函数确定可行的行驶策略。
成本函数通常是指一个函数,其为动作或路径指定一个值,该值指示对应动作或者对应路径的成本或花费。据此,通过对数个值进行比较能够确定最优的行驶策略,即具有最小的值、进而具有最小的成本或花费的动作或者路径。
举例而言,每个车道均通过成本函数参数化,使得所述至少一个决策子模块能够通过比较不同车道的成本函数判断车辆是否处于最优的车道上,若非如此,则可将对应的车道转换确定为行驶策略。
在本发明的一个技术方案中,所述至少一个决策子模块根据跟驰模型确定可行的行驶策略。跟驰模型是根据其他车辆的行驶策略确定行驶策略的模型。
所述至少一个决策子模块例如是距离相关的跟驰模型,从而根据与相邻车辆的距离来确定可行的行驶策略。
在本发明的一个技术方案中,所述跟驰模型是依据Wiedemann的心理物理学跟驰模型,其中有四个行驶模式,即自由行驶、接近、跟随和制动。根据速度和与相邻车辆的距离,区分出具有自由特性的区域、跟随区域、接近区域、制动区域和碰撞区域,从而根据车辆所处于的区域确定与行驶模式相关的可行行驶策略。
所述至少一个决策子模块例如借助决策树、即通过决策规则确定可行的行驶策略。
一般而言也可以采用所述决策子模块的组合。据此,所述至少一个决策子模块能够根据成本函数,决策树,跟驰模型,特别是距离相关的跟驰模型和/或依据Wiedemann的心理物理学跟驰模型,以及或者状态机确定可行的行驶策略。这些模型是经过验证的方法,用以在不同的行驶情况下确定对应的行驶策略。
所述至少一个决策子模块中的至少一个能够借助机器学习决策过程、特别是强化机器学习决策过程确定可行的行驶策略。这样一来,所述至少一个决策子模块从可行的行驶策略、待实施的行驶策略和/或经实施的行驶策略生成人工经验。这样便通过行驶策略对至少一个决策子模块进行训练。
在强化机器学习决策过程中,所述过程自主地学习策略,以将获得的奖赏最大化。举例而言,当在行驶策略期间遵循与相邻车辆的预定距离时,所述机器学习决策过程便获得奖赏。
可将评估量作为针对在道路交通秩序方面实施的行驶策略的奖赏(英语:“reward”)传输至所述至少一个决策子模块。这样便能修改决策子模块,从而在道路交通秩序方面实施行驶策略。
在一个技术方案中,所述机器学习决策过程为经监控或者经部分监控的机器学习决策过程,故驾驶者能够对可行的行驶策略进行监控。
举例而言,将经所述机器学习决策过程确定的可行行驶策略与车辆的驾驶者实施过的行驶策略进行比较。
所述机器学习决策过程可至少通过神经元网络实现,可基于博弈论,可为Markow决策过程和/或部分可观察的Markow决策过程。部分可观察的Markow决策过程的英文名称为“partially observable Markov decision processes”。
在Markow决策过程中,类似于状态机,通过状态、动作和状态转换描述车辆。此外设有奖赏功能,即例如评估量,其为特定的状态转换指定奖赏,以及策略(英语:“policy”),其为每个状态指定最优动作。此外设有折扣系数(英语:“discount factor”),据此在动作后减少尚且能够达到的奖赏。借助Markow决策过程,决策子模块能够独立地确定行驶策略。
在博弈论方面,在本发明的一个技术方案中,所述机器学习决策过程能够确定相邻车辆的可行行驶策略,并为其指定概率,从而以相邻车辆的可行行驶策略为基础确定至少一个可行的行驶策略。
在本发明的一个技术方案中,使用所述评估量来对所述至少一个决策子模块的机器学习决策过程进行训练。这样便能直接通过评估量训练决策子模块。
换言之,无需由人来训练机器学习决策过程,而是基于评估量对机器学习决策过程进行训练。这样便能减少训练所需的资源。
为了对用于确定行驶策略的各方法的能力加以利用,可以设有数个决策子模块,其分别确定至少一个可行的行驶策略。在此情形下,决策者从所述确定的可行的行驶策略中选择一个待实施的行驶策略,其被传输至所述运动规划模块。
在本发明的一个技术方案中,所述决策者为车辆的驾驶者、选择模块或者上述的组合。
所述选择模块例如根据对应的决策子模块的可信性的权重以及/或者可行行驶策略的出现频度选择待实施的行驶策略。
一般而言可采用以下方案:所述可信性的权重是与已确定的行驶策略的数目以及/或者行驶情况相关。
亦即,在特定的行驶情况下,例如在转弯或者超越另一车辆时,特定决策子模块的可行行驶策略可能是优选的。
也可以根据所述评估量调整所述可信度的权重,使得对应决策子模块的行驶策略在行驶策略的进一步选择过程中获得更高的权重,或使对应的决策子模块自身获得更高的权重。
在本发明的一个技术方案中,所述选择模块具有人造神经元网络并且被相应地训练,从而在特定的行驶情况下选择行驶策略。
本发明用以达成上述目的的解决方案还在于一种针对车辆的用于控制车辆的控制设备,其中所述控制设备适于实施前述方法。在优点和特征方面,前文就所述方法所作的阐述同样适用于所述控制设备。
此外,本发明用以达成上述目的的解决方案还在于一种车辆,其包含前述控制设备和用于检测至少一个车辆参数的传感器,其中所述车辆适于实施上述方法。在优点和特征方面,前文就所述方法所作的阐述在此同样适用于所述车辆。
本发明用以达成上述目的的解决方案还在于一种包含程序编码构件的计算机程序,用以在将所述计算机程序在计算单元上、特别是上述控制设备的计算单元上执行的情况下,实施上述方法的步骤。前文就优点和特征所作的阐述在此同样适用于所述包含程序编码构件的计算机程序。
就此而言以及在下文中,“程序编码构件”经编译和/或未经编译的形式为程序代码和/或程序代码模块的可计算机执行的指令,其可以任意编程语言和/或机器语言的形式存在。
本发明用以达成上述目的的解决方案还在于一种用于确定行驶策略的系统,包含至少一个如前文所述的车辆。前文就优点和特征所作的阐述在此同样适用于所述系统。
针对所述系统特别是设有上述车辆中的两个。
在本发明的一个技术方案中,所述系统具有服务器,其为了数据连接而与所述至少一个车辆连接,其中所述运动规划模块如此控制车辆,使得车辆实施行驶策略,其中所述服务器从车辆中的一个获得以及/或者被提供知识数据,以及,服务器将所述知识数据传输至至少另一车辆,以及/或者,服务器根据知识数据确定对所述至少另一车辆的决策子模块的调整,并将调整信息传输至所述至少另一车辆。通过这个系统,车辆能够相互访问彼此的知识数据,从而能够更快且更好地调整决策子模块。
亦即,特别是可基于其他车辆的经实施的行驶策略对车辆的决策子模块进行调整。
知识数据在此也至少包括其中实施行驶策略的车辆的知识数据,即车辆参数、可行的行驶恶略、待实施的行驶策略、经实施的行驶策略和/或评估量。
所述服务器例如可供车辆通过诸如互联网的网络访问。
附图说明
更多优点和特征参阅下文的描述以及下文所参照的附图。其中:
-图1为本发明的车辆的示意图,包含本发明的用于确定行驶策略的控制设备,其针对本发明的系统,
-图2为图1中的用于确定行驶策略的控制设备的示意性框图,
-图3为图2中的车辆参数采集模块的示意性框图,
-图4为图2中的行驶策略规划模块的示意性框图,
-图5为图2中的运动规划模块的示意性框图,
-图6为用于确定行驶策略的系统的第一实施方式的示意性框图,
-图7为用于确定行驶策略的系统的第二实施方式的示意性框图,
-图8为用于确定行驶策略的系统的第三实施方式的示意性框图。
具体实施方式
图1为车辆10的示意图。车辆10包括数个传感器12、一个控制设备14、一个行驶辅助系统16和数个用于控制车辆10的控制装置18。
车辆10例如是用于道路交通的汽车,例如货运车或者乘用车。
传感器12是布置在车辆10的前部、后部和/或侧部,并且适于检测车辆10的周围环境以及/或者有关车辆10的数据。传感器12生成对应的车辆参数P,并将这些参数传输至控制设备14,如在图1中通过箭头所示。
传感器12包括位置传感器26(图3),例如基于卫星的位置传感器,其测定车辆10的当前的地理位置。位置传感器26相应地生成充当车辆参数P的位置数据。
也设有摄像机传感器28(图3),其借助未绘示的摄像机拍摄车辆10的周围环境的图像和/或视频。摄像机传感器28相应地生成充当车辆参数P的摄像机数据。借助摄像机传感器28能够检测相邻的车辆,识别车道界限以及/或者检测特征性的物体。
“特征性的物体”例如是指附近周边环境中的交通标志和/或景点。
此外设有加速度及/或速度传感器30(图3),其检测车辆10的充当车辆参数P的加速度及/或速度数据。
此外设有光学传感器32(图3),例如LIDAR及/或雷达传感器,其生成与相邻物体的距离以及相邻物体(例如相邻车辆)的速度,作为车辆参数P。
为进行阐释,为这些车辆参数P中的每一个描述一个自有的传感器12。当然,这些车辆参数P中并非每一个均需要自有的传感器12。
控制设备14具有数据载体19和计算单元20,其中在数据载体19上存储有计算机程序,其在计算单元20上执行并且包括程序编码构件,用以根据下文描述的方法确定行驶策略。
控制设备14还可包括行驶辅助系统16。但行驶辅助系统16也可以构建为独立的系统。
概括而言,将车辆参数P传输至控制设备14,控制设备14处理传感器12所获得的车辆参数P,并且借助行驶辅助系统16至少部分自动化地、特别是全自动地控制车辆10。
也可以从相邻的车辆和/或中央服务器通过网络将车辆参数P传输至控制设备14。
行驶辅助系统16能够至少部分自动化地、特别是全自动地控制车辆10的横向运动和/或纵向运动。这在图1中通过箭头示意性示出,其展示通向车辆10的对应的控制装置18的信号G。
图2为控制设备14的框图。控制设备14具有车辆参数采集模块21、行驶策略规划模块22和运动规划模块24。
车辆参数采集模块21例如通过传感器12收集和/或生成车辆参数P,并将这些车辆参数传输至行驶策略规划模块22和运动规划模块24。
行驶策略规划模块22在将车辆参数P考虑在内的情况下确定至少一个可行的行驶策略M,并将至少一个可行的行驶策略M和/或待实施的行驶策略MAZ传输至运动规划模块24。
运动规划模块24对所述至少一个可行的行驶策略M和/或待实施的行驶策略MAZ进行评估,即计算评估量B,并生成用于控制车辆10的控制命令S。
将控制命令S传输至行驶辅助系统16,其又将信号G(图1)传输至车辆10的控制装置18。
运动规划模块24将经实施的行驶策略MAG和/或行驶策略的评估量B传输至行驶策略规划模块22,其借助经实施的行驶策略MAG和/或评估量B改进用于选择行驶策略M的决策过程,例如调整行驶策略规划模块22的决策子模块38(图4)。
在图3至图5中分别以框图详细示出车辆参数采集模块21、行驶策略规划模块22或运动规划模块24。
如图3所示,除上述传感器12以外,车辆参数采集模块21也包括行驶行程规划模块34和进一步处理模块36。
行驶行程规划模块34为车辆10规划至期望的目的地的行程。为此,所述行驶行程规划模块访问对应的例如存储在数据载体19上的测绘资料,并且可以使用位置传感器26的位置数据,从而从当前的地理位置导航至目的地。亦即,行驶行程规划模块34生成导航数据,其在本发明的范围内也被理解为车辆参数P。
进一步处理模块36适于将传感器12的数据和/或车辆参数P组合,从而获得经处理的和/或更加详细的车辆参数P。
图3示出将位置数据与摄像机数据组合。通过将侦测的车道的数目、检测出的交通标志和/或邻近的景点考虑在内,在这个实施方式中改进当前地理位置的确定。
也可以将与相邻车辆的距离数据和摄像机数据组合,从而获得相邻的车辆的运动轨迹和/或预测相邻的车辆的特性。经进一步处理模块36生成的数据也被理解为车辆参数P。
通过车辆参数采集模块21将车辆参数P传输至行驶策略规划模块22和运动规划模块24。
在图4中以示意性框图示出行驶策略规划模块22,其包括处理模块37、决策子模块38、决策者40和知识模块42。
处理模块37从车辆参数采集模块21接收车辆参数P,并且适于对车辆参数P作预处理,以供进一步使用。
举例而言,处理模块37将车辆参数P转换至同一坐标系。也可以采用以下方案:处理模块37产生针对相邻的车辆的特性的模型。
处理模块37将经处理的车辆参数P和/或未经处理的车辆参数P传输至决策子模块38。
决策子模块38基于车辆参数P分别确定至少一个可行的行驶策略M,其中不同的决策子模块38基于车辆参数P通过不同的方法或者模型选择一个可行的行驶策略M,例如根据成本函数、决策树、跟驰模型、特别是距离相关的跟驰模型和/或依据Wiedemann的心理物理学跟驰模型,以及/或者状态机。
在所示实施例中设有三个不同的决策子模块38,即第一、第二和第三决策子模块38a、38b或38c。
第一决策子模块38a借助状态机根据车辆参数P中的所有或者数个确定一个可行的行驶策略Ma。
第二决策子模块38b是车辆10的乘员和/或驾驶者,其确定可行的行驶策略Mb。
在所示实施方式中,第三决策子模块38c借助强化机器学习决策过程确定可行的行驶策略Mc。
例如,第三决策子模块38c具有人造神经元模块,其实施机器学习决策过程。但所述机器学习决策过程也可以是Markow决策过程、部分可观察的Markow决策过程,以及/或者基于博弈论。
一般而言可采用以下方案:决策子模块38决定多于一个可行的行驶策略M,以及/或者,不同的决策子模块38选择相同的行驶策略M。举例而言,决策子模块38a的可行行驶策略(即行驶策略Ma)与决策子模块38b的可行行驶策略(即行驶策略Mb)可以是相同的。
决策子模块38a、38b和38c将可行的行驶策略Ma、Mb和Mc传输至决策者40。
其中,为每个决策子模块38指定了对应的决策子模块38的可信性的加权系数a,亦即,加权系数a给出了对应的决策子模块38所决定的可行行驶策略M为最佳或最优行驶策略的可能性。
加权系数a不是在确定可行行驶策略M的过程中通过各决策子模块38或使用的决策过程自行测定的置信度,但可以以此为基础。
可以随时间调整加权系数a。
举例而言,第一决策子模块38a的可信度aa的权重和第二决策子模块38b的可信度ab的权重起初高于第三决策子模块38c的可信度ac的权重,所述第三决策子模块借助强化机器学习决策过程确定可行的行驶策略Mc。
所述加权系数a是为决策者40所知,例如保存在决策者40的存储器中。
决策者40主要基于加权系数aa、ab、ac选择可行行驶策略Ma、Mb和Mc中的一个,进而确定待实施的行驶策略MAZ,其被传输至运动规划模块24。
在所示实施方式中,决策者40是选择模块44,即通过计算机辅助的选择过程测定待实施的行驶策略MAZ的模块。
选择模块44特别是为人造神经元网络,其中至少所述可行的行驶策略Ma、Mb、Mc,车辆参数P和/或加权系数aa、ab、ac为所述人造神经元网络的输入量,以及,所述待实施的行驶策略MAZ为所述人造神经元网络的至少一个输出量。
一般而言可采用以下方案:测定数个可行行驶策略M的决策模块38定义一个偏好,以便在选择待实施的行驶策略MAZ的过程中对决策者40提供帮助。决策子模块38a例如选择偏好的可行行驶策略M以及/或者定义选择的行驶策略M下的层次结构。
此外可采用以下方案:选择模块44检验是否已存在相似的行驶情况,并且选择在该相似的行驶情况下作出最佳决策的决策子模块38的可行行驶策略M。
也可以采用以下方案:决策者40为车辆10的乘员和/或驾驶者,其在显示屏上查看可行的行驶策略M,并通过选择和/或实施行驶策略M进行决策。
随后将待实施的行驶策略MAZ传输至运动规划模块24。
图5为运动规划模块24的示意性框图,其在所示实施例中包括分析模块46和评估模块48。
如前文所述,运动规划模块24从车辆参数采集模块21获得车辆参数P,以及从行驶策略规划模块22获得待实施的行驶策略MAZ。
分析模块46主要基于车辆参数P就可实施性对待实施的行驶策略MAZ进行分析。所述分析模块特别是能够估算在实施行驶策略期间车辆10是否会与物体、例如另一车辆发生碰撞。
分析模块46例如使用相邻车辆的轨迹中的不确定性、车辆10的速度中的不确定性以及车道的走向中的不确定性来估算行驶策略的可实施性。
分析模块46也能够确定是否能达到行驶策略的末尾,例如由于针对纵向和横向加速度的物理极限或者舒适度限值。
根据分析模块46的可实施性分析和/或可达到性分析,随后确定车辆10实施的行驶策略MAG。为此,分析模块46提供控制命令S,其被传输至行驶辅助系统16。
评估模块48则生成针对行驶策略的评估量B。
评估模块48对可行的行驶策略M、待实施的行驶策略MAZ和/或经实施的行驶策略MAG进行评估。为此,评估模块48主要使用车辆参数P。
为了评估待实施的行驶策略MAZ或经实施的行驶策略MAG,评估模块48对在待实施的行驶策略MAZ或经实施的行驶策略MAG期间确定的车辆参数P进行存储和/或分析,以及/或者追溯分析模块46的可实施性分析结果。
举例而言,评估量B包括与相邻车辆的最小距离、车辆10在行驶策略期间的最大横向加速度、以及/或者一个值,其指示是否遵循道路交通秩序的最大速度。
当然,其他值或参数也可以是评估量B的一部分。
评估量B故而包含数个值。评估量B例如为包含所述值的矢量。
评估量B也可以是多维矢量,并且例如针对行驶策略的每个时步包括前述值中的一或数个。
在评估模块48创建评估量B后,运动规划模块24将经实施的行驶策略MAG和评估量B传输回行驶策略规划模块22。
随后将评估量B传输至决策子模块38c,并在将评估量B考虑在内的情况下对决策子模块38c进行调整。更确切言之,借助评估量B对机器学习决策过程、特别是确定了可行行驶策略Mc的人造神经元网络进行训练。
借助评估量B也能够对选择模块44、特别是选择模块44的人造神经元网络进行训练和调整。
也可根据评估量B对决策子模块38a、38b或38c的可信性的加权系数aa、ab、ac进行调整,例如通过选择模块44或决策者40进行。
如图4所示,行驶策略规划模块22的知识模块42适于提供知识数据E。知识数据E例如包括可行的行驶策略Ma、Mb、Mc,待实施的行驶策略MAZ,车辆参数P,经实施的行驶策略MAG以及评估量B。
知识模块42例如存储在经实施的策略MAG期间测量的车辆参数P并对其进行分析,从而将车辆参数P的仅相关数据作为知识数据E传递。
知识数据E也可以具有更加精确的用于决策者40的选择过程的数据。
如通过箭头所示,通过行驶策略规划模块22提供知识数据E,使得例如其他车辆能够追溯车辆10的的知识数据E。
此外,知识数据E可用于调整决策子模块38中的一个,例如用以对机器学习决策过程进行训练。
下面结合车辆10在高速公路上的车道转换的经大幅简化的示例对阐释的方法进行详细说明。
在车辆10所行驶于的车道上,车辆10的传感器12例如识别出另一车辆。所述另一车辆以一定的距离在车辆10前运动,且速度小于车辆10。如果车辆10以不变的速度跟随车道,则会发生车辆10与所述另一车辆之间的碰撞。
亦即,主要将所述另一车辆的速度和与该另一车辆的距离作为车辆参数P传输至行驶策略规划模块22。此外,通过传感器12也识别出相邻的车道(超车道)未被占用。
基于这些车辆参数P,行驶策略规划模块22,特别是决策子模块38a、38b、38c确定可行的行驶策略Ma、Mb和Mc。一个可行的行驶策略Ma可为:车辆10大幅减小其速度,并根据所述另一车辆的速度进行调整。另一可行的行驶策略Mb为:车辆10进行车道转换,从而超过另一车辆。
可行的行驶策略Ma、Mb和Mc被传输至决策者40,且决策者选择行驶策略Ma、Mb、Mc中的一个,例如第一可行行驶策略Ma。这个行驶策略随即为待实施的行驶策略MAZ。
行驶策略规划模块22至少将待实施的行驶策略MAZ传输至运动规划模块24,其将对应的控制命令S传输至行驶辅助系统16。
在描述的实施例中,行驶策略规划模块22将将非常非特定的待实施的行驶策略MAZ传输至运动规划模块24,即将用于减慢速度的行驶策略传输,且运动规划模块24将这个指令或目标转换成具体的控制命令S。
一般而言也可以采用精确的指令。举例而言,首先使得车辆10在位于相邻车道上的另一车辆旁经过,随后将速度增大一定值,并同时转换至相邻的车道。
此外,行车策略规划模块22可以定义一个区段,例如时间区段或者距离区段,运动规划模块24需要在该区段中实施行驶策略。
举例而言,通过传感器12识别出车道上的静止的车辆,并向运动规划模块24发出请求:车辆10必须在下5秒内以及/或者在接下来的200m内切换车道或者停住。
此外,行驶策略规划模块22也可非常详细地规划可行的行驶策略M,并且例如具有针对车辆10的控制装置18的对应的控制命令S和/或信号G。
运动规划模块24测定评估量B,其在本示例中为负。运动规划模块24在此对行驶策略Ma的选择进行罚分,因为为了到达行驶目的地,行驶策略Ma所需的时间更多。并且必须被制动。
故行驶策略规划模块22通过运动规划模块24获得负的评估量B,并据此调整决策子模块38,使得决策子模块38或者决策者40(例如通过调整加权系数aa、ab、ac)在下一次选择行驶策略Mb。
这样便在选择行驶策略的过程中将实际经验考虑在内。
下面结合图6至图8展示用于确定行驶策略的系统50的三个实施方式。
系统50具有数个车辆10,其大体如前文所描述的那样构建,故下文仅对区别进行说明。相同和等效的构件和模块是用同一附图标记表示。
图6为系统50的第一实施方式的示意性框图。图6中的系统50具有三个车辆10,即一个实施行驶策略MAG的车辆10a和两个获得车辆10a的知识数据E的车辆10b。
类似于在图1至图5中描述的控制设备14的实施方式,车辆10a,更确切言之车辆10a的控制设备14确定至少一个可行的行驶策略和/或待实施的行驶策略,借助行驶辅助系统16实施行驶策略,并且生成对应的知识数据E。
随后将知识数据E传输至车辆10b的行驶策略规划模块22,使得车辆10b的行驶策略规划模块22能够调整其对应的决策子模块38。
换言之,根据车辆10a已实施的行驶策略调整车辆10b的决策子模块38。
车辆10之间的数据交换,即知识数据的传输可通过无线接口进行。
图7为用于确定行驶策略的系统50的第二实施方式的示意性框图。所示实施方式大体等同于如图6所示的实施方式,故下文仅对区别进行说明。
在如图7所示的实施方式中,仅车辆参数采集模块21和行驶辅助系统16是在车辆10a和10b中实施。
设有独立的静止的服务器60,在所述服务器上实施了车辆10a的行驶策略规划模块22a、车辆10b的行驶策略规划模块22b和共用的运动规划模块24。
服务器60与车辆10建立通信,例如通过诸如移动无线电网络的无线连接实现。针对服务器60和车辆10a以及10b设有在图7中未绘示的对应的发送及接收装置。
借助无线连接,行驶策略规划模块22a获得车辆10a的车辆参数Pa,且行驶策略规划模块22b获得车辆10b的车辆参数Pb。
如前文所述,行驶策略规划模块22a或22b为车辆10a提供待实施的行驶策略MAZ,a或为车辆10b提供待实施的行驶策略MAZ,b。运动规划模块24确定待实施的行驶策略。
在如图7所示的实施方式中,运动规划模块24确定针对车辆10a的行驶策略MAG,a,不确定针对车辆10b的行驶策略。运动规划模块24将对应的控制命令Sa传输至车辆10a的行驶辅助系统16。
此外,仅设有在服务器侧实施的知识模块42。知识模块42基于所述待实施的行驶策略MAZ,a和MAZ,b、车辆参数Pa和Pb、评估量B和/或经实施的行驶策略MAG,a生成知识数据E。
知识数据E被传输至提供调整信息A的调整模块62,从而借助调整信息Aa对车辆10a的行驶策略规划模块22a进行调整,以及借助调整信息Ab对车辆10b的行驶策略规划模块22b进行调整。
换言之,服务器60对行驶策略规划模块22a和22b的决策子模块进行相应调整。
图8为系统50的第三实施方式的示意性框图。
与如图7所示的实施方式的区别在于,车辆10的行驶策略规划模块22均在车辆10中、而不是在服务器60上实施。
相应地,服务器60将调整信息Aa和Ab传输至车辆的10的各行驶策略规划模块22,从而借助调整信息Aa对车辆10a的行驶策略规划模块22的至少一个决策子模块和借助调整信息Ab对车辆10ba的行驶策略规划模块22的至少一个决策子模块进行调整。
为了进行简化,针对图6、图7和图8的实施方式分别示出仅两个车辆10。车辆10a实施行驶策略,且车辆10b的行驶策略规划模块22b借助知识数据E调整。一般而言,可以采用任意数目的车辆10a和10b。
通过系统50能够实现“车队学习”,亦即,根据其他车辆的经验(即在特定的交通情况下规划和/或实施的行驶策略),车辆能够调整其行驶策略规划模块22、特别是其决策子模块38,而无需经历过这些交通情况中的一部分。
图7和图8为例示性图式。服务器60用于说明:系统50的运动规划模块24和/或行驶策略规划模块22也可以在服务器60上实施,该服务器用作交通的中央控制中心。
一般而言,也可以仅将系统50的各模块,如分析模块46、行驶行程规划34、知识模块42和/或评估模块48实施在服务器60上。
换言之,无需在车辆10内实施系统50的所有模块。
为了进行阐释,在对实施方式的描述中对可行行驶策略M、待实施的行驶策略MAZ和经实施的行驶策略MAG进行了区分。一般而言,这些行驶策略无需不同,而是可以相同。
分析模块46特别是可以仅确定行驶策略能否实施。在行驶策略不可实施的情况下,运动规划模块24和/或分析模块46向行驶策略规划模块22发出指令,指示其提供新的行驶策略,再对该行驶策略进行分析。
Claims (16)
1.一种确定车辆的行驶策略的方法,具有以下步骤:
a)通过所述车辆(10)的行驶策略规划模块(22)获得车辆参数(P),
b)通过所述行驶策略规划模块(22)基于获得的车辆参数(P)借助行驶策略规划模块(22)的至少一个决策子模块(38)确定至少一个可行的行驶策略(M),
c)将所述至少一个可行的行驶策略(M)传输至车辆(10)的运动规划模块(24),
d)通过行驶策略规划模块(22)从运动规划模块(24)获得评估量(B),以及
e)根据获得的评估量(B)调整所述至少一个决策子模块(38)。
2.根据权利要求1所述的方法,其特征在于,从所述至少一个行驶策略(M)中选择一个待实施的行驶策略(MAZ),其中所述运动规划模块(24)如此控制所述车辆(10),使得车辆(10)实施行驶策略(MAG)。
3.根据权利要求2所述的方法,其特征在于,通过所述运动规划模块(24)以所述经实施的行驶策略(MAG)和/或实施行驶策略(MAG)期间的车辆参数(P)为基础测定所述评估量(B),其中评估量(B)特别是具有与至少一个相邻车辆的最小距离、最大横向加速度、最大纵向加速度和/或行驶策略的成本值。
4.根据权利要求2或3中任一项所述的方法,其特征在于,将知识数据(E)传输至至少另一车辆(10),其中所述知识数据(E)至少包含所述车辆参数(P)、所述待实施的行驶策略(MAZ)、所述经实施的行驶策略(MAG)和/或所述评估量(B),其中特别是根据所述经传输的知识数据(E)调整所述另一车辆(10)的决策子模块(38)。
5.根据上述权利要求中任一项所述的方法,其特征在于,所述至少一个决策子模块(38)根据成本函数,决策树,跟驰模型,特别是距离相关的跟驰模型和/或依据Wiedemann的心理物理学跟驰模型,以及/或者状态机确定所述可行的行驶策略(M)。
6.根据上述权利要求中任一项所述的方法,其特征在于,所述至少一个决策子模块(38)中的至少一个借助机器学习决策过程、特别是强化机器学习决策过程确定所述可行的行驶策略(M)。
7.根据权利要求6所述的方法,其特征在于,所述机器学习决策过程至少通过神经元网络实现,基于博弈论,是Markow决策过程和/或部分可观察的Markow决策过程。
8.根据权利要求6或7所述的方法,其特征在于,使用所述评估量(B)来对所述至少一个决策子模块(38)的机器学习决策过程进行训练。
9.根据上述权利要求中任一项所述的方法,其特征在于,设有数个决策子模块(38),其分别确定至少一个可行的行驶策略(M),其中决策者(40)从所述经确定的可行的行驶策略(M)中选择一个待实施的行驶策略(MAZ),其被传输至所述运动规划模块(24)。
10.根据权利要求9所述的方法,其特征在于,所述决策者(40)为车辆(10)的驾驶者、选择模块(44)或者上述的组合,其中所述选择模块(44)特别是根据对应的决策子模块(38)的可信度的权重(a)和/或可行的行驶策略(M)的出现频度选择待实施的行驶策略(MAZ)。
11.根据权利要求10所述的方法,其特征在于,所述选择模块(44)具有人造神经元网络。
12.一种针对车辆的用于控制所述车辆的控制设备,其中所述控制设备(14)适于实施如上述权利要求中任一项所述的方法。
13.一种车辆,包含如权利要求12所述的控制设备(14)和用于检测至少一个车辆参数(P)的至少一个传感器(12),其中所述车辆(10)适于实施如权利要求1至11中任一项所述的方法。
14.一种包含程序编码构件的计算机程序,用以在将所述计算机程序在计算单元(20)上、特别是如权利要求13所述的控制设备(14)的计算单元(20)上执行的情况下,实施如权利要求1至11中任一项所述的方法的步骤。
15.一种用于确定行驶策略的系统,包含至少一个如权利要求13所述的车辆(10),特别是至少两个如权利要求13所述的车辆(10)。
16.根据权利要求15所述的系统,其特征在于,所述系统(50)具有服务器(60),其为了数据连接而与所述至少一个车辆(10)连接,
其中所述运动规划模块(24)如此控制车辆(10),使得车辆(10)实施行驶策略(M),
其中所述服务器(60)获得以及/或者提供所述知识数据(E),以及,服务器(60)将所述知识数据(E)传输至至少另一车辆(10),以及/或者,服务器(60)根据知识数据(E)确定对所述至少另一车辆(10)的决策子模块(38)的调整,并将调整信息(A)传输至所述至少另一车辆(10)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019104974.1A DE102019104974A1 (de) | 2019-02-27 | 2019-02-27 | Verfahren sowie System zum Bestimmen eines Fahrmanövers |
DE102019104974.1 | 2019-02-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111626538A true CN111626538A (zh) | 2020-09-04 |
Family
ID=72138894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010115747.7A Pending CN111626538A (zh) | 2019-02-27 | 2020-02-25 | 用于确定行驶策略的方法以及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111626538A (zh) |
DE (1) | DE102019104974A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538940A (zh) * | 2021-07-08 | 2021-10-22 | 西湾智慧(广东)信息科技有限公司 | 适用于车路协同环境下的实时最优车道选择方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021110801A1 (de) | 2021-04-27 | 2022-10-27 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren, System, sowie Computerprogramm zum Ausführen, Unterdrücken oder Variieren zumindest einer Maßnahme in einem Fahrzeug |
DE102021110800A1 (de) | 2021-04-27 | 2022-10-27 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren, System, sowie Computerprogramm zum Trainieren eines neuronalen Netzes zum Betreiben in einem Fahrzeug |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107031331A (zh) * | 2016-02-03 | 2017-08-11 | 福特全球技术公司 | 横穿道路的异常检测系统和方法 |
CN108068815A (zh) * | 2016-11-14 | 2018-05-25 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于规划反馈的决策改进系统 |
CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策系统及方法 |
US20180292830A1 (en) * | 2017-04-06 | 2018-10-11 | Uber Technologies, Inc. | Automatic Tuning of Autonomous Vehicle Cost Functions Based on Human Driving Data |
US20180319403A1 (en) * | 2015-11-04 | 2018-11-08 | Volkswagen Aktiengesellschaft | Method and automatic control systems for determining a gap in traffic between two vehicles for a lane change of a vehicle |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016207276A1 (de) * | 2016-04-28 | 2017-11-02 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Freigabe einer Fahrfunktion in einem Fahrzeug |
US10752239B2 (en) * | 2017-02-22 | 2020-08-25 | International Business Machines Corporation | Training a self-driving vehicle |
-
2019
- 2019-02-27 DE DE102019104974.1A patent/DE102019104974A1/de active Pending
-
2020
- 2020-02-25 CN CN202010115747.7A patent/CN111626538A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180319403A1 (en) * | 2015-11-04 | 2018-11-08 | Volkswagen Aktiengesellschaft | Method and automatic control systems for determining a gap in traffic between two vehicles for a lane change of a vehicle |
CN107031331A (zh) * | 2016-02-03 | 2017-08-11 | 福特全球技术公司 | 横穿道路的异常检测系统和方法 |
CN108068815A (zh) * | 2016-11-14 | 2018-05-25 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于规划反馈的决策改进系统 |
US20180292830A1 (en) * | 2017-04-06 | 2018-10-11 | Uber Technologies, Inc. | Automatic Tuning of Autonomous Vehicle Cost Functions Based on Human Driving Data |
CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538940A (zh) * | 2021-07-08 | 2021-10-22 | 西湾智慧(广东)信息科技有限公司 | 适用于车路协同环境下的实时最优车道选择方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200269871A1 (en) | 2020-08-27 |
DE102019104974A1 (de) | 2020-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11714417B2 (en) | Initial trajectory generator for motion planning system of autonomous vehicles | |
CN111123933B (zh) | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 | |
EP3588226B1 (en) | Method and arrangement for generating control commands for an autonomous road vehicle | |
US10800416B2 (en) | Vehicle control system | |
US20220261010A1 (en) | Apparatus for controlling group driving and method thereof | |
WO2020119004A1 (en) | Personal driving style learning for autonomous driving | |
CN111833597B (zh) | 具有规划控制的交通情形中的自主决策 | |
CN113613980A (zh) | 控制自我和社会对象的安全性的方法和系统 | |
CN111626538A (zh) | 用于确定行驶策略的方法以及系统 | |
CN112088117B (zh) | 用于运行机动车的方法、控制系统和机动车 | |
EP3882100B1 (en) | Method for operating an autonomous driving vehicle | |
CN113791619B (zh) | 一种机场自动驾驶牵引车调度导航系统及方法 | |
CN112567439B (zh) | 一种交通流信息的确定方法、装置、电子设备和存储介质 | |
EP3915851B1 (en) | System and method for estimating take-over time | |
US12002353B2 (en) | Method and system for providing environmental data | |
CN115701295A (zh) | 用于车辆路径规划的方法和系统 | |
US20220041146A1 (en) | Systems and Methods for Emergency Braking in Autonomous Vehicles | |
CN114730186A (zh) | 用于运行车辆的自主行驶功能的方法 | |
US11966224B2 (en) | Systems and methods for detecting surprise movements of an actor with respect to an autonomous vehicle | |
EP4222035A1 (en) | Methods and systems for performing outlet inference by an autonomous vehicle to determine feasible paths through an intersection | |
CN111754015A (zh) | 在动态系统中训练和选择最优解决方案的系统和方法 | |
US12030517B2 (en) | Method and system for determining a driving maneuver | |
US20200333803A1 (en) | Method of assisting with the driving of vehicles, computer program and associated system | |
KR20240055023A (ko) | 자동차의 운행 환경을 모델링하는 방법 | |
CN114763156A (zh) | 使用基于关注度的事件结构的认知情境意识的方法 |
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 |