CN112046501A - 自动驾驶装置和方法 - Google Patents

Abstract

公开了一种自动驾驶装置和方法。自动驾驶装置可以包括：传感器单元，配置为检测自动行驶的本车辆周围的周围车辆以及已经进入本车辆的驾驶员的状态，驾驶信息检测器，配置为检测关于本车辆的驾驶状态的驾驶信息，存储器，配置为存储地图信息，以及处理器，配置为基于存储在存储器中的地图信息来控制本车辆的自动驾驶。

Description

自动驾驶装置和方法

相关申请的交叉引用

本申请要求于2019年5月20日提交的韩国专利申请第10-2019-0058612、10-2019-0058610、10-2019-0058599、10-2019-0058598和10-2019-0058603的优先权和权益，如同本文所述，出于所有目的，特此通过引用将其并入本文。

技术领域

本公开的示例性实施方式涉及应用于自动驾驶车辆的自动驾驶装置和方法。

背景技术

当今的汽车工业正朝着实施自动驾驶的方向发展，以最大程度地减少驾驶员对车辆驾驶的干预。自动驾驶车辆是指这样的车辆，该车辆通过在驾驶时使用外部信息检测和处理功能来识别周围环境来自动地确定驾驶路径，并利用其自身的动力独立地行驶。

尽管驾驶员不操作方向盘、加速踏板或制动器，但是自动驾驶车辆可以自动行驶到目的地，同时防止与驾驶路径上的障碍物碰撞并且基于道路的形状控制车辆速度和驾驶方向。例如，自动驾驶车辆可以在直路上执行加速，并且可以在根据弯道中的弯道的曲率改变驾驶方向的同时执行减速。

为了确保自动驾驶车辆的安全驾驶，需要通过使用安装在车辆上的传感器精确地测量驾驶环境并连续监视车辆的驾驶状态来基于测得的驾驶环境控制自动驾驶车辆的驾驶。为此，将诸如LIDAR传感器、雷达传感器、超声波传感器和相机传感器的各种传感器，即用于检测诸如周围车辆、行人和固定设施的周围对象的传感器应用于自动驾驶车辆。由这种传感器输出的数据用于确定驾驶环境的信息，例如状态信息，诸如周围对象的位置、形状、移动方向和移动速度。

此外，自动驾驶车辆还具有以下功能：通过使用先前存储的地图数据确定并校正车辆的位置来最佳地确定驾驶路径和驾驶车道的功能、控制车辆的驾驶以使车辆不会偏离所确定的路径和车道的功能、以及针对驾驶路径或在附近突然出现的车辆的危险因素进行防御和躲避驾驶的功能。

在韩国专利申请公开第10-1998-0068399号(1998年10月15日)中公开了本公开的背景。

发明内容

第一实施方式涉及提供自动驾驶装置和方法，其可以在控制车辆的自动驾驶的过程中，以通过考虑驾驶员和同行乘客的状态而确定的速度来控制车辆的横向驾驶的方式，提高车辆的自动驾驶稳定性，且还可以采取适合乘客状态的后续措施。

第二实施方式涉及提供自动驾驶装置和方法，用于在本车辆的自动驾驶控制过程中，通过考虑乘客所涉及的驾驶操作来学习应用于自动驾驶控制的自动驾驶算法，从而提高自动驾驶车辆的驾驶稳定性和驾驶精度。

第三实施方式涉及提供自动驾驶装置和方法，用于当本车辆的自动驾驶路径中存在改变本车辆的驾驶方向的目标点(例如十字路口或交叉路口)时，在基于到达目标点的轨迹的行驶过程中确保本车辆的驾驶稳定性，以及用于通过控制本车辆的自动停车来提高乘客的停车便利性，从而使本车辆能够到达在本车辆停车时已经纳入了乘客的停车偏好倾向的停车位置。

第四实施方式涉及提供自动驾驶装置和方法，用于通过考虑基于本车辆与周围车辆之间的距离的风险程度来校正本车辆的驾驶轨迹，来提高自动驾驶车辆的驾驶稳定性和驾驶精度。

第五实施方式涉及提供自动驾驶装置和方法，用于基于对自动驾驶车辆执行的自动驾驶控制的可靠性，通过向乘客输出适当的警告来提高自动驾驶车辆的驾驶稳定性和驾驶精度。

在第一实施方式中，一种自动驾驶装置包括：传感器单元，被配置为检测自动行驶的本车辆周围的周围车辆以及已经进入本车辆的驾驶员的状态，驾驶信息检测器，被配置为检测关于所述本车辆的驾驶状态的驾驶信息，存储器，被配置为存储地图信息，以及处理器，被配置为基于存储在所述存储器中的所述地图信息来控制所述本车辆的自动驾驶。存储器存储：基于当所述本车辆改变车道时的所述本车辆的所述驾驶信息而分析的驾驶员的车道变换模式，以及基于当所述本车辆改变车道时的关于道路状态的信息而确定并指示所述本车辆的车道改变的速度的车道变换率。处理器被配置为：基于第一预期驾驶轨迹来控制所述本车辆的自动驾驶，所述第一预期驾驶轨迹基于存储在所述存储器中的所述地图信息和所述车道变换率以及由所述驾驶信息检测器检测到的所述本车辆的所述驾驶信息而生成，并且基于由所述传感器单元检测到的所述乘客的状态通过选择性地应用所述第一预期驾驶轨迹或第二预期驾驶轨迹来控制所述本车辆的自动驾驶，并且所述第二预期驾驶轨迹是通过并入从存储在所述存储器中的所述车道变换率校正的校正后的车道变换率而生成。

在实施方式中，当所述本车辆改变车道时，所述车道变换率被映射到用于进入目标车道的入口转向角和入口速度并存储在所述存储器中。当基于所述第一预期驾驶轨迹来控制所述本车辆的自动驾驶时，所述处理器被配置为基于映射到所述车道变换率的所述入口转向角和所述入口速度来控制所述本车辆的自动驾驶。

在实施方式中，当基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶时，所述处理器被配置为基于具有大于映射到所述车道变换率的所述入口转向角和入口速度的值的入口转向角和入口速度来控制所述本车辆的自动驾驶。

在实施方式中，如果除驾驶员之外的同行乘客未进入所述本车辆，当基于由所述传感器单元检测到的所述驾驶员的状态而确定的所述驾驶员的驾驶集中度是预设的临界集中度或更大时，所述处理器被配置为基于所述第一预期驾驶轨迹来控制所述本车辆的自动驾驶。

在实施方式中，如果除驾驶员之外的同行乘客未进入所述本车辆，当基于由所述传感器单元检测到的所述驾驶员的状态确定所述驾驶员发生紧急情况时，所述处理器被配置为基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶。

在实施方式中，如果除所述驾驶员之外的同行乘客进入了所述本车辆，当基于由所述传感器单元检测到的所述同行乘客的状态确定所述同行乘客发生了紧急情况时，所述处理器被配置为基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶。

自动驾驶装置还包括输出单元。当所述本车辆的所述驾驶员的驾驶集中度小于预设的临界集中度时或者当确定所述本车辆的驾驶员或同行乘客已经发生紧急情况时，所述处理器被配置为通过所述输出单元输出警告。

在第一实施方式中，自动驾驶方法包括第一控制步骤，由处理器基于第一预期驾驶轨迹来控制本车辆的自动驾驶，所述第一预期驾驶轨迹是基于存储在存储器中的地图信息和车道变换率以及所述本车辆的驾驶信息而生成，其中，基于驾驶员的车道变换模式来确定所述车道变换率，所述驾驶员的车道变换模式是基于当所述本车辆改变车道时所述本车辆的驾驶信息和当所述本车辆改变车道时的关于道路状态的信息而分析，并且所述车道变换率指示所述本车辆的所述车道变换速度并且被存储在所述存储器中，以及第二控制步骤，由所述处理器基于所述传感器单元检测到的并进入所述本车辆的驾驶员的状态通过选择性地应用所述第一预期驾驶轨迹或所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶，其中，通过并入从存储在所述存储器中的所述车道变换率校正的校正后的车道变换率来生成所述第二预期驾驶轨迹。

在第二实施方式中，自动驾驶装置包括：存储器，被配置为存储用于对本车辆进行自动驾驶控制的自动驾驶算法，以及处理器，被配置为基于存储在存储器的自动驾驶算法来控制本车辆的自动驾驶。处理器被配置为通过将自动驾驶算法与从本车辆周围的周围车辆接收到的周围车辆自动驾驶算法进行比较来确定是否更新存储在存储器中的自动驾驶算法，并且基于通过更新当前存储在存储器中的自动驾驶算法，通过考虑涉及控制本车辆的自动驾驶的过程的本车辆的乘客的驾驶操作，允许执行对当前存储在存储器中的自动驾驶算法的学习。

在实施方式中，已经将指示本车辆的自动驾驶控制精度的第一精度指标映射到自动驾驶算法。已经将指示周围车辆的自动驾驶控制精度的第二精度指标映射到周围车辆的自动驾驶算法。

在实施方式中，处理器被配置为：当映射到周围车辆自动驾驶算法的第二精度指标大于映射到自动驾驶算法的第一精度指标时，处理器被配置为通过将周围的车辆自动驾驶算法存储在存储器中来更新自动驾驶算法。

在实施方式中，处理器被配置为基于当前存储在存储器中的自动驾驶算法来确定乘客的驾驶操作是否已经涉及控制本车辆的自动驾驶的过程，并且如果确定涉及乘客的驾驶操作，允许基于在涉及乘客的驾驶操作的时刻根据自动驾驶算法的控制过程与乘客的驾驶操作之间的比较结果，执行对自动驾驶算法的学习。

在实施方式中，处理器被配置为：如果确定已经涉及乘客的驾驶操作，则停止对本车辆的自动驾驶控制，然后允许执行自动驾驶算法的学习。

在一个实施方式中，处理器被配置为验证乘客的驾驶操作的风险的程度，然后当控制过程和乘客的驾驶操作不同时，然后允许执行自动驾驶算法的学习。

自动驾驶装置还包括：传感器单元，被配置为检测本车辆周围的周围对象，以及驾驶信息检测器，被配置为检测关于本车辆的驾驶状态的驾驶信息。处理器被配置为基于传感器单元检测到的关于周围对象的信息、驾驶信息检测器检测到的本车辆的驾驶信息、控制过程以及乘客的驾驶操作允许执行自动驾驶算法的学习。

在第二实施方式中，自动驾驶方法包括：由处理器基于存储在存储器中的自动驾驶算法，来控制本车辆的自动驾驶，由处理器通过将自动驾驶算法与从本车辆周围的周围车辆接收到的周围车辆自动驾驶算法进行比较来确定是否更新存储在存储器中的自动驾驶算法，以及由处理器基于通过更新当前存储在存储器中的自动驾驶算法，通过考虑涉及控制本车辆的自动驾驶的过程的本车辆的乘客的驾驶操作，允许执行对当前存储在存储器中的自动驾驶算法的学习。

在第三实施方式中，自动驾驶装置包括：存储器，被配置为存储地图信息；以及处理器，被配置为基于存储在存储器中的地图信息来控制本车辆的自动驾驶。处理器被配置为基于存储在存储器中的地图信息生成本车辆的预期驾驶轨迹，以基于从本车辆的当前位置到改变本车辆的驾驶方向的目标点的距离，修改属于本车辆的预期驾驶轨迹并且与本车辆的当前位置和目标点之间的轨迹相对应的目标轨迹，使得当在基于所生成的本车辆的预期驾驶轨迹控制本车辆的自动驾驶的过程中，目标点位于本车辆的前方时，本车辆通过车道变换到达目标点，并控制本车辆的自动驾驶，以便本车辆基于修改后的目标轨迹行驶。

自动驾驶装置还包括传感器单元，被配置为检测本车辆周围的周围车辆。当周围车辆的预期驾驶轨迹与实际驾驶轨迹之间的轨迹误差为预设的临界值或更大时，处理器被配置为基于存储在存储器中的地图信息和由传感器单元检测到的周围车辆的驾驶信息来生成周围车辆的预期驾驶轨迹和实际驾驶轨迹，以与从服务器收到的新地图信息一起更新存储在内存中的地图信息，并基于更新后的地图信息生成本车辆的预期驾驶轨迹。

在实施方式中，处理器被配置为当本车辆的当前位置与目标点之间的横向距离和纵向距离分别是预设的第一临界距离或更大和预设的第二临界距离或更大时，修改目标轨迹。

在实施方式中，处理器被配置为基于本车辆的当前位置和目标点之间的横向距离和纵向距离来修改目标轨迹，使得随着相对于在本车辆的当前位置和目标点之间存在的车道进行本车辆的逐步车道变换，本车辆到达目标点。

在实施方式中，处理器被配置为在本车辆根据本车辆当前位置与目标点之间的横向距离和纵向距离，在将车道变换为相邻车道后，完成车道变换的过程中，使用确定本车辆行驶的第一纵向行驶距离和本车辆在改变的车道行驶的第二纵向行驶距离的方法来修改目标轨迹。

在实施方式中，处理器被配置为当本车辆到达目的地并停车时，基于停车位上的停车地图信息，生成停车轨迹(在该轨迹上，本车辆到达已经引入了本车辆的乘客的停车偏好的停车位置)，并基于所生成的停车轨迹进行本车辆的自动停车。

在实施方式中，处理器被配置为当存在前方车辆时，接收进入该停车位的前方车辆的停车轨迹以生成本车辆的停车轨迹和停车位置，从而使本车辆的停车轨迹和停车位置不与前方车辆的停车轨迹和停车位置重叠，并执行本车辆的自动停车。

在实施方式中，处理器被配置为将本车辆的停车轨迹传送到进入停车位的后方车辆，这样，当存在后方车辆时，本车辆的停车轨迹和停车位置不会与后方车辆的停车轨迹和停车位置重叠。

在第三实施方式中，自动驾驶方法包括第一控制步骤：通过处理器根据基于存储在存储器中的地图信息生成的本车辆的预期驾驶轨迹来控制本车辆的自动驾驶的步骤，由处理器确定在本车辆之前是否存在改变本车辆的驾驶方向的目标点的步骤，如果确定目标点位于本车辆之前，则由处理器基于从本车辆的当前位置到目标点的距离，修改属于本车辆的预期驾驶轨迹并且与本车辆的当前位置和目标点之间的轨迹相对应的目标轨迹，使得本车辆可以通过车道变换到达目标点的步骤，以及第二控制步骤：由处理器控制本车辆的自动驾驶，使得本车辆基于修改后的目标轨迹行驶的步骤。

在第四实施方式中，自动驾驶装置包括：传感器单元，被配置为检测自动行驶的本车辆周围的周围车辆，存储器，被配置为存储地图信息，以及处理器，被配置为基于存储在存储器中的地图信息控制本车辆的自动驾驶。处理器被配置为基于由传感器单元检测到的周围车辆的驾驶信息来生成周围车辆的实际驾驶轨迹，基于存储在存储器中的地图信息来生成周围车辆的预期驾驶轨迹，基于存储在存储器中的地图信息生成本车辆的预期驾驶轨迹，以及如果基于实际驾驶轨迹与周围车辆的预期驾驶轨迹之间的比较确定需要校正本车辆的驾驶轨迹，则根据从本车辆到目标周围车辆的距离的风险程度，来校正本车辆的预期驾驶轨迹。

在实施方式中，处理器被配置为当周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差是预设的临界值或更大时，确定需要校正本车辆的预期驾驶轨迹。

在实施方式中，目标周围车辆包括分别在本车辆的左侧和右侧行驶的第一和第二目标周围车辆。处理器被配置为基于本车辆与第一目标周围车辆之间的横向距离以及本车辆与第二目标周围车辆之间的横向距离，在本车辆的驾驶风险程度较低的方向上校正本车辆的预期驾驶轨迹。

在实施方式中，处理器被配置为当本车辆接近第一和第二目标周围车辆时，确定用于在本车辆的驾驶风险的程度低的方向上校正本车辆的预期驾驶轨迹的主偏移值，以通过基于指示接近风险程度的权重校正主偏移值来确定最终偏移值，并基于所确定的最终偏移值来校正本车辆的预期驾驶轨迹。

在第四实施方式中，自动驾驶方法包括：由处理器基于存储在存储器中的地图信息控制本车辆的自动驾驶，由处理器基于传感器单元检测到的周围车辆的驾驶信息，生成本车辆周围的周围车辆的实际驾驶轨迹，由处理器基于存储在存储器中的地图信息生成周围车辆的预期驾驶轨迹，由处理器基于存储在存储器中的地图信息生成本车辆的预期驾驶轨迹，由处理器基于周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的比较，确定是否需要对本车辆的预期驾驶轨迹进行校正，如果确定需要校正本车辆的预期驾驶轨迹，则由处理器基于根据从本车辆到目标周围车辆的距离的风险程度来校正本车辆的预期驾驶轨迹。

在第五实施方式中，自动驾驶装置包括传感器单元，配置为检测自动行驶的本车辆周围的周围车辆，以及已经进入本车辆的乘客的状态；输出单元；用于存储地图信息的处理器，以及处理器，配置为基于存储在存储器中的地图信息控制本车辆的自动驾驶。处理器被配置为基于传感器单元检测到的周围车辆的驾驶信息，生成周围车辆的实际驾驶轨迹；基于存储在存储器中的地图信息生成周围车辆的预期驾驶轨迹，基于所生成的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差的大小或轨迹误差的累加，进行本车辆自动驾驶控制可靠性的诊断，如果基于可靠性诊断的执行结果确定本车辆的自动驾驶控制不可靠，则考虑到传感器单元检测到的乘客的状态，通过输出单元向乘客输出警告。

在实施方式中，处理器被配置为在预设的第一临界时间内，当轨迹误差的大小为预设的第一临界值或更大的状态发生时，本车辆的自动驾驶控制不可靠。

在实施方式中，此外，处理器被配置为在第一临界时间内保持轨迹误差的大小小于第一临界值的状态下，基于轨迹误差的累加来执行可靠性诊断。

在实施方式中，处理器被配置为，当在第二临界时间内(在第一临界时间内保持轨迹误差的大小小于第一临界值的状态下，大于第一临界时间的值)，轨迹误差的累加为预设的第二临界值或更大的状态发生时，确定本车辆的自动驾驶控制不可靠。

在实施方式中，处理器被配置为在通过输出单元将警告输出给乘客后，当轨迹误差的大小变得小于第一临界值或者轨迹误差的累加变得小于第二临界值时解除通过输出单元输出的警告。

在实施方式中，处理器被配置为在通过输出单元向乘客发出警告之后，如果确定传感器单元检测到的乘客的状态为前视状态，则解除通过输出单元输出的警告。

在第五实施方式中，自动驾驶方法包括：由处理器基于存储在存储器中的地图信息控制本车辆的自动驾驶，由处理器基于传感器单元检测到的周围车辆的驾驶信息，生成本车辆周围的周围车辆的实际驾驶轨迹；由处理器基于存储在存储器中的地图信息生成周围车辆的预期驾驶轨迹，由处理器基于所生成的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差的大小或轨迹误差的累加，对本车辆进行自动驾驶控制的可靠性诊断，如果基于可靠性诊断的执行结果确定对本车辆的自动驾驶控制不可靠，则考虑由传感器单元检测到的乘客的状态，由处理器通过输出单元向乘客输出警告。

附图说明

图1是可以应用根据本公开的实施方式的自动驾驶装置的自动驾驶控制系统的总体框图。

图2是示出根据本公开的实施方式的自动驾驶装置中的自动驾驶综合控制器的详细配置的框图。

图3是示出其中根据本公开的实施方式的自动驾驶装置被应用于车辆的示例的示例性示图。

图4是示出应用了根据本公开的实施方式的自动驾驶装置的车辆的内部结构的示例的示例图。

图5是示出根据本公开的实施方式的LIDAR传感器、雷达传感器和相机传感器可在其中检测自动驾驶装置中的周围对象的设置距离和水平视场的示例的示例图。

图6是示出根据本公开的实施方式的其中传感器单元在自动驾驶装置中检测周围车辆的示例的示例图。

图7是示出根据本公开的第一实施方式的在自动驾驶装置中将车道变换率数据库化并存储在存储器中的处理的框图。

图8和图9是用于描述根据本公开的第一实施方式的自动驾驶方法的流程图。

图10是用于描述根据本公开的第二实施方式的自动驾驶方法的流程图。

图11是示出根据本公开的第三实施方式的自动驾驶装置中的本车辆的当前位置与目标点之间的横向距离和纵向距离的示例性示图。

图12是示出在根据本公开的第三实施方式的自动驾驶装置中修改目标轨迹的过程的示例图。

图13是用于描述根据本公开的第三实施方式的自动驾驶方法的流程图。

图14和图15是用于描述根据本公开的第四实施方式的自动驾驶方法的流程图。

图16和图17是用于描述根据本公开的第五实施方式的自动驾驶方法的流程图。

具体实施方式

在下文中，下面将通过各种示例性实施方式参考附图来描述自动驾驶装置和方法。为了描述的清楚和方便起见，在此过程中附图中所示的线的粗细或元素的大小可能已被放大。在下文中描述的术语已经通过考虑其在本公开中的功能来定义，并且可以根据用户或操作者的意图或实践而改变。因此，应基于本说明书的整体内容来解释这些术语。

图1是可以应用根据本公开的实施方式的自动驾驶装置的自动驾驶控制系统的总体框图。图2是示出根据本公开的实施方式的自动驾驶装置中的自动驾驶综合控制器的详细配置的框图。图3是示出其中根据本公开的实施方式的自动驾驶装置被应用于车辆的示例的示例性示图。图4是示出应用了根据本公开的实施方式的自动驾驶装置的车辆的内部结构的示例的示例图。图5是示出根据本公开的实施方式的LIDAR传感器、雷达传感器和相机传感器可在其中检测自动驾驶装置中的周围对象的设置距离和水平视场的示例的示例图。图6是示出根据本公开的实施方式的其中传感器单元在自动驾驶装置中检测周围车辆的示例的示例图。

首先，参照图1和图3描述可以应用根据本实施方式的自动驾驶装置的自动驾驶控制系统的结构和功能。如图1所示，自动驾驶控制系统可以基于自动驾驶综合控制器600来实现，该自动驾驶综合控制器600被配置为通过驾驶信息输入接口101、行驶信息输入接口201、乘客输出接口301和车辆控制输出接口401来发送和接收车辆的自动驾驶控制所需的数据。

自动驾驶综合控制器600可以在车辆的自动驾驶模式或手动驾驶模式下，基于乘客对用户输入单元100的操作通过驾驶信息输入接口101来获取驾驶信息。如图1所示，例如，用户输入单元100可以包括驾驶模式切换110和用户终端120(例如，安装在车辆上的导航终端或乘客拥有的智能手机或平板电脑)。因此，驾驶信息可以包括车辆的驾驶模式信息和导航信息。例如，通过乘客对驾驶模式切换110的操作而确定的车辆的驾驶模式(即自动驾驶模式/手动驾驶模式或运动模式/节能模式/安全模式/普通模式)可以作为驾驶信息通过驾驶信息输入接口101被发送到自动驾驶综合控制器600。此外，导航信息，例如乘客的目的地和乘客通过用户终端120输入的到达目的地的路径(例如，到达目的地的候选路径中的乘客选择的最短路径或偏好路径)可以作为驾驶信息通过驾驶信息输入接口101被发送到自动驾驶综合控制器600。用户终端120可以被实现为提供用户界面(UI)的控制面板(例如，触摸屏面板)，驾驶员通过该用户界面输入或修改用于车辆的自动驾驶控制的信息。在这种情况下，驾驶模式切换110可以被实现为用户终端120上的触摸按钮。

此外，自动驾驶综合控制器600可以通过行驶信息输入接口201获取表示车辆的驾驶状态的行驶信息。行驶信息可以包括当乘客操作方向盘时形成的转向角，当踩踏加速踏板或制动踏板时形成的加速踏板行程或制动踏板行程，以及指示车辆的驾驶状态和行为的各种类型的信息，例如车辆速度、加速度、偏航、俯仰和侧倾、以及在车辆中形成的行为。如图1所示，行驶信息可以由包括转向角传感器210、加速位置传感器(APS)/踏板行程传感器(PTS)220、车辆速度传感器230、加速度传感器240、偏航/俯仰/侧倾传感器250的行驶信息检测单元200检测。此外，车辆的行驶信息可以包括车辆的位置信息。可以通过应用于车辆的全球定位系统(GPS)接收器260获取车辆的位置信息。这样的行驶信息可以通过行驶信息输入接口201被发送到自动驾驶综合控制器600，并且可以被用于在车辆的自动驾驶模式或手动驾驶模式下控制车辆的驾驶。

此外，自动驾驶综合控制器600可以在车辆的自动驾驶模式或手动驾驶模式下通过乘客输出接口301将提供给乘客的驾驶状态信息发送到输出单元300。即，自动驾驶综合控制器600将车辆的驾驶状态信息发送到输出单元300，使得乘客可以基于通过输出单元300输出的驾驶状态信息来检查车辆的自动驾驶状态或手动驾驶状态。驾驶状态信息可包括指示车辆的驾驶状态的各种类型的信息，例如，当前的驾驶模式、车辆的变速范围和车速。此外，如果确定有必要在车辆的自动驾驶模式或手动驾驶模式下警告驾驶员驾驶状态信息，则自动驾驶综合控制器600通过乘客输出接口301将警告信息发送到输出单元300，以便输出单元300可以向驾驶员输出警告。如图1所示，为了在听觉和视觉上输出这种驾驶状态信息和警告信息，输出单元300可以包括扬声器310和显示器320。在这种情况下，显示器320可以被实现为与用户终端120相同的装置，或者可以被实现为与用户终端120分离的独立装置。

此外，自动驾驶综合控制器600可以在车辆的自动驾驶模式或手动驾驶模式中通过车辆控制输出接口401将用于车辆的驾驶控制的控制信息发送到应用于车辆的低等级控制系统(low-ranking control system)400。如图1所示，用于车辆的驾驶控制的低等级控制系统400可以包括发动机控制系统410、制动控制系统420和转向控制系统430。自动驾驶综合控制器600可以通过车辆控制输出接口401将发动机控制信息、制动控制信息和转向控制信息作为控制信息发送到相应的低等级控制系统410、420和430。因此，发动机控制系统410可以通过增加或减少供应给发动机的燃料来控制车辆的车速和加速度。制动控制系统420可以通过控制车辆的制动功率来控制车辆的制动。转向控制系统430可以通过应用于车辆的转向装置(例如，电动机驱动的动力转向(MDPS)系统)来控制车辆的转向。

如上所述，根据本实施方式的自动驾驶综合控制器600可以获取以下信息：分别通过驾驶信息输入接口101和行驶信息输入接口201的可以发送到输出单元300的基于驾驶员的操作的驾驶信息和指示车辆的驾驶状态的行驶信息，基于其中通过处理器610所处理的自动驾驶算法而生成的并可以通过乘客输出接口301传输到低等级控制系统400的驾驶状态信息和警告信息、基于通过处理器610所处理的自动驾驶算法而生成的通过车辆控制输出接口401以使得执行车辆的驾驶控制的控制信息。

为了保证车辆的稳定自动驾驶，需要通过精确地测量车辆的驾驶环境来连续地监视车辆的驾驶状态，并且基于所测量的驾驶环境来控制驾驶。为此，如图1所示，根据本实施方式的自动驾驶装置可以包括传感器单元500，用于检测车辆的周围对象，例如周围车辆、行人、道路或固定设施(例如，信号灯、路标、交通标志或建筑围栏)。如图1所示，传感器单元500可以包括LIDAR传感器510、雷达传感器520和相机传感器530中的一个或多个，以便检测车辆外部的周围对象。

LIDAR传感器510可以将激光信号发送到车辆的外围，并且可以通过接收从对应对象反射并返回的信号来检测车辆外部的周围对象。LIDAR传感器510可以检测位于根据其规格预先定义的设置距离、设置垂直视场和设置水平视场内的周围对象。LIDAR传感器510可以包括分别安装在车辆的前侧、顶和后侧的前LIDAR传感器511、顶LIDAR传感器512和后LIDAR传感器513，但是每个传感器的安装位置和安装的传感器数量不限于特定实施方式。用于确定从相应对象反射并返回的激光信号的有效性的阈值可以预先存储在自动驾驶综合控制器600的存储器620中。自动驾驶综合控制器600的处理器610可以使用测量通过LIDAR传感器510传输的激光信号从相应对象反射并返回的激光信号所花费的时间的方法来确定相应对象的位置(包括到相应对象的距离)、速度和移动方向。

雷达传感器520可以在车辆周围辐射电磁波，并且可以通过接收从对应对象反射并返回的信号来检测车辆外部的周围对象。雷达传感器520可以检测在根据其规格预先定义的设置距离、设置垂直视场和设置水平视场内的周围对象。雷达传感器520可以包括分别安装在车辆的前侧、左侧、右侧和后侧的前雷达传感器521、左雷达传感器522、右雷达传感器523和后雷达传感器524，但是，每个传感器的安装位置和安装的传感器数量不限于特定实施方式。自动驾驶综合控制器600的处理器610可以使用分析通过雷达传感器520发送和接收的电磁波的功率的方法来确定相应对象的位置(包括到相应对象的距离)、速度和移动方向。

相机传感器530可以通过拍摄车辆的外围来检测车辆外部的周围对象，并且可以检测在根据其规格预先定义的设置距离、设置垂直视场和设置水平视场内的周围对象。相机传感器530可以包括分别安装在车辆的前侧、左侧、右侧和后侧的前相机传感器531、左相机传感器532、右相机传感器533和后相机传感器534，但是，每个传感器的安装位置和安装的传感器数量不限于特定实施方式。自动驾驶综合控制器600的处理器610可以通过将预定义的图像处理应用于由相机传感器530捕获的图像来确定相应对象的位置(包括到相应对象的距离)、速度和移动方向。此外，用于拍摄车辆内部的内部相机传感器535可以安装在车辆内的给定位置(例如，后视镜)。自动驾驶综合控制器600的处理器610可以基于由内部相机传感器535捕获的图像来监视乘客的行为和状态，并且可以通过输出单元300向乘客输出指导或警告。

如图1所示，除了LIDAR传感器510、雷达传感器520和相机传感器530外，传感器单元500还可以包括超声传感器540，并且还可以采用各种类型的传感器来与这些传感器一起检测车辆的周围对象。为了帮助理解本实施方式，图3示出了前LIDAR传感器511或前雷达传感器521已经安装在车辆的前部，后LIDAR传感器513或后雷达传感器524已经安装在车辆的后部，前相机传感器531、左相机传感器532、右相机传感器533和后相机传感器534分别安装在车辆的前侧、左侧、右侧和后侧的示例。然而，如上所述，每个传感器的安装位置和安装的传感器数量不限于特定实施方式。图5示出了设定距离和水平视场的示例，在该距离和水平视场内，LIDAR传感器510、雷达传感器520和相机传感器530可以检测车辆前方的周围对象。图6示出了每个传感器检测周围对象的示例。图6仅是检测周围对象的示例。检测周围对象的方法取决于每个传感器的安装位置和安装的传感器数量。可以根据传感器单元500的配置来检测自动行驶的本车辆的全方位区域中的周围车辆和周围对象。

此外，为了确定车辆内乘客的状态，传感器单元500还可包括麦克风和生物传感器，用于检测乘客的语音和生物信号(例如，心率、心电图、呼吸、血压、体温、脑电图、光电容积脉搏波(或脉搏波)和血糖)。生物传感器可以包括心率传感器、心电图传感器、呼吸传感器、血压传感器、体温传感器、脑电图传感器、光电容积脉搏波传感器和血糖传感器。

图4示出了车辆的内部结构的示例。可以在车辆内安装内部装置，内部装置的状态由乘客(诸如车辆的驾驶员或同行乘客)操作来控制，并且支持该乘客的驾驶或便利(例如，休息或娱乐活动)。这样的内部装置可以包括其中乘客所乘坐的车辆座椅S、诸如内部灯和氛围灯的照明装置L、用户终端120、显示器320和内部桌子。内部装置的状态可以由处理器610控制。

车辆座椅S的角度可以通过处理器610(或通过乘客的手动操作)进行调整。如果车辆座椅S配置有前排座椅S1和后排座椅S2，则仅可以调节前排座椅S1的角度。如果不设置后排座椅S2并且将前排座椅S1分为座椅结构和脚凳结构，则前排座椅S1可以被实现为使得前排座椅S1的座椅结构与脚凳结构在物理上分开，并且调节前排座椅S1的角度。此外，可以设置用于调节车辆座椅S的角度的致动器(例如，电动机)。照明装置L的打开和关闭可以由处理器610(或通过乘客的手动操作)来控制。如果照明装置L包括多个照明单元，例如内部灯和氛围灯，则可以独立地控制每个照明单元的打开和关闭。用户终端120或显示器320的角度可以由处理器610(或者通过乘客的手动操作)基于乘客的视场角来调节。例如，可以调整用户终端120或显示器320的角度，使得其屏幕沿乘客的注视方向放置。在这种情况下，可以提供用于调节用户终端120和显示器320的角度的致动器(例如，电动机)。

如图1所示，自动驾驶综合控制器600可以通过网络与服务器700通信。自动驾驶综合控制器600和服务器700之间的网络方法可以采用诸如广域网(WAN)、局域网(LAN)或个人局域网(PAN)之类的各种通信方法。此外，为了确保广泛的网络覆盖，使用了低功耗的广域网(LPWAN，包括LoRa、Sigfox、Ingenu、LTE-M和NB-IOT等商业化技术，即IoT中覆盖范围非常广的网络)可以采用通信方式。例如，可以采用LoRa(能够进行低功率通信并且还具有最大约20Km的宽覆盖范围)或Sigfox(根据环境，覆盖范围从10Km(市区)到30Km(在市区以外的郊区))通信方法。此外，可以采用，基于第三代合作伙伴计划(3GPP)版本12、13的LTE网络技术，例如机器类型通信(LTE-MTC)(或LTE-M)、窄带(NB)LTE-M和具有省电模式(PSM)的NBIoT。服务器700可以提供最新的地图信息(可以对应于各种类型的地图信息，例如二维(2-D)导航地图数据，三维(3-D)流形地图数据或3D高精度电子地图数据)。此外，服务器700可以提供各种类型的信息，例如道路中的事故信息、道路控制信息、交通量信息和天气信息。自动驾驶综合控制器600可以通过从服务器700接收最新的地图信息来更新存储在存储器620中的地图信息，可以接收事故信息、道路控制信息、交通量信息和天气信息，并且可以将该信息用于车辆的自动驾驶控制。

参照图2描述根据本实施方式的自动驾驶综合控制器600的结构和功能。如图2所示，自动驾驶综合控制器600可以包括处理器610和存储器620。

存储器620可以存储车辆的自动驾驶控制所需的基本信息，或者可以存储由处理器610控制的车辆的自动驾驶过程中生成的信息。处理器610可以访问(或读取)存储在存储器620中的信息，并且可以控制车辆的自动驾驶。存储器620可以被实现为计算机可读记录介质，并且能够以被处理器610访问的方式操作。具体地，存储器620可以被实现为硬盘驱动器、磁带、存储卡、只读存储器(ROM)、随机存取存储器(RAM)、数字视频光盘(DVD)或光学数据存储(例如光盘)。

存储器620可以存储处理器610进行自动驾驶控制所需的地图信息。存储在存储器620中的地图信息可以是提供道路单元信息的导航地图(或数字地图)，但是为了提高自动驾驶控制的精度，可以将地图信息实现为提供道路单元的道路信息的精确道路地图，即3D高精度电子地图数据。因此，存储在存储器620中的地图信息可以提供车辆的自动驾驶控制所需的动态和静态信息，例如车道、车道的中心线、执法车道、道路边界、道路的中心线、交通标志、道路标记、道路的形状和高度以及车道宽度。

此外，存储器620可以存储用于车辆的自动驾驶控制的自动驾驶算法。自动驾驶算法是用于识别自动驾驶车辆的周围，确定其周围的状态并基于确定结果来控制车辆的驾驶的算法(识别、确定和控制算法)。处理器610可以通过执行存储在存储器620中的自动驾驶算法来执行针对车辆周围环境的主动自动驾驶控制。

处理器610可以基于分别从驾驶信息输入接口101和行驶信息输入接口201接收的驾驶信息和行驶信息、传感器单元500检测到的关于周围对象的信息、以及存储在存储器620中的地图信息和自动驾驶算法，来控制车辆的自动驾驶。处理器610可以实现为嵌入式处理器，例如复杂指令集计算机(CICS)或精简指令集计算机(RISC)，或者专用半导体电路，例如专用集成电路(ASIC)。

在本实施方式中，处理器610可以通过分析自动行驶的本车辆和周围车辆的各自的驾驶轨迹来控制自动行驶的本车辆的自动驾驶。为此，如图2所示，处理器610可以包括传感器处理模块611、驾驶轨迹生成模块612、驾驶轨迹分析模块613、驾驶控制模块614、乘客状态确定模块616和轨迹学习模块615。图2基于其功能将每个模块图示为独立的方框，但是这些模块可以被集成到单个模块中并且被实现为用于集成和执行模块的功能的元件。

传感器处理模块611可以基于传感器单元500检测到自动行驶的本车辆周围的周围车辆的结果来确定周围车辆的行驶信息(即，包括周围车辆的位置，并且可以进一步包括周围车辆沿该位置的速度和移动方向)。即，传感器处理模块611可以基于通过LIDAR传感器510接收的信号来确定周围车辆的位置，可以基于通过雷达传感器520接收的信号来确定周围车辆的位置，可以基于由相机传感器530捕获的图像来确定周围车辆的位置，并且可以基于通过超声波传感器540接收到的信号来确定周围车辆的位置。为此，如图1所示，传感器处理模块611可以包括LIDAR信号处理模块611a、雷达信号处理模块611b和相机信号处理模块611c。在一些实施方式中，可以将超声信号处理模块(未示出)进一步添加到传感器处理模块611。使用LIDAR传感器510、雷达传感器520和相机传感器530确定周围车辆的位置的方法的实现方法不限于特定实施方式。此外，传感器处理模块611除了确定周围车辆的位置、速度和移动方向之外，还可以确定属性信息，例如周围车辆的大小和类型。可以预先定义用于确定诸如周围车辆的位置、速度、移动方向、大小和类型的信息的算法。

驾驶轨迹生成模块612可以生成周围车辆的实际驾驶轨迹和预期驾驶轨迹以及自动行驶的本车辆的实际驾驶轨迹。为此，如图2所示，驾驶轨迹生成模块612可包括周围车辆驾驶轨迹生成模块612a和自动驾驶的车辆的驾驶轨迹生成模块612b。

首先，周围车辆驾驶轨迹生成模块612a可以生成周围车辆的实际驾驶轨迹。

具体地，周围车辆驾驶轨迹生成模块612a可以基于由传感器单元500检测到的周围车辆的行驶信息(即，由传感器处理模块611确定的周围车辆的位置)来生成周围车辆的实际驾驶轨迹。在这种情况下，为了生成周围车辆的实际驾驶轨迹，周围车辆驾驶轨迹生成模块612a可以参考存储在存储器620中的地图信息，并且可以通过交叉参考(crossreference)由传感器单元500检测到的周围车辆的位置和存储在存储器620中的地图信息中的给定位置来生成周围车辆的实际驾驶轨迹。例如，当传感器单元500在特定点检测到周围车辆时，周围车辆驾驶轨迹生成模块612a可以通过交叉参考检测到的周围车辆的位置和地图信息中的给定位置，来在存储在存储器620中的地图信息中指定当前检测到的周围车辆的位置。如上所述，周围车辆驾驶轨迹生成模块612a可以通过连续地监视周围车辆的位置来生成周围车辆的实际驾驶轨迹。也就是说，周围车辆驾驶轨迹生成模块612a可以通过将由传感器单元500检测到的周围车辆的位置映射到存储在存储器620中的地图信息中的位置，基于交叉参考并累积位置，来生成周围车辆的实际驾驶轨迹。

可以将周围车辆的实际驾驶轨迹与稍后将描述的周围车辆的预期驾驶轨迹进行比较，以用于确定存储在存储器620中的地图信息是否准确。在这种情况下，如果将特定周围车辆的实际驾驶轨迹与预期驾驶轨迹进行比较，则可能存在以下问题：尽管地图信息是准确的，但是错误地确定了存储在存储器620中的地图信息是不正确的。例如，如果多个周围车辆的实际驾驶轨迹和预期驾驶轨迹相同，并且特定周围车辆的实际驾驶轨迹和预期驾驶轨迹不同，则仅将特定周围车辆的实际驾驶轨迹与预期驾驶轨迹进行比较时，尽管地图信息是准确的，但是可能错误地确定存储在存储器620中的地图信息是不正确的。为了防止该问题，有必要确定多个周围车辆的实际驾驶轨迹的趋势是否超出预期驾驶轨迹。为此，周围车辆驾驶轨迹生成模块612a可以生成多个周围车辆中的每一个的实际驾驶轨迹。此外，如果出于直线路径驾驶的目的，考虑到周围车辆的驾驶员在他或她的驾驶过程中趋向于稍微向左和向右移动方向盘，可以以弯曲形式而不是直线形式生成周围车辆的实际驾驶轨迹。为了计算稍后将描述的预期驾驶轨迹之间的误差，周围车辆驾驶轨迹生成模块612a可以通过将给定的平滑方案应用于以曲线形式生成的原始实际驾驶轨迹来生成直线形式的实际驾驶轨迹。可以采用各种方案，例如对周围车辆的每个位置进行插值，作为平滑方案。

此外，周围车辆驾驶轨迹生成模块612a可以基于存储在存储器620中的地图信息来生成周围车辆的预期驾驶轨迹。

如上所述，存储在存储器620中的地图信息可以是3D高精度电子地图数据。因此，地图信息可以提供车辆的自动驾驶控制所需的动态和静态信息，例如车道、车道的中心线、执法车道(enforcement lane)、道路边界、道路的中心线、交通标志、道路标记、道路的形状和高度以及车道宽度。如果考虑到车辆通常在车道的中间行驶，则可以预期在自动行驶的本车辆周围行驶的周围车辆也将在车道的中间行驶。因此，周围车辆驾驶轨迹生成模块612a可以生成周围车辆的预期驾驶轨迹作为并入地图信息中的道路的中心线。

自动驾驶的车辆的驾驶轨迹生成模块612b可以基于通过行驶信息输入接口201获取的自动行驶的本车辆的行驶信息，生成到目前为止已经被驾驶的自动行驶的本车辆的实际驾驶轨迹。

具体地，自动驾驶的车辆的驾驶轨迹生成模块612b可以通过交叉参考通过行驶信息输入接口201(即，由GPS接收器260获取的关于自动行驶的本车辆的位置的信息)获取的自动行驶的本车辆的位置和存储在存储器620中的地图信息中的给定位置，来生成自动行驶的本车辆的实际驾驶轨迹。例如，自动驾驶的车辆的驾驶轨迹生成模块612b可以通过交叉参考通过行驶信息输入接口201获取的自动行驶的本车辆的位置和地图信息中的给定位置，在地图信息中指定存储在存储器620中的自动行驶的本车辆的当前位置。如上所述，自动驾驶的车辆的驾驶轨迹生成模块612b可以通过连续地监视自动行驶的本车辆的位置来生成自动行驶的本车辆的实际驾驶轨迹。也就是说，自动驾驶的车辆的驾驶轨迹生成模块612b可以通过将通过行驶信息输入接口201获取的自动行驶的本车辆的位置映射到存储在存储器620中的地图信息中的位置，基于交叉参考并累积位置，来生成自动行驶的本车辆的实际驾驶轨迹。

此外，自动驾驶的车辆的驾驶轨迹生成模块612b可以基于存储在存储器620中的地图信息来生成直至自动行驶的本车辆的目的地的预期驾驶轨迹。

也就是说，自动驾驶的车辆的驾驶轨迹生成模块612b可以使用通过行驶信息输入接口201(即，通过GPS接收器260获取的关于自动行驶的本车辆的当前位置的信息)获取的自动行驶的本车辆的当前位置和存储在存储器620中的地图信息，来生成到达目的地的预期驾驶轨迹。与周围车辆的预期驾驶轨迹类似，自动行驶的本车辆的预期驾驶轨迹可以被生成为并入到存储在存储器620中的地图信息中的道路的中心线。

由周围车辆驾驶轨迹生成模块612a和自动驾驶的车辆的驾驶轨迹生成模块612b生成的驾驶轨迹可以存储在存储器620中，并且可以用于在由处理器610控制自动行驶的本车辆的自动驾驶的过程中的各种目的。

驾驶轨迹分析模块613可以通过分析由驾驶轨迹生成模块612生成并存储在存储器620中的驾驶轨迹(即，周围车辆的实际驾驶轨迹和预期驾驶轨迹以及自动行驶的本车辆的实际驾驶轨迹)来诊断自动行驶的本车辆的自动驾驶控制的当前可靠性。自动驾驶控制的可靠性的诊断可以在分析周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差的过程中执行。

驾驶控制模块614可以执行用于控制自动行驶的本车辆的自动驾驶的功能。具体地，驾驶控制模块614可以分别使用通过驾驶信息输入接口101和行驶信息输入接口201接收的驾驶信息和行驶信息、传感器单元500检测到的关于周围对象的信息、以及存储在存储器620中的地图信息，来综合地(synthetically)处理自动驾驶算法，可以通过车辆控制输出接口401将控制信息发送到低等级控制系统400，使得低等级控制系统400控制自动行驶的本车辆的自动驾驶，并且可以通过乘客输出接口301将自动行驶的本车辆的驾驶状态信息和警告信息发送到输出单元300，使得驾驶员可以识别驾驶状态信息和警告信息。此外，当集成并控制这种自动驾驶时，驾驶控制模块614通过考虑已经由传感器处理模块611、驾驶轨迹生成模块612和驾驶轨迹分析模块613分析的自动行驶的本车辆和周围车辆的驾驶轨迹来控制自动驾驶，从而提高自动驾驶控制的精度并增强自动驾驶控制的安全性。

轨迹学习模块615可以对由自动驾驶的车辆的驾驶轨迹生成模块612b生成的自动行驶的本车辆的实际驾驶轨迹进行学习或校正。例如，当周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差为预设阈值或更大时，轨迹学习模块615可以通过确定存储在存储器620中的地图信息不正确，来确定需要校正自动行驶的本车辆的实际驾驶轨迹。因此，轨迹学习模块615可以确定用于校正自动行驶的本车辆的实际驾驶轨迹的横向偏移值，并且可以校正自动行驶的本车辆的驾驶轨迹。

乘客状态确定模块616可以基于由内部相机传感器535和生物传感器检测到的乘客的状态和生物信号来确定乘客的状态和行为。由乘客状态确定模块616确定的乘客状态可以用于对自动行驶的本车辆的自动驾驶控制或在向乘客输出警告的过程中。

[第一实施方式]

第一实施方式，其中，基于乘客的状态通过选择性地应用第一预期驾驶轨迹或第二预期驾驶轨迹来控制车辆的自动驾驶，该第一预期驾驶轨迹是基于根据驾驶员的车道变换模式和关于道路状态的信息而预先确定的车道变换率，该第二预期驾驶轨迹是基于根据前述的内容在下面将要描述校正后的车道变换率。

基本上，处理器610可以基于存储在存储器620中的地图信息和车道变换率以及基于本车辆的驾驶信息而生成的预期驾驶轨迹(第一预期驾驶轨迹)，来控制本车辆的自动驾驶。在这种情况下，基于驾驶员的车道变换模式来确定车道变换率，该驾驶员的车道变换模式是基于当本车辆改变车道时的本车辆的驾驶信息和关于当本车辆改变车道时的道路状态的信息而分析。车道变换率指示本车辆的车道变换的速度，并且可以被存储在存储器620中。

对本实施方式中采用的车道变换率进行具体描述。如上所述，车道变换率是指表示本车辆的车道变换的速度的参数。车道变换的速度取决于当本车辆改变车道时用于进入目标车道的入口转向角(即，由本车辆进入目标车道的方向和目标车道的方向形成的本车辆的转向角)和入口速度(这可能意味着本车辆的横向速度)。即，当车道变换率小时，这可能意味着由于入口转向角和入口速度小而可以缓慢地执行车道变换。当车道变换率大时，这可能意味着由于入口转向角和入口速度都大而可以快速执行车道变换。

这样的车道变换率可以基于驾驶员的车道变换模式来确定，该驾驶员的车道变换模式是基于当本车辆基于驾驶员的手动驾驶而改变车道时由驾驶信息检测器200获取的本车辆的驾驶信息和当本车辆改变车道时的关于道路状态的信息(例如，可以由传感器单元500检测到的前方道路的宽度、曲率和坡度以及车道数量)而分析。车道变换率可以基于本车辆的驾驶历史被数据库化并且被存储在存储器620中。

图7示出了车道变换率被数据库化并存储在存储器620中的处理。对于车道变换率的数据库化，如图7所示，除了图2所示的模块以外，根据本实施方式的处理器610还可以包括车道变换模式分析模块617、道路状态检查模块618和车道变换率确定模块619。

车道变换模式分析模块617可以基于本车辆车道变换时的转向角(即驾驶员操作方向盘时形成的转向角)、本车辆完成车道变换所需的时间、以及本车辆进入目标车道的速度(这些是由驾驶信息检测器200检测到的本车辆的驾驶信息)来分析驾驶员的车道变换模式。例如，车道变换模式分析模块617可以基于在最初本车辆的车道变换时的第一转向角、在完成本车辆的车道变换时的第二转向角以及完成车道变换所需的时间来分析车道变换模式，其指示驾驶员已经执行了多长时间以及以哪个转向角执行了车道变换。在这种情况下，在本车辆的指示灯的指示方向与本车辆的转向角的方向相同的状态下，最初车道变换的时刻可以是：本车辆的转向角达到预设的临界转向角的时刻、本车辆的指示灯的指示方向与本车辆的转向角的方向相同的时刻、或者确定本车辆的转向角为预设的临界转向角或更大的时刻。完成车道变换的时刻可以是本车辆的指示灯关闭的时刻。

道路状态检查模块618可以在本车辆改变车道时检查道路状态(例如，前方道路的宽度、曲率和坡度以及车道数量)。道路状态检查模块618可以使用分析例如在本车辆周围的对象之中由传感器单元500检测到的道路的结果的方法来检查道路的状态，可以基于由驾驶信息检测器200的GPS接收器260测量的本车辆的当前位置，使用从存储在存储器620中的地图信息中提取关于道路状态的信息的方法来检查道路的状态。

车道变换率确定模块619可以基于由车道变换模式分析模块617分析的驾驶员的车道变换模式和由道路状态检查模块618检查的关于道路状态的信息来确定车道变换率。例如，在基于车道变换模式的分析结果计算出车道变换模式指标(指示车道的改变速度)之后，车道变换率确定模块619可以基于道路状态(例如，可以使用道路的宽度、曲率和坡度以及车道数中的一项或多项)以增加或减少计算出的车道变换模式指标的方式来确定车道变换率。这样的车道变换率可以基于道路的状态被数据库化并且被存储在存储器620中。处理器610可以通过并入存储在存储器620中的车道变换率和存储在存储器620中的地图信息以及由驾驶信息检测器200检测到的本车辆的驾驶信息，来生成用于控制本车辆的自动驾驶的第一预期驾驶轨迹。因此，当基于第一预期驾驶轨迹控制本车辆的自动驾驶时(即，当在执行本车辆的自动驾驶的过程中改变车道)，处理器610可基于映射到并入第一预期驾驶轨迹的车道变换率的入口转向角和入口速度来控制本车辆的自动驾驶(即，可控制本车辆的车道变换)。

当根据第一预期驾驶轨迹基于存储在存储器620中的车道变换率来控制本车辆的自动驾驶的过程中，可能有必要基于乘客的状态来校正本车辆的车道变换率。例如，当乘客发生紧急情况时，本车辆可能需要更快速地改变车道以快速执行紧急驾驶或快速移至路肩(shoulder)。为此，在本实施方式中，在基于第一预期驾驶轨迹控制本车辆的自动驾驶的过程中，处理器610可以基于乘客的状态，确定基于已并入车道变换率的第一预期驾驶轨迹来保持自动驾驶控制，还是基于已并入从车道变换率校正的校正后的车道变换率的第二预期驾驶轨迹而改变到自动驾驶控制。即，处理器610可以基于由传感器单元500检测到的乘客的状态通过选择性地应用第一预期驾驶轨迹(已并入了车道变换率)或第二预期驾驶轨迹(已并入了校正后的车道变换率)来控制本车辆的自动驾驶。为了执行与存储在存储器620中的车道变换率相比更快的车道变换，处理器610可以以这样的方式来确定校正后的车道变换率：映射具有大于映射到车道变换率的入口转向角和入口速度的值的入口转向角和入口速度。因此，当基于第二预期驾驶轨迹来控制本车辆的自动驾驶时，处理器610可以基于具有大于映射到车道变换率的入口转向角和入口速度的值的入口转向角和入口速度来控制本车辆的自动驾驶，从而执行更快的车道变换。相比于车道变换率，校正后的车道变换率的入口转向角和入口速度的增量可能先前已经根据设计者的意图进行了设计。

处理器610是否将基于第一预期驾驶轨迹(并入了车道变换率)和第二预期驾驶轨迹(并入了校正后的车道变换率)中的哪一个来控制本车辆的自动驾驶是基于除驾驶员之外的同行乘客是否已经进入本车辆以及乘客的状态来确定。下面描述基于乘客的状态划分的自动驾驶控制过程。

如果除驾驶员之外的同行乘客未进入本车辆，当基于由传感器单元500检测到的驾驶员的状态而确定的驾驶员的驾驶集中度是预设的临界集中度或更大时，处理器610可以基于第一预期驾驶轨迹来控制本车辆的自动驾驶。在这种情况下，驾驶员的驾驶集中度是由传感器单元500检测到的驾驶员状态的数字化值，并且例如可以是基于驾驶员是否保持向前视线而数字化的参数。为此，可以在处理器610的乘客状态确定模块616中预先设置用于通过数字化驾驶员的状态来计算驾驶集中度的给定算法。此外，临界集中度是一个值，即用于确定驾驶员是否专注于驾驶的标准，并且可以根据设计者的意图将其选择为适当的值，并在乘客状态确定模块616中进行预设。

驾驶员可能需要基于驾驶自动化等级(level)(例如，等级1至等级3)监督自动驾驶控制。因此，当驾驶员的驾驶集中度为临界集中度或更大时(例如，当驾驶员向前看时)，这对应于在驾驶员中未发生紧急情况的正常状态。优选地，基于存储在存储器620中的车道变换率来保持车道变换，以确保自动驾驶稳定性。为此，处理器610可以基于第一预期驾驶轨迹来保持对本车辆的自动驾驶控制。

相反，当驾驶员的驾驶集中度小于临界集中度时(例如，当驾驶员不保持向前视线时)，处理器610可以通过输出单元300输出警告。在输出警告之后，当驾驶员的驾驶集中度恢复到临界集中度或更大时，处理器610可以基于第一预期驾驶轨迹对本车辆执行自动驾驶控制。在输出警告之后，当驾驶员的驾驶集中度未恢复到临界集中度或更大时，处理器610可以在驾驶员的许可下关闭自动驾驶模式以改变驾驶模式。

如果除驾驶员之外的同行乘客还未进入本车辆，当基于由传感器单元500检测到的驾驶员的状态确定驾驶员已经发生紧急情况时，处理器610可以基于第二预期驾驶轨迹来控制本车辆的自动驾驶。也就是说，如果确定驾驶员中已经发生紧急情况(例如，为了确定乘客出现紧急情况，例如呼吸困难或心脏麻痹，除了传感器单元500的内部相机传感器535之外，还可以使用用于检测生物信息(例如，心率，脉搏或乘客的血压)的生物传感器)，则必须优先考虑本车辆的快速移动，以便对驾驶员进行急救。因此，处理器610可以通过基于第二预期驾驶轨迹控制本车辆的自动驾驶，来引起本车辆的快速紧急驾驶或本车辆向路肩的快速移动。

如果除驾驶员之外的同行乘客已经进入了本车辆，当基于由传感器单元500检测到的同行乘客的状态确定同行乘客中已经发生紧急情况时，处理器610可以基于第二预期驾驶轨迹来控制本车辆的自动驾驶。在这种情况下，必须优先考虑本车辆的快速移动，以便向同行乘客提供急救。因此，处理器610可以通过基于第二预期驾驶轨迹控制本车辆的自动驾驶，来引起本车辆的快速紧急驾驶或本车辆向路肩的快速移动。

如果驾驶员和同行乘客均未发生紧急情况，则处理器610可以基于第一预期驾驶轨迹来保持对本车辆的自动驾驶控制，因为它优选地基于存储在存储器620中的车道变换率来保持车道变换，以确保自动驾驶稳定性。此外，如果确定驾驶员或同行乘客中已经发生紧急情况，则处理器610可以通过输出单元300输出警告。

图8和图9是用于描述根据本公开的第一实施方式的自动驾驶方法的流程图。参照图8，根据本实施方式的自动驾驶方法可以包括第一控制步骤S100和第二控制步骤S200。

在第一控制步骤S100中，处理器610基于第一预期驾驶轨迹来控制本车辆的自动驾驶，该第一预期驾驶轨迹基于存储在存储器620中的地图信息和车道变换率以及本车辆的驾驶信息而生成。如上所述，基于驾驶员的车道变换模式来确定车道变换率，该驾驶员的车道变换模式是基于当本车辆改变车道时的本车辆的驾驶信息和关于当本车辆改变车道时的关于道路状态的信息而分析。车道变换率指示本车辆的车道变换的速度并且被存储在存储器620中。

在第二控制步骤S200中，处理器610基于传感器单元500检测到的进入本车辆的乘客的状态，通过选择性地应用第一预期驾驶轨迹或第二预期驾驶轨迹来控制本车辆的自动驾驶。如上所述，从存储器620中存储的车道变换率校正的校正后的车道变换率已被并入第二预期驾驶轨迹。

当本车辆改变车道时，车道变换率被映射到用于进入目标车道的入口转向角和入口速度，并且被存储在存储器620中。因此，当基于第一预期驾驶轨迹控制本车辆的自动驾驶时，处理器610基于映射到车道变换率的入口转向角和入口速度来控制本车辆的自动驾驶。

此外，当基于第二预期驾驶轨迹来控制本车辆的自动驾驶时，处理器610基于具有大于映射到车道变换率的入口转向角和入口速度的值的入口转向角和入口速度来控制本车辆的自动驾驶。

在前述内容的前提下，参照图9具体描述步骤S200。如果除驾驶员之外的同行乘客未进入本车辆(S201)，当基于由传感器单元500检测到的驾驶员的状态而确定的驾驶员的驾驶集中度是预设的临界集中度或更大时(S202)，处理器610基于第一预期驾驶轨迹来控制本车辆的自动驾驶(S203)。当驾驶员的驾驶集中度小于预设的临界集中度时(S202)，处理器610通过输出单元300输出警告(S204)。在输出警告之后，当驾驶员的驾驶集中度恢复到临界集中度或更大时(S205)，处理器610基于第一预期驾驶轨迹对本车辆执行自动驾驶控制(S203)。在输出警告之后，当驾驶员的驾驶集中度未恢复到临界集中度或更大(S205)时，处理器610在驾驶员的许可下关闭自动驾驶模式以改变驾驶模式(S206)。

此外，如果除驾驶员之外的同行乘客未进入本车辆(S201)，当基于由传感器单元500检测到的驾驶员的状态(S207)确定驾驶员已经发生紧急情况时，处理器610通过输出单元300输出警告(S208)，并且然后基于第二预期驾驶轨迹来控制本车辆的自动驾驶(S209)。

此外，如果除了驾驶员之外的同行乘客已经进入了本车辆(S201)，当由基于传感器单元500检测到的同行乘客的状态(S210)确定同行乘客发生紧急情况时，处理器610通过输出单元300输出警告(S211)，并且然后基于第二预期驾驶轨迹来控制本车辆的自动驾驶(S212)。

如果在步骤S207中驾驶员未发生紧急情况或在步骤S210中同行乘客未发生紧急情况，则处理器610基于第一预期驾驶轨迹对本车辆执行自动驾驶控制(S203)。

根据第一实施方式，根据驾驶员和同行乘客的状态通过选择性地应用第一预期驾驶轨迹或第二预期驾驶轨迹来控制车辆的自动驾驶，本公开可以改善车辆的自动驾驶稳定性，并且还能够采取适合于乘客状态的后续措施，该第一预期驾驶轨迹是基于根据驾驶员的车道变换模式和关于道路状态的信息而预先定义的车道变换率，该第二预期驾驶轨迹是基于从车道变换率校正的校正后的车道变换率。

[第二实施方式]

本公开包括可以与上述第一实施方式一起应用的第二实施方式。在下文中，描述了第二实施方式，其中学习了应用于自动驾驶控制的自动驾驶算法。为了清楚区分术语，以下描述的术语“自动驾驶算法”用于表示应用于本车辆的自动驾驶控制的算法，并且以下描述的术语“周围车辆的自动驾驶算法”用于表示应用于对周围车辆的自动驾驶控制的算法。下面的本实施方式基于适用于本车辆的自动驾驶算法的精度与适用于周围车辆的周围车辆自动驾驶算法的精度之间的比较以及执行学习应用于本车辆的自动驾驶算法的过程，通过更新应用于本车辆的自动驾驶算法的过程来实现。该过程在下面详细描述。

首先，处理器610可以基于存储在存储器620中的地图信息和自动驾驶算法来控制本车辆的自动驾驶，并且在控制本车辆的自动驾驶的过程中，以通过V2V通信从本车辆周围的周围车辆接收周围车辆自动驾驶算法。此时，处理器610可以通过将存储在存储器620中的自动驾驶算法与从周围车辆接收到的周围车辆自动驾驶算法进行比较来确定是否需要更新存储在存储器620中的自动驾驶算法。

在本实施方式中，可以将指示本车辆的自动驾驶控制精度的第一精度指标已映射到自动驾驶算法。可以将指示周围车辆的自动驾驶控制精度的第二精度指标已映射到周围车辆的自动驾驶算法。精度指标是基于其中基于自动驾驶算法已经执行了对车辆的自动驾驶控制的历史而计算的定量指标。例如，精度指标可以是指通过综合考虑基于自动驾驶算法、到达目的地所需的时间、行驶距离和燃油效率、以及乘客涉及的驾驶操作的频率进行了自动驾驶控制时发生的事故的频率而计算出的，用于表示自动驾驶算法的控制精度的指标。通过分析累积历史来计算精度指标的算法也可以存储在存储器620中，在累积历史中已经基于自动驾驶算法执行了自动驾驶控制。所计算的精度指标可以被映射到自动驾驶算法，然后存储在存储器620中。

因此，当映射到周围车辆自动驾驶算法的第二精度指标大于映射到自动驾驶算法的第一精度指标时，处理器610可以通过将周围车辆自动驾驶算法存储在存储器620中来更新自动驾驶算法。即，当第二精度指标大于第一精度指标时，周围车辆自动驾驶算法可以被认为具有比自动驾驶算法更高的精度和可靠性。因此，处理器610可以通过将周围车辆的自动驾驶算法存储在存储器620中来更新自动驾驶算法。自动驾驶算法的更新可以在控制本车辆的自动驾驶的过程中实时或周期性地执行。

通过这样的更新，处理器610可以基于当前存储在存储器620中的自动驾驶算法(即，先前存储在存储器620中的自动驾驶算法或从周围车辆接收的周围车辆自动驾驶算法)来确定本车辆的乘客的驾驶操作是否已经涉及控制本车辆的自动驾驶的过程。在这种情况下，处理器610可以通过驾驶信息检测器200的转向角传感器210或APS/PTS220来确定是否已经涉及诸如乘客的转向操作、加速踏板操作或制动踏板操作的手动驾驶操作。如果确定已经涉及乘客的驾驶操作，则可以执行稍后将描述的自动驾驶算法的学习。处理器610可以停止对本车辆的自动驾驶控制(即，可以关闭本车辆的自动驾驶模式)，作为执行自动驾驶算法的学习的前提。

在涉及了乘客的驾驶操作并且自动驾驶控制被停止之后，处理器610可以通过考虑乘客的驾驶操作来允许当前存储在存储器620中的自动驾驶算法的学习。具体地，处理器610可以允许在涉及了乘客的驾驶操作的时刻基于乘客的驾驶操作与根据自动驾驶算法的控制过程之间的比较结果来执行自动驾驶算法的学习。控制过程和乘客的驾驶操作的示例可以包括：i)控制过程是通过右转向和减速执行的车道变换过程并且乘客的驾驶操作包括方向盘的右转向和踩踏的情况，ii)控制过程是通过右转向和减速执行的车道变换过程并且乘客的驾驶操作包括方向盘的左转向和踩踏制动踏板的情况，或iii)控制过程是通过右转向和减速执行的车道变换过程并且乘客的驾驶操作包括方向盘的左转向和踩踏加速踏板的情况。

在以上示例中，如在i)的情况下，如果控制过程和乘客的驾驶操作相同，则处理器610可以再次返回至自动驾驶模式，并且可以基于当前存储在存储器620中的自动驾驶算法对本车辆执行自动驾驶控制。在以上示例中，如ii)和iii)的情况，如果控制过程和乘客的驾驶操作不同，则处理器610可以验证乘客的驾驶操作的风险程度，并且然后允许执行自动驾驶算法的学习。可以通过确定是否由于乘客的驾驶操作引起了事故的过程来验证乘客的驾驶操作的风险程度。在以上示例的ii)的情况下，如果乘客没有由于左转向和踩踏制动踏板而引起事故，则处理器610可以确定已经验证了乘客的驾驶操作的风险程度，并且可以允许自动驾驶算法的学习能够基于乘客的驾驶操作来执行。在以上示例的情况iii)中，如果由于乘客的左转向和踩踏加速踏板而引起事故，则处理器610可以确定未得到验证乘客的驾驶操作的风险程度，可以再次返回到自动驾驶模式，并且可以基于当前存储在存储器620中的自动驾驶算法对本车辆执行自动驾驶控制。

在控制过程和乘客的驾驶操作不同的情况下，如果已经验证了乘客的驾驶操作的风险程度，则处理器610可以允许基于传感器单元500检测到的关于周围对象的信息、由驾驶信息检测器200检测到的本车辆的驾驶信息、控制过程以及乘客的驾驶操作来执行自动驾驶算法的学习。即，处理器610可以允许基于准备的控制过程和已经根据自动驾驶算法验证了风险程度的乘客的驾驶操作来执行自动驾驶算法的学习。此外，处理器610可以通过考虑由传感器单元500检测到的关于周围对象的信息和由驾驶信息检测器200检测到的本车辆的驾驶信息，来允许执行对自动驾驶算法的学习，使得执行对本车辆的周围环境和驾驶状态的主动自动驾驶控制。

处理器610可以自动地执行自动驾驶算法的学习。然而，考虑到学习的计算负荷，处理器610可以将关于周围对象的信息、本车辆的驾驶信息、控制过程、以及乘客的驾驶操作传输到服务器700，使得由服务器700进行自动驾驶算法的学习，可以从服务器700接收已经由服务器700完成学习的自动驾驶算法，并且可以控制本车辆的自动驾驶。此外，处理器610可以将已经完成学习的并且从服务器700接收的自动驾驶算法传送到周围车辆，以便与周围车辆共享自动驾驶算法。

图10是用于描述根据本公开的第二实施方式的自动驾驶方法的流程图。

参照图10描述根据本公开的第二实施方式的自动驾驶方法。首先，处理器610基于存储在存储器620中的自动驾驶算法来控制本车辆的自动驾驶(S100)。

接下来，处理器610通过将存储在存储器620中的自动驾驶算法与从周围车辆接收到的周围车辆自动驾驶算法进行比较，来确定是否更新存储器620中存储的自动驾驶算法(S200)。如上所述，将指示用于本车辆的自动驾驶控制精度的第一精度指标已映射到自动驾驶算法。将指示周围车辆的自动驾驶控制精度的第二精度指标已映射到周围车辆的自动驾驶算法。当在步骤S200中，映射到周围车辆自动驾驶算法的第二精度指标大于映射到自动驾驶算法的第一精度指标时，处理器610确定有必要更新自动驾驶算法。

如果在步骤S200中确定需要更新自动驾驶算法，则处理器610通过将周围车辆自动驾驶算法存储在存储器620中来更新自动驾驶算法(S300)。

接下来，处理器610基于当前通过更新存储在存储器620中的自动驾驶算法，来确定乘客的驾驶操作是否已经涉及了控制本车辆的自动驾驶的过程(S400)。

如果在步骤S400中确定已经涉及了乘客的驾驶操作，则处理器610停止对本车辆的自动驾驶控制(S500)。

此后，处理器610允许通过考虑乘客的驾驶操作来执行当前存储在存储器620中的自动驾驶算法的学习。具体地，处理器610可以允许在涉及了乘客的驾驶操作的时刻基于乘客的驾驶操作与根据自动驾驶算法的控制过程之间的比较结果来执行自动驾驶算法的学习(S600)。

在步骤S600中，处理器610在涉及乘客的驾驶操作的时刻将乘客的驾驶操作与根据自动驾驶算法的控制过程进行比较(S610)，如果控制过程和乘客的驾驶操作不同，则验证乘客的驾驶操作的风险程度(S620)，并且如果已经验证了乘客的驾驶操作的风险程度，则允许基于控制过程和乘客的驾驶操作来执行自动驾驶算法的学习(S630)。在步骤S630中，处理器610可以通过进一步考虑关于本车辆周围的周围对象的信息和本车辆的驾驶信息来允许执行自动驾驶算法的学习。处理器610可以将关于周围对象的信息，本车辆的驾驶信息，控制过程以及乘客的驾驶操作传输到服务器700，从而由服务器700执行自动驾驶算法的学习。

此后，处理器610从服务器700接收由服务器700执行其学习的自动驾驶算法，控制本车辆的自动驾驶(S700)，并将其学习已经完成并且从服务器700接收到的自动驾驶算法传送到周围车辆，以便与周围车辆共享自动驾驶算法(S800)。

根据第二实施方式，可以通过考虑对涉及本车辆的自动驾驶控制过程的乘客的驾驶操作，然后基于已完成学习的自动驾驶算法来控制本车辆的自动驾驶，通过学习应用于自动驾驶控制的自动驾驶算法，可以提高自动驾驶车辆的驾驶稳定性和驾驶精度。

[第三实施方式]

本公开包括可以与上述第一和第二实施方式一起应用的第三实施方式。在下文中，将详细描述第三实施方式，其中当目标点(例如十字路口或交叉路口)存在于本车辆的自动驾驶路径中时，修改直至目标点的轨迹。

如上所述，根据存储在存储器620中的地图信息生成本车辆的预期驾驶轨迹之后，根据本实施方式的处理器610(的驾驶轨迹生成模块612的)可以基于所生成的预期驾驶轨迹来控制本车辆的自动驾驶。处理器610可以生成本车辆的预期驾驶轨迹作为并入存储在存储器620中的地图信息中的车道的中心线。

此时，处理器610可以基于存储在存储器620中的地图信息和由传感器单元500检测到的周围车辆的驾驶信息来生成周围车辆的预期驾驶轨迹和实际驾驶轨迹。当周围车辆的预期驾驶轨迹与实际驾驶轨迹之间的轨迹误差为预设临界值或更大时，处理器610可以用从服务器700接收到的新地图信息来更新存储在存储器620中的地图信息。在基于更新的地图信息生成本车辆的预期驾驶轨迹之后，处理器610可以控制本车辆的自动驾驶。

具体地，如上所述，处理器610(的驾驶轨迹生成模块612)可以基于存储在存储器620中的地图信息来生成周围车辆的预期驾驶轨迹。在这种情况下，处理器610可以生成周围车辆的预期驾驶轨迹作为并入存储在存储器620中的地图信息的车道的中心线。

此外，处理器610(的驾驶轨迹生成模块612的)可以基于由传感器单元500检测到的周围车辆的驾驶信息来生成周围车辆的实际驾驶轨迹。即，当由传感器单元500在特定点检测到周围车辆时，处理器610可以通过交叉参考检测到的周围车辆的位置和地图信息中的位置来指定当前在存储器620中存储的地图信息中检测到的周围车辆的位置。如上所述，处理器610可以通过连续监视周围车辆的位置来生成周围车辆的实际驾驶轨迹。

在生成周围车辆的预期驾驶轨迹和实际驾驶轨迹之后，当周围车辆的预期驾驶轨迹和实际驾驶轨迹之间的轨迹误差为预设临界值或更大时，处理器610可以确定存储在存储器620中的地图信息不准确。因此，处理器610可以利用从服务器700接收到的新地图信息来更新存储在存储器620中的地图信息。因此，在基于更新的地图信息(即，新的地图信息)生成本车辆的预期驾驶轨迹之后，处理器610可以控制本车辆的自动驾驶。更新存储在存储器620中的地图信息的过程用作用于提高直到目标点的轨迹的修改的精度的前提过程，其在下文中描述。

在基于本车辆的预期驾驶轨迹来控制本车辆的自动驾驶的过程中，当在本车辆之前存在改变本车辆的驾驶方向的目标点时，处理器610(的轨迹学习模块615的轨迹学习模块615)可以基于从本车辆的当前位置到目标点的距离修改目标轨迹，该目标轨迹属于本车辆的预期驾驶轨迹并且对应于本车辆的当前位置与目标点之间的轨迹，使得本车辆可以通过车道变换到达目标点。如图11所示，在这种情况下，改变本车辆的驾驶方向的目标点可能表示本车辆在十字路口向左转或向右转的点，在该交叉路口已安排了左转或右转或左进出道路和右进出道路，例如高速公路的交汇处。

即，当在本车辆之前存在计划左转或右转的目标点，例如十字路口，立交或路口时，处理器610可以允许本车辆在本车辆到达目标点之前预先执行逐步的车道变换，使得本车辆可以在目标点处改变其驾驶方向。在本实施方式中，作为用于进行逐步车道变换的手段，采用了基于从本车辆的当前位置到目标点的距离来修改本车辆的当前位置与目标点之间的目标轨迹的结构。

具体描述用于修改目标轨迹的配置。当本车辆的当前位置与目标点之间的横向距离和纵向距离分别是预设的第一临界距离或更大和预设的第二临界距离或更大时，处理器610可以修改目标轨迹。在这种情况下，如图11和12所示(为方便起见，在图11和12中仅示出了基于中心线的一些右车道)，本车辆的当前位置与目标点之间的横向距离D1和纵向距离D2表示本车辆的当前位置与目标点之间的横向垂直距离和纵向垂直距离。

当本车辆的当前位置与目标点之间的横向距离小于第一临界距离时，仅当横向距离是第一临界距离或更大时，处理器610才可以修改目标轨迹，因为对于到达目标点的逐步车道变换的需求低。此外，处理器610可以在纵向距离为第二临界距离或更大的时刻修改目标轨迹，使得在确保了车道变换的纵向余量距离的状态下，通过逐步进行车道变换，本车辆能够确保驾驶稳定性。可以根据设计者的意图来选择第一临界距离和第二临界距离，并且预先将其存储在存储器620中。此外，处理器610可在本车辆的当前位置与目标点之间的横向距离和纵向距离分别为第一临界距离或更大和第二临界距离或更大的时刻修改目标轨迹。然而，目标轨迹被修改的时刻不必限于特定时刻。

当本车辆的当前位置与目标点之间的横向距离和纵向距离分别是第一临界距离或更大和第二临界距离或更大时，处理器610可以基于本车辆的当前位置与目标点之间的横向距离和纵向距离来修改目标轨迹，使得通过逐步将车道变换为存在于本车辆的当前位置和目标点之间的车道，本车辆可以到达目标点。此时，处理器610可以在本车辆根据本车辆当前位置与目标点之间的横向距离和纵向距离，在将车道变换为相邻车道后，完成车道变换的过程中，使用确定本车辆将行驶的第一纵向行驶距离和本车辆在改变的车道将行驶的第二纵向行驶距离的方法来修改目标轨迹。

下面基于图12的示例，描述针对本车辆的逐步车道变换来修改目标轨迹的过程。在启动车道变换之后完成到相邻车道的车道变换的过程中，可以通过确定本车辆已在纵向上行驶的第一纵向行驶距离“d1”(与前述的“纵向距离”不同，本车辆在车道变换过程中纵向行驶的距离被称为“纵向行驶距离”)和本车辆已在变换的车道上纵向行驶的第二纵向行驶距离“d2”的过程来执行目标轨迹的修改。因为随着第一和第二纵向行驶距离变小，本车辆的车道变换模式在横向上变成突然的车道变换模式，所以驾驶风险的程度增加。相反，由于随着第一和第二纵向行驶距离变大，本车辆的车道变换模式在横向上变成逐步的车道变换模式，因此驾驶风险的程度降低。

如上所述，在本实施方式中，作为修改目标轨迹的条件，采取其中本车辆的当前位置与目标点之间的横向距离和纵向距离分别为第一临界距离或更大和第二临界距离或更大的条件。如果基于分别等于或大于第一临界距离和第二临界距离的横向距离和纵向距离来确定第一和第二纵向行驶距离，则由于第一和第二纵向行驶距离具有给定值或更大，因此可以实现本车辆的逐步车道变换模式。在这方面，处理器610可以使用基于本车辆的当前位置与目标点之间的横向距离和纵向距离来确定第一和第二纵向行驶距离的方法修改目标轨迹，使得进行本车辆的逐步车道变换。可以以各种方式来实现在确定的范围内基于横向距离和纵向距离确定第一和第二纵向行驶距离，使得第一和第二纵向行驶距离具有给定值或更大的方法。车道变换开始时刻和车道变换完成时刻，即用于确定第一和第二纵向行驶距离的标准，可以由预先根据设计者的意图设计和定义的算法来确定。

当使用前述方法修改目标轨迹时，处理器610可以控制本车辆的自动驾驶，以使得本车辆基于修改后的目标轨迹行驶。

如果本车辆到达目的地并执行停车，则处理器610可以基于停车位上的停车地图信息生成停车轨迹，在该停车轨迹上，本车辆到达已将本车辆的乘客的停车偏好并入的停车位置，并且可以基于生成的停车轨迹控制本车辆的自动停车。

具体地，处理器610可以从管理停车位中的停车的停车基础设施(例如，停车管理服务器)接收用于停车场的停车地图信息(即，已并入了停车区、停车部分和停车位形状的地图信息)。此外，处理器610可以基于乘客输入到用户终端120的停车偏好信息(例如，最靠近停车位入口或出口的停车区，最靠近商店的停车区，附近停车的其他车辆数量最少的停车区，立柱左侧的停车区或立柱右侧的停车区)来检查乘客的停车偏好。停车偏好可以指由乘客输入的停车偏好信息本身，或者可以指已将乘客指定的优先级顺序分配给乘客输入的多条停车偏好信息的信息(例如，等级1–最靠近停车位入口或出口的停车区，等级2–最靠近商店的停车区，等级3–附近停车的其他车辆数量最少的停车区。

因此，处理器610可以通过将乘客的停车偏好并入到停车地图信息中来生成本车辆到达乘客期望的最佳停车位置的停车轨迹，并且可以基于所生成的停车轨迹来控制本车辆的自动停车，从而提高了本车辆的乘客的停车便利性。

在这种情况下，当有进入停车位的前方车辆时，处理器610可以接收前方车辆的停车轨迹，可以生成本车辆的停车轨迹和停车位置，从而它们不会重叠前方车辆的停车轨迹和停车位置，并可以控制本车辆的自动停车。即，处理器610可以从前方车辆接收前方车辆的停车轨迹，并且可以检查前方车辆的停车轨迹和目标停车位置。为了减少归因于随着前方车辆的移动轨迹和本车辆的移动轨迹在停车位重叠而增加的停车所花费的时间的不便，处理器610可以生成本车辆的停车轨迹和停车位置，以使得它们不与前方车辆的停车轨迹和停车位置重叠，并且可以控制本车辆的的自动停车。

相反，当有后方车辆进入停车位时，处理器610可以将本车辆的停车轨迹传输到后方车辆，以使本车辆的停车轨迹和停车位置不与后放车辆的停车轨迹和停车位置重叠。因此，由于后方车辆确定其停车轨迹和停车位置不与本车辆的停车轨迹和停车位置重叠并根据确定的停车轨迹和停车位置行驶，因此能够减少由于本车辆与后方车辆之间的运动轨迹的重叠而引起的停车不便。

图13是用于描述根据本公开的第三实施方式的自动驾驶方法的流程图。

参照图13描述根据本公开的第三实施方式的自动驾驶方法。处理器610根据基于存储在存储器620中的地图信息生成的本车辆的预期驾驶轨迹来控制本车辆的自动驾驶(S100)。

在步骤S100中，处理器610基于存储在存储器620中的地图信息和由传感器单元500检测到的周围车辆的驾驶信息来生成周围车辆的预期驾驶轨迹和实际驾驶轨迹。当周围车辆的预期驾驶轨迹与实际驾驶轨迹之间的轨迹误差为预设临界值或更大时，处理器610可以用从服务器700接收到的新地图信息来更新存储在存储器620中的地图信息，可以基于更新的地图信息生成本车辆的预期驾驶轨迹，并可以控制本车辆的自动驾驶。

在基于本车辆的预期驾驶轨迹控制本车辆的自动驾驶的过程中，处理器610确定在本车辆之前是否存在改变本车辆的驾驶方向的目标点(S200)。在步骤S200，处理器610可以参考存储在存储器620中的地图信息(可以是更新的地图信息)来确定目标点是否在本车辆之前。

如果在步骤S200中确定目标点位于本车辆的前方，则处理器610确定本车辆的当前位置与目标点之间的横向距离和纵向距离是否分别是预设的第一临界距离或更大和预设的第二临界距离或更大(S300)。

如果在步骤S300中确定本车辆的当前位置与目标点之间的横向距离和纵向距离分别是第一临界距离或或更大和第二临界距离或或更大，处理器610基于从本车辆的当前位置到目标点的距离，修改属于本车辆的预期驾驶轨迹，并且与本车辆的当前位置与目标点之间的轨迹相对应的目标轨迹，使得本车辆可以通过车道变换到达目标点(S400)。

在步骤S400中，处理器610可以基于本车辆的当前位置与目标点之间的横向距离和纵向距离来修改目标轨迹，使得本车辆通过逐步将车道变换为存在于本车辆的当前位置和目标点之间的车道，可以到达目标点。具体地，处理器610可以在本车辆根据本车辆当前位置与目标点之间的横向距离和纵向距离，在将车道变换为相邻车道后，完成车道变换的过程中，使用确定本车辆将行驶的第一纵向行驶距离和本车辆在改变的车道将行驶的第二纵向行驶距离的方法来修改目标轨迹。

当在步骤S400修改目标轨迹时，处理器610控制本车辆的自动驾驶，以使本车辆基于修改后的目标轨迹行驶(S500)。

如果本车辆通过根据步骤S500的自动驾驶过程到达目的地并执行停车，则处理器610基于停车位上的停车地图信息生成停车轨迹，在该轨迹上本车辆到达已经并入本车辆的乘客的停车偏好的停车位置，并根据生成的停车轨迹控制本车辆的自动停车(S600)。在步骤S600中，当有进入停车位的前方车辆时，处理器610可以接收前方车辆的停车轨迹，可以生成本车辆的停车轨迹和停车位置，从而它们不会重叠前方车辆的停车轨迹和停车位置，并可以执行本车辆的自动停车。相反，当有进入停车位的后方车辆时，处理器610可以将本车辆的停车轨迹传输到后方车辆，以使本车辆的停车轨迹和停车位置不与后放车辆的停车轨迹和停车位置重叠。

根据第三实施方式，如果在本车辆的自动驾驶路径中存在改变本车辆的驾驶方向的目标点，例如十字路口或交叉路口，则基于本车辆的当前位置与目标点之间的距离来修改直至目标点的轨迹，使得本车辆可以通过逐步将车道变换来到达目标点。因此，基于到达目标点的轨迹，在的行驶过程中，可以确保本车辆的驾驶稳定性。此外，如果执行本车辆的停车，则可以通过控制本车辆的自动停车来提高乘客的停车便利性，使得本车辆可以到达已经结合了乘客的停车偏好的停车位置。

[第四实施方式]

本公开包括可以与上述第一至第三实施方式一起应用的第四实施方式。在下文中，详细描述在自动驾驶期间改变了本车辆的驾驶轨迹的第四实施方式。

如上所述，根据本实施方式的处理器610(的驾驶轨迹生成模块612的)，可以基于由传感器单元500检测到的周围车辆的驾驶信息来生成周围车辆的实际驾驶轨迹。即，即，当由传感器单元500在特定点检测到周围车辆时，处理器610可以通过交叉参考检测到的周围车辆的位置和地图信息中的位置来指定当前在存储器620中存储的地图信息中检测到的周围车辆的位置。如上所述，处理器610可以通过连续监视周围车辆的位置来生成周围车辆的实际驾驶轨迹。

此外，处理器610(的驾驶轨迹生成模块612)可以基于存储在存储器620中的地图信息来生成周围车辆的预期驾驶轨迹。在这种情况下，处理器610可以生成周围车辆的预期驾驶轨迹作为并入存储在存储器620中的地图信息的车道的中心线。

此外，处理器610(的驾驶轨迹生成模块612)可以基于存储在存储器620中的地图信息来生成本车辆的预期驾驶轨迹。在这种情况下，处理器610可以生成本车辆的预期驾驶轨迹作为并入地图信息的车道的中心线。

在生成周围车辆的实际驾驶轨迹和预期驾驶轨迹以及本车辆的预期驾驶轨迹之后，如果基于周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的比较，确定需要校正本车辆的预期驾驶轨迹，则处理器610(的轨迹学习模块615)可以基于根据从本车辆到目标周围车辆的距离的风险程度来校正本车辆的预期驾驶轨迹。在这种情况下，目标周围车辆可以包括分别在本车辆的左侧和右侧行驶的第一和第二目标周围车辆。在下文中，假设本车辆在第一和第二目标周围车辆之间行驶的情况。此外，在本实施方式中，术语“目标周围车辆”用于描述目标周围车辆是周围车辆，即，用于校正本车辆的预期驾驶轨迹的标准。然而，目标周围车辆可以指的是与周围车辆相同的车辆，其实际驾驶轨迹和预期驾驶轨迹由周围车辆驾驶轨迹生成模块612a计算。

当周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差为预设临界值或更大时，处理器610可以确定需要对本车辆的预期驾驶轨迹进行校正。即，如上所述，当周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差为临界值或更大时，处理器610可以确定存储在存储器620中的地图信息不准确。因此，还需要校正基于存储在存储器620中的地图信息而生成的本车辆的预期驾驶轨迹。

如上所述，如果确定了需要校正本车辆的预期驾驶轨迹，则处理器610可以基于本车辆与第一目标周围车辆之间的横向距离以及本车辆与第二目标周围车辆之间的横向距离，在本车辆的驾驶风险程度低的方向上校正本车辆的预期驾驶轨迹。当本车辆与第一目标周围车辆之间的横向距离被定义为第一横向距离并且本车辆与第二目标周围车辆之间的横向距离被定义为第二横向距离时，第一和第二横向距离可以指分别在本车辆的驾驶方向上延伸的直线与第一目标周围车辆和第二目标周围车辆之间的距离。处理器610可以比较第一和第二横向距离，可以在第一横向距离较大时确定向左驾驶风险程度较低，并且可以在二横向距离较大时确定向右驾驶风险程度较低。

在这种情况下，处理器610可以使用确定的偏移值(用于通过横向偏移本车辆来允许本车辆行驶)的方法来校正本车辆的预期驾驶轨迹(即，用于校正本车辆的预期驾驶轨迹)。即，当本车辆接近第一和第二目标周围车辆时，处理器610可以确定用于在本车辆的驾驶风险的程度低的方向上校正本车辆的预期驾驶轨迹的主偏移值，可以通过基于指示接近风险程度的权重校正主偏移值来确定最终偏移值，且然后可以基于所确定的最终偏移值来校正本车辆的预期驾驶轨迹。

具体地，处理器610可以确定用于在本车辆的驾驶风险程度低的方向上校正本车辆的预期驾驶轨迹的主偏移值。例如，当第一横向距离大于第二横向距离时，处理器610可以确定用于将本车辆的预期驾驶轨迹向左偏移的主偏移值。例如，主偏移值的大小可以被确定为通过从第一横向距离减去第二横向距离而获取的值的1/2(即，主偏移值的大小可以被确定为使得本车辆在第一和第二目标周围车辆之间的中间行驶)。同样，当第二横向距离大于第一横向距离时，处理器610可以确定用于将本车辆的预期驾驶轨迹向右偏移的主偏移值。例如，可以将主偏移值的大小确定为通过从第二横向距离减去第一横向距离而获取的值的1/2。此外，用于本车辆的预期驾驶轨迹的偏移方向可以被指示为主偏移值的符号(例如，符号(-)为左，符号(+)为右)。偏移值的大小可以表示为绝对值。

此后，处理器610可基于表示本车辆接近第一和第二目标周围车辆时的接近风险的程度的权重，通过校正主偏移值来确定最终偏移值。指示当本车辆接近第一和第二目标周围车辆时的接近风险程度的权重可以指示例如用于校正主偏移值的参数，以使本车辆在本车辆已经接近属于第一和第二目标周围车辆并且具有较小体积(或尺寸)的目标周围车辆的状态下行驶。例如，如果第一目标周围车辆是全尺寸汽车，而第二目标周围车辆是紧凑型汽车，假设由于第二横向距离大于第一横向距离而将主偏移值确定为(+)值，则可以通过施加权重将最终偏移值确定为具有大于主偏移值的值。用于确定最终偏移值的主偏移值的增大或减小的程度(即权重)可以根据设计者的意图进行不同选择，并且预先存储在存储器620中。

因此，处理器610可以基于最终偏移值来校正本车辆的预期驾驶轨迹。因此，通过这样的本车辆的预期驾驶轨迹的校正，在基于存储在存储器620中的地图信息来控制本车辆的自动驾驶的过程中，由于在校正之前，由本车辆驾驶轨迹生成模块612b生成的本车辆的预期驾驶轨迹被偏移了最终偏移值，因此可以确保本车辆的自动驾驶稳定性。

图14和图15是用于描述根据本公开的第四实施方式的自动驾驶方法的流程图。

参照图14描述根据本公开的第四实施方式的自动驾驶方法。首先，处理器610基于存储在存储器620中的地图信息来控制本车辆的自动驾驶(S100)。

此后，在执行本车辆的自动驾驶的过程中，处理器610基于传感器单元500检测到的周围车辆的驾驶信息，生成周围车辆的实际驾驶轨迹(S200)。

接下来，处理器610基于存储在存储器620中的地图信息生成周围车辆的预期驾驶轨迹(S300)。

接下来，处理器610基于存储在存储器620中的地图信息生成本车辆的预期驾驶轨迹(S400)。

接下来，处理器610基于周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的比较，确定是否需要校正本车辆的预期驾驶轨迹(S500)。在步骤S500中，当周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差为预设的临界值或更大时，处理器610确定需要对本车辆的预期驾驶轨迹进行校正。

如果在步骤S500中确定需要校正本车辆的预期驾驶轨迹，则处理器610根据风险程度根据从本车辆到目标周围车辆的距离来校正本车辆的预期驾驶轨迹(S600)。在步骤S600，处理器610基于本车辆与第一目标周围车辆之间的第一横向距离以及本车辆与第二目标周围车辆之间的第二横向距离，在本车辆的驾驶风险程度较低的方向上校正本车辆的预期驾驶轨迹。

参考图15具体描述步骤S600。处理器610基于第一和第二横向距离之间的比较，确定本车辆的驾驶风险程度低的方向，并确定用于在所确定的方向上校正本车辆的预期驾驶轨迹的主偏移值(S610)。

此外，处理器610通过基于表示本车辆接近第一和第二目标周围车辆的情况下的接近风险程度的权重校正主偏移值来确定最终偏移值(S620)。

此外，处理器610基于在步骤S620中确定的最终偏移值来校正本车辆的预期驾驶轨迹(S630)。

当在步骤S600中校正了本车辆的预期驾驶轨迹时，处理器610执行正常的自动驾驶控制(S700)。

根据第四实施方式，通过确定需要校正自动驾驶车辆的驾驶轨迹并通过根据确定结果基于本车辆与周围车辆之间的距离考虑风险程度来校正自动驾驶车辆的驾驶轨迹，可以提高自动驾驶车辆的驾驶稳定性和驾驶精度。

[第五实施方式]

本公开包括可以与上述第一至第四实施方式一起应用的第五实施方式。在下文中，描述了第五实施方式，其中诊断对自动行驶的本车辆的自动驾驶控制的可靠性并且输出结果警告。

如上所述，根据本实施方式的处理器610(的驾驶轨迹生成模块612的)可以基于由传感器单元500检测到的周围车辆的驾驶信息来生成周围车辆的实际驾驶轨迹。即，当由传感器单元500在特定点检测到周围车辆时，处理器610可以通过交叉参考检测到的周围车辆的位置和存储在存储器620中的地图信息中的位置来指定当前在存储器620中存储的地图信息中检测到的周围车辆的位置。如上所述，处理器610可以通过连续监视周围车辆的位置来生成周围车辆的实际驾驶轨迹。

此外，处理器610(的驾驶轨迹生成模块612的)可以基于存储在存储器620中的地图信息来生成周围车辆的预期驾驶轨迹。在这种情况下，处理器610可以生成周围车辆的预期驾驶轨迹作为并入地图信息中的车道的中心线。

当生成周围车辆的实际驾驶轨迹和预期驾驶轨迹时，处理器610(的驾驶轨迹分析模块613)可以基于周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差的大小或轨迹误差的累加来执行对本车辆的自动驾驶控制的可靠性的诊断。

具体地，其中存在周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差的状态可以对应于对本车辆执行的自动驾驶控制不可靠的状态。即，如果基于由传感器单元500检测到的周围车辆的驾驶信息而生成的实际驾驶轨迹与基于存储在存储器620中的地图信息而生成的预期驾驶轨迹之间存在误差，则这意味着周围车辆不在车道(沿着该车道，预计周围车辆按地图信息行驶)中心线行驶的状态。这意味着存在传感器单元500可能错误地检测到周围车辆的可能性，或者存在存储在存储器620中的地图信息可能不正确的可能性。即，可能存在两种可能性。首先，尽管周围车辆实际上是基于预期驾驶轨迹行驶的，但是由于传感器单元500的异常，周围车辆的实际驾驶轨迹可能会发生错误。其次，存储在存储器620中的地图信息和周围车辆现在正在行驶的道路的状态可能不匹配(例如，由于周围车辆现在正在行驶的道路上的建造或维修，因为与存储在存储器620中的地图信息相比，该车道已向左或向右偏移，因此周围车辆在已偏移的车道上行驶)。因此，处理器610可以基于周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差的大小或轨迹误差的累加来执行对本车辆的自动驾驶控制的可靠性的诊断。此外，如上所述，为了考虑到周围车辆的总体驾驶趋势，可以考虑多个周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差，而不是任何特定周围车辆的实际驾驶轨迹。

详细地描述由处理器610基于周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差执行可靠性诊断的过程。首先，当在预设的第一临界时间内出现轨迹误差的大小为预设的第一阈值或更大的状态时，处理器610可以确定对本车辆的自动驾驶控制不可靠。

在这种情况下，第一临界时间是指为诊断自动驾驶控制的可靠性而预设的时间。定时，即时间的标准，可以是处理器610发起的周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的比较的时序。具体地，处理器610生成周围车辆的实际驾驶轨迹和预期驾驶轨迹，计算实际驾驶轨迹和预期驾驶轨迹之间的轨迹误差，以及诊断自动驾驶控制的可靠性的过程，可以以预设的确定周期周期性地执行，以便减少存储器620的资源和处理器610的计算负荷(因此，可以在确定周期中周期性地删除存储在存储器620中的周围车辆的实际驾驶轨迹和预期驾驶轨迹)。在这种情况下，当在从任何一个周期的开始时刻起经过第一临界时间之前发生轨迹误差的大小为第一阈值或更大的状态时，处理器610可以确定自动驾驶控制为不可靠。第一临界时间的大小(其值小于确定周期的时间区间的大小)可以根据设计者的意图不同地来设计并且存储在存储器620中。此外，第一阈值可以根据设计者的意图不同地来设计并存储在存储器620中。

此外，在第一临界时间保持内轨迹误差的大小小于第一阈值的状态下，处理器610可以另外使用轨迹误差的累加来执行可靠性诊断。即，尽管在第一临界时间内保持轨迹误差的大小小于第一阈值，但是当小于第一阈值的轨迹误差的累加值是给定值或更大时，周围车辆的状态对应于以下状态：尽管误差程度较小，但是周围车辆已经偏离预期驾驶轨迹行驶了给定时间。因此，处理器610可以通过使用轨迹误差的累加来附加地执行可靠性诊断，从而更精确地确定对本车辆的自动驾驶控制是否可靠。

在这种情况下，在第一临界时间内保持轨迹误差的大小小于第一阈值的状态下，当在预设为大于第一临界时间的值的第二临界时间内，轨迹误差的累加(即一个周期内轨迹误差的累加值)为预设的第二阈值或更大的状态时，处理器610可以确定对本车辆的自动驾驶控制不可靠。在这种情况下，第二临界时间可以被预先存储在存储器620中，该第二临界时间是大于第一临界时间并且小于确定周期的时间区间的大小的值。此外，可以根据设计者的意图不同地设计第二阈值并将其存储在存储器620中。

如果通过上述过程确定对本车辆的自动驾驶控制不可靠，则处理器610可以通过考虑由传感器单元500(的内部相机传感器535)检测到的乘客的状态(即，由乘客状态确定模块616确定的乘客状态)，通过输出单元300向乘客输出警告。在这种情况下，如果确定乘客没有保持向前视线，则处理器610可以通过输出单元300向乘客输出警告。因此，通过识别通过输出单元300输出的警告，乘客可以通过识别传感器单元500的操作异常或存储在存储器620中的地图信息不正确来采取适当的后续措施。如上所述，输出单元300可以包括扬声器310和显示装置320。因此，可以以各种方式输出通过输出单元300输出的警告，诸如通过扬声器310的语音警告或通过显示装置320的视觉警告。此外，警告可以根据车辆的规格，可以实现为座椅的振动。即，输出警告的方法在乘客当前可以识别出自动驾驶控制不可靠的范围内不限于特定实施方式。此外，乘客可以基于由用户终端120提供的用户界面(UI)或由显示装置320本身提供的UI来配置或修改通过输出单元300输出警告的方法。

在通过输出单元300向乘客输出警告之后，当轨迹误差的大小变得小于第一阈值或轨迹误差的累加变得小于第二阈值时，处理器610可以解除通过输出单元300输出的警告。即，在输出警告之后，当在任何一个周期内轨迹误差的大小变得小于第一阈值或轨迹误差的累加小于第二阈值时，这意味着对本车辆的自动驾驶控制的可靠性已经恢复。因此，处理器610可以解除从输出单元300输出的警告来防止不必要的警告被输出给驾驶员。在这种情况下，如果尽管已经解除了通过输出单元300的警告输出，但是在特定时刻已经输出了警告，这意味着存在存储在存储器620中的地图信息可能仅在道路上的特定点或部分上不正确的可能性。因此，处理器610可以在不影响当前对本车辆的自动驾驶控制的时刻，使用随后从服务器700接收到的新地图信息来更新存储在存储器620中的地图信息。

此外，在通过输出单元300向乘客输出警告之后，如果确定传感器单元500检测到的乘客的状态为前视状态，则处理器610可以解除通过输出单元300输出的警告。也就是说，如果在输出警告之后乘客保持前视，则可以确定本车辆当前正在安全行驶。因此，处理器610可以解除通过输出单元300输出的警告来防止不必要的警告输出到驾驶员。在这种情况下，处理器610可以在不影响当前对本车辆的自动驾驶控制的时刻，使用随后从服务器700接收到的新地图信息来更新存储在存储器620中的地图信息。

图16和图17是用于描述根据本公开的第五实施方式的自动驾驶方法的流程图。

参照图16描述根据本公开的第五实施方式的自动驾驶方法。首先，处理器610基于存储在存储器620中的地图信息来控制本车辆的自动驾驶(S100)。

此后，在执行本车辆的自动驾驶的过程中，处理器610基于传感器单元500检测到的周围车辆的驾驶信息，生成周围车辆的实际驾驶轨迹(S200)。

接下来，处理器610基于存储在存储器620中的地图信息来生成周围车辆的预期驾驶轨迹(S300)。

接下来，处理器610基于在步骤S200和S300处生成的周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的轨迹误差的大小或轨迹误差的累加执行对本车辆的自动驾驶控制的可靠性的诊断(S400)。

如果在步骤S400中确定对本车辆的自动驾驶控制不可靠，则处理器610通过考虑由传感器单元500检测到的乘客的状态，通过输出单元300向乘客输出警告(S500)。

如图17所示，在步骤S400中，处理器610确定在预定的第一临界时间内是否发生轨迹误差的大小为预定的第一临界值或更大的状态(S410)。

如果在第一临界时间内保持小于第一临界值的轨迹误差的大小，则处理器610确定在第二临界时间(作为比第一临界时间大的值存在)内是否发生轨迹误差的累加为预设的第二临界值或更大的状态(S420)。

如果在步骤S410中在第一临界时间内发生轨迹误差的大小为第一临界值或更大的状态，或者在步骤S420中在第二临界时间内发生轨迹误差的累加为第二临界值或更大的状态，处理器610确定对本车辆的自动驾驶控制不可靠，并执行步骤S500。如果在步骤S410中在第一临界时间内保持小于第一临界值的轨迹误差的大小，并且在步骤S420中，在第二临界时间内没有发生轨迹误差的累加为第二临界值或更大的状态，处理器610执行正常自动驾驶控制(S600)。

如图17所示，在步骤S500之后，当轨迹误差的大小变得小于第一临界值或轨迹误差的累加变得小于第二临界值时，或者如果确定由传感器单元500检测到的乘客的状态是前视状态(S700)(如果满足图16的警告解除条件)，则处理器610解除通过输出单元300输出的警告(S800)，并执行正常自动驾驶控制(S600)。相反，在轨迹误差的大小保持第一临界值或更大或轨迹误差的累加保持第二临界值或更大的状态下，如果确定传感器单元500检测到的乘客的状态不对应于前视状态(S700)，则处理器610关闭自动驾驶模式(S900)。

根据第五实施方式，首先基于自动驾驶车辆周围的周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的误差来诊断自动驾驶控制的可靠性。通过考虑进入自动驾驶车辆的乘客的状态以及分析结果，通过诸如应用于自动驾驶车辆的扬声器或显示装置的输出装置向乘客输出警告。因此，因为乘客可以准确地识别车辆的自动驾驶状态并采取适当的跟进措施，所以可以提高自动驾驶车辆的驾驶稳定性和驾驶精度。

应当注意，尽管在第一至第五实施方式的自动驾驶方法中所使用的步骤中使用相同的附图标记(S000)，但是它们是独立的并且是不同的步骤。

根据第一实施方式，根据驾驶员和同行乘客的状态通过选择性地应用第一预期驾驶轨迹或第二预期驾驶轨迹来控制车辆的自动驾驶，本公开可以改善车辆的自动驾驶稳定性，并且还能够采取适合于乘客状态的后续措施，该第一预期驾驶轨迹是基于驾驶员的车道变换模式和关于道路状态的信息而预先定义的车道变换率，第二预期驾驶轨迹是基于从车道变换率校正的校正后的车道变换率。

根据第二实施方式，本公开可以通过考虑对涉及本车辆的自动驾驶控制过程的乘客的驾驶操作，然后基于已完成学习的自动驾驶算法来控制本车辆的自动驾驶，通过学习应用于自动驾驶控制的自动驾驶算法，可以提高自动驾驶车辆的驾驶稳定性和驾驶精度。

根据第三实施方式，如果在本车辆的自动驾驶路径中存在改变本车辆的驾驶方向的目标点，例如十字路口或交叉路口，则基于本车辆的当前位置与目标点之间的距离来修改直至目标点的轨迹，使得本车辆通过逐步将车道变换来到达目标点。因此，基于到达目标点的轨迹，在的行驶过程中，本公开可以确保本车辆的驾驶稳定性。此外，如果执行本车辆的停车，则本公开可以通过控制本车辆的自动停车来提高乘客的停车便利性，使得本车辆可以到达已经结合了乘客的停车偏好的停车位置。

根据第四实施方式，通过确定需要校正自动驾驶车辆的驾驶轨迹，并通过根据确定结果基于自动驾驶车辆与周围车辆之间的距离考虑风险程度来校正自动驾驶车辆的驾驶轨迹，本空开可以提高自动驾驶车辆的驾驶稳定性和驾驶精度。

根据第五实施方式，首先基于自动驾驶车辆周围的周围车辆的实际驾驶轨迹与预期驾驶轨迹之间的误差来诊断自动驾驶控制的可靠性。通过考虑进入自动驾驶车辆的乘客的状态以及分析结果，通过诸如应用于自动驾驶车辆的扬声器或显示装置的输出装置向乘客输出警告。因此，因为乘客可以准确地识别车辆的自动驾驶状态并采取适当的跟进措施，所以本公开可以提高自动驾驶车辆的驾驶稳定性和驾驶精度。

尽管已经出于说明性目的公开了本公开的示例性实施方式，但是本领域技术人员将理解，在不脱离所附权利要求所限定的本公开的范围和精神的情况下，可以进行各种修改、添加和替换。因此，本公开的真实技术范围应由所附权利要求书限定。

Claims (14)

1.一种自动驾驶装置，包括：

传感器单元，被配置为检测自动行驶的本车辆周围的周围车辆和已经进入所述本车辆的乘客的状态；

驾驶信息检测器，被配置为检测关于所述本车辆的驾驶状态的驾驶信息；

存储器，被配置为存储地图信息；以及

处理器，被配置为基于存储在所述存储器中的所述地图信息来控制所述本车辆的自动驾驶，

其中，所述存储器存储：基于当所述本车辆改变车道时的所述本车辆的所述驾驶信息而分析的驾驶员的车道变换模式，以及基于当所述本车辆改变车道时的关于道路状态的信息而确定并指示所述本车辆的车道改变的速度的车道变换率，并且

所述处理器被配置为：

基于第一预期驾驶轨迹来控制所述本车辆的自动驾驶，所述第一预期驾驶轨迹基于存储在所述存储器中的所述地图信息和所述车道变换率以及由所述驾驶信息检测器检测到的所述本车辆的所述驾驶信息而生成，并且

基于由所述传感器单元检测到的所述乘客的状态通过选择性地应用所述第一预期驾驶轨迹或第二预期驾驶轨迹来控制所述本车辆的自动驾驶，并且

所述第二预期驾驶轨迹是通过并入从存储在所述存储器中的所述车道变换率校正的校正后的车道变换率而生成。

2.根据权利要求1所述的自动驾驶装置，其中：

当所述本车辆改变车道时，所述车道变换率被映射到用于进入目标车道的入口转向角和入口速度并存储在所述存储器中，并且

当基于所述第一预期驾驶轨迹来控制所述本车辆的自动驾驶时，所述处理器被配置为基于映射有所述车道变换率的所述入口转向角和所述入口速度来控制所述本车辆的自动驾驶。

3.根据权利要求2所述的自动驾驶装置，其中，当基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶时，所述处理器被配置为基于具有大于映射有所述车道变换率的所述入口转向角和入口速度的值的入口转向角和入口速度来控制所述本车辆的自动驾驶。

4.根据权利要求3所述的自动驾驶装置，其中，如果除驾驶员之外的同行乘客未进入所述本车辆，当基于由所述传感器单元检测到的所述驾驶员的状态而确定的所述驾驶员的驾驶集中度是预设的临界集中度或更大时，所述处理器被配置为基于所述第一预期驾驶轨迹来控制所述本车辆的自动驾驶。

5.根据权利要求3所述的自动驾驶装置，其中，如果除驾驶员之外的同行乘客未进入所述本车辆，当基于由所述传感器单元检测到的所述驾驶员的状态确定所述驾驶员发生紧急情况时，所述处理器被配置为基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶。

6.根据权利要求3所述的自动驾驶装置，其中，如果除所述驾驶员之外的同行乘客进入了所述本车辆，当基于由所述传感器单元检测到的所述同行乘客的状态确定所述同行乘客发生了紧急情况时，所述处理器被配置为基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶。

7.根据权利要求3所述的自动驾驶装置，还包括输出单元，

其中，当所述本车辆的所述驾驶员的驾驶集中度小于预设的临界集中度时或者当确定所述本车辆的驾驶员或同行乘客已经发生紧急情况时，所述处理器被配置为通过所述输出单元输出警告。

8.一种自动驾驶方法，包括：

第一控制步骤，由处理器基于第一预期驾驶轨迹来控制本车辆的自动驾驶，所述第一预期驾驶轨迹是基于存储在存储器中的地图信息和车道变换率以及所述本车辆的驾驶信息而生成，其中，基于驾驶员的车道变换模式来确定所述车道变换率，所述驾驶员的车道变换模式是基于当所述本车辆改变车道时所述本车辆的驾驶信息和当所述本车辆改变车道时的关于道路状态的信息而分析，并且所述车道变换率指示所述本车辆的所述车道变换速度并且被存储在所述存储器中；以及

第二控制步骤，由所述处理器基于传感器单元检测到的并进入所述本车辆的乘客的状态通过选择性地应用所述第一预期驾驶轨迹或第二预期驾驶轨迹来控制所述本车辆的自动驾驶，其中，通过并入从存储在所述存储器中的所述车道变换率校正的校正后的车道变换率来生成所述第二预期驾驶轨迹。

9.根据权利要求8所述的自动驾驶方法，其中：

当所述本车辆改变车道时，所述车道变换率被映射到用于进入目标车道的入口转向角和入口速度并存储在所述存储器中，并且

当基于所述第一预期驾驶轨迹来控制所述本车辆的自动驾驶时，所述处理器基于映射有所述车道变换率的入口转向角和入口速度来控制所述本车辆的自动驾驶。

10.根据权利要求9所述的自动驾驶方法，其中，当基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶时，所述处理器基于具有大于映射有所述车道变换率的入口转向角和入口速度的值的入口转向角和入口速度来控制所述本车辆的自动驾驶。

11.根据权利要求10所述的自动驾驶方法，其中，在所述第二控制步骤中，如果除所述驾驶员之外的同行乘客未进入所述本车辆，当基于由所述传感器单元检测到的所述驾驶员的状态而确定的所述驾驶员的驾驶集中度是预设的临界集中度或更大时，所述处理器基于所述第一预期驾驶轨迹来控制所述本车辆的自动驾驶。

12.根据权利要求10所述的自动驾驶方法，其中，在所述第二控制步骤中，如果除驾驶员之外的同行乘客未进入所述本车辆，当基于由所述传感器单元检测到的所述驾驶员的状态确定所述驾驶员发生紧急情况时，所述处理器基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶。

13.根据权利要求10所述的自动驾驶方法，其中，在所述第二控制步骤中，如果除所述驾驶员之外的同行乘客已经进入了所述本车辆，当基于由所述传感器单元检测到的所述同行乘客的状态确定所述同行乘客发生了紧急情况时，所述处理器基于所述第二预期驾驶轨迹来控制所述本车辆的自动驾驶。

14.根据权利要求10所述的自动驾驶方法，其中，在所述第二控制步骤中，当所述本车辆的所述驾驶员的驾驶集中度小于预设的临界集中度时或者当确定所述本车辆的驾驶员或同行乘客已经发生紧急情况时，所述处理器输出警告。

Images