CN112154492A - 预警和碰撞避免 - Google Patents

预警和碰撞避免 Download PDF

Info

Publication number
CN112154492A
CN112154492A CN201980033729.XA CN201980033729A CN112154492A CN 112154492 A CN112154492 A CN 112154492A CN 201980033729 A CN201980033729 A CN 201980033729A CN 112154492 A CN112154492 A CN 112154492A
Authority
CN
China
Prior art keywords
intersection
data
entities
ground
sensors
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
CN201980033729.XA
Other languages
English (en)
Inventor
G·奥德
A·阿布法德尔
K·珍巴特
A·沙尔玛
R·乔德里
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.)
Delk Inc
Original Assignee
Delk Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Delk Inc filed Critical Delk Inc
Priority to CN202311342538.6A priority Critical patent/CN117649782A/zh
Publication of CN112154492A publication Critical patent/CN112154492A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/091—Traffic information broadcasting
    • G08G1/093—Data selection, e.g. prioritizing information, managing message queues, selecting the information to be output
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096716—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information does not generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/161—Decentralised systems, e.g. inter-vehicle communication
    • G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Emergency Alarm Devices (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

除了别的之外，装备位于交通网络的交叉路口处。该装备包括用于从传感器接收数据的输入，该传感器被定向成监视交叉路口处或附近的地面交通实体。无线通信设备向地面交通实体之一的设备发送关于交叉路口处或附近的危险情况的警告，存在处理器和用于能由该处理器执行以执行包括以下内容的动作的指令的存储。机器学习模型被存储，其可以预测当前时间在交叉路口处或附近的地面交通实体的行为。机器学习模型是基于关于交叉路口处或附近的地面交通实体的先前运动和相关行为的训练数据。从传感器接收到的关于交叉路口处或附近的地面交通实体的当前运动数据被应用于机器学习模型，以预测地面交通实体的即将到来的行为。交叉路口处或附近的地面交通实体中的一者或多者的即将到来的危险情况是从经预测的即将到来的行为推断出的。无线通信设备向地面交通实体之一的设备发送关于危险情况的警告。

Description

预警和碰撞避免
本申请有权享受以下美国申请的提交日期的权益：于2018年5月31日提交的no.15/994,568、于2018年5月31日提交的no.15/994,826、于2018年5月31日提交的no.15/994,702、于2018年5月31日提交的no.15/994,915、于2018年12月17日提交的no.16/222,536、于2018年5月31日提交的no.15/994,850，所有这些申请均要求于2018年3月19日提交的美国临时专利申请62/644,725的优先权和权益，上述申请的全部内容通过援引被合并于此。
背景技术
本描述涉及预警和碰撞避免。
碰撞避免系统已经变得十分丰富。例如，King等人(美国专利公开2007/0276600A1，2007年)描述了将传感器放置在交叉路口之前，并应用基于物理的决策规则，以基于前进方向和速度来预测两辆车辆是否将在交叉路口撞车。
在Aoude等人(美国专利9,129,519B2，2015年，其全部内容通过援引被合并于此)中，驾驶员的行为被监视和建模，以虑及对交叉路口处的交通违章情况的预测和防范。
碰撞避免是地面交通中防止伤害以及生命和财产的损失的主要防御措施。提供危险情况的预警有助于碰撞避免。
发明内容
通常，在一方面，装备位于交通网络的交叉路口处。该装备包括用于从传感器接收数据的输入，该传感器被定向成监视交叉路口处或附近的地面交通实体。无线通信设备向地面交通实体之一的设备发送关于交叉路口处或附近的危险情况的警告，存在处理器和用于能由该处理器执行以执行包括以下内容的动作的指令的存储。机器学习模型被存储，其可以预测当前时间在交叉路口处或附近的地面交通实体的行为。机器学习模型是基于关于交叉路口处或附近的地面交通实体的先前运动和相关行为的训练数据。从传感器接收到的关于交叉路口处或附近的地面交通实体的当前运动数据被应用于机器学习模型，以预测地面交通实体的即将到来的行为。交叉路口处或附近的地面交通实体中的一者或多者的即将到来的危险情况是从经预测的即将到来的行为推断出的。无线通信设备向地面交通实体之一的设备发送关于危险情况的警告。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。无线通信设备将关于危险情况的警告发送到标志或其他基础设施演示设备。该警告包括能够控制特定地面交通实体的指令或命令。装备包括路侧装备。存在用于装备的壳体，并且传感器被附连至壳体。警告是通过广播警告来被发送的，以供由交叉路口处或附近的任何地面交通实体接收。机器学习模型包括人工智能模型。训练数据和运动数据包括以下至少一者：速度、位置、或前进方向。训练数据和运动数据还可以包括意图、姿态、视线方向、或与其他易受伤害的道路用户(诸如聚集在一起的用户)的交互。处理器被配置成能够在装备处生成机器学习模型。训练数据被存储在装备处。交叉路口包括无信号灯设置(non-signalized)的交叉路口。交叉路口包括有信号灯设置(signalized)的交叉路口。交通网络包括道路网络。地面交通实体包括易受伤害的道路用户。地面交通实体包括车辆。即将到来的危险情况包括碰撞或侥幸免撞(near miss)。地面交通实体包括在人行横道过马路的行人。存在与中央服务器通信的另一通信设备。地面交通实体之一的设备包括移动通信设备。
通常，在一方面，装备位于交通网络的交叉路口处。该装备包括用于从传感器接收数据的输入，该传感器被定向成监视交叉路口处或附近的地面交通实体。无线通信设备向地面交通实体之一的设备发送关于交叉路口处或附近的危险情况的警告。存在处理器和用于能由该处理器执行以存储机器学习模型的指令的存储，该机器学习模型可以预测当前时间在交叉路口处或附近的地面交通实体的行为。机器学习模型是基于关于交叉路口处或附近的地面交通实体的先前运动和相关行为的训练数据。从传感器接收到的关于交叉路口处或附近的地面交通实体的当前运动数据被应用于机器学习模型，以预测地面交通实体(包括其设备无法从无线通信设备接收警告的地面交通实体)的即将到来的行为。针对其设备可以从无线通信设备接收警告的地面交通实体的即将到来的危险情况被推断出。即将到来的危险情况是无法接收到警告的地面交通实体的经预测的即将到来的行为的结果。关于危险情况的警告被发送到地面交通实体的设备，该设备可以从无线通信设备接收警告。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。装备包括路侧装备。存在用于装备的壳体，并且传感器被附连至壳体。警告是通过广播警告来被发送的，以供由交叉路口处或附近的可接收警告的任何地面交通实体来接收。机器学习模型包括人工智能模型。交叉路口包括无信号灯设置的交叉路口。交叉路口包括有信号灯设置的交叉路口。交通网络包括道路网络。地面交通实体包括易受伤害的道路用户。地面交通实体包括车辆。即将到来的危险情况包括碰撞。其设备无法从无线通信设备接收警告的地面交通实体包括车辆。其设备可从无线通信设备接收警告的地面交通实体包括在人行横道过马路的行人。存在与中央服务器通信的另一通信设备。地面交通实体之一的设备包括移动通信设备。
通常，在一方面，在地面交通网络中行进的道路车辆上，消息和数据被接收，包括：来自外部源的关于其他地面交通实体的位置、运动和状态的消息，来自车载传感器的关于道路和驾驶状况的数据以及关于车辆周围静态物体和移动的地面交通实体的位置的数据，关于道路车辆驾驶员的驾驶质量的数据，以及来自其他地面交通实体的基本安全消息和来自易受伤害的道路用户的人身安全消息。所接收到的数据和消息被融合并应用于人工智能模型，以预测道路车辆驾驶员或易受伤害的道路用户的动作或道路车辆的碰撞风险或两者。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。道路车辆在道路车辆附近创建静态物体和移动的地面交通实体的地图。道路车辆的驾驶员被警告有碰撞风险。碰撞风险是基于附近其他移动的地面交通实体的经预测轨迹的概率来确定的。基本安全消息和人身安全消息被过滤，以减少被提供给道路车辆驾驶员的警报的数目。
通常，在一方面，位于横穿道路的人行横道附近的电子传感器被用来监视人行横道中或附近的区域。电子传感器生成关于人行横道中或附近的易受伤害的道路用户的运动数据。所生成的运动数据被应用于在位于人行横道附近的装备中运行的机器学习模型，以预测易受伤害的道路用户之一将进入人行横道。在易受伤害的道路用户进入人行横道之前，警告被无线地传送到以下至少一者：与易受伤害的道路用户相关联的设备、或与正在接近人行横道的另一地面交通实体相关联的设备。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。装备包括路侧装备。易受伤害的道路用户包括行人、动物、或骑自行车的人。与易受伤害的道路用户相关联的设备包括智能手表或其他可穿戴设备、智能电话、或另一移动设备。该另一地面交通实体包括机动车辆。与该另一地面交通实体相关联的设备包括智能电话或另一移动设备。机器学习模型由远程服务器通过互联网被提供给位于人行横道附近的装备。机器学习模型是在位于人行横道附近的装备处被生成的。机器学习模型使用由位于人行横道附近的传感器生成的运动数据来被训练。由位于人行横道附近的传感器生成的运动数据被发送到服务器，以供训练机器学习模型时使用。由位于人行横道附近的传感器生成的运动数据基于人行横道附近的对应区域来被分割。电子传感器被用来生成表示易受伤害的道路用户的身体属性的运动相关数据。关于易受伤害的道路用户的轨迹信息是从由传感器生成的运动数据导出的。
通常，在一方面，位于地面交通网络的交叉路口附近的电子传感器被用来监视交叉路口和至交叉路口的路段(approach)。电子传感器生成关于在路段上或交叉路口中移动的地面交通实体的运动数据。地面交通实体中的一者或多者无法将基本安全消息发送到交叉路口附近的其他地面交通实体。基于由电子传感器生成的运动数据，虚拟基本安全消息被发送到能够接收消息的地面交通实体中的一者或多者。虚拟基本安全消息包含关于无法发送基本安全消息的地面交通实体中的一者或多者的信息。虚拟基本安全消息中的每一者中包含的信息包括以下至少一者：无法发送基本安全消息的地面交通实体之一的位置、前进方向、速度和经预测的将来轨迹。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。装备包括路侧装备。所包含的信息包括在地面交通实体能够发送基本安全消息的情况下将被包含在由该地面交通实体生成的基本安全消息中的信息的子集。所生成的运动数据被应用于在位于交叉路口附近的装备中运行的机器学习模型，以预测无法发送基本安全消息的地面交通实体的轨迹。地面交通实体之一包括机动车辆。机器学习模型由远程服务器通过互联网被提供给位于交叉路口附近的装备。机器学习模型是在位于交叉路口附近的装备处被生成的。机器学习模型使用由位于交叉路口附近的传感器生成的运动数据来被训练。由位于交叉路口附近的传感器生成的运动数据被发送到服务器，以供训练机器学习模型时使用。
通常，在一方面，位于地面交通网络的交叉路口附近的电子传感器被用来监视交叉路口和至交叉路口的路段。电子传感器生成关于在路段上或交叉路口中移动的地面交通实体的运动数据。在交叉路口和至交叉路口的路段中定义了不同虚拟区域。运动数据是根据所生成的运动数据所涉及的对应虚拟区域来被分割的。针对相应分段中的每一者来将所生成的运动数据应用于在位于交叉路口附近的装备中运行的机器学习模型，以预测交叉路口或诸路段之一中涉及地面交通实体中的一者或多者的即将到来的危险情况。在即将到来的危险情况变成实际危险情况之前，警告被无线地传送到与所涉及到的地面交通实体中的至少一者相关联的设备。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。装备包括路侧装备。与地面交通实体中的每一者相关联的设备包括可穿戴设备、智能电话、或另一移动设备。地面交通实体之一包括机动车辆。机器学习模型由远程服务器通过互联网被提供给位于交叉路口附近的装备。机器学习模型是在位于交叉路口附近的装备处被生成的。机器学习模型使用由位于交叉路口附近的传感器生成的运动数据来被训练。由位于交叉路口附近的传感器生成的运动数据被发送到服务器，以供训练机器学习模型时使用。电子传感器被用来监视人行横道中或附近的区域，该人行横道横穿至交叉路口的路段之一。电子传感器被用来生成表示人行横道附近的易受伤害的道路用户的身体属性的运动相关数据。关于易受伤害的道路用户的轨迹信息是从由传感器生成的运动数据导出的。存在用于至交叉路口的路段中的每一者的机器学习模型。还基于由传感器生成的相对于另一附近交叉路口的运动数据来做出是否要传送警告的确定。还基于从在路段上或在交叉路口中移动的地面交通实体接收到的信息来做出是否要传送警告的确定。交叉路口有设置信号灯，并且关于信号状态的信息被接收。交叉路口没有设置信号灯，而是由一个或多个标志控制的。经定义的虚拟区域包括由标志控制的一个或多个路段。这些标志包括停车标志或让路标志。地面交通实体之一包括轨道车辆。
通常，在一方面，装备位于地面交通实体中或地面交通实体上。该装备包括用于从传感器接收数据的输入，该传感器在地面交通实体中或地面交通实体上并且被定向成监视地面交通网络的附近特征以及关于其中地面交通实体正穿越地面交通网络的上下文的其他信息。无线通信设备接收关于该上下文的信息。信号处理器将信号处理应用于来自传感器的数据以及关于该上下文的其他信息。存在处理器以及用于能由该处理器执行以执行包括以下的动作的指令的存储：存储可预测地面交通实体的操作者的行为以及在附近的其他地面交通实体的意图和移动的机器学习模型，以及应用来自传感器的当前接收到的数据和关于该上下文的其他信息以预测操作者的行为以及在附近的其他地面交通实体的意图和移动。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。装备包括路侧装备。该指令能由处理器执行以监视地面交通实体的用户或乘员。关于该上下文的其他信息包括紧急广播、路侧装备的交通和安全消息、以及来自其他地面交通实体的关于安全、位置和其他运动信息的消息。传感器包括相机、范围传感器、振动传感器、话筒、座位传感器、碳氢化合物传感器、挥发性有机化合物和其他有毒物质的传感器、以及运动学传感器或它们的组合。该指令能由处理器执行以通过以下来过滤车辆接收到的收到警报：将警报施加到机器学习模型以预测哪些警报在当前位置、环境状况、驾驶员行为、车辆健康和状态以及运动学方面是重要的。
通常，在一方面，针对在交通网络中移动的非网联地面交通实体的运动数据被获取。包含关于非网联地面交通实体的运动数据的信息的虚拟安全消息被发送到非网联地面交通实体附近的网联地面交通实体。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。虚拟安全消息是在非网联地面交通实体被连接的情况下将由非网联地面交通实体发送的安全消息的替代。非网联地面交通实体包括车辆，并且虚拟安全消息是基本安全消息的替代。非网联地面交通实体包括易受伤害的道路用户，并且虚拟安全消息是人身安全消息的替代。运动数据由基础设施传感器来检测。
通常，在一方面，位于交通网络的交叉路口处的装备包括用于从传感器接收数据的输入，该传感器被定向成监视交叉路口处或附近的地面交通实体。来自传感器中的每一者的数据表示地面交通实体中的至少一者的至少一个位置或运动参数。来自传感器中的每一者的数据被以本机格式表示。从传感器中的至少两者接收到的数据在位置或运动参数或本机格式或两者方面均不一致。存在用于能由处理器执行以将来自传感器中的每一者的数据转换成具有独立于传感器数据的本机格式的通用格式的数据的指令的存储。具有通用格式的数据被合并到在交叉路口处或附近正被监视的地面交通实体的全局统一表示中。全局统一表示包括地面交通实体中的每一者的位置、速度和前进方向。地面交通实体中的两个地面交通实体的位置和运动的关系是使用全局统一表示来确定的。涉及这两个地面交通实体的危险情况被预测，并且消息被发送到这两个地面交通实体中的至少一者，从而向其警告该危险情况。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。传感器包括以下至少两者：雷达、激光雷达、和相机。从传感器之一接收到的数据包括在相继时刻的视野的图像数据。从传感器之一接收到的数据包括3D空间中的反射点。从传感器之一接收到的数据包括距传感器的距离和速度。全局统一表示代表地面交通实体在通用参考系中的位置。从其接收数据的两个传感器被安装在交叉路口处或附近的固定位置中，并具有至少局部非交叠的视野。传感器之一包括雷达，并且数据的转换包括根据雷达的已知位置以及从雷达到地面交通实体的距离来确定地面交通实体的位置。传感器之一包括相机，并且数据的转换包括根据相机的已知位置、视线方向和倾斜度以及地面交通实体在相机的图像帧内的位置来确定地面交通实体的位置。
通常，在一方面，装备位于包括道路的交叉路口、人行横道和轨道线的交通网络的平交路口处。该装备包括用于从传感器接收数据的输入，该传感器被定向成监视在平交路口处或附近的道路车辆和行人，并接收道路和轨道线上的信号的相位和定时数据。无线通信设备被包括以将关于在平交路口处或附近的危险情况的警告发送到地面交通实体、行人、或轨道线上的轨道车辆之一的设备。存在用于能由处理器执行以存储机器学习模型的指令的存储，该机器学习模型可以预测当前时间在平交路口处或附近的地面交通实体的行为。机器学习模型是基于关于交叉路口处或附近的道路车辆和行人的先前运动和相关行为的训练数据。从传感器接收到的关于平交路口处或附近的道路车辆和行人的当前运动数据被应用于机器学习模型，以预测道路车辆和行人的即将到来的行为。交叉路口处或附近的轨道线上的轨道车辆的即将到来的危险情况是从经预测的即将到来的行为推断出的。无线通信设备被致使向道路车辆、行人和轨道车辆中的至少一者的设备发送关于危险情况的警告。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。警告被发送到轨道车辆的车载装备。轨道线是在隔离的通行权上的。轨道线不是在隔离的通行权上的。装备包括路侧装备。警告是通过广播警告来被发送的，以供由平交路口处或附近的任何地面交通实体、行人或轨道车辆来接收。即将到来的危险情况包括碰撞或侥幸免撞。
通常，在一方面，从基础设施传感器接收数据，该数据表示正被驾驶的道路车辆或在地面交通网络中行走的行人的位置和运动。在关于道路车辆和行人的状态的虚拟基本安全消息和虚拟人身安全消息中接收数据。所接收到的数据被应用于机器学习模型，该机器学习模型被训练以标识道路车辆或行人之一的危险驾驶或步行行为。危险驾驶或步行行为被报告给官方机构。
诸实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。道路车辆基于车牌号识别来被标识。行人基于生物计量识别来被标识。道路车辆或行人基于社交网络来被标识。
这些和其他的方面、特征和实现可被表示为方法、装备、系统、组件、程序产品、经营商业的方法、用于执行功能的装置或步骤、以及按其他方式来表示。
根据包括权利要求在内的以下描述，这些和其他方面、特征和实现将变得显而易见。
描述
图1、2、3和15是框图。
图4、5、8至11、13、14、17和18是从上方看的道路网络的示意图。
图6和7是交叉路口的带注释的透视图。
图12和16是道路网络的示意性侧视图和透视图。
随着传感器技术和计算机的进步，对危险情况进行预测(并提供对其的预警)并以此方式在地面交通的引导中防止地面交通实体的碰撞和侥幸免撞(即，以实现碰撞避免)已变得可行。
我们宽泛地使用术语“地面交通”，以包括例如需要与地球表面的土地或水接触的到处移动的模式或媒介，诸如步行或跑步(或从事其他徒步活动)、非机动车辆、机动车辆(自动驾驶、半自动驾驶、以及非自动驾驶)、以及轨道车辆。
我们宽泛地使用术语“地面交通实体”(或有时简称为“实体”)，以包括例如以地面交通模式参与到其中的人或离散的机动或非机动车辆，诸如行人、自行车骑手、船、汽车、卡车、电车、有轨电车、或火车等等。有时我们使用术语“车辆”或“道路用户”作为对地面交通实体的速记援引。
我们宽泛地使用术语“危险情况”以包括例如可能导致即将到来的财产损失或人身伤害或死亡并且可以是减轻或可避免的任何事件、发生、序列、上下文或其他情况。我们有时将术语“危害”与“危险情况”互换使用。对于已经、可能或者将导致危险情况的实体的行为，有时我们会使用“违章”或“违反”一词。
在我们在此讨论的技术的一些实现中，地面交通网络正由不具有或没有在使用交通网联性的地面交通实体以及具有和正在使用交通网联性的地面交通实体的混合体使用。
我们宽泛地使用术语“网联性”以包括例如地面交通实体进行以下操作的任何能力：(a)了解并根据其周围环境、其附近的其他地面交通实体以及与其相关的交通情况的知识来采取行动；(b)广播或以其他方式传送关于其状态的数据；或者(c)既(a)又(b)。所传送的数据可以包括其位置、前进方向、速度、或者其与交通情况相关的组件的内部状态。在一些情形中，对地面交通实体的了解是基于关于其他地面交通实体或与地面交通实体的行驶相关的交通情况的无线地接收到的数据。所接收到的数据可以源自其他地面交通实体或源自基础设施设备、或两者。通常，网联性涉及实时或实质上实时或及时地发送或接收数据，以使地面交通实体中的一者或多者根据交通情况中的数据来采取行动。
我们宽泛地使用术语“交通情况”以包括其中两个或更多个地面交通实体正在彼此附近行驶以及其中每个实体的行驶或状态可能会影响或与其他实体的行驶或状态相关的任何境况。
我们有时将不具有或没有在使用网联性或网联性的诸方面的地面交通实体称为“非网联地面交通实体”或简称为“非网联实体”。我们有时将具有或正在使用网联性或网联性的诸方面的地面交通实体称为“网联地面交通实体”或简称为“网联实体”。
我们有时使用术语“合作实体”来指代向其周围环境广播数据的地面交通实体，例如包括位置、前进方向、速度、或车载安全系统(诸如制动器、灯光和雨刮器)的状态。
我们有时使用术语“非合作实体”来指代不向其周围环境广播一种或多种类型的数据(诸如其位置、速度、前进方向、或状态)的地面交通实体。
我们有时宽泛地使用术语地面交通实体的“附近”，以包括例如其中该实体所作的广播可以被其他地面交通实体或基础设施设备接收的区域。在一些情形中，附近区域会随实体的位置以及实体周围障碍物的数目和特性而变化。在沙漠中空旷的道路上行进的实体将具有非常宽的附近区域，因为没有障碍物可以阻止来自该实体的广播信号到达远距离。相反，实体周围的建筑物将减少都市峡谷中的附近区域。附加地，可能存在电磁噪声源，这些电磁噪声源使广播信号的质量降级，并因此减小接收距离(附近区域)。
如图14所示，沿着道路7005行进的实体7001的附近区域可以由同心圆来表示，其中最外面的圆7002表示附近区域的最外面的范围。位于圆7002内的任何其他实体都在实体7001的附近。位于圆7002外部的任何其他实体都在实体7001的附近区域外部，并且无法接收到由实体7001所作的广播。实体7001对于在其附近区域外部的所有实体和基础设施设备将是不可见的。
通常，合作实体正在持续地广播其状态数据。广播实体附近的网联实体能够接收这些广播，并且可以处理接收到的数据并根据接收到的数据来采取行动。例如，如果易受伤害的道路用户具有可接收来自实体(例如，正在驶来的卡车)的广播的可穿戴设备，则该可穿戴设备可以处理接收到的数据，并让易受伤害的用户知道何时过马路是安全的。只要用户的设备可以接收广播(即，在合作实体的附近区域内)，该操作便发生而不考虑合作实体或易受伤害的用户相对于“智能”交叉路口的位置。
我们宽泛地使用术语“易受伤害的道路用户”或“易受伤害的道路使用者”，以包括例如道路或道路网络的其他特征中的没有在使用机动车辆的任何用户。如果易受伤害的道路用户与机动车辆相撞，则通常无法保护他们免受伤害或死亡或财产损失。在一些示例中，易受伤害的道路用户可能是步行、跑步、骑自行车或进行任何类型的活动的人，这些活动在发生碰撞的情形中将易受伤害的道路用户置于被车辆或其他地面交通实体直接物理接触的风险之中。
在一些实现中，本文档中描述的碰撞避免技术和系统(我们有时也将其简称为“系统”)使用安装在基础设施固定装置上的传感器来监视、跟踪、检测和预测运动(诸如速度、前进方向和位置)、行为(例如，高速)、以及地面交通实体及其驾驶员和操作者的意图(例如，将违反停车标志)。由传感器提供的信息(“传感器数据”)使系统能够预测危险情况并向实体提供预警，以增加碰撞避免的机会。
我们宽泛地使用术语“碰撞避免”，以包括例如其中两个或更多个地面交通实体之间或地面交通实体与环境中的另一物体之间的可能由危险情况引起的碰撞或侥幸免撞被防止或者其中这种交互的机会被减小的任何境况。
我们宽泛地使用术语“预警”，以包括例如标识、暗示或以任何方式指示危险情况且对于碰撞避免有用的任何通知、警报、指令、命令、广播、传输或对信息的其他发送或接收。
道路交叉路口是危险情况可发生的主要位置。我们在此描述的技术可使交叉路口配备有基础设施设备，包括传感器、计算硬件和智能设备，以实现对危险情况的同时监视、检测和预测。来自这些传感器的数据被标准化为单个参考帧，并且随后被处理。构建了沿着至交叉路口的不同路段的交通流的人工智能模型。例如，这些模型帮助更有可能违反交通规则的实体。模型被建立以便在实际违章之前检测危险情况，并因此可被视为预测。基于对危险情况的预测，警报被从交叉路口处的基础设施设备发送到交叉路口附近的所有网联实体。接收到警报的每个实体处理警报中的数据并执行警报过滤。警报过滤是丢弃或忽略对实体无助益的警报的过程。如果警报被认为是有助益的(即，作为过滤的结果而未被忽略)，诸如即将发生的碰撞的警报，则实体要么自动地对警报做出反应(诸如通过应用制动器)，要么将通知呈现给驾驶员或两者兼而有之。
该系统可以在但不限于道路、水路和铁路上被使用。我们有时将这些和其他类似的交通上下文称为“地面交通网络”。
虽然我们经常在交叉路口的上下文中讨论该系统，但是其也可被应用于其他上下文。
我们宽泛地使用术语“交叉路口”，以包括例如道路、轨道、水体或其他行进路径的任何现实世界布置，对于这些布置，沿着地面交通网络的路径行进的两个或更多个地面交通实体可能会在某个时间和地点处占据同一位置，从而产生碰撞。
使用地面交通网络的地面交通实体以各种速度移动，并且可能以不同速度和一天中的不同时间到达给定交叉路口。如果知道实体距交叉路口的速度和距离，则用该距离除以速度(均用同一单位系统表示)将给出到达交叉路口处的到达时间。然而，由于速度将由于例如交通状况、路线上的速度限制、交通信号和其他因素而改变，因此预计的到达交叉路口处的到达时间持续地改变。预计的到达时间的这种动态改变使得不可能以100％的置信度预测实际到达时间。
为了计及影响实体运动的因素，需要应用在实体的速度和各种影响因素之间的大量关系。可以通过从实体或从外部位置跟踪实体的传感器来观察该实体的运动状态的绝对值。由这些传感器捕捉的数据可被用来对实体的运动、行为和意图的模式进行建模。机器学习可被用来根据大量数据生成复杂模型。无法使用实体的运动学直接建模的模式可以使用机器学习来捕捉。经训练的模型可以通过使用来自跟踪实体的传感器的实体跟踪数据来预测实体是要移动还是停在特定点。
换言之，除了直接从传感器数据中检测关于地面交通实体的信息外，该系统还使用人工智能和机器学习来处理大量传感器数据，以学习地面交通实体(例如，在地面交通网络的交叉路口处、在通往此类交叉路口的路段上、以及在地面交通网络的人行横道处)的运动、行为和意图的模式。基于对当前传感器数据的直接使用以及基于将人工智能和机器学习应用于当前传感器数据的结果，该系统产生预警(诸如危险情况的警报)，并因此有助于碰撞避免。关于指令或命令形式的预警，该命令或指令可被定向到特定的自动驾驶或人类驾驶的实体以直接控制车辆。例如，该指令或命令可减慢或停止实体被恶意的人驾驶，该恶意的人已被确定为出于试图伤害他人的目的而将要闯红灯。
该系统可被定制，以针对该特定交叉路口做出预测，并将警报发送到广播警报的设备附近的实体。为此目的，系统将使用传感器来导出关于危险实体的数据，并使来自传感器的当前读数传递通过经训练的模型。随后，模型的输出可预测危险情况并广播对应警报。由在附近的网联实体接收到的警报包含关于危险实体的信息，以使得接收方实体可以分析该信息以评估危险实体对其构成的威胁。如果存在威胁，则接收方实体可以自己采取行动(例如，减速)，或者使用基于视觉、音频、触觉或任何种类的感觉刺激的人机界面来通知接收方实体的驾驶员。自动驾驶实体可以自己采取行动来避免危险情况。
警报还可以直接通过蜂窝网络或其他网络发送到被装备成接收警报并由行人拥有的移动电话或其他设备。该系统标识交叉路口处的潜在危险实体，并向具有通信单元的行人的个人设备广播(或直接发送)警报。警报可以例如防止行人进入人行横道，并因而避免潜在事故。
该系统还可以跟踪行人，并向其他实体广播与他们的状态(位置、速度和其他参数)相关的信息，以使得其他实体可以采取行动来避免危险情况。
如图1所示，该系统至少包括以下类型的组件：
1.路侧装备(RSE)10，其包括或利用传感器12来监视、跟踪、检测和预测地面交通实体14的运动(诸如速度、前进方向和位置)、行为(例如，高速)和意图(例如，将违反停车标志)。RSE还包括或可以利用数据处理单元11和数据存储18。地面交通实体表现出宽范围的行为，这取决于地面交通网络的基础设施以及实体本身的状态、驾驶员的状态、以及其他地面交通实体的状态。为了捕捉实体的行为，RSE从传感器、其他RSE、OBE、OPE、本地或中央服务器、以及其他数据处理单元收集信息。RSE还保存它接收到的数据，以及在流水线的某些或所有步骤中保存经处理的数据。
RSE可以将数据保存在本地存储设备或远程存储上。收集到的数据使用预定义逻辑或基于动态收集的数据的逻辑来被实时地处理，这意味着RSE可以自动地更新其自身的逻辑。可以在单个处理单元或处理单元的群集上处理数据，以更快地获得结果。可以在本地或远程处理单元或者本地或远程处理单元的群集上处理数据。RSE可以使用对收集到的数据进行训练的简单逻辑或精细模型。模型可以在本地或远程进行训练。
RSE可以在使用经训练的模型之前对数据进行预处理以过滤异常值。异常值可由于传感器中的噪声、反射或者由于某些其他伪像而存在。所得异常值可能导致错误警报，这可影响整个RSE的性能。筛选方法可以基于由RSE、OBE、OPE或在线资源收集到的数据。RSE可以与在交叉路口或其他位置处的其他控制器(诸如交通信号灯控制器)对接，以提取供在数据处理流水线中使用的信息。
RSE还包括或可以利用通信装备20以通过有线或无线方式与其他RSE以及与OBE、OPE、本地或中央服务器以及其他数据处理单元进行通信。RSE可以使用任何可用的标准以供与其他装备通信。RSE可以使用有线或无线互联网连接来下载数据并将其上传到其他装备，使用蜂窝网络来发送消息和从其他蜂窝设备接收消息，以及使用专用无线电设备来与交叉路口或其他位置处的基础设施设备和其他RSE通信。
RSE可以被安装在不同种类的交叉路口旁边。例如，在有信号灯设置的交叉路口(例如，其中交通由信号灯控制的交叉路口)处，RSE 10被安装在交通信号灯控制器26附近，要么在相同外壳内要么在近旁外壳内。数据(诸如交通信号灯相位和定时)应在交通信号灯控制器和RSE之间流动28。在无信号灯设置的交叉路口处，RSE 10通常被放置为使其易于连接到传感器12，传感器12被用来监视交叉路口附近的道路或地面交通网络的其他特征。RSE与交叉路口的临近度有助于维持低时延系统，这对于向接收方地面单元提供最大时间来响应警报是至关重要的。
2.车载装备(OBE)36，其安装在地面交通实体14上或由地面交通实体14承载，OBE36包括确定除关于实体的安全相关数据外的实体的位置和运动学(运动数据)的传感器38。OBE还包括数据处理单元40、数据存储42、以及可以与其他OBE、OPE、RSE以及可能的服务器和计算单元进行无线通信的通信装备44。
3.随身装备(OPE)46，其可以是但不限于移动电话、可穿戴设备或能够由人或动物穿戴、保持、与其附连或以其他方式与其交互的任何其他设备。OPE可以包括或耦合到数据处理单元48、数据存储50和通信装备52(如果需要的话)。在一些实现中，OPE用作非车辆易受伤害的道路用户的专用通信单元。在一些情形中，OPE也可被用于其他目的。OPE可以具有用于向易受伤害的道路用户提供视觉、听觉或触觉警报的组件。
易受伤害的道路用户包括行人、骑自行车的人、道路工人、坐在轮椅上的人、踏板车、自平衡设备、电池供电的个人交通工具、动物驱动的马车、向导动物或警犬、农场动物、牧群和宠物。
通常，OPE为易受伤害的道路用户所拥有，并且能够发送和接收消息。OPE可被附连到移动电话、平板、个人交通工具、自行车、可穿戴设备(例如，手表、手镯、脚链)或与之集成，或附连至宠物项圈。
由OPE发送的消息可以包括与易受伤害的道路用户相关联的运动学信息，包括但不限于一天中的时间、3D位置、前进方向、速度和加速度。所发送的消息还可以携带表示易受伤害的道路用户的警戒级别、当前行为和将来意图的数据，例如，易受伤害的道路用户当前正在穿过人行横道、正在听音乐、或将要穿过人行横道。除其他事项外，该消息可传达易受伤害的道路用户的blob大小或数据大小、是否存在伴随易受伤害的道路用户的外部设备(例如，婴儿车、手推车或其他设备)、易受伤害的道路用户是否具有残疾或正在使用任何个人协助。该消息在易受伤害的道路用户是工人的情况下可以传达工人的类别，并且还可以描述正由工人完成的活动的类型。当类似易受伤害的道路用户的群集(例如，一组行人)具有类似特性时，单条消息可被发送以避免多条消息广播。
通常，由OPE接收到的消息是来自路侧装备或实体的警报消息。OPE可以通过警告易受伤害的道路用户来针对接收到的消息采取行动。警报消息将携带在为易受伤害的道路用户提供自定义警报方面有用的数据。例如，向易受伤害的道路用户发出的警报可能会展示出一类型的危险情况并建议可能的动作。OPE可以将警报过滤应用于所有接收到的消息，并且仅将相关消息呈现给易受伤害的道路用户。
警报过滤是基于将学习算法应用于与OPE相关联的历史数据的结果，其允许为每个易受伤害的道路用户量身定制警报过滤。OPE学习算法跟踪易受伤害的道路用户对接收到的警报的响应，并且定制将来警报以获得来自易受伤害的道路用户的最佳响应时间和最佳注意力。学习算法还可以被应用于所发送的消息中携带的数据。
4.数据存储服务器54，其可以是但不限于云存储、本地存储、或虑及存储和检索数据的任何其他存储设施。出于例如存储与预警和碰撞避免相关的数据的目的，数据存储服务器可由RSE、计算单元访问，并且可潜在地由OBE、OPE、和数据服务器访问。出于提取所存储的数据的目的，可以从RSE并且可潜在地从OBE、OPE和数据服务器访问数据存储服务器。数据可以是原始传感器数据、经处理单元处理的数据或由RSE、OBE和OPE生成的任何其他信息。
交叉路口处的持续地监视地面交通实体的传感器每天可以生成大量数据。该数据的量取决于传感器的数目和类型。数据既被实时地处理又被保存以供在本地(诸如在交叉路口处)要求数据存储单元(例如，硬盘驱动器、固态驱动器、和其他大容量存储设备)的将来分析。本地存储设备将在一段时间内被填满，这取决于它们的存储容量、所生成的数据量、以及生成数据的速率。为了保留数据以供将来使用，数据被上传到具有更多容量的远程服务器。远程服务器可以根据需要应诉求来升级存储容量。远程服务器可以使用与可通过网络连接访问的本地存储(例如，硬盘驱动器、固态驱动器、或其他大容量存储设备)相类似的数据存储设备。
被本地存储且存储在服务器上以供将来分析的数据可以包括由地面交通实体广播且由RSE接收的数据，这些数据被保存以供将来分析。所存储的数据可下载自服务器或其他远程源，以供在RSE上进行处理。例如，RSE所位于的交叉路口的机器学习模型可以被存储在服务器处或其他远程存储中，并由RSE下载以用于分析在RSE处从本地源接收到的当前数据。
5.计算单元56，其是位于云中或位于本地(例如，作为RSE的一部分)或其组合的强大计算机器。除其他功能外，计算单元处理可用数据以生成对使用交通网络的车辆、行人或其他地面交通实体的运动、行为和意图的预测、基于机器学习的模型。每一个计算单元可以具有专用硬件以处理对应类型的数据(例如，用于处理图像的图形处理单元)。如果繁重的处理负载的情形中，RSE中的计算单元可能变得过载。这可例如在附加的数据生成单元(例如，传感器)被添加到系统从而产生计算过载时发生。过载还可以在运行在计算单元中的逻辑被替换为计算上更密集的逻辑的情况下发生。过载可能由于正被跟踪的地面交通实体的数目上的增加而导致。当本地计算过载发生时，RSE可以将某些任务卸载到另一计算单元。该另一计算单元可以在RSE附近或远程，诸如服务器。可以对计算任务进行优先级排序，并且可以在该另一计算单元处完成非时间紧迫的任务，并由本地计算单元检索结果。例如，RSE中的计算单元可以请求另一计算单元来运行作业，以分析所保存的数据并使用该数据来训练模型。经训练的模型将接着由RSE处的计算单元下载，以在那里存储和使用。
RSE处的计算单元可以使用其他小型计算单元来更高效地执行计算密集型工作，并节省时间。可用计算单元被明智地使用以在最短时间内执行最多的任务，例如通过在RSE计算单元和其他可用计算单元之间划分任务。计算单元也可以作为外部设备而被附连到RSE，以向RSE中的计算单元添加更多计算能力。与RSE中的计算单元相比，外部附连的计算单元可以具有相同或不同的体系结构。外部附连的计算单元可以使用任何可用的通信端口与现有的计算单元进行通信。RSE计算单元可以根据需要向外部计算单元请求更多计算能力。
本文档的其余部分将详细阐述系统中上述组件的角色和功能等等。
路侧装备(RSE)
如图2所示，RSE可以包括但不限于以下组件：
1.一个或多个通信单元103、104，其使得能够从/向附近车辆或其他地面交通实体、基础设施以及远程服务器和数据存储系统130接收/传送运动数据和与地面交通实体相关的其他数据和交通安全数据或者既接收又传送。在一些情形中，该类型的通信被称为基础设施到万物(I2X)，其包括但不限于基础设施到车辆(I2V)、基础设施到行人(I2P)、基础设施到基础设施(I2I)、以及基础设施到设备(I2D)和它们的组合。该通信可以是无线或有线的，并且符合各种各样的通信协议。
2.通信单元103被用于与地面交通实体的通信，并且单元104被用于通过互联网与远程服务器和数据存储系统130进行通信。
3.本地存储106，其用于存储程序、交叉路口模型、以及行为和交通模型。其也可被用于临时存储从传感器101收集到的数据。
4.传感器101和传感器控制器107，其虑及对移动对象(诸如通常在RSE附近的地面交通实体)进行监视(例如，生成关于移动对象的数据)。传感器可包括但不限于相机、雷达、激光雷达、超声波检测器、或可以从感测到的数据中感测或推断出距地面交通实体的距离、地面交通实体的速度、前进方向、位置或它们的组合等等的任何其他硬件。传感器融合使用来自两个或更多个传感器101的数据的聚集或组合来执行。
5.位置接收机(102)(诸如GPS接收机)，其提供定位数据(例如，RSE的位置的坐标)并帮助校正地面交通实体的定位中的定位误差。
6.处理单元105，其将获取并使用从传感器生成的数据以及来自通信单元103、104的传入数据。处理单元将在本地处理和存储数据，并且在一些实现中，传送数据以供远程存储和进一步处理。处理单元还将生成消息和警报，这些消息和警报通过无线通信设施广播或以其他方式发送到附近的行人、机动车辆、或其他地面交通实体，并且在一些情形中广播或发送到标志或其他基础设施呈现设备。处理单元还将周期性地把所有RSE系统的健康和状态报告给远程服务器以供监视。
7.扩展连接器108，其虑及RSE与其他硬件或其他组件(诸如温度和湿度传感器、交通信号灯控制器、如上面描述的其他计算单元、以及将来可能变得可用的其他电子设备)之间的控制和通信。
车载装备(OBE)
车载装备通常可以是用于地面交通实体的原始装备，或者可以由第三方供应商添加到该实体。如图3所示，OBE可以包括但不限于以下组件：
1.通信单元203，其使得能够向/从附近车辆、行人、骑自行车的人、或其他地面交通实体以及基础设施和它们的组合发送/接收数据或者既接收又发送数据。通信单元还虑及在车辆或其他地面交通实体与本地或远程服务器212之间传送或接收数据(或者两者兼而有之)，以供机器学习目的以及由服务器对地面交通实体进行远程监视。在一些情形中，该类型的通信被称为车联网(V2X)，包括但不限于车辆到车辆(V2V)、车辆到行人(V2P)、车辆到基础设施(V2I)、车辆到设备V2D)以及它们的组合。该通信可以是无线或有线的，并且符合各种各样的通信协议。
通信单元204将允许OBE通过互联网与远程服务器通信，以供程序更新、数据存储和数据处理。
2.本地存储206，其用于存储程序、交叉路口模型、以及交通模型。其也可被用于临时存储从传感器201收集到的数据。
3.传感器201和传感器控制器207，其可以包括但不限于外部相机、激光雷达、雷达、超声波传感器或可被用来检测附近物体或人或其他地面交通实体的任何设备。传感器201还可包括附加的运动学传感器、全球定位接收机、以及内部和本地话筒和相机。
4.位置接收机202(诸如GPS接收机)，其提供定位数据(例如，地面交通实体的位置的坐标)。
5.处理单元205，其获取、使用、生成和传送数据，包括消费来自通信单元的数据和向通信单元发送数据以及消费来自地面交通实体中或地面交通实体上的传感器的数据。
6.扩展连接器208，其虑及在OBE和其他硬件之间的控制和通信。
7.接口单元，其可以按一种或多种方式(诸如使用视觉、听觉或触觉反馈)被改装或集成到汽车音响本体(head-unit)、方向盘或驾驶员移动设备中。
智能OBE(SOBE)
在其中所有车辆和其他地面交通实体为网联实体的世界中，每个车辆或其他地面交通实体可以是彼此之间的合作实体，并且可以向彼此报告其当前位置、安全状态、意图和其他信息。当前，几乎所有车辆都不是网联实体，无法将此类信息报告给其他地面交通实体，并且由具有不同技能、福祉、压力和行为水平的人来操作。在没有这样的网联性和通信的情况下，预测车辆或地面交通实体的下一步变得困难，并且这转变为实现碰撞避免和提供预警的削弱的能力。
智能OBE监视地面交通实体的周围环境以及用户或乘员。其还会保留关于实体的不同系统和子系统的健康和状态的标签(tab)。SOBE通过侦听例如来自紧急广播的无线电传输、来自附近RSE的交通和安全消息、以及来自其他经连接车辆或其他地面交通实体的关于安全、位置和其他运动信息的消息来监视外部世界。SOBE还与可观察道路和驾驶状况的车载传感器对接，所述车载传感器诸如相机、范围传感器、振动传感器、话筒、或允许此类监视的任何其他传感器。SOBE还将监视周遭环境并创建所有静态和移动物体的地图。
SOBE还可以监视车辆或其他地面交通实体的用户或乘员的行为。SOBE使用话筒来监视对话的质量。其还可以使用其他传感器，诸如座位传感器、相机、碳氢化合物传感器、以及挥发性有机化合物和其他有毒物质的传感器。其还可以使用运动学传感器来测量驾驶员的反应和行为，并由此推断出驾驶的质量。
SOBE还从其他地面交通实体接收车辆到车辆消息(例如，基本安全消息(BSM))，并从易受伤害的道路用户接收车辆到行人消息(例如，人身安全消息(PSM))。
随后，SOBE将融合来自此传感器、源和消息阵列的数据。随后，其将经融合的数据应用于人工智能模型，该人工智能模型不仅能够预测车辆或其他地面交通实体的驾驶员或用户或者易受伤害的道路用户的下一步动作或反应，而且还能够预测意图以及归因于其他车辆、地面交通实体和附近的易受伤害的道路用户的将来轨迹以及相关联的侥幸免撞或碰撞风险。例如，SOBE可以使用从附近车辆接收到的BSM来预测附近车辆即将进入对其自己的主车辆造成风险的变道操作，并且可以向驾驶员警告即将到来的风险。针对这些轨迹中的每一者，该风险是由SOBE基于附近车辆的各种将来的经预测轨迹(例如，直行、向右更改车道、向左更改车道)的概率、以及与主车辆的碰撞的相关联风险来计算的。如果碰撞的风险高于某个阈值，则向主车辆的驾驶员显示警告。
通常需要机器学习来预测意图和将来轨迹，这归因于人类驾驶员行为建模的复杂度，其进一步受到外部因素(例如，不断变化的环境和天气状况)的影响。
SOBE被表征为具有强大的计算能力，以便能够处理大量数据馈送，其中一些数据馈送提供每秒兆字节的数据。可用数据的数量也与每个传感器所需的细节水平成比例。
SOBE还将具有强大的信号处理装备，以便能够从已知具有高(信号)噪声水平和低信噪比的环境中获取有用信息。SOBE还将通过提供智能警报过滤来保护驾驶员免受车辆正在接收的大量警报的影响。警报过滤是机器学习模型的结果，其将能够分辨出哪个警报在当前位置、环境状况、驾驶员行为、车辆健康和状态以及运动学方面是重要的。
智能OBE对于碰撞避免和预警以及对于具有用于所有用户(而非仅用于包括SOBE的车辆的乘员或用户)的更安全的交通网络而言是重要的。SOBE可以检测和预测道路上不同实体的移动，并因此有助于碰撞避免。
随身装备(OPE)
如稍早提到的，随身装备(OPE)包括可以由行人、慢跑者、或者作为地面交通实体或以其他方式存在于或利用地面交通网络的其他人持有、附连至他们、或以其他方式直接与其对接的任何设备。例如，这样的人可能是易受车辆撞击的易受伤害的道路用户。OPE可以包括但不限于移动设备(例如，智能电话、平板、数字助理)、可穿戴设备(例如，眼镜、手表、手镯、脚链)、以及植入物。OPE的现有组件和特征可被用来跟踪和报告位置、速度和前进方向。OPE还可被用来接收和处理数据并按各种模式(例如，视觉、声音、触觉)向用户显示警报。
本田已经开发出一种用于V2P应用的通信系统和方法，其聚焦于在车辆和使用OPE的行人之间进行直接通信。在一种情形中，车辆配备有OBE，以向周围行人的OPE广播消息。该消息携带车辆的当前状态，包括例如车辆参数、速度和前进方向。例如，消息可以是基本安全消息(BSM)。如果需要的话，OPE将向行人呈现根据行人的注意力分散程度所定制的关于经预测的危险情况的警报，以便避免碰撞。在另一情形中，行人的OPE向周围车辆的OBE广播行人可能会穿过车辆的预期路径的消息(诸如人身安全消息(PSM))。如果需要的话，车辆的OBE将向车辆用户显示关于经预测危害的警报，以便避免碰撞。参见Strickland、RichardDean等人的“Vehicle to pedestrian communication system and method(车辆到行人通信系统和方法)”美国专利9,421,909。
我们在此描述的系统使用I2P或I2V办法，其使用车辆和行人外部(主要在基础设施上)的传感器来跟踪和收集关于行人和其他易受伤害的道路用户的数据。例如，传感器可以跟踪穿过街道的行人以及在横穿地点处或附近行驶的车辆。收集到的数据将进而被用于使用基于规则的算法和机器学习方法来构建道路上的行人和车辆驾驶员意图和行为的预测模型。这些模型将有助于分析收集到的数据和做出对行人和车辆路径及意图的预测。如果预测到危害，则将从RSE向OBE或OPE或两者广播消息，从而向预期路径的每个实体警告其他实体，并允许它们中的每一者用足够的时间来采取先发制人的动作，以避免碰撞。
远程计算(云计算和存储)
从连接至或包含在RSE、OBE和OPE中的传感器收集到的数据需要被处理，以使得有效的数学机器学习模型可被生成。该处理需要大量的数据处理能力，以减少生成每个模型所需的时间。所需的处理能力远远超过RSE本地通常可用的处理能力。为了解决这个问题，可以将数据传送至提供所需能力并可按需扩展的远程计算设施。我们将远程计算设施称为“远程服务器”，其与计算文献中所使用的命名法保持一致。在一些情形中，可通过为RCE配备高性能的计算能力来在RCE处执行部分或全部的处理。
基于规则的处理
与人工智能和机器学习技术不同，基于规则的处理可以随时被应用，而无需数据收集、训练和模型构建。可以从系统操作的开始就部署基于规则的处理，并且通常是这么做的，直到已获取足够的训练数据来创建机器学习模型。在新的安装之后，规则被设置以处理传入传感器数据。这不仅有助于提高道路安全性，而且是确保系统的所有组件正按预期工作的良好测试用例。基于规则的处理也可被添加并在稍后被用作附加层，以捕捉机器学习对其可能无法做出准确预测的罕见情形。基于规则的办法是基于收集到的数据参数(例如，速度、范围等)之间的简单关系。基于规则的办法还可以提供用于对机器学习算法的性能的评估的基线。
在基于规则的处理中，穿越地面交通网络的一部分的车辆或其他地面交通实体由传感器来监视。例如，如果其当前速度和加速度超过将令其无法在道路上的停车带(线)之前停车的阈值，则生成警报。可变区域被指派给每个车辆或其他地面交通实体。该区域被标记为其中车辆尚未被标记为违章车辆的临界区域(dilemma zone)。如果车辆由于其速度或加速度或两者超过预定义阈值而穿过临界区域进入危险区域，则车辆被标记为违章实体且警报被生成。速度和加速度的阈值基于物理和运动学，并且例如随着接近交叉路口的每个地面交通实体而变化。
两种传统的基于规则的办法是：1)静态TTI(到达交叉路口的时间)和2)静态RDP(必要减速度参数)。参见Aoude、Georges S.等人的“Driver behavior classification atintersections and validation on large naturalistic data set(交叉路口处的驾驶员行为分类及对大型自然数据集的验证)”IEEE智能交通系统学报(IEEE Transactions onIntelligent Transportation Systems)13.2(2012)：724-736。
静态TTI(到达交叉路口的时间)使用经估计的到达交叉路口处的到达时间作为分类准则。在其最简单的形式中，TTI被计算为
Figure BDA0002786986130000231
其中r是到交叉路口处的人行横道线的距离，并且v是车辆或其他地面交通实体的当前速度。如果TTI<TTIreq，则将车辆分类为危险的，其中TTIreq是车辆在一旦启动制动的情况下安全地停车所需的时间。TTIreq参数反映了基于规则的算法的保守水平。TTI是在制动开始之际计算的，被标识为车辆减速度何时与减速度阈值(例如，-0.075g)相交。如果车辆从未与该阈值相交，则在指定的最后诉诸时间处执行分类，其通常在经估计的到达交叉路口的剩余时间的1s到2s范围内。
给定车辆在道路上的当前速度和位置，静态RDP(必要减速度参数)计算车辆安全地停车所需的减速度。RDP被计算为
Figure BDA0002786986130000232
其中r是到交叉路口处的人行横道线的距离，并且v是车辆或其他地面交通实体的当前速度，g是重力加速度常数。如果车辆的必要减速度大于所选RDP阈值RDPwarn，则车辆被分类为危险的(即，该车辆具有或将创建危险情况)。在实践中，如果在任何时间r<ralert，则车辆被分类为危险的，其中
Figure BDA0002786986130000233
类似于静态TTI算法，RDPalert参数反映了基于规则的算法的保守水平。
我们使用基于规则的办法作为用于对我们的机器学习算法的性能的评估的基线，并且在一些实例中，我们将它们与机器学习算法并行地运行，以捕捉其中机器学习可能无法预测的罕见情形。
机器学习
给定人类行为的复杂度，对驾驶员的行为进行建模已被示为复杂任务。参见H.M.Mandalia和D.D.Dalvucci，\使用支持向量机进行变换车道检测”，人类因素与人体工程学学会年会论文集(Human Factors and Ergonomics Society Annual MeetingProceedings)，第49卷，第1965页{1969,2005。机器学习技术非常适合于对人类行为进行建模，但是需要“学习”使用训练数据以正常地工作。为了提供出色的检测和预测结果，在将警报过程应用于部署阶段期间的当前交通之前，我们在训练时段期间将机器学习用于对在交叉路口或地面交通网络的其他特征处检测到的交通进行建模。机器学习还可被用于使用来自车载装备(OBE)的车载数据来对驾驶员响应进行建模，并且还可以基于车载传感器以及驾驶记录和偏好的历史。我们还使用机器学习模型来检测和预测易受伤害的道路用户(例如，行人)轨迹、行为和意图。机器学习还可被用来对来自随身装备(OPE)的易受伤害的道路用户响应进行建模。这些模型可以包括实体、易受伤害的道路用户之间以及一个或多个实体与一个或多个易受伤害的道路用户之间的交互。
机器学习技术也可被用来对非自动驾驶地面交通实体的行为进行建模。通过观察非自动驾驶地面交通实体或与之进行通信或两者兼而有之，机器学习可被用来预测其意图，并在预测到侥幸免撞或事故或其他危险情况时与该非自动驾驶地面交通实体以及与其他涉及到的实体进行通信。
机器学习机制分为两个阶段：1)训练和2)部署。
训练阶段
在安装之后，RSE开始从它具有访问权的传感器收集数据。由于AI模型训练需要密集的计算容量，因此其通常在具有多个并行处理模块的强大服务器上被执行，以使训练阶段加快。出于该原因，可以将在地面交通网络上的RSE的位置处获取的数据打包并在获取后不久发送到远程强大的服务器。这是使用互联网连接完成的。随后可以自动地或在数据科学家的帮助下准备数据。AI模型随后被构建，以捕捉该交叉路口或地面交通网络的其他方面的车辆和其他地面交通实体的交通流的重要特性。所捕捉的数据特征可包括车辆或其他地面交通实体的位置、方向和移动，其随后可被转换为意图和行为。了解意图，我们可以使用AI模型、以高准确度来预测接近交通位置的车辆或其他地面交通实体的动作和将来行为。对在训练阶段中尚未被包括的数据子集测试经训练的AI模型。如果AI模型的性能满足期望，则认为训练完成。使用不同的模型参数来迭代地重复该阶段，直到达成令人满意的模型性能。
部署阶段
在一些实现中，完整的经测试的AI模型随后通过互联网传递至地面交通网络中的交通位置处的RSE。随后，RSE准备处理新的传感器数据，并执行对危险情况(诸如违反交通信号灯)的预测和检测。当预测到危险情况时，RSE将生成合适的警报消息。危险情况可被预测，警报消息被生成，并且警报消息在经预测的危险情况发生之前被广播到RSE附近的车辆和其他地面交通实体并由其接收。这允许车辆或其他地面交通实体的操作者有足够的时间做出反应并从事碰撞避免。来自对应RSE所位于的各个交叉路口的AI模型的输出可被记录在控制面板中并被致使在线可用，该控制面板合并以直观且用户友好的方式生成和显示的所有数据。这样的控制面板可以被用作与系统的客户(例如，城市交通工程师或规划者)的接口。控制面板的一个示例是带有标记的地图，这些标记指示被监视的交叉路口的位置、已发生的违章事件、基于AI预测和实际结果的统计和分析。
智能RSE(SRSE)和网联实体/非网联实体桥梁
如稍早暗示的，在网联实体和非网联实体的能力和动作之间存在差距。例如，网联实体通常是持续地向世界宣告其位置和安全系统状态(诸如速度、前进方向、制动状态和前照灯状态)的合作实体。非网联实体无法以这些方式进行合作和通信。因此，即使是网联实体，也不会意识到由于干扰、距离或缺少良好的有利位置而不在网联实体附近或不在传感器范围内的非网联实体。
利用适当的装备和配置，可以使RSE能够使用其附近的地面交通网络来检测所有实体，包括非网联实体。专用传感器可被用来检测不同类型的实体。例如，雷达适用于检测移动的金属物体，诸如汽车、公共汽车和卡车。此类道路实体最有可能在朝交叉路口的单个方向上移动。相机适用于检测可能徘徊于交叉路口以寻找安全穿过时间的易受伤害的道路用户。
将传感器放置在地面交通网络的组件上至少具有以下优点：
-良好的有利位置：基础设施杆、梁和支撑电缆通常具有抬升的有利位置。抬升的有利位置虑及交叉路口的更普遍视野。这就像是机场处的瞭望塔，其中管制员具有对地面上大多数重要和易受伤害的用户的全视野。相比之下，对于地面交通实体，来自传感器(相机、激光雷达、雷达等……或其他传感器)的有利位置的视野可能被相邻车道中的卡车、直射阳光或其他干扰所遮挡或破坏。交叉路口处的传感器可被选取为对此类干扰免疫或者不易受到此类干扰的影响。例如，雷达不受阳光影响，并且在夜间通勤期间仍将保持有效。在其中光学相机的视野变得受阻的明亮光线情况下，热像仪将更有可能检测到行人。
-固定位置：坐落于交叉路口处的传感器可以被调整和固定，以在对于检测重要目标而言可以是最优的特定方向上进行感测。这将有助于处理软件更好地检测物体。作为示例，如果相机具有固定视野，则固定视野中的背景(非移动物体和结构)信息可以被轻松地检测，并被用来改进相对重要的移动实体的标识和分类。
固定传感器位置还使得能够更轻松地将每个实体放置在交叉路口的统一全局视野中。由于传感器视野是固定的，因此来自传感器的测量可被轻松地映射到交叉路口的统一全局位置地图。当执行对来自所有方向的交通移动的全局分析以研究一个交通流对另一交通流的相互作用和依赖性时，这样的统一地图是有用的。一个示例是在侥幸免撞(危险情况)发生之前检测到它。当两个实体正沿着相交路径行进时，相交路口的全局和统一视野将使得能够计算每个实体到达相应路径的相交点的到达时间。如果时间在一定的限度或容忍范围内，则可在侥幸免撞发生之前对其进行旗标(例如，做成警报消息的对象)。
借助于安装在基础设施的组件上的传感器，智能RSE(SRSE)可以弥合这一差距，并允许网联实体意识到“暗”或非网联实体。
图8描绘了一场景，该场景说明了策略性地放置的传感器可如何帮助网联实体标识非网联实体的速度和位置。
网联实体1001正沿路径1007行进。实体1001具有绿灯1010。非网联实体1002正沿路径1006行进。其具有红灯1009，但将沿着路径1006在红灯上右转。这会将其直接置于实体1001的路径中。由于实体1001没有意识到实体1002，因此危险情况即将到来的。因为实体1002是非网联实体，所以其无法广播(例如，宣告)其位置以及朝共享交叉路口的其他实体行进。而且，即使实体1001被网联，其也无法“看到”被建筑物1008遮挡的实体1002。存在实体1001直行通过交叉路口并撞击实体1002的风险。
如果交叉路口被配置为智能交叉路口，则安装在交叉路口处的道路上方的波束1005上的雷达1004将检测到实体1002及其速度和距离。该信息可以通过用作非网联实体1002和网联实体1001之间的桥梁的SRSE 1011被中继到网联实体1001。
人工智能与机器学习
智能RSE还依赖于学习交通模式和实体行为来更好地预测和防止危险情况并避免碰撞。如图8所示，雷达1004始终为沿路段1012移动的每个实体感测并提供数据。例如，要么直接地要么通过RSE来收集此数据并将其传递至云，以供分析以及构建和训练紧密地表示沿路段1012的交通的模型。当模型完成时，其被下载到SRSE 1011。该模型随后可被应用于沿路段1012移动的每个实体。如果实体被模型分类为违反(或将要违反)交通规则的实体，则SRSE可向在附近的所有网联实体广播警告(警报)。将由网联实体接收该警告(被称为交叉路口碰撞避免警告)，并且可以据此采取行动来计及危险情况并避免碰撞。利用适当的交通模型，可以提前检测到违章实体，从而给予使用交叉路口的网联实体足够的时间来做出反应并避免危险情况。
借助于多个传感器(一些传感器安装在地面交通网络的基础设施的组件的较高位置上)、人工智能模型和准确的交通模型，SRSE可具有对地面交通网络的虚拟概览，并了解其视野内的每个实体，包括对视野中的网联实体不“可见”的视野中的非网联实体。SRSE可以使用该数据来馈送AI模型，并代表非网联实体向网联实体提供警报。否则，网联实体将不知道存在共享道路的非网联实体。
SRSE具有在SRSE的位置处可用的高性能计算，或者位于相同壳体内，或者通过连接至附近单元，或者通过互联网连接至服务器。SRSE可以处理直接从传感器接收到的数据、或在来自附近SRSE的广播中接收到的数据、紧急情况和天气信息、以及其他数据。SRSE还配备有高容量存储，以帮助存储和处理数据。还需要高带宽网联性，以帮助在SRSE和甚至更强大的远程服务器之间传递原始数据和AI模型。SRSE使用AI来增强其他交通危害检测技术，以达成高准确度并提供附加时间以做出反应并避免碰撞。
SRSE可以与当前和新的标准化通信协议保持兼容，并且因此，它们可以与已在现场部署的装备无缝地对接。
SRSE还可以通过仅在必要时发送消息来减少网络拥塞。
全局和统一交叉路口拓扑
对交叉路口进行有效的交通监视和控制受益于交叉路口的不受障碍物、照明或任何其他干扰的阻碍的鸟瞰图。
如上面所讨论的，不同类型的传感器可被用来检测不同类型的实体。来自这些传感器的信息可以是不同的，例如，关于其数据表示的位置或运动参数或数据的本机格式或两者均不一致。例如，雷达数据通常包括速度、距离，并且可能还包括附加信息，诸如雷达视野中的移动和静止实体的数目。作为对比，相机数据可以表示任何时刻的视野的图像。激光雷达数据可以提供3D空间中与特定时间和前进方向处从激光雷达发射的激光束的反射点相对应的点的位置。通常，每个传感器提供本机格式的数据，该本机格式紧密地表示传感器测量的物理量。
为了获得交叉路口的统一视图(表示)，融合来自不同类型的传感器的数据是有用的。出于融合的目的，来自各种传感器的数据被转换成独立于所使用的传感器的通用(统一)格式。来自所有传感器的被以统一格式包括的数据将包括使用交叉路口的每个实体的全局位置、速度和前进方向，而与其如何被检测无关。
有了此统一的全局数据，智能RSE不仅可以检测和预测实体的移动，而且可以确定不同实体相对于彼此的相对位置和前进方向。因此，SRSE可以达成对危险情况的改进的检测和预测。
例如，在图9所示的场景中，机动实体2001和易受伤害的道路用户2002共享相同的人行横道。实体2001正在沿着道路2007行进，并被雷达2003检测到。相机2004检测到沿着人行道2006行走的易受伤害的道路用户2002。易受伤害的道路用户2002可以决定使用人行横道2005来过马路2007。这样做会将道路用户2002置于实体2001的路径中，从而创建可能的危险情况。如果独立地考虑来自传感器2003和2004的每一者的数据并且不考虑其他信息，则由于每个传感器只能在其各自的视野中检测实体，因此危险情况将不被标识。附加地，每个传感器可能无法检测到它们并非旨在检测的物体。然而，当SRSE考虑统一视图时，实体2001和易受伤害的道路用户2002的位置和动态可被放置在同一参考框架中：地理坐标系，诸如地图投影或其他坐标系。当在通用参考系内考虑时，来自诸传感器的融合数据可被用来检测和预测在两个实体2001和2002之间可能出现的危险情况。在下面的段落中，我们将讨论传感器空间和统一空间之间的转换。
雷达数据至统一参考转换
如图10所示，雷达3001被用来监视沿着具有分别带有中心线3006和3007的两个车道3005和3008的道路行进的道路实体。停车带3003指示车道3005和3008的端部。T 3006可以由一组标记3003和3004定义。图10仅示出了两个标记，但通常，中心线是分段线性函数。标记3003和3004(以及其他标记，未示出)的全局位置由道路的设计预定义并且对于系统是已知的。雷达3001的精确全局位置也可以被确定。因此，标记3003和3004距雷达3001的距离3009和3010可以被计算。实体3002距雷达3001的距离3011可以由雷达3001测量。使用简单几何学，系统可以使用所测量的距离3011来确定实体3002的位置。结果是全局位置，因为其是从标记3003、3004和雷达3001的全局位置导出的。由于可以通过广义分段线性函数来近似每个道路，因此上述方法可以被应用于可由雷达监视的任何道路。
图11示出了在弯曲道路上的类似场景。雷达4001监视沿道路4008移动的实体。标记4003和4004表示中心线4007的(分段线性函数的)线性分段4009。距离4005和4006分别表示在雷达4001的平面4010与标记4003和4004之间的法线距离。距离4007是实体4002距雷达平面4010的所测量的距离。遵循上面的讨论，给定雷达4001以及标记4003和4004的全局位置，可以使用简单的比率算法来计算实体4002的全局位置。
相机数据至统一参考转换
知道了相机的高度、全局位置、方向、倾斜度和视野，使用现有3D几何规则和变换来计算出相机图像中每个像素的全局位置便变得直截了当。因此，当在图像中标识出物体时，可以通过了解其所占据的像素来容易地推断其全局位置。值得一提的是，如果已知相机的规格(诸如传感器大小、焦距、或视野、或它们的组合)，则相机的类型是无关紧要的。
图12示出了看着实体5002的相机5001的侧视图。相机5001的高度5008和倾斜度5006可以在安装时被确定。视野5007可以从相机5001的规格中获得。相机5001的全局位置也可以在安装时被确定。根据已知的信息，系统可以确定点5003和5004的全局位置。点5003和5004之间的距离也被划分成由相机5001创建的图像上的像素。该像素数目从相机5001规格中已知。由实体5002占据的像素可以被确定。可因此计算距离5005。实体5002的全局位置也可以被计算。
可通过融合来自各种传感器的信息来将任何交叉路口的全局统一视图拼凑在一起。图13描绘了四通交叉路口的俯视图。交叉路口的每条腿都由中线6003划分。图中的交叉路口由两种不同类型的传感器(雷达和相机)监视，并且此处讨论的原理可以被推广到其他类型的传感器。在该示例中，雷达监视的区域6001与相机监视的区域6002交叠。利用统一的全局视图，在诸区域之间移动的每个实体都将在统一的全局视图内保持被跟踪。这使得可例如由SRSE轻松地确定不同实体的运动之间的关系。此类信息将虑及交叉路口和道路的真正普遍的鸟瞰图。随后，来自传感器的统一数据可被馈送到以下段落中所描述的人工智能程序中。
上面讨论的图2解说了RSE的组件。另外，在SRSE中，处理单元还可以包括可并行地处理数据的一个或若干个专用处理单元。此类单元的示例是图形处理单元或GPU。借助于GPU或类似硬件，机器学习算法可以在SRSE处更加高效地运行，并且将能够实时地提供结果。这样的处理体系结构使得能够实时地预测危险情况，并因此使得能够尽早发送警告，以允许实体有足够的时间来做出反应并避免冲突。另外，因为SRSE可以运行可使用来自不同传感器和不同类型的传感器的数据的过程，所以SRSE可以构建交叉路口的统一视图，这将有助于交通流的分析以及危险情况的检测和预测。
用例
各种各样的情形可受益于该系统及其可提供用于碰撞避免的预警。此处提供诸示例。
情形1：易受伤害的地面交通实体
如图4所示，穿过典型交叉路口409的道路可以具有人行横道，其包括行人和其他易受伤害的道路用户(易受伤害的道路使用者)可以用来穿过道路的特定横穿区域401、402、403、404。足以检测此类横穿或其他易受伤害的用户的传感器被放置在一个或多个有利位置处，该一个或多个有利位置允许对人行横道及其周围环境进行监视。在训练阶段，收集到的数据可被用来训练人工智能模型，以学习交叉路口处的易受伤害的道路用户的行为。在部署阶段，AI模型随后可以使用关于易受伤害的道路用户的当前数据来预测例如易受伤害的道路用户将要穿过马路，并在易受伤害的道路用户开始穿过之前做出该预测。当可以提前预测行人和其他易受伤害的道路用户、驾驶员、车辆、以及其他人和地面交通实体的行为和意图时，可以将预警(例如，警报)发送给他们中的任何一者或全体。预警可以使车辆能够停车、减速、改变路径或其组合，并且当预测到危险情况即将到来的时，可使易受伤害的道路用户能够抑制住不去过马路。
通常，传感器被用来监视交叉路口附近的易受伤害的道路用户和车辆的可能移动的所有区域。所使用的传感器的类型取决于正被监视和跟踪的对象的类型。一些传感器更善于跟踪人和自行车或其他非机动车辆。一些传感器更善于监视和跟踪机动车辆。此处描述的解决方案是与传感器和硬件无关的，因为如果传感器以足够的数据率(其可取决于正被监视和跟踪的对象的类型)提供合适的数据，则它的类型是无关紧要的。例如，多普勒雷达将是监视和跟踪车辆速度和距离的合适传感器。数据率或采样率是雷达能够提供相继的新数据值的速率。数据率必须足够快才能捕捉正被监视和跟踪的对象的运动动态。采样率越高，捕捉到的细节便越多，并且数据对运动的表示便变得越稳健和准确。如果采样率过低，并且车辆在两个样本实例之间行驶了显著的距离，则由于在未生成数据的时间间隔内缺少细节，因此很难对行为进行建模。
对于人行横道，传感器将监视在交叉路口和交叉路口附近区域横穿的行人和其他易受伤害的道路用户(例如，骑自行车的人)。来自这些传感器的数据可以被分割为代表具有各自不同的虚拟区域的状况，以帮助检测和定位。这些区域可以被选取为对应于其中可能预计到危险情况的各个关键区域，诸如人行道、走道的入口、以及至交叉路口的道路的进入路段405、406、407、408。每个区域中的活动和其他状况被记录。记录可以包括但不限于运动学(例如，位置、前进方向、速度和加速度)以及面部和身体特征(例如，眼睛、姿势)。
传感器的数目、区域的数目和区域的形状因每个交叉路口和至交叉路口的每个路段而异。
图5描绘了典型示例设置的平面图，其示出了被用来监视和跟踪行人或其他易受伤害的道路用户、以及机动车辆和非机动车辆以及其他地面交通实体的移动和行为的不同区域。
传感器被设置以监视横穿道路的人行横道。虚拟区域(301、302)可以被放置在人行道上和沿着人行横道。其他传感器被放置以监视行驶在通往人行横道的道路上的车辆和其他地面交通实体，并且虚拟区域(303、304)被策略性地放置，以帮助检测例如来车和其他地面交通实体、它们与人行横道的距离、以及它们的速度。
系统(例如，与传感器相关联的RSE或SRSE)从所有传感器收集数据流。当系统首次投入操作中时，为了帮助装备校准和功能性，初始的基于规则的模型可被部署。同时，在一些实现中，传感器数据(例如，距雷达单元的速度和距离、来自相机的图像和视频)被收集并存储在RSE本地，以准备传递至足够强大的远程计算机以使用此收集到的数据来构建交叉路口的不同实体的行为的AI模型。在一些情形中，RSE是能够自行生成AI模型的SRSE。
随后准备数据，并为通过交叉路口的每个地面交通实体构建轨迹。例如，可通过将属于同一实体的不同距离的点缝合在一起来从雷达数据中提取轨迹。行人轨迹和行为可以例如从相机和视频记录中被提取。通过执行视频和图像处理技术，可以在图像和视频中检测到行人的移动，并且可以推导出它们各自的轨迹。
对于人类行为，基于智能机器学习的模型通常胜过基于简单物理学的简单规则。这是因为难以捕捉人类意图，并且需要大型数据集才能检测模式。
例如，当服务器处的机器学习(AI)模型完成时，其将通过互联网下载到RSE。随后，RSE将从传感器捕捉到的当前数据应用于AI模型，以致使其预测意图和行为，确定危险情况何时即将到来的，并且触发分发(例如，广播)到车辆和其他地面交通实体的对应警报、以及分发到易受伤害的道路用户和驾驶员以作为及时预警的警报，以使易受伤害的道路用户和驾驶员能够采取碰撞避免步骤。
该示例设置可以与任何其他用例结合使用，诸如有信号灯设置的交叉路口或平交路口处的交通。
情形2：有信号灯设置的交叉路口
在有信号灯设置的交叉路口(例如，由交通信号灯控制的交叉路口)的情形中，系统的总体设置如情形1那样完成。一种差异可能是被用来监视或跟踪车辆速度、前进方向、距离和位置的传感器的类型。用于情形1的人行横道的设置也可以与有信号灯设置的交叉路口设置结合使用，以获得更普遍的解决方案。
有信号灯设置的交叉路口用例的操作概念是使用收集关于用户的数据或用户自己传达的数据的外部传感器来跟踪交叉路口周围的道路用户，预测其行为并通过不同通信手段来广播关于通常归因于违反交叉路口交通规则(诸如违反红灯信号)的即将发生的危险情况的警报。
关于道路用户的数据可通过使用以下来收集：(a)每个实体本身通过例如BSM或PSM广播的关于其当前状态的实体数据；(b)安装在基础设施或车辆外部的传感器，诸如多普勒雷达、超声波传感器、视觉或热像仪、激光雷达等等。如稍早提到的，所选传感器的类型及其在交叉路口的位置和取向应提供交叉路口或其处于研究中的部分的最全面覆盖，并且收集到的关于接近交叉路口的实体的数据是最准确的。因而，收集到的数据将允许重建道路用户的当前状态，并创建准确、及时、有用的VBSM(虚拟基本安全消息)或VPSM(虚拟人身安全消息)。数据应被收集的频率取决于每种类型的道路用户的潜在危害和潜在违章的严重性。例如，在交叉路口中以高速行进的机动车辆通常需要每秒10次数据更新，以达成实时碰撞避免；以低得多的速度穿过交叉路口的行人可能需要低至每秒1次的数据更新。
如稍早提到的，图4描绘了带有检测虚拟区域的有信号灯设置的交叉路口平面图的示例。这些区域可以将至交叉路口的每个路段分割成单独的车道410、411、412、413、405、406、407、408，并且还可以将每个车道分成与距停车带的距离的普遍范围相对应的区域。这些区域的选择可以凭经验来执行，以大致匹配特定路段和交叉路口的特征。对交叉路口进行分割虑及更准确地确定每个道路用户的相对前进方向、速度、加速度和定位，并进而更好地评估道路用户对其他地面交通实体呈现的潜在危害。
为了确定观察到的交通情况是否为危险状况，系统还需要将经预测情况的结果与交通信号灯状态进行比较，并计及本地交通规则(例如，左转车道、右转红灯等等)。因此，有必要收集和使用交叉路口的信号相位和时间(SPaT)信息。可通常通过读取数据的有线连接直接与交叉路口处的交通信号灯控制器进行对接，或者通过与交通管理系统进行对接以接收所需数据(例如通过API)来收集SPaT数据。重要的是以尽可能接近收集道路用户数据的速率的速率来收集SPaT数据，以确保道路用户状态始终与交通信号灯状态同步。了解SPaT信息的要求所增加的复杂度在于，被用来调节交叉路口周围的交通流的现代交通控制策略不是基于固定定时，而是使用可动态地适配实时交通状况的算法。因而，重要的是要合并SPaT数据预测算法，以确保违章预测中的最高准确度。可以使用基于规则的方法或机器学习方法来开发这些SPaT数据预测算法。
对于至交叉路口的每个路段，数据由RSE(或SRSE)收集，并且机器学习(AI)模型被构建以描述与收集到的数据相对应的车辆的行为。随后，在交叉路口处收集到的当前数据被应用于AI模型以产生例如关于在至交叉路口的诸路段中的一者上行进的车辆或其他地面交通实体是否即将违反交通信号灯的早期预测。如果违章即将到来的，则消息被从RSE中继(例如，广播)到附近的地面交通实体。车辆(包括违章车辆)和行人或其他易受伤害的道路用户将接收到此消息，并具有时间来采取合适的先发措施以避免碰撞。可以通过以下一种或多种方式等等来将消息递送至地面交通实体：闪光信号灯、标志、或无线电信号。
如果接近交叉路口的车辆或其他实体配备有OBE或OPE，其将能够接收到从RSE广播的在交叉路口处已预测到潜在危害的消息。这允许用户得到警告并采取合适的先发措施以避免碰撞。如果交叉路口处的违章道路用户还配备有OBE或OPE，则该用户还将接收到广播警报。随后，关于OBE或OPE的算法可以使消息与用户的违章行为保持一致，并充分地对用户进行警告。
要发送警报的决定不单单取决于由交叉路口处的传感器收集到的数据所代表的车辆行为。尽管传感器在决策中起主要作用，但也要考虑其他输入。这些输入可包括但不限于来自附近交叉路口的信息(如果车辆在附近交叉路口闯信号灯，则存在更高的概率将在该交叉路口这么做)、来自其他合作车辆的信息、或甚至来自车辆本身的信息，例如在它正在报告其具有故障的情况下。
情形3：无信号灯设置的交叉路口
无信号灯设置的交叉路口，诸如停车标志或让路标志控制的交叉路口，同样可以被监视。传感器被用来监视由交通标志控制的路段，并且可以做出关于来车的预测，类似于关于至有信号灯设置的交叉路口的路段上的来车的预测。无信号灯设置的受控交叉路口处的道路规则通常会得到很好的定义。由停车标志控制的路段上的地面交通实体必须完全停车。在多路停车交叉路口，通行权由地面交通实体到达交叉路口的顺序来确定。可以考虑单行停车的特殊情形。传感器集合也可以监视不具有停车标志的路段。这样的设置可以帮助停车标志差距协商。对于让路标志控制的交叉路口，在由让路标志控制的路段上的地面交通实体必须降低其速度，以向交叉路口中的其他地面交通实体给予通行权。
一个主要的挑战在于，归因于内部(例如，驾驶员注意力分散)或外部(例如，缺乏能见度)因素，地面交通实体违反道路规则，并置其他地面交通实体于风险之中。
在停车标志控制的交叉路口的一般情形中(即，每个路段均由停车标志控制)，系统的总体设置如情形1那样完成。一种差异可能是被用来监视或跟踪车辆速度、前进方向、距离和位置的传感器的类型。另一种差异是缺少交通信号灯控制器以及由路标指示的道路规则。用于情形1的人行横道的设置也可以与无信号灯设置的受控交叉路口设置结合使用，以获得更普遍的解决方案。
还可以理解，图4描绘了带有检测虚拟区域的四向停车交叉路口平面图的示例。这些区域可以将至交叉路口的每个路段分割成单独的车道410、411、412、413、405、406、407、408，并且还可以将每个车道分成与距停车带的距离的普遍范围相对应的区域。这些区域的选择可以凭经验来做出，以大致匹配特定路段和交叉路口的特征。
以与以上针对图4所描述的方式相类似的方式，在交叉路口处收集到的当前数据被应用于AI模型，以产生关于在至交叉路口的路段之一上行进的车辆或其他地面交通实体是否即将违反停车标志的早期预测。如果违章即将到来的，则可以与前述涉及交通信号灯违章的情形类似地处置消息。
同样类似于先前的描述，要发送警报的决定可以基于先前描述的因素以及其他信息，诸如车辆是否在附近的交叉路口处冲闯停车标志，这表明在该交叉路口处其将同样这么做的更高概率)。
图18解说了用于受控的无信号灯设置的交叉路口的用例。其说明了具有策略性地放置的传感器的SRSE可如何向网联实体警告由非网联实体引起的即将到来的危险情况。
网联实体9106正沿路径9109行进。实体9106具有通行权。非网联实体9107正沿路径9110行进。实体9107具有让路标志9104，并且将合并到路径9109上，而不会向实体9106给予通行权，从而将其直接置于实体9106的路径中。由于实体9106没有意识到实体9107，因此危险情况即将到来的。因为实体9107是非网联实体，所以其无法宣告(广播)其位置以及朝共享交叉路口的其他实体行进。而且，实体9106可能无法“看见”不在其直接视野中的实体9107。如果实体9106沿着其路径行驶，则其最终可能与实体9107发生碰撞。
因为交叉路口是智能交叉路口，所以安装在道路上方的波束9102上的雷达9111将检测到实体9107。其还将检测实体9107速度和距离。该信息可以作为警报通过SRSE 9101中继到网联实体9106。SRSE 9101具有用于沿路段9110移动的实体的机器学习模型。实体9107将被模型分类为交通规则的潜在违章者，并且警告(警报)将被广播到网联实体9106。该警告被预先发送，从而给实体9106足够的时间来做出反应并防止危险情况。
情形4：平交路口
平交路口是危险的，因为它们可能承载机动车辆、行人和轨道车辆。在许多情形中，通往平交路口的道路落在火车或其他轨道车辆的操作者(例如，列车长)的盲区中。由于轨道车辆驾驶员主要基于视线信息进行操作，因此，如果道路用户侵犯轨道车辆的通行权并在不允许其穿过时穿过平交路口，则会增加事故的可能性。
平交路口用例的操作在以下意义上类似于有信号灯设置的交叉路口用例：平交路口是道路和轨道交通之间的通常由交通规则和信号来调节的冲突点。因此，该用例也需要碰撞避免警告，以增大平交路口附近的安全性。轨道交通可具有系统化隔离式通行权(例如，高速轨道)，或者可以不具有隔离式通行权(例如，轻型城市轨道或有轨电车)。对于轻轨和有轨电车，用例变得尤为重要，因为这些轨道车辆也在实况道路上行驶，并且必须遵守与道路用户相同的交通规则。
图6描绘了平交路口的一般用途，其中道路和人行横道穿过铁路。与人行横道用例类似，传感器被放置以收集关于行人的移动和意图的数据。其他传感器被用来监视和预测即将接近交叉路口的道路车辆的移动。也可以从道路用户广播(例如，BSM或PSM)中收集关于道路用户的数据。来自附近交叉路口、车辆以及远程指挥和控制中心的数据可在决策中被使用以触发警报。
还将需要收集关于道路和轨道路段的SPaT的数据，以便充分地评估违章的可能性。
与有信号灯设置的交叉路口用例类似，收集到的数据使得能够使用基于规则的算法和机器学习算法来创建预测模型。
在该用例中，轨道车辆配备有OBE或OPE，以便接收碰撞避免警告。当预测到轨道车辆的通行权遭到侵犯时，RSE将广播警报消息，从而向轨道车辆驾驶员警告道路用户在其预期路径中，并允许轨道车辆驾驶员用足够的时间来采取先发动作以避免碰撞。
如果违章道路用户还配备有OBE或OPE，则违章道路用户还将接收到由RSE广播的消息。随后，关于OBE或OPE的算法可以使接收到的消息与用户的违章行为保持一致，并充分地对用户进行警告。
虚拟网联地面交通环境(弥合差距)
如上面所讨论的，该系统的有用应用是代表非网联地面交通实体来创建虚拟网联环境。采用网联技术的障碍不仅是缺少基础设施安装，而且几乎不存在网联车辆、网联易受伤害的道路用户、以及网联的其他地面交通实体。
关于网联车辆，在某些监管制度中，此类车辆始终在发送所谓的基本安全消息(BSM)。BSM包含车辆的位置、前进方向、速度和将来路径等其他信息。其他网联车辆可以收听这些消息，并使用它们来创建存在于其周围环境中的车辆的地图。知道周围车辆在哪里，车辆(无论其是否为自动驾驶)将具有有助于维持高安全性水平的信息。例如，如果在自动驾驶车辆的路径中存在网联车辆，则自动驾驶汽车可以避免做出机动。类似地，如果在驾驶员正计划遵循的路径中存在某个其他车辆(诸如突然变道)，则可向驾驶员发出警报。
直到所有地面交通实体被配备成发送和接收交通安全消息和信息，某些道路实体对其余道路实体而言将是“暗”或不可见的。暗道路实体造成了危险情况的风险。
暗道路实体不会宣告(例如，广播)其位置，因此对于可能期望所有道路实体广播其信息(即，成为网联实体)的网联实体而言，它们是不可见的。虽然车载传感器可检测到障碍物和其他道路实体，但是这些传感器的范围往往过短以至于无法有效防止危险情况和碰撞。因此，在网联车辆的网联性与非网联车辆的缺乏网联性之间存在差距。下面描述的技术旨在通过使用基础设施上的智能来弥合这一差距，该智能可以检测交叉路口处或地面交通网络的其他组件处的所有车辆，并代表非网联车辆发送消息。
该系统可以建立虚拟网联地面交通环境(例如，在交叉路口处)，其可以弥合预计大多数车辆(和其他地面交通实体)成为网联实体的将来与大多数车辆和其他地面交通实体不具有网联性的当前时间之间的差距。在虚拟网联地面交通环境中，智能交通信号灯和其他基础设施安装可以使用传感器来跟踪所有车辆和其他地面交通实体(网联、非网联、半自动驾驶、自动驾驶、非自动驾驶)并且(在车辆的情形中)代表它们生成虚拟BSM消息(VBSM)。
VBSM消息可以被视为BSM的子集。它可能不包含创建BSM所需的所有字段，但可以包含所有定位信息，包括位置、前进方向、速度和轨迹。由于V2X通信是标准化和匿名的，因此VBSM和BSM无法被轻易地区分，并且遵循相同的消息结构。两种消息之间的主要区别是填充这些消息的信息源的可用性。VBSM可能缺少外部传感器无法轻松生成的数据和信息，诸如方向盘角度、制动状态、轮胎压力或雨刮器激活。
在安装了适当的传感器的情况下，具有智能RSE的交叉路口可以检测到正在行进通过交叉路口的所有道路实体。SRSE还可以将来自多个传感器的所有数据变换到全局统一坐标系中。该全局统一坐标系由每个道路实体的地理位置、速度和前进方向表示。每个道路实体(无论其是否为网联的)由交叉路口装备来检测，并且全局统一位置被代为生成。因此，可以代表道路实体来广播标准安全消息。然而，如果RSE为其检测到的所有实体广播安全消息，则其可以代表网联道路实体发送消息。为了解决冲突，RSE可以从它的暗实体列表中过滤网联道路实体。这可以被达成，因为RSE正持续地从网联车辆接收安全消息，并且RSE传感器正持续地检测通过交叉路口的道路实体。如果检测到的道路实体的位置与RSE接收器从其接收到安全消息的位置匹配，则假定该道路实体是网联的，并且RSE不会代表它广播任何安全消息。这在图15中被描绘。
通过在网联车辆和非网联车辆之间创建桥梁，网联实体(包括自动驾驶车辆)可以在完全了解附近的所有道路实体的情况下安全地机动通过交叉路口。
图17中解说了该技术的这一方面。交叉路口9001在给定时间具有多个道路实体。这些实体中的一些实体是非网联实体9004、9006，而另一些实体则是网联实体9005、9007。易受伤害的道路用户9004、9007由相机9002检测。机动化的道路实体9005、9006由雷达9003检测。每个道路实体的位置被计算。来自网联道路实体的广播还由RSE 9008来接收。将从其接收消息的实体的位置与检测到实体的位置进行比较。如果两个实体在预定容差内匹配，则该位置处的实体被视为网联的，并且不会代表其发送任何安全消息。没有匹配的接收位置的其余道路实体被认为是暗的。代表它们来广播安全消息。
对于作为V2X协议的整体部分的碰撞警告和交叉路口违章警告，每个实体需要是网联的才能使系统生效。该要求是V2X设备和系统部署的障碍。配备有智能RSE的交叉路口将通过在网联车辆和非网联车辆之间提供虚拟桥梁来解决这一顾虑。
美国交通交通部(DOT)和国家公路交通安全管理局(NHTSA)标识了将使用BSM并有助于显著减少未受损撞车和死亡事故的许多网联车辆应用。这些应用包括但不限于前撞警告(FCW)、交叉路口移动辅助(IMA)、左转辅助(LTA)、禁止超车警告(DNPW)、以及盲区/变道警告(BS/LCW)。美国DOT和NHTSA对这些应用定义如下。
FCW解决了追尾事故，并向驾驶员警告停车的、减速的或慢行的前方车辆。IMA被设计成避免交叉路口交叉撞车，并向驾驶员警告在交叉路口处从横向方向驶入的车辆，其覆盖了两种主要场景：转向成相同方向或相反方向的路径和直线交叉路径。LTA解决了其中一辆涉事车辆正在交叉路口处进行左转，而另一辆车辆正从相反方向直行的撞车，并在尝试左转时警告驾驶员存在迎面驶来的、方向相反的车流。DNPW帮助驾驶员避免因超车而引起的反向撞车，并在尝试在未经划分的两车道道路上超过慢行车辆时向驾驶员警告迎面驶来的、方向相反的车辆。BS/LCW解决了其中在撞车之前车辆做出变道/并道操作的撞车，并警告驾驶员在毗邻车道中存在驶近或位于其盲区中的车辆。
V2X协议规定，应使用车辆到车辆(V2V)通信来实现这些应用，在V2V通信中，一台网联远程车辆将向网联主车辆广播基本安全消息。主车辆的OBE将进而尝试使这些BSM与其自己的车辆参数(诸如速度、前进方向和轨迹)保持一致，并确定是否存在由远程车辆呈现的潜在危险或威胁，如上面的应用中所描述。而且，自动驾驶车辆将尤其受益于这样的应用，因为其允许周围的车辆传达意图，该意图是未包含在从其车载传感器收集到的数据中的一则关键信息。
然而，如今的车辆不是网联的，并且如稍早提到的，需要花很长时间直至网联车辆的比例很高以使BSM工作，如上所述。因此，在其中网联车辆的比例较小的环境中，不需要网联车辆来接收和分析它们否则将在具有足够大的比例的网联车辆以实现上述应用的环境中接收到的大量BSM且完全受益于V2X通信。
VBSM可以帮助弥合在具有大量非网联实体的当前环境与具有大量网联实体的将来环境之间的差距，并在此期间实现上面描述的应用。在我们在此描述的技术中，接收VBSM的网联车辆将在应用中将其作为常规BSM进行处理。由于VBSM和BSM遵循相同的消息结构，并且VBSM包含与BSM基本相同的基本信息(例如，速度、加速度、前进方向、过去和经预测的轨迹)，因此将消息应用于给定应用的结果将基本相同。
例如，考虑具有未受保护的左转弯的交叉路口，其中当具有通行权的非网联远程车辆从相反方向笔直行进时，网联的主车辆即将在此刻尝试左转弯。这是一种操纵的完成取决于主车辆驾驶员对境况的辨别的情况。对境况的错误评估可能会导致冲突以及潜在的侥幸免撞或碰撞。安装在周围基础设施上的外部传感器可以检测和跟踪远程车辆，或甚至可以检测和跟踪这两个车辆，收集诸如速度、加速度、前进方向和过去轨迹等基本信息并将其传送到RSE，该RSE可以进而使用基于规则的算法或机器学习算法或同时使用这两种算法来为远程车辆构建经预测的轨迹，填充VBSM的必需字段，并代表非网联远程车辆对其进行广播。主车辆的OBE将接收具有关于远程车辆的信息的VBSM，并在其LTA应用中对它进行处理，以确定驾驶员的操纵是否呈现出潜在危险，以及OBE是否应向主车辆的驾驶员显示警告以采取先发或纠正动作来避免碰撞。如果连接了远程车辆并从RSE和传感器接收到反向车辆正在尝试左转且预测到碰撞的数据，则也可以获得类似结果。
VBSM也可被用于变道操纵。如果正变道的车辆未执行检查操纵的安全性的必要步骤，例如检查后视镜和侧视镜以及盲区，则此类操纵可能很危险。已经开发出新的高级驾驶员辅助系统(诸如举例而言，使用车载超声波传感器的盲区警告)，以帮助防止车辆执行危险的变道。然而，当传感器脏污或具有被遮挡的视野时，这些系统可能具有缺点。并且现有系统不会试图向濒危车辆警告正尝试变道的另一车辆。V2X通信可通过诸如使用BSM的BS/LCW等应用来帮助解决此问题，然而尝试变道的车辆可能在非网联车辆中，并因此无法传达其意图。VBSM可以帮助达成该目标。与LTA用例类似，安装在周围基础设施上的外部传感器可以检测和跟踪正尝试变道操纵的非网联车辆，收集诸如速度、加速度、前进方向和过去轨迹等基本信息，并将其传送到RSE。RSE进而将使用基于规则的算法和机器学习算法来为变道车辆构建经预测的轨迹，填充VBSM的必需字段，并代表非网联远程车辆对其进行广播。随后，濒临危险的车辆的OBE将接收到具有关于即将合并到同一车道中的车辆的信息的VBSM，对其进行处理，并确定该操纵是否呈现出潜在危险，以及其是否应向车辆驾驶员显示变道警告。如果变道车辆是网联车辆，则其OBE可以类似地从RSE接收关于其盲区中的车辆的VBSM，并确定变道操纵是否对周围的交通构成潜在危险，以及其是否应向车辆的驾驶员显示盲区警告。如果两个车辆都是网联的，则这两个车辆将能够彼此广播BSM并启用BS/LCW应用。然而，这些应用仍将受益于如上面提到的对BSM数据应用相同的基于规则的算法或机器学习算法(或两者)，以利用OBE来提前预测变道车辆的意图，从而决定是否要显示警告。
自动驾驶车辆
非网联道路实体中缺少的网联性会影响自动驾驶车辆。自动驾驶车辆上的传感器要么是短射程的要么具有窄的视野。他们无法检测到车辆，例如，在街道拐角处的建筑物周围驶来的车辆。他们也无法检测到可能隐藏在送货卡车后方的车辆。这些隐藏的车辆(如果它们是非网联实体)对于自动驾驶车辆而言是不可见的。这些情况影响了自动驾驶车辆技术达成大规模采用该技术所需的安全水平的能力。智能交叉路口可以帮助缓解这种差距，并帮助公众接受自动驾驶车辆。只有自动驾驶车辆所具有的传感器是好的，自动驾驶车辆才是好的。配备有智能RSE的交叉路口可以将车载传感器的范围扩展到盲区拐角附近或大型卡车后面。这样的扩展将允许自动驾驶车辆和其他网联实体与传统的非网联车辆共存。这种共存可以加速自动驾驶车辆的普及及其带来的优势。
虚拟网联地面交通环境包括VBSM消息，其使得能够实现原本将难以实现的车辆到车辆(V2V)、车辆到行人(V2P)和车辆到设备(V2D)应用。
该系统可以使用机器学习来快速且准确地生成各种安全消息所需的数据字段，将它们打包成VBSM消息结构，并且使用各种介质(诸如但不限于DSRC、WiFi、蜂窝或传统路标)将消息发送到附近的地面交通实体。
虚拟人身安全消息(VPMS)
地面交通环境不仅可以涵盖非网联车辆，而且还可以涵盖非网联人员和其他易受伤害的道路用户。
在一些监管制度中，网联的易受伤害的地面交通实体将持续地发送人身安全信息(PSM)。PSM包含易受伤害的地面交通实体的位置、前进方向、速度和将来路径等其他信息。网联车辆和基础设施可以接收这些消息，并使用它们来创建包括易受伤害的实体的地图，并增强地面交通网络的安全水平。
因此，虚拟地面交通环境可以弥合在预计最易受伤害的的地面交通实体将被网联的将来时间与最易受伤害的的地面交通实体不具有网联性的当前时间之间的差距。在虚拟网联地面交通环境中，智能交通信号灯和其他基础设施安装可以使用传感器来跟踪所有易受伤害的地面交通实体(网联的、非网联的)并代表它们生成VPSM。
VPSM消息可以被视为PSM的子集。VPSM不必包含创建PSM所需的所有字段，而是可以包含安全评估和防止危险情况所需的数据，并且可以包括定位信息，包括位置、前进方向、速度和轨迹。在一些情形中，非标准PSM字段也可被包括在VPSM中，诸如驾驶员的意图、姿势或视线方向。
该系统可以使用机器学习来快速且准确地生成这些字段，将它们打包成VPSM消息结构，并且使用各种介质(诸如但不限于DSRC、WiFi、蜂窝或传统路标)将其发送到附近的地面交通实体。
VPSM消息使得能够实现原本将难以实现的行人到车辆(P2V)、行人到基础设施(P2I)、行人到设备(P2D)、车辆到行人(V2P)、基础设施到行人(I2P)、以及设备到行人(D2P)应用。
图16描绘了穿过人行横道8103的行人8102。人行横道8103可以在交叉路口处或者是跨交叉路口之间的一段道路的中间街区(mid-block)人行横道。相机8101被用来监视人行道8104。相机8101的视野8105的边界的全局位置可以在安装时被确定。视野8105被预定数目的像素覆盖，该预定数目的像素由相机8101的规格反映。可以在相机的视野内检测道路实体8102，并且可以计算其全局位置。道路实体8102的速度和前进方向也可以根据其在s时间处的位移来确定。道路实体8102的路径可以由面包屑8106表示，面包屑8106是实体8102已经遍历的一系列位置。该数据可被用来构建虚拟PSM消息。PSM消息可随后被广播到交叉路口附近的所有实体。
无信号灯设置的交叉路口处的交通执法和行为执法
该系统的另一有用应用是在无信号灯设置的交叉路口处的交通执法(例如，停车标志、让路标志)以及在地面交通网络上任何地方施行良好的驾驶行为。
作为生成VBSM和VPSM的副产品，该系统可以跟踪和检测不遵守交通法规并增加危险情况和碰撞的概率的道路用户。危险情况的预测可被扩展为包括执法。危险情况不必以碰撞结束。侥幸免撞是普遍的，并且可增加驾驶员的压力，从而导致后续事故。侥幸免撞的频率与缺乏执法正相关。
附加地，在使用VBSM的情况下，系统可以检测不当的驾驶行为，诸如突然变道和其他鲁莽驾驶形式。由传感器收集到的数据可被用来训练和启用机器学习模型，以对从事危险驾驶行为的地面交通实体进行旗标。
执法机构通常会对包括易受伤害的道路用户在内的地面交通实体施行道路规则，但是执法机构需要在交叉路口附近以监视、检测和报告违章。通过使用VBSM和VPSM来跟踪包括易受伤害的道路用户在内的非网联地面交通实体，智能RSE可以扮演执法机构的角色，并在交叉路口处施行道路规则。例如，由智能RSE跟踪的非网联车辆可被检测到违反停车或让路标志，可以被标识，并且可以被报告给当局。类似地，由智能RSE跟踪的交叉路口附近的易受伤害的道路用户可被检测到非法地穿过该交叉路口，可以被标识，并且可以被报告给当局。
为了执法和其他目的，可以使用唯一标识来标识地面交通实体，包括但不限于车牌号识别。可以使用生物计量识别来标识易受伤害的道路用户，包括但不限于面部、视网膜和声波标识。在包括民事或刑事调查在内的特殊情形中，社交媒体网络(例如，Facebook、Instagram、Twitter)也可被用来支持标识违章的地面交通实体或易受伤害的道路用户。利用社交网络的示例是在社交网络上对捕获的违章者的图片进行上传，并要求识别出违章者的社交网络用户向执法机构提供有助于标识违张者的情报。
其他实现方式也在所附权利要求书的范围内。

Claims (128)

1.一种装置，包括：
位于交通网络的交叉路口处的装备，所述装备包括：
用于从传感器接收数据的输入，所述传感器被定向成监视所述交叉路口处或附近的地面交通实体，
无线通信设备，所述无线通信设备向所述地面交通实体之一的设备发送关于所述交叉路口处或附近的危险情况的警告，
处理器，以及
用于能由所述处理器执行以进行以下操作的指令的存储：
存储机器学习模型，所述机器学习模型能够预测当前时间在所述交叉路口处或附近的地面交通实体的行为，所述机器学习模型是基于关于所述交叉路口处或附近的地面交通实体的先前运动和相关行为的训练数据，
将从所述传感器接收到的关于所述交叉路口处或附近的地面交通实体的当前运动数据应用于所述机器学习模型，以预测所述地面交通实体的迫近行为，从经预测的即将到来的行为推断出所述交叉路口处或附近的所述地面交通实体中的一者或多者的即将到来的危险情况，以及
致使所述无线通信设备向所述地面交通实体之一的设备发送关于所述危险情况的所述警告。
2.根据权利要求1所述的装置，其特征在于，所述装备包括路侧装备。
3.根据权利要求1所述的装置，其特征在于，包括用于所述装备的壳体，并且其中所述传感器被附连至所述壳体。
4.根据权利要求1所述的装置，其特征在于，所述警告是通过广播所述警告来被发送的，以供由所述交叉路口处或附近的任何所述地面交通实体接收。
5.根据权利要求1所述的装置，其特征在于，所述机器学习模型包括人工智能模型。
6.根据权利要求1所述的装置，其特征在于，所述训练数据和所述运动数据包括以下至少一者：速度、位置、前进方向、意图、姿态、或视线方向。
7.根据权利要求1所述的装置，其特征在于，所述处理器被配置成能够在所述装备处生成所述机器学习模型。
8.根据权利要求1所述的装置，其特征在于，所述机器学习模型在所述装备处被生成。
9.根据权利要求1所述的装置，其特征在于，所述指令能由所述处理器执行以将所述训练数据存储在所述装备处。
10.根据权利要求1所述的装置，其特征在于，所述交叉路口包括无信号灯设置的交叉路口。
11.根据权利要求1所述的装置，其特征在于，所述交通网络包括道路网络。
12.根据权利要求1所述的装置，其特征在于，所述地面交通实体包括易受伤害的道路用户。
13.根据权利要求1所述的装置，其特征在于，所述地面交通实体包括车辆。
14.根据权利要求1所述的装置，其特征在于，所述即将到来的危险情况包括碰撞或侥幸免撞。
15.根据权利要求1所述的装置，其特征在于，所述地面交通实体包括在人行横道处过马路的行人。
16.根据权利要求1所述的装置，其特征在于，包括与中央服务器通信的另一通信设备。
17.根据权利要求1所述的装置，其特征在于，所述地面交通实体之一的所述设备包括移动通信设备。
18.一种装置，包括：
位于地面交通实体中或地面交通实体上的装备，所述装备包括：
用于从传感器接收数据的输入，所述传感器在地面交通实体中或地面交通实体上并且被定向成监视地面交通网络的附近特征以及关于其中所述地面交通实体正穿越所述地面交通网络的上下文的其他信息，
无线通信设备，所述无线通信设备接收关于所述上下文的信息，
信号处理器，所述信号处理器将信号处理应用于来自所述传感器的数据以及关于所述上下文的其他信息，
处理器；以及
用于能由所述处理器执行以进行以下操作的指令的存储：
存储能够预测所述地面交通实体的操作者的行为以及在附近的其他地面交通实体的意图和移动的机器学习模型，以及
应用来自所述传感器的当前接收到的数据和关于所述上下文的其他信息以预测所述操作者的行为以及在附近的其他地面交通实体的所述意图和移动。
19.根据权利要求18所述的装置，其特征在于，所述指令能由所述处理器执行以监视所述地面交通实体的用户或乘员。
20.根据权利要求18所述的装置，其特征在于，关于所述上下文的所述其他信息包括紧急广播、路侧装备的交通和安全消息、以及来自其他地面交通实体的关于安全、位置和其他运动信息的消息。
21.根据权利要求18所述的装置，其特征在于，所述传感器包括相机、范围传感器、振动传感器、话筒、座位传感器、碳氢化合物传感器、挥发性有机化合物和其他有毒物质的传感器、以及运动学传感器或它们的组合。
22.根据权利要求18所述的装置，其特征在于，所述指令能由所述处理器执行以通过以下来过滤在车辆处接收到的警报：将所述警报施加到机器学习模型以预测哪些警报在当前位置、环境状况、驾驶员行为、车辆健康和状态以及运动学方面是重要的。
23.根据权利要求18所述的装置，其特征在于，所述无线通信设备将关于所述危险情况的警告发送到标志或其他基础设施演示设备。
24.根据权利要求18所述的装置，其特征在于，所述警告包括能够控制特定地面交通实体的指令或命令。
25.一种方法，包括：
存储机器学习模型，所述机器学习模型能够预测当前时间在交通网络的交叉路口处或附近的地面交通实体的行为，所述机器学习模型是基于关于所述交叉路口处或附近的地面交通实体的先前运动和相关行为的训练数据，
将从传感器接收到的关于所述交叉路口处或附近的地面交通实体的当前运动数据应用于所述机器学习模型，以预测所述地面交通实体的即将到来的行为，
从经预测的即将到来的行为推断出所述交叉路口处或附近的所述地面交通实体中的一者或多者的即将到来的危险情况，以及
致使所述无线通信设备向所述地面交通实体之一的设备发送关于所述危险情况的所述警告。
26.根据权利要求25所述的方法，其特征在于，所述警告是通过广播所述警告来被发送的，以供由所述交叉路口处或附近的任何所述地面交通实体接收。
27.根据权利要求25所述的方法，其特征在于，所述机器学习模型包括人工智能模型。
28.根据权利要求25所述的方法，其特征在于，所述训练数据和所述运动数据包括以下至少一者：速度、位置、前进方向、意图、姿态、或视线方向。
29.根据权利要求25所述的方法，其特征在于，包括在所述装备处生成所述机器学习模型。
30.根据权利要求25所述的方法，其特征在于，包括将所述训练数据存储在所述装备处。
31.一种方法，包括：
从传感器接收数据，所述传感器在地面交通实体中或地面交通实体上并且被定向成监视地面交通网络的附近特征以及关于其中所述地面交通实体正穿越所述地面交通网络的上下文的其他信息，
接收关于所述上下文的信息，
存储能够预测所述地面交通实体的操作者的行为以及在附近的其他地面交通实体的意图和移动的机器学习模型，以及
应用来自所述传感器的当前接收到的数据和关于所述上下文的其他信息以预测所述操作者的行为以及在附近的其他地面交通实体的所述意图和移动。
32.根据权利要求31所述的方法，其特征在于，包括监视所述地面交通实体的用户或乘员。
33.根据权利要求31所述的方法，其特征在于，关于所述上下文的所述其他信息包括紧急广播、路侧装备的交通和安全消息、以及来自其他地面交通实体的关于安全、位置和其他运动信息的消息。
34.根据权利要求31所述的方法，其特征在于，所述传感器包括相机、范围传感器、振动传感器、话筒、座位传感器、碳氢化合物传感器、挥发性有机化合物和其他有毒物质的传感器、以及运动学传感器或它们的组合。
35.根据权利要求31所述的方法，其特征在于，包括通过以下来过滤在车辆处接收到的警报：将所述警报施加到机器学习模型以预测哪些警报在当前位置、环境状况、驾驶员行为、车辆健康和状态以及运动学方面是重要的。
36.根据权利要求31所述的方法，其特征在于，包括将关于所述危险情况的所述警告发送到标志或其他基础设施演示设备。
37.根据权利要求31所述的装置，其特征在于，所述警告包括能够控制特定地面交通实体的指令或命令。
38.一种方法，包括：
在地面交通实体中行进的道路车辆上：
接收来自外部源的关于其他地面交通实体的位置、运动和状态的消息，
接收来自车载传感器的关于道路和驾驶状况的数据以及关于所述车辆周围静态物体和移动的地面交通实体的位置的数据，
接收关于所述道路车辆的驾驶员的驾驶质量的数据，以及
接收来自其他地面交通实体的基本安全消息和来自易受伤害的道路用户的人身安全消息，
融合所接收到的数据和消息并将它们应用于人工智能模型，以预测所述道路车辆的驾驶员或易受伤害的道路用户的动作或所述道路车辆的碰撞风险或两者。
39.根据权利要求38所述的方法，其特征在于，包括在所述道路车辆上创建所述道路车辆附近的静态物体和移动的地面交通实体的地图。
40.根据权利要求38所述的方法，其特征在于，包括向所述道路车辆的驾驶员警告碰撞风险。
41.根据权利要求38所述的方法，其特征在于，包括基于附近其他移动的地面交通实体的经预测轨迹的概率来确定所述碰撞风险。
42.根据权利要求38所述的方法，其特征在于，包括过滤接收到的基本安全消息和人身安全消息，以减少被提供给所述道路车辆的驾驶员的警报的数目。
43.一种方法，包括：
获取针对在交通网络中移动的非网联地面交通实体的运动数据，以及
将包含关于所述非网联地面交通实体的运动数据的信息的虚拟安全消息发送到所述非网联地面交通实体附近的网联地面交通实体。
44.根据权利要求43所述的方法，其特征在于，所述虚拟安全消息是在所述非网联地面交通实体被连接的情况下将由所述非网联地面交通实体发送的安全消息的替代。
45.根据权利要求43所述的方法，其特征在于，所述非网联地面交通实体包括车辆，并且所述虚拟安全消息是基本安全消息的替代。
46.根据权利要求43所述的方法，其特征在于，所述非网联地面交通实体包括易受伤害的道路用户，并且所述虚拟安全消息是人身安全消息的替代。
47.根据权利要求43所述的方法，其特征在于，所述运动数据是由基础设施传感器获取的。
48.一种装置，包括：
位于所述交通网络的交叉路口处的装备，所述装备包括：
用于从传感器接收数据的输入，所述传感器被定向成监视所述交叉路口处或附近的地面交通实体，
无线通信设备，所述无线通信设备向所述地面交通实体之一的设备发送关于所述交叉路口处或附近的危险情况的警告，
处理器；以及
用于能由所述处理器执行以进行以下操作的指令的存储：
存储机器学习模型，所述机器学习模型能够预测当前时间在所述交叉路口处或附近的地面交通实体的行为，所述机器学习模型是基于关于所述交叉路口处或附近的地面交通实体的先前运动和相关行为的训练数据，
将从所述传感器接收到的关于所述交叉路口处或附近的地面交通实体的当前运动数据应用于所述机器学习模型，以预测所述地面交通实体的即将到来的行为，所述地面交通实体包括其设备无法从所述无线通信设备接收警告的地面交通实体，
推断出针对其设备能够从所述无线通信设备接收警告的地面交通实体的即将到来的危险情况，所述即将到来的危险情况是无法接收到所述警告的地面交通实体的经预测的即将到来的行为的结果，以及
将关于所述危险情况的所述警告发送到能够从所述无线通信设备接收所述警告的所述地面交通实体的设备。
49.根据权利要求48所述的装置，其特征在于，所述装备包括路侧装备。
50.根据权利要求48所述的装置，其特征在于，包括用于所述装备的壳体，并且其中所述传感器被附连至所述壳体。
51.根据权利要求48所述的装置，其特征在于，所述警告是通过广播所述警告来被发送的，以供由所述交叉路口处或附近的能够接收所述警告的任何所述地面交通实体接收。
52.根据权利要求48所述的装置，其特征在于，所述机器学习模型包括人工智能模型。
53.根据权利要求48所述的装置，其特征在于，所述交叉路口包括无信号灯设置的交叉路口。
54.根据权利要求48所述的装置，其特征在于，所述交叉路口包括有信号灯设置的交叉路口。
55.根据权利要求48所述的装置，其特征在于，所述交通网络包括道路网络。
56.根据权利要求48所述的装置，其特征在于，所述地面交通实体包括易受伤害的道路用户。
57.根据权利要求48所述的装置，其特征在于，所述地面交通实体包括车辆。
58.根据权利要求48所述的装置，其特征在于，所述即将到来的危险情况包括碰撞。
59.根据权利要求48所述的装置，其特征在于，其设备无法从所述无线通信设备接收所述警告的地面交通实体包括车辆，并且其设备能够从所述无线通信设备接收所述警告的地面交通实体包括在人行横道过马路的行人。
60.根据权利要求48所述的装置，其特征在于，包括与中央服务器通信的另一通信设备。
61.根据权利要求48所述的装置，其特征在于，所述地面交通实体之一的所述设备包括移动通信设备。
62.一种方法，包括：
使用位于地面交通网络的交叉路口附近的电子传感器来监视所述交叉路口和至所述交叉路口的路段，所述电子传感器生成关于在所述路段上或所述交叉路口中移动的地面交通实体的运动数据，所述地面交通实体中的一者或多者无法将基本安全消息发送到所述交叉路口附近的其他地面交通实体，
基于由所述电子传感器生成的所述运动数据而将虚拟安全消息发送到能够接收所述消息的所述地面交通实体中的一者或多者，以及
在所述虚拟安全消息中包含关于无法发送安全消息的地面交通实体中的一者或多者的信息，所述虚拟安全消息中的每一者中包含的信息包括以下至少一者：无法发送安全消息的所述地面交通实体之一的位置、前进方向、速度和经预测的将来轨迹。
63.根据权利要求62所述的方法，其特征在于，所包含的信息包括在所述地面交通实体能够发送基本安全消息或人身安全消息的情况下将被包含在由所述地面交通实体生成的基本安全消息或人身安全消息中的信息的子集。
64.根据权利要求62所述的方法，其特征在于，包括将所生成的运动数据应用于在位于所述交叉路口附近的装备中运行的机器学习模型，以预测无法发送安全消息的地面交通实体的轨迹。
65.根据权利要求62所述的方法，其特征在于，所述地面交通实体中的至少一者包括机动车辆。
66.根据权利要求62所述的方法，其特征在于，所述机器学习模型由远程服务器通过互联网被提供给位于所述交叉路口附近的所述装备。
67.根据权利要求62所述的方法，其特征在于，所述机器学习模型是在位于所述交叉路口附近的所述装备处被生成的。
68.根据权利要求62所述的方法，其特征在于，包括使用由位于所述交叉路口附近的所述传感器生成的运动数据来训练所述机器学习模型。
69.根据权利要求62所述的方法，其特征在于，包括将由位于所述交叉路口附近的所述传感器生成的运动数据发送到服务器，以供训练所述机器学习模型时使用。
70.一种方法，包括：
使用位于横穿道路的人行横道附近的电子传感器来监视所述人行横道中或附近的区域，所述电子传感器生成关于处在所述人行横道中或附近的易受伤害的道路用户的运动数据，
将所生成的运动数据应用于在位于所述人行横道附近的装备中运行的机器学习模型，以预测所述易受伤害的道路用户之一即将进入所述人行横道，以及
在所述易受伤害的道路用户进入所述人行横道之前，将警告无线地传送到以下至少一者：与所述易受伤害的道路用户相关联的设备、或与所述道路上的正在接近所述人行横道的另一地面交通实体相关联的设备。
71.根据权利要求70所述的方法，其特征在于，所述易受伤害的道路用户包括行人、动物、或骑自行车的人。
72.根据权利要求70所述的方法，其特征在于，与所述易受伤害的道路用户相关联的设备包括智能手表或其他可穿戴设备、智能电话、或另一移动设备。
73.根据权利要求70所述的方法，其特征在于，所述另一地面交通实体包括机动车辆。
74.根据权利要求70所述的方法，其特征在于，与所述另一地面交通实体相关联的设备包括智能电话或另一移动设备。
75.根据权利要求70所述的方法，其特征在于，所述机器学习模型由远程服务器通过互联网被提供给位于所述人行横道附近的所述装备。
76.根据权利要求70所述的方法，其特征在于，所述机器学习模型是在位于所述人行横道附近的所述装备处被生成的。
77.根据权利要求70所述的方法，其特征在于，包括使用由位于所述人行横道附近的所述传感器生成的运动数据来训练所述机器学习模型。
78.根据权利要求70所述的方法，其特征在于，包括将由位于所述人行横道附近的所述传感器生成的运动数据发送到服务器，以供训练所述机器学习模型时使用。
79.根据权利要求70所述的方法，其特征在于，包括基于所述人行横道附近的对应区域来分割由位于所述人行横道附近的所述传感器生成的所述运动数据。
80.根据权利要求70所述的方法，其特征在于，包括使用所述电子传感器来生成表示所述易受伤害的道路用户的身体属性的运动相关数据。
81.根据权利要求70所述的方法，其特征在于，包括从由所述传感器生成的运动数据导出关于所述易受伤害的道路用户的轨迹信息。
82.一种装置，包括：
位于交通网络的平交路口处的装备，所述平交路口包括道路的交叉路口、人行横道和轨道线，所述装备包括：
用于从传感器接收数据的输入，所述传感器被定向成监视在所述平交路口处或附近的道路车辆和行人，并接收所述道路和所述轨道线上的信号的相位和定时数据，
无线通信设备，所述无线通信设备将关于在所述平交路口处或附近的危险情况的警告发送到所述地面交通实体、行人、或轨道线上的轨道车辆之一的设备，
处理器；以及
用于能由所述处理器执行以进行以下操作的指令的存储：
存储机器学习模型，所述机器学习模型能够预测当前时间在所述平交路口处或附近的地面交通实体的行为，所述机器学习模型是基于关于所述平交路口处或附近的道路车辆和行人的先前运动和相关行为的训练数据，
将从所述传感器接收到的关于所述平交路口处或附近的道路车辆和行人的当前运动数据应用于所述机器学习模型，以预测所述道路车辆和行人的即将到来的行为，
从经预测的即将到来的行为推断出所述交叉路口处或附近的所述轨道线上的轨道车辆的即将到来的危险情况，以及
致使所述无线通信设备向所述道路车辆、行人和轨道车辆中的至少一者的设备发送关于所述危险情况的所述警告。
83.根据权利要求82所述的装置，其特征在于，所述警告被发送到所述轨道车辆的车载装备。
84.根据权利要求82所述的装置，其特征在于，所述轨道线是在隔离的通行权上的。
85.根据权利要求82所述的装置，其特征在于，所述轨道线不是在隔离的通行权上的。
86.根据权利要求82所述的装置，其特征在于，所述装备包括路侧装备。
87.根据权利要求82所述的装置，其特征在于，所述警告是通过广播所述警告来被发送的，以供由所述平交路口处或附近的任何所述地面交通实体、行人或轨道车辆接收。
88.根据权利要求82所述的装置，其特征在于，所述即将到来的危险情况包括碰撞或侥幸免撞。
89.一种方法，包括：
从基础设施传感器接收数据，所述数据表示正被驾驶的道路车辆或在地面交通网络中行走的行人的位置和运动，
接收在关于所述道路车辆和行人的状态的虚拟基本安全消息和虚拟人身安全消息中的数据，
将所接收到的数据应用于机器学习模型，所述机器学习模型被训练以标识所述道路车辆或行人之一的危险驾驶或步行行为，以及
将所述危险驾驶或步行行为报告给官方机构。
90.根据权利要求89所述的方法，其特征在于，包括：
基于车牌号识别来标识所述道路车辆。
91.根据权利要求89所述的方法，其特征在于，包括：
基于生物计量识别来标识所述行人。
92.根据权利要求89所述的方法，其特征在于，包括：
基于社交网络来标识所述道路车辆或行人。
93.一种方法，包括：
使用位于地面交通网络的交叉路口附近的电子传感器来监视所述交叉路口和至所述交叉路口的路段，所述电子传感器生成关于在所述路段上或所述交叉路口中移动的地面交通实体的运动数据，
在所述交叉路口和至所述交叉路口的所述路段中定义不同虚拟区域，
根据所生成的运动数据所涉及的对应虚拟区域来分割所述运动数据，
针对相应分段中的每一者来将所生成的运动数据应用于在位于所述交叉路口附近的装备中运行的机器学习模型，以预测所述交叉路口或所述路段之一中涉及所述地面交通实体中的一者或多者的即将到来的危险情况，
在所述即将到来的危险情况变成实际危险情况之前，将警告无线地传送到与所涉及到的地面交通实体中的至少一者相关联的设备。
94.根据权利要求93所述的方法，其特征在于，与所述地面交通实体中的每一者相关联的所述设备包括可穿戴设备、智能电话、或另一移动设备。
95.根据权利要求93所述的方法，其特征在于，所述地面交通实体中的至少一者包括机动车辆。
96.根据权利要求93所述的方法，其特征在于，所述机器学习模型由远程服务器通过互联网被提供给位于所述交叉路口附近的所述装备。
97.根据权利要求93所述的方法，其特征在于，所述机器学习模型是在位于所述交叉路口附近的所述装备处被生成的。
98.根据权利要求93所述的方法，其特征在于，包括使用由位于所述交叉路口附近的所述传感器生成的运动数据来训练所述机器学习模型。
99.根据权利要求93所述的方法，其特征在于，包括将由位于所述交叉路口附近的所述传感器生成的运动数据发送到服务器，以供训练所述机器学习模型时使用。
100.根据权利要求93所述的方法，其特征在于，包括使用所述电子传感器来监视人行横道中或附近的区域，所述人行横道穿过至所述交叉路口的所述路段之一。
101.根据权利要求93所述的方法，其特征在于，包括使用所述电子传感器来生成表示在所述人行横道附近的易受伤害的道路用户的身体属性的运动相关数据。
102.根据权利要求93所述的方法，其特征在于，包括从由所述传感器生成的运动数据导出关于所述易受伤害的道路用户的轨迹信息。
103.根据权利要求93所述的方法，其特征在于，存在用于至所述交叉路口的所述路段中的每一者的机器学习模型。
104.根据权利要求93所述的方法，其特征在于，包括还基于由传感器生成的相对于另一附近交叉路口的运动数据来确定是否要传送所述警告。
105.根据权利要求93所述的方法，其特征在于，包括还基于从在所述路段上或所述交叉路口中移动的地面交通实体接收到的信息来确定是否要传送所述警告。
106.根据权利要求93所述的方法，其特征在于，所述交叉路口有设置信号灯，并且关于所述信号灯的状态的信息被接收。
107.根据权利要求93所述的方法，其特征在于，所述交叉路口没有设置信号灯，而是由一个或多个标志控制的。
108.根据权利要求107所述的方法，其特征在于，经定义的虚拟区域包括由所述标志控制的一个或多个路段。
109.根据权利要求107所述的方法，其特征在于，所述标志包括停车标志或让路标志。
110.根据权利要求107所述的方法，其特征在于，所述地面交通实体之一包括轨道车辆。
111.一种装置，包括：
位于交通网络的交叉路口处的装备，所述装备包括：
用于从传感器接收数据的输入，所述传感器被定向成监视所述交叉路口处或附近的地面交通实体，
来自所述传感器中的每一者的所述数据表示所述地面交通实体中的至少一者的至少一个位置或运动参数，
来自所述传感器中的每一者的所述数据被以本机格式表示，
从所述传感器中的至少两个传感器接收到的所述数据在所述位置或运动参数或所述本机格式或这两个方面均不一致，
处理器；以及
用于能由所述处理器执行以进行以下操作的指令的存储：
将来自所述传感器中的每一者的所述数据转换成具有独立于所述传感器的数据的本机格式的通用格式的数据，
将具有所述通用格式的数据合并到在所述交叉路口处或附近正被监视的地面交通实体的全局统一表示中，所述全局统一表示包括所述地面交通实体中的每一者的位置、速度和前进方向，
使用所述全局统一表示来确定所述地面交通实体中的两个地面交通实体的位置和运动的关系，
预测涉及所述两个地面交通实体的危险情况，以及
向所述两个地面交通实体中的至少一者发送对其警告所述危险情况的消息。
112.根据权利要求111所述的装置，其特征在于，所述传感器包括以下至少两者：雷达、激光雷达和相机。
113.根据权利要求111所述的装置，其特征在于，从所述传感器之一接收到的所述数据包括在相继时刻的视野的图像数据。
114.根据权利要求111所述的装置，其特征在于，从所述传感器之一接收到的所述数据包括3D空间中的反射点。
115.根据权利要求111所述的装置，其特征在于，从所述传感器之一接收到的所述数据包括距所述传感器的距离和速度。
116.根据权利要求111所述的装置，其特征在于，所述全局统一表示代表所述地面交通实体在共用参考系中的位置。
117.根据权利要求111所述的装置，其特征在于，包括从其接收所述数据的至少两个传感器，这两个传感器被安装在所述交叉路口处或附近的固定位置中，并具有至少局部非交叠的视野。
118.根据权利要求117所述的装置，其特征在于，所述传感器之一包括雷达，并且转换所述数据包括根据所述雷达的已知位置以及从所述雷达到地面交通实体的距离来确定所述地面交通实体的位置。
119.根据权利要求117所述的装置，其特征在于，所述传感器之一包括相机，并且转换所述数据包括根据所述相机的已知位置、视线方向和倾斜度以及地面交通实体在所述相机的图像帧内的位置来确定所述地面交通实体的位置。
120.一种方法，包括
从传感器接收数据，所述传感器被定向成监视地面交通网络的交叉路口处或附近的地面交通实体，
来自所述传感器中的每一者的所述数据表示所述地面交通实体中的至少一者的至少一个位置或运动参数，
来自所述传感器中的每一者的所述数据被以本机格式表示，
从所述传感器中的至少两个传感器接收到的所述数据在所述位置或运动参数或所述本机格式或这两个方面均不一致，
将来自所述传感器中的每一者的所述数据转换成具有独立于所述传感器的数据的本机格式的通用格式的数据，
将具有所述通用格式的数据合并到在所述交叉路口处或附近正被监视的地面交通实体的全局统一表示中，所述全局统一表示包括所述地面交通实体中的每一者的位置、速度和前进方向，
使用所述全局统一表示来确定所述地面交通实体中的两个地面交通实体的位置和运动的关系，
预测涉及所述两个地面交通实体的危险情况，以及
向所述两个地面交通实体中的至少一者发送对其警告所述危险情况的消息。
121.根据权利要求120所述的方法，其特征在于，所述传感器包括以下至少两者：雷达、激光雷达和相机。
122.根据权利要求120所述的方法，其特征在于，从所述传感器之一接收到的所述数据包括在相继时刻的视野的图像数据。
123.根据权利要求120所述的方法，其特征在于，从所述传感器之一接收到的所述数据包括3D空间中的反射点。
124.根据权利要求120所述的方法，其特征在于，从所述传感器之一接收到的所述数据包括距所述传感器的距离和速度。
125.根据权利要求120所述的方法，其特征在于，所述全局统一表示代表所述地面交通实体在共用参考系中的位置。
126.根据权利要求120所述的方法，其特征在于，所述数据是从至少两个传感器接收到的，这两个传感器被安装在所述交叉路口处或附近的固定位置中，并具有至少局部非交叠的视野。
127.根据权利要求126所述的方法，其特征在于，所述传感器之一包括雷达，并且所述方法包括：转换所述数据包括根据所述雷达的已知位置以及从所述雷达到地面交通实体的距离来确定所述地面交通实体的位置。
128.根据权利要求126所述的方法，其特征在于，所述传感器之一包括相机，并且所述方法包括：转换所述数据包括根据所述相机的已知位置、视线方向和倾斜度以及地面交通实体在所述相机的图像帧内的位置来确定所述地面交通实体的位置。
CN201980033729.XA 2018-03-19 2019-03-14 预警和碰撞避免 Pending CN112154492A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311342538.6A CN117649782A (zh) 2018-03-19 2019-03-14 预警和碰撞避免

Applications Claiming Priority (15)

Application Number Priority Date Filing Date Title
US201862644725P 2018-03-19 2018-03-19
US62/644,725 2018-03-19
US15/994,826 2018-05-31
US15/994,702 US11749111B2 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,568 2018-05-31
US15/994,568 US10950130B2 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,850 2018-05-31
US15/994,826 US10235882B1 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,915 US20190287394A1 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,850 US11257370B2 (en) 2018-03-19 2018-05-31 Early warning and collision avoidance
US15/994,915 2018-05-31
US15/994,702 2018-05-31
US16/222,536 2018-12-17
US16/222,536 US10565880B2 (en) 2018-03-19 2018-12-17 Early warning and collision avoidance
PCT/IB2019/052064 WO2019180551A1 (en) 2018-03-19 2019-03-14 Early warning and collision avoidance

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202311342538.6A Division CN117649782A (zh) 2018-03-19 2019-03-14 预警和碰撞避免

Publications (1)

Publication Number Publication Date
CN112154492A true CN112154492A (zh) 2020-12-29

Family

ID=65721952

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201980033729.XA Pending CN112154492A (zh) 2018-03-19 2019-03-14 预警和碰撞避免
CN202311342538.6A Pending CN117649782A (zh) 2018-03-19 2019-03-14 预警和碰撞避免

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202311342538.6A Pending CN117649782A (zh) 2018-03-19 2019-03-14 预警和碰撞避免

Country Status (8)

Country Link
US (12) US11749111B2 (zh)
EP (1) EP3753001A1 (zh)
JP (2) JP7362721B2 (zh)
CN (2) CN112154492A (zh)
CA (1) CA3094275A1 (zh)
SA (1) SA520420162B1 (zh)
SG (1) SG11202009104UA (zh)
WO (1) WO2019180551A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113028334A (zh) * 2021-02-21 2021-06-25 润驰照明集团有限公司 一种模块可自由组合化的智能路灯
CN113223325A (zh) * 2021-03-26 2021-08-06 南京市德赛西威汽车电子有限公司 一种安全通过无信号灯路口的方法
CN114189829A (zh) * 2021-11-02 2022-03-15 南京中创智元科技有限公司 一种基于5g无线通信的智慧交通数据处理方法
CN115311814A (zh) * 2022-04-29 2022-11-08 中煤西北能源有限公司 一种基于机器视觉的危险区域人员识别预警系统及方法
CN115457804A (zh) * 2021-06-08 2022-12-09 本田技研工业株式会社 控制装置、移动体、控制方法和计算机可读存储介质
WO2023044722A1 (en) * 2021-09-24 2023-03-30 Intel Corporation Dynamic control of infrastructure for vulnerable users
CN116110254A (zh) * 2023-04-13 2023-05-12 深圳锐盟半导体有限公司 多通道交汇处的防撞提醒方法、装置、设备及存储介质
WO2024087082A1 (en) * 2022-10-27 2024-05-02 Qualcomm Incorporated Transmitting personal safety messages involving vulnerable road users

Families Citing this family (195)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11450331B2 (en) 2006-07-08 2022-09-20 Staton Techiya, Llc Personal audio assistant device and method
WO2016126317A1 (en) * 2015-02-06 2016-08-11 Delphi Technologies, Inc. Method of automatically controlling an autonomous vehicle based on electronic messages from roadside infrastructure of other vehicles
SE539221C2 (en) * 2015-06-04 2017-05-23 Scania Cv Ab Method and control unit for avoiding an accident at a crosswalk
US20220398924A1 (en) * 2020-01-03 2022-12-15 Xorail, Inc. Obstruction detection system
JP6334604B2 (ja) * 2016-05-24 2018-05-30 京セラ株式会社 車載装置、車両、報知システム、及び報知方法
US10380886B2 (en) * 2017-05-17 2019-08-13 Cavh Llc Connected automated vehicle highway systems and methods
US10252717B2 (en) * 2017-01-10 2019-04-09 Toyota Jidosha Kabushiki Kaisha Vehicular mitigation system based on wireless vehicle data
WO2018170444A1 (en) 2017-03-17 2018-09-20 The Regents Of The University Of Michigan Method and apparatus for constructing informative outcomes to guide multi-policy decision making
JP6638695B2 (ja) * 2017-05-18 2020-01-29 トヨタ自動車株式会社 自動運転システム
US10794710B1 (en) 2017-09-08 2020-10-06 Perceptin Shenzhen Limited High-precision multi-layer visual and semantic map by autonomous units
US10588009B2 (en) * 2017-10-27 2020-03-10 Toyota Jidosha Kabushiki Kaisha PSM message-based device discovery for a vehicular mesh network
US10803746B2 (en) 2017-11-28 2020-10-13 Honda Motor Co., Ltd. System and method for providing an infrastructure based safety alert associated with at least one roadway
WO2019175922A1 (ja) * 2018-03-12 2019-09-19 三菱電機株式会社 運転支援装置、運転支援方法、及び運転支援プログラム
US11749111B2 (en) 2018-03-19 2023-09-05 Derq Inc. Early warning and collision avoidance
KR102479282B1 (ko) * 2018-04-17 2022-12-20 발리언트 육 유엔 렁 시너지효과를 가진 재구성가능한 교통 교차로
US10334906B1 (en) * 2018-05-31 2019-07-02 Nike, Inc. Intelligent electronic footwear and control logic for automated infrastructure-based pedestrian tracking
US11122852B2 (en) 2018-05-31 2021-09-21 Nike, Inc. Intelligent electronic footwear and logic for navigation assistance by automated tactile, audio, and visual feedback
US10909851B2 (en) * 2018-06-06 2021-02-02 Motional Ad Llc Vehicle intent communication system
US20200020227A1 (en) * 2018-07-10 2020-01-16 Cavh Llc Connected automated vehicle highway systems and methods related to transit vehicles and systems
US10909866B2 (en) * 2018-07-20 2021-02-02 Cybernet Systems Corp. Autonomous transportation system and methods
JP7199545B2 (ja) 2018-07-20 2023-01-05 メイ モビリティー，インコーポレイテッド 自律エージェントによる行動方針選択のための多視点システムおよび方法
US10614709B2 (en) 2018-07-24 2020-04-07 May Mobility, Inc. Systems and methods for implementing multimodal safety operations with an autonomous agent
JP2020028017A (ja) * 2018-08-10 2020-02-20 パナソニック株式会社 車両等検知システムおよび車両等検知方法
US10962642B2 (en) * 2018-08-29 2021-03-30 Metawave Corporation Method and apparatus for radar infrastructure
CN110928284B (zh) * 2018-09-19 2024-03-29 阿波罗智能技术(北京)有限公司 辅助控制车辆的自动驾驶的方法、设备、介质和系统
DE102018216082A1 (de) * 2018-09-20 2018-12-13 Robert Bosch Gmbh Verfahren zur kooperativen Manöverabstimmung
JP7169832B2 (ja) * 2018-09-27 2022-11-11 株式会社Subaru 車両の移動体監視装置、およびこれを用いる車両制御システム
US10885776B2 (en) * 2018-10-11 2021-01-05 Toyota Research Institute, Inc. System and method for roadway context learning by infrastructure sensors
WO2020074919A1 (en) * 2018-10-13 2020-04-16 Sandeep Kumar Chintala Road information exchange system
JP2020065200A (ja) * 2018-10-18 2020-04-23 パナソニックｉ−ＰＲＯセンシングソリューションズ株式会社 車両等検知システムおよび車両等検知方法
US10748038B1 (en) 2019-03-31 2020-08-18 Cortica Ltd. Efficient calculation of a robust signature of a media unit
US11270132B2 (en) * 2018-10-26 2022-03-08 Cartica Ai Ltd Vehicle to vehicle communication and signatures
US11445043B2 (en) * 2018-10-31 2022-09-13 Fwd Inc. Ephemeral and private beacon network
US11288750B1 (en) * 2018-10-31 2022-03-29 United Services Automobile Association (Usaa) Method and system for automatically detecting vehicle collisions for insurance claims
US11124185B2 (en) * 2018-11-13 2021-09-21 Zoox, Inc. Perception collision avoidance
US10569770B1 (en) * 2018-12-11 2020-02-25 Mando Corporation Driver assistance system
US11104332B2 (en) 2018-12-12 2021-08-31 Zoox, Inc. Collision avoidance system with trajectory validation
DE102018222670A1 (de) * 2018-12-20 2020-06-25 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen eines idealisierten Überholvorgangs
JP7180421B2 (ja) * 2019-02-04 2022-11-30 トヨタ自動車株式会社 車両制御装置
US10969470B2 (en) 2019-02-15 2021-04-06 May Mobility, Inc. Systems and methods for intelligently calibrating infrastructure devices using onboard sensors of an autonomous agent
US11170639B2 (en) * 2019-03-05 2021-11-09 University Of Massachusetts Transportation threat detection system
KR102695638B1 (ko) * 2019-03-13 2024-08-16 에이치디현대인프라코어 주식회사 건설기계의 트랙 장력 모니터링 방법 및 시스템
US11496895B2 (en) 2019-03-27 2022-11-08 At&T Intellectual Property I, L.P. Facilitation of authentication management for autonomous vehicles
US11688293B2 (en) * 2019-03-29 2023-06-27 Volvo Car Corporation Providing educational media content items based on a determined context of a vehicle or driver of the vehicle
US11335189B2 (en) 2019-04-04 2022-05-17 Geotab Inc. Method for defining road networks
US11403938B2 (en) 2019-04-04 2022-08-02 Geotab Inc. Method for determining traffic metrics of a road network
US11335191B2 (en) 2019-04-04 2022-05-17 Geotab Inc. Intelligent telematics system for defining road networks
US11341846B2 (en) 2019-04-04 2022-05-24 Geotab Inc. Traffic analytics system for defining road networks
US10699564B1 (en) 2019-04-04 2020-06-30 Geotab Inc. Method for defining intersections using machine learning
WO2020217316A1 (ja) * 2019-04-23 2020-10-29 Ｑｕｏｎ Ｔｅｃｈｎｏｌｏｇｙ株式会社 交通安全支援装置、携帯情報端末、及びプログラム
FR3095404B1 (fr) * 2019-04-25 2021-10-22 Transdev Group Dispositif électronique de communication, appareil de surveillance, installation de supervision, procédé de communication et programme d’ordinateur associés
FR3095405B1 (fr) * 2019-04-25 2021-05-07 Transdev Group Dispositif électronique de communication, appareil de surveillance, installation de supervision, procédé de communication et programme d’ordinateur associés
FR3095401B1 (fr) * 2019-04-26 2021-05-07 Transdev Group Plateforme et procédé de supervision d’une infrastructure pour véhicules de transport, véhicule, système de transport et programme d’ordinateur associés
KR20200130774A (ko) * 2019-05-03 2020-11-20 삼성전자주식회사 차량의 주행을 보조하는 전자 장치 및 방법
CN110174093B (zh) * 2019-05-05 2022-10-28 腾讯科技（深圳）有限公司 定位方法、装置、设备和计算机可读存储介质
JP7200820B2 (ja) * 2019-05-13 2023-01-10 株式会社デンソー 物標識別装置および運転支援装置
US10665109B1 (en) 2019-05-17 2020-05-26 sibrtech inc. Construction zone apparatus and method
US11386778B2 (en) 2019-05-17 2022-07-12 sibrtech inc. Road user detecting and communication device and method
FR3096639B1 (fr) * 2019-05-27 2021-04-30 Psa Automobiles Sa Assistance à la conduite de véhicules, par signalisation des portions ouvertes et fermées de voies de circulation
US11120279B2 (en) * 2019-05-30 2021-09-14 GM Global Technology Operations LLC Identification of distracted pedestrians
US11420625B2 (en) * 2019-07-03 2022-08-23 Ford Global Technologies, Llc Vehicle intersection operation
US11941976B2 (en) * 2019-07-25 2024-03-26 Pony Ai Inc. System and method for sharing data collected from the street sensors
US11100801B2 (en) * 2019-08-12 2021-08-24 Toyota Motor North America, Inc. Utilizing sensors to detect hazard from other vehicle while driving
US11610486B1 (en) * 2019-08-14 2023-03-21 Traffic & Parking Control Co., Inc. Connected-vehicle interface module and method of use
DE102019212829A1 (de) * 2019-08-27 2021-03-04 Psa Automobiles Sa Automatisierte Erkennung eines anormalen Verhaltens eines Verkehrsteilnehmers
JP2022546320A (ja) 2019-08-29 2022-11-04 ディーイーアールキュー インコーポレイテッド 高度車載機器
US11663514B1 (en) * 2019-08-30 2023-05-30 Apple Inc. Multimodal input processing system
US11625624B2 (en) 2019-09-24 2023-04-11 Ford Global Technologies, Llc Vehicle-to-everything (V2X)-based real-time vehicular incident risk prediction
CN110689760A (zh) * 2019-09-26 2020-01-14 浙江海洋大学 一种山区内保护道路安全的系统及方法
US11210952B2 (en) * 2019-10-17 2021-12-28 Verizon Patent And Licensing Inc. Systems and methods for controlling vehicle traffic
CN112712729B (zh) * 2019-10-26 2023-01-06 华为技术有限公司 预测运动轨迹的方法和系统
US11334797B2 (en) 2019-10-28 2022-05-17 Denso International America, Inc. System and method for predicting and interpreting driving behavior
US11203348B2 (en) 2019-10-28 2021-12-21 Denso International America, Inc. System and method for predicting and interpreting driving behavior
US20220383748A1 (en) * 2019-10-29 2022-12-01 Sony Group Corporation Vehicle control in geographical control zones
US20210142595A1 (en) 2019-11-07 2021-05-13 Geotab Inc. Vehicle benchmarking method
FR3102966A1 (fr) * 2019-11-08 2021-05-14 Psa Automobiles Sa Procédé de suivi d’un véhicule autonome
DE102019130295A1 (de) * 2019-11-11 2021-05-12 Valeo Schalter Und Sensoren Gmbh Verfahren zum Betreiben eines Abstandssensors eines Fahrzeugs mit Anpassung eines Sendesignals in Abhängigkeit von einer Klassifizierung eines Objekts, Recheneinrichtung sowie Sensorvorrichtung
US11151879B2 (en) * 2019-11-11 2021-10-19 Continental Teves Ag & Co. Ohg Communication device, method for execution by a communication device, and method for improving traffic safety of a road user
CN114005277B (zh) * 2019-11-18 2023-03-24 腾讯科技（深圳）有限公司 车联网的信息提取方法、装置及可读介质
FR3103613A1 (fr) * 2019-11-21 2021-05-28 Psa Automobiles Sa Procédé et dispositif de transmission de consignes pour véhicule
FR3103437A1 (fr) * 2019-11-21 2021-05-28 Psa Automobiles Sa Procédé et dispositif de détermination de consigne pour véhicule
FR3103614A1 (fr) * 2019-11-21 2021-05-28 Psa Automobiles Sa Procédé et système de détection d’un usager vulnérable évoluant à proximité d’un véhicule automobile
JP2021086552A (ja) * 2019-11-29 2021-06-03 三菱電機株式会社 情報処理装置、表示方法、及び表示プログラム
US11433892B2 (en) * 2019-12-02 2022-09-06 Gm Cruise Holdings Llc Assertive vehicle detection model generation
CN111044045B (zh) * 2019-12-09 2022-05-27 中国科学院深圳先进技术研究院 基于神经网络的导航方法、装置及终端设备
CA3157233A1 (en) 2019-12-09 2021-06-17 Alon Green System and method for vehicle control
US20210183240A1 (en) * 2019-12-11 2021-06-17 Continental Automotive Systems, Inc. Smart intersection with criticality determination
EP4073780A4 (en) * 2019-12-12 2024-04-17 INTEL Corporation SAFETY TECHNOLOGIES FOR VULNERABLE ROAD USERS BASED ON RESPONSIBILITY-SENSITIVE SAFETY
CN112966850A (zh) * 2019-12-13 2021-06-15 罗伯特·博世有限公司 轨迹预测方法及设备
US11776396B2 (en) * 2019-12-17 2023-10-03 Denso International America, Inc. Intersection infrastructure warning system
US11592827B1 (en) * 2019-12-18 2023-02-28 Waymo Llc Predicting yielding likelihood for an agent
US11480963B2 (en) 2019-12-20 2022-10-25 Waymo Llc Vehicle intent prediction neural network
RU2750243C2 (ru) 2019-12-24 2021-06-24 Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" Способ и система для формирования траектории для беспилотного автомобиля (sdc)
US10971005B1 (en) 2019-12-26 2021-04-06 Continental Automotive Systems, Inc. Determining I2X traffic-participant criticality
US11587329B2 (en) 2019-12-27 2023-02-21 Valeo Schalter Und Sensoren Gmbh Method and apparatus for predicting intent of vulnerable road users
US12046140B2 (en) 2019-12-30 2024-07-23 Subaru Corporation Mobility information provision system, server, and vehicle
US12027039B2 (en) 2019-12-30 2024-07-02 Subaru Corporation Mobility information provision system, server, and vehicle
EP4088267A4 (en) * 2020-01-06 2024-01-03 INTEL Corporation INTELLIGENT TRANSPORT SYSTEM, GROUPING OF VULNERABLE ROAD USERS, USER PROFILES AND MANEUVERING COORDINATION MECHANISMS
US20210213977A1 (en) * 2020-01-14 2021-07-15 Allstate Insurance Company Nearby Driver Intent Determining Autonomous Driving System
KR102279754B1 (ko) 2020-02-10 2021-07-20 주식회사 서울로보틱스 충돌 사고 방지 방법, 장치, 서버, 및 컴퓨터 프로그램
US11416959B1 (en) * 2020-02-10 2022-08-16 Zoox, Inc. Vision architecture
US11447129B2 (en) 2020-02-11 2022-09-20 Toyota Research Institute, Inc. System and method for predicting the movement of pedestrians
CN113256962B (zh) * 2020-02-13 2022-12-23 宁波吉利汽车研究开发有限公司 一种车辆安全预警方法及系统
US11482109B2 (en) 2020-03-02 2022-10-25 Toyota Motor Eng & Mfg North America, Inc. Cooperative vehicle monitoring
US11890987B2 (en) * 2020-03-11 2024-02-06 Rosco, Inc. Advanced pedestrian and/or driver alert and/or collision avoidance system
US20230141488A1 (en) * 2020-03-13 2023-05-11 Lg Electronics Inc. Method for merging and transmitting, by network, vru messages in wireless communication system supporting sidelink, and apparatus therefor
US20230080095A1 (en) * 2020-03-13 2023-03-16 Lg Electronics Inc. Method and device for generating vru path map related to moving path of vru by softv2x server in wireless communication system supporting sidelink
TWI766254B (zh) * 2020-03-18 2022-06-01 崑山科技大學 車輛警示方法
DE102020204044A1 (de) 2020-03-27 2021-09-30 Zf Friedrichshafen Ag Verfahren zum Warnen von Lebewesen
JP7369077B2 (ja) * 2020-03-31 2023-10-25 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム
JP7440324B2 (ja) * 2020-03-31 2024-02-28 本田技研工業株式会社 車両制御装置、車両制御方法、及びプログラム
US11475774B2 (en) * 2020-04-03 2022-10-18 Verizon Patent And Licensing Inc. Systems and methods for machine learning based collision avoidance
CN111524350B (zh) * 2020-04-16 2021-06-22 廊坊师范学院 车路协同异常行驶状况检测方法、系统、终端设备及介质
CN111506692B (zh) * 2020-04-21 2023-05-26 成都路行通信息技术有限公司 一种基于目标行为的碰撞检测方法
FR3109662B1 (fr) * 2020-04-22 2022-07-22 Xavier Chevalier Procédé et système informatique de suivi de trafic routier
CN111627205B (zh) * 2020-04-28 2022-06-07 南京理工大学 自动驾驶车辆与非机动车辆通行权分配方法
KR20230005818A (ko) * 2020-05-04 2023-01-10 인텔 코포레이션 취약 도로 사용자 기본 서비스 통신 프로토콜 프레임워크 및 동적 상태
US20230298468A1 (en) * 2020-05-04 2023-09-21 Intel Corporation Generation and transmission of vulnerable road user awareness messages
US12058621B2 (en) * 2020-05-06 2024-08-06 Qualcomm Incorporated Vehicle-to-everything (V2X) message monitoring
US12002345B2 (en) * 2020-05-22 2024-06-04 Wipro Limited Environment-based-threat alerting to user via mobile phone
CN111785016A (zh) * 2020-05-27 2020-10-16 诠航科技有限公司 一种闸道口机器人以及基于闸道口机器人的交通预警系统
WO2022006418A1 (en) 2020-07-01 2022-01-06 May Mobility, Inc. Method and system for dynamically curating autonomous vehicle policies
US11634123B2 (en) * 2020-07-09 2023-04-25 Toyota Research Institute, Inc. Methods and systems for prioritizing computing methods for autonomous vehicles
US20220019225A1 (en) * 2020-07-14 2022-01-20 Argo AI, LLC Smart node for autonomous vehicle perception augmentation
US11410551B2 (en) * 2020-07-23 2022-08-09 Qualcomm Incorporated Techniques for utilizing a mobile device as a proxy for a vehicle
US11683684B2 (en) 2020-07-23 2023-06-20 Qualcomm Incorporated Obtaining a credential for V2X transmission on behalf of a vehicle
CN111932882B (zh) * 2020-08-13 2022-05-06 广东飞达交通工程有限公司 一种基于图像识别的道路事故实时预警系统、方法和设备
US11267402B1 (en) 2020-08-31 2022-03-08 Ford Global Technologies, Llc Systems and methods for prioritizing driver warnings in a vehicle
US11615702B2 (en) * 2020-09-11 2023-03-28 Ford Global Technologies, Llc Determining vehicle path
US11351999B2 (en) * 2020-09-16 2022-06-07 Xuan Binh Luu Traffic collision warning device
US12017649B2 (en) * 2020-09-25 2024-06-25 Ford Global Technologies, Llc Blockchain system to aid vehicle actions
TWI793454B (zh) * 2020-09-30 2023-02-21 緯創資通股份有限公司 交通狀態顯示系統及其相關交通狀態顯示方法
US12049116B2 (en) 2020-09-30 2024-07-30 Autobrains Technologies Ltd Configuring an active suspension
KR20220046731A (ko) * 2020-10-07 2022-04-15 현대자동차주식회사 자율주행장치 및 정밀지도 생성방법
EP3985636B1 (en) * 2020-10-16 2023-12-13 Urban Software Institute GmbH Computer system and method for determining reliable vehicle control instructions
US11709061B2 (en) * 2020-10-16 2023-07-25 Argo AI, LLC Systems and methods for multi-modal transfer capabilities for smart infrastructure
CN114379574B (zh) * 2020-10-20 2023-10-31 沃尔沃汽车公司 用于车辆的对象提醒设备、系统和方法
CN112435503B (zh) * 2020-10-30 2022-02-15 江苏大学 一种辨识高危行人意图的智能汽车主动避撞方法
US11841704B2 (en) * 2020-11-04 2023-12-12 Waymo Llc Behavior prediction for railway agents for autonomous driving system
EP4260009A1 (en) 2020-12-14 2023-10-18 May Mobility, Inc. Autonomous vehicle safety platform system and method
EP4264181A1 (en) 2020-12-17 2023-10-25 May Mobility, Inc. Method and system for dynamically updating an environmental representation of an autonomous agent
JP7459781B2 (ja) * 2020-12-18 2024-04-02 トヨタ自動車株式会社 制御装置、方法、及びプログラム
CN112749210B (zh) * 2021-01-18 2024-03-12 优必爱信息技术（北京）有限公司 基于深度学习的车辆碰撞识别方法和系统
EP4036892A1 (en) * 2021-02-02 2022-08-03 Aptiv Technologies Limited Detection system for predicting information on pedestrian
CN112962484B (zh) * 2021-02-19 2022-10-25 山东华夏高科信息股份有限公司 一种避免行人误闯红灯的智能斑马线
JP7468401B2 (ja) * 2021-02-22 2024-04-16 トヨタ自動車株式会社 情報処理装置、情報処理システム、情報処理方法、及び表示装置
US12051283B1 (en) 2021-03-01 2024-07-30 State Farm Mutual Automobile Insurance Company Systems and methods of collapse of driving data to determine spatial averages of vehicle paths within an intersection
US12004118B2 (en) 2021-03-01 2024-06-04 Toyota Motor North America, Inc. Detection of aberration on transport
DE102021202955B4 (de) 2021-03-25 2023-02-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Gefahrenabwendung innerhalb eines Verkehrsvernetzungssystems
JP7524810B2 (ja) 2021-03-30 2024-07-30 トヨタ自動車株式会社 情報処理装置、情報処理システム、情報処理方法、及び車両
US20220319308A1 (en) * 2021-03-31 2022-10-06 Honda Motor Co., Ltd. Smart traffic assistant systems and methods
US11472436B1 (en) 2021-04-02 2022-10-18 May Mobility, Inc Method and system for operating an autonomous agent with incomplete environmental information
CN112949597B (zh) * 2021-04-06 2022-11-04 吉林大学 一种基于时间模式注意力机制的车辆轨迹预测与驾驶操纵识别方法
CN113140132B (zh) * 2021-04-20 2023-11-03 西安华企众信科技发展有限公司 一种基于5g v2x移动智能终端行人防碰撞预警系统与方法
CN113066289B (zh) * 2021-04-30 2024-03-15 腾讯科技（深圳）有限公司 驾驶辅助处理方法、装置、计算机可读介质及电子设备
WO2022256249A1 (en) 2021-06-02 2022-12-08 May Mobility, Inc. Method and system for remote assistance of an autonomous agent
US20240305992A1 (en) * 2021-06-03 2024-09-12 Lg Electronics Inc. Ue operation method related to mrs of vru in wireless communication system
US11772674B2 (en) 2021-06-08 2023-10-03 Telelingo Llc Systems and methods for increasing the safety of voice conversations between drivers and remote parties
US20220403611A1 (en) * 2021-06-18 2022-12-22 Carlos Lofstedt StopSign-Safe
US11398149B1 (en) * 2021-06-28 2022-07-26 Arity International Limited Crosswalk detection using high-frequency transmitters
US12071139B2 (en) 2021-06-28 2024-08-27 Allstate Insurance Company Driver passenger detection using ultrasonic sensing
EP4112411B1 (en) * 2021-07-01 2024-03-27 Zenseact AB Estimation of accident intensity for vehicles
KR102645204B1 (ko) * 2021-07-23 2024-03-07 한국자동차연구원 횡단 보도 주변으로 인디케이션을 제공하기 위한 횡단 보도 시스템 및 전자 장치
US20230033502A1 (en) * 2021-07-28 2023-02-02 Denso Corporation Contact determination system, contact determination device, contact determination method and program
US12084088B2 (en) 2021-07-29 2024-09-10 Waymo Llc Pedestrian intent yielding
US12110075B2 (en) 2021-08-05 2024-10-08 AutoBrains Technologies Ltd. Providing a prediction of a radius of a motorcycle turn
US11904906B2 (en) 2021-08-05 2024-02-20 Argo AI, LLC Systems and methods for prediction of a jaywalker trajectory through an intersection
US20230043601A1 (en) * 2021-08-05 2023-02-09 Argo AI, LLC Methods And System For Predicting Trajectories Of Actors With Respect To A Drivable Area
EP4152293A1 (en) * 2021-09-17 2023-03-22 2Go Solutions UG (Haftungbeschrankt) A system for monitoring a driving operation of a vehicle
WO2023049453A1 (en) * 2021-09-27 2023-03-30 GridMatrix Inc. Traffic monitoring, analysis, and prediction
US11955001B2 (en) 2021-09-27 2024-04-09 GridMatrix, Inc. Traffic near miss collision detection
CN114049777B (zh) * 2021-09-28 2023-06-16 山西省交通建设工程质量检测中心（有限公司） 基于分布式光纤传感的隧道车辆行驶预警装置及其方法
US11915584B2 (en) * 2021-10-27 2024-02-27 GM Global Technology Operations LLC Reverse operation detection systems and methods
JP7537411B2 (ja) 2021-11-11 2024-08-21 トヨタ自動車株式会社 情報処理システム、情報処理方法、及びプログラム
CN113971795A (zh) * 2021-11-18 2022-01-25 上海顺诠科技有限公司 基于自驾车视觉感测的违规巡检系统及其方法
US20230154332A1 (en) * 2021-11-18 2023-05-18 Here Global B.V. Predicting traffic violation hotspots using map features and sensors data
CN114056425B (zh) * 2021-11-23 2023-07-18 东软集团股份有限公司 车辆转向控制方法、装置、车辆及存储介质
US12012123B2 (en) 2021-12-01 2024-06-18 May Mobility, Inc. Method and system for impact-based operation of an autonomous agent
CN114170803B (zh) * 2021-12-15 2023-06-16 阿波罗智联(北京)科技有限公司 路侧感知系统和交通控制方法
US20230196908A1 (en) * 2021-12-22 2023-06-22 Here Global B.V. Method, apparatus, and system for determining a bicycle lane disruption index based on vehicle sensor data
WO2023154568A1 (en) 2022-02-14 2023-08-17 May Mobility, Inc. Method and system for conditional operation of an autonomous agent
US20230311928A1 (en) * 2022-03-29 2023-10-05 Nissan North America, Inc. Traffic State Determination
US20230316908A1 (en) * 2022-03-29 2023-10-05 Nissan North America, Inc. Long-Term Shared World Model of Roadway
US20230316912A1 (en) * 2022-03-31 2023-10-05 Denso Corporation Path prediction based on intersection information from map messages
DE102022204041A1 (de) * 2022-04-26 2023-10-26 Volkswagen Aktiengesellschaft Verfahren zum Erzeugen eines Gefahrenkartendatensatzes und zum korrespondierenden Betreiben eines Kraftfahrzeugs, Assistenzsystem und Kraftfahrzeug
US20230368670A1 (en) * 2022-05-10 2023-11-16 Qualcomm Incorporated Techniques for detecting vulnerable road users
CN115148025B (zh) * 2022-06-28 2023-10-20 重庆长安汽车股份有限公司 一种交通目标轨迹预测方法及可读存储介质
CN115188210A (zh) * 2022-07-06 2022-10-14 同济大学 一种智能网联车与人类驾驶车混行交叉口控制方法及系统
DE102022207574B3 (de) 2022-07-25 2024-01-25 Volkswagen Aktiengesellschaft Verfahren zum Steuern eines zumindest teilautonomen Kraftfahrzeugs in einem geparkten Zustand
CN115100868B (zh) * 2022-07-27 2022-11-04 沧州市交通运输局 一种基于大数据分析的交通运输车流结点风险度判定方法
US12118879B2 (en) 2022-10-07 2024-10-15 T-Mobile Usa, Inc. C-V2X mobile edge computing interface for mobile services
US12027053B1 (en) 2022-12-13 2024-07-02 May Mobility, Inc. Method and system for assessing and mitigating risks encounterable by an autonomous vehicle
CN117314391B (zh) * 2023-09-28 2024-05-28 光谷技术有限公司 运维作业管理方法、装置、电子设备和存储介质
KR102678406B1 (ko) * 2023-11-16 2024-06-26 한국자동차연구원 교통류 학습데이터 생성 장치 및 방법
CN117994985B (zh) * 2024-04-03 2024-06-07 华东交通大学 一种基于混驾环境的智能汽车行驶规划系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060181433A1 (en) * 2005-02-03 2006-08-17 Mike Wolterman Infrastructure-based collision warning using artificial intelligence
US20070096943A1 (en) * 2005-10-31 2007-05-03 Arnold David V Systems and methods for configuring intersection detection zones
US20100052945A1 (en) * 1997-10-22 2010-03-04 Intelligent Technologies International, Inc. Vehicular Communication Arrangement and Method
US20140063196A1 (en) * 2011-04-22 2014-03-06 Isaac S. Daniel Comprehensive and intelligent system for managing traffic and emergency services
CN103646534A (zh) * 2013-11-22 2014-03-19 江苏大学 一种道路实时交通事故风险控制方法
WO2014084218A1 (ja) * 2012-11-27 2014-06-05 国立大学法人大阪大学 対象物検知装置
US20160292997A1 (en) * 2013-10-03 2016-10-06 Alexander Paul Milne Traffic Hazard Warning System and Device
CN106023627A (zh) * 2016-07-14 2016-10-12 清华大学苏州汽车研究院（吴江） 基于车路协同和4g网络的主动安全预警装置及方法
CN106373430A (zh) * 2016-08-26 2017-02-01 华南理工大学 一种基于计算机视觉的交叉路口通行预警方法
CN107067817A (zh) * 2017-04-17 2017-08-18 北京理工大学 一种针对有轨电车在交叉路口防止冲突的方法及系统
US20170268896A1 (en) * 2016-03-17 2017-09-21 Honda Motor Co., Ltd. Vehicular communications network and methods of use and manufacture thereof
US20180053102A1 (en) * 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Individualized Adaptation of Driver Action Prediction Models

Family Cites Families (102)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5699986A (en) 1996-07-15 1997-12-23 Alternative Safety Technologies Railway crossing collision avoidance system
JP2004506279A (ja) 2000-08-04 2004-02-26 シュレージ，マーチン，エイチ． 音響通信システム
US7584033B2 (en) 2000-08-31 2009-09-01 Strategic Design Federation W. Inc. Automobile monitoring for operation analysis
US6472978B1 (en) 2000-11-24 2002-10-29 Yokogawa Electric Corporation Traffic system to prevent from accidents
US6882287B2 (en) 2001-07-31 2005-04-19 Donnelly Corporation Automotive lane change aid
US6721659B2 (en) 2002-02-01 2004-04-13 Ford Global Technologies, Llc Collision warning and safety countermeasure system
US7095336B2 (en) 2003-09-23 2006-08-22 Optimus Corporation System and method for providing pedestrian alerts
US7580794B2 (en) 2003-12-23 2009-08-25 Trimble Navigation Limited Remote subscription unit for GNSS information
US20050156757A1 (en) 2004-01-20 2005-07-21 Garner Michael L. Red light violation prevention and collision avoidance system
US7191097B1 (en) 2004-03-31 2007-03-13 United States Of America Method, apparatus, and system for assessing conditions
JP2005301581A (ja) 2004-04-09 2005-10-27 Denso Corp 車車間通信システム、車車間通信装置及び制御装置
US7348895B2 (en) 2004-11-03 2008-03-25 Lagassey Paul J Advanced automobile accident detection, data recordation and reporting system
US7486199B2 (en) 2005-11-17 2009-02-03 Nissan Technical Center North America, Inc. Forward vehicle brake warning system
US20070135989A1 (en) 2005-12-08 2007-06-14 Honeywell International Inc. System and method for controlling vehicular traffic flow
US20110298603A1 (en) * 2006-03-06 2011-12-08 King Timothy I Intersection Collision Warning System
US20070276600A1 (en) 2006-03-06 2007-11-29 King Timothy I Intersection collision warning system
GB2436916B (en) 2006-03-29 2008-09-24 John Turnbull Warning System
US7570158B2 (en) 2006-08-17 2009-08-04 At&T Intellectual Property I, L.P. Collaborative incident media recording system and related methods
US20080068146A1 (en) 2006-09-16 2008-03-20 Cauldwell Jack D Red light accident warning
US7579942B2 (en) 2006-10-09 2009-08-25 Toyota Motor Engineering & Manufacturing North America, Inc. Extra-vehicular threat predictor
US20080114530A1 (en) 2006-10-27 2008-05-15 Petrisor Gregory C Thin client intelligent transportation system and method for use therein
US8694328B1 (en) 2006-12-14 2014-04-08 Joseph Gormley Vehicle customization and personalization activities
US7796056B2 (en) 2007-03-28 2010-09-14 Fein Gene S Digital windshield information system employing a recommendation engine keyed to a map database system
US7831391B2 (en) 2007-06-12 2010-11-09 Palo Alto Research Center Incorporated Using segmented cones for fast, conservative assessment of collision risk
US8352173B2 (en) * 2007-06-12 2013-01-08 Palo Alto Research Center Incorporated Two-level grouping of principals for a collision warning system
US7948400B2 (en) 2007-06-29 2011-05-24 Microsoft Corporation Predictive models of road reliability for traffic sensor configuration and routing
US7812740B2 (en) 2007-09-27 2010-10-12 Verizon Patent And Licensing Inc. Systems, devices, and methods for providing alert tones
WO2009048134A1 (ja) 2007-10-12 2009-04-16 Kabushiki Kaisha Kenwood 車載器及び発話優先方法
DE102007054509A1 (de) 2007-11-15 2009-05-20 Robert Bosch Gmbh Verfahren zum Bestimmen einer Position eines Fahrzeugs
US20100039291A1 (en) 2008-08-15 2010-02-18 Harrison Michael A Vehicle/Crosswalk Communication System
US20100100324A1 (en) 2008-10-22 2010-04-22 Toyota Motor Engineering & Manufacturing North America, Inc. Communication based vehicle-pedestrian collision warning system
JP2010211301A (ja) * 2009-03-06 2010-09-24 Toshiba Corp 事故予測通知装置、事故予測通知システム及び車載器
JP2010287161A (ja) * 2009-06-15 2010-12-24 Toyota Infotechnology Center Co Ltd 歩行者検知システム
US8577550B2 (en) 2009-10-05 2013-11-05 Ford Global Technologies, Llc System for vehicle control to mitigate intersection collisions and method of using the same
CA2782180C (en) 2009-12-22 2015-05-05 Leddartech Inc. Active 3d monitoring system for traffic detection
US20130200223A1 (en) 2010-04-05 2013-08-08 Cohda Wireless Pty. Ltd. Crossing safety system
DE102010034853A1 (de) 2010-08-18 2012-02-23 Gm Global Technology Operations Llc (N.D.Ges.D. Staates Delaware) Kraftfahrzeug mit Digitalprojektoren
JP2012059058A (ja) * 2010-09-09 2012-03-22 Toyota Central R&D Labs Inc 危険推定装置及びプログラム
US9472097B2 (en) 2010-11-15 2016-10-18 Image Sensing Systems, Inc. Roadway sensing systems
JP5901165B2 (ja) 2011-07-14 2016-04-06 三菱重工業株式会社 位置通知装置及び車両位置通知方法、並びに車載器、車両位置算出方法及びプログラム、並びに車両位置算出システム
KR101326889B1 (ko) 2011-11-07 2013-11-11 현대자동차주식회사 이동 기준국을 이용한 차량간 상대 위치 제어 방법 및 그 시스템
US9368028B2 (en) 2011-12-01 2016-06-14 Microsoft Technology Licensing, Llc Determining threats based on information from road-based devices in a transportation-related context
WO2013084225A1 (en) 2011-12-05 2013-06-13 Brightway Vision Ltd. Smart traffic sign system and method
JP5884478B2 (ja) * 2011-12-27 2016-03-15 株式会社デンソー 車載機、車両用報知システム、および携帯端末
CA2863229A1 (en) 2012-01-13 2013-07-18 Pulse Function F6 Limited Telematics system with 3d inertial sensors
US9381916B1 (en) 2012-02-06 2016-07-05 Google Inc. System and method for predicting behaviors of detected objects through environment representation
CN102700570A (zh) 2012-05-22 2012-10-03 西南交通大学 轨道车辆防撞预警系统
CN102700571A (zh) 2012-05-25 2012-10-03 兰州交通大学 基于车车通信的ctcs安全叠加列车碰撞防护系统及方法
US9129519B2 (en) 2012-07-30 2015-09-08 Massachussetts Institute Of Technology System and method for providing driver behavior classification at intersections and validation on large naturalistic data sets
CN102756747B (zh) 2012-07-31 2015-06-10 中国科学院上海高等研究院 基于声波和电磁波的列车防撞系统及其防撞方法
US9048960B2 (en) 2012-08-17 2015-06-02 Qualcomm Incorporated Methods and apparatus for communicating safety message information
US9286793B2 (en) 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
US20140203149A1 (en) 2013-01-23 2014-07-24 Aaron Raiser Mobile Computing Based Railway Crossing Collision Avoidance System
US20140307087A1 (en) 2013-04-10 2014-10-16 Xerox Corporation Methods and systems for preventing traffic accidents
JP6429368B2 (ja) 2013-08-02 2018-11-28 本田技研工業株式会社 歩車間通信システムおよび方法
US9786178B1 (en) 2013-08-02 2017-10-10 Honda Motor Co., Ltd. Vehicle pedestrian safety system and methods of use and manufacture thereof
US9505412B2 (en) 2013-08-02 2016-11-29 Honda Motor Co., Ltd. System and method for detection and utilization of driver distraction level
US9460625B2 (en) 2014-04-08 2016-10-04 Denso International America, Inc. Proxy DSRC basic safety message for unequipped vehicles
US9978270B2 (en) * 2014-07-28 2018-05-22 Econolite Group, Inc. Self-configuring traffic signal controller
US9947215B2 (en) * 2014-09-26 2018-04-17 Harman International Industries, Incorporated Pedestrian information system
EP3002740B1 (en) 2014-10-03 2019-03-06 Volvo Car Corporation Method and system for avoiding an in-alert driver of a vehicle
US9482751B2 (en) 2014-10-13 2016-11-01 Applied Concepts, Inc. Collision detection system and method of operation
US20160105539A1 (en) 2014-10-14 2016-04-14 The Regents Of The University Of Michigan Vehicle interface docking system for dsrc-equipped user devices in a vehicle
US9558666B2 (en) 2014-12-02 2017-01-31 Robert Bosch Gmbh Collision avoidance in traffic crossings using radar sensors
US10328855B2 (en) * 2015-03-18 2019-06-25 Uber Technologies, Inc. Methods and systems for providing alerts to a connected vehicle driver and/or a passenger via condition detection and wireless communications
JP6133345B2 (ja) 2015-03-23 2017-05-24 本田技研工業株式会社 車両用衝突回避支援装置
CA2886694A1 (en) 2015-03-30 2016-09-30 Rod J. Newlove Rcas railroad collision avoidance system
JP6544973B2 (ja) 2015-04-09 2019-07-17 キヤノン株式会社 画像形成装置
US9786177B2 (en) 2015-04-10 2017-10-10 Honda Motor Co., Ltd. Pedestrian path predictions
CA2887802A1 (en) 2015-04-15 2016-10-15 Terry Blundell Electronic system for preventing collisions between trains and vehicles at railroad crossing
SE539221C2 (en) 2015-06-04 2017-05-23 Scania Cv Ab Method and control unit for avoiding an accident at a crosswalk
DE102015213481A1 (de) 2015-07-17 2017-01-19 Robert Bosch Gmbh Verfahren und System zum Warnen vor einem in falscher Fahrtrichtung fahrenden Fahrzeug
KR101730321B1 (ko) 2015-08-03 2017-04-27 엘지전자 주식회사 운전자 보조 장치 및 그 제어방법
SE539846C2 (en) 2015-08-20 2017-12-19 Scania Cv Ab Method, control unit and a system in a vehicle for detection of a vulnerable road user
DE102015215929A1 (de) * 2015-08-20 2017-02-23 Volkswagen Aktiengesellschaft Vorrichtungen, Verfahren und Computerprogramm zum Bereitstellen von Information über eine voraussichtliche Fahrintention
SE539097C2 (en) 2015-08-20 2017-04-11 Scania Cv Ab Method, control unit and system for avoiding collision with vulnerable road users
US9805601B1 (en) 2015-08-28 2017-10-31 State Farm Mutual Automobile Insurance Company Vehicular traffic alerts for avoidance of abnormal traffic conditions
JP6361618B2 (ja) 2015-09-15 2018-07-25 トヨタ自動車株式会社 運転支援装置
US9868393B2 (en) 2015-12-10 2018-01-16 International Business Machines Corporation Vehicle accident avoidance system
CN105575114B (zh) 2015-12-15 2018-04-03 国电南瑞科技股份有限公司 一种有轨电车交叉路口闯红灯报警系统及报警实现方法
US20170190336A1 (en) 2016-01-04 2017-07-06 Delphi Technologies, Inc. Automated Vehicle Operation Based On Gesture To Pedestrian
EP3200428B1 (de) 2016-01-26 2020-03-25 dSPACE digital signal processing and control engineering GmbH Computerimplementiertes verfahren zur implementierung einer v2x-anwendung
US11197134B2 (en) 2016-04-02 2021-12-07 Lg Electronics Inc. Method and device for enhancing V2P communication in wireless communication system
WO2017189035A1 (en) 2016-04-29 2017-11-02 Intel IP Corporation Interoperability between v2x (v2v (vehicle to vehicle), v2i (vehicle to infrastructure), and/or v2p (vehicle to pedestrian)) radio access technologies (rats)
CN205621297U (zh) 2016-05-03 2016-10-05 上海市城市建设设计研究总院 有轨电车安全防护装置
US20170344855A1 (en) 2016-05-24 2017-11-30 Agt International Gmbh Method of predicting traffic collisions and system thereof
US9911334B2 (en) 2016-07-12 2018-03-06 Siemens Industry, Inc. Connected vehicle traffic safety system and a method of warning drivers of a wrong-way travel
US10127812B2 (en) 2016-08-29 2018-11-13 Allstate Insurance Company Electrical data processing system for monitoring or affecting movement of a vehicle using a traffic device
US20180096595A1 (en) * 2016-10-04 2018-04-05 Street Simplified, LLC Traffic Control Systems and Methods
US10399564B2 (en) 2016-10-25 2019-09-03 Ford Global Technologies, Llc Vehicle roundabout management
US10573178B2 (en) * 2016-10-31 2020-02-25 Veniam, Inc. Systems and methods for tracking and fault detection, for example among autonomous vehicles, in a network of moving things
EP3339898A1 (en) 2016-12-20 2018-06-27 Nxp B.V. Sensor data network
DE102017201924A1 (de) 2017-02-08 2018-08-09 Audi Ag Verfahren zum Informieren zumindest eines Empfängerfahrzeugs über ein Falschfahrerfahrzeug sowie Servervorrichtung und Kraftfahrzeuge
EP3361466B1 (en) 2017-02-14 2024-04-03 Honda Research Institute Europe GmbH Risk-based driver assistance for approaching intersections of limited visibility
CN106997689B (zh) 2017-05-11 2019-08-27 重庆邮电大学 基于路口的v2p避免碰撞方法
US10007269B1 (en) 2017-06-23 2018-06-26 Uber Technologies, Inc. Collision-avoidance system for autonomous-capable vehicle
US10252721B1 (en) 2017-11-27 2019-04-09 Honda Motor Co., Ltd. System and method for providing a vehicle convoy status indication
US10332395B1 (en) 2017-12-21 2019-06-25 Denso International America, Inc. System and method for translating roadside device position data according to differential position data
US11749111B2 (en) 2018-03-19 2023-09-05 Derq Inc. Early warning and collision avoidance
US10867510B2 (en) 2018-04-05 2020-12-15 Toyota Jidosha Kabushiki Kaisha Real-time traffic monitoring with connected cars
CN110017849B (zh) 2019-04-18 2020-12-22 菲曼(北京)科技有限公司 一种基于gnss接收机和imu传感器的测绘一体机的倾斜测量方法
JP2022546320A (ja) 2019-08-29 2022-11-04 ディーイーアールキュー インコーポレイテッド 高度車載機器

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100052945A1 (en) * 1997-10-22 2010-03-04 Intelligent Technologies International, Inc. Vehicular Communication Arrangement and Method
US20060181433A1 (en) * 2005-02-03 2006-08-17 Mike Wolterman Infrastructure-based collision warning using artificial intelligence
US20070096943A1 (en) * 2005-10-31 2007-05-03 Arnold David V Systems and methods for configuring intersection detection zones
US20140063196A1 (en) * 2011-04-22 2014-03-06 Isaac S. Daniel Comprehensive and intelligent system for managing traffic and emergency services
WO2014084218A1 (ja) * 2012-11-27 2014-06-05 国立大学法人大阪大学 対象物検知装置
US20160292997A1 (en) * 2013-10-03 2016-10-06 Alexander Paul Milne Traffic Hazard Warning System and Device
CN103646534A (zh) * 2013-11-22 2014-03-19 江苏大学 一种道路实时交通事故风险控制方法
US20170268896A1 (en) * 2016-03-17 2017-09-21 Honda Motor Co., Ltd. Vehicular communications network and methods of use and manufacture thereof
CN106023627A (zh) * 2016-07-14 2016-10-12 清华大学苏州汽车研究院（吴江） 基于车路协同和4g网络的主动安全预警装置及方法
US20180053102A1 (en) * 2016-08-16 2018-02-22 Toyota Jidosha Kabushiki Kaisha Individualized Adaptation of Driver Action Prediction Models
CN106373430A (zh) * 2016-08-26 2017-02-01 华南理工大学 一种基于计算机视觉的交叉路口通行预警方法
CN107067817A (zh) * 2017-04-17 2017-08-18 北京理工大学 一种针对有轨电车在交叉路口防止冲突的方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113028334A (zh) * 2021-02-21 2021-06-25 润驰照明集团有限公司 一种模块可自由组合化的智能路灯
CN113028334B (zh) * 2021-02-21 2023-08-15 上海芯龙光电科技股份有限公司 一种模块可自由组合化的智能路灯
CN113223325A (zh) * 2021-03-26 2021-08-06 南京市德赛西威汽车电子有限公司 一种安全通过无信号灯路口的方法
CN115457804A (zh) * 2021-06-08 2022-12-09 本田技研工业株式会社 控制装置、移动体、控制方法和计算机可读存储介质
WO2023044722A1 (en) * 2021-09-24 2023-03-30 Intel Corporation Dynamic control of infrastructure for vulnerable users
CN114189829A (zh) * 2021-11-02 2022-03-15 南京中创智元科技有限公司 一种基于5g无线通信的智慧交通数据处理方法
CN115311814A (zh) * 2022-04-29 2022-11-08 中煤西北能源有限公司 一种基于机器视觉的危险区域人员识别预警系统及方法
WO2024087082A1 (en) * 2022-10-27 2024-05-02 Qualcomm Incorporated Transmitting personal safety messages involving vulnerable road users
CN116110254A (zh) * 2023-04-13 2023-05-12 深圳锐盟半导体有限公司 多通道交汇处的防撞提醒方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20190287403A1 (en) 2019-09-19
US20230005371A1 (en) 2023-01-05
SA520420162B1 (ar) 2022-11-25
WO2019180551A1 (en) 2019-09-26
US10235882B1 (en) 2019-03-19
US10565880B2 (en) 2020-02-18
US11257370B2 (en) 2022-02-22
US20200388156A1 (en) 2020-12-10
EP3753001A1 (en) 2020-12-23
CN117649782A (zh) 2024-03-05
US10950130B2 (en) 2021-03-16
US20210375138A1 (en) 2021-12-02
US20230186769A1 (en) 2023-06-15
US11749111B2 (en) 2023-09-05
US11276311B2 (en) 2022-03-15
US20190287402A1 (en) 2019-09-19
US10854079B2 (en) 2020-12-01
JP2021518623A (ja) 2021-08-02
US20190287395A1 (en) 2019-09-19
US20240203258A1 (en) 2024-06-20
US20190287401A1 (en) 2019-09-19
US20190325754A1 (en) 2019-10-24
US11763678B2 (en) 2023-09-19
SG11202009104UA (en) 2020-10-29
CA3094275A1 (en) 2019-09-26
US11257371B2 (en) 2022-02-22
JP7362721B2 (ja) 2023-10-17
JP2023156430A (ja) 2023-10-24
US20190287394A1 (en) 2019-09-19

Similar Documents

Publication Publication Date Title
US11763678B2 (en) Early warning and collision avoidance
US11688282B2 (en) Enhanced onboard equipment
US8903640B2 (en) Communication based vehicle-pedestrian collision warning system
WO2020241273A1 (ja) 車両用通信システム、車載機、制御方法及びコンピュータプログラム
WO2023187718A1 (en) Adaptive advanced driver-assistance system (adas)
JP2024051893A (ja) エリア監視システムおよびエリア監視方法
EP4422951A1 (en) Autonomous vehicle maneuver in response to construction zone hand signals
EP4422952A1 (en) Hand signal detection system using oversight

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40043344

Country of ref document: HK

RJ01 Rejection of invention patent application after publication

Application publication date: 20201229

RJ01 Rejection of invention patent application after publication