CN113176096A - 车辆工况的检测 - Google Patents

车辆工况的检测 Download PDF

Info

Publication number
CN113176096A
CN113176096A CN202110093440.6A CN202110093440A CN113176096A CN 113176096 A CN113176096 A CN 113176096A CN 202110093440 A CN202110093440 A CN 202110093440A CN 113176096 A CN113176096 A CN 113176096A
Authority
CN
China
Prior art keywords
vehicle
instantaneous speed
data
computer
determining
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
CN202110093440.6A
Other languages
English (en)
Inventor
大卫·迈克尔·赫尔曼
亚伦·莱斯基
罗纳德·贝拉斯
阿什温·阿伦莫治
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN113176096A publication Critical patent/CN113176096A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/201—Dimensions of vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative longitudinal speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本公开提供了“车辆工况的检测”。一种系统，包括处理器，所述处理器被编程为：基于来自包括在第一车辆中的第一传感器的数据来识别在所述第一车辆的行驶路径的第一阈值距离内和所述第一车辆的第二阈值距离内移动的第二车辆。所述处理器还被编程为从包括在所述第一车辆中的第二传感器接收所述第二车辆的瞬时速度数据；并且基于所述瞬时速度数据来确定所述第二车辆的工况。

Description

车辆工况的检测
技术领域
本公开总体上涉及车辆工况的检测。
背景技术
车辆轨迹可能由于诸如牵引力损失、撞到坑洞、部件故障等工况的变化而突然改变。在工况的变化与轨迹的可检测到的变化之间可能会流逝一些时间。
发明内容
本文公开了一种系统，所述系统包括计算机，所述计算机包括处理器和存储器，所述存储器包括指令，使得所述处理器被编程为：基于来自包括在第一车辆中的第一传感器的数据来识别在所述第一车辆的行驶路径的第一阈值距离内和所述第一车辆的第二阈值距离内移动的第二车辆；从包括在所述第一车辆中的第二传感器接收所述第二车辆的瞬时速度数据；以及基于所述瞬时速度数据来确定所述第二车辆的工况。
在所述系统中，所述处理器还可以被编程为：基于来自所述第一传感器的所述数据，确定所述第二车辆相对于所述第一车辆的平均径向速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述第一车辆的所述平均径向速度。
在所述系统中，所述处理器还可以被编程为：基于来自所述第一传感器的数据，确定所述第二车辆的物理测量值，其中确定所述第二车辆的所述工况还基于所述第二车辆的所述物理测量值。
在所述系统中，所述处理器还可以被编程为：确定所述第二车辆相对于支撑表面的速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述支撑表面的所述速度。
在所述系统中，所述处理器还可以被编程为：确定所述第二车辆在其上行驶的支撑表面的类型，其中确定所述第二车辆的所述工况还基于所述支撑表面的所述类型。
在所述系统中，所述处理器还可以被编程为：基于所述第二车辆的所述确定的工况来预测所述第二车辆的轨迹。
在所述系统中，所述处理器还可以被编程为：基于所述第二车辆的所述预测轨迹来调整所述第一车辆的行驶路径。
在所述系统中，所述处理器还可以被编程为：从所述第二传感器接收来自支撑所述第一车辆的表面的瞬时速度数据；并且部分地基于来自支撑所述第一车辆的所述表面的所述瞬时速度数据来确定所述工况。
在所述系统中，所述处理器还可以被编程为：选择所述第二车辆上的测量目标；并且引导所述第二传感器从所述测量目标收集所述瞬时速度数据。
在所述系统中，所述处理器还可以被编程为：将来自所述第二车辆的所述瞬时速度数据输入到训练过的神经网络，所述训练过的神经网络确定所述工况；并且从所述训练过的神经网络接收所述第二车辆的所述工况。
在所述系统中，可以使用多个瞬时速度数据来训练所述训练过的神经网络，所述多个瞬时速度数据中的每一者表示处于相应的受控工况中的移动车辆，并且进一步地其中出于训练所述训练过的神经网络的目的，所述相应的受控工况中的每一者对应于相应的地面实况。
在所述系统中，所述处理器还可以被编程为：在所述瞬时速度数据指示所述第二车辆中的故障模式的情况下通知所述第二车辆。
还公开了一种方法，所述方法包括：基于来自包括在第一车辆中的第一传感器的数据来识别在所述第一车辆的行驶路径的第一阈值距离内和所述第一车辆的第二阈值距离内移动的第二车辆；从包括在所述第一车辆中的第二传感器接收所述第二车辆的瞬时速度数据；以及基于所述瞬时速度数据来确定所述第二车辆的工况。
所述方法还可以包括：基于来自所述第一传感器的所述数据，确定所述第二车辆相对于所述第一车辆的平均径向速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述第一车辆的所述平均径向速度。
所述方法还可以包括：基于来自所述第一传感器的数据，确定所述第二车辆的物理测量值，其中确定所述第二车辆的所述工况还基于所述第二车辆的所述物理测量值。
所述方法还可以包括：确定所述第二车辆相对于支撑表面的速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述支撑表面的所述速度。
所述方法还可以包括：基于所述第二车辆的所述确定的工况来预测所述第二车辆的轨迹，并且基于所述第二车辆的所述预测的轨迹来调整所述第一车辆的行驶路径。
所述方法还可以包括：从所述第二传感器接收来自支撑所述第一车辆的表面的瞬时速度数据；并且部分地基于来自支撑所述第一车辆的所述表面的所述瞬时速度数据来确定所述工况。
所述方法还可以包括：将来自所述第二车辆的所述瞬时速度数据输入到训练过的神经网络，所述训练过的神经网络确定所述工况；以及从所述训练过的神经网络接收所述第二车辆的所述工况，其中使用多个瞬时速度数据来训练所述训练过的神经网络，所述多个瞬时速度数据中的每一者表示处于相应的受控工况中的移动车辆，并且进一步地其中出于训练所述训练过的神经网络的目的，所述相应的受控工况中的每一者对应于相应的地面实况。
所述方法还可以包括：在所述瞬时速度数据指示所述第二车辆中的故障模式的情况下通知所述第二车辆。
本文还公开了一种计算装置，所述计算装置被编程为执行上述方法步骤中的任一者。
本文还公开了一种计算机程序产品，所述计算机程序产品包括计算机可读介质，所述计算机可读介质存储可由计算机处理器执行以执行上述方法步骤中的任一者的指令。
附图说明
图1是用于监测和响应于对象车辆的工况的示例性系统的图式。
图2是示例性卷积神经网络的图式。
图3是示例性主车辆扫描主车辆前方的对象车辆并扫描用于对象车辆和主车辆的支撑表面的图式。
图4是示例性主车辆扫描主车辆旁边的对象车辆的图式。
图5示出了对象车辆的后端上的示例性测量目标。
图6示出了对象车辆的部件上的示例性测量目标。
图7A和图7B是用于基于瞬时速度测量值来确定对象车辆的工况并调整主车辆轨迹的示例性过程的图式。
图8是用于具有关闭的发动机的车辆的示例性瞬时速度特征。
图9是用于具有运行的发动机的车辆的示例性瞬时速度特征。
图10A是制动事件之前和期间的示例性车辆速度随时间变化的图形。
图10B是在图10A的制动事件期间的车辆径向速度的与速度积分的示例性加速度计数据的图形。
具体实施方式
主车辆中的计算机可以获得瞬时速度数据，即，关于在主车辆的环境中操作的车辆的车辆和/或车辆部件瞬时速度的数据。瞬时速度数据可以用于识别可能影响车辆轨迹的一个或多个车辆工况。可以部分地基于检测到的工况来预测一个或多个车辆的未来轨迹。基于识别所述工况，可以修改主车辆轨迹。问题是工况可能会影响车辆的轨迹，但是可能无法被识别，或者至少可能无法及时被识别。如本文所公开的，主车辆传感器数据可以用于基于瞬时速度数据来确定其他车辆的工况，并且在不考虑瞬时速度数据的基于传感器的系统可检测到轨迹变化之前预测其他车辆的轨迹变化。在一些情况下，基于瞬时速度数据确定的工况可以提供比检测到的轨迹变化更好(即，更及时和/或更精确)的关于未来车辆轨迹的数据。例如，在检测到部件故障或驾驶员障碍(诸如分心或路怒症)的情况下，计算机可能无法将轨迹的初始变化解译为指示车辆轨迹的附加的、潜在不稳定的未来变化，而如本文所公开的瞬时速度的确定可能导致车辆计算机进行这种确定。此外，主车辆操作可以更平稳，即，本公开提供对其他车辆的工况变化的不太突然和更有效的调整。
主车辆计算机可以从主车辆上的传感器收集关于主车辆周围的环境的传感器数据，包括识别在主车辆的计划路线中或沿着主车辆的计划路线操作的对象车辆。计算机可以基于所收集的车辆传感器数据来确定：(a)对象车辆正在移动；(b)对象车辆的速度；(c)对象车辆相对于主车辆的径向速度；以及(d)对象车辆的型号和/或类型。另外，计算机可以从对象车辆收集瞬时速度数据。瞬时速度是用于表征在数据收集的特定时间车辆或车辆上的元件与参考坐标系(诸如主车辆上的传感器位置)相比的相对移动的度量。瞬时速度可以由传感器频繁地检测。径向速度是沿着射线从传感器到瞬时速度的检测空间中的位置发生的相对移动。该径向速度可以是另一车辆或对象的速度矢量的分量。可以通过快速连续地结合多个瞬态径向速度测量值来估计另一车辆的速度矢量。传感器测量这些小的振荡或类似脉冲的移动并输出瞬时速度数据，所述瞬时速度数据指示车辆上的测量目标在振荡或类似脉冲的频率下的速度，例如以米/秒为单位。瞬时速度数据可以用于定义瞬时速度曲线，即，在一定的时间段期间的多个采样时间中的每一者处车辆或车辆上的元件的相应瞬时速度。瞬时速度数据可以用于确定一个或多个车辆工况。具体地，对于每个工况，车辆或车辆的一部分可以在时域和频域两者中具有不同的或特征性的瞬时速度曲线。此外，所述确定可以结合其他先验知识，诸如车辆类型、卡车或汽车。计算机可以基于一个或多个车辆工况来预测对象车辆的未来轨迹，然后该轨迹在其他情况下将是明显的。基于对象车辆的预测的未来轨迹，计算机可以调整用于主车辆的计划行驶路径，例如以维持主车辆与对象车辆之间的阈值距离。基于测量的对象车辆瞬时速度确定对象车辆工况允许更早地检测对象车辆轨迹的变化，并且因此更早地调整主车辆行驶路径以适应这些变化。此外，对其他车辆的工况的检测可以允许远程间接检测道路特征(例如，坑洞)，从而允许主车辆调整行驶路径以避开所述特征并且为车辆乘员提供更舒适的乘坐体验。
转到图1，示例性系统100包括主车辆105、网络130和服务器132。
主车辆105是陆地车辆，诸如汽车、卡车、摩托车等，并且包括计算机110、传感器112、致动器114、车辆部件116和人机界面(HMI)118。主车辆105在诸如道路150的支撑表面上操作。道路150包括一个或多个车道152，主车辆105和/或一个或多个对象车辆160可以沿着所述一个或多个车道152行驶。主车辆环境是地面上并围绕车辆的由半径指定的体积，所述半径可以被确定并且可以基于诸如环境光、降水等环境状况而变化。所述环境通常包括地形、对象和主车辆正在其中操作的环境状况。本文中的主车辆的计划路线意味着主车辆计划沿着其行驶一定行程(即，从起点到目的地)的街道、车道、道路等。
计算机110包括诸如已知的处理器和存储器。存储器包括一种或多种形式的计算机可读介质，并且存储可由计算机110执行以用于执行各种操作(包括如本文所公开的)的指令。
计算机110可以以自主、半自主模式或非自主(或手动)模式操作主车辆105。出于本公开的目的，自主模式被定义为其中由计算机110控制主车辆105推进、制动和转向中的每一者的模式；在半自主模式下，计算机110控制主车辆105推进、制动和转向中的一者或两者；在非自主模式下，人类操作员控制主车辆105推进、制动和转向中的每一者。
计算机110可以包括编程以操作主车辆105制动、推进(例如，通过控制内燃发动机、电动马达、混合发动机等中的一者或多者来控制主车辆105的加速)、转向、气候控制、内部灯和/或外部灯等中的一者或多者，以及确定计算机110(而非人类操作员)是否以及何时控制此类操作。另外，计算机110可被编程为确定人类操作员是否以及何时控制此类操作。
计算机110可以包括或者例如经由车辆通信网络通信地耦合到一个以上的处理器，例如，包括在主车辆105中所包括的电子控制单元(ECU)等(例如，动力传动系统控制器、制动控制器、转向控制器等)中的用于监测和/或控制各种车辆部件116的处理器。如本文所使用的，车辆通信网络被定义为用于计算机110、传感器112、致动器114、车辆部件116、人机界面(HMI)118以及包括主车辆105的电子控制单元(ECU)的任何其他电子模块之间的有线或无线通信的一个或多个机制。车辆通信网络可以包括例如一个或多个车辆通信总线和一种或多种无线通信网络。车辆通信总线的非限制性示例包括控制器局域网(CAN)总线、局域互连网(LIN)总线和以太网网络。无线通信网络的非限制性示例包括蓝牙、蓝牙低功耗(BLE)和Wi-Fi直连。
经由车辆通信网络，计算机110可以向主车辆105中的各种系统和子系统(例如，传感器112、致动器114、车辆部件116、人机界面(HMI)118等)传输消息和/或从各种装置接收消息。另外，在计算机110实际上包括多个装置的情况下，车辆通信网络可以用于在本公开中表示为计算机110的装置之间的通信。此外，如下所述，各种控制器和/或传感器112可以经由车辆通信网络向计算机110提供数据。
车辆传感器112可以包括诸如已知的用于向计算机110提供数据的多种装置。例如，传感器112可以包括设置在主车辆105的顶部上、在主车辆105的前挡风玻璃后面、在主车辆105周围等的一个或多个光探测和测距(激光雷达)传感器112等，所述传感器提供可以用于确定主车辆105周围的对象的相对位置、大小和形状的图像数据、位置数据、点云数据、深度图数据等。作为另一个示例，固定到主车辆105保险杠的一个或多个雷达传感器112可以提供数据来提供对象、对象车辆160等相对于主车辆105的位置的位置。传感器112还可以替代地或另外例如包括一个或多个相机传感器112(例如，前视、侧视等)，所述相机传感器提供来自主车辆105周围的区域的图像。例如，图像可以包括对象车辆160的图像，所述图像可以用于确定对象车辆160的类型和/或型号并确定对象车辆160上的元件的位置。本文中的车辆元件意味着形成到对象车辆160的车身中的特征，诸如车窗框架或包括在车辆160中的部件116，诸如车窗。
传感器112还可以包括温度传感器、压力传感器、旋转传感器、角度传感器、位置传感器、扭矩传感器等，以检测诸如车厢温度、车辆发动机温度、车辆速度、车辆加速度、车辆转向角、发动机转速、制动压力等车辆操作状态。
更进一步地，传感器112可以包括用于检测瞬时速度的传感器，诸如调频连续波(FMCW)激光雷达112f、调频连续波(FMCW)雷达112r和/或飞行时间(TOF)相机112t。FMCW激光雷达112f可以检测诸如对象车辆160的对象的瞬时速度。此外，成像雷达可以适于检测瞬时速度数据。此外，传感器可以配对以检测瞬时速度数据，例如，两个雷达112，其中一个雷达正在发送并且都检测到返回信号。更进一步地，可以应用间接机构来测量瞬时速度。例如，可以应用具有高检测率的事件相机112的立体相机对。
如上所述，瞬时速度是用于表征在数据收集的特定时间车辆或车辆上的元件与参考坐标系(诸如主车辆上的传感器位置)相比的相对移动的度量。车身可以沿着以下一个或任意组合移动：(1)垂直于支撑车辆的表面的第一轴线(即，上下)，(2)从前向后穿过车辆的第二轴线，以及(3)垂直于从前向后穿过车辆的轴线的第三轴线(即，从一侧到另一侧)。此外，车身或车辆元件可以表现出围绕(4)第一轴线的旋转(横摆)、(5)围绕第二轴线的旋转(侧倾)和(6)围绕第三轴线的旋转(俯仰)。这六种类型的移动可以被称为六自由度(DoF)。沿着这六自由度中的任一者的移动可以包括瞬时速度分量，所述瞬时速度分量可以指示车辆工况。
基于瞬时速度，FMCW激光雷达112f可以生成瞬时速度数据并将瞬时速度数据提供给计算机110。飞行时间相机112t测量从目标透射的光的分量与从目标反射的光的分量之间的相位差以确定目标的距离和/或速度。在一些情况下，激光雷达112f可以是固态的，从而允许能够在特定位置操纵激光雷达以收集随时间变化的距离和瞬时速度数据。在其他情况下，激光雷达发射器和接收器可以安装到机械总成上，所述机械总成可以沿着并入有镜面移动、平移或旋转的光学路径旋转或发射和接收光以在整个道路环境中扫描固定的激光雷达点。在此类情况下，激光雷达点可能无法在每次扫描中获取空间中同一物理点的瞬时速度数据。在此类情况下，数值方法可以应用于瞬时速度测量值的点云数据，所述数值方法诸如插值，例如线性插值、最近邻点插值等，或者经由车辆动力学模型进行的外推，所述车辆动力学模型是通过将模型拟合到主车辆105和对象车辆160中的一者或两者的动力学仿真数据而获得的。
基于主车辆105和对象车辆160中的一者或两者的建模以及诸如如上所述的插值和外推的数值方法，计算机110可以抵消主车辆105的振动(包括主车辆105上的传感器112的振动)并且估计对象车辆160的瞬时速度行为。例如，用于估计瞬时速度的神经网络可以基于车辆模型，使得对神经网络的输入包括与相对于车辆160车身(通常在其表面)的空间中的特定固定点有关的数据。对象车辆160上的传感器112(例如，FMCW激光雷达112f)测量目标可能不完全对应于车身上的空间中的固定点。数值方法将对象车辆160上的测量位置插值/外推到那些固定点以获得对神经网络的输入。计算机110可以将数值方法应用于从传感器112收集的数据，然后向神经网络提交插值/外推数据以接收对象车辆160的估计瞬时速度行为。
计算机110可以经由FMCW激光雷达112f或飞行时间相机112t收集主车辆105的环境中的对象车辆160的瞬时速度数据。如下所述，计算机110可以基于瞬时速度数据来确定对象车辆160的一个或多个工况。
主车辆105的致动器114经由可以根据如已知的适当控制信号来致动各种车辆子系统的电路、芯片或其他电子和/或机械部件来实施。致动器114可以用于控制车辆部件116，包括主车辆105的制动、加速和转向。
在本公开的上下文中，车辆部件116是适于执行机械或机电功能或操作(诸如使主车辆105移动、使主车辆105减速或停止、使主车辆105转向等)的一个或多个硬件元件，所述硬件元件可以包括电子控制单元(ECU)，所述ECU包括一个或多个处理器和存储器，所述存储器包括用于对处理器进行编程的指令。车辆部件116的非限制性示例包括推进部件(其包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如，其可以包括方向盘、转向齿条等中的一者或多者)、制动部件(如下所述)、驻车辅助部件、自适应巡航控制部件、自适应转向部件、可移动座椅、电子稳定性控制(ESC)模块、雨刷控制模块、照明设备、娱乐系统等。车辆部件116还可以包括主车辆105的机械部件，诸如保险杠、车窗和挡风玻璃、镜子、门把手、排气管等，它们可以是被动的或主动的，并且可以包括或可以不包括致动器114、电子控制单元(ECU)等。
主车辆105还包括人机界面(HMI)118。人机界面(HMI)118包括可以从用户接收输入的输入装置，诸如旋钮、按钮、开关、踏板、操纵杆、触摸屏、传声器等。例如，HMI 118可以包括用于从用户接收输入以控制主车辆105的制动踏板、加速踏板和方向盘。输入装置可以包括传感器112，以检测用户输入并将用户输入数据提供给计算机110。例如，方向盘可以包括传感器112，以检测方向盘的旋转角度并将数据提供给计算机110。HMI 118还包括向用户输出信号或数据的输出装置，诸如显示器(包括触摸屏显示器)、扬声器、灯等。
HMI 118耦合到车辆通信网络并且可以向/从计算机110和其他车辆子系统发送和/或接收消息。作为非限制性示例，HMI 118可以基于用户输入通过车辆通信网络发送消息，以控制车辆控制系统、气候控制系统、娱乐系统、照明系统、通信系统等。
另外，计算机110可以被配置为经由车辆通信模块与主车辆105外部的装置进行通信，例如，通过车辆对车辆(V2V)或车辆对基础设施(V2I)无线通信与另一车辆105(通常经由直接射频通信)和/或(通常经由网络130)服务器132进行通信。车辆通信模块可以包括车辆105的计算机110可以通过其进行通信的一种或多种机制，包括无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望组合以及任何期望的网络拓扑(或当利用多个通信机制时的拓扑)。经由车辆通信模块提供的示例性通信包括提供数据通信服务的蜂窝、蓝牙、IEEE 802.11、IEEE 802.11p、IEEE 1609、专用短程通信(DSRC)、蜂窝V2V、5G/LTE和/或包括因特网的广域网(WAN)。
网络130表示计算机110可以借助于其与服务器132进行通信的一种或多种机制。因此，网络130可为各种有线或无线通信机制中的一者或多者，包括有线(例如，电缆和光纤)和/或无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望的组合以及任何期望的网络拓扑(或利用了多个通信机制的拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络(例如，使用
Figure BDA0002911348840000121
低功耗(BLE)、IEEE 802.11、车辆对车辆(V2V)(诸如专用短程通信(DSRC)、5G/LTE等))、局域网(LAN)和/或包括因特网的广域网(WAN)。
服务器132可以是被编程为提供诸如本文公开的操作的常规计算装置，即，包括一个或多个处理器和一个或多个存储器。此外，可以经由网络130(例如，因特网或某一其他广域网)来访问服务器132。服务器132可以将诸如地图数据、交通数据、天气数据等数据提供给计算机110。另外，服务器132可以针对不同组的工况提供不同类型和/或型号的车辆105、160的瞬时速度特征。本文中的“车辆类型”意味着具有共同物理测量值和部件116的车辆类别的分类。物理测量值是根据物理现象(例如，仅举几个示例，距离、温度、粘度等)的测量单位表达的测量值。本文使用的物理测量值包括对象车辆160车身的元件和其他车辆元件的位置和尺寸。
例如，运动型多功能车辆(SUV)可以是车辆类型。车辆型号是制造商用于销售一系列类似车辆的名称。例如，
Figure BDA0002911348840000122
是由福特汽车公司制造的车辆的模型。服务器132可以另外按制造年份对车辆的类型和/或型号进行分类。
道路150可以是主车辆105可以行驶的并且对象车辆160可以沿着其定位或位于其上的任何表面。例如，道路150可以是具有标记的或未标记的车道152的郊区道路或城市街道。道路150还可以是包括车道152的受限访问高速公路。主车辆105和对象车辆160在其上行驶的地面在本文中有时也称为路面。
对象车辆160可以是陆地车辆，诸如汽车、卡车、摩托车、工程车辆等，并且可以包括与上述主车辆105类似的系统和子系统，但是出于区别于本说明书中的主车辆105的目的，被分配了单独的附图标记。术语“对象车辆”在本文中意味着除主车辆之外的车辆。
对象车辆160可能正在移动。例如，对象车辆160可以在与主车辆105相同的车道152中移动，或者在与主车辆105在其中操作的车道152相邻的车道152中移动。在一些情况下，对象车辆160可以在车道152中操作，但是由于例如停车标志或红色交通信号而停止。
可以根据对象车辆160的一个或多个工况来对其进行分类。对象车辆160显示基于工况而变化的瞬时速度。本文的工况意味着在进行一次或多次测量时用于车辆和/或车辆环境的一个或多个物理测量值。可能影响由对象车辆160显示的瞬时速度的工况包括路况，诸如道路(支撑)表面的类型(例如，水泥、泥土、砾石)、坑洞、路面上的冰、路面上的水等；天气状况，诸如降水、风等；全局车辆工况，诸如车辆速度、车辆加速度等；以及内部车辆工况，诸如发动机转速、制动器的应用(尤其是在突然的情况下)；部件故障，诸如部件等；以及驾驶员精神状态，诸如注意力、分心、心烦等。
除了基于工况的变化之外，瞬时速度还可以取决于对象车辆160上测量瞬时速度的测量目标而变化。如本文中所使用的，测量目标是对象车辆160上用于测量瞬时速度的传感器112所指向的以收集瞬时速度数据的区域。测量目标的非限制性示例包括对象车身160上的区域，诸如靠近前牌照、靠近后牌照、在对象车辆发动机罩的中心点处、在后门的中心处等；以及从外部可见的车辆元件，诸如后视镜、保险杠、车门上的中心点、排气尾管、消声器、前格栅、舱口、挡风玻璃、后车窗、尾翼、分流器、前翼、气坝、轮胎偏转器、扩散器、制动器缸(brake cylinder)等。例如，当对象车辆160正在运行时，对象车辆160的排气尾管的瞬时速度可以与对象车辆160的车身的瞬时速度不同。
可以基于瞬时速度来选择用于表征对象车辆160的不同工况的测量目标。例如，可以基于与对象车辆160内的振动源的接近度来选择测量目标。例如，可以选择车轮作为测量目标以检测制动器的应用。另外或替代地，可以基于经验研究来选择测量目标。例如，测量值可以指示排气管的瞬时速度与正在运行的发动机的速度强烈相关，或者驾驶员的侧门窗的瞬时速度表现出与驾驶员的叫喊强烈相关的瞬时速度。
可以例如通过FMCW激光雷达112f来测量和记录对象车辆160的不同测量目标在不同工况下的瞬时速度。可以在受控(例如，实验室)条件下获得在本文中被称为瞬时速度特征的参考瞬时速度曲线库，其中将不同的对象车辆测量目标的特征瞬时速度作为样本存储在例如服务器132中。每个瞬时速度特征是指定在已知工况下收集的一定的时间段内的相应采样时间在代表性车辆上的测量点处的相应瞬时速度的一组数据。瞬时速度可以以米/秒为单位来表达。所述时间段可以以经验确定为可以建立表示一个或多个工况的瞬时速度特征的时间量。例如，所述时间段可以为100毫秒。代表性车辆是用于收集用于建立瞬时速度特征库的经验数据的车辆。图8和图9示出了示例性瞬时速度特征。
瞬时速度特征可以用于以机器学习模式训练机器学习程序，诸如计算机110。由于FMCW技术测量相对径向瞬时速度而不是垂直于表面的速度、其他速度矢量分量或某个任意方向上的其他速度矢量分量的事实，因此机器学习程序可以接收其他输入，诸如激光雷达测量值的矢量方向。可以基于在时间和/或空间上内插的多个瞬时速度测量值来估计速度矢量。例如，主车辆可以跟随对象车辆。瞬时速度数据、在车辆上的测量空间中的位置、对象车辆的径向速度、对象车辆的速度、诸如发动机转速的内部工况等可以用作机器学习程序的输入。在这种背景下，对象车辆160的径向速度意味着对象车辆相对于主车辆沿着连接主车辆105和对象车辆160的线(半径)的速度。对象车辆的速度是对象车辆相对于对象车辆在其上行驶的支撑表面(例如，诸如道路的地面)的速度和航向。另外，可以包括诸如天气状况、路况等环境状况作为用于训练计算机110的输入数据。瞬时速度数据可以直接传递到计算机110或者在预处理步骤(诸如快速傅立叶变换(FFT))之后传递到计算机。
所存储的样本可以被组织为例如表，所述表识别与针对车辆类型的目标位置和工况相关联的瞬时速度特征(即，测量目标随时间变化的瞬时速度的记录)。下表1是表的一部分的示例，所述表识别具有针对车辆类型的测量目标和工况的瞬态数据特征。图8和图9示出了示例性瞬时速度特征。
Figure BDA0002911348840000151
表1
为了简单起见，表1根据以下三个状况对瞬时速度特征进行分类：发动机转速，车辆速度、路况。瞬时速度特征可以基于任何数量的工况，一个或多个。
除工况之外的状况也可能会影响从目标车辆160收集的瞬时速度数据。例如，主车辆105上用于收集瞬时速度数据的传感器112的移动可以叠加在从对象车辆160收集的瞬时速度数据上，在其上标准化，从其中滤波或减去，以调整对象车辆瞬时速度数据以考虑主车辆传感器112的移动。
计算机110可以基本上连续地、周期性地和/或当由服务器132指示时等从传感器112接收并分析数据。此外，可以基于激光雷达传感器112、FMCW激光雷达112f、相机传感器112、雷达、飞行时间(TOF)相机112t等的数据在例如计算机110中使用常规分类或识别技术以识别对象的类型(例如，车辆、人、岩石、坑洞、自行车、摩托车等)以及对象的物理测量值和对象的工况。
计算机110还可以被编程为基于所收集的瞬时速度数据来确定对象车辆160的工况。在一些情况下，百分比可能性可以与所确定的工况相关联。例如，在测量对象车辆160的瞬时速度时，计算机110可以确定对象车辆160的左前轮已经失去牵引力并且对象车辆160将向左转向的可能性为70％。在一个示例中，计算机110然后可以使瞬时速度数据通过快速傅立叶变换(FFT)，以将速度历史转换为频域，然后将频域瞬时速度数据输入到训练过的卷积神经网络(CNN)。卷积神经网络(CNN)可以被训练为通过处理车辆上的不同位置处针对已知组的工况的多个瞬时速度特征来执行工况处理。例如，计算机110可以使来自每个测量目标的数据通过FFT的单独通道，并且将来自测量目标中的每一者的频域数据输入到CNN。已知组的工况被认为是多个瞬时速度特征的地面实况。在这种背景下的地面实况意味着通过直接观察获得的数据，诸如在受控状况下的经验测试期间收集的数据。地面实况可以进一步特定于车辆类型。计算机110可以从对象车辆160收集瞬时速度数据并且将其输入到卷积神经网络。所述数据可以包括测量值的测量目标，并且还可以包括对象车辆160的类型。神经网络可以基于来自对象车辆160的瞬时速度数据来确定对象车辆160的工况。
图2是示例性卷积神经网络(CNN)200的图式。CNN 200是可以在诸如计算机110的计算装置上实施的软件程序，所述CNN可以被训练为在输入202处输入对象车辆160的瞬时速度数据并且作为响应而在输出204处输出工况或一组工况。CNN 200包括多个卷积层，所述多个卷积层从对象车辆160的瞬时速度数据中提取隐藏特征，所述隐藏特征被传递到将所述隐藏特征变换为输出204处的工况或一组工况的多个完全连接层。CNN 200可以被训练为通过处理车辆的多个瞬时速度数据来执行工况处理以确定相应车辆的每个瞬时速度特征的工况或一组工况。所确定的工况或一组工况被定义为“地面实况”，因为它是独立于CNN200而确定的。通过在输入202处输入瞬时速度数据并且向后传播结果以与地面实况进行比较以确定损失函数来训练CNN 200。训练CNN 200包括确定卷积层和完全连接层的使损失函数最小化的参数。在训练后，CNN 200可以在输入202处输入对象辆车160的瞬时速度数据，并且在输出204处输出工况或一组工况。
作为另一个示例，计算机110可以将瞬时速度数据输入到递归神经网络(RNN)。递归神经网络(RNN)是基于图形的一类神经网络并且可以表现出时间动态行为。可以通过类似于上述CNN的训练的方式来训练RNN。训练过的RNN可以基于瞬时速度数据来确定对象车辆160的工况或一组工况。
图3是示例性主车辆105在支撑主车辆105和对象车辆160的表面312上在对象车辆160后面行驶的图式。在该配置中，传感器112具有视线，并且可以从对象车辆160的后端302和诸如在后端302上可见的后车窗304、后门306、保险杠308、轮胎310等元件收集数据。传感器112还可以从支撑主车辆105和对象车辆160的表面312收集数据。
图4是示例性主车辆105和示例性对象车辆160的图式，其中主车辆105在对象车辆160旁边，使得主车辆105上的传感器112在对象车辆160的侧面402上具有到元件的视线，所述元件诸如门404、侧视镜406、车轮408等。例如，当主车辆105和对象车辆160沿着道路106的不同车道行驶并且对象车辆160在主车辆105上的传感器112的范围内时，可能会发生这种视线感测。
图5示出了对象车辆160的示例性后端302。可以从对象车辆160的后端302可见的车辆元件的非限制性列表包括后门306、保险杠308、轮胎310和后车桥502。
图6示出了对象车辆160的后端的一部分的示例，其示出了后车桥502和制动元件602。除了其他车辆元件的瞬时速度测量值之外，制动元件602的瞬时速度测量值可以提供例如关于车辆制动器的操作的附加信息。
图7A和图7B是用于基于在对象车辆160上测量的瞬时速度根据所确定的工况或一组工况来对对象车辆160进行分类的示例性过程700的图式。
作为对过程700的概述，主车辆105上的计算机110经由主车辆105上的传感器112从靠近主车辆105的对象车辆160收集瞬时速度数据。在本背景中靠近主车辆105意味着在主车辆105上的传感器112测量的范围内，所述传感器包括用于测量瞬时速度的传感器112，诸如FMCW激光雷达112f或飞行时间(TOF)相机112t。在一些情况下，主车辆105的计算机110。基于所收集的瞬时速度数据，主车辆105上的计算机110将工况或一组工况分配给对象车辆160。基于所分配的工况或一组工况，计算机110进一步预测对象车辆160的未来轨迹或更新对未来轨迹的预测。基于对象车辆160的所预测的未来轨迹，计算机110还可以修正路线或沿着主车辆105的路线的行驶路径，以降低对象车辆160的轨迹将会主干扰车辆105的轨迹的可能性。如本文中所使用的行驶路径是主车辆沿着计划路线行进的线和/或曲线(由诸如地理坐标的坐标指定的点定义)。
过程700在框702中开始。在框702中，计算机110检测用于开始对象车辆评估的触发事件。触发事件是数据或基准高于和/或低于指定阈值。例如，触发事件可以是在主车辆105的计划行驶路径的阈值距离内检测到对象车辆160。另外或替代地，触发事件可以是在主车辆105的阈值距离内检测到对象车辆。例如，计算机110可能已经基于指示主车辆105的计划目的地的用户输入生成了计划路线，或者可能已经通过用户输入直接接收到计划路线。基于从传感器112收集的数据，计算机110可以确定对象车辆160存在于主车辆105的计划路线中或沿着计划路线存在。计算机110还可以基于收集的数据来确定对象车辆160是静止的还是移动的。触发事件可以另外或替代地取决于其他工况，诸如对象车辆160在检测时移动、主车辆105在检测到对象车辆160时移动、对象车辆160在主车辆105的预定距离内、对象车辆160在主车辆将在预定时间量内(例如，在30秒内，基于主车辆105沿着计划路线的计划行驶路径)行驶的距离内等。在检测到用于开始对象车辆评估的触发事件时，过程700在框704中继续。
在框704中，计算机110从对象车辆160收集数据。计算机110使用诸如激光雷达、雷达、相机等传感器112来收集关于主车辆105的物理测量值和主车辆105的工况的数据，包括深度和点云数据。深度和点云数据是例如从雷达、激光雷达和相机收集的关于表面上的多个点的数据，根据所述数据可以确定对象的三维结构。计算机110可以为其收集数据的物理测量值的非限制性列表包括对象车辆160的位置、形状和大小、车辆160上的元件(诸如保险杠308、轮胎310、诸如后车窗304的车窗、诸如门404的门、诸如侧视镜406的镜子、车轮408、镜子、诸如后车桥502的车桥、制动元件602等)。
计算机110还可以收集与对象车辆160的全局工况相关的数据，所述工况诸如相对于地面的速度(速度和航向)、相对于主车辆105的径向速度(速度和航向)、地理位置(经度和纬度)、加速度等。过程700在框706中继续。
在框706中，计算机110识别对象车辆160的物理测量值，并且基于物理测量值对对象车辆160进行分类。对对象车辆160进行分类在这种背景下意味着确定对象车辆的类型和/或型号，并且可以包括确定对象车辆160相对于类型或型号的修改。计算机110应用已知的图像识别算法来确定例如对象车辆160的品牌和型号和/或对象车辆160是否是例如运动型多用途车(SUV)、皮卡车、轿车、货车等。例如，计算机110可以确定对象车辆160是2019款福特Mustang。
基于对对象车辆160的分类，计算机110还可以确定对象车辆160的部件116。例如，计算机110可以从服务器132中检索指示对象车辆160的所识别的类别中的预期部件116的数据。过程700在框708中继续。
在框708中，计算机110基于收集的数据和用于车辆类型和/或车辆型号的存储数据，识别相对于对象车辆160的类型或型号对对象车辆160的修改。例如，基于在框706中确定的对象车辆160的模型，计算机110可以例如从服务器132中检索指示所述类型或型号的预期物理测量值和/或部件116的数据。然后，计算机110可以将对象车辆160的所收集数据与指示所述类型或型号的预期物理测量值和/或部件116的数据进行比较。基于所述比较，计算机110可以确定是否已经对对象车辆160进行了修改。例如，在对象车辆160被确定为2019款福特Mustang的情况下，计算机110可以将对象车辆160的所收集数据与2019款福特Mustang的预期数据进行比较，并确定对象车辆160被修改以包括更宽的轮胎。如下所述，对对象车辆160的修改可能与解译瞬时速度数据有关。在识别出对对象车辆160的物理测量值和/或部件116的修改后，过程700在框710中继续。
在框710中，计算机110选择适用的瞬时速度特征来评估对象车辆160。例如，计算机110可以在存储器中存储或在诸如服务器132的远程计算机中访问瞬时速度特征库。例如，库可以维护在关系数据库中。瞬时速度特征可以根据以下一个或多个参数进行组织：对象车辆160的类型；对象车辆160的型号；对象车辆160型号的共同修改，诸如车轮类型、发动机类型、制动器类型等；已知的工况，诸如对象车辆160速度；已知的环境状况，诸如道路类型；以及已知的天气状况，诸如降水类型和降水量。一些参数(诸如类型或型号)对于选择瞬时速度特征可能是强制性的。当已经收集了此类数据的瞬时速度特征时，可以使用其他参数，例如对象车辆160的常见修改或基于天气状况的瞬时速度特征。在瞬时速度特征对于特定修改或特定状况不可用的情况下，对于对象车辆160的类型或型号，所述选择可以默认为更通用的瞬时速度特征。在其他情况下，当已知修改或天气状况(例如，飓风或严重损坏的对象车辆160)对瞬时速度测量值有显著影响时，计算机110可以结束为了基于瞬时速度数据确定工况而做出的努力。
瞬时速度特征还可以根据收集基础瞬时速度数据的测量目标来进行组织。如上所述，可以基于瞬时速度来选择用于表征对象车辆160的不同工况的不同测量目标。在一些情况下，测量目标可以是对象车辆160上的元件。
每个瞬时速度特征可以是测量目标处的预期瞬时速度，或者是针对工况或一组工况在已知类型或型号的对象车辆160上的一组测量目标处的一组预期瞬时速度。预期瞬时速度可以基于例如在工况或一组工况下的测试轨道上从相同类型或型号的车辆收集的经验数据。
瞬时速度特征还可以基于相对于对象车辆类型或型号对对象车辆160进行的已知修改而进行分类。例如，一种类型的车辆可以具有用于标准(在经销商处购买的)轮胎的第一瞬时速度特征，以及用于超宽轮胎的第二瞬时速度特征。
还可以基于已知的工况(诸如对象车辆速度、对象车辆在其上行驶的道路(支撑)表面的类型、天气状况等)对瞬时速度特征进行分类。
在选择一个或多个适用的瞬时速度特征以用于评估对象车辆160时，过程700在框712中继续。
在框712中，计算机110收集传感器112的相关瞬时速度数据。传感器112相关瞬时速度数据在本背景下意味着由于传感器112相对于支撑表面312的移动而引起的瞬时速度数据，所述瞬时速度数据可以被叠加在传感器112对对象车辆160得出的瞬时速度测量值上。例如，特别是当主车辆105正在移动时，主车辆105车身可以相对于支撑表面312移动(例如，振荡)。此外，传感器112可以相对于传感器安装在其上的主车辆105的车身移动。在框712中，计算机110通过经由传感器112测量支撑表面312的瞬时速度并且推断出所测量的瞬时速度是由于传感器112相对于支撑表面312的移动引起的而收集传感器112相关瞬时速度数据。在测量传感器112相关瞬时速度数据后，过程700在框714中继续。
在框714中，计算机110收集与主车辆105和对象车辆160的环境相关的数据。计算机110可以例如从服务器132收集指示车辆105、160正在其上行驶的道路(支撑)表面312的类型的地图数据。计算机110还可以从服务器132收集指示例如环境中降水的存在和类型、风力量和方向等天气数据。此外，计算机110可以从传感器112收集与环境相关的数据。例如，计算机110可以收集指示正在下雨或者在支撑主车辆105和对象车辆160的表面312上存在雪的数据。过程700在框716中继续。
在框716中，计算机110测量对象车辆160相对于主车辆105的平均径向速度。可以测量测量时间段内的平均径向速度，并且可以将平均径向速度表达为平均速度和平均方向。测量时间段可以是诸如一秒的时间量。计算机110可以经由传感器112(诸如激光雷达112和雷达112)测量在测量时间段期间的两个或更多个时间处对象车辆160的相对径向速度，并且基于测量值来计算测量时间段内的平均径向速度。
接下来，在框718中，计算机110从对象车辆160收集瞬时速度数据。基于主车辆105和对象车辆160的位置，计算机110可以选择对象车辆160上的一个或多个测量目标。例如，在对象车辆160正在主车辆105前方行驶的情况下，计算机110可以选择对象车辆160的后端302上的一个或多个测量目标。在对象车辆160正在不同车道中(例如主车辆105旁边)行驶的情况下，计算机110可以选择对象车辆160的侧面402上的测量目标。以类似方式，在对象车辆160正靠近主车辆105的情况下，计算机110可以选择对象车辆160的前端上的测量目标。
计算机110可以引导诸如FMCW激光雷达112f或飞行时间(TOF)相机112t的传感器112从所识别的测量目标收集瞬时速度数据。然后，计算机110收集一个或多个第一预定时间段内的瞬时速度数据。所述一个或多个第一预定时间段可以被一个或多个第二预定时间段分开。在收集对象车辆160瞬时速度数据后，过程700在框720中继续。
在框720中，计算机110应用滤波器以减少或消除由于传感器112相关瞬时速度和对象车辆160相对于主车辆105的相对径向速度而叠加在来自对象车辆160的瞬时速度数据上的信号。
在一个示例中，对象车辆160上的测量目标的瞬时速度可以由下面的等式1给出：
TVov＝TVovm-RVovave-TV传感器 等式1
其中：
TVov是校正(滤波)后的对象车辆的瞬时速度，
TVovm是对象车辆的测量的瞬时速度，
RVovave是对象车辆160相对于主车辆105的平均径向速度，并且
TV传感器是传感器112相关瞬时速度。
也就是说，计算机110可以将传感器112相关瞬时速度TV传感器和对象车辆160相对于主车辆105的平均径向速度RVovave从测量的对象车辆160瞬时速度TVovm中减去，以在校正后获得对象车辆的瞬时速度TVov。当在多个测量目标处执行瞬时速度测量时，可以针对测量目标中的每一者进行该计算。
其它方法也可以被应用于校正对象车辆160的所测量的瞬时速度TVovm。例如，计算机110可以识别传感器相关瞬时速度TV传感器和/或平均径向速度RVovave中的频率范围。计算机110然后可以将测量的对象车辆160瞬时速度TVovm滤波以将传感器112相关瞬时速度TV传感器和/或平均径向速度RVovave中识别的频率范围中的信号从测量的对象车辆160瞬时速度TVovm消除或减少以获得校正后的对象车辆的瞬时速度TVov。
所述示例不意图进行限制。其他方法可以用于基于传感器112相关瞬时速度数据TV传感器和/或平均径向速度RVovave校正测量的对象车辆160瞬时速度TVovm。例如，可以训练递归神经网络(RNN)或其他基于图形的神经网络以接收测量的对象车辆160瞬时速度TVovm、传感器112相关瞬时速度TV传感器和相对径向速度RVovave，并且输出校正的对象车辆160瞬时速度TVov。在针对平均径向速度RVovave和/或传感器112相关瞬时速度TV传感器校正测量的对象车辆160瞬时速度TVovm后，过程700在框722中继续。
在框722中，计算机110在如上所述的校正之后对对象车辆160瞬时速度TVov执行快速傅里叶变换。过程700在框724中继续。
在框724中，计算机110基于对象车辆160瞬时速度数据TVov来识别对象车辆160的工况。如上所述，计算机110可以将瞬时速度TVov输入到机器学习程序，例如神经网络，诸如卷积神经网络(CNN)200。除了输入对象车辆160瞬时速度数据TVov之外，计算机110还可以输入可能影响工况的其他状况，诸如对象车辆速度、路况和/或天气状况。基于输入，卷积神经网络(CNN)200生成指示对象车辆160的工况的输出204。过程700在框726中继续。
在框726中，计算机110基于所确定的工况来确定对象车辆160的预测轨迹。计算机110可以维护表，所述表将所确定的工况映射到对象车辆160的预测轨迹。可以基于经验数据来生成表。下表2是映射所确定的工况的表的一部分的示例。
Figure BDA0002911348840000251
例如，在测量和评估对象车辆160瞬时速度数据之前，计算机110可能已经确定了预期的对象车辆160轨迹。计算机110可以基于瞬时速度数据来确定对象车辆160的工况是“失去牵引力”。然后，计算机110可以更新对象车辆160的预期轨迹以包括例如对象车辆160将会转弯的百分比可能性。在确定或更新对象车辆160的预期轨迹后，过程700在框728中继续。
在框728中，计算机110可以基于对象车辆160的更新的预测轨迹来调整主车辆105的行驶路径。计算机110可以例如将对象车辆160的更新的预测轨迹提供给路径计划算法以用于主车辆105的自主控制。存在路径计划算法，所述路径计划算法在考虑到主车辆105的路线、沿着主车辆105的行驶路径的其他对象等后可以基于更新的预测轨迹来调整计划的行驶路径。
路径计划算法可以例如应用成本降低算法，所述成本降低算法调整行驶路径以降低主车辆105进入对象车辆160的阈值距离内的概率，或者将主车辆105进入任何对象车辆160的阈值距离内的总概率最小化。
在其他情况下，路径计划算法可以应用将对象车辆160的工况映射到行驶路径调整的表。例如，在计算机110确定对象车辆160将转弯的可能性从0.5％增加到30％的情况下，计算机110可以调整在对象车辆160后面行驶的主车辆105的行驶路径以减速或移动到更远离对象车辆160的车道152。在其中对象车辆160继续相同的轨迹的概率保持不变或增加的其他情况下，计算机110可以使主车辆105的行驶路径和速度保持不变。过程700在框730中继续。
在框730中，计算机110基于在如框720中识别的对象车辆160的工况来确定对象车辆160中是否存在故障模式。例如，计算机110可以确定部件未正常工作或者车轮408中的一者的制动器未正常工作。在计算机110识别对象车辆160中的故障模式的情况下，过程700在框732中继续。否则，过程700结束。
在框732中，计算机110可以将故障模式报告给对象车辆160和/或服务器132。在报告故障模式时，过程700结束。
对车辆执行测量以示出示例性瞬时速度特征。所述测量由指向车辆的保险杠的激光多普勒振动计执行，并且指示可以测量的瞬时速度特征数据。图8示出了在发动机关闭的情况下在车辆的保险杠上测量的示例性瞬时速度特征802。图9示出了在发动机开启的情况下车辆的保险杠上的示例瞬时速度特征902。
图10A和图10B示出了制动事件期间的车辆瞬时速度的示例性测量值。当车辆以大约每小时30英里的速度行驶时，车辆上的制动器被激活。在快速傅里叶变换转换成频域之后，在轮罩上的车辆的径向速度测量值表明，在特定振动频率下，径向速度可以用于基于从外部测量值获得的车辆速度的瞬时速度分量来检测车辆状态(例如，制动)的变化。
图10A是包括制动事件之前和期间的车辆速度随时间变化的曲线1002的示例性图形1000。
图10B是与速度集成的加速度计数据的示例性图形1004，所述加速度计数据示出径向速度的振幅和频率内容与在横向方向上的车辆速度成比例地衰减。
如本文中所使用，术语“基于”表示全部或部分地基于。
一般地，所描述的计算系统和/或装置可采用多个计算机操作系统中的任一者，包括但绝不限于以下版本和/或变型：福特
Figure BDA0002911348840000273
应用程序、AppLink/Smart Device Link中间件、微软
Figure BDA0002911348840000274
操作系统、微软
Figure BDA0002911348840000275
操作系统、Unix操作系统(例如，由加州红杉海岸的Oracle公司发布的
Figure BDA0002911348840000272
操作系统)、由纽约阿蒙克市的InternationalBusiness Machines公司发布的AIX UNIX操作系统、Linux操作系统、由加州库比蒂诺的苹果公司发布的Mac OSX和iOS操作系统、由加拿大滑铁卢的黑莓有限公司发布的BlackBerryOS以及由谷歌公司和开放手机联盟开发的Android操作系统、或由QNX Software Systems供应的
Figure BDA0002911348840000271
CAR信息娱乐平台。计算装置的示例包括但不限于车载计算机、计算机工作站、服务器、台式机、笔记本、膝上型计算机或手持计算机、或一些其他计算系统和/或装置。
计算机和计算装置一般包括计算机可执行指令，其中所述指令可由一个或多个计算装置(诸如以上列出的那些)执行。计算机可执行指令可由使用各种编程语言和/或技术创建的计算机程序编译或解译，所述编程语言和/或技术包括但不限于单独或组合的JavaTM、C、C++、Matlab、Intercal、Simulink、Stateflow、Visual Basic、Java Script、Perl、HTML、Python等。这些应用程序中的一些可在虚拟机(诸如Java虚拟机、Dalvik虚拟机等)上编译和执行。一般地，处理器(例如，微处理器)例如从存储器、计算机可读介质等接收指令，并且执行这些指令，由此执行一个或多个过程，包括本文所述的过程中的一者或多者。可使用各种计算机可读介质来存储和传输此类指令和其他数据。计算装置中的文件通常是存储在诸如存储介质、随机存取存储器等计算机可读介质上的数据的集合。
存储器可以包括计算机可读存储介质(也被称为处理器可读介质)，其包括参与提供可以由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂时性(例如，有形)介质。此类介质可采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可以包括例如光盘或磁盘以及其他持久性存储器。易失性介质可以包括例如通常构成主存储器的动态随机存取存储器(DRAM)。此类指令可以由一种或多种传输介质传输，所述一种或多种传输介质包括同轴电缆、铜线和光纤，包括构成耦接到ECU的处理器的系统总线的电线。计算机可读介质的常见形式包括(例如)软磁盘、软盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD、任何其他光学介质、穿孔卡、纸带、带有孔图案的任何其他物理介质、RAM、PROM、EPROM、快闪EEPROM、任何其他存储器芯片或盒式磁带，或计算机可从中读取的任何其他介质。CD-ROM和DVD是一次写入/多次读取(WORM)装置的示例。
数据库、数据存储库或本文所述的其他数据存储装置可以包括用于存储、访问和检索各种数据的各种机构，包括分层数据库、文件系统中的文件集、呈专用格式的应用数据库、关系数据库管理系统(RDBMS)等。每个此类数据存储装置大体包括在采用计算机操作系统(诸如以上所提到的那些操作系统中的一个操作系统)的计算装置内，并且经由网络以多种方式中的任一种或多种方式来访问。文件系统可从计算机操作系统访问，并且可以包括以各种格式存储的文件。除了用于创建、存储、编辑和执行已存储的程序的语言(例如上述PL/SQL语言)之外，RDBMS还通常采用结构化查询语言(SQL)。
在一些示例中，系统元件可被实施为一个或多个计算装置(例如，服务器、个人计算机等)上、存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上的计算机可读指令(例如，软件)。计算机程序产品可以包括存储在计算机可读介质上以用于执行本文所描述的功能的此类指令。
关于本文描述的介质、过程、系统、方法、启发等，应当理解，虽然此类过程等的步骤已被描述为按照某一有序的顺序发生，但是可以通过以与本文所述顺序不同的顺序执行所述步骤来实践此类过程。还应理解，可同时执行某些步骤，可添加其他步骤，或者可省略本文所描述的某些步骤。换句话说，本文对过程的描述出于说明某些实施例的目的而提供，并且决不应被解释为限制权利要求。
因此，应理解，以上描述旨在是说明性的而非限制性的。在阅读以上描述时，除了所提供的示例之外的许多实施例和应用对于本领域的技术人员将是明显的。不应参考以上描述来确定本发明的范围，而应参考所附权利要求连同这些权利要求赋予的等效物的全部范围来确定。可以设想并预期未来的发展将在本文讨论的领域中发生，并且所公开的系统和方法将结合到此类未来实施例中。总之，当应理解，本发明能够进行修改和变化，并且仅受所附权利要求的限制。
除非本文作出相反的明确指示，否则权利要求中使用的所有术语意在给出如本领域技术人员所理解的普通和通常的含义。具体地，除非权利要求叙述相反的明确限制，否则使用诸如“一个”、“所述”、“所述”等单数冠词应被解读为叙述所指示的要素中的一者或多者。
根据本发明，提供了一种系统，所述系统具有计算机，所述计算机包括处理器和存储器，所述存储器包括指令，使得所述处理器被编程为：基于来自包括在第一车辆中的第一传感器的数据来识别在所述第一车辆的行驶路径的第一阈值距离内和所述第一车辆的第二阈值距离内移动的第二车辆；从包括在所述第一车辆中的第二传感器接收所述第二车辆的瞬时速度数据；以及基于所述瞬时速度数据来确定所述第二车辆的工况。
根据一个实施例，所述处理器还被编程为：基于来自所述第一传感器的所述数据，确定所述第二车辆相对于所述第一车辆的平均径向速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述第一车辆的所述平均径向速度。
根据一个实施例，所述处理器还被编程为：基于来自所述第一传感器的数据，确定所述第二车辆的物理测量值，其中确定所述第二车辆的所述工况还基于所述第二车辆的所述物理测量值。
根据一个实施例，所述处理器还被编程为：确定所述第二车辆相对于支撑表面的速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述支撑表面的所述速度。
根据一个实施例，所述处理器还被编程为：确定所述第二车辆在其上行驶的支撑表面的类型，其中确定所述第二车辆的所述工况还基于所述支撑表面的所述类型。
根据一个实施例，所述处理器还被编程为：基于所述第二车辆的所述确定的工况来预测所述第二车辆的轨迹。
根据一个实施例，所述处理器还被编程为：基于所述第二车辆的所述预测轨迹来调整所述第一车辆的行驶路径。
根据一个实施例，所述处理器还被编程为：从所述第二传感器接收来自支撑所述第一车辆的表面的瞬时速度数据；并且部分地基于来自支撑所述第一车辆的所述表面的所述瞬时速度数据来确定所述工况。
根据一个实施例，所述处理器还被编程为：选择所述第二车辆上的测量目标；并且引导所述第二传感器从所述测量目标收集所述瞬时速度数据。
根据一个实施例，所述处理器还被编程为：将来自所述第二车辆的所述瞬时速度数据输入到训练过的神经网络，所述训练过的神经网络确定所述工况；并且从所述训练过的神经网络接收所述第二车辆的所述工况。
根据一个实施例，使用多个瞬时速度数据来训练所述训练过的神经网络，所述多个瞬时速度数据中的每一者表示处于相应的受控工况中的移动车辆，并且进一步地其中出于训练所述训练过的神经网络的目的，所述相应的受控工况中的每一者对应于相应的地面实况。
根据一个实施例，所述处理器还被编程为：在所述瞬时速度数据指示所述第二车辆中的故障模式的情况下通知所述第二车辆。
根据本发明，一种方法包括：基于来自包括在第一车辆中的第一传感器的数据来识别在所述第一车辆的行驶路径的第一阈值距离内和所述第一车辆的第二阈值距离内移动的第二车辆；从包括在所述第一车辆中的第二传感器接收所述第二车辆的瞬时速度数据；以及基于所述瞬时速度数据来确定所述第二车辆的工况。
在本发明的一个方面，所述方法包括：基于来自所述第一传感器的所述数据，确定所述第二车辆相对于所述第一车辆的平均径向速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述第一车辆的所述平均径向速度。
在本发明的一个方面，所述方法包括：基于来自所述第一传感器的数据，确定所述第二车辆的物理测量值，其中确定所述第二车辆的所述工况还基于所述第二车辆的所述物理测量值。
在本发明的一个方面，所述方法包括：确定所述第二车辆相对于支撑表面的速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述支撑表面的所述速度。
在本发明的一个方面，所述方法包括：基于所述第二车辆的所述确定的工况来预测所述第二车辆的轨迹，并且基于所述第二车辆的所述预测的轨迹来调整所述第一车辆的行驶路径。
在本发明的一个方面，所述方法包括：从所述第二传感器接收来自支撑所述第一车辆的表面的瞬时速度数据；并且部分地基于来自支撑所述第一车辆的所述表面的所述瞬时速度数据来确定所述工况。
在本发明的一个方面，所述方法包括：将来自所述第二车辆的所述瞬时速度数据输入到训练过的神经网络，所述训练过的神经网络确定所述工况；以及从所述训练过的神经网络接收所述第二车辆的所述工况，其中使用多个瞬时速度数据来训练所述训练过的神经网络，所述多个瞬时速度数据中的每一者表示处于相应的受控工况中的移动车辆，并且进一步地其中出于训练所述训练过的神经网络的目的，所述相应的受控工况中的每一者对应于相应的地面实况。
在本发明的一个方面，所述方法包括：在所述瞬时速度数据指示所述第二车辆中的故障模式的情况下通知所述第二车辆。

Claims (15)

1.一种方法，其包括：
基于来自包括在第一车辆中的第一传感器的数据来识别在所述第一车辆的行驶路径的第一阈值距离内和所述第一车辆的第二阈值距离内移动的第二车辆；
从包括在所述第一车辆中的第二传感器接收所述第二车辆的瞬时速度数据；以及
基于所述瞬时速度数据来确定所述第二车辆的工况。
2.如权利要求1所述的方法，其还包括：
基于来自所述第一传感器的所述数据，确定所述第二车辆相对于所述第一车辆的平均径向速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述第一车辆的所述平均径向速度。
3.如权利要求1所述的方法，其还包括：
基于来自所述第一传感器的数据，确定所述第二车辆的物理测量值，其中确定所述第二车辆的所述工况还基于所述第二车辆的所述物理测量值。
4.如权利要求1所述的方法，其还包括：
确定所述第二车辆相对于支撑表面的速度，其中确定所述第二车辆的所述工况还基于所述第二车辆相对于所述支撑表面的所述速度。
5.如权利要求1所述的方法，其还包括：
确定所述第二车辆在其上行驶的支撑表面的类型，其中确定所述第二车辆的所述工况还基于所述支撑表面的所述类型。
6.如权利要求1所述的方法，其还包括：
基于所述第二车辆的所述确定的工况来预测所述第二车辆的轨迹。
7.如权利要求6所述的方法，其还包括：
基于所述第二车辆的所述预测的轨迹来调整所述第一车辆的行驶路径。
8.如权利要求1所述的方法，其还包括：
从所述第二传感器接收来自支撑所述第一车辆的表面的瞬时速度数据；以及
部分地基于来自支撑所述第一车辆的所述表面的所述瞬时速度数据来确定所述工况。
9.如权利要求1所述的方法，其还包括：
选择所述第二车辆上的测量目标；以及
引导所述第二传感器从所述测量目标收集所述瞬时速度数据。
10.如权利要求1所述的方法，其还包括：
将来自所述第二车辆的所述瞬时速度数据输入到训练过的神经网络，所述训练过的神经网络确定所述工况；以及
从所述训练过的神经网络接收所述第二车辆的所述工况。
11.如权利要求10所述的方法，其中使用多个瞬时速度数据来训练所述训练过的神经网络，所述多个瞬时速度数据中的每一者表示处于相应的受控工况中的移动车辆，并且进一步地其中出于训练所述训练过的神经网络的目的，所述相应的受控工况中的每一者对应于相应的地面实况。
12.如权利要求1所述的方法，其还包括：
在所述瞬时速度数据指示所述第二车辆中的故障模式的情况下通知所述第二车辆。
13.一种计算机，其被编程为执行如权利要求1至12中任一项所述的方法。
14.一种车辆，其包括计算机，所述计算机被编程为执行如权利要求1至12中任一项所述的方法。
15.一种计算机程序产品，其包括存储指令的计算机可读介质，所述指令能够由计算机处理器执行以执行如权利要求1至12中任一项所述的方法。
CN202110093440.6A 2020-01-27 2021-01-22 车辆工况的检测 Pending CN113176096A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/752,820 US20210229657A1 (en) 2020-01-27 2020-01-27 Detection of vehicle operating conditions
US16/752,820 2020-01-27

Publications (1)

Publication Number Publication Date
CN113176096A true CN113176096A (zh) 2021-07-27

Family

ID=76753655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110093440.6A Pending CN113176096A (zh) 2020-01-27 2021-01-22 车辆工况的检测

Country Status (3)

Country Link
US (1) US20210229657A1 (zh)
CN (1) CN113176096A (zh)
DE (1) DE102021101426A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116046430A (zh) * 2023-01-06 2023-05-02 哈尔滨市科佳通用机电股份有限公司 轨旁故障图像检测设备工况的测试方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220113137A1 (en) * 2020-10-14 2022-04-14 Aptiv Technologies Limited System and method for determining movement of a vehicle based on information regarding movement of at least one other vehicle
US20220128995A1 (en) * 2020-10-22 2022-04-28 Waymo Llc Velocity estimation and object tracking for autonomous vehicle applications
US11841439B2 (en) 2020-11-02 2023-12-12 Waymo Llc Point cloud segmentation using a coherent lidar for autonomous vehicle applications
US11656629B1 (en) 2020-12-08 2023-05-23 Waymo Llc Detection of particulate matter in autonomous vehicle applications
CN114771542B (zh) * 2022-06-17 2022-09-20 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质
CN116152955B (zh) * 2023-04-19 2023-07-04 北京阿帕科蓝科技有限公司 车辆状态检测方法、装置、计算机设备和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110316056A (zh) * 2019-05-29 2019-10-11 文远知行有限公司 防止交通对象追尾方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116046430A (zh) * 2023-01-06 2023-05-02 哈尔滨市科佳通用机电股份有限公司 轨旁故障图像检测设备工况的测试方法
CN116046430B (zh) * 2023-01-06 2023-06-27 哈尔滨市科佳通用机电股份有限公司 轨旁故障图像检测设备工况的测试方法

Also Published As

Publication number Publication date
US20210229657A1 (en) 2021-07-29
DE102021101426A1 (de) 2021-07-29

Similar Documents

Publication Publication Date Title
US20210229657A1 (en) Detection of vehicle operating conditions
US11235768B2 (en) Detection of vehicle operating conditions
US9487212B1 (en) Method and system for controlling vehicle with automated driving system
US20190035275A1 (en) Autonomous operation capability configuration for a vehicle
US10793123B2 (en) Emergency braking for autonomous vehicles
US10752253B1 (en) Driver awareness detection system
US11400940B2 (en) Crosswind risk determination
US12024207B2 (en) Vehicle autonomous mode operating parameters
US11702044B2 (en) Vehicle sensor cleaning and cooling
US11845431B2 (en) Enhanced vehicle operation
US11794787B2 (en) Vehicle assist feature control
US11715338B2 (en) Ranking fault conditions
EP3960568A2 (en) Audio-based method to sense and detect the road condition for autonomous driving vehicles, computer-readable medium, data processing system and autonomous driving vehicle
US20220073070A1 (en) Vehicle draft mode
US11574463B2 (en) Neural network for localization and object detection
US11657635B2 (en) Measuring confidence in deep neural networks
CN113264042B (zh) 隐藏危险情况警示
US20220398463A1 (en) Ultrasonic system and method for reconfiguring a machine learning model used within a vehicle
US11572731B2 (en) Vehicle window control
US20220306119A1 (en) Location-based vehicle operation
CN112519779A (zh) 基于位置的车辆操作
CN112698325A (zh) 雷达校准系统
US20220172062A1 (en) Measuring confidence in deep neural networks
US11636688B1 (en) Enhanced vehicle operation
US11530933B1 (en) Vehicle navigation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination