CN113176949A - 优先级车辆管理 - Google Patents
优先级车辆管理 Download PDFInfo
- Publication number
- CN113176949A CN113176949A CN202110087172.7A CN202110087172A CN113176949A CN 113176949 A CN113176949 A CN 113176949A CN 202110087172 A CN202110087172 A CN 202110087172A CN 113176949 A CN113176949 A CN 113176949A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- computer
- spoofed
- priority
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 claims abstract description 67
- 230000009471 action Effects 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 44
- 230000008569 process Effects 0.000 description 38
- 230000007246 mechanism Effects 0.000 description 12
- 230000001413 cellular effect Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 240000005020 Acaciella glauca Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000863732 Ludisia Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 235000003499 redwood Nutrition 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/0011—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot associated with a remote control arrangement
- G05D1/0027—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot associated with a remote control arrangement involving a plurality of vehicles, e.g. fleet or convoy travelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G06Q50/40—
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow 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
- G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
- G08G1/096741—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where the source of the transmitted information selects which information to transmit to each vehicle
-
- 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
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/544—Remote
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/547—Messaging middleware
Abstract
本公开提供了“优先级车辆管理”。一种用于路边基础设施元件的计算机包括处理器和存储器。所述存储器存储指令,所述指令能够由所述处理器执行以从多个车辆接收通信;接收关于包括所述路边基础设施元件的区域的传感器数据;基于所述传感器数据,确定所述多个车辆是包括优先级车辆还是欺骗车辆;以及在确定所述多个车辆包括所述优先级车辆时向所述多个车辆指定第一动作,而在确定所述多个车辆包括欺骗车辆时向所述多个车辆指定第二动作。
Description
技术领域
本公开总体上涉及车辆通信系统。
背景技术
汽车工程师协会(SAE)限定了多个级别的车辆自动化。在级别0至2处,人类驾驶员通常在没有车辆帮助的情况下监测或控制大部分驾驶任务。例如,在级别0(“无自动化”),人类驾驶员负责所有车辆操作。在级别1(“驾驶员辅助”)处,车辆有时会辅助转向、加速或制动,但驾驶员仍然负责绝大多数的车辆控制。在级别2(“部分自动化”)处,车辆可在某些情况下在人的监督下控制转向、加速和制动,但不需要人的直接干预。在级别3至5处,车辆承担更多驾驶相关任务。在级别3(“有条件的自动化”),车辆可以在某些情况下处理转向、加速和制动,以及监测驾驶环境。然而,级别3要求驾驶员偶尔地进行干预。在级别4(“高度自动化”),车辆可以处理与级别3相同的任务,但不依赖于驾驶员干预某些驾驶模式。在级别5(“完全自动化”)处,车辆可以处理几乎所有的任务而无需驾驶员进行任何干预。
车辆对基础设施(V2I)和车辆对车辆(V2V)通信可允许各种级别自动化下的车辆向彼此和/或向基础设施元件提供数据。例如,基础设施元件可能能够提供关于区域中的对象、危险等的数据,以支持车辆的路径计划,例如避开危险和对象,并且/或者车辆可能能够向彼此提供此类数据。
发明内容
一种系统包括用于路边基础设施元件的计算机,所述计算机包括处理器和存储器。所述存储器存储指令,所述指令可由所述处理器执行以从多个车辆接收通信;接收关于包括所述路边基础设施元件的区域的传感器数据;基于所述传感器数据,确定所述多个车辆是包括优先级车辆还是欺骗车辆;以及在确定所述多个车辆包括所述优先级车辆时向所述多个车辆指定第一动作,而在确定所述多个车辆包括欺骗车辆时向所述多个车辆指定第二动作。
所述指令还可以包括用于进行以下操作的指令:部分地基于所述计算机是否已经识别出来自所述多个车辆中的一者的优先级消息来确定所述多个车辆是包括所述优先级车辆还是所述欺骗车辆。所述指令还可以包括用于进行以下操作的指令:在确定识别出所述优先级消息时,然后基于所述传感器数据来确定所述优先级车辆是否包括在所述多个车辆中。所述指令还可以包括用于进行以下操作的指令:在确定未识别出所述优先级消息时,基于根据所述传感器数据识别指定交通模式来确定所述多个车辆包括所述欺骗车辆。所述指定交通模式可以包括以下至少一者:所述多个车辆中的两者或更多者停在指定范围内达一定时间量,或者所述多个车辆中的两者或更多者停在包括所述路边基础设施元件的区域内的指定区域内的位置处。可以基于从监测所述路边基础设施元件周围的区域中的交通收集的数据来确定所述路边基础设施元件周围的所述区域的所述指定交通模式。可以基于将关于所述路边基础设施元件周围的区域中的交通的数据输入到深度神经网络来确定所述指定交通模式。所述欺骗车辆可以被配置为以被确定为所述路边基础设施元件不可检测的功率水平来传输欺骗消息。
所述第一动作可以包括给所述优先级车辆让路。所述第二动作可以包括忽略所述欺骗车辆。
所述指令还可以包括用于进行以下操作的指令:在所述传感器数据中识别出所述欺骗车辆。所述指令还可以包括用于进行以下操作的指令:确定所述欺骗车辆在多个时间中的每一者处的相应位置。所述指令还可以包括用于进行以下操作的指令:经由广域网向远程计算机传输识别所述欺骗车辆的消息。所述指令还可以包括用于进行以下操作的指令:经由短程通信协议向所述多个车辆广播识别所述欺骗车辆的消息。
所述系统还可以包括传感器,所述传感器被布置成向所述计算机提供所述传感器数据。
所述系统还可以包括所述多个车辆中的一者,所述车辆包括车辆计算机,所述车辆计算机包括车辆计算机处理器和车辆计算机存储器,所述车辆计算机存储器存储车辆指令,所述车辆指令可由所述车辆处理器执行以在接收到所述第一动作或所述第二动作时,基于由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的行驶方向来确定是执行所述接收到的第一动作还是第二动作。所述车辆指令还可以包括用于进行以下操作的指令:基于由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的位置来确定是执行所述接收到的第一动作还是第二动作。用于确定是执行所述接收到的第一动作还是第二动作的所述车辆指令还可以包括用于进行以下操作的指令:确定由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置是否与从车辆传感器数据检测到的所述多个车辆中的一者的位置相匹配。用于确定由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置是否与从车辆传感器数据检测到的所述多个车辆中的一者的位置相匹配的车辆指令可以包括用于进行以下操作的指令:考虑由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置的传送延时。
所述指令还可以包括用于进行以下操作的指令:确定所述多个车辆包括所述优先级车辆和所述欺骗车辆中的每一者。
附图说明
图1是示出示例性交通通信和控制系统的框图。
图2是示出其中可以实施图1的系统的示例性交通场景的图示。
图3是示出其中可以实施图1的系统的另一示例性交通场景的图示。
图4是示出其中可以实施图1的系统的另一示例性交通场景的图示。
图5是示例性深度神经网络的图示。
图6是用于基础设施元件计算机监测区域的优先级车辆和/或欺骗车辆的示例性过程的流程图。
图7是用于车辆计算机响应来自基础设施元件的关于优先级车辆和/或欺骗车辆的消息的示例性过程的流程图。
图8示出了交通模式的示例性图形800。
具体实施方式
参考图1至图4,交通通信和控制系统100包括基础设施元件140,所述基础设施元件具有传感器145、通信模块150和计算机155,所述基础设施元件被设置为监测基础设施元件140周围的限定区域200,包括区域200中的车辆105、205。例如,限定区域200可以是靠近基础设施元件140的区域,即,由一个或多个元件140的传感器145的视野限定的区域,或者替代地作为由围绕元件140的半径或相对于基础设施元件140的某个其他距离或一组距离限定的区域。
可以位于区域200中的多个车辆105中所包括的某些车辆105可以是优先级车辆105P(参见图3)或欺骗车辆105S(参见图4)。优先级车辆105P通常是政府车辆或紧急车辆105,其优先于其他车辆105,使得其他车辆105有责任或被要求让路,例如,移动到道路210的一侧,使得优先级车辆105可以通过。优先级车辆105可以通过被发送到其他车辆105和/或基础设施140的消息中的数据来识别,例如根据被识别为指示优先级车辆105的车辆105优先级标识符(例如,字母数字串)来识别。欺骗车辆105S是在被发送到其他车辆105和/或基础设施140的消息中包括优先级标识符但实际上不是要求或应让其他车辆105让路的车辆105的车辆。
基础设施元件140计算机155可以被编程为从多个车辆105、105P、105S接收通信;接收关于包括路边基础设施元件140的区域200的传感器145数据;基于传感器145数据,确定多个车辆105、105P、105S是包括优先级车辆105P还是欺骗车辆105S;在确定多个车辆105、105P、105S包括优先级车辆105P时向多个车辆105、105P、105S指定第一动作,而在确定多个车辆包括欺骗车辆105S时向多个车辆指定第二动作。
示例性系统
车辆
在以下段落中描述了车辆105;理解对车辆105的描述通常也适用于车辆105P、105S。车辆105通常是陆地车辆,诸如汽车、卡车、摩托车等。车辆105可以包括车辆计算机110、传感器115、用于致动各种车辆部件125的致动器120以及车辆通信模块130。通信模块130允许车辆计算机110例如经由消息传递或广播协议(诸如专用短程通信(DSRC)、蜂窝和/或可支持车辆对车辆、车辆对基础设施、车辆对云通信等的其他协议)和/或经由分组网络135与一个或多个基础设施元件140和中央服务器170通信。
车辆计算机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操作)的指令。
计算机110可以自主模式、半自主模式或非自主(或手动)模式来操作车辆105。出于本公开的目的,自主模式被限定为其中由计算机110控制车辆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车辆的加速)、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可以包括或例如经由车辆105网络(诸如,如下文进一步描述的通信总线)通信地耦合到多于一个处理器,所述处理器例如包括在车辆中所包括的电子控制器单元(ECU)等中以用于监测和/或控制各种车辆部件125,例如,动力传动系统控制器、制动控制器、转向控制器等。计算机110通常被布置用于在车辆通信网络上进行通信,所述车辆通信网络可以包括车辆中的总线(诸如控制器局域网(CAN)等)和/或其他有线和/或无线机制。
经由车辆105网络,计算机110可向车辆中的各种装置(例如,传感器115、致动器120、人机界面(HMI)等)传输消息和/或从各种装置接收消息(例如,CAN消息)。可选地或另外地,在计算机110实际上包括多个装置的情况下,车辆105通信网络可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115可经由车辆通信网络向计算机110提供数据。
车辆105传感器115可以包括诸如已知用于向计算机110提供数据的多种装置。例如,传感器115可以包括设置在车辆105的顶部上、在车辆105的前挡风玻璃后面、在车辆105周围等的光探测和测距(LIDAR)传感器115等,所述传感器提供车辆105周围的对象的相对位置、大小和形状。作为另一示例,固定到车辆105保险杠的一个或多个雷达传感器115可提供数据来提供对象、第二车辆105等相对于车辆105的位置的位置。替代地或另外,传感器115还可以例如包括相机传感器115(例如,前视、侧视等),所述相机传感器提供来自车辆105周围的区域的图像。在本公开的背景中,对象是可以通过可由传感器115检测到的物理现象(例如,光或其他电磁波或声音等)来表示的物理(即,物质)物品。因此,车辆105以及包括以下讨论的其他物品都落在本文的“对象”的定义内。
车辆105致动器120经由电路、芯片或可根据如众所周知的适当控制信号来致动各种车辆子系统的其他电子和/或机械部件来实施。致动器120可用于控制部件125,包括车辆105的制动、加速和转向。
在本公开的上下文中,车辆部件125是一个或多个硬件部件,所述一个或多个硬件部件被适配成执行机械或机电功能或操作,诸如使车辆105移动、使车辆101减慢或停止、使车辆105转向等。部件125的非限制性示例包括推进部件(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,可以包括方向盘、转向齿条等中的一者或多者)、制动部件(如下所述)、停车辅助部件、自适应巡航控制部件、自适应转向部件、可移动座椅等。
另外,计算机110可以被配置用于经由车辆对车辆通信模块或接口130与车辆105外部的装置通信,例如,通过到另一车辆、到基础设施元件140(通常经由直接射频通信)和/或(通常经由网络135)远程服务器170的车辆对车辆(V2V)或车辆对基础设施(V2I)无线通信(蜂窝和/或DSRC等)。模块130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,即,常规的射频发射器和接收器部件,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(或当利用多种通信机制时的多个拓扑)。经由模块130提供的示例性通信可以包括蜂窝、蓝牙、IEEE802.11、专用短程通信(DSRC)、蜂窝V2X(CV2X)等。为了方便起见,标签“V2X”在本文中用于通信,所述通信可以是车辆对车辆(V2V)和/或车辆对基础设施(V2I),并且可以由通信模块130、150根据到任何合适的短程通信机制(例如,DSRC、蜂窝等)而提供。
网络
车辆105和基础设施元件140(例如,通信模块130、150)可经由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)通信机制的任何所需组合以及任何所需的网络拓扑(或当利用多个通信机制时的多个拓扑)来彼此和/或与其他装置进行通信。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,使用低功耗(BLE)、IEEE 802.11、专用短程通信(DSRC)、蜂窝车辆联网通信(CV2x)等)、局域网(LAN)和/或广域网(WAN),包括互联网。
基础设施元件
基础设施元件140包括物理结构,诸如塔或其他支撑结构(例如,杆、可安装到桥梁支座的盒子、手机塔、路标支撑件等),基础设施传感器145以及基础设施通信模块150和计算机155可以容置、安装、存放和/或容纳在所述物理结构上或其中并且被供电等。基础设施元件140通常为静止的,即,固定到特定物理位置并且不能从其移动。为了方便起见,“基础设施”可以缩写为“IX”。尽管为便于说明而未示出,但基础设施元件140还包括电源,诸如电池、太阳能电池单元和/或到电力网的连接。为了便于说明,在图1中示出了一个基础设施元件140,但是系统100可以包括数十个、数百个或数千个元件140。
基础设施传感器145可以包括一个或多个传感器,诸如上文针对车辆105传感器115所描述,例如,激光雷达、雷达、相机、超声传感器等。基础设施传感器145是固定或静止的。也就是说,每个传感器145安装到基础设施元件,以便具有基本上不移动且不改变的视野。因此,与车辆105传感器115相比,传感器145在很多有利方面提供视野。首先,由于传感器145具有基本上恒定的视野,因此可用比还必须考虑到传感器145的移动的情况更少且更简单的处理资源来完成对车辆105和对象位置的确定。此外,基础设施传感器145包括车辆105的外部视角,并且有时可以检测到不在车辆105传感器115的视野内的对象的特征和特性和/或可以提供更准确的检测,例如,关于车辆105相对于其他对象的位置和/或移动。更进一步地,传感器145可经由有线连接与元件140计算机155通信,而车辆105通常可仅无线地或仅在有线连接可用时的非常有限时间内与元件140和/或服务器170进行通信。有线通信更可靠并且可比诸如车辆对基础设施通信等的无线通信更快。
通信模块150可以包括IX元件140的计算机155可以通过其进行通信的一种或多种机制,即,常规的射频发射器和接收器部件,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(或当利用多种通信机制时的多个拓扑)。经由模块150提供的示例性通信可以包括蜂窝、蓝牙、IEEE802.11、专用短程通信(DSRC)、蜂窝V2X(CV2X)等。
计算机155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执行使得计算机155被编程为执行各种操作(包括如本文所公开的)的指令。
交通区域
图2至图4示出了由基础设施元件140监测的示例性交通区域200的各种图示。交通区域200包括道路210上的车辆105;如图3和图4所示,交通区域200中的车辆105可以包括优先级车辆105P和/或欺骗车辆105S。如上所述,限定区域200可以由一个或多个元件140传感器145的视野或由围绕元件140的半径或相对于基础设施元件140的某个其他距离或一组距离限定。
车辆105经由如上所述的通信模块130可以发送和接收V2X通信。例如,优先级车辆105P可以经由DSRC等传输优先级消息。在本公开的上下文中,“消息”是例如经由射频通信从第一装置传输到第二装置的数字编码数据集,例如,第一装置和第二装置可以是传输和接收用于计算机110、155的数据的模块130、150。消息通常包括一个或多个常规数据分组,即,包括报头和有效载荷的分组,所述有效载荷提供各种数据,即,消息内容。众所周知,计算机110、155可以被编程为对数据进行编码和串行化,即,转换为位串,所述数据诸如描述对象的数据、描述车辆105工况(诸如速度、航向等)的数据、关于车辆的规划路线的数据等,使得所述数据可以包括在包括分组的消息中,所述分组包括串行化的数据(或者在多个分组中的每一个中,包括其一部分)作为有效载荷,所述消息被传输到车辆105和/或基础设施140(即,作为发送器和接收器的装置)或者从车辆105和/或基础设施140传输。所述系统可以并且通常确实包括多个发送器和/或多个接收器,即,至少一个IX元件140和多个车辆105,并且因此包括多个通信模块130、150。
V2X消息可以在消息有效载荷中包括优先级指示符。例如,优先级指示符可以是指定车辆105是或不是优先级车辆105P的二进制值(零或一、是或否等)。替代地或另外,空值可以是指定车辆105不是优先级车辆105P的默认值。此外,优先级指示符可以是具有一个以上的位以指定车辆105不是优先级车辆105P或者是特定类型的优先级车辆105P的字段,例如,不同的值可以指定救护车、警车、消防车和/或其他类型的优先级车辆105P。计算机110、155可以接收包括优先级指示符的V2X消息,并且可以在对消息有效载荷进行解码时确定优先级指示符的值。因此,计算机155可以包括可由其存储器执行的指令,即,可以被编程为部分地基于计算机155是否已经识别出来自多个车辆105中的一者的优先级消息来确定多个车辆是包括优先级车辆105P还是欺骗车辆105S。
此外,计算机155可以被编程为在确定识别出优先级消息时,即,当从车辆105接收的V2X消息指示优先级车辆105P时,然后基于传感器数据来确定优先级车辆105P是否包括在多个车辆中。例如,VIX元件140可以包括成像传感器145,诸如相机。常规的图像识别技术可以用于确定由传感器145捕获的图像是否包括优先级车辆105P的表示,例如,是否可以在图像中识别出警车或其他优先级车辆105P。
计算机155还可以被编程为在确定未识别出优先级消息时,基于根据传感器数据识别指定交通模式来确定多个车辆包括欺骗车辆。本文中的“交通模式”是指相应车辆105在指定时间或在指定时间范围内的一组位置。
计算机155的存储器或数据存储装置可以存储一个或多个交通模式,以及针对每个交通模式的指示,即,交通模式指示与存在或不存在与优先级车辆105P相关联的车辆105行为。然而,应注意,存在与优先级车辆105P相关联的交通模式不一定意味着实际上存在优先级车辆105P。例如,欺骗车辆105S可能正在发送具有优先级指示符的V2X消息,由此欺骗实际优先级车辆105P的存在。
例如,图3示出了其中存在优先级车辆105P的交通模式,而图4示出了其中不存在优先级车辆105P但存在欺骗车辆105S的类似交通模式。如图所示,计算机155可以确定交通模式包括区域200中的多个车辆105中的两者或更多者中的至少一者停在指定范围内达一定时间量。替代地或另外,交通模式可以包括区域200中的多个车辆105中的两者或更多者停在区域200内的指定位置处,例如道路210路肩215上的位置。此外,交通模式可以包括区域200中的多个车辆105中的两者或更多者停在道路210路肩215上达指定时间量,例如,10至20秒可以被确定为是在道路210路肩215上通常由优先级车辆105P产生、然后离开路肩215并恢复在道路210上行驶的时间。此交通模式(例如,通过观察道路210上的实际交通行为来确定)然后可以用于确定优先级车辆105P的存在,或者如下面进一步描述的那样,确定欺骗车辆105S的存在,因为已经以其他方式确定优先级车辆105P不存在。因此,基于车辆105的交通模式,计算机155可以确定优先级车辆105P或欺骗车辆105S存在于区域200中,即使未被IX传感器140、145检测到也是如此。
可以基于从监测路边基础设施元件140周围的区域200中的交通(即,车辆105)收集的数据来确定区域200的指定交通模式。例如,IX传感器145可以提供可以在一个或多个指定时间从其中确定车辆105的位置的图像,例如相机图像、激光雷达图像等。基于确定相应的车辆105位置,计算机155可以例如基于车辆105在道路210路肩215上达指定时间等来确定是否识别了指定交通模式。
在一些示例中,根据让路比率(yield ratio)(即,在例如道路210路肩215上的一组指定位置处的车辆105的比率)来确定交通模式,所述一组指定位置是车辆105预期在给优先级车辆105P让路时所占据的位置。让路比率是通过将出现让路(即,在让路位置处,例如,在路肩215上)的车辆的数量除以沿着道路210的指定距离(即,从起始位置到结束位置)的车辆的总数来确定的简单百分比。
图8是指示欺骗车辆105S的存在的交通模式的示例性图形800。在该示例中,图形800的x轴(标记为“位置”)提供距基础设施元件140的以米为单位的距离,负值在第一方向上,而正值在第二180度相反方向上。图形800的y轴(标记为“让路比率”)提供了在获得传感器145数据时的指定时间t由x轴指定的距离处让路(即,停在道路210路肩215上)的车辆的比率。因此,线805是在时间t处的指示距离处的让路比率(即,由让路的车辆105的数量确定的)的曲线图。点810指定欺骗车辆105S在时间t处的位置。在该示例中,指示欺骗车辆105S的交通模式是在从非让路车辆105开始并且在沿着道路210的车道的行驶方向在非让路车辆105前方80米处结束的距离内的100%的让路比率。可以例如基于优先级车辆105P在指定道路210上的主车辆105处的典型到达时间(基于相对于主车辆105的车辆105P速度和/或距离)和/或道路210的特性(例如,曲率或其缺失)来以经验确定让路比率的距离。然后,根据交通模式将非让路车辆确定为欺骗车辆105S。
此外,可以基于将关于路边基础设施元件140周围的区域500中的车辆105交通的数据输入到深度神经网络来确定交通模式。图5是可以被训练以识别交通模式的示例性深度神经网络(DNN)500的图示。例如,DNN 500可以是可加载到存储器中并由计算机155中所包括的处理器执行的软件程序。DNN 500可以包括n个输入节点505,每个输入节点505接受输入i的集合(即,输入i的每个集合可以包括一个或多个输入x)。DNN 500可以包括m个输出节点(其中m和n可以是但通常不是相同数量),其提供输出o1...om的集合。DNN 500包括多个层(包括数量k个隐藏层),每个层包括一个或多个节点505。因为节点505被设计来模仿生物(例如人类)神经元,它们有时称为人工神经元505。神经元框510示出了到示例性人工神经元505i的输入以及在其中进行的处理。将到每个神经元505的输入x1...xr的集合各自乘以相应权重wi1...wir,然后在输入函数∑中对加权输入进行求和以提供可能地以偏差bi进行了调整的净输入ai,然后将所述净输入提供给激活函数f,所述激活函数继而提供神经元505i输出yi。激活函数f可以是通常基于经验分析选择的多种合适的函数。如图5中的箭头所示,然后可以提供神经元505的输出以将其包括在到下一层中的一个或多个神经元505的输入集合中。
DNN 500可以被训练为接受例如指定车辆105位置和多个车辆105中的每个车辆105在一定的时间范围内在一个位置和/或多个位置处的一个或多个时间的数据作为输入数据。DNN 500可以被进一步训练以输出基于输入数据对交通模式指示存在或不存在优先级车辆105P(或可能的欺骗车辆105S)的确定。
DNN 500可以用地面实况数据(也就是说,关于现实世界状况或状态的数据)进行训练。例如,在本上下文中,指定车辆105位置和一个或多个时间的地面实况数据由特征矩阵和标签组成。特征矩阵是来自传感器110的原始数据(例如,用于相机传感器110的RGB矩阵、用于激光雷达传感器110的点云数据等)。特征矩阵还可以包括由神经网络提供的指定车辆105位置和速度的处理后数据。标签可以是指示车辆105是否让路的二进制标量值(例如,0或1)。权重w可通过使用例如高斯分布来初始化,并且每个节点505的偏差b可设定为零。训练DNN 500可以包括经由常规技术(诸如带优化的反向传播)来更新权重和偏差。在一个示例中,节点505的示例性初始和最终(即,训练之后的)参数(在此上下文中,参数是权重w和偏差b)如下:
<u>参数</u> | <u>初值</u> | <u>终值</u> |
w<sub>1</sub> | 0.902 | -0149438 |
w<sub>2</sub> | -0.446 | -0.0103792 |
w<sub>3</sub> | 1.152 | 0.00850074 |
w<sub>r</sub> | 0.649 | 0.00349599 |
b<sub>i</sub> | 0 | 0.00241366 |
节点505的权重w的集合一起作为节点505的权重矢量。DNN 500的同一层中的相应节点505的权重矢量可组合以形成所述层的权重矩阵。DNN 500的同一层中的相应节点505的偏差值b可组合以形成所述层的偏差矢量。然后可以在训练过的DNN 500中使用每一层的权重矩阵和每一层的偏差矢量。
在本上下文中,用于训练DNN 500的地面实况数据可以包括关于车辆105在区域500中在相应时间的相应位置的数据(或者替代地基于关于车辆105相对于通用路边基础设施元件140的位置的数据而施加在区域500的地图上的数据)。可以使用此地面实况数据来训练DNN 500,以将交通模式识别为与优先级车辆105P(或可能是欺骗车辆105S)处于区域200中相关联或不相关联。
根据交通模式确定优先级车辆105P或欺骗车辆105S被指示存在于区域200中可能是有用的,因为车辆基础设施元件140计算机155可能无法从V2X消息确定优先级车辆105P或欺骗车辆105S正在传输具有优先级指示符的消息。例如,欺骗车辆105S通信模块130可以被配置为以指定为足够低到路边基础设施元件140通信模块150无法检测到但区域200中的其他车辆105的通信模块130可检测到的功率水平传输欺骗消息。
无论计算机155是否从车辆105接收到具有优先级指示符的消息或者计算机155是否替代地或另外基于交通模式确定区域200中存在正广播优先级指示符的车辆105,计算机155都可以被编程为确定区域200中的被确定为存在并广播优先级指示符的车辆105是优先级车辆105P还是欺骗车辆105S。在做出此确定时,计算机155可以在确定优先级车辆105P时在V2X消息中向区域200中的车辆105指定并广播第一动作,而在确定欺骗车辆105S时指定并广播第二动作。例如,第一动作可以包括给优先级车辆让路,而第二动作可以包括忽略欺骗车辆。
接收对优先级车辆105P或欺骗车辆105S的广播识别和/或来自基础设施元件140的V2X消息中的推荐动作的车辆105然后可以实施所述动作。除了推荐动作并可能提供对欺骗车辆105S的识别之外,V2X消息还可以指定优先级车辆105P或欺骗车辆105S的行驶方向。然后,在与欺骗车辆相同的行驶方向上行驶的车辆105可以实施所述动作,而在相反方向上行驶的车辆105可以忽略所述动作。车辆105P、105S的行驶方向可以由计算机155基于如上所述的传感器145数据来确定(例如,计算机155可以跟踪车辆105P、105S随时间变化的位置,如下文进一步提及的),和/或可以在来自车辆105P、105S的消息中指定。
车辆105计算机110可以在从基础设施元件140接收到消息中的第一动作或第二动作时执行车辆指令,并且基于由计算机为路边基础设施元件提供的欺骗车辆的行驶方向来确定是执行所接收的第一动作还是第二动作。此外,车辆105计算机130可以包括用于进行以下操作的指令:基于由计算机155为路边基础设施元件140提供的欺骗车辆105S的位置来确定是执行所述接收到的第一动作还是第二动作。例如,如果欺骗车辆105S或优先级车辆105P的行驶方向与从基础设施元件140接收关于车辆105S、105P的消息的车辆105相同,则也可以考虑车辆105S、105P的位置。例如,如果车辆105S沿着行驶方向在车辆105的后面,则车辆105S可以忽略来自车辆105S的优先级消息。同样地,如果在消息中提供的优先级车辆105P的位置在车辆105的行驶方向上在车辆105的前方,则车辆105可以忽略来自车辆105P的优先级消息。这些情形的对立面也是如此。
此外,车辆105计算机110可以包括用于进行以下操作的指令:基于由计算机155为路边基础设施元件140提供的欺骗车辆105S的位置是否与从车辆105传感器115数据检测到的多个车辆105中的一者的位置相匹配来确定是执行所接收到的第一动作还是第二动作。如果是,则车辆105计算机110可以确定采取所述动作。如果否,则车辆105计算机110可以确定忽略所述动作。
用于确定由计算机110为路边基础设施元件140提供的欺骗车辆105S的位置是否与从车辆105传感器115数据检测到的多个车辆105中的一者的位置相匹配的车辆105计算机110编程可以包括用于进行以下操作的指令:考虑由计算机155为路边基础设施元件140提供的欺骗车辆105S的位置的传送延时。所述确定可以基于以下表达式(1):
||P(t′)-Q(t)||≤v(t)(t′-t)+d
在该表达式中,时间t和t'是由例如车辆105和基础设施元件140中的同步时钟记录的时间(通常这些都通过使用全球定位系统时钟来同步)。P(t′)是在优先级消息中提供的位置(即,来自优先级车辆105P或欺骗车辆105S),并且Q(t)是在来自基础设施元件140的识别欺骗车辆105S的消息(有时被称为欺骗消息)中提供的车辆105S的位置。v(t)指定在欺骗消息中识别的欺骗车辆105S的速度,并且距离d是基于测试传感器115、145以经验确定的偏移,以考虑测量误差或不精确性。如果在优先级消息中提供的位置与在欺骗消息中提供的欺骗车辆的位置的差异相差小于车辆105的预测行驶距离(调整了偏移d),则接收欺骗消息的车辆105计算机在考虑了相应的传感器145、115测量在时间t、t'的延时之后确认检测到的车辆实际上是欺骗车辆105S。
此外,在确定优先级车辆105P或欺骗车辆105S存在于区域200中时,计算机155可以被编程为识别车辆105P、105S。例如,如上所述,可以基于图像识别技术来识别优先级车辆105P。此外,可以基于车辆105P相对于其他车辆105的位置来识别优先级车辆105P。例如,如图3所示,优先级车辆105P可以在道路210的行驶车道上行驶,经过停在道路210的路肩215上的其他车辆105。类似地,如图4所示,欺骗车辆105S可以在道路210的行驶车道上行驶,经过停在道路210的路肩215上的其他车辆105。在这些示例中,车辆105P、105S以及其他车辆105可以通过计算机155使用对象识别和解译技术解译传感器145数据来识别。
此外,计算机155可以确定车辆105P、105S随时间变化(即,在多个时间中的每一者)的相应位置。因此,例如,可以跟踪欺骗车辆105S,并且可以例如经由网络135将欺骗车辆105S的一个或多个位置报告给远程服务器170。所述报告可以包括识别标记,例如,欺骗车辆105S的图像、在由计算机155接收的V2X消息中的车辆105S的标识符(如果接收到的话)、车辆105S牌照的图像等。此外,计算机155可以使通信模块150经由诸如以上所讨论的短程通信协议向区域200中的车辆105广播V2X消息,所述消息识别欺骗车辆,例如提供诸如刚刚讨论的识别标记。
图6是用于基础设施元件计算机155监测区域200的优先级车辆105P和/或欺骗车辆105S的示例性过程600的流程图。
过程600在框605中开始,其中计算机155接收传感器145数据。如上面所讨论的,传感器145数据可以提供关于一个或多个传感器145视野中的区域200的测量值,例如图像。
接下来,或实际上与框605基本上同时地,在框610中,计算机155通常经由通信模块150通常从靠近托管计算机155的基础设施元件140的区域200中的一个或多个车辆105接收一个或多个V2X通信。
接下来,在判定框615中,计算机155确定在框610中接收的一个或多个消息是否包括优先级消息,即,具有如上所述的优先级指示符的消息。如果是,则接下来执行框620。如果否,则过程600前进到框635。
在框620中,计算机155确定是否从传感器数据145检测到优先级车辆105P,如上所述。如果是,则接下来执行框625。否则,过程600前进到框645。
在框625中,计算机155致动模块150中继(即,广播或重播)在框610中接收到的并在框615中确认的一个或多个优先级消息。
在可以紧随框625或框645之后的框630中,计算机155确定是否继续过程600。例如,计算机155可以被编程为执行过程600,直到手动停用、断电等,或者计算机155可以被编程为以指定的时间间隔、指定的当日时间等执行过程600。如果过程600继续,则过程600返回到框605。否则,过程600结束。
在紧随框615之后的框635中,当计算机155确定尚未接收到优先级消息时,计算机155确定是否检测到指示欺骗车辆105S的交通模式,如上所述。如果是,则过程600前进到框640。否则,过程600前进到框630。
在框635之后到达的框640中,如果在框615中没有识别出优先级消息,但是在框635中确定交通模式指示欺骗车辆105S,则计算机155确定是否可以从传感器145数据识别出欺骗车辆105S。例如,可以从用于确定交通模式的数据中识别出欺骗车辆105S,例如,可以将欺骗车辆105S识别为在道路210上的行驶车道中经过道路210的多个车辆路肩215的车辆105。如果可以识别出欺骗车辆106,则过程600前进到框645。否则,在框640之后执行框650。
此外,作为在确定在框615中没有识别出优先级消息时到达框640的替代方案,可以在确定区域200中的多个车辆105包括优先级车辆105P和欺骗车辆105S中的每一者时执行框640。也就是说,尽管图6中未明确示出,但是即使在框615中确定了优先级消息,计算机155在甚至确定在框620中检测到优先级车辆105P后也可以前进到框640,或者可以执行框625,然后前进到框640,以确定除了所识别的优先级车辆105P之外交通模式是否还指示欺骗车辆。
在可以紧随框620、框640中的任一者之后的框645中,计算机155跟踪欺骗车辆105S的一个或多个位置。
在可以紧随框640、框645中的任一者之后的框650中,计算机155传输关于欺骗车辆105S的数据。例如,计算机155可以致动通信模块152,所述通信模块传输识别欺骗车辆105S的V2X消息,例如,所述消息包括受欺骗的优先级消息(如果有的话)中的标识符、时间t的位置、速度、行驶方向可能连同其他数据(包括推荐的动作),例如,以忽略欺骗车辆105S并且在道路210的行驶车道上维持行驶操作。此外,计算机155可以替代地或另外经由网络135将欺骗车辆105S报告给远程服务器170。可以提供与V2X消息中提供的数据类似的数据;计算机155可以替代地或另外提供欺骗车辆105S的被跟踪位置,即,在多个时间中的每一者的相应位置。此外,计算机155可以经由单独的过程向远程服务器170提供定期报告,例如,关于欺骗车辆105S的信息可以存储在计算机155的存储器或数据存储装置中,然后计算机可以定期地(例如,每小时、每天等)将此类数据上传到远程服务器170。在框650之后,过程600前进到框630。
图7是用于车辆105计算机110响应来自基础设施元件的关于欺骗车辆105S的消息的示例性过程700的流程图。
过程700在框705中开始,其中计算机110例如经由通信模块130从基础设施元件140接收识别欺骗车辆105S的消息。此外,消息通常包括关于欺骗车辆105S的其他信息,包括行驶方向、时间t的位置以及可能还有速度。
接下来,或者实际上可能与框705基本上同时地,在框710中,计算机110从另一车辆105接收V2V优先级消息,即,将另一车辆105识别为优先级车辆105P的消息并且还包括诸如上面关于框705所描述的其他数据。
接下来,在判定框715中,计算机110确定在框705中接收的消息中识别的车辆105S的行驶方向是否与发送在框710中接收的优先级消息的车辆105的行驶方向相同。如果是,则过程700前进到框720。如果否,则过程700前进到框725。
在框720中,计算机110确定在框705的消息中报告的欺骗车辆105S的位置是否与发送在框710中接收到的优先级消息的车辆105的检测到的位置(例如,基于车辆105传感器115数据)相匹配。替代地,计算机110可以确定在框705的消息中报告的欺骗车辆105S在时间t’的位置是否与发送在框710中接收到的优先级消息的车辆105在时间t’的位置相匹配,因为在所述优先级消息中报告了所述位置。在任何情况下,在本上下文中,如果位置足够接近以便在考虑到报告位置时的差异或延时的余量和/或在传感器115、145数据的合理误差余量中,则所述位置“相匹配”。例如,表达式(1)可以用于确定位置是否匹配。如果位置不匹配,则过程700前进到框725。否则,过程700前进至框730。
在可以紧随框715、720中的任一者之后的框725中,计算机110基于如关于框705所述确定由基础设施元件140识别为欺骗车辆105S的车辆是与在如关于框710所述接收的优先级消息中识别的车辆105P不是同一车辆来致动致动器120以控制部件125修改车辆105的操作。也就是说,通常,计算机110使车辆105移动到道路210路肩215并停下以允许优先级车辆105P通过。在框725之后,过程700前进到框735。
在可以紧随框720之后的框730中,计算机110以维持操作(例如,沿路线或路径行驶)的方式致动致动器120以控制车辆部件125,而不考虑在框710中接收的优先级消息,即,这导致车辆105忽略欺骗车辆105S。在框730之后,过程700前进到框735。
在框735中,计算机110确定是否继续过程700。例如,过程700可以在车辆105通电和/或处于“驾驶”模式时基本上连续地执行,并且可以在车辆105断电或置于“停放”或“备用”模式时结束。替代地或另外,过程700可以在车辆105处于完全自主模式时基本上连续地执行,并且可以在车辆105例如通过计算机110和/或用户输入转变到半自主或非自主模式时结束。如果过程700不继续,则过程700在框735之后结束。否则,过程700返回到框705以监测来自基础设施元件140和/或其他车辆105的消息。
如本文所使用,副词“基本上”意指形状、结构、测量结果、数量、时间等因为材料、机加工、制造、数据传输、计算速度等的缺陷而可能偏离精确描述的几何形状、距离、测量结果、数量、时间等。
“基于”涵盖“全部基于或部分基于”。如果在本文中第一事物被描述和/或声称为“基于”第二事物,则第一事物是从第二事物推导或计算出的,和/或从算法、过程或程序函数输出,所述算法、过程或程序函数接受一些或全部的第二事物作为输入并输出一些或全部的第一事物。
通常,所描述的计算系统和/或装置可采用多种计算机操作系统中的任一种,包括但决不限于以下版本和/或种类:福特应用程序;AppLink/智能装置连接中间件;Microsoft操作系统;Microsoft操作系统;Unix操作系统(例如,由加利福尼亚州红木海岸的甲骨文公司发布的操作系统);由纽约州阿蒙克市的国际商业机器公司发布的AIX UNIX操作系统;Linux操作系统;由加利福尼亚州库比蒂诺市的苹果公司发布的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黑莓操作系统;以及由谷歌公司和开放手机联盟开发的安卓操作系统;或由QNX软件系统公司提供的车载娱乐信息平台。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,其中所述指令可能能够由一个或多个计算装置(诸如以上所列出的那些)执行。可以由使用多种编程语言和/或技术创建的计算机程序编译或解译计算机可执行指令,所述编程语言和/或技术单独地或者组合地包括但不限于JavaTM、C、C++、Matlab、Simulink、Stateflow、Visual Basic、Java Script、Perl、HTML等。这些应用程序中的一些可以在诸如Java虚拟机、Dalvik虚拟机等虚拟机上编译和执行。通常,处理器(例如,微处理器)接收来自例如存储器、计算机可读介质等的指令,并执行这些指令,从而执行一个或多个过程,包括本文所述过程中的一个或多个。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集合。
存储器可以包括计算机可读介质(也称为处理器可读介质),所述计算机可读介质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。此类介质可以采取许多形式,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盘、软磁盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD、任何其他光学介质、穿孔卡片、纸带、具有孔图案的任何其他物理介质、RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒式磁带或计算机可以从中读取的任何其他介质。
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。文件系统可以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的用于执行本文所描述功能的此类指令。
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,可以同时执行某些步骤、可以添加其他步骤,或者可以省略本文所述的某些步骤。换句话说,本文对过程的描述是为了示出某些实施例而提供,而决不应将其理解为对权利要求进行限制。
因此,应理解,以上描述意图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,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。
除非本文做出明确的相反指示,否则权利要求中使用的所有术语意图给出如本领域技术人员所理解的普通和一般的含义。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,提供了一种包括用于路边基础设施元件的计算机的系统,所述系统具有处理器和存储器,所述存储器存储指令,所述指令可由所述处理器执行以:从多个车辆接收通信;接收关于包括所述路边基础设施元件的区域的传感器数据;基于所述传感器数据,确定所述多个车辆是包括优先级车辆还是欺骗车辆;以及在确定所述多个车辆包括所述优先级车辆时向所述多个车辆指定第一动作,而在确定所述多个车辆包括欺骗车辆时向所述多个车辆指定第二动作。
根据一个实施例,所述指令还包括用于进行以下操作的指令:部分地基于所述计算机是否已经识别出来自所述多个车辆中的一者的优先级消息来确定所述多个车辆是包括所述优先级车辆还是所述欺骗车辆。
根据一个实施例,所述指令还包括用于进行以下操作的指令:在确定识别出所述优先级消息时,然后基于所述传感器数据来确定所述优先级车辆是否包括在所述多个车辆中。
根据一个实施例,所述指令还包括用于进行以下操作的指令:在确定未识别出所述优先级消息时,基于根据所述传感器数据识别指定交通模式来确定所述多个车辆包括所述欺骗车辆。
根据一个实施例,所述指定交通模式包括以下至少一者:所述多个车辆中的两者或更多者停在指定范围内达一定时间量,或者所述多个车辆中的两者或更多者停在包括所述路边基础设施元件的区域内的指定区域内的位置处。
根据一个实施例,基于从监测所述路边基础设施元件周围的区域中的交通收集的数据来确定所述路边基础设施元件周围的所述区域的所述指定交通模式。
根据一个实施例,基于将关于所述路边基础设施元件周围的区域中的交通的数据输入到深度神经网络来确定所述指定交通模式。
根据一个实施例,所述欺骗车辆被配置为以被确定为所述路边基础设施元件不可检测的功率水平来传输欺骗消息。
根据一个实施例,所述第一动作包括给所述优先级车辆让路。
根据一个实施例,所述第二动作包括忽略所述欺骗车辆。
根据一个实施例,所述指令还包括用于进行以下操作的指令:在所述传感器数据中识别出所述欺骗车辆。
根据一个实施例,所述指令还包括用于进行以下操作的指令:确定所述欺骗车辆在多个时间中的每一者处的相应位置。
根据一个实施例,所述指令还包括用于进行以下操作的指令:经由广域网向远程计算机传输识别所述欺骗车辆的消息。
根据一个实施例,所述指令还包括用于进行以下操作的指令:经由短程通信协议向所述多个车辆广播识别所述欺骗车辆的消息。
根据一个实施例,本发明的特征还在于传感器,所述传感器被布置为将所述传感器数据提供给所述计算机。
根据一个实施例,本发明的特征还在于所述多个车辆中的一者,所述车辆包括车辆计算机,所述车辆计算机包括车辆计算机处理器和车辆计算机存储器,所述车辆计算机存储器存储车辆指令,所述车辆指令可由所述车辆处理器执行以在接收到所述第一动作或所述第二动作时,基于由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的行驶方向来确定是执行所述接收到的第一动作还是第二动作。
根据一个实施例,本发明的特征还在于用于进行以下操作的指令:基于由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的位置来确定是执行所述接收到的第一动作还是第二动作。
根据一个实施例,用于确定是执行所述接收到的第一动作还是第二动作的所述车辆指令还包括用于进行以下操作的指令:确定由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置是否与从车辆传感器数据检测到的所述多个车辆中的一者的位置相匹配。
根据一个实施例,用于确定由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置是否与从车辆传感器数据检测到的所述多个车辆中的一者的位置相匹配的车辆指令包括用于进行以下操作的指令:考虑由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置的传送延时。
根据一个实施例,所述指令还包括用于进行以下操作的指令:确定所述多个车辆包括所述优先级车辆和所述欺骗车辆中的每一者。
Claims (15)
1.一种包括用于路边基础设施元件的计算机的系统,所述计算机包括处理器和存储器,所述存储器存储指令,所述指令能够由所述处理器执行以:
从多个车辆接收通信;
接收关于包括所述路边基础设施元件的区域的传感器数据;
基于所述传感器数据,确定所述多个车辆是包括优先级车辆还是欺骗车辆;以及
在确定所述多个车辆包括所述优先级车辆时向所述多个车辆指定第一动作,而在确定所述多个车辆包括欺骗车辆时向所述多个车辆指定第二动作。
2.如权利要求1所述的系统,其中所述指令还包括用于进行以下操作的指令:部分地基于所述计算机是否已经识别出来自所述多个车辆中的一者的优先级消息来确定所述多个车辆是包括所述优先级车辆还是所述欺骗车辆。
3.如权利要求2所述的系统,其中所述指令还包括用于进行以下操作的指令:在确定识别出所述优先级消息时,然后基于所述传感器数据来确定所述优先级车辆是否包括在所述多个车辆中。
4.如权利要求2所述的系统,其中所述指令还包括用于进行以下操作的指令:在确定未识别出所述优先级消息时,基于根据所述传感器数据识别指定交通模式来确定所述多个车辆包括所述欺骗车辆。
5.如权利要求4所述的系统,其中所述指定交通模式(a)包括以下至少一者:所述多个车辆中的两者或更多者停在指定范围内达一定时间量,或者所述多个车辆中的两者或更多者停在包括所述路边基础设施元件的所述区域内的指定区域内的位置处,和/或(b)基于从监测所述路边基础设施元件周围的区域中的交通收集的数据来确定所述路边基础设施元件周围的所述区域的所述指定交通模式,和/或(c)基于将关于所述路边基础设施元件周围的所述区域中的交通的数据输入到深度神经网络来确定所述指定交通模式。
6.如权利要求2所述的系统,其中所述欺骗车辆被配置为以被确定为所述路边基础设施元件不可检测的功率水平来传输欺骗消息。
7.如权利要求1所述的系统,其中第一动作包括给所述优先级车辆让路,和/或所述第二动作包括忽略所述欺骗车辆。
8.如权利要求1所述的系统,其中所述指令还包括用于进行以下操作的指令:在所述传感器数据中识别出所述欺骗车辆。
9.如权利要求8所述的系统,其中所述指令还包括用于进行以下操作的指令:确定所述欺骗车辆在多个时间中的每一者处的相应位置。
10.如权利要求8所述的系统,其中所述指令还包括用于进行以下操作的指令:经由广域网向远程计算机传输识别所述欺骗车辆的消息。
11.如权利要求8所述的系统,其中所述指令还包括用于进行以下操作的指令:经由短程通信协议向所述多个车辆广播识别所述欺骗车辆的消息。
12.如权利要求1所述的系统,其还包括所述多个车辆中的一者,所述车辆包括车辆计算机,所述车辆计算机包括车辆计算机处理器和车辆计算机存储器,所述车辆计算机存储器存储车辆指令,所述车辆指令能够由所述车辆处理器执行以在接收到所述第一动作或所述第二动作时,基于由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的行驶方向来确定是执行所述接收到的第一动作还是第二动作。
13.如权利要求12所述的系统,所述车辆指令还包括用于进行以下操作的指令:基于由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的位置来确定是执行所述接收到的第一动作还是第二动作。
14.如权利要求13所述的系统,其中用于确定是执行所述接收到的第一动作还是第二动作的所述车辆指令还包括用于进行以下操作的指令:确定由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置是否与从车辆传感器数据检测到的所述多个车辆中的一者的位置相匹配。
15.如权利要求14所述的系统,其中用于确定由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置是否与从车辆传感器数据检测到的所述多个车辆中的一者的位置相匹配的车辆指令包括用于进行以下操作的指令:考虑由所述计算机为所述路边基础设施元件提供的所述欺骗车辆的所述位置的传送延时。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/751,248 | 2020-01-24 | ||
US16/751,248 US11521491B2 (en) | 2020-01-24 | 2020-01-24 | Priority vehicle management |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113176949A true CN113176949A (zh) | 2021-07-27 |
Family
ID=76753839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087172.7A Pending CN113176949A (zh) | 2020-01-24 | 2021-01-22 | 优先级车辆管理 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11521491B2 (zh) |
CN (1) | CN113176949A (zh) |
DE (1) | DE102021101281A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11521491B2 (en) * | 2020-01-24 | 2022-12-06 | Ford Global Technologies, Llc | Priority vehicle management |
KR102596403B1 (ko) * | 2021-08-12 | 2023-11-01 | 한국전자통신연구원 | V2v 통신 기반 자율 주행 차량 협상 방법 및 장치 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9818136B1 (en) * | 2003-02-05 | 2017-11-14 | Steven M. Hoffberg | System and method for determining contingent relevance |
US20090174572A1 (en) * | 2008-01-04 | 2009-07-09 | Smith Alexander E | Method and apparatus for an adaptive target vehicle notification system |
WO2011145353A1 (ja) * | 2010-05-19 | 2011-11-24 | 三洋電機株式会社 | 基地局装置 |
KR101426294B1 (ko) | 2012-03-30 | 2014-08-06 | 이화여자대학교 산학협력단 | 지역 사회 기반 자동차 평판 시스템 |
US9769658B2 (en) * | 2013-06-23 | 2017-09-19 | Shlomi Dolev | Certificating vehicle public key with vehicle attributes |
WO2015157814A1 (en) * | 2014-04-14 | 2015-10-22 | Licensys Australasia Pty Ltd | Vehicle identification and/or monitoring system |
KR20160038091A (ko) * | 2014-09-24 | 2016-04-07 | 현대자동차주식회사 | V2x 통신을 위한 csr 인증서 발급 방법 및 시스템 |
US11277721B2 (en) * | 2015-02-13 | 2022-03-15 | Nokia Technologies Oy | Flexible security rating and decision mechanism for machine type communications |
US9913104B2 (en) * | 2016-01-21 | 2018-03-06 | General Motors Llc | Vehicle location services |
KR101803651B1 (ko) | 2016-06-22 | 2017-12-01 | 부경대학교 산학협력단 | 차량 클라우드 서비스 접속을 위한 인증 방법 |
JP6717183B2 (ja) * | 2016-12-14 | 2020-07-01 | 株式会社オートネットワーク技術研究所 | 路車間通信システム、路側通信装置、車載通信装置及び路車間通信方法 |
EP3448072B1 (en) * | 2017-08-22 | 2020-09-30 | Cohda Wireless Pty Ltd. | Determination of plausibility of intelligent transport system messages |
US11079241B2 (en) * | 2017-12-29 | 2021-08-03 | Intel Corporation | Detection of GPS spoofing based on non-location data |
JP7045288B2 (ja) * | 2018-01-22 | 2022-03-31 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | データ解析装置、データ解析方法及びプログラム |
JP7045286B2 (ja) * | 2018-01-22 | 2022-03-31 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | データ解析装置、データ解析方法及びプログラム |
CN109462836B (zh) | 2018-11-09 | 2019-12-06 | 长安大学 | 融合区块链共识机制的车联网恶意节点检测系统及方法 |
US11252567B2 (en) * | 2018-12-21 | 2022-02-15 | Intel Corporation | Methods and apparatus for detecting attacks in V2X networks |
US10955841B2 (en) * | 2018-12-28 | 2021-03-23 | At&T Intellectual Property I, L.P. | Autonomous vehicle sensor security system |
US11521491B2 (en) * | 2020-01-24 | 2022-12-06 | Ford Global Technologies, Llc | Priority vehicle management |
-
2020
- 2020-01-24 US US16/751,248 patent/US11521491B2/en active Active
-
2021
- 2021-01-21 DE DE102021101281.3A patent/DE102021101281A1/de active Pending
- 2021-01-22 CN CN202110087172.7A patent/CN113176949A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210233397A1 (en) | 2021-07-29 |
DE102021101281A1 (de) | 2021-07-29 |
US11521491B2 (en) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11351996B2 (en) | Trajectory prediction of surrounding vehicles using predefined routes | |
US11673555B2 (en) | Vehicle threat detection and response | |
CN111464972A (zh) | 经优先级排序的车辆消息传递 | |
US10841761B2 (en) | Adaptive vehicle-to-infrastructure communications | |
US11574463B2 (en) | Neural network for localization and object detection | |
CN113176949A (zh) | 优先级车辆管理 | |
US10953871B2 (en) | Transportation infrastructure communication and control | |
WO2019088977A1 (en) | Continual planning and metareasoning for controlling an autonomous vehicle | |
US10974727B2 (en) | Transportation infrastructure communication and control | |
CN114475627A (zh) | 增强的车辆操作 | |
US11500104B2 (en) | Localizing a moving object | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
CN112896179A (zh) | 车辆操作参数 | |
EP4113154A1 (en) | Improving accuracy of predictions on radar data using vehicle-to-vehicle technology | |
US20230280181A1 (en) | Ice thickness estimation for mobile object operation | |
CN116324662B (zh) | 用于跨自主车队执行结构化测试的系统 | |
US20210264689A1 (en) | Vehicle error alerting system | |
CN116443046A (zh) | 具有用于并道轨迹中的自动车辆的领先者确定模块的辅助系统 | |
US11262201B2 (en) | Location-based vehicle operation | |
US20220080968A1 (en) | Adaptive cruise control | |
US10950129B1 (en) | Infrastructure component broadcast to vehicles | |
US20220172062A1 (en) | Measuring confidence in deep neural networks | |
US20230159032A1 (en) | Vehicle lane-change operations | |
US11462020B2 (en) | Temporal CNN rear impact alert system | |
EP4361819A1 (en) | Methods and apparatuses for closed-loop evaluation for autonomous vehicles |
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 |