CN113286733A - 用于管理不同自主水平的车辆之间的交互的方法和系统 - Google Patents

用于管理不同自主水平的车辆之间的交互的方法和系统 Download PDF

Info

Publication number
CN113286733A
CN113286733A CN201980086239.6A CN201980086239A CN113286733A CN 113286733 A CN113286733 A CN 113286733A CN 201980086239 A CN201980086239 A CN 201980086239A CN 113286733 A CN113286733 A CN 113286733A
Authority
CN
China
Prior art keywords
vehicle
autonomous
vehicles
processor
autonomy
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
CN201980086239.6A
Other languages
English (en)
Inventor
J·A·多尔蒂
J·S·柏克隆
K·W·切拉塞
S·M·查维斯
R·E·凯斯勒
P·D·马丁
D·W·梅林格三世
M·J·绍敏
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.)
Qualcomm Inc
Original Assignee
Qualcomm 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 Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN113286733A publication Critical patent/CN113286733A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
    • 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
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B60W30/162—Speed limiting therefor
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0018—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal conditions
    • B60W60/00186—Planning or execution of driving tasks specially adapted for safety by employing degraded modes, e.g. reducing speed, in response to suboptimal conditions related to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
    • G05D1/0066—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements for limitation of acceleration or stress
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0293—Convoy travelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/22—Platooning, i.e. convoy of communicating vehicles
    • 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]
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/04—Monitoring the functioning of the control system
    • B60W50/045—Monitoring control system parameters
    • B60W2050/046—Monitoring control system parameters involving external transmission of data to or from the vehicle, e.g. via telemetry, satellite, Global Positioning System [GPS]
    • B60W2050/048—Monitoring control system parameters involving external transmission of data to or from the vehicle, e.g. via telemetry, satellite, Global Positioning System [GPS] displaying data transmitted between vehicles, e.g. for platooning, control of inter-vehicle distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

方法、设备和系统使得能够通过以下方式来实现对自主车辆的控制：识别在自主车辆的阈值距离内的车辆，确定每个所识别车辆的自主能力度量，并基于每个所识别车辆的所确定自主能力度量来调整自主车辆的驾驶参数。调整驾驶参数可以包括：调整最小间隔距离、最小跟随距离、速度参数或者加速度参数中的一个或多个。

Description

用于管理不同自主水平的车辆之间的交互的方法和系统
相关申请
本申请要求享受2019年1月2日提交的、标题为“Methods And Systems ForManaging Interactions Between Vehicles With Varying Levels Of Autonomy”的美国临时申请No.62/787,560和2019年1月2日提交的、标题为“Methods And Systems ForEstablishing Cooperative Driving Engagements With Vehicles Having VaryingLevels Of Autonomy”的美国临时申请No.62/787,569的优先权，故以引用方式将这两份申请的全部内容并入本文。
背景技术
随着工业朝着部署越来越复杂的无人驾驶技术迈进，汽车正在变得越来越智能，无人驾驶技术能够在很少或没有人工输入的情况下操作车辆。这些自主驾驶和半自主车辆可以检测关于其位置和周围环境的信息(例如，使用雷达、LIDAR、GPS、里程表、加速度计、相机和其它传感器)，并且通常包括控制系统，该控制系统可以解释传感信息以识别危险并确定要遵循的导航路径。
与这些趋势同时，诸如5G新无线电(5G NR)之类的新兴蜂窝和无线通信技术已开始提供各种各样的新功能和服务，这鼓励了地面运输业发展智能运输系统(ITS)，ITS利用基于车辆的通信来更安全并且更高效地使用机动车和运输资源。当人类控制车辆时，自主车辆可以使用这种基于车辆的通信来进行协作并以不安全(或者甚至不可能安全)的方式进行操作。例如，自主车辆可以使用基于车辆的通信来形成车队，并且彼此之间行驶得更快、更近以增加交通吞吐量。
发明内容
各个方面包括控制自主车辆的方法，该方法可以包括：经由所述自主车辆的处理器，识别在所述自主车辆的阈值距离内的车辆；确定所识别的车辆中的每个所识别车辆的自主能力度量；以及基于所识别的车辆中的每个所识别车辆的所确定自主能力度量来调整所述自主车辆的驾驶参数。
在一个方面，确定所识别的车辆中的每个所识别车辆的自主能力度量可以包括确定每个所识别车辆的自主水平。在另外的实施例中，基于每个所识别车辆的所确定自主能力度量来调整所述自主车辆的驾驶参数可以包括：调整所述自主车辆与所识别的车辆中的至少一个车辆之间要保持的最小间隔距离。在另外的实施例中，调整所述自主车辆与所识别的车辆中的所述至少一个车辆之间要保持的最小间隔距离可以包括：基于所述至少一个车辆的所述自主能力度量和所述至少一个车辆的行为模型来调整所述最小间隔距离。在另外的方面，基于每个所识别车辆的所确定自主能力度量来调整所述自主车辆的驾驶参数可以包括：调整所述自主车辆与所识别的车辆中的至少一个车辆之间要保持的最小跟随距离。
在另外的方面，调整所述自主车辆与所识别的车辆中的所述至少一个车辆之间要保持的所述最小跟随距离可以包括：基于所述至少一个车辆的所述自主能力度量和所述至少一个车辆的行为模型来调整所述最小跟随距离。在另外的方面，基于所识别的车辆中的每个所识别车辆的所确定自主能力度量来调整所述自主车辆的驾驶参数可以包括：调整所述自主车辆的速度或者调整所述自主车辆改变速度的加速度。
在另外的方面，调整所述自主车辆的所述速度或者调整所述自主车辆改变速度的所述加速度可以包括：基于所识别的车辆中的至少一个车辆的所述自主能力度量和所述至少一个车辆的行为模型来调整所述速度或加速度。
在另外的方面，确定所识别的车辆中的每个所识别车辆的所述自主能力度量可以包括：从所识别的车辆中的至少一个车辆接收所述自主能力度量。在另外的方面，识别在所述自主车辆的所述阈值距离内的车辆可以包括：动态地确定适合于当前状况的阈值距离；以及识别在所述动态确定的阈值距离内的车辆。在另外的方面，确定所识别的车辆中的每个所识别车辆的所述自主能力度量可以包括：确定共同地识别或预测附近车辆的自主水平或性能能力的值。在另外的方面，确定共同地识别或预测所述附近车辆的所述自主水平或性能能力的所述值可以包括基于以下中的一项或多项来确定所述值：观察所述附近车辆的驾驶行为；确定所述附近车辆的计算或传感器能力；或经由C-V2X通信，接收关于所述附近车辆的等级或认证的信息。
在另外的方面，该方法可以包括：基于所观察到的驾驶行为，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值中的至少一个值，其中所述值表示以下中的一项或多项：车辆操作的一致性、规律性或统一性、未来车辆操作的可预测性水平、驾驶员的侵略性程度、所述附近车辆跟踪行车道中心的程度、每单位时间的驾驶错误次数、遵守当地道路法规、遵守安全规则、所述自主车辆的反应时间、或者所述自主车辆对可观察事件的响应性。在另外的方面，该方法可以包括：基于所确定的传感器能力，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值中的至少一个值，其中，所述值表示以下中的一项：传感器类型、传感器品牌或型号、传感器制造商、在所述附近车辆中操作的自主驾驶传感器的数量、传感器精度、或一个或多个传感器的准确性。在另外的方面，该方法可以包括：基于经由C-V2X通信接收的信息，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的一个或多个值，其中所述一个或多个值表示以下中的一项：关键性能指标(KPI)、表面性能等级、天气表现等级、车辆能力、车辆特征、支持的算法、或者预测和控制策略。
另外的方面可以包括具有处理器的车辆，该处理器配置有处理器可执行指令以执行上面所概述的任何方法的各种操作的处理器可执行指令。另外的方面可以包括用于在车辆中使用的处理器，该处理器配置有处理器可执行指令以执行上面所概述的任何方法的各种操作的处理器可执行指令。另外的方面可以包括具有用于执行上面所概述的任何方法的功能的各种单元的车辆。另外的方面可以包括其上存储有处理器可执行软件指令的非临时性处理器可读存储介质，其中，所述处理器可执行软件指令被配置为使车辆中的处理器执行上面所概述的任何方法的操作。
附图说明
被并入本文并且构成本说明书一部分的附图，描绘了本发明的示例性方面，并且连同上面给出的概括描述以及下面给出的详细描述一起来解释本发明的特征。
图1A和图1B是示出适合于实现各种实施例的车辆的组件框图。
图1C是示出适合于实现各种实施例的车辆的组件的组件框图。
图2是根据各种实施例，示出示例性车辆管理系统的组件的组件框图。
图3是根据各种实施例，示出用于在车辆中使用的示例性片上系统的组件的框图，该示例性片上系统可以被配置为收集和分析传感器信息。
图4是包括自主车辆的六车道高速公路的图示，该自主车辆被配置为根据各种实施例，使用基于车辆的通信来彼此紧邻地安全行驶以增加交通吞吐量。
图5是包括自主连接的车辆的六车道高速公路的图示，这些车辆被配置为在手动驾驶汽车周围维持增加的安全裕度。
图6是包括自主连接的车辆的六车道高速公路的图示，这些车辆被配置为清除道路以允许另一个车辆穿过它们或离开车队。
图7是包括自主连接的车辆的两车道高速公路的图示，这些车辆被配置成形成紧密组合的车队并参加协作式驾驶参与。
图8是根据实施例，示出基于检测到的或估计的自主水平来影响自主车辆(或自主车辆车队)的操作或驾驶行为的方法的处理流程图。
图9A和图9B是根据一些实施例，示出基于所确定的其它周围车辆的能力来调整自主车辆的行为/操作的方法的处理流程图。
图10和图11是根据一些实施例，示出基于所确定的其它周围车辆的能力来调整自主车辆的行为/操作的其它方法的处理流程图。
图12A和图12B是根据一些实施例，示出响应于确定车辆将为自主车辆提供操作优势，发起与另一个车辆的协作式驾驶参与的方法的处理流程图。
图13是根据实施例，示出如果识别的车辆将参加协作式驾驶参与，则确定该车辆是否将为自主车辆提供操作优势的方法的处理流程图。
图14是根据实施例，示出如果识别的车辆将参加协作式驾驶参与，则确定该车辆是否将为自主车辆提供操作优势的方法的处理流程图。
图15是根据实施例，示出确定附近车辆的自主水平或性能的方法的处理流程图。
具体实施方式
现在参照附图来详细地描述各个方面。在可以的地方，贯穿附图使用相同的附图标记来指代相同或者类似的部件。对于特定示例和实现的引用只是用于说明目的，而不是旨在限制本发明或权利要求书的保护范围。
为了使自主车辆有效地协同工作，每个自主车辆可以考虑在每个时刻有效的周围车辆的不同的能力和自主水平。另外，自主车辆可以适应可能改变周围车辆行为的动态因素，但是只能通过在车辆运行时对其进行观察和分析才能知道。改进的基于车辆的通信和汽车控制系统可以使自主车辆更好地识别、分析、解释和响应周围车辆的动态行为和能力，从而提高交通效率和安全性。
总的来说，各个实施例包括配备有车辆自主驾驶系统(VADS)的车辆，该VADS使用从车辆的传感器(例如，摄像机、雷达、LIDAR等)收集的信息以及通过V2V通信从一个或多个周围车辆接收的信息，以确定一个或多个附近车辆的自主能力度量标准(ACM)(例如，前、后、左侧、右侧等的车辆)。ACM可以包括一个或多个离散值或连续的值，以共同地识别、估计或预测附近车辆的自主水平和/或各种性能能力。在一些实施例中，ACM可以是单个数字或类别，其概括了车辆的整体自主水平和/或性能特征。在一些实施例中，ACM可以是向量或值矩阵，其中ACM中的每个值表示与附近车辆相关联的预测的、收集的或观察到的特征、因子或数据点的不同方面。在一些实施例中，可以将ACM格式化为表征或表示附近车辆的地图、矩阵或矢量数据结构中，并且可以将其与阈值进行比较和/或应用于分类器模型或决策节点以生成适合于解释离散/连续值的集合的分析结果。
在各个实施例中，VADS组件可以生成并使用ACM来调节自主车辆的各种驾驶参数(即，自己的驾驶行为)，例如速度、最小间隔距离、车道改变规则、最小跟随距离、自主车辆改变速度的加速度等等。例如，如果ACM指示自主车辆正前方的车辆正在由驾驶员手动操作，则VADS组件可以针对该车辆来调整其跟随距离驾驶参数以考虑人类驾驶员的反应时间。再举一个例子，如果ACM指示后面的车辆需要新的刹车片，则VADS组件可以针对该车辆来调整其最小间隔距离驾驶参数，以解决可能由于刹车片磨损而导致的更长的制动距离。
在一些实施例中，VADS组件可以被配置为识别与自主车辆相距在阈值距离(例如，10英尺、20英尺等)内的所有车辆，接收或确定每个所识别的车辆的ACM，并基于接收/确定的ACM来调整其驾驶参数。例如，VADS组件可以基于自主车辆前方的车辆的ACM(例如，自主水平等)来调整自主车辆的最小跟随距离、速度或者其将改变速度的加速度。再举一个例子，VADS组件可以基于周围车辆的各个ACM来调整VADS将在自主车辆与每个周围车辆之间保持的最小间隔距离。在一些实施例中，可以基于检测到的状况，动态地确定和/或调整阈值距离。例如，阈值距离可以是取决于车辆速度(例如，在高速公路上，该阈值距离可以比在低速道路等等上大得多)、道路状况、天气、或者本申请中讨论的任何其它因素。
在一些实施例中，自主车辆中的VADS可以被配置为寻找、识别具有补充传感器能力的车辆，并基于一个或多个识别的车辆的能力来形成车辆车队(例如，与另一个车辆一起)，从而提高自主车辆的效率、安全性、允许的速度和/或自主水平。也就是说，由于不同的车辆可以配备有不同的传感器和/或可以具有不同的能力，因此VADS组件可以主动寻找可以补充自主车辆的传感器套件的一个或多个其它车辆。通过与一个或多个补充车辆组成车队或者加入车队，自主车辆可以与车队中的其它车辆共享与自主驾驶相关联的感知和处理负载，以获得车队中的所有车辆的利益(例如，在效率、安全性、可允许性速度、自主水平等等方面)。
在一些实施例中，VADS组件可以被配置为：如果任何所识别的车辆将要参加协作式驾驶参与，则使用ACM来确定该识别的车辆是否将向自主车辆提供操作优势(例如，在具有所识别车辆的汽车列队(platoon)中操作自主车辆，并与其它车辆传输传感器数据)。例如，VADS组件可以使用V2V通信来确定所识别的车辆的目的地或计划的行驶路线，确定所识别的车辆将沿着与自主车辆的目的地一致的路线行驶的持续时间，并响应于确定所识别的车辆将在与自主车辆相同或相似的方向上行驶至少一个阈值时间段，确定是否存在参加协作式驾驶参与的操作优势(例如，共享传感器数据或形成车队)。响应于确定存在参与协作式驾驶布置的操作优势，VADS组件可以发起协作式驾驶参与，在该过程中，自主车辆与识别的车辆共享传感器数据和/或在相对于所识别的其它车辆的特定位置进行驾驶，以便最好地利用每个车辆的传感器。例如，自主车辆和所识别的其它车辆可以进行协调，以将具有最佳前视传感器的车辆定位在车队的前部。
在一些实施例中，VADS组件可以被配置为：响应于确定所识别的车辆中的传感器将提供自主车辆不具备的传感器能力，并且从所识别的车辆的传感器接收数据对于自主车辆的安全或操作性能将是有益的，而确定存在自主车辆的操作优势。作为响应，VADS组件可以发起协作式驾驶参与，其中自主车辆与所识别的车辆进行协调以利用各自的传感器能力。
在一些实施例中，VADS组件可以基于所识别的车辆的自主水平(例如，基于所识别的车辆是否具有高度自主性并且包括将使自主车辆更安全地运行或提高性能的优质传感器)，来确定参加协作式驾驶参与将具有操作优势。
在一些实施例中，VADS组件可以被配置为基于诸如道路状况、天气状况、道路类型、道路上的车辆通行水平、道路的速度限制、沿道路的危险或障碍、照明状况等等之类的驾驶状况，来确定参加协作式驾驶参与是否具有操作优势。在一些实施例中，VADS组件可以被配置为基于驾驶状况和周围车辆的ACM的组合，确定参加协作式驾驶参与是否具有操作优势。
在一些实施例中，VADS组件可以被配置为使用ACM来确定修改自主车辆的计划路线是否存在操作优势，从而可以从协作式驾驶参与中受益。例如，VADS组件可以沿着替代路线进行搜索(而不仅仅是在当前高速公路内)，以确定沿这些路线是否还有其它车辆可以进入协作式驾驶参与，确定这些车辆进入协作式驾驶参与是否会带来重大利益，确定增加的收益是否超过选择替代路线的成本或增加的时间。响应于确定增加的利益大于成本或增加的时间，该车辆可以改变其计划路线以遵循替代路线并且发起/参加协作式驾驶参与。
在一些实施例中，VADS组件可以被配置为通过向另一个车辆发送请求参加协作式驾驶参与的通信消息，来发起协作式驾驶参与。响应于VADS组件接收到指示另一个车辆将参与的确认消息，VADS组件可以建立到该另一个车辆的直接通信链路，并开始通过直接通信链路接收信息。所接收的信息可以是传感器信息，例如原始传感器数据或经处理的传感器数据。接收的信息还可以包括更高级别的驾驶指令和/或预处理的信息，例如周围车辆的状态估计、汇总数据等等。VADS组件可以使用任何或所有接收到的信息来调整自主车辆的驾驶参数中的一个或多个，以便车辆可以参加协作式驾驶参与。
如本文所使用的，术语“组件”、“系统”、“单元”等等包括与计算机相关的实体，例如但不限于：被配置为执行特定的操作或功能的硬件、固件、硬件和软件的结合、软件或运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的进程、处理器、对象、可执行文件、执行的线程、程序和/或计算机。举例而言，在通信设备上运行的应用和该通信设备都可以称为组件。一个或多个组件可以存在于过程和/或执行线程中，组件可以位于一个处理器或内核中和/或分布在两个或更多处理器或内核之间。此外，这些组件能够从其上存储有各种指令和/或数据结构的各种非临时性计算机可读介质中执行。组件可以通过本地和/或远程过程、功能或过程调用、电子信号、数据分组、存储器读/写、以及其它已知的计算机、处理器和/或与处理相关的通信方法的方式进行通信。
将来可获得或预期许多不同的蜂窝和移动通信服务和标准，所有这些服务和标准都可以实现并受益于各个方面。这些服务和标准包括例如第三代合作伙伴计划(3GPP)、长期演进(LTE)系统、第三代无线移动通信技术(3G)、第四代无线移动通信技术(4G)、第五代无线移动通信技术(4G)、全球移动通信系统(GSM)、通用移动电信系统(UMTS)、3GSM、通用分组无线电业务(GPRS)、码分多址(CDMA)系统(例如，cdmaOne、CDMA2000TM)、用于GSM演进的增强型数据速率(EDGE)、高级移动电话系统(AMPS)、数字AMPS(IS-136/TDMA)、演进数据优化(EV-DO)、数字增强型无绳电信(DECT)、全球微波接入互通操作(WiMAX)、无线局域网(WLAN)、Wi-Fi保护访问I&II(WPA、WPA2)和综合数字增强网络(iden)。例如，这些技术中的每一种都涉及语音、数据、信令和/或内容消息的传输和接收。应当理解的是，对于与单个电信标准或技术有关的术语和/或技术细节的任何引用仅出于说明性目的，并且无意将权利要求的保护范围限制于特定的通信系统或技术，除非在权利要求书中专门叙述。
在本文中使用术语“计算设备”来指代具有至少处理器的电子设备，例如集成在车辆(特别是自主车辆)中的计算机，但是还可以包括被配置为与自主车辆通信的移动通信设备(例如，蜂窝电话、智能电话、Web平板电脑、平板计算机、具备互联网能力的蜂窝电话、膝上型计算机等等中的任何一个或全部)、服务器、个人计算机等等。在各种实施例中，计算设备可以配置有用于与其它设备建立通信的一个或多个网络收发机或接口。例如，计算设备可以包括用于建立广域网(WAN)连接(例如，长期演进蜂窝网络连接等等)、短距离无线连接(例如，
Figure BDA0003132407170000091
RF等等)和/或局域网(LAN)连接(例如，到
Figure BDA0003132407170000092
路由器的有线或无线连接等等)的网络接口。
各个实施例包括被配置为使用基于车辆的无线通信进行通信的自主车辆。蜂窝车辆到万物(C-V2X)协议充当用于基于车辆的无线通信的基础。特别是，C-V2X规定了两种传输模式，它们共同提供了360°非视线感知能力和更高程度的可预测性，以实现增强的道路安全性和自主驾驶性能。第一种传输模式包括直接C-V2X，其包括车辆对车辆(V2V)、车辆到基础设施(V2I)和车辆到行人(V2P)，并在独立于蜂窝网络的专用ITS 5.9千兆赫兹(GHz)频谱中提供增强的通信范围和可靠性。第二传输模式包括诸如第三代无线移动通信技术(3G)(例如，全球移动通信系统(GSM)演进(EDGE)系统、码分多址(CDMA)2000系统等)、第四代无线移动通信技术(4G)(例如，长期演进(LTE)系统、高级LTE系统、移动微波全球互通操作(移动WiMAX)系统等)、第五代无线移动通信技术(5G NR系统等)等等之类的移动宽带系统和技术中的车辆到网络通信(V2N)。
对自主驾驶特别有用的是机动车之间的V2V通信。V2V系统和技术通过使车辆共享关于其位置、速度、行进方向、制动以及可能对其它车辆具有防撞和其它安全功能有用的其它因素的信息，从而有望改善交通流量和车辆安全性。配备V2V车载设备的车辆将频繁地(例如，每秒最多20次)在称为基本安全消息(BSM)的分组中发送其车辆信息。配备有高级驾驶员辅助系统(ADAS)的自主车辆可以接收和使用这种V2V通信来控制它们相对于其它车辆的速度和位置，并组成车队以使它们能够进行协调的操纵和导航决策。
安装在不同车辆中的ADAS系统可能会发生巨大地变化。例如，高端车辆(特斯拉P100D、梅赛德斯S级等等)可以包括精确的传感器和全自主驾驶系统，其可靠地将车辆保持在一定速度下，位于行驶车道边缘的一定距离内，并且与其它车辆在一定距离之内等等。但是，老式或更便宜的车辆中的ADAS系统可能不那么准确或可靠。另外，一些车辆将不会一直保持完全自主(例如，当人类驾驶员对车辆进行手动控制时)。此外，由于正常磨损、维护不足或老化，某些车辆的能力可能降低。较旧的车辆可能具有过时的传感器和较少的自主程度(例如，采用制动的事故避免系统、与其它车辆保持一定距离的自适应巡航控制等等)。
为了使自主车辆作为车队的一部分有效地协同工作，每个车辆中的ADAS系统都应考虑到在每个时刻有效的周围车辆的不同水平的能力和自主性。此外，ADAS系统可以适于其它动态因素(例如，其驾驶员偏好、驾驶员参与、个人编程、维护和使用水平等等)，这些因素可能改变周围车辆的行为。这些因素会影响周围车辆的性能、行为和自主水平，但是通常只能通过在车辆运行时对其进行观察和分析才能知道。
通过为车辆装备VADS汽车控制系统(该VADS汽车控制系统基于其它周围车辆的预测的或动态确定的能力来调整其它车辆的行为或操作)，各种实施例改善了自主车辆的性能和功能，并允许多个自主车辆作为车队的一部分更有效地工作，以提高交通效率和安全性。
在一些实施例中，VADS组件可以被配置为确定并使用周围车辆的ACM(或者自主水平)来识别要与之协调的车辆、以及协调的性质和程度。例如，VADS组件可以被配置为仅与具有超过阈值的自主水平(或ACM值)的周围车辆进行协调。再举一个例子，VADS组件可以被配置为仅在所有周围车辆都具有超过阈值的自主水平(或ACM值)时，才执行某些协调的操纵。
在一些实施例中，VADS组件可以被配置为调整其驾驶参数，以或多或少地依赖附近车辆的能力。
在一些实施例中，VADS组件可以被配置为通过基于所确定的能力和自主水平，修改与另一个车辆相关联的数据/行为模型，来调整如何控制自主车辆。也就是说，VADS组件可以使用其它车辆的ACM和数据/行为模型来预测其它车辆的行为(速度、转弯、制动等等)，并确保在与其它车辆协调移动时观察到适当的驾驶参数(例如，间隔距离等等)。如果确定的ACM小于相应车辆的行为模型中假定的ACM，则VADS组件可以调整或修改其它车辆的行为模型，以更准确地反映所确定的自主水平或能力。以这种方式，VADS可以通过预测其它车辆的行为方式和操纵方式，更好地确定如何进行操纵以保持安全性和与其它车辆的适当间隔距离。
在一些实施例中，VADS组件可以被配置为基于周围车辆的ACM或行为来采取响应动作。例如，如果车辆正在尾随自主车辆，并且V2V通信指示该车辆正在被手动操作，则VADS可以使自主车辆改变车道以便允许该车辆通过。可以基于确定这些其它周围车辆具有足够的自主性来支持这种协调并相应地控制其车辆，经由V2V通信将这种车道改变与其它周围的车辆进行协调。
再举一个例子，VADS可以确定自主车辆车队内的车辆已切换为手动操作，或者已请求离开车队，并且直到退出后才允许切换为手动控制。作为响应，VADS可以与车队中的其它自主车辆(即，被确定具有足够自主水平的车辆)协调，以为该车辆离开车队清除道路。VADS组件可以通过为车辆清除道路以改变车道、增加跟随距离、允许该车辆周围的其它自主车辆移动等等方式，来允许该车辆离开车队。
再举一个例子，一组车辆中的每一个车辆里的VADS可以通过以下方式来协调动作以形成或进行车队：选择具有最高自主水平和最佳前视传感器的车辆来领导车队，同时具有较少自主水平的车辆移动到车队的后面。因此，作为与周围车辆协调驾驶行为以提高交通效率(例如，通过车队行驶)和安全性(例如，通过协调速度、制动和间隔距离)的一部分，VADS组件可以使用针对每个周围车辆所确定的自主水平来识别要协调的车辆以及车队中的每个车辆的适当位置。
在一些实施例中，VADS组件可以被配置为直接通过与附近车辆的C-V2X或V2V通信来检测附近车辆的自主水平。例如，VADS组件可以从附近车辆接收ACM，该ACM将附近车辆识别为具有较高的自主水平(例如，类别5自主、级别65自主等等)。也就是说，在一些实施例中，可以使用C-V2X或V2V通信来直接查询自主水平。
在一些实施例中，VADS组件可以被配置为通过实施或使用各种观察、监测、机器学习和/或预测技术，来检测附近车辆的自主水平。例如，VADS组件可以基于观察到附近车辆装备有来自知名制造商的精密LIDAR传感器，来预测该附近车辆具有较高的自主水平。类似地，VADS组件可以基于观察到附近车辆没有足够地配备有适合于支持V2V通信的通信电路，或者缺少特定的感测或通信模块，来预测该附近车辆具有较低的自主水平。VADS组件还可以基于观察到的驾驶行为和其它类似因素来预测自主水平。
在一些实施例中，VADS组件可以被配置为基于所确定的其它车辆的自主水平，来动态地确定或调整ACM、安全阈值、行为预测模型、运动计划策略、控制/驾驶参数等等。VADS组件可以调整任何或所有这种值/参数，以改善交通流量、减少交通和拥堵、增加道路安全或者实现其它目的或目标。
如上所述，VADS组件可以结合经由V2V通信接收的信息，使用从车辆传感器收集的信息，来确定识别附近车辆的自主水平和/或能力的ACM。在一些实施例中，ACM可以通过反映该车辆能力的精密度的信息来识别自主水平，该信息可以涵盖关于车辆的计算能力(例如，处理器速度)、传感器、处理算法、预测和控制策略等等的信息。在一些实施例中，ACM可以根据连续值(例如，频谱)或范围从完全手动驾驶到零人为干预的全自主驾驶的值，来识别自主水平。在一些实施例中，ACM可以通过一组离散类别值(例如，L0至L5)来识别自主水平。在一些实施例中，ACM可以通过反映自主性和车辆性能的不同方面的向量或值矩阵(例如，与车辆的计算能力、传感器、处理算法、预测和控制策略、当前自主设置(例如，手动、半自主或全自主)等等中的每一个相关联的值)来识别自主水平。
VADS组件可以通过接收、生成、计算或以其它方式确定构成ACM的多个值，并共同地处理ACM值以识别或预测附近车辆的自主水平或性能，来确定ACM。在一些实施例中，这些ACM值中的一个或多个ACM值可以分类、表示或表征观察到的驾驶行为。表示以下中的一项或多项的ACM值的非限制性示例：异常驾驶行为；平稳驾驶行为；可预测驾驶行为；车辆操作的一致性、规律性或统一性；未来车辆运行的可预测水平；驾驶员侵略性或驾驶员的侵略性程度；车辆跟踪行驶车道中心的程度(例如，通过分析横向误差和横向误差率，其中横向误差率越低，表示自主系统的复杂程度越高)；每单位时间(例如，每分钟)观察到的驾驶错误数；车辆遵守当地道路法规(例如，速度限制、张贴的标志、转向信号灯等等)的程度；遵守安全规则；反应时间(例如，观察到的响应其它车辆动作的时间)；响应性或者车辆对外界刺激的反应(例如，确定车辆是否对前方两辆、三个或更多个车辆的制动做出反应，还是仅对前方车辆做出反应)；等等。
在一些实施例中，一个或多个ACM值可以分类、表示或表征由VADS组件基于观察或接收的信息确定的传感器功能。例如，ACM值可以表示存在于另一个车辆中的传感器的类型、另一个车辆的传感器的制造和/或制造商、另一个车辆中包括的自主驾驶传感器的数量、另一个车辆的传感器的准确性和/或精度等等。
在一些实施例中，一个或多个ACM值可以是基于经由C-V2X通信接收的认证信息(或证书)。例如，ACM值可以识别或表示关键性能指标(KPI)、表面性能等级(例如，沥青、混凝土等)、天气表现等级(例如，潮湿状况、冰冻状况、下雪等)、车辆性能、车辆功能、支持的算法等等，其中任何一项或全部都已经由适当的认证组织(例如，国家公路交通安全管理局、轮胎工业协会、设备制造商等等)针对该车辆进行了认证。
在一些实施例中，自主车辆中的VADS可以被配置为估计所识别的周围车辆的自主水平。在各个实施例中，这可以通过生成单个值或连续的值来完成，该单个值或连续的值共同地标识对自主水平的估计。在一些实施例中，连续值中的每个值可以表示与所识别的周围车辆相关联的不同的预测、收集或观察到的特征、因子或数据点。在一些实施例中，可以将这些连续的值格式化在表征或表示车辆的自主水平的估计值的地图、矩阵或矢量数据结构中。在一些实施例中，VADS组件可以进一步被配置为确定估计的置信度或不确定性值。VADS组件可以基于这些估计以及与这些估计相关联的置信度/不确定性值，来调整自主车辆的驾驶参数。VADS组件可以调整驾驶参数以适应环境或交通状况和/或在安全性和效率之间取得平衡(就交通吞吐量而言)。
在一些实施例中，VADS组件可以基于在协作式操作布置(例如，车队)中的车辆角色或分类(例如，引导车辆、尾部车辆、相邻车道中的车辆)以及其自主水平的组合，以离散方式调整驾驶参数。在一些实施例中，VADS组件可以基于沿着连续体的估计的自主水平及其相关联的不确定性，以连续的方式来调整驾驶参数。例如，VADS组件可以基于对引导车辆的自主水平的评估来修改其跟随距离参数，从而为人力驱动车辆留出大量空间以允许不可预测的停车，以及为完全自主和连接的车辆(其能够与周围的车辆共享其状态和对世界的估计)留出很少的空间。
在一些实施例中，VADS组件可以被配置成允许一组自主车辆形成紧密分组的车队。这可以通过共享状态信息(例如，运动计划和行为预测)，并允许具有较低自主水平的车辆安全通过该组来实现。可以允许车辆相互协调以清除车道，从而允许尾随着具有高度自主水平的紧密分组车队的驾驶员驱动车辆通行。坐在紧密分组的自主车辆中的驾驶员可以要求进行手动控制，从而导致车辆清理出该车辆离开车队的出口路径，并可以仅在车辆安全退出车队后才允许驾驶员进行手动控制。
在一些实施例中，VADS组件可以被配置为利用具有较高自主水平的附近车辆的自主能力和传感器组件，以增加可以作为一个组实现的有效自主水平或者从共享计算资源、状态估计等等中受益。一个示例包括拥有车队的车辆，其中引导车辆具有最高的自主水平，而不能自行地利用其自主能力的不具有完全自主的尾随车辆紧追其后。在一些实施例中，车辆可以主动地寻找附近具有较高自主水平的车辆，以形成自主的车队，共享感知和处理负荷以受益于该组的能力。在一些实施例中，车辆可以减少其在线感知和处理以便节省功率。例如，车队中间的车辆可以简单地跟随引导车辆，而不使用资源进行更长距离的估算，而引导车辆可能会投入大量资源进行远程估计和预测。另外，车辆可以将其处理重点聚焦在某些方案上，以便更好地利用车队中所有车辆的总计算资源。例如，引导车辆可以将传感器和传感器数据处理集中在车队前面的区域上，而后方车辆可以将传感器和传感器数据处理集中在后面的区域上。在一些实施例中，自主车辆可以主动地寻找其它车辆以形成这样的协作组，以使功率效率最大化。
可以在各种主车辆内实现各种实施例，在图1A和图1B中示出了其示例车辆100。参考图1A和1B，主车辆100可以包括布置在主车辆之内或之上的多个传感器102-138，这些传感器102-138用于涉及自主和半自主导航的各种目的、以及关于主车辆100之内或之上的物体和人的传感器数据。传感器102-138可以包括能够检测对导航和避免碰撞有用的各种信息的多种传感器中的一个或多个。传感器102-138中的每一个可以与控制单元140以及彼此进行有线或无线通信。具体而言，这些传感器可以包括一个或多个相机122、136或其它光学传感器或光电传感器。这些传感器可以进一步包括其它类型的物体检测和测距传感器，例如雷达132、激光雷达138、IR传感器和超声传感器。这些传感器可以进一步包括胎压传感器114、120、湿度传感器、温度传感器、卫星地理定位传感器108、加速度计、振动传感器、陀螺仪、重力计、冲击传感器130、力计、应力计、应变传感器、流体传感器、化学传感器、气体含量分析仪、pH传感器、辐射传感器、Geiger计数器、中子探测器、生物材料传感器、麦克风124、134、占用传感器112、116、118、126、128、接近传感器和其它传感器。
主机车辆控制单元140可以配置有处理器可执行指令，以使用从诸如相机122、136之类的各种传感器接收的信息来执行各种实施例。在一些实施例中，控制单元140可以使用能从雷达132和/或激光雷达138传感器获得的距离和相对位置(例如，相对方位角)，来补充处理相机图像。控制单元140可以进一步被配置为：当使用自主或半自主模式操作时，使用关于使用各种实施例确定的其它车辆的信息来控制本车辆100的转向、制动和速度。在一些实施例中，控制单元140可以被配置为实现贯穿本申请所讨论的车辆自主驾驶系统(VADS)的全部或一部分。
图1C是示出适合于实现各种实施例的组件和支持系统的系统150的组件框图。参考图1A、图1B和图1C，主车辆100可以包括控制单元140，控制单元140可以包括用于控制主车辆100的操作的各种电路和设备。控制单元140可以耦合到并且被配置为控制驾驶控制组件154、导航组件156和主车辆100的一个或多个传感器102-138。
控制单元140可以包括配置有处理器可执行指令的处理器164，以控制主车辆100的操纵、导航和其它操作(其包括各种实施例的操作)。处理器164可以耦合到存储器166。控制单元140可以包括输入模块168、输出模块170和无线电模块172。在一些实施例中，处理器164可以被配置为实现贯穿本申请所讨论的车辆自主驾驶系统(VADS)的功能。
无线电模块172可以被配置用于无线通信。无线电模块172可以与网络收发机180交换信号182(例如，用于控制操纵的命令信号、来自导航设施的信号等等)，并且可以将信号182提供给处理器164和/或导航单元156。在一些实施例中，无线电模块172可以使主车辆100能够通过无线通信链路192与无线通信设备190进行通信。无线通信链路192可以是双向或单向通信链路，并且可以使用一种或多种通信协议。
输入模块168可以从一个或多个车辆传感器102-138接收传感器数据，以及从包括驾驶控制组件154和导航组件156的其它组件接收电信号。输出模块170可以用于与主车辆100的各种组件(其包括驾驶控制组件154、导航组件156和传感器102-138)进行通信或者激活这些组件。
控制单元140可以耦合到驾驶控制部件154，以控制与本车辆的操纵和导航有关的主车辆100的物理元件(例如，发动机、马达、油门、转向元件、飞行控制元件、制动或减速元件等等)。驾驶控制组件154还可以包括控制主车辆的其它设备的部件，其包括环境控制(例如，空调和暖气)、外部和/或内部照明、内部和/或外部信息显示器(其可以包括显示屏或其它显示信息的设备)、以及其它类似设备。
控制单元140可以耦合到导航组件156，并且可以从导航组件156接收数据，并被配置为使用该数据来确定主车辆100的当前位置和方向以及前往目的地的适当路线。在各个实施例中，导航组件156可以包括或耦合到全球导航卫星系统(GNSS)接收器系统(例如，一个或多个全球定位系统(GPS)接收器)，从而使主车辆100能够使用GNSS信号确定其当前位置。替代地或另外地，导航组件156可以包括无线电导航接收器，以用于从诸如Wi-Fi接入点、蜂窝网络站点、无线电台、远程计算设备、其它车辆等等之类的无线电节点接收导航信标或其它信号。通过控制驾驶控制元件154，处理器164可以控制主车辆100进行导航和操纵。处理器164和/或导航组件156可以被配置为使用与蜂窝数据网络180的无线连接182与网络186(例如，互联网)上的服务器184进行通信，以接收控制操纵的命令，接收在导航中有用的数据，提供实时位置报告，并评估其它数据。
控制单元140可以耦合到如上所述的一个或多个传感器102-138，并且可以被配置为向处理器164提供各种数据。
虽然将控制单元140描述为包括单独的组件，但在一些实施例中，这些组件中的一些或全部(例如，处理器164、存储器166、输入模块168、输出模块170和无线电模块172)可以集成在单个设备或模块(例如，片上系统(SOC)处理设备)中。这种SOC处理设备可以被配置用于车辆中，并且被配置为例如具有在处理器164中执行的处理器可执行指令，以在安装到主车辆中时执行各种实施例的操作。
图2示出了可以在主车辆100内利用的车辆管理系统200内的子系统、计算元件、计算设备或单元的例子。在一些实施例中，车辆管理系统200内的各种计算元件、计算设备或单元可以实现在互连计算设备(即，子系统)的系统，这些互连计算设备相互传输数据和命令(例如，由图2中的箭头指示)。在其它实施例中，车辆管理系统200内的各种计算元件、计算设备或单元可以在单个计算设备内实现，例如单独的线程、过程、算法或计算元件。因此，通常在本文中也将图2中所示的每个子系统/计算元件称为构成车辆管理系统200的计算“堆栈”内的“层”。但是，在描述各种实施例中使用术语层和堆栈，并非旨在暗示或要求在单个自主(或半自主)车辆控制系统计算设备内实现相应的功能，尽管这是潜在的实现实施例。而是，术语“层”的使用旨在涵盖具有独立处理器、在一个或多个计算设备中运行的计算元件(例如，线程、算法、子例程等等)的子系统、以及子系统和计算元件的组合。
参考图1A-2，车辆管理系统堆栈200可以包括雷达感知层202、相机感知层204、定位引擎层206、地图融合和仲裁层208、路线规划层210、传感器融合和道路世界模型(RWM)管理层212、运动计划和控制层214以及行为计划和预测层216。在车辆管理系统堆栈200的一个示例配置中，层202-216仅仅是某些层的例子，而在其它配置中，可以包括其它层，例如用于其它感知传感器的附加层(例如，LIDAR感知层等等)、用于规划和/或控制的附加层、用于建模的附加层、用于实现车辆自主驾驶系统(VADS)的附加层等等，和/或可以从车辆管理系统堆栈200中排除层202-216中的某些层。层202-216中的每一个可以交换数据、计算结果和命令，如图2中的箭头所示。此外，车辆管理系统堆栈200可以从传感器(例如，雷达、激光雷达、相机、惯性测量单元(IMU)等)、导航系统(例如，GPS接收器、IMU等)、车辆网络(例如，控制器局域网(CAN)总线)和存储器中的数据库(例如，数字地图数据)接收数据并进行处理。车辆管理系统堆栈200可以向线传控制(DBW)系统/控制单元220输出车辆控制命令或信号，该DBW系统/控制单元220是直接与车辆转向、油门和制动器控制进行接口的系统、子系统或计算设备。
雷达感知层202可以从一个或多个检测和测距传感器(例如，雷达132和/或激光雷达138)接收数据，并对该数据进行处理以识别和确定在主车辆100附近的其它车辆和物体的位置。雷达感知层202可以包括使用神经网络处理和人工智能方法来识别物体和车辆，并将该信息传递给传感器融合和RWM管理层212。
相机感知层204可以从一个或多个相机(例如，相机122、136)接收数据，并对该数据进行处理以识别并确定在主车辆100附近的其它车辆和物体的位置。相机感知层204可以包括使用神经网络处理和人工智能方法来识别物体和车辆，并将该信息传递到传感器融合和RWM管理层212。
定位引擎层206可以从各种传感器接收数据并处理该数据，以确定主车辆100的位置。各种传感器可以包括但不限于GPS接收器、IMU和/或通过CAN总线连接的其它传感器。定位引擎层206还可以利用来自一个或多个相机(例如，相机122、136)和/或任何其它可用传感器(例如，雷达、LIDAR等)的输入。
地图融合和仲裁层208可以访问高清(HD)地图数据库内的数据，并接收从定位引擎层206接收的输出，对该数据进行处理以进一步确定主车辆100在地图内的位置(例如，在行车道内的位置、在街道地图内的位置等等)。HD地图数据库可以存储在诸如存储器166之类的存储器中。例如，地图融合和仲裁层208可以将来自GPS的纬度和经度信息转换成HD地图数据库中包含的道路表面地图中的位置。GPS位置定位包括错误，因此地图融合和仲裁层208可以基于GPS坐标和HD地图数据之间的仲裁，来确定本车辆在道路内的最佳猜测位置。例如，虽然GPS坐标可以将本车辆放置在HD地图中的两车道道路中间的附近，但是地图融合和仲裁层208可以根据行驶方向确定本车辆最有可能与行驶方向一致的车道对齐。地图融合和仲裁层208可以将基于地图的位置信息传递给传感器融合和RWM管理层212。
路线规划层210可以利用HD地图以及来自操作员或调度员的输入来规划主车辆100到特定目的地遵循的路线。路线规划层210可以将基于地图的位置信息传递给传感器融合和RWM管理层212。但是，不需要其它层(例如，传感器融合和RWM管理层212等)对先前地图的使用。例如，其它堆栈可以仅基于感知数据来操作和/或控制车辆，而无需基于提供的地图，其中，提供的地图在接收感知数据时构造车道、边界和局部地图的概念。
传感器融合和RWM管理212可以接收由雷达感知层202、相机感知层204、地图融合和仲裁层208、以及路线规划层210产生的数据和输出，并使用这些输入中的一些或全部来估计或精练主车辆100相对于道路、道路上的其它车辆以及主车辆100附近的其它物体的位置和状态。例如，传感器融合和RWM管理212可以将来自相机感知层204的图像数据与来自地图融合和仲裁层208的仲裁地图位置信息进行组合，以精练所确定的本车辆在行车道内的位置。再举一个例子，传感器融合和RWM管理212可以将来自相机感知层204的物体识别和图像数据与来自雷达感知层202的物体检测和测距数据进行组合，以确定和精练其它车辆和物体在主车辆附近的相对位置。再举一个例子，传感器融合和RWM管理212可以从车辆到车辆(V2V)通信(例如，经由CAN总线)接收关于其它车辆位置和行进方向的信息，并将该信息与来自雷达感知层202和相机感知层204的信息进行组合以精练其它车辆的位置和运动。传感器融合和RWM管理212可以将主车辆100的精确的位置和状态信息以及在本车辆附近的其它车辆和物体的精确位置和状态信息输出到运动计划和控制层214和/或行为计划和预测层216。
行为计划和预测层216可以使用主车辆100的精确位置和状态信息以及来自传感器融合和RWM管理层212的其它车辆和物体的位置和状态信息，来预测其它车辆和/或物体的未来行为。例如，行为计划和预测层216可以使用这样的信息，基于自身车辆位置和速度以及其它车辆位置和速度来预测在本车辆附近的其它车辆的未来相对位置。这种预测可以考虑来自HD地图和路线规划的信息，以预期随着本车辆和其它车辆沿着道路行驶时相对车辆位置的变化。行为计划和预测层216可以将其它车辆和物体行为与位置预测输出到运动计划和控制层214。
另外，行为计划和预测层216可以计划并生成用于控制主车辆100的运动的控制信号。例如，基于路线计划信息、道路信息中的精确位置以及其它车辆的相对位置和运动，行为计划和预测层216可以确定主车辆100需要改变车道并加速，例如保持或实现与其它车辆的最小间隔，和/或为转弯或驶出做准备。结果，行为计划和预测层216可以计算或以其它方式确定车轮的转向角、以及将要向运动计划和控制层214和DBW系统控制层220命令的油门的改变、以及实现这种车道变更并加速行驶所必需的这些各种参数。这种参数之一可以是计算出的方向盘指令角。
运动计划和控制层214可以接收来自传感器融合和RWM管理层212的数据和信息输出以及其它车辆和物体行为、以及来自行为计划和预测层216的位置预测，并使用该信息来计划并生成控制信号以控制主车辆100的运动，并验证这些控制信号是否满足主车辆100的安全要求。例如，基于路线规划信息、道路信息中的精确位置、以及其它车辆的相对位置和运动，运动计划和控制层214可以验证各种控制命令或指令并将其传递给DBW系统/控制单元220。
DBW系统/控制单元220可以从运动计划和控制层214接收命令或指令，并将这些信息转换成用于控制主车辆100的车轮角度、制动和油门的机械控制信号。例如，DBW系统/控制220可以通过将相应的控制信号发送到方向盘控制器，来响应所计算的方向盘指令角。
在各个实施例中，车辆管理系统堆栈200可以包括执行安全检查或监督可能影响车辆和乘员安全的各个层的各种命令、计划或其它决定的功能。这种安全检查或监督功能可以在专用层(没有示出)内实现，或者分布在各个层之间，并且包括为功能的一部分。在一些实施例中，各种安全参数可以存储在存储器中，安全检查或监督功能可以将确定的值(例如，到附近车辆的相对间隔、到道路中心线的距离等等)与对应的安全参数进行比较，如果违反或者将违反安全参数，则发出警告或命令。例如，行为计划和预测层216(或者未示出的单独层)中的安全或监督功能可以(例如，基于传感器融合和RWM管理层212改进的世界模型)确定另一个车辆与本车辆之间的当前或将来的分隔距离(如传感器融合和RWM管理层212所精练的)，将该分隔距离与存储在存储器中的安全分隔距离参数进行比较，并在当前或预测的分隔距离违反安全分隔距离参数时，向运动计划和控制层214发出指令以进行加速、减速或转弯。再举一个例子，运动计划和控制层214(或者未示出的单独层)中的安全或监督功能可以将确定的或命令的方向盘指令角与安全方向盘角度限制或参数进行比较，并响应于指令角超过安全方向盘角度限制而发出超控命令和/或警报。
存储在存储器中的一些安全参数(例如，最大车速)可以是静态的(即，随着时间不变)。存储在存储器中的其它安全参数可以是动态的，其在于：基于车辆状态信息和/或环境状况来连续或周期性地确定或更新参数。安全参数的非限制性示例包括最大安全速度、最大制动压力、最大加速度和安全方向盘角度限制，所有这些可以取决于道路和天气状况。
图3示出了适于在车辆中实现各种实施例的处理设备片上系统(SOC)300的示例性SOC架构。参考图1A-3，处理设备SOC 300可以包括许多异构处理器，例如数字信号处理器(DSP)303、调制解调器处理器304、图像和对象识别处理器306、移动显示处理器(MDP)307、应用处理器308、以及资源和电源管理(RPM)处理器317。处理设备SOC 300还可以包括连接到异构处理器303、304、306、307、307、308、317中的一个或多个的一个或多个协处理器310(例如，矢量协处理器)。这些处理器中的每个处理器可以包括一个或多个核、以及独立/内部时钟。每个处理器/核可以独立于其它处理器/核来执行操作。例如，处理设备SOC 300可以包括执行第一类型的操作系统(例如，FreeBSD、LINUX、OS X等)的处理器和执行第二类型的操作系统(例如，Microsoft Windows)的处理器。在一些实施例中，应用处理器308可以是SOC 300主处理器、中央处理单元(CPU)、微处理器单元(MPU)、算术逻辑单元(ALU)等等。图形处理器306可以是图形处理单元(GPU)。。
在一些实施例中，异构处理器303、304、306、307、308、317中的一个或多个可以被配置为实现贯穿本申请所讨论的车辆自主驾驶系统(VADS)的全部或一部分。
处理设备SOC 300可以包括模拟电路和定制电路314，以管理传感器数据、模数转换、无线数据传输，以及用于执行其它专用操作(例如，处理编码的音频和视频信号以在网络浏览器中进行渲染)。处理设备SOC 300可以进一步包括系统组件和资源316，例如、电压调节器、振荡器、锁相环、外围桥、数据控制器、存储器控制器、系统控制器、接入端口、定时器、以及其它用于支持处理器和在计算设备上运行的软件客户端(例如，Web浏览器)的类似组件。
处理设备SOC 300还包括专用电路(CAM)305，其包括、提供、控制和/或管理一个或多个相机122、136(例如，主相机、网络摄像机、3D相机等)的操作、来自相机固件、图像处理、视频预处理、视频前端(VFE)、嵌入式JPEG、高清视频编解码器等等的视频显示数据。CAM305可以是独立的处理单元和/或包括独立或内部时钟。
在一些实施例中，图像和对象识别处理器306可以配置有处理器可执行指令和/或专用硬件，该处理器可执行指令和/或专用硬件被配置为执行各种实施例中涉及的图像处理和对象识别分析。例如，图像和对象识别处理器306可以被配置为执行对经由CAM 305从相机(例如，122、136)接收的图像进行处理的操作，以认出和/或识别其它车辆，否则执行如上所述的相机感知层204的功能。在一些实施例中，处理器306可以被配置为处理雷达或激光雷达数据，并执行如上所述的雷达感知层202的功能。
系统组件和资源316、模拟和自定义电路314和/或CAM 305可以包括与外围设备(例如，相机122、136、雷达132、激光雷达138、电子显示器、无线通信设备、外部存储器芯片等等)进行接口的电路。处理器303、304、306、307、308可以通过互连/总线模块324互连到一个或多个存储器元件312、系统组件和资源316、模拟和定制电路314、CAM 305和RPM处理器317，互连/总线模块324可以包括可重新配置的逻辑门阵列和/或实现总线体系结构(例如，CoreConnect、AMBA等)。可以通过高级互连(例如，高性能片上网络(NoC))提供通信。
处理设备SOC 300可以进一步包括用于与SOC外部的资源(例如，时钟318和电压调节器320)进行通信的输入/输出模块(没有示出)。SOC外部的资源(例如，时钟318、电压调节器320)可以由内部SOC处理器/核(例如，DSP 303、调制解调器处理器304、图形处理器306、应用处理器308等等)中的两个或更多进行共享。
在一些实施例中，处理设备SOC 300可以包括在用于在车辆(例如，100)中使用的控制单元(例如，140)中。如上所述，该控制单元可以包括用于与电话网络(例如，180)、互联网和/或网络服务器(例如184)进行通信的通信链路。
处理设备SOC 300还可以包括适用于从包括以下的传感器收集传感器数据的其它硬件和/或软件组件：运动传感器(例如，IMU的加速度计和陀螺仪)、用户界面元素(例如，输入按钮、触摸屏显示器等)、麦克风阵列、用于监测物理状况(例如，位置、方向、运动、方位、振动、压力等)的传感器、相机、指南针、GPS接收器、通信电路(例如，
Figure BDA0003132407170000231
WLAN、WiFi等)以及现代电子设备的其它公知组件。
图4示出了自主车辆如何能够安全地以彼此较小的余量进行操作。参考图1A-4，自主车辆402使用V2V通信与周围车辆404-418进行通信，并根据驾驶参数(例如，最小间隔距离)以及来自周围车辆的行为模型的输入来执行驾驶控制(转向、油门和制动)，从而安全地在物理上靠近周围车辆404-418来行进，以提高交通吞吐量。例如，自主车辆402可以配备有VADS，该VADS使用从车辆的传感器(例如，相机、雷达、LIDAR等)收集的信息，结合通过V2V通信从周围车辆404-418接收的信息来确定周围车辆404-418中的每个车辆的ACM。VADS组件可以使用这些ACM来调整自主车辆402的驾驶参数，例如自主车辆402与前方紧邻的车辆406之间的最小跟随距离和/或自主车辆402与侧方车辆408和410之间的最小间隔距离。
图5示出了自主连接的车辆进行协调以维持手动驾驶汽车周围的增加的安全裕度的例子。参考图1A-5，自主车辆402中的VADS使用V2V来查询前方紧邻的车辆404的自主水平(或者基于观察到的车辆404的驾驶行为来预测自主水平)，并确定车辆404正在由人类驾驶员手动操作和/或以其它方式不具有近距离跟随所需的自主水平。作为响应，VADS组件可以增加以下距离驾驶参数，以考虑驾驶员的反应时间：人类驾驶员的反应时间、车辆404中较旧传感器的故障率等等。
图6示出了自主车辆清除道路以允许另一个车辆通过或离开车队的例子。参考图1A-6，自主车辆402中的VADS可以生成并使用ACM来确定车辆406正在由人类驾驶员手动操作，或者以其它方式不具有在其当前尾随距离处进行跟随所需的自主水平。作为响应，VADS组件可以与其它车辆404、408、410、412、418进行通信以执行协调操纵，其中自主车辆改变车道以便允许后方周围车辆406通过。类似地，车辆404、408、410、412、418可以与其周围车辆602、606进行通信以执行另外的协调操作，以允许它们改变车道并让后方车辆406通过。
再举一个例子，自主车辆402可以从后方车辆406接收指示车辆404的驾驶员已请求进入手动驾驶模式的消息。作为响应，自主车辆402可以与其它车辆404、408、410、412、418进行通信以执行协调的操作，从而清除允许车辆404开始离开车队的道路。在已经清除了道路并且车辆404移动到不同车道之后，可以给予车辆404的驾驶员手动控制。
图7示出了自主车辆的VADS可以被配置为允许自主车辆组形成紧密分组的车队。VADS可以被配置为利用具有更高自主水平的附近车辆的自主能力和传感器组件，以增加可以作为一个组实现的有效自主水平和/或受益于共享的计算资源、状态估计等。
参考图1A-7，第一车队704中的引导车辆702具有最高的自主水平，而不能自行完全自主的尾随车辆706利用引导车辆702的自主能力来紧随其后。尾随车辆706可以减少其感知和处理操作以便节省功率。也就是说，尾随车辆706可以简单地跟随引导车辆702，并且不使用资源进行更长距离的估计，而引导车辆702可以将大量资源投入到远程估计和预测中。
在一些实施例中，第二车队710中的车辆可以被配置为共享感知和处理负荷，以便从该组的能力中受益。另外，车辆可以潜在地将处理重点聚焦在某些方案上，以便更好地利用团队的总计算资源。例如，引导车辆712可以聚焦在车队前面的区域上，而后方车辆714可以聚焦在车队后面的区域718上。在一些实施例中，自主车辆可以主动地寻找这些组(例如，第一车队704、第二车队710等等)，以使功率效率最大化。
图8示出了根据实施例来控制自主车辆的方法800。参考图1A-8，方法800可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法800的操作的设备称为“VADS组件”。
在框802中，VADS组件可以检测或估计附近车辆的自主水平。如上所述，VADS组件可以使用任何一种方法或方法组合来确定每个车辆的水平。这种方法的非限制性示例包括：经由V2V通信从其它车辆接收关于自主水平的信息、观察其它车辆并基于对驾驶行为的观察来估计自主水平、在存储在存储器中的数据库中查找自主水平或经由对互联网的无线访问远程地在数据库中查找自主水平(例如，使用车辆标识符、品牌/型号/年份信息等)及其组合。如上所述，VADS组件可以生成用于反映每个车辆的确定或估计的自主水平的ACM值或值向量。
在框804中，VADS组件可以基于检测到的或估计的自主水平来影响一个或多个自主车辆(或自主车辆车队)的操作或驾驶行为。
可以连续地或重复地执行框802和804的操作，以控制自主车辆的操作。在一些实施例中，可以同时地、以任何顺序和/或结合本申请中所讨论的任何或所有操作(包括参照图4-7和9-14所讨论的操作)来执行方法800的操作。
图9A示出了根据另一个实施例来控制自主车辆的方法900。参考图1A-9A，方法900可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法900的操作的设备称为“VADS组件”。
在框902中，VADS组件可以识别在自主车辆的阈值距离内的车辆。在一些实施例中，该阈值距离可以是预定的并且存储在存储器中的距离(例如，标准安全间隔距离)。在一些实施例中，可以由VADS组件例如基于当前状况，动态地确定该阈值距离。在这样的实施例中，框902中的操作可以包括：动态地确定适合于当前状况的阈值距离；以及识别在动态确定的阈值距离内的车辆。
在框904中，VADS组件可以基于所识别的车辆的ACM，来调整自主车辆的驾驶参数。例如，VADS组件可以使用在方法800的框802中确定的ACM值或值向量，来调整自主车辆的一个或多个驾驶参数。
可以连续地或重复地执行框902和904的操作，以控制自主车辆的操作。可以同时地、以任何顺序和/或结合本申请中所讨论的任何或所有操作(包括参照图4-8、9B和图10-14所讨论的操作)来执行方法900的操作。
图9B示出了根据一个实施例来控制自主车辆的方法930。参考图1A-9B，方法930可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法930的操作的设备称为“VADS组件”。
在框902中，VADS组件可以执行如上所述的方法900的相同编号的框的操作。例如，在框902中，VADS组件可以动态地确定适合于当前状况的阈值距离，并且识别在该动态确定的阈值距离内的车辆。
在框932中，VADS组件可以确定每个所识别车辆的自主能力度量(ACM)。在一些实施例中，作为框932中的操作的一部分，VADS组件可以确定每个所识别车辆的自主水平，例如，该车辆是处于完全自主模式、处于半自主模式还是处于手动模式(例如，在手动模式下启用了车道跟踪辅助和/或车辆分隔辅助)。
在一些实施例中，在框932中，VADS组件可以从所识别的车辆中的一个或多个接收一个或多个ACM。这样，在一些实施例中，确定每个所识别车辆的ACM可以包括：使用从所识别的车辆中的至少一个车辆接收的ACM。
在一些实施例中，在框932中，VADS组件可以通过确定共同地识别或预测附近车辆的自主水平或性能能力的一个或多个值，来确定所识别车辆的ACM。在一些实施例中，这可以通过在框932中通过VADS组件观察附近车辆的驾驶行为、确定附近车辆的计算或传感器能力、和/或经由C-V2X通信接收关于附近车辆的等级或认证的信息来实现。
在一些实施例中，在框932中，VADS组件可以基于所观察到的驾驶行为，来确定共同地识别或预测附近车辆的自主水平或性能能力的值中的一个或多个值。在一些实施例中，基于观察到的驾驶行为所确定的值可以表示车辆操作的一致性、规律性或统一性、未来车辆操作的可预测水平、驾驶员的侵略性程度、附近车辆跟踪行车道中心的程度、每单位时间的驾驶错误次数、是否遵守当地道路法规、是否遵守安全规则、车辆的反应时间、车辆对可观察事件的响应性或者其任何组合。
在一些实施例中，在框932中，VADS组件可以基于所确定的传感器能力，来确定共同地识别或预测附近车辆的自主水平或性能能力的值中的一个或多个值。在一些实施例中，基于所确定的传感器能力而确定的值可以表示传感器的类型、传感器的制造、传感器的型号、传感器的制造商、在附近车辆中操作的自主驾驶传感器的数量、传感器的精度、一个或多个传感器的准确性、或者其任何组合。
在一些实施例中，在框932中，VADS组件可以基于经由C-V2X通信接收的信息，来确定共同地识别或预测附近车辆的自主水平或性能能力的值中的一个或多个值。在一些实施例中，基于经由C-V2X通信接收的信息所确定的值可以表示KPI、表面性能等级、天气表现等级、车辆的能力、车辆的特征、支持的算法、预测和控制策略、或者其任何组合。
在框904中，VADS组件可以执行如上所述的方法900的相同编号的方框的操作。例如，在框904中，VADS组件可以基于所识别的车辆的ACM来设置或调整自主车辆的驾驶参数。
在一些实施例中，在框904中调整驾驶参数可以包括：调整将在自主车辆与所识别的车辆中的至少一个之间保持的最小间隔距离。在一些实施例中，在框904中，VADS组件可以基于车辆的ACM和该车辆的行为模型来调整最小间隔距离。
在一些实施例中，在框904中调整驾驶参数可以包括：调整将在自主车辆和所识别的车辆中的至少一个之间保持的最小跟随距离。在一些实施例中，在框904中，VADS组件可以基于车辆的ACM和与该车辆相关联的行为模型来调整最小跟随距离。
在一些实施例中，VADS组件可以通过调整车辆的速度或自主车辆将改变速度的加速度，来在框904中调整驾驶参数。在一些实施例中，VADS组件可以基于车辆的ACM和与该车辆相关联的行为模型，来在框904中调整速度或加速度。
图10示出了根据另一个实施例来控制自主车辆的方法1000。参考图1A-10，方法1000可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法1000的操作的设备称为“VADS组件”。
在框902中，VADS组件可以执行如上所述的方法900的相同编号的框的操作。例如，在框902中，VADS组件可以识别在该自主车辆的阈值距离内的车辆。
在框1004中，VADS组件可以确定每个所识别车辆的ACM，并填充识别的车辆的列表。如上所述，每个ACM可以包括离散的或连续的值，这些值共同地识别、估计或预测所识别的车辆的自主性和/或各种能力的精确水平。ACM中的这些值里的每个值都可以表示与所识别的车辆相关联的预测的、收集的或观察到的特征、因子或数据点的不同方面。在一些实施例中，ACM可以是地图、矩阵或矢量数据结构，其包括共同地表征或表示所识别车辆的自主能力的多个符号或数值。可以将ACM数据结构与各种阈值进行比较和/或将其应用于分类器模型/决策节点。
在框1006中，VADS组件可以在所识别车辆列表中选择第一车辆。例如，VADS组件可以顺序地遍历所识别车辆列表，并选择列表中的下一个车辆进行调整、评估、比较、修改等等。在框1008中，VADS组件可以执行如上所述的方法900中的框904的操作。例如，在框1008中，VADS组件可以基于作为框1006中的操作的一部分所选择的车辆的ACM，来设置或调整自主车辆的驾驶参数(例如，通过调整最小间隔距离、最小跟随距离、速度、加速度等)。
在确定框1010中，VADS组件可以确定是否已经评估或考虑了包括在所识别车辆列表中的所有相关车辆(例如，404-418)。例如，VADS组件可以确定当前选择的车辆是否是所识别车辆列表中包括的最后车辆或最终车辆。
响应于确定尚未对所识别车辆列表中的所有相关车辆进行评估或考虑(即，确定框1010＝“否”)，VADS组件可以在框1006中选择所识别车辆列表中的下一个相关车辆，并在框904中，基于所选车辆的ACM进一步调整自主车辆的驾驶参数(如果需要的话)。
VADS组件可以执行框1006、904和1010中的操作，直到已经评估或考虑了所有相关车辆(例如，前方车辆404、后方车辆406等)为止。
响应于确定已经评估或考虑了所识别车辆列表中的所有相关车辆(即，确定框1010＝“是”)，在框1012中，VADS组件可以基于驾驶参数来控制或调整自主车辆的行为或操作。可以连续地或重复地执行框902、904和1004-1012的操作以控制自主车辆的操作。
可以同时地、以任何顺序和/或结合本申请中所讨论的任何或所有操作(包括参照图4-9和图11-14所讨论的操作)来执行方法1000的操作。例如，在一些实施例中，VADS组件可以被配置为每次在框904中设置/调整驾驶参数时都执行框1012中的操作，并且是在确定框1010中确定是否已经评估或考虑了所有相关车辆之前。
图11示出了根据另一个实施例来控制自主车辆的方法1100。参考图1A-11，方法1100可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法1100的操作的设备称为“VADS组件”。
在框902中，VADS组件可以执行如上所述的方法900的相同编号的框的操作。例如，在框902中，VADS组件可以识别在该自主车辆的阈值距离内的车辆。在框1104中，VADS组件可以确定所识别的车辆的ACM。ACM可以识别在该自主车辆前方的车辆的自主水平。在一些实施例中，该ACM可以包括离散的或有限的值，其标识、估计或预测在该自主车辆前方的车辆的自主能力。在其它实施例中，该ACM可以包括许多值，其中每个值表示与该自主车辆前方的车辆相关联的预测的、收集的或观察到的特征、因子或数据点的不同方面。
在确定框1106中，VADS组件可以确定ACM(例如，自主水平)是否超过或大于第一阈值。第一阈值可以包括或表示单个值(例如，自主驾驶水平4.376等)或许多值。在一个实施例中，第一阈值可以包括决策节点，每个决策节点测试或评估不同的特征、因子或数据点(例如，存在V2V通信电路、LIDAR传感器精度范围大于100米、所有制动片包括至少5mm摩擦材料等)。
响应于确定ACM超过或大于第一阈值(即，确定框1106＝“是”)，在框1108中，VADS组件可以调整自主车辆的驾驶参数，使得车辆更信任或依赖于该车辆的能力。例如，VADS组件可以响应于确定紧邻在自主车辆前方的车辆具有高水平的自主性、强大的传感器、高级自主控制系统等等，而在框1108中降低跟随距离参数。在框1012中，VADS组件可以基于驾驶参数来调整自主车辆的行为或操作。
响应于确定ACM不大于第一阈值(即，确定框1106＝“否”)，在确定框1112中，VADS组件可以确定ACM是否超过或小于第二阈值。
响应于确定ACM小于第二阈值(即，确定框1112＝“是”)，在框1114中，VADS组件可以调整自主车辆的驾驶参数，以使得车辆较少信任或不依赖于该车辆的能力。例如，响应于确定紧邻在自主车辆前方的车辆是不包括精密传感器或高级自主控制系统的较旧车辆，VADS组件可以在框1108中增加跟随距离参数。在框1012中，VADS组件可以基于驾驶参数来调整自主车辆的行为或操作。
响应于确定ACM不小于第一阈值(即，确定框1112＝“否”)，在框1012中，VADS组件可以基于驾驶参数来控制自主车辆的行为或操作。
可以连续地或重复地执行方法1100的操作以控制自主车辆的操作。可以同时地、以任何顺序和/或结合本申请中所讨论的任何或所有操作(包括参照图4-10和图12-14所讨论的操作)来执行方法1100的操作。
图12A示出了根据另一个实施例来控制自主车辆的方法1200。参考图1A-12A，方法1200可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法1200的操作的设备称为“VADS组件”。
在框902中，VADS组件可以执行如上所述的方法900的相同编号的框的操作。例如，在框902中，VADS组件可以识别在该自主车辆的阈值距离内的车辆。
在框1004中，VADS组件可以执行如上所述的方法1000的相同编号的框的操作。例如，在框1004中，VADS组件可以确定每个所识别车辆的自主能力度量(ACM)。在一些实施例中，在框1004中，VADS组件可以生成用于共同地识别或预测所识别车辆的自主水平或性能能力的向量或值矩阵，并基于所生成的向量或值矩阵来确定所识别车辆的ACM。
在框1205中，VADS组件可以基于所确定的ACM，来确定一个或多个识别的车辆是否将在协作式驾驶参与中(例如，在具有所识别车辆的车队中操作自主车辆、与其它车辆传输传感器数据等等)，向自主车辆提供操作优势。例如，VADS组件可以使用V2V通信来确定所识别车辆的目的地或计划的行驶路线，确定所识别车辆将沿着与自主车辆的目的地一致的路线行驶的持续时间，并响应于确定识别的车辆将在与自主车辆相同或相似的方向上行驶至少一个阈值时间段，而确定是否存在参加协作式驾驶参与(例如，共享传感器数据或形成车队)的操作优势。
在一些实施例中，作为框1205中的操作的一部分，VADS组件可以与所识别的车辆中的至少一个进行通信以确定该识别的车辆的目的地或计划的行驶路线，将该目的地或计划的行驶路线与本自主车辆的目的地进行比较，确定所述一个或多个识别的汽车将沿着与本自主车辆的目的地一致的路线行驶的持续时间，并将所确定的持续时间与阈值时间段进行比较，基于所确定的持续时间是否超过阈值时间段而确定是否存在参加协作式驾驶参与(例如，共享传感器数据或形成车队)的操作优势。
在一些实施例中，在框1205中，VADS组件可以确定所识别车辆的一个或多个传感器是否将提供自主车辆不具备的传感器能力(其对自主车辆的安全性或运行性能有利)。在一些实施例中，在框1205中，VADS组件可以确定所识别的车辆的自主水平是否将使自主车辆能够更安全地操作或者在协作式驾驶参与中具有改善的性能。
在一些实施例中，在框1205中，VADS组件可以基于所确定的ACM，来确定在考虑包括以下中的至少一项的驾驶状况时，所识别的车辆中的至少一个是否将为协作式驾驶参与中的自主车辆提供操作优势：道路状况、天气状况、道路类型、道路上的车辆交通水平、道路的速度限制、沿道路的危险或障碍物、或者照明状况。
在框1207中，VADS组件可以响应于确定所述一个或多个识别的车辆将在协作式驾驶参与中向自主车辆提供操作优势，而发起与所述一个或多个识别的车辆的协作式驾驶参与。也就是说，响应于确定参与协作驾驶参与将具有操作优势，VADS组件可以发起协作式驾驶参与，其中自主车辆与所识别的车辆共享传感器数据，和/或在相对于所识别的其它车辆的特定位置中驾驶，以便最佳地利用每个车辆的传感器。例如，自主车辆和所识别的其它车辆可以进行协调，以将具有最佳前视传感器的车辆定位在车队的前部。
在一些实施例中，在框1207中，VADS组件可以响应于确定所述一个或多个识别的车辆将在协作式驾驶参与中向自主车辆提供操作优势，而确定所述一个或多个识别的车辆是否将在与自主车辆相同或相似的方向上行驶阈值时间段，并响应于确定所述一个或多个识别的车辆将在与自主车辆相同或相似的方向上行驶阈值时间段，而发起与所述一个或多个识别的车辆的协作式驾驶参与。
在一些实施例中，在框1207中，VADS组件可以向所述一个或多个识别的车辆发送通信消息，以请求所述一个或多个识别的车辆参加协作式驾驶参与，接收指示所述一个或多个识别的车辆将参加协作式驾驶参与的确认消息，响应于接收到指示所述一个或多个识别的车辆将参加协作式驾驶参与的确认消息，而建立到所述一个或多个识别的车辆的直接通信链路，通过直接通信链路从所述一个或多个识别的车辆接收信息，并基于从所述一个或多个识别的车辆接收的信息来调整自主车辆的驾驶参数。
图12B示出了根据另一个实施例来控制自主车辆的方法1230。参考图1A-12B，方法1230可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法1230的操作的设备称为“VADS组件”。
在框902中，VADS组件可以执行如上所述的方法900的相同编号的框的操作。例如，在框902中，VADS组件可以识别在该自主车辆的阈值距离内的车辆。
在框1004中，VADS组件可以执行如上所述的方法1000的相同编号的框的操作。例如，在框902中，VADS组件可以确定每个所识别车辆的自主能力度量(ACM)。
在确定框1206中，VADS组件可以使用这些ACM来确定如果识别的车辆中的任何一个将要参加协作式驾驶参与(例如，操作具有一个或多个其它车辆的汽车列队中的自主车辆、与其它车辆传输传感器数据等等)，则是否将向该自主车辆提供操作优势。例如，VADS组件可以使用V2V通信来确定所识别的车辆的目的地或规划的行驶路线，确定所识别的车辆将沿着与该自主车辆的目的地一致的路线行驶的持续时间，并且响应于确定所识别的车辆将在与该自主车辆相同或相似的方向上行驶至少阈值时间段，而确定存在参加协作式驾驶参与的操作优势。
在一些实施例中，VADS组件可以被配置为响应于确定识别的车辆中的传感器将提供该自主车辆不具备的传感器能力，并且该传感器能力将对于该自主车辆的安全性或运行性能有利，而在确定框1206中确定将存在操作优势。在一些实施例中，VADS组件可以基于所识别车辆的所确定自主水平(例如，基于所识别的车辆是否具有高度自主性并且包括将使该自主车辆能够更安全行驶或性能得到改善的优质传感器)，来确定框1206中确定将存在操作优势。在一些实施例中，VADS组件可以被配置为基于诸如道路状况、天气状况、道路类型、道路上的车辆交通水平、道路的速度限制、沿道路的危险或障碍物、照明状况等等之类的驾驶状况，来在确定框1206中确定是否存在操作优势。在一些实施例中，VADS组件可以被配置为基于驾驶状况和周围车辆的ACM的组合，来确定参加协作式驾驶参与将具有操作优势。
响应于确定没有任何识别的车辆在参加协作式驾驶参与时将为该自主车辆提供操作优势(即，确定框1206＝“否”)，在框1012中，VADS组件可以基于现有驾驶参数来控制自主车辆的行为或操作。
响应于确定如果所识别车辆中的至少一个在参加协作式驾驶参与时将向自主车辆提供操作优势(即，确定框1206＝“是”)，在框1208中，VADS组件可以发起与所识别的车辆中的至少一个的协作式驾驶参与。例如，VADS组件可以在框1208中设置驾驶参数，以使自主车辆在确定的持续时间内跟随所识别的车辆(或者以其它方式利用识别的车辆的传感器)。在框1012中，VADS组件可以基于驾驶参数来控制或调整自主车辆的行为或操作。
可以连续地或重复地执行方法1200的操作以控制自主车辆的操作。可以同时地、以任何顺序和/或结合本申请中所讨论的任何或所有操作(包括参照图4-11、13和图14所讨论的操作)来执行方法1200的操作。
图13根据另一个实施例，示出了确定所识别车辆中的任何一个是否在参加协作式驾驶参与时将向自主车辆提供操作优势的方法1300。参考图1A-13，方法1300可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法1300的操作的设备称为“VADS组件”。
在框1302中，VADS组件可以执行各种操作以与被识别为处于自主车辆的阈值距离之内的车辆建立V2V通信链路。
在框1304中，VADS组件可以使用V2V通信来确定所识别车辆的目的地或规划的行驶路线。例如，VADS组件可以通过V2V通信向其它车辆发送请求，以使每个车辆回复其目的地或类似信息
在框1306中，VADS组件可以确定该车辆将沿着与该自主车辆的目的地一致的路线行驶的持续时间。在一些实施例中，这可以通过以下方式来实现：使用地图数据并结合自己的车辆行驶计划来确定自主车辆和其它车辆将以相同速度行驶相同道路的距离。作为此操作的一部分，VADS组件可以评估更改自己的行驶计划，以沿着不会延迟到达时间超过阈值时间量的路径或路线来跟随该其它车辆。
在确定框1308中，VADS组件可以确定所识别的车辆是否将在与该自主车辆相同或相似的方向上行驶至少阈值时间段。该阈值时间段可以是足以从协作式驾驶参与中获得净利益的持续时间或距离。该阈值时间段可以根据参与类型而变化。例如，如果协作式驾驶参与仅涉及在协作车辆之间共享传感器数据，则阈值时间段可能约为一分钟或更短，因为对车辆运动和协调度的影响可能最小。再举一个例子，如果协作式驾驶参与涉及在协作车辆之间形成密集的车队，则阈值时间段可以是30分钟或几小时，因为形成这种车队涉及在车辆之间进行大量的操纵，这可能需要几分钟的时间去完成。
响应于确定所识别的车辆在至少阈值时间段内将不会在与自主车辆相同或相似的方向上行驶(即，确定框1308＝“否”)，VADS组件可以继续在框1012中，基于现有驾驶参数来控制自主车辆的行为或操作。
响应于确定所识别的车辆将在与自主车辆相同或相似的方向上行驶至少阈值时间段(即，确定框1308＝“是”)，VADS组件可以是能够执行如上所述的方法1230的框1208的操作的VADS组件。例如，在框1208中，VADS组件可以确定在所识别的车辆参加协作式驾驶参与时将向自主车辆提供操作优势，并发起协作式驾驶参与。
在框1210中，VADS组件可以执行如上所述的方法1230的相同编号的框的操作。例如，在框1210中，VADS组件可以基于协作式驾驶参与来调整自主车辆的驾驶参数。例如，VADS组件可以在框1210中设置驾驶参数，以使得自主车辆在确定的持续时间内跟随所识别的车辆(或者以其它方式利用所识别的车辆的传感器)。在框1012中，VADS组件可以基于驾驶参数来控制或调整自主车辆的行为或操作。
可以连续地或重复地执行方法1300的操作以控制自主车辆的操作。可以同时地、以任何顺序和/或结合本申请中所讨论的任何或所有操作(包括参照图4-12和图14所讨论的操作)来执行方法1300的操作。
图14根据另一个实施例，示出了确定所识别车辆中的任何一个是否在参加协作式驾驶参与时将向自主车辆提供操作优势的方法1400。参考图1A-14，方法1400可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法1400的操作的设备称为“VADS组件”。
在框1302和1304中，VADS组件可以执行如上所述的方法1300的相同编号的框的操作。例如，在框1302中，VADS组件可以执行各种操作以与被识别为处于自主车辆的阈值距离之内的车辆建立V2V通信链路，在框1304中，VADS组件可以使用V2V通信来确定所识别车辆的目的地或者规划的行驶路线。
在确定框1402中，VADS组件可以确定所识别车辆中的传感器是否可以向自主车辆提供优于该自主车辆的传感器能力的传感器能力(例如，自主车辆当前不具备的传感器)。
响应于确定所识别的车辆中的传感器可以向自主车辆提供优于该自主车辆的传感器能力的传感器能力(即，确定框1402＝“是”)，在确定框1404中，VADS组件可以确定所识别的车辆中的传感器能力是否有益于该自主车辆的安全性或操作性能。
响应于确定所识别的车辆中的传感器能力有益于自主车辆的安全性或操作性能(即，确定框1404＝“是”)，VADS组件可以是确定在所识别的车辆将要参加协作式驾驶参与时将向自主车辆提供操作优势的VADS组件，并且作为响应，执行如上所述的框1208、1210和102中的操作。
响应于确定识别的车辆中没有传感器比该自主车辆的传感器性能更好(即，确定框1402＝“否”)或该传感器能力对该自主车辆的安全性或操作性能无益(即，确定框1404＝“否”)，VADS组件可以执行如上所述的方法1000的框101的操作。例如，在框1012中，VADS组件可以基于现有的驾驶参数2，继续控制自主车辆的行为或操作。
可以连续地或重复地执行方法1400的操作以控制自主车辆的操作。可以同时地、以任何顺序和/或结合本申请中所讨论的任何或所有操作(包括参照图4-13所讨论的操作)来执行方法1400的操作。
图15根据一些实施例，示出了确定附近车辆的ACM的值的方法1500。参考图1A-15，方法1500可以由控制单元或处理器(例如，控制单元140、处理器164、303、304、306、307、308、317，处理设备SOC 300等)来执行，该控制单元或处理器包括或者实现自主车辆中的VADS的全部或一部分。为了便于参考并涵盖可以在各个实施例中实现该方法的所有处理器，在以下描述中将执行方法1500的操作的设备称为“VADS组件”。此外，可以将方法1500的操作中的一些或全部执行成方法800的框802、方法1000和1200的框1004、和/或方法1100的框1104中的任何一个里的操作的一部分。
概述地，自主车辆的VADS组件可以通过以下方式，确定附近车辆的ACM的值，该值共同地识别或预测该车辆的自主水平或性能能力：观察附近车辆的驾驶行为、确定附近车辆的计算或传感器能力、和/或通过C-V2X通信接收关于附近车辆的等级或认证的信息。
具体地，在框1502中，VADS组件可以响应于各种可观察到的事件，来观察附近车辆的运动和驾驶行为。这可以涉及处理成像、LIDAR和其它传感器数据以识别车辆运动，并对观察到的事件(例如，刹车灯、交通流量或速度的变化、交通信号等等)进行响应。这些观察可能会随时间持续进行，使得可以分析动作的趋势和频率(例如，驾驶错误的次数或每单位时间的速度调节的突然转向)。
在框1504中，VADS组件可以使用观察情况来确定表征所观察到的附近车辆的运动和驾驶行为的一个或多个值。可以总结或量化为ACM值的驾驶行为的示例包括以下中的一项或多项：车辆操作的一致性、规律性或统一性；未来车辆运行的可预测水平；驾驶员的侵略性程度；附近车辆跟踪行车道中心的程度；每单位时间的驾驶错误次数；遵守当地道路法规；遵守安全规则；车辆的反应时间；和/或车辆对可观察事件的响应。
在框1506中，VADS组件可以与附近车辆建立V2V通信链路，或者在一些实施例中，与存储关于附近车辆的信息的远程服务器建立V2V通信链路，并在框1508中，从附近车辆或关于附近车辆接收关于在该车辆上运行的传感器的信息。关于附近车辆的操作传感器的信息的类型可以包括例如传感器类型、一个或多个传感器的品牌、型号或制造商、在附近车辆中操作的自主驾驶传感器的数量、传感器精度、和/或一个或多个传感器的准确性。这些信息可以揭示附近车辆中的传感器的能力、弱点和可靠性。可以直接从附近车辆接收这些信息，例如响应于均经由V2V通信链路发送的查询。替代地或另外地，可以从诸如经由无线通信通过互联网访问的远程服务器之类的远程源接收这些信息。
在框1510中，VADS组件可以确定用于表征在附近车辆上运行的传感器的一个或多个值。例如，VADS组件可以确定表示以下中的一项或多项的ACM值：传感器类型、传感器品牌或型号、传感器制造商、在附近车辆中运行的自主驾驶传感器的数量、传感器精度和/或一个或多个传感器的准确性。
在框1512中，VADS组件可以从附近车辆或关于附近车辆接收关于该车辆的等级、操作软件和认证能力的信息。可以直接从附近车辆接收这些信息，例如响应于均经由V2V通信链路发送的查询。替代地或另外地，可以从诸如经由无线通信通过互联网访问的远程服务器之类的远程源接收这些信息。关于附近车辆的等级和认证信息的例子包括：关键性能指标(KPI)；表面性能等级；天气表现等级；车辆能力；车辆特征；支持的算法；和/或预测和控制策略。
在框1514中，VADS组件可以基于所接收的等级和/或认证信息，确定用于表征附近车辆的自主性或性能能力的一个或多个值。所确定的值可以表示以下中的一项或多项：关键绩效指标(KPI)；表面性能等级；天气表现等级；车辆能力；车辆特征；支持的算法；和/或预测和控制策略。
在一些实施例中，可以仅执行方法1500中的一些操作。例如，VADS组件可以仅基于观察到的驾驶行为来确定ACM值(即，仅执行框1502和1504中的操作)。再举一个例子，VADS组件可以基于观察到的驾驶行为并结合关于附近车辆的等级和/或认证的信息来确定ACM值(例如，仅执行框1502-1506和1512-1514中的操作)。此外，可以针对每个所识别的附近车辆执行方法1500，并且可以连续地或周期性地执行方法1500以更新ACM值(例如，基于对驾驶行为的观察)。
上述的方法描述和处理流程图仅仅是用作为说明性例子，而不是旨在要求或者隐含着必须以所给出的顺序来执行各个方面的框。如本领域普通技术人员所应当理解的，可以以任何顺序来执行前述方面中的框的顺序。此外，诸如“其后”、“转而”、“接着”等等之类的词语，并不旨在限制这些框的顺序；这些词语仅仅只是用于引导读者遍历该方法的描述。此外，任何对权利要求元素的单数引用(例如，使用冠词“一个(a)”、“某个(an)”或者“该(the)”)，不应被解释为将该元素限制为单数形式。
结合本文所公开的方面描述的各种示例性的逻辑框、模块、电路和算法框均可以实现成电子硬件、计算机软件或二者的组合。为了清楚地表示硬件和软件之间的这种可交换性，对各种示例性的部件、框、模块、电路和单元均围绕其功能进行了总体描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本发明的保护范围。
用于执行本文所述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件部件或者其任意组合，可以用来实现或执行结合本文所公开的方面描述的用于实现各种示例性的逻辑、逻辑框、模块和电路的硬件。通用处理器可以是微处理器，或者，该处理器也可以是任何常规的处理器、控制器、微控制器或者状态机。处理器也可以实现为计算设备的组合，例如，DSP和微处理器的组合、若干微处理器、一个或多个微处理器与DSP内核的结合，或者任何其它此种结构。替代地，一些框或方法可以由特定于给定的功能的电路来执行。
在一个或多个示例性方面，本文所述功能可以用硬件、软件、固件或它们任意组合的方式来实现。当在软件中实现时，可以将这些功能存储成非临时性计算机可读存储介质或者非临时性处理器可读存储介质上的一个或多个指令或者代码。本文所公开的方法或算法的步骤，可以体现在处理器可执行软件模块中，后者可以位于非临时性计算机可读或者处理器可读存储介质上。非临时性计算机可读或者处理器可读存储介质可以是计算机或处理器能够存取的任何存储介质。举例而言，但非做出限制，这种非临时性计算机可读或处理器可读介质可以包括RAM、ROM、EEPROM、闪存、CD-ROM或其它光盘存储器、磁盘存储器或其它磁存储设备、或者能够用于存储具有指令或数据结构形式的期望的程序代码并能够由计算机进行存取的任何其它介质。如本文所使用的，磁盘和光盘包括压缩光盘(CD)、激光光盘、光盘、数字通用光盘(DVD)、软盘和蓝光光盘，其中磁盘通常磁性地复制数据，而光盘则用激光来光学地复制数据。上面的组合也包括在非临时性计算机可读和处理器可读介质的保护范围之内。另外，一种方法或算法的操作可以作为一个代码和/或指令集或者其任意组合，位于非临时性处理器可读介质和/或计算机可读介质上，其中该非临时性处理器可读介质和/或计算机可读介质可以并入到计算机程序产品中。
为使本领域任何普通技术人员能够实现或者使用本发明，上面围绕所公开的方面进行了描述。对于本领域普通技术人员来说，对这些方面的各种修改是显而易见的，并且，本文定义的总体原理也可以在不脱离本发明的精神或保护范围的基础上应用于其它方面。因此，本发明并不限于本文所示出的方面，而是与所附权利要求书和本文公开的原理和新颖性特征的最广范围相一致。

Claims (30)

1.一种控制自主车辆的方法，包括：
经由所述自主车辆的处理器，识别在所述自主车辆的阈值距离内的车辆；
确定所识别的车辆中的每个所识别车辆的自主能力度量；以及
基于所识别的车辆中的每个所识别车辆的所确定自主能力度量来调整所述自主车辆的驾驶参数。
2.根据权利要求1所述的方法，其中，确定所识别的车辆中的每个所识别车辆的所述自主能力度量包括确定每个所识别车辆的自主水平。
3.根据权利要求1所述的方法，其中，基于每个所识别车辆的所确定自主能力度量来调整所述自主车辆的所述驾驶参数包括：
调整所述自主车辆与所识别的车辆中的至少一个车辆之间要保持的最小间隔距离。
4.根据权利要求3所述的方法，其中，调整所述自主车辆与所识别的车辆中的所述至少一个车辆之间要保持的所述最小间隔距离包括：基于所述至少一个车辆的所述自主能力度量和所述至少一个车辆的行为模型来调整所述最小间隔距离。
5.根据权利要求1所述的方法，其中，基于每个所识别车辆的所确定自主能力度量来调整所述自主车辆的所述驾驶参数包括：
调整所述自主车辆与所识别的车辆中的至少一个车辆之间要保持的最小跟随距离。
6.根据权利要求5所述的方法，其中，调整所述自主车辆与所识别的车辆中的所述至少一个车辆之间要保持的所述最小跟随距离包括：基于所述至少一个车辆的所述自主能力度量和所述至少一个车辆的行为模型来调整所述最小跟随距离。
7.根据权利要求1所述的方法，其中，基于所识别的车辆中的每个所识别车辆的所确定自主能力度量来调整所述自主车辆的所述驾驶参数包括以下中的一项或多项：
调整所述自主车辆的速度；或
调整所述自主车辆改变速度的加速度。
8.根据权利要求7所述的方法，其中，调整所述自主车辆的所述速度或所述自主车辆改变速度的所述加速度包括：基于所识别的车辆中的至少一个车辆的所述自主能力度量和所述至少一个车辆的行为模型来调整所述速度或所述加速度。
9.根据权利要求1所述的方法，其中，确定所识别的车辆中的每个所识别车辆的所述自主能力度量包括：从所识别的车辆中的至少一个车辆接收所述自主能力度量。
10.根据权利要求1所述的方法，其中，识别在所述自主车辆的所述阈值距离内的车辆包括：
动态地确定适合于当前状况的阈值距离；以及
识别在所述动态确定的阈值距离内的车辆。
11.根据权利要求1所述的方法，其中，确定所识别的车辆中的每个所识别车辆的所述自主能力度量包括：确定共同地识别或预测附近车辆的自主水平或性能能力的值。
12.根据权利要求11所述的方法，其中，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值包括通过以下中的一项或多项来确定所述值：
观察所述附近车辆的驾驶行为；
确定所述附近车辆的计算或传感器能力；或
经由C-V2X通信，接收关于所述附近车辆的等级或认证的信息。
13.根据权利要求12所述的方法，还包括：基于所观察到的驾驶行为，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值中的至少一个值，所确定的至少一个值表示以下中的一项或多项：
车辆操作的一致性、规律性或统一性；
未来车辆操作的可预测性水平；
驾驶员的侵略性程度；
所述附近车辆跟踪行车道中心的程度；
每单位时间的驾驶错误次数；
遵守当地道路法规；
遵守安全规则；
所述自主车辆的反应时间；或
所述自主车辆对可观察事件的响应性。
14.根据权利要求11所述的方法，还包括：基于所确定的传感器能力，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值中的至少一个值，所确定的至少一个值表示以下中的一项：
传感器类型；
传感器品牌或型号；
传感器制造商；
在所述附近车辆中操作的自主驾驶传感器的数量；
传感器精度；或
一个或多个传感器的准确性。
15.根据权利要求11所述的方法，还包括：基于经由C-V2X通信接收的信息，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值中的一个或多个值，所述一个或多个值表示以下中的一项或多项：
关键性能指标(KPI)；
表面性能等级；
天气表现等级；
车辆能力；
车辆特征；
支持的算法；或
预测和控制策略。
16.一种用于车辆的处理器，其中，所述处理器配置有用于进行以下操作的处理器可执行指令：
识别在所述车辆的阈值距离内的车辆；
确定所识别的车辆中的每个所识别车辆的自主能力度量；以及
基于所识别的车辆中的每个所识别车辆的所确定自主能力度量来调整驾驶参数。
17.根据权利要求16所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过确定每个所识别车辆的自主水平，来确定所识别的车辆中的每个所识别车辆的所述自主能力度量。
18.根据权利要求16所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过调整以下中的至少一项，基于每个所识别车辆的所确定自主能力度量来调整所述车辆的所述驾驶参数：
所述车辆与所识别的车辆中的至少一个车辆之间要保持的最小间隔距离；
所述车辆与所识别的车辆中的所述至少一个车辆之间要保持的最小跟随距离；
所述车辆的速度；或
所述车辆改变速度的加速度。
19.根据权利要求18所述的处理器，其中，所述处理器还配置有用于进行以下操作的处理器可执行指令：
基于所述至少一个车辆的所述自主能力度量和所述至少一个车辆的行为模型来调整所述最小间隔距离；
基于所述至少一个车辆的所述自主能力度量和所述至少一个车辆的所述行为模型来调整所述最小跟随距离；
基于所识别的车辆中的所述至少一个车辆的所述自主能力度量和所述至少一个车辆的所述行为模型来调整所述速度；或
基于所识别的车辆中的所述至少一个车辆的所述自主能力度量和所述至少一个车辆的所述行为模型来调整所述加速度。
20.根据权利要求16所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过从所识别的车辆中的至少一个车辆接收所述自主能力度量，来确定所识别的车辆中的每个所识别车辆的所述自主能力度量。
21.根据权利要求16所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过以下方式，识别在所述车辆的所述阈值距离内的车辆：
动态地确定适合于当前状况的阈值距离；以及
识别在所述动态确定的阈值距离内的车辆。
22.根据权利要求16所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过以下方式，确定所识别的车辆中的每个所识别车辆的所述自主能力度量：确定共同地识别或预测附近车辆的自主水平或性能能力的值。
23.根据权利要求22所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过凭借以下中的一项或多项来确定所述值，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值：
观察所述附近车辆的驾驶行为；
确定所述附近车辆的计算或传感器能力；或
经由C-V2X通信，接收关于所述附近车辆的等级或认证的信息。
24.根据权利要求23所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过确定表示以下中的一项或多项的值，基于所观察到的驾驶行为，来确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值：
车辆操作的一致性、规律性或统一性；
未来车辆操作的可预测性水平；
驾驶员的侵略性程度；
所述附近车辆跟踪行车道中心的程度；
每单位时间的驾驶错误次数；
遵守当地道路法规；
遵守安全规则；
所述车辆的反应时间；或
所述车辆对可观察事件的响应性。
25.根据权利要求23所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过确定表示以下中的一项或多项的值，基于所确定的传感器能力，来确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值：
传感器类型；
传感器品牌或型号；
传感器制造商；
在所述附近车辆中操作的自主驾驶传感器的数量；
传感器精度；或
一个或多个传感器的准确性。
26.根据权利要求23所述的处理器，其中，所述处理器还配置有处理器可执行指令以通过确定表示以下中的一项或多项的值，基于经由C-V2X通信接收的信息，确定共同地识别或预测所述附近车辆的所述自主水平或所述性能能力的所述值：
关键性能指标(KPI)；
表面性能等级；
天气表现等级；
车辆能力；
车辆特征；
支持的算法；或
预测和控制策略。
27.一种存储有处理器可执行指令的非临时性处理器可读存储介质，所述处理器可执行指令被配置为使自主车辆的处理器执行包括以下的操作：
识别在所述自主车辆的阈值距离内的车辆；
确定所识别的车辆中的每个所识别车辆的自主能力度量；以及
基于所识别的车辆中的每个所识别车辆的所确定自主能力度量来调整所述自主车辆的驾驶参数。
28.一种车辆，包括：
用于识别在阈值距离内的车辆的单元；
用于确定所识别的车辆中的每个所识别车辆的自主能力度量的单元；以及
用于基于所识别的车辆中的每个所识别车辆的所确定自主能力度量来调整所述车辆的驾驶参数的单元。
29.根据权利要求28所述的车辆，其中，用于确定所识别的车辆中的每个所识别车辆的自主能力度量的单元包括：用于基于以下中的一项或多项来确定共同地识别或预测附近车辆的自主水平或性能能力的值的单元：
观察所述附近车辆的驾驶行为；
确定所述附近车辆的计算或传感器能力；或
经由C-V2X通信，接收关于所述附近车辆的等级或认证的信息。
30.根据权利要求28所述的车辆，其中，用于确定所识别的车辆中的每个所识别车辆的自主能力度量的单元包括：用于基于经由C-V2X通信接收的信息，确定共同地识别或预测附近车辆的自主水平或性能能力的一个或多个值的单元，所述一个或多个值表示以下中的一项或多项：
关键性能指标(KPI)；
表面性能等级；
天气表现等级；
车辆能力；
车辆特征；
支持的算法；或
预测和控制策略。
CN201980086239.6A 2019-01-02 2019-12-27 用于管理不同自主水平的车辆之间的交互的方法和系统 Pending CN113286733A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201962787560P 2019-01-02 2019-01-02
US201962787569P 2019-01-02 2019-01-02
US62/787,560 2019-01-02
US62/787,569 2019-01-02
US16/727,179 2019-12-26
US16/727,179 US11383722B2 (en) 2019-01-02 2019-12-26 Methods and systems for managing interactions between vehicles with varying levels of autonomy
PCT/US2019/068671 WO2020142356A1 (en) 2019-01-02 2019-12-27 Methods and systems for managing interactions between vehicles with varying levels of autonomy

Publications (1)

Publication Number Publication Date
CN113286733A true CN113286733A (zh) 2021-08-20

Family

ID=71121664

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201980086239.6A Pending CN113286733A (zh) 2019-01-02 2019-12-27 用于管理不同自主水平的车辆之间的交互的方法和系统
CN201980086255.5A Pending CN113366544A (zh) 2019-01-02 2019-12-27 用于与具有不同自主水平的车辆建立协作式驾驶参与的方法和系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201980086255.5A Pending CN113366544A (zh) 2019-01-02 2019-12-27 用于与具有不同自主水平的车辆建立协作式驾驶参与的方法和系统

Country Status (6)

Country Link
US (3) US11325606B2 (zh)
EP (2) EP3906541A1 (zh)
KR (2) KR20210108382A (zh)
CN (2) CN113286733A (zh)
TW (2) TW202039286A (zh)
WO (2) WO2020142359A1 (zh)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10585440B1 (en) 2017-01-23 2020-03-10 Clearpath Robotics Inc. Systems and methods for using human-operated material-transport vehicles with fleet-management systems
US11718303B2 (en) * 2018-01-03 2023-08-08 Toyota Research Institute, Inc. Vehicles and methods for building vehicle profiles based on reactions created by surrounding vehicles
JP7006326B2 (ja) * 2018-02-01 2022-01-24 トヨタ自動車株式会社 自動運転システム
WO2019153082A1 (en) * 2018-02-07 2019-08-15 Clearpath Robotics Inc. Communication systems for self-driving vehicles, and methods of providing thereof
US20200133307A1 (en) * 2018-07-31 2020-04-30 Honda Motor Co., Ltd. Systems and methods for swarm action
US20200312155A1 (en) * 2018-07-31 2020-10-01 Honda Motor Co., Ltd. Systems and methods for swarm action
US11011063B2 (en) * 2018-11-16 2021-05-18 Toyota Motor North America, Inc. Distributed data collection and processing among vehicle convoy members
US11214268B2 (en) * 2018-12-28 2022-01-04 Intel Corporation Methods and apparatus for unsupervised multimodal anomaly detection for autonomous vehicles
US11325606B2 (en) 2019-01-02 2022-05-10 Qualcomm Incorporated Methods and systems for establishing cooperative driving engagements with vehicles having varying levels of autonomy
DE102019205017B3 (de) * 2019-04-08 2020-07-02 Zf Friedrichshafen Ag Intentionsbestimmung eines Personenverkehrsmittels
US11157784B2 (en) * 2019-05-08 2021-10-26 GM Global Technology Operations LLC Explainable learning system and methods for autonomous driving
DE102019215099B4 (de) * 2019-10-01 2022-09-29 Audi Ag Verfahren zum Bereitstellen einer aktuellen lokalen Umgebungszustandskarte für ein Kraftfahrzeug sowie Kraftfahrzeug zum Durchführen eines derartigen Verfahrens
KR20210052621A (ko) * 2019-10-29 2021-05-11 엘지전자 주식회사 자율주행 레벨 결정 장치 및 방법
DE102019130201A1 (de) * 2019-11-08 2021-05-12 WABCO Global GmbH Verfahren zum Steuern eines Fahrzeuges sowie Abstandsregel- Steuereinrichtung
US10999719B1 (en) * 2019-12-03 2021-05-04 Gm Cruise Holdings Llc Peer-to-peer autonomous vehicle communication
KR20210080116A (ko) * 2019-12-20 2021-06-30 현대자동차주식회사 차량 컨텐츠 공유 서비스를 제공하는 서버 및 컨텐츠 공유 방법
US11872929B2 (en) * 2020-01-14 2024-01-16 Qualcomm Incorporated Collaborative vehicle headlight directing
KR102333292B1 (ko) * 2020-02-28 2021-12-01 임상진 생명 보호 장치 시스템
US11597393B2 (en) * 2020-03-26 2023-03-07 Intel Corporation Systems, methods, and devices for driving control
US11590972B2 (en) * 2020-06-25 2023-02-28 GM Global Technology Operations LLC Vehicle launch from standstill under adaptive cruise conrol
US11958505B2 (en) * 2020-07-21 2024-04-16 Waymo Llc Identifying the position of a horn honk or other acoustical information using multiple autonomous vehicles
CN111814766B (zh) * 2020-09-01 2020-12-15 中国人民解放军国防科技大学 车辆行为预警方法、装置、计算机设备和存储介质
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
US11797896B2 (en) 2020-11-30 2023-10-24 At&T Intellectual Property I, L.P. Autonomous aerial vehicle assisted viewing location selection for event venue
US11443518B2 (en) 2020-11-30 2022-09-13 At&T Intellectual Property I, L.P. Uncrewed aerial vehicle shared environment privacy and security
US11726475B2 (en) 2020-11-30 2023-08-15 At&T Intellectual Property I, L.P. Autonomous aerial vehicle airspace claiming and announcing
US11995991B2 (en) * 2020-12-22 2024-05-28 Stack Av Co. Shared control for vehicles travelling in formation
US20220219731A1 (en) * 2021-01-14 2022-07-14 Cavh Llc Intelligent information conversion for automatic driving
US20240096214A1 (en) 2021-03-10 2024-03-21 NEC Laboratories Europe GmbH Method and system for classifying vehicles by means of a data processing system
TWI764636B (zh) * 2021-03-22 2022-05-11 矽響先創科技股份有限公司 駕駛及乘客行為資訊系統
CN113320448B (zh) * 2021-06-01 2022-07-29 智己汽车科技有限公司 一种座椅调节方法、装置及计算机可读存储介质
US20230009173A1 (en) * 2021-07-12 2023-01-12 GM Global Technology Operations LLC Lane change negotiation methods and systems
US20220028270A1 (en) * 2021-07-14 2022-01-27 Subaru Corporation Vehicle detection information sharing system
CN114435394A (zh) * 2021-12-22 2022-05-06 安徽建德基文化传媒有限公司 一种无人驾驶汽车的控制系统
US11999386B2 (en) 2022-01-31 2024-06-04 Stack Av Co. User interfaces for autonomy state control and alerts
WO2023198281A1 (en) * 2022-04-12 2023-10-19 Volvo Autonomous Solutions AB A control system for controlling a fleet of autonomous vehicles
TWI827411B (zh) * 2022-12-21 2023-12-21 新唐科技股份有限公司 微控制電路及處理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102649430A (zh) * 2011-02-28 2012-08-29 通用汽车环球科技运作有限责任公司 用于容错车辆侧向控制器的冗余车道感测系统
CN104590274A (zh) * 2014-11-26 2015-05-06 浙江吉利汽车研究院有限公司 一种驾驶行为自适应系统及驾驶行为自适应方法
US20150160653A1 (en) * 2013-12-06 2015-06-11 Elwha Llc Systems and methods for modeling driving behavior of vehicles
CN107139931A (zh) * 2016-03-01 2017-09-08 福特全球技术公司 基于交互式模型预测控制的自主车辆操作
CN107274695A (zh) * 2016-04-08 2017-10-20 上海三思电子工程有限公司 智能照明系统、智能车辆及其车辆辅助驾驶系统和方法

Family Cites Families (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3732292B2 (ja) * 1996-11-27 2006-01-05 本田技研工業株式会社 車群走行制御システム
US8676466B2 (en) 2009-04-06 2014-03-18 GM Global Technology Operations LLC Fail-safe speed profiles for cooperative autonomous vehicles
DE102013013865B3 (de) * 2013-08-20 2015-02-26 Audi Ag Verfahren zum Betrieb eines Kraftfahrzeugs mit einem Sicherheitssystem und einem vollautomatischen Fahrerassistenzsystem und Kraftfahrzeug
EP2881926B1 (en) 2013-12-04 2021-08-04 Volvo Car Corporation Method and control system for controlling movement of a group of road vehicles
US20150170287A1 (en) 2013-12-18 2015-06-18 The Travelers Indemnity Company Insurance applications for autonomous vehicles
US10319039B1 (en) * 2014-05-20 2019-06-11 State Farm Mutual Automobile Insurance Company Accident fault determination for autonomous vehicles
US10216196B2 (en) 2015-02-01 2019-02-26 Prosper Technology, Llc Methods to operate autonomous vehicles to pilot vehicles in groups or convoys
US9384666B1 (en) 2015-02-01 2016-07-05 Thomas Danaher Harvey Methods to operate autonomous vehicles to pilot vehicles in groups or convoys
US9718471B2 (en) 2015-08-18 2017-08-01 International Business Machines Corporation Automated spatial separation of self-driving vehicles from manually operated vehicles
US9834224B2 (en) * 2015-10-15 2017-12-05 International Business Machines Corporation Controlling driving modes of self-driving vehicles
US10324463B1 (en) * 2016-01-22 2019-06-18 State Farm Mutual Automobile Insurance Company Autonomous vehicle operation adjustment based upon route
US11392117B2 (en) 2016-02-18 2022-07-19 Sony Corporation Method and device for managing interaction between a wearable device and a vehicle
WO2017147007A1 (en) 2016-02-26 2017-08-31 Pcms Holdings, Inc. Systems and methods for sharing and visualizing vehicle profiles for finding a vehicle to follow
US10154048B2 (en) * 2016-03-18 2018-12-11 Qualcomm Incorporated Methods and systems for location-based authentication using neighboring sensors
US10025318B2 (en) 2016-08-05 2018-07-17 Qualcomm Incorporated Shape detecting autonomous vehicle
EP3291202B1 (en) * 2016-08-29 2019-04-17 Volvo Car Corporation Method of road vehicle trajectory planning
US9940840B1 (en) * 2016-10-06 2018-04-10 X Development Llc Smart platooning of vehicles
US10031523B2 (en) * 2016-11-07 2018-07-24 Nio Usa, Inc. Method and system for behavioral sharing in autonomous vehicles
US10699305B2 (en) * 2016-11-21 2020-06-30 Nio Usa, Inc. Smart refill assistant for electric vehicles
EP3552071B1 (en) * 2016-12-08 2020-10-21 PCMS Holdings, Inc. System and method for routing and reorganization of a vehicle platoon in a smart city
US20180307245A1 (en) 2017-05-31 2018-10-25 Muhammad Zain Khawaja Autonomous Vehicle Corridor
WO2019014372A1 (en) 2017-07-11 2019-01-17 Peloton Technology, Inc. METHODS, SYSTEMS AND DEVICES FOR FLEXIBLE COMMUNICATIONS, MONITORING AND CIRCULATION IN CONVEYANCE OF INTRA-FLEET VEHICLES, BETWEEN FLEETS AND AD HOC
US10636297B2 (en) * 2017-08-11 2020-04-28 Fujitsu Limited Cooperative autonomous driving for traffic congestion avoidance
US20190047581A1 (en) * 2017-08-14 2019-02-14 GM Global Technology Operations LLC Method and apparatus for supporting mission-critical applications via computational cloud offloading
US10948927B1 (en) * 2017-10-05 2021-03-16 State Farm Mutual Automobile Insurance Company Dynamic autonomous vehicle train
US20190146508A1 (en) * 2017-11-14 2019-05-16 Uber Technologies, Inc. Dynamic vehicle routing using annotated maps and profiles
US11410103B2 (en) * 2017-12-06 2022-08-09 International Business Machines Corporation Cognitive ride scheduling
CN109902899B (zh) 2017-12-11 2020-03-10 百度在线网络技术（北京）有限公司 信息生成方法和装置
US10710590B2 (en) * 2017-12-19 2020-07-14 PlusAI Corp Method and system for risk based driving mode switching in hybrid driving
US10620627B2 (en) * 2017-12-19 2020-04-14 PlusAI Corp Method and system for risk control in switching driving mode
US11215984B2 (en) * 2018-01-09 2022-01-04 Uatc, Llc Systems and methods for controlling an autonomous vehicle
US10739787B2 (en) * 2018-01-12 2020-08-11 Toyota Motor Engineering & Manufacturing North America, Inc. Responsibilities and agreement acceptance for vehicle platooning
US11157527B2 (en) * 2018-02-20 2021-10-26 Zoox, Inc. Creating clean maps including semantic information
US11769402B2 (en) * 2018-03-29 2023-09-26 Intel Corporation Augmenting mobile device operation with intelligent external sensors
US20190333390A1 (en) 2018-04-26 2019-10-31 Uber Technologies, Inc. Systems and Methods for Coordinating an Arrival of One or More Assets at a Location
US11511746B2 (en) * 2018-05-11 2022-11-29 Volvo Truck Corporation Method for establishing a path for a vehicle
CN108725453A (zh) 2018-06-11 2018-11-02 南京航空航天大学 基于驾驶员模型和操纵逆动力学的人机共驾控制系统及其切换模式
US11181929B2 (en) * 2018-07-31 2021-11-23 Honda Motor Co., Ltd. System and method for shared autonomy through cooperative sensing
US10678252B2 (en) * 2018-08-09 2020-06-09 GM Global Technology Operations LLC Systems, apparatus, and methods for embedded encodings of contextual information using a neural network with vector space modeling
US10755575B2 (en) 2018-08-30 2020-08-25 Cisco Technology, Inc. Raw sensor data sharing for enhanced fleet-wide environmental awareness and safety
US11017664B2 (en) 2018-09-28 2021-05-25 At&T Mobility Ii Llc Integrated telecommunications roadside unit
US10872435B2 (en) * 2018-10-19 2020-12-22 Here Global B.V. Method and apparatus for iteratively establishing object position
US10928819B2 (en) * 2018-10-29 2021-02-23 Here Global B.V. Method and apparatus for comparing relevant information between sensor measurements
US11938969B2 (en) * 2018-11-23 2024-03-26 International Business Machines Corporation Intelligent dynamic parking for autonomous vehicles
US11226630B2 (en) * 2018-12-04 2022-01-18 Here Global B.V. Method and apparatus for estimating a localized position on a map
US11325606B2 (en) 2019-01-02 2022-05-10 Qualcomm Incorporated Methods and systems for establishing cooperative driving engagements with vehicles having varying levels of autonomy

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102649430A (zh) * 2011-02-28 2012-08-29 通用汽车环球科技运作有限责任公司 用于容错车辆侧向控制器的冗余车道感测系统
US20150160653A1 (en) * 2013-12-06 2015-06-11 Elwha Llc Systems and methods for modeling driving behavior of vehicles
CN104590274A (zh) * 2014-11-26 2015-05-06 浙江吉利汽车研究院有限公司 一种驾驶行为自适应系统及驾驶行为自适应方法
CN107139931A (zh) * 2016-03-01 2017-09-08 福特全球技术公司 基于交互式模型预测控制的自主车辆操作
CN107274695A (zh) * 2016-04-08 2017-10-20 上海三思电子工程有限公司 智能照明系统、智能车辆及其车辆辅助驾驶系统和方法

Also Published As

Publication number Publication date
US20200207371A1 (en) 2020-07-02
US11807247B2 (en) 2023-11-07
KR20210108382A (ko) 2021-09-02
KR20210108381A (ko) 2021-09-02
WO2020142359A1 (en) 2020-07-09
TW202039286A (zh) 2020-11-01
EP3906541A1 (en) 2021-11-10
US20200207360A1 (en) 2020-07-02
US11325606B2 (en) 2022-05-10
EP3906537A1 (en) 2021-11-10
US11383722B2 (en) 2022-07-12
CN113366544A (zh) 2021-09-07
WO2020142356A1 (en) 2020-07-09
US20220297700A1 (en) 2022-09-22
TW202108419A (zh) 2021-03-01

Similar Documents

Publication Publication Date Title
US11383722B2 (en) Methods and systems for managing interactions between vehicles with varying levels of autonomy
CN110603497B (zh) 自主车辆操作管理控制的自主车辆和方法
CN110431037B (zh) 包括运用部分可观察马尔可夫决策过程模型示例的自主车辆操作管理
US20230334983A1 (en) Message broadcasting for vehicles
JP6963158B2 (ja) 集中型共有自律走行車動作管理
JP2023533225A (ja) 自律走行車ポリシーを動的にキュレーションする方法及びシステム
US11834071B2 (en) System to achieve algorithm safety in heterogeneous compute platform
US12008895B2 (en) Vehicle-to-everything (V2X) misbehavior detection using a local dynamic map data model
US12012097B2 (en) Complementary control system for an autonomous vehicle
US20230324188A1 (en) Autonomous vehicle fleet scheduling to maximize efficiency
JP2024504115A (ja) ローカルダイナミックマップデータモデルを使用したビークルツーエブリシング（ｖ２ｘ）不正行為検出
WO2021253374A1 (en) V2X Message For Platooning
US11884296B2 (en) Allocating processing resources to concurrently-executing neural networks
WO2022168672A1 (ja) 処理装置、処理方法、処理プログラム、処理システム
US20230406359A1 (en) Collision imminent detection
US20240230344A1 (en) Leveraging external data streams to optimize autonomous vehicle fleet operations
CN116746187A (zh) 使用本地动态地图数据模型的车辆到一切（v2x）不当行为检测
WO2023183326A1 (en) Dynamic allocation of communication network resources for autonomous vehicles
CN117949010A (zh) 用于自主车辆的闭环评估的方法和装置

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