CN113306554A - 车辆让路决策 - Google Patents
车辆让路决策 Download PDFInfo
- Publication number
- CN113306554A CN113306554A CN202110191264.XA CN202110191264A CN113306554A CN 113306554 A CN113306554 A CN 113306554A CN 202110191264 A CN202110191264 A CN 202110191264A CN 113306554 A CN113306554 A CN 113306554A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- yield
- computer
- road
- neural network
- 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
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 107
- 238000013528 artificial neural network Methods 0.000 claims abstract description 71
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 84
- 238000004891 communication Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 39
- 230000015654 memory Effects 0.000 description 27
- 230000007246 mechanism Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000001413 cellular effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual 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
- 239000006096 absorbing agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007423 decrease 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
- 238000012905 input function Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 235000003499 redwood Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
-
- 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
- B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
-
- 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
- B60W2050/0083—Setting, resetting, calibration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/18—Distance travelled
-
- 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
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
-
- 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
- B60W2552/10—Number of lanes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4044—Direction of movement, e.g. backwards
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/406—Traffic density
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了“车辆让路决策”。在确定第一车辆正在双向道路上在所述双向道路的唯一车道中在第一行驶方向上移动之后,向第一神经网络输入车辆传感器数据,所述第一神经网络经由图像分割来识别沿着所述双向道路的让路区域。检测到第二车辆在所述双向道路的所述唯一车道上朝向所述第一车辆行驶。然后在确定所述第一车辆将给所述第二车辆让路之后,致动一个或多个车辆部件以使所述第一车辆移动至所述让路区域。
Description
技术领域
本公开总体涉及车辆控制系统。
背景技术
车辆可配备有计算装置、网络、传感器和控制器以获取关于车辆的环境的数据并且基于所述数据来操作车辆。车辆传感器可提供与将要行驶的路线和将要在车辆环境中避免的对象相关的数据。车辆的操作可依赖于在车辆正在道路上进行操作时获取关于车辆的环境中的对象的准确且及时的数据。
发明内容
一种系统包括计算机,所述计算机包括处理器和存储器,所述存储器存储能够由所述处理器执行以进行以下操作的指令:在确定第一车辆正在双向道路上在所述双向道路的唯一车道中在第一行驶方向上移动之后,向第一神经网络输入车辆传感器数据,所述第一神经网络经由图像分割来识别沿着所述双向道路的让路区域。所述指令还包括进行以下操作的指令:检测第二车辆在所述双向道路的所述唯一车道上朝向所述第一车辆行驶。所述指令还包括进行以下操作的指令:然后在确定所述第一车辆将给所述第二车辆让路之后,致动一个或多个车辆部件以使所述第一车辆移动至所述让路区域。
所述指令还可包括进行以下操作的指令:向第二神经网络输入让路参数,所述第二神经网络确定所述第一车辆是否将给所述第二车辆让路。所述让路参数可包括以下中的至少一者:所述让路区域的尺寸、从所述第一车辆至所述让路区域的距离、所述让路区域的地形、沿着所述双向道路行驶的距离以及在所述第一车辆后方的车辆的数目。
所述指令还可包括进行以下操作的指令:基于车辆传感器数据来确定所述让路参数。
所述指令还可包括进行以下操作的指令:进一步基于来自所述第二车辆的指定所述第一车辆是否将给所述第二车辆让路的消息来确定所述第一车辆是否将给所述第二车辆让路。
所述指令还可包括进行以下操作的指令:在确定所述第一车辆正在所述双向道路上行驶之后,从服务器接收所述第二神经网络。
所述指令还可包括进行以下操作的指令:基于所述让路参数来更新所述第二神经网络,并且向所述服务器提供所更新的第二神经网络。
所述指令还可包括进行以下操作的指令:基于在所述第一车辆与所述第二车辆之间没有通信而确定所述第一车辆将给所述第二车辆让路。
所述指令还可包括进行以下操作的指令:在确定在所述第一车辆与所述第二车辆之间没有通信之后,基于检测到所述第二车辆在预定时间之后接近所述第一车辆而确定所述第一车辆将给所述第二车辆让路。
所述指令还可包括进行以下操作的指令:在确定在所述第一车辆与所述第二车辆之间没有通信之后,基于指示所述第二车辆的操作的车辆传感器数据来检测第二车辆让路。
所述指令还可包括进行以下操作的指令:基于检测到第二车辆让路而致动一个或多个车辆部件以沿着所述双向道路操作所述第一车辆。
所述指令还可包括进行以下操作的指令:基于所述让路区域的一个或多个尺寸等于或大于相应阈值而致动一个或多个车辆部件以使所述第一车辆停在所述让路区域中。
所述指令还可包括进行以下操作的指令:基于所述让路区域的一个或多个尺寸小于相应阈值而致动一个或多个车辆部件以操作所述第一车辆通过所述让路区域。
所述指令还可包括进行以下操作的指令:基于车辆传感器数据而确定所述第一车辆正在所述双向道路上行驶。
所述指令还可包括进行以下操作的指令:在识别出所述让路区域之后,覆写所述存储器中的所存储的让路区域。
一种方法包括:在确定第一车辆正在双向道路上在所述双向道路的唯一车道中在第一行驶方向上移动之后,向第一神经网络输入车辆传感器数据,所述第一神经网络经由图像分割来识别沿着所述双向道路的让路区域。所述方法还包括:检测第二车辆在所述双向道路的所述唯一车道上朝向所述第一车辆行驶。所述方法还包括:然后在确定所述第一车辆将给所述第二车辆让路之后,致动一个或多个车辆部件以使所述第一车辆移动至所述让路区域。
所述方法还可包括:向第二神经网络输入让路参数,所述第二神经网络确定所述第一车辆是否将给所述第二车辆让路。所述让路参数可包括以下中的至少一者:所述让路区域的尺寸、从所述第一车辆至所述让路区域的距离、所述让路区域的地形、沿着所述双向道路行驶的距离以及在所述第一车辆后方的车辆的数目。
所述方法还可包括:基于车辆传感器数据来确定所述让路参数。
所述方法还可包括:进一步基于来自所述第二车辆的指定所述第一车辆是否将给所述第二车辆让路的消息来确定所述第一车辆是否将给所述第二车辆让路。
所述方法还可包括:在确定所述第一车辆正在所述双向道路上行驶之后,从服务器接收所述第二神经网络。
所述方法还可包括:基于所述让路参数来更新所述第二神经网络,并且向所述服务器提供所更新的第二神经网络。
本文还公开了一种计算装置,所述计算装置被编程为执行上述方法步骤中的任一者。本文还公开了一种计算机程序产品,所述计算机程序产品包括计算机可读介质,所述计算机可读介质存储指令,所述指令可由计算机处理器执行,以执行上述方法步骤中的任一者。
附图说明
图1是示出车辆的示例性车辆控制系统的框图。
图2是深度神经网络的示例性图示。
图3A是用于确定车辆将让路的示例性过程的流程图的第一部分。
图3B是图3A的流程图的第二部分。
具体实施方式
图1是示出示例性车辆控制系统100的框图。第一车辆105包括车辆计算机110,所述车辆计算机被编程为:在确定第一车辆105正在双向道路上在所述双向道路的唯一车道中在第一行驶方向上移动之后,向第一神经网络输入车辆105传感器115数据,所述第一神经网络通过分析所述传感器数据来识别沿着所述双向道路的让路区域145。车辆计算机110还被编程为检测第二车辆106在所述双向道路的所述唯一车道上朝向所述第一车辆105行驶。车辆计算机110还被编程为在确定所述第一车辆105将给所述第二车辆106让路之后,致动一个或多个车辆部件125以使所述第一车辆105移动至所述让路区域145。
当在双向道路的唯一车道中在第一方向上移动时,第一车辆105可检测到第二车辆106在所述双向道路的所述唯一车道中朝向第一车辆105(即,在与所述第一方向相反的第二方向上)移动。所述双向道路的所述唯一车道的宽度可例如小于车辆105、106的组合宽度,使得车辆105、106无法在所述双向道路的所述唯一车道中在彼此周围操作。有利的是,车辆计算机110可确定沿着双向道路的一个或多个让路区域145,并且可基于一个或多个让路参数(如下文所描述)而确定第一车辆105是否将给第二车辆106让路。车辆计算机110随后可基于是第一车辆105还是第二车辆106将让路而将第一车辆105操作至让路区域145或在让路区域145中在第二车辆106周围操作所述第一车辆,这允许车辆105、106在所述双向道路的所述唯一车道中在相反的方向上在彼此周围机动。
第一车辆105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例如经由消息接发或广播协议(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与服务器140和/或第二车辆106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,并且存储可由车辆计算机110执行以执行各种操作(包括本文公开的操作)的指令。
车辆计算机110可以自主模式、半自主模式或非自主(或人工)模式来操作第一车辆105。出于本公开的目的,自主模式被限定为其中车辆105的推进、制动和转向中的每一者都由车辆计算机110控制的模式;在半自主模式中,车辆计算机110控制车辆105的推进、制动和转向中的一者或两者;在非自主模式中,人类操作员控制车辆105的推进、制动和转向中的每一者。
车辆计算机110可包括用于操作车辆105制动、推进(例如,通过控制内燃发动机、电动马达、混合动力发动机等中的一者或多者来控制第一车辆105的加速度)、转向、变速器、气候控制、内部和/或外部灯等中的一者或多者以及用于确定车辆计算机110(而非人类操作员)是否以及何时控制此类操作的编程。
车辆计算机110可包括多于一个处理器或例如经由如在下文进一步描述的车辆通信网络(诸如,通信总线)通信地耦合至所述多于一个处理器,所述多于一个处理器例如包括在第一车辆105中所包括的用于监测和/或控制各种车辆部件125(例如变速器控制器、制动控制器、转向控制器等)的电子控制器单元(ECU)等中。车辆计算机110通常被布置成用于在车辆通信网络上进行通信,所述车辆通信网络可包括第一车辆105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,车辆计算机110可向第一车辆105中的各种装置(例如,传感器115、致动器120、ECU等)传输消息和/或从各种装置接收消息(例如,CAN消息)。可替代地或另外,在车辆计算机110实际上包括多个装置的情况下,车辆通信网络可用于在本公开中表示为车辆计算机110的装置之间的通信。此外,如下文提及,各种控制器和/或传感器115可以经由车辆通信网络向车辆计算机110提供数据。
车辆105的传感器115可包括诸如已知的用于向车辆计算机110提供数据的多种装置。例如,传感器115可包括设置在第一车辆105的顶部上、在车辆105的前挡风玻璃后面、在第一车辆105周围等的光探测和测距(LIDAR)传感器115等,所述传感器提供第一车辆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106等相对于第一车辆105的位置的位置。可替代地或另外,传感器115还可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第一车辆105周围的区域的图像。在本公开的上下文中,对象是可通过能够由传感器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,第一车辆和第二车辆105、106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。
车辆计算机110被编程为例如经由车辆网络从一个或多个传感器115接收数据。例如,所述数据可包括第一车辆105的位置。位置数据可呈已知形式,例如经由众所周知的使用全球定位系统(GPS)的导航系统获得的地理坐标,诸如纬度坐标和经度坐标。另外或可替代地,所述数据可包括对象(例如,第二车辆106、杆、路沿、自行车、树、矮树丛等)相对于第一车辆105的位置。作为一个示例,所述数据可以是在第一车辆105周围的环境的图像数据。在此示例中,所述图像数据可包括单车道双向道路和沿着所述单车道双向道路的一个或多个让路区域145。所述图像数据可包括在所述双向道路的所述唯一车道中在第一车辆105的前方的第二车辆106和/或在第一车辆105后方的第三车辆。图像数据是数字图像数据,例如包括可由相机传感器115获取的具有强度值和色彩值的像素。传感器115可安装到第一车辆105中或上的任何合适的位置,例如,安装在车辆105保险杠上、车辆105车顶上等,以收集第一车辆105周围的环境的图像。
经由电路、芯片或其他电子和/或机械部件来实施车辆105致动器120,众所周知,所述致动器可根据适当的控制信号致动各种车辆子系统。致动器120可用于控制第一车辆105的部件125,包括制动、加速和/或转向。
在本公开的上下文中,车辆部件125是适于执行机械或机电功能或操作(诸如使第一车辆105移动、使第一车辆105减速或停止、使第一车辆105转向等)的一个或多个硬件部件。部件125的非限制性示例包括推进部件(其包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如,其可包括方向盘、转向齿条等中的一者或多者)、悬架部件125(例如,其可包括阻尼器(例如减震器或滑柱)、衬套、弹簧、控制臂、球形接头、连杆等中的一者或多者)、制动部件、停车辅助部件、自适应巡航控制部件、自适应转向部件、一个或多个被动约束系统(例如,气囊)、可移动座椅等。
另外,车辆计算机110可被配置用于经由车辆对车辆通信模块130或接口与第一车辆105外部的装置通信,例如,通过到另一车辆、到服务器140(通常经由直接射频通信)和/或(通常经由网络135)到第二车辆106的车辆对车辆(V2V)或车辆对基础设施(V2X)无线通信(蜂窝和/或DSRC等)。通信模块130可包括车辆105的计算机110可借以进行通信的一种或多种机制(诸如收发器),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的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种拓扑)。经由通信模块130提供的示例性通信包括提供数据通信服务的蜂窝、蓝牙、IEEE 802.11、专用短程通信(DSRC)和/或包括互联网的广域网(WAN)。
网络135表示车辆计算机110可借以与远程计算装置(例如,服务器140、第二车辆106的车辆计算机等)进行通信的一种或多种机制。因此,网络135可以是各种有线或无线通信机制中的一者或多者,包括有线(例如,电缆和光纤)和/或无线(例如,蜂窝、无线、卫星、微波和射频)通信机制的任何期望的组合以及任何期望的网络拓扑(或利用多种通信机制时的多种拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络(例如,使用低功耗(BLE)、IEEE 802.11、车辆对车辆(V2V)(诸如专用短程通信(DSRC))等)、局域网(LAN)和/或广域网(WAN),包括互联网。
车辆计算机110被编程为识别单车道双向道路。双向道路是所提供的供车辆沿着所述道路在相反的方向上行驶的道路。车道是车辆行驶的道路的指定区域。道路应理解为包括针对陆地车辆行驶所限定或提供的任何表面。道路的车道应理解为包括沿着具有仅容纳一辆车辆的宽度的道路的长度所限定的区域,即,多辆车辆可在车道中一辆接一辆行驶,而非彼此并排,即,横向相邻地行驶。车辆计算机110可例如基于例如从远程计算机(例如,服务器140)接收的数据(例如,地图数据)来识别单车道双向道路。另外,或可替代地,车辆计算机110可基于传感器115数据来识别单车道双向道路。也就是说,车辆计算机110可被编程为从传感器115接收传感器115数据,例如图像数据,并且实施各种图像处理技术来识别单车道双向道路。作为一个示例,车辆计算机110可经由图像数据来检测在单车道双向道路旁边(即,在传感器和/或视觉范围内)的标志或标记。车辆计算机110随后可将检测到的标志与例如存储在查找表等中的多个标志进行比较,并且基于检测到的标志与识别单车道双向道路的所存储的标志匹配来识别单车道双向道路。
作为另一示例,车辆计算机110可基于图像数据来确定双向道路的宽度。例如,车辆计算机110可例如使用各种图像处理技术和/或用于检测和测量在图像数据中表示的对象的技术来识别图像数据中的双向道路。例如,车辆计算机110可基于从图像数据确定双向道路的边缘来确定双向道路的宽度。例如,已知例如通过以下操作来执行对图像数据的语义分割以识别诸如道路边缘或边界的特征:提供图像作为卷积神经网络(CNN)的输入,并且获得与诸如道路的边缘的特征相关联的像素坐标的范围的规格作为输出。通过在图像中识别与道路的边缘相关联的一组像素坐标,并且确定从图像传感器115镜头至所识别的道路边缘像素坐标的距离(以像素坐标为单位),计算机110随后可确定车辆105传感器115镜头与道路的边缘相距的距离。也就是说,根据常规的技术,计算机110可确定从镜头至所识别的坐标的距离(以像素坐标为单位),并且可进一步从图像确定从传感器115镜头至所识别的边缘点的线与从镜头延伸的平行于车辆105的纵向轴线的轴线之间的角度。随后,计算机110可使用三角函数来确定垂直于车辆105纵向轴线从传感器115镜头至道路的边缘上的点绘制的线的长度。通过在车辆105的第二侧上针对道路的边缘重复此过程,并且对垂直于车辆105纵向轴线并且从传感器115镜头至相应的道路边缘绘制的两条线的长度求和,可确定道路的宽度。
车辆计算机110随后可将双向道路的宽度与阈值宽度进行比较。阈值宽度是允许至少两辆车辆105、106在双向道路上彼此并排操作的最小宽度。可基于(例如)指定车辆105、106的最大宽度的政府规定来确定所述阈值宽度。在双向道路的宽度高于阈值的情况下,车辆计算机110确定道路是多车道双向道路。在双向道路的宽度低于阈值宽度的情况下,车辆计算机110确定道路是单车道双向道路。
车辆计算机110被编程为确定第一车辆105正在双向道路的唯一(即,单)车道中接近或移动。例如,车辆计算机110可例如从位置传感器115、导航系统、远程计算机等接收第一车辆105的位置。另外,车辆计算机110可例如通过基于GPS的地理围栏来确定第一车辆105正在双向道路上移动或正在接近双向道路。在此示例中,基于GPS的地理围栏指定双向道路的周边。车辆计算机110随后可将第一车辆105的位置数据与双向道路的地理围栏周边进行比较。作为另一示例,车辆计算机110可例如使用常规的图像处理技术基于传感器115数据来检测在第一车辆105的前方的双向道路的起点。车辆计算机110随后可确定从第一车辆105至双向道路的起点的距离。车辆计算机110可基于确定第一车辆105正例如在双向道路的起点的预定距离内或地理围栏周边内操作而确定第一车辆105是否正在双向道路的唯一车道中移动或接近双向道路的唯一车道。
在确定第一车辆正接近双向道路的唯一车道或在所述唯一车道中移动之后,车辆计算机110随后可例如使用联合学习技术从服务器140接收第二神经网络(如下文论述)的权重。服务器140是被编程为提供诸如本文公开的操作的操作的计算装置,即,包括一个或多个处理器和一个或多个存储器。此外,可经由网络135访问服务器140,所述网络例如为互联网或某一其他广域网。另外,车辆计算机110可从服务器140接收第二神经网络的版本标识符(如下文论述)。车辆计算机110随后可将第二神经网络的权重存储在(例如)存储器中。例如,车辆计算机110可覆写或擦除存储在存储器中的先前的权重。车辆计算机110可被编程为例如经由网络135向服务器140提供第二神经网络的经更新的权重,如下文论述。
车辆计算机110可基于传感器115数据来识别沿着双向道路的一个或多个让路区域145。让路区域145是沿着(例如)双向道路的一边的在双向道路的唯一车道之外提供车辆机动区域的地表面。让路区域145包括沿着地表面的尺寸,例如长度和宽度。另外,让路区域145包括地形,例如草地、泥浆、砾石、泥土等。让路区域145的地形可与双向道路的地形相同或不同。车辆计算机110可(例如)将传感器115数据输入到第一神经网络(诸如DNN(参见图2))中,可对所述第一神经网络进行训练以从传感器115接受传感器115数据作为输入,并且生成识别让路区域145的输出。识别让路区域145的所述输出指定位置(例如GPS坐标或距第一车辆105的线性距离)、让路区域145的尺寸和地形。
车辆计算机110随后可在第一车辆105位于双向道路上时将指定让路区域145的数据(即,指定区域145的一组坐标)存储在存储器中。车辆计算机110在第一车辆105位于双向道路上时将让路区域145的阈值数目存储在(例如)存储器中。所述阈值数目可以是一个或更多个。所述阈值数目可例如由制造商或设计者指定。在所存储的让路区域145的数目等于阈值数目的情况下,在例如经由第一神经网络识别出之后的让路区域145之后,车辆计算机110覆写或擦除存储器中的所存储的让路区域145(通常是最老的,即,在时间上最不近的)。车辆计算机110可被编程为在例如基于传感器115数据和/或位置数据而确定第一车辆105离开双向道路之后从存储器擦除所述让路区域145。
车辆计算机110基于传感器115数据和/或来自第一神经网络的输出而确定第一车辆105的一个或多个让路参数。让路参数是在第一车辆105正在双向道路的唯一车道中操作时第一车辆105或在第一车辆105周围的环境的物理特性的测量结果。车辆计算机110可在第一车辆105位于双向道路上时将让路参数存储在(例如)存储器中。车辆计算机110可例如经由网络135将指定第一车辆105的让路参数的消息传输至第二车辆106。另外,车辆计算机110可从第二车辆106接收指定第二车辆106的让路参数的消息。让路参数的非限制性示例可包括以下各项:
车辆计算机110可基于传感器115数据来检测在第一车辆105的前方的第二车辆106。例如,车辆计算机110随后可使用常规的图像处理和辨识技术基于传感器115数据来识别第二车辆106的前方或后方(例如,在图像数据中分别识别第二车辆106的头灯或倒车灯)。另外,车辆计算机110可确定车辆距离是否正在减小。例如,车辆计算机110可在一段时期期间确定车辆距离的差异。如果车辆距离之间的差异小于零,即,负数,则车辆计算机110确定车辆距离正在减小,例如第二车辆106正以比第一车辆105慢的速度在第二方向上移动或在第一方向上移动。如果车辆距离之间的差异等于或大于零,则车辆计算机110确定车辆距离未在减小,例如第二车辆106正在以与第一车辆105相同或比所述第一车辆快的速度在第一方向上移动。
在车辆计算机110识别出第二车辆106的后方并且确定车辆距离正在减小的情况下,车辆计算机110致动一个或多个车辆部件125以操作第一车辆105,使得车辆距离等于或大于阈值。可基于(例如)经验测试和/或模拟来确定所述阈值,以确定在车辆105、106之间的允许车辆105、106的安全操作的距离(例如,基于车辆105、106的速度、双向道路的地形、当日时间、视线、降水的存在等)。在车辆计算机110识别出第二车辆106的前方并且确定车辆距离正在减小的情况下,车辆计算机110确定是第一车辆105还是第二车辆106将让路,如下文论述。在车辆计算机110确定车辆距离未在减小的情况下,车辆计算机110致动一个或多个车辆部件125以继续第一车辆105在双向道路的唯一车道中的操作。
车辆计算机110可被编程为确定第二车辆106的通信状态,即,第二车辆106是否例如经由网络135与第一车辆105通信。例如,在检测到第二车辆106位于双向道路的唯一车道中之后,车辆计算机110可例如经由网络135向第二车辆106传输消息(例如,请求第二车辆106提供第二车辆106的让路参数)。在车辆计算机110在预定时间内从第二车辆106接收到响应(例如,指定第二车辆106的让路参数)的情况下,车辆计算机110确定第二车辆106与第一车辆105通信。在车辆计算机110在所述预定时间内未从第二车辆106接收到响应的情况下,车辆计算机110确定第二车辆106不与第一车辆105通信。可例如通过用于确定车辆(例如,经由网络135)接收消息并对消息作出响应的最小响应时间的经验测试来确定所述预定时间。
车辆计算机110被编程为作出让路决策。让路决策是确定第一车辆105或第二车辆106中的一者将给另一车辆105、106让路或正在给所述另一车辆让路。在确定第二车辆106不与第一车辆105通信之后,车辆计算机110可基于传感器115数据而作出让路决策。例如,车辆计算机110可基于(例如)位置数据、图像数据、接近传感器115数据等来确定第二车辆106相对于第一车辆105在双向道路的唯一车道中的移动。在车辆距离减小的情况下,车辆计算机110可确定第一车辆105将让路。在车辆距离增加的情况下,车辆计算机110可确定第二车辆106正在让路。作为另一示例,车辆计算机110可检测到第二车辆106移出双向道路的唯一车道(例如)进入让路区域145。在此示例中,车辆计算机110可确定第二车辆106正在让路。可替代地,在确定在车辆105、106之间没有通信之后,车辆计算机110可作出默认指定第一车辆105将给第二车辆106让路的让路决策。
在确定第二车辆106与第一车辆105通信之后,车辆计算机110可基于来自第二神经网络的输出而作出让路决策。例如,车辆计算机110可将第一车辆105和第二车辆106的让路参数输入到第二神经网络(诸如深度神经网络(DNN))中(参见图2),可对所述第二神经网络进行训练以接受正在双向道路的唯一车道中移动的第一车辆105和第二车辆106的让路参数作为输入并且生成让路决策的输出。
另外,在车辆105、106处于通信的情况下,车辆计算机110可被编程为核实第二车辆106的让路决策。例如,车辆计算机110可从第二车辆106接收指定第二车辆106的让路决策的消息。在此示例中,车辆计算机110将第二车辆106的让路决策与第一车辆105的让路决策进行比较。车辆计算机110在每个让路决策都指定同一车辆105、106将让路的情况下确定所述让路决策匹配。在所述让路决策匹配的情况下,车辆计算机110核实所述让路决策并且根据所述让路决策来操作第一车辆105,如下文所描述。
在所述让路决策不匹配(即,未经核实)的情况下,车辆计算机110基于第二神经网络的经更新的版本的输出而作出让路决策。第二神经网络的版本识别第二神经网络的权重。每个版本可包括识别相应版本的版本标识符,例如字母数字串。例如,第二车辆106可例如在与第二车辆106的让路决策相同或不同的消息中传输由第二车辆106存储在(例如)存储器中的第二神经网络的版本标识符。车辆计算机110随后可将从第二车辆106接收的第二神经网络的版本标识符与从服务器140接收的第二神经网络的版本标识符进行比较。车辆计算机110基于相应的版本标识符(例如,一个版本标识符中的字符具有比另一版本标识符中的对应字符大的数值)来识别第二神经网络的经更新的版本。
另外,车辆计算机110可更新第二神经网络的权重。例如,车辆计算机110例如通过以下操作来对第二神经网络进行训练:基于第一车辆105和第二车辆106的让路参数和经过核实的让路决策来经由合适的技术(诸如反向传播)加以优化来更新权重和偏差。车辆计算机110随后例如经由网络135向服务器140提供第二神经网络的经更新的权重。服务器140随后可更新例如存储在服务器140的存储器中的第二神经网络的版本,即,覆写先前的版本,并且生成经更新的版本标识符。
车辆计算机110可被编程为向第一车辆105的用户提供让路决策。例如,车辆计算机110可致动一个或多个车辆部件125(例如,显示屏幕、扬声器等)以向用户输出让路决策。另外,车辆计算机110可经由一个或多个车辆部件125向用户提供第一车辆105和/或第二车辆106的让路参数。
在所述让路决策指定第一车辆105将给第二车辆106让路的情况下,车辆计算机110例如根据用于自主或半自主操作的常规技术来致动一个或多个车辆部件125以使第一车辆105移动至让路区域145。车辆计算机110随后将让路区域145尺寸与阈值尺寸进行比较。所述阈值尺寸可指定最小尺寸,例如长度和宽度,在高于所述最小尺寸的情况下第一车辆105可停在让路区域145中。所述阈值尺寸可等于或大于第一车辆105的尺寸。
例如,在让路区域145尺寸等于或大于第一车辆105的尺寸的情况下,车辆计算机110可致动一个或多个车辆部件125以使第一车辆105停在让路区域145中。在此示例中,车辆计算机110可在检测到第二车辆106通过让路区域145之后致动一个或多个车辆部件以使第一车辆105从让路区域145移动至双向道路的唯一车道。也就是说,车辆计算机110可在第一车辆105在双向道路的唯一车道中在第一方向上的路径无阻碍之前使第一车辆105维持在让路区域145中。在至少一个让路区域145尺寸小于第一车辆105的相应尺寸的情况下,车辆计算机110操作第一车辆105通过让路区域145。也就是说,车辆计算机110致动一个或多个车辆部件125以继续使第一车辆105经由让路区域145在第二车辆106周围移动,同时第二车辆106在双向道路的唯一车道中在与所述第一方向相反的方向上操作。换句话说,第一车辆105和第二车辆106同时彼此通过。
在所述让路决策指定第二车辆106将给第一车辆105让路的情况下,车辆计算机110致动一个或多个车辆部件125以使第一车辆105在双向道路的唯一车道中在第一方向上移动。例如,车辆计算机110可在第一方向上操作第一车辆105,使得车辆距离等于或大于阈值。在例如基于图像数据而检测到第二车辆106与双向道路的唯一车道的一边之间的宽度大于第一车辆105的宽度之后(例如,在第二车辆106位于让路区域145中时),车辆计算机110可在双向道路的唯一车道中在第一方向上在第二车辆106周围操作第一车辆105。
图2是示例性深度神经网络(DNN)200的图示。例如,DNN 200可以是可加载于存储器中并且由包括在计算机中的处理器执行的软件程序。在示例性实现方式中,DNN 200可包括(但不限于)卷积神经网络(CNN)、R-CNN(基于区域的CNN)、快速R-CNN和更快的R-CNN。DNN包括多个节点,并且节点布置成使得DNN 200包括输入层、一个或多个隐藏层和输出层。DNN200的每个层可包括多个节点205。虽然图2示出了三(3)个隐藏层,但应理解,DNN 200可包括附加的或更少的隐藏层。输入层和输出层还可包括多于一(1)个节点205。
节点205有时称为人工神经元205,因为它们被设计成模仿生物的(例如,人类的)神经元。每个神经元205的一组输入(由箭头表示)各自乘以相应的权重。随后可在输入函数中对经加权的输入求和以提供可能通过偏差调整的净输入。随后可将所述净输入提供至激活函数,所述激活函数继而向连接的神经元205提供输出。所述激活函数可以是通常基于经验分析而选择的多种合适的函数。如图2中的箭头所示,然后可提供神经元205的输出以将其包括在到下一层中的一个或多个神经元205的一组输入中。
作为一个示例,可使用地面实况数据,即,关于现实世界状况或状态的数据,来训练DNN 200。例如,车辆计算机110的处理器可使用地面实况数据来训练DNN 200和/或使用附加的数据来更新所述DNN。可(例如)通过使用高斯分布来初始化权重,并且可将每个节点205的偏差设置为零。训练DNN 200可包括经由合适技术(诸如反向传播)加以优化来更新权重和偏差。地面实况数据可包括(但不限于)指定图像内的对象(例如,车辆105、106、让路区域145、植物等)的数据或指定物理参数的数据。例如,地面实况数据可以是表示对象和对象标记的数据。在另一示例中,地面实况数据可以是表示对象(例如,第一车辆105)和所述对象(例如,第一车辆105)相对于另一对象(例如,第二车辆106)的相对角度和/或速度等的数据。
在操作期间,车辆计算机110获得传感器115数据,例如双向道路的图像数据,并且向第一神经网络提供传感器115数据。第一神经网络可被编程为基于被称为图像分割的过程来识别沿着双向道路的一个或多个让路区域145。也就是说,第一神经网络可被编程为基于彩色图像数据中的像素的连接区域对例如车辆、道路、植物、地形、建筑物等的对象进行分割和分类。
图像分割是机器视觉过程,其中将输入的彩色图像分割为连接区域。可对DNN 200进行训练以通过输入多个彩色图像以及地面实况数据而将输入的彩色图像分割为连接区域。例如,在交通场景的图像中,地面实况数据可包括关于包括在彩色图像中的对象的信息,诸如区域和从传感器115至视野中的车辆的距离和方向。可例如通过直接观测或测量或通过独立于DNN 200处理的处理而独立于彩色图像来获取地面实况数据。地面实况数据可用于在训练期间向DNN 200提供反馈,以奖励正确的结果并且惩罚较差的结果。通过使用多个不同的DNN 200参数执行多个试验并且使用地面实况数据评估结果,可对DNN 200进行训练以在输入彩色图像数据之后输出正确的结果。连接区域可例如受限于最小面积和最大面积。可通过使用对应于对象的若干不同类别中的一个类别来标记每个连接区域来对连接区域进行分类。DNN 200可基于彩色图像中的对象的大小、形状和位置来选择所述类别。例如,DNN 200可包括不同的类别,例如针对车辆的不同品牌和型号、不同类型的地形(例如,草地、泥浆、砾石等)、不同类型的植物(例如,树木、灌木、矮树丛等)等。
在操作期间,车辆计算机110确定第一车辆105的让路参数并且获得第二车辆106的让路参数。车辆计算机110随后向第二神经网络提供第一车辆和第二车辆105、106的让路参数。第二神经网络基于所接收的输入而生成预测。所述输出是指定是第一车辆105还是第二车辆106将给另一车辆105、106让路的让路决策。
图3A是用于确定第一车辆105是否将给双向道路的唯一车道中的第二车辆106让路的示例性过程300的流程图的第一部分(在图3B中示出了第二部分,因为整个流程图将在单张图纸上容不下)。过程300开始于框305。
在框305中,第一车辆105的车辆计算机110接收数据。例如,车辆计算机110可从(例如)位置传感器115、导航系统、远程计算机等接收第一车辆105的位置数据。另外,或可替代地,车辆计算机110可接收指定单车道双向道路的周边的基于GPS的地理围栏。另外,或可替代地,车辆计算机110可例如经由车辆网络从一个或多个传感器115接收图像数据。所述图像数据可包括第一车辆105周围的环境,诸如单车道双向道路、沿着双向道路的一个或多个让路区域145、在双向道路的唯一车道中在第一车辆105的前方的第二车辆106和/或在双向道路的唯一车道中在第一车辆105的后方的第三车辆。过程300在框310中继续。
在框310中,车辆计算机110确定双向道路是否具有单车道(即,一个且只有一个车道用于服务在相反的方向上行驶的车辆)。例如,车辆计算机110可基于传感器115数据来识别单车道双向道路。作为一个示例,车辆计算机110可例如经由图像数据来检测在双向道路旁边的标志或标记。车辆计算机110随后可将检测到的标志与例如存储在存储器中的一个或多个图像进行比较,并且基于检测到的标志与例如指示单车道双向道路的标志的所存储的图像匹配而确定所述双向道路具有单车道。
作为另一示例,车辆计算机110可基于图像数据来确定双向道路的宽度。例如,车辆计算机110可基于双向道路在图像帧中占据的像素的数目来确定双向道路的宽度,如上文所论述。车辆计算机110随后可将双向道路的宽度与阈值宽度进行比较。在双向道路的宽度高于阈值的情况下,车辆计算机110确定道路是多车道双向道路。在双向道路的宽度低于阈值宽度的情况下,车辆计算机110确定道路是单车道双向道路。可替代地,车辆计算机110可基于在双向道路周围的基于GPS的地理围栏来确定所述双向道路具有单车道。例如,车辆计算机110可将地理围栏的宽度与宽度阈值进行比较。在车辆计算机110确定双向道路是单车道双向道路的情况下,过程300在框315中继续。否则,过程300返回到框305。
在框315中,车辆计算机110确定第一车辆105是否正接近双向道路的唯一车道或在所述唯一车道中移动。例如,车辆计算机110可将第一车辆105的位置数据与指定单车道双向道路的周边的基于GPS的地理围栏进行比较。在此示例中,车辆计算机110可基于第一车辆105的位置数据指示第一车辆105位于地理围栏内而确定第一车辆105正在双向道路的唯一车道上移动。可替代地,车辆计算机110可基于确定在第一车辆105的位置与地理围栏的周边之间的距离来确定第一车辆105位于双向道路的唯一车道的预定距离内。
作为另一示例,车辆计算机110可接收并分析传感器115数据,例如图像数据,以确定第一车辆105是否正接近双向道路的唯一车道或在所述唯一车道中移动。例如,车辆计算机110可例如经由各种车道检测技术来确定第一车辆105正在双向道路的唯一车道中移动。作为另一示例,车辆计算机110可例如经由图像数据来检测在第一车辆105的前方的双向道路的起点。车辆计算机110随后可例如使用各种图像处理技术来确定从第一车辆105至双向道路的起点的距离,并且将那个距离与所述预定距离进行比较。车辆计算机110随后可基于所述距离等于或小于所述预定距离而确定第一车辆105正在接近。在第一车辆正接近双向道路的唯一车道或在所述唯一车道中移动的情况下,过程300在框320中继续。否则,过程300返回到框305。
在框320中,车辆计算机110识别沿着双向道路的让路区域145。例如,车辆计算机110可包括诸如上文论述的第一神经网络,可对所述第一神经网络进行训练以接受传感器115数据作为输入并且生成识别让路区域145的输出。如上文所论述,所述第一神经网络可基于图像分割来识别让路区域145。另外,如上文所论述,第一神经网络可识别让路区域145的尺寸、让路区域145的地形以及让路区域145的位置中的一者或多者。在识别出让路区域145之后,车辆计算机110可将让路区域145存储在(例如)存储器中。
另外,车辆计算机110可确定存储在存储器中的让路区域145的数目。在让路区域145的数目等于阈值数目的情况下,车辆计算机110用由第一神经网络输出的让路区域145覆写先前存储的让路区域145。过程300在框325中继续。
在框325中,车辆计算机110确定第一车辆105的让路参数。例如,车辆计算机110可基于传感器115数据和/或来自第一神经网络的输出来确定让路参数。例如,所述让路参数可包括在上表1中识别的参数中的任何一个或多个。过程300在框330中继续。
在框330中,车辆计算机110确定第二车辆106是否在双向道路的单(即,唯一)车道中在第一车辆105的前方。例如,车辆计算机110可当在双向道路的唯一车道中移动时接收传感器115数据,例如图像数据。车辆计算机110可使用各种图像处理技术来识别在第一车辆105的前方的第二车辆106。在车辆计算机110确定第二车辆106在双向道路的唯一车道中在第一车辆105的前方的情况下,过程300在框345中继续。否则,过程300在框335中继续。
在框335中,车辆计算机110在双向道路的唯一车道中在第一方向上操作第一车辆105。例如,车辆计算机110可致动一个或多个车辆部件125以在双向道路的唯一车道中操作第一车辆105。过程300在框340中继续。
在框340中,车辆计算机110确定第一车辆105是否已经到达单车道的终点。例如,车辆计算机110可基于传感器115数据(例如,图像数据)来确定单车道的终点。在此示例中,车辆计算机110可例如基于描绘双向道路的像素的数目来确定双向道路的宽度(如上文所论述),并且将双向道路的宽度与宽度阈值进行比较。在所述宽度高于宽度阈值的情况下,车辆计算机110可确定第一车辆105已经到达道路在其处除了第一车辆105目前行驶的车道之外还包括至少一个第二车道的道路位置。在所述宽度低于宽度阈值的情况下,车辆计算机110可确定第一车辆105继续在作为道路的单车道的车道中行驶。另外,或可替代地,车辆计算机110可识别沿着双向道路的指示单车道的终点的标志或标记。另外,或可替代地,车辆计算机110可基于第一车辆105的位置数据与双向道路的基于GPS的地理围栏的比较而确定第一车辆105到达单车道的终点。在车辆计算机110确定第一车辆105已经到达单车道的终点的情况下,过程300结束。否则,过程返回到框320。
现在转向图3B,在图3A中示出的框330之后,在框345中,车辆计算机110识别第二车辆106的前方或后方。例如,车辆计算机110可接收指示第二车辆106的传感器115数据,例如图像数据。车辆计算机110随后可例如使用各种图像处理技术来识别第二车辆106的前方或后方。作为一个示例,车辆计算机110可基于检测图像数据中的前照灯来识别第二车辆106的前方。作为另一示例,车辆计算机110可基于检测图像数据中的尾灯来识别第二车辆106的后方。在车辆计算机110识别出第二车辆106的前方的情况下,过程300在框355中继续。否则,过程300在框350中继续。
在框350中,车辆计算机110基于第二车辆106的速度和距离在双向道路的唯一车道中操作第一车辆105。也就是说,车辆计算机110致动一个或多个车辆部件125以操作第一车辆105,并且将车辆距离(参见表1)维持成等于或大于距离阈值。在这些情形下,车辆计算机110可在第二车辆106在第一方向上移动时在第一方向上操作第一车辆,或者在第二车辆106在第二方向上移动时在第二方向上操作所述第一车辆。过程300在框330中继续。
在框355中,车辆计算机110确定第二车辆106是否与第一车辆105通信。例如,车辆计算机110可将消息传输至第二车辆106(例如,请求第二车辆106的让路参数)。在车辆计算机110在预定时间内从第二车辆106接收到响应(例如,指定第二车辆106的让路参数)的情况下,车辆计算机110确定第二车辆106与第一车辆105通信。在车辆计算机110在所述预定时间内未接收到响应的情况下,车辆计算机110确定第二车辆106不与第一车辆105通信。在第二车辆106与第一车辆105通信的情况下,过程300在框360中继续。否则,过程300在框365中继续。
在框360中,车辆计算机110确定让路决策。例如,车辆计算机110可包括诸如上文论述的第二神经网络,可对所述第二神经网络进行训练以接受来自第一车辆105和第二车辆106的让路参数作为输入并且生成让路决策,如上文所论述。车辆计算机110可例如基于来自车辆计算机110的请求(例如,在车辆计算机110确定第一车辆105正接近双向道路的唯一车道或在所述唯一车道中移动之后进行传输)而从服务器140接收第二神经网络的权重。另外,服务器140可例如在同一或不同的传输中提供第二神经网络的版本标识符。车辆计算机110随后可向第二神经网络输入第一车辆105的让路参数和第二车辆106的让路参数。第二神经网络随后输出指定是第一车辆105还是第二车辆106将给另一车辆105、106让路的让路决策,如上文所论述。
另外,车辆计算机110可被编程为核实第二车辆106的让路决策。例如,车辆计算机110可例如经由网络135从第二车辆106接收让路决策,并且可对所述让路决策进行比较。在所述让路决策匹配的情况下,即,指定同一车辆105、106将让路,则车辆计算机110核实所述让路决策。在所述让路决策不匹配的情况下,车辆计算机110基于来自第二神经网络的最新版本的输出而作出让路决策,如上文所论述。过程300在框370中继续。
在框365中,车辆计算机110经由传感器115数据来确定让路决策。例如,车辆计算机110可在某一持续时间之后检测到第二车辆106正在朝向第一车辆105移动。在此示例中,车辆计算机110可确定第一车辆105将给第二车辆106让路。作为另一示例,车辆计算机110可检测到第二车辆106正在移动远离第一车辆105和/或移出双向道路的唯一车道。在此示例中,车辆计算机110可确定第二车辆106正在让路。可替代地,车辆计算机110可在确定在车辆105、106之间没有通信之后确定第一车辆105将给第二车辆106让路。过程300在框370中继续。
在框370中,车辆计算机110基于在框360或365中的一者中确定的让路决策来确定第一车辆105是否将让路。在第一车辆105将让路的情况下,过程300在框375中继续。否则,过程300在框350中继续。
在框375中,车辆计算机110被编程为操作第一车辆105至让路区域145。例如,车辆计算机110致动一个或多个车辆部件125以使第一车辆105在双向道路的唯一车道中移动至例如存储在存储器中的最近的让路区域145。过程300在框380中继续。
在框380中,车辆计算机110确定第一车辆105是否将停在让路区域145中。例如,车辆计算机110可将让路区域145的尺寸与第一车辆105的尺寸进行比较。在让路区域145的尺寸(通常是长度和宽度)等于或大于第一车辆105的尺寸(通常是长度和宽度)的情况下,车辆计算机110可确定第一车辆105将停在让路区域145中。在让路区域145的尺寸(即,长度和宽度)中的至少一者小于第一车辆105的对应尺寸(即,长度和宽度)的情况下,车辆计算机110确定第一车辆105将操作通过让路区域145。在第一车辆将停在让路区域145中的情况下,车辆计算机110致动一个或多个车辆部件125以使第一车辆105停在让路区域145中,并且过程300在框390中继续。否则,过程300在框385中继续。
在框385中,车辆计算机110操作第一车辆105通过让路区域145。也就是说,车辆计算机110致动一个或多个车辆部件125以使第一车辆105移动通过让路区域145。在此示例中,第一车辆105经由让路区域145在第二车辆106周围操作,同时第二车辆106在双向道路的唯一车道中移动。过程300在框335中继续。
在框390中,当第一车辆105停在让路区域145中时,车辆计算机110确定第二车辆106是否在双向道路的唯一车道中在第一车辆105的前方(即,阻挡所述第一车辆)。例如,车辆计算机110可接收指示位于双向道路的唯一车道中的第二车辆106的传感器115数据,例如图像数据。在第二车辆106不阻挡第一车辆105离开让路区域145(例如,在双向道路的唯一车道中在第一方向上操作)的情况下,过程300在框335中继续。否则,过程300仍然在框390中。
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。
通常,所描述的计算系统和/或装置可以采用许多计算机操作系统中的任一者,包括但绝不限于以下版本和/或变型:Ford应用、AppLink/Smart Device Link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BlackBerry OS、以及由谷歌公司和开放手机联盟开发的Android操作系统、或由QNX软件系统公司提供的CAR信息娱乐平台。计算装置的示例包括但不限于车载计算机、计算机工作站、服务器、台式机、笔记本、膝上型计算机或手持计算机、或某一其他计算系统和/或装置。
计算机和计算装置一般包括计算机可执行指令,其中所述指令可能够由一个或多个计算装置(诸如以上所列出的那些)执行。可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。此类指令和其他数据可以使用各种计算机可读介质来存储和传输。计算装置中的文件通常是存储在诸如存储介质、随机存取存储器等计算机可读介质上的数据的集合。
存储器可以包括计算机可读介质(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,所述传输介质包括同轴电缆、铜线和光纤,包括构成联接到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、柔性磁盘、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,或者计算机可从其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,系统元件可以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,应当理解,虽然此类过程等的步骤已被描述为按照某一有序的顺序发生,但是可以通过以与本文所述顺序不同的顺序执行所述步骤来实践此类过程。还应当理解,可以同时执行某些步骤,可以添加其他步骤,或者可以省略本文描述的某些步骤。换句话说,本文对过程的描述出于说明某些实施例的目的而提供,并且决不应被解释为限制权利要求。
因此,应理解,以上描述旨在是说明性的而非限制性的。形容词“第一”、“第二”和“第三”贯穿本文档用作标识符,并且不意图表示重要性或顺序。在阅读了以上描述之后,除了所提供的示例之外的许多实施例和应用对于本领域技术人员而言将是明显的。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,应当理解,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”、“该”、“所述”等单数冠词应被解读为叙述所指示的要素中的一个或多个。
根据本发明,提供了一种系统,所述系统具有计算机,所述计算机包括处理器和存储器,所述存储器存储能够由所述处理器执行以进行以下操作的指令:在确定第一车辆正在双向道路上在所述双向道路的唯一车道中在第一行驶方向上移动之后,向第一神经网络输入车辆传感器数据,所述第一神经网络经由图像分割来识别沿着所述双向道路的让路区域;检测第二车辆在所述双向道路的所述唯一车道上朝向所述第一车辆行驶;以及然后在确定所述第一车辆将给所述第二车辆让路之后,致动一个或多个车辆部件以使所述第一车辆移动至所述让路区域。
根据一个实施例,所述指令还包括进行以下操作的指令:向第二神经网络输入让路参数,所述第二神经网络确定所述第一车辆是否将给所述第二车辆让路,所述让路参数包括以下中的至少一者:所述让路区域的尺寸、从所述第一车辆至所述让路区域的距离、所述让路区域的地形、沿着所述双向道路行驶的距离以及在所述第一车辆后方的车辆的数目。
根据一个实施例,所述指令还包括进行以下操作的指令:基于车辆传感器数据来确定所述让路参数。
根据一个实施例,所述指令还包括进行以下操作的指令:进一步基于来自所述第二车辆的指定所述第一车辆是否将给所述第二车辆让路的消息来确定所述第一车辆是否将给所述第二车辆让路。
根据一个实施例,所述指令还包括进行以下操作的指令:在确定所述第一车辆正在所述双向道路上行驶之后,从服务器接收所述第二神经网络的权重。
根据一个实施例,所述指令还包括进行以下操作的指令:基于所述让路参数来更新所述第二神经网络的所述权重,并且向所述服务器提供第二神经网络的所更新的权重。
根据一个实施例,所述指令还包括进行以下操作的指令:基于在所述第一车辆与所述第二车辆之间没有通信来确定所述第一车辆将给所述第二车辆让路。
根据一个实施例,所述指令还包括进行以下操作的指令:在确定在所述第一车辆与所述第二车辆之间没有通信之后,基于检测到所述第二车辆在预定时间之后接近所述第一车辆而确定所述第一车辆将给所述第二车辆让路。
根据一个实施例,所述指令还包括进行以下操作的指令:在确定在所述第一车辆与所述第二车辆之间没有通信之后,基于指示所述第二车辆的操作的车辆传感器数据来检测第二车辆让路。
根据一个实施例,所述指令还包括进行以下操作的指令:基于检测到第二车辆让路而致动一个或多个车辆部件以沿着所述双向道路操作所述第一车辆。
根据一个实施例,所述指令还包括进行以下操作的指令:基于所述让路区域的一个或多个尺寸等于或大于相应阈值而致动一个或多个车辆部件以使所述第一车辆停在所述让路区域中。
根据一个实施例,所述指令还包括进行以下操作的指令:基于所述让路区域的一个或多个尺寸小于相应阈值而致动一个或多个车辆部件以操作所述第一车辆通过所述让路区域。
根据一个实施例,所述指令还包括进行以下操作的指令:基于车辆传感器数据而确定所述第一车辆正在所述双向道路上移动。
根据一个实施例,所述指令还包括进行以下操作的指令:在识别出所述让路区域之后,覆写所述存储器中的所存储的让路区域。
根据本发明,一种方法包括:在确定第一车辆正在双向道路上在所述双向道路的唯一车道中在第一行驶方向上移动之后,向第一神经网络输入车辆传感器数据,所述第一神经网络经由图像分割来识别沿着所述双向道路的让路区域;检测第二车辆在所述双向道路的所述唯一车道上朝向所述第一车辆行驶;以及然后在确定所述第一车辆将给所述第二车辆让路之后,致动一个或多个车辆部件以将所述第一车辆移动至所述让路区域。
在本发明的一个方面,所述方法包括向第二神经网络输入让路参数,所述第二神经网络确定所述第一车辆是否将给所述第二车辆让路,所述让路参数包括以下中的至少一者:所述让路区域的尺寸、从所述第一车辆至所述让路区域的距离、所述让路区域的地形、沿着所述双向道路行驶的距离以及在所述第一车辆后方的车辆的数目。
在本发明的一个方面,所述方法包括:基于车辆传感器数据来确定所述让路参数。
在本发明的一个方面,所述方法包括:进一步基于来自所述第二车辆的指定所述第一车辆是否将给所述第二车辆让路的消息来确定所述第一车辆是否将给所述第二车辆让路。
在本发明的一个方面,所述方法包括:在确定所述第一车辆正在所述双向道路上行驶之后,从服务器接收所述第二神经网络的权重。
在本发明的一个方面,所述方法包括:基于所述让路参数来更新所述第二神经网络的所述权重,并且向所述服务器提供第二神经网络的所更新的权重。
Claims (15)
1.一种方法,其包括:
在确定第一车辆正在双向道路上在所述双向道路的唯一车道中在第一行驶方向上移动之后,向第一神经网络输入车辆传感器数据,所述第一神经网络经由图像分割来识别沿着所述双向道路的让路区域;
检测第二车辆在所述双向道路的所述唯一车道上朝向所述第一车辆行驶;以及
然后在确定所述第一车辆将给所述第二车辆让路之后,致动一个或多个车辆部件以使所述第一车辆移动至所述让路区域。
2.如权利要求1所述的方法,其还包括向第二神经网络输入让路参数,所述第二神经网络确定所述第一车辆是否将给所述第二车辆让路,所述让路参数包括以下中的至少一者:所述让路区域的尺寸、从所述第一车辆至所述让路区域的距离、所述让路区域的地形、沿着所述双向道路行驶的距离以及在所述第一车辆后方的车辆的数目。
3.如权利要求2所述的方法,其还包括:进一步基于来自所述第二车辆的指定所述第一车辆是否将给所述第二车辆让路的消息来确定所述第一车辆是否将给所述第二车辆让路。
4.如权利要求2所述的方法,其还包括:在确定所述第一车辆正在所述双向道路上行驶之后,从服务器接收所述第二神经网络的权重。
5.如权利要求4所述的方法,其还包括:基于所述让路参数来更新所述第二神经网络的所述权重,并且向所述服务器提供所述第二神经网络的所更新的权重。
6.如权利要求1所述的方法,其还包括:基于在所述第一车辆与所述第二车辆之间没有通信而确定所述第一车辆将给所述第二车辆让路。
7.如权利要求1所述的方法,其还包括:在确定在所述第一车辆与所述第二车辆之间没有通信之后,基于检测到所述第二车辆在预定时间之后接近所述第一车辆来确定所述第一车辆将给所述第二车辆让路。
8.如权利要求1所述的方法,其还包括:在确定在所述第一车辆与所述第二车辆之间没有通信之后,基于指示所述第二车辆的操作的车辆传感器数据来检测所述第二车辆让路。
9.如权利要求8所述的方法,其还包括:基于检测到所述第二车辆让路而致动一个或多个车辆部件以沿着所述双向道路操作所述第一车辆。
10.如权利要求1所述的方法,其还包括:基于所述让路区域的一个或多个尺寸等于或大于相应阈值而致动一个或多个车辆部件以使所述第一车辆停在所述让路区域中。
11.如权利要求1所述的方法,其还包括:基于所述让路区域的一个或多个尺寸小于相应阈值而致动一个或多个车辆部件以操作所述第一车辆通过所述让路区域。
12.如权利要求1所述的方法,其还包括:在识别出所述让路区域之后,覆写所存储的让路区域。
13.一种车辆,其包括计算机,所述计算机被编程为执行如权利要求1至12中任一项所述的方法。
14.一种计算机,其被编程为执行如权利要求1至12中任一项所述的方法。
15.一种计算机程序产品,其包括用于执行如权利要求1至12中任一项所述的方法的指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/800,712 US11338810B2 (en) | 2020-02-25 | 2020-02-25 | Vehicle yield decision |
US16/800,712 | 2020-02-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113306554A true CN113306554A (zh) | 2021-08-27 |
Family
ID=77176301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110191264.XA Pending CN113306554A (zh) | 2020-02-25 | 2021-02-20 | 车辆让路决策 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11338810B2 (zh) |
CN (1) | CN113306554A (zh) |
DE (1) | DE102021104323A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230019834A1 (en) * | 2019-11-26 | 2023-01-19 | Apex Artificial Intelligence Industries, Inc. | Group of neural networks ensuring integrity |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113841188B (zh) * | 2019-05-13 | 2024-02-20 | 日本电信电话株式会社 | 交通流估计装置、交通流估计方法、存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19944075C2 (de) * | 1999-09-14 | 2002-01-31 | Daimler Chrysler Ag | Verfahren zur Verkehrszustandsüberwachung für ein Verkehrsnetz mit effektiven Engstellen |
JP2004245610A (ja) | 2003-02-10 | 2004-09-02 | Alpine Electronics Inc | 対抗車両すれ違い解析システムおよび方法、ナビゲーション装置 |
DE102012215093A1 (de) * | 2012-08-24 | 2014-02-27 | Robert Bosch Gmbh | Fahrerassistenzsystem und Verfahren zum Betreiben des Fahrerassistenzsystems |
US9523984B1 (en) * | 2013-07-12 | 2016-12-20 | Google Inc. | Methods and systems for determining instructions for pulling over an autonomous vehicle |
JP6457826B2 (ja) | 2015-01-30 | 2019-01-23 | 株式会社Subaru | 車両の運転支援装置 |
DE102016211139A1 (de) * | 2016-06-22 | 2017-12-28 | Continental Automotive Gmbh | Verfahren zum autonomen Fahren eines Fahrzeugs in einer Engstelle |
GB2552816B (en) | 2016-08-11 | 2020-03-11 | Jaguar Land Rover Ltd | Systems and methods for controlling vehicle manoeuvres |
JP7471045B2 (ja) | 2017-03-10 | 2024-04-19 | ソニーグループ株式会社 | 情報処理装置及び情報処理方法 |
KR20190033162A (ko) * | 2017-09-21 | 2019-03-29 | 주식회사 만도 | 차량 제어 장치 및 방법 |
JP2019156228A (ja) | 2018-03-14 | 2019-09-19 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
US11099579B2 (en) * | 2018-05-31 | 2021-08-24 | Nissan North America, Inc. | System for determining the number of remote vehicles following a host vehicle |
-
2020
- 2020-02-25 US US16/800,712 patent/US11338810B2/en active Active
-
2021
- 2021-02-20 CN CN202110191264.XA patent/CN113306554A/zh active Pending
- 2021-02-23 DE DE102021104323.9A patent/DE102021104323A1/de active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230019834A1 (en) * | 2019-11-26 | 2023-01-19 | Apex Artificial Intelligence Industries, Inc. | Group of neural networks ensuring integrity |
US11928867B2 (en) * | 2019-11-26 | 2024-03-12 | Apex Ai Industries, Llc | Group of neural networks ensuring integrity |
Also Published As
Publication number | Publication date |
---|---|
DE102021104323A1 (de) | 2021-08-26 |
US20210261128A1 (en) | 2021-08-26 |
US11338810B2 (en) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11400940B2 (en) | Crosswind risk determination | |
CN110888429A (zh) | 车辆导航和控制 | |
US20220289248A1 (en) | Vehicle autonomous mode operating parameters | |
US20220111859A1 (en) | Adaptive perception by vehicle sensors | |
US11715338B2 (en) | Ranking fault conditions | |
US11794787B2 (en) | Vehicle assist feature control | |
US11845431B2 (en) | Enhanced vehicle operation | |
US11348343B1 (en) | Vehicle parking navigation | |
US20210370936A1 (en) | Vehicle lane-based control | |
US20220073070A1 (en) | Vehicle draft mode | |
CN113306554A (zh) | 车辆让路决策 | |
CN113298250A (zh) | 用于定位和对象检测的神经网络 | |
CN110648547A (zh) | 运输基础设施通信和控制 | |
US11164457B2 (en) | Vehicle control system | |
US20220274592A1 (en) | Vehicle parking navigation | |
US20220178715A1 (en) | Vehicle path determination | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
US11572731B2 (en) | Vehicle window control | |
US11667304B2 (en) | Enhanced vehicle operation | |
US11639173B2 (en) | Vehicle planned path signal | |
US11897468B2 (en) | Vehicle control system | |
US11262201B2 (en) | Location-based vehicle operation | |
US20230159032A1 (en) | Vehicle lane-change operations | |
CN116946125A (zh) | 车辆辅助特征控制 | |
CN117068141A (zh) | 车辆路径确定 |
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 |