CN113353070A - 车辆检测和响应 - Google Patents
车辆检测和响应 Download PDFInfo
- Publication number
- CN113353070A CN113353070A CN202110236973.5A CN202110236973A CN113353070A CN 113353070 A CN113353070 A CN 113353070A CN 202110236973 A CN202110236973 A CN 202110236973A CN 113353070 A CN113353070 A CN 113353070A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- threshold
- boundary
- computer
- maneuver
- 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
- 238000001514 detection method Methods 0.000 title abstract description 4
- 230000004044 response Effects 0.000 title abstract description 3
- 230000001133 acceleration Effects 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims description 58
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000000977 initiatory effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 17
- 238000013459 approach Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011480 coordinate descent method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W30/18159—Traversing an intersection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—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
- B60W40/04—Traffic 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
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- 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
- B60W2554/4041—Position
-
- 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
- B60W2554/4042—Longitudinal speed
-
- 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
- B60W2554/806—Relative heading
-
- 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
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开提供“车辆检测和响应”。计算机被编程为识别待监测的目标车辆并基于所述目标车辆的位置来识别道路上的第一和第二虚拟边界。所述计算机还被编程为基于以下项来确定第一约束值:(1)第一边界接近速度和(2)第一边界接近加速度,并且基于以下项来确定第二约束值:(1)第二边界接近速度和(2)第二边界接近加速度。所述计算机还被编程为基于所述第一和第二约束值是否违反相应阈值或者所述目标车辆相对于所述第一和第二虚拟边界的位置是否违反阈值来识别所述目标车辆的操纵,并根据识别的操纵调整主车辆的路径。
Description
技术领域
本公开总体上涉及车辆传感器。
背景技术
车辆可以使用传感器来检测道路上的目标对象。车辆传感器可以检测相对于车辆的目标位置和速度。例如,传感器可以检测目标相对于车辆的位置。车辆可以对检测到目标做出响应,例如通过转向远离目标、通过在到达目标之前制动等做出响应。
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,所述存储器存储指令,所述指令可由所述处理器执行以:识别待监测的目标车辆;基于所述目标车辆的位置来识别道路上的第一和第二虚拟边界;基于以下项来确定第一约束值:(1)所述目标车辆的第一边界接近速度,包括所述目标车辆的航向角,以及(2)所述目标车辆的第一边界接近加速度,包括所述目标车辆的转向角;基于以下项来确定第二约束值:(1)所述目标车辆的第二边界接近速度,包括所述目标车辆的所述航向角,以及(2)所述目标车辆的第二边界接近加速度,包括所述目标车辆的所述转向角;基于所述第一约束值是否违反第一阈值、所述第二约束值是否违反第二阈值或所述目标车辆相对于所述第一和第二虚拟边界的位置是否违反第三阈值来识别所述目标车辆的操纵;以及根据识别的操纵来调整主车辆的路径以避开所述目标车辆。
所述指令还可以包括用于进行以下项的指令:在所述第一约束值未违反所述第一阈值、所述第二约束值违反所述第二阈值并且所述目标车辆相对于所述第一虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为左转。
所述指令还可以包括用于进行以下项的指令:在所述第一约束值违反所述第一阈值、所述第二约束值未违反所述第二阈值并且所述目标车辆相对于所述第二虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为右转。
所述指令还可以包括用于进行以下项的指令:将所述识别的操纵输入到路径规划算法中以生成调整后路径以避开所述目标车辆。
所述指令还可以包括用于进行以下项的指令:致动所述主车辆的推进、转向或制动中的一者或多者以遵循所述调整后路径以避开所述目标车辆。
所述指令还可以包括用于进行以下项的指令:基于所述第一值的符号来确定所述第一值违反所述第一阈值。
所述指令还可以包括用于进行以下项的指令:当所述目标车辆穿过所述第一虚拟边界或所述第二虚拟边界中的一者时确定所述目标车辆的所述位置违反所述第三阈值。
所述指令还可以包括用于进行以下项的指令:将多个参考轨迹输入到定义所述第一和第二虚拟边界以及所述第一和第二约束值的相应方程中,所述方程包括多个参考系数,以将用于生成所述方程的多个系数的成本函数最小化。
所述指令还可以包括用于进行以下项的指令:预测所述参考轨迹中的一者的指定操纵的发起时间并确定预测发起时间与所述指定操纵的指定发起时间之间的时间差。
所述指令还可以包括用于进行以下项的指令:调整所述多个系数以将所述多个参考轨迹中的每一者的相应时间差最小化。
所述指令还可以包括用于进行以下项的指令:在将所述时间差之和最小化时,识别与最小和相关联的所述多个系数并分配所述多个系数以替换所述方程的所述参考系数。
所述多个系数可以包括用于所述第一边界接近速度的系数和用于所述第二边界接近速度的第二系数。
一种方法包括:识别待监测的目标车辆;基于所述目标车辆的位置来识别道路上的第一和第二虚拟边界;基于以下项来确定第一约束值:(1)所述目标车辆的第一边界接近速度,包括所述目标车辆的航向角,以及(2)所述目标车辆的第一边界接近加速度,包括所述目标车辆的转向角;基于以下项来确定第二约束值:(1)所述目标车辆的第二边界接近速度,包括所述目标车辆的所述航向角,以及(2)所述目标车辆的第二边界接近加速度,包括所述目标车辆的所述转向角;基于所述第一约束值是否违反第一阈值、所述第二约束值是否违反第二阈值或所述目标车辆相对于所述第一和第二虚拟边界的位置是否违反第三阈值来识别所述目标车辆的操纵;以及根据识别的操纵来调整主车辆的路径以避开所述目标车辆。
所述方法还可以包括在所述第一约束值未违反所述第一阈值、所述第二约束值违反所述第二阈值并且所述目标车辆相对于所述第一虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为左转。
所述方法还可以包括在所述第一约束值违反所述第一阈值、所述第二约束值未违反所述第二阈值并且所述目标车辆相对于所述第二虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为右转。
所述方法还可以包括将所述识别的操纵输入到路径规划算法中以生成调整后路径以避开所述目标车辆。
所述方法还可以包括致动所述主车辆的推进、转向或制动中的一者或多者以遵循所述调整后路径以避开所述目标车辆。
所述方法还可以包括基于所述第一值的符号来确定所述第一值违反所述第一阈值。
所述方法还可以包括当所述目标车辆穿过所述第一虚拟边界或所述第二虚拟边界中的一者时确定所述目标车辆的所述位置违反所述第三阈值。
所述方法还可以包括将多个参考轨迹输入到定义所述第一和第二虚拟边界以及所述第一和第二约束值的相应方程中,所述方程包括多个参考系数,以将用于生成所述方程的多个系数的成本函数最小化。
所述方法还可以包括预测所述参考轨迹中的一者的指定操纵的发起时间并确定预测发起时间与所述指定操纵的指定发起时间之间的时间差。
所述方法还可以包括调整所述多个系数以将所述多个参考轨迹中的每一者的相应时间差最小化。
所述方法还可以包括在将所述时间差之和最小化时,识别与最小和相关联的所述多个系数并分配所述多个系数以替换所述方程的所述参考系数。
一种系统包括:主车辆,所述主车辆包括推进、制动和转向;目标车辆;用于基于所述目标车辆的位置来识别道路上的第一和第二虚拟边界的构件;用于基于以下项来确定第一约束值的构件:(1)所述目标车辆的第一边界接近速度,包括所述目标车辆的航向角,以及(2)所述目标车辆的第一边界接近加速度,包括所述目标车辆的转向角;用于基于以下项来确定第二约束值的构件:(1)所述目标车辆的第二边界接近速度,包括所述目标车辆的所述航向角,以及(2)所述目标车辆的第二边界接近加速度,包括所述目标车辆的所述转向角;用于基于所述第一约束值是否违反第一阈值、所述第二约束值是否违反第二阈值或所述目标车辆相对于所述第一和第二虚拟边界的位置是否违反第三阈值来识别所述目标车辆的操纵的构件;以及用于根据识别的操纵来致动主车辆的所述推进、所述制动或所述转向中的至少一者以避开所述目标车辆的构件。
所述系统还可以包括用于在所述第一约束值未违反所述第一阈值、所述第二约束值违反所述第二阈值并且所述目标车辆相对于所述第一虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为左转的构件。
所述系统还可以包括用于在所述第一约束值违反所述第一阈值、所述第二约束值未违反所述第二阈值并且所述目标车辆相对于所述第二虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为右转的构件。
所述系统还可以包括用于将所述识别的操纵输入到路径规划算法中以生成调整后路径以避开所述目标车辆的构件。
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。还公开了一种包括所述计算装置的车辆。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是用于检测目标的示例性系统的框图。
图2是包括目标车辆的道路的俯视图。
图3是目标车辆接近一对虚拟边界的俯视图。
图4是目标车辆接近另一对虚拟边界的俯视图。
图5是目标车辆接近另一对虚拟边界的俯视图。
图6是用于识别虚拟边界的示例性过程的框图。
图7是用于识别由目标车辆执行的操纵的示例性过程的框图。
具体实施方式
以虚拟边界预测目标车辆的操纵允许主车辆在执行操纵之前预测目标车辆的意图。主车辆可以识别表示目标车辆的运动的一个或多个约束值。约束值是基于目标车辆接近虚拟边界时的速度和加速度以及基于如下文所讨论的其他因素,例如,目标车辆航向角和转向角。当约束值中的一者或多者违反相应阈值时,主车辆可以预测由目标车辆执行的操纵。主车辆可以将操纵输入到路径规划算法以调整路径以便避开目标车辆。虚拟边界、边界接近速度和边界接近加速度允许主车辆以比例如机器学习程序更少的数据和更少的计算来预测目标车辆操纵。使用边界接近速度和边界接近加速度可以允许主车辆在目标车辆穿过虚拟边界中的一者之前预测操纵并在主车辆到达虚拟边界之前调整路径。
图1示出了用于检测待监测的目标的示例性系统100。主车辆101中的计算机105被编程为从一个或多个传感器110接收所收集的数据。例如,主车辆101的数据可以包括主车辆101的位置、关于车辆周围的环境的数据、关于主车辆外部的对象(诸如另一车辆)的数据等。车辆101位置通常以常规形式提供,所述形式为例如经由使用全球定位系统(GPS)的导航系统获得的地理坐标(诸如纬度和经度坐标)。数据的另外的示例可以包括车辆101的系统和部件的测量值,例如,主车辆101的速度、主车辆101的轨迹等。
计算机105通常被编程为在主车辆101的网络上进行通信,所述网络例如包括常规车辆101的通信总线(诸如CAN总线、LIN总线等)和/或其他有线和/或无线技术(例如以太网、WIFI等)。经由网络、总线和/或其他有线或无线机制(例如主车辆101中的有线或无线局域网),计算机105可向车辆101中的各种装置(例如控制器、致动器、传感器等,包括传感器110)发送消息和/或从所述各种装置接收消息。替代地或另外,在计算机105实际上包括多个装置的情况下,主车辆网络可用于在本公开中表示为计算机105的装置之间的通信。另外,计算机105可以被编程用于与网络120进行通信,如下所述,所述网络可以包括各种有线和/或无线联网技术,例如蜂窝、 低功耗(BLE)、有线和/或无线分组网络等。
存储器可以是任何类型,例如,硬盘驱动器、固态驱动器、服务器或任何易失性或非易失性介质。存储器可以存储从传感器110发送的所收集数据。存储器可以是与计算机105分开的装置,并且计算机105可以经由主车辆101中的网络(例如,通过CAN总线、无线网络等)检索由存储器存储的信息。替代地或另外,存储器可以是计算机105的一部分,例如作为计算机105的存储器。
传感器110可以包括多种装置。例如,主车辆101中的各种控制器可以充当传感器110以经由主车辆101网络或总线提供数据,例如与车辆速度、加速度、位置、子系统和/或部件状态等相关的数据。此外,其他传感器110可以包括相机、运动检测器等,即,用于提供数据以评估部件的位置、评估道路的坡度等的传感器110。传感器110还可以包括但不限于短程雷达、远程雷达、激光雷达和/或超声换能器。
所收集的数据可以包括在主车辆101中收集的多种数据。上面提供了所收集的数据的示例,并且此外,数据通常使用一个或多个传感器110来收集,并且可另外包括在计算机105中和/或在服务器125处从其计算出的数据。通常,所收集的数据可以包括可由传感器110采集的和/或根据此类数据计算出的任何数据。
主车辆101可以包括多个车辆部件115。在这种背景下,每个车辆部件115包括适于执行诸如移动主车辆101、使主车辆101减慢或停止、使主车辆101转向等机械功能或操作的一个或多个硬件部件。部件115的非限制性示例包括推进部件(其包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如,其可以包括方向盘、转向齿条等中的一者或多者)、制动部件、驻车辅助部件、自适应巡航控制部件、自适应转向部件、可移动座椅等。
出于本公开的目的,术语“自主车辆”用于指代在完全自主模式下操作的车辆101。完全自主模式被定义为其中车辆101的推进(通常经由包括电动马达和/或内燃发动机的动力传动系统进行)、制动和转向中的每一者都由计算机105控制的模式。半自主模式是其中车辆101的推进(通常经由包括电动马达和/或内燃发动机的动力传动系统进行)、制动和转向中的至少一者至少部分地由计算机105而不是人类操作员控制的模式。在非自主模式(即,手动模式)下,主车辆101的推进、制动和转向由人类操作员控制。
系统100还可以包括连接到服务器125的网络120。计算机105还可以被编程为经由网络120与诸如服务器125之类的一个或多个远程站点通信,这种远程站点可能包括存储器。网络120表示车辆计算机105可借助来与远程服务器125通信的一种或多种机制。因此,网络120可以是各种有线或无线通信机制中的一种或多种,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组合以及任何所需网络拓扑结构(或当使用多种通信机制时的拓扑结构)。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/或包括因特网的广域网(WAN)。
图2是包括主车辆101和目标车辆200的示例性道路的俯视图。目标车辆200执行操纵205。“操纵”205是轨迹,即,由目标车辆200所遵循的路径以及所述路径上的各点处的相应速度和/或加速度定义的轨迹。基于操纵205,计算机105可以调整主车辆101所遵循的路径以避开目标车辆200。操纵205可以是左转,即,转弯到相对于目标车辆200在左侧的道路车道。例如,目标车辆200可以执行左转进入垂直于目标车辆200正在其中操作的当前道路车道的道路车道。操纵205可以是右转,即,转弯到相对于目标车辆200在右侧的道路车道。操纵205可以是直线路径,即,目标车辆200沿着其不移动到另一道路车道中的轨迹。主车辆101可以监测目标车辆200以避免与目标车辆200碰撞。即,基于所识别的操纵205,主车辆101可以避开目标车辆200。
图3是具有目标车辆200的道路的俯视图。计算机105可以生成第一虚拟边界300和第二虚拟边界305。在这种背景下,“虚拟边界”是表示道路上的虚拟线的地理坐标集合。即,虚拟边界是存储在计算机105中的地图上的虚拟线。
计算机105可以收集关于目标车辆200的数据以生成虚拟边界300、305。所述数据可以包括目标车辆200的位置。目标车辆200的“位置”是定义全局坐标系中的点的坐标x,y的集合,其中x是沿着定义纬度的横向轴线的地理坐标,并且y是沿着定义经度的纵向轴线的地理坐标。目标车辆200的位置是目标车辆200的指定部分(例如,前保险杠的中心、后车桥的中心等)的地理坐标,并且可以被指定为xt,tt。
所述数据可以包括目标车辆200的航向角β,即,沿着目标车辆200的平行于纵向轴线的中心线延伸的轴线与全局坐标系的纵向轴线之间定义的角度。所述数据可以包括目标车辆200的纵向速度v,即,沿着纵向轴线的速度。所述数据可以包括目标车辆200的轴距L,即,目标车辆200的前轮的中心与后轮的中心之间的距离。所述数据可以包括转向角δ,即,在延伸穿过目标车辆200的前轮的中心的轴线与纵向轴线之间定义的角度。所述数据可以包括纵向加速度α,即,沿着纵向轴线的加速度。计算机105可以通过网络120接收来自目标车辆200的转向角δ和纵向加速度α作为转向和推进数据,例如作为消息而广播。
计算机105可以定义方程h1,h2以将第一虚拟边界300和第二虚拟边界305定义为相应的线。方程h1,h2可以针对坐标x,y被定义为:
其中是纵向轴线的截距,并且m(1),m(2)是坐标x的标量斜率系数。方程h1=0定义第一虚拟边界300。方程h2=0定义第二虚拟边界305。计算机105可以基于目标车辆200的位置xt,yt和针对h1,h2的方程来识别目标车辆200到第一虚拟边界300和第二虚拟边界305的距离。
其中G是由于重力引起的加速度。所述方程表示目标车辆200的简化自行车模型。
对于图3所示的十字路口,所述方程可以定义边界接近速度:
并且所述方程可以定义边界接近加速度:
计算机105可以识别多个约束值c。“约束值”c是基于虚拟边界300、305、边界接近速度和边界接近加速度中的一者的值,其指示目标车辆200到虚拟边界300、305的运动。计算机105可以将约束值c与预定阈值进行比较,如下所述,以识别目标200的操纵。计算机105可以定义方程以基于虚拟边界方程来确定两个约束值c1,c2:
其中是十字路口的几何形状所特有的预定标量值,如下所述。因此,第一约束值c1是基于目标车辆200的第一边界接近速度和目标车辆200的第一边界接近加速度第二约束值c2是基于目标车辆200的第二边界接近速度和目标车辆200的第二边界接近加速度替代地,当目标车辆200的加速度数据不可用时,可以基于边界接近速度来确定第一约束值和第二约束值c1,c2:
计算机105可以基于一个或多个约束值c是否违反阈值来识别操纵205。在这种背景下,如果约束值c在由阈值限制或定义的值的范围之外,则“违反”阈值。例如,当约束值c超过阈值时,可能会违反阈值。替代地,当约束值c下降到阈值以下时,可能会违反阈值。在图2-图3的示例中,计算机105可以基于至少三个约束值c与相应阈值的比较来识别操纵205:
操纵 | c<sub>1</sub>>0 | c<sub>2</sub>>0 | c<sub>3</sub>=h<sub>1</sub>(s)>0 | c<sub>4</sub>=h<sub>2</sub>(s)>0 |
左转 | 真 | 假 | 真 | 真 |
左转 | 真 | 假 | 真 | 假 |
右转 | 假 | 真 | 真 | 真 |
右转 | 假 | 真 | 假 | 真 |
直线路径 | 真 | 真 | 真 | 真 |
直线路径 | 假 | 假 | 真 | 真 |
直线路径 | 假 | 假 | 假 | 假 |
表1:识别操纵
在表1的示例中,相应阈值为0,并且约束值c1,c2,c3,c4在下降到0以下时违反阈值。即,基于约束值c1,c2,c3,c4的符号,“符号”是正的或负的,计算机105可以识别操纵205。例如,当第二约束值c2的符号为负并且第一约束值c1的符号为正时,计算机105可以将操纵205识别为左转。在另一个示例中,当第一约束值c1的符号为负时,计算机105可以将操纵205识别为右转。在又一示例中,当第三约束值c3的符号为负时,计算机105可以将操纵205识别为右转。即,当第三约束值c3为负时,目标车辆200已经穿过第一虚拟边界300。当第四约束值c4为负时,目标车辆已经穿过第二虚拟边界305。
在识别操纵205时,计算机105可以调整主车辆101的路径以避开目标车辆200。计算机105可以将目标车辆200的所识别的操纵205输入到路径规划算法中,以使主车辆101生成避开目标车辆200的调整后路径。计算机105可以致动主车辆101的推进、转向或制动中的一者或多者以遵循调整后路径以便避开目标车辆200。路径多项式p(y)是将路径预测为多项式方程所描绘的线的模型。路径多项式p(y)通过确定纵向坐标y来预测针对预定即将到来的距离y(例如,以米为单位进行测量)的路径:
p(y)=a0+a1y+a2y2+a3y3 (18)
其中a0是偏移量,即,在即将到来的距离y处路径与主车辆101的中心线之间的横向距离,a1是路径的航向角,a2是路径的曲率,并且a3是路径的曲率变化率。在当前背景下,“即将到来的距离”y是在主车辆101前方距主车辆101的前保险杠的预定纵向距离,传感器110在前保险杠处收集数据并且路径规划器预测路径。即将到来的距离y可基于例如主车辆101的当前速度、基于经验模拟数据确定的预定时间阈值、传感器110的检测范围等来确定。时间阈值可以是例如1秒。路径多项式可以包括一根或多根贝赛尔曲线,即,各自表示表示路径的点的不相交子集并且合起来表示表示路径的整个点集的多项式函数。贝赛尔曲线可被约束为连续可微的,并且在无不连续性的情况下对允许的导数具有约束或限制(例如,对变化率具有限制)。贝塞尔曲线也可被约束来使导数与其他贝塞尔曲线在边界处匹配,从而提供子集之间的平滑过渡。贝塞尔曲线上的约束可通过限制沿着主车辆路径多项式驾驶车辆所需的纵向加速度和横向加速度的速率来使车辆路径多项式成为可转向路径多项式,其中制动扭矩和动力传动系统扭矩被施加为正纵向加速度和负纵向加速度并且顺时针转向扭矩和逆时针转向扭矩被施加为左横向加速度和右横向加速度。
服务器125可以通过将成本函数最小化来确定描述虚拟边界、虚拟边界速度、虚拟边界加速度和约束值的方程的系数。服务器125可以确定方程的系数,并且将系数传输到车辆101的计算机105。服务器125可以将多个参考轨迹输入到定义第一虚拟边界300和第二虚拟边界305以及约束值c的方程中,以确定方程的系数。“参考轨迹”是描述十字路口中的目标车辆200执行指定操纵205的路径的数据集,例如,来自虚拟模拟模型、经验测试等。参考轨迹包括目标车辆200的位置、速度和加速度的带时间戳的数据。参考轨迹包括对由目标车辆200执行的操纵205的识别以及操纵205开始的指定发起时间例如,目标车辆200的方向盘开始转弯的时间。服务器125可以将来自参考轨迹的数据输入到上面列出的具有参考系数的方程中,以预测操纵205的发起时间t,即,一个或多个约束值c违反其相应阈值的时间。“参考系数”是根据成本函数优化的虚拟边界方程的系数的初始值。发起时间t是服务器125识别操纵205的时间。
其中θ是要由成本函数确定的系数集,N是参考轨迹的总数,i是1至N之间的自然数,并且P是使方程输出直线路径操纵205的指示的预定值。即,P防止方程将转弯分类为直线路径。服务器125可以调整系数θ以将用于多个参考轨迹中的每一者的时间差最小化。在将时间差之和最小化时,服务器125可以识别与最小和相关联的系数θ并且分配系数θ以替换方程的当前系数。
服务器125可以根据无梯度遗传算法来调整系数。“遗传”算法是生成候选解的群体并更改群体以生成新的候选解直到满足优化阈值为止的算法。“无梯度”算法是使用除导数信息之外的其他技术来执行优化的优化算法,例如,贝叶斯技术、坐标下降法、遗传算法、模拟退火法等。
为了确定系数θ,服务器125可以使用例如随机数生成器、模拟模型等来生成包括多个系数集θ的初始群体。服务器125可以识别如上文针对每个系数集θ所述的成本函数的值,每个值是“原始适应度”值。服务125可以根据常规缩放因子(例如,将值归一化在0至1之间)来缩放原始适应度值以生成多个“预期”值。服务器125可以基于预期值来生成第二群体。第二群体可以包括指定量的最低预期值,例如,10%、20%等。即,最低预期值对应于具有最低成本函数值并且与参考轨迹更紧密地对准的系数θ。服务器125可以识别“父”预期值,即,被组合和/或调整以生成“子”预期值的预期值。例如,父预期值可以具有所调整的(即,“突变的”)随机值以生成子预期值。在另一个示例中,可以组合两个父预期值以生成子预期值。父预期值可以是在移除上述最低预期值之后的指定量的最低预期值。第二群体可以包括子预期值和先前识别的最低预期值。从先前识别的群体生成第二群体是“一代”。服务器125可以产生系数集θ的世代,直到满足条件为止。例如,所述条件可以是所产生的预定数量的代,例如,200、500、1000等。在另一个示例中,所述条件可以是确定最低原始适应度值在指定数量的代(例如,25、50、100等)中没有减少。无梯度遗传算法降低了优化达到局部最小值而不是全局最小值的可能性,从而提高系数集θ最接近地映射到参考轨迹的可能性。
图4示出了具有由服务器125确定的第一虚拟边界400和第二虚拟边界405的示例性十字路口,所述服务器将上述成本函数最小化并且将方程传输到计算机105。尽管出于说明目的,图2-图3的示例的第一虚拟边界300和第二虚拟边界305基本上正交,但是第一虚拟边界400和第二虚拟边界405在纵向方向上可以比虚拟边界300、305窄。即,基于由上述成本函数识别的系数θ,定义第一虚拟边界400和第二虚拟边界405的方程基于例如道路车道的数量、道路车道的相应方向等对于不同的十字路口可以是不同的。例如,图2-图4的十字路口示出了两个道路车道与两个其他道路车道相交,从而从系数θ产生第一虚拟边界400和第二虚拟边界405。在另一个示例中,如果十字路口具有不同数量的道路车道,例如,三个道路车道与三个其他道路车道相交,则成本函数可以输出不同的系数θ,从而导致虚拟边界400、405有不同取向。因此,对于图4的十字路口,约束值c可以不同于图2-图3的十字路口。例如,因为第二虚拟边界405延伸到目标车辆200的相邻道路车道中,所以可能比与第二虚拟边界305相关联的相应阈值在更早的时间违反与第二边界接近速度和第二边界接近加速度相关联的阈值。因此,当目标车辆200接近虚拟边界400、405时,计算机105可以在更早的时间识别操纵。
图5是包括虚拟边界500的示例性道路的俯视图。除了识别十字路口处的操纵之外,计算机105还可以识别目标车辆200的包括变道的操纵505。即,计算机105可以将左转与变道到目标车辆200左侧的相邻车道相关联,将右转与变道到目标车辆右侧的相邻车道相关联,并且将直线路径关联为目标车辆200不变道。计算机105可以用成本函数(诸如上述成本函数)识别针对的虚拟边界方程的相应系数θ。如上所述,计算机105可以识别约束值c,并且可以在违反阈值中的一者或多者时识别操纵505。例如,如图5所示,操纵505是变道,即,从当前道路车道移动到相邻道路车道。
图6是用于确定道路的虚拟边界方程的示例性过程600。过程600在框605中开始,其中服务器125将多个参考轨迹输入到具有参考系数的虚拟边界方程中。如上所述,参考系数是根据成本函数优化的虚拟边界方程的系数的初始值。参考轨迹是描述目标车辆200的指定操纵205、505和对所执行的操纵205、505的识别的数据。参考轨迹可以由模拟模型确定并存储在数据库中。
接下来,在框610中,服务器125确定针对每个参考轨迹的操纵205、505的发起时间t。服务器125可以基于虚拟边界方程来定义参考轨迹中的一者的约束值c。服务器125可以将约束值c中的至少一者违反阈值的时间识别为操纵205、505的发起时间t。
接下来,在框615中,服务器125识别发起时间t与针对每个参考轨迹的操纵205、505的指定发起时间之间的时间差参考轨迹包括目标车辆200发起操纵205、505的指定发起时间例如,目标车辆200的方向盘转弯的时间
接下来,在框620中,服务器125根据常规成本函数来调整用于生成多个时间差的虚拟边界方程的系数以将时间差最小化。如上所述的成本函数可以将参考轨迹的时间差之和最小化以识别正转弯的操纵205,并且将发起时间t与预定误报值P进行比较以识别直线路径操纵205。服务器125可以调整系数以生成新的虚拟边界方程,服务器125可以根据所述新的虚拟边界方程来识别参考方程的多个时间差之和。
接下来,在框625中,服务器125将与最小化的时间差之和相关联的系数分配给虚拟边界方程。与最小和相关联的虚拟边界方程的系数表示对操纵205、505的发起与参考轨迹中的操纵205、505的指定发起的最接近的预测。即,与最小和相关联的虚拟边界方程最接近地预测目标车辆200的操纵205、505的发起。在框625之后,过程600结束。
图7是用于识别目标车辆200的操纵205的示例性过程700的框图。过程700开始于框705,其中主车辆101的计算机105收集关于目标车辆200的数据。计算机105可以致动一个或多个传感器110以收集数据。所述数据可以包括通过网络120从目标车辆200接收的转向和/或推进(例如,节气门)数据。
接下来,在框710中,计算机105识别第一虚拟边界300、400、500和第二虚拟边界305、405。如上所述,计算机105可以根据虚拟边界方程(诸如由过程600识别的虚拟边界方程)来识别虚拟边界300、305、400、405、500。虚拟边界300、305、400、405、500是表示道路上的虚拟线的地理坐标的集合。
接下来,在框715中,计算机105识别第一约束值和第二约束值c1,c2。如上所述,约束值c1,c2是基于虚拟边界300、305、400、405、500、边界接近速度和边界接近加速度中的一者的值,其指示目标车辆200到虚拟边界300、305、400、405、500的运动。例如,约束值可以是上述虚拟边界方程中的一者的输出。
接下来,在框720中,计算机105基于第一约束值和第二约束值c1,c2来识别操纵205。即,当目标车辆200的约束值c1,c2和/或位置中的一者违反相应阈值时,计算机105例如根据上面表1中的布尔值来识别操纵205。例如,当第二约束值c2违反阈值时,计算机105可以将操纵205识别为左转。
接下来,在框725中,计算机105将所识别的操纵205输入到路径规划算法以调整主车辆101的规划路径。如上所述,路径规划算法可以是生成路径的路径多项式,计算机105沿着所述路径致动一个或多个部件115以遵循所述路径。计算机105可以基于所识别的操纵205来调整路径。例如,路径规划算法可以调整路径以避开目标车辆200,直到目标车辆200完成左转为止。
接下来,在框730中,计算机105致动一个或多个部件115以遵循调整后路径。例如,计算机105可以致动制动器以使主车辆101沿着路径减速。在另一个示例中,计算机105可以致动转向装置以使主车辆101沿着路径转向。
接下来,在框735中,计算机105确定是否继续过程700。例如,计算机105可以确定在识别另一目标车辆200时继续。如果计算机105确定继续,则过程700返回到框705。否则,过程700结束。
本文所讨论的计算装置(包括计算机105)包括处理器和存储器,所述存储器通常各自包括能够由诸如上面识别的计算装置的一个或多个计算装置执行并用于执行上述过程的框或步骤的指令。计算机可执行指令可以由使用各种编程语言和/或技术创建的计算机程序来编译或解译,所述编程语言和/或技术包括但不限于单独或组合的JavaTM、C、C++、Visual Basic、Java Script、Python、Perl、HTML等。一般来说,处理器(例如,微处理器)例如从存储器、计算机可读介质等接收指令,并且执行这些指令,由此执行一个或多个过程,包括本文所描述的过程中的一者或多者。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。计算机105中的文件通常是存储在计算机可读介质(诸如存储介质、随机存取存储器等)上的数据的集合。
计算机可读介质包括参与提供可以由计算机读取的数据(例如,指令)的任何介质。这种介质可采用许多形式,包括但不限于非易失性介质、易失性介质等。非易失性介质包括例如光盘或磁盘和其他持久性存储器。易失性介质包括通常构成主存储器的动态随机存取存储器(DRAM)。计算机可读介质的常见形式包括例如软盘、软磁盘、硬盘、磁带、任何其他磁性介质、CD ROM、DVD、任何其他光学介质、穿孔卡、纸带、具有孔图案的任何其他物理介质、RAM、PROM、EPROM、FLASH EEPROM、任何其他存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。
关于本文所描述的介质、过程、系统、方法等,应当理解,尽管已经将此类过程等的步骤描述为按照某个有序序列发生,但是此类过程可以通过以不同于本文描述的次序的次序执行所描述的步骤来实践。还应当理解,可以同时执行某些步骤,可以添加其他步骤,或者可以省略本文所描述的某些步骤。例如,在过程600中,可省略步骤中的一者或多者,或者可按与图6中示出的次序不同的次序执行所述步骤。换句话说,本文对系统和/或过程的描述是出于说明某些实施例的目的而提供的,而决不应将其理解为是对所公开的主题进行限制。
因此,应当理解,包括以上描述和附图以及所附权利要求的本公开意图为说明性的而非限制性的。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。本发明的范围不应参考以上描述来确定,而应参考所附的和/或基于此包括在非临时专利申请中的权利要求连同此类权利要求所赋予权利的等效物的全部范围来确定。设想并预期未来的发展将在本文讨论的技术中发生,并且所公开的系统和方法将结合到此类未来实施例中。总而言之,应当理解,所公开的主题能够进行修改和变化。
除非另有说明或上下文另有要求,否则修饰名词的冠词“一个”应被理解为是指一个或多个。短语“基于”涵盖部分地或完全地基于。
形容词“第一”、“第二”和“第三”贯穿本文用作标识符,而非意图表示重要性或次序。
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,所述存储器存储指令,所述指令可由所述处理器执行以:识别待监测的目标车辆;基于所述目标车辆的位置来识别道路上的第一和第二虚拟边界;基于以下项来确定第一约束值:(1)所述目标车辆的第一边界接近速度,包括所述目标车辆的航向角,以及(2)所述目标车辆的第一边界接近加速度,包括所述目标车辆的转向角;基于以下项来确定第二约束值:(1)所述目标车辆的第二边界接近速度,包括所述目标车辆的所述航向角,以及(2)所述目标车辆的第二边界接近加速度,包括所述目标车辆的所述转向角;基于所述第一约束值是否违反第一阈值、所述第二约束值是否违反第二阈值或所述目标车辆相对于所述第一和第二虚拟边界的位置是否违反第三阈值来识别所述目标车辆的操纵;以及根据识别的操纵来调整主车辆的路径以避开所述目标车辆。
根据实施例,所述指令还包括用于进行以下项的指令:在所述第一约束值未违反所述第一阈值、所述第二约束值违反所述第二阈值并且所述目标车辆相对于所述第一虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为左转。
根据实施例,所述指令还包括用于进行以下项的指令:在所述第一约束值违反所述第一阈值、所述第二约束值未违反所述第二阈值并且所述目标车辆相对于所述第二虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为右转。
根据实施例,所述指令还包括用于进行以下项的指令:将所述识别的操纵输入到路径规划算法中以生成调整后路径以避开所述目标车辆。
根据实施例,所述指令还包括用于进行以下项的指令:致动所述主车辆的推进、转向或制动中的一者或多者以遵循所述调整后路径以避开所述目标车辆。
根据实施例,所述指令还包括用于进行以下项的指令:基于所述第一值的符号来确定所述第一值违反所述第一阈值。
根据实施例,所述指令还包括用于进行以下项的指令:当所述目标车辆穿过所述第一虚拟边界或所述第二虚拟边界中的一者时确定所述目标车辆的所述位置违反所述第三阈值。
根据实施例,所述指令还包括用于进行以下项的指令:将多个参考轨迹输入到定义所述第一和第二虚拟边界以及所述第一和第二约束值的相应方程中,所述方程包括多个参考系数,以将用于生成所述方程的多个系数的成本函数最小化。
根据实施例,所述指令还包括用于进行以下项的指令:预测所述参考轨迹中的一者的指定操纵的发起时间并确定预测发起时间与所述指定操纵的指定发起时间之间的时间差。
根据实施例,所述指令还包括用于进行以下项的指令:调整所述多个系数以将所述多个参考轨迹中的每一者的相应时间差最小化。
根据实施例,所述指令还包括用于进行以下项的指令:在将所述时间差之和最小化时,识别与最小和相关联的所述多个系数并分配所述多个系数以替换所述方程的所述参考系数。
根据实施例,所述多个系数包括用于所述第一边界接近速度的系数和用于所述第二边界接近速度的第二系数。
根据本发明,一种方法包括:识别待监测的目标车辆;基于所述目标车辆的位置来识别道路上的第一和第二虚拟边界;基于以下项来确定第一约束值:(1)所述目标车辆的第一边界接近速度,包括所述目标车辆的航向角,以及(2)所述目标车辆的第一边界接近加速度,包括所述目标车辆的转向角;基于以下项来确定第二约束值:(1)所述目标车辆的第二边界接近速度,包括所述目标车辆的所述航向角,以及(2)所述目标车辆的第二边界接近加速度,包括所述目标车辆的所述转向角;基于所述第一约束值是否违反第一阈值、所述第二约束值是否违反第二阈值或所述目标车辆相对于所述第一和第二虚拟边界的位置是否违反第三阈值来识别所述目标车辆的操纵;以及根据识别的操纵来调整主车辆的路径以避开所述目标车辆。
在本发明的一个方面中,所述方法包括在所述第一约束值未违反所述第一阈值、所述第二约束值违反所述第二阈值并且所述目标车辆相对于所述第一虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为左转。
在本发明的一个方面中,所述方法包括在所述第一约束值违反所述第一阈值、所述第二约束值未违反所述第二阈值并且所述目标车辆相对于所述第二虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为右转。
在本发明的一个方面中,所述方法包括将所述识别的操纵输入到路径规划算法中以生成调整后路径以避开所述目标车辆。
根据本发明,提供了一种系统,所述系统具有:主车辆,所述主车辆包括推进、制动和转向;目标车辆;用于基于所述目标车辆的位置来识别道路上的第一和第二虚拟边界的构件;用于基于以下项来确定第一约束值的构件:(1)所述目标车辆的第一边界接近速度,包括所述目标车辆的航向角,以及(2)所述目标车辆的第一边界接近加速度,包括所述目标车辆的转向角;用于基于以下项来确定第二约束值的构件:(1)所述目标车辆的第二边界接近速度,包括所述目标车辆的所述航向角,以及(2)所述目标车辆的第二边界接近加速度,包括所述目标车辆的所述转向角;用于基于所述第一约束值是否违反第一阈值、所述第二约束值是否违反第二阈值或所述目标车辆相对于所述第一和第二虚拟边界的位置是否违反第三阈值来识别所述目标车辆的操纵的构件;以及用于根据识别的操纵来致动主车辆的所述推进、所述制动或所述转向中的至少一者以避开所述目标车辆的构件。
根据实施例,本发明的特征还在于用于在所述第一约束值未违反所述第一阈值、所述第二约束值违反所述第二阈值并且所述目标车辆相对于所述第一虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为左转的构件。
根据实施例,本发明的特征还在于用于在所述第一约束值违反所述第一阈值、所述第二约束值未违反所述第二阈值并且所述目标车辆相对于所述第二虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为右转的构件。
根据实施例,本发明的特征还在于用于将所述识别的操纵输入到路径规划算法中以生成调整后路径以避开所述目标车辆的构件。
Claims (15)
1.一种方法,其包括:
识别待监测的目标车辆;
基于所述目标车辆的位置来识别道路上的第一虚拟边界和第二虚拟边界;
基于以下项来确定第一约束值:(1)所述目标车辆的第一边界接近速度,包括所述目标车辆的航向角,以及(2)所述目标车辆的第一边界接近加速度,包括所述目标车辆的转向角;
基于以下项来确定第二约束值:(1)所述目标车辆的第二边界接近速度,包括所述目标车辆的所述航向角,以及(2)所述目标车辆的第二边界接近加速度,包括所述目标车辆的所述转向角;
基于所述第一约束值是否违反第一阈值、所述第二约束值是否违反第二阈值或所述目标车辆相对于所述第一虚拟边界和所述第二虚拟边界的位置是否违反第三阈值来识别所述目标车辆的操纵;以及
根据识别的操纵来调整主车辆的路径以避开所述目标车辆。
2.根据权利要求1所述的方法,其还包括基于所述第一值的符号来确定所述第一值违反所述第一阈值。
3.根据权利要求1所述的方法,其还包括当所述目标车辆穿过所述第一虚拟边界或所述第二虚拟边界中的一者时确定所述目标车辆的所述位置违反所述第三阈值。
4.根据权利要求1所述的方法,其还包括将多个参考轨迹输入到定义所述第一虚拟边界和所述第二虚拟边界以及所述第一约束值和所述第二约束值的相应方程中,所述方程包括多个参考系数,以将用于生成所述方程的多个系数的成本函数最小化。
5.根据权利要求4所述的方法,其还包括预测所述参考轨迹中的一者的指定操纵的发起时间并确定预测发起时间与所述指定操纵的指定发起时间之间的时间差。
6.根据权利要求5所述的方法,其还包括调整所述多个系数以将所述多个参考轨迹中的每一者的相应时间差最小化。
7.根据权利要求6所述的方法,其还包括在将所述时间差之和最小化时,识别与最小和相关联的所述多个系数并分配所述多个系数以替换所述方程的所述参考系数。
8.根据权利要求4所述的方法,其中所述多个系数包括用于所述第一边界接近速度的系数和用于所述第二边界接近速度的第二系数。
9.根据权利要求1-8中任一项所述的方法,其还包括在所述第一约束值未违反所述第一阈值、所述第二约束值违反所述第二阈值并且所述目标车辆相对于所述第一虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为左转。
10.根据权利要求1-8中任一项所述的方法,其还包括在所述第一约束值违反所述第一阈值、所述第二约束值未违反所述第二阈值并且所述目标车辆相对于所述第二虚拟边界的所述位置未违反所述第三阈值时将所述操纵识别为右转。
11.根据权利要求1-8中任一项所述的方法,其还包括将所述识别的操纵输入到路径规划算法中以生成调整后路径以避开所述目标车辆。
12.根据权利要求11所述的方法,其还包括致动所述主车辆的推进、转向或制动中的一者或多者以遵循所述调整后路径以避开所述目标车辆。
13.一种计算机,所述计算机被编程为执行权利要求1-8中任一项所述的方法。
14.一种车辆,所述车辆包括权利要求13所述的计算机。
15.一种计算机程序产品,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,所述指令能够由计算机处理器执行以执行权利要求1-8中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/809,664 US11312373B2 (en) | 2020-03-05 | 2020-03-05 | Vehicle detection and response |
US16/809,664 | 2020-03-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113353070A true CN113353070A (zh) | 2021-09-07 |
Family
ID=77389198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110236973.5A Pending CN113353070A (zh) | 2020-03-05 | 2021-03-03 | 车辆检测和响应 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11312373B2 (zh) |
CN (1) | CN113353070A (zh) |
DE (1) | DE102021105159A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11550325B2 (en) | 2020-06-10 | 2023-01-10 | Nvidia Corp. | Adversarial scenarios for safety testing of autonomous vehicles |
US11827217B2 (en) * | 2020-08-28 | 2023-11-28 | Ford Global Technologies, Llc | Vehicle detection and response |
US20230286546A1 (en) * | 2022-03-14 | 2023-09-14 | Honda Motor Co., Ltd. | Systems and methods for parameter prediction for agent modeling |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9581997B1 (en) * | 2011-04-22 | 2017-02-28 | Angel A. Penilla | Method and system for cloud-based communication for automatic driverless movement |
KR102075110B1 (ko) * | 2012-09-07 | 2020-02-10 | 주식회사 만도 | V2v 통신 기반 차량 식별 장치 및 그 식별 방법 |
US8990001B2 (en) * | 2013-07-26 | 2015-03-24 | Nissan North America, Inc. | Vehicle collision monitoring method |
FR3041590B1 (fr) * | 2015-09-30 | 2018-08-17 | Renault S.A.S | Systeme de commande de la direction d'un vehicule automobile en cas de collision imminente avec un obstacle |
US9517767B1 (en) * | 2015-11-04 | 2016-12-13 | Zoox, Inc. | Internal safety systems for robotic vehicles |
US10486707B2 (en) | 2016-01-06 | 2019-11-26 | GM Global Technology Operations LLC | Prediction of driver intent at intersection |
US9937860B1 (en) * | 2016-09-26 | 2018-04-10 | Hyundai America Technical Center, Inc. | Method for detecting forward collision |
EP3803833A4 (en) | 2018-05-31 | 2022-03-09 | TuSimple, Inc. | SYSTEM AND METHOD FOR PREDICTING THE INTENT OF A FOLLOWING VEHICLE FOR AUTONOMOUS VEHICLES |
US11227168B2 (en) * | 2019-01-08 | 2022-01-18 | Qualcomm Incorporated | Robust lane association by projecting 2-D image into 3-D world using map information |
CN110288835B (zh) | 2019-06-28 | 2021-08-17 | 江苏大学 | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 |
-
2020
- 2020-03-05 US US16/809,664 patent/US11312373B2/en active Active
-
2021
- 2021-03-03 DE DE102021105159.2A patent/DE102021105159A1/de active Pending
- 2021-03-03 CN CN202110236973.5A patent/CN113353070A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102021105159A1 (de) | 2021-09-09 |
US20210276546A1 (en) | 2021-09-09 |
US11312373B2 (en) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10981564B2 (en) | Vehicle path planning | |
US10831208B2 (en) | Vehicle neural network processing | |
US10802492B2 (en) | Vehicle path identification | |
CN113353070A (zh) | 车辆检测和响应 | |
CN108327723B (zh) | 通过无监督学习的对象跟踪 | |
CN116323353A (zh) | 基于相交的概率对安全系统资源的分配 | |
US11827217B2 (en) | Vehicle detection and response | |
CN112389426A (zh) | 增强的威胁选择 | |
EP4020113A1 (en) | Dynamic model evaluation package for autonomous driving vehicles | |
US11498554B2 (en) | Enhanced object detection and response | |
US20210139007A1 (en) | Enhanced vehicle operation | |
US20200255001A1 (en) | Enhanced collision mitigation | |
CN111791814A (zh) | 车辆胶囊网络 | |
CN112440988A (zh) | 增强型威胁评估 | |
CN113034970A (zh) | 安全性系统、自动化驾驶系统及其方法 | |
US11383704B2 (en) | Enhanced vehicle operation | |
CN114162116A (zh) | 车辆检测和响应 | |
US11087147B2 (en) | Vehicle lane mapping | |
US11801836B2 (en) | Enhanced vehicle operation | |
US20220204016A1 (en) | Enhanced vehicle operation | |
CN115489520A (zh) | 目标车辆检测 | |
US11148663B2 (en) | Enhanced collision mitigation | |
CN114217601B (zh) | 自驾车的混合决策方法及其系统 | |
CN117087657A (zh) | 增强的车辆操作 | |
CN116142190A (zh) | 车辆变道操作 |
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 |