CN114120476A - 自动驾驶车辆的行车风险评估及控制机制决策方法 - Google Patents

Abstract

本发明所提供的自动驾驶车辆的行车风险评估及控制机制决策方法，包括感测多次车辆周围的状态，以产生多个感测信号；量化各感测信号，产生多个感测值后，计算多个感测值的一感测平均值；根据各感测值及感测平均值计算一感测误差值，并计算多个感测误差值的一感测误差值平均值，以及计算感测误差变异数值；整合感测误差平均值、感测误差变异数值、感测器出厂规格误差平均值以及感测器出厂规格误差变异数值，以产生一感测信号校正值；合并计算多个感测值及感测信号校正值，以产生多个感测信号参考值；判断多个感测信号参考值的稳定性是否落在预设范围内；控制器根据稳定性的判断结果对应产生控制机制。

Description

自动驾驶车辆的行车风险评估及控制机制决策方法

技术领域

本发明是有关于一种行车风险评估及控制机制决策方法，特别是有关于一种自动驾驶车辆的行车风险评估及控制机制决策方法。

背景技术

车辆自动驾驶技术是为目前蓬勃发展的技术之一，而在自动驾驶的日常情境中，都需要通过感测器感测周围环境的资讯，用以自动控制车辆的动作，例如，在交通路口、车道变换以及加减速的过程中，都需要通过感测器感测周围环境的资讯，以控制车辆的动作。然而，当感测器感测及输出的资讯有失真、屏蔽或者失效的情况出现，将使得车辆的自动控制产生误差。

承上所述，现今的自动驾驶技术包含有一决策中心，决策中心是假设感测器感测资讯的物理量皆为理想值，其并未将感测物理量的不确定性纳入决策考量，亦未布局数据具不确定性的决策函数。进一步而言，由于感测器本身具有感测的误差，其稳定性不足，因而在感测位置以及感测速度上都会产生误差。虽然市售感测器传输至决策中心的相关物理量宣称已经包含误差范围，然而实际上进行决策时并未将该误差纳入考量。据此，若能针对感测器加入数据不确定性的决策函数将有助于提升自动驾驶的准确性。

再者，除了感测器之外，控制器亦面临到相同的问题。车辆的控制器是针对接收到的指令或信号进行相对应的动作。然而，在自动驾驶的日常情境中，当输入控制器的信号值与控制器输出的数值无法一致而产生误差时，也会使得车辆在自动驾驶的控制上无法达到精准控制的要求，因而提高驾驶的风险。

据此，如何提供一种自动驾驶车辆的行车风险评估及控制机制决策方法已成为目前急需研究的课题。

发明内容

鉴于上述问题，本发明公开一种自动驾驶车辆的行车风险评估及控制机制决策方法，包含下列步骤：通过一感测器感测多次一车辆周围的状态，以产生多个感测信号。通过一处理器量化各该感测信号，产生多个感测值后，计算多个感测值的一感测平均值。通过处理器根据各感测值及感测平均值计算一感测误差值，并计算多个感测误差值的一感测误差平均值，以及计算感测器的一感测误差变异数值。通过处理器整合感测误差平均值、感测误差变异数值、感测器出厂规格误差平均值以及感测器出厂规格误差变异数值，以产生感测器的一感测信号校正值。通过处理器合并计算多个感测值及感测信号校正值，以产生多个感测信号参考值。通过处理器判断多个感测信号参考值的第一稳定性是否落在第一预设范围内。若多个感测信号参考值稳定地落在第一预设范围内，处理器传送多个感测信号参考值至一决策单元，决策单元产生一第一风险预测评估值。若多个感测信号参考值非稳定地落在第一预设范围内，处理器不传送多个感测信号参考值至决策单元，决策单元产生第二风险预测评估值。通过一控制器根据第一风险预测评估值或第二风险预测评估值产生一控制机制。

承上所述，本发明自动驾驶车辆的行车风险评估及控制机制决策方法整合感测器的观测误差以及系统规格误差，提升自动驾驶车辆在感测误差判断上的准确性，进一步提升自动驾驶车辆的稳定性。此外，除了感测器以外，本发明同样针对控制器整合控制误差以及系统规格误差，提升自动驾驶车辆在控制误差上的准确性，进一步提升自动驾驶车辆的操控性。再者，根据感测器的观测误差以及系统规格误差所产生的风险预测评估值，以及根据控制器的控制误差以及系统规格误差所产生的风险预测评估值，综合两者，可产生更安全、更可靠的风险评估及控制机制。

附图说明

图1A为本发明自动驾驶车辆的行车风险评估及控制机制决策方法的流程图；

图1B为本发明自动驾驶车辆的行车风险评估及控制机制决策方法的车辆距离示意图；

图2为本发明自动驾驶车辆的行车风险评估及控制机制决策方法另一实施例的流程图；

图3为本发明自动驾驶车辆的行车风险评估及控制机制决策方法另一实施例的流程图；

图4A为针对图1A自动驾驶车辆的行车风险评估及控制机制决策方法，感测器、处理器以及控制器的方块示意图；

图4B为针对图2自动驾驶车辆的行车风险评估及控制机制决策方法，感测器、处理器以及控制器的方块示意图；以及

图4C为针对图3自动驾驶车辆的行车风险评估及控制机制决策方法，感测器、处理器以及控制器的方块示意图。

具体实施方式

首先需说明的是在本发明自动驾驶车辆的行车风险评估及控制机制决策方法中，感测器及控制器是设置于车辆上，感测器用于感测车辆周围的信号，控制器则包含有关车辆相关动作的控制都包含在控制器的范围内，例如油门控制器以及方向盘控制器等等，于本发明中并不限定。

请参阅图1A，其是为本发明自动驾驶车辆的行车风险评估及控制机制决策方法的流程图。自动驾驶车辆的行车风险评估及控制机制决策方法包含下列步骤：于步骤S10中，通过一感测器感测多次一车辆周围的状态，以产生多个感测信号。于步骤S11中，通过一处理器量化各该感测信号，产生多个感测值D_i后，计算多个感测值D_i的一感测平均值

于步骤S12中，通过处理器根据各该感测值D_i及感测平均值

计算一感测误差值D_εi，并计算多个感测误差值D_εi的一感测误差平均值

以及计算感测器的一感测误差变异数值σ²。于步骤S13中，通过处理器整合感测误差平均值

感测误差变异数值σ²、感测器出厂规格误差平均值

以及感测器出厂规格误差变异数值

以产生感测器的一感测信号校正值μ_n。于步骤S14中，通过处理器合并计算多个感测值D_i及感测信号校正值μ_n，以产生多个感测信号参考值D^*。于步骤S15中，通过处理器判断多个感测信号参考值D^*的第一稳定性是否落在第一预设范围内。于步骤S16中，若多个感测信号参考值D^*稳定地落在第一预设范围内，处理器传送多个感测信号参考值D^*至一决策单元，决策单元产生一第一风险预测评估值。于步骤S17中，若多个感测信号参考值D^*非稳定地落在第一预设范围内，处理器不传送多个感测信号参考值D^*至决策单元，决策单元产生第二风险预测评估值。于步骤S18中，通过一控制器根据第一风险预测评估值或第二风险预测评估值产生一控制机制，其中感测器的感测误差变异数值σ²的计算公式如下：

n：正整数

在自动驾驶车辆的过程中，由于感测器需要判断周围环境的状态，以作为自动驾驶的参考依据，因此感测器需要针对环境中的各种状况进行感测，并对应产生感测信号。在本发明的实施例中，感测信号包含一障碍物意图信号、一物体距离信号、一车辆灯号信号以及一交通号志灯号信号，但于本发明中并不限定。障碍物意图包含动物、行人及车辆的移动方向意图，针对动物、行人及车辆的行进方向进行感测，并对应产生障碍物意图信号。物体距离包含感测器感测到与目前周围的动物、行人及车辆之间的距离，并对应产生物体距离信号。车辆灯号包含感测器感测到目前周围的车辆灯号，包含煞车灯号、转向灯号以及头/尾灯灯号，并对应产生车辆灯号信号。此外，若以障碍物意图信号为例，障碍物的意图可以利用障碍物的移动方向与本车的间形成的夹角变化来评估障碍物意图，并通过感测器感测障碍物意图而产生障碍物意图信号。若以车辆灯号信号为例，可针对灯号产生的物理信号转换为对应的数字表示，亦即，灯号的物理量可以利用数字来表示，例如红绿灯的绿灯以数字1表示，红绿灯的红灯是数字2，车辆的右转灯号以数字3表示，诸如此类，并将感测到的物理信号量化为感测值后，根据上述方法计算风险预测评估值。

请参阅图1B，其是为本发明自动驾驶车辆的行车风险评估及控制机制决策方法的车辆距离示意图。于步骤S10中，感测器产生多个感测信号后，于步骤S11中处理器需要将各个感测信号进行量化，并产生多个感测值D_i后，计算多个感测值D_i的平均值，以产生感测平均值

因此，在以下实施例中，为了具体说明起见，是以图1B中物体距离的感测信号为例，亦即本车与前方车辆的感测距离作为计算的感测信号。然而，由图式中可知，当本车车辆周围包含许多车辆时，最多的状况下可能包含有8辆车围绕在本车周围，而实际上，感测器必须针对本车车辆与周围所有车辆进行感测，因此，为了简化说明起见，是仅以本车车辆与正前方一辆车辆的感测距离做为以下实施例的说明。

感测器所感测出的距离感测信号在量化之后，经过统计的结果，距离感测值D_i呈现各种统计分布的样态，包含一常态分布值、一指数分布值或者一韦伯分布值，统计的结果并储存在一储存模块中。此外，距离感测平均值

亦储存在储存模块内，并通过处理器计算、比对及存取。以常态分布的样态为例，处理器根据感测器量测本车车辆与前方车辆3次的感测距离，所量测到的各个距离感测值D₁、D₂、D₃，并计算距离感测平均值

据此完成步骤S11的计算。其中该距离感测平均值

的计算公式如下：

于步骤S12中，处理器根据各个距离感测值D₁、D₂、D₃以及距离感测平均值

计算距离感测误差值D_ε1、D_ε2、D_ε3，并计算该多个距离感测误差值D_εi的一距离感测误差值平均值

该距离感测误差值平均值

的计算公式如下：

进一步而言，通过处理器计算每一次量测到的距离感测值D_i与距离感测平均值

之间的差异大小，并经由统计学方法计算其变异数值，可观察出感测器感测值D_i的离散程度。感测误差值D_ε以及感测误差变异数值σ²的计算公式如下：

D_ε：感测误差值，D_i：感测值，

感测平均值

σ²：感测误差变异数值，

感测误差值平均值，D_εi：感测误差值，n：正整数

此外，由于感测器在生产制造完成后，并无法达到百分之百的感测准确率，因此感测器是具有一系统规格误差，于制造出厂时经由测量而产生感测器出厂规格误差平均值

感测器出厂规格误差平均值

经过统计分析后，包含一常态分布、一指数分布或者一韦伯分布的统计分析结果。因此，于步骤S13中，通过处理器整合距离感测误差平均值

距离感测误差变异数值σ²、感测器出厂规格误差平均值

以及感测器出厂规格误差变异数值

以产生感测器的一距离感测信号校正值μ_n，距离感测信号校正值μ_n的计算公式如下，据此完成步骤S13中距离感测信号校正值μ_n的计算。

感测器出厂规格误差变异数值，σ²：感测误差变异数值，其中：

感测误差值平均值，其中

及

代表感测器出厂规格误差平均值

与感测误差值平均值

的一权重比例。

完成感测信号校正值μ_n的计算后，于步骤S14中，通过处理器合并计算感测值D_i及感测信号校正值μ_n，以产生多个感测信号参考值D^*。据此，本发明在感测信号参考值D^*的计算上可通过合并感测信号校正值μ_n，使得计算结果更为精确。感测信号参考值D^*计算公式如下。

D^*＝D_i+μ_n

其中D^*：感测信号参考值，D_i：感测值，μ_n:感测信号校正值

完成感测信号参考值D^*的计算后，于步骤S15中，通过处理器判断多个感测信号参考值D的第一稳定性是否落在第一预设范围内。于本发明的实施例中包含两种判断方法。

第一种方法为判断多个感测信号参考值D^*的离散变异程度V^*是否稳定地小于一门槛值，若离散变异程度V^*稳定地小于门槛值，则表示在经过一段时间内，通过上述步骤所产生的多个感测信号参考值D^*当中，包含有一定百分比比例数量的感测信号参考值D^*为可控值，据此可判定多个感测信号参考值D^*是稳定地落在第一预设范围内，处理器传送多个感测信号参考值D^*至决策单元，决策单元据此产生第一风险预测评估值。若离散变异程度V^*非稳定地小于门槛值，则表示在经过一段时间内，通过上述步骤所产生的多个感测信号参考值D^*当中，包含有一定百分比比例数量的感测信号参考值D^*为不可控值，据此可判定多个感测信号参考值D^*是非稳定地落在第一预设范围内，处理器不传送多个感测信号参考值D至决策单元，决策单元据此产生第二风险预测评估值。于本发明的实施例中，百分比比例的数量包含30％、40％、50％、60％、70％、80％或90％，于本发明中并不限定。

第二种方法为判断多个感测值D_i是否稳定地落在一统计分布信赖区间的一上限值及一下限值范围内决定；若多个感测值D_i稳定地落在统计分布信赖区间的上限值及下限值范围内，表示在经过一段时间内，感测器所量测到的多个感测值D_i当中，包含有一百分比比例的感测值D_i(第一数量个的感测值D_i)是稳定地落统计分布信赖区间的上限值及下限值范围在内，此时可判定多个感测信号参考值D^*的第一稳定性是落在第一预设范围内，亦即在经过上述步骤的校正后，产生的多个感测信号参考值D^*为可控值，处理器则传送多个感测信号参考值D^*至决策单元，决策单元据此产生第一风险预测评估值；若多个感测值D_i非稳定地落在统计分布信赖区间的上限值及下限值范围内，表示在经过一段时间内，感测器所量测到的多个感测值D_i当中，包含有一百分比比例的感测值D_i(第一数量个的感测值D_i)是非稳定地落在统计分布信赖区间的上限值及下限值范围内，此时可判定多个感测信号参考值D^*的第一稳定性非落在第一预设范围内，亦即即使在经过上述步骤的校正后，产生的多个感测信号参考值D^*为不可控值，处理器则不传送多个感测信号参考值D^*至决策单元，决策单元据此产生第二风险预测评估值。于本发明的实施例中，百分比比例可设定为30％、40％、50％、60％、70％、80％或90％，上限值及下限值通过计算多个感测信号参考值D^*与多个感测信号参考值D^*的一离散变异程度V^*的一第二权重比例α决定，据此完成步骤S16及步骤S17的判断。感测信号参考值D^*的离散变异程度V^*的计算公式如下。

承上所述，针对超出统计分布信赖区间的感测值，以距离感测值D_i为例，当距离感测值D_i超出统计分布信赖区间的上限时，表示车辆可能产生例如跨车道风险，此时控制机制强制介入，并显示一警告信息。当距离感测值D_i超出统计分布信赖区间的下限时，表示车辆可能产生穿越障碍物风险，亦即，在车辆前方可能有其他车辆或障碍物，使得车辆不能直接穿越，否则将撞上其他车辆或障碍物，此时控制机制强制介入，并显示一警告信息。当距离感测值D_i稳定地落在统计分布信赖区间的上限值及下限值范围内时，显示一安全信息，控制机制则提供车辆执行自动驾驶机制或者车辆轨迹预测机制。统计分布信赖区间的上限值及下限值计算公式如下。

统计分布信赖区间上限值UCL＝D^*+αV^*

统计分布信赖区间下限值LCL＝D^*-αV^*，α:第二权重比例

此外，针对上述步骤中所计算出的各个感测值D_i以及统计分布信赖区间的上限值UCL、下限值LCL皆会储存到储存模块中，以便于后续如有产生相同或类似的数据时，将可由储存模块中载入到处理器中而无须重新计算，并根据载入的数据进行相对应的动作，以节省系统运算时间。此外，上述公式中的第二权重比例α是为一权重因素，其可通过查找表找出，或者通过一数学方法计算出。于本发明的实施例中，在常态分布的统计分布样态中，第二权重比例α可通过查找表找出，指数分布或者韦伯分布的统计分布样态则通过数学方法计算出第二权重比例α。

在完成判断多个感测信号参考值D^*的第一稳定性后，于步骤S18中，控制器可根据判断结果执行对应的动作。例如，在上述第一种判断多个感测信号参考值D^*的第一稳定性是否落在第一预设范围内的方法中，若多个感测信号参考值D^*的离散变异程度V^*稳定地小于门槛值，控制器执行自动驾驶机制或车辆轨迹预测机制，若离散变异程度V^*非稳定地小于门槛值，控制器执行人为驾驶机制。在第二种方法中，若多个感测值D_i稳定地落在统计分布信赖区间的上限值UCL、下限值LCL之间，控制器执行自动驾驶机制或车辆轨迹预测机制，若多个感测值D_i非稳定地落在统计分布信赖区间的上限值UCL、下限值LCL之间，控制器执行人为驾驶机制。

承上所述，在上述的内容中，控制器是根据多个感测信号参考值D^*的第一稳定性是否落在第一预设范围内的判断结果产生对应的动作。实际上，决策单元是根据判断结果对应产生风险高低的风险预测评估值。进一步而言，决策单元是通过数学公式的计算，计算上述步骤中，离散变异程度V^*是否稳定地小于门槛值，以及计算多个感测值D_i是否稳定地落在统计分布信赖区间的上限值UCL及下限值LCL之间，对应产生低风险的第一风险预测评估值或高风险的第二风险预测评估值。有关数学公式的描述于此则不再进一步叙述。

风险预测评估值包含一碰撞风险预测评估值、一跨车道风险预测评估值、一闯红灯风险预测评估值、一逆向风险预测评估值以及一加减速风险预测评估值，每一种风险预测评估值分别对应一风险系数值，高风险的风险预测评估值代表越危险的状况，因此对应的风险系数值则越高，低风险的风险预测评估值代表相对安全的状况，因此对应的风险系数值则越低。

若决策单元产生第一风险预测评估值时，处理器判断第一风险预测评估值是否低于碰撞风险预测评估值；若处理器判断第一风险预测评估值低于碰撞风险预测评估值时，处理器传送第一控制信号至控制器，以执行一自动驾驶机制或一车辆轨迹预测机制；若处理器判断第一风险预测评估值不低于碰撞预测评估值时，处理器传送一第二控制信号至控制器，以执行一人为驾驶机制。若决策单元产生第二风险预测评估值，处理器判断第二风险预测评估值是否低于该碰撞风险预测评估值，若处理器判断第二风险预测评估值低于碰撞风险预测评估值时，处理器传送第三控制信号至控制器，以执行人为驾驶机制。风险系数值R计算公式如下。

R:风险系数值，w:权重系数，a:危险事件值，b:安全事件值

完成风险系数值R的计算后，于步骤S18中，控制器根据第一风险预测评估值或第二风险预测评估值产生一控制机制。例如，当风险系数值R越大时，表示目前产生碰撞的机率较高，不适宜产生自动驾驶的控制，而是必须介入人为的驾驶进行车辆的控制机制。控制机制包含人为驾驶机制、自动驾驶机制以及车辆轨迹预测机制。

请参阅图2，其是为本发明自动驾驶车辆的行车风险评估及控制机制决策方法另一实施例的流程图。上述实施例中，是针对感测器所产生的感测误差以及系统规格误差进行感测感测值的修正。于此实施例中，是针对控制器所产生的控制误差以及系统规格误差进行修正的方法。该方法步骤如下。

于步骤S20中，通过一控制器产生多次车辆的多个控制信号；于步骤S21中，通过一处理器量化各该控制信号，产生多个控制值C_i后，计算多个控制值C_i的一控制平均值

于步骤S22中，通过处理器根据各控制值C_i及控制平均值

计算一控制误差值C_εi，并计算多个控制误差值C_εi的一控制误差平均值

以及计算控制器的一控制误差变异数值Cσ²；于步骤S23中，通过处理器整合控制误差平均值

控制误差变异数值Cσ²、一控制器出厂规格误差平均值

以及一控制器出厂规格误差变异数值

以产生控制器的一控制信号校正值Cμ_n；于步骤S24中，通过处理器合并计算多个控制值C_i及控制信号校正值Cμ_n，以产生多个控制信号参考值C^*；于步骤S25中，通过处理器判断多个控制信号参考值C^*的第二稳定性是否落在第二预设范围内；于步骤S26中，若多个控制信号参考值C^*稳定地落在第二预设范围内，处理器传送多个控制信号参考值C^*至决策单元，决策单元产生第三风险预测评估值；于步骤S27中，若多个控制信号参考值C^*非稳定地落在第二预设范围内，处理器不传送多个控制信号参考值C^*至决策单元，决策单元产生第四风险预测评估值；于步骤S28中，通过控制器根据第三风险预测评估值或第四风险预测评估值产生该控制机制。

控制信号包含方向盘控制信号、煞车控制信号、油门控制信号等，但于本发明中并不限定。此外，在判断第二稳定性的步骤中，同样具有相似于上述实施例中的两种判断方式，相同的内容于此不再赘述。据此，根据上述步骤可完成控制器的控制误差以及规格误差值的修正，相似地计算过程如上述感测器所述，于此不再赘述。

请参阅图3，其是为本发明自动驾驶车辆的行车风险评估及控制机制决策方法另一实施例的流程图。上述图1A及图2的实施例中，是分别公开针对感测器及控制器的误差进行校正的方法。于此实施例中，则可进一步合并两者，进行感测误差及控制误差的校正。该方法步骤如下。

于步骤S30中，通过一感测器感测多次一车辆周围的状态，以产生多个感测信号，并通过一控制器产生多次车辆的一控制信号。于步骤S31中，通过一处理器量化各该感测信号，产生多个感测值D_i后，计算多个感测值D_i的一感测平均值

并通过一处理器量化各该控制信号，产生多个控制值C_i后，计算多个控制值C_i的一控制平均值

于步骤S32中，通过该处理器根据各该感测值D_i及该感测平均值

计算一感测误差值D_εi，并计算多个感测误差值D_εi的一感测误差平均值

以及计算感测器的一感测误差变异数值σ²，并通过处理器根据各控制值C_i及控制平均值

计算一控制误差值C_εi，并计算多个控制误差值C_εi的一控制误差平均值

以及计算控制器的一控制误差变异数值Cσ²。于步骤S33中，通过该处理器整合感测误差平均值

感测误差变异数值σ²、感测器的感测器出厂规格误差平均值

以及感测器的感测器出厂规格误差变异数值

以产生感测器的一感测信号校正值μ_n，并通过处理器整合控制误差平均值

控制误差变异数值Cσ²、一控制器出厂规格误差平均值

以及一控制器出厂规格误差变异数值

以产生控制器的一控制信号校正值Cμ_n。于步骤S34中，通过处理器合并计算多个感测值D_i及感测信号校正值μ_n，以产生多个感测信号参考值D^*，通过处理器合并计算多个控制值C_i及控制信号校正值Cμ_n，以产生多个控制信号参考值C^*。于步骤S35中，通过处理器判断多个感测信号参考值D^*的第一稳定性是否落在第一预设范围内，通过处理器判断多个控制信号参考值C^*的第二稳定性是否落在第二预设范围内。于步骤S36中，若多个感测信号参考值D^*稳定地落在第一预设范围内，处理器传送多个感测信号参考值D^*至一决策单元，且若多个控制信号参考值C^*稳定地落在第二预设范围内，处理器传送多个控制信号参考值C^*至决策单元，决策单元产生第五风险预测评估值。于步骤S37中，若多个感测信号参考值D^*非稳定地落在第一预设范围内，处理器不传送多个感测信号参考值D^*至决策单元，或者，若多个控制信号参考值C^*非稳定地落在第二预设范围内，处理器不传送多个控制信号参考值C^*至决策单元，决策单元产生一第六风险预测评估值。于步骤S38中，通过一控制器根据第五风险预测评估值或第六风险预测评估值产生控制机制。

承上所述，第五风险预测评估值是综合考量上述实施例中的第一风险预测评估值及第三风险预测评估值产生，第六风险预测评估值是综合考量上述实施例中的第二风险预测评估值及第四风险预测评估值产生，控制器并根据第五风险预测评估值及第六风险预测评估值的风险高低对应产生控制机制。相似的原理及判断方法如上所述，于此不再赘述。

承上所述，在第五风险预测评估值以及第六风险预测评估值的综合考量上，只要有其中任一风险预测评估值为高者，第五风险预测评估值以及第六风险预测评估值则被判定为高风险。例如，当第一风险预测评估值或第三风险预测评估值为高风险时，第五风险预测评估值则判定为高风险。当第二风险预测评估值或第四风险预测评估值为高风险时，第六风险预测评估值则判定为高风险。只有在两者皆为低风险时，第五风险预测评估值以及第六风险预测评估值才判定为高风险，亦即，当第一风险预测评估值以及第三风险预测评估值为低风险时，第五风险预测评估值判定为低风险。当第二风险预测评估值以及第四风险预测评估值为低风险时，第六风险预测评估值则判定为低风险。

据此，根据上述步骤可完成感测器的感测误差以及规格误差值、控制器的控制误差以及规格误差值的修正，相似地计算过程如上述感测器及控制器所述，于此不再赘述。

请参阅图4A、图4B及图4C，其是分别为针对上述图1A自动驾驶车辆的行车风险评估及控制机制决策方法、图2自动驾驶车辆的行车风险评估及控制机制决策方法以及图3自动驾驶车辆的行车风险评估及控制机制决策方法，感测器、处理器以及控制器的方块示意图。图4A表示由上述步骤中，感测器将感测到的信号输入至处理器中，并根据上述步骤计算出感测信号参考值D^*，并由处理器判断感测信号参考值D^*是否为可控值后，传送至决策单元，使决策单元据此产生风险预测评估值，控制器据此产生对应的控制机制。图4B表示由上述步骤中，控制器将输出的控制信号回传输入至处理器中，并根据上述步骤计算出控制信号参考值C^*，并由处理器判断控制信号参考值C^*是否为可控值后，传送至决策单元，使决策单元据此产生风险预测评估值，控制器据此产生对应的控制机制。图4C表示由上述步骤中，感测器将感测到的信号输入至处理器中，控制器将输出的控制信号回传输入至处理器中，并根据上述步骤计算出感测信号参考值D^*以及控制信号参考值C^*，并由处理器判断感测信号参考值D^*以及控制信号参考值C^*是否为可控值后，传送至决策单元，使决策单元据此产生风险预测评估值，控制器据此产生对应的控制机制。此外，需注意的是在图4B及图4C的示意图中，是以控制器直接连接处理器，但实际上此处的控制器是包含各种控制的系统，并将该系统输出的控制信号回传至处理器进行控制信号的修正，使得每一次控制器输出的控制信号越趋准确。

综上所述，本发明自动驾驶车辆的行车风险评估及控制机制决策方法整合感测器的观测误差以及系统规格误差，提升自动驾驶车辆在感测误差判断上的准确性，进一步提升自动驾驶车辆的稳定性。此外，除了感测器以外，本发明同样针对控制器整合控制误差以及系统规格误差，提升自动驾驶车辆在控制误差上的准确性，进一步提升自动驾驶车辆的操控性。再者，根据感测器的观测误差以及系统规格误差所产生的风险预测评估值，以及根据控制器的控制误差以及系统规格误差所产生的风险预测评估值，综合两者，可产生更安全、更可靠的风险评估及控制机制。

Claims (10)

1.一种自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，包括：

通过一感测器感测多次一车辆周围的状态，以产生多个感测信号；

通过一处理器量化各所述感测信号，产生多个感测值后，计算所述多个感测值的一感测平均值；

通过所述处理器根据各所述感测值及所述感测平均值计算一感测误差值，并计算所述多个感测误差值的一感测误差平均值，以及计算所述感测器的一感测误差变异数值；

通过所述处理器整合所述感测误差平均值、所述感测误差变异数值、所述感测器的一感测器出厂规格误差平均值以及所述感测器的一感测器出厂规格误差变异数值，以产生所述感测器的一感测信号校正值；

通过所述处理器合并计算所述多个感测值及所述感测信号校正值，以产生多个感测信号参考值；

通过所述处理器判断所述多个感测信号参考值的一第一稳定性是否落在一第一预设范围内；

若所述多个感测信号参考值稳定地落在所述第一预设范围内，所述处理器传送所述多个感测信号参考值至一决策单元，所述决策单元产生一第一风险预测评估值；

若所述多个感测信号参考值非稳定地落在所述第一预设范围内，所述处理器不传送所述多个感测信号参考值至所述决策单元，所述决策单元产生一第二风险预测评估值；以及

通过一控制器根据所述第一风险预测评估值或所述第二风险预测评估值产生一控制机制。

2.根据权利要求1所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，所述感测信号包括一障碍物意图信号、一物体距离信号以及一车辆灯号信号。

3.根据权利要求1所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，判断所述多个感测信号参考值的所述第一稳定性是否落在所述第一预设范围内的步骤包括：

判断所述多个感测信号参考值的一离散变异程度是否小于一门槛值；

若所述离散变异程度小于所述门槛值，则所述多个感测信号参考值的所述第一稳定性落在所述第一预设范围内，且所述决策单元产生所述第一风险预测评估值；

若所述离散变异程度不小于所述门槛值，则所述多个感测信号参考值的所述第一稳定性未落在所述第一预设范围内，且所述决策单元产生所述第二风险预测评估值。

4.根据权利要求1所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，判断所述多个感测信号参考值的所述第一稳定性是否落在所述第一预设范围内的步骤包括：

判断所述多个感测值是否稳定地落在一统计分布信赖区间的一上限值及一下限值范围内；

若所述多个感测值稳定地落在所述统计分布信赖区间的所述上限值及所述下限值范围内，则所述多个感测信号参考值的所述第一稳定性落在所述第一预设范围内，且所述决策单元产生所述第一风险预测评估值；以及

若所述多个感测值非稳定地落在所述统计分布信赖区间的所述上限值及所述下限值范围内，则所述多个感测信号参考值的所述第一稳定性非落在所述第一预设范围内，且所述决策单元产生所述第二风险预测评估值；

其中判断所述多个感测值是否稳定地落在所述统计分布信赖区间的所述上限值及所述下限值范围内的步骤，是根据判断在所述多个感测值当中，具有一第一数量个的所述感测值是稳定地落所述统计分布信赖区间的所述上限值及所述下限值范围内决定；

当所述第一数量个的感测值落在所述统计分布信赖区间的所述上限值及所述下限值范围内，则所述多个感测信号参考值的所述第一稳定性落在所述第一预设范围内；

当所述第一数量个的感测值未落在所述统计分布信赖区间的所述上限值及所述下限值范围内，则所述多个感测信号参考值的所述第一稳定性未落在所述第一预设范围内；

其中所述上限值及所述下限值通过计算所述多个感测信号参考值与所述多个感测信号参考值的一离散变异程度的一第二权重比例决定。

5.根据权利要求4所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，所述第二权重比例通过一查找表产生。

6.根据权利要求4所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，所述感测值、所述上限值及所述下限值是统计储存于一储存模块内，并通过所述处理器计算、比对及存取。

7.根据权利要求1至6中任一项所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，若所述决策单元产生所述第一风险预测评估值，所述处理器判断所述第一风险预测评估值是否低于一碰撞风险预测评估值；

若所述处理器判断所述第一风险预测评估值低于所述碰撞风险预测评估值时，所述处理器传送一第一控制信号至所述控制器，以执行一自动驾驶机制或一车辆轨迹预测机制；

若所述处理器判断所述第一风险预测评估值不低于所述碰撞预测评估值时，所述处理器传送一第二控制信号至所述控制器，以执行一人为驾驶机制。

8.根据权利要求7所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，若所述决策单元产生所述第二风险预测评估值，所述处理器判断所述第二风险预测评估值是否低于所述碰撞风险预测评估值；

若所述处理器判断所述第二风险预测评估值低于所述碰撞风险预测评估值时，所述处理器传送一第三控制信号至所述控制器，以执行一人为驾驶机制。

9.根据权利要求1所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，更包括下列步骤：

通过所述控制器产生所述车辆的多次控制信号；

通过所述处理器量化各所述控制信号，产生多个控制值后，计算所述多个控制值的一控制平均值；

通过所述处理器根据各所述控制值及所述控制平均值计算一控制误差值，并计算所述多个控制误差值的一控制误差平均值，以及计算所述控制器的一控制误差变异数值；

通过所述处理器整合所述控制误差平均值、所述控制误差变异数值、所述控制器的一控制器出厂规格误差平均值以及所述控制器的一控制器出厂规格误差变异数值，以产生所述控制器的一控制信号校正值；

通过所述处理器合并计算所述多个控制值及所述控制信号校正值，以产生多个控制信号参考值；

通过所述处理器判断所述多个控制信号参考值的一第二稳定性是否落在一第二预设范围内；

若所述多个控制信号参考值稳定地落在所述第二预设范围内，所述处理器传送所述多个控制信号参考值至所述决策单元，所述决策单元产生一第三风险预测评估值；

若所述多个控制信号参考值非稳定地落在所述第二预设范围内，所述处理器不传送所述多个控制信号参考值至所述决策单元，所述决策单元产生一第四风险预测评估值；以及

通过所述控制器根据所述第三风险预测评估值或所述第四风险预测评估值产生所述控制机制。

10.根据权利要求9所述的自动驾驶车辆的行车风险评估及控制机制决策方法，其特征在于，

当所述决策单元产生所述第一风险预测评估值以及所述第三风险预测评估值时，所述处理器传送一第四控制信号至所述控制器，以执行一自动驾驶机制或一车辆轨迹预测机制；

当所述决策单元产生所述第二风险预测评估值或所述第四风险预测评估值时，所述处理器传送一第五控制信号至所述控制器，以执行所述人为驾驶机制。

Images