CN114222987A - 用于量化车辆路径跟随性能的方法 - Google Patents

用于量化车辆路径跟随性能的方法 Download PDF

Info

Publication number
CN114222987A
CN114222987A CN201980099265.2A CN201980099265A CN114222987A CN 114222987 A CN114222987 A CN 114222987A CN 201980099265 A CN201980099265 A CN 201980099265A CN 114222987 A CN114222987 A CN 114222987A
Authority
CN
China
Prior art keywords
vehicle
following performance
distribution
path following
statistical
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
CN201980099265.2A
Other languages
English (en)
Inventor
莱纳斯·哈格瓦尔
埃米尔·克林特伯格
奥斯卡·威格斯特罗姆
弗雷德里克·桑德布卢姆
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.)
Volvo Truck Corp
Original Assignee
Volvo Truck Corp
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 Volvo Truck Corp filed Critical Volvo Truck Corp
Publication of CN114222987A publication Critical patent/CN114222987A/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
    • 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
    • B60W30/10—Path keeping
    • 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
    • B60W40/02—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
    • B60W40/06—Road conditions
    • B60W40/068—Road friction coefficient
    • 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
    • B60W40/10—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 vehicle motion
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/107—Longitudinal acceleration
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/109—Lateral acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • 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
    • 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
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/005—Sampling
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/06—Direction of travel
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • 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
    • B60W2555/20—Ambient conditions, e.g. wind or rain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

一种用于量化车辆路径跟随性能的方法，所述方法包括：获得路径跟随性能(I)的样本；选择路径跟随性能样本的子集，使得所选择的样本遵循预定的统计极值分布；基于所选择的路径跟随性能样本来参数化所述预定的统计极值分布；以及，基于被参数化的统计极值分布来量化车辆路径跟随性能。

Description

用于量化车辆路径跟随性能的方法
技术领域
本公开涉及用于量化车辆路径跟随性能的方法、控制单元和车辆。本文中公开的方法例如应用在自动驾驶、高级驾驶员辅助系统和其它安全关键车辆功能中。
本发明可应用于诸如卡车、半挂车、建筑设备的重型车辆。尽管将主要针对货物运输型车辆来描述本发明，但本发明不限于这种特定车辆，而是还可用在其它类型的车辆中，例如用在建筑设备、公共汽车以及轿车中。
背景技术
自动驾驶系统和其它高级驾驶员辅助系统(ADAS)不断地做出关于如何控制自身车辆的决定，以实现给定目标，同时不让车辆承受风险。这些决定基于与自身车辆的状态和周围环境以及车辆执行不同类型机动的能力相关的各种不同因素。
在控制车辆时，总是存在需要考虑的不确定性，以免车辆承受风险。这些不确定性包括不确定的车辆状态估计和车辆致动的不确定性。
在执行车辆轨迹规划时，通常需要了解特定的车辆组合体对于不同类型的路径所能跟随的程度。因此，通常使用不同类型的车辆进行广泛的测试，以在不同的条件下执行不同类型的机动。然后，例如基于对车辆能够执行不同机动的程度的观测，对给定的车辆类型和机动的路径跟随性能进行评估和建模。
基于观测的车辆路径跟随性能建模的问题是需要大量数据才能准确地对罕见事件进行建模，例如车辆打滑、失控、牵引车相对于挂车成转角(jack-knifing)等。收集如此大量的数据既费钱又耗时，并且在某些情况下从实际角度看甚至是不可行的。
需要改进的量化路径跟随性能的方法，该方法允许以可靠的方式对罕见事件进行有效建模。
发明内容
本公开的一个目的是提供用于量化和建模车辆路径跟随性能的方法。此目的通过一种用于量化车辆路径跟随性能的方法来实现。该方法包括：获得路径跟随性能
Figure BDA0003501550460000021
的样本；选择路径跟随性能样本的子集，使得所选择的样本遵循预定的统计极值分布；基于所选择的路径跟随性能样本来参数化所述预定的统计极值分布；以及，基于被参数化的统计极值分布来量化车辆路径跟随性能。
所公开的方法的一个重要特征是减少了量化车辆路径跟随性能所需的数据量。通过允许基于减少的数据集对路径跟随性能进行建模，可以减少开发和测试时间，这是一个优点。而且，以前由于需要太多数据而无法执行的某些类型的分析现在可以通过所公开的方法实现。
所公开的方法适用于离线处理和/或在线处理，这是一个优点。例如，在线处理可用于补充更广泛的离线处理，从而改进模型验证，因而改进车辆操作。
所述预定的统计极值分布例如可以是广义帕累托分布(GDP)或广义极值分布(GEV)。这些类型的极值分布已被广泛研究，这意味着所公开的方法可以利用众所周知且稳健的分析技术，这是一个优点。
根据各方面，该方法包括：测量超限值之间的时间度量(time betweenexceedances metric)，并且基于所述超限值之间的时间度量来监测运行设计域(ODD)，所述超限值之间的时间度量指示了在超过阈值ζ的路径跟随性能样本之间经过的时间。这是一个用于确定车辆何时在其ODD之外运行的相对简单的度量，但又是一个有力指标。
根据一些示例，车辆路径跟随性能样本包括以下项中的任一项：横向车辆位置，纵向车辆位置，绝对或平方车辆位置，横向车辆速度，纵向车辆速度，绝对或平方车辆速度，横向车辆加速度，纵向车辆加速度，车辆加速度，绝对或平方车辆加速度，曲率，横摆率，航向和铰接角度。值得注意的是，这些量是示例，当然也可以给出几个额外的示例。
根据各方面，针对车辆的一个或多个部分单独地确定车辆路径跟随性能样本。车辆的不同部分可能与不同的极值分布相关联，即，挂车的行为可能与牵引车不完全相同，因此最好将挂车与牵引车分开处理。而且，车辆上的不同轮轴或不同组的车轮可能行为不同。通过对车辆的不同部分使用不同的车辆路径跟随性能样本，可以进行更精细的分析。
例如，可以根据以下项中的任一项来获得车辆路径跟随性能样本：车辆的类型、车辆组合体的类型、车辆物理尺寸参数、天气状况、道路摩擦、道路几何形状以及路径轨迹几何形状。
根据一些方面，该方法还包括：基于所述预定的统计极值分布，通过将所述性能界定为处于范围
Figure BDA0003501550460000031
内且概率大于1-γ，而将路径跟随性能量化为有界模型。
路径跟随性能的界限可以离线地和实时地对各种驾驶场景进行风险评估。例如，从所公开的方法获得的有界模型还可以用于决定何时触发车辆的紧急机动。
根据一些其它方面，该方法还包括确定与所述预定的统计极值分布相关联的置信度值β。
这个置信度值将在下面更详细地讨论。它表示在参数化的GEV或GDP中获得的置信度，即，GEV或GDP是否可以准确地拟合可用数据，或者是否需要更多数据才能很好地拟合。
根据一些进一步的方面，该方法包括：基于与所述预定的统计极值分布相关联的置信度值β来评估所收集的路径跟随性能数据是否足够用于车辆建模。
本文中公开的方法还能够提供关于何时完成用于给定目的的数据收集的建设性反馈，例如，何时已经收集了足够量的数据以量化某些场景中的路径跟随性能。例如，根据各方面，该方法包括基于与参数化的GEV或GDP相关联的置信度值β来评估所收集的模型数据是否足够用于模型正确性验证。
可选地，所公开的方法还可以包括：通过将参数化的统计极值分布与一组基准分布参数进行比较，来监测与车辆相关联的运行设计域(ODD)，其中，在ODD之外的操作由参数化的统计极值分布参数与所述基准分布参数之间的差异指示。
换言之，所公开的方法的另一特征是中间结果可用于构建ODD的至少一部分的监测器。这些特定方面也可以用作不依赖于上述方法的单独的独立方法的基础。因此，本文中公开了一种用于监测与车辆相关联的ODD的方法。该方法包括从车辆运行期间的车辆路径跟随性能样本获得参数化的GEV或GDP，如本文中所描述或以某种其它方式描述的。该方法还包括：通过将参数化的GEV或GDP与一组基准GEV或GDP参数进行比较，来监测与车辆相关的ODD，其中，在ODD之外的操作由参数化的GEV或GDP参数与基准参数之间的差异指示。
此外，本文中还公开了与上文结合不同方法讨论的相同优点相关联的控制单元、计算机程序和车辆。
通常，权利要求书中使用的所有术语均应根据它们在技术领域中的普通含义进行解释，除非本文中另有明确定义。除非另有明确说明，否则，所有对“一/一个/该元件、设备、部件、装置、步骤等”的引用应被开放地解释为是指该元件、设备、部件、装置、步骤等的至少一个示例。除非明确说明，否则本文中公开的任何方法的步骤不必按照所公开的确切顺序执行。当研究所附权利要求书和以下描述时，本发明的其它特征和优点将变得明显。本领域技术人员会认识到，在不脱离本发明的范围的情况下，本发明的不同特征可以组合，以产生除了下文中描述的实施例以外的实施例。
附图说明
参考附图，下面是作为示例引用的本发明的实施例的更详细描述。在这些图中：
图1示意性地示出了车辆；
图2示出了车辆的示例情形规避机动；
图3显示了带有路径跟随误差的示例路径；
图4显示了一个示例阈值操作；
图5显示了另一个示例阈值操作；
图6显示了有界车辆状态集合；
图7示意性地示出了车辆路径跟随；
图8是示出了方法的流程图；
图9示意性地示出了控制单元；并且
图10显示了示例的计算机程序产品。
具体实施方式
现在将参照附图更充分地描述本公开的各方面。然而，本文中公开的不同设备和方法可以以许多不同的形式实现，且不应被解释为限于本文中阐述的方面。附图中的相同数字自始至终指代相同的元件。
本文中使用的术语仅用于描述本公开内容的方面，并非旨在限制本发明。如本文中所使用的，单数形式“一”、“一个”和“该”也旨在包括复数形式，除非上下文另有明确指示。
图1示意性地示出了包括控制单元110的车辆100。控制单元110可以实现各种类型的支持系统和用于车辆功能安全的系统，例如高级驾驶员辅助系统(ADAS)和用于自动驾驶(AD)的功能。
该车辆可以连接120到处理设备130，该处理设备130被布置成执行离线计算以辅助包括控制单元110的车辆控制系统。该连接120优选是无线的，但它也可以是有线连接或者是经由一些存储模块(例如硬盘驱动器等)的连接。
控制单元110(可能还有处理设备130)可以支持的一个示例功能是情形规避机动(SAM)的计划和执行。安全停止机动是SAM的一个示例。然而，SAM还可以包括在给定车道中保持恒定速度或执行避障机动。一般而言，情形规避机动的类别包括可以执行以避免不希望的情形(例如检测到的风险情形)的所有机动。然而，SAM也可能涉及例如困难停车情形等。
图2示出了示例SAM 200。车辆100在A点检测到有问题并且车辆需要执行安全停止机动。例如，车辆100可能在A点经历了某种类型的传感器故障，例如雷达系统故障或相机故障状况。
图2中所示的示例SAM包括将车辆100移动到道路210的一侧，并且在B点以受控方式停止该车辆。因此，控制单元110确定具有相关联的速度曲线的轨迹，车辆100将在SAM期间跟随该轨迹。然后，例如，该车辆由控制单元110控制，以跟随所确定的包括速度曲线的轨迹。然而，该车辆可能无法能够准确地跟随所述轨迹或保持准确的期望速度。相反，在该车辆将能够多大程度上跟随给定的计划机动轨迹方面，将存在一些不确定性。这种不确定性在图2中由区域220示出，区域220示出了如下的区域：如果控制该车辆以期望的速度曲线跟随所计划的路径，则该车辆可能最终到达该区域内。该不确定性区域220的面积和形状通常与车辆纵向速度vx和横向加速度ay相关联。
在此，“安全”被赋予广泛的解释。安全机动或安全车辆状态可以是车辆和/或车辆乘员和/或其它道路使用者不受到伤害或损坏风险的机动或状态。
可以给出安全条件和不安全条件的一些示例；
根据一些方面，不太可能发生碰撞风险的情形可以被认为是安全状态。
根据一些其它方面，并非不可能发生碰撞风险的情形仍然可以被认为是安全状态，这取决于具体对象。即，与小灌木或树木相撞可能被认为是安全的，而与另一车辆或更大的对象(如砖墙)相撞可能被认为是不安全的。
根据一些进一步的方面，例如，通过车辆对车辆(V2V)通信已经预先确定的与另一车辆碰撞(容忍低风险的碰撞)可以被认为是安全的。
根据各方面，车辆有离开可驾驶区域的风险的情形被认为是不安全的。
根据其它方面，离开可驾驶区域可以被认为是安全的，这取决于可驾驶区域之外的地面特性，如上所述。
车辆状态是一起描述车辆当前处于何种状态的变量的集合。这里，车辆状态包括与车辆位置(坐标)和朝向(例如，航向、转向角和铰接角度)相关的变量。车辆状态还包括与车辆动态状态相关的信息，即车辆速度、加速度、转弯速率等。车辆状态通常被表示为状态变量x的矢量。如下面将更详细讨论的，所允许的车辆状态空间通常可以包括状态变量的上限和下限，例如在机动期间的横向位置。
车辆基于所发出的控制命令(例如制动命令或转向命令)在状态之间转换。车辆状态通常能够以高概率被界定成位于某个集合内。
参考图6，车辆100当前可能与包含在某个状态集合S中的状态x相关联，并且希望转换到一些其它状态集合X。因此，控制单元110发出控制命令u。对于给定的目标集合X，一步稳健可控集合(或原像集合)S被定义为稳定地映射到X的状态集合。原像集合例如由F.Borrelli、A.Bemporad、以及M.Morari在“用于线性和混合系统的预测控制(PredicativeControl for linear and hybrid systems)”(剑桥大学出版社，2015年)中讨论了，因此这里不再详细讨论。对于所有可能的干扰，集合S是存在控制信号u的车辆状态集合(如图3所示)，该控制信号将车辆状态转变为被包含在目标状态集合X中的状态。可以假定干扰集合是有界的，或者可以假定它是代表固定发生概率的某个集合。换言之，可以使用各种已知方法确定：作为从车辆状态集合S开始发出控制信号u的结果，该车辆将转变到被包括在状态集合X中的状态x。为了能够界定所述干扰集合，必须对车辆路径跟随性能进行建模。
图3示意性地示出了车辆路径300。该车辆路径例如可以与所计划的SAM相关联。该路径在时间t＝0时从位置点A开始，车辆初始状态S(0)包括初始位置矢量xs(t)、初始速度矢量vs(t)和初始加速度矢量as(t)。要跟随的轨迹由作为时间t的函数的一系列目标车辆状态T(t)定义。因此，在时间t，车辆应该处于目标状态T(t)，该目标状态T(t)包括目标位置矢量xT(t)、目标速度矢量vT(t)和目标加速度矢量aT(t)。在任何给定时间，例如在时间t1，时间t1处的目标车辆状态T(t1)和时间t1处的实际车辆状态S(t1)之间可能存在差异。这种差异在此被表示为轨迹误差e(t1)，该轨迹误差e(t1)可以用作路径跟随性能的度量(measure)。可以对该度量进行采样并用于表征车辆路径跟随性能。如果路径跟随性能是可以有界的(至少高概率是有界的)，则可以确定诸如图2中的区域220的不确定性区域。
假设已经获得了密集采样的路径跟随性能数据。尽管可以直接使用该数据来确定路径跟随误差或其它差异的极端情况的发生率，但它不一定能很好地捕捉到车辆的行为。相反，这里建议可选地过滤所述密集采样的数据以提取一系列低维聚合样本，这些样本描述了我们在建模中感兴趣的特定的路径跟踪性能。例如，如果目的是量化尝试跟随给定路径时发生大的横向偏移的频率，则可以通过首先基于一些标准(例如阈值)检测横向偏移的实例，然后使用聚合测量(例如由最大偏移量或阈值以及偏移量高于某个阈值的持续时间组成的二维样本)来量化这些实例。累积密度函数也可用于根据偏移量高于某些值的相对时间百分比来描述聚合行为。例如，密集采样数据也可以被针对所述密集采样数据的连续块确定的块最大值、块均值或块中值替换，从而提供较不密集的采样数据。
极值理论(EVT)是一个专注于罕见事件属性的统计领域。例如，在C.Scarrott和A.MacDonald的“极值阈值估计和不确定性量化综述(A review of extreme valuethreshold estimation and uncertainty quantification)”(《REVSTAT StatisticalJournal》，2012年第一期，第10卷)以及其中引用的参考文献中讨论了EVT。
在概率论和统计学中，广义极值(GEV)分布是在极值理论中发展起来的一系列连续概率分布，它结合了Gumbel、Fréchet和Weibull系列，也称为I、II和III型极值分布。根据极值定理，GEV分布是一系列独立且同分布的随机变量的适当归一化最大值的唯一可能的极限分布。需要注意的是，不需要存在极限分布，因为这需要所述分布的尾部的规律性条件。尽管如此，GEV分布通常用作对随机变量的长(有限)序列的最大值进行模拟的近似值。在某些应用领域，广义极值分布被称为以Ronald Fisher和L.H.C.Tippett命名的Fisher-Tippett分布。然而，此名称的使用有时仅限于表示Gumbel分布的特殊情况。
峰值超过阈值(POT)是EVT中的一类方法，用于对超过某个阈值的极端事件进行建模。在一些假设下，超限值(exceedances)逐渐收敛到所谓的广义帕累托(GDP)分布。对于特定的数据集合，这些超限值可以用于估计GDP分布的参数，进而可以用于预测更罕见事件的可能性。这使得使用比传统方法少得多的数据就可以对假设的限制进行统计论证。此分析的结果还可以用于验证一组假设似乎确实适用于在其中收集数据的运行设计域(ODD)。例如，ODD可以以最大自身速度、最大道路坡度、最大道路倾斜等为特征。
此外，可以在评估自身车辆是否可以执行特定行动时使用这些假设，即，在给定车辆的预期路径跟随性能的情况下，该行动是否安全。
GEV和/或GDP分布的参数也可用于创建对ODD的一些方面(即对车辆路径跟随性能的假设)的监测。更具体地，如果当前车辆路径跟随性能偏离GDP分布(超过一些概率阈值)，则表明存在自身车辆不再处于所定义的ODD内的风险，因此自身车辆可能需要采取预防措施。
ODD监测器也是为什么可以说该系统在改变车辆路径跟随性能方面会随着时间的推移而保持安全的原因。这是因为该系统将能够在可能导致事故的极端事件发生之前检测到路径跟随性能的变化。
需要注意的是，使用本文中提出的方法的一个好处是，没有明确需要观测路径跟随误差，在路径跟随误差中，所述假设被打破，以检测原始ODD(即原始数据收集)不再有效的风险。检测与预期分布不匹配的半罕见事件(这些事件仍处于ODD内)的分布就足够了。
图4示意性地示出了一个阈值操作400，其中已经收集了路径跟随性能410、420的样本。应用了阈值ζ以选择路径跟随性能样本的子集，使得所选择的样本遵循预定的统计极值分布。
图5示出了另一个阈值操作，这里是两个维度x1、x2。已经收集了路径跟随性能样本510、520。再次应用了阈值ζ以选择路径跟随性能样本的子集，使得所选择的样本遵循预定的统计极值分布。
图7示出了量化车辆路径跟随性能的示例700。车辆100最初在A点处于与一些有界不确定性710相关联的状态。该车辆状态在此包括指示了具有干扰或不确定性nh的航向hA、具有干扰或不确定性nv的速度vA、以及具有干扰或不确定性np的位置pA的变量。本文中公开的方法可以用于量化车辆路径跟随性能，这意味着可以界定车辆试图跟随目标轨迹310时的路径跟随误差720、730。这样，未来的车辆状态可以以高概率被界定在集合740内。
图8是示出了总结上述讨论的方法的流程图。这里示出了一种用于量化车辆路径跟随性能的方法。该方法包括获得S1路径跟随性能
Figure BDA0003501550460000111
的样本。例如，这些样本可以作为先前存储的样本集合来获得S11，或在自身车辆100的运行期间作为样本集合来获得S12。
如上所述，路径跟踪性能样本可以包括以下项中的任一项：横向车辆位置，纵向车辆位置，绝对或平方车辆位置，横向车辆速度，纵向车辆速度，绝对或平方车辆速度，横向车辆加速度，纵向车辆加速度，绝对或平方车辆加速度，曲率，横摆率，航向和车辆铰接角度。应当理解，该列表并非详尽无遗，可以给出进一步的示例。
根据一些方面，针对车辆的一个或多个部分单独地确定车辆路径跟随性能样本。例如，车辆部件可以是诸如车辆组合体中的挂车之类的单元，或是诸如轮轴或一对车轮之类的车辆部件。
根据一些其它方面，车辆路径跟随性能样本是根据以下项中的任一项获得的：车辆的类型、车辆组合体的类型、车辆物理尺寸参数、天气状况、道路摩擦、道路几何形状和路径轨迹几何形状。
该方法包括选择S2路径跟随性能样本的子集，使得所选择的样本遵循预定的统计极值分布。例如，所述预定的统计极值分布可以是广义帕累托分布(GDP)，或是广义极值分布(GEV)的实例。
根据一些方面，所述选择包括：确定S21阈值ζ，使得超过阈值ζ的车辆路径跟随性能样本
Figure BDA0003501550460000121
遵循所述预定的统计极值分布。在上面的图4和图5中示出了一些示例阈值。这些阈值可以是固定的或基于一些性能标准来动态调整。
该方法还包括：基于所选择的路径跟随性能样本来参数化S3所述预定的统计极值分布，以及，基于被参数化的统计极值分布来量化S4车辆路径跟随性能。用于极值分布参数化的方法是已知的，因此这里不再详细讨论。
根据一些方面，该方法包括：测量S7超限值之间的时间度量(所述超限值之间的时间度量指示了在超过阈值ζ的车辆路径跟随性能样本之间经过的时间)，并且基于所述超限值之间的时间度量来监测ODD。这种方式可以确定车辆是否在其ODD中操作，或者交通状况条件是否已经发生如此大的变化以至于车辆100不再在预期的ODD中操作。
根据一些方面，该方法包括：基于所述预定的统计极值分布，通过将所述性能界定成位于范围
Figure BDA0003501550460000131
内且概率大于1-γ，而将车辆路径跟随性能量化S41为有界模型。
根据一些方面，该方法包括确定S5与所述预定的统计极值分布相关联的置信度值β。超限值
Figure BDA0003501550460000132
可以用于估计GDP或GEV的参数(具有对应的置信度)。所识别出的分布又可以用于找到车辆路径跟随性能的界限，置信度β满足这些界限。车辆路径跟随性能模型具有经过验证的正确性γ和置信度值β，该置信度值β与参数化的GEV或GDP相关联。用于确定置信度值β的方法是已知的，在本文中将不再详细地讨论。置信度值至少部分地取决于在阈值ζ上收集的观测值的数量，并提供有关所需的数据量的建设性反馈。这样，可以估计何时已收集了足够的数据集合来对路径跟随性能进行建模以及何时需要更多数据。因此，所公开的方法的优点在于它们可以用于基于与参数化的GEV或GDP相关联的置信度值β来评估所收集的模型数据是否足够用于模型正确性验证。因此，如果在GEV或GDP已经参数化后的置信度值β太低，则可能需要更多数据来增加置信度值。换言之，根据一些方面，该方法包括基于与所述预定的统计极值分布相关联的置信度值β来评估S51所收集的车辆路径跟随性能数据是否足够用于量化。
根据一些其它方面，该方法包括：通过将所述参数化的预定的统计极值分布与一组基准分布参数进行比较，来监测S6与车辆相关联的运行设计域ODD，其中，在ODD之外的操作由参数化的预定的统计极值分布参数与所述基准分布参数之间的差异指示。
尽管所描述的车辆路径跟随性能建模可以离线执行(即，在设计阶段)，但所识别出的GDP或GEV分布也可以用于构建ODD监测器以供在线使用。特别是，如果在线收集车辆路径跟随性能样本，则可以监测所述超限值(exceedances)的分布。与离线获得的分布相比，超限值的显著不同的分布表明系统超出了其ODD。换言之，通过将参数化的GDP或GEV与一组基准GDP或GEV参数进行比较，利用所公开的技术，监测与车辆相关联的ODD成为可能。例如，参数化的GDP参数与基准GDP参数之间的差异表明了ODD之外的操作。在检测到ODD之外的操作的情况下，可以触发警告信号或SAM。
这种简单的监测器是计算一些时间窗口内的返回周期(即，超限值之间的平均时间)。返回周期的显著减少则表明车辆在其ODD之外操作。
图9以多个功能单元示意性地示出了根据本文讨论的实施例的控制单元110的部件。使用以下项中的一个或多个的任意组合来提供处理电路910：适当的中央处理单元CPU、多处理器、微控制器、数字信号处理器DSP等，其能够执行存储在计算机程序产品中的软件指令，例如，该计算机程序产品为存储介质930的形式。处理电路910还可被提供为至少一个专用集成电路ASIC或现场可编程门阵列FPGA。
特别地，处理电路910被配置成使控制单元110执行一个操作集合或步骤集合，例如结合图4讨论的方法。例如，存储介质930可以存储该操作集合，并且处理电路910可以被配置成从存储介质930检索该操作集合以使控制单元110执行该操作集合。该操作集合可以作为一个可执行指令集合来提供。因而，处理电路910由此被布置成执行如本文中公开的方法。
存储介质930还可以包括永久存储器，例如，可以是磁存储器、光存储器、固态存储器或者甚至是远程安装的存储器中的任一种或其组合。
控制单元110还可以包括用于与至少一个外部设备(例如远程服务器130和/或车载车辆系统)通信的接口920。因此，接口920可以包括一个或多个发射器和接收器，包括模拟和数字组件以及用于有线或无线通信的合适数量的端口。
处理电路910控制所述控制单元110的一般操作，例如，通过向接口920和存储介质930发送数据和控制信号，通过从接口920接收数据和报告，以及通过从存储介质930检索数据和指令。为了不混淆这里提出的构思，省略了控制节点。
图10示意性地示出了计算机程序产品1000，该计算机程序产品1000包括能够由控制单元110执行的操作集合1010。所述操作集合1010可以被加载到控制单元110中的存储介质930中。所述操作集合可以对应于上文结合图6讨论的方法。
在图10的示例中，计算机程序产品1000被示出为光盘，例如CD(压缩盘)或DVD(数字通用盘)或蓝光光盘。该计算机程序产品还可以被实施为存储器，例如随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、或电可擦除可编程只读存储器(EEPROM)，以及更具体地，作为外部存储器中的设备的非易失性存储介质(例如USB(通用串行总线)存储器)，或闪存(例如紧凑型闪存)。因此，虽然计算机程序在此被示意性地示出为所描绘的光盘上的轨道，但计算机程序可以以适合于计算机程序产品的任何方式存储。

Claims (18)

1.一种用于量化车辆路径跟随性能的方法，所述方法包括：
获得(S1)路径跟随性能
Figure FDA0003501550450000011
的样本，
选择(S2)路径跟随性能样本的子集，使得所选择的样本遵循预定的统计极值分布，
基于所选择的路径跟随性能样本来参数化(S3)所述预定的统计极值分布，以及
基于被参数化的统计极值分布来量化(S4)车辆路径跟随性能。
2.根据权利要求1所述的方法，其中，所述获得包括：获得(S11)先前存储的车辆路径跟随性能样本的集合。
3.根据权利要求1-2中的任一项所述的方法，其中，所述获得包括：在自身车辆(100)的运行期间，获得(S12)车辆路径跟随性能样本的集合。
4.根据前述权利要求中的任一项所述的方法，其中，所述选择包括：确定(S21)阈值ζ，使得超过所述阈值ζ的车辆路径跟随性能样本
Figure FDA0003501550450000012
遵循所述预定的统计极值分布。
5.根据权利要求4所述的方法，包括：测量(S7)超限值之间的时间度量，并且基于所述超限值之间的时间度量来监测ODD，所述超限值之间的时间度量指示了在超过所述阈值ζ的车辆路径跟随性能样本之间经过的时间。
6.根据任一前述权利要求所述的方法，其中，所述预定的统计极值分布是广义帕累托分布GDP。
7.根据任一前述权利要求所述的方法，其中，所述预定的统计极值分布是广义极值分布GEV。
8.根据任一前述权利要求所述的方法，其中，车辆路径跟随性能样本包括以下项中的任一项：横向车辆位置、纵向车辆位置、绝对或平方车辆位置、横向车辆速度、纵向车辆速度、绝对或平方车辆速度、横向车辆加速度、纵向车辆加速度、绝对或平方车辆加速度、曲率、横摆率、航向、铰接角度。
9.根据权利要求8所述的方法，其中，针对所述车辆的一个或多个部分单独地确定车辆路径跟随性能样本。
10.根据任一前述权利要求所述的方法，其中，车辆路径跟随性能样本是根据以下项中的任一项而获得的：车辆的类型、车辆组合体的类型、车辆物理尺寸参数、天气状况、道路摩擦、道路几何形状以及路径轨迹几何形状。
11.根据任一前述权利要求所述的方法，包括：基于所述预定的统计极值分布，通过将所述性能界定为处于范围
Figure FDA0003501550450000021
内且概率大于1-γ，而将所述车辆路径跟随性能量化(S41)为有界模型。
12.根据任一前述权利要求所述的方法，包括：确定(S5)与所述预定的统计极值分布相关联的置信度值β。
13.根据权利要求12所述的方法，包括：基于与所述预定的统计极值分布相关联的所述置信度值β来评估(S51)所收集的车辆路径跟随性能数据是否足够用于性能量化。
14.根据任一前述权利要求所述的方法，包括：通过将参数化的所述预定的统计极值分布与一组基准分布参数进行比较，来监测(S6)与所述车辆相关联的运行设计域ODD，其中，在所述ODD之外的操作由参数化的预定的统计极值分布参数与所述基准分布参数之间的差异指示。
15.一种计算机程序(800)，所述计算机程序包括程序代码组件，所述程序代码组件用于当所述程序在计算机上或在控制单元(110)的处理电路(710)上运行时执行权利要求1-14中的任一项所述的步骤。
16.一种携载计算机程序(820)的计算机可读介质(810)，所述计算机程序包括程序代码组件，所述程序代码组件用于当所述程序产品在计算机上或在控制单元(110)的处理电路(710)上运行时执行权利要求1-14中的任一项所述的步骤。
17.一种用于量化车辆路径跟随性能的控制单元(110)，所述控制单元(100)被配置成执行根据权利要求1-14中的任一项所述的方法的步骤。
18.一种车辆(1)，其包括根据权利要求17所述的控制单元(110)。
CN201980099265.2A 2019-08-23 2019-08-23 用于量化车辆路径跟随性能的方法 Pending CN114222987A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2019/072620 WO2021037330A1 (en) 2019-08-23 2019-08-23 A method for quantifying vehicle path following performance

Publications (1)

Publication Number Publication Date
CN114222987A true CN114222987A (zh) 2022-03-22

Family

ID=67766167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980099265.2A Pending CN114222987A (zh) 2019-08-23 2019-08-23 用于量化车辆路径跟随性能的方法

Country Status (6)

Country Link
US (1) US11702099B2 (zh)
EP (1) EP4018338B1 (zh)
JP (1) JP7462027B2 (zh)
KR (1) KR20220045232A (zh)
CN (1) CN114222987A (zh)
WO (1) WO2021037330A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023221963A1 (zh) * 2022-05-16 2023-11-23 中国第一汽车股份有限公司 跟随误差确定方法、装置、设备及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4082853A1 (en) * 2021-04-28 2022-11-02 KNORR-BREMSE Systeme für Nutzfahrzeuge GmbH Evaluation apparatus for evaluating a trajectory hypothesis for a vehicle
SE546015C2 (en) * 2021-11-09 2024-04-16 Volvo Autonomous Solutions AB A method for quantifying object detection performance
SE2151373A1 (en) * 2021-11-09 2023-05-10 Volvo Autonomous Solutions AB A method for quantifying vehicle ego state estimation performance

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009266100A (ja) * 2008-04-28 2009-11-12 Toyota Central R&D Labs Inc ドライバ状態推定装置及びプログラム
US20140149325A1 (en) * 2011-05-24 2014-05-29 Isis Innovation Limited System monitor and method of system monitoring
CN104933284A (zh) * 2015-02-12 2015-09-23 长安大学 一种基于实测数据的公路桥梁随机车流模拟方法
LU92628B1 (en) * 2015-01-02 2016-07-04 Univ Luxembourg Vehicular motion monitoring method
US20190094867A1 (en) * 2017-09-28 2019-03-28 Nec Laboratories America, Inc. Generative adversarial inverse trajectory optimization for probabilistic vehicle forecasting
CN109747645A (zh) * 2017-11-06 2019-05-14 丰田自动车株式会社 车辆的驾驶辅助控制系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4796400B2 (ja) 2006-02-01 2011-10-19 クラリオン株式会社 車両速度制御装置および同装置における目標速度設定方法ならびにプログラム
JP5454190B2 (ja) 2010-02-08 2014-03-26 トヨタ自動車株式会社 車両制御装置
JP6298772B2 (ja) 2015-01-14 2018-03-20 日立オートモティブシステムズ株式会社 車載用制御装置、自車位置姿勢特定装置、車載用表示装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009266100A (ja) * 2008-04-28 2009-11-12 Toyota Central R&D Labs Inc ドライバ状態推定装置及びプログラム
US20140149325A1 (en) * 2011-05-24 2014-05-29 Isis Innovation Limited System monitor and method of system monitoring
LU92628B1 (en) * 2015-01-02 2016-07-04 Univ Luxembourg Vehicular motion monitoring method
CN104933284A (zh) * 2015-02-12 2015-09-23 长安大学 一种基于实测数据的公路桥梁随机车流模拟方法
US20190094867A1 (en) * 2017-09-28 2019-03-28 Nec Laboratories America, Inc. Generative adversarial inverse trajectory optimization for probabilistic vehicle forecasting
CN109747645A (zh) * 2017-11-06 2019-05-14 丰田自动车株式会社 车辆的驾驶辅助控制系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ASLJUNG DANIEL 等: "Using Extreme Value Theory for Vehicle Level Safety Validation and Implications for Autonomous Vehicles", 《IEEE TRANSACTIONS ON INTELLIGENT VEHICLES》, vol. 2, no. 4, 1 December 2017 (2017-12-01), XP011675264, DOI: 10.1109/TIV.2017.2768219 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023221963A1 (zh) * 2022-05-16 2023-11-23 中国第一汽车股份有限公司 跟随误差确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US20220289232A1 (en) 2022-09-15
JP2022552062A (ja) 2022-12-15
EP4018338C0 (en) 2023-09-20
WO2021037330A1 (en) 2021-03-04
EP4018338A1 (en) 2022-06-29
EP4018338B1 (en) 2023-09-20
JP7462027B2 (ja) 2024-04-04
KR20220045232A (ko) 2022-04-12
US11702099B2 (en) 2023-07-18

Similar Documents

Publication Publication Date Title
EP4018338B1 (en) A method for quantifying vehicle path following performance
CN107792079B (zh) 利用路径预测的自主车辆
CN106428009B (zh) 车辆轨迹确定的系统和方法
US9150246B2 (en) Algorithm for steering angle command to torque command conversion
US8340883B2 (en) Method and apparatus for predicting a movement trajectory
CN110884490B (zh) 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质
CN110329249B (zh) 一种循环神经网络的汽车前向碰撞预警控制系统及方法
DE102012212301A1 (de) System und Verfahren zur verbesserten Fahrzeugsteuerung
CN106061814A (zh) 对超过lcc的转向转矩限制的预先警报
JP7421569B2 (ja) 連結車両の許容可能な車両の状態空間を決定する方法
US20220254204A1 (en) Checkpoint-Based Tracing for Monitoring a Robotic System
US20230184563A1 (en) Connected vehicle-based road surface quality determination
EP4017773B1 (en) A method for quantifying extreme traffic behavior
EP3983861B1 (en) A method for quantifying correctness of a vehicle model
EP4177775A1 (en) A method for quantifying object detection performance
EP4177774A1 (en) A method for quantifying vehicle ego state estimation performance
EP3992045B1 (en) Method and system for determining a calculation model of a physical quantity representative of a state of a vehicle in operation
CN115723808A (zh) 列车控制方法、装置、电子设备及可读存储介质

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