CN115476874A - 车辆控制设备、包括车辆控制设备的系统及车辆控制方法 - Google Patents

Abstract

本发明公开一种车辆控制设备、包括车辆控制设备的系统及车辆控制方法。一种车辆控制设备包括：对象选择装置，被配置为选择在车辆的行驶路径上存在的交叉路口处与车辆相交的对象；风险确定装置，被配置为基于对象的预测路径来确定车辆行驶期间的风险；以及驾驶控制装置，被配置为基于风险确定结果来确定车辆的驾驶方法。

Description

车辆控制设备、包括车辆控制设备的系统及车辆控制方法

相关申请的交叉引用

本申请要求于2021年6月15日提交的申请号为10-2021-0077619的韩国专利申请的权益，该韩国专利申请通过引用并入本文。

技术领域

本公开涉及一种车辆控制设备、包括该设备的系统及车辆控制方法。

背景技术

通常，在没有驾驶员干预的自动驾驶中，车辆根据为每个路段设置的限速行驶。在自动驾驶期间，生成各种驾驶配置文件以确定行驶路径和速度，并且以从各种驾驶配置文件中选择一个配置文件的方式执行自动驾驶操作。

特别地，在传统的自动驾驶方案中，由于没有考虑与交叉路口的连接关系，因此经常产生由不必要的对象引起的错误警告。相反，当仅考虑基于这种连接关系的驾驶时，不生成对行驶时忽略连接关系的对象的警告。

另外，为了在自动驾驶车辆中生成对象的预测路径，需要指引作为参考。一般来说，道路上画有线，大部分车辆沿线行驶，所以对应的指引可以是车道。同时，在画有一些引导线的交叉路口，建议车辆沿着引导线行驶，但是引导线的曲率很大，使得很多车辆实际上并未遵循引导线，所以预测的路径可能不准确。

如上所述，需要提供一种方法来对行驶时保持与交叉路口的连接关系的车辆以及行驶时忽略连接关系的车辆均有效地作出响应。

发明内容

本公开的实施例可以解决现有技术中出现的问题，同时保持现有技术实现的优点不变。

本公开的实施例提供一种车辆控制设备、包括该设备的系统及车辆控制方法，该设备可以通过基于对象的行驶轨迹和动力学信息来选择终点并在反映对象的动力学信息的多条路径之中确定最适合向终点前进的对象的预测路径，因此对存在于与交叉路口的连接关系上的对象以及行驶时忽略连接关系的对象有效地作出响应。

本公开的实施例能够解决的技术问题不限于上述问题，本公开所属领域的技术人员通过以下描述将清楚地理解本文未提及的任意其它技术问题。

根据本公开的实施例，一种车辆控制设备包括：对象选择装置，选择在车辆的行驶路径上存在的交叉路口处与车辆相交的对象；风险确定装置，基于对象的预测路径来确定车辆行驶期间的风险；以及驾驶控制装置，基于风险确定结果来确定车辆的驾驶方法。

根据实施例，对象选择装置可以提取与车辆的行驶路径相交的至少一个候选路径，并在沿着候选路径行驶的至少一个对象之中选择同时与车辆相交的对象。

根据实施例，对象选择装置可以计算车辆和对象的交叉点，并基于车辆和对象在交叉点处的占用时间来选择对象。

根据实施例，风险确定装置可以基于对象的行驶路径和动力学信息计算对象离开交叉路口的终点。

根据实施例，风险确定装置可以通过基于对象的行驶路径和动力学信息的第一学习模型计算终点。

根据实施例，风险确定装置可以将在基于对象的动力学信息可导出的路径之中对象可行驶到终点的可能性最大的路径确定为对象的预测路径。

根据实施例，风险确定装置可以生成从对象的当前位置到终点的具有最平缓曲线形式的参考路径，并且在基于对象的动力学信息可导出的至少一个候选路径之中将具有与参考路径的最小误差的候选路径确定为对象的预测路径。

根据实施例，风险确定装置可以将通过基于对象的行驶路径、动力学信息和基于对象的动力学信息导出的至少一个路径的第二学习模型计算出的路径确定为对象的预测路径。

根据实施例，风险确定装置可以考虑车辆到达车辆和对象的交叉点的时间、车辆通过车辆和对象的交叉点的时间、对象到达车辆和对象的交叉点的时间以及对象通过车辆和对象的交叉点的时间来确定风险。

根据实施例，驾驶控制装置可以确定车辆和对象之间的最小距离大于或等于参考距离的驾驶方法。

根据实施例，驾驶控制装置可以根据驾驶方法来计算车辆的控制参数。

根据实施例，控制参数可以包括车辆的行驶路径和速度曲线。

根据实施例，驾驶控制装置可以通过按时间调度车辆的行驶路径和对象的预测路径来确定驾驶方法。

根据实施例，对象选择装置可以在车辆的行驶路径上存在的至少一个交叉路口之中从车辆的行驶路径中最近的交叉路口选择对象。

根据本公开的实施例，一种车辆系统包括：传感器，检测车辆周围的对象；信息获取装置，获取车辆的位置信息和地图信息；以及车辆控制设备，选择在车辆的行驶路径上存在的交叉路口处与车辆相交的对象，根据基于对象的预测路径确定的车辆的风险确定车辆的驾驶方法，并根据车辆的驾驶方法基于控制参数控制车辆。

根据实施例，传感器可以检测关于车辆的驾驶状态的信息。

根据实施例，信息获取装置可以从外部服务器获取车辆的位置信息和地图信息。

根据本公开的实施例，一种车辆控制方法包括：选择在车辆的行驶路径上存在的交叉路口处与车辆相交的对象；基于对象的预测路径来确定车辆行驶期间的风险；以及基于风险确定结果来确定车辆的驾驶方法。

根据实施例，该方法可以进一步包括基于对象的行驶路径和动力学信息计算对象离开交叉路口的终点。

根据实施例，该方法可以进一步包括将在基于对象的动力学信息可导出的路径之中对象可行驶到终点可能性最大的路径确定为对象的预测路径。

附图说明

本公开的实施例的上述和其它目的、特征和优点将从以下结合附图的详细描述中变得更加明显，其中：

图1是示出根据本公开的实施例的包括车辆控制设备的车辆系统的配置的框图；

图2是示出根据本公开的实施例的车辆控制设备的配置的框图；

图3A和图3B是示出行驶通过交叉路口的对象的各种预测路径的示图；

图4A和图4B是示出根据本公开的实施例的车辆控制设备中确定对象的预测路径的方法的示图；

图5A和图5B是示出根据本公开的实施例的车辆控制设备计算对象的交叉路口终点的方法的示图；

图6A和图6B是示出根据本公开的实施例的车辆控制设备确定对象的预测路径的方法的示图；

图7A-图7C是示出根据本公开的实施例的车辆控制设备通过调度来确定车辆的驾驶方法的方法的示图；

图8A-图8C是示例性地示出根据本公开的实施例的车辆控制设备生成的车辆的驾驶方法的示图；

图9A和图9B是示例性地示出根据本公开的实施例的车辆控制设备确定驾驶方法的方法的视图；

图10是示出根据本公开的另一实施例的车辆控制方法的流程图；以及

图11是示出根据本公开的每个实施例的计算系统的框图。

具体实施方式

在下文中，将参照示例性附图详细描述本公开的一些实施例。在对每个附图的组件添加附图标记时，应当注意的是，相同或等同的组件即使在其它附图中显示也由相同的数字表示。此外，在描述本公开的实施例时，当确定相关公知配置或功能的详细描述干扰对本公开的实施例的理解时，将省略其详细描述。

在描述根据本公开的实施例的组件时，可以使用诸如“第一”、“第二”、“A”、“B”、“(a)”、“(b)”等术语。这些术语仅旨在将组件与其它组件区分开，并且这些术语不限制组件的性质、顺序或次序。除非不同地定义，否则本文中使用的包括技术和科学术语的所有术语具有与本公开所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解的是，诸如在通用词典中定义的那些术语的术语应该被解释为具有与其在相关技术领域的上下文中的含义一致的含义，并且除非在本文中明确地定义，否则将不以理想或过于正式的含义解释。

在下文中，将参照图1至图11详细描述本公开的实施例。

图1是示出根据本公开的实施例的包括车辆控制设备的车辆系统的配置的框图。

参照图1，根据本公开的实施例的车辆系统100可以在车辆内部实施。在这种情况下，车辆系统100可以与车辆内部的控制单元一体形成，或者可以实施为单独的装置并通过单独的连接器连接到车辆的控制单元。

另外，参照图1，根据本公开的实施例的车辆系统100可以包括传感器110、信息获取装置120和车辆控制设备130。

传感器110可以检测车辆周围的对象。即，传感器110可以检测车辆的前方/后方的对象的距离和相对速度，例如前方/后方的车辆、标志、障碍物等。例如，传感器110可以包括摄像头、雷达和激光雷达。

另外，传感器110可以包括车辆的各种致动器的状态信息。例如，车辆的致动器的状态信息可以包括车辆的方向、速度、加速度、角速度等。

信息获取装置120可以获取车辆位置信息和地图信息。例如，信息获取装置120可以通过GPS获取车辆的当前位置信息，获取诸如车辆行驶道路的曲率、车辆当前车道位置等的精确地图信息。在这种情况下，信息获取装置120可以将地图信息存储在单独的存储装置(未示出)中，或者可以通过通信装置(未示出)从外部服务器接收车辆位置信息或地图信息。

车辆控制设备130可以选择在车辆的行驶路径上存在的交叉路口处与车辆相交的对象，并且根据基于对象的预测路径确定的车辆的风险来确定车辆的驾驶方法。另外，车辆控制设备130可以根据所确定的车辆驾驶方法计算控制参数(例如，驾驶路径、速度曲线等)，并基于控制参数控制车辆。

在下文中，车辆控制设备130的具体功能将在后面参照图2进行详细描述。

图2是示出根据本公开的实施例的车辆控制设备的配置的框图。

参照图2，根据本公开的实施例的车辆控制设备130可以包括对象选择装置131、风险确定装置132和驾驶控制装置133。

对象选择装置131可以选择在车辆的行驶路径上存在的交叉路口处与车辆相交的对象。在这种情况下，对象选择装置131可以提取与车辆的行驶路径相交的至少一个候选路径，并在沿着候选路径行驶的至少一个对象之中选择同时与车辆相交的对象。

具体地，对象选择装置131可以基于由图1的信息获取装置120获取的精确地图来提取与车辆的当前行驶路径相交的候选路径，并且可以在沿提取的候选路径移动的对象之中选择与车辆相交或汇合的对象。在这种情况下，对象选择装置131可以计算车辆与对象的交叉点，并基于车辆与对象的交叉点处的占用时间来选择对象。例如，对象选择装置131可以基于车辆停留在车辆和对象的交叉点的时间是否与对象停留在车辆和对象的交叉点的时间重叠来选择对象。

另外，对象选择装置131可以在车辆的行驶路径上存在的至少一个交叉路口之中从车辆的行驶路径中最近的交叉路口选择对象。即，对象选择装置131可以基于精确地图信息以靠近车辆行驶的车道的顺序提取交叉路口，并且确定具有与每个提取的交叉路口相交的行驶路径的对象。另外，对象选择装置131可以通过车辆和每个对象在车辆和对象的交叉点处的占用时间来选择具有高危险可能性的对象。

风险确定装置132可以在车辆行驶时基于对象的预测路径来确定风险。在这种情况下，风险确定装置132可以考虑车辆到达车辆和对象的交叉点的时间、车辆通过车辆和对象的交叉点的时间、对象到达车辆和对象的交叉点的时间以及对象通过车辆和对象的交叉点的时间等来确定风险。

详细地，风险确定装置132可以基于对象的行驶路径(例如，过去的移动轨迹)和动力学信息(例如，对象的速度、加速度、行驶方向等)来计算对象从交叉路口离开的终点。在这种情况下，风险确定装置132可以计算在对象可以从交叉路口离开的多个终点之中基于行驶路径或动力学信息确定的对象以最高可能性离开的终点。

另外，风险确定装置132可以通过基于对象的行驶路径和动力学信息的第一学习模型计算终点。例如，风险确定装置132可以基于诸如对象的过去轨迹信息、行驶方向、当前位置、纵向/横向速度、加速度等输入，通过深度学习模型计算对象可以从交叉路口离开的每个终点的可能性。

风险确定装置132可以在基于对象的动力学信息可导出的至少一个路径之中，确定对象最有可能沿其行驶到先前计算的终点的路径作为对象的预测路径。例如，风险确定装置132可以生成从对象的当前位置到计算的终点的具有最平缓曲线形状的参考路径，并且可以在基于对象的动力学信息可导出的至少一个候选路径之中将具有与参考路径的最小误差的候选路径确定为对象的预测路径。

另外，风险确定装置132可以将通过基于对象的行驶路径、动力学信息和基于对象的动力学信息导出的至少一个路径的第二学习模型计算出的路径确定为对象的预测路径。例如，风险确定装置132可以通过根据基于作为输入的动力学信息导出的路径、过去轨迹和动力学信息的深度学习模型计算对象可以沿其行驶通过交叉路口的每条路径的可能性。

驾驶控制装置133可以基于风险确定结果确定车辆的驾驶方法。例如，驾驶控制装置133可以在根据由风险确定装置132确定的风险而获得的多种驾驶方法之中确定车辆与对象之间的最小距离大于或等于参考距离的驾驶方法。另外，驾驶控制装置133可以通过按时间调度车辆的驾驶路径和对象的预测路径来确定驾驶方法。在这种情况下，驾驶控制装置133可以确定以预设时间间隔获得的每一帧的驾驶方法。

另外，驾驶控制装置133可以根据驾驶方法计算车辆的控制参数。例如，车辆的控制参数可以包括车辆的行驶路线、速度曲线等。因此，车辆控制设备130可以根据计算出的控制参数控制车辆在不与对象相交的情况下行驶。

如上所述，根据本公开的实施例的车辆控制设备130可以基于对象的行驶轨迹和动力学信息来选择终点，并在反映对象的动力学信息的多条路线之中确定最适合向终点前进的对象的预测路径，从而可以对存在于与交叉路口的连接关系上的对象以及行驶时忽略连接关系的对象有效地作出响应。

图3A和图3B是示出行驶通过交叉路口的对象的各种预测路径的示图。

参照图3A和图3B，附图标记C1和C2表示车辆，附图标记Ob1至Ob3表示在车辆C1周围行驶的对象。另外，图3A的路径A到D表示车辆C1和对象Ob1至Ob3可以沿其行驶的路径。

为了在车辆控制设备130中生成对象的预测路径，需要用作参考的指引。一般来说，道路上可能画有线，大部分车辆可以沿线行驶，因此指引可能是车道链路(lane link，例如引导线)或车道边(lane side，例如线)。在这种情况下，车道链路通常可以是从行驶车辆的中心延伸的虚拟线，车道边可以是车辆行驶区域的地图上的线。

具体地，在画有一些引导线的交叉路口，一个原则是沿引导线行驶，但是由于这种引导线的曲率非常大，因此可能有很多车辆实际上并未遵循引导线。即，在生成对象的预测路径时，可以基于车道链路(例如，引导线)或车道边(线)生成指引，但在实际的交叉路口，可能有很多车辆不沿这种车道链路或车道边行驶，使得预测的路径可能不准确。

如上所述，参照图3A，车辆C1和对象Ob3分别沿车道链路路径A和路径D行驶，但可以理解的是，在交叉路口左转的对象Ob1和Ob2离开车道链路并继续前进到另一路径路径C。另外，如图3B所示，可以理解的是，即使在车辆C2的情况下，也在通过建筑物之间时改变行驶路径。

如上所述，在车辆进行左/右转或调头的交叉路口的情况下，与一般的直线车道不同，对象的行驶路径可能看起来与线不同。因此，根据本公开的实施例的车辆控制设备130可以以各种方式计算交叉路口处的对象的预测路径，并且可以高精度地检测存在于与交叉路口的连接关系上的对象以及行驶时忽略连接关系的对象。

图4A和图4B是示出根据本公开的实施例的车辆控制设备中确定对象的预测路径的方法的示图。

参照图4A和图4B，附图标记A1和A3分别表示对象Ob1和Ob2进入交叉路口(例如，左转区间)的区域和对象Ob1和Ob2离开的区域。附图标记A2表示对象左转的交叉路口区域。另外，附图标记P1至P4表示对象Ob1和Ob2到达终点E1的几条路径，附图标记E1和E2表示对象Ob1和Ob2可以从交叉路口离开的终点。此外，图4A中所示的对象Ob1表示在交叉路口的连接车道上行驶的车辆(即，沿现有车道行驶的车辆)，图4B中所示的对象Ob2表示在交叉路口的非连接车道上行驶的车辆(即，在交叉路口改变车道的车辆)。

在图4A的区域A1的情况下，在对象Ob1进入交叉路口之前通常存在清晰的线，使得对象Ob1与相应的线相对准确地对齐。另外，在区域A3的情况下，可以理解为即使在对象Ob1从交叉路口离开之后，也有清晰的车道，因此车辆倾向于在相应的线内对齐。

然而，如在区域A2中一样，在交叉路口内不存在线或仅存在引导线，并且如上所述，即使存在引导线，许多车辆实际上在引导线之外行驶。因此，当对象Ob1和Ob2不遵循行驶线的程度被定义为“自由度”时，在交叉路口内的自由度可能趋向于比进入交叉路口之前和离开交叉路口之后更大。即，图4的区域A1和A3是自由度相对低的区域，而区域A2是自由度相对高的区域。

如上所述，根据本公开的示例性实施例的车辆控制设备130可以确定关于具有相对低自由度的点(例如，区域A1)的信息，以便以一致的方式处理行驶在交叉路口内的非连接车道上的对象Ob1和Ob2，并且可以基于具有高自由度的区域中的多条预测路径来计算最适合确定的信息的预测路径。因此，根据本公开的实施例的车辆控制设备130可以首先确定对象Ob1和Ob2将首先离开的点(即终点)，然后可以计算最适合对象Ob1和Ob2前进到相应的终点的路径。

图5A和图5B是示出根据本公开的实施例的车辆控制设备计算对象的交叉路口终点的方法的示图。

参照图5A和图5B，路径T1和T2分别表示对象Ob1和Ob2的过去轨迹。附图标记E1和E2表示对象Ob1和Ob2离开交叉路口的终点。另外，图5A中所示的对象Ob1表示在交叉路口的连接车道上行驶的车辆(即，沿现有车道行驶的车辆)，图5B所示的对象Ob2表示在交叉路口的非连接车道上行驶的车辆(即，在交叉路口改变车道的车辆)。

如图5A和图5B所示，为了搜索对象Ob1和Ob2的交叉路口终点E1和E2，可以基于相应对象Ob1和Ob2的过去的行驶轨迹T1和T2以及当前动力学信息计算适合对象Ob1和Ob2行驶的预测路径。在这种情况下，为了计算合适的预测路径，可以利用基于车辆的纵向加速度和速度信息、横向加速度和速度信息、航向方向、过去轨迹信息等的路径生成算法来计算预测路径。

在这种情况下，预测路径可以用作初步信息，而不是用于计算对象Ob1和Ob2的精确预测路径的过程，而是用于预先确定终点E1和E2中的哪一个是对象Ob1和Ob2可能会接近的。即使在对象Ob2在非连接路径上行驶的情况下，也可以通过将终点与以上述方式计算的预测路径的终点E1和E2进行比较来最终确定对象Ob2可能接近哪个终点E1或E2。

同时，除了上述方法之外，车辆控制设备130可以基于深度学习模型(例如，图2的第一学习模型)计算对象Ob1和Ob2的交叉路口终点。在这种情况下，对象的过去轨迹信息和根据车道之间的纵向距离的横向误差(距离)可以被配置成阵列并输入到第一学习模型的输入层。另外，诸如对象的移动方向、纵向/横向速度、加速度、当前位置等的动力学信息可以被输入到第一学习模型的输入层。在这种情况下，第一学习模型的中间层可以通过深度学习利用深度神经网络模型(例如，CNN、LSTM等)来配置。

另外，根据本公开的实施例的车辆控制设备130可以配置与终点的候选的数量一样多的密集层来选择对象Obl和Ob2的最终终点，并且可以最终通过执行诸如密集层的softmax的后处理来获取具有最高可能性的输出值。

同时，用于第一学习模型的输入形式可以配置为通过将地图上的过去轨迹形式表示为图像来直接输入像素值的图像分类方法以及与对象Ob1和Ob2的路径上的轨迹的离开距离和动力学信息。另外，第一学习模型的数据集可以以对象Ob1和Ob2的交叉路口行驶的最终终点(E1，E2)为目标，并且过去的轨迹和动力学信息(如果帧之间的时间间隔很短，则过去的轨迹坐标可能包含很多动力学信息)可以被配置为输入。

图6A和图6B是示出根据本公开的实施例的车辆控制设备确定对象的预测路径的方法的示图。

图6A中的附图标记P1至P3和图6B中的附图标记P1至P4表示对象Ob1和Ob2分别沿其行驶到计算的终点的路径。在这种情况下，在图6A和6B中，路径P1是从对象Ob1和Ob2的当前位置到计算的终点以最平缓的曲线形式生成的路径，其可以是引导路径。另外，图6A的路径P2和P3以及图6B的路径P2至P4可以是基于对象Ob1和Ob2的动力学信息计算的预测路径。

即，如参照图5A和图5B所描述的，在确定一个终点后，根据本公开的实施例的车辆控制设备130可以生成从对象Ob1和Ob2的当前位置到相应终点的平缓曲线形式的引导路径P1。另外，其余的路径P2至P4是反映对象Ob1和Ob2的当前动力学信息的一组可驾驶多路径，并可以通过与先前为每条路径计算的引导路径P1比较的方法(例如，L2范数)，最终得到偏差程度最小的路径。

如上所述，根据本公开的实施例的车辆控制设备130可以在对象Ob1和Ob2的具有非常高的驾驶可能性的各种路径之中获得平缓连接到终点的路径。如上所述计算出的最终路径在图6A和图6B中表示为“P”，并且在图6A和6B的情况下，最终路径P与引导路径P1一致，但是根据情况，例如，在偏离引导路径的路径就动力学而言比引导路径更可能被驾驶的情况下，基于动力学信息计算的路径和引导路径P1可能不匹配。

同时，除上述方法以外，根据本公开的实施例的车辆控制设备130可以基于深度学习模型(例如，图2的第二学习模型)计算对象Obl和Ob2的最终预测路径。在这种情况下，根据获得的对象Ob1和Ob2的预测路径与行驶车道链路之间的纵向距离的横向误差(距离)可以被配置成阵列并输入到输入层。在这种情况下，可以利用各种路径生成算法来生成对象Ob1和Ob2的预测路径。另外，诸如对象Ob1和Ob2的移动方向、纵向/横向速度、加速度、当前位置等的动力学信息可以被输入到第二学习模型的输入层。在这种情况下，第二学习模型的中间层可以通过深度学习利用深度神经网络模型(例如，CNN、LSTM等)来配置。

另外，根据本公开的实施例的车辆控制设备130可以配置与终点的候选的数量一样多的密集层来选择对象Obl和Ob2的最终终点，并且可以最终通过执行诸如密集层的softmax的后处理来获取具有最高可能性的输出值。

同时，用于第二学习模型的输入形式可以配置为通过将地图上的过去轨迹形式表示为图像来直接输入像素值的图像分类方法以及与对象Ob1和Ob2的路径上的轨迹的离开距离和动力学信息。另外，第二学习模型的数据集可以以对象Ob1和Ob2的实际行驶路径为目标，并且对象Ob1和Ob2的过去轨迹、动力学信息和多个生成的预测路径可以被配置为输入。

图7A-图7C是示出根据本公开的实施例的车辆控制设备通过调度来确定车辆的驾驶方法的方法的示图。

参照图7A-图7C，“C”表示车辆，Ob表示可能与车辆相交的对象。另外，AP1至AP3表示车辆“C”的可行驶区域，AD1至AD3表示因对象Ob导致的危险区域。

图7A-图7C示例性地示出，响应于由于对象Ob的交叉路口行驶而阻挡车辆“C”的路径，通过对驾驶方法的调度，根据本公开的实施例的车辆控制设备130使得车辆“C”通过改变行驶车道更自然地行驶。

在图7A-图7C中，当对象Ob意图行驶通过交叉路口并且对象Ob的动力特性是当前正在交叉路口行驶到目标车道时，形成从当前行驶车道到目标车道的行驶预测路径，并且每个时间帧中除车辆“C”和对象Ob的预期位置和车辆占用区域AD之外的区域可以是车辆“C”的相应帧中的可行驶区域AP。

例如，如图7A-图7C所示，当对象Ob的行驶意图是在保持当前车道的同时匀速行驶，并且当前动力特性是在行驶车道上匀速行驶时，可以形成在当前行驶车道中不与周围对象Ob碰撞(相交)的车辆“C”的减速预测路径(例如，图7C中的AP1到AP3)，并且在每个时间帧中除预期位置和车辆占用区域AD1至AD3之外的区域可以是车辆“C”的相应帧中的可行驶区域AP1至AP3。

另外，在图7A-图7C中所示的各时间(例如T＝1秒、2秒、3秒)的帧中，车辆“C”可以具有在从可行驶区域AP1到AP3内的先前位置的物理上可能的距离范围内的自由度，并且可以通过对象Ob的预测路径和在每个时间帧内发生碰撞的可能性来确定路径的有效性。

图8A-图8C是示例性地示出根据本公开的实施例的车辆控制设备生成的车辆的驾驶方法的示图。

参照图8A-图8C，C1至C3表示包括根据本公开的实施例的车辆控制设备130的车辆，并且Ob表示与车辆C1至C3相交的对象。另外，d1至d3表示车辆C1至C3与对象Ob之间的最小距离。如上所述，图8A-图8C示意性地示出车辆C1至C3和对象Ob的交叉行驶路径。

如图8A-图8C所示，响应于对象Ob对车辆C1至C3的路径的阻挡，诱导车辆C1至C3通过改变行驶车道更自然地行驶。如上所述，当通过根据本公开的实施例的车辆控制设备130确定对象Ob根据时间的预测路径时，车辆C1至C3必须规划行驶路径，这一系列过程可以通过对驾驶方法的调度来实施。

另外，车辆C1至C3可以基于动力学信息等生成各种可能的路线，并且可以在每条路径中包括车辆C1至C3的各种纵向/横向速度曲线。然后，针对生成的N种驾驶方法，可以确定车辆C1至C3的预测路径与对象Ob的预测路径之间的每个时间帧是否可能发生碰撞(交叉)，并且可以基于下一帧的参考来选择最优方法。

例如，参照图8A，车辆C1与对象Ob之间的最小距离d1相对近，而由于图8B和图8C中车辆C2和C3与对象Ob之间的最小距离d2和d3确保为指定距离以上，因此根据本公开的实施例的车辆控制设备130可以选择对应于图8B或图8C的驾驶方法。

图9A和图9B是示例性地示出根据本公开的实施例的车辆控制设备确定驾驶方法的方法的视图。

参照图9A和图9B，C1和C2表示包括根据本公开的实施例的车辆控制设备130的车辆，Ob1和Ob2表示可能与车辆C1和C2相交的对象。另外，在图9A和图9B的下部图中，x轴表示时间，y轴表示根据时间的车辆C1和C2与对象Ob1和Ob2之间的距离。

如上所述，根据本公开的实施例的车辆控制设备130可以在生成的N种驾驶方法之中确定最满足预设参考的方法。在图9A和图9B的示例中，参考聚焦于车辆在行驶过程中的安全性，并且将限制参考描述为车辆与对象之间的距离大于或等于阈值以及它们之间的距离之和最大的条件，但是可以以各种方式改变或补充参考以确保稳定性、乘坐舒适性、自然性等。

例如，在图9A和图9B中，由于由根据本公开的实施例的车辆控制设备130计算的车辆和对象的预测路径包括按时间的对象的位置信息，因此可以计算按时间的车辆与对象之间的预期相对距离d_points(t)另外，当特定时间“t”的车辆与对象之间的距离d_points(t)变得小于预设的参考值时，相应的路径可能会造成很大的风险，因此可以被排除在候选之外。在这种情况下，参考值可以被设置为车辆C1和C2能够对与对象Ob1和Ob2的碰撞作出响应的最小时间。

即，如图9A所示，当按时间的车辆C1与对象Ob1之间的距离小于参考值时，根据本公开的实施例的车辆控制设备130可以不选择相应的驾驶方法。相反，如图9B所示，当按时间的车辆C2与对象Ob2之间的距离大于或等于指定参考值时，根据本公开的实施例的车辆控制设备130可以选择相应的驾驶方法。

同时，在图9A和图9B中，虽然利用了按时间的车辆C1和C2与对象Ob1和Ob2之间的距离，但是根据本公开的实施例的车辆控制设备130可以通过使用诸如按时间的相对距离之和、平均值、最小值、中值等的重要的统计方法来确定车辆C1和C2与对象Ob1和Ob2之间的碰撞可能性。

在下文中，将参照图10详细描述根据本公开的另一实施例的车辆控制方法。图10是示出根据本公开的另一实施例的车辆控制方法的流程图。

在下文中，假设图1和图2的车辆控制设备130执行图10的过程。另外，在图10的说明中，描述为由装置执行的操作可以理解为由车辆控制设备130的处理器(未示出)控制。

图10是示出根据本公开的实施例的车辆控制方法的流程图。

参照图10，根据本公开的实施例的车辆控制方法可以首先在S110中选择在车辆的行驶路径上存在的交叉路口处与车辆相交的对象。在这种情况下，可以提取与车辆的行驶路径相交的至少一个候选路径，并且可以从沿候选路径行驶的至少一个对象中选择同时与车辆相交的对象。

具体地，在S110中，可以基于精确地图提取与车辆当前行驶的路径相交的候选路径，并且可以从沿提取的候选路径行驶的对象中选择与车辆相交或汇合的对象。在这种情况下，可以计算车辆和对象的交叉点，并且可以基于车辆和对象的交叉点处的占用时间来选择对象。

另外，在S110中，可以从在车辆的行驶路径上存在的至少一个交叉路口之中车辆的行驶路径中最近的交叉路口选择对象。即，基于精确地图信息，可以按照靠近车辆行驶的车道的顺序提取交叉路口，并且可以针对提取的交叉路口中的每一个确定具有交叉行驶路径的对象。另外，基于车辆和对象在车辆和对象的每个交叉点处的占用时间，可以选择高风险对象。

接下来，在S120中，基于对象的预测路径，可以确定车辆行驶期间的风险。在这种情况下，可以考虑车辆到达车辆和对象的交叉点的时间、车辆通过车辆和对象的交叉点的时间、对象到达车辆和对象的交叉点的时间、对象通过车辆和对象的交叉点的时间等来确定风险。

详细地，在S120中，可以基于对象的行驶路径(例如，过去的移动轨迹)和动力学信息(例如，对象的速度、加速度、行驶方向等)来计算对象离开交叉路口的终点。在这种情况下，可以计算在对象可以从交叉路口离开的多个终点之中基于行驶路径、动力学信息等确定的对象以最高可能性离开的终点。

另外，在S120中，可以通过基于对象的行驶路径和动力学信息的第一学习模型计算终点。例如，通过输入对象的过去轨迹信息、行驶方向、当前位置、纵向/横向速度、加速度等，对象可以从交叉路口离开的每个终点的可能性可以通过深度学习模型计算。

在S120中，可以将基于对象的动力学信息可导出的至少一条路径之中最有可能行驶到先前计算的终点的路径确定为对象的预测路径。例如，可以生成从对象的当前位置到计算的终点具有最平缓曲线形式的参考路径，并且可以将在基于对象的动力学信息导出的至少一个候选路径之中具有最小的与参考路径的误差的候选路径确定为对象的预测路径。

另外，在S120中，可以根据通过基于对象的行驶路径、动力学信息和基于对象的动力学信息导出的至少一个路径的第二学习模型计算的路径来确定对象的预测路径。例如，通过输入基于动力学信息导出的路径、过去轨迹、动力学信息等，可以通过深度学习模型计算对象可以行驶通过交叉路口的每条路径的可能性。

另外，在S130中，可以基于风险确定结果来确定车辆的驾驶方法。例如，在S130中，可以在根据S120中确定的风险获得的多种驾驶方法之中确定车辆与对象之间的最小距离大于或等于参考距离的驾驶方法。另外，可以通过按时间调度车辆的行驶路径和对象的预测路径来确定驾驶方法。在这种情况下，可以针对以预设时间间隔获取的每一帧确定驾驶方法。

另外，在S130中，可以计算根据驾驶方法的车辆的控制参数。例如，车辆的控制参数可以包括车辆的行驶路径、速度曲线等。因此，可以根据计算的控制参数控制车辆在不与对象相交的情况下行驶。

如上所述，根据本公开的实施例的车辆控制方法可以基于对象的行驶轨迹和动力学信息来选择终点，并在反映对象的动力学信息的多条路径之中确定适合前进到终点的对象的预测路径，从而可以对存在于与交叉路口的连接关系上的对象以及行驶时忽略连接关系的对象有效地作出响应。

图11是示出根据本公开的每个实施例的计算系统的框图。

参照图11，计算系统1000可以包括经由总线1200连接的至少一个处理器1100、存储器1300、用户界面输入装置1400、用户界面输出装置1500、存储器(即，存储装置)1600和网络接口1700。

处理器1100可以是中央处理单元(CPU)或处理存储在存储器1300和/或存储器1600中的指令的半导体装置。存储器1300和存储器1600可以包括各种类型的易失性或非易失性存储介质。例如，存储器1300可以包括只读存储器(ROM)1310和随机存取存储器(RAM)1320。

因此，结合本公开的实施例描述的方法或算法的过程可以直接实施为由处理器1100执行的硬件、软件模块或者硬件和软件模块的组合。软件模块可以驻留在诸如RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、固态驱动器(SSD)、可移除磁盘和CD-ROM的存储介质(即，存储器1300和/或存储器1600)中。

示例性存储介质联接到处理器1100，处理器1100可以从存储介质中读取信息并且可以将信息写入存储介质。在另一方法中，存储介质可以与处理器1100集成。处理器和存储介质可以驻留在专用集成电路(ASIC)中。ASIC可以驻留在用户终端内。在另一方法中，处理器和存储介质可以作为单独的组件驻留在用户终端中。

根据本公开的实施例，车辆控制设备、包括该车辆控制设备的系统及车辆控制方法可以基于对象的行驶轨迹和动力学信息来选择终点，并在反映对象的动力学信息的多条路径之中确定适合前进到终点的对象的预测路径，从而可以对存在于与交叉路口的连接关系上的对象以及行驶时忽略连接关系的对象有效地作出响应。

另外，可以提供通过本公开直接或间接理解的各种效果。

尽管出于说明性目的已经描述了本公开的示例性实施例，但是本领域技术人员将理解的是，在不背离本公开的范围和思想的情况下，各种修改、添加和替换是可能的。

因此，提供本公开中公开的示例性实施例是为了描述，而不是限制本公开的技术构思，并且应当理解的是，这些示例性实施例不旨在限制本公开的技术构思的范围。本公开的保护范围应通过所附权利要求书来理解，并且在等同范围内的所有技术构思均应解释为落入本公开的权利范围之内。

Claims (20)

1.一种车辆控制设备，所述设备包括：

对象选择装置，选择在车辆的行驶路径上存在的交叉路口处与所述车辆相交的对象；

风险确定装置，基于所述对象的预测路径来确定车辆行驶期间的风险；以及

驾驶控制装置，基于风险确定结果来确定所述车辆的驾驶方法。

2.根据权利要求1所述的设备，其中，所述对象选择装置提取与所述车辆的行驶路径相交的至少一个候选路径，并在沿所述候选路径行驶的一个以上的对象之中选择同时与所述车辆相交的对象。

3.根据权利要求1所述的设备，其中，所述对象选择装置计算所述车辆和所述对象的交叉点，并基于所述车辆和所述对象在所述交叉点处的占用时间来选择所述对象。

4.根据权利要求1所述的设备，其中，所述风险确定装置基于所述对象的行驶路径和动力学信息计算所述对象离开所述交叉路口的终点。

5.根据权利要求4所述的设备，其中，所述风险确定装置通过基于所述对象的行驶路径和所述动力学信息的第一学习模型计算所述终点。

6.根据权利要求4所述的设备，其中，所述风险确定装置将在基于所述对象的动力学信息可导出的路径之中所述对象可行驶到所述终点的可能性最大的路径确定为所述对象的预测路径。

7.根据权利要求6所述的设备，其中，所述风险确定装置生成从所述对象的当前位置到所述终点的具有最平缓曲线形式的参考路径，并且在基于所述对象的动力学信息可导出的至少一个候选路径之中将具有与所述参考路径的最小误差的候选路径确定为所述对象的预测路径。

8.根据权利要求6所述的设备，其中，所述风险确定装置将通过基于所述对象的行驶路径、动力学信息和基于所述对象的动力学信息导出的至少一个路径的第二学习模型计算出的路径确定为所述对象的预测路径。

9.根据权利要求1所述的设备，其中，所述风险确定装置考虑所述车辆到达所述车辆和所述对象的交叉点的时间、所述车辆通过所述车辆和所述对象的交叉点的时间、所述对象到达所述车辆和所述对象的交叉点的时间以及所述对象通过所述车辆和所述对象的交叉点的时间来确定所述风险。

10.根据权利要求1所述的设备，其中，所述驾驶控制装置确定所述车辆和所述对象之间的最小距离大于或等于参考距离的所述驾驶方法。

11.根据权利要求1所述的设备，其中，所述驾驶控制装置根据所述驾驶方法来计算所述车辆的控制参数。

12.根据权利要求11所述的设备，其中，所述控制参数包括所述车辆的行驶路径和速度曲线。

13.根据权利要求1所述的设备，其中，所述驾驶控制装置通过按时间调度所述车辆的行驶路径和所述对象的预测路径来确定所述驾驶方法。

14.根据权利要求1所述的设备，其中，所述对象选择装置在所述车辆的行驶路径上存在的至少一个交叉路口之中从在所述车辆的行驶路径中最近的交叉路口选择所述对象。

15.一种车辆系统，包括：

传感器，检测车辆周围的对象；

信息获取装置，获取所述车辆的位置信息和地图信息；以及

车辆控制设备，选择在所述车辆的行驶路径上存在的交叉路口处与所述车辆相交的对象，根据基于所述对象的预测路径确定的所述车辆的风险确定所述车辆的驾驶方法，并根据所述车辆的驾驶方法基于控制参数控制所述车辆。

16.根据权利要求15所述的车辆系统，其中，所述传感器检测关于所述车辆的驾驶状态的信息。

17.根据权利要求15所述的车辆系统，其中，所述信息获取装置从外部服务器获取所述车辆的位置信息和所述地图信息。

18.一种车辆控制方法，所述方法包括：

选择在车辆的行驶路径上存在的交叉路口处与所述车辆相交的对象；

基于所述对象的预测路径来确定车辆行驶期间的风险；以及

基于风险确定结果来确定所述车辆的驾驶方法。

19.根据权利要求18所述的方法，进一步包括基于所述对象的行驶路径和动力学信息计算所述对象离开所述交叉路口的终点。

20.根据权利要求19所述的方法，进一步包括将在基于所述对象的动力学信息可导出的路径之中所述对象可行驶到所述终点可能性最大的路径确定为所述对象的预测路径。

Images