CN115516539A - 从异常交通工具事件众包道路状况 - Google Patents
从异常交通工具事件众包道路状况 Download PDFInfo
- Publication number
- CN115516539A CN115516539A CN202180016282.2A CN202180016282A CN115516539A CN 115516539 A CN115516539 A CN 115516539A CN 202180016282 A CN202180016282 A CN 202180016282A CN 115516539 A CN115516539 A CN 115516539A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- movement
- received
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/091—Traffic information broadcasting
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
- G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供一种用于从异常交通工具事件众包报告道路状况的系统。能够检测异常交通工具事件(例如突然制动、急转弯、规避动作、坑洼撞击等)且将其报告给道路状况监控系统(RCMS)。所述RCMS能够识别经报告道路状况中的模式以为交通工具及交通工具用户产生建议信息或指令。例如,能够识别可疑障碍物且使用其指示驾驶员或交通工具逐渐减速以避免突然制动及急转弯。在一些实例中,交通工具能够具有能够上传可疑障碍物(例如,坑洼)的图像以允许道路问题的积极识别的相机。这使所述RCMS更有信心采取校正动作,例如自动呼叫道路维修服务。
Description
相关申请案
本申请案主张2020年2月7日申请且标题为“从异常交通工具事件众包道路状况(Crowdsourcing Road Conditions from Abnormal Vehicle Events)”的第16/784,554号美国专利申请案的优先权,所述申请案的全部公开内容特此以引用的方式并入本文中。
技术领域
本文中所公开的至少一些实施例涉及从异常交通工具事件众包报告道路状况。
背景技术
众包是一种其中实体可从庞大的、不断增长的且逐步演进的因特网用户群体获得服务的外包模型。众包委托参与者之间的工作或过程以实现累积结果。众包的关键优势是大批用户可并行执行不断的任务。
众包已用以改进导航信息及驾驶。例如,众包已用以改进导航应用程序中找到的业务积累信息。在此类实例中,众包参与者可为交通工具驾驶员。众包仅仅是改进驾驶的许多技术中的一种。
改进驾驶的另一种方式是经由高级驾驶员辅助系统(ADAS)。ADAS是在驾驶的同时帮助交通工具驾驶员的电子系统。ADAS可提供提高的汽车安全性及道路安全性。ADAS可使用电子技术,例如电子控制单元及功率半导体装置。大多数道路事故是由于人为错误而发生的;因此,使对交通工具的一些控制自动化的ADAS可减少人为错误及道路事故。此类系统已经设计以自动化、调适及增强交通工具系统以实现安全性及改进的驾驶。ADAS的安全特征经设计以通过提供提醒驾驶员注意潜在问题的技术来避免碰撞及事故,或通过实施防护措施及接管交通工具来避免碰撞。自适应特征可使照明自动化、提供自适应巡航控制及碰撞避免、提供行人防撞缓解(PCAM)、提醒驾驶员注意其它交通工具或危险因素、提供车道偏离警告系统、提供自动车道居中、展示盲点中的视场或连接到导航系统。
附图说明
从下文所给出的详细描述及从本公开的各种实施例的附图,将更充分地理解本公开。
图1到3说明根据本公开的一些实施例的实例性联网系统,其至少包含移动装置及交通工具以及道路状况监控系统(RCMS)且经配置以实施从异常交通工具事件众包报告道路状况。
图4到6说明根据本公开的一些实施例的可由图1到3中所描绘的联网系统的方面执行的实例操作的流程图。
具体实施方式
本文中所公开的至少一些实施例涉及从异常交通工具事件众包报告道路状况。可检测到异常交通工具事件(例如突然制动、急转弯、规避动作、坑洼撞击等)且将其报告给道路状况监控系统(RCMS)的一或多个服务器。例如,RCMS可包含云计算环境中的服务器,且可识别经报告道路状况中的模式以对交通工具及交通工具用户产生建议信息或指令。例如,可识别可疑障碍物且使用其以指示驾驶员或交通工具逐渐减速以避免突然制动及急转弯。在一些实施例中,具有相机的交通工具可上传可疑障碍物(例如,坑洼)的图像以允许道路问题的积极识别,使得RCMS能够调度道路服务来解决问题。
交通工具可配备有可检测异常交通工具事件,例如突然制动、急转弯、规避动作及坑洼撞击的多个传感器。交通工具可将对应信息连同精确地理位置信息一起传输到云或一起工作的另一类型的计算机群组(例如经由对等计算)。每一交通工具对此数据的传输可为用于确定道路状况或危险的一或多个数据点。例如,可在云中或经由对等计算环境做出所述确定。可使用所述确定以产生报告给参与所述系统的交通工具的建议。可由交通工具或交通工具中的用户的移动装置的UI呈现所述建议。可根据经确定状况或危险的地理位置及接近经确定状况或危险的地理位置的交通工具的匹配地理位置来分发建议。
除建议以外或作为建议的替代方案,当交通工具正在接近道路状况或危险的地理位置时,可向交通工具发送有关所述状况或危险的指令或数据。并且,交通工具可根据有关道路状况或危险的经分发指令或数据来调整其组件。出于许多原因,这是有益的。例如,用户在高速公路上快速行驶时无法及时看到一系列坑洼,但对应通知或指令可用作用于在交通工具接近道路状况或危险时指导交通工具以安全且合理的方式自动地减速的基础。另外,所述系统还可经由UI将对应建议提供给用户。因此,驾驶员不会因交通工具减速而感到困惑。
一般来说,由交通工具感测道路状况且将其发送到中央计算系统,例如RCMS的一或多个服务器。处理对应数据且相应地产生及分发建议及/或指令。驾驶员可接收此类建议且交通工具自身可接收此信息并自动地进行相应调整。接着,驾驶通过或接近道路状况或危险的交通工具可将反馈提供给中央计算系统(或换句话说,RCMS)。所述反馈可用以训练及改进集中式计算系统以及用于交通工具自动调整的建议及指令的后续产生。
也可从由参与交通工具提供的众包采取其它动作。可由交通工具上的相机记录道路状况及危险的图像,且所述图像及其它此数据的冗余性可使由RCMS提供的动作合法化。例如,可由交通工具上的相机记录道路状况及危险的图像,且图像及其它此数据的冗余性可使呼叫服务或其它类型的响应动作(例如派遣维修或清洁服务)的可信度合法化。
RCMS的一或多个服务器可汇集来自报告交通工具、报告事件的交通工具及使用来自所述服务器的信息的交通工具的信息。(若干)服务器不需要接收原始数据且诊断异常状况。(若干)服务器可接收已过程信息,所述信息由交通工具处理。交通工具可处理来自传感器及相机的原始数据且进行诊断。接着,交通工具可将诊断发送到RCMS的(若干)服务器以进行进一步分析及产生建议。RCMS的(若干)服务器不仅仅是将从一个交通工具接收的信息广播到另一交通工具的路由器。(若干)服务器可合成来自大量报告交通工具的报告以使其经分发信息更可靠及有意义。
而且,报告交通工具可在诊断异常状况方面具有一定的智能水平且因此减少报告中的数据业务。如果某种状况不需要通知,那么不需要将有关所述状况的报告从所述交通工具发送到RCMS的(若干)服务器。从所述服务器发送到接收交通工具的信息可为指导性的、咨询性的及/或信息性的。接收交通工具可在使用信息方面具有一定的智能水平,而不是简单地接收信息且相应地采取动作(例如仅仅在接收到所述信息之后发出警报)。
在一些实施例中,交通工具可包含车身、传动系统及底盘以及附接到车身、传动系统或底盘中的至少一者或其任何组合的至少一个传感器。至少一个传感器可经配置以:检测交通工具或交通工具的至少一个组件的至少一次突然移动,及发送从经检测的至少一次突然移动导出的移动数据。交通工具还可包含全球定位系统(GPS)装置,所述GPS装置经配置以:在至少一次突然移动的检测期间检测交通工具的地理位置,及发送从经检测地理位置导出的位置数据。交通工具还可包含计算系统,所述计算系统经配置以:接收移动数据及位置数据,及将经接收移动数据与经接收位置数据关联。计算系统还可经配置以确定经接收移动数据中的经检测的至少一次突然移动是否超过突然移动阈值。在一些实施例中,所述确定可根据人工智能(AI)进行。并且,计算系统可经配置以使用机器学习来训练AI。例如,AI可包含人工神经网络(ANN)且计算系统可经配置以训练ANN。计算系统还可经配置以响应于至少一次突然移动超过突然移动阈值的确定,将经关联数据或其派生物发送到道路状况监控系统。经关联数据或其派生物可由计算系统经由广域网发送。
在此类实施例及其它实施例中,交通工具还可包含至少一个相机,所述至少一个相机经配置以在至少一次突然移动期间的检测期间记录在交通工具的预选距离内的区域的至少一个图像。并且,至少一个相机还可经配置以发送从经记录的至少一个图像导出的图像数据。并且,在此类实例中,计算系统可经配置以接收图像数据且将经接收图像数据与接收移动数据及经接收位置数据关联。响应于至少一次突然移动超过突然移动阈值的确定,计算系统还可经配置以经由广域网将经关联图像数据或其派生物连同经关联移动及位置数据一起发送到道路状况监控系统。
在此类实施例及其它实施例中,道路状况监控系统可包含至少一个处理器及具有可由至少一个处理器执行以执行方法—例如用于提供从异常交通工具事件众包报告道路状况的方法的指令的至少一个非暂时性计算机可读媒体。此方法可包含从突然移动的交通工具中的相应计算系统接收移动数据及地理位置数据。此方法还可包含根据经接收移动数据及经接收地理位置数据来确定道路中的危险状况的地理位置。在一些实施例中,危险状况的地理位置的确定可根据AI进行。并且,所述方法可包含使用机器学习来训练AI。例如,AI可包含ANN且所述方法可包含训练ANN。
所述方法还可包含至少根据经接收移动数据及经接收地理位置数据来产生危险信息(例如,危险信息可包含指导性数据)。危险信息的产生也可根据AI进行;并且,所述方法可包含使用机器学习来训练此AI。例如,AI可包含ANN且所述方法可包含训练ANN。所述方法还可包含当接近危险的交通工具正在接近危险状况的经确定地理位置中的一个位置且在所述一个位置的预选距离内时,将危险信息的一部分发送到接近危险的交通工具中的计算系统。
在此类实施例及其它实施例中,交通工具的计算系统可经配置以经由广域网接收及处理来自道路状况监控系统的数据(例如,包含指导性数据)。并且,所述数据可包含至少从在交通工具正在接近的地理位置中的其它交通工具发送的经关联移动及位置数据导出的信息。交通工具的计算系统可经配置以经由AI处理经接收数据;且此AI可由计算系统训练。并且,AI可包含ANN,且ANN可由计算系统训练。而且,根据经接收及经处理数据,在驾驶员或交通工具处,可对交通工具采取校正动作。
总之,本文中描述一种用于从异常交通工具事件众包报告道路状况的系统。可检测到异常交通工具事件(例如突然制动、急转弯、规避动作、坑洼撞击等)且将其报告给RCMS。RCMS可识别经报告道路状况中的模式以为交通工具及交通工具用户产生建议信息或指令。例如,可识别可疑障碍物且使用其以指示驾驶员或交通工具逐渐减速以避免突然制动及急转弯。在一些实例中,交通工具可具有可上传可疑障碍物(例如,坑洼)的图像以允许道路问题的积极识别的相机。这使RCMS更有信心采取校正动作,例如自动呼叫道路维修服务。
图1到3说明根据本公开的一些实施例的实例联网系统100,其至少包含RCMS以及移动装置及交通工具(例如,参见移动装置140到142及302以及交通工具102、202及130到132)且经配置以实施从异常交通工具事件众包报告道路状况。
联网系统100经由一或多个通信网络122联网。本文中所描述的通信网络,例如(若干)通信网络122,可至少包含本地到装置网络(例如蓝牙等)、广域网(WAN)、局域网(LAN)、内联网、移动无线网络(例如4G或5G)、外联网、因特网及/或其任何组合。联网系统100的节点(例如,参见移动装置140、142及302,交通工具102、130、132及202,及一或多个RCMS服务器150)可各自为对等网络、客户端服务器网络、云计算环境等的一部分。而且,本文中所描述的设备、计算装置、交通工具、传感器或相机及/或用户接口中的任一者可包含某种计算机系统(例如,参见计算系统104及204)。并且,此计算机系统可包含到LAN、内联网、外联网及/或因特网中的其它装置的网络接口。所述计算机系统还可在客户端服务器网络环境中以服务器或客户端机器的身份操作,作为对等(或分布式)网络环境中的对等机器,或作为云计算基础设施或环境中的服务器或客户端机器。
如图1中所展示,联网系统100可至少包含交通工具102,交通工具102包含交通工具计算系统104(包含RCMS的客户端应用程序106——在本文中也被称为RCMS客户端106)、车身及车身的可控部件(未描绘)、传动系统及传动系统的可控部件(未描绘)、车身控制模块108(其是一种类型的ECU)、传动系统控制模块110(其是一种类型的ECU)及动力转向控制单元112(其是一种类型的ECU)。交通工具102还包含多个传感器(例如,参见传感器114a到114b)、GPS装置116、多个相机(例如,参见相机118a到118b)及控制器区域网络(CAN)总线120,CAN总线120至少将交通工具计算系统104、车身控制模块108、传动系统控制模块110、动力转向控制单元112、多个传感器、GPS装置116及多个相机彼此连接。而且,如所展示,交通工具102经由交通工具计算系统104连接到(若干)网络122。而且,如所展示,交通工具130到132及移动装置140到142连接到(若干)网络122。并且,因此,通信地连接到交通工具102。
包含在计算系统104中的RCMS客户端106可与(若干)RCMS服务器150进行通信。RCMS客户端106可为ADAS的一部分、包含或连接到ADAS;且因此,ADAS还可与(若干)RCMS服务器150进行通信(未描绘)。
在一些实施例中,交通工具102可包含车身、传动系统及底盘,以及至少一个传感器(例如,参见传感器114a到114b)。至少一个传感器可附接到车身、传动系统或底盘中的至少一者,或其任何组合。至少一个传感器可经配置以:检测交通工具102或所述交通工具的至少一个组件的至少一次突然移动,及发送从经检测的至少一次突然移动导出的移动数据。突然移动可包含超过预定阈值的速度、加速度、角速度或角加速度或其任何组合的变化。例如,突然移动可包含在某一或多个方向上的超过所述一或多个方向的对应预定阈值的速度、加速度、角速度或角加速度或其任何组合的变化。
如所展示,交通工具102还包含GPS装置116。GPS装置116可经配置以:在至少一次突然移动的检测期间检测交通工具102的地理位置,及发送从经检测地理位置导出的位置数据。交通工具102还包含计算系统104(其包含RCMS客户端106),且所述计算系统(例如经由RCMS客户端106)可经配置以接收移动数据及位置数据。计算系统104(例如经由RCMS客户端106)还可经配置以:将经接收移动数据与经接收位置数据关联,及确定经接收移动数据中的经检测的至少一次突然移动是否超过突然移动阈值。在一些实施例中,所述确定可根据人工智能(AI)进行。并且,计算系统104(例如经由RCMS客户端106)可经配置以使用机器学习来训练AI。例如,AI可包含ANN且计算系统104(例如经由RCMS客户端106)可经配置以训练ANN。计算系统104(例如经由RCMS客户端106)还可经配置以响应于至少一次突然移动超过突然移动阈值的确定,将经关联数据或其派生物发送到RCMS。例如,经关联数据或其派生物可由计算系统104经由(若干)网络122的一部分发送到(若干)RCMS服务器150。
在此类实施例及其它实施例中,交通工具102可包含至少一个相机(例如,参见相机118a到118b)。至少一个相机可经配置以:在至少一次突然移动的检测期间记录在交通工具102的预选距离内的区域的至少一个图像,及发送从经记录的至少一个图像导出的图像数据。而且,至少一个相机可经配置以:在至少一次突然移动之后的预定时间段期间记录在交通工具102的预选距离内的区域的至少一个图像,及发送从经记录的至少一个图像、经记录的至少一次突然移动导出的图像数据。在此类实施例及其它实施例中,计算系统104(例如经由RCMS客户端106)可经配置以:接收图像数据,及将经接收图像数据与接收移动数据及经接收位置数据关联。并且,响应于至少一次突然移动超过突然移动阈值的确定,计算系统104(例如经由RCMS客户端106)可经配置经由广域网(例如,参见(若干)网络122)将经关联图像数据或其派生物连同经关联移动及位置数据一起发送到RCMS。例如,经关联数据或其派生物可由计算系统104(例如经由RCMS客户端106)经由(若干)网络122的一部分发送到(若干)RCMS服务器150。
在此类实施例及其它实施例中,计算系统104(例如经由RCMS客户端106)可经配置以经由广域网接收及处理来自RCMS的数据(例如,包含指导性数据的数据)。例如,可由计算系统104(例如经由RCMS客户端106)经由(若干)网络122的一部分从(若干)RCMS服务器150接收,且接着可处理经接收数据。经接收数据可包含至少从在交通工具102正在接近的地理位置中的其它交通工具(例如,参见交通工具130到132)发送的经关联移动及位置数据导出的信息。在一些实施例中,经接收数据的导出及/或经接收数据的后续处理是根据AI进行,且AI可由RCMS及/或交通工具的计算系统训练。
在此类实施例及其它实施例中,交通工具102可包含经配置以将经接收及经处理数据的至少部分提供给交通工具的用户的用户接口(例如图形用户接口)(例如,参见图2中所描绘的交通工具202的其它组件216,其可包含GUI)。
而且,交通工具102可包含经配置以经由计算系统104(例如经由RCMS客户端106)接收经接收及经处理数据的至少部分的ECU。ECU还可经配置以经由交通工具中的至少一个电系统根据经接收及经处理数据的至少部分来控制交通工具的转向(例如,参见动力转向控制单元112)。ECU还可经配置以经由交通工具102中的至少一个电系统根据经接收及经处理数据的至少部分来控制交通工具的减速(例如,参见传动系统控制模块110)。ECU还可经配置以经由交通工具102中的至少一个电系统根据经接收及经处理数据的至少部分来控制交通工具的加速(例如,参见传动系统控制模块110)。而且,交通工具102可包含经配置以经由计算系统104(例如经由RCMS客户端106)接收经接收及经处理数据的至少部分的一或多个ECU。(若干)ECU还可经配置以经由交通工具102中的至少一个电系统根据经接收及经处理数据的至少部分来控制交通工具的转向、交通工具的减速或交通工具的加速中的至少一者,或其任何组合(例如,参见车身控制模块108、传动系统控制模块110及动力转向控制单元112)。
在此类实施例及其它实施例中,系统(例如RCMS)可包含至少一个处理器及具有可由至少一个处理器执行以执行方法的指令的至少一个非暂时性计算机可读媒体(例如,参见(若干)RCMS服务器150)。所执行方法可包含从突然移动的交通工具中的计算系统接收移动数据及地理位置数据(例如,分别参见交通工具102及202的计算系统104及204)。在一些实例中,所述方法可包含根据经接收移动数据及经接收地理位置数据来确定道路中的危险状况的地理位置;并且,例如确定可根据AI进行且AI可经由机器学习进行训练且可包含ANN。所述方法可包含至少根据经接收移动数据及经接收地理位置数据来产生危险信息(例如包含指导性数据的危险信息)。在一些实例中,所述信息可与危险状况的经确定地理位置相关。所述信息的产生可根据AI进行且AI可经由机器学习进行训练且可包含ANN。所述方法还可包含当接近危险的交通工具正在接近危险状况的经确定地理位置中的一个位置且在所述一个位置的预选距离内时,将危险信息的一部分发送到接近危险的交通工具中的计算系统(例如,参见计算系统104及204)。
在此类实施例及其它实施例中,所述危险信息的所述部分可经配置以至少提供经由接近危险的交通工具中的用户接口提醒接近危险的交通工具的用户的基础。而且,所述危险信息的所述部分可经配置以至少提供经由接近危险的交通工具中的至少一个电系统来控制接近危险的交通工具的转向、减速及加速的基础。
而且,经接收移动数据可包含从相应突然移动的交通工具发送的相应移动数据。可从突然移动的交通工具的经感测突然移动导出相应移动数据。经接收位置数据可包含从突然移动的交通工具发送的相应位置数据。并且,相应位置数据可与在感测到突然移动时突然移动的交通工具的位置相关联。
此外,由所述系统(例如RCMS)执行的方法可包含从突然移动的交通工具中的计算系统接收图像数据。并且,确定危险状况的地理位置可根据经接收图像数据、经接收移动数据及经接收地理位置数据进行。确定危险状况的地理位置也可根据AI进行且AI可经由机器学习进行训练且可包含ANN。而且,所述图像数据可包含从突然移动的交通工具的预选距离内的区域的至少一个图像导出的相应图像数据,且可在感测到突然移动时或在感测到突然移动之后的预定时间段内记录至少一个图像。所述危险信息的部分可为相应图像数据且可经配置以至少提供经由接近危险的交通工具中的用户接口提醒接近危险的交通工具的用户并且展示从相应图像数据再现的危险图像的基础。
交通工具102包含交通工具电子装置,其至少包含用于车身的可控部件、传动系统的可控部件及动力转向的可控部件的电子装置。交通工具102包含车身的可控部件且此类部件及子系统连接到车身控制模块108。所述车身至少包含用以支撑传动系统的框架。交通工具的底盘可附接到交通工具的框架。车身还可包含用于至少一个驾驶员或乘客的内部。内部可包含座椅。车身的可控部件还可包含一或多个电动门及/或一或多个电动窗。车身还可包含交通工具车身的任何其它已知部件。并且,车身的可控部件还可包含敞篷车顶、天窗、电动座椅及/或交通工具车身的任何其它类型的可控部件。车身控制模块108可控制车身的可控部件。
而且,交通工具102还包含传动系统的可控部件。传动系统的可控部件以及其部件及子系统连接到传动系统控制模块110。传动系统的可控部件可至少包含引擎、变速器、传动轴、悬架及转向系统,及传动系统电系统。传动系统还可包含交通工具传动系统的任何其它已知部件且传动系统的可控部件可包含传动系统的任何其它已知可控部件。而且,可经由动力转向控制单元112控制可控制的动力转向部件。
本文中所描述的UI元件,移动装置或交通工具的此类UI元件可包含任何类型的UI。UI元件可为汽车控制件、为汽车控制件的一部分或包含汽车控制件。例如,UI可为油门踏板、制动踏板或转向盘。而且,UI可为电子装置及/或机电装置的一部分或包含电子装置及/或机电装置,且可为以下项的一部分或包含以下项:触觉UI(触摸)、视觉UI(视力)、听觉UI(声音)、嗅觉UI(气味)、均衡UI(平衡)或味觉UI(味道),或其任何组合。
交通工具102的多个传感器(例如,参见传感器114a到114b)及/或多个相机(例如,参见相机118a到118b)可包含分别经配置以感测及/或记录多个UI元件或其输出或交通工具102的任何其它部件或其周围环境的一或多个特征或特性。交通工具102的传感器或相机还可经配置以根据(若干)经感测及/或经记录特征或特性来产生对应于多个UI元件或其输出或交通工具102的任何其它部件或其周围环境的一或多个特征或特性。交通工具102的传感器或相机还可经配置以输出对应于一或多个特征或特性的经产生数据。多个传感器或相机中的任一者还可经配置以例如经由CAN总线120将对应于一或多个特征或特性的经产生数据发送到计算系统104或交通工具102的其它电子电路系统(例如车身控制模块108、传动系统控制模块110及动力转向控制单元112)。
用于控制交通工具102的驾驶的一组机械组件可包含:(1)交通工具的车轮上的制动机构(用于停止车轮的旋转),(2)交通工具的引擎或发动机上的节流机构(用于调节进入引擎的气体量或进入发动机的电流),其决定传动轴可旋转的速度及因此交通工具可行驶的速度,及(3)交通工具的前轮方向的转向机构(例如,因此交通工具在车轮所指向的方向上行驶)。这些机构可控制交通工具102的制动(或减速)、加速(或节流)及转向。用户通过可由用户操作的UI元件(例如,参见图2中所展示的交通工具202的其它组件216)间接控制这些机构,所述机构通常是制动踏板、加速踏板及转向盘。踏板及转向盘不一定机械地连接到用于制动、加速及转向的驱动机构。此类部件可具有或接近测量驾驶员踩下踏板及/或转动转向盘的程度的传感器。经感测控制输入通过电线传输到控制单元(且因此可为线控的)。此类控制单元可包含车身控制模块108或220、传动系统控制模块110或222、动力转向控制单元112或224、电池管理系统226等。此输出也可由本文中所描述的传感器及相机(例如,参见传感器114a到114b或217a到217b及相机118a到118b或219a到219b)感测及/或记录。并且,传感器及相机的输出可例如由RCMS客户端106进一步处理,且接着报告给RCMS的(若干)服务器150进行累积数据处理。
在一些实施例中,交通工具102或202可包含车身、传动系统及底盘。交通工具102或202还可包含经配置以控制交通工具的驾驶的多个电子控制单元(ECU)(例如,参见车身控制模块108或220、传动系统控制模块110或222及动力转向控制单元112或224)。交通工具102或202还可包含经配置以由驾驶员操纵以指示由驾驶员施加的控制程度的多个用户UI元件(例如,参见图2中所展示的交通工具202的其它组件216)。多个UI元件可经配置以测量指示由驾驶员施加的控制程度的信号。多个UI元件还可经配置以将信号以电子方式传输到多个ECU。ECU(例如,参见车身控制模块108或220、传动系统控制模块110或222及动力转向控制单元112或224)可经配置以基于从多个UI元件接收的经测量信号来产生用于驾驶交通工具102或202的控制信号。
在例如交通工具102或202的交通工具中,驾驶员可经由物理控制元件(例如,转向盘、制动踏板、油门踏板、桨式变速杆等)控制交通工具,所述物理控制元件经由机械联动装置及一些机电联动装置对接驱动组件。然而,目前越来越多的交通工具使控制元件经由电子控制元件或模块(例如,电子控制单元或ECU)对接机械传动系统元件(例如,制动系统、转向机构、驱动轮系等)。电子控制元件或模块可为线控技术的一部分。
线控技术可包含用于执行传统上由机械联动装置实现的交通工具功能的电或机电系统。所述技术可用使用机电致动器及人机接口,例如踏板及转向感觉仿真器的电子控制系统替换传统机械控制系统。例如转向柱、中间轴、泵、软管、皮带、冷却器及真空伺服系统及主缸的组件可从交通工具消除。存在不同程度及类型的线控技术。
具有线控驱动技术的交通工具,例如交通工具102及202可包含(例如经由更常规控制件或经由线控控制件或其某个组合)接收来自用户或驾驶员的输入的调制器(例如包含ECU及/或ADAS或作为ECU及/或ADAS的一部分的调制器)。接着,调制器可使用驾驶员的输入来调制输入或变换输入以匹配“安全驾驶员”的输入。“安全驾驶员”的输入可由“安全驾驶员”的模型表示。
交通工具102及202还可包含ADAS(未描绘)。并且,如本文中所提及,RCMS客户端106可为ADAS的一部分、包含或连接到ADAS。并且,因此,ADAS还可与(若干)RCMS服务器150进行通信(未描绘)。ADAS可经配置以识别驾驶员与UI元件(例如,参见包含UI元件的其它组件216)交互的模式。ADAS还可经配置以确定所述模式与预定模型(例如,预定的常规驾驶员模型、预定的安全干燥器模型等)的偏差。在此类实施例及其它实施例中,预定模型可从预选安全驾驶员的相关模型导出。而且,预定模型可从具有预选驾驶员能力水平的驾驶员的相关模型导出。预定模型也可从具有预选驾驶习惯的驾驶员的相关模型导出。预定模型也可从具有预选驾驶风格的驾驶员的相关模型导出。并且,预定模型也可从其组合导出。
ADAS还可经配置以在将由UI元件测量的信号转换为用于驾驶交通工具102或202的控制信号时根据偏差来调整多个ECU(例如,参见车身控制模块108或220、传动系统控制模块110或222及动力转向控制单元112或224)。例如,ADAS可经配置以基于偏差来改变由ECU使用的传递函数以控制交通工具的驾驶。
在此类实施例及其它实施例中,ADAS可进一步经配置以在将由UI元件测量的信号转换为用于驾驶交通工具102或202的控制信号时根据指示交通工具的环境状况的传感器数据来调整多个ECU(例如,车身控制模块108、传动系统控制模块110及动力转向控制单元112)。并且,ADAS可进一步经配置以根据预定模型及指示交通工具102或202或其周围的环境状况的传感器数据来确定由多个UI元件产生的经测量信号与由ADAS自主地产生的驾驶决策之间的响应差异(例如,参见图1及2中的交通工具的传感器及相机)。而且,ADAS可进一步经配置以训练ANN以基于响应差异来识别偏差。在此类实施例及其它实施例中,为了确定偏差,ADAS可经配置以将指示控制程度的经传输信号输入到ANN中。并且,ADAS可经配置以基于ANN的输出来确定偏差的至少一个特征。而且,为了训练偏差的确定,ADAS可经配置以训练ANN。为了训练ANN,ADAS可经配置以基于偏差来调整ANN。
在此类实施例及其它实施例中,多个UI可包含转向控制件(例如,转向盘或GUI或另一类型的UI等效物,例如用于转向的语音输入UI)。而且,多个UI可包含制动控制件(例如,制动踏板或GUI或另一类型的UI等效物,例如用于制动的语音输入UI)。多个UI还可包含节流控制件(例如,油门踏板或GUI或另一类型的UI等效物,例如用于使交通工具加速的语音输入UI)。并且,由驾驶员施加的控制程度可包含经检测用户与转向控制件、制动控制件或节流控制件中的至少一者,或其任何组合的交互。在此类实施例及其它实施例中,ADAS可经配置以基于偏差来改变由ECU(例如,车身控制模块108或220、传动系统控制模块110或222及动力转向控制单元112或224)使用的传递函数以控制交通工具102或202的驾驶。并且,传递函数可包含用于以下项的至少一个传递函数或从所述传递函数导出:控制交通工具102或202的转向机构、所述交通工具的节流阀机构或所述交通工具的制动机构,或其任何组合中的至少一者。而且,多个UI可包含变速器控制件(例如,手动变速箱及驾驶员操作的离合器或GUI或另一类型的UI等效物,例如用于改变交通工具的档位的语音输入UI)。并且,由驾驶员施加的控制程度可包含经检测用户与变速器控制件的交互。传递函数可包含用于以下项的传递函数或从所述传递函数导出:控制交通工具102或202的变速器机构。
在一些实施例中,交通工具(例如,参见交通工具102及202)的电子电路系统(其可包含交通工具的计算系统或作为交通工具的计算系统的一部分),可包含引擎电子装置、变速器电子装置、底盘电子装置、乘客环境及舒适度电子装置、车载娱乐电子装置、车载安全电子装置或导航系统电子装置中的至少一者,或其任何组合(例如,参见图1及图2中分别展示的车身控制模块108及220、传动系统控制模块110及222、动力转向控制单元112及224、电池管理系统226以及信息娱乐电子装置228)。在一些实施例中,交通工具的电子电路系统可包含用于自动驾驶系统的电子装置。
用于驾驶交通工具102或202的可调整方面可包含可经由汽车电子装置从控制器调整的驾驶配置及偏好(例如经由相应汽车电子装置调整变速器、引擎、底盘、乘客环境及安全特征)。驱动方面还可包含典型的驱动方面及/或线控方面,例如控制交通工具的转向、制动及加速(例如,参见车身控制模块108、传动系统控制模块110及动力转向控制单元112)。用于驱动交通工具的方面还可包含根据SAE来控制不同自动化水平的设置,例如用以控制无自动化偏好/配置(水平0)、驾驶员辅助偏好/配置(水平1)、部分自动化偏好/配置(水平2)、条件性自动化偏好/配置(水平3)、高度自动化偏好/配置(水平4)或完全偏好/配置(水平5)的设置。用于驱动交通工具的方面还可包含控制驾驶模式的设置,所述驾驶模式例如运动或性能模式、燃油经济性模式、牵引模式、全电动模式、混合动力模式、AWD模式、FWD模式、RWD模式及4WD模式。
在一些实施例中,交通工具的计算系统(例如计算系统104或204)可包含中央控制模块(CCM)、中央定时模块(CTM)及/或通用电子模块(GEM)。而且,在一些实施例中,交通工具可包含ECU,所述ECU可为汽车电子装置中的任何嵌入式系统,其控制交通工具中的一或多个电系统或子系统。ECU的类型可包含引擎控制模块(ECM)、传动系统控制模块(PCM)、变速器控制模块(TCM)、制动控制模块(BCM或EBCM)、CCM、CTM、GEM、车身控制模块(BCM)、悬架控制模块(SCM)等。门控制单元(DCU)。ECU的类型还可包含动力转向控制单元(PSCU)、一或多个人机接口(HMI)单元、传动系统控制模块(PCM)—其至少可用作ECM及TCM、座椅控制单元、速度控制单元、远程信息处理控制单元、变速器控制单元、制动控制模块及电池管理系统。
如图2中所展示,联网系统100可至少包含交通工具130到132及交通工具202,交通工具202至少包含交通工具计算系统204、具有内部(未描绘)的车身(未描绘)、传动系统(未描绘)、气候控制系统(未描绘)及信息娱乐系统(未描绘)。交通工具202还可包含其它交通工具部件。
可具有与计算系统104类似的结构及/或功能性的计算系统204可连接到(若干)通信网络122,通信网络122可至少包含本地到装置网络(例如蓝牙等)、广域网(WAN)、局域网(LAN)、内联网、移动无线网络(例如4G或5G)、外联网、因特网及/或其任何组合。计算系统204可为能够执行一组指令(循序的或以其它方式)的机器,所述指令指定将那个机器采取的动作。而且,虽然对于计算系统204说明单个机器,但术语“机器”也应被理解为包含个别地或共同地执行一组(或多组)指令以执行方法论或操作的机器的任何集合。并且,其可至少包含总线(例如,参见总线206)及/或主板、一或多个控制器(例如一或多个CPU,例如参见控制器208)、可包含临时数据存储装置的主存储器(例如,参见存储器210)、至少一种类型的网络接口(例如,参见网络接口212)、可包含永久数据存储装置的存储系统(例如,参见数据存储系统214)及/或其任何组合。在一些多装置实施例中,一个装置可完成本文中所描述的方法的一些部分,接着通过网络将完成结果发送到另一装置,使得另一装置可继续本文中所描述的方法的其它步骤。
图2还说明计算系统204的可包含及实施RCMS客户端106的实例部件。计算系统204可通信地耦合到如所展示的(若干)网络122。计算系统204至少包含总线206、可执行RCMS客户端106的指令的控制器208(例如CPU)、可保存RCMS客户端106的指令以供执行的存储器210、网络接口212、可存储用于RCMS客户端106的指令的数据存储系统214及其它组件216—其可为移动或计算装置中找到的任何类型的组件,例如GPS组件、I/O组件(例如相机及各种类型的用户接口组件)(其可包含本文中所描述的多个UI元件中的一或多者)及传感器(其可包含本文中所描述的多个传感器中的一或多者)。其它组件216可包含一或多个用户接口(例如,GUI、听觉用户接口、触觉用户接口、汽车控制件等)、显示器、不同类型的传感器,触觉、音频及/或视觉输入/输出装置、额外专用存储器、一或多个额外控制器(例如GPU)或其任何组合。计算系统204还可包含经配置以对接交通工具202的传感器及相机(其可为本文中所描述的任何传感器或相机中的一或多者(例如,参见传感器217a到217b及相机219a到219b))的传感器及相机接口。在一些实施例中,总线206通信地耦合控制器208、存储器210、网络接口212、数据存储系统214、其它组件216、传感器及相机以及传感器及相机接口。计算系统204包含计算机系统,所述计算机系统至少包含通过总线206(其可包含多个总线)彼此进行通信的控制器208、存储器210(例如,只读存储器(ROM)、快闪存储器、动态随机存取存储器(DRAM)(例如同步DRAM(SDRAM)或Rambus DRAM(RDRAM))、静态随机存取存储器(SRAM)、交叉点存储器、交叉型存储器等)及数据存储系统214。
在一些实施例中,计算系统204可包含一组指令,所述指令用于在被执行时引起机器执行本文中所论述的方法论中的任何一或多者。在此类实施例中,所述机器可连接(例如,经由网络接口212联网)到LAN、内联网、外联网及/或因特网(例如,(若干)网络122)中的其它机器。所述机器可在客户端服务器网络环境中以服务器或客户端机器的身份操作,作为对等(或分布式)网络环境中的对等机器,或作为云计算基础设施或环境中的服务器或客户端机器。
控制器208表示一或多个通用处理装置,例如微处理器、中央处理单元等。更特定来说,处理装置可为复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、单指令多数据(SIMD)、多指令多数据(MIMD),或实施其它指令集的处理器,或实施指令集组合的处理器。控制器208也可为一或多个专用处理装置,例如ASIC、可编程逻辑(例如FPGA)、数字信号处理器(DSP)、网络处理器等。控制器208经配置以执行用于执行本文中所论述的操作及步骤的指令。控制器208可进一步包含网络接口装置,例如网络接口212,以通过一或多个通信网络(例如(若干)网络122)进行通信。
数据存储系统214可包含其上存储体现本文中所描述的方法论或功能中的任何一或多者的一或多组指令或软件的机器可读存储媒体(也被称为计算机可读媒体)。数据存储系统214可具有执行能力,例如其可至少部分地执行驻留在所述数据存储系统中的指令。所述指令还可在由计算机系统执行期间完全或至少部分地驻留在存储器210内及/或控制器208内,存储器210及控制器208也构成机器可读存储媒体。存储器210可为或包含系统204的主存储器。存储器210可具有执行能力,例如其可至少部分地执行驻留在所述存储器中的指令。
交通工具202还可具有车身的交通工具车身控制模块220、传动系统的传动系统控制模块222、动力转向控制单元224、电池管理系统226、信息娱乐系统的信息娱乐电子装置228及CAN总线218,CAN总线218至少连接交通工具计算系统204、交通工具车身控制模块、传动系统控制模块、动力转向控制单元、电池管理系统及信息娱乐电子装置。而且,如所展示,交通工具202经由交通工具计算系统204连接到(若干)网络122。而且,如所展示,交通工具130到132及移动装置140到142连接到(若干)网络122。并且,因此,通信地耦合到交通工具202。
交通工具202还被展示为具有多个传感器(例如,参见传感器217a到217b)及多个相机(例如,参见相机219a到219b),所述传感器及相机可为计算系统204的部分。在一些实施例中,CAN总线218可将多个传感器及多个相机、交通工具计算系统204、交通工具车身控制模块、传动系统控制模块、动力转向控制单元、电池管理系统及信息娱乐电子装置至少连接到计算系统204。多个传感器及多个相机可经由计算系统204的传感器及相机接口连接到所述计算系统。
如图3中所展示,联网系统100可至少包含移动装置302以及移动装置140到142。可具有与计算系统104或204有些类似的结构及/或功能性的移动装置302可连接到(若干)通信网络122。并且,因此,连接到交通工具102、202及130到132以及移动装置140到1420。移动装置302(或移动装置140或142)可包含本文中所提及的多个传感器中的一或多者、本文中所提及的多个UI元件中的一或多者、GPS装置及/或本文中所提及的多个相机中的一或多者。因此,移动装置302(或移动装置140或142)可与计算系统104或204的类似地起作用且可托管及运行RCMS客户端106。
取决于实施例,移动装置302可为或包含移动装置等,例如智能电话、平板计算机、IoT装置、智能电视、智能手表、眼镜或其它智能家用电器、车载信息系统、可穿戴智能装置、游戏机、PC、数码相机或其任何组合。如所展示,移动装置302可连接到(若干)通信网络122,通信网络122至少包含本地到装置网络(例如蓝牙等)、广域网(WAN)、局域网(LAN)、内联网、移动无线网络(例如4G或5G)、外联网、因特网及/或其任何组合。
本文中所描述的移动装置中的每一者可为以下项或由其替换:个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、网络设施、服务器、网络路由器、交换机或网桥,或能够执行一组指令(循序的或以其它方式)的任何机器,所述指令指定将那个机器采取的动作。本文中所描述的交通工具的计算系统可为能够执行一组指令(循序的或以其它方式)的机器,所述指令指定将那个机器采取的动作。
而且,虽然对于本文中所描述的计算系统及移动装置说明单个机器,但术语“机器”也应被理解为包含个别地或共同地执行一组(或多组)指令以执行本文中所论述的方法论或操作中的任何一或多者的机器的任何集合。并且,所说明移动装置中的每一者可各自至少包含总线及/或主板、一或多个控制器(例如一或多个CPU)、可包含临时数据存储装置的主存储器、至少一种类型的网络接口、可包含永久数据存储装置的存储系统及/或其任何组合。在一些多装置实施例中,一个装置可完成本文中所描述的方法的一些部分,接着通过网络将完成结果发送到另一装置,使得另一装置可继续本文中所描述的方法的其它步骤。
图3还说明根据本公开的一些实施例的移动装置302的实例部件。移动装置302可通信地耦合到(若干)网络122,如所展示。移动装置302至少包含总线306、控制器308(例如CPU)、存储器310、网络接口312、数据存储系统314及其它组件316(其可为移动或计算装置中找到的任何类型的组件,例如GPS组件、I/O组件(此各种类型的用户接口组件)及传感器(例如生物特征传感器)以及一或多个相机)。其它组件316可包含一或多个用户接口(例如,GUI、听觉用户接口、触觉用户接口等)、显示器、不同类型的传感器、触觉(例如生物传感器)、音频及/或视觉输入/输出装置、额外专用存储器、一或多个额外控制器(例如,GPU)或其任何组合。总线306通信地耦合控制器308、存储器310、网络接口312、数据存储系统314及其它组件316。移动装置302包含计算机系统,所述计算机系统至少包含通过总线306(其可包含多个总线)彼此进行通信的控制器308、存储器310(例如,只读存储器(ROM)、快闪存储器、动态随机存取存储器(DRAM)(例如同步DRAM(SDRAM)或Rambus DRAM(RDRAM)、静态随机存取存储器(SRAM)、交叉点存储器、交叉型存储器等)及数据存储系统314。
换句话说,图3是具有本公开的实施例可在其中操作的计算机系统的移动装置302的框图。在一些实施例中,计算机系统可包含一组指令,所述指令用于在被执行时引起机器执行本文中所论述的方法论中的一些。在此类实施例中,所述机器可连接(例如,经由网络接口312联网)到LAN、内联网、外联网及/或因特网(例如,(若干)网络122)中的其它机器。所述机器可在客户端服务器网络环境中以服务器或客户端机器的身份操作,作为对等(或分布式)网络环境中的对等机器,或作为云计算基础设施或环境中的服务器或客户端机器。
控制器308表示一或多个通用处理装置,例如微处理器、中央处理单元等。更特定来说,所述处理装置可为复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、单指令多数据(SIMD)、多指令多数据(MIMD),或实施其它指令集的处理器,或实施指令集组合的处理器。控制器308也可为一或多个专用处理装置,例如ASIC、可编程逻辑(例如FPGA)、数字信号处理器(DSP)、网络处理器等。控制器308经配置以执行用于执行本文中所论述的操作及步骤的指令。控制器308可进一步包含网络接口装置,例如网络接口312,以通过一或多个通信网络(例如(若干)网络122)进行通信。
数据存储系统314可包含其上存储体现本文中所描述的方法论或功能中的任何一或多者的一或多组指令或软件的机器可读存储媒体(也被称为计算机可读媒体)。数据存储系统314可具有执行能力,例如其可至少部分地执行驻留在所述数据存储系统中的指令。所述指令还可在由计算机系统执行期间完全或至少部分地驻留在存储器310内及/或控制器308内,存储器310及控制器308也构成机器可读存储媒体。存储器310可为或包含装置302的主存储器。存储器310可具有执行能力,例如其可至少部分地执行驻留在所述存储器中的指令。
虽然存储器、控制器及数据存储部件在实例实施例中被展示为各自是单个部件,但每一部件应被理解为包含可存储指令及执行其相应操作的单个部件或多个部件。术语“机器可读存储媒体”还应被理解为包含能够存储或编码一组指令以供机器执行且引起机器执行本公开的方法论中的任何一或多者的任何媒体。因此,术语“机器可读存储媒体”应被理解为包含但不限于固态存储器、光学媒体及磁性媒体。
如图3中所展示,移动装置302可包含用户接口(例如,参见其它组件316)。用户接口可经配置以提供图形用户接口(GUI)、触觉用户接口或听觉用户接口,或其任何组合。例如,用户接口可为或包含连接到也可为移动装置302的一部分的可穿戴结构、计算装置或相机中的至少一者或其任何组合的显示器,且显示器可经配置以提供GUI。而且,本文中所描述的实施例可包含任何类型的一或多个用户接口,包含触觉UI(触摸)、视觉UI(视力)、听觉UI(声音)、嗅觉UI(气味)、均衡UI(平衡)及味觉UI(味道)。
图4说明根据本公开的一些实施例的可由图1到3中所描绘的联网系统的方面执行的方法400的实例操作的流程图。例如,方法400可由图1到3中所描绘的任何交通工具及/或移动装置的计算系统及/或其它部件执行。
如图4中所展示,方法400在步骤402处以由至少一个传感器检测交通工具或交通工具的至少一个组件的至少一次突然移动开始。突然移动可包含超过预定阈值的速度、加速度、角速度或角加速度或其任何组合的变化。例如,突然移动可包含在某一或多个方向上的超过所述一或多个方向的对应预定阈值的速度、加速度、角速度或角加速度或其任何组合的变化。
在步骤404处,方法400以由(若干)传感器发送从经检测的至少一次突然移动导出的移动数据继续。在步骤406处,方法400继续由至少一个相机在至少一次突然移动的检测期间或之后记录交通在工具的预选距离内的区域的至少一个图像。在步骤408处,方法400以由(若干)相机发送从经记录的至少一个图像导出的图像数据继续。在步骤410处,方法400以由GPS装置在至少一次突然移动的检测期间检测交通工具的地理位置继续。在步骤412处,方法400以由GPS装置发送从经检测地理位置导出的位置数据继续。在步骤414处,方法400以由计算系统接收移动数据、位置数据及图像数据继续。在步骤416处,方法400以由计算系统将经接收移动数据、经接收位置数据及经接收图像数据关联继续。在步骤418处,方法400以由计算系统确定经接收移动数据中的经检测的至少一次突然移动是否超过突然移动阈值继续。在一些实施例中,所述确定可根据AI进行且AI可经由机器学习进行训练。响应于在418处确定至少一次突然移动超过突然移动阈值,方法400以经由广域网将经关联数据或其派生物发送到道路状况监控系统继续(在步骤420处)。否则,方法400可在步骤422处返回到感测交通工具或交通工具的至少一个组件的突然移动且在感测到突然移动时返回到步骤402。以这种方式,如果突然移动不够显著,那么不使用用于处理及发送经感测或经记录数据的资源。换句话说,这允许从异常交通工具事件向RCMS高效地众包报告道路状况。
图5说明根据本公开的一些实施例的可由图1到3中所描绘的联网系统的方面执行的方法500的实例操作的流程图。例如,方法500可由如图1到3中所描绘的任何交通工具及/或移动装置的计算系统及/或其它部件执行。如所展示,方法500可在方法400之后开始,且步骤502可取决于方法400的步骤420的发生。在步骤502处,方法500以由道路状况监控系统接收来自突然移动的交通工具中的计算系统的移动数据、图像数据及地理位置数据开始。在步骤504处,方法500以至少根据经接收移动数据、图像数据及地理位置数据来产生危险信息继续。在步骤506处,方法500以在接近危险的交通工具正在接近危险状况的经确定地理位置中的一个位置且在所述的一个位置预选距离内时,将危险信息的一部分发送到接近危险的交通工具中的计算系统而继续。而且,如所展示,图6中所描绘的方法600也可在方法500之后发生。
图6说明根据本公开的一些实施例的可由图1到3中所描绘的联网系统的方面执行的方法600的实例操作的流程图。例如,方法600可由如图1到3中所描绘的任何交通工具及/或移动装置的计算系统及/或其它部件执行。如所展示,方法600可在方法500之后开始,且步骤602可取决于方法500的步骤506的发生。在步骤602处,方法600以由计算系统接收及处理经由广域网从道路状况监控系统发送的数据开始。接着,在步骤604处,方法600以由UI接收经接收及经处理数据的至少部分继续。在步骤606处,方法600以由UI将经接收及经处理数据的至少部分提供给驾驶员继续。而且,在步骤608处,方法600以由第一ECU接收经接收及经处理数据的第一部分继续。在步骤610处,方法600以由第一ECU根据所述数据的第一部分来控制交通工具的加速或减速继续。并且,在步骤612处,方法600以由另一ECU接收经接收及经处理数据的另一部分继续。在步骤614处,方法600以由另一ECU根据所述数据的另一部分来控制交通工具的转向继续。如所展示,可存在多于两个ECU,及经接收及经处理数据的多于两个部分。因此,可根据经接收及经处理数据的其它部分来控制交通工具的其它部件。例如,尽管未描绘,但方法600可以由第二ECU接收经接收及经处理数据的第二部分继续。并且,接着,方法600可以由第二ECU根据所述数据的第二部分来控制交通工具的变速器继续。
在一些实施例中,应理解,方法400、500或600的步骤可被实施为连续过程,例如每一步骤可通过监控输入数据、执行操作及将数据输出到后续步骤来独立地运行。而且,每一方法的此类步骤可被实施为离散事件过程,例如每一步骤都在其应触发的事件上被触发且产生某一输出。还应理解,图4到6中的每一图表示计算机系统的可能更大方法内的最小方法,所述更大方法比图1到3中部分地呈现的方法更复杂。因此,图4到图6中的每一图中所描绘的步骤可与从相关联于更复杂系统的更大方法的其它步骤馈入及馈出到所述其它步骤的其它步骤组合。
应理解,本文中所描述的交通工具可为任何类型的交通工具,除非所述交通工具另有指定。交通工具可包含汽车、卡车、船及飞机,以及用于军事、建筑、农业或娱乐用途的交通工具或交通工具设备。由交通工具、交通工具部件,或交通工具的驾驶员或乘客使用的电子装置可被视为交通工具电子装置。交通工具电子装置可包含用于引擎管理、点火、无线电、汽车计算机、远程信息处理、车载娱乐系统及交通工具的其它部件的电子装置。交通工具电子装置可与点火及引擎及变速器控制件一起或由点火及引擎及变速器控制件使用,所述点火及引擎及变速器控制件可在具有内燃机动力机械的交通工具,例如汽油动力汽车、卡车、摩托车、船、飞机、军用交通工具、叉车、拖拉机及挖掘机中找到。而且,交通工具电子装置可由相关元件使用或与相关元件一起使用以控制混合动力及电动交通工具(例如混合动力或电动汽车)中找到的电系统。例如,电动汽车可使用动力电子装置进行主推进发动机控制,并且管理电池系统。并且,自主交通工具几乎完全依赖于交通工具电子装置。
已依据对计算机存储器内的数据位的操作的算法及符号表示来呈现前文详细描述的一些部分。这些算法描述及表示是数据处理领域的技术人员用以最有效地向所属领域的其它技术人员传达他们工作的实质的方式。算法在本文且通常被认为是导向所期望结果的自洽操作序列。所述操作是需要对物理量进行物理操纵的操作。通常,尽管不一定,但这些量采用能够被存储、组合、比较及以其它方式操纵的电或磁性信号的形式。有时,主要是出于常用原因,将这些信号称为位、值、元素、符号、字符、术语、数字等已被证明是方便的。
然而,应记住,所有这些及类似术语与适当物理量相关联且仅仅是应用于这些量的方便标签。本公开可涉及将在计算机系统的寄存器及存储器内表示为物理(电子)量的数据操纵及变换成在计算机系统存储器或寄存器或其它此类信息存储系统类似地表示为物理量的其它数据的计算机系统或类似电子计算装置的动作及过程。
本公开还涉及用于执行本文中的操作的设备。这个设备可出于预期目的而专门构造,或其可包含由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。此计算机程序可存储在计算机可读存储媒体中,例如任何类型的磁盘(包含软盘、光盘、CD-ROM及磁光盘)、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡、或适合于存储电子指令的任何媒体类型,其各自耦合到计算机系统总线。
本文中所提出的算法及显示并非与任何特定计算机或其它设备固有地相关。各种通用系统可与根据本文中的教示的程序一起使用,或构造更专业设备来执行所述方法可被证明是方便的。多种这些系统的结构将如下文描述中所阐述那样出现。另外,本公开未参考任何特定编程语言进行描述。将明白,可使用多种编程语言以实施如本文中所描述的本公开的教示。
本公开可作为可包含其上存储有指令的机器可读媒体的计算机程序产品或软件而提供,所述指令可用以对计算机系统(或其它电子装置)进行编程以执行根据本公开的过程。机器可读媒体包含用于呈机器(例如,计算机)可读的形式存储信息的任何机构。在一些实施例中,机器可读(例如,计算机可读)媒体包含机器(例如,计算机)可读存储媒体,例如只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储媒体、光学存储媒体、快闪存储器组件等。
在前述说明书中,已参考本公开的特定实例实施例描述本公开的实施例。将显而易见的是,在不脱离如所附权利要求书中所阐述的本公开的实施例的更广泛精神及范围的情况下,可对本公开的特定实施例进行各种修改。因此,说明书及附图被认为是说明意义而非限制意义。
Claims (20)
1.一种设备,其包括:
处理器;
存储器,其耦合到所述处理器;及
至少一个接口,其耦合到所述存储器及所述处理器且经配置以:
接收指示交通工具的位置的数据及指示所述交通工具的移动超过与所述交通工具的至少一个组件的速度特性、加速度特性、角速度特性或角加速度特性,或其任何组合相关联的阈值的数据;
将指示所述位置的所述经接收数据与指示所述交通工具的所述移动超过所述阈值的所述数据关联;及
至少部分地基于所述经关联数据来将指示所述交通工具的或由所述交通工具遇到的状况的信号传输到调制解调器。
2.根据权利要求1所述的设备,其包括:
至少一个相机,其经配置以记录至少一个图像且提供图像数据;
其中所述至少一个接口经配置以:
接收所述图像数据;
将所述经接收图像数据与所述经接收移动数据及所述经接收位置数据关联;及
响应于确定所述交通工具的所述移动超过所述阈值,经由广域网将所述经关联图像数据以及所述经关联移动及位置数据发送到服务器。
3.根据权利要求1所述的设备,其包括:
至少一个相机,其经配置以在确定所述交通工具的所述移动超过所述阈值之后的预定时间段期间记录在所述交通工具的预选距离内的区域的至少一个图像;及
发送从所述经记录的至少一个图像导出的图像数据;且
其中所述至少一个接口经配置以:
接收所述图像数据;
将所述经接收图像数据与所述经接收移动数据及所述经接收位置数据关联;及
在所述预定时间段期间,经由广域网将所述经关联图像数据或其派生物连同所述经关联移动及位置数据一起发送到道路状况监控系统。
4.根据权利要求1所述的设备,其中所述至少一个接口经配置以接收及处理来自执行道路状况监控的服务器的第一数据,且其中所述第一数据包括从当位于所述交通工具正在接近的地理位置中时从其它交通工具发送的移动及位置数据导出的信息。
5.根据权利要求4所述的设备,其包括用户接口,所述用户接口经配置以将所述第一数据的至少部分提供给所述交通工具的用户。
6.根据权利要求4所述的设备,其包括电子控制单元(ECU),所述ECU经配置以:
接收所述第一数据的至少部分;及
经由所述交通工具中的至少一个电系统,基于所述第一数据的所述至少部分来控制所述交通工具的转向。
7.根据权利要求4所述的设备,其包括电子控制单元(ECU),所述ECU经配置以:
接收所述第一数据;及
经由所述交通工具中的至少一个电系统,根据所述第一数据来控制所述交通工具的减速。
8.根据权利要求4所述的设备,其包括电子控制单元(ECU),所述ECU经配置以:
接收所述第一数据的至少部分;及
经由所述交通工具中的至少一个电系统,基于所述第一数据的所述至少部分来控制所述交通工具的加速。
9.一种方法,其包括:
由至少一个传感器检测交通工具的至少一次移动;
由所述至少一个传感器从所述经检测的至少一次移动导出移动数据;
由全球定位系统(GPS)装置在所述至少一次移动的所述检测期间检测所述交通工具的地理位置;
由所述GPS装置从所述经检测地理位置导出位置数据;
由计算系统将所述移动数据与所述位置数据关联;
由所述计算系统基于所述移动数据来确定所述经检测的至少一次移动是否超过预定阈值;及
响应于确定所述至少一次移动超过所述预定阈值,经由广域网将所述经关联数据发送到监控道路状况的服务器。
10.根据权利要求9所述的方法,其包括:
由所述交通工具的至少一个相机在所述至少一次移动的所述检测期间记录至少一个图像;
由所述至少一个相机从所述经记录的至少一个图像导出图像数据;
将所述图像数据与所述移动数据及所述位置数据关联;及
响应于确定所述至少一次移动超过所述预定阈值,经由所述广域网将所述经关联图像数据以及所述经关联移动及位置数据发送到所述服务器。
11.根据权利要求9所述的方法,其包括:
由至少一个相机收集关于位于所述交通工具外部的物体的至少一个图像的图像数据;
将所述经收集图像数据与所述移动数据及所述位置数据关联;及
响应于确定所述至少一次移动超过所述预定阈值,经由所述广域网将所述经关联图像数据或其派生物发送到所述服务器。
12.根据权利要求9所述的方法,其包括:
由所述计算系统接收及处理来自所述服务器的数据;
其中来自所述服务器的所述数据包括从由所述服务器从其它交通工具接收到的经关联移动及位置数据导出的信息。
13.根据权利要求12所述的方法,其包括由用户接口将所述经处理数据的至少部分体用给所述交通工具的用户。
14.根据权利要求12所述的方法,其包括:
由电子控制单元(ECU)接收所述经处理数据的至少部分;及
由所述ECU根据所述经处理数据的所述至少部分来控制所述交通工具的转向、所述交通工具的减速或所述交通工具的加速中的至少一者,或其任何组合。
15.一种方法,其包括:
从交通工具中的计算系统接收移动数据及地理位置数据,其中每一交通工具的移动已被确定为超过预定阈值;
至少基于所述经接收移动数据及所述经接收地理位置数据,产生关于危险状况的地理位置的危险信息;及
当第一交通工具正在接近危险状况的所述地理位置中的一个位置且在所述一个位置的预选距离内时,将所述危险信息的一部分发送到所述第一交通工具中的计算系统。
16.根据权利要求15所述的方法,其中所述危险信息的所述部分经配置用于经由所述第一交通工具中的用户接口将警报提供给所述第一交通工具的用户。
17.根据权利要求15所述的方法,其中所述危险信息的所述部分经配置用于经由所述第一交通工具中的至少一个电系统控制所述第一交通工具的转向、减速或加速。
18.根据权利要求15所述的方法,其中:
所述经接收移动数据包括从每一交通工具发送的相应移动数据,且所述相应移动数据从每一交通工具的经感测移动导出;且
所述经接收位置数据包括从每一交通工具发送的相应位置数据,且所述相应位置数据与在感测到所述移动时每一交通工具的位置相关联。
19.根据权利要求18所述的方法,其包括从所述交通工具中的所述计算系统接收图像数据,其中:
基于所述经接收图像数据、所述经接收移动数据及所述经接收地理位置数据来确定所述危险状况的所述地理位置;
所述图像数据包括从在每一交通工具的预选距离内的区域的至少一个图像导出的相应图像数据;且
在感测到所述交通工具的所述相应移动时记录所述至少一个图像。
20.根据权利要求19所述的方法,其中所述危险信息的所述部分包括与所述一个位置相关联的第一图像数据,且经配置以至少提供经由所述第一交通工具中的用户接口提醒所述第一交通工具的用户并进一步展示从所述第一图像数据再现的危险的图像的基础。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/784,554 | 2020-02-07 | ||
US16/784,554 US11328599B2 (en) | 2020-02-07 | 2020-02-07 | Crowdsourcing road conditions from abnormal vehicle events |
PCT/US2021/016555 WO2021158747A1 (en) | 2020-02-07 | 2021-02-04 | Crowdsourcing road conditions from abnormal vehicle events |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115516539A true CN115516539A (zh) | 2022-12-23 |
Family
ID=77177248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180016282.2A Pending CN115516539A (zh) | 2020-02-07 | 2021-02-04 | 从异常交通工具事件众包道路状况 |
Country Status (3)
Country | Link |
---|---|
US (3) | US11328599B2 (zh) |
CN (1) | CN115516539A (zh) |
WO (1) | WO2021158747A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11328599B2 (en) | 2020-02-07 | 2022-05-10 | Micron Technology, Inc. | Crowdsourcing road conditions from abnormal vehicle events |
US20230152104A1 (en) * | 2021-11-18 | 2023-05-18 | Johnson Controls Tyco IP Holdings LLP | Methods and apparatuses for implementing integrated image sensors |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0668392A (ja) * | 1992-08-20 | 1994-03-11 | Honda Motor Co Ltd | 車両走行案内装置 |
KR100692241B1 (ko) * | 2005-11-03 | 2007-03-12 | 주식회사 포이닉스 | 차량의 무인과속 감시방법 및 무인과속 감시시스템 |
CN101587637A (zh) * | 2008-05-20 | 2009-11-25 | 奥城同立科技开发(北京)有限公司 | 高速公路车辆超速监控方法 |
US20140111354A1 (en) * | 2012-10-18 | 2014-04-24 | Calamp Corp. | Systems and Methods for Location Reporting of Detected Events in Vehicle Operation |
US20160133131A1 (en) * | 2014-11-12 | 2016-05-12 | GM Global Technology Operations LLC | Use of participative sensing systems to enable enhanced road friction estimation |
US20180137698A1 (en) * | 2015-04-24 | 2018-05-17 | Pai-R Co., Ltd. | Drive recorder |
US10019901B1 (en) * | 2015-08-28 | 2018-07-10 | State Farm Mutual Automobile Insurance Company | Vehicular traffic alerts for avoidance of abnormal traffic conditions |
CN109074727A (zh) * | 2016-04-28 | 2018-12-21 | 住友电气工业株式会社 | 安全驾驶辅助系统、车辆、以及程序 |
JP2018205845A (ja) * | 2017-05-30 | 2018-12-27 | 矢崎エナジーシステム株式会社 | 車載画像記録装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2581272B1 (en) * | 2010-06-11 | 2014-10-08 | Nissan Motor Co., Ltd | Parking assistance device and method |
US20140067265A1 (en) | 2012-08-28 | 2014-03-06 | Cvg Management Corporation | Road condition tracking and presentation |
US9881272B2 (en) | 2013-09-16 | 2018-01-30 | Fleetmatics Ireland Limited | Vehicle independent employee/driver tracking and reporting |
US9849882B2 (en) * | 2015-02-06 | 2017-12-26 | Jung H BYUN | Vehicle control based on crowdsourcing data |
US10096240B2 (en) | 2015-02-06 | 2018-10-09 | Jung H BYUN | Method and server for traffic signal regulation based on crowdsourcing data |
US11142203B2 (en) * | 2017-02-27 | 2021-10-12 | Ford Global Technologies, Llc | Cooperative vehicle navigation |
US10372131B2 (en) * | 2017-07-06 | 2019-08-06 | Ford Global Technologies, Llc | Vehicles changing lanes based on trailing vehicles |
US10994727B1 (en) * | 2017-08-02 | 2021-05-04 | Allstate Insurance Company | Subscription-based and event-based connected vehicle control and response systems |
US10895463B1 (en) * | 2018-01-24 | 2021-01-19 | State Farm Mutual Automobile Insurance Company | Systems and methods of monitoring and analyzing multimodal transportation usage |
US20190310651A1 (en) * | 2018-04-10 | 2019-10-10 | Uber Technologies, Inc. | Object Detection and Determination of Motion Information Using Curve-Fitting in Autonomous Vehicle Applications |
JP7073972B2 (ja) * | 2018-08-03 | 2022-05-24 | トヨタ自動車株式会社 | 情報処理システム、プログラム、及び制御方法 |
CN111656140B (zh) * | 2018-09-18 | 2023-08-18 | 北京嘀嘀无限科技发展有限公司 | 预测交通事故发生地的人工智能系统和方法 |
US11465626B2 (en) * | 2019-02-06 | 2022-10-11 | Toyota Jidosha Kabushiki Kaisha | Virtualized driver assistance |
US11328599B2 (en) | 2020-02-07 | 2022-05-10 | Micron Technology, Inc. | Crowdsourcing road conditions from abnormal vehicle events |
-
2020
- 2020-02-07 US US16/784,554 patent/US11328599B2/en active Active
-
2021
- 2021-02-04 CN CN202180016282.2A patent/CN115516539A/zh active Pending
- 2021-02-04 WO PCT/US2021/016555 patent/WO2021158747A1/en active Application Filing
-
2022
- 2022-04-13 US US17/719,635 patent/US11900811B2/en active Active
-
2023
- 2023-11-29 US US18/523,777 patent/US20240096217A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0668392A (ja) * | 1992-08-20 | 1994-03-11 | Honda Motor Co Ltd | 車両走行案内装置 |
KR100692241B1 (ko) * | 2005-11-03 | 2007-03-12 | 주식회사 포이닉스 | 차량의 무인과속 감시방법 및 무인과속 감시시스템 |
CN101587637A (zh) * | 2008-05-20 | 2009-11-25 | 奥城同立科技开发(北京)有限公司 | 高速公路车辆超速监控方法 |
US20140111354A1 (en) * | 2012-10-18 | 2014-04-24 | Calamp Corp. | Systems and Methods for Location Reporting of Detected Events in Vehicle Operation |
US20160335813A1 (en) * | 2012-10-18 | 2016-11-17 | Calamp Corp. | Systems and Methods for Location Reporting of Detected Events in Vehicle Operation |
US20160133131A1 (en) * | 2014-11-12 | 2016-05-12 | GM Global Technology Operations LLC | Use of participative sensing systems to enable enhanced road friction estimation |
US20180137698A1 (en) * | 2015-04-24 | 2018-05-17 | Pai-R Co., Ltd. | Drive recorder |
US10019901B1 (en) * | 2015-08-28 | 2018-07-10 | State Farm Mutual Automobile Insurance Company | Vehicular traffic alerts for avoidance of abnormal traffic conditions |
CN109074727A (zh) * | 2016-04-28 | 2018-12-21 | 住友电气工业株式会社 | 安全驾驶辅助系统、车辆、以及程序 |
JP2018205845A (ja) * | 2017-05-30 | 2018-12-27 | 矢崎エナジーシステム株式会社 | 車載画像記録装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220238022A1 (en) | 2022-07-28 |
US20210248908A1 (en) | 2021-08-12 |
WO2021158747A1 (en) | 2021-08-12 |
US20240096217A1 (en) | 2024-03-21 |
US11900811B2 (en) | 2024-02-13 |
US11328599B2 (en) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109421738B (zh) | 用于监视自主车辆的方法和装置 | |
CN109421739B (zh) | 用于监控自主车辆的方法和设备 | |
JP6575818B2 (ja) | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援システム、プログラム | |
CN107368069B (zh) | 基于车联网的自动驾驶控制策略的生成方法与生成装置 | |
WO2017057060A1 (ja) | 運転制御装置、および運転制御方法、並びにプログラム | |
WO2017057059A1 (ja) | 運転制御装置、および運転制御方法、並びにプログラム | |
CN109690657B (zh) | 用于在车辆中操作智能教程的方法和装置 | |
US20240096217A1 (en) | Crowdsourcing road conditions from abnormal vehicle events | |
CN109421630A (zh) | 用于监测自主车辆的健康的控制器架构 | |
CN109421742A (zh) | 用于监测自主车辆的方法和设备 | |
Habenicht et al. | A maneuver-based lane change assistance system | |
CN115516464A (zh) | 通过停放的车辆的处理能力进行的ann训练 | |
WO2021129156A1 (zh) | 智能汽车的控制方法、装置和控制系统 | |
CN109421740A (zh) | 用于监测自主车辆的方法和装置 | |
CN111452789A (zh) | 自动驾驶超车控制方法及系统 | |
CN113071492B (zh) | 建立车道变换操纵的系统方法 | |
CN115551757A (zh) | 乘客筛查 | |
CN114091547A (zh) | 基于驾驶员分类选择性地启用或禁用车辆特征 | |
KR20220156904A (ko) | 운전자 스크리닝 | |
US20220161819A1 (en) | Automatic motor-vehicle driving speed control based on driver's driving behaviour | |
CN113928328A (zh) | 受损驾驶辅助 | |
US11738804B2 (en) | Training a vehicle to accommodate a driver | |
US20240053747A1 (en) | Detection of autonomous operation of a vehicle |
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 |