CN115909706A - 用于动态车队优先化管理的方法和系统 - Google Patents
用于动态车队优先化管理的方法和系统 Download PDFInfo
- Publication number
- CN115909706A CN115909706A CN202210585592.2A CN202210585592A CN115909706A CN 115909706 A CN115909706 A CN 115909706A CN 202210585592 A CN202210585592 A CN 202210585592A CN 115909706 A CN115909706 A CN 115909706A
- Authority
- CN
- China
- Prior art keywords
- autonomous vehicle
- risk value
- maneuver
- vehicle
- processor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007726 management method Methods 0.000 title description 13
- 238000012913 prioritisation Methods 0.000 title description 3
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013439 planning Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 description 15
- 238000012502 risk assessment Methods 0.000 description 13
- 239000000725 suspension Substances 0.000 description 10
- 208000027744 congestion Diseases 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000013500 data storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
- G05D1/0027—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement involving a plurality of vehicles, e.g. fleet or convoy travelling
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/406—Traffic density
-
- 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)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
提供了用于请求远程运输系统远程控制自主车辆的系统和方法。在一实施例中，一种方法包括：由自主车辆的处理器接收与自主车辆相关的经验数据，其中，经验数据包括自主车辆的位置、一天中的时间、自主车辆的姿态、检测到的环境中的自由空间、检测到的自主车辆的环境中的拥堵、计划的机动类型和相关的机动图；由处理器基于经验数据确定计划机动的一个或多个特征；由处理器通过用机器学习模型处理一个或多个特征来确定与计划任务相关的风险值；以及由处理器基于风险值选择性地生成给远程运输系统的请求数据，其中请求数据包括风险值。
Description
技术领域
本公开总体涉及车辆，更具体地涉及用于管理向自主车辆车队中的自主车辆提供的辅助的系统和方法。
背景技术
许多车辆具有一个或多个自主特征。例如，自主车辆是能够感知其环境并在很少或没有用户输入的情况下导航的车辆。这是通过使用诸如雷达、激光雷达、图像传感器等传感器来实现的。自主车辆还使用来自全球定位系统(GPS)技术、导航系统、车对车通信、车对基础设施技术和/或线控系统的信息来导航车辆。
在某些情况下，操作员可能需要介入并向自主车辆提供辅助。在这种情况下，可以从远程位置的远程操作员请求帮助。例如，远程操作员可以监督自主车辆的车队。
因此，期望提供用于管理向自主车辆车队中的自主车辆提供的辅助的系统和方法。此外，从随后的详细描述和所附权利要求中，结合附图和前述技术领域和背景技术，本公开的其他期望特征和特性将变得显而易见。
发明内容
提供了用于请求远程运输系统远程控制自主车辆的系统和方法。在一实施例中，一种方法包括：由自主车辆的处理器接收与自主车辆相关的经验数据，其中，经验数据包括自主车辆的位置、一天中的时间、自主车辆的姿态、检测到的环境中的自由空间、检测到的自主车辆的环境中的拥堵、计划的机动类型和相关的机动图；由处理器基于经验数据确定计划机动的一个或多个特征；由处理器通过用机器学习模型处理一个或多个特征来确定与计划任务相关的风险值；以及由处理器基于风险值选择性地生成给远程运输系统的请求数据，其中请求数据包括风险值。
在各种实施例中，一个或多个特征包括与邻近交叉口的控制类型或级别相关的第二风险值。
在各种实施例中，一个或多个特征包括基于先验地图的故障概率值。
在各种实施例中，一个或多个特征包括基于一天中的时间先验地图的一天中的时间故障概率值。
在各种实施例中，一个或多个特征包括机动应急风险值。
在各种实施例中，一个或多个特征包括机动类型风险值。
在各种实施例中，一个或多个特征包括自由空间机动性风险值。
在各种实施例中，一个或多个特征包括拥堵级别风险值。
在各种实施例中，该方法包括由远程运输系统选择性地向自主车辆分配操作员，以基于请求数据提供远程辅助。
在各种实施例中，请求数据包括干预类型，并且其中该方法还包括由远程运输系统基于请求数据对干预类型进行优先化。
在各种实施例中，该方法包括：由远程运输系统确定计划机动的一个或多个附加特征；以及由远程运输系统通过用机器学习模型处理一个或多个附加特征来更新与计划任务相关的风险值。
在各种实施例中，一个或多个附加特征包括天气类型风险值。
在各种实施例中，一个或多个附加特征包括拥堵风险值。
在各种实施例中，一个或多个附加特征包括先验地图概率值。
在另一实施例中，一种系统包括：通信系统，其配置为向远程运输系统传送请求自主控制干预的请求数据；以及控制器，其配置成由处理器接收与自主车辆相关的经验数据，其中，经验数据包括自主车辆的位置、一天中的时间、自主车辆的姿态、检测到的环境中的自由空间、检测到的自主车辆的环境中的拥堵、计划的机动类型和相关的机动图，其中，控制器进一步配置成基于经验数据确定计划机动的一个或多个特征，通过用机器学习模型处理一个或多个特征来确定与计划任务相关的风险值，基于风险值选择性地生成请求数据，其中请求数据包括风险值。
在各种实施例中，一个或多个特征包括与邻近交叉口的控制类型或级别相关的第二风险值、基于先验地图的故障概率值、基于一天中的时间先验地图的一天中的时间故障概率值、机动应急风险值、机动类型风险值、自由空间机动性风险值和拥堵级别风险值中的至少一个。
在各种实施例中，该系统包括远程运输系统，该远程运输系统配置成由处理器确定计划机动的一个或多个附加特征，并且通过用至少一个附加机器学习模型处理一个或多个附加特征来更新与计划任务相关的风险值。
在各种实施例中，一个或多个附加特征与天气类型、拥堵级别和先验地图中的至少一个相关。
在各种实施例中，该系统包括远程运输系统，其中远程运输系统配置为基于请求数据向自主车辆分配操作员以提供远程辅助。
在各种实施例中，请求数据包括干预类型，并且其中系统还包括远程运输系统，其中远程运输系统配置为基于请求数据对干预类型进行优先化。
附图说明
下文将结合以下附图描述示例性实施例，其中相同的附图标记表示相同的元件，其中：
图1是示出根据各种实施例的具有车队管理系统的车辆的功能框图；
图2是示出根据各种实施例的具有如图1所示的一个或多个车辆的运输系统和车队管理系统的功能框图；
图3是示出根据各种实施例的具有与图1的车辆相关的车队管理系统的自主驾驶系统(ADS)的功能框图；
图4是示出根据各种实施例的车辆的车队管理系统的功能框图；以及
图5是根据各种实施例的车辆车队管理系统的控制过程的流程图。
具体实施方式
下面的详细描述本质上仅仅是示例性的，并不旨在限制应用和使用。此外，没有意图被在前面的技术领域、背景、简要概述或下面的详细描述中提出的任何明示或暗示的理论所束缚。如本文所用，术语模块指的是任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器设备，单独地或以任何组合的形式，包括但不限于：专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、执行一个或多个软件或固件程序的处理器(共享的、专用的或成组的)和存储器、组合逻辑电路和/或提供所述功能的其他合适部件。
本文可以根据功能和/或逻辑块部件以及各种处理步骤来描述本公开的实施例。应当理解，这种块部件可以由配置成执行指定功能的任何数量的硬件、软件和/或固件部件来实现。例如，本公开的实施例可以采用各种集成电路部件，例如存储器元件、数字信号处理元件、逻辑元件、查找表等，它们可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。此外，本领域技术人员将理解，本公开的实施例可以结合任何数量的系统来实践，并且本文描述的系统仅仅是本公开的示例性实施例。
为了简洁起见，与信号处理、数据传输、信令、控制、机器学习、图像分析和系统的其他功能方面(以及系统的各个操作部件)相关的传统技术在此可能不详细描述。此外，本文包含的各个图中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意，在本公开的实施例中可以存在许多替代的或附加的功能关系或物理连接。
参考图1，根据各种实施例，总体示出为100的车队管理系统与车辆10相关。通常，车辆10的车队管理系统(或简称为“系统”)100提供风险自我报告系统，该系统确定与任务相关的自我风险并基于该风险请求人工干预。
如图1所示，车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上，并基本包围车辆10的部件。车身14和底盘12可以共同形成框架。车轮16-18各自在车身14的相应拐角附近可旋转地联接到底盘12。在各种实施例中，车轮16、18包括车轮组件，其还包括相应的相关轮胎。
在各种实施例中，车辆10是自主车辆，并且传感器对准调节系统100和/或其部件被结合到车辆10中。车辆10例如是被自动控制以将乘客从一个地点运送到另一个地点的车辆。在所示实施例中，车辆10描述为客车，但应当理解，也可以使用包括摩托车、卡车、运动型多用途车(SUV)、休闲车(RV)、海船、飞机等在内的任何其他交通工具。
在示例性实施例中，车辆10对应于汽车工程师协会(SAE)“J3016”自动驾驶级别标准分类法下的四级或五级自动化系统。使用该术语，四级系统表示“高度自动化”，指的是自动驾驶系统执行动态驾驶任务的所有方面的驾驶模式，即使人类驾驶员没有适当地响应干预请求。另一方面，五级系统表示“完全自动化”，指的是自动驾驶系统在人类驾驶员能够管理的所有道路和环境条件下执行动态驾驶任务的所有方面的驾驶模式。然而，将理解，根据本主题的实施例不限于自动化类别的任何特定分类或规则。此外，根据本实施例的系统可以与包括传感器和悬架系统的任何自主、非自主或其他车辆结合使用。
如图所示，车辆10通常包括推进系统20、传动系统22、转向系统24、制动系统26、悬架系统27、传感器系统28、致动器系统30、至少一个数据存储设备32、至少一个控制器34和通信系统36。在各种实施例中，推进系统20可包括内燃机、电机如牵引电机和/或燃料电池推进系统。传动系统22配置成根据可选择的速度比将动力从推进系统20传递到车轮16和18。根据各种实施例，传动系统22可包括有级自动变速器、无级变速器或其他合适的变速器。
制动系统26配置为向车轮16和18提供制动扭矩。在各种实施例中，制动系统26可包括摩擦制动器、线制动、再生制动系统如电机和/或其他合适的制动系统。
转向系统24影响车轮16和/或18的位置。尽管出于说明的目的被描绘为包括方向盘，但在本发明范围内预期的一些实施例中，转向系统24可以不包括方向盘。
悬架系统27连接车辆10和车轮16、18。在各种实施例中，悬架系统27为车辆10的不同操作质量提供支持，包括道路保持(例如转向稳定性)、道路操纵(例如转弯)和道路隔离(例如乘坐舒适性)。同样在各种实施例中，悬架系统27包括一个或多个减震器71、弹簧72(例如在一实施例中，一个或多个用作弹簧72的气囊)、一个或多个调节系统73(例如液压系统、电磁系统和/或机电系统)和/或影响车辆10和车轮16、18之间的相对运动的一个或多个其他部件(例如连杆、与车轮16、18相关的轮胎、致动器等，以及其他可能的部件)。
在各种实施例中，悬架系统27是可调节的悬架系统，其中其一个或多个部件可以通过相应的致动器来调节。在各种实施例中，悬架系统27是可调节的，以便调节车辆10的道路隔离、道路操纵、一个或多个车轮与地面接触的行驶高度和/或道路隔离。此外，在各种实施例中，悬挂系统27是进一步可调节的，以便在某些适当的情况下调节传感器系统28的传感器的对准。
传感器系统28包括一个或多个传感器40a-40n，其感测车辆10的外部环境和/或内部环境的可观察条件。传感器40a-40n包括但不限于雷达、激光雷达、全球定位系统、光学相机、热感相机、超声波传感器、惯性测量单元和/或其他传感器。
致动器系统30包括一个或多个致动器42a-42n，其控制一个或多个车辆特征，比如但不限于推进系统20、传动系统22、转向系统24、制动系统26和悬架系统27。在各种实施例中，车辆10还可以包括未在图1中示出的内部和/或外部车辆特征，比如各种门、行李箱和车厢特征，比如空气、音乐、照明、触摸屏显示部件(比如与导航系统结合使用的部件)等。
数据存储装置32存储用于自动控制车辆10的数据。在各种实施例中，数据存储装置32存储可导航环境的定义的地图。在各种实施例中，定义的地图可以由远程系统预定义并从远程系统获得(参考图2进一步详细描述)。例如，定义的地图可以由远程系统组装并传送给车辆10(无线和/或有线方式)并存储在数据存储装置32中。路线信息也可以存储在数据存储设备32内—即一组路段(与一个或多个定义的地图在地理上相关),它们一起定义了用户可以从起始位置(例如用户的当前位置)行进到目标位置的路线。
通信系统36配置成向和从其他实体48无线传送信息，其他实体48例如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、远程运输系统和/或用户设备(关于图2更详细地描述)。在示例性实施例中，通信系统36是配置成使用IEEE 802.11标准或通过使用蜂窝数据通信经由无线局域网(WLAN)进行通信的无线通信系统。然而，诸如专用短程通信(DSRC)信道的附加或替代通信方法也被认为在本公开的范围内。DSRC信道是指专门为汽车应用设计的单向或双向短程到中程无线通信信道，以及相应的一组协议和标准。
在某些实施例中，通信系统36还配置成用于传感器系统28、致动器系统30、一个或多个控制器(例如控制器34)之间的通信。例如，通信系统36可以包括传感器系统28、致动器系统30和/或一个或多个控制器34之间的控制器局域网(CAN)总线和/或直接布线的任何组合。
控制器34包括至少一个处理器44和计算机可读存储设备或介质46。处理器44可以是任何定制的或市场上可买到的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制器34相关的几个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、它们的任何组合，或者通常是用于执行指令的任何设备。计算机可读存储设备或介质46可以包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储。KAM是永久性或非易失性存储器，当处理器44断电时，其可用于存储各种操作变量。计算机可读存储设备或介质46可以使用多种已知存储设备中的任何一种来实现，例如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪存或任何其他能够存储数据的电、磁、光或组合存储设备，其中一些表示控制器34在控制车辆10时使用的可执行指令。
指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由处理器44执行时，这些指令接收并处理来自传感器系统28的信号，执行用于自动控制车辆10的部件的逻辑、计算、方法和/或算法，并生成传输到致动器系统30的控制信号，以基于逻辑、计算、方法和/或算法自动控制车辆10的部件。尽管在图1中仅示出了一个控制器34，但车辆10的实施例可以包括任何数量的控制器34，这些控制器通过任何合适的通信介质或通信介质的组合进行通信，并且协作以处理传感器信号、执行逻辑、计算、方法和/或算法，并且生成控制信号以自动控制车辆10的特征。
在各种实施例中，如下面详细讨论，控制器34配置用于确定自风险并将自风险和/或远程辅助请求传送给远程运输系统52的车队管理系统100。
现在参考图2，在各种实施例中，参考图1描述的车辆10可以适用于在某个地理区域(例如城市、学校或商业校园、购物中心、游乐园、活动中心等)中的车辆比如出租车车队或班车服务，或者可以简单地由远程系统管理。例如，车辆10可以与基于自主车辆的远程运输系统相关。图2示出了总体以50示出的操作环境的示例性实施例，该操作环境包括基于自主车辆的远程运输系统(或简称为“远程运输系统”)52，该远程运输系统52与关于图1描述的一个或多个车辆10a-10n相关。在各种实施例中，操作环境50(其全部或一部分可以对应于图1所示的实体48)还包括一个或多个用户设备54，用户设备54通过通信网络56与车辆10和/或远程运输系统52通信。
通信网络56根据需要支持由操作环境50支持的设备、系统和部件之间的通信(例如经由有形通信链路和/或无线通信链路)。例如，通信网络56可以包括无线载波系统60，例如包括多个蜂窝塔(未示出)、一个或多个移动交换中心(MSC)(未示出)的蜂窝电话系统，以及将无线载波系统60与陆地通信系统连接所需的任何其他网络部件。每个蜂窝塔包括发送和接收天线以及基站，来自不同蜂窝塔的基站直接或通过诸如基站控制器的中间设备连接到MSC。无线载波系统60可以实现任何合适的通信技术，包括例如数字技术，诸如CDMA(例如CDMA2000)、LTE(例如4G LTE或5G LTE)、GSM/GPRS或其他当前或新兴的无线技术。其他蜂窝塔/基站/MSC布置是可能的，并且可以与无线载波系统60一起使用。例如，基站和蜂窝塔可以共同位于同一地点，或者它们可以彼此远离，每个基站可以负责单个蜂窝塔，或者单个基站可以服务各种蜂窝塔，或者各种基站可以耦合到单个MSC，这仅是几个可能的布置。
除了包括无线载波系统60之外，可以包括卫星通信系统64形式的第二无线载波系统，以提供与车辆10a-10n的单向或双向通信。这可以使用一个或多个通信卫星(未示出)和上行链路发射站(未示出)来完成。单向通信可以包括例如卫星无线电服务，其中节目内容(新闻、音乐等)由发射站接收，打包上传，然后发送到卫星，卫星将节目广播给用户。双向通信可以包括例如卫星电话服务，其使用卫星来中继车辆10和站之间的电话通信。除了无线载波系统60之外，或者代替无线载波系统60，可以使用卫星电话。
还可以包括陆地通信系统62，其是连接到一个或多个陆线电话的传统基于陆地的电信网络，并且将无线载波系统60连接到远程运输系统52。例如，陆地通信系统62可以包括公共交换电话网(PSTN),例如用于提供硬连线电话、分组交换数据通信和互联网基础设施的网络。陆地通信系统62的一个或多个段可以通过使用标准有线网络、光纤或其他光网络、电缆网络、电力线、其他无线网络比如无线局域网(WLAN)或提供宽带无线接入(BWA)的网络或其任意组合来实现。此外，远程运输系统52不需要经由陆地通信系统62连接，而是可以包括无线电话设备，使得它可以直接与无线网络通信，例如无线载波系统60。
尽管在图2中仅示出了一个用户设备54，但操作环境50的实施例可以支持任何数量的用户设备54，包括由一个人拥有、操作或以其他方式使用的多个用户设备54。操作环境50支持的每个用户设备54可以使用任何合适的硬件平台来实现。在这点上，用户设备54可以任何常见的形式实现，包括但不限于：台式计算机；移动计算机(例如平板电脑、膝上型计算机或上网本计算机)；智能手机；视频游戏设备；数字媒体播放器；家庭娱乐设备部件；数码相机或摄像机；可穿戴计算设备(例如智能手表、智能眼镜、智能服装)等。由操作环境50支持的每个用户设备54被实现为计算机实现的或基于计算机的设备，其具有执行这里描述的各种技术和方法所需的硬件、软件、固件和/或处理逻辑。例如，用户设备54包括可编程设备形式的微处理器，该可编程设备包括存储在内部存储器结构中的一个或多个指令，并用于接收二进制输入以创建二进制输出。在一些实施例中，用户设备54包括能够接收GPS卫星信号并基于这些信号生成GPS坐标的GPS模块。在其他实施例中，用户设备54包括蜂窝通信功能，使得该设备使用一个或多个蜂窝通信协议通过通信网络56执行语音和/或数据通信，如本文所述。在各种实施例中，用户设备54包括视觉显示器，例如触摸屏图形显示器或其他显示器。
远程运输系统52包括一个或多个后端服务器系统(未示出)，其可以是基于云的、基于网络的，或者驻留在由远程运输系统52服务的特定校园或地理位置。远程运输系统52可以由多个实时顾问、自动顾问、人工智能系统或其组合来操纵。远程运输系统52可以与用户设备54和车辆10a-10n通信，以安排乘坐、调度车辆10a-10n等。
在各种实施例中，远程运输系统52包括远程辅助系统150，其是车队管理系统100的一部分。远程辅助系统150与车辆的车队管理系统100通信，以基于自我评估风险向请求车辆提供远程辅助。在各种实施例中，远程辅助系统150基于车辆10a传达给远程运输系统52的自我评估风险来动态地向车辆10a分配远程操作员以提供辅助。
根据典型的用例工作流程，当车辆10a-10b中的车辆10a确定可能需要辅助时，车辆10a基于所确定的成功完成任务的辅助需要来计算风险值。车辆10a可以确定完成任务所需的干预类型，并将风险和干预类型传送给远程运输系统52。远程运输系统52评估风险和干预类型，并且例如基于风险和/或任务类型的优先化来动态地将干预任务分配给远程运输系统52的操作员。
可以理解的是，本文公开的主题为可被认为是标准或基准车辆10和/或基于车辆的远程运输系统52提供某些增强的特征和功能。为此，可以修改、增强或补充车辆和基于车辆的远程运输系统，以提供下面更详细描述的附加特征。
根据各种实施例，控制器34实施如图3所示的自主驾驶系统(ADS)。也就是说，控制器34的合适软件和/或硬件部件(例如处理器44和计算机可读存储装置46)被用来提供与车辆10结合使用的ADS。
在各种实施例中，自主驾驶系统70的指令可以通过功能或系统来组织。例如，如图3所示，自主驾驶系统70可以包括计算机视觉系统74、定位系统76、引导系统78和车辆控制系统80。如可以理解的，在各种实施例中，指令可被组织成任何数量的系统(例如组合、进一步划分等)，因为本公开不限于当前的示例。
在各种实施例中，计算机视觉系统74合成并处理传感器数据，并预测车辆10的环境的物体和特征的存在、位置、分类和/或路径。在各种实施例中，计算机视觉系统74可以结合来自多个传感器的信息，包括但不限于相机、激光雷达、雷达和/或任何数量的其他类型的传感器。
定位系统76处理传感器数据以及其他数据以确定车辆相对于环境的位置(例如相对于地图的本地位置、相对于道路车道的精确位置、车辆航向、速度等)。引导系统78处理传感器数据以及其他数据，以确定车辆10要遵循的路径。车辆控制系统80根据所确定的路径产生用于控制车辆10的控制信号。
在各种实施例中，控制器34实施机器学习技术来辅助控制器34的功能，比如特征检测/分类、障碍缓解、路线遍历、绘图、传感器集成、地面实况确定等。
在各种实施例中，如上文关于图1所讨论，控制器34的一个或多个指令体现在车队管理系统100的风险评估系统200中。如图所示，风险评估系统200的全部或部分可以体现在ADS70的子系统74-80之一中，或者可以实现为单独的系统200。
参考图4并继续参考图1-3，数据流程图图示了根据各种实施例的系统100的风险评估系统200。应当理解，根据本公开的风险评估系统200的各种实施例可以包括任意数量的子模块，这些子模块可被组合和/或进一步划分，以类似地实现这里描述的系统和方法。此外，对风险评估系统200的输入可以从传感器系统28接收，从数据存储设备32检索，从与自主车辆10相关的其他控制模块(未示出)接收，从通信系统36接收，和/或由图1的控制器34内的其他子模块(未示出)确定/建模。此外，还可以对输入进行预处理，例如子采样、降噪、归一化、特征提取、缺失数据减少等。在各种实施例中，所示的一个或多个模块可以在远程运输系统52上实现，并且从车辆10a-10b接收输入。
在各种实施例中，风险评估系统200通常包括特征确定模块202、风险评估模块204、模型更新模块206和模型数据存储208。模型数据存储208存储在估计完成任务的风险中使用的一个或多个机器学习模型和/或在预测机动和/或干预类型的特征中使用的模型。一个或多个模型可被实现为一个或多个机器学习模型，其经历监督、非监督、半监督或强化学习。这种模型的示例包括但不限于人工神经网络(ANN)(例如递归神经网络(RNN)和卷积神经网络(CNN))、决策树模型(例如分类和回归树(CART))、集成学习模型(例如提升、自举聚合、梯度提升机器和随机森林)、贝叶斯网络模型(例如朴素贝叶斯)、主成分分析(PCA)、支持向量机(SVM)、聚类模型(例如K近邻、K均值、期望最大化、分层聚类等)、线性判别分析模型。在各种实施例中，模型更新模块执行任何模型的训练。在其他实施例中，训练至少部分发生在车辆10的控制器34本身内。该模型可以随后与外部系统和/或车队中的其他车辆共享(如图2所示)。在各种实施例中，训练可以在远离车辆10的系统(例如图2中的系统52)中进行，并且随后下载到车辆10以在车辆10的正常操作期间使用。
特征确定模块202接收经验数据210作为输入。经验数据210包括例如车辆10的位置、一天中的时间、车辆10的姿态、检测到的车辆10的环境中的自由空间、检测到的环境中的拥堵、计划的机动类型和相关的机动图。特征确定模块202用一个或多个机器学习模型(模型数据214)或先验地图(地图数据2160，其包括从机动历史产生的地图)处理经验数据210，以确定计划机动的特征，并将风险或概率值与该特征相关。
例如，特征确定模块202确定与邻近交叉口的控制类型或级别相关的风险值。在另一示例中，特征确定模块202基于先验地图确定故障概率值。在另一示例中，特征确定模块202基于一天中的时间先验地图确定一天中的时间故障概率值。在另一示例中，特征确定模块202确定机动应急风险值。在另一示例中，特征确定模块确定机动类型风险值。在另一示例中，特征确定模块202确定自由空间机动性风险值。在另一示例中，特征确定模块202确定天气类型风险值。在另一示例中，特征确定模块202确定拥堵级别风险值。特征确定模块202然后基于所确定的值形成特征数据212(例如作为确定值的列举)。
风险评估模块204接收特征数据212作为输入。风险评估模块204用一个或多个机器学习模型(模型数据218)处理特征数据212，以确定风险数据。例如，机器学习模型评估每个特征以确定任务成功完成的概率和任务失败的风险和/或需要中央操作员辅助的机会。当确定存在需要辅助的机会时，风险评估模块204然后基于需要辅助的可能性来确定干预类型。
风险评估模块204然后评估风险数据，并选择性地将请求数据220传送到例如远程运输系统52。例如，当风险数据指示风险变化大于预定阈值时，通信模块生成指示风险值和干预类型的请求数据220，并启动请求数据220到远程运输系统52的通信。
模型更新模块206接收观察数据222作为输入。观察数据222包括与特征或机动相关的通过和/或失败数据。模型更新模块206基于观察数据222训练存储在模型数据存储208中的机器学习模型。例如，模型更新模块206对经验数据210(按时间顺序重放的数据)和结果观察数据222执行时间差异学习算法，以确定导致故障时刻的状态。这些状态用于更新保存在模型数据存储208中的机器学习模型。
参考图5，根据示例性实施例，提供了用于由车辆10执行风险评估的控制过程400的流程图。根据各种实施例，控制过程400可以结合图1的系统100和车辆10、图2的运输系统52、图3的自主驾驶系统和图4的风险评估系统200来实施。根据本公开可以理解，控制过程400内的操作顺序不限于图5所示的顺序执行，而是可以按照适用并根据本公开以一个或多个不同的顺序执行。在各种实施例中，控制过程400可以基于一个或多个预定事件被安排运行，和/或可以在车辆10的操作期间连续运行。
在一示例中，该方法可以开始于405。在410接收经验数据210。在420，基于经验数据210来确定特征数据212。例如，如上所述，特征数据212包括与邻近交叉口的控制类型或级别相关的风险值、基于先验地图的故障概率值、基于一天中的时间先验地图的一天中的时间故障概率值、机动应急风险值、机动类型风险值、自由空间机动性风险值、天气类型风险值和/或拥堵级别风险值。
在430，机器学习模型处理特征数据212以确定风险。在440，确定风险变化，并将其与预定义阈值进行比较。如果在440风险变化大于阈值，控制过程400继续在450确定干预类型，并在460基于此生成请求数据220。此后，在470接收观察数据222，并且在480使用经验数据210和观察数据222选择性地更新机器学习模型。此后，控制过程400可继续在410接收新的经验数据。
一旦远程运输系统52接收到请求数据220，风险和干预类型可以用于向请求车辆分配操作员和/或优先化车辆控制的干预。
虽然在前面的详细描述中已经介绍了至少一个示例性实施例，但应该理解，存在大量的变化。还应当理解，一个或多个示例性实施例仅仅是示例，并不旨在以任何方式限制本公开的范围、适用性或配置。相反，前面的详细描述将为本领域技术人员提供实施一个或多个示例性实施例的便利路线图。应当理解，在不脱离所附权利要求及其法律等同物所阐述的本公开的范围的情况下，可以对元件的功能和布置进行各种改变。
Claims (10)
1.一种用于请求远程运输系统远程控制自主车辆的方法，包括：
由自主车辆的处理器接收与自主车辆相关的经验数据，其中，经验数据包括自主车辆的位置、一天中的时间、自主车辆的姿态、检测到的环境中的自由空间、检测到的自主车辆的环境中的拥堵、计划的机动类型和相关的机动图；
由处理器基于经验数据确定计划机动的一个或多个特征；
由处理器通过用机器学习模型处理一个或多个特征来确定与计划任务相关的风险值；以及
由处理器基于风险值选择性地生成给远程运输系统的请求数据，其中请求数据包括风险值。
2.根据权利要求1所述的方法，其中，所述一个或多个特征包括与邻近交叉口的控制类型或级别相关的第二风险值。
3.根据权利要求1所述的方法，其中，所述一个或多个特征包括基于先验地图的故障概率值。
4.根据权利要求1所述的方法，其中，所述一个或多个特征包括基于一天中的时间先验地图的一天中的时间故障概率值。
5.根据权利要求1所述的方法，其中，所述一个或多个特征包括机动应急风险值。
6.根据权利要求1所述的方法，其中，所述一个或多个特征包括机动类型风险值。
7.根据权利要求1所述的方法，其中，所述一个或多个特征包括自由空间机动性风险值。
8.根据权利要求1所述的方法，其中，所述一个或多个特征包括拥堵级别风险值。
9.根据权利要求1所述的方法，还包括由所述远程运输系统选择性地向自主车辆分配操作员，以基于所述请求数据提供远程辅助。
10.一种用于请求远程运输系统远程控制自主车辆的系统，包括：
通信系统，其配置为向远程运输系统传送请求自主控制干预的请求数据；以及
控制器，其配置成由处理器接收与自主车辆相关的经验数据，其中，经验数据包括自主车辆的位置、一天中的时间、自主车辆的姿态、检测到的环境中的自由空间、检测到的自主车辆的环境中的拥堵、计划的机动类型和相关的机动图，其中，控制器进一步配置成基于经验数据确定计划机动的一个或多个特征，通过用机器学习模型处理一个或多个特征来确定与计划任务相关的风险值，基于风险值选择性地生成请求数据，其中请求数据包括风险值。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/409,979 | 2021-08-24 | ||
| US17/409,979 US20230069363A1 (en) | 2021-08-24 | 2021-08-24 | Methods and systems for dynamic fleet prioritization management |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115909706A true CN115909706A (zh) | 2023-04-04 |
Family
ID=85175567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210585592.2A Pending CN115909706A (zh) | 2021-08-24 | 2022-05-26 | 用于动态车队优先化管理的方法和系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230069363A1 (zh) |
| CN (1) | CN115909706A (zh) |
| DE (1) | DE102022112477A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11840241B1 (en) * | 2022-07-18 | 2023-12-12 | Ford Global Technologies, Llc | Adjusting driver assist technology based on vehicle ride height |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9690290B2 (en) * | 2015-06-04 | 2017-06-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Situation-based transfer of vehicle sensor data during remote operation of autonomous vehicles |
| US10392022B1 (en) * | 2018-02-28 | 2019-08-27 | Calamp Corp. | Systems and methods for driver scoring with machine learning |
| US10752249B2 (en) * | 2018-03-14 | 2020-08-25 | Toyota Research Institute, Inc. | Vehicle systems and methods for providing turn assistance at an intersection |
| US11215471B2 (en) * | 2019-01-25 | 2022-01-04 | Uber Technologies, Inc. | Autonomous vehicle positioning for trip optimization |
-
2021
- 2021-08-24 US US17/409,979 patent/US20230069363A1/en active Pending
-
2022
- 2022-05-18 DE DE102022112477.0A patent/DE102022112477A1/de active Pending
- 2022-05-26 CN CN202210585592.2A patent/CN115909706A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20230069363A1 (en) | 2023-03-02 |
| DE102022112477A1 (de) | 2023-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109814543B (zh) | 道路廊道 | |
| CN108628206B (zh) | 道路施工检测系统和方法 | |
| CN108725446B (zh) | 用于自主车辆的俯仰角补偿 | |
| CN108268034B (zh) | 用于车辆的专家模式 | |
| US10317907B2 (en) | Systems and methods for obstacle avoidance and path planning in autonomous vehicles | |
| CN109131346B (zh) | 用于预测自主车辆中的交通模式的系统和方法 | |
| CN109085819B (zh) | 用于实施自主车辆中的驾驶模式的系统和方法 | |
| US20190332109A1 (en) | Systems and methods for autonomous driving using neural network-based driver learning on tokenized sensor inputs | |
| US10678241B2 (en) | Unsupervised learning agents for autonomous driving applications | |
| US20190061771A1 (en) | Systems and methods for predicting sensor information | |
| CN109808701B (zh) | 用于自主车辆进入交通流的系统和方法 | |
| US20180093671A1 (en) | Systems and methods for adjusting speed for an upcoming lane change in autonomous vehicles | |
| US20180148051A1 (en) | Systems and methods for unprotected maneuver mitigation in autonomous vehicles | |
| US20190072978A1 (en) | Methods and systems for generating realtime map information | |
| CN109552212B (zh) | 用于自主车辆中的雷达定位的系统和方法 | |
| US20190026588A1 (en) | Classification methods and systems | |
| US20180079422A1 (en) | Active traffic participant | |
| CN110758401A (zh) | 自主车辆操作期间的停止应急计划 | |
| CN109115230B (zh) | 用于车辆的自主驾驶系统及其车辆 | |
| CN112498349A (zh) | 用于紧急车道改变的操纵计划 | |
| CN109841080B (zh) | 用于交通对象的检测、分类及地理定位的系统和方法 | |
| US20180024239A1 (en) | Systems and methods for radar localization in autonomous vehicles | |
| US20190168805A1 (en) | Autonomous vehicle emergency steering profile during failed communication modes | |
| CN109131065B (zh) | 用于由自主车辆进行外部警告的系统和方法 | |
| US20200070822A1 (en) | Systems and methods for predicting object behavior |
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 |