CN116022132A - 用于协同逃生区检测的装置和方法 - Google Patents

用于协同逃生区检测的装置和方法 Download PDF

Info

Publication number
CN116022132A
CN116022132A CN202211269775.XA CN202211269775A CN116022132A CN 116022132 A CN116022132 A CN 116022132A CN 202211269775 A CN202211269775 A CN 202211269775A CN 116022132 A CN116022132 A CN 116022132A
Authority
CN
China
Prior art keywords
vehicle
vehicles
escape
group
controller
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
CN202211269775.XA
Other languages
English (en)
Inventor
R·古普塔
王子然
韩垧兑
P·蒂瓦里
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Engineering and Manufacturing North America Inc
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 Toyota Motor Engineering and Manufacturing North America Inc filed Critical Toyota Motor Engineering and Manufacturing North America Inc
Publication of CN116022132A publication Critical patent/CN116022132A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/207—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles with respect to certain areas, e.g. forbidden or allowed areas with possible alerting when inside or outside boundaries
    • 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
    • B60W40/04—Traffic 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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
    • G08G1/09—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
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • 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
    • G08G1/09—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
    • G08G1/096791—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 another vehicle
    • 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
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/22—Platooning, i.e. convoy of communicating vehicles
    • 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
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
    • 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
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles
    • 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
    • B60W2756/00—Output or target parameters relating to data
    • B60W2756/10—Involving external transmission of data to or from the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本公开涉及用于协同逃生区检测的装置和方法。提供了一种用于一组车辆的协同逃生区检测的包括传感器和控制器的系统。传感器获得驾驶状况信息，驾驶状况信息指示该组车辆的驾驶环境和车辆状况。对于每个车辆，控制器基于车辆的驾驶环境确定该车辆与该车辆周围的一个或多个障碍物之间的与该车辆相关联的一个或多个距离，并基于与该车辆相关联的所述一个或多个距离、该车辆的驾驶环境和车辆的车辆状况来确定车辆的逃生区状态。当该组车辆中的一个车辆的逃生区状态未能满足预定义的条件时，控制器向该组车辆中的一个或多个车辆发送一个或多个控制信号以便创建用于该组车辆中的所述一个车辆的附加逃生区。

Description

用于协同逃生区检测的装置和方法
技术领域
本公开涉及用于协同逃生区检测的装置和方法。
背景技术
本文提供的背景描述是为了一般地呈现本公开的上下文。在本背景部分中描述的范围内，当前命名的发明人的工作以及在提交时可能不符合现有技术的描述的方面既不明确也不暗示承认现有技术反对本公开。
车辆可以被配置为具有导航系统。在示例中，美国6415226B1描述了用于包括导航系统和检测车辆周围区域的一个或多个安全系统的机动车辆的特征。该特征建议车辆驾驶员沿着由使得能够操作一个或多个安全系统的数据表示的道路行驶。
发明内容
根据本公开的实施例，提供了一种用于一组车辆的协同逃生区检测的系统和方法。该系统包括传感器和控制器。传感器被配置为获得用于该组车辆的驾驶状况信息。驾驶状况信息指示该组车辆的驾驶环境和车辆状况。对于该组车辆中的每个车辆，控制器被配置为基于该车辆的驾驶环境确定该车辆与该车辆周围的一个或多个障碍物之间的与该车辆相关联的一个或多个距离。对于该组车辆中的每个车辆，控制器被配置为基于与该车辆相关联的一个或多个距离、该车辆的驾驶环境和该车辆的车辆状况来确定该车辆的逃生区状态。逃生区状态指示是否一个或多个逃生区可供车辆使用。响应于该组车辆中的一个车辆的逃生区状态未能满足预定义的条件，控制器向该组车辆中的一个或多个车辆发送一个或多个控制信号以指示该一个或多个车辆创建用于该组车辆中的所述一个车辆的附加逃生区。
在实施例中，车辆的车辆状况包括该车辆的制动状况、轮胎状况和速度中的一个或多个。
在实施例中，驾驶环境包括该组车辆的至少一个道路状况、至少一个道路类型和天气状况中的一个或多个。控制器还被配置为基于至少一个道路状况中的相应一个、至少一个道路类型中的相应一个、天气状况和车辆的车辆状况中的一个或多个来确定阈值距离，并且基于一个或多个距离与阈值距离的比较确定一个或多个逃生区是否可供车辆使用。
在示例中，该组车辆中的每个车辆与包括前侧、后侧、左侧和右侧的四侧相关联，一个或多个障碍物包括前障碍物、后障碍物、左障碍物和右障碍物，与车辆相关联的一个或多个距离包括该车辆分别与前障碍物、后障碍物、左障碍物和右障碍物之间的前方距离、后方距离、左侧距离和右侧距离。对于该组车辆中的每个车辆，控制器还被配置为基于前方距离、后方距离、左侧距离和右侧距离与阈值距离的比较来确定是否逃生区可供四侧中的每一侧使用并确定指示可供车辆使用的逃生区的数量和/或逃生区的位置的逃生区状态。
在示例中，该组车辆在至少一条道路上行驶，至少一条道路的至少一个道路状况指示以下之一：至少一条道路的干燥度、质量或曲率，并且至少一条道路的至少一个道路类型指示至少一条道路的至少一个限速。
在示例中，预定义的条件包括以下当中的一个或多个：(i)该组车辆中的每个车辆的逃生区的数量超过阈值数量，或(ii)所述一个或多个逃生区的一个或多个位置位于预定义的位置。
在示例中，一个或多个车辆包括该组车辆中的多个车辆，一个或多个控制信号包括多个车辆的多个信号，并且控制器还被配置为分别向多个车辆发送多个信号。
在示例中，一个或多个车辆包括该组车辆中的所述一个车辆。
在示例中，控制器还被配置为使用人工神经网络确定所述一个或多个距离。该系统还包括接口电路系统，该接口电路系统被配置为获得训练数据集，该训练数据集包括多个车辆的驾驶状况信息和与多个车辆中的每个车辆相关联的对应距离。对应距离是车辆与车辆周围的障碍物之间的距离。控制器还被配置为基于训练数据集修改人工神经网络。
在示例中，该系统还包括具有另一个人工神经网络的集中式控制器。控制器被配置为基于该另一个人工神经网络更新控制器中的人工神经网络。
在示例中，控制器是以下中的一者：(i)云中的集中式控制器或(ii)与该组车辆相关联的分散式控制器。在示例中，控制器是云中的集中式控制器，系统还包括与该组车辆相关联的分散式控制器，并且分散式控制器被配置为对驾驶状况信息进行预处理以获得该组车辆的驾驶环境和车辆状况。
根据本公开的各方面，该方法包括由被配置用于该组车辆的协同逃生区检测的控制器获得用于该组车辆的驾驶状况信息，驾驶状况信息指示该组车辆的驾驶环境和车辆状况。对于该组车辆中的每个车辆，该方法包括基于车辆的驾驶环境确定在车辆与围绕该车辆的一个或多个障碍物之间的与车辆相关联的一个或多个距离，并基于与车辆相关联的一个或多个距离、车辆的驾驶环境和车辆的车辆状况确定用于该车辆的逃生区状态。逃生区状态指示是否一个或多个逃生区可供车辆使用。响应于该组车辆中的一个车辆的逃生区状态未能满足预定义的条件，该方法包括向该组车辆中的一个或多个车辆发送一个或多个控制信号以指示所述一个或多个车辆创建用于该组车辆中的所述一个车辆的附加逃生区。
根据本公开的实施例，提供了一种具有存储在其上的指令的非暂态计算机可读存储介质，指令在由处理电路系统执行时使处理电路系统执行该方法。
附图说明
将参考以下附图详细描述作为示例提出的本公开的各种实施例，其中相同的标号是指相同的元件，并且其中：
图1A示出了根据本公开的实施例的用于一组车辆的示例性协同逃生区系统100。
图1B示出了根据本公开的实施例的子系统191的示例。
图2示出了根据本公开的实施例的检测用于高速公路上的一组车辆的逃生区信息的示例。
图3示出了根据本公开的实施例的逃生路线301的示例。
图4示出了根据本公开的实施例的检测住宅区中的逃生区信息的示例。
图5示出了根据本公开的实施例的检测高速公路上的逃生区信息的示例。
图6示出了根据本公开的实施例的检测山区驾驶中的逃生区信息的示例。
图7示出了概述根据本公开的实施例的示例性过程700的流程图。
图8A-8B示出了根据本公开的实施例的用于一组车辆的协同逃生区确定的示例。
图9A是概述根据本公开的实施例的示例性过程900A的流程图。
图9B是概述根据本公开的实施例的示例性过程900B的流程图。
图10A是概述根据本公开的实施例的示例性过程1000A的流程图。
图10B是概述根据本公开的实施例的示例性过程1000B的流程图。
图11A是概述根据本公开的实施例的示例性过程1100A的流程图。
图11B是概述根据本公开的实施例的示例性过程1100B的流程图。
具体实施方式
图1A示出了根据本公开的实施例的用于一组车辆(诸如车辆101-106)的示例性协同逃生区系统100(或系统100)。系统100可以被配置为检测和/或预测用于一组车辆(例如，车辆101-106)的逃生区信息。该组车辆(例如，车辆101-106)可以是任何类型的车辆，诸如由电力、燃气等驱动的车辆。用于该组车辆(例如，车辆101-106)的逃生区信息可以指示用于该组车辆(例如，车辆101-106)的逃生区状态。例如，车辆101的逃生区状态指示在车辆101的左侧和前方有逃生区可用，并且在车辆101的右侧和后方没有逃生区可用。另外，系统100可以被配置为向该组车辆中的一个或多个车辆发送(一个或多个)控制信号以指示这一个或多个车辆为该组车辆中的一个车辆创建附加的(一个或多个)逃生区。可替代地，用于该组车辆(例如，车辆101-106)的逃生区信息可以指示用于该组车辆(例如，车辆101-106)的(一个或多个)逃生区。
下面可以参考图2来描述逃生区、逃生路线和车辆距离(或车辆)间隙。图2示出了根据本公开的实施例的检测用于高速公路上的一组车辆的逃生区信息的示例。车辆距离(或车辆间隙)可以指车辆与围绕车辆的障碍物之间的间隙或距离。障碍物可以是另一个车辆、路障、道路施工、被车压死的动物等。参考图2，车辆距离可以沿着与车辆驾驶方向平行的纵向方向X，因此车辆距离可以被称为在车辆前方的前方车辆距离(或前方距离、前方车辆间隙、前方间隙)或在车辆后方的后方车辆间隙(或后方距离、后方车辆间隙，后方间隙)。车辆距离可以沿着与纵向方向X垂直的横向方向Y，因此车辆距离可以被称为在车辆左侧的左侧车辆距离(或左侧距离、左侧车辆间隙、左侧间隙)或在车辆右侧的右侧车辆距离(或右侧距离、右侧车辆间隙、右侧间隙)。
根据本公开的实施例，当车辆距离满足条件时，逃生区可供车辆使用或者车辆具有逃生区。在示例中，当车辆距离大于阈值距离时，逃生区可供车辆使用或者车辆具有逃生区。例如，当车辆距离大于阈值距离时，车辆距离或车辆间隙被分类为“良好”。当车辆距离等于阈值距离时，车辆距离或车辆间隙被分类为“OK”或“包括”。可以使用附加的或其它类型的分类类型。
在一些示例中，当逃生区位于车辆的侧面时，例如，逃生区在车辆的左侧或右侧，该逃生区被称为逃生路线。例如，在紧急情况下，车辆可以移动到逃生路线。
返回参考图2，诸如系统100的系统检测包括车辆251-254的一组车辆的逃生区信息。在图2中所示的示例中，对于车辆251，系统检测到三个逃生区，包括车辆251右侧的逃生路线(例如，右车道)、前车辆间隙和后车辆间隙。系统输出消息261，该消息指示车辆251右侧有逃生路线可用，前车辆间隙为“OK”，并且后车辆间隙为“良好”。对于车辆251，系统检测到三个逃生区，包括车辆252左侧的逃生路线(例如，左肩)、前车辆间隙和后车辆间隙。系统输出消息262，该消息指示车辆252左侧有逃生路线可用，前车辆间隙为“良好”，并且后车辆间隙为“良好”。对于车辆253-254，系统检测到两个逃生区，包括前车辆间隙和后车辆间隙。系统输出消息263，该消息指示车辆253-254没有可用的逃生路线，前车辆间隙为“OK”，并且后车辆间隙为“良好”。另外，由于车辆253-254没有逃生路线可用，因此系统还显示消息264以警告车辆253-254的驾驶员。
系统100可以被配置为通过检测和监视(或预测)该组车辆101-106的逃生区信息来预测事故情况并帮助防止事故。在一些示例中，逃生区信息包括用于该组车辆101-106中的一个或多个车辆的(一条或多条)逃生路线，并且系统100被称为车辆逃生路线的协同检测和监视系统。因此，可以减少由于驾驶员在驾驶时无法或缺乏正念来寻找逃生区(例如，逃生路线)而造成的许多事故。系统100可以自动确定不同驾驶状况下的逃生区信息(例如，逃生路线)，并向该组车辆101-106的驾驶员警告逃生区信息(例如，没有逃生区、没有逃生路线、一个或多个逃生区被破坏，一条或多条逃生路线被破坏)。系统100可以与该组车辆101-106协同。在示例中，系统100被配置为确保该组车辆101-106中没有车辆具有受损的逃生区(或受损的逃生路线)。在示例中，系统100被配置为确保该组车辆101-106中的每个车辆都具有随时可用的逃生区。
在一些情况下，在快车道(roadway)上提供逃生路线。图3示出了根据本公开的实施例的逃生路线301的示例。诸如卡车之类的车辆可以在高速公路上具有逃生路线301。在图3中所示的示例中，逃生路线301是高速公路右侧的失控卡车坡道。但是，当发生意外情况时，可能无法使用逃生路线。另外，逃生路线可能不适用于某些车辆，诸如在一些示例中的汽车和摩托车。
在一些示例中，能够检测和/或预测(或预期)意外情况可以帮助避免事故。例如，在住宅区开车时，不断留意可能突然冲出房屋并冲上马路的儿童和宠物有助于避免事故。对于高速公路驾驶，监视刹车故障、其它车辆的突然变道等有助于避免事故。但是，驾驶员可能不会监视如上所述的意外情况，例如，由于缺乏技能和/或经验、压力情况或精神状态。
系统100可以是自动化系统，该系统被配置为不断地检测危险并确定逃生区或逃生路线以避免意外情况并因此避免事故。图4示出了根据本公开的实施例的检测住宅区的逃生区信息的示例。参考图4，系统100没有检测到用于车辆的逃生路线，并且显示消息401以警告车辆的驾驶员在住宅区减速到每小时5英里。
在高速公路交通中，系统100可以例如连续地搜索逃生区(例如，逃生路线、车辆间隙)。在示例中，如果系统100找到至少一条逃生路线，那么系统100将逃生区状态指示为“Ok”；否则，例如，如果未检测到逃生路线，那么系统100触发消息并警告驾驶员没有逃生路线，并且驾驶员可能需要改变车辆的速度和/或位置以创建(一条或多条)逃生路线，诸如参考图2所描述的。
图5示出了根据本公开的实施例的检测高速公路上的逃生区信息的示例。参考图5，系统100没有检测到车辆右侧的逃生路线，并且显示消息501以警告车辆驾驶员在车辆右侧没有逃生路线可用。
在一些示例中，系统在山区驾驶中，检测和/或预测(一条或多条)逃生路线可以更为关键。图6示出了根据本公开的实施例的在山区驾驶中检测逃生区信息的示例。参考图6，系统100没有检测到车辆的逃生路线，并且显示消息601以警告车辆的驾驶员车辆没有逃生路线可用。
系统100可以被配置为使用诸如人工神经网络(或神经网络)之类的人工智能(AI)来检测和/或预测用于该组车辆101-106的逃生区信息。在示例中，AI基于机器学习(ML)算法。
系统100可以包括云300，云300具有控制器(也称为集中式控制器或中央控制器)301和控制器(也称为分散式控制器或本地控制器)211。集中式控制器或者处理电路系统301可以被配置为实时检测用于第一多个车辆的逃生区信息并预测用于第二多个车辆的逃生区信息。集中式控制器301(例如，处理电路系统)还可以包括实时处理模块311和批处理模块313。实时处理模块311可以被配置为实时检测用于第一多个车辆的逃生区信息。第一多个车辆可以包括多组车辆。在示例中，第一多个车辆包括车辆101-106。批处理模块313可以被配置为预测用于第二多个车辆的逃生区信息。第二多个车辆包括多组车辆。在示例中，第二多个车辆包括车辆101-106。第一多个车辆可以与第二多个车辆相同或不同。
控制器211(例如，处理电路系统)可以位于使得控制器211可以与该组车辆101-106通信的位置。在示例中，控制器211位于或附接到车辆101。控制器211被配置为跟踪车辆101-106的速度并在纵向方向(例如，在车辆前面或车辆后面的位置)和横向方向(例如，在车辆的左侧或在车辆的右侧)维护关于该组车辆101-106中的每个车辆的(一个或多个)逃生区。
云300中的控制器301被配置为优化控制器211的性能。控制器301可以校正控制器211的(一个或多个)错误。控制器301可以从大量车辆中摄取数据并通过AI优化多个分散式控制器(诸如控制器211-216)。
参考图1A，系统100还可以包括一个或多个子系统，诸如子系统191-196。在图1A中所示的示例中，子系统191-196分别包括控制器211-216。在示例中，子系统191-196附接到相应车辆101-106，并且控制器211-216附接到相应车辆101-106。在一些其它示例中，控制器211-216中的一个或多个在相应车辆101-106之外，并且被配置为例如经由接口电路系统与相应车辆101-106通信。车辆107不具有可以检测逃生区状态的控制器，因此不是该组车辆101-106的一部分。
图1B示出了根据本公开的实施例的子系统191的示例。子系统191可以包括例如使用总线150耦合在一起的(一个或多个)驾驶环境传感器110、车辆状况传感器125、接口电路系统150、控制器211和存储器140。车辆状况传感器125可以包括(一个或多个)运动传感器120、(一个或多个)驾驶活动传感器160、(一个或多个)轮胎传感器161等。
子系统191中的一个或多个组件可以附接到车辆101。可替代地，子系统191的某些组件(例如，(一个或多个)轮胎传感器161)可以位于或附接到车辆101并且子系统191的某些组件(例如，控制器211)可以远程位于可以与车辆101无线通信的服务器中。
(一个或多个)驾驶环境传感器110可以确定用于该组车辆的驾驶环境。车辆(例如，车辆201)的驾驶环境可以包括车辆周围或影响车辆操作的环境。车辆的驾驶环境可以包括用于车辆的道路的道路状况、道路的道路类型、天气状况等中的一个或多个。道路的道路状况可以指示以下之一：道路的干燥度、质量(例如，道路上是否有坑洼)或曲率(例如，道路是否笔直)。道路的道路类型可以指示道路的限速、道路是高速公路、地方道路、山区道路还是居民区的道路等、道路是双向道路还是单向道路等。
(一个或多个)驾驶环境传感器110可以包括相机111、测距设备112等。相机111可以是可以获得图像或视频的任何合适设备。相机111可以捕获车辆101周围的不同视图。相机111可以固定到车辆101。相机111可以是可分离的，例如，相机111可以附接到车辆、从车辆移除然后重新附接到车辆101。相机111可以定位在车辆101的任何合适的位置。相机111可以朝着任何合适的方向定向。因而，相机111可以获得示出车辆101周围环境的不同部分的图像或视频。周围环境的不同部分可以包括车辆101前面的前部、车辆101后面的后部，车辆101右侧的右部、车辆101左侧的左部、示出车辆101的下视图的底部、位于车辆101上方的顶部等。因而，前视图、后视图、左视图、右视图、底视图和顶视图可以示出周围环境的前部、后部、左部、右部、底部和顶部。例如，底视图可以示出轮胎、车辆101下方的坑洞等。不同的部分(诸如左部和底部)可以重叠。附加的视图(例如，右前视图、左上视图)可以通过调整相机的朝向、通过组合多个相机视图来获得，从而示出周围环境的对应部分。可以调整相机的朝向，使得相机可以使用不同的朝向示出不同的部分。
每个相机111可以被配置为具有周围环境的一个或多个视场(FOV)，例如，通过调整相应相机111的焦距或通过在相机111中包括具有不同FOV的多个相机。
测距设备112可以被配置为测量物体之间的距离，例如，目标和参考点(诸如与测距设备相关联的点)之间的距离。测距设备112可以包括提供互补的距离信息的多个设备，诸如立体相机、雷达、光检测和测距设备(LIDAR)、超声传感器等。在示例中，可以由测距设备生成图像以示出从参考点到图像中的点(或目标)的距离。
诸如麦克风之类的附加设备可以被用于收集附加数据。麦克风可以检测各种声音信号，例如来自消防车、救护车、警车、风、雨等的声音。在示例中，包括声源的速度和位置的声源的运动例如也可以使用多个麦克风获得。
在实施例中，相机111、测距设备112和/或诸如麦克风之类的附加设备可以被配置为收集车辆的驾驶环境的补充数据。例如，相机111和测距设备112可以分别被用于收集驾驶环境的图像和距离信息。在另一个示例中，来自相机111的图像和来自麦克风的声音信息可以被用于确定特定驾驶环境，例如来自车辆后方的消防车。
车辆状况传感器125可以确定车辆的车辆状况，诸如制动状况、轮胎状况、加速度和车辆速度中的一个或多个。
运动传感器120可以包括被配置为获得车辆(例如，车辆101)的运动(诸如车辆的加速度、速度和位置)的任何合适设备。因而，可以获得车辆的速度和移动方向。在示例中，运动传感器120可以包括接收器和惯性测量单元(IMU)。在示例中，接收器可以从诸如全球定位系统(GPS)之类的各种基于卫星的定位系统接收定位信息，并且确定车辆的位置。在一些示例中，位置可以是物理地址、由诸如GPS之类的基于卫星的定位系统使用的地理坐标系的纬度和经度坐标，等等。IMU是具有固定在车辆的多个陀螺仪和加速度计的平台，并可以提供关于平台的旋转和线性运动的信息。然后使用该信息来获得车辆的运动。注意的是，当给定车辆的参考位置(诸如当IMU开始操作时的位置)时，IMU可以提供车辆的位置。在示例中，车辆的参考位置可以从接收器获得或手动录入。
驾驶活动传感器160可以包括检测与车辆的驾驶活动(诸如加速、制动、转向等)相关的数据的任何合适传感器。在示例中，驾驶活动传感器160包括检测制动状况(诸如与车辆的制动相关联的制动活动和/或制动信息)的制动传感器。
驾驶环境传感器110、运动传感器120、接口电路系统150、驾驶活动传感器160等可以被配置为收集补充数据。此外，驾驶环境传感器110、运动传感器120、接口电路系统150、驾驶活动传感器160等可以被配置为收集冗余数据，因此，如果某些设备误动，那么数据可以被其它设备收集。
轮胎传感器161可以监视相应的轮胎状况或轮胎的轮胎性能。轮胎的轮胎状况可以包括胎压、轮胎磨损、轮胎是否漏气等。
接口电路系统150可以被配置为使用任何合适的通信技术(诸如有线、无线、光纤通信技术及其任何合适的组合)与任何合适的设备或车辆101的用户通信。
接口电路系统150可以包括无线通信电路系统155，该无线通信电路系统155被配置为从(一个或多个)移动电话、(一个或多个)服务器(例如，包括多个服务器、专用服务器的云(例如，云300))、(一个或多个)车辆中的无线通信电路系统(例如，使用车辆到车辆(V2V)通信)、(一个或多个)基础设施(诸如云服务平台)中的无线通信电路系统(例如，使用车辆到基础设施(V2X或V2I)通信)、一个或多个第三方中的无线通信电路系统、(一个或多个)地图数据服务等无线地接收数据和向其传输数据。(一个或多个)地图数据服务可以提供任何合适的数据，诸如地图数据。地图数据还可以包括指示例如实时交通和道路状况的实时信息。
在示例中，由无线通信电路系统155使用的无线技术可以包括IEEE 802.15.1、IEEE 802.11、移动网络技术(诸如全球移动通信系统(GSM)、通用移动电信系统(UMTS)、长期演进(LTE)、包括超可靠和低时延通信(URLLC)的第五代移动网络技术(5G)、第六代移动网络技术(6G)、超越6G的移动网络技术等)。参考图1A中的示例，控制器211和301可以经由5G网络180通信。控制器211和301可以经由使用任何合适无线通信技术(诸如上述那些)的任何合适网络通信。
接口电路系统150可以包括任何合适的个体设备或多个设备的任何合适集成，诸如触摸屏、键盘、小键盘、鼠标、操纵杆、麦克风、通用串行总线(USB)接口、光盘驱动器、显示设备、音频设备(例如，扬声器)等。显示设备可以被配置为显示由相机111之一捕获的图像/视频。显示设备可以被配置为显示来自控制器211的输出。
接口电路系统150还可以包括将数据转换成电信号并将电信号发送到控制器211的电路系统。接口电路系统150还可以包括将来自控制器211的电信号转换成数据的电路系统，诸如包括由显示设备使用的文本消息的视觉信号、由扬声器使用的音频信号等。例如，接口电路系统150可以被配置为在交互式屏幕上输出图像并接收由与交互式屏幕交互的触控笔生成的数据。
接口电路系统150可以被配置为向车辆101的用户输出数据，诸如由控制器211确定的用于一组车辆101-106的逃生区信息。在示例中，接口电路系统150向车辆101的用户输出用于车辆101的逃生区信息。
接口电路系统150可以被配置为接收与用于该组车辆101-106的逃生区信息相关联的数据。与该组车辆101-106的逃生区信息相关联的数据可以指示用于其它车辆的驾驶环境和及其车辆状况，类似于上面参考图1B描述的那些。
接口电路系统150可以被配置为接收用于路由车辆101的路线数据。在示例中，接口电路系统150可以从各种基于卫星的定位系统(诸如全球定位系统(GPS))接收定位信息，并且确定车辆101的位置。在一些示例中，位置可以是物理地址、由诸如GPS之类的基于卫星的定位系统使用的地理坐标系的纬度和经度坐标，等等。
控制器211可以被配置为检测用于该组车辆(诸如车辆101-106)的逃生区信息。控制器211可以包括预处理模块131、协同逃生区模块133和训练模块135。
控制器211可以获得与用于该组车辆(例如，车辆201-206)的驾驶状况信息相关联的输入数据。驾驶状况信息可以指示该组车辆(例如，车辆201-206)的驾驶环境和车辆状况。车辆(例如，车辆201)的驾驶环境可以包括车辆周围或影响车辆操作的环境。车辆的驾驶环境可以包括用于车辆的道路的道路状况、道路的道路类型、天气状况等中的一个或多个。车辆的驾驶环境可以通过用于车辆的(一个或多个)驾驶环境传感器110、用于车辆的接口电路系统150、存储器140等获得。例如，车辆的驾驶环境可以通过经由用于车辆的接口电路系统150驱动用于(一个或多个)其它车辆的(一个或多个)环境传感器获得。车辆的车辆状况可以通过车辆的车辆状况传感器125、用于车辆的接口电路系统150、存储器140等获得。例如，车辆的速度和/或加速度可以经由接口电路系统150从另一个车辆上的传感器获得。
预处理模块131可以预处理与用于该组车辆的驾驶状况信息相关联的输入数据。某些输入数据可以是不完整的、可以有偏差、具有相对大的噪声等。预处理模块131可以移除或减少输入数据中的上述缺陷。另外，预处理模块131可以例如使用AI(例如，ML算法)来提取特征。特征与逃生区检测和/或预测相关联，诸如障碍物(图像或视频中的另一个车辆、行人、坑洼等)。来自预处理模块131的输出数据可以被输入到协同逃生区模块133，其中检测和/或预测用于该组车辆的逃生区状态。
根据本公开的实施例，对于该组车辆中的每个车辆(例如，车辆201-206)，控制器211(例如，协同逃生区模块133)被配置为基于车辆的驾驶环境确定在车辆与围绕车辆的一个或多个障碍物之间的与车辆相关联的一个或多个距离。
图7示出了概述根据本公开的实施例的示例性过程700的流程图。在示例中，可以使用图1A-1B中所示的控制器211或图1A中所示的控制器301来实现过程700。在示例中，控制器211位于车辆101中，并且过程700被称为车载(或仅V)过程。可替代地，控制器301位于云300中，并且过程700被称为V2C和C2V过程。过程700可以被用于确定车辆或一组车辆的逃生区信息。为简洁起见，给出控制器211的描述，并且这些描述可以适当地适用于任何合适的控制器或设备。过程700在S701开始并进行到S710。
在S710处，可以获得用于一组车辆的驾驶状况信息。驾驶状况信息可以指示该组车辆(例如，车辆101-106)的驾驶环境和车辆状况，如上面参考图1A-1B所描述的。车辆的车辆状况可以包括制动状况、轮胎状况和车辆速度中的一个或多个。驾驶环境可以包括用于该组车辆的至少一个道路状况、至少一个道路类型和天气状况中的一个或多个。
在示例中，该组车辆在至少一条道路上行驶，至少一条道路的至少一个道路状况指示以下之一：至少一条道路的干燥度、质量或曲率，并且至少一条道路的至少一个道路类型指示至少一条道路的至少一个限速。
在S720处，对于该组车辆(例如，车辆101-106)中的每个车辆(例如，车辆101)，在车辆与车辆周围的一个或多个障碍物之间的与车辆相关联的一个或多个距离可以基于车辆的驾驶环境来确定，如上文参考图1A-1B所述。
在示例中，一个或多个距离是使用人工智能算法(诸如人工神经网络、ML算法等)确定的。
在S730处，对于该组车辆中的每个车辆，可以基于与车辆相关联的一个或多个距离、车辆的驾驶环境和车辆的车辆状况来确定车辆的逃生区状态，如上文参考图1A-1B所述。
可以基于至少一个道路状况中的相应一个、至少一个道路类型中的相应一个、天气状况和车辆的车辆状况中的一个或多个来确定阈值距离。另外，可以基于一个或多个距离与阈值距离的比较来确定一个或多个逃生区是否可供车辆使用。
在实施例中，一组车辆中的每个车辆与包括前侧、后侧、左侧和右侧的四个侧相关联。一个或多个障碍物包括前障碍物、后障碍物、左障碍物和右障碍物，与车辆相关联的一个或多个距离分别包括车辆与前障碍物、后障碍物、左障碍物和右障碍物之间的前距离、后距离、左距离和右距离。对于该组车辆中的每个车辆，可以基于前距离、后距离、左距离和右距离与阈值距离的比较来确定四个侧中的每一侧是否有逃生区。可以确定指示车辆可用的逃生区的数量和/或逃生区的位置的逃生区状态。
在S740处，可以如上文参考图1A-1B所描述的那样确定该组车辆中的一个车辆的逃生区状态是否满足预定义的条件。在示例中，预定义的条件包括以下一个或多个：(i)用于该组车辆中的每个车辆的逃生区的数量超过阈值数量，或(ii)该一个或多个逃生区的一个或多个位置位于预定义的位置。
在示例中，如果确定该组车辆中的一个车辆的逃生区状态已经满足预定义的条件，那么过程700进行到S700并终止。如果确定该组车辆中的一个车辆的逃生区状态不满足预定条件，那么过程700进行到S750。
在S750处，可以将一个或多个控制信号发送到该组车辆中的一个或多个车辆以指示该一个或多个车辆为该组车辆中的所述一个车辆创建附加的逃生区。
在示例中，一个或多个车辆包括该组车辆中的多个车辆，这一个或多个控制信号包括多个车辆的多个信号，并且这多个信号可以分别被发送到这多个车辆。
在示例中，这一个或多个车辆包括该组车辆中的所述一个车辆。
可以适当地修改过程700。可以添加、省略和/或组合(一个或多个)步骤。可以调整过程700中实现步骤的次序。在某些具有高级辅助驾驶系统(ADAS)的高级车辆中，ADAS可以自动进行必要的调整(例如，改变车辆的速度或车道)以使逃生区(例如，逃生路线)可供车辆使用。如果ADAS无法找到用于车辆的逃生区，那么ADAS可以向车辆的驾驶员发送警报和/或消息。在一些示例中，多个ADAS可以自动进行必要的调整(例如，改变一个或多个车辆的速度或车道)以使逃生区(例如，逃生路线)可供一组车辆使用。
该组车辆101-106的逃生区状态可以被显示或发送到该组车辆101-106的相应驾驶员。在示例中，当逃生区状态改变时(例如，逃生区状态与先前检测到的逃生区状态不同)，显示或更新该组车辆101-106中的每个车辆的逃生区状态。
过程700可以适于包括训练步骤或修改步骤以修改AI算法，如上文参考图1A-1B所述。例如，可以获得包括学习样本的训练数据集，诸如多个车辆的驾驶状况信息以及与多个车辆中的每个车辆相关联的对应距离。对应距离可以是车辆与车辆周围的障碍物之间的距离。人工神经网络可以基于训练数据集进行修改。
图8A示出了根据本公开的实施例的用于一组车辆的协同逃生区确定的示例。该组车辆包括在高速公路的两条车道801-802上行驶的车辆101-106。车辆101-103在车道801上行驶。车辆104-106在车道802上行驶。车道803-804是高速公路的肩部。下面的描述集中在车辆101上，但是，该描述可以适当地适用于其它车辆(诸如车辆102-106)。
对于车辆101，控制器211(例如，协同逃生区模块133)可以被配置为确定车辆101与车辆101周围的障碍物之间的四个距离d1-d4。更具体而言，d1是车辆101与车辆101前方的前方障碍物(即，车辆102)之间的距离，称为前方距离；d2是车辆101与车辆101后方的后方障碍物(即，车辆103)之间的距离，称为后方距离；d3是车辆101与车辆101左侧的左侧障碍物(例如，用于肩部803的围栏，未示出)之间的距离，称为左侧距离；以及d4是车辆101与车辆101右侧的右侧障碍物(例如，用于肩部804的围栏，未示出)之间的距离，称为右侧距离。
类似地，控制器211(例如，协同逃生区模块133)可以被配置为确定与车辆102-106相关联的距离。与相邻车辆相关联的某些距离可以是相同的，因此控制器211可以重用某些距离而无需再次确定某些距离。例如，车辆101-102之间的距离d1是车辆101的前方距离，也是车辆102的后方距离。因而，如果为车辆101确定了d1，那么控制器211不需要确定车辆102的后方距离。
对于该组车辆中的每个车辆，控制器211(例如，协同逃生区模块133)被配置为基于与车辆相关联的一个或多个距离来确定车辆的逃生区状态、车辆的驾驶环境，以及车辆的车辆状况。根据实施例，控制器211(例如，协同逃生区模块133)基于道路状况、道路类型、天气状况和车辆的车辆状况中的一个或多个来确定阈值距离。例如，当道路状况较好时(例如，道路平坦、干燥、笔直、没有坑洼等)、当道路的限速降低时、当天气状况较好时(例如，晴天而不是雨天)等，阈值距离可以减小。如果制动条件和轮胎条件较好，那么可以减小阈值距离。如果车辆的速度降低，那么阈值距离可以降低。对于不同的车辆，阈值距离可以不同，或者对于车辆的不同速度，阈值距离可以不同。用于纵向方向X的阈值距离可以与用于横向方向Y的阈值距离相同或不同。
另外，控制器211(例如，协同逃生区模块133)基于一个或多个距离与阈值距离的比较来确定一个或多个逃生区是否可用于车辆。
返回去参考图8A，控制器211(例如，协同逃生区模块133)被配置为确定车辆101-106中的每一个的逃生区状态。例如，对于车辆101，控制器211如上所述确定阈值距离。在示例中，用于纵向方向X和横向方向Y的阈值距离相同。控制器211通过将距离d1-d4与阈值距离进行比较来确定(一个或多个)逃生区是否可供车辆101使用。例如，d1和d4大于阈值距离，因此在车辆101的前方和右侧有逃生区。D2等于阈值距离，因此在车辆101后方包括可用的逃生区。D3小于阈值距离，因此车辆101左侧没有可用的逃生区。类似地，控制器211可以分别确定用于车辆102-106的逃生区状态，并且用于车辆102-106的逃生区状态在图8A中示出。对于车辆103而言，障碍物(例如，施工区域)在右侧，并且障碍物与车辆103之间的距离小于阈值距离，因此车辆103右侧没有可用的逃生区。车辆105-106之间的距离d5小于阈值距离，因此车辆105-106之间没有可用的逃生区。
逃生区状态可以指示车辆可用的逃生区的数量和/或逃生区的位置。控制器211(例如，协同逃生区模块133)还可以确定该组车辆中的一个车辆的逃生区状态是否未能满足预定义的条件。预定义的条件可以包括以下一个或多个：(i)用于该组车辆中的每个车辆的逃生区的数量超过阈值数量，或(ii)一个或多个逃生区的一个或多个位置位于预定义的位置。阈值数量可以是整数，诸如0、1、2等。预定义的位置可以是左侧逃生区(例如，道路上的肩部、失控坡道、空车道)、右侧逃生区(例如，道路上的肩部、失控坡道、空车道)、前方逃生区(例如，前方距离大于另一个阈值)、后方逃生区(例如，后方距离大于另一个阈值)等。参考图8A，对于车辆101，预定义的位置是逃生区的数量超过3。因此，控制器211(例如，协同逃生区模块133)确定车辆101的逃生区状态未能满足预定义的条件。
控制器211(例如，协同逃生区模块133)可以向该组车辆中的一个或多个车辆发送一个或多个控制信号，以指示这一个或多个车辆创建用于该组车辆中的所述一个车辆的附加逃生区。例如，控制器211可以分别向车辆101发送控制信号、向车辆103发送控制信号或向车辆101和103发送两个控制信号，以增加距离d2。例如，给车辆101和103的两个控制信号可以指示车辆101增加车辆101的速度，并指示车辆103减小车辆103的速度。一般而言，控制器211可以向(一个或多个)相应的车辆发送(一个或多个)任何合适的控制信号以增加d2。例如，控制器211可以向车辆102发送控制信号以改变车道，使得车辆101可以在不减小d1的情况下增加速度。
在一些示例中，控制器211(例如，协同逃生区模块133)可以向该组车辆中的车辆发送控制信号以指示车辆在没有逃生区可用时创建附加的逃生区或替换所包括的(一个或多个)逃生区。例如，参考图8A-8B，控制器211(例如，协同逃生区模块133)向该组车辆中的车辆发送控制信号以指示车辆(i)在车辆103的右侧创建逃生区并在车辆105-106之间创建逃生区以及(ii)用逃生区代替车辆101和103之间所包括的逃生区。参考图8B，d2被放大以在车辆101和103之间创建逃生区；d5被扩大以在车辆105-106之间创建逃生区；并且移动车辆103使得障碍物811不再阻挡车辆103右侧。
如图1A-1B和图8A-8B中所示，除了用于各个车辆的单个逃生区之外，系统100还增加用于为一组车辆寻找逃生区的协同性质。基于协同系统100，该组车辆101-106可以为彼此创建逃生区，如图8B中所示。
在一些示例中，控制器211被配置为在第一时间段期间确定该组车辆101-106的逃生区状态。另一个控制器(例如，212-216中的一个)可以被配置为确定该组车辆101-106的逃生区状态，例如，在不同的时间段(例如，第二时间段)期间。另外，该组车辆中的车辆可以改变，例如，该组车辆在第一时间段期间包括车辆101-106，而在第二时间段期间形成新的一组车辆，例如，由于车辆101-106和其它车辆的驾驶速度、驾驶方向等的改变。
本公开中的实施例和方法可以在交通(例如，繁忙的交通和/或鲁莽的驾驶员)、道路状况(例如，潮湿或干燥)和/或包括制动故障、轮胎损坏在内的车辆状况(或车辆性能)使得可能需要逃生路线以避免事故时检测逃生区(例如，逃生路线)。
驾驶员可能不会在即将发生的他们无法通过足够的制动和/或其它手段避免的事故的情况下想到逃生路线。驾驶员会分心、没有技能等。在高级车辆中，ADAS可以保持车辆之间的车辆间隙，但此类间隙会被插入的其它车辆损害，于是驾驶员可能需要恢复以创建新的车辆间隙并找到逃生路线。如果创造新的车辆间隙不可行，那么至少驾驶员有逃生路线可以退回。
另外，公开了基于协同的逃生区系统，其使用分散式控制器(例如，控制器211-216)用于地面交通和基于云的集中式控制器(例如，控制器301)以提高分散式控制器(例如，控制器211-216)的性能。集中式控制器(例如，控制器301)可以不断地从数百万个分散式控制器学习并提高检测逃生区(例如，检测纵向和横向逃生区)的性能。
实施例和系统100可以在位置受损的情况下提高车辆的安全性，而不管糟糕的交通、鲁莽的驾驶员、恶劣的天气、发生故障的装备。此类车辆的驾驶员可以找到类似于在下坡条件下制动器失灵时被提供逃生路线的卡车驾驶员的逃生路线。
控制器211可以向接口电路系统150输出逃生区数据，诸如车辆距离、逃生区信息或该车辆组的状态。接口电路系统150可以将逃生区数据发送到其它车辆(例如，经由V2V通信)、云300(例如，经由V2C通信)、基础设施(例如，经由V2X通信)等。接口电路系统150还可以显示逃生区数据，诸如图2-6中所示。
控制器211可以被配置为使用AI(诸如人工神经网络(或神经网络))检测和/或预测用于一组车辆101-106的逃生区信息。
一般而言，神经网络可以从被称为学习示例的示例中学习和执行数据驱动的任务，而无需特定于任务的指令。神经网络可以基于包括节点的计算模型。通过连接互连的节点可以执行计算任务。在实施例中，神经网络可以通过计算模型和参数来表征。在示例中，参数可以包括与神经网络中的连接和节点相关联的权重和阈值。
在实施例中，神经网络可以被组织在多个层中，其中不同的层可以执行不同种类的计算。多个层可以包括具有输入节点的输入层、具有输出节点的输出层以及具有在输入层和输出层之间的节点的隐藏层。在实施例中，输入层可以接收源自神经网络外部的信号。输出层可以将结果发送到神经网络外部。另外，神经网络可以是深度神经网络，其具有比浅层神经网络相对更多的隐藏层。在示例中，神经网络可以是卷积神经网络(CNN)。
可以通过手动、搜索算法等确定神经网络的计算模型。随后，可以使用与特定任务(诸如协同逃生区检测/预测)相关的学习示例来训练神经网络。因此，当使用附加的学习示例时，参数被重复修改。在实施例中，可以将大量的学习示例组织成多个独立的数据集，诸如训练数据集和验证数据集，以训练和验证神经网络，从而获得最优的神经网络。
在实施例中，可以使用基于具有学习示例的训练数据集的多种训练方法来训练具有各种计算模型的神经网络。在实施例中，学习示例可以包括具有输入信号和预期输出信号的信号对，如上所述。神经网络的输入层可以接收输入信号，然后神经网络可以经由输出层生成结果。结果可以与预期的输出信号进行比较。在示例中，修改或优化神经网络的参数以最小化结果与预期输出信号之间的差异。
因此，神经网络的参数由训练数据集优化。随后，可以训练具有各种计算模型的神经网络以具有优化的参数。通过在神经网络上应用验证数据集，分析与验证数据集相关联的结果和预期输出信号，可以获得最优神经网络。然后可以部署最优神经网络来执行特定任务，诸如协同逃生区检测/预测。可替代地，在部署最优神经网络以执行任务之前，可以通过测试数据集进一步评估最优神经网络的性能。在示例中，测试数据集独立于其它数据集(诸如训练数据集和验证数据集)。
在实施例中，控制器211(例如，协同逃生区模块133)可以被配置为使用AI算法(例如，ML算法、神经网络)来检测/预测用于一组车辆的逃生区信息。根据本公开的实施例，可以使用与协同逃生区检测/预测相关的附加学习示例来训练AI算法(例如，ML算法、神经网络)。因此，当使用附加的学习示例时，AI算法(例如，ML算法、神经网络)的参数被重复修改。重复修改过程可以由训练模块135实现。
存储器140被配置为存储地图数据库141，该地图数据库141包括道路地图、逃生区信息142和程序143。在一个实施例中，存储器140中的信息(例如，地图数据库141、逃生区信息142、程序143)可以由控制器211或控制器301修改或更新。经修改的信息也可以上传到云服务平台，该云服务平台可以例如分别经由V2I和V2V通信使用无线通信电路165提供计算能力、数据库存储和IT资源的按需交付或与其它车辆共享。
存储器140可以是非易失性存储介质。在另一个实施例中，存储器140包括非易失性和易失性存储介质两者。在一个实施例中，存储器140的一部分可以集成到控制器211中。存储器140可以本地位于车辆101中。存储器140可以远程定位并且使用无线通信电路系统155经由无线通信标准与控制器211通信。
在图1示例中，组件通过包括总线150的总线体系架构耦合在一起。也可以使用其它合适的互连技术。
接口电路系统150、控制器211和存储器140的一个或多个组件可以由分立设备或集成设备制成。用于接口电路系统150、控制器211和存储器140中的一个或多个的电路可以由分立电路、一个或多个集成电路、专用集成电路(ASIC)等制成。控制器211还可以包括一个或多个中央处理单元(CPU)、一个或多个图形处理单元(GPU)、用于实现神经网络的专用硬件或处理器等。
如上所述，检测和/或预测逃生区信息的方法可以被用于减少和/或消除事故，例如，当驾驶员无法找到逃生区(例如，逃生路线)作为快车道上的安全机制时。该方法可以由任何合适的控制器或处理电路系统(诸如云300中的集中式控制器301、分散式控制器211等)执行。分散式控制器211可以位于车辆(例如，车辆201)中或车辆外。
返回去参考图1A，控制器301中的实时处理模块311可以被配置为检测一组车辆(诸如车辆101-106)的逃生区信息，类似于上文针对控制器211所述，因此为了简洁起见省略了对实时处理模块311的详细描述。在一些示例中，实时处理模块311可以被用于检测相对大的组的车辆的逃生区信息，并且与控制器301中的实时处理模块311相关联的该组车辆中的车辆的数量多于与控制器211相关联的那组车辆。
云300可以包括存储器和/或接口电路系统。存储器140和接口电路系统150的描述可以适当地适用于云300中的存储器和/或接口电路系统。云300中的存储器可以包括比存储器140中大得多的数据库，例如，用于大数据分析的全球数以百万计的交通情况中的数百万辆汽车的数据库。
在示例中，作为用于在控制器301中训练AI算法(例如，ML算法、神经网络)的学习样本的数量显著大于用于在控制器211中训练AI算法(例如，ML算法、神经网络)的学习样本的数量，控制器301中的AI算法可以比控制器211中的AI算法更准确。因而，控制器211中的AI算法(例如，ML算法、神经网络)可以由控制器301中的AI算法(例如，ML算法、神经网络)更新(例如，替换或修改)。控制器211中的AI算法可以通过控制器301中的学习样本来修改(例如，与逃生区信息相关联的数据)。
另外，云300中的批处理模块313可以被配置为提前执行预测分析和检测/预测会导致用于车辆的受损逃生区(或受损逃生路线)或没有逃生区(例如，没有逃生路线)的情况。批处理模块313可以例如对全球数百万交通情况下的数百万辆汽车执行大数据分析。大数据分析可以包括但不限于交通类型、道路状况、道路类型、天气状况、预测分析、异常检测等。预测分析可以包括针对旅行计划预测潜在的事故情况或需要避免的交通情况，例如，基于美国或世界某些道路的交通模式。
在示例中，由实时处理模块311执行的实时处理的目标是快速确定逃生区状态，并且批处理模块313执行的大数据分析是执行预测分析以在不同地形上分析交通中数百万汽车情况之后确定可能导致安全状况受损的情况。
图9A示出了概述根据本公开的实施例的示例性过程900A的流程图。在示例中，可以使用图1A-1B中所示的控制器211来实施过程900A。在示例中，控制器211位于车辆101中，并且过程900A被称为车载(或仅V)过程900A。在实施例中，过程900A可以用于确定车辆或一组车辆的逃生区信息。为了简洁起见，给出控制器211的描述，并且这些描述可以适当地适用于任何合适的控制器或设备。过程900A开始于S901A并进行到S910A。
在S910A处，可以获得与一个或多个车辆的驾驶状况信息相关联的输入数据，如上面参考图1A-1B所述。在示例中，交通中的车辆(诸如车辆101-106)可以具有相机、激光雷达、雷达和/或超声传感器，这些传感器被配置为获得与交通状况、道路状况、车辆状况(例如，制动状况、轮胎状况)相关联的输入数据。
在S920A处，可以预处理输入数据并且可以从经预处理的输入数据中提取用于逃生区信息预测的特征，如上面参考图1A-1B所描述的。
在S930A处，用于逃生区的(一个或多个)车辆间隙和/或(一个或多个)开放空间可以使用AI算法(或AI处理)来确定，诸如控制器211的ML处理能力，如以上参考图1A-1B所述。AI处理(例如，ML处理)可以使用从S910A获得的输入数据，然后计算在紧急情况下是否有逃生区(例如，逃生路线、开放空间)可供车辆驶入，从而避免事故。在示例中，当车辆状况(例如，(一个或多个)轮胎和/或制动性能由于例如(一个或多个)漏气的轮胎、制动故障而受损)、车辆之间的车辆间隙因其它车辆进入车辆间隙而受损时等，紧急情况会发生。输入数据可以指示周围障碍物(例如，其它车辆)、道路状况、车辆间隙、周围开放空间、道路类型、制动状况、轮胎状况等。
在S940A处，可以输出例如指示车辆的逃生区状态的逃生区信息以警告车辆的驾驶员，如上面参考图1A-1B所述。在示例中，如果没有逃生区(例如，没有逃生路线)，那么控制器211可以向驾驶员发送消息和警报以降低速度和/或改变车道，直到找到逃生路线。驾驶员可以忽略这些消息，但至少会提醒驾驶员注意这种情况。
可以适当地修改过程900A。可以添加、省略和/或组合(一个或多个)步骤。可以调整过程900A中实现步骤的次序。在具有高级辅助驾驶系统(ADAS)的某些高级车辆中，ADAS可以自动进行必要的调整(例如，改变车辆的速度或车道)以使逃生区(例如，逃生路线)可供车辆使用。如果ADAS无法找到用于车辆的逃生区，那么ADAS可以向车辆的驾驶员发送警报和/或消息。在一些示例中，多个ADAS可以自动进行必要的调整(例如，改变一个或多个车辆的速度或车道)以使逃生区(例如，逃生路线)可供一组车辆使用。
将具有ADAS的高级车辆与没有ADAS的老式车辆进行比较，对于先高级车辆，本公开中的系统100或实施例可以提供可以自动引导车辆的ADAS。对于老式车辆，在一些示例中，驾驶员可能需要基于图2-6中所示的警报和消息来操纵车辆。
过程900A可以适用于过程900B以包括训练步骤或修改步骤S925B以修改AI算法，如图9B中所示。图9B示出了概述根据本公开的实施例的示例性过程900B的流程图。在示例中，可以使用图1A-1B中所示的控制器211来实现过程900B。在示例中，控制器211位于车辆101中，并且过程900B被称为车载(或仅V)过程900B。在实施例中，过程900B可以被用于训练和/或修改用于确定车辆或一组车辆的逃生区信息的AI算法。为了简洁起见，给出控制器211的描述，并且这些描述可以适当地适用于任何合适的控制器或设备。
步骤S910B和S920B可以与S910A和S920A相同或相似，因此为了简洁起见省略对步骤S910B和S920B的描述。过程900A与过程900B的不同之处在于过程900B中的S925B。
在S925B处，用于确定用于逃生区的车辆间隙和开放空间的AI算法(诸如神经网络、ML算法等)可以被训练和/或修改，如上所述。在示例中，用于训练和/或修改AI算法的学习样本包括来自S920B的输出数据，其中输出数据可以包括经预处理的输入数据和提取出的与逃生区检测相关联的特征。
可以适当地修改过程900B。可以添加、省略和/或组合(一个或多个)步骤。可以调整过程900B中实现步骤的次序。在示例中，在训练/修改AI算法之后，经修改的AI算法可以被用于基于指示车辆或一组车辆的驾驶状况信息的附加数据来确定该车辆或该组车辆的(一个或多个)车辆间隙和/或(一个或多个)开放空间。
在一些示例中，过程900A和900B可以在附接到车辆(例如，车辆101)的控制器(例如，控制器211)中实现，因此被称为车载过程。返回去参考图1A-1B，在示例中，车载过程900A和900B在控制器211中执行。与900A和900B相似或相同的车载过程可以在任何车辆中的控制器(诸如相应车辆102-106中的控制器212-216中的每一个)中执行。
过程900A-900B可以如下适当地适用于车辆到云到车辆(V2C和C2V)的情况。过程900A可以适用于过程1000A。参考图10A，在示例中，步骤S1020A、S1030A和S1040A与步骤S920A、S930A和S940A相同或相似。
在示例中，可以使用图1A-1B中所示的云300中的控制器301来实现过程1000A-1000B。在示例中，控制器301位于云301中，并且过程1000A-1000B被称为车辆到云到车辆(V2C和C2V)过程。在实施例中，过程1000A可以被用于确定车辆或一组车辆的逃生区信息。过程1000B可以被用于训练和/或修改用于确定车辆或一组车辆的逃生区信息的AI算法。
在S1010A处，与逃生区检测和/或大数据分析相关联的输入数据可以通过云经由V2C通信从一个或多个车辆获得。在示例中，云300中的输入数据可以使用利用ApacheStorm的数据摄取来获得。
在示例中，在S910A处，可以直接从车辆上的传感器获得输入数据。可替代地，在S910A处，可以经由V2V通信从其它车辆或使用C2V通信从云300获得输入数据。因此，S1010A与S910A可以不同。
过程1000A与900A之间的另一个区别是可以省略S1020A，例如，当车辆中的控制器能够执行S1020A时。因此，包括预处理步骤和/或特征提取步骤在内的初始处理可以在各个车辆中的本地控制器中执行，从而确保比在云中进行预处理步骤和/或特征提取步骤更快的操作速度和更低的成本。另外，如果预处理步骤和/或特征提取步骤在各个车辆中的本地控制器中执行，那么S1010A中的输入数据包括经预处理的数据和/或提取出的特征，而不是未经处理的原始数据。
对于不具有感测能力或计算能力的某些车辆，云仍然可以执行S1020A。在一些示例中，不具有感测能力或计算能力的某些车辆具有GPS传感器、加速度计和移动设备以与云交互。
过程1000A可以适当地适用于过程1000B，如上面参考过程900A和900B所述，因此为了简洁起见省略详细描述。在示例中，步骤S1010B和S1020B与如上所述的步骤S1010A和S1020A相似或相同。例如，S1020B也可以由个体车辆中的本地控制器执行。步骤S1025B和S925B可以相似或相同。例如，在S1025B处，可以训练和/或修改在云中用于确定用于逃生区的车辆间隙和开放空间的AI算法(诸如神经网络、ML算法等)，如上所述。
在一些示例中，过程1000A和1000B可以在云300中的控制器(例如，控制器301)中实现，因此被称为V2C和C2V过程。返回去参考图1A-1B，在示例中，过程1000A和1000B在控制器301(例如，实时处理模块311)中执行。
参考图1A，系统100可以发送消息车载(仅V)处理并例如通过控制器211执行仅V过程900A和900B。系统100可以从车辆到云(C2V)发送消息181(和可选的187和188)以供处理并返回到车辆(C2V)。系统100还可以在车辆之间(V2V)发送消息182-186。
仅V、V2V、V2C和C2V消息可以利用低时延，诸如经由5G和6G数据速率。在示例中，对于5G数据速率，用于仅V和V2V的时延可以小于5毫秒。对于6G数据速率，用于仅V和V2V的时延可以达到10至100微秒。此类低时延可以有利于紧急响应。用于V2C和C2V的时延可以显著大于用于仅V和V2V的时延。
图11A示出了概述根据本公开的实施例的示例性过程1100A的流程图。在示例中，可以使用图1A-1B中所示的控制器301来实现过程1100A。在示例中，控制器301位于云300中，并且过程1100A被称为V2C和C2V过程1100A。在实施例中，过程1100A可以被用于执行大数据分析，包括针对大量车辆的预测服务。过程1100A开始于S1101A并进行到S1110A。
在S1110A处，可以获得来自大量车辆、地图服务、气象站、基础设施等的输入数据用于批处理以执行大数据分析，如上文参考图1A-1B所述。在示例中，包括例如车辆101-106在内的大量车辆可以具有相机、激光雷达、雷达和/或超声传感器，这些传感器被配置为获得与交通状况、道路状况(例如，潮湿、干燥等)、道路类型(例如，高速公路、山路、地方道路等)、车辆状况(例如，制动状况、轮胎状况)相关联的输入数据。输入数据还可以包括天气状况、一天中某些时间的某些道路的交通模式等。
在S1120A处，可以预处理输入数据并且可以从经预处理的输入数据中提取用于大数据分析的特征，如上面参考图1A-1B所述。
在S1130A处，大数据分析(诸如在车辆中计算成本可能太高的异常检测、天气状况、道路类型、道路状况、交通类型和预测分析)可以使用AI算法(或AI处理)(诸如控制器301的ML处理能力)来确定，如上文参考图1A-1B所述。
在S1140A处，可以输出大数据分析结果，例如，以提醒车辆驾驶员未来潜在的意外情况。云300中的控制器301可以进行预测分析，从而提前检测导致车辆逃生路线受损的情况。上述这种大数据分析可以在全球数百万交通情况下对数百万辆汽车执行。
可以适当地修改过程1100A。可以添加、省略和/或组合(一个或多个)步骤。可以调整过程1100A中实现步骤的次序。
过程1100A可以适用于过程1100B以包括训练步骤或修改步骤S1125B以修改AI算法，如图11B中所示。图11B示出了概述根据本公开的实施例的示例性过程1100B的流程图。在示例中，可以使用图1A-1B中所示的控制器301来实现过程1100B。在示例中，控制器301位于云300中，并且过程900B被称为V2C和C2V过程1100B。在实施例中，过程1100B可以被用于训练和/或修改用于对大量车辆执行大数据分析的AI算法。
步骤S1110B和S1120B可以与S1110A和S1120A相同或相似，因此为了简洁起见省略对步骤S1110B和S1120B的描述。过程1100A与1100B之间的区别是过程1100B中的S1125B。
在S1125B处，如上所述，可以训练和/或修改用于对大量车辆执行大数据分析的AI算法(诸如神经网络、ML算法等)。在示例中，用于训练和/或修改AI算法的学习样本包括来自S1120B的输出数据，其中输出数据可以包括经预处理的输入数据和提取出的与大数据分析相关联的特征。
可以适当地修改过程1100B。可以添加、省略和/或组合(一个或多个)步骤。可以调整过程1100B中实现步骤的次序。在示例中，在对AI算法进行训练/修改之后，可以使用经修改的AI算法基于指示大量车辆的驾驶状况信息、天气状况等的附加数据对大量车辆进行大数据分析。
在一些示例中，过程1100A和1100B可以在云300中的控制器(例如，控制器301)中实现，因此被称为V2C和C2V过程。返回去参考图1A-1B，在示例中，过程1100A和1100B在控制器301(例如，批处理模块313)中执行。
虽然已经结合作为示例提出的其特定实施例描述了本公开的各方面，但是可以对示例进行替换、修改和变化。因而，本文阐述的实施例旨在是说明性而非限制性的。在不背离下面提出的权利要求的范围的情况下可以做出改变。

Claims (20)

1.一种用于一组车辆的协同逃生区检测的系统，包括：
传感器，被配置为获得用于该组车辆的驾驶状况信息，驾驶状况信息指示该组车辆的驾驶环境和车辆状况；以及
控制器，被配置为：
对于该组车辆中的每个车辆，
基于该车辆的驾驶环境确定在该车辆与该车辆周围的一个或多个障碍物之间的与该车辆相关联的一个或多个距离；以及
基于与该车辆相关联的所述一个或多个距离、该车辆的驾驶环境和该车辆的车辆状况来确定该车辆的逃生区状态，
逃生区状态指示是否一个或多个逃生区可供该车辆使用；以及
响应于该组车辆中的一个车辆的逃生区状态未能满足预定义的条件，向该组车辆中的一个或多个车辆发送一个或多个控制信号以指示所述一个或多个车辆创建用于该组车辆中的所述一个车辆的附加逃生区。
2.如权利要求1所述的系统，其中该车辆的车辆状况包括该车辆的制动状况、轮胎状况和速度中的一个或多个。
3.如权利要求2所述的系统，其中
驾驶环境包括该组车辆的至少一个道路状况、至少一个道路类型和天气状况中的一个或多个，以及
控制器还被配置为：
基于所述至少一个道路状况中的相应一个、所述至少一个道路类型中的相应一个、天气状况和该车辆的车辆状况中的一个或多个来确定阈值距离；以及
基于所述一个或多个距离与阈值距离的比较确定是否所述一个或多个逃生区可供该车辆使用。
4.如权利要求3所述的系统，其中
该组车辆中的每个车辆与包括前侧、后侧、左侧和右侧的四侧相关联，
所述一个或多个障碍物包括前障碍物、后障碍物、左障碍物和右障碍物，
与该车辆相关联的所述一个或多个距离包括该车辆分别与前障碍物、后障碍物、左障碍物和右障碍物之间的前方距离、后方距离、左侧距离和右侧距离；
对于该组车辆中的每个车辆，控制器还被配置为：
基于前方距离、后方距离、左侧距离和右侧距离与阈值距离的比较来确定是否逃生区可供所述四侧中的每一侧使用；以及
确定指示可供该车辆使用的逃生区的数量和/或逃生区的位置的逃生区状态。
5.如权利要求3所述的系统，其中
该组车辆在至少一条道路上行驶，
所述至少一条道路的所述至少一个道路状况指示以下之一：所述至少一条道路的干燥度、质量或曲率，以及
所述至少一条道路的所述至少一个道路类型指示所述至少一条道路的至少一个限速。
6.如权利要求1所述的系统，其中预定义的条件包括以下当中的一个或多个：(i)该组车辆中的每个车辆的逃生区的数量超过阈值数量，或(ii)所述一个或多个逃生区的一个或多个位置位于预定义的位置。
7.如权利要求1所述的系统，其中
所述一个或多个车辆包括该组车辆中的多个车辆，
所述一个或多个控制信号包括所述多个车辆的多个信号，以及
控制器还被配置为分别向所述多个车辆发送所述多个信号。
8.如权利要求1所述的系统，其中所述一个或多个车辆包括该组车辆中的所述一个车辆。
9.如权利要求1所述的系统，其中控制器还被配置为使用人工神经网络确定所述一个或多个距离。
10.如权利要求9所述的系统，其中
该系统还包括接口电路系统，该接口电路系统被配置为获得训练数据集，该训练数据集包括多个车辆的驾驶状况信息和与所述多个车辆中的每个车辆相关联的对应距离，所述对应距离是该车辆与该车辆周围的障碍物之间的距离；以及
控制器还被配置为基于训练数据集修改该人工神经网络。
11.如权利要求9所述的系统，其中
该系统还包括具有另一个人工神经网络的集中式控制器，以及
控制器被配置为基于该另一个人工神经网络更新控制器中的人工神经网络。
12.如权利要求1所述的系统，其中控制器是以下中的一者：(i)云中的集中式控制器或(ii)与该组车辆相关联的分散式控制器。
13.如权利要求12所述的系统，其中
控制器是云中的集中式控制器，
该系统还包括与该组车辆相关联的分散式控制器，以及
分散式控制器被配置为对驾驶状况信息进行预处理以获得该组车辆的驾驶环境和车辆状况。
14.一种用于一组车辆的协同逃生区检测的方法，包括：
由被配置用于该组车辆的协同逃生区检测的控制器获得用于该组车辆的驾驶状况信息，驾驶状况信息指示该组车辆的驾驶环境和车辆状况；
对于该组车辆中的每个车辆，
基于车辆的驾驶环境确定在该车辆与围绕该车辆的一个或多个障碍物之间的与该车辆相关联的一个或多个距离；以及
基于与该车辆相关联的所述一个或多个距离、该车辆的驾驶环境和该车辆的车辆状况确定用于该车辆的逃生区状态，逃生区状态指示是否一个或多个逃生区可供该车辆使用；以及
响应于该组车辆中的一个车辆的逃生区状态未能满足预定义的条件，向该组车辆中的一个或多个车辆发送一个或多个控制信号以指示所述一个或多个车辆创建用于该组车辆中的所述一个车辆的附加逃生区。
15.如权利要求14所述的方法，其中该车辆的车辆状况包括该车辆的制动状况、轮胎状况和速度中的一个或多个。
16.如权利要求15所述的方法，其中
驾驶环境包括该组车辆的至少一个道路状况、至少一个道路类型和天气状况中的一个或多个，以及
确定逃生区状态包括：
基于所述至少一个道路状况中的相应一个、所述至少一个道路类型中的相应一个、天气状况和该车辆的车辆状况中的一个或多个来确定阈值距离；以及
基于所述一个或多个距离与阈值距离的比较确定是否所述一个或多个逃生区可供该车辆使用。
17.如权利要求16所述的方法，其中
该组车辆中的每个车辆与包括前侧、后侧、左侧和右侧的四侧相关联，
所述一个或多个障碍物包括前障碍物、后障碍物、左障碍物和右障碍物，
与该车辆相关联的所述一个或多个距离包括该车辆分别与前障碍物、后障碍物、左障碍物和右障碍物之间的前方距离、后方距离、左侧距离和右侧距离；
对于该组车辆中的每个车辆，确定逃生区状态包括：
基于前方距离、后方距离、左侧距离和右侧距离与阈值距离的比较来确定是否逃生区可供所述四侧中的每一侧使用；以及
确定指示可供车辆使用的逃生区的数量和/或逃生区的位置的逃生区状态。
18.如权利要求14所述的方法，其中
所述一个或多个车辆包括该组车辆中的多个车辆，
所述一个或多个控制信号包括所述多个车辆的多个信号，以及
发送包括分别向所述多个车辆发送所述多个信号。
19.如权利要求14所述的方法，其中
确定所述一个或多个距离包括使用人工神经网络确定所述一个或多个距离。
20.如权利要求19所述的方法，还包括：
获得训练数据集，该训练数据集包括多个车辆的驾驶状况信息和与所述多个车辆中的每个车辆相关联的对应距离，所述对应距离是该车辆与该车辆周围的障碍物之间的距离；以及
基于训练数据集修改该人工神经网络。
CN202211269775.XA 2021-10-25 2022-10-18 用于协同逃生区检测的装置和方法 Pending CN116022132A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/509,711 2021-10-25
US17/509,711 US20230298469A1 (en) 2021-10-25 2021-10-25 Apparatus and method for cooperative escape zone detection

Publications (1)

Publication Number Publication Date
CN116022132A true CN116022132A (zh) 2023-04-28

Family

ID=86078432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211269775.XA Pending CN116022132A (zh) 2021-10-25 2022-10-18 用于协同逃生区检测的装置和方法

Country Status (3)

Country Link
US (1) US20230298469A1 (zh)
JP (1) JP2023064062A (zh)
CN (1) CN116022132A (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6415226B1 (en) * 1999-12-20 2002-07-02 Navigation Technologies Corp. Method and system for providing safe routes using a navigation system
US20160231746A1 (en) * 2015-02-06 2016-08-11 Delphi Technologies, Inc. System And Method To Operate An Automated Vehicle
US10395332B1 (en) * 2016-01-22 2019-08-27 State Farm Mutual Automobile Insurance Company Coordinated autonomous vehicle automatic area scanning
JP6821791B2 (ja) * 2017-03-31 2021-01-27 本田技研工業株式会社 車両制御システム、車両制御方法、および車両制御プログラム
US10089876B1 (en) * 2017-09-06 2018-10-02 Qualcomm Incorporated Systems and methods for coordinated lane-change negotiations between vehicles
US11086317B2 (en) * 2018-03-30 2021-08-10 Intel Corporation Emotional adaptive driving policies for automated driving vehicles

Also Published As

Publication number Publication date
US20230298469A1 (en) 2023-09-21
JP2023064062A (ja) 2023-05-10

Similar Documents

Publication Publication Date Title
CN110349405B (zh) 利用联网汽车的实时交通监视
CN110603497B (zh) 自主车辆操作管理控制的自主车辆和方法
CN110738870A (zh) 用于避免碰撞路线的系统和方法
US20220355821A1 (en) Ride comfort improvement in different traffic scenarios for autonomous vehicle
WO2021241189A1 (ja) 情報処理装置、情報処理方法、およびプログラム
KR20230039486A (ko) 환경 제한 및 센서 이상 시스템 및 방법
US20240025443A1 (en) Path generation based on predicted actions
US20240025395A1 (en) Path generation based on predicted actions
CN115936466A (zh) 用于运载工具的方法、系统和计算机可读介质
KR20230040239A (ko) 상황 콘텍스트 내에서의 부동성 검출
CN117836184A (zh) 用于自主车辆的互补控制系统
US20230294741A1 (en) Agent importance prediction for autonomous driving
US20240025444A1 (en) Path generation based on predicted actions
US11400958B1 (en) Learning to identify safety-critical scenarios for an autonomous vehicle
CN116128053A (zh) 用于自主运载工具的方法和系统以及计算机可读介质
KR20230108672A (ko) 규칙집 궤적 생성을 위한 그래프 탐색
CN115808921A (zh) 用于运载工具的方法和系统
CN116022132A (zh) 用于协同逃生区检测的装置和方法
US20230150544A1 (en) Generating notifications indicative of unanticipated actions
US20230373529A1 (en) Safety filter for machine learning planners
US20240123996A1 (en) Methods and systems for traffic light labelling via motion inference
US11926342B2 (en) Autonomous vehicle post-action explanation system
US20240051568A1 (en) Discriminator network for detecting out of operational design domain scenarios
US12030509B1 (en) Realism in log-based simulations
US20230347920A1 (en) Autonomous vehicle notification system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right

Effective date of registration: 20230714

Address after: Aichi Prefecture, Japan

Applicant after: Toyota Motor Corp.

Address before: Texas, USA

Applicant before: TOYOTA MOTOR ENGINEERING & MANUFACTURING NORTH AMERICA, Inc.

TA01 Transfer of patent application right