CN116552514A

CN116552514A - 用于优化操作的车辆控制

Info

Publication number: CN116552514A
Application number: CN202310042834.8A
Authority: CN
Inventors: B·斯库戈尔; J·托皮克; J·德乌尔; 弗拉基米尔·伊万诺维奇; 弘泰·埃里克·曾
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2022-01-31
Filing date: 2023-01-28
Publication date: 2023-08-08
Also published as: US11945456B2; DE102023101951A1; US20230242134A1

Abstract

本公开提供了“用于优化操作的车辆控制”。在检测到移动对象接近目标区域时，将车辆的目标速度曲线、所述车辆的位置和速度以及所述移动对象的位置和速度输入到第一神经网络，所述第一神经网络输出所述移动对象将进入所述目标区域的预测进入时间的进入概率分布。将所述目标速度曲线、所述车辆的所述位置和所述速度、所述移动对象的所述位置和所述速度以及所述移动对象进入所述目标区域的预测进入时间输入到第二神经网络，所述第二神经网络输出所述移动对象将退出所述目标区域的预测退出时间的退出概率分布。通过在滚动时域中执行模型预测控制算法，基于所述进入概率分布和所述退出概率分布确定优化速度曲线。基于所述优化速度曲线操作车辆。

Description

用于优化操作的车辆控制

技术领域

本公开涉及车辆控制的优化操作。

背景技术

车辆可配备有电子和机电部件，例如，计算装置、网络、传感器和控制器等。车辆计算机可获取关于车辆的环境的数据，并且可基于所获取的数据而操作车辆或其至少一些部件。车辆传感器可提供关于将行驶的路线以及车辆的环境中要避开的对象的数据。当车辆在操作时，车辆的操作可依赖于获取关于车辆的环境中的对象的准确且及时的数据。

发明内容

车辆计算机可以沿着行进路径操作车辆，所述行进路径包括在其中移动对象可以穿过行进路径的目标区域。例如，车辆可能在交叉路口处或交叉路口附近遇到移动对象，诸如行人或自行车；所述目标区域可以相对于交叉路口而确定。在目标区域中检测到移动对象时，车辆计算机可以更新车辆操作以降低在目标区域中撞击移动对象的可能性，例如通过致动制动部件以降低车辆的速度直到移动对象离开所述目标区域。然而，响应于在目标区域中检测到移动对象而更新车辆操作可能会增加车辆横穿目标区域的时间量。

有利地，在检测到移动对象接近目标区域时，车辆计算机可以例如通过使用模型预测控制算法和穷举网格搜索基于移动对象将进入目标区域的预测进入时间的进入概率分布和移动对象将退出目标区域的预测退出时间的退出概率分布来确定优化速度曲线，如下文所讨论的。车辆计算机可以将进入概率分布和退出概率分布确定为来自相应神经网络的输出，如下文所讨论的。然后，车辆计算机可以基于优化速度曲线来操作车辆。基于优化速度曲线来操作车辆允许车辆计算机在检测到移动对象接近目标区域时更新车辆操作，这可以减少车辆横穿目标区域的时间量，同时降低车辆在所述目标区域中撞击所述移动对象的可能性。

一种系统包括计算机，所述计算机包括处理器和存储器，所述存储器存储有指令，所述指令可由所述处理器执行以进行以下操作：在检测到移动对象接近目标区域时，将车辆的目标速度曲线、所述车辆的位置和速度以及所述移动对象的位置和速度输入到第一神经网络，所述第一神经网络输出所述移动对象将进入所述目标区域的预测进入时间的进入概率分布。所述指令还包括用于进行以下操作的指令：将所述目标速度曲线、所述车辆的所述位置和所述速度、所述移动对象的所述位置和所述速度以及所述移动对象进入所述目标区域的预测进入时间输入到第二神经网络，所述第二神经网络输出所述移动对象将退出所述目标区域的预测退出时间的退出概率分布。所述指令还包括用于进行以下操作的指令：通过在滚动时域中执行模型预测控制算法，基于所述进入概率分布和所述退出概率分布确定优化速度曲线。所述指令还包括用于进行以下操作的指令：基于所述优化速度曲线操作车辆。

所述目标速度曲线可以由目标速度和目标加速度定义。

所述指令还可以包括用于进行以下操作的指令：在检测到不存在所述移动对象接近所述目标区域时，基于请求速度操作所述车辆。

所述指令还可以包括用于进行以下操作的指令：基于用户输入来确定所述请求速度。

所述指令还可以包括用于进行以下操作的指令：基于地图数据来确定所述请求速度。

所述指令还可以包括用于进行以下操作的指令：在检测到所述移动对象离开所述目标区域时，基于所述请求速度操作所述车辆。

所述指令还可以包括用于进行以下操作的指令：在检测到所述移动对象离开所述目标区域时，基于请求速度操作所述车辆。

所述指令还可以包括用于进行以下操作的指令：基于所述车辆将在所述目标区域中撞击所述移动对象的概率来优化所述目标速度曲线。

所述指令还可以包括用于进行以下操作的指令：另外基于最小化所述车辆横穿所述目标区域的时间量的成本函数来优化所述目标速度曲线。

所述指令还可以包括用于进行以下操作的指令：在所述目标区域内检测到所述移动对象时，致动所述车辆的制动部件。

所述指令还可以包括用于进行以下操作的指令：在确定所述移动对象已经离开所述目标区域时，基于请求速度操作所述车辆。

所述目标区域可以完全延伸跨过行进路径并且部分沿着所述行进路径延伸。

所述指令还可以包括用于进行以下操作的指令：基于检测到横穿所述行进路径的标记来识别所述目标区域。

所述指令还可以包括用于进行以下操作的指令：基于地图数据来识别所述目标区域。

一种方法包括：在检测到移动对象接近目标区域时，将车辆的目标速度曲线、所述车辆的位置和速度以及所述移动对象的位置和速度输入到第一神经网络，所述第一神经网络输出所述移动对象将进入所述目标区域的预测进入时间的进入概率分布。所述方法还包括：将所述目标速度曲线、所述车辆的所述位置和所述速度、所述移动对象的所述位置和所述速度以及所述移动对象进入所述目标区域的预测进入时间输入到第二神经网络，所述第二神经网络输出所述移动对象将退出所述目标区域的预测退出时间的退出概率分布。所述方法还包括：通过在滚动时域中执行模型预测控制算法，基于所述进入概率分布和所述退出概率分布确定优化速度曲线。所述方法还包括：基于所述优化速度曲线操作车辆。

所述目标速度曲线可以由目标速度和目标加速度定义。

所述方法还可以包括：在检测到不存在所述移动对象接近所述目标区域或离开所述目标区域的所述移动对象中的一个时，基于请求速度操作所述车辆。

所述方法还可以包括：在所述目标区域内检测到所述移动对象时，致动所述车辆的制动部件。

所述方法还可以包括：基于所述车辆将在所述目标区域中撞击所述移动对象的概率来优化所述目标速度曲线。

所述方法还可以包括：另外基于最小化所述车辆横穿所述目标区域的时间量的成本函数来优化所述目标速度曲线。

本文还公开了一种计算装置，所述计算装置被编程为执行上述方法步骤中的任一者。本文还公开了一种计算机程序产品，所述计算机程序产品包括计算机可读介质，所述计算机可读介质存储可由计算机处理器执行以执行上述方法步骤中的任一者的指令。

附图说明

图1是用于车辆的示例性控制系统的框图。

图2A至图2C是示例性车辆接近示例性目标区域的图示。

图3A至图3B是用于确定车辆将退出目标区域的退出时间的示例性分段仿射函数。

图4是示例性第一神经网络。

图5是示例性第二神经网络。

图6是用于在接近目标区域时操作车辆的示例性过程的示例性流程图。

具体实施方式

参考图1至图5，示例性控制系统100包括车辆105。车辆105中的车辆计算机110从传感器115接收数据。车辆计算机110被编程为：在检测到移动对象220接近目标区域210时，将车辆105的目标速度曲线T_a,v、所述车辆105的位置s_v(如下文所讨论的)和速度v_v以及所述移动对象220的位置s_p(如下文所讨论的)和速度v_p输入到第一神经网络400，所述第一神经网络输出所述移动对象220将进入所述目标区域210的预测进入时间的进入概率分布P₁。车辆计算机110还被编程为：将所述目标速度曲线T_a,v、所述车辆105的所述位置s_v和所述速度v_v、所述移动对象220的所述位置s_p和所述速度v_p以及所述移动对象220进入所述目标区域210的预测进入时间P_p,i输入到第二神经网络500，所述第二神经网络输出所述移动对象220将退出所述目标区域210的预测退出时间的退出概率分布P₂。车辆计算机110还被编程为：通过在滚动时域(如下文所讨论的)中执行模型预测控制算法，基于所述进入概率分布P₁和所述退出概率分布P₂确定优化速度曲线T_o。车辆计算机110还被编程为：基于所述优化速度曲线T_o来操作所述车辆105。

现在转到图1，车辆105包括车辆计算机110、传感器115、用于致动各种车辆部件125的致动器120以及车辆通信模块130。通信模块130允许车辆计算机110例如经由消息传递或广播协议(诸如专用短程通信(DSRC)、蜂窝、IEEE 802.11、超宽带(UWB)和/或可以支持车辆对车辆、车辆对基础设施、车辆对云通信等的其他协议)和/或经由分组网络135来与远程服务器计算机140、用户装置145和/或其他车辆通信。

车辆计算机110包括诸如已知的处理器和存储器。存储器包括一种或多种形式的计算机可读介质，并且存储指令，所述指令可由车辆计算机110执行以用于执行包括如本文所公开的各种操作。车辆计算机110还可以包括协同操作以实施车辆105操作(包括如本文所述的操作)的两个或更多个计算装置。此外，车辆计算机110可以是具有如上所述的处理器和存储器的通用计算机，和/或可以包括用于特定功能或功能集的电子控制单元(ECU)或电子控制器等，和/或可以包括专用电子电路，所述专用电子电路包括针对特定操作而制造的ASIC(专用集成电路)，例如，用于处理传感器数据和/或传送传感器数据的ASIC。在另一个示例中，车辆计算机110可以包括FPGA(现场可编程门阵列)，所述FPGA是被制造为可由用户配置的集成电路。通常，在电子设计自动化中使用诸如VHDL(超高速集成电路硬件描述语言)的硬件描述语言来描述诸如FPGA和ASIC的数字和混合信号系统。例如，ASIC是基于制造前提供的VHDL编程而制造的，而FPGA内部的逻辑部件可以基于例如存储在电连接到FPGA电路的存储器中的VHDL编程来配置。在一些示例中，处理器、ASIC和/或FPGA电路的组合可以包括在车辆计算机110中。

车辆计算机110可以包括编程以操作车辆105制动、推进(例如，通过控制内燃发动机、电动马达、混合动力发动机等中的一者或多者来控制车辆105的加速)、转向、变速器、气候控制、内部灯和/或外部灯、喇叭、车门等中的一者或多者，以及确定车辆计算机110(而非人类操作员)是否以及何时控制此类操作。

车辆计算机110可包括多于一个处理器或例如经由如下文进一步描述的车辆通信网络(诸如，通信总线)通信地耦合到所述多于一个处理器，所述多于一个处理器例如包括在车辆105中所包括的用于监测和/或控制各种车辆部件125的电子控制器单元(ECU)等中，例如变速器控制器、制动控制器、转向控制器等。车辆计算机110通常被布置用于在车辆通信网络上通信，所述车辆通信网络可包括车辆105中的总线，诸如控制器局域网(CAN)等，和/或其他有线和/或无线机制。

经由车辆105网络，车辆计算机110可向车辆105中的各种装置(例如，传感器115、致动器120、ECU等)传输消息和/或从各种装置接收消息(例如，CAN消息)。替代地或另外，在车辆计算机110实际上包括多个装置的情况下，车辆通信网络可用于在本公开中表示为车辆计算机110的装置之间的通信。此外，如下文所提及，各种控制器和/或传感器115可经由车辆通信网络向车辆计算机110提供数据。

车辆105传感器115可包括诸如已知为向车辆计算机110提供数据的多种装置。例如，传感器115可包括设置在车辆105的顶部上、在车辆105的前挡风玻璃后面、在车辆105周围等的一个或多个光探测和测距(激光雷达)传感器115等，所述传感器提供车辆105周围的对象的相对位置、大小和形状。作为另一个示例，固定到车辆105保险杠的一个或多个雷达传感器115可以提供数据来提供对象、第二车辆等相对于车辆105的位置的位置。替代地或另外地，传感器115还可以例如包括一个或多个相机传感器115(例如，前视、侧视等)，所述相机传感器提供来自车辆105周围的区域的图像。在本公开的背景下，对象是具有质量并可通过可由传感器115检测到的物理现象(例如，光或其他电磁波或声音等)来表示的物理(即，物质)物品。因此，车辆105以及包括如下文所讨论的其他物品都落在本文的“对象”的定义内。

车辆计算机110被编程为基本上连续地、周期性地和/或在远程服务器计算机140指示时等从一个或多个传感器115接收数据。数据可以例如包括车辆105的位置。位置数据指定地面上的一个或多个点并且可为已知形式，例如经由如所已知的使用全球定位系统(GPS)的导航系统获得的地理坐标，诸如纬度和经度坐标。另外或替代地，数据可包括对象(例如，车辆、标志、树木等)相对于车辆105的位置。作为一个示例，数据可为车辆105周围的环境的图像数据。在这种示例中，图像数据可包括道路上或沿着所述道路的一个或多个对象和/或标志，例如车道标志。本文的图像数据意指可由相机传感器115获取的数字图像数据，例如，包括具有强度值和颜色值的像素。传感器115可安装到车辆105之中或之上的任何合适的位置，例如，安装在车辆105保险杠上、在车辆105车顶上等，以收集车辆105周围的环境的图像。

车辆105致动器120经由可根据如所已知的适当的控制信号来致动各种车辆子系统的电路、芯片或其他电子和/或机械部件来实施。致动器120可用于控制部件125，包括车辆105的制动、加速和转向。

在本公开的背景中，车辆部件125是适于执行机械或机电功能或操作(诸如使车辆105移动、使车辆105减速或停止、使车辆105转向等)的一个或多个硬件部件。部件125的非限制性示例包括推进部件(其包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如，其可以包括方向盘、转向齿条等中的一者或多者)、悬架部件(例如，其可以包括阻尼器例如减振器或滑柱、套管、弹簧、控制臂、球头节、连杆等中的一者或多者)、制动部件、泊车辅助部件、自适应巡航控制部件、自适应转向部件、一个或多个被动约束系统(例如，安全气囊)、可移动座椅等。

车辆105还包括人机界面(HMI)118。HMI 118包括用户输入装置，诸如旋钮、按钮、开关、踏板、操纵杆、触摸屏和/或传声器等。输入装置可包括传感器115以检测用户输入并且将用户输入数据提供给车辆计算机110。也就是说，车辆计算机110可以被编程为从HMI118接收用户输入。用户可以例如通过选择触摸屏显示器上的虚拟按钮、通过提供语音命令等经由HMI 118来提供每个用户输入。例如，包括在HMI 118中的触摸屏显示器可以包括传感器115以检测用户选择触摸屏显示器上的虚拟按钮以例如选择或取消选择操作，所述输入可以被接收在车辆计算机110中并用于确定对用户输入的选择。

HMI 118通常还包括向用户输出信号或数据的输出装置，诸如显示器(包括触摸屏显示器)、扬声器和/或灯等。HMI 118耦合到车辆通信网络并且可向/从车辆计算机110和其他车辆子系统发送和/或接收消息。

另外，车辆计算机110可被配置用于经由车辆对车辆通信模块130或接口与车辆105外部的装置通信，例如，通过车辆对车辆(V2V)或车辆对基础设施(V2X)无线通信(蜂窝和/或DSRC等)与另一个车辆和/或远程服务器计算机140(通常经由直接射频通信)通信。通信模块130可以包括车辆的计算机可利用来进行通信的一种或多种机制，诸如收发器，包括无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望的组合以及任何期望的网络拓扑(或当利用多种通信机制时的多种拓扑)。经由通信模块130提供的示例性通信包括提供数据通信服务的蜂窝、UWB、IEEE 802.11、专用短程通信(DSRC)和/或包括互联网的广域网(WAN)。

网络135表示车辆计算机110可以借助其来与远程计算装置(例如，远程服务器计算机140、另一个车辆计算机等)进行通信的一种或多种机制。因此，网络135可以是各种有线或无线通信机制中的一者或多者，包括有线(例如，电缆和光纤)和/或无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望的组合以及任何期望的网络拓扑(或利用多种通信机制时的多种拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络(例如，使用低功耗(BLE)、IEEE 802.11、UWB、车辆对车辆(V2V)(诸如专用短程通信(DSRC))等)、局域网(LAN)和/或包括互联网的广域网(WAN)。

远程服务器计算机140可以是被编程为提供诸如本文公开的操作的常规计算装置，即，包括一个或多个处理器和一个或多个存储器。此外，可经由网络135(例如，互联网、蜂窝网络和/或某一其他广域网)来访问远程服务器计算机140。

用户装置145可以是被编程为提供诸如本文所公开的操作的常规计算装置，即，包括一个或多个处理器和一个或多个存储器。用户装置145可以是便携式装置。便携式装置可以是可以在由人携带时使用的各种计算机中的任何一种，例如智能手机、平板计算机、个人数字助理、智能手表、钥匙扣等。此外，可以经由网络135(例如，互联网、蜂窝网络和/或某种其他广域网)来访问用户装置145。

图2A至图2C是示出在示例性操作区域200中操作的车辆105的图示。操作区域200是用于操作车辆的指定地表面区域。操作区域200可以在街道或道路上，例如，沿着路沿或街道边缘的区域、停车场或结构或其部分等。操作区域200可以包括一个或多个行进路径205。行进路径205是在操作区域200内用于车辆行驶的指定区域，例如车道或过道。

行进路径205可以是单向的，即，被提供用于车辆沿着行进路径205在一个方向上行驶，也可以是双向的，即，被提供用于车辆沿着行进路径205在相反的两个方向上行驶。例如，行进路径205可以提供从行进路径205的一端到行进路径205的另一端的行进方向。在行进路径205是双向的示例中，行进路径205提供与行进方向相反的另一个行进方向。例如，行进路径205可以仅容纳一个车辆，即，使得多个车辆可以在行进路径205中一辆接一辆行驶，而非彼此并排，即，横向相邻地行驶。替代地，行进路径205可以容纳多个车辆，即，使得多个车辆可在行进路径205中彼此并排行驶。

车辆计算机110可以定义以车辆105处为原点(例如，后车桥的中心点、前保险杠的中心点等)的局部二维坐标系。作为一个示例，局部坐标系可以是笛卡尔坐标系。在这样的示例中，局部坐标系定义点x,y，其中x是沿着车辆105的纵向轴线的坐标，并且y是沿着车辆105的横向轴线的坐标。也就是说，x坐标沿车辆向前方向和车辆向后方向(有时称为纵向方向)延伸，而y坐标沿车辆横跨方向(有时称为横向方向)延伸。作为另一个示例，局部坐标系可以是极坐标系、球面坐标系等。车辆或其他对象的“位置”，例如，车辆105的位置s_v和移动对象220的位置s_p在本文中指的是可以由对象在局部坐标系中的坐标指定的位置。

当在操作区域200中操作时，车辆计算机110可以基于请求速度v_v,0来操作车辆105。例如，车辆计算机110可以致动一个或多个车辆部件125以便以请求速度来移动车辆105。车辆计算机110可以例如基于地图数据来确定请求速度v_v,0。在这种示例中，车辆计算机110可以访问例如存储在车辆计算机110的存储器中的地图数据。然后，车辆计算机可以基于由地图数据指定的针对行进路径205的速度(例如，速度限制)来确定请求速度v_v,0。

作为另一个示例，车辆计算机110可以基于用户输入来确定请求速度v_v,0。在这种示例中，车辆计算机110可以致动HMI 118以检测选择车辆105的请求速度v_v,0的用户输入。例如，HMI 118可以由车辆计算机110致动和/或指示，以在触摸屏显示器上显示虚拟按钮，用户可以选择所述虚拟按钮来指定请求速度v_v,0。换句话说，HMI 118可以激活传感器115，所述传感器可以检测用户选择虚拟按钮以指定请求速度v_v,0。在检测到用户输入时，HMI118可以将用户输入提供给车辆计算机110，并且车辆计算机110可以确定车辆105的请求速度v_v,0。

当在操作区域200中操作时，车辆计算机110可以接收车辆105周围环境的传感器115数据，例如图像数据。图像数据可以包括车辆105周围的一个或多个移动对象220。例如，可以在例如车辆计算机110中使用对象分类或识别技术基于激光雷达传感器115、相机传感器115等数据来识别移动对象220的类型(例如车辆、自行车、踏板车、另一车辆、行人等)以及对象220的物理特征。移动对象220可以是在由移动对象产生的或移动对象中的动力下移动的任何对象(例如，自行车是移动对象，但巨石不是)。

可以使用任何合适的技术来解释传感器115数据。例如，可以将相机和/或激光雷达图像数据提供给分类器，所述分类器包括用于利用一种或多种常规的图像分类技术的编程。例如，分类器可以使用机器学习技术，其中将已知表示各种对象220的数据提供给机器学习程序以用于训练分类器。一旦被训练，分类器就可以接受车辆传感器115数据(例如，图像)作为输入，随后针对图像中的一个或多个相应的感兴趣区域中的每一个提供对象220的识别或相应的感兴趣区域中不存在对象220的指示作为输出。此外，应用于接近车辆105的区域的坐标系(例如，极坐标或笛卡尔坐标)可以用于指定从传感器115数据识别的用户的位置和/或区域(例如，根据车辆105坐标系，被转换为全球纬度和经度地理坐标等)。此外，车辆计算机110可以采用各种技术来融合(即，并入到公共坐标系或参考系中)来自不同传感器115和/或多种类型的传感器115的数据，例如激光雷达、雷达和/或光学相机数据。

另外，当在操作区域200中操作时，车辆计算机110可以识别行进路径205中的目标区域210。目标区域210是完全延伸跨过行进路径205并且部分地沿着例如行进路径205的长度延伸的指定区域。也就是说，目标区域210从行进路径205的一侧延伸到另一侧，并且与行进路径205的两端中的至少一者间隔开。目标区域210可以是双向的，即，提供给移动对象220沿相反两个方向行进跨过行进路径205。目标区域210可以容纳多个移动对象220，即，使得多个移动对象220可以在目标区域中彼此并排行进。

目标区域210包括前边界215a、后边界215b、近侧边界215c和远侧边界215d。如本文所使用的，“前边界”是目标区域210的一个边界，其横向于行进路径205的行进方向而延伸跨过行进路径205，并且被车辆105穿过以进入目标区域210。如本文所使用的，“后边界”是目标区域210的一个边界，其横向于行进路径205的行进方向而延伸跨过行进路径205，并且被车辆105穿过以退出目标区域210。如本文所使用的，“近侧边界”是目标区域210的一个边界，其平行于行进路径205的行进方向而沿着行进路径205延伸，并且被移动对象220穿过以进入目标区域210。如本文所使用的，“远侧边界”是目标区域210的一个边界，其平行于行进路径205的行进方向而沿着行进路径205延伸，并且被移动对象220穿过以退出目标区域210。前边界215a和后边界215b各自从近侧边界215c延伸到远侧边界215d。类似地，近侧边界215c和远侧边界215d各自从前边界215a延伸到后边界215b。

车辆计算机110可以例如基于操作区域200的地图数据来识别目标区域210。车辆计算机110可以例如从远程服务器计算机140接收操作区域200的地图数据。地图数据可以例如指定操作区域200内的目标区域210的周界，即，地理围栏。本文中的地理围栏具有由地理坐标集限定的区域的边界的常规含义。作为另一示例，车辆计算机110可以基于传感器115数据，例如图像数据，识别目标区域210。在这样的示例中，目标区域210可以由传统的标记指示，例如地表面上的油漆线，并且车辆计算机110可以采用传统的图像识别技术来识别目标区域210。

车辆计算机110被编程为确定车辆105是否在目标区域210内。例如，车辆计算机110可以例如从传感器115、导航系统、远程服务器计算机140等接收车辆105的位置。然后，车辆计算机110可以将车辆105的位置与目标区域210的地理围栏进行比较。然后，车辆计算机110可以基于车辆105的位置指示车辆105在地理围栏内来确定车辆105在目标区域210内。

在确定车辆105在目标区域210之外时，车辆计算机110被编程为确定车辆105是否正在接近或离开目标区域210。车辆计算机110可以基于确定车辆105的行进方向朝向目标区域210(即，目标区域210相对于车辆前进方向在车辆105的前方)来确定车辆105正在接近目标区域210。相反，车辆计算机110可以基于确定车辆105的行进方向远离目标区域210(即，目标区域210相对于车辆前进方向在车辆105的后方)来确定车辆105正在离开目标区域210。

在确定车辆105正在接近目标区域210时，车辆计算机110被编程为基于在目标区域210周围的监测区域225内检测到存在或不存在移动对象220来更新车辆105的操作。监测区域225被限定为目标区域210周围的区域。车辆计算机110可以例如通过使用上文所讨论的对象识别和/或分类技术基于传感器115数据识别移动对象220。车辆计算机110可以基于移动对象220的位置来确定移动对象220在监视区域225内。车辆计算机110可以例如确定移动对象220的位置(如下文所讨论的)，并且可以将所述位置与监测区域225的地理围栏进行比较。然后，车辆计算机110可以基于移动对象220的位置指示移动对象220在地理围栏内来确定移动对象220在监控区域225内。

为了确定移动对象220的位置，车辆计算机110可以例如从与移动对象220相关联的用户装置145接收指定移动对象220的位置的位置数据。替代地，车辆计算机110可以基于传感器115数据确定移动对象220的位置。作为一个示例，车辆计算机110可以接收包括移动对象220的图像数据。然后，车辆计算机110可以例如根据已知的图像处理技术分析图像数据，以确定移动对象220相对于车辆105的位置。

然后，车辆计算机110可以例如使用已知的数据处理技术将移动对象220相对于车辆105的位置与车辆105的位置相结合，以确定移动对象220的位置。也就是说，车辆计算机110可以确定移动对象220在局部坐标(即，原点在车辆105上的笛卡尔坐标系统)中的位置，然后可以例如根据已知的几何变换技术将局部坐标变换成真实世界坐标以确定移动对象220的位置。车辆计算机110可以基于接收车辆105的位置数据(例如，GPS坐标)来确定车辆105的位置，如上文所讨论的。

当确定移动对象220在目标区域210的监控区域225内时，车辆计算机110可以基于移动对象220的位置确定移动对象220是否在目标区域210内。车辆计算机110可以将移动对象220的位置与目标区域210的地理围栏进行比较。然后，车辆计算机110可以基于移动对象220的位置指示移动对象220在地理围栏内来确定移动对象220在目标区域210内。

在确定移动对象220在目标区域210内(参见图2B)时，车辆计算机110致动制动部件125。具体地，车辆计算机110致动制动部件125以降低当移动对象220在目标区域210内时车辆105进入目标区域210的可能性。车辆计算机110可以确定车辆105的减速度，用于降低在移动对象220保持在目标区域210内时进入目标区域210的可能性。例如，假设移动对象220以速度恒定通过目标区域210，则车辆计算机110可以预测移动对象220退出目标区域的退出时间：

其中k表示离散时间步长，t_p,o(k)是移动对象220的预测退出时间，s_p,o是移动对象220退出目标区域210时的位置，即，目标区域210的远侧边界215d的位置，s_p(k)是移动对象220的位置，v_p(k)是移动对象220的速度。

车辆计算机110可以通过例如根据已知的计算技术确定指定远侧边界215d的两端的地理坐标之间的中点来确定远侧边界215d的位置s_p,o。

然后，车辆计算机110可以基于移动对象220的位置确定移动对象220的位置s_p(k)。在确定移动对象220的位置后，车辆计算机110可以例如根据已知的计算方法基于限定近侧边界215c的相应端的地理坐标来确定目标区域210的近侧边界215c的中点。然后，车辆计算机110可以例如通过比较相应的地理坐标来确定移动对象220的位置与近侧边界215c的中点之间的距离D_P。移动对象220的位置s_p(k)由此距离D_P限定。

车辆计算机110可以例如通过例如经由网络135从用户装置145接收指示移动对象220的速度的数据来确定移动对象220的速度v_p(k)。作为另一示例，车辆计算机110可以基于确定移动对象220随时间推移的位置变化s_p(k)来确定移动对象220的速度v_p(k)。例如，车辆计算机110可以利用公式ΔD/ΔT来确定移动对象220的速度v_p(k)，其中ΔD是在不同时间所取的移动对象220的一对位置s_p(k)之间的差，并且ΔT是确定这一对位置s_p(k)之间的时间量。例如，这一对位置s_p(k)之间的差ΔD可以通过从在时间上较晚确定的位置s_p(k+1)减去在时间上较早确定的位置s_p(k)来确定。

在确定移动对象220的预测退出时间t_p,o(k)之后，车辆计算机110然后可以确定在t_p,o(k)处的最大车辆速度v′_v，这可以防止车辆105与移动对象220之间的碰撞并且使车辆105横穿目标区域210的时间量：

其中v_v(k)是当前车辆速度，并且s_v(k)是车辆105的当前位置。可以确定最大车辆速度v′_v，假设车辆计算机110控制车辆105从当前车辆速度v_v(k)均匀地减速到最大车辆速度v′_v。

在确定移动对象220的最大车辆速度v′_v和预测退出时间t_p,o(k)后，车辆计算机110可以确定车辆加速度a_v(k)，用于降低撞击移动对象220的可能性，同时使车辆105横穿目标区域210的时间量最小化:

车辆计算机110可以致动制动部件125以获得根据等式3确定的加速度a_v(k)，所述加速度受到由车辆105的最大加速度a_v,max和最大减速度a_v,min限定的加速度范围限制。最大加速度a_v,max是例如在给定设计和/或部件参数的情况下车辆105物理上能够实现的加速度的最大值，并且最大减速度a_v,min是例如在给定设计和/或部件参数的情况下车辆105物理上能够实现的减速度的最大值。最大减速度a_v,min可以是最大加速度a_v,max的加和，即，a_v,min＝-a_v,max。在检测到移动对象220已经离开目标区域210时，车辆计算机110可以基于请求速度v_v,0来操作车辆105，如下文所讨论的。

在例如基于移动对象220的位置指示移动对象220在地理围栏之外而确定移动对象220在目标区域210之外后，车辆计算机110可以确定移动对象220是否正在接近或离开目标区域210。基于移动对象220的位置比移动对象220的先前位置更靠近地理围栏，车辆计算机110可以确定移动对象220正在接近目标区域210，即，正在朝着目标区域移动。相反，当移动对象220的先前位置在地理围栏之内时，车辆计算机110可以基于移动对象220的位置在地理围栏之外来确定移动对象220正在离开目标区域210。附加地或替代地，车辆计算机110可以基于移动对象220的位置比移动对象220的先前位置更远离地理围栏来确定移动对象220正在移动远离目标区域210。

在检测到监测区域225内不存在移动对象220或移动对象220离开目标区域210时，车辆计算机110可以基于请求速度v_v,0来操作车辆105。例如，车辆计算机110可以致动一个或多个车辆部件125以继续以请求速度v_v,0操作车辆105。也就是说，车辆计算机110可以例如在移动对象220接近目标区域210之前以请求速度v_v,0维持车辆105操作。作为另一个示例，车辆计算机110可以例如在移动对象220已经离开目标区域210之后致动一个或多个车辆部件125以将车辆105的速度v_v加速(即，增加)到请求速度v_v,0。在这种情况下，车辆计算机110可以致动一个或多个车辆部件125，以基于预定加速度加速车辆105。也就是说，车辆计算机110可以操作车辆105以根据预定加速度均匀地加速。预定加速度可以例如由车辆和/或部件制造商指定，例如基于维持平稳的车辆操作同时使达到请求速度v_v,0的时间量最小化。作为另一个示例，车辆和/或部件制造商可以将预定加速度指定为车辆105的最大加速度a_v,max。

如果车辆计算机110确定移动对象220正在接近目标区域210，则车辆计算机110确定车辆105的优化速度曲线T_o。优化速度曲线T_o指定车辆105的最佳速度v_v和用于在接近目标区域210时操作车辆105的车辆105最佳加速度a_v。具体地，车辆计算机110确定目标速度曲线T_a,v，所述目标速度曲线使车辆105横穿目标区域210的时间量最小化，同时降低车辆105在目标区域210中撞击移动对象220的可能性。

为了确定优化速度曲线T_o，车辆计算机110利用随机模型预测控制(SMPC)算法来确定目标速度曲线T_a,v。SMPC算法是在滚动时域中执行以基于车辆105和移动对象220的相应位置s_v,s_p和速度v_v,v_p使成本函数最小化的算法。如本文所使用的，“滚动时域(rollinghorizon)”是指重复求解时间相关优化问题，包括对象在车辆坐标系中的位置，并且优化问题的间隔在每个求解步骤期间在时间上向前移动。SMPC可以是：

0≤v_v(k)≤v_v，max (6)

a_v，min≤a_v(k)≤a_v，max (7)

P_c(status_v(k)＝1∧status_p(k)＝1)＜β (8)

其中t_v，o是预测车辆退出时间，即，预测车辆105离开目标区域210的时间；E是要通过在长度为N的考虑时域(即，考虑中的未来时间段)上操纵车辆加速序列a_v(k)来最小化的成本函数，即，车辆105行进穿过目标区域210的预期时间量；status_v和status_p是在相应对象(即，车辆105或移动对象220)处于目标区域210中时等于一而在其他情况下等于零的变量；ΔT是时间离散化，v_v，max是最大车辆速度；P_c是车辆105在目标区域210中撞击移动对象220的概率，β是预定阈值概率(例如，由车辆和/或部件制造商指定，以限制当移动对象220在目标区域210中时车辆105进入目标区域210的可能性)，并且∧是“逻辑与”运算符。

车辆计算机110可以通过对目标车辆速度v_v，t和目标车辆加速度a_v，t的所有组合使用穷举网格搜索来优化目标速度曲线T_a，v，以确定使成本函数E最小化并且满足机会约束(即，碰撞概率P_c低于预定义阈值b)的最佳速度v_v和最佳加速度a_v：

其中t_v，o，min是车辆105离开目标区域210的最小时间量，并且被初始化为任意大的数字。

然后，车辆计算机110可以基于当前车辆速度v_v(k)与选定的目标速度v_v，t之间的比较来确定最佳加速度a_v的符号：

为了优化目标速度曲线T_a,v，车辆计算机110针对目标车辆速度v_v,t和目标车辆加速度a_v,t的每个组合确定成本函数E和碰撞概率P_c。对于目标车辆速度v_v,t和目标车辆加速度a_v,t的给定组合，车辆计算机110可以为移动对象220进入目标区域210的时间和退出目标区域的时间的所有可能场景确定成本函数E和碰撞概率P_c。一种场景被定义为移动对象220进入和退出时间的离散时间步长的一个组合，其对应概率由下式确定：

p_ij：＝p_p，in，i·p_p，out，j (11)

其中p_p,in,i是移动对象220将在时域t_p,in上的第i时间步长进入目标区域210的概率，p_p,out,j是移动对象220将在时域t_p,out上的第j时间步长退出目标区域的概率。车辆计算机110可以从移动对象220将进入目标区域210的预测进入时间的进入概率分布P₁中选择p_p,in,i。车辆计算机110可以从移动对象220将退出目标区域210的预测退出时间的退出概率分布P₂中选择p_p,out,j。

为了确定进入概率分布P₁，车辆计算机110将目标速度曲线T_a,v(即，目标车辆速度v_v,t与目标车辆加速度a_v,t的选定组合)、车辆105的速度v_v(k)、移动对象220的速度v_p(k)、车辆105的位置s_v(k)和移动对象220的位置s_p(k)输入到第一神经网络400，如深度神经网络(DNN)。(参见图4)。可以训练第一DNN400以接受目标速度曲线T_a,v、车辆105的速度v_v(k)、移动对象220的速度v_p(k)、车辆105的位置s_v(k)和移动对象220的位置s_p(k)作为输入，并且生成移动对象220将进入目标区域210的预测进入时间的进入概率分布P₁。进入概率分布P₁包括与时域t_p,in∈[0,ΔT,…,(i-1)ΔT,…,(N-1)ΔT]中的每个时间步长相关联的多个概率，其中i∈[1,…,N]。

为了确定退出概率分布P₂，车辆计算机110将目标速度曲线T_a,v(即，目标车辆速度v_v,t与目标车辆加速度a_v,t的选定组合)、车辆105的速度v_v(k)、移动对象220的速度v_p(k)、车辆105的位置s_v(k)、移动对象220的位置s_p(k)和移动对象220进入目标区域210的预测进入时间P_p,i输入到第二神经网络500，如DNN(参见图5)。第二DNN500可被训练以接受目标速度曲线T_a,v(即目标车辆速度v_v,t和目标车辆加速度a_v,t的选定组合)、车辆105的速度v_v(k)、移动对象220的速度v_p(k)、车辆105的位置s_v(k)、移动对象220的位置s_p(k)和预测进入时间P_p,i作为输入，并生成移动对象220将退出目标区域210的预测退出时间的退出概率分布P₂。退出概率分布P₂包括与时域t_p,out∈[0,ΔT,…,(j-1)ΔT,…,(N-1)ΔT]中的每个时间步长相关联的多个概率，其中j∈[1,…,N]。

车辆计算机110可以基于传感器115数据(如车轮速度传感器数据)来确定车辆105的速度v_v(k)。车辆计算机110可以基于车辆105的位置确定车辆105的位置s_v(k)。如上文所讨论的，车辆计算机110可以接收车辆105的位置。车辆计算机110可以基于定义前边界215a的相应端的地理坐标，例如根据已知的计算方法，确定目标区域210的前边界215a的中点。然后，车辆计算机110可以例如通过比较各自的地理坐标确定从车辆105的位置到前边界215a的中点的距离D_V。车辆105的位置s_v(k)由距离D_V定义。车辆计算机110可以例如以上文所讨论的方式确定移动对象220的速度v_p(k)和位置s_p(k)。

在确定与目标车辆速度v_v,t和目标车辆加速度a_v,t的给定组合相关联的进入概率分布P₁和退出概率分布P₂，车辆计算机110可以基于目标车辆速度v_v,t和目标车辆加速度a_v,t的给定组合以及移动对象220在车辆退出时间t_v,o之前没有进入目标区域210的假设来预测车辆进入时间t_v,i(即，车辆105将进入目标区域210的时间)以及车辆退出时间t_v,o:

其中下标“init”表示在当前时间步长k处的值，l是例如存储在车辆计算机110的存储器中的车辆105的长度与目标区域210的宽度(例如，在地图数据中指定为沿着行进路径205的行进方向从前边界215a到后边界215b测得的距离)的总和，并且Δs是实现由下式给出的v_v,t之前的行进距离：

并且Δt是实现由下式给出的v_v,t的时间量：

在针对目标车辆速度v_v,t与目标车辆加速度a_v,t的给定组合预测车辆进入时间v_v,i时，车辆计算机110可以针对目标车辆速度v_v,t和目标车辆加速度a_v,t的给定组合确定碰撞概率P_c：

其中H^-是反赫维赛德(即单位步长)函数，如果d_i,j>d_m，则其取值1，否则取值0，d_m是车辆105的预定减速度。d_m可以由车辆和/或部件制造商指定，例如，基于降低撞击移动对象220的可能性。例如，d_m可以被设置为车辆105的最大减速度a_v,min。d_i,j是用于降低针对所述一种场景在目标区域210中撞击移动对象220的可能性的车辆105减速度：

其中||是“逻辑或”运算符，并且t_p,in,i是时域t_p,in内在第i时间步长的移动对象220进入时间。

除了确定碰撞概率P_c之外，车辆计算机110可以针对目标车辆速度v_v,t和目标车辆加速度a_v,t的给定组合确定成本函数E：

其中t_v,o,i,j是车辆105将针对所述一个场景离开目标区域210的车辆退出时间。车辆计算机110可以基于比较t_v,i与t_p,in,i来确定t_v,o,i,j。如果t_v,i≤t_p,in,i，则车辆计算机110可以确定t_v,o,i,j＝t_v,o(参见图3A)。如果t_p,in,i<t_v,i，则车辆计算机110可以通过应用分段仿射函数(参见图3B)基于t_p,in,i和t_p,out,j来确定t_v,o,i,j。在这种情况下，车辆计算机110确定车辆在t_p,in,i时车辆的位置s_v(t_p,in,i)和速度v_v(t_p,in,i)，即，针对所述一个场景，当移动对象220进入目标区域210时：

基于在t_p,in,i时车辆的位置s_v(t_p,in,i)和速度v_v(t_p,in,i)，车辆计算机110可以使用式2来确定在t_p,out,j时车辆105的最大速度v′_v(t_p,out,j)，即，针对所述一个场景，移动对象220离开目标区域210时：

另外，车辆计算机d_i,j110可以使用式3和17来确定用于针对所述一个场景降低在目标区域210中撞击移动对象220的可能性的车辆105减速度：

然后，车辆计算机110可以确定在t_p,out,j时车辆105的位置s_v(t_p,out,j)和速度v_v(t_p,out,j)，即，针对所述一个场景，当移动对象220离开目标区域210时：

然后，车辆计算机110可以确定t_v,o,i,j：

t_{v，o，i，j}＝t′_v，o＝t_p，out，j (250

其中：

以及：

在确定优化速度曲线T_o后，车辆计算机110可以基于优化速度曲线T_o操作车辆105。例如，车辆计算机110可以致动一个或多个车辆部件125来移动车辆105，同时满足最佳速度v_v和最佳加速度a_v。具体地，车辆计算机110可以操作车辆105以便根据最佳加速度a_v从当前速度v_v(k)均匀地加速到最佳速度v_v。

在离开目标区域210时，车辆计算机110可以被编程为基于请求速度v_v,0来操作车辆105。例如，车辆计算机110可以致动一个或多个车辆部件125以继续以请求速度v_v,0操作车辆105。也就是说，例如，当车辆105以请求速度v_v,0离开目标区域210时，车辆计算机110可以保持车辆105以请求速度v_v,0操作。作为另一个示例，例如，当车辆105以不同于请求速度v_v,0的速度离开目标区域210时，车辆计算机110可以致动一个或多个车辆部件125来更新(例如，增加或降低)车辆105的速度到请求速度v_v,0。在这种情况下，如上文所讨论的，车辆计算机110可以致动一个或多个车辆部件125，以便基于预定加速度更新车辆105的速度。

图4是示例性第一深度神经网络(DNN)400的示意图，所述DNN可以被训练以基于目标速度曲线T_a,v(即，目标车辆速度v_v,t和目标车辆加速度a_v,t的选定组合)、车辆105的速度v_v(k)、移动对象220的速度v_p(k)、车辆105的位置s_v(k)和移动对象220的位置s_p(k)，来确定进入概率分布。

图5是示例性第二深度神经网络(DNN)400的示意图，所述DNN可以被训练以基于目标速度曲线T_a,v(即，目标车辆速度v_v,t和目标车辆加速度a_v,t的选定组合)、车辆105的速度v_v(k)、移动对象220的速度v_p(k)、车辆105的位置s_v(k)、移动对象220的位置s_p(k)以及移动对象220进入目标区域210的预测进入时间，来确定退出概率分布。

例如，DNN 400、500可为可加载到存储器中并且由计算机中所包括的处理器执行的软件程序。在示例性实现方式中，DNN 400、500可包括但不限于卷积神经网络(CNN)、R-CNN(基于区域的CNN)、快速的R-CNN和更快的R-CNN。DNN 400、500包括多个节点，并且所述节点被布置成使得DNN 400、500包括输入层、一个或多个隐藏层以及输出层。DNN 400、500的每一层可包括多个节点405、505。虽然图4至图5示出了两个隐藏层，但应理解，DNN 400、500可以包括附加的或更少的隐藏层。DNN 400、500的输入层包括多个输入节点405、505。输出层也可包括多于一个节点405、505。

节点405、505有时称为人工神经元405、505，因为它们被设计成仿真生物(例如，人类)神经元。每个神经元405、505的输入集合(由箭头表示)各自乘以相应的权重。然后，可以将经加权输入在输入函数中求和，以在可能通过偏差进行调整的情况下提供净输入。然后，可将净输入提供给激活函数，所述激活函数进而为连接的神经元405、505提供输出。所述激活函数可以是通常基于经验分析而选择的各种合适的函数。如图4至图5中的箭头所示，接着可以提供神经元405、505的输出以将其包括在到下一层中的一个或多个神经元405、505的一组输入中。

作为一个示例，DNN 400、500可通过地面实况数据(即，关于真实世界状况或状态的数据)进行训练。例如，DNN 400、500可通过地面实况数据进行训练和/或由远程服务器计算机140的处理器利用附加数据进行更新。例如，可以通过使用高斯分布初始化权重，并且可以将每个节点405、505的偏差设置为零。训练DNN 400、500可以包括经由合适的技术(诸如反向传播与优化)来更新权重和偏差。用于进行训练的地面实况数据可以包括但不限于由人类操作员手动标记为针对移动对象220的各种速度v_p和位置s_p指定移动对象220进入和退出目标区域210的概率的数据。

在操作期间，车辆计算机110确定目标速度曲线T_a,v(即，目标车辆速度v_v,t和目标车辆加速度a_v,t的选定组合)、车辆105的速度v_v(k)、移动对象220的速度v_p(k)、车辆105的位置s_v(k)、移动对象220的位置s_p(k)。另外，车辆计算机110确定移动对象220进入目标区域210的预测进入时间P_p,i。车辆计算机110可以将目标速度曲线T_a,v、车辆105的速度v_v(k)、移动对象220的速度v_p(k)、车辆105的位置s_v(k)、移动对象220的位置s_p(k)提供给第一DNN400。第一DNN 400基于所接收的输入而生成输出。输出是移动对象220将进入目标区域210的预测进入时间的进入概率分布P₁。

另外，车辆计算机110可以将目标速度曲线T_a,v、车辆105的速度v_v(k)、移动对象220的速度s_p(k)、车辆105的位置s_v(k)、移动对象220的位置s_p(k)以及移动对象220进入目标区域210的预测进入时间P_p,i提供给第二DNN 500。第二DNN 500基于所接收的输入而生成输出。输出是移动对象220将退出目标区域210的预测退出时间的退出概率分布P₂。

图6是示例性过程600的流程图，所述示例性过程根据存储在车辆计算机110的存储器中的程序指令而在所述车辆计算机中被执行，用于在接近目标区域210时操作车辆105。过程600包括可以按所示次序执行的多个框。替代地或另外，过程600可以包括更少的框，或者可以包括以不同次序执行的框。

过程600在框605中开始。在框605中，车辆计算机110例如经由车辆网络从一个或多个传感器115、例如经由网络135从远程服务器计算机140、和/或例如经由V2V通信从另一个车辆中的计算机接收数据。例如，车辆计算机110可以例如从一个或多个图像传感器115接收图像数据。图像数据可以包括关于车辆105周围的环境的数据，例如，车辆105周围的对象220等。此外，车辆计算机110可以从HMI 118接收传感器115数据，包括关于指定请求速度v_v,0的用户输入的数据。过程600在框610中继续。

在框610中，车辆计算机110识别操作区域200内的目标区域210。如上文所讨论的，车辆计算机110可以基于在框605中获得的传感器115数据和/或地图数据来识别目标区域210。过程600在框615中继续进行。

在框615中，车辆计算机110确定车辆105是否正在接近目标区域210，即，朝向目标区域移动。如上文所讨论的，车辆计算机110可以基于车辆105的位置和目标区域210的地理围栏来确定车辆105正在接近目标区域210。如果车辆105正在接近目标区域210，则过程600在框620中继续。如果车辆105在目标区域210内或移动远离(例如，离开)目标区域210，则过程600在框660中继续。

在框620中，车辆计算机110确定在目标区域210周围的监测区域225内是否存在移动对象220。如上文所讨论的，车辆计算机110可以基于移动对象220的位置确定监控区域225内存在或不存在移动对象220。如果车辆计算机110确定移动对象220在监视区域225内，则过程600在框630中继续。否则，过程600在框625中继续。

在框625中，如上文所讨论的，车辆计算机110基于请求速度v_v,0操作车辆105。过程600在框660中继续。

在框630中，车辆计算机110确定移动对象220是否在目标区域210内。如上文所讨论的，车辆计算机110可以基于移动对象220的位置确定目标区域210内存在或不存在移动对象220。如果车辆计算机110确定移动对象220在目标区域210内，则过程600在框635中继续。否则，过程600在框645中继续。

在框635中，车辆计算机110致动制动部件125，以获得根据式3确定的受车辆105的最大减速度a_v,min约束的加速度a_v(k)，如上文所讨论的。过程600在框640中继续。

在框640中，车辆计算机110确定移动对象220是否在目标区域210内。框640与过程600的框630基本上相同，并且因此将不进一步描述以避免冗余。如果车辆计算机110确定移动对象220在目标区域210内，则过程600保持在框640中。否则，过程600在框625中继续。

在框645中，如上文所讨论的，车辆计算机110确定车辆105的优化速度曲线T_o。过程600在框650中继续。

在框650中，如上文所讨论的，车辆计算机110可以基于优化速度曲线T_o操作车辆105。过程600在框655中继续。

在框655中，车辆计算机110基于车辆105的位置和目标区域210的地理围栏确定车辆105是否在目标区域210内，如上文所讨论的。如果车辆105在目标区域210内，则过程600在框660中继续。否则，过程600返回到框620。

在框660中，车辆计算机110确定是否继续过程600。例如，在车辆105打开电源时，车辆计算机110可以确定继续。在另一个示例中，在车辆105关闭电源时，车辆计算机110可以确定不再继续。如果车辆计算机110确定继续，则过程600返回到框605。否则，过程600结束。

如本文所使用，副词“基本上”意指形状、结构、测量结果、数量、时间等因为材料、机加工、制造、数据传输、计算速度等的缺陷而可能偏离精确描述的几何形状、距离、测量结果、数量、时间等。

一般来讲，所描述的计算系统和/或装置可采用多种计算机操作系统中的任一种，包括但决不限于以下版本和/或种类：Ford应用；AppLink/Smart Device Link中间件；Microsoft操作系统；Microsoft操作系统；Unix操作系统(例如，由加利福尼亚州红杉海岸的Oracle公司发布的操作系统)；由纽约州阿蒙克市的International Business Machines公司发布的AIX UNIX操作系统；Linux操作系统；由加利福尼亚州库比蒂诺市的苹果公司发布的Mac OSX和iOS操作系统；由加拿大滑铁卢的黑莓有限公司发布的BlackBerry操作系统；以及由谷歌公司和开放手机联盟开发的安卓操作系统；或由QNX软件系统公司提供的CAR信息娱乐平台。计算装置的示例包括但不限于机载第一计算机、计算机工作站、服务器、台式计算机、笔记本计算机、膝上型计算机或手持式计算机，或某一其他计算系统和/或装置。

计算机和计算装置通常包括计算机可执行指令，其中所述指令可能能够由一个或多个计算装置(诸如以上所列出的那些)执行。可以从使用多种编程语言和/或技术创建的计算机程序编译或解译计算机可执行指令，所述编程语言和/或技术单独地或者组合地包括但不限于Java^TM、C、C++、Matlab、Simulink、Stateflow、Visual Basic、Java Script、Perl、HTML等。这些应用程序中的一些可在诸如Java虚拟机、Dalvik虚拟机等虚拟机上编译和执行。通常，处理器(例如，微处理器)接收例如来自存储器、计算机可读介质等的指令，并执行这些指令，从而执行一个或多个过程，包括本文所述过程中的一者或多者。此类指令和其他数据可使用各种计算机可读介质来存储和传输。计算装置中的文件通常是存储在诸如存储介质、随机存取存储器等计算机可读介质上的数据的集合。

存储器可以包括计算机可读介质(也称为处理器可读介质)，所述计算机可读介质包括参与提供可以由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂时性(例如，有形)介质。此类介质可采用许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可以包括例如光盘或磁盘以及其他持久性存储器。易失性介质可以包括例如通常构成主存储器的动态随机存取存储器(DRAM)。此类指令可由一种或多种传输介质传输，所述一种或多种传输介质包括同轴电缆、铜线和光纤，包括构成耦合到ECU的处理器的系统总线的电线。常见形式的计算机可读介质包括例如RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。

数据库、数据储存库或本文描述的其他数据存储区可以包括用于存储、访问和检索各种数据的各种机构，包括分层数据库、文件系统中的文件集、呈专用格式的应用程序数据库、关系数据库管理系统(RDBMS)等。每个此类数据存储区通常包括在采用计算机操作系统(诸如上文所提及的那些操作系统中的一者)的计算装置内，并且经由网络以多种方式中的任一种或多种方式来访问。文件系统可从计算机操作系统访问，并且可以包括以各种格式存储的文件。除了用于创建、存储、编辑和执行已存储的程序的语言(例如上述PL/SQL语言)之外，RDBMS还通常采用结构化查询语言(SQL)。

在一些示例中，系统元件可被实现为一个或多个计算装置(例如，服务器、个人计算机等)上、存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上的计算机可读指令(例如，软件)。计算机程序产品可以包括存储在计算机可读介质上的用于实施本文描述的功能的此类指令。

关于本文描述的介质、过程、系统、方法、启发等，应理解，虽然此类过程等的步骤已经被描述为按照某一有序的顺序发生，但是可通过以与本文所述顺序不同的顺序执行所述步骤来实践此类过程。还应理解，可同时执行某些步骤，可添加其他步骤，或者可省略本文描述的某些步骤。换句话说，本文对过程的描述出于说明某些实施例的目的而提供，并且决不应被解释为限制权利要求。

因此，应理解，以上描述意图为说明性的而非限制性的。在阅读了以上描述之后，除了所提供的示例之外的许多实施例和应用对于本领域技术人员而言将是明显的。不应参考以上描述来确定本发明的范围，而应参考所附权利要求连同这些权利要求赋予的等效物的全部范围来确定。设想并预期未来的发展将在本文讨论的技术中发生，并且所公开的系统和方法将并入到此类未来实施例中。总之，应理解，本发明能够进行修改和变化，并且仅受所附权利要求的限制。

除非本文作出相反的明确指示，否则权利要求中使用的所有术语意在给出如本领域技术人员所理解的普通和通常的含义。具体地，除非权利要求叙述相反的明确限制，否则使用诸如“一个”、“该”、“所述”等单数冠词应被解读为叙述所指示的要素中的一者或多者。

根据本发明，提供了一种系统，所述系统具有计算机，所述计算机包括处理器和存储器，所述存储器存储有指令，所述指令可由所述处理器执行以：在检测到移动对象接近目标区域时，将车辆的目标速度曲线、所述车辆的位置和速度以及所述移动对象的位置和速度输入到第一神经网络，所述第一神经网络输出所述移动对象将进入所述目标区域的预测进入时间的进入概率分布；将所述目标速度曲线、所述车辆的所述位置和所述速度、所述移动对象的所述位置和所述速度以及所述移动对象进入所述目标区域的预测进入时间输入到第二神经网络，所述第二神经网络输出所述移动对象将退出所述目标区域的预测退出时间的退出概率分布；通过在滚动时域中执行模型预测控制算法，基于所述进入概率分布和所述退出概率分布确定优化速度曲线；以及基于所述优化速度曲线操作车辆。

根据一个实施例，所述目标速度曲线由目标速度和目标加速度定义。

根据一个实施例，所述指令还包括用于进行以下操作的指令：在检测到不存在所述移动对象接近所述目标区域时，基于请求速度操作所述车辆。

根据一个实施例，所述指令还包括用于进行以下操作的指令：基于用户输入来确定所述请求速度。

根据一个实施例，所述指令还包括用于进行以下操作的指令：基于地图数据来确定所述请求速度。

根据一个实施例，所述指令还包括用于进行以下操作的指令：在检测到所述移动对象离开所述目标区域时，基于所述请求速度操作所述车辆。

根据一个实施例，所述指令还包括用于进行以下操作的指令：在检测到所述移动对象离开所述目标区域时，基于请求速度操作所述车辆。

根据一个实施例，所述指令还包括用于进行以下操作的指令：基于所述车辆将在所述目标区域中撞击所述移动对象的概率来优化所述目标速度曲线。

根据一个实施例，所述指令还包括用于进行以下操作的指令：另外基于最小化所述车辆横穿所述目标区域的时间量的成本函数来优化所述目标速度曲线。

根据一个实施例，所述指令还包括用于进行以下操作的指令：在所述目标区域内检测到所述移动对象时，致动所述车辆的制动部件。

根据一个实施例，所述指令还包括用于进行以下操作的指令：在确定所述移动对象已经离开所述目标区域时，基于请求速度操作所述车辆。

根据一个实施例，所述目标区域完全延伸跨过行进路径并且部分沿着所述行进路径延伸。

根据一个实施例，所述指令还包括用于进行以下操作的指令：基于检测到横穿所述行进路径的标记来识别所述目标区域。

根据一个实施例，所述指令还包括用于进行以下操作的指令：基于地图数据来识别所述目标区域。

根据本发明，一种方法包括：在检测到移动对象接近目标区域时，输入车辆的目标速度曲线，第一神经网络的所述车辆的位置和速度以及所述移动对象的位置和速度，所述第一神经网络输出所述移动对象将进入所述目标区域的预测进入时间的进入概率分布；将所述目标速度曲线、所述车辆的所述位置和所述速度、所述移动对象的所述位置和所述速度以及所述移动对象进入所述目标区域的预测进入时间输入到输出退出概率分布的第二神经网络所述移动对象将退出所述目标区域的预测退出时间；通过在滚动时域中执行模型预测控制算法，基于所述进入和退出概率分布来确定优化速度曲线；并且基于所述优化速度曲线来操作车辆。

在本发明的一个方面，所述目标速度曲线由目标速度和目标加速度定义。

在本发明的一个方面，所述方法包括：在检测到不存在所述移动对象接近所述目标区域或离开所述目标区域的所述移动对象中的一个时，基于请求速度操作所述车辆。

在本发明的一个方面，所述方法包括：在所述目标区域内检测到所述移动对象时，致动所述车辆的制动部件。

在本发明的一个方面，所述方法包括：基于所述车辆将在所述目标区域中撞击所述移动对象的概率来优化所述目标速度曲线。

在本发明的一个方面，所述方法包括：另外基于最小化所述车辆横穿所述目标区域的时间量的成本函数来优化所述目标速度曲线。

Claims

1.一种方法，其包括：

在检测到移动对象接近目标区域时，将车辆的速度曲线、所述车辆的位置和速度以及所述移动对象的位置和速度输入到第一神经网络，所述第一神经网络输出所述移动对象将进入所述目标区域的预测进入时间的进入概率分布；

将所述速度曲线、所述车辆的所述位置和所述速度、所述移动对象的所述位置和所述速度以及所述移动对象进入所述目标区域的预测进入时间输入到第二神经网络，所述第二神经网络输出所述移动对象将退出所述目标区域的预测退出时间的退出概率分布；

通过在滚动时域中执行模型预测控制算法，基于所述进入概率分布和所述退出概率分布确定优化速度曲线；以及

基于所述优化速度曲线操作车辆。

2.如权利要求1所述的方法，其中目标速度曲线由目标速度和目标加速度定义。

3.如权利要求1所述的方法，其还包括：在检测到不存在所述移动对象接近所述目标区域时，基于请求速度操作所述车辆。

4.如权利要求3所述的方法，其还包括：基于用户输入或地图数据来确定所述请求速度。

5.如权利要求3所述的方法，其还包括：在检测到所述移动对象离开所述目标区域时，基于所述请求速度操作所述车辆。

6.如权利要求1所述的方法，其还包括：在检测到所述移动对象离开所述目标区域时，基于请求速度操作所述车辆。

7.如权利要求1所述的方法，其还包括：基于所述车辆将在所述目标区域中撞击所述移动对象的概率来优化所述目标速度曲线。

8.如权利要求7所述的方法，其还包括：另外基于最小化所述车辆横穿所述目标区域的时间量的成本函数来优化所述目标速度曲线。

9.如权利要求1所述的方法，其还包括：在所述目标区域内检测到所述移动对象时，致动所述车辆的制动部件。

10.如权利要求9所述的方法，其还包括：在确定所述移动对象已经离开所述目标区域时，基于请求速度操作所述车辆。

11.如权利要求1所述的方法，其中所述目标区域完全延伸跨过行进路径并且部分沿着所述行进路径延伸。

12.如权利要求11所述的方法，其还包括：基于地图数据或检测到横穿所述行进路径的标记中的一者来识别所述目标区域。

13.一种计算机，其被编程为执行如权利要求1至12中任一项所述的方法。

14.一种计算机程序产品，其包括用于执行如权利要求1至12中任一项所述的方法的指令。

15.一种车辆，其包括计算机，所述计算机被编程为执行如权利要求1至12中任一项所述的方法。