CN116783107A - 用于控制自动驾驶车辆驾驶行为的方法、用于执行该方法的处理装置、数据存储介质和车辆 - Google Patents
用于控制自动驾驶车辆驾驶行为的方法、用于执行该方法的处理装置、数据存储介质和车辆 Download PDFInfo
- Publication number
- CN116783107A CN116783107A CN202180088426.5A CN202180088426A CN116783107A CN 116783107 A CN116783107 A CN 116783107A CN 202180088426 A CN202180088426 A CN 202180088426A CN 116783107 A CN116783107 A CN 116783107A
- Authority
- CN
- China
- Prior art keywords
- area
- data
- traffic
- vehicle
- behavior
- 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 46
- 238000012545 processing Methods 0.000 title claims abstract description 46
- 238000013500 data storage Methods 0.000 title claims description 11
- 230000033001 locomotion Effects 0.000 claims abstract description 110
- 230000006399 behavior Effects 0.000 claims abstract description 96
- 238000013459 approach Methods 0.000 claims description 6
- 230000003252 repetitive effect Effects 0.000 claims 1
- 230000002650 habitual effect Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 244000025254 Cannabis sativa Species 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- 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
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- 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
- B60W2556/10—Historical 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/24—Direction of travel
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种用于控制自主驾驶车辆(10)的驾驶行为的方法,其中,处理设备(40)针对道路网络的至少一个预定的区域(20)执行以下步骤:接收区域(20)的迹线数据(31),其中迹线数据(31)描述了区域(20)中过去的交通参与者的历史运动和/或行为的至少一个迹线,其中运动和/或行为不符合区域(20)目前有效的交通法规和/或不是有效的交通法规所期望的;获取规则数据(11),其描述由迹线数据(31)描述的过去的交通参与者的经常性运动和/或行为;以及将规则数据(11)提供给车辆(10)的运动模型(13),运动模型(13)被设计为执行对普通交通参与者的典型运动的预测,其中车辆(10)包括驾驶控制系统(DCS),其通过检测区域(20)中的交通参与者(21)并使用运动模型(13)预测相应检测到的交通参与者(21)的未来行为(B)来规划和/或调整行驶轨迹。
Description
技术领域
本发明涉及一种用于特别是在可能考虑交通参与者在道路网络中特定点的习惯行为时控制自动驾驶车辆(ADV)的驾驶行为的方法。此外,本发明涉及一种用于车辆的处理装置。该处理装置可以执行本发明的方法。本发明还包括系统、数据存储介质和车辆。
背景技术
一般而言,交通参与者的行为可能不仅仅由当前在道路网络的特定点或特定区域有效的交通规则决定。相反,过时的交通法规和习惯也可能导致意想不到但仍然基于规则的行为。如果ADV知道并可以使用这些默认规则或非官方规则,则ADV可以考虑此类行为。
例如,在道路沿线,有些地方的人养成了定期过马路的习惯,尽管没有官方标记的过马路区域。例如,当道路的一侧有办公/大学大楼,而另一侧有快餐店或自助餐厅时,离开办公/大学大楼的人往往会直接沿一条直线横穿马路到餐馆/自助餐厅。如果经常发生这种情况,则可以例如在道路左右两侧的路边绿化带中看到踩出的小路(青草中有一条棕色泥泞的小路)。
当特定地点(例如十字路口)的交通规则发生变化时,可能会出现类似的问题。一些定期路过该地点的交通参与者可能仍然按照以前的、现在无效的规则行事,因为他们可能没有意识到交通规则的变化,或者因为他们可能注意力不集中。
然而,ADV并不知道非官方的、惯常的过马路区域。同样,旧交通规则也不是更新后的数据库的一部分。相反,ADV只会考虑当前的、更新后的交通规则。因此,经过惯常的过马路区域或规则最近发生了变化的十字路口的ADV不会相应地调整其驾驶策略。ADV不会考虑行人可能会遵循非官方规则的可能性,这些规则可能来自直接过马路的习惯或过时的交通规则。
在现有技术中,针对已知的热点或事故高发区域,有一种解决方案。这样的热点是用摄像头长时间(几天)观察到的,通过统计行人过马路的地方,最终得到行人行为的统计描述。该解决方案非常耗时,不适用于大型道路网络,仅适用于某些已知的热点。
文献WO 2020/062032 A1公开了一种系统,该系统从车辆的图像捕获设备接收感知车辆环境的捕获图像,并且该系统基于捕获的图像来识别车辆附近运动的障碍物并且该系统预测运动的障碍物在多个时间点中的每个时间点的位置。
文献US 9483 948B1公开了使用来自由行人佩戴的行人信号收发器的识别信号来检测行人。
文献US20 19/152490A1公开了包括确定第一对象与一个或多个第二对象之间的交互的操作。这些操作包括至少部分基于第一对象与一个或多个第二对象之间的交互来确定第一对象在周围环境内的一个或多个预测迹线。
本发明的根本问题是在控制ADV时考虑交通参与者(行人/骑自行车者/车辆)的可能习惯行为。
发明内容
该目的通过独立权利要求的主题来实现。在以下描述、从属权利要求和附图中详细说明本发明的方便且重要的进一步实施例的有利开发方案。
本发明提供了一种用于控制ADV的驾驶行为的方法。该方法由处理装置执行,该处理装置执行用于驾驶通过道路网络的至少一个预定区域的一组步骤。换言之,ADV在预定区域中的驾驶行为可以适应交通参与者的行为和/或该区域特有的交通规则,这可以由处理装置确定。处理装置例如可以是中央计算机和/或远程计算设备,该远程计算设备可以使用互联网连接和/或无线连接(例如通过WiFi和/或蜂窝网络)连接到ADV。
预定的区域可以是城市的一个区域,其可以包括道路网络的至少一段,例如,在像大学校园和/或餐馆和/或图书馆和/或学校的建筑物前面,和/或在行人或骑自行者可能会习惯性地横穿道路以缩短他们的旅行时间和/或距离来访问和/或离开的预定公共场所前面。特别地,这里假设横穿发生在没有官方人行横道或交通信号灯可用的地方。然而,自动驾驶车辆和/或车辆驾驶员应该能够考虑行人和/或骑自行车者在沿预定区域行驶时的这种习惯性(非官方)横穿道路。
处理装置执行的步骤之一包括接收该区域的迹线数据。迹线数据可以包括来自车辆的至少一个传感器的传感器数据和/或静止传感器的传感器数据和/或来自描述该区域和/或至少一个兴趣点(POI)(例如,该区域道路一侧的餐馆)的数字道路地图的地图数据,和/或来自卫星的该区域图像的图像数据。传感器数据例如可以是来自照相机的该区域的至少一幅图像。迹线数据可以描述该区域中的至少一个迹线,例如在该区域中靠近道路的点处。这样的迹线可以是例如终止于道路处的草丛中的踩踏路径,其指示交通参与者在该点接近并踏上道路的习惯行为。通常,迹线数据描述该区域中过去的交通参与者的历史移动和/或行为的至少一个迹线。根据该方法,迹线数据描述了不符合该区域中当前有效的交通规则和/或不是所述交通规则所期望的经常性运动和/或习惯行为的迹线。换言之,处理装置可以确定根据该区域的交通规则可能不允许和/或未预料到的习惯行为。例如,传感器数据可以描述行人经常性地横穿该区域中道路的迹线。传感器数据可以描述该区域中行人和/或骑自行车者的道路横穿事件的迹线。特别地,迹线数据并不描述事件本身,即它们并不表明实际执行习惯行为的交通参与者,而是显示留下的迹线,迹线源自基于习惯行为的多个重复事件。因此,设想规则数据优选地独立于在迹线数据中实际可见的任何交通参与者而获取。
由处理装置执行的第二步骤涉及获取规则数据,该规则数据描述了由迹线数据描述的过去交通参与者的经常性运动和/或行为。换言之,运动和/或行为的一般描述例如通过计算平均运动路线而被获取。处理装置可以基于迹线数据而获取区域特有的规则数据。它可以为不同的区域提供一组不同的规则数据。可以基于在迹线数据中检测到的交通参与者的先前行为来确定规则数据。
由处理装置执行的第三步骤涉及将规则数据提供给自动驾驶车辆的运动模型(特别是驾驶控制系统的自动驾驶功能的运动模型)。对于此步骤,假设运动模型被设计为执行对普通交通参与者的典型运动的预测。车辆可包括驾驶控制系统,其通过检测区域中的交通参与者并使用运动模型预测相应检测到的交通参与者的未来行为来规划和/或调整行驶轨迹。运动模型可以向车辆的驾驶控制系统提供控制信号以适应车辆在该区域中的规划轨迹。运动模型可以基于预测算法(如从现有技术已知的)并且规则数据可以用于使运动模型适应区域中的当前情形或配置运动模型。通过向运动模型提供规则数据,车辆的驾驶控制系统可以规划和/或调整行驶轨迹,它检测区域中的交通参与者并使用该运动预测相应检测到的交通参与者的未来运动模型,然后可以在其轨迹规划中包括交通参与者的行为,该行为可能与该区域当前有效的交通法规不兼容和/或所述交通法规未预料到。
换言之,自主驾驶车辆可以基于区域中交通参与者的瞬时检测来规划和/或改变其行驶速度和/或行驶方向。运动模型可以考虑检测到的交通参与者的存在和/或当前检测到的行为来确定自主驾驶车辆针对该区域的未来轨迹规划。运动模型的输出或运动模型的建模参数可以根据一天中的时间和/或该区域的气候条件而变化。运动模型可以是基于软件的模拟或处理函数,或算法,其可以辅助自主驾驶车辆的驾驶控制系统限定其针对该区域的运动轨迹。这样的运动模型在现有技术中是已知的。
本发明提供的优点是,可以根据其他交通参与者沿道路网络的习惯行为和/或运动来规划和/或调整自主驾驶车辆针对道路网络的一个区域的驾驶行为或轨迹,即使该行为不能从该区域现行的交通规则或交通法规推导或甚至违反该区域现行的交通规则或交通法规。例如,如果没有在交通规则或交通法规中明确考虑或编码,则不能从交通规则或交通法规中推导出一种行为或运动。例如,穿越草坪或花坛或一般而言特定区域的运动是交通规则或交通法规中可能未提及为允许或禁止(即不受管制)的运动,因此不可能根据交通规则或交通法规推导出交通参与者可能会在该区域执行这种运动。特别是,如果该特定区域不是为交通参与者设计的,那么这种运动可能无法推导,例如路边将道路与人行道分开的花坛或草坪。附加地或替代地,迹线可以包括关于该区域道路网络的旧建筑布局的信息和/或关于监管或生效的特定历史运动和/或行为但不再存在的以前有效的交通法规的信息。在这种情况下,“迹线”由历史布局数据和/或历史法规数据给出。
因此,技术效果是可以确定或获取规则数据,而无需观察在他们的经常性或习惯运动期间的实际参与者。这是观察经常性或习惯性运动和/或获取相应规则数据的一种有效方式,因为相应的“迹线”仅需要观察一次以识别经常性或重复的运动。相反,观察参与者需要进行多次观察才能识别或验证其运动发生的经常性或频率。此信息累积在相应迹线中,因为迹线仅由于经常性运动而存在或(在旧建筑布局和/或历史交通法规的情况下)由经常性运动引起。
本发明还包括提供附于额外的技术优点的特征的实施例。
在一个实施例中,迹线数据包括显示相应区域的至少一部分的至少一幅图像的图像数据。该图像可以描述当前或过去的情况,例如,行人或骑自行车者在道路网络上或在该区域的道路网络附近(例如,两侧)的运动。特别地,相应的图像可以描述地标或交通参与者重复运动的迹线,例如地面上的迹线。这样的地标或迹线可以被识别而不需要用传感器(例如照相机)观察实际的交通参与者。该图像可以描述站在道路网络一侧或一个点的行人。该图像例如可以是来自车辆的车载传感器的图像和/或卫星图像和/或来自数字道路地图的图像。图像可以是基于像素的照相机图像或雷达图像或超声波图像或激光雷达图像。
一个实施例包括,获取规则数据包括确定物理磨损区和/或损坏区,它是由过去的交通参与者沿非官方/未加固的步行和/或驾驶小径的经常性运动引起的。换言之,交通参与者和/或行人的习惯行为可以基于该区域中的至少一个物理损坏迹线来确定,尤其是在过去的交通参与者实际上不存在的情况下。物理损坏迹线例如可能是该区域中至少一个物体(例如植物)的破损或磨损部分和/或它可能是一个干净的区域(可能是脚摩擦或拖行造成的)或草丛中可能由于行人和/或交通参与者的经常性运动而产生的步道。这提供了这样一个优点,即道路上或道路两侧的指示行人的经常性运动的标记(可能不符合一般交通规则)可以用作可能存在行人和/或骑自行车者的标志。
在一个实施例中,物理磨损区和/或损坏区包括穿过植物和/或植物之间的踩踏或驾驶路径。损坏区可以体现为棕色路径和/或干土和/或一般而言与周围草地和/或周围表面结构的其余部分不同的颜色。换言之,损坏区可以体现为人行道或磨损路径,其可以由行人和/或骑自行车者至少在该区域道路的一侧的经常性运动形成。该路径例如可以是草地中的步行道。这提供了可以基于传感器数据来确定特定区域中的行人和车辆的习惯行为的优点。
在一个实施例中,物理磨损区和/或损坏区包括覆盖地面的层的磨损部分。换言之,地面可能由于行人的经常性运动和/或骑自行车者的经常性骑行而被撕裂。例如,磨损区可以体现为在长满苔藓的路边区域中的干净小径表面。
在一个实施例中,基于预定的颜色标准和/或预定的表面结构标准在至少一幅图像中检测物理变形和/或损坏区。换言之,可以基于图像中与其邻接区域相比的颜色差异来识别可能由行人的经常性运动引起的步行小径。该图像例如可以用灰色或棕色描述损坏区或步行小径,其可以夹在两片草地之间。
在一个实施例中,迹线数据包括布局数据,其描述导致当前有效的交通法规的道路工程之前的区域中的道路网络的旧建筑布局。换言之,道路和/或部分道路上的建筑工程可能会导致行人或骑自行车者的交通规则和/或习惯发生暂时或永久的改变。暂时改变例如可以是道路封闭和/或为交通参与者改道到备选道路。永久改变可以描述例如环形交叉路口和/或天桥和/或地下通道的施工以优化交通管理。这提供了这样一个优点,即如果检测到该区域架构的变化,则自主驾驶车辆可以基于传感器数据来调整其轨迹规划或交通规则。
在一个实施例中,迹线数据包括描述被当前有效的交通法规替代的以前有效的交通法规的历史法规数据。换言之,迹线数据可以描述行人的旧习惯和/或交通参与者以前的驾驶行为,如法律所强制执行的,这可能与当前针对行人和/或交通参与者的驾驶行为的法律规定不匹配。迹线数据可以描述以前的交通规则,这些规则可能不符合当前的交通规则。旧交通规则和/或行人或交通参与者习惯行为的改变可能是由于该区域的建筑或道路网络的变化而引起的。根据过去的交通规则,交通参与者可能会因为交通信号而被要求在该区域的一个地点停车。根据目前的交通规则,交通参与者可能会被允许继续驾驶,因为该区域的交通信号可能会被环形交叉路口和/或天桥和/或地下通道所取代。这提供了这样一个优点,即自主驾驶车辆可以根据检测到的交通规则和/或其他车辆和/或行人的行为的变化来针对一个区域调整其驾驶行为,从而可以确保车辆的安全驾驶。
在一个实施例中,在地图数据库中提供规则数据,该地图数据库将相应的规则数据关联到至少一个区域,其中地图数据库根据描述车辆当前或未来地理位置的位置数据来访问规则数据。换言之,相应区域或该区域的道路网络特有的相应交通规则可以存储在数据库中。当检测到车辆的当前位置位于相应区域和/或附近时,可以检索相应的交通规则。车辆的位置可以基于全球定位系统来检测。这提供的好处是,存储车辆的驾驶行为或相应区域的图像数据可以帮助自主驾驶车辆根据相应区域的官方和/或非官方有效规则动态地调节其驾驶行为。
本发明还提供了一种处理设备,该处理设备包括至少一个处理器和非易失性数据存储介质。处理设备可以是例如台式计算机和/或膝上型计算机和/或移动计算设备。处理设备可以包括单个处理器或多个处理器。相应的处理器可以是多核微处理器。处理设备的至少一处理器连接到存储介质。存储介质包括计算机可读指令,如果由至少一个处理器执行,则计算机可读指令使至少一个处理器执行根据本发明的实施例之一的方法。
本发明还提供了一种用于操作车辆的驾驶控制系统以预测至少一名交通参与者的行为的方法。驾驶控制系统可以由车辆的电子控制单元提供。驾驶控制系统例如可以包括计算机和/或微控制器和/或计算设备,其可以安装在车辆中和/或可以放置在远程地点。驾驶控制系统被设计成规划行驶轨迹并由此通过执行多个步骤来考虑至少一名交通参与者的预测行为。第一步骤涉及检测道路网络的相应区域中的至少一名交通参与者。第二步骤包括获得描述相应区域的交通参与者的至少一个行为规则的规则数据。规则数据是从处理设备获得的,该处理设备基于根据关于处理设备的方法的实施例之一来提供规则数据。第三步骤包括基于规则数据来预测至少一个检测到的交通参与者的相应未来运动。第四步骤包括根据至少一名检测到的交通参与者的相应预测的未来运动来获取用于设置轨迹(即速度和/或行驶方向)的控制信号。
在一个实施例中,从车辆的位置传感器接收当前地理位置信息,例如用于GNSS(全球导航卫星系统)的位置信号的接收器。在数字道路地图中检测接近和/或即将到达该区域。对于该区域而言,规则数据是从数字地图数据库中选取的,该数据库可以包括多组不同的规则数据。每组不同的规则数据可以是道路网络的不同区域特有的。
本发明还涉及一种包括驾驶控制系统的自主驾驶车辆。驾驶控制系统包括至少一个处理器和非易失性存储介质。存储介质包括使至少一个处理器执行所描述的根据本发明的任何实施例的关于规则数据的使用的方法的指令。
将所描述的处理设备的一个实施例与所描述的车辆的至少一个实施例相组合产生了一种也是本发明的一部分的系统。因此,本发明还涉及一种系统,该系统包括处理设备和至少一个根据本发明的车辆。
本发明还包括一种非易失性计算机可读数据存储介质,其中该数据存储介质存储计算机可读指令,如果由至少一个处理器执行,则计算机可读指令使所描述的处理设备的至少一个处理器执行关于处理设备的方法。
本发明还包括不同实施例的特征的组合。换言之,进一步的实施例可以包括上述实施例的特征的相应组合。
附图说明
下面描述本发明的一个示例性实施方案。附图示出:
附图是执行本发明方法的一个实施例的本发明的处理设备的实施例的示意图和根据本发明的自主驾驶车辆的示意图。
具体实施方式
以下说明的实施例是本发明的一个优选实施例。然而,在该实施例中,所描述的实施例的组件各自都代表本发明的单独特征,这些特征将被彼此独立地考虑并且各自也彼此独立地开发本发明,由此也以单独的方式或以与所示组合不同的方式被视为本发明的组件。此外,所描述的实施例也可以由已经描述的本发明的其他特征来补充。
图中,相同的附图标记表示提供相同功能的元件。
该图(附图)示出了机动车辆10,其可以是自主驾驶车辆或无人驾驶车辆,例如乘用车辆或货运车辆。车辆10可以在道路网络的道路90的预定区域20行驶。区域20可以是国家或州或城市或城市中的特定区域。区域20可以在城市的一个区域中和/或是农村区域中。区域20可以是道路90的一部分。区域20可以因商业和/或公共活动而为人所知。当车辆10沿着区域20中的道路90行驶时,车辆10可以考虑其他交通参与者(例如其他车辆和/或行人和/或骑自行车者)的习惯交通行为。习惯行为可能不符合一个区域的一般有效交通规则和/或未被所述交通规则预见,因此可能无法根据区域20当前有效的交通规则进行预测。
在示例性情形中,当服务场所50位于区域20中的道路90的一侧和/或服务场所50的至少一个商业或学术活动建筑物位于道路90的一侧时,可以考虑其他交通参与者的习惯行为。服务场所50可以是例如餐馆和/或售货亭和/或酒吧。来自道路90对面的行人和/或骑自行车者可能已经养成了通过横穿区域20中的道路90定期访问服务场所50的习惯,尽管没有提供正式的人行横道或横穿区域,例如,交通灯。行人和/或骑自行车者可能为了缩短他们的距离和/或当附近没有替代路线供他们访问服务场所50时横穿道路90。
为了获取或感测习惯行为,至少一个传感器30可以检测行人和/或骑自行车者或一般而言交通参与者的习惯行为的一种或多种实例的迹线。“迹线”是指在实际交通参与者执行习惯行为和/或运动时,至少一个传感器30未感测到他们,而是定期执行相应习惯(习惯行为和/或习惯运动),例如定期横穿区域20中的道路90,这可能引起形式为踩踏路径或磨损区70(例如道路旁边的绿化带中的踩踏路径)的迹线,因为没有人行横道。磨损区的颜色和/或结构可能与周围绿化带不同。
至少一个传感器30可以是照相机和/或激光雷达传感器和/或雷达传感器和/或红外传感器。至少一个传感器30可以布置在经过区域20的车辆中(在车辆10之前)和/或它可以位于区域20中的一个点处和/或正在观察区域20的卫星S中。相应的传感器30可以在预定的时间点获取传感器数据30',该时间点可以是例如每30分钟直至例如每年一次的固定间隔。对于一天中的不同时段,该数据采集的间隔可能不同。针对上午时间和/或中午时间(例如午餐时间)和/或下午指定的间隔可能与一天中的其他时间不同。可以基于行人或骑自行车者可能横穿道路90和/或车辆的交通流量可能很高的概率来调整数据采集的间隔。该概率可以基于一天中的高峰交通时间来假设或确定,此时预计行人可能会横穿区域20中的道路90。高峰时间可以是清晨时间,例如从07:00-09:00和/或12:00至13:00(例如午休时间)和晚上时间,例如17:00-19:00。概率也可以基于使用区域20的历史传感器数据的模型来估计。
传感器数据30'可以被提供给处理设备40,处理设备40可以被设计为互联网的服务器计算机或工作站计算机或台式计算机或膝上型计算机,仅举几个例子。处理设备40可以位于远程地点,例如建筑物,像例如实验室。处理设备40可以包括至少一个处理器P。处理设备40可以包括至少一个非易失性存储介质M,用于至少存储传感器数据30'和/或用于处理传感器数据30'的指令I。非易失性存储介质M可以包括闪存和/或只读存储器和/或磁存储设备(例如硬盘驱动器)和/或SSD(固态驱动器)。处理器P可以连接到存储设备。至少一个传感器30可以经由通信网络将其传感器数据30'传输到处理设备40。通信网络可以基于无线连接和/或物理连接。
传感器数据30'可以至少描述区域20的图像。图像可以描述交通参与者的习惯行为的实例,其可以是行人或骑自行车者的运动和/或的其他车辆沿区域20中的道路90的行为的过去记录。存储的传感器数据30'因此构成迹线数据31。传感器数据30'可以至少基于相应图像中的可见迹线来描述交通参与者的过去或历史移动。迹线可以描述磨损区70或至少在道路90的一侧和/或在区域20中的道路90的预定的邻近处(例如,距道路90小于10米的距离)的标记,其可能是由交通参与者的习惯或经常性运动形成的。磨损区70可以描述小径或通道,其可以是草地中的灰色或棕色区域。磨损区70可以是干燥的土地和/或磨损的路径,行人或骑自行车者或动物可能已经踩过。迹线可以描述指示行人和/或骑自行车者的习惯行为的地标。地标可以例如在区域20中的道路90两旁,行人可以沿其行走和/或可以预期沿其行走。地标可基于传感器数据30'来确定,例如至少一幅照相机图像和/或至少一幅卫星图像。
迹线数据31可以描述交通参与者的行为,这些行为在过去可能是有效的但根据当前的交通法规可能是无效的。因此,根据区域20的当前有效交通规则,交通参与者的运动和/或行为可能无法预料。例如,行人可能根据习惯行为横穿区域20中的道路90,并且因此可能违反正式有效的交通法规阻塞交通流。换言之,交通参与者可能知道行人和/或骑自行车者横穿该区域中的道路90的非官方有效行为并且可能遵循该行为。
根据区域20的当前有效交通规则,可能无法预料过去的交通参与者的运动和/或行为。例如,行人可能正在横穿区域20中的道路90,从而违反官方有效的交通法规阻塞交通流。换言之,经常出入区域20的交通参与者可能知道行人和/或骑自行车者横穿区域20中的道路90的非官方有效行为,尽管没有人行横道。
预定的区域20或区域20中的道路90的这些基于习惯的“交通规则”可以称为幽灵规则。幽灵规则不是有关当局定义和/或接受的官方规则。幽灵规则可以描述交通参与者或车辆驾驶者对行人和/或骑自行车者可能被预期横穿区域20中的道路90的共同理解。作为例行或预防措施,车辆驾驶者在接近区域20时可能会习惯性地降低其行驶速度。如果在区域20中可以看到行人21站在或行走在道路90的一侧,预料此行人21可能根据习惯行为横穿道路90,则车辆的驾驶者可能会停下来或者他们可能会改变其行驶轨迹。例如,行人21可能横穿道路90以到达服务场所50或(作为另一个示例)在可位于区域20的道路90的另一侧的公交车站下公交车(即,服务场所50可是公交车站)。可以基于位置和/或运动方向和/或自主驾驶车辆或车辆驾驶者的感知来确定行人21横穿道路90的意图。
由于车辆10由运行自主驾驶功能A的驾驶控制系统DCS控制,因此车辆10可能无法“猜测”行人21的行为。相反,车辆10的自主驾驶功能A基于区域20当前有效的预定的交通规则来规划其行驶轨迹(运动线路和对应的速度值)。
然而,车辆10的自主驾驶功能A可以被提供有关于“幽灵规则”的附加规则数据11,使得这些幽灵规则可以被车辆10的自主驾驶功能A考虑,就好像它们是附加交通规则一样。
处理设备40可以基于存储的传感器数据30'获取区域20的幽灵规则的规则数据11,即描述其他交通参与者过去的经常性运动和/或习惯行为的迹线的迹线数据31。处理设备40可以包括编程指令I,其可以例如运行人工神经网络ANN和/或图像分析以检测例如由迹线数据31描述的图像中的磨损区70。处理设备40可以包括用于向操作者呈现迹线数据31的显示器并且来自操作者的用户输入可以由处理设备40在输入单元处接收,输入单元包括例如键盘和/或计算机鼠标。用户输入可以指示操作者在显示的迹线数据31中识别出的迹线。检测可以基于例如以下标准中的至少一个:颜色、结构、颜色差异、结构差异、形状(例如蜿蜒路径)。根据检测到的对象,例如特定颜色的磨损区70,可以确定什么类型的习惯行为导致了该检测到的对象。检测到的对象与相应习惯行为的关联可以基于查找表和/或可以在ANN中实现。对于每个习惯行为,可以提供对应的幽灵规则,其由对应的规则数据11定义。习惯行为可以被描述为可以描述其他交通参与者的习惯路线的运动线路。
规则数据11可以描述一组交通规则,其可能不是官方有效的但它们可能是道路90或整个区域20所特有的,和/或交通参与者可能在没有法律依据的情况下作为例行程序来实践。换言之,规则数据11可以描述交通参与者关于他们在区域20中的驾驶行为的共同协定,并且因此可以致使人类驾驶者例如减慢或停止他们的车辆以让行人通过区域20的道路90。可以基于规则数据11将对行人21的这种反应传输到车辆10的自主驾驶功能A。
车辆10可以定义其针对区域20的驾驶参数和/或基于规则数据11来调整其行驶轨迹。车辆10例如可以预料行人21或骑自行车者可能横穿道路90和/或其他交通参与者可能会缓慢驾驶和/或前方移动的车辆可能会改变它们各自的轨迹。车辆10的自主驾驶功能A可以基于车辆10的至少一个传感器12的传感器数据来检测行人21或骑自行车者。
处理设备40可以基于迹线数据31来确定规则数据11并且可以将规则数据11与区域20的数字道路地图80的地图数据相关联。地图数据和/或规则数据11可以被存储在可以由自主驾驶功能A访问的地图数据库中。车辆10的自主驾驶功能A可以基于例如用于接收GNSS(全球定位卫星系统)——例如GPS(全球定位系统)——的位置信号的接收器来确定车辆10的当前位置的位置数据,并且可以确定它是已经在区域20中还是正在接近区域20。接收器因此构成车辆10的位置传感器。可针对区域20从地图数据获得区域特定规则数据11。
自主驾驶功能A的运动模型13可以基于接收到的规则数据11来配置并且可以基于规则数据11对区域20的平均交通参与者的典型运动进行预测。运动模型13可以是计算机算法或模拟软件。它可以安装在车辆10中(如图所示)和/或安装在远程处理设备40上。
运动模型13可以至少从车辆10的传感器12获取传感器数据,可以检测行人21,并且可以根据接收到的规则数据11来预测或估计检测到的行人21(或一般而言任何类型的交通参与者)的行为。
预测的行为B可以包括描述检测到的交通参与者(例如行人21)的运动参数(例如移动速度和/或移动方向)。运动模型13可以提供未来运动的预测的未来参数以用于在车辆10接近区域20和/或在检测到区域20位于预定路线上时规划车辆10的轨迹。轨迹规划可以包括例如描述车辆10在区域20中的速度和/或运动线路。通过所得到的调整后的轨迹的轨迹数据,当车辆10接近行人21时可以控制车辆10改变其速度和/或行驶方向。
运动模型13可以基于取自现有技术的算法。这种已知的运动模型13通常可以基于描述一个区域的交通参与者的有效行为的官方交通规则来操作。在车辆10中,运动模型13附加地或替代地被提供有规则数据11,该规则数据描述根据迹线数据31确定的非官方幽灵规则。
迹线数据31可以附加地或替代地描述交通规则的变化。区域20例如可以具有过去标记的交通信号和/或斑马线,使得行人和/或骑自行车者可以容易地通过区域20的道路90而不必担心交通法规。根据当前有效的交通法规,区域20可能没有斑马线和/或交通信号。交通法规的变化也可以描述区域20的架构的变化和/或新建筑物的施工和/或道路的维修或施工作业和/或区域20中新的连接道路的施工。区域20的架构的变化可以体现为环形交通的设置。由于道路90和/或连接到区域20的路线的施工或维修作业,过去的道路可能禁止车辆通行。根据过去的交通规则,由于道路90或区域20禁止车辆通行,可能允许行人横穿道路90。
基本思想是在自主驾驶车辆10(ADV)的预测算法中考虑“幽灵规则”。当另一名交通参与者(在该示例中是行人21)被ADV的传感器12检测到并且运动模型13计算出对预期运动或行为的预测时,不仅会考虑到官方的、当前有效的交通法规,还有会考虑可能构成交通参与者行为基础的幽灵规则,尽管这些幽灵规则并未在官方上实施。
此类幽灵规则可以从ADV正在接近的特定地点的历史获取。幽灵规则的可能来源是:
-常去此地(习惯的道路交叉点)的当地居民/学生/上班族的习惯,
-最近之前在此地有效并且最近已被替换的旧交通法规,
-道路架构的变化(安装了环岛交通),
-公交车站行人的典型行为,
-一般而言:关于该地点历史的任何元信息,其中元信息应该具有规则特征,
从这些元信息开始,道路网络的数字地图可以通过额外的、非官方的“幽灵规则”来丰富,以对交通参与者的潜在行为进行建模。因此,ADV将基于幽灵规则和官方规则来对其他检测到的交通参与者的潜在运动进行自动建模或预测。
发明思想使用了数字路线图,就像ADV已经使用它来获取周围环境的信息一样。在这样的地图中,输入了指示习惯行为的地标。这样的地标可以是尽头为道路的草丛中的踩踏路径,在路的相对侧延续的人行道的尽头。这些地标可以在不需要用摄像头观察行人的情况下被识别。
从这些地标开始,一种算法可以估计/推断行人横穿道路的可能的运动轨迹。例如,终止于道路一侧的踩踏路径可与始于道路相对侧的踩踏路径连接。这给出了一条指示行人可能遵循的运动轨迹的线。因此,该地图向ADV提供了关于行人横穿马路的可能的移动路径的信息。
当ADV现在接近这样的地标并检测到道路一侧的行人时,ADV可以通过考虑检测到的行人可能采取标记的横穿道路的可能运动路径来调整其驾驶行为。ADV的路径规划算法可以使用这些信息。例如,它可能会减速,因为尽管没有任何官方的、标记的横穿区域,但行人仍有一定可能性横穿道路。如果没有检测到行人,则可以忽略该运动路径,因为没有行人横穿道路的危险。
本发明归纳了该概念。在数字道路地图中,某些与行人相关的POI(兴趣点)已经被标记(例如公交车站)。对于某些此类POI,可以预期行人会在到达POI之前或之后立即横穿道路。例如,离开刚停在公交车站的公交车的人往往会直接在公交车后面横穿道路。迟到并试图赶上公交车的行人往往会在公交车站附近横穿道路。因此,所述算法可以输入对应的运动轨迹,这些运动轨迹始于或通向此类选定的POI(公交车站、足球场、音乐厅、超市、学校)。
该思想的优点:不需要基于观察大量行人的统计分析。从可见的地标或旧的交通法规或典型行为的模型开始,算法可以立即估计/推断出数字地图中可能的运动路径。
地标可以在卫星图像中和/或通过评估显示地标(人行道尽头,泥泞,踩踏路径)的照相机图像来识别,而不是通过横穿的行人来识别。
当特定地方的交通规则发生变化时(例如关于通行权的新规定),算法可以基于旧的、现在无效的交通规则输入可能的运动路径,因为有人可能仍会遵循该旧规则。
可以考虑当前时间(公交时刻表、超市营业时间)来设置行人可能实际横穿道路的概率值。
可以考虑动态对象来设置概率值(正在接近的公交车表示行人可能试图到达公交车站)。当动态对象位于POI(例如公交车站的公交车)处时,即使没有检测到行人,也可能会考虑行人可能的运动路径,因为行人可能被动态对象遮挡(考虑公交车后面的行人)。
通过算法输入的路径可以通过连接两个点(在道路两侧各一个)或基于流体模型(代表离开POI如公交车站的整个群体)来获取。
地图信息是基于关于可能对交通参与者的行为有影响的额外的、非官方规则的额外知识而丰富的。这些幽灵规则可以通过观察迹线(踩踏路径)和/或通过考虑特定地点的历史和/或典型的行为模式(例如在公交车站)来获取。
因此,ADV可以预料基于官方的、当前有效的交通法规可能无法预测/解释的行为。
总的来说,该实施例展示了如何控制自主驾驶车辆的驾驶行为,特别是当可以考虑交通参与者在道路网络中特定点的习惯行为时。
因此,本发明尤其包括以下方面:
方面1:一种用于控制自主驾驶车辆(10)的驾驶行为的方法,其中,处理设备(40)针对道路网络的至少一个预定的区域(20)执行以下步骤:
接收所述区域(20)的迹线数据(31),其中所述迹线数据(31)描述了所述区域(20)中过去的交通参与者的历史运动和/或行为的至少一个迹线,其中所述运动和/或行为不符合所述区域(20)目前有效的交通法规和/或不是目前有效的交通法规所期望的;
获取规则数据(11),其描述由所述迹线数据(31)描述的过去的交通参与者的经常性运动和/或行为;
将所述规则数据(11)提供给所述车辆(10)的运动模型(13),所述运动模型(13)被设计为执行对普通交通参与者的典型运动的预测,其中所述车辆(10)包括驾驶控制系统(DCS),其通过检测所述区域(20)中的至少一名交通参与者(21)并使用所述运动模型(13)预测相应检测到的交通参与者(21)的未来行为(B)来规划和/或调整行驶轨迹。
方面2:根据方面1所述的方法,其中,所述迹线数据(31)包括显示相应区域(20)的至少一部分的至少一幅图像的图像数据,并且其中获取所述规则数据(11)包括确定物理磨损区(70)和/或损坏区,物理磨损区(70)和/或损坏区是由过去的交通参与者沿非官方/未加固的步行和/或驾驶路线的经常性运动而造成的。
方面3:根据方面2所述的方法,其中,所述物理磨损区(70)和/或损坏区包括穿过植物和/或干燥地面的踩踏路径或驾驶路径。
方面4:根据方面2或3所述的方法,其中,所述物理磨损区(70)和/或损坏区包括覆盖地面的层的磨损部分。
方面5:根据方面2至4中任一项所述的方法,其中,基于预定的颜色标准和/或纹理标准和/或预定的表面结构标准在所述至少一幅图像中检测所述物理磨损区(70)和/或损坏区。
方面6:根据前述方面中任一项所述的方法,其中,所述迹线数据(31)包括布局数据,其描述了在导致当前有效的交通法规的道路工程发生之前所述区域(20)中的道路网络的旧建筑布局。
方面7:根据前述方面中任一项所述的方法,其中,迹线数据(31)包括描述被当前有效的交通法规取代的以前有效的交通法规的历史法规数据。
方面8:根据前述方面中任一方面所述的方法,其中,在将相应规则数据(11)与至少一个区域(20)相关联的地图数据库中提供所述规则数据(11),其中所述地图数据库根据描述车辆(10)的当前或未来地理位置的位置数据来访问所述规则数据(11)。
方面9:根据前述方面中任一方面所述的方法,其中,一些或所有迹线数据(31)不显示实际执行运动和/或行为的任何交通参与者,和/或其中所述规则数据(11)是独立于在所述迹线数据(31)中实际可见的任何交通参与者而获取的。
方面10:一种处理设备(40),包括至少一个处理器和非易失性数据存储介质(M),其中所述至少一个处理器(P)连接到所述存储介质(M),并且其中所述存储介质(M)包括计算机可读指令,计算机可读指令在由所述至少一个处理器(P)执行时使所述至少一个处理器(P)执行根据前述方面中任一项所述的方法。
方面11:一种用于操作车辆(10)的驾驶控制系统(DCS)以预测至少一名交通参与者(21)的行为的方法,
-检测道路网络的相应区域(20)中的至少一名交通参与者,
-获得描述相应区域(20)的至少一个行为规则的规则数据(11),其中所述规则数据(11)是基于根据前述方面1至9中任一项所述的方法从提供所述规则数据(11)的处理设备(40)获得的,
-基于所述规则数据(11)预测所述至少一名检测到的交通参与者(21)的相应未来运动,
-获取用于根据至少一名交通参与者(21)的相应预测的未来运动来设定速度和/或行驶方向的控制信号。
方面12:根据方面11所述的方法,其中,从位置传感器接收当前地理位置信息并且在数字道路地图(80)中检测对预定的地标或区域(20)的接近和/或靠近情况,并且针对所述地标或区域(20),从所述数字地图数据库中从多组不同的区域特有规则数据(11)选择所述规则数据(11)。
方面13:一种自主驾驶车辆(10),包括驾驶控制系统(DCS),该驾驶控制系统(DCS)包括至少一个处理器和非易失性存储介质,其中所述存储介质包括在由所述至少一个处理器执行时使所述至少一个处理器执行根据方面11或12所述的方法的指令。
方面14:一种系统,包括根据方面10所述的处理设备和根据方面13所述的车辆。
方面15:一种非易失性计算机可读数据存储介质(M),其中,所述数据存储介质(M)存储计算机可读指令(I),所述指令在由至少一个处理器(P)执行时使所述至少一个处理器(P)执行根据方面1至9中任一项所述的方法。
Claims (15)
1.一种用于控制自主驾驶车辆(10)的驾驶行为的方法,其中,处理设备(40)针对道路网络的至少一个预定的区域(20)执行以下步骤:
-接收所述区域(20)的迹线数据(31),其中所述迹线数据(31)描述了所述区域(20)中过去的交通参与者的历史运动和/或行为的至少一个迹线,其中相应的迹线包括
o残留迹线,该残留迹线是从基于习惯行为的若干重复事件产生的,和/或
o所述区域(20)中的道路网络的旧建筑布局,和/或
o之前有效的交通法规,并且
所述历史运动和/或行为不符合所述区域(20)目前有效的交通法规,和/或不是目前有效的交通法规所期望的;
-获取规则数据(11),该规则数据(11)描述由所述迹线数据(31)描述的过去的交通参与者的经常性运动和/或行为;
-将所述规则数据(11)提供给所述车辆(10)的运动模型(13),所述运动模型(13)被设计为执行对普通交通参与者的典型运动的预测,其中所述车辆(10)包括驾驶控制系统(DCS),该驾驶控制系统通过检测所述区域(20)中的至少一个交通参与者(21)并使用所述运动模型(13)预测相应的检测到的交通参与者(21)的未来行为(B)来规划和/或调整行驶轨迹。
2.根据权利要求1所述的方法,其中,所述迹线数据(31)包括显示相应区域(20)的至少一部分的至少一幅图像的图像数据,并且其中获取所述规则数据(11)包括确定物理磨损区(70)和/或损坏区,物理磨损区(70)和/或损坏区是由过去的交通参与者沿非官方/未加固的步行和/或驾驶路线的经常性运动而造成的。
3.根据权利要求2所述的方法,其中,所述物理磨损区(70)和/或损坏区包括穿过植物和/或干燥地面的踩踏路径或驾驶路径。
4.根据权利要求2或3所述的方法,其中,所述物理磨损区(70)和/或损坏区包括覆盖地面的层的磨损部分。
5.根据权利要求2至4中任一项所述的方法,其中,基于预定的颜色标准和/或纹理标准和/或预定的表面结构标准在所述至少一幅图像中检测所述物理磨损区(70)和/或损坏区。
6.根据前述权利要求中任一项所述的方法,其中,所述迹线数据(31)包括描述在导致当前有效的交通法规的道路工程发生之前所述区域(20)中的道路网络的旧建筑布局的布局数据。
7.根据前述权利要求中任一项所述的方法,其中,所述迹线数据(31)包括描述被当前有效的交通法规所取代的以前有效的交通法规的历史法规数据。
8.根据前述权利要求中任一项所述的方法,其中,在地图数据库中提供所述规则数据(11),所述地图数据库将相应的规则数据(11)与至少一个区域(20)相关联,其中所述地图数据库根据描述车辆(10)的当前或未来地理位置的位置数据来访问所述规则数据(11)。
9.根据前述权利要求中任一项所述的方法,其中,一些或所有迹线数据(31)不显示实际执行运动和/或行为的任何交通参与者,和/或,其中所述规则数据(11)是独立于在所述迹线数据(31)中实际可见的任何交通参与者而获取的。
10.一种处理设备(40),包括至少一个处理器和非易失性数据存储介质(M),其中所述至少一个处理器(P)连接到所述存储介质(M),并且其中所述存储介质(M)包括计算机可读指令,所述计算机可读指令在由所述至少一个处理器(P)执行时使所述至少一个处理器(P)执行根据前述权利要求中任一项所述的方法。
11.一种用于操作车辆(10)的驾驶控制系统(DCS)以预测至少一个交通参与者(21)的行为的方法,
-检测道路网络的相应区域(20)中的至少一个交通参与者,
-获得描述相应区域(20)的至少一个行为规则的规则数据(11),其中所述规则数据(11)是从基于根据前述权利要求1至9中任一项所述的方法提供所述规则数据(11)的处理设备(40)获得的,
-基于所述规则数据(11)预测至少一个检测到的交通参与者(21)的相应未来运动,
-获取用于根据至少一个交通参与者(21)的相应预测的未来运动来设定速度和/或行驶方向的控制信号。
12.根据权利要求11所述的方法,其中,从位置传感器接收当前地理位置信息并且在数字道路地图(80)中检测预定的地标或区域(20)处的接近和/或靠近情况,并且针对所述地标或区域(20),从所述数字地图数据库中从多组不同的区域特有规则数据(11)中选择所述规则数据(11)。
13.一种自主驾驶车辆(10),包括驾驶控制系统(DCS),该驾驶控制系统(DCS)包括至少一个处理器和非易失性存储介质,其中所述存储介质包括指令,所述指令在由所述至少一个处理器执行时使所述至少一个处理器执行根据权利要求11或12所述的方法。
14.一种系统,包括根据权利要求10所述的处理设备和根据权利要求13所述的自主驾驶车辆。
15.一种非易失性计算机可读数据存储介质(M),其中,所述数据存储介质(M)存储计算机可读指令(I),所述计算机可读指令在由至少一个处理器(P)执行时使所述至少一个处理器(P)执行根据权利要求1至9中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20217921.4A EP4024366A1 (en) | 2020-12-30 | 2020-12-30 | Method for controlling a driving behavior of an autonomously driving vehicle, processing device for performing the method, data storage medium and vehicle |
EP20217921.4 | 2020-12-30 | ||
PCT/EP2021/087849 WO2022144418A1 (en) | 2020-12-30 | 2021-12-30 | Method for controlling a driving behavior of an autonomously driving vehicle, processing device for performing the method, data storage medium and vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116783107A true CN116783107A (zh) | 2023-09-19 |
Family
ID=74004094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180088426.5A Pending CN116783107A (zh) | 2020-12-30 | 2021-12-30 | 用于控制自动驾驶车辆驾驶行为的方法、用于执行该方法的处理装置、数据存储介质和车辆 |
Country Status (3)
Country | Link |
---|---|
EP (2) | EP4024366A1 (zh) |
CN (1) | CN116783107A (zh) |
WO (1) | WO2022144418A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11827223B2 (en) * | 2021-03-31 | 2023-11-28 | GM Global Technology Operations LLC | Systems and methods for intersection maneuvering by vehicles |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9483948B1 (en) * | 2015-08-07 | 2016-11-01 | International Business Machines Corporation | Automated control of interactions between self-driving vehicles and pedestrians |
US10562538B2 (en) * | 2017-11-22 | 2020-02-18 | Uatc, Llc | Object interaction prediction systems and methods for autonomous vehicles |
KR102223346B1 (ko) * | 2018-09-28 | 2021-03-04 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 보행자 확률 예측 시스템 |
-
2020
- 2020-12-30 EP EP20217921.4A patent/EP4024366A1/en not_active Withdrawn
-
2021
- 2021-12-30 WO PCT/EP2021/087849 patent/WO2022144418A1/en active Application Filing
- 2021-12-30 CN CN202180088426.5A patent/CN116783107A/zh active Pending
- 2021-12-30 EP EP21845077.3A patent/EP4272198A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4272198A1 (en) | 2023-11-08 |
WO2022144418A1 (en) | 2022-07-07 |
EP4024366A1 (en) | 2022-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11711681B2 (en) | Identifying a stopping place for an autonomous vehicle | |
US10794720B2 (en) | Lane-level vehicle navigation for vehicle routing and traffic management | |
CN110832474B (zh) | 更新高清地图的方法 | |
US10473470B2 (en) | Identifying a stopping place for an autonomous vehicle | |
US20230082138A1 (en) | Autonomous vehicle fleet management for improved computational resource usage | |
US20160061618A1 (en) | Technique for navigating a vehicle to a parking place | |
US9651390B1 (en) | Mapping road illumination | |
US20180113463A1 (en) | Identifying a stopping place for an autonomous vehicle | |
US20180113457A1 (en) | Identifying a stopping place for an autonomous vehicle | |
EP2681512B1 (en) | Vehicle route calculation | |
KR101994496B1 (ko) | 정보 수집 및 검색을 통한 루트의 제공 기법 | |
CN107305131A (zh) | 以节点为中心的导航优化 | |
US20070216521A1 (en) | Real-time traffic citation probability display system and method | |
CN112602128A (zh) | 道路交通导航系统 | |
EP3529562A1 (en) | Identifying a stopping place for an autonomous vehicle | |
JP2022125208A (ja) | 情報処理装置 | |
CN116783107A (zh) | 用于控制自动驾驶车辆驾驶行为的方法、用于执行该方法的处理装置、数据存储介质和车辆 | |
Pascucci | A microsimulation based method to evaluate shared space performances | |
US9202376B1 (en) | Parking management system related to street cleaning | |
Schneider et al. | Pedestrian crash risk on boundary roadways: University campus case study | |
Czogalla et al. | Parameters determining route choice in pedestrian networks | |
Elsaid et al. | Incorporating bicycling demand into pavement management systems for convenient bikeway networks | |
Kutela et al. | Exploring the Shared Use Pathway: A Review of the Design and Demand Estimation Approaches | |
El Said | Road management systems to support bicycling: A case study of Montreal’s bike network | |
Orege | Evaluation of pedestrian walkways along urban roads: The case of Komarock, Nairobi |
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 |