CN116868591A - 用于使用交通工具阈值模型来在定位交叠校验中生成置信值的方法和系统 - Google Patents
用于使用交通工具阈值模型来在定位交叠校验中生成置信值的方法和系统 Download PDFInfo
- Publication number
- CN116868591A CN116868591A CN202180093549.8A CN202180093549A CN116868591A CN 116868591 A CN116868591 A CN 116868591A CN 202180093549 A CN202180093549 A CN 202180093549A CN 116868591 A CN116868591 A CN 116868591A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- threshold
- geographic area
- maximum
- length
- 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 76
- 238000012795 verification Methods 0.000 title description 2
- 230000006855 networking Effects 0.000 claims abstract 5
- 231100000656 threshold model Toxicity 0.000 claims description 279
- 230000006399 behavior Effects 0.000 claims description 87
- 230000015654 memory Effects 0.000 claims description 42
- 230000004044 response Effects 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 23
- 230000008520 organization Effects 0.000 claims 3
- 238000001514 detection method Methods 0.000 abstract description 30
- 230000003542 behavioural effect Effects 0.000 abstract description 13
- 238000004891 communication Methods 0.000 description 62
- 238000007726 management method Methods 0.000 description 52
- 102100031269 Putative peripheral benzodiazepine receptor-related protein Human genes 0.000 description 32
- 238000012554 master batch record Methods 0.000 description 32
- 230000004927 fusion Effects 0.000 description 31
- 238000012545 processing Methods 0.000 description 26
- 230000004807 localization Effects 0.000 description 22
- 230000033001 locomotion Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 230000001413 cellular effect Effects 0.000 description 13
- 238000000926 separation method Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000010295 mobile communication Methods 0.000 description 9
- 230000008447 perception Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000000712 assembly Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- LHMQDVIHBXWNII-UHFFFAOYSA-N 3-amino-4-methoxy-n-phenylbenzamide Chemical compound C1=C(N)C(OC)=CC=C1C(=O)NC1=CC=CC=C1 LHMQDVIHBXWNII-UHFFFAOYSA-N 0.000 description 1
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 241001553178 Arachis glabrata Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 102100035964 Gastrokine-2 Human genes 0.000 description 1
- 101001075215 Homo sapiens Gastrokine-2 Proteins 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- B60W40/08—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 drivers or passengers
- B60W40/09—Driving style or behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- 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
- B60W50/08—Interaction between the driver and the control system
- B60W50/10—Interpretation of driver requests or demands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
- H04W4/022—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences with dynamic range variability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2111—Location-sensitive, e.g. geographical location, GPS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Storage Device Security (AREA)
Abstract
公开了包括由车联网(V2X)系统参与者执行以通过使用交通工具阈值模型数据而不是特定第二交通工具尺寸数据来高效地标识定位交叠不当行为状况的系统和方法的实施例。交通工具阈值模型数据可包括针对其中所包含的尺寸数据的置信值以使得可计算出对定位交叠不当行为状况的标识的置信水平。计算出的置信值可允许V2X系统参与者确定是否要生成不当行为检测报告(MBR)并将该MBR传送至不当行为管理机构。
Description
相关申请
本申请要求2021年2月17日提交的美国非临时申请No.17/177,574的优先权权益;其全部内容通过援引纳入于此。
背景技术
智能交通系统(ITS)旨在提供与不同运输模式和交通管理相关的服务,以使用户能够更好地被通知,并使得运输网络的使用更安全,更协调且“更智能”。这些运输网络包括先进的远程信息处理和混合通信,其包括基于网际协议(IP)的通信以及交通工具之间和交通工具与基础设施之间的自组织直接通信。一种不断演进的合作ITS(C-ITS)寻求提高道路安全性,并为基于经由专用于C-ITS和道路运输和交通远程信息处理(RTTT)的直接无线短程通信的信息交换来实现全自动驾驶铺平道路。
世界上的多个地区正在开发用于基于交通工具的通信系统和功能性的标准。例如,正在电气和电子工程师协会(IEEE)和汽车工程师协会(SAE)中开发用于北美的标准,或在欧洲电信标准协会(ETSI)和欧洲标准化委员会(CEN)中开发用于欧洲的标准。该系统的一部分是交通工具在北美广播基本安全消息(BSM)或在欧洲广播协同感知消息(CAM)的能力,其他交通工具可以接收和处理这些消息以改善交通安全。传送方和接收方交通工具中对此类BSM消息的处理发生在提供车联网(V2X)功能性的机载装备(本文中被称为“V2X机载装备”)中。
蜂窝车联网(C-V2X)协议是被开发为用于基于交通工具的无线通信的基础的一种此类协议,该基于交通工具的无线通信可被用于支持智慧高速公路、自主和半自主交通工具,并提升高速公路运输系统的整体效率和安全性。
C-V2X协议定义了两种传输模式,它们一起为增强型道路安全性和自主驾驶提供了360°非视线感知和更高水平的可预测性。第一传输模式包括直接C-V2X,其包括交通工具至交通工具(V2V)、交通工具至基础设施(V2I)和交通工具至行人(V2P),并在独立于蜂窝网络的专用智能交通系统(ITS)5.9千兆赫兹(GHz)频谱中提供增强的通信范围和可靠性。第二传输模式包括移动宽带系统和技术(诸如第三代无线移动通信技术(3G)(例如,全球移动通信系统(GSM)演进(EDGE)系统、码分多址(CDMA)2000系统等)、第四代无线移动通信技术(4G)(例如,长期演进(LTE)系统、高级LTE系统、移动全球微波接入互通(移动WiMAX)系统等)、第五代无线移动通信技术(5G)(例如,5G NR系统等)等等)中的交通工具到网络通信(V2N)。世界上的不同地区也在考虑其他V2X无线技术。本专利中描述的技术适用于任何V2X无线技术。
概述
各方面包括由V2X系统参与者的处理器执行以通过利用预设阈值交通工具模型中所包含的交通工具尺寸来检测交叠不当行为状况的方法。通过利用预设阈值交通工具模型中所包含的交通工具尺寸,V2X系统参与者处理器无需获取多个可能的交通工具尺寸。相反,交叠状况可使用有限的可能交通工具尺寸集合来确定。通过限制可能尺寸集合,交叠状况可被更高效地确定。
各方面可包括确定第一交通工具的第一交通工具定位和第一交通工具定向;确定第一交通工具尺寸边界,其中第一交通工具尺寸边界基于第一交通工具长度、第一交通工具宽度、第一交通工具定位和第一交通工具定向,从第二交通工具接收V2X消息,其中该V2X消息包括第二交通工具定位和第二交通工具定向,从交通工具阈值模型集中选择用于第二交通工具的交通工具阈值模型,其中所选交通工具阈值模型包括所选交通工具阈值模型长度和所选交通工具阈值模型宽度以及所选交通工具阈值模型置信值;确定第二交通工具尺寸边界,其中第二交通工具尺寸边界基于在V2X消息中接收到的第二交通工具定位、第二交通工具定向、所选交通工具阈值模型长度和所选交通工具阈值模型宽度,确定是否第一交通工具尺寸边界有任何部分与第二交通工具尺寸边界的任何部分交叠,响应于确定第一交通工具尺寸边界有任何部分与第二交通工具尺寸边界的任何部分交叠而标识定位交叠不当行为状况,生成标识该定位交叠不当行为状况的不当行为报告,以及将该不当行为报告传送至不当行为管理机构。
一些方面可进一步包括响应于确定第一交通工具已离开第一地理区域并进入当前地理区域而从用于当前地理区域的交通工具阈值模型集中选择交通工具阈值模型,其中用于当前地理区域的交通工具阈值模型集不同于用于第一地理区域的交通工具阈值模型集。
一些方面可进一步包括第一交通工具响应于标识交叠不当行为状况而计算针对标识不当行为状况已出现的置信水平,其中针对标识不当行为状况已出现的置信水平基于所选交通工具阈值模型置信值。通过计算所确定的交叠不当行为状况的置信水平,V2X系统参与者处理器可确定对交叠不当行为状况的检测是否应由单独实体(诸如不当行为管理机构)确认。在一些方面,长度和宽度可以在交通工具阈值模型中基于交通工具长度和交通工具宽度在当前地理区域中的分布而被指派给第二交通工具。在一些方面,第一交通工具可以从所选交通工具阈值模型中所包含的值中指派第一交通工具长度和第一交通工具宽度。
在一些方面,交通工具阈值模型集可包括最小交通工具阈值模型,该最小交通工具阈值模型包括当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中最小尺寸可包括最小交通工具长度和最小交通工具宽度;以及最大交通工具阈值模型,该最大交通工具阈值模型包括当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中最大尺寸可包括大于实际最长交通工具长度的最大交通工具长度以及大于实际最宽交通工具宽度的最大交通工具宽度。
在一些方面,所选交通工具阈值模型可包括当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中该阈值交通工具的所选阈值交通工具置信值可以是当前地理区域中的所有交通工具的百分比减去当前地理区域中的具有大于交通工具阈值模型的长度的实际长度并具有大于交通工具阈值模型的宽度的实际宽度的交通工具的百分比,并且其中计算出的置信水平等于小于最小尺寸的交通工具的百分比减去当前地理区域中的阈值交通工具的所选交通工具阈值模型置信值。
在一些方面,交通工具阈值模型集可包括最小交通工具阈值模型,该最小交通工具阈值模型可包括当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中最小尺寸可包括小于实际最短交通工具长度的最小交通工具长度以及小于实际最窄交通工具宽度的最小交通工具宽度;以及最大交通工具阈值模型,该最大交通工具阈值模型可包括当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中最大尺寸可包括最大交通工具长度和最大交通工具宽度。
在一些方面,所选交通工具阈值模型可包括当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中该阈值交通工具的所选阈值交通工具置信值可以是当前地理区域中的所有交通工具的百分比减去当前地理区域中的具有大于交通工具阈值模型的长度的实际长度并具有大于交通工具阈值模型的宽度的实际宽度的交通工具的百分比,并且其中计算出的置信水平等于大于最大尺寸的交通工具的百分比减去当前地理区域中的阈值交通工具的所选交通工具阈值模型置信值。
附加方面可包括V2X系统,其具有被配置成执行以上概述的各方法中的任何方法的一个或多个操作的处理器。附加方面包括V2X系统,其具有用于执行以上概述的各方法中的任何方法的功能的装置。附加方面可包括其上存储有处理器可执行指令的非瞬态处理器可读存储介质,处理器可执行指令被配置成使V2X系统处理器执行以上概述的各方法中的任何方法的操作。
附图简述
纳入本文且构成本说明书一部分的附图解说了权利要求书的示例性实施例,并与以上给出的概括描述和下面给出的详细描述一起用来解释权利要求书的特征。
图1A和1B是解说适合于实现各种实施例的交通工具的组件框图。
图1C是解说适合于实现各种实施例的交通工具的各组件的组件框图。
图1D是解说适于实现各种实施例的V2X通信系统的子集的示意性框图。
图2A是解说根据各个实施例的示例V2X系统参与者管理系统的组件的组件框图。
图2B是解说根据各个实施例的另一示例V2X系统参与者管理系统的组件的组件框图。
图3是解说根据各实施例的供在V2X系统参与者中使用的片上系统的组件的框图。
图4A解说了可以在选取了准确的阈值交通工具模型以及选取了不准确的阈值交通工具模型时出现的数个示例场景。
图4B解说了可以在不准确的尺寸被指派给其他V2X系统参与者(诸如行人)时出现的定位交叠不当行为状况检测异常的附加示例。
图5解说了供与本文公开的各种实施例方法联用的更准确的交通工具阈值模型。
图6A是解说根据本文公开的各种实施例的用于高效地执行定位交叠不当行为检测的方法的操作的过程流图。
图6B是解说根据本文公开的各种实施例的用于高效地执行定位交叠不当行为检测的另一方法的操作的过程流图。
图7是解说适用于各个实施例的示例移动计算设备的组件框图。
图8是解说适用于各个实施例的示例移动计算设备的组件框图。
图9是解说适合与各种实施例一起使用的示例服务器的组件框图。
详细描述
将参照附图详细描述各个实施例。在可能之处,相同附图标记将贯穿附图用于指代相同或类似部分。对特定示例和实现作出的引述用于解说性目的,而无意限定权利要求的范围。
术语“移动设备”在本文中被用于指以下各项中的任何项或全部:无线路由器设备、无线电器、蜂窝电话、智能电话、便携式计算设备、个人或移动多媒体播放器、膝上型计算机、平板计算机、智能本、超级本、掌上计算机、无线电子邮件接收器、启用因特网的多媒体蜂窝电话、医疗设备和装备、生物传感器/设备、可穿戴设备(包括智能手表、智能服装、智能眼镜、智能腕带、智能首饰(例如,智能戒指、智能手环等等))、娱乐设备(例如,无线游戏控制器、音乐和视频播放器、卫星无线电等等)、启用无线网络的物联网(IoT)设备(包括智能仪表/传感器、工业制造装备、供家庭或企业使用的大型和小型机器和电器)、自主和半自主交通工具内的无线通信元件、附加或纳入到各种移动平台中的移动设备、全球定位系统设备、以及包括存储器、无线通信组件和可编程处理器的类似电子设备。
术语“片上系统”(SOC)在本文中用于指包含集成在单个基板上的多个资源和/或处理器的单个集成电路(IC)芯片。单个SOC可包含用于数字、模拟、混合信号和射频功能的电路系统。单个SOC还可包括任何数目的通用和/或专用处理器(数字信号处理器、调制解调器处理器、视频处理器等)、存储器块(例如,ROM、RAM、闪存等)、以及资源(例如,定时器、电压调节器、振荡器等)。各SOC还可包括用于控制集成资源和处理器、以及用于控制外围设备的软件。
术语“系统级封装”(SIP)在本文中可被用于指包含多个资源、计算单元、两个或更多个IC芯片上的核和/或处理器、基板或SOC的单个模块或封装。例如,SIP可包括在其上以垂直配置堆叠有多个IC芯片或半导体管芯的单个基板。类似地,SIP可包括多个IC或半导体管芯在其上被封装到统一基板中的一个或多个多芯片模块(MCM)。SIP还可包括经由高速通信电路系统耦合在一起并紧邻地封装在一起(诸如在单个主板上或在单个IoT设备中)的多个独立的SOC。SOC的邻近性促成了高速通信以及存储器和资源的共享。
如在本申请中所使用的,术语“组件”、“系统”、“单元”、“模块”及类似术语包括计算机相关实体,诸如但不限于被配置成执行特定操作或功能的硬件、固件、硬件与软件的组合、软件、或执行中的软件。例如,组件可以是但不限于在处理器上运行的进程、处理器、对象、可执行件、执行的线程、程序、和/或计算机。作为解说,在通信设备上运行的应用和通信设备两者都可被称为组件。一个或多个组件可驻留在进程和/或执行的线程内,并且组件可局部化在一个处理器或核上和/或分布在两个或更多个处理器或核之间。另外,这些组件可从其上存储有各种指令和/或数据结构的各种非瞬态计算机可读介质来执行。各组件可通过本地和/或远程进程、功能或规程调用、电子信号、数据分组、存储器读/写、以及其他已知的计算机、处理器和/或进程相关通信方法体系来进行通信。
概言之,各种实施例包括高效地确定交叠不当行为状况已出现并确定对该交叠不当行为状况的检测的置信水平的方法和系统。在V2X通信中,可以通过分析各种传感器数据来检测不当行为状况,以确保交通工具以一致的方式进行操作。一种类型的显著不当行为状况是位置交叠状况或简称为交叠状况。交叠不当行为状况出现在其中一个实体(例如,交通工具或行人)的尺寸边界与另一实体的尺寸边界交叠的实例中。这一状况将指示实体已经彼此碰撞或接触。如果交通工具继续行驶,则交通工具很有可能事实上不交叠,并因此指示这些交通工具中的一者或另一者的位置和/或边界尺寸是不值得信任的,并因此展现出交叠不当行为状况。
在大多数情况下,可存在各种各样的实体尺寸。例如,不同类型的实体(例如,交通工具、行人、卡车、摩托车和自行车)全都具有显著不同的尺寸,具体是不同的长度和不同的宽度。此外,不同的交通工具模型具有不同的尺寸(长度和宽度)。甚至同一模型的交通工具可被定制成具有不同尺寸(例如,长度和宽度)。因此,具有两个或更多个实体(例如,交通工具)的这些不同尺寸中的每一者的准确知识有助于准确地确定交叠不当行为状况是否将出现。给定实体尺寸的可变性,存储可能在ITS中遇到的每一个可能实体的尺寸可能是昂贵或资源禁止的。虽然实体尺寸可被估计,但这样的估计可导致不准确的不当行为状况检测。因此,为了提高V2X系统的准确性,确定对不当行为状况的检测的置信水平可以是有益的。例如,在不当行为状况检测的置信水平低于阈值水平的情况下,对出现不当行为状况的检测可被传送至不当行为管理机构以供确认该不当行为状况。
交叠状况可以在另一实体的尺寸边界的各部分在长度、宽度和高度中的任何一者上与另一实体的尺寸边界交叠时出现。为了易于引述,在地面行驶(即,道路)的上下文中描述各种实施例,在该上下文中长度和宽度的两个尺寸是关键的,并因此交通工具尺寸可被称为长度和宽度。然而,在一些应用中,三维交叠将会是重要的,诸如对于飞行无人机、航空器和船只。本文公开的各种实施例不旨在被限于地面行驶。各种实施例可包括基于实体长度、宽度和高度的三维边界。
在一些实例中,实际交叠状况可出现(例如,碰撞、事故等)。然而,交通工具一般尽力避免碰撞并因此避免交叠状况。然而,V2X系统可以在位置和/或定向传感器故障时检测到交叠状况并提供实体(例如,交通工具或行人)的不准确的位置和/或定向数据。此外,当恶意行为者侵入V2X系统并将损坏或不准确的实体位置数据注入系统时,V2X系统可能检测到交叠状况。因此,对交叠状况的检测可能是不准确的,这在支持交叠状况已出现的结论的传感器数据是不准确的情况下表示不当行为状况。因此,检测到与其他信息(诸如交通工具继续以正常速度行驶)不一致的交叠状况可被视作检测到不当行为状况已出现。
响应于检测到不当行为状况已出现,不当行为状况报告(MBR)可被生成并被传送至不当行为管理机构以确认该不当行为状况实际上已出现。MBR可包含支持不当行为状况已出现的结论的传感器数据。在一些实例中,不当行为管理机构可分析接收到的MBR以及支持传感器数据以确定各种传感器已故障并需要替换或维修。在其他实例中,不当行为管理机构可分析接收到的MBR和支持传感器数据以确定恶意行为者可能已经渗透到V2X系统中并破坏了传感器数据。
随着越来越多的V2X系统上线,正在生成和传送的潜在MBR数量可能会变得巨大。因此,在生成MBR并将其传送至不当行为管理机构之前计算检测到的不当行为状况是准确的置信水平可以是合乎需要的。
V2X系统和技术通过使得交通工具能够共享关于其定位、速度、行进方向、制动和对其他交通工具的防碰撞和其他安全性功能可能有用的其他因素的信息,从而对改进交通流和交通工具安全性持有巨大的前景。配备有V2X/V2V机载装备的交通工具将在称为基本安全消息(BSM)或协同感知消息(CAM)的分组中频繁(例如,每秒至多20次)地传送其交通工具信息。在所有配备V2X的交通工具传送此类BSM/CAM消息的情况下,所有接收方交通工具都具有控制其自身的速度和方向以避免碰撞并相对于彼此高效和安全地定位交通工具所要求的信息。可以预见,配备V2X的交通工具可以能够通过安全地缩短间隔距离、将若干交通工具排在一起、以及避免交通工具经历故障来改善交通流。
为了便于参考,本申请中的一些实施例被描述为由在V2X术语内操作的V2X系统参与者执行。然而,应当理解,各种实施例包括V2X/V2V或基于交通工具的通信标准、消息或技术中的任何者或所有。因此,本申请中的任何内容都不应当被解释为将权利要求限制于V2X/V2V系统,除非权利要求中明确如此说明。此外,本文中所描述的实施例讨论了执行V2X/V2V通信的机载装备。在V2X/V2V系统中,系统参与者装备可包括但不限于交通工具机载装备、移动设备和路侧单元(RSU)。RSU可包括驻定设备,诸如交通信号灯、路侧信标、交通相机等。每个系统参与者装备可以向其他系统参与者装备广播信息。例如,交通工具可以包含机载/仪表盘内装备和传感器,这些装备和传感器报告交通工具状况(例如,位置、定向、速度、尺寸等)。由行人和交通工具驾驶员(例如,摩托车、汽车、自行车驾驶员)携带的移动设备可包含报告行人状况(例如,位置、定向、速度、尺寸等)的传感器。交通工具、行人和RSU中的每一者可以是V2X系统参与者。仪表盘中/机载单元或移动设备中所包含的处理器可被认为是V2X系统参与者处理器。V2X系统参与者装备之间的V2X通信可允许在每个V2X系统参与者装备上执行的应用向交通工具和行人提供安全应用(例如,可确定即将来临的危险(诸如交通工具紧急制动或高速冲出盲道十字路口)的应用)或移动性(针对信号灯变化的规划),或提供整个交通工具运输系统内的其他有用功能。为了易于引述,以下描述的各实施例讨论交通工具(例如,汽车)。这一讨论不旨在限定任何实施例供与交通工具联用。相反,本文描述的实施例可由任何V2X系统参与者用来检测与任何其他V2X系统参与者的交叠状况。
不当行为报告是用于V2X通信的安全性系统的关键部分。在不当行为报告中,现场设备—交通工具或路侧单元(RSU)—观察V2X消息,确定这些V2X消息的内容与V2X系统参与者传感器和观察数据的总体不一致,并生成可被发送到不当行为管理机构的不当行为报告(MBR)。在V2X消息与交通工具传感器和观察数据的总体不一致的情况下,不当行为状况可被检测到并且MBR可被生成。不当行为管理机构可聚集来自不同报告方V2X系统参与者(来自该不当行为管理机构的整个负责区域)的MBR并确定对这些MBR的可能响应。可存在各种各样的潜在响应,尤其包括:确定MBR实际上未报告有效的不当行为状况;确定所报告的MBR是实际不当行为状况,但造成的破坏如此之小以至于修复它的成本将大于让它继续的成本;确定报告方V2X参与者具有不好的软件并需要更新;确定与V2X参与者相关联的签名密钥已经从V2X系统参与者提取并正被用来在全国范围内对坏消息发起攻击,并因此需要撤消设备密钥以使得没有人再信任它们了。
在大多数V2X系统中,不当行为管理机构可能需要足够的证据来验证/确认所生成的MBR的准确性,即如果所呈现的证据是正确的,则已在MBR中报告的不当行为状况的确是不当行为。足够的证据可取决于不当行为状况的特定类型而变化。例如,声称来自每小时1000英里行驶的V2X参与者的MBR本身可被认为是不当行为状况,而无需任何证据,因为没有在V2X系统中操作的已知交通工具能够达到这一速度。在其他情形中,报告方V2X参与者(即,第一交通工具)可被请求发送附加数据(诸如传感器数据)—例如在以下情况下:所报告的V2X消息来自声称毗邻正报告该MBR的V2X参与者的交通工具(即,第二交通工具),但报告方V2X参与者的传感器数据未检测到任何此类毗邻的第二交通工具。因此,接收原始V2X消息的报告方V2X参与者(例如,第一交通工具)可确定对于所宣称的毗邻的第二交通工具不当行为状况已出现。然而,在许多情况下,尽管包括传感器数据引发关于报告者的可信度的担忧,但包括此类传感器数据可准许不当行为管理机构获得对潜在不当行为的全面得多的描绘,并因此将此类支持传感器数据与MBR包括在一起应当是标准做法。
可被V2X系统检测到的显著的不当行为状况是定位交叠。由于真实世界中的定位交叠指示两个交通工具之间的碰撞或即将发生的碰撞,因此交通工具操作以避免潜在交叠。为了确定定位交叠是否已出现,需要关于第一交通工具的定位、定向和尺寸以及第二交通工具的定位、定向和尺寸的知识。对这些变量中的任何一者的简化可允许更高效地检测定位交叠状况。因此,本文公开的各种实施例包括通过限制需要被评估的可能交通工具尺寸的数目来简化对定位交叠状况的检测的方法。虽然此类限制可允许更高效地检测定位交叠状况,但此类检测可能是不准确的。因此,各种实施例包括用于确定对定位交叠状况的检测的置信水平的方法。
各种实施例可以在各种各样的V2X系统参与者内实现,该V2X系统参与者的示例交通工具101在图1A和图1B中解说。参照图1A和1B,交通工具101可包括控制单元140和多个传感器144-170,包括卫星地理定位系统接收机142、占用传感器144、146、148、150、152、胎压传感器154、156、相机158、160、话筒162、164、撞击传感器166、雷达168和激光雷达170。设置在交通工具中或交通工具上的该多个传感器144-170可以用于各种目的,诸如自主和半自主导航和控制、防撞、定位确定等,以及提供关于在交通工具101之中或之上的对象和人的传感器数据。传感器144-170可包括能够检测对导航和防撞有用的各种信息的多种多样的传感器中的一个或多个传感器。传感器144-170中的每一个传感器可以与控制单元140以及彼此进行有线或无线通信。具体而言,传感器可包括一个或多个相机158、160或其他光学传感器或光电传感器。传感器可进一步包括其他类型的对象检测和测距传感器,诸如雷达168、激光雷达170、IR传感器和超声传感器。传感器可进一步包括胎压传感器154、156、湿度传感器、温度传感器、卫星地理定位传感器142、控制输入传感器145、加速度计、振动传感器、陀螺仪、重力仪、撞击传感器166、测力计、压力计、应变传感器、流体传感器、化学传感器、气体含量分析仪、pH传感器、辐射传感器、盖革计数器、中子检测器、生物材料传感器、话筒162、164、占用传感器144、146、148、150、152、邻近度传感器和其他传感器。
交通工具控制单元140可以配置有处理器可执行指令以使用从各种传感器(特别是相机158、160)接收到的信息来执行导航和防撞操作。在一些实施例中,控制单元140可以使用可以从雷达168和/或激光雷达170传感器获得的距离和相对定位(例如,相对方位角)来补充对相机图像的处理。控制单元140可被进一步配置成使用利用各种实施例确定的关于其他交通工具的信息来控制交通工具101在自主或半自主模式下操作时的转向、制动和速度。
图1C是解说适合于实现各个实施例的组件和支持系统的通信系统100的组件框图。参照图1A-1C,交通工具101可包括控制单元140,其可包括用于控制交通工具101的操作的各种电路和设备。在图1D中所解说的示例中,控制单元140包括处理器140a、存储器140b、输入模块140c、输出模块140d和无线电模块140e。控制单元140可被耦合到并且被配置成控制交通工具101的驾驶控制组件172a、导航组件172b、以及一个或多个传感器172c。处理器140a可配置有处理器可执行指令,以控制交通工具101的机动、导航和/或其他操作,包括各种实施例的操作。处理器140a可耦合到存储器140b。
无线电模块140e可被配置成用于无线通信。无线电模块140e可以经由通信链路122与网络收发机(例如,基站110)交换信号(例如,用于控制机动的命令信号、来自导航设施的信号等),并且可将信号提供给处理器140a和/或导航单元172b。在一些实施例中,无线电模块140e可以使得交通工具101能够通过无线通信链路124与无线通信设备120通信。无线通信链路124可以是双向或单向通信链路,并且可以使用一个或多个通信协议,如所描述的。
输入模块140c可以接收来自一个或多个交通工具传感器172c的传感器数据以及来自其他组件(包括驱动控制元件172a和导航组件172b)的电子信号。输出模块140d可与交通工具101的各种组件通信或致动这些组件,包括驱动控制组件172a、导航组件172b和(一个或多个)传感器172c。
控制单元140可被耦合到驾驶控制组件172a,以控制交通工具101的与交通工具的机动和导航有关的物理元件,诸如引擎、马达、油门、转向元件、飞行控制元件、制动或减速元件等等。驾驶控制组件172a还可包括控制交通工具的其他设备的组件,这些其他设备包括环境控件(例如,空调和加热)、外部和/或内部照明、内部和/或外部信息显示器(其可包括显示屏或其他用于显示信息的设备)、安全设备(例如,触觉设备、听觉警报等)和其他类似设备。
控制单元140可耦合到导航组件172b,并且可接收来自导航组件172b的数据且被配置成使用此类数据来确定交通工具101的当前位置和取向、以及朝向目的地的恰适路线。导航组件172b可包括或耦合到使得交通工具101能够使用全球导航卫星系统(GNSS)信号来确定其当前位置的GNSS接收机系统(例如,一个或多个全球定位系统(GPS)接收机)。替换地或附加地,导航组件172b可包括无线电导航接收机,用于从无线电节点(诸如Wi-Fi接入点、蜂窝网络站点、无线电站、远程计算设备、其他交通工具等)接收导航信标或其他信号。通过对驾驶控制元件172b的控制,处理器140a可以控制交通工具101进行导航和机动。处理器140a和/或导航组件172b可被配置成经由无线通信链路122、126与诸如通信网络(例如,核心网132)中的服务器之类的网络组件通信,以接收控制机动的命令、接收导航中有用的数据、提供实时位置报告,并评估其他数据。
控制单元140可耦合到一个或多个传感器172c。(诸)传感器172c可包括如所描述的传感器144-170,并且可被配置成向处理器140a提供各种数据。
尽管控制单元140被描述为包括分开的组件,但是在一些实施例中,一些或全部组件(例如,处理器140a、存储器140b、输入模块140c、输出模块140d和无线电模块140e)可被集成在单个设备或模块(诸如片上系统(SOC)处理设备)中。此类SOC处理设备可以被配置成在交通工具中使用,并且被配置成(诸如用在处理器140a中执行的处理器可执行指令)当被安装在交通工具中时使用本地动态地图(LDM)数据来执行导航和防碰撞的操作。
图1D解说了包括三个交通工具12、14、16的V2X系统103的一部分。在所解说的示例中,每个交通工具12、14、16分别包括V2X机载装备102、104、106,它们被配置成周期性地广播基本安全消息30、40、50,以供其他交通工具的机载装备(例如,102、104、106)接收和处理。通过共享交通工具位置、速度、方向、制动和其他信息,交通工具可以保持安全间隔以及标识和避免潜在碰撞。例如,从领先交通工具16接收到基本安全消息的尾随交通工具12可以确定交通工具16的速度和位置,这进而使交通工具12能够匹配该速度并保持安全间隔距离20。通过在领先交通工具16施加制动时经由基本安全消息40来得到通知,即使在领先交通工具16突然施加制动时,尾随交通工具12中的V2X装备102也可以同时施加制动以维持安全间隔距离20。作为另一示例,卡车交通工具14内的V2X装备104可以从两个交通工具12、16接收基本安全消息30、50,并因此被通知该载重交通工具14应当在交叉路口停车以避免碰撞。交通工具V2X机载装备102、104、106中的每一者可以使用各种近邻近度通信协议中的任一种协议来彼此通信。另外,交通工具能够通过通信网络18(例如,蜂窝、WiFi等)经由通信链路60、62将关于检测到的基本安全消息以及检测到的不当行为报告的数据和信息传送至原始装备制造商(OEM)(70、72)和/或远程不当行为管理机构。MBR可被直接传送给不当行为管理机构74(例如,通过通信链路64、66)。在其他实施例中,MBR可首先通过通信链路64、66被传送至MBR预处理单元(诸如OEM服务器70、72)以供进行预处理。然后,经预处理MBR可以通过通信链路64、66从MBR预处理单元70、72传送至不当行为管理机构74。在其他实施例中,MBR可以在远程不当行为管理机构74处从交通工具(诸如从交通工具16)接收。远程不当行为管理机构74可经由通信链路64、66将接收到的MBR从交通工具16中继至OEM服务器70、72上。另外,OEM服务器70、72可经由通信链路64、66向远程不当行为管理机构74提供确认报告。
图2A是解说示例不当行为管理系统200的组件的组件框图。交通工具处理系统200可包括可在交通工具101内利用的各种子系统、通信元件、计算元件、计算设备或单元。参照图1A至2A,不当行为管理系统200内的各种计算元件、计算设备或单元可以在互连的计算设备(即,子系统)的系统内实现,这些互连的计算设备向彼此传达数据和命令(例如,由图2A中的箭头所指示的)。在一些实现中,不当行为管理系统200内的各种计算元件、计算设备或单元可以在单个计算设备内实现,诸如单独的线程、进程、算法或计算元件。因此,图2A中所解说的每个子系统/计算元件在本文中也通常被称为构成不当行为管理系统200的计算“堆栈”内的“层”。然而,在描述各种实施例时使用术语层和栈并不旨在暗示或要求对应的功能性在单个自主(或半自主)交通工具管理系统计算设备内实现,尽管这是潜在的实现实施例。相反,对术语“层”的使用旨在包括具有独立处理器的子系统、在一个或多个计算设备中运行的计算元件(例如,线程、算法、子例程等)以及子系统和计算元件的组合。
不当行为管理系统堆栈可包括雷达感知层202、相机感知层204、定位引擎层206、地图融合和仲裁层208、路线规划层210、传感器融合和道路世界模型(RWM)管理层212、运动规划和控制层214、以及行为规划和预测层216。层202-216仅仅是不当行为管理系统堆栈200的一个示例配置中的一些层的示例。在其他配置中,可以包括其他层,诸如用于其他感知传感器的附加层(例如,激光雷达感知层等)、用于规划和/或控制的附加层、用于模型的附加层等,和/或可以从不当行为管理系统堆栈200中排除某些层202-216。如图2A中的箭头所解说的,层202-216中的每一层可以交换数据、计算结果和命令。此外,不当行为管理系统堆栈200可以接收和处理来自传感器(例如,雷达、激光雷达、相机、惯性测量单元(IMU)等)、导航系统(例如,GPS接收机、IMU等)、交通工具网络(例如,控制器区域网(CAN)总线)和存储器中的数据库(例如,数字地图数据)的数据。不当行为管理系统栈200可以将交通工具控制命令或信号输出到线控驱动(DBW)系统/控制单元220,其是直接与交通工具转向、油门和制动控制对接的系统、子系统或计算设备。图2A中所解说的不当行为管理系统堆栈200和DBW系统/控制单元220的配置仅仅是示例配置,并且可以使用交通工具管理系统和其他交通工具组件的其他配置。作为示例,图2A中解说的不当行为管理系统栈200和DBW系统/控制单元220的配置可以在被配置用于自主或半自主操作的交通工具中使用,而不同的配置可以在非自主交通工具中使用。
雷达感知层202可以从一个或多个检测和测距传感器(诸如雷达(例如,132)和/或激光雷达(例如,138))接收数据,并处理数据以识别并确定交通工具100附近的其他交通工具和对象的位置。雷达感知层202可包括使用神经网络处理和人工智能方法来识别对象和交通工具,并将此类信息传递到传感器融合和RWM管理层212。
相机感知层204可以从一个或多个相机(诸如相机(例如,158、160))接收数据,并处理该数据以识别和确定在交通工具100附近的其他交通工具和对象的位置。相机感知层204可包括使用神经网络处理和人工智能方法来识别对象和交通工具,并将此类信息传递到传感器融合和RWM管理层212。
定位引擎层206可以从各种传感器接收数据并处理该数据以确定交通工具100的位置。各种传感器可包括但不限于GPS传感器、IMU和/或经由CAN总线连接的其他传感器。定位引擎层206还可以利用来自一个或多个相机(诸如相机(例如,158、160))和/或任何其他可用传感器(诸如雷达、LIDAR等)的输入。
不当行为管理系统200可包括或耦合到交通工具无线通信子系统230。无线通信子系统230可以被配置成:诸如经由交通工具到交通工具(V2V)通信链路与其他交通工具计算设备和高速公路通信系统通信,和/或经由蜂窝无线通信系统(诸如5G网络)与远程信息源(诸如基于云的资源)通信。在各种实施例中,无线通信子系统230可经由无线通信链路与其他V2X系统参与者通信,以接收V2X消息以及可支持关于检测到不当行为状况的结论的传感器数据。
地图融合和仲裁层208可接入接收自其他V2X系统参与者的传感器数据,以及接收从定位引擎层206接收的输出,以及处理数据以进一步确定交通工具101在地图内的位置,诸如交通车道内的位置、街道地图内的定位等,传感器数据可被存储在存储器(例如,存储器312)中。例如地图融合和仲裁层208可以将来自GPS的纬度和经度信息转换为传感器数据中包含的道路表面地图内的位置。GPS定位锁定包括误差,因此地图融合和仲裁层208可以基于GPS坐标和传感器数据之间的仲裁来确定交通工具在道路内的最佳猜测位置。例如,虽然GPS坐标可将交通工具放置在传感器数据中双车道道路的中间附近,但地图融合和仲裁层208可根据行驶方向确定该交通工具最有可能与和行驶方向一致的行驶车道对准。地图融合和仲裁层208可以将基于地图的位置信息传递给传感器融合和RWM管理层212。
路线规划层210可以利用传感器数据以及来自操作员或调度员的输入来规划将由交通工具101遵循的到特定目的地的路线。路线规划层210可以将基于地图的位置信息传递给传感器融合和RWM管理层212。然而,其他层(诸如传感器融合和RWM管理层212等)不要求对先验地图的使用。例如,其他栈可以在没有所提供地图的情况下仅基于感知数据来操作和/或控制交通工具,随着接收到感知数据而构建车道、边界和局部地图的概念。
传感器融合和RWM管理层212可接收由雷达感知层202、相机感知层204、地图融合和仲裁层208以及路线规划层210生成的数据和输出,并使用部分或全部此类输入来估计或细化交通工具101相对于道路的位置和状态、道路上的其他交通工具、以及交通工具100附近的其他对象。例如,传感器融合和RWM管理层212可以将来自相机感知层204的图像数据与来自地图融合和仲裁层208的仲裁地图位置信息相组合,以细化交通工具在交通车道内的所确定定位。作为另一示例,传感器融合和RWM管理层212可以将来自相机感知层204的对象识别和图像数据与来自雷达感知层202的对象检测和测距数据相组合,以确定和细化在该交通工具附近的其他交通工具和对象的相对定位。作为另一示例,传感器融合和RWM管理层212可以从交通工具到交通工具(V2V)通信(诸如经由CAN总线)接收关于其他交通工具位置和行驶方向的信息,并将该信息与来自雷达感知层202和相机感知层204的信息相组合,以细化其他交通工具的位置和运动。传感器融合和RWM管理层212可以将交通工具100的经细化的位置和状态信息以及在该交通工具附近的其他交通工具和对象的经细化的位置和状态信息输出到运动规划和控制层214和/或行为规划和预测层216。
作为进一步的示例,传感器融合和RWM管理层212可以使用动态交通控制指令来指导交通工具101改变速度、车道、行驶方向或(诸)其他导航元素,并将该信息与其他接收到的信息相组合以确定经细化的位置和状态信息。传感器融合和RWM管理层212可以将交通工具101的经细化的位置和状态信息以及在交通工具100附近的其他交通工具和对象的经细化的位置和状态信息经由无线通信(诸如通过C-V2X连接、其他无线连接等)输出到运动规划和控制层214、行为规划和预测层216和/或远离交通工具101的设备,诸如数据服务器、其他交通工具等。
作为再进一步的示例,传感器融合和RWM管理层212可以监视来自各种传感器的感知数据(诸如来自雷达感知层202、相机感知层204、其他感知层等的感知数据)和/或来自一个或多个传感器本身的数据以分析交通工具传感器数据中的状况。传感器融合和RWM管理层212可被配置成检测传感器数据中的状况,诸如传感器测量处于、高于或低于阈值、发生某些类型的传感器测量等,并且可以经由无线通信(诸如经由C-V2X连接、其他无线连接等)将传感器数据输出为提供给行为规划和预测层216和/或远离交通工具100的设备(诸如数据服务器、其他交通工具等)的交通工具101的经细化的位置和状态信息的一部分。
经细化位置和状态信息可包括与交通工具以及交通工具所有者和/或操作者相关联的交通工具描述符,诸如:交通工具规格(例如,尺寸、重量、颜色、机载传感器类型等);交通工具定位、速度、加速度、行驶方向、姿态、取向、目的地、(诸)燃油/功率水平和其他状态信息;交通工具紧急状态(例如,交通工具是紧急交通工具还是紧急情况下的私人交通工具);交通工具约束(例如,重载/宽载、转弯约束、高占用交通工具(HOV)授权等);交通工具的能力(例如,全轮驱动、四轮驱动、雪地轮胎、链条、支持的连接类型、机载传感器工作状态、机载传感器分辨率水平等);装备问题(例如,低胎压、小断裂、传感器故障等);所有者/操作者行驶偏好(例如,优选车道、道路、路线和/或目的地、避免通行费或高速公路的偏好、最快路线的偏好等);向数据代理服务器提供传感器数据的准许(例如184);和/或所有者/操作者标识信息。
自主交通工具系统堆栈200的行为规划和预测层216可以使用交通工具101的经细化的位置和状态信息以及从传感器融合和RWM管理层212输出的其他交通工具和对象的位置和状态信息来预测其他交通工具和/或对象的将来行为。例如,行为规划和预测层216可以使用此类信息以基于自己的交通工具位置和速度以及在该交通工具附近的其他交通工具的位置和速度来预测这些其他交通工具的将来相对位置。此类预测可以计及来自LDM数据和路线规划的信息,以预计随着主交通工具和其他交通工具沿道路的相对交通工具定位变化。行为规划和预测层216可以将其他交通工具和对象行为和位置预测输出到运动规划和控制层214。附加地,行为规划和预测层216可以使用对象行为结合位置预测来规划和生成用于控制交通工具101的运动的控制信号。例如,基于路线规划信息、道路信息中的经细化的位置以及其他交通工具的相对位置和运动,行为规划和预测层216可以确定交通工具101需要改变车道和加速,诸如以维持或达到与其他交通工具的最小间距、和/或为转弯或出口做准备。结果,行为规划和预测层216可以计算或以其他方式确定轮子的转向角和对油门设置的改变,该转向角和对油门设置的改变将连同实现这样的变道和加速所必需的各种此类参数一起被发命令给运动规划和控制层214和DBW系统/控制单元220。一个此类参数可以是计算出的方向盘命令角。
运动规划和控制层214可以接收来自传感器融合和RWM管理层212的数据和信息输出、和来自行为规划和预测层216的其他交通工具和对象行为以及位置预测,并使用该信息来规划和生成用于控制交通工具101的运动的控制信号,以及验证此类控制信号满足交通工具100的安全性要求。例如,基于路线规划信息、道路信息中的经细化的位置以及其他交通工具的相对位置和运动,运动规划和控制层214可验证各种控制命令或指令并将其传递至DBW系统/控制单元220。
DBW系统/控制单元220可以从运动规划和控制层214接收命令或指令,以及将此类信息转换为用于控制交通工具100的轮子角度、制动和油门的机械控制信号。例如,DBW系统/控制单元220可以通过向转向轮控制器发送对应的控制信号来响应计算出的转向轮命令角度。
在各种实施例中,无线通信子系统230可以经由无线通信链路与其他V2X系统参与者通信,以传送传感器数据、定位数据、交通工具数据和机载传感器所收集的关于交通工具周围环境的数据。其他V2X系统参与者可使用此类信息更新所存储的传感器数据,以供中继至其他V2X系统参与者。
在各种实施例中,违规行为管理系统堆栈200可包括对可能影响交通工具和乘员安全的各层的各种命令、规划或其他决策执行安全性检查或监督的功能性。。此类安全性检查或监督功能性可以在专用层内实现或分布在各个层之间并被包括作为该功能性的一部分。在一些实施例中,各种安全性参数可以被存储在存储器中,并且安全性检查或监督功能性可以将所确定的值(例如,与近旁交通工具的相对间距、与道路中心线的距离等)与对应的(诸)安全性参数进行比较,并在违背或将违背安全性参数的情况下发出警告或命令。例如,行为规划和预测层216中(或单独的层中)的安全性或监督功能可以确定另一交通工具(如由传感器融合和RWM管理层212定义的)与该交通工具之间的当前或将来分隔距离(例如,基于由传感器融合和RWM管理层212细化的世界模型),将该分隔距离与存储在存储器中的安全分隔距离参数进行比较,以及在当前或预测的分隔距离违背安全分隔距离参数的情况下向运动规划和控制层214发出指令以进行加速、减速或转弯。作为另一示例,运动规划和控制层214中(或单独的层中)的安全性或监督功能性可以将所确定的或被命令的方向盘命令角与安全轮子角度限制或参数进行比较,并响应于被命令的角度超过安全轮子角度限制而发出超驰命令和/或警报。
存储在存储器中的一些安全性参数可以是静态的(即,不随时间变化),诸如最大交通工具速度。存储在存储器中的其他安全性参数可以是动态的,因为这些参数是基于交通工具状态信息和/或环境状况来持续地或周期性地被确定或更新的。安全性参数的非限制性示例包括:最大安全速度、最大制动压力、最大加速度和安全轮子角度限制,所有这些参数可以因变于道路和天气状况。
图2B解说了可以在交通工具101内利用的交通工具管理系统250内的子系统、计算元件、计算设备或单元的示例。参照图1A-2B,在一些实施例中,不当行为管理系统栈200的层202、204、206、208、210、212和216可以类似于参照图2A描述的那些层,并且不当行为管理系统栈250可以与不当行为管理系统栈200类似地操作,不同之处在于不当行为管理系统栈250可以将各种数据或指令传递给交通工具安全和防撞系统252,而不是DBW系统/控制单元220。例如,图2B中所解说的不当行为管理系统栈250与交通工具安全性和防撞系统252的配置可以在非自主交通工具中使用。
在各个实施例中,行为规划和预测层216和/或传感器融合和RWM管理层212可以将数据输出到交通工具安全性和防撞系统252。例如,传感器融合和RWM管理层212可以输出传感器数据,作为提供给交通工具安全性和防碰撞系统252的、交通工具101的经细化的位置和状态信息的一部分。交通工具安全性和防碰撞系统252可以使用交通工具101的经细化的位置和状态信息来作出关于交通工具101和/或交通工具100的乘员的安全性确定。作为另一示例,行为规划和预测层216可以将与其他交通工具的运动相关的行为模型和/或预测输出到交通工具安全性和防碰撞系统252。交通工具安全性和防碰撞系统252可以使用与其他交通工具的运动相关的行为模型和/或预测来作出关于交通工具101和/或交通工具101的乘员的安全性确定。
在各个实施例中,交通工具安全性和防碰撞系统252可包括对可能影响交通工具和乘员安全性的各个层的各种命令、规划或其他决策以及人类驾驶员动作执行安全性检查或监督的功能性。在一些实施例中,各种安全性参数可以被存储在存储器中,并且交通工具安全性和防碰撞系统252可以将所确定的值(例如,与近旁交通工具的相对间距、与道路中心线的距离等)与对应的(诸)安全性参数进行比较,并在违背或将违背安全性参数的情况下发出警告或命令。例如,交通工具安全性和防碰撞系统252可以确定另一交通工具(如由传感器融合和RWM管理层212定义的)与该交通工具之间的当前或将来分隔距离(例如,基于由传感器融合和RWM管理层212细化的世界模型),将该分隔距离与被存储在存储器中的安全分隔距离参数进行比较,以及在当前或预测的分隔距离违背安全分隔距离参数的情况下向驾驶员发出指令以进行加速、减速或转弯。作为另一示例,交通工具安全性和防碰撞系统252可以将人类驾驶员的方向盘角度改变与安全轮子角度限制或参数进行比较,并响应于方向盘角度超过安全轮子角度限制而发出超驰命令和/或警报。
图3解说了适合于在交通工具中实现各个实施例的处理设备片上系统(SOC)300的示例SOC架构。参照图1A至3,处理设备SOC 300可包括数个异构处理器,诸如数字信号处理器(DSP)303、调制解调器处理器304、图像和对象识别处理器306、移动显示处理器307、应用处理器308、以及资源和功率管理(RPM)处理器317。处理设备SOC 300还可包括一个或多个协处理器310(例如,向量协处理器),其连接到异构处理器303、304、306、307、308、317中的一者或多者。这些处理器中的每一者可包括一个或多个核、以及独立/内部时钟。每个处理器/核可以独立于其他处理器/核来执行操作。例如,处理设备SOC 300可包括执行第一类型的操作系统(例如,FreeBSD、LINUX、OS X等)的处理器和执行第二类型的操作系统(例如,微软Windows)的处理器。在一些实施例中,应用处理器308可以是SOC 300的主处理器、中央处理单元(CPU)、微处理器单元(MPU)、算术逻辑单元(ALU)等。图形处理器306可以是图形处理单元(GPU)。
处理设备SOC 300可包括模拟电路系统和定制电路系统314,以用于管理传感器数据、模数转换、无线数据传输,并且用于执行其他专门操作,诸如处理经编码音频和视频信号以供在web浏览器中渲染。处理设备SOC 300可进一步包括系统组件和资源316,诸如电压调节器、振荡器、锁相环、外围桥接器、数据控制器、存储器控制器、系统控制器、访问端口、定时器、以及用于支持在计算设备上运行的处理器和软件客户端(例如,web浏览器)的其他类似组件。
处理设备SoC 300还可包括用于相机致动和管理的专用电路系统(CAM)305,该CAM305包括、提供、控制和/或管理以下各项的操作:一个或多个相机158、160(例如,主相机、网络相机、3D相机等)、来自相机固件的视频显示数据、图像处理、视频预处理、视频前端(VFE)、内嵌JPEG、高清视频编解码器等。CAM 305可以是独立的处理单元和/或包括独立或内部时钟。
在一些实施例中,图像和对象识别处理器306可被配置有处理器可执行指令和/或专门硬件,其被配置成执行各个实施例中涉及的图像处理和对象识别分析。例如,图像和对象识别处理器306可被配置成执行处理经由CAM 305从相机(例如,158、160)接收的图像以识别和/或标识其他交通工具的操作,以及以其他方式执行如所描述的相机感知层204的功能。在一些实施例中,处理器306可被配置成处理雷达或激光雷达数据并执行如所描述的雷达感知层202的功能。
系统组件和资源316、模拟和定制电路系统314和/或CAM 305可包括与外围设备(诸如相机158、160、雷达168、激光雷达170、电子显示器、无线通信设备、外部存储器芯片等)对接的电路系统。处理器303、304、306、307、308可经由互连/总线模块324被互连至一个或多个存储器元件312、系统组件和资源316、模拟和定制电路系统314、CAM 305和RPM处理器317,互连/总线模块324可包括可重配置逻辑门阵列和/或实现总线架构(例如,CoreConnect、AMBA等)。通信可由高级互连(诸如高性能片上网络(NoC))来提供。
处理设备SOC 300可进一步包括输入/输出模块(未解说),以用于与SOC外部的资源(诸如时钟318和电压调节器320)通信。SOC外部的资源(例如,时钟318、电压调节器320)可以由两个或更多个内部SOC处理器/核(例如,DSP 303、调制解调器处理器304、图形处理器306、应用处理器308等)共享。
在一些实施例中,处理设备SOC 300可被包括在控制单元(例如,140)中以供在交通工具(例如,100)中使用。控制单元可包括用于与电话网络(例如,180)、因特网和/或网络服务器(例如,184)通信的通信链路,如所描述的。
处理设备SOC 300还可包括适合于从传感器收集传感器数据的附加硬件和/或软件组件,传感器包括运动传感器(例如,IMU的加速度计和陀螺仪)、用户接口元件(例如,输入按钮、触摸屏显示器等)、话筒阵列、用于监视物理状况(例如,位置、方向、运动、取向、振动、压力等)的传感器、相机、罗盘、GPS接收机、通信电路系统(例如,WLAN、WiFi等)和现代电子设备的其他众所周知的组件。
为了最小化可能的尺寸值以计算可能的定位交叠不当行为状况,V2X系统参与者处理器可将阈值交通工具模型数据指派给第二交通工具。然而,如果尺寸值没有准确地表示第二交通工具,则对定位交叠不当行为状况的检测可能是假肯定状况。图4A解说了可以在选取了准确的阈值交通工具模型和选取了不准确的阈值交通工具模型时出现的数个示例场景以及来自此类选择的所得结论。在所解说的每一个场景中,第一交通工具(例如,报告方交通工具)被解说为在“顶部”位置,第二交通工具(例如,毗邻交通工具)被解说为在“底部”位置。
参照图1A-4A,在场景350-357中的每一者中,第一交通工具可使用第一交通工具长度和第一交通工具宽度的硬编码的默认值。在其他实施例中,第一交通工具可基于所选阈值交通工具模型来指派第一交通工具长度和第一交通工具宽度。在场景350中解说的示例中,第二交通工具是被指派“大”阈值交通工具模型的“大”交通工具,并且第一交通工具和第二交通工具的所报告的其中至少一者是不准确的定位,结果导致定位交叠。因此,在场景350中,定位交叠不当行为状况已出现(除非第二交通工具真的部分地处在第一交通工具的主干以内,诸如在碰撞后)。第一交通工具和第二交通工具被确定为彼此定位太近并且第一和第二交通工具被指派来自所选阈值交通工具模型集的准确尺寸。因此,已被检测到的交叠不当行为状况可以是这两个交通工具的尺寸边界交叠的具有高置信值的肯定不当行为事件。该场景可被认为是真肯定事件。换言之,这是肯定事件,因为第一交通工具和第二交通工具已被检测到定位交叠,并且这是真肯定,因为在“真实世界/基本真相”中的确存在定位交叠。
在场景351中所解说的示例中,第二交通工具是被不准确地指派“大”阈值交通工具模型的“小”交通工具。由此,第二交通工具被指派来自所选阈值交通工具模型集的不准确尺寸。由此,在场景351中,可能已出现假肯定定位交叠不当行为状况。尽管第一交通工具和第二交通工具彼此正确定位以避免定位交叠,但第二交通工具被指派来自“大”阈值交通工具模型的不准确尺寸。由此,已检测到定位交叠不当行为状况,但所检测到的定位交叠不当行为状况是假肯定事件。换言之,这是肯定事件,因为第一交通工具和第二交通工具已被检测到定位交叠。然而,这是假肯定事件,因为在“真实世界/基本真相”中不存在定位交叠。
在场景352中所解说的示例中,第二交通工具是被准确地指派“小”阈值交通工具模型的“小”交通工具。由此,第二交通工具被指派来自所选阈值交通工具模型集的准确尺寸。由此,在场景352中,未检测到定位交叠。在场景352中,第一交通工具和第二交通工具彼此正确定位以避免定位交叠,第二交通工具被指派来自“小”阈值交通工具模型的准确尺寸。由此,尚未检测到定位交叠不当行为状况,这是真否定事件。换言之,这是否定事件,因为第一交通工具和第二交通工具已被检测到未定位交叠,并且这是真否定,因为在“真实世界/基本真相”中的确不存在定位交叠。
在场景353中所解说的示例中,第二交通工具是被不准确地指派“小”阈值交通工具模型的“大”交通工具。由此,第二交通工具被指派来自所选阈值交通工具模型集的不准确尺寸。由此,在场景353中,可能已出现假否定定位交叠不当行为状况。在场景353中,第一交通工具和第二交通工具被不恰当地彼此定位以使得定位交叠将在真实尺寸已被应用于这两个交通工具的情况下被检测到。然而,由于第二交通工具被指派来自“小”阈值交通工具模型的不准确尺寸,因此尚未检测到定位交叠不当行为状况,这是假否定事件。换言之,这是否定事件,因为第一交通工具和第二交通工具已被检测到未定位交叠。然而,这是假否定事件,因为在“真实世界/基本真相”中的确存在定位交叠。
在场景354中所解说的示例中,第二交通工具是被准确地指派“大”阈值交通工具模型的“小”交通工具。由此,第二交通工具被指派来自所选阈值交通工具模型集的不准确尺寸。然而,这些交通工具被定位成足够远离以使得即使第二交通工具的边界尺寸是不正确的,也不存在定位交叠。由此,在场景354中,已出现真否定定位交叠状况。在场景354中,第一交通工具和第二交通工具彼此恰适定位以避免定位交叠,即使第二交通工具被指派来自“大”阈值交通工具模型的不准确尺寸。尽管不准确的尺寸被指派给“小”交通工具,但尚未检测到定位交叠不当行为状况,并且未检测到定位交叠状况是真否定事件。换言之,这是否定事件,因为第一交通工具和第二交通工具已被检测到未定位交叠,并且这是真否定,因为在“真实世界/基本真相”中的确不存在定位交叠。
在场景355中所解说的示例中,第二交通工具是被准确地指派“小”阈值交通工具模型的“小”交通工具,并且第二交通工具被指派来自所选阈值交通工具模型集的准确尺寸。由此,在场景355中,已出现真否定定位交叠状况。在场景355中,第一交通工具和第二交通工具彼此恰适定位以避免定位交叠,第二交通工具被指派来自“小”阈值交通工具模型的准确尺寸。由此,尚未检测到定位交叠不当行为状况,未检测定位交叠状况是真否定事件。换言之,这是否定事件,因为第一交通工具和第二交通工具已被检测到未定位交叠,并且这是真否定,因为在“真实世界/基本真相”中的确不存在定位交叠。
在场景356中所解说的示例中,第二交通工具是被准确地指派“小”阈值交通工具模型的“小”交通工具。由此,第二交通工具被指派来自所选阈值交通工具模型集的准确尺寸。由此,在场景356中,可能已出现真肯定位置交叠状况。在场景356中,第一交通工具和第二交通工具彼此不恰当地定位以产生定位交叠,第二交通工具被指派来自“小”阈值交通工具模型的准确尺寸。由此,已检测到定位交叠不当行为状况,检测到定位交叠状况是真肯定事件。换言之,这是肯定事件,因为第一交通工具和第二交通工具已被检测到定位交叠,并且这是真肯定,因为在“真实世界/基本真相”中的确存在定位交叠。
在场景357中所解说的示例中,第二交通工具是被准确地指派“大”阈值交通工具模型的“小”交通工具。然而,尽管被指派不准确的大尺寸,但第二交通工具被定位成太接近第一交通工具以导致定位交叠不当行为状况。由此,在场景357中,可能已出现真肯定定位交叠状况。在场景357中,第一交通工具和第二交通工具彼此不恰当地定位以产生定位交叠,第二交通工具被指派来自“大”阈值交通工具模型的不准确尺寸。尽管尺寸指派不准确,但已检测到定位交叠不当行为状况,检测到定位交叠状况是真肯定事件。换言之,这是肯定事件,因为第一交通工具和第二交通工具已被检测到定位交叠,并且这是真肯定,因为在“真实世界/基本真相”中的确存在定位交叠。
图4B解说了可以在不准确的尺寸被指派给其他V2X系统参与者(诸如行人)时出现的定位交叠不当行为状况检测异常的附加示例。参照图1A-图4B,在场景358中所解说的示例中,类似于场景354,第二交通工具是被准确地指派“大”阈值交通工具模型的“大”交通工具。由此,第二交通工具被指派来自所选阈值交通工具模型集的准确尺寸。在场景354中,第一交通工具和第二交通工具彼此恰适定位以避免定位交叠,第二交通工具被指派来自“大”阈值交通工具模型的准确尺寸。由此,在场景358中,可能已出现真否定定位交叠状况。
在场景359和360中,其他V2X系统参与者可以是正携带能够通过V2X系统进行通信的移动设备的行人。作为行人,该实体可具有比当前地理区域中的最小汽车长度更短且宽度更窄的实际尺寸。然而,行人(即,第二交通工具)可以被认为是被不准确地指派“大”阈值交通工具模型的“小交通工具”。由此,第二交通工具被指派来自所选阈值交通工具模型集的不准确尺寸。因此,在场景359和360中,假肯定定位交叠状况可被检测到。在场景359和360中,第一交通工具和“第二交通工具”被恰适地彼此定位以避免定位交叠。然而,由于“第二交通工具”被指派来自“大”阈值交通工具模型的不准确尺寸,因此V2X系统参与者处理器将检测到定位交叠不当行为状况已出现。由此,虽然已检测到定位交叠不当行为状况,但检测到定位交叠状况是假肯定事件。
在场景361中,其他V2X系统参与者可以是正携带能够通过V2X系统进行通信的移动设备的行人。作为行人,该实体可具有比当前地理区域中的最小汽车长度更短且宽度更窄的实际尺寸。在一些实例中,行人(即,第二交通工具)可以被认为是被准确地指派“小”阈值交通工具模型的“小交通工具”。由此,第二交通工具被指派来自所选阈值交通工具模型集的准确尺寸。由此,在场景361中,可检测到真否定定位交叠状况。在场景361中,第一交通工具和“第二交通工具”被恰适地彼此定位以避免定位交叠。另外,由于“第二交通工具”被指派来自“小”阈值交通工具模型的准确尺寸,因此V2X系统参与者处理器将不会检测到定位交叠不当行为状况已出现。由于尚未检测到定位交叠不当行为状况,因此未检测定位交叠状况是真否定事件。
图4A和4B中示出的各种场景解说了在V2X系统中准确地表示交通工具的尺寸的需求。虽然针对在V2X系统中准确地表示交通工具的尺寸的需求的解决方案可以是存储V2X系统已知的交通工具的每一个模型和变型的每一个单独尺寸集,然而这一解决方案在具有有限资源的V2X系统中可能不是高效的或准许的。图4A和4B中示出的场景解说了即使在“大”交通工具被不准确地指派来自“小”交通工具阈值模型的尺寸的情况下,假否定定位交叠事件也可能出现。在“小”交通工具被不准确地指派来自“大”交通工具阈值模型的尺寸的情况下,假肯定定位交叠事件也可能出现。这样的假肯定和假否定事件出现可能导致对V2X系统的不信任并破坏智能交通系统(ITS)的目的。
图5解说了供与本文公开的各种实施例方法联用的更准确的交通工具阈值模型。图5中解说的交通工具阈值模型可提高定位交叠不当行为状况监测的准确性。另外,图5中解说的交通工具阈值模型可以向V2X系统提供用以计算对定位交叠不当行为状况的检测的置信水平的信息。参照图1A-5,解说了第一交通工具(例如,报告方交通工具)。点370表示具有相对于第一交通工具的“平行”定向的第二交通工具的所报告的定位。该定位和定向(即,朝向)数据可由第二交通工具在基于第二交通工具中所包含的传感器数据的V2X消息中来报告。另外,这一定位和定向数据可通过诸如第一交通工具上所配备的雷达和相机传感器数据之类的第一交通工具传感器数据来确认。出于执行定位交叠校验的目的,第一交通工具可通过选择适当的交通工具阈值模型来向第二交通工具指派尺寸。
图5解说了包含三个不同交通工具阈值模型的交通工具阈值模型集。最小交通工具阈值模型371可以向第二交通工具指派最短长度和最窄宽度尺寸(即,最小尺寸)。最大交通工具阈值模型373可以向第二交通工具指派大于实际最长交通工具长度的长度(例如,最大交通工具长度)以及大于实际最宽交通工具宽度尺寸的宽度(例如,最大交通工具宽度)(即,统称为最大尺寸)。相反,在其他实施例中,最小交通工具阈值模型371可以向第二交通工具指派小于实际最短交通工具长度的长度(即,最小交通工具长度)以及小于实际最窄交通工具宽度尺寸的宽度(例如,最小交通工具宽度)(即,统称为最小尺寸)。最大交通工具阈值模型373可以向第二交通工具指派实际最长交通工具长度的长度(例如,最大交通工具长度)以及实际最宽交通工具宽度尺寸的宽度(例如,最大交通工具宽度)(即,统称为最大尺寸)。在这样做时,系统可以向当前地理区域中的甚至最大交通工具的尺寸提供一些“缓冲”。交通工具阈值模型372可以指派短于最大长度但长于最小长度的长度。另外,交通工具阈值模型372可指派窄于最大宽度但宽于最小宽度的宽度。
此外,最小交通工具阈值模型371、最大交通工具阈值模型373和交通工具阈值模型372中的每一者可包含与最小交通工具阈值模型371、最大交通工具阈值模型373和交通工具阈值模型372中的每一者的尺寸相关联的“置信值”。与所指派的各种尺寸相关联的置信值可基于交通工具在当前地理区域中的分布。在一些实施例中,置信值可被表达为所有交通工具的总百分比减去比所选交通工具阈值模型中指派的尺寸更大的交通工具的百分比。在一些实施例中,置信值可被表达为所有交通工具的总百分比减去比所选交通工具阈值模型中指派的尺寸更小的交通工具的百分比。例如,置信值可以在0和1(或0%和100%)之间。
例如,在其中存在单个汽车模型的地理区域(例如,国家、州、县、市、镇等)中,不存在对交通工具阈值模型集中的不止一个交通工具阈值模型的需求。可实现单一交通工具阈值模型,其中所有已知的可能交通工具共享与该交通工具阈值模型所指派的尺寸相同的尺寸。由于汽车在当前地理区域中的分布全都具有相同的模型,因此最大交通工具阈值模型373的置信值可以是1(即,当前地理区域中的所有交通工具的总百分比=1(100%)减去比所选交通工具阈值模型中指派的尺寸更大的交通工具的百分比=0)。最小交通工具阈值模型371的置信值可以是零(0)或0%(即,当前地理区域中的所有交通工具的总百分比=1(100%)减去比所选交通工具阈值模型中指派的尺寸更大的交通工具的百分比=1(100%),因此1-1=0)。
定位交叠不当行为检测的计算出的置信水平可被表达为比最大尺寸更小的交通工具的百分比减去所选交通工具阈值的置信值。在各种实施例中,计算出的置信水平可以在零(0)和一(1)之间(即0%-100%)。因此,使用最大交通工具阈值模型373计算出的所检测到的定位交叠不当行为的置信水平可以是零(0)或0%(即,1-1=0),因为使用比单一交通工具模型的尺寸更大的尺寸的任何定位交叠不当行为状况将导致假肯定事件。如上所述,这样的假肯定可侵蚀对V2X系统的信任。然而,使用最小交通工具阈值模型371计算出的所检测到的定位交叠不当行为的置信水平可以是一(1)或100%(即,1-0=1),因为使用最小尺寸(即,单一交通工具模型的尺寸)的任何定位交叠不当行为状况将导致真肯定事件。由于在当前地理区域中存在单个汽车模型,因此使用最小尺寸对定位交叠的肯定检测(假定GPS传感器和定向传感器数据是准确的)不会是错的。
在另一示例中,假设不止一个交通工具模型存在于当前地理区域中(例如,2个模型)。在一个示例中,所有汽车在当前地理区域中的分布可由题为“分布1”的图表表示。在分布1中,当前地理区域中的所有交通工具的一半(50%)是“大”交通工具模型,而当前地理区域中的所有交通工具的一半(50%)是“小”交通工具模型。在这一示例中,交通工具阈值模型集可包括指派比“大”交通工具模型的尺寸更大的尺寸的最大交通工具阈值模型373以及指派与“小”交通工具模型的尺寸相等的尺寸的最小交通工具阈值模型371。因此,在该实施例中,最大交通工具阈值模型373的置信值可以是一(1)或100%(即,1-0=1)并且最小交通工具阈值模型371的置信值可以是0.5或50%(即,1-0.5=0.5)。
因此,在该示例中,使用最大交通工具阈值模型373计算出的所检测到的定位交叠不当行为的置信水平可以是零(0)或0%(即,1-1=0),因为使用比单一交通工具模型的尺寸更大的尺寸的任何定位交叠不当行为状况将导致假肯定事件。如上所述,这样的假肯定可侵蚀对V2X系统的信任。然而,使用最小交通工具阈值模型371计算出的所检测到的定位交叠不当行为的置信水平可以是0.5(50%)(即,1-0.5=0.5),因为使用最小尺寸(即,单一交通工具模型的尺寸)的任何定位交叠不当行为状况对于作为具有比最小交通工具阈值模型371中指派的尺寸更大的尺寸的大模型的50%的交通工具将导致真肯定事件。
因此,在该示例中,使用最大交通工具阈值模型373计算出的所检测到的定位交叠不当行为的置信水平可以是零(0)或0%(即,1-1=0),因为使用比单一交通工具模型的尺寸更大的尺寸的任何定位交叠不当行为状况将导致假肯定事件。如上所述,这样的假肯定可侵蚀对V2X系统的信任。然而,使用最小交通工具阈值模型371计算出的所检测到的定位交叠不当行为的置信水平可以是0.5(50%)(即,1-0.5=0.5),因为使用最小尺寸(即,单一交通工具模型的尺寸)的任何定位交叠不当行为状况对于作为具有比最小交通工具阈值模型371中指派的尺寸更大的尺寸的大模型的50%的交通工具将导致真肯定事件。
在一些实施例中,交通工具阈值模型372还可被包含在交通工具阈值模型集中。交通工具阈值模型372可指派比最大交通工具阈值模型373的尺寸更小,但比最小交通工具阈值模型371的尺寸更大的尺寸。在当前地理区域中的交通工具分布(诸如由分布1表示)中,指派给交通工具阈值模型372的置信值可以是0.5,因为当前地理区域中的所有交通工具的50%(即,0.5)可以比交通工具阈值模型372中指派的尺寸更大。类似于最小交通工具阈值模型371,使用交通工具阈值模型372计算出的所检测到的定位交叠不当行为状况的置信水平也可以是0.5(50%)(即,1-0.5=0.5),因为使用交通工具阈值模型372中指派的尺寸(即,比最大交通工具阈值模型373的尺寸更小但比最小交通工具阈值模型371的尺寸更大的尺寸)的任何定位交叠不当行为状况对于作为具有比交通工具阈值模型372中指派的尺寸更大的尺寸的大模型的50%的交通工具将导致真肯定事件。
参照“分布2”,在当前地理区域中,总交通工具中是“大”交通工具模型的百分比是80%,而总交通工具中是“小”交通工具模型的百分比是80%。在这一示例中,交通工具阈值模型集可包括指派比“大”交通工具模型的尺寸更大的尺寸的最大交通工具阈值模型373以及指派与“小”交通工具模型的尺寸相等的尺寸的最小交通工具阈值模型371。另外,最大交通工具阈值模型373的置信水平可以是一(1)或100%(即,1-0=1)并且最小交通工具阈值模型371的置信水平可以是0.2或20%(即,1-0.8=0.2)。
因此,在该示例中,使用最大交通工具阈值模型373计算出的所检测到的定位交叠不当行为的置信水平可以是零(0%)(即,1-1=0),因为使用比单一交通工具模型的尺寸更大的尺寸的任何定位交叠不当行为状况将导致假肯定事件。如上所述,这样的假肯定可侵蚀对V2X系统的信任。然而,使用最小交通工具阈值模型371计算出的所检测到的定位交叠不当行为的置信水平可以是0.8(80%)(例如,1-0.2=0.8),因为使用最小尺寸(即,单一交通工具模型的尺寸)的任何定位交叠不当行为状况对于作为具有比最小交通工具阈值模型371中指派的尺寸更大的尺寸的大模型的80%的交通工具将导致真肯定事件。
如上所述,在一些实施例中,交通工具阈值模型372还可被包含在交通工具阈值模型集中。交通工具阈值模型372可指派比最大交通工具阈值模型373的尺寸更小,但比最小交通工具阈值模型371的尺寸更大的尺寸。在当前地理区域中的交通工具分布(诸如由分布1表示)中,指派给交通工具阈值模型372的置信值可以是0.2。因为当前地理区域中的所有交通工具的80%(即,0.8)可以比交通工具阈值模型372中指派的尺寸更大。类似于最小交通工具阈值模型371,使用交通工具阈值模型372计算出的所检测到的定位交叠不当行为状况的置信水平也可以是0.8(80%)(例如,1-0.2=0.8),因为使用交通工具阈值模型372中指派的尺寸(即,比最大交通工具阈值模型373的尺寸更小但比最小交通工具阈值模型371的尺寸更大的尺寸)的任何定位交叠不当行为状况对于作为具有比交通工具阈值模型372中指派的尺寸更大的尺寸的大模型的80%的交通工具将导致真肯定事件。
虽然在其中只存在两个模型的分布中交通工具阈值模型372可能与可以从使用最小交通工具阈值模型371获得的置信值和计算出的置信水平并非显著不同,然而随着具有不同尺寸的模型的数目增加,附加的交通工具阈值模型(例如,交通工具阈值模型372)可提供不同于最小交通工具阈值模型371的置信值和计算出的置信水平。因此,可提供总V2X系统的粒度和准确性的增大。
在一些实施例中,可通过指派比实际的“大”和“小”交通工具尺寸更小的最小尺寸值来避免假否定事件。因此,在此类实施例中,最小交通工具阈值模型371可以向该交通工具指派比“小”交通工具的实际交通工具尺寸更小的长度和宽度。最大交通工具阈值模型373可指派小于或等于“大”交通工具尺寸的尺寸。在此类实施例中,指派给交通工具阈值模型的置信值可以是当前地理区域中的交通工具的总百分比(即,一(1)或100%)减去比所选交通工具阈值模型中指派的尺寸更小的交通工具的百分比。因此,在以上针对分布1的示例中,针对最小交通工具阈值模型371的置信值可以是一(1)或100%(即,1-0=1),而针对最大交通工具阈值模型373的置信值可以是0.5或50%(即,1-0.5=0.5)。如在以上讨论的实施例中,定位交叠不当行为检测的计算出的置信水平可被表达为比最小尺寸更大的交通工具的百分比减去所选交通工具阈值的置信值。因此,在该实施例中,使用最小交通工具阈值模型371计算出的所检测到的定位交叠不当行为的置信水平可以是零(0)或0%(即,1-1=0),因为使用比单一交通工具模型的尺寸更小的尺寸的任何定位交叠不当行为状况将导致假否定事件。如上所述,这样的假否定可侵蚀对V2X系统的信任。然而,使用最大交通工具阈值模型373计算出的所检测到的定位交叠不当行为的置信水平可以是0.5(50%)(即,1-0.5=0.5),因为使用最大尺寸(即,单一交通工具模型的尺寸)的任何定位交叠不当行为状况对于作为具有比最大交通工具阈值模型373中指派的尺寸更小的尺寸的小模型的50%的交通工具将导致真肯定事件。
图6A是解说根据本文公开的各种实施例的用于高效地执行定位交叠不当行为检测的方法400的操作的过程流图。参照图1-6A,方法400的操作可由V2X系统参与者(例如,图1D中的任何交通工具12、14、16,但为了易于讨论,可将交通工具16引述为第一交通工具(也被称为报告方交通工具),并且交通工具12可被称为第二交通工具(也被称为毗邻交通工具))执行。在框402中,第一交通工具V2X系统参与者处理器(被简称为第一交通工具)可确定第一交通工具定位和第一交通工具定向。第一交通工具定位和第一交通工具定向可以从该第一交通工具的与该V2X系统参与者(例如,交通工具16)的控制机动、导航和/或其他操作相关的多个传感器获取并确定。第一交通工具的传感器可包括以上参照图1A和1B讨论的各种传感器中的任一者。
在框404中,第一交通工具尺寸边界可基于第一交通工具定位、第一交通工具定向、第一交通工具长度和第一交通工具宽度来确定。在一些实施例中,第一交通工具尺寸边界可使用作为受第一交通工具信任的值的硬编码或默认的第一交通工具长度和第一交通工具宽度值来确定。在其他实施例中,第一交通工具尺寸边界可通过从交通工具阈值模型集中选择交通工具阈值模型并使用其中指派给第一交通工具的长度和宽度尺寸来确定。
在框406中,第一交通工具可以从第二交通工具接收V2X消息。由第一交通工具从第二交通工具(例如,交通工具12)接收的V2X消息可包括提供第二交通工具定位和第二交通工具定向的传感器数据。
在框408中,第一交通工具可检索交通工具阈值模型集。在一些实施例中,该交通工具阈值模型集可以从本地存储器中检索。在其他实施例中,该交通工具阈值模型集可以从远程存储器中检索。该交通工具阈值模型集可基于第一交通工具所位于的当前地理区域来选择和检索,如以下参照图6B中解说的方法450更详细地描述的。
在框410中,第一交通工具可选择表示第二交通工具的交通工具阈值模型(例如,交通工具阈值模型372)。通过从交通工具阈值模型集中选择特定交通工具阈值模型,所选择的交通工具阈值模型长度和所选择的交通工具阈值模型宽度可被指派给第二交通工具。另外,被包含在所选择的交通工具阈值模型中的置信值也可被检索。
在框412中,第二交通工具尺寸边界可基于在V2X消息中接收到的第二交通工具定位和第二交通工具定向数据以及可通过所选择的交通工具阈值模型指派给第二交通工具的长度和宽度尺寸来确定。
在判定框414中,第一交通工具可确定是否第一交通工具尺寸边界有任何部分与第二交通工具尺寸边界的任何部分交叠。响应于第一交通工具确定第一交通工具尺寸边界没有部分与第二交通工具尺寸边界的任何部分交叠(即,判定414=否),第一交通工具可返回到监视第一交通工具的传感器,诸如以便在框402中确定该第一交通工具的定位和定向。响应于第一交通工具确定第一交通工具尺寸边界有一部分与第二交通工具尺寸边界的任何部分交叠(即,判定414=是),第一交通工具可以在框416中标识定位交叠不当行为状况已出现。
在一些实施例中,在框418中,第一交通工具可计算对定位交叠不当行为状况的标识的置信水平。如以上参照图5讨论的,对定位交叠不当行为状况的标识的置信水平的计算可基于所选交通工具阈值模型置信值,诸如(比最小尺寸更大的交通工具的百分比或比最大尺寸更小的交通工具的百分比)减去(所选交通工具阈值模型置信值)。
在一些实施例中,在判定框420中,第一交通工具可确定对定位交叠不当行为状况的标识的计算出的置信水平是否超过置信阈值。在一些实施例中,V2X系统可寻求将所生成的MBR的数目限于其中所标识的不当行为状况的计算出的置信水平为高的情形。以此方式,V2X系统可将MBR的生成和传输限于其中可存在不当行为状况已出现的更高可能性的情形。响应于确定计算出的置信水平未超过置信阈值(即,判定框420=否),第一交通工具可返回到监视第一交通工具的传感器,诸如以便在框402中确定第一交通工具的定位和定向。响应于确定计算出的置信水平的确超过了置信阈值(即,判定框420=是),第一交通工具可以在框422生成标识定位交叠不当行为状况并包括已被用来做出该定位交叠不当行为状况已出现的结论的所选交通工具阈值模型数据的MBR。
在框424中,第一交通工具可将所生成的MBR传送至不当行为管理机构74以供进一步分析并确认定位交叠不当行为状况已出现。另外,不当行为管理机构74(有时结合OEM服务器70、72)确定定位交叠不当行为状况可能已由于故障传感器数据而被标识。在此类实施例中,不当行为管理机构74(有时结合传感器OEM服务器70、72)可以向第一交通工具提供用以修复传感器(例如,替换、修复、新软件更新等)的指令。
在一些实施例中,对置信水平的计算(框418)以及对计算出的置信水平是否超过阈值的确定(判定框420)可以在第一交通工具生成MBR(框422)之后但在用以将MBR传送至不当行为管理机构74的操作(框424)之前发生。以此方式,计算出的置信水平可被用于节省传输资源(例如,带宽、发射功率)。在此类实施例中,在框422中生成的MBR可被存储在本地直到第一交通工具能够诸如通过有线下载连接来将所存储的MBR提供给不当行为管理机构74。
图6B是解说根据本文公开的各种实施例的用于高效地执行定位交叠不当行为检测的方法450的操作的过程流图。不同的地理区域可具有交通工具大小的不同分布。例如,交通工具模型的大小可以因国家而异。此外,在乡村地理区域中可存在与其中交通和停车担忧可限制交通工具的大小并且可存在较小交通工具的较大分布的都市地理区域相比卡车和运动型多功能车的更大分布。的确,交通工具大小的分布可以因州、县、市而异。因此,为了准确地从交通工具阈值模型集中确定尺寸边界,应基于其中第一交通工具当前所位于的当前地理区域来检索和/或选择恰当的交通工具阈值模型集。因此,第一交通工具可周期性地检查其当前位置以确定该第一交通工具是否已改变其地理区域。如果地理区域已改变,则第一交通工具可检索准确地反映针对当前地理区域的交通工具分布的交通工具阈值模型集。如以上讨论的,交通工具阈值模型集可包含针对每一个交通工具阈值模型的交通工具尺寸以及置信值。因此,在一些实施例中,图6B中解说的方法450可以在图6A中的框408之前执行以确定可针对哪个当前地理区域检索交通工具阈值模型集。
参照图1A-6B,状况401中,V2X系统参与者处理器(即,为了易于引述,第一交通工具)可将默认地理区域存储在存储器(本地或远程)中。
如以上讨论的,在框402中,第一交通工具可确定第一交通工具的定位和定向。第一交通工具的定位和定向可以从该第一交通工具的与该V2X系统参与者(例如,交通工具16)的控制机动、导航和/或其他操作相关的多个传感器获取并确定。例如,第一交通工具的GPS传感器可提供全球定位位置。
在框403中,第一交通工具可将所确定的定位与所存储的地理区域地图和地理区域边界相比较以基于第一交通工具的所确定的定位来确定当前地理区域(例如,区域、国家、州、省、县、市、镇等)。
在框405中,第一交通工具所位于的所确定的地理区域可被设为当前地理区域。
在判定框407中,第一交通工具可确定所设当前地理区域是否不同于被存储在存储器(例如,默认存储器)中的地理区域。响应于确定当前地理区域未不同于存储在存储器中的地理区域(即,判定框407=否),第一交通工具可循环回到框402并继续确定该第一交通工具的定位和定向。可以不需要对交通工具阈值模型集的更改。响应于确定当前地理区域的确不同于存储在存储器中的地理区域(即,判定框407=是),第一交通工具可在框409中将所设当前地理区域存储在存储器中以替换先前存储的地理区域(例如,默认地理区域)并且然后继续至参照图6A描述的步骤408以检索适用于该第一交通工具所位于的当前地理区域的交通工具阈值模型集。以此方式,第一交通工具可基于当前地理区域中的交通工具模型分布来将准确的尺寸指派给第二交通工具。另外,交通工具阈值模型可包含针对所指派的尺寸的更准确的置信值。
各种实施例(包括但不限于以上参照图1A-6B描述的实施例)可以在包括机载装备以及移动计算设备的各种各样的计算系统中实现,适用于各种实施例的机载装备和移动计算设备的示例在图7中解说。参照图1A-7,移动计算设备700可包括处理器702,该处理器702耦合到触摸屏控制器704和内部存储器706。处理器702可以是被指定用于一般或特定处理任务的一个或多个多核集成电路。内部存储器706可以是易失性或非易失性存储器,并且还可以是安全和/或加密的存储器、或者不安全和/或未加密存储器,或其任何组合。可被利用的存储器类型的示例包括但不限于DDR、LPDDR、GDDR、WIDEIO、RAM、SRAM、DRAM、P-RAM、R-RAM、M-RAM、STT-RAM以及嵌入式DRAM。触摸屏控制器704和处理器702还可被耦合到触摸屏面板712,诸如电阻式传感触摸屏、电容式传感触摸屏、红外传感触摸屏等。附加地,移动计算设备700的显示器无需具有触摸屏能力。
移动计算设备700可具有彼此耦合和/或耦合至处理器702的一个或多个无线电信号收发机708(例如,Peanut、蓝牙、Zigbee、Wi-Fi、RF无线电)以及天线710以用于发送和接收通信。收发机708和天线710可与以上提及的电路系统一起使用以实现各种无线传输协议栈和接口。移动计算设备700可包括蜂窝网络无线调制解调器芯片716,该芯片实现经由蜂窝网络的通信并且耦合到处理器。
移动计算设备700可包括耦合到处理器702的外围设备连接接口718。外围设备连接接口718可被单独地配置成接纳一种类型的连接,或者可被配置成接纳共用的或专有的各种类型的物理和通信连接,诸如通用串行总线(USB)、火线(FireWire)、雷电(Thunderbolt)或PCIe。外围设备连接接口718还可耦合到类似地配置的外围设备连接端口(未示出)。
移动计算设备700还可包括用于提供音频输出的扬声器714。移动计算设备700还可包括用于容纳本文所描述的组件中的全部或一些组件的外壳720,该外壳由塑料、金属或各材料的组合来构造。本领域普通技术人员可认识到外壳720可以是机载实施例中的交通工具的仪表盘控制台。移动计算设备700可包括耦合到处理器702的电源722,诸如一次性或可再充电电池。可再充电电池还可耦合到外围设备连接端口以从移动计算设备700外部的源接收充电电流。移动计算设备700还可包括用于接收用户输入的物理按钮724。移动计算设备700还可包括用于开启和关闭移动计算设备700的电源按钮726。
各种实施例(包括但不限于上面参照图1A-图6B所描述的实施例)可以在包括膝上型计算机800的各种各样的计算系统中实现,该膝上型计算机的示例在图8中解说。许多膝上型计算机包括触摸板触摸表面817,其用作计算机的定点设备,并且因此可以接收与在配备有触摸屏显示器并且如上所述的计算设备上实现的那些手势类似的拖动、滚动和轻击手势。膝上型计算机800将通常包括耦合到易失性存储器812和大容量非易失性存储器(诸如闪存的硬盘驱动器813)的处理器802。另外,计算机800可具有用于发送和接收电磁辐射、可连接到无线数据链路的一个或多个天线808和/或耦合到处理器802的蜂窝电话收发机816。计算机800还可包括耦合到处理器802的软盘驱动器814和压缩碟(CD)驱动器815。在笔记本配置中,计算机外壳包括均耦合到处理器802的触摸板817、键盘818、和显示器819。计算设备的其他配置可包括如众所周知地耦合到处理器(例如,经由USB输入)的计算机鼠标或轨迹球,这也可结合各个实施例来使用。
各个实施例(包括但不限于上面参照图1A-图6B所描述的实施例)可以是各种交通工具计算系统,其示例在图9中解说。交通工具计算系统900通常包括耦合到易失性存储器902和大容量非易失性存储器(诸如盘驱动器904)的一个或多个多核处理器组装件901。如图9中所解说的,多核处理器组装件901可通过将它们插入到该组装件的机架中而被添加到交通工具计算系统900。交通工具计算系统900还可以包括耦合到多核处理器组装件801的通信端口907以用于与无线电模块(未示出)(诸如耦合到其他广播系统计算机和服务器的局域网络、因特网、公共交换电话网和/或蜂窝数据网络(例如,CDMA、TDMA、GSM、PCS、3G、4G、5G、LTE或任何其他类型的蜂窝数据网络))交换数据和命令。
数个不同的蜂窝和移动通信服务和标准可用或在未来被构想,它们全部可实现且获益于各个实施例。此类服务和标准包括例如第三代伙伴项目(3GPP)、长期演进(LTE)系统、第三代无线移动通信技术(3G)、第四代无线移动通信技术(4G)、第五代无线移动通信技术(5G)、全球移动通信系统(GSM)、通用移动电信系统(UMTS)、3GSM、通用分组无线电服务(GPRS)、码分多址(CDMA)系统(例如,cdmaOne、CDMA1020TM)、增强型数据率GSM演进(EDGE)、高级移动电话系统(AMPS)、数字AMPS(IS-136/TDMA)、演进数据最优化(EV-DO)、数字增强型无绳电信(DECT)、微波接入全球互通(WiMAX)、无线局域网(WLAN)、Wi-Fi保护接入I和II(WPA、WPA2)、以及集成数字增强型网络(iDEN)。这些技术中的每一种涉及例如语音、数据、信令和/或内容消息的传输和接收。应当理解,对与个体电信标准或技术相关的术语和/或技术细节的任何引用仅用于解说目的,且并非旨在将权利要求的范围限定于特定通信系统或技术,除非权利要求语言中有具体陈述。
在以下段落中描述了各实现示例。虽然以下实现示例中的一些是以示例方法的形式来描述的,但是进一步示例实现可以包括:以下段落中讨论的由V2X系统处理器实现的示例方法,其中该V2X系统处理器可以是包括配置有处理器可执行指令以执行以下实现示例的方法的操作的处理器的机载单元、移动设备单元、移动计算单元或驻定路侧单元;以下段落中讨论的由V2X系统实现的示例方法,该V2X系统包括用于执行以下实现示例的方法的功能的装置;以及以下段落中讨论的示例方法可被实现为其上存储有处理器可执行指令的非瞬态处理器可读存储介质,这些处理器可执行指令被配置成使V2X系统处理器执行以下实现示例的方法的操作。
示例1.一种在V2X系统中执行定位交叠校验的方法,包括:确定第一交通工具的第一交通工具定位和第一交通工具定向;确定第一交通工具尺寸边界,其中所述第一交通工具尺寸边界基于第一交通工具长度、第一交通工具宽度、第一交通工具定位和第一交通工具定向;从第二交通工具接收V2X消息,其中所述V2X消息包括第二交通工具定位和第二交通工具定向;从阈值交通工具模型集中选择用于所述第二交通工具的交通工具阈值模型,其中所选交通工具阈值模型包括所选交通工具阈值模型长度和所选交通工具阈值模型宽度以及所选交通工具阈值模型置信值;确定第二交通工具尺寸边界,其中所述第二交通工具尺寸边界基于在所述V2X消息中接收到的所述第二交通工具定位、所述第二交通工具定向、所述所选交通工具阈值模型长度和所述所选交通工具阈值模型宽度;确定是否所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠;响应于确定所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠而标识定位交叠不当行为状况;生成标识所述定位交叠不当行为状况的不当行为报告;以及将所述不当行为报告传送至不当行为管理机构。
示例2.如示例1所述的方法,进一步包括:响应于确定所述第一交通工具已离开第一地理区域并进入当前地理区域而从用于所述当前地理区域的交通工具阈值模型集中选择所述交通工具阈值模型,其中用于所述当前地理区域的交通工具阈值模型集不同于用于所述第一地理区域的交通工具阈值模型集。
示例3.如示例1或2中的任一者所述的方法,进一步包括:响应于标识所述交叠不当行为状况而计算针对标识不当行为状况已发生的置信水平,其中针对标识不当行为状况已发生的置信水平基于所述所选交通工具阈值模型置信值。
示例4.如示例3所述的方法,其中长度和宽度在所述交通工具阈值模型中基于交通工具长度和交通工具宽度在当前地理区域中的分布而被指派给所述第二交通工具。
示例5.如示例4所述的方法,进一步包括以下操作:从所选交通工具阈值模型中所包含的值中指派所述第一交通工具长度和所述第一交通工具宽度。
示例6.如示例4所述的方法,其中所述交通工具阈值模型集包括最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括最小交通工具长度和最小交通工具宽度;以及最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括大于实际最长交通工具长度的最大交通工具长度以及大于实际最宽交通工具宽度的最大交通工具宽度。
示例7.如示例6所述的方法,其中所述所选交通工具阈值模型包括所述当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述当前地理区域中的所有交通工具的百分比减去所述当前地理区域中的具有大于所述所选交通工具阈值模型的长度的实际长度并具有大于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比,进一步其中计算出的置信度等于所述当前地理区域中的小于所述最小尺寸的交通工具的百分比减去所述阈值交通工具的所述所选交通工具阈值模型置信值。
示例8.如示例4所述的方法,其中所述交通工具阈值模型集包括最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括小于实际最短交通工具长度的最小交通工具长度和小于实际最窄交通工具宽度的最小交通工具宽度;以及最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括最大交通工具长度和最大交通工具宽度。
示例9.如示例8所述的方法,其中所述所选交通工具阈值模型包括所述地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述地理区域中的所有交通工具的百分比减去所述地理区域中的具有小于所述所选交通工具阈值模型的长度的实际长度并具有小于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比,进一步其中:计算出的置信水平等于大于所述最大尺寸的交通工具的百分比减去所述地理区域中的所述阈值交通工具的所述所选交通工具阈值模型置信值。
所解说和描述的各个实施例是仅作为解说权利要求的各种特征的示例来提供的。然而,针对任何给定实施例所示出和描述的特征不必限于相关联的实施例,并且可以与所示出和描述的其他实施例联用或组合。此外,权利要求书不旨在限于任何一个示例实施例。
前述方法描述和过程流图仅作为解说性示例而提供,且并非旨在要求或暗示各个实施例的操作必须按所给出的次序来执行。如本领域技术人员将领会的,前述各实施例中的操作次序可按任何次序来执行。如“此后”、“随后”、“接着”等措辞并非旨在限定操作次序;这些措辞被用来指引读者遍历方法的描述。进一步,对单数形式的权利要求元素的任何引述(例如使用冠词“一”、“某”或“该”的引述)不应解释为将该元素限定为单数。
结合本文中所公开的实施例来描述的各种解说性逻辑框、模块、组件、电路、和算法操作可被实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路和操作在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员可针对每种特定应用以不同方式来实现所描述的功能性,但此类实施例决策不应被解读为致使脱离权利要求的范围。
用于实现结合本文中公开的实施例描述的各种解说性逻辑、逻辑框、模块、以及电路的硬件可用设计成执行本文中描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为接收机智能对象的组合,例如,DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其他此类配置。替换地,一些操作或方法可由专用于给定功能的电路系统来执行。
在一个或多个实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现,则这些功能可作为一个或多个指令或代码存储在非瞬态计算机可读存储介质或非瞬态处理器可读存储介质上。本文中公开的方法或算法的操作可在处理器可执行软件模块或处理器可执行指令中实施,该处理器可执行软件模块或处理器可执行指令可驻留在非瞬态计算机可读或处理器可读存储介质上。非瞬态计算机可读或处理器可读存储介质可以是能被计算机或处理器访问的任何存储介质。作为示例而非限定,此类非瞬态计算机可读或处理器可读存储介质可包括RAM、ROM、EEPROM、闪存、CD-ROM或其他光盘存储、磁盘存储或其他磁存储智能对象、或能被用来存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据而碟(disc)用激光以光学方式再现数据。以上的组合也被包括在非瞬态计算机可读和处理器可读介质的范围内。另外,方法或算法的操作可作为一条代码和/或指令或者代码和/或指令的任何组合或集合而驻留在可被纳入计算机程序产品中的非瞬态处理器可读存储介质和/或计算机可读存储介质上。
提供所公开的实施例的先前描述是为了使本领域任何技术人员皆能制作或使用本权利要求。对这些实施例的各种修改对于本领域技术人员而言将是显而易见的,并且本文中定义的通用原理可被应用于其他实施例而不会脱离权利要求的范围。由此,本公开并非旨在限定于本文中示出的实施例,而是应被授予与所附权利要求和本文中公开的原理和新颖性特征一致的最广义的范围。
Claims (30)
1.一种由车联网(V2X)系统中的第一交通工具使用交通工具阈值模型数据来执行定位交叠校验的方法,包括:
确定第一交通工具的第一交通工具定位和第一交通工具定向;
确定第一交通工具尺寸边界,其中所述第一交通工具尺寸边界基于第一交通工具长度、第一交通工具宽度、第一交通工具定位和第一交通工具定向;
从第二交通工具接收V2X消息,其中所述V2X消息包括第二交通工具定位和第二交通工具定向;
从交通工具阈值模型集中选择用于所述第二交通工具的交通工具阈值模型,其中所选交通工具阈值模型包括所选交通工具阈值模型长度和所选交通工具阈值模型宽度以及所选交通工具阈值模型置信值;
确定第二交通工具尺寸边界,其中所述第二交通工具尺寸边界基于在所述V2X消息中接收到的所述第二交通工具定位、所述第二交通工具定向、所述所选交通工具阈值模型长度和所述所选交通工具阈值模型宽度;
确定是否所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠;
响应于确定所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠而标识定位交叠不当行为状况;
生成标识所述定位交叠不当行为状况的不当行为报告;以及
将所述不当行为报告传送至不当行为管理机构。
2.如权利要求1所述的方法,进一步包括:
响应于确定所述第一交通工具已离开第一地理区域并进入当前地理区域而从用于所述当前地理区域的交通工具阈值模型集中选择所述交通工具阈值模型,其中用于所述当前地理区域的交通工具阈值模型集不同于用于所述第一地理区域的交通工具阈值模型集。
3.如权利要求1所述的方法,进一步包括响应于标识所述交叠不当行为状况而计算针对标识不当行为状况已发生的置信水平,其中针对标识不当行为状况已发生的置信水平基于所述所选交通工具阈值模型置信值。
4.如权利要求3所述的方法,其中长度和宽度在所述交通工具阈值模型中基于交通工具长度和交通工具宽度在当前地理区域中的分布而被指派给所述第二交通工具。
5.如权利要求4所述的方法,进一步包括从所选交通工具阈值模型中所包含的值来指派所述第一交通工具长度和所述第一交通工具宽度。
6.如权利要求4所述的方法,其中所述交通工具阈值模型集包括:
最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括最小交通工具长度和最小交通工具宽度;以及
最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括大于实际最长交通工具长度的最大交通工具长度以及大于实际最宽交通工具宽度的最大交通工具宽度。
7.如权利要求6所述的方法,其中所述所选交通工具阈值模型包括所述当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述当前地理区域中的所有交通工具的百分比减去所述当前地理区域中的具有大于所述所选交通工具阈值模型的长度的实际长度并具有大于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比,
进一步其中计算出的置信水平等于所述当前地理区域中的小于所述最小尺寸的交通工具的百分比减去所述阈值交通工具的所述所选交通工具阈值模型置信值。
8.如权利要求4所述的方法,其中所述交通工具阈值模型集包括:
最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括小于实际最短交通工具长度的最小交通工具长度以及小于实际最窄交通工具宽度的最小交通工具宽度;以及
最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括最大交通工具长度和最大交通工具宽度。
9.如权利要求8所述的方法,其中所述所选交通工具阈值模型包括所述当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述当前地理区域中的所有交通工具的百分比减去所述当前地理区域中的具有小于所述所选交通工具阈值模型的长度的实际长度并具有小于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比,进一步其中:
计算出的置信水平等于所述当前地理区域中的大于所述最大尺寸的交通工具的百分比减去所述阈值交通工具的所述所选交通工具阈值模型置信值。
10.一种车联网(V2X)系统,包括:
存储器;
收发机;以及
耦合到所述存储器和所述收发机的处理器,其中所述处理器被配置有用于以下操作的处理器可执行指令:
确定第一交通工具的第一交通工具定位和第一交通工具定向;
确定第一交通工具尺寸边界,其中所述第一交通工具尺寸边界基于第一交通工具长度、第一交通工具宽度、第一交通工具定位和第一交通工具定向;
从第二交通工具接收V2X消息,其中所述V2X消息包括第二交通工具定位和第二交通工具定向;
从交通工具阈值模型集中选择用于所述第二交通工具的交通工具阈值模型,其中所选交通工具阈值模型包括所选交通工具阈值模型长度和所选交通工具阈值模型宽度以及所选交通工具阈值模型置信值;
确定第二交通工具尺寸边界,其中所述第二交通工具尺寸边界基于在所述V2X消息中接收到的所述第二交通工具定位、所述第二交通工具定向、所述所选交通工具阈值模型长度和所述所选交通工具阈值模型宽度;
确定是否所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠;
响应于确定所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠而标识定位交叠不当行为状况;
生成标识所述定位交叠不当行为状况的不当行为报告;以及
将所述不当行为报告传送至不当行为管理机构。
11.如权利要求10所述的V2X系统,其中所述处理器被进一步配置有用于以下操作的处理器可执行指令:
响应于确定所述第一交通工具已离开第一地理区域并进入当前地理区域而从用于所述当前地理区域的交通工具阈值模型集中选择所述交通工具阈值模型,其中用于所述当前地理区域的交通工具阈值模型集不同于用于所述第一地理区域的交通工具阈值模型集。
12.如权利要求10所述的V2X系统,其中所述处理器被进一步配置有用于以下操作的处理器可执行指令:
响应于标识所述交叠不当行为状况而计算针对标识不当行为状况已发生的置信水平,其中针对标识不当行为状况已发生的置信水平基于所述所选交通工具阈值模型置信值。
13.如权利要求12所述的V2X系统,其中长度和宽度在所述交通工具阈值模型中基于交通工具长度和交通工具宽度在当前地理区域中的分布而被指派给所述第二交通工具。
14.如权利要求13所述的V2X系统,其中所述交通工具阈值模型集包括:
最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括最小交通工具长度和最小交通工具宽度;以及
最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括大于实际最长交通工具长度的最大交通工具长度以及大于实际最宽交通工具宽度的最大交通工具宽度。
15.如权利要求14所述的V2X系统,其中所述所选交通工具阈值模型包括所述当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述当前地理区域中的所有交通工具的百分比减去所述当前地理区域中的具有大于所述所选交通工具阈值模型的长度的实际长度并具有大于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比,
进一步其中计算出的置信水平等于所述当前地理区域中的小于所述最小尺寸的交通工具的百分比减去所述阈值交通工具的所述所选交通工具阈值模型置信值。
16.如权利要求13所述的V2X系统,其中所述交通工具阈值模型集包括:
最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括小于实际最短交通工具长度的最小交通工具长度以及小于实际最窄交通工具宽度的最小交通工具宽度;以及
最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括最大交通工具长度和最大交通工具宽度。
17.如权利要求16所述的V2X系统,其中所述所选交通工具阈值模型包括所述当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述当前地理区域中的所有交通工具的百分比减去所述当前地理区域中的具有小于所述所选交通工具阈值模型的长度的实际长度并具有小于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比,进一步其中:
计算出的置信水平等于所述当前地理区域中的大于所述最大尺寸的交通工具的百分比减去所述阈值交通工具的所述所选交通工具阈值模型置信值。
18.一种车联网(V2X)系统,包括:
用于确定第一交通工具的第一交通工具定位和第一交通工具定向的装置;
用于确定第一交通工具尺寸边界的装置,其中所述第一交通工具尺寸边界基于第一交通工具长度、第一交通工具宽度、第一交通工具定位和第一交通工具定向;
用于从第二交通工具接收V2X消息的装置,其中所述V2X消息包括第二交通工具定位和第二交通工具定向;
用于从交通工具阈值模型集中选择用于所述第二交通工具的交通工具阈值模型的装置,其中所选交通工具阈值模型包括所选交通工具阈值模型长度和所选交通工具阈值模型宽度以及所选交通工具阈值模型置信值;
用于确定第二交通工具尺寸边界的装置,其中所述第二交通工具尺寸边界基于在所述V2X消息中接收到的所述第二交通工具定位、所述第二交通工具定向、所述所选交通工具阈值模型长度和所述所选交通工具阈值模型宽度;
用于确定是否所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠的装置;
用于响应于确定所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠而标识定位交叠不当行为状况的装置;
用于生成标识所述定位交叠不当行为状况的不当行为报告的装置;以及
用于将所述不当行为报告传送至不当行为管理机构的装置。
19.如权利要求18所述的V2X系统,进一步包括:
用于确定所述第一交通工具已离开第一地理区域并进入当前地理区域的装置;以及
用于从用于所述当前地理区域的交通工具阈值模型集中选择所述交通工具阈值模型的装置,其中用于所述当前地理区域的交通工具阈值模型集不同于用于所述第一地理区域的交通工具阈值模型集。
20.如权利要求18所述的V2X系统,进一步包括:
用于响应于标识所述交叠不当行为状况而计算针对标识不当行为状况已发生的置信水平的装置,其中针对标识不当行为状况已发生的置信水平基于所述所选交通工具阈值模型置信值。
21.如权利要求20所述的V2X系统,其中长度和宽度在所述交通工具阈值模型中基于交通工具长度和交通工具宽度在当前地理区域中的分布而被指派给所述第二交通工具。
22.如权利要求21所述的V2X系统,其中所述交通工具阈值模型集包括:
最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括最小交通工具长度和最小交通工具宽度;以及
最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括大于实际最长交通工具长度的最大交通工具长度以及大于实际最宽交通工具宽度的最大交通工具宽度。
23.如权利要求22所述的V2X系统,其中所述所选交通工具阈值模型包括所述当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述当前地理区域中的所有交通工具的百分比减去所述当前地理区域中的具有大于所述所选交通工具阈值模型的长度的实际长度并具有大于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比,
进一步其中计算出的置信水平等于所述当前地理区域中的小于所述最小尺寸的交通工具的百分比减去所述阈值交通工具的所述所选交通工具阈值模型置信值。
24.如权利要求21所述的V2X系统,其中所述交通工具阈值模型集包括:
最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括小于实际最短交通工具长度的最小交通工具长度以及小于实际最窄交通工具宽度的最小交通工具宽度;以及
最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括最大交通工具长度和最大交通工具宽度。
25.如权利要求24所述的V2X系统,其中所述所选交通工具阈值模型包括所述当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述当前地理区域中的所有交通工具的百分比减去所述当前地理区域中的具有小于所述所选交通工具阈值模型的长度的实际长度并具有小于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比,
进一步其中计算出的置信水平等于所述当前地理区域中的大于所述最大尺寸的交通工具的百分比减去所述阈值交通工具的所述所选交通工具阈值模型置信值。
26.一种其上存储有处理器可执行指令的非瞬态处理器可读介质,所述处理器可执行指令被配置成使车联网(V2X)系统的处理器执行操作,所述操作包括:
确定第一交通工具定位和第一交通工具定向;
确定第一交通工具尺寸边界,其中所述第一交通工具尺寸边界基于第一交通工具长度、第一交通工具宽度、第一交通工具定位和第一交通工具定向;
从第二交通工具接收V2X消息,其中所述V2X消息包括第二交通工具定位和第二交通工具定向;
从交通工具阈值模型集中选择用于所述第二交通工具的交通工具阈值模型,其中所选交通工具阈值模型包括所选交通工具阈值模型长度和所选交通工具阈值模型宽度以及所选交通工具阈值模型置信值;
确定第二交通工具尺寸边界,其中所述第二交通工具尺寸边界基于在所述V2X消息中接收到的所述第二交通工具定位、所述第二交通工具定向、所述所选交通工具阈值模型长度和所述所选交通工具阈值模型宽度;
确定是否所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠;
响应于确定所述第一交通工具尺寸边界有任何部分与所述第二交通工具尺寸边界的任何部分交叠而标识定位交叠不当行为状况;
生成标识所述定位交叠不当行为状况的不当行为报告;以及
将所述不当行为报告传送至不当行为管理机构。
27.如权利要求26所述的非瞬态处理器可读介质,其中所存储的处理器可执行指令被进一步配置成使所述V2X系统的所述处理器执行包括以下动作的操作:响应于标识所述交叠不当行为状况而计算针对标识不当行为状况已发生的置信水平,其中针对标识不当行为状况已发生的置信水平基于所述所选交通工具阈值模型置信值。
28.如权利要求27所述的非瞬态处理器可读介质,其中所存储的处理器可执行指令被进一步配置成使所述V2X系统的所述处理器执行操作以使得:
长度和宽度在所述交通工具阈值模型中基于交通工具长度和交通工具宽度在当前地理区域中的分布而被指派给所述第二交通工具。
29.如权利要求28所述的非瞬态处理器可读介质,其中所存储的处理器可执行指令被进一步配置成使所述V2X系统的所述处理器执行操作以使得:
所述交通工具阈值模型集包括:
最小交通工具阈值模型,所述最小交通工具阈值模型包括所述当前地理区域中的最小交通工具大小的最小尺寸和最小交通工具置信值,其中所述最小尺寸包括最小交通工具长度和最小交通工具宽度;以及
最大交通工具阈值模型,所述最大交通工具阈值模型包括所述当前地理区域中的最大交通工具大小的最大尺寸和最大交通工具置信值,其中所述最大尺寸包括大于实际最长交通工具长度的最大交通工具长度以及大于实际最宽交通工具宽度的最大交通工具宽度。
30.如权利要求29所述的非瞬态处理器可读介质,其中所存储的处理器可执行指令被进一步配置成使所述V2X系统的所述处理器执行操作以使得:
所述所选交通工具阈值模型包括所述当前地理区域中的阈值交通工具的所选阈值交通工具长度、所选阈值交通工具宽度和所选阈值交通工具置信值,其中所述阈值交通工具的所选阈值交通工具置信值是所述当前地理区域中的所有交通工具的百分比减去所述当前地理区域中的具有大于所述所选交通工具阈值模型的长度的实际长度并具有大于所述所选交通工具阈值模型的宽度的实际宽度的交通工具的百分比;并且
计算出的置信水平等于所述当前地理区域中的小于所述最小尺寸的交通工具的百分比减去所述阈值交通工具的所述所选交通工具阈值模型置信值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/177,574 | 2021-02-17 | ||
US17/177,574 US20220258739A1 (en) | 2021-02-17 | 2021-02-17 | Method and System for Generating a Confidence Value in a Position Overlap Check Using Vehicle Threshold Models |
PCT/US2021/065641 WO2022177643A1 (en) | 2021-02-17 | 2021-12-30 | Method, systems and processor-readable medium for generating a confidence value in a position overlap check using vehicle threshold models |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116868591A true CN116868591A (zh) | 2023-10-10 |
Family
ID=80737822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180093549.8A Pending CN116868591A (zh) | 2021-02-17 | 2021-12-30 | 用于使用交通工具阈值模型来在定位交叠校验中生成置信值的方法和系统 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220258739A1 (zh) |
EP (1) | EP4295590A1 (zh) |
KR (1) | KR20230144539A (zh) |
CN (1) | CN116868591A (zh) |
BR (1) | BR112023015726A2 (zh) |
TW (1) | TW202234906A (zh) |
WO (1) | WO2022177643A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241753B (zh) * | 2021-12-03 | 2022-11-01 | 东南大学 | 一种基于多维度影响因素的道路安全评价方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9600768B1 (en) * | 2013-04-16 | 2017-03-21 | Google Inc. | Using behavior of objects to infer changes in a driving environment |
US10146225B2 (en) * | 2017-03-02 | 2018-12-04 | GM Global Technology Operations LLC | Systems and methods for vehicle dimension prediction |
US11553346B2 (en) * | 2019-03-01 | 2023-01-10 | Intel Corporation | Misbehavior detection in autonomous driving communications |
US11433892B2 (en) * | 2019-12-02 | 2022-09-06 | Gm Cruise Holdings Llc | Assertive vehicle detection model generation |
US11407423B2 (en) * | 2019-12-26 | 2022-08-09 | Intel Corporation | Ego actions in response to misbehaving vehicle identification |
-
2021
- 2021-02-17 US US17/177,574 patent/US20220258739A1/en active Pending
- 2021-12-30 KR KR1020237026668A patent/KR20230144539A/ko unknown
- 2021-12-30 EP EP21857003.4A patent/EP4295590A1/en active Pending
- 2021-12-30 BR BR112023015726A patent/BR112023015726A2/pt unknown
- 2021-12-30 TW TW110149599A patent/TW202234906A/zh unknown
- 2021-12-30 WO PCT/US2021/065641 patent/WO2022177643A1/en active Application Filing
- 2021-12-30 CN CN202180093549.8A patent/CN116868591A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4295590A1 (en) | 2023-12-27 |
KR20230144539A (ko) | 2023-10-16 |
US20220258739A1 (en) | 2022-08-18 |
TW202234906A (zh) | 2022-09-01 |
BR112023015726A2 (pt) | 2024-01-30 |
WO2022177643A1 (en) | 2022-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11807247B2 (en) | Methods and systems for managing interactions between vehicles with varying levels of autonomy | |
CN113228129B (zh) | 用于车辆的消息广播 | |
US11743700B2 (en) | Evaluating vehicle-to-everything (V2X) information | |
US11589236B2 (en) | Detecting misbehavior conditions in vehicle-to-everything (V2X) messages | |
CN108399792A (zh) | 一种无人驾驶车辆避让方法、装置和电子设备 | |
CN113286737A (zh) | 用于安全自主汽车操作的转向命令限制 | |
US20220230537A1 (en) | Vehicle-to-Everything (V2X) Misbehavior Detection Using a Local Dynamic Map Data Model | |
US11834071B2 (en) | System to achieve algorithm safety in heterogeneous compute platform | |
US20220256333A1 (en) | Method and System for Protecting Proprietary Information Used to Determine a Misbehavior Condition for Vehicle-to-Everything (V2X) Reporting | |
CN116868591A (zh) | 用于使用交通工具阈值模型来在定位交叠校验中生成置信值的方法和系统 | |
EP4282173A1 (en) | Vehicle-to-everything (v2x) misbehavior detection using a local dynamic map data model | |
EP4292315A1 (en) | Method and system for protecting proprietary information used to determine a misbehavior condition for vehicle-to-everything (v2x) reporting | |
CN116746187A (zh) | 使用本地动态地图数据模型的车辆到一切(v2x)不当行为检测 | |
US20230388765A1 (en) | Managing Processing Of A Basic Safety Message | |
CN116830622A (zh) | 用于保护用来确定违规行为状况的专有信息以用于车联网(v2x)报告的方法和系统 |
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 |