CN116978214A - 使用附近交通模式来验证自主车辆性能的方法和系统 - Google Patents

使用附近交通模式来验证自主车辆性能的方法和系统 Download PDF

Info

Publication number
CN116978214A
CN116978214A CN202211304147.0A CN202211304147A CN116978214A CN 116978214 A CN116978214 A CN 116978214A CN 202211304147 A CN202211304147 A CN 202211304147A CN 116978214 A CN116978214 A CN 116978214A
Authority
CN
China
Prior art keywords
remote
time interval
predetermined time
during
host vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211304147.0A
Other languages
English (en)
Inventor
佟维
S·王
曾树青
S·戴伊
X·F·宋
U·P·穆达利格
P·乔杜里
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN116978214A publication Critical patent/CN116978214A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种用于使用附近交通模式来验证自主车辆性能的方法包括接收远程车辆数据。远程车辆数据包括关于多个远程车辆在预定时间间隔期间的移动的至少一个远程车辆运动参数。该方法还包括使用至少一个远程车辆运动参数来确定所述多个远程车辆的交通模式。该方法包括确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性。此外，该方法包括确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性是否小于预定阈值。此外，该方法包括命令主车辆调整其移动以匹配所述多个远程车辆的交通模式。

Description

使用附近交通模式来验证自主车辆性能的方法和系统
技术领域
本公开涉及用于使用附近交通模式来验证自主车辆性能的系统和方法。
背景技术
在本部分中提供的信息是为了总体上呈现本公开的上下文的目的。在本部分中描述的程度上，当前署名的发明人的工作以及在提交时可能不以其它方式作为现有技术的描述的各方面，既不明示地也不暗示地被认为是针对本公开的现有技术。
验证自主驾驶性能是非常具有挑战性的任务。除了长尾问题（即大量极端（corner）情况）之外，另一个问题是缺乏基本事实（ground truth）。这主要是因为在大多数驾驶场景中，可能存在许多同样好的决策/规划。因此，定义哪一个是应该用于验证自主驾驶系统性能的基本事实是具有挑战性的。因此，期望开发一种用于验证自主车辆性能的系统和方法。
发明内容
当前公开的系统和方法可用于验证自主驾驶性能。在大多数自主驾驶场景中，主车辆的行为应该与交通流中的其余部分一致。因此，整体周围交通流模式用作验证主车辆的自主驾驶性能的基本事实。
本公开描述了一种用于使用附近交通模式来验证自主车辆性能的方法。在本公开的一个方面，该方法包括接收远程车辆数据。远程车辆数据包括关于多个远程车辆中的每一个在预定时间间隔（例如，四分钟）期间的移动的至少一个远程车辆运动参数。所述多个远程车辆中的每一个都位于距主车辆预定距离（例如，六米）处。该方法还包括使用所述多个远程车辆中的每一个在预定时间间隔期间的至少一个远程车辆运动参数来确定所述多个远程车辆的交通模式。此外，该方法包括确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性。此外，该方法包括确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性是否小于预定阈值。该方法还包括响应于确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性小于预定阈值，命令主车辆调整其移动以匹配所述多个远程车辆的交通模式。本段中描述的方法通过确保主车辆根据附近交通模式自主驾驶来改进车辆技术。
在本公开的一个方面，该方法包括感测主车辆周围的对象。
在本公开的一个方面，该方法还包括在预定时间间隔期间识别先前被感测并且位于距主车辆预定距离处的对象。
在本公开的一个方面，该方法还包括在预定时间间隔期间跟踪先前被感测并且位于距主车辆预定距离处的对象。
在本公开的一个方面，该方法还包括确定每个被跟踪对象的对象参数。对象参数包括对象识别号、观察轨迹、类别、预测轨迹、预定时间间隔期间的纵向速度曲线、预定时间间隔期间的横向速度曲线、预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、预定时间间隔期间的平均横向速度和预定时间间隔期间的平均角速度，类别包括行人、机动车辆和基础设施。
在本公开的一个方面，所述多个远程车辆运动参数包括所述多个远程车辆中的每一个在预定时间间隔期间的纵向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的横向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、所述多个远程车辆中的每一个在预定时间间隔期间的平均横向速度、以及预定时间间隔期间的平均角速度。
在本公开的一个方面，该方法包括使用以下等式确定所述多个远程车辆中的每一个的多个远程车辆运动参数中的每一个的加权平均值：
其中：
是对于所述多个远程车辆中的一个而言与从所述多个远程车辆中的一个到主车辆的距离成反比的高斯加权因子；
i是所述多个远程车辆中的一个；和
pi是所述多个远程车辆运动参数中的一个；和
meanP是多个远程车辆运动参数中的一个的加权平均值。
在本公开的一个方面，该方法包括量化所述多个远程车辆中的每一个的多个远程车辆运动参数。
在本公开的一个方面，量化所述多个远程车辆中的每一个的多个远程车辆运动参数包括使用以下等式确定所述多个远程车辆中的每一个在预定时间间隔期间的加权速度曲线：
；以及
其中：
ai是所述多个远程车辆中的一个在预定时间间隔期间加速的次数；
i是所述多个远程车辆中的一个；
w i 是加权因子；
m i 是所述多个远程车辆中的一个在预定时间间隔期间保持其速度的次数；
b i 是所述多个远程车辆中的一个在预定时间间隔期间制动的次数；
a t 是所述多个远程车辆中的一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；和
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线。
在本公开的一个方面，该方法包括使用以下等式确定多个远程车辆的多个远程车辆运动参数中的每一个与主车辆的多个主车辆运动参数中的每一个的相似性：
其中，；
wa是主车辆和远程车辆的加速的加权因子；
wm是当主车辆或远程车辆的车辆速度保持恒定时的加权因子；
wb是当远程车辆或主车辆制动时的加权因子；
a t 是所述多个远程车辆中的每一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线；
a e 是主车辆在预定时间间隔期间的加速度曲线；
m e 是主车辆在预定时间间隔期间的恒定速度曲线；
b e 是主车辆在预定时间间隔期间的制动曲线；和
sim i 是多个远程车辆运动参数中的一个与多个主车辆运动参数的对应一个之间的相似性。
在本公开的一个方面，该方法还包括使用以下等式确定多个远程车辆的多个远程车辆运动参数与主车辆的多个主车辆运动参数之间的相似性：
其中：
是参数类别i的多个远程车辆运动参数中的一个与参数类别i的多个主车辆运动参数中的一个之间的相似性；和
w i 是参数类别i的加权因子；和
sim i 是多个远程车辆运动参数中的一个与多个主车辆运动参数的对应一个之间的相似性。
本公开描述了一种用于使用附近交通模式来验证自主车辆性能的系统。在本公开的一个方面，该系统包括多个传感器以及与所述多个传感器通信的控制器。控制器被编程为从所述多个传感器接收远程车辆数据。远程车辆数据包括关于多个远程车辆中的每一个在预定时间间隔期间的移动的至少一个远程车辆运动参数，并且所述多个远程车辆中的每一个位于距主车辆预定距离处。控制器还被编程为使用所述多个远程车辆中的每一个在预定时间间隔期间的至少一个远程车辆运动参数来确定多个远程车辆的交通模式。此外，控制器被编程为确定多个远程车辆的交通模式与主车辆的移动之间的相似性。控制器被编程为确定多个远程车辆的交通模式与主车辆的移动之间的相似性是否小于预定阈值。控制器被编程为响应于确定多个远程车辆的交通模式与主车辆的移动之间的相似性小于预定阈值，命令主车辆调整其移动以匹配多个远程车辆的交通模式。本段中描述的系统通过确保主车辆根据附近交通模式自主驾驶来改进车辆技术。
在本公开的一个方面，所述多个传感器中的每一个配置为感测主车辆周围的对象。
在本公开的一个方面，控制器配置为在预定时间间隔期间识别先前被感测并且位于距主车辆预定距离处的对象。
在本公开的一个方面，控制器配置为在预定时间间隔期间跟踪先前被感测并且位于距主车辆预定距离处的对象。
在本公开的一个方面，控制器被编程为确定每个被跟踪对象的对象参数。对象参数包括对象识别号、观察轨迹、类别、预测轨迹、预定时间间隔期间的纵向速度曲线、预定时间间隔期间的横向速度曲线、预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、预定时间间隔期间的平均横向速度、预定时间间隔期间的平均角速度，类别包括行人、机动车辆和基础设施。
在本公开的一个方面，所述多个远程车辆运动参数包括所述多个远程车辆中的每一个在预定时间间隔期间的纵向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的横向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、所述多个远程车辆中的每一个在预定时间间隔期间的平均横向速度、以及预定时间间隔期间的平均角速度。
在本公开的一个方面，控制器被编程为确定多个远程车辆的交通模式，包括使用以下等式确定所述多个远程车辆中的每一个的多个远程车辆运动参数中的每一个的加权平均值：
其中：
是对于所述多个远程车辆中的一个而言与从所述多个远程车辆中的一个到主车辆的距离成反比的高斯加权因子；
i是所述多个远程车辆中的一个；和
pi是所述多个远程车辆运动参数中的一个；和
meanP是多个远程车辆运动参数中的一个的加权平均值。
在本公开的一个方面，控制器被编程为使用以下等式确定多个远程车辆的多个远程车辆运动参数中的每一个与主车辆的多个主车辆运动参数中的每一个的相似性：
其中：
Sim p 是多个远程车辆的多个远程车辆运动参数中的一个与主车辆的多个主车辆运动参数中的对应一个之间的相似性；
p rem 是多个远程车辆运动参数中的一个的加权平均值；
p host 是多个主车辆运动参数中的一个的值；和
δ是p rem 和p host 之间的差。
在本公开的一个方面，控制器被编程为量化所述多个远程车辆中的每一个的多个远程车辆运动参数，以使用以下等式确定所述多个远程车辆中的每一个在预定时间间隔期间的加权速度曲线：
；以及
其中：
ai是所述多个远程车辆中的一个在预定时间间隔期间加速的次数；
i是所述多个远程车辆中的一个；
w i 是加权因子；
m i 是所述多个远程车辆中的一个在预定时间间隔期间保持其速度的次数；
b i 是所述多个远程车辆中的一个在预定时间间隔期间制动的次数；
a t 是所述多个远程车辆中的一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；和
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线。
方案1. 一种用于使用附近交通模式来验证自主车辆性能的方法，包括：
接收远程车辆数据，其中，远程车辆数据包括关于多个远程车辆中的每一个在预定时间间隔期间的移动的至少一个远程车辆运动参数，所述多个远程车辆中的每一个都位于距主车辆预定距离处；
使用所述多个远程车辆中的每一个在预定时间间隔期间的至少一个远程车辆运动参数来确定所述多个远程车辆的交通模式；
确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性；
确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性是否小于预定阈值；以及
响应于确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性小于预定阈值，命令主车辆调整其移动以匹配所述多个远程车辆的交通模式。
方案2. 根据方案1所述的方法，还包括：感测主车辆周围的对象。
方案3. 根据方案2所述的方法，还包括：在预定时间间隔期间识别先前被感测并且位于距主车辆预定距离处的对象。
方案4. 根据方案3所述的方法，还包括：在预定时间间隔期间跟踪先前被感测并且位于距主车辆预定距离处的对象。
方案5. 根据方案4所述的方法，还包括：确定每个被跟踪对象的对象参数，其中，对象参数包括对象识别号、观察轨迹、类别、预测轨迹、预定时间间隔期间的纵向速度曲线、预定时间间隔期间的横向速度曲线、预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、预定时间间隔期间的平均横向速度和预定时间间隔期间的平均角速度，类别包括行人、机动车辆和基础设施。
方案6. 根据方案5所述的方法，其中，所述至少一个远程车辆运动参数是多个远程车辆运动参数中的一个，所述多个远程车辆运动参数包括所述多个远程车辆中的每一个在预定时间间隔期间的纵向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的横向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、所述多个远程车辆中的每一个在预定时间间隔期间的平均横向速度、以及预定时间间隔期间的平均角速度。
方案7. 根据方案6所述的方法，其中，确定所述多个远程车辆的交通模式包括使用以下等式确定所述多个远程车辆中的每一个的多个远程车辆运动参数中的每一个的加权平均值：
其中：
是对于所述多个远程车辆中的一个而言与从所述多个远程车辆中的一个到主车辆的距离成反比的高斯加权因子；
i是所述多个远程车辆中的一个；和
pi是所述多个远程车辆运动参数中的一个；和
meanP是多个远程车辆运动参数中的一个的加权平均值。
方案8. 根据方案7所述的方法，其中，确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性包括量化所述多个远程车辆中的每一个的多个远程车辆运动参数。
方案9. 根据方案1所述的方法，其中，所述至少一个远程车辆运动参数是多个远程车辆运动参数中的一个，量化所述多个远程车辆中的每一个的多个远程车辆运动参数以使用以下等式确定所述多个远程车辆中的每一个在预定时间间隔期间的加权速度曲线：
；以及
其中：
ai是所述多个远程车辆中的一个在预定时间间隔期间加速的次数；
i是所述多个远程车辆中的一个；
w i 是加权因子；
m i 是所述多个远程车辆中的一个在预定时间间隔期间保持其速度的次数；
b i 是所述多个远程车辆中的一个在预定时间间隔期间制动的次数；
a t 是所述多个远程车辆中的一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；和
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线。
方案10. 根据方案1所述的方法，其中，确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性包括使用以下等式确定多个远程车辆的多个远程车辆运动参数中的每一个与主车辆的多个主车辆运动参数中的每一个的相似性：
其中，；
wa是主车辆和远程车辆的加速的加权因子；
wm是当主车辆或远程车辆（47）的车辆速度保持恒定时的加权因子；
wb是当远程车辆或主车辆制动时的加权因子；
a t 是所述多个远程车辆中的每一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线；
a e 是主车辆在预定时间间隔期间的加速度曲线；
m e 是主车辆在预定时间间隔期间的恒定速度曲线；
b e 是主车辆在预定时间间隔期间的制动曲线；和
sim i 是多个远程车辆运动参数中的一个与多个主车辆运动参数的对应一个之间的相似性。
方案11. 根据方案9所述的方法，其中，确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性是否小于预定阈值包括使用以下等式确定多个远程车辆的多个远程车辆运动参数与主车辆的多个主车辆运动参数之间的相似性：
其中：
是参数类别i的多个远程车辆运动参数中的一个与参数类别i的多个主车辆运动参数中的一个之间的相似性；和
w i 是参数类别i的加权因子；和
sim i 是多个远程车辆运动参数中的一个与多个主车辆运动参数的对应一个之间的相似性。
方案12. 一种用于使用附近交通模式来验证自主车辆性能的系统，包括：
多个传感器；
与所述多个传感器通信的控制器，其中，控制器被编程为：
从所述多个传感器接收远程车辆数据，其中，远程车辆数据包括关于多个远程车辆中的每一个在预定时间间隔期间的移动的至少一个远程车辆运动参数，并且所述多个远程车辆中的每一个位于距主车辆预定距离处；
使用所述多个远程车辆中的每一个在预定时间间隔期间的至少一个远程车辆运动参数来确定多个远程车辆的交通模式；
确定多个远程车辆的交通模式与主车辆的移动之间的相似性；
确定多个远程车辆的交通模式与主车辆的移动之间的相似性是否小于预定阈值；以及
响应于确定多个远程车辆的交通模式与主车辆的移动之间的相似性小于预定阈值，命令主车辆调整其移动以匹配多个远程车辆的交通模式。
方案13. 根据方案12所述的系统，其中，所述多个传感器中的每一个配置为感测主车辆周围的对象。
方案14. 根据方案13所述的系统，其中，控制器配置为在预定时间间隔期间识别先前被感测并且位于距主车辆预定距离处的对象。
方案15. 根据方案14所述的系统，其中，控制器配置为在预定时间间隔期间跟踪先前被感测并且位于距主车辆预定距离处的对象，预定距离是六米，预定时间间隔期间是四分钟。
方案16. 根据方案15所述的系统，其中，控制器被编程为确定每个被跟踪对象的对象参数，其中，对象参数包括对象识别号、观察轨迹、类别、预测轨迹、预定时间间隔期间的纵向速度曲线、预定时间间隔期间的横向速度曲线、预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、预定时间间隔期间的平均横向速度、预定时间间隔期间的平均角速度，类别包括行人、机动车辆和基础设施。
方案17. 根据方案15所述的系统，其中，所述至少一个远程车辆运动参数是多个远程车辆运动参数中的第一个，所述多个远程车辆运动参数包括所述多个远程车辆中的每一个在预定时间间隔期间的纵向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的横向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的角速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的平均纵向速度、所述多个远程车辆中的每一个在预定时间间隔期间的平均横向速度、以及所述多个远程车辆中的每一个在预定时间间隔期间的平均角速度。
方案18. 根据方案17所述的系统，其中，控制器被编程为使用以下等式确定所述多个远程车辆中的每一个的多个远程车辆运动参数中的每一个的加权平均值：
其中：
是对于所述多个远程车辆中的一个而言与从所述多个远程车辆中的一个到主车辆的距离成反比的高斯加权因子；
i是所述多个远程车辆中的一个；和
pi是所述多个远程车辆运动参数中的一个；和
meanP是多个远程车辆运动参数中的一个的加权平均值。
方案19. 根据方案18所述的系统，其中，控制器被编程为使用以下等式确定多个远程车辆的多个远程车辆运动参数中的每一个与主车辆的多个主车辆运动参数中的每一个的相似性：
其中：
Sim p 是多个远程车辆的多个远程车辆运动参数中的一个与主车辆的多个主车辆运动参数中的对应一个之间的相似性；
p rem 是多个远程车辆运动参数中的一个的加权平均值；
p host 是多个主车辆运动参数中的一个的值；和
δ是p rem 和p host 之间的差。
方案20. 根据方案12所述的系统，其中，所述至少一个远程车辆运动参数是多个远程车辆运动参数中的第一个，控制器被编程为量化所述多个远程车辆中的每一个的多个远程车辆运动参数，以使用以下等式确定所述多个远程车辆中的每一个在预定时间间隔期间的加权速度曲线：
；以及
其中：
ai是所述多个远程车辆中的一个在预定时间间隔期间加速的次数；
i是所述多个远程车辆中的一个；
w i 是加权因子；
m i 是所述多个远程车辆中的一个在预定时间间隔期间保持其速度的次数；
b i 是所述多个远程车辆中的一个在预定时间间隔期间制动的次数；
a t 是所述多个远程车辆中的一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；和
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线。
本公开的其它应用领域将从下文提供的详细描述变得显而易见。应当理解的是，详细描述和具体示例仅旨在用于说明的目的，并且不旨在限制本公开的范围。
当结合附图时，根据包括权利要求和示例性实施例的详细描述，当前公开的系统和方法的上述特征和优点以及其它特征和优点将是容易显而易见的。
附图说明
本公开将从详细描述和附图得到更全面的理解，在附图中：
图1是描述主车辆的实施例的框图，该主车辆包括用于使用附近交通模式来验证自主车辆性能的系统；
图2是图1的主车辆和主车辆附近的多个远程车辆的透视图；和
图3是用于使用附近交通模式来验证自主车辆性能的方法的流程图。
具体实施方式
现在将详细参考附图中示出的本公开的几个示例。只要可能，在附图和描述中使用相同或相似的附图标记来指代相同或相似的部分或步骤。
参考图1，主车辆10总体上包括底盘12、车身14、前轮和后轮17，并且可以被称为车辆系统。在所示实施例中，主车辆10包括两个前轮17a和两个后轮17b。车身14布置在底盘12上并且基本上包围主车辆10的部件。车身14和底盘12可以共同形成车架。车轮17每个在车身14的相应角部附近可旋转地联接到底盘12 。主车辆10包括联接到前轮17a的前轴19和联接到后轮17b的后轴25。
在各种实施例中，主车辆10可以是自主车辆并且控制系统98被结合到主车辆10中。控制系统98可以被称为系统或用于使用附近交通模式来验证自主车辆性能的系统。主车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。主车辆10在所示实施例中被描述为皮卡车，但是应当理解是，也可以使用其它车辆，包括卡车、轿车、双门轿车、运动型多功能车辆（SUV）、休闲车辆（RV）等。在一个实施例中，主车辆10可以是所谓的二级、三级、四级或五级自动化系统。四级系统表示“高度自动化”，指的是由自动驾驶系统以特定驾驶模式执行动态驾驶任务的方面，即使人类驾驶员没有对干预请求做出适当响应也是如此。五级系统表示“完全自动化”，指的是在可以由人类驾驶员管理的多种道路和环境条件下由自动驾驶系统全时执行动态驾驶任务的方面。在3级车辆中，车辆系统在其如此设计的区域内执行整个动态驾驶任务（DDT）。仅当一些事情出错或车辆即将离开其能够操作的区域时主车辆10实质上“要求”驾驶员接管时，才预期车辆操作者负责DDT接管（fallback）。在2级车辆中，系统提供转向、制动/加速支持、车道居中和自适应巡航控制。然而，即使这些系统被激活，处于驾驶座上的（at the wheel ）车辆操作者也必须在驾驶中并不断监督自动化特征。
如图所示，主车辆10总体上包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34和通信系统36。在各种实施例中，推进系统20可以包括电机（例如牵引马达）和/或燃料电池推进系统。主车辆10还可包括电连接到推进系统20的电池（或电池组）21。因此，电池21配置为存储电能并向推进系统20提供电能。在某些实施例中，推进系统20可以包括内燃发动机和/或电动马达。传动系统22配置成根据可选择的速度比将功率从推进系统20传输到车轮17。根据各种实施例，传动系统22可包括有级传动比（step-ratio）自动变速器、连续可变变速器或其它合适的变速器。制动系统26配置为向车轮17提供制动扭矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、诸如电机的再生制动系统和/或其它合适的制动系统。转向系统24影响车轮17的位置并且可以包括方向盘33。尽管出于说明目的被描述为包括方向盘33，但在本公开范围内设想的一些实施例中，转向系统24可以不包括方向盘33。
传感器系统28包括一个或多个传感器40（即，感测装置），其感测主车辆10的外部环境和/或内部环境的可观察状况。传感器40与控制器34通信并且可以包括但不限于一个或多个雷达、一个或多个光检测和测距（激光雷达）传感器、一个或多个接近传感器、一个或多个里程表、一个或多个探地雷达（GPR）传感器、一个或多个转向角传感器、一个或多个全球定位系统（GPS）收发器45、一个或多个轮胎压力传感器、一个或多个照相机41（例如，光学照相机和/或红外照相机）、一个或多个陀螺仪、一个或多个加速度计、一个或多个倾角计、一个或多个速度传感器、一个或多个超声波传感器、一个或多个惯性测量单元（IMU）和/或其它传感器。每个传感器 40 配置为生成指示所感测的主车辆 10 的外部环境和/或内部环境的可观察状况的信号。因为传感器系统28向控制器34提供数据，所以传感器系统28及其传感器40被认为是信息源（或简称为源）。
传感器系统28包括一个或多个全球导航卫星系统（GNSS）收发器45（例如，全球定位系统（GPS）收发器），其配置为检测和监测路线数据（即，路线信息）。GNSS收发器45配置为与GNSS通信以定位主车辆10在地球中的位置。GNSS收发器45与控制器34电子通信。
致动器系统30包括一个或多个致动器装置42，其控制一个或多个车辆特征，例如但不限于推进系统20、传动系统22、转向系统24和制动系统26。在各种实施例中，车辆特征还可以包括内部和/或外部车辆特征，例如但不限于车门、行李箱和舱室特征，例如空气、音乐、照明等。
数据存储装置32存储用于自动控制主车辆10的数据。在各种实施例中，数据存储装置32存储可导航环境的定义地图。在各种实施例中，定义地图可以由远程系统预先定义并从远程系统获得。例如，定义地图可以由远程系统组装并且传送到主车辆10（无线地和/或以有线方式）并且存储在数据存储装置32中。数据存储装置32可以是控制器34的一部分，与控制器34独立，或者是控制器34的一部分和独立系统的一部分。
主车辆10还可以包括与主车辆10的控制器34或另一控制器通信的一个或多个气囊35。气囊35包括可充气气囊并且配置为在收起配置和展开配置之间过渡以缓冲施加到主车辆10的外力的影响。传感器40可以包括气囊传感器，例如IMU，其配置为检测外力并生成指示这种外力的大小的信号。控制器34配置成基于来自一个或多个传感器40（例如气囊传感器）的信号命令气囊35展开。因此，控制器34配置成确定气囊35何时展开。
控制器34包括至少一个处理器44和非暂态性计算机可读存储装置或介质46。处理器44可以是定制的或可商业获得的处理器、中央处理单元（CPU）、图形处理单元（GPU）、与控制器34相关的多个处理器中的辅助处理器、基于半导体的微处理器（微芯片或芯片组的形式）、宏处理器、其组合或通常用于执行指令的装置。例如，计算机可读存储装置或介质46可以包括只读存储器（ROM）、随机存取存储器（RAM）和保持活动存储器（KAM）中的易失性和非易失性存储装置。KAM是持久性或非易失性存储器，其可以在处理器44停机时用于存储各种操作变量。计算机可读存储装置或介质46可以使用多种存储器装置来实施，例如PROM（可编程只读存储器）、EPROM（电PROM）、EEPROM（电可擦除PROM）、闪存或能够存储数据的另一种电、磁、光或组合存储器装置，其中一些表示可执行指令，由控制器34在控制主车辆10时使用。主车辆10的控制器34可以被称为车辆控制器并且可以被编程为执行如下详细描述的方法100。
指令可以包括一个或多个单独的程序，每个程序包括用于实施逻辑功能的可执行指令的有序列表。当由处理器44执行时，指令接收并处理来自传感器系统28的信号，执行用于自动控制主车辆10的部件的逻辑、计算、方法和/或算法，并且基于逻辑、计算、方法和/或算法生成至致动器系统30的控制信号以自动控制主车辆10的部件。尽管在图1中示出了单个控制器34，但主车辆10的实施例可包括多个控制器34，它们经过合适的通信介质或通信介质的组合通信，并且协作以处理传感器信号，执行逻辑、计算、方法和/或算法，并且生成控制信号以自动控制主车辆10的特征。
在各种实施例中，控制器34的一个或多个指令实施在控制系统98中。主车辆10包括用户界面23，其可以是仪表板中的触摸屏。用户界面23可以包括但不限于警报器，例如用于提供可听声音的一个或多个扬声器27、车辆座椅或其它对象中的触觉反馈、一个或多个显示器29、一个或多个麦克风31和/或适合向主车辆10的车辆用户提供通知的其它装置。用户界面23与控制器34电子通信并且配置为接收由用户（例如，车辆操作者或车辆乘客）的输入。例如，用户界面23可以包括触摸屏和/或配置为接收来自车辆用户11（图1）的输入的按钮。因此，控制器34配置为经由用户界面23接收来自用户的输入。
主车辆10可以包括一个或多个显示器29，该显示器29配置为向用户（例如，车辆操作者或乘客）显示信息。在某些实施例中，显示器29可以配置为平视显示器（HUD）和/或信息集群显示器。
通信系统36与控制器34通信并且配置无线地将信息传送到其它对象48且从其接收信息，例如但不限于，其它车辆（“V2V”通信），基础设施（“V2I”通信）、远程呼叫中心（例如GENERAL MOTORS 的 ON-STAR）处的远程系统和/或个人电子装置（例如移动电话）。在某些实施例中，通信系统36是配置为经由使用IEEE 802.11标准的无线局域网（WLAN）或通过使用蜂窝数据通信来通信的无线通信系统。然而，诸如专用短程通信（DSRC）信道的附加或替代通信方法也被认为在本公开的范围内。DSRC信道是指为汽车使用而设计的单向或双向短程到中程无线通信通道以及一组对应的协议和标准。因此，通信系统36可以包括一个或多个天线和/或通信收发器37，用于接收和/或传输信号，例如协作感测消息（CSM）。通信收发器37可以被认为是传感器40或信息源。通信系统36配置为在主车辆10和另一车辆之间无线地传送信息。此外，通信系统36配置为在主车辆10和基础设施或其它车辆之间无线地传送信息。
参考图1和2，系统98配置为验证主车辆10的自主驾驶性能。验证自主驾驶性能是非常具有挑战性的任务。除了长尾问题（即，大量极端情况）之外，另一个问题是缺乏基本事实。这主要是因为在大多数驾驶场景中，可能存在许多同样好的决策/规划。因此，很难定义哪一个是应该用于验证自主驾驶系统性能的基本事实。当前公开的系统98和方法100（图3）可用于验证自主驾驶性能。在大多数自主驾驶场景中，主车辆10的行为应该与交通流中的其余部分一致。因此，整体周围交通流模式被用作基本事实来验证主车辆10的自主驾驶性能。
如图2所示，主车辆10可以被一个或多个对象48包围。这些对象48中的一些可以是位于距主车辆10预定距离处的远程车辆47。换句话说，从主车辆10到这些远程车辆47的距离50等于或小于预定距离50。距离50可以以长度为单位（例如米），或以车道60的数量为单位，或使用另一种合适的方法测量。在本公开中，系统98使用在预定时间间隔期间位于距主车辆10预定距离内的远程车辆47的交通模式来验证自主驾驶性能。在本公开中，术语“交通模式”是指在预定时间间隔期间位于距主车辆10预定距离内的一组远程车辆47的当前、过去和预测移动的模式。可以通过测试交通中的主车辆10来确定预定距离。作为非限制性示例，预定距离50可以是六米以允许系统98考虑与主车辆10所位于的车道直接相邻的车道中的远程车辆47的交通模式。然而，可设想的是，预定距离可以小于或大于六米。预定时间间隔可以通过测试主车辆来确定并且可以以秒、分钟或其它合适的时间度量来确定。作为非限制性示例，预定时间间隔可以是四分钟以向系统98提供足够的时间来感测位于距主车辆10预定距离内的远程车辆47的移动。与预定时间间隔的值无关，系统98的控制器34被具体编程为执行方法100以验证主车辆10的自主驾驶性能。
参考图3，方法100开始于框102。框102需要使用一个或多个一个或多个传感器40（例如，照相机41、激光雷达传感器）和/或经由一个或多个通信收发器37从一个或多个对象48接收的数据来感测主车辆10周围的对象48。由传感器40收集或由通信收发器37接收的该传感器数据被传输到主车辆10的控制器34，并且可以称为远程车辆数据，因为它包括关于主车辆10周围的远程车辆47的数据。因此，在框102处，控制器34接收远程车辆数据。在本公开中，术语“远程车辆”是指位于距主车辆10一距离（等于或小于预定距离50）处的车辆。然后，方法100进行到框104。
在框104处，使用主车辆10中的一个或多个传感器40（例如，照相机41、激光雷达传感器）和/或经由一个或多个通信收发器37从一个或多个对象48接收的数据，控制器34识别并跟踪位于距主车辆10预定距离50内的对象48。位于距主车辆10预定距离50内的对象48可以被认为是远程车辆47或相关对象。因此，在框104处，控制器34使用远程车辆数据识别和跟踪远程车辆47。对于位于距主车辆10预定距离50内的每个识别对象48（即，远程车辆47），控制器34确定（例如，估计）预定时间间隔期间的一个或多个参数。这些参数是远程车辆数据的一部分并且可以包括但不限于对象识别号、类别、观察轨迹、预测轨迹、预定时间间隔期间的纵向速度曲线、预定时间间隔期间的横向速度曲线、预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、预定时间间隔期间的平均横向速度和/或预定时间间隔期间的平均角速度。参数可以包括远程车辆运动参数。如本文所使用的那样，术语“远程车辆运动参数”是指关于位于距主车辆10预定距离50内的远程车辆47在预定时间间隔期间的移动的参数。作为非限制性示例，远程车辆运动参数是远程车辆数据的一部分，并且可以包括但不限于观察轨迹、预测轨迹、预定时间间隔期间的纵向速度曲线、预定时间间隔期间的横向速度曲线、预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、预定时间间隔期间的平均横向速度和/或预定时间间隔期间的平均角速度。然后方法100进行到框106。
在框106处，控制器34使用远程数据来确定位于距主车辆10预定距离50内的远程车辆47的交通模式。如本文所使用的那样，术语“交通模式”是指在预定时间间隔期间位于距主车辆10预定距离内的一组远程车辆47的当前、过去和预测移动的模式。因此，控制器34使用一个或多个远程车辆运动参数确定位于距主车辆10预定距离50内的远程车辆47的交通模式。交通模式可以被描述为属于感兴趣类别（例如，在预定时间间隔期间位于距主车辆预定距离50内的远程车辆47 ）的对象48的参数（例如，远程车辆运动参数）的统计。例如，对于车辆类别，作为确定交通模式的一部分，控制器34使用以下等式确定（例如，计算）每个远程车辆运动参数的加权平均值：
其中：
是对于所述多个远程车辆中的一个而言与从所述多个远程车辆中的一个到主车辆10的距离成反比的高斯加权因子，或者/>1,0 ≤ wi≤ 1；
i是所述多个远程车辆47中的一个；和
pi是远程车辆47的所述多个远程车辆运动参数中的一个；和
meanP是远程车辆47的多个远程车辆运动参数中的一个的加权平均值。
替代地，对于车辆类别，作为确定交通模式的一部分，控制器34使用以下等式在预定时间间隔期间量化远程车辆运动参数：
；以及
其中：
ai是所述多个远程车辆47中的一个在预定时间间隔期间加速的次数；
i是所述多个远程车辆47中的一个；
w i 是加权因子；
m i 是所述远程车辆47中的一个或多个在预定时间间隔期间保持其速度的次数；
b i 是所述远程车辆47中的一个或多个在预定时间间隔期间制动的次数；
a t 是所述远程车辆47中的一个或多个在预定时间间隔期间的加速度曲线；
m t 是所述远程车辆47中的每一个在预定时间间隔期间的恒定速度曲线；和
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线。
在执行框106之后，方法100进行到框108。
在框108处，控制器34确定（例如，计算）远程车辆47的交通模式与主车辆10的移动之间的相似性。在本公开中，术语“相似性”是指远程车辆运动参数的值与同一参数类别的主车辆运动参数的值有多接近。如上所讨论的那样，主车辆运动参数和远程车辆运动参数的参数类别可以是但不限于，观察轨迹、预测轨迹、预定时间间隔期间的纵向速度曲线、预定时间间隔期间的横向速度曲线、预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、预定时间间隔期间的平均横向速度和/或预定时间间隔期间的平均角速度。术语“主车辆运动参数”是指关于在预定时间间隔期间主车辆10的移动的参数。
为了确定远程车辆47的交通模式和主车辆10的移动之间的相似性，控制器34可以使用以下等式确定远程车辆运动参数中的每个和对应主车辆运动参数中的每个之间的相似性：
其中：
Sim p 是远程车辆47的远程车辆运动参数中的一个与主车辆10的主车辆运动参数中的对应一个之间的相似性；
p rem 是多个远程车辆运动参数中的一个的加权平均值；
p host 是主车辆运动参数中的一个的值；
δ是p rem 和p host 之间的差。
替代地，控制器34可使用以下等式确定（例如，计算）远程车辆47的交通模式与主车辆10的移动之间的相似性：
其中：
；
wa是加速的加权因子；
wm是保持车辆速度的次数的加权因子；
wb是远程车辆中的一个或主车辆制动的次数的加权因子；
a t 是所述多个远程车辆中的每一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线；
a e 是主车辆在预定时间间隔期间的加速度曲线；
m e 是主车辆在预定时间间隔期间的恒定速度曲线；
b e 是主车辆在预定时间间隔期间的制动曲线。
然后，控制器34使用以下等式确定（例如，计算）远程车辆47的交通模式与主车辆10的移动之间的相似性：
其中：
是参数类别i的多个远程车辆运动参数中的一个与参数类别i的多个主车辆运动参数中的一个之间的相似性；和
w i 是参数类别i的加权因子。
然后方法100进行到框110。
在框110处，控制器34确定多个远程车辆47的交通模式与主车辆10的移动之间的相似性是否小于预定阈值。预定阈值的值可以通过测试主车辆10来获得。如果远程车辆47的交通模式与主车辆10的移动之间的相似性等于或大于预定阈值，则方法100进行到框112。如果远程车辆47的交通模式与主车辆10的移动之间的相似性小于预定阈值，则方法100进行到框114。
在框110处，控制器34将主车辆10的移动标记为正常，并且控制器34命令主车辆10保持其当前自主驾驶行为。
在框114处，控制器34将主车辆10的移动标记为异常并且命令主车辆10根据交通模式调整其移动。换句话说，控制器34命令主车辆10调整其移动以匹配位于距主车辆10预定距离50内的远程车辆10的交通模式。在执行框112或框114之后，方法100进行到框116。
在框116处，控制器34命令传感器40（和/或通信系统36）继续跟踪位于距主车辆10预定距离50内的对象48。然后，方法100返回框104。
虽然上文描述了示例性实施例，但是这些实施例并不旨在描述由权利要求所涵盖的所有可能的形式。说明书中使用的词语是描述性而非限制性的词语，并且应当理解的是，可在不脱离本公开的精神和范围的情况下进行各种改变。如前文所述的那样，各种实施例的特征可被组合，以形成可能未明确描述或图示的当前公开的系统和方法的进一步实施例。虽然各种实施例可能已经描述为关于一个或多个期望的特性提供优点或优于其它实施例或现有技术的实施方式，但是本领域普通技术人员会认识到，一个或多个特征或特性可被折衷，以实现期望的总体系统属性，这取决于具体应用和实施方式。这些属性可包括但不限于成本、强度、耐用性、生命周期成本、适销性、外观、包装、大小、可维护性、重量、可制造性、易于组装等。如此，关于一个或多个特性被描述为与其它实施例或现有技术的实施方式相比不那么期望的实施例不在本公开的范围之外，并且对于特定应用而言可能是期望的。
附图为简化形式，且并未按精确比例绘制。仅为方便和清楚起见，方向术语（诸如顶部、底部、左、右、向上、上、上方、下方、下、后和前）可以相对于附图使用。这些和类似的方向术语不应解释为以任何方式限制本公开的范围。
本文描述了本公开的实施例。然而，应当理解的是，所公开的实施例仅仅是示例，其它实施例可以采取不同的和可选的形式。附图不必按比例绘制；一些特征可能被夸大或最小化以示出特定部件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅仅作为教导本领域技术人员以各种方式使用当前公开的系统和方法的代表性基础。如本领域的普通技术人员将理解的那样，参考任何一个附图图示和描述的各种特征可以与一个或多个其它附图中图示的特征相组合，以产生没有明确图示或描述的实施例。所图示特征的组合为典型应用提供了代表性实施例。然而，与本公开的教导一致的特征的各种组合和修改对于特定的应用或实施方式可能是期望的。
本公开的实施例在本文可以按照功能和/或逻辑框部件和各个处理步骤来描述。应当理解的是，这种框部件可以由配置成执行指定功能的多种硬件、软件和/或固件部件来实现。例如，本公开的实施例可以采用各种集成电路部件（例如，存储器元件、数字信号处理元件、逻辑元件、查找表等），其可以在一个或多个微处理器或其它控制装置的控制下执行各种功能。另外，本领域技术人员将理解的是，本公开的实施例可以结合多种系统来实践，且本文所述的系统仅仅是本公开的示例性实施例。
为了简要起见，本文可以不详细描述与信号处理、数据融合、信号发送、控制、以及系统的其它功能方面（和系统的各个操作部件）有关的技术。另外，本文所包括的各个附图中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意的是，在本公开的实施例中可以存在替代或附加的功能关系或物理连接。
前述描述本质上仅是说明性的，并且绝不旨在限制本公开、其应用或使用。本公开的宽泛教导可以以各种形式实施。因此，虽然本公开包括特定示例，但是本公开的真实范围不应如此限制，因为在研究附图、说明书和所附权利要求书后，其它修改将变得显而易见。

Claims (10)

1.一种用于使用附近交通模式来验证自主车辆性能的方法，包括：
接收远程车辆数据，其中，远程车辆数据包括关于多个远程车辆中的每一个在预定时间间隔期间的移动的至少一个远程车辆运动参数，所述多个远程车辆中的每一个都位于距主车辆预定距离处；
使用所述多个远程车辆中的每一个在预定时间间隔期间的至少一个远程车辆运动参数来确定所述多个远程车辆的交通模式；
确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性；
确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性是否小于预定阈值；以及
响应于确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性小于预定阈值，命令主车辆调整其移动以匹配所述多个远程车辆的交通模式。
2.根据权利要求1所述的方法，还包括：感测主车辆周围的对象。
3.根据权利要求2所述的方法，还包括：在预定时间间隔期间识别先前被感测并且位于距主车辆预定距离处的对象。
4.根据权利要求3所述的方法，还包括：在预定时间间隔期间跟踪先前被感测并且位于距主车辆预定距离处的对象。
5.根据权利要求4所述的方法，还包括：确定每个被跟踪对象的对象参数，其中，对象参数包括对象识别号、观察轨迹、类别、预测轨迹、预定时间间隔期间的纵向速度曲线、预定时间间隔期间的横向速度曲线、预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、预定时间间隔期间的平均横向速度和预定时间间隔期间的平均角速度，类别包括行人、机动车辆和基础设施。
6.根据权利要求5所述的方法，其中，所述至少一个远程车辆运动参数是多个远程车辆运动参数中的一个，所述多个远程车辆运动参数包括所述多个远程车辆中的每一个在预定时间间隔期间的纵向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的横向速度曲线、所述多个远程车辆中的每一个在预定时间间隔期间的角速度曲线、预定时间间隔期间的平均纵向速度、所述多个远程车辆中的每一个在预定时间间隔期间的平均横向速度、以及预定时间间隔期间的平均角速度。
7.根据权利要求6所述的方法，其中，确定所述多个远程车辆的交通模式包括使用以下等式确定所述多个远程车辆中的每一个的多个远程车辆运动参数中的每一个的加权平均值：
其中：
是对于所述多个远程车辆中的一个而言与从所述多个远程车辆中的一个到主车辆的距离成反比的高斯加权因子；
i是所述多个远程车辆中的一个；和
pi是所述多个远程车辆运动参数中的一个；和
meanP是多个远程车辆运动参数中的一个的加权平均值。
8.根据权利要求7所述的方法，其中，确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性包括量化所述多个远程车辆中的每一个的多个远程车辆运动参数。
9.根据权利要求1所述的方法，其中，所述至少一个远程车辆运动参数是多个远程车辆运动参数中的一个，量化所述多个远程车辆中的每一个的多个远程车辆运动参数以使用以下等式确定所述多个远程车辆中的每一个在预定时间间隔期间的加权速度曲线：
；以及
其中：
ai是所述多个远程车辆中的一个在预定时间间隔期间加速的次数；
i是所述多个远程车辆中的一个；
w i 是加权因子；
m i 是所述多个远程车辆中的一个在预定时间间隔期间保持其速度的次数；
b i 是所述多个远程车辆中的一个在预定时间间隔期间制动的次数；
a t 是所述多个远程车辆中的一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；和
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线。
10.根据权利要求1所述的方法，其中，确定所述多个远程车辆的交通模式与主车辆的移动之间的相似性包括使用以下等式确定多个远程车辆的多个远程车辆运动参数中的每一个与主车辆的多个主车辆运动参数中的每一个的相似性：
其中，；
wa是主车辆和远程车辆的加速的加权因子；
wm是当主车辆或远程车辆（47）的车辆速度保持恒定时的加权因子；
wb是当远程车辆或主车辆制动时的加权因子；
a t 是所述多个远程车辆中的每一个在预定时间间隔期间的加速度曲线；
m t 是所述多个远程车辆中的每一个在预定时间间隔期间的恒定速度曲线；
b t 是所述多个远程车辆中的每一个在预定时间间隔期间的制动曲线；
a e 是主车辆在预定时间间隔期间的加速度曲线；
m e 是主车辆在预定时间间隔期间的恒定速度曲线；
b e 是主车辆在预定时间间隔期间的制动曲线；和
sim i 是多个远程车辆运动参数中的一个与多个主车辆运动参数的对应一个之间的相似性。
CN202211304147.0A 2022-04-21 2022-10-24 使用附近交通模式来验证自主车辆性能的方法和系统 Pending CN116978214A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/725814 2022-04-21
US17/725,814 US20230343210A1 (en) 2022-04-21 2022-04-21 Method and system for validating autonomous vehicle performance using nearby traffic patterns

Publications (1)

Publication Number Publication Date
CN116978214A true CN116978214A (zh) 2023-10-31

Family

ID=88238269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211304147.0A Pending CN116978214A (zh) 2022-04-21 2022-10-24 使用附近交通模式来验证自主车辆性能的方法和系统

Country Status (3)

Country Link
US (1) US20230343210A1 (zh)
CN (1) CN116978214A (zh)
DE (1) DE102022127003A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11922806B2 (en) * 2022-02-24 2024-03-05 GM Global Technology Operations LLC System and method enabling validation-as-a-service for continuous validation of advanced driver assistance systems and autonomous vehicles

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7831391B2 (en) * 2007-06-12 2010-11-09 Palo Alto Research Center Incorporated Using segmented cones for fast, conservative assessment of collision risk
EP3081447B1 (en) * 2015-04-14 2020-07-01 Honda Research Institute Europe GmbH Intelligent gap setting for adaptive cruise control
US11427224B2 (en) * 2019-05-29 2022-08-30 CEO Vision, Inc Systems and methods for vehicle flocking for improved safety and traffic optimization
DE102019209481A1 (de) * 2019-06-28 2020-12-31 Volkswagen Aktiengesellschaft Verfahren, Computerprogramm und Vorrichtung zum Bestimmen eines Fahrzeugabstands für einen Beobachtungszeitraum
DE102021116468A1 (de) * 2021-06-25 2022-12-29 Ford Global Technologies, Llc Verfahren zum Betrieb eines Fahrzeug-Platoons mit einer Mehrzahl von Kraftfahrzeugen

Also Published As

Publication number Publication date
DE102022127003A1 (de) 2023-10-26
US20230343210A1 (en) 2023-10-26

Similar Documents

Publication Publication Date Title
US10317907B2 (en) Systems and methods for obstacle avoidance and path planning in autonomous vehicles
US20180074506A1 (en) Systems and methods for mapping roadway-interfering objects in autonomous vehicles
US11625038B2 (en) Autonomous driving device
CN110753893B (zh) 汽车自主驾驶以执行复杂的经常性低速操纵
EP3221664B1 (en) Gps based learned control event prediction
US20220306113A1 (en) Customization of autonomous-driving lane changes of motor vehicles based on drivers' driving behaviours
US20200318976A1 (en) Methods and systems for mapping and localization for a vehicle
CN116978214A (zh) 使用附近交通模式来验证自主车辆性能的方法和系统
CN114368368A (zh) 车辆控制系统和方法
CN111599166B (zh) 用于解释交通信号和协商信号化的交叉路口的方法和系统
US11854403B2 (en) System and method for providing a blind reveal warning on an augmented reality display
CN116797764A (zh) 在增强现实显示器上显示基础设施信息的系统和方法
US11798240B2 (en) System and method for social networking using an augmented reality display
CN116895143A (zh) 使用增强现实显示器来提供编队信息的系统和方法
CN116735237A (zh) 用于车辆的车轮对准自动检测系统和方法
CN116741158A (zh) 用于集成听觉和非听觉输入的自适应语音识别系统和方法
JP2022186227A (ja) 情報処理サーバ、情報処理サーバの処理方法、プログラム
CN112445227A (zh) 用于基于操纵的驾驶的方法和系统
US11815361B2 (en) System and method for generating an occlusion map using crowdsourcing
US20230091406A1 (en) Method and systems for systematic trailer position planning and control
US20230406287A1 (en) Data fusion-centric method and system for vehicle motion control
US11637900B1 (en) Method and system for facilitating uses of codes for vehicle experiences
US11978265B2 (en) System and method for providing lane identification on an augmented reality display
US20230360446A1 (en) Vehicle assistance device
US11946515B1 (en) Real-time machine learning and physics-based hybrid approach to perform eLSD torque estimation

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