CN117246316A - 用于执行最小风险操纵的车辆和操作该车辆的方法 - Google Patents

Abstract

本公开涉及一种操作车辆的方法以及车辆。所述方法包括：监测车辆的状态；基于车辆的状态，从多个紧急停车类型中确定紧急停车类型；以及执行确定的紧急停车类型。所述车辆包括：传感器；处理器，被配置为基于由传感器检测的车辆的部件的状态信息和车辆的周围环境信息控制车辆的自动驾驶；以及控制器，被配置为基于处理器的控制来控制车辆的操作，其中处理器进一步被配置为监测车辆的状态，基于车辆的状态从多个紧急停车类型中确定紧急停车类型，以及通过控制控制器执行确定的紧急停车类型。

Description

用于执行最小风险操纵的车辆和操作该车辆的方法

技术领域

各种实施例涉及一种用于执行最小风险操纵的车辆和操作该车辆的方法。

背景技术

最近，高级驾驶辅助系统(ADAS)已经被开发出来，以协助驾驶员驾驶。ADAS有多个子技术分类，并且可以为驾驶员提供极大的便利。这样的ADAS也称为自主驾驶或ADS(自动驾驶系统)。

另一方面，当车辆执行自动驾驶时，可能会发生意外事故或事件，如果不对这种事件执行适当的响应以最小化与相邻车辆的碰撞风险，则车辆可能处于危险状态。

发明内容

各种实施例涉及一种用于执行最小风险操纵的车辆和用于操作该车辆的方法。具体实施例涉及一种用于在高速公路上行驶时发生意外事故或事件时确定与相邻车辆的碰撞风险最小化的紧急停车类型并从而执行最小风险操纵的车辆和用于操作该车辆的方法。

本公开的各种实施例可以提供一种用于响应于在车辆的自动驾驶期间发生的事件确定与相邻车辆的碰撞风险最小化的紧急停车类型的方法。

可由本公开的实施例解决的技术问题不限于上述内容，并且本领域技术人员从下面提供的描述中可以准确地理解上面未提及的其它技术问题。

根据本公开的各种实施例，一个实施例是用于操作车辆的方法，该方法包括：监测车辆的状态；基于车辆的状态，确定紧急停车类型；以及执行确定的紧急停车类型。

根据本公开的各种实施例，一种车辆可以包括用于检测车辆的部件的状态信息和车辆的周围环境信息的传感器、基于来自传感器的信息控制车辆的自动驾驶的处理器以及根据处理器的控制来控制车辆的操作的控制器。

处理器可以基于来自传感器的信息监测车辆的状态，基于车辆的状态确定紧急停车类型，以及通过控制控制器执行确定的紧急停车类型。

根据本公开的各种实施例，用于操作车辆的方法可以进一步包括获得执行最小风险操纵功能的请求，并且可以仅在获得请求时，执行监测、确定紧急停车类型和执行确定的紧急停车类型。

根据本公开的各种实施例，用于操作车辆的方法可以进一步包括：确定车辆是否已完成执行确定的紧急停车类型并已达到最小风险状态；以及当车辆达到最小风险状态时，关闭自动驾驶系统。

根据本公开的各种实施例，监测车辆的状态可以包括：获得车辆的部件的状态信息；以及获得车辆的周围环境信息。

根据本公开的各种实施例，紧急停车类型可以包括：向前直行停车(straight-ahead stopping)，仅在向前直行行驶后停车；车道内停车，在沿车道行驶时停车；半肩停车，在识别路肩后跨过路肩停车；以及全肩停车，在识别路肩后完全转向路肩并在路肩上停车。

根据本公开的各种实施例，基于车辆的状态确定紧急停车类型可以包括：当仅车辆的制动控制可用时，确定向前直行停车；当车辆的制动控制和转向控制可用时，确定车道内停车；以及当车辆的制动控制和转向控制可用并且变道控制和路肩检测控制可用时，确定半肩停车或全肩停车之中的一种。

根据本公开的各种实施例，基于车辆的状态确定紧急停车类型可以包括：生成包括车辆的部件的状态信息和车辆的周围环境信息中的至少一部分的图像；以及利用将生成的图像作为输入的人工智能确定紧急停车类型。

根据本公开的各种实施例，生成图像可以包括：生成包括车辆的驾驶功能信息的第一图像；生成包括车辆的检测功能信息的第二图像；生成包括车辆的周围环境信息的第三图像；以及通过合成所生成的第一图像至第三图像，生成简化的鸟瞰图图像。

根据本公开的各种实施例，生成包括车辆的驾驶功能信息的第一图像可以包括当不可控制车辆的转向角时，基于车辆的当前转向角，生成以不同颜色或者不同图案显示可驾驶区域和不可驾驶区域的第一图像。

根据本公开的各种实施例，生成包括车辆的检测功能信息的第二图像可以包括生成以不同颜色或不同图案显示车道和路肩的第二图像。

根据本公开的各种实施例，生成包括车辆的检测功能信息的第二图像可以包括：基于先前正常识别的车道信息，预测当前车道信息；以及当无法检测车道时，生成以相互区别的方式显示正常检测的车道信息和预测的车道信息的第二图像。

根据本公开的各种实施例，处理器可以计算与相邻车辆的碰撞风险，并且根据碰撞风险改变并显示包括在简化的鸟瞰图图像中的相邻车辆的亮度，以指示碰撞风险。

根据本公开的各种实施例，即使车辆在自动驾驶期间发生危机的事件，车辆也可以执行能够消除风险的最小风险操纵。因此，车辆可以摆脱风险并进入最小风险状态，并且可以进一步提高车辆的驾驶稳定性。

可以从本公开的实施例中获得的有利效果不限于上述内容，并且本领域技术人员可以从以下描述中准确理解未提及的其它有利效果。

附图说明

图1示出根据本公开的各种实施例的车辆的概念性结构。

图2示出用于确定车辆的紧急停车类型的功能块。

图3示出根据各种实施例的紧急停车类型确定单元所确定的最终紧急停车类型。

图4是可供紧急停车类型确定单元使用的人工智能的示例。

图5至图8是示出由周围环境预测单元生成的图像的示例的视图。

图9是添加由周围环境预测单元生成的风险信息的图像的示例。

图10是说明由周围环境预测单元230计算碰撞风险的示例的视图。

图11是示出根据各种实施例的执行车辆的最小风险操纵所需的操作的流程图。

图12是示出车辆基于人工智能确定紧急停车类型的流程图。

图13是示出生成包括车辆的收集的状态信息、故障信息和周围环境信息的图像的示例的流程图。

相同的附图标记可以用于表示参考附图描述的相同或基本相同的元件。

具体实施方式

在下文中，将参照附图进一步详细描述本公开的各种实施例。

当在本公开中说明多个实施例时，每个实施例可以是独立的，并且两个或更多的实施例可以被组合和使用，除非它们相互冲突。

图1示出根据本公开的各种实施例的车辆的概念性结构。

参照图1，车辆100可以支持自动驾驶。根据实施例，车辆100可以在没有驾驶员操纵的情况下执行转向、加速、制动、换挡或停车，并且可以在驾驶员干预时在驾驶员的控制下行驶。例如，车辆100可以指能够执行根据自动化工程师协会(SAE)的3级或更高级的自动驾驶的车辆，但本公开不限于此。

例如，在本公开的实施例中说明的自动驾驶可以包括在行人检测和碰撞缓解系统(PDCMS)、变道决策辅助系统(LCDAS)、车道偏离警告系统(LDWS)、自适应巡航控制(ACC)、车道保持辅助系统(LKAS)、道路边界偏离预防系统(RBDPS)、曲线速度警告系统(CSWS)、前方车辆碰撞警告系统(FVCWS)、低速跟踪(LSF)等之中选择的至少一种ADS功能。

车辆100可以包括传感器110、控制器120、处理器130、显示器140、通信设备150和存储器(即，存储装置)160。

传感器110可以感测车辆100的周围环境，并生成与车辆100的周围环境相关的数据。根据实施例，传感器110可以包括摄像头、光探测和测距(LIDAR)传感器、无线电探测和测距(RADAR)传感器以及位置传感器之中的至少一种。

摄像头可以拍摄车辆100的周围环境，并且可以根据拍摄结果生成车辆100的周围环境的图像。摄像头可以检测车辆100的前方、后方和/或侧方，并且可以根据检测结果生成图像数据。例如，摄像头可以生成位于车辆100的前方、后方和/或侧方的其它目标(例如，其它车辆、人、物体、车道和障碍物)的图像数据。

根据实施例，摄像头可以包括图像传感器、图像处理器和摄像头MCU。例如，图像传感器可以感测通过镜头拍摄的对象的图像，图像处理器可以从图像传感器接收数据并处理数据，并且摄像头MCU可以从图像处理器接收数据。

LIDAR传感器可以利用光或激光检测车辆100的前方、后方和/或侧方，并且可以根据检测结果生成检测数据。例如，LIDAR传感器可以检测或识别位于车辆100的前方、后方和/或侧方的其它目标(例如，其它车辆、人、物体、车道和障碍物)。

根据实施例，LIDAR传感器可以包括激光传输模块、激光检测模块、信号收集和处理模块以及数据传输/接收模块，并且激光的光源具有250nm至11μm的波长范围内的波长，或者可以使用能够调谐波长的激光的光源。另外，LIDAR传感器可以根据信号调制方法分为飞行时间(TOF)方法和相移(phase shift)方法。

雷达传感器可以利用电磁波(或无线电波)检测车辆100的前方、后方和/或侧方，并且可以根据检测结果生成检测数据。例如，雷达传感器可以检测或识别位于车辆100的前方、后方和/或侧方的其它目标(例如，其它车辆、人、物体、车道和障碍物)。

雷达传感器可以利用频率调制载波(FMCW)或脉冲载波方法，在30度的水平角度上检测前方150米以内的目标。雷达传感器可以处理根据探测结果生成的数据，并且这种处理可以包括放大位于前方的被感测目标或聚焦于整个视区内的目标区域。

位置传感器可以测量车辆100的当前位置。根据实施例，位置传感器可以包括GPS传感器，并且GPS传感器可以利用与卫星的通信测量车辆100的位置、速度和当前时间。根据实施例，GPS传感器可以测量从卫星发射的无线电波的延迟时间，并根据与轨道的距离获得车辆100的位置。

控制器120可以根据处理器130的控制来控制车辆100的操作。根据实施例，控制器120可以控制车辆100的转向、驾驶、制动和换挡。例如，控制器120可以控制用于执行车辆100的转向、驾驶、制动和换挡的每个部件。

控制器120可以根据处理器130的控制来控制车辆100的转向。根据实施例，控制器120可以控制驱动方向盘的马达驱动的动力转向系统(MPDS)。例如，当预测发生车辆碰撞时，控制器120可以控制车辆的转向方向，以避免碰撞或使损害最小化。

控制器120可以根据处理器130的控制来控制车辆100的驾驶。根据实施例，控制器120可以执行车辆100的减速、加速，或者打开或关闭发动机。例如，控制器120可以根据处理器130的控制加速或减速，并且可以在车辆100开始或结束驾驶时打开/关闭发动机。

另外，控制器120可以在没有驾驶员的控制的情况下控制车辆100的驾驶。例如，控制器120可以在处理器130的控制下执行车辆100的自动驾驶。

控制器120可以根据处理器130的控制来控制车辆100的制动。根据实施例，控制器120可以控制车辆100的制动器是否被操作并控制制动器的踏板力度。例如，控制器120可以控制在预测发生碰撞时自动应用紧急制动。

处理器130可以控制车辆100的整体操作。处理器130可以是能够集成控制车辆100中的部件的电控单元(ECU)。例如，处理器130可以包括能够执行算术处理的中央处理单元(CPU)或微处理单元(MCU)。另外，可以具有至少一个或多个处理器130，并且每个处理器130独立地操作不同的功能以控制车辆100中的部件，或者根据其它实施例，处理器130可以在相互关联并交换数据的同时以集成的方式一起操作车辆的元件。

处理器130可以执行与车辆100的控制相关的确定，并且可以根据确定结果控制控制器120。根据实施例，处理器130可以从传感器110接收数据，并且基于接收的数据生成用于控制控制器120的控制命令。处理器130可以将控制命令发送到控制器120。而且，处理器130可以接收驾驶员的输入或控制，并可以根据驾驶员的输入控制控制器120。

另一方面，在上述描述中，假设控制器120和处理器130是独立的部件，但是根据实施例，控制器120和处理器130可以被集成为一个部件。例如，控制器120和处理器130可以被集成为一个装置并相互协作。

显示器140可以在视觉上显示与车辆100相关的信息。根据实施例，显示器140可以在处理器130的控制下向车辆100的驾驶员提供与车辆100相关的各种信息。例如，显示器140可以在处理器130的控制下在视觉上显示车辆100的当前状态。

通信设备150可以与车辆100的外部通信。根据实施例，通信设备150可以在处理器130的控制下从车辆100的外部接收数据或将数据发送到车辆100的外部。例如，通信设备150可以利用无线通信协议或有线通信协议执行通信。

例如，车辆100可以利用通信设备150与另一车辆(车辆对车辆)或与基础设施(车辆对基础设施)通信。

存储器160可以存储处理器130操作所需的编程软件和各种配置信息。当车辆被启动或电源被打开时，处理器130可以通过从存储器160读取软件代码来操作。另外，处理器130可以将操作期间产生的输入数据和输出数据暂时存储在存储器160中。

当具有如图1所示的车辆的概念结构的车辆执行自动驾驶时发生诸如意外事故的事件时，车辆的自动驾驶功能需要尝试紧急停车，以便将与相邻车辆碰撞的风险最小化。

本公开的实施例提供了一种以自动驾驶功能行驶的车辆可以尝试的紧急停车类型和用于确定紧急停车类型的装置和方法。

图2示出用于确定车辆的紧急停车类型的功能块。

根据实施例，图2的功能块可以由图1的处理器130执行，但是每个功能块可以由不同的处理器执行。

参照图2，用于确定车辆的紧急停车类型的功能块可以包括故障信息收集单元210、周围环境信息收集单元220、周围环境预测单元230、风险等级确定单元240以及紧急停车类型确定单元250。在这些单元之中，风险等级确定单元240是附加功能，因此可以不包括风险等级确定单元240。

故障信息收集单元210用于检测车辆的自动驾驶功能的性能，并且基于利用传感器110等收集的信息收集车辆100的关键部件的性能状态，并且可以确定车辆100是处于正常状态还是故障状态。根据实施例，故障信息收集单元210可以分为收集诸如变速器、发动机、转向器等与驾驶功能相关的装置的故障信息的部分和收集与诸如摄像头、雷达、LIDAR传感器等车辆检测功能相关的故障信息的部分。

周围环境信息收集单元220可以通过整合通过摄像头和诸如雷达或LIDAR传感器的附接到车辆的传感器、导航装置或通信设备150获得的信息，获得在车辆100周围检测到的相邻车辆信息、车道信息和路肩信息。

周围环境预测单元230可以基于从周围环境信息收集单元220获得的信息和从故障信息收集单元210获得的车辆状态信息预测车辆100的周围环境的变化。

风险等级确定单元240可以基于从周围环境信息收集单元220获得的相邻车辆的状态信息来计算本车辆和相邻车辆之间的碰撞风险。

紧急停车类型确定单元250可以通过综合利用从故障信息收集单元210、周围环境预测单元230和风险等级确定单元240获得的信息来选择适当的类型以使车辆100达到最小风险状态。

图3示出根据各种实施例的由紧急停车类型确定单元250所确定的最终紧急停车类型。

参照图3，紧急停车类型确定单元250可以在直行停车(类型1)、车道内停车(类型2)、半肩停车(类型3)和全肩停车(类型4)之中选择一个作为最小风险操纵的类型，并且可以控制车辆100根据相应类型停车。

向前直行停车(类型1)是即使车道是弯曲的也不根据车道行驶，而是向前直行行驶并立即停车的类型，并且在只能进行制动控制的情况下是可行的。即，当车辆100由于故障等而无法改变车道或执行转向，并且只能进行制动控制时，紧急停车类型确定单元250可以仅选择向前直行停车(类型1)。

车道内停车(类型2)是在沿车道内的车道驾驶车辆100时执行紧急停车的类型，并且可以是仅当至少能够进行制动控制和转向控制时才可以使用的类型。

半肩停车(类型3)和全肩停车(类型4)是车辆100改变车道并在路肩上停车的类型，可以具有完全退到路肩并在路肩上停车的全肩停车(类型4)和以车辆100的一部分跨过路肩的方式停车的半肩停车(类型3)。为了能够利用半肩停车(类型3)和全肩停车(类型4)，车辆100必须能够执行制动控制和转向控制，并且半肩停车(类型3)和全肩停车(类型4)可以是仅在自动驾驶功能之中的变道功能和路肩检测功能可用时才可以使用的类型。

根据本实施例的各种实施例，紧急停车类型确定单元250可以基于人工智能确定紧急停车类型。

图4是可供紧急停车类型确定单元250使用的人工智能的示例。

图4的人工智能可以被实现为程序并由处理器130执行。另外，实现图4的人工智能的示例是实施例，并且本公开不限于此，并且可以使用不同结构或其它算法的人工智能。

图4的人工智能示出作为一种深度神经网络的卷积神经网络(CNN)结构的人工智能的示例。基于卷积神经网络的人工智能可以有效识别结构性空间数据，诸如图像、视频和字符串。卷积神经网络可以在保持图像的空间信息的同时有效识别具有相邻图像的特征。

参照图4，基于卷积神经网络的人工智能可以包括特征提取层420和分类层430。特征提取层420可以通过利用卷积合成图像410中的空间上邻近的特征来提取图像410的特征。

特征提取层420可以由叠加的多个卷积层421和425以及池化层(pooling layer)423和427形成。卷积层421和425可以是通过将滤波器应用于输入数据然后将激活函数应用于输入数据而获得的卷积层。卷积层421和425可以包括多个通道(channel)，每个通道可以是应用每个不同的滤波器和/或不同的激活函数的通道。卷积层421和425的结果可以是特征图。该特征图可以是二维矩阵形式的数据。池化层423和427可以接收卷积层421和425的输出数据，即作为输入的特征图，并可以用于减小输出数据的大小或强调特定数据。池化层423和427可以通过应用以下函数来生成输出数据：最大池化(pooling)以在卷积层421和425的输出数据的一些数据之中选择最大值，平均池化以在卷积层421和425的输出数据的一些数据之中选择平均值，以及最小池化以在卷积层421和425的输出数据的一些数据之中选择最小值。

通过一系列的卷积层和池化层生成的特征图可以一点一点地变小。通过最后的卷积层和池化层生成的最终特征图可以被转换为一维形式，并且可以被输入到分类层430。分类层430可以是全连接的人工神经网络结构。分类层430的输入节点的数量可以等于通过将最终特征图的矩阵中的元素数量与通道数量相乘得到的值。

分类层430中使用的全连接人工神经网络可以包括输入层、输出层和可选的一个或多个隐藏层。每个层可以包括对应于神经网络的神经元的一个或多个节点，并且人工神经网络可以包括将一个层的节点连接到另一个层的节点的突触。在人工神经网络中，节点可以接收通过突触输入的输入信号，并可以基于相对于每个输入信号的权重和偏置的激活函数，生成输出值。每个节点的输出值可以通过突触作为后续层的输入信号。一个层的所有节点通过突触连接到后续层的所有节点的人工神经网络可以称为全连接人工神经网络。

人工神经网络的模型参数是指通过学习确定的参数，并且可以包括分类层430的人工神经网络的突触连接的权重、神经元的偏置等，以及在特征提取层420的每个卷积层421和425中应用的滤波器的大小和种类。超参数(hyper parameter)可以指描述人工智能本身结构的参数，诸如特征提取层420的卷积层的数量和分类层430的隐藏层的数量。另外，超参数是指在机器学习算法中执行学习之前必须设置的参数，并且可以包括学习率、重复次数、小批量的大小、初始化函数等。

除了上述卷积神经网络之外，还可以使用递归神经网络(RNN)、长短时记忆(LSTM)网络、门控递归单元(GRU)等作为深度神经网络结构。递归神经网络能够通过学习顺序数据来执行分类和预测，并且是一种具有递归结构并且将过去时间的学习与权重相乘并将其结果反映到当前学习中的结构。因此，当前的输出结果受到过去时间的输出结果的影响，并且隐藏层执行一种记忆功能。递归神经网络可以用于通过分析语音波形执行机器翻译，用于通过理解文本句子前后的组成而生成文本，或者用于语音识别。

人工神经网络执行学习的目的是确定使损失函数最小的模型参数。损失函数可以被用作在人工神经网络的学习过程中确定最佳模型参数的指标。在全连接人工神经网络的情况下，每个突触的权重可以通过学习来确定。在卷积神经网络的情况下，可以通过学习来确定用于提取特征图的卷积层的滤波器。

机器学习可以根据学习方法分为监督学习、无监督学习和强化学习。

监督学习可以指针对提供与学习数据相关的标签的人工神经网络执行学习的方法，并且该标签可以指在学习数据被输入到人工神经网络时必须由人工神经网络估计的正确答案(或结果值)。无监督学习可以指一种针对不提供与学习数据相关的标签的人工神经网络执行学习的方法。强化学习可以指一种执行学习以便由在一定环境下定义的代理选择行动或顺序而使得每个状态下的累积奖励最大化的方法。

图4中示出的人工智能利用由周围环境预测单元230生成的图像410作为输入，并且可以输出图3中示出的最小风险操纵的类型440之中的一种类型作为选择的类型。如果人工智能确定没有必要执行附加的最小风险操纵，则可以输出状态正常的指示。即，由人工智能确定的输出可以是指示图3中所示的类型和正常状态的信息。

被输入到图4所示的人工智能中的图像410不是由摄像头或图像传感器拍摄的简单图像，而是基于周围环境预测单元230从周围环境信息收集单元220获得的关于相邻车辆、车道检测和路肩检测的信息以及从故障信息收集单元210获得的车辆的故障信息而生成的简化的鸟瞰图(SBEV)。

图5至图8是示出由周围环境预测单元230生成的图像的示例的视图。

在图5中，左边的图像510和530是模拟实际驾驶情况的图，右边的图像520和540可以是由周围环境预测单元230响应于每个实际驾驶情况而生成的图像。

参照图5，周围环境预测单元230将存在于包括本车辆511的给定感兴趣区域中的车辆511和513显示为黑色矩形521和523，并且检测的车道可以用细实线525表示。细实线525可以用颜色显示，例如，显示为绿色实线。此外，当存在路肩时，划分路肩的车道可以用粗实线527表示，例如，粗黑实线。即，当存在路肩时，周围环境预测单元230可以生成以细实线525和粗实线527区分路肩的图像。

图6是周围环境预测单元230在周围识别装置的故障或异常操作的情况下所生成的图像的示例。

在图6中，左边的图像605可以是模拟实际驾驶情况的图，右边的图像610、620和630可以是当周围识别装置故障或异常操作时周围环境预测单元230响应于实际驾驶情况生成的图像。

根据实施例，当检测相邻车辆或车道的传感器或处理器暂时或永久地故障或异常时，传感器或处理器可能无法检测到周围车辆的信息并且无法检测到车道。在这种情况下，可能无法获得如图5所示的由细实线525和粗实线527指示的车道的信息以及由黑色矩形523指示的周围车辆的信息。然后，周围环境预测单元230可以利用过去正常识别的过去的车道信息或相邻车辆信息预测当前的周围环境，并将结果包括在图像610、620和630中。

根据本实施例，参照图6的图像610，当周围环境预测单元230无法获得车道信息时，周围环境预测单元230可以基于由细实线611指示的过去的车道信息预测当前的车道信息，并且在图像610中由细虚线613指示。

根据另一实施例，参照图6的图像620，当周围环境预测单元230无法获得车道信息时，周围环境预测单元230可以基于用粗实线621指示的过去的路肩车道信息来预测当前的路肩车道信息，并且在图像620中由粗虚线623指示。

根据另一实施例，参照图6的图像630，当周围环境预测单元230因为识别相邻车辆的性能异常而没有识别到相邻车辆时，周围环境预测单元230可以基于过去的车辆的位置信息和状态信息预测当前的位置信息，并在图像630中包括作为灰色矩形633的相邻车辆。

图7示出当不能横向控制车辆时由周围环境预测单元230生成的图像的示例。

在图7中，左边的图像710是模拟实际驾驶情况的图，右边的图像720可以是当不能横向控制车辆时由周围环境预测单元230生成的图像。

根据实施例，当负责车辆的横向控制的处理器或执行器处于异常状态时，车辆需要在保持当前的转向角的同时紧急停车。响应于此，当不能改变车辆的转向角时，可以生成显示紧急停车的可驾驶区域的图像720。根据实施例，当确定车辆的横向控制器不工作时，周围环境预测单元230可以生成由第一颜色(例如，白色)或第一图案(例如，无图案)指示车辆可以在保持当前转向角的同时行驶的可驾驶区域723以及由第二颜色(例如，深灰色)或第二图案(例如，点图案)指示车辆不可以行驶的不可驾驶区域721的图像720。因此，周围环境预测单元230可以在图像720上显示由车辆的故障引起的减小的可驾驶区域723。在上述实施例中，可驾驶区域723和不可驾驶区域721通过利用颜色或图案来区分并显示在图像中，但是本公开不限于此，并且可以利用能够区分图像中的可驾驶区域723和不可驾驶区域721的任意方法。

图8示出当本车辆的驾驶变得不可能时由周围环境预测单元230生成的图像的示例。

参照图8，当本车辆在检测车道信息和识别相邻车辆方面没有问题，但是由于诸如发动机过热的原因而处于无法驾驶的状态时，周围环境预测单元230可以生成图像810，图像810显示指示本车辆的黑色矩形的外部被不同颜色(例如，红色)或不同图案(例如，点图案)811包围。

图9是添加由周围环境预测单元230生成的风险信息的图像的示例。

周围环境预测单元230可以进一步基于相邻车辆和本车辆的驾驶状态来确定本车辆和相邻车辆之间的碰撞风险。此外，如图9所示，当确定的碰撞风险超过预定值时，周围环境预测单元230可以将生成的图像920和930中的相应的相邻车辆的颜色改变为不同的颜色。即，如图9的图像910所示，如果碰撞风险小于预定值，则相邻车辆可以显示为黑色，而如图9的图像920和930所示，当碰撞风险大于预定值时，相邻车辆可以显示为灰色。在另一示例中，可以基于碰撞风险以不同的颜色显示相邻车辆。另外，周围环境预测单元230可以改变基于确定的碰撞风险程度生成的图像920和930中相应的相邻车辆的亮度。根据实施例，周围环境预测单元230可以随着碰撞风险增加而增大亮度值。

图10是用于说明由周围环境预测单元230计算碰撞风险的示例的视图。

根据实施例，可以在周围环境预测单元230中设置用于计算碰撞风险等级的风险等级确定单元，或者可以设置单独的风险等级确定单元，并且周围环境预测单元230可以从风险等级确定单元获得结果值并使用该结果值。

参照图10，可以计算前方车辆1020和后方车辆1010之间的碰撞风险等级。此处，本车辆可以是前方车辆1020或后方车辆1010。

首先，可以利用以下公式1来计算碰撞时间(TTC)。

公式1：

此处，P_long可以表示如图10所示的后方车辆1010和前方车辆1020之间的纵向距离，并且v_rel可以表示后方车辆1010和前方车辆1020之间的纵向相对速度。由于碰撞风险计算由本车辆执行，因此v_rel可以表示相邻车辆相对于本车辆的纵向相对速度。

另外，可以通过利用公式2计算警告指数(x_p)。

公式2：

如图10所示，P_long表示后方车辆1010和前方车辆1020之间的纵向距离，并且d_br表示直到当车辆以恒定加速度移动时车辆以最大减速度停止的停止临界距离，并且d_w是考虑到直到d_br驾驶员踩下制动器所需的反应时间的警告临界距离。

d_br可以利用以下公式3计算，而d_w可以利用以下公式4计算。

公式3：

公式4：

此处，v_rel表示后方车辆1010和前方车辆1020之间的纵向相对速度，t_brake是制动系统的硬件的系统延迟时间，t_thinking是直到驾驶员踩下制动器所需的反应时间，a_x,max表示车辆的最大纵向减速度。

当后方车辆1010的驾驶员踩下制动器并且后方车辆1010最大程度减速时，后方车辆1010可以行走d_w，如果d_w小于或等于P_long，则警告指数x_p具有正值，并且可以确定当前情况是安全的。相反，如果d_w大于P_long，则警告指数(x_p)具有负值，并且可以确定存在碰撞的可能性。

周围环境预测单元230可以基于以下公式5计算纵向碰撞风险指数(I_long)。

公式5：

此处，x_max是警告指数的最大值，x_th是警告指数的阈值，并且是TTC^-1的阈值。

在本车辆改变车道的情况下，跨越车道的时间(TLC)可以利用以下公式6计算。

公式6：

此处，y表示相邻车辆的横向相对位置，并且v_y表示后方车辆1010和前方车辆1020之间的横向相对速度。

另外，周围环境预测单元230可以通过利用公式7计算横向碰撞风险指数(I_lat)。

公式7：

此处，TLC_th可以是预定的变道时间的阈值。

横向碰撞风险指数具有0和1之间的值，并且越接近1，当前情况可能越危险。

根据实施例，包括在上述公式中的阈值可以基于碰撞事故数据设置，或者可以基于通过模拟测试产生的虚拟事故数据的结果设置。根据实施例，和TLC_th可以是0.5。

周围环境预测单元230可以通过反映基于上述公式获得的纵向碰撞风险指数和/或横向碰撞风险指数，如图9所示，根据碰撞风险指数生成具有不同亮度的图像。

本公开的实施例的车辆100可以支持自动驾驶。根据实施例，车辆100可以在没有驾驶员干预的情况下执行转向、加速、制动、换挡或停车，并且可以在驾驶员干预时在驾驶员的控制下行驶。车辆100可以执行与自动驾驶相关的各种功能以支持自动驾驶，特别是，车辆100可以基于上述功能执行最小风险操纵(MRM)。

图11是示出根据各种实施例的执行车辆的最小风险操纵所需的操作的流程图。

参照图11，在步骤S10中，车辆100可以获得启动最小风险操纵(MRM)的请求。根据实施例，处理器130可以在车辆100被启动并且车辆100开始以一定速度或更高速度行驶时生成启动最小风险操纵功能的请求。可选地，处理器130可以获得关于车辆100和车辆100周围的状态的信息，并基于所获得的状态信息生成最小风险操纵的请求。可选地，处理器130可以从外部获得通过通信设备150或传感器110接收的最小风险操纵的请求。最小风险操纵的请求可以指引起车辆100执行最小风险操纵的任意命令。

在步骤S20中，当存在最小风险操纵的请求时，车辆100可以执行最小风险操纵功能。

最小风险操纵功能可以包括监测车辆的状态的步骤、确定最小风险操纵的类型的步骤以及根据确定的最小风险操纵的类型执行最小风险操纵的步骤。

在步骤S21中，车辆100可以监测车辆100的状态。根据实施例，车辆100可以通过利用故障信息收集单元210和周围环境信息收集单元220监测车辆100的部件的状态信息和车辆100的周围环境信息。车辆100可以实时监测车辆100的每个部件的状态和车辆100处理的周围环境信息，例如车道、相邻的车辆信息等。车辆100可以在传感器110之中确定此刻可使用(或可操作)的传感器或部件。

在步骤S23中，车辆100可以基于监测到的信息确定车辆的紧急停车类型。根据各种实施例，车辆的紧急停车类型可以包括向前直行停车、车道内停车、半肩停车和全肩停车。然而，类型不限于此，其它实施例可以包括附加的紧急停车类型。

车辆100可以基于确定故障状态的结果来确定适合于当前故障状态的紧急停车类型。根据实施例，当只有车辆的制动控制可用时，向前直行停车可以被选择为可行的类型。根据另一实施例，当车辆的转向控制和制动控制可用时，除了向前直行停车之外，还可以选择车道内停车类型。根据另一实施例，当除了转向控制和制动控制之外，还可以执行自动驾驶功能之中的变道功能和路肩检测功能时，可以选择半肩停车和全肩停车。

根据本公开的各种实施例，车辆100可以基于人工智能确定紧急停车类型。

图12是示出由车辆基于人工智能确定紧急停车类型的流程图。

参照图12，在步骤S110中，可以生成包括车辆的收集的状态信息或故障信息和周围环境信息的图像。

在步骤S120中，可以附加地在S110的步骤中生成的图像中插入碰撞风险等级的信息，然而，该插入是辅助步骤，因此，可以不执行步骤S120的插入。

在步骤S130中，可以基于将生成的图像作为输入的人工智能来确定紧急停车类型。此处，人工智能可以是根据基于在步骤S110或S120中生成的图像的监督学习方法学习的人工智能。即，车辆中提供的人工智能可以是在安装在车辆上之前由制造商学习的人工智能。因此，车辆100可以基于利用预先学习的人工智能的图像输入来确定紧急停车类型。

图13是示出基于车辆的收集的状态信息、故障信息和周围环境信息生成被输入到人工智能的简化的鸟瞰图图像的示例的流程图。

图13的流程图可以表示图12的步骤S110的详细步骤。

在根据图13生成简化的鸟瞰图(SBEV)图像之前，可以设置简化的鸟瞰图图像的大小。对于被输入用于确定学习的人工智能的图像和用于教导人工智能的图像，图像的设定大小可以是相同的。根据实施例，简化的鸟瞰图图像的大小可以设置为3HW。此处，H表示图像的高度，W表示图像的宽度，3表示有三个图像，即R、G和B，此外，高度和宽度的单位可以是像素。而且，为了用实际的物理意义来映射，可以将像素之间的距离设置为X(m)。

参照图13，在步骤S210中，车辆100可以基于诸如变速器、发动机、转向器等的车辆部件的故障信息生成与车辆的驾驶功能信息相关的图像。例如，可以通过反映车辆100的转向故障，设定车辆100在当前转向角下可以行驶的可驾驶区域，并基于设定的图像大小和像素之间的距离，将可驾驶区域表示在简化的鸟瞰图图像中。

在步骤S220中，车辆100可以基于由诸如摄像头、雷达、LIDAR传感器等具有车辆检测功能的部件收集的信息生成与车辆检测功能的信息相关的图像。例如，车辆100可以在简化的鸟瞰图图像中表示车轮的痕迹和过去的位置。

在步骤S230中，车辆100可以基于从周围环境信息收集单元220和周围环境预测单元230获得的信息生成当前周围环境信息的图像。例如，车辆100可以在图像中表示交通信息、路肩信息、安全区指示等。此外，车辆100可以将由周围环境信息收集单元220识别的车道显示为实线，并将由周围环境预测单元230因无法识别车道而预测的车道显示为虚线。

在步骤S240中，车辆100可以生成简化的鸟瞰图图像。车辆100可以通过合成在步骤S210至S230中生成的图像来生成简化的鸟瞰图图像。此时，简化的鸟瞰图图像被配置为以简单的形式包括尽可能多的信息，诸如将本车辆和检测到的相邻车辆显示为矩形，将车道显示为实线或虚线。根据实施例，车辆100不单独执行步骤S230，并且在顺序或并行地执行步骤S210至S230时，将每个步骤中绘制的简化图像添加到图像的设定大小中，由此可以获得简化的鸟瞰图图像。

在步骤S250中，如果需要，车辆100可以通过对图像执行其它预处理操作来生成被输入到人工智能的最终图像。

在图13的实施例中，步骤S210至S230不按一定的顺序执行，而是可以按不同于图13中示出的顺序执行，并且根据其它实施例可以同时执行相应的操作。

根据步骤S110生成的最终图像可以是图5至图8的图像。

通过附加执行步骤S120生成的最终图像可以是图9的图像。

返回到图11，在步骤S25中，可以执行确定的紧急停车类型。

为了执行确定的紧急停车类型，车辆100可以执行在停止车辆、控制车辆的转向、保持车道、提供视觉、听觉和触觉通知、使车辆减速、使车辆加速、启动/结束自动驾驶、关闭车辆的点火装置、传送紧急信号、控制紧急灯、警告降低速度、控制制动灯、将控制权转移给另一乘客和远程控制之中选择的至少一个。例如，车辆100的处理器130可以将与确定的紧急停车类型相对应的控制命令发送到控制器120，并且控制器120可以根据控制命令控制车辆100。

在执行步骤S25中的确定的紧急停车类型之后，在步骤S30中车辆被停止并且可以处于最小风险状态。当车辆100在步骤S30中达到最小风险状态时，自动驾驶系统可以被关闭或车辆100可以被关闭。

另外，在步骤S20期间，车辆100可以在步骤S40中允许用户的干预。因此，当发生用户的干预时，车辆100可以停止最小风险操纵功能，并且用户接管对车辆100的操纵。

Claims (24)

1.一种操作车辆的方法，所述方法包括：

监测所述车辆的状态；

基于所述车辆的状态，从多个紧急停车类型中确定紧急停车类型；以及

执行确定的紧急停车类型。

2.根据权利要求1所述的方法，进一步包括获得执行最小风险操纵功能的请求，其中，仅在获得所述请求之后，启动监测所述车辆的状态、确定所述紧急停车类型和执行确定的紧急停车类型。

3.根据权利要求1所述的方法，进一步包括：

确定所述车辆是否已完成执行确定的紧急停车类型并已达到最小风险状态；以及

响应于确定所述车辆已达到所述最小风险状态，关闭自动驾驶系统。

4.根据权利要求1所述的方法，其中，监测所述车辆的状态包括：

获得所述车辆的部件的状态信息；以及

获得所述车辆的周围环境信息。

5.根据权利要求4所述的方法，其中，所述多个紧急停车类型包括：

向前直行停车，所述车辆在向前直行行驶后停车；

车道内停车，所述车辆在沿车道行驶时停车；

半肩停车，所述车辆在识别路肩后部分地在所述路肩上停车；以及

全肩停车，所述车辆在识别所述路肩后完全转向所述路肩并在所述路肩上停车。

6.根据权利要求5所述的方法，其中，确定紧急停车类型包括：

响应于所述车辆的制动控制可用并且所述车辆的转向控制、变道控制和路肩检测控制不可用，确定所述向前直行停车；

响应于所述制动控制和所述转向控制可用并且所述变道控制和所述路肩检测控制不可用，确定所述车道内停车；以及

响应于所述制动控制、所述转向控制、所述变道控制和所述路肩检测控制可用，确定所述半肩停车或所述全肩停车。

7.根据权利要求5所述的方法，其中，确定紧急停车类型包括：

生成包括所述车辆的部件的状态信息和所述车辆的周围环境信息中的至少一部分的图像；以及

利用将生成的图像作为输入的人工智能确定所述紧急停车类型。

8.根据权利要求7所述的方法，生成所述图像包括：

生成包括所述车辆的驾驶功能信息的第一图像；

生成包括所述车辆的检测功能信息的第二图像；

生成包括所述车辆的周围环境信息的第三图像；以及

通过合成所生成的第一图像、所生成的第二图像和所生成的第三图像，生成简化的鸟瞰图图像。

9.根据权利要求8所述的方法，其中，生成所述第一图像包括响应于不可改变所述车辆的当前转向角，基于所述车辆的当前转向角，生成以不同颜色或不同图案显示可驾驶区域和不可驾驶区域的所述第一图像。

10.根据权利要求8所述的方法，其中，生成所述第二图像包括生成以不同颜色或不同图案显示所述车道和所述路肩的所述第二图像。

11.根据权利要求8所述的方法，其中，生成所述第二图像包括：

基于先前识别的正常检测的车道信息，预测当前车道信息；以及

响应于无法检测所述车道，生成以不同颜色或不同图案显示正常检测的车道信息和预测的当前车道信息的所述第二图像。

12.根据权利要求8所述的方法，其中，生成所述图像进一步包括：

计算与相邻车辆的碰撞风险；以及

基于所述碰撞风险，显示并改变包括在所述简化的鸟瞰图图像中的所述相邻车辆的亮度，以指示所述碰撞风险。

13.一种车辆，包括：

传感器；

处理器，基于由所述传感器检测的所述车辆的部件的状态信息和所述车辆的周围环境信息，控制所述车辆的自动驾驶；以及

控制器，基于所述处理器的控制，控制所述车辆的操作，其中，所述处理器进一步：

监测所述车辆的状态；

基于所述车辆的状态，从多个紧急停车类型中确定紧急停车类型；以及

通过控制所述控制器，执行确定的紧急停车类型。

14.根据权利要求13所述的车辆，其中，所述处理器获得执行最小风险操纵功能的请求，并且所述处理器响应于执行请求确定所述紧急停车类型并执行确定的紧急停车类型。

15.根据权利要求13所述的车辆，其中，在所述车辆处于最小风险状态后，所述处理器完成确定的紧急停车类型并关闭自动驾驶系统。

16.根据权利要求13所述的车辆，其中，为了监测所述车辆的状态，所述处理器：

获得与所述车辆的驾驶功能相关的故障信息；

获得与所述车辆的检测功能相关的故障信息；以及

获得所述车辆的周围环境信息。

17.根据权利要求16所述的车辆，其中，所述多个紧急停车类型包括：

向前直行停车，所述车辆在向前直行行驶后停车；

车道内停车，所述车辆在沿车道行驶时停车；

半肩停车，所述车辆在识别路肩后部分地在所述路肩上停车；以及

全肩停车，所述车辆在识别所述路肩后完全转向所述路肩并在所述路肩上停车。

18.根据权利要求17所述的车辆，其中，所述处理器：

基于所述车辆的制动控制可用并且所述车辆的转向控制、变道控制和路肩检测控制不可用，确定所述向前直行停车作为确定的紧急停车类型；

基于所述制动控制和所述转向控制可用并且所述变道控制和所述路肩检测控制不可用，确定所述车道内停车作为确定的紧急停车类型；以及

基于所述制动控制、所述转向控制、所述变道控制和所述路肩检测控制可用，确定所述半肩停车或所述全肩停车作为确定的紧急停车类型。

19.一种车辆，包括：

传感器；

处理器，基于由所述传感器检测的所述车辆的部件的状态信息和所述车辆的周围环境信息，控制所述车辆的自动驾驶；以及

控制器，基于所述处理器的控制，控制所述车辆的操作，其中，所述处理器进一步：

监测所述车辆的状态；

生成包括所述车辆的部件的状态信息和所述车辆的周围环境信息中的部分的图像；

利用将生成的图像作为输入的人工智能，基于所述车辆的状态，从多个紧急停车类型中确定紧急停车类型；

通过控制所述控制器，执行确定的紧急停车类型；以及

在所述车辆处于最小风险状态后，完成所述确定的紧急停车类型并关闭自动驾驶系统。

20.根据权利要求19所述的车辆，其中，所述处理器：

生成包括所述车辆的驾驶功能信息的第一图像；

生成包括所述车辆的检测功能信息的第二图像；

生成包括所述车辆的周围环境信息的第三图像；以及

通过合成所生成的第一图像、所生成的第二图像和所生成的第三图像，生成简化的鸟瞰图图像。

21.根据权利要求20所述的车辆，其中，在所述第一图像中，响应于不可控制所述车辆的转向角，所述处理器基于所述车辆的当前转向角，以不同颜色或不同图案显示可驾驶区域和不可驾驶区域。

22.根据权利要求20所述的车辆，其中，在所述第二图像中，所述处理器以不同颜色或不同图案显示车道和路肩。

23.根据权利要求20所述的车辆，其中，响应于无法检测车道，在生成所述第二图像中，所述处理器：

基于先前识别的正常检测的车道信息，预测当前车道信息；以及

生成以不同颜色或不同图案显示正常检测的车道信息和预测的当前车道信息的所述第二图像。

24.根据权利要求20所述的车辆，其中，所述处理器：

计算与相邻车辆的碰撞风险；以及

基于所述碰撞风险，显示并改变包括在所述简化的鸟瞰图图像中的所述相邻车辆的亮度，以指示所述碰撞风险。