CN117302215A - 用于执行最小危险操纵的车辆和操作该车辆的方法 - Google Patents

用于执行最小危险操纵的车辆和操作该车辆的方法 Download PDF

Info

Publication number
CN117302215A
CN117302215A CN202310610581.XA CN202310610581A CN117302215A CN 117302215 A CN117302215 A CN 117302215A CN 202310610581 A CN202310610581 A CN 202310610581A CN 117302215 A CN117302215 A CN 117302215A
Authority
CN
China
Prior art keywords
vehicle
type
lane
determining
parking
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
CN202310610581.XA
Other languages
English (en)
Inventor
尹喆焕
朴钟声
闵永彬
张灿综
宋奉燮
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.)
Hyundai Motor Co
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Corp
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 Hyundai Motor Co, Kia Corp filed Critical Hyundai Motor Co
Publication of CN117302215A publication Critical patent/CN117302215A/zh
Pending legal-status Critical Current

Links

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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/181—Preparing for stopping
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18109—Braking
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • B60W40/02—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 ambient conditions
    • 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
    • B60W40/10—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 vehicle motion
    • 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
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
    • B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
    • 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
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/04—Vehicle stop
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/10—Number of lanes
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种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最小危险操纵的类型，其中，最小危险操纵的类型包括车辆在仅直行行驶后停车的直行停车类型和车辆在变更车道后停车的车道变更停车类型；以及执行确定的最小危险操纵的类型。

Description

用于执行最小危险操纵的车辆和操作该车辆的方法
技术领域
本发明总体上涉及一种用于执行最小危险操纵的车辆和操作该车辆的方法。
背景技术
最近，高级驾驶员辅助系统(ADAS)已经被开发出来，以辅助驾驶员驾驶。ADAS有多个子技术分类，并可以为驾驶员提供极大的便利。这样的ADAS也被称为自主驾驶或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，如果不针对此类事件执行适当的响应以使与周围车辆的碰撞危险最小化，则车辆可能处于危险状态。
发明内容
各种实施例涉及一种车辆和用于操作该车辆的方法，该方法用于在高速公路上行驶时发生意外事故或事件并执行最小危险操纵时，执行车道变更以进行路肩停车。
本公开的各种实施例提供一种用于在车辆的自动驾驶期间由于故障而执行最小危险操纵时变更车道以进行路肩停车的方法。
另外，本公开的各种实施例提供一种用于选择车辆在路肩上停车所需的车道变更的类型的方法。
本公开的实施例可解决的技术问题不限于上述内容，并且本领域的技术人员可以从下面提供的描述中准确地理解上面未提及的其它技术问题。
根据各种实施例，一种车辆可以包括：传感器，检测车辆的状态信息和周围环境信息；处理器，基于来自传感器的信息控制车辆的自动驾驶；以及控制器，根据处理器的控制，控制车辆的操作。
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最小危险操纵的类型，以及通过控制控制器执行确定的最小危险操纵的类型。
根据本公开的各种实施例，一种用于操作车辆的方法可以包括：监测车辆的状态；基于车辆的状态确定最小危险操纵的类型；以及执行确定的最小危险操纵的类型。
根据本公开的各种实施例，最小危险操纵的类型可以包括在仅直行行驶后停车的直行停车类型和在变更车道后停车的车道变更停车类型。
根据本公开的各种实施例，监测车辆的状态可以包括检测周围车辆，并且基于车辆的状态确定最小危险操纵的类型可以包括判断周围车辆是否存在于感兴趣区域内，以及当判断周围车辆不存在于感兴趣区域内时，确定直行停车类型作为最小危险操纵的类型。
根据本公开的各种实施例，监测车辆的状态可以进一步包括检测在车辆行驶的道路中的车道数量，并且当判断周围车辆不存在于感兴趣区域内时确定直行停车类型作为最小危险操纵的类型可以包括当周围车辆不存在于感兴趣区域内并且车道的数量等于或小于预定数量时确定直行停车类型作为最小危险操纵的类型。
根据本公开的各种实施例，监测车辆的状态可以包括检测周围车辆，并且基于车辆的状态确定最小危险操纵的类型包括判断车道变更是否有必要，以及当判断车道变更有必要时，确定变更车道后停车的类型作为最小危险操纵的类型。
根据本公开的各种实施例，判断车道变更是否有必要可以包括当车辆与前方车辆之间的纵向距离小于第一最小安全距离、车辆与右前方行驶的车辆之间的纵向距离大于第二最小安全距离并且车辆与右后方行驶的车辆之间的纵向距离大于第三最小安全距离时判断车道变更有必要。
根据本公开的各种实施例，基于车辆的状态确定最小危险操纵的类型可以进一步包括当判断车道变更没有必要时，确定直行停车类型作为最小危险操纵的类型。
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危险操纵功能的请求，并且只有在获得请求时，才可以执行监测、确定最小危险操纵的类型和执行确定的最小危险操纵的类型。
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判断车辆是否完成了执行该类型的最小危险操纵以及是否达到最小危险状态，并在车辆达到最小危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检测车辆周围的周围车辆、车道和路肩，用于操作车辆的方法可以进一步包括确定与周围车辆的碰撞危险度，并且确定最小危险操纵的类型可以包括基于碰撞危险度和车辆状态确定最小危险操纵的类型。
根据本公开的各种实施例，最小危险操纵的类型可以包括：在仅直行行驶后停车的直行停车类型；在变更一个车道后停车的一个车道变更停车类型；变更车道到路肩后完全进入路肩并在路肩上停车的变更车道后全肩停车类型；以及在变更车道到路肩后横跨路肩停车的变更车道后半肩停车类型。
根据本公开的各种实施例，基于车辆的状态确定最小危险操纵的类型可以包括：判断周围车辆是否存在于感兴趣区域内；当周围车辆在感兴趣区域内时，判断旁边车道是否是路肩；当旁边车道是路肩时，分析路肩状况和路线；当作为分析结果判断可以进行半肩停车时，确定变更车道后半肩停车类型作为最小危险操纵的类型；当作为分析结果判断可以进行全肩停车时，确定变更车道后全肩停车类型作为最小危险操纵的类型；以及当作为分析结果判断不能进行路肩停车时，在预定时间经过后再次分析路肩状况和路线。
根据本公开的各种实施例，基于车辆的状态确定最小危险操纵的类型可以包括：判断周围车辆是否存在于感兴趣区域内；当判断周围车辆不存在于感兴趣区域内时，确定直行停车类型作为最小危险操纵的类型；当周围车辆存在于感兴趣区域内时，判断旁边车道是否是路肩；当旁边车道不是路肩时，判断车道变更是否有必要；当判断车道变更没有必要时，确定直行停车类型作为最小危险操纵的类型；当判断车道变更有必要时，确定一个车道变更停车类型作为最小危险操纵的类型；当旁边车道是路肩时，分析路肩状况和路线；当作为分析结果判断可以进行半肩停车时，确定变更车道后半肩停车类型作为最小危险操纵的类型；当作为分析结果判断可以进行全肩停车时，确定变更车道后全肩停车类型作为最小危险操纵的类型；以及当作为分析结果判断不能进行路肩停车，再次判断车道变更是否有必要。
根据本公开的各种实施例，基于车辆的状态确定最小危险操纵的类型可以包括：生成包括检测的周围车辆、车道、路肩和碰撞危险度的简化鸟瞰图图像；以及利用将生成的简化鸟瞰图图像作为输入的人工智能确定最小危险操纵的类型。
根据本公开的各种实施例，生成简化鸟瞰图图像可以包括根据碰撞危险度改变并显示包括在简化鸟瞰图图像中的周围车辆的亮度以包含碰撞危险度。
根据本公开的各种实施例，即使车辆由于自动驾驶期间发生的事件而处于危险状态，也可以执行能够消除危险的最小危险操纵。特别是，通过自动选择最小危险操纵期间所需的车道变更策略，可以将车辆转换为脱离危险的最小危险状态，并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，并且本领域的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是示出根据本公开的各种实施例的车辆的概念性结构的示图。
图2是示出用于判断车辆的最小危险操纵所需的车道变更和路线设置策略的功能块的示图。
图3是示出根据各种实施例的由策略判断单元判断的用于最小危险操纵的车道变更和路线设置类型的示图。
图4是示出根据各种实施例的当策略判断单元选择用于最小危险操纵的车道变更和路线设置类型时使用的步骤的流程图。
图5是用于说明根据各种实施例的策略判断单元判断车道变更是否有必要的条件的示图。
图6是示出根据本公开的各种实施例的可以由策略判断单元使用的人工智能的示例的示图。
图7是示出根据本公开的各种实施例的生成的用于输入到策略判断单元的人工智能的图像的示例的示图。
图8是用于说明根据本公开的各种实施例的碰撞预测单元计算碰撞危险度的示例的示图。
图9是示出根据本公开的各种实施例的用于执行车辆的最小危险操纵所需的操作的流程图。
关于附图的描述，相同的附图标记可以用于表示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是示出根据本公开的各种实施例的车辆的概念性结构的示图。
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、变速(shifting)或停车，并且在驾驶员干预时可以根据驾驶员的控制驾驶。例如，车辆100可以指能够根据自动化工程师协会(SAE)的等级3或更高等级执行自动驾驶的车辆，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)、车道变更决策辅助系统(LCDAS)、车道偏离预警系统(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)、弯道速度预警系统(CSWS)、车辆前向碰撞预警系统(FVCWS)、低速跟随(LSF)等中选择的至少一个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以及存储装置(例如，存储器)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可以包括选自摄像头、激光雷达(LIDAR)传感器、雷达(RADAR)传感器以及位置传感器中的至少一种。
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。摄像头可以感测车辆100的前方、后方和/或两侧，并且可以根据感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/或两侧的其它物体(例如，其它车辆、人、物体、车道、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透镜拍摄的对象的图像，图像处理器可以从图像传感器接收数据并处理该数据，并且摄像头MCU可以从图像处理器接收数据。
激光雷达传感器可以利用光或激光感测车辆100的前方、后方和/或两侧，并且可以根据感测结果生成感测数据。例如，激光雷达传感器可以感测或识别位于车辆100的前方、后方和/或两侧的其它物体(例如，其它车辆、人、物体、车道、障碍物)。
根据实施例，激光雷达传感器可以包括激光发射模块、激光检测模块、信号收集和处理模块以及数据发送/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，根据信号调制方法激光雷达传感器可以分为飞行时间(TOF)方式和相移(phase shift)方式。
雷达传感器可以利用电磁波(或无线电波)感测车辆100的前方、后方和/或两侧，并且可以根据感测结果生成感测数据。例如，雷达传感器可以感测或识别位于车辆100的前方、后方和/或两侧的其它物体(例如，其它车辆、人、物体、车道、障碍物)。
雷达传感器可以利用频率调制载波(FMCW)或脉冲载波方式感测水平角度为30度范围内的前方150米以内的物体。雷达传感器可以处理根据感测结果生成的数据，并且该处理可以包括放大位于前方的所感测物体或在整个视场中聚焦于物体的区域。
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，并且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、驱动、制动和变速。例如，控制器120可以控制用于执行车辆100的转向、驱动、制动和变速的每个组件。
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动力转向系统(MPDS)。例如，当预期有车辆碰撞时，控制器120可以控制车辆的转向，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的驱动。根据实施例，控制器120可以执行车辆100的减速、加速，或者启动(on)/关闭(off)发动机。例如，控制器120可以根据处理器130的控制执行加速或减速，并且可以在车辆100开始或结束驾驶时启动/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根据处理器130的控制执行车辆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。例如，控制器120可以控制在预计发生碰撞时自动施加紧急制动。
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中的组件的电子控制单元(ECU)。例如，处理器130可以包括能够执行运算处理的中央处理单元(CPU)或微控制单元(MCU)。另外，可以有至少一个或多个处理器130，并且每个处理器130独立地运行不同的功能以控制车辆100中的组件，或者根据另一个实施例，处理器130可以在彼此关联并交换数据的同时集成控制车辆的组件。
处理器130可以执行与车辆100的控制相关的判断，并且可以根据判断结果控制控制器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，并且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，在假设控制器120和处理器130是独立的组件的情况下进行了说明，但是根据实施例，控制器120和处理器130可以被集成为一个组件。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可以视觉显示与车辆100相关的信息。根据实施例，显示器140可以根据处理器130的控制向车辆100的驾驶员提供与车辆100相关的各种信息。例如，显示器140可以根据处理器130的控制视觉显示车辆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根据处理器130的控制从车辆100外部接收数据或向车辆100外部发送数据。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与其它车辆(车辆对车辆)或与基础设施(车辆对基础设施)进行通信。
存储装置160可以存储处理器130操作所需的编程软件和各种设置信息。当车辆被启动或电源被打开(on)时，处理器130可以通过从存储装置160读取软件代码来操作。另外，处理器130可以将操作过程中生成的输入数据和输出数据暂时存储在存储装置160中。另外，存储装置160可以存储与事故责任相关的信息。
当具有如图1所示的车辆的概念性结构的车辆正在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有必要通过尝试最小危险操纵来停车或移动到路肩来停车，以便将与周围车辆的碰撞危险降至最低。
本公开的实施例提供一种方法，用于在自动驾驶车辆可以尝试的最小危险操纵中需要车道变更时有效且安全地执行车道变更。
图2是示出用于判断车辆的最小危险操纵所需的车道变更和路线设置策略的功能块的示图。
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，用于判断车辆的车道变更和路线设置策略的功能块可以包括车辆和车道检测单元210、碰撞预测单元220以及策略判断单元230。另外，可以进一步包括车辆控制器240和事故责任信息存储单元250。
车辆和车道检测单元210可以通过结合通过诸如摄像头、雷达传感器或激光雷达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，来获得在车辆100周围检测到的信息，例如周围车辆信息、车道信息和路肩信息。根据实施例，车辆和车道检测单元210基于利用传感器等获得的周围环境信息使用常规图像处理技术来获得周围车辆信息、道路信息、车道信息和路肩信息。在另一实施例中，车辆和车道检测单元210可以使用基于利用传感器等获得的周围环境信息学习的人工智能来获得周围车辆信息、道路信息、车道信息和路肩信息。
碰撞预测单元220可以基于由车辆和车道检测单元210获得的周围车辆信息和车道信息来预测车辆是否会发生碰撞。根据实施例，碰撞预测单元220可以基于人工智能来判断周围车辆和主车辆之间是否会发生碰撞。另外，碰撞预测单元220可以预测并输出关于碰撞可能性的信息，而不是关于碰撞的信息。根据实施例，碰撞预测单元220可以将碰撞可能性输出为从0到255的数值之一。此处，255可以对应于碰撞可能性为100％的情况，0可以对应于碰撞可能性为0％的情况。
策略判断单元230可以通过综合利用来自碰撞预测单元220和车辆和车道检测单元210的信息，设置在执行最小危险操纵的过程中的车道变更和路线设置策略。
车辆控制器240可以根据策略判断单元230选择的策略生成用于使控制器120执行车道变更的纵向和横向方向控制的控制命令。
事故责任信息存储单元250可以在车道变更开始时针对在车道变更过程中发生碰撞的情况计算并存储事故责任信息，或者可以在存储装置160中临时存储在判断车道变更和路线设置策略时或者在根据所选择的策略执行最小危险操纵的过程中生成的输入和输出数据，例如车辆性能信息或状态信息，或者临时存储用于判断车道变更策略的数据。
图3是示出根据各种实施例的由策略判断单元230判断的用于最小危险操纵的车道变更和路线设置类型的示图。
参照图3，策略判断单元230可以包括作为最小危险操纵的类型的在仅直行行驶后的直行停车类型和在变更车道后停车的车道变更停车类型。更具体地，策略判断单元230可以在直行停车(类型1)、一个车道变更停车(类型2)、变更车道后全肩停车(类型3)和变更车道后半肩停车(类型4)中选择一种作为最小危险操纵的类型，并且另外，可以选择变更两个或更多车道后路肩停车(类型5)作为最小危险操纵的类型。
直行停车(类型1)是当在周围没有其它车辆的情况下发生车辆异常的情况下与其它车辆的碰撞危险较低时可以执行的最小危险操纵的类型，车辆在一定的速度减速的同时直行行驶，直至停车，自动驾驶可以结束。直行停车(类型1)可以是即使在诸如车道检测、路肩检测、加速允许等自动驾驶功能发生故障或未使用时也可以执行的最小危险操纵的类型。
一个车道变更停车(类型2)可以是当即使车辆逐渐减速也存在与前方或周围车辆的碰撞危险且没有路肩时选择的、在向作为被判断为没有其它车辆行驶的不拥挤的车道的左侧或右侧车道变更一次车道后减速并停车的类型。如果在变更车道以避免碰撞时不允许重新加速是合适的，那么可以优选将车道变更限制为一次。
一个车道变更停车(类型2)需要自动驾驶功能之中的车道检测功能，但是诸如路肩检测和加速允许的功能可以不用于该类型。
类型3至类型5是周围存在其它车辆并且可以全肩或半肩停车的情况，并且可以是在变更车道后执行路肩或半肩停车以避开周围车辆或障碍物的类型。根据实施例，由于自动驾驶的最小危险操纵功能可以是在紧急危险状态下启动的功能，因此优选的是避免两次以上的车道变更。为了执行最小危险操纵的类型3至类型5，可能需要自动驾驶功能，例如车道检测、路肩检测和加速允许。
图4是示出根据各种实施例的当策略判断单元选择用于最小危险操纵的车道变更和路线设置类型时使用的步骤的流程图。
参照图4，在步骤S410中车辆100的策略判断单元230可以判断周围车辆是否存在于感兴趣区域(ROI)内。
在步骤S410的判断中，如果周围车辆不存在于感兴趣区域内，则在步骤S450中策略判断单元230可以选择直行停车(类型1)作为最小危险操纵的类型。
此外，在步骤S490中，相应的策略被发送到车辆控制器240，并且车辆100的车辆控制器240可以通过根据所选择的直行停车(类型1)生成控制命令来控制控制器120。因此，车辆100可以在直行行驶的同时逐渐减速并停车。此外，车辆100可以在停车后结束自动驾驶。
根据另一实施例，在步骤S410中，车辆100的策略判断单元230进一步检测在车辆100行驶的道路中的车道数量。只有当检测到的车道数量等于或小于预定数量并且周围车辆不存在于感兴趣区域内时，车辆100的策略判断单元230才可以进行步骤S450并选择直行停车(类型1)作为最小危险操纵的类型。当检测到的车道数量大于预定数量时，车辆100的策略判断单元230可以进行步骤S420。
如果在步骤S410中判断周围车辆存在于ROI内，则在步骤S420中车辆100的策略判断单元230可以判断旁边车道是否是路肩。
如果在步骤S420中判断旁边车道不是路肩，则在步骤S430中策略判断单元230可以判断车道变更是否有必要且能够车道变更。
作为在步骤S430中的判断结果，如果判断车道变更没有必要或不能车道变更，则在步骤S450中策略判断单元230可以选择直行停车(类型1)作为最小危险操作的类型。
作为在步骤S430中的判断结果，如果判断车道变更有必要且能够车道变更，则在步骤S460中策略判断单元230可以选择一个车道变更停车(类型2)作为最小危险操纵的类型。
在步骤S490中，策略判断单元230将所选择的一个车道变更停车类型(类型2)发送给车辆控制器240，并且车辆100的车辆控制器240根据所接收的最小危险操纵的类型生成控制命令，从而控制控制器120。因此，车辆100可以在变更一个车道后在变更的车道上行驶的同时逐渐减速并停车。然后，车辆100可以在停车后结束自动驾驶。
如果在步骤S420中判断旁边车道是路肩，则在步骤S440中策略判断单元230可以执行关于路肩状况和路线的分析。根据本实施例，策略判断单元230可以判断在相应的路肩处是否可以半肩停车、是否可以全肩停车或是否不能路肩停车。
如果在步骤S440中策略判断单元230判断不能执行路肩停车，则该过程可以进行步骤S430以判断车道变更是否有必要。另外，基于步骤S430的判断结果，策略判断单元230可以在直行停车(类型1)和一个车道变更停车(类型2)中选择一种作为最小危险操纵的类型。
如果在步骤S440中策略判断单元230判断可以全肩停车，则在步骤S470中策略判断单元230可以选择变更车道后全肩停车(类型3)作为最小危险操纵的类型。
如果在步骤S440中策略判断单元230判断可以半肩停车，则在步骤S480中策略判断单元230可以选择变更车道后半肩停车(类型4)作为最小危险操纵的类型。
另外，在步骤S495中，将被选择作为最小危险操纵的类型的类型3或类型4发送到车辆控制器240，并且车辆100的车辆控制器240可以根据所选择的类型生成控制命令，从而控制控制器120。因此，车辆100可以执行作为变更车道后半肩停车或变更车道后全肩停车的最小危险操纵。此外，车辆100可以在停车后结束自动驾驶。
根据另一实施例，车辆100的策略判断单元230可以在不进行步骤S420的判断的情况下进行步骤S430的判断。在这种情况下，车辆100的策略判断单元230可以在直行停车(类型1)或一个车道变更停车(类型2)中选择一种作为最小危险操纵的类型。
根据另一实施例，车辆100的策略判断单元230可以首先进行步骤S430的判断，然后再进行步骤S420的判断。在这种情况下，如果在步骤S430的判断中车道变更有必要且能够车道变更，则车辆100的策略判断单元230可以继续进行S420的判断。作为在步骤S420中的判断结果，如果旁边车道不是路肩，则可以选择一个车道变更停车(类型2)作为最小危险操纵的类型，并且如果旁边车道是路肩，则可以基于步骤S440的判断选择类型2、类型3和类型4中的一种作为最小危险操纵的类型。
在图4的流程图中，策略判断单元230需要在步骤S430和步骤S440中判断车道变更是否有必要，并且还需要判断是否能够车道变更。
图5是用于说明根据各种实施例的策略判断单元判断车道变更是否有必要的条件的示图。
参照图5，当在主车辆510当前行驶的车道上前方车辆520和主车辆510之间的纵向距离(dx,FVI)521小于最小安全距离(dmin,FVI)523时，如果保持当前行驶车道，则碰撞是不可避免的，因此，可以判断车道变更有必要。也就是说，如果以下等式1成立，则可以判断车道变更有必要。
等式1
dx，FVI＜dmin，FVI
另外，即使主车辆510判断车道变更有必要，在变更到右车道的情况下，只有在与在右前侧行驶的车辆530之间的纵向距离(dx,FVR)531大于最小安全距离(dmin,FVR)533并且与在右后侧行驶的车辆540之间的纵向距离(dx,RVR)541大于最小安全距离(dmin,RVR)543时，才可以车道变更。也就是说，如果满足以下等式2和等式3的条件，则可以车道变更。
等式2
dx，FVR＞dmin，FVR
等式3
dx，RVR＞dmin，RVR
在如图3的类型3或类型4中变更车道后全肩停车或变更车道后半肩停车的策略的情况下，如等式1所示，可以判断立即需要车道变更，而不需要判断与主车辆510行驶的车道上的前方车辆之间的碰撞可能性。
另一方面，在路肩的情况下，由于可能只有静止的车辆或低速的车辆，因此可能不会预料在右后侧行驶的车辆540比主车辆510快。因此，可以不考虑等式3的条件。然而，考虑到停在路肩上的右前方车辆或在路肩上低速行驶的右前方车辆，有必要考虑等式2的条件。也就是说，在如图3的类型3或类型4中变更车道后全肩停车或变更车道后半肩停车策略的情况下，仅通过判断等式2的条件就可以执行车道变更。
当如图3的类型5中选择变更两个或更多车道后路肩停车的策略时，如果如图5中所述满足等式1至等式3的条件，则执行车道变更，但是车道变更可以重复执行，直到车辆到达最后车道。当到达最后车道时，如上所述，通过仅判断等式2的条件，执行车道变更以最终停在路肩上。
根据本公开的各种实施例，策略判断单元230可以基于人工智能选择最小危险操纵的类型。
图6是示出根据本公开的各种实施例的可以由策略判断单元使用的人工智能的示例的示图。
图6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6的人工智能的示例是实施例，而本公开不限于此，并且可以使用不同结构或其它算法的人工智能。
图6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，例如图像、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6，基于卷积神经网络的人工智能可以包括特征提取层620和分类层630。特征提取层620可以通过利用卷积合成图像中的空间邻近的特征来提取图像的特征。
特征提取层620可以由多个卷积层621、625和池化层623、627叠加形成。卷积层621、625可以是通过将滤波器应用于输入数据然后应用激活函数而得到的卷积层。卷积层621、625可以包括多个通道，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621、625的结果可以是特征图。特征图可以是二维矩阵形式的数据。池化层623、627可以接收卷积层621、625的输出数据，即特征图作为输入，并可以用于减少输出数据的大小或强调特定数据。池化层623、627可以通过应用以下函数来生成输出数据：最大池化(max pooling)以在卷积层621、625的输出数据的一部分数据中选择最大值，平均池化以在卷积层621、625的输出数据的一部分数据中选择平均值，以及最小池化(min pooling)以在卷积层621、625的输出数据的一部分数据中选择最小值。
通过一系列的卷积层和池化层生成的特征图可以逐渐地变小。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630。分类层630可以是全连接人工神经网络结构。分类层630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630中使用的全连接人工神经网络可以包括输入层、输出层和选择性地一个或多个隐藏层。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，并可以基于关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作为通过突触输入到后续层的输入信号。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被称为全连接人工神经网络。
人工神经网络的模型参数指通过学习确定的参数，并且可以包括分类层630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620的每个卷积层621、625中应用的滤波器的大小和种类。超参数可以指描述人工智能本身结构的参数，例如特征提取层620的卷积层数量和分类层630的隐藏层数量。另外，超参数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(learning rate)、重复次数、小批量大小、初始化函数等。
除了上述的卷积神经网络之外，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执行分类和预测，具有递归结构的结构，并且将过去时间的学习与权重相乘并将结果反映到当前学习中。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成分生成文本，或用于语音识别。
执行人工神经网络学习的目的是确定使损失函数最小化的模型参数。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确定。在卷积神经网络的情况下，用于提取特征图的卷积层的滤波器可以通过学习确定。
根据学习方式机器学习可以被分为监督学习、无监督学习和强化学习。
监督学习可以指在提供与学习数据相关的标签的状态下执行人工神经网络学习的方法，并且该标签可以指当学习数据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)。无监督学习可以指在不提供与学习数据相关的标签的状态下执行人工神经网络学习的方法。强化学习可以指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从而使每个状态下的累积奖励最大化的方法。
图6所示的人工智能使用基于从车辆和车道检测单元210获得的信息以及从碰撞预测单元220获得的关于碰撞可能性的信息而生成的图像610作为输入，并且可以在图3所示的最小危险操纵640的类型中输出一种类型作为所选择的类型。
被输入到图6所示的人工智能中的图像610不是单纯由摄像头或图像传感器拍摄的图像，而是被生成为包括由碰撞预测单元220基于从车辆和车道检测单元210获得的关于周围车辆的信息、关于车道检测的信息以及关于路肩检测的信息计算的关于主车辆和周围车辆之间的碰撞可能性的信息的简化鸟瞰图(SBEV)形态的图像。因此，将比单纯输入摄像头拍摄的图像的情况下的图像包含更多信息的图像输入到人工智能中，从而提高人工智能的性能和效率。
图7是示出根据本公开的各种实施例的生成的用于输入到策略判断单元230的人工智能的图像的示例的示图。
参照图7，为了制作简化鸟瞰图图像，主车辆可以被显示为第一颜色或灰度(例如，黑色)的方块710。另外，ROI内的周围车辆可以被显示为第二颜色或灰度(例如，深灰色)和第三颜色或灰度(例如，稍亮的灰色)的方块720和730。在这种情况下，虽然周围车辆被显示为第二颜色，但根据碰撞可能性，可以用不同的亮度显示图像。根据实施例，所有周围车辆可能不会都被显示为第二颜色。例如，具有小于预定值的碰撞可能性的周围车辆可以被显示为与主车辆的颜色相同的第一颜色。另一方面，如果碰撞可能性大于预定值，则周围车辆可以被显示为第二颜色。在这种情况下，被显示为第二颜色的周围车辆的亮度可以根据碰撞可能性的程度而变化。在上述示例中，使用了颜色，但可以通过图案等而不是颜色来区分周围车辆和主车辆。也就是说，主车辆可以被显示为没有任何图案的白色的方块，而周围车辆可以被显示为具有某种图案的方块。在这种情况下，根据碰撞可能性的程度，可以将图案显示为具有增加的间距或密度。
图8是用于说明根据本公开的各种实施例的碰撞预测单元220计算碰撞危险度的示例的示图。
参照图8，可以计算前方车辆820和后方车辆810之间的碰撞危险度。此处，主车辆可以是前方车辆820或后方车辆810。
首先，可以通过利用以下等式4计算预期碰撞时间(碰撞时间，TTC)。
等式4
此处，如图8所示，Plong可以表示后方车辆810和前方车辆820之间的纵向距离，并且vrel可以表示后方车辆810和前方车辆820之间的纵向相对速度。由于碰撞危险度计算是由主车辆执行的，因此vrel可以表示周围车辆相对于主车辆的纵向相对速度。
另外，可以通过利用等式5计算预警指数(xp)。
等式5
如图8所示，Plong表示后方车辆810和前方车辆820之间的纵向距离，dbr表示当车辆以最大减速度的恒定加速度移动时直到车辆停止的制动临界距离(braking-criticaldistance)，而dw是在dbr中考虑到直到驾驶员踩下制动器所需的反应时间的预警临界距离。
dbr可以利用以下等式6计算，而dw可以利用以下等式7计算。
等式6
等式7
此处，vrel表示后方车辆810和前方车辆820之间的纵向相对速度，tbrake是制动系统的硬件的系统延迟时间，tthinking是直到驾驶员踩下制动器所需要的反应时间，ax,max表示车辆的最大纵向减速度。
当后方车辆810的驾驶员踩下制动器并且后方车辆810最大地减速时，后方车辆810可以行进dw，并且如果dw小于Plong，则预警指数xp具有正值，可以确定当前情况是安全的。相反，如果dw大于Plong，则预警指数(xp)具有负值，可以确定存在碰撞可能性。
碰撞预测单元220可以基于以下等式8计算纵向碰撞危险指数(Ilong)。
等式8
此处，xmax是预警指数的最大值，xth是预警指数的阈值，是TTC-1的阈值。
在主车辆车道变更的情况下，车道变更时间(time to lane crossing,TLC)可以利用以下等式9计算。
等式9
此处，y表示周围车辆的横向相对位置，而vy表示后方车辆810和前方车辆820之间的横向相对速度。
另外，碰撞预测单元220可以通过利用等式10计算横向碰撞危险指数(Ilat)。
等式10
此处，TLCth可以是预先设置的车道变更时间的阈值。
横向碰撞危险指数的数值在0和1之间，并且越接近1，当前情况可能越危险。
根据实施例，包括在上述等式中的阈值可以基于碰撞事故数据来设置，或者可以基于通过模拟测试生成的虚拟事故数据的结果来设置。根据实施例，和TLCth可以是0.5。
碰撞预测单元220可以通过反映基于上述等式获得的纵向碰撞危险指数和/或横向碰撞危险指数，如图7所示，根据碰撞危险指数生成具有不同亮度的图像。
再次参照图6，人工智能基于图7所示的简化鸟瞰图图像学习，并且所学习的人工智能可以基于简化鸟瞰图图像判断最小危险操纵的类型，该简化鸟瞰图图像与图7所示的简化鸟瞰图图像相同，并且是在当前状态下基于车辆和车道检测单元210提供的检测结果和碰撞预测单元220的预测结果生成的。
图9是示出根据本公开的各种实施例的用于执行车辆的最小危险操纵所需的操作的流程图。
参照图9，在步骤S10中，车辆100可以获得启动最小危险操纵(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的速度移动时生成启动最小危险操纵功能的请求。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对最小危险操纵的请求。根据实施例，当判断在至少一个车辆状态中存在异常时，可以生成对车辆的最小危险操纵的请求。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接收的对最小危险操纵的请求。对最小危险操纵的请求可以指使车辆100执行最小危险操纵的任意命令。
在步骤S20中，当有对最小危险操纵的请求时，车辆100可以执行最小危险操纵功能。
最小危险操纵功能可以包括监测车辆的状态的步骤、确定最小危险操纵的类型的步骤以及根据确定的最小危险操纵的类型执行该最小危险操纵的步骤。
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可以监测车辆100的驾驶车辆所需的最小组件和功能的状态。根据实施例，车辆100可以通过利用传感器110等监测车辆是否可以进行制动控制、是否可以进行横向控制、是否可以检测到车道、是否可以检测到路肩等。
在步骤S23中，车辆100可以基于监测到的信息确定车辆的最小危险操纵的类型。车辆100的处理器130可以根据图4所示的流程图或利用如图6所示的人工智能来确定最小危险操纵的类型。根据实施例，如图3所示，最小危险操纵的类型可以包括直行停车(类型1)、一个车道变更停车(类型2)、变更车道后全肩停车(类型3)和变更车道后半肩停车(类型4)。
在步骤S25中，车辆100可以执行确定的最小危险操纵的类型。
为了执行确定的最小危险操纵的类型，车辆100可以执行选自车辆停止，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，发送紧急信号，控制紧急灯，减速预警，控制制动灯，将控制权转移给其他乘客以及远程控制中的至少一种。例如，车辆100的处理器130可以将与确定的最小危险操纵的类型相对应的控制命令发送到控制器120，并且控制器120可以根据该控制命令控制车辆100。
在步骤S25中执行确定的最小危险操纵的类型之后，车辆停车并且可以处于最小危险状态(步骤S30)。当车辆100达到最小危险状态时，可以关闭自动驾驶系统或者可以关闭车辆100。
另外，在步骤S20期间，在步骤S40中，车辆100可以忽略或停止用户的操作，干涉用户的操作，并且优先考虑由最小危险操纵启用的操作。
在本公开的实施例中，当车辆由于诸如在自动驾驶期间发生的故障的事件而处于危险中时，车辆可以根据上述方法执行能够使危险最小化的最小危险操纵功能。通过这样做，车辆可以摆脱危险，并可以转换为最小危险的状态，并且可以进一步提高车辆的驾驶稳定性。

Claims (20)

1.一种用于操作车辆的方法，包括：
监测所述车辆的状态；
基于所述车辆的状态确定最小危险操纵的类型，
其中，所述最小危险操纵的类型包括所述车辆在仅直行行驶后停车的直行停车类型和所述车辆在变更车道后停车的车道变更停车类型；以及
执行确定的最小危险操纵的类型。
2.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检测周围车辆；并且
基于所述车辆的状态确定所述最小危险操纵的类型包括：
判断所述周围车辆是否存在于感兴趣区域内；以及
响应于判断所述周围车辆不存在于所述感兴趣区域内，确定所述直行停车类型作为所述最小危险操纵的类型。
3.根据权利要求2所述的方法，其中，
监测所述车辆的状态进一步包括检测在所述车辆行驶的道路中的车道数量；并且
响应于判断所述周围车辆不存在于所述感兴趣区域内，确定所述直行停车类型作为所述最小危险操纵的类型包括当所述周围车辆不存在于所述感兴趣区域内并且所述车道数量等于或小于预定数量时，确定所述直行停车类型作为所述最小危险操纵的类型。
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检测周围车辆；
基于所述车辆的状态确定所述最小危险操纵的类型包括：
判断车道变更是否有必要；以及
响应于判断所述车道变更有必要，确定所述车道变更停车类型作为所述最小危险操纵的类型，并且
判断所述车道变更是否有必要包括当所述车辆与前方车辆之间的纵向距离小于第一最小安全距离、所述车辆与右前方行驶的车辆之间的纵向距离大于第二最小安全距离并且所述车辆与右后方行驶的车辆之间的纵向距离大于第三最小安全距离时，判断所述车道变更有必要。
5.根据权利要求4所述的方法，其中，
基于所述车辆的状态确定所述最小危险操纵的类型进一步包括响应于判断所述车道变更没有必要，确定所述直行停车类型作为所述最小危险操纵的类型。
6.根据权利要求1所述的方法，进一步包括：
获得执行最小危险操纵功能的请求，
其中，监测所述车辆的状态、确定所述最小危险操纵的类型和执行确定的最小危险操纵的类型只有在获得执行所述最小危险操纵功能的请求时执行。
7.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检测所述车辆周围的周围车辆、车道和路肩；
所述方法进一步包括确定与所述周围车辆的碰撞危险度；并且
确定所述最小危险操纵的类型包括基于所述碰撞危险度和所述车辆的状态确定所述最小危险操纵的类型。
8.根据权利要求7所述的方法，其中，所述最小危险操纵的类型进一步包括：
一个车道变更停车类型，所述车辆在变更一个车道后停车；
变更车道后全肩停车类型，所述车辆变更车道到所述路肩后完全进入所述路肩并在所述路肩上停车；以及
变更车道后半肩停车类型，所述车辆变更所述车道到所述路肩后横跨所述路肩停车。
9.根据权利要求8所述的方法，其中，基于所述车辆的状态确定所述最小危险操纵的类型包括：
判断所述周围车辆是否存在于感兴趣区域内；
当所述周围车辆存在于所述感兴趣区域内时，判断旁边车道是否是路肩；
当所述旁边车道是所述路肩时，分析路肩状况和路线；
响应于判断能够进行半肩停车，确定所述变更车道后半肩停车类型作为所述最小危险操纵的类型；
响应于判断能够进行全肩停车，确定所述变更车道后全肩停车类型作为所述最小危险操纵的类型；以及
响应于判断不能进行路肩停车，在预定时间经过后再次分析路肩状况和路线。
10.根据权利要求8所述的方法，其中，基于所述车辆的状态确定所述最小危险操纵的类型包括：
判断所述周围车辆是否存在于感兴趣区域内；
当判断所述周围车辆不存在于所述感兴趣区域内时，确定所述直行停车类型作为所述最小危险操纵的类型；
当所述周围车辆存在于所述感兴趣区域内时，判断旁边车道是否是路肩；
当所述旁边车道不是路肩时，判断车道变更是否有必要；
当判断所述车道变更没有必要时，确定所述直行停车类型作为所述最小危险操纵的类型；
当判断所述车道变更有必要时，确定所述一个车道变更停车类型作为所述最小危险操纵的类型；
当所述旁边车道是所述路肩时，分析路肩状况和路线；
响应于判断能够进行半肩停车，确定所述变更车道后半肩停车类型作为所述最小危险操纵的类型；
响应于判断能够进行全肩停车，确定所述变更车道后全肩停车类型作为所述最小危险操纵的类型；以及
响应于判断不能进行路肩停车，再次判断所述车道变更是否有必要。
11.根据权利要求8所述的方法，其中，基于所述车辆的状态确定所述最小危险操纵的类型包括：
生成包括检测的周围车辆、所述车道、所述路肩和所述碰撞危险度的简化鸟瞰图图像；以及
利用接收生成的简化鸟瞰图图像作为输入的人工智能确定所述最小危险操纵的类型。
12.根据权利要求11所述的方法，其中，
生成所述简化鸟瞰图图像包括根据所述碰撞危险度改变并显示包括在所述简化鸟瞰图图像中的所述周围车辆的亮度以包含所述碰撞危险度。
13.一种车辆，包括：
传感器；
处理器，基于由所述传感器检测的状态信息和周围环境信息控制所述车辆的自动驾驶；以及
控制器，根据所述处理器的控制，控制所述车辆的操作，
其中，所述处理器被配置为：
基于由所述传感器检测的状态信息，监测所述车辆的状态；
基于所述车辆的状态确定最小危险操纵的类型，
所述最小危险操纵的类型包括所述车辆在仅直行行驶后停车的直行停车类型和所述车辆在变更车道后停车的车道变更停车类型；以及
通过控制所述控制器，执行确定的最小危险操纵的类型。
14.根据权利要求13所述的车辆，其中，所述处理器被配置为：
检测所述车辆的周围车辆；
判断所述周围车辆是否存在于感兴趣区域内；以及
响应于判断所述周围车辆不存在于所述感兴趣区域内，确定所述直行停车类型作为所述最小危险操纵的类型。
15.根据权利要求14所述的车辆，其中，所述处理器被配置为：
检测在所述车辆行驶的道路中的车道数量；以及
当所述周围车辆不存在于所述感兴趣区域内并且所述车道数量等于或小于预定数量时确定所述直行停车类型作为所述最小危险操纵的类型。
16.根据权利要求13所述的车辆，其中，所述处理器被配置为：
检测所述车辆的周围车辆；
判断车道变更是否有必要；
当所述车辆与前方车辆之间的纵向距离小于第一最小安全距离、所述车辆与右前方行驶的车辆之间的纵向距离大于第二最小安全距离并且所述车辆与右后方行驶的车辆之间的纵向距离大于第三最小安全距离时，判断所述车道变更有必要；以及
响应于判断所述车道变更有必要，确定所述车道变更停车类型作为所述最小危险操纵的类型。
17.根据权利要求13所述的车辆，其中，所述处理器进一步被配置为：
获得执行最小危险操纵功能的请求；以及
响应于获得执行所述最小危险操纵功能的请求，确定所述最小危险操纵的类型并执行确定的最小危险操纵的类型。
18.根据权利要求13所述的车辆，其中，所述处理器被配置为：
检测所述车辆周围的周围车辆、车道和路肩；
确定与所述周围车辆的碰撞危险度；以及
基于所述碰撞危险度和所述车辆的状态确定所述最小危险操纵的类型。
19.根据权利要求18所述的车辆，其中，所述最小危险操纵的类型包括：
一个车道变更停车类型，所述车辆在变更一个车道后停车；
变更车道后全肩停车类型，所述车辆变更车道到所述路肩后完全进入所述路肩并在所述路肩上停车；以及
变更车道后半肩停车类型，所述车辆变更所述车道到所述路肩后横跨所述路肩停车。
20.根据权利要求18所述的车辆，其中，所述处理器被配置为：
生成包括检测的周围车辆、所述车道、所述路肩和所述碰撞危险度的简化鸟瞰图图像；以及
利用接收生成的简化鸟瞰图图像作为输入的人工智能确定所述最小危险操纵的类型。
CN202310610581.XA 2022-06-29 2023-05-29 用于执行最小危险操纵的车辆和操作该车辆的方法 Pending CN117302215A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220079856A KR20240003030A (ko) 2022-06-29 2022-06-29 최소 위험 조작을 수행하기 위한 차량 및 상기 차량의 작동 방법
KR10-2022-0079856 2022-06-29

Publications (1)

Publication Number Publication Date
CN117302215A true CN117302215A (zh) 2023-12-29

Family

ID=89167786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310610581.XA Pending CN117302215A (zh) 2022-06-29 2023-05-29 用于执行最小危险操纵的车辆和操作该车辆的方法

Country Status (4)

Country Link
US (1) US20240001915A1 (zh)
KR (1) KR20240003030A (zh)
CN (1) CN117302215A (zh)
DE (1) DE102023203305A1 (zh)

Also Published As

Publication number Publication date
KR20240003030A (ko) 2024-01-08
DE102023203305A1 (de) 2024-01-04
US20240001915A1 (en) 2024-01-04

Similar Documents

Publication Publication Date Title
KR101915167B1 (ko) 자동 주차 시스템 및 자동 주차 방법
US20180093664A1 (en) Automatic parking system and automatic parking method
US11691619B2 (en) Automatic parking system and automatic parking method
US11608067B2 (en) Probabilistic-based lane-change decision making and motion planning system and method thereof
US20210078598A1 (en) Autonomous vehicle and pedestrian guidance system and method using the same
KR102553053B1 (ko) 차량 주변의 위험 요소를 감지하기 위한 전자 장치 및 이를 제어하기 위한 방법
CN110371018B (zh) 使用其他车辆车灯的信息改善车辆行为
EP4184452A1 (en) Vehicle light classification system
CN113631452B (zh) 一种变道区域获取方法以及装置
KR20190040550A (ko) 차량에서의 장애물 검출장치 및 그 제어방법
CN113228131B (zh) 用于提供周围环境数据的方法和系统
CN111409455A (zh) 车辆的速度控制方法及装置、电子设备、存储介质
KR20220124397A (ko) 차량 및 그 제어방법
CN115465283A (zh) 自适应信任校准
TWI620677B (zh) 車輛切換車道之自動控制方法
JP2022189809A (ja) 車両内において使用される機械学習モデルを再構成するための超音波システム及び方法
US12017679B2 (en) Adaptive trust calibration
US20240001915A1 (en) Vehicle for Performing Minimum Risk Maneuver and Method of Operating the Vehicle
EP4292900A1 (en) Method for operating a vehicle and vehicle
US11462020B2 (en) Temporal CNN rear impact alert system
CN115140043A (zh) 用于通过车辆进行交叉路口操纵的系统和方法
WO2023112385A1 (ja) 車両制御装置
JP2024139699A (ja) ブラックスワンイベントへの対処を含む支援方法、運転者支援システム、および車両
CN118053321A (zh) 车辆碰撞威胁评估
CN115440068A (zh) 信息处理服务器、信息处理服务器的处理方法、程序

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication