CN117585006A - 用于估计车辆的横向速度的系统和方法 - Google Patents
用于估计车辆的横向速度的系统和方法 Download PDFInfo
- Publication number
- CN117585006A CN117585006A CN202310114015.XA CN202310114015A CN117585006A CN 117585006 A CN117585006 A CN 117585006A CN 202310114015 A CN202310114015 A CN 202310114015A CN 117585006 A CN117585006 A CN 117585006A
- Authority
- CN
- China
- Prior art keywords
- static object
- vehicle
- representation
- processor
- points
- 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 70
- 230000003068 static effect Effects 0.000 claims abstract description 184
- 238000001514 detection method Methods 0.000 claims abstract description 79
- 230000033001 locomotion Effects 0.000 claims abstract description 39
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 230000008447 perception Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 45
- 238000004891 communication Methods 0.000 claims description 16
- 230000001131 transforming effect Effects 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002604 ultrasonography Methods 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
- B60W40/10—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
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
-
- 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
- B60W50/0097—Predicting future 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
- 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
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0022—Gains, weighting coefficients or weighting functions
-
- 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
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- B60W2520/12—Lateral speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- 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
- B60W2554/20—Static objects
-
- 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
- B60W2554/801—Lateral distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/12—Lateral speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
系统和方法用于控制车辆。系统和方法接收来自感知系统的静态对象检测数据。静态对象检测数据包括静态对象在当前时间上的第一表示以及静态对象在较早时间上的第二表示。系统和方法接收来自传感器系统的车辆动态测量数据,基于静态对象的第一表示确定静态对象的当前位置,使用静态对象在较早时间上的第二表示、运动模型和车辆动态测量数据预测静态对象在当前时间上的预期位置;基于当前位置和预期位置之间的差距估计车辆的横向速度;以及使用横向速度控制车辆。
Description
技术领域
本公开总体上涉及用于估计横向速度的车辆、系统和方法。
背景技术
自主和半自主车辆能够感测其环境并且基于感测到的环境进行导航。此类车辆使用诸如雷达、激光雷达、图像传感器等的感测装置感测其环境。车辆系统进一步使用来自全球定位系统(GPS)技术、导航系统、车辆对车辆通信、车辆对设施技术和/或电传线控系统的信息对车辆进行导航。
车辆自动化已被归类成数字级别,这些级别处于从零(对应于完全由人控制的无自动化)到五(对应于没有人为控制的完全自动化)的范围内。各种自动化驾驶员辅助系统(诸如巡航控制、自适应巡航控制和停车辅助系统)对应于较低的自动化级别,而真正的“无人驾驶”车辆则对应于较高的自动化级别。
一些自动化车辆系统包括感知系统,其包括检测静态交通对象(比如车道标记、交通标志、交通控制装置等)的能力。自动化车辆控制特征(诸如脱手驾驶辅助技术、碰撞避免转向和车道保持辅助)以及其他基于转向的自动化驾驶特征依赖于路径规划,并且借助于对横向速度的准确估计而提高路径规划准确度。横向速度可以被应用于其他自动化车辆控制特征,诸如那些依赖侧滑角并且包括模型预测控制的特征。可以使用基于模型的方案估计横向速度,但是这样的模型必须以可靠的高准确度描述车辆,并且在计算上是要求高的。
因此,希望提供不依赖于复杂模型来估计横向速度从而在实现准确估计的同时实现提高的计算效率的系统和方法。此外,结合附图以及前述技术领域和背景技术,根据随后的详细描述和所附的权利要求,本发明的其他期望的特征和特性将变得显而易见。
发明内容
在一个方面,提供了一种控制车辆的方法。所述方法包括:经由至少一个处理器接收来自车辆的感知系统的静态对象检测数据,静态对象检测数据包括静态对象在当前时间上的第一表示以及静态对象在较早时间上的第二表示;经由至少一个处理器接收来自车辆的传感器系统的车辆动态测量数据;经由至少一个处理器基于静态对象的第一表示确定静态对象的当前位置;经由至少一个处理器使用静态对象在较早时间上的第二表示、运动模型和车辆动态测量数据预测静态对象在当前时间上的预期位置;经由至少一个处理器基于当前位置和预期位置之间的差距估计车辆的横向速度;以及经由至少一个处理器使用横向速度控制车辆。
在实施例中,所述方法包括:经由至少一个处理器使用静态对象在较早时间上的第二表示确定静态对象的较早位置,其中,预测静态对象在当前时间上的预期位置使用了静态对象在较早时间上的第二表示、运动模型、车辆动态测量数据和静态对象的较早位置。
在实施例中,差距由至少一个处理器使用窗口确定,所述窗口具有静态对象的出现于第一表示和第二表示中的重叠表示。
在实施例中,静态对象的第一表示和静态对象的第二表示分别呈第一和第二函数的形式。
在实施例中,所述方法包括:经由至少一个处理器确定与静态对象的第一表示重合的第一组点,经由至少一个处理器使用运动模型和车辆动态测量数据将第一组点变换到静态对象的第二表示的坐标系中,以提供变换组点,其中,经由至少一个处理器预测静态对象在当前时间上的预期位置使用了静态对象在较早时间上的第二表示、运动模型、车辆动态测量数据和变换组点。
在实施例中,静态对象的第一表示和静态对象的第二表示分别呈第一和第二函数的形式。所述方法包括:经由至少一个处理器使用第一函数确定第一组点,经由至少一个处理器使用运动模型和车辆动态测量数据将第一组点变换到静态对象的第二表示的坐标系中,以提供变换组点,其中,经由至少一个处理器预测静态对象在当前时间上的预期位置包括相对于变换组点评估第二函数,以提供第二组点,以及将第二组点转换到第一表示的坐标系中,以提供预期组点。估计车辆的横向速度是基于第一组点和预期组点之间的差距。
在实施例中,估计车辆的横向速度是基于使当前位置和预期位置之间的误差最小化的函数,其中,函数对应于差距。
在实施例中,静态对象是车道标记。
在实施例中,所述方法包括:针对静态对象检测数据中的多个静态对象中的每个执行以下步骤:确定静态对象的当前位置,预测静态对象的预期位置以及估计车辆的横向速度,由此提供车辆的横向速度的多个估值,其中,所述方法包括组合横向速度的多个估值,以提供组合估值,其中,控制车辆是基于组合估值。
在实施例中,组合多个估值包括评估加权和函数。在实施例中,根据每个静态对象所处的离开车辆的距离来设定加权和的权重。在实施例中,根据感知系统提供的与每个静态对象相关联的感知置信度来设定加权和的权重。
在实施例中,所述方法包括:根据预定排除阈值,当感知系统提供的感知置信度不够高时和/或当静态对象位于离开车辆过远时,从估计车辆的横向速度中排除静态对象。
在另一个方面,提供了一种用于控制车辆的系统。所述系统包括感知系统、传感器系统、与传感器系统和感知系统可操作通信的至少一个处理器。至少一个处理器被配置成执行程序指令。程序指令被配置成使至少一个处理器:接收来自感知系统的静态对象检测数据,静态对象检测数据包括静态对象在当前时间上的第一表示以及静态对象在较早时间上的第二表示;接收来自传感器系统的车辆动态测量数据;基于静态对象的第一表示确定静态对象的当前位置;使用静态对象在较早时间上的第二表示、运动模型和车辆动态测量数据预测静态对象在当前时间上的预期位置;基于当前位置和预期位置之间的差距估计车辆的横向速度;以及使用横向速度控制车辆。
在实施例中,程序指令被配置成使至少一个处理器:使用静态对象在较早时间上的第二表示确定静态对象的较早位置,其中,预测静态对象在当前时间上的预期位置使用了静态对象在较早时间上的第二表示、运动模型、车辆动态测量数据和静态对象的较早位置。
在实施例中,差距由至少一个处理器使用窗口确定,所述窗口具有静态对象的出现于第一表示和第二表示中的重叠表示。
在实施例中,静态对象的第一表示和静态对象的第二表示分别呈第一和第二函数的形式。
在实施例中,程序指令被配置成使至少一个处理器:确定与静态对象的第一表示重合的第一组点,使用运动模型和车辆动态测量数据将第一组点变换到静态对象的第二表示的坐标系中,以提供变换组点,其中,预测静态对象在当前时间上的预期位置使用了静态对象在较早时间上的第二表示、运动模型、车辆动态测量数据和变换组点。
在实施例中,静态对象的第一表示和静态对象的第二表示分别呈第一和第二函数的形式,其中,程序指令被配置成使至少一个处理器:使用第一函数确定第一组点,使用运动模型和车辆动态测量数据将第一组点变换到静态对象的第二表示的坐标系中,以提供变换组点,其中,预测静态对象在当前时间上的预期位置包括相对于变换组点评估第二函数,以提供第二组点,以及将第二组点转换到第一表示的坐标系中,以提供预期组点,并且其中,估计车辆的横向速度是基于第一组点和预期组点之间的差距。
在实施例中,估计车辆的横向速度是基于使当前位置和预期位置之间的误差最小化的函数,其中,函数对应于差距。
附图说明
下文将结合以下附图描述示例性实施例,其中,相同的附图标记表示相同的元素,并且其中:
图1是示出了根据各种实施例的利用横向速度估计系统的自主或半自主车辆系统的功能框图;
图2是示出了根据各种实施例的包括横向速度估计系统的自主驾驶系统的数据流图;
图3是示出了根据各种实施例的横向速度估计系统的功能块的系统图;
图4是示意性地表示根据各种实施例的由横向速度估计系统使用的比较静态对象并估计横向速度的过程的数据流图;
图5是根据各种实施例的示意性地表示静态对象检测的图示;
图6是表示根据各种实施例的定义用于估计横向速度的静态对象的有效重叠窗口的过程的图示;并且
图7是示出了根据各种实施例的估计横向速度的算法过程的方法步骤的流程图。
具体实施方式
以下详细描述本质上仅是示例性的,并且不旨在限制应用和用途。此外,不旨在受到前述技术领域、背景技术、简要概述或以下详细描述中提出的任何明示或暗示的理论的约束。如本文所用,术语模块是指任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置,单独地或以任何组合方式,包括但不限于:专用集成电路(ASIC)、电子电路、执行一个或多个软件或固件程序的处理器(共享的、专用的或组)和存储器、组合逻辑电路和/或提供所描述的功能的其他适当部件。
本公开的实施例可以在本文中按照功能和/或逻辑块部件以及各种处理步骤进行描述。应当认识到,此类块部件可以通过被配置为执行指定功能的任何数量的硬件、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、逻辑元件或查找表等,它们可以在一个或多个微处理器或其他控制装置的控制下执行各种功能。此外,本领域技术人员将会认识到,本公开的实施例可以结合任何数量的系统进行实践,并且本文描述的系统仅仅是本公开的示例性实施例。
为简洁起见,本文中可能不详细描述与信号处理、数据传输、信令、控制以及系统(和系统的各个操作部件)的其他功能方面相关的常规技术。此外,本文所包含的各种附图中所示的连接线旨在表示各种元件之间的示例功能关系和/或物理耦接。应当指出的是,在本公开的实施例中可能存在许多替代的或附加的功能关系或物理连接。
本文描述的系统和方法提供了根据在车辆周围检测到的简单的静态对象(诸如经处理的车道标记)对不依赖于车辆模型的横向速度(Vy)进行估计的方法。使用车辆相对于这些静态对象的运动在低激励下估计横向速度,以供用于自动化驾驶和主动安全特征。该系统和方法具有高计算效率,并且对于包括脱手驾驶、碰撞避免和全自动化驾驶的特征而言能够增强车辆参数估计和路径预测。
本文描述的算法基于对应的感知信号、驾驶条件和启发法(heuristics)向每个对象分配置信度值,并且选择用于横向速度估计的对象子集。在一个实施例中,该算法确定属于对象的一组点,这些点包含在该对象的两次相继检测中。在实施例中,该算法根据这些相继的多组点以及来自车辆动态传感器的其他标准测量来估计车辆的横向速度。在一些实施例中,该算法使用分配给每个检测到的对象的置信度将对应的横向速度估值融合成单个估值。
因此,公开了实施估计横向速度的算法的系统和方法,该算法包括接收由感知系统生成的表示静态对象或道路特征的一组数据的步骤。该算法可以通过数学函数(诸如涉及X和Y坐标的多项式)表示对象或特征。该算法可以基于感知信号(相机视距、置信度)、驾驶条件(速度、曲率)和启发法(车道场景)向每个对象/特征分配置信度值。从随后的计算中排除不满足置信度阈值的对象/特征。如本文所公开的,在两个相继时间上可获得静态对象/特征的相对于车辆的表示。该算法可以确定全局空间中的在两个表示中均被发现的一组点。该算法使用两组点连同车辆速度和横摆率来估计两次检测之间的时间期间车辆的横向速度。可以基于置信度评分和/或与车辆的距离对该组内的一些点赋予更高的权重,该权重是就它们对源自于该对象/特征的横向速度估值的影响而言的。可以融合对应于每个对象/特征的横向速度估值,以提供单个不依赖于模型的估值。可以按照分配给每个对象/特征的置信度的函数对多个来源的融合进行加权。
本文描述的系统和方法提供了不依赖于模型的横向速度,其可以用于:参数估计(轮胎滑移和力的估计)、状态估计、路径预测、将发生车道交叉的时间或者将碰撞的时间、反馈控制、控制性能指示、打滑/滑移/非线性区域检测。本文描述的具有高计算效率的方法在低侧滑条件(典型的公路/脱手驾驶)下是准确的。该方法通过被表达为线性回归问题而只需低计算成本。该系统可以借助于最低要求的单目相机来操作。该算法包括防范感知异常的安全防护。
参考图1,根据各种实施例,总体上在100处示出的车辆系统与车辆10相关联。一般而言,车辆系统100包括横向速度估计系统200,其被配置为接收静态对象的时间空间表示,并且基于在表示之间的时间内针对车辆相对于静态对象的航向和纵向移动(从传感器测量中确定的)进行的补偿来估计车辆10的横向速度。
如图1中所示,车辆10通常包括底盘12、主体14、前轮16和后轮18。主体14布置在底盘12上并且基本上包围车辆10的部件。主体14和底盘12可以共同形成框架。车轮16-18各自在主体14的相应拐角附近可旋转地耦接到底盘12。
在一些实施例中,车辆10是自主车辆并且横向速度估计系统200被合并到自主车辆10(下文被称为自主车辆10)中。本描述重点在于自主车辆应用中的示例性应用。然而,应当理解,本文描述的横向速度估计系统200被设计为用于半自主机动车。
例如,自主车辆10是被自动控制以将乘客从一个位置运载至另一个位置的车辆。车辆10在所示实施例中被描绘为乘用车,但是应当认识到,也可使用任何其他交通工具,包括摩托车、卡车、运动型多用途车(SUV)、休旅车(RV)、船舶、飞机等。在示例性实施例中,自主车辆10是所谓的四级或五级自动化系统。四级系统表示“高度自动化”,是指即使人类驾驶员没有适当地响应干预请求,自动化驾驶系统也在动态驾驶任务的所有方面的特定驾驶模式性能。五级系统表示“完全自动化”,是指在人类驾驶员能够管理的所有道路和环境条件下,自动化驾驶系统在动态驾驶任务的所有方面的全时性能。
如图所示,自主车辆10通常包括推进系统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、以及通信系统36。在各种实施例中,推进系统20可以包括内燃机、诸如牵引马达的电机和/或燃料电池推进系统。传动系统22被配置为根据可选速度比将动力从推进系统20传输到车轮16-18。根据各种实施例,传动系统22可以包括级比自动变速器、无级变速器或其他合适的变速器。制动系统26被配置为向车轮16-18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/或其他合适的制动系统。转向系统24影响车轮16-18的位置。尽管出于说明目的将转向系统24描绘为包括方向盘,但是在本公开的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。
传感器系统28包括一个或多个感测装置40a-40n,其感测自主车辆10的外部环境和/或内部环境的可观察状况。感测装置40a-40n可以包括但不限于雷达、激光雷达、全球定位系统、光学相机140a-140n、热相机、超声波传感器和/或其他传感器。光学相机140a-140n安装在车辆10上并且被布置用于捕获车辆10周围环境的图像(例如具有视频的形式的图像序列)。在所示实施例中,存在被布置用于分别对宽角度近视场以及窄角度远视场进行成像的两个前相机140a、140b。还示出了左侧和右侧相机140c、140e以及后相机140d。各种相机140a-140n的数量和位置只是示例性的,并且可以设想其他布置。感测装置40a-40n是感知系统74(参见图2)的部分,感知系统74处理来自感测装置40a-40n的原始图像数据,以对车辆10的环境中的特征(尤其是横向速度估计系统200使用的特定静态对象)进行定位和分类。
传感器系统28包括以下传感器中的一者或多者,这些传感器提供由横向速度估计系统200使用的车辆动态测量数据224(参见图3)。传感器系统28可以包括转向角传感器(SAS)、车轮速度传感器(WSS)、惯性测量单元(IMU)、全球定位系统(GPS)、引擎传感器以及油门和/或制动器传感器。在实施例中,传感器系统28提供对平移/纵向速度和横摆率的测量,以供横向速度估计系统200使用。
致动器系统30包括一个或多个致动器装置42a-42n,其控制一个或多个车辆特征,诸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,诸如但不限于车门、行李箱和诸如空气、音乐、照明等(未编号)的车厢特征。
数据存储装置32存储用于自动控制自主车辆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。可以认识到,数据存储装置32可以是控制器34的部分,与控制器34分开,或者可以是控制器34的部分和单独系统的部分。
控制器34包括至少一个处理器44和计算机可读存储装置或介质46。处理器44可以是任何定制的或市售的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制器34相关联的几个处理器中的辅助处理器、基于半导体的微处理器(具有微芯片或芯片组的形式)、宏处理器、它们的任何组合、或者通常用于执行指令的任何装置。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)和不失效存储器(KAM)中的易失性和非易失性存储。KAM是可以用于在处理器44断电时存储各种操作变量的持久性或非易失性存储器。计算机可读存储装置或介质46可以使用许多已知存储器装置中的任何存储器装置来实现,诸如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪速存储器或者能够存储数据(其中的一些表示可执行指令,由控制器34用来控制自主车辆10)的任何其他电、磁、光或组合存储器装置。
指令可以包括一个或多个单独的程序,其中的每个程序包括用于实现逻辑功能的可执行指令的有序列表。当处理器44执行指令时,指令接收并处理来自传感器系统28的信号,执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法,并向致动器系统30生成控制信号,以基于逻辑、计算、方法和/或算法自动控制自主车辆10的部件。尽管图1中仅示出了一个控制器34,但是自主车辆10的实施例可以包括任何数量的控制器34,它们通过任何适当通信介质或通信介质的组合进行通信,并且协作以处理传感器信号,执行逻辑、计算、方法和/或算法,并生成控制信号以自动控制自主车辆10的特征。
在各种实施例中,控制器34的一个或多个指令体现在横向速度估计系统200中,并且在由处理器44执行时被配置为实现本文描述的方法和系统,用于提供静态对象的时间空间表示,基于运动模型和车辆动态测量数据针对时间差量(delta)期间车辆10的运动进行调整,并且对静态对象的相对调整后的表示进行比较,以确定车辆的横向位置的变化速率(即,横向速度)。也就是说,运动调整后的表示之间的横向间隔指示车辆10在该时间差量内的横向移动,可以结合其来输出横向速度估值。运动模型使用横摆率和纵向速度针对车辆10的运动来相对调整表示。
通信系统36被配置为与诸如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、远程系统和/或个人装置的其他实体48进行无线信息通信。在示例性实施例中,通信系统36是被配置为经由使用IEEE 802.11标准的无线局域网(WLAN)或通过使用蜂窝数据通信进行通信的无线通信系统。然而,诸如专用短程通信(DSRC)信道的附加或替代的通信方法也被认为在本公开的范围内。DSRC信道是指专门针对汽车用途而设计的单向或双向短程到中程无线通信信道以及对应的一组协议和标准。
可以认识到,本文公开的主题向可被视为标准或基线自主车辆10的内容提供了某些增强的特征和功能。为此,可以对自主车辆进行修改、增强或以其他方式进行补充,以提供下面更详细描述的附加特征。本文描述的涉及横向速度估计系统200的主题不仅适用于自主驾驶应用,而且还适用于其他具有利用感知系统的一个或多个自动化特征的驾驶系统,这些特征尤其是脱手驾驶、车道保持辅助、碰撞避免技术,特别是那些使用横向运动的估值的自动化特征。
根据示例性自主驾驶应用,控制器34实现如图2中所示的自主驾驶系统(ADS)70。也就是说,控制器34的适当软件和/或硬件部件(例如,处理器44和计算机可读存储装置46)用于提供结合车辆10使用的自主驾驶系统70。
在各种实施例中,自主驾驶系统70的指令可以是通过功能、模块或系统组织的。例如,如图2中所示,自主驾驶系统70可以包括感知系统74、定位系统76、引导系统78和车辆控制系统80。可以认识到,在各种实施例中,可以将指令组织到任何数量的系统中(例如,组合、进一步分割等),因为本公开不限于本示例。
在各种实施例中,感知系统74综合并处理传感器数据,并且预测车辆10的环境的对象和特征的存在、位置、分类和/或路径。在各种实施例中,感知系统74可以合并来自多个传感器的信息,这些传感器包括但不限于相机、激光雷达、雷达和/或任何数量的其他类型的传感器。感知系统74可以检测静态对象,诸如环境特征(树、灌木树篱、建筑物等)、静态道路特征(诸如路缘、车道标记等)和交通控制特征(诸如交通标志、交通信号灯等)。可以由横向速度估计系统200对这些静态对象进行跟踪,以提供关于车辆10的横向速度的信息,此时在受到比较的检测之间的时间内在航向和纵向速度方面针对车辆10的运动对给定静态对象的每个检测进行补偿。
定位系统76处理传感器数据连同其他数据,以确定车辆10相对于环境的位置(例如,相对于地图的本地位置、相对于道路的车道的确切位置、车辆航向、速度等)。引导系统78处理传感器数据连同其他数据,以确定车辆10要遵循的路径。车辆控制系统80根据所确定的路径生成用于控制车辆10的控制信号。引导系统78可以利用横向速度估计系统200提供的估计横向速度来确定路径。定位系统76可以在确定车辆10的位置时处理各种类型的定位数据,包括惯性测量单元数据、全球定位系统(GPS)数据、实时动态(RTK)校正数据、蜂窝和其他无线数据(例如,4G、5G、V2X等)等。
在各种实施例中,控制器34实施机器学习技术,以辅助控制器34的功能,诸如特征检测/分类、障碍缓解、路线遍历、地图绘制、传感器集成、地面实况确定等。一种此类机器学习技术执行交通对象检测,其中,对交通对象进行识别、定位,并且可选地确定状态,以供引导系统78的进一步处理。机器学习技术可以由DCNN实施。例如,可以识别和定位交通对象。特征检测和分类可以基于来自相机140a到140n的图像数据、激光雷达数据、雷达数据、超声波数据或其融合。可以将所分类的交通对象中的一些确定为是固定的或非固定的,这取决于分类。各种类型的固定对象或者特定类型的固定对象可以被横向速度估计系统200用来估计车辆10的横向速度。
如上文简要提及的,图1(以及图2和图3)的横向速度估计系统200包括在自主驾驶应用中的ADS 70中,例如,与感知系统74、定位系统76、引导系统78和车辆控制系统80可操作通信。横向速度估计系统200被配置为估计车辆10的横向速度,其可以被引导系统78用来规划车辆的路径,并且车辆控制系统80对此做出响应,以生成自动化控制命令。车辆控制系统80与致动器系统30一起工作,以遍历这样的轨迹。
在继续参考图1和图2的情况下参考图3,根据示例性实施例进一步示出了横向速度估计系统200。横向速度估计系统200包括由前文描述的编程指令执行的功能模块。横向速度估计系统200包括感知系统74、传感器系统28和横向速度估计模块204。感知系统74提供静态对象检测数据208,其包括从感测装置40a至40n获得的原始感知数据的每个帧(或融合帧)的一个或多个静态对象的表示。表示可以包括与分类相关联的划界框、点云、线或函数。
感知系统74可以包括预测静态对象的位置和静态对象的类别概率的卷积神经网络(或其他种类的人工智能)。可以针对已标注图像对机器学习算法进行训练。可以按照表示在感知数据的每个帧中发现的对象的尺寸和位置的划界框、定义线、点云或者函数(例如,多项式)的形式提供位置。可以关于静态或移动对分类进行分析,例如,通过对预定的目标列表的相互对照,这些目标可与横向速度估计系统200的进一步处理一起工作。在一个示例性实施例中,感知系统74提出用于端到端车道标记估计的卷积神经网络(CNN)。CNN采取来自安装在车辆10中的前视相机的输入图像,并且输出表示图像中的每个车道标记的多项式(经由深度多项式回归)连同对于每个车道而言的针对这些多项式和置信度评分的域(domain)。因而,感知系统74向横向速度估计模块204输出对感兴趣的静态对象(例如,车道标记)进行标识、定位和分类的静态对象检测数据208,连同相关联的检测置信度评分。
在图3的示例性实施例中,横向速度估计模块204包括置信度分配子模块210、比较子模块216、横向速度估计子模块218和融合子模块220。置信度分配子模块210可以基于启发式考虑事项(例如,对不产生强横向速度估计的静态对象特征的先验知识)向每个检测到的静态对象分配附加的置信度参数。例如,车道标记中的跳跃,其中存在车道标记的第一部分250,随后是驶出匝道,以及作为主路标记在驶出匝道之后的延续的第二部分252(从图3可以看出)。所检测到的静态对象的视距(例如,离开车辆10的距离)也可以指引置信度值。例如,离开相机的距离越大,置信度值越低。驾驶条件(例如,可见度、车辆的纵向速度和横摆率)也可以引导置信度分配子模块210分配的置信度值。可以使用加权平均和或者某个其他组合函数对各种置信度评分进行组合,从而得到单个置信度评分,以供进一步处理,或者可以提供包括每种类型的置信度评估的置信度评分向量。
比较子模块216和横向速度估计子模块218对感知系统74和置信度分配子模块210提供的具有足够置信度评分的每个静态对象(有可能具有一种分类——例如,车道标记)进行操作。如果置信度评分过低,那么可以通过从进一步处理中抛弃该静态对象或者在下文描述的融合子模块220中为其提供零权重而排除该静态对象。一般而言,比较子模块216接收当前静态对象检测数据212(包括每个静态对象的当前检测的第一表示)和较早静态对象检测数据(包括每个静态对象的较早检测的第二表示)。较早静态对象检测数据214可以是从计算机可读存储装置或介质46(诸如RAM)获得的。当前静态对象检测数据212和较早静态对象检测数据214可以与时间戳相关联,使得当前检测和较早检测之间的时间差是已知的。当前静态对象检测数据212和较早静态对象检测数据214可以是从感知系统74输出的相继帧流出的。采用单静态对象检测作为示例,比较子模块216对静态对象的可从当前和较早静态对象检测获得的重叠窗口进行变换,并将它们相对变换到公共坐标系中,并且基于运动模型以及从车辆动态测量数据224获得的纵向速度和横摆率考虑车辆10的纵向和角向运动。可以使相对变换后的当前和较早静态检测进行相互的横向空间匹配,以确定横向空间差异。横向速度估计子模块218可以使横向空间差异与时间差相结合,以确定横向速度的估值。可以针对当前和较早静态对象检测数据212、214中的每个检测到的静态对象(具有足够的置信度评分)重复该过程,以获得车辆10的多个横向速度估值254。融合子模块220将多个横向速度估值组合成单个值,例如,通过某种求平均函数,诸如加权函数(下文将对其进行更详细的描述)。融合子模块220输出估计的横向速度222。可以将估计的横向速度222用到各种车辆控制功能中,诸如路径规划、估计将发生车道交叉的时间、将碰撞的时间,其最终产生用于致动器系统30的转向、推进和/或制动命令。
在实施例中,比较子模块216可对不同种类的静态对象表示进行操作,包括点云、划界框、线和线特征的多项式表示。在一个实施例中,比较子模块216可以在重叠窗口(下文进一步描述)内的当前检测和较早检测中找到与同一静态对象空间重合的一组点,并且可以将当前点和较早点相对变换到同一坐标系中,并且针对车辆10的纵向和角向运动进行补偿。可以由横向速度估计子模块218基于变换点的相对横向运动以及当前检测和较早检测之间的时间差估计横向速度。在一个实施例中,由融合子模块220根据对象检测置信度评分融合多个横向速度估值254,以提供估计的横向速度222(其不依赖于模型)。
参考图4,示出了静态对象比较和横向速度估计过程300的示例。在图4的示例中,当前静态对象检测数据212和较早静态对象检测数据214包括由感知系统74提供的具有函数(例如,多项式)形式的线性特征检测的表示。线性特征检测可以是道路标记。替代性地,可以按照点云或者划界框或线的形式提供线性特征检测,并且横向速度估计子模块204可以将线性特征检测与函数拟合。
在302处,获得重叠窗口W。重叠窗口对应于静态对象检测的出现在静态对象的当前检测和该静态对象的先前检测两者中并且相互空间重叠(在任何车辆运动补偿之前)的重合区域。参考图5,示出了重叠窗口412。图5是静态对象检测410的示例性图示,其中,时间k-1上的车辆402提供了静态对象的先前检测404,并且时间k(当前时间)上的车辆提供了对该静态对象的最新(或当前)检测406。静态对象的先前检测404的测程区域的末端与静态对象的最新检测406的测程区域的起始重叠。这在静态对象的先前检测和最新检测404、406之间提供了重叠窗口412。在一些实施例中,仅采取重叠窗口412的部分作为有效窗口。参考图6,根据第一、第二和第三示例性过程510、512和514示出了用于确定有效窗口的过程500。通过图4中的步骤303执行用于确定有效窗口的过程500。在第一示例性过程中,采取车辆502的感知系统74在先前时间步上的先前视距506与车辆504的感知系统74在当前时间步上的当前视距508之间的整个重叠区域作为有效窗口304’。在第二示例性过程512中,假设可校准最大距离516与先前视距506相关联,其构成了先前视距506的部分。采取可校准最大距离516与当前视距508之间的重叠区域作为有效窗口304”。在第三示例性过程514中,当前视距508与作为当前视距508的部分的可校准最小距离518相关联,在当前时间步上设置离开车辆的可校准最小距离518。采取先前视距506的可校准最大距离516与当前视距508的可校准最小距离518之间的重叠区域作为有效窗口304”’。可校准最大和最小距离516、518是考虑到接近车辆10的检测而设置的,并且位于视距的末端的检测可能没有这样高的准确度。
参考图4和图5,在处理步骤306处接收有效窗口304,该步骤沿有效窗口304构建静态对象的最新(或当前)检测的点。参考图5,如此定义的点308被包含在重叠窗口408中,在该示例中,采取整个的重叠窗口408作为有效窗口304。基于表示静态对象的最新检测406的函数构建点308。点的数量和间隔是可校准的值,但是应当有足够粒度的点数,从而在有效窗口304中充分表示静态对象的最新检测406。为了构建点,在均匀隔开的y值上对表示静态对象的最新检测406的函数求解,以获得x坐标,其中,该函数是车辆在时间k上的坐标系中的x和y坐标的多项式。
在步骤310处,将点308变换到较早坐标系中,该坐标系是车辆在时间k-1上的坐标系。可以使用以下方程执行步骤310的过程:
方程1和2是2D空间中的车辆10的运动(运动模型)的方程。可以在静态对象的先前检测和当前检测之间经过的时间(Δt)内对这些方程进行积分,从而给出(Δx)、(Δy)和(ΔΨ),它们分别表示纵向位置变化、横向位置变化和航向变化。ωz表示横摆率。假设W表示点308,fnew表示限定静态对象的最新检测406(参见图5)的函数,并且fprev表示限定静态对象的先前检测404的函数,那么:
W′=W cos(ΔΨ)-fnew(W)sin(ΔΨ)+Δx (方程4)
方程3将点W的窗口转换到较早坐标系中。
与来自传感器系统28的其他数据(例如,速度和横摆率)相比,感知(例如,相机)数据206可以是以较低采样速率获得的。速度和横摆率可以被该横向速度估计系统200以较高采样速率消耗,并且可以按照该较快速率对包含在方程1和方程2中的运动模型进行积分。于是,所估计的横向速度是由当前静态对象检测数据212和较早静态对象检测数据214构成的两个相机样本之间的较长时间周期内的“平均值”。通过这种方式,对纵向运动和旋转进行更加准确的补偿。
继续参考图4,步骤314包括在由步骤310提供的变换点312上对静态对象的较早检测进行评估。照此,在W′处评估fprev,并且将结果转换回车辆在时间k(当前时间)上的坐标系。因而,步骤314提供了预期点316(其在下文中被表示为Y*):
Y*=(fprev(W′)-Δy)cos(ΔΨ)+(W′-Δx)sin(ΔΨ) (方程5)
在方程3和4中,可以由车辆动态测量数据224中的横摆率和纵向速度推导出航向的变化和纵向位置的变化Δx。横向位置的变化Δy是可以解出的未知数,由此使得估计横向速度Vy成为可能。
在步骤318中,将预期点316和点308进行比较,以估计横向速度Δy。也就是说,步骤310和314对点308进行相对变换,以补偿车辆10的航向和纵向运动变化,并且将来自较早检测的纵向对应点(根据函数fprev)置于与来自当前检测的点308相同的坐标系中。在计入时间差量Δt的因素时,对这两组点进行关于横向偏移量的相互比较,以获得横向速度的估值。在一个实施例中,步骤318的比较使以下自变量最小化,以估计横向速度:
方程5使点308和预期点316之间的误差最小化。也就是说,方程5产生使点308和预期点316之间的差异和最小化的横向速度值。该横向速度值对应于所检测到的静态对象之一的估计的横向速度222。
在一个实施例中,向点308中的每者分配加权(wj),其依据点与车辆10的接近度而增大。这样做是考虑离车辆越近(与越远相比),点的位置准确度越高。在这样的实施例中,方程5的自变量如下包括与每个点j相关联的权重(wj):
现在参考图7,并且继续参考图1至图6,流程图示出了根据本公开的能够由图3的横向速度估计系统200执行的横向速度估计方法700。根据本公开可以认识到,该方法内的操作的顺序不限于图7中所示的顺序执行,而是可以在适用时并根据本公开按照一种或多种不同的顺序来执行。在各种实施例中,可以对方法700进行调度,使之基于一个或多个预定事件运行,并且/或者方法700可以在自主车辆或半自主车辆10的操作期间连续运行。
在710处,从感知系统74接收静态对象检测数据208。静态对象检测数据208包括相继的帧,这些帧包括静态对象检测的表示。帧由时间差量分隔开。表示可以各自是定义车道标记的多项式函数。
在步骤720处,估计来自静态对象的较早表示的静态对象的预期位置。预期位置的估计是基于在纵向方向上和航向方面针对车辆10的相对运动对较早表示的位置进行的补偿,该补偿基于时间差量、车辆动态测量数据224(具体地讲,纵向速度和横摆率)和运动模型。仅需要补偿在感知系统74的观察范围中与静态对象的当前表示重叠的较早表示的部分。重叠部分可以被离散化成点,以方便计算。此外,较早表示的补偿版本和静态对象的当前表示(可以使用定义表示的函数退化为点)被置于相同的坐标系中。在步骤730中,对静态对象的预期位置(从静态对象的较早位置变换的)和当前位置进行比较(当在公共坐标系中时),具体地讲,以确定其间的横向偏移,在步骤740中,当与时间差量组合时,可以将横向偏移变换成横向速度。在一个实施例中,通过找到在静态对象的预期位置和当前位置之间的差距被最小化时产生的横向速度,来执行步骤730和740。当有多个静态对象检测时,基于条件包括或排除这些检测,这些条件诸如足够的感知置信度、车道条件不在排除列表中(例如,车道标记跳跃)、检测在最大视距之内、驾驶条件不在可接受极限外部(例如,在横摆率、纵向速度、可见度等方面)。即使在被包括时,每个静态对象检测也可以与权重相关联。权重可以基于感知置信度评分、从车辆到特征的距离以及其他相关因素。要排除的那些静态对象检测可以被赋予零权重。在加权和平均函数中组合多个横向速度估值254以获得车辆10的估计的横向速度222。
在步骤750中,在控制车辆10,尤其是车辆10的自动化特征时,使用估计的横向速度222。可以在路径发现中使用估计的横向速度222,并且可以在转向、推进和/或制动方面控制车辆10以遵循路径。例如,自动化控制特征可以是碰撞避免、车道保持、其他自动化驾驶员辅助技术或脱手驾驶。
虽然在前述详细描述中已经提出了至少一个示例性实施例,但应当理解,存在大量的变型。还应当理解,一个或多个示例性实施例仅为示例,并不旨在以任何方式限制本公开的范围、适用性或配置。相反,前述详细描述将为本领域技术人员提供用于实现一个或多个示例性实施例的便利路线图。应当理解,在不脱离如所附权利要求及其合法等同物中阐述的本公开的范围的情况下,可以对元件的功能和布置进行各种改变。
Claims (10)
1.一种控制车辆的方法,所述方法包括:
经由至少一个处理器接收来自所述车辆的感知系统的静态对象检测数据,所述静态对象检测数据包括静态对象在当前时间上的第一表示以及所述静态对象在较早时间上的第二表示;
经由所述至少一个处理器接收来自所述车辆的传感器系统的车辆动态测量数据;
经由所述至少一个处理器基于所述静态对象的所述第一表示确定所述静态对象的当前位置;
经由所述至少一个处理器使用所述静态对象在所述较早时间上的所述第二表示、运动模型和所述车辆动态测量数据预测所述静态对象在所述当前时间上的预期位置;
经由所述至少一个处理器基于所述当前位置和所述预期位置之间的差距估计所述车辆的横向速度;以及
经由所述至少一个处理器使用所述横向速度控制所述车辆。
2.根据权利要求1所述的方法,包括经由所述至少一个处理器使用所述静态对象在所述较早时间上的所述第二表示确定所述静态对象的较早位置,其中,预测静态对象在所述当前时间上的所述预期位置使用了所述静态对象在所述较早时间上的所述第二表示、所述运动模型、所述车辆动态测量数据和所述静态对象的所述较早位置。
3.根据权利要求2所述的方法,其中,所述差距由所述至少一个处理器使用窗口确定,所述窗口具有所述静态对象的出现于所述第一表示和所述第二表示中的重叠表示。
4.根据权利要求1所述的方法,其中,所述静态对象的所述第一表示和所述静态对象的所述第二表示分别呈第一函数和第二函数的形式。
5.根据权利要求1所述的方法,包括:经由所述至少一个处理器确定与所述静态对象的所述第一表示重合的第一组点,经由所述至少一个处理器使用所述运动模型和所述车辆动态测量数据将所述第一组点变换到所述静态对象的所述第二表示的坐标系中,以提供变换组点,其中,经由所述至少一个处理器预测所述静态对象在所述当前时间上的所述预期位置使用了所述静态对象在所述较早时间上的所述第二表示、所述运动模型、所述车辆动态测量数据和所述变换组点。
6.根据权利要求1所述的方法,其中,所述静态对象的所述第一表示和所述静态对象的所述第二表示分别呈第一函数和第二函数的形式,并且其中,所述方法包括:经由所述至少一个处理器使用所述第一函数确定第一组点,经由所述至少一个处理器使用所述运动模型和所述车辆动态测量数据将所述第一组点变换到所述静态对象的所述第二表示的坐标系中,以提供变换组点,其中,经由所述至少一个处理器预测所述静态对象在所述当前时间上的预期位置包括相对于所述变换组点评估所述第二函数,以提供第二组点,以及将所述第二组点转换到所述第一表示的坐标系中,以提供预期组点,并且其中,估计所述车辆的所述横向速度是基于所述第一组点和所述预期组点之间的差距。
7.根据权利要求1所述的方法,其中,估计所述车辆的所述横向速度是基于使所述当前位置和所述预期位置之间的误差最小化的函数,其中,所述函数对应于所述差距。
8.根据权利要求1所述的方法,其中,所述静态对象是车道标记。
9.根据权利要求1所述的方法,包括针对所述静态对象检测数据中的多个静态对象中的每个执行以下步骤:确定所述静态对象的所述当前位置,预测所述静态对象的所述预期位置以及估计所述车辆的所述横向速度,由此提供所述车辆的所述横向速度的多个估值,其中,所述方法包括组合所述横向速度的所述多个估值,以提供组合估值,其中,控制所述车辆是基于所述组合估值。
10.一种用于控制车辆的系统,所述系统包括:
感知系统;
传感器系统;
与所述传感器系统和所述感知系统可操作通信的至少一个处理器,其中,所述至少一个处理器被配置成执行程序指令,其中,所述程序指令被配置成使所述至少一个处理器:
接收来自所述感知系统的静态对象检测数据,所述静态对象检测数据包括静态对象在当前时间上的第一表示以及所述静态对象在较早时间上的第二表示;
接收来自所述传感器系统的车辆动态测量数据;
基于所述静态对象的所述第一表示确定所述静态对象的当前位置;
使用所述静态对象在所述较早时间上的所述第二表示、运动模型和所述车辆动态测量数据预测所述静态对象在所述当前时间上的预期位置;
基于所述当前位置和所述预期位置之间的差距估计所述车辆的横向速度;以及
使用所述横向速度控制所述车辆。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/819,634 | 2022-08-14 | ||
US17/819,634 US20240051549A1 (en) | 2022-08-14 | 2022-08-14 | Systems and methods for estimating lateral velocity of a vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117585006A true CN117585006A (zh) | 2024-02-23 |
Family
ID=89809260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310114015.XA Pending CN117585006A (zh) | 2022-08-14 | 2023-02-01 | 用于估计车辆的横向速度的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240051549A1 (zh) |
CN (1) | CN117585006A (zh) |
DE (1) | DE102023100583A1 (zh) |
-
2022
- 2022-08-14 US US17/819,634 patent/US20240051549A1/en active Pending
-
2023
- 2023-01-12 DE DE102023100583.9A patent/DE102023100583A1/de active Pending
- 2023-02-01 CN CN202310114015.XA patent/CN117585006A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240051549A1 (en) | 2024-02-15 |
DE102023100583A1 (de) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11932284B2 (en) | Trajectory setting device and trajectory setting method | |
US11275382B2 (en) | Autonomous driving system | |
US10859673B2 (en) | Method for disambiguating ambiguous detections in sensor fusion systems | |
US11498577B2 (en) | Behavior prediction device | |
US11625038B2 (en) | Autonomous driving device | |
US10935652B2 (en) | Systems and methods for using road understanding to constrain radar tracks | |
CN108466621B (zh) | 车辆和用于控制车辆的至少一个功能的系统 | |
US20210269040A1 (en) | Driving assist method and driving assist device | |
US11780433B2 (en) | Systems and methods for selectively modifying collision alert thresholds | |
US11042160B2 (en) | Autonomous driving trajectory determination device | |
US11631325B2 (en) | Methods and systems for traffic light state monitoring and traffic light to lane assignment | |
CN113228131B (zh) | 用于提供周围环境数据的方法和系统 | |
US10766490B2 (en) | Driving assistance method and driving assistance apparatus | |
US11292487B2 (en) | Methods and systems for controlling automated driving features of a vehicle | |
US20230009173A1 (en) | Lane change negotiation methods and systems | |
CN117585006A (zh) | 用于估计车辆的横向速度的系统和方法 | |
US20240046656A1 (en) | Systems and methods for detecting traffic objects | |
US11869250B2 (en) | Systems and methods for detecting traffic objects | |
US20230311858A1 (en) | Systems and methods for combining detected objects | |
US20220092985A1 (en) | Variable threshold for in-path object detection |
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 |