CN117809483A - 交通安全辅助系统及存储介质 - Google Patents
交通安全辅助系统及存储介质 Download PDFInfo
- Publication number
- CN117809483A CN117809483A CN202311259466.9A CN202311259466A CN117809483A CN 117809483 A CN117809483 A CN 117809483A CN 202311259466 A CN202311259466 A CN 202311259466A CN 117809483 A CN117809483 A CN 117809483A
- Authority
- CN
- China
- Prior art keywords
- traffic
- predicted
- prediction
- movement state
- state information
- 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
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000009471 action Effects 0.000 claims description 150
- 238000012790 confirmation Methods 0.000 claims description 48
- 230000001133 acceleration Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006998 cognitive state Effects 0.000 description 41
- 238000010586 diagram Methods 0.000 description 26
- 230000006399 behavior Effects 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 10
- 230000010365 information processing Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 206010013954 Dysphoria Diseases 0.000 description 6
- 230000019771 cognition Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 4
- 230000037431 insertion Effects 0.000 description 4
- 230000001629 suppression Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 101001139126 Homo sapiens Krueppel-like factor 6 Proteins 0.000 description 1
- 241001272996 Polyphylla fullo Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- 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
- 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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
-
- 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
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
交通安全辅助系统的预测单元(62)包括:移动状态信息获取部(620),获取预测对象的移动状态信息;周围状态信息获取部(621),获取周围交通参与者的周围状态信息;驾驶者状态信息获取部(623),获取预测对象的驾驶者的驾驶者状态信息;第一移动状态预测部(624),基于移动状态信息来预测预测对象的第一预测移动状态;第二移动状态预测部(625),基于驾驶者状态信息来预测预测对象的第二预测移动状态;碰撞风险计算部(626),计算针对第一预测移动状态的第一碰撞风险值及针对第二预测移动状态的第二碰撞风险值;及,辅助控制单元(65),在第一及第二碰撞风险值中的至少任一者大于碰撞判定阈值的情况下,执行对预测对象的辅助控制。
Description
技术领域
本发明涉及一种交通安全辅助系统及存储介质。更详细而言,涉及一种辅助作为人或者移动体的交通参与者的安全移动的交通安全辅助系统及存储介质。
背景技术
在公共交通中,四轮汽车、摩托车及自行车等移动体和步行者等各种交通参与者基于各自的意愿以各不相同的速度移动。作为用于提高这种公共交通中的交通参与者的安全性和便利性等的技术,例如在专利文献1中示出了一种辅助车辆的驾驶者的安全驾驶的行驶安全装置。
在专利文献1所示的碰撞规避装置中,基于车辆在交叉路口暂时停止时的紧急程度的判定结果来预测车辆起步时的加速度,进而基于该加速度来预测车辆起步后碰撞的可能性。另外,在该碰撞规避装置中,在预测存在碰撞的可能性的情况下,进行用于规避该碰撞的报知。
[先前技术文献]
(专利文献)
专利文献1:日本特开2011-118723号公报
发明内容
[发明所要解决的问题]
且说,一般,为了预测车辆在将来的碰撞可能性,需要精度良好地预测车辆的将来的行为。然而,多数情况下,由于正在行驶的车辆的将来的行为存在众多模式,因此,从车辆将来可采取的多个行为模式中锁定可能性最高的行为模式会花费时间。另外,为了规避车辆的碰撞,需要尽可能迅速地开始辅助控制,为此需要在短时间内锁定最准确的行为模式,随之处理负荷也变多。
本发明的目的在于,提供一种可以在少的处理负荷下从容地开始辅助控制的交通安全辅助系统及存储介质。
[解决问题的技术手段]
(1)本发明的交通安全辅助系统将在交通区域内移动的移动体作为预测对象,辅助该预测对象在前述交通区域中的安全交通,所述交通安全辅助系统的特征在于,包括:移动状态信息获取部,获取与前述预测对象的移动状态有关的移动状态信息;周围状态信息获取部,获取与前述交通区域中的前述预测对象的周围存在的周围交通参与者的移动状态有关的周围状态信息;驾驶者状态信息获取部,获取与前述预测对象的驾驶者的状态有关的驾驶者状态信息;第一移动状态预测部,基于前述移动状态信息来预测前述预测对象的第一预测移动状态;第二移动状态预测部,基于前述驾驶者状态信息来预测前述预测对象的第二预测移动状态;碰撞风险计算部,基于前述周围状态信息,来计算前述第一预测移动状态下的前述预测对象与前述周围交通参与者之间的第一碰撞风险值、及前述第二预测移动状态下的前述预测对象与前述周围交通参与者之间的第二碰撞风险值;及,辅助控制部,在前述第一碰撞风险值及前述第二碰撞风险值中的至少任一者大于规定的阈值的情况下,执行对前述预测对象的辅助控制。
(2)此时优选的是,前述辅助控制部,在前述第一碰撞风险值为前述阈值以下且前述第二碰撞风险值大于前述阈值的情况下,以使前述预测对象进行实现前述第一预测移动状态的第一规避行动的方式,执行前述辅助控制,在前述第二碰撞风险值为前述阈值以下且前述第一碰撞风险值大于前述阈值的情况下,以使前述预测对象进行实现前述第二预测移动状态的第二规避行动的方式,执行前述辅助控制,在前述第一碰撞风险值及前述第二碰撞风险值均大于前述阈值的情况下,以使前述预测对象进行用于规避与前述周围交通参与者的碰撞的碰撞规避行动或者用于减轻由碰撞造成的损害的碰撞损害减轻行动的方式,执行前述辅助控制。
(3)此时优选的是,前述碰撞风险计算部,基于与前述第一预测移动状态相应的第一预测移动速度曲线,来检索将前述预测对象的移动速度与该预测对象在将来的碰撞风险值建立关联的风险映射图,由此计算出前述第一碰撞风险值,基于与前述第二预测移动状态相应的第二预测移动速度曲线,来检索前述风险映射图,由此计算出前述第二碰撞风险值。
(4)此时优选的是,前述交通安全辅助系统包括:车载装置组,与前述预测对象一起移动;及,交通管理服务器,能够与前述车载装置组通信;前述交通管理服务器包括前述移动状态信息获取部、前述周围状态信息获取部、前述驾驶者状态信息获取部、前述第一移动状态预测部、前述第二移动状态预测部、前述碰撞风险计算部及前述辅助控制部,前述车载装置组包括借由图像及声音中的至少任一者向前述驾驶者通知信息的车载通知装置,前述辅助控制部执行通知控制以作为前述辅助控制,所述通知控制是借由使前述车载通知装置运作,而将用于规避前述预测对象的碰撞或者减轻由碰撞造成的损害的信息通知给前述驾驶者。
(5)此时优选的是,前述辅助控制部在前述通知控制中,将根据前述第一规避行动、前述第二规避行动、前述碰撞规避行动或者前述碰撞损害减轻行动而提醒加速或者减速的信息通知给前述驾驶者。
(6)此时优选的是,前述辅助控制部在前述通知控制中,将图像显示于前述车载通知装置,所述图像是借由将与前述第一规避行动、前述第二规避行动、前述碰撞规避行动或者前述碰撞损害减轻行动相应的移动速度曲线绘制于前述风险映射图而生成。
(7)此时优选的是,前述辅助控制部将前述风险映射图上的碰撞风险值大于前述阈值的区域强调后显示于前述车载通知装置。
(8)此时优选的是,前述驾驶者状态信息获取部获取与前述驾驶者的周围确认状态有关的信息作为前述驾驶者状态信息,前述第二移动状态预测部基于前述移动状态信息、前述周围状态信息及前述驾驶者状态信息来预测前述第二预测移动状态。
(9)此时优选的是,前述交通安全辅助系统还包括交通环境信息获取部,所述交通环境信息获取部获取前述交通区域中的前述预测对象的周围的交通环境信息,前述第二移动状态预测部包括:交通场景确定部,基于前述移动状态信息、前述周围状态信息及前述交通环境信息来确定前述预测对象的交通场景;行动模式选择部,基于前述交通场景及前述驾驶者状态信息,从预先制定的多个行动模式中选择至少一个作为预测行动模式;及,行动预测部,基于前述预测行动模式,来预测前述第二预测移动状态。
(10)此时优选的是,前述交通安全辅助系统包括:车载装置组,与前述预测对象一起移动;及,交通管理服务器,能够与前述车载装置组通信;前述交通管理服务器包括前述移动状态信息获取部、前述周围状态信息获取部、前述驾驶者状态信息获取部、前述第一移动状态预测部、前述第二移动状态预测部、前述碰撞风险计算部及前述辅助控制部,前述车载装置组包括车载驾驶辅助装置,所述车载驾驶辅助装置自动地控制前述预测对象的行为,前述辅助控制部执行自动行为控制以作为前述辅助控制,所述自动行为控制是以规避前述预测对象的碰撞或者减轻由碰撞造成的损害的方式,使前述车载驾驶辅助装置运作。
(发明的效果)
(1)在交通安全辅助系统中,移动状态信息获取部获取与预测对象的移动状态有关的移动状态信息,周围状态信息获取部获取与周围交通参与者的移动状态有关的周围状态信息,驾驶者状态信息获取部获取与预测对象的驾驶者的状态有关的驾驶者状态信息。另外,第一移动状态预测部基于移动状态信息来预测预测对象的第一预测移动状态,第二移动状态预测部基于驾驶者状态信息来预测预测对象的第二预测移动状态,碰撞风险计算部基于周围状态信息,来计算第一预测移动状态下的预测对象与周围交通参与者之间的第一碰撞风险值、及第二预测移动状态下的预测对象与周围交通参与者之间的第二碰撞风险值。另外,辅助控制部在第一及第二碰撞风险值中的至少任一者大于阈值的情况下,执行对预测对象的辅助控制。即,在本发明中,辅助控制部借由两个不同的算法来预测相当于预测对象在将来的行为的预测移动状态,并在预测为这些预测结果中的至少任一者会引起与周围交通参与者之间的碰撞的情况下,开始对预测对象的辅助控制。由此,根据本发明,可以在不锁定预测对象的将来的行为模式的情况下开始辅助控制,所以,可以相应地减轻处理负荷,并且使开始辅助控制的时间点提前。
(2)辅助控制部在第一碰撞风险值为阈值以下且第二碰撞风险值大于阈值的情况下,以使预测对象进行实现碰撞风险低的第一预测移动状态的第一规避行动的方式,执行辅助控制,在第二碰撞风险值为阈值以下且第一碰撞风险值大于阈值的情况下,以使预测对象进行实现碰撞风险低的第二预测移动状态的第二规避行动的方式,执行辅助控制。辅助控制部借由像这样预先以由预测对象进行实现碰撞风险低已明的预测移动状态的规避行动的方式,执行辅助控制,可以迅速地开始辅助控制。另外,辅助控制部在第一及第二碰撞风险值均大于阈值的情况下,以使预测对象进行碰撞规避行动或者碰撞损害减轻行动的方式,执行辅助控制。由此,即使在第一及第二碰撞风险值两者大于阈值的情况下,仍可以规避预测对象的碰撞或者减轻由碰撞造成的损害。
(3)碰撞风险计算部借由利用将预测对象的移动速度与该预测对象在将来的碰撞风险值建立关联的风险映射图,来计算第一及第二碰撞风险值,由此可以迅速地计算出碰撞风险值。另外,根据本发明,可以借由缩短计算碰撞风险值花费的时间,相应地使开始辅助控制的时间点提前。
(4)交通安全辅助系统包括与预测对象一起在交通区域内移动的车载装置组、以及能够与该车载装置组通信的交通管理服务器。另外,在交通管理服务器中构成上述的移动状态信息获取部、周围状态信息获取部、驾驶者状态信息获取部、第一移动状态预测部、第二移动状态预测部、碰撞风险计算部及辅助控制部。由此,根据本发明,可以借由交通管理服务器来收集预测对象的移动状态信息、周围状态信息、驾驶者状态信息等,所以可以精度良好地预测预测对象在将来的碰撞风险。另外,交通管理服务器的辅助控制部执行通知控制以作为辅助控制,所述通知控制是借由使车载装置组的车载通知装置运作,而将用于规避预测对象的碰撞或者减轻由碰撞造成的损害的信息通知给驾驶者。由此,根据本发明,接收到通知的预测对象的驾驶者可以采取用于规避所预测的碰撞,或者减轻由碰撞造成的损害的行动。
(5)辅助控制部在上述通知控制中,将根据第一规避行动、第二规避行动、碰撞规避行动或者碰撞损害减轻行动而提醒加速或者减速的信息通知给驾驶者。由此,根据本发明,预测对象的驾驶者可以借由依照通知进行加速操作或者减速操作,来规避所预测的碰撞,或者减轻由碰撞造成的损害。
(6)辅助控制部在通知控制中,将图像显示于车载通知装置,所述图像是借由将与第一规避行动、第二规避行动、碰撞规避行动或者碰撞损害减轻行动相应的移动速度曲线绘制于风险映射图而生成。由此,根据本发明,预测对象的驾驶者可以借由观看由车载通知装置显示的图像,容易地识别到风险的存在、以及用于规避该风险的移动速度曲线。
(7)在本发明中,辅助控制部在基于通知控制将风险映射图的图像显示于车载通知装置时,将风险映射图上的碰撞风险值大于阈值的区域强调后显示于车载通知装置。由此,根据本发明,预测对象的驾驶者可以借由观看由车载通知装置显示的图像,迅速地识别到风险的存在。
(8)在本发明中,驾驶者状态信息获取部获取与驾驶者的周围确认状态有关的信息作为驾驶者状态信息,第二移动状态预测部基于移动状态信息、周围状态信息及驾驶者状态信息来预测第二预测移动状态。由此,根据本发明,可以反映驾驶者的周围确认状态来预测第二预测移动状态,所以可以精度良好地预测在将来的碰撞风险。
(9)在本发明中,第二移动状态预测部包括:交通场景确定部,基于移动状态信息、周围状态信息及交通环境信息来确定预测对象的交通场景;行动模式选择部,基于交通场景及驾驶者状态信息,从预先制定的多个行动模式中选择至少一个作为预测行动模式;及,行动预测部,基于预测行动模式,来预测第二预测移动状态。如此,根据本发明,可以借由使用预测对象所处的交通场景、与预测对象的驾驶者的驾驶者状态信息,考虑驾驶者的状态从多个行动模式中有效率地锁定预测行动模式。由此,根据本发明,可以考虑驾驶者的状态以少的处理负荷来预测第二预测移动状态,所以可以精度良好地预测在将来的碰撞风险。
(10)交通安全辅助系统包括与预测对象一起在交通区域内移动的车载装置组、以及能够与该车载装置组通信的交通管理服务器。另外,在交通管理服务器中构成上述的移动状态信息获取部、周围状态信息获取部、驾驶者状态信息获取部、第一移动状态预测部、第二移动状态预测部、碰撞风险计算部及辅助控制部。由此,根据本发明,可以借由交通管理服务器来收集预测对象的移动状态信息、周围状态信息、驾驶者状态信息等,所以可以精度良好地预测预测对象在将来的碰撞风险。另外,交通管理服务器的辅助控制部执行自动行为控制以作为辅助控制,所述自动行为控制是以规避预测对象的碰撞或者减轻由碰撞造成的损害的方式,使车载装置组的车载驾驶辅助装置运作。由此,根据本发明,交通管理服务器可以经由自动行为控制来自动地控制预测对象的行为,所以可以自动地规避所预测的碰撞,或者减轻由碰撞造成的损害。
附图说明
图1是绘示本发明的第一实施方式的交通安全辅助系统及该交通安全辅助系统的辅助对象即对象交通区域的一部分的构造的图。
图2是绘示交通管理服务器及与该交通管理服务器可通信地连接的多个区域终端的构造的框图。
图3是绘示预测单元的具体构造的功能框图。
图4是绘示第二移动状态预测部的具体构造的功能框图。
图5是绘示监视区域的一例的图。
图6是绘示在图5所示的例子下,将第一交通参与者作为预测对象而由风险映射图生成部生成的风险映射图的一例的图。
图7是绘示在图5所示的例子下,将第二交通参与者作为预测对象而由风险映射图生成部生成的风险映射图的一例的图。
图8A是绘示在图5所示的例子中将第一交通参与者作为预测对象的情况下的认知状态推定映射图的一例的图。
图8B是绘示在图5所示的例子中将第一交通参与者作为预测对象的情况下的认知状态推定映射图的一例的图。
图9是绘示基于由辅助控制单元进行的通知控制,而在车载通知装置上显示的图像的显示例的图。
图10是绘示由交通管理服务器进行的交通安全辅助处理的具体流程的流程图。
图11是绘示本发明的第二实施方式的交通安全辅助系统的预测单元的具体构造的功能框图。
图12是绘示第二移动状态预测部的具体构造的功能框图。
图13是绘示监视区域的一例的图。
图14是绘示由交通管理服务器进行的交通安全辅助处理的具体流程的流程图。
具体实施方式
<第一实施方式>
以下,参照图式对本发明的第一实施方式的交通安全辅助系统进行说明。
图1是示意性地绘示本实施方式的交通安全辅助系统1及该交通安全辅助系统1的辅助对象即交通参与者所在的对象交通区域9的一部分的构造的图。
交通安全辅助系统1将在对象交通区域9中移动的人即步行者4、和移动体即四轮汽车2及摩托车3等识别为各个交通参与者,并且将经由该识别而生成的辅助信息通知给各交通参与者,提醒基于各自的意愿而移动的各交通参与者之间的交流(具体而言,例如各交通参与者之间的相互识别)或周围的交通环境的识别,或者自动地控制移动体的行为,由此来辅助对象交通区域9中的各交通参与者的安全且顺畅的交通。
在图1中,针对将包含车行道51、交叉路口52、步行道53及信号机54作为交通基础设施设备的、市区的交叉路口52附近设为对象交通区域9的情况进行说明。图1中绘示共计七辆四轮汽车2及共计两辆摩托车3正在车行道51及交叉路口52内移动,另外,共计三组步行者4正在步行道53及交叉路口52内移动的情况。另外,图1中绘示设置有共计三台基础设施相机56的情况。
交通安全辅助系统1包括:与各个四轮汽车2一起移动的车载装置组20(除了搭载在四轮汽车2上的车载装置之外,还包括驾驶四轮汽车2的驾驶者所持有或佩戴的便携信息处理终端);与各个摩托车3一起移动的车载装置组30(除了搭载在摩托车3上的车载装置之外,还包括驾驶摩托车3的驾驶者所持有或佩戴的便携信息处理终端);各步行者4所持有或佩戴的便携信息处理终端40;设置在对象交通区域9中的多个基础设施相机56;控制信号机54的信号控制装置55;以及,与这些车载装置组20,30、便携信息处理终端40、基础设施相机56及信号控制装置55等存在于对象交通区域9中的多个终端(以下,也简称为“区域终端”)可通信地连接的交通管理服务器6。
交通管理服务器6由一台或多台计算机构成,所述一台或多台计算机经由基站57而可通信地与上述的多个区域终端连接。更具体而言,交通管理服务器6由经由基站57、网络核心及因特网而与多个区域终端连接的服务器、或经由基站57及多接入边缘计算(Mulch-access Edge Computing,MEC)核心而与多个区域终端连接的边缘服务器等构成。
图2是绘示交通管理服务器6及与该交通管理服务器6可通信地连接的多个区域终端的构造的框图。
搭载在对象交通区域9中的四轮汽车2上的车载装置组20例如包括:辅助驾驶者的驾驶的车载驾驶辅助装置21、向驾驶者通知各种信息的车载通知装置22、检测正在驾驶的驾驶者的状态的驾驶主体状态传感器23、及进行本车与交通管理服务器6或本车附近的其他车之间的基于无线的通信的车载通信装置24等。
车载驾驶辅助装置21包括外界传感器单元、本车状态传感器、导航装置及驾驶辅助电子控制单元(Electronic Control Unit,ECU)等。外界传感器单元包括:车外相机单元,对本车的周围进行拍摄;借由使用电磁波而对车外的对象进行检测的雷达单元或激光探测及测距(Light Detection and Ranging,LIDAR)单元等搭载在本车上的多个车载外界传感器;及,外部识别装置,对这些车载外界传感器的检测结果进行传感器融合处理,由此获取与本车的周围的状态有关的信息。本车状态传感器由车速传感器、加速度传感器、转向角传感器、横摆角速度传感器、位置传感器及方位传感器等获取与本车的行驶状态有关的信息的传感器构成。导航装置例如包括基于从全球导航卫星系统(Global NavigationSatelite System,GNSS)卫星接收到的信号来确定本车的当前位置的GNSS接收机、和存储地图信息的存储装置等。
驾驶辅助ECU基于借由外界传感器单元、本车状态传感器及导航装置等车载传感装置而获取的信息、或从交通管理服务器6发送的协调辅助信息,来执行车道偏离抑制控制、车道变更控制、前车追随控制、误起步抑制控制、碰撞减轻制动控制及碰撞规避控制等自动地控制车身的行为的驾驶辅助控制。另外,驾驶辅助ECU基于借由外界传感器单元、本车状态传感器及导航装置等而获取的信息,生成用于辅助驾驶者的安全驾驶的驾驶辅助信息,并发送给车载通知装置22。
驾驶主体状态传感器23由如下各种装置构成,所述各种装置获取与正在驾驶的驾驶者的驾驶能力存在相关的信息的时间推移数据。驾驶主体状态传感器23例如由获取正在驾驶的驾驶者的脸部图像数据的车载相机、或获取正在驾驶的驾驶者的生物体信息的生物体信息传感器等构成。此处,所谓生物体信息传感器,更具体而言,是设置在驾驶者佩戴的安全带上而对驾驶者的脉搏或呼吸的有无等进行检测的安全带传感器、设置在驾驶者把持的方向盘上而对驾驶者的皮肤电位进行检测的方向盘传感器、以及对心率、血压及血氧饱和度等进行检测的可穿戴终端等。
车载通信装置24具备以下功能:将借由驾驶辅助ECU而获取的信息(包括借由外界传感器单元、本车状态传感器及导航装置等而获取的信息、和与正在执行的驾驶辅助控制有关的控制信息等)、或借由驾驶主体状态传感器23而获取的与驾驶主体有关的信息(驾驶者的脸部图像数据或生物体信息)等发送给交通管理服务器6的功能;及,接收从交通管理服务器6发送的协调辅助信息,并将所接收到的协调辅助信息发送给车载驾驶辅助装置21或车载通知装置22的功能。
车载通知装置22由如下各种装置构成,所述各种装置使人机接口(以下,有时也用“HMI(Human Machine Interface)”的简称来表述)以基于从车载驾驶辅助装置21发送的驾驶辅助信息或从交通管理服务器6发送的协调辅助信息而制定的方式运作,由此借由驾驶者的听觉、视觉及触觉等,向驾驶者通知各种信息。
搭载在对象交通区域9中的摩托车3上的车载装置组30例如包括:辅助骑手的驾驶的车载驾驶辅助装置31、向骑手通知各种信息的车载通知装置32、检测正在驾驶的骑手的状态的骑手状态传感器33、及进行本车与交通管理服务器6或本车附近的其他车之间的基于无线的通信的车载通信装置34等。
车载驾驶辅助装置31包括外界传感器单元、本车状态传感器、导航装置及驾驶辅助ECU等。外界传感器单元包括:车外相机单元,对本车的周围进行拍摄;借由使用电磁波而对车外的对象进行检测的雷达单元或LIDAR单元等搭载在本车上的多个车载外界传感器;及,外部识别装置,对这些车载外界传感器的检测结果进行传感器融合处理,由此获取与本车的周围的状态有关的信息。本车状态传感器由车速传感器、及5轴或6轴的惯性测量装置等获取与本车的行驶状态有关的信息的传感器构成。导航装置例如包括基于从GNSS卫星接收到的信号来确定当前位置的GNSS接收机、和存储地图信息的存储装置等。
驾驶辅助ECU基于借由外界传感器单元、本车状态传感器及导航装置等车载传感装置而获取的信息、或从交通管理服务器6发送的协调辅助信息,来执行车道维持控制、车道偏离抑制控制、车道变更控制、前车追随控制、误起步抑制控制及碰撞减轻制动控制等自动地控制车身的行为的驾驶辅助控制。另外,驾驶辅助ECU基于借由外界传感器单元、本车状态传感器及导航装置等而获取的信息,生成用于辅助骑手的安全驾驶的驾驶辅助信息,并发送给车载通知装置32。
骑手状态传感器33由如下各种装置构成,所述各种装置获取与正在驾驶的骑手的驾驶能力存在相关的信息。骑手状态传感器33例如由获取正在驾驶的骑手的脸部图像数据的车载相机、或获取正在驾驶的骑手的生物体信息的生物体信息传感器等构成。此处,所谓生物体信息传感器,更具体而言,是设置在骑手就座的座位上而对骑手的脉搏或呼吸的有无等进行检测的座位传感器、设置在骑手佩戴的头盔上而对骑手的脉搏、呼吸的有无、及皮肤电位等进行检测的头盔传感器、以及对心率、血压及血氧饱和度等进行检测的可穿戴终端等。
车载通信装置34具备以下功能:将借由驾驶辅助ECU而获取的信息(包括借由外界传感器单元、本车状态传感器及导航装置等而获取的信息、和与正在执行的驾驶辅助控制有关的控制信息等)、或借由骑手状态传感器33而获取的与骑手有关的信息(骑手的脸部图像数据或生物体信息)等发送给交通管理服务器6的功能;及,接收从交通管理服务器6发送的协调辅助信息,并将所接收到的协调辅助信息发送给车载驾驶辅助装置31或车载通知装置32的功能。
车载通知装置32由如下各种装置构成,所述各种装置使HMI以基于从车载驾驶辅助装置21发送的驾驶辅助信息或从交通管理服务器6发送的协调辅助信息而制定的方式运作,由此借由骑手的听觉、视觉及触觉等,向骑手通知各种信息。
对象交通区域9中的步行者4所拥有或佩戴的便携信息处理终端40例如由步行者4所佩戴的可穿戴终端、或步行者4所持有的智能手机等构成。可穿戴终端具备以下功能:测定心率、血压及血氧饱和度等步行者4的生物体信息,并将该生物体信息的测定数据发送给交通管理服务器6,或者将步行者4的位置信息、移动加速度及日程信息等与步行者4有关的步行者信息发送给交通管理服务器6,或者接收从交通管理服务器6发送的协调辅助信息的功能。
另外,便携信息处理终端40包括通知装置42,所述通知装置42借由使HMI以基于所接收到的协调辅助信息而制定的方式运作,而借由步行者的听觉、视觉及触觉等向步行者通知各种信息。
基础设施相机56拍摄包含对象交通区域中的车行道、交叉路口及步行道的交通基础设施、或在这些车行道、交叉路口及步行道等中移动的移动体或步行者的图像,并将所获得的图像信息发送给交通管理服务器6。
信号控制装置55控制信号机,并且将与设置在对象交通区域中的信号机的当前的点亮色或切换点亮色的时机等有关的信号机状态信息发送给交通管理服务器6。
交通管理服务器6是计算机,基于从如上所述的对象交通区域中存在的多个区域终端获取的信息,来针对作为辅助对象的每个交通参与者,生成用于提醒各交通参与者之间的交流或周围的交通环境的识别的协调辅助信息,并通知给各交通参与者,由此辅助对象交通区域中的交通参与者的安全且顺畅的交通。此外,在本实施方式中,将存在于对象交通区域中的多个交通参与者之中的具有以下手段(例如,车载装置组20,30、便携信息处理终端40、通知装置22,32,42)的交通参与者作为交通管理服务器6的辅助对象,所述手段接收在交通管理服务器6中生成的协调辅助信息,并使HMI以基于所接收到的协调辅助信息而制定的方式运作。
交通管理服务器6包括:对象交通区域识别单元60,将对象交通区域中的人及移动体识别为各个交通参与者;驾驶主体信息获取单元61,获取与由对象交通区域识别单元60识别为交通参与者的移动体的驾驶主体的驾驶能力存在相关的驾驶主体状态信息;预测单元62,预测对象交通区域中的多个交通参与者的将来;辅助控制单元65,借由使用预测单元62的预测结果,对由对象交通区域识别单元60识别为辅助对象的各个交通参与者执行辅助安全交通的辅助控制;交通环境数据库67,储存有与对象交通区域的交通环境有关的信息;及,驾驶历史数据库68,储存有与预先注册的驾驶主体的过去的驾驶历史有关的信息。
在交通环境数据库67中,存储有预先注册的对象交通区域的地图信息(例如,车行道的宽度、车道数、限制速度、步行道的宽度、车行道与步行道之间有无护栏、及人行横道的位置等)、或与对象交通区域之中的特别是风险高的高风险区域有关的风险区域信息等、与对象交通区域中的交通参与者的交通环境有关的信息。以下,也将交通环境数据库67中所存储的信息称为注册交通环境信息。
在驾驶历史数据库68中,存储有与预先注册的驾驶主体的过去的驾驶历史有关的信息,所述信息是以与该驾驶主体所拥有的移动体的注册编号建立了关联的状态存储。因此,如果可以借由后述的对象交通区域识别单元60来确定正在识别的移动体的注册编号,则借由基于该注册编号来检索驾驶历史数据库68,便可以获取正在识别的移动体的驾驶主体的过去的驾驶历史。以下,也将驾驶历史数据库68中所存储的信息称为注册驾驶历史信息。
对象交通区域识别单元60基于从对象交通区域中的上述区域终端(车载装置组20,30、便携信息处理终端40、基础设施相机56及信号控制装置55)发送的信息、及从交通环境数据库67读入的注册交通环境信息,来识别包含对象交通区域中的人或者移动体即各交通参与者及该对象交通区域中的各交通参与者的交通环境的识别对象,并且获取与这些识别对象有关的识别信息。
此处,在从车载装置组20中包含的车载驾驶辅助装置21及车载通信装置24发送给对象交通区域识别单元60的信息、和从车载装置组30中包含的车载驾驶辅助装置31及车载通信装置34发送给对象交通区域识别单元60的信息中,包含:借由外界传感器单元而获取的与本车的周围的交通参与者或交通环境有关的状态的相关信息、或借由本车状态传感器或导航装置等而获取的与作为一交通参与者的本车的状态有关的信息等。另外,在从便携信息处理终端40发送给对象交通区域识别单元60的信息中,包含:位置或移动加速度等与作为一交通参与者的步行者的状态有关的信息。另外,在从基础设施相机56发送给对象交通区域识别单元60的图像信息中,包含:对象交通区域中的车行道、交叉路口及步行道等交通基础设施设备的外观、或在该对象交通区域中移动的交通参与者的外观等,与各交通参与者或其交通环境有关的信息。另外,在从信号控制装置55发送给对象交通区域识别单元60的信号机状态信息中,包含:信号机的当前的点亮色或切换点亮色的时机等与各交通参与者的交通环境有关的信息。另外,在对象交通区域识别单元60从交通环境数据库67读入的注册交通环境信息中,包含:对象交通区域的地图信息或风险区域信息等与各交通参与者的交通环境有关的信息。
因而,在对象交通区域识别单元60中,可以基于从这些区域终端发送的信息,来获取对象交通区域中的各交通参与者在对象交通区域中的位置、移动矢量(即,沿着移动方向延伸且与移动速度成比例的长度的矢量)、移动加速度、移动体的车型、移动体的车辆等级、移动体的注册编号、步行者的构成人数及步行者的年龄层等各交通参与者的识别信息(以下,也称为“交通参与者识别信息”)。另外,在对象交通区域识别单元60中,可以基于从这些区域终端发送的信息,来获取车行道的宽度、车道数、限制速度、步行道的宽度、车行道与步行道之间有无护栏、信号机的点亮色及其切换时机、以及风险区域信息等对象交通区域中的各交通参与者的交通环境的识别信息(以下,也称为“交通环境识别信息”)。
对象交通区域识别单元60将如上获取的交通参与者识别信息及交通环境识别信息发送给驾驶主体信息获取单元61、预测单元62及辅助控制单元65等。
驾驶主体信息获取单元61基于从对象交通区域中的上述区域终端(特别是车载装置组20,30)发送的信息及从驾驶历史数据库68读入的注册驾驶历史信息,来获取与由对象交通区域识别单元60识别为交通参与者的移动体的驾驶主体的当前的驾驶能力存在相关的驾驶主体状态信息及驾驶主体特性信息。
更具体而言,驾驶主体信息获取单元61在由对象交通区域识别单元60识别为交通参与者的四轮汽车的驾驶主体是人的情况下,获取从搭载在该四轮汽车上的车载装置组20发送的信息作为驾驶者的驾驶主体状态信息。另外,驾驶主体信息获取单元61在由对象交通区域识别单元60识别为交通参与者的摩托车的驾驶主体是人的情况下,获取从搭载在该摩托车上的车载装置组30发送的信息作为骑手的驾驶主体状态信息。
此处,在从车载装置组20中包含的驾驶主体状态传感器23及车载通信装置24发送给驾驶主体信息获取单元61的信息中,包含:正在驾驶的驾驶者的脸部图像数据、或正在驾驶的驾驶者的生物体信息等时间推移数据即与正在驾驶的驾驶者的驾驶能力存在相关的信息。另外,在从车载装置组30中包含的骑手状态传感器33及车载通信装置34发送给驾驶主体信息获取单元61的信息中,包含:正在驾驶的骑手的脸部图像数据、或正在驾驶的骑手的生物体信息等时间推移数据即与正在驾驶的骑手的驾驶能力存在相关的信息。另外,在从车载装置组20,30中包含的便携信息处理终端25,35发送给驾驶主体信息获取单元61的信息中,包含:驾驶者或骑手个人的日程信息。驾驶者或骑手例如在紧迫的日程下正在驾驶移动体的情况下,有时会出现焦躁,驾驶能力下降。因此,驾驶者或骑手个人的日程信息可以说是与自身的驾驶能力存在相关的信息。
驾驶主体信息获取单元61借由使用根据以上的流程而获取的针对驾驶主体的驾驶主体状态信息、及从驾驶历史数据库68读入的注册驾驶历史信息两者或者任一者,来获取驾驶主体特性信息,所述驾驶主体特性信息涉及与正在驾驶的驾驶主体的当前的驾驶能力存在相关的与驾驶主体的驾驶有关的特性(例如,突然的车道变更过多、及突然的加减速过多等)。
驾驶主体信息获取单元61将如上获取的驾驶主体的驾驶主体状态信息及驾驶主体特性信息发送给预测单元62及辅助控制单元65等。
预测单元62提取对象交通区域中的一部分交通区域作为监视区域,并基于借由对象交通区域识别单元60所获取的交通参与者识别信息及交通环境识别信息、与借由驾驶主体信息获取单元61所获取的驾驶主体状态信息及驾驶主体特性信息,来预测从该监视区域中的多个交通参与者中选定的预测对象在将来的风险。
此处,对象交通区域例如是以市镇村为单位制定的比较广范围的交通区域。与此相对,监视区域是例如交叉路口或特定设施的附近等,四轮汽车以法定速度移动的情况下以数十秒左右便可通过的交通区域。
图3是绘示预测单元62的具体构造的功能框图。
预测单元62包括移动状态信息获取部620、周围状态信息获取部621、交通环境信息获取部622、驾驶者状态信息获取部623、第一移动状态预测部624、第二移动状态预测部625、碰撞风险计算部626及辅助行动决定部627,借由使用它们来预测预测对象在监视区域中的将来的风险。
移动状态信息获取部620基于从对象交通区域识别单元60发送的交通参与者识别信息,将监视区域中存在的多个交通参与者中的一名决定为预测对象,获取与该预测对象的移动状态有关的移动状态信息。更具体而言,移动状态信息获取部620从由对象交通区域识别单元60获取的交通参与者识别信息中,提取与预测对象的移动状态有关的信息,将其获取为移动状态信息。此处,在移动状态信息中,例如由预测对象的位置、移动矢量、移动加速度、车型及车辆等级等对预测对象的移动状态赋予特征的多个参数构成。
周围状态信息获取部621基于从对象交通区域识别单元60发送的交通参与者识别信息,确定在监视区域中存在于预测对象的周围的多个交通参与者(以下,也将这些存在于预测对象的周围的交通参与者称为“周围交通参与者”),获取与这些存在于预测对象的周围的多个交通参与者的移动状态有关的周围状态信息。更具体而言,周围状态信息获取部621从由对象交通区域识别单元60获取的交通参与者识别信息中,提取与存在于预测对象的周围的多个交通参与者的移动状态有关的信息,将其获取为周围状态信息。此处,在周围状态信息中,例如由存在于预测对象的周围的各交通参与者的位置、移动矢量、移动加速度、车型及车辆等级等对各交通参与者的移动状态赋予特征的多个参数构成。
交通环境信息获取部622基于从对象交通区域识别单元60发送的交通环境识别信息及交通环境数据库67中所存储的注册交通环境信息,来获取监视区域中的预测对象的周围的交通环境信息。更具体而言,交通环境信息获取部622从由对象交通区域识别单元60获取的交通环境识别信息及交通环境数据库67中所存储的注册交通环境信息中,提取与监视区域或者预测对象的周围的交通环境有关的信息,将其获取为交通环境信息。此处,在交通环境信息中,例如由车行道的宽度、车道数、限制速度、步行道的宽度、车行道与步行道之间的护栏的有无、信号机的点亮色及其切换时机、风险区域信息等对预测对象的周围的交通环境赋予特征的多个参数构成。
驾驶者状态信息获取部623基于从驾驶主体信息获取单元61发送的驾驶主体状态信息,来获取与预测对象的驾驶者的状态有关的驾驶者状态信息。更具体而言,驾驶者状态信息获取部623基于从驾驶主体信息获取单元61发送的驾驶主体状态信息、借由移动状态信息获取部620所获取的移动状态信息、借由周围状态信息获取部621所获取的周围状态信息、及借由交通环境信息获取部622所获取的交通环境信息,来获取与预测对象的驾驶者的周围确认状态有关的信息作为驾驶者状态信息。
更具体而言,驾驶者状态信息获取部623基于移动状态信息、周围状态信息及交通环境信息来提取为了预测对象在监视区域内安全且顺畅地移动,预测对象的驾驶者应该确认其存在或状态的确认对象(例如,前行车、后续车及并行车等预测对象的周围的移动体或步行者的存在以及信号机的状态等)。
另外,驾驶者状态信息获取部623从驾驶主体信息获取单元61发送的驾驶主体状态信息中提取与预测对象的驾驶者有关的信息,并基于针对该预测对象的驾驶者的驾驶主体状态信息,生成与如上所述提取的每个确认对象的确认状态有关的信息作为驾驶者状态信息。如上所述在由驾驶主体信息获取单元61获取的驾驶主体信息中,包含:预测对象的驾驶者的脸部图像数据或生物体信息等时间推移数据、或驾驶者的日程信息等。因此,驾驶者状态信息获取部623基于这种驾驶主体信息来生成驾驶者状态信息。
此外,在本实施方式中,针对将驾驶者对确认对象的确认次数或确认时间作为驾驶者状态信息的情况进行说明。该情况下,驾驶者状态信息获取部623基于预测对象的驾驶者的脸部图像数据来计算驾驶者的视线方向。另外,驾驶者状态信息获取部623基于移动状态信息、周围状态信息及交通环境信息来计算各确认对象相对于预测对象的驾驶者的相对位置,并且根据计算出的相对位置针对每个确认对象计算出针对驾驶者的视线方向的视线范围。另外,驾驶者状态信息获取部623以驾驶者的视线方向在针对每个确认对象而制定的视线范围内为条件,累计对确认对象的确认次数或确认时间。
第一移动状态预测部624基于移动状态信息、周围状态信息及交通环境信息,来预测监视区域中的预测对象的直至规定的预测时间后的移动状态(以下,也将由第一移动状态预测部624预测的预测对象的直至预测时间后的移动状态称为“第一预测移动状态”)。换句话说,第一移动状态预测部624计算出预测对象的从当前起直至预测时间后的移动速度曲线(以下,也将由第一移动状态预测部624计算出的移动速度曲线称为“第一预测移动速度曲线”),作为对预测对象的直至预测时间后的第一预测移动状态赋予特征的参数。
更具体而言,第一移动状态预测部624基于移动状态信息、周围状态信息及交通环境信息等,来计算监视区域中的预测对象的直至预测时间后的预测移动路径。另外,第一移动状态预测部624基于移动状态信息来获取预测对象的当前的移动速度及移动加速度,并且在预测对象沿着该预测移动路径进行移动的假设下计算出第一预测移动速度曲线。更具体而言,第一移动状态预测部624借由假设在当前的移动加速度下从当前的移动速度进行加减速直至规定时间后,之后以固定的速度移行,来计算第一预测移动速度曲线。
第二移动状态预测部625基于移动状态信息、周围状态信息、交通环境信息及驾驶者状态信息,来预测监视区域中的预测对象的直至预测时间后的移动状态(以下,也将由第二移动状态预测部625预测的预测对象的直至预测时间后的移动状态称为“第二预测移动状态”)。换句话说,第二移动状态预测部625计算出预测对象的从当前起直至预测时间后的移动速度曲线(以下,也将由第二移动状态预测部625计算出的移动速度曲线称为“第二预测移动速度曲线”),作为对预测对象的直至预测时间后的第二预测移动状态赋予特征的参数。
更具体而言,第二移动状态预测部625根据与第一移动状态预测部624相同的流程,来计算监视区域中的预测对象的直至预测时间后的预测移动路径。另外,第二移动状态预测部625如上所述基于包含与预测对象的驾驶者的周围确认状态有关的信息的驾驶者状态信息,来计算假设预测对象沿着该预测移动路径进行移动情况下的第二预测移动速度曲线。以下,参照图4~图8B,对在第二移动状态预测部625中计算预测对象的第二预测移动速度曲线的具体流程进行说明。
图4是绘示第二移动状态预测部625的具体构造的功能框图。第二移动状态预测部625包括风险映射图生成部6251、认知状态推定映射图生成部6252及移动速度曲线计算部6253,借由使用它们来计算预测对象的第二预测移动速度曲线。
风险映射图生成部6251首先基于移动状态信息、周围状态信息及交通环境信息等,来计算监视区域中的预测对象的直至预测时间后的预测移动路径。此外,此时,风险映射图生成部6251也可以考虑从驾驶主体信息获取单元61发送的针对预测对象的驾驶者的注册驾驶历史信息来计算预测移动路径。
接着,风险映射图生成部6251基于移动状态信息、周围状态信息及交通环境信息,生成将预测对象的移动速度与预测对象在将来的碰撞风险值建立关联的风险映射图。此处,参照图5~图7,对风险映射图的具体例及在风险映射图生成部6251中生成风险映射图的具体流程进行说明。
图5是绘示监视区域90的一例的图。图5中绘示三辆四轮汽车即交通参与者91,92,93正在单侧双车道的直线道路即监视区域90内行驶的情况。如图5所示,在开始第二移动状态预测部625中的预测处理的时刻,从先头起依次有第三交通参与者93及第一交通参与者91正在右侧的车道上行驶,第二交通参与者92正在左侧的车道之中的第一交通参与者91的稍后方行驶。另外,假定在开始第二移动状态预测部625中的预测处理的时刻,第三交通参与者93正以比第一交通参与者91慢的速度行驶,第二交通参与者92正以比第一交通参与者91快的速度行驶。
首先,风险映射图生成部6251如图5中虚线箭头所示计算出各交通参与者91,92,93的预测移动路径91a,92a,93a。即,风险映射图生成部6251对于第三交通参与者93,计算出在右侧的车道上直行的预测移动路径93a,对于第二交通参与者92,计算出在左侧的车道上直行的预测移动路径92a。另外,风险映射图生成部6251对于第一交通参与者91,计算出预测移动路径91a,所述预测移动路径91a是在右侧的车道上直行后,在到达第三交通参与者93的规定距离后方的时刻向左侧的车道变更车道,由此超越第三交通参与者93。
接着,风险映射图生成部6251基于移动状态信息、周围状态信息及交通环境信息,生成假设各交通参与者91~93沿着预测移动路径91a~93a进行移动直至预测时间后的情况下的针对预测对象的风险映射图。
图6是绘示在图5所示的例子下,将第一交通参与者91作为预测对象而由风险映射图生成部6251生成的风险映射图的一例的图。如图6所示,风险映射图是在以横轴为时间以纵轴为速度的二维平面上绘制针对预测对象的碰撞风险值而获得的三维映射图。此外,在图6中,以白色圆形记号来表示预测对象的当前速度即预测处理的开始时刻的第一交通参与者91的移动速度。
如图6所示,在图5所示的例子下针对作为预测对象的第一交通参与者91而生成的风险映射图中,存在碰撞风险值特别大的两个高风险区域97,98。在图6中出现在高速度区域中的高风险区域97表示第一交通参与者91有可能从后方追撞第三交通参与者93,出现在低速度区域中的高风险区域98表示变更车道后的第一交通参与者91有可能与第二交通参与者92接触。
因而,根据图6所示的风险映射图,例如在预测对象依照如虚线99a所示的移动速度曲线进行加速的情况下,可以预测为预测对象追撞第三交通参与者93的可能性高。另外,根据图6所示的风险映射图,例如在预测对象依照如虚线99b所示的移动速度曲线进行减速的情况下,可以预测为预测对象与第二交通参与者92接触的可能性高。另外,根据图6所示的风险映射图,例如在预测对象如虚线99c所示,以比虚线99b大的减速度进行减速的情况下,可以预测为预测对象能够规避与第三交通参与者93及第二交通参与者92的碰撞的可能性高。这表示,在图5所示的例子中,作为预测对象的第一交通参与者91只要在第二交通参与者92减速至超过第一交通参与者91后,进行车道变更,超越第三交通参与者93,便可以规避与其他交通参与者92,93的碰撞。
图7是绘示在图5所示的例子下,将第二交通参与者92作为预测对象而由风险映射图生成部6251生成的风险映射图的一例的图。此外,在图7中,以白色圆形记号来表示预测对象的当前速度即预测处理的开始时刻的第二交通参与者92的移动速度。
如图7所示,在图5所示的例子下针对作为预测对象的第二交通参与者92而生成的风险映射图中,存在碰撞风险值特别大的一个高风险区域96。图7所示的高风险区域96表示第二交通参与者92有可能与变更车道后的第一交通参与者91接触。此外,因为第二交通参与者92假设在与第三交通参与者93不同的车道上移动,所以不可能与第三交通参与者93碰撞。因此,针对第二交通参与者92的风险映射图与图6所示的针对第一交通参与者91的风险映射图不同,不包含与第三交通参与者93对应的高风险区域。
返回图4,风险映射图生成部6251基于移动状态信息、周围状态信息及交通环境信息来生成如上的风险映射图。此外,此时,风险映射图生成部6251在不使用针对预测对象的驾驶者的驾驶者状态信息的情况下生成针对预测对象的风险映射图。这相当于,由风险映射图生成部6251生成的风险映射图仅根据排除了预测对象的驾驶者的主观(与驾驶者的周围确认状态有关的驾驶者状态信息)的客观信息(移动状态信息、周围状态信息及交通环境信息)来生成针对预测对象的风险映射图。
认知状态推定映射图生成部6252基于预测对象的驾驶者的驾驶者状态信息来修正借由风险映射图生成部6251所生成的风险映射图,由此生成相当于从预测对象的驾驶者观看的风险映射图的认知状态推定映射图。
如参照图6及图7所说明,由风险映射图生成部6251生成的风险映射图是排除预测对象的驾驶者的主观而生成。即,在图6所示的例子中,针对第一交通参与者91的风险映射图包含两个高风险区域97,98,但第一交通参与者91的驾驶者如果不恰当地掌握周围的交通参与者92,93的存在、位置及速度等,则无法恰当地识别到这些高风险区域97,98的存在。因此,认知状态推定映射图生成部6252基于针对预测对象的驾驶者的驾驶者状态信息来修正借由风险映射图生成部6251所生成的针对预测对象的风险映射图,由此生成认知状态推定映射图。
更具体而言,认知状态推定映射图生成部6252首先基于由驾驶者状态信息获取部623生成的针对预测对象的驾驶者的驾驶者状态信息,来推定存在于预测对象的周围的每个确认对象的认知程度。此外,以下,针对将各确认对象的认知程度分为三个等级(高、中、低)的情况进行说明,但本发明并不限于此。
认知状态推定映射图生成部6252在对确认对象的确认次数为规定的第一确认次数以上的情况下或者对确认对象的确认时间为规定的第一确认时间以上的情况下,推定为驾驶者恰当地识别到确认对象的存在、位置及速度等,而将驾驶者对确认对象的认知程度推定为“高”。
认知状态推定映射图生成部6252在对确认对象的确认次数小于上述第一确认次数且为比第一确认次数设定得小的第二确认次数以上的情况下、或者对确认对象的确认时间小于上述第一确认时间且为比第一确认时间设定得短的第二确认时间以上的情况下,推定为驾驶者虽识别到确认对象的存在,但有可能未能恰当地识别到其位置或速度等,而将驾驶者对确认对象的认知程度推定为“中”。
另外,认知状态推定映射图生成部6252在对确认对象的确认次数小于上述第二确认次数的情况下或者对确认对象的确认时间小于上述第二确认时间的情况下,推定为驾驶者有可能未能识别到确认对象的存在,而将驾驶者对确认对象的认知程度推定为“低”。
接着,认知状态推定映射图生成部6252基于针对每个确认对象所推定的驾驶者的认知程度来修正风险映射图,由此生成认知状态推定映射图。更具体而言,认知状态推定映射图生成部6252借由消除风险映射图中包含的多个高风险区域之中的与认知程度被推定为“低”的确认对象对应的区域的存在,来生成认知状态推定映射图。
图8A是绘示在图5所示的例子中将第一交通参与者91作为预测对象,将预测对象的驾驶者对第三交通参与者93的认知程度设为“高”,并将第二交通参与者92的认知程度设为“低”的情况下的针对预测对象的驾驶者的认知状态推定映射图的一例的图。如对图8A所示的认知状态推定映射图与图6所示的基准风险映射图进行比较所明确,由于预测对象的驾驶者未能识别到第二交通参与者92的存在,因此针对该预测对象的驾驶者的认知状态推定映射图(参照图8A)不包含图6所示的高风险区域98。
另外,认知状态推定映射图生成部6252借由将风险映射图中包含的多个高风险区域之中的与认知程度被推定为“中”的确认对象对应的区域的位置从预测对象向远方侧变更,来生成认知状态推定映射图。
图8B是绘示在图5所示的例子中将第一交通参与者91作为预测对象,将预测对象的驾驶者对第三交通参与者93的认知程度设为“高”,并将第二交通参与者92的认知程度设为“中”的情况下的针对预测对象的驾驶者的认知状态推定映射图的一例的图。如对图8B所示的认知状态推定映射图与图6所示的风险映射图进行比较所明确,图8B的认知状态推定映射图中的高风险区域98的位置相较于图6的风险映射图中的高风险区域98的位置,被沿着时间轴向更晚的方向修正。即,认为,预测对象的驾驶者虽识别到第二交通参与者92的存在,但将其位置误认为存在于比实际的位置更远的地方。因此,认知状态推定映射图生成部6252将高风险区域98的位置相较于图6的风险映射图沿着时间轴向更晚的方向修正。
另外,认知状态推定映射图生成部6252在不对风险映射图中包含的多个高风险区域之中的与认知程度被推定为“高”的确认对象对应的区域进行修正的情况下生成认知状态推定映射图。即,在图5所示的例子中将第一交通参与者91作为预测对象,并将预测对象的驾驶者对第二交通参与者92及第三交通参与者93的认知程度均设为“高”的情况下的针对预测对象的驾驶者的认知状态推定映射图与图6所示的风险映射图相同。
返回图4,移动速度曲线计算部6253基于依照如上的流程借由认知状态推定映射图生成部6252所生成的针对预测对象的驾驶者的认知状态推定映射图,来计算预测对象的直至预测时间后的第二预测移动速度曲线。更具体而言,移动速度曲线计算部6253借由假设预测对象的驾驶者为了规避基于认知状态推定映射图而推定的风险,因而从当前速度起在固定的加减速度下使预测对象移动后,以固定的速度移行,来计算第二预测移动速度曲线。
更具体而言,移动速度曲线计算部6253以使下述式(1)所示的评价值最大的方式计算出从当前时刻起至规定时间后为止的移动速度曲线作为第二预测移动速度曲线。在下述式(1)中,所谓“最大风险值”,是借由基于移动速度曲线来检索认知状态推定映射图而计算出的碰撞风险值的最大值。在下述式(1)中,所谓“移动时间”,是在移动速度曲线中从当前时刻起至以固定速度移行为止的时间。另外,在下述式(1)中,所谓“加减速度”,是在移动速度曲线中从当前时刻起至以固定速度移行为止的预测对象的加速度的绝对值。另外,在下述式(1)中,“a”及“b”分别为正的系数。
评价值=1/(最大风险值+a×移动时间+b×加减速度)(1)
由于预测对象的驾驶者想尽可能规避自身识别到的风险,所以如上述式(1)所示,基于认知状态推定映射图而计算出的碰撞风险值越小,评价值越大。由于预测对象的驾驶者倾向于想在尽可能小的加减速度下规避风险,所以如上述式(1)所示,加减速度越小,评价值越大。另外,由于预测对象的驾驶者倾向于想尽可能迅速地规避风险,所以如上述式(1)所示,至以固定速度移行为止的移动时间越短,评价值越大。因而,移动速度曲线计算部6253以基于认知状态推定映射图而计算出的碰撞风险值及预测对象的加减速度均小,且至以固定速度移行为止的移动时间短的方式,计算出第二预测移动速度曲线。
此处,以图6所示的认知状态推定映射图为例,对评价值的具体例进行说明。在图6中,在虚线99a,99b所示的移动速度曲线下计算出的最大风险值均大于在虚线99c,99d所示的移动速度曲线下计算出的最大风险值。另外,虚线99a所示的移动速度曲线中的加减速度大于虚线99b所示的移动速度曲线中的加减速度。另外,虚线99d所示的移动速度曲线中的加减速度大于虚线99c所示的移动速度曲线中的加减速度。因而,在图6所示的例子中,评价值按照虚线99a,99b,99d,99c的顺序依次变大。因而,移动速度曲线计算部6253在认知状态推定映射图与图6所示的风险映射图相同的情况下即作为预测对象的第一交通参与者91的驾驶者恰当地识别到周围存在的第二交通参与者92及第三交通参与者93的情况下,计算出评价值最大的虚线99c所示的移动速度曲线,作为第二预测移动速度曲线。
另外,移动速度曲线计算部6253在认知状态推定映射图与图8A所示的认知状态推定映射图相同的情况下即作为预测对象的第一交通参与者91的驾驶者未能识别到第二交通参与者92的存在的情况下,计算出虚线99e所示的移动速度曲线,作为使评价值最大的第二预测移动速度曲线。
另外,移动速度曲线计算部6253在认知状态推定映射图与图8B所示的认知状态推定映射图相同的情况下即作为预测对象的第一交通参与者91的驾驶者未能恰当地识别到第二交通参与者92的位置或速度的情况下,计算出虚线99f所示的移动速度曲线,作为使评价值最大的第二预测移动速度曲线。
第二移动状态预测部625根据如上的流程,基于与第一移动状态预测部624不同的算法来预测预测对象的第二预测移动状态。
返回图3,碰撞风险计算部626基于移动状态信息、周围状态信息及交通环境信息,来计算表示第一预测移动状态下的预测对象与周围交通参与者之间的碰撞风险的第一碰撞风险值、及表示第二预测移动状态下的预测对象与周围交通参与者之间的碰撞风险的第二碰撞风险值。
更具体而言,碰撞风险计算部626获取由上述的风险映射图生成部6251生成的针对预测对象的风险映射图,基于由第一移动状态预测部624计算出的第一预测移动速度曲线来检索风险映射图,由此计算出第一碰撞风险值,并基于由第二移动状态预测部625计算出的第二预测移动速度曲线来检索风险映射图,由此计算出第二碰撞风险值。
辅助行动决定部627在借由碰撞风险计算部626所计算出的第一碰撞风险值及第二碰撞风险值之中的至少任一者大于规定的碰撞判定阈值的情况下,判断为预测对象在从当前起至预测时间后为止的期间与周围交通参与者碰撞的可能性高,并决定用于规避预测对象与周围交通参与者之间的碰撞或者减轻由碰撞造成的损害的辅助行动。辅助行动决定部627在第一碰撞风险值及第二碰撞风险值均为碰撞判定阈值以下的情况下,判断为预测对象与周围交通参与者碰撞的可能性低,不决定辅助行动。
更具体而言,辅助行动决定部627在第一碰撞风险值为碰撞判定阈值以下且第二碰撞风险值大于碰撞判定阈值的情况下,将预测对象实现第一预测移动状态的第一规避行动即与第一预测移动速度曲线相符的加减速行动决定为辅助行动。
辅助行动决定部627在第二碰撞风险值为碰撞判定阈值以下且第一碰撞风险值大于碰撞判定阈值的情况下,将预测对象实现第二预测移动状态的第二规避行动即与第二预测移动速度曲线相符的加减速行动决定为辅助行动。
另外,辅助行动决定部627在第一碰撞风险值及第二碰撞风险值均大于碰撞判定阈值的情况下,计算出用于规避预测对象与周围交通参与者的碰撞的碰撞规避行动,将该碰撞规避行动决定为辅助行动。另外,此时,辅助行动决定部627在无法计算出可实现的碰撞规避行动的情况下,计算出用于尽可能减轻由预测对象与周围交通参与者的碰撞造成的损害的碰撞损害减轻行动,将该碰撞损害减轻行动决定为辅助行动。辅助行动决定部627例如基于借由风险映射图生成部6251所生成的风险映射图来计算对碰撞规避行动或者碰撞损害减轻行动赋予特征的移动速度曲线。
此处,以图6的风险映射图为例对借由辅助行动决定部627来决定辅助行动的流程进行说明。另外,以下,针对将图6中的虚线99g设为第一预测移动速度曲线,并将图6中的虚线99e设为第二预测移动速度曲线的情况进行说明。如图6所示,虚线99e所示的第二预测移动速度曲线横穿高风险区域98的中央,虚线99g所示的第一预测移动速度曲线横穿高风险区域97,98的边缘。因而,借由基于第二预测移动速度曲线来检索图6的风险映射图而获得的第二碰撞风险值大于借由基于第一预测移动速度曲线来检索图6的风险映射图而获得的第一碰撞风险值。另外,第一碰撞风险值及第二碰撞风险值均大于碰撞判定阈值。该情况下,辅助行动决定部627计算出与图6中以虚线99c所示的移动速度曲线相符的加减速行动作为碰撞规避行动,并将该碰撞规避行动决定为辅助行动。
返回图2,辅助控制单元65在由预测单元62判断为预测对象与周围交通参与者碰撞的可能性高的情况下,在第一碰撞风险值及第二碰撞风险值中的至少任一者大于碰撞判定阈值的情况下,以使预测对象进行借由辅助行动决定部627所决定的辅助行动的方式,对预测对象执行辅助控制。
如上所述,与交通管理服务器6可通信地连接的车载装置组20,30包括:使HMI以基于从辅助控制单元65发送的协调辅助信息而制定的态样运作的车载通知装置22,32;和,以基于协调辅助信息而制定的态样自动地控制车身的行为的车载驾驶辅助装置21,31。换句话说,辅助控制单元65可以借由将基于辅助行动而制定的协调辅助信息发送给预测对象的车载装置组20,30,使车载通知装置22,32或车载驾驶辅助装置21,31运作,提醒预测对象采取辅助行动。因此,辅助控制单元65在第一碰撞风险值及第二碰撞风险值中的至少任一者大于碰撞判定阈值的情况下,执行通知控制及自动行为控制两者或者任一者作为辅助控制,所述通知控制是借由使预测对象的车载通知装置22,32运作来提醒采取辅助行动,所述自动行为控制是借由使预测对象的车载驾驶辅助装置21,31运作来提醒采取辅助行动。
辅助控制单元65在进行通知控制的情况下,将包含与辅助行动决定部627所决定的辅助行动有关的信息或与针对预测对象的风险映射图有关的信息等的协调辅助信息发送给预测对象的车载装置组20,30,并基于该协调辅助信息使车载通知装置22,32运作,由此将用于规避预测对象的碰撞或者减轻由碰撞造成的损害的信息(例如,根据辅助行动而提醒加速或者减速的语音或图像)通知给预测对象的驾驶者,提醒预测对象的驾驶者采取与辅助行动相应的驾驶操作。
图9是绘示基于由辅助控制单元65进行的通知控制,而在车载通知装置22,32上显示的图像的显示例的图。更具体而言,图9中绘示将与图6所示的风险映射图中以虚线99c所示的移动速度曲线相符的加减速行动决定为辅助行动的情况下的图像显示例。
如图9所示,辅助控制单元65也可以将借由在风险映射图上绘制表示当前速度的圆形记号100及与辅助行动相应的移动速度曲线101而生成的图像显示于车载通知装置22,32。另外,此时,辅助控制单元65也可以如图9中区域102,103所示,将风险映射图上的碰撞风险值大于碰撞判定阈值的区域(即,图6中的高风险区域97,98)例如以红色加以强调后进行显示,以便观看图像的驾驶者可以迅速地识别到风险高的区域。另外,虽省略图示,但车载通知装置22,32也可以在由导航装置显示的地图图像上与高风险区域相当的部分,显示提醒注意的图标。预测对象的驾驶者可以借由观看这种图像,来识别与周围交通参与者之间的碰撞风险的存在、或用于规避或者减轻该碰撞风险的驾驶操作的流程。
另外,辅助控制单元65在进行自动行为控制的情况下,将包含与辅助行动决定部627所决定的辅助行动有关的信息的协调辅助信息发送给预测对象的车载装置组20,30,并基于该协调辅助信息使车载驾驶辅助装置21,31运作。更具体而言,辅助控制单元65使车载驾驶辅助装置21,31以进行辅助行动的方式运作,所述辅助行动以规避预测对象的碰撞或者减轻由碰撞造成的损害的方式制定。
图10是绘示借由交通管理服务器6来辅助交通对象区域中的交通参与者的安全交通的交通安全辅助处理的具体流程的流程图。图10的流程图中所示的各步骤借由由交通管理服务器6执行未图示的存储介质中所存储的计算机程序来实现。
首先,在步骤ST1中,交通管理服务器6从对象交通区域中决定监视区域,并转移至步骤ST2。在步骤ST2中,交通管理服务器6识别监视区域中存在的多个交通参与者,进而从这些多个交通参与者中决定预测对象,并转移至步骤ST3。
在步骤ST3中,交通管理服务器6获取预测对象的移动状态信息,并转移至步骤ST4。在步骤ST4中,交通管理服务器6获取监视区域中的预测对象的周围存在的周围交通参与者的周围状态信息,并转移至步骤ST5。在步骤ST5中,交通管理服务器6获取监视区域中的预测对象的周围的交通环境信息,并转移至步骤ST6。在步骤ST6中,交通管理服务器6获取与预测对象的驾驶者的周围确认状态有关的驾驶者状态信息,并转移至步骤ST7。
在步骤ST7中,交通管理服务器6基于移动状态信息、周围状态信息及交通环境信息来预测预测对象的第一预测移动状态,并转移至步骤ST8。在步骤ST8中,交通管理服务器6基于移动状态信息、周围状态信息、交通环境信息及驾驶者状态信息来预测预测对象的第二预测移动状态,并转移至步骤ST9。如上所述,在该步骤ST8中,交通管理服务器6基于移动状态信息、周围状态信息及交通环境信息,生成针对预测对象的风险映射图,并基于驾驶者状态信息对风险映射图进行修正而由此生成认知状态推定映射图,进而基于该认知状态推定映射图来预测预测对象的第二预测移动状态。
在步骤ST9中,交通管理服务器6借由使用针对预测对象的风险映射图,计算出第一预测移动状态下的预测对象与周围交通参与者之间的第一碰撞风险值、及第二预测移动状态下的预测对象与周围交通参与者之间的第二碰撞风险值,并转移至步骤ST10。
在步骤ST10中,交通管理服务器6判定是否第一碰撞风险值及第二碰撞风险值中的至少任一者大于碰撞判定阈值。交通管理服务器6在步骤ST10的判定结果为否(NO)的情况下,返回至步骤ST1,在为是(YES)的情况下,转移至步骤ST11。
在步骤ST11中,交通管理服务器6决定针对预测对象的辅助行动,并转移至步骤ST12。在步骤ST12中,交通管理服务器6执行以预测对象进行辅助对象的方式使预测对象的车载通知装置22,32运作的通知控制、及以预测对象进行辅助行动的方式使预测对象的车载驾驶辅助装置21,31运作的自动行为控制两者或者任一者作为辅助控制,并返回至步骤ST1。
<第二实施方式>
接下来,参照图式对本发明的第二实施方式的交通安全辅助系统进行说明。本实施方式的交通安全辅助系统中,交通管理服务器的预测单元的构造与第一实施方式的交通安全辅助系统1不同。在以下的本实施方式的交通安全辅助系统的说明中,针对与第一实施方式的交通安全辅助系统1相同的构造,附注相同的符号,并省略详细的说明。
图11是绘示本实施方式的预测单元62A的具体构造的功能框图。如图11所示,本实施方式的预测单元62A中,驾驶者状态信息获取部623A、第一移动状态预测部624A、第二移动状态预测部625A及碰撞风险计算部626A的构造与图3所示的第一实施方式的预测单元62不同。
驾驶者状态信息获取部623A基于从驾驶主体信息获取单元61发送的驾驶主体状态信息,获取与预测对象的驾驶者的状态有关的驾驶者状态信息。在本实施方式中,所谓驾驶者状态信息,是与驾驶者当时的驾驶能力存在相关的信息,更具体而言是反映驾驶者当时的感情状态或身体状态的信息。在本实施方式中,针对将驾驶者焦躁的强度数值化后的焦躁参数值作为驾驶者状态信息的情况进行说明,但本发明并不限于此。另外,在本实施方式中,针对焦躁参数值可取表示为平常状态的值0、表示为稍微焦躁的状态的值1及表示为强烈焦躁的状态的值2这三个值的情况进行说明,但本发明并不限于此。
如上所述,在由驾驶主体信息获取单元61获取的驾驶主体信息中,包含:预测对象的驾驶者的脸部图像数据或生物体信息等时间推移数据、或驾驶者的日程信息等。因此,驾驶者状态信息获取部623A基于这些脸部图像数据或生物体信息等时间推移数据或日程信息等,计算出表示驾驶者当时的焦躁的强度的焦躁参数值。
第一移动状态预测部624A基于移动状态信息、周围状态信息及交通环境信息,来预测监视区域中的预测对象的直至规定的预测时间后的移动状态即第一预测移动状态。换句话说,第一移动状态预测部624A计算出预测对象的从当前起直至预测时间后的预测移动路径(以下,也将由第一移动状态预测部624A计算出的预测移动路径称为“第一预测移动路径”)及移动速度曲线(以下,也将由第一移动状态预测部624A计算出的移动速度曲线称为“第一预测移动速度曲线”),作为对预测对象的直至预测时间后的第一预测移动状态赋予特征的参数。此外,借由第一移动状态预测部624A来预测第一预测移动状态的流程与借由第一实施方式的第一移动状态预测部624来预测第一预测移动状态的流程相同,所以省略详细的说明。
第二移动状态预测部625A基于移动状态信息、周围状态信息、交通环境信息及驾驶者状态信息,来预测监视区域中的预测对象的直至预测时间后的移动状态即第二预测移动状态。换句话说,第二移动状态预测部625A将预测对象的直至预测时间后的第二预测移动状态作为赋予特征的参数,并将预测对象的从当前起直至预测时间后的预测移动路径及移动速度曲线作为第二预测移动路径及第二预测移动速度曲线予以计算。以下,参照图12~图13,对在第二移动状态预测部625A中计算预测对象的第二预测移动路径及第二预测移动速度曲线的具体流程进行说明。
图12是绘示第二移动状态预测部625A的具体构造的功能框图。第二移动状态预测部625A包括交通场景确定部6255、行动模式选择部6256及行动预测部6257,借由使用它们来计算预测对象的第二预测移动路径及第二预测移动速度曲线。
交通场景确定部6255基于移动状态信息、周围状态信息及交通环境信息来确定监视区域中的预测对象的交通场景。更具体而言,交通场景确定部6255基于移动状态信息、周围状态信息及交通环境信息,来决定对预测对象的交通场景赋予特征的多个交通场景参数的值,由此确定预测对象的交通场景。
此处,在交通场景参数中例如包含:正在行驶的道路的车道的数量、车道的种类、车道的宽度、预测对象所在的车道的位置、正在行驶的道路的法定速度、预测对象的速度域、预测对象的前行车的有无、该前行车的速度域、该前行车与预测对象的车间距离、该前行车的车辆等级、预测对象的后续车的有无、该后续车的速度域、该后续车与预测对象的车间距离、该后续车的车辆等级、预测对象的右侧的并行车的有无、该右侧的并行车的速度域、该右侧的并行车与预测对象的车间距离、该右侧的并行车的车辆等级、预测对象的左侧的并行车的有无、该左侧的并行车的速度域、该左侧的并行车与预测对象的车间距离、该左侧的并行车的车辆等级、在预测对象的前方的信号机的有无、信号机的颜色及到信号机的距离等。
行动模式选择部6256基于借由驾驶者状态信息获取部623A所获取的驾驶者状态信息及借由交通场景确定部6255所确定的交通场景,从预先制定的多个行动模式中选择至少一个作为预测行动模式。此处,在行动模式选择部6256中,作为多个行动模式,预先制定有:维持当前的速度的定速行动、使速度比当前减少的减速行动、使预测对象停止的停止行动、使速度比当前上升的加速行动、追随前行车的前行车追随行动、追随左侧的并行车的左侧并行车追随行动、追随右侧的并行车的右侧并行车追随行动、将行驶车道变更为右侧的车道的右侧车道变更行动、将行驶车道变更为左侧的车道的左侧车道变更行动、插入前行车与右侧的并行车之间的右侧插入行动、插入前行车与左侧的并行车之间的左侧插入行动、从右侧超越前行车的右侧超越行动、从左侧超越前行车的左侧超越行动、及这些行动的组合行动等。
行动模式选择部6256例如借由利用如下行动模式预测模型,来从多个行动模式中选择至少一个作为预测行动模式,所述行动模式预测模型当输入基于针对预测对象的驾驶者状态信息及交通场景而生成的输入数据时,会从上述多个行动模式中输出至少一个行动模式。行动模式预测模型将针对预测对象的驾驶者状态信息及交通场景与认为该预测对象在不久的将来很可能采取的预测行动模式建立关联。即,行动模式选择部6256将基于驾驶者状态信息及交通场景而生成的输入数据被输入至行动模式预测模型时的行动模式预测模型的输出作为预测行动模式。此处,行动模式选择部6256借由利用了从预测对象获得的数据的机械学习,将针对每个预测对象所构建的深度神经网络(Deep Neural Network,DNN)用作行动模式预测模型。
这种行动模式预测模型使用借由针对每个预测对象反复执行以下说明的学习方法所构建的DNN。该学习方法包括以下工序:基于在规定的第一期间中所获取的交通场景及驾驶者状态信息,来生成针对行动模式预测模型的输入数据的工序;基于在该第一期间之后的第二期间中所获取的移动状态信息,来生成针对行动模式预测模型的输出的正确数据的工序;及,使用组合了输入数据及正确数据的学习数据,来学习行动模式预测模型的工序。
如上,在本实施方式中,针对行动模式选择部6256借由使用行动模式预测模型来选择预测行动模式的情况进行说明,但本发明不限于此。行动模式选择部6256也可以借由利用表,从多个行动模式中选择至少一个预测行动模式,所述表将针对预测对象的驾驶者状态信息及交通场景与认为该预测对象在不久的将来很可能采取的预测行动模式建立关联。
此处,参照图13,对借由行动模式选择部6256来从多个行动模式中选择预测行动模式的具体流程进行说明。
图13是绘示监视区域80的一例的图。图13中绘示三辆四轮汽车即交通参与者81,82,83正在单侧双车道的直线道路即监视区域80内行驶的情况。以下,针对行动模式选择部6256将这些交通参与者81~83之中的第一交通参与者81作为预测对象,从多个行动模式中选择该预测对象的预测行动模式的情况进行说明。
如图13所示,在行动模式选择部6256中选择预测对象的预测行动模式的时刻,从先头起依次有第三交通参与者83及第一交通参与者81正在右侧的车道上空开规定的车间距离行驶,第二交通参与者82正在左侧的车道之中的第一交通参与者81的稍前方且第三交通参与者83的稍后方行驶。因而,第三交通参与者83从预测对象观看,为前行车,第二交通参与者82从预测对象观看,为左侧的并行车。上述的交通场景确定部6255借由决定多个交通场景参数的值来确定预测对象正在行驶的道路的车道的数量或前行车的有无等预测对象所处的交通场景。
在行动模式选择部6256中制定有作为预测对象的第一交通参与者81在从图13所示的状态起至规定时间后为止的期间可采取的多个行动模式。例如,虚线箭头12a为与“前行车追随行动”建立关联的预测对象的移动路径,虚线箭头12b为与“左侧并行车追随行动”建立关联的预测对象的移动路径,虚线箭头12c为与“减速行动”建立关联的预测对象的移动路径,虚线箭头12d为与“左侧插入行动”建立关联的预测对象的移动路径,虚线箭头12e为与“左侧超越行动”建立关联的预测对象的移动路径。
行动模式选择部6256基于借由交通场景确定部6255所确定的交通场景(即,交通场景参数的值)及借由驾驶者状态信息获取部623A所获取的驾驶者状态信息(即,焦躁参数值),从如图13所示预先制定的多个行动模式中选择至少一个作为预测行动模式。更具体而言,在如图13所示的交通场景下,针对预测对象的驾驶者的焦躁参数值为0的情况下,行动模式选择部6256选择与虚线箭头12c建立关联的“减速行动”作为预测行动模式。与此相对,在如图13所示的交通场景下,针对预测对象的驾驶者的焦躁参数值为2的情况下,行动模式选择部6256选择与虚线箭头12d建立关联的“左侧插入行动”作为预测行动模式。行动模式选择部6256借由利用基于过去从预测对象获取的数据所构建的行动模式预测模型,来选择与预测对象的驾驶者当时的状态相应的预测行动模式。
返回图12,行动预测部6257基于移动状态信息、周围状态信息、交通环境信息及借由行动模式选择部6256所选择的预测行动模式等,来计算监视区域中的预测对象的从当前时刻起至预测时间后为止的第二预测移动路径及第二预测移动速度曲线。
返回图11,碰撞风险计算部626A基于移动状态信息、周围状态信息及交通环境信息,来计算表示第一预测移动状态下的预测对象与周围交通参与者之间的碰撞风险的第一碰撞风险值、及表示第二预测移动状态下的预测对象与周围交通参与者之间的碰撞风险的第二碰撞风险值。
更具体而言,碰撞风险计算部626A根据与第一实施方式的风险映射图生成部6251相同的流程,生成与由第一移动状态预测部624A计算出的第一预测移动路径相应的第一风险映射图、及与由第二移动状态预测部625A计算出的第二预测移动路径相应的第二风险映射图。另外,碰撞风险计算部626A基于由第一移动状态预测部624A计算出的第一预测移动速度曲线来检索第一风险映射图,由此计算出第一碰撞风险值,并基于由第二移动状态预测部625A计算出的第二预测移动速度曲线来检索第二风险映射图,由此计算出第二碰撞风险值。
图14是绘示借由交通管理服务器来辅助交通对象区域中的交通参与者的安全交通的交通安全辅助处理的具体流程的流程图。图14的流程图中所示的各步骤借由由交通管理服务器执行未图示的存储介质中所存储的计算机程序来实现。此外,图14所示的流程图中的步骤ST21~ST27、ST30~ST32的处理与图10所示的流程图中的步骤ST1~ST7、ST10~ST12的处理相同,所以省略详细的说明。
在步骤ST28中,交通管理服务器基于移动状态信息、周围状态信息、交通环境信息及驾驶者状态信息来预测预测对象的第二预测移动状态,并转移至步骤ST29。如上所述,在该步骤ST28中,交通管理服务器在基于移动状态信息、周围状态信息及交通环境信息,确定预测对象的交通场景后,基于驾驶者状态信息及所确定的交通场景,从预先制定的多个行动模式中选择至少一个作为预测行动模式。另外,交通管理服务器基于所选择的预测行动模式,来预测预测对象的第二预测移动状态。
在步骤ST29中,交通管理服务器借由使用与第一预测移动路径相应的第一风险映射图及与第二预测移动路径相应的第二风险映射图,计算出第一预测移动状态下的预测对象与周围交通参与者之间的第一碰撞风险值、及第二预测移动状态下的预测对象与周围交通参与者之间的第二碰撞风险值,并转移至步骤ST30。
以上,针对本发明的第一实施方式及第二实施方式进行了说明,但本发明不限于此。也可以在本发明的主旨的范围内,适当变更细节的构造。例如,在上述实施方式中,说明了将对作为移动体的预测对象在监视区域中的将来进行预测的预测单元设置于与该预测对象可通信地连接的交通管理服务器的情况,但本发明不限于此。预测单元也可以借由与辅助对象一起移动的车载装置组来构成。该情况下,借由预测单元可获取的移动状态信息、周围状态信息及交通环境信息等信息量虽少于借由交通管理服务器可获取的信息量,但具有由通信造成的延迟小的优点。
附图标记
1:交通安全辅助系统
2:四轮汽车(移动体、交通参与者)
20:车载装置组
21:车载驾驶辅助装置
22:车载通知装置
3:摩托车(移动体、交通参与者)
30:车载装置组
31:车载驾驶辅助装置
32:车载通知装置
6:交通管理服务器
60:对象交通区域识别单元
61:驾驶主体信息获取单元
62,62A:预测单元
620:移动状态信息获取部
621:周围状态信息获取部
622:交通环境信息获取部
623,623A:驾驶者状态信息获取部
624,624A:第一移动状态预测部
625,625A:第二移动状态预测部
6251:风险映射图生成部
6252:认知状态推定映射图生成部
6253:移动速度曲线计算部
6255:交通场景确定部
6256:行动模式选择部
6257:行动预测部
626,626A:碰撞风险计算部
627:辅助行动决定部
65:辅助控制单元(辅助控制部)
9:对象交通区域
90:监视区域
91:第一交通参与者
92:第二交通参与者
93:第三交通参与者
Claims (11)
1.一种交通安全辅助系统,将在交通区域内移动的移动体作为预测对象,辅助该预测对象在前述交通区域中的安全交通,所述交通安全辅助系统的特征在于,包括:
移动状态信息获取部,获取与前述预测对象的移动状态有关的移动状态信息;
周围状态信息获取部,获取与前述交通区域中的前述预测对象的周围存在的周围交通参与者的移动状态有关的周围状态信息;
驾驶者状态信息获取部,获取与前述预测对象的驾驶者的状态有关的驾驶者状态信息;
第一移动状态预测部,基于前述移动状态信息来预测前述预测对象的第一预测移动状态;
第二移动状态预测部,基于前述驾驶者状态信息来预测前述预测对象的第二预测移动状态;
碰撞风险计算部,基于前述周围状态信息,来计算前述第一预测移动状态下的前述预测对象与前述周围交通参与者之间的第一碰撞风险值、及前述第二预测移动状态下的前述预测对象与前述周围交通参与者之间的第二碰撞风险值;及,
辅助控制部,在前述第一碰撞风险值及前述第二碰撞风险值中的至少任一者大于规定的阈值的情况下,执行对前述预测对象的辅助控制。
2.根据权利要求1所述的交通安全辅助系统,其中,前述辅助控制部,
在前述第一碰撞风险值为前述阈值以下且前述第二碰撞风险值大于前述阈值的情况下,以使前述预测对象进行实现前述第一预测移动状态的第一规避行动的方式,执行前述辅助控制,
在前述第二碰撞风险值为前述阈值以下且前述第一碰撞风险值大于前述阈值的情况下,以使前述预测对象进行实现前述第二预测移动状态的第二规避行动的方式,执行前述辅助控制,
在前述第一碰撞风险值及前述第二碰撞风险值均大于前述阈值的情况下,以使前述预测对象进行用于规避与前述周围交通参与者的碰撞的碰撞规避行动或者用于减轻由碰撞造成的损害的碰撞损害减轻行动的方式,执行前述辅助控制。
3.根据权利要求2所述的交通安全辅助系统,其中,前述碰撞风险计算部,
基于与前述第一预测移动状态相应的第一预测移动速度曲线,来检索将前述预测对象的移动速度与该预测对象在将来的碰撞风险值建立关联的风险映射图,由此计算出前述第一碰撞风险值,
基于与前述第二预测移动状态相应的第二预测移动速度曲线,来检索前述风险映射图,由此计算出前述第二碰撞风险值。
4.根据权利要求3所述的交通安全辅助系统,其包括:
车载装置组,与前述预测对象一起移动;及,
交通管理服务器,能够与前述车载装置组通信;
前述交通管理服务器包括前述移动状态信息获取部、前述周围状态信息获取部、前述驾驶者状态信息获取部、前述第一移动状态预测部、前述第二移动状态预测部、前述碰撞风险计算部及前述辅助控制部,
前述车载装置组包括借由图像及声音中的至少任一者向前述驾驶者通知信息的车载通知装置,
前述辅助控制部执行通知控制以作为前述辅助控制,所述通知控制是借由使前述车载通知装置运作,而将用于规避前述预测对象的碰撞或者减轻由碰撞造成的损害的信息通知给前述驾驶者。
5.根据权利要求4所述的交通安全辅助系统,其中,前述辅助控制部在前述通知控制中,将根据前述第一规避行动、前述第二规避行动、前述碰撞规避行动或者前述碰撞损害减轻行动而提醒加速或者减速的信息通知给前述驾驶者。
6.根据权利要求5所述的交通安全辅助系统,其中,前述辅助控制部在前述通知控制中,将图像显示于前述车载通知装置,所述图像是借由将与前述第一规避行动、前述第二规避行动、前述碰撞规避行动或者前述碰撞损害减轻行动相应的移动速度曲线绘制于前述风险映射图而生成。
7.根据权利要求6所述的交通安全辅助系统,其中,前述辅助控制部将前述风险映射图上的碰撞风险值大于前述阈值的区域强调后显示于前述车载通知装置。
8.根据权利要求1所述的交通安全辅助系统,其中,前述驾驶者状态信息获取部获取与前述驾驶者的周围确认状态有关的信息作为前述驾驶者状态信息,
前述第二移动状态预测部基于前述移动状态信息、前述周围状态信息及前述驾驶者状态信息来预测前述第二预测移动状态。
9.根据权利要求1所述的交通安全辅助系统,其还包括交通环境信息获取部,所述交通环境信息获取部获取前述交通区域中的前述预测对象的周围的交通环境信息,
前述第二移动状态预测部包括:
交通场景确定部,基于前述移动状态信息、前述周围状态信息及前述交通环境信息来确定前述预测对象的交通场景;
行动模式选择部,基于前述交通场景及前述驾驶者状态信息,从预先制定的多个行动模式中选择至少一个作为预测行动模式;及,
行动预测部,基于前述预测行动模式,来预测前述第二预测移动状态。
10.根据权利要求1所述的交通安全辅助系统,其包括:
车载装置组,与前述预测对象一起移动;及,
交通管理服务器,能够与前述车载装置组通信;
前述交通管理服务器包括前述移动状态信息获取部、前述周围状态信息获取部、前述驾驶者状态信息获取部、前述第一移动状态预测部、前述第二移动状态预测部、前述碰撞风险计算部及前述辅助控制部,
前述车载装置组包括车载驾驶辅助装置,所述车载驾驶辅助装置自动地控制前述预测对象的行为,
前述辅助控制部执行自动行为控制以作为前述辅助控制,所述自动行为控制是以规避前述预测对象的碰撞或者减轻由碰撞造成的损害的方式,使前述车载驾驶辅助装置运作。
11.一种存储介质,其特征在于,存储针对将在交通区域内移动的移动体作为预测对象,对该预测对象在前述交通区域中的将来进行预测的计算机的计算机程序,并且,
前述计算机程序包括以下步骤:
获取与前述预测对象的移动状态有关的移动状态信息;
获取与前述交通区域中的前述预测对象的周围存在的周围交通参与者的移动状态有关的周围状态信息;
获取与前述预测对象的驾驶者的状态有关的驾驶者状态信息;
基于前述移动状态信息来预测前述预测对象的第一预测移动状态;
基于前述驾驶者状态信息来预测前述预测对象的第二预测移动状态;
基于前述周围状态信息,来计算前述第一预测移动状态下的前述预测对象与前述周围交通参与者之间的第一碰撞风险值、及前述第二预测移动状态下的前述预测对象与前述周围交通参与者之间的第二碰撞风险值;及,
在前述第一碰撞风险值及前述第二碰撞风险值中的至少任一者大于规定的阈值的情况下,执行对前述预测对象的辅助控制。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/936,856 | 2022-09-30 | ||
US17/936,856 US20240112580A1 (en) | 2022-09-30 | 2022-09-30 | Traffic safety support system and storage medium |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117809483A true CN117809483A (zh) | 2024-04-02 |
Family
ID=90432394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311259466.9A Pending CN117809483A (zh) | 2022-09-30 | 2023-09-27 | 交通安全辅助系统及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240112580A1 (zh) |
JP (1) | JP2024052615A (zh) |
CN (1) | CN117809483A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015844B (zh) * | 2024-04-10 | 2024-06-11 | 成都航空职业技术学院 | 一种基于深度学习网络的交通动态控制方法和系统 |
-
2022
- 2022-09-30 US US17/936,856 patent/US20240112580A1/en active Pending
-
2023
- 2023-09-27 CN CN202311259466.9A patent/CN117809483A/zh active Pending
- 2023-09-28 JP JP2023168765A patent/JP2024052615A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240112580A1 (en) | 2024-04-04 |
JP2024052615A (ja) | 2024-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11718329B2 (en) | Automatic driving control device and automatic driving control method, and program | |
CN111361552B (zh) | 自动驾驶系统 | |
CN110023168B (zh) | 车辆控制系统、车辆控制方法及车辆控制程序 | |
JP7195161B2 (ja) | 案内システム、案内方法、およびプログラム | |
US20190039627A1 (en) | Alert control apparatus and alert control method | |
JPWO2019069581A1 (ja) | 画像処理装置及び画像処理方法 | |
CN109841088A (zh) | 车辆驾驶辅助系统及方法 | |
KR20110067359A (ko) | 차량 충돌 방지 장치 및 방법 | |
US10836254B2 (en) | Vehicle control system, vehicle control method, and vehicle control program | |
CN111824126A (zh) | 车辆控制系统 | |
KR102184598B1 (ko) | 자율주행차량의 운전자 응급상황발생판단에 기반한 주행예측 및 안전주행시스템 | |
JP2019079363A (ja) | 車両制御装置 | |
CN117809483A (zh) | 交通安全辅助系统及存储介质 | |
US20220306142A1 (en) | Driving assistance device, driving assistance method, and storage medium | |
US12087165B2 (en) | Moving body prediction device, traffic safety support system, and storage medium | |
CN117809485A (zh) | 移动体预测装置、学习方法、交通安全辅助系统及存储介质 | |
US20230311927A1 (en) | Traffic safety support system | |
US20230326344A1 (en) | Traffic safety support system | |
CN118284914A (zh) | 交通安全辅助系统及交通安全辅助方法 | |
CN116895161A (zh) | 交通安全辅助系统 | |
CN116895183A (zh) | 交通安全辅助系统及其学习方法 | |
EP4355626A1 (en) | Devices and methods for predicting collisions, predicting intersection violations, and/or determining region of interest for object detection in camera images | |
CN117809482A (zh) | 交通安全辅助系统及存储介质 | |
CN116895182A (zh) | 交通安全辅助系统 | |
CN116895176A (zh) | 交通安全辅助系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |