CN117854243A - 用于警告给定路段中易受伤害的道路使用者的警报系统 - Google Patents
用于警告给定路段中易受伤害的道路使用者的警报系统 Download PDFInfo
- Publication number
- CN117854243A CN117854243A CN202311266045.9A CN202311266045A CN117854243A CN 117854243 A CN117854243 A CN 117854243A CN 202311266045 A CN202311266045 A CN 202311266045A CN 117854243 A CN117854243 A CN 117854243A
- Authority
- CN
- China
- Prior art keywords
- road
- prediction
- condition
- prediction module
- designed
- 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
- 230000033001 locomotion Effects 0.000 claims abstract description 43
- 238000004891 communication Methods 0.000 claims abstract description 8
- 230000003247 decreasing effect Effects 0.000 claims abstract description 5
- 230000006378 damage Effects 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 abstract 1
- 208000014674 injury Diseases 0.000 abstract 1
- 238000000034 method Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect 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
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/052—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
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及警告给定路段中易受伤道路使用者的警报系统,包括用于接收路段的检测到的道路使用者的多个运动数据的具有通信接口的接收单元;提供具有预测质量递减的至少三个或更多预测模块的存储单元,如果满足特定第一条件则第一预测模块至少一次预测所述道路使用者位置,如果不满足第一条件而仅满足特定第二条件则第二预测模块至少一次预测所述道路使用者位置,如果不满足第一和第二条件则第三预测模块至少一次预测所述道路使用者位置;提供检查模块,其检查关于路段和道路使用者是否满足第一或第二或第三条件,按质量递减顺序和取决于满足的条件选择预测质量最高的预测模块;提供处理器,其基于所选的预测模块至少预测所述道路使用者未来位置。
Description
技术领域
本发明涉及一种用于警告给定路段中易受伤害的道路使用者的警报系统,该警报系统包括用于接收关于该路段的检测到的道路使用者的多个运动数据的具有通信接口的接收单元。
背景技术
避免碰撞是所有车辆(比如汽车、卡车、摩托车)驾驶员行驶到期望的目的地的基本要求。现有技术已披露借助于传感器(例如车载雷达系统)检测到其他车辆来引起车辆使用者注意到附近存在车辆的做法。然而,这种系统限于识别在传感器范围内(典型地在几个车辆长度内)的其他车辆。
然而,也已经有一些方法涉及用于路段的通用系统,以增加道路网络的安全性。
因此,US 9,659,496 B2披露了一种用于增加道路网络的安全性的方法和系统,该系统包括:交互检测器,该交互检测器具有通信接口,该通信接口用于接收在道路网络中移动的第一辆车和第二辆车的多个监测矢量;
交互风险模块,该交互风险模块被设计为基于多个监测矢量来确定第一车辆与第二车辆之间是否存在交互,其中该交互是在不使用关于在道路网络中第一车辆和第二车辆中的每个车辆的预先规划路线的先验知识的情况下确定的;以及消息生成器,该消息生成器被设计为响应于交互风险模块确定交互而为至少第二车辆生成消息,并且经由通信接口将该消息传输到第二车辆。
发明内容
因此,本发明的目的是规定一种改进的、通用的、独立于车辆的警报系统,该警报系统用于警告给定路段中易受伤害的道路使用者。
这个目的是通过一种用于警告给定路段中易受伤害的道路使用者的警报系统来实现的,
该警报系统包括具有通信接口的接收单元,用于接收关于该路段的检测到的道路使用者的多个运动数据,其中,
提供存储单元,该存储单元具有预测质量递减的至少三个或更多个预测模块,第一预测模块被设计为如果满足特定第一条件则对检测到的道路使用者的位置进行至少一次预测,第二预测模块被设计为如果不满足第一条件而仅满足特定第二条件则对检测到的道路使用者的位置进行至少一次预测,并且第三预测模块被设计为如果不满足第一条件和第二条件则对检测到的道路使用者的位置进行至少一次预测,并且其中,
提供检查模块,该检查模块被设计为检查关于路段和道路使用者是否满足第一条件或第二条件或第三条件,并且按质量递减的顺序并取决于满足的条件来选择具有最高预测质量的预测模块,并且其中,
提供处理器,该处理器被设计为基于所选的预测模块来至少预测检测到的道路使用者的未来位置。
路段可以是当前路段(位置),或者可以将一个路段用作其他路段的代表,例如足够类似的环岛/交叉口等。
在这种情况下,路段可以包括道路网络的各个段、或多个道路。
特别地,第一条件包括第二条件。
在这种背景下,警报系统可以布置在路段中的基础设施元件(例如交通灯)上,或者例如实施在云或边缘云等中。
举例来说,运动数据可以包括由车辆本身记录的传感器数据,例如来自前方周围,或者由记录整个路段的相机系统记录的传感器数据。举例来说,这些相机系统可以布置在交通灯中。借助于传统的提取方法,可以从这些传感器数据中提取道路使用者以及与其相关联的运动数据(轨迹)。在这种背景下,这些传感器数据优选地被实时地传输和评估。例如,可以从提取的传感器数据创建道路使用者的先前短的运动轨迹作为运动数据。
根据本发明,人们认识到,仅使用非常简单的方法对一种状况是否具有潜在危险进行当前评估构成一个重大问题。因此,仅使用道路使用者的当前位置、或者对当前运动矢量/运动轨迹执行简单推断/外推。然而,这导致问题,即在危险状况的情况下,当道路使用者已经(太)接近时才输出警告。然而,这个很晚的警告意味着,道路使用者无法再做出反应、或者仅可以在非常困难的情况下做出反应,从而状况可能变得更加严重(紧急制动、不正确的规避动作)。
作为另一问题,简单且仅仅推断运动矢量进一步只能实现非常不准确的预测。这导致大量不必要触发的警告,可能促使使用者/车辆使用者停用这种警告系统,或者太频繁地不必要地分散车辆使用者对道路交通的注意力,这本身可能造成危险状况。
这些问题现在通过根据本发明的警报系统来纠正。藉由根据本发明的警报系统,可以非常可靠地识别道路使用者的未来位置。结果,随后可以更可靠地识别潜在的危险状况。
因此,提供了具有不同的、递减的预测质量的至少三个预测模块,并且这些预测模块基于当前适用于路段和道路使用者的条件提供了可靠的预测。
在这种背景下,人们认识到,具有不同预测质量的不同预测模块各自要求不同的假设/条件。在这种背景下,递减意味着,第一预测模块具有比第二预测模块更高的预测质量,第二预测模块具有比第三预测模块更高的预测质量。
通过根据本发明的警报系统,始终采用具有最高预测质量的预测模块-在这种情况下为具有第一条件的第一预测模块-并且,如果由于不满足第一条件而无法做到这一点,则采用具有较少条件的预测模块-在这种情况下为具有第二条件的第二预测模块-并且如果第一条件和第二条件都不满足,才采用第三预测模块。取决于这个路段的现存的条件,这始终针对这个路段产生具有最高预测质量的预测。结果,与现有技术相比,可以更准确地且以更大概率预测道路使用者的位置,从而也可以更好地且以更高概率确定未来的危险状况。
在另一实施例中,预测质量至少包括道路使用者的未来位置的发生的概率和/或准确度。如果无法确定发生的概率,则可以大致估算。进一步地,还可以涵盖其他预测质量,比如分辨率和预测时长。特别地,预测模块被设计为在最多5秒的时长内尽可能可靠地预测道路使用者的位置。如果现在以相关联的概率和准确度以例如分辨率为200ms且预测范围为5s已知道路使用者的未来位置,则由此可以更准确且更可靠地确定潜在的未来危险状况。
在另一实施例中,运动数据至少包括在短时间段内(尤其是在截至当前时间的刚刚经过的时间段内)道路使用者的当前和先前位置、速度和方向。在这种情况下,可以借助于布置在车辆上的传感器、无人机、或对应的交通管理系统(例如交通灯)中的相机/传感器来容易和可靠地实时检测传感器数据,并且可以从这些传感器数据中识别运动数据作为提取的道路使用者轨迹。
在另一设计方案中,运动数据包括来自其他数据源的数据,这些数据源用于在相关路段中引导交通。因此,警报系统可以使用其他数据源,只要这些数据源是可用的。因此,例如可以通过使用比如当前和未来交通灯切换等数据来进一步改进运动数据的预测或准确度。
在另一设计方案中,第一预测模块包括针对该路段或足够类似路段的训练的人工神经网络以及针对相关路段的HD(高清晰度)地图作为第一条件,其中第一预测模块被设计为基于训练的人工神经网络使用该道路使用者的运动数据和HD地图来进行针对该路段的第一道路使用者的预测。结果,可以进行非常精确的预测。在这种情况下,HD地图是一种高分辨率、高清晰度的地图,该地图包括当前的现实图像,其包括护栏、树木、沟渠和其他与交通相关的物体,比如人行道和人行横道。
使用HD地图中道路使用者的当前位置,将运动数据输入到训练的人工神经网络中,这提供了关于道路使用者的非常准确的预测。在这种情况下,在这种预测方面的训练的人工神经网络特别是已经借助于历史数据进行训练,使得可以进行准确的预测。
在另一实施例中,仅针对关于特定道路使用者及其未来位置的特殊情况来训练人工神经网络。举例来说,这些特殊情况可以是关于车辆将转弯还是直行的预测。应用于特殊情况的有利之处是训练所需的历史数据较少,因为尤其是针对机器学习方法的应用而言可用的数据量构成限制。
在另一实施例中,第二预测模块包括针对该路段的HD地图作为其第二条件,其中第二预测模块被设计为使用道路使用者的运动数据、基于针对该路段的HD地图来进行关于该路段的道路使用者的预测。
如果针对该路段或类似路段没有可用的人工神经网络,则可以借助于第二预测模块来执行可用的HD地图帮助下的预测。在这种情况下,基于运动数据、也就是说当前和先前的位置以及运动方向,确定可能的未来位置(未来轨迹),例如在车道上/人行道上,并提供概率。为此,假设道路使用者继续运动,以便获得未来位置和未来运动方向。
在这种情况下,在另一实施例中,高精度HD地图至少包括道路、人行道和交通引导元素(比如人行横道)。在这种情况下,高精度HD地图非常准确地(例如以厘米级准确度)对道路网络进行成像。
在另一设计方案中,第三预测模块被设计为基于使用道路使用者的运动数据的推断/外推来进行关于该路段的道路使用者的预测。这相应于对运动矢量/轨迹的简单推断。这尤其也可以用于例如当道路使用者不位于通常使用的路径上的情况,例如当行人在禁止位置横穿道路时。
进一步地,处理器可以被实施为以成对的方式比较关于每个道路使用者的预测,以便确定在对应的时间步长中潜在的危险状况。例如,如果以预测范围为5s且以相关联的概率和准确度已知道路使用者的未来位置,则可以由此计算出潜在的未来危险状况。为此,可以针对未来的每个时间步长以成对的方式比较关于道路使用者的预测。
在另一实施例中,处理器被设计为借助于以下因素中的至少一个来确定状况的危险性:两个道路使用者之间重叠区域的大小和/或基于道路使用者的未来加速和/或基于两个道路使用者之间的未来角度和/或两个道路使用者之间潜在碰撞之前的时间和/或基于道路使用者所使用的车道。
因此,两个道路使用者之间重叠区域越大则表明危险越大。道路使用者之一的未来速度增加也对应于危险更大,尤其是在加速显著的情况下。也可以考虑道路使用者之间的未来角度;因此,直接从后方接近通常意味着危险较低,这是因为可以假设从后方接近的道路使用者注意到前方的车辆。相比之下,在从侧面接近(角度不等于零)或运动方向预期改变的情况下,可以假设危险更大。同样,可以考虑预期碰撞之前的时间;因此,在相对可靠/准确的预测的情况下,碰撞之前更短的时间还意味着更短的反应时间以及因此更大的危险。
同样,可以考虑两个道路使用者所使用的车道;因此,当使用相同的车道时,则倾向于假设危险低,因为自己的车道通常始终在视线内,而在交叉车道的情况下、尤其是如果自行车道和道路交叉,则假设危险更大。
特别地,可以综合考虑这些因素,以便可靠地识别危险状况。
在另一设计方案中,处理器被设计为当确定状况的危险性时考虑将道路使用者的类型作为另一因素。因此,针对两个行人,即使在非常大的重叠情况下,例如在交通灯处,也几乎可以排除危险;然而,如果涉及车辆/卡车,则应假设危险高。
此外,在另一设计方案中,处理器被设计为借助于评估值来评估识别的危险状况。该评估值可以容易地基于识别的上述因素(比如重叠区域的大小等)来确定,即,现在从这些因素来确定关于未来状况有多么危险的评估。
在另一实施例中,处理器被设计为一旦超过关于评估值的给定阈值,就至少向涉及危险状况的道路使用者传输警报。如果超过了某一阈值,则应向所涉及的道路使用者传输警报。特别地,这个警报至少包括消息和评估值。因此,例如,可以在道路使用者的终端上额外地过滤掉所传输的具有低评估值的警报。这使得车辆使用者能够自行影响所显示的警报的数量。因此,愿意承担风险的车辆使用者可以阻止显示就主观而言过多的警报。
附图说明
本发明的其他优点和特性从以下描述中揭示,其中基于附图来对本发明的示例性实施例进行详细解释。附图示意性地示出:
图1:示意性地示出了警报系统,
图2:示出了使用第一预测模块的预测,
图3:示出了使用第二预测模块的预测,
图4:示出了使用第三预测模块的预测。
具体实施方式
图1示意性地示出了警报系统1用于警告给定路段2(图2)中易受伤害的道路使用者。举例来说,警报系统1可以被集成在道路边缘处的基础设施元件(比交通灯)中,或在云或边缘云中。
在这种情况下,警报系统1包括具有通信接口3的接收单元4,用于接收关于路段2的检测到的道路使用者的多个运动数据。这些运动数据可以是呈传感器数据的形式,或者可以从传感器数据中提取,所述传感器数据源自布置在车辆上的激光雷达/雷达和相机系统,或例如源自布置在周围基础设施元件(比如交通灯)中的传感器系统。可以从这些传感器数据中提取道路使用者及其运动数据、特别是运动轨迹。在这种情况下,实时地实现提取和传输。在这种情况下,运动数据至少包括在具有相应时间戳的短时间段内道路使用者的当前和先前位置、速度和方向。
此外,警报系统1可以使用其他数据源,只要这些数据源是可用的。例如,可以通过使用当前和未来交通灯切换的数据来进一步改进运动数据,并且因此也可以之后改进预测。
进一步地,警报系统1包括存储单元10。该存储单元中存储至少三个预测模型5、6、7,其中第一预测模块5具有最高预测质量,第三预测模块7具有最低预测质量。
在这种情况下,三个预测模块5、6、7可以呈软件模块的形式。
进一步地,也可以存储甚至更多的预测模块。
在这种情况下,预测模块5、6、7中的每一个被设计为如果满足与预测模块5、6、7相关联的确定的条件,则对检测到的道路使用者的位置进行预测。现在,针对预测,多个预测模块5、6、7是可用的,这些预测模块具有不同的预测质量,但也要求不同的前提(条件)。
在这种情况下,可以基于分辨率和预测范围、以至少在道路使用者的未来位置方面的相关联概率和准确度来确定预测质量。例如,高预测质量具有高分辨率(例如200ms的分辨率)以及5s的预测范围、具有相关联的概率和对应的准确度。
在这种情况下,第一预测模块5被设计为如果满足确定的第一条件则对检测到的道路使用者的位置进行至少一次预测。
在这种情况下,第一预测模块5要求针对路段2或足够类似路段的训练的人工神经网络8、以及针对相关路段2的HD地图9作为第一条件。这意味着,必须先前已经针对这个路段2提前训练过人工神经网络8,且必须存在HD地图9。在这种情况下,HD地图9是一种高分辨率、高清晰度的地图,该地图至少以高精度方式且以厘米级准确度对道路、人行道和交通引导元素(比如人行横道)进行成像。
在这种情况下,人工神经网络8可以已经使用历史数据进行了训练。
也可以仅针对特殊情况使用第一预测模块5,例如针对关于车辆将转弯还是直行的预测。应用于特殊情况是有利的,这是因为训练所需的历史数据较少,从而节省了时间和成本。
在这种情况下,第二预测模块6被设计为如果不满足第一条件而仅满足确定的第二条件,则对检测到的道路使用者的位置进行至少一次预测。在这种情况下,第二条件相应于针对对应路段2存在HD地图9。在这种情况下,基于当前和先前的位置和运动方向,计算出可能的车道并提供概率。然后,假设道路使用者在发现的车道上继续运动,以获得未来的位置和运动方向。
进一步地,第三预测模块7被设计为基于使用道路使用者的运动数据的推断来进行关于路段2的道路使用者的预测。这也可以在没有HD地图9以及没有人工神经网络7的情况下实现。这相应于对运动矢量/轨迹的简单推断。这尤其也可以用于例如当道路使用者不位于通常使用的路径上的情况,例如当行人在禁止位置处横穿道路时。
进一步地,存在检查模块15,该检查模块被设计为检查关于路段2和道路使用者是否满足第一条件或第二条件或第三条件,并且按质量递减的顺序并取决于满足的条件来选择质量递减顺序的对应的预测模块5、6、7。
因此,检查模块15始终尝试首先使用第一预测模块5,因为该第一预测模块具有最高预测质量,并且如果不满足比如人工神经网络8等第一条件,则随后才采用具有第二条件(在这种情况下是HD地图9)的第二预测模块6。如果针对路段2也没有可用的HD地图9,则采用第三预测模块7。
结果,始终使用具有最高预测质量的预测模块5、6、7,并且只有当因为不满足用于具有最高预测质量的预测模块的条件而无法这样做时,才采用下一较低的预测模块6、7。
在这种情况下,不同的预测模块5、6、7可以用于一种交通状况内的不同道路使用者。
随后,借助于处理器16基于为道路使用者选择的预测模块5、6、7来生成至少对检测到的道路使用者的未来位置的预测。
如果现在通过预测模块5、6、7以相关联的概率和准确度、以例如分辨率为200ms和预测范围为5s已知道路使用者的未来位置,则可以由此通过处理器16来确定潜在的未来危险状况12。为此,通过处理器16针对未来的每个时间步长以成对的方式比较关于道路使用者的预测。
在这种情况下,处理器16可以单独使用但优选组合使用以下因素来确定道路使用者之间的危险状况12:
-道路使用者的计算出的停留区域的重叠的大小。因此,两个道路使用者之间重叠区域越大则表明危险越大;
-相对于估计位置的重叠的位置。因此,越靠近估计位置的中心的重叠则意味着危险更大;
-道路使用者的未来速度;因此,速度越高、特别是明显加速则意味着危险更大;
-道路使用者之间现在的或将来的角度;因此,直接从后方接近通常意味着危险低,因为可以假设从后方接近的道路使用者已经注意到前方的车辆。相比之下,在从侧面接近或运动方向预期改变的情况下,可以假设危险更大;
-对两个道路使用者所使用的车道的考虑;因此,当使用相同的车道时,倾向于假设危险低,因为自己的车道通常始终在视线内,而在交叉车道的情况下、尤其是如果自行车道和道路交叉,则假设危险更大;
-预期碰撞之前的时间;因此,在相对可靠的预测的情况下,碰撞之前更短的时间意味着更短的反应时间以及因此更大的危险;
-相同或不同类型的道路使用者;因此,针对两个行人,即使在非常大的重叠情况下,例如在交通灯处,也几乎可以排除危险;然而,如果涉及车辆/卡车,则应假设危险高。
此外,在另一设计方案中,处理器16被设计为借助于评估值来评估识别的危险状况12。该评估值可以容易地基于识别的上述因素(比如重叠区域的大小等)来确定,即,现在可以从这些因素计算出关于未来状况12有多么危险的评估。
如果超过了某一阈值时,则处理器16将消息以及评估值作为警报传输给所涉及的道路使用者。
因此,可以在道路使用者的终端上鉴于评估值对这些警报进行过滤。例如,可以过滤掉对个别道路使用者而言评估值过低的所有警报。这使道路使用者能够自行影响所显示的警告的数量。因此,愿意承担风险的道路使用者可以避免显示就主观而言过多的警报。
图2示出了使用第一预测模块5的预测。
在这个场景中,从东面驶来的汽车13朝向北转弯,并且在该过程中与同样从东面驶来的骑自行车者14的车道相交。自行车附图标记14和汽车附图标记13代表所涉及的道路使用者的当前位置。
错落的椭圆11代表自行车14和汽车13的预测的停留区域。
在这个示例中,使用历史数据训练人工神经网络8来在这个交叉口根据靠近速度确定车辆/交通工具是直行还是转弯。现在将当前的运动数据输入到如此训练的神经网络8中,该神经网络使用针对这个交叉口的HD地图9来生成关于汽车13和骑自行车者14的预测。
通过利用训练的人工神经网络8并采用HD地图9的第一预测模块5,现在可以提前识别出汽车13将转弯,并因此将出现危险状况12。
通过使用第一预测模块5,可以获得高预测质量,并且相应地,可以获得针对道路使用者的未来位置的可靠预测。因此,可以准确、可靠且还及时地识别危险状况12。
图3示出了使用第二预测模块6对上述场景的预测。在这个场景中,从东面驶来的汽车13朝向北转弯,并且在该过程中与同样从东面驶来的骑自行车者14的车道相交。自行车附图标记14和汽车附图标记13再一次代表所涉及的道路使用者的当前位置。错落的椭圆11再一次代表自行车14和汽车13的预测的停留区域。
在这个示例中,通过第二预测模块6借助于HD地图9进行预测。在这种情况下,这里已经可以预测汽车13可能向右转弯,并且结果可能出现危险状况12。然而,关于这实际是否如此发生存在着不确定性,因为也有可能汽车13将继续其直线行驶。通过使用第二预测模块6,可以获得中等预测质量,并且相应地,获得针对道路使用者的未来位置的中等可靠预测。因此,可以识别危险状况。
图4示出了使用第三预测模块7对上述场景的预测。在这个相同的场景中,从东面驶来的汽车13再次朝向北转弯,并且在该过程中与同样从东面驶来的骑自行车者14的车道相交。自行车附图标记14和汽车附图标记13代表所涉及的道路使用者的当前位置。错落的椭圆11再一次代表自行车14和汽车13的预测的停留区域。
在这个示例中,由第三预测模块7通过对过去和当前的运动矢量/运动数据的推断来进行预测。在此情况下,第三预测模块7未识别出汽车13很快将向右行驶。相应地,不输出警报。
藉由根据本发明的具有预测质量递减的至少三个预测模块的警报系统1,可以通过始终使用尽可能最佳的预测模块5、6、7确定道路使用者的未来位置来更好地识别潜在的危险状况12。
附图标记列表:
1 警报系统
2 路段
3 通信接口
4 接收单元
5 第一预测模块
6 第二预测模块
7 第三预测模块
8 人工神经网络
9 HD地图
10 存储单元
11 错落的椭圆
12 危险状况
13 汽车
14 自行车
15 检查模块
16 处理器
Claims (16)
1.一种用于警告给定路段(2)中易受伤害的道路使用者的警报系统(1),该警报系统包括用于接收关于该路段(2)的检测到的道路使用者的多个运动数据的具有通信接口(3)的接收单元(4),
其中,
提供存储单元(10),该存储单元具有预测质量递减的至少三个或更多个预测模块(5,6,7),该第一预测模块(5)被设计为如果满足特定第一条件则对检测到的道路使用者的位置进行至少一次预测,该第二预测模块(6)被设计为如果不满足第一条件而仅满足特定第二条件则对检测到的道路使用者的位置进行至少一次预测,并且该第三预测模块(7)被设计为如果不满足第一条件和第二条件则对检测到的道路使用者的位置进行至少一次预测,并且其中,
提供检查模块(15),该检查模块被设计为检查关于该路段(2)和该道路使用者是否满足第一条件或第二条件或第三条件,并且按质量递减的顺序并取决于满足的条件来选择具有最高预测质量的该预测模块(5,6,7),并且其中,
提供处理器(16),该处理器被设计为基于所选的预测模块(5,6,7)来至少预测检测到的道路使用者的未来位置。
2.如权利要求1所述的警报系统(1),其中,该预测质量至少包括未来位置的发生的概率和/或准确度。
3.如前述权利要求中任一项所述的警报系统(1),其中,这些运动数据至少包括在短时间段内道路使用者的当前和先前位置、速度和方向。
4.如权利要求3所述的警报系统(1),其中,这些运动数据包括来自其他数据源的数据,这些数据源用于在该相关路段(2)中引导交通。
5.如前述权利要求中任一项所述的警报系统(1),其中,该第一预测模块(5)包括针对该路段(2)或足够类似路段(2)的训练的人工神经网络(8)、以及针对该相关路段(2)的HD地图(9,高清晰度地图)作为第一条件,并且其中,该第一预测模块(5)被设计为基于训练的人工神经网络(8)使用道路使用者的运动数据和该HD地图(9)来进行针对该路段(2)的该道路使用者的预测。
6.如权利要求5所述的警报系统(1),其中,该人工神经网络(8)使用历史数据进行训练。
7.如权利要求5或6所述的警报系统(1),其中,仅针对关于特定道路使用者及其未来位置的特殊情况训练该人工神经网络(8)。
8.如前述权利要求中任一项所述的警报系统(1),其中,该第二预测模块(6)包括针对该路段(2)的HD地图(9)作为其第二条件,其中该第二预测模块(6)被设计为使用道路使用者的运动数据、基于针对该路段(2)的HD地图(9)来进行关于该路段(2)的该道路使用者的预测。
9.如前述权利要求4至8中任一项所述的警报系统(1),其中,该HD地图(9)至少包括道路和人行道、以及交通引导元素。
10.如前述权利要求中任一项所述的警报系统(1),其中,该第三预测模块(7)被设计为基于使用道路使用者的运动数据的推断来进行关于该路段(2)的该道路使用者的预测。
11.如前述权利要求中任一项所述的警报系统(1),其中,该处理器(16)被进一步设计为以成对的方式比较关于每个道路使用者的预测,以便确定在对应的时间步长中潜在的危险状况。
12.如前述权利要求中任一项所述的警报系统(1),其中,该处理器(16)被设计为借助于以下因素中的至少一个来确定状况的危险性:两个道路使用者之间重叠区域的大小和/或基于道路使用者的未来加速和/或基于两个道路使用者之间的未来角度和/或两个道路使用者之间潜在碰撞之前的时间和/或基于这些道路使用者所使用的车道。
13.如权利要求12所述的警报系统(1),其中,该处理器(16)被设计为当确定状况的危险性时考虑将道路使用者的类型作为另一因素。
14.如前述权利要求中任一项所述的警报系统(1),其中,该处理器(16)被设计为借助于评估值来评估识别的危险状况。
15.如权利要求14所述的警报系统(1),其中,该处理器(16)被设计为一旦已经超过关于该评估值的给定阈值,就至少向涉及危险状况的这些道路使用者传输警报。
16.如权利要求15所述的警报系统(1),其中,该警报至少包括通知以及该评估值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022210507.9A DE102022210507A1 (de) | 2022-10-05 | 2022-10-05 | Alarmsystem zur Warnung vulnerabler Verkehrsteilnehmer in einem vorgegebenen Straßenabschnitt |
DE102022210507.9 | 2022-10-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117854243A true CN117854243A (zh) | 2024-04-09 |
Family
ID=88017678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311266045.9A Pending CN117854243A (zh) | 2022-10-05 | 2023-09-28 | 用于警告给定路段中易受伤害的道路使用者的警报系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240119841A1 (zh) |
EP (1) | EP4350657A1 (zh) |
CN (1) | CN117854243A (zh) |
DE (1) | DE102022210507A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102023200085A1 (de) | 2023-01-06 | 2024-07-11 | Continental Automotive Technologies GmbH | Computerimplentiertes verfahren zur optimierung der eigenschaften von kartenausschnitten |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013212359A1 (de) | 2013-06-27 | 2014-12-31 | Bayerische Motoren Werke Aktiengesellschaft | Vorhersage von Fahrpfaden eines Fahrzeugs |
CA3013570C (en) | 2015-02-10 | 2020-01-21 | Ridar Systems LLC | Proximity awareness system for motor vehicles |
DE102016212700A1 (de) | 2016-07-13 | 2018-01-18 | Robert Bosch Gmbh | Verfahren und System zur Steuerung eines Fahrzeugs |
US10565863B1 (en) * | 2019-01-31 | 2020-02-18 | StradVision, Inc. | Method and device for providing advanced pedestrian assistance system to protect pedestrian preoccupied with smartphone |
DE102019215141B4 (de) | 2019-10-01 | 2023-10-12 | Volkswagen Aktiengesellschaft | Verfahren zum Prognostizieren einer zukünftigen Verkehrssituation in einer Umgebung eines Kraftfahrzeugs durch Bestimmen mehrerer in sich konsistenter Gesamtszenarios für unterschiedliche Verkehrsteilnehmer; Kraftfahrzeug |
JP7314902B2 (ja) | 2020-10-29 | 2023-07-26 | トヨタ自動車株式会社 | 車両の制御方法及び制御装置 |
-
2022
- 2022-10-05 DE DE102022210507.9A patent/DE102022210507A1/de active Pending
-
2023
- 2023-09-12 EP EP23196777.9A patent/EP4350657A1/de active Pending
- 2023-09-28 CN CN202311266045.9A patent/CN117854243A/zh active Pending
- 2023-10-05 US US18/481,722 patent/US20240119841A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022210507A1 (de) | 2024-04-11 |
US20240119841A1 (en) | 2024-04-11 |
EP4350657A1 (de) | 2024-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022450B (zh) | 一种基于蜂窝网络的辅助驾驶方法及交通控制单元 | |
KR102628790B1 (ko) | 자율 주행 능력들을 갖는 차량들에 대한 위험 처리 | |
US9280899B2 (en) | Dynamic safety shields for situation assessment and decision making in collision avoidance tasks | |
US11314258B2 (en) | Safety system for a vehicle | |
US11967230B2 (en) | System and method for using V2X and sensor data | |
US10982961B2 (en) | Vehicle control system and vehicle control device | |
EP3091370B1 (en) | Method and arrangement for determining safe vehicle trajectories | |
KR20190133623A (ko) | 적어도 하나의 자동차의 가이드를 지원하기 위한 방법, 보조 시스템 및 자동차 | |
CN110738870A (zh) | 用于避免碰撞路线的系统和方法 | |
JP2016001170A (ja) | 処理装置、処理プログラム、及び、処理方法 | |
JP2016001464A (ja) | 処理装置、処理システム、処理プログラム、及び、処理方法 | |
JP2016001463A (ja) | 処理装置、処理システム、処理プログラム及び処理方法 | |
CN110198875B (zh) | 对驾驶员辅助系统的改进或与之相关的改进 | |
CN113853640B (zh) | 电子控制装置 | |
WO2013170882A1 (en) | Collaborative vehicle detection of objects with a predictive distribution | |
CN107958605B (zh) | 路况信息获取方法 | |
CN113442917B (zh) | 用于宿主机动车辆的警告系统 | |
KR20200095354A (ko) | 극한 상황에서 폴트 톨러런스 및 플럭츄에이션 로버스트한, 자동차간 통신 기반의 협조적인 블라인드 스팟 경보 방법 및 장치 | |
US20210163009A1 (en) | Method and device for assisting a driver in a vehicle | |
CN110660271B (zh) | 在更大距离上识别对于行驶重要相关的情况 | |
CN117854243A (zh) | 用于警告给定路段中易受伤害的道路使用者的警报系统 | |
CN117178309A (zh) | 用于创建具有碰撞概率的地图的方法 | |
CN112185170B (zh) | 交通安全提示方法及道路监控设备 | |
CN116834655A (zh) | 危险预警的方法、装置和车辆 | |
CN114889602A (zh) | 用于产生车道变换建议的方法、变道辅助系统以及机动车 |
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 |