DE102020103130A1 - System und verfahren zur radar-kreuzverkehrsverfolgung und manöver-risikoabschätzung - Google Patents

System und verfahren zur radar-kreuzverkehrsverfolgung und manöver-risikoabschätzung Download PDF

Info

Publication number
DE102020103130A1
DE102020103130A1 DE102020103130.0A DE102020103130A DE102020103130A1 DE 102020103130 A1 DE102020103130 A1 DE 102020103130A1 DE 102020103130 A DE102020103130 A DE 102020103130A DE 102020103130 A1 DE102020103130 A1 DE 102020103130A1
Authority
DE
Germany
Prior art keywords
vehicle
processor
candidate
modules
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102020103130.0A
Other languages
English (en)
Inventor
Lawrence A. Bush
Manpreet S. Bajwa
Shuqing Zeng
Rickie A. Sprague
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of DE102020103130A1 publication Critical patent/DE102020103130A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • 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
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4045—Intention, e.g. lane change or imminent movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/583—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets
    • G01S13/584—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of continuous unmodulated waves, amplitude-, frequency-, or phase-modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G01S2013/9323—Alternative operation using light waves

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

Ein System und Verfahren zur Bewertung von Risikomanövern, um eine Wahrnehmung einer Umgebung eines Fahrzeugs und ein Modell zum Entscheidungsverhalten für das Fahrzeug zu erzeugen; ein Sensorsystem, das so eingerichtet ist, dass es den Sensoreingang in der Umgebung zum Filtern von Zielobjekten bereitstellt; ein oder mehrere Module, die so eingerichtet sind, dass sie Zielobjekte abbilden und verfolgen, um aus mehreren Kandidatenerfassungen eine Kandidatenerfassung als das verfolgte Zielobjekt vorzunehmen; Anwendung eines Markov-Zufallsfeld (MRF)-Algorithmus zur Erfassung der aktuellen Situation des Fahrzeugs und zur Vorhersage des Risikos der Ausführung eines geplanten Fahrzeugmanövers bei der wahren Erfassung des dynamisch verfolgten Ziels; Anwendung von Kartierungs-Funktionen auf erfasste Daten der Umgebung zur Konfiguration eines maschinellen Lernmodells des Entscheidungsverhaltens des Fahrzeugs; und Anwendung eines adaptiven Schwellenwerts auf Zellen eines Belegungsrasters zur Darstellung eines Bereichs der Verfolgung von Objekten innerhalb der Fahrzeugumgebung.

Description

  • TECHNISCHES GEBIET
  • Die vorliegende Offenbarung bezieht sich im Allgemeinen auf die Risikoplanung vor der Entscheidung und bezieht sich insbesondere auf Systeme und Verfahren in einem Vehikel zur Erzeugung umfassenderer Darstellungen von Unsicherheitsindikatoren zur Verwendung in der Risikoplanung vor der Entscheidung unter den Bedingungen reduzierter sensibler Informationen.
  • Fahrzeugwahrnehmungssysteme wurden in Fahrzeuge eingeführt, um einem Fahrzeug die Wahrnehmung seiner Umgebung zu ermöglichen und in einigen Fällen eine autonome oder teilautonome Navigation zu ermöglichen. Zu den Sensoren, die in den Wahrnehmungssystemen von Fahrzeugen eingesetzt werden können, gehören Radar, Lidar, Bildsensoren und andere.
  • Obwohl in den letzten Jahren erhebliche Fortschritte bei den Systemen zur Wahrnehmung von Fahrzeugen zu verzeichnen waren, sind diese Systeme in mehrfacher Hinsicht noch verbesserungswürdig. Das heißt, Radare, insbesondere solche, die in der Automobilindustrie eingesetzt werden, können Daten mit erheblichen Unsicherheiten bei der Erfassung, Geschwindigkeit und Position liefern. Das heißt, die Radare können unter Bedingungen arbeiten, bei denen die Radarabtastung weniger Informationen und Ergebnisse liefert, die als Grundlage für weitere Verarbeitungsschritte verhindern oder fehlschlagen, dass die erforderliche Genauigkeit für weitere erforderliche Fahrzeugerfassungsoperationen der Zielobjektverfolgung für Manöverplanungsoperationen erreicht wird.
  • Dementsprechend ist es wünschenswert, verbesserte Systeme, Geräte und Verfahren für die (noch nicht entschiedene) Manöver-Risikoplanung von Fahrzeugen vor der Entscheidung bereitzustellen, indem umfassendere Darstellungen von Unsicherheitsindikatoren aus den Ergebnissen von Radar-Scan-Erfassungen (oder ähnlichem) über das Fahrzeug bereitgestellt werden, was zu einer Verringerung der erfassten Datenmengen führt, die zu unvollständigen Darstellungen der Unsicherheiten führen können, die zur Bestimmung von ManöverRisikoabschätzungen bei Fahrzeugmanövern verwendet werden.
  • Darüber hinaus ergeben sich weitere wünschenswerte Merkmale und Eigenschaften der vorliegenden Erfindung aus der nachfolgenden ausführlichen Beschreibung und den beigefügten Ansprüchen, die in Verbindung mit den beigefügten Zeichnungen und dem vorgenannten technischen Gebiet und Hintergrund genommen werden.
  • BESCHREIBUNG
  • Es werden Systeme und Verfahren für eine verbesserte Darstellung der Unsicherheit bei der Radarerfassung für Manöverrisikoabschätzungen bereitgestellt.
  • In einer Ausführungsform wird ein Risiko-Manöver-Bewertungssystem für die Planung von Manövern mit Unsicherheiten eines Fahrzeugs bereitgestellt. Das System beinhaltet: ein erstes Steuergerät mit einem Prozessor, der so programmiert ist, dass er eine Wahrnehmung einer Umgebung des Fahrzeugs und ein Verhaltensentscheidungsmodell für das Fahrzeug erzeugt, einschließlich der Durchführung einer Berechnung auf der Grundlage eines Sensoreingangs, um als Ausgabe eine Aktionsrisiko-Abbildung und mindestens eine Zielobjektverfolgung für verschiedene Bereiche innerhalb der Umgebung des Fahrzeugs bereitzustellen; ein Sensorsystem, das so eingerichtet ist, dass es den Sensoreingang für den Prozessor bereitstellt, um einen Bereich in der Umgebung des Fahrzeugs zum Filtern von Zielobjekten bereitzustellen; ein oder mehrere Module, die so eingerichtet sind, dass sie durch einen Prozessor Zielobjekte kartieren und verfolgen, um eine Kandidatenerfassung aus mehreren Kandidatenerfassungen einer wahren Kandidatenerfassung als das verfolgte Zielobjekt durchzuführen; ein oder mehrere erste Module, die so eingerichtet sind, dass sie vom Prozessor einen Markov-Zufallsfeld (MRF)-Algorithmus zur Erfassung einer aktuellen Situation des Fahrzeugs in der Umgebung anwenden und ein Ausführungsrisiko eines geplanten Fahrzeugmanövers bei der wahren Erfassung des dynamisch verfolgten Ziels vorhersagen; ein oder mehrere zweite Module, die so eingerichtet sind, dass sie vom Prozessor Kartierung-Funktionen auf erfasste Daten der Umgebung anwenden, um ein maschinelles Lernmodell des Entscheidungsverhaltens des Fahrzeugs zu konfigurieren; ein oder mehrere dritte Module, die so eingerichtet sind, dass sie durch den Prozessor einen adaptiven Schwellenwert auf Zellen eines Belegungsrasters anwenden, das zur Darstellung eines Bereichs der Verfolgung von Objekten innerhalb der Fahrzeugumgebung eingerichtet ist; und ein zweites Steuergerät mit einem Prozessor, der so eingerichtet ist, dass er Steuerbefehle in Übereinstimmung mit dem Modell des Entscheidungsverhaltens und der Wahrnehmung der Umgebung des Fahrzeugs für geplante Fahrzeugmanöver erzeugt.
  • In verschiedenen exemplarischen Ausführungsformen umfasst das System außerdem: ein oder mehrere erste Module, die so programmiert sind, dass sie ein Markov-Zufallsfeld (MRF) zur Erfassung der aktuellen Situation erzeugen. Das System umfasst ferner: das zweite und/oder dritte Modul, das so eingerichtet ist, dass es als wahre Erfassung mindestens eine Kandidatenerfassung auswählt, die sich innerhalb eines Radius um das Ziel befindet, und eine Kandidatenerfassung, die einem ersten bekannten Kartierungspfad am nächsten liegt. Das System umfasst ferner: das eine oder mehrere des zweiten und/oder dritten Moduls, das bzw. die weiter eingerichtet ist bzw. sind, um als wahre Erfassung den Kandidaten auszuwählen, der eine Position und Geschwindigkeit anzeigt, die mit einem Ziel konsistent sind, das sich auf einem zweiten bekannten, abgebildeten Weg bewegt, und eine Auswahl als falsche Erfassung, den Kandidaten, der eine Position anzeigt, die außerhalb des zweiten bekannten Weges liegt oder die Geschwindigkeit nicht mit dem Ziel übereinstimmt, das sich bewegt.
  • Das System umfasst ferner: ein viertes Modul, das so eingerichtet ist, dass es durch eine Gating-Operation eine Entfernungsmetrik von der letzten Position eines verfolgten Zielobjekts zu einer vorhergesagten Position berechnet, die kleiner als eine Schwellenentfernung ist, die sich auf eine oder mehrere der Kandidatenerfassungen bezieht. Das System umfasst ferner: ein oder mehrere fünfte Module, die so eingerichtet sind, dass sie durch den Prozessor den Markov-Zufallsfeld (MRF)-Algorithmus anwenden, der das verfolgte Zielobjekt in einer oder mehreren Zellen eines Belegungsgitters darstellt, indem: eine Objektmessungsdichte für jedes verfolgte Zielobjekt berechnet wird, das in der einen oder den mehreren Zellen des Belegungsgitters dargestellt wird; die Dichte über ein Fenster verteilt wird, das den Zellsatz des Belegungsgitters enthält, der durch das verfolgte Zielobjekt dargestellt wird; die Geschwindigkeiten über das Fenster verteilt werden, das denselben Zellsatz des Belegungsgitters enthält, der durch das verfolgte Zielobjekt dargestellt wird.
  • Das System umfasst ferner: ein oder mehrere sechste Module, die so eingerichtet sind, dass sie vom Prozessor Abbildungsfunktionen auf erfasste Daten der Umgebung anwenden, um ein maschinelles Lernmodell (ML-Modell) des Entscheidungsverhaltens des Fahrzeugs durch ein Aktionsrisikobewertungsmodell zu konfigurieren, das mit halb überwachten maschinellen Lerntechniken durch Online- und Offline-Training für die Abbildung der Funktion auf mögliche Aktionen trainiert wird, um mit Risikofaktoren einen erlernten fahrbaren Weg zu bestimmen. Das System umfasst ferner: ein siebtes Modul, das so eingerichtet ist, dass es durch einen Prozessor im Offline-Training des ML-Modells ausgeführt wird, einschließlich: Sammeln von Etiketten, Co-Sammeln von Belegungsgeschwindigkeitsgittern, Extrahieren von Merkmalen aus den Belegungsgittern und Anwenden von mindestens Support-Vector-Machine-Techniken (SVM) zur Erfassung von Klassenmustern der Kandidatenaktionen, um mit Risikofaktoren den erlernten fahrbaren Weg zu bestimmen.
  • Das System umfasst ferner: ein achtes Modul eingerichtet, um, durch den Prozessor, Anwendung adaptiver Schwelle zu Zellen eines Belegungsrasters eingerichtet für die Darstellung Bereich der Verfolgung von Objekten in der Fahrzeugumgebung einschließlich: ein neuntes Modul, das so eingerichtet ist, dass es durch den Prozessor anhand einer adaptiven Schwellenbelegungsdichte die Wahrscheinlichkeit berechnet, dass eine Kandidatenaktion für das Zielverfolgungsobjekt auf der Grundlage der berechneten Dichteverteilung verfügbar ist, und die Kandidatenaktion auswählt, die die höchste Wahrscheinlichkeit hat, verfügbar zu sein; und ein zehntes Modul, das so eingerichtet ist, dass es durch den Prozessor eine Gruppierung für Geschwindigkeitscluster für einen Satz von Kandidatenaktionen berechnet, um das Zielverfolgungsobjekt auszuwählen, das eine Position anzeigt, die mit einem erlernten fahrbaren Weg konsistent ist. Das ML-Modell wird unter Verwendung von Verstärkungs-Lerntechniken unter Verwendung eines Datensatzes von in der Vergangenheit gesammelten Etiketten und Sensordaten von befahrbaren Wegen trainiert, und wobei das acht Modul so eingerichtet ist, dass es die Kandidatenaktion auswählt, die wahrscheinlich zu einem der befahrbaren Wege beitragen wird, wobei die Sensordaten mindestens eines der folgenden Elemente enthalten: Radar-, Akustik-, Lidar- oder Bildsensordaten.
  • In einer anderen beispielhaften Ausführungsform, einem Fahrzeug, das Folgendes umfasst: einen Sensorerfassungs-Fühler, der eine oder mehrere aus einem Satz umfasst, der Folgendes umfasst: eine Radar-, Akustik-, Lidar- und Bildsensorvorrichtung; ein Risikomanomanöver-Bewertungssystem zur Bewertung eines oder mehrerer Unsicherheitsfaktoren bei geplanten Manövern; und eine Vielzahl von Modulen, die so eingerichtet sind, dass sie durch einen Prozessor eine Wahrnehmung einer Umgebung des Fahrzeugs erzeugen und eine AusgangsZielausgabe zur Verfolgung verschiedener Bereiche innerhalb der Umgebung bereitgestellt wird. Das Fahrzeug umfasst: die Vielzahl der Module einschließlich: ein oder mehrere Module, die so eingerichtet sind, dass sie durch einen Prozessor Zielobjekte abbilden und verfolgen, um eine Kandidatenerfassung aus mehreren Kandidatenerfassungen eines wahren Kandidaten als verfolgtes Zielobjekt vorzunehmen; ein oder mehrere Module, die so eingerichtet sind, dass sie durch den Prozessor einen Markov-Zufallsfeld-Algorithmus (MRF) anwenden, um eine aktuelle Situation des Fahrzeugs in der Umgebung zu erkennen und das Ausführungsrisiko eines geplanten Fahrzeugmanövers bei der wahren Erfassung des dynamisch verfolgten Ziels vorherzusagen; ein oder mehrere Module, die so eingerichtet sind, dass sie durch den Prozessor Abbildungsfunktionen auf erfasste Daten der Umgebung anwenden, um ein maschinelles Lernmodell des Entscheidungsfindungsverhaltens des Fahrzeugs zu konfigurieren; ein oder mehrere Module, die so eingerichtet sind, dass sie durch den Prozessor einen adaptiven Schwellenwert auf Zellen eines Belegungsrasters anwenden, das zur Darstellung von Bereichen der Verfolgung von Objekten innerhalb der Umgebung eingerichtet ist; und eine Steuerung mit einem Prozessor, der so eingerichtet ist, dass er Steuerbefehle in Übereinstimmung mit dem Modell des Entscheidungsverhaltens und der Wahrnehmung der Umgebung des Fahrzeugs für geplante Fahrzeugmanöver erzeugt.
  • In verschiedenen exemplarischen Ausführungsformen werden ein oder mehrere Module so programmiert, dass sie ein Markov-Zufallsfeld (MRF) zur Erfassung der aktuellen Situation erzeugen. Das System umfasst ferner: ein oder mehrere Module, die so eingerichtet sind, dass sie als wahre Erfassung ausgewählt werden, einschließlich: ein erstes Modul, das so eingerichtet ist, dass es als wahre Erfassung die Kandidatenerfassung auswählt, die sich innerhalb eines Radius für das Ziel befindet; und ein zweites Modul, das so eingerichtet ist, dass es als wahre Erfassung die Kandidatenerfassung auswählt, die einem ersten bekannten abgebildeten Pfad am nächsten liegt.
  • Das System umfasst ferner: das eine oder mehrere Module, die ferner so eingerichtet sind, dass sie als die wahre Erfassung auswählen, einschließlich: ein drittes Modul, das so eingerichtet ist, dass es die wahre Erfassung auswählt, den Kandidaten, der eine Position und Geschwindigkeit anzeigt, die mit einem Ziel konsistent sind, das sich auf einem zweiten bekannten Bewegungsabbildungspfad bewegt; und das dritte Modul, das so eingerichtet ist, dass es eine falsche Erfassung auswählt, den Kandidaten, der eine Position anzeigt, die außerhalb des zweiten bekannten Pfads liegt oder die Geschwindigkeit nicht mit der Zielbewegung konsistent ist.
  • Das System umfasst ferner: ein oder mehrere Module, die so eingerichtet sind, dass sie als wahre Erfassung ausgewählt werden können, einschließlich: ein viertes Modul, das so eingerichtet ist, dass es durch eine Gating-Operation eine Entfernungsmetrik von der letzten Position eines verfolgten Zielobjekts zu einer vorhergesagten Position berechnet, die kleiner ist als eine Schwellenentfernung, die sich auf eine oder mehrere der Kandidatenerfassungen bezieht. Das eine oder mehrere Module, die vom Prozessor für die Anwendung des Markov-Zufallsfeld (MRF) Algorithmus eingerichtet werden, der das verfolgte Zielobjekt in einer oder mehreren Zellen eines Belegungsrasters repräsentiert: ein fünftes Modul ist so eingerichtet, dass es eine Objektmessdichte für jedes verfolgte Zielobjekt berechnet, das in einer oder mehreren Zellen des Belegungsgitters dargestellt ist; ein sechstes Modul ist so eingerichtet, dass es die Dichte über ein Fenster verteilt, das den Zellsatz des Belegungsgitters enthält, der durch das verfolgte Zielobjekt dargestellt wird; ein siebtes Modul ist so eingerichtet, dass es die Geschwindigkeiten über das Fenster verteilt, das den gleichen Zellsatz des Belegungsgitters enthält, der durch das verfolgte Zielobjekt dargestellt wird.
  • Das eine oder die mehreren Module, die durch den Prozessor eingerichtet werden, um Abbildungsfunktionen auf erfasste Daten der Umgebung anzuwenden, um ein maschinelles Lern-(ML)-Modell des Entscheidungsverhaltens des Fahrzeugs zu konfigurieren, umfasst ferner: ein achtes Modul, das ein Aktionsrisikobewertungsmodell umfasst, das unter Verwendung halbüberwachter maschineller Lerntechniken durch Online- und Offline-Training für die Abbildung von Funktionen auf mögliche Aktionen trainiert wird, um mit Risikofaktoren einen erlernten fahrbaren Weg zu bestimmen, wobei das achte Modul im Offline-Training des ML-Modells umfasst: Sammeln von Etiketten, Co-Sammlung von Belegungsgeschwindigkeitsgittern, Extrahieren von Merkmalen aus den Belegungsgittern und Anwendung von mindestens Stützvektormaschinen, SVM, -Techniken zur Erfassung von Klassenmustern der Kandidatenaktionen, um mit Risikofaktoren den erlernten fahrbaren Weg zu bestimmen.
  • Das eine oder die mehreren Module zum Anwenden eines adaptiven Schwellwerts auf Zellen eines Belegungsgitters, das zum Darstellen des Bereichs der Verfolgung von Objekten innerhalb der Fahrzeugumgebung eingerichtet ist, umfassend: ein neuntes Modul, das eingerichtet ist, um durch einen adaptiven Schwellwert der Belegungsdichte die Wahrscheinlichkeit zu berechnen, dass eine Kandidatenaktion für das verfolgte Zielobjekt auf der Grundlage der berechneten Dichteverteilung verfügbar ist, und die Kandidatenaktion auszuwählen, die die höchste Wahrscheinlichkeit hat, verfügbar zu sein; und ein zehntes Modul, das eingerichtet ist, um eine Gruppierung für Geschwindigkeitscluster für einen Satz von Kandidatenaktionen zu berechnen, um das verfolgte Zielobjekt auszuwählen, das eine Position anzeigt, die mit einem erlernten fahrbaren Weg konsistent ist. Das ML-Modell wird unter Verwendung von Verstärkungs-Lerntechniken trainiert, wobei ein Datensatz aus früher gesammelten Etiketten und Radardaten von fahrbaren Wegen verwendet wird und wobei das acht Module so eingerichtet ist, dass es die Kandidatenaktion auswählt, die wahrscheinlich zu einem der fahrbaren Wege beitragen wird.
  • In einer weiteren Ausprägung wird ein Planungssystem eines Fahrzeugs zur Verfügung gestellt. Das System umfasst: ein Sensorsystem, das so eingerichtet ist, dass es den Sensoreingang für den Prozessor bereitstellt, um einen Bereich in der Umgebung des Fahrzeugs für die Filterung von Zielobjekten bereitzustellen; und ein nicht vorübergehendes computerlesbares Medium einschließlich: ein erstes Modul, das von einem Prozessor so eingerichtet ist, dass es als wahre Erfassung die Erfassung des Kandidaten auswählt, die innerhalb eines Radius für das Ziel liegt; ein zweites Modul, das von einem Prozessor so eingerichtet ist, dass es als wahre Erfassung die Erfassung des Kandidaten auswählt, die einem ersten bekannten abgebildeten Pfad am nächsten liegt; ein drittes Modul, das so eingerichtet ist, dass es durch einen Prozessor die wahre Erfassung auswählt, den Kandidaten, der eine Position und Geschwindigkeit anzeigt, die mit einem Ziel konsistent sind, das sich auf einem zweiten bekannten, abgebildeten Weg bewegt, und das dritte Modul, das so eingerichtet ist, dass es eine falsche Erfassung auswählt, den Kandidaten, der eine Position anzeigt, die außerhalb des zweiten bekannten Wegs liegt oder die Geschwindigkeit nicht mit dem Ziel übereinstimmt, das sich bewegt; ein viertes Modul, das so eingerichtet ist, dass es durch einen Prozessor durch eine Gating-Operation eine Abstandsmetrik von der letzten Position eines verfolgten Zielobjekts zu einer vorhergesagten Position berechnet, die kleiner als ein Schwellenabstand ist, der sich auf eine oder mehrere der Kandidatenerfassungen bezieht; ein fünftes Modul ist so eingerichtet, dass es durch einen Prozessor eine Objektmessdichte für jedes verfolgte Zielobjekt berechnet, das in der einen oder den mehreren Zellen des Belegungsgitters dargestellt ist; ein sechstes Modul ist so eingerichtet, dass es durch einen Prozessor die Dichte über ein Fenster verteilt, das den Zellsatz des Belegungsgitters enthält, der durch das verfolgte Zielobjekt dargestellt wird; ein siebtes Modul ist so eingerichtet, dass es durch einen Prozessor die Geschwindigkeiten über das Fenster verteilt, das den gleichen Zellsatz des Belegungsgitters enthält, der durch das verfolgte Zielobjekt dargestellt wird; ein achtes Modul, das ein Aktionsrisikobewertungsmodell enthält, das unter Verwendung von halbüberwachten maschinellen Lerntechniken durch Online- und Offline-Training für die Abbildung von Funktionen auf Kandidatenaktionen trainiert wird, um mit Risikofaktoren einen erlernten fahrbaren Weg zu bestimmen, wobei das achte Modul im Offline-Training des ML-Modells so eingerichtet ist, dass es durch einen Prozessor Etiketten sammelt, Belegungsgeschwindigkeitsgitter mitsammelt, Merkmale aus den Belegungsgittern extrahiert und zumindest Supportvektormaschinentechniken (SVM) zur Erfassung von Klassenmustern der Kandidatenaktionen anwendet, um mit Risikofaktoren den erlernten fahrbaren Weg zu bestimmen; ein neuntes Modul, das so eingerichtet ist, dass es durch einen Prozessor anhand einer adaptiven Schwellenwertbelegungsdichte die Wahrscheinlichkeit berechnet, dass eine Kandidatenaktion für das verfolgte Zielobjekt auf der Grundlage der berechneten Dichteverteilung verfügbar ist, und die Kandidatenaktion auswählt, die die höchste Wahrscheinlichkeit hat, verfügbar zu sein; und ein zehntes Modul, das so eingerichtet ist, dass es durch einen Prozessor ein Clustering für Geschwindigkeitscluster für einen Satz von Kandidatenaktionen berechnet, um das zielverfolgte Objekt auszuwählen, das eine Position anzeigt, die mit einem gelernten fahrbaren Weg konsistent ist, wobei das ML-Modell unter Verwendung von Verstärkungslerntechniken unter Verwendung eines Datensatzes von früher gesammelten Etiketten und Radardaten von fahrbaren Wegen trainiert wird und wobei das achte Modul so eingerichtet ist, dass es die Kandidatenaktion auswählt, die wahrscheinlich zu einem der fahrbaren Wege beitragen wird.
  • Figurenliste
  • Die beispielhaften Ausführungsformen werden im Folgenden in Verbindung mit den folgenden Figuren beschrieben, wobei gleichartige Bezugszeichen gleichartige Elemente bezeichnen und wobei
    • 1 zeigt ein Beispielfahrzeug, das ein Modul zur Planung von Radar-Erfassungs-Risikomanövern enthält, das die Unsicherheitsindikatoren aus den erfassten Radardaten in verschiedenen Ausführungsformen genauer darstellt;
    • 2 ist ein funktionales Blockdiagramm, das ein autonomes Antriebssystem (ADS), das einem autonomen Fahrzeug zugeordnet ist, nach verschiedenen Ausführungsformen darstellt;
    • 3 ist ein Blockdiagramm, das ein Beispiel für ein Radar-Erfassungsmodul zur Manöver-Risikoplanung für den Einsatz in einem Fahrzeug nach verschiedenen Ausführungsformen darstellt;
    • 4 ist ein Diagramm, das die Verwendung eines Vorfiltermoduls mit Spuranschnitt zur Auswahl der wahrscheinlicheren wahren Erfassung zwischen mehreren von Radarsensoren empfangenen Radarkandidaten-Erfassungen entsprechend verschiedener Ausführungsformen beispielhaft darstellt;
    • 5 ist ein Diagramm, das beispielhaft die Verwendung eines Markov-Zufallsfeld (MRF)-Moduls zur Erzeugung eines Belief-state-Markov-Modells zur Verfolgung der Unsicherheiten bei Querverkehrs-Erfassungen in Übereinstimmung mit verschiedenen Ausführungsformen zeigt;
    • 6 ist ein Diagramm, das die Verwendung eines Beispiels für ein Aktionsrisikobewertungsmodul veranschaulicht, das durch halb-überwachte Modellierung und Training des maschinellen Lernens (ML) Pfadplandaten verwendet, um die wahrscheinlichere wahre Kandidatenaktion zwischen mehreren Kandidatenaktion-Erfassungen auszuwählen, um fahrbare Wege in Übereinstimmung mit verschiedenen Ausführungsformen vorherzusagen;
    • 7 ist ein Diagramm, das beispielhaft die Verwendung einer beispielhaften Objektextraktion zur Objektverfolgung mit Hilfe von adaptiven Schwellwert-Belegungsrasterdichte-Zellen in Übereinstimmung mit verschiedenen Ausführungsformen zeigt; und
    • 8 ist ein Prozessablaufdiagramm, das einen Beispielprozess zur Manövrierrisikoabschätzung von Unsicherheiten zur Vorhersage von befahrbaren Wegen auf der Basis von mehreren Radarkandidaten-Erfassungen in Übereinstimmung mit verschiedenen Ausführungsformendarstellt.
  • AUSFÜHRLICHE DARSTELLUNG
  • Die folgende ausführliche Beschreibung hat lediglich beispielhaften Charakter und soll die Anwendung und den Gebrauch nicht einschränken. Darüber hinaus besteht nicht die Absicht, sich an eine ausdrückliche oder implizite Theorie zu binden, die im vorhergehenden technischen Bereich, im Hintergrund, in der Zusammenfassung oder in der folgenden detaillierten Beschreibung dargelegt wird. Der Begriff „Modul“ bezieht sich hier auf jede Hardware, Software, Firmware, elektronische Steuerkomponente, Verarbeitungslogik und/oder Prozessorvorrichtung, einzeln oder in beliebiger Kombination, einschließlich, aber nicht beschränkt auf: anwendungsspezifische integrierte Schaltung (ASIC), ein feldprogrammierbares Gate-Array (FPGA), eine elektronische Schaltung, einen Prozessor (gemeinsam, dediziert oder gruppenweise) und Speicher, der ein oder mehrere Software- oder Firmwareprogramme ausführt, eine kombinierte Logikschaltung und/oder andere geeignete Komponenten, die die beschriebene Funktionalität bereitstellen.
  • Ausführungsformen der vorliegenden Offenlegung können hier in Form von funktionalen und/oder logischen Blockkomponenten und verschiedenen Verarbeitungsschritten beschrieben werden. Es ist zu beachten, dass solche Blockkomponenten durch eine beliebige Anzahl von Hardware-, Software- und/oder Firmwarekomponenten realisiert werden können, die so eingerichtet sind, dass sie die spezifizierten Funktionen erfüllen. So kann eine Ausführungsform der vorliegenden Offenlegung verschiedene integrierte Schaltkreisbestandteile verwenden, z.B. Speicherelemente, digitale Signalverarbeitungselemente, Logikelemente, Nachschlagetabellen oder ähnliches, die unter der Kontrolle eines oder mehrerer Mikroprozessoren oder anderer Steuervorrichtungen eine Vielzahl von Funktionen ausführen können. Darüber hinaus werden diejenigen, die sich in der Kunst auskennen, verstehen, dass Ausführungsformen der vorliegenden Offenlegung in Verbindung mit einer beliebigen Anzahl von Systemen praktiziert werden können und dass die hier beschriebenen Systeme lediglich beispielhafte Ausführungsformen der vorliegenden Offenlegung sind.
  • Autonome Fahrzeuge, die in komplexen dynamischen Umgebungen operieren, erfordern Verfahren, die auf unvorhersehbare Situationen verallgemeinern und zeitnah reagieren, um auch in komplexen urbanen Situationen ein Maß an Zuverlässigkeit zu erreichen und sicher zu reagieren. Informierte Entscheidungen erfordern eine genaue Wahrnehmung. Allerdings müssen die aktuellen Computer Vision Systeme noch Fehlerraten erreichen, die für eine autonome Navigation akzeptabel sind. Durch die Kombination von Entscheidungsfindung, Kontrolle und Wahrnehmung mit Techniken des maschinellen Lernens und komplexen Planungs- und Entscheidungsmethoden, wie sie hier beschrieben werden, kann eine praktikable Option sein.
  • Aus Gründen der Kürze werden konventionelle Techniken der Signalverarbeitung, Datenübertragung, Signalisierung, Steuerung, maschinelles Lernen, Radar, Lidar, Bildanalyse und andere funktionale Aspekte der Systeme (und der einzelnen Bedienkomponenten der Systeme) hier nicht im Detail beschrieben. Darüber hinaus sollen die in den verschiedenen Abbildungen gezeigten Verbindungslinien beispielhafte funktionale Zusammenhänge bzw. physikalische Kopplungen zwischen den verschiedenen Elementen darstellen. Es ist zu beachten, dass viele alternative oder zusätzliche funktionale Beziehungen oder physische Verbindungen in einer Ausführungsform der vorliegenden Offenlegung vorhanden sein können.
  • Der hier beschriebene Gegenstand umfasst Geräte, Systeme, Techniken und Artikel für den Betrieb von Manöversteuerungs- und Planungssystemen eines Fahrzeugs. Die beschriebenen Geräte, Systeme, Techniken und Artikel sind mit einem Sensorsystem eines Fahrzeugs sowie einer Steuerung zum Empfang von Eingängen von einer oder mehreren Sensorvorrichtungen des Sensorsystems mit Unsicherheitsgraden zur Verwendung bei der Bestimmung, Planung, Vorhersage und/oder Durchführung von Fahrzeugmanövern in Echtzeit oder in naher Zukunft oder in der Zukunft verbunden. Zu diesem Zweck kann der Regler mindestens einen adaptiven Algorithmus verwenden, der Unsicherheitsindikatoren mit begrenzten verfügbaren Sensordaten und/oder auf a priori Sensordaten verwendet.
  • Die Sensoren können eine Kombination von Sensoren verschiedener Betriebsmodalitäten zur Erfassung einer Vielzahl von Sensordaten enthalten. Die Sensoren können beispielsweise eine oder mehrere Kameras sowie radar- oder laserbasierte Sensoren (z.B. Lidar-Sensoren) umfassen. Das heißt, während die Offenlegung im Detail Radar-basierte Scan-Erfassungen beschreibt, wird in Betracht gezogen, dass die Offenlegung nicht so einschränkend sein sollte und eine Vielzahl von verschiedenen Sensorvorrichtungen, die einzeln oder in Kombination verwendet werden, wie z.B. Sensorvorrichtungen, einschließlich akustische, Lidar-, Bild- und IR-Sensoren, umfassen sollte.
  • Während des Betriebs kann das Sensorsystem Sensordaten sammeln, die von einem Prozessor des Steuergeräts empfangen werden. Der Prozessor kann so programmiert werden, dass er die Sensordaten in ein Wahrnehmungsmodell (d.h. Glauben) mit Unsicherheitsfaktoren über das Fahrzeug und/oder seine Umgebung umwandelt, um entweder eine Entscheidung zu treffen oder ein Manöver vor der Entscheidung zu planen. Zum Beispiel kann der Prozessor bestimmen, wo sich die umgebenden Fahrzeuge in Bezug auf das betreffende Fahrzeug befinden, den Weg der umgebenden Fahrzeuge vorhersagen, den aktuellen Fahrzeugweg bestimmen und verfolgen, Fahrbahnmarkierungen erkennen, Fußgänger und Radfahrer lokalisieren und ihre Bewegungen vorhersagen, und mit Darstellungen von Unsicherheiten der zu treffenden Entscheidungen für zukünftige Fahrzeugmanöver und mehr vorhersagen.
  • In einigen Ausführungsformen erzeugt der Prozessor ein Belegungsraster mit einer Vielzahl von Zellen, die gemeinsam die wahrgenommene Umgebung des Fahrzeugs repräsentieren. Der Prozessor berechnet mindestens ein Wahrnehmungsdatum für die verschiedenen Zellen innerhalb des Belegungsrasters. Das Wahrnehmungsdatum stellt ein wahrgenommenes Element der Fahrzeugumgebung dar. Der Prozessor erzeugt eine Darstellung einer Unsicherheit (d.h. eines Unsicherheitsfaktors) für die verschiedenen Zellen, wobei die Darstellung der Unsicherheit ein Hinweis auf die Unsicherheit des Prozessors über die Wahrnehmung und das zukünftige Manöver, die mit der Zelle verbunden sind, sein kann, als Mittel für eine umfassendere Darstellung und unter Berücksichtigung von Faktoren dieser Unsicherheit. Die Wahrnehmungsdaten und Unsicherheitsfaktoren können aus dem empfangenen Sensorausgang für die Fahrzeugsensoren mit einer oder mehreren Schätzanwendungen wie Bayesian, Markov oder anderen statistischen Algorithmen berechnet werden.
  • Die Wahrnehmung (d.h. die Darstellung der Unsicherheit) sowie die einzelnen Unsicherheitsfaktoren, die in den Zellen des Netzes enthalten sind, können während des Betriebs des Fahrzeugs kontinuierlich aktualisiert werden. Zusätzlich ermittelt der Prozessor die Situationsrelevanz der verschiedenen Zellen innerhalb des Belegungsrasters. Die Relevanz kann auf verschiedene Weise bestimmt werden.
  • Die hier vorgestellten Geräte, Systeme, Verfahren können die Ergebnisse anderer in einem Fahrzeug vorhandener Sensoren (z.B. Kameras, andere Radargeräte) nutzen, um eine vollständigere Darstellung der Unsicherheit zu ermöglichen, um die Risikoindikatoren vor der Entscheidung über das Manöver zu bestimmen, wodurch das Problem der reduzierten Informationen aufgrund der Darstellung bei der Planung des Fahrzeugmanövers vermieden wird.
  • In verschiedenen beispielhaften Ausführungsformen können die Entscheidungsindikatoren noch mit anderen Vorentscheidungsindikatoren kombiniert werden, um eine bessere Planung unter der Unsicherheit zu erreichen.
  • In verschiedenen beispielhaften Ausführungsformen können die beschriebenen Apparate, Systeme, Verfahren kombiniert werden und die Ergebnisse von Back-End-Verarbeitungsmethoden, die Datenprodukte zur Wahrnehmungsfusion liefern, über eine Darstellung verbessern, um eine genauere Manöverplanung unter Unsicherheit zu erreichen.
  • Die hier offengelegten Apparate, Systeme, Verfahren verwenden eine vollständigere Darstellung der Unsicherheit zur Bestimmung von Risikoindikatoren für Vorentscheidungsmanöver, wodurch das Problem der reduzierten Information aufgrund der Darstellung vermieden wird. Darüber hinaus können die Vorentscheidungsindikatoren noch mit anderen multiplen Ansätzen und/oder anderen Vorentscheidungsindikatoren und Planungszielen kombiniert werden, um eine bessere Planung unter Unsicherheit zu erreichen.
  • In verschiedenen Ausführungsformen bietet die vorliegende Offenbarung Apparate, Systeme, Verfahren, mit Hilfe eines Belegungs-Geschwindigkeits-Glaubenszustandsdichte-Gitters und eines Glaubenszustands-Markov-Modells, um die Unsicherheit über die Erfassung und das Bewusstsein des Querverkehrs zu verfolgen.
  • In verschiedenen Ausführungsformen werden in der vorliegenden Offenlegung Apparate, Systeme und Verfahren vorgestellt, die eine überwachte, unbeaufsichtigte und geschätzte Modellierung durchführen, die das Risiko der Durchführung bestimmter Manöver, wie z.B. das Einfädeln in den Verkehr an einer Kreuzung mit und ohne Extraktion herkömmlicher Objektbahnen, lernt und durch verbesserte Unsicherheitsdarstellungen vorhersagt, um Sensordaten mit den Ausgängen anderer Sensoren (z.B. Kameras, Lidars) des Fahrzeugs leicht zu verschmelzen.
  • In verschiedenen Ausführungsformen bietet die vorliegende Offenlegung Apparate, Systeme und Verfahren für Fahrzeugmanöver von: Zusammenführung in den Verkehr, Planung von Zusammenführungsmanövern unter hoher Unsicherheitswahrnehmung, robusterer Umgang mit Unsicherheit, von komplexen (Multimode-) Fahrzeugpräsenz-Verteilungsschätzungen und von der Übermittlung von Informationen höherer Komplexität direkt an diskriminierende Vorentscheidungsdatenprodukte.
  • In verschiedenen Ausführungsformen bietet die vorliegende Offenbarung Apparate, Systeme und Verfahren für Fahrzeugmanöver: von mehreren Ansätzen unterschiedlicher Komplexität, von Verstärkungslernen von Manöverrisiken, von Belegungs-Geschwindigkeitsraster-Markov-Modellverfolgung, von der Verwendung zusätzlicher Sensoren, die vorhanden oder eigenständig sind, und von der Integration mit bestehenden traditionellen Verfolgungs- und Fusionssystemen.
  • In verschiedenen Ausprägungen bietet die vorliegende Offenlegung Apparate, Systeme und Verfahren zur Manöver-Risikoplanung über bestimmte Regionen von Interesse und nur für den aktuellen Glaubenszustand durch einen Blick in den Glaubenszustandsraum, um nur die Glaubenszustände zu bestimmen, die vom aktuellen Zustand aus erreichbar sind.
  • Anstatt die Wahrnehmungsmodule und die Module zur Planung von Risikomanövern getrennt zu halten, wird hier ein alternativer Rahmen beschrieben, um bestimmte Teile des Wahrnehmungsmoduls zu trainieren, um Teilaufgaben aus dem Modul zur Planung von Risikomanövern zu integrieren.
  • 1 zeigt ein Beispielfahrzeug 100, das ein Planungsmodul für die Querverkehrsverfolgung und Manöverrisikoschätzung enthält, um eine umfassendere Darstellung der Unsicherheitsindikatoren 302 (im Folgenden „Manöverrisikoplanungsmodul“) aus den erfassten Daten eines Radarsystems (und/oder anderer Sensoren) zu generieren. Wie in 1 dargestellt, besteht das Fahrzeug 100 in der Regel aus einem Fahrgestell 12, einer Karosserie 14, den Vorderrädern 16 und den Hinterrädern 18. Der Aufbau 14 ist auf dem Fahrgestell 12 angeordnet und umschließt im Wesentlichen Bauteile des Fahrzeugs 100. Der Aufbau 14 und das Fahrgestell 12 können gemeinsam einen Rahmen bilden. Die Räder 16-18 sind jeweils in der Nähe einer Ecke des Aufbaus 14 mit dem Fahrgestell 12 drehgekoppelt.
  • In verschiedenen Ausführungsformen kann das Fahrzeug 100 ein autonomes Fahrzeug oder ein teilautonomes Fahrzeug sein. Ein autonomes Fahrzeug 100 ist zum Beispiel ein Fahrzeug, das automatisch gesteuert wird, um Passagiere von einem Ort zum anderen zu befördern. Das Fahrzeug 100 ist in der abgebildeten Ausführungsform als Pkw dargestellt, es können aber auch andere Fahrzeugtypen wie Motorräder, Lkw, Sport Utility Vehicles (SUVs), Freizeitfahrzeuge (RVs), Wasserfahrzeuge, Flugzeuge etc. eingesetzt werden.
  • Wie gezeigt, umfasst das Fahrzeug 100 im Allgemeinen ein Antriebssystem 20, ein Getriebesystem 22, ein Lenksystem 24, ein Bremssystem 26, ein Sensorsystem 28, ein Aktuatorsystem 30, mindestens einen Datenspeicher 32, mindestens einen Steuergerät 34 und ein Kommunikationssystem 36. Das Antriebssystem 20 kann in verschiedenen Ausführungsformen einen Verbrennungsmotor, eine elektrische Maschine, wie z.B. einen Fahrmotor und/oder einen Brennstoffzellenantrieb umfassen. Das Getriebesystem 22 ist so eingerichtet, dass es die Leistung vom Antriebssystem 20 auf die Fahrzeugräder 16 und 18 entsprechend wählbarer Geschwindigkeitsverhältnisse überträgt. Je nach Ausführung kann das Getriebesystem 22 ein Stufenautomatikgetriebe, ein stufenloses Getriebe oder ein anderes geeignetes Getriebe umfassen.
  • Das Bremssystem 26 ist so eingerichtet, dass es die Fahrzeugräder 16 und 18 mit Bremsmoment versorgt. Das Bremssystem 26 kann in verschiedenen Ausführungsformen Reibungsbremsen, Seilzugbremsen, ein regeneratives Bremssystem, wie z.B. eine elektrische Maschine, und/oder andere geeignete Bremssysteme umfassen.
  • Das Lenksystem 24 beeinflusst eine Stellung der Fahrzeugräder 16 bzw. 18. Obwohl zur Veranschaulichung ein Lenkrad 25 dargestellt wird, kann die Lenkanlage 24 in einigen Ausführungsformen, die im Rahmen dieser Offenlegung in Betracht gezogen werden, kein Lenkrad enthalten.
  • Das Sensorsystem 28 umfasst eine oder mehrere Sensorvorrichtungen 40a-42n, die beobachtbare Bedingungen der Außenumgebung und/oder der Innenumgebung des Fahrzeugs 100 (wie z.B. den Zustand eines oder mehrerer Insassen) erfassen und entsprechende Sensordaten erzeugen. Zu den Sensoreinrichtungen 40a-42n können unter anderem Radare (z.B. mit großer Reichweite, mittlerer Reichweite und kurzer Reichweite), Lidare, globale Positionierungssysteme, optische Kameras (z.B. nach vorn gerichtet, 360°, nach hinten gerichtet, seitlich gerichtet, Stereo usw.), Wärmebildkameras (z.B. Infrarotkameras), Ultraschallsensoren, Odometriesensoren (z.B. Encoder) und/oder andere Sensoren gehören, die in Verbindung mit Systemen und Verfahren in Übereinstimmung mit dem vorliegenden Gegenstand verwendet werden können.
  • Das Aktuatorsystem 30 umfasst eine oder mehrere Aktuatorvorrichtungen 40a-42n, die ein oder mehrere Fahrzeugmerkmale wie z.B. das Antriebssystem 20, das Getriebesystem 22, das Lenksystem 24 und das Bremssystem 26 steuern, aber nicht darauf beschränkt sind. In verschiedenen Ausführungsformen kann Fahrzeug 100 auch nicht in 1 abgebildete Innen- und/oder Außenmerkmale des Fahrzeugs enthalten, wie z.B. verschiedene Türen, einen Kofferraum und Kabinenmerkmale wie Luft, Musik, Beleuchtung, Touchscreen-Display-Komponenten (z.B. in Verbindung mit Navigationssystemen) und ähnliches.
  • Der Datenspeicher 32 speichert Daten für die automatische Steuerung des Fahrzeugs 100. Der Datenspeicher 32 speichert in verschiedenen Ausführungsformen definierte Karten der navigierbaren Umgebung. In verschiedenen Ausführungsformen können die definierten Karten von einem entfernten System vordefiniert und von diesem bezogen werden. Die definierten Karten können z.B. durch das Remote-System zusammengestellt und an das Fahrzeug 100 (drahtlos und/oder kabelgebunden) übermittelt und im Datenspeicher 32 gespeichert werden. Routeninformationen können auch im Datenspeichergerät 32 gespeichert werden - d. h. eine Reihe von Straßenabschnitten (die geografisch mit einer oder mehreren der definierten Karten verknüpft sind), die zusammen eine Route definieren, die der Benutzer nehmen kann, um von einem Startort (z.B. dem aktuellen Standort des Benutzers) zu einem Zielort zu fahren. Wie zu schätzen ist, kann der Datenspeicher 32 Teil des Steuergeräts 34, getrennt vom Steuergerät 34, oder Teil des Steuergeräts 34 und Teil eines separaten Systems sein.
  • Das Steuergerät 34 enthält mindestens einen Prozessor 44 und ein computerlesbares Speichergerät oder Medium 46. Bei dem Prozessor 44 kann es sich um einen beliebigen kundenspezifischen oder handelsüblichen Prozessor, eine Zentraleinheit (CPU), eine Grafikverarbeitungseinheit (GPU), eine anwendungsspezifische integrierte Schaltung (ASIC) (z.B. eine kundenspezifische ASIC, die ein neuronales Netz implementiert), ein Field Programmable Gate Array (FPGA), einen Hilfsprozessor unter mehreren dem Steuergerät 34 zugeordneten Prozessoren, einen Mikroprozessor auf Halbleiterbasis (in Form eines Mikrochips oder Chipsatzes), eine beliebige Kombination davon oder allgemein eine beliebige Vorrichtung zur Ausführung von Befehlen handeln. Das computerlesbare Speichergerät oder der Datenträger 46 kann z.B. flüchtige und nichtflüchtige Speicherung in einem Nur-Lese-Speicher (ROM), einem Direktzugriffsspeicher (RAM) und einem Keep-Alive-Speicher (KAM) umfassen. KAM ist ein persistenter oder nichtflüchtiger Speicher, der zur Speicherung verschiedener Betriebsvariablen bei ausgeschaltetem Prozessor 44 verwendet werden kann. Das computerlesbare Speichergerät oder der computerlesbare Datenträger 46 kann mit einer beliebigen Anzahl bekannter Speichereinrichtungen wie PROMs (programmierbarer Festwertspeicher), EPROMs (elektrisches PROM), EEPROMs (elektrisch löschbares PROM), Flash-Speicher oder anderen elektrischen, magnetischen, optischen oder kombinierten Speichereinrichtungen, die Daten speichern können, von denen einige ausführbare Befehle darstellen, die vom Steuergerät 34 zur Steuerung des Fahrzeugs 100 verwendet werden, realisiert werden. In verschiedenen Ausführungsvarianten ist das Steuergerät 34 so eingerichtet, dass er ein Kartierungs-System implementiert, wie unten im Detail besprochen.
  • Die Anweisungen können ein oder mehrere separate Programme enthalten, von denen jedes eine geordnete Auflistung ausführbarer Anweisungen zur Implementierung logischer Funktionen enthält. Die Befehle, wenn sie vom Prozessor 44 ausgeführt werden, empfangen und verarbeiten Signale (z.B. Sensordaten) vom Sensorsystem 28, führen Logik, Berechnungen, Verfahren und/oder Algorithmen zur automatischen Steuerung der Komponenten des Fahrzeugs 100 aus und erzeugen Steuersignale, die an das Aktuatorsystem 30 übertragen werden, um die Komponenten des Fahrzeugs 100 auf der Grundlage der Logik, Berechnungen, Verfahren und/oder Algorithmen automatisch zu steuern. Obwohl in 1 nur ein Steuergerät 34 dargestellt ist, können Ausführungsformen des Fahrzeugs 100 eine beliebige Anzahl von Steuergeräten 34 enthalten, die über ein beliebiges geeignetes Kommunikationsmedium oder eine Kombination von Kommunikationsmedien kommunizieren und die zusammenarbeiten, um die Sensorsignale zu verarbeiten, Logik, Berechnungen, Verfahren und/oder Algorithmen durchzuführen und Steuersignale zur automatischen Steuerung von Merkmalen des Fahrzeugs 100 zu erzeugen.
  • Das Kommunikationssystem 36 ist so eingerichtet, dass es drahtlos Informationen von und zu anderen Einheiten 48 wie z.B. anderen Fahrzeugen („V2V“-Kommunikation), Infrastruktur („V2I“-Kommunikation), Netzwerken („V2N“-Kommunikation), Fußgängern („V2P“-Kommunikation), entfernten Transportsystemen und/oder Benutzergeräten übermittelt. In einer beispielhaften Ausführungsform ist das Kommunikationssystem 36 ein drahtloses Kommunikationssystem, das so eingerichtet ist, dass es über ein drahtloses lokales Netzwerk (WLAN) unter Verwendung des IEEE 802.11-Standards oder durch zelluläre Datenkommunikation kommuniziert. Zusätzliche oder alternative Kommunikationsmethoden, wie z.B. ein dedizierter Kanal für die Kommunikation über kurze Entfernungen (DSRC), werden jedoch ebenfalls im Rahmen dieser Unterrichtung in Betracht gezogen. DSRC-Kanäle beziehen sich auf einseitige oder zweiseitige drahtlose Kommunikationskanäle mit kurzer bis mittlerer Reichweite, die speziell für den Einsatz im Automobilbereich und eine entsprechende Reihe von Protokollen und Standards entwickelt wurden.
  • Entsprechend verschiedener Ausführungsformen kann der Regler 34 ein autonomes Antriebssystem (ADS) 70 gemäß 2 realisieren. D.h. es können geeignete Soft- und/oder Hardwarekomponenten des Steuergerätes 34 (z.B. Prozessor 44 und rechnerlesbarer Speicher 46) verwendet werden, um ein autonomes Fahrsystem 70 zu realisieren, das in Verbindung mit dem Fahrzeug 100 eingesetzt wird.
  • In verschiedenen Ausführungsformen können die Anweisungen des autonomen Fahrsystems 70 nach Funktion oder System organisiert sein. So kann das autonome Fahrsystem 70, wie in 2 dargestellt, aus einem Wahrnehmungssystem 74, einem Positionierungssystem 76, einem Bahnplanungssystem 78 und einer Fahrzeugsteuerung 80 bestehen. Wie zu schätzen ist, können die Anweisungen in verschiedenen Ausführungsformen in beliebig vielen Systemen (z.B. kombiniert, weiter unterteilt usw.) organisiert werden, da die Offenlegung nicht auf die vorliegenden Beispiele beschränkt ist.
  • Das Wahrnehmungssystem 74 synthetisiert und verarbeitet in verschiedenen Ausprägungen die erfassten Sensordaten und prognostiziert die Anwesenheit, den Standort, die Klassifizierung und/oder den Weg von Objekten und Merkmalen der Umgebung des Fahrzeugs 100. In verschiedenen Ausführungsformen kann das Wahrnehmungssystem 74 Informationen von mehreren Sensoren (z.B. Sensorsystem 28) aufnehmen, einschließlich, aber nicht beschränkt auf Kameras, Lidars, Radars und/oder eine beliebige Anzahl anderer Sensortypen. In verschiedenen Ausführungsformen können die Radarerfassungen ganz oder teilweise in das Wahrnehmungssystem 74 einbezogen werden.
  • Das Positionierungssystem 76 verarbeitet Sensordaten zusammen mit anderen Daten, um eine Position (z.B. eine lokale Position relativ zu einer Karte, eine genaue Position relativ zu einer Fahrspur einer Straße, eine Fahrzeugrichtung usw.) des Fahrzeugs 100 relativ zur Umgebung zu bestimmen. Wie man sich vorstellen kann, kann eine Vielzahl von Techniken eingesetzt werden, um diese Lokalisierung zu erreichen, einschließlich z.B. simultane Lokalisierung und Kartierung (SLAM), Partikelfilter, Kalman-Filter, Bayes'sche Filter und ähnliches.
  • Das Wegplanungssystem 78 verarbeitet die Sensordaten zusammen mit anderen Daten, um einen Weg zu bestimmen, dem das Fahrzeug 100 folgen soll. Die Fahrzeugsteuerung 80 erzeugt Steuersignale zur Steuerung des Fahrzeugs 100 entsprechend der ermittelten Strecke.
  • In verschiedenen Ausführungsformen implementiert das Steuergerät 34 Techniken des maschinellen Lernens, um die Funktionalität des Steuergeräts 34 zu unterstützen, wie z.B. Merkmals-Erfassung/Klassifizierung, Hindernisminderung, Routenüberquerung, Kartierung, Sensorintegration, Boden-Wahrheitsbestimmung und ähnliches.
  • In verschiedenen Ausführungsformen ist das Positionierungssystem 76 so eingerichtet, dass es ermittelt, wo sich das Fahrzeug 100 innerhalb des Gitters (d.h. des Belegungsrasters) befindet bzw. positioniert, und die dynamischen Objekt-Erfassungen bestimmen, wo sich bewegte Objekte relativ zum Fahrzeug 100 innerhalb des Gitters befinden (nicht dargestellt). Die Sensoreingänge der Sensoren 40a-40n können vom Manöver-Risikoplanungsmodul 302 für die Durchführung dieser Bestimmungen verarbeitet werden. Außerdem kommunizieren in einigen Ausführungsformen das Fahrzeugpositionierungssystem 76 und/oder das Bahnplanungssystem 78 mit den anderen Einheiten, um die relativen Positionen des Fahrzeugs 100 und der umgebenden Fahrzeuge, Fußgänger, Radfahrer und anderer dynamischer Objekte zu bestimmen.
  • Genauer gesagt kann der Sensoreingang des Risikomanöverplanungsmoduls 302 aus Radar- und/oder Laser-(Lidar)-Erfassungen von einem oder mehreren der Sensorgeräte 40a-40n bestehen. Das Manöverrisiko-Planungsmodul 302 kann filtern und bestimmen, welche der Erfassungen dynamische Objekte sind (bewegte Objekte, die sich tatsächlich auf der Straße befinden).
  • Das Manöver-Risikoplanungsmodul 302 kann diese Informationen verarbeiten und ein Markov-Random-Field (MRF) erzeugen (d.h. Markov-Netz, ungerichtetes grafisches Modell usw.), um die Abhängigkeiten darin darzustellen. Mit diesen Informationen und unter Verwendung eines Verstärkungs-Trainingsprozesses kann das Manöver-Risikoplanungsmodul 302 das Risiko bestimmen (d.h. vorhersagen), das mit der Initiierung (d.h. der Ausführung) eines bestimmten Manövers (z.B. einer Rechtskurve in den Querverkehr) verbunden ist.
  • Aus dieser Vorhersagefunktion kann das Manöver-Risikoplanungsmodul 302 den Grad bestimmen, in dem einzelne Zellen die Ausgabe der Risikovorhersage beeinflussen. In einigen Ausführungsformen kann das Manöverrisikoplanungsmodul 302 feststellen, welche der Sensoren 40a-40n den größten Einfluss auf die Manöverrisikovorhersage haben, und diese Sensoren 40a-40n können mit bestimmten Zellen korrelieren. Diejenigen Zellen, die einen höheren Einfluss auf die Risikoprognose haben, werden vom Manöver-Risikoplanungsmodul 302 als relevanter als die anderen identifiziert.
  • 3 ist ein High-Level-Blockdiagramm, das ein Beispielmanöver-Risikoplanungsmodul 302 für die Bereitstellung von Daten zur Bewertung von Handlungsrisiken und zur Extraktion von Objekten zur Verwendung innerhalb von Verhaltens- und Wahrnehmungssystemen eines Fahrzeugs entsprechend einer Ausführungsform darstellt. Das Beispielmanöver-Risikoplanungsmodul 302 ist so eingerichtet, dass es ein oder mehrere Verfolgungs- und Schätzmodule auf eine Vielzahl von Radarscan-Erfassungen von einem Radar 305 (mit n Scans (ΔT)) zur Zielerfassung mit Vorfilterung der erfassten Daten von einem Vorfilterungsmodul 310 anwendet, um ein Belegungsgeschwindigkeits-Glaubenszustandsdichte-Gitter zu konfigurieren.
  • In verschiedenen exemplarischen Ausprägungen ermittelt das Modul Manöverrisikoplanung die Relevanzunsicherheitsindikatoren (d.h. auch Unsicherheitsfaktoren genannt), die für die verschiedenen Bereiche Relevanzunsicherheitsindikatoren enthalten. Dies beinhaltet die Verarbeitung der Sensordaten, um: eine aktuelle Situation des Fahrzeugs zu erkennen und dementsprechend die Unsicherheitsindikatoren für die Bewertung des Risikos der Ausführung eines bestimmten Fahrzeugmanövers vorzuberechnen; bei der Planung vor der Entscheidung den Grad des Einflusses zu bestimmen, den ein bestimmter Unsicherheitsindikator auf die verschiedenen Bereiche auf die Vorhersage hat; und den Manöverrisikoindikator für die verschiedenen Bereiche entsprechend dem ermittelten Grad des Einflusses zu berechnen, einschließlich der Berechnung höherer Niveaus von Manöverrisikoindikatoren für Bereiche mit höheren Einflussgraden. Der Steuerbefehl des AV-Wahrnehmungsmoduls 335 beinhaltet auch die Generierung des Steuerbefehls für das Manöver in Abhängigkeit vom Unsicherheitsindikator und dem Risikorelevanzfaktor des Manövers.
  • Das Manöver-Risikoplanungsmodul 302 ist so programmiert, dass es ein Markov-Zufallsfeld (MRF) aus einem Markov-Random-Field-Modul 315 erzeugt, um die aktuelle Situation zu erkennen und ein Believe-State-Markov-Modell auf bestimmte Unsicherheitsindikatoren über die Zielobjekte (d.h. Querverkehr) aus den über einen vorgegebenen Zeitraum empfangenen Radarscan-Datenerfassungen anzuwenden. Die Vielzahl der Module im Beispielmanöver-Risikoplanungsmodul 302 beinhaltet das Markov-Zufallsfeld (MRF) Modul 315 zur Erfassung der aktuellen Situationen, zur Generierung von Belegungsgeschwindigkeitsrasterdaten und zur Bestückung von Zellen des Belegungsgeschwindigkeitsrasters. Das Action Risk Assessment Modul 320 empfängt Daten in Zellen der Belegungsgeschwindigkeit und generiert Unsicherheitsindikatoren für Aktionen, die den Zellen zur Aktionsrisiko-Abbildung und Vorentscheidung zugeordnet werden. Das Objekt-Extraktionsmodul 325 erzeugt Objektverfolgungen auf der Grundlage von Daten aus Zellen, die im Belegungsgeschwindigkeitsraster für gemeinsame Wahrnehmungsbereiche aus dem Eingang des Radarsensors 305 bestückt sind, um Objektverfolgungsdaten entsprechend den Relevanzunsicherheitsindikatoren für die Vorentscheidungen für verschiedene Bereiche innerhalb der Wahrnehmung zu liefern.
  • Das Beispiel Vorfiltermodul 310 enthält außerdem ein Vorfiltermodul 310, das so eingerichtet ist, dass es ein oder mehrere Kartierungs- und Gating Module auswählt, um zu bestimmen, welche von mehreren Radar-Zielerfassungen eine wahrscheinliche Erfassung ist. Das Beispielmanöver-Risikoplanungsmodul 302 ist weiterhin so eingerichtet, dass es die wahrscheinliche Erfassung ausgibt, die durch das Vorfiltermodul 310 bestimmt wird. Die Radarerfassung für das Manöver-Risikoplanungsmodul 302 kann auf dem Steuergerät 34 von 1 oder auf einem separaten Steuergerät oder auf einer Kombination von Steuergeräten in verschiedenen Ausführungsformen implementiert werden.
  • In 4 führt das Vorfiltermodul 310 Kartenfilterschritte aus den erfassten Daten von Straßendaten und den Straßengeschwindigkeitsdaten der Radarscan-Erfassungen des Radar 305 (mit n Scans (ΔT)) durch, um ein Belegungsgeschwindigkeits-Glaubenszustandsdichte-Gitter zu konfigurieren. Im Kartenabgleichsmodul 410 werden die Scan-Erfassungen zwischen der Sensordomäne und der Map-Domäne abgebildet.
  • Das Beispiel-Kartenabgleichsmodul 410 ist gemäß 4 so eingerichtet, dass es zwischen mehreren falschen/wahren Radarkandidaten die wahrscheinlichere wahre Erfassung von Ziel 421 auswählt, indem es einen Kandidaten auswählt, der einem bekannten Zielpfad am nächsten liegt und weniger als einige maximale Abstands-Schwellenwerte vom Zielpfad entfernt ist. Das Auswahlmodul (Straßengeschwindigkeitsfilter 418) kann das Kartenabgleichsmodul 410 wählen, um die wahrscheinlichere wahre Erfassung von Ziel 421 auszuwählen, wenn eine Karte des Gebiets in der Nähe des Fahrzeugs verfügbar ist und/oder alternative Wahr/Falsch-Erfassungsmethoden nicht verfügbar sind.
  • Das Beispiel-Kartenabgleichsmodul 410 ist so eingerichtet, dass die Position einer Straße auf einer Gebietskarte verwendet wird, um die Kenntnis gültiger Zielpositionen zu erhalten, wenn eine Gebietskarte vorhanden ist. Das Beispiel-Kartenabgleichsmodul 410 ist ebenfalls so eingerichtet, dass es aus Kameradaten, Bahnplandaten, Kartendaten (z.B. aus Fahrspur, Bordstein-Erfassung, Zielschleifen) auf eine gültige Zielposition schließen kann. Das Beispiel-Kartenabgleichsmodul 410 ist so eingerichtet, dass es die Kandidatenerfassung auswählt, die einem bekannten Zielpfad (z.B. der Straßenmitte) am nächsten liegt und weniger als eine maximale Schwellenentfernung (die aus einer berechneten Funktion von Winkel und Entfernung vom Host zum Zielpunkt bestimmt wird) vom Zielpfad (d.h. der Mittellinie der Straße) entfernt ist. Die Karte kann eine detaillierte, bereits vorhandene Karte sein oder ein grober Kartenausschnitt, der aus den Erfassungsergebnissen eines bildgebenden Gerätes, wie z.B. einer Kamera, abgeleitet wurde.
  • Nach Erhalt der Straßendaten und einer Geschwindigkeitsabschätzung des Fahrzeugs und der beweglichen Ziele, kann die Kartenanpassung auf die Zielposition angewendet werden, eine Messung der Entfernung zwischen den projizierten Punkten (d.h. den wahren beweglichen Zielen), P1, P2, P3 in einem Radiusbereich, der durch einen Kreis 412 von jedem der Punkte P1 bis P3 definiert ist. Eine Bestimmung von Zielpunkten (in diesem Fall P1 bis P3), die innerhalb eines Kartenabgleichsbereichs durch das Vorfiltermodul 310 von Falsch-Erfassungen 415 und wahren Erfassungen 420 erkannt werden, basierend auf der erwarteten Geschwindigkeit, der Richtung des bewegten Ziels und den Annahmen der Fahrt um die Fahrbahnmitte. Das heißt, das Vorfiltermodul berechnet die scheinbar statische Reichweite des Ziels und die gemessene Geschwindigkeit des Ziels auf der Straße, um die Bestimmungen einer falschen Erfassung 415 oder einer wahren Erfassung 420 zu machen.
  • Die beispielhaften Falsch-Erfassungen und wahren Erfassungen auf dem Kartenmodul 308 sind, zu diskreten Zeitpunkten, so eingerichtet: (a) die scheinbare statische Entfernungsrate (srr) jedes Ziels berechnen; (b) die Straßengeschwindigkeit jedes Ziels unter der Annahme berechnen, dass sich das Ziel auf der Straße bewegt; und (c) Kandidatendetektionen herausfiltern (z.B. zurückweisen), die nicht mit einem auf der Straße fahrenden Ziel übereinstimmen. In diesem Beispiel ist die Zielscheibe 416 zu diesem Zeitpunkt nicht auf der Straße positioniert und die zugehörige Kandidatenerfassung wird herausgefiltert. Im Beispiel ist die Zielvorgabe 421 in diesem Fall in einer Fahrspur auf der Straße positioniert, ihre Fahrtrichtung stimmt mit der Fahrtrichtung der Fahrspur überein, und ihre Geschwindigkeit stimmt mit dem Geschwindigkeitslimit für die Fahrspur überein. Folglich wird die mit dem Ziel 421 verbundene Kandidatenerfassung in diesem Fall nicht herausgefiltert.
    Nach dieser Bestimmung, der vorhergesagten Position durch das Strecken-Taktmodul 425 (oder Ladungs-Takt) der empfangenen Messdaten, wird eine vorhergesagte Position basierend auf der letzten Position berechnet.
    Das Beispielmodul 425 ist so eingerichtet, dass es zwischen mehreren unsicheren Kandidatenerfassungen im Kreis 412 die wahrscheinlichere wahre Erfassung auswählt, indem es einen Kandidaten auswählt, der einer vorhergesagten Zielposition am nächsten liegt, als wahre Radardetektion. Das Kartenabgleichsmodul 410 kann das Strecken-Taktmodul 425 wählen, wenn für ein Ziel bereits Radarspuren existieren und/oder alternative Verfolgungs- und Schätzmethoden nicht verfügbar sind.
  • Das Beispielmodul 425 ist so eingerichtet, dass es (a) für jede vorhandene Radarspur eine Entfernungsmetrik zu jeder wahren Kandidatenerfassung (d.h. P1, P2, P3) berechnet; (b) eine nächste Position einer Zielposition unter Verwendung eines Vorhersagefilters (z.B. eines Kalman-Filters) vorhersagt; und (c) die wahren Kandidatenerfassungen (d.h. Ziel 421) auswählt, die der vorhergesagten nächsten Position am nächsten liegt und weniger als einen Schwellenabstand von der vorhergesagten nächsten Position entfernt ist. Die Entfernungsmetrik kann die euklidische Distanz oder die Mahalanobis-Distanz beinhalten, ist aber nicht darauf beschränkt; letztere kann mit der Kenntnis der vorhergesagten Positionskovarianz, die von einem Kalman-Filter erhalten wird, berechnet werden.
  • In einem Beispiel kann das Strecken-Taktmodul 425 einen Kandidaten auswählen, der einer vorhergesagten Zielposition 401 für eine Radarerfassung am nächsten kommt, indem es für jede vorhandene Radarspur eine Entfernungsmetrik von der letzten Position 403 eines verfolgten Ziels bis zu jeder Kandidatenerfassung berechnet; ein Kalman-Filter zur Vorhersage der nächsten Position des verfolgten Ziels anwendet und die vorhergesagte nächste Position in die Messebene umrechnet (z.B. für lineare KF, y- = HFx̂); Berechnung der quadrierten Mahalanobis-Distanz d k 2 = ( y − ) T S − 1 y −  wo S = R + HP − H T
    Figure DE102020103130A1_0001
    für die Erfassung von Kandidaten k ∈ {1,2, ...} (kann alternativ den euklidischen Abstand verwenden); und, für jede vorhandene Radarspur 411, das Gating der Kandidaten-Erfassung, mit dem Wissen, dass d k 2
    Figure DE102020103130A1_0002
    ist chiquadratisch verteilt, um eine Schwelle zu wählen T prozentual P (z.B. 95%), und die damit verbundene Erfassung k mit der Bahn, wenn d k 2 < T .
    Figure DE102020103130A1_0003
    Für den Fall, dass mehrere unsichere Detektionen innerhalb des Gates 405 liegen, wird die Detektion mit der kürzesten Mahalanobis-Distanz gewählt.
  • Das Beispielmodul 425 ist so eingerichtet, dass es auf einen Prädiktionsfilter (z.B. einen Kalmanfilter) zugreift, um eine vorhergesagte Position 401 für ein Ziel basierend auf der letzten Position 403 für das Ziel zu erhalten. Unter Verwendung der vorhergesagten Position 401 wird das Beispiel-Strecken-Taktmodul 425 so eingerichtet, dass es einen Gatebereich 405 identifiziert (z.B. ein Gate anlegen), der innerhalb eines Schwellenabstands von der nächsten vorhergesagten Position 401 entfernt ist. Das Beispielmodul 425 ist so eingerichtet, dass es die wahrscheinliche wahre Erfassung auswählt, indem es die nächstgelegene wahre Kandidatenerfassung (z.B. Kandidatenerfassung für Ziel 421), die sich innerhalb der Gate-Region 405 befindet, als wahrscheinliche wahre Erfassung auswählt.
  • 5 zeigt ein Diagramm des Markov-Zufallsfeld (MRF)-Moduls zur Erfassung der aktuellen Situation und zur Anwendung eines Believe State Markov-Modells auf bestimmte Unsicherheitsindikatoren über die Zielobjekte (d.h. Querverkehr) aus den Radarscan-Datenerfassungen, die über einen vorgegebenen Zeitraum empfangen wurden, entsprechend einer Ausführungsform. Das Modul MRF 315 (d.h. Markov-Netz, ungerichtetes grafisches Modell, etc.) zur Darstellung der Abhängigkeiten für die Unsicherheitsindikatoren für die Vorentscheidungsplanung. Mit diesen Informationen und unter Verwendung eines Verstärkungs-Trainingsprozesses kann das Manöver-Risikoplanungsmodul 302 das Risiko bestimmen (d.h. vorhersagen), das mit der Initiierung (d.h. der Ausführung) eines bestimmten Manövers (z.B. einer Links- oder Rechtskurve in den Querverkehr) verbunden ist.
  • In 5 erhält das Markov-Zufallsfeld (MRF) Modul 315 gefilterte statische und dynamische Ziele, die durch Clustering zu dynamischen Objekten geclustert wurden und das Modul 505 (aus 5) zur Erfassung der aktuellen Situationen, zur Erzeugung von Belegungsgeschwindigkeitsrasterdaten und zur Bestückung von Zellen des Belegungsgeschwindigkeitsrasters. Das MRK-Modul 315 in einem Messraster-Aggregationsmodul 510 füllt ein Messraster mit dynamischen Objekten aus dem Clustering-Schritt. Das Messgitter-Aggregationsmodul 510 durchläuft eine Rückkopplungsschleife von Verarbeitungsschritten, um jede verfügbare Zelle des Gitters schrittweise zu füllen, bis die gesamte Pipeline jedes empfangenen dynamischen Objekts erschöpft ist oder das Gitter als ausreichend gefüllt (d.h. gemäß einer vorgegebenen Zeitspanne) oder bis zur Fertigstellung angesehen wird. Die zyklischen Verarbeitungsschritte für jedes dynamische Objekt umfassen die Berechnung der Objektmessdichte 515, die Verteilung der Dichte über die 2D-Zellenfenster 520, die Verteilung der Geschwindigkeiten über die gleichen 2D-Zellenfenster 525 und die Addition der berechneten Streudichten und Geschwindigkeiten jedes Objekts zum Gitter 530 und die Wiederholung des Zyklus bis zum Abschluss, bis das Gitter voll ist oder bis es als ausreichend vollständig erachtet wird. Nachdem die dynamischen Objekte in das Raster eingefügt wurden, werden die Dichten durch eine Rechenfunktion über das Modul 540 summiert. Anschließend werden die Geschwindigkeiten über die Zellen des Zellenfensters durch eine Rechenfunktion gemittelt oder mit Faktoren gewichtet durch ein gewichtetes Durchschnittsgeschwindigkeitsmodul 545 für Dichte-Geschwindigkeits-Messgitterdarstellungen.
  • In verschiedenen exemplarischen Ausführungsformen wird für jedes dynamische Objekt ein Bayes'sches Update 550 für die beispielhafte Dichte- und Geschwindigkeitsmodellierung auf dem Messaggregationsraster bereitgestellt. Das Bayes'sche Update 550 enthält die Aktualisierungsgeschwindigkeit basierend auf der Bayes'schen Belegungsgewichtung 560 aus der Eingabe einer Aktualisierungsbelegungswahrscheinlichkeiten Modul 555 Berechnung In einigen Ausführungsformen berechnet das MRF-Modul 315 die Unsicherheitsangaben für die Zellen 552) mit einem oder mehreren Bayes'schen Algorithmen. Die Berechnungen werden verwendet, um für verschiedene Zellen 552 den erwarteten Fehler (d.h. den Informationsgewinn) zu quantifizieren, der als wahre Belegung (Ø ∈ {0,1}), abzüglich eines Schätzwertes (p) zum Quadrat, multipliziert mit der Wahrscheinlichkeit in Bezug auf die Belegung. In diesem Zusammenhang werden Belegungsraster-Algorithmen verwendet, um approximative Nachschätzungen für diese Zufallsvariablen zu berechnen. Anders ausgedrückt, der erwartete Vorhersagefehler (d. h. der Unsicherheitsfaktor), der vom Modul 555 für jede Rasterzelle durch das Update der Belegungswahrscheinlichkeiten des Rasters berechnet wird, kann gemäß der folgenden Gleichung (1) berechnet werden: E [ ( 0 − p ) 2 ] = ∑ 0 ∈ { 0,1   } ( 0 − p ) 2 P ( 0 ) = ( 0 − p ) 2 ( 1 − p ) + ( 1 − p ) 2 p = p ( 1 − p )
    Figure DE102020103130A1_0004
    wobei Ø die tatsächliche Belegung, p die Schätzung und P die Wahrscheinlichkeit darstellt. Zusätzlich kann eine Bayes'sche Aktualisierung 550 für eine gegebene Zelle 552 gemäß der folgenden Gleichung (2) durchgeführt werden: p Post = ( 1 − a ) ( n − k ) a k p ( 1 − a ) ( n − k ) a k p + ( 1 − b ) ( n − k ) b k ( 1 − p )
    Figure DE102020103130A1_0005
    wobei n die Anzahl der Beobachtungen an einer gegebenen Zelle, k die Anzahl der Detektionen, a die Detektionen (P), b den Fehlalarm (P) und p die Belegung (P) darstellt.
  • Dementsprechend kann das Wahrnehmungsmodul 335 (von 3) für eine gegebene Zelle 552 die Hinterräume nach Gleichung (2) berechnen. Zusätzlich kann das Wahrnehmungsmodul 335 die erwartete zukünftige Unsicherheit für die Zellen 552 zur Verwendung in Risikobewertungen gemäß der folgenden Gleichung (3) berechnen: E [ R M S E ] = p ( 1 − p ) ( a b + ( 1 − a ) ( 1 − b ) ) n
    Figure DE102020103130A1_0006
  • So kann das Wahrnehmungsmodul 335 ein heuristisches Modell erstellen, das zur Kompensation von Unsicherheiten und zur adaptiven Steuerung der Sensoren 40a-42n verwendet werden kann. Für eine bestimmte Zelle 552 innerhalb des Gitters bestimmt das Wahrnehmungsmodul 335, wie viel Unsicherheit sich bei Verwendung eines oder mehrerer Sensoren 40a-42n auf den entsprechenden physikalischen Raum in der durch das Belegungsgitter definierten Umgebung erhöht oder verringert. In einigen Ausführungsformen stützt sich das adaptive Sensorsteuerungssystem 34 auf diese Informationen (Unsicherheitsreduktion in den Zellen 552), wenn es Sensorsteuerungsbefehle an die Sensoren 42a-42n generiert.
  • 6 zeigt ein Schema eines Moduls zur Bewertung des Handlungsrisikos für die Verarbeitung von Daten aus Zellen des Belegungsgeschwindigkeitsrasters entsprechend einer Ausführungsform. In 6 empfängt das Aktionsrisiko-Bewertungsmodul 320 Daten in Zellen der Belegungsgeschwindigkeit und wendet Kartierungs-Funktionen mit Unsicherheitsindikatoren für Kandidatenaktionen zur Verwendung bei der Aktionsrisiko-Abbildung und Vorentscheidung an.
  • Das Beispiel Aktionsrisiko-Bewertungsmodul 320 in 6 ist so eingerichtet, dass es die wahrscheinlichere wahre Kandidatenaktion auswählt, indem es eine Kartierungs-Funktion 610 basierend auf den erfassten Belegungsgeschwindigkeitsdaten 605 aus dem Belegungsgeschwindigkeitsraster 600 anwendet. Jede erfasste Belegungsgeschwindigkeitsdaten 605 von jeder Zelle bei Anwendung einer Kartierungs-Funktion 610 ist in der Lage, mehrere Aktionen Kandidat 620 zu generieren. Mit Hilfe eines trainierten Machine Learning (ML)-Modells 615 mit den Risikovektoren 625 für jede der mehreren Kandidatenaktionen kann das Verhalten von 620 Vorentscheidungsmanövern modelliert werden.
  • So können die Kandidatenaktionen 620 im trainierten ML-Modell 615 beispielsweise gerade, rechte und linke Vorentscheidungsmanöver beinhalten. Das ML-Modell 615 ist so eingerichtet, dass es fahrbare Wege vorhersagt, bestimmt, welcher der Risikovektoren zu den Kandidatenaktionen zur Vorhersage der fahrbaren Wege beiträgt, und Kandidatenaktionen, die zu den fahrbaren Wegen beitragen, als die wahrscheinlicheren wahre Kandidatenaktion auswählt.
  • Außerdem kann das Offline-Halbüberwachungslernen durch ein Beispiel für das Offline-Verstärkungslernen modelliert werden, indem das Offline-Trainingsmodul 640 mit historischen, gespeicherten Daten oder Wolkendaten von Etiketten, die aus einem Video des betreffenden Ortes und den entsprechenden Sensordaten bestehen, zum Aktionsrisiko-Kartierung beiträgt. Das Beispiel Verstärkungslernen Offline-Training Modul 640 beinhaltet ein trainiertes ML-Modell, das darauf trainiert wurde, zukünftige fahrbare Wege durch den Verkehr mit Hilfe von Kandidatenaktion-Erfassungen vorherzusagen. Das Beispiel Verstärkungslernen (Diskriminator) Offline-Modul 640 ist so eingerichtet, dass es Etiketten 645 für die Bestimmung von Manövern wie „Es ist sicher, links abzubiegen?“; um Belegungsraster (MRF) 650 für die Anwendung von Kartierungs-Funktionen 610 zur Offline-Erzeugung von Kandidatenaktionen mit zu sammeln, um Merkmale aus Raster 655 in das trainierte ML-Modell zu extrahieren, um fahrbare Wege vorherzusagen, und um Support-Maschinenvektoren (SVM) und Gauss-Verfahren 660 zur Erfassung von Klassenmustern von Kandidatenaktionen anzuwenden, um zu bestimmen, welche der Kandidatenaktionen zu den fahrbaren Wegen beitragen, und um Kandidatenaktionen, die zu den fahrbaren Wegen beitragen, als die wahrscheinlicheren wahren Kandidatenaktionen für das Senden an das ML-Modell 615 auszuwählen, wodurch gelernte Kartierungs-Funktionen im ML-Modell 615 angewendet werden können. Durch die Anwendung sowohl von Kennzeichnungen als auch von Risikovektorindikatoren kann das Verhaltensmodul 630 Verhaltenskennzeichnungen wie „Ist es sicher, Verhalten B zu tun?“...etc. in Echtzeit sammeln.
  • In verschiedenen beispielhaften Ausführungsformen ein gesammelter, beschrifteter Datensatz aus historischen Radardaten wie Geschwindigkeitsdaten und befahrbaren Wegen, die aus Daten über die zuvor vom Fahrzeug gefahrenen Wege generiert werden können. Die historischen Sensordaten können zum Training mit verstärkten Lerntechniken genutzt werden, das ML-Modell 615 zur Vorhersage von fahrbaren Wegen auf der Basis von Kandidatenaktion-Erfassungen. Nachdem das ML-Modell 615 darauf trainiert wurde, fahrbare Wege auf der Basis von Kandidatenaktion-Erfassungen vorherzusagen, können Echtzeit-Sensordaten auf das ML-Modell angewendet werden.
  • 7 zeigt ein Schema des Moduls für die Extraktion von Objekten zur Erzeugung von Objektspuren für die Vorentscheidung durch das Modul für die Planung von Risikomanövern, entsprechend einer Ausführungsform. Das Objektextraktionsmodul 325 (von 7) erzeugt Objekt-Spuren auf der Grundlage von Daten aus Zellen, die im Belegungsgeschwindigkeitsraster 710 für Wahrnehmungsbereiche bevölkert sind, um Objekt-Spurdaten entsprechend den für verschiedene Bereiche innerhalb eines Wahrnehmungsrasters dargestellten Relevanzunsicherheitsindikatoren zur Veröffentlichung bereitzustellen. Das Belegungsgeschwindigkeitsraster 710 ist mit einem adaptiven Schwellwert der Belegungsdichtezellen 715 eingerichtet, indem die Eingänge des Schwellwertes 718 adaptiv eingerichtet werden, um sicherzustellen, dass die Unsicherheitsindikatoren effektiv in das Belegungsgeschwindigkeitsraster 710 integriert werden. Das heißt, dass Orte mit hoher Wahrscheinlichkeit ein physikalisch basierendes Bottom-up-Clustering 720 verwenden und wo Geschwindigkeitsclusterzentren 725 mit den Objektbahnen 730 assoziiert werden können, so dass Regionen mit hoher Unsicherheit von solchen mit geringer Unsicherheit unterschieden werden können. Der Prozess beinhaltet eine Rückmeldung der zuvor erkannten Geschwindigkeits-Cluster 727 für die Effizienz. Die resultierenden Objekt-Spuren 730 werden in Objekt-Darstellungen für ML-Modelle der Fahrzeugwahrnehmung veröffentlicht.
  • 8 ist ein Prozessablaufdiagramm, das einen Beispielprozess für Manöver-Risikobewertungen mit Unsicherheiten zur Vorhersage von befahrbaren Wegen auf der Basis von mehreren Radarkandidaten-Erfassungen in Übereinstimmung mit verschiedenen Ausführungsformen darstellt.
  • Im Flussdiagramm von 8 werden bei der Aufgabe 810 durch eine Anzahl von Radarscans einer Zeitperiode Sensordaten erzeugt, die zur Verarbeitung für den Empfang aufbereitet werden. Es wird in Betracht gezogen, dass eine Vielzahl von Sensorvorrichtungen, einschließlich Nah- und Fernabstands-, Bild-, Licht-, Akustik- und IR-Sensorvorrichtungen zur Erzeugung der erfassten Datensätze verwendet oder eingebaut werden können, wobei die Offenlegung nicht auf Radardaten beschränkt ist.
  • Als nächstes werden bei der Aufgabe 820 Verarbeitungsschritte zur Abbildung und Verfolgung dynamischer Ziele durchgeführt. Das Vorfiltermodul (d.h. 310 von 4), führt Kartenfilterschritte von erfassten Daten aus Straßendaten und Straßengeschwindigkeitsdaten aus den Radarscan-Erfassungen des Radars (mit n Scans (ΔT)) durch, um ein Belegungsgeschwindigkeits-Glaubenszustandsdichte-Gitter zu konfigurieren, das Regionen von Interesse über das Fahrzeug repräsentiert. Das Beispielmodul für den Kartenabgleich wählt zwischen mehreren falschen/wahren Radarkandidaten die wahrscheinlichste wahre Zielerfassung aus, indem es einen Kandidaten auswählt, der einem bekannten Zielpfad am nächsten liegt und weniger als eine maximale Entfernungsschwelle vom Zielpfad entfernt ist. Das Auswahlmodul kann das Kartenabgleichsmodul für die Auswahl der wahrscheinlicheren wahren Zielerfassung wählen, wenn eine Karte des Gebiets in der Nähe des Fahrzeugs verfügbar ist und/oder wechselnde Wahr/Falsch-Erfassungsmethoden nicht verfügbar sind. Das Beispiel-Kartenabgleichsmodul nutzt die Position einer Straße auf einer Gebietskarte, um die Kenntnis gültiger Zielpositionen zu erlangen, wenn eine Gebietskarte vorhanden ist. Das Beispiel-Kartenabgleichsmodul ist auch so eingerichtet, dass es aus Kameradaten, Bahnplandaten, Kartendaten (z.B. aus Fahrspur, Bordstein-Erfassung, Zielschienen) auf eine gültige Zielposition schließen kann. Das Beispielmodul für den Kartenabgleich ist so eingerichtet, dass es die Kandidatenerfassung auswählt, die einem bekannten Zielpfad (z.B. der Straßenmitte) am nächsten liegt und weniger als eine maximale Schwellenentfernung (die aus einer berechneten Funktion des Winkels und der Entfernung vom Host zum Zielpunkt bestimmt wird) vom Zielpfad (d. h. der Mittellinie der Straße) entfernt ist. Die Karte kann eine detaillierte, bereits vorhandene Karte sein oder ein grober Kartenausschnitt, der aus den Erfassungsergebnissen eines bildgebenden Gerätes, wie z.B. einer Kamera, abgeleitet wurde.
  • In Aufgabe 830 wird der MRK-Algorithmus zur Erzeugung eines gitterbasierten dynamischen Modells verwendet, um Unsicherheitsindikatoren über die Zielobjekte (d.h. Querverkehr) zu bestimmen. Die MRF (d.h. 315 von 5) bestimmt (d.h. sagt voraus) das Risiko, das mit der Einleitung (d.h. Ausführung) eines bestimmten Manövers (z.B. einer Links- oder Rechtskurve in den Querverkehr) verbunden ist. Die Verarbeitungsschritte umfassen das Modul Markov-Zufallsfeld (MRF), das gefilterte statische und dynamische Targets zur Erfassung der aktuellen Situationen, zur Erzeugung von Belegungsgeschwindigkeitsgitterdaten und zur Bestückung von Zellen des Belegungsgeschwindigkeitsgitters empfängt; die Anwendung eines Messraster-Aggregationsmoduls zum Ausfüllen eines Messrasters mit dynamischen Objekten aus dem Clustering-Schritt. Eine Rückkopplungsschleife von Verarbeitungsschritten, um jede verfügbare Zelle des Gitters schrittweise zu füllen, bis die gesamte Pipeline jedes empfangenen dynamischen Objekts erschöpft ist oder das Gitter als ausreichend gefüllt angesehen wird (d.h. in Übereinstimmung mit einer vorgeschriebenen Zeitspanne) oder bis zur Fertigstellung. Die zyklischen Verarbeitungsschritte für jedes dynamische Objekt umfassen die Berechnung der Objektmessungsdichte, die Verteilung der Dichte über 2D-Zellenfenster, die Verteilung der Geschwindigkeiten über dieselben 2D-Zellenfenster und die Addition der berechneten Streudichten und Geschwindigkeiten jedes Objekts zum Gitter und die Wiederholung des Zyklus bis zum Abschluss, bis das Gitter voll ist oder bis es als ausreichend vollständig erachtet wird. Nachdem die dynamischen Objekte zum Gitter hinzugefügt wurden, werden die Dichten summiert und die Geschwindigkeiten über die Zellen gemittelt oder mit Faktoren gewichtet, um die Darstellung der Dichte-Geschwindigkeits-Messgitter zu ermöglichen. Außerdem wird ein Bayes'sches Update für die Beispielmodellierung der Dichte und Geschwindigkeit angeboten, das die Aktualisierung der Geschwindigkeiten auf der Basis der Bayes'schen Belegungsgewichtung beinhaltet.
  • Bei der Aufgabe 840 wird eine Handlungsrisikoabschätzung unter Verwendung eines halbbetreuten ML-Modelltrainings mit Offline-Training durchgeführt. Das Beispiel-Aktionsrisikobewertungsmodul wählt die wahrscheinlicheren wahren Kandidatenaktionen aus, indem es eine Abbildungs-Funktion auf der Grundlage der erfassten Belegungsgeschwindigkeitsdaten anwendet und dann ein trainiertes maschinelles Lernmodell (ML) mit Risikovektoren für jede der mehreren Kandidatenaktionen anwendet, so dass das Verhalten vor der Entscheidung über das Manöver modelliert werden kann. Die Kandidatenaktionen können beispielsweise gerade, rechte und linke Vorentscheidungsmanöver in das trainierte ML-Modell einbauen. Das ML-Modell prognostiziert fahrbare Wege, bestimmt, welcher der Risikovektoren zu den Kandidatenaktionen beiträgt, um die fahrbaren Wege vorherzusagen, und wählt die Kandidatenaktion, die zu den fahrbaren Wegen beitragen, als die wahrscheinlichere wahre Kandidatenaktion für die Verhaltensmodellierung 850 aus.
  • Außerdem werden Aufgaben, bei 840, die sich auf das Offline-Semi-supervised Re-enforcement Learning beziehen, durch ein Beispiel für ein Offline-Verstärkungslemen modelliert, das mit historischen, gespeicherten Daten oder Wolkendaten von Etiketten, die ein zusammenhängendes Video der betreffenden Lokalität und entsprechende Sensordaten bilden, zur Aktionsrisiko-Abbildung beiträgt. Das beispielhafte. Offline-Verstärkungslernen trainierte ML-Modell sagt zukünftige fahrbare Wege durch den Verkehr voraus, indem Kandidatenaktion-Erfassungen verwendet werden, indem Etiketten zur Bestimmung von Manövern wie „es ist sicher, links abzubiegen?“ gesammelt werden; Co-Sammlung von Belegungsrastern (MRF) zur Anwendung von Kartierungs-Funktionen, um Kandidatenaktionen offline zu generieren, Extraktion von Merkmalen aus Rastern zum Training des ML-Modells, um fahrbare Wege vorherzusagen, und schließlich Anwendung von Support-Maschinen-Vektoren (SVM) und Gauß-Prozess zur Erfassung von Klassenmustern von Kandidatenaktionen, um zu bestimmen, welche der Kandidatenaktionen zu den fahrbaren Wegen für die Verhaltensmodellierung 850 beitragen.
  • In der Aufgabe 845 werden die Verarbeitungsschritte zur Objektextraktion mit adaptiver Schwelle der Belegungsrasterdichten für objektbasierte Darstellungen durchgeführt. Das Objektextraktionsmodul (d.h. 325 von 7) führt Verarbeitungsschritte zur Erzeugung von Objektverfolgungsspuren auf der Grundlage von Daten aus Zellen durch, die im Belegungsgeschwindigkeitsraster für Wahrnehmungsbereiche aus den erfassten Daten bestückt sind, um Objektverfolgungsdaten entsprechend den für verschiedene Bereiche innerhalb eines Wahrnehmungsrasters dargestellten Relevanzunsicherheitsindikatoren zur Veröffentlichung bereitzustellen. Mit anderen Worten, es wird ein gewisser Einfluss der verschiedenen Bereiche durch die Dichten des Belegungsrasters bestimmt. Das Belegungsgeschwindigkeitsraster wird mit einem adaptiven Schwellwert der Belegungsdichtezellen eingerichtet, indem Schwellwerteingänge empfangen werden, um die Schwellwertbelegungszellendichten adaptiv zu konfigurieren, um sicherzustellen, dass die Unsicherheitsindikatoren effektiv in das Belegungsgeschwindigkeitsraster integriert werden. Das heißt, dass Orte mit hoher Wahrscheinlichkeit eine physikalisch basierte Bottom-Up-Clusterbildung verwenden und wo Geschwindigkeitsclusterzentren mit Objektbahnen assoziiert werden können, so dass Regionen mit hoher Unsicherheit von solchen mit geringer Unsicherheit unterschieden werden können. Der Prozess beinhaltet eine Rückmeldung der zuvor erkannten Geschwindigkeits-Cluster für die Effizienz. Die aus den Verarbeitungsschritten resultierenden Objektspuren werden in Objektdarstellungen für ML-Modelle der Fahrzeugwahrnehmung 855 veröffentlicht.
  • Obwohl in der vorstehenden detaillierten Beschreibung mindestens eine beispielhafte Ausführungsform vorgestellt wurde, sollte man sich bewusst sein, dass es eine große Anzahl von Variationen gibt. Es sollte auch anerkannt werden, dass die beispielhafte Ausführungsform oder die beispielhaften Ausführungsformen nur Beispiele sind und nicht darauf abzielen, den Umfang, die Anwendbarkeit oder die Konfiguration der Offenlegung in irgendeiner Weise einzuschränken. Vielmehr wird die vorstehende detaillierte Beschreibung den Fachleuten einen praktischen Fahrplan für die Umsetzung der beispielhaften Ausführungsform bzw. der beispielhaften Ausführungsformen liefern. Es können verschiedene Änderungen in der Funktion und Anordnung der Elemente vorgenommen werden, ohne dass der Umfang der Offenlegung, wie er in den beigefügten Ansprüchen und deren rechtlichen Äquivalenten festgelegt ist, beeinträchtigt wird.
  • Die hier beschriebenen Geräte, Systeme, Verfahren, Techniken und Gegenstände können z.B. auf andere Messsysteme als Radarsysteme (z.B. Lidar-, Akustik- oder Bildsysteme) angewandt werden. Die hier beschriebenen Geräte, Systeme, Verfahren, Techniken und Artikel können auf Geschwindigkeitsmesssensoren wie z.B. Laser- oder lichtbasierte Geschwindigkeitsmesssensoren angewendet werden.

Claims (10)

  1. Ein System zur Bewertung von Risikomanövern für die Planung von Manövern mit Unsicherheiten eines Fahrzeugs, umfassend: ein erstes Steuergerät mit einem Prozessor, der programmiert ist, eine Wahrnehmung einer Umgebung des Fahrzeugs und ein Modell zum Entscheidungsverhalten für das Fahrzeug zu erzeugen, einschließlich dem Durchführen einer Berechnung auf der Grundlage eines Sensoreingangs, um als Ausgabe eine Aktionsrisiko-Abbildung und mindestens eine Zielobjektverfolgung für verschiedene Bereiche innerhalb der Umgebung des Fahrzeugs bereitzustellen; ein Sensorsystem, das eingerichtet ist, den Sensoreingang für den Prozessor bereitzustellen, um einen Bereich in der Umgebung des Fahrzeugs zum Filtern von Zielobjekten bereitzustellen; ein oder mehrere Module, die eingerichtet sind, über einen Prozessor, Zielobjekte abzubilden und zu verfolgen, um aus mehreren Kandidatenerfassungen eine wahre Kandidatenerfassung als verfolgtes Zielobjekt vorzunehmen; ein oder mehrere erste Module, die eingerichtet sind, über den Prozessor, einen Markov-Zufallsfeld, MRF, -Algorithmus zum Erkennen einer aktuellen Situation des Fahrzeugs in der Umgebung anzuwenden und ein Ausführungsrisiko eines geplanten Fahrzeugmanövers bei der wahren Erfassung des dynamisch verfolgten Ziels vorhersagen; ein oder mehrere zweite Module, die eingerichtet sind, über den Prozessor, Kartierungs-Funktionen auf die erfassten Daten der Umgebung anzuwenden, um ein maschinelles Lernmodell des Entscheidungsverhaltens des Fahrzeugs zu konfigurieren; ein oder mehrere dritte Module, die eingerichtet sind, über den Prozessor, einen adaptiven Schwellenwert auf Zellen eines Belegungsgitters anzuwenden, das zur Darstellung eines Bereichs der Verfolgung von Objekten innerhalb der Fahrzeugumgebung eingerichtet ist, und ein zweites Steuergerät mit einem Prozessor, der eingerichtet ist, Steuerbefehle entsprechend des Modells zum Entscheidungsverhalten und der Wahrnehmung der Umgebung des Fahrzeugs für geplante Fahrzeugmanöver zu erzeugen.
  2. Das System nach Anspruch 1, ferner umfassend: das eine oder mehrere erste Module, derart programmiert, um ein Markov-Zufallsfeld, MRF, zu erzeugen, um die aktuellen Situation zu erkennen.
  3. Das System nach Anspruch 1, ferner umfassend: das eine oder mehrere der zweiten und/oder dritten Module, die ferner eingerichtet sind, eine der Kandidatenerfassungen, die sich innerhalb eines Radius um das Ziel befindet, und/oder eine Kandidatenerfassung, die einem ersten bekannten kartierten Pfad am nächsten kommt, als wahre Erfassung auszuwählen.
  4. Das System nach Anspruch 3, ferner umfassend: das eine oder mehrere der zweiten und/oder dritten Module, die ferner eingerichtet sind, den Kandidaten, der eine Position und Geschwindigkeit anzeigt, die mit einem Ziel konsistent ist, das sich auf einem zweiten bekannten, kartierten Weg bewegt, als die wahre Erfassung auszuwählen, und den Kandidaten, der eine Position außerhalb des zweiten bekannten Pfades anzeigt oder die Geschwindigkeit nicht mit der Zielbewegung übereinstimmt, als falsche Erfassung auszuwählen.
  5. Das System nach Anspruch 4, ferner umfassend: ein viertes Modul, das eingerichtet ist, durch eine Gating-Operation eine Abstandsmetrik von der letzten Position eines verfolgten Zielobjekts zu einer vorhergesagten Position zu berechnen, die kleiner ist als ein Schwellenabstand, der sich auf eine oder mehrere der Kandidatenerfassungen bezieht.
  6. Das System nach Anspruch 5, ferner umfassend: ein oder mehrere fünfte Module, die eingerichtet sind, über den Prozessor, den Markov-Zufallsfeld, MRF,-Algorithmus anwenden, der das verfolgte Zielobjekt in einer oder mehreren Zellen eines Belegungsrasters repräsentiert: Berechnen einer Objektmessdichte für jedes verfolgte Zielobjekt, das in einer oder mehreren Zellen des Belegungsrasters dargestellt ist; Verteilen der Dichte über ein Fenster, das den Zellsatz des Belegungsgitters umfasst, der durch das verfolgte Zielobjekt dargestellt ist; und Verteilen von Geschwindigkeiten über das Fenster, das den gleichen Zellsatz des Belegungsgitters umfasst, der durch das verfolgte Zielobjekt repräsentiert ist.
  7. Das System nach Anspruch 6, ferner umfassend: ein oder mehrere sechste Module, die eingerichtet sind, über den Prozessor, Abbildungs-Funktionen auf erfasste Daten der Umgebung anzuwenden, um ein maschinelles Lernmodell, ML, des Entscheidungsverhaltens des Fahrzeugs durch ein Aktionsrisikobewertungsmodell zu konfigurieren, das mit halb überwachten maschinellen Lerntechniken durch Online- und Offline-Training für die Abbildung der Funktion zu den Kandidatenaktionen trainiert wird, um mit den Risikofaktoren einen erlernten fahrbaren Weg zu bestimmen.
  8. Das System nach Anspruch 7, ferner umfassend: ein siebtes Modul, das eingerichtet ist, über einen Prozessor, beim Offline-Training des ML-Modells, auszuführen, umfassend: Sammeln von Etiketten, Mit-Sammeln von Belegungsgeschwindigkeitsgittern, Extrahieren von Merkmalen aus den Belegungsgittern, und Anwenden von mindestens Stützvektormaschinen, SVM, -Techniken zum Erkennen von Klassenmustern der Kandidatenaktionen, um mit Risikofaktoren den erlernten fahrbaren Weg zu bestimmen.
  9. Das System nach Anspruch 8, ferner umfassend ein achtes Modul, das eingerichtet ist, über den Prozessor, einen adaptiven Schwellenwert auf Zellen eines Belegungsrasters anzuwenden, das eingerichtet ist, den Bereich der Verfolgung von Objekten innerhalb der Fahrzeugumgebung darzustellen, umfassend: ein neuntes Modul, das eingerichtet ist, über den Prozessor, anhand einer adaptiven Schwellenwertbelegungsdichte die Wahrscheinlichkeit zu berechnen, dass eine Kandidatenaktion für das verfolgte Zielobjekt basierend auf der berechneten Dichteverteilung verfügbar ist, und die Kandidatenaktion auswählt, die die höchste Wahrscheinlichkeit hat, verfügbar zu sein; und ein zehntes Modul, das eingerichtet ist, über den Prozessor, ein Clustering für Geschwindigkeits-Cluster für einen Satz von Kandidatenaktionen zu berechnen, um das verfolgte Zielobjekt auszuwählen, das eine Position anzeigt, die mit einem erlernten fahrbaren Weg konsistent ist.
  10. Ein Fahrzeug, umfassend: einen Sensorerfassungs-Fühler, der eine oder mehrere aus einem Satz enthält, der Folgendes umfasst: eine Radar-, Akustik-, Lidar- und Bild-Fühler; ein System zur Bewertung von Risikomanövern zum Bewerten eines oder mehrerer Unsicherheitsfaktoren bei geplanten Manövern; und eine Vielzahl von Modulen, die eingerichtet sind, über einen Prozessor, eine Wahrnehmung einer Umgebung des Fahrzeugs und eine Ausgangszielausgabe zum Verfolgen verschiedener Bereiche innerhalb der Umgebung zu erzeugen; wobei die Vielzahl von Modulen umfasst: ein oder mehrere Module, die eingerichtet sind, über den Prozessor, Zielobjekte abzubilden und zu verfolgen, um aus mehreren Kandidatenerfassungen eine wahre Kandidatenerfassung als verfolgtes Zielobjekt vorzunehmen; ein oder mehrere Module, die eingerichtet sind, über den Prozessor, einen Markov-Zufallsfeld, MRF, -Algorithmus anzuwenden, um eine aktuelle Situation des Fahrzeugs in der Umgebung zu erkennen und das Ausführungsrisiko eines geplanten Fahrzeugmanövers bei der wahren Erfassung des dynamisch verfolgten Ziels vorherzusagen; ein oder mehrere Module, die eingerichtet, über den Prozessor, Abbildungs-Funktionen auf erfasste Daten der Umgebung anzuwenden, um ein maschinelles Lernmodell des Entscheidungsverhaltens des Fahrzeugs zu konfigurieren; ein oder mehrere Module, die eingerichtet sind, über den Prozessor, einen adaptiven Schwellenwert auf Zellen eines Belegungsrasters anzuwenden, das zur Darstellung von Bereichen der Verfolgung von Objekten innerhalb der Umgebung eingerichtet ist; und ein Steuergerät mit einem Prozessor, der eingerichtet, Steuerbefehle in Übereinstimmung mit dem Modell des Entscheidungsverhaltens und der Wahrnehmung der Umgebung des Fahrzeugs für geplante Fahrzeugmanöver zu erzeugen.
DE102020103130.0A 2019-03-25 2020-02-07 System und verfahren zur radar-kreuzverkehrsverfolgung und manöver-risikoabschätzung Pending DE102020103130A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/362,889 2019-03-25
US16/362,889 US11155258B2 (en) 2019-03-25 2019-03-25 System and method for radar cross traffic tracking and maneuver risk estimation

Publications (1)

Publication Number Publication Date
DE102020103130A1 true DE102020103130A1 (de) 2020-10-01

Family

ID=72606845

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020103130.0A Pending DE102020103130A1 (de) 2019-03-25 2020-02-07 System und verfahren zur radar-kreuzverkehrsverfolgung und manöver-risikoabschätzung

Country Status (3)

Country Link
US (1) US11155258B2 (de)
CN (1) CN111736142A (de)
DE (1) DE102020103130A1 (de)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110068819B (zh) * 2019-03-27 2021-08-31 东软睿驰汽车技术（沈阳）有限公司 一种提取障碍物位置信息的方法及装置
CN112050829B (zh) * 2019-06-06 2023-04-07 华为技术有限公司 一种运动状态确定方法及装置
US11531100B2 (en) * 2019-06-13 2022-12-20 The Boeing Company Methods and systems for acoustic machine perception for an aircraft
US11531346B2 (en) * 2019-07-05 2022-12-20 Uatc, Llc Goal-directed occupancy prediction for autonomous driving
US11300677B2 (en) * 2019-07-08 2022-04-12 GM Global Technology Operations LLC Automated driving systems and control logic for host vehicle velocity estimation using wide aperture radar
US11663514B1 (en) * 2019-08-30 2023-05-30 Apple Inc. Multimodal input processing system
FR3100200B1 (fr) * 2019-09-03 2022-02-25 Renault Sas Dispositif de commande prédictif du mouvement d’un véhicule automobile
DE102020204592A1 (de) * 2020-04-09 2021-10-14 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und Verfahren zur Verarbeitung von Radardaten und Radarsystem
US11893004B2 (en) * 2020-08-26 2024-02-06 Ford Global Technologies, Llc Anomaly detection in multidimensional sensor data
US20220126865A1 (en) * 2020-10-28 2022-04-28 Toyota Research Institute, Inc. Layered architecture for availability of advanced driver assistance features
CN112329145B (zh) * 2020-11-05 2022-06-17 武汉理工大学 一种综合评估自主船动力系统可靠性的方法
US20210101620A1 (en) * 2020-12-17 2021-04-08 Intel Corporation Systems, methods, and devices for generating and using safety threat maps
US20220261008A1 (en) * 2021-02-16 2022-08-18 Sony Group Corporation Circuitry and method
CN112969141B (zh) * 2021-02-26 2022-10-25 北京邮电大学 一种通信感知一体化非正交多址随机接入通信方法及装置
CN115031981A (zh) * 2021-03-04 2022-09-09 华为技术有限公司 一种车辆、传感器的仿真方法及装置
CN113034645B (zh) * 2021-03-23 2021-09-03 中国地质科学院地质力学研究所 一种岩性填图的方法、装置和存储介质
TWI813971B (zh) * 2021-03-24 2023-09-01 國立中央大學 個人化道路風險預測系統、方法與使用者設備
US11904892B2 (en) * 2021-03-31 2024-02-20 Gm Cruise Holdings Llc Machine learning algorithm predicton of movements of simulated objects by using a velocity grid created in a simulation
US11801865B2 (en) * 2021-03-31 2023-10-31 Gm Cruise Holdings Llc Object tracking by generating velocity grids
EP4082862A1 (de) * 2021-04-29 2022-11-02 Zenseact AB Plattform zur entwicklung eines wegplanungssystems für ein automatisiertes fahrsystem
CN113485338B (zh) * 2021-07-09 2022-11-22 西北工业大学 基于人群交互行为的机器人集群运动控制方法
US20230102443A1 (en) * 2021-09-28 2023-03-30 GM Global Technology Operations LLC Monitoring uncertainty for human-like behavioral modulation of trajectory planning
US20230152791A1 (en) * 2021-11-12 2023-05-18 Nec Laboratories America, Inc. Multi-modality data analysis engine for defect detection
US11675362B1 (en) * 2021-12-17 2023-06-13 Motional Ad Llc Methods and systems for agent prioritization
US20230202469A1 (en) * 2021-12-23 2023-06-29 Baidu Usa Llc Drive with caution under uncertainty for an autonomous driving vehicle
CN116299254B (zh) * 2022-09-07 2023-10-13 无锡国芯微电子系统有限公司 一种被动雷达寻的器的目标跟踪方法
CN115862310B (zh) * 2022-11-30 2023-10-20 东南大学 交通信息不确定环境下网联自动车队稳定性分析方法
CN116453346B (zh) * 2023-06-20 2023-09-19 山东高速信息集团有限公司 一种基于雷视融合布设的车路协同方法、设备及介质
CN116630765B (zh) * 2023-07-24 2023-09-26 济南卓伦智能交通技术有限公司 一种基于多元信息的单车融合感知系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1269445B8 (de) * 2000-02-28 2006-08-23 Calspan Corporation Einrichtung und vorrichtung zur vermeidung von unfällen an kreuzungen
US20030020634A1 (en) * 2001-07-26 2003-01-30 International Business Machines Corporation Method for highway congestion management using dynamic paid upgrade for automobiles to use fast lanes
US8060271B2 (en) * 2008-06-06 2011-11-15 Toyota Motor Engineering & Manufacturing North America, Inc. Detecting principal directions of unknown environments
US8812226B2 (en) * 2009-01-26 2014-08-19 GM Global Technology Operations LLC Multiobject fusion module for collision preparation system
US8509982B2 (en) * 2010-10-05 2013-08-13 Google Inc. Zone driving
JP2013002927A (ja) * 2011-06-15 2013-01-07 Honda Elesys Co Ltd 障害物検知装置及びコンピュータプログラム
US9280899B2 (en) * 2013-08-06 2016-03-08 GM Global Technology Operations LLC Dynamic safety shields for situation assessment and decision making in collision avoidance tasks
US9632502B1 (en) * 2015-11-04 2017-04-25 Zoox, Inc. Machine-learning systems and techniques to optimize teleoperation and/or planner decisions
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
CN106556405A (zh) * 2016-10-28 2017-04-05 南京邮电大学 一种基于智能手机传感器的车道检测方法
US10421460B2 (en) * 2016-11-09 2019-09-24 Baidu Usa Llc Evaluation framework for decision making of autonomous driving vehicle
US10802484B2 (en) * 2016-11-14 2020-10-13 Baidu Usa Llc Planning feedback based decision improvement system for autonomous driving vehicle
KR102199093B1 (ko) * 2017-02-10 2021-01-06 닛산 노쓰 아메리카, 인크. 부분 관측가능한 마르코프 결정 프로세스 모델 인스턴스를 동작시키는 것을 포함하는 자율주행 차량 운용 관리
US10133275B1 (en) * 2017-03-01 2018-11-20 Zoox, Inc. Trajectory generation using temporal logic and tree search
US11367354B2 (en) * 2017-06-22 2022-06-21 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Traffic prediction based on map images for autonomous driving
US20190113920A1 (en) * 2017-10-18 2019-04-18 Luminar Technologies, Inc. Controlling an autonomous vehicle using model predictive control
DE112019000065T5 (de) * 2018-02-02 2020-03-05 Nvidia Corporation Sicherheitsprozeduranalyse zur hindernisvermeidung in einem autonomen fahrzeug

Also Published As

Publication number Publication date
US20200307561A1 (en) 2020-10-01
CN111736142A (zh) 2020-10-02
US11155258B2 (en) 2021-10-26

Similar Documents

Publication Publication Date Title
DE102020103130A1 (de) System und verfahren zur radar-kreuzverkehrsverfolgung und manöver-risikoabschätzung
DE102018120845B4 (de) Verfahren und Vorrichtung zum Überwachen eines autonomen Fahrzeugs
DE102020110458A1 (de) Fahrzeugpfadvorhersage
DE102019114867A1 (de) Autonome fahrentscheidungen an kreuzungen unter verwendung eines hierarchischen optionalen markov-entscheidungsprozesses
DE102018129295A1 (de) Systeme und Verfahren zum Abbilden von Fahrbahnstörobjekten in autonomen Fahrzeugen
DE102019115080A1 (de) Verfahren zum vereindeutigen mehrdeutiger erkennungen in sensorfusionssystemen
DE102019121140A1 (de) Sensorfusion
DE102017204404B3 (de) Verfahren und Vorhersagevorrichtung zum Vorhersagen eines Verhaltens eines Objekts in einer Umgebung eines Kraftfahrzeugs und Kraftfahrzeug
DE102018119764A1 (de) Verfahren und vorrichtung zur erkennung und korrektur von anomalien in einer partizipativen karte
DE102019113389B4 (de) System und verfahren für ein vorhersage-entitätenverhalten
DE102018129063A1 (de) Systeme und verfahren zur freiraum-inferenz zum brechen von geclusterten objekten in fahrzeugwahrnehmungssystemen
DE102019133703A1 (de) Verfahren und systeme zur herstellung und lokalisierung für ein fahrzeug
DE102014223363A1 (de) Verfahren und Vorrichtung zur Lokalisation eines Kraftfahrzeugs in einer ortsfesten Referenzkarte
DE102018129057A1 (de) Systeme und verfahren zum bestimmen der geschwindigkeit von lidar-punkten
DE102020102962A1 (de) Fahrzeugzielverfolgung
DE102020125307A1 (de) Adaptive sensorfusion
DE102020103030A1 (de) Adaptives sensorsystem für fahrzeuge und verfahren zum betreiben desselben
DE102019205008B3 (de) System zur Rückwärtigen Kollisionsvermeidung
DE102019113345A1 (de) Systeme und verfahren zur verwendung des strassenverständnisses zur einschränkung von radarspuren
DE102018130215A1 (de) Verfahren und Vorrichtung zum selektiven Erfassen des Mechanismus in einem fahrzeuggebundenen Massenerfassungsystem
DE102021128041A1 (de) Verbesserung eines neuronalen fahrzeugnetzwerks
DE102021131991A1 (de) Fahrzeugsensorreinigung und -kühlung
DE112021005708T5 (de) Verfahren und Systeme zur Verfolgung einer Fahrspur über die Zeit
DE102019123483B4 (de) Verfahren sowie Kraftfahrzeug-Steuereinheit zum Erfassen einer Umgebung eines Kraftfahrzeugs durch Fusionieren von Sensordaten auf Punktwolkenebene
DE102022108656A1 (de) Neuronales quantilnetz

Legal Events

Date Code Title Description
R012 Request for examination validly filed