JP2019194071A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2019194071A5 JP2019194071A5 JP2019075537A JP2019075537A JP2019194071A5 JP 2019194071 A5 JP2019194071 A5 JP 2019194071A5 JP 2019075537 A JP2019075537 A JP 2019075537A JP 2019075537 A JP2019075537 A JP 2019075537A JP 2019194071 A5 JP2019194071 A5 JP 2019194071A5
- Authority
- JP
- Japan
- Prior art keywords
- merging
- vehicle
- host vehicle
- model
- merge
- 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.)
- Granted
Links
Images
Description
概して、本明細書で開示されるシステム及び方法は、ホスト車両の視点から合流行動を予測するために、ホスト車両及び車両センサからのデータを統合する車両制御に向けられる。ホスト車両は、合流車線から隣接する本線車線に合流する合流車両または合流車両の合流を促進する本線車線にある本線車両であってもよい。合流行動システム及び方法は、円滑な合流支援を提供するために、人間の行動結果に近似する写実的なデータセットに基づいて、合流車両に対する合流位置を予測する。
VCD102はまた、ネットワーク140及び写実的な行動データベース142へのコンピュータ通信のために動作可能に接続される。I/Oインタフェース110からネットワーク140及び写実的な行動データベース142への接続は、様々な方式、例えば、中でも、ネットワーク接続(例えば、有線もしくは無線)、ポータブルデバイスからのセルラデータネットワーク(図示せず)、車両間アドホックネットワーク(図示せず)、車両内ネットワーク(図示せず)、またはそれらのいずれかの組み合わせを通じて促進されてもよいことを理解されよう。一部の実施形態では、写実的な行動データベース142は、車両に搭載されて位置してもよく、例えば、メモリ106及び/またはディスク108に位置してもよい。他の実施形態では、写実的な行動データベース142は、1つ以上の位置に分散されてもよい。
ネットワーク140は、例えば、データネットワーク、インターネット、ワイドエリアネットワーク、またはローカルエリアネットワークである。ネットワーク140は、様々なリモートデバイス(例えば、データベース、ウェブサーバ、リモートサーバ、アプリケーションサーバ、中間サーバ、クライアントマシン、他のポータブルデバイス)への通信媒体としての役割を果たす。一部の実施形態では、写実的な行動データベース142は、ネットワーク140に含まれてもよく、ネットワーク140を通じてVCD102によってアクセスされてもよく、及び/またはネットワーク140が写実的な行動データベース142にアクセスすることができる。よって、一部の実施形態では、VCD102は、ネットワーク140を介して写実的な行動データベース142からデータを取得することができる。
候補因子及びモデル係数は、1つ以上の車両モデルに基づいて選択されたモデルパラメータである。例えば、近接車両がホスト車両に先行するシナリオでは、予測モジュール116は、先行車両モデルを選択する。近接車両がホスト車両に続くシナリオでは、予測モジュール116は、後続車両モデルを選択する。選択された車両モデルに基づいて、異なるモデルパラメータが使用されてもよい。候補因子は、相互の相対的な距離またはそれらの相対的な速さなど、ホスト車両及びの近接車両の特性である。モデル係数は、写実的なデータから推定される。写実的なデータは、ネットワーク140を介して写実的な行動データベース142から受信されてもよい。
写実的なデータは、グローバルデータとして集約することができる、ホスト車両の運転者の監視された行動、特定の車道上の車両の監視された行動、または1つ以上の車道上のいくつかの車両の監視された行動など、ホスト車両からのデータを含んでもよい。例えば、主要幹線道路の進入路は、写実的な行動を判定するために監視されてもよい。監視された行動は、中でも、通行カメラ、車道の捕捉されたビデオ、舗道内センサ、車道上の他の車両からの車両センサなどの車道センサからネットワーク140を介して写実的な行動データベース142によって受信されてもよい。
一部の実施形態では、写実的な行動は、中でも、同一の方向に走行している車線の数(例えば、2車線、4車線、5車線、6車線)、合流車線202の長さ(例えば、短い進入路、長い進入路)、合流の即時性(例えば、緊急の合流またはゆっくりとした合流)、合流車両から合流車線の終わりへの距離、交通渋滞の量など、車道の異なる特徴によって分類されてもよい。写実的なデータは、連邦道路管理局次世代シミュレーション(NGSIM)データセットの形式にあってもよい。選択された車両モデルは、写実的なデータを組み込んで観察可能な合流パターンを数学的に表すために、モデル係数を使用する。
先行車両モデルについての実施例の候補因子xi及びモデル係数biは、ホスト及び近接車両の相対的な動きと共に、受信された写実的なデータに基づいており、以下のようであってもよい。
1つ以上の合流因子の値は、潜在的な合流位置のうちの1つに対応してもよい。1つの実施形態では、潜在的な合流位置の各々は、値の範囲に対応してもよい。1つの実施形態では、値の範囲は、合流閾値に依存する。例えば、予測モジュール116は、範囲のどれが1つ以上の合流因子の値に対応するかに基づいて、潜在的な合流位置から合流位置を予測する。第1の潜在的な合流位置410が0.5以上の合流閾値に対応し、第2の潜在的な合流位置412が0.5未満の合流閾値に対応すると仮定する。合流因子は、確率に対応してもよく、よって、0.5~1の値の範囲にある合流因子は、第1の潜在的な合流位置に対応し、0~0.49の値の範囲にある合流因子は、第2の潜在的な合流位置412に対応する。したがって、合流因子が0.6であるように計算される場合、予測モジュール116は、第1の潜在的な合流位置410を、写実的な人間行動に基づいている可能性が最も高い予測された合流位置として予測する。
予測モジュール116はまた、車両モデルの影響を受けない近接車両の行動を考慮してもよい。後続車両416が本線車両408に近づいており、及び/または合流車両402が先行車両418に近づいていると仮定する。予測モジュール116は、後続車両416に対する本線車両408の速度、または合流車両402が先行車両418に近づいている近接車両の速度などの運転パラメータに基づいて、第1の潜在的な合流位置410または第2の潜在的な合流位置412を選択してもよい。例えば、後続車両416が本線車両408に即時的に近づいており、それによって、第2の潜在的な合流位置412の近くになる場合、予測モジュール116は、第1の潜在的な合流位置410が、写実的な人間行動に基づいて車両の乗員によって選択される可能性が最も高い合流位置であると予測してもよい。
後続車両モデルは、同一または異なる候補因子xn、及びモデル係数βnを使用してもよい。後続車両モデルについての実施例の候補因子xn及びモデル係数βnは、ホスト及び近接車両の相対的な動きと共に、受信された写実的なデータに基づいており、以下のようであってもよい。
後続モデルに従って計算された1つ以上の合流因子に基づいて、予測モジュール116は、上記説明されたのと同様の方式で、第2の潜在的な合流位置412及び第3の潜在的な合流位置414など、近接車両の間からの合流位置を予測することができる。例えば、1つ以上の合流因子の値は、潜在的な合流位置のうちの1つに対応してもよい。よって、予測モジュール116は、先行車両モデルに関して説明されたのと同様の方式で、値の範囲のどれが1つ以上の合流因子の値に対応するかに基づいて、潜在的な合流位置から潜在的な合流位置を予測してもよい。範囲は、先行車両モデルに関して説明されたのと同一または異なる合流閾値に基づいてもよい。予測された合流位置は、車両の乗員が写実的な人間行動データに基づいて合流することを選択する可能性が最も高い位置として選択される。
範囲を使用する代わりに、1つ以上の合流因子は、どの潜在的な合流位置が写実的な人間行動に基づいている可能性が最も高いかを判定するために閾値と比較されてもよい。例えば、閾値よりも大きい合流因子は、人間の運転者が第2の潜在的な合流位置412において後続車両416の前方で合流すると予測されることを示してもよい。代わりに、合流因子が閾値よりも低い場合、人間の運転者は、第3の潜在的な合流位置414において後続車両416の後方で合流すると予測される。
このようにして、予測された合流位置508は、合流車両502が切れ目514に合流または移動しないと選択するまで繰り返して判定されてもよい。切れ目514は、最適な合流位置でなくてもよいが、モデルが写実的なデータセットを組み込むことを理由に、予測された合流位置は、円滑な合流支援を提供するために、人間行動結果に近似する。よって、合流行動システムは、写実的なデータセットに基づいた合流位置予測により合流方法及びシステムを実装し、高い緊張の状況での合流手順の間、より懸命且つより人間のような行動を通じて車両の乗員の経験を改善する。
ブロック704において、方法は、少なくとも1つの近接車両に基づいて、1つ以上の車両モデルを選択することを含む。例えば、予測モジュール116は、ホスト車両への少なくとも1つの近接車両の相対的な位置に基づいて、車両モデルを選択してもよい。モデルは、人間行動結果に近似する写実的なデータセットに基づいている。したがって、モデルは、ホスト車両への近接車両の相対的な位置を考えると、人間の運転者が行うことができるものの近似に影響を与えるように選択される。
運動学的パラメータは、制御モジュール118によって調節されてもよい。一部の実施形態では、制御モジュール118は、先進運転支援システム(ADAS)または自律運転システム(図示せず)により運動学的パラメータを調節してもよい。別の実施形態では、制御モジュール118は、運動学的パラメータを調節するために、アンチロックブレーキシステム、ブレーキ支援システム、自動ブレーキプレフィルシステム、低速追従システム、またはクルーズ制御システムなどの車両システム122を採用してもよい。
ブロック804において、合流手順が開始される。合流モジュール120は、合流手順を開始するために、自律運転システムまたは先進運転支援システム(ADAS)を採用してもよい。合流手順を開始することは、音声キュー(例えば、サウンドの警告、口頭による警告など)をトリガすること、視覚的キュー(例えば、点灯の連続、ディスプレイ132、ヘッドアップディスプレイ投影など)をトリガすること、合流移動(例えば、車線を変更すること、十分な切れ目に移動することなど)を促進すること、のうちの1つ以上を含んでもよい。合流手順を促進することによって、ここで説明されるシステム及び方法は、改善された運転者経験をもたらす。更に、モデル化が写実的な行動データセットに基づいていることを理由に、促進された合流手順は、車両の乗員の行動に近似する。
ブロック902において、方法は、訓練データを受信することを含む。訓練データは、写実的なデータを含む。写実的なデータは、ネットワーク140を介して写実的な行動データベース142から、ネットワーク140を介してリモートセンサ(例えば、通行カメラ、舗道内センサ、車両間ネットワーク、空間像データセットなど)から、及び車両の乗員の行動を監視することができるホスト車両センサ136から受信されてもよい。例えば、写実的なデータは、幹線道路車両の空間像データセットから抽出されてもよい。これは、未加工時間履歴データを通じて検索すること、及び合流車線から最も右側の主要な走行車線に変更した車両を識別することが伴ってもよい。合流車両についての時間履歴データ及び隣接車両についての時間履歴データは次いで、後続の分析のために分離されてもよい。車両軌道データは、各々の一意な車両を特定することを促進し、そのサイズ及び運動を推論するいくつかの変数を含んでいる。軌道データ変数についての実施例は、車両ごとに一意な識別番号、タイミング、GPS位置、車両の大きさ、速度、現在の車線、及び周囲の車両の識別番号を含む。
100 動作環境
102 車両コンピューティングデバイス(VCD)
104 プロセッサ
106 メモリ
108 ディスク
110 入力/出力(I/O)インタフェース
112 バス
114 識別モジュール
116 予測モジュール
118 制御モジュール
120 合流モジュール
122 車両システム
124 ナビゲーションシステム
126 ライトシステム
128 音声システム
130 インフォテインメントシステム
132 ディスプレイ
134 車両センサ
136 ホスト車両センサ
138 近接車両センサ
140 ネットワーク
142 写実的な行動データベース
102 車両コンピューティングデバイス(VCD)
104 プロセッサ
106 メモリ
108 ディスク
110 入力/出力(I/O)インタフェース
112 バス
114 識別モジュール
116 予測モジュール
118 制御モジュール
120 合流モジュール
122 車両システム
124 ナビゲーションシステム
126 ライトシステム
128 音声システム
130 インフォテインメントシステム
132 ディスプレイ
134 車両センサ
136 ホスト車両センサ
138 近接車両センサ
140 ネットワーク
142 写実的な行動データベース
Claims (15)
- 本線車線に隣接する合流車線に位置付けられたホスト車両を支援する合流行動システムであって、前記合流行動システムは、
前記ホスト車両の前方において前記本線車線に位置付けられた先行車両および前記ホスト車両の後方において前記本線車線に位置付けられた後続車両を識別するように構成された識別モジュールと、
前記先行車両および前記後続車両の人間行動結果に近似する写実的なデータセットに基づいて機械学習を使用して生成された行動モデルを選択し、前記行動モデルは、先行車両モデルおよび後続車両モデルを含み、
前記行動モデルに対応する1つ以上の合流因子を計算し、前記1つ以上の合流因子は、前記先行車両モデルに基づく第1の合流因子および前記後続車両モデルに基づく第2の合流因子を含み、
前記1つ以上の合流因子に基づいて、合流位置を予測する
ように構成された予測モジュールと、
前記予測された合流位置における切れ目が前記ホスト車両に対して十分なサイズであるかどうかを判定し、前記切れ目が前記十分なサイズを有すると判定したことに応答して、合流手順を開始するように構成された合流モジュールと、
を含む、前記合流行動システム。 - 前記行動モデルは、前記ホスト車両への前記先行車両および前記後続車両の相対的な位置に基づいて選択される、請求項1に記載の合流行動システム。
- 前記予測モジュールは更に、前記1つ以上の合流因子を少なくとも1つの閾値と比較するように構成され、予測された合流位置は、前記比較に基づいている、請求項1に記載の合流行動システム。
- 前記先行車両モデルは、前記ホスト車両と前記先行車両との間の先行する切れ目の長さ、ホスト車両の速度、及び前記ホスト車両に対する前記先行車両の相対的な先行速度に少なくとも部分的に基づいている、請求項1に記載の合流行動システム。
- 前記先行車両モデルは、前記本線車線にある前記後続車両に基づいた、二値を有する後続車両変数を組み込む、請求項4に記載の合流行動システム。
- 前記後続車両モデルは、前記ホスト車両と前記後続車両との間の後続の切れ目の長さ、ホスト車両の速度、及び前記ホスト車両に対する前記後続車両の相対的な後続速度に少なくとも部分的に基づいている、請求項1に記載の合流行動システム。
- 前記ホスト車両を前記予測された合流位置の合流距離内に至らせるように前記ホスト車両の運動学的パラメータを調節するように構成された制御モジュールを更に含む、請求項1に記載の合流行動システム。
- 前記合流モジュールは、先進運転支援システム(ADAS)により前記合流手順を開始する、請求項1に記載の合流行動システム。
- 前記切れ目が十分なサイズを有さないと判定したことに応答して、更新された合流位置を予測するように前記予測モジュールを開始する、請求項1に記載の合流行動システム。
- 本線車線に隣接する合流車線に位置付けられたホスト車両を支援する合流行動システムであって、前記合流行動システムは、
前記ホスト車両の前方において前記本線車線に位置付けられた先行車両および前記ホスト車両の後方において前記本線車線に位置付けられた後続車両を識別するように構成された識別モジュールと、
前記ホスト車両に対する前記先行車両および前記後続車両の相対的な位置について人間行動結果に近似する写実的なデータセットを組み込む機械学習を使用して生成された行動モデルを選択し、前記行動モデルは、先行車両モデルおよび後続車両モデルを含み、
前記行動モデルに対応する1つ以上の合流因子を計算し、前記1つ以上の合流因子は、前記先行車両モデルに基づく第1の合流因子および前記後続車両モデルに基づく第2の合流因子を含み、
前記行動モデルに対応する1つ以上の合流因子に基づいて、合流位置を予測する、
ように構成された予測モジュールと、
前記ホスト車両を前記予測された合流位置の合流距離内に至らせるように前記ホスト車両の運動学的パラメータを調節するように構成された制御モジュールと、
前記予測された合流位置における切れ目が前記ホスト車両に対して十分なサイズであるかどうかを判定し、前記切れ目が十分なサイズを有すると判定したことに応答して、合流手順を開始するように構成された合流モジュールと、
を含む、前記合流行動システム。 - 前記運動学的パラメータは、前記ホスト車両の速度である、請求項10に記載の合流行動システム。
- 前記切れ目が十分なサイズを有さないと判定したことに応答して、更新された合流位置を予測するように前記予測モジュールを開始する、請求項10に記載の合流行動システム。
- 本線車線に隣接する合流車線に位置付けられたホスト車両を支援する、コンピュータが実行する合流行動方法であって、前記コンピュータが実行する合流行動方法は、
前記ホスト車両の前方において前記本線車線に位置付けられた先行車両および前記ホスト車両の後方において前記本線車線に位置付けられた後続車両を識別することと、
前記先行車両および前記後続車両の人間行動結果に近似する写実的なデータセットに基づいて機械学習を使用して生成された行動モデルを選択することであって、前記行動モデルは、先行車両モデルおよび後続車両モデルを含む、前記選択することと、
前記行動モデルに対応する1つ以上の合流因子を計算することであって、前記1つ以上の合流因子は、前記先行車両モデルに基づく第1の合流因子および前記後続車両モデルに基づく第2の合流因子を含む、前記計算することと、
前記1つ以上の合流因子に基づいて、合流位置を予測することと、
前記ホスト車両を前記予測された合流位置の合流距離内に至らせるように前記ホスト車両の運動学的パラメータを調節することと、
前記予測された合流位置における切れ目が前記ホスト車両に対して十分なサイズであるかどうかを判定することと、
前記切れ目が十分なサイズを有すると判定したことに応答して、合流手順を開始することと、
を含む、コンピュータが実行する合流行動方法。 - 前記行動モデルは、前記ホスト車両への前記先行車両および前記後続車両に基づいて選択される、請求項13に記載のコンピュータが実行する合流行動方法。
- 前記1つ以上の合流因子を少なくとも1つの閾値と比較することを更に含み、予測された合流位置は、前記比較に基づいている、請求項13に記載のコンピュータが実行する合流行動方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/965,399 US11572099B2 (en) | 2018-04-27 | 2018-04-27 | Merge behavior systems and methods for merging vehicles |
US15/965,399 | 2018-04-27 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019194071A JP2019194071A (ja) | 2019-11-07 |
JP2019194071A5 true JP2019194071A5 (ja) | 2023-03-03 |
JP7292936B2 JP7292936B2 (ja) | 2023-06-19 |
Family
ID=68205695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019075537A Active JP7292936B2 (ja) | 2018-04-27 | 2019-04-11 | 合流行動システム及び合流車両のための方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11572099B2 (ja) |
JP (1) | JP7292936B2 (ja) |
CN (1) | CN110406534A (ja) |
DE (1) | DE102019205223A1 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11718303B2 (en) * | 2018-01-03 | 2023-08-08 | Toyota Research Institute, Inc. | Vehicles and methods for building vehicle profiles based on reactions created by surrounding vehicles |
CN110018632B (zh) * | 2018-06-22 | 2020-10-09 | 长城汽车股份有限公司 | 一种车辆变道控制方法和装置 |
JP6962468B2 (ja) * | 2018-06-29 | 2021-11-05 | 日産自動車株式会社 | 走行支援方法及び車両制御装置 |
DE102018216364B4 (de) * | 2018-09-25 | 2020-07-09 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Unterstützen eines Spurwechselvorgangs für ein Fahrzeug |
US11232705B2 (en) * | 2018-11-28 | 2022-01-25 | Toyota Jidosha Kabushiki Kaisha | Mitigation of traffic oscillation on roadway |
JP7188452B2 (ja) * | 2018-12-06 | 2022-12-13 | 日産自動車株式会社 | 走行支援方法、及び走行支援装置 |
KR102659054B1 (ko) * | 2018-12-07 | 2024-04-22 | 현대자동차주식회사 | 차량의 주행 제어 장치 및 그 방법 |
US11548511B2 (en) * | 2019-06-14 | 2023-01-10 | GM Global Technology Operations LLC | Method to control vehicle speed to center of a lane change gap |
US11292481B2 (en) * | 2019-09-11 | 2022-04-05 | GM Global Technology Operations LLC | Method and apparatus for multi vehicle sensor suite diagnosis |
US11620522B2 (en) * | 2019-12-31 | 2023-04-04 | Magna Electronics Inc. | Vehicular system for testing performance of headlamp detection systems |
CN110843794B (zh) * | 2020-01-15 | 2020-05-05 | 北京三快在线科技有限公司 | 驾驶场景理解方法、装置和轨迹规划方法、装置 |
US11400934B2 (en) * | 2020-03-17 | 2022-08-02 | Honda Motor Co., Ltd. | Systems and methods for cooperative ramp merge |
US11468774B2 (en) * | 2020-03-17 | 2022-10-11 | Honda Motor Co., Ltd. | Systems and methods for cooperative ramp merge |
US20230133873A1 (en) * | 2020-03-31 | 2023-05-04 | Nec Corporation | Remote monitoring system, remote monitoring apparatus, and method |
US11511751B2 (en) | 2020-05-29 | 2022-11-29 | Toyota Research Institute, Inc. | Merge situation exposure algorithms to maximize exposure time |
US11608067B2 (en) * | 2020-08-12 | 2023-03-21 | Honda Motor Co., Ltd. | Probabilistic-based lane-change decision making and motion planning system and method thereof |
US11938957B2 (en) * | 2020-08-24 | 2024-03-26 | Motional Ad Llc | Driving scenario sampling for training/tuning machine learning models for vehicles |
JP2022041288A (ja) * | 2020-08-31 | 2022-03-11 | トヨタ自動車株式会社 | 車両用表示装置、表示方法及びプログラム |
KR20220056922A (ko) * | 2020-10-28 | 2022-05-09 | 현대자동차주식회사 | 자율주행 제어 장치 및 방법 |
US11872988B2 (en) * | 2020-11-10 | 2024-01-16 | GM Global Technology Operations LLC | Method and system to adapt overtake decision and scheduling based on driver assertions |
JP2022121103A (ja) * | 2021-02-08 | 2022-08-19 | パナソニックIpマネジメント株式会社 | 合流支援装置、合流支援システム、及び合流支援方法 |
CN113591730B (zh) * | 2021-08-03 | 2023-11-10 | 湖北亿咖通科技有限公司 | 一种识别车道分组线的方法、装置和设备 |
US11987237B2 (en) * | 2021-12-20 | 2024-05-21 | Waymo Llc | Systems and methods to determine a lane change strategy at a merge region |
US11491987B1 (en) * | 2022-06-22 | 2022-11-08 | Embark Trucks Inc. | Merge handling based on merge intentions over time |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4313568C1 (de) | 1993-04-26 | 1994-06-16 | Daimler Benz Ag | Verfahren zur Leithilfe für einen Fahrspurwechsel durch ein Kraftfahrzeug |
JPH08263793A (ja) | 1995-03-23 | 1996-10-11 | Honda Motor Co Ltd | 車両制御装置 |
JP2004287672A (ja) * | 2003-03-20 | 2004-10-14 | Nissan Motor Co Ltd | 車両用推奨操作量生成装置 |
JP4400418B2 (ja) | 2004-10-29 | 2010-01-20 | 日産自動車株式会社 | 車間距離制御装置及び車間距離制御方法並びに運転操作支援装置及び運転操作支援方法 |
JP5810520B2 (ja) * | 2010-12-08 | 2015-11-11 | 日産自動車株式会社 | 車線変更制御装置および車線変更ストレス評価方法 |
BR112013016893A2 (pt) | 2010-12-29 | 2016-10-25 | Siemens Sas | sistema e método para auxiliar na mudança de pista ativo para um veículo motorizado |
US9187117B2 (en) | 2012-01-17 | 2015-11-17 | Ford Global Technologies, Llc | Autonomous lane control system |
US8788134B1 (en) | 2013-01-04 | 2014-07-22 | GM Global Technology Operations LLC | Autonomous driving merge management system |
US9738280B2 (en) | 2013-10-03 | 2017-08-22 | Robert Bosch Gmbh | Adaptive cruise control with on-ramp detection |
US9988047B2 (en) | 2013-12-12 | 2018-06-05 | Magna Electronics Inc. | Vehicle control system with traffic driving control |
US10118641B2 (en) | 2014-10-22 | 2018-11-06 | Nissan Motor Co., Ltd. | Drive assist device |
US10449957B2 (en) * | 2014-12-29 | 2019-10-22 | Robert Bosch Gmbh | Systems and methods for operating autonomous vehicles using personalized driving profiles |
KR102036050B1 (ko) | 2014-12-30 | 2019-10-24 | 주식회사 만도 | 차선 변경 장치 및 방법 |
US9475491B1 (en) | 2015-06-08 | 2016-10-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | Lane changing for autonomous vehicles |
US9443153B1 (en) | 2015-06-12 | 2016-09-13 | Volkswagen Ag | Automatic labeling and learning of driver yield intention |
US9886857B2 (en) | 2015-09-16 | 2018-02-06 | Here Global B.V. | Organized intelligent merging |
EP3150465B1 (en) | 2015-10-01 | 2018-12-12 | Volvo Car Corporation | Method and system for indicating a potential lane shift of a vehicle |
JP6344695B2 (ja) * | 2015-10-28 | 2018-06-20 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、および車両制御プログラム |
JP6540465B2 (ja) * | 2015-11-09 | 2019-07-10 | トヨタ自動車株式会社 | 運転支援装置 |
JP6327423B2 (ja) | 2016-02-15 | 2018-05-23 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
US10449967B1 (en) | 2016-03-01 | 2019-10-22 | Allstate Insurance Company | Vehicle to vehicle telematics |
JP6327424B2 (ja) * | 2016-03-15 | 2018-05-23 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
CN105912814A (zh) | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
CN107444406A (zh) * | 2016-05-30 | 2017-12-08 | 奥迪股份公司 | 车辆辅助驾驶系统及方法 |
CA3035856A1 (en) | 2016-09-05 | 2018-03-08 | Nissan Motor Co., Ltd. | Vehicle travel control method and vehicle travel control device |
JP7201310B2 (ja) * | 2016-10-14 | 2023-01-10 | トヨタ自動車株式会社 | 車両制御システム |
US10192171B2 (en) | 2016-12-16 | 2019-01-29 | Autonomous Fusion, Inc. | Method and system using machine learning to determine an automotive driver's emotional state |
US20180208195A1 (en) | 2017-01-20 | 2018-07-26 | Pcms Holdings, Inc. | Collaborative risk controller for vehicles using v2v |
US10782693B2 (en) | 2017-09-07 | 2020-09-22 | Tusimple, Inc. | Prediction-based system and method for trajectory planning of autonomous vehicles |
US10649458B2 (en) | 2017-09-07 | 2020-05-12 | Tusimple, Inc. | Data-driven prediction-based system and method for trajectory planning of autonomous vehicles |
US10782694B2 (en) | 2017-09-07 | 2020-09-22 | Tusimple, Inc. | Prediction-based system and method for trajectory planning of autonomous vehicles |
US10877476B2 (en) * | 2017-11-30 | 2020-12-29 | Tusimple, Inc. | Autonomous vehicle simulation system for analyzing motion planners |
US10255528B1 (en) | 2017-12-06 | 2019-04-09 | Lytx, Inc. | Sensor fusion for lane departure behavior detection |
-
2018
- 2018-04-27 US US15/965,399 patent/US11572099B2/en active Active
-
2019
- 2019-04-08 CN CN201910275694.2A patent/CN110406534A/zh active Pending
- 2019-04-11 DE DE102019205223.1A patent/DE102019205223A1/de not_active Withdrawn
- 2019-04-11 JP JP2019075537A patent/JP7292936B2/ja active Active
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019194071A5 (ja) | ||
US11822337B2 (en) | Autonomous vehicles featuring machine-learned yield model | |
CN115206132B (zh) | 基于道路使用者意图预测的潜在碰撞警告系统 | |
US20230161344A1 (en) | Discrete Decision Architecture for Motion Planning System of an Autonomous Vehicle | |
US11467586B2 (en) | Gridlock solver for motion planning system of an autonomous vehicle | |
US11545033B2 (en) | Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction | |
JP7285756B2 (ja) | センサデータに基づいた自動運転車両の地図データの更新 | |
US11868136B2 (en) | Geolocalized models for perception, prediction, or planning | |
US11927957B2 (en) | Speed behavior planning for vehicles | |
US10824153B2 (en) | Cost design for path selection in autonomous driving technology | |
US20210101619A1 (en) | Safe and scalable model for culturally sensitive driving by automated vehicles | |
US20210191394A1 (en) | Systems and methods for presenting curated autonomy-system information of a vehicle | |
US10730531B1 (en) | Machine-learning based vehicle motion control system | |
US20220161830A1 (en) | Dynamic Scene Representation | |
CN114829225A (zh) | 自主载具的条件行为预测 | |
US20230339502A1 (en) | Safety measurement of autonomous vehicle driving | |
US20230339519A1 (en) | Safety measurement for a counterfactual risk in autonomous vehicle driving | |
US20230182754A1 (en) | Determining an anomalous event from a scenario and an action of interest | |
US20230082365A1 (en) | Generating simulated agent trajectories using parallel beam search | |
US20230182784A1 (en) | Machine-learning-based stuck detector for remote assistance | |
US20230185992A1 (en) | Managing states of a simulated environment | |
US20230195830A1 (en) | Calibration metrics for measuring trajectory prediction | |
US20230195958A1 (en) | Generating simulations based on real-world scenarios | |
US20240001966A1 (en) | Scenario-based training data weight tuning for autonomous driving | |
US20230192130A1 (en) | System and method of using a machine learning model to aid a planning stack to choose a route |