JP2020064584A - サポートベクターマシンに基づく交差点知能運転方法及びそのシステム - Google Patents

サポートベクターマシンに基づく交差点知能運転方法及びそのシステム Download PDF

Info

Publication number
JP2020064584A
JP2020064584A JP2018228020A JP2018228020A JP2020064584A JP 2020064584 A JP2020064584 A JP 2020064584A JP 2018228020 A JP2018228020 A JP 2018228020A JP 2018228020 A JP2018228020 A JP 2018228020A JP 2020064584 A JP2020064584 A JP 2020064584A
Authority
JP
Japan
Prior art keywords
support vector
vehicle
vector machine
time
training
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
Application number
JP2018228020A
Other languages
English (en)
Other versions
JP6755291B2 (ja
Inventor
▲宗▼明 許
Zong Ming Xu
▲宗▼明 許
正賢 王
zheng xian Wang
正賢 王
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.)
Automotive Research and Testing Center
Original Assignee
Automotive Research and Testing Center
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 Automotive Research and Testing Center filed Critical Automotive Research and Testing Center
Publication of JP2020064584A publication Critical patent/JP2020064584A/ja
Application granted granted Critical
Publication of JP6755291B2 publication Critical patent/JP6755291B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • 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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/804—Relative 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
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—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
    • B60W2720/00—Output or target parameters relating to overall vehicle dynamics
    • B60W2720/10—Longitudinal speed
    • B60W2720/106—Longitudinal acceleration
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

【課題】車両に適用されるサポートベクターマシンに基づく交差点知能運転方法を提供する。【解決手段】予め訓練過程を経過したサポートベクターマシンを提供し、訓練過程において、訓練データをサポートベクターマシンに提供し、訓練データは原始データから次元低下モジュール及び時間補償モジュールにより処理されて得られるサポートベクターマシンの提供工程と、環境感知ユニットにより取得されたｐ個の特徴を次元低下モジュール及び時間補償モジュールにより処理された後で、サポートベクターマシンに提供して分類するデータの処理工程と、サポートベクターマシンの分類結果に基づいて車両の運転行為を決める決定工程と、を含み、車両に適用されるサポートベクターマシンに基づく交差点知能運転方法である。これにより、サポートベクターマシンの決定の精確度を効果的に向上させることができる。【選択図】図１

Description

本発明は、交差点知能運転方法及びそのシステムに関し、特に、サポートベクターマシンに基づく交差点知能運転方法及びそのシステムに関する。
一般のに、十字路又は道路の交差する箇所で多方向からの車両が曲がり又は直行して交差するので、交差点を通る場合、運転者の判断によって加速、減速又は定速に進行する必要があり、一旦運転者の判断が間違ると、交通事故が発生することがある。米国統計局の統計によると、２００８年に十字路又は道路の交差する箇所で交通事故になる比例が４０％にもなる。ドイツ連邦統計局の統計によると、２０１３に十字路又は道路の交差する箇所で交通事故になる比例が４７．５％にもなり、一部の国で、交通事故になる比例が更に９８％にもなる。
運転者が交差点を通る場合の決定判断を補助するために、運転決定を補助するために人工知能によって機械学習をする高度自動化車両（ｈｉｇｈｌｙ ａｕｔｏｍａｔｅｄ ｖｅｈｉｃｌｅ；ＨＡＶ）を開発した業者や学者がある。サポートベクターマシンは、そのにおける１つの機械学習形態であり、模型を作ることで予測又は見積りを行うことで、例えば、交差点を通る場合、いつ加速、減速又は定速するかを決定することができる。
実際の状況で、運転者が過去の幾つかの単位時間内の周囲の情報に基づいて、当時に適合する運転行為を行い、つまり、本当の運転状況は時間に依存する。しかしながら、従来のサポートベクターマシンの訓練の過程中、訓練用のデータは連続した時間点によって作成されるが、時間ごとに観察されたデータの何れも独立したデータとされ、変数の時間に対する依存性が考慮されないため、判断された決定の精確度にまだ改善の余地がある。
これに鑑みて、如何にサポートベクターマシンの決定の精確度を効果的に向上させるかは、関連業者の努力する目標になる。
本発明は、次元低下処理及び時間補償処理をされた後で、サポートベクターマシンの決定の精確度を効果的に向上させることのできるサポートベクターマシンに基づく交差点知能運転方法及びそのシステムを提供する。
本発明の一態様に係る一実施形態によると、車両に適用されるサポートベクターマシンに基づく交差点知能運転方法において、予め訓練過程を経過したサポートベクターマシンを提供し、訓練過程において、訓練データをサポートベクターマシンに提供し、訓練データは原始データから次元低下モジュール及び時間補償モジュールにより処理されて得られ、原始データは複数の訓練サンプルを含み、各訓練サンプルは交差点を通る時間合計値、及び時間合計値内の複数のサンプリング時点のそれぞれに対応するｐ個の特徴及び当時の決定を含み、次元低下モジュールはｐ個の特徴をｋ個の新らしい特徴に整合し、時間補償モジュールはプリセット時間を提供し、何れの訓練サンプルにおける何れのサンプリング時点及び前記何れのサンプリング時点の前の他のサンプリング時点のそれぞれに対応する新らしい特徴を被拡張数列とし、且つ被拡張数列を拡張数列に再整合し、拡張数列の長さはプリセット時間内にあるサンプリング時点の数に等しく、ｐ、ｋは正整数であり、且つｐ＞ｋであるサポートベクターマシンの提供工程と、環境感知ユニットにより取得されたｐ個の特徴を次元低下モジュール及び時間補償モジュールによって処理した後で、サポートベクターマシンに提供して分類するデータの処理工程と、サポートベクターマシンの分類結果に基づいて車両の運転行為を決める決定工程と、を含むサポートベクターマシンに基づく交差点知能運転方法を提供する。
これにより、訓練データ及び運転者の当時に取得した特徴が次元低下モジュール及び時間補償モジュールにより処理された後で、時間に依存する関係になり、予測結果の精確度を向上させることができる。
前記のサポートベクターマシンに基づく交差点知能運転方法に係る複数の実施例によると、次元低下モジュールは、主成分分析法を使用してよい。又は時間補償モジュールは、均等スケーリング法を使用してよい。又はプリセット時間は、時間合計値における最大のものに等しくてよい。
前記のサポートベクターマシンに基づく交差点知能運転方法に係る複数の実施例によると、ｐ個の特徴は、車両の対向車に対する横方向速度、車両の対向車に対する横方向加速度、車両の対向車に対する縦方向速度、車両の対向車に対する縦方向加速度、車両と対向車との距離、車両と交差点との距離、及び対向車の速度を含んでよい。原始データにおける複数の特徴は環境感知ユニットにより取得されてよく、環境感知ユニットは、レーダー、カメラ及びＧＰＳ測位装置の少なくとも１つを含む。
本発明の一態様に係る別の実施形態によると、車両に適用されるサポートベクターマシンに基づく交差点知能運転方法において、予め訓練過程を経過したサポートベクターマシンを提供し、訓練過程において、訓練データをサポートベクターマシンに提供し、訓練データは原始データから次元低下モジュール及び時間補償モジュールにより処理されて得られ、原始データは複数の訓練サンプルを含み、各訓練サンプルは交差点を通る時間合計値、及び時間合計値内の複数のサンプリング時点のそれぞれに対応するｐ個の特徴及び当時の決定を含み、次元低下モジュールはｐ個の特徴をｋ個の新らしい特徴に整合し、時間補償モジュールはプリセット時間を提供し、何れの訓練サンプルにおける何れのサンプリング時点及び前記何れのサンプリング時点の前の他のサンプリング時点のそれぞれに対応する新らしい特徴を被拡張数列とし、且つ被拡張数列の長さがプリセット時間内にあるサンプリング時点の数よりも小さい場合、被拡張数列に見積り値が補填された後で新らしい被拡張数列を形成し、且つ時間補償モジュール新らしい被拡張数列を拡張数列に再整合し、拡張数列の長さはプリセット時間内にあるサンプリング時点の数に等しく、ｐ、ｋは正整数であり、且つｐ＞ｋであるサポートベクターマシンの提供工程と、環境感知ユニットにより取得されたｐ個の特徴を次元低下モジュール及び時間補償モジュールによって処理した後で、サポートベクターマシンに提供して分類するデータの処理工程と、サポートベクターマシンの分類結果に基づいて車両の行為を決める決定工程と、を含むサポートベクターマシンに基づく交差点知能運転方法を提供する。
前記のサポートベクターマシンに基づく交差点知能運転方法に係る複数の実施例によると、時間補償モジュールは、主成分分析法を使用してよい。又は時間補償モジュールは、均等スケーリング法を使用してよい。
本発明の別の態様に係る一実施形態によると、車両に適用されるサポートベクターマシンに基づく交差点知能運転システムにおいて、複数のサンプリング時点におけるサンプリング時点のそれぞれに対応するｐ個の特徴をｋ個の新らしい特徴に整合し、ｐ、ｋは正整数であり、且つｐ＞ｋである次元低下モジュールと、プリセット時間を提供し、何れのサンプリング時点及び前記何れのサンプリング時点の前の他のサンプリング時点のそれぞれに対応する新らしい特徴を被拡張数列とし、且つ被拡張数列を拡張数列に再整合し、拡張数列の長さはプリセット時間内にあるサンプリング時点の数に等しい時間補償モジュールと、訓練データにより訓練され、訓練データは原始データから次元低下モジュール及び時間補償モジュールにより処理されて得られ、原始データは複数の訓練サンプルを含み、各訓練サンプルは交差点を通る時間合計値、及び時間合計値内の各サンプリング時点に対応するｐ個の特徴及び当時の決定を含むサポートベクターマシンと、を含み、車両に設けられる処理ユニットと、車両に設けられ、且つ処理ユニットに信号的に接続され、ｐ個の特徴を取得するための環境感知ユニットと、を備え、環境感知ユニットにより取得されたｐ個の特徴を処理ユニットの次元低下モジュール及び時間補償モジュールにより処理された後で、サポートベクターマシンに提供して分類し、サポートベクターマシンの分類結果は車両の運転行為を決めることに用いられるサポートベクターマシンに基づく交差点知能運転システムを提供する。
前記サポートベクターマシンに基づく交差点知能運転システムに係る複数の実施例によると、ｐ個の特徴は、車両の対向車に対する横方向速度、車両の対向車に対する横方向加速度、車両の対向車に対する縦方向速度、車両の対向車に対する縦方向加速度、車両と対向車との距離、車両と交差点との距離及び対向車の速度を含んでよい。又は環境感知ユニットは、レーダー、カメラ及びＧＰＳ測位装置の少なくとも１つを含んでよい。又は、当時の決定は、加速、減速又は定速の少なくとも１つを含んでよい。
本発明の第１の実施例に係るサポートベクターマシンに基づく交差点知能運転方法を示す流れ図である。 図１によるサポートベクターマシンに基づく交差点知能運転方法の第１の模擬訓練を示す。 図１によるサポートベクターマシンに基づく交差点知能運転方法の第２の模擬訓練を示す。 図１によるサポートベクターマシンに基づく交差点知能運転方法の第３の模擬訓練を示す。 図２の第１の模擬訓練の第１の累積率を示す。 図３の第２の模擬訓練の第１の累積率を示す。 図４の第３の模擬訓練の第１の累積率を示す。 本発明の第３の実施例によるサポートベクターマシンに基づく交差点知能運転システムを示すブロック図である。
以下、図面を参照して本発明の実施例を説明する。明確に説明するために、数多くの実際の細部については、下記で合わせて説明する。しかしながら、読者であれば、これらの実際の細部が本発明を制限するものではないことを理解すべきである。つまり、本発明の一部の実施例において、これらの実際の細部は必要なものではない。また、図面を簡単化するために、ある従来慣用な構造と素子が図面において簡単に模式するように示される。重複した素子を同一又は類似な番号で表すことがある。
図１を参照されたい。図１は、本発明の第１の実施例に係るサポートベクターマシンに基づく交差点知能運転方法１００を示す流れ図である。サポートベクターマシンに基づく交差点知能運転方法１００は、車両に適用され、サポートベクターマシンの提供工程１１０と、データの処理工程１２０と、決定工程１３０と、を備える。
サポートベクターマシンの提供工程１１０において、予め訓練過程を経過したサポートベクターマシンを提供する。訓練過程において、訓練データをサポートベクターマシンに提供し、訓練データは原始データから次元低下モジュール及び時間補償モジュールにより処理されて得られ、原始データは複数の訓練サンプルを含み、各訓練サンプルは交差点を通る時間合計値、及び時間合計値内の複数のサンプリング時点のそれぞれに対応するｐ個の特徴及び当時の決定を含み、次元低下モジュールはｐ個の特徴をｋ個の新らしい特徴に整合する。時間補償モジュールは、プリセット時間を提供し、何れの訓練サンプルにおける何れのサンプリング時点及び前記何れのサンプリング時点の前の他のサンプリング時点のそれぞれに対応する新らしい特徴を被拡張数列とし、且つ被拡張数列を拡張数列に再整合し、拡張数列の長さはプリセット時間内にあるサンプリング時点の数に等しく、ｐ、ｋは正整数であり、且つｐ＞ｋである。
データの処理工程１２０において、環境感知ユニットにより取得されたｐ個の特徴を次元低下モジュール及び時間補償モジュールによって処理した後で、サポートベクターマシンに提供して分類する。
決定工程１３０において、サポートベクターマシンの分類結果に基づいて車両の運転行為を決める。
これにより、訓練データ及び運転者の当時に取得した特徴が次元低下モジュール及び時間補償モジュールにより処理された後で、時間に依存する関係になり、予測結果の精確度を向上させることができる。以下、サポートベクターマシンに基づく交差点知能運転方法１００の細部を詳しく説明する。
サポートベクターマシンは、監督型機械学習の分類器であり、車両の行為の判定を補助することに用いられることができる。サポートベクターマシンの提供工程１１０において、提供されるサポートベクターマシンは、訓練過程で訓練されて、車両が交差点を経過する場合の減速、加速又は定速行為を判定することができる。
訓練過程において、模擬の方法で車両が交差点を経過する場合の状况を模擬して、複数の訓練サンプルを形成してよい。第１の実施例において、模擬のプラットフォームとしては、Ｔａｓｓ ｉｎｔｅｒｎａｔｉｏｎａｌ会社の開発したＰｒｅＳｃａｎ高級運転者補助システム（Ａｄｖａｎｃｅｄ Ｄｒｉｖｅｒ Ａｓｓｉｓｔａｎｃｅ Ｓｙｓｔｅｍｓ；ＡＤＡＳ）であってよく、車両が交差点を経過する状況を模擬するように、関連の交差点情報を作成することができる。他の実施例において、実際の道路で複数の訓練サンプルを取得し、又は他の模擬ソフトウェアを利用してもよいが、これに限定されない。
車両が交差点を１回経過すると、取得したデータは１つの訓練サンプルとされる。つまり、車両が交差点を１０回経過する場合、１０個の訓練サンプルを取得することができる。訓練サンプルの各々に、交差点を通る時間合計値、及び時間合計値内の複数のサンプリング時点のそれぞれに対応するｐ個の特徴及び当時の決定を含む。例として、１番目の訓練サンプルにおいて、交差点を通る時間合計値が２秒間であり、０．４秒間ごとに１回サンプリングすると仮定すれば、５個のサンプリング時点があり、サンプリング時点ごとにｐ個の特徴及び１つの当時の決定を収集し、当時の決定は加速、減速又は定速であってよく、ｐ個の特徴は車両の対向車に対する横方向速度、車両の対向車に対する横方向加速度、車両の対向車に対する縦方向速度、車両の対向車に対する縦方向加速度、車両と対向車との距離、車両と交差点との距離、及び対向車の速度を含んでよい。
１番目の訓練サンプルのデータは表１に示される。単一の訓練サンプルにおいて、ｑ個のサンプリング時点で取得されたｐ個の特徴は１つの原特徴行列Ｘを形成することができ、Ｘ＝（×1,〜,×p）であり、×ｉ＝（×i1,．．,×iq）Tである。読者であれば、ｎ個の訓練サンプルがある場合、異なるサンプリング時点数ｑlに対応するｎ個の原特徴行列Ｘlがあり、ｎ、ｑは正整数であり、ｌは１〜ｎの正整数であり、ｉは１〜ｐの正整数であることは理解すべきである。ｎ個の訓練サンプルにおける全ての当時の決定により、１つの当時の決定行列ＺＺ、ＺＺ＝（ｚ1,〜,ｚn）を形成することができる。以下、Ｔlｗはｌ番目の訓練サンプルにおけるｗ番目のサンプリング時点を表し、ｗは１〜ｑlの正整数であり、×lwiはサンプリング時点Ｔlwで取得したｉ番目の特徴を表し、ｚlwはサンプリング時点Ｔlwで取得した当時の決定を表す。そのため、表１におけるＴ11は１番目の訓練サンプルにおける１番目のサンプリング時点であり、第１の実施例においては０．４秒間であり、Ｔ12は１番目の訓練サンプルにおける２番目のサンプリング時点であり、第１の実施例においては０．８秒間であり、×111は１番目の訓練サンプルにおいて１番目のサンプリング時点Ｔ11で取得した１番目の特徴を表し、×122は１番目の訓練サンプルにおいて２番目のサンプリング時点Ｔ12で取得した２番目の特徴であり、ｚ13は１番目の訓練サンプルにおいて３番目のサンプリング時点Ｔ13で取得した当時の決定であり、このように類推すればよく、繰り返して説明しない。
また、２番目の訓練サンプルにおいて、交差点を通る時間合計値が２．４秒間であり、０．４秒間ごとに１回サンプリングし、合計で６個のサンプリング時点があると仮定する。２番目の訓練サンプルのデータは、表２に示される。
２個の訓練サンプルしかないと仮定すると、原始データは、表１及び表２のデータを含む。
上記の原始データは、次元低下モジュール及び時間補償モジュールにより処理された後で訓練データになる。次元低下モジュールは、主成分分析法（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ；ＰＣＡ）、部分的最小二乗回帰（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ Ｒｅｇｒｅｓｓｉｏｎ；ＰＬＳＲ）、多次元尺度構成法（Ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ Ｓｃａｌｉｎｇ；ＭＤＳ）、射影追跡回帰（Ｐｒｏｊｅｃｔｉｏｎ Ｐｕｒｓｕｉｔ ｍｅｔｈｏｄ）、主成分回帰法（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ｒｅｇｒｅｓｓｉｏｎ；ＰＣＲ）、二次判別分析法（Ｑｕａｄｒａｔｉｃ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ；ＱＤＡ）、正則化判別分析法（Ｒｅｇｕｌａｒｉｚｅｄ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ；ＲＤＡ）及び線形判別分析法（Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎｔ Ａｎａｌｙｓｉｓ；ＬＤＡ）等を使用することができる。好ましくは、次元低下モジュールは、主成分分析法を使用する。主成分分析法の関連公式は、式（１）、式（２）及び式（３）のように示される。
次に、上記データは、補償するために時間補償モジュールにより処理される。監督型分類器の入力する分類データに対して同じ長さ且つ数列データであることが要求されるため、時間補償モジュールによって単位時間ごとの累積データを同一の時間長さにすることができる。
時間補償モジュールの補償方法としては、動的時間伸縮法（ｄｙｎａｍｉｃ ｔｉｍｅ ｗａｒｐｉｎｇ；ＤＴＷ）又は均等スケーリング法（Ｕｎｉｆｏｒｍ ｓｃａｌｉｎｇ）を利用してよいを利用してよい。好ましくは、時間補償モジュールとして、均等スケーリング法を利用する。
均等スケーリング法を使用する場合、時間補償モジュールは、プリセット時間を提供することができる。プリセット時間は、時間合計値における最大のものに等しくてよい。つまり、第１の実施例において、１番目の訓練サンプルの時間合計値が２秒間であり、２番目の訓練サンプルの時間合計値が２．４秒間であり、最大値が２．４であるため、プリセット時間は２．４秒間に設置されてよく、プリセット時間内にあるサンプリング時点の数は６である。
補償を行う前に、時間補償モジュールは何れの訓練サンプルにおける何れのサンプリング時点及び前記何れのサンプリング時点の前の他のサンプリング時点のそれぞれに対応する新らしい特徴を被拡張数列とする。表５は被拡張数列表であり、Ｌljwは被拡張数列を表し、Ｌljw＝（ｙlj1,〜,ｙljw）である。次元低下モジュールにより各訓練サンプルにおけるｐ個の特徴が１つの新らしい特徴に整合されると、表７におけるｊの何れも１である。
より詳しくは、表５において、被拡張数Ｌljwは、ｌ番目の訓練サンプルにおける１番目〜ｗ番目のサンプリング時点Ｔl1〜Ｔlw対応の全てのｊ番目の新らしい特徴ｙlj1〜ｙljwを含む。例として、拡張数列Ｌ111に対して、ｗ＝１、ｊ＝１であるため、拡張数列Ｌ111は１番目のサンプリング時点Ｔ11の１つの１番目の新らしい特徴ｙ111を有し、且つ被拡張数列Ｌ111の長さは１であり、つまり１つの数値からなる。被拡張数列Ｌ213に対して、ｗ＝３、ｊ＝１であるため、拡張数列Ｌ213は、２番目の訓練サンプルにおける１番目〜３番目のサンプリング時点Ｔ21〜Ｔ23に対応する３つの１番目の新らしい特徴ｙ211〜ｙ213を有し、且つ被拡張数列Ｌ213の長さは３であり、つまり３つの数値からなり、他についてはこのように類推すればよい。そのため、補償によって被拡張数列を拡張数列に再整合することができ、長さはプリセット時間内にあるサンプリング時点の数に等しい。第１の実施例において、プリセット時間内にあるサンプリング時点の数は６であるため、拡張数列は６個の数値からなる。従って、時間補償モジュールにより補償された後で、全ての拡張数列は６個の数値からなり、表６に示すように、Ｌ* ljwは拡張数列を表す。次元低下モジュールにより各訓練サンプルにおけるｐ個の特徴が１つの新らしい特徴に整合されると、表７におけるｊの何れも１である。
表６における拡張数列Ｌ* ljw＝（Ｌ* ljw1,〜,Ｌ* ljwr）は、被拡張数列Ｌljwから式（４）及び式（５）により転換されたものである。
例として、Ｌ113＝（ｙ111,ｙ112,ｙ113）はＬ* 113＝（Ｌ* 1131,Ｌ* 1132,Ｌ* 1133,Ｌ* 1134,Ｌ* 1135,Ｌ* 1136）に拡張されるが、Ｌ* 1131＝ｙ111、Ｌ*1132＝ｙ111（２×３/６＝１であるため、Ｌ113するように選択する）、Ｌ* 1133＝ｙ111（３×３/６＝１．５であり、整数しか保留せずに無条件に捨てると１になるため、Ｌ113の１番目の位置にあるｙ111をＬ* 113の３番目の位置に補填するように選択する）、Ｌ* 1134＝ｙ112（４×３/６＝２であるため、Ｌ113の２番目の位置にあるｙ112をＬ* 113の４番目の位置に補填するように選択する）、Ｌ* 1135＝Ｙ１１２（５×３/６＝２．５であるため、整数しか保留せずに無条件に捨てると２になり、Ｌ113の２番目の位置にあるｙ112をＬ* 113の５番目の位置に補填するように選択する）、Ｌ* 1136＝ｙ113（６×３/６＝３であるため、Ｌ113の３番目の位置にあるｙ113をＬ* 113の６番目の位置に補填するように選択する）。ここで特に説明すべきなのは、上記の被拡張数列の長さがプリセット時間内にあるサンプリング時点の数よりも大きく、つまり、被拡張数列の長さが予想の再整合された拡張数列の長さよりも大きい場合、式（４）及び式（５）に基づいて縮小してよく、本発明の目的を達成させることができる。
上記の訓練データは、超平面を捜し出すように、サポートベクターマシンに提供されて使用してよい。サポートベクターマシンの関連公式は式（６）〜式（９）に示され、サポートベクターマシンの開始目標は式（６）に示され、式（６）を式（７）に代入して、微積分及び同値原則（「ｉｆ ａｎｄ ｏｎｌｙ ｉｆ」）に基づいて式（６）、（７）を式（８）に示すように改作する。
Ｃはコスト係数（ｃｏｓｔ ｖａｒｉａｂｌｅ）であり且つ０よりも大きく、Ｗは元素係数（ｅｎｔｒｉｅｓ ｐａｒａｍｅｔｅｒ）であり、ξlはスラック変数（ｓｌａｃｋ ｖａｒｉａｂｌｅ）であり、ｂは切片項パラメータ（ｉｎｔｅｒｃｅｐｔ ｔｅｒｍ）であり、αd、αeはラグランジュ乗数（ｌａｇｒａｎｇｅ ｍｕｌｔｉｐｌｉｅｒ）であり、Φは放射基底関数（ｒａｄｉａｌ ｂｉａｓ ｆｕｎｃｔｉｏｎ）であり、超平面を非線形切割まで広める。Ｌ* l、Ｌ* d及びＬ* eは上記の拡張値Ｌ* ljwrを表し、簡単に模式的に示すために他の変数を省略し、ｄ、ｅの何れも変数である。
サポートベクターマシンは、この訓練データにより、超平面を探して判断決定を補助することができる。
データの処理工程１２０において、車両が交差点を経由する場合、環境感知ユニットによってｐ個の特徴をリアルタイムに収集することができる。環境感知ユニットは、レーダー、カメラ、ＧＰＳ測位装置等の複数の感知装置を含んでよい。感知装置は、距離、車の速度等を検知することができ、ｐ個の特徴を感知することができるが、その種類や数はこれに限定されない。車両がサンプリング時点ごとに収集したｐ個の特徴の何れも次元低下モジュール及び時間補償モジュールに入って、上記のように処理される。次に、決定工程１３０において、処理されたデータがサポートベクターマシンに入って、由于サポートベクターマシンが事前に訓練過程によって超平面を探したため、リアルタイムに取得したｐ個の特徴が処理された後でサポートベクターマシンに入ると、分類結果が発生し、分類結果に基づいて例えば減速、加速又は定速のような車両の運転行為を決める。
図２、図３及び図４を参照されたい。図２は、図１によるサポートベクターマシンに基づく交差点知能運転方法１００の第１の模擬訓練を示す。図３は、図１によるサポートベクターマシンに基づく交差点知能運転方法１００の第２の模擬訓練を示す。図４は、図１によるサポートベクターマシンに基づく交差点知能運転方法１００の第３の模擬訓練を示す。第１の模擬訓練、第２の模擬訓練及び第３の模擬訓練において、車両Ｖ１がＴ状の交差点を経過するが、第１の模擬訓練の場合、横方向道路Ｒ１に如何なる対向車もなく、第２の模擬訓練の場合、横方向道路Ｒ１の左側に対向車Ｖ２があり、第３の模擬訓練の場合、横方向道路Ｒ１の右側に対向車Ｖ２がある。
車両Ｖ１の速度は時速４０kmであり、対向車Ｖ２の速度は時速１５km〜時速４０kmにあ
る。収集される７個の特徴は、車両Ｖ１の対向車Ｖ２に対する横方向速度、車両Ｖ１の対向車Ｖ２に対する横方向加速度、車両Ｖ１の対向車Ｖ２に対する縦方向速度、車両Ｖ１の対向車Ｖ２に対する縦方向加速度、車両Ｖ１と対向車Ｖ２との距離、車両Ｖ１と交差点との距離、及び対向車Ｖ２の速度である。且つ第１の模擬訓練、第２の模擬訓練及び第３の模擬訓練は別々に２０个訓練サンプルを含み、当時の決定は減速、定速及び加速等の行為を含み、第１の模擬訓練のプリセット時間は１６．９秒間であり、第２の模擬訓練のプリセット時間は２８．８秒間であり、第３の模擬訓練のプリセット時間は２１．７秒間である。
図５、図６及び図７を参照されたい。図５は、図２の第１の模擬訓練の第１の累積率を示す。図６は、図３の第２の模擬訓練の第１の累積率を示す。図７は、図４の第３の模擬訓練の第１の累積率を示す。第１の模擬訓練の平均第１の累積率は０．９６１９であり、第２の模擬訓練の平均第１の累積率は０．７５８８であり、第３の模擬訓練の平均第１の累積率は０．８０１４であり、上記の第１の累積率の何れも０．７以上であるので、次元低下処理をされた情報が既に元のデータをできる限り解釈したことが判明され、要求に符合する。
表８は、第１の模擬訓練と同一の状況で、第１の比較例と本願のサポートベクターマシンに基づく交差点知能運転方法１００を使用する場合の決定結果の精確度（ＡＣ）の比較を表す。表８から分かるように、サポートベクターマシンに基づく交差点知能運転方法１００を使用する場合の決定の精確度が高い。第１の比較例でも、サポートベクターマシンによって分類するが、そのサポートベクターマシンが原始データ訓練をしか経過しないことに、異なっている。
表９は、第２の模擬訓練と同一である場合、第２の比較例と本願のサポートベクターマシンに基づく交差点知能運転方法１００を使用する場合の決定結果の精確度（ＡＣ）の比較を表す。表９から分かるように、サポートベクターマシンに基づく交差点知能運転方法１００を使用する場合の決定の精確度が高い。第２の比較例でも、サポートベクターマシンによって分類するが、そのサポートベクターマシンが原始データ訓練をしか経過しないことに、異なっている。
表１０は、第３の模擬訓練と同一である場合、第３の比較例と本願のサポートベクターマシンに基づく交差点知能運転方法１００を使用する場合の決定結果の精確度（ＡＣ）の比較を表す。表１０から分かるように、サポートベクターマシンに基づく交差点知能運転方法１００を使用する場合の決定の精確度が高い。第３の比較例でも、サポートベクターマシンによって分類するが、そのサポートベクターマシンが原始データ訓練をしか経過しないことに、異なっている。
ここで特に説明すべきなのは、上記の全てのテストの何れもＰｒｅＳｃａｎの模擬結果であるが、実際な道路でテストしてもよい。
本発明の第２の実施例において、サポートベクターマシンの提供工程において、時間補償モジュールにプリセット時間を提供させ、時間補償モジュールは何れの訓練サンプルにおける何れのサンプリング時点及び前記何れのサンプリング時点の前の他のサンプリング時点のそれぞれに対応する新らしい特徴を被拡張数列とし、且つ被拡張数列の長さがプリセット時間内にあるサンプリング時点の数よりも小さい場合、被拡張数列に前記サンプリング時点の次のサンプリング時点の見積り値を補填した後で新らしい被拡張数列を形成し、且つ時間補償モジュール新らしい被拡張数列を拡張数列に再整合し、拡張数列の長さはプリセット時間内にあるサンプリング時点の数に等しい。
より詳しくは、仮定原始データは表１及び表２のデータを含み、プリセット時間は２．４秒間であり、被拡張数列は表５に示される。表５における累積サンプリング時点０〜Ｔ11の時の対応する被拡張数列の長さは１であり、プリセット時間内にあるサンプリング時点の数（６に等しい）よりも小さく、且つこの累積サンプリング時点０〜Ｔ11で次のサンプリング時点Ｔ12のデータが取得されていないため、サンプリング時点Ｔ12に対応する見積り値ｙ'1j2を補填することができる。同様に、表５において、全ての累積サンプリング時点の対応する被拡張数列の長さの何れも６より小さいため、それぞれ見積り値を補填することが必要であり、新らしい被拡張数列Ｌ'ljw表は表１１に示され、ｙ'ljwは見積り値を表す。ここで特に説明すべきなのは、表１１の新らしい被拡張数列において、累積サンプリング時点０〜Ｔ15、０〜Ｔ25対応の被拡張数列の長さは６であり、更に補償する必要はないが、新らしい被拡張数列と被拡張数列との差異を明らかに表現するために、列記したが、本発明はこれに限定されない。

最後に、過去の時間点で次の単位時間を予測する条件分布（ｃｏｎｄｉｔｉｏｎａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ）を求め、つまり、累積サンプリング時点０〜Ｔ11でサンプリング時点Ｔ12の条件分布を予測することができる。条件分布は、（１６）、式（１７）に示される。
表１２は、見積り値の加えられた第１の模擬訓練での決定結果の精確度を表す。表１３は、見積り値の加えられた第２の模擬訓練での決定結果の精確度を表す。表１４は、見積り値の加えられた第３の模擬訓練での決定結果の精確度を表す。表１２、表１３及び表１４の結果から分かるように、見積り値を加えると、決定の精確度を更に向上させることができる。
図８を参照されたい。図８は、本発明の第３の実施例によるサポートベクターマシンに基づく交差点知能運転システム２００を示すブロック図である。サポートベクターマシンに基づく交差点知能運転システム２００は、車両に適用され、処理ユニット２１０と、環境感知ユニット２２０と、を備える。処理ユニットは、次元低下モジュール２１１、時間補償モジュール２１２及びサポートベクターマシン２１３を含む。次元低下モジュール２１１は、複数のサンプリング時点におけるサンプリング時点のそれぞれに対応するｐ個の特徴をｋ個の新らしい特徴に整合し、ｐ、ｋは正整数であり、且つｐ＞ｋである。時間補償モジュール２１２は、プリセット時間を提供し、何れのサンプリング時点及び前記何れのサンプリング時点の前の他のサンプリング時点のそれぞれに対応する新らしい特徴を被拡張数列とし、且つ被拡張数列を拡張数列に再整合し、拡張数列の長さはプリセット時間内にあるサンプリング時点の数に等しい。サポートベクターマシン２１３は、訓練データにより訓練され、訓練データは原始データから次元低下モジュール２１１及び時間補償モジュール２１２により処理されて得られ、原始データは複数の訓練サンプルを含み、各訓練サンプルは交差点を通る時間合計値、及び時間合計値内の各サンプリング時点に対応するｐ個の特徴及び当時の決定を含む。
環境感知ユニット２２０は、車両に設けられ、且つ処理ユニット２１０に信号的に接続され、ｐ個の特徴を取得することに用いられる。環境感知ユニット２２０により取得されたｐ個の特徴を、処理ユニット２１０の次元低下モジュール２１１及び時間補償モジュール２１２により処理された後で、サポートベクターマシン２１３に提供して分類する。サポートベクターマシン２１３の分類結果は車両の運転行為を決めることに用いられる。
これにより、車両の交差点を経過する場合の加速、減速又は定速行為に対する決定を補助することができる。次元低下モジュール２１１、時間補償モジュール２１２の処理細部及びサポートベクターマシン２１３との関係については、上記に説明されたので、ここで繰り返して説明しない。ｐ個の特徴は、車両の対向車に対する横方向速度、車両の対向車に対する横方向加速度、車両の対向車に対する縦方向速度、車両の対向車に対する縦方向加速度、車両と対向車との距離、車両と交差点との距離及び対向車の速度を含んでよい。環境感知ユニット２２０は、レーダー、カメラ及びＧＰＳ測位装置の少なくとも１つを含んでよい。又は、当時の決定は、加速、減速又は定速の少なくとも１つを含んでよい。
本発明を実施形態により前記の通りに開示したが、これは本発明を限定するものではなく、当業者なら誰でも、本発明の精神と領域から逸脱しない限り、多様の変更や修飾を加えることができる。従って、本発明の保護範囲は、後の特許請求の範囲で指定した内容を基準とするものである。
１００、２００ サポートベクターマシンに基づく交差点知能運転システム
１１０ サポートベクターマシンの提供工程
１２０ データの処理工程
１３０ 決定工程
２１０ 処理ユニット
２１１ 次元低下モジュール
２１２ 時間補償モジュール
２１３ サポートベクターマシン
２２０ 環境感知ユニット
Ｖ１ 車両
Ｖ２ 対向車
Ｒ１ 横方向道路

Claims (13)

  1. 車両に適用されるサポートベクターマシンに基づく交差点知能運転方法において、
    予め訓練過程を経過したサポートベクターマシンを提供し、前記訓練過程において、訓練データを前記サポートベクターマシンに提供し、前記訓練データは原始データから次元低下モジュール及び時間補償モジュールにより処理されて得られ、前記原始データは複数の訓練サンプルを含み、各前記訓練サンプルは交差点を通る時間合計値、及び前記時間合計値内の複数のサンプリング時点のそれぞれに対応するｐ個の特徴及び当時の決定を含み、前記次元低下モジュールは前記ｐ個の特徴をｋ個の新らしい特徴に整合し、前記時間補償モジュールはプリセット時間を提供し、何れの前記訓練サンプルにおける何れの前記サンプリング時点及び前記何れのサンプリング時点の前の他の前記サンプリング時点のそれぞれに対応する前記新らしい特徴を被拡張数列とし、且つ前記被拡張数列を拡張数列に再整合し、前記拡張数列の長さは前記プリセット時間内にある前記サンプリング時点の数に等しく、ｐ、ｋは正整数であり、且つｐ＞ｋであるサポートベクターマシンの提供工程と、
    環境感知ユニットにより取得された前記ｐ個の特徴を前記次元低下モジュール及び前記時間補償モジュールにより処理された後で、前記サポートベクターマシンに提供して分類するデータの処理工程と、
    前記サポートベクターマシンの分類結果に基づいて前記車両の運転行為を決める決定工程と、
    を含むサポートベクターマシンに基づく交差点知能運転方法。
  2. 前記次元低下モジュールは、主成分分析法を使用する請求項１に記載のサポートベクターマシンに基づく交差点知能運転方法。
  3. 前記時間補償モジュールは、均等スケーリング法を使用する請求項１に記載のサポートベクターマシンに基づく交差点知能運転方法。
  4. 前記プリセット時間は、前記時間合計値における最大のものに等しい請求項１に記載のサポートベクターマシンに基づく交差点知能運転方法。
  5. 前記ｐ個の特徴は、前記車両の対向車に対する横方向速度、前記車両の前記対向車に対する横方向加速度、前記車両の前記対向車に対する縦方向速度、前記車両の前記対向車に対する縦方向加速度、前記車両と前記対向車との距離、前記車両と前記交差点との距離及び前記対向車の速度を含む請求項１に記載のサポートベクターマシンに基づく交差点知能運転方法。
  6. 前記原始データにおける前記特徴は前記環境感知ユニットにより取得され、前記環境感知ユニットは、レーダー、カメラ及びＧＰＳ測位装置の少なくとも１つを含む請求項１に記載のサポートベクターマシンに基づく交差点知能運転方法。
  7. 車両に適用されるサポートベクターマシンに基づく交差点知能運転方法において、
    予め訓練過程を経過したサポートベクターマシンを提供し、前記訓練過程において、訓練データを前記サポートベクターマシンに提供し、前記訓練データは原始データから次元低下モジュール及び時間補償モジュールにより処理されて得られ、前記原始データは複数の訓練サンプルを含み、各前記訓練サンプルは交差点を通る時間合計値、及び前記時間合計値内の複数のサンプリング時点のそれぞれに対応するｐ個の特徴及び当時の決定を含み、前記次元低下モジュールは前記ｐ個の特徴をｋ個の新らしい特徴に整合し、前記時間補償モジュールはプリセット時間を提供し、何れの前記訓練サンプルにおける何れの前記サンプリング時点及び前記何れのサンプリング時点の前の他の前記サンプリング時点のそれぞれに対応する前記新らしい特徴を被拡張数列とし、且つ前記被拡張数列の長さが前記プリセット時間内にある前記サンプリング時点の数よりも小さい場合、前記被拡張数列に見積り値を補填した後で新らしい被拡張数列を形成し、且つ前記時間補償モジュールは前記新らしい被拡張数列を拡張数列に再整合し、前記拡張数列の長さは前記プリセット時間内にある前記サンプリング時点の数に等しく、ｐ、ｋは正整数であり、且つｐ＞ｋであるサポートベクターマシンの提供工程と、
    環境感知ユニットにより取得された前記ｐ個の特徴を前記次元低下モジュール及び前記時間補償モジュールにより処理された後で、前記サポートベクターマシンに提供して分類するデータの処理工程と、
    前記サポートベクターマシンの分類結果に基づいて前記車両の運転行為を決める決定工程と、
    を含む車両に適用されるサポートベクターマシンに基づく交差点知能運転方法。
  8. 前記時間補償モジュールは、主成分分析法を使用する請求項７に記載のサポートベクターマシンに基づく交差点知能運転方法。
  9. 前記時間補償モジュールは、均等スケーリング法を使用する請求項７に記載のサポートベクターマシンに基づく交差点知能運転方法。
  10. 車両に適用されるサポートベクターマシンに基づく交差点知能運転システムにおいて、
    複数のサンプリング時点のそれぞれに対応するｐ個の特徴をｋ個の新らしい特徴に整合し、ｐ、ｋは正整数であり、且つｐ＞ｋである次元低下モジュールと、プリセット時間を提供し、何れの前記サンプリング時点及び前記何れのサンプリング時点の前の他の前記サンプリング時点のそれぞれに対応する前記新らしい特徴を被拡張数列とし、且つ前記被拡張数列を拡張数列に再整合し、前記拡張数列の長さは前記プリセット時間内にある前記サンプリング時点の数に等しい時間補償モジュールと、訓練データにより訓練され、前記訓練データは原始データから前記次元低下モジュール及び前記時間補償モジュールにより処理されて得られ、前記原始データは複数の訓練サンプルを含み、各前記訓練サンプルは交差点を通る時間合計値、及び前記時間合計値内の各前記サンプリング時点に対応する前記ｐ個の特徴及び当時の決定を含むサポートベクターマシンと、を含み、前記車両に設けられる処理ユニットと、
    前記車両に設けられ、且つ前記処理ユニットに信号的に接続される環境感知ユニットと、
    を備え、
    前記環境感知ユニットにより取得された前記ｐ個の特徴を前記処理ユニットの前記次元低下モジュール及び前記時間補償モジュールにより処理された後で、前記サポートベクターマシンに提供して分類し、前記サポートベクターマシンの分類結果は前記車両の運転行為を決めることに用いられるサポートベクターマシンに基づく交差点知能運転システム。
  11. 前記ｐ個の特徴は、前記車両の対向車に対する横方向速度、前記車両の前記対向車に対する横方向加速度、前記車両の前記対向車に対する縦方向速度、前記車両の前記対向車に対する縦方向加速度、前記車両と前記対向車との距離、前記車両と前記交差点との距離及び前記対向車の速度を含む請求項１０に記載のサポートベクターマシンに基づく交差点知能運転システム。
  12. 前記環境感知ユニットは、レーダー、カメラ及びＧＰＳ測位装置の少なくとも１つを含む請求項１０に記載のサポートベクターマシンに基づく交差点知能運転システム。
  13. 前記当時の決定は、加速、減速又は定速の少なくとも１つを含む請求項１０に記載のサポートベクターマシンに基づく交差点知能運転システム。
JP2018228020A 2018-10-17 2018-12-05 サポートベクターマシンに基づく交差点知能運転方法及びそのシステム Active JP6755291B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW107136584 2018-10-17
TW107136584A TWI690440B (zh) 2018-10-17 2018-10-17 基於支持向量機之路口智慧駕駛方法及其系統

Publications (2)

Publication Number Publication Date
JP2020064584A true JP2020064584A (ja) 2020-04-23
JP6755291B2 JP6755291B2 (ja) 2020-09-16

Family

ID=67701422

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018228020A Active JP6755291B2 (ja) 2018-10-17 2018-12-05 サポートベクターマシンに基づく交差点知能運転方法及びそのシステム

Country Status (4)

Country Link
US (1) US10878346B2 (ja)
JP (1) JP6755291B2 (ja)
DE (1) DE102018130004B3 (ja)
TW (1) TWI690440B (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3614223B1 (en) * 2018-08-24 2020-06-17 The Boeing Company Method, system and emergency control device for traffic management of autonomous vehicles in emergency situations
US20200393840A1 (en) * 2019-06-12 2020-12-17 International Business Machines Corporation Metric learning prediction of simulation parameters
CN114056425B (zh) * 2021-11-23 2023-07-18 东软集团股份有限公司 车辆转向控制方法、装置、车辆及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008140118A (ja) * 2006-12-01 2008-06-19 Advanced Telecommunication Research Institute International 危険動作検出装置および危険動作検出方法
JP2012048310A (ja) * 2010-08-24 2012-03-08 Denso Corp 運転支援システム、車載装置、情報配信装置
JP2014525097A (ja) * 2011-07-19 2014-09-25 スマートシグナル・コーポレーション 予測および予想のための逐次カーネル回帰モデリングのシステム
WO2014199920A1 (ja) * 2013-06-12 2014-12-18 日本電気株式会社 予測関数作成装置、予測関数作成方法、及びコンピュータ読み取り可能な記録媒体
JP2016071697A (ja) * 2014-09-30 2016-05-09 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 学習装置、処理装置、予測システム、学習方法、処理方法、およびプログラム
JP2017010206A (ja) * 2015-06-19 2017-01-12 株式会社デンソー 運転操作判別装置
JP2017027599A (ja) * 2015-07-17 2017-02-02 本田技研工業株式会社 旋回予測
JP2017138952A (ja) * 2015-04-21 2017-08-10 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
JP2017174355A (ja) * 2016-03-25 2017-09-28 パナソニックＩｐマネジメント株式会社 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援システム、プログラム
WO2018179533A2 (en) * 2017-03-29 2018-10-04 Mitsubishi Electric Corporation System and method for controlling lateral motion of vehicle

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7647180B2 (en) * 1997-10-22 2010-01-12 Intelligent Technologies International, Inc. Vehicular intersection management techniques
US7268700B1 (en) * 1998-01-27 2007-09-11 Hoffberg Steven M Mobile communication device
DE10146398A1 (de) * 2001-09-20 2003-04-17 Siemens Ag System zum Steuern von Lichtsignalgebern an Kreuzungen
US9818136B1 (en) * 2003-02-05 2017-11-14 Steven M. Hoffberg System and method for determining contingent relevance
US7457282B2 (en) * 2003-10-29 2008-11-25 Nokia Corporation Method and apparatus providing smooth adaptive management of packets containing time-ordered content at a receiving terminal
US7424026B2 (en) * 2004-04-28 2008-09-09 Nokia Corporation Method and apparatus providing continuous adaptive control of voice packet buffer at receiver terminal
US7590589B2 (en) * 2004-09-10 2009-09-15 Hoffberg Steven M Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference
US7702502B2 (en) * 2005-02-23 2010-04-20 Digital Intelligence, L.L.C. Apparatus for signal decomposition, analysis and reconstruction
JP4673411B2 (ja) * 2005-11-07 2011-04-20 テレフオンアクチーボラゲット エル エム エリクソン（パブル） 移動通信ネットワークにおける方法および装置
US7469035B2 (en) * 2006-12-11 2008-12-23 The Board Of Trustees Of The Leland Stanford Junior University Method to track three-dimensional target motion with a dynamical multi-leaf collimator
US20090089029A1 (en) * 2007-09-28 2009-04-02 Rockwell Automation Technologies, Inc. Enhanced execution speed to improve simulation performance
US8069021B2 (en) * 2007-09-28 2011-11-29 Rockwell Automation Technologies, Inc. Distributed simulation and synchronization
CN101271625A (zh) * 2008-04-03 2008-09-24 东南大学 集成支持向量机检测高速公路交通事件的方法
US8892348B2 (en) * 2009-11-18 2014-11-18 The Mitre Corporation Method and system for aircraft conflict detection and resolution
US10112258B2 (en) * 2012-03-30 2018-10-30 View, Inc. Coaxial distance measurement via folding of triangulation sensor optics path
CN102890866B (zh) * 2012-09-17 2015-01-21 上海交通大学 基于多核支持向量回归机的交通流速度估计方法
KR102044193B1 (ko) * 2013-03-28 2019-12-02 현대모비스 주식회사 기계학습기법에 의한 자동차 충돌 경보 시스템 및 방법
US10687175B2 (en) * 2015-08-14 2020-06-16 Lg Electronics Inc. Method for transmitting and receiving V2X message in wireless communication system, and an apparatus for same
US10042038B1 (en) * 2015-09-01 2018-08-07 Digimarc Corporation Mobile devices and methods employing acoustic vector sensors
US9983591B2 (en) 2015-11-05 2018-05-29 Ford Global Technologies, Llc Autonomous driving at intersections based on perception data
KR102127397B1 (ko) * 2016-03-22 2020-06-26 엘지전자 주식회사 데이터 유닛을 전송하는 방법 및 사용자기기와, 데이터 유닛을 수신하는 방법 및 사용자기기
US10118696B1 (en) * 2016-03-31 2018-11-06 Steven M. Hoffberg Steerable rotating projectile
CN105930625B (zh) 2016-06-13 2018-12-14 天津工业大学 Q学习结合神经网络的智能驾驶行为决策系统的设计方法
US20180045522A1 (en) * 2016-08-13 2018-02-15 Skymachines, Inc. Sky Machines
CN106777776A (zh) * 2017-01-10 2017-05-31 长沙理工大学 一种基于支持向量机模型的车辆换道决策方法
CN107272687A (zh) 2017-06-29 2017-10-20 深圳市海梁科技有限公司 一种自动驾驶公交车辆的驾驶行为决策系统
US10417224B2 (en) * 2017-08-14 2019-09-17 Palantir Technologies Inc. Time series database processing system
CN107499262A (zh) 2017-10-17 2017-12-22 芜湖伯特利汽车安全系统股份有限公司 基于机器学习的acc/aeb系统及车辆
US11017249B2 (en) * 2018-01-29 2021-05-25 Futurewei Technologies, Inc. Primary preview region and gaze based driver distraction detection

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008140118A (ja) * 2006-12-01 2008-06-19 Advanced Telecommunication Research Institute International 危険動作検出装置および危険動作検出方法
JP2012048310A (ja) * 2010-08-24 2012-03-08 Denso Corp 運転支援システム、車載装置、情報配信装置
JP2014525097A (ja) * 2011-07-19 2014-09-25 スマートシグナル・コーポレーション 予測および予想のための逐次カーネル回帰モデリングのシステム
WO2014199920A1 (ja) * 2013-06-12 2014-12-18 日本電気株式会社 予測関数作成装置、予測関数作成方法、及びコンピュータ読み取り可能な記録媒体
JP2016071697A (ja) * 2014-09-30 2016-05-09 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 学習装置、処理装置、予測システム、学習方法、処理方法、およびプログラム
JP2017138952A (ja) * 2015-04-21 2017-08-10 パナソニックＩｐマネジメント株式会社 情報処理システム、情報処理方法、およびプログラム
JP2017010206A (ja) * 2015-06-19 2017-01-12 株式会社デンソー 運転操作判別装置
JP2017027599A (ja) * 2015-07-17 2017-02-02 本田技研工業株式会社 旋回予測
JP2017174355A (ja) * 2016-03-25 2017-09-28 パナソニックＩｐマネジメント株式会社 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、運転支援システム、プログラム
WO2018179533A2 (en) * 2017-03-29 2018-10-04 Mitsubishi Electric Corporation System and method for controlling lateral motion of vehicle

Also Published As

Publication number Publication date
US20200125994A1 (en) 2020-04-23
JP6755291B2 (ja) 2020-09-16
US10878346B2 (en) 2020-12-29
TW202015947A (zh) 2020-05-01
TWI690440B (zh) 2020-04-11
DE102018130004B3 (de) 2019-09-12

Similar Documents

Publication Publication Date Title
Zeng et al. Application of social force model to pedestrian behavior analysis at signalized crosswalk
Khakzar et al. A dual learning model for vehicle trajectory prediction
JP2020064584A (ja) サポートベクターマシンに基づく交差点知能運転方法及びそのシステム
Völz et al. Feature relevance estimation for learning pedestrian behavior at crosswalks
CN113486531A (zh) 一种车辆行驶路径规划方法、设备及系统
CN113486726A (zh) 一种基于改进卷积神经网络的轨道交通障碍物检测方法
Niranjan et al. Deep learning based object detection model for autonomous driving research using carla simulator
CN113688652A (zh) 一种异常驾驶行为的处理方法和装置
EP3907654A1 (en) Method for explainable active learning, to be used for object detector, by using bayesian dual autoencoder and active learning device using the same
Wirthmüller et al. Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks
CN115018016A (zh) 一种人工驾驶车辆换道意图识别方法和系统
CN112181698A (zh) 自动驾驶极限性能的测试方法、装置、设备及存储介质
US11798407B1 (en) Method and system for identifying lane changing intention of manually driven vehicle
CN113935143A (zh) 通过自主车辆的增加的严重性等级估计碰撞概率
Platho et al. Predicting velocity profiles of road users at intersections using configurations
CN113191318A (zh) 目标检测方法、装置、电子设备及存储介质
Naik et al. Implementation of YOLOv4 algorithm for multiple object detection in image and video dataset using deep learning and artificial intelligence for urban traffic video surveillance application
Aghabayk et al. New car-following model considering impacts of multiple lead vehicle types
CN114730494A (zh) 用于对交通场景的空间的覆盖进行估计的方法
Jelić et al. Can we replace real-world with synthetic data in deep learning-based ADAS algorithm development?
CN111055849B (zh) 基于支持向量机的路口智能驾驶方法及其系统
CN116361175A (zh) 一种自动驾驶车辆在不同安全域的测试场景创建方法
CN116091777A (zh) 点云全景分割及其模型训练方法、电子设备
Yang et al. CAR ACCIDENTS IN THE DETERMINISTIC AND NONDETERMINISTIC NAGEL–SCHRECKENBERG MODELS
Yanagihara et al. Latent class analysis for driving behavior on merging section

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20181205

A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20181227

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191008

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200108

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200728

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200825

R150 Certificate of patent or registration of utility model

Ref document number: 6755291

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250