TWI808329B - 自動駕駛車輛之行車風險評估及控制機制決策方法 - Google Patents
自動駕駛車輛之行車風險評估及控制機制決策方法 Download PDFInfo
- Publication number
- TWI808329B TWI808329B TW109123784A TW109123784A TWI808329B TW I808329 B TWI808329 B TW I808329B TW 109123784 A TW109123784 A TW 109123784A TW 109123784 A TW109123784 A TW 109123784A TW I808329 B TWI808329 B TW I808329B
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- sensing
- decision
- processor
- values
- Prior art date
Links
Landscapes
- Traffic Control Systems (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本發明揭露自動駕駛車輛之行車風險評估及控制機制決策方法,包含
感測複數次車輛周圍之狀態,以產生複數感測訊號;量化各感測訊號,產生複數個感測值後,計算複數個感測值的一感測平均值;根據各感測值及感測平均值計算一感測誤差值,並計算複數個感測誤差值的一感測誤差平方平均值;整合感測誤差平方平均值、感測器出廠規格誤差平均值以及感測器出廠規格誤差變異數值,以產生一穩態感測誤差校正值;合併計算複數個感測值及穩態感測誤差校正值,以產生複數個感測訊號參考值;判斷複數個感測訊號參考值之穩定性是否落在預設範圍內;控制器根據穩定性的判斷結果對應產生控制機制。
Description
本發明係有關於一種行車風險評估及控制機制決策方法,特別是有關於一種自動駕駛車輛之行車風險評估及控制機制決策方法。
車輛自動駕駛技術係為目前蓬勃發展的技術之一,而在自動駕駛的日常情境中,都需要藉由感測器偵測周遭環境的資訊,用以自動控制車輛的作動,例如,在交通路口、車道變換以及加減速的過程中,都需要藉由感測器偵測周遭環境的資訊,以控制車輛的作動。然而,當感測器偵測及輸出的資訊有失真、屏蔽或者失效的情況出現,將使得車輛的自動控制產生誤差。
承上所述,現今的自動駕駛技術包含有一決策中心,決策中心係假設感測器偵測資訊的物理量皆為理想值,其並未將偵測物理量的不確定性納入決策考量,亦未布局資料具不確定性之決策函數。進一步而言,由於感測器本身具有感測的誤差,其穩定性不足,因而在偵測位置以及偵測速度上都會產生誤差。雖然市售感測器傳輸至決策中心的相關物理量宣稱已經包含誤差範圍,然而實際上進行決策時並未將該誤差納入考量。據此,若能針對感測器加入資料不確定性的決策函數將有助於提升自動駕駛的準確性。
再者,除了感測器之外,控制器亦面臨到相同的問題。車輛的控制器係針對接收到的指令或訊號進行相對應的作動。然而,在自動駕駛的日常情境中,當輸入控制器的訊號值與控制器輸出的數值無法一致而產生誤差時,
也會使得車輛在自動駕駛的控制上無法達到精準控制的要求,因而提高駕駛的風險。
據此,如何提供一種自動駕駛車輛之行車風險評估及控制機制決策方法已成為目前急需研究的課題。
鑑於上述問題,本發明揭露一種自動駕駛車輛之行車風險評估及控制機制決策方法,包含下列步驟:藉由一感測器感測複數次一車輛周圍之狀態,以產生複數感測訊號。藉由一處理器量化各該感測訊號,產生複數個感測值後,計算複數個感測值的一感測平均值。藉由處理器根據各感測值及感測平均值計算一感測誤差值,並計算感測器之一感測誤差平方平均值。藉由處理器整合感測誤差平方平均值、感測器出廠規格誤差平均值以及感測器出廠規格誤差變異數值,以產生感測器之一穩態感測誤差校正值。藉由處理器合併計算複數個感測值及穩態感測誤差校正值,以產生複數個感測訊號參考值。藉由處理器判斷複數個感測訊號參考值之第一穩定性是否落在第一預設範圍內。若複數個感測訊號參考值穩定地落在第一預設範圍內,處理器傳送複數個感測訊號參考值至一決策單元,決策單元產生一第一風險預測評估值。若複數個感測訊號參考值非穩定地落在第一預設範圍內,處理器不傳送複數個感測訊號參考值至決策單元,決策單元產生第二風險預測評估值。藉由一控制器根據第一風險預測評估值或第二風險預測評估值產生一控制機制。
承上所述,本發明自動駕駛車輛之行車風險評估及控制機制決策方法整合感測器的觀測誤差以及系統規格誤差,提升自動駕駛車輛在感測誤差判斷上的準確性,進一步提升自動駕駛車輛的穩定性。此外,除了感測器以外,本發明同樣針對控制器整合控制誤差以及系統規格誤差,提升自動駕駛車
輛在控制誤差上的準確性,進一步提升自動駕駛車輛的操控性。再者,根據感測器的觀測誤差以及系統規格誤差所產生的風險預測評估值,以及根據控制器的控制誤差以及系統規格誤差所產生的風險預測評估值,綜合兩者,可產生更安全、更可靠的風險評估及控制機制。
S10~S18:步驟
S20~S28:步驟
S30~S38:步驟
D i :感測值
圖1A係為本發明自動駕駛車輛之行車風險評估及控制機制決策方法的流程圖;圖1B係為本發明自動駕駛車輛之行車風險評估及控制機制決策方法的車輛距離示意圖;圖2係為本發明自動駕駛車輛之行車風險評估及控制機制決策方法另一實施例的流程圖;圖3係為本發明自動駕駛車輛之行車風險評估及控制機制決策方法另一實施例的流程圖;圖4A係為針對圖1A自動駕駛車輛之行車風險評估及控制機制決策方法,感測器、處理器以及控制器的方塊示意圖;圖4B係為針對圖2自動駕駛車輛之行車風險評估及控制機制決策方法,感測器、處理器以及控制器的方塊示意圖;以及圖4C係為針對圖3自動駕駛車輛之行車風險評估及控制機制決策方法,感測器、處理器以及控制器的方塊示意圖。
首先需說明的是在本發明自動駕駛車輛之行車風險評估及控制機制決策方法中,感測器及控制器係設置於車輛上,感測器用於感測車輛周遭的訊號,控制器則包含有關車輛相關作動的控制都包含在控制器的範圍內,例如油門控制器以及方向盤控制器等等,於本發明中並不限定。
請參閱圖1A,其係為本發明自動駕駛車輛之行車風險評估及控制機制決策方法的流程圖。自動駕駛車輛之行車風險評估及控制機制決策方法包含下列步驟:於步驟S10中,藉由一感測器感測複數次一車輛周圍之狀態,以產生複數感測訊號。於步驟S11中,藉由一處理器量化各該感測訊號,產生複數個感測值D i 後,計算複數個感測值D i 的一感測平均值。於步驟S12中,藉由處理器根據各該感測值D i 及感測平均值計算一感測誤差值D εi ,並計算感測器之一感測誤差平方平均值σ2。於步驟S13中,藉由處理器整合感測誤差平方平均值σ2、感測器出廠規格誤差平均值以及感測器出廠規格誤差變異數值,以產生感測器之一穩態感測誤差校正值μ n 。於步驟S14中,藉由處理器合併計算複數個感測值D i 及穩態感測誤差校正值μ n ,以產生複數個感測訊號參考值D *。於步驟S15中,藉由處理器判斷複數個感測訊號參考值D *之第一穩定性是否落在第一預設範圍內。於步驟S16中,若複數個感測訊號參考值D *穩定地落在第一預設範圍內,處理器傳送複數個感測訊號參考值D *至一決策單元,決策單元產生一第一風險預測評估值。於步驟S17中,若複數個感測訊號參考值D *非穩定地落在第一預設範圍內,處理器不傳送複數個感測訊號參考值D *至決策單元,決策單元產生第二風險預測評估值。於步驟S18中,藉由一控制器根據第一風險預測評估值或第二風險預測評估值產生一控制機制,其中感測器之感測誤差平方平均值σ2的計算公式如下:
在自動駕駛車輛的過程中,由於感測器需要判斷周遭環境的狀態,以作為自動駕駛的參考依據,因此感測器需要針對環境中的各種狀況進行偵測,並對應產生感測訊號。在本發明之實施例中,感測訊號包含一障礙物意圖訊號、一物體距離訊號以及一車輛燈號訊號,但於本發明中並不限定。障礙物意圖包含動物、行人及車輛的移動方向意圖,針對動物、行人及車輛的行進方向進行偵測,並對應產生障礙物意圖訊號。物體距離包含感測器感測到與目前周遭的動物、行人及車輛之間的距離,並對應產生物體距離訊號。車輛燈號包含感測器感測到目前周遭的車輛燈號,包含煞車燈號、轉向燈號以及頭/尾燈燈號,並對應產生車輛燈號訊號。此外,若以障礙物意圖訊號為例,障礙物的意圖可以利用障礙物的移動方向與本車之間形成的夾角變化來評估障礙物意圖,並藉由感測器感測障礙物意圖而產生障礙物意圖訊號。若以車輛燈號訊號為例,可針對燈號產生的物理訊號轉換為對應的數字表示,亦即,燈號的物理量可以利用數字來表示,例如紅綠燈的綠燈以數字1表示,紅綠燈的紅燈是數字2,車輛的右轉燈號以數字3表示,諸如此類,並將感測到的物理訊號量化為感測值後,根據上述方法計算風險預測評估值。
請參閱圖1B,其係為本發明自動駕駛車輛之行車風險評估及控制機制決策方法的車輛距離示意圖。於步驟S10中,感測器產生複數感測訊號後,於步驟S11中處理器需要將各個感測訊號進行量化,並產生複數個感測值D i 後,計算複數個感測值D i 的平均值,以產生感測平均值。因此,在以下實施例中,為了具體說明起見,係以圖1B中物體距離的感測訊號為例,亦即本車與前方車輛的感測距離作為計算的感測訊號。然而,由圖式中可知,當本車車輛周遭包含許多車輛時,最多的狀況下可能包含有8輛車圍繞在本車周圍,而實際上,感測器必須針對本車車輛與周圍所有車輛進行感測,因此,為了簡化
說明起見,係僅以本車車輛與正前方一輛車輛的感測距離做為以下實施例的說明。
感測器所感測出的距離感測訊號在量化之後,經過統計的結果,距離感測值D i 呈現各種統計分佈的態樣,包含一常態分佈值、一指數分佈值或者一韋伯分佈值,統計的結果並儲存在一儲存模組中。此外,距離感測平均值亦儲存在儲存模組內,並藉由處理器計算、比對及存取。以常態分佈的態樣為例,處理器根據感測器量測本車車輛與前方車輛3次的感測距離,所量測到的各個距離感測值D 1 、D 2 、D 3,並計算距離感測平均值,據此完成步驟S11的計算。其中該距離感測平均值的計算公式如下:
進一步而言,於步驟S12中,藉由處理器計算每一次量測到的距離感測值D i 與距離感測平均值之間的差異大小,並計算感測誤差值D εi 的平方平均值。感測誤差值D ε以及感測誤差平方平均值σ2的計算公式如下:
σ2:感測誤差平方平均值,D εi :感測誤差值,n:正整數
此外,由於感測器在生產製造完成後,並無法達到百分之百的感測準確率,因此感測器係具有一系統規格誤差,於製造出廠時經由測量而產生感測器出廠規格誤差平均值。感測器出廠規格誤差平均值經過統計分析後,包含一常態分佈、一指數分佈或者一韋伯分佈的統計分析結果。因此,於步驟S13中,藉由處理器整合感測誤差平方平均值σ2、感測器出廠規格誤差平均值以及感測器出廠規格誤差變異數值,以產生感測器之一穩態感測誤差
校正值μ n ,穩態感測誤差校正值μ n 的計算公式如下,據此完成步驟S13中穩態感測誤差校正值μ n 的計算。
完成穩態感測誤差校正值μ n 的計算後,於步驟S14中,藉由處理器合併計算感測值D i 及穩態感測誤差校正值μ n ,以產生複數個感測訊號參考值D *。據此,本發明在感測訊號參考值D *的計算上可藉由合併穩態感測誤差校正值μ n ,使得計算結果更為精確。感測訊號參考值D *計算公式如下。
D *=D i +μ n
其中D *:感測訊號參考值,D i :感測值,μ n :穩態感測誤差校正值
完成感測訊號參考值D *的計算後,於步驟S15中,藉由處理器判斷複數個感測訊號參考值D *之第一穩定性是否落在第一預設範圍內。於本發明之實施例中包含兩種判斷方法。
第一種方法為判斷複數個感測訊號參考值D *之離散變異程度V *是否穩定地小於一門檻值,若離散變異程度V *穩定地小於門檻值,則表示在經過一段時間內,藉由上述步驟所產生的複數個感測訊號參考值D *當中,包含有一定百分比比例數量的感測訊號參考值D *為可控值,據此可判定複數個感測訊號參考值D *係穩定地落在第一預設範圍內,處理器傳送複數個感測訊號參考值D *至決策單元,決策單元據此產生第一風險預測評估值。若離散變異程度V *非穩定地小於門檻值,則表示在經過一段時間內,藉由上述步驟所
產生的複數個感測訊號參考值D *當中,包含有一定百分比比例數量的感測訊號參考值D *為不可控值,據此可判定複數個感測訊號參考值D *係非穩定地落在第一預設範圍內,處理器不傳送複數個感測訊號參考值D *至決策單元,決策單元據此產生第二風險預測評估值。於本發明之實施例中,百分比比例的數量包含30%、40%、50%、60%、70%、80%或90%,於本發明中並不限定。
第二種方法為判斷複數個感測值D i 是否穩定地落在一統計分佈信賴區間的一上限值及一下限值範圍內決定;若複數個感測值D i 穩定地落在統計分佈信賴區間的上限值及下限值範圍內,表示在經過一段時間內,感測器所量測到的複數個感測值D i 當中,包含有一百分比比例的感測值D i (第一數量個的感測值D i )係穩定地落統計分佈信賴區間的上限值及下限值範圍在內,此時可判定複數個感測訊號參考值D *之第一穩定性係落在第一預設範圍內,亦即在經過上述步驟的校正後,產生的複數個感測訊號參考值D *為可控值,處理器則傳送複數個感測訊號參考值D *至決策單元,決策單元據此產生第一風險預測評估值;若複數個感測值D i 非穩定地落在統計分佈信賴區間的上限值及下限值範圍內,表示在經過一段時間內,感測器所量測到的複數個感測值D i 當中,包含有一百分比比例的感測值D i (第一數量個的感測值D i )係非穩定地落在統計分佈信賴區間的上限值及下限值範圍內,此時可判定複數個感測訊號參考值D *之第一穩定性非落在第一預設範圍內,亦即即使在經過上述步驟的校正後,產生的複數個感測訊號參考值D *為不可控值,處理器則不傳送複數個感測訊號參考值D *至決策單元,決策單元據此產生第二風險預測評估值。於本發明之實施例中,百分比比例可設定為30%、40%、50%、60%、70%、80%或90%,上限值及下限值藉由計算複數個感測訊號參考值D *與複數個感測訊號參考值D *之一離散變異程度V *的一第二權重比例α決定,據此完成步驟S16及步驟S17的判斷。感測訊號參考值D *之離散變異程度V *的計算公式如下。
承上所述,針對超出統計分佈信賴區間的感測值,以距離感測值D i 為例,當距離感測值D i 超出統計分佈信賴區間的上限時,表示車輛可能產生例如跨車道風險,此時控制機制強制介入,並顯示一警告訊息。當距離感測值D i 超出統計分佈信賴區間的下限時,表示車輛可能產生穿越障礙物風險,亦即,在車輛前方可能有其他車輛或障礙物,使得車輛不能直接穿越,否則將撞上其他車輛或障礙物,此時控制機制強制介入,並顯示一警告訊息。當距離感測值D i 穩定地落在統計分佈信賴區間的上限值及下限值範圍內時,顯示一安全訊息,控制機制則提供車輛執行自動駕駛機制或者車輛軌跡預測機制。統計分佈信賴區間的上限值及下限值計算公式如下。
統計分佈信賴區間上限值UCL=D *+αV *
統計分佈信賴區間下限值LCL=D *-αV *,α:第二權重比例
此外,針對上述步驟中所計算出的各個感測值D i 以及統計分佈信賴區間的上限值UCL、下限值LCL皆會儲存到儲存模組中,以便於後續如有產生相同或類似之數據時,將可由儲存模組中載入到處理器中而無須重新計算,並根據載入的數據進行相對應的動作,以節省系統運算時間。此外,上述公式中的第二權重比例α係為一權重因素,其可藉由查找表找出,或者藉由一數學方法計算出。於本發明之實施例中,在常態分佈的統計分佈態樣中,第二權重比例α可藉由查找表找出,指數分佈或者韋伯分佈的統計分佈態樣則藉由數學方法計算出第二權重比例α。
在完成判斷複數個感測訊號參考值D *之第一穩定性後,於步驟S18中,控制器可根據判斷結果執行對應的作動。例如,在上述第一種判斷複數個感測訊號參考值D *之第一穩定性是否落在第一預設範圍內的方法中,若複
數個感測訊號參考值D *之離散變異程度V *穩定地小於門檻值,控制器執行自動駕駛機制或車輛軌跡預測機制,若離散變異程度V *非穩定地小於門檻值,控制器執行人為駕駛機制。在第二種方法中,若複數個感測值D i 穩定地落在統計分佈信賴區間的上限值UCL、下限值LCL之間,控制器執行自動駕駛機制或車輛軌跡預測機制,若複數個感測值D i 非穩定地落在統計分佈信賴區間的上限值UCL、下限值LCL之間,控制器執行人為駕駛機制。
承上所述,在上述的內容中,控制器係根據複數個感測訊號參考值D *之第一穩定性是否落在第一預設範圍內的判斷結果產生對應的作動。實際上,決策單元係根據判斷結果對應產生風險高低的風險預測評估值。進一步而言,決策單元係透過數學公式的計算,計算上述步驟中,離散變異程度V *是否穩定地小於門檻值,以及計算複數個感測值D i 是否穩定地落在統計分佈信賴區間的上限值UCL及下限值LCL之間,對應產生低風險的第一風險預測評估值或高風險的第二風險預測評估值。有關數學公式的描述於此則不再進一步敘述。
風險預測評估值包含一碰撞風險預測評估值、一跨車道風險預測評估值、一闖紅燈風險預測評估值、一逆向風險預測評估值以及一加減速風險預測評估值,每一種風險預測評估值分別對應一風險係數值,高風險之風險預測評估值代表越危險的狀況,因此對應的風險係數值則越高,低風險之風險預測評估值代表相對安全的狀況,因此對應的風險係數值則越低。
若決策單元產生第一風險預測評估值時,處理器判斷第一風險預測評估值是否低於碰撞風險預測評估值;若處理器判斷第一風險預測評估值低於碰撞風險預測評估值時,處理器傳送第一控制訊號至控制器,以執行一自動駕駛機制或一車輛軌跡預測機制;若處理器判斷第一風險預測評估值不低於碰撞預測評估值時,處理器傳送一第二控制訊號至控制器,以執行一人為駕駛
機制。若決策單元產生第二風險預測評估值,處理器判斷第二風險預測評估值是否低於該碰撞風險預測評估值,若處理器判斷第二風險預測評估值低於碰撞風險預測評估值時,處理器傳送第三控制訊號至控制器,以執行人為駕駛機制。風險係數值R計算公式如下。
完成風險係數值R的計算後,於步驟S18中,控制器根據第一風險預測評估值或第二風險預測評估值產生一控制機制。例如,當風險係數值R越大時,表示目前產生碰撞的機率較高,不適宜產生自動駕駛的控制,而是必須介入人為的駕駛進行車輛的控制機制。控制機制包含人為駕駛機制、自動駕駛機制以及車輛軌跡預測機制。
請參閱圖2,其係為本發明自動駕駛車輛之行車風險評估及控制機制決策方法另一實施例的流程圖。上述實施例中,係針對感測器所產生的感測誤差以及系統規格誤差進行感測感測值的修正。於此實施例中,係針對控制器所產生的控制誤差以及系統規格誤差進行修正的方法。該方法步驟如下。
於步驟S20中,藉由一控制器產生複數次車輛之複數個控制訊號;於步驟S21中,藉由一處理器量化各該控制訊號,產生複數個控制值C i 後,計算複數個控制值C i 之一控制平均值;於步驟S22中,藉由處理器根據各控制值C i 及控制平均值計算一控制誤差值C εi ,並計算控制器之一控制誤差平方平均值Cσ2;於步驟S23中,藉由處理器整合控制誤差平方平均值Cσ2、一控制器出廠規格誤差平均值以及一控制器出廠規格誤差變異數值,以產生控制器之一穩態控制誤差校正值Cμ n ;於步驟S24中,藉由處理器合併計算複數個控制值C i 及穩態控制誤差校正值Cμ n ,以產生複數個控制訊號參考值C *;於步驟S25中,藉由處理器判斷複數個控制訊號參考值C *之第二穩定性是否落在第二預設範圍內;於步驟S26中,若複數個控制訊號參考值C *穩定地落在第二預設
範圍內,處理器傳送複數個控制訊號參考值C *至決策單元,決策單元產生第三風險預測評估值;於步驟S27中,若複數個控制訊號參考值C *非穩定地落在第二預設範圍內,處理器不傳送複數個控制訊號參考值C *至決策單元,決策單元產生第四風險預測評估值;於步驟S28中,藉由控制器根據第三風險預測評估值或第四風險預測評估值產生該控制機制。
控制訊號包含方向盤控制訊號、煞車控制訊號、油門控制訊號等,但於本發明中並不限定。此外,在判斷第二穩定性的步驟中,同樣具有相似於上述實施例中的兩種判斷方式,相同的內容於此不再贅述。據此,根據上述步驟可完成控制器的控制誤差以及規格誤差值的修正,相似地計算過程如上述感測器所述,於此不再贅述。
請參閱圖3,其係為本發明自動駕駛車輛之行車風險評估及控制機制決策方法另一實施例的流程圖。上述圖1A及圖2的實施例中,係分別揭露針對感測器及控制器的誤差進行校正的方法。於此實施例中,則可進一步合併兩者,進行感測誤差及控制誤差的校正。該方法步驟如下。
於步驟S30中,藉由一感測器感測複數次一車輛周圍之狀態,以產生複數感測訊號,並藉由一控制器產生複數次車輛之一控制訊號。於步驟S31中,藉由一處理器量化各該感測訊號,產生複數個感測值D i 後,計算複數個感測值D i 的一感測平均值,並藉由一處理器量化各該控制訊號,產生複數個控制值C i 後,計算複數個控制值C i 之一控制平均值。於步驟S32中,藉由該處理器根據各該感測值D i 及該感測平均值計算一感測誤差值D εi ,並計算感測器之一感測誤差平方平均值σ2,並藉由處理器根據各控制值C i 及控制平均值計算一控制誤差值C εi ,並計算控制器之一控制誤差平方平均值Cσ2。於步驟S33中,藉由該處理器整合感測誤差平方平均值σ2、感測器之感測器出廠規格誤差平均值以及感測器之感測器出廠規格誤差變異數值,以產生感測器之
一穩態感測誤差校正值μ n ,並藉由處理器整合控制誤差平方平均值Cσ2、一控制器出廠規格誤差平均值以及一控制器出廠規格誤差變異數值,以產生控制器之一穩態控制誤差校正值Cμ n 。於步驟S34中,藉由處理器合併計算複數個感測值D i 及穩態感測誤差校正值μ n ,以產生複數個感測訊號參考值D *,藉由處理器合併計算複數個控制值C i 及穩態控制誤差校正值Cμ n ,以產生複數個控制訊號參考值C *。於步驟S35中,藉由處理器判斷複數個感測訊號參考值D *之第一穩定性是否落在第一預設範圍內,藉由處理器判斷複數個控制訊號參考值C *之第二穩定性是否落在第二預設範圍內。於步驟S36中,若複數個感測訊號參考值D *穩定地落在第一預設範圍內,處理器傳送複數個感測訊號參考值D *至一決策單元,且若複數個控制訊號參考值C *穩定地落在第二預設範圍內,處理器傳送複數個控制訊號參考值C *至決策單元,決策單元產生第五風險預測評估值。於步驟S37中,若複數個感測訊號參考值D *非穩定地落在第一預設範圍內,處理器不傳送複數個感測訊號參考值D *至決策單元,或者,若複數個控制訊號參考值C *非穩定地落在第二預設範圍內,處理器不傳送複數個控制訊號參考值C *至決策單元,決策單元產生一第六風險預測評估值。於步驟S38中,藉由一控制器根據第五風險預測評估值或第六風險預測評估值產生控制機制。
承上所述,第五風險預測評估值係綜合考量上述實施例中的第一風險預測評估值及第三風險預測評估值產生,第六風險預測評估值係綜合考量上述實施例中的第二風險預測評估值及第四風險預測評估值產生,控制器並根據第五風險預測評估值及第六風險預測評估值的風險高低對應產生控制機制。相似的原理及判斷方法如上所述,於此不再贅述。
承上所述,在第五風險預測評估值以及第六風險預測評估值的綜合考量上,只要有其中任一風險預測評估值為高者,第五風險預測評估值以及第六風險預測評估值則被判定為高風險。例如,當第一風險預測評估值或第
三風險預測評估值為高風險時,第五風險預測評估值則判定為高風險。當第二風險預測評估值或第四風險預測評估值為高風險時,第六風險預測評估值則判定為高風險。只有在兩者皆為低風險時,第五風險預測評估值以及第六風險預測評估值才判定為高風險,亦即,當第一風險預測評估值以及第三風險預測評估值為低風險時,第五風險預測評估值判定為低風險。當第二風險預測評估值以及第四風險預測評估值為低風險時,第六風險預測評估值則判定為低風險。
據此,根據上述步驟可完成感測器的感測誤差以及規格誤差值、控制器的控制誤差以及規格誤差值的修正,相似地計算過程如上述感測器及控制器所述,於此不再贅述。
請參閱圖4A、圖4B及圖4C,其係分別為針對上述圖1A自動駕駛車輛之行車風險評估及控制機制決策方法、圖2自動駕駛車輛之行車風險評估及控制機制決策方法以及圖3自動駕駛車輛之行車風險評估及控制機制決策方法,感測器、處理器以及控制器的方塊示意圖。圖4A表示由上述步驟中,感測器將感測到的訊號輸入至處理器中,並根據上述步驟計算出感測訊號參考值D *,並由處理器判斷感測訊號參考值D *是否為可控值後,傳送至決策單元,使決策單元據此產生風險預測評估值,控制器據此產生對應的控制機制。圖4B表示由上述步驟中,控制器將輸出的控制訊號迴授輸入至處理器中,並根據上述步驟計算出控制訊號參考值C *,並由處理器判斷控制訊號參考值C *是否為可控值後,傳送至決策單元,使決策單元據此產生風險預測評估值,控制器據此產生對應的控制機制。圖4C表示由上述步驟中,感測器將感測到的訊號輸入至處理器中,控制器將輸出的控制訊號迴授輸入至處理器中,並根據上述步驟計算出感測訊號參考值D *以及控制訊號參考值C *,並由處理器判斷感測訊號參考值D *以及控制訊號參考值C *是否為可控值後,傳送至決策單元,使決策單元據此產生風險預測評估值,控制器據此產生對應的控制機制。此外,需注意的是在
圖4B及圖4C的示意圖中,係以控制器直接連接處理器,但實際上此處的控制器係包含各種控制的系統,並將該系統輸出的控制訊號迴授至處理器進行控制訊號的修正,使得每一次控制器輸出的控制訊號越趨準確。
綜上所述,本發明自動駕駛車輛之行車風險評估及控制機制決策方法整合感測器的觀測誤差以及系統規格誤差,提升自動駕駛車輛在感測誤差判斷上的準確性,進一步提升自動駕駛車輛的穩定性。此外,除了感測器以外,本發明同樣針對控制器整合控制誤差以及系統規格誤差,提升自動駕駛車輛在控制誤差上的準確性,進一步提升自動駕駛車輛的操控性。再者,根據感測器的觀測誤差以及系統規格誤差所產生的風險預測評估值,以及根據控制器的控制誤差以及系統規格誤差所產生的風險預測評估值,綜合兩者,可產生更安全、更可靠的風險評估及控制機制。
S10~S18:步驟
Claims (10)
- 一種自動駕駛車輛之行車風險評估及控制機制決策方法,包含:藉由一感測器感測複數次一車輛周圍之狀態,以產生複數感測訊號;藉由一處理器量化各該感測訊號,產生複數個感測值後,計算該複數個感測值的一感測平均值;藉由該處理器根據各該感測值及該感測平均值計算一感測誤差值,並根據計算出之各個該感測誤差值計算該感測器之一感測誤差平方平均值;藉由該處理器整合該感測誤差平方平均值、該感測器之一感測器出廠規格誤差平均值以及該感測器之一感測器出廠規格誤差變異數值,以產生該感測器之一穩態感測誤差校正值;藉由該處理器合併計算該複數個感測值及該穩態感測誤差校正值,以產生複數個感測訊號參考值;藉由該處理器判斷該複數個感測訊號參考值之一第一穩定性是否落在一第一預設範圍內;若該複數個感測訊號參考值穩定地落在該第一預設範圍內,該處理器傳送該複數個感測訊號參考值至一決策單元,該決策單元產生一第一風險預測評估值;若該複數個感測訊號參考值非穩定地落在該第一預設範圍內,該處理器不傳送該複數個感測訊號參考值至該決策單元,該決策單元產生一第二風險預測評估值;以及藉由一控制器根據該第一風險預測評估值或該第二風險預測評估值產生一控制機制; 其中, :感測器出廠規格誤差變異數值,σ2:感測誤差平方平均值,:感測器出廠規格誤差平均值;其中D *=D i +μ n ,D *:感測訊號參考值,D i :感測值,μ n :穩態感測誤差校正值。
- 如請求項1所述之自動駕駛車輛之行車風險評估及控制機制決策方法,其中該感測訊號包含一障礙物意圖訊號、一物體距離訊號以及一車輛燈號訊號。
- 如請求項1所述之自動駕駛車輛之行車風險評估及控制機制決策方法,其中判斷該複數個感測訊號參考值之該第一穩定性是否落在該第一預設範圍內的步驟包含:判斷該複數個感測訊號參考值之一離散變異程度是否小於一門檻值;若該離散變異程度小於該門檻值,則該複數個感測訊號參考值之該第一穩定性落在該第一預設範圍內,且該決策單元產生該第一風險預測評估值;若該離散變異程度不小於該門檻值,則該複數個感測訊號參考值之該第一穩定性未落在該第一預設範圍內,且該決策單元產生該第二風險預測評估值。
- 如請求項1所述之自動駕駛車輛之行車風險評估及控制機制決策方法,其中判斷該複數個感測訊號參考值之該第一穩定性是否落在該第一預設範圍內的步驟包含:判斷該複數個感測值是否穩定地落在一統計分佈信賴區間的一上限值及一下限值範圍內;若該複數個感測值穩定地落在該統計分佈信賴區間之該上限值及該下限值範圍內,則該複數個感測訊號參考值之該第一穩定性落在該第一預設範圍內,且該決策單元產生該第一風險預測評估值;以及 若該複數個感測值非穩定地落在該統計分佈信賴區間之該上限值及該下限值範圍內,則該複數個感測訊號參考值之該第一穩定性非落在該第一預設範圍內,且該決策單元產生該第二風險預測評估值;其中判斷該複數個感測值是否穩定地落在該統計分佈信賴區間的該上限值及該下限值範圍內之步驟,係根據判斷在該複數個感測值當中,具有一第一數量個的該感測值係穩定地落該統計分佈信賴區間的該上限值及該下限值範圍內決定;當該第一數量個的感測值落在該統計分佈信賴區間之該上限值及該下限值範圍內,則該複數個感測訊號參考值之該第一穩定性落在該第一預設範圍內;當該第一數量個的感測值未落在該統計分佈信賴區間之該上限值及該下限值範圍內,則該複數個感測訊號參考值之該第一穩定性未落在該第一預設範圍內;其中該上限值及該下限值藉由計算該複數個感測訊號參考值與該複數個感測訊號參考值之一離散變異程度的一第二權重比例決定。
- 如請求項4所述之自動駕駛車輛之行車風險評估及控制機制決策方法,其中該第二權重比例藉由一查找表產生。
- 如請求項4所述之自動駕駛車輛之行車風險評估及控制機制決策方法,其中該感測值、該上限值及該下限值係統計儲存於一儲存模組內,並藉由該處理器計算、比對及存取。
- 如請求項1至6中任一項所述之自動駕駛車輛之行車風險評估及控制機制決策方法,其中若該決策單元產生該第一風險預測評估值,該處理器判斷該第一風險預測評估值是否低於一碰撞風險預測評估值; 若該處理器判斷該第一風險預測評估值低於該碰撞風險預測評估值時,該處理器傳送一第一控制訊號至該控制器,以執行一自動駕駛機制或一車輛軌跡預測機制;若該處理器判斷該第一風險預測評估值不低於該碰撞預測評估值時,該處理器傳送一第二控制訊號至該控制器,以執行一人為駕駛機制。
- 如請求項7所述之自動駕駛車輛之行車風險評估及控制機制決策方法,其中若該決策單元產生該第二風險預測評估值,該處理器判斷該第二風險預測評估值是否低於該碰撞風險預測評估值;若該處理器判斷該第二風險預測評估值低於該碰撞風險預測評估值時,該處理器傳送一第三控制訊號至該控制器,以執行一人為駕駛機制。
- 如請求項1所述之自動駕駛車輛之行車風險評估及控制機制決策方法,更包含下列步驟:藉由該控制器產生該車輛之複數次控制訊號;藉由該處理器量化各該控制訊號,產生複數個控制值後,計算該複數個控制值之一控制平均值;藉由該處理器根據各該控制值及該控制平均值計算一控制誤差值,並根據計算出之各個該控制誤差值計算該控制器之一控制誤差平方平均值;藉由該處理器整合該控制誤差平方平均值、該控制器之一控制器出廠規格誤差平均值以及該控制器之一控制器出廠規格誤差變異數值,以產生該控制器之一穩態控制誤差校正值;藉由該處理器合併計算該複數個控制值及該穩態控制誤差校正值,以產生複數個控制訊號參考值;藉由該處理器判斷該複數個控制訊號參考值之一第二穩定性是否落在一第二預設範圍內; 若該複數個控制訊號參考值穩定地落在該第二預設範圍內,該處理器傳送該複數個控制訊號參考值至該決策單元,該決策單元產生一第三風險預測評估值;若該複數個控制訊號參考值非穩定地落在該第二預設範圍內,該處理器不傳送該複數個控制訊號參考值至該決策單元,該決策單元產生一第四風險預測評估值;以及藉由該控制器根據該第三風險預測評估值或該第四風險預測評估值產生該控制機制。
- 如請求項9所述之自動駕駛車輛之行車風險評估及控制機制決策方法,其中當該決策單元產生該第一風險預測評估值以及該第三風險預測評估值時,該處理器傳送一第四控制訊號至該控制器,以執行一自動駕駛機制或一車輛軌跡預測機制;當該決策單元產生該第二風險預測評估值或該第四風險預測評估值時,該處理器傳送一第五控制訊號至該控制器,以執行該人為駕駛機制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109123784A TWI808329B (zh) | 2020-07-14 | 2020-07-14 | 自動駕駛車輛之行車風險評估及控制機制決策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109123784A TWI808329B (zh) | 2020-07-14 | 2020-07-14 | 自動駕駛車輛之行車風險評估及控制機制決策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202202383A TW202202383A (zh) | 2022-01-16 |
TWI808329B true TWI808329B (zh) | 2023-07-11 |
Family
ID=80787606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109123784A TWI808329B (zh) | 2020-07-14 | 2020-07-14 | 自動駕駛車輛之行車風險評估及控制機制決策方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI808329B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109572694A (zh) * | 2018-11-07 | 2019-04-05 | 同济大学 | 一种考虑不确定性的自动驾驶风险评估方法 |
US20190308619A1 (en) * | 2018-04-10 | 2019-10-10 | Walter Steven Rosenbaum | Method and system for estimating an accident risk of an autonomous vehicle |
TWI678305B (zh) * | 2018-10-19 | 2019-12-01 | 財團法人車輛研究測試中心 | 具決策診斷之自動駕駛方法及其裝置 |
CN110942222A (zh) * | 2018-09-24 | 2020-03-31 | 英特尔公司 | 使用外部和内部数据来评估提议的交通工具操纵的风险因素 |
-
2020
- 2020-07-14 TW TW109123784A patent/TWI808329B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190308619A1 (en) * | 2018-04-10 | 2019-10-10 | Walter Steven Rosenbaum | Method and system for estimating an accident risk of an autonomous vehicle |
CN110942222A (zh) * | 2018-09-24 | 2020-03-31 | 英特尔公司 | 使用外部和内部数据来评估提议的交通工具操纵的风险因素 |
TWI678305B (zh) * | 2018-10-19 | 2019-12-01 | 財團法人車輛研究測試中心 | 具決策診斷之自動駕駛方法及其裝置 |
CN109572694A (zh) * | 2018-11-07 | 2019-04-05 | 同济大学 | 一种考虑不确定性的自动驾驶风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202202383A (zh) | 2022-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485949B (zh) | 针对车辆的摄像机和v2v数据的传感器融合 | |
CN110040134B (zh) | 考虑环境因素的车辆碰撞时间计算方法 | |
CN108801387B (zh) | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 | |
CN110884490B (zh) | 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质 | |
US8489253B2 (en) | Driver state assessment device | |
CN110329249A (zh) | 一种循环神经网络的汽车前向碰撞预警控制系统及方法 | |
JPH0858503A (ja) | 後側方危険警報装置及び後側方危険度判定方法 | |
CN111081067B (zh) | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 | |
JP2009175929A (ja) | ドライバ状態推定装置及びプログラム | |
CN111081061B (zh) | 碰撞预警方法及装置 | |
CN112046455B (zh) | 一种基于车辆质量辨识的自动紧急制动方法 | |
CN110803144B (zh) | 自动刹车方法、自动刹车装置及其自动驾驶车辆 | |
WO2023000757A1 (zh) | 车辆跟停控制方法、装置及计算机可读存储介质 | |
TWI808329B (zh) | 自動駕駛車輛之行車風險評估及控制機制決策方法 | |
CN113276812B (zh) | 车辆制动方法、设备和存储介质 | |
CN117584996A (zh) | 一种新能源汽车控制方法 | |
CN116513187A (zh) | 车辆换道控制方法、装置、电子设备及存储介质 | |
US10427682B2 (en) | Adaptive method for controlling a vehicle speed and adaptive device for using the same | |
CN114120476B (zh) | 自动驾驶车辆的行车风险评估及控制机制决策方法 | |
US11572082B2 (en) | Driving risk assessment and control decision-making method for autonomous vehicle | |
CN116558469A (zh) | 距离误差评价方法、装置、电子设备及存储介质 | |
CN110533796A (zh) | 基于截断重要性抽样失效概率法的车辆侧翻预测算法 | |
CN110532513A (zh) | 基于半径重要性抽样失效概率法的车辆侧翻预测算法 | |
CN113569666B (zh) | 车辆连续违法变道的检测方法及计算机设备 | |
CN114026574A (zh) | 在监控是否离开训练的应用范围的情况下运行可训练模块 |