TWI838994B - 針對緊急車輛的自駕車路徑預測系統及自駕車路徑預測方法 - Google Patents
針對緊急車輛的自駕車路徑預測系統及自駕車路徑預測方法 Download PDFInfo
- Publication number
- TWI838994B TWI838994B TW111146115A TW111146115A TWI838994B TW I838994 B TWI838994 B TW I838994B TW 111146115 A TW111146115 A TW 111146115A TW 111146115 A TW111146115 A TW 111146115A TW I838994 B TWI838994 B TW I838994B
- Authority
- TW
- Taiwan
- Prior art keywords
- vehicle
- path
- self
- driving
- emergency
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 13
- 230000002093 peripheral effect Effects 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 8
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 8
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 4
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241000269400 Sirenidae Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
Images
Abstract
一種自駕車路徑預測方法,包括:感測行駛於道路上的車輛並產生相應於車輛的感測訊號;根據車聯網以及車輛的感測訊號判斷車輛中是否更包含緊急車輛;當車輛中更包含緊急車輛時,取得周邊車輛的目前狀態以及緊急車輛的目前狀態,並且執行相應於緊急車輛之緊急路徑預測;根據緊急路徑預測產生緊急自駕決策,並提供相應於緊急自駕決策的自駕車路徑規劃;以及根據自駕車路徑規劃控制自駕車於道路上變更行駛路徑以及駕駛模式。
Description
本揭露是有關於一種路徑預測技術,且特別是有關於一種針對緊急車輛的自駕車路徑預測系統及自駕車路徑預測方法。
自駕汽車能以雷達、光學雷達、GPS及電腦視覺等技術感測其環境,將感測資料轉換成適當的導航道路、障礙與相關標誌,在運行過程中,必須能精準判斷周遭物件移動軌跡,作為自駕車行進控制之依據,如加減速、變換車道等,以確保自駕車運行安全。另外,自駕車能透過感測輸入的資料,更新其地圖資訊,讓交通工具可以持續追蹤其位置。通過多輛自駕車構成的無人車隊可以有效減輕交通壓力,並因此提高交通系統的運輸效率。
目前的自駕車具有路徑預測的能力,能夠事先預測周邊車輛可能移動的範圍,做出防撞決策。但是,若道路上有緊急車輛值勤時,各國交通法規均要求駕駛人必須做出讓到,甚至停靠在路
邊等等規定。在這樣的情況下,一般車輛的行徑路徑和駕駛模式會在很短的時間內有較大的改變,如車輛讓道與緊急煞停。因此,自駕車除了偵測到緊急車輛的位置並依照交通法規讓道之外,也必須考量到周邊車輛而啟動緊急決策,將是亟需突破的課題。
本揭露提供一種自駕車路徑預測系統,適用於自駕車。自駕車路徑預測系統包括感測器以及耦接於感測器的處理器。感測器用以感測行駛於道路上的多部車輛並產生相應於車輛的感測訊號,其中車輛包含至少一周邊車輛。處理器包括判斷模組、路徑預測模組、緊急決策模組以及控制模組。判斷模組根據車聯網以及車輛的感測訊號判斷車輛中是否更包含緊急車輛;當判斷模組判斷車輛中更包含緊急車輛時,路徑預測模組取得周邊車輛的目前狀態以及緊急車輛的目前狀態,並且執行相應於緊急車輛之緊急路徑預測;緊急決策模組根據緊急路徑預測產生緊急自駕決策,並提供相應於緊急自駕決策的自駕車路徑規劃;控制模組根據自駕車路徑規劃控制自駕車於道路上變更行駛路徑以及駕駛模式。
本揭露提供一種自駕車路徑預測方法,適用於設置在自駕車上的自駕車路徑預測系統,其中自駕車路徑預測系統包括感測器以及處理器,感測器用以感測行駛於道路上的多部車輛並產生相應於車輛的感測訊號,其中車輛包含周邊車輛,處理器用以執行自駕車路徑預測方法,包括:根據車聯網以及車輛的感測訊號判
斷車輛中是否更包含緊急車輛;當車輛中更包含緊急車輛時,取得周邊車輛的目前狀態以及緊急車輛的目前狀態,並且執行相應於緊急車輛之緊急路徑預測;根據緊急路徑預測產生緊急自駕決策,並提供相應於緊急自駕決策的自駕車路徑規劃;以及根據自駕車路徑規劃控制自駕車於道路上變更行駛路徑以及駕駛模式。
基於上述,本揭露所述的自駕車路徑預測系統及自駕車路徑預測系統方法能藉由車聯網及感測器訊息,判斷道路上是否有緊急車輛存在,並將其引入緊急路徑預測判斷模組,再以此判斷路上狀態引入緊急決策模組得到優化路徑。
1:自駕車路徑預測系統
101:車聯網
102:地圖資訊
103:各國法規資料庫
11:感測器
12:處理器
121:判斷模組
122:路徑預測模組
122a:路徑優化單元
122b:機率計算單元
123:緊急決策模組
124:控制模組
125:一般決策模組
2、3:道路
21、31:自駕車
21b、31b:自駕車路徑規劃
22、32:周邊車輛
22a、32a:一般路徑預測
22b、32b:緊急路徑預測
23、33:緊急車輛
4:自駕車路徑預測方法
611:周邊車輛的目前狀態
621、622、629:周邊車輛的最終狀態
631、632、639:周邊車輛的周邊車輛路徑
641、642、649:周邊車輛的路徑成本
651、652、659:周邊車輛的路徑機率
7:安全機制
S402、S404、S406、S408、S410a、S410b、S412、S414、S416、S418、S420、S422、S504、S506、S508、S701、S702、S703、S704、S711、S713、S715、S717、S721、S723、S725、
S767:步驟
圖1是根據本揭露的一實施例繪示自駕車路徑預測系統的架構圖。
圖2A是根據本揭露的一實施例繪示自駕車路徑預測系統中執行路徑預測的示意圖。
圖2B是根據本揭露的一實施例繪示自駕車路徑預測系統中產生緊急自駕決策的示意圖。
圖3A是根據本揭露的另一實施例繪示自駕車路徑預測系統中執行路徑預測的示意圖。
圖3B是根據本揭露的另一實施例繪示自駕車路徑預測系統中產生緊急自駕決策的示意圖。
圖4是根據本揭露的一實施例繪示自駕車路徑預測方法的流程圖。
圖5是根據本揭露的一實施例繪示自駕車路徑預測系統及其方法中取得周邊車輛的最終狀態的流程圖。
圖6是根據本揭露的一實施例繪示自駕車路徑預測系統及其方法中執行路徑預測的流程圖。
圖7是根據本揭露的一實施例繪示自駕車路徑預測系統及其方法中取樣周邊車輛路徑時的安全機制的流程圖。
本揭露的部份實施例接下來將會配合附圖來詳細描述,以下的描述所引用的元件符號,當不同附圖出現相同的元件符號將視為相同或相似的元件。這些實施例只是本揭露的一部份,並未揭示所有本揭露的可實施方式。
自駕車又稱無人駕駛汽車、電腦駕駛車、無人車、機器人車或自駕車,為一種需要駕駛員輔助或者完全無人操控的車輛。當自駕車為無人駕駛車輛時,本揭露所述的自駕車路徑預測系統可持續性地協助自駕車根據周遭車輛的行駛路徑執行路徑預測。
圖1是根據本揭露的一實施例繪示自駕車路徑預測系統1的架構圖,請參考圖1。自駕車路徑預測系統1適用於自駕車,包括感測器11以及耦接於感測器11的處理器12。感測器11用以
感測與自駕車行駛於相同道路上的多部車輛,並產生相應於車輛的感測訊號,其中車輛包含至少一周邊車輛。處理器12包括判斷模組121、路徑預測模組122、緊急決策模組123以及控制模組124。
實務上來說,感測器11例如是光達、聲音感測器等等能夠感測影像或聲音的感測裝置。處理器12可以是中央處理器(CPU)、微處理器(micro-processor)或嵌入式控制器(embedded controller),本揭露並不加以限制。
自駕車路徑預測系統1中更包括了支援WiFi標準或其他具備無線傳輸功能的任何類型無線網路介面模組(圖未繪示),自駕車路徑預測系統1可透過網路介面模組傳送或接收資料。舉例來說,自駕車路徑預測系統1可透過無線網路介面模組與車聯網(Vehicle-to-everything,V2X)101連接。車聯網101是一個雲架構的車輛運行信息平臺,它的生態鏈包含了ITS、物流、客貨運、汽修汽配、汽車租賃、企事業車輛管理、汽車製造商、車管、保險、緊急救援、移動互聯網等。
自駕車在行駛時可透過車聯網取得周邊道路上的交通號誌資訊或者是救護車等緊急車輛的動態,協助自駕車於道路上安全行駛,或者是當有緊急車輛與自駕車行駛於同一條道路上時,自駕車能夠依照交通規定進行讓道。倘若道路上有緊急車輛從自駕車的後方疾駛而來,本揭露所述的自駕車路徑預測系統1可即時協助自駕車執行相應於緊急車輛之緊急路徑預測,以符合當地交
通法規中讓道的規定。
詳細來說,各國交通法規中均有規定當駕駛者聽到於行駛的道路上有消防車、救護車、警備車、工程救險車、毒性化學物質災害事故應變車等緊急車輛的警號時,須即時讓道。以美國德州交通法規為例,若緊急車輛從後方疾駛而來,倘若一般行駛車輛行駛於同一條道路且與緊急車輛相同線道的話,一般行駛車輛必須逐漸靠右切到另一線道、降速,並靠另一線道右側停駛,但倘若一般行駛車輛行駛於同一條道路但與緊急車輛不同線道的話,一般行駛車輛也必須於原本行駛的線道上切至線道右側、降速,並逐漸靠線道右側停駛。
因此,本揭露所述的自駕車路徑預測系統1中的感測器11可感測與自駕車行駛於同一條道路上並在自駕車周邊的車輛之行駛動態,產生相應於這些車輛的感測訊號,並將感測訊號傳送至處理器12的判斷模組121中。判斷模組121根據車聯網101以及這些車輛的感測訊號判斷於自駕車行駛的道路上除了包含周邊車輛外,是否更包含例如救護車、消防車、緊急公務車等緊急車輛。
圖2A是根據本揭露的一實施例繪示自駕車路徑預測系統1中執行路徑預測的示意圖,請同時參考圖1、2A。當判斷模組121根據車聯網101以及這些車輛的感測訊號判斷於自駕車21行駛的道路2上有周邊車輛22時,路徑預測模組122取得周邊車輛22的目前狀態(例如:周邊車輛22的位置、加速度、舵角等),並且執行相應於周邊車輛22之一般路徑預測22a。當判斷模組121
根據車聯網101以及這些車輛的感測訊號判斷於自駕車21行駛的道路2上除了有周邊車輛22外,於同一條道路2上行駛的車輛中更包含緊急車輛23時,路徑預測模組122取得周邊車輛22的目前狀態以及緊急車輛23的目前狀態,並且執行相應於緊急車輛23之緊急路徑預測22b。
詳細來說,以美國德州交通法規為例,若緊急車輛23在道路2上從後方疾駛而來,而周邊車輛22與緊急車輛23行駛在相同線道的話,則周邊車輛22必須靠右邊切、降速並逐漸靠右停駛。自駕車路徑預測系統1的路徑預測模組122取得周邊車輛22的目前狀態以及緊急車輛23的目前狀態,並且執行相應於緊急車輛23之緊急路徑預測22b。另外,由於有緊急車輛23從後方疾駛而來時,同道路2的周邊車輛22必須更快地靠右切到另一線道並逐漸靠線道右側停駛以讓道。因此,由圖2A可以看出,相對於一般路徑預測22a,緊急路徑預測22b為更加積極的路徑預測。
圖2B是根據本揭露的一實施例繪示自駕車路徑預測系統1中產生緊急自駕決策的示意圖,請同時參考圖1、2B。緊急決策模組123根據緊急路徑預測22b產生緊急自駕決策,並提供自駕車21相應於緊急自駕決策的自駕車路徑規劃21b;控制模組124根據自駕車路徑規劃21b控制自駕車21於道路2上變更行駛路徑(例如:靠右切到另一線道)以及駕駛模式(例如:逐漸靠線道右側停駛)。
圖3A是根據本揭露的另一實施例繪示自駕車路徑預測
系統1中執行路徑預測的示意圖,請同時參考圖1、3A。當判斷模組121根據車聯網101以及這些車輛的感測訊號判斷自駕車31行駛的道路3上有周邊車輛32時,路徑預測模組122取得周邊車輛32的目前狀態,並且執行相應於周邊車輛32之一般路徑預測32a。當判斷模組121根據車聯網101以及這些車輛的感測訊號判斷自駕車31行駛的道路3上除了有周邊車輛32外,於同一條道路3上行駛的車輛中更包含緊急車輛33時,路徑預測模組122取得周邊車輛32的目前狀態以及緊急車輛33的目前狀態,並且執行相應於緊急車輛33之緊急路徑預測32b。
詳細來說,以美國德州交通法規為例,若緊急車輛33從後方疾駛而來,倘若周邊車輛32行駛於道路3且與緊急車輛33不同線道的話,則周邊車輛32必須於原本行駛的線道上切至線道右側降速並逐漸靠線道右側停駛。自駕車路徑預測系統1的路徑預測模組122取得周邊車輛32的目前狀態以及緊急車輛33的目前狀態,並且執行相應於緊急車輛33之緊急路徑預測32b。另外,由於有緊急車輛33從後方疾駛而來時,同道路3的周邊車輛32必須更快地於原本行駛的線道上切至線道右側降速並逐漸靠線道右側停駛,因此,由圖3A可以看出,相對於一般路徑預測32a,緊急路徑預測32b為更加積極的路徑預測。
圖3B是根據本揭露的另一實施例繪示自駕車路徑預測系統1中產生緊急自駕決策的示意圖,請同時參考圖1、3B。緊急決策模組123根據緊急路徑預測32b產生緊急自駕決策,並提供
自駕車31相應於緊急自駕決策的自駕車路徑規劃31b;控制模組124根據自駕車路徑規劃31b控制自駕車31於道路3上變更行駛路徑(例如:靠右切到另一線道)以及駕駛模式(例如:逐漸靠線道右側停駛)。
另外,倘若判斷模組121判斷多部車輛中並未包含緊急車輛,則路徑預測模組122取得周邊車輛的最終狀態,並且執行相應於周邊車輛的一般路徑預測(如圖2A所示的一般路徑預測22a、圖3A所示的一般路徑預測32a)。
於一實施例中,自駕車路徑預測系統1中的處理器12更包括一般決策模組125。一般決策模組125用以根據一般路徑預測產生一般自駕決策,並提供相應於一般自駕決策的自駕車路徑規劃。控制模組124根據自駕車路徑規劃控制自駕車於道路上變更行駛路徑(例如:視周遭車輛的行駛路徑維持原行駛路徑或著變換車道)以及駕駛模式(例如:維持原本的行駛速度或者調整行駛速度)。
圖4是根據本揭露的一實施例繪示自駕車路徑預測方法4的流程圖,請同時參考圖1、4。本揭露所述的自駕車路徑預測方法4,適用於設置在自駕車上的自駕車路徑預測系統1。如前所述,自駕車路徑預測系統1包括感測器11以及處理器12,感測器11用以感測行駛於道路上的多部車輛並產生相應於多部車輛的感測訊號,其中多部車輛包含至少一周邊車輛。處理器12用以執行自駕車路徑預測方法4。自駕車路徑預測方法4包括步驟S402~S422,
接下來將進一步說明各步驟。
於步驟S402中,透過無線網路連接車聯網101,並接收到自感測器11所產生的多部車輛的感測訊號,其中多部車輛中包含至少一周邊車輛。於步驟S404中,根據多部車輛的感測訊號取得多部車輛的目前狀態。於步驟S406中,根據車聯網以及多部車輛的感測訊號判斷多部車輛中是否更包含緊急車輛。當多部車輛中更包含緊急車輛時,於步驟S408中,取得周邊車輛的多個最終狀態以產生後續所要執行的相應於緊急車輛之緊急路徑預測。
接著,同時執行步驟S410a、S410b。於步驟S410a中,根據車聯網以及多部車輛的感測訊號取得周邊車輛的目前狀態;於步驟S410b中,根據車聯網以及緊急車輛的感測訊號取得緊急車輛的目前狀態。一旦自駕車路徑預測系統1取得周邊車輛的多個最終狀態、周邊車輛的目前狀態以及緊急車輛的目前狀態之後,於步驟S412中,執行相應於緊急車輛之緊急路徑預測。於步驟S414中,根據緊急路徑預測以及緊急車輛的目前狀態產生緊急自駕決策。於步驟S416中,提供相應於緊急自駕決策的自駕車路徑規劃。於步驟S418中,根據自駕車路徑規劃控制自駕車於道路上變更行駛路徑(例如:視自駕車與緊急車輛是否在同一線道而變更行駛路徑為靠右切到另一線道,或者於原本行駛的線道上切至線道右側)以及駕駛模式(例如:逐漸靠線道右側停駛)。
另外,倘若於步驟S406中,判斷多部車輛中並未包含緊急車輛,則於步驟S420中,取得周邊車輛的一般最終狀態,並且
執行相應於周邊車輛的一般路徑預測。於步驟S422中,根據一般路徑預測產生一般自駕決策。接著,於步驟S416中,提供相應於一般自駕決策的自駕車路徑規劃。於步驟S418中,根據自駕車路徑規劃控制自駕車於道路上變更行駛路徑(例如:視周遭車輛的行駛路徑維持原行駛路徑或著是變換車道)以及駕駛模式(例如:維持原本的行駛速度或者是調整行駛速度)。
圖5是根據本揭露的一實施例繪示自駕車路徑預測系統1及自駕車路徑預測方法4中取得周邊車輛的最終狀態的流程圖,其中圖5中的步驟S402、步驟S404及步驟S406相同於圖4中的步驟S402、步驟S404及步驟S406。於步驟S402中,判斷模組121透過無線網路連接車聯網101,並接收到自感測器11所產生的多部車輛的感測訊號。於步驟S404中,路徑預測模組122根據多部車輛的感測訊號取得多部車輛的目前狀態。之後,路徑預測模組122更可根據地圖資訊102以及周邊車輛的目前狀態取樣周邊車輛的多個周邊車輛路徑。
接著,於步驟S406中,判斷模組121根據車聯網以及多部車輛的感測訊號判斷多部車輛中是否更包含緊急車輛。倘若多部車輛中並未包含緊急車輛,則於步驟S508中,路徑預測模組122取得周邊車輛的一般最終狀態,並且執行相應於周邊車輛的一般路徑預測。
反之,倘若多部車輛中更包含緊急車輛,則於步驟S504中,路徑預測模組122根據車聯網以及緊急車輛的感測訊號取得
緊急車輛的目前狀態。接著,於步驟S506中,路徑預測模組122根據各國法規資料庫103從這些周邊車輛路徑中選取多個符合法規路徑,並於步驟S508中,根據這些符合法規路徑取得周邊車輛的多個最終狀態。其中取得周邊車輛的最終狀態的目的,是為了產生後續路徑預測模組122所要執行的相應於周邊車輛之一般路徑預測以及相應於緊急車輛之緊急路徑預測。
圖6是根據本揭露的一實施例繪示自駕車路徑預測系統1及自駕車路徑預測方法4中執行路徑預測的流程圖。於一實施例中,自駕車路徑預測系統1中的路徑預測模組122更包括路徑優化單元122a以及機率計算單元122b。路徑優化單元122a用以根據周邊車輛的目前狀態611以及最終狀態1 621、最終狀態2 622、...、最終狀態K 629計算出周邊車輛的周邊車輛路徑1 631、周邊車輛路徑2 632、...、周邊車輛路徑K 639以及路徑成本1 641、路徑成本2 642、...、路徑成本K 649。其中周邊車輛路徑1 631、周邊車輛路徑2 632、...、周邊車輛路徑K 639的每一者一一對應於周邊車輛的最終狀態1 621、最終狀態2 622、...、最終狀態K 629的每一者,而周邊車輛的路徑成本1 641、路徑成本2 642、...、路徑成本K 649的每一者一一對應於周邊車輛路徑1 631、周邊車輛路徑2 632、...、周邊車輛路徑K 639的每一者。機率計算單元122b用以根據周邊車輛的路徑成本1 641、路徑成本2 642、...、路徑成本K 649一一計算周邊車輛的路徑機率1 651、路徑機率2 652、...、路徑機率K 659。
特別說明的是,周邊車輛的路徑成本與周邊車輛的位置、速度向量和加速度向量等數據有關,也與周邊車輛路徑有關,例如當周邊車輛從目前位置行駛至最終位置所耗費的耗費時間愈久,則路徑成本愈高。另外,周邊車輛的多個路徑成本的每一者與其對應的路徑機率為反向關係,即路徑成本愈高,對應的路徑機率愈小,反之,路徑成本愈低,對應的路徑機率愈大。路徑機率1 651、路徑機率2 652、...、路徑機率K 659的每一者均會介於0和1之間,且路徑機率1 651、路徑機率2 652、...、路徑機率K 659的總和為1。
路徑優化單元122a可再將周邊車輛路徑1 631、周邊車輛路徑2 632、...、周邊車輛路徑K 639的每一者以單位時刻拆分成多個單位路徑,以更準確地計算出路徑成本1 641、路徑成本2 642、...、路徑成本K 649。於一實施例中,路徑優化單元122a一一計算周邊車輛路徑1 631、周邊車輛路徑2 632、...、周邊車輛路徑K 639的每一者所需耗費的多個耗費時間,將多個耗費時間的每一者分段為多個單位時刻並形成多個時刻集合。舉例來說,路徑優化單元122a設定單位時刻為10毫秒(ms),周邊車輛沿周邊車輛路徑1 631行駛所需耗費的耗費時間為3秒(s),則此時刻集合中是由300個單位時刻所組成。
路徑優化單元122a於時刻集合中以此300個單位時刻計算出對應於周邊車輛路徑1 631的路徑成本1 641。同樣地,路徑優化單元122a也會針對周邊車輛路徑2 632、...、周邊車輛路徑K
639的每一者所形成的時刻集合,一一計算出相應於周邊車輛路徑2 632、...、周邊車輛路徑K 639的每一者的路徑成本2 642、...、路徑成本K 649。
於一實施例中,路徑優化單元122a於每一時刻集合中取得周邊車輛於每一單位時刻內的位置、速度向量以及加速度向量,並據以計算出相應於周邊車輛路徑1 631、周邊車輛路徑2 632、...、周邊車輛路徑K 639的每一者的路徑成本1 641、路徑成本2 642、...、路徑成本K 649。
如前所述,周邊車輛的路徑成本愈低,對應的路徑機率愈大,因此,路徑預測模組122選取周邊車輛的路徑機率1 651、路徑機率2 652、...、路徑機率K 659中最大者(例如路徑機率1 651)所相應的周邊車輛路徑(例如周邊車輛路徑1 631),根據被選取的周邊車輛路徑(例如周邊車輛路徑1 631)執行相應於緊急車輛之緊急路徑預測或者相應於周邊車輛的一般路徑預測,此緊急路徑預測或者一般路徑預測將會是最安全的路徑預測。
除此之外,本揭露所述的自駕車路徑預測系統1更可針對相應於緊急車輛之緊急路徑預測或者相應於周邊車輛的一般路徑預測路徑設計安全機制。圖7是根據本揭露的一實施例繪示自駕車路徑預測系統1及自駕車路徑預測方法4中取樣周邊車輛路徑時的安全機制7的流程圖。無論自駕車行駛的道路上是否有緊急車輛,路徑預測模組122可根據被選取的周邊車輛路徑執行相應於緊急車輛之緊急路徑預測或者相應於周邊車輛的一般路徑預
測。之後,路徑預測模組122中的路徑優化單元122a將被選取的周邊車輛路徑的以單位時刻拆分成多個單位路徑,並執行相應於周邊車輛的一般路徑預測或者相應於緊急車輛之緊急路徑預測。
於步驟S701中,路徑預測模組122中的計時工具會執行計時動作。於步驟S702中,將周邊車輛路徑所需耗費的耗費時間分段為多個單位時刻,以產生多個變化時差。路徑預測模組122在執行一般路徑預測時,由於周邊車輛路徑所需耗費的耗費時間已被分段為多個單位時刻,一般路徑預測也會被分段成多筆單位一般路徑預測,路徑預測模組122於每一次的變化時差執行單位一般路徑預測。
於步驟S711中,路徑預測模組122執行前筆單位一般路徑預測。於步驟S713中,路徑預測模組122於每一次的變化時差根據前筆單位一般路徑預測選取周邊車輛的目前狀態。於步驟S715中,路徑預測模組122根據所選取的周邊車輛的目前狀態確認周邊車輛的一般預期狀態S general (例如沒有緊急車輛在道路上時,周邊車輛的加速度)。
同樣地,在路徑預測模組122執行緊急路徑預測時,由於周邊車輛路徑所需耗費的耗費時間已被分段為多個單位時刻,緊急路徑預測也會被分段成多筆單位緊急路徑預測,路徑預測模組122於每一次的變化時差執行單位緊急路徑預測。於步驟S721中,路徑預測模組122執行前筆單位緊急路徑預測。於步驟S723中,路徑預測模組122於每一次的變化時差根據前筆單位緊急路
徑預測選取周邊車輛的目前狀態。於步驟S715中,路徑預測模組122根據所選取的周邊車輛的目前狀態確認周邊車輛的緊急預期狀態S emergency (例如有緊急車輛在道路上時,周邊車輛的加速度)。
於步驟S703中,路徑預測模組122根據步驟S704中取得的周邊車輛的實際狀態S practical (例如周邊車輛的實際加速度)、一般預期狀態S general 以及緊急預期狀態S emergency 執行最小乘二權重擬合。於步驟S717中,路徑預測模組122透過擬合假設以及優化成本函數更新一般預測權重W general ,同時於步驟S727中,路徑預測模組122透過擬合假設以及優化成本函數更新緊急預測權重W emergency 。
詳細來說,擬合假設如下:S practical W general S general +W emergency S emergency ,其中一般預測權重W general 以及緊急預測權重W emergency 均為實數,並且0≦W general ,W emergency ≦1。
從擬合假設可推導出優化成本函數,如下:優化成本函數=∥S practical -W general S general -W emergency S emergency ∥
路徑預測模組122會根據周邊車輛的實際狀態S practical 、一般預期狀態S general 以及緊急預期狀態S emergency 執行更新一般預測權重W general 以及緊急預測權重W emergency 。
如前所述,路徑預測模組122執行一般路徑預測及緊急路徑預測時,會選取周邊車輛的路徑機率中最大者所相應的周邊
車輛路徑,根據被選取的周邊車輛路徑執行相應於緊急車輛之緊急路徑預測或者相應於周邊車輛的一般路徑預測。一旦路徑預測模組122更新一般預測權重W general 以及緊急預測權重W emergency 之後,可得到最安全的路徑預測結果,即W general ×(有緊急車輛時周邊車輛的最大路徑機率)+W emergency ×(無緊急車輛時周邊車輛的最大路徑機率)。
綜上所述,本揭露所述的自駕車路徑預測系統及自駕車路徑預測方法能藉由車聯網及感測器訊息,判斷道路上是否有緊急車輛存在,並執行相應於緊急車輛之緊急路徑預測,甚至考量路徑成本以及安全性,控制自駕車於道路上變更行駛路徑以及駕駛模式。
4:自駕車路徑預測方法
S402、S404、S406、S408、S410a、S410b、S412、S414、S416、S418、S420、S422:步驟
Claims (18)
- 一種自駕車路徑預測系統,適用於一自駕車,該自駕車路徑預測系統包括:一感測器,用以感測行駛於道路上的多部車輛並產生相應於該些車輛的感測訊號,其中該些車輛包含至少一周邊車輛;以及一處理器,耦接於該感測器,該處理器包括:一判斷模組,用以根據車聯網以及該些車輛的該感測訊號判斷該些車輛中是否更包含緊急車輛;一路徑預測模組,用以當該判斷模組判斷該些車輛中更包含該緊急車輛時,取得該至少一周邊車輛的目前狀態以及該緊急車輛的目前狀態,根據地圖資訊以及該至少一周邊車輛的該目前狀態取樣該至少一周邊車輛的多個周邊車輛路徑,根據各國法規資料庫從該些周邊車輛路徑中選取多個符合法規路徑,並根據該些符合法規路徑取得該至少一周邊車輛的多個最終狀態,並且執行相應於該緊急車輛之一緊急路徑預測;一緊急決策模組,用以根據該緊急路徑預測產生一緊急自駕決策,並提供相應於該緊急自駕決策的一自駕車路徑規劃;以及一控制模組,用以根據該自駕車路徑規劃控制該自駕車於該道路上變更行駛路徑以及駕駛模式。
- 如請求項1所述的自駕車路徑預測系統,其中當該判斷模組判斷該些車輛中未包含該緊急車輛時,該路徑預測模組取得該至少一周邊車輛的該些最終狀態,並且執行相應於該至少一周邊車輛的一一般路徑預測。
- 如請求項2所述的自駕車路徑預測系統,其中該處理器更包括:一一般決策模組,用以根據該一般路徑預測產生一一般自駕決策,並提供相應於該一般自駕決策的該自駕車路徑規劃。
- 如請求項3所述的自駕車路徑預測系統,其中該路徑預測模組更包括:一路徑優化單元,用以根據該至少一周邊車輛的該目前狀態以及該些最終狀態計算出該至少一周邊車輛的該些周邊車輛路徑以及對應的多個路徑成本;以及一機率計算單元,用以根據該至少一周邊車輛的該些路徑成本計算該至少一周邊車輛的多個路徑機率。
- 如請求項4所述的自駕車路徑預測系統,其中該些路徑機率的介於0和1之間,並且該些路徑機率的總和為1。
- 如請求項4所述的自駕車路徑預測系統,其中該些路徑成本與該些路徑機率為反向關係。
- 如請求項4所述的自駕車路徑預測系統,其中該路徑優化單元計算該些周邊車輛路徑的每一者所需耗費的多個耗費時間,將該些耗費時間的每一者分段為多個單位時刻並形成多個時 刻集合,並於每一時刻集合中以每一單位時刻為計算單位計算出對應於該些周邊車輛路徑的該些路徑成本。
- 如請求項7所述的自駕車路徑預測系統,其中該路徑優化單元於每一時刻集合中取得該至少一周邊車輛於每一單位時刻內的位置、速度向量以及加速度向量,並計算出相應該些周邊車輛路徑的該些路徑成本。
- 如請求項4所述的自駕車路徑預測系統,其中該路徑預測模組選取該至少一周邊車輛的該些路徑機率中最大者所相應的該周邊車輛路徑,根據被選取的該周邊車輛路徑執行相應於該緊急車輛之該緊急路徑預測或者相應於該至少一周邊車輛的該一般路徑預測。
- 一種自駕車路徑預測方法,適用於設置在一自駕車上的一自駕車路徑預測系統,其中該自駕車路徑預測系統包括一感測器以及一處理器,該感測器用以感測行駛於道路上的多部車輛並產生相應於該些車輛的感測訊號,其中該些車輛包含至少一周邊車輛,該處理器用以執行該自駕車路徑預測方法,包括:根據車聯網以及該些車輛的該感測訊號判斷該些車輛中是否更包含該緊急車輛;當該些車輛中更包含該緊急車輛時,取得該至少一周邊車輛的目前狀態以及該緊急車輛的目前狀態,並且根據地圖資訊以及該至少一周邊車輛的該目前狀態取樣該至少一周邊車輛的多個周邊車輛路徑; 根據各國法規資料庫從該些周邊車輛路徑中選取多個符合法規路徑;根據該些符合法規路徑取得該至少一周邊車輛的多個最終狀態;執行相應於該緊急車輛之一緊急路徑預測;根據該緊急路徑預測產生一緊急自駕決策,並提供相應於該緊急自駕決策的一自駕車路徑規劃;以及根據該自駕車路徑規劃控制該自駕車於該道路上變更行駛路徑以及駕駛模式。
- 如請求項10所述的自駕車路徑預測方法,更包括:當該些車輛中未包含該緊急車輛時,取得該至少一周邊車輛的一般最終狀態,並且執行相應於該至少一周邊車輛的一一般路徑預測。
- 如請求項11所述的自駕車路徑預測方法,更包括:產生一一般自駕決策,並提供相應於該一般自駕決策的該自駕車路徑規劃。
- 如請求項12所述的自駕車路徑預測方法,更包括:根據該至少一周邊車輛的該目前狀態以及該些最終狀態計算出該至少一周邊車輛的該些周邊車輛路徑以及對應的多個路徑成本;以及 根據該至少一周邊車輛的該些周邊車輛路徑以及該些路徑成本計算該至少一周邊車輛的多個路徑機率。
- 如請求項13所述的自駕車路徑預測方法,其中該些路徑機率的介於0和1之間,並且該些路徑機率的總和為1。
- 如請求項13所述的自駕車路徑預測方法,其中該些路徑成本與該些路徑機率為反向關係。
- 如請求項13所述的自駕車路徑預測方法,更包括:計算該些周邊車輛路徑的每一者所需耗費的多個耗費時間;將該些耗費時間的每一者分段為多個單位時刻並形成多個時刻集合;以及於每一時刻集合中以每一單位時刻為計算單位計算出對應於該些周邊車輛路徑的該些路徑成本。
- 如請求項16所述的自駕車路徑預測方法,更包括:於每一時刻集合中取得該至少一周邊車輛於每一單位時刻內的位置、速度向量以及加速度向量,並計算出相應該些周邊車輛路徑的該些路徑成本。
- 如請求項13所述的自駕車路徑預測方法,更包括:選取該至少一周邊車輛的該些路徑機率中最大者所相應的該周邊車輛路徑;以及 根據被選取的該周邊車輛路徑執行相應於該緊急車輛之該緊急路徑預測或者相應於該至少一周邊車輛的該一般路徑預測。
Publications (1)
Publication Number | Publication Date |
---|---|
TWI838994B true TWI838994B (zh) | 2024-04-11 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113799789A (zh) | 2021-01-14 | 2021-12-17 | 百度(美国)有限责任公司 | 融合紧急车辆音频和视觉检测的机器学习模型 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113799789A (zh) | 2021-01-14 | 2021-12-17 | 百度(美国)有限责任公司 | 融合紧急车辆音频和视觉检测的机器学习模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10627823B1 (en) | Method and device for performing multiple agent sensor fusion in cooperative driving based on reinforcement learning | |
CN111688663B (zh) | 机动交通工具及控制其自动驾驶操作的方法 | |
US11260852B2 (en) | Collision behavior recognition and avoidance | |
JP2022506539A (ja) | 追従のための車両軌道の修正 | |
WO2018155266A1 (ja) | 情報処理システム、情報処理方法、プログラムと記録媒体 | |
JP2020123341A (ja) | 自律走行モードと手動走行モードとの間の走行モードを変更するリモートコントロール自律走行自動車のための方法及び装置 | |
WO2018155327A1 (ja) | 画像表示システム、画像表示方法及びプログラム | |
EP3882100B1 (en) | Method for operating an autonomous driving vehicle | |
WO2018155265A1 (ja) | 情報処理システム、情報処理方法、プログラムと記録媒体 | |
US20200310448A1 (en) | Behavioral path-planning for a vehicle | |
US11628858B2 (en) | Hybrid planning system for autonomous vehicles | |
US11657714B2 (en) | Enhanced travel modes for vehicles | |
CN111746557B (zh) | 用于车辆的路径规划融合 | |
CN112977473A (zh) | 用于预测移动障碍物驶出十字路口的方法及系统 | |
CN112180912A (zh) | 用于为自动驾驶车辆规划路径的分级路径决策系统 | |
WO2023010043A1 (en) | Complementary control system for an autonomous vehicle | |
JPWO2020058741A1 (ja) | 自動運転制御方法及び自動運転制御システム | |
TWI838994B (zh) | 針對緊急車輛的自駕車路徑預測系統及自駕車路徑預測方法 | |
EP4147936B1 (en) | Drive with caution under uncertainty for an autonomous driving vehicle | |
CN116674593A (zh) | 用于自主车辆的具有异常检测的安全增强规划系统 | |
US20230406362A1 (en) | Planning-impacted prediction evaluation | |
US11440567B2 (en) | System to handle communication delays between an autonomous driving system and vehicle | |
US20240005066A1 (en) | Decoupled prediction evaluation | |
KR20220116855A (ko) | 자동차 전용도로 환경에서 강화학습을 이용한 자율주행 차량의 차선 변경 판단 방법 및 이를 기록한 기록매체 | |
JP2023041119A (ja) | 車両運転制御装置、車両制御管理装置及び車両制御管理方法 |