CN104573310A - 道路特征预测***和方法 - Google Patents
道路特征预测***和方法 Download PDFInfo
- Publication number
- CN104573310A CN104573310A CN201410554394.5A CN201410554394A CN104573310A CN 104573310 A CN104573310 A CN 104573310A CN 201410554394 A CN201410554394 A CN 201410554394A CN 104573310 A CN104573310 A CN 104573310A
- Authority
- CN
- China
- Prior art keywords
- feature
- information
- future trajectory
- road
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 206010048828 underweight Diseases 0.000 description 2
- 240000005020 Acaciella glauca Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000037063 Thinness Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000003499 redwood Nutrition 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/072—Curvature of the road
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/076—Slope angle of the road
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/30—Road curve radius
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/35—Road bumpiness, e.g. potholes
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
一种车辆***,包括至少一个传感器,其实时采集基础设施信息且输出代表采集到的基础设施信息的传感器信号。处理设备处理传感器信号,根据基础设施信息预测未来道路特征,以及依据预测的未来道路特征控制至少一个车辆子***。一种方法,包括接收实时采集到的基础设施信息,处理基础设施信息,根据基础设施信息预测未来道路特征,以及依据预测的未来道路特征控制至少一个车辆子***。
Description
技术领域
本发明涉及一种道路特征预测的车辆***和方法及一种相应的永久的计算机可读介质。
背景技术
一些车辆根据不同的情况在不同的模式中操作。例如,牵引力控制***可以在干燥、相对平坦的道路和湿的、盘山道路上有区别地操作。一些车辆能够自动地做出调整以响应道路状况的变化。
发明内容
本发明的目的在于提供一种实现道路特征预测的车辆***和方法以及一种相应的永久性计算机可读介质。
一种***,包含:
至少一个传感器,其配置用于实时采集基础设施信息且输出代表采集到的基础设施信息的传感器信号;以及
处理设备,其配置用于处理传感器信号,根据基础设施信息预测未来道路特征,以及依据预测的未来道路特征控制至少一个车辆子***。
进一步地,基础设施信息包括道路粗糙度、道路曲率、道路坡度以及道路建设指引中的至少一个。
进一步地,至少一个传感器配置用于采集环境信息。
进一步地,环境信息包括地质信息、气候信息以及天气信息中的至少一个。
进一步地,预测未来道路特征包括观察在预定时段多个道路特征中的至少一个且计算观察到的特征的频数。
进一步地,预测未来道路特征包括将权重应用于每个观察到的特征。
进一步地,多个道路特征包括当前道路特征和之前道路特征,且其中,应用于当前道路特征的权重大于应用于之前道路特征的权重。
进一步地,计算观察到的特征的频数包括计算观察到的特征在预定时段内变化的次数。
进一步地,处理设备配置用于至少部分根据观察到的特征在预定时段内变化的次数预测未来道路特征。
一种方法,包含:
接收实时采集到的基础设施信息;
处理基础设施信息;
根据基础设施信息通过计算设备预测未来道路特征;以及
依据预测的未来道路特征控制至少一个车辆子***。
进一步地,基础设施信息包括道路粗糙度、道路曲率、道路坡度以及道路建设指引中的至少一个。
进一步地,进一步包含接收环境信息。
进一步地,环境信息包括地质信息、气候信息以及天气信息中的至少一个。
进一步地,预测未来道路特征包括:
观察在预定时间段多个道路特征中的至少一个;以及
计算观察到的特征的频数。
进一步地,预测未来道路特征包括将权重应用于每个观察到的特征。
进一步地,多个道路特征包括当前道路特征和之前道路特征,且其中,应用于当前道路特征的权重大于应用于之前道路特征的权重。
进一步地,计算观察到的特征的频数包括计算观察到的特征在预定时段内变化的次数。
进一步地,至少部分根据观察到的特征在预定时段内变化的次数预测未来道路特征。
一种永久性计算机可读介质,其可触知地体现使处理器执行如下操作的计算机可执行指令,包括:
接收实时采集到的基础设施信息;
处理基础设施信息;
根据基础设施信息预测未来道路特征;以及
依据预测的未来道路特征控制至少一个车辆子***。
进一步地,预测未来道路特征包括:
观察在预定时间段多个道路特征中的至少一个;
计算观察到的特征在预定时间段内变化的次数;
将权重应用于每个观察到的特征,其中,应用于当前道路特征的权重大于应用于之前道路特征的权重;以及
至少部分根据观察到的特征在预定时段内变化的次数预测未来道路特征。
根据本发明的道路特征预测的车辆***和方法以及相应的永久性计算机可读介质能够使车辆自动地做出调整以适应道路状况的变化。
附图说明
图1说明了用于预测道路特征变化的示例性车辆***。
图2A-2C说明了可以由车辆***预测的道路特征的例子。
图3是可以被车辆***执行的一个示例性过程的流程图。
图4是可以被车辆***执行的另一个示例性过程的流程图。
具体实施方式
一种示例性车辆***包括至少一个传感器,其实时采集基础设施信息且输出代表采集到的基础设施信息的传感器信号。处理设备处理传感器信号,根据基础设施信息预测未来道路特征,以及依照预测的未来道路特征控制至少一个车辆子***。在某些实施方式中,处理设备评估预测误差且调整预测范围直到预测误差在预定精度范围内。
图1说明了用于预测道路特征的示例性车辆***100。该***可以采取许多不同的形式且包括多个和/或可替代的部件和设施。虽然示出了示例性***,但是说明的示例性部件不用于限制。实际上,可以使用附加的或可选择的部件和/或实施方式。
如在图1中所示,***100包括传感器(共同地表示为105,包括基础设施传感器105A和环境传感器105B)、车辆子***110以及处理设备115。***100可以并入任何客车或商用车辆120中,例如小汽车、卡车、越野车、公共汽车、火车、船或飞机。
传感器105可以包括任意数量的配置用于产生和输出信号的设备,根据不同的道路特征该信号帮助操作车辆120。例如,基础设施传感器105A可以采集基础设施信息且环境传感器105B可以采集环境信息。传感器105可以配置用于实时采集基础设施信息和/或环境信息且也实时输出代表采集到的信息的信号。基础设施传感器105A的例子可以包括雷达传感器、激光雷达传感器、照相机、测高仪、指南针、回转仪或诸如此类。因此,基础设施信息可以包括道路粗糙度、道路曲率和道路坡度等。在一些可能的实施方式中,可以从远程服务器无线接收基础设施信息。相应地,另一种类型的基础设施传感器105A可以包括无线通信模块。通过通信模块接收到的基础设施信息的例子可以包括如道路建设指引。环境传感器的例子105B的例子可以包括太阳光传感器、雨水传感器、温度传感器等。因此,环境信息可以包括地质信息、气候信息和天气信息。一个或多个环境传感器105B可以包括配置用于从远程服务器无线接收环境信息的无线通信模块。一些传感器105可以配置用于实时提供基础设施信息和环境信息。例如,全球定位***(GPS)传感器可以输出代表如车辆120的海拔高度以及地理信息的信号。
处理设备115可以配置用于处理传感器105信号,根据如基础设施信息、环境信息或二者预测未来道路特征,以及依据预测的未来道路特征控制至少一个子***110。可以由处理设备115控制的子***110的例子可以包括动力转向子***、动力***子***、有源噪声控制子***、牵引力控制子***、稳定控制子***等。例如,处理设备115可以引起牵引力控制子***和稳定控制子***以及其他有区别地在平坦、干燥的道路和盘山潮湿的道路上操作。
如以下更详细地讨论,处理设备115可以通过观察预定时段道路特征和计算每个观察到的特征的频数预测未来道路特征。处理设备115可以进一步将权重应用于每个观察到的特征。可以给定较新的特征较大的权重。就是说,处理设备115可以将较大的权重应用于当前道路特征且将较小的权重应用于之前道路特征。换言之,在预定时段,第一测量特征将被给予最小的权重,然而当前特征(即最新测量到的特征)将被给与较大的权重。计算每个观察到的特征的频数可以包括计算观察到的特征在预定时段内变化的次数。在这种方法中,处理设备115可以根据观察到的特征在预定时段内变化的次数预测未来道路特征。
这种实施方式可以使用概率性的在线学习,如马尔可夫模型,以根据先前测定的状况不断更新关于车辆120前方的未来道路状况的信息。对于不同的驾驶员、车辆和道路状况,转移概率的马尔可夫模型可以显著变化。对于大范围的状况、驾驶员和操作模式,为了保证马尔可夫模型充分描述被建模的随机过程,转移概率的车载评估以下进行描述。
在传统的马尔可夫链模型中,转移概率pij=P(wj=w(t+1)|wi=w(t)),其中wi,wj W通过频数定义,即pij=Nij/Ni其中Nij是具有w(t)=wi和w(t+1)=wj的事件数,且Ni是具有w(t)=wi和w(t+1)属于有限数的状态J中的任何一个的事件数。对于一个给定的观察N的总数,转移概率可以形式上通过平均频数进行表达,即pij=(Nij/N)/(Ni/N)。在马尔可夫链的在线学***均频数用他们的以指数方式加权的补数(counterpart)取代,其具有指定给最近的观察的较大的权重。数学上,产生具有以指数方式递减的权重的(Nij/N)的加权平均数替代的过程能够通过在时间域中应用执行指数平滑算法的低通滤波器实现:
Fij,new (1)
其中恒定的学习速率0<α≤1通过为旧的观察指定一组以指数方式递减的权重控制Fij更新的速率。对于恒定的学习速率α,表达式(1)递归地产生具有单位总和正权重矢量:
W=[(1-α)kα(1-α)k-1α(1-α)k-2…α] (2)
矢量W描述具有以指数方式递减的权重的加权平均数型集结算子(aggregating operator),其由学***均数集结算子的存储深度(memory depth)(即移动窗口的长度)。存储深度K约为学***均数。作为选择,对于加权的(Ni/N)变式:
Fi,new=(1-α)Fi,old+α,如果w(t)=wi (3)
作为所有具有w(t)=wi和w(t+1)属于有限数的状态J中的任意一个的事件的加权平均数的表示。
加权平均数可以由属于软间隔{t–K+1,t]的事件计算,其中符号“{”表明软间隔下限,其包括具有比具有相对低的贡献的t–K低的指数的值。因此,从以指数方式加权的平均数获得以指数方式加权的转移概率
pij=Fij/Fi. (4)
等式(4)的转移概率的定义考虑到对变化的车辆120、道路和交通状况,以及驾驶的类型的连续适应。此外,通过使用矢量化学习,处理设备115能够微调更新与不同的马尔可夫状态有关的转移概率的过程。目前的状态概率矢量x和一步之前的状态概率和x+通过转移概率联系为
(x+)T=xTP. (5)
对于之前的t>1的步骤,查普曼 柯尔莫哥洛夫方程
(x+t)T=xTPt. (6)
在另一种可能的方法中,处理设备115可以做出服从于预测误差的未来道路特征预测。在这个实施方式中,处理设备115可以评估预测误差且调整预测范围直到预测误差在预定精度范围内。预测范围可以包括在车辆120很可能的路线上许多连续位置的道路特征预测。调整预测范围可以包括迭代地增加预测范围(即在不同位置的未来道路特征的数目)直到预测误差超过最大界限值且减小预测范围直到预测误差低于最小界限值。因此,增加位置的数目增大预测范围,减少位置的数目减小预测范围。最大界限值和最小界限值可以定义预定精确度范围。正如之前的方法,处理设备115可以依据预测的未来道路特征控制一个或多个车辆子***110。
在这种方法中,使依据解决的问题是在时间k道路曲率、坡度或粗糙度测量中的任何一个的替代,且假设替代可以被建模为正弦曲线的有限总和,即
其中Ai,Bi,ωi,φi未知。然后替代由以下传导
γ(k+1)=θ(k)φ(k) (8)其中是模型参数的矢量,以及
是目前和过去数据的矢量。下一步,使正数r为替代预测范围的宽度。
然后,替代γ(k+r),由在以下状态空间形式中写入方程(7)获得。
其中
是动态替代。以及
其遵循等式(10)–(11),在k+r的替代是
下一步,假设A(k)随着时间缓慢演变,以使对于i=1,...,r来说,
A(k+i)≈A(k) (15)
以及等式(14)可以改写为
下一步,因为A(k)未知,A(k)的估计称为用于估计未来r步的替代,以便
其中
以及是θ(k)的估计。
函数可以由以公式表示递归最小二乘价值函数计算
其中是正定且λ∈(0,1]是遗忘因子。等式(19)的最小元是
其中β(k)是0或1。当β(k)=1时,模型被更新,然而,当β(k)=0,模型固定。P(k)由以下更新
P(0)初始化为αI,其中α>0。
处理设备115可以进一步配置为执行强化学习。强化学习尝试解决选择一组状态转换的问题,以便最大化一些预先定义的性能指标,其是回报函数。
在替代预测的情况中,使作为时间k的函数的预测范围r(k)=0,...,m是许可的状态的一组,其中m是最大许可的范围大小。在一些例子中,选定范围以便r尽可能的大。然而,如上所提及的,随着r增加预测精度减小。因此,回报函数可以是
其中0≤γ(k)<1,是折扣因子,且R(·)是范围r和预测误差e的函数且是用户定义的以提供想要的范围大小和预测精度之间的平衡。下一步,强化学***衡。
通常,计算***和/或设备,例如处理设备115,可以使用许多计算机操作***中任何一个,包括但是并不限于福特操作***,Microsoft操作***、Unix操作***(如加利福尼亚红木滩的甲骨文公司发布的操作***)、纽约阿蒙克市的国际商业机器公司发布的AIX UNIX操作***、Linux操作***和加利福尼亚库比蒂诺的苹果公司发布的Mac OS X和iOS操作***以及开放手机联盟发布的安卓操作***的版本和/或变体。计算设备的例子包括但不限于车载计算机或控制单元、计算机工作站、服务器、台式机、笔记本电脑、便携式电脑、或手持式计算机、或一些其他计算***和/或设备。
计算设备通常包括计算机可执行的指令,其中指令可被一种或多种例如上面所列的那些计算设备执行。计算机可执行的指令可以从使用多种程序设计语言和/或技术建立的计算机程序来编译或解读,这些语言和/或技术包括但不限于JavaTM,C,C++,Visual Basic,Java Script,Perl等中单独一个或结合。通常,处理器(如微处理器)如从存储器、计算机可读介质等接收指令,并且执行这些指令,从而执行一个或多个过程,包括本发明中所述过程的一个或多个。这样的指令和其它数据可以使用多种计算机可读介质被存储和传送。
计算机可读介质(也被称为处理器可读介质)包括参与提供计算机(如计算机的处理器)可读的数据(如指令)的任何永久性(如有形的)介质。这样的介质可以采取许多形式,包括但不限于非易失性介质和易失性介质。非易失性介质可以包括,例如光盘或磁盘以及其他持久存储器。易失性介质可以包括例如动态随机存取存储器(DRAM),其典型地构成主存储器。这些指令可以通过一种或多种传输介质被传送,包括同轴电缆,铜线和光纤,包括由耦合到计算机处理器的***总线组成的线。计算机可读介质的普遍形式包括,例如软盘(floppy disk),柔性磁盘(flexible disk),硬盘,磁带,其它磁性介质,CD-ROM,,DVD,其它光学介质,穿孔卡片,纸带,其它具有孔排列模式的物理介质,RAM,PROM,EPROM,FLASH-EEPROM,其它存储芯片或磁片盒,或其它计算机可读的介质。
数据库,数据储存库,或其它本发明中描述的数据存储可以包括各种类型的用于存储、访问和检索多种数据的机制,包括层次数据库,文件***的一组文件,专用格式的应用数据库,关系数据库管理***(RDBMS)等。每个这样的数据存储通常包括在使用例如上述提到的那些之一的计算机操作***的计算设备内,通过网络以各种方式中的任意一种或多种进行访问。文件***可以从计算机操作***访问,可以包括以不同格式存储的文件。RDBMS除了使用创建、存储、编辑和执行存储过程的语言之外,通常使用结构化查询语言(SQL),例如上述提到的PL/SQL语言。
在一些例子中,***元件可以作为计算机可读指令(如软件)在一个或多个计算设备(如服务器,个人电脑等)上执行,在与此相关的计算机可读介质(如盘,存储器等)中存储。计算机程序产品可以包含这样的存储在计算机可读介质中用于执行在此描述的功能的指令。
图2A-2C说明了可以由处理设备115评估的示例性道路特征。在这些图中,处理设备115在许多位置或路段采集基础设施信息以预测未来道路特征。虽然为了清楚和简化起见,只示出了五个路段,但是处理设备115可以在任意数量的路段采集基础设施信息。
如图2A所示,处理设备115可以采集道路曲率信息。处理设备115可以确定在路段1、3和5曲率相对较低,且在路段2和4曲率相对较高。因此,处理设备115做出预测在车辆120的路线上道路曲率在高曲率和低曲率之间交替变化且相应地在不同的时间和位置调整一个或多个子***110的操作模式。处理设备115可以记录每个路段的长度(即位置之间的距离)以预测道路曲率最可能改变的位置。处理设备115可以进一步考虑车辆120的速度以预测车辆120将到达下一个路段的时间。在权重被应用于在每个路段采集到的道路特征的实施方式中,且假设车辆120从路段1行进到路段5,较大的权重可以被应用于在路段5采集到的特征(最近采集到的特征)且较小的权重可以被应用于在路段1采集到的特征(采集到的最“旧”特征)。中间权重(即那些应用于路段1和5之间的权重)可以被应用于与路段2、3和4有关的特征。
现在参考图2B,处理设备115可以采集道路粗糙度信息。处理设备115可以确定,在路段1、3和5粗糙度相对较低且在路段2和4粗糙度相对较高。因此,处理设备115做出预测在车辆120的路线上道路粗糙度在高粗糙度系数和低粗糙度系数之间继续交替变化且相应地在不同的时间和位置调整一个或多个子***110的操作模式。如上所讨论的,处理设备115可以记录每个路段的长度(即位置之间的距离)以预测道路粗糙度最可能改变的位置。处理设备115可以进一步考虑车辆120的速度以预测车辆120将到达下一个路段的时间。在权重被应用于在每个路段采集到的道路特征的实施方式中,且假设车辆120从路段1行进到路段5,较大的权重可以被应用于在路段5采集到的粗糙度系数(最近采集到的特征)且较小的权重可以被应用于在路段1采集到的粗糙度系数(采集到的最“旧”特征)。中间权重(即那些应用于路段1和5之间的权重)可以被应用于与路段2、3和4有关的粗糙度系数。
同样的分析可以应用于图2C所示的道路坡度。就是说,处理设备115可以确定在路段1、3和5坡度系数相对较低,且在路段2和4坡度相对较高。因此,处理设备115做出预测在车辆120的路线上道路坡度在高坡度系数和低坡度系数之间继续交替变化且相应地在不同的时间和位置调整一个或多个子***110的操作模式。如上所讨论的,处理设备115可以记录每个路段的长度(即位置之间的距离)以预测道路坡度最可能改变的位置。当做出预测时,处理设备115可以进一步考虑地形信息,地形信息可以通过GPS传感器或其他环境传感器105A获得。处理设备115可以考虑车辆120的速度以预测车辆120将到达下一个路段的时间。在权重被应用于在每个路段采集到的道路特征的实施方式中,且假设车辆120从路段1行进到路段5,较大的权重可以被应用于在路段5采集到的坡度系数(最近采集到的特征)且较小的权重可以被应用于在路段1采集到的坡度系数(采集到的最“旧”特征)。中间权重(即那些应用于路段1和5之间的权重)可以被应用于与路段2、3和4有关的坡度特征。
在一些实例中,路段可以是不同的长度。因此,处理设备115可以进一步预测下一个路段的长度且相应地控制一个或多个子***110的操作。此外,路段可以是如此短以至于处理设备115可以决定根据当前特征而非未来或预测的道路特征操作一个或多个子***110。例如,在之后有短的、相对直的路段跟随的长的高曲率路段的道路上,处理设备115可以确定,行动的最佳方案是保持子***110在与高曲率有关的模式中操作,甚至当行进通过具有相对较低曲率的路段时。换言之,处理设备115可以配置用于当控制一个或多个子***110的操作模式时,忽略某些预测。
图3是可被处理设备115执行以如预测未来道路特征的一个示例性过程300的流程图。
在框305中,处理设备115可以接收一个或多个传感器105实时采集的基础设施信息、环境信息或二者。基础设施信息可以包括道路粗糙度、道路曲率、道路坡度及道路建设指引中的一个或多个。环境信息的例子可以包括地质信息、气候信息和天气信息。
在框310中,处理设备115可以处理在框305接收到的基础设施信息和/或环境信息。处理基础设施信息和/或环境信息可以包括分别解码从基础设施传感器105A和/或环境传感器105B接收到的信号。
在框315中,处理设备115可以根据基础设施信息和/或环境信息预测未来道路特征。在一个可能的实施方式中,预测未来道路特征可以包括观察在预定时段多个道路特征中的至少一个且计算每个观察到的特征的频数。计算观察到的特征的频数可以包括计算观察到的特征在预定时段内变化的次数。因此,可以根据观察到的特征在预定时段内变化的次数预测未来道路特征。此外,当做出未来道路特征预测时,处理设备115可以将不同的权重应用于每个观察到的特征。如上所讨论的,较大的权重可以应用于当前道路特征且相对较低的权重可以应用于之前道路特征。
在框320中,处理设备115可以依照预测的未来道路特征控制至少一个子***110,包括如果处理设备115确定预测的未来道路特征只存在相对短的时间,忽视预测的未来道路特征。过程300在框320之后可以返回至框305。
图4是可被处理设备115执行以如预测未来道路特征的另一个示例性过程400的流程图。
在框405中,处理设备115可以接收一个或多个传感器105实时采集到的基础设施信息、环境信息或二者。基础设施信息可以包括道路粗糙度、道路曲率、道路坡度及道路建设指引中的一个或多个。环境信息的例子可以包括地质信息、气候信息和天气信息。
在框410中,处理设备115可以处理在框405接收到的基础设施信息和/或环境信息。处理基础设施信息和/或环境信息可以包括分别解码从基础设施传感器105A和/或环境传感器105B分别接收到的信号。
在框415中,处理设备115可以根据基础设施信息和/或环境信息预测未来道路特征。在框415中的预测可以根据相对于预测误差的预测范围。预测范围可以包括在车辆120最可能的路线上连贯的位置许多道路特征的预测。
在框420中,处理设备115可以评估预测误差。一种评估预测误差的方式可以包括确定预先做出预测的精度。例如,处理设备115可以将特定位置预测的道路特征与在那个位置实际道路特征进行比较。对于每个位置预测误差可以是不同的,且预测误差可以随着距离车辆120位置的增加而增加。因此,处理设备115可以从最不准确的预测(即距离车辆120最远的位置的道路特征预测)确定预测误差。
在判定框425,处理设备115确定预测是否超过界限值。如果超过了界限值,过程400在框430中继续。如果预测误差没有超过界限值,过程400可以在框435中继续。
在框430中,处理设备115可以减小预测范围。一种减小预测范围的方式是减少处理设备115做出的预测数目。例如,处理设备115可以停止做出在一个或多个距离车辆120较远的位置的道路特征的预测,因为那些预测很有可能是具有最大的预测误差。在减小预测范围之后,过程400可以返回至框405。
在判定框435,处理设备115可以确定预测误差是否低于最小值。如果预测误差低于最小值,过程400可以在框440中继续。然而,如果预测误差不低于最小值,过程400可以在框445中继续。
在框440中,处理设备115可以增大预测范围。增大预测范围可以包括增加处理设备115做出的预测的数目。例如,为了增大预测范围,处理设备115可以做出在比当前预测更远位置的道路特征的预测。在预测范围增大之后,过程400可以返回至框405。
在框445,处理设备115可以依据预测的未来道路特征控制至少一个子***110,包括如果处理设备115确定预测的未来道路特征只存在相对短的时间,忽视预测的未来道路特征。过程400在框445之后可以返回至框405。
关于本发明中所述的过程、***、方法、启示等,应当理解的是,虽然这些过程的步骤等被描述成根据一定的有序序列发生,这些过程可以被实施为采用所述步骤以不同于本发明所述顺序的顺序执行。进一步应当理解,某些步骤可以同时执行,其它步骤可以增加,或在此所述的某些步骤可以省略。换句话说,提供本发明过程的描述目的在于说明某些实施例,而不应以任何方式被解释为限制权利要求。
因此,应当理解的是,上述描述旨在说明而不是限制。在阅读上述说明基础之上,除了提供的示例以外的许多实施例和应用是显而易见的。本发明的范围不应当参照上述说明确定,而是应该参照权利要求连同这些权利要求所享有的全部等同范围确定。可以预见和预期的是,未来的发展将会发生在本发明讨论的技术领域,本发明所公开的***和方法将会被结合到这些未来的实施例中。总之,应当理解的是,该应用能够进行修改和变化。
在权利要求中使用的所有术语旨在被给予它们最宽泛的合理解释和如本领域中技术人员理解的其通常含义,除非在此作出意思相反的明确指示。特别是单数冠词如“一”,“该”,“所述”等的使用应被理解为叙述一个或多个所示元件,除非权利要求中表达了相反的明确限制。
提供发明摘要以允许读者快速弄清此技术公开的本质。提交该发明摘要的情况下,应理解其不用于解释或限制权利要求的范围和含义。此外,在前述具体实施方式中,能够看出,为了简化本发明的目的,不同的特征被集合在不同的实施例中。这种公开方法不应被解释为反映所要求保护的实施例需要比在每项权利要求中清楚叙述的更多的特征的意图。相反,如以下权利要求反映的那样,发明主旨在于少于单一公开的实施例的所有特征。因此,以下的权利要求在此结合到具体实施方式中,每条权利要求自身作为单独要求保护的主题。
Claims (20)
1.一种***,其特征在于,包含:
至少一个传感器,其配置用于实时采集基础设施信息且输出代表采集到的基础设施信息的传感器信号;以及
处理设备,其配置用于处理传感器信号,根据基础设施信息预测未来道路特征,以及依据预测的未来道路特征控制至少一个车辆子***。
2.根据权利要求1所述的车辆***,其特征在于,基础设施信息包括道路粗糙度、道路曲率、道路坡度以及道路建设指引中的至少一个。
3.根据权利要求1所述的车辆***,其特征在于,至少一个传感器配置用于采集环境信息。
4.根据权利要求3所述的车辆***,其特征在于,环境信息包括地质信息、气候信息以及天气信息中的至少一个。
5.根据权利要求1所述的车辆***,其特征在于,预测未来道路特征包括观察在预定时段多个道路特征中的至少一个且计算观察到的特征的频数。
6.根据权利要求5所述的车辆***,其特征在于,预测未来道路特征包括将权重应用于每个观察到的特征。
7.根据权利要求6所述的车辆***,其特征在于,多个道路特征包括当前道路特征和之前道路特征,且其中,应用于当前道路特征的权重大于应用于之前道路特征的权重。
8.根据权利要求5所述的车辆***,其特征在于,计算观察到的特征的频数包括计算观察到的特征在预定时段内变化的次数。
9.根据权利要求8所述的车辆***,其特征在于,处理设备配置用于至少部分根据观察到的特征在预定时段内变化的次数预测未来道路特征。
10.一种方法,其特征在于,包含:
接收实时采集到的基础设施信息;
处理基础设施信息;
根据基础设施信息通过计算设备预测未来道路特征;以及
依据预测的未来道路特征控制至少一个车辆子***。
11.根据权利要求10所述的方法,其特征在于,基础设施信息包括道路粗糙度、道路曲率、道路坡度以及道路建设指引中的至少一个。
12.根据权利要求10所述的方法,其特征在于,进一步包含接收环境信息。
13.根据权利要求12所述的方法,其特征在于,环境信息包括地质信息、气候信息以及天气信息中的至少一个。
14.根据权利要求10所述的方法,其特征在于,预测未来道路特征包括:
观察在预定时间段多个道路特征中的至少一个;以及
计算观察到的特征的频数。
15.根据权利要求14所述的方法,其特征在于,预测未来道路特征包括将权重应用于每个观察到的特征。
16.根据权利要求15所述的方法,其特征在于,多个道路特征包括当前道路特征和之前道路特征,且其中,应用于当前道路特征的权重大于应用于之前道路特征的权重。
17.根据权利要求14所述的方法,其特征在于,计算观察到的特征的频数包括计算观察到的特征在预定时段内变化的次数。
18.根据权利要求17所述的方法,其特征在于,至少部分根据观察到的特征在预定时段内变化的次数预测未来道路特征。
19.一种永久性计算机可读介质,其特征在于,其可触知地体现使处理器执行如下操作的计算机可执行指令,包括:
接收实时采集到的基础设施信息;
处理基础设施信息;
根据基础设施信息预测未来道路特征;以及
依据预测的未来道路特征控制至少一个车辆子***。
20.根据权利要求19所述的永久性计算机可读介质,其特征在于,预测未来道路特征包括:
观察在预定时间段多个道路特征中的至少一个;
计算观察到的特征在预定时间段内变化的次数;
将权重应用于每个观察到的特征,其中,应用于当前道路特征的权重大于应用于之前道路特征的权重;以及
至少部分根据观察到的特征在预定时段内变化的次数预测未来道路特征。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/056,761 US9421979B2 (en) | 2013-10-17 | 2013-10-17 | Road characteristic prediction |
US14/056,761 | 2013-10-17 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104573310A true CN104573310A (zh) | 2015-04-29 |
Family
ID=52775409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410554394.5A Pending CN104573310A (zh) | 2013-10-17 | 2014-10-17 | 道路特征预测***和方法 |
Country Status (4)
Country | Link |
---|---|
CN (1) | CN104573310A (zh) |
DE (1) | DE102014220840A1 (zh) |
MX (1) | MX344376B (zh) |
RU (1) | RU2014141916A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248387A (zh) * | 2015-06-12 | 2016-12-21 | 福特全球技术公司 | 粗糙道路模拟 |
CN107735300A (zh) * | 2015-05-20 | 2018-02-23 | 米其林集团总公司 | 用于确定行驶的限制速度的方法 |
CN107792079A (zh) * | 2016-08-31 | 2018-03-13 | 福特全球技术公司 | 利用路径预测的自主车辆 |
CN111201172A (zh) * | 2017-08-11 | 2020-05-26 | 罗伯特·博世有限公司 | 用于求取行驶道的摩擦值的方法和设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015226046A1 (de) * | 2015-12-18 | 2017-06-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Erzeugung einer haptischen Signalisierung an einem manuellen Steuermittel eines Fahrzeugs |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633358A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有集成驾驶风格识别的自适应车辆控制*** |
CN102289935A (zh) * | 2006-03-03 | 2011-12-21 | 因瑞克斯有限公司 | 使用来自移动数据源的数据估算道路交通状况 |
CN102913336A (zh) * | 2011-08-04 | 2013-02-06 | 通用汽车环球科技运作有限责任公司 | 发动机起动停止禁止***和方法 |
-
2014
- 2014-10-09 MX MX2014012193A patent/MX344376B/es active IP Right Grant
- 2014-10-15 DE DE201410220840 patent/DE102014220840A1/de active Pending
- 2014-10-17 RU RU2014141916A patent/RU2014141916A/ru not_active Application Discontinuation
- 2014-10-17 CN CN201410554394.5A patent/CN104573310A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289935A (zh) * | 2006-03-03 | 2011-12-21 | 因瑞克斯有限公司 | 使用来自移动数据源的数据估算道路交通状况 |
CN101633358A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有集成驾驶风格识别的自适应车辆控制*** |
CN102913336A (zh) * | 2011-08-04 | 2013-02-06 | 通用汽车环球科技运作有限责任公司 | 发动机起动停止禁止***和方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107735300A (zh) * | 2015-05-20 | 2018-02-23 | 米其林集团总公司 | 用于确定行驶的限制速度的方法 |
CN106248387A (zh) * | 2015-06-12 | 2016-12-21 | 福特全球技术公司 | 粗糙道路模拟 |
CN106248387B (zh) * | 2015-06-12 | 2020-02-18 | 福特全球技术公司 | 粗糙道路模拟*** |
CN107792079A (zh) * | 2016-08-31 | 2018-03-13 | 福特全球技术公司 | 利用路径预测的自主车辆 |
CN111201172A (zh) * | 2017-08-11 | 2020-05-26 | 罗伯特·博世有限公司 | 用于求取行驶道的摩擦值的方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
RU2014141916A (ru) | 2016-05-10 |
MX344376B (es) | 2016-12-13 |
MX2014012193A (es) | 2015-04-30 |
RU2014141916A3 (zh) | 2018-03-07 |
DE102014220840A1 (de) | 2015-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573311A (zh) | 道路特征预测***和方法 | |
US10989544B2 (en) | Utilizing artificial neural networks to evaluate routes based on generated route tiles | |
US10037695B2 (en) | Personalized route indices via crowd-sourced data | |
EP3206411B1 (en) | Arrangement and method for predicting road friction within a road network | |
US9519670B2 (en) | Method and apparatus for road risk indices generation | |
CN104008266B (zh) | 道路坡度自动映射的方法及装置 | |
Hofleitner et al. | Learning the dynamics of arterial traffic from probe data using a dynamic Bayesian network | |
US9349150B2 (en) | System and method for multi-task learning for prediction of demand on a system | |
CN104573310A (zh) | 道路特征预测***和方法 | |
US11567495B2 (en) | Methods and systems for selecting machine learning models to predict distributed computing resources | |
CN104412310B (zh) | 移动方式判别***以及移动方式判别装置 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
CN104778850A (zh) | 确定道路模型需要更新的部分 | |
US20150317847A1 (en) | Method and Apparatus for Predictive Driving Demand Modeling | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
JP2022022106A (ja) | コンピュータが実施する、ルートのエネルギ使用を予測する方法 | |
CN104599002A (zh) | 预测订单价值的方法及设备 | |
US20220182792A1 (en) | Systems for predicting and classifying location data based on machine learning | |
CN114004077B (zh) | 交通仿真转换方法、装置、计算机设备及存储介质 | |
Zhang et al. | Accuracy analysis of short-term traffic flow prediction models for vehicular clouds | |
Toplak et al. | Novel road classifications for large scale traffic networks | |
Hoekstra et al. | Evolving Markov chain models of driving conditions using onboard learning | |
US20220107628A1 (en) | Systems and methods for distributed hierarchical control in multi-agent adversarial environments | |
CN112820111B (zh) | 一种异常车辆识别方法、装置和电子设备 | |
US11912287B2 (en) | Cloud-based vehicular telematics systems and methods for generating hybrid epoch driver predictions and driver feedback |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |