CN109313850A - 用于逆行驾驶员识别的方法、设备和*** - Google Patents

用于逆行驾驶员识别的方法、设备和*** Download PDF

Info

Publication number
CN109313850A
CN109313850A CN201780035610.7A CN201780035610A CN109313850A CN 109313850 A CN109313850 A CN 109313850A CN 201780035610 A CN201780035610 A CN 201780035610A CN 109313850 A CN109313850 A CN 109313850A
Authority
CN
China
Prior art keywords
vehicle
road element
road
driver
particle
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
Application number
CN201780035610.7A
Other languages
English (en)
Inventor
S·盖斯勒
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN109313850A publication Critical patent/CN109313850A/zh
Pending legal-status Critical Current

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
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • 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
    • G08G1/01—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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种用于逆行驾驶员识别的方法。所述方法包括以下步骤：读取地图数据(116)，所述地图数据反映能够由车辆(100)行驶的道路网络的道路元素的集合；在使用所述车辆(100)的所测量的位置数据(106)的情况下确定多个粒子，其中，一个粒子代表所述车辆(100)的一个所假设的位置并且代表分配给所假设的位置的权重；在使用粒子滤波器的情况下，基于所述多个粒子确定所述道路元素的集合中的在所述车辆(100)的行驶方面可信的至少一个道路元素；在使用分类方法的情况下检查所述至少一个可信的道路元素，以便获得至少一个经检查的道路元素。

Description

用于逆行驾驶员识别的方法、设备和***
背景技术
在发生事故的情况下，逆行驾驶员(“错向行驶驾驶员”)至少会造成重大财产损失。对于大多数情况而言，仅仅基于导航设备的识别(道路等级和道路方向)都太晚，也就是说，逆行驾驶员(Falschfahrer)已经(以高的行驶速度并且以大的碰撞概率)处于错误的行车道上。
发明内容
在所述背景下，借助在此提出的方案提出根据独立权利要求的用于逆行驾驶员识别的一种方法、一种设备和一种***，以及最后提出一种相应的计算机程序。通过在从属权利要求中列举的措施能够实现独立权利要求中说明的设备的有利的扩展方案和改善方案。
有利地，例如可以借助通过粒子滤波器而特别匹配于应用情况的识别来实现基于云的逆行驾驶员警报。
一种用于逆行驾驶员识别的方法包括以下步骤：
读取地图数据，所述地图数据反映能够由车辆行驶的道路网络的道路元素的集合；
在使用车辆的所测量的位置数据的情况下确定多个粒子，其中，一个粒子代表车辆的所假设的位置并且代表分配给所假设的位置的权重；
在使用粒子滤波器的情况下，基于所述多个粒子确定所述道路元素的集合中的在车辆的行驶方面可信的至少一个道路元素；并且
在使用分类方法的情况下检查至少一个可信的道路元素，以便获得至少一个经检查的道路元素。
“车辆”可以涉及道路车辆。“逆向行驶(Falschfahrt)”可以理解为车辆在道路上与预给定的行驶方向相反的行驶。地图数据还可以反映能够由车辆行驶的道路网络的至少一个参数。所测量的位置数据可以代表在使用布置在车辆中的传感器的情况下所测量的位置。所述多个粒子可以在使用借助已知的粒子滤波器所使用的方法的情况下确定。在此，粒子可以具有不同的所假设的位置，这些所假设的位置例如可以围绕在所测量的位置周围。例如可以使用粒子滤波器来改变已经存在的粒子的权重。“可信的道路元素”可以理解为如下道路区段：根据分析处理粒子数据，假设车辆处于该道路区段上。可以在使用其他可供使用的数据的情况下检查该可信的道路元素，以便确保车辆是否实际上处于经检查的道路元素上。可以使用经检查的道路元素代替所测量的位置来识别车辆的逆向行驶。
因此，该方法可以包括如下步骤：在使用经检查的道路元素的情况下确定逆向行驶信号。在此，逆向行驶信号可以说明：是否存在车辆的逆向行驶。例如仅当假设存在逆向行驶时，才可以提供逆向行驶信号。
在检查的步骤中，可以使用机器学习的分类方法。因此，可以有利地采用已知的方法。
在检查的步骤中，例如可以将车辆的所测量的运动数据和分配给道路元素的参数用于该分类方法。所测量的运动数据可以代表车辆的在使用传感器的情况下所测量的运动。以这种方式可以检查：道路元素是否匹配由车辆实施的运动。
运动数据可以反映车辆的横向加速度和/或车辆的行驶方向。通过横向加速度可以检查，道路元素的道路走向是否匹配车辆的所测量的运动，通过行驶方向可以检查，道路元素的行驶方向预先规定(Fahrtrichtungsvorgabe)是否匹配于车辆的所测量的运动。
相应地，参数可以反映通过地图数据所反映的道路元素的曲率变化和/或行驶方向预先规定，所述道路元素被分配给或能够被分配给多个粒子中的至少一个。
在检查的步骤中，可以将多个粒子至通过地图数据所反映的道路元素的可分配性用于所述分类方法。以这种方式，可以在检查中考虑：粒子是否处于可信的道路元素上。
在检查的步骤中，可以将多个粒子与车辆的通过所测量的位置数据所反映的所测量的位置之间的间距用于所述分类方法。以这种方式，可以在检查中考虑：粒子布置在可信的道路元素附近还是远离可信的道路元素地布置。
在读取的步骤中，可以通过计算云(所谓的云)的接口读取位置数据。这能够实现一种基于云的解决方案。
一种相应的用于逆行驾驶员识别的相应的设备设置用于在相应的单元中实施所提及的方法的步骤。这种设备例如可以具有：读取装置，所述读取装置构造用于通过接口读取地图数据，所述地图数据反映能够由车辆行驶的道路网络的道路元素的集合；确定装置，所述确定装置构造用于在使用车辆的所测量的位置数据的情况下确定多个粒子，其中，一个粒子代表车辆的一个所假设的位置和分配给所假设的位置的权重；确定装置，所述确定装置构造用于在使用粒子滤波器的情况下基于多个粒子确定所述道路元素的集合中的在车辆行驶方面可信的至少一个道路元素；并且具有检查装置，以便获得至少一个经检查的道路元素。
一种相应的用于逆行驾驶员识别的***包括至少一个发送装置以及所提及的用于逆行驾驶员识别的设备，所述发送装置能够布置在车辆中或被布置在车辆中并且构造用于发送位置数据，所述设备构造用于例如通过无线连接接收由至少一个发送装置发送的位置数据。
用于逆行驾驶员识别的另一***包括至少一个发送装置和至少一个接收装置，所述发送装置能够布置在车辆中或者被布置在车辆中并且构造用于发送位置数据，其中，位置数据代表车辆的所测量的位置，所述接收装置能够布置在车辆中或者被布置在车辆中并且构造用于接收如下设备的数据：所述设备根据在此描述的用于逆行驾驶员识别的方案构造用于接收由至少一个发送装置所发送的位置数据。
所描述的方法例如可以以软件实现或以硬件实现或以软件与硬件的混合形式(例如在设备中)实现。
为此，所述设备可以具有：至少一个用于处理信号或数据的计算单元、至少一个用于存储信号或数据的存储单元和/或至少一个用于读取或输出嵌入到通信协议中的数据的通信接口。计算单元例如可以是信号处理器、微控制器等，其中，所述存储单元例如可以是闪存、EPROM或磁性存储单元。通信接口可以构造用于无线地和/或有线地读取或输出数据，其中，可以读取或输出有线数据的通信接口例如可以电学地或光学地从相应数据传输线路中读取所述数据或将所述数据输出到相应的数据传输线路中。
在此，设备可以理解为电设备，所述电设备处理传感器信号并且根据所述传感器信号输出控制信号和/或数据信号。所述设备可以具有可以以硬件形式和/或软件形式构造的接口。在硬件形式的构造中，所述接口例如可以是所谓的***专用集成电路的一部分，该部分包含所述设备的各种各样的功能。然而也能够实现，所述接口是独立的集成电路或至少部分地由分立的构件组成。在软件形式的构造中，所述接口可以是软件模块，所述软件模块例如和另外的软件模块存在于微控制器上。
也有利的是一种计算机程序产品或具有程序代码的计算机程序，所述程序代码能够存储在机器可读的载体或存储介质上(例如半导体存储器、硬盘存储器或光学存储器)并且用于尤其当所述程序产品或程序在计算机或设备上实施时，执行、实现和/或操控根据上面所描述的实施方式中任一项所述的方法的步骤。
附图说明
在此提出的方案的实施例在附图中示出并且在以下说明书中进一步阐述。附图示出：
图1根据一种实施例示出逆行驾驶员识别的***；
图2根据一种实施例示出用于逆行驾驶员识别的方法的流程图；
图3示出隐马尔可夫链模型(Hidden Markov Chain Model)；
图4根据一种实施例示出粒子滤波器处理的流程；
图5根据一种实施例示出用于逆行驾驶员识别的***；
图6根据一种实施例示出一种车辆；
图7根据一种实施例示出一种程序流程；
图8根据一种实施例示出粒子滤波器的程序流程；
图9根据一种实施例示出用于逆行驾驶员识别的***。
在本发明的有利的实施例的以下描述中，对于在不同附图中示出的并且作用相似的元件使用相同或相似的附图标记，其中，省去对这些元件的重复性描述。
具体实施方式
图1根据一种实施例示出一种用于逆行驾驶员识别的***。该***包括具有传输装置102的车辆100，该传输装置构造用于将测量数据106无线地发送给用于逆行驾驶员识别的设备110，所述测量数据在使用布置在车辆100中的至少一个传感器装置104的情况下所检测。设备110构造用于将测量数据106预处理成经预处理的数据，并且在使用粒子滤波器的情况下对经预处理的数据进行再处理，以便产生并且发送逆向行驶信号112。根据一种实施例，逆向行驶信号112指出：其测量数据106已被处理的车辆100当前正实施逆向行驶。根据该实施例，车辆100的传输装置102以及另一车辆100的传输装置102构造用于接收逆向行驶信号112并且响应于逆向行驶信号112的接收地激活相应车辆100、114的警报装置，该警报装置例如向相应车辆100、114的驾驶员发出逆向行驶警报或者根据一种实施例干预相应车辆100、114的(例如制动设备或转向设备)的例如部分自动化的控制。根据不同的实施例，传输装置102可以仅实施成发送装置、或者也可以实施成发送/接收装置。
根据一种实施例，测量数据106包括如下位置数据：该位置数据已经在使用车辆100的位置确定装置的情况下所检测并且反映车辆100的当前位置。根据另一实施例，测量数据106还包括如下运动数据：该运动数据例如已经在使用车辆100的至少一个加速度传感器的情况下所检测并且包括关于车辆100的当前运动的信息，该信息例如是关于行驶方向、纵向加速度、横向加速度或车辆围绕车辆轴线旋转的信息。
根据一种实施例，设备110构造用于读取地图数据116，该地图数据反映能够由车辆100行驶的道路网络。根据一种实施例，地图数据116例如包括关于道路网络的道路元素的信息。根据一种实施例，地图数据116在每个道路元素方面还包括至少一个参数，所述参数例如定义对于相应的道路元素的行驶方向预先规定或者定义相应的道路元素的走向。通过所述参数例如可以定义：道路元素直线地延伸还是表现为曲线。根据一种实施方式，设备110具有存储器装置，在该存储器装置中存储有地图数据116。
根据一种实施例，设备110或设备110的功能块在云118中布置或实现。
根据一种实施例，设备110构造用于使用经检查的道路元素的情况下确定逆行驾驶员信号112。“经检查的道路元素”可以理解为地图数据所包括的如下道路元素(也称为道路区段)：假设车辆100处于该道路元素上。在这种情况下，设备110构造用于，首先在使用粒子滤波器的情况下确定由地图数据所包括的道路元素，然后使用分类方法检查是否可以将至少一个可信的道路元素实际上假设为车辆以高概率所处的道路元素。由设备110在使用通过测量信号106所传输的位置数据和/或已经存在的粒子的情况下确定由粒子滤波器所处理的粒子。因此，通过分类方法提供了如下附加保障：通过该附加保障可以确保，不会因为车辆被分配给错误的道路元素而以错误的方式发出逆行驾驶员警报。因此，设备110可以构造用于在使用经检查的道路元素的情况下提供逆行驾驶员信号112。
补充或替代所描述的方案，可以使用用于探测逆行驾驶员的各种各样的方法，在这些方法中，例如使用视频传感装置，以便探测穿行通过“禁止驶入”的指示牌，或者将数字地图与导航结合使用，以便识别在如下道路区段上探测到逆向行驶方向：该道路区段仅能在一个方向上行驶。此外已知的是，该方案还可以与无线的方法结合，所述无线的方法借助基础设施(例如行车道上的或行车道边缘上的柱式轮廓标)来探测逆行驾驶员。
除了探测逆行驾驶员以外，所描述的方案还提供对逆行驾驶员做出反应的许多可能性。这方面的示例是通过显示或声学提示来对逆行驾驶员本身发出警报。也可以使用如下方法：借助所述方法例如通过车对车通信或借助移动无线电来对逆行驾驶员附近的其他驾驶员发出警报。此外，可以通过布置在道路边缘上的可变交通标志来对其他的交通参与者发出警报。也可以对正在逆向行驶的车辆100的发动机控制或制动进行干预。
所描述的方案能够实现：探测逆行驾驶员并且及时地对逆行驾驶员附近的其他交通参与者发出警报，对于所述探测和发出警报而言，只有非常短的时间可供使用。
所描述的方案借助客户端/服务器解决方案来进行逆行驾驶员识别(逆向行驶驾驶员探测(Wrong-Way-Driver-Detection))。处于机动车上或机动车中的如下设备可以被看作是客户端：该设备具有互联网连接并且具有至少对位置坐标的访问权限。在此，例如可以涉及传输装置102。传输装置102例如可以涉及智能手机。在传输装置102中可以集成有传感器装置104。因此，例如可以借助作为示例性客户端的智能手机来实现特定于逆行驾驶员的服务器/客户端通信。可以借助网关(PDN_GW)将智能手机通过移动无线电网络连接到互联网，在互联网中布置有例如服务器形式的设备110。
由借助客户端/服务器解决方案的逆行驾驶员警报的可能工作方式得出通过在此描述的方案说明的技术的以下关键问题领域：
a)假阳性降低
在自身警报和/或主动干预的情况下，必须尽可能阻止或完全避免假阳性(即在正确行驶方式情况下的错误探测)。取决于警报方案，必须满足直至ASIL-A的标准。
b)时间紧急地实施触发链
为了将逆行驾驶员对其他交通参与者造成的危险保持得尽可能低，应该尽可能快地进行干预或警报。也就是说，从通过识别到逆行驾驶员而探测到关键性情况直到干预或警报的完整功能链应该在尽可能短的时间段内完成。在全面地使用这种功能的情况下，服务器(例如设备110)的占用率以及因此所需的功能有效性在此起着非常重要的作用。除了触发时间以外，经济性也是一个重要的部分方面。
c)通信、数据效率和耗电量
特别是对于移动设备而言，通信和耗电量必须尽可能地高效或尽可能地低，以便实现可接受的电池寿命。也必须通过数据高效的通信来防止移动无线电单元或其他的无线通信单元的过载。也可以尽可能地限制数据量以及与此相关的开销。出于计算能力的原因，通信效率在服务器侧也是极其重要的因子。
所描述的方案主要用于关键领域a)“假阳性降低”和b)“时间紧急地实施触发链”，然而必要时，c)“通信、数据效率和耗电量”也同样可能受到影响。在云118中基于商用智能手机和连接控制单元传感装置来识别逆行驾驶员并不是简单的。
图2根据一种实施例示出一种用于逆行驾驶员识别的方法的流程图。例如可以在使用根据图1所示的用于逆行驾驶员识别的设备的装置的情况下实施该方法。
该方法包括步骤201，在该步骤中通过接口读取地图数据。地图数据反映能够由车辆行驶的道路网络。在步骤203中，在使用位置数据的情况下确定多个粒子。在此，粒子中的每个分别代表车辆的一个所假设的位置并且代表分配给所假设的位置的权重。在此根据一种实施例，所假设的位置分布在所测量的位置周围。在步骤205中，基于所述多个粒子，确定道路元素的集合中的在车辆行驶方面可信的至少一个道路元素。在使用粒子滤波器的情况下至少实施步骤205。根据粒子的位置分布或粒子的权重，例如可以将道路元素确定成可信的道路元素。为此例如可以检查：预确定数量的粒子是否处于该道路元素上，或者，具有预确定权重的粒子是否处于该道路元素上。在步骤207中检查：至少一个可信的道路元素是否实际上涉及如下道路元素：可以以足够高的可靠性假设车辆处于该道路元素上。为此，在使用分类方法的情况下检查至少一个可信的道路元素。根据一种实施例，根据通过分类方法所执行的分类的结果，要么将通过该分类方法所检查的道路元素称为经检查的道路元素、要么将其作为不可信的道路元素丢弃。因此，该分类方法用于将如下道路元素要么分类为经检查的道路元素、要么分类为不可信的道路元素：所述道路元素在使用粒子滤波器的情况下作为可信的道路元素被过滤出。
例如可以将车辆的运动数据以及分配给可信的道路元素的参数纳入到该分类方法中。也可以纳入基于粒子的分析处理的值。在分析处理的情况下例如可以考虑粒子的位置分布和/或粒子的权重。这些值例如可以指出：粒子中的多少个能够被分配给可信的道路元素。如果分配给可信的道路元素的粒子的数量例如大于阈值，则可以将可信的道路元素分类为经检查的道路元素。
在另一步骤中，根据一种实施例提供逆行驾驶员信号。例如如果车辆的当前行驶方向与可信的道路区段的行驶方向预先规定不一致，则提供逆行驾驶员信号。
对于逆行驾驶员识别来说，逆行驾驶员正行驶哪个路线不是决定性的。所需的信息主要是：逆行驾驶员当前处于哪里，并且该逆行驾驶员是否在与行驶方向相反的道路上行驶。为了这种求取显然需要一定的历史信息(Historie)，但这不是所提出的问题的一部分，而更确切地说是得出结果的方式。
由于这些情况，提出一种基于粒子滤波器的方法。类似于卡尔曼滤波器，粒子滤波器适用于受隐马尔可夫链特征(即具有未观测到的状态的马尔可夫链)影响的***。
图3示出在时间k和k-1具有状态x和观测z的隐马尔可夫链模型320。
也就是说，***的状态无法被直接测量，然而可以基于其他的观测被估计出。在这种情况下，能够估计出位置并且因此估计出当前的道路。为此需要对以下等式进行求解：
p(xk|z0:k,u0:k)＝η·g(zk|xk,z0:k-1,u0:k)π(xk|z0:k-1,u0:k)
在下文中借助xk描述时刻k的状态，借助x0:k-1＝(x0,…,xk-1)来合并之前的状态。类似于x，这种换算也适用于控制参量u和观测u。η描述归一化项，然而该归一化项在下文在中不具有重要意义。该等式可以简化成以下等式：
并且该等式以两个步骤进行描述：
预测步骤
和权重项
在粒子滤波器的情况下，借助数值近似和蒙特卡罗法(Monte-Carlo-Method)来求解对概率分布的积分。
在此，w[j]描述第j个粒子的权重/概率。粒子的集合以
Χ＝{(x[j],w[j])}j＝1,…,J
进行描述。因此，每个粒子具有权重w[j]和状态x[j]。
图4根据一种实施例示出一种粒子滤波处理的流程。为此，在图4中示出在时间k和k-1具有状态x和观察z的隐马尔可夫链模型。
工作的大部分旨在找到适用于
和
的函数，所述函数最佳地反映问题。在此方面的基础是定义待估计的状态x。
方框401代表粒子滤波器(Χk-1,uk,z)。
直至经历过所有的值j＝1:J，才从方框403跳转至方框405。
在方框405中计算新的状态：
在方框407中计算权重：
如果在方框403中经历过所有的值，则跳转至方框409。直至经历过所有值i＝1:J，才从方框409跳转至方框411。
在方框411中按照标记值。
在方框413按照添加至粒子集。
如果在方框409中经历过所有的值，则跳转至表示结束Χk的方框415。
图5根据一种实施例示出一种用于逆行驾驶员识别的***。该***包括例如根据图1所提及的传输装置形式的装置102和用于逆行驾驶员识别的设备110，该设备根据这种实施例实施成所谓的WDW服务器。设备110构造用于从装置102接收数据106(例如根据图1描述的测量数据)并且基于数据106提供警报112，并且例如以根据图1所描述的逆向行驶信号的形式发送回到装置102。
该设备具有用于预处理的装置530、粒子滤波器532和警报模块534。
在基于云的逆行驾驶员警报装置的简化结构中嵌入有如图5所示那样的粒子滤波器532。
借助粒子滤波器532可以近似地确定汽车位置的概率分布。
图6借助车辆100示出可以被纳入到根据图5所示的模型中的值。这些值例如可以涉及在纵轴线x、横轴线y、高轴线z方向上的状态以及围绕纵轴线的转动p、围绕横轴线的俯仰q以及围绕高轴线的偏转r。
关于在使用粒子滤波器情况下的地图比较，适用贝叶斯滤波器p(xk|z0:k,u0:k)。在此参照图3，xk可以代表(未测量的)状态，例如地理上的长度、宽度和高度，uk+1例如代表汽车100在速度和转速方面如何运动，并且zk代表可以观测到什么——例如GPS信号或涉及车辆100的周围环境的信号(摄像机等)。
图7根据一种实施例示出一种程序流程。该流程开始于方框701。在方框530中，例如执行如根据图5所描述的那样的数据预处理。在方框703中(如果存在)加载之前的点的状态。在方框705中借助粒子滤波器进行地图比较(地图匹配)。在方框707中对结果进行解读。在方框709中检查是否存在逆向行驶。如果是这种情况，则如根据图5所描述的那样在方框534中发送警报。如果不存在错误驾驶，则以方框711结束程序流程。
图8根据一种实施例示出粒子滤波器的程序流程。方框801代表粒子滤波器的开始。在方框803中例如在考虑根据图1所述的传感器装置的传感器准确度的情况下对粒子进行移位。在方框805中求取地图相关的参数。这种参数例如说明：粒子是否处于道路上或者是否与道路名称(Titel)一致。在方框807中对新的粒子权重进行计算。在方框809中进行所谓的重采样(Resampling)，在所述重采样的情况下，消除不相关的区域和/或粒子。在方框811中对各个粒子进行解释并且在方框813中对可能的道路进行反馈。
通过使用粒子滤波器改善以下提及的方面。一方面，提供一种顺序地(实时可能的)工作的方法，该方法主要求取道路网络上的当前位置。此外，能够实现稳健地估计道路网络上的当前位置。能够求取关于当前估计的不确定性。这使得可以在合理的程度上将关于潜在的逆向行驶的判定可靠地推迟。
图9根据一种实施例示出一种用于逆行驾驶员识别的***。该***相应于根据图5所述的***，不同之处在于：在粒子滤波器532与警报模块534之间设置有用于执行再处理的装置933。在此，装置933构造用于实现(在此例如机器学习的)分类方法。
根据一种实施例，粒子滤波器532构造用于处理粒子940并且基于所述粒子940确定如下至少一个可信的道路元素942：由通过粒子滤波器532所提供的数据假设车辆处于该道路元素上。装置933构造用于检查：可信的道路元素942是否实际上涉及如下道路元素：可以以足够高的可靠性认为车辆处于该道路元素上。如果是这种情况，则装置933构造用于将经检查的可信的道路元素942作为经检查的道路元素944提供给警报模块534。警报模块534构造用于在使用经检查的道路元素944的情况下提供逆向行驶信号112形式的警报。
粒子滤波器532的典型应用的不同之处在于：在这种应用情况下不旨在达到尽可能最佳的定位准确度，而是应在所有情况下求取正确的道路元素(在此指经检查的道路元素944)。也就是说，即使如果传感器数据106指明存在逆向行驶，也仅当能够可靠地确定确实存在逆向行驶时，才会发出危险交通的警报。为了降低错误探测率，例如使用机器学习领域中的分类方法933。由此，图5中所示的***的结构如图9中所示那样改变。
替代仅基于所计算出的概率来进行触发，还可以通过机器学习的分类方法933对所述情况进行再次检查(gegenprüfen)。
用于该分类方法933的可能参数(特征)——包括时间特性/时间变化在内——是：
道路(粒子与行驶方向相反地处于该道路上)至空间上最近的道路(粒子在该道路上在行驶方向上运动)的间距
粒子所处的可能的道路的概率。
粒子所处的道路的曲率与传感器数据106之间的差异。
粒子所处的道路的行驶方向预先规定与传感器数据106或粒子940之间的差异。
将非常多的粒子如此移位，使得这些粒子不落在道路上(Off-roadprobability——脱离道路可能性)。
粒子与所测量的车辆位置(GPS)之间的间距的中位数/平均值/最小值/最大值极其大。
粒子滤波器532的所估计的收敛性，该收敛性用于估计总误差。
用于分类方法933的可能方法例如是：回归、K最近邻、决策树、决策树组合或随机森林、支持向量机(SVL)或神经网络。
所描述的方案可以与基于云的逆行驾驶员警报结合使用，该基于运动逆行驾驶员识别借助粒子过滤器而具有特别匹配于应用情况的识别。在此，特别有利的是针对两个所描述的回退水平的条件以及在重新找到道路情况下的方案。
如果一个实施例包括第一特征与第二特征之间的“和/或”关系，则可以如此解读：该实施例根据一种实施方式不仅具有第一特征、而且具有第二特征，并且根据另一实施方式要么仅具有第一特征、要么仅具有第二特征。

Claims (13)

1.一种用于逆行驾驶员识别的方法，其中，所述方法包括以下步骤：
读取(201)地图数据(116)，所述地图数据反映能够由车辆(100)行驶的道路网络的道路元素的集合；
在使用所述车辆(100)的所测量的位置数据(106)的情况下确定(203)多个粒子(940)，其中，一个粒子代表所述车辆(100)的一个所假设的位置以及分配给所假设的位置的权重；
在使用粒子滤波器(532)的情况下，基于所述多个粒子(940)确定(205)所述道路元素的集合中的在所述车辆(100)的行驶方面可信的至少一个道路元素(942)；
在使用分类方法(933)的情况下检查(207)所述至少一个可信的道路元素(942)，以便获得至少一个经检查的道路元素(944)。
2.根据权利要求1所述的方法，所述方法具有如下步骤：在使用所述至少一个经检查的道路元素(944)的情况下提供逆向行驶信号(112)，其中，所述逆向行驶信号(112)指出：是否存在所述车辆(100)的逆向行驶。
3.根据以上权利要求中任一项所述的方法，在所述方法中，在所述检查(207)的步骤中使用机器学习的分类方法(933)。
4.根据以上权利要求中任一项所述的方法，在所述方法中，在所述检查(207)的步骤中，将所述车辆(100)的所测量的运动数据(107)以及分配给所述道路元素的参数用于所述分类方法(933)。
5.根据权利要求4所述的方法，在所述方法中，所述运动数据(107)反映所述车辆(100)的横向加速度和/或行驶方向。
6.根据权利要求4或5所述的方法，在所述方法中，所述参数反映通过所述地图数据(116)所反映的道路元素的曲率变化和/或行驶方向预先规定，所述道路元素被分配给或能够被分配给所述多个粒子(940)中的至少一个。
7.根据权利要求5至9中任一项所述的方法，在所述方法中，在所述检查(207)的步骤中，将所述多个粒子(940)至通过所述地图数据(116)所反映的道路元素的可分配性用于所述分类方法(933)。
8.根据以上权利要求中任一项所述的方法，在所述方法中，在所述检查(207)的步骤中，将所述多个粒子(940)与所述车辆(100)的通过所测量的位置数据(106)所反映的所测量的位置之间的间距用于所述分类方法(933)。
9.根据以上权利要求中任一项所述的方法，所述方法具有如下步骤：通过计算云(118)的接口读取所测量的位置数据(106)。
10.一种用于逆行驾驶员识别的设备(110)，所述设备设置用于在相应的单元中实施根据以上权利要求中任一项所述的方法的步骤。
11.一种用于逆行驾驶员识别的***，其中，所述***包括以下特征：
至少一个发送装置(102)，所述发送装置能够布置在车辆(100)中或者被布置在车辆中，并且所述发送装置构造用于发送位置数据(106)，其中，所述位置数据(106)代表所述车辆(100)的所测量的位置；
根据权利要求10所述的用于逆行驾驶员识别的设备(110)，所述设备构造用于接收由所述至少一个发送装置(102)所发送的位置数据(106)。
12.一种计算机程序，所述计算机程序设置用于实施根据以上权利要求中任一项所述的方法。
13.一种机器可读取的存储器介质，在所述存储器介质上存储有根据权利要求12所述的计算机程序。
CN201780035610.7A 2016-06-07 2017-04-18 用于逆行驾驶员识别的方法、设备和*** Pending CN109313850A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102016210032.7 2016-06-07
DE102016210032.7A DE102016210032A1 (de) 2016-06-07 2016-06-07 Verfahren Vorrichtung und System zur Falschfahrererkennung
PCT/EP2017/059192 WO2017211492A1 (de) 2016-06-07 2017-04-18 Verfahren, vorrichtung und system zur falschfahrererkennung

Publications (1)

Publication Number Publication Date
CN109313850A true CN109313850A (zh) 2019-02-05

Family

ID=58638840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780035610.7A Pending CN109313850A (zh) 2016-06-07 2017-04-18 用于逆行驾驶员识别的方法、设备和***

Country Status (6)

Country Link
US (1) US10629073B2 (zh)
EP (1) EP3465656A1 (zh)
JP (1) JP6776373B2 (zh)
CN (1) CN109313850A (zh)
DE (1) DE102016210032A1 (zh)
WO (1) WO2017211492A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110081890A (zh) * 2019-05-24 2019-08-02 长安大学 一种结合深度网络的动态k最近邻地图匹配方法
CN114023095A (zh) * 2021-09-22 2022-02-08 北京百度网讯科技有限公司 一种交通限制识别方法、装置及电子设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016210029A1 (de) * 2016-06-07 2017-12-07 Robert Bosch Gmbh Verfahren Vorrichtung und System zur Falschfahrererkennung
US11348452B2 (en) * 2020-01-31 2022-05-31 Here Global B.V. Method, apparatus, and system for automatic closure verification using multiple possible vehicle paths
US11548521B2 (en) 2020-03-31 2023-01-10 Toyota Research Institute, Inc. Systems, methods and vehicles for determining wrong direction driving
US11348456B2 (en) 2020-10-06 2022-05-31 Ford Global Technologies, Llc Systems and methods for detecting wrong way travel of a vehicle

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140008A (ja) * 2007-12-03 2009-06-25 Sumitomo Electric Ind Ltd 危険走行情報提供装置、危険走行判定プログラム及び危険走行判定方法
CN102081844A (zh) * 2011-01-25 2011-06-01 华中科技大学 一种交通视频行为分析与报警服务器
CN102209658A (zh) * 2008-11-06 2011-10-05 沃尔沃技术公司 用于确定道路数据的方法和***
CN102768804A (zh) * 2012-07-30 2012-11-07 江苏物联网研究发展中心 基于视频的交通信息采集方法
US20120290150A1 (en) * 2011-05-13 2012-11-15 John Doughty Apparatus, system, and method for providing and using location information
CN103021186A (zh) * 2012-12-28 2013-04-03 中国科学技术大学 一种车辆监控的方法及***
JP2013073620A (ja) * 2011-09-28 2013-04-22 Honda Research Inst Europe Gmbh ドライバ支援システムのための、道路地形を検出する方法及びシステム
US20130304374A1 (en) * 2011-12-22 2013-11-14 Electronics And Telecommunications Research Institute Apparatus and method for recognizing position of moving object
JP2015005132A (ja) * 2013-06-20 2015-01-08 株式会社豊田中央研究所 仮想レーン生成装置及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8452535B2 (en) * 2010-12-13 2013-05-28 GM Global Technology Operations LLC Systems and methods for precise sub-lane vehicle positioning
US9140792B2 (en) 2011-06-01 2015-09-22 GM Global Technology Operations LLC System and method for sensor based environmental model construction
DE102013209502A1 (de) * 2013-05-22 2014-11-27 Robert Bosch Gmbh Verfahren zum automatischen Intervenieren in ein Ego-Fahrzeug bei einer Falschfahrt, insbesondere einer Geisterfahrt

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140008A (ja) * 2007-12-03 2009-06-25 Sumitomo Electric Ind Ltd 危険走行情報提供装置、危険走行判定プログラム及び危険走行判定方法
CN102209658A (zh) * 2008-11-06 2011-10-05 沃尔沃技术公司 用于确定道路数据的方法和***
CN102081844A (zh) * 2011-01-25 2011-06-01 华中科技大学 一种交通视频行为分析与报警服务器
US20120290150A1 (en) * 2011-05-13 2012-11-15 John Doughty Apparatus, system, and method for providing and using location information
JP2013073620A (ja) * 2011-09-28 2013-04-22 Honda Research Inst Europe Gmbh ドライバ支援システムのための、道路地形を検出する方法及びシステム
US20130304374A1 (en) * 2011-12-22 2013-11-14 Electronics And Telecommunications Research Institute Apparatus and method for recognizing position of moving object
CN102768804A (zh) * 2012-07-30 2012-11-07 江苏物联网研究发展中心 基于视频的交通信息采集方法
CN103021186A (zh) * 2012-12-28 2013-04-03 中国科学技术大学 一种车辆监控的方法及***
JP2015005132A (ja) * 2013-06-20 2015-01-08 株式会社豊田中央研究所 仮想レーン生成装置及びプログラム

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUNLI TAO BOK-SUK SHIN REINHARD KLETTE: "Wrong Roadway Detection for Multi-lane Roads", 《COMPUTER ANALYSIS OF IMAGES AND PATTERNS》 *
朱琳: "粒子方法及在社会***与交通***中的应用研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》 *
郭锋: "基于目标跟踪的交通逆行事件检测算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110081890A (zh) * 2019-05-24 2019-08-02 长安大学 一种结合深度网络的动态k最近邻地图匹配方法
CN114023095A (zh) * 2021-09-22 2022-02-08 北京百度网讯科技有限公司 一种交通限制识别方法、装置及电子设备
CN114023095B (zh) * 2021-09-22 2022-12-30 北京百度网讯科技有限公司 一种交通限制识别方法、装置及电子设备

Also Published As

Publication number Publication date
JP6776373B2 (ja) 2020-10-28
US20190139404A1 (en) 2019-05-09
WO2017211492A1 (de) 2017-12-14
US10629073B2 (en) 2020-04-21
EP3465656A1 (de) 2019-04-10
JP2019519850A (ja) 2019-07-11
DE102016210032A1 (de) 2017-12-07

Similar Documents

Publication Publication Date Title
CN109313850A (zh) 用于逆行驾驶员识别的方法、设备和***
CA3061281C (en) Verifying sensor data using embeddings
EP3358303B1 (en) An apparatus and associated methods for use in updating map data
CN109313849B (zh) 用于错路驾驶员识别的方法、设备和***
KR20190042088A (ko) 예상치 못한 임펄스 변화 충돌 검출기
CN106530782A (zh) 一种道路车辆交通告警***及其方法
CN106781697A (zh) 车载式不良天气实时感知及防碰撞预警方法
CN113870553A (zh) 一种面向混合交通流的路网运行状态检测***及方法
EP3971865A1 (en) Scenario identification in autonomous driving environments
KR20140112171A (ko) 위치기반 실시간 차량정보 표시시스템
CN113033463B (zh) 减速带检测方法、装置、电子设备及存储介质
CN109313851A (zh) 用于逆行驾驶员识别的方法、设备和***
CN109313852A (zh) 用于逆行驾驶员识别的方法、设备和***
US20190180382A1 (en) Methods and systems for driver and/or itinerary identification
CN111947669A (zh) 用于将基于特征的定位地图用于车辆的方法
CN109313847A (zh) 用于错路驾驶员识别的方法、设备和***
US10876843B2 (en) Method, device and system for wrong-way driver detection
CN108839632A (zh) 车辆、车机设备、车辆事故预警装置和方法
Santra et al. Dynamic Automation of a Moving Vehicle at Real time along with Position and Condition Tracking
CN118062142A (zh) 两轮车异常状态检测方法、处理方法、两轮车和车辆***
CN114323693A (zh) 车路云感知***的测试方法、装置、设备及存储介质
Ghodake et al. Automated Detection and Notification of Pothole to Aid Driver

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190205