CN110419013A - 自主***的认知行为预测*** - Google Patents

自主***的认知行为预测*** Download PDF

Info

Publication number
CN110419013A
CN110419013A CN201880016956.7A CN201880016956A CN110419013A CN 110419013 A CN110419013 A CN 110419013A CN 201880016956 A CN201880016956 A CN 201880016956A CN 110419013 A CN110419013 A CN 110419013A
Authority
CN
China
Prior art keywords
autonomous vehicle
behavior
classification state
predicted
driving scene
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
CN201880016956.7A
Other languages
English (en)
Inventor
H·T·J·金
C·勒贝尔
J·维诺库罗夫
R·巴特查里亚
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.)
Hull Laboratory Co Ltd
HRL Laboratories LLC
Original Assignee
Hull Laboratory Co Ltd
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 Hull Laboratory Co Ltd filed Critical Hull Laboratory Co Ltd
Publication of CN110419013A publication Critical patent/CN110419013A/zh
Pending legal-status Critical Current

Links

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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W30/18154—Approaching an intersection
    • 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
    • B60W30/18159—Traversing an intersection
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • 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
    • 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
    • G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
    • 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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • B60W2050/0088—Adaptive recalibration
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

描述了一种用于对自主***的行为进行预测的***。所述***基于自主车辆和驾驶场景的要素的时空位置来识别所述自主车辆的运动状况的分类状态。基于所述运动状况的分类状态来预测所述自主车辆的行为。所述自主车辆基于所预测的行为做出驾驶操作决策并且执行所述驾驶操作决策。

Description

自主***的认知行为预测***
相关申请的交叉引用
本申请是2017年4月12日在美国提交的题为“Cognitive Behavior PredictionSystem for Autonomous Systems”的美国临时申请No.62/484,489的非临时专利申请，该临时申请的全部内容通过引用并入于此。
发明的背景
技术领域
本发明涉及用于认知行为预测的***，更具体地，涉及利用自主***的分类状态(taxonomic state)来对该自主***进行认知行为预测的***。
背景技术
理性思维的自适应控制(ACT-R)是一种实现统一的认知理论的计算认知架构。ACT-R包括许多并行操作的模型(包括长期陈述性记忆)以及针对许多模态通道的感知和机动(motor)模块。这些模块通过有限容量的缓冲区进行交互，该交互可以触发诸如记忆检索、感知转移和编码以及机动移动的操作，并且进而保持这些操作的结果，诸如，检索到的记忆组块(memory chunk)以及对感知对象进行编码。
Salvucci开发了在车道保持、曲线通过(curve negotiation)和车道变换期间针对转向分布图、横向位置分布图以及人类驾驶员的凝视分布的采用ACT-R的驾驶员模型(参见并入参考文献列表，参考文献No.1)。尽管这个模型是采用ACT-R的人类驾驶行为的第一个综合认知模型，但该模型高度受限于高速公路环境而不识别交通标志或十字路口，并且尚未用于预测驾驶员行为。Kurup等人已经利用了ACT-R认知架构来预测行为者(agent)行为，但仅针对行人，并且仅用于识别可疑行为的目的(参见参考文献No.2)。
而且，Haring等人还利用ACT-R构建了汽车驾驶任务中人类注意力的计算模型，并且他们的模型能够保持车道、通过变道超越另一车辆、以及识别十字路口的交通标志和情况(参见参考文献No.3和No.4)。关于交通分类状态，Fastenmeier和Gstalter提出了针对纵向驾驶的交通分类(参见参考文献No.5)，但是他们的工作并没有针对转弯情况扩展分类。
因此，持续需要一种利用ACT-R来预测现场(scene)的行为者的分类状态并利用这些分类状态来做出车辆操作决策(包括转弯和其它自动化车辆操作)的***。
发明内容
本发明涉及用于认知行为预测的***，更具体地，涉及利用自主***的分类状态来对该自主***进行认知行为预测的***。所述***包括一个或更多个处理器以及编码有可执行指令的非暂时性计算机可读介质，使得当执行所述可执行指令时，所述一个或更多个处理器执行多个操作。所述***利用认知架构，基于自主车辆和驾驶场景的多个要素的时空位置来识别所述自主车辆的运动状况的分类状态。基于所述运动状况的分类状态来预测所述自主车辆的行为。所述***基于所预测的行为来做出驾驶操作决策，并且利用所述自主车辆执行所述驾驶操作决策。
在另一方面，所述驾驶场景的多个要素包括车辆、交通标志、交通信号以及行人中的至少一者。
在另一方面，所述自主车辆利用生成的行为跟踪来做出所述驾驶操作决策。
在另一方面，所述自主车辆的分类状态是利用理性思维的自适应控制(ACT-R)认知架构来识别的。
在另一方面，所述自主车辆的行为是利用所述自主车辆和所述驾驶场景的所述多个要素的位置信息以及所述自主车辆相对于所述多个要素的速度、相对距离和角位置中的至少一者来预测的。
在另一方面，所述ACT-R认知架构是针对分类状态已知的驾驶数据来进行训练的。
在另一方面，所述ACT-R认知架构包括：所述自主车辆的驾驶操作意图、各与所述驾驶操作意图相对应的多个规则集以及所述驾驶场景的多个要素的分类状态。
在另一方面，所执行的驾驶操作是转弯。
在另一方面，利用混合回忆来检索匹配的分类状态。
在另一方面，所述多个规则集指定一组动作，其中，所述一组动作是生成跟踪消息、计划所述驾驶操作决策以及改变所述运动状况的分类状态中的至少一者。
在另一方面，所述***测试所述运动状况的分类状态；选择匹配所述驾驶场景的规则集，其中，该规则集是利用符号匹配和统计优化的组合来选择的；以及触发所述驾驶操作决策。
最后，本发明还包括计算机程序产品和计算机实现的方法。所述计算机程序产品包括存储在非暂时性计算机可读介质上的计算机可读指令，所述计算机可读指令能够由具有一个或更多个处理器的计算机执行，使得在执行所述指令时，所述一个或更多个处理器执行本文列出的操作。另选地，所述计算机实现的方法包括使计算机执行这种指令并且执行所得操作的动作。
附图说明
根据下面结合参照附图对本发明各个方面的详细描述，本发明的目的、特征以及优点将显而易见，附图中：
图1是描绘根据本公开的一些实施方式的用于认知行为预测的***的组件的框图；
图2是根据本公开的一些实施方式的计算机程序产品的例示图；
图3是根据本公开的一些实施方式的模拟的驾驶场景的例示图；
图4是根据本公开的一些实施方式的跨多个试验的与地面实况相比的混合分类状态的准确度的例示图；
图5是根据本公开的一些实施方式的跨单个试验的聚合分类状态的例示图；
图6A是根据本公开的一些实施方式的在单个试验的驾驶场景中的三个行为者中的两个行为者的行为跟踪和分类状态的例示图；
图6B是根据本公开的一些实施方式的在图6A的驾驶场景中的三个行为者中的一个行为者的行为跟踪和分类状态的例示图；
图7是例示根据本公开的一些实施方式的自主车辆行为预测的流程图；以及
图8是例示根据现有技术的ACT-R架构中的信息的组织的流程图。
具体实施方式
本发明涉及用于认知行为预测的***，更具体地，涉及利用自主***的分类状态来对该自主***进行认知行为预测的***。呈现以下描述以使本领域普通技术人员能够制造和使用本发明并将其并入特定应用的背景中。对于本领域技术人员来说显然可以有各种改动以及不同应用方面的多种用途，并且本文限定的一般原理可以被应用于广泛的方面。因此，本发明不旨在限于所呈现的方面，而是涵盖与本文所公开原理和新颖特征相一致的最广范围。
在下面的详细描述中，阐述了许多具体细节，以便提供对本发明的更透彻理解。然而，本领域技术人员应当明白，本发明可以在不必受限于这些具体细节的情况下来实践。在其它情况下，公知结构和装置按框图形式而不是按细节示出，以免妨碍对本发明的理解。
也请读者留意与本说明书同时提交的所有文件和文档，这些文件和文档与本说明书一起开放以供公众查阅，所有这些文件和文档的内容通过引用并入于此。本说明书中公开的所有特征(包括任何所附权利要求、摘要以及附图)可以由用于相同、等同或相似目的的另选特征来代替，除非另有明确说明。因此，除非另有明确说明，所公开的每个特征仅仅是一系列的等同或相似特征中的一个例子。
而且，权利要求中没有明确陈述“用于执行指定功能的装置”或“用于执行特定功能的步骤”的任何要素不应被解释为如在35U.S.C.112节第6款中指定的“装置”或“步骤”条款。特别地，在本文的权利要求中使用“……的步骤”或“……的动作”不应触发35U.S.C.112节第6款的规定。
在详细描述本发明之前，首先提供了引用参考文献的列表。接下来，提供了对本发明各个主要方面的描述。最后，提供本发明各个实施方式的具体细节，以使得能够理解具体方面。
(1)并入参考文献列表
贯穿本申请引用和并入以下参考文献。为了清楚和方便起见，这些参考文献在此被列为读者的中心资源。下列参考文献通过引用并入于此，就像在此完全陈述的一样。这些参考文献通过参照如下对应文献参考号而在本申请中加以引用：
1.Salvucci,D.D.Modeling Driver Behavior in a CognitiveArchitecture.Human Factors,Vol.48No.2,pp.362-380,2006。
2.Kurup,U.,Lebiere,C.,Stentz,A.,&Hebert,M.Predicting and ClassifyingPedestrian Behavior Using an Integrated Cognitive Architecture.In Proceedingsof the Behavior Representation in Modeling and Simulation(BRIMS-12)Conference,Amelia Island,FL,2012。
3.Haring,K.S.,Ragni,M.,&Konieczny,L.A Cognitive Model of DriversAttention.In Proceedings of ICCM,2012。
4.Haring,K.S.,Watanabe,K.,Ragni,M.,&Konieczny,L.The use of ACT-R toDevelop an Attention Model for Simple Driving Tasks.In Proceedings of CogSci,2012。
5.Fastenmeier,W.&Gstalter,H.Driving Task Analysis as a Tool inTraffic Safety Research and Practice.Safety Science,Vol.45,pp.952-979,2007。
6.Lebiere,C.The dynamics of cognition:An ACTR model of cognitive arithmetic.Kognitionswissenschaft,8,5-19,1999。
7.Anderson,J.R.et al.An Integrated Theory of the Mind.PsychologicalReview,111(4):1036-60,2004。
8.Stewart,T.C.&West,R.L.Deconstructing ACT-R.Proceedings of theSeventh International Conference on Cognitive Modeling,2006。
(2)主要方面
本发明的各种实施方式包括三个“主要”方面。第一个方面是用于认知行为预测的***。该***通常采用计算机***操作软件的形式或采用“硬编码”指令集的形式。该***可以并入提供不同功能的各种各样的装置中，如并入自主车辆中。第二个主要方面是利用数据处理***(计算机)进行操作的通常采用软件形式的方法。第三个主要方面是计算机程序产品。计算机程序产品通常表示存储在诸如光存储装置(例如，光盘(CD)或数字通用盘(DVD))或磁存储装置(例如，软盘或磁带)的非暂时性计算机可读介质上的计算机可读指令。计算机可读介质的其它非限制示例包括：硬盘、只读存储器(ROM)以及闪存型存储器。这些方面将在下面进行更详细描述。
图1中提供了示出本发明的***(即，计算机***100)的示例的框图。计算机***100被配置成执行与程序或算法相关联的计算、处理、操作和/或功能。在一个方面，本文讨论的某些处理和步骤被实现为存在于计算机可读存储器单元内并由计算机***100的一个或更多个处理器执行的一系列指令(例如，软件程序)。在执行时，所述指令使计算机***100执行特定动作并展现特定行为，如本文所描述的。
计算机***100可以包括被配置成传送信息的地址/数据总线102。另外，一个或更多个数据处理单元(如处理器104(或多个处理器))与地址/数据总线102联接。处理器104被配置成处理信息和指令。在一方面，处理器104是微处理器。另选地，处理器104可以是不同类型的处理器，例如并行处理器、专用集成电路(ASIC)、可编程逻辑阵列(PLA)、复杂可编程逻辑器件(CPLD)或现场可编程门阵列(FPGA)。
计算机***100被配置成利用一个或更多个数据存储单元。计算机***100可以包括与地址/数据总线102联接的易失性存储器单元106(例如，随机存取存储器(“RAM”)、静态RAM、动态RAM等)，其中，易失性存储器单元106被配置成存储用于处理器104的信息和指令。计算机***100还可以包括与地址/数据总线102联接的非易失性存储器单元108(例如，只读存储器(“ROM”)、可编程ROM(“PROM”)、可擦除可编程ROM(“EPROM”)、电可擦除可编程ROM(“EEPROM”)、闪存等)，其中，非易失性存储器单元108被配置成存储用于处理器104的静态信息和指令。另选地，计算机***100可以执行从诸如“云”计算中的在线数据存储单元取回的指令。在一方面，计算机***100还可以包括与地址/数据总线102联接的一个或更多个接口，如接口110。所述一个或更多个接口被配置成使得计算机***100能够与其它电子装置和计算机***连接。由所述一个或更多个接口实现的通信接口可以包括有线(例如，串行电缆、调制解调器、网络适配器等)和/或无线(例如，无线调制解调器、无线网络适配器等)通信技术。
在一个方面，计算机***100可以包括与地址/数据总线102联接的输入装置112，其中，输入装置112被配置成将信息和命令选择传送至处理器100。根据一个方面，输入装置112是字母数字输入装置(如键盘)，其可以包括字母数字键和/或功能键。另选地，输入装置112可以是除字母数字输入装置之外的其它输入装置。在一方面，计算机***100可以包括与地址/数据总线102联接的光标控制装置114，其中，光标控制装置114被配置成将用户输入信息和/或命令选择传送至处理器100。在一方面，光标控制装置114是利用诸如鼠标、轨迹球、轨迹板、光学跟踪装置或触摸屏的装置来实现的。尽管如此，但在一方面，例如响应于使用与输入装置112相关联的特殊键和键序列命令，光标控制装置114经由来自输入装置112的输入而被引导和/或启用。在另一方面中，光标控制装置114被配置成通过语音命令指引或引导。
在一方面，计算机***100还可以包括与地址/数据总线102联接的一个或更多个可选的计算机可用数据存储装置，如存储装置116。存储装置116被配置成存储信息和/或计算机可执行指令。在一个方面，存储装置116是诸如磁或光盘驱动器(例如，硬盘驱动器(“HDD”)、软盘、光盘只读存储器(“CD-ROM”)、数字通用盘(“DVD”))的存储装置。依据一个方面，显示装置118与地址/数据总线102联接，其中，显示装置118被配置成显示视频和/或图形。在一方面，显示装置118可以包括：阴极射线管(“CRT”)、液晶显示器(“LCD”)、场发射显示器(“FED”)、等离子体显示器，或适于显示视频和/或图形图像以及用户可识别的字母数字字符的任何其它显示装置。
本文所呈现的计算机***100是根据一个方面的示例计算环境。然而，计算机***100的非限制示例并不严格限于作为计算机***。例如，一个方面规定了计算机***100代表可以根据本文所述各个方面使用的一类数据处理分析。此外，还可以实现其它计算***。实际上，本技术的精神和范围不限于任何单一数据处理环境。因此，在一方面中，使用通过计算机执行的计算机可执行指令(例如，程序模块)来控制或实现本技术的各个方面的一个或更多个操作。在一个实现方式中，这样的程序模块包括被配置成执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件和/或数据结构。另外，一个方面提供了通过利用一个或更多个分布式计算环境来实现本技术的一个或更多个方面，例如，在该计算环境中，任务由通过通信网络链接的远程处理装置执行，或者例如，在该计算环境中，各种程序模块位于包括存储器-存储装置的本地和远程计算机存储介质中。
图2中示出了具体实施本发明的计算机程序产品(即，存储装置)的例示图。该计算机程序产品被示出为软盘200或诸如CD或DVD的光盘202。然而，如先前提到的，该计算机程序产品通常代表存储在任何兼容的非暂时性计算机可读介质上的计算机可读指令。如关于本发明所使用的术语“指令”通常指示要在计算机上执行的一组操作，并且可以表示整个程序的片段或单个、可分离的软件模块。“指令”的非限制示例包括计算机程序代码(源或目标代码)和“硬编码”电子装置(即，编码到计算机芯片中的计算机操作)。“指令”被存储在任何非暂时性计算机可读介质上，例如存储在计算机的存储器中或软盘、CD-ROM以及闪存驱动器上。无论如何，这些指令被编码在非暂时性计算机可读介质上。
(3)各个实施方式的具体细节
描述了这样的***和方法：通过识别行为者的分类状态利用认知架构来预测行为者行为，使得行为者/自主***做出恰当且安全的进行/不进行(go/no-go)决策。在上下文中，行为者包括现场的所有可识别对象，诸如，车辆***、交通标志/信号以及行人。通过利用理性思维的自适应控制(ACT-R)认知架构，根据本公开的实施方式的***引入了具有两个模块的***。第一个模块基于监督学习，利用基于实例的学习(该学习利用具有高准确度的ACT-R的部分匹配和混合功能)来识别分类状态(例如，接近交叉路口、继续前行(proceeding)、因交通标志而停止、因对向车流而停止、避让(yielding)、机动车辆转弯等)。该训练数据不是测试数据的准确匹配，这是车辆***中的常见状况。例如，左转的汽车和飞机因人们独特的驾驶习惯和车辆/航空设定而具有不同的特性。第二个模块将第一个模块应用于现场的每个识别出的行为者，以便预测这些行为者的分类状态，使得自主车辆做出安全的进行/不进行决策。下面，将对这些方面中的每一个进行更详细描述。
(3.1)理性思维的自适应控制(ACT-R)
ACT-R是实现了统一的认知理论的计算认知架构(参见参考文献No.8)。ACT-R包括许多并行操作的模型(包括长期陈述性记忆)以及针对许多模态通道的感知和机动模块。这些模块通过有限容量的缓冲区进行交互，该交互可以触发诸如记忆检索、感知转移和编码以及机动移动的操作并且进而保持这些操作的结果，诸如，检索到的记忆组块以及对感知对象进行编码。
图8是描绘根据参考文献No.7的ACT-R架构中的信息组织的现有技术流程图，该参考文献如在此全面阐述地通过引用而并入于此。缓冲区中与模块相关联的信息对产生式规则(production rule)进行响应并且被产生式规则改变。对于本文所述的实施方式来说重要的是陈述模块800和检索缓冲区802(本文统称为模块1)(在(3.2)节中描述)。模块1(陈述模块800和检索缓冲区802)用于存储和检索将分类状态与相关位置信息相关联的记忆组块。参照图8，自主***的相关位置信息或者自主***附近的对象的相关位置信息将通过视觉模块804和视觉缓冲区806进入。
同步化这些模块的是由产生式-动作规则(production-action rule)组成的程序模块808，该程序模块测试各种缓冲区的状态、选择最匹配情况的规则并且通过对应的缓冲区触发各种模块中的动作。规则选择和事实检索使用符号匹配和统计优化的组合。具体来说，根据使总记忆段(组块)激活最大化的处理、诸如执行与所提供的模式的近似匹配的部分匹配的组合机制、以及根据多个记忆组块的匹配程度组合这些记忆组块以产生一致性判断的混合机制，从长期陈述性记忆中检索记忆组块。在下面描述的示例中，提供了地面车辆***进行左转弯的描述。然而，如本领域技术人员可以理解的，其它行为者以及他们的行为者行为和操纵(maneuver)中的其它操纵和其它实施方式也是可能的。
调解(mediate)记忆/事实检索(最强激活/获胜的记忆段)的处理是诸如执行与所提供的模式近似匹配的部分匹配的机制、以及根据多个记忆组块的匹配程度组合这些记忆组块以产生一致性判断的混合机制。如上所述，所述部分匹配可以与符号量有关。由于在记忆中检索到与到来的产生式条件完美匹配的组块的概率很低，因此ACT-R中的部分匹配模式基于期望条件与实际条件之间的相似度来计算匹配得分。可以在参考文献No.6中找到附加的细节。
混合是这样的一种统计过程，即，其中将多个激活的记忆段根据这些记忆段的激活强度加以组合以产生新的记忆段(作为回忆而输出的检索到的记忆段，上面也描述为最强激活/获胜的记忆段)(参见参考文献No.6)。新的记忆段/组块本质上是多个激活的组块的、根据这些组块的激活(加权和)的水平的加权和。
与组块激活有关的还有其它“统计数据”，诸如，新近度(这个块被激活的新近程度)。例如，激活曲线可以遵循基于自最后一次激活以来架构中的时间步的数量的指数式衰减(参见图6A和图6B中从“0.000目标”到“0.050程序化”的程序的跟踪)。频率是指与组块多长时间激活一次(在某一时段内)有关的统计数据。
规则选择和事实检索是分开的处理。事实检索发生在模块1中(参见第(3.2)节)，并且通过混合回忆机制(这可以被视为统计上的)发生。尽管未包括在所公开的实施方式中，但可以考虑模块1陈述性记忆中的符号匹配的其它检索机制变型包括精确匹配和部分匹配，并且如果输入提示(诸如，位置信息)包括符号信息而不仅仅是子符号(数字)，那么所述其它检索机制变型也在本发明的范围内。
规则选择发生在模块2中(参见第(3.3)节)，该规则选择可以被视为发生在图8的匹配模块810和选择模块812中。这涉及规则前项(rule antecedent)的目标(除其它信息之外所述目标包括环境信息作为特征)和分类状态的符号匹配。统计学习机制(诸如，强化学习机制)可以在多个规则匹配前项(目标、分类状态)时处理冲突解决。
(3.2)模块1：分类状态预测(要素800和要素802)
ACT-R通过例如利用LIDAR(光探测和测距)、雷达、加速度计、陀螺仪等来考虑现场的每个行为者的位置信息(包括相对于其它行为者的速度、相对距离以及角位置)，来完成分类状态的预测。本文所述的***首先以监督的方式针对分类状态已知的驾驶数据来进行训练。驾驶数据的非限制性示例包括一组以下元组：(时间、agent_1_position、agent_1_speed、agent_2_position、agent_2_speed、……、taxonomic_state)，其中，除时间之外的所有字段都与场景中的某个行为者相关。通过获知车辆的速度矢量来考虑车辆的方向。然后针对未知的驾驶数据进行测试，其中，将位置信息用于对分类状态进行归类。
在训练阶段期间，形成ACT-R组块/记忆段，该ACT-R组块/记忆段对相关位置信息(例如，速度、距离、角度)以及该相关位置信息与分类状态的关联进行编码。例如，给定现场具有停止标志(行为者S)、一个参考车辆(行为者A)以及其它两个车辆(行为者B和行为者C)的4向交叉路口，通用ACT-R模型M如下计算行为者A的分类状态。模型M利用相对于行为者S的物理接近度(即，距离、角度)以及速率/速度，基于在接近交叉路口方面所涉及的物理特性(例如，距行为者S的距离是有界的)，来计算行为者A是否正在接近该交叉路口。在这种情况下，模型M将输入数据点的分类状态标记为“接近交叉路口”。模型M利用相对于行为者S的物理接近度和速率，基于在因交通标志而停止方面所涉及的物理特性(例如，当接近附近具有行为者S的交叉路口时减速)，来计算行为者A是否因交通标志而停止。在这种情况下，模型M将输入数据点的分类状态标记为“因交通标志而停止”。
模型M利用相对于行为者S的物理接近度和速率，基于在因对向车流而停止方面所涉及的物理特性(例如，行为者A的速率低，而行为者B和行为者C各自与行为者A的相对速率高并且各自与行为者A的相对距离小)，来计算行为者A是否因现场的对向车流而停止。在这种情况下，模型M将输入数据点的分类状态标记为“因对向车流而停止”。模型M基于在转弯方面所涉及的物理特性(例如，行为者A相对于行为者S的角度以及速率的变化遵循转弯方面所涉及的物理特性)，来计算行为者A是否因交通标志而转弯。在这种情况下，模型M将输入数据点的分类状态标记为“转弯”。
模型M基于在避让方面所涉及的物理特性(例如，行为者B或行为者C在某一速率下与行为者A紧密物理接近并且有可能干扰行为者A的预期路线)，来计算行为者A是否正在避让。在这种情况下，模型M将输入数据点的分类状态标记为“避让”。否则，模型M认为行为者A正在继续前行，并且将输入数据点的分类状态标记为“继续前行”。
在测试期间，ACT-R模型利用混合回忆来检索最佳匹配的分类状态。ACT-R中的混合回忆/检索是一种概念上类似于K-最近邻的机制，它允许模型产生激活加权的中间值(在连续变量的情况下)或一致性值(在离散变量的情况下，诸如，分类状态)。在参考文献No.6中描述了ACT-R中的混合回忆/检索。通过利用过去的实例，该模型很快就学会了以相对少量的训练来准确地对分类状态进行归类。处于ACT-R的记忆动态学理论的核心的激活也说明了经历的新近度和频率，这意味着该模型通过几次重复就可以快速学习新颖的示例。
(3.3)模块2：进行/不进行决策(要素810和要素812)
进行/不进行决策的ACT-R模型是由称作“驾驶”的单个目标组成的，该单个目标具有多个产生式规则集，各产生式规则集对应于包括左转、右转以及直行驾驶的特定意图(或者可能需要或程序化的其它特定意图)。该意图被存储在模型的“目标”属(slot)中。许多目标属对应于其它行为者的分类状态，所述其它行为者包括：“行人”(其包含在汽车接近交叉路口时附近行人穿过该汽车前方街道的意图)；“交叉意图”(其包含从交叉方向接近交叉路口的车辆的分类状态)；“对向意图”(其包含从相对方向接近交叉路口的车辆的分类状态)；以及“跟随意图”(其包含本车跟随通过交叉路口的车辆的分类状态)。
另外，许多目标属(参见图6A和图6B以及参考文献No.6和No.8)对许多环境特征进行编码，包括：“信号”(汽车正在接近的交叉路口处的信号状态或存在)；“对向距离”(对向汽车当前距所述汽车的距离)；“障碍物”(交叉路口存在任何障碍物，诸如，宽公共汽车或卡车)；以及“位置”(本行为者(例如，汽车)在街道上的位置，具体是当前道路的哪条车道)。
最后，“状态”属对本行为者(例如，车辆)的当前分类状态进行编码。针对每个具体目标，一组产生式规则对如Fastenmeier和Gstalter的分类中所描述的各种条件和相关动作进行编码(参见参考文献No.5)。每个产生式通常测试当前目标、其它行为者的分类状态的条件的子集、环境条件的子集、以及本行为者的当前分类状态。然后，所述产生式指定一组动作，包括生成跟踪消息、计划外部动作(诸如，停止、转弯或减速)、以及改变当前的分类状态。可以将跟踪消息用于向其它各方(例如，每个行为者背后的人)通知/通告该***的决策。在每个点选择并执行一个产生式，并且在该产生式的动作生效后重复该循环。
目标的非限制性示例是回忆类似的记忆段。然后，对应的产生式规则将是：当目标是回忆类似的记忆段并且当缓冲区中存在记忆段时，混合所述记忆段并计算***(例如，汽车)与参考对象的相对速度。另一个示例目标是调整分类状态(例如，自主车辆)的速率。然后，对应的产生式规则将是：当目标是调整速率并且完成了混合时，调整所述速率并计算分类状态。
(3.4)实验研究
进行初步实验以示出根据本公开的实施方式的***的准确度和实用性。图3示出了模拟的驾驶场景的布局。车辆300是左转弯的自主车辆。在这个实施方式中，利用具有自主车辆中的行为者行为的25次模拟试验来训练数据。利用26次试验来测试***的性能。图4是例示在测试试验中与地面实况相比、来自模块1(即，分类状态预测)的混合的分类状态的准确度的标绘图。跨试验的平均准确率为82.94％。在这个实施方式中，不同的行为者(例如，车辆、机器人)在单次试验过程中穿过现场产生不同的行为。图5是例示跨单次试验的聚合分类状态的直方图。具体而言，示出了与已知的地面实况相比ACT-R***的结果的准确度。在图5中，填充的条形表示地面实况数据，而未填充的条形表示试验30(驾驶试验的实例)。
图6A和图6B描绘了该实施方式中的模块2的输出(即，进行/不进行决策)。所述结果是针对单次试验的并且例示了现场的多个行为者的行为跟踪(例如，接近交叉路口、然后在交叉路口停止、然后在交叉路口转弯)。来自ACT-R的详细信息示出了目标、程序***的操作以及所得到的行为者的行为预测。
图7是描绘本文所述的***的操作的流程图。如上所述，该***利用关于自主车辆和驾驶场景的多个要素(交通标志、行人、其它车辆)的时空位置的输入(要素700)。识别自主车辆的运动状况的分类状态(要素702)。然后，利用运动状况的分类状态来预测自主车辆的行为(要素704)。最后，自主车辆基于预测的行为做出驾驶操作决策并且执行该驾驶操作决策(要素706)。
本文所述的发明可以基于预测的现场其它行为者的行为、在避免碰撞的同时帮助自主***在进行运动中的物理变化(例如，自主车辆转弯、无人驾驶飞行器(UAV)改变飞行方向等)时做出安全决策。所述***可以作为工具并入到自主交通工具***(例如，自主车辆、UAV)中。准确地预测现场的其它行为者的行为不仅可以减轻做出驱动自主***的正确选择所涉及的复杂性，而且也保证了现场的人员以及车辆的安全。
最后，虽然已经根据几个实施方式对本发明进行了描述，但本领域普通技术人员应当容易地认识到本发明在其它环境中可以具有其它应用。应注意到，可以有许多实施方式和实现。而且，所附的权利要求绝不是旨在将本发明的范围限制成上述具体实施方式。另外，任何“用于……的装置(means)”的用语旨在引发要素和权利要求的装置加功能的解读，而任何未特别使用“用于……的装置(means)”用语的要素不应被解读为装置加功能要素，即使权利要求以其它方式包括了“装置(means)”一词。而且，虽然已经按特定次序陈述了特定的方法步骤，但这些方法步骤可以按任何期望的次序发生并且落入本发明的范围内。

Claims (23)

1.一种用于对自主车辆行为进行预测的***，所述***包括：
一个或更多个处理器以及编码有可执行指令的非暂时性计算机可读介质，使得当执行所述可执行指令时，所述一个或更多个处理器执行以下操作：
利用认知架构，基于自主车辆和驾驶场景的多个要素的时空位置来识别所述自主车辆的运动状况的分类状态；
基于所述运动状况的分类状态来预测所述自主车辆的行为；
基于所预测的行为来做出驾驶操作决策；以及
利用所述自主车辆执行所述驾驶操作决策。
2.根据权利要求1所述的***，其中，所述驾驶场景的所述多个要素包括车辆、交通标志、交通信号以及行人中的至少一者。
3.根据权利要求1所述的***，其中，所述自主车辆利用生成的行为跟踪来做出所述驾驶操作决策。
4.根据权利要求1所述的***，其中，所述自主车辆的分类状态是利用理性思维的自适应控制ACT-R认知架构来识别的。
5.根据权利要求1所述的***，其中，所述自主车辆的行为是利用所述自主车辆和所述驾驶场景的所述多个要素的位置信息以及所述自主车辆相对于所述多个要素的速度、相对距离和角位置中的至少一者来预测的。
6.根据权利要求4所述的***，其中，所述ACT-R认知架构是针对分类状态已知的驾驶数据来进行训练的。
7.根据权利要求4所述的***，其中，所述ACT-R认知架构包括：所述自主车辆的驾驶操作意图、各与所述驾驶操作意图相对应的多个规则集以及所述驾驶场景的所述多个要素的分类状态。
8.根据权利要求1所述的***，其中，所执行的驾驶操作是转弯。
9.根据权利要求1所述的***，其中，所述一个或更多个处理器还执行利用混合回忆来检索匹配的分类状态的操作。
10.根据权利要求7所述的***，其中，所述多个规则集指定一组动作，其中，所述一组动作是生成跟踪消息、计划所述驾驶操作决策以及改变所述运动状况的分类状态中的至少一者。
11.根据权利要求7所述的***，其中，所述一个或更多个处理器还执行以下操作：
测试所述运动状况的分类状态；
选择匹配所述驾驶场景的规则集，其中，该规则集是利用符号匹配和统计优化的组合来选择的；以及
触发所述驾驶操作决策。
12.一种用于对自主车辆行为进行预测的计算机实现的方法，所述方法包括以下动作：
使一个或更多个处理器执行编码在非暂时性计算机可读介质上的指令，使得在执行所述指令时，所述一个或更多个处理器执行以下操作：
利用认知架构，基于自主车辆和驾驶场景的多个要素的时空位置来识别所述自主车辆的运动状况的分类状态；
基于所述运动状况的分类状态来预测所述自主车辆的行为；
基于所预测的行为来做出驾驶操作决策；以及
利用所述自主车辆执行所述驾驶操作决策。
13.根据权利要求12所述的方法，其中，所述驾驶场景的所述多个要素包括车辆、交通标志、交通信号以及行人中的至少一者。
14.根据权利要求12所述的方法，其中，所述自主车辆利用生成的行为跟踪来做出所述驾驶操作决策。
15.根据权利要求12所述的方法，其中，所述自主车辆的分类状态是利用理性思维的自适应控制ACT-R认知架构来识别的。
16.根据权利要求12所述的方法，其中，所述自主车辆的行为是利用所述自主车辆和所述驾驶场景的所述多个要素的位置信息以及所述自主车辆相对于所述多个要素的速度、相对距离和角位置中的至少一者来预测的。
17.根据权利要求15所述的方法，其中，所述ACT-R认知架构包括：所述自主车辆的驾驶操作意图、各与所述驾驶操作意图相对应的多个规则集以及所述驾驶场景的所述多个要素的分类状态。
18.一种用于对自主车辆行为进行预测的计算机程序产品，所述计算机程序产品包括：
存储在非暂时性计算机可读介质上的计算机可读指令，所述计算机可读指令能够由具有一个或更多个处理器的计算机执行，以使所述处理器执行以下操作：
利用认知架构，基于自主车辆和驾驶场景的多个要素的时空位置来识别所述自主车辆的运动状况的分类状态；
基于所述运动状况的分类状态来预测所述自主车辆的行为；
基于所预测的行为来做出驾驶操作决策；以及
利用所述自主车辆执行所述驾驶操作决策。
19.根据权利要求18所述的计算机程序产品，其中，所述驾驶场景的所述多个要素包括车辆、交通标志、交通信号以及行人中的至少一者。
20.根据权利要求18所述的计算机程序产品，其中，所述自主车辆利用生成的行为跟踪来做出所述驾驶操作决策。
21.根据权利要求18所述的计算机程序产品，其中，所述自主车辆的分类状态是利用理性思维的自适应控制ACT-R认知架构来识别的。
22.根据权利要求18所述的计算机程序产品，其中，所述自主车辆的行为是利用所述自主车辆和所述驾驶场景的所述多个要素的位置信息以及所述自主车辆相对于所述多个要素的速度、相对距离和角位置中的至少一者来预测的。
23.根据权利要求21所述的计算机程序产品，其中，所述ACT-R认知架构包括：所述自主车辆的驾驶操作意图、各与所述驾驶操作意图相对应的多个规则集以及所述驾驶场景的所述多个要素的分类状态。
CN201880016956.7A 2017-04-12 2018-04-06 自主***的认知行为预测*** Pending CN110419013A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762484489P 2017-04-12 2017-04-12
US62/484,489 2017-04-12
PCT/US2018/026479 WO2018191117A1 (en) 2017-04-12 2018-04-06 Cognitive behavior prediction system for autonomous systems

Publications (1)

Publication Number Publication Date
CN110419013A true CN110419013A (zh) 2019-11-05

Family

ID=63791544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880016956.7A Pending CN110419013A (zh) 2017-04-12 2018-04-06 自主***的认知行为预测***

Country Status (4)

Country Link
US (1) US10569772B2 (zh)
EP (1) EP3610343A4 (zh)
CN (1) CN110419013A (zh)
WO (1) WO2018191117A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112092827A (zh) * 2020-09-23 2020-12-18 北京百度网讯科技有限公司 自动驾驶功能控制方法、装置、电子设备及存储介质
CN112590815A (zh) * 2020-12-22 2021-04-02 吉林大学 基于act-r的自动驾驶预测节能认知模型的构建方法
CN113562020A (zh) * 2021-07-22 2021-10-29 北京交通大学 一种模仿人类智能的高速列车停车控制方法及***
CN113799794A (zh) * 2020-06-16 2021-12-17 华为技术有限公司 车辆纵向运动参数的规划方法和装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019089516A (ja) * 2017-11-16 2019-06-13 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム
US10678249B2 (en) * 2018-04-20 2020-06-09 Honda Motor Co., Ltd. System and method for controlling a vehicle at an uncontrolled intersection with curb detection
US11535262B2 (en) 2018-09-10 2022-12-27 Here Global B.V. Method and apparatus for using a passenger-based driving profile
US11358605B2 (en) * 2018-09-10 2022-06-14 Here Global B.V. Method and apparatus for generating a passenger-based driving profile
US20200192393A1 (en) * 2018-12-12 2020-06-18 Allstate Insurance Company Self-Modification of an Autonomous Driving System
US20210101614A1 (en) * 2019-10-04 2021-04-08 Waymo Llc Spatio-temporal pose/object database
DE102020209099A1 (de) * 2020-07-21 2022-01-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Überführung eines Kraftfahrzeugs von einem autonomen in einen manuellen Fahrmodus unter Berücksichtigung eines kognitiven Modells des Fahrers
CN113212454B (zh) * 2021-05-20 2023-05-12 中国第一汽车股份有限公司 车辆行驶状态的调整方法、装置、计算机设备和存储介质
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5485378A (en) * 1993-09-27 1996-01-16 Daimler-Benz Ag Device for steering a vehicle with controlled course holding
US8346391B1 (en) * 2006-12-28 2013-01-01 Science Applications International Corporation Methods and systems for an autonomous robotic platform
CN105807762A (zh) * 2015-01-21 2016-07-27 福特全球技术公司 在虚拟环境中改进的自主驾驶
CN106042933A (zh) * 2015-04-14 2016-10-26 福特全球技术公司 自适应的车辆界面***
US9511767B1 (en) * 2015-07-01 2016-12-06 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous vehicle action planning using behavior prediction

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7599902B2 (en) * 2006-04-27 2009-10-06 Hrl Laboratories, Llc Analogical reasoning system
DE102010033776A1 (de) * 2009-09-14 2011-05-26 Daimler Ag Verfahren zur Erfassung und Vorhersage von Aktionen zumindest zwei bewegter Objekte
US8457827B1 (en) * 2012-03-15 2013-06-04 Google Inc. Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles
US8761991B1 (en) * 2012-04-09 2014-06-24 Google Inc. Use of uncertainty regarding observations of traffic intersections to modify behavior of a vehicle
US9305223B1 (en) * 2013-06-26 2016-04-05 Google Inc. Vision-based indicator signal detection using spatiotemporal filtering
US9434389B2 (en) 2013-11-18 2016-09-06 Mitsubishi Electric Research Laboratories, Inc. Actions prediction for hypothetical driving conditions
US9248834B1 (en) * 2014-10-02 2016-02-02 Google Inc. Predicting trajectories of objects based on contextual information
US9459623B1 (en) * 2015-04-29 2016-10-04 Volkswagen Ag Stop sign intersection decision system
US10093311B2 (en) * 2016-07-06 2018-10-09 Waymo Llc Testing predictions for autonomous vehicles

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5485378A (en) * 1993-09-27 1996-01-16 Daimler-Benz Ag Device for steering a vehicle with controlled course holding
US8346391B1 (en) * 2006-12-28 2013-01-01 Science Applications International Corporation Methods and systems for an autonomous robotic platform
CN105807762A (zh) * 2015-01-21 2016-07-27 福特全球技术公司 在虚拟环境中改进的自主驾驶
CN106042933A (zh) * 2015-04-14 2016-10-26 福特全球技术公司 自适应的车辆界面***
US9511767B1 (en) * 2015-07-01 2016-12-06 Toyota Motor Engineering & Manufacturing North America, Inc. Autonomous vehicle action planning using behavior prediction

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113799794A (zh) * 2020-06-16 2021-12-17 华为技术有限公司 车辆纵向运动参数的规划方法和装置
CN113799794B (zh) * 2020-06-16 2023-05-09 华为技术有限公司 车辆纵向运动参数的规划方法和装置
CN112092827A (zh) * 2020-09-23 2020-12-18 北京百度网讯科技有限公司 自动驾驶功能控制方法、装置、电子设备及存储介质
CN112590815A (zh) * 2020-12-22 2021-04-02 吉林大学 基于act-r的自动驾驶预测节能认知模型的构建方法
CN112590815B (zh) * 2020-12-22 2021-07-23 吉林大学 基于act-r的自动驾驶预测节能认知模型的构建方法
CN113562020A (zh) * 2021-07-22 2021-10-29 北京交通大学 一种模仿人类智能的高速列车停车控制方法及***

Also Published As

Publication number Publication date
WO2018191117A1 (en) 2018-10-18
US10569772B2 (en) 2020-02-25
EP3610343A1 (en) 2020-02-19
EP3610343A4 (en) 2021-01-13
US20180297592A1 (en) 2018-10-18

Similar Documents

Publication Publication Date Title
CN110419013A (zh) 自主***的认知行为预测***
Nagalla et al. Analyzing gap acceptance behavior at unsignalized intersections using support vector machines, decision tree and random forests
Elamrani Abou Elassad et al. Class-imbalanced crash prediction based on real-time traffic and weather data: A driving simulator study
DE112020000688T5 (de) Kombinierte vorhersage und pfadplanung für autonome objekte unter verwendung neuronaler netze
Kruber et al. An unsupervised random forest clustering technique for automatic traffic scenario categorization
Chen et al. Dangerous driving behavior detection using video-extracted vehicle trajectory histograms
CN113366507B (zh) 训练分类器以检测打开的车门
CN109624990A (zh) 用于基于关键帧的自主车辆操作的***及计算机实现方法
Guo et al. Lane change detection and prediction using real-world connected vehicle data
Xu et al. Recognition of lane-changing behaviour with machine learning methods at freeway off-ramps
Mafi et al. Analysis of gap acceptance behavior for unprotected right and left turning maneuvers at signalized intersections using data mining methods: A driving simulation approach
CN110352429A (zh) 用于对象的判别定位的机器视觉***
Nasernejad et al. Multiagent modeling of pedestrian-vehicle conflicts using Adversarial Inverse Reinforcement Learning
Bosson et al. Supervised learning applied to air traffic trajectory classification
Tselentis et al. The usefulness of artificial intelligence for safety assessment of different transport modes
Cong et al. DACR-AMTP: adaptive multi-modal vehicle trajectory prediction for dynamic drivable areas based on collision risk
Bharilya et al. Machine learning for autonomous vehicle's trajectory prediction: A comprehensive survey, challenges, and future research directions
Wang et al. Machine learning for transportation research and applications
Zou et al. Predicting vehicle lane-changing behavior with awareness of surrounding vehicles using LSTM network
Leung et al. Distributional prediction of human driving behaviours using mixture density networks
Kushan et al. Identification of factors and classifying the accident severity in Colombo-Katunayake expressway, Sri Lanka
Wang et al. Modelling yielding dilemma zone for drivers at non-signalised crosswalks
Kumar Multiparty Collaboration in Edge Computing Systems
Le et al. Double Deep Q-Network algorithm for solving traffic congestion on one-way highways
Wu et al. Lane-Changing Behavior Recognition in the Connected Vehicle Environment

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