CN111599166B - 用于解释交通信号和协商信号化的交叉路口的方法和*** - Google Patents
用于解释交通信号和协商信号化的交叉路口的方法和*** Download PDFInfo
- Publication number
- CN111599166B CN111599166B CN202010089870.6A CN202010089870A CN111599166B CN 111599166 B CN111599166 B CN 111599166B CN 202010089870 A CN202010089870 A CN 202010089870A CN 111599166 B CN111599166 B CN 111599166B
- Authority
- CN
- China
- Prior art keywords
- traffic
- vehicle
- signal
- probability distribution
- map data
- 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.)
- Active
Links
Images
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/09623—Systems involving the acquisition of information from passive traffic signs by means mounted on the vehicle
-
- 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
-
- 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
-
- 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
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
-
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/09626—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages where the origin of the information is within the own vehicle, e.g. a local storage device, digital map
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
提供了用于车辆解释交通信息的***和方法。在一实施例中,一种方法包括:处理器接收来自车辆的一个或多个感测设备的传感器数据,其中传感器数据描绘车辆的环境中的交通设备;处理器接收与车辆的环境相关的地图数据,其中地图数据包括交通设备;处理器将传感器数据的交通设备与地图数据的交通设备进行匹配;处理器基于隐马尔可夫模型(HMM)确定与匹配的交通设备相关的交通信号的概率分布;以及处理器基于概率分布来计划车辆的控制。
Description
技术领域
本公开总体上涉及车辆,更具体地涉及调节车辆交通流量的交通信号的检测和解释。
背景技术
自主车辆是能够在没有或几乎没有用户输入的情况下感知其环境并导航的车辆。自主车辆使用诸如雷达、激光雷达、图像传感器等之类的感测设备来感测其环境。自主车辆***还使用来自全球定位***(GPS)技术、导航***、车辆对车辆通信、车辆对基础设施技术和/或线控驾驶***的信息来导航车辆。
尽管自主车辆和半自主车辆提供了优于传统车辆的许多潜在优势,但是在某些情况下,可能需要改善车辆的操作。例如,自主车辆使用一个或多个感测设备来检测交通设备。自主车辆还确定从交通设备发出的交通信号。为了规划车辆的路线,自主车辆必须知道检测到的交通设备涉及哪个车道,并且必须知道交通设备的当前交通信号或状态(例如红灯、绿灯、黄灯、绿箭头等)。在某些情况下,相关车道和/或当前交通信号的确定是不准确的。
因此,期望提供用于检测和解释交通设备的交通信号的改进的***和方法。进一步期望提供用于确定与所确定的交通信号相关的车道的改进的***和方法。此外,结合附图以及前述技术领域和背景技术,根据随后的详细描述和所附权利要求,本公开的其他期望特征和特性将变得显而易见。
发明内容
提供了用于车辆解释交通信息的***和方法。在一实施例中,一种方法包括:处理器接收来自车辆的一个或多个感测设备的传感器数据,其中传感器数据描绘车辆的环境中的交通设备;处理器接收与车辆的环境相关的地图数据,其中地图数据包括交通设备;处理器将传感器数据的交通设备与地图数据的交通设备进行匹配;处理器基于隐马尔可夫模型(HMM)确定与匹配的交通设备相关的交通信号的概率分布;以及处理器基于概率分布来计划车辆的控制。
在各个实施例中,该方法包括:基于推断模型来确定与匹配的交通设备相关的另一交通信号的概率分布。
在各个实施例中,隐马尔可夫模型包括扩散模型。
在各个实施例中,扩散模型基于时间将扩散值应用于信号状态矩阵。在各个实施例中,扩散模型还基于状态转换模型将扩散值应用于信号状态矩阵。
在各个实施例中,隐马尔可夫模型包括测量模型。在各个实施例中,测量模型基于交通信号的检测到的信号状态将测量值应用于信号状态矩阵。
在各个实施例中,该方法包括:基于地图数据来确定与匹配的交通设备相关的交叉路口信息,并且其中概率分布基于交叉路口信息。
在各个实施例中,交叉路口信息包括与匹配的交通设备相关的车道段和车道到车道连接中的至少一个。
在各个实施例中,该方法包括:确定是否从传感器数据中检测到交通信号,其中,当检测到交通信号时,确定概率分布基于测量模型,并且其中,当未检测到交通信号时,确定概率分布基于扩散模型。
在另一实施例中,一种***包括:地图数据存储,其存储与车辆的环境相关的地图数据,其中地图数据包括交通设备;生成传感器数据的感测设备,其中传感器数据描绘车辆的环境中的交通设备;控制模块,其配置为处理器将传感器数据的交通设备与地图数据的交通设备进行匹配,基于隐马尔可夫模型(HMM)确定与匹配的交通设备相关的交通信号的概率分布,以及基于概率分布来计划车辆的控制。
在各个实施例中,控制模块还配置为基于推断模型来确定与匹配的交通设备相关的另一交通信号的概率分布。
在各个实施例中,隐马尔可夫模型包括扩散模型。
在各个实施例中,扩散模型基于时间将扩散值应用于信号状态矩阵。
在各个实施例中,扩散模型还基于状态转换模型将扩散值应用于信号状态矩阵。
在各个实施例中,隐马尔可夫模型包括测量模型。在各个实施例中,测量模型基于交通信号的检测到的信号状态将测量值应用于信号状态矩阵。在各个实施例中,控制模块还配置为基于地图数据来确定与匹配的交通设备相关的交叉路口信息,并且其中概率分布基于交叉路口信息。
在各个实施例中,交叉路口信息包括与匹配的交通设备相关的车道段和车道到车道连接中的至少一个。
在各个实施例中,控制模块还配置为确定是否从传感器数据中检测到交通信号,其中,当检测到交通信号时,控制模块确定概率分布基于测量模型,并且其中,当未检测到交通信号时,控制模块确定概率分布基于扩散模型。
附图说明
在下文中,将结合以下附图描述示例性实施例,其中相同的标号表示相同的元件,并且其中:
图1是示出根据各个实施例的具有解释***的自主车辆的功能框图;
图2是示出根据各个实施例的包括解释***的自主驾驶***的数据流程图;
图3是示出根据各个实施例的解释的数据流程图;
图4是根据各个实施例的示例***叉路口和检测到的交通设备的图示;以及
图5、6和7是示出根据各个实施例的可以由解释***执行的解释方法的流程图。
具体实施方式
以下详细描述本质上仅是示例性的,并不旨在限制应用和使用。此外,无意受到在先前技术领域、背景技术、发明内容或以下详细描述中提出的任何明示或暗示的理论的约束。如本文所使用,术语“模块”是指任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器设备,单独地或以任何组合,包括但不限于:专用集成电路(ASIC)、电子电路、处理器(共享、专用或组)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所描述的功能的其他合适部件。
这里可以根据功能和/或逻辑块部件以及各种处理步骤来描述本公开的实施例。应当理解,可以通过配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现这样的块部件。例如,本公开的实施例可以采用各种集成电路部件,例如存储器元件、数字信号处理元件、逻辑元件、查找表等,其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。另外,本领域技术人员将理解,可以结合任何数量的***来实践本公开的实施例,并且本文描述的***仅仅是本公开的示例性实施例。
为了简洁起见,与信号处理、数据传输、信令、控制和***的其他功能方面(以及***的各个操作部件)有关的常规技术在这里可以不进行详细描述。此外,本文包含的各个附图中所示的连接线旨在表示各个元件之间的示例性功能关系和/或物理联接。应当注意,在本公开的实施例中可以存在许多替代或附加的功能关系或物理连接。
参照图1,根据各个实施例,总体以100示出的解释***与车辆10相关。通常,解释***100处理由设置在车辆10周围的一个或多个感测设备提供的数据(如将在下面更详细地讨论),以检测车辆10的环境中的交通设备。然后,解释***100解释检测到的交通设备的当前交通信号(例如红灯、绿灯、黄灯、绿色箭头、红色闪烁、黄色闪烁等)。在各个实施例中,解释***100利用隐马尔可夫模型(HMM)生成交通信号的定义状态的概率分布。在各个实施例中,概率分布可以包括任何数量的状态。为了便于讨论,定义状态可包括但不限于红色状态、黄色状态、绿色状态、黄色闪烁状态、红色闪烁状态、绿色闪烁状态、绿色箭头状态等。在各个实施例中,自主车辆10使用概率分布来做出关于在环境中导航车辆10的决策。
如图1所示,车辆10通常包括底盘12、主体14、前轮16和后轮18。主体14布置在底盘12上并且基本上包围车辆10的部件。主体14和底盘12可以共同形成框架。车轮16-18每个在主体14的相应角部附近旋转地联接至底盘12。
在各个实施例中,车辆10是自主车辆,并且解释***100并入自主车辆10(以下称为自主车辆10)中。自主车辆10例如是自动控制以将乘客从一个位置运送到另一个位置的车辆。在图示的实施例中,车辆10被描述为乘用车,但应当理解,也可以使用任何其他车辆,包括摩托车、卡车、运动型多用途车(SUV)、休闲车(RV)、轮船、飞机或仅由交通设备调节的机器人等。在示例性实施例中,自主车辆10是所谓的四级或五级自动化***。四级***表示“高度自动化”,是指自主驾驶***对动态驾驶任务的所有方面进行的驾驶模式特定性能,即使驾驶员没有适当地响应干预请求。五级***表示“完全自动化”,是指自主驾驶***在可由人类驾驶员管理的所有道路和环境条件下对动态驾驶任务所有方面进行的全时性能。可以理解,在各个实施例中,自主车辆10可以是任何级自动化或根本没有自动化(例如当***100简单地将概率分布呈现给用户以供决策时)。
如图所示,自主车辆10通常包括推进***20、传动***22、转向***24、制动***26、传感器***28、致动器***30、至少一个数据存储设备32、至少一个控制器34和通信***36。在各个实施例中,推进***20可包括内燃机、诸如牵引马达的电机和/或燃料电池推进***。传动***22构造成根据可选择的速比将动力从推进***20传递至车轮16-18。根据各个实施例,传动***22可包括有级传动比自动变速器、无级变速器或其他合适的变速器。制动***26构造成向车轮16-18提供制动扭矩。在各个实施例中,制动***26可以包括摩擦制动、线制动、诸如电机的再生制动***和/或其他合适的制动***。转向***24影响车轮16-18的位置。尽管出于说明性目的示出为包括方向盘,但在本发明范围内预期的一些实施例中,转向***24可以不包括方向盘。
传感器***28包括一个或多个感测设备40a-40n,其感测自主车辆10的外部环境和/或内部环境的可观察到的状况。感测设备40a-40n可包括但不限于雷达、激光雷达、全球定位***、光学相机、热相机、超声传感器、惯性测量单元和/或其他传感器。在各个实施例中,感测设备40a-40n包括一个或多个图像传感器,其生成由解释***100使用的图像传感器数据。
致动器***30包括一个或多个致动器设备42a-42n,其控制一个或多个车辆特征,比如但不限于推进***20、传动***22、转向***24和制动***26。在各个实施例中,车辆特征还可以包括内部和/或外部车辆特征,比如但不限于门、行李箱和舱室特征,比如空气、音乐、照明等(未编号)。
通信***36配置为与其他实体48进行无线通信,比如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、远程***和/或个人设备(参考图2进行更详细描述)。在示例性实施例中,通信***36是无线通信***,其配置为经由使用IEEE 802.11标准的无线局域网(WLAN)或通过使用蜂窝数据通信进行通信。然而,在本公开的范围内还考虑了诸如专用短程通信(DSRC)通道之类的附加或替代通信方法。DSRC通道是指专门为汽车使用设计的单向或双向短程到中程无线通信通道以及一组相应的协议和标准。
数据存储设备32存储用于自动控制自主车辆10的数据。在各个实施例中,数据存储设备32存储可导航环境的定义地图。在各个实施例中,从车辆10的传感器数据构建定义地图。在各个实施例中,从远程***和/或其他车辆接收地图。可以理解,数据存储设备32可以是控制器34的一部分,与控制器34分离,或者是控制器34的一部分和分开***的一部分。
控制器34包括至少一个处理器44和计算机可读存储设备或介质46。处理器44可以是任何定制的或可商购的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制器34相关的多个处理器中的辅助处理器、基于半导体的微处理器(形式为微芯片或芯片组)、宏处理器、其任何组合或通常用于执行指令的任何设备。例如,计算机可读存储设备或介质46可以包括只读存储器(ROM)、随机存取存储器(RAM)和保持活动存储器(KAM)中的易失性和非易失性存储。KAM是持久性或非易失性存储器,其可以在处理器44掉电时用于存储各种操作变量。可以使用许多已知的存储设备中的任何一种来实现计算机可读存储设备或介质46,比如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备,其中一些表示可执行指令,由控制器34在控制自主车辆10时使用。
指令可以包括一个或多个单独的程序,每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由处理器44执行时,指令从传感器***28接收并处理信号,执行用于自动控制自主车辆10的部件的逻辑、计算、方法和/或算法,并且基于逻辑、计算、方法和/或算法生成控制信号至致动器***30以自动控制自主车辆10的部件。尽管在图1中仅示出了一个控制器34,但是自主车辆10的实施例可包括任意数量的控制器34,其通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号,执行逻辑、计算、方法和/或算法,并且产生控制信号以自动控制自主车辆10的特征。
在各个实施例中,控制器34的一个或多个指令体现在解释***100中,并且当由处理器44执行时,集成来自感测设备28的实时信息和来自数据存储设备的信息并且基于此输出交通信号状态的概率分布。使用HMM预测和平滑以及后HMM推断来处理集成信息,以针对直接交叉路口连接和其他交叉路口连接生成交通信号状态上的概率分布。控制器34的指令还利用这些概率分布来决策和计划用于在环境中导航车辆10的即将到来的车辆操纵。
可以理解,本文公开的主题为可被视为标准或基线非自主车辆或自主车辆10和/或协调自主车辆10的基于自主车辆的远程运输***(未示出)提供某些增强的特征和功能。为此,可以修改、增强或补充非自主车辆、自主车辆和基于自主车辆的远程运输***,以提供以下更详细描述的附加特征。为了示例性目的,下面的示例将在自主车辆的背景下进行讨论。
根据各个实施例,控制器34实现如图2所示的自主驾驶***(ADS)50。即,控制器34(例如处理器44和计算机可读存储设备46)的合适的软件和/或硬件部件用于提供与车辆10结合使用的自主驾驶***50。
在各个实施例中,可以通过功能、模块或***来组织自主驾驶***50的指令。例如,如图2所示,自主驾驶***50可以包括计算机视觉***54、定位***56、引导***58和车辆控制***60。可以理解的是,在各个实施例中,指令可被组织成任意数量的***(例如组合的、进一步分区的等),因为本公开不限于当前示例。
在各个实施例中,计算机视觉***54合成并处理传感器数据,并且预测车辆10的环境的物体和特征的存在、位置、分类和/或路径。在各个实施例中,计算机视觉***54可以结合来自多个传感器的信息,包括但不限于相机、激光雷达、雷达和/或任何数量的其他类型传感器。
定位***56处理传感器数据以及其他数据以确定车辆10相对于环境的位置(例如相对于地图的本地位置、相对于道路车道的准确位置、车辆行驶方向、速度等)。引导***58处理传感器数据以及其他数据以确定车辆10要遵循的路径。车辆控制***80根据确定的路径生成用于控制车辆10的控制信号。
在各个实施例中,控制器34实施机器学习技术以辅助控制器34的功能,比如特征检测/分类、障碍物缓解、路线穿越、地图绘制、传感器集成、地面真相确定等。
在各个实施例中,图1的解释***100可以包括在ADS50内,例如作为引导***58的一部分。例如,解释***100从计算机视觉***54和定位***56接收数据,并提供用于决策的概率分布,以最终确定车辆10的路径。
如关于图3更详细地示出并继续参照图1和2,解释***100包括匹配模块102、概率确定模块104和地图数据存储106。
地图数据存储106存储可导航环境的地图。这些地图包括诸如车道边界、车道段、车道到车道连接以及交通设备等详细信息。地图数据存储106使可用的地图数据108用于进一步处理。
匹配模块102接收与即将到来的路径相关的地图数据108、由车辆10的感测设备28生成的传感器数据110以及指示车辆位置和/或定向的车辆数据111作为输入。如图4所示,示例性地图数据108包括车道200、车道段202、车道到车道连接204以及与例如交叉路口208或其他道路特征相关的交通设备206。传感器数据110包括识别感测到的交通设备和/或感测到的交通设备的感测到的交通信号的数据。这样的数据可以包括但不限于x、y、z位置、定向、时间戳、信号状态、信号宽度、设备类型等。
匹配模块102将传感器数据110的感测到的交通设备和/或感测到的交通信号与在地图数据108中定义的交通设备进行匹配。匹配模块102然后将感测到的交通设备和/或感测到的交通信号与地图数据108中定义的车道段和/或车道到车道连接进行匹配。例如,匹配模块102基于车辆10的位置和/或车道位置、感测到的交通设备和/或感测到的交通信号的投影位置以及交通设备在地图中的位置来执行匹配。匹配模块102然后过滤掉任何不想要的检测。例如,匹配模块102基于距交叉路口的检测距离(即范围)、检测位置一致性(即所测量的波动)和/或其他可能与精度有关的参数进行过滤。匹配模块102产生索引对112,其将地图的匹配的交通设备与感测到的交通信息相关联以进行进一步处理。
概率确定模块104接收索引对数据112,并确定由该匹配标识的交通信号的概率分布数据114。在各个实施例中,概率分布数据114包括用于感测到的交通信号的概率分布和用于与交通设备有关的其他交通信号的概率分布(例如交通设备的相对和/或相邻侧的交通信号)。
在各个实施例中,概率分布的确定基于是否从交通设备中检测到交通信号。例如,在某些情况下,交通设备可被感测设备28检测到,但是可能尚未检测到准确的交通信号。当来自索引对的传感器数据110未指示检测到交通信号时,概率确定模块104基于扩散模型确定概率分布。例如,扩散模型基于最后检测到的交通信号、自最后检测到的交通信号以来的时间以及与交通设备的类型相关的状态转换模型,以概率值更新信号状态矩阵。
在一示例中,如图5所示,包括扩散模型的示例性方法300在305处开始。在310处确定是否进行了检测。如果已经进行了检测,则该方法可以在340处结束。如果在310处没有进行检测,则针对信号状态矩阵中的每个状态的信号状态在320和330处进行更新。在各个实施例中,信号状态矩阵可以包括与可以从交通设备发射的潜在交通信号相对应的任意数量的状态(例如红色状态、黄色状态、绿色状态等)。
例如,对于在320处的每个信号状态,概率值基于最后检测而设定为初始值,并且在330处基于自最后检测以来的时间和与交通设备相关的状态转换模型通过扩散值(例如其降低概率)进行更新。一旦在320处更新了所有概率值,就在335处发布信号状态矩阵以供使用,并且该方法可以在340处结束。
返回参考图3,当索引对112的传感器数据110指示检测到当前交通信号时,概率确定模块104基于测量模型来确定概率分布。测量模型在检测到的信号状态与其他可能的信号状态之间提供权重,并将测量数据应用于信号状态矩阵的概率值。
在一示例中,如图6所示,包括测量模型的示例性方法400在405处开始。在410处确定是否已经进行了检测。如果在410处没有进行检测,则该方法可以在480处结束。如果在410处已经进行了检测,则在420处确定检测是否有效。例如,可以评估传感器数据110和其他车辆数据111的各种参数,以确认检测不是尾灯、紧急车辆的紧急信号、路灯或环境中的其他光发射。如果在420处检测不是有效的交通信号检测,则该方法可以在480处结束。然而,如果在420处检测是有效的交通信号检测,则该方法在430-470处继续确认匹配并应用测量值。
例如,在430处将被确定与检测到的交通信号相关的地图数据108的任何车道段和/或车道到车道连接进行分组。在各个实施例中,可以基于接近度度量和阈值来进行确定。
在440处,评估车道段和/或车道到车道连接的组,以确认感测到的交通信号与交通设备之间的匹配的准确性。例如,在实时使用期间,交通信号状态和发出位置(交通设备位置)由车载传感设备测量。从测量的交通设备位置到映射的交通设备位置的距离用于评估设备车道匹配精度。在没有交通设备映射到车道的情况下,考虑交叉路口中心。通过此比较(匹配精度),可以评估一组车道段(车道到车道连接)。
在450处,从确认的交通信号和交通信号设备解释信号状态。然后在460处基于信号状态选择测量矩阵,并在470处将其应用于信号状态矩阵。此后,可以在475处发布信号状态矩阵以供使用,并且该方法可以在480处结束。
返回参照图3,一旦为检测到的交通信号确定了概率分布,就可以基于推断模型为与交通设备相关的其他交通信号(例如交通设备的相对或相邻侧上的交通信号)推断出概率分布。
在一示例中,如图7所示,包括推断模型的示例性方法500在505处开始。在510处,用当前信号状态、交叉路口标识以及当前和平行车道的车道标识符来初始化设备数据结构。设备数据结构的数据然后在520处进行评估以对与该设备相关的交通***进行分类(例如四车道交叉路口、两车道交叉路口、具有左转车道的交叉路口等)。然后在530处基于所确定的类别来确定推断矩阵。然后在540处基于设备数据结构中的通道是相对的、从左侧交叉还是从右侧交叉等对其进行分组。然后在550-600处对每组进行处理。
例如,对于在550处的每个组,在560处基于感测到的交通信号和组类型来选推断信号。然后在570处基于推断信号来设定信号状态。然后,在580处,基于信号状态将选择的推断矩阵应用到信号状态矩阵,并且在590处发布信号状态矩阵以进行进一步处理。方法500继续直到在550处已经处理了所有组。此后,该方法可以在600处结束。
可以理解,根据本公开,方法300、400、500内的操作顺序不限于如图5-7所示的顺序执行,而是可以根据本公开以适用的一种或多种变化顺序来执行。在各个实施例中,方法300、400、500可被调度为基于一个或多个预定事件运行,和/或可以在车辆10的操作期间连续地运行。在各个实施例中,方法的一个或多个步骤可被删除或添加而不改变方法的精神。
尽管在前面的详细描述中已经呈现了至少一个示例性实施例,但应当理解,存在大量的变型。还应当理解,一个或多个示例性实施例仅是示例,并且无意以任何方式限制本公开的范围、适用性或配置。相反,前述详细描述将为本领域技术人员提供用于实施一个或多个示例性实施例的便利路线图。应当理解,在不脱离所附权利要求及其合法等同物所阐述的本公开的范围的情况下,可以对元件的功能和布置进行各种改变。
Claims (7)
1.一种用于车辆解释交通信息的方法,包括:
处理器接收来自车辆的一个或多个感测设备的传感器数据,其中传感器数据描绘车辆的环境中的交通设备;
处理器接收与车辆的环境相关的地图数据,其中地图数据包括交通设备;
处理器将传感器数据的交通设备与地图数据的交通设备进行匹配;
处理器基于隐马尔可夫模型HMM确定与匹配的交通设备相关的交通信号的概率分布,其中所述HMM包括扩散模型,所述扩散模型基于最后检测到的交通信号、自最后检测到的交通信号以来的时间以及与交通设备的类型相关的状态转换模型,以概率值更新信号状态矩阵;以及
处理器基于概率分布来计划车辆的控制。
2.根据权利要求1所述的方法,还包括基于推断模型来确定与匹配的交通设备相关的另一交通信号的概率分布。
3.根据权利要求1所述的方法,其中,所述隐马尔可夫模型包括测量模型。
4.根据权利要求3所述的方法,其中,所述测量模型基于交通信号的检测到的信号状态将测量值应用于所述信号状态矩阵。
5.根据权利要求1所述的方法,还包括基于地图数据来确定与匹配的交通设备相关的交叉路口信息,并且其中,所述概率分布基于所述交叉路口信息。
6.根据权利要求1所述的方法,还包括:
确定是否从传感器数据中检测到交通信号,
其中,当检测到交通信号时,确定概率分布基于测量模型,并且
其中,当未检测到交通信号时,确定概率分布基于扩散模型。
7.一种用于车辆解释交通信息的***,包括:
地图数据存储,其存储与车辆的环境相关的地图数据,其中地图数据包括交通设备;
生成传感器数据的感测设备,其中传感器数据描绘车辆的环境中的交通设备;
控制模块,其配置为处理器将传感器数据的交通设备与地图数据的交通设备进行匹配,基于隐马尔可夫模型HMM确定与匹配的交通设备相关的交通信号的概率分布,以及基于概率分布来计划车辆的控制,其中所述HMM包括扩散模型,所述扩散模型基于最后检测到的交通信号、自最后检测到的交通信号以来的时间以及与交通设备的类型相关的状态转换模型,以概率值更新信号状态矩阵。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/280,152 US11205343B2 (en) | 2019-02-20 | 2019-02-20 | Methods and systems for interpretating traffic signals and negotiating signalized intersections |
US16/280,152 | 2019-02-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111599166A CN111599166A (zh) | 2020-08-28 |
CN111599166B true CN111599166B (zh) | 2022-06-17 |
Family
ID=71843937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010089870.6A Active CN111599166B (zh) | 2019-02-20 | 2020-02-13 | 用于解释交通信号和协商信号化的交叉路口的方法和*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US11205343B2 (zh) |
CN (1) | CN111599166B (zh) |
DE (1) | DE102020101832A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11704912B2 (en) * | 2020-06-16 | 2023-07-18 | Ford Global Technologies, Llc | Label-free performance evaluator for traffic light classifier system |
US11620836B2 (en) * | 2020-12-04 | 2023-04-04 | Argo AI, LLC | Light emitting diode flicker mitigation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101689287A (zh) * | 2007-06-28 | 2010-03-31 | 微软公司 | 关于传感器的上下文敏感可靠性的学习和推理 |
CN102695637A (zh) * | 2009-08-31 | 2012-09-26 | 丰田自动车欧洲股份有限公司 | 车辆或交通流量控制方法和*** |
CN104470781A (zh) * | 2012-06-01 | 2015-03-25 | 谷歌公司 | 基于替代数据推断交通信号状态和车辆环境的其他方面 |
EP3340204A1 (en) * | 2016-12-22 | 2018-06-27 | Urban Software Institute GmbH | Computer system and method for determining reliable vehicle control instructions |
CN109215366A (zh) * | 2017-07-05 | 2019-01-15 | 通用汽车环球科技运作有限责任公司 | 用于自主车辆中盲区检测的方法和*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5206752B2 (ja) * | 2010-08-30 | 2013-06-12 | 株式会社デンソー | 走行環境認識装置 |
US9158980B1 (en) * | 2012-09-19 | 2015-10-13 | Google Inc. | Use of relationship between activities of different traffic signals in a network to improve traffic signal state estimation |
US9563663B2 (en) * | 2012-09-28 | 2017-02-07 | Oracle International Corporation | Fast path evaluation of Boolean predicates |
US10650256B2 (en) * | 2017-04-18 | 2020-05-12 | nuTonomy Inc. | Automatically perceiving travel signals |
US10458810B2 (en) * | 2017-12-21 | 2019-10-29 | GM Global Technology Operations LLC | Traffic light state assessment |
-
2019
- 2019-02-20 US US16/280,152 patent/US11205343B2/en active Active
-
2020
- 2020-01-27 DE DE102020101832.0A patent/DE102020101832A1/de active Pending
- 2020-02-13 CN CN202010089870.6A patent/CN111599166B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101689287A (zh) * | 2007-06-28 | 2010-03-31 | 微软公司 | 关于传感器的上下文敏感可靠性的学习和推理 |
CN102695637A (zh) * | 2009-08-31 | 2012-09-26 | 丰田自动车欧洲股份有限公司 | 车辆或交通流量控制方法和*** |
CN104470781A (zh) * | 2012-06-01 | 2015-03-25 | 谷歌公司 | 基于替代数据推断交通信号状态和车辆环境的其他方面 |
CN107628027A (zh) * | 2012-06-01 | 2018-01-26 | 谷歌公司 | 基于替代数据推断交通信号状态和车辆环境的其他方面 |
EP3340204A1 (en) * | 2016-12-22 | 2018-06-27 | Urban Software Institute GmbH | Computer system and method for determining reliable vehicle control instructions |
CN109215366A (zh) * | 2017-07-05 | 2019-01-15 | 通用汽车环球科技运作有限责任公司 | 用于自主车辆中盲区检测的方法和*** |
Non-Patent Citations (1)
Title |
---|
From Wiener to Hidden Markov;Anderson;《IEEE Control Systems Magazine》;19990630;41-51 * |
Also Published As
Publication number | Publication date |
---|---|
US11205343B2 (en) | 2021-12-21 |
DE102020101832A1 (de) | 2020-08-20 |
US20200265709A1 (en) | 2020-08-20 |
CN111599166A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111434554B (zh) | 基于乘客和环境感知驾驶风格简档来控制自主车辆 | |
CN110471415B (zh) | 具有自动驾驶模式的车辆及其控制方法和*** | |
US10274961B2 (en) | Path planning for autonomous driving | |
US10733420B2 (en) | Systems and methods for free space inference to break apart clustered objects in vehicle perception systems | |
US10935652B2 (en) | Systems and methods for using road understanding to constrain radar tracks | |
US11631325B2 (en) | Methods and systems for traffic light state monitoring and traffic light to lane assignment | |
US9956958B2 (en) | Vehicle driving control device and control device | |
US10759415B2 (en) | Effective rolling radius | |
US20230009173A1 (en) | Lane change negotiation methods and systems | |
US20210074162A1 (en) | Methods and systems for performing lane changes by an autonomous vehicle | |
US11454971B2 (en) | Methods and systems for learning user preferences for lane changes | |
US20200318976A1 (en) | Methods and systems for mapping and localization for a vehicle | |
CN111599166B (zh) | 用于解释交通信号和协商信号化的交叉路口的方法和*** | |
US11292487B2 (en) | Methods and systems for controlling automated driving features of a vehicle | |
US11347235B2 (en) | Methods and systems for generating radar maps | |
US20200387161A1 (en) | Systems and methods for training an autonomous vehicle | |
US20220092985A1 (en) | Variable threshold for in-path object detection | |
US11827223B2 (en) | Systems and methods for intersection maneuvering by vehicles | |
US11214261B2 (en) | Learn association for multi-object tracking with multi sensory data and missing modalities | |
CN112445227A (zh) | 用于基于操纵的驾驶的方法和*** | |
US20240257636A1 (en) | Methods and systems for sensor fusion for traffic intersection assist | |
US20230278562A1 (en) | Method to arbitrate multiple automatic lane change requests in proximity to route splits | |
US12005933B2 (en) | Methods and systems for a unified driver override for path based automated driving assist under external threat | |
US11794777B1 (en) | Systems and methods for estimating heading and yaw rate for automated driving | |
US20230101031A1 (en) | Vehicle assist server, processing method for vehicle assist server, and storage medium |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |