CN112285740A - 车辆工况检测 - Google Patents
车辆工况检测 Download PDFInfo
- Publication number
- CN112285740A CN112285740A CN202010721765.XA CN202010721765A CN112285740A CN 112285740 A CN112285740 A CN 112285740A CN 202010721765 A CN202010721765 A CN 202010721765A CN 112285740 A CN112285740 A CN 112285740A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- instantaneous speed
- computer
- data
- speed 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims description 66
- 238000005259 measurement Methods 0.000 claims description 61
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 23
- 230000015654 memory Effects 0.000 description 14
- 230000007246 mechanism Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003534 oscillatory effect Effects 0.000 description 3
- 238000007514 turning Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241001116459 Sequoia Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- 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
-
- 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
- B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- B60W50/0097—Predicting future conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2554/00—Input parameters relating to objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4045—Intention, e.g. lane change or imminent movement
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Human Computer Interaction (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了“车辆工况检测”。一种***,包括:计算机,所述计算机包括处理器,所述处理器被编程为基于来自包括在第一车辆中的第一传感器的数据来识别靠近所述第一车辆的路线的第二车辆是静止的。所述处理器还被编程为从包括在所述第一车辆中的第二传感器接收来自所述第二车辆的瞬时速度数据;并且基于所述瞬时速度数据来确定所述第二车辆的工况。
Description
技术领域
本公开总体上涉及车辆检测装置。
背景技术
静止车辆可以位于通常用于停放车辆的区域中,诸如停放区域中或道路的侧部的停车位。怠速车辆可以开始移动和/或进入交通流和/或用户可能离开车辆。此类事件可能是不可预测的并且不会发出警告。
发明内容
公开了一种***,所述***包括计算机,所述计算机包括处理器和存储器。所述存储器包括指令,使得所述处理器被编程为基于来自包括在第一车辆中的第一传感器的数据来识别靠近所述第一车辆的路线的第二车辆是静止的;从包括在所述第一车辆中的第二传感器接收来自所述第二车辆的瞬时速度数据;以及基于所述瞬时速度数据来确定所述第二车辆的工况。
所述处理器还可被编程为基于所述确定工况来预测所述第二车辆的轨迹。
所述处理器还可被编程为基于所述第二车辆的所述预测轨迹来调整所述第一车辆的行驶路径。
所述处理器还可被编程为基于所述确定工况来预测来自包括以下各项的集合的至少一项:(1)所述第二车辆的用户将离开所述第二车辆,以及(2)所述第二车辆的车门将打开;并且基于所述预测来调整所述第一车辆的所述行驶路径。
所述处理器还可被编程为从所述第二传感器接收来自支撑所述第二车辆的表面的瞬时速度数据;并且部分地基于来自支撑所述第二车辆的所述表面的所述瞬时速度数据来确定所述工况。
所述处理器还可被编程为从所述第二传感器接收来自靠近所述第一车辆的第三车辆的瞬时速度数据;并且部分地基于来自靠近所述第一车辆的所述第三车辆的所述瞬时速度数据来确定所述工况。
所述处理器还可被编程为接收天气数据;并且部分地基于所述天气数据来确定所述工况。
所述处理器还可被编程为选择所述第二车辆上的测量目标;并且引导所述第二传感器从所述测量目标收集所述瞬时速度数据。
所述处理器还可被编程为将所述瞬时速度数据输入到训练后神经网络,所述训练后神经网络确定所述工况;并且从所述训练后神经网络接收所述工况。
可以使用多个瞬时速度数据来训练卷积神经网络,所述瞬时速度数据包括表示处于多个受控工况中的每一者中的静止车辆的瞬时速度数据,出于训练所述神经网络的目的,所述受控工况分别对应于地面实况。
还公开了一种方法,所述方法包括:由计算机基于来自包括在第一车辆中的第一传感器的数据来识别靠近所述第一车辆的路线的第二车辆是静止的;从包括在所述第一车辆中的第二传感器接收来自所述第二车辆的瞬时速度数据;以及基于所述瞬时速度数据来确定所述第二车辆的工况。
所述方法还可包括基于所述确定工况来预测所述第二车辆的轨迹。
所述方法还可包括基于所述第二车辆的所述预测轨迹来调整所述第一车辆的所述行驶路径。
所述方法还可包括基于所述确定工况来预测来自包括以下各项的集合的至少一项:(1)所述第二车辆的用户将离开所述第二车辆,以及(2)所述第二车辆的车门将打开;以及基于所述预测来调整所述第一车辆的行驶路径。
所述方法还可包括从所述第二传感器接收来自支撑所述第二车辆的表面的瞬时速度数据;并且部分地基于来自支撑所述第二车辆的所述表面的所述瞬时速度数据来确定所述工况。
所述方法还可包括从所述第二传感器接收来自靠近所述第一车辆的第三车辆的瞬时速度数据;以及部分地基于来自靠近所述第一车辆的所述第三车辆的所述瞬时速度数据来确定所述工况。
所述方法还可包括接收天气数据;以及部分地基于所述天气数据来确定所述工况。
所述方法还可包括选择所述第二车辆上的测量目标;以及引导所述第二传感器从所述测量目标收集所述瞬时速度数据。
所述方法还可包括将所述瞬时速度数据输入到训练后神经网络,所述训练后神经网络确定所述工况;以及从所述训练后神经网络接收所述工况。
在所述方法中,可以使用多个瞬时速度数据来训练卷积神经网络,所述瞬时速度数据包括表示处于多个受控工况中的每一者中的静止车辆的瞬时速度数据,出于训练所述神经网络的目的,所述受控工况分别对应于地面实况。
本文还公开了一种计算装置,所述计算装置被编程为执行上述方法步骤中的任一者。
本文还公开了一种计算机程序产品,所述计算机程序产品包括计算机可读介质,所述计算机可读介质存储可由计算机处理器执行以执行上述方法步骤中的任一者的指令。
附图说明
图1是用于监测和响应于静止车辆的工况的示例性***的图式。
图2是示例性卷积神经网络的图式。
图3A和图3B是用于监测和响应于静止车辆的工况的示例性过程的图式。
图4是示例性车辆的图式,示出了可能的瞬时速度测量目标。
图5是在用户下车事件期间示例性车辆瞬时速度(速度相对于时间)的图形。
图6是在关门事件期间示例性车辆瞬时速度的图形。
图7是运行车辆的示例性车辆瞬时速度的图形。
图8是在车辆播放音乐时示例性车辆瞬时速度的图形。
具体实施方式
第一车辆中的计算机可以应用物体识别以将第二车辆识别为第一车辆环境中的静止车辆。车辆环境是由指定半径(可以基于诸如环境光、降水等环境条件而变化)确定的体积区域,包括车辆正在操作的地形、物体和条件。如本文中所使用的,静止车辆是不移动的车辆,即,车辆的车轮相对于地面基本上不移动。在一些情况下,静止车辆可以停放在例如停车位置。如本文中所使用的,停车位置是指定停车位或通常停放车辆的其他区域,诸如街道或道路的侧部。在另一种情况下,静止车辆可以被并排停放,即,静止一段时间,但是位于行车道内。在其他情况下,在执行前往目的地的行程时,静止车辆可能在停车标志处停车,在交通信号灯处停车,堵车等。
可以确定静止车辆的各种工况。如本文中所使用的,工况意味着车辆和/或车辆环境的可测量物理参数集合。可以为静止车辆确定的工况的非限制性列表包括用户进入车辆(上车),用户离开车辆(下车)、开门、关门、车辆运行(发动机或马达运行)、车辆开启(钥匙开启或其他车辆起动事件)、车辆关闭、用户激活驻车制动器、发动机转速变化、车辆中播放音乐、车辆被占用、车辆未被占用、车辆不活动(活动的车辆部件没有明显的用户活动)等。
即使静止,车辆也可能显示振荡或脉冲类移动,即,停止和起动和/或以基本上规则间隔改变车辆的一部分(诸如车身或排气管)的方向的移动。这些振荡或脉冲类移动可以用于确定静止车辆的一种或多种工况。例如,被支撑在车辆悬架上的车身可以沿着以下一个或任意组合移动:(1)垂直于支撑车辆的表面的第一轴线(即,上下),(2)从前向后穿过车辆的第二轴线,以及(3)垂直于从前向后穿过车辆的轴线的第三轴线(即,从一侧到另一侧)。
可以根据这些移动的瞬时速度来表征振荡或脉冲类移动。瞬时速度是振荡或脉冲类移动的时变速度并且可以米/秒为单位进行测量。第一车辆中的计算机经由传感器可以接收静止的第二车辆的振荡或脉冲类移动的瞬时速度数据,并且基于瞬时速度数据来预测静止车辆的工况。基于所识别的可能工况,计算机然后可以预测第二静止车辆的轨迹或更新所述预测。
静止车辆的瞬时速度对于每种工况可能是基本上唯一的。也就是说,由于上车引起的瞬时速度可以与由于下车引起的瞬时速度不同。由于车辆运行引起的瞬时速度可以与由于车辆中播放音乐引起的瞬时速度不同。
第一车辆上的车辆计算机可以经由第一车辆传感器收集静止车辆沿着第一车辆的路线的瞬时速度数据。如本文中所使用的,第一车辆的路线意味着第一车辆计划沿着其行驶一定行程(即,从起点到目的地)的街道、车道、道路等。基于瞬时速度数据,车辆计算机可以识别静止车辆的工况并且更新静止车辆的未来轨迹的预测。基于更新后预测轨迹,第一车辆计算机可以调整沿着第一车辆的路线的行驶路径以降低第二静止车辆靠近或进入第一车辆的行驶路径或者以其他方式干扰第一车辆的行驶的可能性。如本文中所使用的行驶路径是第一车辆沿着路线行驶的线和/或曲线(由地理坐标指定的点定义)。
转到图1,示例性***100包括车辆105、网络130和服务器132。
车辆105是陆地车辆,诸如汽车、卡车、摩托车等,并且包括车辆计算机110、传感器112、致动器114、车辆部件116和人机界面(HMI)118。车辆105在道路150上操作。道路150包括车辆105可以沿着其行驶的车道152,并且还包括第二车辆160可以位于其中的侧部(例如,护道)154。
车辆计算机110包括诸如已知的处理器和存储器。存储器包括一种或多种形式的计算机可读介质,并且存储可由车辆计算机110执行以用于执行包括如本文所公开的各种操作的指令。
车辆计算机110可以自主模式、半自主模式或非自主(或手动)模式来操作车辆105。出于本公开的目的,自主模式被限定为其中车辆105的推进、制动和转向中的每一者都由车辆计算机110控制的模式;在半自主模式中,车辆计算机110控制车辆105的推进、制动和转向中的一者或两者;在非自主模式中,人类操作员控制车辆105的推进、制动和转向中的每一者。
车辆计算机110可以包括编程以操作车辆105的制动、推进(例如,通过控制内燃发动机、电动马达、混合发动机等中的一者或多者来控制车辆的加速度)、转向、气候控制、内部灯和/或外部灯等中的一者或多者,以及确定与人类操作员相比车辆计算机110是否会控制以及何时控制此类操作。另外,车辆计算机110可以被编程为确定人类操作员是否以及何时控制此类操作。
车辆计算机110可以包括或者例如经由车辆通信网络通信地耦合到一个以上的处理器,例如,包括在车辆105中所包括的电子控制单元(ECU)等中的用于监测和/或控制各种车辆部件116(例如,动力传动***控制器、制动控制器、转向控制器等)的处理器。如本文所使用的,车辆通信网络被定义为用于车辆105的***与子***之间的有线或无线通信的一个或多个机制。车辆通信网络可以包括例如一根或多根车辆通信总线和一种或多种无线通信网络。车辆通信总线的非限制性示例包括控制器局域网(CAN)总线、局域互连网(LIN)总线和以太网网络。无线通信网络的非限制性示例包括蓝牙、蓝牙低功耗(BLE)和Wi-Fi直连。
经由车辆通信网络,车辆计算机110可以向车辆105中的各种***和子***(例如,传感器112、致动器114、车辆部件116、人机界面(HMI)118等)传输消息和/或从各种装置接收消息。另外,在车辆计算机110实际上包括多个装置的情况下,车辆通信网络可以用于在本公开中表示为车辆计算机110的装置之间的通信。此外,如下所述,各种控制器和/或传感器112可以经由车辆通信网络向车辆计算机110提供数据。
车辆传感器112可以包括诸如已知的用于向车辆计算机110提供数据的各种装置。例如,传感器112可以包括设置在车辆105的顶部上、在车辆105的前挡风玻璃后面、在车辆105周围等的一个或多个光探测和测距(LIDAR)传感器112等,所述传感器提供车辆105周围的物体的相对位置、大小和形状。作为另一个示例,固定到车辆105保险杠的一个或多个雷达传感器112可以提供数据来提供物体、第二车辆140等相对于车辆105的位置的位置。传感器112还可以替代地或另外包括例如一个或多个相机传感器112(例如,前视、侧视等),所述相机传感器提供来自车辆105周围的区域的图像。
传感器112还可包括温度传感器、压力传感器、旋转传感器、角度传感器、位置传感器、扭矩传感器等,以检测诸如车厢温度、车辆发动机温度、车辆速度、车辆加速度、车辆转向角、发动机转速、制动压力等的车辆操作状态。
更进一步地,传感器112可以包括调频连续波(FMCW)激光雷达112f和飞行时间(TOF)相机112t。FMCW激光雷达112f可以检测诸如第二车辆160的物体的瞬时速度。基于瞬时速度,FMCW激光雷达112f可以生成瞬时速度数据并将瞬时速度数据提供给计算机110。飞行时间相机112t测量从目标透射的光的分量与从目标反射的光的分量之间的相位差以确定目标的距离和/或速度。在一些情况下,激光雷达激光雷达112f可以是固态的,从而允许能够在特定位置操纵激光雷达激光雷达以收集随时间变化的距离和瞬时速度数据。在其他情况下,激光雷达激光雷达发射器和接收器可以安装到机械总成上,所述机械总成可以沿着并入有镜面移动、平移或旋转的光学路径旋转或发射和接收光以在整个道路环境中扫描固定的激光雷达激光雷达点。在此类情况下,激光雷达激光雷达点可能无法在每次扫描中获取空间中同一物理点的瞬时速度数据。在此类情况下,瞬时速度测量的点云数据可以***值,例如线性插值、最近邻点插值等,或者经由车辆动力学模型外推,所述车辆动力学模型是通过将模型拟合到第一车辆105和第二车辆160中的一者或两者的动力学仿真数据而获得的。
基于第一车辆105和第二车辆160中的一者或两者的建模以及如上所述的数值方法,计算机110可以抵消第一(自我意识)车辆105的振动并且预测/估计第二车辆160的瞬时速度行为。例如,用于估计瞬时速度的神经网络可以基于包括车身上的空间中的固定点的车辆模型。第二车辆160上的传感器112(例如,FMCW激光雷达112f)测量点可能不完全对应于车身上的空间中的固定点。数值方法将第二车辆160上的测量位置插值/外推到那些固定点以获得对神经网络的所需输入。计算机110可以将数值方法应用于从传感器112收集的数据,然后向神经网络提交插值/外推数据以接收第二车辆160的估计瞬时速度行为。
计算机110可以经由FMCW激光雷达112f或飞行时间相机112t收集车辆105的环境中的第二车辆160的瞬时速度数据。如下所述,计算机110可以基于瞬时速度数据来确定第二车辆160的工况。
车辆105的致动器114经由可以根据如已知的适当控制信号来致动各种车辆子***的电路、芯片或其他电子和或机械部件来实施。致动器114可以用于控制车辆部件116,包括车辆105的制动、加速和转向。
在本公开的上下文中,车辆部件116是适于执行机械或机电功能或操作(诸如使车辆105移动、使车辆105减速或停止、使车辆105转向等)的一个或多个硬件总成,所述硬件总成可以包括电子控制单元(ECU),所述ECU包括一个或多个处理器和存储器,所述存储器包括用于对处理器进行编程的指令。车辆部件116的非限制性示例包括推进部件(其包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如,其可以包括方向盘、转向齿条等中的一者或多者)、制动部件(如下所述)、驻车辅助部件、自适应巡航控制部件、自适应转向部件、可移动座椅、悬架、电子稳定性控制(ESC)模块、雨刷控制模块、照明设备、娱乐***等。
车辆105还包括人机界面(HMI)118。人机界面(HMI)118包括可以从用户接收输入的输入装置,诸如旋钮、按钮、开关、踏板、操纵杆、触摸屏、传声器等。例如,HMI 118可以包括用于从用户接收输入以控制车辆105的制动踏板、加速踏板和方向盘。输入装置可以包括传感器112,以检测用户输入并将用户输入数据提供给计算机110。例如,方向盘可以包括传感器112,以检测方向盘的旋转角度并将数据提供给计算机110。
HMI 118还包括向用户输出信号或数据的输出装置,诸如显示器(包括触摸屏显示器)、扬声器、灯等。
HMI 118耦合到车辆通信网络并且可以向/从计算机110和其他车辆子***发送和/或接收消息。作为非限制性示例,HMI 118可以基于用户输入通过车辆通信网络发送消息,以控制车辆控制***、气候控制***、娱乐***、照明***、通信***等。
另外,车辆计算机110可以被配置为经由车辆通信模块与车辆105外部的装置进行通信,例如,通过车辆对车辆(V2V)或车辆对基础设施(V2X)无线通信与另一车辆105(通常经由直接射频通信)和/或(通常经由网络130)服务器132进行通信。车辆通信模块可以包括车辆105的计算机110可以通过其进行通信的一种或多种机制,包括无线(例如,蜂窝、无线、卫星、微波和射频)通信机制的任何期望组合以及任何期望的网络拓扑(或当利用多个通信机制时的拓扑)。经由车辆通信模块提供的示例性通信包括提供数据通信服务的蜂窝、蓝牙、IEEE 802.11、IEEE 802.11p、IEEE 1609、专用短程通信(DSRC)、蜂窝V2V、5G/LPE和/或包括因特网的广域网(WAN)。
网络130表示车辆计算机110可以借助于其与服务器132进行通信的一种或多种机制。因此,网络130可以是各种有线或无线通信机制中的一者或多者,包括有线(例如,电缆和光纤)和/或无线(例如,蜂窝、无线、卫星、微波和射频)通信机制的任何期望组合以及任何期望的网络拓扑(或当利用多个通信机制时的拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络(例如,使用 低功耗(BLE)、IEEE 802.11、车辆对车辆(V2V)(诸如专用短程通信(DSRC)、5G/LTE等))、局域网(LAN)和/或包括因特网的广域网(WAN)。
服务器132可以是被编程为提供诸如本文公开的操作的常规计算装置,即,包括一个或多个处理器和一个或多个存储器。此外,可以经由网络130(例如,因特网或某一其他广域网)来访问服务器132。服务器132可以将诸如地图数据、交通数据、天气数据等数据提供给车辆计算机110。
道路150可以是车辆105可以行驶的并且第二车辆160可以沿着其定位或位于其上的任何表面。例如,道路150可以是具有标记的或未标记的车道152和侧部154的郊区道路或城市街道。道路150还可以是限制进入的高速公路,具有用于行驶的车道152以及侧部154。更进一步地,道路150可以是停车场或停车结构,其具有车辆105可以沿着其行驶的车道152(在这种情况下,是两排停放汽车之间的车道)和第二车辆160在其中静止的侧部154(两排停放汽车)。
第二车辆160可以是陆地车辆,诸如汽车、卡车、摩托车、工程车辆等,并且可以包括与上述车辆105类似的***和子***,但是出于区别于主车辆或自我意识车辆105的目的,被分配了单独的附图标记。
第二车辆160可以是静止的。如上所述,在一些情况下,例如当第二车辆160被停放时,第二车辆160可以是静止的并且位于车辆105沿着其行驶的道路150的侧部154中。在其他情况下,诸如当第二车辆160在交通信号灯或停车标志处停止、并排停放或被禁用等时,第二车辆160可以是静止的并且在道路150的行车道152中。
可以根据第二车辆160的一个或多个工况来对其进行分类。对于静止的第二车辆160,工况的非限制性列表包括:(1)用户进入车辆(上车)、(2)用户离开车辆(下车)、(3)开门、(4)关门、(5)车辆运行(发动机或马达运行)、(6)车辆开启(钥匙开启或其他车辆起动事件)、(7)车辆关闭、(8)用户激活驻车制动器、(9)车辆中播放音乐、(10)车辆被占用、(11)车辆未被占用、(12)车辆不活动。第二车辆160可以显示基于工况而变化的瞬时速度。除了基于工况的变化之外,瞬时速度还可以依据第二车辆160上测量瞬时速度的测量目标而变化。如本文中所使用的,测量目标是第二车辆160上用于测量瞬时速度的传感器112所指向的以收集瞬时速度数据的区域。测量目标的非限制性示例包括第二车身上的区域,诸如靠近前牌照、靠近后牌照、在第二车辆发动机罩的中心点处等;以及从外部可见的车辆部件116,诸如后视镜、保险杠、车门上的中心点、排气尾管、***、前格栅、舱口、挡风玻璃、后窗、尾翼、分流器、前翼、气坝、轮胎偏转器、扩散器等。例如,当第二车辆160正在运行时,第二车辆160的排气尾管的瞬时速度可以与第二车辆160的车身的瞬时速度不同。
可以基于瞬时速度来选择用于表征第二车辆160的不同工况的测量目标。例如,可以基于与第二车辆160内的振动源的接近度来选择测量目标。例如,第二车辆160的前格栅由于其靠近车辆发动机而可以被选择为测量目标。另外或替代地,可以基于经验研究来选择测量目标。例如,测量值可以指示排气管的瞬时速度与正在运行的发动机强烈相关,或者车门的瞬时速度与正在播放音乐强烈相关。
可以例如通过FMCW激光雷达112f来测量和记录第二车辆160的不同测量目标在不同工况下的瞬时速度。可以在受控(例如,实验室)条件下获得瞬时速度特征(transientvelocity signature)库,其中将不同的第二车辆测量目标的特征瞬时速度作为样本存储在例如服务器132中。瞬时速度特征可以用于以机器学习模式训练计算机(诸如计算机110)。由于FMCW技术测量径向瞬时速度而不是垂直于地面的瞬时速度的事实,因此机器学习模型可能接收其他输入,诸如激光雷达激光雷达测量值的矢量方向。例如,车辆可能正在靠近车辆。瞬时速度数据、车辆上的测量空间的位置以及径向速度矢量分量可以用作机器学习模型的输入。瞬时速度数据可以直接传递或者在某个预处理步骤(诸如快速傅立叶变换(FFT))之后传递。
所存储的样本可以被组织为例如表,所述表识别与针对车辆类型的目标位置和工况相关联的瞬时速度特征(即,测量目标随时间变化的瞬时速度的记录)。如本文中所用的,“车辆类型”意味着具有共同特征的车辆类别的分类。例如,运动型多功能车辆(SUV)可以是车辆类型。作为另一个示例,SUV的指定型号可以是车辆类型。下表1是表的一部分的示例,所述表识别具有针对车辆类型的测量目标和工况的瞬态数据特征。示例性瞬时速度特征可以是瞬时速度测量值曲线,如下图5至图8所示。
表1
除工况之外的条件也可能会影响从第二车辆160收集的瞬时速度数据。例如,第一(主或自我意识)车辆105上用于收集瞬时速度数据的传感器112的移动可以叠加在从第二车辆收集的瞬时速度数据上,从其中过滤或减去,以调整第二车辆瞬时速度数据以考虑第一车辆传感器112的移动。此外,天气状况(例如风)可能引起第二车辆160的附加移动,所述附加移动可能掩盖了工况。如下所述,为了补偿传感器112的移动,计算机110可以基于参考数据进行调整,例如,计算机110可以从非移动物体收集瞬时速度数据。替代地或另外,为了补偿天气状况的影响,计算机110可以从第一车辆105的环境中的其他第二车辆160收集瞬时速度数据。
计算机110可以基本上连续地、周期性地和/或当由服务器132指示时等从传感器112接收并分析数据。此外,可以基于激光雷达传感器112、FMCW激光雷达112f、相机传感器112、飞行时间(TOF)相机112t等的数据在例如计算机110中使用常规分类或识别技术以识别物体的类型(例如,车辆、人、岩石、坑洞、自行车、摩托车等)以及物体的物理特征和物体的工况。
计算机110还可被编程为基于输入瞬时速度数据来确定静止的第二车辆160的工况或可能工况。计算机110可以从静止的第二车辆160收集瞬时速度数据。在一个示例中,计算机110然后可以使瞬时速度数据通过快速傅立叶变换(FFT),以将速度历史转换为频域,并且将频域瞬时速度数据输入到训练后的卷积神经网络(CNN)。卷积神经网络(CNN)可以被训练为通过处理车辆上的不同位置处针对已知工况的多个瞬时速度特征来执行工况处理。例如,计算机110可以使来自每个测量目标的数据通过FFT的单独通道,并且将来自测量目标中的每一者的频域数据输入到CNN。已知的工况是多个瞬时速度特征的地面实况。地面实况可以进一步特定于车辆类型。计算机110可以从静止的第二车辆160收集瞬时速度数据并且将其输入到卷积神经网络。所述数据可以包括测量值的测量目标,并且还可包括第二车辆160的类型。神经网络可以基于来自静止的第二车辆160的瞬时速度数据来确定第二车辆160的可能工况。
图2是示例性卷积神经网络(CNN)200的图式。CNN 200是可以在诸如计算机110的计算装置上实施的软件程序,所述CNN可以被训练为在输入202处输入第二车辆160的瞬时速度数据并且作为响应而在输出204处输出工况。CNN 200包括多个卷积层,所述多个卷积层从第二车辆160的瞬时速度数据中提取隐藏特征,所述隐藏特征被传递到将所述隐藏特征变换为输出204处的工况的多个完全连接层。CNN 200可以被训练为通过处理静止车辆的多个瞬时速度数据来执行工况处理以确定相应车辆的每个瞬时速度曲线图的工况。所确定的工况被定义为“地面实况”,因为它是独立于CNN 200而确定的。通过在输入202处输入瞬时速度数据并且向后传播结果以与地面实况进行比较以确定损失函数来训练CNN 200。训练CNN 200包括确定卷积层和完全连接层的使损失函数最小化的参数。在训练后,CNN200可以在输入202处输入第二辆车160的瞬时速度数据,并且在输出204处输出可能工况。
作为另一个示例,计算机110可以将瞬时速度数据输入到递归神经网络(RNN)。递归神经网络(RNN)是基于图形的一类神经网络并且可以表现出时间动态行为。可以通过类似于上述CNN的训练的方式来训练RNN。训练后的RNN可以基于瞬时速度数据来确定第二车辆160的工况。
图3A和图3B是用于基于瞬时速度根据可能工况对第二车辆160进行分类的示例性过程300的图式。沿着路线行驶的车辆105上的传感器112从靠近所述路线的第二车辆160收集瞬时速度数据。在这种背景下,靠近路线可以被定义为在路线上或在路线的固定距离内。基于所收集的瞬时速度数据,车辆105上的计算机110将工况分配给第二车辆160。基于所分配的工况,计算机110还可预测第二车辆160的未来轨迹或更新所述预测。基于第二车辆160的所预测的未来轨迹,计算机110还可修正路线或沿着车辆105的路线的行驶路径,以降低第二车辆160的轨迹将会干扰车辆105的轨迹的可能性。
过程300在框302中开始。
在框302中,车辆105中的计算机110检测指示第一车辆105行程开始的事件或数据。例如,计算机110可以在车辆105中的通信网络上检测指示车辆105已经开始或即将开始的数据。作为非限制性示例,所述数据或事件可以是来自用户起动车辆的输入,诸如钥匙开启事件或起动按钮的激活。所述数据或事件还可以是从另一台计算机接收的用于起动车辆的命令。更进一步地,所述数据或事件可以是指示计算机110开始执行预先编程到计算机中的行程的数据。更进一步地,所述数据可以是指示计划行程的开始时间的当日时间数据。在检测到第一车辆105的行程开始时,过程300在框304中继续。
在框304中,计算机110从第一车辆105的环境收集数据。所述环境数据包括靠近第一车辆的物体的数据,并且还包括靠近第一车辆105的路线的物体的数据。在这种背景下,靠近第一车辆105意味着在包括在第一车辆105内或上的传感器112检测到的范围内。如上所述,在这种背景下,靠近第一车辆105的路线可以被定义为在路线上或在路线的固定距离内。通常由计算机110基于当前位置、目标目的地以及来自用户或其他计算机的其他输入(诸如优选道路、时间表等)来确定路线。
除了收集关于第一车辆105的环境中的物体的数据之外,计算机110还可以收集其他环境数据,诸如天气数据、时间和日历数据、照度水平等。一些数据可以从服务器132或另一台计算机收集。可以从车辆105内或车辆上的传感器112收集其他数据。过程300在框306中继续。
在框306中,计算机110确定是否存在靠近第一车辆105和/或靠近车辆105的路线的第二车辆160,并且还可确定第二车辆160的位置和定向。如本文中所使用的,车辆的定向是车辆面向的方向,即,车辆的纵向轴线的指南针方向。计算机110可以使用已知的物体识别算法来确定环境中的物体是第二车辆160。在第二车辆160处于第一车辆105的环境中的情况下,过程300在框308中继续。否则,过程300在框330中继续。
在框308中,计算机110确定第二车辆160是否静止。例如,计算机110可以在一个或多个时间收集数据,并且确定第二车辆160在两个时间之间没有移动。作为另一个示例,计算机110可以基于径向速度数据来确定第二车辆160是静止的。例如,计算机110可以从雷达传感器112收集数据。基于第一车辆105与第二车辆160之间的径向相对速度差并且在某个噪声阈值内,计算机110可以确定第二车辆160是静止的。作为又一个示例,计算机110可以基于FMCW激光雷达112f平均数据来确定第二车辆160是静止的。
计算机110还可考虑其他数据来确定第二车辆160是否由于诸如停车标志或交通信号的交通标志而静止。例如,在第二车辆160在具有交通信号灯的十字路口附近的情况下,计算机110可以在交通信号灯为绿色(沿第二车辆面向的方向)时从第二车辆160收集数据,以确定第二车辆160没有由于红色交通信号灯而停止。静止的第二车辆160,尽管是静止的,但是基于诸如位置(例如,位于行车道中)等因素而看起来加入交通流和/或由于交通信号灯的状态(例如,在红灯处等待)、交通状态(例如,交通拥堵)等原因而看起来是静止的,可以被分类为“活动的”,因此更加可能加入交通流。
在车辆计算机110确定第二车辆160静止的情况下,过程300在框310中继续。否则,过程300在框330中继续。
在框310中,计算机110确定第二车辆160的类型。计算机110可以应用已知的图像识别算法来确定例如第二车辆160的品牌和型号和/或车辆是否例如是运动型多功能车辆(SUV)、皮卡车、轿车、厢式货车等。更进一步地,计算机110可以应用图像识别算法来确定第二车辆160面向哪个方向以及传感器112可以检测到第二车辆160的哪一侧。例如,计算机110可以确定第二车辆160正背对第一车辆105,使得传感器112可以检测第二车辆160的后端。计算机110还可确定第二车辆160在道路150的侧部154上,使得传感器112可以检测到第二辆车160的驾驶员侧(从坐在第二车辆160中并且面向前方的乘员的角度来看是左侧)。过程300在框312中继续。
在框312中,计算机110识别用于测量第二车辆160的瞬时速度数据的测量目标。针对测量目标可以收集和存储表示静止车辆160在变化工况下的瞬时速度数据。例如,对于第二类型的车辆160,瞬时速度特征可以用于后保险杠左侧、中心和右侧的位置、排气管、车牌附近或车牌上的区域、后窗(舱口)中心的位置、侧视镜上的位置等。计算机110可以基于第二车辆160相对于第一车辆105的传感器112的定向从可用目标选择测量目标。过程300在框314中继续。
在框314中,计算机110从第二车辆160上的选定测量目标收集瞬时速度数据。计算机110可以被编程为引导诸如FMCW激光雷达112f或飞行时间(TOF)相机112t的传感器112从测量目标收集数据。传感器112可以在一个或多个时间从测量目标收集瞬时速度数据。计算机110可以从传感器112收集(接收)瞬时速度数据并将瞬时速度数据存储在存储器中。过程300在框316中继续。
在框316中,计算机110收集地面参考数据。由于第一车辆105的移动、天气状况、路况等,第一车辆105上的传感器112可以显示包括瞬时速度分量的振荡或脉冲类移动。例如,第一车辆105的车身可能在行驶期间振动。第一车辆105的车身的振动可以向传感器112施加具有瞬时速度分量的振荡。传感器112的瞬时速度可以叠加在由第二车辆160上的传感器112执行的瞬时速度测量上。为了估计传感器112的移动对来自第二车辆160的瞬时速度数据的影响,计算机110可以收集地面参考数据。地面参考数据是第二车辆160停靠在其上的表面和/或连接到第二车辆160停靠在其上的表面的非移动物体的瞬时速度数据。例如,计算机110可以测量第二车辆160的后轮附近的位置处的道路150的一部分的瞬时速度数据。作为另一个示例,计算机110可以测量第二车辆160附近的道路150的一侧的路沿的瞬时速度数据。在这种背景下,在第二车辆160附近意味着在第二车辆160的固定距离内,例如在一米以内。
如下所述,地面参考数据可以用于补偿收集数据的传感器112的瞬时速度。过程300在框318中继续。
在框318中,计算机110从在第一车辆105的环境中可用的其他第二车辆160收集其他第二车辆160参考数据。其他第二车辆160参考数据是来自其他第二车辆160的瞬时速度数据。来自其他第二车辆160的瞬时速度数据可以用于识别通常应用于车辆105和第二车辆160的工况,诸如天气状况。类似于对第二车辆160执行的测量,计算机110可以识别相应的其他第二车辆160上的一个或多个测量目标,并且引导传感器112从测量目标收集瞬时速度数据。
来自其他第二车辆160的瞬时速度数据可以用于补偿在环境中的多个第二车辆160中引起瞬时速度的环境因素,并且还可以在第一车辆105中引起瞬时速度。例如,风可能在环境中的第一车辆105和第二车辆160中引起瞬时速度。作为另一个示例,行驶通过所述区域的重型卡车可能在环境中的第一车辆105和第二车辆160中引起瞬时速度。过程300在框320中继续。
在框320中,计算机110收集可能影响瞬时速度数据的天气数据。该数据可能已经从参考框304所述收集的环境数据获得。天气数据可以包括可能影响瞬时速度数据或瞬时速度数据的收集的风和降水数据。过程300在框322中继续。
在框322中,计算机110基于地面参考数据、其他车辆参考数据和/或天气数据来补偿或过滤来自第二车辆160上的测量目标的瞬时速度数据。
关于地面参考数据,计算机110可以识别由于安装在第一车辆105上而在传感器112引起的瞬时速度,所述瞬时速度可以叠加在第二车辆160的瞬时速度数据上。在一个示例中,计算机110可以从第二车辆瞬时速度数据中减去地面参考瞬时速度数据。此外,可以收集多个地面点以计算空间中每个点的相对于所收集数据的径向速度方向的特定瞬时速度。在另一个示例中,计算机110可以识别地面参考数据中的频率范围。然后,计算机110可以过滤第二车辆参考数据以去除或减少在地面参考数据中识别的频率范围内的信号。所述示例不意图进行限制。可以使用其他方法基于地面参考数据来补偿第二车辆瞬时速度数据。
关于其他第二车辆参考数据,计算机110可以识别包括在第二车辆160中的其他第二车辆160的瞬时速度。作为一个示例,计算机110可以从第二车辆160瞬时速度数据中减去其他第二车辆160瞬时速度数据。作为另一个示例,计算机110可以识别其他第二车辆160瞬时速度数据中的频率范围,并且过滤第二车辆160瞬时速度数据以去除或减少所述频率范围中的信号。所述示例不意图进行限制。可以使用其他方法基于其他第二车辆瞬时速度数据来补偿第二车辆瞬时速度数据。
关于天气数据,计算机110可以例如估计天气对第二车辆160瞬时速度数据的影响,并且针对所估计的影响调整数据。例如,计算机110或服务器132可以维护数据库,所述数据库指示由于风从相对于车辆的方向撞击车辆(即,风垂直于侧面、与侧面成一定角度、垂直于正面、与正面成一定角度等撞击车辆)而引起的一种车辆的预期瞬时速度。作为简化示例,对于一种车辆,所述表可以包括风向、风速和瞬时速度以及瞬时速度信号的频率。作为一个示例,表2可以是车辆类型的数据库的一部分。
表2
基于数据库,计算机110可以针对车辆的类型(如在框310中确定的)估计天气状况对第二车辆160的影响,并且可以通过从瞬时速度数据中减去所估计的影响或过滤所述数据以去除或减少由数据库指示的频率范围内的信号分量来调整所述数据。
可以使用其他方法基于地面参考数据、其他第二车辆160参考数据和天气数据来调整第二车辆160的瞬时速度数据。例如,递归神经网络(RNN)或其他基于图形的神经网络可以被训练为接收第二车辆160瞬时速度数据、地面参考数据、第二车辆160参考数据和天气参考数据,并且基于这些因素来输出第二车辆160瞬时速度数据,其中这些因素被去除或基本被去除。过程300在框324中继续。
在框324中,计算机110确定第二车辆160的工况。如上所述,计算机110可以将瞬时速度数据输入到诸如卷积神经网络(CNN)200的神经网络的输入或者输入到递归神经网络(RNN),并且在输出204处接收第二车辆160的工况。在一些情况下,计算机110可以在将瞬时速度数据输入到神经网络之前对所述数据进行预处理。例如,计算机110可以对瞬时速度数据执行快速傅立叶变换,并且将变换后数据(FFT的输出)输入到神经网络。计算机110可以根据神经网络输出来确定第二车辆160的工况。计算机110还可基于来自神经网络的输出而选择或修改选定测量目标以用于将来的测量。过程300在框326中继续。
在框326中,计算机110基于所确定的工况来确定第二车辆160的预期轨迹。例如,在测量和评估瞬时速度数据之前,计算机110可以基于第二车辆160在道路150的侧部154上的位置来估计第二车辆160将保持静止。计算机110可以基于瞬时速度数据来确定第二车辆160的工况是“发动机运行”。然后,计算机110可以更新预期轨迹以包括例如第二车辆160将在第一车辆105经过第二车辆160之前进入行车道152的百分比可能性或第二车辆160将移动并干扰第一车辆105的自动停车操纵的百分比可能性。
除了基于所确定的工况来更新第二车辆160的预期轨迹之外,计算机110还可更新或生成第二车辆的车门或第二车辆160的用户的预期轨迹。例如,在第二车辆160的所确定的工况是“开门”的情况下,计算机110可以更新或生成第二车辆160的用户的预期轨迹以包括车辆的车门打开进入行车道或者在第一车辆105经过第二车辆160之前第二车辆160的用户将进入行车道的可能性。过程300在框328中继续。
在框328中,计算机110可以基于第二车辆160的更新后预期轨迹(或者基于第二车辆160的用户的预期轨迹)来改变第一车辆105的行驶路径。例如,在计算机110确定在第一车辆105经过第二车辆160之前第二车辆160进入行车道152的可能性从0.5%增加到30%的情况下,计算机110可以将第一车辆105的行驶路径更改为朝向行车道152的远离第二车辆160的一侧移动,或者保持行驶路径并减速以便在第二车辆160进入行车道的情况下能够更好地停车。在其中第二车辆160(或第二车辆的用户)进入行车道152的概率保持不变或减小的其他情况下,计算机110可以使第一车辆105的行驶路径和速度保持不变。过程300在框330中继续。
在框330中,计算机110确定行程结束事件是否已经发生。行程结束事件是车辆105正在结束或已结束行程的事件,诸如在车辆数据总线上接收到电信号或消息。计算机110可以例如基于车辆网络上的消息、基于来自服务器132的消息、基于指示车辆105正在发生断电的电信号等来确定已经发生了行程结束事件。在检测到行程结束事件的情况下,过程300结束。否则,过程300在框304中继续。
如图4所示,对示例性车辆400上进行了瞬时速度的样本测量。测量是通过指向第一测量目标402、第二测量目标404、第三测量目标406、第四测量目标408、第五测量目标410、第六测量目标412、第七测量目标414和第八测量目标416的激光多普勒测振仪执行的,并且指示可以测量的瞬时速度特征数据。在该示例中,根据表3布置测量目标。
表3
在以下工况中的每一者下在测量目标402、404、406、408、410、412、414、416中的每一者处测量车辆400:驾驶员门关闭、驾驶员下车、驾驶员上车、钥匙起动、播放音乐、驻车制动器拉起(parking brake set)、车辆关闭、车辆运行。每次测量均收集样本瞬时速度曲线。
图5至图8示出了车辆400在如表4中所描述的不同工况下的示例性瞬时速度曲线。每个曲线示出了针对工况的测量目标的瞬时速度(以米/秒表示)。
图号 | 图形 | 曲线 | 测量目标 | 工况 |
5 | 500 | 502 | 舱口 | 驾驶员上车 |
6 | 600 | 602 | 舱口 | 驾驶员门关闭 |
7 | 700 | 702 | 排气管 | 车辆运行 |
8 | 800 | 802 | 排气管 | 播放音乐 |
表4
如本文所使用,副词“基本上”意指形状、结构、测量结果、数量、时间等因为材料、机加工、制造、数据传输、计算速度等的缺陷而可能偏离精确描述的几何形状、距离、测量结果、数量、时间等。
如本文所用,术语“基于”是指全部或部分地基于。
一般地,所描述的计算***和/或装置可采用多个计算机操作***中的任一者,包括但绝不限于以下版本和/或变型:Ford应用、AppLink/Smart Device Link中间件、Microsoft操作***、Microsoft操作***、Unix操作***(例如,由加州红杉海岸的Oracle公司发布的操作***)、由纽约阿蒙克市的International Business Machines公司发布的AIX UNIX操作***、Linux操作***、由加州库比蒂诺的苹果公司发布的Mac OSX和iOS操作***、由加拿大滑铁卢的黑莓有限公司发布的BlackBerry OS以及由谷歌公司和开放手机联盟开发的Android操作***、或由QNXSoftware Systems供应的CAR信息娱乐平台。计算装置的示例包括但不限于:车载式车辆计算机、计算机工作站、服务器、台式计算机、笔记本计算机、膝上型计算机或手持式计算机或某一其他计算***和/或装置。
计算机和计算装置一般包括计算机可执行指令,其中所述指令可由一个或多个计算装置(诸如以上列出的那些)执行。计算机可执行指令可由使用各种编程语言和/或技术创建的计算机程序编译或解译,所述编程语言和/或技术包括但不限于单独或组合的JavaTM、C、C++、Matlab、Intercal、Simulink、Stateflow、Visual Basic、Java Script、Perl、HTML、Python等。这些应用程序中的一些可在虚拟机(诸如Java虚拟机、Dalvik虚拟机等)上编译和执行。一般地,处理器(例如,微处理器)例如从存储器、计算机可读介质等接收指令,并且执行这些指令,由此执行一个或多个过程,包括本文所述的过程中的一者或多者。此类指令和其他数据可以使用各种计算机可读介质来存储和传输。计算装置中的文件通常是存储在计算机可读介质(诸如存储介质、随机存取存储器等)上的数据的集合。
存储器可以包括计算机可读介质(也称为处理器可读介质),所述计算机可读介质包括参与提供可由计算机(例如,由计算机的处理器)读取的数据(例如,指令)的任何非暂时性(例如,有形)介质。此类介质可采用许多形式,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性存储器。易失性介质可以包括例如通常构成主存储器的动态随机存取存储器(DRAM)。此类指令可以由一种或多种传输介质传输,所述传输介质包括同轴电缆、铜线和光纤,包括构成联接到ECU的处理器的***总线的电线。常见形式的计算机可读介质包括(例如)软磁盘、软盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD、任何其他光学介质、穿孔卡、纸带、带有孔图案的任何其他物理介质、RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒式磁带或者计算机可以从其中读取的任何其他介质。CD-ROM和DVD是一次写入/多次读取(WORM)装置的示例。
数据库、数据存储库或本文所述的其他数据存储装置可以包括用于存储、访问和检索各种数据的各种机构,包括分层数据库、文件***中的文件集、呈专用格式的应用数据库、关系型数据库管理***(RDBMS)等。每个此类数据存储装置大体包括在采用诸如以上所提及的那些操作***中的一个操作***的计算机操作***的计算装置内,并且经由网络以各种方式中的任一种或多种来访问。文件***可从计算机操作***访问,并且可包括以各种格式存储的文件。RDBMS除了用于创建、存储、编辑和执行已存储的程序的语言(诸如上述PL/SQL语言)之外还通常采用结构化查询语言(SQL)。
在一些示例中,***元件可以被实施为一个或多个计算装置(例如,服务器、个人计算机等)上、存储在与计算装置相关联的计算机可读介质(例如,磁盘、存储器等)上的计算机可读指令(例如,软件)。计算机程序产品可包括存储在计算机可读介质上以用于执行本文所述的功能的此类指令。
关于本文所述的介质、过程、***、方法、启发等,应理解,虽然此类过程等的步骤已被描述为根据某一有序的顺序发生,但是可通过以与本文所述的次序不同的次序执行所述步骤来实践此类过程。还应理解,可同时执行某些步骤,可添加其他步骤,或者可省略本文所述的某些步骤。换句话说,本文对过程的描述是出于说明某些实施例的目的而提供,而决不应将其理解为对权利要求进行限制。
因此,应理解,以上描述旨在是说明性的而非限制性的。在阅读以上描述时,除了所提供的示例之外的许多实施例和应用对于本领域的技术人员将是明显的。不应参考以上描述来确定本发明的范围,而应参考所附权利要求连同此类权利要求所享有的等效物的全部范围来确定本发明的范围。预期并期望本文所论述的技术未来将有所发展,并且所公开的***和方法将并入此类未来实施例中。总之,当应理解,本发明能够进行修改和变化,并且仅受所附权利要求的限制。
除非本文作出相反的明确指示,否则权利要求中使用的所有术语意在给出如本领域技术人员所理解的普通和通常的含义。具体地,除非权利要求叙述相反的明确限制,否则使用诸如“一个”、“该”、“所述”等单数冠词应被解读为叙述所指示的要素中的一者或多者。
根据本发明,提供了一种***,所述***具有:计算机,所述计算机包括处理器和存储器,所述存储器包括指令,使得所述处理器被编程为基于来自包括在第一车辆中的第一传感器的数据来识别靠近所述第一车辆的路线的第二车辆是静止的并且位于停车位置中;从包括在所述第一车辆中的第二传感器接收来自所述第二车辆的瞬时速度数据;以及基于所述瞬时速度数据来确定所述第二车辆的工况。
根据一个实施例,所述处理器还被编程为基于所述确定工况来预测所述第二车辆的轨迹。
根据一个实施例,所述处理器还被编程为基于所述第二车辆的所述预测轨迹来调整所述第一车辆的行驶路径。
根据一个实施例,所述处理器还被编程为基于所述确定工况来预测所述第二车辆的用户将离开所述第二车辆;并且基于所述用户将离开所述第二车辆的所述预测来调整所述第一车辆的所述行驶路径。
根据一个实施例,所述处理器还被编程为从所述第二传感器接收来自支撑所述第二车辆的表面的瞬时速度数据;并且部分地基于来自支撑所述第二车辆的所述表面的所述瞬时速度数据来确定所述工况。
根据一个实施例,所述处理器还被编程为从所述第二传感器接收来自靠近所述第一车辆的第三车辆的瞬时速度数据;并且部分地基于来自靠近所述第一车辆的所述第三车辆的所述瞬时速度数据来确定所述工况。
根据一个实施例,所述处理器还被编程为接收天气数据;并且部分地基于所述天气数据来确定所述工况。
根据一个实施例,所述处理器还被编程为选择所述第二车辆上的测量目标;并且引导所述第二传感器从所述测量目标收集所述瞬时速度数据。
根据一个实施例,所述处理器还被编程为将所述瞬时速度数据输入到训练后的卷积神经网络,所述训练后的卷积神经网络确定所述工况;并且从所述训练后的卷积神经网络接收所述工况。
根据一个实施例,使用多个瞬时速度数据来训练所述卷积神经网络,所述瞬时速度数据包括表示处于多个受控工况中的每一者中的不活动车辆的瞬时速度数据,出于训练所述卷积神经网络的目的,所述受控工况分别对应于地面实况。
根据本发明,一种方法包括:由计算机基于来自包括在第一车辆中的第一传感器的数据来识别靠近所述第一车辆的路线的第二车辆是静止的并且位于停车位置中;从包括在所述第一车辆中的第二传感器接收来自所述第二车辆的瞬时速度数据;以及基于所述瞬时速度数据来确定所述第二车辆的工况。
根据一个实施例,上述发明的特征还在于,基于所述确定工况来预测所述第二车辆的轨迹。
根据一个实施例,上述发明的特征还在于,基于所述第二车辆的所述预测轨迹来调整所述第一车辆的所述行驶路径。
根据一个实施例,上述发明的特征还在于,基于所述确定工况来预测所述第二车辆的用户将离开所述第二车辆;并且基于所述用户将离开所述第二车辆的所述预测来调整所述第一车辆的所述行驶路径。
根据一个实施例,上述发明的特征还在于,从所述第二传感器接收来自支撑所述第二车辆的表面的瞬时速度数据;并且部分地基于来自支撑所述第二车辆的所述表面的所述瞬时速度数据来确定所述工况。
根据一个实施例,上述发明的特征还在于,从所述第二传感器接收来自靠近所述第一车辆的第三车辆的瞬时速度数据;并且部分地基于来自靠近所述第一车辆的所述第三车辆的所述瞬时速度数据来确定所述工况。
根据一个实施例,上述发明的特征还在于,接收天气数据;并且部分地基于所述天气数据来确定所述工况。
根据一个实施例,上述发明的特征还在于,选择所述第二车辆上的测量目标;并且引导所述第二传感器从所述测量目标收集所述瞬时速度数据。
根据一个实施例,上述发明的特征还在于,将所述瞬时速度数据输入到训练后的卷积神经网络,所述训练后的卷积神经网络确定所述工况;并且从所述训练后的卷积神经网络接收所述工况。
根据一个实施例,使用多个瞬时速度数据来训练所述卷积神经网络,所述瞬时速度数据包括表示处于多个受控工况中的每一者中的不活动车辆的瞬时速度数据,出于训练所述卷积神经网络的目的,所述受控工况分别对应于地面实况。
Claims (13)
1.一种方法,其包括:
由计算机基于来自包括在第一车辆中的第一传感器的数据来识别靠近所述第一车辆的路线的第二车辆是静止的并且位于停车位置中;
从包括在所述第一车辆中的第二传感器接收来自所述第二车辆的瞬时速度数据;以及
基于所述瞬时速度数据来确定所述第二车辆的工况。
2.如权利要求1所述的方法,其还包括:
基于所述确定工况来预测所述第二车辆的轨迹。
3.如权利要求2所述的方法,其还包括:
基于所述第二车辆的所述预测轨迹来调整所述第一车辆的行驶路径。
4.如权利要求1所述的方法,其还包括:
基于所述确定工况来预测所述第二车辆的用户将离开所述第二车辆;以及
基于所述用户将离开所述第二车辆的所述预测来调整所述第一车辆的所述行驶路径。
5.如权利要求1所述的方法,其还包括:
从所述第二传感器接收来自支撑所述第二车辆的表面的瞬时速度数据;以及
部分地基于来自支撑所述第二车辆的所述表面的所述瞬时速度数据来确定所述工况。
6.如权利要求1所述的方法,其还包括:
从所述第二传感器接收来自靠近所述第一车辆的第三车辆的瞬时速度数据;以及
部分地基于来自靠近所述第一车辆的所述第三车辆的所述瞬时速度数据来确定所述工况。
7.如权利要求1所述的方法,其还包括:
接收天气数据;以及
部分地基于所述天气数据来确定所述工况。
8.如权利要求1所述的方法,其还包括:
选择所述第二车辆上的测量目标;以及
引导所述第二传感器从所述测量目标收集所述瞬时速度数据。
9.如权利要求1所述的方法,其还包括:
将所述瞬时速度数据输入到训练后的卷积神经网络,所述训练后的卷积神经网络确定所述工况;以及
从所述训练后的卷积神经网络接收所述工况。
10.如权利要求9所述的方法,其中使用多个瞬时速度数据来训练所述卷积神经网络,所述瞬时速度数据包括表示处于多个受控工况中的每一者中的不活动车辆的瞬时速度数据,出于训练所述卷积神经网络的目的,所述受控工况分别对应于地面实况。
11.一种计算机,其被编程为执行如权利要求1-10中任一项所述的方法。
12.一种车辆,其包括计算机,所述计算机被编程为执行如权利要求1-10中任一项所述的方法。
13.一种计算机程序产品,其包括计算机可读介质,所述计算机可读介质存储能够由计算机处理器执行以执行如权利要求1-10中任一项所述的方法的指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/521,836 US11235768B2 (en) | 2019-07-25 | 2019-07-25 | Detection of vehicle operating conditions |
US16/521,836 | 2019-07-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112285740A true CN112285740A (zh) | 2021-01-29 |
Family
ID=74098672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010721765.XA Pending CN112285740A (zh) | 2019-07-25 | 2020-07-24 | 车辆工况检测 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11235768B2 (zh) |
CN (1) | CN112285740A (zh) |
DE (1) | DE102020119541A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7116355B2 (ja) * | 2017-09-28 | 2022-08-10 | トヨタ自動車株式会社 | 運転支援装置 |
DE102020208716A1 (de) * | 2020-07-13 | 2022-01-13 | Ford Global Technologies, Llc | Kraftwagen und Verfahren zum Anzeigen einer Parkdauer und/oder eines Parkbeginns eines Kraftwagens |
US20220024495A1 (en) * | 2020-07-24 | 2022-01-27 | Autobrains Technologies Ltd | Open door predictor |
FR3113145B1 (fr) * | 2020-07-31 | 2022-09-30 | Idemia Identity & Security France | Procédé de contrôle de véhicule par plusieurs capteurs |
US11709247B2 (en) * | 2020-09-22 | 2023-07-25 | Ay Dee Kay Llc | Fast chirp synthesis via segmented frequency shifting |
US11841439B2 (en) | 2020-11-02 | 2023-12-12 | Waymo Llc | Point cloud segmentation using a coherent lidar for autonomous vehicle applications |
JP7447039B2 (ja) * | 2021-03-10 | 2024-03-11 | 矢崎総業株式会社 | 車両用表示装置 |
US20230162597A1 (en) * | 2021-11-19 | 2023-05-25 | Qualcomm Incorporated | Managing Vehicle Behavior Based On Predicted Behavior Of Other Vehicles |
US11628863B1 (en) * | 2022-03-30 | 2023-04-18 | Plusai, Inc. | Methods and apparatus for estimating and compensating for wind disturbance force at a tractor trailer of an autonomous vehicle |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008038615A1 (de) | 2007-09-18 | 2009-03-19 | Continental Teves Ag & Co. Ohg | Sensoreinrichtung und Verfahren zum Erfassen der Bewegung eines Fahrzeugs |
US9877114B2 (en) | 2015-04-13 | 2018-01-23 | DSCG Solutions, Inc. | Audio detection system and methods |
TWI570674B (zh) | 2015-12-17 | 2017-02-11 | 合盈光電科技股份有限公司 | 交通運輸工具之影像偵測系統 |
US10552691B2 (en) | 2017-04-25 | 2020-02-04 | TuSimple | System and method for vehicle position and velocity estimation based on camera and lidar data |
CN110709304B (zh) * | 2017-06-02 | 2023-01-06 | 本田技研工业株式会社 | 车辆控制***、车辆控制方法及存储介质 |
DE102018203426A1 (de) * | 2018-03-07 | 2019-09-12 | Audi Ag | Verfahren zum Betrieb eines Kraftfahrzeugs mit einem Autopilotsystem und Kraftfahrzeug |
US10691130B2 (en) * | 2018-06-06 | 2020-06-23 | Uatc, Llc | Gridlock solver for motion planning system of an autonomous vehicle |
US10475338B1 (en) * | 2018-09-27 | 2019-11-12 | Melodie Noel | Monitoring and reporting traffic information |
KR20200069841A (ko) * | 2018-12-07 | 2020-06-17 | 현대자동차주식회사 | 차량의 안전 하차 보조 장치, 그를 포함한 시스템 및 그 방법 |
US10991244B2 (en) * | 2018-12-28 | 2021-04-27 | Beijing Voyager Technology Co., Ltd. | On-board vehicle stop cause determination system |
-
2019
- 2019-07-25 US US16/521,836 patent/US11235768B2/en active Active
-
2020
- 2020-07-23 DE DE102020119541.9A patent/DE102020119541A1/de active Pending
- 2020-07-24 CN CN202010721765.XA patent/CN112285740A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US11235768B2 (en) | 2022-02-01 |
US20210024069A1 (en) | 2021-01-28 |
DE102020119541A1 (de) | 2021-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11235768B2 (en) | Detection of vehicle operating conditions | |
CN110155046B (zh) | 自动紧急制动分级控制方法与*** | |
US10077050B2 (en) | Automated driving system for evaluating lane cut-out and method of using the same | |
US9487212B1 (en) | Method and system for controlling vehicle with automated driving system | |
US20210229657A1 (en) | Detection of vehicle operating conditions | |
US10891949B2 (en) | Vehicle language processing | |
US20220073070A1 (en) | Vehicle draft mode | |
CN107784852B (zh) | 用于车辆的电子控制装置及方法 | |
US12024207B2 (en) | Vehicle autonomous mode operating parameters | |
CN111547061A (zh) | 车辆道路摩擦控制 | |
US11845431B2 (en) | Enhanced vehicle operation | |
US11702044B2 (en) | Vehicle sensor cleaning and cooling | |
US11794787B2 (en) | Vehicle assist feature control | |
US11348343B1 (en) | Vehicle parking navigation | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
US11945456B2 (en) | Vehicle control for optimized operation | |
US20220306119A1 (en) | Location-based vehicle operation | |
US11572731B2 (en) | Vehicle window control | |
US20220398463A1 (en) | Ultrasonic system and method for reconfiguring a machine learning model used within a vehicle | |
US20220274592A1 (en) | Vehicle parking navigation | |
US20220178715A1 (en) | Vehicle path determination | |
US11639173B2 (en) | Vehicle planned path signal | |
US11897468B2 (en) | Vehicle control system | |
US20220080968A1 (en) | Adaptive cruise control | |
CN112519779A (zh) | 基于位置的车辆操作 |
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 |