CN112590779A - 增强的碰撞缓解 - Google Patents
增强的碰撞缓解 Download PDFInfo
- Publication number
- CN112590779A CN112590779A CN202011074229.1A CN202011074229A CN112590779A CN 112590779 A CN112590779 A CN 112590779A CN 202011074229 A CN202011074229 A CN 202011074229A CN 112590779 A CN112590779 A CN 112590779A
- Authority
- CN
- China
- Prior art keywords
- targets
- host vehicle
- target
- computer
- threshold
- 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
- 230000000116 mitigating effect Effects 0.000 title abstract description 9
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 57
- 230000001133 acceleration Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 16
- 238000012360 testing method Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101100058698 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) cln3 gene Proteins 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000007787 solid Substances 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- 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
-
- 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
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
-
- 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
-
- 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
- B60W2520/14—Yaw
-
- 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
- B60W2554/80—Spatial relation or speed relative to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了“增强的碰撞缓解”。一种计算机包括处理器和存储器,所述存储器存储指令,所述指令可由所述处理器执行以:基于在主车辆开始转弯时多个目标的相应运动来将所述目标中的每一个分配给一个类别,针对与所述类别相关联的每个目标确定距离阈值,并且对距离所述主车辆的相应距离低于距离阈值且相应碰撞时间低于时间阈值的所述多个目标中的每一个执行威胁评估。
Description
技术领域
本公开总体上涉及车辆防撞***。
背景技术
在十字路口可能会发生车辆碰撞。防撞***使用传感器来检测可能与十字路口中的主车辆碰撞的目标。所述***可检测目标对象的位置和速度以确定与主车辆发生碰撞的概率。实施碰撞缓解从计算上和/或架构上来说可能是困难且成本高昂的,例如,评估目标可能需要来自多个传感器的数据。
发明内容
一种计算机包括处理器和存储器,所述存储器存储指令,所述指令可由处理器执行以:基于在主车辆开始转弯时多个目标的相应运动来将所述目标中的每一个分配给一个类别,针对与所述类别相关联的每个目标确定距离阈值,并且对距离主车辆的相应距离低于与相应类别相关联的距离阈值的多个目标中的每一个执行威胁评估。
所述类别可为静止的、向左转(crossing left)、向右转、迎面而来和相同方向中的一者。
所述指令还可包括以下指令:对具有低于横向距离阈值的相应横向距离和低于纵向距离阈值的相应纵向距离的多个目标中的每一个执行威胁评估,所述横向距离阈值和所述纵向距离阈值是基于类别来确定。
所述指令还可包括以下指令:基于在主车辆开始转弯时主车辆的横摆率来对多个目标中的每一个进行分类。
所述指令还可包括以下指令:当所述目标中的一个的航向角在零度的第一阈值内时分配类别相同方向;当所述目标中的一个的航向角在180度的第二阈值内时,分配类别迎面而来;当所述目标中的一个的航向角在90度的第三阈值内时,分配类别向左转;以及当所述目标中的一个的航向角在270度的第四阈值内时,分配类别向右转。
所述指令还可包括以下指令:在识别要对其执行威胁评估的多个目标中的数量低于预定数量时,调整距离阈值以识别附加目标。
所述指令还可包括以下指令:在识别多个目标的数量高于预定数量时,选择距碰撞具有最短时间的预定数量的目标。
所述指令还可包括以下指令:在主车辆的一个或多个传感器未能收集关于目标的数据时,将目标从威胁评估考虑中移除。
所述指令还可包括以下指令:基于多个目标的相应横向速度和相应纵向速度来确定所述目标中的每一个的相应航向角;以及基于所述相应航向角来对所述多个目标中的每一个进行分类。
所述指令还可包括以下指令:确定多个目标中的每一个与主车辆的前保险杠的中心点之间的相应距离。
所述指令还可包括以下指令:当主车辆的横摆率超过横摆率阈值时,识别转弯的开始。
所述指令还可包括以下指令:当目标的速度超过第一阈值或者目标的速度低于第二阈值时,为目标中的一个分配新的类别。
所述指令还可包括以下指令:基于目标的当前航向角来为目标中的一个分配新的类别。
所述指令还可包括以下指令:基于威胁评估来致动主车辆的一个或多个部件。
威胁评估可为制动威胁数,并且所述指令还可包括根据制动威胁数来致动制动器以使主车辆减速的指令。
威胁评估可为加速威胁数,并且所述指令还可包括根据加速威胁数来致动推进装置以使主车辆加速的指令。
威胁评估可为转向威胁数,并且所述指令还可包括根据转向威胁数来致动转向马达以使主车辆转向的指令。
一种方法包括:基于主车辆开始转弯时多个目标的运动而将所述目标中的每一个分配给一个类别;针对与所述类别相关联的每个目标确定距离阈值;以及对距离主车辆的相应距离低于与相应类别相关联的距离阈值的多个目标中的每一个执行威胁评估。
所述方法还可包括对具有低于横向距离阈值的相应横向距离和低于纵向距离阈值的相应纵向距离的多个目标中的每一个执行威胁评估,所述横向距离阈值和所述纵向距离阈值是基于类别来确定。
所述方法还可包括基于在主车辆开始转弯时主车辆的横摆率来对多个目标中的每一个进行分类。
所述方法还可包括:当所述目标中的一个的航向角在零度的第一阈值内时分配类别相同方向;当所述目标中的一个的航向角在180度的第二阈值内时,分配类别迎面而来;当所述目标中的一个的航向角在90度的第三阈值内时,分配类别向左转;以及当所述目标中的一个的航向角在270度的第四阈值内时,分配类别向右转。
所述方法还可包括:在识别要对其执行威胁评估的多个目标的数量低于预定数量时,调整距离阈值以识别附加目标。
所述方法还可包括在识别多个目标的数量高于预定数量时,选择距碰撞具有最短时间的预定数量的目标。
所述方法还可包括:在主车辆的一个或多个传感器未能收集关于目标的数据时,将目标从威胁评估考虑中移除。
所述方法还可包括:基于多个目标的相应横向速度和相应纵向速度来确定所述目标中的每一个的相应航向角;以及基于相应航向角来对多个目标中的每一个进行分类。
所述方法还可包括:确定多个目标中的每一个与主车辆的前保险杠的中心点之间的相应距离。
所述方法还可包括:当主车辆的横摆率超过横摆率阈值时,识别转弯的开始。
所述方法还可包括:当目标的速度超过第一阈值或者目标的速度低于第二阈值时,为目标中的一个分配新的类别。
所述方法还可包括:基于目标的当前航向角来为目标中的一个分配新的类别。
所述方法还可包括:基于威胁评估来致动主车辆的一个或多个部件。
威胁评估可为制动威胁数,并且所述方法还可包括根据制动威胁数来致动制动器以使主车辆减速。
威胁评估可为加速威胁数,并且所述方法还可包括根据加速威胁数来致动推进装置以使主车辆加速。
威胁评估可为转向威胁数,并且所述方法还可包括根据转向威胁数来致动转向马达以使主车辆转向。
一种***包括:主车辆,其包括转向部件;用于致动转向部件以执行转弯的构件;用于基于开始转弯时多个目标的运动而将所述目标中的每一个分配给一个类别的构件;用于针对与所述类别相关联的每个目标确定距离阈值的构件;以及用于对距离主车辆的相应距离低于与相应类别相关联的距离阈值的多个目标中的每一个执行威胁评估的构件。
所述***还可包括用于基于在主车辆开始转弯时主车辆的横摆率来对多个目标中的每一个进行分类的构件。
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个。还公开了一种车辆,所述车辆包括所述计算装置。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指令,所述指令可由计算机处理器执行以执行上述方法步骤中的任一个。
附图说明
图1是用于碰撞缓解的示例性***的框图。
图2是示例性十字路口的平面图。
图3是用于碰撞缓解的示例性过程的框图。
具体实施方式
根据相应的移动方向对目标进行分类允许主车辆中的计算机选择最可能与主车辆碰撞的目标进行威胁评估。每个分类可与相应的距离阈值相关联,以考虑目标朝向或远离主车辆的移动。也就是说,每个距离阈值可针对每个目标的特定移动类型进行调整,以针对最可能与主车辆碰撞的目标指定威胁评估。计算机可基于目标与主车辆之间的距离以及目标与主车辆之间的预测的碰撞时间来对目标进行优先级排序。通过考虑碰撞时间和距离两者,计算机可识别要执行威胁评估的目标。
图1示出了用于碰撞缓解的示例性***100。车辆101中的计算机105被编程为从一个或多个传感器110接收收集的数据115。例如,车辆101的数据115可包括车辆101的位置、关于车辆周围环境的数据、关于车辆外部的对象(诸如另一车辆)的数据等。车辆101的位置通常以常规形式提供,例如,经由使用全球定位***(GPS)的导航***获得的诸如纬度和经度坐标的地理坐标。数据115的另外的示例可包括车辆101的***和部件的测量结果,例如,车辆101的速度、车辆101的轨迹等。
计算机105通常被编程用于在车辆101网络上进行通信,例如,所述网络包括常规的车辆101通信总线,诸如CAN总线、LIN总线等,以及其他有线和/或无线技术,例如以太网、WIFI等等。经由网络、总线和/或其他有线或无线机制(例如,车辆101中的有线或无线局域网),计算机105可向车辆101中的各种装置(例如控制器、致动器、传感器等,包括传感器110)发送消息和/或从所述各种装置接收消息。替代地或另外,在计算机105实际上包括多个装置的情况下,车辆网络可用于在本公开中表示为计算机105的装置之间的通信。另外,计算机105可被编程用于与网络125进行通信,如下所述,所述网络125可包括各种有线和/或无线联网技术,例如蜂窝、低功耗(BLE)、有线和/或无线分组网络等。
数据存储装置106可为任何类型,例如硬盘驱动器、固态驱动器、服务器或任何易失性或非易失性介质。数据存储装置106可存储从传感器110发送的所收集的数据115。
传感器110可包括多种装置。例如,车辆101中的各种控制器可作为传感器110操作,以经由车辆101网络或总线提供数据115,例如与车辆速度、加速度、位置、子***和/或部件状态等有关的数据115。此外,其他传感器110可包括相机、运动检测器等,即,用于提供数据115以评估部件的位置、评估道路坡度等的传感器110。传感器110还可包括但不限于短程雷达、远程雷达、激光雷达和/或超声换能器。
所收集的数据115可包括在车辆101中收集的多种数据。上文提供了所收集的数据115的示例,且此外,数据115通常使用一个或多个传感器110来收集,并且可另外包括在计算机105中和/或在服务器130处根据所述数据计算出的数据。一般来说,所收集的数据115可包括可由传感器110采集的和/或根据此类数据计算出的任何数据。
车辆101可包括多个车辆部件120。在这种背景下,每个车辆部件120包括适于执行诸如移动车辆101、使车辆101减慢或停止、使车辆101转向等机械功能或操作的一个或多个硬件部件。部件120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,其可包括方向盘、转向齿条等中的一者或多者)、制动部件、驻车辅助部件、自适应巡航控制部件、自适应转向部件、可移动座椅等。
当计算机105操作车辆101时,车辆101是“自主”车辆101。出于本公开的目的,术语“自主车辆”用于指代以完全自主模式操作的车辆101。完全自主模式被定义为其中车辆101的推进(通常经由包括电动马达和/或内燃发动机的动力传动***)、制动和转向中的每一者都由计算机105控制的模式。半自主模式是其中车辆101的推进(通常经由包括电动马达和/或内燃发动机的动力传动***)、制动和转向中的至少一者至少部分地由计算机105而不是人类操作者控制的模式。在非自主模式(即,手动模式)下,车辆101的推进、制动和转向由人类操作者控制。
***100还可包括网络125,所述网络125连接到服务器130和数据存储装置135。计算机105还可被编程为经由网络125与诸如服务器130的一个或多个远程站点通信,这种远程站点可能包括数据存储装置135。网络125表示车辆计算机105可通过其与远程服务器130通信的一种或多种机制。因此,网络125可为各种有线或无线通信机制中的一种或多种,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的组合以及任何期望的网络拓扑结构(或当使用多种通信机制时的多种拓扑结构)。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))等)、局域网(LAN)和/或包括因特网的广域网(WAN)。
图2是在十字路口205处主车辆101和多个目标200的平面图。如本文所使用的,“十字路口”被定义为两辆或更多辆车辆的当前或潜在的未来轨迹相交的位置。因此,十字路口205可在车辆与目标可能碰撞的表面上的任何位置,例如道路、车道、停车场、公共道路的入口、行车道等。因此,十字路口205通过识别车辆与目标可能交汇(即,碰撞)的区域来确定。可例如基于行车道的数量、行车道尺寸、车辆尺寸、先前碰撞的位置数据等来指定限定十字路口205的区域的尺寸以包含可能发生碰撞的区域。例如,十字路口205可包含400m2以考虑到两个相邻行车道和两个横向行车道的交汇。这样的确定使用主车辆101以及附近其他车辆和/或其他对象的潜在未来轨迹。在图2的示例中,在十字路口205中示出了九个目标200a、200b、200c、200d、200e、200f、200g和200h(统称为目标200)。十字路口205可包括不同数量的目标200,例如八个、十个等。目标200移动穿过十字路口205,例如,从一个人行道穿过人行横道到达另一个人行道。主车辆101被表示为矩形,所述矩形具有沿着主车辆101的前保险杠延伸的一侧、沿着主车辆101的右侧延伸的第二侧、沿着主车辆101的后保险杠延伸的第三侧,以及沿着主车辆101的左侧延伸的第四侧。将主车辆101表示为矩形允许计算机105使用现有的距离和碰撞时间算法,如下所述。
计算机105可识别主车辆101应在十字路口205处避开的目标200。为了识别目标200,计算机105致动多个传感器110以收集关于目标200的数据115。计算机105可处理数据115以减少并非主车辆101应避开的目标200的对象的误报识别。也就是说,如下所述,当数据115不可靠时,计算机105可将数据115忽略为错误地检测到目标200,从而通过减少不需要的处理来提高计算效率。
当一个以上的传感器110收集关于目标200的数据115时,计算机105可将对象识别为目标200。“对象”是传感器110收集关于它的数据115的物理事物,即,当传感器110接收到数据115(例如,图像数据115、雷达数据115、激光雷达数据115等)时,数据115表示“对象”。每个传感器110可收集关于主车辆101周围的对象的数据115。为了提高数据115表示目标200而不是来自例如数据115中的错误的误报的可能性,计算机105可确定由一个以上的传感器110检测到的对象是目标200。例如,当雷达110和相机110两者收集检测到对象的数据115时,计算机105可将对象识别为目标200。
当传感器110已经收集到关于目标200的数据115的经过时间超过收集时间阈值时,计算机105可将对象识别为目标200。如果传感器110在低于收集时间阈值的经过时间内检测到对象,则检测到的对象可能是数据115中的错误,或者对象可能已经移动离开传感器110的检测范围。可基于对收集关于目标200的数据115的传感器110的经验测试来确定收集时间阈值。此类测试可包括在不同时间段内(例如,5秒间隔,多达60秒)收集数据115以及确定对应于正确识别参考对象的经过时间的量。例如,如果测试指示在经过时间为5秒时,对象是误报,并且在经过时间为15秒时,参考对象全部被肯定地识别,则收集时间阈值可为15秒。当仅一个传感器110收集关于目标200的数据115或者传感器110收集关于目标200的数据115的经过时间低于收集时间阈值时,计算机105可确定目标200的数据115是“不可靠的”。也就是说,计算机105应从一个以上的传感器110以及在超过收集时间阈值的时间内收集足够的关于目标200的数据115以可靠地检测目标200,从而减少对目标200的误报识别。
计算机105可将目标200识别为易受伤害的道路用户(VRU)。在这种背景下,“易受伤害的道路用户”是并非常规车辆的道路用户,并且与之发生碰撞对VRU造成的损坏可能大于对主车辆101造成的损坏。也就是说,VRU通常比主车辆101小得多和/或质量小得多(例如,十分之一或更小尺寸和/或质量)。示例性VRU包括例如行人、骑自行车者、助力车用户、轮椅用户、机动踏板车用户等。计算机105可执行与其他车辆101的威胁评估不同的VRU的威胁评估。例如,因为VRU通常不比车辆101移动得快,所以威胁评估可包括与VRU相关联的速度预测。
计算机105可在开始转弯时识别每个目标200。在这种背景下,“开始”转弯是在主车辆101的横摆率ω超过横摆率阈值时的时间。横摆率阈值可为将主车辆101从当前行车道转弯到基本上垂直于当前行车道的行车道所需的最小横摆率ω。也就是说,横摆率阈值可被确定为将主车辆101转弯到横向行车道中的横摆率。横摆率阈值可基于例如对车辆101转弯到行车道中的经验测试、对虚拟车辆101的模拟测试等来确定。
计算机105可识别每个目标200的航向角θ。“航向角”θ是被定义为在开始转弯时在目标200的轨迹205与平行于主车辆101的纵向轴线的轴线之间的角度。在图2的示例中,每个轨迹205和航向角θ根据其对应的目标200的字母来标记,例如,目标200a具有轨迹205a和航向角θa。计算机105可基于由传感器110收集的关于目标200的数据115来确定航向角θ。例如,计算机105可将常规的图像处理算法(例如,Canny边缘检测)应用于图像数据115,以确定目标200的轨迹205和航向角θ。
计算机105可基于相应的航向角θ向每个目标200分配一个类别。所述类别可为静止的、向左转、向右转、相同方向和迎面而来中的一者。所述类别描述了目标200在十字路口205中的移动。基于所述类别,计算机105可选择要对其执行威胁评估的预定数量的目标200。
目标200可具有类别“静止的”。在这种背景下,“静止的”目标是速度低于速度阈值的目标200。也就是说,静止的目标200在主车辆101完成转弯之前未移动或者移动太慢而无法做出反应。速度阈值可为例如1m/s。速度阈值可基于目标200的当前类别而改变,以考虑目标200速度关于当前速度阈值(例如,0.1m/s)的小的变化。例如,如果目标200没有当前类别,则当目标200的速度低于第一阈值(例如,0.5m/s)时,计算机105可分配类别“静止的”。如果目标200当前被分配类别“静止的”,则当目标200的速度超过第二阈值(例如,1m/s)时,计算机105可分配描述目标200的移动的其他类别中的一个。如果目标200当前被分配描述移动的类别中的一个,如下所述,则当目标的速度低于第一阈值(在此示例中,0.5m/s)时,计算机105可将目标200分配给“静止的”类别。因此,计算机105可调整速度阈值以减少因目标200速度的小的变化引起的类别分配,而不是在目标200的速度关于速度阈值略微变化时快速分配不同的类别。
目标200可具有类别“向左转”。在这种背景下,“向左转”目标是在开始转弯时以大于速度阈值的速度相对于主车辆101向左移动的目标200。也就是说,目标200的航向角θ是在值为90度的航向角θ的阈值内。所述阈值可基于对车辆101和目标200的经验测试来确定。所述阈值可为例如45度。在图2的示例中,目标200a被分类为向左转。
目标200可具有类别“向右转”。在这种背景下,“向右转”目标是在开始转弯时以大于速度阈值的速度相对于主车辆101向右移动的目标200。也就是说,目标200的航向角θ是在值为270度的航向角θ的阈值内。所述阈值可基于对车辆101和目标200的经验测试来确定。所述阈值可为例如45度。向右转类别的阈值可与向左转类别的阈值相同,以在确定目标200是向左转还是向右转时提供对称性。在图2的示例中,目标200b、200h被分类为向右转。
目标200可具有类别“相同方向”。在这种背景下,“相同方向”目标是在开始转弯时以大于速度阈值的速度沿与主车辆101基本相同的方向移动的目标200。也就是说,目标200的航向角θ是在值为0度的航向角θ的阈值内。所述阈值可基于对车辆101和目标200的经验测试来确定。所述阈值可为例如45度。在图2的示例中,目标200f被分类为相同方向。
目标200可具有类别“迎面而来”。在这种背景下,“迎面而来”目标是在开始转弯时以大于速度阈值的速度朝向主车辆101移动的目标200。也就是说,目标200的航向角θ是在值为180度的航向角θ的阈值内。所述阈值可为例如45度。相同方向类别的阈值可与迎面而来类别的阈值相同,以在确定目标200是迎面而来还是沿与主车辆101相同的方向时提供对称性。在图2的示例中,目标200c、200d、200e和200g被分类为迎面而来。
相同方向类别的阈值与向左转类别或向右转类别的阈值之和可等于90度。迎面而来类别的阈值与向左转类别或向右转类别的阈值之和可等于90度。也就是说,为了考虑到360度圆中向左转和向右转类别的阈值中以及迎面而来的阈值和相同方向的阈值中的对称性,两个相邻阈值的相应的和为90度。因此,因为每对相邻阈值等于90度,并且存在四对相邻阈值,所以每个航向角0≤θ≤360被分配给恰好一个类别。
替代地,计算机105可基于目标200的横向速度Vlat和目标200的纵向速度Vlong来确定每个目标200的航向角θ。在开始转弯时,计算机105可识别每个目标200的初始横向速度和纵向速度Vlat,i,Vlong,i。在转弯时,计算机105可将主车辆101的航向角识别为从转弯开始到主车辆101的当前位置的航向角的变化。也就是说,计算机105可基于在开始转弯时主车辆101的横摆率来确定航向角ω,从而在开始转弯时将目标200的当前速度的分量旋转到参考坐标系。计算机105可基于主车辆101的航向角来确定每个目标200的相应的横向速度和纵向速度Vlat,Vlong以及航向角θ:
基于航向角θ和分量速度Vlat,Vlong,计算机105可向每个目标200分配类别,如表1中所示:
类别 | 速度 | 航向角 |
相同方向 | V<sub>long</sub>≥0 | θ≤SD<sub>thresh</sub> |
迎面而来 | V<sub>long</sub><0 | θ≤OC<sub>thresh</sub> |
向右转 | V<sub>lat</sub>≤0 | θ>CR<sub>thresh</sub> |
向左转 | V<sub>lat</sub>>0 | θ>CL<sub>thresh</sub> |
表1
其中SDthresh是相同方向类别的阈值,如上所述,OCthresh是迎面而来类别的阈值,CRthresh是向右转类别的阈值,并且CLthresh是向左转类别的阈值。当如上所述关于每个目标200的航向角θ的数据115不可靠和/或未被传感器110收集时,计算机105可利用该技术来确定目标200的航向角θ。例如,当数据115下降到常规置信度阈值以下时,计算机105可利用该技术来确定航向角θ,所述“置信阈值”是并非噪声、障碍物等的数据115的量。
在收集关于目标200的数据115时,如果目标200的运动改变,则计算机105可向目标200中的一个分配新的类别。例如,如果计算机105将目标200识别为迎面而来的目标200,并且新数据115指示目标200的速度低于速度阈值(例如,1m/s),则计算机105可确定目标200已经停止并且可向目标200分配新的类别“静止的”。在另一个示例中,如果目标200的新数据115指示目标200的航向角θ对应于与先前数据115不同的类别,则计算机105可确定目标200已经改变了方向并且可向目标200分配与当前航向角θ相关联的新的类别。在另一个示例中,当主车辆101退出转弯时,计算机105可为任何剩余的识别的目标200分配新的类别。当计算机105识别横摆率ω低于横摆率阈值时,主车辆101“退出转弯”,如上所述。替代地,当计算机105识别主车辆101的航向角已经改变了90度,即,主车辆101已经相对于转弯的开始垂直转弯时,主车辆101退出转弯。
计算机105可预测主车辆101与每个目标200之间的相应距离。具体地,计算机105可预测主车辆101上的指定点与每个目标200之间的距离。指定点可为例如前保险杠的中心点、前保险杠的拐角点等。计算机105可基于每个目标200的当前轨迹205和诸如CRTV的常规运动学模型,来预测每个目标200在转弯期间将遵循的路径。也就是说,计算机105可预测主车辆101和每个目标200的相应位置,并且可将位置之间的横向距离和纵向距离确定为在开始转弯时主车辆101与目标200之间的距离:
其中Longh是主车辆101的纵向位置,Lath是主车辆101的横向位置,Longh,0是在开始转弯时主车辆101的纵向位置,Lath,0是在开始转弯时主车辆101的横向位置,Vh,0是在开始转弯时主车辆101的速度,ω是主车辆101的横摆率,并且T是从当前时间开始预测的经过时间。在该示例中,计算机105相对于前保险杠的中心点确定主车辆101的距离和速度。
计算机105可基于目标200的相应速度来确定目标200的相对纵向位置和横向位置:
Longtg(T)=Longtg,0+Vtg,long (6)
Lattg(T)=Lattg,0+Vtg,lat (7)
其中Longtg是目标200的纵向位置,Lattg是目标200的横向位置,Longtg,0是在转弯开始时目标200的纵向位置,Lattg,0是在转弯开始时目标200的横向位置,Vtg,long是目标200的纵向速度,并且Vtg,lat是目标200的横向速度。
计算机105可基于主车辆101和目标200的横向位置和纵向位置来确定主车辆101与目标200之间的相对运动:
其中Longrel是主车辆101与目标200之间的相对纵向距离,并且Latrel是主车辆101与目标200之间的相对横向距离。
相对于主车辆101的前保险杠的中心点描述了上述相对横向距离和纵向距离。替代地,计算机105可基于主车辆101的后车桥与主车辆101的前保险杠之间的距离来调整预测。也就是说,后车桥提供推进以移动主车辆101,并且因此提供主车辆101的测量的速度。前保险杠与后车桥之间的横向距离导致主车辆101的速度的旋转分量在前保险杠和后车桥处不同。因此,应通过在开始转弯时将来自坐标系的相对距离旋转到相对于初始坐标系旋转的当前坐标系来调整主车辆101的速度。主车辆101与目标200之间的相对位置根据偏移长度Loffset而不同:
其中Vh,lat是主车辆101在前保险杠的中心点处的横向速度,并且被确定为主车辆101的横向速度。
计算机105可基于偏移长度来预测主车辆101与目标200之间在初始坐标系中的相对纵向距离和横向距离:
其中Longrel,unrot是初始(即,未旋转的)坐标系中的相对纵向距离,并且Latrel,unrot是初始坐标系中的相对横向距离。
计算机105可预测时间T处旋转坐标系中的相对纵向距离和相对横向距离:
Longrel,rot=Latrel,unrot*sin(ωT)+Longrel,unrot*cos(ωT)-Loffset (13)
Latrel,rot=Latrel,unrot*cos(ωT)-Longrel,unrot*sin(ωT) (14)
其中Longrel,rot是主车辆101与目标200之间在旋转坐标系中的相对纵向距离,并且Latrel,rot是主车辆101与目标200之间在旋转坐标系中的相对横向距离。在预测相对纵向距离和横向距离时,计算机105可如下所述将具有最小量值的预测的相对距离与距离阈值进行比较,以识别目标200以进行威胁评估。
计算机105可确定主车辆101与目标200之间的预测距离是否在距离阈值内。也就是说,计算机105可选择具有在与其相应的类别相关联的距离阈值内的相应距离和在时间阈值内的碰撞时间的目标200以进行威胁评估。所述距离阈值可为横向距离阈值或纵向距离阈值中的一者。也就是说,计算机105可将如上所述主车辆101与每个目标200之间的横向距离与横向距离阈值进行比较,并且计算机105可将主车辆101与每个目标200之间的纵向距离与纵向距离阈值进行比较。当横向距离在横向距离阈值内且纵向距离也在纵向距离阈值内时,计算机105可识别目标200以进行威胁评估。
每个类别可具有不同的距离阈值,所述距离阈值考虑与所述类别相关联的目标200的移动。例如,具有类别“迎面而来”的目标200可在转弯期间朝向主车辆101移动,并且具有类别“向右转”的第二目标200可在转弯期间远离主车辆101移动。迎面而来的目标200的距离阈值可高于向右转的目标200的距离阈值,以使迎面而来的目标200优先于向右转的目标200,这是因为迎面而来的目标200正在接近主车辆101。可基于对多个虚拟目标200和虚拟主车辆101的经验测试和虚拟模拟来确定距离阈值。例如,可基于实验模拟的设计来确定距离阈值,其中多个虚拟目标200在多个不同速度下相对于虚拟主车辆101沿若干不同方向移动,距离阈值被确定为其中虚拟主车辆101应根据特定虚拟目标200的相应分类避开特定虚拟目标200。示例性距离阈值在下表中示出:
类别 | 距离阈值(m) |
静止的 | 1.0 |
迎面而来 | 2.1 |
相同方向 | 2.1 |
向左转 | 1.0 |
向右转 | 1.0 |
表2
计算机105可预测主车辆101与每个目标200之间的相应的碰撞时间。碰撞时间是主车辆101到达目标200的预测时间。计算机105可将碰撞时间预测为范围(即,在开始转弯时主车辆101与目标200之间的直线距离)除以范围变化率(即,随着主车辆101在转弯中移动的范围随时间的变化率)。计算机105可识别相应的碰撞时间低于时间阈值的目标200以进行威胁评估。所述时间阈值可为基于对主车辆101和目标200的经验测试的预定值。所述时间阈值可为例如3秒。也就是说,在识别在与目标200的类别相关联的距离阈值内的目标200时,计算机105可在目标200的碰撞时间超过时间阈值时确定不执行威胁评估。
计算机105可在识别要对其执行威胁评估的多个目标200的数量低于预定数量时,调整距离阈值直到识别的目标200的数量高于预定数量。也就是说,计算机105可通常基于确定可由计算机105中可用的计算资源及时和/或有效地处理的多个目标来执行威胁评估,多达最大数量的目标200。在一个示例中,计算机105可对多达四个目标200执行威胁评估。当计算机105识别少于最大数量的目标200来执行威胁评估时,计算机105具有可用资源来执行附加的威胁评估。因此,计算机105可调整距离阈值以识别附加目标来执行威胁评估。例如,计算机105可将距离阈值增加到预定的第二阈值(例如,从2.1m增加到4.0m)以捕获超出原始距离阈值的目标200。在将距离阈值增加到第二距离阈值时,即使识别的目标200的数量低于预定数量,计算机105也可对在第二距离阈值内检测到的目标200执行威胁评估。替代地,计算机105可将阈值增加到连续更高的阈值,直到检测到目标200的数量超过预定数量为止。
在识别目标200的数量超过预定数量时,计算机105可根据每个目标200的相应碰撞时间来识别预定数量的目标200。如上所述,碰撞时间是主车辆101到达目标200的预测时间。在确定每个目标200的碰撞时间后,计算机105可将第一目标200识别为距碰撞具有最短时间。在识别第一目标200之后,计算机105将选定目标的数量与预定数量进行比较。如果识别的目标200的数量低于预定数量,则计算机105识别距碰撞具有次最短时间的目标200。计算机105继续识别距碰撞具有最短时间的目标200,直到识别的目标200的数量是预定数量为止。例如,如果预定数量为四,则计算机105识别距碰撞具有最短时间的四个目标200,即,距碰撞具有最短时间的目标200、距碰撞具有第二最短时间的目标200、距碰撞具有第三最短时间的目标200,以及距碰撞具有第四最短时间的目标200。通过识别距碰撞具有最短时间的目标200,计算机105优先考虑最可能与主车辆101碰撞的目标200来进行威胁评估。
在选择目标200时,计算机105可对每个目标200执行威胁评估。威胁评估可为威胁数。如上所述,计算机105可基于碰撞时间来确定威胁数TN。威胁数是对特定目标205是否将与主车辆101相交或碰撞的预测。具体地,计算机105可确定主车辆101和目标205的加速威胁数ATN、制动威胁数BTN和转向威胁数STN,并且基于所述威胁数ATN、BTN、STN(它们可组合成单个威胁数TN)来致动部件120。在一个非限制性示例中,BTN、STN和ATN可以下文和2017年4月4日发布的美国专利号9,610,945中进一步描述的方式来确定,该专利的全部内容以引用的方式并入本文中。也就是说,计算机105可确定以下各者中的一者:在碰撞时间之前使主车辆101减速或停止的减速度、在碰撞时间之前使主车辆101转向远离目标205的横向加速度,或者在碰撞时间之前推进主车辆101越过目标205的加速度。
BTN是允许主车辆101在与目标200碰撞之前停止所需的纵向减速度的量度。BTN可基于所测量的主车辆101速度、目标200与主车辆101之间的距离以及目标200和主车辆101的相应推断轨迹。计算机105可确定使主车辆101在与目标200碰撞之前停止的纵向减速度,例如2m/s2。计算机105可确定主车辆101的最大减速度,例如8m/s2。BTN可为所需减速度与最大减速度之比,例如BTN=2/8=0.25。所需减速度可为零范围减速度,即,由路径规划算法确定以使主车辆101在指定点处停止以避免与目标200碰撞的减速度。计算机105可将指定点识别为目标200的推断路径之外的点。如果避免与目标200碰撞所需的减速度超过主车辆101的最大减速度,即BTN>1,则计算机105可将BTN的值设置为1,即如果BTN>1,则BTN=1。
STN是允许主车辆101转向远离目标200所需的横向加速度的量度。例如,STN可为使主车辆101沿与主车辆101的行进方向相对的方向转向远离目标200的横向加速度的量度。也就是说,当主车辆101处于左转弯时,STN是基于使主车辆101右转远离目标200的横向加速度。与BTN一样,计算机105可确定避免主车辆101与目标200之间发生碰撞所需的横向加速度。STN可为所需的横向加速度与主车辆101的最大横向加速度之比。如果所需的横向加速度超过最大横向加速度,则计算机105可将STN设置为1。
ATN是允许主车辆101加速并越过(pass)目标200所需的纵向加速度的量度。如以上针对BTN和STN所描述的,计算机105可确定允许主车辆101越过目标200所需的加速度和由制造商指定的主车辆101的最大可用加速度。ATN可为所需的纵向加速度与主车辆101的最大纵向加速度之比。如果所需的纵向加速度超过最大纵向加速度,则计算机105可将ATN设置为1。计算机105可确定STN、BTN和/或ATN以产生目标200的相应的总体威胁数TN。
计算机105可基于威胁数TN来致动一个或多个车辆部件120,例如,当威胁数TN高于预定威胁数阈值时。计算机105可基于威胁数与多个阈值的比较来致动一个或多个部件120。所述阈值可被确定为例如来自制造商的规格、对虚拟主车辆101和虚拟目标200轨迹的模拟测试的结果、在碰撞测试期间对主车辆101的车辆部件120的经验测试等。例如,如果威胁数TN高于0.7,则计算机105可致动制动器120以使主车辆101减速,例如以-6.5米/平方秒(m/s2)减速。在另一个示例中,如果威胁数TN高于0.4但小于或等于0.7,则计算机105可将制动器120致动到例如减速度为-2.0m/s2。在另一个示例中,如果威胁数TN大于0.2但小于或等于0.4,则计算机105可在主车辆101的人机界面上显示视觉警告和/或通过扬声器播放音频警告。在又一个示例中,计算机105可致动转向马达120以使主车辆101以上述横向加速度转向远离目标200。在又一个示例中,计算机105可致动推进装置120以使主车辆101以上述所需的加速度加速通过十字路口205。
图3是用于碰撞缓解的示例性过程300的框图。过程300开始于框305,其中主车辆101中的计算机105收集关于多个目标200的数据115。计算机105可致动多个传感器110以收集关于目标200的数据115,如上所述。
接下来,在框310中,计算机105将具有不可靠数据115的目标200从考虑中移除。如上所述,当仅一个传感器110检测到目标200或者仅在低于时间阈值的时间段内收集到数据115时,数据115是“不可靠的”。也就是说,计算机105仅考虑能够在长于时间阈值的时间内被一个以上的传感器110检测到的目标200。
接下来,在框315中,计算机105预测每个目标200的航向角θ。如上所述,航向角θ是被定义为在目标200的轨迹205与主车辆101的纵向轴线之间的角度。计算机105可基于由传感器110收集的关于目标200的数据115来确定航向角θ。例如,计算机105可将常规的图像处理算法(例如,Canny边缘检测)应用于图像数据115,以确定目标200的轨迹205和航向角θ。
接下来,在框320中,计算机105基于航向角θ将每个目标200分配给一个类别。如上所述,目标200可具有类别静止的、向左转、向右转、迎面而来或相同方向。所述类别指示目标200相对于主车辆101移动的方向。
接下来,在框325中,计算机105识别具有在相应距离阈值内的距离的目标200。如上所述,距离阈值特定于每个类别。例如,迎面而来的目标200的距离阈值小于向右转的目标200的距离阈值。
接下来,在框330中,计算机105识别距碰撞具有相应最短时间的目标200。如上所述,计算机105可识别超过计算机105可对其执行威胁评估的预定数量(例如,四个)的多个目标200。计算机105可通过识别距碰撞具有最短时间的预定数量的目标200,而识别预定数量的目标200。例如,如果预定数量为四个,则计算机105可识别距碰撞具有相应最短时间的四个目标200,即,与距碰撞发生的四个最短时间相关联的目标200。通过识别既具有在距离阈值内的距离又距碰撞具有最短时间的目标,计算机105识别对其执行碰撞缓解的最高优先级目标200。
接下来,在框335中,计算机105对每个识别的目标200执行威胁评估。如上所述,威胁评估可为威胁数,例如转向威胁数、制动威胁数等。计算机105可基于例如使主车辆101停止直到目标200越过所需的估计的减速度,来确定威胁数。
接下来,在框340中,计算机105基于威胁评估来致动一个或多个部件120以避开目标200。例如,计算机105可基于致动威胁数来致动制动器120以使主车辆101减速或停止,直到目标200越过主车辆101为止。在另一个示例中,计算机105可基于转向威胁数来致动转向马达120以使主车辆101转向远离目标200。在另一个示例中,计算机105可基于加速威胁数来致动推进装置120以使主车辆101加速越过目标200。
接下来,在框345中,计算机105确定是否继续过程300。例如,计算机105可确定在到达另一个十字路口205并开始执行转弯时继续过程300。如果计算机105确定继续,则过程300返回到框305。否则,过程300结束。
如本文所使用的,修饰形容词的副词“基本上”意指形状、结构、测量结果、值、计算等可能偏离精确描述的几何形状、距离、测量结果、值、计算等,这是因为材料、加工、制造、数据收集器测量结果、计算、处理时间、通信时间等存在缺陷。
本文中所讨论的计算装置(包括计算机105和服务器130)包括处理器和存储器,所述存储器通常各自包括可由诸如上面识别的那些计算装置的一个或多个计算装置执行的并且用于实施上述过程的框或步骤的指令。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来编译或解译,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++、Visual Basic、Java Script、Python、Perl、HTML等。一般来说,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,包括本文所描述的过程中的一者或多者。可使用各种计算机可读介质来存储和传输此类指令和其他数据。计算机105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。
计算机可读介质包括参与提供可由计算机读取的数据(例如,指令)的任何介质。此类介质可采用许多形式,包括但不限于非易失性介质、易失性介质等。非易失性介质包括例如光盘或磁盘和其他持久性存储器。易失性介质包括通常构成主存储器的动态随机存取存储器(DRAM)。计算机可读介质的常见形式包括例如软盘、软磁盘、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、具有孔图案的任何其他物理介质、RAM、PROM、EPROM、快闪EEPROM、任何其他存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。
关于本文所描述的介质、过程、***、方法等,应理解,虽然此类过程等的步骤已被描述为按照某一有序的顺序发生,但是此类过程可在以本文描述的次序以外的次序执行所描述的步骤的情况下来实践。还应理解,可同时执行某些步骤,可添加其他步骤,或者可省略本文所描述的某些步骤。例如,在过程300中,可省略一个或多个步骤,或者可与图3所示的不同的次序执行步骤。换句话说,本文对***和/或过程的描述是为了示出某些实施例的目的而提供,而决不应将其理解为对所公开的主题进行限制。
因此,应理解,包括以上描述和附图以及所附权利要求的本公开意图是说明性的而非限制性的。通过阅读以上描述,除了所提供的示例之外的许多实施例和应用对于本领域技术人员来说将是明显的。本发明的范围不应参考以上描述来确定,而是应参考所附的和/或基于此包括在非临时专利申请中的权利要求连同此类权利要求所赋予权利的等效物的全部范围来确定。预期并期望本文所讨论的领域未来将有所发展,并且所公开的***和方法将结合到此类未来的实施例中。总而言之,应理解,所公开的主题能够进行修改和改变。
除非另有说明或上下文另有要求,否则修饰名词的冠词“一个”应被理解为是指一个或多个。短语“基于”涵盖部分地或完全地基于。
根据本发明,提供了一种***,其具有计算机,所述计算机包括处理器和存储器,所述存储器存储指令,所述指令可由处理器执行以:基于在主车辆开始转弯时多个目标的相应运动来将所述目标中的每一个分配给一个类别;针对与所述类别相关联的每个目标确定距离阈值;并且对距离主车辆的相应距离低于与相应类别相关联的距离阈值的多个目标中的每一个执行威胁评估。
根据一个实施例,所述类别为静止的、向左转、向右转、迎面而来和相同方向中的一者。
根据一个实施例,所述指令还包括以下指令:对具有低于横向距离阈值的相应横向距离和低于纵向距离阈值的相应纵向距离的多个目标中的每一个执行威胁评估,所述横向距离阈值和所述纵向距离阈值是基于类别来确定。
根据一个实施例,所述指令还包括以下指令:基于在主车辆开始转弯时主车辆的横摆率来对多个目标中的每一个进行分类。
根据一个实施例,所述指令还包括以下指令:当所述目标中的一个的航向角在零度的第一阈值内时分配类别相同方向;当所述目标中的一个的航向角在180度的第二阈值内时,分配类别迎面而来;当所述目标中的一个的航向角在90度的第三阈值内时,分配类别向左转;以及当所述目标中的一个的航向角在270度的第四阈值内时,分配类别向右转。
根据一个实施例,所述指令还包括以下指令:在识别要对其执行威胁评估的多个目标的数量低于预定数量时,调整距离阈值以识别附加目标。
根据一个实施例,所述指令还包括以下指令:在识别多个目标的数量高于预定数量时,选择距碰撞具有最短时间的预定数量的目标。
根据一个实施例,所述指令还包括以下指令:在主车辆的一个或多个传感器未能收集关于目标的数据时,将目标从威胁评估考虑中移除。
根据一个实施例,所述指令还包括以下指令:基于多个目标的相应横向速度和相应纵向速度来确定所述目标中的每一个的相应航向角;以及基于相应航向角来对所述多个目标中的每一个进行分类。
根据一个实施例,所述指令还包括以下指令:确定多个目标中的每一个与主车辆的前保险杠的中心点之间的相应距离。
根据一个实施例,所述指令还包括以下指令:当主车辆的横摆率超过横摆率阈值时,识别转弯的开始。
根据一个实施例,所述指令还包括以下指令:当目标的速度超过第一阈值或者目标的速度低于第二阈值时,为目标中的一个分配新的类别。
根据一个实施例,所述指令还包括以下指令:基于目标的当前航向角来为目标中的一个分配新的类别。
根据一个实施例,所述指令还包括以下指令:基于威胁评估来致动主车辆的一个或多个部件。
根据一个实施例,威胁评估为制动威胁数,并且其中所述指令还包括根据制动威胁数来致动制动器以使主车辆减速的指令。
根据一个实施例,威胁评估为加速威胁数,并且其中所述指令还包括根据加速威胁数来致动推进装置以使主车辆加速的指令。
根据一个实施例,威胁评估为转向威胁数,并且其中所述指令还包括根据转向威胁数来致动转向马达以使主车辆转向的指令。
根据本发明,一种方法包括:基于主车辆开始转弯时多个目标的运动而将所述目标中的每一个分配给一个类别;针对与所述类别相关联的每个目标确定距离阈值;以及对距离主车辆的相应距离低于与相应类别相关联的距离阈值的多个目标中的每一个执行威胁评估。
根据本发明,提供了一种***,其具有:主车辆,其包括转向部件;用于致动转向部件以执行转弯的构件;用于基于开始转弯时多个目标的运动而将所述目标中的每一个分配给一个类别的构件;用于针对与所述类别相关联的每个目标确定距离阈值的构件;以及用于对距离主车辆的相应距离低于与相应类别相关联的距离阈值的多个目标中的每一个执行威胁评估的构件。
根据一个实施例,本发明的特征还在于:用于基于在主车辆开始转弯时主车辆的横摆率来对多个目标中的每一个进行分类的构件。
Claims (15)
1.一种方法,其包括:
基于在主车辆开始转弯时多个目标的相应运动来将所述目标中的每一个分配给一个类别;
确定与所述类别相关联的每个目标的距离阈值;以及
对距离所述主车辆的相应距离低于与相应类别相关联的所述距离阈值的所述多个目标中的每一个执行威胁评估。
2.如权利要求1所述的方法,其中所述类别为静止的、向左转、向右转、迎面而来和相同方向中的一者。
3.如权利要求1所述的方法,其还包括对具有低于横向距离阈值的相应横向距离和低于纵向距离阈值的相应纵向距离的所述多个目标中的每一个执行所述威胁评估,所述横向距离阈值和所述纵向距离阈值是基于所述类别来确定。
4.如权利要求1所述的方法,其还包括:当所述目标中的一个的航向角在零度的第一阈值内时分配类别相同方向;当所述目标中的一个的所述航向角在180度的第二阈值内时,分配类别迎面而来;当所述目标中的一个的所述航向角在90度的第三阈值内时,分配类别向左转;以及当所述目标中的一个的所述航向角在270度的第四阈值内时,分配类别向右转。
5.如权利要求1所述的方法,其还包括:在识别要对其执行所述威胁评估的所述多个目标的数量低于预定数量时,调整所述距离阈值以识别附加目标。
6.如权利要求5所述的方法,其还包括:在识别所述多个目标的数量高于所述预定数量时,选择距碰撞具有最短时间的所述预定数量的目标。
7.如权利要求1所述的方法,其还包括:基于所述多个目标的相应横向速度和相应纵向速度来确定所述目标中的每一个的相应航向角,以及基于所述相应航向角来对所述多个目标中的每一个进行分类。
8.如权利要求1所述的方法,其还包括:确定所述多个目标中的每一个与所述主车辆的前保险杠的中心点之间的所述相应距离。
9.如权利要求1至8中任一项所述的方法,其还包括基于所述威胁评估来致动所述主车辆的一个或多个部件。
10.如权利要求9所述的方法,其中所述威胁评估为制动威胁数,并且其中所述方法还包括根据所述制动威胁数来致动制动器以使所述主车辆减速。
11.如权利要求9所述的方法,其中所述威胁评估为加速威胁数,并且其中所述方法还包括根据所述加速威胁数来致动推进装置以使所述主车辆加速。
12.如权利要求9所述的方法,其中所述威胁评估为转向威胁数,并且其中所述方法还包括根据所述转向威胁数来致动转向马达以使所述主车辆转向。
13.一种计算机,其被编程为执行如权利要求1至8中任一项所述的方法。
14.一种车辆,其包括如权利要求13所述的计算机。
15.一种计算机程序产品,其包括计算机可读介质,所述计算机可读介质存储指令,所述指令可由计算机处理器执行以执行如权利要求1至8中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/590,700 US11148663B2 (en) | 2019-10-02 | 2019-10-02 | Enhanced collision mitigation |
US16/590,700 | 2019-10-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112590779A true CN112590779A (zh) | 2021-04-02 |
Family
ID=74876021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011074229.1A Pending CN112590779A (zh) | 2019-10-02 | 2020-10-09 | 增强的碰撞缓解 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11148663B2 (zh) |
CN (1) | CN112590779A (zh) |
DE (1) | DE102020125769A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115635963A (zh) * | 2022-12-22 | 2023-01-24 | 福思(杭州)智能科技有限公司 | 目标对象筛选方法、装置、电子装置、存储介质和车辆 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110582439B (zh) * | 2017-03-02 | 2022-07-22 | 松下知识产权经营株式会社 | 驾驶辅助方法以及利用了该驾驶辅助方法的驾驶辅助装置、驾驶辅助*** |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5249157A (en) | 1990-08-22 | 1993-09-28 | Kollmorgen Corporation | Collision avoidance system |
US5983161A (en) | 1993-08-11 | 1999-11-09 | Lemelson; Jerome H. | GPS vehicle collision avoidance warning and control system and method |
US7403659B2 (en) | 2003-08-28 | 2008-07-22 | Sarnoff Corporation | Method and apparatus for differentiating pedestrians, vehicles, and other objects |
US20050232463A1 (en) | 2004-03-02 | 2005-10-20 | David Hirvonen | Method and apparatus for detecting a presence prior to collision |
US7480570B2 (en) | 2004-10-18 | 2009-01-20 | Ford Global Technologies Llc | Feature target selection for countermeasure performance within a vehicle |
US8269652B2 (en) | 2009-04-02 | 2012-09-18 | GM Global Technology Operations LLC | Vehicle-to-vehicle communicator on full-windshield head-up display |
CN102542843A (zh) | 2010-12-07 | 2012-07-04 | 比亚迪股份有限公司 | 防止车辆碰撞的预警方法及装置 |
WO2014061123A1 (ja) * | 2012-10-17 | 2014-04-24 | 富士通株式会社 | 画像処理装置、画像処理プログラムおよび画像処理方法 |
US9610945B2 (en) * | 2015-06-10 | 2017-04-04 | Ford Global Technologies, Llc | Collision mitigation and avoidance |
US9604641B2 (en) * | 2015-06-16 | 2017-03-28 | Honda Motor Co., Ltd. | System and method for providing vehicle collision avoidance at an intersection |
US9751506B2 (en) * | 2015-10-27 | 2017-09-05 | GM Global Technology Operations LLC | Algorithms for avoiding automotive crashes at left and right turn intersections |
KR102581779B1 (ko) * | 2016-10-11 | 2023-09-25 | 주식회사 에이치엘클레무브 | 교차로충돌방지시스템 및 교차로충돌방지방법 |
US10232849B2 (en) * | 2017-01-23 | 2019-03-19 | Ford Global Technologies, Llc | Collision mitigation and avoidance |
JP6815958B2 (ja) * | 2017-09-19 | 2021-01-20 | トヨタ自動車株式会社 | 車両周辺監視装置 |
US11550061B2 (en) * | 2018-04-11 | 2023-01-10 | Aurora Operations, Inc. | Control of autonomous vehicle based on environmental object classification determined using phase coherent LIDAR data |
US11110918B2 (en) * | 2018-11-02 | 2021-09-07 | Zoox, Inc. | Dynamic collision checking |
US11643115B2 (en) * | 2019-05-31 | 2023-05-09 | Waymo Llc | Tracking vanished objects for autonomous vehicles |
-
2019
- 2019-10-02 US US16/590,700 patent/US11148663B2/en active Active
-
2020
- 2020-10-01 DE DE102020125769.4A patent/DE102020125769A1/de active Pending
- 2020-10-09 CN CN202011074229.1A patent/CN112590779A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115635963A (zh) * | 2022-12-22 | 2023-01-24 | 福思(杭州)智能科技有限公司 | 目标对象筛选方法、装置、电子装置、存储介质和车辆 |
CN115635963B (zh) * | 2022-12-22 | 2023-03-07 | 福思(杭州)智能科技有限公司 | 目标对象筛选方法、装置、电子装置、存储介质和车辆 |
Also Published As
Publication number | Publication date |
---|---|
US11148663B2 (en) | 2021-10-19 |
DE102020125769A1 (de) | 2021-04-08 |
US20210101588A1 (en) | 2021-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108340913B (zh) | 碰撞减轻和避免 | |
US10266175B2 (en) | Vehicle collision avoidance | |
US10403145B2 (en) | Collison mitigation and avoidance | |
US10446033B2 (en) | Vehicle detection and avoidance | |
US10351129B2 (en) | Collision mitigation and avoidance | |
US11884252B2 (en) | Enhanced threat assessment | |
US11400927B2 (en) | Collision avoidance and mitigation | |
US11518381B2 (en) | Enhanced threat selection | |
US11285942B2 (en) | Collision mitigation and avoidance | |
US10160459B2 (en) | Vehicle lane direction detection | |
US10967853B2 (en) | Enhanced collision mitigation | |
US10777084B1 (en) | Vehicle location identification | |
CN112440973A (zh) | 增强防撞 | |
CN112590779A (zh) | 增强的碰撞缓解 | |
CN112677962A (zh) | 增强的碰撞减轻 | |
CN113370974A (zh) | 增强的对象检测和响应 | |
US20210256321A1 (en) | Enhanced object detection with clustering | |
US11183052B2 (en) | Enhanced vehicle operation | |
US11420625B2 (en) | Vehicle intersection operation | |
US11267465B1 (en) | Enhanced threat assessment | |
GB2560096A (en) | Collision mitigation and avoidance |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221109 Address after: Dearborn, Michigan, USA Applicant after: Ford Global Technologies, LLC Applicant after: Ford Electric Mach Technology (Nanjing) Co.,Ltd. Address before: Dearborn, Michigan, USA Applicant before: Ford Global Technologies, LLC |