CN113515115A - 用于自主交通工具的控制器、以及网络组件 - Google Patents
用于自主交通工具的控制器、以及网络组件 Download PDFInfo
- Publication number
- CN113515115A CN113515115A CN202011461915.4A CN202011461915A CN113515115A CN 113515115 A CN113515115 A CN 113515115A CN 202011461915 A CN202011461915 A CN 202011461915A CN 113515115 A CN113515115 A CN 113515115A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- maneuver
- maneuvers
- network component
- rating
- 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
- 231100001261 hazardous Toxicity 0.000 claims description 20
- 238000000034 method Methods 0.000 description 107
- 238000004891 communication Methods 0.000 description 90
- 230000006854 communication Effects 0.000 description 90
- 238000012545 processing Methods 0.000 description 34
- 230000015654 memory Effects 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 15
- 230000009471 action Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000003068 static effect Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 244000141353 Prunus domestica Species 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0202—Control of position or course in two dimensions specially adapted to aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/60—Intended control result
- G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/164—Centralised systems, e.g. external to vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请公开了用于自主交通工具的控制器、以及网络组件。一种用于自主交通工具的控制器可包括一个或多个处理器,该一个或多个处理器被配置成用于:基于安全性驾驶模型并且基于来自交通工具外部的网络组件的第一消息来确定针对该交通工具所规划的操纵,该第一消息包括针对交通工具所提出的至少两个操纵中的每个所提出的操纵的相应评定,以及提供用于执行针对交通工具所规划的操纵的机载指令。
Description
技术领域
本公开的各方面总体上涉及用于自主交通工具的控制器并且涉及网络组件。
背景技术
自主驾驶(AD)利用可靠的驾驶安全性***,该可靠的驾驶安全性***处理自主交通工具(AV)的环境的检测到的数据,以实现该自主交通工具(AV)的驾驶策略。为此,已经开发了诸如各种安全性驾驶模型之类的各种驾驶模型。
安全性监视方法的实现方式(诸如驾驶模型)通过检测危险情形并负责任地行动来限制可能的交通工具反应响应,从而保障将避免事故的行为。然而,在一些场景中,由于一旦交通工具在几乎没有操纵备选方案的危险情形中受损则对于该交通工具而言可能太迟以至于无法进行反应,因此不存在可能的及时、适当的反应。
附图说明
在附图中,贯穿不同的视图,相同的附图标记一般指代相同部分。这些附图不一定是按比例的,而是一般着重于说明本公开的示例性原理。在以下描述中,参照以下附图描述本公开的各示例性实施例,其中:
图1以示意性架构图示出根据本公开的各个方面的示例性自主交通工具;
图2以示意性互连图示出根据本公开的各个方面的交通工具的安全性***的各种示例性电子组件;
图3以示意性流程图示出根据本公开的各个方面的示例性方法;
图4以示意性流程图示出根据本公开的各个方面的示例性方法;
图5以示意性俯视图示出根据本公开的各个方面的方法的场景;
图6以示意性通信图示出根据本公开的各个方面的方法的示例性实现方式;
图7以示意性通信图示出根据本公开的各个方面的方法的示例性实现方式;
图8以示意性俯视图示出作为根据本公开的各个方面的方法的示例性实现方式的***;
图9A和图9B各自以示意性表图示出根据本发明的各个方面的方法的操纵列表;
图10以示意性流程图示出根据本公开的各个方面的操纵确定的示例性实现方式;
图11以示意性架构图示出根据本公开的各个方面的示例性消息架构;
图12示出根据本公开的各个方面的方法的示例性实现方式;
图13以示意性流程图示出根据本公开的各个方面的评定确定的示例性实现方式;
图14以示意性流程图示出根据本公开的各个方面的操纵相关性的示例性实现方式;
图15以示意性流程图示出根据本公开的各个方面的操纵组合评定的示例性实现方式;
图16以示意性流程图示出根据本公开的各个方面的操纵组合选择的示例性实现方式;
图17以示意性流程图示出根据本公开的各个方面的冲突解决的示例性实现方式;以及
图18以示意性通信图示出根据本公开的各个方面的冲突协调的示例性实现方式。
具体实施方式
下列具体实施方式引用附图,这些附图通过说明的方式示出示例性细节以及本公开可在其中实施的各方面。
在本申请中使用词“示例性”来意指“充当示例、实例或说明”。在本申请中被描述为“示例性”的任何实施例或设计不一定被解释为相对于其他实施例或设计是优选的或有优势的。
贯穿附图,应注意,除非另有说明,否则相同的附图标记用于描绘相同或相似的要素、特征和结构。
短语“至少一个”和“一个或多个”可被理解为包括大于或等于一的数量(例如,一个、两个、三个、四个、[...]等)。关于一组要素的短语“……中的至少一个”在本文中可用于意指来自由要素组成的组的至少一个要素。例如,关于一组要素的短语“……中的至少一个”在本文中可用于意指以下各项中的选择:所列要素中的一个、多个的所列要素中的一个要素、多个个体所列要素、或多个的数个个体所列要素。
说明书和权利要求书中的词语“复数个(plural)”和“多个(multiple)”明确地指代大于一的量。因此,任何明确地援引上述词语来指代某个数量的要素的短语(例如,“复数个[要素]”、“多个[要素]”)明确地指代多于一个的所述要素。例如,短语“多个(aplurality)”可被理解为包括大于或等于二的数量(例如,两个、三个、四个、五个、[...]等)。
说明书中和权利要求书中的短语“(……的)组”、“(……的)集”、“(……的)集合”、“(……的)系列”、“(……的)序列”、“(……的)分组”等(如果存在)指代等于或大于一的量,即一个或多个。术语“适当的子集”、“减小的子集”、和“较小的子集”指代集合的不等于该集合的子集,说明性地,指代集合的包含比该集合少的元素的子集。
如本文中所使用的术语“数据”可被理解为包括采用任何合适的模拟或数字形式的信息,例如,作为文件、文件的部分、文件集合、信号或流、信号或流的部分、信号或流的集合等等来提供的信息。进一步地,术语“数据”还可用于意指对信息的例如以指针的形式的引用。然而,术语“数据”不限于上述示例,并且可采取各种形式并表示如本领域中理解的任何信息。
例如,如本文中所使用的术语“处理器”或“控制器”可被理解为允许处置数据的任何种类的技术实体。可根据由处理器或控制器执行的一个或多个特定功能来处置数据。进一步地,如本文中所使用的处理器或控制器可被理解为任何种类的电路,例如任何种类的模拟或数字电路。处理器或控制器因此可以是或可包括模拟电路、数字电路、混合信号电路、逻辑电路、处理器、微处理器、中央处理单元(CPU)、图形处理单元(GPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、集成电路、专用集成电路(ASIC)等,或其任何组合。下文将进一步详细描述的相应功能的任何其他种类的实现方式也可被理解为处理器、控制器或逻辑电路。应理解,本文中详述的处理器、控制器或逻辑电路中的任何两个(或更多个)可被实现为具有等效功能的单个实体等等,并且相反地,本文中详述的任何单个处理器、控制器或逻辑电路可被实现为具有等效功能的两个(或更多个)分开的实体等等。
如本文中所使用,“存储器”被理解为数据或信息可以被存储在其中以供检取的计算机可读介质(例如,非瞬态计算机可读介质)。对本文中所包括的“存储器”的引用可因此被理解为是指易失性或非易失性存储器,包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、固态存储、磁带、硬盘驱动器、光驱、3D XPointTM等等、或其任何组合。在本文中,寄存器、移位寄存器、处理器寄存器、数据缓冲器等等也可由术语存储器包含。术语“软件”是指任何类型的可执行指令,包括固件。
除非明确地指定,否则术语“发射”涵盖直接(点对点)和间接(经由一个或多个中间点)的发射两者。类似地,术语“接收”涵盖直接和间接的接收两者。此外,术语“发射”、“接收”、“传递”和其他类似术语涵盖物理传输(例如,对无线电信号的传输)和逻辑传输(例如,通过逻辑软件级连接对数字数据的传输)两者。例如,处理器或控制器可通过软件级连接以无线电信号的形式与另一处理器或控制器对数据进行发射或接收,其中,物理发射和接收由诸如RF收发机和天线之类的无线电层组件处置,并且通过软件级连接的逻辑发射和接收由处理器或控制器执行。术语“传递”涵盖发射和接收中的一者或两者,即,在传入方向和传出方向中的一个或这两个方向上的单向或双向传递。术语“计算”涵盖经由数学表达式/公式/关系进行的‘直接’计算和经由查找表或散列表以及其他数组索引或搜索操作进行的‘间接’计算两者。
任何类型的信息的传输(信息传输)可根据通信协议。一般而言,信息的传输可包括根据通信协议生成和/或发送包括该信息的消息。通信协议可指示一种合意,信息根据该合意在两个或更多个组件之间传输。以最简单的形式,可将通信协议定义为定义传输的语义、语法和同步性的规则集合。所使用的(多个)通信协议(例如,一个或多个网络协议)可以(但并非必须)根据OSI(开放***互连)参考模型来配置。任何协议也可以在相应的协议层中使用。例如,信息经由某种类型的网络的传输可包括根据网络传输协议生成和/或发送包括该信息的消息。
可以将“交通工具”理解为包括任何类型的被驾驶对象。作为示例,交通工具可以是具有内燃机、反作用式引擎、电驱动对象、混合驱动对象或其组合的被驾驶对象。交通工具可以是或者可以包括汽车、公共汽车、小型公共汽车、货车、卡车、房车、车辆拖车、摩托车、自行车、三轮车、火车机车、火车车厢、移动机器人、个人运输机、船只、船、潜水器、潜艇、无人机、飞机、火箭等。
本文中所详述的交通工具可以是例如地面交通工具。地面交通工具摂可理解为包括任何类型的车辆,如上文所述,被配置成(例如,在街道上、在道路上、在轨道上、在一条或多条轨道上、越野等)横穿地面的车辆。
术语“自主交通工具”可描述能够在不具有驾驶员输入的情况下实现至少一种导航改变(也被称为操纵)的交通工具。即使在交通工具不是完全自动(例如,在有驾驶员输入或无驾驶员输入的情况下完全操作)的情况下,也可以将交通工具描述为自主的。自主交通工具可以包括可以在某些时间段内在驾驶员控制下操作并且在其他时间段内无需驾驶员控制而操作的那些交通工具。自主交通工具还可包括仅控制交通工具导航的一些方面的交通工具,交通工具导航的一些方面诸如转向(例如,在交通工具车道约束之间维持交通工具路线)或在某些情形下(但并非在所有情形下)进行一些转向操作,但可能将交通工具导航的其他方面留给驾驶员(例如,在某些情形下进行制动或刹车)。自主交通工具还可以包括在某些情形下共同控制交通工具导航的一个或多个方面的交通工具(例如,动手操作(诸如响应驾驶员的输入))和在某些情形下控制交通工具导航的一个或多个方面的交通工具(例如,放手操作(诸如独立于驾驶员的输入))。自主交通工具还可以包括在某些情形下(诸如,在某些环境条件下(例如,空间区域、道路状况))控制交通工具导航的一个或多个方面的交通工具。在一些方面,自主交通工具可以处理交通工具的制动、速率控制、速度控制和/或转向的一些或所有方面。自主交通工具可以包括可以在没有驾驶员的情况下操作的那些交通工具。交通工具的自主性级别可以由交通工具的汽车工程师协会(SAE)级别(例如,由SAE例如在SAE J3016 2018中定义:道路机动交通工具的驾驶自动化***相关术语的分类和定义)或由其他相关专业组织进行描述或确定。SAE级别可以具有范围从最小级别(例如,0级(说明性地,基本上没有驾驶自动化))到最大级别(例如,5级(说明性地,完全驾驶自动化))的值。
导航改变可描述或包括例如通过如交通工具的转向、加速和/或减速(也被称为制动)之类的动作引起的移动的方向和/或移动的速度中的一项或多项的改变。导航改变可包括单个动作(例如,制动)或一系列事件(例如,多次转向)。由此,操纵的示例可包括较不复杂的操纵,诸如使交通工具的速度适应于前行交通工具的速度。而且,操纵的示例可包括较复杂的操纵,诸如一系列速度改变和转向动作以改变车道。为了将操纵作为信息(也被称为操纵数据)来进行传输,可根据操纵指示协议生成指示该操纵的消息。操纵指示协议可实现定义用于例如使用时间戳和/或空间坐标将操纵描述为信息(例如,表示形式语言)的语法和语义的规则集合。由此,消息中所包括的操纵数据(也被更简单地称为操纵)可以是对操纵(例如,要执行的操纵)的表示。
例如,当一个或多个动作被采取时和/或在一个或多个动作被采取的情况下,例如通过引用单独的(多个)动作(例如,使用时间戳和/或空间坐标),能以形式语言来描述操纵(例如,每种类型的动作)。作为示例,可将操纵描述为语义动作,诸如“左转”、“右转”、“变道”等等,这些语义动作在置于序列中时可用于描述较复杂的操纵。作为另一示例,可将操纵描述为交通工具的轨迹,例如基于节点的轨迹。空间坐标的示例可包括笛卡尔坐标、地理坐标、道路坐标(例如,曲线坐标)等等。
例如,本文使用的术语“模型”可以被理解为根据输入数据提供输出数据的任何种类的算法(例如,从输入数据生成或计算输出数据的任何种类的算法)。作为示例,模型可包括一个或多个机器学习模型。
本文中的各实施例可利用一个或多个机器学习模型来执行或控制交通工具的功能(或本文中所描述的其他功能)。机器学习模型可由计算***执行以渐进地改善特定任务的性能。在一些方面中,可在训练阶段期间基于训练数据来调整机器学习模型的参数。可在推断阶段期间使用经训练的机器学习模型来基于输入数据提供预测或决策作为输出。在一些方面中,可使用经训练的机器学习模型来生成附加的训练数据。可在第二训练阶段期间基于所生成的附加训练数据来调整附加机器学习模型。可在推断阶段期间使用经训练的附加机器学习模型来基于输入数据作出预测或决策。
本文中所描述的机器学习模型可采取任何合适的形式或利用任何合适的技术(例如,以用于训练目的)。例如,这些机器学习模型中的任何机器学习模型均可利用监督式学习、半监督式学习、无监督式学习、或强化学习技术。
在监督式学习中,可使用训练数据集来建立模型,该训练数据集包括输入和对应的期望输出两者(说明性地,每个输入可与针对该输入的期望或预期输出相关联)。每个训练实例可包括一个或多个输入并且包括期望输出。训练可包括通过训练实例迭代以及使用目标函数来教导模型预测对应于新的输入的输出(说明性地,对于训练集中不包括的输入)。在半监督式学习中,训练集中的输入的部分可能缺少相应的期望输出(例如,一个或多个输入可能不与任何期望或预期输出相关联)。
在无监督式学习中,在一些方面,可从仅包括输入而不包括期望输出的训练数据集来建立模型。无监督式模型可用于说明性地通过发现数据中的模式而找到该数据中的结构(例如,对数据点的分组或聚类)。可在无监督式学习模型中实现的技术可包括例如自组织图、最近邻映射、k均值聚类、以及奇异值分解。
强化学习模型可包括正反馈或负反馈以改善准确性。强化学习模型可尝试使一个或多个目标/回报最大化。可在强化学习模型中实现的技术可包括例如Q学习、时间差(TD)和深度对抗网络。
本文中所描述的各个方面可利用一个或多个分类模型,例如执行分类的算法。在分类模型中,输出数据可限于值的有限集合(例如,一个或多个类别)。分类模型可输出针对具有一个或多个输入值的输入集合的类别。输入集合可包括传感器数据,诸如图像数据、雷达数据、激光雷达数据、操纵数据等等。如本文中所描述的分类模型可例如对某些操纵、驾驶状况和/或环境状况(诸如,天气状况、道路状况)等等进行分类。本文中对分类模型的引用可构想实现例如下列技术中的任何一种或多种技术的模型:线性分类器(例如,逻辑回归或朴素贝叶斯分类器)、支持向量机、决策树、提升树、随机森林、神经网络或最近邻。
本文中所描述的机器学习模型可以是或可包括神经网络。神经网络可以是任何种类的神经网络,诸如卷积神经网络(CNN)、自编码器网络、变分自编码器网络、稀疏自编码器网络、循环神经网络、去卷积网络、生成性对抗网络,前瞻性神经网络、和积神经网络等等。神经网络可包括任何数量的层。对神经网络的训练(例如,调整神经网络的层)可使用或可基于任何种类的训练远离,诸如反向传播(例如,使用反向传播算法)。
贯穿本公开,下列术语将作为同义词来使用:驾驶参数集,驾驶模型参数集,安全层参数集,驾驶员辅助、自动化驾驶模型参数集,和/或类似术语(例如,驾驶安全性参数集)。
此外,贯穿本公开,下列术语将作为同义词来使用:驾驶参数、驾驶模型参数、安全层参数、驾驶员辅助和/或自动化驾驶模型参数、和/或类似术语(例如,驾驶安全性参数)。
本文中所公开的各方面减少了将对操纵的授权的责任强加于中央协调方的需要,作为示例,源自集中式控制方法,这些操纵随后由经协调的交通工具可靠地执行。作为示例,集中式控制方法可包括基于预订的控制方法,通过该基于预订的控制方法,交通工具请求对时间和空间的部分的使用权。如果没有检测到冲突,则预订被授权。如果并非没有检测到冲突,则不允许交通工具进入这些部分。然而,由于对于安全性而言至关重要的决策是由第三方控制中央协调方作出的,因此集中式控制方法可能无法满足可接受的安全性规范。
例如,相较于在不利用中央协调方的情况下起作用的分散式协调方法,本文中所公开的各方面降低了复杂性并促进扩展到更大的场景。作为示例,分散式控制方式可基于由短程和蜂窝交通工具对外界(V2X)通信提供的协作认知,交通工具通过该协作认知与其他交通工具交换当前位置信息。分散式控制方法的另一示例利用交通工具对交通工具(V2V)通信来提供检测、协作请求、操纵接受、以及操纵执行,在不具有任何中央协调方的情况下通过这些对操纵冲突进行协商。
在本文中,作出对提供根据各方面的功能的组件的引用,这些组件诸如网络组件和交通工具。可理解,组件可各自包括被配置成用于执行相应的功能的一个或多个处理器。类似地,可提供代码段,这些代码段在由一个或多个处理器执行时可使该处理器执行相应的功能。
图1示出根据本公开的各个方面的示例***通工具,即交通工具100。在一些方面,交通工具100可包括处理器102以及一个或多个传感器104、106、108、110、112(也被称为交通工具传感器)。一个或多个传感器104、106、108、110、112的示例可包括一个或多个图像采集设备104、一个或多个位置传感器106、一个或多个速度传感器108、一个或多个雷达传感器110、和/或一个或多个激光雷达传感器112。
在一些方面,交通工具100可包括(如下文参考图2所描述的)安全性***200。应领会,交通工具100和安全性***200本质上是示例性的,并且因此可出于解释的目的而被简化。要素的位置和关系距离(如上文所讨论的,这些图并未按比例绘制)是作为示例而提供,并不限于此。取决于特定实现方式,安全性***200可包括各种组件。
图2示出根据本公开的各个方面的交通工具的各种示例性电子组件,即安全性***200。在一些方面,安全性***200可包括一个或多个处理器102以及一个或多个传感器,该一个或多个传感器例如:一个或多个图像采集设备104(例如,一个或多个相机)、一个或多个位置传感器106(例如,全球导航卫星***(GNSS)、全球定位***(GPS)等)、一个或多个速度传感器108、一个或多个雷达传感器110、和/或一个或多个激光雷达传感器112。根据至少一个方面,安全性***200可进一步包括一个或多个存储器202、一个或多个地图数据库204、一个或多个用户接口206(例如,显示器、触摸屏、话筒、扬声器、一个或多个按钮和/或开关等)、和/或一个或多个无线收发器208、210、212。在一些方面,无线收发器208、210、212可根据相同的、不同的无线电通信协议或标准或其任何组合来配置。作为示例,无线收发器(例如,第一无线收发器208)可以根据短程移动无线电通信标准(例如,蓝牙、Zigbee等)来进行配置。作为另一示例,无线收发器(例如,第二无线收发器210)可以根据中程或宽程移动无线电通信标准(例如,根据对应的3GPP(第三代合作伙伴计划)标准的3G(例如,通用移动通信***–UMTS)、4G(例如,长期演进–LTE)和/或5G移动无线电通信标准等)来进行配置。作为进一步地示例,无线收发器(例如,第三无线收发器212)可以根据无线局域网通信协议或标准(例如,IEEE 802.11、802.11a、802.11b、802.11g、802.11n、802.11p、802.11-12、802.11ac、802.11ad、802.11ah等)进行配置。一个或多个无线收发器208、210、212可以被配置成通过空中接口经由天线***传送信号。
在一些方面,一个或多个处理器102可以包括应用处理器214、图像处理器216、通信处理器218和/或任何其他合适的处理设备。取决于特定的应用,(多个)图像采集设备104可例如包括任何数量的图像采集设备和组件。图像采集设备104可包括一个或多个图像捕捉设备(例如,相机、CCD(电荷耦合器件)、或任何其他类型的图像传感器)。
在至少一个方面,安全性***200还可包括将一个或多个处理器102通信地连接至一个或多个图像采集设备104的数据接口。例如,第一数据接口可包括任何有线和/或无线的一个或多个第一链路220,该一个或多个第一链路220被配置成用于将由一个或多个图像采集设备104获取的图像数据传送至一个或多个处理器102(例如,传送到图像处理器216)。
在一些方面,无线收发器208、210、212可经由例如第二数据接口耦合至一个或多个处理器102(例如,耦合至通信处理器218)。第二数据接口可包括任何有线和/或无线的一个或多个第二链路222,该一个或多个第二链路222被配置成用于将由无线收发器208、210、212获取的无线电传送的数据传送至一个或多个处理器102(例如,传送至通信处理器218)。
在一些方面,存储器202以及一个或多个用户接口206可例如经由第三数据接口耦合至一个或多个处理器102中的每个处理器。第三数据接口可以包括一个或多个任何有线和/或无线的第三链路224。此外,位置传感器106可例如经由第三数据接口耦合至一个或多个处理器102中的每个处理器102。
此类传输还可包括交通工具100与交通工具100的环境(附近区域)中的一个或多个其他(目标)交通工具之间的通信(例如,单向或双向)(例如,以促进交通工具100鉴于在交通工具100的环境中的其他(目标)交通工具或与其他(目标)交通工具一起进行的导航的协调),或甚至向正在发射的交通工具100附近的未指定接收者进行广播传输。
收发器208、210、212中的一个或多个收发器可被配置成实现一个或多个交通工具对外界(V2X)通信协议,该交通工具对外界(V2X)通信协议可以包括交通工具对交通工具(V2V)、交通工具对基础设施(V2I)、交通工具对网络(V2N)、交通工具对行人(V2P)、交通工具对设备(V2D)、交通工具对网格(V2G)、以及其他协议。
一个或多个处理器102中的每个处理器214、216、218可包括各种类型的基于硬件的处理设备。作为示例,每个处理器214、216、218可包括微处理器、预处理器(诸如图像预处理器)、图形处理器、中央处理单元(CPU)、支持电路、数字信号处理器、集成电路、存储器,或适合用于运行应用以及用于图像处理和分析的任何其他类型的设备。在一些方面,每个处理器214、216、218可包括任何类型的单核或多核处理器、移动设备微控制器、中央处理单元等。这些处理器类型可各自包括具有本地存储器和指令集的多个处理单元。此类处理器可包括用于从多个图像传感器接收图像数据的视频输入,并且还可包括视频输出能力。
本文中所公开的处理器214、216、218中的任一者可被配置成用于根据可被存储在一个或多个存储器202中的存储器中的程序指令来执行某些功能。换言之,一个或多个存储器202中的一个存储器可存储在由处理器(例如,由一个或多个处理器102)执行时控制***(例如,安全性***)的操作的软件。例如,一个或多个存储器202中的存储器可存储一个或多个数据库和图像处理软件、以及经训练的***(诸如,神经网络、或深度神经网络)。一个或多个存储器202可包括任何数量的随机存取存储器、只读存储器、闪存、盘驱动器、光存储、磁带存储、可移动存储、以及其他类型的存储。
在一些方面,安全性***200可进一步包括诸如用于测量交通工具100的速度的速度传感器108(例如,速度计)之类的组件。安全性***还可包括用于测量交通工具100沿一个或多个轴线的加速度的一个或多个(单轴或多轴)加速度计(未示出)。安全性***200可进一步包括附加传感器或不同的传感器类型,诸如超声波传感器、热传感器、一个或多个雷达传感器110、一个或多个激光雷达传感器112(其可集成在交通工具100的前照灯中)等等。雷达传感器110和/或激光雷达传感器112可以被配置成用于提供经预处理的传感器数据,诸如雷达目标列表或激光雷达目标列表。第三数据接口可以将速度传感器108、一个或多个雷达传感器110、以及一个或多个激光雷达传感器112耦合至一个或多个处理器102中的至少一个处理器。
一个或多个存储器202可将数据存储在例如数据库中或以任何不同格式存储数据,这些数据例如指示已知地标的位置。一个或多个处理器102可以处理交通工具100的环境的传感信息(诸如图像、雷达信号、来自对两个或更多个图像的激光雷达或立体处理的深度信息)以及位置信息(诸如GPS坐标、交通工具的自我运动等),以确定交通工具100相对于已知地标的当前位置,并细化对交通工具的位置的确定。该技术的某些方面可以被包括在定位技术(诸如建图和路线选择模型)中。
地图数据库204可包括存储用于交通工具100(例如,用于安全性***200)的(数字)地图数据的任何类型的数据库。地图数据库204可包括与各种项目(包括道路、水景、地理特征、商业、感兴趣的地点、餐馆、加油站等)在参考坐标系中的位置相关的数据。地图数据库204不仅可存储此类项目的位置,而且可存储与这些项目相关的描述符,包括例如与存储的特征中的任何特征相关联的名称。在此类方面中,一个或多个处理器102中的处理器可通过到通信网络的有线或无线数据连接(例如,通过蜂窝网络和/或因特网等)从地图数据库204下载信息。在一些情况下,地图数据库204可存储稀疏数据模型,包括某些道路特征(例如,车道标记)或交通工具100的目标轨迹的多项式表示。地图数据库204还可包括各种识别出的地标的所存储的表示,这些所存储的表示可被提供以确定或更新交通工具100相对于目标轨迹的已知位置。地标表示可包括诸如地标类型、地标位置、以及其他潜在标识符之类的数据字段。
此外,安全性***200可包括例如在高级驾驶辅助***(ADAS)和/或驾驶辅助***及自动化驾驶***中实现的驾驶模型。作为示例,安全性***200可以包括(例如,作为驾驶模型的一部分的)形式模型(诸如,安全性驾驶模型)的计算机实现方式。安全性驾驶模型可以是或可包括对适用于自驾驶(地面)交通工具的可适用法律、标准、政策等的解释进行形式化的数学模型。安全性驾驶模型可被设计为实现例如三个目标:第一,法律的解释在它符合人类如何解释法律的意义上应该是应该合理的;第二,解释应该带来有用的驾驶策略,这意味着它将带来灵活的驾驶策略而不是过度防御性的驾驶,该过度防御性的驾驶不可避免地会使其他人类驾驶员感到迷惑并将阻塞交通,并且进而限制***部署的可扩展性;以及第三,在可以严格地证明自驾驶(自主)交通工具正确地实现该法律的解释的意义上,解释应当是高效地可验证的。说明性地,安全性驾驶模型可以是或可包括用于安全性保障的数学模型,该数学模型实现对危险情况的恰当响应的标识和执行,使得可以避免自身导致的事故。
本文中详述的安全性驾驶模型可任选地被配置成用于提供对一个或多个操纵的分类作为输出数据。作为示例,分类可包括评级,例如紧迫性评级、偏好评级、和/或安全性评级。在本文中,可根据评级标准来确定评级。说明性地,评级标准反映评级在其之下被确定的标准。例如,评级标准可以是紧迫性、偏好、和/或安全性,由此提供相应的紧迫性评级、偏好评级、和/或安全性评级。作为示例,分类可包括评定,诸如表示操纵的潜在碰撞风险的安全性评定,即操纵的安全性。应注意,这些分类不是限制性的且不是排他性的,并且可以根据需要在各个方面进行修改。
安全性驾驶模型可以实现应用驾驶行为规则的逻辑,诸如以下五条规则:
-不要从后面撞到人。
-不要鲁莽地***。
-通行权是被给予的而不是被取得的。
-注意能见度有限的区域。
-如果你能在不引起另一起事故的情况下避免一起事故,那么你必须这样做。
应注意,这些规则不是限制性的并且也不是排他性的,并且可以根据需要在各个方面进行修改。这些规则而是表示社会驾驶合约,该社会驾驶合约取决于地区而可能是不同的,并且还可能随着时间的推移而发展。虽然这五条规则目前适用于大多数国家,但它们可能并不完整并且可能会被修改。
如上文所描述,交通工具100可包括安全性***200,还参考图2来描述该安全性***200。
交通工具100可包括例如与交通工具100的引擎控制单元(ECU)集成或分离的一个或多个处理器102(也被称为交通工具处理器102)。
一般而言,安全性***200可生成数据来控制或辅助控制ECU和/或交通工具100的其他组件,以直接地或间接地控制对交通工具100的驾驶。
根据各个方面,交通工具100可包括交通工具通信网络(例如,现场总线通信网络),该交通工具通信网络用于各种组件经由链路220、222、224彼此进行的通信。交通工具通信网络可用于例如经由基于消息的通信协议的例如实时分布式通信。交通工具通信网络可例如以菊形链、星形、环形、分支、和/或树形网络拓扑或其混合来提供。经由交通工具通信网络发送的多个消息的次序和优先级由交通工具通信网络协议来定义。此类交通工具通信网络协议可针对实时分布式控制来进行配置,例如,标准化为国际电工委员会(IEC)61158(题为“用于测量和控制的数字数据通信–用于在工业控制***中使用的现场总线”,例如在2017年5月2日的版本中)。例如,交通工具通信网络可将交通工具100的一个或多个控制器、一个或多个传感器、一个或多个发射器、和/或(例如,动力***的)一个或多个作用器彼此连接。
图3示出根据各个方面如由各种组件实现的示例性方法300,这些组件即第一交通工具V1、第二交通工具V2、以及交通工具外部的网络组件NC(即,第一交通工具V1外部的和/或第二交通工具V2外部的网络组件)。可理解,方法300的一个或多个方面可在不具有方法300的其他方面的情况下被实现,例如,经由执行根据方法300的该一个或多个方面的功能的处理器来实现。
说明性地,网络组件NC提供各个交通工具之间的协调方,例如,这些交通工具诸如第一交通工具V1和第二交通工具V2。在下文中,出于说明性目的,作出对一组两个交通工具V1、V2的参考,这并不旨在是限制性的。所作的参考可应用于多于两个的交通工具,例如应用于一组N个交通工具。例如,N可以是2或更多,例如5或更多,例如10或更多,例如20或更多,例如50或更多,例如100或更多,例如500或更多,例如1000或更多。一组N可包括表示交通工具100的第一交通工具V1,并且包括一个或多个第二交通工具V2,该一个或多个第二交通工具V2中的每一个由所详述的第二交通工具V2来表示。
换言之,方法300可类似地应用于一组N个交通工具,该组N个交通工具包括第一交通工具V1和N-1个第二交通工具V2。说明性地,第一交通工具V1可以是处于自我视角的交通工具100(也被称为自我交通工具)。在一些方面,参考用于一组N个交通工具中的一个交通工具100的方法300概述的下列功能、通信和动作可类似地应用于第一交通工具V1和/或应用于第二交通工具V2,例如应用于一组N个交通工具中的每一个。
方法300的一个或多个方面可由用于交通工具的控制器(也被称为交通工具控制器)实现。交通工具控制器可包括一个或多个交通工具处理器102。在下文中,出于说明性的目的,将参考各个功能来描述方法300,这些并不旨在是限制性的。可理解,在各方面,两项或更多项功能可按时间顺序重叠或被合并。可理解,在各方面,可根据特定的应用对两项或更多项功能在其次序上进行重新布置。可理解,在各方面,可根据特定的应用对两项或更多项功能的组件进行交换。
一个或多个交通工具处理器102可被配置成用于:在301(也被称为操纵确定301)中,确定操纵列表301a、301b,操纵列表301a、301b包括基于安全性驾驶模型的对相应交通工具100的多个潜在操纵301a、301b;以及在303(也被称为操纵共享303)中,将操纵列表301a、301b传送303a、303b至网络组件NC。说明性地,潜在操纵反映从自我视角来看交通工具100的操纵备选方案。
在各方面中,可基于与交通工具100有关的传感器数据来确定操纵列表301a、301b。例如,传感器数据可由交通工具100的一个或多个传感器(也被称为交通工具传感器)提供。另外或替代地,传感器数据可由交通工具100外部的一个或多个传感器(也被称为(多个)外部传感器)提供。一个或多个外部传感器的示例包括:一个或多个静止传感器(诸如路边传感器);至少一个其他交通工具的一个或多个传感器。传感器数据可包括关于交通工具100和/或交通工具100的附近区域的信息。关于交通工具100的信息的示例可包括:交通工具100的速度、交通工具100的位置、交通工具100的路线选择信息、交通工具100的移动方向等等。关于交通工具100的附近区域的信息的示例可包括:一个或多个障碍物、一个或多个交通参与方(诸如,其速度、类型、位置、尺寸、移动方向等等)、道路走向、一个或多个交通标志。交通参与方的示例可包括:交通工具、行人、骑行者等等。
在各方面中,可基于与交通工具100的安全性驾驶模型来确定操纵列表301a、301b。例如,可将传感器数据作为输入数据馈送至交通工具100的安全性驾驶模型,该输入数据包括一个或多个输入参数(也被称为输入驾驶参数)。安全性驾驶模型可被配置成用于进行响应而输出操纵列表301a、301b作为输出数据,该输出数据例如包括一个或多个输出参数(也被称为(多个)输出驾驶参数)。
任选地,操纵列表301a、301b可包括针对每个潜在操纵、由安全性驾驶模型提供的或被提供至安全性驾驶模型的参数中的一个或多个参数。
被提供至安全性驾驶模型的一个或多个参数的示例可包括安全性驾驶模型的输入参数。被提供至安全性驾驶模型的参数中的一个或多个参数可包括情境信息,该情境信息例如表示在哪个基础上确定操纵列表301a、301b。这实现了向网络组件NC提供关于操纵列表301a、301b的基础的更多信息的能力。
由安全性驾驶模型提供的参数中的一个或多个参数可包括操纵的分类,该操纵的分类例如表示操纵的评级。由安全性驾驶模型提供的一个或多个参数的示例可包括:操纵列表301a、301b中的每个操纵的评级311a、311b(也被称为交通工具评级)(例如,提供操纵列表301a、301b的排序),例如关于下列评级类型中的一个或多个:操纵的紧迫性、操纵的偏好、操纵的安全性。作为示例,可基于交通工具100的类型、其目的地、交通规则、即将发生的碰撞、和/或国家法规来确定操纵的紧迫性。例如,可基于路线选择信息和/或所选择的经济性驾驶程序来确定操纵的偏好。例如,可基于一个或多个交通参与方来确定操纵的安全性。
网络组件NC可包括被配置成用于处理由交通工具100提供的信息的一个或多个处理器(也被称为协调方处理器),这将参照305、307、309进行描述。
一个或多个协调方处理器可被配置成用于:在305(也被称为评定确定305)中,从多个评定(A1、……、Av)给操纵列表301a、301b中的每个操纵分派评定A(Mh)。说明性地,可鉴于在预定时间帧内提供给网络组件NC的每个操纵列表301a、301b来对每个操纵排定优先级和/或对每个操纵进行评估。
例如,通过将操纵Mh与提供给网络组件NC的每个操纵列表301a、301b(例如,与每个操纵列表的操纵中的每个操纵)进行比较,可将评定A(Mh)分派给操纵列表301a、301b中的相应操纵Mh。评定A(Mh)可反映比较的结果。说明性地,一个或多个协调方处理器可被配置成用于确定(两个交通工具100的)两个操纵的每个可能的组合并且判定该组合是否导致冲突(诸如,两个交通工具V1、V2是否碰撞)。
多个评定的示例可包括多个安全性评定。多个安全性评定(A1、……、Av)可包括第一评定A1,该第一评定A1指示操纵是非危害性的(例如,安全的和/或没有冲突被确定)。例如,多个安全性评定可包括第二评定A2,该第二评定A2指示操纵是危害性的(例如,不安全的和/或冲突被确定)。任选地,多个安全性评定可包括第三评定A3,该第三评定A3指示操纵是部分危害性的(例如,潜在的冲突被确定)。当第三评定被分派时,该第三评定可包括与冲突的潜在可能性有关的情境信息,例如冲突在哪些情况下出现或被避免、冲突的可能性等等。
例如,一个或多个协调方处理器可被配置成用于提供可能组合的列表305a(也被称为组合列表305a)以及针对可能组合中的每个可能组合的评定(例如,安全的或不安全的)。
在示例中,第一交通工具V1可提供第一操纵列表301a,该第一操纵列表301a包括数量为K+1的操纵(M0、……、Mi、……、MK),即i=0,…,K。进一步地,第二交通工具V2可提供第二操纵列表301b,该第二操纵列表301b包括数量为L+1的操纵(M0、……、Mj、……、ML),即i=0,…,L。任选地,组合列表305a(示例性地作为张量被提供)可将一个或多个评级Rij分派给操纵组合中的每个操纵组合(Mi,Mj),该一个或多个评级例如,如接收自第一交通工具V1和/或第二交通工具V2的交通工具评级。在该示例中,张量{Mi,Mj}具有两个维度,但是一般而言,张量可具有N个维度。对于N个维度,组合列表305a可包括元组(Mi,…,Mj,…,MN)。
一个或多个协调方处理器可被配置成用于基于由网络组件NC实现的安全性驾驶模型将评定A(Mh)分派给第一操纵列表301a的和/或第二操纵列表301b的每个操纵Mh(h=i或h=j)。例如,可将第一操纵列表301a和/或第二操纵列表301b作为输入数据输入至网络组件NC的安全性驾驶模型。作为响应,网络组件NC的安全性驾驶模型可将评定A(Mh)作为输出数据提供给输入数据的每个操纵Mh。说明性地,评定A(Mh)可反映操纵Mh是否为安全的。说明性地,一个或多个协调方处理器可被配置成用于基于其自身的安全性驾驶模型实例来评估由操纵列表301a、301b指示的交通情形。
任选地,可基于每个操纵组合(Mi,Mj)的冲突指示符Aij和/或基于操纵组合(Mi,Mj)的一个或多个安全性评级Rij来分派评定A(Mh),例如可将其中的每一者作为输入数据提供至网络组件NC的安全性驾驶模型。一个或多个安全性评级Rij可由第一交通工具V1和/或第二交通工具V2提供。说明性地,冲突指示符Aij可在操纵组合(Mi,Mj)的级别上指示操纵组合是否存在冲突。说明性地,一个或多个安全性评级Rij可指示:从单独的交通工具100的视角来看,操纵是否存在冲突。
例如,如果操纵组合(Mi,Mj)被确定为存在冲突,则冲突指示符Aij可以为1,否则为0。类似地,如果每一个冲突指示符A1j均为零,则分派给M1的评定可指示M1是安全的。
任选地,冲突指示符Aij可基于一个或多个评级R11,该冲突指示符例如指示Rij是否指示冲突或者有多少Rij指示冲突。例如,可计算针对某个操纵组合(Mi,Mj)的Rij的总和例如作为冲突指示符。替代地,当针对某个操纵组合(Mi,Mj)的Rij的总和大于阈值时,冲突指示符可以为1,否则为0。
任选地,可基于与交通工具V1、V2中的每一者有关的传感器数据来分派评定A(Mh)。例如,传感器数据可由交通工具V1、V2的一个或多个传感器提供。另外或替代地,传感器数据可由交通工具V1、V2外部的一个或多个传感器提供。上文概述了传感器数据的类型以及一个或多个传感器的示例。例如,可将传感器数据作为输入数据馈送至网络组件NC的安全性驾驶模型,作为响应,该安全性驾驶模型输出(多个)分派作为输出数据。
一个或多个协调方处理器可被配置成用于:在307(也被称为冲突解决307)中,选择操纵组合中的一个操纵组合,例如操纵组合(M1,M3)。例如,一个或多个协调方处理器可被配置成用于针对每个交通工具100确定具有最小冲突数量的操纵组合,如稍后详细描述。冲突解决307是任选的。
一个或多个协调方处理器可被配置成用于:在309(也被称为冲突协调309)中,与两个交通工具V1、V2协商所选择的操纵组合(Mi,Mj)。因此,一个或多个协调方处理器可被配置成用于与两个交通工具V1、V2中的每一者交换一个或多个消息(也被称为协调握手309a)。冲突协调309是任选的。
一个或多个协调方处理器可被配置成用于:在311(也被称为评定反馈311)中,对于操纵列表301a、301b中的每个操纵,将分派给操纵列表301a、301b中的操纵的评定313a、313b传送315a、315b回到交通工具100(也被称为评定反馈)。例如,可将分派给第一操纵列表301a中的每个操纵Mi的评定313a、313b传送315a至第一交通工具V1。在两个操纵的情况下,第一交通工具V1可针对这两个操纵中的每个操纵接收相应的评定。
在各方面中,可将评定与操纵列表301a、301b的完整信息一起(例如,与由网络组件NC接收到的操纵列表301a、301b的副本一起)发送。在各其他方面中,可将评定与针对操纵列表301a、301b中的每个操纵的指示符(也被称为操纵指示符)(例如,行号)一起发送。这使数据通信量最小化。
在各方面中,并非作出的所有评定均必须被发送回到交通工具100。例如,可将分派给操纵列表301a、301b的评定的子集发送至交通工具100。例如,在一些方面,评定的子集可包括仅第一评定。在另一示例中,评定的子集可包括仅第二评定,并且任选地包括第三评定。这使数据通信量最小化。由于评定传输的逻辑是由相应的通信协议定义的,因此未被传输的评定也是指示性的。由此,传输可指示针对多个操纵中的每个操纵所分派的评定。
例如,第三评定可指示并未与第二交通工具V2成功地协商相应操纵。
其评定被传输至交通工具100的、操纵列表301a、301b中的操纵也被称为针对交通工具100提出的操纵。
返回参考交通工具100,一个或多个交通工具处理器102可被配置成用于:在313(也被称为操纵决策)中,基于安全性驾驶模型并且基于评定反馈来确定操纵(也被称为针对交通工具规划的操纵或者被称为所规划的操纵)(也被称为交通工具规划)。说明性地,交通工具100接收评定作为对发送操纵列表301a、301b的反馈,并且可基于评定反馈选择一个操纵。
结果是,交通工具100可执行如针对交通工具100所规划的操纵(也被称为操纵执行),例如追超、维持车道、变道等等。由此,一个或多个交通工具处理器102可被配置成用于根据所规划的操纵向交通工具100的组件(例如,动力传动系)提供指令。
本文中所描述的方法300和功能提供包括交通工具100的安全性驾驶模型和基于预订的操纵协调的组合,以便通过提供对预期操纵的评定(说明性地,安全性评分)使观察到的危险情形的数量最小化。交通工具100可使用此种信息来避免安全性驾驶***例如独自可能无法在每一个场景中都避免的危险情形。
在下文中,详述说明性示例。连接的且自动化的交通工具100(CAV)可被配置成用于与中央协调实体NC(也被称为协调方)进行通信,该中央协调实体NC例如路边单元(RSU)或交通工具自组织网络中的领导方。如果交通工具100旨在执行修改其当前状态的一组驾驶动作(即,操纵)(例如,变道、追超、中断(break)等),则其可向协调方通知交通工具操纵意图以及它的驾驶参数。协调方提出从自身或第三方传感器源推导出的环境模型。网络组件NC接收操纵通知,并在所跨过的所有反应时间周期期间将安全性驾驶模型应用于全部的潜在操纵上,以评估是否可能达到危险情形。由于交通工具V1、V2将它们的预期操纵作为潜在操纵共享至网络组件NC,因此网络组件NC可更快地评估具有可能性更高的操纵的减小的空间。在网络组件NC检测到危险情形的情况下,网络组件NC可根据其他优化目标(诸如交通拥堵、交通工具优先级、公平性等)来评估经协调的操纵是否可能(例如,及时)。此种协调可包括关于风险的合意,以及由此关于在特定的时间段内在所涉交通工具上对驾驶参数的改变的合意。此外,方法300提供在边缘/云基础设施处提供工作负荷,该边缘/云基础设施可提供计算资源以利用关于自动化交通工具的预期操纵的安全性的信息来辅助该自动化交通工具。协调方可通过提供作为量化的‘操纵安全性级别’的评定来进行答复,例如指示所请求的操纵是否没有潜在碰撞、其他交通工具是否同意遵守预期操纵、或者是否推荐谨慎。结果是,每个交通工具基于评定(说明性地,评分信息)自由地决定要执行哪个操纵,以避免所规划的操纵(例如,轨迹)或对所规划的操纵更加警惕和/或将其与具有自己的预测的本地规划模块进行比较。
方法300可在经协调的场景中提供预测。方法300可在两个共存的级别上扩展安全性驾驶模型的应用,从而允许针对每个交通工具100上的自主性应用安全性驾驶模型以及在网络组件NC处包括用于预测的新层作为协调作用器(也被称为协调方)以提供针对潜在操纵组合的安全性评定。
图4示出根据各方面400如由第一交通工具V1和网络组件NC实现的示例性方法300。方法300的实现方式可通过反向工程来揭示。例如,可分析开放式或标准化***中交通工具100与网络组件NC之间的无线通信交换。如果所交换的消息包括操纵列表和安全性评定(如上文所描述),则方法300被实现。
方法300的实现方式还可例如通过“熵定律分析”在黑盒***中实现,甚至是半自动地实现。假定例如仅可观察的是交通工具100的操纵,则可从对交通工具行为的观察标识操纵统计。缺少安全性驾驶模型校正动作(用于脱离危害情形)但不太可能通过偶然的本地决策以此种方式演变的高风险操纵组合的高存在性有力地提供了方法300的实现方式的证据。例如,可将不利用方法300的情况下操纵序列的成功的可能性与利用方法300的情况下操纵序列的成功的可能性和/或符合安全性驾驶模型的操纵序列的成功的可能性进行比较。
方法300的实现方式还可由专有或公共V2X***的文档来反映,其中操由外部协调实体提供纵安全性评定。例如,文档可规定用于方法300的目的的交通工具驾驶参数的共享(例如,基于共享交通工具操纵意图,针对所预测的行为使用安全性驾驶模型)。
图5示出根据一些方面针对方法300的示例性场景500,该示例性场景500由各种组件实现,这些组件即第一交通工具V1、第二交通工具V2、以及网络组件NC。障碍502表示交通参与方,例如慢速卡车或公交车。
场景500反映潜在碰撞情形,其中方法300通过在预测层应用安全性驾驶模型来提供改善的解决方案,例如以改善操纵决策的安全性并改善驾驶体验。
第一交通工具V1可以是高优先级交通工具(例如,救护车)。第一交通工具V1偏好于执行追超操纵,该追超操纵被确定为具有备选方案M1至M3。作为示例,M1指示风险较低的追超操纵作为第一潜在操纵;M2指示冒险的追超操纵作为第二潜在操纵,并且M3指示制动操纵作为第三潜在操纵。第二交通工具V2可以是快速移动的交通工具。第二交通工具V2可偏好于并入到低速车道作为第一潜在操纵M1,并且已确定对其的两个备选方案,即以高速保持在同一车道作为第二潜在操纵M2,以及激进地中断并紧急并入作为第三潜在操纵M3。
例如,第一交通工具V1旨在后退至低速车道,而第二交通工具旨在进行追超并移动至同一车道。
通过各个交通工具V1、V2的安全性驾驶模型,由于可见性遮挡,第一交通工具V1在接近决策截止时间之前都无法将其偏好的操纵M1标识为不安全的。
根据方法300,交通工具V1、V2两者可请求网络组件NC评估其预期操纵M1至M3(也被称为潜在操纵)的安全性。网络组件NC可通知是否已经达成共识,并基于接收到的情形、道路状态、以及协调结果来提供对潜在操纵的评定作为“安全性级别评估”(也被称为安全性评定)。
方法300可通过使用协调实体给交通工具提供对预期操纵的更可靠的安全性评定。
根据各方面,可提供相较于单独的交通工具V1、V2更完整或更全局化的环境视图,例如具有仔细放置的路边传感器的RSU、或者具有特权视图或装配有高级传感器的所选择的移动的交通工具。
根据各方面,用于针对多个交通工具执行安全性评估的计算能力使得能够减少分布式方法的等待时间方面的握手开销。
根据各方面,RSU可提供高性能计算(HPC)服务器能力来实现网络组件NC。可例如通过所建立的公钥基础设施(PKI)或用于V2X服务的对称密钥方法提供与移动的交通工具V1、V2的信任关系(也被称为注册)。
根据各方面,可经由蜂窝V2X-PC5接口(也被称为LTE-V2X,即长期演进V2X)提供与移动的交通工具V1、V2进行通信例如以寻求针对冲突的操纵的合意的能力。
根据各方面,例如用于提供经协调的安全性评价的、交通工具100与网络组件NC之间的消息交换可被实现为服务,在该服务中可在不具有对参与组件的现有通信和计算能力的侵入性改变的情况下实现对用于所有参与的交通工具的信任根的预供应。
第一交通工具V1和/或第二交通工具V2可基于评定反馈来选择操纵M1至M3中的任一者作为所规划的操纵,并且根据所规划的操纵来执行对移动速度和/或移动方向的改变(也被称为操纵执行)。
图6示出根据各方面的方法300的示例性实现方式600。网络组件NC可由静止组件604(也被称为静止网络组件604)执行,该静止组件604诸如RSU 604或其他路边基础设施。另外或替代地,网络组件NC可由非静止组件602(也被称为非静止网络组件602)实现,该非静止组件诸如来自一组N个交通工具的交通工具602(也被称为所挑选的交通工具602)。
交通工具100与网络组件NC之间的消息交换可根据移动网络通信协议来传输。例如,在交通工具100与静止网络组件604之间交换的消息可经由交通工具对基础设施(V2I)通信协议来传输。例如,在交通工具100与非静止网络组件602之间交换的消息可经由V2V通信协议来传输。
作为实现方式600的示例,可提供包括一组N个交通工具并且任选地包括一个或多个禁止组件(例如RSU或其他路边基础设施)的***。***的实现网络组件(也被称为协调方)的组件以及一组N个交通工具可(例如在303中潜在操纵被共享之前)由***进行注册。在此情况下,协调方由RSU来实现,可以毫无疑义地选择RSU,并且身份和相互认证可使用V2X通信协议的PKI基础设施。在此情况下,协调方是临时地选择的,方法可包括领导方选择协议。根据领导方选择协议,具有特权位置和/或速度的交通工具和/或具有增强的传感器和/或计算装备的交通工具可被选择为协调方。
一旦协调方被确定,则可由该协调方对一组N个交通工具进行注册,例如以提高静默时段期间的操纵预测准确性。为了举例说明,可假定如果经注册的交通工具100不共享操纵列表301a、301b(或者不向协调方指示确定一个或多个潜在操纵),则该经注册的交通工具100保持其当前状态(例如,不改变车道、移动速度、和/或移动方向)。示例性消息架构在稍后详述。
图7示出根据各方面的方法300的示例性实现方式700。本文中针对静止网络组件604所概述的各方面可类似地应用于其他网络组件NC(例如非静止网络组件602)。
静止网络组件604和交通工具100可交换一个或多个消息以用于实现方法300(也被称为消息交换701)。消息交换701可根据移动网络通信协议(例如,蜂窝通信协议)。交通工具100与静止网络组件604之间的消息交换701可通过交通工具100的一个或多个无线收发器208、210以及静止网络组件604的一个或多个无线收发器702传输。可根据移动网络通信协议来配置(例如,在逻辑级)静止网络组件604的一个或多个无线收发器和/或交通工具100的一个或多个收发器。
例如,可经由消息交换701将操纵列表301a、301b从交通工具100发送至静止网络组件604。例如,交通工具100和静止网络组件604可经由消息交换701来执行协调握手309a。例如,将分派给操纵列表301a、301b的一个或多个评定313a、313b从静止网络组件604发送至交通工具100。
静止网络组件604可包括用于提供传感器数据(也被称为外部传感器数据)的一个或多个外部传感器704。作为示例,可将外部传感器数据提供至交通工具100,并且可将外部传感器数据作为输入参数馈送至交通工具100的安全性驾驶模型(例如,在301中)。作为示例,可将外部传感器数据作为输入参数馈送至静止网络组件604的安全性驾驶模型(例如,在305中)。
交通工具100可包括用于提供传感器数据(也被称为交通工具传感器数据)的一个或多个交通工具传感器104、106、108、110、112。作为示例,可将交通工具传感器数据提供至交通工具604,并且可将交通工具传感器数据作为输入数据馈送至静止网络组件604的安全性驾驶模型(例如,在305中)。作为示例,可将交通工具传感器数据作为输入数据馈送至交通工具100的安全性驾驶模型(例如,在301中)。
进一步地,交通工具100可包括一个或多个交通工具处理器102,该一个或多个交通工具处理器102被配置成用于生成去往静止网络组件604的第一消息(也被称为第一交通工具消息)。第一消息可包括操纵列表301a(包括第一多个潜在操纵)。可在先前确定操纵列表301a。例如,一个或多个交通工具处理器102可实现交通工具100的交通工具100安全性驾驶模型(也被称为交通工具安全性驾驶模型),并且可被配置成用于基于交通工具安全性驾驶模型并任选地进一步基于交通工具传感器数据和/或外部传感器数据来确定操纵列表301a。
一个或多个交通工具传感器102可进一步被配置成用于基于交通工具安全性驾驶模型并基于来自静止网络组件604的第二消息315a、315b来确定针对交通工具100所规划的操纵。协调方消息315a、315b可包括对于第一操纵列表301a中的一个或多个操纵Mi,分派给该操纵Mi的评定A(Mi)(例如,也被称为对一个或多个操纵进行分类)。
上文可应用于两个交通工具V1、V2中的每一者,由此提供相应的第一操纵列表301a和第二操纵列表301b并发送相应的包括第一操纵列表301a的第一交通工具消息和包括第二操纵列表301b的第二交通工具消息。
静止网络组件604可包括一个或多个协调方处理器706。一个或多个协调方处理器706可被配置成用于给经由第一交通工具消息303a从第一交通工具V1接收的第一操纵列表301a中的每个操纵Mi分派评定A(Mi)(也被称为对多个第一操纵中的每一个进行分类)。一个或多个协调方处理器706可进一步被配置成用于给经由第二交通工具消息303b从第二交通工具V2接收的第二操纵列表301b中的每个操纵Mj分派评定A(Mj)(也被称为对多个第二操纵中的每一个进行分类)。
对第一操纵列表301a的分类可基于接收自交通工具V1、V2两者的信息,该信息例如第一操纵列表301a和第二操纵列表301b,以及任选地来自第一交通工具V1的驾驶参数和/或来自第二交通工具V2的驾驶参数。对第二操纵列表301b的分类可基于接收自交通工具V1、V2两者的信息,该信息例如第一操纵列表301a和第二操纵列表301b,以及任选地来自第一交通工具V1的驾驶参数和/或来自第二交通工具V2的驾驶参数。
一个或多个协调方处理器可被配置成用于(例如,仅)向第一交通工具V1提供315a对第一操纵列表301a的分类的结果(也被称为第一评定反馈)。一个或多个协调方处理器可进一步被配置成用于(例如,仅)向第二交通工具V2提供315b对第二操纵列表301b的分类的结果(也被称为第二评定反馈)。
作为实现方式700的示例,一个或多个作用器可包括装配有计算、感测和通信资源的交通工具以及置于道路处的协调方(RSU或所选择的交通工具)。
图8示出作为根据各方面的方法300的示例性实现方式的***800。***800包括网络组件NC和一组N个交通工具。可由***800(例如,由静止网络组件604)对一组N个交通工具中的每个交通工具100进行注册。
本文中针对静止网络组件604所概述的各方面可类似地应用于各种类型的其他网络组件NC(例如应用于非静止网络组件602)。在下文参照第一交通工具V1和第二交通工具V2作为一组N个交通工具中的两个交通工具的代表来描述一组N个交通工具的各方面。
在301中,经注册的交通工具V1、V2中的每一者可被配置成用于连续地计算潜在操纵集合,并且被配置成用于基于交通工具安全性驾驶模型(例如通过跨整个操纵的预测时间帧)本地地评估每个潜在操纵的安全性。
在303中,经注册的交通工具V1、V2中的每一者可将优先级和安全性度量关联至潜在操纵中的每一个,并与静止网络组件604共享该信息(说明性地,给协调方提供关于预期操纵的信息)。
在305中,静止网络组件604可被配置成用于在预订时间帧内接收所有的潜在操纵,并且被配置成用于使用由静止网络组件604实现的预测和安全性驾驶模型(例如贯穿整个操纵持续时间)按其次序或优先级确定每个操纵组合的安全性。
在307中,静止网络组件604可被配置成用于例如,如果高优先级组合被标识为安全的和/或只有在协调将发生的情况下,则确定此种协调的定时可行性。
在309中,静止网络组件604可被配置成用于执行协调握手309a。在一些方面,静止网络组件604可被配置成用于只有在协调是必要和/或及时可能的情况下(例如,作为逻辑的结果)才执行协调握手309a。通过使用协调握手309a,交通工具V1、V2中的每一者可接受或拒绝它们相应的潜在操纵,以使得最终可以确定高优先级的操纵组合是否安全。
在311中,静止网络组件604可被配置成用于将(多个)安全性评估A(Mh)(说明性地,反映操纵安全性)作为结果传递至经注册的交通工具V1、V2中的每一者(例如,具有或不具有协调握手)。
在313中,经注册的交通工具V1、V2中的每一者基于接收自协调方604的(多个)安全性评定A(Mh)来确定潜在操纵(Mi或Mj)中的一个潜在操纵作为针对相应交通工具所规划的操纵。
在下文中,提供了针对方法300的实现方式的更详细的示例。
图9A、图9B将根据各方面的针对方法300的每个示例性操纵列表301a、301b示出为未经排序的列表900a、以及示出为按偏好排序的列表900b。
第一操纵列表301a包括操纵集合{Mi},其中i=0,1,2,3,…,K,以使得第一操纵列表301a包括数量为K+1的操纵(M0,…,Mi,…,MK)。第二操纵列表301b包括操纵集合{Mj},其中j=0,1,2,3,…,P,以使得第二操纵列表301b包括数量为P+1的操纵(M0,…,Mj,…,MP)。
每个操纵Mh(h=i或h=j)可包括可潜在地由交通工具执行的语义动作中的一个或多个。语义动作的示例可包括:向左变道、向右变道、左转、右转、停止、中断、加速、不作任何事(例如,在某个时间帧内)。由此,操纵Mh可以是包括一个语义动作的较不复杂的操纵(例如,在交叉口左转、或者改变速度),或者可以是包括多个语义动作的较复杂的操纵Mh(例如,利用速度的改变来进行追超)。
在当前示例性操纵列表中,M0表示操纵“不做任何事”,即维持当前速度、取向等。例如,如果没有构想其他操纵,则该操纵M0可被当作默认情况,并且由此可以但并非必须作为操纵列表301a、301b的部分。
例如,假定交通工具100在静默时段期间遵循当前轨迹,该交通工具100向网络组件NC进行注册但在303中不提供任何操纵列表301a、301b。如果交通工具100确定改变交通工具的状态的至少一个操纵(说明性地,考虑进一步的潜在操纵),则M0可以是操纵列表301a、301b的元素。
在301中,每个经注册的交通工具V1、V2生成操纵列表301a、301b。例如,由交通工具收集与感知到的环境有关的所有可能动作,并通过评估下列两个层级标准(也被称为评级类型)中的一个或多个来对这些可能动作进行排序。
第一层级标准可包括由交通工具安全性驾驶模型提供的、指示操纵安全性的评级(也被称为安全性评级)。例如,安全性评级可基于来自一个或多个交通工具传感器(也被称为机载传感器)的感知到的环境。由交通工具安全性驾驶模型提供的安全性评级可以是二进制值,例如,1对应于安全而0对应于不安全。
第二层级标准可包括操纵偏好作为评级,该操纵偏好例如最佳匹配于当前需要(即,在行进目标、所针对的驾驶舒适度等方面)的操纵的次序。结果是利用整数标签对操纵列表301a、301b进行的优先级评定(例如,整数标签越高,则优先级越低,例如1对应于最高偏好)。
图10示出根据各方面的操纵确定301的示例性实现方式1000。
安全性驾驶模型可被配置成用于确定由传感器数据指示的所有感测到的对象的相互影响。如参照算法1001示例性地示出的,对于潜在操纵中的每个潜在操纵,可贯穿潜在操纵的预测过程确定所有感测到的对象的相互影响。如果一对两个对象状态变得危急(例如,在横向距离和纵向距离方面相交),则潜在操纵被确定为是不安全的。
在交通工具100没有实现网络组件NC的情况下,给交通工具提供交通工具外部交通参与方的潜在操纵。在该情况下,利用关于感知到的环境的不成熟的预测来执行评级311a、311b(例如,交通工具安全性驾驶模型评级)。例如,交通工具安全性驾驶模型(VSDM)可被配置成用于如果没有给其提供指示其他方式的信息则确定每个交通工具外部交通参与方正在执行默认操纵(M0)。
在交通工具602实现网络组件NC的情况下,该交通工具被提供有一个或多个交通工具外部交通参与方的(例如,一个或多个第二交通工具V2的)潜在操纵。在该情况下,基于由一个或多个交通工具外部交通参与方提供的潜在操纵来执行评级311a、311b。
在每个交通工具的各个操纵列表301a、301b中,可使用关于相应环境的不成熟的预测针对优选的操纵来执行交通工具安全性驾驶模型评级。另一方面,可向协调方(例如,基础设施)提供例如由一组N个交通工具共享的所有可用的操纵列表301a、301b。结果是,可向协调方提供关于当前场景的广泛得多的信息基础。从更加全局化(例如,外部)的视点来看,协调方可执行安全性驾驶模型评定的进一步的层。例如由于协调方考虑多个交通工具的潜在操纵并且可标识相互碰撞,因此相比于相应的交通工具安全性驾驶模型评级,全局化的视点可能更靠近于完整的视点。
图11示出根据各方面的示例性消息架构1100。交通工具100可根据消息架构1100经由消息来传输操纵列表301a、301b。消息可包括头部和令牌,头部包括交通工具100的身份(例如,假名)和物理位置并包括时间戳,令牌指示交通工具100是否将保持共享其操纵意图。
网络组件NC可被配置成用于将交通工具100注册为共享交通工具(如果令牌如此指示)。进一步地,例如,一旦在证实令牌被接收之前达到超时,或者如果交通工具100经由后续令牌明确地表明其选择退出,则网络组件NC可被配置成用于将该交通工具从作为共享交通工具的状态移除。
任选地,操纵列表301a、301b可包括交通工具100的驾驶参数,该驾驶参数例如由发送至网络组件NC的消息包括。
图12示出根据个方面的方法300的示例性实现方式1200,该实现方式1200例如由各种组件实现。示例性实现方式1200可包括基于一个或多个周围交通工具的评定确定305,该一个或多个周围交通工具被注册为共享交通工具(也被称为共享交通工具)或未被注册为共享交通工具(也被称为非共享交通工具)。周围交通工具(也被称为处于交通工具100的附近区域中的交通工具)可通过交通工具列表1201和周围交通工具位置来提供。
每个共享交通工具100可被配置成用于经由第一交通工具消息1203将操纵列表301a、301b发送至协调方。
协调方的安全性驾驶模型1205可被配置成用于确定操纵列表301a、301b中的每个操纵的安全性级别。安全性级别可基于关于周围交通工具的信息来确定。例如,关于一个或多个周围交通工具的信息可由(多个)共享交通工具100提供,例如通过用作交通工具安全性驾驶模型的输入数据的传感器数据来提供。例如,关于周围交通工具的信息可由一个或多个RSU提供,例如通过由一个或多个RSU提供的传感器数据来提供。
一个或多个协调方处理器可被配置成用于基于安全性级别向操纵列表301a、301b中的每个操纵Mh分派评定A(Mh)。
关于一个或多个周围交通工具的信息可包括对用于一个或多个周围交通工具中的每个周围交通工具的操纵的预测(也被称为预测操纵)。在一些方面,可针对非共享交通工具(例如,不共享潜在操纵的交通工具)确定预测操纵。为了降低计算成本,根据至少一个方面,可仅针对非共享交通工具确定预测操纵。例如,可对所有存在的交通工具的列表应用过滤器,其中过滤器将被注册为共享交通工具的交通工具从交通工具列表1201中移除。
对操纵的预测可基于由一个或多个共享交通工具的一个或多个传感器提供的传感器数据。在协调方是实现网络组件NC的所选择的交通工具602的情况下,对操纵的预测可进一步基于由所选择的交通工具602的一个或多个传感器提供的传感器数据。使用的传感器数据越多,则对操纵的预测可能越稳健(说明性地,通过使用多个视点)。
根据实现方式1200,可提供对一个或多个非共享交通工具(不与协调方共享它们的意图的交通工具)的操纵的预测的高级流程。说明性地,每个交通工具可作为传感器数据源来操作,这是因为它们能够从不同的视点提供信息。由于对操作的预测是动作分类问题,因此除空间信息之外还可使用时间信息。对于所跟踪的交通工具,能以若干种方式来提取时空特征,诸如通过对短视频剪辑应用卷积神经网络(例如,3D-CNN)或者对来自这些视频的所提取的特征应用递归神经网络。
在计算操纵分数之后,可使用针对每个所跟踪的非共享交通工具的所有可用的分数应用融合。随后,可将得到的信息例如与一个或多个共享交通工具100的操纵列表301a、301b一起输入到协调方的安全性驾驶模型。协调方的安全性驾驶模型可针对所有道路参与方提供对(多个)操纵的安全性的验证。
协调方的安全性驾驶模型可与图10类似地实现。
图13示出根据各方面的评定确定305的示例性实现方式1300。
由一个或多个协调方处理器确定的(多个)评定A(Mh)可表示从协调方的视角来看的安全性。
一个或多个协调方处理器可被配置成用于:在1301(也被称为操纵相关1301)中,在预定的操纵时间帧内使接收到的操纵列表301a、301b相关。作为示例,接收到的操纵列表301a、301b可被投射(例如,参考交通工具安全性驾驶模型和/或参考301中相应交通工具的优先级被排序)为张量{Mi,Mj}(也被称为组合张量)。输出是每一维度具有一个或多个条目的N维组合向量。例如,组合张量可包括个条目,其中{M(i)}是具有编号i的操纵列表,并且N表示参与场景(也被称为情景)的(例如,由***注册的)交通工具的数量。
一个或多个协调方处理器可被配置成用于:在1303(也被称为操纵组合评定1303)中,从全局最偏好的组合(接下来的示例性组合表中左上方的条目)开始迭代通过组合张量,并且在操纵时间帧期间(例如,基于预测的环境模型)确定相应组合的全局安全性级别。预测的环境模型可组合潜在操纵和如上文针对非共享交通工具所概述的预测操纵(任选地)。
在1305(也被称为操纵组合选择1305)中,一个或多个协调方处理器可被配置成用于选择操纵组合并(例如,一旦安全的操纵组合被标识)任选地中止迭代。这增强了计算效率。
图14示出根据各方面的操纵相关1301的示例性实现方式1400。作为针对两个交通工具V1、V2的操纵相关1301的结果,可获得二维组合张量1401(即,组合表)。例如,两个交通工具V1、V2的操纵列表301a、301b可被投射1301为组合张量1401。组合张量1401可在第一分量中引用第一操纵列表301a中的潜在操纵并且在第二分量中引用第二操纵列表301b中的潜在操纵。组合张量1401可包括第一操纵列表301a和第二操纵列表301b中的每个操纵的一个或多个交通工具评级311a、311b作为条目。例如,组合张量1401可包括下列评级类型的一个或多个评级:操纵的紧迫性、操纵的偏好、操纵的安全性。
示例性张量1401可被理解为关于张量组合{Mi,Mj}的信息的代表性说明。关于张量组合{Mi,Mj}的信息也能以其他方式来表述。
图15示出根据各方面的操纵组合评定1303的示例性实现方式1500,图示出关于评级级别1501的组合张量1401和关于冲突指示符级别1503的组合张量1401。一个或多个协调方处理器可被配置成用于基于协调方的安全性驾驶模型来为每个操纵组合(Mi,Mj)确定1303冲突指示符Aij。例如,可提供(多个)冲突指示符Aij作为协调方的安全性驾驶模型的输出参数。可提供操纵列表301a、301b作为协调方的安全性驾驶模型的输入参数。任选地,可提供交通工具评级Rij作为协调方的安全性驾驶模型的输入参数。
如所图示,(多个)冲突指示符Aij可以是关于冲突指示符级别1503的组合张量1401的条目(说明性地,通过组合张量1401的截取部分)。冲突指示符Aij=1可指示操纵是无危害性的。冲突指示符Aij=0可指示操纵是有危害性的。
图16示出根据各方面的操纵组合选择1305的示例性实现方式1600,图示出关于冲突指示符级别1503的组合张量1401。操纵组合选择1305可包括:一个或多个协调方处理器选择操纵组合中的一个操纵组合作为安全操纵组合(具有Aij=1)。
在示例中,一个或多个协调方处理器可被配置成用于基于由协调方的安全性驾驶模型提供的(多个)冲突指示符Aij、利用任选的增强信息来选择安全操纵组合。另外或替代地,一个或多个协调方处理器可被配置成用于基于从操纵列表301a、301b提取的一个或多个交通工具评级Rij来选择安全的操纵组合(具有Aij=1)。
说明性地,由于一个或多个交通工具评级Rij为操纵组合选择1305中的安全性评估提供了有前途的开始点,因此一个或多个交通工具评级Rij可充当用于搜遍组合张量的引导。进一步地,一个或多个交通工具评级Rij可标识各个交通工具V1、V2的偏好。
在较不复杂的场景中,作为交通工具评级的操纵安全性可以是(多个)冲突指示符Aij的良好近似。例如,如果第一交通工具V1确定潜在操纵M1是安全的(R1=0)并且第二交通工具V2确定潜在操纵M0是安全的(R0=0),则评级A10可指示操纵组合(M1,M0)是无危害性的(例如,A10=0)。
如由一个或多个协调方处理器实现的搜遍组合张量的搜索路径可开始于最优选的张量组合(例如,具有最高评级)并且随后传到最近邻。这可帮助所选择的安全的操纵组合与各个交通工具V1、V2的偏好尽可能地适配。一旦安全的操纵组合被确定和选择,则搜索可被中止,这显著地修剪了搜索树并降低了计算复杂度。
在进一步的示例中,将潜在操纵组合在表中,以确定最佳协作行为。协调方可将经排序的各个潜在操纵组合在公共表中。开始于最偏好且内部安全的组合(例如,表的左上角),协调方从其自身的视角确定要分派给相应操纵组合的评定。可选择第一协作安全组合作为安全操纵组合。
图17示出根据各方面的冲突解决307的示例性实现方式1700。
一个或多个协调方处理器可被配置成用于确定一个或多个操纵组合(Mi,Mj)是否包括彼此冲突的一个或多个优先的(或以其他方式高评级的)操纵。因此,例如可按速度优先级和操纵优先级的次序对组合张量进行扫描。
作为说明性示例,一个或多个协调方处理器可确定救护车的操纵是否被确定为不安全的。
如果确定组合列表{Mi,Mj}包括冲突的优先操纵组合,则一个或多个协调方处理器可确定余下的决策时间,例如确定是否剩余有足够的时间来尝试协调握手以使操纵安全。
图18是根据各方面的冲突协调309的示例性实现方式1800(例如,以协调潜在操纵合意)。如果协调方确定剩余有足够的时间来尝试协调握手,则协调方可在其将高评级的操纵标识为不安全(例如,由于与其他操纵的潜在碰撞)的情况下发起对操纵的协调。
如由一个或多个协调方处理器根据实现方式1800实现的用于消息交换701的通信协议包括下列阶段。在第一阶段中,一个或多个协调方处理器例如基于每个联系的交通工具的响应确定操纵合意链。例如,每个联系的交通工具可响应其愿意遵循还是避免操纵,并且提供其自身的这样做的条件。在第二阶段,一个或多个协调方处理器判定操纵合意链是否为看似合理的,并且如果是,则请求来自联系的交通工具的“承诺”。在每个联系的交通工具提供承诺的情况下,可将操纵重新分派至例如第一评定(说明性地,重新分派为是安全的)。可将***操纵组合的结果传递至一组N个交通工具。
基于此,一组N个交通工具中的每个交通工具100可例如基于所提出的操纵的安全性取决于一组N个交通工具中的其他交通工具是否遵循它们的承诺的信息来确定所提出的操纵是否(如所承诺的)被选择作为所规划的操纵。
评定反馈311的未描绘的示例可包括:将分派给接收自交通工具100的操纵列表301a、301b的一个或多个评定313a、313b从协调方传递至交通工具。一个或多个评定313a、313b可包括安全性级别,并且任选地包括针对操纵列表301a、301b中的每个操纵的相应情境。例如,第一交通工具V1可接收到第一操纵M1被评定为安全的,例如这是由于第一操纵M1是在得到第二交通工具V2将不进行追超的承诺的协调握手期间建立的。因此,可向M1分派第三评定,并且该第三评定可包括在其之下出现冲突或冲突被避免的情况作为情境信息。例如,可向第一交通工具提供以下信息:存在潜在冲突并且第二交通工具V2至少传递针对避免该潜在冲突的承诺。
操纵决策315的未描绘的示例包括:每个交通工具基于评定反馈311中的(多个)评定并且任选地基于由协调方提供作为评定反馈311的部分的情境来确定所规划的操纵。对于操纵决策315,一个或多个交通工具102可实现用于执行所规划的操纵并且如果存在潜在冲突则由于该潜在冲突而要注意的算法。另外或替代地,一个或多个交通工具处理器102可将评定返回311中的(多个)安全性评定与交通工具安全性驾驶模型的输出(说明性地,局部估计)融合,和/或执行一致性检查以验证其传感器的适当的功能。
操纵决策315的未描绘的示例包括:维持交通工具安全性驾驶模型的输出与由评定反馈311提供的(多个)评定并行。
操纵决策315的未描绘的示例包括:交通工具安全性驾驶模型的输出被由评定反馈311提供的(多个)评定代替。
操纵决策315的未描绘的示例包括:交通工具安全性驾驶模型的输入被基于评定反馈311的信息代替。
根据各方面,可能存在其中对于第一交通工具而言仅有一个操纵是可接受的但是四周的一个或多个第二交通工具可确定多于一个潜在操纵。在至少一个方面,被实现为第一交通工具的救护车/警车可能必须优先追超(例如,绝对优先级)。此种优先级可作为评级被馈送至评定确定305,并且任选地作为评级被馈送至冲突协调309(例如,通过协调握手来传递)。结果是,一个或多个第二交通工具可选择潜在操纵中(例如,至少两个所提出的操纵中)与对第一交通工具而言可接受的一个操纵不冲突的一个操纵。而且,第一交通工具可提供一个或多个潜在操纵作为针对对于第一交通工具而言可接受的一个操纵的变通方案。在此种情况下,第一交通工具也可接收至少两个所提出的操纵中的每个操纵的相应评定。
在下文中,将对本公开的各个方面进行说明:
示例1是一种用于自主交通工具的控制器(例如,提供用于交通工具操纵决策),该控制器包括:一个或多个处理器,该一个或多个处理器被配置成用于:基于安全性驾驶模型并且基于来自交通工具外部的网络组件(例如,协调方)的第一消息(例如,根据移动网络通信协议)来确定针对该交通工具所规划的操纵,该第一消息包括针对交通工具提出的至少两个操纵中的每个所提出的操纵的相应评定,以及提供(例如,生成)用于执行针对交通工具所规划的操纵的机载指令(也被称为交通工具指令),该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例2是示例1所述的控制器,其中,针对交通工具提出的至少两个操纵包括针对该交通工具所规划的操纵。
示例3是示例1或2所述的控制器,其中,一个或多个处理器进一步被配置成用于:基于安全性驾驶模型确定交通工具的多个潜在操纵,以及生成去往网络组件的第二消息(例如,根据移动网络通信协议),该第二消息包括交通工具的多个潜在操纵,例如第二消息是在针对交通工具所规划的操纵被确定之前被生成的。
示例4是示例3所述的控制器,其中,一个或多个处理器被配置成用于进一步基于与交通工具有关的传感器数据(例如,包括关于交通工具的信息)或与该交通工具的附近区域有关的传感器数据(例如,被提供至安全性驾驶模型的传感器数据)来确定多个潜在操纵。
示例5是示例3或4所述的控制器,其中,交通工具的多个潜在操纵包括针对该交通工具提出的至少两个操纵。
示例6是示例3至5中的一项所述的控制器,其中,第二消息进一步包括由交通工具的安全性驾驶模型提供的一个或多个第一参数、和/或被提供至交通工具的安全性驾驶模型的一个或多个第一参数。
示例7是示例3至6中的一项所述的控制器,其中,第二消息包括针对多个潜在操纵中的每个潜在操纵、相应操纵的相关联的分类(例如,评级),该分类例如根据评级标准的评级。
示例8是示例7所述的控制器,其中,分类表示(例如,指示)在偏好、紧迫性、和/或安全性方面对操纵的评级(例如,根据评级标准)。
示例9是示例1至8中的一项所述的控制器,其中,一个或多个处理器被配置成用于基于对至少两个操纵中的每个操纵的评定来确定针对交通工具所规划的操纵。
示例10是示例1至9中的一项所述的控制器,其中,一个或多个处理器进一步被配置成用于生成第三消息(例如,去往交通工具外部网络或去往其他交通工具和/或根据移动网络通信协议),该第三消息指示所选择的、针对交通工具所规划的操纵和/或执行针对交通工具所规划的操纵的承诺。
示例11是示例1至10中的一项所述的控制器,其中,一个或多个处理器进一步被配置成用于进一步基于交通工具与网络组件的协商来确定针对交通工具所规划的操纵。
示例12是示例1至11中的一项所述的控制器,其中,一个或多个处理器被配置成用于进一步基于与其他交通工具的通信和/或基于其他交通工具的承诺来确定针对交通工具所规划的操纵。
示例13是一种用于自主交通工具的控制器,该控制器包括一个或多个处理器,该一个或多个处理器被配置成用于:生成去往交通工具外部网络组件的第一消息(例如,根据移动网络通信协议),该第一消息包括基于安全性驾驶模型所确定的交通工具的多个潜在操纵;基于安全性驾驶模型并且基于来自交通工具外部网络组件的第二消息(例如,根据移动网络通信协议)来确定针对交通工具所规划的操纵,该第二消息指示多个潜在操纵中的一个或多个操纵;提供用于执行针对交通工具所规划的操纵的机载指令,该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例14是示例13所述的控制器,其中,第二消息通过相应的评定来指示多个潜在操纵中的一个或多个操纵。
示例15是一种网络组件(例如,提供协调方),该网络组件包括一个或多个处理器,该一个或多个处理器被配置成用于:基于由第二交通工具提供的一个或多个第二操纵,从多个评定给由第一交通工具提供的多个第一操纵中的每个第一操纵分派评定;生成去往第一交通工具的第一消息(例如,根据移动网络通信协议),该第一消息指示针对多个第一操纵中的每个第一操纵的所分派的评定。
示例16是示例15所述的网络组件,其中,一个或多个处理器被配置成用于进一步基于由第一交通工具的安全性驾驶模型提供的一个或多个第一参数来给多个第一操纵中的每个第一操纵分派评定;和/或其中,一个或多个处理器被配置成用于进一步基于由第二交通工具的安全性驾驶模型提供的一个或多个第二参数来给多个第一操纵中的每个第一操纵分派评定。
示例17是示例15或16所述的网络组件,其中,一个或多个处理器进一步被配置成用于:基于由第一交通工具提供的多个第一操纵,从多个评定给由第二交通工具提供的一个或多个第二操纵中的每个第二操纵分派评定;生成去往第二交通工具的第二消息(例如,根据移动网络通信协议),该第二消息指示针对一个或多个第二操纵中的每个第二操纵的所分派的评定,例如第二消息是在针对交通工具所规划的操纵被确定之前被生成的。
示例18是示例17所述的网络组件,其中,一个或多个处理器被配置成用于进一步基于被提供至第一交通工具的安全性驾驶模型的一个或多个第一参数、或由第一交通工具的安全性驾驶模型提供的一个或多个第一参数来给一个或多个第二操纵中的每个第二操纵分派评定;和/或其中,一个或多个处理器被配置成用于进一步基于被提供至第二交通工具的安全性驾驶模型的一个或多个第一参数、或由第二交通工具的安全性驾驶模型提供的一个或多个第二参数来给一个或多个第二操纵中的每个第二操纵分派评定。
示例19是示例15至18中的一项所述的网络组件,其中,一个或多个处理器进一步被配置成用于基于安全性驾驶模型来给多个第一操纵中的每个第一操纵分派评定。
示例20是示例15至19中的一项所述的网络组件,其中,一个或多个处理器进一步被配置成用于进一步基于针对多个第一操纵中的每个第一操纵的第一评级(例如,根据评级标准)、和/或基于针对一个或多个第二操纵中的每个第二操纵的第二评级(例如,根据评级标准)来给多个第一操纵中的每个第一操纵分派评定;其中第一评级由第一交通工具提供,和/或其中第二评级由第二交通工具提供。
示例21是示例15至20中的一项所述的网络组件,其中,一个或多个处理器进一步被配置成用于基于与以下各项中的一项或多项有关的传感器数据来给多个第一操纵中的每个第一操纵分派评定:第一交通工具、第一交通工具的附近区域、第二交通工具、和/或第二交通工具的附近区域。
示例22是示例21所述的网络组件,其中,传感器数据源自以下各项中的一项或多项:第一交通工具、第二交通工具、和/或一个或多个静止传感器(例如,路边传感器)。
示例23是示例15至22中的一项所述的网络组件,其中,一个或多个处理器进一步被配置成用于:包括针对多个第一操纵中的每个第一操纵确定是否与一个或多个第二操纵冲突,给多个第一操纵中的每个第一操纵分派评定。
示例24是示例15至23中的一项所述的网络组件,其中,针对多个第一操纵中的每个第一操纵的评定表示以下各项中的至少一项:操纵是非危害性的(例如,安全的和/或没有冲突被确定),操纵是部分非危害性的(例如,潜在冲突被确定),和/或操纵是危害性的(例如,不安全的和/或冲突被确定)。
示例25是示例15至24中的一项所述的网络组件,其中,一个或多个处理器进一步被配置成用于进一步基于与第一交通工具和/或第二交通工具的协商来给多个第一操纵中的每个第一操纵分派评定。
示例26是一种用于自主交通工具的控制器(例如,提供用于交通工具驾驶意图序列决策),该控制器包括一个或多个处理器,该一个或多个处理器被配置成用于:基于安全性驾驶模型并且基于对多个交通工具驾驶意图序列的排序从该多个交通工具驾驶意图序列中为交通工具选择交通工具驾驶意图序列,该排序由交通工具外部网络组件提供;以及生成用于执行针对该交通工具的所选择的交通工具驾驶意图序列的机载指令,该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例27是示例26所述的控制器,其中,一个或多个处理器进一步被配置成用于:基于安全性驾驶模型来确定交通工具的多个交通工具驾驶意图序列,以及将该多个交通工具驾驶意图序列提供至网络组件。
示例28是示例27所述的控制器,其中,一个或多个处理器被配置成用于进一步基于与交通工具有关的传感器数据(例如,包括关于交通工具的信息)或与该交通工具的附近区域有关的传感器数据(例如,被提供至安全性驾驶模型的传感器数据)来确定多个交通工具驾驶意图序列。
示例29是示例27或28所述的控制器,其中,排序由网络组件响应于被提供有多个交通工具驾驶意图序列而提供。
示例30是示例27至29中的一项所述的控制器,其中,一个或多个处理器进一步被配置成用于:向交通工具的安全性驾驶模型提供一个或多个参数输出,或者由交通工具的安全性驾驶模型向网络组件提供一个或多个参数输出。
示例31是示例27至30中的一项所述的控制器,其中,一个或多个处理器进一步被配置成用于:针对多个交通工具驾驶意图序列中的每个交通工具驾驶意图序列,向网络组件提供对相应交通工具驾驶意图序列的相关联的分类。
示例32是示例31所述的控制器,其中,分类表示(例如,指示)对交通工具驾驶意图序列的评级(例如,根据评级标准)。
示例33是示例26至32中的一项所述的控制器,其中,一个或多个处理器进一步被配置成用于进一步基于交通工具与网络组件的协商来选择交通工具驾驶意图序列。
示例34是示例26至33中的一项所述的控制器,其中,一个或多个处理器被配置成用于进一步基于与其他交通工具的通信和/或其他交通工具的承诺来确定交通工具驾驶意图序列。
示例35是一种用于自主交通工具的控制装置(例如,提供用于交通工具操纵决策),该控制装置包括:一个或多个处理装置,该一个或多个处理装置被配置成用于:基于安全性驾驶模型并且基于来自交通工具外部的网络组件装置(例如,协调方)的第一消息(例如,根据移动网络通信协议)来确定针对该交通工具所规划的操纵,该第一消息包括针对交通工具提出的至少两个操纵中的每个所提出的操纵的相应评定,以及提供(例如,生成)用于执行针对交通工具所规划的操纵的机载指令,该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例36是示例35所述的控制装置,其中,针对交通工具提出的至少两个操纵包括针对该交通工具所规划的操纵。
示例37是示例35或36所述的控制装置,其中,一个或多个处理装置进一步被配置成用于:基于安全性驾驶模型来确定交通工具的多个潜在操纵,以及生成去往交通工具外部的网络组件装置的第二消息(例如,根据移动网络通信协议),该第二消息包括交通工具的多个潜在操纵,例如第二消息是在针对交通工具所规划的操纵被确定之前被生成的。
示例38是示例37所述的控制装置,其中,一个或多个处理装置被配置成用于进一步基于与交通工具有关的传感器数据(例如,包括关于交通工具的信息)或与该交通工具的附近区域有关的传感器数据(例如,被提供至安全性驾驶模型的传感器数据)来确定多个潜在操纵。
示例39是示例37或38所述的控制装置,其中,交通工具的多个潜在操纵包括针对该交通工具提出的至少两个操纵。
示例40是示例37至39中的一项所述的控制装置,其中,第二消息进一步包括由交通工具的安全性驾驶模型提供的一个或多个参数。
示例41是示例37至40中的一项所述的控制装置,其中,第二消息包括针对多个潜在操纵中的每个潜在操纵、相应操纵的相关联的分类(例如,评级),该分类例如根据评级标准的评级。
示例42是示例41所述的控制装置,其中,分类表示(例如,指示)对操纵的评级(例如,根据评级标准)。
示例43是示例35至42中的一项所述的控制装置,其中,一个或多个处理装置被配置成用于基于对至少两个操纵中的每个操纵的评定来确定针对交通工具所规划的操纵。
示例44是示例35至43中的一项所述的控制装置,其中,一个或多个处理装置进一步被配置成用于生成第三消息(例如,去往交通工具外部的网络组件装置或去往其他交通工具和/或根据移动网络通信协议),该第三消息指示所选择的、针对交通工具所规划的操纵和/或执行针对交通工具所规划的操纵的承诺。
示例45是示例35至44中的一项所述的控制装置,其中,一个或多个处理装置被配置成用于进一步基于交通工具与网络组件装置的协商来确定针对交通工具所规划的操纵。
示例46是示例35至45中的一项所述的控制装置,其中,一个或多个处理装置被配置成用于进一步基于与其他交通工具的通信和/或基于其他交通工具的承诺来确定针对交通工具所规划的操纵。
示例47是一种用于自主交通工具的控制装置,该控制装置包括一个或多个处理装置,该一个或多个处理装置被配置成用于:生成去往交通工具外部的网络组件装置的第一消息(例如,根据移动网络通信协议),该第一消息包括基于安全性驾驶模型所确定的交通工具的多个潜在操纵;基于安全性驾驶模型并且基于来自交通工具外部的网络组件装置的第二消息(例如,根据移动网络通信协议)来确定针对交通工具所规划的操纵,该第二消息指示多个潜在操纵中的一个或多个操纵;提供用于执行针对交通工具所规划的操纵的机载指令,该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例48是示例47所述的控制装置,其中,第二消息通过相应的评定来指示多个潜在操纵中的一个或多个操纵。
示例49是一种网络组件装置(例如,提供协调方),该网络组件装置包括一个或多个处理装置,该一个或多个处理装置被配置成用于:基于由第二交通工具提供的一个或多个第二操纵,将出自多个评定的评定分派给由第一交通工具提供的多个第一操纵中的每个第一操纵;生成去往第一交通工具的第一消息(例如,根据移动网络通信协议),该第一消息指示针对多个第一操纵中的每个第一操纵的所分派的评定。
示例50是示例49所述的网络组件装置,其中,一个或多个处理装置被配置成用于进一步基于由第一交通工具的安全性驾驶模型提供的一个或多个第一参数来给多个第一操纵中的每个第一操纵分派评定;和/或其中,一个或多个处理装置被配置成用于进一步基于由第二交通工具的安全性驾驶模型提供的一个或多个第二参数来给多个第一操纵中的每个第一操纵分派评定。
示例51是示例49或50所述的网络组件装置,其中,一个或多个处理装置进一步被配置成用于:基于由第一交通工具提供的多个第一操纵,从多个评定给由第二交通工具提供的一个或多个第二操纵中的每个第二操纵分派评定;生成去往第二交通工具的第二消息(例如,根据移动网络通信协议),该第二消息指示针对一个或多个第二操纵中的每个第二操纵的所分派的评定,例如第二消息是在针对交通工具所规划的操纵被确定之前被生成的。
示例52是示例51所述的网络组件装置,其中,一个或多个处理装置被配置成用于进一步基于由第一交通工具的安全性驾驶模型提供的一个或多个第一参数来给一个或多个第二操纵中的每个第二操纵分派评定;和/或其中,一个或多个处理装置被配置成用于进一步基于由第二交通工具的安全性驾驶模型提供的一个或多个第二参数来给一个或多个第二操纵中的每个第二操纵分派评定。
示例53是示例49至52中的一项所述的网络组件装置,其中,一个或多个处理装置进一步被配置成用于基于安全性驾驶模型来给多个第一操纵中的每个第一操纵分派评定。
示例54是示例49至53中的一项所述的网络组件装置,其中,一个或多个处理装置进一步被配置成用于进一步基于针对多个第一操纵中的每个第一操纵的第一评级(例如,根据评级标准)、和/或基于针对一个或多个第二操纵中的每个第二操纵的第二评级(例如,根据评级标准)来给多个第一操纵中的每个第一操纵分派评定;其中第一评级由第一交通工具提供,和/或其中第二评级由第二交通工具提供。
示例55是示例49至54中的一项所述的网络组件装置,其中,一个或多个处理装置进一步被配置成用于基于与以下各项中的一项或多项有关的传感器数据来给多个第一操纵中的每个第一操纵分派评定:第一交通工具、第一交通工具的附近区域、第二交通工具、和/或第二交通工具的附近区域。
示例56是示例55所述的网络组件装置,其中,传感器数据源自以下各项中的一项或多项:第一交通工具、第二交通工具、和/或一个或多个静止传感器(例如,路边传感器)。
示例57是示例49至56中的一项所述的网络组件装置,其中,给多个第一操纵中的每个第一操纵进行分派包括:针对多个第一操纵中的每个第一操纵判定是否与一个或多个第二操纵冲突。
示例58是示例49至57中的一项所述的网络组件装置,其中,针对多个第一操纵中的每个第一操纵的评定表示以下各项中的至少一项:操纵是非危害性的(例如,安全的和/或没有冲突被确定),操纵是部分非危害性的(例如,潜在冲突被确定),和/或操纵是危害性的(例如,不安全的和/或冲突被确定)。
示例59是示例49至58中的一项所述的网络组件装置,其中,一个或多个处理装置进一步被配置成用于进一步基于与第一交通工具和/或第二交通工具的协商来给多个第一操纵中的每个第一操纵进行分派。
示例60是一种用于自主交通工具的控制装置(例如,提供用于交通工具驾驶意图序列决策),该控制装置包括一个或多个处理装置,该一个或多个处理装置被配置成用于:基于安全性驾驶模型并且基于对多个交通工具驾驶意图序列的排序从多个交通工具驾驶意图序列中为交通工具选择交通工具驾驶意图序列,该排序由交通工具外部的网络组件装置提供;以及生成用于执行针对该交通工具的所选择的交通工具驾驶意图序列的机载指令,该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例61是示例60所述的控制装置,其中,一个或多个处理装置进一步被配置成用于:基于安全性驾驶模型来确定交通工具的多个交通工具驾驶意图序列,以及将该多个交通工具驾驶意图序列提供至网络组件装置。
示例62是示例61所述的控制装置,其中,一个或多个处理装置被配置成用于进一步基于与交通工具有关的传感器数据(例如,包括关于交通工具的信息)或与该交通工具的附近区域有关的传感器数据(例如,被提供至安全性驾驶模型的传感器数据)来确定多个交通工具驾驶意图序列。
示例63是示例61或62所述的控制器,其中,排序由网络组件装置响应于被提供有多个交通工具驾驶意图序列而提供。
示例64是示例61至63中的一项所述的控制器,其中,一个或多个处理装置进一步被配置成用于:向交通工具的安全性驾驶模型提供一个或多个参数输出,或者由交通工具的安全性驾驶模型向网络组件装置提供一个或多个参数输出。
示例65是示例61至64中的一项所述的控制装置,其中,一个或多个处理装置进一步被配置成用于:针对多个交通工具驾驶意图序列中的每个交通工具驾驶意图序列,向网络组件装置提供对相应交通工具驾驶意图序列的相关联的分类。
示例66是示例65所述的控制装置,其中,分类表示(例如,指示)对交通工具驾驶意图序列的评级(例如,根据评级标准)。
示例67是示例60至66中的一项所述的控制装置,其中,一个或多个处理装置进一步被配置成用于进一步基于交通工具与网络组件装置的协商来选择交通工具驾驶意图序列。
示例68是示例60至67中的一项所述的控制装置,其中,一个或多个处理装置被配置成用于进一步基于与其他交通工具的通信和/或基于其他交通工具的承诺来选择交通工具驾驶意图序列。
示例69是一种用于自主交通工具的控制方法(例如,提供用于交通工具操纵决策),该控制方法包括:基于安全性驾驶模型并且基于来自交通工具外部网络组件(例如,协调方)的第一消息(例如,根据移动网络通信协议)来确定针对该交通工具所规划的操纵,该第一消息包括针对交通工具提出的至少两个操纵中的每个所提出的操纵的相应评定;以及提供(例如,生成)用于执行针对交通工具所规划的操纵的机载指令,该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例70是示例69所述的控制方法,其中,针对交通工具提出的至少两个操纵包括针对该交通工具所规划的操纵。
示例71是示例69或70所述的控制方法,进一步包括:基于安全性驾驶模型来确定交通工具的多个潜在操纵,以及生成去往交通工具外部网络组件的第二消息(例如,根据移动网络通信协议),该第二消息包括交通工具的多个潜在操纵,例如第二消息是在针对交通工具所规划的操纵被确定之前被生成的。
示例72是示例71所述的控制方法,其中,确定多个潜在操纵是进一步基于与交通工具有关的传感器数据(例如,包括关于交通工具的信息)或与该交通工具的附近区域有关的传感器数据(例如,被提供至安全性驾驶模型的传感器数据)。
示例73是示例71或72所述的控制方法,其中,交通工具的多个潜在操纵包括针对该交通工具提出的至少两个操纵。
示例74是示例71至73中的一项所述的控制方法,其中,第二消息进一步包括由交通工具的安全性驾驶模型提供的一个或多个参数。
示例75是示例71至74中的一项所述的控制方法,其中,第二消息包括针对多个潜在操纵中的每个潜在操纵、相应操纵的相关联的分类(例如,评级),该分类例如根据评级标准的评级。
示例76是示例75所述的控制方法,其中,分类表示(例如,指示)对操纵的评级(例如,根据评级标准)。
示例77是示例69至76中的一项所述的控制方法,其中,确定针对交通工具所规划的操纵是基于对至少两个操纵中的每个操纵的评定。
示例78是示例69至77中的一项所述的控制方法,进一步包括:生成第三消息(例如,去往交通工具外部网络组件或去往其他交通工具和/或根据移动网络通信协议),该第三消息指示所选择的、针对交通工具所规划的操纵和/或执行针对交通工具所规划的操纵的承诺。
示例79是示例69至78中的一项的控制方法,进一步包括:进一步基于交通工具与网络组件的协商来确定针对交通工具所规划的操纵。
示例80是示例69至79中的一项所述的控制方法,其中,确定针对交通工具所规划的操纵是进一步基于与其他交通工具的通信和/或基于其他交通工具的承诺。
示例81是一种或多种非瞬态计算机可读介质,在其上存储有指令,该指令在由至少一个处理器执行时,使该至少一个处理器执行示例69到80中的一项所述的控制方法。
示例82是一种用于自主交通工具的控制方法,该控制方法包括:生成去往交通工具外部网络组件的第一消息(例如,根据移动网络通信协议),该第一消息包括基于安全性驾驶模型所确定的交通工具的多个潜在操纵;基于安全性驾驶模型并且基于来自交通工具外部网络组件的第二消息(例如,根据移动网络通信协议)来确定针对交通工具所规划的操纵,该第二消息指示多个潜在操纵中的一个或多个操纵;提供用于执行针对交通工具所规划的操纵的机载指令,该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例83是示例82所述的控制方法,第二消息通过相应的评定来指示多个潜在操纵中的一个或多个操纵,例如,第二消息是在针对交通工具所规划的操纵被确定之前被生成的。
示例84是一种或多种非瞬态计算机可读介质,在其上存储有指令,该指令在由至少一个处理器执行时,使该至少一个处理器执行示例82或83所述的控制方法。
示例85是一种用于网络组件(例如,提供协调方)的方法,该方法包括:基于由第二交通工具提供的一个或多个第二操纵,从多个评定给由第一交通工具提供的多个第一操纵中的每个第一操纵分派评定;生成去往第一交通工具的第一消息(例如,根据移动网络通信协议),该第一消息指示针对多个第一操纵中的每个第一操纵的所分派的评定。
示例86是示例85所述的方法,其中,将多个第一操纵中的每个第一操纵分派给评定是进一步基于由第一交通工具的安全性驾驶模型提供的一个或多个第一参数;和/或其中,将多个第一操纵中的每个第一操纵分派给评定是进一步基于由第二交通工具的安全性驾驶模型提供的一个或多个第二参数。
示例87是示例85或86所述的方法,进一步包括:基于由第一交通工具提供的多个第一操纵,从多个评定给由第二交通工具提供的一个或多个第二操纵中的每个第二操纵分派评定;以及生成去往第二交通工具的第二消息(例如,根据移动网络通信协议),该第二消息指示针对一个或多个第二操纵中的每个第二操纵的所分派的评定,例如第二消息是在针对交通工具所规划的操纵被确定之前被生成的。
示例88是示例87所述的方法,其中,将一个或多个第二操纵中的每个第二操纵分派给评定是进一步基于由第一交通工具的安全性驾驶模型提供的一个或多个第一参数;和/或其中,将一个或多个第二操纵中的每个第二操纵分派给评定是进一步基于由第二交通工具的安全性驾驶模型提供的一个或多个第二参数。
示例89是示例85至88中的一项所述的方法,进一步包括:基于安全性驾驶模型将多个第一操纵中的每个第一操纵分派给评定。
示例90是示例85至89中的一项所述的方法,其中,将多个第一操纵分派给评定是进一步基于针对多个第一操纵中的每个第一操纵的第一评级(例如,根据评级标准)、和/或基于针对一个或多个第二操纵中的每个第二操纵的第二评级(例如,根据评级标准);其中第一评级由第一交通工具提供,和/或其中第二评级由第二交通工具提供。
示例91是示例85至90中的一项所述的方法,其中,将多个第一操纵中的每个第一操纵分派给评定是基于与以下各项中的一项或多项有关的传感器数据:第一交通工具、第一交通工具的附近区域、第二交通工具、和/或第二交通工具的附近区域。
示例92是示例91所述的方法,其中,传感器数据源自以下各项中的一项或多项:第一交通工具、第二交通工具、和/或一个或多个静止传感器(例如,路边传感器)。
示例93是示例85至92中的一项所述的方法,其中,给多个第一操纵中的每个第一操纵进行分派包括:针对多个第一操纵中的每个第一操纵判定是否与一个或多个第二操纵冲突。
示例94是示例85至93中的一项所述的方法,其中,针对多个第一操纵中的每个第一操纵的评定表示以下各项中的至少一项:操纵是非危害性的(例如,安全的和/或没有冲突被确定),操纵是部分非危害性的(例如,潜在冲突被确定),和/或操纵是危害性的(例如,不安全的和/或冲突被确定)。
示例95是示例85至94中的一项所述的方法,其中,给多个第一操纵中的每个第一操纵进行分派是进一步基于与第一交通工具和/或第二交通工具的协商。
示例96是一种或多种非瞬态计算机可读介质,在其上存储有指令,该指令在由至少一个处理器执行时,使该至少一个处理器执行示例85到95所述的方法。
示例97是一种用于自主交通工具的控制方法(例如,提供用于交通工具驾驶意图序列决策),该控制方法包括:基于安全性驾驶模型并且基于对多个交通工具驾驶意图序列的排序从该多个交通工具驾驶意图序列中为交通工具选择交通工具驾驶意图序列,该排序由交通工具外部网络组件提供;以及生成用于执行针对该交通工具的所选择的交通工具驾驶意图序列的机载指令,该机载指令例如根据机载通信协议(例如,现场总线通信协议)的指令。
示例98是示例97所述的控制方法,进一步包括:基于安全性驾驶模型来确定交通工具的多个交通工具驾驶意图序列,以及将该多个交通工具驾驶意图序列提供至网络组件。
示例99是示例98所述的控制方法,其中,确定多个交通工具驾驶意图序列是进一步基于与交通工具有关的传感器数据(例如,包括关于交通工具的信息)或与该交通工具的附近区域有关的传感器数据(例如,被提供至安全性驾驶模型的传感器数据)。
示例100是示例98或99所述的控制方法,其中,排序由网络组件响应于被提供有多个交通工具驾驶意图序列而提供。
示例101是示例98至100中的一项所述的控制方法,进一步包括:将一个或多个参数输出提供至交通工具的安全性驾驶模型或者由交通工具的安全性驾驶模型将该一个或多个参数输出提供至网络组件。
示例102是示例98至101中的一项所述的控制方法,进一步包括:针对多个交通工具驾驶意图序列中的每个交通工具驾驶意图序列,向网络组件提供对相应交通工具驾驶意图序列的相关联的分类。
示例103是示例102所述的控制方法,其中,分类表示(例如,指示)对交通工具驾驶意图序列的评级(例如,根据评级标准的评级)。
示例104是示例97至103中的一项的控制方法,进一步包括:进一步基于交通工具与网络组件的协商来选择交通工具驾驶意图序列。
示例105是示例97至104中的一项所述的控制方法,其中,选择交通工具驾驶意图序列是进一步基于与其他交通工具的通信和/或基于其他交通工具的承诺。
示例106是一种或多种非瞬态计算机可读介质,在其上存储有指令,该指令在由至少一个处理器执行时,使该至少一个处理器执行示例97到105中的一项所述的控制方法。
尽管以上描述和相关描述、附图可将电子设备组件描绘为单独的元件,但技术人员将会领会将分立的元件组合或集成为单个元件的各种可能性。此类可能性可包括:组合两个或更多个电路以用于形成单个电路,将两个或更多个电路安装到共同的芯片或基座上以形成集成元件,在共同的处理器核上执行分立的软件组件,等等。相反,技术人员将意识到可将单个元件分成两个或更多个分立的元件,诸如,将单个电路分解为两个或更多个单独的电路,将芯片或基座分成最初设置在其上的分立的元件,将软件组件分成两个或更多个部分并在单独的处理器核上执行每个部分,等等。
应当领会,本文中详述的方法的实现方式在本质上是说明性的,并且因此被理解为能够在相应的设备中实现。同样,应当领会,本文中详述的设备的实现方式被理解为能够被实现为相应的方法。因此,应当理解,与本文详述的方法对应的设备可以包括被配置成执行相关方法的每个方面的一个或多个组件。
以上描述中定义的所有首字母缩写词附加地包含在本文包括的所有权利要求中。
Claims (21)
1.一种用于自主交通工具的控制器,所述控制器包括:
一个或多个处理器,所述一个或多个处理器被配置成用于:
基于安全性驾驶模型并且基于来自交通工具外部网络组件的第一消息来确定针对所述交通工具所规划的操纵,所述第一消息包括针对所述交通工具提出的至少两个操纵中的每个所提出的操纵的相应评定,以及
提供用于执行针对所述交通工具所规划的操纵的机载指令。
2.如权利要求1所述的控制器,
其中,针对所述交通工具提出的所述至少两个操纵包括针对所述交通工具所规划的操纵。
3.如权利要求1或2所述的控制器,
其中,所述一个或多个处理器进一步被配置成用于:
基于所述安全性驾驶模型确定所述交通工具的多个潜在操纵,以及
生成去往所述交通工具外部网络组件的第二消息,所述第二消息包括所述交通工具的所述多个潜在操纵。
4.如权利要求3所述的控制器,
其中,所述一个或多个处理器被配置成用于进一步基于与所述交通工具或所述交通工具的附近区域有关的传感器数据来确定所述多个潜在操纵。
5.如权利要求3或4所述的控制器,
其中,所述交通工具的所述多个潜在操纵包括针对所述交通工具提出的所述至少两个操纵。
6.如权利要求3或4所述的控制器,
其中,第二消息进一步包括被提供至所述交通工具的所述安全性驾驶模型的一个或多个参数、或者由所述交通工具的所述安全性驾驶模型提供的一个或多个参数。
7.如权利要求3或4所述的控制器,
其中,所述第二消息包括针对所述多个潜在操纵中的每个潜在操纵、根据评级标准的、相应操纵的相关联评级。
8.如权利要求1或2所述的控制器,
其中,所述一个或多个处理器进一步被配置成用于生成第三消息,并且
其中,所述第三消息指示执行针对所述交通工具所规划的操纵的承诺。
9.如权利要求1或2所述的控制器,
其中,所述一个或多个处理器被配置成用于进一步基于其他交通工具的承诺来确定针对所述交通工具所规划的操纵。
10.一种用于自主交通工具的控制器,所述控制器包括:
一个或多个处理器,所述一个或多个处理器被配置成用于:
生成去往交通工具外部网络组件的第一消息,所述第一消息包括基于所述交通工具的安全性驾驶模型确定的所述交通工具的多个潜在操纵,
基于所述安全性驾驶模型并且基于来自所述交通工具外部网络组件的第二消息来确定针对所述交通工具所规划的操纵,所述第二消息指示所述多个潜在操纵中的一个或多个操纵,以及
提供用于执行针对所述交通工具所规划的操纵的机载指令。
11.如权利要求10所述的控制器,
其中,所述第二消息通过相应的评定来指示所述多个潜在操纵中的所述一个或多个操纵。
12.一种网络组件,包括:
一个或多个处理器,所述一个或多个处理器被配置成用于:
基于由第二交通工具提供的一个或多个第二操纵,从多个评定给由第一交通工具提供的多个第一操纵中的每个操纵分派评定,以及
生成去往所述第一交通工具的第一消息,所述第一消息指示针对所述多个第一操纵中的每个第一操纵的所分派的评定。
13.如权利要求12所述的网络组件,
其中,所述一个或多个处理器被配置成用于进一步基于被提供至所述第一交通工具的安全性驾驶模型的一个或多个第一参数或由所述第一交通工具的安全性驾驶模型提供的一个或多个第一参数来给所述多个第一操纵中的每个操纵分派评定。
14.如权利要求12或13所述的网络组件,
其中,所述一个或多个处理器进一步被配置成用于基于所述网络组件的安全性驾驶模型来给所述多个第一操纵中的每个操纵分派评定。
15.如权利要求12或13所述的网络组件,
其中,所述一个或多个处理器被配置成用于进一步基于根据评级标准对所述多个第一操纵中的每个操纵的第一评级来给所述多个第一操纵中的每个操纵分派评定;并且
其中,所述第一评级由所述第一交通工具提供。
16.如权利要求12或13所述的网络组件,
其中,所述一个或多个处理器进一步被配置成用于基于与以下各项中的一项或多项有关的传感器数据来给所述多个第一操纵中的每个操纵分派评定:
所述第一交通工具,
所述第一交通工具的附近区域,
所述第二交通工具,以及
所述第二交通工具的附近区域。
17.如权利要求16所述的网络组件,
其中,所述传感器数据源自以下各项中的一项或多项:所述第一交通工具、所述第二交通工具、以及一个或多个静止传感器。
18.如权利要求12或13所述的网络组件,
其中,所述一个或多个处理器进一步被配置成用于进一步基于针对所述多个第一操纵中的每个操纵的、是否存在与所述一个或多个第二操纵的冲突的确定来对所述多个第一操纵中的每个操纵进行分派。
19.如权利要求12或13所述的网络组件,
其中,针对所述多个第一操纵中的每个操纵的评定表示以下各项中的至少一项:
操纵是无危害性的,
操纵是部分危害性的,或者
操纵是有危害性的。
20.如权利要求12或13所述的网络组件,
其中,所述一个或多个处理器进一步被配置成用于进一步基于与所述第一交通工具和/或所述第二交通工具的协商来给所述多个第一操纵中的每个操纵分派评定。
21.一种用于自主交通工具的控制器,所述控制器包括:
一个或多个处理器,所述一个或多个处理器被配置成用于:
基于安全性驾驶模型并且基于对多个交通工具驾驶意图序列的排序从所述多个交通工具驾驶意图序列中为所述交通工具选择交通工具驾驶意图序列,所述排序由交通工具外部网络组件提供;以及
生成用于执行针对所述交通工具的所选择的交通工具驾驶意图序列的机载指令。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/831,957 US11460847B2 (en) | 2020-03-27 | 2020-03-27 | Controller for an autonomous vehicle, and network component |
US16/831,957 | 2020-03-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113515115A true CN113515115A (zh) | 2021-10-19 |
Family
ID=71837403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011461915.4A Pending CN113515115A (zh) | 2020-03-27 | 2020-12-11 | 用于自主交通工具的控制器、以及网络组件 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11460847B2 (zh) |
EP (1) | EP3885228A1 (zh) |
CN (1) | CN113515115A (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11328210B2 (en) | 2017-12-29 | 2022-05-10 | Micron Technology, Inc. | Self-learning in distributed architecture for enhancing artificial neural network |
US10522038B2 (en) * | 2018-04-19 | 2019-12-31 | Micron Technology, Inc. | Systems and methods for automatically warning nearby vehicles of potential hazards |
DE102018009927A1 (de) * | 2018-12-17 | 2020-06-18 | Trw Automotive Gmbh | Steuerungssystem und Steuerungsverfahren für einen hybriden Ansatz zum Ermitteln einer möglichen Trajektorie für ein Kraftfahrzeug |
JP7194640B2 (ja) * | 2019-05-16 | 2022-12-22 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
US11711680B2 (en) * | 2020-06-09 | 2023-07-25 | Qualcomm Incorporated | Vehicle-to-vehicle maneuver sharing and coordinating |
US11550325B2 (en) | 2020-06-10 | 2023-01-10 | Nvidia Corp. | Adversarial scenarios for safety testing of autonomous vehicles |
US11390301B2 (en) * | 2020-06-10 | 2022-07-19 | Nvidia Corp. | Tensor-based driving scenario characterization |
CN113835420A (zh) * | 2020-06-23 | 2021-12-24 | 上海丰豹商务咨询有限公司 | 一种用于自动驾驶***的功能分配*** |
US20220068125A1 (en) * | 2020-09-01 | 2022-03-03 | International Business Machines Corporation | Autonomous vehicle management based on object detection |
US11588797B2 (en) * | 2020-09-15 | 2023-02-21 | Ford Global Technologies, Llc | Vehicle distributed computing for additional on-demand computational processing |
WO2022083842A1 (en) * | 2020-10-19 | 2022-04-28 | Nokia Technologies Oy | Provision of ue's surrounding information |
US20220245385A1 (en) * | 2021-01-29 | 2022-08-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for determining operating criteria for performing vehicular tasks |
US20220371617A1 (en) * | 2021-05-17 | 2022-11-24 | Toyota Research Institute, Inc. | Method for improving temporal consistency of planned maneuvers |
US20230017962A1 (en) * | 2021-07-15 | 2023-01-19 | Waymo Llc | Denial of service response to the detection of illicit signals on the in-vehicle communication network |
US20230260288A1 (en) * | 2022-02-15 | 2023-08-17 | Here Global B.V. | Apparatus and methods for detecting trailer sway |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10114373B2 (en) * | 2016-05-17 | 2018-10-30 | Telenav, Inc. | Navigation system with trajectory calculation mechanism and method of operation thereof |
US10012993B1 (en) * | 2016-12-09 | 2018-07-03 | Zendrive, Inc. | Method and system for risk modeling in autonomous vehicles |
US20190113920A1 (en) | 2017-10-18 | 2019-04-18 | Luminar Technologies, Inc. | Controlling an autonomous vehicle using model predictive control |
US10661799B2 (en) | 2017-12-27 | 2020-05-26 | Motorola Solutions, Inc. | Device, system and method for autonomous tactical vehicle control |
DE102019104974A1 (de) * | 2019-02-27 | 2020-08-27 | Zf Automotive Germany Gmbh | Verfahren sowie System zum Bestimmen eines Fahrmanövers |
US20210245758A1 (en) * | 2020-02-11 | 2021-08-12 | Ford Global Technologies, Llc | V2x traffic maneuver handshaking between traffic participants |
WO2021164875A1 (en) * | 2020-02-20 | 2021-08-26 | Volvo Truck Corporation | Download of verified vehicle manoeuvres |
-
2020
- 2020-03-27 US US16/831,957 patent/US11460847B2/en active Active
- 2020-11-13 EP EP20207424.1A patent/EP3885228A1/en active Pending
- 2020-12-11 CN CN202011461915.4A patent/CN113515115A/zh active Pending
-
2022
- 2022-07-14 US US17/864,461 patent/US11947357B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11947357B2 (en) | 2024-04-02 |
US11460847B2 (en) | 2022-10-04 |
EP3885228A1 (en) | 2021-09-29 |
US20200249683A1 (en) | 2020-08-06 |
US20220365540A1 (en) | 2022-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11947357B2 (en) | Controller for an autonomous vehicle, and network component | |
Van Brummelen et al. | Autonomous vehicle perception: The technology of today and tomorrow | |
EP3974270A1 (en) | Device for determining safety state of a vehicle | |
CN111123933B (zh) | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 | |
Jiménez et al. | Advanced driver assistance system for road environments to improve safety and efficiency | |
Kuru et al. | A framework for the synergistic integration of fully autonomous ground vehicles with smart city | |
CN113460042B (zh) | 车辆驾驶行为的识别方法以及识别装置 | |
CN114945492B (zh) | 协作式交通工具前灯引导 | |
Yu et al. | A review on cooperative perception and control supported infrastructure-vehicle system | |
JP7181354B2 (ja) | 接続されたデータ分析プラットフォームを用いた車両経路指定 | |
CN114929517B (zh) | 协作式交通工具前灯引导 | |
US20200326721A1 (en) | Occupancy verification device and method | |
Dabboussi | Dependability approaches for mobile environment: Application on connected autonomous vehicles. | |
CN114945958A (zh) | 协作式交通工具前灯引导 | |
CN116337096A (zh) | 使用最优路径偏差的驾驶员评分***和方法 | |
US20230080281A1 (en) | Precautionary observation zone for vehicle routing | |
Hacohen et al. | Autonomous driving: A survey of technological gaps using *** scholar and web of science trend analysis | |
JP7464425B2 (ja) | 車両制御装置、車両制御方法、及びプログラム | |
EP4156043A1 (en) | Driver scoring system and method with accident proneness filtering using alert clustering and safety-warning based road classification | |
WO2021229671A1 (ja) | 走行支援装置および走行支援方法 | |
KR20230134482A (ko) | 로컬 동적 맵 데이터 모델을 사용한 V2X(Vehicle-to-Everything)오작동 검출 | |
YU et al. | Vehicle Intelligent Driving Technology | |
EP3761285A1 (en) | Smart object knowledge sharing | |
US11881031B2 (en) | Hierarchical processing of traffic signal face states | |
US20240116544A1 (en) | Prediction and planning for mobile robots |
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 |