CN113728369B - 用于预测车辆的交通状况的方法 - Google Patents

用于预测车辆的交通状况的方法 Download PDF

Info

Publication number
CN113728369B
CN113728369B CN202080029414.0A CN202080029414A CN113728369B CN 113728369 B CN113728369 B CN 113728369B CN 202080029414 A CN202080029414 A CN 202080029414A CN 113728369 B CN113728369 B CN 113728369B
Authority
CN
China
Prior art keywords
vehicle
prediction
traffic conditions
predicted
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202080029414.0A
Other languages
English (en)
Other versions
CN113728369A (zh
Inventor
F·威斯穆勒
J·希普
J·赫伯斯特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Mercedes Benz Group AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mercedes Benz Group AG filed Critical Mercedes Benz Group AG
Publication of CN113728369A publication Critical patent/CN113728369A/zh
Application granted granted Critical
Publication of CN113728369B publication Critical patent/CN113728369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/04—Monitoring the functioning of the control system
    • B60W50/045—Monitoring control system 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/0083—Setting, resetting, calibration
    • 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)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种用于预测车辆(2)尤其是自动驾驶车辆(2)的交通状况(PU)的方法，其中，连续采集车辆(2)的周围环境，并且依据所采集的环境数据和预测参数(P)针对未来时刻来预测车辆(2)的交通状况(PU)。根据本发明，当到达未来时刻时测知当前真实交通状况，将当前真实交通状况与预测交通状况进行比较，并且在所述比较中确定该预测是否有预测误差。在存在预测误差时修正预测参数(P)。本发明还涉及一种用于操作自动驾驶的、特别是高度自动化驾驶的或自主驾驶的车辆(2)的方法。

Description

用于预测车辆的交通状况的方法
技术领域
本发明涉及一种根据权利要求1的前序部分的用于预测车辆交通状况的方法。
本发明还涉及一种用于操作自动驾驶、尤其高度自动化驾驶或自主驾驶的车辆的方法。
背景技术
DE 10 2012 005 272 A1公开一种用于确定两辆车之间状况的风险概率的方法，在这里，通过生成车辆运动假设轨迹来预测车辆的未来运动轨迹，其中，在第一方法阶段中，依据车辆的两位司机的司机意图、车辆位置数据、车辆运动数据和车辆环境信息来确定处于彼此相对运动中的车辆的运动假设轨迹的可能相互交点并确定由所述交点引起的潜在碰撞。在第二方法阶段中，依据所确定的潜在碰撞来确定和评估潜在可能的无碰撞车辆运动假设轨迹对，其中，在评估期间确定车辆之间的相应运动游隙并依据相应运动游隙大小确定危险概率。
发明内容
本发明所基于的任务是提出一种用于预测车辆的交通状况的新方法。另外，本发明基于的任务是提出一种用于操作自动驾驶、特别是高度自动化驾驶的或自主驾驶的车辆的新方法。
根据本发明，该任务通过一种具有权利要求1所指明的特征的用于预测交通状况的方法来完成。根据本发明，该任务还通过一种具有权利要求8所指明的特征的车辆操作方法来完成。
本发明的有利设计是从属权利要求的主题。
在一种用于预测车辆且尤其是自动驾驶特别是高度自动化驾驶的或自主驾驶的车辆的交通状况的方法中，连续采集车辆的周围环境，并且针对未来时刻依据所采集的环境数据和预测参数来预测车辆的交通状况。
根据本发明，当到达未来时刻时测知当前的真实交通状况，将当前的真实交通状况与预测的交通状况进行比较，并在比较中确定该预测是否有预测误差。在有预测误差的情况下修正该预测参数。
通过比较预测的交通状况和在未来时刻所实际测知的交通状况，该方法以特别有利的方式允许可靠识别预测误差。因此，该方法允许即便在框架条件强烈波动下也准确预测在车辆周围环境中的附近车辆的运动轨迹，从而可以实现驾驶员辅助***和自动驾驶功能，它们能够至少在几乎所有情况下合理工作并反应。在此，在预测交通状况时，避免涵盖所有边界条件的泛化和大的误差，使得运动轨迹的规划非常安全且可靠。在此情况下有利地考虑如下情况，即，真正预测所需要的规则在特定边界条件下有可能不一定适用，因为所述边界条件或许显著影响到其它交通参与者的驾驶行为，使得运动轨迹规划非常安全可靠。因此，例如该方法还允许在法律和道德观点方面启用自动驾驶功能。
在该方法的一个可能设计中，所预测的交通状况基于在车辆周围的其它交通参与者的可能的/预计的运动行为。例如，预测以2秒到5秒的预测水平进行，从而可以在不到2秒的时间至不到5秒的时间内进行预测。
在该方法的另一可能设计中，当在该比较中所确定的在当前真实交通状况与预测的交通状况之间的偏差超过规定容差值时确定预测误差。由此实现该方法的更稳定、安全且可靠地运行，并且在小偏差情况下避免不必要的预测参数改变。
在该方法的另一可能设计中，预测参数由车外中央计算单元提供。这允许车辆在需要时能调用预测参数。而不需要在车辆中费事且长久地存储预测数据。还确保了总是给车辆提供最新预测参数。
在该方法的另一个可能的实施例中，在存在预测误差情况下，将包括预测所依据的数据、预测参数、预测的交通状况和真实交通状况的数据组传输到中央计算单元，且依据该数据组借助计算单元对预测参数进行修正。通过借助计算单元来外部修正预测参数，允许有效的集中修正，从而可以将车辆硬件成本最小化。同时确保总是将最新预测参数提供给车辆和或许其它车辆以供使用。
在该方法的另一个可能设计中，对预测参数的修正是依据借助大量车辆所产生并传输到计算单元的数据组来进行的。基于对多辆车的数据组的比较和评估，例如当针对一个地点存在多辆车的数据组时，可以确保预测参数极其准确，因为可靠识别各个车辆的检测误差。
在该方法的另一个可能设计中，预测参数的修正是借助学习算法、尤其是人工神经元网络来执行的。这使得预测参数修正得到持续改善且进而预测参数本身的精度得到持续改善。
在该方法的另一个可能设计中，车外中央计算单元要求车辆在不存在预测误差的情况下在标记为关键的位置分别将相应的数据组传输给计算单元，其中，该数据组包含预测所依据的数据、预测参数、预测的交通状况和真实交通状态。因此，当修正预测参数时，提供数据库用于无误预测。
在根据本发明的用于操作自动驾驶、特别是高度自动化驾驶或自主驾驶的车辆的方法中，在自动行驶期间执行前述的用于预测交通状况的方法，并且车辆在驶上路段之前从至少一个车外中央计算单元调取适用于该路段的预测参数。
由于使用了用于预测交通状况的方法，故该方法以很有利的方式通过比较预测的交通状况和在未来时刻所实际测知的交通状况来允许可靠识别预测误差且由此准确预测在车辆周围环境中的附近车辆运动轨迹，而不受边界条件强烈变化所影响。因此可以实现驾驶员辅助***和自动驾驶功能，它们能够至少在几乎所有情况下以适当方式起效并反应。这允许车辆的特别安全的自动化操作，其中，还可行的是从法律和道德角度看允许车辆的自动驾驶功能。
在该方法的一个可能设计中，依据预测结果在考虑其它交通参与者的可能运动行为情况下规划用于自动驾驶的车辆运动轨迹。基于精确预测，可以实现特别安全的车辆自动化操作。
在该方法的另一个可能设计中，在自动化驾驶中，规划运动轨迹是借助车辆纵向和/或横向运动的自动控制和/或调节来实现的，以获得高度自动化和进而车辆用户的高度舒适性。
附图说明
以下将结合附图来详述本发明的实施例，在此示出了：
图1示意性示出车辆操作装置的框图，
图2示意性示出车外计算单元的框图，
图3示意性示出车辆和车外计算单元的框图，
图4示意性示出车辆操作方法的过程。
彼此对应的部分在所有的图中带有相同的附图标记。
具体实施方式
图1示出用于操作在图3中被更详细示出的车辆2的装置1的框图，其中，该车辆2被设计用于自动驾驶、特别是高度自动化驾驶模式或自主驾驶。
车辆2的这种自动化操作需要根据当前交通状况和预测的交通状况PU来规划车辆2的运动轨迹T。
为了规划，装置1包括车辆自身的传感器装置1.1、用于预测交通状况PU的预测模块1.2、用于规划运动轨迹T的规划模块1.3、用于实现运动轨迹T的实施模块1.4、传感器装置缓存器1.5、用于经由通信信道3通信的通信模块1.6、预测缓存器1.7和比较模块1.8。
为了实现车辆2的自动驾驶功能，借助于车辆自身的传感器装置1.1连续采集车辆2的当前环境数据，其也称为传感器信息I。
借助预测模块1.2，依据传感器信息I连续执行交通状况PU的预测，以便针对未来时刻、例如针对接下来的2秒至5秒确定预测的环境数据、即预测的交通状况PU。
该预测按照其它交通参与者的预期行为来进行。所述预期代表在图2中被详细示出的预测参数P、即作为预测依据的边界条件。因此，例如假设其它交通参与者遵守交通规则，并且例如不会越过实线车道标记变道、不使用路肩来超车、通过操作闪光灯预示并显示想要变道等等。还假设交通参与者使其行为适应于交通流量、不会鲁莽地迫使他人刹车或让道等。
根据预测结果，特别是在考虑其它交通参与者的可能运动行为的情况下，借助规划模块1.3来执行运动轨迹T的规划，其中，借助实施模块1.4通过干预车辆2的纵向和横向运动来实现规划的运动轨迹T。
所采集的环境数据、即传感器信息I以及预测的环境数据、即预测的交通状况PU二者都被暂存以用于后续评估。对于传感器信息I，暂存是在传感器***缓存器1.5中进行的；对于包含所属预测参数P的预测的交通状况PU，暂存是在预测缓存器1.7中进行的。然后，在传感器装置缓存器1.5的输出端，可以调用缓存的传感器信息ITO，在预测缓存器1.7的输出端调用缓存的预测的交通状况PUTO。
在未来时刻，借助比较模块1.8将此刻所采集的实际环境数据(即此刻所采集的相应传感器数据I和进而此刻所测得的当前真实交通状况)与针对此时刻所预测的交通状况PU相比较。在此，由预测缓存器1.7向比较模块1.8提供缓存的预测的交通状况PUTO连同所包括的缓存的所属预测参数P。如果比较表明当前所测得的交通状况和预测的交通状况PU之间的偏差在规定容差范围之外，则比较模块1.8生成触发信号TR，使得包含真实交通状况、针对共同时刻所预测的交通状况PU、用以确定预测的交通状况PU的传感器信息I和作为预测基础的预测参数P的数据组D借助通信模块1.6经由通信信道3被传输至在图2中所详细示出的车外中央计算单元4，例如所谓的后端服务器。
可能出现的是交通参与者在某些地方、某些时间或某些情况下通常不会按预期行事。例如可能的是高速公路上的交通参与者可能在交通拥堵或上下班交通中比其它时候更频繁地违规使用路肩作为分流车道，或者在下雨或太阳初升或西下时被晃眼并比其它时候更频繁地意外刹车或离开车道。无法将这种特殊状况或这种地点纳入考量的预测模块1.2现在必须假定，其它的交通参与者很大可能不会驶过所述标记，而知晓所述地点或这种状况的人已将该经验一并纳入其预测中。
还假设受保护的传感器信号和因此传感器信息I是无误的。但传感器信号可以在某些位置和某些情况下比其它时候更频繁地出错，例如因为由潮湿车道面造成的反射。
其它交通参与者的这种意外行为或意外的有误传感器信号可能导致预测误差、即错误的预测交通状况PU，进而导致错误的规划运动轨迹T且因此在极端情况下导致碰撞。通过将针对未来时刻所预测的交通状况PU未来时刻实际确定的交通状况相互比较，可以识别预测误差。如果比较表明偏差超过某个容差值，则存在预测误差。当于是还知道执行预测的条件和作为预测依据的预测参数P时，能够通过将预测误差最小化来修正该预测参数P。当预测误差例如在一天某个时间如在早上上班交通中、在某些地点如高速公路出口、在某些情况下例如在拥堵或下雨时出现，则针对所述时刻、地点或情况来修正该预测参数P。
因此提供如下可能，即，可以汇总交通状况、针对未来加以预测并对此作出反应，就像人可用到其经验财富那样。为了也能将“经验财富”提供给新车2，车辆还需要共享记忆或经验财富。在此可发挥作用的框架条件尤其包括区域特定特点、视野状况、时刻、天气、交通状况等。
所述修正借助车外中央计算单元4执行，其同时形成用于车辆2的共有记忆或共同经验财富。
图2示出车外中央计算单元4的可能实施例的框图。
计算单元4包括用于经由通信信道3与装置1通信的通信模块4.1、用于参数改善的模块4.2和前后自适应的参数存储器4.3。
计算单元4从多台车辆2接收数据组D，数据组分别包含真实交通状况、针对共同时刻所预测的交通状况PU、用以确定预测交通状况PU的传感器信息I和作为预测依据的预测参数P。
计算单元4因此有大数据库可供使用。在计算单元4中对收到的数据组D进行聚类，以识别频繁出现通报预测误差的区域。此外，将数据组D传输给模块4.2。当确定在某些位置经常出现预测误差时，借助模块4.2对在这些位置被考虑用于预测的预测参数P进行修正，以尽量减小预测误差。可以达成修正是因为基于收到的数据组D知道了哪些是预测输入数据、哪些是预测输出数据，即相应的预测交通状况PU以及知道了输出数据的实际状况、即在预测时刻所确定的实际交通状况。可以借助学习方法、例如借助人工神经元网络进行修正。为了修正预测参数P，例如通过聚合来确定某些预测误差可归咎于哪个具体原因，例如像在一天中的同一时间和/或在同一地点多次出现误差。例如给学习***提供一系列输入参数例如横向速度、距前者/车的距离等，以及提供一系列输出参数例如1秒内的相对横向位置、1秒内的相对纵向位置、2秒内的相对横向位置。然后，用这些提供的数据组D来示教该***。如果此时确定所述行为例如在白天和黑夜之间截然不同，则按照该参数来划分该数据集合，并且将数据例如在两个分开的学习过程中提供给两个并行***以便学习。这两个经过示教的***然后是相应的预测组件，其在某些条件下适用并且在架构上设计成相同，但包含不同的参数组合。
接着，将修正后的预测参数P+与所属传感器信息I和数据组D一起以前后相关联的方式存在参数存储器4.3中并可供车辆2通过通信信道3调取。
在一个可能设计中，车外中央计算单元4请求车辆2在被标记为关键的位置处在不存在预测误差情况下将相应的数据组D传输到计算单元4，其中，数据组D也包括作为预测依据的数据、预测参数P、预测的交通状况PU和真实交通状况。因此当修正预测参数P时，可提供数据库用于无误预测。
然后，自动驾驶车辆2在驶过某个路段之前从计算单元4调取适用于该路段的预测参数P以用于预测算法，然后如关于图1所描述地执行交通状况PU的预测和运动轨迹T的规划。然后，依据该运动轨迹T执行车辆2的自动驾驶。即，车辆2随后向计算单元4查询针对其当前情况需要考虑的可能特点、即其当前位置、时刻等。
在此情况下，车辆2分别在当前情况下调取针对相应预测组件的参数调整，例如像针对在高速公路出口处驶过车道标记的例子而言，尽管有实线标记但变道概率增大。预测组件通过经过修正的预测参数P+知道了要考虑某些特性，以便它能相应调整所述预测。
对于驶过高速公路出口的标记的例子，在此可以如下进行预测参数P的修正。
依据大量收集的数据组D来确定在高速公路出口处交通参与者倾向于在有实线的车道标记情况下仍要进行变道，但这是违规的并且与在这种状况下的正常驾驶行为相背。例如这种不允许的超限可被如此识别，即，车队的车辆2通过其传感器装置1.1如摄像头、雷达等观察到标记以及其它交通参与者的活动。现在，借助计算单元4将关于在相关位置的违规行为的信息提供给将经过该位置的所有后随车辆2。它们能按照该信息通过调整其预测参数P而对周围交通参与者的运动预测做出反应，因此在此例子中，与通常很低的概率相比，明显提升用于车辆在越过实线标记“之后”的驶入概率。由此能明显提高在该地理位置的实际预测准确度。
当在车辆2中确定针对其它交通参与者之一的预测在某个点与交通参与者实际经行运动轨迹不太匹配时，在计算单元4中收集数据组D。为此设有如下的组成部件，其至少针对该预测的最长持续时间持续进行所述预测，从而可将在过去针对当前时刻所做的预测与期间所获得的关于交通状况的知识、即传感器信息I相互比较。该组成部件由传感器装置缓存器1.5和预测缓存器1.7形成。
图3示出车辆2和车外计算单元4的框图。车辆2和计算单元4借助其相应的通信模块1.6、4.1经由通信信道3进行通信。
在此如此进行通信，即，依据当前测知情况将所属的当前传感器信息I从相应的车辆2传输到计算单元4。
如果由比较模块1.8触发数据组D，则它还包括来自传感器装置1.1的信息以及传感器装置缓存器1.5的和预测缓存器1.7的内容。
此外，当计算单元4对车辆2作出响应时，预测参数P尤其也接收呈用于预测模块1.2的参数设定形式的特性。
图4示出用于操作车辆2的方法的可能实施例的过程。
在第一方法步骤S1中，依据传感器装置1.1测知交通状况，其中，在第三方法步骤S3中，依据由计算单元4在第二方法步骤S2中提供的前后关联信息执行交通状况PU的预测，这尤其借助车辆控制器和在其上实现的软件来执行。
然后，在第四方法步骤S4中，特别是借助车辆控制器和在其上实现的软件进行运动轨迹T的规划，以及在第五方法步骤S5中借助实施模块1.4的相应执行器来实现运动轨迹T。

Claims (11)

1.一种用于预测车辆(2)的交通状况(PU)的方法，其中，
-连续采集该车辆(2)的周围环境，并且
-依据所采集的周围环境数据和预测参数(P)来针对未来时刻预测该车辆(2)的交通状况(PU)，
其特征在于，
-当到达该未来时刻时，测知当前的真实交通状况，
-将当前的真实交通状况与预测的交通状况(PU)进行比较，
-在该比较中确定该预测是否存在预测误差，以及
-如果存在预测误差，则对所述预测参数(P)进行修正，
其中，所述预测参数(P)由车外的中央计算单元(4)提供，该车外的中央计算单元(4)请求车辆(2)在标记为关键的位置处在不存在预测误差的情况下向该计算单元(4)传输相应的数据组(D)，其中，该数据组(D)包括作为预测依据的数据、预测参数(P)、预测的交通状况(PU)和真实交通状况。
2.根据权利要求1所述的方法，其特征在于，当在该比较中确定的当前的真实交通状况与预测的交通状况(PU)之间的偏差超过预先规定的容差值时，确定存在预测误差。
3.根据权利要求1所述的方法，其特征在于，在存在预测误差的情况下，将包括作为预测依据的数据、预测参数(P)、预测的交通状况(PU)和真实交通状况的数据组(D)传输到该中央计算单元(4)，并且借助该计算单元(4)来对所述预测参数(P)进行修正。
4.根据权利要求3所述的方法，其特征在于，对所述预测参数(P)的修正是依据由多台车辆(2)产生的且被传输到该计算单元(4)的数据组(D)来执行的。
5.根据权利要求3或4所述的方法，其特征在于，对所述预测参数(P)的修正是借助学习算法来执行的。
6.根据权利要求5所述的方法，其特征在于，所述学习算法为人工神经元网络。
7.根据权利要求1或2所述的方法，其特征在于，所述车辆(2)是自动驾驶车辆。
8.一种用于操作自动驾驶的车辆(2)的方法，其中，在自动行驶期间执行根据权利要求1至7之一的用于预测交通状况(PU)的方法，并且该车辆(2)在驶上路段之前从至少一个车外的中央计算单元(4)调取该路段适用的预测参数(P)。
9.根据权利要求8所述的方法，其特征在于，用于自动驾驶操作的车辆(2)的运动轨迹(T)是依据预测结果在考虑其它交通参与者的可能的运动行为的情况下来进行规划的。
10.根据权利要求9所述的方法，其特征在于，在自动驾驶操作中，所规划的运动轨迹(T)是通过自动控制和/或调节车辆(2)的纵向和/或横向运动来实现的。
11.根据权利要求8至10中任一项所述的方法，其特征在于，所述车辆(2)是高度自动化驾驶的车辆或自主驾驶车辆。
CN202080029414.0A 2019-04-16 2020-03-18 用于预测车辆的交通状况的方法 Active CN113728369B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102019002790.6A DE102019002790B4 (de) 2019-04-16 2019-04-16 Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug
DE102019002790.6 2019-04-16
PCT/EP2020/057501 WO2020212061A1 (de) 2019-04-16 2020-03-18 Verfahren zur prädiktion einer verkehrssituation für ein fahrzeug

Publications (2)

Publication Number Publication Date
CN113728369A CN113728369A (zh) 2021-11-30
CN113728369B true CN113728369B (zh) 2023-04-04

Family

ID=69941369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080029414.0A Active CN113728369B (zh) 2019-04-16 2020-03-18 用于预测车辆的交通状况的方法

Country Status (4)

Country Link
US (1) US11945450B2 (zh)
CN (1) CN113728369B (zh)
DE (1) DE102019002790B4 (zh)
WO (1) WO2020212061A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020129451A1 (de) 2020-11-09 2022-05-12 Audi Ag Verfahren zur Prädiktion von Fahreingriffen, Verfahren zum Training eines Algorithmus und Kraftfahrzeug
WO2022217495A1 (zh) * 2021-04-14 2022-10-20 华为技术有限公司 车辆控制方法及装置、车辆
DE102021205067A1 (de) 2021-05-19 2022-11-24 Zf Friedrichshafen Ag Fahrzeugsystem zur Fehlererkennung in einem Umfeldmodell und Fahrzeug
DE102022205174A1 (de) * 2022-05-24 2023-11-30 Psa Automobiles Sa Kollektive Informationsbeschaffung für automatisierte Fahrsteuerfunktionen
DE102022002457A1 (de) 2022-07-05 2024-01-11 Mercedes-Benz Group AG Verfahren zur Prädiktion eines Einflusses eines Verkehrsteilnehmers auf zumindest einen anderen Verkehrsteilnehmer und Verfahren zum Betrieb eines Fahrzeugs
CN117915292A (zh) * 2022-10-10 2024-04-19 索尼集团公司 电子设备、通信方法和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1027294A (ja) * 1996-05-07 1998-01-27 Koito Ind Ltd 駐車場利用状況予測装置及び駐車場利用状況測定装置、並びにこれらを用いた駐車場案内装置
JPH10312497A (ja) * 1997-05-13 1998-11-24 Toshiba Corp 交通状況予測装置
CN103116808A (zh) * 2013-01-18 2013-05-22 同济大学 一种快速路短时交通流实时预测的方法
CN104504897A (zh) * 2014-09-28 2015-04-08 北京工业大学 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19856704C2 (de) * 1998-12-09 2001-09-13 Daimler Chrysler Ag Verfahren und Vorrichtung zur Fahrzeugzielführung und/oder Reisezeitschätzung
DE19904909C2 (de) 1999-02-06 2003-10-30 Daimler Chrysler Ag Verfahren und Vorrichtung zur Bereitstellung von Verkehrsinformationen
JP2001109998A (ja) 1999-10-08 2001-04-20 Hitachi Ltd 車両走行支援装置
DE10062856B4 (de) * 2000-12-16 2008-01-10 Daimlerchrysler Ag Verfahren zur fahrzeugindividuellen Verkehrsprognose
JP4055656B2 (ja) 2003-05-30 2008-03-05 トヨタ自動車株式会社 衝突予測装置
JP3985748B2 (ja) * 2003-07-08 2007-10-03 日産自動車株式会社 車載用障害物検出装置
DE102011101359A1 (de) 2011-05-12 2012-11-15 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Verfahren und Vorrichtung zur Klassifikation von Daten
DE102011083677A1 (de) * 2011-09-29 2013-04-04 Bayerische Motoren Werke Aktiengesellschaft Prognose einer Verkehrssituation für ein Fahrzeug
DE102012005272A1 (de) 2012-02-20 2012-10-25 Daimler Ag Verfahren zur Ermittlung einer Gefahrenwahrscheinlichkeit und Verwendung des Verfahrens
DE102013214225A1 (de) * 2013-07-19 2015-01-22 Bayerische Motoren Werke Aktiengesellschaft Dynamische Neuplanung einer Fahrtrajektorie mittels LQ-Regelung für einen Ausweichassistenten
US9878710B2 (en) * 2015-05-04 2018-01-30 Honda Research Institute Europe Gmbh Method for improving performance of a method for computationally predicting a future state of a target object, driver assistance system, vehicle including such driver assistance system and respective program storage medium and program
DE102016000493B4 (de) 2016-01-19 2017-10-19 Audi Ag Verfahren zum Betrieb eines Fahrzeugsystems und Kraftfahrzeug
JP6704583B2 (ja) 2016-12-27 2020-06-03 株式会社デンソーアイティーラボラトリ 学習システムおよび学習方法
CN107264534B (zh) 2017-05-23 2019-07-09 北京理工大学 基于驾驶员经验模型的智能驾驶控制***和方法、车辆
JP6722280B2 (ja) 2017-06-22 2020-07-15 バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッドＢａｉｄｕ．ｃｏｍ Ｔｉｍｅｓ Ｔｅｃｈｎｏｌｏｇｙ （Ｂｅｉｊｉｎｇ） Ｃｏ．， Ｌｔｄ． 自律走行車の交通予測における予測軌跡の評価フレームワーク
DE102017212629B4 (de) * 2017-07-24 2020-11-12 Bayerische Motoren Werke Aktiengesellschaft Prädiktion des Verhaltens eines Verkehrsteilnehmers
DE102017216202A1 (de) * 2017-09-13 2019-03-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße
DE102018008024A1 (de) * 2018-10-10 2019-04-11 Daimler Ag Verfahren zur Bewertung einer Verkehrssituation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1027294A (ja) * 1996-05-07 1998-01-27 Koito Ind Ltd 駐車場利用状況予測装置及び駐車場利用状況測定装置、並びにこれらを用いた駐車場案内装置
JPH10312497A (ja) * 1997-05-13 1998-11-24 Toshiba Corp 交通状況予測装置
CN103116808A (zh) * 2013-01-18 2013-05-22 同济大学 一种快速路短时交通流实时预测的方法
CN104504897A (zh) * 2014-09-28 2015-04-08 北京工业大学 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法

Also Published As

Publication number Publication date
DE102019002790B4 (de) 2023-05-04
DE102019002790A1 (de) 2020-08-06
CN113728369A (zh) 2021-11-30
US11945450B2 (en) 2024-04-02
WO2020212061A1 (de) 2020-10-22
US20220169262A1 (en) 2022-06-02

Similar Documents

Publication Publication Date Title
CN113728369B (zh) 用于预测车辆的交通状况的方法
US11263830B2 (en) Intervention in operation of a vehicle having autonomous driving capabilities
CN108475056B (zh) 用于全自动地引导车辆***的方法以及机动车
US10317899B2 (en) Intervention in operation of a vehicle having autonomous driving capabilities
EP3602220B1 (en) Dynamic sensor selection for self-driving vehicles
US10514692B2 (en) Intervention in operation of a vehicle having autonomous driving capabilities
KR102177826B1 (ko) 자율 주행 능력들을 갖춘 차량의 작동에 대한 개입
US10599141B2 (en) Intervention in operation of a vehicle having autonomous driving capabilities
US20200387155A1 (en) Intervention in operation of a vehicle having autonomous driving capabilities
US11112789B2 (en) Intervention in operation of a vehicle having autonomous driving capabilities
EP3657460A1 (en) Method, computer program product, and driver assistance system for determining one or more lanes of a road in an environment of a vehicle
CN113085873B (zh) 驾驶策略的获取方法、装置、计算机设备和存储介质
CN114730186A (zh) 用于运行车辆的自主行驶功能的方法
CN114502442A (zh) 用于运行车辆的方法
CN116868248A (zh) 用于受基础设施支持地辅助多个机动车的方法
EP3798912A1 (en) Training method for a convolutional neural network for predicting a driving maneuver of a traffic participant
CN110913335B (zh) 自动引导车感知定位方法、装置、服务器及自动引导车
DE102020202476A1 (de) Verfahren und Vorrichtung zum Schätzen mindestens eines Objektzustandes eines beweglichen Objektes im Umfeld eines Fahrzeugs
US11433901B2 (en) Selection of a main object for an assistance function or automated driving function of a driver assistance system or driving system of a motor vehicle
US11922814B2 (en) Method, system, and vehicle for controlling a vehicle system
US11556137B2 (en) Method of assisting with the driving of vehicles carried out by associated system including sensors installed along sections of road
US20210394794A1 (en) Assessment of a vehicle control system
CN117922602A (zh) 在降级驾驶情况下对车辆规划参数的调整

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Stuttgart, Germany

Applicant after: Mercedes-Benz Group Co.,Ltd.

Address before: Stuttgart, Germany

Applicant before: DAIMLER AG

GR01 Patent grant
GR01 Patent grant