CN114586082A

CN114586082A - 增强的车载装备

Info

Publication number: CN114586082A
Application number: CN202080074484.8A
Authority: CN
Inventors: N·马诺哈; A·阿布法德尔; G·奥德
Original assignee: Delk Inc
Current assignee: Delk Inc
Priority date: 2019-08-29
Filing date: 2020-08-12
Publication date: 2022-06-03
Also published as: EP4022591A4; WO2021038299A3; US20230112079A1; CA3148680A1; US11688282B2; US20210065551A1; EP4022591A2; US20230401960A1; US11443631B2; WO2021038299A2; WO2021038542A1; JP2022546320A

Abstract

除其他事项之外，在第一地面交通实体车载使用的装备具有(a)接收器，用于由第一地面交通实体的环境的传感器生成的信息，(b)处理器，和(c)存储指令的存储器，所述指令可由处理器执行以基于传感器生成的信息生成安全消息信息并将其发送到第二地面交通实体。

Description

增强的车载装备

本申请享有2019年8月29日提交的美国临时专利申请62/893,616的申请日的利益，其全部内容通过引用并入本文。

背景技术

美国专利10,235,882的内容通过引用并入本文。

本描述涉及增强的车载装备。

防撞***变得越来越丰富。例如，King等人(美国专利公开号2007/0276600A1，2007年)描述了将传感器放置在交叉路口的前面，并应用基于物理的决策规则来根据行驶方向和速度预测两辆车是否即将在交叉路口碰撞。

在Aoude等人(美国专利9,129,519B2,2015，其全部内容通过引用并入本文)中，监控驾驶员的行为并建模以允许预测和预防在交叉路口的交通状况的违规行为。

避撞是地面交通中防止人员伤亡和财产损失的主要防御措施。提供危险情况的预警有助于避撞。

发明内容

一般而言，在一个方面，在第一地面交通实体上车载使用的装备具有(a)接收器，用于由第一地面交通实体的环境的传感器生成的信息，(b)处理器，和(c)存储器，存储可由处理器执行以基于传感器生成的信息生成安全消息信息并将其发送到第二地面交通实体的指令。

实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。这些指令可由处理器执行以生成用于生成安全消息信息的预测。预测由预测模型生成。预测模型被配置为预测涉及第一地面交通实体、第二地面交通实体或另一个地面交通实体的危险情况。危险情况涉及第二地面交通实体穿越道路车道。第二地面交通实体包括车辆，而危险情况包括车辆在车道上打滑。第二地面交通实体包括行人或过马路的其他易受伤害的道路使用者。易受伤害的道路使用者正在交叉路口过马路。易受伤害的道路使用者正在交叉路口以外的地方过马路。预测的危险情况包括预测的在第三地面交通实体和第二地面交通实体之间的碰撞。第一地面交通实体包括车辆，而第二地面交通实体包括行人或其他易受伤害的道路使用者。第三地面交通实体跟随第一地面交通实体，并且第三地面交通实体的来自第一地面交通实体的视野被遮挡。第三地面交通实***于与第一地面交通实体正在行驶的车道相邻的车道中。这些指令可由处理器执行以确定第三地面交通实体的运动参数。第二地面交通实体仅具有针对第三地面交通有遮挡的视野。第二地面交通实体包括行人或其他易受伤害的道路使用者。处理器发送的安全消息信息包括基本安全消息。处理器发送的安全消息信息包括虚拟基本安全消息。处理器发送的安全消息信息包括个人安全消息。处理器发送的安全消息信息包括虚拟个人安全消息。处理器发送的安全消息信息包括代表第三地面交通实体发送的虚拟基本安全消息。第三地面交通实体包括未连接的地面交通实体。处理器发送的安全消息信息包括代表第三地面交通实体发送的虚拟个人安全消息。该装备具有(d)接收器，用于从第一地面交通实体外部的源无线发送的信息。所请求的装置包括第一地面交通实体。安全消息信息包括虚拟交叉路口避撞消息(VICA)。安全消息信息包括交叉路口避撞消息(ICA)。安全消息信息包括虚拟组合的安全消息(VCSM)。安全消息信息包括组合的安全消息(CSM)。

一般而言，在一个方面，用于在第一地面交通实体上车载使用的装备具有(a)接收器，用于从第一地面交通实体外部的源发送的第一位置校正信息，(b)用于表示第一地面交通实体的位置或运动的参数的信息的接收器，(c)处理器，和(d)存储器，存储可由处理器执行的指令以基于第一位置校正信息和表示运动参数的信息生成更新的位置校正信息，并根据更新的位置校正信息向另一个地面交通实体发送位置校正消息。

实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。第一地面交通实体外部的源发送的位置校正信息包括位置校正消息。从第一地面交通实体外部的源发送的位置校正信息包括海事无线电技术委员会(RTCM)校正消息。位置校正信息包括GNSS位置校正。位置或运动参数包括第一地面交通实体的当前位置。第一地面交通实体外部的源包括RSE或被配置为在互联网上传输RTCM校正消息的外部服务。这些指令可由处理器执行以确认更新的位置校正信息中的置信水平。

通常，在一个方面，接收已经由安装在第一地面交通实体上的传感器生成的关于第一地面交通实体的环境的信息。基于传感器生成的信息生成安全消息信息并将其发送到第二地面交通实体。

实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。生成用于生成安全消息信息的预测。预测由预测模型生成。预测模型被配置为预测涉及第一地面交通实体、第二地面交通实体或另一个地面交通实体的危险情况。危险情况涉及第二地面交通实体穿越道路车道。第二地面交通实体包括车辆，而危险情况包括车辆在车道上打滑。第二地面交通实体包括行人或过马路的其他易受伤害的道路使用者。易受伤害的道路使用者正在交叉路口过马路。易受伤害的道路使用者正在交叉路口以外的地方过马路。危险情况包括在第三地面交通实体和第二地面交通实体之间的碰撞。第一地面交通实体包括车辆，而第二地面交通实体包括行人或其他易受伤害的道路使用者。第三地面交通实体跟随第一地面交通实体，并且第三地面交通实体的来自第一地面交通实体的视野被遮挡。第三地面交通实***于与第一地面交通实体正在行驶的车道相邻的车道中。确定第三地面交通实体的运动参数。第二地面交通实体仅具有针对第三地面交通有遮挡的视野。第二地面交通实体包括行人或其他易受伤害的道路使用者。安全消息信息包括基本安全消息。安全消息信息包括虚拟基本安全消息。安全消息信息包括个人安全消息。安全消息信息包括虚拟个人安全消息。安全消息信息包括代表第三地面交通实体发送的虚拟基本安全消息。处理器发送的安全消息信息包括代表第三地面交通发送的虚拟个人安全消息。第三地面交通实体包括未连接的地面交通实体。

接收从第一地面交通实体外部的源无线发送的信息。

安全消息信息包括虚拟交叉路口避撞消息(VICA)。安全消息信息包括虚拟交叉路口避撞消息(ICA)。安全消息信息包括虚拟组合的安全消息(VCSM)。安全消息信息包括组合的安全消息(CSM)。

通常，在一个方面，接收已经从第一地面交通实体外部的源发送的第一位置校正信息。接收表示第一地面交通实体的运动参数的信息。基于第一位置校正信息和表示运动参数的信息生成更新的位置校正信息。发送位置校正消息，并基于更新的位置校正信息向另一地面交通实体发送位置校正消息。

实现可包括以下特征中的一个或者以下特征中的两个或更多个的组合。第一地面交通实体外部的源发送的位置校正信息包括位置校正消息。从第一地面交通实体外部的源发送的位置校正信息包括海事无线电技术委员会(RTCM)校正消息。位置校正信息包括GNSS位置校正。运动参数包括第一地面交通实体的当前位置。第一地面交通实体外部的源包括RSE或被配置为在互联网上传送位置校正消息的外部服务。更新的位置校正信息中的置信度水平被确认。

这些和其他的方面、特征和实现可以表示为方法、装置、***、组件、程序产品、经营商业的方法、用于执行功能的装置或步骤、以及在其他方式中。

根据包括权利要求的以下描述，这些和其他方面、特征和实现将变得显而易见。

描述

图1、2、3和15是框图。

图4、5、8至11、13、14和17至23是从上方看的道路网络的示意图。

图6和图7是交叉路口的注释透视图。

图12和16是道路网络的示意性侧视图和透视图。

随着传感器技术和计算机的进步，在进行地面交通时，预测危险情况(并提供预警)并以这种方式防止地面交通实体的碰撞和未遂事故(即，避撞)已变得可行。

我们使用的术语“地面交通”广义地包括，例如，任何需要与地球表面的土地或水接触的从一个地方移动到另一个地方的方式或媒介，例如步行或跑步(或参与其他行人活动)、非机动车辆、机动车辆(机动、半机动和非机动)和轨道车辆。

我们使用的术语“地面交通实体”(或有时简称为“实体”)广义地包括，例如，参与地面交通模式的人或离散的机动或非机动车辆，例如行人、自行车骑手、船、汽车、卡车、电车、有轨电车或火车等。有时我们使用术语“车辆”或“道路使用者”作为对地面交通实体的速记引用。

我们使用的术语“危险情况”广义地包括，例如，可能导致迫在眉睫的财产损失或人身伤害或死亡并且可以减少或避免的任何事件、事故、次序、情境或其他情况。我们有时将术语“危险”与“危险情况”互换使用。对于已经、可能或将导致危险情况的实体的行为，我们有时会使用词语“违规”或“违反”。

在我们在此讨论的技术的一些实现中，地面交通网络正在被不具有或不使用交通连通性的地面交通实体和具有和正在使用交通连通性的地面交通实体的混合来使用。

我们使用的术语“连通性”广义地包括，例如，地面交通实体的下述任何能力：(a)了解其周围环境、其附近的其他地面交通实体以及与其相关的交通状况并据此采取行动的任何能力，(b)广播或以其他方式传输有关其状态的数据，或(c)(a)和(b)这两者。传输的数据可以包括其位置、行驶方向、速度或其与交通状况相关的各组件的内部状态。在一些情况下，地面交通实体的感知是基于无线接收到的关于其他地面交通实体或与地面交通实体的操作相关的交通状况的数据。接收到的数据可以来自其他地面交通实体或基础设施设备，或两者兼而有之。通常，连通性涉及实时或基本上实时或及时地发送或接收数据，以使一个或多个地面交通实体在交通情况下基于数据采取行动。

我们使用的术语“交通状况”广义地包括下述任何情况：其中两个或更多个地面交通实体在彼此附近运行，并且其中每个实体的运行或状态可能影响其他方的运行或状态，或与其相关。

我们有时将没有或不使用连通性或连通性的各方面的地面交通实体称为“非连通地面交通实体”或简称为“非连通实体”。我们有时将具有并正在使用连通性或连通性的各方面的地面交通实体称为“连通地面交通实体”或简称为“连通实体”。

我们有时使用术语“合作实体”来指代向其周围环境广播数据的地面交通实体，所述数据包括例如位置、行驶方向、速度或车载安全***的状态(例如刹车、灯光和雨刷)。

我们有时使用术语“非合作实体”来指代不向其周围广播一种或多种类型的数据(例如其位置、速度、行驶方向或状态)的地面交通实体。

我们有时使用的术语地面交通实体的“附近区域”广义地包括，例如，该实体的广播可以被其他地面交通实体或基础设施设备接收的区域。在某些情况下，附近区域会随着实体的位置以及实体周围障碍物的数量和特性而变化。在沙漠中的开阔道路上行驶的实体将具有非常宽的附近区域，因为没有障碍物可以阻止来自实体的广播信号到达很远的距离。相反，城市峡谷的附近区域将由于实体周围的建筑物而减小。此外，可能存在降低广播信号质量并因此降低接收距离(附近区域)的电磁噪声源。

如图14所示，沿道路7005行进的实体7001的附近区域可以用同心圆表示，最外的圆7002表示附近区域的最外范围。位于圆圈7002内的任何其他实体都在实体7001的附近区域。位于圆7002之外的任何其他实体都在实体7001附近区域之外并且无法接收实体7001的广播。实体7001对于其附近区域之外的所有实体和基础设施设备是不可见的。

通常，合作实体会不断地广播他们的状态数据。广播实体的附近区域的连通实体能够接收这些广播，并且可以处理接收到的数据并对其采取行动。例如，如果一个易受伤害的道路使用者有一个可穿戴设备，可以接收来自实体的广播，比如一辆驶来的卡车，该可穿戴设备可以处理接收到的数据，并让易受伤害的使用者知道什么时候可以安全过马路。只要使用者的设备可以接收广播，即在合作实体的附近区域内，此操作的发生与合作实体或易受伤害的使用者相对于“智能”交叉路口的位置无关。

我们使用的术语“易受伤害的道路使用者”或“弱势道路使用者”广义地包括，例如，任何不使用机动车辆的道路使用者或道路网络的其他特征。易受伤害的道路使用者在与机动车辆相撞时通常无法免于受伤害或死亡或财产损失。在一些示例中，易受伤害的道路使用者可能是步行、跑步、骑自行车或进行任何类型的活动的人，这些活动会使他们在发生碰撞时面临与车辆或其他地面交通实体直接身体接触的风险。

在某些实施方式中，本文档中描述的避撞技术和***(我们有时简称为“***”)使用安装在基础设施固定件上的传感器来监控、跟踪、检测和预测地面交通实体及其驾驶员和它们的操作者的运动(例如速度、行驶方向、和位置)、行为(例如，高速)和意图(例如，将违反禁停标志)。传感器提供的信息(“传感器数据”)使***能够预测危险情况并向实体提供预警，以增加避撞的机会。

我们使用的术语“避撞”广义地包括，例如，下述任何情形：在其中两个或更多个地面交通实体之间或地面交通实体与环境中的另一个对象之间的可能因危险情况导致的碰撞或未遂事故被阻止或减少了这种互碰的机会。

我们使用的术语“预警”广义地包括，例如，任何通知、警报、指令、命令、广播、传输或其他发送或接收识别、暗示或以任何方式指示危险情况并对于避撞很有用的信息。

道路交叉路口是可能发生危险情况的主要地点。我们在这里描述的技术可以为交叉路口配备基础设施设备，包括传感器、计算硬件和智能设备，以实现对危险情况的同时监控、检测和预测。来自这些传感器的数据被标准化为单个参考帧，然后进行处理。构建了沿到交叉路口的不同道路的交通流的人工智能模型。例如，这些模型有助于更有可能违反交通规则的实体。建立模型是为了在实际违规之前检测危险情况，并因此可以被视为预测。基于对危险情况的预测，从交叉路口的基础设施设备向交叉路口附近区域的所有连通实体发送警报。每个收到警报的实体都会处理警报中的数据并执行警报过滤。警报过滤是丢弃或忽略对实体无益的警报的过程。如果警报被认为是有益的(即，没有因为过滤而被忽略)，例如即将发生碰撞的警报，则实体要么自动对警报做出反应(例如通过施加刹车)，要么提供通知给司机或两者兼而有之。

该***可用于但不限于公路、水路和铁路。我们有时将这些和其他类似的交通情境称为“地面交通网络”。

虽然我们经常在交叉路口的情境中讨论该***，但它也可以应用于其他情境。

我们使用的术语“交叉点”广义地包括，例如，道路、铁路、水体或其他行进路径的任何现实世界布置，所述布置用于两个或更多个沿地面交通网络的路径行进的地面交通实体可能在某些时间和位置占据相同的位置，从而产生碰撞。

使用地面交通网络的地面交通实体以各种速度移动，并且可能以不同的速度和一天中的时间到达给定的交叉路口。如果一个实体与交叉路口的速度和距离已知，则将距离除以速度(均以相同的单位***表示)将得出到达交叉路口的时间。但是，由于交通状况、路线限速、交通信号以及其他因素的影响，速度会发生变化，因此，预计到达交叉路口的时间会不断变化。预计到达时间的这种动态变化使得无法以100％的置信度预测实际到达时间。

要考虑影响实体运动的因素，需要在实体的速度和各种影响因素之间应用大量关系。可以通过从实体或从外部位置跟踪该实体的传感器来观察实体的运动状态的绝对值。这些传感器捕获的数据可用于对实体的运动模式、行为和意图进行建模。机器学习可用于从大量数据中生成复杂模型。无法直接使用实体运动学建模的模式可以使用机器学习来捕获。训练有素的模型可以通过使用来自跟踪实体的传感器的实体跟踪数据来预测实体是要移动还是在特定点处停止。

换句话说，除了直接从传感器数据中检测有关地面交通实体的信息外，该***还使用人工智能和机器学习来处理大量传感器数据，以学习地面交通实体的(例如在地面交通网络的交叉路口处、在到此类交叉路口的道路上，以及在地面交通网络的人行横道处)的运动模式、行为和意图。基于对当前传感器数据的直接使用以及对当前传感器数据应用人工智能和机器学习的结果，该***产生诸如危险情况警报之类的预警，从而帮助避免碰撞。对于指令或命令形式的预警，可以将命令或指令定向到特定的机动或人力驱动实体以直接控制车辆。例如，指令或命令可以减慢或阻止一个被一个恶意的人驱动的实体，该人已被确定要闯红灯以试图伤害他人。

该***可以定制为对该特定交叉路口进行预测，并向广播警报的设备附近区域内的实体发送警报。为此，***将使用传感器来获取有关危险实体的数据，并将传感器的当前读数传递给经过训练的模型。然后，所述模型的输出可以预测危险情况并广播相应的警报。附近区域内的连通实体收到的警报包含有关危险实体的信息，因此接收实体可以分析该信息以评估危险实体对其构成的威胁。如果存在威胁，接收实体可以自行采取行动(例如，减速)或使用基于视觉、音频、触觉或任何类型感官刺激的人机界面通知接收实体的驾驶员。机动实体可以自己采取行动来避免危险情况。

警报也可以通过蜂窝或其他网络直接发送到移动电话或其他设备，该设备被配备用于接收警报并由行人拥有。该***识别交叉路口的潜在危险实体，并向具有通信单元的行人的个人设备广播(或直接发送)警报。例如，警报可以防止行人进入人行横道，从而避免潜在的事故。

该***还可以跟踪行人并向其他实体广播与他们的状态(位置、速度和其他参数)相关的信息，以便其他实体可以采取行动避免危险情况。

如图1所示，该***包括至少以下几类组件：

1.路边装备(RSE)10，包括或使用传感器12来监控、跟踪、检测和预测运动(例如速度、行驶方向和位置)、行为(例如，高速)和地面交通实体14的意图(例如，将违反禁停标志)。RSE还包括或可以使用数据处理单元11和数据存储18。地面交通实体表现出广泛的行为，这取决于地面交通网络的基础设施以及实体本身的状态、驾驶员的状态和其他地面交通实体的状态。为了捕获实体的行为，RSE从传感器、其他RSE、OBE、OPE、本地或中央服务器以及其他数据处理单元收集信息。RSE还保存它接收到的数据，也可以在管道中的某些或所有步骤中保存处理后的数据。

RSE可以将数据保存在本地存储设备或远程存储上。收集的数据使用预定义的逻辑或基于动态收集的数据的逻辑进行实时处理，这意味着RSE可以自动更新自己的逻辑。可以在单个处理单元或处理单元群集上处理数据，以更快地获得结果。可以在本地或远程处理单元或本地或远程处理单元群集上处理数据。RSE可以使用在收集的数据上训练的简单逻辑或复杂模型。该模型可以在本地或远程进行训练。

RSE可以在使用经过训练的模型过滤异常值之前对数据进行预处理。由于传感器中的噪声、反射或某些其他伪影，可能会出现异常值。由此产生的异常值可能导致误报，从而影响整个RSE的性能。过滤方法可以是基于由RSE、OBE、OPE或在线资源收集的数据。RSE可以与其他控制器(例如交叉路口或其他位置的交通灯控制器)对接，以提取信息以在数据处理管道中使用。

RSE还包括或可以利用通信设备20通过有线或无线方式与其他RSE、OBE、OPE、本地或中央服务器以及其他数据处理单元进行通信。RSE可以使用任何可用的标准与其他装备进行通信。RSE可以使用有线或无线Internet连接将数据下载和上传到其他装备，使用蜂窝网络发送和接收来自其他蜂窝设备的消息，以及使用专用无线电设备与交叉路口或其他位置的基础设施设备和其他RSE进行通信。

RSE可以被安装在不同类型的交叉路口。例如，在信号灯交叉路口(例如，交通由灯控制的交叉路口)，RSE 10安装在交通灯控制器26附近，或者安装在同一外壳中，或者安装在邻近的外壳内。数据(例如交通灯相位和定时)指在在交通灯控制器和RSE之间流动28。在无信号交叉路口处，RSE 10通常被定位在使其易于将其连接到传感器12的位置，传感器12用于监测交叉路口的附近区域的道路或地面交通网络的其他特征。RSE与交叉路口的相邻有助于维持低延迟***，这对于为接收地面单位提供最大时间以响应警报至关重要。

2.安装在地面交通实体14上或由其携带或在其中的车载设备(OBE)36包括传感器38，所述传感器38除了关于实体的安全相关数据之外还确定实体的位置和运动学(运动数据)。OBE还包括可以与其他OBE、OPE、RSE以及可能的服务器和计算单元进行无线通信的数据处理单元40、数据存储42和通信装备44。

3.在个人装备(OPE)46上，其可以是但不限于移动电话、可穿戴设备或任何其他能够被佩戴、持有、附连到的或以其他方式与人或动物交互的设备。如果需要，OPE可以包括或耦合到数据处理单元48、数据存储50和通信装备52。在一些实现中，OPE用作非车辆的易受伤害的道路使用者的专用通信单元。在某些情况下，OPE还可用于其他目的。OPE可能具有向易受伤害的道路使用者提供视觉、音频或触觉警报的组件。

易受伤害的道路使用者可以包括行人、骑自行车者、道路工人、坐轮椅的人、踏板车、自平衡设备、电池供电的个人交通工具、动物驱动的马车、导引或警用动物、农场动物、畜群和宠物。

通常，OPE由易受伤害的道路使用者拥有，并且能够发送和接收消息。OPE可以连接或集成到手机、平板电脑、个人交通工具、自行车、可穿戴设备(例如手表、手镯、脚链)，或附连到宠物项圈。

OPE发送的消息可以包括与易受伤害的道路使用者相关的运动学信息，包括但不限于一天中的时间、3D位置、行驶方向、速度和加速度。发送的消息还可以携带表示易受伤害的道路使用者的警报级别、当前行为和未来意图的数据，例如易受伤害的道路使用者目前正在穿过人行横道、正在听音乐或将要穿过人行横道。除其他外，该消息可以传达易受伤害的道路使用者的blob大小或数据大小，易受伤害的道路使用者是否有外部设备(例如，婴儿车、手推车或其他设备)，易受伤害的道路使用者是否拥有残疾或正在使用任何个人协助。如果易受伤害的道路使用者是工人，则该消息可以传达工人的类别，并且还可以描述工人正在进行的活动的类型。当相似的易受伤害的道路使用者群集(例如，一群行人)具有相似的特性时，可以发送单条消息以避免多个消息广播。

通常，OPE接收到的消息是来自路边装备或实体的警报消息。OPE可以通过警告易受伤害的道路使用者来对收到的消息采取行动。警报消息将携带有助于为易受伤害的道路使用者提供自定义警报的数据。例如，向易受伤害的道路使用者发出的警报可能会展示一种类型的危险情况并建议可能的行动。OPE可以对所有收到的消息应用警报过滤，并仅将相关消息呈现给易受伤害的道路使用者。

警报过滤基于将学习算法应用于与OPE相关的历史数据的结果，从而可以为每个易受伤害的道路使用者定制警报过滤。OPE学习算法跟踪易受伤害的道路使用者对收到警报的响应，并定制未来的警报，以获得最佳响应时间和来自易受伤害道路使用者的最佳关注。学习算法也可以应用于发送的消息中所携带的数据。

4.数据存储服务器54，其可以是但不限于云存储、本地存储或允许存储和检索数据的任何其他存储设施。数据存储服务器可由RSE、计算单元以及可能由OBE、OPE和数据服务器出于存储与预警和避撞相关的数据而被访问。出于取出存储的数据的目的，可以从RSE以及可能从OBE、OPE和数据服务器访问数据存储服务器。数据可以是原始传感器数据、由处理单元处理的数据或由RSE、OBE和OPE生成的任何其他信息。

持续监控地面交通实体的交叉路口处的传感器每天可以生成大量数据。该数据量取决于传感器的数量和类型。数据既可以实时处理，也可以保存以供将来分析，这需要本地的(例如在交叉路口处的)数据存储单元(例如，硬盘驱动器、固态驱动器和其他大容量存储设备)。本地存储设备将在一段时间内被填满，具体取决于它们的存储容量、生成的数据量以及生成数据的速率。为了保留数据以供将来使用，所述数据被上传到具有更多容量的远程服务器。远程服务器可以根据需要按需升级存储容量。远程服务器可以使用可通过网络连接访问的类似于本地存储设备(例如，硬盘驱动器、固态驱动器或其他大容量存储设备)的数据存储设备。

存储在本地和服务器上以供将来分析的数据可以包括由地面交通实体广播并由RSE接收的数据，该数据被保存以供将来分析。可以从服务器或其他远程源下载存储的数据，以便在RSE上进行处理。例如，RSE所在交叉路口的机器学习模型可以存储在服务器或其他远程存储中，并由RSE下载，用于分析在RSE处从本地源接收到的当前数据。

5.计算单元56，其是位于云中或本地(例如作为RSE的一部分)或这些的组合的强大的计算机器。在其他功能中，计算单元处理可用数据以生成预测、基于机器学习的运动、行为和使用交通网络的车辆、行人或其他地面交通实体的意图的模型。每个计算单元可以具有专用硬件来处理相应类型的数据(例如，用于处理图像的图形处理单元)。在处理负载繁重的情况下，RSE中的计算单元可能会过载。例如，当向***添加额外的数据生成单元(例如传感器)时，可能会发生这种情况，从而产生计算过载。如果计算单元中运行的逻辑被计算更加密集的逻辑替换，也会发生过载。过载可能是由于被跟踪的地面交通实体数量的增加造成的。当发生本地计算过载时，RSE可以将一些任务卸载到另一个计算单元。该另一个计算单元可以在RSE附近或远程，例如服务器。计算任务可以优先排序，时间不严格的任务可以在另一个计算单元完成，并且结果由本地计算单元检索。例如，RSE中的计算单元可以请求另一个计算单元运行一个用于分析保存的数据并使用该数据训练模型的作业。然后，经过训练的模型将由RSE的计算单元下载并在那里存储和使用。

RSE处的计算单元可以使用其他小型计算单元来更有效地执行计算密集型作业并节省时间。可用的计算单元被明智地用于在最短的时间内执行最多的任务，例如，通过在RSE计算单元和其他可用的计算单元之间划分任务。计算单元也可以作为外部设备连接到RSE，以向RSE中的计算单元添加更多计算能力。与RSE中的计算单元相比，外部附连的计算单元可以具有相同或不同的架构。外部附连的计算单元可以使用任何可用的通信端口与现有的计算单元通信。RSE计算单元可以根据需要向外部计算单元请求更多的计算能力。

本文档的其余部分将详细解释上述组件在***中的作用和功能等等。

路边装备(RSE)

如图2所示，RSE可能包括但不限于以下组件：

1.一个或多个通信单元103、104，它们能够从附近的车辆或其他地面交通实体、基础设施和远程服务器和数据存储***130接收与地面交通实体和交通安全数据相关的运动数据和其他数据，或将与地面交通实体和交通安全数据相关的运动数据和其他数据发送至附近的车辆或其他地面交通实体、基础设施和远程服务器和数据存储***130，或这两者。在某些情况下，这种类型的通信被称为基础设施到每个(I2X)，包括但不限于基础设施到车辆(I2V)、基础设施到行人(I2P)、基础设施到基础设施(I2I)和基础设施到设备(I2D)以及它们的组合。通信可以是无线的或有线的并且符合多种通信协议。

2.通信单元103用于与地面交通实体通信，并且单元104用于通过互联网与远程服务器和数据存储***130通信。

3.本地存储器106，用于存储程序、交叉路口模型以及行为和交通模型。它还可用于临时存储从传感器101收集的数据。

4.传感器101和传感器控制器107，它们允许监控(例如，生成关于下述项的数据)移动对象，例如通常在RSE附近的地面交通实体。传感器可以包括但不限于摄像头、雷达、激光雷达、超声波检测器或任何其他硬件，这些硬件可以感知或从感知数据推断出地面交通实体的到某处的距离、速度、行驶方向、位置或它们的组合等等。使用来自两个或多个传感器101的数据的聚合或组合来执行传感器融合。

5.提供定位数据(例如，RSE的位置坐标)并帮助纠正地面交通实体定位中的定位误差的位置接收器(102)(例如GPS接收器)。

6.处理单元105，它将获取和使用从传感器产生的数据以及来自通信单元103、104的传入数据。处理单元将在本地处理和存储数据，并且在一些实现中，传输数据以用于远程存储和进一步处理。处理单元还将生成消息和警报，这些消息和警报通过无线通信设施广播或以其他方式发送到附近的行人、机动车辆或其他地面交通实体，并且在某些情况下发送到标志或其他基础设施呈现设备。处理单元还将定期向远程服务器报告所有RSE***的运行状况和状态以供监控。

7.扩展连接器108，允许在RSE与其他硬件或其他组件(诸如温度和湿度传感器、交通灯控制器、如上所述的计其他算单元，以及将来可能变得可用的其他电子设备)之间的控制和通信。

车载装备(OBE)

车载装备通常可以是地面交通实体的原始装备或由第三方供应商添加到实体中。如图3所示，OBE可能包括但不限于以下组件：

1.通信单元203，其能够向附近的车辆、行人、骑自行车的人或其他地面交通实体和基础设施以及它们的组合发送和接收数据，或两者兼而有之。通信单元还允许在车辆或其他地面交通实体与本地或远程服务器212之间传输或接收(或两者都有)数据，以用于机器学习目的和用于由服务器远程监控地面交通实体。在某些情况下，这种类型的通信被称为车辆到每个(V2X)，包括但不限于车辆到车辆(V2V)、车辆到行人(V2P)、车辆到基础设施(V2I)、车辆到设备(V2D)以及它们的组合。通信可以是无线的或有线的并且符合多种通信协议。

通信单元204将允许OBE通过互联网与远程服务器通信以进行程序更新、数据存储和数据处理。

2.本地存储器206，用于存储程序、交叉路口模型以及交通模型。它还可用于临时存储从传感器201收集的数据。

3.传感器201和传感器控制器207，其可以包括但不限于外部照摄像头、激光雷达、雷达、超声波传感器或可用于检测附近对象或人或其他地面交通实体的任何设备。传感器201还可以包括额外的运动传感器、全球定位接收器以及内部和本地麦克风和摄像头。

4.提供定位数据(例如，地面交通实体的位置的坐标)的位置接收器202(例如GPS接收器)。

5.处理单元205，其获取、使用、生成和传输数据，包括从通信单元消费数据和向通信单元发送数据以及从地面交通实体中或地面交通实体上的传感器消费数据。

6.扩展连接器208，允许OBE和其他硬件之间的控制和通信。

7.一种接口单元，可以通过一种或多种方式(例如使用视觉、听觉或触觉反馈)改装或集成到头戴式设备、方向盘或驾驶员移动设备中。

智能OBE(SOBE)

在所有车辆和其他地面交通实体都是连通实体的世界中，每个车辆或其他地面交通实体可以是与其他实体合作的实体，并且可以向其他实体报告其当前位置、安全状态、意图和其他信息。目前，几乎所有车辆都不是连通实体，无法向其他地面交通实体报告此类信息，并且由具有不同技能、幸福感、压力和行为水平的人操作。如果没有这种连通性和通信，预测车辆或地面交通实体的下一步行动将变得困难，并且这会导致实施防撞和提供预警的能力下降。

智能OBE监控环境和地面交通实体的使用者或乘客。它还密切关注实体的不同***和子***的运行状况和状态。SOBE通过收听例如来自紧急广播的无线电传输、来自附近RSE的交通和安全消息以及来自其他连通的车辆或其他地面交通实体的有关安全、位置和其他运动信息的消息来监控外部世界。SOBE还与可以监视道路和驾驶条件的车载传感器(诸如摄像头、距离传感器、振动传感器、麦克风或任何其他允许此类监控的传感器)对接。SOBE还将监视周围环境并创建所有静态和移动对象的地图。

SOBE还可以监控车辆或其他地面交通实体的使用者或乘客的行为。SOBE使用麦克风来监控会话的质量。它还可以使用其他传感器，诸如座位传感器、摄像头、碳氢化合物传感器以及挥发性有机化合物和其他有毒物质的传感器。它还可以使用运动传感器来测量驾驶员的反应和行为，并据此推断驾驶质量。

SOBE还接收来自其他地面交通实体的车对车消息(例如，基本安全消息(BSM))和来自易受伤害的道路使用者的车对行人消息(例如，个人安全消息(PSM))。

然后，SOBE将融合来自这一传感器阵列、源和消息的数据。然后它将融合的数据应用到人工智能模型中，该模型不仅能够预测车辆或其他地面交通实体的驾驶员或使用者或易受伤害的道路使用者的下一步行动或反应，而且能够预测意图和未来轨迹以及由于附近的其他车辆、地面交通实体和易受伤害的道路使用者造成的相关联的未遂事故或碰撞风险。例如，SOBE可以使用从附近车辆接收到的BSM来预测附近车辆即将进入对其自身车辆造成风险的变道操作，并可以警告驾驶员即将面临的风险。对于这些轨迹中的每一个，由SOBE根据附近车辆的各种未来预测轨迹的概率(例如，直行、向右变道、向左变道)以及与主车辆碰撞的相关联风险来计算风险。如果碰撞风险高于某个阈值，则向主车辆的驾驶员显示警告。

由于人类驾驶员行为建模的复杂性，机器学习通常需要预测意图和未来轨迹，这进一步受到外部因素(例如，不断变化的环境和天气条件)的影响。

SOBE的特点是具有强大的计算能力，能够处理大量数据馈送，其中一些数据馈送提供每秒数兆字节的数据。可用数据量也与每个传感器所需的详细级别成比例。

SOBE还将拥有强大的信号处理装备，能够从已知具有高(信号)噪声级别和低信噪比的环境中提取有用信息。SOBE还将通过提供智能警报过滤来保护驾驶员免受车辆收到的大量警报的影响。警报过滤是机器学习模型的结果，它将能够判断哪个警报在当前位置、环境条件、驾驶员行为、车辆运行情况和状态以及运动学中是重要的。

智能OBE对于避撞和预警是很重要的，并且对于为所有使用者(而不仅仅为包括SOBE的车辆的乘员或使用者)提供更安全的交通网络也是非常重要的。SOBE可以检测和预测道路上不同实体的运动，因此有助于避撞。

个人装备(OPE)

如前所述，个人装置(OPE)包括任何可能由行人、慢跑者或是地面交通实体或以其他方式出现在地面交通网络上或使用地面交通网络的其他人持有的、附连其上的，或以其他方式与之直接对接的装置。例如，这样的人可能是易受车辆撞击的易受伤害的道路使用者。OPE可能包括但不限于移动设备(例如，智能手机、平板电脑、数字助理)、可穿戴设备(例如，眼镜、手表、手镯、脚链)和植入物。OPE的现有组件和特征可用于跟踪和报告位置、速度和行驶方向。OPE还可用于接收和处理数据，并以各种模式(例如，视觉、声音、触觉)向使用者显示警报。

本田已为V2P应用开发了一种通信***和方法，专注于使用OPE在车辆和行人之间进行直接通信。在一种情况下，车辆配备了OBE，用于向周围行人的OPE广播消息。该消息携带车辆的当前状态，包括，例如，车辆参数、速度和行驶方向。例如，该消息可以是基本安全消息(BSM)。如果需要，OPE将根据行人的分心程度向行人发出关于预测的危险情况的警报，以避免发生碰撞。在另一种情况下，行人的OPE向周围车辆的OBE广播一条行人可能会穿过车辆的预定路径的消息(诸如个人安全消息(PSM))。如果需要，车辆的OBE将向车辆使用者显示有关预测危险的警报，以避免碰撞。参见Strickland、Richard Dean等人的“车辆与行人的通信***和方法”，美国专利9,421,909。我们在此描述的***使用I2P或I2V方法，使用车辆和行人外部(主要是基础设施)的传感器来跟踪和收集行人和其他易受伤害的道路使用者的数据。例如，传感器可以跟踪正过街道的行人以及正在十字路口处或附近行驶的车辆。收集的数据将接着被用于使用基于规则和机器学习的方法构建行人和车辆驾驶员在道路上的意图和行为的预测模型。这些模型将有助于分析收集的数据，并预测行人和车辆的路径和意图。如果预测到危险，则将从RSE向OBE或OPE或两者广播一条消息，警告每个实体对方的预期路径，并允许他们中的每一个有足够的时间采取先发制人的行动以避免碰撞。

远程计算(云计算和存储)

从连接到或包含在RSE、OBE和OPE中的传感器收集的数据需要进行处理，以便生成有效的数学机器学习模型。这种处理需要大量的数据处理能力来减少生成每个模型所需的时间。所需的处理能力远远超过RSE本地通常可用的能力。为了解决这个问题，可以将数据传输到远程计算设施，该设施提供所需的电力并可以按需调整规模。我们将远程计算设施称为“远程服务器”，它与计算文献中使用的术语一致。在一些情形中，通过为RCE配备高性能计算能力使得在其处执行部分或全部的处理成为可能。

基于规则的处理

与人工智能和机器学习技术不同，基于规则的处理可以随时应用，无需数据收集、训练和模型构建。基于规则的处理可以从***运行之初就开始部署，并且通常是这样做的，直到已经获得足够的训练数据来创建机器学习模型。新安装之后，会设置规则来处理传入的传感器数据。这不仅有助于提高道路安全，而且还是一个很好的测试案例，以确保***的所有组件都按预期工作。还可以添加基于规则的处理，稍后将其用作附加层，以捕获机器学习可能无法做出准确预测的罕见情况。基于规则的方法基于收集的数据参数(例如速度、范围等)之间的简单关系。基于规则的方法还可以为评估机器学习算法的性能提供基准。

在基于规则的处理中，通过地面交通网络的部分的车辆或其他地面交通实体由传感器监控。如果，例如，它的当前速度和加速度超过了一个阈值(该阈值将阻止它在道路上的停止带(线)之前停止)，则就会生成警报。可变区域被分配给每个车辆或其他地面交通实体。该区域被标记为困境区域，其中车辆尚未被标记为违规车辆。如果车辆因为其速度或加速度或两者都超过预定义阈值而越过困境区进入危险区，则将车辆标记为违规实体并生成警报。例如，速度和加速度的阈值是基于物理和运动学，并随每个接近交叉路口的地面交通实体而变化。

两种传统的基于规则的方法是1)静态TTI(Time-To-Intersection，时间-与-交叉路口)，和2)静态RDP(Required Deceleration Parameter，所需减速参数)。参见Strickland、Richard Dean等人的“交叉路口的驾驶员行为分类和大型自然数据集的验证”，IEEE智能交通***汇刊13.2(2012):724-736。

静态TTI(Time-To-Intersection，时间-与-交叉路口)使用估计的到达交叉路口的时间作为分类标准。在其最简单的形式中，TTI计算为

其中r是到交叉路口处的交叉线的距离，v是车辆或其他地面交通实体的当前速度。如果TTI<TTI_req，则车辆被归类为危险，其中TTI_req是车辆启动制动后安全停止所需的时间。TTI_req参数反映了基于规则的算法的保守程度。TTI在制动开始时计算，当车辆减速超过减速阈值(例如，-0.075g)时被识别。如果车辆从未超过此阈值，则在指定的最后解决手段时间(resort time)执行分类，该时间通常在估计到达交叉路口的剩余时间的1秒到2秒之间。

静态RDP(所需减速参数)计算车辆在当前速度和道路上的位置安全停车所需的减速。RDP计算为

其中r是到交叉路口的交叉线的距离，而v是车辆或其他地面交通实体的当前速度，g是重力加速度常数。如果车辆所需的减速大于所选的RDP阈值RDP_warn，则车辆被归类为危险(即车辆已经有或将产生危险情况)。在实践中，如果在任何时间r<r_alert，其中，

则车辆被归类为危险。

与静态TTI算法类似，RDP_alert参数反映了基于规则的算法的保守程度。

我们使用基于规则的方法作为评估我们的机器学习算法性能的基准，并且在某些情况下，我们将它们与机器学习算法并行运行，以捕捉机器学习可能无法预测的罕见情况。

机器学习

鉴于人类行为的复杂性，对驾驶员的行为建模已被证明是一项复杂的任务。参见HM Mandalia和DD Dalvucci的\将支持向量机用于车道变化检测，”人为因素和人体工程学学会年会论文集,卷49,第1965{1969,2005页。机器学习技术非常适合建模人类行为但需要“学习”使用训练数据才能正常工作。为了提供出色的检测和预测结果，我们使用机器学习来建模在部署阶段将警报过程应用于当前交通之前的训练期间在交叉路口或地面交通网络的其他特征处检测到的交通。机器学习还可用于使用来自车载装备(OBE)的车载数据对驾驶员响应进行建模，还可以基于车载传感器以及驾驶记录和偏好的历史记录。我们还使用机器学习模型来检测和预测易受伤害的道路使用者(例如行人)的轨迹、行为和意图。机器学习也可用于对易受伤害的道路使用者对现场装备(OPE)的响应进行建模。这些模型可能包括实体、易受伤害的道路使用者之间以及一个或多个实体与一个或多个易受伤害的道路使用者之间的交互。

机器学习技术也可用于建模非机动地面交通实体的行为。通过观察或与非机动地面交通实体进行通信或两者兼而有之，机器学习可用于预测其意图，并在预测发生未遂或事故或其他危险情况时预测其意图并与其以及与其他相关实体进行通信。

机器学习机制在两个阶段中工作：1)训练和2)部署。

训练阶段

安装后，RSE开始从其有权访问的传感器收集数据。由于AI模型训练需要密集的计算能力，因此通常在具有多个并行处理模块的强大服务器上执行，以加快训练阶段。出于这个原因，在地面交通网络上的RSE位置获取的数据可以在获取后不久被打包并发送到远程强大的服务器。这是使用Internet连接完成的。然后，自动或在数据科学家的帮助下准备数据。然后，建立AI模型，以捕捉该路口或地面交通网络其他方面的车辆和其他地面交通实体的交通流量的重要特性。捕获的数据特征可能包括车辆或其他地面交通实体的位置、方向和移动，然后可以转化为意图和行为。了解意图后，我们可以使用AI模型高准确度地预测接近交通位置的车辆或其他地面交通实体的动作和未来行为。训练后的AI模型在数据的在训练阶段未被包含的子集上进行测试。如果AI模型的性能达到预期，则认为训练完成。使用不同的模型参数迭代地重复此阶段，直到获得令人满意的模型性能。

部署阶段

在一些实现中，完整的经测试的AI模型然后通过互联网传输到地面交通网络中的所述交通位置处的RSE。然后，RSE准备好处理新的传感器数据，并对危险情况进行预测和检测，例如交通信号灯违规。当预测到危险情况时，RSE将生成适当的警报消息。可以预测危险情况，生成警报消息，并在预测的危险情况发生之前向RSE附近区域的车辆和其他地面交通实体广播和接收警报消息。这使车辆或其他地面交通实体的操作员有足够的时间做出反应并避免碰撞。来自相应RSE所在的各个交叉路口的AI模型的输出可以被记录下来，并在仪表板中在线可用，该仪表板包含所有生成的数据，并以直观和用户友好的方式显示。这样的仪表板可以用作与***客户(例如，城市交通工程师或规划师)的接口。仪表板的一个示例是带有标记的地图，这些标记指示受监控的交叉路口的位置、已发生的违规事件、基于AI预测和实际结果的统计和分析。

SmartRSE(SRSE)和连通实体/非连通实体桥

如早前所述，连通实体和非连通实体的能力和行为之间存在间隙。例如，连通实体通常是合作实体，它们不断地向世界通告其位置和安全***状态，例如速度、行驶方向、制动状态和前灯状态。非连通实体无法以这些方式进行合作和通信。因此，即使是连通实体也不会意识到由于干扰、距离或缺乏良好的有利位置而不在连通实体附近区域或在传感器范围之外的非连通实体。

通过适当的装备和配置，RSE可以检测其附近范围中使用地面交通网络的所有实体，包括非连通的实体。专用传感器可用于检测不同类型的实体。例如，雷达适用于检测诸如汽车、公共汽车和卡车等移动的金属物体。这样的道路实体最有可能在单一方向上朝着交叉路口移动。摄像头适用于检测可能在交叉路口徘徊以寻找安全穿越时间的易受伤害的道路使用者。

在地面交通网络的组件上放置传感器至少具有以下优点：

－良好的有利位置：基础设施杆、梁和支撑电缆通常具有较高的有利位置。升高的有利位置允许交叉路口的更全的视图。这就像机场的观景塔，管制员可以具有地面上大多数重要和易受伤害的使用者全面视图。相比之下，对于地面交通实体而言，从传感器(摄像头、激光雷达、雷达等……或其他)的有利位置的视图可能会被相邻车道上的卡车、阳光直射或其他干扰阻挡或干扰。可以选择交叉路口处的传感器使其不受这种干扰的影响或不容易受到这种干扰影响。例如，雷达不受阳光的影响，并且在晚上通勤期间仍然有效。在光学摄像头的视野受到阻碍的强光情况下，热像仪更有可能检测到行人。

-固定位置：位于交叉路口的传感器可以被调整和固定，以感应特定方向，该方向被优化用于检测重要目标。这将有助于处理软件更好地检测对象。作为示例，如果摄像头具有固定视图，则可以很容易地检测到固定视图中的背景(非移动对象和结构)信息，并将其用于改进对相对重要的移动实体的识别和分类。

固定传感器位置还可以更容易地将每个实体放置在交叉路口的统一全局视图中。由于传感器视图是固定的，因此传感器的测量值可以很容易地映射到交叉路口的统一全球位置图。当对来自所有方向的交通运动进行全局分析以研究一个交通流与另一个交通流的相互作用和依赖关系时，这种统一的地图很有用。一个例子是在其发生之前检测到未遂事件(危险情况)。当两个实体沿着相交的路径行进时，交叉路口的全局和统一视图将能够计算每个实体到达相应路径的交叉点的时间。如果时间在某个限值或容差范围内，则可能会在未遂事件发生之前对其进行标记(例如，将其作为警报消息的主题)。

借助安装在基础设施组件上的传感器，智能RSE(SRSE)可以弥合这一间隙，并允许连通实体了解“暗”或非连通的实体。

图8描述了一个场景，解释了战略性放置的传感器如何帮助连通实体识别非连通实体的速度和位置。

连通实体1001正在沿路径1007行进。实体1001具有绿灯1010。非连通实体1002正在沿路径1006行进。它具有红灯1009但将在红灯时沿路径1006右转。这会将其直接放置在实体1001的路径中。由于实体1001不知道实体1002，因此危险情况迫在眉睫。因为实体1002是非连通实体，它无法它的位置和朝向广播(例如，通告)给共享交叉路口的其他实体。此外，实体1001即使已连接，也无法“看到”被建筑物1008遮挡的实体1002。存在实体1001直接穿过交叉路口并撞到实体1002的风险。

如果交叉路口被配置为智能交叉路口，则安装在交叉路口道路上方的梁1005上的雷达1004将检测实体1002及其速度和距离。该信息可以通过充当非连通实体1002和连通实体1001之间的桥梁的SRSE 1011被中继到连通实体1001。

人工智能和机器学习

智能RSE还依靠学习交通模式和实体行为来更好地预测和防止危险情况并避免碰撞。如图8所示，雷达1004总是进行感测并为沿道路1012移动的每个实体提供数据。该数据被收集并直接或通过例如RSE传输到云端，用于分析以及构建和训练一个模型，该模型精密地表示沿道路1012的交通。当模型完成时，将其下载到SRSE 1011。然后，该模型可以应用于沿道路1012移动的每个实体。如果模型将实体分类为正在(或将要)违反交通规则的一类，SRSE可能会向附近区域的所有连通实体广播警告(警报)。该警告(称为交叉路口防撞警告)将被连通实体接收，并且可以根据考虑危险情况采取行动并避免碰撞。使用适当的交通模型，可以提前检测到违规实体，让使用交叉路口的连通实体有足够的时间做出反应并避免危险情况。

借助多个传感器(一些安装在地面交通网络的基础设施的组件的高处)、人工智能模型和准确的交通模型，SRSE可以对地面交通网络进行虚拟概览，并了解在其视野中的每个实体(包括视野中的非连通实体，这些实体对于视野中的连通实体来说是不“可见的”)。SRSE可以使用这些数据来为AI模型馈送数据，并代表非连通实体向连通实体提供警报。否则，连通实体将不会知道有非连通实体共享该道路。

SRSE可以具有在SRSE的位置处可用的在同一房屋内的高性能计算，或者通过连接到附近的单元或通过Internet连接到服务器具有所述高性能计算。SRSE可以处理直接从传感器接收到的数据，或从附近的SRSE广播中接收到的数据、紧急情况和天气信息以及其他数据。SRSE还配备了大容量存储，以帮助存储和处理数据。还需要高带宽连接来帮助在SRSE和更强大的远程服务器之间传输原始数据和AI模型。SRSE使用AI增强了其他交通危险检测技术，以实现高精度并提供额外的时间来做出反应并避免碰撞。

SRSE可以与当前和新的标准化通信协议保持兼容，因此，它们可以与已经部署在现场的装备无缝对接。

SRSE还可以通过仅在必要时发送消息来减少网络拥塞。

全局和统一的交叉路口拓扑

交叉路口的有效交通监控和控制受益于交叉路口的鸟瞰图，该鸟瞰图不受障碍物、灯光或任何其他干扰的阻碍。

如上所述，不同类型的传感器可用于检测不同类型的实体。来自这些传感器的信息可能不同，例如，与其数据所代表的位置或运动参数或数据的原生格式或这两者相关的不一致性。例如，雷达数据通常包括速度、距离，以及可能还有其他信息，例如雷达视野中的移动和静止实体的数量。相比之下，摄像头数据可以代表任何时刻的视野的图像。激光雷达数据可以提供各点在3D空间中的位置，这些点对应于在特定时间和行驶方向处从激光雷达发射的激光束的反射点。通常，每个传感器都以原生格式提供数据，这些数据精密地代表了它们测量的物理量。

为了获得交叉路口的统一视图(表示)，融合来自不同类型的传感器的数据很有用。出于融合的目的，来自各种传感器的数据被转换为独立于所用传感器的通用(统一)格式。来自所有传感器的统一格式中包含的数据将包括使用交叉路口的每个实体的全球位置、速度和行驶方向，而与它如何被检测到的方式无关。

有了这种统一的全局数据，智能RSE不仅可以检测和预测实体的运动，还可以确定不同实体相对于彼此的相对位置和行驶方向。因此，SRSE可以实现对危险情况的改进检测和预测。

例如，在图9所示的场景中，机动实体2001和易受伤害的道路使用者2002共享同一个人行横道。实体2001正在沿着道路2007行驶并且被雷达2003检测到。沿着人行道2006行走的易受伤害的道路使用者2002被摄像头2004检测到。易受伤害的道路使用者2002可以决定使用人行横道2005穿过道路2007。这样做将道路使用者2002置于实体2001的路径中，从而产生可能的危险情况。如果独立考虑来自传感器2003和2004中的每一个的数据并且不考虑其他信息，则不会识别出危险情况，因为每个传感器只能检测其各自视野中的实体。此外，每个传感器可能无法检测到它们没有被设计用于检测的对象。然而，当SRSE考虑统一视图时，实体2001和易受伤害的道路使用者2002的位置和动态可以放置在同一参考系中：地理坐标系，例如地图投影或其他坐标系。在公共参考***内考虑时，来自传感器的融合数据可用于检测和预测两个实体2001和2002之间可能出现的危险情况。在以下段落中，我们将讨论传感器空间和统一空间之间的转换。

雷达数据到统一参考转换

如图10所示，雷达3001用于监测沿具有两条车道3005和3008的道路行驶的道路实体，这些车道分别具有中心线3006和3007。停止带3003指示车道3005和3008的终点。T 3006可以由一组标记3003和3004定义。图10仅显示了两个标记，但通常，中心线是分段线性函数。标记3003和3004(以及其他标记，未显示)的全局位置由道路的设计预定义并且对***已知。还可以确定雷达3001的精确全球位置。因此，可以计算标记3003和3004离雷达3001的距离3009和3010。实体3002离雷达3001的距离3011可以由雷达3001测量。使用简单的几何结构，***可以使用测量的距离3011确定实体3002的位置。结果是全球位置，因为它来自标记3003、3004和雷达3001的全局位置。由于每条道路都可以通过广义分段线性函数来近似，因此，上述方法可以应用于雷达可以监测的任何道路。

图11显示了弯曲道路上的类似情况。雷达4001监测沿道路4008移动的实体。标记4003和4004表示中心线4007的(分段线性函数的)线性段4009。距离4005和4006表示雷达4001的平面4010分别与标记4003和4004之间的法向距离。距离4007是实体4002距雷达平面4010的测量距离。根据上面的讨论，给定雷达4001的全球位置以及标记4003和4004，可以使用简单的比率算术来计算实体4002的全球位置。

摄像头数据到统一参考转换

了解了摄像头的高度、全局位置、方向、倾斜度和视野，使用现有的3D几何规则和变换来计算摄像头图像中每个像素的全局位置变得直截了当。因此，当一个对象在图像中被识别出来时，它的全局位置可以很容易地通过知道它占据的像素来推断出。需要注意的是，如果已知摄像头的规格(例如传感器尺寸、焦距或视野，或它们的组合)，则摄像头的类型无关紧要。

图12示出了观察实体5002的摄像头5001的侧视图。摄像头5001的高度5008和倾斜角5006可以在安装时确定。视野5007可以从摄像头5001的规格中获得。摄像头5001的全球位置也可以在安装时确定。根据已知信息，***可以确定点5003和5004的全局位置。点5003和5004之间的距离也在摄像头5001创建的图像上划分为像素。这个像素数从摄像头5001的规格中得知。可以确定实体5002占据的像素。因此，可以计算距离5005。也可以计算实体5002的全球位置。

通过融合来自各种传感器的信息，可以将任何交叉路口的全局统一视图拼凑在一起。图13描绘了四向交叉路口的俯视图。交叉路口的每条路都被中值6003分割。图中的交叉路口由两种不同类型的传感器监控：雷达和摄像头，并且这里讨论的原理可以推广到其他类型的传感器。在该示例中，雷达监控区域6001与摄像头监控区域6002重叠。利用统一的全局视图，在各区域之间行进的每个实体将在统一的全局视图内保持被跟踪。这使得SRSE可以很容易地确定不同实体的运动之间的关系变得可能。此类信息将允许针对交叉路口和道路的真正通用的鸟瞰图。然后，可以将来自传感器的统一数据馈送入人工智能程序，如下文所述。

上面讨论的图2说明了RSE的组件。此外，在SRSE中，处理单元还可以包括一个或多个可以并行处理数据的专用处理单元。这种单元的一个例子是图形处理单元或GPU。在GPU或类似硬件的帮助下，机器学习算法可以在SRSE上更高效地运行，并且能够实时提供结果。这种处理架构能够实时预测危险情况，并且因此，能够提前发送警告，让实体有足够的时间做出反应并避免碰撞。此外，由于SRSE可以运行可使用来自不同传感器和不同类型传感器的数据的进程，因此，SRSE可以构建交叉路口的统一视图，这将有助于分析交通流量以及危险情况的检测和预测。

用例

各种各样的案例都可以受益于该***以及为避撞提供的早期警告。此处提供了示例。

案例1：脆弱的地面交通实体

如图4所示，穿过典型交叉路口409的道路可能具有行人人行横道，包括行人和其他易受伤害的道路使用者(易受伤害的道路使用者)可以用来穿过道路的特定交叉区域401、402、403、404。适用于检测此类交叉口或其他易受伤害的使用者的传感器被放置在一个或多个有利位置，以便允许监控人行横道及其周围环境。在训练阶段，收集的数据可用于训练人工智能模型，以了解交叉路口易受伤害的道路使用者的行为。在部署阶段，AI模型然后可以使用有关易受伤害的道路使用者的当前数据来预测，例如，易受伤害的道路使用者即将穿过道路，并在易受伤害的道路使用者开始穿越之前做出预测。当可以***行人和其他易受伤害的道路使用者、驾驶员、车辆以及其他人和地面交通实体的行为和意图时，可以向其中任何人或全部人发送预警(例如警报)。预警可以使车辆停止、减速、改变路径或它们的组合，并且可以使易受伤害的道路使用者在预计危险情况即将发生时避免过马路。

通常，传感器用于监测交叉路口附近区域中的易受伤害的道路使用者和车辆的可能移动的所有区域。使用的传感器类型取决于被监控和跟踪的主体的类型。一些传感器更擅长跟踪人和自行车或其他非机动车辆。一些传感器更擅长监控和跟踪机动车辆。此处描述的解决方案与传感器和硬件未知的，因为如果传感器以足够的数据率提供适当的数据，则传感器的类型是无关紧要的，该数据率可取决于被监视和跟踪的主体的类型。例如，多普勒雷达将是监测和跟踪车辆速度和距离的合适传感器。数据率或采样率是雷达能够提供连续新数据值的速率。数据率必须足够快，以捕捉被监控和跟踪的主体的运动动态。采样率越高，捕获的细节越多，通过数据对运动的表示就变得越稳健和准确。如果采样率太低，并且车辆在两个样本实例之间行驶了非常长的距离，则由于在未生成数据的间隔期间遗漏的细节，使得对行为进行建模变得困难。

对于人行横道，传感器将监控在交叉路口处和交叉路口附近的区域的过马路的行人和其他易受伤害的道路使用者(例如骑自行车的人)。来自这些传感器的数据可以被分割为代表具有各自不同虚拟区域的条件，以帮助检测和定位。可以选择这些区域以对应于可能会出现危险情况的相应关键区域，例如人行道、人行道的入口以及到交叉路口的道路的道路405、406、407、408。记录每个区域的活动和其他情况。记录可以包括但不限于运动学(例如位置、行驶方向、速度和加速度)以及面部和身体特征(例如眼睛、姿势)。

传感器的数量、区域的数量和区域的形状因每个交叉路口和到每个交叉口的道路而异。

图5描绘了一个典型示例设置的平面图，显示了用于监控和跟踪行人或其他易受伤害的道路使用者、机动车辆和非机动车辆以及其他地面交通实体的移动和行为的不同区域。

传感器被设置用于监控跨越马路的人行横道。虚拟区域(301、302)可以放置在人行道上并沿着人行横道。放置其他传感器以监控在通往人行横道的道路上行进的车辆和其他地面交通实体，并且策略性地放置虚拟区域(303、304)以帮助检测进入的车辆和其他地面交通实体，它们与人行横道的距离，例如，它们的速度。

***(例如，与传感器关联的RSE或SRSE)从所有传感器收集数据流。当***首次投入运行时，为了帮助装备校准和功能性，可以部署初始的基于规则的模型。同时，传感器数据(例如，来自雷达单元的速度和距离、来自摄像头的图像和视频)在RSE本地收集和存储，以准备在某些实施方式中传输到足够强大的远程计算机以构建使用该收集到的数据创建交叉路口的不同实体的行为的AI模型。在某些情况下，RSE是能够自行生成AI模型的SRSE。

然后准备好数据，并为每个通过交叉路口的地面交通实体构建轨迹。例如，可以通过将属于同一实体的不同距离的点拼接在一起，从雷达数据中提取轨迹。例如，可以从摄像头和视频记录中提取行人轨迹和行为。通过执行视频和图像处理技术，可以在图像和视频中检测到行人的运动，并可以推断出它们各自的轨迹。

对于人类行为，基于智能机器学习的模型通常优于基于简单物理的简单规则。这是因为人类意图难以捕捉，需要大型数据集才能检测各模式。

例如，当机器学习(AI)模型在服务器上完成后，它会通过Internet下载到RSE。然后，RSE将从传感器捕获的当前数据应用到AI模型，使其预测意图和行为，确定危险情况何时迫在眉睫，并触发分发(例如，广播)到车辆和其他地面交通实体和易受伤害的道路使用者以及驾驶员的相应警报作为及时预警，以使易受伤害的道路使用者和驾驶员能够采取避撞措施。

此示例设置可以与任何其他用例结合使用，例如信号化的交叉口或平交路口的交通。

案例2：信号化的交叉路口

在信号化交叉路口(例如，由交通灯控制的交叉路口)的情况下，***的整体设置与情况1相同。一个不同之处可能是用于监控或跟踪车辆速度、行驶方向、距离、和位置的传感器的类型。案例1的人行横道设置也可以与信号化交叉路口设置相结合，以获得更通用的解决方案。

信号化交叉口用例的操作概念是使用外部传感器跟踪交叉路口周围的道路使用者，所述传感器收集有关使用者的数据或由使用者自己传送的数据，预测他们的行为并通过不同的通信方式广播关于即将到来的危险情况的警报，该危险情况通常归因于违反交叉路***通规则，例如违反红灯信号。

可以使用下述方式来收集关于道路使用者的数据：(a)每个实体本身例如通过BSM或PSM广播的关于其当前状态的实体数据，以及(b)安装在基础设施或车辆外部的传感器，例如多普勒雷达、超声波传感器、视觉或热像仪、激光雷达等。如前所述，选择的传感器类型及其在交叉路口的位置和方向应提供交叉路口的最全面覆盖或正在研究的交叉路口的部分覆盖，并且收集的有关接近交叉路口的实体的数据是最准确的。这样，收集的数据将允许重建道路使用者的当前状态并创建准确、及时、有用的VBSM(虚拟基本安全消息)或VPSM(虚拟个人安全消息)。收集数据的频率取决于每种类型的道路使用者的潜在危险和潜在违规的严重性。例如，在交叉路口高速行驶的机动车辆，通常需要每秒更新10次数据来实现实时避撞；以低得多的速度穿过交叉路口的行人可能需要低至每秒1次的数据更新。

如前所述，图4描绘了带有检测虚拟区域的信号化交叉路口平面图的示例。这些区域可以将每个到交叉路口的道路划分为单独的车道410、411、412、413、405、406、407、408，并且还可以将每个车道划分为对应于距停止带的一般距离范围的各区域。这些区域的选择可以根据经验进行，以大体上匹配特定道路和交叉路口的特征。对交叉路口进行分段允许更准确地确定每个道路使用者的相对行驶方向、速度、加速度和定位，进而更好地评估道路使用者对其他地面交通实体的潜在危险。

为了确定观察到的交通情况是否是危险情况，***还需要将预测情况的结果与交通灯状态进行比较，并考虑当地的交通规则(例如左转车道、红灯右转、和别的规则)。因此，有必要收集和使用交叉路口的信号相位和定时(SPaT)信息。SPaT数据可以通过直接与交叉路口的交通灯控制器对接来收集，通常是通过有线连接读取数据，或者通过与交通管理***对接以接收所需的数据，例如通过API。以尽可能与收集道路使用者数据的速率接近的速率收集SPaT数据以确保道路使用者状态始终与交通信号状态同步是非常重要的。了解SPaT信息的要求的另一个复杂性是：用于调整交叉口周围交通流量的现代交通控制策略不是基于固定定时，而是使用可以动态适应实时交通状况的算法。因此，重要的是结合SPaT数据预测算法以确保违规预测的最高准确性。这些SPaT数据预测算法可以使用基于规则的方法或机器学习的方法来开发。

对于到交叉路口的每条道路，RSE(或SRSE)收集数据，并构建机器学习(AI)模型来描述与收集的数据相对应的车辆的行为。然后，将在交叉路口收集的当前数据应用于AI模型，以产生在通往交叉路口的道路之一上行驶的车辆或其他地面交通实体是否，例如，即将违反交通信号灯的早期预测。如果即将发生违规，则将消息从RSE中继(例如，广播)到附近区域中的地面交通实体。车辆(包括违规车辆)和行人或其他易受伤害的道路使用者将收到消息，并有时间采取适当的先发制人措施以避免碰撞。可以通过以下一种或多种方式将消息传递给地面交通实体，其中包括：闪烁的灯、标志或无线电信号。

如果接近交叉路口的车辆或其他实体配备了OBE或OPE，它将能够接收来自RSE的消息广播，即预测在交叉路口处存在潜在危险。这允许使用者被警告并采取适当的先发制人措施以避免碰撞。如果交叉路口的违规道路使用者还配备了OBE或OPE，则该使用者也会收到广播警报。然后，OBE或OPE上的算法可以将消息与使用者的违规行为进行协调，并恰当地警告使用者。

发送警报的决定不仅取决于由交叉路口处的传感器收集的数据所代表的车辆行为。尽管传感器在决策中起主要作用，但也考虑了其他输入。这些输入可能包括但不限于来自附近交叉路口的信息(如果车辆在附近的交叉路口开灯，则它在该交叉路口做同样事情的可能性更高)，来自其他合作车辆的信息，或甚至车辆本身，例如，如果它报告它有故障。

案例3：非信号化交叉路口

也可以监控非信号化控制的交叉路口，例如停车标志或让行标志控制的交叉路口。传感器用于监控由交通标志控制的道路，并且可以对驶入的车辆进行预测，类似于在至信号化交叉路口的道路上对驶入的车辆的预测。非信号化控制交叉路口的道路规则通常是明确定义的。由停车标志控制的道路上的地面交通实体必须变成停止。在多向停靠交叉路口中，通行权由地面交通实体到达交叉路口的顺序决定。一种特殊情况可以考虑单向停止。一组传感器也可以监控没有停车标志的道路。这样的设置可以帮助停车标志间隙协商。对于让行标志控制的交叉路口，在由让行标志控制的道路上的地面交通实体必须降低其速度，以将路权让给交叉路口中的其他地面交通实体。

一个主要挑战是，由于内部(例如，驾驶员分心)或外部(例如，缺少能见度)因素，地面交通实体违反了道路规则，并使其他地面交通实体处于危险之中。

在停车标志控制的交叉路口的一般情况下(即，每条道路都由一个停车标志控制)，***的整体设置与案例1中所做的一样。一个不同之处可能是用于监控或跟踪车辆速度、行驶方向、距离、和位置的传感器的类型。另一个区别是缺少了交通信号灯控制器，道路规则由路标指示。案例1的人行横道设置也可以与非信号化控制交叉路口设置相结合，以获得更通用的解决方案。

图4也可以理解为描绘了具有检测虚拟区域的四向停车交叉路口平面图的示例。这些区域可以将每个到交叉路口的道路划分为单独的车道410、411、412、413、405、406、407、408，并且还可以将每个车道划分为对应于距停止带的一般距离范围的各区域。这些区域的选择可以根据经验做出，以大体上匹配特定道路和交叉路口的特征。

以与上述图4中所述的方式相类似的方式，将在交叉路口收集的当前数据应用于AI模型，以产生在通往交叉路口的道路之一上行驶的车辆或其他地面交通实体是否，例如，即将违反停止标志的早期预测。如果即将发生违规，则可以与前面描述的涉及交通信号灯违规的案例相类似地处理消息。

同样与前面的描述类似，发送警报的决定可以基于前面描述的因素和其他信息，例如车辆是否行驶到在附近的交叉路口处的停车标志，这表明它在此交叉路口将做同样的事情的可能性更高。

图18说明了受控非信号化交叉路口的用例。它解释了带有策略性放置的传感器的SRSE能如何向连通的实体警告由非连通的实体引起的即将发生的危险情况。

连通实体9106正在沿路径9109行进。实体9106具有通行权。非连通实体9107正在沿路径9110行进。实体9107具有让路标志9104，并将并入到路径9109上，而不会将通行权授予实体9106，将其直接置于实体9106的路径中。由于实体9106不知道实体9107，因此危险情况迫在眉睫。因为实体9107是非连通实体，所以它无法通告(广播)其位置并向着共享交叉路口的其他实体出发。此外，实体9106可能无法“看到”不在其直接视野中的实体9107。如果实体9106沿着它的路径前进，它最终可能与实体9107发生碰撞。

因为交叉路口是智能交叉口，安装在道路上方的梁9102上的雷达9111将检测到实体9107。它还将检测实体9107的速度和距离。该信息可以作为警报通过SRSE 9101中继给连通的实体9106。SRSE 9101具有用于沿道路9110移动的实体的机器学习模型。实体9107将被模型分类为交通规则的潜在违规者，并且将向连通的实体9106广播警告(警报)。提前发送该警告，使实体9106有足够的时间做出反应并防止危险情况。

案例4：平交路口

平交路口很危险，因为它们可能承载机动车辆、行人和铁路车辆。在许多情况下，通往平交路口的道路会落入火车或其他铁路车辆的操作员(例如列车长)的盲点。由于轨道车辆司机主要根据视线信息进行操作，如果道路使用者违反轨道车辆的通行权并在不允许其通过的情况下穿过平交路口，这会增加发生事故的可能性。

从平交路口是公路和铁路交通之间的通常受交通规则和信号约束的冲突点的意义上来说，平交路口用例的操作类似于信号化交叉路口用例。因此，此用例还需要防撞警告，以提高平交路口周围的安全性。轨道交通可以有***性的隔离通行权，例如高速铁路，也可以没有隔离的通行权，例如轻轨或有轨电车。对于轻轨和有轨电车，用例变得更加重要，因为这些轨道车辆也在生活道路上运行，并且必须遵守与道路使用者相同的交通规则。

图6描绘了在其处道路和人行横道跨越铁路的平交路口的一般用途。与人行横道用例类似，传感器被放置以收集有关行人运动和意图的数据。其他传感器用于监控和预测设置为接近交叉口的道路车辆的运动。关于道路使用者的数据也可以从道路使用者广播(例如，BSM或PSM)中收集。来自附近交叉路口、车辆和远程指挥和控制中心的数据可用于触发警报的决定。

还需要收集关于公路和铁路道路的SPaT数据，以便充分评估违规的可能性。

与信号化交叉路口用例类似，收集的数据可以使用基于规则和机器学习的算法创建预测模型。

在此用例中，轨道车辆配备了OBE或OPE，以接收防撞警告。当预测到违反轨道车辆通行权时，RSE将广播警报消息，警告轨道车辆驾驶员道路使用者在其预定路径上，并允许轨道车辆驾驶员有足够的时间采取先发制人的行动以避免碰撞。

如果违规道路使用者也配备了OBE或OPE，则RSE广播的消息也将被违规道路使用者接收。然后，OBE或OPE上的算法可以将接收的消息与使用者的违规行为进行协调，并恰当地警告使用者。

虚拟连通的地面交通环境(弥合间隙)

如上所述，该***的一个有用应用是代表非连通的地面交通实体创建虚拟连通环境。连通技术的采用的一个障碍不仅是缺乏基础设施的安装，而且几乎不存在连通的车辆、连通的易受伤害的道路使用者以及连通的其他地面交通实体。

对于连通车辆，在某些监管制度中，此类车辆总是发送所谓的基本安全消息(BSM)。除了其他信息外，BSM还包含车辆的位置、行驶方向、速度和未来路径。其他连通车辆可以收听这些消息，并使用它们创建其周边存在的车辆的地图。了解周围车辆的位置后，车辆，无论是否是机动的，都将拥有有助于保持高度安全性的信息。例如，如果机动车辆的路径中有连通的车辆，则可以避免进行移动。类似地，如果驾驶员计划跟随的路径中有其他车辆，例如突然变道，则可以警告驾驶员。

在所有地面交通实体都配备发送和接收交通安全消息和信息的能力之前，一些道路实体将是“黑暗的”或对其余道路实体不可见。黑暗的道路实体构成危险情况的风险。

黑暗道路实体不通告(例如，广播)它们的位置，因此，它们对于可能期望所有道路实体广播它们的信息(即，要成为连通实体)的连通实体是不可见的。尽管车载传感器可以检测障碍物和其他道路实体，但这些传感器的范围往往太短，无法有效防止危险情况和碰撞。因此，连通车辆的连通性与非连通车辆的连通性缺失之间存在间隙。下面描述的技术旨在通过使用基础设施上的智能来弥补这一间隙，该基础设施可以检测交叉路口或地面交通网络的其他组件的所有车辆并代表非连通的车辆发送消息。

该***可以建立一个虚拟连通的地面交通环境，例如在一个交叉路口处，它可以弥合在大多数车辆(和其他地面交通实体)被期望是连通实体的未来与大多数车辆和其他地面交通实体没有连通性的当前之间的间隙。在虚拟连通的地面交通环境中，智能交通信号灯和其他基础设施安装可以使用传感器跟踪所有车辆和其他地面交通实体(连通的、非连通的、半机动的、机动的、非机动的)，并(在车辆的情形下)代表它们生成虚拟BSM消息(VBSM)。

VBSM消息可以被认为是BSM的子集。它可能不包含创建BSM所需的所有字段，但可以包含所有定位信息，包括位置、行驶方向、速度和轨迹。由于V2X通信是标准化和匿名化的，因此，VBSM和BSM无法轻易被区分并遵循相同的消息结构。两条消息之间的主要区别在于填充这些消息的信息来源的可用性。VBSM可能缺少外部传感器不易生成的数据和信息，例如方向盘角度、制动状态、轮胎压力或雨刮器激活。

安装适当的传感器后，带有智能RSE的交叉路口可以检测到行进穿过交叉路口的所有道路实体。SRSE还可以将来自多个传感器的所有数据转换为全球统一坐标系。这个全球统一坐标系由每个道路实体的地理位置、速度和行驶方向来表示。每个道路实体，无论是否连通，都被交叉路口装备检测到，并代表它生成一个全球统一位置。因此，可以代表道路实体广播标准安全消息。然而，如果RSE向它检测到的所有实体广播安全消息，它可以代表连通的道路实体发送消息。为了解决冲突，RSE可以从其黑暗实体列表中过滤连通的道路实体。这可以实现，因为RSE不断接收来自连通车辆的安全消息，并且RSE传感器不断检测到穿过交叉路口的道路实体。如果检测到的道路实体的位置与RSE接收器从其接收到安全消息的位置相匹配，则假定该道路实体是连通的，并且RSE不会代表其广播安全消息。这在图15中解说。

通过在连通车辆和非连通车辆之间架起一座桥梁，连通实体(包括机动车辆)可以在完全了解附近所有道路实体的情况下安全地通过交叉路口。

该技术的这一方面在图17中进行了说明。交叉路口9001在给定时间具有多个道路实体。这些实体中的一些是非连通的9004、9006，而其他实体是连通的9005、9007。易受伤害的道路使用者9004、9007由摄像头9002检测到。机动道路实体9005、9006由雷达9003检测到。每个道路实体的位置被计算出。RSE 9008还接收来自连通的道路实体的广播。将接收到消息的实体的位置与检测到的实体的位置进行比较。如果两个实体在预定容差范围内匹配，则该位置的实体被视为已连通，并且不会代表其发送安全消息。没有匹配接收到的位置的其余道路实体被认为是黑暗的。代表它们广播安全消息。

对于作为V2X协议组成部分的碰撞警告和交叉路口违规警告，需要连接每个实体才能使***生效。这一要求是部署V2X设备和***的障碍。配备智能RSE的交叉路口将通过在连通车辆和非连通车辆之间建立虚拟桥梁来解决这一问题。

美国DOT(交通部)和NHTSA(美国国家公路交通安全管理局)标识了许多将使用BSM并有助于大幅减少非受损事故和死亡人数的连通车辆应用。这些应用包括但不限于前方碰撞警告(FCW)、交叉路口移动辅助(IMA)、左转辅助(LTA)、请勿超车警告(DNPW)和盲点/变道警告(BS/LCW))。美国DOT和NHTSA对这些应用如下定义。

FCW解决追尾事故并警告驾驶员前方车辆停止、慢速或减速。IMA旨在避免交叉路口碰撞，并对在涵盖下述两种主要情况的交叉路口从横向接近的车辆的驾驶员进行警告：转向同向或相反方向的路径和笔直的交叉路径。LTA解决了其中一辆涉及的车在交叉路口左转而另一辆车从相反方向直线行驶的事故，并警告驾驶员在尝试左转时存在迎面而来的相反方向的车辆。DNPW可帮助驾驶员避免因超车操作而导致的反向碰撞，并在试图超越未分隔的双车道道路上的较慢车辆时警告驾驶员有迎面而来的反向车辆。BS/LCW解决碰撞事故，即车辆在碰撞之前进行了车道变换/并道操作，并警告驾驶员注意相邻车道上处于或接近其盲点的车辆。

V2X协议规定，这些应用应使用车对车(V2V)通信来实现，其中一辆连通的远程车辆将向连通的主车辆广播基本安全消息。主车辆的OBE将接着尝试将这些BSM与其自身的车辆参数(例如速度、行驶方向和轨迹)进行协调，并确定是否存在上述应用中所描述的远程车辆所提出的潜在危险或威胁。此外，机动车辆将特别受益于此类应用，因为它允许周围的车辆传达意图，该意图是从其车载传感器收集的数据中不包含的关键信息。

然而，今天的车辆还没有连通，而且如前所述，在连通车辆的比例变得很高之前，BSM需要很长时间才能如上文所述进行工作。因此，在连通车辆比例很小的环境中，连通车辆不需要接收和分析大量的BSM，否则它们将在连通车辆比例足够大的环境中接收到大量的BSM，以启用所描述的应用并充分受益于V2X通信。

VBSM可以帮助弥合具有大量非连通实体的当前环境与具有大量连通实体的未来环境之间的间隙，并在过渡期间启用上述应用。在我们在这里描述的技术中，接收VBSM的连通车辆将处理它作为应用中的常规BSM。由于VBSM和BSM遵循相同的消息结构，并且VBSM包含与BSM基本相同的基本信息，例如速度、加速度、行驶方向、过去和预测的轨迹，因此将消息应用于给定应用的结果将基本相同。

例如，考虑一个具有无保护左转的交叉路口，在其中当非连通的远程车辆正从相反方向直行并有通行权时，连通的主车辆即将尝试左转。这是一种在其中机动的完成取决于主车的驾驶员对情况的判断的情况。对情况的错误评估可能会导致冲突和潜在的接近碰撞或碰撞。安装在周围基础设施上的外部传感器可以检测和跟踪远程车辆或甚至两辆车，收集速度、加速度、行驶方向和过去轨迹等基本信息，并将其传输到RSE，RSE进而可以为使用基于规则或机器学习的算法或这两者构建远程车辆的预测轨迹，填充VBSM的所需字段并代表未连通的远程车辆将其广播。主车辆的OBE将接收带有关于远程车辆的信息的VBSM，并在其LTA应用中对其进行处理，以确定驾驶员的操作是否存在潜在危险以及OBE是否应向主车辆的驾驶员显示警告以采取先发制人或纠正行动以避免碰撞。如果远程车辆已连通并从RSE和传感器接收到在预测碰撞的情况下对面车辆正在尝试左转，则也可以获得类似的结果。

VBSM也可用于变道操作。如果车辆变道没有执行必要的步骤来检查该机动的安全性，例如检查后视镜和侧视镜以及盲点，则这种机动可能是危险的。已经开发出新的高级驾驶员辅助***，例如使用车载超声波传感器的盲点警告，以帮助防止车辆执行危险的车道变换。然而，当传感器脏污或视野受阻时，这些***可能会存在缺陷。现有***不会试图警告危险车辆有另一辆车辆试图变道。V2X通信通过例如使用BSM的BS/LCW等应用帮助解决此问题，但是尝试变道的车辆可能是未连通的车辆，并且因此无法传达其意图。VBSM可以帮助实现这一目标。与LTA用例类似，安装在周围基础设施上的外部传感器可以检测和跟踪尝试变道操作的未连通车辆，收集速度、加速度、行驶方向和过去轨迹等基本信息，并将其传输到RSE。RSE将进而使用基于规则的和机器学习的算法为车辆变道构建预测轨迹，填充VBSM所需的字段，并代表未连通的远程车辆将其广播。然后，危险车辆的OBE将接收到具有有关一车辆即将并入同一车道的信息的VBSM，对其进行处理并确定该机动是否存在潜在危险，以及是否应向车辆驾驶员显示变道警告。如果变道车辆是连通车辆，其OBE可以类似地从RSE接收关于其盲点中车辆的VBSM，并确定该变道操作是否对周围交通造成潜在危险，以及是否应显示盲点警告车辆的驾驶员。如果这两辆车都已连通，这两辆车将能够彼此广播BSM并启用BS/LCW应用。但是，这些应用仍将受益于在BSM数据上应用相同的基于规则的或机器学习的算法(或这两者)，以在早期预测车辆变道的意图，并由OBE决定是否显示警告。

机动车辆

非连通道路实体中缺少的连通性会影响机动车辆。机动车辆上的传感器要么是短距离的，要么是窄视野的。它们无法检测到例如在街道拐角处的建筑物周围行驶的一车辆。它们也无法检测到可能隐藏在送货卡车后面的车辆。这些隐藏的车辆，如果它们是非连通实体，对该机动车辆是不可见的。这些情况会影响机动车辆技术实现大规模采用该技术所需的安全水平的能力。智能交叉路口可以帮助缩小这一差距并帮助公众接受机动车辆。机动车辆的好坏取决于它拥有的传感器。配备有智能RSE的交叉路口可以将车载传感器的范围扩展到盲角附近或超过大型卡车。这样的扩展将允许机动和其他连通实体与传统的非连通车辆共存。这种共存可以加速机动车辆的采用及其带来的优势。

虚拟连通的地面交通环境包括VBSM消息，其可以实现车辆到车辆(V2V)、车辆到行人(V2P)和车辆到设备(V2D)的应用，否则这些应用很难实现。

***可以利用机器学习快速准确地生成各种安全消息所需的数据字段，将其打包成VBSM消息结构，并使用各种介质，例如但不仅限于DSRC、WiFi、蜂窝或传统道路标志将消息发送给附近范围的地面交通实体。

虚拟个人安全消息(VPMS)

地面交通环境不仅可以包括非连通的车辆，还可以包括非连通的人和其易受伤害的道路使用者。

在一些监管制度中，连通的易受伤害的地面交通实体会不断发送个人安全消息(PSM)。除了其他信息外，PSM还包含易受伤害的地面交通实体的位置、行驶方向、速度和未来路径信息。。连通车辆和基础设施可以接收这些信息并使用它们创建包含易受伤害的实体的地图，并提高地面交通网络的安全水平。

因此，虚拟连通的地面交通环境可以弥合当最脆弱的地面交通实体被预期要连通时的未来和最脆弱的地面交通实体没有连通时的当前之间的间隙。在虚拟连通的地面交通环境中，智能交通信号灯和其他基础设施安装可以使用传感器跟踪所有易受伤害的地面交通实体(连通的、非连通的)并代表它们生成VPSM。

VPSM消息可以被认为是PSM的子集。VPSM不需要包含创建PSM所需的所有字段，但可以包含安全评估和防止危险情况所需的数据，并且可以包括定位信息，包括位置、行驶方向、速度和轨迹。在某些情况下，非标准PSM字段也可能包含在VPSM中，例如驾驶员的意图、姿势或视线方向。

***可以利用机器学习快速且准确地生成这些字段，将其打包成VPSM消息结构中，并使用各种介质，例如但不仅限于DSRC、WiFi、蜂窝或传统道路标志将消息发送给附近范围的地面交通实体。

VPSM消息可以实现行人到车辆(P2V)、行人到基础设施(P2I)、行人到设备(P2D)、车辆到行人(V2P)、基础设施到行人(I2P)和设备到行人(D2P)的应用，否则这些应用很难实现。

图16描绘了穿过人行横道8103的行人8102。人行横道8103可以在交叉路口或在跨交叉路口之间的一段道路的中间街区人行横道。摄像头8101用于监控人行道8104。摄像头8101的视野8105的边界的全局位置可以在安装时确定。视野8105被摄像头8101的规格所反映的预定数量的像素覆盖。可以在摄像头的视野内检测道路实体8102并且可以计算其全局位置。道路实体8102的速度和行驶方向也可以根据其在s次的位移来确定。道路实体8102的路径可以由面包屑8106表示，面包屑8106是实体8102已经经过的一系列位置。此数据可用于构建虚拟PSM消息。然后，可以将PSM消息广播到交叉路口附近的所有实体。

无信号化交叉路口的交通执法和行为执法

该***的另一个有用应用是在无信号化交叉路口的交通执法(例如停车标志、让行标志)和在地面交通网络上任何地方的良好驾驶行为的执法。

作为生成VBSM和VPSM的副产品，该***可以跟踪和检测不遵守交通法规和增加危险情况和碰撞的概率的道路使用者。危险情况的预测可以扩展到包括执法。危险情况不必以碰撞告终。未遂事故很常见，并且会增加驾驶员的压力水平，从而导致后续的事故。未遂事故发生的频率与执法缺失呈正相关。

此外，使用VBSM，该***可以检测不当驾驶行为，例如突然变道和其他形式的鲁莽驾驶。传感器收集的数据可用于训练和启用机器学习模型，以标记从事危险驾驶行为的地面交通实体。

执法部门通常会针对包括易受伤害的道路使用者在内的地面交通实体执行道路规则，但当局需要在交叉路口附近范围出现以监控、检测和报告违规行为。通过使用VBSM和VPSM跟踪包括易受伤害的道路使用者的非连通的地面交通实体，智能RSE可以发挥执法机构的作用，并在交叉路口执行道路规则。例如，由智能RSE跟踪的非连通的车辆可以被检测到违反停车或让行标志，并可以被识别并报告给当局。同样，智能RSE跟踪的交叉路口附近的易受伤害的道路使用者可以被检测到非法穿越交叉路口，可以被识别，并向当局报告。

出于执法和其他目的，可以使用唯一标识来识别地面交通实体，包括但不限于车牌号识别。易受伤害的道路使用者可以使用生物特征识别来识别，包括但不限于面部、视网膜和声波识别。在包括民事或刑事调查在内的特殊情况下，社交媒体网络(例如Facebook、Instagram、Twitter)也可用于支持识别违规的地面交通实体或易受伤害的道路使用者。利用社交网络的一个例子是在社交网络上上传捕捉的违规者图片，并要求辨认出违规者的社交网络用户向执法机构提供有助于识别违规者的情报。

增强的SOBE

智能RSE可以使用传感器和预测模型来预测危险情况，并且随后代表非连通的道路使用者(包括易受伤害的道路使用者)发送虚拟安全消息(例如ICA、VBSM、VPSM、VICA和VCSM(虚拟组合安全消息))。智能OBE可以使用传入的虚拟或标准安全消息(例如，BSM、PSM、VBSM、VPSM、VICA和VCSM)、车辆传感器和预测模型来预测危险情况并提醒主车辆的驾驶员。增强型SOBE可以完成所有这些并发送a.(充当智能RSE)虚拟BSM、虚拟PSM、虚拟ICA和VCSM以及在适用的情况下代表其他道路使用者(甚至是未连通的道路使用者以及尤其是易受伤害的道路使用者)的标准消息，b.用于其自己的地面交通实体的高级BSM，包括基于对其自身行为的意图预测的信息和c.GPS校正等消息(充当RSE)。

在本文档中，我们提到了BSM、PSM、ICA、VBSM、VPSM和VICA。可能存在或正在开发其他类型的安全消息，包括正在开发的合作感知消息(CPM)，如https://www.sae.org/standards/content/j2945/8/所报告的。对BSM、PSM、ICA、VBSM、VPSM和VICA的引用也旨在指代现有和未来的其他安全消息，包括CPM。例如，正如所提议的那样，CPM可以包括关于多个对象(例如VBSM、VPSM和VICA)的数据(并且在这个意义上是用于多个对象的容器)。我们有时会提到可以是VBSM、VPSM、VICA和其他类型的虚拟安全消息(如VCSM)的容器的消息。ESOBE可以基于其使用其主车辆的传感器对地面交通实体和其他对象的检测来生成VCSM。VCSM可以由ESOBE定期广播，以使其他地面交通实体了解未连通或被遮挡的地面交通实体或其他对象。

在这里，我们描述了车载设备(OBE)，这些设备在某些方面可以具有超出前面描述的OBE和SOBE的增强和附加能力。在此处描述的一些实现中，例如，通过利用存在ESOBE的车辆(“主车辆”)上已经存在的传感器以及预测模型，这种增强型SOBE(ESOBE)具有的能力实际上超出了作为智能RSE的服务范围。在某些情况下，例如，ESOBE可以向其他车辆或易受伤害的道路使用者发送：(1)代表一辆或多辆其他车辆的虚拟安全消息，以及(2)使用其自身的行为的意图预测的主地面交通实体的增强标准安全消息，以及(3)它们发送的虚拟安全消息，它们作为车载RSE角色运行(例如，GPS校正)。我们有时将车载RSE称为增强型RSE(“ERSE”)。

下面，我们描述增强型SOBE(“ESOBE”)技术的场景和应用，包括以下内容：

1.ESOBE，例如代表正在打滑且未连通的另一车辆，生成并广播一个虚拟BSM。然后，由于视线受阻而无法看到打滑车辆的第三连通车辆接收虚拟BSM，并可以使用它来产生危险情况的早期警报，例如给第三车辆的驾驶员。

2.ESOBE生成并广播虚拟PSM，例如代表在标记的或指定的人行横道(例如交叉路口)处横穿的行人或其他易受伤害的道路使用者。然后，由于视线受阻而无法看到穿马路的易受伤害的道路使用者的第三辆连通的车辆(包括移动或静止的车辆，例如公共交通车辆)接收虚拟PSM并可以使用它来产生给例如第三辆车的驾驶员的危险情况的预警。

3.ESOBE生成并广播虚拟PSM，例如代表在中间街区的人行横道处而非交叉路口处横穿的行人或其他易受伤害的道路使用者。然后，由于视线受阻而无法看到穿马路的易受伤害的道路使用者的第三辆连通的车辆接收虚拟PSM并可以使用它来产生给例如第三辆车的驾驶员的危险情况的预警。

4.例如，通过在BSM中包含基于ESOBE从主车辆的车载摄像头或传感器或这两个接收到的信息确定的前向碰撞预测，ESOBE从其主车辆生成并广播已增强的标准BSM。跟随主车辆的车辆可以使用增强的BSM产生给之后车辆的驾驶员的主车辆可能在例如1-2秒内急刹车的预警。

5.ESOBE生成GPS修正并向其他地面交通实体广播。在这种模式下，ESOBE本质上充当RSE，通过利用OBE自己的GPS来帮助扩展RSE校正的覆盖范围。OBE还可以保存和检索它从它靠近的最近的RSE接收到的最新GPS校正。

在以上和以下描述的所有这些场景中以及在其他场景中，ESOBE广播的消息可以包括捆绑在VCSM中的虚拟消息。

被遮挡的打滑车辆和角碰撞

图19描绘了车辆或另一个地面交通实体1907(例如，未配备OBE，或以其他方式未连通)在车道1914中行驶并滑动跨越多车道道路1912进入相邻车道1916。车辆打滑可能是，例如，由于急刹车、路面湿滑或其他原因而发生。在这种情况下，车辆1906在车道1916上行驶并携带ESOBE 1908和传感器1918。传感器1918可以是但不限于摄像头、雷达、激光雷达、超声波测距传感器等，以及它们的组合。ESOBE 1908实时处理来自传感器的数据馈送，并为车辆1906生成周期性的基本安全消息(BSM)。

第三车辆1902正在车道1920中行驶。打滑车辆1907或车辆1906前面或部分侧面的任何物体被遮挡或部分遮挡，无法从车辆1902看到。

在使用车辆1906的传感器1918检测到打滑车辆1907时，车辆1906的ESOBE 1908确定车辆1907的测量参数(在这种情况下假设未配备OBE)。测量的参数可以包括速度、行驶方向、路径历史、路径预测、制动状态或其他或它们的组合中的一种或多种。基于这些测量参数，ESOBE代表未配备车辆1907生成并广播虚拟BSM。

基于由车辆1906的ESOBE确定的测量参数和由车辆1906的ESOBE广播的所得虚拟BSM，车辆1902已经意识到打滑车辆1907，即使车辆1902的驾驶员和车辆1902上的车载传感器都无法看到车辆1907，因为它被车辆106遮挡。利用车辆1902的SOBE可用的该信息连同其自身运动的测量参数，包括速度、行驶方向等，车辆1902的SOBE可以预测可能与车辆1907发生碰撞的威胁，并相应地警告其驾驶员。

除了使周围车辆(在这种情况下，例如车辆1902)更容易意识到看不见的未连通车辆之外，如果车辆1906的ESOBE通过预测车辆1907的打滑路径而检测到在车辆1907和车道1920中的车辆1902之间的角碰撞的可能性，那么车辆1906的ESOBE可以生成和发送交叉路口防撞消息(ICA)。如果车辆1902能够接收和处理ICA消息，则它可以接收它们、处理它们并警告其驾驶员可能的角(交叉)碰撞。

相比之下，在典型的DSRC(专用短程通信)中，ICA仅在道路交叉路口被生成和发送，以警告驾驶员注意角碰撞(例如，预测一辆车会穿过另一辆车的路径)。在我们在这里描述的技术中，由于ESOBE配备了预测算法，即使在道路交叉路口以外的位置处，也可以从移动车辆的ESOBE触发、生成和发送ICA。此类ICA可用于警告驾驶员，使他们能够避免甚至在如上所述的笔直路段上可能发生的角碰撞。

被遮挡的行人：人行横道

在根据该场景的实现中，ESOBE可以例如代表行人或其他易受伤害的道路使用者充当虚拟PSM的广播者。

如图20所示，在这种情况下，行人2000在人行横道2010处穿过双车道道路2012。在车道2014上行驶的车辆2006遮挡行人2000看见在车道2016上行驶的车辆2002(遮挡视线)。区域2004描绘了车辆2002的驾驶员和传感器的感知范围(视觉能力)。车辆2006限制了区域2004，并且车辆2006后面的任何东西(相对于车辆2002)都被遮挡，无法从车辆2002处看到。如果车辆2002在不知道行人2000的位置、速度和行驶方向的情况下继续移动，可能会发生严重事故。

总线2006配备有ESOBE 2008和传感器2018。传感器2018可以是但不限于摄像头、雷达、激光雷达、超声波测距传感器等，以及它们的组合。ESOBE 2008实时处理传感器2018的同步数据馈送。当ESOBE 2008使用传感器数据检测到行人2000时，ESOBE 2008自动开始代表行人2000广播可由车辆2002接收的虚拟PSM消息。结果，车辆2002意识到正在穿过车道2014的行人2000，即使车辆2002的驾驶员和车载传感器都无法看到车辆2006另一侧上的行人2000。

被遮挡的行人：中间街区路口

这个场景与前面的场景类似，除了这里行人正在穿过远离人行横道或其他正式的道路交叉路口的马路中间街区。

如图21所示，行人2100在车辆2106前面穿过道路2112。行人2100被遮挡在车辆2102的驾驶员和传感器的视野之外。车辆2102的感知区域由虚线区域2104描绘。

车辆2106配备有能够发送和接收诸如PSM和BSM之类的V2X消息的ESOBE 2108。ESOBE 2108还能够处理来自传感器2118的同步数据馈送。

一旦被ESOBE 2108检测到，包括但不限于行人2100的全局位置、速度和行驶方向的信息被编码成虚拟PSM消息，该消息被广播。车辆2102接收到虚拟PSM消息，然后知道行人2100。车辆2102上车载的算法能够预测是否存在即将发生的危险情况并采取适当的行动，包括但不限于警告驾驶员或减速或自动停止车辆。

被遮挡的行人￡°前向碰撞

图22描绘了在人行横道2410处正穿过双车道道路2412的行人2400。较大的车辆(例如，卡车)2406在车道2414上行驶并携带ESOBE 2408和传感器2418。传感器2418可以是但不限于摄像头、雷达、激光雷达、超声波测距传感器等，以及它们的组合。ESOBE 2408实时处理来自传感器的数据馈送。

另一车辆2402在同一车道2414中的较大车辆2406后面行驶。行人2400或车辆2406前面的任何其他东西都被遮挡在车辆2402的视野之外。

如果车辆2406由于存在(车辆2402不知道的)行人2400而必须突然制动，则车辆2402可能与车辆2406的后端相撞。

在使用传感器2418检测到行人2400时，除了车辆2406的ESOBE 2408代表自己发送的常规基本安全消息(BSM)之外，它还立即开始代表行人2400广播虚拟PSM。结果，即使车辆2402的驾驶员和车载传感器都无法看到或感知超越出车辆2406，连同车辆2406存在的认知(来自BSM)，车辆2402还知道正穿过车道2414的行人2400(来自虚拟PSM)，

车辆2406中的ESOBE执行人工智能处理，该处理从其驾驶员在各种情况下的行为中学习。例如，在检测到行人2400时，ESOBE 2408应用AI算法来预测车辆2406的驾驶员是否将要应用制动并预测其可能发生的未来时间。基于这些预测，ESOBE可能会决定在BSM消息中添加制动信息，该消息会比典型***中的其他方式更快地广播给其他车辆。例如，这种较早地传递制动消息可以给诸如车辆2402之类的其他车辆更多的时间来预测前方的碰撞。换句话说，其他车辆可以从第一辆车辆的ESOBE中的AI功能中受益

ESOBE-位置校正服务

高精度GPS位置数据的可用性对于基于DSRC的V2X安全应用或其他期望或要求高于典型GPS精度的应用非常重要。ESOBE可以提供GPS校正信息，以提高附近地面交通实体的GPS位置数据的准确性。如图23所示，在给定方向上在道路的不同车道上行驶的四辆车(2502、2503、2504和2505)可能能够使用GPS校正数据，例如，在下面描述的场景等中。

在这种情况下，车辆(例如卡车或公共汽车)2506在一条车道2516上行驶并携带能够发送和接收V2X消息的ESOBE 2508。尽管车辆2506被描绘为大型车辆，但它可以是任何大小的任何地面交通实体。

假设(a)该区域附近不存在RSE，(b)车辆2506(包括其ESOBE)最近通过了在其中具有在DSRC上的差分GNSS(全球导航卫星***)广播能力的RSE(使用技术(如RTK、DGPS或广域RTK)的区域，(c)车辆2506不再在该RSE附近区域，并且(d)车辆2506(及其ESOBE)已通过特定RSE在场的区域，并且该特定RSE正在传输周期性的RTCM(海事无线电技术委员会)校正消息。

在接收到这些RTCM校正消息时，车辆2506上的ESOBE 2508校正了它自己的位置，并且还存储了RTCM校正数据以供以后使用。当特定RSE在范围内时，ESOBE继续使用接收到的校正消息来校正其位置，并更新这些消息以供以后使用。

一旦ESOBE在特定RSE的覆盖区域之外，ESOBE使用存储的校正数据以基于其当前位置构建更加新的校正消息，并向其他车辆(图23中的2502、2503、2504、2505)提供类似于如果RSE在范围内将由RSE提供的校正服务相类似的校正服务。ESOBE与已从中收集到校正数据的特定RSE的距离以及ESOBE的当前位置信息可用于在将校正消息作为校正服务的一部分重新广播之前更新该校正消息(例如，创建更加新的校正消息)。通过这种方式，ESOBE可以有效地作为一个基站，为范围内没有RSE的其他道路使用者提供准确的RTCM校正数据。因此，ESOBE不仅转发来自RSE或其他外部源的校正数据，而且还根据主车辆的当前位置和此处提到的其他因素更新校正数据。

此外，在广播校正数据之前，ESOBE运行算法来确定重构的校正数据的正确性。仅当算法确认重新生成的校正数据的置信度非常高时，才广播该校正数据。

在一些实现中，除了其他信息之外，用于重传校正数据的算法还考虑以下信息：

自ESOBE从RSE收到校正数据以来经过的时间、从RSE行进的距离、行进方向(行驶方向)以确定校正是否仍应用于当前车辆位置，以及从RSE收到的原始校正数据的置信度，以及它们的组合。

在一些示例中，ESOBE的另一个特征是，如果它可以通过Internet直接访问传输RTCM校正馈送的外部服务，它可以使用该馈送自行生成DSRC RTCM校正消息。在不存在RSE或从RSE接收的数据的置信度不充分的情况下，ESOBE可以决定切换到此模式。在这里，ESOBE具有选择更好的校正信息源的情报。

在ESOBE能够自行构建校正消息或从RSE接收到的校正消息重构校正消息并发送该校正消息中的好处是：帮助具有低端、廉价GPS设备的地面交通实体校正其位置；帮助地面交通实体更可靠地执行安全算法；扩大RSE的有效覆盖范围；以及使用V2X标准校正消息在DSRC网络或其他短程车载网络上广播RTCM校正。

其他实现方式也在所附权利要求书的范围内。

Claims

1.一种装置，包括：

在第一地面交通实体车载使用的装备，

所述装备具有

(a)接收器，用于由第一地面交通实体的环境的传感器生成的信息，

(b)处理器，以及

(c)存储指令的存储器，所述指令可由处理器执行以基于由一个或多个传感器生成的信息生成安全消息信息并将所述安全消息信息发送到第二地面交通实体。

2.如权利要求1所述的装置，其特征在于，所述指令可由所述处理器执行以生成用于生成所述安全消息信息的预测。

3.如权利要求2所述的装置，其特征在于，所述预测是由预测模型生成的。

4.如权利要求3所述的装置，其特征在于，所述预测模型被配置为预测涉及一个或多个所述第一地面交通实体、一个或多个所述第二地面交通实体或一个或多个其他地面交通实体的危险情况。

5.如权利要求4所述的装置，其特征在于，所述危险情况涉及一个或多个所述第二地面交通实体的道路车道穿越。

6.权利要求5所述的装置，其特征在于，所述一个或多个所述第二地面交通实体包括一辆或多辆车辆，并且所述危险情况包括所述一辆或多辆车辆打滑跨越车道。

7.如权利要求5所述的装置，其特征在于，所述一个或多个第二地面交通实体包括一个或多个行人或一个或多个正穿过道路的其他易受伤害的道路使用者。

8.如权利要求7所述的装置，其特征在于，一个或多个易受伤害的道路使用者正在交叉路口穿过道路。

9.如权利要求7所述的装置，其特征在于，所述易受伤害的道路使用者正在交叉路口之外处穿过所述道路。

10.如权利要求4所述的装置，其特征在于，预测的危险情况包括在第三地面交通实体和所述第二地面交通实体之间的预测的碰撞。

11.如权利要求3所述的装置，其特征在于，所述第一地面交通实体包括车辆，而所述第二地面交通实体包括行人或其他易受伤害的道路使用者。

12.如权利要求10所述的装置，其特征在于，所述第三地面交通实体正在跟随所述第一地面交通实体，并且第三地面交通实体的来自所述第一地面交通实体的视野被遮挡。

13.如权利要求10所述的装置，其特征在于，所述第三地面交通实***于与第一地面交通实体正在行驶的车道相邻的一车道中。

14.如权利要求1所述的装置，其特征在于，所述指令可由处理器执行以确定第三地面交通实体的运动参数。

15.如权利要求3所述的装置，其特征在于，所述第二地面交通实体仅具有针对第三地面交通有遮挡的视野。

16.如权利要求3所述的装置，其特征在于，所述第二地面交通实体包括行人或其他易受伤害的道路使用者。

17.如权利要求1所述的装置，其特征在于，由所述处理器发送的所述安全消息信息包括基本安全消息。

18.如权利要求1所述的装置，其特征在于，由所述处理器发送的所述安全消息信息包括虚拟基本安全消息。

19.如权利要求1所述的装置，其特征在于，由所述处理器发送的所述安全消息信息包括个人安全消息。

20.如权利要求1所述的装置，其特征在于，由所述处理器发送的所述安全消息信息包括虚拟个人安全消息。

21.如权利要求1所述的装置，其特征在于，由所述处理器发送的所述安全消息信息包括代表第三地面交通实体发送的虚拟基本安全消息。

22.如权利要求21所述的装置，其特征在于，所述第三地面交通实体包括未连通的地面交通实体。

23.如权利要求1所述的装置，其特征在于，由所述处理器发送的所述安全消息信息包括代表第三地面交通实体发送的虚拟个人安全消息。

24.如权利要求1所述的装置，其特征在于，该装备具有接收机，用于从第一地面交通实体外部的源无线发送的信息。

25.如权利要求1所述的装置，其特征在于，包括所述第一地面交通实体。

26.如权利要求1所述的装置，其特征在于，所述安全消息信息包括虚拟交叉路口避撞消息(VICA)。

27.如权利要求1所述的装置，其特征在于，所述安全消息信息包括交叉路口避撞消息(ICA)。

28.如权利要求1所述的装置，其特征在于，所述安全消息信息包括虚拟组合安全消息(VCSM)。

29.如权利要求1所述的装置，其特征在于，所述安全消息信息包括组合安全消息(CSM)。

30.一种装置，包括：

在第一地面交通实体车载使用的装备，

所述装备具有

(a)接收器，用于从第一地面交通实体外部的源发送的第一位置校正信息，

(b)接收器，用于表示所述第一地面交通实体的位置或运动的参数的信息，

(c)处理器，以及

(d)存储指令的存储器，所述指令可由所述处理器执行以基于所述第一位置校正信息和表示运动参数的信息生成经更新的位置校正信息，并基于经更新的位置校正信息向另一个地面交通实体发送位置校正消息。

31.如权利要求30所述的装置，其特征在于，由所述第一地面交通实体外部的源发送的所述位置校正信息包括位置校正消息。

32.如权利要求30所述的装置，其特征在于，由所述第一地面交通实体外部的源发送的所述位置校正信息包括海事无线电技术委员会(RTCM)校正消息。

33.如权利要求30所述的装置，其特征在于，所述位置校正信息包括GNSS位置校正。

34.如权利要求30所述的装置，其特征在于，位置或运动参数包括第一地面交通实体的当前位置。

35.如权利要求30所述的装置，其特征在于，所述第一地面交通实体外部的所述源包括RSE或被配置为在互联网上传送位置校正消息的外部服务。

36.如权利要求30所述的装置，其特征在于，所述指令可由所述处理器执行以确认经更新的位置校正信息中的置信水平。

37.一种方法，包括

接收由安装在第一地面交通实体上的传感器生成的所述第一地面交通实体的环境的信息，以及

基于所述传感器生成的所述信息生成安全消息信息并将所述安全消息信息发送到第二地面交通实体。

38.如权利要求37所述的方法，其特征在于，包括生成用于在生成所述安全消息信息中使用的预测。

39.如权利要求38所述的方法，其特征在于，所述预测是由预测模型生成的。

40.如权利要求39所述的方法，其特征在于，所述预测模型被配置为预测涉及所述第一地面交通实体、所述第二地面交通实体或另一个地面交通实体的危险情况。

41.如权利要求40所述的方法，其特征在于，所述危险情况涉及所述第二地面交通实体穿过道路车道。

42.如权利要求41所述的方法，其特征在于，所述第二地面交通实体包括车辆，而所述危险情况包括车辆打滑跨越车道。

43.如权利要求41所述的方法，其特征在于，所述第二地面交通实体包括行人或正穿过道路的其他易受伤害的道路使用者。

44.如权利要求43所述的方法，其特征在于，所述易受伤害的道路使用者在交叉路口处正穿过所述道路。

45.如权利要求43所述的方法，其特征在于，所述易受伤害的道路使用者正在交叉路口之外处穿过所述道路。

46.如权利要求40所述的方法，其特征在于，预测的危险情况包括在第三地面交通实体和所述第二地面交通实体之间的预测的碰撞。

47.如权利要求40所述的方法，其特征在于，所述第一地面交通实体包括车辆，而所述第二地面交通实体包括行人或其他易受伤害的道路使用者。

48.如权利要求46所述的方法，其特征在于，所述第三地面交通实体跟随所述第一地面交通实体，并且第三地面交通实体的来自所述第一地面交通实体的视野被遮挡。

49.如权利要求46所述的方法，其特征在于，所述第三地面交通实***于与第一地面交通实体正在行驶的车道相邻的一车道中。

50.如权利要求37所述的方法，其特征在于，包括确定第三地面交通实体的运动参数。

51.如权利要求46所述的方法，其特征在于，所述第二地面交通实体仅具有针对所述第三地面交通有遮挡的视野。

52.如权利要求37所述的方法，其特征在于，所述第二地面交通实体包括行人或其他易受伤害的道路使用者。

53.如权利要求37所述的方法，其特征在于，所述安全消息信息包括基本安全消息。

54.如权利要求37所述的方法，其特征在于，所述安全消息信息包括虚拟基本安全消息。

55.如权利要求37所述的方法，其特征在于，所述安全消息信息包括个人安全消息。

56.如权利要求37所述的方法，其特征在于，所述安全消息信息包括虚拟个人安全消息。

57.如权利要求37所述的方法，其特征在于，所述安全消息信息包括代表第三地面交通实体发送的虚拟基本安全消息。

58.如权利要求53所述的方法，其特征在于，所述第三地面交通实体包括未连通的地面交通实体。

59.如权利要求53所述的方法，其特征在于，由所述处理器发送的所述安全消息信息包括代表第三地面交通实体发送的虚拟个人安全消息。

60.如权利要求37所述的方法，其特征在于，包括：接收从所述第一地面交通实体外部的源无线发送的信息。

61.如权利要求37所述的方法，其特征在于，所述安全消息信息包括虚拟交叉路口避撞消息(VICA)。

62.如权利要求37所述的方法，其特征在于，所述安全消息信息包括交叉路口避撞消息(ICA)。

63.如权利要求37所述的方法，其特征在于，所述安全消息信息包括虚拟组合安全消息(VCSM)。

64.如权利要求37所述的方法，其特征在于，所述安全消息信息包括组合安全消息(CSM)。

65.一种方法，包括

接收从第一地面交通实体外部的源发送的第一位置校正信息，

接收表示第一地面交通实体的运动参数的信息，

基于所述第一位置校正信息和表示运动参数的信息生成经更新的位置校正信息，并基于经更新的位置校正信息向另一个地面交通实体发送位置校正消息。

66.如权利要求65所述的方法，其特征在于，从所述第一地面交通实体外部的源发送的所述位置校正信息包括位置校正消息。

67.如权利要求65所述的方法，其特征在于，由所述第一地面交通实体外部的源发送的所述位置校正信息包括海事无线电技术委员会(RTCM)校正消息。

68.如权利要求65所述的方法，其特征在于，所述位置校正信息包括GNSS位置校正。

69.如权利要求65所述的方法，其特征在于，所述运动参数包括所述第一地面交通实体的当前位置。

70.如权利要求65所述的方法，其特征在于，所述第一地面交通实体外部的所述源包括RSE或被配置为在互联网上传送位置校正消息的外部服务。

71.如权利要求65所述的方法，其特征在于，包括确认经更新的位置校正信息中的置信水平。