CN115027495A - 一种用于智能驾驶***的信任增强方法及设备 - Google Patents
一种用于智能驾驶***的信任增强方法及设备 Download PDFInfo
- Publication number
- CN115027495A CN115027495A CN202210641992.0A CN202210641992A CN115027495A CN 115027495 A CN115027495 A CN 115027495A CN 202210641992 A CN202210641992 A CN 202210641992A CN 115027495 A CN115027495 A CN 115027495A
- Authority
- CN
- China
- Prior art keywords
- lane
- ramp
- vehicle
- confidence
- intelligent driving
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000004927 fusion Effects 0.000 claims abstract description 72
- 230000008447 perception Effects 0.000 claims abstract description 25
- 230000003068 static effect Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000010365 information processing Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000004891 communication Methods 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 description 12
- 230000003993 interaction Effects 0.000 description 7
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000010485 coping Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W60/005—Handover processes
- B60W60/0059—Estimation of the risk associated with autonomous or manual driving, e.g. situation too complex, sensor failure or driver incapacity
-
- 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
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- 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
- B60W2556/40—High definition maps
-
- 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
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明的目的是提供一种用于智能驾驶***的信任增强方法及设备,通过基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合数据中的一种或任意组合,确定智能驾驶***的置信度,可以正确计算整个智能驾驶***的置信度,从而告知消费者智能驾驶***应对当前及未来复杂场景的能力,缓解用户心理紧张程度,提高人机共驾有效沟通,增加人机共驾过程中的信息透明度,提升用户对智能驾驶***的信任感,解决了用户在使用智能驾驶的过程中提心吊胆,对智能驾驶***不信任的问题。
Description
技术领域
本发明涉及一种用于智能驾驶***的信任增强方法及设备。
背景技术
在完全无人驾驶到来之前,将经历很长一段时间的人机共驾,所以人与机器之前一定要建立信任和默契,用户才能在舒适,愉悦的体验中享受智能驾驶带来的真正价值。
目前主流的智能驾驶***,对自身***能力状态的把控,只有开和关两个挡位,仅在危险工况下智能驾驶***退出时通过紧急报警进行接管提醒。这会导致用户在使用智能驾驶的过程中提心吊胆,引发驾驶焦虑。
发明内容
本发明提供一种用于智能驾驶***的信任增强方法及设备。
获取车辆的智能驾驶***的车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合;
基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合,确定智能驾驶***的置信度。
进一步的,上述方法中,基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合,确定智能驾驶***的置信度,包括:
基于车辆运行状态数据、导航路线信息和高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点;
当车辆在某个车道上行驶到达该车道的最早并线点时,基于该车道的最晚并线点,确定静态因素的下匝道任务置信度;
基于感知融合及目标跟踪数据和车辆运行状态数据,确定车辆从当前车道换到相邻车道的安全空间的个数,基于安全空间的个数,确定动态车流的下匝道任务置信度;
基于静态因素的下匝道任务置信度和动态车流的下匝道任务置信度,确定智能驾驶***的置信度。
进一步的,上述方法中,基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合,确定智能驾驶***的置信度,包括:
基于车辆运行状态数据、导航路线信息和高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点;
当车辆在某个车道上行驶到达该车道的最早并线点时,基于该车道的最晚并线点,确定静态因素的下匝道任务置信度;
基于感知融合及目标跟踪数据和车辆运行状态数据,确定车辆从当前车道换到相邻车道的安全空间的个数,基于安全空间的个数,确定动态车流的下匝道任务置信度;
基于静态因素的下匝道任务置信度和动态车流的下匝道任务置信度,确定智能驾驶***的置信度。
进一步的,上述方法中,基于车辆运行状态数据、导航路线信息和高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点,包括:
获取导航目的地,基于导航目的地和高精地图,得到导航路线信息;
根据导航路线信息和车辆运行状态数据,得到高精地图融合信息,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点。
进一步的,上述方法中,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最晚并线点,包括:
基于高精地图融合信息得到车道位置、车道数量、车辆离匝道口的距离、每个车道的经验车速、各个车道的平均换道时间和各个车道的两次换道之间的最短间隔时间;
基于车道位置、车道数量、车辆离匝道口的距离、每个车道的经验车速、各个车道的平均换道时间和各个车道的两次换道之间的最短间隔时间,推算出主路汇入匝道场景下车辆在各车道上的最晚并线点。
进一步的,上述方法中,基于车道位置、车道数量、车辆离匝道口的距离、每个车道的经验车速、各个车道的平均换道时间和各个车道的两次换道之间的最短间隔时间,推算出主路汇入匝道场景下车辆在各车道上的最晚并线点,包括:
进一步的,上述方法中,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点,包括:
基于高精地图融合信息,得到匝道口通道的长度、智能驾驶风格影响系数和导航的交通拥堵信息影响系数;
基于匝道口的长度、智能驾驶风格影响系数和导航的交通拥堵信息影响系数,推算出主路汇入匝道场景下车辆在各车道上的最早并线点。
进一步的,上述方法中,基于匝道口的长度、智能驾驶风格影响系数和导航的交通拥堵信息影响系数,推算出主路汇入匝道场景下车辆在各车道上的最早并线点,包括:
其中,n表示车道编号,如图2所示,车道编号n为主路1~4;,为匝道口通道的长度;为智能驾驶风格影响系数,表示智能驾驶风格对的影响系数;为导航的交通拥堵信息影响系数,表示导航的交通拥堵信息对的影响系数;为从当前车道变入右侧相邻车道需提前的最早变道距离。
进一步的,上述方法中,当车辆在某个车道上行驶到达该车道的最早并线点时,基于该车道的最晚并线点,确定静态因素的下匝道任务置信度,包括:
基于车辆运行状态数据、导航路线信息和高精地图融合信息,得到车辆的当前车速和离当前所在车道的最晚并线点的实时距离;
基于车辆的当前车速和离当前所在车道的最晚并线点的实时距离,确定静态因素的下匝道任务置信度。
进一步的,上述方法中,基于车辆的当前车速和离当前所在车道的最晚并线点的实时距离,确定静态因素的下匝道任务置信度,包括:
其中,Xn表示车辆离当前所在车道的最晚并线点的实时距离;
v表示车辆的当前车速;
TTCn越大则F(Xn)越大,TTCn越小则F(Xn)越小。
进一步的,上述方法中,基于安全空间的个数,确定动态车流的下匝道任务置信度F(N),包括:
若安全空间的个数N越大,则确定动态车流的下匝道任务置信度F(N)越大。
进一步的,上述方法中,基于静态因素的下匝道任务置信度和动态车流的下匝道任务置信度,确定智能驾驶***的置信度,包括:
基于如下公式,确定智能驾驶***的置信度F:
其中,k 1表示F(Xn)对智能驾驶***的置信度F的影响权重;
k 2表示F(N)对智能驾驶***的置信度F的影响权重。
根据本发明的另一方面,还提供一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。
根据本发明的另一方面,还提供一种用于在网络设备端信息处理的设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备执行上述任一项所述的方法。
综上所述,本发明通过基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合数据中的一种或任意组合,确定智能驾驶***的置信度,可以正确计算整个智能驾驶***的置信度,从而告知消费者智能驾驶***应对当前及未来复杂场景的能力,缓解用户心理紧张程度,提高人机共驾有效沟通,增加人机共驾过程中的信息透明度,提升用户对智能驾驶***的信任感,解决了用户在使用智能驾驶的过程中提心吊胆,对智能驾驶***不信任的问题。
附图说明
图1是本发明一实施例的用于智能驾驶***的信任增强方法的原理图;
图2是本发明一实施例的最早并线点和最晚并线点的示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、 磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
如图1所示,本发明提供一种用于智能驾驶***的信任增强方法,所述方法包括:
步骤S1,获取车辆的智能驾驶***的车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合;
具体的,所述车辆运行状态数据,是指车辆自身的运行状态的数据,如车速、轮速、横纵向加减速度、车灯状态、定位状态、车身姿态等,车辆运行状态数据可以用于判断自车硬件的状态对规控的影响,判断是否可满足智能驾驶***的控制需求,从而计算智能驾驶***应对不同场景的能力;
所述导航路线信息,是指车辆所处周围环境及行驶路线上的预期信息,如路口信息、道路拥堵信息、天气信息、隧道信息、施工信息等,导航路线信息可以用于预估环境的复杂程度,从而推算智能驾驶***应对不同场景的能力;
所述感知融合及目标跟踪数据,是指车辆周围环境信息,如障碍物、车道线信息,需要感知融合及目标跟踪数据可以用于判断智能驾驶***控制过程中车辆的安全空间、预测他车轨迹对自车行驶轨迹的影响等,从而计算智能驾驶***应对不同场景的能力;
高精地图融合信息,是指高精地图信息结合车辆运行状态数据中的定位信息,得到的车辆所处周围环境及行驶路线上的预期信息,如距离匝道口的距离、所在车道位置、当前及前方道路弯道的曲率半径等,高精地图融合信息用于判断当前及预估环境的复杂程度,从而计算及推测智能驾驶***应对不同场景的能力,如下匝道成功率、过弯成功率等等;
步骤S2,基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合,确定智能驾驶***的置信度。
在此,置信度,即整个智能驾驶***应对当前及未来复杂场景的能力。
置信度的计算可以综合三大维度,包括:当前及未来环境的复杂程度、***硬件能力及环境对其影响、软件算法能力及环境对其影响,从而综合判断得出智能驾驶***的置信度。其中,硬件能力如:感知***能力、执行器能力、控制器能力等,软件算法能力如:感知模块、融合模块、规控模块、预测模块等。
本发明的置信度计算的数据来源,基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据、高精地图融合数据等其中的全部或部分数据。
可以通过置信度计算模块依据车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据、高精地图融合信息等做出综合判断,不同数据对置信度影响的权重不同,置信度可以依据当前环境而变化。不同维度的权重基于当前环境、各任务的紧急程度、对智能驾驶***的影响程度实时变化。
本发明通过基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合数据中的一种或任意组合,确定智能驾驶***的置信度,可以正确计算整个智能驾驶***的置信度,从而告知消费者智能驾驶***应对当前及未来复杂场景的能力,缓解用户心理紧张程度,提高人机共驾有效沟通,增加人机共驾过程中的信息透明度,提升用户对智能驾驶***的信任感,解决了用户在使用智能驾驶的过程中提心吊胆,对智能驾驶***不信任的问题。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S2,基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合,确定智能驾驶***的置信度,包括:
步骤S21,基于车辆运行状态数据、导航路线信息和高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点;
步骤S22,当车辆在某个车道上行驶到达该车道的最早并线点时,基于该车道的最晚并线点,确定静态因素的下匝道任务置信度F(Xn);
步骤S23,基于感知融合及目标跟踪数据和车辆运行状态数据,确定车辆从当前车道换到相邻车道的安全空间的个数,基于安全空间的个数,确定动态车流的下匝道任务置信度F(N);
步骤S24,基于静态因素的下匝道任务置信度F(Xn)和动态车流的下匝道任务置信度F(N),确定智能驾驶***的置信度。
在此,本实施例通过静态因素和动态车流两个维度,可以更可靠的确定智能驾驶***的置信度。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S21,基于车辆运行状态数据、导航路线信息和高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点,包括:
步骤S211,获取导航目的地,基于导航目的地和高精地图,得到导航路线信息;
在此,智能驾驶***自动控制车辆过程中,驾驶员可以通过车机设置导航目的地,高精地图接收到导航目的地,从而获取该路线上的导航路线信息,如匝道口的位置、车道数量等,从而提前进行轨迹规划;
步骤S212,根据导航路线信息和车辆运行状态数据,得到高精地图融合信息,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点。
在此,可以依据导航路线信息和车辆运行状态数据,智能驾驶***实时判断出自车所在车道及距离匝道口的位置,结合预期车速推算出各车道上的最早和最晚并线点。所述车辆运行状态数据包括自车的定位信息。
本实施例可以准确推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S212,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最晚并线点,包括:
步骤S2121,基于高精地图融合信息得到车道位置、车道数量、车辆离匝道口的距离、每个车道的经验车速、各个车道的平均换道时间和各个车道的两次换道之间的最短间隔时间;
步骤S2122,基于车道位置、车道数量、车辆离匝道口的距离、每个车道的经验车速、各个车道的平均换道时间和各个车道的两次换道之间的最短间隔时间,推算出主路汇入匝道场景下车辆在各车道上的最晚并线点。
在此,可以依据导航路线信息和车辆运行状态数据,智能驾驶***实时判断出自车所在车道及距离匝道口的位置,结合预期车速推算出各车道上的最晚并线点。所述车辆运行状态数据包括自车的定位信息。
本实施例可以准确推算出主路汇入匝道场景下车辆在各车道上的最晚并线点。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S2122,基于车道位置、车道数量、车辆离匝道口的距离、每个车道的经验车速、各个车道的平均换道时间和各个车道的两次换道之间的最短间隔时间,推算出主路汇入匝道场景下车辆在各车道上的最晚并线点,包括:
其中,n表示车道编号,如图2所示,车道编号n为主路1~4;t 1为车辆的平均换道时间,例如,t 1可以在4.5-7s之间;t 2为两次换道之间的最短间隔时间,例如,t 2可以在0-3s之间;v i是i车道的经验车速。
如图2所示,可以得到每个车道上的一个最晚并线点。
v i、t 1、t 2可以为标定量,需根据路测结果调整出最符合体验的结果。
本实施例可以准确推算出主路汇入匝道场景下车辆在各车道上的最晚并线点。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S212,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点,包括:
步骤S2123,基于高精地图融合信息,得到匝道口通道的长度、智能驾驶风格影响系数和导航的交通拥堵信息影响系数;
步骤S2124,基于匝道口的长度、智能驾驶风格影响系数和导航的交通拥堵信息影响系数,推算出主路汇入匝道场景下车辆在各车道上的最早并线点。
在此,本实施例可以得到每个车道的最早并线点。
本实施例可以准确推算出主路汇入匝道场景下车辆在各车道上的最早并线点。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S2124,基于匝道口的长度、智能驾驶风格影响系数和导航的交通拥堵信息影响系数,推算出主路汇入匝道场景下车辆在各车道上的最早并线点,包括:
其中,n表示车道编号,如图2所示,车道编号n为主路1~4;,为匝道口通道的长度;为智能驾驶风格影响系数,表示智能驾驶风格对的影响系数;为导航的交通拥堵信息影响系数,表示导航的交通拥堵信息对的影响系数;为从当前车道变入右侧相邻车道需提前的最早变道距离。
本实施例可以准确推算出主路汇入匝道场景下车辆在各车道上的最早并线点。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S22,当车辆在某个车道上行驶到达该车道的最早并线点时,基于该车道的最晚并线点,确定静态因素的下匝道任务置信度F(Xn),包括:
步骤S221,基于车辆运行状态数据、导航路线信息和高精地图融合信息,得到车辆的当前车速和离当前所在车道的最晚并线点的实时距离;
步骤S222,基于车辆的当前车速和离当前所在车道的最晚并线点的实时距离,确定静态因素的下匝道任务置信度F(Xn)。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S222,基于车辆的当前车速和离当前所在车道的最晚并线点的实时距离,确定静态因素的下匝道任务置信度F(Xn),包括:
基于如下公式,确定静态因素的下匝道任务置信度F(Xn):
其中,Xn表示车辆离当前所在车道的最晚并线点的实时距离;v表示车辆的当前车速;
TTCn越大则F(Xn)越大,TTCn越小则F(Xn)越小。
在此,可以结合车辆运行状态数据中的自车实时车速、定位信息等和高精地图信息,智能驾驶***判断出距离最晚并线点的时距信息TTCn,从而准确计算得到基于静态因素的下匝道任务置信度F(Xn)。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S23,基于安全空间的个数,确定动态车流的下匝道任务置信度F(N),包括:
若安全空间的个数N越大,则确定动态车流的下匝道任务置信度F(N)越大。
在此,依据感知融合和目标跟踪数据,如前后车及旁车道车辆的速度和位置、车流密度的平均值(车辆数目)等,智能驾驶***综合考虑自车运动约束和对他车影响后,判断换道安全空间的个数N,从而得到基于动态车流的下匝道任务置信度F(N)。如图2所示,安全空间是指相邻车道上,车辆可以变道驶入的空间,每个安全空间空间的尺寸略大于车辆的车身尺寸大小。
N越多,则F(N)越大。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S24,基于静态因素的下匝道任务置信度F(Xn)和动态车流的下匝道任务置信度F(N),确定智能驾驶***的置信度F,包括:
基于如下公式,确定智能驾驶***的置信度F:
其中,
k 1表示F(Xn)对智能驾驶***的置信度F的影响权重;
k 2表示F(N)对智能驾驶***的置信度F的影响权重。
k 1、k 2可以随着车辆位置α的变化而动态变化。α为车辆所在位置,可以表示车辆所在车道、距离最晚并线点距离。
本实施例通过静态因素和动态车流两个维度的权重是依据车辆所在车道或距离最晚并线点距离实时变化,例如,早期静态环境影响较大,后期动态车流影响较大,从而得到更精确的综合的下匝道任务置信度。
本发明的用于智能驾驶***的信任增强方法一实施例中,步骤S24,确定智能驾驶***的置信度之后,还包括:
确定置信度对应的提醒方式;
基于确定提醒方式,发出提醒通知。
在此,置信度通过百分比数值或等级等可量化方式提示给驾驶员,不同的置信度等级,与驾驶员的交互方式可以不同。置信度等级较高时,与驾驶员交互强度较弱,置信度等级较低时,与驾驶员交互强度较强,提高人机共驾有效沟通。可以实现通过不同的交互方式提醒驾驶员关注路况。
如图1所示,置信度计算模块,可以输出综合后的置信度等级给到交互模块,交互模块根据不同场景下的不同置信度等级,有不同的提醒方式。
例如,高等级的置信度,交互主要采取视觉提示的方式,通过图标或动画告知驾驶员置信度等级。
低等级的置信度,依据具体场景,有不同的提示方式,如提示音、语音、强视觉提醒等。
不同等级的置信度的提醒通知之间,还可以有平滑的动画过渡。
置信度可通过百分比或者不同等级的方式透出给驾驶员,以3级为例:等级3代表,该场景下***能处理成功,用于给驾驶员信心增强;等级2代表,该场景下***可能处理成功也可能失败,用于邀请驾驶员注意力;等级1代表,该场景下***大概率处理失败,需驾驶员时刻关注路况。
根据本发明的另一方面,还提供一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现上述任一实施例所述的方法。
根据本发明的另一方面,还提供一种用于在网络设备端信息处理的设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备执行上述任一实施例所述的方法。
本发明各设备实施例的详细内容具体可参见各方法实施例的对应部分,在此,不再赘述。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
需要注意的是,本发明可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本发明的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本发明的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (14)
1.一种用于智能驾驶***的信任增强方法,其中,该方法包括:
获取车辆的智能驾驶***的车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合;
基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合,确定智能驾驶***的置信度。
2.根据权利要求1所述的方法,其中,基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合,确定智能驾驶***的置信度,包括:
基于车辆运行状态数据、导航路线信息和高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点;
当车辆在某个车道上行驶到达该车道的最早并线点时,基于该车道的最晚并线点,确定静态因素的下匝道任务置信度;
基于感知融合及目标跟踪数据和车辆运行状态数据,确定车辆从当前车道换到相邻车道的安全空间的个数,基于安全空间的个数,确定动态车流的下匝道任务置信度;
基于静态因素的下匝道任务置信度和动态车流的下匝道任务置信度,确定智能驾驶***的置信度。
3.根据权利要求2所述的方法,其中,基于车辆运行状态数据、导航路线信息、感知融合及目标跟踪数据和高精地图融合信息中的一种或任意组合,确定智能驾驶***的置信度,包括:
基于车辆运行状态数据、导航路线信息和高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点;
当车辆在某个车道上行驶到达该车道的最早并线点时,基于该车道的最晚并线点,确定静态因素的下匝道任务置信度;
基于感知融合及目标跟踪数据和车辆运行状态数据,确定车辆从当前车道换到相邻车道的安全空间的个数,基于安全空间的个数,确定动态车流的下匝道任务置信度;
基于静态因素的下匝道任务置信度和动态车流的下匝道任务置信度,确定智能驾驶***的置信度。
4.根据权利要求3所述的方法,其中,基于车辆运行状态数据、导航路线信息和高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点,包括:
获取导航目的地,基于导航目的地和高精地图,得到导航路线信息;
根据导航路线信息和车辆运行状态数据,得到高精地图融合信息,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点和最晚并线点。
5.根据权利要求4所述的方法,其中,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最晚并线点,包括:
基于高精地图融合信息得到车道位置、车道数量、车辆离匝道口的距离、每个车道的经验车速、各个车道的平均换道时间和各个车道的两次换道之间的最短间隔时间;
基于车道位置、车道数量、车辆离匝道口的距离、每个车道的经验车速、各个车道的平均换道时间和各个车道的两次换道之间的最短间隔时间,推算出主路汇入匝道场景下车辆在各车道上的最晚并线点。
7.根据权利要求4所述的方法,其中,基于高精地图融合信息,推算出主路汇入匝道场景下车辆在各车道上的最早并线点,包括:
基于高精地图融合信息,得到匝道口通道的长度、智能驾驶风格影响系数和导航的交通拥堵信息影响系数;
基于匝道口的长度、智能驾驶风格影响系数和导航的交通拥堵信息影响系数,推算出主路汇入匝道场景下车辆在各车道上的最早并线点。
9.根据权利要求3所述的方法,其中,当车辆在某个车道上行驶到达该车道的最早并线点时,基于该车道的最晚并线点,确定静态因素的下匝道任务置信度,包括:
基于车辆运行状态数据、导航路线信息和高精地图融合信息,得到车辆的当前车速和离当前所在车道的最晚并线点的实时距离;
基于车辆的当前车速和离当前所在车道的最晚并线点的实时距离,确定静态因素的下匝道任务置信度。
11.根据权利要求3所述的方法,其中,基于安全空间的个数,确定动态车流的下匝道任务置信度F(N),包括:
若安全空间的个数N越大,则确定动态车流的下匝道任务置信度F(N)越大。
13.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现权利要求1至12中任一项所述的方法。
14.一种用于在网络设备端信息处理的设备,该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该设备执行权利要求1至12中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641992.0A CN115027495B (zh) | 2022-06-08 | 2022-06-08 | 一种用于智能驾驶***的信任增强方法及设备 |
US18/069,439 US20230398995A1 (en) | 2022-06-08 | 2022-12-21 | Trust enhancement method and apparatus for intelligent driving system |
EP22216936.9A EP4289699A1 (en) | 2022-06-08 | 2022-12-28 | Trust enhancement method and apparatus for intelligent driving system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210641992.0A CN115027495B (zh) | 2022-06-08 | 2022-06-08 | 一种用于智能驾驶***的信任增强方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115027495A true CN115027495A (zh) | 2022-09-09 |
CN115027495B CN115027495B (zh) | 2024-07-09 |
Family
ID=83123776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210641992.0A Active CN115027495B (zh) | 2022-06-08 | 2022-06-08 | 一种用于智能驾驶***的信任增强方法及设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230398995A1 (zh) |
EP (1) | EP4289699A1 (zh) |
CN (1) | CN115027495B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024087959A1 (zh) * | 2022-10-25 | 2024-05-02 | 腾讯科技(深圳)有限公司 | 车辆驾驶状态的展示方法、装置、电子设备和存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117901896B (zh) * | 2024-03-19 | 2024-07-16 | 知行汽车科技(苏州)股份有限公司 | 一种匝道汇出前的车辆接管提示方法、***、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150100216A1 (en) * | 2013-10-03 | 2015-04-09 | Robert Bosch Gmbh | Adaptive cruise control with on-ramp detection |
CN106696962A (zh) * | 2016-12-12 | 2017-05-24 | 东莞前沿技术研究院 | 交通***、车辆及其控制方法 |
US20190061780A1 (en) * | 2017-08-29 | 2019-02-28 | Hyundai Motor Company | Driving assist system using navigation information and operating method thereof |
CN110160552A (zh) * | 2019-05-29 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 导航信息确定方法、装置、设备和存储介质 |
CN111746542A (zh) * | 2020-06-04 | 2020-10-09 | 重庆长安汽车股份有限公司 | 车辆智能换道提醒的方法、***、车辆及存储介质 |
CN114175122A (zh) * | 2019-08-02 | 2022-03-11 | 戴姆勒股份公司 | 车辆自动并线驶入方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11392129B2 (en) * | 2016-12-27 | 2022-07-19 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and storage medium |
CN111386217B (zh) * | 2019-03-08 | 2024-03-15 | 深圳市大疆创新科技有限公司 | 用于在可移动物体的手动控制与自主控制之间进行切换的技术 |
JP7043450B2 (ja) * | 2019-03-28 | 2022-03-29 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、及びプログラム |
JP7207256B2 (ja) * | 2019-10-15 | 2023-01-18 | トヨタ自動車株式会社 | 車両制御システム |
-
2022
- 2022-06-08 CN CN202210641992.0A patent/CN115027495B/zh active Active
- 2022-12-21 US US18/069,439 patent/US20230398995A1/en active Pending
- 2022-12-28 EP EP22216936.9A patent/EP4289699A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150100216A1 (en) * | 2013-10-03 | 2015-04-09 | Robert Bosch Gmbh | Adaptive cruise control with on-ramp detection |
CN106696962A (zh) * | 2016-12-12 | 2017-05-24 | 东莞前沿技术研究院 | 交通***、车辆及其控制方法 |
US20190061780A1 (en) * | 2017-08-29 | 2019-02-28 | Hyundai Motor Company | Driving assist system using navigation information and operating method thereof |
CN110160552A (zh) * | 2019-05-29 | 2019-08-23 | 百度在线网络技术(北京)有限公司 | 导航信息确定方法、装置、设备和存储介质 |
CN114175122A (zh) * | 2019-08-02 | 2022-03-11 | 戴姆勒股份公司 | 车辆自动并线驶入方法 |
CN111746542A (zh) * | 2020-06-04 | 2020-10-09 | 重庆长安汽车股份有限公司 | 车辆智能换道提醒的方法、***、车辆及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024087959A1 (zh) * | 2022-10-25 | 2024-05-02 | 腾讯科技(深圳)有限公司 | 车辆驾驶状态的展示方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20230398995A1 (en) | 2023-12-14 |
EP4289699A1 (en) | 2023-12-13 |
CN115027495B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115027495B (zh) | 一种用于智能驾驶***的信任增强方法及设备 | |
KR102343684B1 (ko) | 규칙에 근거하여 운전자를 지원하기 위한 제어 데이터의 생성 방법 | |
CN111315627B (zh) | 信息处理装置和信息处理方法 | |
JP4416020B2 (ja) | 走行計画生成装置 | |
Hidas | Modelling vehicle interactions in microscopic simulation of merging and weaving | |
US9851215B2 (en) | Navigation system with geographic familiarity mechanism and method of operation thereof | |
JP5263312B2 (ja) | 渋滞判定装置、及び車両制御装置 | |
CN109017786A (zh) | 车辆避障方法 | |
BR102016007378A2 (pt) | aparelho de controle de veículo | |
JP5077182B2 (ja) | 車両進路予測装置 | |
CN114194217B (zh) | 车辆自动驾驶方法、装置、电子设备以及存储介质 | |
JP2021504222A (ja) | 状態推定器 | |
CN109507999A (zh) | 行驶控制装置、行驶控制***以及行驶控制方法 | |
Durrani et al. | Calibration and validation of psychophysical car-following model using driver’s action points and perception thresholds | |
JP2021174405A (ja) | 表示システム、表示方法、及び表示プログラム | |
CN110285977B (zh) | 自动驾驶车辆的测试方法、装置、设备及存储介质 | |
CN109492835B (zh) | 车辆控制信息的确定方法、模型训练方法和相关装置 | |
US11780470B2 (en) | Lane selection | |
Tomar et al. | Neural network based lane change trajectory predictions for collision prevention | |
CN113108801A (zh) | 绿波道路导航方法及装置 | |
JP2010073026A (ja) | 車両走行支援装置 | |
Tomar et al. | Lane change trajectory prediction using artificial neural network | |
JP6838769B2 (ja) | 周辺環境認識装置、表示制御装置 | |
CN110497906A (zh) | 车辆控制方法、装置、设备和介质 | |
Tomar et al. | Collision avoidance warning for safe lane change |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |