KR20220050184A - 극단 트랙픽 거동을 정량화하기 위한 방법 - Google Patents

극단 트랙픽 거동을 정량화하기 위한 방법 Download PDF

Info

Publication number
KR20220050184A
KR20220050184A KR1020227009252A KR20227009252A KR20220050184A KR 20220050184 A KR20220050184 A KR 20220050184A KR 1020227009252 A KR1020227009252 A KR 1020227009252A KR 20227009252 A KR20227009252 A KR 20227009252A KR 20220050184 A KR20220050184 A KR 20220050184A
Authority
KR
South Korea
Prior art keywords
road user
user behavior
road
distribution
behavior
Prior art date
Application number
KR1020227009252A
Other languages
English (en)
Inventor
하그밸 라이너스
클린트베르그 에밀
빅스트롬 오스카
샌드블롬 프레드릭
Original Assignee
볼보 트럭 코퍼레이션
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 볼보 트럭 코퍼레이션 filed Critical 볼보 트럭 코퍼레이션
Publication of KR20220050184A publication Critical patent/KR20220050184A/ko

Links

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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • 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
    • B60W40/02—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 ambient conditions
    • B60W40/04—Traffic 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
    • 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
    • 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
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/005—Sampling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • 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
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4046—Behavior, e.g. aggressive or erratic
    • 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
    • B60W2556/10—Historical data

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

도로 이용자 거동을 정량화하기 위한 방법으로서, 상기 방법은, 도로 이용자 거동의 샘플들
Figure pct00036
을 얻는 것과, 선택된 샘플들이 기설정된 통계적 극단 값 분포를 따르도록 상기 도로 이용자 거동 샘플들의 서브세트를 선택하는 것과, 도로 이용자 거동의 상기 선택된 샘플들에 기반하여 상기 기설정된 통계적 극단 값 분포를 파라미터화하는 것과, 상기 파라미터화된 통계적 극단 값 분포에 기반하여 도로 이용자 거동을 정량화하는 것을 포함한다.

Description

극단 트랙픽 거동을 정량화하기 위한 방법
본 개시물은 극단 트래픽 거동을 정량화하기 위한 방법들, 제어 유닛들 및 차량들에 관한 것이다. 여기에서 개시된 방법들은 자율 주행, 운전자 보조 시스템들 및 다른 안전 필수 차량 기능부들에 적용된다.
본 발명은 트럭, 세미-트레일러들 및 건설 장비와 같은 중량 차량들에 적용될 수 있다. 비록 본 발명이 주로 화물 운송 타입 차량과 관련하여 기술될 것이지만, 본 발명은 이러한 특정 차량에 국한되지 않고, 건설 장비, 버스들 더 나아가 승용차들과 같은 다른 타입의 차량들에 또한 사용될 수 있다.
자율 주행 시스템들 및 다른 첨단 운전자 보조 시스템들(ADAS)는 차량이 위험을 겪지 않으면서도 주어진 목적을 이행하기 위하여 어떻게 자차를 제어할지에 대한 결정을 끊임 없이 한다. 이러한 결정은 자차의 상태뿐 아니라 주변환경에 관련된 광범위하게 다양한 서로 다른 인자들에 기반을 둔다.
주변 환경의 중요한 부분은, 자차의 주변의 도로 이용자들, 예컨대 다른 차량들 및 보행자들이다. 의사 결정 프로세스에 사용될 수 있는 도로 이용자 거동의 모델들이 구성될 수 있다. 이러한 모델들은, 어떠한 방식들로 행동하는 도로 이용자들이 어떠한 방식들로 행동할 가능성들, 예컨대 자차의 전방의 차량이 주어진 시나리오에서 얼마나 제동하는지 및 그 제동이 얼마나 강할 것인지를 기술한다.
US 9,120,484 B1은 주행 환경의 물체들의 관측들에 기반하여 도로 이용자 거동을 모델링하기 위한 시스템을 기술한다.
도로 이용자 거동 모델링을 관측들에 기반하는 것의 문제점은, 매우 드물게 발생하는 강한 제동 또는 급작스런 선회와 같은 드문 거동들을 정확하게 모델링하기 위하여 많은 데이터가 요구된다는 것에 있다. 그러한 많은 양의 데이터를 수집하는 것은 비용 및 시간적으로 소모적이며, 어떠한 경우들에서는 현실적인 관점에서 실현 가능하지조차 않을 수 있다.
신뢰할 수 있는 방식으로 드문 도로 이용자 거동들의 효과적인 모델링을 허용하는 극단 트래픽 거동을 정량화하기 위한 진보된 방법들에 대한 요구가 존재한다.
극단 도로 이용자 거동을 정량화하고 모델링하기 위한 방법들을 제공하는데 본 개시물의 목적이 있다. 이 목적은 도로 이용자 거동을 정량화하기 위한 방법에 의하여 달성된다.
상기 방법은, 도로 이용자 거동의 샘플들
Figure pct00001
을 얻는 것과, 선택된 샘플들이 기설정된 통계적 극단 값 분포를 따르도록 상기 도로 이용자 거동 샘플들의 서브세트를 선택하는 것과, 도로 이용자 거동의 상기 선택된 샘플들에 기반하여 상기 기설정된 통계적 극단 값 분포를 파라미터화하는 것과, 상기 파라미터화된 통계적 극단 값 분포에 기반하여 도로 이용자 거동을 정량화하는 것을 포함한다.
개시된 방법의 중요한 특징은, 도로 이용자 거동을 정량화하기 위하여 필요한 데이터의 요구되는 양이 감소한다는데 있다. 데이터의 감소된 세트에 기반하여 극단 거동 모델링을 허용함으로서, 개발 및 테스트 시간이 감소되고, 이는 이점이 된다. 또한, 단순히 너무 많은 데이터를 요구하였기 때문에 수행하기가 이전에 가능하지 않았던 어떠한 타입들의 분석이 개시된 방법들에 의하여 이제 가능해진다.
개시된 방법들은 오프-라인 및/또는 온-라인 프로세싱 모두에 적용될 수 있고, 이는 이점이 된다. 온-라인 프로세싱은, 예컨대 보다 폭 넓은 오프-라인 프로세싱을 보완하여, 향상된 모델 검증 및 따라서 향상된 차량 오퍼레이션으로 이어지도록 사용될 수 있다.
기설정된 통계적 극단 값 분포는 예컨대, 일반화 파레토 분포(GPD) 또는 일반화 극단 값 분포(GEV)일 수 있다. 이러한 극단 값 분포들은 광범위하게 연구되었고, 이는 개시된 방법들이 잘 알려져 있고 강건한 분석 기술들을 이용할 수 있음을 의미한다.
측면들에 따르면, 상기 방법은, 쓰레숄드
Figure pct00002
를 초과하는 도로 이용자 거동 샘플들 사이에 경과하는 시간을 나타내는 익시던시스 메트릭(exceedances metric) 사이의 상기 시간을 측정하는 것과 익시던시스 메트릭 사이의 상기 시간에 기반하여 운영 설계 도메인(ODD)를 모니터링하는 것을 포함한다.
이는 알아내기기 상대적으로 쉬운 메트릭이고, 반면 차량이 그 ODD의 밖에서 운행될 때를 나타내는 강력한 인디케이터이다.
어떠한 예시에 따르면, 도로 이용자 거동의 샘플은 다음 중 어느 것을 포함한다: 도로 이용자 포지션, 도로 이용자 헤딩(heading), 도로 이용자 종방향 속도, 도로 이용자 측방향 속도, 도로 이용자 종방향 가속도, 도로 이용자 측방향 가속도, 도로 이용자 요 레이트(yaw rate), 도로 표면에 대한 도로 이용자 모션, 도로 차선에 대한 도로 이용자 모션, 다른 도로 이용자에 대한 도로 사용자 모션 및 외부 이벤트에 대한 도로 이용자 액션 및 도로 이용자 인텐션 시그널링(intention signaling).
따라서, 제시된 방법들은, 다른 차량들, 보행자들 및 자전거 사용자들과 같은 광범위한 범위의 다양한 타입의 도로 이용자들에 대한 광범위한 다양한 타입의 도로 이용자 거동을 모델링하는데 사용될 수 있다. 도로 이용자 거동 샘플링은 많은 서로 다른 방식으로 수행될 수 있고, 이는 이하에서 기술될 것이다.
어떠한 측면들에 따르면, 상기 방법은 또한, 상기 기설정된 통계적 극단 값 분포에 기반하여,
Figure pct00003
보다 큰 확률을 갖는 범위
Figure pct00004
내에 상기 거동이 있도록 경계지음으로써, 거동에 대한 경계들의 세트에 의하여 상기 도로 이용자 거동을 정량화하는 것을 포함한다.
거동을 이러한 방식으로 경계지음으로써, 긴급 기동 중에 안전 상태로 전이되기 때문에, 예컨대 차량 상태의 분석을 허용하는 제어 이론으로부터 공식적인 방법들이 가능해진다. 도로 이용자 거동에 대한 경계들은 또한 오프-라인 및 실시간으로 다양한 주행 시나리오들의 위험 평가를 가능하게 한다. 개시된 방법들로부터 얻어지는 경계지어진 모델들은 또한, 차량에 의한 긴급 기동을 트리거할 때를 결정하는데 사용될 수 있다. 이러한 타입의 분석의 예는 도 3과 관련하여 이하에서 제공된다.
어떠한 다른 측면들에 따르면, 상기 방법은 추가적으로, 기설정된 통계적 극단 값 분포에 관련된 신뢰도 값
Figure pct00005
을 알아내는 것를 포함한다.
이 신뢰도 값은 이하에서 더 상세하게 기술될 것이다. 이는 파라미터화된 GEV 또는 GPD에서 얻어진 신뢰도, 즉 GEV 또는 GPD가 사용 가능한 데이터에 정확하게 피팅될 수 있는지 또는 더 많은 데이터가 양호한 피팅을 위하여 필요한지를 나타낸다.
어떠한 추가적인 측면들에 따르면, 상기 방법은, 상기 기설정된 통계적 극단 값 분포에 관련된 상기 신뢰도 값
Figure pct00006
에 기반하여 거동 정량화를 위하여 충분한 양의 수집된 도로 이용자 거동을 평가하는 것을 포함한다.
여기에서 개시된 상기 방법들은 또한, 주어진 목적을 위한 데이터 수집이 행해진 때, 예컨대, 어떠한 시나리오에서 도로 이용자 거동을 정량화하기 위하여 충분한 양의 데이터가 수집된 때에 대한 건설적인 피드백을 제공하는 것을 가능하게 한다. 예컨대, 측면들에 따르면, 상기 방법은, 파라미터화된 GEV 또는 GPD에 관련된 신뢰도 값
Figure pct00007
에 기반하여 모델 정확도 검증을 위하여 충분한 양의 수집된 모델 데이터를 평가하는 것을 포함한다.
개시된 방법들은 선택적으로 또한, 상기 파라미터화된 기설정된 통계적 극단 값 분포를 베이스라인 분포 파라미터들의 세트에 비교함으로써, 상기 차량에 관련된 운영 설계 도메인 ODD를 모니터링하는 것을 포함하고, 상기 ODD의 밖에서의 오퍼레이션은 파라미터화된 기설정된 통계적 극단 값 분포 파라미터들과 상기 베이스라인 분포 파라미터들 사이의 차이에 의하여 나타내어진다.
즉, 극단 값 분포가 갑자기 이전에 경험하거나 설계된 적이 없는 것으로 변화하면, 차량은 '미지의 영역'에서 운행되고, 어떠한 긴급 액션이 트리거될 필요가 있을 수 있다.
즉, 개시된 방법들의 또 다른 특징은, 중간 결과들이 ODD의 적어도 부분의 모니터를 구성하는데 사용될 수 있다는데 있다. 이 특정 측면들은, 전술한 방법들에 의존하지 않는 독립적인 스탠드-얼론 방법들을 위한 토대로서 적용될 수 있다. 그 결과, 차량에 관련된 ODD를 모니터링하기 위한 방법이 여기에서 개시된다. 상기 방법은 전술한 또는 어떠한 다른 방식으로 차량 오퍼레이션 중에 도로 이용자 거동의 샘플들로부터 파라미터화된 GEV 또는 GPD를 얻는 것을 포함한다. 상기 방법은 또한, 파라미터화된 GEV 또는 GPD를 베이스라인 GEV 또는 GPD 파라미터들에 비교함으로써 차량에 관련된 ODD를 모니터링하는 것을 포함하고, ODD의 밖에서의 오퍼레이션은 파라미터화된 GEV 또는 GPD 파라미터들과 베이스라인 파라미터들 사이의 차이에 의하여 나타내어진다.
다른 방법들과 관련하여 전술한 바와 같이, 동일한 이점들과 관련된 제어 유닛들, 컴퓨터 프로그램들 및 차량들이 여기에서 추가적으로 개시된다.
일반적으로 청구항들에 사용된 모든 용어들은 여기에서 다르게 명시적으로 정의되지 않는 한, 기술 분야의 통상의 의미에 따라 해석되어야 한다. 엘리먼트, 장치, 콤포넌트, 수단, 단계 등은, 엘리먼트, 장치, 콤포넌트, 수단, 단계 등의 적어도 하나의 예를 나타내는 것으로 개방적으로 해석되어야 한다. 여기에서 개시된 어떠한 방법의 단계들은, 명시적으로 언급되지 않는 한, 개시된 정확한 순서로 수행되어야 하는 것은 아니다. 본 발명의 추가적인 특징들 및 이점들은 첨부 특허청구범위 및 뒤따르는 상세한 설명을 참고할 때 명백해질 것이다. 통상의 지식을 가지는 자는, 본 발명의 서로 다른 특징들이 결합하여, 본 발명의 범위를 벗어남이 없이 후술하는 것 이외의 실시예들을 만들어낼 수 있음을 알 것이다.
첨부 도면을 참조하여, 예시로서 인용된 본 발명의 실시예들을 이하에서 더욱 상세하게 설명한다.
도 1은 차량을 개략적으로 도시한다.
도 2는 차량에 의한 예시적인 상황 회피 기동을 도시한다.
도 3은 예시적인 안전 세트를 보여준다.
도 4는 예시적인 쓰레숄딩 오퍼레이션(thresholding operation)을 보여준다.
도 5는 또 다른 예시적인 쓰레숄딩 오퍼레이션을 보여준다.
도 6은 방법들을 도시하는 플로우차트이다.
도 7은 제어 유닛을 개략적으로 도시한다.
도 8은 예시적인 컴퓨터 프로그램 프로덕트를 보여준다.
본 개시물의 측면들이 첨부 도면들을 참조하여 이하에서 더욱 상세하게 설명될 것이다. 여기에서 개시된 다양한 디바이스들 및 방법들은, 그러나, 많은 다양한 형태들로 실현될 수 있고, 여기에 기재된 측면들에 국한되는 것으로 이해되어서는 아니된다. 도면들 중 유사한 번호들은 전체에 걸쳐 유사한 엘리먼트들을 나타낸다.
여기에서 사용된 용어는 오로지 본 개시물의 측면들을 기술하기 위한 것이며, 본 발명을 제한하기 위한 것이 아니다. 여기에서 사용되는 바와 같이, 단수의 형태들은, 문맥에서 명백히 달리 나타내지 않는 한, 복수의 형태도 또한 포함하기 위한 것이다.
도 1은 제어 유닛(110)을 포함하는 차량(100)을 개략적으로 도시한다. 제어 유닛(110)은 다양한 타입의 지원 시스템들 및 첨단 운전자 지원 시스템들(ADAS) 및 자율 주행 (AD)을 위한 기능들과 같은 차량 기능 안전을 위한 시스템들을 구현할 수 있다.
차량은 제어 유닛(110)을 포함하는 차량 제어 시스템을 보조하기 위하여 오프-라인 연산들을 수행하도록 배치되는 프로세싱 디바이스(130)에 연결된다 (120).연결(120)은 바람직하게는 무선이지만, 와이어라인 연결 또는 하드 드라이브 등과 같은 어떠한 스토리지 모듈을 통한 연결일 수 있다.
제어 유닛(110) 및 또한 잠재적으로 프로세싱 디바이스(130)가 지원할 수 있는 하나의 예시적인 기능은 상황 회피 기동(SAM)의 계획 및 실행이다. 안전 정지 기동은 SAM의 일 예이다. 그러나, SAM들은 또한 주어진 차선에서 정속을 유지하거나 장애물 회피 기동을 수행하는 것을 포함할 수 있다. 일반적으로, 상황 회피 기동들의 그룹은, 감지된 위험 상황들과 같은 원하지 않는 상황들을 피하기 위하여 실행될 수 있는 모든 기동들을 포함한다. SAM은 그러나 예컨대 어려운 주차 상황 등에 또한 관련될 수 있다.
도 2는 예시적인 SAM을 도시한다. 차량(100)은 포인트 A에서 어떠한 것이 잘못되었고 차량이 안전 정지 기동을 실행할 필요가 있음을 감지한다. 예컨대, 차량(100)은 레이다 시스템 고장 또는 카메라 기능 불량 컨디션과 같은 포인트 A에서의 어떠한 타입의 센서 고장을 경험할 수 있다.
도 2에 도시된 예시적인 SAM은 도로(210)의 사이드로 차량(100)을 이동하고 제어된 방식으로 포인트 B에서 차량을 정지시키는 것을 포함한다. 그러므로, 제어 유닛(110)은 SAM 중에 차량(100)이 따라야 하는 관련 스피드 프로파일 및 트랙(220)을 알아낸다.
적절한 트랙 및 스피드 프로파일을 알아낼 때의 문제점은 다른 도로 이용자들의 소재를 알아내야 한다는 점이다. 예컨대, 다른 도로 이용자들과의 충돌은 바람직하게는 피해야 한다. 도 2는 다른 차량(230) 및 더 너아가 보행자(240)를 나타낸다. 이러한 도로 이용자들은 물론 SAM의 지속 중에 움직일 것이다. 안전한 방식으로 성공적으로 실행될 충분히 높은 확률에 관련되는 SAM을 알아내기 위하여, 기동 중에 다른 도로 이용자들(230, 240)의 거동을 알아내는 것이 중요해진다. 보행자(240)는 예컨대, 드문 경우에, 도로에 매우 가깝게 걷거나 또는 더 나아가 인도에서 벗어나거나 도로 상에 발걸음을 내디딜 수 있다. 다른 차량(230)은 또한 어떠한 드문 경우에 잘못된 차선으로 움직일 수 있다. 이러한 타입의 도로 이용자의 드문 거동들을 모델링함으로써, SAM이 높은 확률로 안전하게 실행될 수 있도록 충분한 안전 마진들을 알아낼 수 있다.
여기서, '안전'은 넓게 해석된다. 안전 기동 또는 차량 상태는, 차량 및/또는 차량 사용자 및/또는 다른 도로 이용자가 부상 또는 데미지의 관점에서 위험에 처하지 않는 상태일 수 있다.
안전 컨디션 및 안전하지 않은 컨디션의 어떠한 예시들이 주어질 수 있다.
어떠한 측면들에 따르면, 충돌 위험이 일어날 것 같지 않은 상황이 안전 상태로 간주될 수 있다.
어떠한 다른 측면들에 따르면, 충돌 위험이 일어날 것 같지 않은 상황은 물체에 따라 여전히 안전 상태로 간주될 수 있다. 즉, 작은 수풀 또는 나무와의 충돌은 안전한 것으로 간주될 수 있고, 반면 다른 차량 또는 벽돌 담과 같은 더 큰 물체와의 충돌은 안전하지 않은 것으로 간주될 수 있다.
어떠한 추가적인 측면들에 따르면, 저 위험으로 충돌이 감내될 수 있는, 예컨대 차량-대-차량(V2V) 통신들을 통하여, 미리 알아내어진 다른 차량과의 충돌은 안전한 것으로 간주될 수 있다.
측면들에 따르면, 차량이 주행 가능 영역을 이탈할 위험이 있는 상황은 안전하지 않은 것으로 간주된다.
다른 측면들에 따르면, 주행 가능 영역을 벗어나는 것은 전술한 바와 같이 주행 가능 영역의 밖의 그라운드의 성질들에 따라 안전한 것으로 간주될 수 있다.
차량 상태는 차량이 현재 어떠한 상태에 있는지를 함께 기술하는 변수들의 집합이다. 여기서, 차량 상태는, 차량 로케이션(좌표들) (예컨대, 헤딩, 스티어링 앵글 및 연결 각도와 같은) 오리엔테이션에 관련된 변수들을 포함한다. 차량 상태는 또한, 차량 동적 상태, 즉 차량 속도, 가속도, 턴 레이트(turn rate) 등에 관련된 정보를 포함한다. 차량 상태는 때때로 상태 변수들 x의 벡터로 표현된다. 이하에서 더욱 상세하게 기술되는 바와 같이, 허용되는 차량 상태 공간은 일반적으로, 기동의 지속 중의 측방향 포지션과 같은 상태 변수들에 대한 상한 및 하한을 포함할 수 있다.
차량은 발행된 제어 명령들, 예컨대 제동 명령들 또는 선회 명령들에 기반하는 상태들 사이에서 전이된다. 차량 상태는 때때로 높은 확률을 갖는 어떠한 세트 이내에 있도록 경계지어질 수 있다.
도 3을 참조할 때, 차량(100)은, 상태들의 어떠한 세트 S에 포함되고, 상태들의 어떠한 다른 세트 X로 전이되는 것을 원하는, 상태 x에 현재 관련될 수 있다. 제어 유닛(110)은 따라서 제어 명령 u를 발행한다.
주어진 타겟 세트 X에 대하여, 원-스텝 강건 제어 가능한 세트 (또는 프리이미지 세트) S는 X에 강건하게 매핑되는 상태들의 세트로 정의된다. 프리이미지 세트들은, 예컨대, "Predictive Control for linear and hybrid systems", Cambridge University Press, 2015에서 F. Borrelli, A. Bemporad, and M. Morari에 의하여 기술되었고, 따라서 여기에서 더욱 상세하게 기술하지는 않을 것이다. 세트 S는, 모든 가능한 교란들에 대하여, 상태들의 타겟 세트 X에 포함되는 상태로 차량 상태를 전이시키는 (도 3에 도시된) 제어 신호 u가 존재하는 차량 상태들의 세트이다. 교란들의 세트는 경계지어지거나, 발생의 고정 확률을 나타내는 어떠한 세트인 것으로 가정될 수 있다. 즉, 다양한 기지의 방법들을 사용하여, 차량이 차량 상태들의 세트 S로부터 시작하여, 제어 신호 u를 발행하는 결과로서, 상태들의 세트 X에 포함되는 상태 x로 전이될 것으로 알아낼 수 있다.
차량이 다른 도로 이용자들과 충돌하거나 간섭될 위험 없이 안전하게 전이될 수 있는 적절한 타겟 세트 X를 알아내기 위하여, 다른 차량들(230)과 같은 다른 도로 이용자들의 상태들이, 높은 확률을 갖는 세트 X로부터 그때 디스조인트(disjoint)되어야 하는 어떠한 세트 V의 내에 있게 정량화되고 바람직하게는 경계 지어질 필요가 있다 (두 세트들이 공통의 엘리먼트를 가지지 않으면, 그 두 세트들은 디스조인트 세트들로 불리어진다). 예컨대, 세트 V의 공간 차원(310)은 가속도 및 제동의 측면에서 차량 거동의 모델에 기반하여 알아내어질 수 있다. 그러나, 이 거동은 바람직하게는 또한, 극단적인 제동 및 강한 가속도와 같은 매우 드문 액션들을 형성한다. 도로 이용자 거동의 이 모델을 알아내는 한 가지 방법은, 도로 이용자가 높은 확률을 갖는 경계들 내에 머무르도록 경계들을 구성하는 것이다.
극단 값 이론(EVT)은 드문 이벤트들의 성질들에 주안점을 둔 통계학의 영역이다. EVT는 예컨대, C. Scarrott and A. MacDonald, "A review of extreme value threshold estimation and uncertainty quantification," REVSTAT Statistical Journal, vol. 10, no. 1, 2012에서 기술된다.
확률 이론 및 통계학에서, 일반화 극단 값(GEV) 분포는, 타입 I, II 및 III 극단 값 분포들로 또한 알려진 Gumbel, Frιchet and Weibull 패밀리들을 결합하기 위하여 극단 값 이론 내에서 개발된 연속 확률 분포들의 패밀리이다. 극단 값 정리에 의하여, GEV 분포는 독립적이고 동일하게 분포되는 랜덤 변수들의 시퀀스의 적절하게 정규화된 맥시멈들의 유일한 리미트 분포이다. 리미트 분포는, 분포의 꼬리에 대한 정칙 조건(regularity conditions)들을 요구하기 때문에, 존재할 필요가 없다는 것에 주목한다. 이에도 불구하고, GEV 분포는 때때로 랜덤 변수들의 긴 (유한의) 시퀀스들의 맥시멈들을 모델링하기 위한 근사로서 사용된다.
어떠한 응용 분야들에서, 일반화 극단 값 분포는 Ronald Fisher 및 L. H. C. Tippett의 이름을 딴 Fisher-Tippett 분포로 알려져 있다. 그러나, 이 이름의 사용은 때때로 Gumbel 분포의 특수 케이스를 의미하는 것으로 국한된다.
쓰레숄드를 넘는 피크들(Peaks Over Threshold, POT)는 어떠한 쓰레숄드를 넘는 극단 이벤트들을 모델링하는 일종의 EVT의 방법들이다. 어떠한 가정들 하에서, 익시던시스(exceedances)는 소위 일반화 파레토 (GDP) 분포로 점근적으로 커버한다. 특정 데이터 세트에 대하여, 익시던시스는, 결과적으로 더 나아가 드문 이벤트들의 가능성을 예측하는데 사용될 수 있는 GPD 분포의 파라미터들을 추산하는데 사용될 수 있다. 이는 전통적인 방법들보다 상당히 적은 데이터를 가지고 거동 가정들의 리미트들에 대한 통계적 논증(statistical arguments)들을 가능하게 한다. 이 분석의 결과는, 가정들의 세트가 데이터가 수집된 운영 설계 도메인 (ODD)에게 옳은 것으로 보여지는 것을 검증하는데 또한 사용될 수 있다. 예컨대, 차량 ODD는 최대 상대 속도, 최대 지연 등에 대한 가정들을 포함할 수 있다. 이 가정이 더 이상 맞지 않음을 EVT-기반 분석이 나타내면, 어떠한 조정 또는 이머전시 절차가 필요할 수 있다.
더 나아가, 자차 (ego vehicle)가 어떠한 액션을 수행하는지, 즉, 다른 도로 이용자들이 전술한 가정들의 경계 내에서 어떠한 액션을 수행하면 그 액션이 안전한지를 평가할 때, 그때 상기 가정들은 사용될 수 있다.
GEV 및/또는 GDP 분포의 파라미터들은 또한, ODD의 어떠한 측면들, 즉 다른 트래픽에 대한 가정들에 대한 모니터를 생성하기 위하여 사용될 수 있다. 더 상세하게는, 현재 트래픽 거동이 (어떠한 확률 쓰레숄드 이상으로) GPD 분포로부터 벗어나면, 자차가 더 이상 정의된 ODD 내에 있지 않고 따라서 자차가 예방 수단들을 취할 필요가 있다는 위험의 표시가 존재한다.
ODD 모니터는 또한, 다른 도로 이용자들로부터의 트래픽 거동을 변화시키는 것과 관련하여 시간이 지남에 따라 시스템이 안전하게 남아 있을 것이라고 주장하는 것이 가능한 이유이다. 이는, 사고로 이어질 수 있는 극단 이벤트가 발생하기 전에 트래픽 거동의 변화를 시스템이 감지할 수 있을 것이기 때문이다.
여기에서 제안된 방법론을 사용하는 것의 이점은, 오리지널 ODD (오리지널 데이터 컬렉션)이 더 이상 유효하지 않는 위험이 있는지를 감지하기 위하여, 가정들이 파괴되는 트래픽 상황을 관측할 분명한 필요가 없다는데 있음을 주목한다. 예측된 분포와 매칭되지 않는 세미 레어 이벤트들(semi rare events) (이 이벤트들은 여전히 ODD 내에 있다) 의 분포를 감지하는 것으로 충분하다.
트래픽 상황들 및 도로 이용자 거동을 정량화하는 것은, 다음의 것을 비한정적으로 포함하는 많은 다양한 특성들 및 의존들에 대한 것일 수 있다: 포지션, 헤딩(heading), 종방향 속도, 측방향 속도, 종방향 가속도, 측방향 가속도, 곡률, 요 레이트(yaw rate), 도로 또는 차선 상대 무브먼트, 다른 도로 액터들 사이의 상대 무브먼트, 타겟 액터 및 자차 사이의 상대 무브먼트, 트래픽 기동들의 고 레벨 설명, 정적 환경 (예컨대, 도로 타입, 신호들, 마킹들, 정적 물체들, 도로 곡률, 교통 신호등들)에 의존하는 액션들, 동적 상황들 (예컨대, 다른 액터들의 상태들, 다른 액터들의 타입)에 의존하는 액션들, 인텐션 시그널링 (예컨대, 턴 인디케이터 또는 자전거 사용자가 팔로 가리키는 것), 도로 액터의 타입 (예컨대 자동차 및 보행자는 다른 거동을 보일 것이다), 날씨 컨디션들, 빛 컨디션들, 하루 중 시간, 지리적 영역, 영역 내 도로 액터들의 밀도.
대상 차량(230)의 종방향 가속도와 같은, 밀집되게 샘플링된 도로 이용자 거동 데이터가 얻어졌다고 가정하자. 비록 가속도의 극단 예들에 대한 발생 률을 알아내기 위하여 이 데이터를 직접적으로 사용하는 것이 가능하지만, 그 것이 트래픽의 거동을 반드시 잘 캡쳐하는 것은 아니다. 그 대신, 우리가 모델링에 관심 있는 특정 거동을 기술하는 일련의 저 차원 집계 샘플들(low dimensional aggregate samples)을 추출하기 위하여 밀집되게 샘플링된 데이터를 선택적으로 필터링하는 것이 여기에서 제안된다. 예컨대, 목적이 갑작스런 감속의 예들을 정량화하는 것이면, 그때 집계 샘플들은, 어떠한 기준에 기반하여 (예컨대 쓰레숄딩) 갑작스런 감속의 예들을 먼저 감지하고, 그리고 나서 집계 수단들, 예컨대 속도의 전 변화 및 속도 변화의 듀레이션으로 구성되는 2 차원 샘플을 사용하여, 이러한 예들을 정량화하는 것에 의하여 형성될 수 있다. 밀집되게 샘플링된 데이터는 또한, 밀집되게 샘플링된 데이터의 연이은 블록들에 대하여 알아낸 블록 최대들(block maxima), 블록 평균들, 블록 중간 값들, 따라서 덜 밀집되게 샘플링된 데이터로 대체될 수 있다.
다른 예시는 차량 끼어들기들(vehicle cut-ins)이다. 끼어들기들을 감지하고, 자차와 끼어드는 상대 차량 사이의 거리와 상대 속도를 기록하는 것이 가능하다.
도 4는, 도로 이용자 거동(410, 420)의 샘플들이 수집된, 쓰레숄딩 오퍼레이션(400)을 개략적으로 도시한다. 선택된 샘플들이 기설정된 통계적 극단 값 분포를 따르도록, 도로 이용자 거동 샘플들의 서브셋을 선택하기 위하여, 쓰레숄드
Figure pct00008
가 적용된다.
도 5는, 여기서 2 차원 x1, x2의 다른 쓰레숄딩 오퍼레이션을 도시한다. 도로 이용자 거동의 샘플들(510, 520)이 수집되었다. 선택된 샘플들이 기설정된 통계적 극단 값 분포를 따르도록, 도로 이용자 거동 샘플들의 서브셋을 선택하기 위하여, 쓰레숄드
Figure pct00009
가 다시 적용된다.
도 6은 앞선 설명을 요약하는 방법들을 도시하는 플로우차트이다. 도로 이용자 (230, 240) 거동을 정량화하기 위한 방법이 도시된다. 상기 방법은 도로 이용자 거동의 샘플들
Figure pct00010
을 얻는 것(S1)을 포함한다. 상기 샘플들은, 도로 이용자 거동 샘플들의 미리 저장된 세트로 얻어질 수 있거나 (S11), 또는 자차(100)의 오퍼레이션 중에 도로 이용자 거동 샘플들의 세트로서 얻어질 수 있다 (S12).
도로 이용자 거동의 샘플은 전술한 바와 같이, 다음의 것 중 어느 것을 포함할 수 있다: 도로 이용자 포지션, 도로 이용자 헤딩, 도로 이용자 종방향 속도, 도로 이용자 측방향 속도, 도로 이용자 종방향 가속도, 도로 이용자 측방향 가속도, 도로 이용자 요 레이트, 도로 표면에 대한 도로 이용자 모션, 도로 차선에 대한 도로 이용자 모션, 다른 도로 이용자에 대한 도로 이용자 모션, 도로 이용자 인텐션 시그널링, 외부 이벤트에 대한 도로 이용자 액션. 도로 이용자 거동의 샘플링은 도 4 및 도 5와 관련하여 전술하였다. 여기서, 도로 이용자 표면은, 예컨대, 도로 표면 슬로프, 도로 표면 마찰 계수, 도로 표면 횡경사(banking) 등을 포함할 수 있다.
선택된 샘플들이 기설정된 통계적 극단 값 분포를 따르도록, 도로 이용자 거동 샘플들의 서브셋을 선택하는 것 (S2)을 상기 방법은 포함한다. 기설정된 통계적 극단 값 분포는, 예컨대 일반화 파레토 분포(GPD)이거나 또는 일반화 극단 값 분포(GEV)의 일 예일 수 있다.
어떠한 측면들에 따르면, 쓰레숄드
Figure pct00011
를 초과하는 도로 이용자 거동의 샘플들
Figure pct00012
이 기설정된 통계적 극단 값 분포를 따르도록, 쓰레숄드
Figure pct00013
를 알아내는 것 (S21)을 상기 선택하는 것이 포함한다. 어떠한 샘플 쓰레숄드들은 위의 도 4 및 도 5에 도시되었다. 쓰레숄드들은 어떠한 퍼포먼스 기준에 기반하여 고정적으로 또는 동적으로 조절될 수 있다.
상기 방법은 추가적으로, 도로 이용자 거동의 선택된 샘플들에 기반하여 기설정된 통계적 극단 값 분포를 파라미터화하는 것 (S3)과, 파라미터화된 통계적 극단 값 분포에 기반하여 도로 이용자 거동을 정량화하는 것 (S4)을 포함한다. 극단 값 분포 파라미터화를 위한 방법들은 알려져 있고, 따라서 여기에서 더 상세하게 기술하지는 않을 것이다.
어떠한 측면들에 따르면, 상기 방법은 쓰레숄드
Figure pct00014
를 초과하는 도로 이용자 거동 샘플들 사이에 경과한 시간을 나타내는 익시던시스 메트릭(exceedances metric) 사이의 시간을 측정하는 것 (S7)과 익시던시스 메트릭 사이의 시간에 기반하여 ODD를 모니터링하는 것을 포함한다. 이 방법은, 차량(100)이 그 ODD에서 오퍼레이팅하는지, 또는 차량이 의도된 ODD에서 더 이상 오퍼레이팅하지 않게 트래픽 상황 컨디션들이 많이 변화하는지를 알아낼 수 있다.
어떠한 측면들에 따르면, 기설정된 통계적 극단 값 분포에 기반하여 1-
Figure pct00015
보다 큰 확률을 갖는 범위
Figure pct00016
내에 있도록 거동을 경계지음으로써 경계지어진 모델로서 도로 이용자 거동을 정량화하는 것 (S41)을 상기 방법은 포함한다.
어떠한 측면들에 따르면, 상기 방법은 기설정된 통계적 극단 값 분포에 관련된 신뢰도 값
Figure pct00017
를 알아내는 것 (S5)를 포함한다. 익시던시스
Figure pct00018
는 (대응되는 신뢰도를 갖는) GPD 또는 GEV의 파라미터들을 추산하도록 사용될 수 있다. 알아낸 분포는 그 결과, 신뢰도
Figure pct00019
로 이행되는 도로 이용자 거동에 대한 경계들을 찾는데 사용될 수 있다. 파라미터화된 GEV 또는 GPD에 관련된 신뢰도 값
Figure pct00020
을 갖는
Figure pct00021
의 검증된 정확도를 도로 이용자 거동 모델이 갖는다. 신뢰도 값
Figure pct00022
를 알아내기 위한 방법들은 알려져 있고, 여기에서 더 상세하게 기술하지는 않을 것이다. 신뢰도 값은 쓰레숄드
Figure pct00023
를 초과하는 수집된 다수의 관측에 적어도 부분적으로 의존하고 필요한 양의 데이터에 건설적인 피드백을 제공한다. 이러한 방식으로, 충분한 데이터 세트가 도로 이용자 거동을 모델하기 위하여 수집되었을 때와 더 많은 데이터가 필요할 때, 그 것이 추산될 수 있다. 개시된 방법들의 이점은 따라서, 파라미터화된 GEV 또는 GPD에 관련된 신뢰도 값
Figure pct00024
에 기반하여 모델 정확도 검증을 위하여 충분한 양의 수집된 모델 데이터를 평가하는데 사용될 수 있다는 것이다. 따라서, GEV 또는 GPD가 파라미터화된 후 신뢰도 값
Figure pct00025
이 너무 낮으면, 그때 신뢰도 값을 증가시키기 위하여, 더 많은 데이터가 필요할 수 있다. 즉, 어떠한 측면들에 따르면, 기설정된 통계적 극단 값 분포에 관련된 신뢰도 값
Figure pct00026
에 기반하여 거동 정량화를 위하여 충분한 양의 수집된 도로 이용자 거동 데이터를 평가하는 것 (S51)을 상기 방법이 포함한다.
어떠한 다른 측면들에 따르면, 파라미터화된 기설정된 통계적 극단 값 분포를 베이스라인 분포 파라미터들의 세트에 비교함으로써 차량에 관련된 운영 설계 도메인, ODD를 모니터링하는 것 (S6) 을 상기 방법은 포함하고, 여기서, ODD의 밖의 오퍼레이션은, 파라미터화된 기설정된 통계적 극단 값 분포 파라미터들과 베이스라인 분포 파라미터들 사이의 차이에 의하여 나타내어진다.
비록 기술된 도로 이용자 거동 모델링이 오프-라인(즉, 설계 상에서)으로 수행될 수 있지만, 알아낸 GPD 또는 GEV 분포는 또한 온-라인을 위하여 ODD의 모니터들을 구성하는데 또한 사용될 수 있다. 특히, 도로 이용자 거동 샘플들이 온라인으로 수집되면, 익시던시스의 분포는 모니터될 수 있다. 오프라인으로 얻어진 분포와 비교하여 익시던시스의 상당히 다른 분포는, 시스템이 ODD의 밖에 있음을 나타낸다. 즉, 개시된 기술들에 의하여, 파라미터화된 GPD 또는 GEV를 베이스라인 GPD 또는 GEV 파라미터들의 세트에 비교함에 의하여 차량에 관련된 ODD를 모니터링하는 것이 가능해진다. ODD의 밖에서의 오퍼레이션은, 예컨대 파라미터화된 GPD 파라미터들과 베이스라인 GPD 파라미터들 사이의 차이에 의하여 나타내어진다. 경고 신호 또는 SAM은, ODD의 밖에서의 오퍼레이션이 감지되는 경우, 트리거될 수 있다.
이러한 종류의 단순한 모니터는 어떠한 시간 윈도우 동안 리턴 피리어드를 계산하는 것이다. 리턴 피리어드의 상당한 감소는 그때, 차량이 그의 ODD의 밖에서 운행되는 것을 나타낸다.
도 7은 다수의 기능 유닛들의 관점에서, 여기에서 기술된 것의 실시예들에 따른 제어 유닛(110)의 콤포넌트들을 개략적으로 도시한다. 프로세싱 회로(710)는, 예컨대 스토리지 매체(730)의 형태의 컴퓨터 프로그램 프로덕트에 저장된 소프트웨어 명령들을 실행할 수 있는, 적절한 중앙 처리 유닛 CPU, 멀티프로세서, 마이크로컨트롤러, 디지털 시그널 프로세서 DSP 등 중 하나 이상의 조합을 사용하여 제공된다.프로세싱 회로(710)는 추가적으로, 적어도 하나의 주문형 집적 회로 ASIC, 또는 필드 프로그래머블 게이트 어레이 FPGA로 제공될 수 있다.
특히, 프로세싱 회로(710)는, 도 6와 관련하여 기술된 방법들과 같은 오퍼레이션들 또는 단계들의 세트를 제어 유닛(110)이 수행하게 하도록 구성된다. 예컨대, 스토리지 매체(730)는 오퍼레이션들 세트를 저장할 수 있고, 프로세싱 회로(710)는 오퍼레이션들 세트를 제어 유닛(110)이 수행하게 하도록 스토리지 매체(730)로부터 오퍼레이션들 세트를 검색하도록 구성될 수 있다. 오퍼레이션들 세트는 실행 가능한 명령들의 세트로서 제공될 수 있다. 따라서, 프로세싱 회로(710)는 따라서 여기에서 개시된 바와 같은 방법들을 실행하도록 배치된다.
스토리지 매체(730)는 또한, 예컨대 마그네틱 메모리, 옵티컬 메모리, 솔리드 스테이트 메모리 또는 더 나아가 원격 탑재 메모리의 어느 하나 또는 이들의 조합일 수 있는 영구 스토리지를 포함할 수 있다.
제어 유닛(110)은 추가적으로, 원격 서버(130) 또는 다른 차량 기능부들과 같은 적어도 하나의 외부 디바이스와 통신을 위한 인터페이스(720)를 포함할 수 있다. 따라서, 인터페이스(720)는 아날로그 및 디지털 콤포넌트들, 와이어라인 또는 무선 통신을 위한 적절한 수의 포트들을 포함하는 하나 이상의 트랜스미터들 및 리시버들을 포함할 수 있다.
프로세싱 회로(710)는, 예컨대, 인터페이스(720) 및 스토리지 매체(730)에 데이터 및 제어 신호들을 보내고, 인터페이스(720)로부터 데이터 및 리포트들을 수신하고, 스토리지 매체(730)로부터 데이터 및 명령들을 검색함으로써, 제어 유닛(110)의 일반 오퍼레이션을 제어한다. 제어 노드의, 관련 기능뿐 아니라, 다른 콤포넌트들은 여기에서 제시된 개념들을 흐리게 하지 않도록 하기 위하여 생략한다.
도 8은 제어 유닛(110)에 의하여 실행될 수 있는 오퍼레이션들의 세트(810)를 포함하는 컴퓨터 프로그램 프로덕트(800)을 개략적으로 도시한다. 오퍼레이션들 세트(810)는 제어 유닛(110) 내의 스토리지 매체(730)에 로딩될 수 있다. 오퍼레이션들 세트는, 도 6와 관련하여 전술한 방법들에 대응될 수 있다.
도 8의 예시에서, 컴퓨터 프로그램 프로덕트(800)는 CD (컴팩트 디스크) 또는 DVD(디지털 다목적 디스크) 또는 블루레이 디스크와 같은 옵티컬 디스크로 도시된다. 컴퓨터 프로그램 프로덕트는 또한, 랜덤-액세스 메모리(RAM), 읽기-전용 메모리(ROM), 소거 가능 프로그래머블 읽기-전용 메모리(EPROM), 전기적 소거 가능 프로그래머블 읽기-전용 메모리(EEPROM) 및 특히 USB (유니버셜 직렬 버스) 메모리와 같은 외부 메모리 내의 디바이스의 비휘발성 스토리지 매체 또는 컴팩트 플래쉬 메모리와 같은 플래쉬 메모리로 구현될 수 있다. 따라서, 컴퓨터 프로그램이 여기에서 개략적으로 도시된 옵티컬 디스크 상의 트랙으로 도시되었지만, 컴퓨터 프로그램은 컴퓨터 프로그램 프로덕트에 적합한 어떠한 방식으로 저장될 수 있다.

Claims (16)

  1. 도로 이용자(230, 240) 거동을 정량화하기 위한 방법으로서, 상기 방법은,
    도로 이용자 거동의 샘플들
    Figure pct00027
    을 얻는 것(S1)과,
    선택된 샘플들이 기설정된 통계적 극단 값 분포를 따르도록 상기 도로 이용자 거동 샘플들의 서브세트를 선택하는 것(S2)과,
    도로 이용자 거동의 상기 선택된 샘플들에 기반하여 상기 기설정된 통계적 극단 값 분포를 파라미터화하는 것(S3)과,
    상기 파라미터화된 통계적 극단 값 분포에 기반하여 도로 이용자 거동을 정량화하는 것(S4)을 포함하는,
    방법.
  2. 제1항에 있어서,
    상기 얻는 것은, 도로 이용자 거동 샘플들의 기저장된 세트를 얻는 것(S11)을 포함하는,
    방법.
  3. 제1항 또는 제2항에 있어서,
    상기 얻는 것은, 자차(100)의 주행 중에 도로 이용자 거동 샘플들의 세트를 얻는 것(S12)을 포함하는,
    방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 선택하는 것은, 쓰레숄드
    Figure pct00028
    를 초과하는 도로 이용자 거동의 상기 샘플들
    Figure pct00029
    이 상기 기설정된 통계적 극단 값 분포를 따르도록 상기 쓰레숄드
    Figure pct00030
    를 알아내는 것(S21)을 포함하는,
    방법.
  5. 제4항에 있어서,
    상기 쓰레숄드
    Figure pct00031
    를 초과하는 도로 이용자 거동 샘플들 사이에 경과하는 시간을 나타내는 익시던시스 메트릭(exceedances metric) 사이의 상기 시간을 측정하는 것(S7)과 익시던시스 메트릭 사이의 상기 시간에 기반하여 ODD를 모니터링하는 것을 포함하는,
    방법.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 기설정된 통계적 극단 값 분포는 일반화 파레토 분포 GPD인,
    방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 기설정된 통계적 극단 값 분포는 일반화 극단 값 분포 GEV인,
    방법.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    도로 이용자 거동의 샘플은 다음 중 어느 것을 포함하는 방법:
    도로 이용자 포지션, 도로 이용자 헤딩(heading), 도로 이용자 종방향 속도, 도로 이용자 측방향 속도, 도로 이용자 종방향 가속도, 도로 이용자 측방향 가속도, 도로 이용자 요 레이트(yaw rate), 도로 표면에 대한 도로 이용자 모션, 도로 차선에 대한 도로 이용자 모션, 다른 도로 이용자에 대한 도로 사용자 모션 및 외부 이벤트에 대한 도로 이용자 액션 및 도로 이용자 인텐션 시그널링(intention signaling).
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 기설정된 통계적 극단 값 분포에 기반하여,
    Figure pct00032
    보다 큰 확률을 갖는 범위
    Figure pct00033
    내에 상기 거동이 있도록 경계지음으로써 경계지어진 모델로 상기 도로 이용자 거동을 정량화하는 것(S41)을 포함하는,
    방법.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 기설정된 통계적 극단 값 분포에 관련된 신뢰도 값
    Figure pct00034
    을 알아내는 것(S5)을 포함하는,
    방법.
  11. 제10항에 있어서,
    상기 기설정된 통계적 극단 값 분포에 관련된 상기 신뢰도 값
    Figure pct00035
    에 기반하여 거동 정량화를 위하여 충분한 양의 수집된 도로 이용자 거동을 평가하는 것(S51)을 포함하는,
    방법.
  12. 제1항 내지 제11항 중 어느 한 항에 있어서,
    상기 파라미터화된 기설정된 통계적 극단 값 분포를 베이스라인 분포 파라미터들의 세트에 비교함으로써, 상기 차량에 관련된 운영 설계 도메인 ODD를 모니터링하는 것(S6)을 포함하고, 상기 ODD의 밖에서의 오퍼레이션은 파라미터화된 기설정된 통계적 극단 값 분포 파라미터들과 상기 베이스라인 분포 파라미터들 사이의 차이에 의하여 나타내어지는,
    방법.
  13. 제어 유닛(110)의 프로세싱 회로(710) 또는 컴퓨터 상에서 실행될 때, 제1항 내지 제12항 중 어느 한 항의 단계들을 수행하기 위한 프로그램 코드 수단을 포함하는 컴퓨터 프로그램(820).
  14. 제어 유닛(110)의 프로세싱 회로(710) 또는 컴퓨터 상에서 실행될 때, 제1항 내지 제12항 중 어느 한 항의 단계들을 수행하기 위한 프로그램 코드 수단을 포함하는 컴퓨터 프로그램(820)을 담은 컴퓨터 읽기 가능한 매체(810).
  15. 도로 이용자 거동을 정량화하기 위한 제어 유닛(110)으로서, 제1항 내지 제12항 중 어느 한 항의 상기 방법의 단계들을 수행하도록 구성된,제어 유닛.
  16. 제15항에 따른 제어 유닛(110)을 포함하는 차량(100).
KR1020227009252A 2019-08-23 2019-08-23 극단 트랙픽 거동을 정량화하기 위한 방법 KR20220050184A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2019/072617 WO2021037329A1 (en) 2019-08-23 2019-08-23 A method for quantifying extreme traffic behavior

Publications (1)

Publication Number Publication Date
KR20220050184A true KR20220050184A (ko) 2022-04-22

Family

ID=67810586

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227009252A KR20220050184A (ko) 2019-08-23 2019-08-23 극단 트랙픽 거동을 정량화하기 위한 방법

Country Status (6)

Country Link
US (1) US20220274628A1 (ko)
EP (1) EP4017773B1 (ko)
JP (1) JP2022552063A (ko)
KR (1) KR20220050184A (ko)
CN (1) CN114222689A (ko)
WO (1) WO2021037329A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE2151373A1 (en) * 2021-11-09 2023-05-10 Volvo Autonomous Solutions AB A method for quantifying vehicle ego state estimation performance
SE546015C2 (en) 2021-11-09 2024-04-16 Volvo Autonomous Solutions AB A method for quantifying object detection performance

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7383154B2 (en) * 2005-12-14 2008-06-03 Gm Global Technology Operations, Inc. Method for assessing models of vehicle driving style or vehicle usage model detector
JP2009146377A (ja) * 2007-11-21 2009-07-02 Toyota Central R&D Labs Inc ドライバ状態推定装置及びプログラム
JP2009266100A (ja) * 2008-04-28 2009-11-12 Toyota Central R&D Labs Inc ドライバ状態推定装置及びプログラム
DE102010008208A1 (de) * 2010-02-17 2011-08-18 Daimler AG, 70327 Verfahren zur Verhinderung von Kollisionen oder Verminderung einer Kollisionsstärke eines Fahrzeugs
US8509982B2 (en) 2010-10-05 2013-08-13 Google Inc. Zone driving
EP2615598B1 (en) * 2012-01-11 2017-12-06 Honda Research Institute Europe GmbH Vehicle with computing means for monitoring and predicting traffic participant objects
KR101507903B1 (ko) * 2013-04-01 2015-04-07 (주)나노포인트 운전 위험 지수관련 이벤트 등록을 위한 관찰 기준 임계값 추정 장치 및 방법
LU92628B1 (en) * 2015-01-02 2016-07-04 Univ Luxembourg Vehicular motion monitoring method
EP3091370B1 (en) * 2015-05-05 2021-01-06 Volvo Car Corporation Method and arrangement for determining safe vehicle trajectories
US10496091B1 (en) * 2016-08-17 2019-12-03 Waymo Llc Behavior and intent estimations of road users for autonomous vehicles
US10429842B2 (en) * 2017-07-10 2019-10-01 Toyota Research Institute, Inc. Providing user assistance in a vehicle based on traffic behavior models
US10902336B2 (en) * 2017-10-03 2021-01-26 International Business Machines Corporation Monitoring vehicular operation risk using sensing devices
EP3803828B1 (en) * 2018-05-31 2022-03-30 Nissan North America, Inc. Probabilistic object tracking and prediction framework
DE102018222601A1 (de) * 2018-12-20 2020-06-25 Volkswagen Aktiengesellschaft Verfahren und Fahrerassistenzsystem zum Unterstützen eines Fahrers eines Fahrzeugs beim Führen des Fahrzeugs
US11733703B2 (en) * 2019-01-30 2023-08-22 Perceptive Automata, Inc. Automatic braking of autonomous vehicles using machine learning based prediction of behavior of a traffic entity
DE102019108142A1 (de) * 2019-03-29 2020-10-01 Bayerische Motoren Werke Aktiengesellschaft Auswählen einer Handlungsoption für ein automatisiertes Kraftfahrzeug
US11620907B2 (en) * 2019-04-29 2023-04-04 Qualcomm Incorporated Method and apparatus for vehicle maneuver planning and messaging
DE102019003431A1 (de) * 2019-05-15 2020-11-19 Daimler Ag Verfahren zum Betrieb eines zu einem automatisierten, insbesondere hochautomatisierten oder autonomen Fahrbetrieb ausgebildeten Fahrzeugs
DE102019208647B3 (de) * 2019-06-13 2020-08-27 Audi Ag Verfahren und Spurführsystem zum Steuern eines autonomen Kraftfahrzeugs in einem urbanen Gebiet

Also Published As

Publication number Publication date
CN114222689A (zh) 2022-03-22
WO2021037329A1 (en) 2021-03-04
US20220274628A1 (en) 2022-09-01
JP2022552063A (ja) 2022-12-15
EP4017773A1 (en) 2022-06-29
EP4017773B1 (en) 2024-05-22

Similar Documents

Publication Publication Date Title
CN107792079B (zh) 利用路径预测的自主车辆
JP6925796B2 (ja) 車両を運転する際に当該車両の運転者を支援する方法及びシステム、車両、並びにコンピュータプログラム
US20190155291A1 (en) Methods and systems for automated driving system simulation, validation, and implementation
JP6856369B2 (ja) オープンエリアの識別
US11273835B2 (en) System for a vehicle
JP2017130198A5 (ko)
EP3232285A1 (en) Method and arrangement for monitoring and adapting the performance of a fusion system of an autonomous vehicle
CN106470884B (zh) 车辆状态的确定和在驾驶车辆时的驾驶员辅助
US11702099B2 (en) Method for quantifying vehicle path following performance
US10150472B2 (en) Method for automatically assessing a risk of collision between a vehicle and an object
US10752225B2 (en) Determining friction data of a target vehicle
KR20220004747A (ko) 자동 비상 제동 시스템 및 방법
KR20220050184A (ko) 극단 트랙픽 거동을 정량화하기 위한 방법
US20170158205A1 (en) Method, computer program, storage medium and electronic control unit for operating a vehicle
KR102441047B1 (ko) 초음파 센서를 이용한 장애물 맵 관리 장치 및 그 방법
CN105946578A (zh) 油门踏板控制方法、装置及车辆
US20230141561A1 (en) Method for quantifying object detection performance
EP4177774A1 (en) A method for quantifying vehicle ego state estimation performance
CN116125897B (en) Automatic driving decision method, device, electronic equipment and storage medium
KR20220024529A (ko) 차량 모델의 정확도를 정량화하기 위한 방법
US20240166204A1 (en) Vehicle Collision Threat Assessment
CN116125897A (zh) 自动驾驶决策方法、装置、电子设备及存储介质
JP2013190962A (ja) 運転不安感判定装置
CN116305545A (zh) 一种自动紧急制动功能开发方法、装置、***及存储介质