用于预测车辆的轨迹的系统和方法与流程

车辆装置的制造及其改造技术用于预测车辆的轨迹的系统和方法1.本发明涉及用于预测机动车辆的路径和/或轨迹的设备和方法、以及旨在实施这种方法的计算机程序的领域。2.更特别地，本发明涉及机动车辆的驾驶员辅助、以及特别是用于辅助驾驶员激活或不激活驾驶员辅助系统的领域。3.目前，机动车辆配备有越来越高效的高级驾驶员辅助系统(adas)。高级驾驶员辅助系统的目的是允许机动车辆自主驾驶(即，没有驾驶员干预或与车辆驾驶员共享驾驶)，以使车辆保持在其行车道中和/或降低其速度。特别地，高级驾驶员辅助系统可以用于预测机动车辆的路径和/或轨迹。在本技术中，车辆的路径将被认为是与车辆在出发点与到达点之间的行进相对应的几何形状。车辆的轨迹将被认为是车辆的行进位置在出发点与到达点之间的时间演化。4.被称为“自主”车辆或部分辅助驾驶车辆的车辆需要充分的车辆环境模型，以允许算法做出决策。这能够凭借如加速度计、陀螺仪等各种本体感受性传感器和如相机、雷达、lidar、超声波传感器等各种外感受性传感器以及被配置为处理接收到的信息并计算车辆和周围物体的状态(位置、速度、加速度、偏航等)的数据融合方法来实现。5.因此，在这种车辆中，有必要预测本车辆以及其他移动物体的移动，这些移动物体存在于所述车辆的紧邻环境中并且很可能在本车辆的轨迹与物体的轨迹有冲突时成为障碍物。6.例如，已知允许车辆在其车道中自动重新定位的车道保持辅助(lka)系统，或者甚至已知允许车辆变道的变道辅助(lca)系统。7.还已知驾驶员辅助的其他示例，诸如能够检测任何障碍物并且能够执行紧急转向的自动紧急转向(aes)辅助系统，预测移动物体的轨迹允许分析潜在的碰撞风险，或者甚至已知能够控制速度并且能够自动与前方车辆保持安全距离的自适应巡航控制(acc)辅助系统。8.从文献ep 3056405-a1已知一种用于根据与本车辆相邻的两辆车辆之间的第一距离作为所述本车辆变道的目标来控制本车辆的变道的方法。9.这些驾驶员辅助系统的主要缺点在于其响应反应缺乏流畅性。实际上，预测位于与本车辆相邻的车道中的车辆的行为是特别困难的，因此这些辅助系统的决策时间特别长。10.因此，存在对优化本车辆从主车道到相邻车道的变道的需求。11.鉴于以上内容，本发明的目的是允许预测机动车辆的轨迹，同时克服上述缺点。12.本发明的目的是一种用于预测本车辆在主车道上行驶的轨迹的方法，其中，根据对在相邻车道上行驶的车辆组的动态行为的估计来确定本车辆从主车道到相邻车道的变道。所述车辆组包括位于本车辆附近的至少一辆主车辆和位于所述本车辆后方的副车辆。13.因此，预测在与本车辆所在车道相邻的车道中的车辆的动态行为相对应的车流移动，以便做出变道决策。14.对本车辆的轨迹的预测是根据在与本车辆所在行车道相邻的车道上存在的车辆组的行为来确定的。15.有利地，收集本车辆和该车辆组中的车辆的位置、取向和速度信息，并根据收集到的信息建立在相邻车道上行驶的每对相继车辆的动态模型。这允许根据同一行车道中邻近的车辆的数据来获取相邻车辆中的每辆车辆的精确动态模型。16.每对相继车辆的动态模型通过以下方式来获取：使用自回归外生(arx)计算模型获取一对相继车辆的动态数据，以确定与本车辆相对于该对所考虑的相继车辆的行为相对应的二阶传递函数。本车辆的行为取决于其纵向模型和纵向控制器。17.车辆的位置、取向和速度特别是通过本车辆的感知系统的各种本体感受性传感器和外感受性传感器来获得。18.例如，通过将该自回归外生计算模型的误差与取决于每辆车辆在某一时刻的实际速度以及所述车辆在前一时刻的速度的阈值进行比较来确认所建立的动态模型。19.根据后续步骤，根据所确认的动态模型和所述车辆的初始位置预测这些相邻车辆的移动，根据这些相邻车辆的移动和源自本车辆的本体感受性传感器的信息来预测本车辆的移动，并且根据对该车辆和这些相邻车辆的移动的所述预测、本车辆的总体轨迹、以及例如源自本车辆正在其上行驶的道路的地图的信息来确定本车辆的变道。20.确定本车辆的变道的步骤允许评估允许本车辆安全变道的合适时间窗口。21.然后，将用于本车辆的变道指令发送到用于执行本车辆的变道的模块。22.在本车辆无法变道的情况下，通知本车辆需要修改诸如特别是其速度等参数。23.有利地，重复该方法的步骤直到发现能够变道。24.根据第二方面，本发明涉及一种用于预测在主车道上行驶的本车辆的轨迹的系统，该系统被配置为根据对在该相邻车道上行驶的车辆组的动态行为的估计来确定本车辆从该主车道到该相邻车道的变道，所述车辆组包括位于本车辆附近的至少一辆主车辆和位于所述本车辆后方的副车辆。25.有利地，该系统包括：[0026]-用于收集或取得本车辆和该车辆组中的车辆的位置、取向和速度信息的模块；[0027]-用于根据收集到的信息估计在该相邻车道上行驶的每对相继车辆的动态模型的模块。这允许根据同一行车道中邻近的车辆的数据来获得相邻车辆中的每辆车辆的精确动态模型。[0028]每对相继车辆的动态模型例如通过以下方式来获取：使用自回归外生(arx)计算模型获取一对相继车辆的动态数据，以确定与本车辆相比于该对所考虑的相继车辆的行为相对应的二阶传递函数。本车辆的行为取决于其纵向模型和纵向控制器。[0029]车辆的位置、取向和速度特别是通过本车辆的感知系统的各种本体感受性传感器和外感受性传感器来获取。[0030]有利地，该系统包括：[0031]-用于通过将该自回归外生计算模型的误差与取决于每辆车辆在某一时刻的实际速度以及所述本车辆在前一时刻的速度的阈值进行比较来确认所建立的动态模型模块；[0032]-用于根据所确认的动态模型和所述车辆的初始位置来预测这些相邻车辆的移动的模块；[0033]-用于根据对这些相邻车辆的移动的预测和源自本车辆的本体感受性传感器的信息来预测本车辆的移动的模块；以及[0034]-用于根据对本车辆和相邻车辆的移动的所述预测、本车辆的总体轨迹、以及例如源自本车辆正在其上行驶的道路的地图的信息来确定本车辆的变道的模块。[0035]根据另一方面，本发明涉及一种本机动车辆，该本机动车辆包括用于感知的系统以及如前所述的用于预测本车辆的轨迹的系统。[0036]通过阅读仅借助非限制性示例所提供并且参考附图所做出的以下描述，本发明的进一步的目的、特征以及优点将变得明显，在附图中：[0037][图1]是两个相邻车道的示意图，本机动车辆和多辆相邻车辆正在这些车道中行驶，本车辆包括根据本发明的实施例的轨迹预测系统；[0038][图2]示意性地示出了根据图1的实施例的用于预测本车辆的轨迹的系统；以及[0039][图3]示出了由图1的系统实施的根据本发明的实施例的用于预测本车辆的轨迹的方法的流程图。[0040]图1高度示意性地示出了两个相邻行车道1、2，在这些行车道中，机动车辆正在以同一行驶方向行驶。[0041]如图所示，本机动车辆10在第一行车道1上行驶，并且四辆车辆3、4、5、6在与第一车道相邻的相邻车道2上行驶。[0042]车辆3、4、5、6形成在与本车辆10的行车道1相邻的相邻车道2上行驶的车辆组7。[0043]本机动车辆10包括用于感知所述车辆的环境的系统11，该系统被配置为检测在相邻车道2上行驶的车辆组7。[0044]通常，在相邻车道2上行驶的车辆组7包括位于本车辆10紧邻附近的至少一辆主车辆和位于本车辆10后方的至少一辆副车辆。[0045]感知系统11允许检测位于相邻车道2中在本车辆10紧邻附近的主车辆6。[0046]感知系统11包括如加速度计、陀螺仪等各种本体感受性传感器和如相机、雷达、lidar、超声波传感器等各种外感受性传感器以及被配置为处理接收到的信息并计算本车辆10和周围物体7的状态(位置、速度、加速度、偏航等)的数据融合方法。[0047]检测主车辆6的车辆的行为允许确定对在车辆行驶方向上位于主车辆6后方的副车辆3、4、5的位置的预测。[0048]主车辆的速度波动传播到副车辆，使得副车辆的数量越多，预测用于本车辆10的变道的时间窗口的能力就越强。[0049]预测允许根据在与本车辆10相邻的车道上行驶的所有车辆来创建用于本车辆10的变道的时间窗口。[0050]本车辆包括用于预测所述本车辆的轨迹的系统12，该系统被配置为根据对在相邻车道2中行驶的车辆的行为的估计来发送用于本车辆的变道指令。[0051]如图2中详细示出的，用于预测本车辆10的轨迹的系统12包括用于确定在与本车辆10相邻的相邻车道2上行驶的车辆3、4、5、6的状态的模块13。[0052]为此，模块13包括用于确定在与本车辆10相邻的相邻车道2上行驶的车辆3、4、5、6的位置p和取向o的模块13a，以及用于确定在与本车辆10相邻的相邻车道2上行驶的车辆3、4、5、6的速度v的模块13b。相邻车辆的位置p、取向o和速度v特别是通过本车辆10的感知系统11的各种本体感受性传感器和外感受性传感器来获得。[0053]用于预测本车辆10的轨迹的系统12进一步包括用于估计在相邻车道2上行驶的车辆的动态模型的模块14。模块14被配置建立在相邻车道2上行驶的每对相继车辆的动态模型。这允许根据同一行车道中邻近的车辆的数据来获取相邻车辆中的每辆车辆的精确动态模型。[0054]用于估计车辆的动态模型的模块14被配置为确定与车辆相对于相邻车辆的行为相对应的二阶传递函数。本车辆的行为取决于其纵向模型和纵向控制器。[0055]模型14使用自回归外生(arx)计算模型来获取一对相继车辆的动态数据。[0056]自回归外生计算模型根据以下等式来表达：[0057]a(z).y(t)＝b(z).u(t-nk)+e(t)。[0058]其中：[0059]z是时间偏移；[0060]nk是延迟；[0061]u(t)是输入数据，在这种情况下是前述副车辆的速度；[0062]y(t)是输出数据，在这种情况下是主车辆的速度；[0063]e(t)是误差值；并且[0064]a(z)和b(z)是二阶多项式。[0065]多项式a(z)和b(z)根据以下等式来表达：[0066]a(z)＝1+a1.z-1+a2.z-2[0067]b(z)＝b1+b2.z-1+b3.z-2。[0068]然后，在用于确认动态模型的模块16中确认估计的动态模型，该模块被配置为根据时刻t的实际速度v(t)和前一时刻t-1的前一速度v(t-1)来确认动态模型。[0069]用于预测本车辆10的轨迹的系统12进一步包括用于根据所确认的动态模型和相邻车辆的初始位置来预测这些相邻车辆的移动的模块18、以及用于根据模块18提供的移动预测和源自本车辆10的本体感受性传感器c的信息来预测本车辆10的移动的模块20。[0070]用于预测本车辆10的轨迹的系统12进一步包括用于根据对本车辆和相邻车辆的移动的预测、本车辆10的总体轨迹t、以及非限制性地源自本车辆正在其上行驶的道路的地图cart的信息来确定本车辆10的变道的模块22。[0071]用于确定由本车辆10的变道的模块22被配置为评估允许本车辆安全变道的合适时间窗口。[0072]将用于本车辆10的变道指令发送到用于执行变道的模块24。[0073]在本车辆无法变道的情况下，用于确定变道的模块22可以被配置为通知用于预测本车辆10的轨迹、特别是目的在于修改诸如特别是其速度等参数的模块20。[0074]如图3所示，用于预测本车辆10的轨迹的方法50包括用于确定在与本车辆10相邻的相邻车道2上行驶的车辆3、4、5、6的状态的步骤51。[0075]确定步骤51允许收集或取得本车辆10和在与本车辆10相邻的相邻车道2上行驶的车辆3、4、5、6的位置p、取向o和速度信息。相邻车辆的位置p、取向o和速度v特别是通过本车辆10的感知系统11的各种本体感受性传感器和外感受性传感器来获取。[0076]用于预测本车辆10的轨迹的方法50进一步包括估计在相邻车道2上行驶的车辆的动态模型的步骤52。在该步骤52期间，建立在相邻车道2上行驶的每对相继车辆的动态模型。这允许根据同一行车道中邻近的车辆的数据来获取相邻车辆中的每辆车辆的精确动态模型。[0077]每对相继车辆的动态模型通过以下方式来获取：使用自回归外生(arx)计算模型获取一对相继车辆的动态数据，以确定与车辆相对于相邻车辆的行为相对应的二阶传递函数。本车辆的行为取决于其纵向模型和纵向控制器。参考上述等式，即数学公式1至数学公式3解释自回归外生计算模型。[0078]然后，在确认动态模型的步骤53中确认估计的动态模型，该步骤被配置为根据车辆在时刻t的实际速度v(t)和车辆在前一时刻t-1的前一速度v(t-1)来确认动态模型。例如，为了确认动态模型，将arx计算模型的误差与阈值进行比较。如果误差低于所述阈值，则确认动态模型。[0079]用于预测本车辆10的轨迹的方法50进一步包括根据在步骤53中所确认的动态模型及相邻车辆的初始位置来预测这些相邻车辆的移动的步骤54。[0080]用于预测本车辆10的轨迹的方法50进一步包括用于根据在步骤53中提供的移动预测和源自本车辆10的本体感受性传感器c的信息来预测本车辆10的移动的步骤55。[0081]在步骤56中，随后根据对本车辆和相邻车辆的移动的预测、本车辆10的总体轨迹t、以及源自本车辆正在其上行驶的道路地图cart的信息确定本车辆10的变道。[0082]确定本车辆的变道的步骤56允许评估允许本车辆10安全变道的合适时间窗口。[0083]在步骤57中，将用于本车辆10的变道指令发送到用于执行本车辆10的变道的模块24。[0084]在本车辆无法变道的情况下，通知本车辆10需要修改诸如特别是其速度等参数。[0085]重复用于预测本车辆的轨迹的方法50，直到发现可以变道。[0086]凭借本发明，能实时可靠地预测在与本车辆所在行车道相邻的车道中的车流移动，并允许预测本车辆在从主车道变道至相邻车道后的位置。[0087]此外，本发明允许考虑本车辆正在其上行驶的道路的约束。[0088]这种用于预测本车辆轨迹的系统和方法允许车流更顺畅地流动，而不会危害本车辆和周围车辆的安全。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!