用于管理车辆的自动驾驶系统的方法和系统与流程

用于管理车辆的自动驾驶系统的方法和系统
1.相关申请的交叉引用
2.本专利申请要求被转让给本受让人的于2020年3月16日提交、标题为“methods and systems for managing an automated driving system of a vehicle”、序列号为20169900.6的欧洲专利局申请的优先权，并通过引用将其明确地并入本文。
技术领域
3.本公开涉及用于车辆的自动驾驶系统(ads)，且更特别地，本公开涉及用于管理车辆的ads的方法和系统。


背景技术：

4.在最近几年期间，自主车辆的发展迅猛且研发了很多不同的解决方案。越来越多的现代车辆具有高级驾驶员辅助系统(adas)以提高车辆安全性和更一般地说是道路安全性。adas——其例如可由自适应巡航控制acc、防撞系统、前方碰撞预警等表示——是可在驾驶时辅助车辆驾驶员的电子系统。为了如预期的运行，adas可依赖于来自诸如汽车成像、lidar、雷达、图像处理、计算机视觉和/或车内网络的多个数据源的输入。
5.今天，adas以及自主驾驶(ad)均在这些领域中的多个不同技术领域内进行研发。adas和ad在本文将被称为通用术语“自动驾驶系统(ads)”，ads与例如由驾驶自动化的sae j3016等级(0
‑
5)所定义的所有不同的自动化等级对应。
6.因此，在不太远的未来，ads解决方案将在更大程度上进入现代车辆。ads可被解释为各种部件的可被定义为系统的复杂组合(其中车辆的感知、决策和操作由电子设备和机械装置代替人类驾驶员来执行)，并且可被解释为自动化到道路交通内的引入。这包括车辆的操纵、目的地以及周围环境的认知。在自动系统具有对车辆的控制时，其允许人类操作员将所有职责留给系统。ads通常组合诸如雷达、lidar、声纳、摄像机、例如gps的导航系统、里程表和/或惯性测量单元(imu)的各种传感器以感知车辆的周围环境，由此高级控制系统可解译感测信息以识别适当的导航路径以及障碍物和/或相关标志。
7.然而，如上所述的ads功能受限于对具有高完整性的功能的需要以为车辆乘员以及他们的周围环境提供足够低的风险。确保风险足够低可能需要用于统计上证明的大量难以处理的数据，且根据示例将需要采用例如大约一百个车辆来持续驾驶五个世纪来获得。存在用于在ads功能被投放到公共道路上之前将其风险最小化的几种方法。然而除此之外，通常认为一旦在现场就应该监控ads功能，以便确保它们符合所需的安全等级。进一步，因为由各种ads功能利用的完整传感器设置可产生海量数据，如果不是不可能，将所有这些数据发送到云用于离线处理和分析可能是有挑战性的。


技术实现要素：

8.因此，本公开的目的是提供减轻上面所讨论的问题中的全部或至少一些的用于管理地面车辆的ads的方法、计算机可读存储介质、对应系统以及包括这种系统的车辆。
9.本公开的目的是提供用于保持地面车辆的ads在为其已研发和验证的条件下操作的解决方案，并从而降低车辆乘员以及它们的周围环境的风险。术语“地面车辆”在本上下文中可被理解为诸如汽车、公共汽车、卡车或摩托车的道路交通车辆。
10.这些和其他目的借助于如在随附的权利要求中所定义的用于管理地面车辆的ads的方法、计算机可读存储介质、对应系统和车辆来实现。术语“示例性”在本上下文中应被理解为用作实例、示例或图示。
11.根据本公开的第一方面，提供了用于管理地面车辆的自动驾驶系统(ads)的方法。ads包括被配置为在ads的运行设计域(odd)内监控地面车辆的周围环境中的场景的场景标识符模块。而且，odd与基准统计模型相关联，该基准统计模型指示与借助于场景标识符模块可检测的多个场景有关的统计分布。方法包括：获得包括关于地面车辆的周围环境的信息的传感器数据，借助于场景标识符模块基于所获得的传感器数据检测周围环境中的场景，以及提取指示检测到的场景的场景参数集。方法进一步包括：基于所提取的场景参数集来本地更新基准统计模型的模型参数集，以便获得本地更新的统计模型。本地更新后的模型参数集指示与检测到的场景相关联的统计分布。进一步，方法包括：从外部地面车辆获得基准统计模型的外部更新的模型参数集，该外部更新的模型参数指示与外部检测到的场景相关联的统计分布。方法进一步包括：将基准统计模型与本地更新的统计模型和外部更新的模型参数集比较，基于比较确定是否存在高于阈值的偏差，并且一经检测到高于阈值的偏差，则确定用于odd的基准统计模型至少暂时无效，并且响应于基准统计模型无效的确定来控制ads。
12.因此，在本文提出用于识别潜在“odd退出”的解决方案。更详细地，上面提议的方法允许基于本地更新的统计模型和外部更新的模型参数集两者来确定ads的有效性，从而改进ads有效性的确定。这进一步具有的优势在于，允许通过仅获得基准统计模型的外部更新的模型参数集来基于指示两个地面车辆的检测到的场景的数据确定ads的有效性，从而减小需要在地面车辆之间发送的数据量。
13.更详细地，在线场景标识符模块被部署到每个ads上以便能够基于来自其运行条件的数据来更新基准统计模型，并然后在彼此邻近的ads之间共享这些已更新的模型，以便构建区域聚合统计模型。基于聚合统计模型可做出统计推论，且如果交通状况确实在用于ads实现的基准模型以外，由此可采取适当的动作。这将有助于保持ads在为其已研发和验证的条件下运行。进一步，通过信息在ads之间的共享，可例如通过降低长期暴露于可能使用来自单一ads的数据而推断出的不适当的操作条件的风险来最小化不适当操作的风险。而且如所提到的，与在车辆之间共享原始传感器数据相比，可用于为asd定义odd的统计模型的利用允许带宽高效的通信。
14.根据本公开的示例性实施方式，获得外部更新的模型参数集的步骤包括：获得包括外部更新的模型参数集的外部更新的统计模型。而且，方法进一步包括：组合本地更新的统计模型和外部更新的统计模型以便形成组合统计模型，以及其中比较的步骤包括：基准统计模型与组合统计模型。因此，要么基准统计模型可与本地更新的统计模型和外部更新的模型参数集分开比较，要么本地更新的统计模型和外部更新的模型参数集可被聚合/组合且然后基准统计模型与该聚合/组合模型比较。
15.运行设计域(odd)应被理解为自动或半自动驾驶系统(即，ad或adas)被设计为在
其中运行的操作条件的描述，包括但不限于地理、道路(例如，类型、表面、几何形状、边缘和标记)、环境参数、连接性、周围物体、交通参数和速度限制。
16.关于术语“统计模型”，它可被理解为ads可以从其环境统计上所预期到的事物的描述。更详细地，从一开始就可以通过不同的分割和量化方法对现场数据集建模(其在本文被称为“场景识别”)。换言之，场景识别的结果是场景参数集，且通过对在现场数据中所识别的场景建模来获得统计模型。因此，统计模型可被理解为统计分布的数学表示。更详细地，环境的统计模型量化ads可以以统计方式从其周围环境所预期到的事物。换言之，统计模型提供针对可能在环境内发生的所有场景(例如，超车、行人横穿马路、动物横穿马路、道路用户的其他行为等)的概率测度。因此，为了统计上描述ads的整个操作环境，与所有场景对应的统计分布可以汇聚在一起，以便形成“全局”和统计分布。
17.统计模型因此可用于确定运行设计域的条件和/或要求是否被满足，由此ads有效性可被确定。因此，“基准统计模型”指的是用于ads的安全保证的“后台生成的”统计模型，而术语“本地更新的统计模型”指的是通过基于地面车辆的操作条件更新基准统计模型所获得的统计模型。术语安全保证可在本上下文中被理解为其中验证ads正操作在为其已设计和验证的环境下的验证方法。
18.更详细地，基准统计模型可将信息馈送到设计过程内以定义ads的不同部分需要以什么样的完整性来操作，且此外基准统计模型可用于支持ads的odd的定义。因此，如果ads然后实现到通过这些统计模型所定义的完整性，可认为ads将是统计上安全的。然而在那种情况下，至关重要的是统计模型在ads的操作期间也一直是有效的。当构造统计模型时，可能需要考虑置信度估计并对所有不同的值使用保守数以符合ads的安全论证和设计。与为不同的值施加严格限制或范围的传统方式相比，这种方法可允许设计来解决真正的挑战而没有不必要的余量。
19.因此，本发明人认识到，为了使ads被验证为安全，至关重要的是ads只操作在为其已设计和验证的域(odd)内。然而，统计模型可具有与此有关的不同潜在问题，并且即，为了理解模型不再是有效的，可能需要很多样本，而不是仅仅一次意外事件(即，场景)的发生。因此，为了解决此，认识到的是可在每个ads中部署场景标识符工具，以便能够基于来自运行的ads的数据来更新“基准统计模型”(其用于ads的安全保证)。然而，来自单一ads的数据可能不能够揭示与基准模型的偏差，至少不具有充分的置信度。因此提议利用自我车辆的周围环境中的车辆的附近ads，以相互共享它们的本地更新的统计模型。如果来自两个或更多个ads的这些统计模型共同显示基准统计模型在这个时间点不是有效的，可采取来自每个ads的适当动作。
20.因此，根据本公开的示例性实施方式，响应于基准统计模型无效的确定来控制ads的步骤包括下列操作中的至少一个：在车辆的人机界面(hmi)处产生指示移交请求的信号，执行最小风险条件(mrc)策略，以及至少暂时抑制在地理区域或地区内的ads的进一步激活。关于后者，更特别地，可至少暂时抑制现在不再能“证明”依从odd的要求的地理区域或地区内的ads的进一步激活。这些是由每个ads为了处理潜在“odd退出”而可以采取的“适当动作”的示例。这些的优势在于地面车辆的ads被配置为一经确定基准统计模型无效，则执行以降低地面车辆的交通风险为目标的动作。
21.根据本公开的第二方面，提供了存储有被配置为要由车辆控制系统的一个或多个
处理器执行的一个或多个程序的(非瞬态)计算机可读存储介质，一个或多个程序包括用于执行根据本文公开的实施方式中的任何一个的方法的指令。通过本公开的这个方面，存在与前面讨论的本公开的第一方面相似的优势和优选功能。
22.如在本文使用的术语“非瞬态”意为描述除传播电磁信号之外的计算机可读存储介质(或“存储器”)，但并不意为另外限制短语计算机可读介质或存储器所包含的物理计算机可读存储设备的类型。例如，术语“非瞬态计算机可读介质”或“有形存储器”意为包含不必要永久地存储信息的存储设备的类型，例如包括随机存取存储器(ram)。存储在非瞬态形式的有形计算机可访问存储器介质上的程序指令和数据可进一步由传输介质或诸如电、电磁的信号或数字信号发送，这些信号可经由诸如网络和/或无线链路的通信介质传送。因此，与对数据存储持久性(例如，ram对rom)的限制相反，如本文使用的术语“非瞬态”是介质本身的限制(即，有形的，而不是信号)。
23.进一步，根据本公开的第三方面，提供了用于管理地面车辆的自动驾驶系统(ads)的系统。ads包括被配置为在ads的运行设计域(odd)内监控地面车辆的周围环境中的场景的场景标识符模块。而且，odd与基准统计模型相关联，基准统计模型指示与借助于场景标识符模块可检测的多个场景有关的统计分布。系统包括：存储器，其包括基准统计模型；以及控制电路，其被配置为获得包括关于地面车辆的周围环境的信息的传感器数据。控制电路进一步被配置为借助于场景标识符模块基于所获得的传感器数据来检测周围环境中的场景并提取指示检测到的场景的场景参数集，并基于所提取的场景参数集来本地更新基准统计模型的模型参数集，以便获得本地更新的统计模型。本地更新后的模型参数集指示与检测到的场景相关联的统计分布。而且，控制电路被配置为从外部地面车辆获得基准统计模型的外部更新的模型参数集，其中外部更新的模型参数指示与外部检测到的场景相关联的统计分布，并将基准统计模型与本地更新的统计模型和外部更新的模型参数集比较。而且，控制电路被配置为基于该比较来确定是否存在高于阈值的偏差，并且一经检测到高于阈值的偏差，则确定odd的基准统计模型至少暂时无效并产生信号，以便响应于基准统计模型无效的确定来控制ads。通过本公开的这个方面，存在与前面讨论的在本公开的第一方面相似的优点和优选功能。
24.根据本公开的第四方面，提供了包括自动驾驶系统(ads)的地面车辆，自动驾驶系统(ads)包括：被配置为监控地面车辆的周围环境中的场景的场景标识符模块；感知系统，其包括被配置为监控地面车辆的周围环境的至少一个传感器；以及定位系统，其被配置为监控地面车辆的地理地图位置；以及用于管理根据本文公开的实施方式中的任何一个的ads的系统。通过本公开的这个方面，存在与前面讨论本公开的第一方面相似的优点和优选功能。
25.在从属权利要求中定义了本公开的进一步实施方式。应强调的是，术语“包括/包含”当在本说明书中使用时要被解释为明确所陈述的功能、整体、步骤或部件的存在，但并不排除一个或多个其他功能、整体、步骤、部件或其组的存在或添加。
26.将参考在下文中描述的实施方式进一步在下面阐明本公开的这些和其他功能和优势。
附图说明
27.通过下面对附图做出的详细描述、参考，本公开的实施方式的进一步目的、功能和优势将呈现，其中：
28.图1描绘表示根据本公开的实施方式的用于管理地面车辆的自动驾驶系统(ads)的方法的示意性流程图。
29.图2描绘根据本公开的实施方式的用于管理地面车辆的自动驾驶系统的系统的示意性透视图。
30.图3描绘根据本公开的实施方式的包括用于管理地面车辆的自动驾驶系统的系统的地面车辆的示意性侧视图。
具体实施方式
31.本领域技术人员应理解，可使用单独的硬件电路、使用结合编程微处理器或通用计算机而运行的软件、使用一个或多个专用集成电路(asic)和/或使用一个或多个数字信号处理器(dsp)来实现本文所解释的步骤、服务和功能。还应理解的是，当本公开按照方法来描述时，也可体现为一个或多个处理器和耦接到该一个或多个处理器的一个或多个存储器，其中一个或多个存储器存储一个或多个程序，该一个或多个程序当由一个或多个处理器执行时执行本文所公开的步骤、服务和功能。
32.在下面示例性实施方式的描述中，相同的附图标记表示相同或相似的部件。
33.图1是用于表示管理地面车辆的自动驾驶系统(ads)的方法100的示意性流程图。根据驾驶自动化sae j3016等级，ads优选地、但不是必须是等级3或更高级的ads，例如，高速公路驾驶员功能、交通堵塞驾驶员功能等。进一步，ads包括被配置为在ads的运行设计域(odd)内监控地面车辆的周围环境中的场景的场景标识符模块。odd与基准统计模型相关联，基准统计模型指示与地面车辆的操作环境中出现的多个场景有关的统计分布。
34.在本文，术语ads或自主驾驶功能可以指的是具有新添加的可作为车辆中部署的ads或外围系统/模块/功能的集成部分的场景标识符模块的任何任意ads、adas或自主驾驶功能(例如，在本领域中已经熟知和/或尚待研发的)。
35.更详细地，在线场景标识符模块被部署到每个车辆的ads上，以便能够基于来自其操作条件的数据来本地更新基准统计模型，并且然后与其他车辆共享这些本地更新的统计模型，以便验证基准统计模型的有效性。一经请求或一经检测到另一配备有ads的车辆的接近，则可发送本地更新的统计模型参数。
36.运行设计域(odd)应被理解为自动或半自动驾驶系统(即，ad或adas)被设计为在其中运行的操作域的描述，包括但不限于地理、道路(例如，类型、表面、几何形状、边缘和标记)、环境参数、连接性、周围物体、交通参数和速度限制。因此，统计模型可被理解为统计分布的数学表示。更详细地，与odd相关联的统计模型量化ads可以以统计方式从其周围环境所预期到的事物。换言之，统计模型提供针对可能在ads的操作环境内发生的所有场景(例如，超车、行人横穿马路、动物横穿马路、道路用户的其他行为等)的概率测度。因此，为了在统计上描述ads的操作环境，与所有场景对应的统计分布可以汇聚在一起，以便形成“全局”和统计分布。统计模型可以例如具有层级结构。
37.方法包括获得101包括关于地面车辆的周围环境的信息的传感器数据。可以例如
从车辆的感知系统和/或定位系统获得101传感器数据。感知系统在本上下文中应被理解为负责从诸如摄像机、lidar和radar、超声传感器的传感器获得原始传感器数据并将此原始数据转换成情景理解的系统。当然，可直接从一个或多个适当的传感器(例如，摄像机、lidar传感器、雷达、超声传感器等)接收传感器数据。定位系统可以例如是以诸如gps单元的全球导航卫星系统(gnss)的形式。术语获得在本文应被宽泛地解释并包含接收、检索、收集、获取等。
38.进一步，方法100包括借助于场景标识符模块基于所获得的传感器数据来检测102周围环境中的场景，并提取指示检测到的场景的场景参数集。更详细地，当驾驶时，ads暴露于大量不同的场景和情况。为了能够构造安全且高性能的自动驾驶系统，对这些有详细理解是有利的。实现这种理解的一种方式是通过创建环境的“模型”。可使用能够将ads周围的事件和场景表征为“场景模型”并进一步测量和量化它们的系统来创建这些“模型”。这种系统在本文被称为场景标识符模块，其输出是不仅被识别而且被量化的场景。量化的场景可包括从周围交通的轨迹到雨量或不同的道路特征的所有特征。
39.在一个示例情况下，场景可以是外部车辆超过自我车辆。因此，场景标识符模块被配置为检测这个场景并提取指示这个场景的场景参数集。对于这个示例情况，场景参数集可以是外部车辆相对于自我车辆的初始位置、车辆的初始速度、外部车辆的轨迹、道路几何形状、道路条件、天气条件等。而且，场景标识符模块可进一步可操作地连接到充当缓冲器的存储器设备，该缓冲器基于所获得的传感器数据来随时间记录并存储状态集。因此，场景标识符模块可被配置为使用存储的状态集，以便“检测”场景并产生场景参数。换言之，缓冲器用作对场景标识符模块的输入，以便一旦整个场景已被“经历”则识别场景的整个演进。换言之，在整个场景/事件演进完之后，对包括随时间的“当前”状态的缓冲器进行后处理。因此，场景标识符模块可被配置为在实际场景出现之后产生场景参数，以便一旦实际场景发生则识别它。因此，通过具有对周围环境的“观察”的缓冲器，场景标识符模块可被配置为分析车辆的操作期间的缓冲器，以便分类和量化场景。
40.进一步，方法包括基于所提取的场景参数集来本地更新103基准统计模型的模型参数集，以便获得本地更新的统计模型，本地更新后的模型参数集指示与检测到的场景相关联的统计分布。因此，本地更新的统计模型可包括由上述模型参数集更新的基准统计模型的至少部分。
[0041]“统计模型”因此被用于确定运行设计域的条件和/或要求是否被满足，由此可确定ads“操作有效性”。因此，“基准统计模型”指的是用于ads的安全保证的集中产生的和管理的统计模型，而术语“本地更新的统计模型”指的是通过基于地面车辆的操作条件更新103基准统计模型所获得的统计模型。术语“安全保证”可在本上下文中被理解为其中验证ads正操作在为其已设计和验证的环境中(即，ads符合odd的要求)的验证方法。
[0042]
继续，方法100进一步包括从外部地面车辆获得104外部更新的模型参数集。外部更新的模型参数指示与外部检测到的场景相关联的统计分布。在一些示例中，地面车辆和外部地面车辆处于相同的交通情况。在一些示例中，外部地面车辆包括ads，该ads包括被配置为监控并检测与自我车辆类似的外部地面车辆的周围环境中的场景的场景标识符模块。
[0043]
而且，所获得的外部更新的模型参数集可包括用于产生外部更新的模型参数集的样本的数量。在一些示例中，用于产生外部更新的模型参数集的样本数量与传感器测量值
的时间单位的数量有关。在一些示例中，用于产生外部更新的模型参数集的样本数量与检测到的场景的数量有关。
[0044]
进一步，方法100包括将基准统计模型与本地更新的统计模型和外部更新的模型参数集比较108。方法100可包括组合107本地更新的统计模型和外部更新的模型参数集并然后将组合模型与基准统计模型比较的步骤。因此，要么基准统计模型可与本地更新的统计模型和外部更新的参数集分别进行比较，要么本地更新的统计模型和外部更新的模型参数集可被聚合/组合且然后基准统计模型与聚合/组合模型进行比较。
[0045]
然后，执行检查，以便基于比较108确定109是否存在高于阈值的偏差，并且一经检测到高于阈值的偏差，则方法100包括确定110用于odd的基准统计模型至少暂时无效，并响应于基准统计模型无效的确定来控制ads。
[0046]
响应于基准统计模型无效的确定来控制ads可包括下列操作中的至少一个：
[0047]
·
在地面车辆的人机界面hmi处产生指示移交请求的信号。
[0048]
·
执行最小风险条件(mrc)策略。
[0049]
·
至少暂时抑制现在不再能“证明”位于odd内的地理区域或地区内的ads的进一步激活。
[0050]
应注意的是，潜在odd退出的处理(如所称呼的)应该是ads的设计中固有的，且不是在本公开中所提议的新内容，而是本公开与这种“odd退出”的识别有关。因此，在本文没有进一步详细描述的情况下，技术人员容易认识到如何实现这些功能和运行。
[0051]
进一步，方法100可包括将指示所确定的偏差高于阈值的信号发送111到至少一个外部车辆，或将指示与ads的odd相关联的基准统计模型至少暂时无效的确定的信号发送111到至少一个外部车辆。
[0052]
而且，在一些实施方式中，除了通信每个ads的本地统计模型之外，每个所识别的场景样本可被相互通信。换言之，检测到的和所提取102的场景参数集可被通信到附近车辆或中央实体。在这样的情况下，在每个车辆中或由中央实体更详细地辨别潜在风险也许是可能的。
[0053]
总之，如果自我车辆的ads遇到另一ads车辆，已在每个ads中本地推导出的统计模型可在两个车辆之间被共享。然后新信息可与已知信息结合使用以评估统计环境模型(基准统计模型)是否仍然有效。与(内部)统计模型和所识别的和接收到的统计模型(即，外部的)的比较可确定基准统计模型是否在此时确实有效。如果情况不是那样，适当动作可被采取以最小化潜在影响。而且，如果现实(在此时)被发现违背基准统计模型，这可进一步被通信到中央“云”实体以及任何其他附近车辆。
[0054]
而且，在定义自动驾驶系统(ads)时，至关重要的可以是对操作时将面临的挑战具有良好理解。这种模型既可以基于环境的物理限制、理想规则或基于环境的统计模型。在物理模型将确保绝对安全的情况下，它们可能产生将保持静止的ads，并且“基于规则”的方法存在忽略ads的操作期间确实出现的情况的风险，且因此可能形成相当大的安全风险。
[0055]
然而本发明人认识到，统计模型在另一方面提供用于创建高性能且安全的ads的良好手段。如果这些统计模型被用在ads的安全论证中以及作为ads的设计和实现的基础，至关重要的是它们确实正确。在下文中，被用作ads的设计和实现的基础的这种模型被称为基准统计模型。而且，统计模型将允许ads在系统解决方案的不同部分中以充分的完整性被
研发，系统解决方案的每个部分在给定统计数据的情况下确保ads根据某些安全标准将是安全的。然而，如果这种方法被部署，重要的是每个车辆能够检测距基准模型的任何本地偏差。然而，使用统计模型的缺点中的一个在于可能需要很多数据点以能够检测基准统计模型的变化。例如，统计模型尾部的单个测量点(所谓的罕见事件)不足以取消基线模型的资格，因为这可能只是一个异常值。因此，如果根据用于安全性论证所使用的模型，单个ads经历了统计上不太可能发生的事情，则无法确定该模型是否错误或是否只是非常不可能的事件。
[0056]
因此，通过进一步使用附近车辆的ads来相互共享它们的本地更新的统计模型。如果来自两个ads统计模型共同显示基准统计模型在这个时间点不是有效的，可采取来自每个ads的适当动作。如所提到的，统计模型的利用允许统一且有效的手段以在设计时和运行时(即，用于定义ads的odd以及为了断定ads在满足odd的环境中操作二者)使用相同的框架。而且，通过使用统计模型，提供了用于在配备ads的车辆之间共享重要信息的在运算有效且带宽有限的手段。
[0057]
而且应注意的是，统计模型可包括关于ads的操作环境的所有(地理)区域中的(地理)区域的仅仅小子集的信息。更特别地，统计模型包括关于由ads的odd定义的整个操作环境的信息。然而，由于统计模型的结构(可能是层级结构)，可以提取ads的操作环境的所有区域中的区域的仅一个小子集的信息。因此，抑制可能不是对所有区域中的ads，只是其中(现在更新的)统计模型指示操作环境不再满足odd的部分中的。更详细地，odd可被解释为“静止的”(在设计时定义的)条件/要求集，而具有其统计分布的统计模型用于判断这些条件在哪些特定的地理区域处被满足。所以，可以具有用于第一地理区域或第一道路类型的一个统计分布或甚至是模型，以及用于第二地理区域或第二道路类型的另一模型/分布。查看此的替代方式在于统计模型进一步指示(一天的)时间以及地理位置。因此，来自模型的被判断为位于odd外部的结果(即，更新的模型指示偏离odd要求)因此可能只是影响其中发生超过数的时间和地理区域的事情。因此，没有必要在ads操作环境的所有区域中抑制，而在其中统计模型指示odd的条件未被满足的地方抑制就足够了。ads的操作环境可被理解为ads可在其中操作的所有环境，而操作环境是ads正在其中操作的当前环境(即，整个操作环境的子集)。
[0058]
用于执行这些功能的可执行指令可选地被包括在非瞬态计算机可读存储介质或其他计算机程序产品中，被配置为由一个或多个处理器执行。
[0059]
现在将参考图2中图示的示例场景来讨论大体构思和优选功能，其中图2是根据本公开的实施方式的具有用于管理车辆1的自动驾驶系统(ads)的系统10的车辆1的示意性透视图。自我车辆1在受控进入双车道(即，快车道或高速公路)上行驶，且ads可以例如是以高速公路驾驶员的形式。而且，ads包括被配置为在ads的操作环境内监控自我车辆1的周围环境中的场景的场景标识符模块，其中odd与基准统计模型相关联，该基准统计模型指示与odd的多个场景有关的统计分布。系统10包括一个或多个处理器11、存储器12、传感器接口13和通信接口14以及用于执行本文公开的方法所需的任何其他常规部件/功能。
[0060]
基准模型的一种统计分布由附图标记21所表示的虚线正态分布表示，这在下文中将被称为“基准统计模型”。如有技能的读者所容易理解的，基准统计模型可被拟合到并指示多个这种和/或其他统计分布，该统计分布指示与车辆1的当前环境相关联的环境场景的
各种统计概率。此外，除了正态分布以外的其他概率分布可被包括在基准统计模型中，在图2中图示的示例实施方式中所描绘的正态分布用于以清楚和简明的方式阐明本文所提议的教导。
[0061]
继续，系统10包括其中存储有基准统计模型的存储器12。一般来说，计算机可访问介质12可包括任何有形或非瞬态存储介质或诸如电子、磁性或光学介质的存储器介质，例如，经由总线耦接到计算机系统的磁盘或cd/dvd
‑
rom。如本文使用的术语“有形”和“非瞬态”意为描述除传播电磁信号以外的计算机可读存储介质(或“存储器”)，但并不意为另外限制由短语计算机可读介质或存储器所包含的物理计算机可读存储设备的类型。例如，术语“非瞬态计算机可读介质”或“有形存储器”意为包含不必要永久地存储信息的存储设备的类型，例如包括随机存取存储器(ram)。存储在非瞬态形式的有形计算机可访问存储器介质上的程序指令和数据可进一步由传输介质或诸如电、电磁的信号或数字信号发送，这些信号可经由诸如网络和/或无线链路的通信介质传送。
[0062]
当自我车辆1在高速公路上行驶时，借助于自我车辆1的ads的场景标识符模块检测场景。这里的场景为不稳定的车辆20以高速驶过车道(例如，高速公路上的非法街道比赛的结果)。更详细地，场景标识符模块被配置为检测并提取指示检测到的场景的场景参数集，即，量化场景。例如，场景参数可包括目标车辆20的“初始”位置、目标车辆的轨迹(由虚线车辆指示)、目标车辆20上的车道变化、目标车辆的平均速度、当前交通规则、其他车辆2相对于目标车辆20的位置、自我车辆1的地理位置、在周围环境中的标志、道路表面纹理、天气参数等。
[0063]
量化的场景(即，所提取的场景参数然后用于更新模型参数集)在这里以平均值(或期望值)μ和标准偏差值σ的形式。更详细地，所提取的场景参数导致基准统计模型21的统计分布中(或在形成“全局”统计分布的子分布中的一个中)的统计数据点25。因此，基准统计模型21的模型参数集被本地更新，即，检测到的场景的相关统计分布基于所提取的场景参数集被本地更新，以便获得本地更新的统计模型22。本地更新的统计模型22具有由参数μ1和σ1定义的统计分布。而且，基于所描绘的示例实施方式中的一个测量样本25更新本地更新的统计模型22。
[0064]
进一步，自我车辆1从外部地面车辆2获得基准统计模型21的外部更新的模型参数集23。基准外部更新的模型参数(或外部更新的统计模型)23指示与检测到的场景相关联的统计分布，这里由平均值μ2和标准偏差值σ2表示。而且，外部更新的模型参数集包括用于产生外部更新的模型参数集23的多个样本26。
[0065]
在图示示例中，外部车辆2已取得三个测量样本26，以便产生外部更新的模型参数。这例如可以是这个特定统计分布与这个特定道路部分、地理位置和/或一天的特定时间相关联且外部车辆2已在这些约束下具有多个“运行时间”时的情况。更详细地，如果假设外部车辆2比自我车辆1以更大的程度在一天的这个时间沿着这个特定道路部分行驶，则外部车辆可具有这个道路部分处的这个特定场景的更准确的统计表示。然而这将反映在所获得的外部更新的模型参数集23中。
[0066]
应注意的是，自我车辆1可获得包括由外部车辆2“本地”执行的任何其他更新的“完整”外部更新的统计模型。这个外部更新的统计模型可因此包括与由外部车辆2所检测的其他场景有关的另一统计分布。这个另一统计分布可因此由自我车辆1使用以通过包括
可能没有被自我车辆1“检测到”、但仍然对自我车辆1的ads的操作具有关联性的场景来增加它自己的“本地更新的统计模型”的完整性。
[0067]
下一步，两个更新的统计模型22、23被组合(潜在地产生新模型参数μ3、σ3)并与基准统计模型比较，以便确定是否存在高于阈值的偏差。如在附图中所指示的，与基准统计模型21的平均值μ比较，平均值μ3已偏移。如果平均值的这个偏移高于预定阈值，则确定用于ads的odd的基准统计模型至少暂时无效，且ads相应地响应于这个确定而被控制。
[0068]
更详细地，如果偏差高于阈值，则情况被处理为“odd退出”，且相应地可由自我车辆1采取响应措施(例如，对驾驶员的移交请求、mrc执行等)。
[0069]
进一步，如前面所提到的，“基准统计模型”21可被解释为指示量化车辆周围的世界的统计分布的统计模型，其转而用于断定特定区域(地理区域、道路部分等)满足odd的条件。因此，即使图示示例通过使用单一变量的正态分布来简化，也阐明了本公开的主题的工作原理。更详细地，用于描述车辆周围的世界的统计模型和可从其周围环境所预期的事物可具有几个参数且比图示的实施方式更复杂。
[0070]
换言之，如本文使用的统计模型指示在特定地理区域处特定场景“发生”的概率，且通过本地更新这些统计模型并在车辆1、2之间相互共享它们，可容易检测在特定区域处和/或在一天/一星期期间的特定时间等的距基准统计模型21(其用于ads的安全保证)的偏差。地理数据和时间数据固有地被合并在“统计模型”中。例如，基准统计模型可具有针对这个地理位置与所描绘的场景(被称为“侵入性切入场景”)相关联的一个一般统计分布、指示“侵入性切入场景”如何在一天内分布的另一统计分布、指示“侵入性切入场景”如何在一周内分布的另一统计分布等。可替代地，所有这些地理和时间参数可通过扩展函数(其可定义模型)的维数来在与“侵入性切入场景”相关联的一个统计分布中具有指示性。
[0071]
而且，假设产生本地更新的统计模型22的单个样本25将不会导致距基准统计模型高于阈值的偏差，则图示示例进一步强调共享统计模型的车辆到车辆(v2v)的优势。更详细地，通过获得外部更新的统计模型23，自我车辆1被提供有必要的统计数据以推断出基准统计模型针对这个特定的地理位置或针对特定的地理位置的一天的这个时间(至少暂时)是无效的，由此可采取适当的措施且可更好地保证ads的安全性。更特别地，基准统计模型无效的结论可最小化使ads暴露于还没有为其设计和验证的情况或场景的风险。
[0072]
图2中的图示场景仅是可用于阐明本文所公开的构思的几个示例中的一个。另一示例将是交通堵塞场景，其中特定的地理区域展示出非法横穿交通(即，违规穿越马路)的大量的行人。“违规穿越马路”场景的数量的这种增加将接着在与这个地理区域相关联的统计分布中被指示，由此假设违规穿越马路场景的数量增加导致距基准统计模型高于阈值的偏差，则配备ads的车辆可抑制在这个地理区域中的交通堵塞驾驶员的激活。另一示例场景将是多个配备ads的车辆在特定道路部分处检测到横穿马路的野生动物(例如，鹿、野猪、熊等)的数量增加，导致统计异常偏离基准统计模型。
[0073]
更详细地，车辆1可经由例如无线链路(例如，用于接收/发送数据)连接到外部网络20。同一或某个其他无线链路可用于与在车辆附近的其他车辆2或与本地基础设施元件通信。蜂窝通信技术可用于诸如到外部网络的远程通信，且如果所使用的蜂窝通信技术具有低时延，它也可用于在车辆、车辆到车辆(v2v)和/或车辆到基础设施v2x之间的通信。蜂窝无线电技术的示例是gsm、gprs、edge、lte、5g、5g nr等，也包括未来的蜂窝解决方案。然
而在一些解决方案中，基于解决方案使用诸如无线局域网(lan)的中短程通信技术，例如，ieee802.11。etsi正致力于车辆通信的蜂窝标准，且例如5g由于低时延和高带宽和通信信道的高效处理而被认为是合适的解决方案。
[0074]
进一步，图3是包括用于管理车辆1的自动驾驶系统(ads)的控制系统10的车辆1的示意性侧视图。ads包括被配置为在ads的操作环境内监控自我车辆1的周围环境中的场景的场景标识符模块，其中ads针对与基准统计模型相关联的odd来配置，该基准统计模型指示与ads的操作环境的多个场景有关的统计分布。车辆1进一步包括感知系统6和定位系统5。感知系统6在本上下文中应被理解为负责从诸如摄像机、lidar和radar、超声传感器的车载传感器6a、6b、6c获取原始传感器数据并将这个原始数据转换成情景理解的系统。定位系统5被配置为监控车辆的地理位置和行进方向，并可以以诸如gps的全球导航卫星系统(gnss)的形式。然而，定位系统可以可替代地被实现为实时动态(rtk)gps，以便提高准确度。
[0075]
更详细地，感知系统6可以指的是任何普遍已知的系统和/或功能，例如，被包括在车辆1的一个或多个电子控制模块和/或节点中，被调整和/或被配置为解译感测信息(与车辆1的驾驶有关)以识别例如障碍物、车辆车道、相关标志、适当的导航路径等。结合感测信息，例示的感知系统6可因此被调整为依赖于和获得来自诸如自动成像、图像处理、计算机视觉和/或车载网络等的多个数据源的输入。这种例示的感测信息可例如来源于包括在车辆1中的和/或车载式提供在车辆1上的一个或多个可选的周围检测传感器6a
‑
6c。周围检测传感器6a
‑
6c可由适于感测和/或感知车辆1的周围环境和/或行踪的任何任意传感器表示，并可以例如指的是一个或多个雷达、lidar、声纳、摄像机、诸如gps的导航系统、里程表和/或惯性测量单元中的一个或组合。
[0076]
系统10包括一个或多个处理器11、存储器12、传感器接口13和通信接口14。处理器11也可被称为控制电路11或控制电路11。控制电路11被配置为执行存储在存储器12中的指令以执行根据本文所公开的实施方式中的任何一个的用于管理车辆1的ads的方法。换言之，控制设备10的存储器12可包括用于存储计算机可执行指令的一个或多个(非瞬态)计算机可读存储介质，计算机可执行指令当由一个或多个计算机处理器11执行时，例如可使计算机处理器11执行本文所述的技术。存储器12可选地包括诸如dram、sram、ddr ram的高速随机存取存储器或其他随机存取固态存储器设备；且可选地包括诸如一个或多个磁盘存储设备、光盘存储设备、闪存设备的非易失性存储器或其他非易失性固态存储设备。
[0077]
更详细地，控制电路11被配置为借助于场景标识符模块基于所获得的传感器数据来检测周围环境中的场景，并提取指示检测到的场景的场景参数集，并基于所提取的场景参数集来本地更新基准统计模型的模型参数集，以便获得本地更新的统计模型。本地更新后的统计参数集指示与检测到的场景相关联的统计分布。而且，控制电路11被配置为从外部地面车辆获得基准统计模型的外部更新的模型参数集，其中外部更新的模型参数指示与外部检测到的场景相关联的统计分布，并将基准统计模型与本地更新的统计模型和外部更新的模型参数集比较。而且，控制电路11被配置为基于比较来确定是否存在高于阈值的偏差，且一经检测到高于阈值的偏差，则确定用于odd的基准统计模型至少暂时无效并产生信号，以便响应于基准统计模型无效的确定来控制ads。
[0078]
上面参考特定的实施方式提出了本公开。然而，除了上面所述的以外的其他实施
方式是可行的并落在本公开的范围内。可在本公开的范围内提供与上面所述的方法步骤不同的方法步骤(通过硬件或软件来执行该方法)。因此，根据示例性实施方式，提供了存储有一个或多个程序的非瞬态计算机可读存储介质，该一个或多个程序被配置为由车辆控制系统的一个或多个处理器执行，一个或多个程序包括用于执行根据上面讨论的实施方式中的任何一个的方法的指令。可替代地，根据另一示例性实施方式，云计算系统可被配置为执行本文所提出的方法中的任一。云计算系统可包括在一个或多个计算机程序产品的控制下联合执行本文所提出的方法的分布式云计算资源。
[0079]
处理器11(与控制设备10相关联)可以是或包括用于实施数据或信号处理或用于执行存储在存储器12中的计算机代码的任何数量的硬件部件。设备10具有关联存储器12，且存储器12可以是用于存储数据和/或用于完成或推进在本描述中描述的各种方法的计算机代码的一个或多个设备。存储器可包括易失性或非易失性存储器。存储器12可包括数据库部件、对象代码部件、脚本部件或用于支持本说明书的各种活动的任何其他类型的信息结构。根据示例性实施方式，任何分布式或本地存储器设备可与本说明书的系统和方法一起使用。根据示例性实施方式，存储器12通信连接到处理器11(例如，经由电路或任何其他有线、无线或网络连接)，并包括用于执行本文所述的一个或多个过程的计算机代码。
[0080]
应理解的是，传感器接口13还可提供直接或经由车辆中的专用传感器控制电路6获取传感器数据的可能性。通信/天线接口14可进一步提供经由外部网络30借助于天线8将输出发送到远程位置(例如，远程操作员或控制中心)的可能性。而且，车辆中的一些传感器可使用诸如can总线、i2c、以太网、光纤等的本地网络设置与控制系统10通信。通信接口14可布置成与车辆的其他控制功能通信，且也可因此被视作控制接口；然而，可提供单独的控制接口(未示出)。车辆内的本地通信也可以是具有诸如wifi、lora、zigbee、蓝牙的协议的无线类型或类似的中/短程技术。
[0081]
因此应理解的是，所描述的解决方案的部分的实现可以或者在车辆中、在位于车辆外部的系统中或者在车辆内部和外部的组合中；例如，在与车辆通信的服务器中，所谓的云解决方案。例如，本地更新后的模型参数集以及外部更新的模型参数集可被发送到外部系统，且这个系统执行用于将模型与基准统计模型比较的步骤，并将结果发送回到车辆。除了所描述的那些以外，实施方式的不同功能和步骤可组合在其他实施方式中。
[0082]
应注意的是，词“包括”并不排除除了所列出的那些以外的其他元件或步骤的存在，且元件前面的词“一个”或“一种”并不排除多个这种元件的存在。应进一步注意的是，任何附图标记并不限制权利要求的范围，本公开可至少部分地借助于硬件和软件两者来实现，以及几个“手段”或“单元”可由同一件硬件表示。
[0083]
虽然附图可示出方法步骤的特定顺序，步骤的顺序可与所描绘的不同。此外，两个或更多个步骤可同时或部分同时地被执行。例如，基于特定的实现，接收指示外部更新的模型参数集的信号和本地更新的统计模型的产生的步骤可以互换。这样的变形将取决于所选择的软件和硬件系统并取决于设计者选择。所有这种变形在本公开的范围内。同样，软件实现可以用标准编程技术用基于规则的逻辑和其他逻辑来实现，以实现各种连接步骤、处理步骤、比较步骤和决策步骤。上面提到的和描述的实施方式仅仅作为示例被给出，且不应该是对本公开的限制。在随附的专利实施方式所要求保护的本公开的范围内的其他解决方案、用途、目的和功能应对本领域技术人员是明显的。