一种基于预测车辆切入临界水平的辅助驾驶系统和方法与流程

1.本公开涉及车辆安全行驶技术领域，并且更具体地，涉及一种基于预测车辆切入临界水平的辅助驾驶系统和方法。


背景技术：

2.在车辆行驶过程中，其他车辆的切入会对当前车辆的行驶造成影响，甚至会发生碰撞事故。因此，确定车辆切入的临界水平至关重要。
3.现有的技术在预测车辆切入的临界水平时，通常分别使用如下三个参数来计算三个单个概率：目标车辆的横向速度；目标车辆和车道之间的重叠率；目标转向指示灯信息。通过综合这三个单个概率计算总概率，用于预测车辆切入的临界水平。这样预测的车辆切入临界水平的缺点是：不适用于驾车行为比较鲁莽且多近距离车辆切入的地区，以及在一些情况下预测到目标车辆切入时已为时过晚而不能阻止碰撞发生。而且，在这种情况下，驾驶人员需要中断acc功能，因此现在的acc性能无法满足需求。
4.因此，需要改进的基于预测车辆切入临界水平的辅助驾驶系统和方法。


技术实现要素：

5.本公开的目的在于，通过记录车辆切入的临界水平相关的物理参数和距离参数，提供一种基于预测车辆切入临界水平的辅助驾驶系统和方法。本公开所提出的技术方案可以用于预测目标车辆切入的临界水平。
6.因此，根据本公开第一方面，提供了一种基于预测车辆切入临界水平的辅助驾驶系统，所述系统包括：
7.训练数据集收集单元，被配置用于收集参照车辆和切入车辆的参数和切入临界水平值；
8.模型训练单元，被配置用于将所述参数和所述临界水平值作为深度神经网络的输入来训练模型；
9.执行单元，被配置用于使用所述训练的模型进行辅助驾驶。
10.在优选的实施方案中，所述参照车辆和切入车辆的参数包括，所述参照车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述切入车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述参照车辆和所述切入车辆的横向距离、纵向距离、所述参照车辆与所述切入车辆行驶通道的最近距离。
11.在优选的实施方案中，所述参照车辆和切入车辆的参数通过设置在所述参照车辆上的或道路基础设施上的传感器获取。
12.在一个实例中，所述传感器为任一个或任意多个的组合：摄像装置、激光雷达、毫米波雷达、超声波传感器，优选摄像装置。
13.在优选的实施方案中，所述执行单元将所述训练的模型发送至有需要的车辆。
14.在优选的实施方案中，所述有需要的车辆上设置有：信息获取单元，被配置用于获
取当前车辆和目标车辆的参数；预测单元，被配置用于基于所述当前车辆和目标车辆的参数和所述训练的模型，计算所述目标车辆的切入临界水平值。
15.在优选的实施方案中，所述当前车辆和目标车辆的参数包括，所述当前车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述目标车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述当前车辆和所述目标车辆的横向距离、纵向距离、所述当前车辆与所述目标车辆行驶通道的最近距离。
16.在优选的实施方案中，所述当前车辆和目标车辆的参数通过设置在当前车辆周围的传感器获取。
17.在一个实例中，所述传感器为任一个或任意多个的组合：摄像装置、激光雷达、毫米波雷达、超声波传感器，优选摄像装置。
18.在一个优选的实施方案中，所述参照车辆和切入车辆的参数和切入临界水平值存储在在线服务器端，所述训练数据集收集单元通过在线服务器获得所述参照车辆和切入车辆的参数和切入临界水平值。例如，某一地区的车辆将其获取的参照车辆和切入车辆的参数和切入临界水平值上传至所述在线服务器。
19.在一个优选的实施方案中，所述训练数据集收集单元和所述模型训练单元位于在线服务器端，有需要的车辆通过无线通讯从所述在线服务器端获取所述训练的模型。
20.根据本公开第二方面，提供了一种基于预测车辆切入临界水平的辅助驾驶方法，所述方法包括：
21.(1)收集参照车辆和切入车辆的参数和切入临界水平值；
22.(2)将所述参照车辆和切入车辆的参数和切入临界水平值作为深度神经网络的输入来训练模型；
23.(3)使用所述训练的模型进行辅助驾驶。
24.在优选的实施方案中，在(1)中，所述参照车辆和切入车辆的参数包括，所述参照车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述切入车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述参照车辆和所述切入车辆的横向距离、纵向距离、所述参照车辆与所述切入车辆行驶通道的最近距离。
25.在优选的实施方案中，在(1)中，所述参照车辆和切入车辆的参数通过设置在所述参照车辆上的或道路基础设施上的传感器获取。
26.在优选的实施方案中，所述传感器为任一个或任意多个的组合：摄像装置、激光雷达、毫米波雷达、超声波传感器，优选摄像装置。
27.在优选的实施方案中，在(3)中包括将所述训练的模型发送至有需要的车辆。
28.在优选的实施方案中，所述有需要的车辆：获取当前车辆和目标车辆的参数；基于所述当前车辆和目标车辆的参数和所述训练的模型，计算所述目标车辆的切入临界水平值。
29.在优选的实施方案中，所述当前车辆和目标车辆的参数包括，所述当前车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述目标车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述当前车辆和所述目标车辆的横向距离、纵向距离、所述当前车辆与所述目标车辆行驶通道的最近距离。
30.在优选的实施方案中，所述当前车辆和目标车辆的参数通过设置在当前车辆周围
的传感器获取。
31.在优选的实施方案中，所述传感器为任一个或任意多个的组合：摄像装置、激光雷达、毫米波雷达、超声波传感器，优选摄像装置。
32.在一个优选的实施方案中，在(1)中，所述参照车辆和切入车辆的参数和临界水平值存储在在线服务器端，所述训练数据集收集单元通过在线服务器获得所述参照车辆和切入车辆的参数和切入临界水平值。例如，某一地区的车辆将其获取的参照车辆和切入车辆的参数和切入临界水平值上传至所述在线服务器。
33.在优选的实施方案中，(1)和(2)在在线服务器端进行，有需要的车辆通过无线通讯从所述在线服务器端获取所述训练的模型。
34.根据本公开第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现根据本公开第二方面的方法。
35.利用本公开的系统和方法，通过收集参照车辆和切入车辆的参数和切入临界水平值，对深度神经网络模型进行训练，所述模型可以实现对车辆切入的临界水平进行预测，以便对车辆切入事件提前做好应对准备。
附图说明
36.从下面结合附图对本公开的具体实施方式的描述中可以更好地理解本公开，其中，相似的标号指示相同或功能类似的元件。
37.图1示出了根据本公开的一个实施方案的系统的示意性视图。
38.图2示出了根据本公开的一个实施方案的系统和方法的深度神经网络模型的示意图。
39.图3示出了根据本公开的一个实施方案的方法的流程框图。
具体实施方式
40.下文中，参照附图描述本公开的实施例。下面的详细描述和附图用于示例性地说明本公开的原理，本公开不限于所描述的优选实施例，本公开的范围由权利要求书限定。现参考示例性的实施方式详细描述本公开，一些实施例图示在附图中。以下描述参考附图进行，除非另有表示，否则在不同附图中的相同附图标记代表相同或类似的元件。以下示例性实施方式中描述的方案不代表本公开的所有方案。相反，这些方案仅是所附权利要求中涉及的本公开的各个方面的系统和方法的示例。
41.根据本公开的系统，通过测量当前车辆和切入车辆的物理参数和距离参数，对车辆切入的临界水平进行计算。由此，该系统可以应用于车辆，例如在车辆上设有接收装置，用于接收所述训练的模型，或者在移动设备的app上接收所述训练的模型。车辆可以是以内燃机为驱动源的内燃机汽车、以电动机为驱动源的电动汽车或燃料电池汽车、以上述两者为驱动源的混合动力汽车、或具有其他驱动源的汽车。车辆优选是自动驾驶车辆，自动驾驶车辆在驾驶位无驾驶人员操作，因此自动驾驶汽车更为需要安装根据本公开的系统。
42.本文中述及的自动驾驶车辆包括完全自动驾驶车辆，也包括具有自动驾驶模式的车辆。本公开适用的自动驾驶车辆具有如下基本特征：例如，这类车辆安装有多个传感器或定位装置，例如摄像装置、激光雷达、毫米波雷达、超声波传感器、车联万物通信(v2x)装置、
高度自动驾驶(had，highly automated driving)地图等，这些传感器能够检测诸如周围物体、障碍物、基础设施等车辆周围的环境；这些车辆能够通过全球导航卫星系统(gnss)以及传感器检测结果和had地图中的一者或者它们的组合检测当前车辆的位置；这些车辆均可以通过在线服务器获得导航路径；这些车辆能够基于感知和位置结果来规划拟行驶的路线；这类车辆还能够基于规划路线发送控制指令给动力系统、转向系统、刹车系统等等。
43.图1示出了根据本公开的实施例的基于预测车辆切入临界水平的辅助驾驶系统100的示意性视图。如图1所示，该系统100包括训练数据集收集单元110、模型训练单元120和执行单元130。
44.在图1中，训练数据集收集单元110被配置用于收集参照车辆和切入车辆的参数和切入临界水平值。在本公开中，车辆切入是指，在另一个车道后方有车辆行驶的情况下，车辆并线至另一车道。在一个优选的示例中，所述参照车辆和切入车辆的参数包括，所述参照车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述切入车辆的横向速度、纵向速度、横向加速度、纵向加速度、航向角、偏航角；所述参照车辆和所述切入车辆的横向距离、纵向距离、所述参照车辆与所述切入车辆行驶通道的最近距离。所述参照车辆是指其他车辆切入其前方的车辆。所述参照车辆和切入车辆的参数和切入临界水平值的数据可以从检测装置、车辆设备和/或其他途径进行获取。所述检测装置可以是或可以不是所述训练数据集收集单元110的一部分。所述检测装置可以有一个或多个，可以安装在所述参照车辆上或道路基础设施上。例如，所述检测装置为选自安装在参照车辆上的以下检测装置的任一个或任意多个的组合：摄像装置、激光雷达、毫米波雷达、超声波传感器，优选摄像装置。
45.在本公开中，车辆切入的临界水平值是指车辆切入时危险水平，例如可以通过参照车辆与切入车辆之间的最小时间间隔来衡量。所述时间间隔可以通过二者的距离除以相对速度进行计算。最小时间间隔越小危险水平越高，所述车辆切入的临界水平值越大。例如将所述车辆切入的临界水平值以0-5表示，0表示没有危险，例如最小时间间隔大于2秒；5表示最危险，例如最小时间间隔小于0.1秒。所述参照车辆与切入车辆之间的距离除以相对速度可以通过安装在所述参照车辆上或道路基础设施上的检测装置进行检测。例如，所述检测装置为选自安装在参照车辆上的以下检测装置的任一个或任意多个的组合：摄像装置、激光雷达、毫米波雷达、超声波传感器，优选摄像装置。
46.在本公开中，车辆的横向速度是指垂直于运动方向的速度。车辆的纵向速度是指沿运动方向的速度。车辆的横向加速度是指垂直于运动方向的加速度，例如车辆在水平路面上转弯时，用横向的摩擦力来提供加速度。车辆的纵向加速度是指沿运动方向的加速度，例如驱动车辆加速或减速提供的加速度。车辆的航向角是指车辆的行驶指向与所在点圆周切线的夹角；也可以是车辆质心速度与横轴的夹角。车辆的偏航角是指车辆相对车道的偏航角，可以采用车道线夹角方法来确定车辆偏航角，即根据摄像头采集的图像中两条车道线产生的角度偏差来计算车辆偏航角。所述参照车辆和所述切入车辆的横向距离是指，经过两个车辆的平行于车道的线之间的距离。所述参照车辆和切入车辆之间的纵向距离是指，经过两个车辆的垂直于车道的线之间的距离。所述参照车辆与所述切入车辆行驶通道的最近距离是指，经过所述参照车辆的平行于车道的线与所述切入车辆行驶通道之间的距离。
47.所述参照车辆和切入车辆的参数可以通过安装在所述参照车辆上的传感器进行测量，或者通过安装在道路基础设施上的传感器进行检测。当利用道路基础设施进行检测时，道路基础设施可以对所有车辆切入事件进行统计，因此可以获得更多的数据量，使得后面模型的训练更加全面。
48.在本公开中，所述参照车辆的速度可以获自所述车辆的行驶参数或者导航装置；所述切入车辆的速度可以通过安装在所述参照车辆上的传感器进行测量。或者，它们的速度可以通过安装在道路基础设施上的传感器进行检测。如果所述切入车辆与本公开的基于预测车辆切入临界水平的辅助驾驶系统100有无线连接，所述切入车辆的速度可以通过其行驶参数计算而获得或者从其导航装置获取。
49.在本公开中，根据本公开的系统的可以位于在线服务器端，例如所述训练数据集收集单元和所述模型训练单元，在所述在线服务器端进行模型训练。所述车辆通过无线通讯从所述在线服务器端获取所述训练的模型。所述参照车辆和切入车辆的参数和切入临界水平值存储在在线服务器端，所述训练数据集收集单元通过在线服务器获得所述参照车辆和切入车辆的参数和切入临界水平值。例如，将获取的参照车辆和切入车辆的参数和切入临界水平值上传至所述在线服务器。
50.在图1中，模型训练单元120被配置用于将所述参数和所述临界水平值作为深度神经网络的输入来训练模型。预先构建用于基于预测车辆切入临界水平的辅助驾驶神经网络模型，通过大量真实的历史行驶数据作为训练数据，对神经网络模型进行训练，得到车辆切入临界水平的预测模型。该车辆切入临界水平的预测模型能够根据当前车辆和目标车辆的物理参数和距离参数，准确地预测出车辆切入的临界水平。参照车辆和切入车辆的参数将作为训练模型的深度神经网络的输入。经过足够的训练样本后，准确度将达到足够的水平。在优选的实施例中，所述训练数据集收集单元和所述模型训练单元位于在线服务器端。
51.在示例性的实施方案中，图2示出了神经网络的示意图。图2中示例性示出收集2000个切入事件的如下数据：目标车辆偏航角、当前车辆偏航角、横向距离、纵向距离、目标车辆偏航角、当前车辆偏航角和临界水平。深度神经网络(deep neural networks,dnn)是一种判别模型，具备至少一个隐层的神经网络，可以使用反向传播算法进行训练。如图2所示，可以用于模型训练单元120的神经网络包括输入层、隐含层和输出层。在输入层输入训练数据集收集单元110收集的参照车辆和切入车辆的参数和车辆切入的临界水平。在示例的实施方案中，隐含层可以包括卷积层、线性整流函数层(rectified linear unit，简称relu)、最大池化层、全连接层、bn层(batch normalization)、失活(dropout)层、循环神经网络编码层和循环神经网络解码层。在一个具体实例中，循环神经网络编码层和循环神经网络解码层可以采用长短期记忆网络(lstm)实现。例如，从卷积层至循环神经网络编码层这部分可以认为是一个编码的过程。在循环神经网络编码层之后的长短期记忆网络为循环神经网络解码层，可以认为是对编码结果的解码的过程。其中，卷积层、线性整流函数层和最大池化层构成一个卷积神经网络；全连接层、bn层和失活层构成一个全卷积神经网络。可以采用现有的模型训练的方法实现，利用训练数据集对预设的神经网络模型进行模型训练，得到车辆切入临界水平的预测模型。
52.在一个实例中，利用训练数据集对预设的神经网络模型进行模型训练通过如下方式进行：通过收集参照车辆和切入车辆的参数和车辆切入的临界水平，将数据进行参数化
处理之后，取其中一部分参数化后的数据集作为神经网络的训练集，对神经网络模型进行训练。在对神经网络进行训练的同时取另一部分参数化后的数据集作为测试集，通过测试集对训练集训练出的神经网络模型进行验证，在准确率达到需求时，并且随机更换测试集之后准确率没有发生浮动，且没有出现过拟合现象，此时神经网络训练达标。随着训练样本的增多，可以实时对神经网络进行更新。
53.在图1中，执行单元130被配置用于使用所述训练的模型进行辅助驾驶。例如，将所述训练的模型发送至有需要的车辆，所述有需要的车辆基于其和目标车辆的参数和所述训练的模型，计算所述目标车辆的切入临界水平值。在一个实例中，所述有需要的车辆包括信息获取单元和预测单元；所述信息获取单元被配置用于获取当前车辆和目标车辆的参数，所述预测单元被配置用于基于所述当前车辆和目标车辆的参数和所述训练的模型，计算所述目标车辆的切入临界水平值。当前车辆和目标车辆的参数如前文对参照车辆和切入车辆所述。所述信息获取单元和所述预测单元位于所述当前车辆端，所述当前车辆通过无线通讯从所述在线服务器端获取所述训练的模型。在配备所述系统的车辆上，可以计算所有切入车辆的切入临界水平。
54.在本实施例中，将当前车辆和目标车辆的参数输入训练好的神经网络模型，所述神经网络模型会输出车辆切入临界水平的值，例如1-5的数值，数值越大表明车辆切入临界水平越高，危险程度越大。在一个实例中，所述预测单元将预测结果在所述当前车上对驾驶人员进行显示或广播，供驾驶人员参考，例如通过车辆内显示器或扬声器。或者，所述预测结果用于指导所述当前车辆的自动驾驶。在一个实施方案中，所述预测结果和实际的车辆切入临界水平被无线发送至训练数据集收集单元110，用于在模型训练单元120中进一步优化所述模型。
55.下面将参考附图描述根据本公开的实施例的基于预测车辆切入临界水平的辅助驾驶方法。图3是示出根据本公开的实施例的基于预测车辆切入临界水平的辅助驾驶方法s100的流程图。基于预测车辆切入临界水平的辅助驾驶方法s100由上述的系统100来执行。
56.如图3所示，在步骤s110中，收集参照车辆和切入车辆的参数和切入临界水平值。在步骤s120中，将所述参照车辆和切入车辆的参数和切入临界水平值作为深度神经网络的输入来训练模型。关于参照车辆和切入车辆的参数和切入临界水平值，以及深度神经网络，在上文已经进行了详细的表述。具体请参见上文训练数据集收集单元110和模型训练单元120的描述。
57.在步骤s130中，使用所述训练的模型进行辅助驾驶。在一个实例中，基于所述当前车辆和目标车辆的参数和所述训练的模型，计算所述目标车辆的切入临界水平值。关于当前车辆和目标车辆的参数，以及计算所述目标车辆的切入临界水平值，在上文也有详细描述，此处不再赘述。利用本公开的方法，根据当前车辆和目标车辆的参数，辆车切入的临界水平可以通过算法进行计算，从而当前车辆可以更早地作出反应。
58.本公开的方法可以利用计算机程序完成，通过计算机程序对步骤s110中收集的参照车辆和切入车辆的参数和切入临界水平值进行处理，训练深度神经网络模型，基于所述当前车辆和目标车辆的参数以及所述训练的模型，计算所述目标车辆的切入临界水平。因此，本公开还可以包括一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现本公开的实施例中所述的方法。
59.本领域的技术人员应当理解，本公开的基于预测车辆切入临界水平的辅助驾驶方法中各个步骤划分以及次序仅仅是示意性地而非限定性的，本领域的技术人员可以在不背离在附加的权利要求和其等价技术方案阐述的本公开精神和范围的情况下，进行删减、增加、替换、修改和变化。
60.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
61.尽管结合实施例对本公开进行了描述，但本领域技术人员应理解，上文的描述和附图仅是示例性而非限制性的，本公开不限于所公开的实施例。在不偏离本公开的精神的情况下，各种改型和变体是可能的。