[go: up one dir, main page]

CN119452404A - 预测一个交通参与者对至少一个其他交通参与者的影响的方法和运行车辆的方法 - Google Patents

预测一个交通参与者对至少一个其他交通参与者的影响的方法和运行车辆的方法 Download PDF

Info

Publication number
CN119452404A
CN119452404A CN202380050124.8A CN202380050124A CN119452404A CN 119452404 A CN119452404 A CN 119452404A CN 202380050124 A CN202380050124 A CN 202380050124A CN 119452404 A CN119452404 A CN 119452404A
Authority
CN
China
Prior art keywords
traffic
traffic participant
participant
influence
trajectory
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.)
Pending
Application number
CN202380050124.8A
Other languages
English (en)
Inventor
T·蒙宁格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mercedes Benz Group AG
Original Assignee
Mercedes Benz Group AG
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 Mercedes Benz Group AG filed Critical Mercedes Benz Group AG
Publication of CN119452404A publication Critical patent/CN119452404A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • 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
    • B60W2554/20—Static 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
    • 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
    • B60W2556/40—High definition maps

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种借助经过训练的人工神经网络(N)通过分析交通场景来预测一个交通参与者(V1至V3)对至少一个其他交通参与者(V1至V3)的影响的方法。根据本发明，借助所记录的交通场景来执行神经网络(N)的训练，其中，交通场景具有多个交通参与者(V1至V3)，并且标有分数值，该分数值代表了一个交通参与者(V1至V3)被其他交通参与者(V1至V3)施加的影响。确定一个交通参与者(V1至V3)的两条轨迹(T1、T2)之间的偏差(d2至d4)，并在此基础上针对另一交通参与者(V1至V3)为所述一个交通参与者(V1至V3)计算特定的分数值。两条轨迹(T1、T2)中的一条是所采集的真实轨迹(T1)，即所述一个交通参与者(V1至V3)在记录的特定交通场景中实际行驶的轨迹，并且两条轨迹(T1、T2)中的另一条是模拟轨迹(T2)，其在模拟中确定，并且代表了所述一个交通参与者(V1至V3)在所述另一交通参与者(V1至V3)不存在的情况下，在相同交通场景中会行驶的轨迹。

Description

预测一个交通参与者对至少一个其他交通参与者的影响的方 法和运行车辆的方法
技术领域
本发明涉及一种根据权利要求1前序部分所述的预测一个交通参与者对至少一个其他交通参与者的影响的方法。
本发明还涉及一种运行车辆的方法。
背景技术
DE 10 2021 005 625.6描述了一种在自动驾驶车辆环境中借助经过训练的人工神经网络预测车辆轨迹的方法。在此，借助于机器训练的基于注意力的交互算法来确定车辆之间的交互度。借助于交互算法，位于自动驾驶车辆的环境中的车辆集合中的各个车辆被识别为与轨迹预测相关，并且如果该车辆各自与待预测其轨迹的车辆中的至少一辆的交互度超过预定极限值，则选择该车辆用于轨迹预测。在随后的学习步骤中，只用被选择为与轨迹预测相关的车辆来训练轨迹预测算法，并且借助于轨迹预测算法执行的轨迹预测仅针对被选择为与轨迹预测相关的车辆来执行。另外描述了一种自动化运行自动驾驶车辆的方法，其中，会预测车辆在自动驾驶车辆环境中的轨迹，并且在自动驾驶车辆的自动化运行过程中，在自动驾驶车辆的自动化横向和/或纵向控制时考虑所预测的轨迹。
发明内容
本发明的目的在于，提供一种新颖的预测一个交通参与者对至少一个其他交通参与者的影响的方法和一种新颖的运行车辆的方法。
根据本发明，该目的通过一种具有权利要求1中所述特征的预测一个交通参与者对至少一个其他交通参与者的影响的方法和一种具有权利要求6中所述特征的运行车辆的方法来实现。
本发明的有利的设计方案是从属权利要求的主题。
在借助经过训练的人工神经网络通过分析交通场景来预测一个交通参与者对至少一个其他交通参与者的影响的方法中，根据本发明，借助所记录的交通场景来执行神经网络的训练。在此，这些交通场景具有多个交通参与者，并且标有分数值，该分数值代表了一个交通参与者被其他交通参与者施加的影响。确定一个交通参与者的两条轨迹之间的偏差，并在此基础上针对另一交通参与者为所述一个交通参与者计算对应的分数值。在此，两条轨迹中的一条是所采集的真实轨迹，即所述一个交通参与者在记录的对应交通场景中实际行驶的轨迹。两条轨迹中的另一条是模拟轨迹，其在模拟中确定，并且代表了所述一个交通参与者在所述另一交通参与者不存在的情况下，在相同交通场景中会行驶的轨迹。
对于根据标准SAE J3016的2至5级自动化运行的自动驾驶车辆，以及根据NCAP的主动式碰撞避免系统，必须在自动驾驶车辆环境中准确识别交通参与者。为了为自动驾驶车辆规划安全且无碰撞的轨迹，还必须正确地预测周围交通参与者的未来轨迹。在此，必须内在地理解每个交通参与者对其他交通参与者的影响，以便考虑交互依赖性。
为了量化这些交互，借助本方法以分数值的形式设立标量型影响度量以及学习这一影响度量的方法。
通过该方法，在此能够特别有利地在至少两个交通参与者之间的交互层面上明确表达影响分数。在此，能够从任意交通场景中提取分数值，从而能够将其用作标签和/或道路实况。该方法尤其实现了基于学习的方法，其将所生成的分数值用作标签，并且基于周围交通参与者的分布及可选的基础设施，例如车道、交通规则等，在实时模式下对该分数值的预测进行学习。
在本方法一种可能的设计方案中，借助平均位移误差和/或最终位移误差来确定两条轨迹之间的偏差。其中最小平均位移误差表示相应轨迹的每个计算位置距其真实位置平均有多远。最小最终位移误差表示对于各个最后预测步骤的预测与真实轨迹的偏差。
在本方法另一可能的设计方案中，在一个交通参与者的分数值的基础上，确定所述一个交通参与者对仅一个其他交通参与者的影响。也就是说，分数值被视为相对量值，以便描述一个交通参与者对另一特定交通参与者的相对影响。
在本方法另一可能的设计方案中，在一个交通参与者的分数值的基础上，确定所述一个交通参与者对相应交通场景中所有其他交通参与者的影响。也就是说，分数值被视为绝对量值，以便描述一个交通参与者对交通场景的全局影响。
在本方法另一可能的设计方案中，经过训练的人工神经网络采用无地图方法，其使用其他交通参与者的动态信息作为输入信息。备选地或者额外地，经过训练的人工神经网络采用场景图，其使用所有可用信息，包括来自地图的有关静态基础设施的信息。两种选项无论是单独还是一起，都会带来高效且成功的训练。
在运行车辆的方法中，根据本发明，使用在前述方法或设计方案中预测的一个交通参与者对至少一个其他交通参与者的影响，来执行车辆功能。由此实现了车辆功能特别可靠的运行。
在运行车辆的方法的一种可能的设计方案中，会借助所预测的周围交通参与者对自动驾驶车辆的影响，利用自动驾驶车辆的碰撞警告和/或碰撞避免系统来确定自动驾驶车辆与周围交通参与者发生碰撞的概率。由于使用了所预测的影响，这种确定尤其高效且可靠。
在运行车辆的方法的另一可能的设计方案中，将所预测的影响用作启发式方法，以便在自动化运行车辆查找路径的过程中，将搜索空间限制为至少一个相关的交通参与者。这可以实现对应车辆功能特别高效的运行。
在运行车辆的方法的另一可能的设计方案中，将所预测的影响用作轨迹预测方法的输入变量，并且对成对的交通参与者之间的交互强度进行建模。这可以实现特别准确的轨迹预测。
附图说明
下面参考附图更详细地解释本发明的实施例。
其中：
图1示意性地示出了交通情况的俯视图；
图2示意性地示出了另一交通情况的俯视图；
图3示意性地示出了另一交通情况的俯视图；
图4示意性地示出了图2和3交通情况中车辆的轨迹，并且
图5示意性地示出了图形结构，以及利用基于图形的人工神经网络处理
图形结构中的信息。
在所有附图中相互对应的部分都用相同的附图标记标示。
具体实施方式
图1示出了丁字路口上交通情况的俯视图。在此，形式为车辆的交通参与者V1位于主路上，并且另外两个同样形式为车辆的交通参与者V2、V3前后依次停止在停止线S旁。在这种情况下，交通参与者V1对交通参与者V2的影响很大，因为交通参与者V1构成了交通参与者V2停止的原因。同样，交通参与者V2对交通参与者V3的影响也很大，否则交通参与者V3会一直行驶至停止线S前。
为了量化交通参与者V1至V3之间的交互，在此提供了也被称为分数值的影响度量，以及学习该影响度量的方法。
为了确定一个交通参与者V1至V3对另一交通参与者V1至V3的影响，确定轨迹T1、T2的偏差，而如果所考虑的所述另一交通参与者V1至V3不存在，则所述一个交通参与者V1至V3将会行驶该轨迹T2。
如图2所示，由于靠近的交通参与者V1，交通参与者V2在行驶轨迹T1的情况下停止在停止线S旁。
为了借助该影响度量来量化交通参与者V1对交通参与者V2的影响，在图3中示出了无交通参与者V1的相同交通情况。在此，交通参与者V2没有停止在停止线S旁，而是沿着轨迹T2并且向右转弯。
两条轨迹T1、T2之间的偏差相应地较大，因而根据影响度量，交通参与者V1对交通参与者V2的影响也较大。这一点是可信的，因为交通参与者V2的确与交通参与者V1交互，并且当交通参与者V1通过了路口后才会继续行驶。
针对i存在的情况下j的轨迹t，和i不存在的情况下j的轨迹t，使用距离尺寸/距离测量值D根据
ei,j＝D(tj|i,tj|i) (1)
计算用于确定交通参与者i对交通参与者j的影响的影响度量ei,j。
可以使用所有能够比较两个时间序列的影响度量作为距离尺寸，例如所谓的平均位移误差(ADE)或所谓的最终位移误差(FDE)，具体根据
和
此外，可以以绝对或相对的方式计算影响。相对描述了交通参与者i对交通参与者j的影响，绝对描述了交通参与者i对所有周围交通参与者的影响：
如果将形式为平均位移误差的影响度量应用于图2和3所示的交通场景，则会得到图4中示出的情况，其中具有轨迹T1、T2，并且轨迹T1、T2每秒具有位置POS1至POS4、POS1'至POS4'。
在轨迹T1、T2的各个位置POS1至POS4、POS1'至POS4'之间形成了偏差d2至d4，其在位置POS1、POS1'上的数值还为零，但随着接下来的每个位置POS2至POS4、POS2'至POS4'，偏差会增大。其原因在于，交通参与者V2在行驶轨迹T1时会停止在停止线S旁，而在行驶轨迹T2时则会右转。
也就是说，为了计算影响，需要交通参与者V2的两条轨迹T1、T2。一条轨迹T1用于存在交通参与者V1的情形，而另一条轨迹T2则用于不存在交通参与者V1的情形。
在此，所记录的数据仅涵盖了存在交通参与者V1的情况。其他情形则需要所谓的干预，即后续无法实现的、对环境进行的干预。为此，参见例如“Judea Pearl:Causality:Models,Reasoning,and Inference”。
然而为了针对这种情况仍然获得轨迹T2，对交通场景重新进行模拟，并且除了交通参与者V1以外沿用了该环境。现在轨迹规划模块能够重新处理相同的交通场景，区别在于不存在交通参与者V1。如此能够在模拟中实现干预。
对于所记录的交通场景，通过这种方法能够量化每个交通参与者V1至V3分别对场景中每个其他交通参与者V1至V3的影响。现在，在基于学习的方法中将该分数值用作标签，而所述方法的目的则在于预测影响。
在此可以使用任意输入。例如可以使用所谓的无地图方法，其仅仅使用周围交通参与者V1至V3的动态信息DI作为输入信息。
但同样可以使用场景图，其使用所有可用信息，包括来自地图的有关静态基础设施的信息。这一点在图5中示出，其具体借助了图形结构GS，并且利用基于图形的人工神经网络N处理图形结构GS中的信息。图形结构GS在此包含多个节点K1至Km，其由边缘E1至En连接。
在此，静态信息SI、动态信息DI、语义信息SEI和关系信息RI作为交通场景的输入信息被传输到图形结构GS中。
然后使用一种形式的基于学习的方法，特别是基于图形的人工神经网络N，其中，输出信息AI提供了一个交通参与者V1至V3对至少一个其他交通参与者V1至V3的影响的相关信息。
如此通过基于学习的方法能够预测一个交通参与者V1至V3对另一交通参与者V1至V3的影响。该信息可以用于碰撞警告器中，用于轨迹预测方法或用于轨迹规划方法。

Claims (9)

1.一种借助经过训练的人工神经网络(N)通过分析交通场景来预测一个交通参与者(V1至V3)对至少一个其他交通参与者(V1至V3)的影响的方法，其特征在于，
-借助所记录的交通场景来执行所述人工神经网络(N)的训练，其中，所述交通场景具有多个交通参与者(V1至V3)，并且标有分数值，所述分数值代表了一个交通参与者(V1至V3)被其他交通参与者(V1至V3)施加的影响；
-确定一个交通参与者(V1至V3)的两条轨迹(T1、T2)之间的偏差(d2至d4)，并在此基础上针对另一交通参与者(V1至V3)
为所述一个交通参与者(V1至V3)计算对应的分数值；
-所述两条轨迹(T1、T2)中的一条是所采集的真实轨迹(T1)，
即所述一个交通参与者(V1至V3)在所记录的对应交通场景中实际行驶的轨迹；并且
-所述两条轨迹(T1、T2)中的另一条是模拟轨迹(T2)，所述模拟轨迹在模拟中确定，并且代表了所述一个交通参与者(V1至V3)在所述另一交通参与者(V1至V3)不存在的情况下，在相同交通场景中会行驶的轨迹。
2.根据权利要求1所述的方法，其特征在于，所述两条轨迹(T1、T2)之间的所述偏差(d2至d4)借助以下来确定：
-平均位移误差，和/或
-最终位移误差。
3.根据权利要求1或2所述的方法，其特征在于，在一个交通参与者(V1至V3)的分数值的基础上，确定所述一个交通参与者(V1至V3)对仅一个其他交通参与者(V1至V3)的影响。
4.根据前述权利要求中任一项所述的方法，其特征在于，在一个交通参与者(V1至V3)的分数值的基础上，确定所述一个交通参与者(V1至V3)对相应交通场景中的所有其他交通参与者(V1至V3)的影响。
5.根据前述权利要求中任一项所述的方法，
其特征在于，所述经过训练的人工神经网络(N)
-采用无地图方法，其使用所述其他交通参与者(V1至V3)的动态信息(DI)作为输入信息，和/或
-采用场景图，其使用所有可用信息，包括来自地图的有关静态基础设施的信息。
6.一种运行车辆的方法，其中，使用根据前述权利要求中任一项所述的方法预测的一个交通参与者(V1至V3)对至少一个其他交通参与者(V1至V3)的影响，来执行车辆功能。
7.根据权利要求6所述的方法，其中，在预测的周围交通参与者(V1至V3)对自动驾驶车辆的影响的基础上，借助自动驾驶车辆的碰撞警告和/或碰撞避免系统来确定自动驾驶车辆与所述周围交通参与者(V1至V3)发生碰撞的概率。
8.根据权利要求6或7所述的方法，其中，将预测的影响用作启发式方法，以便在自动化运行车辆查找路径的过程中将搜索空间限制为至少一个相关的交通参与者(V1至V3)。
9.根据权利要求6至8中任一项所述的方法，其中，将预测的影响用作轨迹预测方法的输入变量，并且对成对的交通参与者(V1至V3)之间的交互强度进行建模。
CN202380050124.8A 2022-07-05 2023-06-21 预测一个交通参与者对至少一个其他交通参与者的影响的方法和运行车辆的方法 Pending CN119452404A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102022002457.8 2022-07-05
DE102022002457.8A DE102022002457A1 (de) 2022-07-05 2022-07-05 Verfahren zur Prädiktion eines Einflusses eines Verkehrsteilnehmers auf zumindest einen anderen Verkehrsteilnehmer und Verfahren zum Betrieb eines Fahrzeugs
PCT/EP2023/066809 WO2024008453A1 (de) 2022-07-05 2023-06-21 Verfahren zur prädiktion eines einflusses eines verkehrsteilnehmers auf zumindest einen anderen verkehrsteilnehmer und verfahren zum betrieb eines fahrzeugs

Publications (1)

Publication Number Publication Date
CN119452404A true CN119452404A (zh) 2025-02-14

Family

ID=87060331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202380050124.8A Pending CN119452404A (zh) 2022-07-05 2023-06-21 预测一个交通参与者对至少一个其他交通参与者的影响的方法和运行车辆的方法

Country Status (5)

Country Link
US (1) US20250381990A1 (zh)
EP (1) EP4508621B1 (zh)
CN (1) CN119452404A (zh)
DE (1) DE102022002457A1 (zh)
WO (1) WO2024008453A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120748241B (zh) * 2025-07-24 2026-01-27 博西尼信息科技有限公司 物联网驱动的停车管理设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012009297A1 (de) * 2012-05-03 2012-12-13 Daimler Ag Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
DE102018132520A1 (de) * 2018-12-17 2020-06-18 Trw Automotive Gmbh Verfahren sowie System zum Steuern eines Kraftfahrzeugs
EP3722908B1 (en) * 2019-04-09 2022-11-30 Bayerische Motoren Werke Aktiengesellschaft Learning a scenario-based distribution of human driving behavior for realistic simulation model
DE102019002790B4 (de) * 2019-04-16 2023-05-04 Mercedes-Benz Group AG Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug
DE102019206908B4 (de) * 2019-05-13 2022-02-17 Psa Automobiles Sa Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
DE102019209736A1 (de) * 2019-07-03 2021-01-07 Robert Bosch Gmbh Verfahren zur Bewertung möglicher Trajektorien
DE102021005625B3 (de) 2021-11-12 2022-12-01 Mercedes-Benz Group AG Verfahren zur Trajektorienprädiktion und Verfahren zum automatisierten Betrieb eines Fahrzeugs
CN114022847B (zh) * 2021-11-23 2024-07-05 清华大学 一种智能体轨迹预测方法、系统、设备和存储介质

Also Published As

Publication number Publication date
EP4508621C0 (de) 2025-10-15
EP4508621A1 (de) 2025-02-19
EP4508621B1 (de) 2025-10-15
DE102022002457A1 (de) 2024-01-11
US20250381990A1 (en) 2025-12-18
WO2024008453A1 (de) 2024-01-11

Similar Documents

Publication Publication Date Title
US20240412624A1 (en) Driving scenarios for autonomous vehicles
CN114970321B (zh) 一种基于动态轨迹流的场景流数字孪生方法及系统
CN110796856B (zh) 车辆变道意图预测方法及变道意图预测网络的训练方法
US11501449B2 (en) Method for the assessment of possible trajectories
CN112406904B (zh) 自动驾驶策略的训练方法、自动驾驶方法、设备和车辆
Trauth et al. FRENETIX: A high-performance and modular motion planning framework for autonomous driving
US20220383736A1 (en) Method for estimating coverage of the area of traffic scenarios
EP4124999A1 (en) Method and system for predicting trajectories of agents
Long et al. Vlm-mpc: Vision language foundation model (vlm)-guided model predictive controller (mpc) for autonomous driving
US20240149918A1 (en) Navigation based on internal state inference and interactivity estimation
CN118709520A (zh) 面向自动驾驶决策算法的安全关键场景生成系统和方法
CN119452404A (zh) 预测一个交通参与者对至少一个其他交通参与者的影响的方法和运行车辆的方法
Ochs et al. One stack to rule them all: To drive automated vehicles, and reach for the 4th level
CN117789446A (zh) 基于交通情形的图形表示预测道路使用者行为
Moller et al. From shadows to safety: Occlusion tracking and risk mitigation for urban autonomous driving
CN119252066B (zh) 一种基于模仿学习的车辆轨迹优化方法及相关装置
CN120663943A (zh) 车辆控制方法、装置、电子设备及介质
US20250206343A1 (en) Method For Determining Control Parameters For Driving A Vehicle
CN119043360A (zh) 一种基于自车坐标系下的周围车辆轨迹预测方法
Garikapati et al. Systematic selective limits application using decision-making engines to enhance safety in highly automated vehicles
CN117636306A (zh) 行驶轨迹确定、模型训练方法、装置、电子设备及介质
CN117235473A (zh) 一种自动驾驶模型的自进化、决策管理方法和装置及系统
CN116540701B (zh) 一种路径规划方法、系统、装置及存储介质
CN121209296B (zh) 一种驾驶决策模型优化方法及电子设备
KR102906206B1 (ko) 자율 주행 시스템의 경로 계획을 위한 학습 기반 매개변수로 형성되는 비용 함수

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