用于辅助驾驶的自适应车道保持辅助方法和装置与流程

1.本公开总体涉及自主机动车辆控制系统的编程。更具体地说，本公开的方面涉及一种用于车道保持辅助算法的路径整形系统、方法和装置，以使该算法能够根据所计算的风险指数公式适应驾驶员的偏好以及驾驶员状态、车辆状态和环境状况。


背景技术：

2.现代车辆的操作越来越自动化，即，能够以越来越少的驾驶员干预实现驾驶控制。车辆自动化分为从零到五的多个数字级别，其中零级与纯人工控制的无自动化对应，而五级与无人工控制的纯自动化对应。诸如巡航控制、自适应巡航控制和停车辅助系统等各种自动驾驶辅助系统与较低的自动化级别对应，而真正的“无人驾驶”车辆与较高的自动化级别对应。
3.诸如车道保持辅助系统等自动驾驶辅助系统通常响应于障碍物、车道标识、道路路径和其它外部因素的检测来确定车辆路径。这些特征行为往往与车辆乘客的期望和个人偏好不相符。在某些情况下，可能会感到在不同驾驶状况下车辆的表现与车辆乘客的期望不一致或者令人困惑。期望提供一种用于在自动驾驶辅助操作期间进行车辆路径整形的方法，该方法能满足车辆乘员的期望，以提高乘员舒适性并减少车辆乘员的顾虑。
4.在本背景技术一节中公开的上述信息仅仅是为了加强对本发明的背景的理解，因此可能包含不构成在本国中对于本领域普通技术人员来说已经公知的现有技术的信息。


技术实现要素：

5.本文公开了一种用于实现自主车辆控制的自主车辆控制系统训练系统和相关控制逻辑、一种用于制造和操作这种系统的方法、以及一种配有车载控制系统的机动车辆。作为示例而非限制，提出了一种具有用于响应变化的风险水平和变化的干预阈值执行车道保持辅助功能的车载车辆控制学习和控制系统的汽车。
6.根据本公开的一个方面，提供了一种装置，该装置包括：配置为检测主车辆至车道边缘的距离的传感器；配置为提供车辆系统的状态的车辆系统；配置为响应于车辆系统的状态确定风险指数、响应于风险指数计算干预阈值、并响应于主车辆至车道边缘的距离小于干预阈值的条件生成车辆路径的处理器；以及用于响应于车辆路径控制车辆的车辆控制器。
7.根据本公开的另一个方面，其中所述车辆系统的状态是由驾驶员监测系统确定的驾驶员的投入度。
8.根据本公开的另一个方面，其中所述干预阈值与车道边缘之间的距离与风险指数成比例地增大。
9.根据本公开的另一个方面，其中所述风险指数是响应于路面材料、路肩类型和道路几何形状之中的至少一个确定的。
10.根据本公开的另一个方面，其中所述车辆系统的状态是响应于驾驶员的转向干涉
确定的驾驶员的投入度。
11.根据本公开的另一个方面，其中所述处理器执行车道保持辅助算法。
12.根据本公开的另一个方面，其中所述车辆系统的状态是响应于车辆速度、车辆航向、车辆曲率和车辆方向之中的至少一个确定的。
13.根据本公开的另一个方面，其中所述传感器是用于捕获图像的摄像头，并且其中所述主车辆至车道边缘的距离是响应于对图像执行的边缘检测算法确定的。
14.根据本公开的另一个方面，提供了一种方法，该方法包括：车辆传感器检测从主车辆至车道边缘的距离，确定车辆系统的状态，处理器响应于车辆系统的状态计算风险指数，处理器响应于风险指数计算干预阈值，处理器响应于主车辆至车道边缘的距离小于干预阈值的条件生成车辆路径，并且车辆控制器响应于车辆路径控制车辆。
15.根据本公开的另一个方面，其中所述车辆系统的状态是由驾驶员监测系统确定的驾驶员的投入度。
16.根据本公开的另一个方面，其中所述干预阈值与车道边缘之间的距离与风险指数成比例地增大。
17.根据本公开的另一个方面，其中所述风险指数是响应于路面材料、路肩类型和道路几何形状之中的至少一个确定的。
18.根据本公开的另一个方面，其中所述车辆系统的状态是响应于驾驶员的转向干涉确定的驾驶员的投入度。
19.根据本公开的另一个方面，其中所述车辆系统的状态是响应于车辆速度和车辆方向之中的至少一个确定的。
20.根据本公开的另一个方面，其中所述车辆传感器是用于捕获图像的摄像头，并且其中所述主车辆至车道边缘的距离是响应于对图像执行的边缘检测算法确定的。
21.根据本公开的另一个方面，所述方法还包括：处理器执行车道保持辅助算法。
22.根据本公开的另一个方面，其中所述风险指数是响应于根据多个系统状态确定的多个加权风险值的总和计算的。
23.根据本公开的另一个方面，提供了一种用于在主车辆中执行自适应车道保持操作的自适应驾驶辅助系统，该自适应驾驶辅助系统包括：用于捕获路面图像的摄像头；配置为检测图像中的车道标识的图像处理器；用于估算主车辆与车道标识之间的距离、响应于至少一个车辆系统状态确定干预阈值、并响应于主车辆与车道标识之间的距离小于干预阈值的条件生成车辆路径的处理器；以及用于响应于车辆路径控制主车辆的车辆控制器。
24.根据本公开的另一个方面，其中所述干预阈值与车道边缘之间的距离与风险指数成比例地增大。
25.根据本公开的另一个方面，其中车辆路径的转弯半径与风险指数成比例地增大。
26.通过结合附图阅读下文中的优选实施例的详细说明，本公开的上述优点以及其它优点和特征将变得明显。
附图说明
27.通过结合附图参阅下文中的本发明的实施例的说明，本发明的上述和其它特征及优点以及获得它们的方式将变得更明显，并且能更好地理解本发明，在附图中：
28.图1示出了一个示例性实施例的用于机动车辆中的辅助驾驶的自适应车道保持辅助系统的操作环境。
29.图2示出了一个示例性实施例的用于辅助驾驶的自适应车道保持辅助系统的框图。
30.图3示出了另一个示例性实施例的用于辅助驾驶的自适应车道保持辅助方法的流程图。
31.图4示出了一个示例性实施例的用于辅助驾驶的自适应车道保持辅助系统的一个示例性实施方案的框图。
32.图5示出了另一个示例性实施例的用于辅助驾驶的自适应车道保持辅助方法的流程图。
33.在本文中给出的示例仅用于示例性地说明本发明的优选实施例，而不应理解为以任何方式限制本发明的范围。
具体实施方式
34.在本文中说明了本发明的多个实施例。但是应理解，所公开的实施例仅是示例性的，其它实施例可采取各种替代形式。附图不一定是按比例绘制的；某些特征可能被夸大或缩小，以显示特定部件的细节。因此，本文中公开的具体结构和功能细节不应被解读为限制性的，而仅是代表性的。参照任何一个附图示出和说明的各种特征可与一个或多个其它附图中示出的特征组合，以产生未明确示出或说明的实施例。所示特征的组合为典型应用提供了代表性实施例。但是，与本公开的教导一致的特征的各种组合和修改对于特定应用或实施方案可能是期望的。
35.图1示意性地示出了一个示例性实施例的配有自适应车道保持辅助系统的机动车辆的使用操作环境100。示例性的操作环境100包括具有中央车道分隔标识线110和砾石路肩125的双车道道路105。还示出了主车辆115、主车辆路径120和干预阈值122。主车辆路径120是响应于由主车辆115内的高级驾驶辅助系统(adas)执行的车道保持辅助(lka)算法确定的。lka算法监测车道标识和/或车辆位置，确定干预阈值122，并且在车辆接近干预阈值122时通过调整转向角度使车辆返回当前行驶车道的中心来修正车辆路径，从而将车辆保持在当前行驶车道内。通常，车辆乘客在使用进行平稳、渐进的速度或转向调整的adas系统时感到更舒适。lka算法通常具有接近行驶车道边缘的干预阈值122，从而在车辆达到干预阈值122时，可能需要突然改变路径来防止车辆超出当前车道。随着主车辆接近阈值的路径角度增大，这种突然的路径改变会变得越来越不舒适，导致更急剧、更突然的路径改变。
36.示例性的lka算法配置为执行用于lka的新路径整形方法，该方法使得该算法能够根据所计算的风险指数公式来适应驾驶员的偏好以及驾驶员状态、车辆状态和环境状况。示例性的adas采用智能自适应公式来计算车道偏离风险指数，并在自动路径整形中利用该风险指数根据驾驶员状态、驾驶员行为、车辆状态和环境状况自适应地将车辆保持在车道中。响应于风险指数的自动路径整形减轻了车辆乘客对于过早或过晚的lka干预的忧虑。在一个示例性实施例中，自动路径整形可响应于所计算的风险指数调整干预阈值122。
37.现在转到图2，其中示出了用于机动车辆中的辅助驾驶的自适应车道保持辅助系统200的一个示例性实施方案的框图。示例性系统200可操作以产生控制数据，以对配有
adas的机动车辆执行自适应车道保持操作。示例性系统200可包括摄像头245、用于存储地图数据的存储器250、全球定位系统(gps)235、adas控制器220、驾驶员监测系统(dms)240、车辆控制器230、油门控制器255、制动控制器260、以及转向控制器270。
38.示例性系统200可采用一个或多个摄像头245作为传感器来检测主车辆周围的环境。例如，摄像头245可安装在主车辆的每个侧视镜下面，以捕获主车辆的任何一侧的路面的图像。adas控制器220或传感器融合控制器可使用诸如边缘检测等图像处理技术确定从主车辆至车辆每侧的车道标识线的距离。该示例性系统还可包括用于存储包含高分辨率地图数据的地图数据的存储器250，以及用于检测车辆位置的gps 235。示例性系统200可配置为综合从gps 235、摄像头245和存储器250接收的信息来估算车辆的位置。
39.dms 240配置为在车辆运行期间检测驾驶员的专注度。dms 240可包括用于监测驾驶员眼睛位置的车厢摄像头或用于确定驾驶员头部位置的红外传感器。dms 240可监测方向盘转动和驾驶轨迹，以判断驾驶员对车辆操作的投入度。dms 240可以要求驾驶员通过激活某些车辆特性、响应dms提示或执行其它积极动作(例如移动方向盘、响应语言提问等)来与dms 240交互的主动dms系统。在此示例性实施例中，驾驶员的专注度可以是用于计算lka的风险指数公式的一个因素。
40.adas控制器220首先从一个或多个摄像头245接收数据并从gps 235和车辆控制器230接收数据，以估算从主车辆至当前行驶车道的边缘的距离。当前行驶车道的边缘可响应于道路车道标识(例如白线或黄线)或响应于材料的变化(例如从沥青变为砾石)确定。adas控制器220可使用对从一个或多个摄像头245接收的图像执行的图像处理技术来估算当前行驶车道的边缘的位置。
41.在为一个或多个侧向方向确定了从主车辆至路面边缘的距离后，adas控制器220即可操作来确定lka算法的风险指数公式。adas控制器220可从gps 235、摄像头245、存储器250和dms 240接收数据，并使用该数据来确定风险指数公式。该风险公式指数可响应于风险因素来确定，所述风险因素例如是环境状况(例如道路几何形状、至邻近物体的距离和邻近物体的类型)以及车辆状况(例如速度和方向盘角度)、天气和道路状况以及路肩类型。此外，还可考虑驾驶员输入(例如转向和制动输入)以及驾驶员偏好、过去的驾驶员表现和选择。
42.在一个示例性实施例中，为了确定风险公式指数，adas处理器220可结合驾驶员监测系统(dms)和手握方向盘/脱离方向盘的检测，并根据驾驶员状态和专注程度来调整干预。通过调整并向车辆乘客提供反馈，在用户界面上显示标准的中期或早期干预信息，这能减少对于车辆表现不一致和/或令人困惑的感觉。adas控制器220可系统性地使耦合至车辆控制器的lka控制信号适应环境状况和驾驶员专注度，以提高安全性。该示例性系统可向车辆乘员提供反馈，并针对不同类型的驾驶员重新配置lka，例如配置为年轻驾驶员模式。adas控制器220可结合更新的地图数据来实现建筑区域的检测。路肩类型可用于调整lka干涉，以防止车辆撞到软路肩的风险。adas控制器220可结合道路状况并根据风险调整lka干预。adas控制器220可根据来自侧面盲区的输入和迎面而来的车辆的风险调整风险公式指数，使得lka能够相对于道路的右侧车道标识更早地对左侧车道标识做出干预。adas处理器220和lka算法可学习驾驶员偏好，并根据对环境和动态因素(例如至邻近车辆或障碍物的期望距离)所感知的风险来调整lka干预。
43.车辆控制器230配置为从adas控制器220接收控制数据，并响应于控制数据控制主车辆的运动。车辆控制器230可产生油门控制信号以耦合至油门控制器255，以便控制主车辆的速度。车辆控制器230可产生制动控制信号以耦合至制动控制器260，以便控制主车辆的制动压力和制动时间。同样，车辆控制器230可产生转向控制信号以耦合至转向控制器270，以便控制主车辆的转向方向和路径。
44.现在转到图3，其中示出了用于机动车辆中的辅助驾驶的自适应车道保持辅助方法300的一个示例性实施方案的流程图。在lka算法参与期间，所述方法首先确定310至当前车道边缘的距离。可为左侧道路标识或右侧道路标识之一或两个确定边缘。道路标识可包括实线或虚线标识线或道路材料的变化，例如从沥青变化为砾石等。至道路标识的距离可响应于由安装在主车辆一侧的摄像头捕获的图像确定。可使用诸如边缘检测等图像处理技术来检测图像中的道路标识，并估算至道路标识的距离，然后，将至道路标识的距离耦合至adas处理器。
45.所述方法接下来从与风险指数公式因素相关的各种车辆系统接收315数据。这些因素可包括驾驶员偏好以及驾驶员状态、车辆状态和环境状况。例如，环境状况可包括路缘类型、路肩类型、路面摩擦、建筑区域道路障碍物位置和天气。附加因素可包括响应于dms确定的驾驶员专注度、道路几何形状、邻近物体位置、车道几何形状、车辆速度、车辆方向盘角度、以及用于抑制或超越制动的施加或方向盘的转动等的驾驶员输入。
46.所述方法然后响应于来自各种车辆系统的数据确定320路径整形算法的风险指数。响应于与每个因素相关联的风险水平为从车辆系统接收的每个数据赋值。例如，若确定驾驶员对车辆操作不太专注，则可确定一个较高值的风险因素。然后响应于加权因素的总和确定风险指数，其中每个风险值(ri)有一个权重因子(αi)。
[0047][0048]
所述方法接下来可配置为响应于风险指数确定325干预阈值。该干预阈值是与车道边缘的一定距离，在达到该距离时lka生成车辆路径以使主车辆返回车道中心。干预阈值的距离可响应于风险指数确定，使得该干预阈值在高风险的情况下较大，而在低风险的情况下较小。在一个示例性实施例中，所述干预阈值可响应于风险指数的实时确定而实时变化。因此，所述干预阈值可在lka操作期间连续变化。
[0049]
所述方法然后将主车辆至车道边缘的距离与干预阈值进行比较330。若至车道边缘的距离大于干预阈值，则所述方法返回以重新确定310至车道边缘的距离。若至车道边缘的距离小于或等于干预阈值，则所述方法可操作以生成主车辆的车辆路径，该车辆路径将用于控制车辆返回车道中心。在此示例性实施例中，与为低风险指数生成的车辆路径相比，为高风险指数生成的车辆路径可具有更快返回车道中心的路径。或者，对于较低的风险指数，车辆路径可防止车辆脱离车道，但是若确定驾驶员高度专注于主车辆的操作，则不使车辆返回车道中心。
[0050]
所述方法随后响应于所生成的车辆路径沿着所生成的车辆路径控制340车辆，以使车辆朝道路车道中心返回。adas控制器可产生转向控制信号、油门控制信号和/或制动控制信号，以沿着所产生的车辆路径控制主车辆。所述方法然后返回以重新确定310至车道边
缘的距离。
[0051]
现在转到图4，其中示出了用于车辆中的辅助驾驶的自适应车道保持辅助系统400的一个示例性实施方案的框图。示例性系统400在主车辆中以传感器410、处理器420、车辆系统430和车辆控制器440实现。
[0052]
在此示例性实施例中，传感器410可配置为检测从主车辆至车道边缘的距离。传感器410可以是用于捕获路面图像的摄像头，包括用于对图像执行图像检测算法(例如边缘检测等)的图像处理器。或者，传感器410可包括用于确定至视野内的物体的距离的lidar、雷达、红外收发器等。在一个示例性实施例中，主车辆可具有多个摄像头，这些摄像头具有侧向视野，从而可在主车辆的每一侧检测至车道标识或道路边缘的侧向距离。
[0053]
示例性系统400还可包括配置为提供车辆系统的状态的车辆系统430。车辆系统430可包括用于提供车辆加速状态的惯性测量单元、用于提供车辆位置状态的gps、用于提供车辆速度和/或转向方向的车辆传感器。车辆系统430可以是用于提供路面材料和/或路肩表面材料的状态的传感器。车辆系统430可以是用于提供驾驶员和/或车辆乘员的专注状态或者提供驾驶员类型(例如年轻驾驶员)的状态的dms系统。车辆系统430可包括用于提供车辆牵引力状态或用于提供路面摩擦系数的估算值的牵引力控制系统。车辆系统430可包括存储器，该存储器用于存储地图和地图数据，并用于提供建筑区域地点的状态、记录的道路特征和/或故障、以及所需的车道位置偏移量，以避开盲点、道路故障点、路肩侵占点等。
[0054]
处理器420可以是adas处理器、数字信号处理器等，并配置为响应于车辆系统430的状态确定风险指数，响应于风险指数计算干预阈值，并响应于主车辆至车道边缘的距离小于干预阈值的条件生成车辆路径。最初时，处理器420配置为执行车道保持辅助算法。在一个示例性实施例中，响应于路面材料、路肩类型和道路几何形状之中的至少一个确定风险指数。干预阈值与车道边缘之间的距离可能与风险指数成比例地增大。同样，响应于车辆路径的确定而计算的车辆路径的转弯半径可能与风险指数成比例地减小。
[0055]
车辆控制器440可用于响应于车辆路径控制车辆。车辆控制器440可产生转向控制信号、油门控制信号和制动控制信号以耦合至转向控制器、油门控制器和制动控制器，从而沿着车辆路径控制车辆。车辆控制器440可从其它车辆系统接收数据和状态更新，以确认主车辆沿着车辆路径的位置。
[0056]
在一个示例性实施例中，系统400可以是用于在主车辆中执行自适应车道保持操作的自适应驾驶辅助系统，该系统包括传感器410(例如用于捕获路面图像的摄像头)以及配置为检测图像中的车道标识的图像处理器。该示例性系统还可包括用于估算主车辆与车道标识之间的距离，响应于至少一个车辆系统状态确定干预阈值、并响应于主车辆与车道标识之间的距离小于干预阈值的条件生成车辆路径的处理器420，例如adas处理器。最后，示例性系统500可包括用于响应于车辆路径控制主车辆的车辆控制器440。
[0057]
在一个示例性实施例中，可响应于先前的驾驶员干预来确定干预阈值。例如，系统可检测和存储驾驶员在以前的lka操作期间控制车辆时所执行的先前的驾驶员干预。这样可推断驾驶员对于环境和动态因素所感知的风险，例如至邻近车辆或障碍物的期望距离。该系统还可包括通过用户界面(例如仪表板上的led指示灯等)提供的驾驶员反馈，以结合向驾驶员提供的指示智能自适应干预激活的反馈。所述可视指示灯可配置为向主车辆的驾驶员提供系统已被激活和/或系统已调整了lka干预阈值的反馈。
[0058]
现在转到图5，其中示出了用于主车辆中的辅助驾驶的自适应车道保持辅助方法500的一个示例性实施方案的流程图。该方法首先检测510从主车辆至车道边缘的距离。至一个或多个路缘的距离可响应于gps和地图数据、图像数据、深度图等确定。在一个示例性实施例中，该距离可响应于摄像头捕获的图像确定，并且其中主车辆至车道边缘的距离是响应于对图像执行的边缘检测算法确定的。
[0059]
所述方法接下来确定520车辆系统的状态，例如由驾驶员监测系统确定的驾驶员专注度或驾驶员投入度。例如，可响应于车辆速度和车辆方向之中的至少一个确定车辆系统的状态。
[0060]
所述方法然后配置为使处理器响应于车辆系统的状态计算530风险指数。可响应于多个车辆系统状态和/或驾驶员输入或偏好来计算风险指数。例如，可响应于路面材料、路肩类型和/或道路几何形状来确定风险指数。然后，可响应于根据多个系统状态确定的多个加权风险值的总和来计算风险指数。
[0061]
所述方法然后使处理器响应于风险指数计算540干预阈值。通常，干预阈值与车道边缘之间的距离可能与风险指数成比例地增大。所述方法接下来使处理器响应于主车辆至车道边缘的距离小于干预阈值的条件生成550车辆路径。在此示例中，在风险指数较低时，车辆路径的转弯半径可与风险指数成比例地减小，从而产生更平缓、更舒适的车辆路径。所述方法然后使车辆控制器响应于车辆路径控制560车辆。
[0062]
虽然在上文的详细说明中给出了至少一个示例性实施例，但是应理解，存在许多变化形式。还应理解，这些示例性实施例仅仅是一些示例，并非意图以任何方式限制本公开的范围、适用性或配置。相反，上文的详细说明将为本领域技术人员提供实施所述一个或多个示例性实施例的一种便利途径。应理解，在不脱离如所附权利要求所阐述的本公开的范围的情况下，可对元件的功能和布置进行各种变化。