用于低速驾驶辅助的方法和设备

技术领域

本发明涉及一种用于低速驾驶辅助的方法和一种用于低速驾驶辅助的设备。

背景技术

在交通拥堵场景中操纵车辆时会面临许多挑战，这不仅要求车辆在长距离上一直以低速行驶，而且要求驾驶员针对不规律的驾驶场景频繁启停。因此，这意味着车辆在整体上的能量经济性降低，同时对驾驶员的注意力也存在较高要求。

目前，现有技术中提出将交通拥堵辅助(TJA：Traffic jam assistant)系统作为智能二级驾驶系统，以在堵车时为驾驶员提供一定驾驶辅助，从而缓解驾驶疲劳。总体来说，现有的TJA主要利用诸如激光雷达、前视摄像机、超声波传感器等车载传感器来检测周围车辆的速度、车距及车道标记线等信息，然后再根据内部控制算法规划自身车辆运动。

然而当车辆处于低速时，一方面，车载传感系统由于灵敏度和算法限制而很难感知到运动变化，这在整体上导致感知速度下降，并且对其他道路参与者的行为估计往往与真实情况存在很大偏差。另一方面，在交通拥堵场景下，自身车辆通常与其他道路参与者保持相对短的间距，这使得众多车载传感器的视野受到遮挡，因此尤其在交通环境复杂多变的情况下无法实现车辆周围环境的完整复现。

在这种背景下，期待提供一种改进的驾驶辅助策略，旨在为低速场景下的驾驶决策和避障轨迹规划提供更可靠的运动估计，从而带来更好的驾驶体验。

发明内容

本发明的目的在于提供一种用于低速驾驶辅助的方法和一种用于低速驾驶辅助的设备，以至少解决现有技术中的部分问题。

根据本发明的第一方面，提出一种用于低速驾驶辅助的方法，所述方法包括以下步骤：

S1：借助车载传感器获取关于车辆的周围环境对象的第一观测数据；

S2：基于V2X技术接收关于车辆的周围环境对象的第二观测数据；

S3：响应于车辆进入低速区间，以降低的融合等级对第一观测数据和第二观测数据进行初步融合；以及

S4：将初步融合的结果用于驾驶辅助功能。

本发明尤其包括以下技术构思：在常规的数据融合过程中，会在中高层级(例如特征层或决策层)完成可观的信息压缩和不确定性假设，从而最大限度地辅助最终的决策分析。但对于低速场景来说，这种预处理步骤意味着更大的信息损失和时延，在传感器本身由于功能受限而已经无法处于最佳检测状态的情况下，过度的信息抽取步骤会让环境感知结果进一步失真。因此，在低速区间，相对于常规速度区间适当降低数据融合等级并尽量保证现场数据的完整性是至关重要的。

此外，通过将V2X技术引入传统的拥堵驾驶辅助，有利地提供了从远程系统获取额外信息的可能性并且消除了环境因素的干扰，因此，即使特定环境因素不直接处于车载传感器的视线范围内，本车辆也可以基于与其他交通对象的通信来获取这些超视距信息，从而使交通拥堵辅助系统在低速情况下获得更可靠的决策结果。

可选地，所述步骤S4包括：获取车辆的周围环境对象的历史行为数据，基于历史行为数据求取周围环境对象的预测行为数据；对初步融合的结果以及所述预测行为数据进行二次融合；以及，基于二次融合的结果对车辆进行运动学规划。

在此，尤其实现以下技术优点：通过二次融合过程，不仅可以基于历史数据估计出周围其他车辆在未来时刻的行驶姿态，而且还能够通过当前时刻的观测数据更新这种预测姿态，从而实现了周围环境对象的更加准确的运动学估计和方位估计，为自身车辆的更可靠的驾驶决策奠定了基础。

可选地，所述二次融合包括：基于初步融合的结果对周围环境对象的预测行为数据进行修正，以获得更新的行为数据。

可选地，所述历史行为数据包括：在相对于当前时刻过去的时间区间中对周围环境对象的目标追踪结果。

在此，尤其实现以下技术优点：通常情况下，车辆的所有控制操作都是在有了观测数据之后才通过处理这些观测数据来进行，也就是所谓的先验知识几乎为零。在这种情况下，仅基于当前时间戳的观测数据的相关算法需要额外时间才能准确快速收敛。如果将最新的目标追踪结果作为先验知识来预测交通对象的未来行为，则可以极大地提升算法的收敛度和稳定性，因此可以在一定程度上降低碰撞事故发生概率。

可选地，所述步骤S3包括：在原始测量/感知数据层、硬件层或像素层对所述第一观测数据和第二观测数据进行汇总，并且使它们相互关联，以形成关于车辆的周围环境对象的信息观测矩阵。

在此，尤其实现以下技术优点：由于初步融合过程主要集中在诸如原始测量/感知数据层、硬件层或像素层的底层进行，因此信息存在诸多不确定性和稳定性较差，这就要求能够通过特定形式的数学表达模型来提高纠错能力。通过将不同源的传感器信息放在一起并以矩阵形式表达，可以更明确地看出不同测量数据之间的重叠、矛盾或冗余关系，从而为后续的信息处理步骤提供了有利数据支持。此外，通过创建观测矩阵，还可以更加直观地利用V2X感知结果来填补车载传感器信息(由于视距限制或受遮挡等因素造成的)的空缺项，从而以更高的信息密度形成完整的周围环境呈现。

可选地，所述步骤S3包括：对第一观测数据以及第二观测数据执行时间同步和空间标定。

在此，尤其实现以下技术优点：通过对原始数据进行简单的时空校准，可以在保证原有数据内容和格式的情况下，使多源数据形成时空关联，从而在最大程度上避免数据不确定性，为后续的精细化处理奠定了可靠基础。

可选地，所述降低的融合等级体现在：保持第一和第二观测数据的原有数据格式；降低对第一和第二观测数据的数学近似程度；减少对第一和第二观测数据的数据过滤和/或处理步骤；和/或，为不同来源和/或不同类型的观测数据分配相等的权重或不分配权重。

在此，尤其实现以下技术优点：来自不同数据源的数据由于物理特性、测量误差、传输延迟、带宽受限等问题会导致出现空间不确定度和不同采样率。对于较高层级的数据融合而言，为了使数据处理结果能够直接用于决策任务，通过简单化的数学近似来假设在空间和时间上的不确定度在几乎可忽略范围内会是有利的，但是这在低速应用场景中意味着更大的信息损失。同时，在低速行驶时，具有分开任务重点的不同传感器的感知敏感度及动态性不高，因此环境因素(例如天气、安装位置、车辆自身晃动)会对测量结果存在更大干扰，因此以较高权重或优先级考虑某一数据类型可能会使相应的环境干扰或不确定性进一步被放大，从而造成感知结果完全失效。因此，在低等级融合中，以相等的权重考虑各个来源的观测数据会是有利的。

可选地，所述步骤S3包括：根据车辆当前的速度大小动态地调整初步融合的融合等级，其中，随着车辆的速度的降低，将融合等级降低。

在此，尤其实现以下技术优点：通过使数据融合等级适配于车辆当前的速度，可以在信息处理的有效性和信息损失方面寻求动态平衡，从而提升整个方案的灵活性。

可选地，在执行初步融合的步骤时，根据环境因素、尤其天气状态动态地调整所述第一观测数据和第二观测数据的融合权重，其中，尤其在天气状态为降雨、降雪或沙尘时将第二观测数据的融合权重调整成高于第一观测数据。

在此，尤其实现以下技术优点：与车载传感器相比，V2X技术不会因沙尘、雨雪、大雾等不良天气的影响而弱化自身功能。因此，通过在恶劣环境条件下适当降低第一观测数据的融合比重，可以较少地考虑不准确数据，从而增强融合决策的可靠性。

可选地，所接收的第二观测数据至少部分地为基于栅格地图的数据。

在此，尤其实现以下技术优点：通过制作周围环境的栅格地图，并将观测对象的运动投影到该栅格地图上，可以有助于观察到周围环境对象的微小的运动状态变化，并且有利于后续的轨迹趋势估计，能够提供更精确的测量结果。

根据本发明的第二方面，提供一种用于低速驾驶辅助的设备，该设备用于执行根据本发明的第一方面所述的方法，该设备包括：

车载传感器，其配置成能够获取关于车辆的周围环境对象的第一观测数据；

通信接口，其配置成能够基于V2X技术接收关于车辆的周围环境对象的第二观测数据；以及

融合模块，其配置成能够响应于车辆进入低速区间，以降低的融合等级对第一观测数据和第二观测数据进行初步融合，所述融合模块还配置成将初步融合的结果用于驾驶辅助功能。

附图说明

下面，通过参看附图更详细地描述本发明，可以更好地理解本发明的原理、特点和优点。附图包括：

图1示出了根据本发明的一个示例性实施例的用于低速驾驶辅助的方法的流程图；

图2示出了根据本发明的一个示例性实施例的用于低速驾驶辅助的方法的一个方法步骤的流程图；

图3示出了根据本发明的一个示例性实施例的用于低速驾驶辅助的设备的框图；以及

图4示出了在一种具体应用场景中实施根据本发明的方法的示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白，以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，而不是用于限定本发明的保护范围。

图1示出了根据本发明的一个示例性实施例的用于低速驾驶辅助的方法的流程图。

在步骤S1中，借助车载传感器获取第一观测数据。在此，第一观测数据例如可以是来自不同车载传感器的测量数据，这些车载传感器尤其可以基于不同测量原理并因此具有分开的任务重点。作为示例，第一观测数据包括周围车辆或行人的速度和位置信息、车辆间距信息、交通场景信息(车道标记线、交通标志等)。

在步骤S2中，基于V2X技术获取第二观测数据。在此，例如可以通过车对车和车对基础设施通信收集关于周围环境的各种信息，除了第一观测数据所涵盖的信息类型外，第二观测数据还可以包括交通信号灯信息和交通流量信息(例如交通密度、平均车速、拥堵、事故等)信息。作为示例，V2X基础设施例如可以制作基于栅格的地图，并将各个周围环境对象投影到该栅格地图中，由此，即使是其他车辆在运动方面的微小变化也能够通过比较不同时间帧的栅格地图而分辨出来。

在此，第一观测数据和第二观测数据在观测对象和信息内容可能有所重叠，但是二者在数据格式上存在一定差别。基于V2X技术获取的第二观测数据尤其可以是直接划分字段的数据报文，因此可以直接借助相应的通信接口来接收并读取这种信号。第一观测数据则通过车载传感器所测量并因此通常以原始测量/感知数据(raw measurement/perception data,例如光、电磁学参量、距离、速度、点云、图像数据等)的形式存在。第一观测数据与第二观测数据之间的另一差别在于感知范围上的差异，在V2X的范畴内，不仅可以收集到车载传感器自身探测范围内的信息，而且还可以获取受遮挡对象(例如间隔车)的信息或超视距范围的感知结果(例如即将到达的十字路口的交通信号灯变化情况)。

在步骤S31中，判断车辆当前速度是否进入低速区间。这种判断例如可以通过将车辆当前速度与速度阈值进行比较来实现。在此，低速区间尤其可以是根据经验值预定义的，并且例如用于表征车辆从通畅通行场景到拥堵场景的切换。

如果判断为未进入低速区间或未确定到拥堵，则可以在步骤S32中不开启低速辅助功能并保持现有的数据融合等级。

如果判断出车辆已经进入到低速区间，则意味着一个或多个车载传感器的动态感知性能可能会在低速下受到影响、限制或发生下降，为了使驾驶辅助功能适应于这种感知性能上的受限或衰减，可以在步骤S33中激活低速驾驶辅助功能，并例如以降低的融合等级对第一观测数据和第二观测数据进行初步融合。

在此，降低的融合等级尤其可以体现在以下方面：保持第一和第二观测数据的原有数据格式；降低对第一和第二观测数据的数学近似程度；减少对第一和第二观测数据的数据过滤和/或处理步骤；和/或，为不同来源和/或不同类型的观测数据分配相等的权重或不分配权重。

为了在较低层级(例如车载传感器输出的原始测量/感知数据层、硬件层或者说像素层)实现数据融合，需要在尽量避免信息损失的情况下消除不同源数据之间的不确定性。因此，可以通过时间同步和空间标定来使数据之间形成时空关联，并由此形成关于车辆的周围环境对象的信息观测矩阵。在构造信息观测矩阵时，可以利用V2X观测数据的超视距感知结果来补偿观测矩阵中的空缺项，由此提供可靠的高信息密度的观测数据基础。

接下来，在步骤S4中，可以将初步融合的结果用于驾驶辅助功能。作为示例，这种驾驶辅助功能可以包括紧急避障、自动巡航、车道保持等其他在拥堵辅助(TJA)情况下常见的功能。

图2示出了根据本发明的一个示例性实施例的用于低速驾驶辅助的方法的一个方法步骤的流程图。

在根据图2的实施例中，图1中的步骤S4示例性地包括步骤S41至S45。

在步骤S41中，获取周围环境对象的历史行为数据。在此，可以首先借助目标追踪模块定义待监测的目标对象，然后持续记录并存储该目标对象的运动追踪结果。视应用场景而定，可以选取直至当前时间戳的确定时间区间的运动追踪结果并将其作为历史行为数据。这种历史行为数据例如包括：目标对象的位置、速度、加速度及协方差信息。

在步骤S42中，基于历史行为数据求取周围环境对象的预测行为数据。在此，例如可以根据历史行为数据创建预测模型，然后通过预给定输入项来预测周围环境对象在下一时间戳的可能状态。这种可能状态就是所谓的预测行为数据。根据周围环境对象的运动规律(例如是否有突变趋势)及场景特性(例如是否受遮挡)，可以适当调整预测的时间步长、即下一时间戳距当前时间戳的间隔。

在步骤S43中，获取经过初步融合的观测数据(例如可以是图一中步骤33所示的对第一观测数据和第二观测数据进行初步融合后的观测数据)。

然后在步骤S44中，对初步融合的结果以及周围环境对象的预测行为数据进行二次融合。在此，例如可以基于经初步融合的观测数据对周围环境对象的预测行为进行修正，以获得更新的行为数据。为了获得周围环境对象的运动状态的精确估计结果，例如可以结合典型的融合算法(例如贝叶斯过滤器、模糊集理论、专家系统法和D-S证据理论等)来将预测结果和观测结果在同一时间戳上集成在一起。

在步骤S45中，可以基于二次融合的结果对车辆进行运动学规划。在此，例如可以将目标对象的经修正的预测行为数据输出给跟踪和决策模块，从而例如为自身车辆找到一条无碰撞的、可行的行车路线。

图3示出了根据本发明的一个示例性实施例的用于低速驾驶辅助的设备的框图。

用于低速驾驶辅助的设备1例如包括车载传感器20、通信接口10以及融合模块30。车载传感器20示例性地包括激光雷达模块21、雷达模块22和摄像机模块23。车载传感器20可以获取第一观测数据，这种第一观测数据可以以例如速度信号、距离信号、图像信息以及点云数据等形式存在。通信接口10能够基于V2X技术从其它设备(例如路测单元RSU、其它车辆、远程计算机等)接收关于本车辆的周围环境对象的第二观测数据。

然后，所有观测数据可以在融合模块30中以降低的等级进行数据融合。作为示例，在融合模块30中进行两阶段的融合过程。

第一阶段的融合过程可以在初步融合单元31中实现，该初步融合单元在本发明的意义上也可以理解为数据观测模型。初步融合单元31例如还与天气传感器、温度传感器、湿度传感器(未示出)等连接，以便实时获取车辆所处的环境条件。作为示例，当检测到沙尘、强光、极寒、降雨、降雪等极端天气时，初步融合单元31能够自动将基于V2X技术的第二观测数据的融合权重调整成高于第一观测数据，使得在初步融合时更多地考虑准确性更高的第二观测数据。

在那里，在原始测量/感知数据层、硬件层或像素层将不同数据源的观测数据的时间戳对齐，并将各个来源的观测数据的位置信息转换到统一的坐标系中，从而对观测数据进行关联和校准。通过这种时空关联操作，使得这些观测数据能够以相同的标准进行计算。此外，在初步融合单元31中还可以例如对点云数据进行分割和聚类处理，旨在在不造成信息损失的情况下尽可能消除不确定性。在经过第一阶段的融合之后，从初步融合单元31输出t时刻的观测数据z

在执行第二阶段的融合之前，可以首先通过目标追踪模块40选取周围环境中的特定对象作为目标对象，并持续地记录针对该目标对象的目标追踪结果。在此，可以将这种目标追踪结果看作是周围环境对象在上一时间戳(例如t-1时刻)的历史行为数据X

可以在二次融合单元33中实现第二阶段的融合过程，在那里例如借助贝叶斯递推算法将观测数据与状态数据结合起来。例如，在同一个时间戳中，可以借助t时刻的观测数据z

在图3中还示例性地示出车辆的执行模块50，这例如包括车辆动力传动系统或驱动部件(发动机和/或电动机)、制动部件、转向部件、自适应巡航控制器、自适应车道保持控制器等。执行模块50可以包括例如跟踪模块和决策模块。二次融合单元33的融合结果例如被传输给该执行模块50，从而用于对车辆的行运动学规划提供辅助。

图4示出了在一种具体应用场景中实施根据本发明的方法的示意图。

在图4所示实施例中，车辆401陷入交通拥堵并缓慢行驶。响应于当前速度进入低速区间，车辆401激活低速驾驶辅助功能。此时，车辆401例如基于不同车道的车速比较而决定切换到相邻车道行驶。作为示例，车辆401规划出相应行驶轨迹，以期望并入车辆402前方空挡。

然而，路边突然出现了想要横穿马路的行人403。此时，由于车载传感器在低速区间的动态性能受限，并且视野范围被周围车辆402遮挡，所以造成了所谓的“鬼探头”现象：行人403位于车辆401的视野盲区中。如果车辆401不考虑这种因素而继续按照原始规划轨迹行驶，则可能会来不及刹车，从而导致碰撞事故发生。

在根据本发明的方法中，车辆411不仅对车载传感器数据进行融合，还尤其借助通信接口411与其他交通参与者的通信设备412、413进行通信。由此，车辆411例如基于V2X技术还收集到其他的观测数据，从而能够在融合过程中弥补车载传感器的不足。

在执行初步融合的同时，车辆411还可以借助目标跟踪模块对环境对象403进行目标追踪。例如，在被车辆412遮挡视线之前，车辆411监测到行人413并将其定义为目标对象，在行人处于车辆411的盲区期间，车辆411例如借助这种历史追踪结果对行人的未来行为数据进行预测。接下来，在二次融合过程中利用初步融合的观测数据对预测行为数据执行更新。在这种情况下，不仅仅依赖于观测数据来执行估计，而是将历史信息和预测信息作为先验知识，这极大地提升了算法的收敛度和稳定性，从而为驾驶员的预留了更充裕的反应时间，因此有效地降低了事故发生概率。

尽管这里详细描述了本发明的特定实施方式，但它们仅仅是为了解释的目的而给出的，而不应认为它们对本发明的范围构成限制。在不脱离本发明精神和范围的前提下，各种替换、变更和改造可被构想出来。