用于基于路径的自动驾驶辅助的自适应驾驶员超控的方法、系统和设备

技术领域

技术领域一般涉及转向辅助方法、系统和设备，更具体地，涉及通过界面对车辆进行直观转向超控的方法、系统和设备，该界面至少自动调节超控转向发明所需的努力。

背景技术

近年来，内陆驾驶车辆的自动驾驶和半自动驾驶功能取得了显著进步，如超级巡航(一种免提半自动驾驶辅助功能，使用高清地图和传感器观察道路来帮助车辆加速和减速)、LKA(车道保持辅助，这是一种半自动驾驶功能，帮助转向将车辆保持在车道边界内或车道中心)等。车辆仍可能在许多方面得到改进。

在连续的手动自动转向功能(例如SuperCruise)中，驾驶员对“安全”的感知会根据车辆位置和车道条件而变化。当车辆处于更安全的运行状态时，驾驶员会感觉到转向控制的必要性降低，并且更喜欢减少停止自动转向干预的努力。

期望在利用手动自动转向功能时减少驾驶员的努力，并且当车辆处于安全条件时减少超越手动转向控制的总体烦恼，并且基于环境、路径规划和控制算法状态来解释转向控制操作的不同区域。

期望提供对转向辅助功能的干预阶段进行分类的系统和方法，并且基于转向控制的区域和分类的干预阶段来确定和调整驾驶员转向超控努力的减少。

此外，结合附图和前述技术领域和背景技术，从随后的详细描述和所附权利要求中，本发明的其他期望特征和特性将变得显而易见。

发明内容

公开了一种用于车辆转向辅助的方法、系统和设备，其通过基于道路几何形状和驾驶场景调整车辆轨迹，在考虑轨迹跟踪的同时控制干预出口，以及减轻过度校正和跟踪异常。

在一个示例性实施例中，提供了一种使用深度神经网络(DNN)在车辆中实现转向超控控制阶段的方法。该方法包括由设置在车辆中的转向辅助单元接收一组车辆输入，该组车辆输入包括车道数据解释信息和驾驶员转向输入；配置布置在转向辅助单元中的任务规划模块，以使用车道和车辆传感器数据解释信息来至少确定车辆的期望路径；配置布置在转向辅助单元中的车辆路径预测模块，以使用车道数据解释信息来至少确定车辆的一组预测动态；配置驾驶员超控确定模块，其设置在转向辅助单元中并与DNN通信，以基于转向控制操作的阶段以及通过DNN中分类的相应干预阶段的信息来干预超控转向控制，所述转向控制操作的阶段部分地由车辆的期望路径和预测动态来确定；以及响应于超控自动转向控制的确定，配置布置在转向辅助单元中的横向控制模块，以基于转向控制操作的确定阶段和通过驾驶员施加的扭矩量和扭矩率确定的驾驶员干预水平，停止施加用于自动转向辅助的转向控制扭矩。

在至少一个示例性实施例中，该方法包括配置布置在转向辅助单元中的任务规划模块，以使用车道数据和车辆传感器解释信息来确定车辆的期望轨迹路径。

在至少一个示例性实施例中，该方法包括配置布置在转向辅助单元中的车辆路径预测模块，以使用车道数据和车辆传感器解释信息来确定车辆的当前预测路径。

在至少一个示例性实施例中，该方法包括配置驾驶员超控确定模块，该模块具有用于生成一组曲率参数的车辆曲率确定模块，以及用于生成一组航向参数以存储在决策矩阵中的车辆航向和位置模块，该决策矩阵用于确定何时超控当前主动自动转向控制以改变驾驶员输入量，例如驾驶员施加的转向扭矩和扭矩速率。

在至少一个示例性实施例中，该方法包括将标记模块配置成离线标记数据以将标记数据发送到DNN，并且响应于控制命令辅助扭矩信号来确定转向控制操作的相应分类阶段，并且通过驾驶员超控确定模块利用分类阶段信息来改变转向超控扭矩阈值的量。

在至少一个示例性实施例中，该方法包括配置横向控制模块，以至少基于包括车辆的期望路径、车辆的预测动态和驾驶员超控标志的输入来产生转向控制扭矩。

在至少一个示例性实施例中，驾驶员超控标志由驾驶员超控确定模块生成。

在另一个示例性实施例中，提供了一种系统。该系统包括设置在车辆中的处理单元，该处理单元包括通过与深度神经网络(DNN)通信的非瞬态计算机可读介质上编码的编程指令配置的一个或多个处理器，该处理单元被配置为：接收包括车道数据解释信息和驾驶员转向输入的一组车辆输入；基于车道数据和车辆传感器解释信息至少确定车辆的期望路径；基于车道数据和车辆传感器解释信息至少确定车辆的一组预测动态；基于部分地由车辆的期望路径和预测动态确定的转向控制操作阶段以及通过在DNN中分类的相应中间阶段的信息，超控自动转向控制扭矩；以及响应于超控自动转向控制的确定，基于转向控制操作的确定阶段和包括驾驶员施加的扭矩和扭矩率的量确定的驾驶员干预水平，停止施加用于转向辅助的自动转向控制扭矩。

在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为基于车道数据和车辆传感器解释信息来确定车辆的期望路径。

在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为基于车道数据解释信息来确定车辆的路径。

在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置成生成一组曲率参数和一组航向参数以存储在决策矩阵中，从而通过应用可变驾驶员超控阈值来确定何时超控自动转向控制扭矩，该可变驾驶员超控阈值通过包括驾驶员转向扭矩和扭矩率的驾驶员输入来应用。

在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为向DNN发送离线确定的标记数据，并且响应于控制命令扭矩辅助信号，发送对应于应用驾驶员转向扭矩超控阈值的可变量的区域的分类干预阶段信息。

在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为：至少基于一组输入生成转向控制扭矩，该组输入包括车辆的期望路径、车辆的预测动态以及驾驶员超控标志。

在至少一个示例性实施例中，该系统包括处理单元，该处理单元被配置为：至少基于一组输入生成驾驶员超控标志，该组输入包括车辆的期望路径、车辆的预测动态和驾驶员输入。

在又一示例性实施例中，提供了一种车辆设备。该设备包括转向辅助单元，该转向辅助单元包括一个或多个处理器和用编程指令编码的非瞬态计算机可读介质，该转向辅助单元被配置成接收一组车辆输入，该组车辆输入包括车道数据和车辆传感器解释信息以及驾驶员转向输入；基于使用车道数据和车辆传感器解释信息来至少确定车辆的期望路径；基于车道数据和车辆传感器解释信息至少确定车辆的一组预测动态；基于转向控制操作的阶段以及通过在DNN中分类的相应中间阶段的信息来超控自动转向控制扭矩，所述转向控制操作的阶段部分地由车辆的期望路径和预测动态来确定；并且响应于超控自动转向控制扭矩的确定，基于转向控制操作的确定阶段和输入到车辆控制系统中的驾驶员的可变量，停止施加用于转向辅助的可变量的转向控制扭矩。

在至少一个示例性实施例中，车辆设备还包括转向辅助单元，其被配置为基于车道数据和车辆传感器解释信息来确定车辆的混合路径；并且基于车道数据和车辆传感器解释信息来确定车辆的路径。

在至少一个示例性实施例中，车辆设备还包括转向辅助单元，该转向辅助单元被配置成生成一组曲率参数和一组航向参数以存储在决策矩阵中，从而基于驾驶员输入的可变量来确定何时超控自动转向控制扭矩，其中该输入包括驾驶员转向扭矩和扭矩率。

在至少一个示例性实施例中，车辆设备还包括转向辅助单元，该转向辅助单元被配置为向DNN发送离线确定的标记数据，并且响应于控制命令扭矩辅助信号，发送对应于改变驾驶员超控阈值的区域的分类干预阶段信息，该区域包括驾驶员施加的转向扭矩和扭矩率。

在至少一个示例性实施例中，车辆设备还包括转向辅助单元，该转向辅助单元被配置为：至少基于一组输入产生转向控制扭矩，该组输入包括车辆的期望路径、车辆的预测动态以及驾驶员超控标志。

在至少一个示例性实施例中，车辆设备还包括转向辅助单元，该转向辅助单元被配置为至少基于包括车辆的期望路径、车辆的预测动态和驾驶员超控标志的一组输入来生成驾驶员超控标志。

附图说明

下文将结合以下附图描述示例性实施例，其中相同的附图标记表示相同的元件，并且其中：

图1示出了描绘示例性车辆的框图，该示例性车辆可以包括用于车辆操作的基于路径的自动驾驶辅助的处理器，该自动驾驶辅助由根据示例性实施例的自适应驾驶员超控系统实现；

图2示出了根据示例性实施例的为由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助计算的参数的示例图；

图3示出了根据示例性实施例的由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的控制架构的示例图；

图4示出了根据示例性实施例的由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的示例图；

图5示出了根据示例性实施例的由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的特征的示例图；

图6示出了根据一个实施例的离线数据标记的示例图，该离线数据标记用于由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助；

图7A和7B示出了由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的特征的示例图；和

图8示出了根据实施例的由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的示例性流程图。

具体实施方式

以下详细描述本质上仅仅是示例性的，并不旨在限制应用和使用。此外，不打算受前面的技术领域、背景、概述或下面的详细描述中呈现的任何明示或暗示的理论的约束。

如这里所使用的，术语“模块”指的是任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器设备，单独地或以任何组合，包括但不限于：专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适部件。

这里可以在功能和/或逻辑块部件和各种处理步骤方面来描述本公开的实施例。应当理解，这种块部件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现。例如，本公开的实施例可以采用各种集成电路部件，例如存储元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。此外，本领域技术人员将理解，本公开的实施例可以结合任何数量的系统来实践，并且这里描述的系统仅仅是本公开的示例性实施例。

自主和半自主车辆能够感知它们的环境并基于感知到的环境进行导航。这种车辆使用多种类型的感测设备来感测它们的环境，例如光学照相机、雷达、激光雷达、其他图像传感器等。在这种车辆中，感测到的数据可以与地图数据和车辆传感器(惯性测量单元、车速传感器等)融合在一起，以基于道路几何形状识别和跟踪车辆轨迹跟踪性能。

本公开描述了用于通过界面对车辆进行直观转向超控的方法、系统和设备，该界面至少自动调整超控转向发明所需的努力，基于学习的行为对转向辅助特征的干预阶段进行分类，基于连续范围操作条件确定和调整驾驶员转向超控努力，以及基于控制、路径规划和预测参数调整转向超控努力。

图1示出了描绘示例性车辆的框图，该示例性车辆可以包括用于确定驾驶员转向超控努力的可变范围的处理器，该处理器包括以下特征：响应于道路几何形状和车辆动态而连续改变超控努力，响应于期望路径的几何形状和预测车辆动态而连续改变超控努力，响应于瞬时车辆运行条件相对于预测路径的差异而连续改变超控努力，训练DNN并对类似于人类驾驶员所感知的转向辅助操作的干预阶段进行分类，以及基于由DNN驾驶辅助系统100学习的分类的转向辅助阶段来调整转向超控努力。系统100实现持续的手动自动转向特征(例如超级巡航)，其对应于驾驶员对“安全”的感知和基于车道边界内的车辆位置以及道路几何形状和条件的变化。

例如，在示例性实施例中，当车辆处于更安全的运行状态时，驾驶员将感觉到转向控制的必要性降低，并且期望减少停止干预的努力。因此，系统100减少了驾驶员利用动手自动转向特征的努力。这又减少了当驾驶员意图不同于自动驾驶特征时驾驶员对手动转向控制的总体烦恼，当车辆在安全条件下运行时，自动驾驶特征已经由系统100实现。

在示例性实施例中，系统100实现持续的手动自动转向特征(例如超级巡航)，其可以对应于驾驶员基于车辆位置和车道条件对“安全”变化的感知。当车辆处于基于车道边界内的车辆位置和/或道路几何形状和车道条件的更安全的操作条件下时，系统100将对驾驶员认为转向控制的必要性较低以及停止干预所需的努力预期减少做出反应。当车辆处于这种安全条件下时，系统100还可以在利用其他相关的手动自动转向特征来减少手动转向控制的总体烦恼时减少驾驶员的努力。

如图1所示，车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上，并且基本上封闭车辆10的部件。车身14和底盘12可以共同形成框架。车轮16-18每个都在车身14的相应拐角附近可旋转地联接到底盘12。在所示实施例中，车辆10被描绘为客车。然而，应当理解，也可以使用任何其他车辆，包括摩托车、卡车、运动型多功能车(SUV)、休闲车(RVs)、船舶、飞机等。

如图所示，车辆10通常包括推进系统20、传动系统22、转向系统24、制动系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34和通信系统36。在该示例中，推进系统20可以包括电机，例如永磁(PM)电机。传动系统22被配置成根据可选择的速度比将动力从推进系统20传递到车轮16和18。

制动系统26被配置为向车轮16和18提供制动扭矩。在各种示例性实施例中，制动系统26可以包括摩擦制动器、线控制动器、诸如电机的再生制动系统和/或其他合适的制动系统。

转向系统24影响车轮16和/或18的位置。尽管为了说明的目的而被描绘为包括方向盘25，但是在本公开范围内设想的一些示例性实施例中，转向系统24可以不包括方向盘。

传感器系统28包括一个或多个感测装置40a-40n，其感测车辆10的外部环境和/或内部环境的可观察条件，并产生与之相关的传感器数据。

致动器系统30包括一个或多个致动器装置42a-42n，其控制一个或多个车辆特征，例如但不限于推进系统20、传动系统22、转向系统24和制动系统26。在各种示例性实施例中，车辆10还可以包括图1中未示出的内部和/或外部车辆特征，例如各种门、后备箱和车厢特征，例如空气、音乐、照明、触摸屏显示部件等。

数据存储装置32存储用于控制车辆10的数据。数据存储装置32可以是控制器34的一部分，与控制器34分离，或者是控制器34的一部分和分离系统的一部分。

控制器34包括至少一个处理器44(与系统100集成或连接到系统100)和计算机可读存储装置或介质46。处理器44可以是任何定制的或商业上可获得的处理器、中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)(例如，实现神经网络的定制ASIC)、现场可编程门阵列(FPGA)、与控制器34相关联的几个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、它们的任何组合、或通常用于执行指令的任何设装置。计算机可读存储装置或介质46可以包括例如只读存储器、随机存取存储器和保活存储器(KAM)中的易失性和非易失性存储。KAM是持久或非易失性存储器，用于在处理器44断电时存储各种操作变量。计算机可读存储装置或介质46可以使用几种已知存储设备中的任何一种来实现，例如PROM(可编程只读存储器)、EPROM(电可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备，其中一些存储设备代表可执行指令，由控制器34在控制车辆10时使用。

指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由处理器44执行时，指令接收和处理来自传感器系统28的信号(例如，传感器数据)，执行用于自动控制车辆10的部件的逻辑、计算、方法和/或算法，并产生传输到致动器系统30的控制信号，以基于逻辑、计算、方法和/或算法自动控制车辆10的部件。尽管在图1中仅示出了一个控制器34，但是车辆10的实施例可以包括任意数量的控制器34，这些控制器34通过任意合适的通信介质或通信介质的组合进行通信，并且协作来处理传感器信号、执行逻辑、计算、方法和/或算法，并且生成控制信号以自动控制车辆10的特征。

例如，系统100可以包括嵌入控制器34中的任意数量的附加子模块，这些附加子模块可以被组合和/或进一步划分以类似地实现这里描述的系统和方法。另外，系统100的输入可以从传感器系统28接收，从与车辆10相关联的其他控制模块(未示出)接收，和/或由图1的控制器34内的其他子模块(未示出)确定/建模。此外，还可以对输入进行预处理，例如子采样、降噪、归一化、特征提取、缺失数据减少等。

图2示出了根据示例性实施例的为由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助计算的参数的示例图。图2包括系统100(图1)的扭矩参数计算，如下所示:

τ

τ

X＝[Δy Δρ Δy

在示例性实施例中，系统100的曲率航向确定如下：

其中

K

Y

对于右曲线α，β，与左曲线相比，符号相反

在示例性实施例中，转向力由系统100持续调节，如下所示：

τ

τ

τ

τ

τ

曲率航向确定如下：

在示例性实施例中，输入状态定义如下：

其中τ

其中τ

其中，Y

其中K

其中C是决定状态值Y

其中K

其中α,β是决定状态值Y

此外，车辆相对于行驶车道的计算中心的横向位置y是相对于当前操作的时间函数；

ρ是轨迹线的曲率，是当前操作的时间函数；

P是相位分类信息；

t

X是输入矩阵；

G

BP是表示车辆的“混合路径”或转向控制所需的预测轨迹的下标；和

VPP是指示“车辆预测路径”或基于预测轨迹的车辆动态的下标。

图3示出了根据示例性实施例的由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的控制架构的示例图。在图3中，(图1的)系统100包括车道数据和车辆传感器解释305到系统100到任务规划模块310、车辆路径预测模块320和驾驶员超控确定模块330的输入。驾驶员超控确定模块330还接收驾驶员转向输入315的输入。任务规划模块生成所需路径，并将信息发送给驾驶员超控确定模块330和横向控制模块340。车辆路径预测模块320向横向控制模块340和驾驶员超控确定模块330生成车辆预测动态和路径信息。

驾驶员超控确定模块330接收一组用于处理的多个输入，其包括驾驶员转向输入315、车道数据和车辆传感器解释305、由车辆路径预测模块320生成的车辆预测动态和路径信息、由任务规划模块310生成的期望路径信息、以及部分基于来自离线标记数据模块360的离线标记数据包含在深度神经网络350中的分类干预阶段信息。驾驶员超控确定模块330处理多个输入信息，并向横向控制模块340生成驾驶员超控信息。

横向控制模块340基于从由驾驶员转向输入315信息、由驾驶员超控确定模块330生成的驾驶员标志信息、车辆预测动态和由车辆路径预测模块320生成的路径信息以及由任务规划模块310生成的期望路径信息构成的一组输入处理的信息，处理该组输入以生成转向控制扭矩345。

图4示出了根据示例性实施例的由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的示例图。在图4中，更详细地示出了(图3的)驾驶员超控确定模块330的元件。在图4中，来自车辆传感器405的车道数据和车辆传感器解释的输入由任务规划模块310和车辆路径预测模块320接收。任务规划模块310和车辆路径预测模块320这两个模块都直接和间接地生成期望路径信息和车辆预测动态信息(即，在图4中位置“X”处所指的信息)，用于处理超控确定模块330的一组元件，这些元件包括车辆曲率确定模块415、车辆航向和位置模块420、增益调度模块430以及决策和索引模块425。

在示例性实施例中，车辆曲率确定模块415接收来自位置“X”的输入，并生成Y

图5示出了根据示例性实施例的由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的特征的示例图。在图5中，系统100中表示离线或在线配置的特征。在图5中，示出了用于标记的离线标记模块510(在图6中更详细地示出)，该模块离线配置并在线更新车辆操作的一系列区域和设置。模块530表示车道运行中实时干预和辅助扭矩的车辆状态。模块520表示被配置为存储离线训练和验证的标记的意图阶段数据的数据的神经网络。此外，模块520部分基于车辆操作的实时(在线)操作信息，例如在模块530中的干预状态和所施加的辅助扭矩，实时生成分类的干预阶段信息。最后，模块540表示分类的干预和辅助扭矩的图表，该图表被发送给驾驶员超控确定550，用于实时(在线)在模块530中申请配置干预状态和辅助扭矩。

图6示出了根据一个实施例的离线数据标注的示例图，该离线数据标注用于由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助。示例图中的图6示出了最大校正、转向返回、不活动、斜坡上升、接近和稳定的一系列干预阶段610，其对应于曲线图620和示出扭矩水平的条形图630。

图7A和7B示出了由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的特征的示例图。在图7A中，示出了处于安全位置的车辆710，其配置有降低的驾驶员阈值和新的检测停止控制。示出了对应于车辆安全位置的曲线图：扭矩-驱动扭矩和超控限制曲线720、曲率-驾驶员超控标志曲线730和到车辆位置的距离曲线740。在图7B中，示出了处于不安全位置的车辆750，其配置有大的干预扭矩、增加的驾驶员阈值和类似于先前行为的新检测。示出了对应于车辆不安全位置的曲线图：扭矩-驱动扭矩和超控限制曲线图760、曲率-驾驶员超控标志曲率770和到车辆位置的距离曲线780。

图8示出了根据实施例的由自适应驾驶员超控系统实现的车辆操作的基于路径的自动驾驶辅助的示例性流程图。流程图800示出了用于自适应驾驶员超控的基于路径的自动辅助操作任务，其包括以下任务：任务810，基于包括车道数据和车辆传感器解释信息的一组车辆输入，例如驾驶员转向输入，确定驾驶员转向超控努力的可变范围，通过与DNN通信的驾驶员超控确定模块，基于由车辆的期望路径和预测动态确定的转向控制操作阶段以及通过DNN中分类的相应中间阶段的信息，超控基于自动转向控制的扭矩。任务820通过确定期望路径和车辆的预测动态，响应于道路几何形状和车辆动态，连续改变超控努力。任务830使用布置在转向辅助单元中的横向控制模块，响应于预测路径的几何形状和预测车辆动态，连续改变超控努力，通过例如驾驶员施加的扭矩量和扭矩率，停止自动和确定的驾驶员干预水平的应用，以基于转向控制操作的确定阶段和驾驶员输入，例如驾驶员转向扭矩和扭矩率，超控用于自动转向辅助的转向控制扭矩。

任务840响应于与预测路径相比的瞬时车辆运行条件的差异，连续改变超控努力。任务850训练DNN并对类似于人类驾驶员所感知的转向辅助操作的干预阶段进行分类。任务860基于分类的转向辅助阶段来调整转向超控努力，该阶段由DNN通过使用离线创建的发送到DNN的标记数据来学习，并且响应于控制命令扭矩辅助信号，通过驾驶员超控确定模块发送对应于改变驾驶员转向扭矩阈值的区域的分类干预阶段信息。

深度神经网络用于自适应驾驶员超控系统，以告知扭矩特性，并被配置为已训练的神经网络。因此，在某些实施例中，扭矩预测系统的过程仅在操作模式下配置。例如，在各种实施例中，在车辆(或其他车辆)中使用或提供之前，在训练模式期间训练深度神经网络。一旦训练了深度神经网络，它就可以以操作模式在车辆(例如，图1的车辆10)中实现，其中车辆以自主、半自主或手动方式操作。

在各种可选的示例性实施例中，应当理解，神经网络也可以在车辆中的训练模式和操作模式中实现，并且在初始操作期间结合用于扭矩控制预测的时间延迟或类似方法的操作进行训练。此外，在各种实施例中，车辆可以仅在具有已经通过同一车辆和/或其他车辆的训练模式训练的神经网络的运行模式下运行。

如简要提及的，上述各种模块和系统可以被实现为一个或多个机器学习模型，其经历有监督、无监督、半监督或强化学习。这样的模型可以被训练来执行分类(例如，二进制或多类分类)、回归、聚类、降维和/或这样的任务。这种模型的例子包括但不限于人工神经网络(ANN)(例如递归神经网络(RNN)和卷积神经网络(CNN))、决策树模型(例如分类和回归树(CART))、集成学习模型(例如boosting、bootstrapped aggregation、梯度boosting机器和随机森林)、贝叶斯网络模型(例如朴素贝叶斯)、主成分分析(PCA)、支持向量机(SVM)、聚类模型(例如K最近邻、K均值、期望最大化、层次聚类等)和线性判别分析模型。

在各种示例性实施例中，本公开描述了一种使用深度神经网络(DNN)在车辆中实现转向超控控制阶段的方法。该方法包括由布置在车辆中的转向辅助单元接收一组车辆输入，该组车辆输入包括车道数据和车辆传感器解释信息，包括驾驶员转向输入；配置布置在转向辅助单元中的任务规划模块，以使用车道数据和车辆传感器解释信息来至少确定车辆的期望路径；配置布置在转向辅助单元中的车辆路径预测模块，以使用车道数据和车辆传感器解释信息来至少确定车辆的一组预测动态；配置布置在转向辅助单元中并与DNN通信的驾驶员超控确定模块，以基于转向控制操作的阶段以及通过DNN中分类的相应中间阶段的信息来超控自动转向控制扭矩，所述转向控制操作的阶段部分地由车辆的期望路径和预测动态来确定；响应于布置在转向辅助单元中的横向控制模块的确定，使得超控转向控制模块的自动配置能够停止自动转向的应用；以及响应于布置在转向辅助单元中的横向控制模块的确定，确定驾驶员施加的扭矩量和扭矩率的驾驶员干预水平，以及转向控制操作的阶段和驾驶员输入，其中驾驶员输入包括驾驶员转向扭矩和扭矩率，以超控用于自动转向辅助的转向控制扭矩。

本公开还描述了一种方法，该方法包括配置布置在转向辅助单元中的任务规划模块以使用车道数据和车辆传感器解释信息来确定车辆的混合路径，以及配置布置在转向辅助单元中的车辆路径预测模块以使用车道数据和车辆传感器解释信息来确定车辆的路径。

本公开还描述了配置驾驶员超控确定模块，其具有车辆曲率确定模块以生成一组曲率参数，以及车辆航向和位置模块以生成一组航向参数以存储在决策矩阵中，其中两组参数用于确定何时由转向辅助单元执行超控动作，自动转向控制扭矩基于转向控制操作的确定阶段和驾驶员输入来施加，其中驾驶员输入包括驾驶员转向扭矩和扭矩率。

本公开还描述了配置标记模块以离线标记数据，以响应于控制命令辅助扭矩信号将标记数据发送到DNN，发送对应于通过驾驶员超控确定模块施加转向超控扭矩的变化量的区域的分类干预阶段信息，以及配置横向控制模块以至少基于包括车辆的期望路径、车辆的预测动态和驾驶员超控标志的输入来生成转向控制扭矩，其中驾驶员超控标志由驾驶员超控确定模块生成。

应当理解，图1-8的过程可以包括任何数量的附加或替代任务，图1-8中所示的任务不需要以图示的顺序执行，并且图1-8的过程可以被结合到具有这里没有详细描述的附加功能的更全面的程序或过程中。此外，图1-8所示的一个或多个任务可以从图1-8所示的过程的实施例中省略，只要预期的整体功能保持完整。

前述详细描述本质上仅仅是说明性的，并不旨在限制主题的实施例或这些实施例的应用和使用。如这里所使用的，词语“示例性的”意味着“用作例子、实例或说明”。这里描述为示例性的任何实现不一定被解释为比其他实现更优选或更有利。此外，本文不打算受前面的技术领域、背景或详细描述中呈现的任何明示或暗示的理论的约束。

虽然在前面的详细描述中已经呈现了至少一个示例性实施例，但是应当理解，存在大量的变化。还应当理解，一个或多个示例性实施例仅仅是示例，并不旨在以任何方式限制本公开的范围、适用性或配置。相反，前述详细描述将为本领域技术人员提供用于实现一个或多个示例性实施例的便利路线图。

应当理解，在不脱离所附权利要求及其法律等同物中阐述的本公开的范围的情况下，可以对元件的功能和布置进行各种改变。