基于事故强度的车辆的路径规划

技术领域

本发明涉及基于车辆事故强度的估计的路径规划，并且尤其涉及统计意义上的事故强度(例如泊松点过程的强度)。

背景技术

在过去的几年间，自动驾驶车辆的发展呈爆炸式增长，多种不同的方案正在探索之中。越来越多的现代化车辆具有高级驾驶者辅助系统(ADAS)，以提高车辆安全性以及更普遍的道路安全性。ADAS例如可以由自适应巡航控制ACC、碰撞避免系统、前方碰撞警告等来表示，是可以在驾驶时帮助车辆驾驶者的电子系统。为了实现预期功能，ADAS可能依赖于来自多个数据源的输入，诸如汽车成像、LIDAR、雷达、图像处理、计算机视觉和/或车内联网。

目前，ADAS和自动驾驶(AD)的开发正在这些领域的多个不同技术领域中进行。ADAS和AD在本文中将被称为通用术语“自动驾驶系统(ADS)”，与所有不同的自动化等级相对应，例如由SAEJ3016驾驶自动化等级(0-5)所定义。

因此，在不久的将来，ADS方案将在更大程度上进入现代车辆。ADS可以被解释为各种部件的复杂组合，各种部件可以被定义为由电子装置和机器代替人类驾驶者执行车辆感知、决策和操作的系统，以及将自动化引入道路交通。这包括对车辆、目的地的操控，以及对周围环境的感知。虽然自动化系统可以控制车辆，但它允许人类操作者将所有责任留给系统。ADS通常结合各种传感器来感知车辆的周围环境，诸如例如雷达、LIDAR、声纳、相机、导航系统(例如GPS、里程表和/或惯性测量单元(IMU))，在此基础上，高级控制系统可以解释传感信息以识别适当的导航路径以及障碍物和/或相关标志。

重要的是，ADS功能具有高可靠性和完整性，以将车辆乘员及其周围环境的风险降低到可接受的等级。确保风险足够低需要的是大量数据来证明ADS的性能。理论上，在出售车辆并在公共道路上行驶之前，通过在现场测试车辆，可以获取ADS能够响应车辆行驶时可能遇到的所有可能的或者统计相关体验的统计证据。然而，在实践中，使用目前可用的技术，捕获这样的测试数据以显示ADS如何响应车辆可能经历的每一种可以想象的情况将需要花费几个世纪。共享例如一百辆测试车辆的车队的经验目前估计需要大约500年才能获取足够的数据来提供这样的统计证明。由于这个时间长度是不实际的，目前在公共道路上驾驶车辆之前安装的ADS特征被尽可能安全地作出，并且通过当车辆在公共道路上驾驶时监视车辆的ADS来补充，以确保将ADS执行到所需的安全等级。

为此，已提出多项建议，通过利用具有历史事故数据的数据库，将与历史事故相关的即将到来的道路部分通知给车辆ADS或者车辆驾驶者，以提高一般道路安全性。例如，EP3227148A2公开了以下方案，其中分析所收集的事故数据，以便发送通知来教导用户并警告他们当处于与历史事故相关联的位置时的事故模式和预防措施。

然而，这种方法具有固有缺陷，因为其基本上基于事故事件已经在特定地理位置和/或特定环境条件期间发生的假设，这些位置和/或环境条件因此是高风险情景。然而，这些方法无法用于推断在那些特定位置和/或在那些特定环境条件期间在其他适当定义的类似位置驾驶的实际风险。

因此，需要改进评估车辆即将面临的风险的技术，以减轻车辆乘员面临的风险。

发明内容

因此，本发明的目的是提供用于确定车辆的路径的方法、计算机可读存储介质、设备和包括这种设备的车辆，以减轻目前已知系统和方法的所有或者至少部分上述缺点。

该目的借助于所附独立权利要求中定义的用于确定车辆的路径的方法、计算机可读存储介质、设备和包括这种设备的车辆来实现。术语“示例性”在本上下文中被理解为用作实例、示例或者说明。

根据本发明的第一方面，提供了确定车辆的路径的方法。方法包括获取车辆要行驶的估计的路线的多个道路部分中的每个道路部分的事故强度。方法进一步包括在一组约束下基于所获取的事故强度确定车辆的沿估计的路线的路径。该一组约束包括路线风险约束和沿估计的路线的路径的路线行驶时间约束中的至少一个，并且所确定的路径包括沿估计的路线的速度曲线。

根据一些实施例，从训练模型获取事故强度，所述训练模型被配置为基于获取的环境数据和获取的位置数据确定与多个道路部分相关联的事故强度。

在一些实施例中，训练模型基于来自一个或者多个事故数据库的事故数据来形成，所述事故数据库包括关于多个关键情景的信息、每个关键情景的时间和指示与关键情景相似情况的频率的数据。

此外，在一些实施例中，指示与关键情景类似情况的频率的数据的形式为随时间从车队中的多个车辆获取的环境数据。

根据本发明的第二方面，提供了(非暂时性)计算机可读存储介质，其存储被配置为由处理系统的一个或者多个处理器执行的一个或者多个程序，一个或者多个程序包括用于执行根据本文公开的任一实施例的方法的指令。对于本发明的这一方面，存在与先前讨论的本发明的第一方面相似的优点和优选特征。

本文所使用的术语“非暂时性”旨在描述不包括传播电磁信号的计算机可读存储介质(或者“存储器”)，但并不旨在以其他方式限制词语“计算机可读介质或者存储器”所包含的物理计算机可读存储装置的类型。例如，术语“非暂时性计算机可读介质”或者“有形存储器”旨在包含不一定永久存储信息的存储装置类型，包括例如随机存取存储器(RAM)。以非暂时性的形式存储在有形计算机可访问存储介质上的程序指令和数据还可以由传输介质或者信号(诸如电气、电磁或者数字信号)来传输，这些信号可以经由诸如网络和/或无线链路等通信介质来传送。因此，本文所使用的术语“非暂时性”是对介质本身的限制(即有形的，而不是信号)，而不是对数据存储持久性的限制(例如RAM还是ROM)。

根据本发明的第三方面，提供了用于确定车辆的路径的设备。设备包括控制电路，控制电路被配置为获取车辆要行驶的估计的路线的多个道路部分中的每个道路部分的事故强度。控制电路还被配置为在一组约束下基于所获取的事故强度确定车辆的沿估计的路线的路径。该一组约束包括路线风险约束和沿估计的路线的路径的路线行驶时间约束中的至少一个，并且所确定的路径包括沿估计的路线的速度曲线。对于本发明的这一方面，存在与先前讨论的本发明的第一方面相似的优点和优选特征。

根据本发明的第四方面，提供了车辆，该车辆包括用于生成指示车辆地理位置和航向的位置数据的定位系统，以及根据本文公开的任一实施例的用于确定车辆的路径的设备。对于本发明的这一方面，存在与先前讨论的本发明的第一方面相似的优点和优选特征。

一些实施例的优点在于，可以降低每个路线的事故风险，而不会强制车辆或者车辆驾驶者以不舒适的较低速度行驶。换句话说，这种车辆可以在驾驶者到达危险地点之前提前警告驾驶者，以几乎可以忽略不计的行驶时间成本来降低事故风险。

一些实施例的优点在于，可以将“恰好正确的”道路部分作为目标，并降低这些道路部分的车辆速度，以便在安全性和诸如总行驶时间等其他约束上找到最佳路径/轨迹。

一些实施例的优点在于，车辆可能面临的潜在“高风险”情况/情景已经在路径规划阶段进行有效处理，从而提高了总体道路安全性。

附图说明

本发明实施例的其他目的、特征和优点将在以下详细描述中体现，参考附图，其中：

图1是根据一些实施例的事故强度模型的示意性框图。

图2是根据一些实施例的事故强度引擎的示意性框图。

图3为根据一些实施例的车辆以及车辆要行驶的估计的路线的示意图。

图4是由传统路径规划方案和根据一些实施例的路径规划方案生成的路径之间的示意性比较。

图5是根据一些实施例的用于确定车辆的路径的方法的流程图。

图6是根据一些实施例的用于确定车辆的路径的设备的示意性框图。

图7是根据一些实施例的包括用于确定车辆的路径的设备的车辆的示意性侧视图。

具体实施方式

在以下详细描述中，将描述本发明的实施例。然而应当理解，不同实施例的特征在实施例之间是可互换的，并且可以以不同的方式组合，除非另外特别指出。尽管在下文的描述中，提出了多种具体细节以提供对本发明的更全面的理解，但是对于本领域技术人员来说，显然在没有这些具体细节的情况下也可以实施本发明。在其他情况下，众所周知的结构或者功能并未详细描述，以免模糊本发明。

本领域技术人员将理解，本文所述的步骤、服务和功能可以使用单独的硬件电路、使用与编程微处理器或者通用计算机结合运行的软件、使用一个或者多个专用集成电路(ASIC)、现场可编程门阵列(FPGA)和/或使用一个或者多个数字信号处理器(DSP)来实施。还将理解，当根据方法描述本公开时，它也可以在一个或者多个处理器和耦合到一个或者多个处理器的一个或者多个存储器中实现，其中一个或者多个存储器存储一个或者多个程序，当由一个或者多个处理器执行时，一个或者多个程序执行本文公开的步骤、服务和功能。

如前所述，存在过多的建议方法用于识别正在接近的高风险情景。然而，本发明人认识到，通过形成与车辆可能面临的情景相关联的事故强度的度量，可以实现用于车辆的新的和改进的路径规划方案。此外，已经认识到，仅仅依靠来自“事故数据库”的数据并将事故发生时所报告的地理位置(关键情景)与车辆的当前位置和航向进行比较，就可以给出车辆正在或者将要面临的“风险”的粗略估计。包括关于多个关键情景的信息的事故数据库的示例包括FIA世界事故数据库(WADB)、IRTAD道路安全数据库、国家公路交通安全管理局(NHTSA)数据库等。

更详细地，给定事故数据，包括诸如事故地点和时间的交通流量、事故地点的速度限制等相关数据，只能回答这样的问题，诸如“夜间下雨时在特定道路部分以70公里/小时的速度行驶会发生多少事故？”，虽然这些问题本身很有趣，但是没有提到独立的驾驶者夜间下雨时在特定道路部分以70公里/小时的速度行驶时所面临的实际风险。

因此，本发明人认识到，可以利用“事故强度”(在泊松意义上)，以获取对即将到来的道路部分的车辆所面临风险的更好的估计，特别是利用该知识，以优化车辆的路径规划。然而，为了能够获取所面临风险的这种估计，需要估计“尝试次数”，即在道路上花费的所有时间和/或里程中有多大比例是在特定环境条件下发生的，该特定环境条件与每个事故和/或关键情景(例如未遂事故情景)的环境条件相对应。

因此，本文建议使用车辆要行驶的估计的路线的多个道路部分的“事故强度”的测量值，以确定车辆沿该路线的路径(或者轨迹)。更详细地，现在可以利用所获取的事故强度来计算例如沿路线的最佳行驶速度(即最佳速度曲线)，这可以以显著的方式统计地降低该路线的事故风险，而不会完全牺牲其他重要的舒适性参数，诸如总行驶时间。此外，与“黑盒子”技术相反，本文提出的方法基于分析上易于处理的数学，这使得其特别适用于车辆的安全性关键系统，其目的在于最小化事故风险。

事故强度例如可以从训练模型中获取，训练模型已经基于来自一个或者多个事故数据库的事故数据和指示与关键情景相似情况的频率的数据进行训练。例如，事故数据库可以包含关键情景期间的天气条件、关键情景下的一天中的时间、关键情景下的类型、关键情景下的道路类型、关键情景下的道路条件等之类的信息。本文所使用的术语“道路类型”可以被理解为道路的特征描述，诸如国家高速公路、受控驶入的高速公路、州高速公路、地区道路、乡镇道路、公路、农村道路等。

指示类似情况的频率的数据(即“尝试次数”)例如可以从“代理”获取，如交通流量监视方案(跟踪实际交通流量或者移动装置)，或者直接从连接的车队中报告。在后一种情况下，并且根据一些实施例，指示类似情况的频率的数据的形式为随时间从车队中的多个车辆获取的环境数据(例如一天中的时间、天气条件、路面条件、速度限制、道路类型等)。更详细地，车队管理系统例如可以从“连接的”车辆的车队中的所有车辆或者车辆子集请求“状态报告”，并且随时间的建立上述模型-“事故强度模型”-能够估计多种情景下的事故强度。利用车队的一个优点是可以获取更细微的数据(由于现代车辆的传感能力，特别是配备有ADS的车辆)，从而提供对“尝试次数”的更好的估计。由此，可以获取对给定道路部分/路段的事故强度的更好的估计，并且进一步地，可以容易地获取对在该道路部分/路段上行驶的车辆所面临风险的更好的评估。

参见图1，提供了事故强度模型35的示意性框图。更详细地，图1描述了事故强度模型35可以如何随时间形成和训练/更新的说明性示例。本文中，每个情景31被描述为“容器”，其基于与每个关键情景相关联的信息而形成，关键情景从一个或者多个事故数据库2(例如经由外部网络20)获取。例如，第一情景31(“情景1”)可以是“夜间下雨时在受控驶入的高速公路上以100公里/小时的速度驾驶/行驶”，而第二情景31(“情景2”)可以是“结冰道路条件下在白天人口密集区域的多车道道路上以60公里/小时的速度驾驶/行驶”等。应当注意，每个情景中包括的参数的类型和数量可以独立设置，并且具有比上文提供的示例更多的参数。例如，情景还可以包括一天中的时间、一周中的某一天、外部温度、地理区域/位置、相关联的道路部分的限速、障碍物的存在等。换句话说，从一个或者多个事故数据库获取的事故数据至少指示每个关键情景(例如每个事故或者“未遂事故”)的时间和位置。然而，事故数据还可以指示路面条件、天气条件、道路障碍物的存在、野生动物栅栏障碍物的存在、关键情景中涉及的车辆数量、关键情景的严重性等。

继续，随着时间，事故强度模型35还提供有输入，形式为指示与关键情景类似的情况的频率的数据。该数据例如可以经由外部网络20检索。更详细地，该数据可以经由如上所例示的合适的“代理”输出(即间接)或者直接经由“车队数据”(即从车队检索/接收的环境数据)获取。后一种情况也可以被解释为实际“尝试次数”的“代理”，因为还可以对“车队数据”应用一些统计模型，以获取更大规模(例如整个国家)的“尝试次数”的估计。例如，如果知道车队中有多少车辆、车队中给定情景的暴露比率，以及该车队代表的(例如一个国家的)总人口的百分比，就可以得出更大规模的“尝试次数”的估计。

术语“代理”在本上下文中被广义地解释，并且可以被理解为指示与关键情景类似的情况的任何度量。换句话说，代理提供了数据，从中可以推导出与关键情景类似的多种情况。

此外，在通过外部网络20检索或者接收数据的任何时候，数据都“存储”在与关键情景相对应的合适的容器21中。然后，随着容器21被填充，事故强度模型35能够提供指示每个情景的事故强度的输出。如本领域读者容易理解的，随着时间，事故强度模型35将能够为车辆可能面临的多种情景提供更可靠的事故强度指示。

此外，图2示出了包括上述事故强度模型45的事故强度引擎45的示意性框图。事故强度模型45(即训练模型)从一个或者多个合适的事故数据库2接收(例如经由外部网络20)历史事故数据，以及指示与关键情景类似的情况的频率的数据(本文中，形式为以“车队数据”)。车队数据例如可以经由外部网络20从多个车辆3获取，每个车辆是连接的车辆3的车队的一部分。事故强度引擎45可以被配置为经由外部网络20(周期性地)向车队中的一辆或者多辆(随机选择的)车辆3传输数据请求。数据请求例如可以(周期性地)发送给车队中的车辆3的随机子集。在接收到请求时，一个或者多个车辆3被配置为经由外部网络将环境数据传输到事故强度引擎45。所传输的环境数据例如可以是地理位置(例如GNSS坐标)、航向、时间、温度和车辆的当前速度/速率。因此，环境数据可以指示周围环境的状态，并且还指示(报告)车辆3的状态。在一些实施例中，环境数据进一步包括地图数据(例如道路类型、障碍物的存在、野生动物障碍物围栏的存在等)、周围环境中的外部车辆数量、路面条件、天气条件。

一旦事故强度模型35被训练，车辆1可以使用事故强度引擎45来获取即将到来的道路部分的事故强度(例如作为自动过程的一部分，因为车辆是自动或者半自动操作的)。更详细地，车辆1被配置为传输指示地理位置和航向的(带有时间戳的)位置数据(即传输姿态)以及替代地，指示周围环境的状态的环境数据(例如道路类型、天气条件和/或路面条件)。环境数据还可以指示车辆1的状态(例如车辆速度、挡风玻璃雨刷器状态等)。

在一些实施例中，天气和道路条件不直接显示在环境数据中，而是从车载传感器的输出中获取(通过事故强度引擎45或者在车辆1中本地获取)。例如，车辆的挡风玻璃雨刷器的状态(接合/脱离)可用于获取天气条件(例如雨、雪等)，替代地，来自车载摄像机的输出可以用于通过传统已知的合适的图像处理算法来获取当前的天气条件和道路条件。此外，根据其他示例，道路条件可以通过估计在各种驾驶情况下传动轴和自由旋转轴的速度差确定，并且可以从该差值中获得摩擦力等级，以便例如确定道路上出现结冰。然而，在一些实施例中，天气条件和/或道路条件可以通过将车辆1的报告位置与该地理区域的天气预报进行比较来间接地获取。

一旦由事故强度引擎45接收到位置数据和环境数据，事故强度引擎45被配置为通过训练的事故强度模型45确定车辆1要行驶的估计的路线的一个或者多个的即将到来的道路部分的事故强度。如前所述，事故强度模型被配置为使用所报告的车辆姿态和相关联的环境数据来找到相对应的/相匹配的情景(参见图1中的附图标记21)，并输出该情景的事故强度，从而输出即将到来的道路部分的事故强度。

根据一些实施例，可以在一个或者多个服务器上提供事故强度引擎45，例如作为所谓的云解决方案。然而，在一些实施例中，事故强度引擎45与事故强度模型45一起被提供在每个车辆本地中。在本地设置中，事故强度模型25可以服从来自中央管理实体的周期性更新。

图3是车辆1以及车辆1要行驶的估计的路线25的示意图。路线25具有开始位置(例如车辆1的当前位置)和结束位置，以及沿路线25的多个即将到来的道路部分21至24。本文中，每个道路部分21至24与如图3中虚线框所示的特定“情景”相关联，并且不应当被解释为限制性示例，而仅仅是为了便于理解本发明。路线25可以包括更多或者更少的道路部分，每个道路部分与特定情景相关联，该情景可以或多或少地与其他道路部分的情景类似。

更详细地，第一道路部分21可以被理解为“在高速公路上行驶”的情景，道路两侧均有路障。第二道路部分22可以被理解为“高速公路入口匝道/出口匝道”情景，而第三道路部分23可以被理解为“四向交叉路口”情景。最后，第四道路部分24可以被理解为“视线受阻的弯道”情景。

此外，每个情景可以相应地与一些“事故数据”相关联，这意味着在这种情景下存在历史事故/事件。此外，甚至特定的道路部分可能与一些“事故数据”相关联，这意味着在那些特定的道路部分已经发生过历史事故。换句话说，道路部分21至24可以间接与一些“事故数据”相关联(即那些道路部分21至24的情景与历史事故/事件相关联)，或者直接与“事故数据”相关联(即那些道路部分21至24与历史事故/事件相关联)。

给定车辆1的当前位置和航向(例如由车辆1的定位系统提供)，可以对路线25进行估计。然而，在这种情况下，路线的长度可能是有限的，因为估计的路线越长，变得可用的路线“可选项”就越多，并且“估计”的精确度降低。例如，如果想要估计长度至少为1公里的路线，并且如果车辆1行驶在高速公路上，而在接下来的两公里内没有任何可能的出口匝道或者道路分叉。则仅基于车辆1的当前位置和航向，就可以以相对较高的精确度估计车辆行驶的路线。

然而，如果想要估计长度至少为1公里的路线，且车辆行驶在城市环境中，在车辆1的总体行驶方向上有多个交叉路口。则具有诸如目标/终点位置或者从点A到点B的预先规划的路线的附加信息可能是有利的。因此，在一些实施例中，路线25可以基于车辆1的预期或者预先规划的路线来估计。例如，车辆1的乘员可能已经向车辆1的导航系统提供期望的结束/目标位置，然后导航系统输出从车辆的当前位置到结束/目标位置的建议路线。该建议路线可以随后用于估计车辆1要行驶的路线25。然而，在一些实施例中，可以基于该车辆1的历史驾驶数据来估计的路线。举例而言，基于车辆1的历史驾驶模式，可以推断出车辆通常在工作日的07:00到09:00之间从“家”移动到“工作”，则如果车辆在星期三的07:30启动，则路线25被估计为从“家”到“工作”，并且进行相应规划。

换句话说，估计的路线可以从车辆的当前位置和航向、与车辆相关联的历史驾驶模式获取，或者直接在从例如车辆1的导航系统或者车辆的任何其他合适的子系统获取的位置数据中指示。

此外，道路部分21至24中的每个道路部分与事故强度(即泊松意义上的强度)相关联，并且可以从前述事故强度引擎中获取。一旦已经获取车辆要行驶的估计的路线25的道路部分21至24的事故强度，优化算法被配置为在一组约束下生成车辆1沿估计的路线25的路径。该一组约束包括路线风险约束和沿估计的路线的路径的路线行驶时间约束中的至少一个。所确定的路径具有沿估计的路线的速度曲线，因此所确定的路径可以被理解为车辆1沿估计的路线的确定轨迹。

此外，在一些实施例中，优化算法可以配置为根据道路部分是与“事故数据”直接相关联还是与“事故数据”间接相关联来对与道路部分21至24相关的风险进行不同的加权。如上所述，道路部分21至24可以与一些“事故数据”间接相关联(即那些道路部分21至24的情景与历史事故/事件相关联)，或者与“事故数据”直接相关联(即那些道路部分21至24与历史事故/事件相关联)。更具体地，优化算法可以被配置为确定与“事故数据”直接相关联的(第一)道路部分比与“事故数据”间接相关联的(第二)道路部分与在该(第一)道路部分上行驶的更高风险相关联。

得到的路径尤其是路径的速度曲线403如图4所示。此外，图4示出了根据一些实施例生成的速度曲线403与由一些传统路径/路线规划方案生成的路径401、402之间的比较。每个速度曲线401至403被图示为速度随距离变化的曲线图。

更详细地，最顶部的图表示出了传统路线或者路径规划方案的输出，例如普通导航系统的输出，其中车辆(即配备有ADS的车辆)或者车辆驾驶者预期从A点到B点遵循速度限制(v

因此，本发明人意识到，鼓励驾驶者均匀地降低其驾驶速度(或者允许其配备有ADS的车辆以较低速度行驶)甚至是不可能的，并且因此这作为干预工具将是低效的。原因既在于驾驶者不会遵守，也在于完成路线的时间上的“成本”超过了降低事故风险的收益。因此，通过利用事故强度，可能提供优化算法，该优化算法被配置为输出沿路线的“最优”速度曲线(也可以被称为行驶速度)，给定诸如总行驶时间的约束，这将给定路线的事故/事件风险最小化。由于作为每一道路部分的车辆速度的函数的事故强度测量本质上是线性的，所以利用线性规划来生成车辆的路径是可能的。因此，借助于本发明，可能利用已知且稳定/鲁棒的优化方案，这意味着可能利用机载处理能力在运行时利用这种路径规划。

更详细地，当制定优化问题时，一般目的/目标是使试图解决的问题适应现有框架，现有框架中已存在众所周知的解决方法。在这种情况下，最好将手头的问题转化为线性规划。这提出了两个需要解决的问题：

首先，对于行驶速度x

换句话说，可能使用事故强度的差商作为“目标函数”的梯度，以估计作为每个路段的行驶速度的函数的事故强度的变化。然而，在一些实施例中，事故强度的形式为完全参数化模型，使得从事故强度中提取梯度是相对简单的。

其次，为了能够使用线性规划对我们的问题进行建模，希望能够将沿路线的平均行驶时间近似为每个道路部分的行驶速度x

一旦完成这两个步骤，直接使用线性规划来求解优化问题。

此外，由于事故强度为特定路段的车辆(及其乘员)的实际面临风险提供了相对准确的估计，因此可以在最佳道路部分(在降低风险的收益上)降低车辆速度，从而对整个路线的总行驶时间的影响尽可能小。换句话说，借助于本发明，可能以“恰好合适的”道路部分为目标，并降低在这些道路部分的车辆速度，以便在安全性以及诸如总行驶时间等其他约束上找到最佳路径/轨迹。

更详细地，通过使用事故强度，可能区分两个或者多个道路部分(每个道路部分与一个或者多个事故数据库中的数据给出的历史事故相关联)，并得出其中一个道路部分实际上与比其他道路部分高10倍或者100倍的事故风险相关联的结论。虽然传统的方案将进行相同的处理，并且指示在所有这些道路部分降低速度，但是本发明允许更优化的方案，并且例如在与10倍/100倍高的事故风险相关联的道路部分降低更多的速度，并且在其他道路部分几乎不降低速度。由于实际事故风险的巨大差异，两种方案都生成具有相同或者至少非常相似的风险等级的路径，而根据本发明的方案允许更高的行驶速度，因此减少了该路线的总行驶时间。这在图3至图4中以第一道路部分21为例，其与历史事故数据相关联。本文中，由传统路径规划方案生成的路径402以与其他道路部分22至23相同的方式对此进行处理。然而，由于事故强度在实际面临风险方面提供了更细微的数据，例如第一道路部分21可能与一百万次“尝试”中的一次事故事件相关联，而另一道路部分可能与一百万次“尝试”中的100至1000次事故事件相关联。因此，通过降低在第一道路部分21的速度而降低风险的潜在收益对整个路线的总风险降低做出较小贡献，因此根据一些实施例由路径规划方案生成的速度曲线403并未引起在第一道路部分21的任何降低的速度。

由于借助于本发明可以将在总行驶时间上的成本保持在相对较低的等级，因此可以容易地提高舒适度和用户满意度。此外，如果总行驶时间的“损失”例如是30秒，而“应当”花费例如20分钟的路线的“损失”是5至10分钟，则驾驶者明显更有可能遵循建议的路径。因此，一些实施例还可以提供提高总体道路安全性的优点。

图5是根据一些实施例的用于确定车辆的路径的计算机实施的方法S100的示意流程图。方法包括获取S101车辆要行驶的估计的路线的多个道路部分中的每个道路部分的事故强度。事故强度可以被理解为泊松意义上的强度。如上所述，优选地，事故强度的形式为相关道路部分上速度的(线性)函数。

此外，车辆行驶的估计的路线可以直接从车辆乘员提供的期望目标位置的车辆导航系统获取，或者从车辆的当前地理位置和航向获取。因此，根据一些实施例，方法S100包括获取S103车辆的位置数据。位置数据相应地可以包括(或者指示)车辆的地理位置(例如GNSS位置)和车辆的航向。此外，在一些实施例中，位置数据进一步指示估计的路线。

此外，在一些实施例中，方法S100进一步包括获取S104与车辆的估计的路线相关联的环境数据。环境数据例如可以包括沿路线的天气预报、沿路线的交通密度等。此外，环境数据还可以指示车辆的状态(例如车辆的速度、挡风玻璃雨刷器状态等)。环境数据还可以是与多个道路部分中的每个道路部分相关联的速度限制。

在一些实施例中，事故强度从训练模型获取，该训练模型被配置为基于获取S104的环境数据和获取S103的位置数据确定与多个道路部分相关联的事故强度。此外，训练模型可以基于来自一个或者多个事故数据库的事故数据来形成，事故数据库包括关于多个关键情景的信息、每个关键情景的时间以及指示与关键情景类似情况的频率的数据。指示与关键情景类似情况的频率的数据的形式可以是随时间从车队中的多个车辆获取的环境数据。

继续，方法S100进一步包括在一组约束61下基于获取的事故强度确定S102车辆的沿估计的路线的路径。该一组约束包括路线风险约束和沿估计的路线的路径的路线行驶时间约束中的至少一个。此外，确定S102的路径包括沿估计的路线的速度曲线。速度曲线在本上下文中可以被理解为速度相对于距离的运动曲线。换句话说，确定的沿路线的速度曲线决定了车辆在路线的每个部分应当具有的速度。在一些实施例中，速度曲线包含多个道路部分的确定的行驶速度和路线的剩余分部/部分的默认行驶速度。默认行驶速度例如可以是可允许的速度限制。“路线行驶时间约束”可以被理解为完成路线(即车辆到达目标/终点位置)的最大允许行驶时间。路线风险约束可以被理解为由所获取的事故强度给出的最大可允许风险。

根据一些实施例，方法S100还可以包括传输指示指令的信号，以激活或者停用沿估计的路线的一个或者多个ADS特征。特别地，ADS特征的形式可以是ADS“安全特征”，诸如车道保持辅助(LKA)、紧急制动辅助(EBA)等。具体地，激活/停用一个或者多个ADS特征的指令还可以包括修改ADS特征的一个或者多个阈值的指令。更详细地，在一个或者多个ADS特征的激活阈值被降低的假设下，确定S102的路径可以允许在特定道路部分的较高速度，从而减少ADS特征在该特定道路部分的干预时间。换句话说，方法S100可以包括将一个或者多个ADS特征设置为“高警戒模式”，以便针对潜在的即将到来的高风险情景准备车辆的各种安全系统。

此外，在一些实施例中，确定S102路径的步骤包括，借助于优化算法，在一组约束下基于所获取的事故强度确定车辆的沿估计的路线的路径。本文中，优化算法可以被配置为输出估计的路线的与在路线行驶时间约束下的最低路线风险相关联的路径，或者输出估计的路线的与在路线风险约束下的最短路线行驶时间相关联的路径。

例如，给定行驶时间约束，如果优化算法朝最低风险进行优化，则情况可能是默认路线(即从开始位置到结束位置)与17分钟的默认行驶时间(由传统路线规划器或者导航系统给出)相关联。行驶时间约束可以是这样的，即对于该特定路线允许18分钟的最大行驶时间。然后，优化算法被配置为根据降低的风险确定最佳可能路径，同时符合18分钟的最大可允许行驶时间。类似地，优化算法可以被配置为，给定最大风险阈值，朝最短行驶时间进行优化。

此外，根据一些实施例，方法S100包括向车辆的人机接口(HMI)和/或车辆的控制系统传输S105指示所确定的路径的信号。控制系统可以例如是车辆的ADS，并且所传输S105的信号可以被ADS用作输入，以执行S107确定S102的路径。换句话说，方法S100还可以包括通过控制系统控制车辆，以便沿估计的路线执行S107所确定的路径。

HMI例如可以是车辆的信息娱乐系统或者仪表组，并且HMI可以相应地利用传输S105的信号作为输入，以便在HMI的合适屏幕上显示确定S102的路径，供车辆驾驶者或者乘员观看。因此，根据一些实施例，传输S105信号的步骤包括，在具有显示器的电子装置将用户界面显示S107在显示器上，该用户界面包括指示所确定的路径的图形表示。这例如可以包括在2D或者3D地图上和/或作为指令列表显示S107所确定的路径。

替代地，用于执行这些功能的可执行指令被包括在非暂时性计算机可读存储介质或者其他计算机程序产品中，该可执行指令配置为由一个或者多个处理器执行。

图6是根据一些实施例的用于确定车辆1的路径的设备10的示意性框图。总体而言，图6描述了从位置和航向以及环境数据的报告到事故强度确定，以及进一步到沿路线的路径确定的信息流，该信息流被传输到ADS46或者车内HMI47。应当注意，即使事故强度引擎45被示例为包括在车辆1中，它也不应当被解释为对本发明的限制。如上所述，事故强度引擎45可以布置在一个或者多个服务器上，该服务器被配置为向车辆1传输数据和从车辆1接收数据。设备10包括各种控制电路，各种控制电路被配置为执行本文公开的方法的功能，其中这些功能可以被包括在非暂时性计算机可读存储介质或者被配置为由控制电路执行的其他计算机程序产品中。图6用于通过描述各种“引擎”(也可以称为模块)来更好地阐明本发明，其中每一个“引擎”都链接到前文描述的一个或者多个特定功能。

继续，车辆1具有定位系统，诸如例如全球导航卫星系统(GNSS)，被配置为监视车辆1的地理位置和航向/方向。换句话说，定位系统被配置为监视车辆的姿态。该位置数据43与指示车辆的周围环境的状态和沿路线的环境的状态的环境数据一起被传输到事故强度引擎45。环境数据例如可以从由合适的车载传感器生成的传感器数据41中获取，或者从外部源(例如传统的天气预报服务)中获取。传感器数据71例如可以从RADAR装置、LIDAR装置、相机和超声传感器等中的一个或者多个输出。传感器数据可以由车载传感器直接提供，或者由车辆的感知系统间接提供。“感知系统”在本上下文中被理解为负责从诸如相机、LIDAR和RADAR、超声传感器等车载传感器获取原始传感器数据，并将该原始数据转换成包括状态估计及其预测的场景理解的系统。

此外，在一些实施例中，车辆1可以访问地图数据42(例如从本地数据存储装置)，诸如例如高清地图数据。地图数据例如可以指示车辆的周围环境中的道路几何形状，并且可以作为输入提供给事故强度引擎45。此外，在一些实施例中，事故强度引擎45还被配置为接收车辆的预期路线。预期路线例如可以由ADS的路径规划模块或者GNSS或者本领域已知的任何其他合适的导航系统来提供。

设备10具有控制电路，本文描述为“路径优化引擎”60，被配置为(例如从事故强度引擎45)获取车辆1要行驶的估计的路线的多个道路部分中的每个道路部分的事故强度。控制电路还被配置为在一组约束61下基于所获取的事故强度确定车辆1沿估计的路线的路径，其中该一组约束61包括路线风险约束和沿估计的路线的路径的路线行驶时间约束中的至少一个。所确定的路径包括沿估计的路线的速度曲线。

在一些实施例中，控制电路被配置为，借助于优化算法，在该一组约束61下基于所获取的事故强度确定车辆的沿估计的路线的路径。本文中，优化算法被配置为在路线行驶时间约束下输出估计的路线的与最低“路线风险”相关联的路径。替代地或者附加地，优化算法可以被配置为输出估计的路线的与路线风险约束下的最短路线行驶时间相关联的路径。

此外，根据一些实施例，控制电路可以被配置为将指示所确定的路径的信号传输至车辆1的人机接口(HMI)47和/或车辆1的控制系统46。更详细地，传输到HMI的信号可以提示HMI47在具有显示器的电子装置显示用户界面，该用户界面包括指示所确定的路径的图形表示。此外，传输到控制系统46的信号可以提示控制系统46控制车辆1，以便沿估计的路线执行所确定的路径。

根据一些实施例，控制电路配置为传输指示指令的信号(至ADS46)，以沿估计的路线激活或者停用一个或者多个ADS特征。特别地，ADS特征的形式可以为ADS“安全特征”，诸如车道保持辅助(LKA)、紧急制动辅助(EBA)等。具体地，激活/停用一个或者多个ADS特征的指令还可以包括修改ADS特征的一个或者多个阈值的指令。更详细地，在一个或者多个ADS特征的激活阈值被降低的假设下，所确定的路径可以允许在特定道路部分的更高的速度，从而减少ADS特征在该特定道路部分的干预时间。换句话说，控制电路可以被配置为将一个或者多个ADS特征设置为“高警戒模式”，以便为潜在的即将到来的高风险情景准备车辆的各种安全系统。

图7示出了车辆1的示意性侧视图，车辆1包括用于确定车辆的路径(手动或者自动)的设备10。车辆1进一步包括感知系统6和定位系统5。感知系统6在本上下文中被理解为负责诸如相机、LIDAR和RADAR、超声传感器等车载传感器6a、6b、6c获取原始传感器数据，并将该原始数据转换成场景理解的系统。定位系统5被配置为监视车辆的地理位置和航向，并且形式可以为全球导航卫星系统(GNSS)，诸如GPS。然而，定位系统也可以实现为实时运动学(RTK)GPS，以提高精度。

更详细地，感知系统6可以指代任何公知的系统和/或功能，例如包含在车辆1的一个或者多个电子控制模块和/或节点中，适用于和/或配置为解释与车辆1的驾驶相关的传感信息，以识别例如障碍物、车道、相关标志、合适的导航路径等。因此，所例示的感知系统6可以适用于依赖并获取来自多个数据源的输入，诸如汽车成像、图像处理、计算机视觉和/或车内联网等，并结合传感信息。这种示例性的传感信息例如可以从包含在和/或设置在车辆1上的一个或者多个可选的周围检测传感器6a至6c中获取。周围检测传感器6a至6c可以由适用于感测和/或感知车辆1的周围环境和/或行踪的任何任意传感器表示，并且例如可以指代雷达、LIDAR、声纳、相机、导航系统例如GPS、里程表和/或惯性测量单元中的一个或者一个以上的组合。

设备10包括一个或者多个处理器11、存储器12、传感器接口13和通信接口14。处理器11也可以被称为控制线路11或者控制电路11。控制电路11被配置为执行存储在存储器12中的指令，以执行根据本文公开的任何一个实施例的用于确定车辆1要执行的路径的方法。换句话说，设备10的存储器12可以包括一个或者多个(非暂时性的)计算机可读存储介质，用于存储计算机可执行指令，该指令例如当由一个或者多个计算机处理器11执行时，可以使计算机处理器11执行本文描述的技术。替代地，存储器12包括高速随机存取存储器，诸如DRAM、SRAM、DDRRAM或者其他随机存取固态存储器装置；并且替代地包括非易失性存储器，诸如一个或者多个磁盘存储装置、光盘存储装置、闪存装置或者其他非易失性固态存储装置。设备10还配备有通信接口14和传感器接口13。

此外，车辆1可以经由例如无线链路连接至外部网络20(例如用于检索地图数据、天气预报、更新事故强度模型等)。相同的或者一些其他的无线链路可以用于与车辆附近的其他车辆或者与本地基础设施元件通信。蜂窝通信技术可以用于远程通信，诸如与外部网络的通信，并且如果所使用的蜂窝通信技术具有低延迟，则它也可以用于车辆之间、车辆到车辆(V2V)和/或车辆到基础设施V2X的通信。蜂窝无线电技术的示例是GSM、GPRS、EDGE、LTE、5G、5GNR等，也包括未来的蜂窝方案。然而，在一些方案中，使用了中短程通信技术，诸如无线局域网(LAN)，例如基于IEEE802.11的方案。ETSI正在致力于车辆通信的蜂窝标准，并且例如5G由于低延迟和高带宽以及通信信道的高效处理而被视为合适的方案。

本发明在上文已经参考特定实施例来呈现。然而，除了上述之外的其他实施例也是可能的，并且在本发明的范围内。在本发明的范围内可以提供与上述不同的方法步骤，通过硬件或者软件执行该方法。因此，根据示例性实施例，提供了存储一个或者多个程序的非暂时性计算机可读存储介质，该一个或者多个程序被配置为由车辆控制系统的一个或者多个处理器执行，该一个或者多个程序包括用于执行根据上述实施例中任一个的方法的指令。替代地，根据另一示例性实施例，云计算系统可以被配置为执行本文提出的任何方法。云计算系统可以包括分布式云计算资源，这些资源在一个或者多个计算机程序产品的控制下共同执行本文提出的方法。

一般而言，计算机可访问介质可以包括任何有形或者非暂时性存储介质或者存储器介质，如电子、磁性或者光学介质，例如经由总线与计算机系统连接的磁盘或者CD/DVD-ROM。如本文所使用的术语“有形的”和“非暂时性的”旨在描述不包括传播电磁信号的计算机可读存储介质(或者“存储器”)，但不旨在以其他方式限制由词语“计算机可读介质”或者“存储器”包含的物理计算机可读存储装置的类型。例如，术语“非暂时性计算机可读介质”或者“有形存储器”旨在包含不一定永久存储信息的存储装置类型，包括例如随机存取存储器(RAM)。以非暂时形式存储在有形计算机可访问存储介质上的程序指令和数据还可以通过传输介质或者信号来传输，诸如电气、电磁或者数字信号，这些信号可以经由诸如网络和/或无线链路等通信介质来传送。

(与设备10相关联的)处理器11可以是或者可以包括任意数量的硬件部件，用于进行数据或者信号处理，或者用于执行存储在存储器12中的计算机代码。设备10具有相关联的存储器12，并且存储器12可以是用于存储数据和/或计算机代码的一个或者多个装置，该数据和/或计算机代码用于完成或者实现本描述中所描述的各种方法。存储器可以包括易失性存储器或者非易失性存储器。存储器12可以包括数据库部件、目标代码部件、脚本部件或者用于支持本描述的各种活动的任何其他类型的信息结构。根据示例性实施例，任何分布式或者本地存储装置都可以与本描述的系统和方法一起使用。根据示例性实施例，存储器12可通信地连接到处理器11(例如经由电路或者任何其他有线、无线或者网络连接)，并且包括用于执行本文描述的一个或者多个过程的计算机代码。

应当理解，传感器接口14还可以提供直接或者经由车辆中的专用传感器控制电路6来获取传感器数据的可能性。通信/天线接口14还可以提供借助于天线8将输出发送到远程位置(例如远程操作者或者控制中心)的可能性。此外，车辆中的一些传感器可以使用诸如CAN总线、I2C、以太网、光纤等本地网络设置与设备10通信。通信接口14可以被布置成与车辆的其他控制功能通信，并且因此也可以被视为控制接口；然而，可以提供单独的控制接口(未示出)。车辆内的本地通信也可以是具有诸如WiFi、LoRa、Zigbee、蓝牙或者类似中/短程技术的协议的无线类型。

因此，应当理解，所描述的方案的部件可以在车辆中、位于车辆外部的系统中或者车辆内部和外部的组合中实施；例如在与车辆通信的服务器中，所谓的云解决方案。例如，位置数据可以被传输到外部系统，并且该系统执行确定车辆1的即将到来的道路部分的事故强度的步骤。实施例的不同特征和步骤可以以与所描述不同的其他组合来进行组合。

应当注意，词语“包括”不排除所列之外的其他元件或者步骤的存在，并且元件前的词语“一”(“a”或“an”)不排除多个此类元件的存在。还应当注意，任何附图标记都不限制权利要求的范围，本发明可以至少部分地通过硬件和软件来实施，并且几个“装置”或者“单元”可以由同一硬件项来表示。

虽然图中显示了方法步骤的特定顺序，但步骤的顺序可能与所描述不同。此外，两个或者更多个步骤可以同时或者部分同时执行。这种变型将取决于所选择的软件和硬件系统以及设计者的选择。所有这些变型都在本发明的范围内。同样地，软件实施方式可以用标准编程技术来完成，该技术具有基于规则的逻辑和其他逻辑来完成各种连接步骤、处理步骤、比较步骤和决策步骤。上文提到和描述的实施例仅作为示例给出，而不应当限制本发明。对于本领域技术人员而言，在下述专利实施例所要求的本发明范围内的其他方案、用途、目标和功能应当是显而易见的。