用于预测的车辆事故警告和规避的系统和方法与流程

1.本发明涉及提供预测的车辆事故警告和/或规避机动，并且更具体地涉及基于预测车辆事故发生的可能性来输出警告和/或进行车辆规避机动。


背景技术：

2.常规地，驾驶员辅助系统已经在车辆中用于基于当前存在的状态或状况，例如通过使用航道偏离警告系统，距离跟踪系统，停车辅助系统等，来警告和辅助驾驶员。然而，这样的现有技术系统受到限制，因为它们仅对当前的状态或状况做出反应，因此不能为驾驶员提供主动避免可能的将来事故的提前机会。
3.例如，一种仅对当前状态做出反应的系统是使用“时间线交叉”测量的航道偏离警告系统。该测量的工作方式是：测量车辆相对于航道标记的横向速度，计算到达该线之前还剩下多少时间(＝剩余距离/横向速度)，并在该时间小于某个值(例如，0.5秒)时发出警告。
4.另一个示例是“脑到车辆”技术，其中监视驾驶员的脑波，使得车辆能够比没有这种监视更快0.2至0.5秒做出反应。此外，该脑波测量需要与头皮电接触，这是不利的。航道部门警告(ldw)和脑驱动技术的典型时间间隔约为0.5秒。
5.相反，本发明的一方面是提供大量的时间(例如，数秒至数分钟)，以在事故发生之前警告或帮助驾驶员。
6.这样，在本领域中需要用于提供预测的事件警告和规避的系统和方法。


技术实现要素：

7.在本发明的一个实施例中，一种车辆中的数据收集和处理装置被构造为提供预测的事故警告和规避。该装置包括多个传感器中的至少一个以及到多个传感器的信号接口，以及被构造为存储多个指令和预训练的模式识别算法的存储器。经由信号接口联接到多个传感器并且联接到存储器的处理器被构造为执行多个指令，以从多个传感器接收与当前车辆状况和当前驾驶员状况中的至少一个有关的实时数据。该处理器还被构造为执行多个指令，以通过预训练的模式识别算法(或类似方法)处理实时数据的至少一部分来预测涉及车辆的多个事故中的至少一个事故发生的可能性，如果可能性被预测为高于第一阈值但不高于第二阈值，则输出第一警告类型，并且如果可能性被预测为高于所述第二阈值，则输出第二警告类型和/或进行车辆规避机动。
8.当结合附图考虑时，通过对一个或多个优选实施例的以下详细描述，本发明的其他目的，优点和新颖特征将变得显而易见。
附图说明
9.图1是根据本发明的一个或多个示例的用于实施提供车辆事故警告和/或规避的系统的处理的简化流程图。
10.图2描绘了根据本发明的原理的混合事件和规律地收集的数据的一个示例。
11.图3描绘了关联方案的实施例，其中低越线时间值的聚集以及变化的速度可用于预测严重航道偏离事件的发生。
12.图4示出了根据本发明的原理的具有三个输入信号a，b和c的神经网络神经元的一个示例。
13.图5是根据本发明的一个或多个示例的用于使用图1的系统来提供车辆事故警告和/或规避的处理的简化流程图。
14.图6是根据本发明的一个或多个示例的被构造为执行图1和图5的处理的一个或多个操作的预测性事件支持设备的示例性实施例的示意图。
具体实施方式
15.在本发明的示例实施例中，卡车和小汽车，尤其是机队车辆，可以构造有一个或多个数据收集和处理装置，其示例下面参考图6更详细地描述，例如在卡车车队，卡车启动，卡车停止和安全事件数据的示例中收集信息并生成数据，其中一个这样的系统包括例如航道偏离警告系统622(图6)，航道偏离警告系统622在卡车车队，卡车航道徘徊或航道标记交叉的示例中生成指示有关的一个或多个事件以及驾驶员和车辆事件数据的信号。另外，下面还将参考图6更详细地描述的辅助系统由车辆携带的或安装在车辆系统中(例如一个或多个摄像机，雷达，变速器，发动机，轮胎压力监视和制动系统)，并且可能生成附加的数据。也可能涉及生成专有事件或代表检测到的事件的数据的第三方系统。例如，本发明的实施例可以包括实施可从bendix commercial vehicle systems llc获得的acb系统的软件代码，该软件代码捕获专有安全事件和与专有安全事件有关和/或与由一名或多名车辆操作员或驾驶员操作车辆有关的其他数据。
16.一种类型的收集到的数据可以被分类为“事件数据”，其对应于多个预限定事件(例如航道偏离，过度制动，过度横向加速，侧翻等)中的至少一个。可以在预定的时间窗口内收集事件数据，该时间窗口包括在预限定事件之前数秒的数据，或者在这样的事件之前和之后数秒的数据。相反，例如可以以预定的规律时间间隔收集数据，否则该数据不对应于可以被分类为“间隔数据”的多个预限定事件中的任何预限定事件。不规律地(随机采样)收集的数据也是可能的。无论是规律地收集还是不规律地收集，这样的间隔数据都可以对应于在预定时间窗口内收集的数据。
17.本发明的一方面是将这种间隔数据与事件的发生或事件的可能发生相关。间隔数据如何与事件的发生或事件的可能发生相关的一个示例是在驾驶员反应能力的情境下，该反应能力可用于确定是否可能发生事故。如果驾驶员对给定的刺激做出快速反应，并且在正确的意义上以正确的时机做出反应，则可以防止发生事故。因此，有必要测量响应于刺激的反应时间和反应“大小”和/或“极性”。
18.例如，假设经过了限速标志并且车辆行驶太快。如果超出法定限制大于某个阈值(例如5mph)，则系统可以读取速度标志并发出超速警告。然后，可以记录警告前和警告后的速度并进行分析，以确定驾驶员是否校正所发布的速度。确定在进行校正之前经过的时间长度，并且可以将其视为驾驶员功能的测量。
19.另一个示例是车辆过于靠近前方的情境下，无论是由于注意力不集中还是车辆切入。可以将对该情况的测量的反应用作类似的刺激
‑
响应方案。在此，测量从最小行驶时间
返回到安全值的时间。
20.除了驾驶员的反应能力之外，第二类情形可以用于确定对事故发生的易感性情况。这些包括高噪声/低信号环境。例如，“前方阳光低”的状况会使驾驶员难以看见。低照明度或夜间刺眼可能会使视觉变得困难。许多交通参与者或环境因素可能会使驾驶员更难以仅专注于相关方面。例如，阴影，尤其是断断续续的阴影(例如，一排树)，可能会使危险情况的检测更加困难，而狭窄的航道则更可能导致碰撞。
21.因此，本发明的一个方面涉及测量驾驶员的反应能力，反应正确性和各种环境因素，以确定发生事故的可能性。
22.本发明的另一方面是利用间隔数据来预测事件，或将某些检测到的状况与在不久的将来事件发生的增加的可能性相关联。举例来说，驾驶员可能显示疲劳的迹象，她的眼睛越来越频繁地闭合，并且闭合的时间段增加了。一旦进入交通，与前方车辆发生碰撞的可能性更高。这样，预测性事故分析系统可以用于检测这种事故增加的可能性(但不保证)，并响应于此创建驾驶员警告和/或进行自主规避机动和/或执行驾驶员支持。
23.现在参考附图，图1示出了根据本发明的一个或多个实施例的用于实施被构造为提供车辆事故警告和/或规避的系统的处理。特别地，图1的处理100开始于在框110处收集发生触发的“事件数据”，如上所述，该“事件数据”对应于多个预限定事件(例如航道偏离，过度制动，过度横向加速，侧翻等)中的至少一个。可以使用一个或多个基于车辆的数据收集和处理装置来收集该事件数据，下面参考图6描述该装置的示例。这样的事件数据可以对应于在事件发生时刻发生的车辆和/或驾驶员状况，或者替代地可以对应于导致，包含或围绕事件发生的时间窗口(例如，在检测到的事件之前的x秒，在检测到的事件之前和之后的x秒等)。该窗口的时间长度的一个非限制性示例可以是在检测到的事件之前10秒和之后10秒。
24.除了收集事件数据之外，处理100还类似地使用一个或多个基于车辆的数据收集和处理装置(诸如下面描述的装置300)，来分别收集间隔的车辆和/或驾驶员数据(框120)。可以以预定的或随机的时间间隔(例如，每x秒，平均每x分钟等)收集这种间隔数据120。图2示出了该混合事件和规律地收集的数据的一个示例，从而以规律的数据间隔收集的数据由沿着时间轴绘制的点表示，并在由检测到的事件周围的方括号表示的时间窗口中收集事件数据。
25.在事件数据或间隔数据中的一个或两个的情况下，可以从横跨多个车辆，从单个机队或横跨不同机队，以及从多个驾驶员收集车辆和驾驶员数据。可以在数百甚至数千个单独的车辆行驶中收集这样的数据。这样的数据可以基于传感器信号，该传感器信号在固定的时间段(例如20秒)内以平均或给定的采样率(例如10hz)进行密集测量，这将提供200倍数量的测量信号(其可以包括单个像素值或分析的图像(例如“前方很暗”))。可以使用已知的大数据方法(例如，用于预测发生物品销售的可能性的已知方法)来汇总事件数据和间隔数据，同时在事件数据的情况下，可以根据事件类型对数据进行可选地标记。
26.本发明的一方面是使用收集的事件数据来将间隔数据与事件发生或不发生相关联，视情况而定。即，在任何给定的随机时间收集的间隔数据可以与在将来的某个时刻收集的事件数据相关，所收集的间隔数据与将来的事件数据之间的差是可量化的值。特别地，可以由模式识别系统(例如神经网络或其他模式识别算法)来限定收集的间隔数据和将来的
事件数据之间的关系，该模式识别系统在任何给定时间用收集的间隔数据进行训练，其中目标值对应于在将来x秒甚至数分钟内发生的事故的事件数据。图3示出了这样的关联方案，其中低越线时间值的聚集与变化的速度一起预示了严重航道偏离事件的发生。在收集到足够的数据之后，也可以将类似的运行模式用于其他不期望的事件。
27.为此，处理100进一步包括在框130处使用收集的事件数据110和间隔数据120来训练神经网络(或其他模式识别算法)，该训练优选地例如通过后端服务器在离线环境中执行。通常，可以训练神经网络以识别输入信号与将来发生的事件之间的关系，由此可以确定该事件实际发生的可能性或严重性。可能包括多种类型的过去(即，在事件发生之前)的信号值可以被提供为神经网络的输入。期望的输出是事件类型(例如，太靠近车辆前方，编码为值，例如，+4)或未发生事件(也编码为值，例如，为+0)。在呈现事件发生和事件未发生的示例之后，该网络学会将输入和输出相关联。
28.应当理解，框130的训练处理不需要在车辆中实时运行，因为辨别预测模式往往需要比车辆中可用的计算能力大得多的计算能力。这样，框130的操作可以包括如上所述从许多车辆收集大量数据，然后在运行于实验室或云中的强大计算机上处理数据。这些计算机可以使用许多已知技术(例如通过使用强力，数据挖掘，逻辑编程和/或概率模型)来识别数据中的模式。
29.无论在何处或何时执行，框130的神经网络训练可以包括随时间执行的检查，其中间隔数据在检查事件之前被收集，并与此后x秒或x分钟内的实际发生的事故或事件的类型有关。反例(即，事件未遵循的收集的间隔数据)对于创建规则和训练神经网络以确定何时可能或不太可能发生事故同样重要。在某些实施例中，反例可以用于训练网络以识别较慢的发展事件，例如由疲劳引起的事故。反例也可以用于训练网络，以识别那些示例中由于缺乏不安全的驾驶员活动而将来不会发生任何事件。结合使用正例和反例为神经网络创建规则(即，执行框130的网络训练)，这些规则可用于预测何时可能在短时间范围内并可选地在更长时间范围内发生事故。可以通过调整采样频率来有利地限制提供给网络的数据样本的数量，例如，可以监视过去一小时的反应时间，每分钟对其进行测量(60个输入)，或者可以监视狭窄路段(例如建筑工地)的反应时间，在最后一分钟每秒对其进行测量(也是60个输入)。
30.在某些实施例中，本发明的另一方面是减少或甚至消除在将收集的数据提供给神经网络的模式识别算法之前手动标记收集的数据的需要。这是因为收集数据的方式固有地包括事件是否发生的信息(即，标记为反例或正例)，因此典型的手动且费时的标记数据的任务可能不是必需的。然而，在某些实施例中，在生成最终规则之前，机器标记图像的区域(例如，在通过图像处理识别的物体周围插入边界框)或应用具有数学和/或基于物理的概念的逻辑可能是有帮助的。无论如何，应当理解，图像区域或数字车辆数据的机器标记优选地以粗略，简单和快速(仅经过预处理，部分处理或粗略处理)的操作进行，以便训练后的神经网络可以移植到资源受限的环境，例如车辆中的硬件系统。
31.在某些实施例中，可以在神经网络训练之前(例如，在传递给模式识别算法之前)对视频数据进行预处理。该预处理可以包括用附加信息来补充视频数据。例如，在内部相机的情况下，视频数据可以补充有与确定的相对于前方道路的驾驶员注视方向、驾驶员眼睛状态、驾驶员表情、手位置等有关的附加信息。对于从外部相机收集的视频数据，预处理可
以包括为视频数据补充有关前方(或附近)车辆的存在和距离，场景纹理，识别的交通信号和/或标志边界框等信息。这样的附加属性通常由车辆上的系统生成，并且有利地补充了未处理的传感器数据(例如，面向前的相机图像)。神经网络(或其他分类器)的训练阶段可以确定哪些预处理有用而哪些没有用，将某些测量标记为需要，将其他测量标记为“您能获得时”，并且不必进行最终设置。
32.由于用于训练神经网络的数据量可能非常大，特别是当在相当长的时间段内从多个飞行器机队收集数据时，处理100可以进一步包括神经网络缩减操作(框140)，其中可以减小神经网络数据库的大小，以便可移植到资源受限的环境，例如车辆中的硬件系统。通过事实这是可能的，一旦按照上述框130的处理识别出模式，就不需要太多的计算能力来检测一个或多个输入信号中的模式。这样，可以将在后端服务器上开发的神经网络减小为可以在车辆中充分运行的模块。可以通过消除不必要的网络部分(即，“修剪”)并压缩可能使用需要较低数值精度的近似或运算的其余部分来进行这种缩减。替代地或附加地，可以通过减小参数集，减小层数和/或借助于网络二值化来实现神经网络缩减。
33.作为示例，考虑图4，其中神经元400设置有三个输入信号a，b和c。提供给输入信号的值被限制在一定范围内，例如0到1。可以将输入乘以加权因子，在a情况下，该加权因子比其他两个输入中的任何一个都小。由于输入被归一化为介于0和1之间，这意味着信号a在结果输出中的重要性明显低于b或c。这样，可以有利地消除或忽略信号a。此外，信号b和c都接近1/4的倍数，因此可以考虑将全浮点乘法简化为简单地分别乘以0.25和0.75附近的近似值的移位，从而减小计算开销。这样，在该示例中，输入信号a已被移除或“修剪”，而信号b和c已被离散化，并且它们的计算更高效。
34.再次参考图1，处理100继续至框150，在框150处，将训练的神经网络移植到嵌入式车辆中的硬件系统，例如下面关于图6更详细描述的数据收集和处理装置。然后，最终系统根据图5的处理在目标车辆中运行，如下所述。
35.现在参考图5，描绘了根据本发明的一个或多个示例的用于使用图1的训练的神经网络来提供车辆事故警告和/或规避的处理500。处理500开始于在框510处收集实时数据。可以使用与结合以上关于图1描述的处理所使用的相同或相似的数据收集和处理装置来执行这样的数据收集，并且下面关于图6更详细地描述该装置的示例。如以下关于图6更具体描述的，可以从一个或多个车辆上的传感器系统收集这样的数据，该传感器系统在车辆操作期间生成指示一个或多个当前车辆和/或驾驶员状况的实时信号。另外，这样的实时数据还可以涉及由例如上述的那些第三方机载系统提供的数据。
36.一旦被收集，则在框520处，由车辆中的数据收集和处理装置通过移植的训练后的神经网络处理实时数据，例如，将实时数据提供给已经根据图1的处理被预训练的模式识别算法，并且存储在车辆中的装置的存储器内。从那里开始，车辆中的训练后的神经网络确定预限定事件或事故是否被预测为可能(例如，高于第一预定概率)或甚至非常可能(例如，高于第二预定概率)(框530)。例如，如果预训练的神经网络被训练成将状况的某种组合(例如，传感器信号和/或状态的特定模式)解释为导致事件的发生超过第一预定概率(例如，时间的50％)，则处理可以在框530处确定当在框510处收集的实时数据与该已知信号模式匹配时可能发生事故(框540)。在这种情况下，可以在框540处将第一警告类型输出给驾驶员。应当理解，第一警告类型可以与相对较小的警告(例如车辆的显示面板上的发光符号，来自
车辆扬声器的短暂可听见的声音等)相关联。以这种方式，可以使驾驶员意识到发生某种类型事件的可能性，并准备处理或防止这种事件。该警告的类型和位置可能适应于驾驶员的状态。例如，如果驾驶员过于频繁地闭上眼睛，则也许声音警告可能更有效，或者如果驾驶员未对环境进行足够的扫描，则闪烁的光线可能会有效地引起驾驶员更好地注意。
37.另一方面，如果确定在框510处收集的实时数据与神经网络已经被训练成将其解释为导致事故或事件的发生超过第二预定概率(例如，时间的85％)的状况的某种组合(例如，传感器信号和/或状态的已知模式)相匹配，则处理可以在框550处确定这种事故很可能发生，并作为响应，输出第二警告类型和/或进行车辆的自主规避机动。通常应将第二警告类型视为比第一警告类型更严重的警告，使得驾驶员了解需要立即注意并采取行动。例如，车辆的控制面板上的符号照明可能比第一种警告类型的情况更亮或更大，和/或可能使其在车辆的控制面板上反复闪烁。类似地，可以提供比第一警告类型的情况更大声，更长持续时间和/或不同特点(例如，更刺耳)的可听见声音。
38.关于进行框250的自主规避机动，系统可以被构造为控制机动车辆的制动踏板，制动系统或节气门以启动制动操作，执行差速制动操作或加速以便避免或减轻预测的事故。系统可以进一步被构造为控制车辆的方向盘和/或转向系统以类似地避免或减轻预测的事故。在进行任何干预之前，可能会发出警告。
39.图6是示出根据一个或多个示例性实施例的车辆数据收集和处理装置的细节的示意性框图描绘，该车辆数据收集和处理装置被构造为执行图5的方法，并且可选地执行图1的方法的某些方面(例如，框110和120的操作)。根据所示出的示例实施例的原理，车辆中的数据收集和处理装置600可以适于检测车辆的各种操作参数和状况以及驾驶员与其的交互，并基于此来预测可能的车辆事故，以便提前警告驾驶员和/或进行规避机动，例如，以保持车辆的稳定性或保持车辆相对于其他车辆的跟随距离可能是需要的或期望的。
40.在图6的示例性实施例中，数据收集和处理装置600可以包括一个或多个装置或系统614，用于提供指示商用车辆的一个或多个操作参数或一个或多个状况的输入数据。替代地，数据收集和处理装置600可以包括用于从一个或多个装置或系统614接收信号的信号接口，该信号接口可以与装置600分开地构造。这样的输入数据可以包括上述框110的事件数据，框120的间隔数据和/或框510的实时数据。例如，装置614可以是一个或多个传感器，例如但不限于一个或多个轮速度传感器616，一个或多个加速度传感器(例如多轴加速度传感器617)，转向角传感器618，制动压力传感器619，一个或多个车辆负载传感器620，横摆率传感器621，航道偏离警告(ldw)传感器或系统622，一个或多个发动机速度或状况传感器623以及轮胎压力(tpms)监视系统624。车辆数据收集和处理装置600在示例性实施例中还可以利用附加装置或传感器，包括例如前方距离传感器660和后方距离传感器662(例如，雷达，激光雷达等)。也可以使用以其他方式提供的其他传感器和/或致动器或发电装置或其组合，并且根据需要和/或期望，可以将一个或多个装置或传感器组合成单个单元。
41.车辆数据收集和处理装置600还可以包括与一个或多个装置或系统614通信的逻辑应用布置，例如控制器或处理器630和控制逻辑631。处理器630可以包括一个或多个输入，用于从装置或系统614接收输入数据。处理器630可以适于处理输入数据并将原始或处理后的输入数据与一个或多个存储的阈值进行比较，或者适于处理输入数据并将原始或处理后的输入数据与一个或多个环境相关的期望值进行比较(例如，以执行图5的框520的操
作)。
42.处理器630还可以包括一个或多个输出，用于基于比较将控制信号传递到一个或多个车辆系统633(例如，以执行图5的框530
‑
550的操作)。控制信号可以指示系统633提供一种或多种类型的驾驶员警告和/或干预车辆的操作以发起校正动作，如以上关于图5的框540和550所描述的。例如，处理器630可生成控制信号并将其发送至发动机电子控制单元或致动装置，以减小发动机节气门634并减慢车辆的速度。此外，处理器630可以将控制信号发送到一个或多个车辆制动系统635、636以选择性地接合制动器(例如，差动制动操作)。各种校正动作都是可能的，并且可以同时启动多个校正动作。
43.控制器600还可以包括存储器部分640，用于存储和访问系统信息，诸如上述的系统控制逻辑631和训练后的神经网络。然而，存储器部分640可以与处理器630分离。传感器614和处理器630可以是预先存在的系统的一部分或使用预先存在的系统的部件。
44.数据收集和处理装置600还可以包括指示商用车辆的构造/状况的输入数据源642。处理器630可以基于输入数据来感测或估计车辆的构造/状况，并且可以基于车辆构造/状况来选择控制调谐模式或灵敏度。处理器630可以将从传感器或系统614接收到的操作数据与由调谐提供的信息进行比较。
45.另外，控制器600与示例性实施例中所示的一个或多个面向驾驶员的成像装置可操作地联接，为简化和便于说明，用单个面向驾驶员的相机645表示设置在车辆上的一个或多个物理摄像机，例如，车辆的每个拐角上的摄像机，远程安装并与控制器630可操作的通信的一个或多个相机，例如面向前的相机646，面向前的相机646以记录车辆前方道路图像的方式设置在车辆上，或者如在示例性实施例中，设置在训练在驾驶员和/或训练在商业车辆的驾驶室的内部上的商业车辆的驾驶室中。在示例实施例中，可以根据在由车辆操作的车辆内检测到的驾驶员头部位置，手部位置等，使用面向驾驶员的相机645直接收集驾驶员行为数据。这样的数据可以被收集为框110的事件数据，框120的间隔数据和/或框510的实时数据的一部分。
46.在进一步示例实施例中，根据检测到的驾驶员的头部姿势，使用面向驾驶员的相机645直接收集驾驶员行为数据。为了示例实施例的描述目的并且为了便于参考，“头部姿势”是描述驾驶员头部的取向的那组角度，即俯仰(驾驶员向下或向上看)，摇摆(驾驶员向左或向右看)，以及滚动(驾驶员将头向左或向右倾斜)。
47.更进一步，控制器600还可以包括发射器/接收器(收发器)模块650，例如射频(rf)发射器，其包括用于在车辆与一个或多个目的地之间无线通信自主减速请求，gps数据，一个或多个各种车辆构造和/或状况数据等的一个或多个天线652，例如，通信到具有相应接收器和天线的一个或多个无线服务器(未显示)。发射器/接收器(收发器)模块650可以包括与排控制单元可操作地联接的子部分的各种功能零件，子部分包括例如通信接收器部分，全球位置传感器(gps)接收器部分和通信发射器。为了通信特定信息和/或数据，通信接收器和发射器部分也可以包括一个或多个功能和/或操作通信接口部分。
48.处理器630可操作以将来自上述传感器系统的所收集的信号中的选定信号组合成表示更高级别车辆状况数据的处理后数据，例如来自多轴加速度传感器617的数据可以与来自转向角传感器618的数据组合，以确定过度的弯道速度事件数据。可与车辆和车辆驾驶员相关并可通过组合来自传感器的一个或多个选择的原始数据项而获得的其他混合事件
数据包括，例如但不限于，过度的制动事件数据，过度的弯道速度事件数据，航道偏离警告事件数据，过度的航道偏离事件数据，没有转向信号的航道变更事件数据，视频跟踪丢失事件数据，ldw系统禁用事件数据，距离警报事件数据，前向碰撞警告事件数据，触觉警告事件数据，减缓碰撞制动事件数据，atc事件数据，esc事件数据，rsc事件数据，abs事件数据，tpms事件数据，发动机系统事件数据，平均跟随距离事件数据，平均燃料消耗事件数据和平均acc使用率事件数据。例如，可以由控制器600通过训练后的神经网络(存储在存储器640中)来处理这种混合事件数据，以执行图5的框520和530的操作。可以将机载或外部地图和/或环境状况数据添加到传感器测量以改善预测。例如，当前燃料消耗可以与示出前方山区的地图数据相结合，以预测车辆很可能用尽燃料。另一个示例是将显示有点疲惫的驾驶员的测量与前方的环境状况(例如暴风雪，低摩擦道路)相结合，以预测驾驶员无法满足即将到来的驾驶状况。即将到来的周围环境数据与当前驾驶员状态的结合将驾驶员置于情境中，并产生更好的预测。
49.图6的车辆控制器600适合于执行一个或多个软件系统或模块的实施例，该软件系统或模块根据本申请执行车辆制动策略和车辆制动控制方法。示例车辆控制器600可以包括用于通信信息的总线或其他通信机制，以及与总线联接以用于处理信息的处理器630。计算机系统包括：主存储器640，例如随机存取存储器(ram)或其他动态存储装置，用于存储指令并通过处理器630执行的训练后的神经网络的已加载部分；以及只读存储器(rom)或其他静态存储装置，用于存储完整的训练后的神经网络以及其他静态信息和指令，以供处理器630使用。还可以适当地提供其他存储装置以根据需要或期望来存储信息和指令。
50.指令可以经由收发器650从另一计算机可读介质(诸如另一存储装置)读取到主存储器640中。执行包含在主存储器640中的指令序列使处理器630执行本文所述的处理步骤。在替代实施方式中，可以使用硬连线电路代替软件指令或与软件指令结合来实施本发明。因此，示例实施例的实施方式不限于硬件电路和软件的任何特定组合。
51.如本文所使用的，术语“一”或“一种”应表示一个或多个。术语“多个”应表示两个或两个以上。术语“另一个”被限定为第二个或多个。术语“包括”和/或“具有”是开放式的(例如，包含)。如本文所使用的术语“或”将被解释为包括性的或表示任何一种或任何组合。因此，“a，b或c”表示“以下任何一项：a；b；c；a和b；a和c；b和c；a，b和c”。仅当元件，功能，步骤或动作的组合以某种方式固有地相互排斥时，才会出现该限定的例外情况。
52.在整个文档中对“一个实施例”，“某些实施例”，“实施例”或类似术语的引用意味着结合该实施例描述的特定特征，结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书中这些短语的出现或在各个地方的出现不一定都指的是同一实施例。此外，可以在一个或多个实施例上以任何合适的方式组合特定特征，结构或特性，而没有限制。
53.根据计算机编程领域的技术人员的实践，以下参考由计算机系统或类似电子系统执行的操作来描述本发明。此类操作有时称为计算机执行。将理解的是，象征性地表示的操作包括由处理器(例如中央处理单元)对表示数据位的电信号的操作和在诸如系统存储器中的存储器位置处的数据位的维护，以及其他信号处理。维护数据位的存储器位置是具有对应于数据位的特定电，磁，光或有机属性的物理位置。
54.术语“后端服务器”是指与功能相关的一组电子部件，例如可以连接或可以不连接到网络的计算机系统，并且该计算机系统可以包括硬件和软件部件，或者替代地仅包括在
执行时进行某些功能的软件部件。“后端服务器”可以进一步与数据库管理系统和一个或多个相关联的数据库集成。
55.根据本文的描述，本文所使用的术语“计算机可读介质”是指参与向处理器630提供指令以供执行的任何非暂时性介质。这样的非暂时性介质可以采取许多形式，包括但不限于易失性和非易失性介质。非易失性介质包括例如光盘或磁盘。易失性介质包括例如动态存储器，并且不包括瞬时信号，载波等。计算机可读介质的常见形式包括，例如，软盘，软磁盘，硬盘，磁带或任何其他磁介质，cd
‑
rom，任何其他光学介质，打孔卡，纸带，任何其他具有孔模式的物理介质，ram，prom和eprom，flash
‑
eprom，任何其他存储器芯片或盒式磁带，或计算机可以从中读取的任何其他有形非暂时性介质。
56.另外并且进一步根据本文的描述，如本文关于图6所使用的术语“逻辑”包括硬件，固件，在机器上执行的软件和/或每一个的组合，以执行功能或动作，和/或从另一个逻辑，方法和/或系统引起功能或动作。逻辑可以包括软件控制的微处理器，离散逻辑(例如，asic)，模拟电路，数字电路，编程的逻辑装置，包含指令的存储器装置等。逻辑可以包括一个或多个门，门的组合或其他电路部件。
57.尽管前述公开已经在使用神经网络或其它模式识别算法实施本发明的一个或多个方面的条项中进行了阐述，但是应同样理解，可以使用其他分类器类型，例如支持向量机，增强合奏等。
58.已经阐述的前述公开仅仅是为了说明本发明，而不是要进行限制。由于本领域技术人员可以对合并本发明的精神和实质的公开实施例进行修改，因此本发明应被解释为包括所附权利要求及其等同物范围内的所有内容。