涉及交叉路口的自动驾驶场景的传感器覆盖范围分析的制作方法

本公开关于控制车辆，并且更具体地，关于涉及交叉路口(intersection)的自动驾驶场景的传感器覆盖范围(coverage)分析。

背景技术：

车辆(例如，汽车、摩托车、船或任何其他类型的汽车)可以配备传感器和导航系统，其向车辆驾驶员提供导航信息和/或能使车辆的自主控制。例如，传感器(例如摄像机、接近传感器、高分辨率雷达传感器、光成像检测和测距(激光雷达)传感器等)收集有关车辆周围环境的数据，包括对象、人或其他车辆。从传感器收集的数据(称为“传感器数据”)可以与有关车辆的数据(称为“车辆数据”)(例如位置、速度、方向等)结合使用，以自主控制车辆。例如，传感器数据和车辆数据可用于控制车辆横穿交叉路口。

技术实现要素：

本发明的实施例涉及用于涉及交叉路口的自动驾驶场景的传感器覆盖范围分析。

在一个示例性实施例中，一种计算机实现的方法包括通过处理设备定义多个参数，从而可以描述任何正交的交叉路口。该方法还包括通过处理设备建立正交参数化模型，该正交参数化模型可以至少部分地基于可以描述任何感兴趣的交叉路口的多个参数来表示任何正交交叉路口。该方法还包括通过处理设备扩展正交参数化模型以生成考虑了交叉路口复杂性的完全参数化的交叉路口模型。该方法还包括通过处理设备建立低逼真度度分析，其基于完全参数化的交叉路口模型来计算各种指标(metrics)。

除了在此所述的一个或多个特征之外，在一些示例中，建立正交参数化模型还包括将车辆表示为椭圆形。

除了此处描述的一个或多个特征外，在某些示例中，扩展正交参数化模型还包括计算椭圆形是基于当车辆正在左转弯时用于车辆的以下公式：

其中“a”是从与车辆关联的停止条(stopbar)到中间左侧目标线的以米为单位的总横向距离；其中“b”是从与车辆关联的停止条到中间左侧目标线的以米为单位的总纵向距离。

除了在此描述的一个或多个特征之外，在一些示例中，该方法还包括基于椭圆形计算车辆的弧形转弯距离。

除了在此所述的一个或多个特征之外，在一些示例中，该方法还包括基于椭圆形来计算车辆的弧形转弯时间。

除了在此所述的一个或多个特征之外，在一些示例中，交叉路口复杂性包括正道路曲率、负道路曲率和交叉路口角度中的至少一个。

除了在此描述的一个或多个特征之外，在一些示例中，交叉路口复杂性包括正道路曲率、负道路曲率和交叉路口角度。

除了在此描述的一个或多个特征之外，在一些示例中，该方法还包括使用车辆传感器语义检测和高清晰度地图来获得交叉路口特性。该方法还包括使用低逼真度分析模型来估计主车辆完成操纵所需的时间。该方法还包括获得多个参与者(actor)相对于主(host)车辆的速度、加速度和位置。该方法还包括使用低逼真度分析模型来估计参与者到达交叉路口或主车辆的时间；以及向用户显示执行该操作是否安全的消息。

除了在此所述的一个或多个特征之外，在一些示例中，交叉路口特性包括车道的数量、车道宽度和道路曲率。

除了在此描述的一个或多个特征之外，在一些示例中，该方法还包括为感兴趣的交叉路口设置参数值。该方法还包括设置多个参与者相对于主车辆的速度、加速度和位置。该方法还包括使用低逼真度分析模型来估计需要多个参与者被检测到距主车辆有多远，使得主车辆可以安全地完成操纵。该方法还包括设计传感器放置布置，该传感器放置布置限定了与主车辆相关联的多个传感器中的每个传感器的位置。

在另一示例性实施例中，一种系统包括具有计算机可读指令的存储器；以及用于执行该计算机可读指令的处理设备，该计算机可读指令控制该处理设备以执行包括通过该处理设备定义多个参数以便可以描述任何正交交叉路口的操作。所述操作还包括通过处理设备建立正交参数化模型，该正交参数化模型可以至少部分地基于可以描述任何感兴趣的交叉路口的多个参数来表示任意正交交叉路口。所述操作还包括通过处理设备扩展正交参数化模型以生成考虑了交叉路口复杂性的完全参数化的交叉路口模型。所述操作还包括由处理设备建立低逼真度度分析，其基于完全参数化的交叉路口模型来计算各种指标。

除了在此所述的一个或多个特征之外，在一些示例中，建立正交参数化模型还包括将车辆表示为椭圆形。

除了此处描述的一个或多个特征外，在一些示例中，扩展正交参数化模型还包括计算所述椭圆形是基于当车辆正向左转弯时用于车辆的以下公式：

其中“a”是从与车辆关联的停止条到中间左侧目标线的以米为单位的总横向距离；其中“b”是从与车辆关联的停止条到中间左侧目标线的以米为单位的总纵向距离。

除了在此所述的一个或多个特征之外，在一些示例中，交叉路口复杂性包括正道路曲率、负道路曲率和交叉路口角度中的至少一个。

除了在此所述的一个或多个特征之外，在一些示例中，交叉路口复杂性包括正道路曲率、负道路曲率和交叉路口角度。

除了在此所述的一个或多个特征之外，在一些示例中，所述操作还包括使用车辆传感器语义检测和高清晰度地图来获得交叉路口特性。操作还包括使用低逼真度分析模型来估计主车辆完成操纵所需的时间。所述操作还包括获得多个参与者相对于主车辆的速度、加速度和位置。操作还包括使用低逼真度分析模型来估计参与者到达交叉路口或主车辆的时间。这些操作还包括向用户显示执行该操作是否安全的消息。

除了在此描述的一个或多个特征之外，在一些示例中，交叉路口特性包括车道的数量、车道宽度和道路曲率。

除了在此描述的一个或多个特征之外，在一些示例中，操作还包括设置用于感兴趣的交叉路口的参数值。所述操作还包括设置多个参与者相对于主车辆的速度、加速度和位置。所述操作还包括使用低逼真度分析模型来估计多个参与者需要被检测到距主车辆有多远，使得主车辆可以安全地完成所述操纵。该操作还包括设计传感器放置布置，该传感器放置布置限定了与主车辆相关联的多个传感器中的每个传感器的位置。

在又一示例性实施例中，一种计算机程序产品包括计算机可读存储介质，该计算机可读存储介质具有在其上实现的程序指令，该程序指令可由处理设备执行以使处理设备执行操作，该操作包括通过处理设备来定义多个参数，使得可以描述任何正交的交叉路口。所述操作还包括通过处理设备建立正交参数化模型，该正交参数化模型可以至少部分地基于可以描述任何感兴趣的交叉路口的多个参数来表示任意正交交叉路口。所述操作还包括通过处理设备扩展正交参数化模型以生成考虑了交叉路口复杂性的完全参数化的交叉路口模型。所述操作还包括由处理设备建立低逼真度度分析，其基于完全参数化的交叉路口模型来计算各种指标。

除了在此所述的一个或多个特征之外，在一些示例中，建立正交参数化模型还包括将车辆表示为椭圆形，并且其中扩展正交参数化模型还包括计算所述椭圆形是基于当车辆正向左转弯时用于车辆的以下公式：

其中“a”是从与车辆关联的停止条到中间左侧目标线的以米为单位总横向距离；其中“b”是从与车辆关联的停止条到中间左侧目标线的以米为单位总纵向距离。

当结合附图考虑时，根据以下详细描述，本公开的上述特征和优点以及其他特征和优点将显而易见。

附图说明

其他特征、优点和细节仅作为示例在以下详细描述中出现，该详细描述参考附图，在附图中：

图1描绘了根据在此描述的一个或多个实施例的包括用于执行自动驾驶的处理系统的车辆；

图2描绘了根据在此描述的一个或多个实施例的用于自动驾驶场景和/或用于控制车辆的用于传感器覆盖范围分析的处理系统；

图3描绘了根据在此所述的一个或多个实施例的用于离线过程以开发低逼真度分析模型的方法的流程图；

图4a描绘了根据在此所述的一个或多个实施例的在高级驾驶员辅助系统中使用图3的低逼真度分析模型的过程的方法的流程图；

图4b描绘了根据在此所述的一个或多个实施例的用于使用图3的低逼真度分析模型来设计传感器放置布置的过程的方法的流程图；

图5描绘了根据在此所述的一个或多个实施例的具有参数的交叉路口；

图6a和6b描绘了根据在此所述的一个或多个实施例的具有参数的交叉路口；

图7描绘了根据在此描述的一个或多个实施例的具有参数的另一示例交叉路口；

图8a和8b描绘了根据在此所述的一个或多个实施例的具有参数的交叉路口；

图9a和9b描绘了根据在此所述的一个或多个实施例的用于建立交叉路口的正交参数化模型的左参与者检测距离计算的示例；

图10描绘了根据在此描述的一个或多个实施例的具有主车道和从正交参数化模型扩展的各种复杂性的交叉路口；

图11a和图11b描绘了在考虑交叉路口复杂性时根据在此描述的一个或多个实施例的针对主车辆和参与者的交叉路口的左参与者检测角计算的示例；

图12a和12b描绘了在此描述的一个或多个实施例的一种用于在线高级驾驶员辅助系统(adas)在自动驾驶场景操纵车辆传感器覆盖范围分析的同时警告和/或协助车辆驾驶员发生潜在的交叉路口碰撞的方法；

图13描绘了根据在此所述的一个或多个实施例的用于自动驾驶场景的传感器覆盖范围分析的方法；和

图14描绘了用于实现在此描述的技术的处理系统的示例的框图。

具体实施方式

以下描述本质上仅是示例性的，并不旨在限制本公开、其应用或用途。如在此所使用的，术语模块是指可以包括专用集成电路(asic)、电子电路、处理器(共享的、专用的或成组的)以及执行一个或多个软件或固件程序的存储器的处理电路、组合逻辑电路和/或提供所述功能的其他合适的组件。

在此描述的技术解决方案提供了用于涉及不受控制的交叉路口或其他类型的交叉路口的自动驾驶场景的传感器覆盖范围分析。这对于支持自动驾驶感测范围要求的开发或自动驾驶中的实时(或接近实时)决策作出和控制可以是有用的。特别地，在此描述的实施例提供了具有自动驾驶情景分析的方法的轻量化、全参数化的交叉路口模型，该方法可以用于早期需求开发、组件性能验证以及组件选择/放置，并且能够在感测系统开发过程的早期阶段和/或在执行自动驾驶操作时实时或接近实时地评估许多(例如，几十万个或更多)交叉路口情况。

交叉路口产生了自动驾驶功能所执行的一些最复杂的场景。现有的自动驾驶方法不能容易地确定交叉路口场景的传感系统覆盖范围要求。特别地，当前不存在支持用于交叉路口的感测架构分析的已知工具或过程、没有用于感测交叉路口中的覆盖范围的鲁棒性分析技术，并且不存在关于交叉路口检测要求的理论数据集。

在此所述的实施例通过基于可描述感兴趣的任何正交交叉路口的多个参数建立参数化模型来解决现有技术的这些缺点。然后对参数化模型进行扩展，以生成考虑交叉路口复杂性的完全参数化的交叉路口模型。然后，基于完全参数化的交叉路口模型建立了低逼真度分析模型。低逼真度分析模型可用于高级驾驶员辅助系统和/或设计车辆的传感器放置装置。

在此描述的一个或多个实施例利用车辆感知。车辆感知通过处理由一个或多个传感器(例如与车辆(例如，汽车、摩托车、船或任何其他类型的车辆)相关联的摄像机)捕获的图像来提供对象检测和识别。车辆感知通过提供车辆外部的信息来辅助车辆的驾驶员/操作员，和/或通过提供对做出驾驶决策有用的信息(例如，是否加速、制动、转弯等)来辅助自主车辆。

现代车辆通常包括摄像机和其他传感器(例如，雷达传感器、lidar传感器、接近传感器等)，它们提供后备协助，拍摄车辆驾驶员的图像以确定驾驶员的睡意或注意力，提供道路图像((例如车辆正在行驶时)以避免碰撞，提供结构识别，例如道路标志等。例如，车辆可以配备多个摄像机，并且可以将多个摄像机(称为“环视摄像机”)中的图像用于创建车辆的“周围”或“鸟瞰”视图。某些摄像机(称为“远程摄像机”)可用于捕获远程图像(例如，用于对象检测以避免碰撞、识别结构等)。

这些车辆还可以配备有车载显示器(例如，触摸屏)，该车载显示器用于向车辆驾驶员显示摄像机图像和/或其他图像。例如，传统的后视镜和/或侧视镜可以被显示器代替，该显示器显示来自位于车辆后部的摄像机的摄像机图像，以代替传统的后视镜显示“后视”给驾驶员。

在图1中描绘了这种车辆的示例。特别地，图1描绘了根据在此描述的一个或多个实施例的包括用于执行自动驾驶的处理系统110的车辆100。车辆100可以是小汽车、卡车、货车、公共汽车、摩托车或其他合适的车辆。

处理系统110基于从与车辆100关联的传感器接收的数据执行自动驾驶操作。根据示例，与车辆100关联的处理系统110通过分析由多个摄像机捕获的与车辆100相关联的图像来负责车辆感知。

根据在此所述的一个或多个实施例，处理系统110还可被配置为执行高级驾驶员辅助，使得处理系统110是高级驾驶员辅助系统(adas)。adas在操纵车辆时协助车辆的操作员。adas的示例包括牵引力控制、防抱死制动、电子稳定性控制、车道偏离、自适应巡航控制等。

在图1的示例中，车辆100包括摄像机120、121、122、123以及摄像机130、131、132、133。根据在此所述的一个或多个实施例，摄像机120-123为环视摄像机，其捕获车辆100外部和非常靠近车辆100的图像。由摄像机120-123捕获的图像共同形成车辆100的环绕视图(有时称为“俯视图”或“鸟瞰图”)。这些图像可用于手动地和/或自主地操作车辆(例如，停车、倒车等)。根据在此所述的一个或多个实施例，摄像机130-133是远程摄像机，其捕获车辆外部并且比摄像机120-123更远离车辆100的图像。例如，可以使用车辆感知技术来处理这些图像。车辆感知的结果尤其可以用于对象检测和回避。应当理解，尽管示出了八个摄像机120-123和130-133，但是在各种实施例中可以实现更多或更少的摄像机。

所捕获的图像可以显示在显示器(未示出)上，以向车辆100的驾驶员/操作员提供车辆100的外部视图。所捕获的图像可以被显示为实时图像、静止图像或其某种组合。在一些示例中，图像可以被组合以形成合成视图，诸如环绕视图。显示的图像也可以覆盖有在处理/分析过程中确定的信息。例如，图像可以覆盖有距离信息(例如，从车辆100到另一对象/车辆的距离)、安全性信息(例如，潜在碰撞的警告)等。

车辆100还可以包括传感器，例如传感器140、141。根据一个或多个实施例，传感器140代表高分辨率雷达，传感器141代表光成像检测和测距(lidar)传感器。可以使用其他数量和类型的传感器，例如接近传感器。

处理系统110使用从一个或多个摄像机120-123、130-133中捕获的图像来使用深度神经网络执行车辆感知。例如，车辆感知可以包括执行特征提取、对象检测和回避等。

图2描绘了根据在此描述的一个或多个实施例的用于针对自动驾驶场景的传感器覆盖范围分析和/或用于控制车辆的处理系统200。处理系统200包括处理设备202(例如，图14的cpu1421)、存储器204(例如，图14的ram1424)、参数引擎210、参数化模型引擎212、数学分析模型引擎214、传感器布局引擎216和车辆控制引擎218。在一些示例中，处理系统200的一个或多个组件/引擎可以包括在图1的车辆100的处理系统110中。

关于图1和2所述的各种组件、模块、引擎等可以实现为存储在计算机可读存储介质上的指令，实现为硬件模块，实现为专用硬件(例如，专用硬件、专用集成电路(asic)、专用特殊处理器(assp)、现场可编程门阵列(fpga)、实现为嵌入式控制器、硬接线电路等)，或作为它们的某种组合或其组合。根据本公开的方面，在此描述的引擎可以是硬件和编程的组合。编程可以是存储在有形存储器中的处理器可执行指令，并且硬件可以包括用于执行那些指令的处理设备(例如，图14的cpu1421)。因此，系统存储器(例如，图14的ram1424)可以存储程序指令，该程序指令在由处理设备执行时实现在此所述的引擎。还可以利用其他引擎来包括在在此的其他示例中描述的其他特征和功能。

在一些示例中，处理系统200不同于处理系统110并且例如经由网络与处理系统110进行有线和/或无线电通信。因此，在一些示例中(例如，参见图4a)，本技术使得能够进行实时或接近实时决策作出，以使用高级驾驶员辅助系统(adas)来控制车辆在交叉路口中/通过交叉路口。这通过改善车辆的自主控制来改善车辆技术，从而提高效率、可靠性、安全性等。这本质上成为主动的安全车辆功能，其可以警示、警告和/或做出车辆控制决策，以防止或最小化碰撞。在其他示例中(例如，参见图4b)，本技术提供了一种传感器放置布置，其为与车辆100相关联的多个传感器中的每一个定义了位置。这还通过改善车辆100的传感器的位置和覆盖范围来改善车辆技术，从而利用最少数量的传感器实现了有效且增加的数据收集。

现在参考图3、4a和4b描述处理系统110和200的特征和功能。

图3描绘了根据在此所述的一个或多个实施例的用于离线过程以开发低逼真度分析模型的方法300的流程图。方法300可以由任何合适的处理系统、处理设备或其组合来实现，包括在此描述的那些处理系统和处理设备。现在参考图1和图2描述图3，但不限于此。

在框302处，经由处理系统210的参数引擎210定义了多个参数，使得可以描述任何正交的交叉路口。

在框304处，参数化模型引擎212基于可以描述感兴趣的任何正交交叉路口的多个参数，构建可以表示任何正交交叉路口的参数化模型。

在框306处，参数化模型引擎212扩展参数化模型以生成考虑了交叉路口复杂性的完全参数化的交叉路口模型。正交参数化模型被扩展以考虑例如复杂的道路曲率和具有不同于直角的角度的交叉路口。

在框308处，数学分析模型引擎214建立低逼真度度分析模型，该模型基于完全参数化的交叉路口模型计算各种指标。此类各种指标(metric)的示例包括基于交叉路口大小和复杂性、系统等待时间以及参与者和主车辆速度剖面的检测范围和角度。这使数学分析模型能够表示所需的自动驾驶场景。低逼真度模型可用于adas(参见图4a)和/或用于设计传感器放置布置(参见图4b)

还可以包括其他过程，并且应该理解，图3中所示的过程代表图示，并且可以在不脱离本公开范围的情况下添加其他过程，或者可以删除、修改或重新布置现有过程。

图4a描绘了根据在此所述的一个或多个实施例的用于在adas中使用图3的低逼真度度分析模型的过程的方法400的流程图。方法400可以由任何合适的处理系统、处理设备或其组合来实现，包括在此所述的那些处理系统和处理设备。现在参考图1描述图4a，但不限于此。

在框402处，处理系统110使用车辆传感器语义检测和高清地图来获得交叉路口属性，例如车道数、车道宽度、道路曲率等。

在框404处，处理系统110使用图3的低逼真度度分析模型(参见框308)来估计主车辆完成所需的时间。这里参考图14的框1410和1418对此进行进一步描述。

在框406处，处理系统110获得所有参与者相对于主车辆的速度、加速度和位置。

在框408处，处理系统110使用低逼真度度模型来估计参与者到达交叉路口/主车辆的时间。

在框410处，处理系统110向用户显示消息是否执行交叉路口转弯操纵安全。

也可以包括附加的过程，并且应当理解，图4a中描绘的过程代表图示，并且在不脱离本公开的范围的情况下，可以添加其他过程或者可以移除、修改或重新布置现有过程。

图4b描绘了根据在此描述的一个或多个实施例的用于使用图3的低逼真度度分析模型来设计传感器放置布置的过程的方法420的流程图。方法400可以由任何合适的处理系统、处理设备或其组合来实现，包括在此所述的那些处理系统和处理设备。现在参考图2描述图4a，但不限于此。

在框422处，经由处理系统200的参数引擎210，设置感兴趣的交叉路口的参数值。

在框424处，经由处理系统200，设置所有参与者相对于主车辆的速度、加速度和位置。

在框426，经由处理系统200的数学分析模型引擎214，使用图3的低逼真度分析模型来估计所有参与者需要被检测到距主车辆有多远，使得主车辆可以安全地完成交叉路口转弯操作。

在框428处，经由处理系统200的传感器布局引擎216，设计传感器放置布置，该布置例如为与车辆100相关联的多个传感器中的每一个定义位置。

还可以包括其他过程，并且应该理解，图4a中所示的过程代表图示，在不脱离本公开范围的情况下，可以添加其他过程或者可以删除、修改或重新布置现有过程。

现在将更详细地描述如图3的框302所定义的以及分别由图4a和4b的方法400和420所利用的参数。在示例中，车载安全性活动功能可能具有其他说明或提取这些参数的方法。道路输入参数描述了道路、交叉路口等的特征。道路输入参数的示例包括以下在交叉路口处接近主车辆东侧(从左到右)的车道总数；在交叉路口从主车辆向西后退(从右到左)的车道总数；在交叉路口朝向主车辆接近南侧的车道总数；车道宽度；主车辆左方道路、主车辆右方道路和主车辆前方道路的角度和曲率；等。

道路输出参数还描述了道路、交叉路口等的特征。道路输出参数的示例包括以下：从主车辆停止条到左侧目标车道中心的总横向和纵向距离；从主车辆停止条到左侧参与者行车道中心的总横向和纵向距离；从主车辆停止条到右侧参与者行车道中心的总横向和纵向距离；从主车辆中心到前参与者行车道中心的总横向距离；从主车辆停止条到横穿所有交通车道的停止条的总纵向距离；右转弯行驶椭圆形(弧)的总距离；左转弯行驶椭圆形(弧)总距离；等。

图5描绘了示例性交叉路口500，该示例性交叉路口500具有用于根据在此所述的一个或多个实施例的作为示例的主车辆(未示出；例如，车辆100)的以下参数：东车道501、西车道502、南车道503、北车道504、主车辆车道505、左转时的主车辆车道506、右转时的主车辆车道507、前进车道宽度508、交叉行车道宽度509、交叉路口交界(junction)半径510和交叉路口角度511。

这些和/或其他合适的参数由参数引擎210定义(参见图3的框302)，并由参数化模型引擎212使用以至少部分地基于与感兴趣的交叉路口相关联的多个参数构建正交参数化模型，该正交参数化模型将感兴趣的交叉路口表示为正交交叉路口。

输入的交叉路口参数有助于交叉路口的正交几何表示。正交交叉路口是实际交叉路口的表示，该实际的交叉路口被表示为具有基本成直角相交的道路。通过使用简单的几何形状(例如椭圆形)和相关公式，自动驾驶场景被描述为主要车辆(例如，车辆100)和参与者(例如，其他车辆、对象等)的正交表示。正交表示的起点与行驶的参与者中心线和主车辆的纵向中心线对齐。

使用来自图5的示例参数，现在描述图6a和6b，其分别描绘了根据在此描述的一个或多个实施例的交叉路口600、620。示例交叉路口600包括：具有笔直的连续车道602、603的西车道601；具有仅左转和/或直行车道605和仅右转和/或直行车道606的东车道604；以及主车辆车道607。示例交叉路口620包括：西车道621，其具有笔直的连续行车道622和在交叉路口交界半径629中考虑的额外宽度623(见图5的元件510)；以及东车道624，其具有仅左转或直行车道625、仅右转或直行车道626和仅右转车道627，凹入主车辆停止条640纵向位置；以及主车辆车道628，其位于转弯车道的前方，因此不计算转弯车道。

在图6a，6b的示例中，请考虑以下驾驶场景。当左转时，将根据交叉路口左侧对齐的车道对来自右侧的参与者进行测量。当向右转时，主车辆目标线应指向交叉路口左侧的车道编号(例如，图6a中的四个车道和图6b中的四个车道)。此外，当右转弯时，在主车辆停止条640后面有一条专用的转弯车道(见图6b)；该车道被排除在纵向计算之外。

图7描绘了根据在此所述的一个或多个实施例的另一示例交叉路口700。示例交叉路口700包括具有两个车道的西车道701；东车道702，其具有仅左转或直行车道703、直行车道704和没有凹入的仅转弯车道705；交叉路口交界半径706；主车辆目标车道707；主车辆车道708，其在主车辆目标车道707的前方；以及额外宽度(无车道)709，其在交叉路口交界半径706中考虑。在此示例中，当主车辆正向右转且专用的交叉路口仅转弯车道(例如，车道705)没有凹入且不再继续时，要求主车辆纵向跳过一区域(例如，额外宽度709)以到达主车辆目标车道707。

图8a和8b描绘了具有根据在此描述的一个或多个实施例的参数的交叉路口800、820。在该示例中，交叉路口800包括以下参数：南车道801，其包括仅右转或直行车道802，以及直行或左行车道803；北车道805，其包括直的连续车道804；以及主车辆车道806。交叉路口820包括以下参数：南车道821，其包括仅右转或直行车道822、直行车道823和仅左转车道824；以及北车道825，其具有直线连续的车道826；以及主车辆车道827。当主车辆正在左转时，来自前方的参与者是基于主车辆必须经过的车道来测量的。当主车辆正在右转时，将就主车辆的左侧横向车道的数量来测量来自前方的参与者。

图9a和9b描绘了根据在此所述的一个或多个实施例的用于建立交叉路口900的正交参数化模型的左侧参与者检测距离计算的示例。该示例基于如图9a，9b所示向左转的主车辆901(例如，车辆100)，并考虑了参与者902。

在此示例中，参与者902正如所示的正沿车道的中心线913移动，而主车辆901正如所示的左转，从主车辆初始位置920开始并在转弯921之后继续到主转车辆位置。

关于图9a、9b，使用以下参数和等式使用主车辆901的椭圆形表示来建模交叉路口900：

x1＝后退车道宽度*0.5；

x2＝接近车道宽度*车道数量；

x3＝交叉路口交界半径(例如，图7的交叉路口交界半径706)；

x4＝从主车辆901到停止条(图6a、6b的停止条640)的纵向距离；

b＝x1+x2+x3+x4；

y1＝从主车辆901到车道线(划分交通方向的车道线)的横向距离；

y2＝向南朝向主车辆901的接近车道宽度*车道数量

y3＝交叉路口交界半径；

a＝y1+y2+y3；

椭圆形(弧)距离(框918)＝ellipc/4；

弧_转弯_时间＝椭圆形(弧)距离/弧_转弯_速度；

时间＝距离/速度。

图9b示出了主车辆901在从主车辆初始位置920转弯921之后左转至主车辆位置。还示出了参与者902，其从如由参与者行驶箭头911描绘的参与者初始位置910移动到参与者最终位置912。还示出了弧长距离942和用于接近左侧参与者940的中心车道。

例如，关于图4a的框408，当参与者902未在减速时：

参与者_行程＝(主车辆_反应_时间*参与者_初始_速度)+(弧_转弯_时间*参与者_初始_速度)+(参与者ttc裕度(margin)*参与者_初始_速度)+安全_裕度

当参与者902正在减速时：

参与者_行程＝(主车辆_反应_时间*参与者_初始_速度)+(参与者_反应_时间*参与者_初始_速度)+(vf^2–参与者_初始_速度^2)/(2*参与者_减速_速率)+安全_裕度，以及

vf＝参与者_最终_速度+(参与者_减速_速率*(参与者ttc裕度-参与者_反应_时间))

然后可以将总的正交横向距离确定为弧长距离942＝参与者_行程+a。

图5、6a，6b，7、8a，8b，9a和9b分别是交叉路口的正交参数化模型，该正交参数化模型基于所提供的参数表示感兴趣的各种交叉路口，如所示的。一旦建立了正交参数化模型(参见框304、404)，则参数化模型引擎212扩展正交参数化模型以生成考虑了交叉路口复杂性的完全参数化模型(参见框306、406)。

其余的输入交叉路口参数有助于针对道路曲率和非垂直交叉路口的交叉路口的更复杂、更逼真的几何表示。通过使用其他简化的几何和三角形状和公式(例如曲线、弧线、三角形等)，驾驶场景被描述为主车辆和参与者操纵的最终精确表示。该方法首先与正交起点相关，然后转换为主车辆重心。

例如，图10描绘了具有主车辆车道1001和从正交参数化模型扩展的各种复杂性的交叉路口1000。这些复杂性的示例包括：正道路曲率1002、负道路曲率1003和交叉路口角度1004，它们可以是正数或负数。交叉路口角度是两条道路之间的角度，其在正交参数化模型中假定为直角，但在当扩展正交参数化模型以考虑交叉路口复杂性时，可以不是直角。

图11a和11b表示当考虑到交叉路口复杂性时，根据在此所述的一个或多个实施例的用于主车辆1101和参与者1102的交叉路口1100的左侧参与者检测角计算的示例。在该取样图示中，表示了正道路曲率和交叉路口角度，但是在其他示例中可以考虑负道路曲率和/或负交叉路口角度。在该示例中，框1110是从参与者到参与者车道(a)的起点的距离与一般道路曲率半径切线之间的度(框1116)(dc)，框1112是参与者行驶距离的弧长(弧长距离)，框1114是正的左交叉交通广义道路弯曲半径(道路曲率)，框1116是一般道路曲率半径切线，框1118是交叉路口角度θ，框1120是交叉路口中心线，框1122是从参与者到参与者车道(a)的起点的距离，框1124是参与者车道的起点，框1126是参与者左侧(dlc)，框1128是车道宽度x4，框1130是车道宽度x3，框1132是组合车道宽度c，以及框1134是参与者和主车辆之间的距离“b”。

执行以下计算以围绕完全参数化的模型建立数学分析模型(参见步骤308、408)。

dc(框1110)＝0.5*(180*弧长距离(框1112)/道路曲率(框1114)*π)；

λ＝dc+交叉路口角度(框1118)；

如果λ＝＝0

δ＝90；

否则

δ＝90+λ；

结束

a＝2*道路曲率(框1114)*sin(dc(框1110))；

dlc＝(参与者行驶车道*接近车道宽度)–(接近车道宽度*0.5)

c＝dlc+x3(框1130)+x4(框1128)；

β＝180–δ；

角度_检测＝α；

d_检测＝b。

使用这些计算和完全参数化的模型，数学分析模型引擎214围绕完全参数化的模型建立数学分析模型(参见框308、408)。

图12a和12b分别描绘了根据在此所述的一个或多个实施例的用于车辆100的车载逻辑的方法1200a、1200b。对于车载应用程序，方法1200a、1200b估计车辆100正在检测以警告和/或控制车辆100以避免/最小化碰撞的威胁。方法1200a在框1202处开始，并继续到框1204，在框1204处，使用gps、高清晰度地图等获得车辆位置。其他语义检测可以包括道路边缘、车道线、交通标志等，其帮助填补可用hd地图元数据的空白和/或替换hp地图元数据的依赖性。在框1206处，确定车辆是否在交叉路口处。如果不是，则方法1200a循环回到框1204。如果在框1206处确定车辆在交叉路口处，则方法1200a进行到框1208处，并使用车辆传感器语义检测和高清晰度地图来获得交叉路口特性。语义检测是来自车辆传感器的数据结果，意味着被识别或检测到的对象，其可以包括车辆、摩托车、行人等。在框1210处，使用低逼真度分析模型来估计主车辆完成左/右转弯操作所需的时间。例如，这是指在图3的框308处确定的低逼真度分析模型。然后，在框1214处，使用输入的车辆传感器对象检测来确定是否有任何参与者正在接近交叉路口(框1213)。如果参与者正在接近交叉路口，则在框1214确定是否正在追踪所有接近交叉路口的参与者。如果否，则在框1216处迭代地获得唯一参与者相对于主车辆的的速度、加速度和位置信息，并且在框1218处使用低逼真度度模型来估计参与者到达交叉路口/主车辆的时间。如果在框1214处正在跟踪所有接近交叉路口的参与者，则方法1200a进行以在框1220处将每个参与者到达交叉路口/主车辆的时间与主车辆完成转弯所需的时间进行比较。如果主车辆没有在移动，则估计完成转弯/操纵所需的时间。这可以通过将预设/校准值与到达时间进行比较来完成。然后在框1222确定主车辆是否有足够的时间完成转弯。如果否，则在框1224显示“请勿转弯”消息；如果是，则在框1226显示“ok，请转弯”消息。方法1200b在框1228处结束。

方法1200b关于所示的框1230、1232、1234与所示的方法1200a不同。特别地，方法1200b在框1202处开始，并继续到框1204，在其中，使用gps、高清晰度地图等获得车辆位置。在框1206处，确定车辆是否在交叉路口处。如果不是，则方法1200b循环回到框1204。如果在框1206处确定车辆处于交叉路口，则方法1200b进行至框1208，并使用车辆传感器语义检测和高清晰度地图来获得交叉路口特性。在框1210处，使用低逼真度度模型来估计主车辆完成左/右转弯操纵所需的时间。然后，在框1212处，使用输入的车辆传感器对象检测来确定是否有任何参与者正在接近交叉路口(框1213)。如果参与者正在接近交叉路口，则在框1212处确定是否正在追踪所有接近交叉路口的参与者。如果否，则在框1216处迭代地获得唯一参与者相对于主车辆的速度、加速度和位置信息，并且在框1218处使用低逼真度度模型来估计参与者到达交叉路口/主车辆的时间。如果在框1214处跟踪到所有接近交叉路口的参与者，则方法1200b继续进行以在框1220处将每个参与者到达交叉路口/主车辆的时间与主车辆完成转弯所需的时间进行比较。然后，在框1230处确定是否碰撞即将发生或不可避免。如果在框1230处碰撞即将发生或不可避免，则在框1232处防止/停止车辆的运动并且准备或激活被动安全设备。如果在框1230处碰撞不是即将发生或不可避免，则在框1234确定主车辆是否有足够的时间安全地完成转弯。如果不是，则在框1224显示“请勿转弯”消息；如果是，则在框1226处显示“ok，请转弯”消息。方法1200b在框1228处结束。

图13描绘了根据在此描述的一个或多个实施例的用于自动驾驶场景的传感器覆盖范围分析的方法1300。方法400可以由任何合适的处理系统、处理设备或其组合来实现，包括在此所述的那些处理系统和处理设备，包括图1和图2的处理系统110和200，但并不限于此。

方法1300在框1302处开始，并且在框1304处，交叉路口和场景参数被输入用于分析。在框1306处，确定参数是否可用；如果不是，则方法1300终止1318。但是，如果参数可用，则在框1308处计算主车辆通过交叉路口的弧形转弯。在框1310处，计算主车辆的转弯行程，直到参与者发起反应为止。在框1312处，计算反应期间行进的参与者的可变距离。在框1314处，计算道路曲率拱角和距离。在框1316处，计算相对于主车辆的检测角度和距离。方法1300在框1318处结束。

应当理解，在此描述的一个或多个实施例能够与现在已知或以后开发的任何其他类型的计算环境结合实现。例如，图14描绘了用于实现在此描述的技术的处理系统1400的框图。根据在此描述的一个或多个实施例，处理系统1400是云计算环境的云计算节点的示例。在示例中，处理系统1400具有一个或多个中央处理单元(“处理器”或“处理资源”)1421a、1421b、1421c等(统称或总称为处理器1421和/或称为处理设备)。在本公开的各方面中，每个处理器1421可以包括精简指令集计算机(risc)微处理器。处理器1421经由系统总线1433耦合到系统存储器(例如，随机存取存储器(ram)1424)和各种其他组件。只读存储器(rom)1422耦合到系统总线1433，并且可以包括基本输入/输出系统(bios)，其控制处理系统1400的某些基本功能。

进一步描绘了输入/输出(i/o)适配器1427和耦合到系统总线1433的网络适配器1426。i/o适配器1427可以是与硬盘1423和/或存储设备1425或任何其他类似的组件通信的小型计算机系统接口(scsi)适配器。i/o适配器1427、硬盘1423和存储设备1425在在此中统称为大容量存储装置1434。用于在处理系统1400上执行的操作系统1440可以存储在大容量存储器1434中。网络适配器1426将系统总线1433与外部网络1436互连，使处理系统1400能够与其他这样的系统通信。

显示器(例如，显示器监视器)1435通过显示器适配器1432连接到系统总线1433，显示器适配器1432可以包括图形适配器以改善图形密集型应用和视频控制器的性能。在本公开的一方面，适配器1426、1427和/或1432可以连接到一个或多个i/o总线，该i/o总线经由中间总线桥(未示出)连接到系统总线1433。用于连接外围设备(例如硬盘控制器、网络适配器和图形适配器)的合适i/o总线通常包括通用协议，例如外围组件互连(pci)。附加的输入/输出设备被示为经由用户接口适配器1428和显示适配器1432连接到系统总线1433。键盘1429、鼠标1430和扬声器1431可以经由用户接口适配器1428互连到系统总线1433，该用户接口适配器可以包括例如，将多个设备适配器集成到单个集成电路中的superi/o芯片。

在本公开的一些方面，处理系统1400包括图形处理单元1437。图形处理单元1437是专用电子电路，其被设计为操纵和改变存储器以加速旨在输出到显示器的帧缓冲器中的图像的创建。通常，图形处理单元1437在操纵计算机图形和图像处理方面非常有效，并且具有高度并行的结构，这使其对于并行处理大数据块的算法而言比通用cpu更有效。

因此，如在此中所配置的，处理系统1400包括处理器1421形式的处理能力；包括系统存储器(例如，ram1424)和大容量存储装置1434的存储能力；诸如键盘1429和鼠标1430的输入装置；以及包括扬声器1431和显示器1435的输出能力。在本公开的一些方面，一部分系统存储器(例如，ram1424)和大容量存储装置1434共同存储操作系统1440，以协调处理系统1400中所示的各个组件的功能。

尽管已经参照示例性实施例描述了以上公开，但是本领域技术人员将理解，在不脱离本发明范围的情况下，可以做出各种改变并且可以用等同物代替其要素。另外，在不脱离本公开的实质范围的情况下，可以做出许多修改以使特定情况或材料适应本公开的教导。因此，意图是本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。