用于运行车辆的方法与流程

1.本发明涉及一种根据权利要求1的前序部分的用于运行车辆的方法。


背景技术：

2.这样的方法由de 10 2012 112 802 a1公开。在该出版物中描述了一种用于控制车辆的装置，其包括司机辅助系统，其允许自主、半自主和人工驾驶。该装置还包括环境检测单元和用于通过评估由环境检测单元所产生的环境数据来评估车辆环境状况的评估单元。该装置还包括能够由司机辅助系统在自主或半自主驾驶期间、即在自动驾驶工作期间驱控的危险报警装置，其设置用于依据车辆环境状况的评估来输出作为接管请求的报警信号给司机。在已知方法中，借助危险估算单元在自主驾驶或半自主驾驶期间基于环境数据和车辆行驶动态数据来确定大概可能需要司机干预的接管概率。另外，借助注意力估算单元来估算司机的注意力水平，最后依据司机的注意力水平从接管概率中确定在产生报警信号之前的持续时间。


技术实现要素：

3.因此本发明的目的是，指明一种改善的用于在自动化驾驶运行中运行车辆的方法。
4.根据本发明，该目的通过一种根据权利要求1的方法来完成。
5.本发明的有利设计是从属权利要求的主题。
6.在根据本发明的用于在不需要使用者操作的自动化驾驶运行中运行车辆的方法中，自动化驾驶运行能通过车辆司机的停用动作、尤其是司机介入车辆转向和/或加速功能而被停用。在自动化驾驶运行中，借助至少一个环境检测装置来测知车辆环境中的行驶状况，并且在存在危险行驶状况时发出警报给司机。根据本发明，在自动化驾驶运行期间在至少一个学习阶段中检测此时司机已经停用自动化驾驶运行的行驶状况。该检测到的行驶状况作为主观危险状况被存储在存储器中。然后，在自动化运行的常规运行阶段中，比较当前所测得的行驶状况与所存储的主观危险行驶状况之一重合度有多高，并且在充分重合时、即在重合度位于预定误差范围内时，对司机发出警告。
7.本发明的方法允许学到让司机感到主观危险的行驶状况。这是如下情况，此时司机感觉到应该接管对车辆的控制，虽然在技术上自动化驾驶运行能够安全地继续运行。这种主观危险状况的探测利用所述至少一个环境检测装置进行。为此，在自动化驾驶运行的学习阶段中连续检测各自存在的行驶状况，并且该行驶状况全都作为主观危险状况(此时司机自动地、即无事先警告地结束自动化驾驶运行且因此接管车辆控制)被存储。在学习阶段之后，司机在未来总是在各当前所测得的行驶状况与所存储的主观危险状况之一重合或与之相似时被警告。如果司机在自动化驾驶运行期间分心，则他通过所述警告对先前被他视为主观危险状况的行驶状况的出现做好准备。因此，他并未对猛然出现的主观危险状况感到惊讶。
8.在本发明方法的一个实施方式中，主观危险状况被存储在车辆内或远程服务器上。
9.在一个实施方式中，主观危险状况以司机专属方式被存储。因此使得警报输出适配于各自司机。司机的身份识别在此能以常见方式例如通过车钥匙、通过在载货汽车中常见的司机卡片或通过手工输入到运行系统中来进行。
10.替代地或附加地，主观危险状况以地点专属方式、尤其以路线专属方式被存储。因此使得警报输出适配于车辆的各自使用地点。这是有利的，因为位于车辆环境中的交通参与者的行为可能是区域性不同的，因此在某些状况下接管车辆控制的司机要求也可能是区域性不同的。在此情况下，车辆的定位可以利用常见的、自动化驾驶运行本来就需要的定位系统进行。
11.在一个实施方式中，在测知行驶状况的情况下检测车道和车辆环境中的对象尤其是其它车辆。
12.在一个实施方式中，所述至少一个环境检测装置包括一个或多个摄像头、一个或多个雷达传感器、一个或多个激光雷达传感器和/或一个或多个超声波传感器。
13.在一个实施方式中，借助所述至少一个环境检测装置所测知的传感器数据被分为多个关注区域，其中，其中一个关注区域是车辆运动所在的本车道，其中，至少其中另一个关注区域是与本车道相邻的左侧车道和/或右侧车道，其中，在关注区域中所识别到的所有对象的运动数据被计算，其中，这个或这些危险对象被识别，其运动到在本车道之内的安全廊道中。
14.在一个实施方式中，基于借助至少一个环境检测装置测知的传感器数据来计算针对至少一个或每个所述对象的以下变量中的至少一个：
[0015]-该对象在车辆的和对象的运动轨迹相交时为了到达车辆安全廊道所需要的时间，
[0016]-车辆用于驶过距该对象的纵向距离所需要的时间，
[0017]-车辆用于到达对象到达车辆安全廊道的点所需要的时间，减去对象用于到达该点所需要的时间，
[0018]-当超出安全廊道界限时在车辆与对象之间的纵向距离。
[0019]
在一个实施方式中，具有最短时间的对象被识别为最危险对象，该最短时间是对象在所述车辆和对象的运动轨迹相交时为了到达车辆安全廊道所需要的。替代地和/或附加地，可以为此采用其它变量。
[0020]
在一个实施方式中，一旦识别出危险对象或最危险对象，就采用模糊逻辑来预测司机是否感觉到更高或更低的主观复杂性。
[0021]
在一个实施方式中，借助多数选择机制来确定所存储的危险行驶状况与当前行驶状况的相似性，和/或基于所述预测和所存储的行驶状况与当前行驶状况的比较来计算置信百分比，其中，能由司机调整的自适应标准确定置信百分比是否高到足以警告司机有危险行驶状况。
[0022]
所提出的方法确保了司机被提前通知让其不适的行驶状况。当车辆负责车辆控制、即处于自动化驾驶运行时，司机能感受到车辆无法解决当前的行驶状况的危险。利用该方法学到“司机何时想要接管对车辆的控制”的个人专属喜好并且基于之前状况来获知查
明这种状况。
[0023]
本发明还涉及一种车辆，包括用于不需要使用者操作的自动化驾驶运行的司机辅助系统，其中，自动化驾驶运行可以通过车辆司机的停用动作、尤其通过司机介入车辆转向和/或加速功能来停用，其中，设有至少一个环境检测装置以测知车辆环境中的行驶状况，其中，设有至少一个控制单元，其设计用于执行上述的方法。
附图说明
[0024]
以下将结合图来详述本发明的实施例，其中：
[0025]
图1示出行驶状况的示意图；
[0026]
图2示出行驶状况的示意图和用于获知行驶状况危险度的工作过程。
具体实施方式
[0027]
彼此对应的部分在所有的图中带有相同的附图标记。
[0028]
图1示出车辆2的行驶状况1的示意图，该车辆行驶于车道4的本车道3。在车辆2前方在行驶方向上限定出车辆2有可能驶入的安全廊道5。安全廊道5所具有的宽度大于车辆2的宽度。安全廊道5的宽度可以随距车辆的距离而变化。在与本车道3相邻的车道6上，对象7例如另一辆车以距车辆2的在行驶方向上靠前的边缘的纵向距离x和横向距离y位于途中。对象7以速度v在纵向和横向上移动向本车道3，从而它在时间δt之后将进入安全廊道5。车辆2具有用于识别行驶状况1、尤其是车道4和对象7的传感器。这种传感器可以包括一个或多个摄像头、雷达传感器、激光雷达传感器和/或超声波传感器等。
[0029]
图2示出车辆2的行驶状况1的示意图，车辆行驶于车道4的本车道3。此外，示出了用于查明行驶状况1的危险度的工作过程。
[0030]
行驶状况1的危险度可以借助主观复杂性模型来查明。
[0031]
所提出的模型的基础是，车辆2具有司机辅助系统，其能够同时担负车辆2的纵向和横向控制，而司机不必手搭方向盘。一般，这仅可以利用2级或3级高级系统实现，因为司机在低自动化水平时维持车辆2的完全或部分的纵向和横向控制。模型的目标是就周围环境中的行驶状况1的复杂性何时达到司机认为需要其干预的程度而作出预测。因为司机干预，故司机主观判断行驶状况1的复杂性从其观点看太高以致其不相信司机辅助系统能解决行驶状况。司机辅助系统在此情况下在数据库db中存储行驶状况1的传感器数据或表征行驶状况1的数据。数据库db在此可以位于车辆2内或位于借助无线电建立通信连接的外部服务器上。
[0032]
图2示出用于借助司机辅助系统查明行驶状况1的危险度的工作过程。传感器数据在此被分为关注区域“左侧车道6.1”、“本车道3”和“右侧车道6.2”。在关注区域内的所有所识别对象7的运动数据被计算，随后识别运动到安全廊道5中的最危险对象、例如如图1所示的对象7。危险度基于先存数据被计算。
[0033]
与位于环境中的对象7相关的传感器数据被采集并且被分为三个可能的关注区域、即左侧车道6.1、本车道3和右侧车道6.2。所接收的原数据包含每个对象7的关于车辆2的横向位置和纵向位置和速度v。这允许简单计算每个对象7与车辆2之间的相对速度v。
[0034]
在所提出的司机辅助系统的一个示例性实施方式中，可以识别到六个对象7，每个
关注区3、6.1、6.2最多有两个。在其它实施方式中，能识别到更多的对象7并且其位置和速度v可被分析。
[0035]
基于传感器数据如雷达数据，在步骤s1中例如计算以下的运动学变量：
[0036][0037][0038]
ttc
cross_border
＝tt
headway-tt
cross_border
···············
(3)
[0039]
dist
cross_border
＝tt
cross_border
*relspd
·················
(4)
[0040]
总之，借助可用传感器例如考虑十个运动学变量，例如以下变量：
[0041][0042]
在三个车道3、6.1、6.2上的每个相关对象7都具有单独一组变量。其它变量可以包含交叉角度和对象7离开安全廊道5的时间δt。
[0043]
在运动学变量计算之后，在步骤s2中识别最危险对象7、例如如图1所示的对象7。例如作为用于客观复杂性的比较尺度，采用所有所识别的对象7的最短时间δtttc
cross_border
(见公式(3))。也可考虑超过一个的危险对象7。
[0044]
一旦危险对象7或最危险对象7被识别，则司机辅助系统使用模糊逻辑以预测司机是否感觉到相对高的或低的主观复杂性。所有运动学变量可被用于预测方法。多数选择机制确定所存储的行驶状况与当前行驶状况1的相似性。基于预测和所存储的行驶状况与当前行驶状况1的比较，在步骤s5中计算置信百分比。可以由司机调整的自适应标准确定置信百分比是否高到足以在步骤s3中警告司机有危险行驶状况。自适应标准确定司机辅助系统是否对警告敏感或迟钝。每次当司机在学习阶段期间又接管车辆2的控制时，当前行驶状况1被记下并且在步骤s4中被存储在数据库db内。所存储的数据包括当前情况，即，不仅环境中的对象7的运动学变量，还有前不久的车辆2状况。被视为前不久的时刻取决于司机反应时间。因为驾驶环境可以因为车道4类型和国家限制条件而显著改变，故环境中驾驶文化的数据和类型可以设计成完全自适应。同样，关于警告的司机喜好可以随时间δt而变化并且与其它司机相比较。由于记录越来越多的数据，故数据库db随时间δt自动调整，从而它能针对每位司机被个性化。
[0045]
本实施例的特殊优点在于，识别如下行驶状况，其让司机主观感觉到危险并且让司机无法信任司机辅助系统能将其解决。在此，这种行驶状况被识别为主观危险，此时司机通过接管车辆控制来结束自动化驾驶运行。所识别的行驶状况针对晚些的应用被存储。接着，在未来的自动化驾驶运行中，将各自当前测得的行驶状况与所存储的状况相比较，并且当确定充分重合时还通过发出警报来对此警告司机。司机因此被警告出现从其观点看危险的行驶状况。因此使警告阈值适应于司机要求。