确定机动车辆驾驶路线的方法和装置与流程

1.本发明总体上涉及一种用于在围绕起始位置的预定大小的驾驶范围内确定起始位置与目的地位置之间的机动车辆的驾驶路线的方法，其中该驾驶路线由至少一个交叉点以及与交叉点相连的至少三条道路形成。此外，本发明涉及一种用于执行该方法的系统。


背景技术：

2.当前和将来的机动车辆中的连通性的合并为优化机动车辆的驱动系统参数开辟了巨大的可能性，特别是减少了污染物排放以及机动车辆的燃料消耗或功率消耗。然而，加强保护个人数据的准则会对基于连接方案的驾驶员的预测行为的实施产生影响。
3.us 8 478 642 b2公开了一种用于预测导航决策行为的方法和装置。装置的位置用于生成装置的当前位置以及装置的较早位置的过程。行为预测应用程序基于驾驶员的偏好以及过去所涵盖的优选驾驶目的地和/或驾驶路线来预测驾驶路线。特定驾驶员的偏好可以由系统学习，以便在行为预测应用程序中实现，或者特定驾驶员的偏好可以由驾驶员手动输入。系统可以使用gps或其他定位技术来确定装置的位置。该装置可以是机动车辆中具有gps功能的标准装置，也可以是其他便携式装置(例如移动电话或pda)。
4.us 2010/0 131 148 a1公开了一种用于评估驾驶员意图以控制驾驶员辅助系统的系统和方法。提供了一种分析装置，该分析装置从车辆环境传感器、车辆动力学传感器和驾驶员属性传感器接收数据，使得该分析装置基于所接收的数据做出驾驶员意图的预测。控制装置部分地基于预测的驾驶员意图来控制车辆和驾驶员。
5.ep 3 371 799 a1公开了一种用于确定车辆的驾驶意图的方法，其中驾驶意图包括关于预测的驾驶操纵的信息。基于车辆的位置和数字地图，确定车辆的位置并且确定路段，其中一个或多个可能的驾驶意图与该路段相关联，并且其中基于一个或多个触发变量的一个或多个触发条件分配给一个或多个可能的驾驶意图。基于车辆的车载传感器或致动器，获得关于用于确定当前驾驶意图的内部触发变量的信息。基于道路路段、关于内部触发变量的信息以及一个或多个触发条件来确定驾驶意图。
6.cn 106 971 194 a公开了一种驾驶愿望识别方法，该方法包括对驾驶员的驾驶意图进行分类，将驾驶员的驾驶意图分为五个类别，即紧急车道向左改变、普通车道向左改变、保持车道、正常车道向右更改以及紧急车道向右更改。此外，该方法包含获取和处理实验数据、算法的离线训练以及识别驾驶员的驾驶意图。根据该方法，完全考虑了人行道路系统，获取了来自车辆、道路和驾驶员的信息项，使用了算法，并且提高了行车道变更意图识别模型的准确性和最新性。
7.kr 2017/0 083 233 a公开了一种驾驶员辅助系统，该驾驶员辅助系统使用基于地图的运动对象的运动意图的确定。驾驶员辅助系统包括具有测距传感器的传感器单元和用于获得关于车辆周围的移动物体的信息项的gps。此外，驾驶员辅助系统包括：用于从存储装置收集要用于驾驶的地图的地图信息收集单元以及用于通过安装在车辆上的环境传感器获取周围的运动物体状态信息的运动物体信息测量单元、用于获取自我车辆的状态信
息项的车辆状态测量单元和运动对象意图确定单元。


技术实现要素：

8.示意性实施例等提供了一种用于确定机动车辆的驾驶路线的方法，该方法在不评估各个驾驶员信息项的情况下进行管理。
9.这可以通过一种方法来实现，根据该方法，基于先前获取的车队数据确定至少两个变化概率，每个变化概率代表机动车辆在交叉点处从一条道路到另外两条道路中的一条的一次改变，为交叉点分配包含变化概率的变化矩阵，其中，考虑变化矩阵来确定驾驶路线。
10.应当注意的是在以下描述中单独阐述的特征和措施可以以任何技术上合理的方式彼此组合，并且公开了本发明的其他实施例。该描述另外特别是结合附图来表征和指定说明性的非限制性实施例。
11.根据本发明，不基于例如从学习驾驶路线或驾驶员的行为获得的个人数据来确定驾驶路线，而是可以完全脱离对单个驾驶员行为、个人意图的任何参考或对驾驶员的另一种形式的参考。这与开始时引用的现有技术有所不同，因为使用根据本发明的方法获得了去个性化的数据，这使得能够在数据库(例如数据云端)的更高层次上对知识进行宏观表示(作为车队表示)，与开始时引用的现有技术中描述的微观表示(其集中于一个驾驶员或驾驶车辆的一系列驾驶员并且因此需要敏感的个人数据)相反。
12.另外，可以将所获取的数据以块的形式发送到数据库并且以随机间隔随机化，从而不可能重建数据产生的顺序。这也不同于开始时引用的现有技术中描述的方法，该方法基于学习如何生成数据的序列以便生成用于预测算法的模式。
13.可以使用仅基于(如果需要)统计信息项(车队数据)的预测算法，而无需从数据中学习或提取特定驾驶员的行为。由于没有学习到特定驾驶员的行为，因此预测算法基于驾驶员的实际动作进行迭代操作，其中预测算法可以更新驾驶范围中的路点。这是与现有技术的另一不同之处，由于未预测驾驶最终目的地，而是预测了驾驶路线的一部分(即路点)。一旦驾驶员接近预测范围的边缘，就可以确定新的范围。此外，然后可以确定新的驾驶路线。当机动车辆行驶后关闭时，可以停止该过程。然后无法进行事件的存储或学习。
14.因此，可以提供一种用于改善机动车辆的驾驶系统的行为的优化的预测方法，其中该方法包括观察车队行为以便产生合理的预测。该方法使得能够产生驾驶员的可能的目的地wpx的阵列，而不是作为驾驶的最终目的地，而是作为驾驶范围h(wpx)，这使得能够规划用于机动车辆的驾驶系统的控制策略。这使得能够在不使用个人数据的情况下预测驾驶员的意图，并且将该预测用于产生用于辅助规划驾驶控制策略的驾驶轨迹。该计划包括例如对传动系统功能的控制，例如柴油发动机中颗粒过滤器的再生。在这种情况下，有利的是使用驾驶员的意图预测来识别驾驶范围内的最佳点或路线，在该最佳点或路线上将触发或进行颗粒过滤器的再生。在当前行驶的驾驶范围内没有(即无法识别出)最佳点或路线的情况下，检查颗粒过滤器的状态(例如，烟灰负荷、最后一次成功再生的时间)，以便可以确定是否将次优点用于再生，或者确定是否可以或能够在新的驾驶范围内等待新的预测。在具有lnt(稀薄nox捕集器)的柴油发动机中可以看到另一个示例，其中，基于驾驶员意图的预测，将对lnt的冲洗策略进行调整，目标是优化lnt中的nox转化
‑
燃料消耗比。当然，对驾驶
员意图的预测的使用不限于所提及的示例，即用于柴油发动机或内燃发动机。例如，在具有增程器的电动车辆(增程式电动车，reev)中，更好的规划可以在内燃发动机的协助下优化调整电池的充电策略。例如，可以将在环境区域之外和/或在驾驶范围内具有合适的速度分布的点或路线识别为用于在内燃发动机方面辅助电池充电的最佳点或路线。
15.在较高的数据级别中，该数据级别是单独布置的数据库的基础级别，例如数据云端，其中存储的信息项只能是机动车辆在交叉点处的动作计数，其中仅存储执行该动作的机动车辆类型的指示。机动车辆在交叉点处的动作以“来自路线段a
–
进入路线段b”的形式给出，并且以条件概率的形式存储在较高数据级别的图形数据库中。可以存储在数据库中的其他信息项可能与路线段的行驶方式有关，包括例如速度、挡位变化、排放、功耗等驾驶参数。这些信息项也可以未链接到个人数据，并且可以仅与机动车辆类型有关。
16.说明性实施例可以使用图形数据库以便为预测方法分配信息项(数据)。此外，实施例包括用于评估驾驶员意图的预测方法，该预测方法可以仅基于统计车队信息项，而不基于单个驾驶员信息项，并且该预测方法可以使用数据库拓扑给出的查询算法。
17.根据一个实施例，从地理数据确定在起始位置和目的地位置之间存在的道路和交叉点。
18.另一实施例提供了在经过交叉点之后，确定机动车辆是否位于确定的驾驶路线上，并且如果机动车辆不再位于确定的驾驶路线中，则确定新的驾驶路线。如果机动车辆不再位于确定的驾驶路线上，则可以计算出一组新的通往路点的驾驶路线并且可以更新路点的概率，以便确定新的最可能路点。
19.以上内容可以通过一种系统来实现，该系统包括由机动车辆组成的车队和可连接至机动车辆的至少一个单独设置的数据库。
附图说明
20.在从属权利要求和附图的以下描述中公开了本发明的其他实施例。在附图中：
21.图1示出了用于地理区域、图形结构及其描述的示例性实施例的示意图；
22.图2示出了图1所示的图形结构的另一示意图；
23.图3示出了图1所示的图形结构的另一示意图；
24.图4示出了图1中所示的图形结构的另一示意图；
25.图5示出了图1中所示的图形结构的另一示意图；
26.图6示出了图1所示的图形结构的另一示意图；
27.图7示出了图1所示的图形结构的另一示意图；
28.图8示出了图1所示的图形结构的工作日概况的示意图；以及
29.图9示出了图1所示的图形结构的周末概况的示意图。
具体实施方式
30.根据需要，本文公开了本发明的详细实施例；然而，应当理解的是所公开的实施例仅仅是本发明的示例，其可以以各种替代形式来体现。这些附图不一定按比例绘制；一些特征可能被放大或最小化以显示特定部件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅仅是作为教导本领域技术人员以各种方式使用本发明的表示基
础。
31.图1示出了用于地理区域(图1中的左侧)、图形结构s(θ)(图1的中部)及其描述(图1中的右侧)的示例性实施例的示意图。数据库结构可以是图形数据库的云端实施，其中数据通道可被激活以在机动车辆和数据库结构之间交换信息项。该数据库结构可以以多层实施方式映射在机动车辆的控制单元或机动车辆驾驶员的便携式计算机(pda)中。
32.数据库的基本结构是地理区域，该地理区域在图1的左侧示出，以及在图1的中间示出的图形结构s(θ)被映射，如图1右侧所示特别地由参数βx来描述。结构s(θ)包括形成图形网格的两个拓扑元素，即交叉点j
x
(即连接道路的点)和道路s
x
，其中术语“道路”应理解为两个交叉点之间的任何可行驶路径。此外，基本结构s(θ)包括描述参数β
x
，该描述参数βx描述交叉点、道路及它们在物理上和行为方面的相互作用。这种参数的示例是地理坐标、行驶方向、车辆密度、(可能的)平均速度、平均排放量、功耗、污染物排放量和其他相关值。
33.派生变化矩阵p(j
x
)链接到结构s(θ)，派生变化矩阵p(j
x
)描述了一条道路与另一条道路之间通过交叉点的过渡。元素为条件概率的变化矩阵如下表所不：
34.p(j
x
)s
x1
s
x2
s
x3
…
s
xn
s
x1
s
x1
|s
x1
s
x1
|s
x2
s
x1
|s
x3
…
s
x1
|s
xn
s
x2
s
x2
|s
x1
s
x2
|s
x2
s
x2
|s
x3
…
s
x2
|s
xn
s
x3
s
x3
|s
x1
s
x3
|s
x2
s
x3
|s
x3
…
s
x3
|s
xn
………………
s
xn
s
xn
|s
x1
s
xn
|s
x2
s
xn
|s
x3
…
s
xn
|s
xn
35.因此，例如，p(s
x3
|s
x2
)是从道路s
x2
出来并且通过交叉点j
x
改变为道路s
x3
的概率。
36.此外，派生驾驶路线链接到结构s(θ)，该派生驾驶路线是描述驾驶路径的一组n个交叉点和n
‑
1条道路。该派生驾驶路线被驾驶的概率为p：
[0037][0038]
这样，一旦建立了数据库的结构，该数据库就用关于机动车辆在交叉点处的动作的信息项(来自路线段a
‑
进入路线段b)和一些关于机动车辆在驾驶路线段的行为的统计信息项来填充。这些信息项不包含个人数据，也没有参考个人或特定的机动车辆。唯一参考了提供数据的机动车辆类型。为了改善匿名性，数据以随机的时间间隔传输到数据库(云端)并且随机化，因此没有如何生成数据的序列。
[0039]
预后方法使用来自数据库的信息项，以便基于车队数据生成一系列可能的驾驶路线，并且提供此结果(驾驶路线)以进行进一步分析。该结果表示对驾驶员意图的预测，并且可以如下进行估计。基本操作是计算从道路p(s_actual
x
)接近交叉点j
x
时进入道路s_next
x
的概率p(s_next
x
)。等式1表示了这一点：
[0040][0041]
由于围绕起始点s
x
定义了驾驶范围(horizon
x
)，因此该驾驶范围周围的交叉点定义了路点wp
x
。从起始点到每个路点的每组道路和交叉点都在驾驶范围中定义了驾驶路线。
[0042]
因此，该目标包括准备将起始点s
x
连接到每个路点wp
x
的驾驶路线，并且沿着各个
定义的驾驶路线以迭代形式应用等式1直至该路点。这提供了到达始于s
x
的各个路点的概率。因此，驾驶员的意图或预测是驾驶路线的集合，在特定的驾驶范围中，其路点具有较高的概率。
[0043]
也就是说，对于一个起始点s
x_r
(0)和一个路点wp
x1
，这是的元素，驾驶路线r
x1
定义为：
[0044]
r
x1
＝[(j
x_r1
(1),...,j
x_r1
(n)),(s
x1
(0),...,s
x_r1
(n
‑
1))]
[0045]
以及
[0046]
wp
x1
＝j
x_r1
(n)。
[0047]
等式1的迭代应用和在wp
x1
方向上中的这些元素的考虑提供了：
[0048]
p(j
x_r1
(1))
·
p(s
x1
(0))＝p(s
x_r1
(1))
[0049]
p(j
x_r1
(2))
·
p(s
x_r1
(1))＝p(s
x_r1
(2))
[0050]
p(j
x_r1
(n))
·
p(s
x_r1
(n
‑
1))＝p(s
x_r1
(n))
[0051]
以及
[0052]
p(r
x1
)＝p(s
x_r1
(n))
[0053]
通过在定义的范围内对每个路点{wp
x1
,wp
x2
,...,wp
xn
}以及相应的驾驶路线{r
x1
,r
x2
,...,r
xn
}应用该方法，计算所有路点的概率。如已经提到的，预测包括选择具有较高概率p(r
x
)的这些路点，并且将其驾驶路线r
x
视为驾驶员的可能意图。
[0054]
机动车辆一接近范围的边界，就会在要接近的节点(一个路点)周围设置新的范围，并且根据整个方法再次计算新的路点。
[0055]
该方法计算从起始点到范围边缘的每个路点的概率。到路点wp
x
的驾驶路线r
x
的准备可以多种方式进行。一种可能性是使用相同的统计方法，该方法基于交叉点的变化矩阵，其中考虑了从起始点到路点的所有可驾驶路线并且仅考虑了驾驶概率最高的驾驶路线。然后，也使用相同的方法来确定与各个路点相关联的每条驾驶路线。
[0056]
用于确定驾驶路线的其他方法考虑了数据库中有关车队行为的可用信息项。例如，在计算与路点相关的驾驶路线时，可以考虑诸如最小距离、最小平均功率/燃料消耗、最大平均速度、最小排放等标准。这些信息项已经包含在图形数据库中存储的路线段的信息项中。
[0057]
如已经提到的，该方法被迭代地重复以便准备新的范围、新的路点和新的驾驶路线，直到车辆停止并且被关闭为止。没有知识按顺序存储或学习。
[0058]
唯一传输的信息是更新数据库所需的信息。为了确保匿名性，这可以以各种方式发生。一种可能性是以随机时间(或距离)间隔更新数据库。在这种情况下，存储的数据将被随机化、加密并且发送到数据库。因此，确保丢失了数据生成的顺序并且将其与到特定驾驶员的任何连接分开。一旦存储在数据库中，就根据相应的路线段和交叉点存储数据，从而更新结构。
[0059]
该方法的结果(即以驾驶路线的形式对驾驶员意图的预测)使得能够产生用于计划控制策略的行驶轨迹。通过沿着预测的驾驶路线从数据库中提取信息项，可以为排放、燃料/动力消耗和速度(与废气后处理的功能相关)准备轨迹。同时，通过数据库的复制有可能实现数据粒度。例如，一天中的时间、一周中的一天、一个季节提高了驾驶员意图的预测和轨道的预测的准确性。
[0060]
图2所示的结构s(θ)基于两个主要元素(即交叉点(a、b、...)和道路(s1、s2、...))以及作为一系列的交叉点和道路的两个派生元素(即变化矩阵(pa、pb、...)和路线(r1、r2、
…
))。基于从道路到道路的过渡为每个交叉点定义变化矩阵px。
[0061]
例如，交叉点e和变化矩阵pe的s3|s1定义了来自道路s1的驾驶员将在交叉点e上进入道路s3的条件概率。变化矩阵pe具有以下结构：
[0062]
pes1s2s3s4s1s1|s1s1|s2s1|s3s1|s4s2s2|s1s2|s2s2|s3s2|s4s3s3|s1s3|s2s3|s3s3|s4s4s4|s1s4|s2s4|s3s4|s4
[0063]
假设驾驶员从如图3所示道路s1中任何点向交叉点e方向出发并且存在以下变化矩阵pe：
[0064]
pes1s2s3s4s100.60.20.6s20.300.20.2s30.20.300.2s40.50.10.60
[0065]
在交叉点e处进入特定道路的概率由下式定义：
[0066][0067]
也就是说，假若来自道路s1的概率为100％，则进入道路s2的概率为30％，进入道路s3的概率为20％，进入道路s4的概率为50％。
[0068]
在通过交叉点之后确定驾驶员已经做出了预测的决定或已经在该交叉点处进入了预测的道路之后，重复该方法直到下一个交叉点并且计算在下一个交叉点处进入相应道路的概率。例如，驾驶员(如图4所示)沿着道路s4行驶，并且以以下变化矩阵ph向交叉点h行驶：
[0069]
phs4s5s6s7s40.10.10.40.5s50.200.20.2s60.20.200.2s70.50.70.40.1
[0070]
在下文中，讨论了驾驶路线和驾驶员范围的路点的属性和功能。
[0071]
如图5所示，如果围绕道路s1上的起始点在交叉点e行驶方向上定义直径为x km(或其他形式)的区域，可以在所定义区域的边界处定义路点阵列(w1、w2、
…
)，该区域描述驾驶员的范围。为每个路点定义了到达路点的概率。此外，定义了到每个路点的驾驶路线(r1、r2、...)的行驶特性。
[0072]
例如，图5中的r1定义了到路点w1的驾驶路线，该驾驶路线由交叉点e和h以及道路
s4和s7组成，而r3定义了到路点w3的驾驶路线，该驾驶路线由交叉点e、f和i以及道路s2、s10和s11组成。
[0073]
路点w3和路点w1的概率计算基于上述迭代方法。对于给定的示例，沿路点w1的方向移动的概率(从道路s1开始沿行驶方向e并且沿r1方向移动)定义为：
[0074][0075]
沿路点w1方向的移动的概率为25％。该方法将应用于所有路点。该过程是迭代的，因为驾驶员信息项被更新，例如范围h(w
x
)不是固定的范围，而是虚构的范围。
[0076]
驾驶路线是从起始点到路点的任何可能路径，在当前情况下，是从交叉点b到路点w1至w5的任何可驾驶路径。对于每条驾驶路线，基于来自图形数据库的统计数据，计算从交叉点b到达每个路点w的概率。在构建驾驶路线(从起始点到目的地点)时，可以基于数据库中的数据存储考虑各种标准。例如，可以考虑以下命令：基于到路点的最小距离或最小污染物排放量或最小功耗或最大可驱动速度(不是规定的速度限制，而是基于统计信息可行驶速度)或基于相同的交叉点统计量构建驾驶路线。
[0077]
如果机动车辆在交叉点e处的动作如所预测的那样，如图6所示，则到路点w1的预测驾驶路线仍然是主要路线并且没有任何变化。如果机动车辆在交叉点e处的动作不如所预测的那样，如图7所示，则到路点w1的预测驾驶路线不是主要路线，并且根据图7到作为最可能的路点的路点w3的驾驶路线也不是主要路线，因此必须进行新的计算，其中，根据在图7中，现在将交叉点e用作交叉点g方向上的起始点。沿从交叉点e到每个路点的驾驶路线计算路点的概率，并且具有最高的概率的路点(例如w5和w1)在计算驾驶条件时要考虑。
[0078]
所描述的方法可以根据类别或轮廓以冗余形式应用，上述类别或轮廓基于一组相关参数描述驾驶行为。例如，两个主要参数可以帮助准备类别，即主要参数“一天中的时间”和“一周中的一天”。然而，该列表不是穷举的并且可以考虑其他参数，例如“一年中的月份”、“车辆类型”等。该方法的相应概况在图8至图9中示出。
[0079]
可以提供连接的服务级别(云端)。在此级别上，信息项基于车队数据，这些数据是匿名的并且不会跟踪单个驾驶员的行为。车队数据用于车队的统计表征和车队驾驶概况的准备：
[0080][0081]
该描述方法发生在全球范围内并且进行概括。
[0082]
此外，可以提供本地服务级别(机动车辆)。在此级别上，信息项基于包含车辆数据的变换t在profile_fleet中的集合的映射。这样，通过变换t在与profile_fleet相同的范围内细化车队概况，从而生成profile_vehicle。例如在多个用户共同使用的出租机动车辆或机动车辆中就是这种情况。动作域被保留给机动车辆，而没有与云端的反馈交互，并且仅存在来自云端的新集合profile_fleet的请求。
[0083]
此外，可以提供个人服务等级(个人设备)。在此级别，驾驶员允许与profile_fleet交互，并且映射t也发生。在最后一种情况下，可以知道驾驶员的意图(目的地)，并且变换t可以涉及描述即将到来的范围h
1...n
(w
rx
)的所选择的驾驶路线rx。交互域被保留用于
机动车辆和移动个人设备之间的通信。
[0084]
尽管上面描述了示例性实施例，但并不意味着这些实施例描述了本发明的所有可能形式。而是，说明书中使用的词语是描述性的词语而不是限制性的词语，并且应当理解的是可以在不脱离本发明的精神和范围的情况下进行各种改变。另外，各种实施例的特征可以组合以形成本发明的其他实施例。