用于解释交通信号和协商信号化的交叉路口的方法和系统技术方案

提供了用于车辆解释交通信息的系统和方法。在一实施例中，一种方法包括：处理器接收来自车辆的一个或多个感测设备的传感器数据，其中传感器数据描绘车辆的环境中的交通设备；处理器接收与车辆的环境相关的地图数据，其中地图数据包括交通设备；处理器将传感器数据的交通设备与地图数据的交通设备进行匹配；处理器基于隐马尔可夫模型(HMM)确定与匹配的交通设备相关的交通信号的概率分布；以及处理器基于概率分布来计划车辆的控制。

【技术实现步骤摘要】
用于解释交通信号和协商信号化的交叉路口的方法和系统
本公开总体上涉及车辆，更具体地涉及调节车辆交通流量的交通信号的检测和解释。
技术介绍
自主车辆是能够在没有或几乎没有用户输入的情况下感知其环境并导航的车辆。自主车辆使用诸如雷达、激光雷达、图像传感器等之类的感测设备来感测其环境。自主车辆系统还使用来自全球定位系统(GPS)技术、导航系统、车辆对车辆通信、车辆对基础设施技术和/或线控驾驶系统的信息来导航车辆。尽管自主车辆和半自主车辆提供了优于传统车辆的许多潜在优势，但是在某些情况下，可能需要改善车辆的操作。例如，自主车辆使用一个或多个感测设备来检测交通设备。自主车辆还确定从交通设备发出的交通信号。为了规划车辆的路线，自主车辆必须知道检测到的交通设备涉及哪个车道，并且必须知道交通设备的当前交通信号或状态(例如红灯、绿灯、黄灯、绿箭头等)。在某些情况下，相关车道和/或当前交通信号的确定是不准确的。因此，期望提供用于检测和解释交通设备的交通信号的改进的系统和方法。进一步期望提供用于确定与所确定的交通信号相关的车道的改进的系统和方法。此外，结合附图以及前述
和
技术介绍
，根据随后的详细描述和所附权利要求，本公开的其他期望特征和特性将变得显而易见。
技术实现思路
提供了用于车辆解释交通信息的系统和方法。在一实施例中，一种方法包括：处理器接收来自车辆的一个或多个感测设备的传感器数据，其中传感器数据描绘车辆的环境中的交通设备；处理器接收与车辆的环境相关的地图数据，其中地图数据包括交通设备；处理器将传感器数据的交通设备与地图数据的交通设备进行匹配；处理器基于隐马尔可夫模型(HMM)确定与匹配的交通设备相关的交通信号的概率分布；以及处理器基于概率分布来计划车辆的控制。在各个实施例中，该方法包括：基于推断模型来确定与匹配的交通设备相关的另一交通信号的概率分布。在各个实施例中，隐马尔可夫模型包括扩散模型。在各个实施例中，扩散模型基于时间将扩散值应用于信号状态矩阵。在各个实施例中，扩散模型还基于状态转换模型将扩散值应用于信号状态矩阵。在各个实施例中，隐马尔可夫模型包括测量模型。在各个实施例中，测量模型基于交通信号的检测到的信号状态将测量值应用于信号状态矩阵。在各个实施例中，该方法包括：基于地图数据来确定与匹配的交通设备相关的交叉路口信息，并且其中概率分布基于交叉路口信息。在各个实施例中，交叉路口信息包括与匹配的交通设备相关的车道段和车道到车道连接中的至少一个。在各个实施例中，该方法包括：确定是否从传感器数据中检测到交通信号，其中，当检测到交通信号时，确定概率分布基于测量模型，并且其中，当未检测到交通信号时，确定概率分布基于扩散模型。在另一实施例中，一种系统包括：地图数据存储，其存储与车辆的环境相关的地图数据，其中地图数据包括交通设备；生成传感器数据的感测设备，其中传感器数据描绘车辆的环境中的交通设备；控制模块，其配置为处理器将传感器数据的交通设备与地图数据的交通设备进行匹配，基于隐马尔可夫模型(HMM)确定与匹配的交通设备相关的交通信号的概率分布，以及基于概率分布来计划车辆的控制。在各个实施例中，控制模块还配置为基于推断模型来确定与匹配的交通设备相关的另一交通信号的概率分布。在各个实施例中，隐马尔可夫模型包括扩散模型。在各个实施例中，扩散模型基于时间将扩散值应用于信号状态矩阵。在各个实施例中，扩散模型还基于状态转换模型将扩散值应用于信号状态矩阵。在各个实施例中，隐马尔可夫模型包括测量模型。在各个实施例中，测量模型基于交通信号的检测到的信号状态将测量值应用于信号状态矩阵。在各个实施例中，控制模块还配置为基于地图数据来确定与匹配的交通设备相关的交叉路口信息，并且其中概率分布基于交叉路口信息。在各个实施例中，交叉路口信息包括与匹配的交通设备相关的车道段和车道到车道连接中的至少一个。在各个实施例中，控制模块还配置为确定是否从传感器数据中检测到交通信号，其中，当检测到交通信号时，控制模块确定概率分布基于测量模型，并且其中，当未检测到交通信号时，控制模块确定概率分布基于扩散模型。附图说明在下文中，将结合以下附图描述示例性实施例，其中相同的标号表示相同的元件，并且其中：图1是示出根据各个实施例的具有解释系统的自主车辆的功能框图；图2是示出根据各个实施例的包括解释系统的自主驾驶系统的数据流程图；图3是示出根据各个实施例的解释的数据流程图；图4是根据各个实施例的示例性交叉路口和检测到的交通设备的图示；以及图5、6和7是示出根据各个实施例的可以由解释系统执行的解释方法的流程图。具体实施方式以下详细描述本质上仅是示例性的，并不旨在限制应用和使用。此外，无意受到在先前
、
技术介绍
、
技术实现思路
或以下详细描述中提出的任何明示或暗示的理论的约束。如本文所使用，术语“模块”是指任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器设备，单独地或以任何组合，包括但不限于：专用集成电路(ASIC)、电子电路、处理器(共享、专用或组)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所描述的功能的其他合适部件。这里可以根据功能和/或逻辑块部件以及各种处理步骤来描述本公开的实施例。应当理解，可以通过配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现这样的块部件。例如，本公开的实施例可以采用各种集成电路部件，例如存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。另外，本领域技术人员将理解，可以结合任何数量的系统来实践本公开的实施例，并且本文描述的系统仅仅是本公开的示例性实施例。为了简洁起见，与信号处理、数据传输、信令、控制和系统的其他功能方面(以及系统的各个操作部件)有关的常规技术在这里可以不进行详细描述。此外，本文包含的各个附图中所示的连接线旨在表示各个元件之间的示例性功能关系和/或物理联接。应当注意，在本公开的实施例中可以存在许多替代或附加的功能关系或物理连接。参照图1，根据各个实施例，总体以100示出的解释系统与车辆10相关。通常，解释系统100处理由设置在车辆10周围的一个或多个感测设备提供的数据(如将在下面更详细地讨论)，以检测车辆10的环境中的交通设备。然后，解释系统100解释检测到的交通设备的当前交通信号(例如红灯、绿灯、黄灯、绿色箭头、红色闪烁、黄色闪烁等)。在各个实施例中，解释系统100利用隐马尔可夫模型(HMM)生成交通信号的定义状态的概率分布。在各个实施例中，概率分布可以包括任何数量的状态。为了便于讨论，定义状态可包括但不限于红色状态、黄色状态、绿色状态、黄色闪烁状态、红色闪烁状态、绿色闪烁状态、绿色箭头状态等。在各个实施例中，自主车辆10使用概率分布来做出关于在环境中导航车辆10的决策。如图1所示，车辆10通常包括底盘12、主体本文档来自技高网...

【技术保护点】
1.一种用于车辆解释交通信息的方法，包括：/n处理器接收来自车辆的一个或多个感测设备的传感器数据，其中传感器数据描绘车辆的环境中的交通设备；/n处理器接收与车辆的环境相关的地图数据，其中地图数据包括交通设备；/n处理器将传感器数据的交通设备与地图数据的交通设备进行匹配；/n处理器基于隐马尔可夫模型(HMM)确定与匹配的交通设备相关的交通信号的概率分布；以及/n处理器基于概率分布来计划车辆的控制。/n

【技术特征摘要】
20190220 US 16/280,1521.一种用于车辆解释交通信息的方法，包括：
处理器接收来自车辆的一个或多个感测设备的传感器数据，其中传感器数据描绘车辆的环境中的交通设备；
处理器接收与车辆的环境相关的地图数据，其中地图数据包括交通设备；
处理器将传感器数据的交通设备与地图数据的交通设备进行匹配；
处理器基于隐马尔可夫模型(HMM)确定与匹配的交通设备相关的交通信号的概率分布；以及
处理器基于概率分布来计划车辆的控制。


2.根据权利要求1所述的方法，还包括基于推断模型来确定与匹配的交通设备相关的另一交通信号的概率分布。


3.根据权利要求1所述的方法，其中，所述隐马尔可夫模型包括扩散模型。


4.根据权利要求3所述的方法，其中，所述扩散模型基于时间将扩散值应用于信号状态矩阵。


5.根据权利要求4所述的方法，其中，所述扩散模型还基于状态转换模型将扩散值应用于信号状态矩阵。


6.根据权利要求1...

【专利技术属性】
技术研发人员：LA布什，MA洛什，A马尼，
申请(专利权)人：通用汽车环球科技运作有限责任公司，
类型：发明
国别省市：美国;US