预测物体的移动意图专利检索-曲折线迹纺织设备及加工专利检索查询-专利查询网

预测物体的移动意图

阅读：465发布：2020-05-23

专利汇可以提供预测物体的移动意图专利检索，专利查询，专利分析的服务。并且本公开提供了“预测物体的移动意图”。本公开涉及用于预测物体的移动意图的方法、系统和计算机程序产品。在一个方面，移动机器人从经过行人轨迹数据和地标接近度来预测行人的移动意图。在另一方面，主移动机器人使用不同驾驶行为的运动分析模型来预测其他机器人/车辆的移动意图，所述驾驶行为包括曲线通过、曲折运动、快速加速 /减速和追尾。在又一方面，移动机器人可以自预测移动意图并与周围机器人/车辆共享移动意图信息(例如，通过车辆对车辆(V2V)通信)。，下面是预测物体的移动意图专利的具体信息内容。

权利要求

1.一种由移动机器人执行的方法，所述方法包括：
在所述移动机器人的一个或多个传感器的范围内检测物体的移动；
将所述移动分类为来自操纵集的选定的操纵；
基于对应于所述选定的操纵的模型而预测所述物体的移动；以及
调整所述移动机器人的部件以处理所述预测的移动。
2.如权利要求1所述的方法，其中所述选定的操纵包括曲线通过操纵；
其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于曲线通过操纵模型而预测所述物体意图切入所述移动机器人的路径中。
3.如权利要求2所述的方法，所述方法还包括：
从传感器数据确定道路车道的曲率半径和宽度；以及
从所述曲率半径和与所述道路车道相关联的速度极限确定所述物体的横向加速度；
其中预测所述物体意图切入所述移动机器人的所述路径中包括基于所述计算的横向加速度和所述确定的宽度而预测所述物体意图切入所述移动机器人的所述路径中。
4.如权利要求1所述的方法，其中所述选定的操纵包括曲折操纵；
其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于曲折操纵模型而预测所述物体意图切入所述移动机器人的所述路径中。
5.如权利要求4所述的方法，所述方法还包括：
监测在一段时间内所述物体从道路车道的参考位置的位移；以及
确定从所述参考位置的位移变化；
其中预测所述物体意图切入所述移动机器人的所述路径中包括基于所述计算的位移变化超过阈值而预测所述物体意图切入所述移动机器人的所述路径中。
6.如权利要求5所述的方法，其中所述阈值是以下一者或多者的函数：所述物体的速度、所述物体的轮胎道路摩擦系数、所述物体的质量或所述物体的横摆转动惯量。
7.如权利要求1所述的方法，其中所述选定的操纵包括加速度操纵的改变；
其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于加速度操纵模型的改变而预测所述物体意图在所述移动机器人前面突然停下。
8.如权利要求7所述的方法，所述方法还包括：
确定在一段时间内所述物体与所述移动机器人之间的距离；以及
基于所述测量的距离的改变而确定所述物体的加速度的变化；
其中预测所述物体意图在所述移动机器人前面突然停下包括基于所述计算的加速度变化和所述移动机器人的速度而预测所述物体意图在所述移动机器人前面突然停下。
9.如权利要求8所述的方法，其中确定所述物体的加速度的所述变化包括确定所述物体的加速度或减速度中的一个或多个的改变率并未持续地向所述移动机器人提供足够的时间来进行制动以避免与所述物体接触。
10.如权利要求1所述的方法，其中所述选定的操纵包括追尾操纵；
其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于追尾操纵模型而预测所述物体意图接触所述移动机器人的后部。
11.如权利要求10所述的方法，所述方法还包括：
确定在一定时间段内所述物体与所述移动机器人之间的相对距离；以及确定在所述时间段的至少一些部分内所述相对距离小于期望的距离阈值；
其中预测所述物体意图接触所述移动机器人的所述后部包括基于所述相对距离小于所述期望的距离阈值而预测所述物体意图接触所述移动机器人的所述后部。
12.如权利要求11所述的方法，其中所述期望的距离阈值是以下一者或多者的函数：所述物体的速度、所述物体的轮胎道路摩擦系数、所述物体的质量或所述物体的横摆转动惯量。
13.一种由移动机器人自预测未来移动的方法，所述方法包括：
监测所述移动机器人的配置的一个或多个方面；
从所述一个或多个监测的方面确定操作值；
将所述操作值与所述移动机器人的操作极限进行比较；
基于所述比较而预测所述移动机器人的移动；以及
在所述移动机器人的通信范围内将所述预测的移动传达到一个或多个其他移动机器人。
14.如权利要求13所述的方法，其中监测所述移动机器人的所述配置的一个或多个方面包括监测所述移动机器人的轮胎和车轮力，所述轮胎和车轮力指示所述轮胎与地面之间的相对运动；
其中从所述监测的方面确定操作值包括从所述监测的轮胎和车轮力确定轮胎打滑值；
并且
其中将所述操作值与所述移动机器人的所述操作极限进行比较包括将所述轮胎打滑值与指示所述轮胎与所述地面之间的附着极限的操控极限进行比较。
15.如权利要求14所述的方法，其中将所述轮胎打滑值与操控极限进行比较包括确定所述轮胎打滑值超过所述操控极限；
其中预测所述移动机器人的所述移动包括基于确定所述轮胎打滑值超过所述操控极限而预测所述移动机器人将打滑。

说明书全文

预测物体的移动意图

技术领域

[0001] 本公开总体上涉及移动机器人的领域，并且更具体地，涉及预测移动机器人和移动机器人周围的其他物体的移动意图。

背景技术

[0002] 当诸如自主车辆和个人移动装置的移动机器人导航到目的地时，移动机器人可以试图预测它们周围事物(包括行人和其他机器人/车辆)的移动意图。然而，用周围事物的有限信息，移动机器人可能难以一致地预测移动意图。当移动机器人未能适当地预测移动意图时，可能会出现不安全和/或危险的情况。例如，当移动机器人未能预测周围车辆和行人的移动意图(诸如误解交通信号并突然穿过十字路口)时，可能会发生道路事故。发明内容

[0003] 本发明描述了一种预测周围行人、车辆和自主车辆的意图的系统。所述系统使用雷达、激光雷达和相机并且通过接收车辆对车辆(V2V)和车辆对基础设施(V2I)消息来感测其周围事物。跟踪行人移动并将其输入到预测模型中。具体地，跟踪包括行人的边界框的移动。行人轨迹数据和地标接近度用来预测未来意图，诸如行人将在何地穿过十字路口。对于车辆(人类驾驶员和自主驾驶员)，计算动作描述指数(ADI)。将运动分配到各种分类，包括：通过弯曲道路、曲折驾驶、猛加速或制动以及追尾。对于每个ADI，使用对应于该ADI的模型来预测意图。对移动的预测还基于对车辆的操控极限的预测和基于控制输入的预测。
附图说明

[0004] 参考以下描述和附图将更好地理解本公开的具体特征、方面和优点，在附图中：

[0005] 图1示出了计算装置的示例框图。

[0006] 图2A和图2B示出了便于预测移动机器人周围的物体的移动意图和自预测移动意图的示例移动机器人。

[0007] 图3示出了用于预测移动机器人周围的物体的移动意图的示例方法的流程图。

[0008] 图4示出了用于预测移动机器人的移动意图的示例方法的流程图。

[0009] 图5示出了道路上的移动机器人的示例。

[0010] 图6示出了通过曲线的移动机器人的示例。

[0011] 图7示出了用于预测通过曲线的移动机器人的移动意图的示例等式。

[0012] 图8示出了用于预测呈现曲折行为的移动机器人的移动意图的示例等式。

[0013] 图9示出了用于预测呈现猛加速和猛制动行为的移动机器人的移动意图的示例等式。

[0014] 图10示出了用于预测呈现追尾行为的移动机器人的移动意图的示例等式。

[0015] 图11示出了平均输入相对于速度的示例阈值曲线图。

[0016] 图12A和图12B示出了检测并预测行人的移动意图的示例。

[0017] 图13示出了用于移动机器人检测周围机器人和行人意图的示例数据流。

具体实施方式

[0018] 本公开涉及用于预测物体的移动意图的方法、系统和计算机程序产品。

[0019] 本公开的各方面分析周围行人和机器人/车辆的行为以预测它们的移动意图。在一个方面，移动机器人预测行人的移动意图。在移动机器人处，传感器收集用来识别和跟踪行人的传感器数据。应用计算机视觉算法以识别每个行人的边界框。经过行人轨迹数据和地标接近度用来预测行人的移动意图，诸如像行人何时在何地可能会穿过交通十字路口。

[0020] 在另一方面，主移动机器人预测其他机器人/车辆的移动意图。在主移动机器人处，传感器收集用来识别和跟踪周围机器人/车辆的传感器数据。例如，当另一个机器人/车辆在导航曲线或曲折运动时，运动分析算法可以使用传感器数据来预测另一个机器人/车辆是否可能横向(即，在车道之间)移动到主移动机器人的路径中。例如，当另一个机器人/车辆迅速地加速/加速或追尾时，运动分析算法也可以使用传感器数据来预测另一个机器人/车辆是否可能纵向(即，在同一车道中)移动到主移动机器人的路径中。

[0021] 在又一方面，移动机器人可以自预测移动意图并与周围机器人/车辆共享移动意图信息(例如，通过车辆对车辆(V2V)通信)。移动机器人处的传感器可以监测移动机器人配置的一个或多个方面，诸如像由轮胎打滑生成的轮胎/车轮力、转向角度、制动压力、节气门位置等。移动机器人可以通过将从监测的方面计算的操作值与移动机器人的操作极限(例如，轮胎与地面之间的附着极限)进行比较来预测未来移动。超过操作极限可以是对打滑、过度转向、转向不足、摆尾等的指示。移动机器人可以将预测的未来移动传达到周围机器人/车辆。

[0022] 因此，移动机器人可以包括广泛范围的感测装置。感测装置可以进行用来预测移动意图的测量。移动机器人可以包括用于感测移动机器人周围的外部环境的传感器(例如，雷达、激光雷达、激光扫描仪、相机等)。移动机器人可以包括用于感测移动机器人处的部件的运动的传感器(例如，惯性传感器、车轮速度传感器、悬架高度传感器、方向盘角度传感器、转向扭矩传感器和制动压力传感器)。移动机器人可以包括用于感测移动机器人的位置的传感器(例如，全球定位系统和导航系统)。移动机器人可以包括用于与其他车辆、移动机器人等交换通信(例如，传感器数据)的通信模块，包括车辆对车辆(V2V)通信和车辆对基础设施(V2X)通信系统。

[0023] 当移动机器人确定另一个物体(例如，车辆、另一个移动机器人、行人等)的预测的移动意图可能潜在地导致不安全和/或危险的情况时，移动机器人可以调整配置以处理预测的移动意图。例如，移动机器人可以减速、加速、转弯、变换车道、警告乘员等，以潜在地避免不安全和/或危险的情况。

[0024] 图1示出了计算装置100的示例框图。计算装置100可以用来执行各种程序，诸如本文所讨论的那些程序。计算装置100可以充当服务器、客户端或任何其他计算实体。计算装置100可以执行如本文所述的各种通信和数据传送功能，并且可以执行一个或多个应用程序，诸如本文所述的应用程序。计算装置100可以是各种计算装置中的任一种，诸如移动电话或其他移动装置、台式计算机、笔记本计算机、服务器计算机、手持式计算机、平板计算机等。

[0025] 计算装置100包括一个或多个处理器102、一个或多个存储器装置104、一个或多个接口106、一个或多个大容量存储装置108、一个或多个输入/输出(I/O)装置110以及显示装置130，所有这些都耦合到总线112。处理器102包括执行存储在存储器装置104和/或大容量存储装置108中的指令的一个或多个处理器或控制器。处理器102还可以包括各种类型的计算机存储介质，诸如高速缓存存储器。

[0026] 存储器装置104包括各种计算机存储介质，诸如易失性存储器(例如，随机存取存储器(RAM)114)和/或非易失性存储器(例如，只读存储器(ROM)116)。存储器装置104还可以包括可重写ROM，诸如快闪存储器。

[0027] 大容量存储装置108包括各种计算机存储介质，诸如磁带、磁盘、光盘、固态存储器(例如，快闪存储器)等等。如图1所描绘，特定大容量存储装置是硬盘驱动器124。各种驱动器也可以包括在大容量存储装置108中，以使得能够从各种计算机可读介质进行读出和/或向各种计算机可读介质进行写入。大容量存储装置108包括可移除存储装置126和/或不可移除介质。

[0028] I/O装置110包括允许向计算装置100输入或从计算装置100检索数据和/或其他信息的各种装置。示例I/O装置110包括光标控制装置、键盘、小键盘、条形码扫描仪、传声器、监视器或其他显示装置、扬声器、打印机、网络接口卡、调制解调器、相机、镜头、雷达、CCD或其他图像捕获装置等。

[0029] 显示装置130包括能够向计算装置100的一个或多个用户显示信息的任何类型的装置。显示装置130的示例包括监视器、显示终端、视频投影装置等。

[0030] 接口106包括允许计算装置100与其他系统、装置或计算环境以及人类交互的各种接口。示例接口106可以包括任何数量的不同网络接口120，诸如与以下各项的接口：个人局域网(PAN)、局域网(LAN)、广域网(WAN)、无线网络(例如，近场通信(NFC)、蓝牙、Wi-Fi等网络)和互联网。其他接口包括用户界面118和外围装置接口122。

[0031] 总线112允许处理器102、存储器装置104、接口106、大容量存储装置108以及I/O装置110彼此通信，以及与耦合到总线112的其他装置或部件通信。总线112表示几种类型的总线结构中的一种或多种，诸如系统总线、PCI总线、IEEE 1394总线、USB总线等等。

[0032] 在本描述和所附权利要求中，车辆可以是陆基车辆，诸如像汽车、货车、卡车摩托车、公共汽车等。车辆可以包括各种部件，诸如像轮胎、车轮、制动器、节气门、发动机、方形盘等，以便于在道路上操作。车辆可以是自主的和/或人类操作的。

[0033] 图2A和图2B示出了环境200中的示例移动机器人201。环境200包括移动机器人201以及物体221A、221B和221C。移动机器人201可以是移动自主陆基机器人并且可以包括关于计算装置100描述的部件中的任一部件。在一个方面，移动机器人201是自主车辆。移动机器人201可以携载货物和/或乘客。物体221A、221B和221C中的每一个可以是另一个移动物体，诸如像行人、骑自行车者、车辆或另一个移动机器人。

[0034] 环境200可以是和/或可以包括以下各项的互连部分：道路、十字路口、停车场、自行车道、小路、行人通道、人行横道、人行道、过道、走廊等。移动机器人201可以在环境200内移动以在环境200中从起点导航到目的地。在一个方面，环境200是多车道公路环境。移动机器人201以及物体221A、221B和221C可以在多个车道内沿相同方向行进。

[0035] 如图2A和图2B所描绘，移动机器人201包括环境传感器202、通信模块207、运动传感器208、运动部件213、移动分类器232、意图预测模块233、配置管理模块252和机器人控制系统254。环境传感器202、通信模块207、运动传感器208、运动部件213、移动分类器232、意图预测模块233、配置管理模块252和机器人控制系统254以及它们相应的部件中的每一个可以通过网络彼此连接(或作为网络的一部分)，所述网络诸如像PAN、LAN、WAN、控制器局域网(CAN)总线和甚至互联网。因此，环境传感器202、通信模块207、运动传感器208、运动部件213、移动分类器232、意图预测模块233、配置管理模块252和机器人控制系统254以及任何其他连接的计算机系统及其部件中的每一个可以创建消息相关数据并通过网络交换消息相关数据(例如，近场通信(NFC)有效载荷、蓝牙分组、互联网协议(IP)数据报以及利用IP数据报的其他更高层协议，诸如传输控制协议(TCP)、超文本传达协议(HTTP)、简单邮件传输协议(SMTP)等)。

[0036] 环境传感器202还包括相机206、激光雷达传感器203和雷达传感器204。相机206、激光雷达传感器203和雷达传感器204可以捕获环境200的图像和/或感测环境200中的其他物体(例如，物体221A、221B和221C)。环境传感器202可以捕获光谱的不同部分(包括可见光谱和红外(IR)光谱)中的图像。

[0037] 环境传感器202可以被配置为感测360度围绕移动机器人201的物体。环境传感器202可以被配置为面向不同方向，诸如像在行进方向上(例如，前面)、背离行进方向(例如，后面)以及基本上垂直于行进方向(例如，每一侧)，以提供360度覆盖。在一些方面，传感器基于移动机器人201的移动而改变取向。例如，如果移动机器人201调转方向，则面向前面的传感器可以变成面向后面的传感器，反之亦然。如果移动机器人201转弯，则面向侧面的传感器可以变成面向前面或面向后面的传感器。环境传感器202的数量和配置可以基于单独传感器的感测范围和角度以及期望导航精度(例如，在环境200内)。因此，环境传感器202可以通过感测环境200的一部分(例如，直到环境传感器202的传感器范围)来捕获环境200的该部分的传感器数据。

[0038] 移动分类器232被配置为基于在环境传感器202处捕获的传感器数据而对物体的移动进行分类。在一个方面，移动分类器232将物体的移动分类为操纵集之中的选定的操纵，诸如曲线通过行为、曲折行为、猛加速/减速行为、追尾行为等。移动分类器232可以将选定的操纵发送到意图预测模块233。

[0039] 模型271可以包括可由移动分类器232分类的每个不同操纵的模型。当移动分类器将移动分类为选定的操纵时，用于选定的操纵的模型可以从模型271发送到意图预测模块233。

[0040] 如所描绘，意图预测模块233包括物体配置监测器236和道路配置监测器234。意图预测模块233可以接收来自移动分类器232的选定的操纵和来自模型271的对应的模型。在另一方面，意图预测模块233包括用于可由移动分类器232分类的每个不同操纵的模型。基于接收到的选定的操纵，意图预测模块233可以识别对应的适当模型。

[0041] 道路配置监测器234被配置为基于在环境传感器202处捕获的传感器数据在移动机器人201沿着道路(或其他路径)移动时监测道路(或其他路径)的状况。道路配置监测器234可以基于传感器数据来监测行进方向、车道数量、十字路口、人行横道、人行道、曲线、过道、走廊等。

[0042] 物体配置监测器236被配置为基于在环境传感器202处捕获的传感器数据来监测移动机器人201周围的物体的配置。

[0043] 针对选定的操纵，意图预测模块233可以根据对应的模型并且潜在地基于物体配置和道路配置来预测物体的移动意图。预测的移动意图可以发送到配置管理模块252。配置管理模块252可以接收物体的预测的移动意图。配置管理模块252可以为移动机器人201确定配置改变以处理其他物体的预测的移动意图(例如，避免碰撞或其他不安全情况)。配置管理模块252可以将配置改变发送到机器人控制系统254。

[0044] 一般来说，机器人控制系统254包括用于移动机器人201的完全自主移动的一组集成控制系统。例如，机器人控制系统252可以包括用于控制节气门242的节气门控制系统、用于控制方向盘244和车轮241的转向控制系统、用于控制制动器243的碰撞避免系统等。机器人控制系统254可以接收来自移动机器人201的其他部件(包括配置管理模块252)的输入。基于接收到的输入，机器人控制系统254可以向运动部件213发送自动化控制253以控制移动机器人201的移动。例如，运动部件213可以发送自动化控制253以致使移动机器人201制动、减速、加速、转弯等，以便避免碰撞或其他不安全道路情况。

[0045] 通信模块207被配置为与其他物体通信，诸如车辆(例如，车辆对车辆通信)或其他计算机系统(例如，车辆对基础设施通信)。通信模块207可以接收来自其他物体的移动自预测。通信模块207可以将移动自预测发送到意图预测模块233。意图预测模块233在预测其他物体的移动时可以考虑其他物体的移动自预测。

[0046] 图3示出了用于预测移动机器人周围的物体的移动意图的示例方法300的流程图。将关于环境200中的部件和数据来描述方法300。

[0047] 方法300包括在移动机器人传感器的范围内检测物体的移动(框301)。例如，环境传感器202可以检测物体221A的移动。环境传感器202可以在传感器数据222中捕获检测到的移动。环境传感器202可以将传感器数据222发送到移动分类器232和意图预测模块233。

[0048] 物体配置监测器236可以从传感器数据222监测物体221A的配置。道路配置监测器234可以从传感器数据222监测环境200的配置(例如，移动机器人201行进的道路(或其他路径))。

[0049] 方法300包括将移动分类为操纵集之中的选定的操纵(框302)。例如，移动分类器232可以从传感器数据222检测物体221A的移动。操纵集224包括操纵224A、224B、224C等。移动分类器232可以参考操纵集224来将物体221A的移动分类为操纵224A、224B、224C等之中的选定的操纵。例如，基于传感器数据222，移动分类器232可以将物体221的移动分类为操纵224B(例如，曲线通过、曲折运动、猛加速/减速、追尾等)。移动分类器232将操纵224B发送到意图预测模块233。

[0050] 方法300包括基于对应于选定的操纵的模型来预测物体的未来移动(框303)。例如，模型271可以包括对应于操纵集224中的每个操纵的模型，包括对应于操纵224B的模型272。意图预测模块233可以访问来自模型271的模型272。意图预测模块233可以基于模型
272来制定物体221A的预测的移动意图282。在适当的情况下，意图预测模块233在制定预测的移动意图282时还可以考虑穿传感器数据222、物体221A的配置，或移动机器人201行进的道路(或其他路径)的配置。

[0051] 在另一方面，物体221B(另一个机器人/车辆)使用V2V通信将自预测281发送到移动机器人201。通信模块207可以接收来自物体221B的自预测281，并且将自预测281发送到意图预测模块233。意图预测模块233可以基于自预测281来制定物体221B的又一预测的移动意图。可选地和/或组合地，意图预测模块233可以考虑自预测281对预测的移动意图282的任何影响并且相应地进行调整。

[0052] 意图预测模块233可以将预测的移动意图282发送到配置管理模块252。配置管理模块252可以接收来自意图预测模块233的预测的移动意图282。

[0053] 方法300包括调整移动机器人部件以处理预测的未来移动(框304)。例如，配置管理模块252可以根据预测的移动意图282来制定配置改变234。配置管理模块252可以将配置改变234发送到机器人控制系统254。机器人控制系统254可以将配置改变234转化成控制253。控制253可以调整以下一者或多者：方向盘244、车轮241、节气门242或制动器243，以处理物体221A的预测的移动意图282。例如，控制253可以基于物体221A的预测的移动意图282来调整运动部件213以使移动机器人201加速、使移动机器人201减速、使移动机器人201转弯等，以便避免与物体221A碰撞或避免另一种不安全情况。

[0054] 转到图2B，运动传感器208可以在移动机器人201的移动期间监测运动部件213。运动传感器208可以收集来自监测运动部件213的传感器数据。运动传感器208可以将传感器数据发送到操作值计算器271并且发送到意图预测模块233。操作值计算器271可以接收来自运动传感器208的传感器数据。操作值计算器271可以计算表示运动部件213中的一个或多个的操作的操作值。

[0055] 操作值计算器271可以将操作值发送到比较器272。比较器272可以接收来自操作值计算器271的操作值。比较器272可以访问移动机器人201对运动部件213中的一个或多个的操作极限。比较器272可以将操作值与操作极限进行比较并且将比较结果发送到意图预测模块233。意图预测模块233从传感器数据和比较结果预测移动机器人201的移动意图。例如，如果比较结果表明移动机器人201超过运动部件213的一个或多个操作极限，则意图预测模块233可以预测移动机器人201的可能危险或不安全的移动。

[0056] 通信模块207可以将移动机器人201的预测的移动意图传达到其他机器人/车辆(例如，使用V2V和/或V2I通信)。其他机器人/车辆可以采取适当的措施来处理移动机器人201的任何预测的危险或不安全移动。

[0057] 配置管理模块252也可以实施配置改变以处理移动机器人201的任何预测的危险或不安全移动。例如，配置管理模块252可以实施配置改变以使运动部件213中的一个或多个的操作转变到(或至少更接近)操作极限。

[0058] 图4示出了用于预测移动机器人的移动意图的示例方法400的流程图。将关于环境200中的部件和数据来描述方法400。

[0059] 方法400包括监测移动机器人的配置的一个或多个方面(框401)。例如，运动传感器208可以监测运动部件213(包括车轮241、节气门242、制动器243和方向盘244)的一个或多个方面。运动传感器208可以收集传感器数据223。运动传感器208可以将传感器数据223发送到操作值计算器271并且发送到意图预测模块233。

[0060] 方法400包括从监测的方面计算操作值(框402)。例如，操作值计算器271可以从传感器223计算操作值226。操作值计算器271可以将操作值226发送到比较器272。比较器272可以接收来自操作值计算器271的操作值226。比较器272还可以访问限定运动部件213的一个或多个操作极限的操作极限227。

[0061] 方法400包括将操作值与移动机器人的操作极限进行比较(框403)。例如，比较器272可以将操作值226与操作极限227进行比较。比较器272可以生成指示比较的结果的比较结果228。比较器227可以将比较结果228发送到意图预测模块233。意图预测模块233可以接收来自比较器272的比较结果228。比较结果228可以指示操作值226是否超过任何操作极限
227。

[0062] 方法400包括基于比较来预测移动机器人的未来移动(框404)。例如，意图预测模块233可以基于比较结果228(并且可能还考虑传感器数据223)来制定移动机器人201的预测的移动意图283。意图预测模块233可以将预测的移动意图283发送到通信模块207。通信模块207可以接收来自意图预测模块233的预测的移动意图283。

[0063] 方法400包括在通信范围内将预测的未来移动传达到一个或多个其他移动机器人(框405)。例如，通信模块207可以将预测的移动意图283传达(例如，经由V2V通信)到物体221B(机器人/车辆)。物体221B可以采取适当的措施来处理移动机器人201的任何预测的危险或不安全移动。

[0064] 自预测移动意图可以使用多种机制中的任一种来确定，包括基于操控极限的机制和基于控制输入的机制。

[0065] 在一方面，车辆操纵(包括加速度和转弯)具有由打滑(例如，由运动传感器208监测到)生成的相关联轮胎/车轮力。轮胎/车轮力可以限定轮胎与地面之间的相对运动。如果轮胎打滑值(例如，操作值)变得大于轮胎与地面之间的附着极限(处理(操作)极限)，则轮胎失去附着并开始滑动。附着极限可以用来预测移动机器人的移动意图，诸如打滑、过度转向、转向不足和摆尾。

[0066] 在另一方面，使用控制输入(例如，转向角度、制动压力和节气门位置)。基于控制输入的值可以使用基于车辆速度的阈值曲线来表征。图11示出了平均输入相对于速度的示例阈值曲线图1100。如所描绘，曲线图1100限定平均输入1102相对于速度1101的阈值曲线1103。阈值曲线1103下方的针对速度1101的平均输入1102指示可能的安全操作。在另一方面，阈值曲线1103上方的针对速度1101的平均输入1102指示可能的不安全操作。例如，由阴影区所指示，在一组输入的当前速度1104下，平均输入1102超过阈值曲线1103。

[0067] 另外，控制输入的时间导数值还可以用于表征驾驶风格。可以应用平滑技术以在取得时间导数值之前控制输入数据。平滑技术可以减少因控制输入数据中的异常值而产生巨大值得可能性。平滑技术可以基于M估计量使用Huber函数和最小二乘滑动窗口来实施。

[0068] 可以计算控制输入数据和控制输入的时间导数两者的平均值。可以使用存储的控制输入值或递归最小二乘技术用遗忘因子来计算平均值。可以将平均值与速度相关阈值(如图11中描绘)进行比较，以计算专心驾驶指数(ADI)，例如，平均值与阈值的比率。

[0069] 道路环境

[0070] 图5示出了道路500上的移动机器人501、502、503、504和505的示例。机器人502在车道511中行进，机器人501、503和505在车道512中行进，并且机器人504在车道513中行进。在一个方面，机器人501执行与机器人201类似的活动，以预测周围机器人502、503、504或
505中的一个或多个的移动意图。

[0071] 曲线通过模型

[0072] 模型271可以存储曲线通过模型。图6示出了通过曲线的移动机器人601的示例。图7示出了用于对通过曲线的移动机器人601的预测的移动意图进行建模的示例等式701A至
704。

[0073] 在弯曲道路上行进时，移动机器人和人类驾驶的车辆可以尝试遵循最小化惯性力(即，离心力)的路径。然而，出于多种原因(包括切入下一路径)，移动机器人和人类驾驶的车辆可能不想要遵循弯曲道路上的最佳路径。因此，可以预测周围机器人/车辆(例如，机器人502或504)的移动意图以确定它们在曲线通过期间是否切入主机器人的路径(例如，机器人501的路径)。

[0074] 移动机器人可以利用周围机器人的横向加速度来监测曲线通过。为了评估周围机器人的横向加速度，可以确定参考横向加速度。从道路曲率半径和速度极限来确定参考的横向加速度。道路曲率可以由传感器(例如，环境传感器202)或车辆对基础设施通信提供。例如，看向前方的相机206在图像处理之后可以将道路曲率提供为三次多项式等式。基于曲率信息和车道宽度，弯曲的车道被重建为图6中的点

[0075] 点划线表示重建的车道的中心线。参考路径(最小化离心力)可以通过找到具有最大半径R的圆形路径来确定。参考路径可以公式化为等式701A和701B中的优化问题，其中(xc，yc)为圆形路径的中心，点pi位于具有半径r的圆形路径上，并且为权重。应注意，半径R不是固定的，并且可以随着移动机器人601在弯曲道路行进而改变(道路的曲率可以被设计为逐渐地增加和减小)。

[0076] 然后，阈值横向加速度使用等式702中的参考路径半径R和预定义速度极限来确定，其中ρ是被定义为ρ＝1/R的参考道路曲率。换句话说，横向加速度极限是速度极限和时变参考道路曲率估计值ρ的函数。

[0077] 周围机器人的横向加速度值可以通过车辆对车辆通信或雷达来获得。然后，计算专心驾驶指数(ADI)，如在等式703中定义，其中ay_i为图5中的第i机器人的横向加速度。

[0078] 作为替代方法，也可以使用第i机器人行进的路径的半径来预测意图，而不是使用横向加速度。可以计算第i机器人行进的路径半径，如在等式704中定义，其中vx_i和分别是第i机器人的速度和横摆率。然后，还可以利用等式704中的半径Ri以及等式701A和701B的参考路径半径R来计算ADI。

[0079] 曲折运动模型

[0080] 模型271可以存储曲折运动行为模型。图8示出了用于对曲折运动的移动机器人的预测的移动意图进行建模的示例等式801至803。

[0081] 可以通过监测从车道的某一位置的位移来捕获曲折驾驶。如果机器人想要改变路径或切入另一个机器人的路径中，则它们从它们在车道内的常用位置向左和右转弯。因此，如果周围机器人(例如，机器人502或504)显示出从车道内的参考位置的较大位移变化，则它被判定为打算进行路径改变。

[0082] 例如，从车道标志(参考点)的横向位移derr_i可以从等式801计算，其中i∈{1，2，3，4}指示图5中的第i机器人，并且m∈{L，R}指示左车道或右车道。机器人501与第i机器人(机器人502或504)之间的横向距离di由例如雷达传感器204测量。机器人501与车道m之间的横向距离dm由例如具有图像处理模块的相机206获得。预测算法(例如，意图预测模块233)监测derr_i的变化。

[0083] 计算与derr_i相关联的ADI，如在等式802中定义，其中指示预定义阈值。等式803中定义的阈值可以被视作第i机器人的速度vx_i、轮胎-道路摩擦系数μ、交通密度和第i机器人的参数(诸如质量和横摆转动惯量)的函数。

[0084] 猛加速/减速模型

[0085] 模型271可以存储猛加速度/减速度行为模型。图9示出了用于对呈现猛加速和猛制动行为的移动机器人的预测的移动意图进行建模的示例等式901至905。

[0086] 第i机器人/车辆与其前一机器人/车辆之间的相对纵向距离drel_i由例如雷达传感器204或车辆对车辆通信测量。然后，将相对于前一机器人(例如，机器人501)的第i机器人(例如，机器人505)动力学表示为二重积分器的状态空间模型，如在等式901和902中定义，其中等式901中的x表示状态向量，表示x的动力学，并且等式902中的为相对加速度。

[0087] 加速和制动取决于距前一机器人的距离。因此，参考纵向加速度由第i机器人与其前一机器人之间的期望距离ddes_i决定。距离ddes_i是速度vx_i的函数。例如，在等式903中，τ指示时间差并且c指示常量。为了维持ddes_i作为参考相对距离，将输入定义为等式904中的参考跟踪状态反馈控制器，其中增益K通过极点分配技术分别基于加速和制动的期望瞬时动态响应来确定。换句话说，加速和制动的期望动态响应分别产生不同的输入值，并且它们可以用作参考纵向加速度以监测驾驶风格。

[0088] 与第i机器人的相对纵向加速度ax，rel_i相关联的ADI在等式905中定义，其中ax，rel_i由例如雷达204测量。

[0089] 追尾模型

[0090] 模型271可以存储猛加速/减速行为模型。图10示出了用于对呈现追尾行为的移动机器人(例如，机器人503)的预测的移动意图进行建模的示例等式1001和1002。

[0091] 计算期望距离ddes_i与相对距离drel_i之间的差值，如在等式1001中定义。返回参考图9，期望距离ddes_i被确定为速度vx_i的函数，如在等式903中定义。

[0092] 如果derr_i＞0，则可以更新derr_i的变化，因为小于零的距离误差derr_i表示驾驶员维持比期望距离更长的距离。计算与ddes_i相关联的ADI，如在等式1002中定义。阈值 (例如，在等式803中定义)可以被视作第i机器人的速度vx_i、轮胎-道路摩擦系数μ、交通密度和第i机器人(例如，机器人503)的参数(诸如质量和横摆转动惯量)的函数。

[0093] 行人移动意图预测

[0094] 本公开的各方面还可以用来预测行人的移动意图。一般地，行人意图预测包括使用移动机器人识别并跟踪行人，并且将那些跟踪馈送到行人预测模型中。相机传感器信号可以用来相对于移动机器人识别行人。可以应用计算机视觉算法以识别相机图像中的每个行人的边界框。

[0095] 激光雷达传感器可以用来跟踪行人相对于移动机器人和其他地标(诸如十字路口和人行横道)的位置。经过行人轨迹数据和地标接近度可以用来预测行人的未来意图，诸如他们将何时在何地穿过交通十字路口。

[0096] 图12A和图12B示出了检测并预测行人的移动意图的示例。如所描绘，移动机器人1201使用相机来便于进行行人1202检测(边界框)。移动机器人1201利用激光雷达来跟踪行人1202的经过轨迹1203。移动机器人1201进行激光雷达测量1204。移动机器人1201使用激光雷达测量1204来计算行人1202的预测的轨迹1205。

[0097] 移动意图预测系统数据流

[0098] 图13示出了用于移动机器人检测周围机器人和行人意图的示例数据流1300。移动机器人可以接收来自周围机器人/车辆的移动意图(框1301)。移动机器人处的传感器可以感测周围机器人/车辆(框1302)。移动机器人对周围机器人/车辆使用运动分析(框1306)。移动机器人可以从运动分析和从周围机器人/车辆接收到的移动意图来预测周围机器人/车辆的移动意图(框1313)。

[0099] 移动机器人可以使用相机(框1304)和图像聚类(框1308)以及激光雷达(框1303)和聚类跟踪(框1307)来跟踪行人的经过轨迹。移动机器人可以从行人的经过轨迹(框1309)和地标接近度(框1311)来预测行人移动意图(框1312)。

[0100] 在一个方面，一个或多个处理器被配置为执行指令(例如，计算机可读指令、计算机可执行指令等)以执行多个所述的操作中的任一个。一个或多个处理器可以从系统存储器访问信息和/或将信息存储在系统存储器中。一个或多个处理器可以使信息在不同格式之间变换，所述信息诸如像传感器数据、操纵集、选定的操纵、模型、预测的移动意图、自预测、配置改变、运动部件控制、操作值、操作极限、比较结果、行人检测、观察到的经过轨迹、预测的轨迹、专心驾驶指数等。

[0101] 系统存储器可以耦合到一个或多个处理器并可以存储由一个或多个处理器执行的指令(例如，计算机可读指令、计算机可执行指令等)。系统存储器还可以被配置为存储由所述部件生成的多种其他类型的数据中的任一种，所述信息诸如像传感器数据、操纵集、选定的操纵、模型、预测的移动意图、自预测、配置改变、运动部件控制、操作值、操作极限、比较结果、行人检测、观察到的经过轨迹、预测的轨迹、专心驾驶指数等。

[0102] 在以上公开中，已经参考附图，附图形成公开的一部分并且示出了可以实践本公开的具体实现方式。应当理解，在不背离本公开的范围的情况下，可以利用其他实现方式并且可以进行结构改变。说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用指示所描述的实施例可以包括特定特征、结构或特性，但是每个实施例可以不一定包括所述特定特征、结构或特性。此外，这类短语不一定是指同一实施例。此外，当结合实施例描述特定特征、结构或特性时，无论是否明确描述，本领域技术人员结合其他实施例都将认识到此类特征、结构或特性。

[0103] 本文公开的系统、装置和方法的实现方式可以包括或利用包括计算机硬件(诸如，例如一个或多个处理器和系统存储器)的专用或通用计算机，如本文所讨论。本公开范围内的实现方式还可以包括用于携载或存储计算机可执行指令和/或数据结构的物理介质和其他计算机可读介质。此类计算机可读介质可以是可由通用或专用计算机系统存取的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(装置)。携带计算机可执行指令的计算机可读介质是传输介质。因此，以举例而非限制的方式，本公开的实现方式可以包括至少两个截然不同种类的计算机可读介质：计算机存储介质(装置)和传输介质。

[0104] 计算机存储介质(装置)包括RAM、ROM、EEPROM、CD-ROM、固态驱动器(SSD)(例如，基于RAM)、快闪存储器、相变存储器(PCM)、其他类型的存储器、其他光盘存储装置、磁盘存储装置或其他磁性存储装置、或可以用于存储呈计算机可执行指令或数据结构的形式的期望的程序代码手段并可以由通用或专用计算机访问的任何其他介质。

[0105] 本文公开的装置、系统和方法的实现方式可以通过计算机网络进行通信。“网络”被限定为支持在计算机系统和/或模块和/或其他电子装置之间传输电子数据的一个或多个数据链路。当通过网络或另一种通信连接(硬接线、无线或硬接线或无线的组合)向计算机传递或提供信息时，计算机正确地将连接视为传输介质。传输介质可以包括网络和/或数据链路，其可以用于携载呈计算机可执行指令或数据结构的形式的期望的程序代码手段并可以由通用或专用计算机存取。上述的组合也应当包括在计算机可读介质的范围内。

[0106] 计算机可执行指令包括例如在处理器处执行时致使通用计算机、专用计算机或专用处理装置执行特定功能或功能组的指令和数据。计算机可执行指令可以是例如二进制代码、中间格式指令(诸如汇编语言)或者甚至是源代码。尽管已经用特定于结构特征和/或方法动作的语言描述了主题，但是应当理解，所附权利要求中限定的主题不一定限于以上描述的所述的特征或动作。相反，所述的特征和动作被公开为实施权利要求的示例形式。

[0107] 本领域技术人员将了解，本公开可以在具有许多类型的计算机系统配置的网络计算环境中实践，所述计算机系统配置包括内置式或其他车辆计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持式装置、多处理器系统、基于微处理器或可编程的消费电子产品、网络PC、小型计算机、大型计算机、移动电话、PDA、平板计算机、寻呼机、路由器、交换机、各种存储装置等。本公开还可以在分布式系统环境中实践，其中通过网络链接(通过硬接线数据链路、无线数据链路或通过硬接线与无线数据链路的组合)的本地和远程计算机系统都执行任务。在分布式系统环境中，程序模块可以位于本地和远程存储器存储装置两者中。

[0108] 此外，在适当的情况下，本文所述的功能可以在以下一个或多个中执行：硬件、软件、固件、数字部件或模拟部件。例如，一个或多个专用集成电路(ASIC)可以被编程为执行本文所述的系统和过程中的一个或多个。贯穿描述和权利要求使用某些术语以指代特定系统部件。如本领域技术人员将了解，可以用不同的名称来指称部件。本文件不旨在区分名称不同但功能相同的部件。

[0109] 应当注意，上面讨论的传感器实施例可以包括计算机硬件、软件、固件或它们的任何组合以执行它们的功能的至少一部分。例如，传感器可以包括被配置为在一个或多个处理器中执行的计算机代码，并且可以包括由计算机代码控制的硬件逻辑/电路。在本文中提供这些示例装置以用于说明的目的，而非旨在进行限制。如相关领域的技术人员将了解，本公开的实施例可以在其他类型的装置中实施。

[0110] 本公开的至少一些实施例涉及计算机程序产品，其包括存储在任何计算机可用介质上的此类逻辑(例如，呈软件的形式)。此类软件在一个或多个数据处理装置中执行时致使装置如本文所述的进行操作。

[0111] 虽然上文已经描述了本公开的各种实施例，但是应当理解，这些实施例仅以举例而非限制的方式呈现。对于相关领域的技术人员将显而易见的是，在不脱离本公开的精神和范围的情况下，可以作出形式和细节方面的各种改变。因此，本公开的广度和范围不应受任何上述的示例性实施例限制，而应仅根据所附权利要求及其等同物来限定。已经出于说明和描述的目的呈现了前述描述。并非旨在穷举或将本公开限制于所公开的精确形式。鉴于上述教导，许多修改、变化和组合是可能的。此外，应当注意，任何或所有的前述替代实现方式可以以期望的任何组合使用，以形成本公开的附加混合实现方式。

[0112] 示例

[0113] 在一些情况下，以下示例可以由本文描述的系统和方法共同地或分别地实施。

[0114] 示例1可以包括一种由移动机器人执行的方法，所述方法包括：在所述移动机器人的一个或多个传感器的范围内检测物体的移动；将所述移动分类为来自操纵集的选定的操纵；基于对应于所述选定的操纵的模型而预测所述物体的移动；以及调整所述移动机器人的部件以处理所述预测的移动。

[0115] 示例2可以包括示例1和/或本文一些其他示例的方法，其中所述选定的操纵包括曲线通过操纵；其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于曲线通过操纵模型而预测所述物体意图切入所述移动机器人的路径中。

[0116] 示例3可以包括示例2和/或本文一些其他示例的方法，所述方法还包括：从传感器数据确定道路车道的曲率半径和宽度；以及从所述曲率半径和与所述道路车道相关联的速度极限确定所述物体的横向加速度；其中预测所述物体意图切入所述移动机器人的所述路径中包括基于所述计算的横向加速度和所述确定的宽度而预测所述物体意图切入所述移动机器人的所述路径中。

[0117] 示例4可以包括示例1和/或本文一些其他示例的方法，其中所述选定的操纵包括曲折操纵；其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于曲折操纵模型而预测所述物体意图切入所述移动机器人的路径中。

[0118] 示例5可以包括示例4和/或本文一些其他示例的方法，所述方法还包括：监测在一段时间内所述物体从道路车道的参考位置的位移；以及确定从所述参考位置的位移变化；其中预测所述物体意图切入所述移动机器人的所述路径中包括基于所述计算的位移变化超过阈值而预测所述物体意图切入所述移动机器人的所述路径中。

[0119] 示例6可以包括示例5和/或本文一些其他示例的方法，其中所述阈值是以下一者或多者的函数：所述物体的速度、所述物体的轮胎道路摩擦系数、所述物体的质量或所述物体的横摆转动惯量。

[0120] 示例7可以包括示例1和/或本文一些其他示例的方法，其中所述选定的操纵包括加速度操纵的改变；其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于加速度操纵模型的改变而预测所述物体意图在所述移动机器人前面突然停下。

[0121] 示例8可以包括示例7和/或本文一些其他示例的方法，所述方法还包括：确定在一段时间内所述物体与所述移动机器人之间的距离；以及基于所述测量的距离的改变而确定所述物体的加速度的变化；其中预测所述物体意图在所述移动机器人前面突然停下包括基于所述计算的加速度变化和所述移动机器人的速度而预测所述物体意图在所述移动机器人前面突然停下。

[0122] 示例9可以包括示例8和/或本文一些其他示例的方法，其中确定所述物体的加速度的所述变化包括确定所述物体的加速度或减速度中的一个或多个的改变率并未持续地向所述移动机器人提供足够的时间来进行制动以避免与所述物体接触。

[0123] 示例10可以包括示例1和/或本文一些其他示例的方法，其中所述选定的操纵包括追尾操纵；其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于追尾操纵模型而预测所述物体意图接触所述移动机器人的后部。

[0124] 示例11可以包括示例10和/或本文一些其他示例的方法，所述方法还包括：确定在一定时间段内所述物体与所述移动机器人之间的相对距离；以及确定在所述时间段的至少一些部分内所述相对距离小于期望的距离阈值；其中预测所述物体意图接触所述移动机器人的所述后部包括基于所述相对距离小于所述期望的距离阈值而预测所述物体意图接触所述移动机器人的所述后部。

[0125] 示例12可以包括示例11和/或本文一些其他示例的方法，其中所述期望的距离阈值是以下一者或多者的函数：所述物体的速度、所述物体的轮胎道路摩擦系数、所述物体的质量或所述物体的横摆转动惯量。

[0126] 示例13可以包括一种由移动机器人自预测未来移动的方法，所述方法包括：监测所述移动机器人的配置的一个或多个方面；从所述一个或多个监测的方面确定操作值；将所述操作值与所述移动机器人的操作极限进行比较；基于所述比较而预测所述移动机器人的移动；以及在所述移动机器人的通信范围内将所述预测的移动传达到一个或多个其他移动机器人。

[0127] 示例14可以包括示例13和/或本文一些其他示例的方法，其中监测所述移动机器人的所述配置的一个或多个方面包括监测所述移动机器人的轮胎和车轮力，所述轮胎和车轮力指示所述轮胎与地面之间的相对运动；其中从所述监测的方面确定操作值包括从所述监测的轮胎和车轮力确定轮胎打滑值；并且其中将所述操作值与所述移动机器人的所述操作极限进行比较包括将所述轮胎打滑值与指示所述轮胎与所述地面之间的附着极限的操控极限进行比较。

[0128] 示例15可以包括示例14和/或本文一些其他示例的方法，其中将所述轮胎打滑值与操控极限进行比较包括确定所述轮胎打滑值超过所述操控极限；其中预测所述移动机器人的所述移动包括基于确定所述轮胎打滑值超过所述操控极限而预测所述移动机器人将打滑。

[0129] 示例16可以包括示例13和/或本文一些其他示例的方法，其中监测所述移动机器人的所述配置的一个或多个方面包括检测转向角度、制动压力或节气门位置中的一个或多个。

[0130] 示例17可以包括示例16和/或本文一些其他示例的方法，其中将所述操作值与所述移动机器人的所述操作极限进行比较包括将移动机器人速度与速度相关阈值进行比较。

[0131] 示例18可以包括示例17和/或本文一些其他示例的方法，其中基于所述比较而预测所述移动机器人的所述移动包括基于所述比较而表征所述移动机器人的驾驶风格；其中将所述预测的移动传达到一个或多个其他移动机器人包括将所述表征的驾驶风格传达到所述一个或多个其他移动机器人。

[0132] 示例19可以包括一种车辆，所述车辆包括：一个或多个传感器；存储器，所述存储器存储计算机可执行指令；以及一个或多个处理器，所述一个或多个处理器耦合到所述存储器并且被配置为执行所述计算机可执行指令以：基于来自所述一个或多个传感器的传感器数据而检测所述车辆的范围内的物体的移动；将所述移动分类为来自操纵集之中的选定的操纵；基于对应于所述选定的操纵而预测所述物体的不安全移动；以及调整车辆部件以处理所述预测的不安全移动。

[0133] 示例20可以包括示例19和/或本文一些其他示例的车辆，其中被配置为预测所述物体的所述不安全移动的指令包括被配置为预测所述物体由于以下一者或多者而占用已经被所述车辆占用的空间的企图：对道路车道的曲线通过、在道路车道之间的横向移动、在道路车道中的减速度速率，或者在道路车道中在所述车辆后面跟得太紧。

[0134] 根据本发明，一种由移动机器人执行的方法包括：在所述移动机器人的一个或多个传感器的范围内检测物体的移动；将所述移动分类为来自操纵集的选定的操纵；基于对应于所述选定的操纵的模型而预测所述物体的移动；以及调整所述移动机器人的部件以处理所述预测的移动。

[0135] 根据一个实施例，所述选定的操纵包括曲线通过操纵；其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于曲线通过操纵模型而预测所述物体意图切入所述移动机器人的路径中。

[0136] 根据一个实施例，以上实施例的特征还在于：从传感器数据确定道路车道的曲率半径和宽度；以及从所述曲率半径和与所述道路车道相关联的速度极限确定所述物体的横向加速度；其中预测所述物体意图切入所述移动机器人的所述路径中包括基于所述计算的横向加速度和所述确定的宽度而预测所述物体意图切入所述移动机器人的所述路径中。

[0137] 根据一个实施例，所述选定的操纵包括曲折操纵；其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于曲折操纵模型而预测所述物体意图切入所述移动机器人的路径中。

[0138] 根据一个实施例，以上实施例的特征还在于：监测在一段时间内所述物体从道路车道的参考位置的位移；以及确定从所述参考位置的位移变化；其中预测所述物体意图切入所述移动机器人的所述路径中包括基于所述计算的位移变化超过阈值而预测所述物体意图切入所述移动机器人的所述路径中。

[0139] 根据一个实施例，所述阈值是以下一者或多者的函数：所述物体的速度、所述物体的轮胎道路摩擦系数、所述物体的质量或所述物体的横摆转动惯量。

[0140] 根据一个实施例，所述选定的操纵包括加速度操纵的改变；其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于加速度操纵模型的改变而预测所述物体意图在所述移动机器人前面突然停下。

[0141] 根据一个实施例，以上实施例的特征还在于：确定在一段时间内所述物体与所述移动机器人之间的距离；以及基于所述测量的距离的改变而确定所述物体的加速度的变化；其中预测所述物体意图在所述移动机器人前面突然停下包括基于所述计算的加速度变化和所述移动机器人的速度而预测所述物体意图在所述移动机器人前面突然停下。

[0142] 根据一个实施例，确定所述物体的加速度的所述变化包括确定所述物体的加速度或减速度中的一个或多个的改变率并未持续地向所述移动机器人提供足够的时间来进行制动以避免与所述物体接触。

[0143] 根据一个实施例，所述选定的操纵包括追尾操纵；其中基于对应于所述选定的操纵的模型而预测所述物体的所述移动包括基于追尾操纵模型而预测所述物体意图接触所述移动机器人的后部。

[0144] 根据一个实施例，以上实施例的特征还在于：确定在一定时间段内所述物体与所述移动机器人之间的相对距离；以及确定在所述时间段的至少一些部分内所述相对距离小于期望的距离阈值；其中预测所述物体意图接触所述移动机器人的所述后部包括基于所述相对距离小于所述期望的距离阈值而预测所述物体意图接触所述移动机器人的所述后部。

[0145] 根据一个实施例，所述期望的距离阈值是以下一者或多者的函数：所述物体的速度、所述物体的轮胎道路摩擦系数、所述物体的质量或所述物体的横摆转动惯量。

[0146] 根据本发明，一种由移动机器人自预测未来移动的方法包括：监测所述移动机器人的配置的一个或多个方面；从所述一个或多个监测的方面确定操作值；将所述操作值与所述移动机器人的操作极限进行比较；基于所述比较而预测所述移动机器人的移动；以及在所述移动机器人的通信范围内将所述预测的移动传达到一个或多个其他移动机器人。

[0147] 根据一个实施例，监测所述移动机器人的所述配置的一个或多个方面包括监测所述移动机器人的轮胎和车轮力，所述轮胎和车轮力指示所述轮胎与地面之间的相对运动；其中从所述监测的方面确定操作值包括从所述监测的轮胎和车轮力确定轮胎打滑值；并且其中将所述操作值与所述移动机器人的所述操作极限进行比较包括将所述轮胎打滑值与指示所述轮胎与所述地面之间的附着极限的操控极限进行比较。

[0148] 根据一个实施例，将所述轮胎打滑值与操控极限进行比较包括确定所述轮胎打滑值超过所述操控极限；其中预测所述移动机器人的所述移动包括基于确定所述轮胎打滑值超过所述操控极限而预测所述移动机器人将打滑。

[0149] 根据一个实施例，监测所述移动机器人的所述配置的一个或多个方面包括检测转向角度、制动压力或节气门位置中的一个或多个。

[0150] 根据一个实施例，将所述操作值与所述移动机器人的所述操作极限进行比较包括将移动机器人速度与速度相关阈值进行比较。

[0151] 根据一个实施例，基于所述比较而预测所述移动机器人的所述移动包括基于所述比较而表征所述移动机器人的驾驶风格；其中将所述预测的移动传达到一个或多个其他移动机器人包括将所述表征的驾驶风格传达到所述一个或多个其他移动机器人。

[0152] 根据本发明，提供了一种车辆，所述车辆具有：一个或多个传感器；存储器，所述存储器存储计算机可执行指令；以及一个或多个处理器，所述一个或多个处理器耦合到所述存储器并且被配置为执行所述计算机可执行指令以：基于来自所述一个或多个传感器的传感器数据而检测所述车辆的范围内的物体的移动；将所述移动分类为来自操纵集之中的选定的操纵；基于对应于所述选定的操纵而预测所述物体的不安全移动；以及调整车辆部件以处理所述预测的不安全移动。

[0153] 根据一个实施例，被配置为预测所述物体的所述不安全移动的指令包括被配置为预测所述物体由于以下一者或多者而占用已经被所述车辆占用的空间的企图：对道路车道的曲线通过、在道路车道之间的横向移动、在道路车道中的减速度速率，或者在道路车道中在所述车辆后面跟得太紧。

标题	发布/更新时间	阅读量
环保纸箱	2020-05-19	747
裤耳缝纫机的图案模块生成装置及方法	2020-05-24	789
止捻装置	2020-05-22	796
曲折缝缝纫机的线迹切换装置	2020-05-11	722
电路卡	2020-05-15	453
一种多样化周边缝纫的压合设备	2020-05-27	586
锁眼机	2020-05-14	832
一种在薄形面料上车缝曲折装饰线迹的模板组件	2020-05-13	224
一种厚料止口缝纫装置及曲折缝纫机	2020-05-20	260
用于缝纫机的翻转压脚	2020-05-20	435

预测物体的移动意图

预测物体的移动意图

技术领域

背景技术

具体实施方式

该功能需要专业版企业版VIP权限，您可以：