CN101327796B - 用于避免后路口交通碰撞的方法和设备 - Google Patents

Abstract

用于避免后路口交通碰撞的方法和设备。一种后路口交通碰撞避免系统，该系统在出现来自路口交通的碰撞威胁时提供某个动作，例如驾驶员警告或自动制动。该系统包括用于检测路口交通中的物体的物体检测传感器，和用于检测车辆转弯的车辆传感器。控制器使用来自物体检测传感器和车辆传感器的信号以基于车辆转弯来确定和识别可能妨碍对象车辆的物体轨迹。

Description

用于避免后路口交通碰撞的方法和设备

技术领域

本发明总的涉及一种后路口交通碰撞避免(RCTCA)系统，并且更特别地涉及确定路口交通是否引起碰撞威胁并且如果是则采取适当行动的RCTCA系统。

背景技术

本领域中已知各种类型的安全系统用来在碰撞事故中保护车辆的乘客。部分这些系统试图在碰撞出现之前通过警告潜在碰撞情况的车辆操作员来防止碰撞。例如，前碰撞警告系统(FCW)可利用向前看的激光器或雷达设备来向车辆驾驶员警告潜在碰撞威胁。警报可以是车辆仪表板或平视显示器(HUD)上的视觉指示，并且/或者可以是音频警告或振动设备，比如HAPTIC座椅。其它系统试图如果驾驶员没能及时响应警报则通过直接应用制动动作来防止碰撞。

发明内容

根据本发明的教导，公开了一种用于对象车辆的后路口交通碰撞避免系统，该系统在出现来自路口交通的碰撞威胁时提供某个动作，比如驾驶员警告或自动制动。该系统包括物体检测传感器，用于检测比如车辆的物体和提供物体传感器信号，还包括车辆传感器，用于感测对象车辆中的车辆转弯条件和提供车辆传感器信号。该系统还包括响应于物体传感器信号的物体追踪和分类处理器，该处理器识别并追踪可能潜在地妨碍对象车辆的物体。该系统还包括响应于车辆传感器信号的主车辆路线预测处理器，该处理器提供指示对象车辆在反向移动时该车辆路线曲率的路线曲率信号。该系统还包括目标选择处理器，该处理器选择可能处于与对象车辆相碰撞的路线中的潜在物体。该系统还包括威胁评估处理器，该处理器确定是否应该采取行动来避免与物体碰撞。

结合附图从随后的说明书和所附的权利要求，本发明的附加特征将变得清楚。

附图说明

图1是示出了倒车进入路口交通的车辆所引起的可能车辆碰撞情况的图示；

图2是示出了根据本发明的实施例的后路口交通碰撞避免系统的方框图；

图3是示出在计算车辆运动中使用的变量的车辆的自行车模型；

图4是示出了用于根据本发明的实施例的用于传感器融合的过程的流程图；

图5是对象车辆和目标车辆之间的动态运动的受控体模型(plantmodel)；

图6是示出了倒车离开停车位的世界坐标中车辆绘制的图示；

图7是示出倒车离开停车位的世界坐标中车辆的绘图；

图8是示出了用于目标车辆的逃离路线的平面图；并且

图9是用于本发明的RCTCA系统的状态转变图。

具体实施方式

随后针对后路口交通碰撞避免系统的本发明的实施例的讨论本质上仅仅是示例的，且不是要限制本发明或其应用或用途。例如，下面的讨论特别涉及了倒车离开停车位的车辆。但是，如将会被本领域技术人员所理解的，本发明将会应用于其它驾驶情况。

本发明提出了一种后路口交通碰撞避免(RCTCA)系统，该系统通过提供警告并可能自动地向车辆施加制动而以低速倒车离开停车位时辅助车辆驾驶员避免与从任一侧接近的路口交通相碰撞。图1是本发明的RCTCA系统试图防止的潜在碰撞情况类型的图示。在该图示中，对象车辆10被示出为倒车离开停车位而进入目标车辆12前面的路口交通。

图2是本发明的RCTCA系统20的方框图。系统20包括物体检测传感器22，该传感器能报告物体的位置和速度，比如具有物体检测能力的24GHz超宽频带雷达和/摄像机系统。物体检测传感器22将通常处于车辆的后面和侧面。该系统还包括可识别车辆的转弯速率的车载传感器24，比如方向盘角度传感器、偏航角速度传感器等。来自物体检测传感器22和车载传感器24的传感器信号被发送到处理传感器数据的系统处理单元26。

来自物体检测传感器22的信号被发送到物体追踪和分类处理器28，该处理器识别一个或多个潜在目标并提供目标的轨迹，比如目标的位置、方向、距离、速度等。执行该功能的物体追踪和分类系统对于本领域技术人员来说是已知的。物体追踪和分类处理器28整合来自不同传感器的物体地图，将来自相同物体的多个测量合并为单个测量，比如通过使用卡尔曼滤波器在连续的时间帧上追踪物体，并且在车架(vehicle frame)中生成融合的物体列表。来自车辆传感器24的车载传感器信号被发送到主车辆路线预测处理器30，该主车辆路线预测处理器30使用车辆传感器信号来提供在车辆从停车位倒车时对象车辆10的路线曲率的指示。

来自处理器28的目标追踪信号和来自处理器30的对象车辆10的路线被发送到目标选择处理器32，该目标选择处理器32从融合的物体列表中选择可能处于与对象车辆10碰撞的路线上的潜在物体，如将在后面详细讨论的。

可能处于与对象车辆10潜在碰撞的路线上的所选目标被发送到威胁评估处理器34，该威胁评估处理器34利用判断逻辑来采用所选路线上的物体以确定潜在碰撞是否存在，是否应当给出警报，是否应当施加车辆制动，等等，如还将在下面详细讨论的。威胁评估处理器34将在判断框36确定威胁是否是次要的，并且如果是，则将信号发送给驾驶员车辆接口设备38，该设备将向驾驶员提供一些类型的警告，比如可听警告、视觉警告、座椅振动等。威胁评估处理器34还将在判断框40确定潜在碰撞是否急迫，并且如果是，则在方框42使得施加车辆制动并禁用车辆节气门。

主车辆路线预测处理器30将车辆建模为由运动矢量u_H表示的自行车模型，运动矢量u_H的分量为偏航角速度ω_H、纵向速度υ_xH、和横向速度υ_yH。图3是示出各种运动参数的对象车辆10的自行车模型的图示。车载传感器24给出车辆速度υ_xo、横向加速度a_yo和角速度ω_Ho的测量。方向盘角度传感器给出前轮偏转角δ_f。因为RCTCA系统20通常以低速条件用大的前轮偏转角来操作，使用运动学约束来校正所测量的偏航角速度ω_Ho。假设约束δ_ωH是随机的行走过程，从而受控体模型可以被写作为：

δω_H(t+1)＝δω_H(t)+ε           (1)

其中ε是零均值高斯白噪声过程。

观察方程式可被写作为：

$\frac{\tan {\mathrm{\δ}}_f}{a+b}{\mathrm{\υ}}_{\mathrm{xo}}={\mathrm{\ω}}_{\mathrm{Ho}}+\mathrm{\δ}{\mathrm{\ω}}_H+v_1---\left(2\right)$

a_yo＝(ω_Ho+δω_H)υ_xo+v₂           (3)

其中v₁和v₂是建模为零均值白高斯随机过程的测量噪声。

卡尔曼滤波器用于估计校正δω_H。接着，运动矢量u_H可以被计算为：

υ_xH＝υ_xo             (4)

ω_H＝ω_Ho+δω_H        (5)

υ_yH＝bω_H             (6)

图4是示出物体追踪和分类处理器28中融合过程的方框图50。融合过程假设了观察被顺序地处理，并且以从各个传感器22获取观察开始。传感器变换时间同步处理器52接收若干个来自物体检测传感器22的信号和来自方框54的传感器姿态(pose)和等待时间(latency)，并在方框56，基于每个传感器22的所估计的姿态和等待时间来将来自各个传感器22的物体地图变换成车架中的统一物体地图。在方框58，物体地图被应用于数据关联和空间融合过程，该过程将统一的物体地图与由融合轨迹列表60提供的已知实体相比较。观察可以表示所观察的实体位置，比如距离、方位角、和距离变化率，并且识别可能与识别该实体有关的信息和参数，比如实体的置信水平、追踪成熟度和地理信息。数据关联过程系统地将观察和已知的融合轨迹相比较，并且确定观察-轨迹是否有关。空间融合过程将与相同融合轨道关联的观察分组并将空间融合分组输出到群集观察处理器62。卡尔曼滤波器追踪器64使用来自方框66的群集观察和车辆的自运动来更新融合的轨迹。接着在方框68验证所追踪的目标。

在第二线程中，数据关联处理器58从来自特定传感器22的观察-追踪对中获取候选对，并接着选择具有良好匹配分数的对来估计传感器22的位置和姿态。信息被发送到等待时间估计处理器70，该处理器使用同步时钟作为时间基准以找到每个测量循环中的等待时间。

误差模型被用来提供传感器校正。传感器k相对于车架以姿态m＝(x₀，y₀，θ₀)安装，其中θ₀表示传感器瞄准线的方向。对象的测量是三维矢量o＝(r，θ，υ_r)，其中r和θ分别是传感器架中距离和方位角测量，并且υ_r表示沿着方位轴的距离变化率。利用测量中的随机误差，从矢量o确定的观察和车架变为范围由传感器的误差变化表征的概率分布。在传感器规范中找到的误差变化

确定传感器测量的精确性。除了测量的变化为，增加了极大的量或无穷大

对应于不可观察的切向速度υ_t。通过使用包含切向速度υ_t分量的协方差矩阵，以统一的方式用称赞(complimentary)的性能特性和不同的方向来对待传感器22。

数据关联处理器58将与该过程如何确定哪些观察合成整体并且表示同一目标的观察有关的答案确定为来自一个或多个传感器22的给定观察o_i，其中i＝1，...，N，。如这里所讨论的，通过计算关联矩阵来确定关联性。矩阵的(i，j)分量是相似性测量，该相似性测量根据先前确定的状态矢量x_j(t-1)来比较观察o_i(t)和预测观察

的紧密度。马氏距离(Mahalanobis Distance)被用作为：

$d(o_i,{\tilde{o}}_j)={(o_i-{\tilde{o}}_j)}^T(P_i+P_j)(o_i-{\tilde{o}}_j)---\left(7\right)$

其中P_i和P_j分别表示给定观察o_i(t)和预测量的协方差矩阵。

在所提出的系统，分配逻辑把观察分配给最近的临近轨迹，具体地，是最近的邻近通路，即 $j=\arg {\min }_{j}d(o_i,{\tilde{o}}_j).$

已经建立了与将观察o_i和预测观察

相关的关联性之后，关键的问题是确定最适合被观察数据的状态矢量x(t)的值。为了说明最优化过程的公式化和处理流，处理器28使用加权的最小二乘法来把有关的观察分组到车架中群集的观察y。

一个或多个传感器可以观察物体并报告多个与目标位置x有关的观察。车架中未知的融合观察由矢量y表示，矢量y由时间和变量观察方程式g(o，y)＝0确定。利用实际的观察o^*和估计的观察y^*，g(o，y)的一阶逼近可写作为：

$g(y^{*},o^{*})+\frac{\∂g}{\∂y}{|}_{(y^{*},o^{*})}(y-y^{*})+\frac{\∂g}{\∂o}{|}_{(y^{*},o^{*})}(o-o^{*})\≈0---\left(8\right)$

其中

$A=\frac{\∂g}{\∂y}{|}_{(y^{*},o^{*})}$

$B=\frac{\∂g}{\∂o}{|}_{(y^{*},o^{*})}---\left(9\right)$

l＝-g(y^*，o^*)and ε＝-B(o-o^*)        (10)

方程式(8)变为线性化形式为：

A(y-y^*)＝l+ε             (11)

残差o-o^*给出了无噪声观察o和实际观察o^*之间的差异。因此，量o-o^*可以作为观察噪声来对待。

令Г_o表示观察噪声，方程式(11)中的残差ε的协方差矩阵(Γε)变为：

Г_ε＝BΓ_oB^T               (12)

假设来自于K个传感器的总共K个独立观察与融合的量y相关。因此，方程式(11)可以扩展成：

$\left(\begin{array}{c}{A}_1\\ A_2\\ \·\·\·\\ A_K\end{array}\right)(y-y^{*})=\left(\begin{array}{c}{l}_1\\ l_2\\ \·\·\·\\ l_K\end{array}\right)+\left(\begin{array}{c}{\mathrm{\ϵ}}_1\\ {\mathrm{\ϵ}}_2\\ \·\·\·\\ {\mathrm{\ϵ}}_K\end{array}\right)---\left(13\right)$

通过高斯-马尔可夫法则，获得方程式(13)中y的线性最小变化估计产生了：

$\hat{y}=y^{*}+{\left(\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{A}_k^T{\mathrm{\Γ}}_{\mathrm{\ϵk}}^{-1}{A}_k\right)}^{-1}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{A}_k^T{\mathrm{\Γ}}_{\mathrm{\ϵk}}^{-1}{l}_k---\left(14\right)$

本发明的过程假设了目标沿着环形路线在恒定速度下执行了操纵。这种类型的运动在地面车辆交通中是通常的。图5示出了对象车辆80和目标车辆82的运动动力的受控体模型。如上所讨论的，车架中的测量y包括x_o，y_o，υ_xo和υ_yo。目标车辆动力状态由x＝(x，y，ψ，ω，υ)表示，其中量x，y和ψ表示目标车辆82的姿态，并且ω和υ表示目标车辆的运动状态。

目标状态的动态演进x′＝f(x，u_H)由以下给出：

x′＝x+(υcosψ+yω_H-υ_xH)ΔT+ΔTcosψε₂    (15)

y′＝y+(υsinψ-xω_H-υ_yH)ΔT+ΔTsinψε₂    (16)

ψ′＝ψ+(ω-ω_H)ΔT+ΔTε₁                  (17)

ω′＝ω+ε₁                                 (18)

υ′＝υ+ε₂                                 (19)

观察量y＝h(x，u_H)由以下给出：

x_o＝x+v₁                                     (20)

y_o＝y+v₂                                     (21)

υ_xo＝υcosψ+yω_H-υ_xH+v₃                (22)

其中ε₁和ε₂是具有高斯分布的两个零均值白随机过程，并且v_j，其中j＝1，2，3，是用于由零均值白高斯随机过程建模的测量噪声。

在建立将状态矢量与预测观察相关的观察方程式以及用于动力系统的运动方程式之后，扩展的卡尔曼滤波器(EKF)版本可用作为追踪算法。

目标选择处理器32的功能是选择处于对象车辆10的预计路径中的物体。图6图示了倒车离开停车位的对象车辆90，其中两个目标车辆92和94正以彼此相反并垂直于对象车辆行驶方向的方向移动。图7在对象车辆的坐标系统中示出了图6的场景。因为对象车辆90转弯而使目标车辆92和94的路线变为环形。目标车辆94处于分叉的路线中。同时，目标车辆92处于收敛路线中并应当被选择，因为它的预计路线穿过了对象车辆的轮廓。如下在数学上提供判断的标准。

令来自物体融合的物体地图为{x_i|i＝1，...，N}，并且每个物体具有以下分量：x是纵向位移，y是横向位移，φ是车辆的行驶方向，ω是车辆相对于世界坐标的角速度，并且υ是车辆相对于世界坐标的速度。相对于车架的相对速度变为：

υ_xr＝υcosψ+yω_H-υ_xH               (23)

υ_yr＝υsinψ-xω_H-υ_yH               (24)

ω_r＝ω-ω_H                           (25)

其中υ_xH，v_yH和ω_H是车辆运动矢量u_H的分量。

如图7所示，在对象车辆90和目标车辆92和94的速度为恒定的假设下，合并的预计路线是环形的。通过令相对速度矢量为v＝(υ_rx，υ_ry)，如果ω_r＝0，路线的半径可以计算为：

$R=\left\{\begin{array}{c}\frac{\left|\right|v\left|\right|}{{\mathrm{\ω}}_r},\mathrm{if}{\mathrm{\ω}}_r\≠0\\ \mathrm{10,000}\mathrm{otherwise}\end{array}\right.---\left(26\right)$

目标车辆行驶方向上的单位矢量可以表示为： $t=\frac{v}{\left|\right|v\left|\right|}.$ 接着，目标车辆路径的法向量n被计算为：

n＝rot(π/2)t             (27)

其中rot(π/2)是旋转矩阵，(即 $\mathrm{rot}(\mathrm{\π}/2)=\left(\begin{array}{cc}0& -1\\ 1& 0\end{array}\right)$ )。因此，环形路径的中心可以写作为：

c＝Rn+r                   (28)

其中r表示目标(x，y)的位置矢量。

通过令目标车辆90轮廓中的四个拐角的已知位置表示为d_k，其中k＝1，2，3，4，可以计算反映了这些拐角是否被环形路径所包括的量l_k：

$l_k=\left\{\begin{array}{cc}1& \left|\right|c-d_k\left|\right|<R\\ -1& \mathrm{Otherwise}\end{array}\right.---\left(29\right)$

其中k＝1，2，3，4。

因此，选择过程的判断规则是，当且仅当四个量l_k，其中k＝1，2，3，4，具有不同的符号，才选择物体。这如图6和7所示的是直观的。当且仅当四个拐角位于路径的不同侧，物体路径才穿过了对象车辆的轮廓。

并非所有的目标都对对象车辆10造成威胁。在威胁评估处理器34中，只在以下两种情况才激活动作。如果目标车辆12的驾驶员必须执行满足警告标准的操纵来避免碰撞，例如必须在例如0.1g的阈值之上进行制动或以例如0.05g的预定阈值之上的横向加速度转弯，则提供警告。如果目标车辆12的驾驶员必须执行满足自动制动标准的操纵以避免与对象车辆10的相撞，例如必须在例如0.3g的阈值之上进行制动或以例如0.15g的预定阈值之上的横向加速度转弯，则提供自动制动。

在撞到对象车辆10之前被定义为停止车辆12的最小减速度的所要求的纵向制动a_req可被计算为：

$a_{\mathrm{req}}=\frac{-{\left|\right|v\left|\right|}^2}{2\left|\right|r\left|\right|-\left|\right|v\left|\right|t_R}---\left(30\right)$

其中t_R表示驾驶员的反应延迟，比如0.2秒。

表示为横向加速度a_yT的横向转弯操纵通过改变目标车辆12的偏航角速度，即 ${\mathrm{\&omega;}}_r^{\&prime;}={\mathrm{\&omega;}}_r\&PlusMinus;\frac{a_{\mathrm{yT}}}{\left|\right|v\left|\right|},$ 来改变预计的物体路线的曲率。图8通过在对象车辆100和目标车辆102之间转弯来示出两条逃离路线。半径R″和中心c″表示左逃离路线，并且半径R′和中心c′表示右逃离路线。类似的方法用于确定转弯路径是否穿过对象车辆100的轮廓。

图9是示出本发明的RCTCA系统中各种状态之间的转变的状态转变图108。RCTCA系统具有六个状态，即禁用状态110，其中RCTCA系统的检测、信息、警告和控制功能被禁用。该系统还包括启用状态112，其中启用开关是接通的，所有启用条件被满足，并且该系统当前正监控后路口交通情况。系统还包括经警告状态114，该状态向驾驶员警告潜在的轻微威胁。该系统还包括控制动作与警告状态116，其中系统已经检测到急迫碰撞并且已经启动了制动动作。该系统还包括忽略状态118，其中车辆驾驶员已经忽略了系统，临时阻止它执行其检测、信息、警告和控制功能。该系统还包括制动和保持状态120，其中当车辆达到完全停止时，系统发出保持命令给自动制动系统。

随后的转变在图示108中示出。线条122表示第一转变，其中所有启用条件是真的，且启用开关是接通的。启用条件包括对象车辆的踏板被设置为倒退，对象车辆速度高于最小速度且低于最大速度，并且传感器正以正常模式操作。

转变线条124表示轻微碰撞条件。如果后路口交通物体已经被检测为潜在威胁，已经被分类为轻微碰撞并且启用开关是接通的，则系统向驾驶员提供警告。

转变线条126表示威胁不再存在。如果情况如此变化使得轻微碰撞条件不再存在或者启用开关被设置成断开，则取消警告。

转变线条128表示表示急迫碰撞条件。如果后路口交通物体的情况被检测为急迫威胁且启用开关是接通的，则系统激活车辆的制动器。

转变线条130表示车辆暂停转变。在驾驶员重新开始车辆10的控制之前，系统保持对象车辆10。

转变线条132表示威胁不再存在转变。如果情况如此变化使得碰撞条件不再存在或者启用开关被设置成断开，则取消警告。

转变线条134表示忽略超时并且忽略条件不满足转变。当系统假设驾驶员已经把控制释放给自动系统且已经过去了特定的时间段时，系统跳转到启用状态112。如果释放了节气门踏板，则发生释放。

转变线条136、138、140和142表示启用条件不满足转变。不满足用于转变122的启用条件，因此系统跳转到禁用阶段110。

转变线条144表示忽略条件转变。如果任何以下条件为真，则系统假设驾驶员已经重新获取了对象车辆的控制。驾驶员将启用开关设置为断开，驾驶员提供节气门输入，或者驾驶员提供大于系统的车辆制动请求。

转变线条146表示回收的条件转变并提供与转变线条144相同的条件。

前面的讨论仅仅公开和描述了本发明的示例实施例。本领域技术人员将从这样的讨论和附图以及权利要求中容易认识到其中各种改变、修改和变型可以在不偏离随后权利要求中限定的本发明的精神和范围的情况下做出。

Claims (21)

1.一种用于向对象车辆提供后路口交通碰撞避免的系统，所述系统包括：

物体检测传感器，用于检测物体并且提供物体传感器信号，以报告物体的位置和速度；

车辆传感器，用于感测车辆转弯并且提供车辆传感器信号；

响应于物体传感器信号的物体追踪和分类处理器，所述追踪和分类处理器识别并追踪可能潜在地妨碍对象车辆的物体，并且提供目标识别和追踪信号；

响应于车辆传感器信号的主车辆路线预测处理器，所述主车辆路线预测处理器提供指示对象车辆的路线曲率的路线曲率信号；

响应于目标识别和追踪信号和路线曲率信号的目标选择处理器，所述目标选择处理器识别追踪和分类信号中可能处于与对象车辆相碰撞的路线中的潜在物体，并且提供潜在物体信号；和

响应于潜在物体信号的威胁评估处理器，所述威胁评估处理器确定是否应该采取行动来避免与物体碰撞。

2.根据权利要求1的系统，其中威胁评估处理器确定与物体的潜在碰撞是次要的潜在碰撞还是急迫的碰撞。

3.根据权利要求2的系统，其中如果威胁评估处理器确定潜在碰撞是次要的潜在碰撞，则威胁评估处理器向对象车辆驾驶员提供感觉警告。

4.根据权利要求2的系统，其中如果威胁评估处理器确定潜在碰撞是次要的潜在碰撞，则威胁评估处理器向对象车辆驾驶员提供视觉和/或听觉警告。

5.根据权利要求3或4的系统，其中如果物体将必须执行要求该物体施加在预定阈值之上的制动或以预定阈值之上的横向加速度转向的操纵，则威胁评估处理器提供警告。

6.根据权利要求2的系统，其中如果威胁评估处理器确定潜在碰撞是急迫的碰撞，则威胁评估处理器使车辆制动被施加。

7.根据权利要求6的系统，其中如果物体为了避免与对象车辆碰撞而将必须在预定阈值之上进行制动或以预定阈值之上的横向加速度进行转向，则威胁评估处理器使车辆制动被施加。

8.根据权利要求1的系统，其中物体检测传感器是从由雷达传感器和摄像机组成的组中选择的。

9.根据权利要求1的系统，其中车辆传感器是从由方向盘角度传感器和偏航角速度传感器组成的组中选择的。

10.根据权利要求1的系统，其中主车辆路线预测处理器使用自行车模型来确定对象车辆的路线曲率。

11.根据权利要求1的系统，其中物体追踪和分类处理器使用卡尔曼滤波器追踪器来融合物体轨迹。

12.根据权利要求1的系统，其中物体检测传感器位于对象车辆的后面，并且该系统是路口交通碰撞避免系统以便在对象车辆倒车进入路口交通时防止对象车辆与另一车辆碰撞。

13.一种用于在倒车进入路口交通的车辆和在路口交通中行驶的目标车辆之间提供后路口交通碰撞避免的系统，所述系统包括：

物体检测传感器，用于当对象车辆倒退时检测路口交通中的目标车辆；

车辆传感器，用于检测对象车辆的转弯；和

控制器，用于确定对象车辆的路线曲率，并且识别和追踪可能潜在地妨碍对象车辆的目标车辆，如果确定与目标车辆之一的潜在碰撞，则所述控制器使得采取某些行动。

14.根据权利要求13的系统，其中控制器确定与目标车辆之一的潜在碰撞是次要的潜在碰撞还是急迫的碰撞。

15.根据权利要求14的系统，其中如果潜在碰撞是轻微的潜在碰撞，则控制器警告对象车辆驾驶员，并且如果潜在碰撞是急迫的碰撞，则提供自动制动。

16.根据权利要求13的系统，其中物体检测传感器是从由雷达传感器和摄像机组成的组中选择的。

17.根据权利要求13的系统，其中车辆传感器是从由方向盘角度传感器和偏航角速度传感器组成的组中选择的。

18.根据权利要求13的系统，其中控制器使用自行车模型来确定对象车辆的路线曲率。

19.根据权利要求13的系统，其中控制器使用卡尔曼滤波器追踪器来融合物体轨迹。

20.一种用于在倒车进入路口交通的对象车辆和在路口交通行中驶的目标车辆之间提供后路口交通碰撞避免的方法，所述方法包括：

检测路口交通中的目标车辆；

当对象车辆倒车进入路口交通时检测对象车辆的转弯；

识别和追踪可能潜在地妨碍对象车辆的路口交通中的目标车辆，

确定对象车辆的路线曲率；和

如果确定与目标车辆之一的潜在碰撞，则使得采取某些行动。

21.根据权利要求20的方法，其中使得采取某些行动包括如果潜在碰撞被认为是次要的，则提供车辆警告，并且如果潜在碰撞被认为是急迫的，则提供车辆制动。

Images