CN113348119A - 一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆 - Google Patents

Abstract

一种车辆盲区识别方法(100)、自动驾驶辅助系统(50)以及包括该自动驾驶辅助系统(50)的智能驾驶车辆(21)，该车辆盲区识别方法(100)包括：首先获取车辆(21)周围环境信息，然后根据车辆(21)周围环境信息判断车辆(21)行驶场景，判断车辆(21)当前是处于无障碍物场景还是有障碍物场景，在有障碍物场景下，至少基于障碍物(22)和障碍物(22)的速度确定危险驾驶盲区。

Description

一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统 的智能驾驶车辆

技术领域

本申请涉及自动驾驶领域，特别地，涉及一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆。

背景技术

随着人工智能技术结合汽车应用的快速发展，辅助驾驶和自动驾驶技术渐渐走向市场，越来越先进的辅助驾驶和自动驾驶技术也要求车辆能够应对更复杂的交通场景和危险情况，尤其是在复杂的城市交通环境中，由于动态、静态交通车辆，路口绿化带、墙壁等障碍物形成遮挡，导致自动驾驶感知传感器的探测区域受到限制，对于感知盲区内的交通参与者突然出现在自车行驶轨迹前方极易出现碰撞事故，特别是行人和骑行者易发生不遵守交通规则的行为并且轨迹变化不定，碰撞风险大大增加。

现有技术中应对碰撞风险主要有以下的方案：

1.基于感知传感器探测到的已知信息，对交通参与者进行目标跟踪和轨迹预测，一旦发现有碰撞风险会采取避让控制，并没有针对当前行驶场景识别出隐藏的碰撞风险，对于盲区遮挡区域突发的风险难以很好解决，只能在交通参与者进入感知范围时对于这种紧急情况触发自动紧急制动避障系统，在反应距离较小时难以避免碰撞。

2.利用V2X技术获取交通参与者的信息给到自动驾驶系统，自动驾驶系统通过自车的传感器采集的信息与来自V2X技术获取的信息得到丰富的数据可以对当前交通场景的交通参与者的行为进行有效预测，从而避免车辆与交通参与者的碰撞，但当前自动驾驶技术的实现难以依赖V2X技术，要求完备的道路基础设施及车辆、行人配备智能设备难以在短期内实现商业化应用。

基于以上，需要一种方案，其可以准确地识别车辆在行驶过程中的盲区，并基于盲区做出自动驾驶策略以有效规避可能的碰撞风险；并且，该方案应当可以基于车辆自身就可以实现。

发明内容

为了解决上述问题，本申请各种实施例提供了一种车辆盲区识别方法、驾驶辅助系统和采用该系统的车辆，以实现精确地识别车辆驾驶盲区，并在此基础上做出有效的安全驾驶策略。

第一方面，本申请各种实施例提供一种车辆盲区识别方法，包括：首先获取车辆周围环境信息，例如道路图像、动/静态目标信息、交通灯信息等；然后根据车辆周围环境信息判断车辆行驶场景，例如车道线检测、交通标识检测、自车定位、静态/动态对象检测等；判断车辆当前是处于无障碍场景还是有障碍场景，在有障碍物场景下，至少基于障碍物和障碍物的速度确定危险驾驶盲区。

第一方面的技术方案可以确认车辆所处的场景是有障碍物还是无障碍物，在有障碍物的情况下，进一步综合地考虑障碍物和障碍物的速度对盲区所产生的影响。

在一个可能的设计中，在有障碍物的时候，进一步判断障碍物的速度是否为零，如果障碍物速度为零时，确定障碍物产生遮挡的区域为危险驾驶盲区；如果障碍物速度不为零时，障碍物产生遮挡的区域为总盲区，障碍物以最大减速度制动在总盲区中扫过的长度或面积为安全驾驶盲区，依据总盲区和安全驾驶盲区确定危险驾驶盲区。通过引入安全驾驶盲区，从而使得对方案对盲区的确认更加精确。

在一个可能的设计中，当车辆和障碍物同向行驶时，危险驾驶盲区为总盲区减去安全驾驶盲区；当车辆和障碍物对向行驶时，危险驾驶盲区为总盲区加上安全驾驶盲区。这里区分了车辆在和障碍物的速度是同向还是对向，并依此确认危险驾驶盲区。

在一个可能的设计中，依据所述车辆行驶场景确定车辆所处场景的风险系数，车辆在不同的场景下出现盲区所带来的风险不同，技术方案中对此做了区分；然后依据所述危险驾驶盲区和所述车辆所处场景的风险系数确定车辆盲区风险等级，从而可以定量化地评估车辆盲区风险等级。

在一个可能的设计中，综合考虑各种因素，依据危险驾驶盲区、车辆距离盲区横向距离、车辆当前车速、车辆到达冲突区域的时间、车辆所处场景的风险系数等参数确定车辆盲区风险等级，使得对于车辆盲区风险等级的评估更加准确。

在一个可能的设计中，在确定了车辆盲区风险等级后，即可确认对应的控制策略。当车辆盲区风险等级高于设定阈值时，车辆优先进行横向避让，横向避让指车辆在横向方向上进入远离盲区的车道行驶；而如果车辆盲区风险等级低于设定阈值时，车辆继续按照驾驶辅助系统的规划行驶。如果盲区风险等级高，技术方案将优选选择使得车辆在横向上远离盲区，从而最大可能地避免碰撞风险。

在一个可能的设计中，如果所述车辆盲区风险等级高于设定阈值，且车辆无法进行横向避让时，车辆进行道内避让，道内避让指车辆在当前车道沿横向方向上远离盲区移动，从而尽可能地避免发生碰撞。

在一个可能的设计中，如果所述车辆盲区风险等级高于设定阈值，且车辆无法进行横向避让和道内避让时，车辆以自动驾驶辅助系统速度规划和安全行驶速度规划中的速度最小值行驶。

第二方面，提供一种自动驾驶辅助系统，包括：由相机、GPS、雷达等构成的传感器部，传感器部用于获取车辆周围环境信息；和传感器部通信连接的感知部，感知部接收传感器部获取的信息并依据所获取的信息确定车辆行驶场景；和感知部通信连接的决策部，决策部依据所述车辆行驶场景确定危险驾驶盲区和车辆盲区风险等级；以及与决策部通信连接的控制部，所述控制部至少依据所述车辆盲区风险等级确定驾驶策略。

可以理解的是，第二方面提供的系统对应于前述第一方面提供的方法，故第二方面各实现方式以及达到的技术效果可参见前述第一方面各实现方式的相关描述。

第三方面，提供一种智能车辆，其包括前述第二方面的自动驾驶辅助系统。

本申请提供了一种车辆盲区识别方法、驾驶辅助系统以及包括该系辆，本申请技术方案首先确认车辆所处的场景是有障碍物还是无障碍物，在有障碍物的情况下，进一步综合地考虑障碍物的速度对盲区所产生的影响，通过引入安全驾驶盲区的概念以及对车辆盲区风险等级进行评估，使得技术方案可以精确地识别车辆驾驶盲区，并在此基础上做出有效的安全驾驶策略。另一方面，本申请的技术方案基于现有的驾驶辅助系统可完成，无需昂贵的道路基础设施，因此本申请的技术方案经济性高，利于推广和普及，并可以提升自动驾驶的安全性。

附图说明

图1是本申请实施例提供的盲区识别和驾驶控制流程示意图；

图2是本申请实施例提供盲区识别的示意图；

图3是本申请实施例提供的盲区分离及计算示意图；

图4是本申请实施例提供的基于盲区识别的安全驾驶策略示意图；

图5是本申请实施例提供的一种自动驾驶辅助系统示意图。

具体实施方式

参见图1，其示出了基于本申请实施例给出的一种车辆盲区识别方法100的流程示意图，包括：

101：开始；

102：确定车辆行驶场景，此步骤可由车载设备所实现，车载设备可以包括自动驾驶车辆的主流设备，即相机、GPS、雷达，相机可以包括单目和/或双目相机，雷达可以包括毫米波雷达和/或激光雷达(Lidar)。相机一般用于采集道路场景图像，激光雷达和/或毫米波雷达负责采集动、静态目标数据，GPS用于定位车辆位置。相机和雷达获取的信息被输送给车载图像处理装置或者和车辆通信的云端以确定车辆行驶场景，车辆行驶场景可以包括例如：道路结构信息、车辆/行人识别、动静态目标识别、自车位置、速度、加速度、航向；以及自车周围其他车辆及行人的状态观测信息等。

在一些实施例中，基于车辆行驶场景可以判断车辆当前处于有障碍物场景还是无障碍物场景。通过车辆行驶场景信息判断当前车辆在行驶方向的一定范围内如果不存在障碍物则认为车辆当前处于无障碍物场景，否则车辆当前处于有障碍物场景。在一些实施例中，一定范围可以是车辆行驶方向前方0-50米的范围，应当理解的是，该范围可以依据实际情况而进行调整，例如也可以是车辆行驶方向前方0-75米、10-80米的范围，本申请对此不做限定。

103：盲区分类和计算，基于101的结果，如果判断车辆处于无障碍物场景，则认为对当前车辆而言不存在盲区；如果判断车辆处于有障碍物场景，则依据障碍物的速度进行盲区分类。具体而言，如果障碍物的速度为零，则由静止的障碍物产生遮挡所造成的盲区即属于为危险驾驶盲区；如果障碍物的速度不为零，则由障碍物当前时刻遮挡所造成的盲区为总盲区，障碍物以最大减速度制动所掠过的距离(长度、面积)为安全驾驶盲区，总盲区减去安全驾驶盲区为危险驾驶盲区。需要指出的是：障碍物的速度是基于大地坐标系的。

参见图2以示例性地说明盲区分类和计算，在图2中，车辆21沿车道以速度V0行驶，在自车的左前方有障碍物22，即车辆21当前处于有障碍物场景。

如果障碍物22的速度V1为0，即障碍物22相对于大地坐标系静止，则障碍物22为静止障碍物，在此情况下，由障碍物22产生遮拦所造成的盲区对于车辆22而言属于危险驾驶盲区。参见图2，此情况下车辆21的视线被障碍物22遮拦所造成的盲区从二维面积上而言为区域ABC，从一维长度上而言为区段AB(长度为S1)。在一些实施例中，可以将区域ABC定义为危险驾驶盲区；在另外一些实施例中，可以将区段AB定位为危险驾驶盲区。应当理解的是，选择一维的区段或者二维的区域作为盲区并无本质的区别，只需在一种方案中保持一致即可。

还应当理解的是，上述车辆21的视线指车载相机的视线。当障碍物22的速度为零的时候，上述区域ABC或者区段AB对于车辆21而言是“不可见”的，如果在区域ABC或者区段AB范围内出现了具有横向速度V3的对象23(例如可以是人或者车辆)，那么此时对象23对于车辆21而言是不可见的并具有潜在的碰撞危险，因此区域ABC或区段AB对于车辆21为危险驾驶盲区。

可以使用多种方法来计算S1的值，例如，可以通过激光雷达测量车辆21和障碍物22以及道路边缘的距离(L1和L0)以及车辆视线和道路边缘的夹角α来确定S1，此种情况下，S1＝(L0-L1)*tanα。

应当指出的是，如果车辆21在障碍物22处于静止，对于车辆21而言，危险驾驶盲区的范围是随着时间而变的，因为车辆21在运动状态，其视线也是在变化的，因此区域ABC或者区段AB也是随时间而变的。

如果障碍物22的速度V1不为零，参见图2，如果障碍物22也为车辆，并且其速度为V1，V1和车辆21的速度V0之间的夹角为θ。在此情况下，考虑障碍物22以最大减速度刹车所掠过的距离(面积)。假设障碍物22的减速度为a，a的方向和速度V1相一致，则在V0方向上的a为a*cosθ,基于运动学原理可知，障碍物22从运动到停止在V0方向上所通过的距离为(V1*cosθ)²/(2a*cosθ)。在图2中该距离以S3标识，而如果以面积表示的话为区域DECB。

本申请区分了此种情况下的安全驾驶盲区和危险驾驶盲区，定义了区段AB(S1)或区域DECB为总盲区，而区段DB(S3)或区域DECB为安全驾驶盲区。其含义在于：如果在DB(S3)或区域DECB内有一个对象24(车辆或行人)，其具有横向速度V4，则对象24最先可能与障碍物(车辆)22发生碰撞，车辆22以最大减速度刹车所掠过的距离/面积因此对于车辆21而言是“安全区域”，因为在此距离/面积内如果对象24发生了碰撞则应当是首先和车辆22所发生的。进一步地，区段S4或者区域ADE对于车辆21而言是危险驾驶盲区。

在一些实施例中，车辆的最大减速度可以取8-12m/S²中的值。

在一些实施例中，在计算障碍物22从运动到静止的时候还需要考虑系统延迟时间T_delay，此种情况下，障碍物从运动到停止在V0方向上所通过的距离(S3)为：

V1*cosθ*T_delay+(V1*cosθ)²/(2a*cosθ)。

在一些实施例中，系统延迟时间T_delay可以取0.1-1秒范围内的值。

当车辆21和车辆22同向行驶时，可以用以下公式表示一维情况下的危险驾驶盲区：

危险驾驶盲区＝S1-S3；

而当车辆21和车辆22对向行驶时，可以用以下公式表示一维情况下的危险驾驶盲区：

危险驾驶盲区＝S1+S3。

应当理解的是，以图2为例，上述的同向或对向行驶并不意味着车辆21和障碍物22的速度方向完全相同和平行，或者完全相对和平行；一般而言，如果车辆21和障碍物的车辆速度的夹角θ的余弦值cosθ大于零则认为车辆21和障碍物22同向行驶，而如果余弦值cosθ小于零则认为车辆21和障碍物22对向行驶。

在一些特殊的情况下，参见图2，如果障碍物(车辆)22以最大加速度刹车时所经过的距离S5大于S1，则此种情况下对于车辆21而言，总盲区小于安全驾驶盲区，即可认为总盲区此时对于车辆21而言均为安全驾驶盲区。

参见图3，其示出了盲区分类和计算的流程，包括：

31：确认当前为有障碍物场景；

32：判断障碍物是否静止，如果判断障碍物静止，则进入步骤34，直接确定由障碍物遮拦所造成的盲区为危险驾驶盲区；如果判断障碍物处于运动状态，进入步骤33；

33：计算由障碍物遮拦所造成的盲区，记为总盲区，然后进入步骤35；

35：计算安全驾驶盲区，即障碍物以最大减速度刹车所掠过的长度(面积)，然后进入步骤36；

36：判断安全驾驶盲区是否大于总盲区；如果安全驾驶盲区大于总盲区，则直接在步骤38确定安全驾驶盲区；如果安全驾驶盲区小于总盲区，进入步骤37；

37：用总盲区减去安全驾驶盲区，获得危险驾驶盲区，如果车辆和障碍物对向行驶，则以总盲区加上安全驾驶盲区获得危险驾驶盲区。

104：确定车辆盲区风险等级；根据车辆行驶场景可以确定车辆当前所处的场景，依据车辆所处的场景，基于大数据分析可以给出场景的风险等级r。

在一些实施例中，可以将车辆当前所处的场景分为：城市道路、高速道路、停车场道路。对于上述三种场景，可以给出不同的风险系数r，例如：

城市道路 风险系数r为0.4-0.6；

高速道路 风险系数r为0.2-0.8；

停车场道路 风险系数r为0.1-0.6；

对于上述三种场景，还可以继续细分场景，不同的细分场景对应于不同的风险系数r，例如：对于城市道路，可以包括路口场景，由于路口场景下车辆交汇，容易发生事故，所以此场景下的风险系数r可以定义为0.6；而如果城市道路的场景是城市高架，那么发生事故的几率会比较低，此场景下的风险系数r可以定义为0.4。在高速道路中，由于高速道路上一般不会发生有行人横向通过道路的事件，所以正常的高速道路场景可以将风险系数定义为0.2，而如果是在高速道路发生合流交汇的时候，由于车辆交汇会有较多的变道动作发生，加上车辆在高速道路上车速较快，所以此种场景下可以将风险系数r定义为0.8。

应当理解的是，上述的场景和风险系数r仅是示例性的而非限定，本领域技术人员可以基于实际情况来确定场景和与场景对应的风险系数r。

在确定了场景的风险等级后，可以确定车辆盲区风险等级，具体而言，可以依据如下参数来确定车辆盲区风险等级：

危险驾驶盲区B；B可以为步骤103所确定的危险驾驶盲区，B可以取一维的值，也可以取二维的值；

车辆距离盲区横向距离D；D可以取车辆中心至障碍物边缘的值，在图2的示例中，D可以取L1；

车辆当前行驶车速V；

车辆到达可能发生碰撞区域的时间TTC(Time to Collision)；在图2的示例中，TTC可以取车辆21到达危险驾驶盲区下缘的时间，即车辆以当前行驶车速V行驶到DF所需的时间。

车辆当前所处场景的风险系数r；

以带参数的函数可以表示为：

车辆盲区风险等级R＝f(B,D,TTC,V,r)

在一些实施例中，车辆盲区风险等级的表达式可以为：

在一些实施例中，可以采用相对简略的方式来计算车辆盲区风险等级，即仅利用危险驾驶盲区和所述车辆所处场景的风险系数确定车辆盲区风险等级，此时车辆盲区风险等级＝B*r。

应当理解的是，上述的车辆盲区风险等级的函数表达仅仅是示例性的，本领域技术人员可以依据实际需求而采用任何合适的函数表达而不背离本申请的精神，例如，可以使用e^B*r来计算车辆盲区风险等级，其中，e为自然对数的底。

105：确定驾驶策略；在104确定了车辆盲区风险等级后，即可依据车辆盲区风险R等级确定驾驶策略。

首先判断当前车辆盲区风险等级R是否小于安全阈值，若满足则仅需根据自动驾驶辅助系统(Advanced Driving Assist System:简称ADAS)的规划行驶，即步骤47；若不满足，首先进行横向规划避让，判断当前车辆能否进行换道避让，换道避让成功后继续回到风险系数计算步；若不能进行换道避让判断车辆是否能够进行道内避让，若道内避让成功继续回到风险系数计算步；若不能进行道内避障则继续进行安全行驶速度规划使得风险系数达到安全阈值以内，结合安全行驶速度规划和自动驾驶辅助系统速度规划，取速度最小值作为规划速度给到执行系统执行。

具体地，参见图4，其示出了基于车辆盲区风险等级来确定驾驶策略的流程，包括：

41：获取当前车辆盲区风险等级R；

42：判断车辆盲区风险等级R是否小于设定的阈值，如果小于设定的阈值，则表明当前的车辆盲区风险等级较小，因此此时可以按照自动驾驶辅助系统(Advanced DrivingAssist System:简称ADAS)的规划进行行驶；在一些实施例中，可以将设定的阈值定为0.5，应当理解的是，可以依据实际需求调高或降低阈值；如果R大于设定的阈值，则进入步骤43；

43：判断车辆是否可以进行换道避让，这里所谓的换道避让指的是车辆在横向方向上远离盲区，以避免可能的碰撞风险，以图2为例，如果车辆21进行换道避让，则车辆将向其右侧的车道切入以实现在横向方向上远离盲区；当换道避让成功后继续返回到步骤41以获取下一时刻的车辆盲区风险等级R；如果不允许换道避让，则进入步骤44；应当理解的是，不允许进行换道避让是由ADAS基于车辆实际情况所判断的，例如在当前车辆旁边的车道上的车辆较多无法进行换道的时候，ADAS会做出不允许换道避让的判断；

44：判断是否允许进行道内避让，即考虑在不进行换道避让的情况下是否可以避免可能发生的碰撞，参见图2，如果危险驾驶盲区(例如ADE或者S4)的范围较小，则代表盲区内有车辆或者行人的几率也较小，此情况下车辆21可以不进行换道避让而仅在当前车道内进行避让，车辆21可以在当前车道内横向地远离盲区以实现道内避让；当道内避让成功后继续返回到步骤41以获取下一时刻的车辆盲区风险等级R；如果不能进行道内避让，则进入步骤46；

46：进行安全行驶速度规划使得风险系数达到阈值以内，通常而言指将车速降低至某一值以下，同时还考虑引入步骤45，即自动驾驶辅助系统速度规划，取最小安全速度(步骤48)作为规划速度给到执行系统执行。

参见图5，其示例性地示意出了一种自动驾驶辅助系统50，包括：

传感器部51，传感器部可以包括常用的车载传感器，例如相机、GPS、雷达等，相机可以包括单目和/或双目相机，雷达可以包括激光雷达(Lidar)或毫米波雷达；相机负责采集道路场景图像，激光雷达和毫米波雷达负责采集动、静态目标数据，GPS用于获取车辆当前的位置；

感知部52，感知部接收传感器部收集的信息并依据这些信息来确定车辆行驶场景，车辆行驶场景可以包括例如(但不限于)车道线检测、交通标识检测、自车定位、静态/动态对象检测等；

决策部53，决策部接收感知部的车辆行驶场景信息并作出相应决策，例如(但不限于)确认危险驾驶盲区和车辆盲区风险等级，具体的确认方法可以参见上述各实施例的描述，拱依据车辆盲区风险等级做出相应的控制策略；

控制部54，依据决策部53的控制策略对车辆进行控制，包括(但不限于)上述实施例所描述的各种横向控制和纵向控制。

一些实施例还提供了一种智能驾驶车辆，其包括有上述的自动驾驶辅助系统50，从而使得智能驾驶车辆可以实施上述实施例的各种方案。

本申请各种实施例提供了一种车辆盲区识别方法、驾驶辅助系统以及包括该系辆，本申请技术方案首先确认车辆所处的场景是有障碍物还是无障碍物，在有障碍物的情况下，进一步综合地考虑障碍物的速度对盲区所产生的影响，通过引入安全驾驶盲区的概念以及对车辆盲区风险等级进行评估，使得技术方案可以精确地识别车辆驾驶盲区，并在此基础上做出有效的安全驾驶策略。另一方面，本申请的技术方案基于现有的驾驶辅助系统可完成，无序昂贵的道路基础设施，因此本申请的技术方案经济性高，利于推广和普及，并可以提升自动驾驶的安全性。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑业务划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各业务单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件业务单元的形式实现。

集成的单元如果以软件业务单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请所描述的业务可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些业务存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。

以上的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本申请的具体实施方式而已。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (18)

1.一种车辆盲区识别方法，包括：

获取车辆周围环境信息；

至少根据所述车辆周围环境信息判断车辆行驶场景，所述车辆行驶场景包括无障碍物场景和有障碍物场景；

在有障碍物场景下，至少基于障碍物和障碍物的速度确定危险驾驶盲区。

2.根据权利要求1所述方法，所述在有障碍物场景下，至少基于障碍物和障碍物的速度确定危险驾驶盲区，包括：

当障碍物速度为零时，确定障碍物产生遮挡的区域为危险驾驶盲区；

当障碍物速度不为零时，确定障碍物产生遮挡的区域为总盲区，确定障碍物以最大减速度制动在总盲区中扫过的长度或面积为安全驾驶盲区，依据总盲区和安全驾驶盲区确定所述危险驾驶盲区。

3.根据权利要求2所述方法，所述依据总盲区和安全驾驶盲区确定所述危险驾驶盲区，包括：

当车辆和障碍物同向行驶时，危险驾驶盲区为总盲区减去安全驾驶盲区；

当车辆和障碍物对向行驶时，危险驾驶盲区为总盲区加上安全驾驶盲区。

4.根据权利要求1-3任一所述方法，还包括：

依据所述车辆行驶场景确定车辆所处场景的风险系数；

至少依据所述危险驾驶盲区和所述车辆所处场景的风险系数确定车辆盲区风险等级。

5.根据权利要求1-4任一所述方法，所述至少依据所述危险驾驶盲区和所述车辆所处场景的风险系数确定车辆盲区风险等级，包括：

依据危险驾驶盲区、车辆距离盲区横向距离、车辆当前车速、车辆到达冲突区域的时间和车辆所处场景的风险系数确定车辆盲区风险等级。

6.根据权利要求5所述方法，还包括：

当所述车辆盲区风险等级高于设定阈值时，指示车辆优先进行横向避让，所述横向避让指车辆在横向方向上进入远离盲区的车道行驶；

当所述车辆盲区风险等级低于设定阈值时，指示车辆继续按照驾驶辅助系统的规划行驶。

7.根据权利要求6所述方法，还包括：

当所述车辆盲区风险等级高于设定阈值，且车辆无法进行横向避让时，指示车辆进行道内避让，所述道内避让指车辆在当前车道沿横向方向上远离盲区移动。

8.根据权利要求7所述方法，还包括：

当所述车辆盲区风险等级高于设定阈值，且车辆无法进行横向避让和道内避让时，车辆以自动驾驶辅助系统速度规划和安全行驶速度规划中的速度最小值行驶。

9.一种自动驾驶辅助系统，包括：

传感器部，所述传感器部包括：相机、GPS、雷达，所述传感器部用于获取车辆周围环境信息；

感知部，所述感知部和所述传感器部通信连接，所述感知部接收传感器部获取的信息并依据所获取的信息确定车辆行驶场景；

决策部，所述决策部与所述感知部通信连接，所述决策部依据所述车辆行驶场景确定危险驾驶盲区和车辆盲区风险等级；

车辆控制部，所述车辆控制部与所述决策部通信连接，所述车辆控制部至少依据所述车辆盲区风险等级确定驾驶策略。

10.根据权利要求9所述系统，所述在有障碍物场景下，至少基于障碍物和障碍物的速度确定危险驾驶盲区，包括：：

所述车辆行驶场景包括无障碍物场景和有障碍物场景；在有障碍物场景下，至少基于车辆和障碍物的速度确定危险驾驶盲区。

11.根据权利要求10所述系统，其中：

所述有障碍物场景包括障碍物速度为零和不为零；

当障碍物速度为零时，确定障碍物产生遮挡的区域为危险驾驶盲区；

当障碍物速度不为零时，障碍物产生遮挡的区域为总盲区，障碍物以最大减速度制动在总盲区中扫过的长度或面积为安全驾驶盲区，依据总盲区和安全驾驶盲区确定危险驾驶盲区。

12.根据权利要求11所述系统，所述依据总盲区和安全驾驶盲区确定所述危险驾驶盲区，包括：

当车辆和障碍物同向行驶时，危险驾驶盲区为总盲区减去安全驾驶盲区；

当车辆和障碍物对向行驶时，危险驾驶盲区为总盲区加上安全驾驶盲区。

13.根据权利要求9-12任一所述系统，其中：

依据所述车辆行驶场景确定车辆所处场景的风险系数；

至少依据所述危险驾驶盲区和所述车辆所处场景的风险系数确定车辆盲区风险等级。

14.根据权利要求13所述系统，其中：

依据危险驾驶盲区、车辆距离盲区横向距离、车辆当前车速、车辆到达冲突区域的时间和车辆所处场景的风险系数确定车辆盲区风险等级。

15.根据权利要求14所述系统，其中：

当所述车辆盲区风险等级高于设定阈值时，车辆优先进行横向避让，所述横向避让指车辆在横向方向上进入远离盲区的车道行驶；

当所述车辆盲区风险等级低于设定阈值时，车辆继续按照驾驶辅助系统的规划行驶。

16.根据权利要求15所述系统，其中：

当所述车辆盲区风险等级高于设定阈值，且车辆无法进行横向避让时，车辆进行道内避让，所述道内避让指车辆在当前车道沿横向方向上远离盲区移动。

17.根据权利要求16所述系统，其中：

当所述车辆盲区风险等级高于设定阈值，且车辆无法进行横向避让和道内避让时，车辆以自动驾驶辅助系统速度规划和安全行驶速度规划中的速度最小值行驶。

18.一种智能驾驶车辆，其包括根据权利要求9-17任一所述的自动驾驶辅助系统。

Images