CN118053321A - 车辆碰撞威胁评估 - Google Patents

Abstract

本发明涉及车辆碰撞威胁评估，尤其涉及一种用于车辆的碰撞威胁评估的计算机实现方法，包括：获得(110)包括关于至少一个道路使用者的信息的车辆周围环境的情景信息；基于该情景信息确定(120)该车辆在多个未来时间点的多个可能的未来位置的自我占用信息；基于该情景信息确定(130)所述至少一个道路使用者在所述多个未来时间点的多个可能的未来位置的道路使用者占用信息；融合(140)自我占用信息和道路使用者占用信息以获得每个未来时间点处的融合占用信息；以及基于该融合占用信息确定(150)碰撞威胁值。本发明还涉及相应的计算机系统、车辆和计算机程序。

Description

车辆碰撞威胁评估

技术领域

本发明涉及一种计算机实现的车辆碰撞威胁评估方法和计算机系统。

背景技术

威胁评估是支持各种ADAS(高级驾驶员辅助系统)特征或自主驾驶(AD)的关键内部组件之一。对于纵向或横向控制相关应用，车辆需要在实际执行或决定之前估计未来操纵或控制动作的风险。例如，在可以做出车道改变决定之前，车道改变辅助特征需要估计与相邻车道中的其他车辆的潜在碰撞。在另一示例中，碰撞避免系统(CAS)需要估计在车辆的未来轨迹中与其他车辆、行人或道路障碍物的潜在碰撞。

在现有技术中，这是通过使用基于动态的运动模型来提供其他道路使用者(例如，车辆、行人、骑自行车的人、骑摩托车的人)的未来轨迹假设来完成的。然后计算与自我车辆(即评估碰撞威胁的车辆)的未来轨迹的潜在碰撞。基于动态运动模型的预测可在短时间范围内提供相对良好的预测，但在较长的时间范围内显著损失准确度。这是因为它不能将所有的情景信息集成到复杂的交通场景中，并且情景信息对于长期预测起着重要的作用。

交通场景的复杂性取决于多个方面。例如，复杂的道路和车道结构(不同的交叉路口、环形道路、多车道道路等)、各种数量和类型的道路使用者(车辆、行人、骑车人等)可以在同一场景中，并且他们可能彼此交互，从而影响他们的未来行为。道路使用者的不同动态运动是可能的(例如，直线行驶、转弯或停车、高度动态的行人机动性等)。道路使用者的未来机动是未知的，并且多个未来机动通常是可行和可能的。因此，预期其他道路使用者将来的移动(例如几秒)不仅取决于他们当前的动态，而且取决于他们周围的整个驾驶情境。这通常导致需要多模态预测的多个可能且可行的操纵。

作为车辆交互的示例，车辆制动将很可能导致其后面的车辆减速。作为与道路交互的示例，当车辆接近右转时，车辆将减速，即使当车辆仍然以恒定速度向前直行时。这些情况对于城市驾驶是非常普遍的，并且基于动态运动模型的预测和威胁评估不能解决这些现实世界问题。因此，正确地估计未来的碰撞威胁是具有挑战性的任务。

发明内容

根据本发明的方法包括以下步骤：获得包括关于至少一个道路使用者的信息的车辆周围环境的情景信息；基于该情景信息确定该车辆在多个未来时间点的多个可能的未来位置的自我占用信息；基于所述情境信息确定所述至少一个道路使用者在所述多个未来时间点处的多个可能的未来位置的道路使用者占用信息；融合所述自我占用信息和所述道路使用者占用信息以获得每个未来时间点处的融合占用信息；以及基于所述融合占用信息确定碰撞威胁值。

根据本发明的方法，进行两种不同的预测，一种用于自我车辆的未来位置，一种用于至少一个其他道路使用者的未来位置。然后，该方法基于各个预测来估计自我车辆和至少其他道路使用者是否可能会碰撞。为此，基于融合预测来确定碰撞威胁值。融合各个预测可以例如通过组合各个预测来完成，例如通过加法或乘法。由于预测基于包括至少一个其他道路使用者的情景信息，因此可以考虑车辆之间的交互来进行预测。此外，本发明允许在涉及多个道路使用者的复杂场景中进行碰撞威胁评估。

通常，根据本发明的计算机实现方法可以在处理器上实现。

该计算机实现方法还可以包括通过选择情景信息的子集并使确定自我占用信息和道路使用者占用信息的步骤基于所选择的情景信息的子集来过滤情景信息的步骤。这允许例如考虑自我车辆驾驶员可以从车载系统(例如摄像头、激光雷达、雷达等)能检测到的信息中获得不同的信息。作为示例，驾驶员注视检测功能的输出可以帮助过滤掉驾驶员可能没有看到的道路使用者，因此假设自我车辆可能潜在地与那些道路使用者相碰撞。相反，假设已经被驾驶员识别的那些道路使用者将仍然包含在动态情景信息中。因此，预测将基于这样的假设，即自我车辆将不会与那些道路使用者碰撞，因为驾驶员将意识到他们。例如，如果驾驶员正确地看到正在行走的行人，则自主紧急制动(AEB)功能可以被更精细地调节以避免不必要的警告或破坏，并且同时仍然能够提供足够的安全性。这样，可以避免不必要的警告或动作。在该示例中，情景信息的子集将是自我车辆的传感器检测到的所有道路使用者的子集。这样，潜在碰撞的预测变得更加鲁棒，并且可以更精确地评估当前交通状况。

车辆和至少一个道路使用者的多个可能的未来位置可以被组织为网格图，并且自我占用信息和道路使用者占用信息在该网格图中重叠以获得融合占用信息。由于基于网格图的预测表示，自我预测和至少一个其他道路使用者之间的预测的重叠指示潜在的碰撞位置。因为每个预测包括多个时间层，所以这种重叠也可以在多个时间层进行。因此，重叠结果是一系列网格图，每个网格图表示在某个未来时间层的潜在碰撞位置。总之，在基于网格的表示中，在空间上和时间上对碰撞进行评估。

该计算机实现方法还可以包括以下步骤：如果碰撞威胁值在至少一个未来时间点超过预定阈值，则触发ADAS(高级驾驶员辅助系统)功能。例如，响应于碰撞警告指示，可以进行自动制动。在另一示例中，如果超过预定阈值，则可以输出碰撞警告指示。碰撞警告指示可以被输出给驾驶员和/或可以被记录。另选地或附加地，碰撞警告指示可以被上载到中央服务器，例如用于以后的评估和分析。

情景信息可以包括静态情景信息，其中静态情景信息表示关于车辆环境的信息。静态情景信息可以表示限制道路使用者的移动(包括自我车辆的移动)的车辆环境。例子包括道路、车道和交叉路口。通过考虑静态情景信息，自我车辆和至少一个道路使用者的可能的未来位置可以被限制到可能的位置。可以排除不可能或不太可能的位置(例如路外)。这样，预测变得更准确，并且避免或至少减少错误警告。

静态情景信息可以至少部分地由地图数据和/或交通规则来表示。地图数据是容易获得的，因为现代汽车通常包括路线引导系统。例如左手驾驶或右手驾驶、单向道路、路权等的交通规则通常也包含在路线引导系统中，并且可以用作改善碰撞预测的静态情景信息。

情景信息可以包括动态情景信息，其中动态情景信息表示关于自我车辆和/或至少一个道路使用者的信息。关于自我车辆和/或至少一个道路使用者的信息可以包括例如位置和速度。考虑动态情景信息不仅可以改善对至少一个道路使用者的位置的预测，而且可以改善自我车辆的位置的预测。

该计算机实现方法还可以包括通过选择车辆附近的道路使用者的子集并使确定自我占用信息的步骤基于所选择的道路使用者的子集来过滤道路使用者的步骤。如所解释的，这可以避免在道路使用者已经被自我车辆的驾驶员识别出并且碰撞的可能性相当低的情况下不必要地触发ADAS功能和/或碰撞警告。

获得车辆的情景信息的步骤可以包括获得与车辆的未来轨迹有关的操纵信息，并且确定自我占用信息的步骤还可以基于该操纵信息。在一个示例中，操纵信息可以由对应于驾驶员左转或右转的意图的车辆方向指示器提供。在另一示例中，车载路线引导系统可基于规划路线提供关于驾驶员可能遵循的路线的信息。在又一示例中，自主或半自主车辆的控制单元可提供车辆的计划的操纵。考虑到道路使用者之间的交互，使用计划的操纵信息提高了自我车辆以及其他道路使用者的可能的未来位置的预测的准确性。

根据本发明的计算机实现方法可以进一步包括以下步骤：获得包括关于多个道路使用者的信息的车辆周围环境的情景信息。因此，本发明的方法不仅可以考虑除了自我车辆之外的单个道路使用者，而且可以预测涉及更多道路使用者的更复杂的交通状况。

确定自我占用信息和/或道路使用者占用信息的步骤可以由经训练的人工神经网络来执行，该经训练的人工神经网络是基于包括多个移动道路使用者的交通状况的训练数据来训练的。用于人工神经网络(ANN)的软件包是容易获得的，因为它是加速这种网络的训练和推断的高度专用的硬件。一旦ANN被训练，它就可以用于估计自我车辆的占用信息。相同或另一经训练的ANN可用于估计其它道路使用者的占用信息。然后可以如上所述融合信息。

本发明的另一方面涉及一种包括处理器的计算机系统，所述处理器被配置为执行如本文所述的计算机实现方法的步骤。关于计算机系统相对于现有技术的优点，参考关于相应方法的解释。上述优点也适用于计算机系统。

本发明的另一方面涉及一种车辆，该车辆包括：如本文所述的计算机系统；以及被配置为提供传感器数据的多个传感器，其中至少部分地基于所述传感器数据来确定所述情景信息。关于该车辆相对于现有技术的优点，参考已经关于相应方法做出的解释。上述优点也适用于该车辆。此外，要注意的是，现代的汽车通常配备有馈送相应的ADAS和/或AD功能的多个传感器。因此，由这种传感器传送的数据也可以用于本发明的上下文中，并且原则上不需要安装额外的传感器。

本发明的另一方面涉及一种包括指令的计算机程序，所述指令在由计算机执行时使所述计算机执行如本文所述的计算机实现方法。关于计算机程序相对于现有技术的优点，参考已经关于相应方法做出的解释。上述优点也适用于该计算机程序。

附图说明

在下面的详细描述中参照附图更详细地描述本发明的可能实施方式。

图1示出了根据本发明的方法的示例性实施方式；

图2示出了本发明的情景中复杂交通场景中的占用信息估计；

图3A至图3C示出了在本发明的情景中在估计占用信息中包括计划操纵信息；以及

图4示出了考虑自我车辆的计划操纵信息用于碰撞估计的效果。

具体实施方式

为了简洁起见，下面将仅描述几个实施方式。本领域技术人员将认识到，参考这些特定实施方式描述的特征可以以不同的方式修改和组合，并且各个特征也可以省略。以上部分中的一般解释也适用于以下更详细的解释。

图1示出了根据本发明的用于车辆的碰撞威胁评估的方法100的示例性实施方式。在第一步骤110中，由处理器获得包括关于至少一个道路使用者的信息的车辆周围环境的情景信息。该情景信息包含关于车辆周围的信息，诸如车辆附近的其他道路使用者的位置和速度，并且可以通过诸如雷达、激光雷达、光学摄像头等车载传感器来获得。车辆的附近可以例如由这样的传感器的最大范围来限定。其它道路使用者的示例包括车辆，例如小汽车、卡车、自行车、摩托车、以及行人。情景信息还可以包括关于车辆本身的信息，例如其当前速度和方向。

处理器可以是中央处理单元(CPU)、微控制器、专用集成电路(ASIC)、图形处理单元(GPU)或专门为机器学习应用定制的处理器。这些示例是非穷举的。处理器可以固定地连接到车辆。在其他示例中，处理器在车辆外部，例如服务器的一部分，并且情景信息例如经由蜂窝无线电被无线地提供给处理器。该方法100可以实现为组成计算机程序并在处理器上执行的一系列指令。

在步骤120中，由处理器确定基于情景信息的自我车辆在多个未来时间点的多个可能的未来位置的自我占用信息。“自我车辆”通常被理解为对其进行碰撞威胁评估的车辆。因此，自我车辆配备有所述传感器，并且所述情景信息与自我车辆相关联。因此，自我占用信息涉及自我车辆在特定未来时间点位于特定位置的可能性。与较低的占用信息值相比，较大的占用信息值指示处于特定位置的较高概率。步骤120中的估计是针对多个未来位置进行的，这些未来位置可以例如被布置在车辆周围的网格中，如以下将更详细地解释的。还对多个未来时间点进行估计，使得可以认为该估计提供自我车辆的未来位置的三维(两个空间维度和一个时间维度)估计。

在步骤130中，处理器基于情景信息确定至少一个道路使用者在多个未来时间点处的多个可能的未来位置的道路使用者占用信息。类似于自我占用信息，道路使用者占用信息涉及至少一个道路使用者(不同于自我车辆)在特定未来时间点位于特定位置的可能性。与较低的占用信息值相比，较大的占用信息值指示处于特定位置的较高概率。就像在步骤120中一样，在步骤130中对多个未来位置进行确定，这些未来位置例如可以布置在自我车辆周围的网格中，这将在下面更详细地解释。还针对多个未来时间点做出确定，使得可以考虑该估计来提供所述至少一个道路使用者的未来位置的三维(两个空间维度和一个时间维度)估计。

应当注意，步骤120和130可以如图1所示并行运行。因此，该方法不必等待到步骤120结束再进行步骤130。

在步骤140中，融合自我占用信息和道路使用者占用信息，以获得每个未来时间点处的融合占用信息。融合例如可以通过在每个将来的时间点分别评估在每个可能的将来位置的自我车辆和道路使用者占用信息来完成。如果自我车辆占用信息高于第一预定阈值并且道路使用者车辆占用信息高于第二预定阈值，则推断存在碰撞的重大风险。第一和第二阈值可以不同或可以相同。在另一示例中，将自我车辆占用信息和道路使用者车辆占用信息相乘，并将结果与阈值进行比较。通常，导致碰撞风险估计的任何数学运算都是合适的。

在步骤150中，处理器基于融合占用信息确定碰撞威胁值。该值可以例如对应于自我车辆和至少另一个道路使用者在至少一个未来时间点碰撞的概率。例如，如果在步骤140通过导致单个值的数学运算(例如乘法)融合自我车辆和道路使用者占用信息，则该值可以表示碰撞威胁值。如果在步骤140将自我车辆占用信息和道路使用者车辆占用信息分别与第一和第二阈值进行比较，则碰撞威胁值可以是逻辑运算的结果，例如将阈值函数的结果作为输入的逻辑或运算。通常，碰撞威胁值可以是连续的，或者例如可以具有离散状态(例如“无风险”、“中等风险”和“高风险”)。通常，两种状态(“无风险”/“风险”)就足够了。在连续碰撞威胁值的情况下，该值可以与阈值进行比较，并且超过该阈值可以触发如下所述的进一步动作。

如果在步骤150中基于碰撞威胁值确定存在自我车辆与一些其他道路使用者碰撞的风险，则可以提供碰撞警告。碰撞警告可以被输出给驾驶员和/或用于控制自我车辆的功能。例如，响应于碰撞警告指示，可以进行自动制动。通常，碰撞警告指示可以被提供给ADAS(高级驾驶员辅助系统)功能。在另一个示例中，碰撞警告指示可以上载到中央服务器，例如用于以后的评估和分析。警告可以通过蜂窝无线电发送。

在以鸟瞰视角描绘交叉路口处的交通场景的图2中示出了如何在步骤120和130中估计占用信息的示例。该图示出了两个车辆的过去轨迹201a和202a以及行人的过去轨迹203a。更准确地，各个过去轨迹在三个离散的时间点被采样，其中方形点表示车辆轨迹而十字表示行人轨迹。在实际应用中，过去轨迹或其离散样本可以由自我车辆的车载传感器获得。图2还描绘了车辆的未来轨迹201b和202b以及行人的未来轨迹203b。未来轨迹是车辆和行人在该特定场景中实际遵循的轨迹，并且也表示为真实数据。

图2还描绘了在从0.5秒到6秒到未来的不同未来时间点的车辆和行人的未来位置的预测或估计。可能的未来位置被布置在网格图中，即地图被离散化成正方形，并且在每个未来时间点向每个正方形分配车辆和行人的占用信息。例如，车辆202被估计为向前直行204或右转205。两个选项具有相似的概率，这表明多模态预测或估计是可能的。

图2中所示的预测或估计是由被表示为CASPNet的经训练的人工神经网络(ANN)进行的，并且在Maximilian等人的“Context-Aware Scene Prediction Network(CASPNet)”(发表于2022年1月18日(arXiv:2201.06933))中有更详细的描述，其内容通过引用并入本文。CASPNet也是欧洲专利申请EP21191442.9(“Methods and systems forpredicting properties of a plurality of objects in a neighbor of a vehicle”)的主题，其内容也通过引用并入本文。通常，在本发明的上下文中可以使用诸如CASPNet的训练ANN来获得方法步骤120和130中的占用信息的估计或预测。然而，也可以使用提供这种估计或预测的其它方法。

ANN或任何其它估计或预测装置使用涉及道路使用者的许多不同真实交通场景来训练，例如车辆、自行车、摩托车、卡车、行人等。ANN或其它估计或预测装置将道路使用者的过去轨迹以及任何其它情景信息(例如道路、交通标志或交通规则)作为输入来呈现。过去轨迹可以例如被映射到网格上，其中被过去轨迹命中的网格点被分配高值，而剩余的网格点被分配低值。因此，过去轨迹被栅格化为网格图表示并用作ANN(例如CASPNet)的输入。因此，栅格化是位置的离散化，并且基于道路使用者的最终像素内位置，在该像素位置处存储其其他属性(除了位置之外)，例如加速度或道路使用者的类型。

然后，ANN或其他估计或预测装置对道路使用者的未来轨迹进行预测或估计。将该预测或估计与实际轨迹(真实数据)进行比较，并计算基本上表示预测误差的损失。训练ANN或其它估计或预测装置的目的是使相应地调整ANN的权重的损失最小化。然后，在给定未知交通状况的情况下，经训练的ANN或其它估计或预测装置能够估计或预测道路使用者的未来轨迹。更准确地，估计或预测是道路使用者在未来时间点的占用信息，而不是未来轨迹的精确预测，因为不同的轨迹几乎总是可能的。

如图1所示的根据本发明的方法还可以包括一些可选的步骤，现在将更详细地描述这些步骤。在可选步骤115中，过滤在步骤110中获得的情景信息，即，有意不向步骤120和130提供情景信息的一部分，步骤120和130估计自我车辆和至少一个其他道路使用者的占用信息。过滤可以影响动态情景信息和/或静态情景信息。动态情景信息表示关于至少一个道路使用者的信息，例如其位置和速度。静态情景信息表示关于车辆环境的信息，其可以限制道路使用者的移动，包括自我车辆的移动。示例包括道路、车道和交叉路口。在下文中，描述过滤情景信息的不同示例。

在第一示例中，自我车辆的占用信息的估计根本不具有动态情景信息，而仅具有静态情景信息。该示例对应于在假定没有其他道路使用者在道路上的情况下预测自我车辆的未来位置。自我车辆对于其他道路使用者是不可知的。因此，自我车辆可能仍然跟随道路或车道，但其并未看到例如行人正在闯入或车辆正在从侧面驶过或改变到自我车辆的车道。自我车辆的预测和其他道路使用者的预测彼此独立，并且在自我车辆和其他道路使用者被假定为彼此不知道的意义上，在他们之间没有交互。在这种情况下，通过将自我车辆预测与其他道路使用者的预测进行比较，根据本发明的方法不仅可以支持普通公路场景的特征，而且可以支持城市场景的特征，例如AEB(自动紧急刹车)或ACC(自适应巡航控制)。

在第二示例中，不提供用于估计自我车辆的占用信息的动态情景信息。相反，自我车辆的计划操纵信息被提供用于估计。计划操纵信息可以由对应于驾驶员左转或右转的意图的车辆方向指示器提供。在另一示例中，车载路线引导系统可以提供关于驾驶员可能遵循的路线的信息。在又一示例中，自主或半自主车辆的控制单元可以提供车辆的规划轨迹。提供自我车辆的最可能轨迹作为输入限制了长期预测的多模态性质，并且因此提供了对自我车辆的占用信息的更精确的预测。

这在图3A至图3C中更详细地示出，图3A至图3C示出了交叉路口处的自我车辆301。自我车辆有可能向前直行或向右转。在图3A至图3C所示的时间范围内，两种选择都是可能的和可行的。因此，在不知道车辆或其驾驶员的意图的情况下，得到如图3A所示的多模式预测结果，其中占用信息指示驾驶直线前进302与右转303存在几乎一样的可能性。

在图3B中，轨迹信息被提供给预测。在这种情况下，车辆或其驾驶员打算向前直行，并且估计的占用信息指示存在最大的可能性不会右转。相反，在图3C中，车辆或其驾驶员打算进行右转，并且估计的占用信息指示车辆存在最大的可能性将不向前直行。

在图4中更详细地呈现了考虑自我车辆的轨迹信息以进行碰撞估计的效果，图4涉及与图3A至图3C中所描绘的相同的交通场景。在图4中，示出了考虑自我车辆(或其驾驶员)的右转意图的自我车辆301的估计占用信息。因此，右转303的占用信息最高。在图4中，还示出了行人401的占用信息的估计，该行人正好在交叉路口附近(例如，在人行横道处)横穿过街道。实际上，占用信息指示行人401将可能在接下来的几秒内位于街道的中间。将图3A中所示的自我车辆的占用信息与图4中所示的行人的占用信息融合表示在网格点402处存在一些碰撞风险。在这种情况下，可以向驾驶员提供警告或者可以开始自动刹车。尤其是，如果车辆或其驾驶员的意图是向正前方行驶而不是右转，则估计的碰撞风险将低得多(比较图4和图3B)。

在如何使用过滤情景信息的第一和第二示例中，不提供整个动态情景信息用于估计自我车辆的占用信息，而仅提供静态情景。可以通过与车载感测特征相结合来对情景信息进行更详细的控制。作为示例，驾驶员的注视检测可以帮助过滤掉驾驶员可能没有看到的道路使用者或限制用于自我预测的某些静态情景信息。这可以辅助仿真自我驾驶员可以看到(或看不到)什么，因此也预期自我车辆的驾驶员未来行为，这最终可以帮助更准确的威胁评估。例如，如果驾驶员正确地看到正在行走的行人，则AEB功能可以被更精细地调节以避免不必要的警告或刹车，并且同时仍然能够提供足够的安全性。

因此，过滤某些情景信息对于更好地支持车辆内的某些ADAS或AD功能可能是有用的。

Claims (14)

1.一种用于车辆的碰撞威胁评估的计算机实现方法(100)，该计算机实现方法包括：

获得(110)包括关于至少一个道路使用者的信息的所述车辆的周围环境的情景信息；

基于所述情景信息确定(120)所述车辆在多个未来时间点的多个可能的未来位置的自我占用信息；

基于所述情景信息确定(130)所述至少一个道路使用者在所述多个未来时间点的多个可能的未来位置的道路使用者占用信息；

融合(140)所述自我占用信息和所述道路使用者占用信息以获得每个未来时间点处的融合占用信息；

基于所述融合占用信息确定(150)碰撞威胁值。

2.根据权利要求1所述的计算机实现方法(100)，该计算机实现方法还包括以下步骤：通过选择所述情景信息的子集并使确定自我占用信息和道路使用者占用信息的步骤基于所述情景信息的所选子集来过滤(115)情景信息。

3.根据权利要求1或2所述的计算机实现方法(100)，其中，所述车辆的多个可能的未来位置和所述至少一个道路使用者的多个可能的未来位置被组织为网格图，并且所述自我占用信息和所述道路使用者占用信息在所述网格图中重叠以获得所述融合占用信息。

4.根据权利要求1至3中任一项所述的计算机实现方法(100)，该计算机实现方法还包括以下步骤：如果所述碰撞威胁值在至少一个未来时间点超过预定阈值，则触发ADAS高级驾驶员辅助系统功能。

5.根据权利要求1至4中任一项所述的计算机实现方法(100)，其中，所述情景信息包括静态情景信息，其中，所述静态情景信息表示关于所述车辆的环境的信息。

6.根据权利要求5所述的计算机实现方法(100)，其中，所述静态情景信息至少部分地由地图数据和/或交通规则来表示。

7.根据权利要求1至6中任一项所述的计算机实现方法(100)，其中，所述情景信息包括动态情景信息，其中，所述动态情景信息表示关于所述自我车辆和/或所述至少一个道路使用者的信息。

8.根据权利要求1至7中任一项所述的计算机实现方法(100)，该计算机实现方法还包括以下步骤：通过选择所述车辆附近的道路使用者的子集并使确定自我占用信息的步骤基于所选择的道路使用者的子集来滤出(115)道路使用者。

9.根据权利要求1至8中任一项所述的计算机实现方法(100)，其中，获得(110)所述车辆的情景信息的步骤包括：获得与所述车辆的计划操纵有关的计划操纵信息，并且其中，确定自我占用信息的步骤还基于所述计划操纵信息。

10.根据权利要求1至9中任一项所述的计算机实现方法(100)，该计算机实现方法还包括以下步骤：

获得(110)包括关于多个道路使用者的信息的所述车辆的周围环境的情景信息。

11.根据权利要求1至10中任一项所述的计算机实现方法(100)，其中，确定(120、130)自我占用信息和/或道路使用者占用信息的步骤是由经训练的人工神经网络来执行的，所述经训练的人工神经网络是基于包括多个移动道路使用者的交通状况的训练数据来训练的。

12.一种计算机系统，该计算机系统包括被配置为执行根据权利要求1至11中任一项所述的计算机实现方法(100)的步骤的处理器。

13.一种车辆，该车辆包括：

根据权利要求12所述的计算机系统；以及

传感器系统，该传感器系统包括被配置为提供传感器数据的多个传感器，其中，所述情景信息是至少部分地基于所述传感器数据来确定的。

14.一种包括指令的计算机程序，所述指令在由计算机执行时使所述计算机执行根据权利要求1至11中任一项所述的计算机实现方法。