检测系统和方法与流程

相关申请的交叉引用

本申请要求2018年10月8日提交的美国临时专利申请no.62/742,646的权益，其全部公开内容通过引用并入本文。本申请还要求2018年10月9日提交的美国专利申请no.16/154,848的权益，其全部公开内容通过引用并入本文。

本公开内容总体上涉及检测系统，并且更具体而言涉及确定拖车-长度的检测系统。

背景技术：

已知使用雷达传感器来估计由车辆牵引的拖车的长度。拖车长度的稳定估计可能需要若干分钟。

附图说明

现在将参考附图通过示例描述本发明，其中：

图1是根据一个实施例的检测系统的示图；

图2是根据一个实施例的图1的检测系统的示图；

图3a是根据一个实施例的由图1的检测系统检测到的物体的曲线图；

图3b是根据一个实施例的图3a在纵向方向上物体的曲线图；

图4a是根据一个实施例的由图1的检测系统检测到的物体的曲线图；

图4b是根据一个实施例的图4a在纵向方向上物体的曲线图；

图5a是根据一个实施例的由图1的检测系统检测到的物体的曲线图；

图5b是根据一个实施例的图5a在纵向方向上物体的曲线图；

图6是根据一个实施例的确定纵向分布-模型的迭代过程的示图；以及

图7是根据另一个实施例的检测方法的示图。

具体实施方式

现在将详细参考实施例、在附图中示出的示例。在以下详细描述中，阐述了许多具体细节以便提供对各种描述的实施例的透彻理解。然而，对于本领域普通技术人员显而易见的是，可以实践各种描述的实施例而无需这些具体细节。在其它情况下，没有详细描述众所周知的方法、过程、部件、电路和网络，以免不必要地模糊实施例的各方面。

图1示出了安装在牵引拖车14的主车辆12上的检测系统10(下文称为系统10)的非限制性示例。如下面将更详细描述的，系统10是对其它检测系统的改进，因为系统10通过对数据点的分布进行分类并对数据点的分布执行回归以基于检测到的目标来估计拖车-长度16。系统10提供能够基于拖车14的尺寸实现对主车辆12的盲区(未示出)进行调节的技术益处，从而提高驾驶员和其它车辆的安全性。在一个实施例中，拖车14是可以具有实心板的封闭型的货物-拖车，而在另一个实施例中，货物-拖车是具有暴露框架的敞开式。在又一个实施例中，拖车14是船拖车。在又一个实施例中，拖车14是旅行拖车。

系统10包括雷达-单元20。如图2所示，雷达-单元20被配置为检测靠近主车辆12的物体26。雷达-单元20检测由主车辆12牵引的拖车14的特征反射的雷达-信号，如图2中所示。车辆上的典型雷达-系统仅能够确定到目标的距离28(即，范围)和方位角30，因此可以称为二维(2d)雷达-系统。其它雷达-系统能够确定到目标的仰角，因此可以称为三维(3d)雷达-系统。在图1中所示的非限制性示例中，2d雷达-单元20包括左传感器20a和右传感器20b。具有类似配置的雷达-单元20的雷达传感器-系统可从美国密歇根州的特洛伊的安波福获得，并且作为电子扫描雷达(esr)或后侧检测系统(rsds)出售。可预见的是，本文给出的教导适用于具有一个或多个传感器设备的雷达-系统。还可预见的是，本文给出的教导适用于具有一个或多个传感器设备的2d雷达-系统和3-d雷达-系统两者，即雷达-单元20的多个实例。雷达-单元20通常被配置为检测可以包括指示拖车14上存在的检测-目标的数据的雷达-信号。如本文所使用的，拖车14上存在的检测-目标可以是由雷达-单元20检测到的并由控制器-电路32跟踪的拖车14的特征，如下面将更详细描述的。

返回参见图1，系统10还包括与雷达-单元20通信的控制器-电路32。雷达-单元20可以通过主车辆12的电气-系统(未示出)硬连线到控制器-电路32，或者可以通过无线网络(未示出)进行通信。控制器-电路32可以包括诸如微处理器之类的处理器(未示出)或诸如包括用于处理数据的专用集成电路(asic)的模拟和/或数字控制电路之类的其它控制电路，这对于本领域技术人员而言是显而易见的。控制器-电路32包括存储器22，其包括非易失性存储器，例如用于存储一个或多个例程、阈值和捕获数据的电可擦除可编程只读存储器(eeprom)。一个或多个例程可以由处理器执行，以执行基于由控制器-电路32从雷达-单元20接收的信号来检测物体26的步骤，如本文所述。控制器-电路32被配置为使用将被本领域技术人员理解的目标的零距离率(zero-range-rate)(zrr)检测的已知方法来确定拖车14正在被主车辆12牵引(即，确定拖车存在)。

图3a示出了沿着主车辆纵向轴线34和主车辆横向轴线36定位zrr目标的多个雷达传感器20a、20b数据采集周期的曲线图。拖车14具有已知的3.2米的拖车-长度。每一个数据采集周期由在50毫秒(50ms)的时间间隔内每一雷达传感器20a、20b的64个检测结果、或两个雷达传感器20a和20b的总共128个检测结果组成。该曲线图的原点位于主车辆12的前保险杠(未具体示出)的中心。

图3b示出了由控制器-电路32确定的检测-分布24，其特征在于与由主车辆12牵引的拖车14相关联的zrr检测的纵向-分布。也就是说，检测-分布24是仅沿着主车辆纵向轴线34的图3a的zrr目标组的曲线图。注意的是，图3b中的曲线图的x轴是距主车辆12的后端的距离28，而不是如图3a所示的距前保险杠的距离。控制器-电路32在有限的时间段内(在本文所示的示例中持续时间大约为1分钟)确定检测-分布24。

检测-分布24的特征在于在主车辆12后面延伸预定-距离38的连续预定长度间隔内检测到的zrr目标组。在本文示出的示例中，这些组表示以0.2米(0.2m)的增量检测到的从主车辆12的后端延伸达到约12m的距离28的zrr目标。例如，沿着图3b中的曲线的x轴的每10个点表示距离5m长的主车辆12的后端的距离28是2m。图3b中的y轴表示一组中累积的检测次数。组中的一些组表示真实-物体，而其它组表示幻觉-物体。发明人的实验已经发现，小于或等于约0.2米的预定长度间隔提供了在存储器22利用率与拖车-长度16测定的准确度之间的适当的平衡。选择12m的预定-距离38作为典型的、可以由主车辆12在道路上合法牵引的最长拖车的代表。然而，预定-距离38可以是用户定义的并且被调整到超出12m的其它距离28。

再次参考图1，控制器-电路32还被配置为基于检测-分布24和存储在控制器-电路32中的纵向-分布-模型44的比较来确定拖车-分类42。拖车-分类42指示拖车14的尺寸并且包括第一类46(例如，拖车14具有1m到4m之间的拖车-长度16的拖车14)、第二类48(例如，具有4m到8m之间的拖车-长度16的拖车14)和第三类50(例如，具有8m到12m之间的拖车-长度16的拖车14)。纵向-分布-模型44被训练(即，校准或优化)以使用已知数据(即，收集来自具有已知拖车-长度的各种拖车14的检测-分布24的训练-数据)、使用具有监督学习的机器学习算法(例如，具有“标签”y的“示例”x)来确定拖车-分类42，其中x-训练-数据是在预定长度间隔(即，每0.2m到12m)中的每一个预定长度间隔处的累积检测，并且y-训练-数据是相关的已知拖车-分类(即，第一类46、第二类48和第三类50)。机器学习算法基于确定拖车-分类42的训练-数据创建模型。任何适用的机器学习算法可以用于开发纵向-分布-模型44。一种这样的机器学习算法是由美国马萨诸塞州纳蒂克的mathworks公司提供的“fitensemble()”。基于纵向-分布-模型44和检测-分布24的拖车-分类42的预测使用美国马萨诸塞州纳蒂克的mathworks公司的“predict()”函数或类似的已知算法执行。在图3a所示示例中，拖车14被系统10分类为第一类46拖车14。

控制器-电路32通过将回归-模型52应用于检测-分布24，以基于检测-分布24和拖车-分类42确定拖车-长度16。回归-模型52与拖车-分类42中的每一个拖车-分类相关联并存储在控制器-电路32中。每一个拖车-分类42都与其唯一回归-模型52相关联，以更准确地确定拖车-长度16。回归-模型52被训练以使用与以上所述相同的具有监督学习的机器学习算法并使用已知训练-数据来确定拖车-长度，其中，x-训练-数据是在预定长度间隔中的每一个(即，每0.2m)处的累积检测，并且y-训练-数据是相关联的已知拖车-长度。回归-模型52使用美国马萨诸塞州纳蒂克的mathworks公司的“fitrensemble()”进行开发，并使用50次迭代来收敛到具有可接受的误差或残差值的模型。控制器-电路32使用检测-分布24作为回归-模型52的输入来估计或预测拖车-长度16。拖车-长度16的预测也使用美国马萨诸塞州纳蒂克的mathworks公司的“predict()”函数或类似的已知算法，以基于回归-模型52和检测-分布24来执行。

在图3b所示示例中，预测拖车-长度16与已知长度3.20m相比为3.22m。图4a-4b示出了被分类为具有已知长度6.60m的第二类48的拖车14，以及由系统10预测的6.58m的拖车-长度16。图5a-5b示出了被分类为具有已知长度8.90m的第三类50的拖车14，以及由系统10预测的8.92m的拖车-长度16。发明人的实验已经发现，使用上述系统10预测拖车-长度16已经显示出将误差减小到小于已知拖车-长度的1.5％。

图6示出了使用上述函数和已知训练-数据来确定纵向-分布-模型44的迭代过程的示例。迭代-1初始应用表示训练-数据的平均值的线性函数，之后计算误差残差(即，平均值和特定数据点之间的差值)。来自迭代-1的误差残差图与用于更新迭代-2中的线性函数的步进-函数拟合。迭代过程持续n次迭代(优选地n＝50)，直到得到的纵向-分布-模型44被表征为具有接近零的误差残差。

图7是示出检测方法100的另一实施例的流程图。

步骤102，检测物体，包括利用如上所述的雷达-单元20检测靠近主车辆12的物体26。

步骤104，确定检测-分布，包括利用与雷达-单元20通信的控制器-电路32，基于雷达-单元20确定检测-分布24。检测-分布24的特征在于与由主车辆12牵引的拖车14相关联的零距离率检测的纵向-分布。检测-分布24在约1分钟的有限时间段内被确定。如上所述，控制器-电路32检测在主车辆12后面延伸预定-距离38的连续预定长度间隔内的零距离率检测。

步骤106，确定拖车-分类，包括利用控制器-电路32，基于检测-分布24与存储在控制器-电路32中的纵向-分布-模型44的比较，来确定拖车-分类42。拖车-分类42包括如上所述的第一类46、第二类48和第三类50。

步骤108，确定拖车-长度，包括利用控制器-电路32，基于如上所述的检测-分布24和拖车-分类42，来确定拖车14的拖车-长度16。如上所述，拖车-长度16由存储在控制器-电路32的存储器22中的回归-模型52确定。每一个拖车-分类42都具有唯一的回归-模型52。

因此，提供了检测系统10(系统10)、用于系统10的控制器-电路32和检测方法100。系统10是对其它检测系统的改进，因为系统10在小于1分钟的时间段内估计拖车-长度16并且减小测量误差。

尽管已经根据本发明的优选实施例描述了本发明，但是并不旨在限制本发明，而是仅限于所附权利要求中阐述的范围内。“一个或多个”包括由一个元件执行的功能、由多于一个元件执行的功能(例如，以分布式方式执行)、由一个元件执行若干功能、由若干元件执行若干功能、或以上的任何组合。还应当理解的是，虽然在某些情况下，术语第一、第二等在本文中用于描述各种元件，但这些元件不应受这些术语的限制。这些术语仅用于使一个元件区别于另一个元件。例如，第一触点可以被称为第二触点，并且类似地，第二触点可以被称为第一触点，而不脱离各种描述的实施例的范围。第一触点和第二触点都是触点，但它们不是相同的触点。本文的各种描述的实施例的描述中使用的术语仅用于描述特定实施例的目的，而不旨是限制性的。如在各种描述实施例和所附权利要求的描述中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文另有明确说明。还应当理解的是，本文所用的术语“和/或”是指并包含相关所列项目中的一个或多个中的任何和所有可能的组合。将进一步理解的是，术语“包含”、“包含”、“包括”和/或“包括”在本说明书中使用时指定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除存在或添加一个或多个其它特征、整数、步骤、操作、元件、部件和/或其组合。如本文所使用的，术语“如果”可选地根据上下文被解释为表示“何时”或“在……时”或“响应于确定”或“响应于检测”。类似地，短语“如果确定”或“如果检测到[陈述的条件或事件]”可选地根据上下文被解释为表示“在确定时”或“响应于确定”或“在检测到[陈述的条件或事件]时”或“响应于检测到[陈述的条件或事件]”。