1.本发明涉及一种用于使铰接式车辆组合体倒车的方法。本发明还涉及一种用于铰接式车辆组合体的控制单元和/或一种铰接式车辆组合体。
2.本发明可以应用于重型车辆，例如卡车、公共汽车和建筑设备。尽管将针对重型铰接式车辆组合体来描述本发明，但本发明不限于这种特定车辆，还可以用在其它车辆中，例如乘用轿车、轮式装载机、挖掘机和反铲装载机。
背景技术：3.驾驶员辅助系统经常用于现代车辆(包括卡车)中，用于辅助驾驶员执行某些驾驶操作。例如，众所周知的是使用巡航控制系统、遵循所印刷的车道标记的车道保持辅助系统以及用于倒车的驾驶辅助系统。
4.对于例如卡车，尤其对于卡车和挂车组合体(铰接式车辆组合体)，倒车对驾驶员来说可能是一项具有挑战性的任务。为此，例如已知在倒车期间通过使用例如面向后的相机来支持驾驶员。当沿着行驶路径使铰接式车辆组合体倒车和转向时，可以通过使用所显示的相机图像来支持驾驶员。
5.作为另一个示例，还已知提供了更高级的系统，其中驾驶员不需要例如在倒车期间使铰接式车辆组合体转向。这样的系统可以使用gnss(全球导航卫星系统)定位数据作为用于使铰接式车辆组合体沿着行驶路径倒车的输入。
6.然而，已经发现在某些情况下无法使用gnss定位数据，因为存在具有无线电盲区的区域。例如，在终点区域和/或森林道路上，铰接式车辆组合体可能无法可靠地接收到gnss定位数据。
7.因此，鉴于上述情况，努力开发更先进的用于使铰接式车辆组合体倒车的方法。
技术实现要素：8.本发明的一个目的是提供一种改进的用于使铰接式车辆组合体沿着道路的道路曲率倒车的方法、一种改进的用于铰接式车辆组合体的控制单元和/或包括控制单元的铰接式车辆组合体。
9.根据本发明的第一方面，所述目的通过根据权利要求1的方法来实现。根据本发明的第二方面，所述目的通过根据权利要求12的控制单元来实现。根据第三方面，所述目的通过根据权利要求22的铰接式车辆组合体来实现。
10.根据第一方面，所述目的通过一种用于使铰接式车辆组合体沿着道路的道路曲率倒车的方法来实现。所述方法包括：
11.获得表示相对于所述铰接式车辆组合体的向后视图的图像数据；
12.检测所述图像数据中的所述道路的道路边缘；
13.确定所检测到的各个道路边缘的多个纵向位置和横向位置；
14.基于所确定的横向位置和纵向位置来计算所述道路的道路曲率；
15.计算用于保持在所述道路上的车辆路径曲率；以及
16.通过将铰接式车辆组合体自动转向以遵循所计算的车辆路径曲率从而遵循所述道路曲率来使所述铰接式车辆组合体倒车，其中，通过使用图像分析算法来检测所述道路边缘，该图像分析算法是基于多个不同道路类型的多种预定义类型的道路边缘。
17.通过提供本文中公开的方法，实现了铰接式车辆组合体的改进的倒车，其中，所述铰接式车辆组合体在倒车时遵循道路的道路曲率而不偏离道路，或至少基本上不偏离道路。更具体地，已经认识到，在某些情况下，传统的倒车辅助系统可能无法可靠地确定和/或获得关于道路的道路曲率的信息。例如，如果车辆位于森林道路上或在被高建筑物包围的道路上，则可能无法接收到gnss定位数据。此外，在某些情况下，向后监测(projecting)的感知传感器也可能难以有效地识别铰接式车辆组合体后方的道路的道路边缘。因此，通过使用本文中公开的图像分析算法，可以有效地识别不同类型道路的不同类型的道路边缘。例如，森林道路可能包括砾石、泥土、草、土壤、碎屑等，因此可能难以识别森林道路的道路边缘。作为另一个示例，柏油道路例如可能被冰、雪和/或碎片覆盖，因此也可能难以识别此类道路的道路边缘。通过使用基于多个不同道路类型的多种预定义类型的道路边缘的图像分析算法，可以有效地识别倒车期间的道路边缘。
18.可选地，所述图像分析算法可以是神经网络算法。仍然可选地，所述多个不同道路类型的多种预定义类型的道路边缘可以通过使用神经网络训练算法来获得，其中，该神经网络训练算法已经基于不同道路类型的图像数据进行了训练，其中，所述不同道路类型的道路边缘至少最初已被手动标注。因此，该神经网络训练算法本身可以学习如何识别道路边缘，而且已经发现对道路边缘进行手动标注是有利的，以进一步改进该方法的道路边缘检测。例如，某些道路(例如不同的森林道路)的道路边缘对于神经网络训练算法来说可能难以识别，在这种情况下，让人类手动标注道路边缘可能是有益的，在神经网络训练算法已经开始获得多个不同道路类型的不同类型的道路边缘之后也是如此。
19.可选地，所述图像分析算法可以基于霍夫变换。已经发现霍夫变换是上述神经网络算法的一个很好的替代方案。
20.可选地，可以通过对所获得的图像数据使用距离测量校准算法来进一步确定所述横向位置和纵向位置。仍然可选地，该距离测量校准算法可以包括图像中的配准像素位置，其中，该图像表示相对于所述铰接式车辆组合体的向后视图的对应视图，并且其中，这些像素位置与到车辆组合体后方的对象的相应已知的横向距离和纵向距离相关联。通过使用距离测量校准算法，可以在倒车期间提供离所识别的道路边缘的更准确的纵向距离和横向距离。因此，可以进一步改善道路曲率遵循(road curvature following)，从而降低在倒车期间偏离道路的风险。
21.可选地，该距离测量校准算法可以包括前视点(look ahead point)的一个或多个配准像素位置，该前视点位于车辆组合体后方在纵向方向上的预定义距离处，其中，所述方法进一步包括：
22.通过使用所获得的图像数据，确定指示所述前视点相对于所计算的道路曲率的横向位移的值，并且其中，通过将铰接式车辆组合体自动转向以遵循所计算的车辆路径曲率从而遵循所述道路曲率来使所述铰接式车辆组合体倒车是通过使用所确定的指示所述横向位移的值而进一步执行的。已经发现，基于预定义的前视点和指示前视点相对于所计算
的道路曲率的横向位移的值来提供自动转向命令是有利的。因此，可以响应于指示前视点的横向位移的值来提供转向命令。此外，通过使用上述方式，可以提供用于遵循道路的便利的计算过程，其需要减少的计算工作量。因此，可以提供更成本有效的方法，从而需要较少复杂的计算资源。此外，这也可意味着更快的处理，降低了例如时间滞后的风险。
23.可选地，通过将车辆组合体自动转向以遵循所计算的车辆路径曲率从而遵循所述道路曲率来使所述车辆组合体倒车可以通过使用用于所述铰接式车辆组合体的预定义的几何车辆模型来执行，其中，该几何车辆模型基于当所述铰接式车辆组合体相对于曲率半径倒车移动时、与所述铰接式车辆组合体相关的几何变量是如何相互关联的，其中，这些几何变量包括关于所述曲率半径的铰接角度变量(phi_ref)和关于所述曲率半径的横向位移变量(y_lateral)中的任一个。
24.仍然可选地，该几何车辆模型可以包括以下等式中的任一个：
25.(l2*cos(phi_ref)+c)/(sin(phi_ref))＝pr；
26.(l^2+y_lateral^2)/(2*y_lateral)＝pr；
27.其中，pr是车辆路径曲率半径，l2是车辆组合体的后挂车轴距长度，c是倒数第二个挂车联接点距倒数第二个挂车后桥的距离，phi_ref是与所述前视点相对于道路曲率的横向位移相对应的挂车铰接角度，l是所述前视点在车辆组合体后方在纵向方向上的预定义距离，并且y_lateral是所述前视点相对于道路曲率的横向位移。
28.这里使用的轴距长度可以是实际轴距长度和有效轴距长度中的任一种。轴距长度和有效轴距长度为本领域技术人员所熟知。然而，有效轴距长度可以定义为枢轴点与车身(例如挂车)的车轮之间的长度。例如，有效枢轴点可以位于车身的两个或三个相邻车桥之间，例如在挂车的两个相邻后桥之间。
29.可选地，所述多个不同道路类型可以包括碎石道路、森林道路、泥土道路、带有印刷的车道或其它道路标记的终点道路等中的至少一种。
30.可选地，通过将铰接式车辆组合体自动转向以遵循所计算的车辆路径曲率从而遵循所述道路曲率来使所述铰接式车辆组合体倒车可以通过进一步获得指示所述车辆组合体的当前铰接角度的当前铰接角度值并且响应于当前铰接角度值控制所述铰接式车辆组合体的转向来执行。车辆组合体的当前铰接角度可以定义为铰接式车辆组合体的最后两个互连的车身之间的铰接角度，例如牵引卡车与其挂车之间的铰接角度。此外，并且仍然可选地，定位在最后一个车辆铰接角度前方的车辆铰接角度可以涉及用于使最后测量到的铰接角度转向以与phi_ref一致。
31.根据第二方面，所述目的通过一种用于铰接式车辆组合体的控制单元来实现，该铰接式车辆组合体包括用于获得表示道路的向后视图的图像数据的至少一个感知传感器，该控制单元被配置成：
32.从所述至少一个感知传感器获得表示相对于所述铰接式车辆组合体的向后视图的图像数据；
33.检测该图像数据中的所述道路的道路边缘；
34.确定所检测到的各个道路边缘的多个纵向位置和横向位置；
35.基于所确定的横向位置和纵向位置来计算所述道路的道路曲率；
36.计算用于保持在所述道路上的车辆路径曲率；以及
37.在所述铰接式车辆组合体的倒车期间提供转向命令以遵循所计算的车辆路径曲率从而遵循道路曲率，其中，通过使用图像分析算法来检测道路边缘，该图像分析算法基于多个不同道路类型的多种预定义类型的道路边缘。
38.本发明的第二方面的优点和效果在很大程度上类似于本发明的第一方面的优点和效果。还应注意，本发明的第一方面的所有实施例都适用于本发明的第二方面的所有实施例，反之亦然。
39.所述控制单元可以包括微处理器、微控制器、可编程数字信号处理器或其它可编程设备。主控制单元还可以包括或替代地包括专用集成电路、可编程门阵列或可编程阵列逻辑、可编程逻辑器件或数字信号处理器。在所述控制单元包括诸如上述微处理器、微控制器或可编程数字信号处理器的可编程设备的情况下，所述处理器可以还包括控制所述可编程设备的操作的计算机可执行代码。所述控制单元可以包括嵌入式硬件，有时具有集成软件，其中该硬件表现出密切的物理关系。物理关系的示例包括：共享外壳和安装在一个或多个电路板上的组件。还应注意，所述控制单元可以是若干个通信连接的控制单元的组合。
40.可选地，所述图像分析算法可以是神经网络算法。
41.可选地，所述多个不同道路类型的多个预定义类型的道路边缘可以通过使用神经网络训练算法来获得，其中，该神经网络训练算法已经基于不同道路类型的图像数据进行训练，其中，所述不同道路类型的道路边缘至少最初已经被手动标注。
42.可选地，所述图像分析算法可以基于霍夫变换。
43.可选地，可以通过对所获得的图像数据使用距离测量校准算法来进一步确定所述横向位置和纵向位置。
44.可选地，所述距离测量校准算法可以包括图像中的配准像素位置，其中，该图像表示相对于所述铰接式车辆组合体的向后视图的对应视图，并且其中，这些像素位置与到车辆组合体后方的对象的相应已知的横向距离和纵向距离相关联。
45.可选地，所述距离测量校准算法可以包括前视点的一个或多个配准像素位置，该前视点位于车辆组合体后方在纵向方向上的预定义距离处，其中，所述控制单元可以进一步被配置成：
46.通过使用所获得的图像数据，确定指示所述前视点相对于所计算的道路曲率的横向位移的值，并且其中，用于遵循所述车辆路径曲率从而遵循所计算的道路曲率的所述转向命令是基于所确定的指示所述横向位移的值。
47.可选地，用于遵循所述车辆路径曲率从而遵循所计算的道路曲率的所述转向命令可以基于用于所述铰接式车辆组合体的预定义的几何车辆模型，其中，该几何车辆模型基于当铰接式车辆组合体相对于曲率半径倒车移动时、与所述铰接式车辆组合体相关联的几何变量是如何相互关联的，其中，这些几何变量包括关于所述曲率半径的铰接角度变量和关于所述曲率半径的横向位移变量中的任一个。
48.可选地，所述几何车辆模型可以包括以下等式中的任一个：
49.(l2*cos(phi_ref)+c)/(sin(phi_ref))＝pr；
50.(l^2+y_lateral^2)/(2*y_lateral)＝pr；
51.其中，pr是车辆路径曲率半径，l2是车辆组合体的后挂车轴距长度，c是倒数第二个挂车联接点距倒数第二个挂车后桥的距离，phi_ref是与所述前视点相对于所述道路曲
率的横向位移相对应的挂车铰接角度，l是所述前视点在车辆组合体后方在纵向方向上的预定义距离，并且y_lateral是所述前视点相对于所述道路曲率的横向位移。
52.可选地，在所述铰接式车辆组合体的倒车期间提供的转向命令可以基于：所述控制单元被进一步配置成获得指示所述车辆组合体的当前铰接角度的当前铰接角度值，其中，所述铰接式车辆组合体响应于所述当前铰接角度值而转向。
53.根据第三方面，所述目的通过一种铰接式车辆组合体来实现，该铰接式车辆组合体包括至少一个感知传感器和根据本发明的第二方面的任一个实施例的控制单元，该至少一个感知传感器用于获得表示相对于铰接式车辆组合体的向后视图的图像数据。
54.本发明的第三方面的优点和效果在很大程度上类似于本发明的第一方面和第二方面的优点和效果。还应注意，本发明的第一方面和第二方面的所有实施例都适用于本发明的第三方面的所有实施例，反之亦然。
55.可选地，所述铰接式车辆组合体还可以包括传感器，该传感器用于获得指示车辆的铰接角度的当前铰接角度值。
56.根据第四方面，所述目的通过包括程序代码组件的计算机程序来实现，该程序代码组件用于当所述程序在计算机上运行时执行第一方面的任一实施例的步骤。该计算机程序优选在根据本发明的第二方面的控制单元上运行。
57.本发明的第四方面的优点和效果在很大程度上类似于本发明的第一方面、第二方面和第三方面的优点和效果。还应注意，本发明的第一方面、第二方面和第三方面的所有实施例都适用于本发明的第四方面的所有实施例，反之亦然。
58.根据第五方面，所述目的通过携载计算机程序的计算机可读介质来实现，该计算机程序包括程序代码组件，该程序代码组件用于当所述程序产品在计算机上运行时执行第一方面的任一实施例的步骤。该计算机程序优选在根据本发明的第二方面的控制单元上运行。
59.在以下描述和从属权利要求中公开了本发明的其它优点和有利特征。
附图说明
60.参考附图，下面是作为示例引用的本发明实施例的更详细描述。
61.在这些图中：
62.图1是根据本发明的示例实施例的车辆的侧视图；
63.图2是即将沿着道路倒车的车辆组合体的示意性二维俯视图；
64.图3是根据本发明的一个示例的方法的流程图；
65.图4是根据本发明的示例实施例的、即将使用预定义的几何车辆模型沿着道路倒车的车辆组合体的示意性二维俯视图；并且
66.图5示意性地示出了根据本发明的示例实施例的、用于提供距离测量校准算法的感知传感器的相机图像。
具体实施方式
67.在图1中，示出了车辆1(重型卡车10和挂车11的组合体的形式)的侧视图。因此，图1示出了铰接式车辆组合体1的示例，并且其包括被布置成相对于彼此铰接的两个互连的车
身10、11。在所示出的实施例中，这两个车身10、11被布置成绕铰接轴线a相对于彼此铰接。如铰接式车辆组合体1设置在平坦的水平延伸路面上时所见，铰接轴线a被竖直设置。
68.应当注意，尽管示出了卡车10和挂车11的组合体，但本发明不仅限于这种类型的车辆，而是还可用于其它铰接式车辆组合体，例如具有至少一个铰接接头的其它类型的卡车、公共汽车和建筑设备。本文中所使用的“铰接式车辆组合体”可以定义为包括至少两个互连的车身的车辆，这些车身可以绕铰接接头相对于彼此铰接。此外，本发明还可以有利地实施于包括不止一个铰接接头的车辆，例如被称为北欧组合的重型卡车和挂车组合体。北欧组合包括通过牵引拖台(dolly)连接到至少一个挂车的卡车。因此，北欧组合包括至少两个铰接接头。具有不止一个铰接接头的车辆在某些情况下(例如在狭窄区域中，包括(但不限于)森林道路、终点区域等)可能难以手动倒车。因此，通过提供本文中公开的方法，能够在这类情况下提供改进的倒车。
69.例如参考图1至图3，将描述根据本发明的示例实施例的方法。图2示出了当铰接式车辆组合体1沿着道路rs的道路曲率r倒车时从上方观察的示意图。铰接式车辆组合体1例如可以是如图1所示的铰接式车辆组合体。铰接式车辆组合体1包括感知传感器2，该感知传感器2用于获得表示道路rs的向后视图的图像数据。
70.可选地，感知传感器2可以是lidar(光检测和测距)、radar(无线电检测和测距)、sonar(声音导航测距)和/或相机。优选地，感知传感器2是相机。感知传感器2被安装成使得能够获得道路rs的向后视图。在图1和图2中，相机2安装在挂车11的后端处。
71.该方法包括：
72.s1：获得表示相对于铰接式车辆组合体1的向后视图的图像数据；
73.s2：检测该图像数据中的道路rs的道路边缘re
l
、rer；
74.s3：确定所检测到的各个道路边缘re
l
、rer的多个纵向位置和横向位置。如图2所示，可以关于可与道路的表面基本平行的二维平面来确定道路边缘的re
l
、rer的纵向位置和横向位置，但也可以在三维空间(未示出)中确定它们。通过使用二维平面来实现本文中公开的方法，已经证明有助于所需的计算，因此可能需要较少的计算工作量。此外，通过应用二维近似，已经证明足以有效地使铰接式车辆组合体1倒车。
75.该方法进一步包括：
76.s4：基于所确定的横向位置和纵向位置来计算道路rs的道路曲率r。在图2所示的示例中，道路曲率r已经被设定为位于每个道路边缘re
l
、rer正中间的道路曲率r。然而，应当理解，道路曲率r可以被设定为指示道路rs的路径的任何道路曲率。例如，在某些情况下，道路曲率r可以偏向相应的道路边缘re
l
、rer中的任一个。
77.该方法进一步包括：
78.s5：计算用于保持在道路rs上的车辆路径曲率pc；以及
79.s6：通过将铰接式车辆组合体1自动转向以遵循所计算的车辆路径曲率pc从而遵循道路曲率r，来使铰接式车辆组合体1倒车，其中，道路边缘re
l
、rer是通过使用图像分析算法检测的，该图像分析算法基于多个不同道路类型的多种预定义类型的道路边缘。
80.该图像分析算法优选为神经网络算法，并且其中所述多个不同道路类型的预定义类型的道路边缘可以通过使用神经网络训练算法来获得。该神经网络训练算法优选基于不同道路类型的图像数据进行训练，其中，不同道路类型的道路边缘至少最初已经被手动标
注。因此，该图像分析算法能够检测到在其它情况下难以由计算机识别的更多类型的道路边缘。当铰接式车辆组合体无法接收到gnss定位数据时，这已被证明是特别有利的。如上文中所述，这种情况例如可能发生在铰接式车辆组合体在无法可靠地接收到卫星数据的森林道路等上行驶时。
81.可以进一步通过对所获得的图像数据使用距离测量校准算法来确定所述横向位置和纵向位置。图5中示出了如何获得该距离测量校准算法的示例。图5示出了来自安装在铰接式车辆组合体1的后端处的相机形式的感知传感器2的相机图像cf。这里的图像cf示出了铰接式车辆组合体1后方的道路。该校准可以在任何位置进行。然而，优选的是，该校准在基本平坦的水平延伸路面上进行，以便稍后在平坦的水平延伸路面上被使用。同样，该校准可以附加地或作为替代方案针对其它倾斜度进行，其中稍后将指定的倾斜度校准用于相同的倾斜度情形。根据示例实施例，该校准还可以在虚拟环境中执行。
82.相机2安装在后端处的预定位置处，即，在车辆1的特定高度处和特定横向位置处。所述距离测量校准算法包括图像cf中的配准像素位置x、y，其中，该图像cf表示相对于铰接式车辆组合体1的向后视图的对应视图，并且其中，像素位置x、y与到铰接式车辆组合体1后方的对象c的相应已知的横向距离和纵向距离相关联。在图5中，该对象c是锥桶，其放置在距铰接式车辆组合体1特定的已知横向距离和纵向距离处。例如通过移动锥桶5使其出现在图像cf中的所有不同像素位置上，可以确定图像cf中的特定像素位置与相对于铰接式车辆组合体1的实际横向和纵向距离之间的关系。
83.如图5中进一步示出的，所述距离测量校准算法包括位于车辆组合体后方在纵向方向上的预定义距离l处的前视点l_look_ahead的一个或多个配准像素位置。
84.在此方面，该方法可以进一步包括：
85.通过使用所获得的图像数据，确定指示前视点l_look_ahead相对于所计算的道路曲率r的横向位移y_lateral的值，并且其中，通过将铰接式车辆组合体自动转向以遵循所计算的车辆路径曲率pc从而遵循道路曲率r来使铰接式车辆组合体倒车是通过使用所确定的指示该横向位移的值而进一步执行的。将参照图4进一步描述此步骤的示例。
86.更具体地，通过将车辆组合体自动转向以遵循所计算的车辆路径曲率pc从而遵循道路曲率r来使车辆组合体倒车可以通过使用用于铰接式车辆组合体1的预定义的几何车辆模型来执行。该几何车辆模型基于当铰接式车辆组合体1相对于曲率半径倒车移动时、与铰接式车辆组合体1相关的几何变量是如何相互关联的。这些几何变量包括关于曲率半径的铰接角度变量phi_ref和关于曲率半径的横向位移变量y_lateral中的任一个。
87.所述几何车辆模型可以包括以下等式中的任一个：
88.(l2*cos(phi_ref)+c)/(sin(phi_ref))＝pr；
89.(l^2+y_lateral^2)/(2*y_lateral)＝pr；
90.其中，pr是车辆路径曲率半径，l2是车辆组合体的后挂车轴距长度，c是倒数第二个挂车联接点距倒数第二个挂车后桥的距离，phi_ref是与所述前视点相对于道路曲率r的横向位移相对应的挂车铰接角度，l是前视点l_look_ahead在车辆组合体后方在纵向方向上的预定义距离，并且y_lateral是所述前视点相对于所述道路曲率r的横向位移。
91.图4示出了铰接式车辆组合体1的从上方观察的简化二维示意图。该车辆组合体包括通过铰接接头a1连接的车身12和车身13。车身13是铰接式车辆组合体1的最后一个挂车。
附图标记130表示位于车身13的后桥处的后轮。附图标记120表示倒数第二个挂车后桥的车轮。车身12可以通过另一个铰接接头a2连接到另一个车身，例如连接到卡车(未示出)。例如，车身12可以是如上所述的北欧组合的牵引拖台。车身13例如可以是半挂车。所述几何车辆模型与包括车轮130的后桥的期望行进方向一起使用，该行进方向遵循基于车辆路径曲率半径pr的圆的切线方向。
92.在图4所示的实施例中，长度l2是铰接接头a1和包括车轮130的后桥之间的轴距长度。长度c是倒数第二个挂车联接点a1距包括车轮120的倒数第二个挂车后桥的距离。应当注意，所述车辆模型不仅仅限于这种类型的铰接式车辆组合体，而是可以有利地用于任何类型的铰接式车辆组合体。
93.通过使用上述车辆模型，可以通过将铰接式车辆组合体1自动转向以遵循所计算的车辆路径曲率pc从而遵循道路曲率r来使铰接式车辆组合体1倒车。
94.此外，通过将铰接式车辆组合体1自动转向以遵循所计算的车辆路径曲率pc从而遵循道路曲率r来使铰接式车辆组合体1倒车是通过进一步获得指示车辆组合体1的当前铰接角度的当前铰接角度值并且响应于当前铰接角度值控制铰接式车辆组合体1的转向而执行的。当前铰接角度例如可以由传感器(未示出)在图1中的铰接轴线a处或在图4中的铰接接头a1处测量。例如，可以提供控制回路，其中phi_ref和当前铰接角度值被提供为该控制回路的输入，用于调整互连的车身12、13(图4)或10、11(图1)之间的铰接角度。
95.如上文中所提到的，该方法优选在例如图1所示的控制单元100中实现。控制单元100被配置成执行本文中公开的方法，并且在铰接式车辆组合体1的倒车期间提供转向命令以遵循所计算的车辆路径曲率pc从而遵循道路曲率r，其中，道路边缘re
l
、rer是通过使用基于多个不同道路类型的多个预定义类型的道路边缘的图像分析算法来检测的。优选通过向卡车10的转向系统(未示出)发出信号来提供该转向命令。该转向系统优选包括用于使例如卡车10的前轮转向的一个或多个致动器。
96.在另一个实施例中，控制单元100还可以被配置成在倒车期间提供推进命令和/或制动命令。换言之，可以通过使用控制单元100来提供全自动倒车操作。
97.此外，在铰接式车辆组合体1的倒车期间提供的转向命令也可以基于：控制单元100被进一步配置成获得指示车辆组合体的当前铰接角度的当前铰接角度值，其中，铰接式车辆组合体1响应于当前铰接角度值而转向。
98.应当理解，本发明不限于在上文中描述和附图中示出的实施例；相反，本领域技术人员将认识到，可以在所附权利要求书的范围内进行许多修改和变型。
技术特征：1.一种用于使铰接式车辆组合体(1)沿着道路(rs)的道路曲率(r)倒车的方法，包括：获得(s1)表示相对于所述铰接式车辆组合体的向后视图的图像数据，其特征在于，所述方法进一步包括：检测(s2)所述图像数据中的所述道路的道路边缘(re
l
、re
r
)；确定(s3)所检测到的各个道路边缘的多个纵向位置和横向位置；基于所确定的横向位置和纵向位置来计算(s4)所述道路的道路曲率(r)；计算(s5)用于保持在所述道路(r)上的车辆路径曲率(pc)；以及通过将所述铰接式车辆组合体自动转向以遵循所计算的车辆路径曲率(pc)从而遵循所述道路曲率(r)来使所述铰接式车辆组合体倒车(s6)，其中，通过使用图像分析算法来检测所述道路边缘，所述图像分析算法基于多个不同道路类型的多种预定义类型的道路边缘。2.根据权利要求1所述的方法，其中，所述图像分析算法是神经网络算法。3.根据权利要求2所述的方法，其中，所述多个不同道路类型的多种预定义类型的道路边缘是通过使用神经网络训练算法获得的，其中，所述神经网络训练算法已经基于不同道路类型的图像数据进行训练，其中，所述不同道路类型的道路边缘至少最初已经被手动标注。4.根据权利要求1所述的方法，其中，所述图像分析算法基于霍夫变换。5.根据前述权利要求中的任一项所述的方法，其中，通过对所获得的图像数据使用距离测量校准算法来进一步确定所述横向位置和纵向位置。6.根据权利要求5所述的方法，其中，所述距离测量校准算法包括图像中的配准像素位置，其中，所述图像表示相对于所述铰接式车辆组合体的向后视图的对应视图，并且其中，所述像素位置与到所述车辆组合体后方的对象的相应已知的横向距离和纵向距离相关联。7.根据权利要求5或6中的任一项所述的方法，其中，所述距离测量校准算法包括前视点(l_look_ahead)的一个或多个配准像素位置，所述前视点(l_look_ahead)位于所述车辆组合体后方在纵向方向上的预定义距离(l)处，其中，所述方法进一步包括：通过使用所获得的图像数据，确定指示所述前视点(l_look_ahead)相对于所计算的道路曲率(r)的横向位移(y_lateral、phi_ref)的值，并且其中，通过将所述铰接式车辆组合体自动转向以遵循所计算的车辆路径曲率(pc)从而遵循所述道路曲率(r)来使所述铰接式车辆组合体倒车是通过使用所确定的指示所述横向位移的值而进一步执行的。8.根据前述权利要求中的任一项所述的方法，其中，通过将所述车辆组合体自动转向以遵循所计算的车辆路径曲率(pc)从而遵循所述道路曲率(r)来使所述车辆组合体倒车是通过使用用于所述铰接式车辆组合体的预定义的几何车辆模型来执行的，其中，所述几何车辆模型基于当所述铰接式车辆组合体相对于曲率半径倒车移动时、与所述铰接式车辆组合体相关联的几何变量是如何相互关联的，其中，所述几何变量包括关于所述曲率半径的铰接角度变量(phi_ref)和关于所述曲率半径的横向位移变量(y_lateral)中的任一个。9.根据权利要求7和8所述的方法，其中，所述几何车辆模型包括以下等式中的任一个：(l2*cos(phi_ref)+c)/(sin(phi_ref))＝pr；(l^2+y_lateral^2)/(2*y_lateral)＝pr；其中，pr是车辆路径曲率半径，l2是所述车辆组合体的后挂车轴距长度，c是倒数第二
个挂车联接点距倒数第二个挂车后桥的距离，phi_ref是与所述前视点相对于所述道路曲率(r)的横向位移相对应的挂车铰接角度，l是所述前视点在所述车辆组合体后方在纵向方向上的预定义距离，并且y_lateral是所述前视点相对于所述道路曲率(r)的所述横向位移。10.根据前述权利要求中的任一项所述的方法，其中，所述多个不同道路类型包括碎石道路、森林道路、泥土道路、带有印刷的车道或其它道路标记的终点道路等中的至少一种。11.根据前述权利要求中的任一项所述的方法，其中，通过将所述铰接式车辆组合体自动转向以遵循所计算的车辆路径曲率(pc)从而遵循所述道路曲率(r)来使所述铰接式车辆组合体倒车是通过进一步获得指示所述车辆组合体的当前铰接角度的当前铰接角度值并且响应于所述当前铰接角度值控制所述铰接式车辆组合体的转向来执行的。12.一种用于铰接式车辆组合体的控制单元(100)，所述铰接式车辆组合体包括用于获得表示道路(rs)的向后视图的图像数据的至少一个感知传感器，所述控制单元被配置成：从所述至少一个感知传感器获得表示相对于所述铰接式车辆组合体的向后视图的图像数据，其特征在于，所述控制单元进一步被配置成：检测所述图像数据中的所述道路的道路边缘；确定所检测到的各个道路边缘的多个纵向位置和横向位置；基于所确定的横向位置和纵向位置来计算所述道路的道路曲率(r)；计算用于保持在所述道路(r)上的车辆路径曲率(pc)；以及在所述铰接式车辆组合体的倒车期间提供转向命令以遵循所计算的车辆路径曲率(pc)从而遵循所述道路曲率(r)，其中，通过使用图像分析算法来检测所述道路边缘，所述图像分析算法基于多个不同道路类型的多种预定义类型的道路边缘。13.根据权利要求12所述的控制单元，其中，所述图像分析算法是神经网络算法。14.根据权利要求13所述的控制单元，其中，所述多个不同道路类型的多种预定义类型的道路边缘是通过使用神经网络训练算法获得的，其中，所述神经网络训练算法已经基于不同道路类型的图像数据进行训练，其中，所述不同道路类型的道路边缘至少最初已经被手动标注。15.根据权利要求12所述的控制单元，其中，所述图像分析算法基于霍夫变换。16.根据权利要求12-13中的任一项所述的控制单元，其中，通过对所获得的图像数据使用距离测量校准算法来进一步确定所述横向位置和纵向位置。17.根据权利要求16所述的控制单元，其中，所述距离测量校准算法包括图像中的配准像素位置，其中，所述图像表示相对于所述铰接式车辆组合体的向后视图的对应视图，并且其中，所述像素位置与到所述车辆组合体后方的对象的相应已知的横向距离和纵向距离相关联。18.根据权利要求16或17中的任一项所述的控制单元，其中，所述距离测量校准算法包括前视点(l_look_ahead)的一个或多个配准像素位置，所述前视点(l_look_ahead)位于所述车辆组合体后方在纵向方向上的预定义距离(l)处，其中，所述控制单元进一步被配置成：通过使用所获得的图像数据，确定指示所述前视点(l_look_ahead)相对于所计算的道路曲率(r)的横向位移(y_lateral、phi_ref)的值，并且其中，用于遵循所述车辆路径曲率
(pc)从而遵循所计算的道路曲率(r)的所述转向命令是基于所确定的指示所述横向位移的值。19.根据权利要求12-18中的任一项所述的控制单元，其中，用于遵循所述车辆路径曲率(pc)从而遵循所计算的道路曲率(r)的所述转向命令是基于用于所述铰接式车辆组合体的预定义的几何车辆模型，其中，所述几何车辆模型基于当所述铰接式车辆组合体相对于曲率半径倒车移动时、与所述铰接式车辆组合体相关的几何变量是如何相互关联的，其中，所述几何变量包括关于所述曲率半径的铰接角度变量(phi_ref)和关于所述曲率半径的横向位移变量(y_lateral)中的任一个。20.根据权利要求18和19所述的控制单元，其中，所述几何车辆模型包括以下等式中的任一个：(l2*cos(phi_ref)+c)/(sin(phi_ref))＝pr；(l^2+y_lateral^2)/(2*y_lateral)＝pr；其中，pr是车辆路径曲率半径，l2是所述车辆组合体的后挂车轴距长度，c是倒数第二个挂车联接点距倒数第二个挂车后桥的距离，phi_ref是与所述前视点相对于所述道路曲率(r)的横向位移相对应的挂车铰接角度，l是所述前视点在车辆组合体后方在纵向方向上的预定义距离，并且y_lateral是所述前视点相对于所述道路曲率(r)的所述横向位移。21.根据权利要求12-20中的任一项所述的控制单元，其中，在所述铰接式车辆组合体的倒车期间提供的转向命令是基于：所述控制单元被进一步配置成获得指示所述车辆组合体的当前铰接角度的当前铰接角度值，其中，所述铰接式车辆组合体响应于所述当前铰接角度值而转向。22.一种铰接式车辆组合体(1)，包括用于获得表示相对于所述铰接式车辆组合体的向后视图的图像数据的至少一个感知传感器(2)和根据权利要求12-21中的任一项所述的控制单元(100)。23.根据权利要求22所述的铰接式车辆组合体，还包括用于获得指示所述车辆的铰接角度的当前铰接角度值的传感器。
技术总结本公开涉及一种用于使铰接式车辆组合体(1)沿着道路(RS)的道路曲率(R)倒车的方法，包括：获得(S1)表示相对于铰接式车辆组合体的向后视图的图像数据，其特征在于，该方法进一步包括：检测(S2)所述图像数据中的道路的道路边缘(RE
技术研发人员：丹尼尔
受保护的技术使用者：沃尔沃卡车集团
技术研发日：2020.03.12
技术公布日：2022/11/1
