公路车辆的防撞系统与方法及相关计算机程序产品

摘要

道路车辆的防撞行动的控制是基于车辆在未来位置的计算的概率密度。一个初始概率密度(32)是通过被检测到的车辆状态的估算的力学模型来计算的，至少包括其检测位置(31)。地图数据是用来界定包含道路的区域的不同地带，例如包含沿着车辆行驶方向的交通道路部分的第一区域，与车辆行驶方向相反的交通道路部分的第二区域以及与道路接壤的第三区域。这些区域用来获取第一区域(33)的计算的概率密度函数的校正系数。校正系数是根据区域内各个地带的概率密度函数的总量来计算的。这样就可以弥补源于曲解转向运动的估算误差，转向运动暗示着车辆在道路上移动，但是，驾驶员已经自动校正。

说明书

技术领域

本发明涉及一种公路车辆(例如汽车)的防撞系统和一种防撞方法。

背景技术

US2003/55563描述了一种防撞方法，其中涉及针对车辆与其他道路使用者 的位置的与时间相关的概率密度预测。观测到的当前位置、速度、加速度的概 率分布用来计算未来位置的概率密度。从概率密度的角度出发，计算车辆与其 他道路使用者位于同一时间、同一地点的概率。基于这种概率触发事件(如向 驾驶员发出报警信号或自动刹车)。

J.

Jansson等人也在大量文章中描述过利用概率密度函数来避免碰撞，例如，200 8年Automatica(《自动化》)上从2347至2351页的名为“A framework and  automotive application of collision avoidance decision making” (“防撞决策的框架及其自动化应用”)的文章，或者2004American Control  Conference(《2004年美国控制会议》)中从3435-3440页的一篇“Model  based statistical tracking and decision making for collision avoidance  application”(“基于数据跟踪的模型和防撞应用中的决策”)的文章。

US2003/55563代表了概率密度的时间度量，作为一个状态矢量的标准分 布，其中包括车辆位置的两维坐标值分布，并通过计算正态分布的参数，即平 均状态矢量和协方差函数。状态矢量包括代表车辆的二维坐标，二维速度和方 向变化率的组成部分。扩展卡尔曼滤波器用于计算正态分布的参数。

在防撞被视为变得更大的时刻时，精度会降低。这种防撞的有效性强烈依 赖概率密度的准确性。如果某些地点的概率密度被高估，这可能会引起误报， 这将损害对合理报警的依赖。另一方面，如果某些地点的概率密度被低估了， 报警不能可能会发生。

已知防撞仅利用了车辆运动的力学模型，以预测概率密度函数。这些模型 忽略了驾驶员的行为和道路建设等方面的影响，如在防护栏存在的情况下。防 护栏界定了概率密度的空间分布范围，但它可能会以其他方式影响真正的概率 密度函数。在很短的时间段内，驾驶员的行为几乎没有影响，稍长的时间段内， 驾驶员不该作出任何变化，这是的力学模型可能是准确的。但在更长的时间段 内，概率密度不能估计，因为它在很大程度上取决于在力学上不可预知的驾驶 员的行为。

按照惯例，概率密度仅用于在时间量程内，这样由于道路建设和驾驶员行 为而带来的误差可以忽略不计。在这种情况下的力学模型足以满足需求。在较 长时间量程的概率密度的预测被认为是随机而不准确，以至于我们不能做任何 事情以实现碰撞保护。然而，我们已经发现：驾驶员行为的解释不能也可能导 致系统的误报或报警不能。例如，一辆在公路上的车会正常的轻轻转弯。当车 辆方向在这样的瞬间转弯运动中机械推算，就可能会引起误报，因为机械推断 忽视了这样的事实，在车辆脱离其车道之前或者防护栏阻止的情况下，驾驶员 会不知不觉地改变转向运动很长时间。

现实的减少这些类型的错误的概率密度是可取的。然而，因为涉及到驾驶 员行为和道路建设的原因，简单的力学模型并未获取。

发明内容

除它之外，本发明提供一种改进的防撞系统，其中可提供更准确的概率密 度。

根据权利要求1，提供了一种防撞系统。于此，通过使用检测到的包括车 辆的位置在内的初始状态进行的计算，预测车辆的未来位置的初步概率密度。 预测的初步概率密度函数可基于车辆动力学。借助应用于包含道路在内的选定 地带的系数对所预测的初步概率密度函数进行校正。根据在所述地带的至少一 部分中的总初步概率密度函数，计算出对于所选择地带中的所有位置都适用的 校正系数，。

在一个示例中，这使得它可以弥补由于推算造成的误差，例如无意识的转 弯运动。正如地图资料定义的，第一区域包含车辆出行方向的一部分道路。校 正系数取代所述的第一区域，校正了不同区域的初始概率密度分布。由于转向 运动推算的原因，第一区域的初始概率密度可能被低估了，在现实中，驾驶员 会校正这个误差。校正系数提供了一种校正的手段。例如，当与第一区域关联 的预测概率密度函数中的初始概率密度总量逐渐变小的时候，或者，同样地， 当与区别于第一区域的一个或多个其他区域的预测初始概率密度函数中的初始 密度函数变大的时候，校正系数可以随之增大。

所述的被低估的第一区域的概率密度以这种方式得以校正。在不考虑驾驶 员校正或道路建设方面的情况下，预测初始概率密度经由车辆动力学计算，这 种情况是可能发生的。

校正的概率密度函数可用于产生碰撞预警信号，或对驾驶控制引发干预。 防撞系统可以计算车辆的概率密度函数以对车辆发出预警信号或干预，和/或其 他车辆可能对车辆产生碰撞危险而对车辆发出警告信号或干预。

因此，例如，由于在道路上不同位置的预测概率密度校正系数可能由车辆 本身决定，通过对未来某一时间点的非道路的同一行驶方向的预测概率密度的 总额或总量或明确或含蓄的计算，从而产生一个报警信号或干预，以避免与其 他道路使用者在这条道路碰撞，这个条件依赖于总量而进行调整。校正系数可 随着外道路部分的总和变得更大而随之增加。用来控制这种校正的总量可能是 道路外所有位置的总的预测概率密度，或者道路左侧部分的总量或者道路右侧 部分的总量，液也可能是这些总量的组合。

在一个实施例中，我们使用根据地图数据定义的第一个区域，第二和第三 地区。第一区域包括车辆行驶方向的一部分，第二个和第三个区域在临近(即 毗邻)第一区域在行驶方向上相互相反的两侧，包括沿着行驶方向的反向驾驶 的道路部分和与道路接壤的路外区域。在这个实施例中，较之于反向驾驶区域 的总的初始概率密度和第三区域的总的初始概率密度，因为道路外侧区域的总 的初始概率密度而校正系数增加的更多。这种方式下，我们考虑的事实是：驾 驶员更倾向于暂时性的在道路上反向驾驶而在道路外侧。

在一个实施例中，校正系数F是根据公式F＝(1-C2*P2)/P1计算的， 其中，P1和P2分别是在交通道路部分的车辆行驶方向和相反方向的总的初始 概率密度总值，其中C2是一个大于零而小于一的系数。系数C2是零以上具有 这样的效果，从第一区域到反向交通区域时的概率被减损时，较之于从第一区 域到其他非道路区域的概率被减损时，校正系数F会上升较弱。

在一个实施例中，校正系数F根据公式F＝(1-C2*P2-C3*P3)/P1计 算，其中，P3是一个非道路区域的初始概率密度的总量，系数C3介于零和C2 之间。事实上，系数C2在系数C3之上有以下效果：从第一区域到反向交通区 域时的概率被减损时，较之于从第一区域到其他非道路区域的概率被减损时， 校正系数F会上升较弱。

附图说明

参考下列附图，从实施例的描述中，这些和其他目的及有益方面将会明显。

图1显示了一个防撞系统；

图2显示了道路的几何示例；

图3显示了防撞的流程图。

具体实施方式

防撞系统可以以整体车载的方式实现，也可以具有位于车辆外部的部件。 因此，例如，与路侧目标或其他车辆有关的信息的提供、概率密度的计算等， 可由路侧设备来实现而不是在车辆内实现。通过例子，描述在车辆内实现的方 案。

图1显示了在车辆内(比如一辆汽车)的防撞系统的一个实施例，防撞系 统包括目标检测器10、数据处理器12、地图存储装置14、位置检测器16、速 度检测器18和报警信号发生器19。数据处理器12连接到目标检测器10、地图 存储装置14、位置检测器16、速度检测器18和报警信号发生器19。

目标检测器10可被配置为检测其他车辆的位置和速度，以及确定每一其他 车辆的类型级别。目标检测器10可以是雷达装置(例如，可能根据从雷达波行 程时间和/或波向、多普勒频移速率和反射幅度级别来确定位置)。作为替代， 目标检测器10可包括从其他车辆的应答器获取信号的收发器。

位置检测器16可以是包含全球定位系统(GPS)接收器和GPS处理器的 GPS单元。该GPS处理器可以是数据处理器12的一部分。速度检测器18可包 括航向检测器和安装为感测车辆车轮的转速的车轮传感器。作为替代，速度检 测器18可部分或全部地通过利用GPS单元测量速度来实现。

图2显示了道路的几何示例，其中车辆20中安装了防撞系统。还借助示例 显示了另一车辆22。标示了道路左侧和右侧的非道路区域24、26以及道路中 用于相反双方向交通行驶的区域28a和28b。箭头指示了车辆20、22的行驶方 向。这里使用的术语“道路”可以指较长道路的一段，较长道路沿该段继续向 前或向后。

在操作中，数据处理器12可保存表示概率密度函数p_o(r；t)的信息，概率密 度函数p_o(r；t)界定了车辆20在未来时间点“t”位于道路上不同位置“r”处的 概率。例如，该位置r可由路面上的二维坐标x、y来表示。数据处理器12保 存表示另一车辆22(以及可选的未显示的其他车辆)的一个或更多个概率密度 函数p_i(r；t)的更多信息。在一个实施例中，信息可表示借助在道路网点采样的一 组相应的概率密度函数值表示的各个概率密度函数，或者表示与这些点相关的 位置范围的概率。

在另外一个实施例中，可使用分段表示，其中，信息可表示一段空间内的 位置的概率密度函数(借助于该段的预定分布函数的参数来表示的，如正态分 布函数N(r)＝A*exp(-(r-r_o)*C*(r-r_o)/2)。在此，r_o是模态的位置值，C是逆协方差 矩，A是正系数。

基于车辆动力学的概率密度函数的信息值的计算方法本身是已知的。一个 已知的方法是为车辆20的状态值矢量S提供一个运动规范。矢量包括车辆的位 置r，加上例如方向phi、速度v、以及这些值的一个或多个时间导数等其他分 量。给出状态矢量S在当前时间点的准确值，运动规范使得针对所有未来时间 点预测状态矢量S(t)成为可能。

在一个计算概率密度函数的实施例中，状态矢量S在当前时间点的初始概 率密度被定义。初始概率密度可仅为状态矢量S的部分分量(如车辆的位置r) 赋予精确值，而为其他分量(例如，加速度)界定可能值的分布。在这个实施 例中，针对未来时间点的概率分布是根据初始状态密度的不同状态矢量获得的 预设状态矢量总值而来的。

运动模型

运动规范定义了各种状态将随时间的推移而发展至的未来状态。运动可根 据微分方程来确定，也可以提供针对给出的起始状态对于所选时间增量的相应 未来状态值的表。

可使用确定性的运动规范。在一个例子中，该运动规范将矢量的各个分量 的变化率与表示导数的一个或更多个其他分量关联起来，表示最高阶导数的分 量的变化率被设定为零。可代之以使用非确定性的的运动规范中，其中状态值 的变化被建模为至少部分为随机的函数(该函数具有根据预设概率分布的随机 参数)而变化。在这种情况下，诸如最高阶导数等的初始状态分量可以忽略。 动力学的不变性，如运动规范针对位置偏移或固定旋转的不变性，可用于借助 一个表项为一组状态矢量值限定未来状态值。

状态矢量的分量的数量可根据个人想要模拟的效果来选择，正如运动规范 所表达的那样。在一个例子中，状态矢量可以和分量(x、y、v、phi)和借助微分 方程确定的运动规范一起使用。

dx/dt＝v*cos(phi)，dy/dt＝v*sin(phi)，

dv/dt＝0，dphi/dt＝0

该模型中，速度(v)和方向(phi)为常数，但它们的值可保持不定，仅 用速度和航向的初始概率密度进行描述。可选地，这些参数的初始概率密度可 取决于传感器输入数据。相比之下，x与y的值，即道路上车辆位置的坐标， 可取具有确定的初始值，但作为替代，根据测量不确定度的初始概率分布也可 适用于x和y的值。另一个例子中，状态矢量与其分量(x，y，v，phi，a，k)一起使 用，运动方程借助微分方程确定。

dx/dt＝v*cos(phi)，dy/dt＝v*sin(phi)，

dv/dt＝a，dphi/dt＝k*v

da/dt＝0

dk/dt＝0

在这个例子中，举例来说，无需为“a”和“k”设定限定值，只为这些参 数的值设定初始概率密度。x、y、v、phi的值可取确定的初始值，或者由初始 概率分布加以描述。应该认识到，这些只是模型的一些例子。依赖于所追求的 精度，可使用具有不同状态矢量和/或不同运动方程的其他模型。

概率密度的初始计算

对于简单的运动方程，提供参数的概率密度函数在未来时间点的分析表达 式是可能的。例如，在具有状态矢量(x，y，v，phi)的第一示例的情况下，x的概 率密度具有一模态值和与时间乘积成比例增长的方差，Y的改了密度具有一模 态值和由v和phi限定的分布的方差。

作为借助解析表达式的替代，表示未来某时间点的概率密度函数的信息可 借助蒙特卡洛方法获得。这可通过下述实现：例如，根据初始概率密度分布而 随机选择一组初始状态矢量，针对这些初始状态矢量中每一个计算在未来某时 间点的状态矢量，并根据计算出的状态矢量估计概率密度函在未来某时间点的 参数。同样，初始状态矢量空间的系统性采样，可作为状态矢量值的函数用来 估计未来状态矢量的密度。作为替代，可使用迭代计算，其中连续时间点的概 率密度分布可以利用先前时间点的概率密度分布及定义从一个时间点到下一个 时间点的状态矢量值的映射的运动规范一一算得。当采用非确定性运动规范时， 蒙特卡罗方法也可使用。

在每一种情况下，概率密度函数的确定包括收集与初始状态矢量的分量有 关的传感器数据。根据该传感器数据可确定初始概率，且根据初始概率密度可 计算出表示未来某时间点的概率密度函数。

图3显示了防撞方法的一个实施例的流程图。在第一个步骤31中，数据处 理器12从位置检测器16和速度检测器18捕捉车辆传感器数据。数据处理器 12根据车辆航向和/或所检测位置的变化史，确定车辆的行驶方向。在第二步骤 32中，数据处理器12根据初始概率密度和/或根据车辆传感器数据确定的初始 值来计算未来时间点t的第一概率密度函数。这种计算可以以已知的方式执行， 例如通过蒙特卡洛方法或借助于概率密度函数的参数的解析表达式。

利用地图数据校正

在第三步骤33中，数据处理器12首先针对由地图存储设备14的地图数据 定义的一组位置计算由第一概率密度函数定义的总概率。在一个实施例中，地 图数据定义了道路上明确地或隐含地与车辆行驶方向相关的部分。当道路宽度 分为两部分时，从行驶方向看最右边的部分可能隐含地与沿该方向的行驶相关， 而最左边的部分与沿相反方向的行驶相关。这也适用于车辆靠右行驶国家的操 作模式。在其他国家，可使用作用及左右互换的操作模式。

在步骤33中，数据处理器12利用检测到的行驶方向来选择与行驶方向相 关的道路部分。数据处理器12利用在第二步骤32中分别计算的初始概率密度 来计算总概率P1(其为在与车辆行驶方向相关的道路部分上一组位置的积聚)、 类似的针对与行驶方向相反的一组位置的总概率PL、以及针对道路外的一组位 置的总概率PR。对这些成组位置的选择可使它们覆盖所有可能的位置，在这种 情况下，这些概率的总和应该等于一。如果是这样，可能只需要针对两组位置 直接计算总概率。

在一个实施例中，只有P1和为PL+PR的和的量被使用，只有一个总量需 要计算。在另一个实施例中，PL可作为与车辆行驶方向相关的部分的第一侧上 的一组位置的总量被计算，第一侧包含反向行程部分。在这个实施例中，PR作 为与第一侧反向的第二侧部分上的一组位置的总量被计算。

在随后的第三步骤33中，数据处理器12确定应用于第一概率密度函数的 校正系数F，这个第一概率密度函数适用于与车辆行驶方向相关的道路部分。 在这个实施例中，校正系数F是根据以下公式计算的

F＝(1-CL*PL)/P1

更广泛地讲，校正系数F是根据以下公式计算的

F＝(1-CL*PL-CR*PR)/P1

这里的CL和CR是小于1的归一化因数，并能有效地减少应用于车辆行 驶方向的道路部分的左右侧部分的位置的概率密度部分。在公式F＝(1-CL*PL) /P1中，CR被置零。CL可设置为例如0.3。根据F’＝CL，可为车辆行驶方向的 左侧道路部分的概率密度函数的一部分确定相应的校正系数F’。

计算碰撞概率的应用

校正系数F，或校正系数F、F’是用来计算碰撞概率的。通过举例的方式， 与其他道路使用者(如车辆22)的碰撞概率的计算将加以说明。但值得重视的 是，作为替代，与非车辆的固定物体或移动物体的碰撞概率可以计算。

在第四步骤34中，数据处理器12从目标检测器10中读取数据以检测道路 上是否存在其他道路使用者(如车辆22)，或其他道路使用者(如车辆22)至 少存在于距目标检测器10预定距离内。如果是这样，数据处理器12确定其他 道路使用者的状态参数，如从检测器信号获知的目标位置和速度。当目标检测 器10是举例来说是雷达单元时，目标位置得自接收反射的方向和接收反射的延 迟。目标检测器10的方向上的速度可以由多普勒偏移决定。当其他道路使用者 配备应答器且防撞系统具有用于获取应答器数据的收发器时，应答器数据可提 供这样的信息。

在第五步骤35和第六步骤36中，数据处理器12针对检测到的其他道路使 用者执行类似第二步骤32、第三步骤33中的计算。然而，在第五步骤35和第 六步骤36中使用的状态矢量和运动规范，可能不同于在第二步骤32、第三步 骤33中所使用的，这取决于装有防撞系统的车辆20的和其他道路使用者可用 的传感器数据类型间的差别。计算其他道路使用者在未来时间点“t”的概率密 度函数和校正系数Fi。可选地，校正系数Fi’用于其他车辆正在行驶的方向上的 道路左侧部分的概率密度函数的一部分。

对于不同的道路使用者，第四步骤34、第五步骤35和第六步骤36可能是 重复的，以确定每个其他道路使用者的概率密度函数和校正系数Fi。通常，只 有少数车辆的概率密度函数可被使用，例如反向的最接近的车辆和同向的前方 最接近车辆。虽然针对车辆的实施例已经被描述了，但是应该认识到，一般地， 第四步骤34和之后的步骤可以适用于其他道路使用者包括行人。

经过第六步骤36，或第四步骤34到第六步骤36的重复后，数据处理器12 执行第七步骤37，其中，装有防撞系统的车辆与另一个车辆在未来时间点t占 用同一位置的联合概率得以计算。为此目的，校正系数F和Fi’或Fi的乘积(取 决于其他车辆的行驶方向)和车辆20与其他车辆22在车辆20在行驶方向的道 路部分的碰撞区的概率得以计算。这些概率可能是车辆和其他车辆在碰撞区的 概率密度的近似积分。校正系数F’和Fi’或Fi的乘积(取决于其他车辆的行驶 方向)和车辆20与其他车辆22在车辆20在行驶反向的道路部分的碰撞区的概 率得以类似计算。

对计算所得的碰撞概率的响应

在第八步骤38中，数据处理器12将从第七步骤37得到有关未来时间点的 乘积或有关不同碰撞区的乘积总和，与临界值进行比较，并根据比较的结果执 行防撞行动。防撞行动可能包括启动报警信号发生器19以在车辆20中提供报 警信号，例如报警信号发生器19的扬声器(未显示)中的声音信号，或积极的 干预，如启动刹车(未显示)，控制驱动单元(未显示)以减少驱动功率(例如 通过控制天然气或电的供应)或控制转向单元调整车辆的转向。该行动可能根 据结果超出临界值的碰撞区的位置而调整，例如，如果该区域在车辆正行驶方 向的车道上则使用刹车，否则使用转向。可根据与不同临界值的比较而采取不 同的防撞行动。

虽然在第七步骤37和第八步骤38的例子中已经描述了系数被应用到概率 中且使用了预定临界值，应认识到：作为替代，临界值可以与系数成反比例地 调整。使用何种组合，这取决于临界值与概率和系数的乘积之间的比值。

选择性地，在不同的时间点，第32-38步可以重复，例如，越来越遥远的 将来时间点到预定的最大时间间距，直到发现碰撞概率低于所有时间点的临界 值，或决定采取防撞行动。不同的时间点的临界值和行动可能是不同的。 计算概率密度所需要的信息

在一个实施例中，地图数据从路侧站点提供至防撞系统。在这个实施例中， 防撞系统可包括接收器以接收这些数据。在一个实施例中，地图数据来自于预 先存储的关于道路网络(如用于路径规划)的数据库。在这种情况下，位置检 测器16是用来确定车辆20相对于既定的道路网络的位置R1，道路边缘的坐标 Re-R1以及与相对于车辆不同方位的道路部分之间的分割的定义可以从道路边 缘坐标系Re中获得。

另一个替代的实施例中，目标检测器10用来确定行驶时的地图数据。例如， 当雷达装置用于检测来自一排固定(物体的速度与被测速的车辆的速度相同， 但方向相反)物体(如防撞护栏、停放的汽车或灯塔)的反射时，可用来识别 道路的边缘(可选地与道路网络有关的数据库结合，所述与道路网络有关的数 据库将这些物体的位置与道路边缘的位置关联)以及不同行驶方向的道路部分 之间的分割。具有所识别处的边缘和分割的动态确定的道路图随后可用于第三 步骤33和第六步骤36中以确定校正系数。在这种情况下，可能不需要位置检 测器16。

附加的传感器或其他传感器可以用来提高初始状态矢量和/或初始概率密 度的准确性。因此，例如防撞系统可能包括方向传感器或加速度传感器。

当地图数据表明碰撞区位于交叉路口或单行道时，数据处理器12可用于禁 用校正系数F、Fi的使用。虽然实施例描述了系数F、Fi用于碰撞区概率的计 算之后，但是，我们应该认识到：作为替代，这些系数可用于概率密度函数的 表示。

应该认识到，只是显示了用来计算第三步骤33和第六步骤36的校正系数 的一个可能实施例。校正系数是用来减少状态和运动规范所表示的模型的不准 确性的影响。这种模型只有有限的可能范围内考虑到驾驶员的行为。显然，在 以分钟为单位的时间尺度内，司机的行为彻底优先于根据运动的纯粹力学方程 得到的道路位置预测。在不期望驾驶员做任何变化的更短时间尺度内，防撞将 在不对驾驶员行为进行模拟的情况下进行。

然而，希望将防撞有效的时间尺度延长到一个驾驶员做出具有重大影响的 变化的时间尺度。这提出了一个问题，纯粹的力学模型是不够的。另一方面， 假设完全随机的驾驶员行为可导致许多假警报。因此，需用另一种方式虑及合 理的驾驶员行为。

第三步骤33和第六步骤36中的校正系数提供了一种虑及驾驶员行为的大 致方法。一个理智的驾驶员无法避免车辆在道路上以某种程度转弯，但驾驶员 会几乎不知不觉地正确校正急转弯，而急转弯会导致车辆跑出道路或进入反向 行车道。如果没有对这种行为的校正，更长时间尺度的计算将结构性低估道路 右行方向上的位置的概率密度。通过根据所计算的道路外位置的总概率密度有 效提高用于防撞的右行方向部分概率密度函数，第三步骤33和第六步骤36中 的校正系数对此进行了校正。这被视为一种针对未考虑转弯校正的效应的措施。

应该认识到，以精确的方式考虑这一效应并不是必需的。任何至少部分虑 及这一效应的校正都提高了防撞系统的可靠性。但是，当然，可通过使用对未 考虑到转弯校正进行更好的校正来实现进一步提高防撞系统的可靠性。

在一个简单的实施例中，校正系数F可在如下假设下计算：所有位于车辆 20的行驶方向的道路部分外的概率密度都是由于未考虑到转弯校正。在这个实 施例中，校正系数是

F＝1/P1

然而，当车头防撞是一个问题的时候，这可能会导致不能检测到潜在的碰 撞。在另一个实施例中，可以通过假设车辆确实存在转离车道的概率来改进。 这可通过使用下列公式来考虑

F＝(1-CL*PL)/P1

这里的CL介于0和1之间，用来计入因未计入转弯校正而导致的误差。 例如，可使用CL＝0.3，但例如从0.1至0.5范围内的其他值也可以提供更高的 性能。

在一个实施例中，系数CL的不同值可用于未来不同时间点的概率密度函 数，未来时间越小其值越大，时间越远其值越小。例如，系数CL＝1用于未来 0.2秒的时间，已知司机不会如此迅速地响应且系数CL＝0.3可用于在未来更长 的时间。系数CL连续的变小值用于未来连续增长的时间，例如从1到0.3逐步 减小。

在另一个实施例中，将一个最大值施加于PL。在这种情况下，当PL小于 临界值T且CL设置为CL＝T/PL时，CL实际上等于1。在这种情况下，只有当 大量潜在的误差被检测时，对未采用转向校正的效应的校正才被触发。在这种 情况下，使用函数CL＝g(PL)，其中对于x＜T，g(X)＝1，对于x＞T，g(x)＝T/x。 也可代之以使用其他方程，如g(x)＝1/(1+x/T)

在其他实施例中，可以使用校正系数

F＝(1-CL*PL-CR*PR)/P1

其中CL和CR都在0和1之间。这样的方式下，可以考虑从道路上驶离 到右侧的小概率的影响。

如将所示，计算将会在左侧和右侧引入不对称，这是基于这样的假设：从 行驶方向看，交通将使用道路的右侧部分。在使用左侧行驶规则的国家，左右 侧应该互换。为支持不同的驾驶规则，数据处理器12可被配置为支持第一和第 二模式且能相互交换了左右角色。在一个实施例中，地图存储设备14存储将位 置关联到左侧或右侧驾驶的信息，数据处理器12被配置为使用位置检测器16 检测到的位置以检索该信息并根据当前位置的检索信息来控制转向第一或第二 模式。

在一个实施例中，可从在前时间点的概率密度函数针对未来每一连续时间 点迭代计算概率密度函数。原则上，校正系数可应用在每次迭代并用于计算下 一次迭代。但是，如果不先进行这种校正而计算所有时间点的概率密度函数， 计算会加速。当使用提供单调变化的位置值的运动规范时，结果并不受影响。

在一个实施例中，防撞系统的部件都安装在提供有防撞的车辆20上。作为 替代，例如如果在车辆和这些部件之间提供无线通道的话，部分部件可位于车 辆外部。因此，例如目标检测器10、数据处理器12、地图存储装置14、位置 传感器16和/或速度传感器18可均位于车辆10外部。例如，路侧目标检测器 10、位置传感器16和/或速度传感器18可用于与车载数据处理器12通信。

数据处理器12可实现为包括可编程处理器的控制电路和内含使得该可编 程处理器执行数据处理器12的所述行动的程序存储器。二者择一地，控制电路 可包括多个可编程处理器和用于一个或多个分布式程序的程序存储器，以使可 编程处理器的组合执行数据处理器12的所述行动。在进一步的实施例中，这些 处理器中的部分或全部可实现为设计用来执行行动的专用电路。正如这里所使 用的陈述“数据处理器12配置为执行这些行动”是指这些实施例中的每一个都 作为替代的实现方案。

在一个实施例中，整个系统可车载安装在车辆上。在其他的实施例中，该 系统的部分或全部可在它处实现，例如在路侧设备中实现。因此，例如路侧设 备可用于检测道路使用者和计算每个道路使用者的概率密度函数，针对道路使 用者的至少一部分(例如机动车)计算和应用校正系数。对于其他类型的道路 使用者，如行人或骑自行车的人，其他的计算可用来计算概率密度。因为这些 道路使用者的速度普遍低于机动车，所以针对这些道路使用者计算出精度较低 的局部概率密度就已足够。

在这样的路侧系统情况中，存储针对系统活跃路段的有限数量地图数据即 可。该这张地图可动态更新以纳入道路上的事件(例如碰撞、或者诸如雨或冰 之类的道路状况变化。该系统可配备发射器以根据从概率密度函数和校正系数 计算出的碰撞概率向道路使用者发出警告信号。作为替代或作为增加，该系统 可配置为根据从概率密度函数和校正系数计算出的碰撞概率，控制路侧设备(例 如交通灯或警示灯)。在另一个实施例中，可使用混合的路侧-车内系统。例如， 地图数据和/或与其他车辆有关的信息可从系统的路侧部分传送到车辆。