阅读说明：本技术 用于选择出车辆的可能位置的有限或空假设集合的方法 (Method for selecting a limited or empty set of assumptions of a possible position of a vehicle ) 是由 P·博尼法特 F·李 J·伊巴涅斯-古茨曼 于 2019-02-12 设计创作，主要内容包括：本发明涉及一种用于从多个假设中选择出车辆的可能位置的有限或空假设集合(Z1至Z8)的方法。本发明涉及：-借助于地理定位系统获取该车辆的至少一个地理定位位置(P<Sub>0</Sub>)的步骤,-获取该车辆的可能位置的多个假设的步骤,-确定该车辆的地理定位位置的协方差和每个所获取的假设的协方差的步骤,-针对每个所获取的假设,计算马氏距离的步骤,以及-从所获取的假设中选择出有限或空假设集合的步骤。(The invention relates to a method for selecting a limited or empty set of hypotheses (Z1-Z8) of possible positions of a vehicle from a plurality of hypotheses. The present invention relates to: -acquiring at least one geolocation position (P) of the vehicle by means of a geolocation system 0 ) -a step of acquiring a plurality of hypotheses of possible positions of the vehicle, -a step of determining the covariance of the geo-located position of the vehicle and the covariance of each acquired hypothesis, -a step of calculating the mahalanobis distance for each acquired hypothesis, and-a step of selecting from the acquired hypothesesA step of selecting a limited or empty set of assumptions.)

用于选择出车辆的可能位置的有限或空假设集合的方法

技术领域

本发明总体上涉及地图构建领域。

更具体地，本发明涉及一种用于从多个假设中选择出车辆的可能位置的有限或空假设集合的方法。

本发明还涉及一种车辆，该车辆包括：

-用于记忆地图的装置，

-地理定位系统，以及

-适用于在该地图上预定位该车辆并实施上述选择方法的计算机。

背景技术

为了确保自主车辆和部分自动化车辆的安全，有必要深入地了解这些车辆四处移动的环境。

实际上，车辆对其环境的感知是通过两种不同的方式完成的，即：

-通过使用地图和车辆的地理定位装置，以及

-通过使用外感受性传感器(相机、雷达传感器或激光雷达传感器等)。

创建地图的公司目前正在研究所谓的“高清晰度”地图，这些地图使得可以获得有关道路网络特征(车道宽度、地面标记、信号传送板等)的非常详细的信息。

这些地图被嵌入到配备有地理定位装置的车辆中，从而允许将这些车辆在地图上以经度和纬度定位在估算的位置处。

不幸的是，发现该位置并不总是非常准确和可靠的，这然后通过车辆被定位在实际采取的路径之外反映出来。在使用该信息确定其方向的自主车辆的情况下，该问题被证明是特别危险的。

为了解决此问题，第一种技术解决方案在于：在给定所采取的道路和地理定位位置的情况下确定车辆的几个可能位置，并且选择最可能的位置。

该解决方案的主要缺点在于，最终只能选择一个位置，使得在发生错误的情况下机动车辆无法认识到错误，这被证明是非常危险的。

从文献EP 1729145还已知另一种解决方案，该解决方案在于：处理从卫星接收到的地理定位信号，以减少与信号向车辆的不良传播相关联的误差。

该解决方案的主要缺点在于，其使用外感受性传感器(陀螺仪、加速度计等)来确定车辆的精确位置，这被证明是成本高昂的，并且使该解决方案的可靠性服从于所使用的传感器的可靠性。

发明内容

为了弥补现有技术的上述缺陷，本发明提出考虑车辆的可能位置的假设，并对这些假设进行一致性测试，以便将假设的数量减至最少、并尽可能地减至单个解决方案。

更具体地，根据本发明，提出了一种如引言中所定义的用于选择假设的方法，在该方法中提供了以下各项：

-借助于地理定位系统获取车辆的至少一个地理定位位置的步骤，

-获取车辆的可能位置的多个假设的步骤，

-确定该车辆的地理定位位置的协方差和每个所获取的假设的协方差的步骤，

-针对每个所获取的假设，基于该车辆的地理定位位置的协方差和所述假设的协方差来计算马氏距离的步骤，以及

-基于每个计算出的马氏距离，从所获取的假设中选择出有限或空假设集合的步骤。

因此，此方法涉及一种仲裁方法，该仲裁方法使得可以检查每个假设与车辆的地理定位位置的一致性，从而能够指示所选假设是否是可用的。

所要求保护的解决方案的优点在于，它不评估接收到的地理定位数据的准确性，而是评估使用这些数据的算法的运行的一致性。因此，该解决方案不需要使用附加的传感器，使得其价格便宜并且非常可靠。

更一般地，所提出的解决方案使得可以放下可用数据并通过非常可靠地解决关于知道是否可以完全相信所选假设的问题来判断该信息在对自主车辆的控制的背景下是否可用。

所提出的解决方案的另一个优点在于，由于可以指示在算法中使用的数据是否一致，因此不仅可以确定假设是否正确，而且还可以诊断出地理定位系统中的错误。在阅读本解释的其余部分时，这一优点将更加清楚地显现出来。

根据本发明的方法的其他有利的和非限制性的特征如下：

-在选择结束时，基于所选假设的数量来确定每个所选假设的可用性或不可用性；

-在该选择步骤中，对每个马氏距离进行卡方测试；

-在获取每个假设的步骤之前，进行以下操作：

·在该地图上将该车辆预定位在其地理定位位置处，

·在该地图上围绕该地理定位位置分布粒子，每个粒子对应于该车辆的可能位置，

·尤其通过为每个粒子指配权重来向这些粒子应用粒子滤波器，以及

·将从该粒子滤波器导出的粒子(Pi)组合成有限数量的假设，每个假设都与记忆在该地图中的行车道相关联；

-在该选择步骤中，仅选择这样的假设：对于该假设，根据构成此假设的粒子的权重而计算出的指标大于所确定的阈值；

-在该确定步骤中，计算该车辆的地理定位位置的协方差矩阵和每个所获取的假设的协方差矩阵；

-如果所选假设集合为空和/或如果仍然存在几个假设，则提供传输警报的步骤。

本发明还涉及一种车辆，该车辆包括：

-用于记忆地图的装置，

-地理定位系统，以及

-适于在该地图上预定位该车辆并实施上述选择方法的计算机。

附图说明

以下根据附图给出的、作为非限制性示例给出的描述将关于本发明由何组成以及可以如何产生本发明给出良好的理解。

在附图中：

-图1是展示了根据本发明的方法的不同步骤的图；

-图2是车辆在道路上行驶的平面视图；

-图3是分布在地图上的粒子的示意性视图；

-图4是沿两个连续道路区段定位的两个粒子的示意性视图，以及

-图5是定位在四个道路区段旁边的四个粒子的示意性视图。

具体实施方式

在图2中，表示了采取汽车形式的机动车辆10，并且该机动车辆正在具有四个行车道V1、V2、V3、V4的道路的一部分上行驶。

在说明书的下文中，将更特别关注的是此机动车辆10在地图上的定位，但是本发明将不限于这种示例。因此，其将尤其适用于任何陆上、海上、空中或空间交通工具在地图上的定位。

这里所考虑的机动车辆10通常包括底盘、动力传动系、转向系统、制动系统、电子计算单元和/或计算机化计算单元(下文称为计算机)。

计算机连接到所谓的“本体感受性”传感器，这些传感器可以准确地测量车辆的速度和车辆的横摆角速度。

优选地，计算机还连接到“外感受性”传感器，这些传感器可以感知机动车辆10的直接环境(这些传感器可以是相机、雷达传感器、激光雷达传感器等)。

计算机还连接到地理定位系统，该地理定位系统可以评估车辆10的、这里由纬度和经度定义的地理定位位置P₀。例如，该地理定位系统可以是GPS系统。

这里将考虑到，该地理定位系统还适于向计算机传输被称为“水平保护级HPL”的数据。本领域技术人员公知的此数据对应于地理定位位置P₀的测量不确定性。其值例如根据地理定位系统从其接收数据的卫星的数量、信号接收的质量、所使用的地理定位系统的质量等而变化。

沿着相同的思路，这里还将考虑该地理定位系统适于向计算机传输与该同一不确定性有关的协方差矩阵。

所考虑的机动车辆10可以是半自动化的，使得其计算机可以例如在驾驶员尚未感知到危险并且其自身尚未采取适当的行动时触发紧急制动。所描述的系统也将能够例如在学习驾驶状况的背景下部署在常规车辆上。

然而，在本解释的下文中，将考虑到，机动车辆10是自主类型的，并且计算机适于控制车辆的动力传动系、转向系统和制动系统。

计算机则包括计算机存储器，该计算机存储器存储在对车辆的自主控制的背景下使用的数据，并且记录尤其在下文描述的方法的背景下使用的数据。

该计算机存储器尤其记忆由包括指令的计算机程序组成的计算机应用，处理器执行这些指令以允许由计算机实施以下描述的方法。

该计算机存储器还记忆所谓的“高清晰度”地形图。

该地图存储大量数据。

其首先包括与道路的地形有关的信息。这里，此地形以道路区段(或“链路”)的形式被记忆。这里，每个道路区段都被定义为道路的单个行车道的一部分，该部分的特征在其整个长度上都是恒定的(沿此道路区段的地面标记的形状都相同、此道路区段的宽度都恒定等)。

该地图还存储有表征每个道路区段的其他数据，包括行车道的宽度、定位在行车道两侧的地面上的标记的形状、道路区段处的界定道路的每个板的位置和形状、前一道路区段和后一道路区段的标识符等。

为了估算机动车辆10在地图上的精确位置P_p而由计算机实施的方法包括两大操作，包括粒子滤波操作100和假设选择操作200(见图1)。

假设选择操作200使用粒子滤波操作100的结果，使得其在粒子滤波操作之后被实施。

因此，第一步将描述第一粒子滤波操作100。

该操作是递归实施的，也就是说，以循环的方式且以固定时间步长来实施。

此操作包括三个主要步骤。

第一步骤101在于对于计算机而言经由其所连接的传感器来获取不同的数据。

因此，计算机获取机动车辆10的地理定位位置P₀以及与该地理定位位置相关联的水平保护级HPL。这些数据是使用地理定位系统获取的，该地理定位系统供应了纬度、经度和水平保护级HPL。

计算机还获取与机动车辆10的动态特性有关的数据。因此，计算机获取车辆的速度V及其横摆角速度Ψ。

第二步骤102是在地图上将车辆10预定位在所获取的地理定位位置P₀处的步骤。

第三步骤103是粒子滤波步骤，在该步骤期间，对车辆的、称为粒子P_i的可能位置(或者更准确地说是车辆的可能姿态)进行处理，以确定车辆10在地图上的精确位置P_p(或者更精确地说是车辆在地图上的精确姿态)。

每个粒子P_i可以通过以下方式来定义：

-使得可以定义粒子在笛卡尔参考系中的位置的两个坐标x_i、y_i(这些坐标链接到所获取的经度和纬度)，

-使得可以定义粒子相对于给定方向(诸如北)的角度的横摆角，以及

-粒子P_i与之相关联的地图区段的标识符。

在图3至图5中表示了等腰三角形形式的粒子P_i，每个三角形都具有与地图上粒子的位置相对应的中心M_i、以及与地图上粒子的横摆角相对应的取向。

如图1所示，第三粒子滤波步骤103更准确地由几个子步骤组成，现在可以对这些子步骤进行更详细地描述。

第一子步骤110在于确定当前阶段是否是粒子滤波器的初始化阶段，例如是在启动机动车辆10时的情况。

然后可以采用这种情况，在这种情况下，还未生成任何粒子。

然后，下一子步骤112在于在给定车辆10的地理定位位置P₀的情况下在地图上创建并分布粒子P_i。

为此，将粒子P_i分布在以车辆10的地理定位位置P₀为中心的圆盘中，这里该圆盘的半径等于水平保护级HPL。

这些粒子具体地以恒定角度差的螺旋状分布。基于要生成的粒子P_i的数量来选择螺旋的特性以及粒子P_i之间的角度差。

此数量大于100，并且优选地大约为1000。其确定方式为获得足够的准确度而不会以任何方式使计算机过载。

在该阶段，还未对粒子P_i进行定向。

鉴于存在影响地理定位系统的误差，因此每个粒子P_i对应于车辆可能具有的可能位置。

如在图3中可以看出，一些粒子定位在道路之外。这展示了以下事实：粒子并未被约束在地图上，并且它们可以在二维空间内四处移动。因此，滤波器非常灵活，并且使得可以初步考虑极大数量的不同解决方案，然后将通过粒子滤波器消除其中最不合理的解决方案。

在下一子步骤113期间，计算机使每个粒子P_i与其最近的道路区段相关联。

这里选择的方法是“点到曲线”类型的方法。该方法在于使每个粒子P_i与在欧几里德距离的意义上最近的道路区段相关联。

作为说明性示例，因此在图4中可观察到，粒子P₁与道路区段AB相关联。

在该阶段，计算机可以使粒子P_i尤其基于每个粒子与之相关联的道路区段的取向(并且可能地还基于车辆的动态特性)而定向。

然后，该方法继续进行子步骤116，稍后将描述该子步骤。

如上所述，第一子步骤110在于确定当前阶段是否是粒子滤波器的初始化阶段。

现在可以考虑事实并非如此并且先前已经发起了该过程。

在这种情况下，在子步骤114期间，计算机更新地图上的粒子P_i。

为此，使粒子P_i全部在地图上基于与车辆的动态特性有关的信息进行移动。

两项数据，即车辆的速度V和机动车辆10的横摆角速度Ψ实际上用于使所有粒子P_i移位给定距离并以给定角度对这些粒子进行重定向。对于每个粒子而言独立地将随机噪声添加到这两项数据中，以促进移动后粒子之间的位置差异。

应当注意，此子步骤这次不使用机动车辆的地理定位位置P₀。

在下一子步骤115期间，计算机使每个粒子P_i与道路区段重新相关联。

更具体地，计算机确定哪些粒子P_i必须与新的道路区段相关联，并且其识别此新的道路区段。

为了理解计算机如何工作，可以参考图4，其中表示了以点M1、M2为中心的两个粒子P₁、P₂并且还表示了道路区段AB。

这里考虑到，在前一时间步长，这两个粒子P₁、P₂与同一道路区段AB相关联，并且它们在子步骤114期间发生了移位。

然后，计算机针对每个粒子P_i确定比值r，以便知道每个粒子是否应当与新的道路区段相关联。

此比值r是根据以下公式计算的：

在此比值r介于0到1之间的情况下，不得更改粒子P_i与其原始道路区段的关联。对于粒子P₁而言，这里事实就是如此。

在此比值为负的情况下，必须更改粒子P_i与其道路区段的关联。更具体地，此粒子应当与前一道路区段或前面的道路区段之一相关联。

在此比值严格大于1的情况下，必须更改粒子P_i与其道路区段的关联。更具体地，此粒子应当与下一道路区段或后面的道路区段之一相关联。

因此，可能遇到几种情况。

在图4中的道路区段AB仅包括单个后继者BB’的情况下，粒子P₂与此后继者相关联(因为与此新的道路区段的比值r介于0到1之间，否则考虑另一个后继者)。

在图5中的道路区段AB包括多个后继者BC、BD、BE的情况下，在前一时间步长处所考虑的粒子P₂被克隆为与所具有的后继者BC、BD、BE一样多的粒子P₂₁、P₂₂、P₂₃。

鉴于车辆的动态特性，如果不能考虑某些后继者，则粒子克隆的次数可能更少。

在未在图中表示的另一种情况下，可能必须使粒子同与其在前一时间步长所相关联的道路区段平行的另一道路区段相关联(这种情况将在尤其是当某一车辆例如为了超越另一车辆而横向变更行车道时出现)。这由于粒子未被约束为仅在同一道路区段上移动而成为可能。在给定粒子的新位置和存储在地图中的数据(关于地面标记的信息、行车道宽度等)的情况下，可以检测到这种情况。在变体中，还可以设想使用嵌入车辆中的相机来检测到这种情况。

在子步骤115和子步骤113两者之后的子步骤116期间，计算机计算每个粒子P_i的似然性w_i。

这里，粒子的似然性用其权重w_i来表示。粒子的权重越大，所考虑的粒子就越有可能对应于机动车辆10的确切位置。

此权重可以通过不同的方式来计算。

在第一实施例中，仅基于从地图导出的数据来计算每个粒子P_i的权重w_i。

更具体地，基于所考虑的粒子与其所相关联的道路区段相距的欧几里得距离来确定该权重(此权重例如与此距离反向相等)。

在第二实施例中，在认为从外感受性传感器导出的数据可靠的条件下，还基于这些数据来计算每个粒子P_i的权重w_i。

实际上，可以想象基于源自车辆的相机CAM的横向信息来增大或减小所考虑的粒子的权重。这些相机实际上能够检测地面标记线并将其以多项式模型的形式返回到计算机。然后，计算机可以检查这些线的形状是否与地图中存储的地面标记的形状相对应，并且相应地调整粒子的权重。

可能注意到，地面标记并非总是由相机检测到。这可能是由于传感器难以适应的条件，诸如例如光线不足、道路潮湿、标记被删除等。在这些特定情况下，相机向计算机指示低置信度水平，并且然后如第一实施例中所描述的，仅基于由地图供应的数据来计算权重。

不管使用哪种方法，该方法都继续进行子步骤117：选择出有限的粒子P_i的集合，以消除离机动车辆10的瞬时地理定位位置P₀太远的粒子。

为了实施此子步骤，计算机获取机动车辆10的新地理定位位置P₀，然后其计算每个粒子P_i距此瞬时地理定位位置P₀的距离。

如果此距离大于水平保护级HPL，则将相应粒子P_i的权重w_i设置为零，这将允许此后自动消除此粒子。

否则，不修改相应粒子P_i的权重w_i。

在下一子步骤118期间，计算机确定是否需要对地图上的粒子P_i进行重采样。

为此，计算机使用指标N_eff，该指标是基于粒子P_i的权重w_i和粒子P_i的数量来计算的。

如果此指标N_eff下降到低于预定阈值(该预定阈值存储在计算机的只读存储器中)，则计算机对地图上的粒子P_i进行重采样。否则，使粒子P_i保持在其状态下。

众所周知，重采样在于：在其集合中考虑粒子(以下称为原始粒子)，并且从此原始集合中抽取新粒子。

为了对粒子进行重采样，计算机可以使用常规方法，在该方法期间，计算机将从原始粒子P_i集合中随机抽取预定义数量的新粒子，抽取到每个粒子P_i的概率与此粒子P_i的权重w_i成正比。然而，因为总是会抽取到权重非常高的粒子，所以此方法通常导致粒子耗尽。

优选地，相反，这里计算机使用被称为具有“低方差”的重采样方法(称为“低方差重采样”)。实际上，此方法有利于维持粒子在地图上的良好分布。此方法在于：随机从原始粒子P_i集合中抽取预定义数量的新粒子，抽取到每个粒子P_i的概率是此粒子P_i的权重w_i的函数，但这次与此权重不成正比。

在该阶段，计算机可以简单地重新开始子步骤114至118循环执行，直到获得全部定位在同一点周围的粒子，该点将被认为对应于机动车辆10在地图上的精确位置P_p。

然而，这不是这里选择的选项。因此，如先前已经解释的，一旦子步骤118完成，就提供假设选择操作200。

一旦粒子滤波操作100已经收敛并且已给出了有限数量的解(例如，粒子被分组在数量低于预定阈值的点周围)，就实施此假设选择操作200。

该假设选择操作200是递归实施的，也就是说，以循环的方式且以固定时间步长来实施。该假设选择操作包括几个子步骤。

在第一步骤201期间，计算机选择“假设”。

为此，计算机考虑了不同集合中的粒子P_i，在每个集合内，粒子都与同一行车道(或者作为变体，与同一道路区段)相关联。

研究假设的益处是然后将可以选择所有最可能的假设，从而将可以一方面从所选假设中保留良好的假设，并且另一方面验证每个所选假设的有效性。

假设可以用断言的形式表示，诸如“车辆位于参考为……的行车道上”。

为了获得对在本解释的意义内假设对应于什么的更好理解，图3中将粒子一起分组为各自对应于一个假设的八个集合Z₁、Z₂、Z₃、Z₄、Z₅、Z₆、Z₇、Z₈。

作为示例，集合Z₁中的粒子对应于假设“车辆位于道路R₁的右侧行车道上”。

集合Z₂中的粒子对应于假设“车辆位于道路R₁的左侧行车道上”。

集合Z₃中的粒子对应于假设“车辆位于道路R₂的左侧行车道上”。

集合Z₄中的粒子对应于假设“车辆位于其与道路R₁和R₂的交汇处之间的环形交叉路口处”。

考虑到找到了数量“J”个假设(在图3中，J＝8)，每个假设也可以以均值坐标向量的形式来表达(该向量的分量对应于此假设中的粒子P_i的坐标之和)，并由这些粒子的权重w_i加权。

计算机可以为每个假设指配“置信度指数”，该置信度指数等于此假设的粒子P_i的权重w_i之和。

在第二步骤202期间，计算机将确定每个假设的协方差矩阵

和车辆10的地理定位位置P₀的协方差矩阵∑(X_GNSS)。

实际上，操作此类协方差矩阵可以表征与每个假设相关联的不确定性以及与由地理定位系统供应的地理定位位置P₀相关联的不确定性。

如上所解释的，这里通过地理定位系统将与车辆10的地理定位位置P₀相关联的协方差矩阵∑(X_GNSS)直接传输到计算机。这里，该协方差矩阵是2×2矩阵。

关于与每个假设相关联的协方差矩阵

这是根据与此假设相关联的一组粒子P_i的权重w_i来计算的。该协方差矩阵也是2×2矩阵，其表达式如下：

其中，

并且

然后，在给定由地理定位系统供应的地理定位位置P₀并考虑与此地理定位位置的测量相关联的误差的情况下，有必要确定每种假设的“一致”程度。

为此，在步骤203期间，使用被称为马氏距离D_Mj的数学对象，其表达式如下：

其中，X_GNSS对应于“地理定位位置P₀”。

实际上，马氏距离是一个对象，该对象可以考虑变量的协方差(也就是说，与每个变量相关联的不确定性)来评估两种不确定情况之间的一致性。

然后，在步骤204期间，从在步骤201中获取的假设中选择出第一有限(或甚至为空)假设集合。

为此，对每个马氏距离D_Mj进行卡方(X²)测试。

实际上，这里将每个马氏距离D_Mj与针对给定错误检测风险的临界阈值进行比较，以确定所考虑的假设是否与地理定位位置P₀一致。

如果所考虑的假设与地理定位位置P₀在卡方测试的意义上是一致的，则保留该假设。

否则，如果所考虑的假设与地理定位位置P₀在卡方测试的意义上不一致，则拒绝该假设。

这里将注意到，如果保留了某一假设，则这并不一定意味着该假设为真。实际上，在该阶段，可以保留几个假设。

另一方面，如果拒绝了某一假设，则这并不一定意味着此假设为假。实际上，可能存在较大误差影响对地理定位位置P₀的测量的情况。在这种情况下，可以拒绝为真的假设。如在下文中在该解释中清楚地显现的，这绝不会影响这里提出的方法的可靠性。

然后，在下一步骤205期间，从在步骤204中选择的假设中选择出第二有限(或甚至为空)假设集合。

这里将注意到，此第二选择可以在第一选择之前应用，而不会以任何方式影响该方法的进度。

此第二选择在于：仅保留“可能的”假设，对于该假设，与构成此假设的粒子P_i的权重w_i相关联的指标大于所确定的阈值。实际上，目的是消除已经满足卡方一致性测试但不太可能的假设。

为此，计算机消除对于置信度指数(将会想到的是，该置信度指数等于所考虑假设中的粒子P_i的权重w_i之和)低于所确定的阈值的假设。这里，此阈值不变并且记忆在计算机的只读存储器中。

在这两个假设选择步骤结束时，计算机已保留了数量为N个不但一致而且可能的假设。

在步骤206期间，然后基于此数量N来确定每个所选假设的可用性或不可用性。

然后可以设想三种情况。

第一种情况是数量N等于1的情况。在这种情况下，由于保留了单个假设，因此该假设被认为是公平的，并且可用于生成自主车辆的驾驶设定点。如果遵循该假设，则计算机可以依赖于该假设。在这种情况下，计算机然后可以认为此假设中的粒子的均值位置对应于车辆10的精确位置P_p。

第二种情况是数量N严格大于1的情况。在这种情况下，由于保留了几个假设，因此没有一个假设被认为可用于生成自主车辆的驾驶设定点。

最后一种情况是数量N等于0的情况。在这种情况下，如前一种情况一样，由于没有保留任何假设，因此没有位置被认为可用于生成自主车辆的驾驶设定点。此外，计算机可以有利地根据此情况推断出在由地理定位系统执行的测量与所获取的假设之间存在不一致性，这可能是由于影响地理定位系统的问题所致。在这种可能情况下，提供了步骤207，在此步骤中，向驾驶员和/或在自主模式下车辆的控制单元传输警报，使得该驾驶员和/或控制单元能够采取必要的措施(紧急停车、降级模式驾驶等)。