predict_amber_onset — DRIVE `decide` op

• Datenarten: table → table

• Aufruf: import fullseye as fs; fs.ledger.predict_amber_onset(observations, *, flash_duration: 'Optional[float]' = None, crossing_length: 'Optional[float]' = None, walk_speed: 'float' = 1.0, ped_red_to_amber: 'float' = 2.0, t_now: 'Optional[float]' = None) -> 'Dict[str, object]' (die Implementierung direkt: import drivedecide; drivedecide.predict_amber_onset(observations, *, flash_duration: 'Optional[float]' = None, crossing_length: 'Optional[float]' = None, walk_speed: 'float' = 1.0, ped_red_to_amber: 'float' = 2.0, t_now: 'Optional[float]' = None) -> 'Dict[str, object]'; aus dem Register: opsdrive.get("predict_amber_onset"))

Verwendung

Schätzt den Beginn von Gelb für Fahrzeuge aus Beobachtungen der parallelen Fußgängerampel ((t, state) in zeitlicher Reihenfolge, state ∈ green / flash / red).

F = flash_duration (falls nicht vorhanden crossing_length / walk_speed), Δ = ped_red_to_amber. Für jeden beobachteten Wechsel (green→flash, flash→red) wird ein Intervall gebildet, das den Gelb-Zeitpunkt enthält, und deren Schnittmenge genommen:

green→flash (letztes green t_g, erstes flash t_f): Gelb ∈ [t_g + F + Δ, t_f + F + Δ]

flash→red (letztes flash t_f', erstes red t_r): Gelb ∈ [t_f' + Δ, t_r + Δ]

Rückgabewert: amber_onset (Mittelpunkt des Intervalls), lo / hi, half_width (Obergrenze des Fehlers), remaining = amber_onset − t_now (Standard = Zeitpunkt der letzten Beobachtung), basis (die verwendeten Wechsel). Gibt es keinen einzigen Wechsel, ValueError (allein aus andauerndem Grün lässt sich nicht ablesen, „wann es zu blinken beginnt“). Ein leeres Intervall (Beobachtungen widersprechen F und Δ) ist ebenfalls ValueError.

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_driving_decisions — py -3.11 examples/poc_driving_decisions.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

course_layout · course_occupancy · course_contains · world_build · world_camera · world_move · lidar_scan · rss_longitudinal_same

Gleiche Kategorie (`decide`)

mirror_reflection_matrix · mirror_virtual_camera · mirror_aim_normal · convex_mirror_fov · mirror_blind_zone · check_sequence_score · signal_phase_plan · signal_state

*Provenance: drivedecide.py — DRIVE Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

predict_amber_onset — DRIVE decide op