CN102795225A - 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 - Google Patents
利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 Download PDFInfo
- Publication number
- CN102795225A CN102795225A CN2012103336937A CN201210333693A CN102795225A CN 102795225 A CN102795225 A CN 102795225A CN 2012103336937 A CN2012103336937 A CN 2012103336937A CN 201210333693 A CN201210333693 A CN 201210333693A CN 102795225 A CN102795225 A CN 102795225A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- chaufeur
- data
- driving
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种利用驾驶员模型检测驾驶员干扰状态的方法,该方法包括:由外部传感器获取车辆的驾驶环境信息,根据车辆的位置和车道边界的关系判断驾驶意图;当驾驶意图是保持车道时,驾驶员模型根据驾驶环境信息和车辆状态信息计算方向盘转角改变量,根据当前车速和由车辆与前车的间隔时间确定的期望纵向加速度计算并输出油门开度;当驾驶意图是换道时,驾驶员模型根据驾驶环境信息和状态信息计算方向盘转角改变量,根据当前车速和由侧向加速度计算的期望纵向加速度计算并输出油门开度;将驾驶员模型计算得到的方向盘转角和油门开度与内部传感器获得的真实驾驶员的控制数据进行比较,判断驾驶员是否受到干扰;重复上述步骤,直至停车。
Description
技术领域
本发明涉及一种利用驾驶员侧纵向综合控制模型检测驾驶员干扰状态的方法。该方法在检测驾驶员干扰方面,利用驾驶员模型实时仿真当前驾驶环境下的驾驶员控制数据(方向盘转角和油门开度),将驾驶员模型的控制数据与真实驾驶员的控制数据进行比较,并根据比较结果识别驾驶员是否受到干扰。该方法的硬件成本低,识别准确率高,特别适用于开发车辆的辅助驾驶***。
背景技术
驾驶员被干扰(例如,走神、吃东西、喝水/饮料、打电话、和乘客聊天、以及使用车载***等)是造成交通事故的一个重要原因,因此有必要发展检测方法实时检测驾驶员的干扰状态,以便结合交通状况及时提醒驾驶员,减少或避免事故的发生。
目前驾驶员干扰的检测主要集中在利用驾驶员的生理表征,例如通过不断追踪眼睛的运动判定驾驶员是否受到视觉干扰等。驾驶员的生理表征虽然可以体现驾驶员受干扰的状况,但也具有很强的欺骗性,例如当驾驶员受到认知方面的干扰(例如在驾驶时思索问题)时,驾驶员的面部表情可能没有什么变化,对于这样的干扰现有方法很难检测。相反,驾驶员对车辆的控制行为则可以真实地反映驾驶员状态,研究表明驾驶员在正常情况下的控制数据和受干扰时的控制数据具有很大的差异。
发明内容
本发明的目的是提供一种检测驾驶员干扰的新方法,该方法利用驾驶员模型,实时仿真当前驾驶环境下的驾驶员控制行为,通过比较驾驶员模型实时仿真的控制数据和真实驾驶员的控制数据,即可准确地判断驾驶员是否受到干扰。
根据本发明的目的,一种驾驶员模型包括:路径规划模块,接收来自车载外部传感器的驾驶环境信息,决策驾驶员的驾驶意图(换道或保持车道)、规划相应的行驶轨迹,并实时根据车***置不断修正;预瞄模块,根据来自路径规划模块的所述数据利用驾驶员的预瞄特性得到预期轨迹数据;预测模块,根据来自车辆动力学模型的状态信息得到预测轨迹数据;第一比对模块,接收预期轨迹数据和预测轨迹数据,并通过这两个轨迹数据的比对获得侧向偏差数据;侧向控制模块,根据所述侧向偏差数据计算方向盘转角改变量和侧向加速度并将其分别输出到第二比对模块和纵向控制模块;纵向控制模块,根据所述侧向加速度计算期望纵向加速度,然后根据期望纵向加速度计算油门开度值并输出至车辆动力学模型;第二比对模块,根据所述方向盘转角改变量和车辆动力学模型的当前方向盘转角,计算最终方向盘转角并输出至车辆动力学模型。
根据本发明的目的,提出一种利用上述驾驶员模型检测驾驶员干扰状态的方法,所述方法包括:步骤a,通过车载外部传感器获取车辆的驾驶环境信息,通过比较车辆当前位置和所处车道边界的关系,判断驾驶员换道或保持车道的驾驶意图;步骤b,如果判断驾驶意图是保持车道,则驾驶员模型根据车辆的所述驾驶环境信息和状态信息利用PD控制计算方向盘转角改变量,并根据当前车速和由车辆与前车的期望间隔时间(安全时间)确定的期望纵向加速度计算并输出油门开度值;步骤c,如果判断驾驶意图是换道,则驾驶员模型根据车辆的所述驾驶环境信息和状态信息利用PD控制获取方向盘转角改变量,并根据车辆的当前速度和由侧向加速度确定的期望纵向加速度,计算并输出油门开度值;步骤d,将步骤b或c的方向盘转角和油门开度数据与由车辆内部传感器获得真实驾驶员的相应控制数据进行比较,判断驾驶员是否受到干扰;步骤e,重复步骤a-d,直至停车。
所述方法还包括:在步骤a之前,将车载外部传感器以及车辆内部传感器与计算机相连,调试车载外部传感器及车辆内部传感器,初始化驾驶员模型。
判断驾驶员是否受到干扰的准则采用1s的时窗,0.25s的更新量进行数据处理,其中,判断驾驶员是否受到干扰的准则利用方向盘转角、油门开度值与真实驾驶员的数据在1s内的累积差值作为分类的特征,其中,判断驾驶员是否受到干扰的判别函数是核函数为高斯函数的支持向量机(SVM)。
将上述计算的分类特征输入给支持向量机模型,如果模型的结果大于0,则可以判断出驾驶员受到干扰,否则,没有受到干扰。
本发明的驾驶员模型是建立在现有的排队网络认知体系上的,在追踪预期轨迹的同时,它能够准确地仿真真实驾驶员的驾驶特性和生理局限,能够体现熟练驾驶员的驾驶行为。车辆外部的环境感知传感器实时获取当前的驾驶环境信息,将这些信息实时输给驾驶员模型。驾驶员模型根据环境感知传感器的信息,实时计算驾驶员控制数据。通过车辆内部传感器获取真实驾驶员的实时控制数据,通过比较驾驶员模型计算的驾驶数据和真实驾驶员的控制数据就可以准确判断驾驶员是否受到干扰。
本发明的优点在于:提出了一种通过实时比较驾驶员模型的仿真控制数据和真实驾驶员的控制数据检测驾驶员是否受到干扰的方法,这种检测过程本身不会对驾驶员产生干扰,且硬件容易实现,成本低;驾驶数据能够真实地反映驾驶员的驾驶状态,通过驾驶员模型的仿真数据和真实驾驶员的驾驶数据的差异识别驾驶员是否受到干扰,可以大大地降低干扰检测的误判率,提高检测的准确率,推进辅助驾驶***的智能程度。
附图说明
图1是利用驾驶员模型进行驾驶员干扰检测的原理图。
图2是图1中的驾驶员模型结构图。
图3是利用驾驶员模型进行驾驶员干扰检测方法的流程图。
具体实施方式
下面将参照附图详细描述根据本发明的驾驶员干扰状态的检测方法。在本发明中,为了简化描述,假设驾驶员模型与真实驾驶员处于相同的预期轨迹,当然本发明不限于此。
图1是利用驾驶员模型进行驾驶员干扰检测的原理图。如图1所示,利用驾驶员模型进行驾驶员干扰检测的原理如下:(1)通过车载外部传感器实时获取驾驶环境信息(道路类型(直线或曲线)、车辆当前所处车道的位置信息、车速、与同一车道的前车及后车的距离、相邻车道的车辆(前车及后车)速度及其与本车的距离);(2)驾驶员模型接收来自车载外部传感器的数据,模拟熟练驾驶员的驾驶行为实时仿真当前驾驶环境下的驾驶行为,并输出驾驶员控制数据至辆动力学模型以实现仿真的驾驶行为的闭环校正,从驾驶员模型输出的驾驶控制数据作为正常驾驶下的基准;(3)在进行步骤(2)的同时,通过车载传感器实时获取真实驾驶员对车辆的控制数据;(4)比较模块接收来自步骤(2)的驾驶员模型控制数据和来自步骤(3)的真实驾驶员的控制数据,通过比较驾驶员模型和真实驾驶员的控制数据就可以准确判断驾驶员是否受到干扰。
在图1中示出的驾驶员模型是建立在现有的排队网络认知体系上的,在追踪预期轨迹的同时,它能够准确地仿真真实驾驶员的驾驶特性和生理局限,能够体现熟练驾驶员的驾驶行为。下面参照图2详细描述驾驶员模型。
如图2所示,驾驶员模型包括路径规划模块、预瞄模块、预测模块、比对模块1、比对模块2、侧向控制模块、纵向控制模块等。
在一方面,来自车载外部传感器的驾驶环境信息输入路径规划模块,路径规划模块决策出驾驶员的驾驶意图(换道或保持车道)规划相应的行驶轨迹,并实时根据车***置不断修正,预瞄模块根据来自路径规划模块的所述数据利用驾驶员的预瞄特性得到预期轨迹数据。
在另一方面,来自车辆动力学模型的车辆状态信息(Sn(x,y,ax,ay,vx,vy,yaw),其中x是车体侧坐标,y是车体纵向坐标,ax是纵向加速度,ay是侧向加速度,vx是纵向速度,vy是侧向速度,yaw是车体横摆角)输入预测模块,预测模块根据所述状态信息输出预测轨迹数据。预期轨迹数据和预测轨迹数据均输入比对模块1,以通过比对模块1对这两个轨迹数据进行比对获得侧向偏差数据E(将在下文中描述)。侧向控制模块根据来自比对模块1的侧向偏差数据E计算方向盘转角改变量Δδ(将在下文中描述)并将其分别输出到比对模块2和纵向控制模块。纵向控制模块计算最终油门开度值α(将在下文中描述)并输出至车辆动力学模型,比对模块2根据来自侧向控制模块的方向盘转角改变量Δδ和车辆动力学模型的当前方向盘转角(将在下文中描述)计算输出最终方向盘转角δ(将在下文中描述)并将其输出至车辆动力学模型。由此实现驾驶员模型的驾驶行为的闭环校正。
由于在描述图1和图2时涉及的传感器检测-比较模块/比对模块的比较/比对-控制模块的控制的实现方式(例如,软件方式、硬件方式等)属于现有技术,在此不再重复描述。
下面参照图3详细描述利用驾驶员模型进行驾驶员干扰检测的方法。
利用驾驶员模型进行驾驶员干扰检测的过程如下:
在步骤301和302中,调试车载外部传感器及车辆内部传感器,使其正常工作,初始化驾驶员模型的各模块并保证各模块时钟一致,同时保证真实驾驶员驾驶车辆前进的时间与各个传感器及驾驶员模型的启用时间一致。将各个传感器与计算机(例如,车载计算机)相连,以与驾驶员模型进行通信。
在步骤303中,驾驶员驾驶车辆前进,车载外部传感器实时获取当前的驾驶环境信息,车辆内部传感器实时获取车辆的状态信息。当然,各个传感器可能被一些情况(例如,传感器故障、车辆停车等)中断。
在步骤304和305中,驾驶员模型根据车载外部传感器获取车辆的驾驶环境信息,通过比较车辆当前位置(即,在所处车道内的位置)和所处车道边界的关系,判断驾驶员的驾驶意图(换道或保持车道)。
根据步骤305得到的驾驶意图(换道或保持车道),驾驶员模型根据从车载外部传感器获取的当前驾驶环境信息,按照驾驶安全性准则进行路径规划,并根据车辆的位置信息实时进行不断的修正。根据驾驶意图得到的规划路径即作为驾驶员模型的预期轨迹,驾驶员模型对该预期轨迹进行追踪,得到相应的驾驶行为基准。这样,通过路径规划获得的预期轨迹可确保驾驶员模型与真实驾驶员处于相同或大致相同的预期轨迹。
根据步骤305得到的驾驶意图,驾驶员模型根据相应的驾驶意图(换道或保持车道)选择不同的控制方式追踪在步骤305中得到的预期轨迹。
如果在步骤305中得到的驾驶意图是保持车道,则在步骤306、307、308和309中,将通过车载外部传感器获得的两车(本车及其前车)间距dn、前车速度vhn及通过车辆内部传感器获取的车辆状态信息Sn(xn,yn,axn,ayn,vxn,vyn,yawn)传送给驾驶员模型。驾驶员模型的预瞄模块通过步骤305获取的规划路径,得到当前预瞄时间(Tp=1.5s)内的预期轨迹点Pn(xn,yn),预测模块通过车辆内部传感器得到车辆状态信息Sn(xn,yn,axn,avn,vxn,vvn,yawn)并预测预瞄时间Tp内车辆所要到达的位置坐标由此就可以得到预期轨迹和预测轨迹的侧向位置误差En。为了精确追踪预期轨迹,就要调整方向盘转角减小侧向位置偏差。在驾驶员模型中利用PD控制获取方向盘转角改变量。在纵向方面,为了保证驾驶的安全性,防止追尾事故发生,要保证两车间距在安全范围内(或者大于安全时间)。为此,计算两车的间隔时间tcn,期望纵向加速度axn则与两车的间隔时间tcn和安全时间tf(tf=4s)的差成比例关系,由此根据车辆动力学的关系得到期望纵向加速度和当前速度对应的油门开度(正值代表加速,负值表示刹车),公式如下:
Δδn=kp·ayn+kd·a′yn (4)
δn=δn-1+Δδn (5)
由公式(1),第n步的侧向位置偏差En通过预测轨迹点的侧向坐标减去预期轨迹点的侧向坐标。由公式(2),根据车辆内部传感器获取第n步侧向速度vvn,计算到达预期位置的侧向加速度ayn。由公式(3),通过第n步侧向加速度和第n-1步侧向加速度的差除以预瞄时间即可得到第n步侧向加速度的导数a′yn。由公式(4),通过PD控制,得到第n步方向盘转角改变量Δδn。由公式(5),第n-1步的方向盘转角加上方向盘转角改变量Δδn就可以得到最终方向盘转角δn。在计算纵向控制参数(即油门或刹车开度)方面,由公式(6)计算第n步两车的间隔时间tcn,由公式(7)得到期望纵向加速度最后由公式(8)提供的查询表得到最终油门开度值αn,其中f(vxn,ad xn)是关于车辆发动机的动力学函数表达式,不同的纵向加速度和纵向速度对应不同的油门开度。
由于如何实现PD控制属于现有技术,在此不再描述。
从上面的描述看出,驾驶员模型根据车载外部传感器获知预期轨迹,通过仿真熟练驾驶员在正常驾驶情况下的驾驶特性得到控制命令,然后输出给车辆动力学模型。
如果在步骤305中得到的驾驶意图是换道,则在步骤310、311、312和313中,将通过车载外部传感器获得的相邻车道的驾驶环境信息及通过车辆内部传感器获取的车辆状态信息Sn(xn,yn,axn,avn,vxn,vvn,yawn)传送给驾驶员模型。驾驶员模型中的预瞄模块、预测模块以及方向盘转角的计算方法与步骤306、307、308和309相同,不同点在纵向加速度方面。为了仿真真实驾驶员的生理局限,在换道时,期望的纵向加速度是根据侧向加速度决定的,根据车辆动力学的关系得到期望纵向加速度对应的油门开度(正值代表加速,负值表示刹车),公式如下:
ad xn=K·ayn+ad (9)
αn=f(vxn,ad xn) (10)
由上面的公式(1)-(5)计算追踪预期轨迹所需要的方向盘转角。由公式(9)计算期望的纵向加速度,其中ayn是公式(2)计算的侧向加速度,K、ad是常数。由公式(10)提供的查询表计算当前速度和期望纵向加速度下的油门开度值。
由步骤306-309或步骤310-313可以获得驾驶员模型仿真在正常驾驶情况(例如,保持车道或换道)下的驾驶行为数据M(δMn,αMn),由车辆内部传感器获得真实驾驶员实时的控制数据D(δDn,αDn),然后通过比较模块(见图1)判断驾驶员是否受到其他任务的干扰,其判定准则如下公式所示:
在此判定准则中,采用1s的时窗,0.25s的更新量。由公式(11)、(12)分别计算驾驶员模型的方向盘转角、油门开度值与真实驾驶员的数据在1s内的累积差值作为分类的特征,利用高斯核函数据,将公式(11)、(12)计算的特征值输入到支持向量机函数(SVM)中,根据计算结果,如果输出值大于0即可以判断驾驶员是否受到干扰的影响(步骤314)(即,将上述计算的分类特征输入给支持向量机模型,如果模型的结果大于0,则可以判断驾驶员受到干扰,否则,没有受到干扰)。
车载外部传感器和车辆内部传感器实时获取驾驶环境信息和车辆内部状态信息,将信息不断地传送给驾驶员模型,即一直重复上述的步骤304-315,直至停车。
Claims (7)
1.一种利用驾驶员模型检测驾驶员干扰状态的方法,所述方法包括:
步骤a,通过车载外部传感器获取车辆的驾驶环境信息,通过比较车辆当前位置和所处车道边界的关系,判断驾驶员换道或保持车道的驾驶意图;
步骤b,如果驾驶意图是保持车道,则驾驶员模型根据车辆的所述驾驶环境信息和状态信息利用PD控制计算方向盘转角改变量,并根据当前车速和由车辆与前车的间隔时间确定的期望纵向加速度计算并输出油门开度;
步骤c,如果驾驶意图是换道,则驾驶员模型根据车辆的所述驾驶环境信息和状态信息利用PD控制计算方向盘转角改变量,并根据车辆的当前速度和由侧向加速度计算得到的期望纵向加速度计算并输出油门开度;
步骤d,将步骤b或c的方向盘转角和油门开度数据与由车辆内部传感器获得真实驾驶员的控制数据进行比较,判断驾驶员是否受到干扰;
步骤e,重复步骤a-d,直至停车,
其中,驾驶员模型包括:
路径规划模块,接收来自车载外部传感器的驾驶环境信息,决策驾驶员换道或保持车道的驾驶意图,规划相应的行驶轨迹,并实时根据车***置不断修正;
预瞄模块,根据来自路径规划模块的所述数据利用驾驶员的预瞄特性得到预期轨迹数据;
预测模块,根据车辆状态信息计算预测轨迹数据;
第一比对模块,接收预期轨迹数据和预测轨迹数据,并通过这两个轨迹数据的比对获得侧向偏差数据;
侧向控制模块,根据所述侧向偏差数据计算方向盘转角改变量和侧向加速度并将其分别输出到第二比对模块和纵向控制模块;
纵向控制模块,根据期望纵向加速度和当前汽车的速度计算油门开度值并输出至车辆动力学模型;
第二比对模块,根据所述方向盘转角改变量和车辆动力学模型的当前方向盘转角,计算最终方向盘转角并输出至车辆动力学模型,由此实现驾驶员模型驾驶行为的闭环校正。
2.根据权利要求1所述的方法,所述方法还包括:在步骤a之前,将车载外部传感器以及车辆内部传感器与计算机相连,调试车载外部传感器及车辆内部传感器,初始化驾驶员模型。
3.根据权利要求2所述的方法,其中,计算机是车载计算机。
4.根据权利要求1所述的方法,其中,根据步骤a,驾驶员模型按照驾驶安全性准则进行路径规划,以获得预期轨迹。
5.根据权利要求1所述的方法,其中,所述驾驶环境信息包括两车间距、前车速度,所述状态信息通过车辆内部传感器获得,
其中,驾驶员模型将当前预瞄时间内的预期轨迹点与车辆所要到达的位置坐标比较,以得到预期轨迹和预测轨迹的侧向位置误差,以计算方向盘转角改变量。
6.根据权利要求1所述的方法,其中,判断驾驶员是否受到干扰的准则采用1s的时窗,0.25s的更新量,
其中,判断驾驶员是否受到干扰的准则是利用模型得到的方向盘转角、油门开度值与真实驾驶员的相应控制数据在1s内的累积差值作为分类的特征,
其中,判断驾驶员是否受到干扰的函数是利用核函数为高斯函数的支持向量机(SVM)。
7.根据权利要求6所述的方法,其中,将上述计算的分类特征输入支持向量机模型,如果模型的结果大于0,则可以判断出驾驶员受到干扰,否则,没有受到干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210333693.7A CN102795225B (zh) | 2012-09-10 | 2012-09-10 | 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210333693.7A CN102795225B (zh) | 2012-09-10 | 2012-09-10 | 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102795225A true CN102795225A (zh) | 2012-11-28 |
CN102795225B CN102795225B (zh) | 2015-01-21 |
Family
ID=47194596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210333693.7A Expired - Fee Related CN102795225B (zh) | 2012-09-10 | 2012-09-10 | 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102795225B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103085815A (zh) * | 2013-01-17 | 2013-05-08 | 北京理工大学 | 一种识别驾驶员换道意图的方法 |
CN103600745A (zh) * | 2013-11-19 | 2014-02-26 | 四川长虹电器股份有限公司 | 一种用于预防疲劳驾驶的导航安全*** |
CN103818327A (zh) * | 2013-11-22 | 2014-05-28 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
CN104260725A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种含有驾驶员模型的智能驾驶*** |
CN104494600A (zh) * | 2014-12-16 | 2015-04-08 | 电子科技大学 | 一种基于svm算法的驾驶员意图识别方法 |
CN106205271A (zh) * | 2016-07-08 | 2016-12-07 | 成都合纵连横数字科技有限公司 | 一种驾驶过程手机干扰的模拟***与方法 |
CN106371439A (zh) * | 2016-09-13 | 2017-02-01 | 同济大学 | 一种统一的自动驾驶横向规划方法与*** |
CN106777747A (zh) * | 2016-12-29 | 2017-05-31 | 广西航程威特科技有限公司 | 一种三维交通仿真模拟*** |
CN106971194A (zh) * | 2017-02-16 | 2017-07-21 | 江苏大学 | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 |
CN107264531A (zh) * | 2017-06-08 | 2017-10-20 | 中南大学 | 一种半结构化环境中智能车辆自主换道超车运动规划方法 |
CN108646732A (zh) * | 2018-04-20 | 2018-10-12 | 华东交通大学 | 基于驾驶人操控意图的车辆轨迹预测方法、装置及*** |
CN108734303A (zh) * | 2018-05-29 | 2018-11-02 | 深圳市易成自动驾驶技术有限公司 | 车辆驾驶数据预测方法、设备及计算机可读存储介质 |
CN108791301A (zh) * | 2018-05-31 | 2018-11-13 | 重庆大学 | 基于驾驶员特性的智能汽车驾驶过程横向动态控制方法 |
CN109421702A (zh) * | 2017-08-25 | 2019-03-05 | 上海汽车集团股份有限公司 | 一种汽车控制方法及装置 |
CN110155059A (zh) * | 2019-06-04 | 2019-08-23 | 吉林大学 | 一种弯道优化控制方法及*** |
CN110569783A (zh) * | 2019-09-05 | 2019-12-13 | 吉林大学 | 一种驾驶人换道意图识别方法及*** |
CN110967991A (zh) * | 2018-09-30 | 2020-04-07 | 百度(美国)有限责任公司 | 车辆控制参数的确定方法、装置、车载控制器和无人车 |
CN111661060A (zh) * | 2019-03-05 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 建立车辆纵向运动模型的方法、装置及计算机*** |
CN111688694A (zh) * | 2019-03-11 | 2020-09-22 | 现代摩比斯株式会社 | 车辆车道改变控制设备及方法 |
CN112339682A (zh) * | 2019-08-09 | 2021-02-09 | 丰田自动车株式会社 | 提议方法和提议*** |
CN112863245A (zh) * | 2019-11-28 | 2021-05-28 | 南京理工大学 | 基于深度神经网络的车辆换道轨迹实时预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093396A (zh) * | 2007-07-04 | 2007-12-26 | 华南农业大学 | 一种农业机械的导航控制方法 |
JP2008269357A (ja) * | 2007-04-20 | 2008-11-06 | Toyota Motor Corp | 車両用運転支援装置 |
CN101734252A (zh) * | 2009-12-23 | 2010-06-16 | 合肥工业大学 | 一种用于智能车辆视觉导航的预瞄跟踪控制器 |
CN102060018A (zh) * | 2009-11-18 | 2011-05-18 | 德国曼商用车辆股份公司 | 车辆特别是载货车的方向控制方法以及方向控制*** |
-
2012
- 2012-09-10 CN CN201210333693.7A patent/CN102795225B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008269357A (ja) * | 2007-04-20 | 2008-11-06 | Toyota Motor Corp | 車両用運転支援装置 |
CN101093396A (zh) * | 2007-07-04 | 2007-12-26 | 华南农业大学 | 一种农业机械的导航控制方法 |
CN102060018A (zh) * | 2009-11-18 | 2011-05-18 | 德国曼商用车辆股份公司 | 车辆特别是载货车的方向控制方法以及方向控制*** |
CN101734252A (zh) * | 2009-12-23 | 2010-06-16 | 合肥工业大学 | 一种用于智能车辆视觉导航的预瞄跟踪控制器 |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103085815A (zh) * | 2013-01-17 | 2013-05-08 | 北京理工大学 | 一种识别驾驶员换道意图的方法 |
CN103600745A (zh) * | 2013-11-19 | 2014-02-26 | 四川长虹电器股份有限公司 | 一种用于预防疲劳驾驶的导航安全*** |
CN103600745B (zh) * | 2013-11-19 | 2016-06-22 | 四川长虹电器股份有限公司 | 一种用于预防疲劳驾驶的导航安全*** |
CN103818327A (zh) * | 2013-11-22 | 2014-05-28 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
CN103818327B (zh) * | 2013-11-22 | 2016-01-06 | 深圳先进技术研究院 | 一种分析驾驶行为的方法和装置 |
CN104260725A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种含有驾驶员模型的智能驾驶*** |
WO2016045365A1 (zh) * | 2014-09-23 | 2016-03-31 | 北京理工大学 | 一种含有驾驶员模型的智能驾驶*** |
US10286900B2 (en) | 2014-09-23 | 2019-05-14 | Beijing Institute Of Technology | Intelligent driving system with an embedded driver model |
CN104494600A (zh) * | 2014-12-16 | 2015-04-08 | 电子科技大学 | 一种基于svm算法的驾驶员意图识别方法 |
CN104494600B (zh) * | 2014-12-16 | 2016-11-02 | 电子科技大学 | 一种基于svm算法的驾驶员意图识别方法 |
CN106205271A (zh) * | 2016-07-08 | 2016-12-07 | 成都合纵连横数字科技有限公司 | 一种驾驶过程手机干扰的模拟***与方法 |
CN106205271B (zh) * | 2016-07-08 | 2018-12-11 | 成都合纵连横数字科技有限公司 | 一种驾驶过程手机干扰的模拟***与方法 |
CN106371439A (zh) * | 2016-09-13 | 2017-02-01 | 同济大学 | 一种统一的自动驾驶横向规划方法与*** |
CN106371439B (zh) * | 2016-09-13 | 2020-11-20 | 同济大学 | 一种统一的自动驾驶横向规划方法与*** |
CN106777747A (zh) * | 2016-12-29 | 2017-05-31 | 广西航程威特科技有限公司 | 一种三维交通仿真模拟*** |
CN106971194A (zh) * | 2017-02-16 | 2017-07-21 | 江苏大学 | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 |
CN106971194B (zh) * | 2017-02-16 | 2021-02-12 | 江苏大学 | 一种基于改进hmm和svm双层算法的驾驶意图识别方法 |
CN107264531A (zh) * | 2017-06-08 | 2017-10-20 | 中南大学 | 一种半结构化环境中智能车辆自主换道超车运动规划方法 |
CN107264531B (zh) * | 2017-06-08 | 2019-07-12 | 中南大学 | 一种半结构化环境中智能车辆自主换道超车运动规划方法 |
CN109421702A (zh) * | 2017-08-25 | 2019-03-05 | 上海汽车集团股份有限公司 | 一种汽车控制方法及装置 |
CN108646732A (zh) * | 2018-04-20 | 2018-10-12 | 华东交通大学 | 基于驾驶人操控意图的车辆轨迹预测方法、装置及*** |
CN108734303A (zh) * | 2018-05-29 | 2018-11-02 | 深圳市易成自动驾驶技术有限公司 | 车辆驾驶数据预测方法、设备及计算机可读存储介质 |
CN108791301A (zh) * | 2018-05-31 | 2018-11-13 | 重庆大学 | 基于驾驶员特性的智能汽车驾驶过程横向动态控制方法 |
CN110967991A (zh) * | 2018-09-30 | 2020-04-07 | 百度(美国)有限责任公司 | 车辆控制参数的确定方法、装置、车载控制器和无人车 |
CN111661060A (zh) * | 2019-03-05 | 2020-09-15 | 阿里巴巴集团控股有限公司 | 建立车辆纵向运动模型的方法、装置及计算机*** |
CN111661060B (zh) * | 2019-03-05 | 2022-06-21 | 阿里巴巴集团控股有限公司 | 建立车辆纵向运动模型的方法、装置及计算机*** |
CN111688694A (zh) * | 2019-03-11 | 2020-09-22 | 现代摩比斯株式会社 | 车辆车道改变控制设备及方法 |
CN110155059A (zh) * | 2019-06-04 | 2019-08-23 | 吉林大学 | 一种弯道优化控制方法及*** |
CN112339682A (zh) * | 2019-08-09 | 2021-02-09 | 丰田自动车株式会社 | 提议方法和提议*** |
CN110569783A (zh) * | 2019-09-05 | 2019-12-13 | 吉林大学 | 一种驾驶人换道意图识别方法及*** |
CN110569783B (zh) * | 2019-09-05 | 2022-03-25 | 吉林大学 | 一种驾驶人换道意图识别方法及*** |
CN112863245A (zh) * | 2019-11-28 | 2021-05-28 | 南京理工大学 | 基于深度神经网络的车辆换道轨迹实时预测方法 |
CN112863245B (zh) * | 2019-11-28 | 2022-07-05 | 南京理工大学 | 基于深度神经网络的车辆换道轨迹实时预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102795225B (zh) | 2015-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102795225B (zh) | 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 | |
CN105966396B (zh) | 一种基于驾驶员避撞行为的车辆避撞控制方法 | |
CN101837781B (zh) | 用于自动车道对正或换道的控制***的基于模型的预测控制 | |
CN113386795A (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策*** | |
CN102295004B (zh) | 一种车道偏离预警方法 | |
CN107808027A (zh) | 基于改进模型预测控制的自适应跟车算法 | |
CN109131312B (zh) | 一种智能电动汽车acc/esc集成控制***及其方法 | |
US9067571B2 (en) | Travel control device | |
Ferrara et al. | Second order sliding mode control of vehicles with distributed collision avoidance capabilities | |
CN110155046A (zh) | 自动紧急制动分级控制方法与*** | |
CN109032131A (zh) | 一种应用于无人驾驶汽车的动态超车避障方法 | |
US11714418B2 (en) | Method for the automated control of a motor vehicle | |
CN112406820B (zh) | 多车道增强型自动紧急制动***控制方法 | |
CN106004875A (zh) | 自适应巡航控制*** | |
CN104709283A (zh) | 车道变换控制装置及其控制方法 | |
CN103754221A (zh) | 一种车辆自适应巡航控制*** | |
CN103496366A (zh) | 一种基于车车协同的主动换道避撞控制方法与装置 | |
US11643080B2 (en) | Trailing vehicle positioning system based on detected pressure zones | |
CN103927895A (zh) | 一种基于车路/车车通讯的车辆弯道通行辅助*** | |
CN103921788A (zh) | 一种汽车行驶控制***及方法 | |
CN105857294A (zh) | 一种汽车换道避撞控制方法 | |
CN204055561U (zh) | 车辆安全行驶警示*** | |
CN104192144A (zh) | 一种汽车主动防撞弯道虚警消除方法 | |
CN104192063B (zh) | 车辆安全行驶警示***及相应的警示方法 | |
Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150121 Termination date: 20170910 |