CN105912814A - 智能驾驶车辆换道决策模型 - Google Patents
智能驾驶车辆换道决策模型 Download PDFInfo
- Publication number
- CN105912814A CN105912814A CN201610289286.9A CN201610289286A CN105912814A CN 105912814 A CN105912814 A CN 105912814A CN 201610289286 A CN201610289286 A CN 201610289286A CN 105912814 A CN105912814 A CN 105912814A
- Authority
- CN
- China
- Prior art keywords
- lane
- decision
- change
- vehicle
- making
- 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.)
- Pending
Links
- 230000008859 change Effects 0.000 title abstract description 7
- 230000008676 import Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 36
- 238000011160 research Methods 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 4
- 230000019771 cognition Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 239000000969 carrier Substances 0.000 abstract 1
- 230000001149 cognitive effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Traffic Control Systems (AREA)
Abstract
智能驾驶车辆换道决策模型。本发明属于智能交通***与智能车辆研究技术领域,涉及机器学***台,对换道行为决策进行虚拟仿真和真实实验研究。获取并分析驾驶行为决策数据,基于粗糙集理论提取经验驾驶员行为决策规则,建立符合人类驾驶认知的行为决策模型,通过虚拟仿真平台和微观车辆运行轨迹数据,验证决策模型可行性与有效性。这也是智能驾驶车辆以及智能辅助驾驶***开发和实现的关键技术,对智能驾驶车辆真实城市道路自主行驶具有十分重要的理论价值和现实意义。
Description
技术领域
本发明属于智能交通***与智能车辆研究技术领域,涉及机器学习的粗糙集理论,以驾驶员特性为核心,跟驰、换道等微观模型为载体,运用机器学习理论对驾驶员行为决策进行建模,建立符合人类驾驶认知的驾驶决策模型,这也是智能驾驶车辆以及智能辅助驾驶***开发和实现的关键技术,对智能驾驶车辆真实城市道路自主行驶具有十分重要的理论价值和现实意义。
背景技术
智能交通技术,尤其是智能驾驶车辆关键技术的研究对于提高交通运输***效率和安全,实现交通***智慧化发展具有十分重要的意义。美欧日各国加强了智能交通和智能车辆关键技术研究。例如,美国Connected Vehicles计划以及交通部发起的各汽车制造商推动的VSC计划;欧洲推出的CVIS(cooperativevehicle Infrastructure System)、AWAKE、AIDE、ComuniCAR,C2X,CityMobile2等计划;日本推出先进的安全车辆(Advanced Safety vehicle,ASV)计划。
智能驾驶车辆是集环境感知与认知、动态规划与决策、行为控制与执行等多项功能于一体的综合智能平台,涵盖了机械、电子、人工智能、传感器技术、信号处理、自动控制和计算机技术等诸多学科。它主要通过传感器从周围的道路交通环境进行知识获取,由计算机***对收集到的数据进行知识表达,然后对车辆的行驶状况进行智能控制,从而完成许多高智能任务。
加强智能驾驶车辆研究对于保证道路交通安全,提高道路通行能力,保护人民财产安全具有重要意义。从国家的战略背景来看,国家973计划从20世纪90年代就开始支持相关研究。2008年起,在国家自然科学基金委员会的支持下,国内研究机构开始开展“视听觉信息的认知计算”研究。从行业背景来看,国际上的各大汽车公司都把智能驾驶车辆的研究作为本企业战略发展的重点。包括:美国的福特汽车公司、德国的奥迪汽车公司、宝马汽车公司、沃尔沃汽车公司、日本的丰田汽车公司、国内的上汽集团、比亚迪、长安等汽车研究机构或者公司都开展了智能驾驶车辆的研究。从知名机构研究背景来看,国内外的各大知名研究机构或者学校都开展了智能驾驶车辆的研究。包括:美国的卡内基梅隆大学、斯坦福大学、麻省理工学院、加州大学伯克利分校等;德国的慕尼黑工业大学、柏林工业大学;意大利的帕尔玛大学;日本的东京大学;新加坡国立大学等。
智能驾驶车辆研究的核心问题包括环境感知、行为决策、运动控制。针对环境感知和运动控制,各国研究学者和专家进行了大量而有成效的研究。而作为三大关键问题之一的行为决策方面的研究,尤其是复杂动态环境下具备仿生决策能力的相关研究较少。原因在于,实际城市道路环境中,智能驾驶车辆所感知获取的是瞬息万变的复杂动态信息,交通要素变化的复杂、随机、不确定性等特点,以及车辆对驾驶决策的实时性、鲁棒性、环境适应性等要求,复杂动态城市环境下智能驾驶车辆的行为决策面临巨大的挑战。
统计资料显示,车辆不恰当的换道行为是道路交通事故和交通拥堵的主要因素,尤其在复杂动态的交通环境下,车辆的换道空间具有明显的差异性。因此加强复杂动态城市环境下车辆换道行为决策研究对于保证车辆行驶安全、提高道路通行能力、改善绿色生态驾驶环境具有重要意义。
经验驾驶员可以连续不断地从道路环境和车辆运行状况中获取道路交通和车辆运行等多源信息,并对其进行融合,进而安全有效的决定车辆下一步的行驶模式。基于传统知识处理方法的***,如无人驾驶***,在对认知领域有足够完备、清晰认识的基础上,可以很好地工作,但一旦所给信息缺损、或模糊化,则其认知能力会急剧降低。原因在于分析方法只能在给定的匹配模式下工作,对环境的适应能力较差,不适合处理不确定知识。因此,智能驾驶车辆的行驶可以借鉴驾驶员行为决策知识进行机器学习,探究具有不完整数据、不确定知识特点的驾驶规划决策知识获取算法,消除多源信息间可能存在的冗余和矛盾信息,降低其不确定性,以形成对驾驶***的相对完整一致性描述,从而提高驾驶***决策及反应的快速性和准确性,为智能驾驶车辆智能行为决策控制提供理论依据。
因此,针对复杂动态城市环境,综合考虑多因素对换道行为决策的影响,通过建立城市道路环境虚拟仿真实验平台,整理分析经验驾驶员行为决策数据,通过经验驾驶员行为决策分析,借鉴经验驾驶员认知和行为决策规则,建立智能驾驶车辆仿生换道决策模型,使智能驾驶车辆具备复杂动态环境下仿生认知和换道决策能力,进一步提高智能驾驶车辆行驶安全性和可靠性。
发明内容
本发明的目的是提供一种仿生换道决策模型,克服已有智能车辆行为决策可靠性有待进一步提高这一问题。该模型以虚拟仿真实验为支撑,以分析和提取经验驾驶员换道过程的决策规则为研究切入点,充分考虑城市道路交通的复杂性、动态性对换道决策行为的影响,借鉴经验驾驶员的换道决策经验,进行仿生换道决策,为智能驾驶车辆的决策***提供坚实的基础。
本发明采用了如下的技术方案:
智能驾驶车辆的换道决策模型,针对城市环境下换道决策的复杂性和动态性,通过试验获取经验驾驶员车辆换道决策过程中驾驶员的行为操作参数、本车辆位置、速度、加速度以及与周边车辆的相对位置,速度等基本状态数据,分析行为决策的主要影响因素,基于粗糙集提取经验驾驶员换道行为决策规则,并结合间隙可接受理论和安全阈值理论设定模型里面的关键参数,构建智能驾驶车辆的换道决策模型,进而给出当前交通环境状况下车辆换道的安全时间段,实现城市道路环境下的智能驾驶车辆安全有效的换道决策。
所述的智能驾驶车辆的换道决策模型,其特征在于,深入研究经验驾驶员认知决策过程,对驾驶员的换道决策进行知识获取与表达,基于粗糙集提取经验驾驶员换道行为决策规则,建立经验驾驶知识库,制定智能驾驶车辆的换道决策策略。
所述的智能驾驶车辆的换道决策模型的仿真结果分析,通过间隙判定,实时计算安全换道时域,获得符合经验驾驶员的安全换道时域。根据实车实验的数据,验证该决策模型有较强的鲁棒性,算法简单直观,便于工程应用。
所述的经验驾驶员决策规则库,为解决城区动态环境下智能驾驶车辆的决策不准确、不灵活等问题,通过对经验驾驶员行为的分析总结,基于粗糙集理论进行属性约简,提取影响经验驾驶员决策的主要因素,形成经验驾驶员的决策规则。规则表明:在车辆行驶过程中,相比于两车间相对速度对行为决策的影响,本车与当前车道前导车、本车与目标车道前导车、本车与目标车道后随车之间的相对距离对换道行为决策影响更大。如果两车之间的相对距离超过10m,驾驶员就会采取加速策略来调整车速避免过大的车间距;当车辆相对距离(当前车道本车与前导车的相对距离)Drel均小于6.65m,驾驶员会采取减速策略。当本车与当前车道的前车、本车与目标车道的前导车、当本车与目标车道的后随车的相对速度Vrel均在1m/s左右时,驾驶员会采取匀速行驶策略。在自由换道过程中,本车与当前车道前导车的相对速度维持在4-7m/s、与目标车道空间距离在20-35m时驾驶员会进行换道决策。
本发明的有益效果是:根据周边环境状况,提出智能车辆换道决策模型,该模型可以给出安全有效、与经验驾驶员相似的行为决策,该模型的推广可实现复杂动态城市环境下智能驾驶车辆的安全有效行驶,提高智能驾驶车辆的行为决策水平。
附图说明
下面结合附图及实施例对本发明作进一步说明;
图1为基于粗糙集的智能驾驶车辆仿生认知决策图;
图2为车辆纵向行为的本车加速度与前导车相对速度示意图;
图3为车辆仿真速度选择策略判定示意图;
图4为车辆仿真换道决策模型判定示意图;
图5为智能驾驶车辆的转向电机电压与模型判定关系图;
图6为智能驾驶车辆汇入行为决策流程图;
图7为车辆横向位移与协同行为判定关系图。
具体实施方式
如图1所示,在复杂城市道路环境下,智能驾驶车辆需要处理大量模糊、不确定、不完备信息。通过粗糙集理论提取经验驾驶员的决策信息帮助智能车辆进行决策。粗糙集的优势在于,不需要先验知识,通过属性(知识)约简,求得最简的知识表达或者提取出决策规则。目前,粗糙集广泛用于机器学习、数据挖掘、模式识别等信息处理领域,为信息的智能处理提供了有效的途径和技术。
如图2所示,驾驶员始终倾向于车间距维持一定距离。这个距离就是驾驶员根据相关的交通要素形成的认知然后决策形成的安全距离,在一定意义上也是驾驶员的认知的安全阈值。只要超过这个阈值,驾驶员就会进行相应的加减速来控制车辆。这与驾驶员在实际道路行驶过程中的认知决策因素是基本相符的。
如图3所示,安全阈值Dthres基本与驾驶员的行为决策相吻合。图中几处与模型决策差距相反或者较大的地方,通过提取的驾驶规则可以发现,当本车与当前车道的前车、本车与目标车道的前导车、当本车与目标车道的后随车的相对距离Drel均小于6.65m,驾驶员会进行减速的决策,当车辆相对速度Vrel均在1m/s左右时,驾驶员选择匀速行驶。因此,最终形成驾驶员的速度选择策略为:
如图4所示,车辆的横向位移直观的体现了车辆的整个换道过程,模型通过安全车间距条件的约束,判定换道的意图,并计算相应的换道安全区域,驾驶员的换道行为全部发生在安全区域内,证明模型具有一定的仿生性。
如图5所示,车辆的方向盘转向电机电压一般为-0.5v-0.5v,决策模型正确判定了车辆的换道时机,并将决策信息传递到车辆的运动控制层实现车辆的换道行为。
如图6所示,在gapF>0的条件下,驾驶员可以进行自由汇入或者减速汇入;在gapF<0的条件下,通过后随车辆与汇入车辆、前导车的相对距离Dlag、gap的变化来判定主干道车辆是否具有协同礼让行为,如果Dlag、Dramp均变大,那么意味着主干道的车辆做出了协同礼让行为,汇入车辆可以实施汇入行为。
汇入车辆需要对Drem-ramp进行判定,如果其满足Drem-ramp<Dmin-ramp,那么可以继续选择其他汇入间隙进行汇入,如果Drem-ramp>Dmin-ramp,汇入车辆只能选择强制汇入或者减速或者停车等待。
如图7所示,决策模型首先判定车辆间的协同行为,并按照提取的驾驶员决策规则进行汇入,通过车辆的横向轨迹反映了汇入决策流程的正确性以及汇入行为的可行性。
Claims (8)
1.智能驾驶车辆换道决策模型,其特征在于,针对城市环境下换道决策的复杂性和动态性,通过虚拟仿真实验,获取经验驾驶员车辆换道决策过程中驾驶行为操纵、本车位置、速度、加速度以及周边车辆的相对位置、速度等状态数据,分析换道行为决策的主要影响因素,基于粗糙集提取经验驾驶员换道行为决策规则,结合间隙可接受理论和安全阈值理论,基于当前车道与目标车道车辆之间的安全间隙Dthres,构建智能驾驶车辆换道决策模型,实现城市环境下智能驾驶车辆安全有效的换道决策。
2.如权利要求1所述的智能驾驶车辆换道决策模型,其特征在于,经验驾驶员换道决策过程分为三个阶段,包括换道意图产生、换道条件判断、换道执行;获取三个阶段的决策表征参数,对换道决策表征参数进行知识获取与表达,基于粗糙集提取经验驾驶员换道行为决策规则,建立经验驾驶知识库;综合考虑当前车道本车位置和速度、当前车道前导车位置和速度、目标车道前导车、后随车位置和速度、与本车的相对速度和距离、经验驾驶员反应时间等对换道决策的影响,得到换道决策策略,提高换道决策模型的环境自适应性和鲁棒性。
3.如权利要求1、2所述的智能驾驶车辆换道决策模型,其特征在于,换道行为之前一般是跟驰行驶阶段,其车辆横向加速度维持在-2m/s2-----2m/s2,超过该加速度值,判定驾驶员执行换道操作。
4.如权利要求1、2所述的智能驾驶车辆换道决策模型,其特征在于,基于粗糙集提取经验驾驶员换道行为决策规则。其中粗糙集采用三分的等距划分方法进行数据离散化、属性约简,得到经验驾驶员行为决策的主要影响因素,形成决策规则。规则表明:在车辆行驶过程中,相比于两车间相对速度对行为决策的影响,本车与当前车道前导车、本车与目标车道前导车、本车与目标车道后随车之间的相对距离对换道行为决策影响更大。如果两车之间的相对距离超过10m,驾驶员就会采取加速策略来调整车速避免过大的车间距;当车辆相对距离(当前车道本车与前导车的相对距离)Drel均小于6.65m,驾驶员会采取减速策略。当车辆相对速度Vrel均在1m/s左右时,驾驶员会采取匀速行驶策略。
5.如权利要求1、2所述的智能驾驶车辆换道决策模型,其特征在于,根据粗糙集提取的换道决策规则为:本车与当前车道前导车相对速度维持在4-7m/s、与目标车道空间距离在20-35m时驾驶员会决策换道,并能保证换道行为的安全。
6.如权利要求1、2所述的智能驾驶车辆换道决策模型,其特征在于,粗糙集提取的经验驾驶员决策规则结合间隙可接受理论,建立自由换道状态下的换道决策模型,实时判定换道意图以及换道间隙的安全性,给出安全换道时间段。
7.如权利要求1、2所述的智能驾驶车辆换道决策模型,其特征在于,粗糙集提取的决策规则结合安全阈值理论,驾驶员行为决策策略为:当Dthres>0 and Drel>6,65m时,行为决策是加速行驶:当Dthres<0 or Drel<6,65m时,行为决策是减速或者换道行驶;当1m/s>Vrel>-1m/s and Drel>6,65m时,行为决策是匀速行驶。实验验证了行为决策模型的有效性。
8.如权利要求1、2、6、7所述的智能驾驶车辆换道决策模型,其特征在于,安全换道判定规则可应用于车辆安全汇入时间的判定决策,得到汇入决策流程图以及汇入决策模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289286.9A CN105912814A (zh) | 2016-05-05 | 2016-05-05 | 智能驾驶车辆换道决策模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289286.9A CN105912814A (zh) | 2016-05-05 | 2016-05-05 | 智能驾驶车辆换道决策模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105912814A true CN105912814A (zh) | 2016-08-31 |
Family
ID=56753555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610289286.9A Pending CN105912814A (zh) | 2016-05-05 | 2016-05-05 | 智能驾驶车辆换道决策模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105912814A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525063A (zh) * | 2017-01-11 | 2017-03-22 | 奇瑞汽车股份有限公司 | 一种自动驾驶汽车自主加油方法和智能车 |
CN106843210A (zh) * | 2017-01-24 | 2017-06-13 | 同济大学 | 一种基于仿生学的自动驾驶车辆运行控制方法 |
CN106874597A (zh) * | 2017-02-16 | 2017-06-20 | 北理慧动(常熟)车辆科技有限公司 | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 |
CN107264534A (zh) * | 2017-05-23 | 2017-10-20 | 北京理工大学 | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 |
CN107403038A (zh) * | 2017-07-05 | 2017-11-28 | 同济大学 | 一种智能汽车虚拟快速测试方法 |
CN107452201A (zh) * | 2017-07-24 | 2017-12-08 | 重庆大学 | 一种考虑前车换道驶离时后车的跟驰加速度确定方法及跟驰行为建模方法 |
CN107886750A (zh) * | 2017-10-24 | 2018-04-06 | 北京邮电大学 | 一种基于超视距协同认知的无人驾驶汽车控制方法与*** |
CN108462726A (zh) * | 2017-02-14 | 2018-08-28 | 广州市联奥信息科技有限公司 | 面向未知状况的车辆辅助驾驶决策***和装置 |
CN108491600A (zh) * | 2018-03-12 | 2018-09-04 | 郑州大学 | 一种基于人本自治交通的车辆运动仿真方法 |
CN108595811A (zh) * | 2018-04-16 | 2018-09-28 | 东南大学 | 一种用于无人车训练模拟的突发性事件仿真方法 |
CN108595823A (zh) * | 2018-04-20 | 2018-09-28 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 |
CN109143852A (zh) * | 2018-07-17 | 2019-01-04 | 北京理工大学 | 城市环境下智能驾驶车辆环境自适应汇入方法 |
CN109367541A (zh) * | 2018-10-15 | 2019-02-22 | 吉林大学 | 一种基于驾驶员行为特性的智能车类人变道决策方法 |
WO2019037123A1 (zh) * | 2017-08-25 | 2019-02-28 | 深圳市得道健康管理有限公司 | 人工智能终端及其行为控制方法 |
DE102017216202A1 (de) | 2017-09-13 | 2019-03-14 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße |
CN109637158A (zh) * | 2018-12-27 | 2019-04-16 | 东南大学 | 一种用于快速路入口匝道区域的智能车辆合流预警方法 |
CN109835410A (zh) * | 2017-11-28 | 2019-06-04 | 湖南中车时代电动汽车股份有限公司 | 一种车辆行驶的经验数据提取方法及相关装置 |
CN109885969A (zh) * | 2019-03-14 | 2019-06-14 | 郑州轻工业学院 | 一种基于驾驶员场景认知的车辆群组运动仿真方法 |
CN109910792A (zh) * | 2019-03-08 | 2019-06-21 | 苏州工业园区职业技术学院 | 一种自动驾驶电动车高速变道控制*** |
CN110070108A (zh) * | 2019-03-28 | 2019-07-30 | 南京航空航天大学 | 一种基于ds证据理论的车辆换道行为预测方法 |
CN110364006A (zh) * | 2018-04-09 | 2019-10-22 | 丰田自动车株式会社 | 机器学习增强的车辆合流 |
CN110390398A (zh) * | 2018-04-13 | 2019-10-29 | 北京智行者科技有限公司 | 在线学习方法 |
CN110501941A (zh) * | 2019-08-16 | 2019-11-26 | 东南大学 | 一种电动汽车整车控制模型获取方法 |
CN110525434A (zh) * | 2019-08-08 | 2019-12-03 | 中国北方车辆研究所 | 一种无人驾驶操控***的驾驶员意图理解模块 |
CN110619340A (zh) * | 2018-06-19 | 2019-12-27 | 广州汽车集团股份有限公司 | 一种自动驾驶汽车换道规则的生成方法 |
CN111353636A (zh) * | 2020-02-24 | 2020-06-30 | 交通运输部水运科学研究所 | 一种基于多模态数据的船舶驾驶行为预测方法及*** |
CN111967163A (zh) * | 2020-08-27 | 2020-11-20 | 腾讯科技(深圳)有限公司 | 车辆仿真控制方法、装置、计算机设备及存储介质 |
CN112395734A (zh) * | 2020-08-26 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 车辆驾驶的仿真方法和装置、存储介质及电子设备 |
CN112672942A (zh) * | 2020-03-23 | 2021-04-16 | 华为技术有限公司 | 一种车辆换道方法及相关设备 |
CN113306558A (zh) * | 2021-07-30 | 2021-08-27 | 北京理工大学 | 一种基于换道交互意图的换道决策方法及*** |
US11117584B2 (en) | 2018-04-27 | 2021-09-14 | Honda Motor Co., Ltd. | Merge behavior systems and methods for mainline vehicles |
CN113834667A (zh) * | 2021-09-22 | 2021-12-24 | 华录易云科技有限公司 | 一种在高密度虚拟车流中基于试探评估策略的并线方法 |
US11572099B2 (en) | 2018-04-27 | 2023-02-07 | Honda Motor Co., Ltd. | Merge behavior systems and methods for merging vehicles |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080565A1 (en) * | 2003-10-14 | 2005-04-14 | Olney Ross D. | Driver adaptive collision warning system |
CN102662320A (zh) * | 2012-03-05 | 2012-09-12 | 吴建平 | 一种基于模糊数学的车辆跟驰模拟方法 |
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
-
2016
- 2016-05-05 CN CN201610289286.9A patent/CN105912814A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050080565A1 (en) * | 2003-10-14 | 2005-04-14 | Olney Ross D. | Driver adaptive collision warning system |
CN102662320A (zh) * | 2012-03-05 | 2012-09-12 | 吴建平 | 一种基于模糊数学的车辆跟驰模拟方法 |
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
Non-Patent Citations (1)
Title |
---|
王晓原等: "D-S证据理论在驾驶行为决策中的应用", 《计算机工程与应用》 * |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106525063A (zh) * | 2017-01-11 | 2017-03-22 | 奇瑞汽车股份有限公司 | 一种自动驾驶汽车自主加油方法和智能车 |
CN106843210A (zh) * | 2017-01-24 | 2017-06-13 | 同济大学 | 一种基于仿生学的自动驾驶车辆运行控制方法 |
CN106843210B (zh) * | 2017-01-24 | 2019-10-18 | 同济大学 | 一种基于仿生学的自动驾驶车辆运行控制方法 |
CN108462726A (zh) * | 2017-02-14 | 2018-08-28 | 广州市联奥信息科技有限公司 | 面向未知状况的车辆辅助驾驶决策***和装置 |
CN106874597B (zh) * | 2017-02-16 | 2019-12-13 | 北理慧动(常熟)车辆科技有限公司 | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 |
CN106874597A (zh) * | 2017-02-16 | 2017-06-20 | 北理慧动(常熟)车辆科技有限公司 | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 |
CN107264534A (zh) * | 2017-05-23 | 2017-10-20 | 北京理工大学 | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 |
CN107264534B (zh) * | 2017-05-23 | 2019-07-09 | 北京理工大学 | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 |
CN107403038A (zh) * | 2017-07-05 | 2017-11-28 | 同济大学 | 一种智能汽车虚拟快速测试方法 |
CN107403038B (zh) * | 2017-07-05 | 2020-10-30 | 同济大学 | 一种智能汽车虚拟快速测试方法 |
CN107452201A (zh) * | 2017-07-24 | 2017-12-08 | 重庆大学 | 一种考虑前车换道驶离时后车的跟驰加速度确定方法及跟驰行为建模方法 |
CN107452201B (zh) * | 2017-07-24 | 2020-05-08 | 重庆大学 | 一种考虑前车换道驶离时后车的跟驰加速度确定方法及跟驰行为建模方法 |
WO2019037123A1 (zh) * | 2017-08-25 | 2019-02-28 | 深圳市得道健康管理有限公司 | 人工智能终端及其行为控制方法 |
DE102017216202A1 (de) | 2017-09-13 | 2019-03-14 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Prädiktion einer optimalen Fahrspur auf einer mehrspurigen Straße |
CN107886750A (zh) * | 2017-10-24 | 2018-04-06 | 北京邮电大学 | 一种基于超视距协同认知的无人驾驶汽车控制方法与*** |
CN107886750B (zh) * | 2017-10-24 | 2020-07-03 | 北京邮电大学 | 一种基于超视距协同认知的无人驾驶汽车控制方法与*** |
CN109835410A (zh) * | 2017-11-28 | 2019-06-04 | 湖南中车时代电动汽车股份有限公司 | 一种车辆行驶的经验数据提取方法及相关装置 |
WO2019105273A1 (zh) * | 2017-11-28 | 2019-06-06 | 湖南中车时代电动汽车股份有限公司 | 一种车辆行驶的经验数据提取方法及相关装置 |
CN108491600B (zh) * | 2018-03-12 | 2022-04-05 | 郑州大学 | 一种基于人本自治交通的车辆运动仿真方法 |
CN108491600A (zh) * | 2018-03-12 | 2018-09-04 | 郑州大学 | 一种基于人本自治交通的车辆运动仿真方法 |
CN110364006A (zh) * | 2018-04-09 | 2019-10-22 | 丰田自动车株式会社 | 机器学习增强的车辆合流 |
US11294388B2 (en) | 2018-04-09 | 2022-04-05 | Toyota Jidosha Kabushiki Kaisha | Machine learning enhanced vehicle merging |
CN110364006B (zh) * | 2018-04-09 | 2022-01-07 | 丰田自动车株式会社 | 机器学习增强的车辆合流 |
CN110390398B (zh) * | 2018-04-13 | 2021-09-10 | 北京智行者科技有限公司 | 在线学习方法 |
CN110390398A (zh) * | 2018-04-13 | 2019-10-29 | 北京智行者科技有限公司 | 在线学习方法 |
CN108595811A (zh) * | 2018-04-16 | 2018-09-28 | 东南大学 | 一种用于无人车训练模拟的突发性事件仿真方法 |
CN108595823A (zh) * | 2018-04-20 | 2018-09-28 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 |
CN108595823B (zh) * | 2018-04-20 | 2021-10-12 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 |
US11117584B2 (en) | 2018-04-27 | 2021-09-14 | Honda Motor Co., Ltd. | Merge behavior systems and methods for mainline vehicles |
US11572099B2 (en) | 2018-04-27 | 2023-02-07 | Honda Motor Co., Ltd. | Merge behavior systems and methods for merging vehicles |
CN110619340A (zh) * | 2018-06-19 | 2019-12-27 | 广州汽车集团股份有限公司 | 一种自动驾驶汽车换道规则的生成方法 |
CN110619340B (zh) * | 2018-06-19 | 2022-09-16 | 广州汽车集团股份有限公司 | 一种自动驾驶汽车换道规则的生成方法 |
CN109143852B (zh) * | 2018-07-17 | 2020-09-18 | 北京理工大学 | 城市环境下智能驾驶车辆环境自适应汇入方法 |
CN109143852A (zh) * | 2018-07-17 | 2019-01-04 | 北京理工大学 | 城市环境下智能驾驶车辆环境自适应汇入方法 |
CN109367541A (zh) * | 2018-10-15 | 2019-02-22 | 吉林大学 | 一种基于驾驶员行为特性的智能车类人变道决策方法 |
CN109637158A (zh) * | 2018-12-27 | 2019-04-16 | 东南大学 | 一种用于快速路入口匝道区域的智能车辆合流预警方法 |
CN109637158B (zh) * | 2018-12-27 | 2020-04-21 | 东南大学 | 一种用于快速路入口匝道区域的智能车辆合流预警方法 |
CN109910792A (zh) * | 2019-03-08 | 2019-06-21 | 苏州工业园区职业技术学院 | 一种自动驾驶电动车高速变道控制*** |
CN109885969B (zh) * | 2019-03-14 | 2022-12-06 | 郑州轻工业学院 | 一种基于驾驶员场景认知的车辆群组运动仿真方法 |
CN109885969A (zh) * | 2019-03-14 | 2019-06-14 | 郑州轻工业学院 | 一种基于驾驶员场景认知的车辆群组运动仿真方法 |
CN110070108A (zh) * | 2019-03-28 | 2019-07-30 | 南京航空航天大学 | 一种基于ds证据理论的车辆换道行为预测方法 |
CN110525434A (zh) * | 2019-08-08 | 2019-12-03 | 中国北方车辆研究所 | 一种无人驾驶操控***的驾驶员意图理解模块 |
CN110501941A (zh) * | 2019-08-16 | 2019-11-26 | 东南大学 | 一种电动汽车整车控制模型获取方法 |
CN111353636A (zh) * | 2020-02-24 | 2020-06-30 | 交通运输部水运科学研究所 | 一种基于多模态数据的船舶驾驶行为预测方法及*** |
WO2021189210A1 (zh) * | 2020-03-23 | 2021-09-30 | 华为技术有限公司 | 一种车辆换道方法及相关设备 |
CN112672942A (zh) * | 2020-03-23 | 2021-04-16 | 华为技术有限公司 | 一种车辆换道方法及相关设备 |
CN112672942B (zh) * | 2020-03-23 | 2022-01-14 | 华为技术有限公司 | 一种车辆换道方法及相关设备 |
CN112395734A (zh) * | 2020-08-26 | 2021-02-23 | 腾讯科技(深圳)有限公司 | 车辆驾驶的仿真方法和装置、存储介质及电子设备 |
CN112395734B (zh) * | 2020-08-26 | 2022-07-01 | 腾讯科技(深圳)有限公司 | 车辆驾驶的仿真方法和装置、存储介质及电子设备 |
CN111967163A (zh) * | 2020-08-27 | 2020-11-20 | 腾讯科技(深圳)有限公司 | 车辆仿真控制方法、装置、计算机设备及存储介质 |
CN113306558A (zh) * | 2021-07-30 | 2021-08-27 | 北京理工大学 | 一种基于换道交互意图的换道决策方法及*** |
CN113834667A (zh) * | 2021-09-22 | 2021-12-24 | 华录易云科技有限公司 | 一种在高密度虚拟车流中基于试探评估策略的并线方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105912814A (zh) | 智能驾驶车辆换道决策模型 | |
CN110597245B (zh) | 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法 | |
He et al. | An intelligent braking system composed single-pedal and multi-objective optimization neural network braking control strategies for electric vehicle | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN107315411A (zh) | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 | |
CN102360532B (zh) | 路***通信号控制***及其控制方法 | |
CN103956045B (zh) | 利用半实物仿真技术手段实现车队协同驾驶的方法 | |
CN104167097B (zh) | 一种基于车车通信的动态超车轨迹生成***的生成方法 | |
CN108595823A (zh) | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 | |
CN105857306A (zh) | 一种用于多种泊车场景的车辆自主泊车路径规划方法 | |
CN106926844A (zh) | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 | |
Zhao et al. | Modeling driver behavior at roundabouts: Results from a field study | |
CN106114507A (zh) | 用于智能车辆的局部轨迹规划方法和装置 | |
CN106218638A (zh) | 一种智能网联汽车协同换道控制方法 | |
CN104462716B (zh) | 一种基于人‑车‑路模型的脑‑控车辆的脑‑机接口参数和动力学参数设计方法 | |
CN106314202B (zh) | 纯电动汽车的滑动能量回收方法、装置及纯电动汽车 | |
CN108569336A (zh) | 在动力学约束下基于车辆运动学模型转向控制方法 | |
CN104181923A (zh) | 一种基于直线控制器的智能车辆曲线跟踪方法 | |
CN206749792U (zh) | 一种纯电动汽车行驶工况判别装置 | |
CN108482481A (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
CN113722835B (zh) | 拟人化随机换道驾驶行为建模方法 | |
CN110320916A (zh) | 考虑乘员感受的自动驾驶汽车轨迹规划方法及*** | |
CN110228479A (zh) | 一种考虑驾驶员驾驶风格的车速引导方法 | |
CN110091914A (zh) | 一种分布式汽车多工况识别差速转向方法及*** | |
CN107380162A (zh) | 基于功能分配与多目标模糊决策的协同避撞方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
DD01 | Delivery of document by public notice |
Addressee: Chen Xuemei Document name: Notice of the First Examination Opinion |
|
DD01 | Delivery of document by public notice | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160831 |
|
WD01 | Invention patent application deemed withdrawn after publication |