CN110298122B - 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 - Google Patents

基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 Download PDF

Info

Publication number
CN110298122B
CN110298122B CN201910592393.2A CN201910592393A CN110298122B CN 110298122 B CN110298122 B CN 110298122B CN 201910592393 A CN201910592393 A CN 201910592393A CN 110298122 B CN110298122 B CN 110298122B
Authority
CN
China
Prior art keywords
vehicle
straight
time
driving
intersection
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.)
Active
Application number
CN201910592393.2A
Other languages
English (en)
Other versions
CN110298122A (zh
Inventor
陈雪梅
刘哥盟
王子嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910592393.2A priority Critical patent/CN110298122B/zh
Publication of CN110298122A publication Critical patent/CN110298122A/zh
Application granted granted Critical
Publication of CN110298122B publication Critical patent/CN110298122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，包括针对交叉口直行车辆的轨迹预测、行为决策模块对应不同场景下的决策流程选择、动作选择模块对应车辆控制参数选择；本发明将无人驾驶车辆在交叉口左转的决策框架划分为环境评估、行为决策和动作选择，分别使用高斯过程回归模型实现了交叉口直行车运动轨迹的预测、制定不同左转场景下的决策流程并提出考虑多因素的无人驾驶车辆驾驶动作选择方法，将无人驾驶车辆在交叉口左转的决策过程结构化、清晰化，提高了决策模型的合理性和适应能力。

Description

基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
技术领域
本发明涉及无人驾驶领域，尤其涉及一种基于冲突消解的无人驾驶车辆城市交叉口左转决策方法。
背景技术
无人驾驶技术的崛起与发展为解决城市道路拥堵问题、降低交通安全隐患提供了新的思路。在复杂动态的城市道路环境中，受到出行目的与交通流量的影响，不同的交通参与者之间会不可避免地产生时间或空间上的冲突。无人驾驶车辆若要顺利完成通行任务，其决策***需尽可能准确地对驾驶环境进行评估理解，选择合理的驾驶动作准确避开冲突区域。
在有完整信号灯控制的交叉口，无人驾驶车辆在大部分情况下可以直接根据交通信号灯的指示安全有序地通行，无需额外控制。但在部分主路与支路汇合的交叉口处，左转车辆需要与对向直行车辆共用同一个信号灯相位，二者在通过路口时将会产生冲突。无人驾驶车辆需要准确预测直行车辆轨迹，通过计算本车与直行车通过冲突区域的时间进行冲突消解，并选择合适的决策流程和驾驶动作完成通行任务。本发明通过提出环境评估—行为决策—动作选择的决策框架，分别对应直行车辆轨迹预测、不同场景下决策流程选择以及驾驶动作选择，为无人驾驶车辆提供了合理的通行决策方法。目前最接近决策方法主要是基于运动学或动力学对环境车辆进行预测，通过逻辑判断控制本车驾驶行为。
在环境评估方面，现有的基于运动学或动力学的轨迹预测方法预测时长较短，预测精度较低。本发明使用机器学习方法对大量真实车辆运动轨迹进行概率拟合，实现了对交叉口直行车辆轨迹在中短时长范围内的高精度预测；在行为决策方面，现有方法主要研究左转车和一辆直行车之间的冲突，适应性较差。
发明内容
1、本发明的目的
本发明要解决的技术问题就是提出无人驾驶车辆在城市交叉口左转的行为决策建模方法，引导无人驾驶车辆安全高效通过交叉口。
2、本发明所采用的技术方案
本发明提出了一种基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，具体为：
(1)针对交叉口直行车辆的轨迹预测
使用高斯过程回归模型(GPR)进行建模，Matern类协方差函数求取协方差矩阵；
假设直行车辆在行驶过程中，其横向位置基本不发生改变；选取直行车的纵向位置作为状态量，将不同位置处的车辆加速度作为观测辆，使用高斯过程回归模型预测直行车在当前位置的加速度，在当前时刻使用匀加速模型更新其位置和速度，然后以迭代的方式预测出未来不同时长下的车辆运动轨迹；获得了直行车辆的轨迹预测值后，便可计算得到直行车通过冲突区域的时间；
通过冲突区域的时间可以根据算法输出的期望速度：设左转车辆进入冲突区域的时间为t10，离开冲突区域的时间为t11；直行车辆进入冲突区域的时间为t20，离开冲突区域的时间为t21；其中，车辆进入和离开冲突区域的时间指的是车头到达和车尾离开冲突区域对应边界的时间，需考虑车身长度的影响；
(2)行为决策模块对应不同场景下的决策流程选择
将无人驾驶车辆的左转通行过程离散为不同的状态，左转通行过程主要分为驶入路口状态、单车或多车场景状态及驶出路口状态；其中，驶入路口状态通过对本车的位置的判断进行触发，在左转车驶入路口后需要触发轨迹预测模块，实现对直行车轨迹预测的预测和冲突区域占用时间的计算；不同的场景状态需根据左转车与直行车间的距离、直行车速度及数量进行确定，左转车将在当前场景下执行对应的决策流程；最后，***需对左转车位置及当前时间进行判断，由不同的场景状态切换至驶出路口状态，将车速恢复到初始的期望行驶速度并驶出交叉口；
(3)动作选择模块对应车辆控制参数选择
将无人驾驶车辆的动作空间离散化，设置多个待选动作值，根据相应标准进行动作选择。
更进一步，使用高斯过程回归模型进行建模具体为：
首先将训练数据进行归一化处理，对应的观测值服从以下高斯分布：
y～N(0,C) (1)
其中，该高斯分布的均值设为0，C为模型的协方差矩阵，如式(2)所示；
Figure BDA0002116459940000031
协方差矩阵可以选择合适的协方差函数进行求取，这里选用Matern类协方差函数：
Figure BDA0002116459940000032
其中
Figure BDA0002116459940000033
表示模型协方差矩阵的超参数集；δij在i等于j时为1，否则为0；
高斯过程回归模型的计算过程，就是利用样本数据对模型的超参数集进行极大似然估计求取估计值的过程；其中样本数据的对数似然函数如式(4)所示；
Figure BDA0002116459940000034
对上式进行求偏导处理，可得：
Figure BDA0002116459940000035
其中
Figure BDA0002116459940000036
表示对矩阵进行求迹操作；
由于测试数据集与训练数据集属于同样的高斯过程，故在模型应用时，对于测试样本x*，其观测值与训练数据的联合分布如式(6)所示；
Figure BDA0002116459940000037
式中，K*＝[C(x*,x1),C(x*,x2),...,C(x*,xn)]T表示测试数据x*与训练数据间的协方差矩阵，C(x*,x*)则表示测试数据自身的协方差矩阵；
故模型输出的结果如式(7)所示，通过对模型的输出y*求取均值和方差，可以分别获得模型的预测均值
Figure BDA0002116459940000038
和预测可信度
Figure BDA0002116459940000039
Figure BDA00021164599400000310
更进一步，针对驾驶动作选择问题，根据相应标准进行动作选择，具体为：
1)安全性参考指标
通过对直行车辆轨迹的预测，计算出其到达和离开冲突区域的时间，从而控制本车运动，在时间维度上避开直行车；决策模型在进行动作选择时的安全性参考指标应该为直行车与左转车通过冲突区域的时间差值：
当只有一辆直行车时，时间差值的计算为：
Figure BDA0002116459940000041
当有两辆直行车时，时间差值的计算为：
Figure BDA0002116459940000042
动作选择的安全性参考指标是最重要的指标，只有当该动作下本车通过冲突区域的时间满足上述条件，该动作才有可能被选择；在实际应用过程中，考虑到车辆运动的不确定性和轨迹预测算法的误差，以及本车通过时间的计算误差，时间差值应设置一个最低阈值并可根据需要自行调整；即：
Δt≥Δtsafe (10)
考虑到轨迹预测时长与模型预测误差之间的关系，补偿系数c根据高斯过程回归模型预测的均方根误差(RMSE)与预测时长的比值确定，如式(11)所示；
Figure BDA0002116459940000043
由于预测模型的误差随着预测时长的增加而增大，为了提高决策的安全性，当轨迹预测时刻与直行车到达或离开冲突区域的时刻相隔时间越长时，动作选择的时间差值阈值应该更大；
则不同预测时长下模型应该补偿的时间差值可以调整为：
Δt≥Δtsafe(1+c) (12)。
更进一步，针对驾驶动作选择问题，根据相应标准进行动作选择，具体为高效性参考指标：
假设无人驾驶车辆对有人驾驶车辆的驾驶行为不产生影响，故驾驶高效性仅与无人驾驶车辆从进入交叉口到离开冲突区域的驾驶总用时有关；
当只有一辆直行车时，驾驶总用时如式(13)所示：
Figure BDA0002116459940000051
当有两辆直行车时，驾驶总用时如式(14)所示：
Figure BDA0002116459940000052
在上述公式中，twait为减速让行的总用时，包括停车等待时间；tpass为直行车通过后，左转车通过冲突区域的时间；tdec、tacc分别为car1选择在两车间通过时减速和加速阶段所用的时间；在保证安全性条件的基础上，需要选择总用时尽可能短的动作，才能保证通行过程的高效性；
更进一步，针对驾驶动作选择问题，根据相应标准进行动作选择，具体为安全性约束条件:
使用冲突碰撞时间作为约束来提高动作选择的安全性；由于左转车辆与直行车辆不同时受到车道线的约束，无法直接计算TTC，需要根据坐标转换建立二者之间的位置关系；1号为无人驾驶车辆，2号为直行的有人驾驶车辆；无人驾驶车辆左转准备通过直行车流；用四个参数描述车辆在某时刻的运动状态，其中x、y表示车辆此时的位置坐标，v表示车辆速度，
Figure BDA0002116459940000053
表示车辆航向角；为建立两车之间的运动关系，建立1号车的车辆坐标系，并将2号车进行坐标变换，1号车的新状态为(0,0,v1,0)，2号车的新状态为
Figure BDA0002116459940000054
故二者的运动关系如式(15)
Figure BDA0002116459940000055
设两车的质心距离为L，质心连线与v1方向夹角为φ，则有：
Figure BDA0002116459940000056
由于车辆具有一定的体积，其外形不规则，故为了方便计算，本文以车辆质心为圆心，取车辆质心至车体上最远点为半径，将车体膨胀为一个圆，当两圆相交时即视为车辆相碰；故两车距离产生碰撞的实际距离为：
l＝L-r1-r2 (17)
两车在其质心连线方向上的相对速度为vL：
vL＝vx cosφ+vy sinφ (18)
根据以上公式可得到碰撞时间TTC为：
Figure BDA0002116459940000061
设置TTC＞2s，且基于TTC的安全约束只用在左转车优先通过的场景中，通过估算左转车到达冲突区域时，与直行车间的TTC最小值，从而对该动作的可执行性进行判断。
更进一步，针对驾驶动作选择问题，根据相应标准进行动作选择，具体为舒适性约束条件
结合交通法规对车辆在通过城市交叉路口时的速度和加速度进行限制
Figure BDA0002116459940000062
速度和加速度的阈值设定可参考实际交通流数据及现有技术，设定vmax＝10m/s，amax＝3m/s2。
更进一步，针对驾驶动作选择问题，根据相应标准进行动作选择，利他性约束条件：
利他性评价的是无人驾驶车辆行驶过程中对其他车辆产生的干扰的严重程度，根据交通法律法规规定，在交叉路口处，左转车辆与直行车辆发生会车时，左转车辆需让行直行车辆，即直行车辆具有优先通过权，通过估计直行车在左转车影响下可能产生的制动加速度，判断左转车对直行车驾驶行为的影响程度，从而对左转车的驾驶动作选择进行约束；
选择经典跟驰模型中的GM模型描述左转车对直行车的影响，如式(21)所示：
Figure BDA0002116459940000063
其中角标n、n+1代表前方车辆和后方车辆，在本文中指代左转车和直行车；T表示后方车辆的反应延迟时间，包括驾驶员反应时间及驾驶操作时间；本文设定T＝1s；x代表车辆位置，l、a、m为相关参数，设定l＝1，a＝0.5，m＝1，可将式(4.17)变换程如下形式，如式(22)所示；
Figure BDA0002116459940000071
其中vstra表示左转车驶入路口时，直行车的速度，d1表示当前直行车到冲突区域的距离；vleft表示跟驰模型中的前车速度，在本场景中，考虑到左转车横穿冲突区域时，横向速度较小，故令vleft＝2m/s；故直行车受到左转车影响产生的加速度主要与其在预测时刻的速度和到达冲突区域的距离有关；
为降低无人驾驶车辆的左转行为对直行车的影响，需要对直行车产生的加速度进行限制，如式(23)所示；
|astra|＜athre (23)
若左转车采取让行策略，其对直行车的影响可以忽略不计，此时驾驶动作的选择不受到利他性约束。
3、本发明所采用的有益效果
(1)本发明将无人驾驶车辆在交叉口左转的决策框架划分为环境评估、行为决策和动作选择，分别使用高斯过程回归模型实现了交叉口直行车运动轨迹的预测、制定不同左转场景下的决策流程并提出考虑多因素的无人驾驶车辆驾驶动作选择方法，将无人驾驶车辆在交叉口左转的决策过程结构化、清晰化，提高了决策模型的合理性和适应能力。
(2)本发明针对直行车为一辆及多辆场景分别制定了决策流程；在驾驶动作选择方面，现有方法主要基于安全性进行动作选择。
本发明综合考虑了驾驶安全性、高效性、舒适性和利他性，建立了驾驶动作选择标准；提高了现有方法中对环境车辆的轨迹预测时长和精度，同时考虑了多场景、多因素对无人驾驶车辆的左转决策进行制定，提高了决策过程的合理性。
附图说明
图1为***框架图；
图2为车辆到达冲突区域的时间关系示意图；
图3为驾驶状态示意图；
图4为单车场景下的决策流程流程图；
图5为多车场景下的决策流程图；
图6为预测误差与补偿系数示意图；
图7为车辆运动关系图；
图8为基于高斯过程回归模型的轨迹预测结果；
图9为基于高斯过程回归模型(GPR)的轨迹预测结果和基于匀速模型(CV)的轨迹预测结果对比图；
图10为均值随预测时长的变化趋势图；
图11为场景(一)直行车轨迹预测结果-期望速度信号及车速变化曲线示意图；
图12为场景(一)两车距离变化曲线示意图；
图13为场景(二)直行车轨迹预测结果-期望速度信号及车速变化曲线；
图14为场景(二)两车距离变化曲线；
图15为场景(三)直行车轨迹预测结果-期望速度信号及车速变化曲线示意图；
图16为实际车速变化曲线-左转车与直行车距离变化曲线图；
图17为仿真场景及真实场景；
图18为左转车速度变化曲线。
具体实施方式
下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
实施例1
本发明主要针对无人驾驶车辆在城市交叉口左转时与对向直行车辆之间的冲突问题，提出了无人驾驶车辆的决策建模方法。本发明的详细叙述如下所示。
如图1所示，本发明针对无人驾驶车辆左转通过交叉口的驾驶行为，提出了基于环境评估—行为决策—动作选择的决策框架，其中环境评估模块对应交叉口直行车辆的轨迹预测；行为决策模块对应不同场景下的决策流程选择；动作选择模块对应车辆控制参数选择。
(1)针对交叉口直行车辆的轨迹预测问题，本发明使用高斯过程回归模型(GPR)进行建模。本发明选取利用摄像法从实际交叉口采集到的大量真实车辆运动轨迹数据对模型进行训练，实现了对交叉口直行车辆的运动轨迹在中短时长范围内的高精度预测。
首先将训练数据进行归一化处理，对应的观测值服从以下高斯分布：
y～N(0,C) (1)
其中，该高斯分布的均值设为0，C为模型的协方差矩阵，如式(2)所示。
Figure BDA0002116459940000091
协方差矩阵可以选择合适的协方差函数进行求取，这里选用Matern类协方差函数：
Figure BDA0002116459940000092
其中
Figure BDA0002116459940000093
表示模型协方差矩阵的超参数集；δij在i等于j时为1，否则为0。
高斯过程回归模型的计算过程，就是利用样本数据对模型的超参数集进行极大似然估计求取估计值的过程。其中样本数据的对数似然函数如式(4)所示。
Figure BDA0002116459940000094
对上式进行求偏导处理，可得：
Figure BDA0002116459940000095
其中
Figure BDA0002116459940000096
表示对矩阵进行求迹操作。
由于测试数据集与训练数据集属于同样的高斯过程，故在模型应用时，对于测试样本x*，其观测值与训练数据的联合分布如式(6)所示。
Figure BDA0002116459940000097
式中，K*＝[C(x*,x1),C(x*,x2),...,C(x*,xn)]T表示测试数据x*与训练数据间的协方差矩阵，C(x*,x*)则表示测试数据自身的协方差矩阵。
故模型输出的结果如式(7)所示。通过对模型的输出y*求取均值和方差，可以分别获得模型的预测均值
Figure BDA0002116459940000101
和预测可信度
Figure BDA0002116459940000102
Figure BDA0002116459940000103
本发明假设直行车辆在行驶过程中，其横向位置基本不发生改变。选取直行车的纵向位置作为状态量，将不同位置处的车辆加速度作为观测辆，使用高斯过程回归模型预测直行车在当前位置的加速度，在当前时刻使用匀加速模型更新其位置和速度，然后以迭代的方式预测出未来不同时长下的车辆运动轨迹。
获得了直行车辆的轨迹预测值后，便可计算得到直行车通过冲突区域的时间。而本车通过冲突区域的时间可以根据算法输出的期望速度，结合运动学原理计算得出。冲突区域占用时间的定义如图2所示。
设左转车辆进入冲突区域的时间为t10，离开冲突区域的时间为t11；直行车辆进入冲突区域的时间为t20，离开冲突区域的时间为t21。其中，车辆进入和离开冲突区域的时间指的是车头到达和车尾离开冲突区域对应边界的时间，需考虑车身长度的影响。当直行车为两辆或者多辆时，冲突时间的定义同上。
(2)针对无人驾驶车辆的行为决策问题，本发明将无人驾驶车辆的左转通行过程离散为不同的状态，如图3所示。左转通行过程主要分为驶入路口状态、单车或多车场景状态及驶出路口状态。其中，驶入路口状态通过对本车的位置的判断进行触发，在左转车驶入路口后需要触发轨迹预测模块，实现对直行车轨迹预测的预测和冲突区域占用时间的计算。不同的场景状态需根据左转车与直行车间的距离、直行车速度及数量进行确定，左转车将在当前场景下执行对应的决策流程。最后，***需对左转车位置及当前时间进行判断，由不同的场景状态切换至驶出路口状态，将车速恢复到初始的期望行驶速度并驶出交叉口。
本发明针对上述驾驶状态的中的单车及多车场景，分别制定了如图4和图5所示的决策流程。在多车场景中，本发明还对直行车数量超过两辆时的场景进行了拓展。
(3)针对驾驶动作选择问题，本发明综合考虑了安全性、高效舒适性和利他性，制定了驾驶动作选择标准。车辆在交叉口的通行过程是连续过程，其相关状态和动作都为连续值。然而在决策制定时，无法将连续的车辆动作一一列举，故本发明将无人驾驶车辆的动作空间离散化，设置多个待选动作值，根据相应标准进行动作选择。
1)安全性参考指标
本发明通过对直行车辆轨迹的预测，计算出其到达和离开冲突区域的时间，从而控制本车运动，在时间维度上避开直行车。因此，决策模型在进行动作选择时的安全性参考指标应该为直行车与左转车通过冲突区域的时间差值。
当只有一辆直行车时，时间差值的计算为：
Figure BDA0002116459940000111
当有两辆直行车时，时间差值的计算为：
Figure BDA0002116459940000112
动作选择的安全性参考指标是最重要的指标，只有当该动作下本车通过冲突区域的时间满足上述条件，该动作才有可能被选择。在实际应用过程中，考虑到车辆运动的不确定性和轨迹预测算法的误差，以及本车通过时间的计算误差，时间差值应设置一个最低阈值并可根据需要自行调整。即：
Δt≥Δtsafe (10)
考虑到轨迹预测时长与模型预测误差之间的关系，本文设计了针对时间差值的补偿系数。补偿系数c根据高斯过程回归模型预测的均方根误差(RMSE)与预测时长的比值确定，如式(11)所示。
Figure BDA0002116459940000113
经过标准化处理的补偿系数及高斯过程回归模型的预测误差如图6所示。由于预测模型的误差随着预测时长的增加而增大，为了提高决策的安全性，当轨迹预测时刻与直行车到达或离开冲突区域的时刻相隔时间越长时，动作选择的时间差值阈值应该更大。
则不同预测时长下模型应该补偿的时间差值可以调整为：
Δt≥Δtsafe(1+c) (12)
2)高效性参考指标
由于本发明考虑的是无人驾驶车辆与有人驾驶车辆混合行驶的状况，且假设无人驾驶车辆对有人驾驶车辆的驾驶行为不产生影响，故驾驶高效性仅与无人驾驶车辆从进入交叉口到离开冲突区域的驾驶总用时有关。
当只有一辆直行车时，驾驶总用时如式(13)所示：
Figure BDA0002116459940000121
当有两辆直行车时，驾驶总用时如式(14)所示：
Figure BDA0002116459940000122
在上述公式中，twait为减速让行的总用时(包括停车等待时间)；tpass为直行车通过后，左转车通过冲突区域的时间；tdec、tacc分别为car1选择在两车间通过时减速和加速阶段所用的时间。在保证安全性条件的基础上，需要选择总用时尽可能短的动作，才能保证通行过程的高效性。
3)安全性约束条件
本发明使用冲突碰撞时间(TTC，Time to Collision)作为约束来提高动作选择的安全性。由于左转车辆与直行车辆不同时受到车道线的约束，无法直接计算TTC，需要根据坐标转换建立二者之间的位置关系。
如图7所示，1号为无人驾驶车辆，2号为直行的有人驾驶车辆。无人驾驶车辆左转准备通过直行车流。本文用四个参数描述车辆在某时刻的运动状态，其中x、y表示车辆此时的位置坐标，v表示车辆速度，
Figure BDA0002116459940000123
表示车辆航向角。为建立两车之间的运动关系，建立1号车的车辆坐标系，并将2号车进行坐标变换，1号车的新状态为(0,0,v1,0)，2号车的新状态为
Figure BDA0002116459940000124
故二者的运动关系如式(15)。
Figure BDA0002116459940000131
设两车的质心距离为L，质心连线与v1方向夹角为φ，则有：
Figure BDA0002116459940000132
由于车辆具有一定的体积，其外形不规则。故为了方便计算，本文以车辆质心为圆心，取车辆质心至车体上最远点为半径，将车体膨胀为一个圆，当两圆相交时即视为车辆相碰。故两车距离产生碰撞的实际距离为：
l＝L-r1-r2 (17)
两车在其质心连线方向上的相对速度为vL：
vL＝vx cosφ+vy sinφ (18)
根据以上公式可得到碰撞时间TTC为：
Figure BDA0002116459940000133
本发明设置TTC＞2s，且基于TTC的安全约束只用在左转车优先通过的场景中。通过估算左转车到达冲突区域时，与直行车间的TTC最小值，从而对该动作的可执行性进行判断。
4)舒适性约束条件
为提高驾乘舒适性，保证交通流通畅、稳定，需要结合交通法规对车辆在通过城市交叉路口时的速度和加速度进行限制。如式(20)所示。
Figure BDA0002116459940000134
速度和加速度的阈值设定可参考实际交通流数据及相关参考文献。本发明设定vmax＝10m/s，amax＝3m/s2。
5)利他性约束条件
利他性评价的是无人驾驶车辆行驶过程中对其他车辆产生的干扰的严重程度。根据交通法律法规规定，在交叉路口处，左转车辆与直行车辆发生会车时，左转车辆需让行直行车辆，即直行车辆具有优先通过权。本发明通过估计直行车在左转车影响下可能产生的制动加速度，判断左转车对直行车驾驶行为的影响程度，从而对左转车的驾驶动作选择进行约束。
本发明选择经典跟驰模型中的GM模型描述左转车对直行车的影响，如式(21)所示：
Figure BDA0002116459940000141
其中角标n、n+1代表前方车辆和后方车辆，在本文中指代左转车和直行车；T表示后方车辆的反应延迟时间，包括驾驶员反应时间及驾驶操作时间。本文设定T＝1s；x代表车辆位置，l、a、m为相关参数，通过查阅文献，本文中设定l＝1，a＝0.5，m＝1。针对本文的研究场景，可将式(4.17)变换程如下形式，如式(22)所示。
Figure BDA0002116459940000142
其中vstra表示左转车驶入路口时，直行车的速度，d1表示当前直行车到冲突区域的距离；vleft表示跟驰模型中的前车速度，在本场景中，考虑到左转车横穿冲突区域时，横向速度较小，故令vleft＝2m/s。故直行车受到左转车影响产生的加速度主要与其在预测时刻的速度和到达冲突区域的距离有关。
为降低无人驾驶车辆的左转行为对直行车的影响，需要对直行车产生的加速度进行限制，如式(23)所示。
|astra|＜athre (23)
若左转车采取让行策略，其对直行车的影响可以忽略不计，此时驾驶动作的选择不受到利他性约束。
验证
1.轨迹预测算法验证部分
(1)如图8所示，基于高斯过程回归模型的轨迹预测结果。其中实线为实际车辆轨迹，虚线为预测轨迹，阴影部分为预测值的95％置信区间。
(2)如图9所示，基于高斯过程回归模型(GPR)的轨迹预测结果和基于匀速模型(CV)的轨迹预测结果对比。其中实线为实际车辆轨迹，虚线为GPR预测轨迹，点划线为CV预测轨迹，阴影部分为预测值的95％置信区间。
(3)使用基于高斯过程回归模型(GPR)的轨迹预测模型和基于匀速模型(CV)的轨迹预测模型分别对多组实际车辆运动轨迹进行预测，其预测的均方根误差的均值随预测时长的变化趋势如图10。
2.整体决策模型仿真验证部分
仿真验证使用的是Matlab/Simulink&Prescan联合仿真平台，仿真场景参考真实交叉路口设置。车辆在转弯过程中的路径通过三阶贝塞尔曲线规划，使用纯跟踪算法进行路径跟踪。决策模型给出无人驾驶车辆的纵向期望速度，控制车辆进行运动。
场景(一)：环境中只有一辆直行车。两车初始状态：
Figure BDA0002116459940000151
X2＝(3.5,71.7,8.8,270)。未执行算法时，左转车与直行车在5.8s时相撞；算法执行后左转车采取减速策略，两车安全通过交叉口。如图11，直行车轨迹预测结果期望速度信号及车速变化曲线，如图12，两车距离变化曲线
场景(二)：环境中只有一辆直行车。两车初始状态：
X1＝(9.5,-3.3,5,90)，X2＝(3.5,66.7,4.2,270)。未执行算法时，左转车与直行车未发生碰撞；算法执行后左转车采取加速通过策略，提高了通行效率和驾驶安全性。如图13，直行车轨迹预测结果期望速度信号及车速变化曲线，如图14两车距离变化曲线。
场景(三)：环境中有两辆直行车。三车初始状态：X1＝(9.5,-3.3,5,90)，X2＝(3.5,56.7,5.9,270)，X3＝(3.5,101.7,5.3,270)。本发明中的轨迹预测方法仅针对交叉口附近直行车辆，为验证决策算法在不同场景下的可行性和适应性，当直行车后车出发位置距交叉口较远时，将其设为匀速运动，并采用匀速模型对其进行轨迹预测。在本场景中，左转车先减速接近冲突区域，待直行车前车通过后迅速通过冲突区域，完成通行，如图15，直行车轨迹预测结果期望速度信号；如图16，实际车速变化曲线左转车与直行车距离变化曲线真实数据对比验证。三车初始状态：X1＝(9.5,-3.3,5,90)，X2＝(3.5,56.7,5.4,270)，X3＝(3.5,64.7,4.7,270)。左转车选择减速让行，待两辆直行车通过后，恢复车速并通过冲突区域。本发明提出的决策算法与真实道路环境下的人类驾驶员决策相近，决策过程合理。如图17，仿真场景及真实场景；如图18，左转车速度变化曲线。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，其特征在于：
(1)针对交叉口直行车辆的轨迹预测
使用高斯过程回归模型进行建模，Matern类协方差函数求取协方差矩阵；
假设直行车辆在行驶过程中，其横向位置基本不发生改变；选取直行车的纵向位置作为状态量，将不同位置处的车辆加速度作为观测量，使用高斯过程回归模型预测直行车在当前位置的加速度，在当前时刻使用匀加速模型更新其位置和速度，然后以迭代的方式预测出未来不同时长下的车辆运动轨迹；获得了直行车辆的轨迹预测值后，计算得到直行车通过冲突区域的时间；
通过冲突区域的时间可以根据算法输出的期望速度：设左转车辆进入冲突区域的时间为t10，离开冲突区域的时间为t11；直行车辆进入冲突区域的时间为t20，离开冲突区域的时间为t21；其中，车辆进入和离开冲突区域的时间指的是车头到达和车尾离开冲突区域对应边界的时间，需考虑车身长度的影响；
(2)行为决策模块对应不同场景下的决策流程选择
将无人驾驶车辆的左转通行过程离散为不同的状态，左转通行过程主要分为驶入路口状态、单车或多车场景状态及驶出路口状态；其中，驶入路口状态通过对本车的位置的判断进行触发，在左转车驶入路口后需要触发轨迹预测模块，实现对直行车轨迹预测的预测和冲突区域占用时间的计算；不同的场景状态需根据左转车与直行车间的距离、直行车速度及数量进行确定，左转车将在当前场景下执行对应的决策流程；最后，***需对左转车位置及当前时间进行判断，由不同的场景状态切换至驶出路口状态，将车速恢复到初始的期望行驶速度并驶出交叉口；
(3)动作选择模块对应车辆控制参数选择
将无人驾驶车辆的动作空间离散化，设置多个待选动作值，根据相应标准进行动作选择。
2.根据权利要求1所述的基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，其特征在于，使用高斯过程回归模型进行建模具体为：
首先将训练数据进行归一化处理，对应的观测值服从以下高斯分布：
y～N(0,C) (1)
其中，该高斯分布的均值设为0，C为模型的协方差矩阵，如式(2)所示；
Figure FDA0002968143090000021
协方差矩阵可以选择合适的协方差函数进行求取，这里选用Matern类协方差函数：
Figure FDA0002968143090000022
其中
Figure FDA0002968143090000023
表示模型协方差矩阵的超参数集；δij在i等于j时为1，否则为0；
高斯过程回归模型的计算过程，就是利用样本数据对模型的超参数集进行极大似然估计求取估计值的过程；其中样本数据的对数似然函数如式(4)所示；
Figure FDA0002968143090000024
对上式进行求偏导处理，可得：
Figure FDA0002968143090000025
其中
Figure FDA0002968143090000026
表示对矩阵进行求迹操作；
由于测试数据集与训练数据集属于同样的高斯过程，故在模型应用时，对于测试样本x*，其观测值与训练数据的联合分布如式(6)所示；
Figure FDA0002968143090000027
式中，K*＝[C(x*,x1),C(x*,x2),...,C(x*,xn)]T表示测试数据x*与训练数据间的协方差矩阵，C(x*,x*)则表示测试数据自身的协方差矩阵；
故模型输出的结果如式(7)所示，通过对模型的输出y*求取均值和方差，可以分别获得模型的预测均值
Figure FDA0002968143090000028
和预测可信度
Figure FDA0002968143090000029
Figure FDA00029681430900000210
3.根据权利要求1所述的基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，其特征在于，针对驾驶动作选择问题，根据相应标准进行动作选择，具体为：
1)安全性参考指标
通过对直行车辆轨迹的预测，计算出其到达和离开冲突区域的时间，从而控制本车运动，在时间维度上避开直行车；决策模型在进行动作选择时的安全性参考指标应该为直行车与左转车通过冲突区域的时间差值：
当只有一辆直行车时，时间差值的计算为：
Figure FDA0002968143090000031
t10——左转车辆进入冲突区域的时间；
t11——左转车辆离开冲突区域的时间；
t20——第1辆直行车辆进入冲突区域的时间；
t21——第1辆直行车辆离开冲突区域的时间；
当有两辆直行车时，时间差值的计算为：
Figure FDA0002968143090000032
t30——第2辆直行车辆进入冲突区域的时间；
t31——第2辆直行车辆离开冲突区域的时间；
动作选择的安全性参考指标是最重要的指标，只有当该动作下本车通过冲突区域的时间满足上述条件，该动作才有可能被选择；在实际应用过程中，考虑到车辆运动的不确定性和轨迹预测算法的误差，以及本车通过时间的计算误差，时间差值应设置一个最低阈值并可根据需要自行调整；即：
Δt≥Δtsafe (10)
考虑到轨迹预测时长与模型预测误差之间的关系，补偿系数c根据高斯过程回归模型预测的均方根误差(RMSE)与预测时长的比值确定，如式(11)所示；
Figure FDA0002968143090000033
由于预测模型的误差随着预测时长的增加而增大，为了提高决策的安全性，当轨迹预测时刻与直行车到达或离开冲突区域的时刻相隔时间越长时，动作选择的时间差值阈值应该更大；
则不同预测时长下模型应该补偿的时间差值可以调整为：
Δt≥Δtsafe(1+c) (12)。
4.根据权利要求1所述的基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，其特征在于，针对驾驶动作选择问题，根据相应标准进行动作选择，具体为高效性参考指标：
假设无人驾驶车辆对有人驾驶车辆的驾驶行为不产生影响，故驾驶高效性仅与无人驾驶车辆从进入交叉口到离开冲突区域的驾驶总用时有关；
当只有一辆直行车时，驾驶总用时如式(13)所示：
Figure FDA0002968143090000041
当有两辆直行车时，驾驶总用时如式(14)所示：
Figure FDA0002968143090000042
在上述公式中，twait为减速让行的总用时，包括停车等待时间；tpass为直行车通过后，左转车通过冲突区域的时间；tdec、tacc分别为car1选择在两车间通过时减速和加速阶段所用的时间。
5.根据权利要求1所述的基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，其特征在于，驾驶动作选择，根据标准进行动作选择，具体为安全性约束条件：
使用冲突碰撞时间作为约束来提高动作选择的安全性；由于左转车辆与直行车辆不同时受到车道线的约束，无法直接计算TTC，需要根据坐标转换建立二者之间的位置关系；1号为无人驾驶车辆，2号为直行的有人驾驶车辆；无人驾驶车辆左转准备通过直行车流；用四个参数描述车辆在某时刻的运动状态，其中x、y表示车辆此时的位置坐标，v表示车辆速度，
Figure FDA0002968143090000043
表示车辆航向角；为建立两车之间的运动关系，建立1号车的车辆坐标系，并将2号车进行坐标变换，1号车的新状态为(0,0,v1,0)，2号车的新状态为
Figure FDA0002968143090000044
故二者的运动关系如式(15)
Figure FDA0002968143090000051
设两车的质心距离为L，质心连线与v1方向夹角为φ，则有：
Figure FDA0002968143090000052
由于车辆具有一定的体积，其外形不规则，故为了方便计算，以车辆质心为圆心，取车辆质心至车体上最远点为半径，将车体膨胀为一个圆，当两圆相交时即视为车辆相碰；故两车距离产生碰撞的实际距离为：
l＝L-r1-r2 (17)
两车在其质心连线方向上的相对速度为vL：
vL＝vxcosφ+vysinφ (18)
根据以上公式可得到碰撞时间TTC为：
Figure FDA0002968143090000053
设置TTC＞2s，且基于TTC的安全约束只用在左转车优先通过的场景中，通过估算左转车到达冲突区域时，与直行车间的TTC最小值，从而对该动作的可执行性进行判断。
6.根据权利要求1所述的基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，其特征在于，针对驾驶动作选择问题，根据标准进行动作选择，具体为舒适性约束条件
结合交通法规对车辆在通过城市交叉路口时的速度和加速度进行限制
Figure FDA0002968143090000054
速度和加速度的阈值预先设定。
7.根据权利要求1所述的基于冲突消解的无人驾驶车辆城市交叉口左转决策方法，其特征在于驾驶动作选择：根据标准进行动作选择，利他性约束条件：
利他性评价的是无人驾驶车辆行驶过程中对其他车辆产生的干扰的严重程度，根据交通法律法规规定，在交叉路口处，左转车辆与直行车辆发生会车时，左转车辆需让行直行车辆，即直行车辆具有优先通过权，通过估计直行车在左转车影响下可能产生的制动加速度，判断左转车对直行车驾驶行为的影响程度，从而对左转车的驾驶动作选择进行约束；
选择经典跟驰模型中的GM模型描述左转车对直行车的影响，如式(21)所示：
Figure FDA0002968143090000061
其中角标n、n+1代表前方车辆和后方车辆，在中指代左转车和直行车；T表示后方车辆的反应延迟时间，包括驾驶员反应时间及驾驶操作时间；设定T＝1s；x代表车辆位置，l、a、m为相关参数，设定l＝1，a＝0.5，m＝1，可将式(4.17)变换程如下形式，如式(22)所示；
Figure FDA0002968143090000062
其中vstra表示左转车驶入路口时，直行车的速度，d1表示当前直行车到冲突区域的距离；vleft表示跟驰模型中的前车速度，在本场景中，考虑到左转车横穿冲突区域时，横向速度较小，故令vleft＝2m/s；故直行车受到左转车影响产生的加速度主要与其在预测时刻的速度和到达冲突区域的距离有关；
为降低无人驾驶车辆的左转行为对直行车的影响，需要对直行车产生的加速度进行限制，如式(23)所示；
|astra|＜athre (23)
若左转车采取让行策略，其对直行车的影响可以忽略不计，此时驾驶动作的选择不受到利他性约束。
CN201910592393.2A 2019-07-03 2019-07-03 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 Active CN110298122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910592393.2A CN110298122B (zh) 2019-07-03 2019-07-03 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910592393.2A CN110298122B (zh) 2019-07-03 2019-07-03 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法

Publications (2)

Publication Number Publication Date
CN110298122A CN110298122A (zh) 2019-10-01
CN110298122B true CN110298122B (zh) 2021-04-27

Family

ID=68029966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910592393.2A Active CN110298122B (zh) 2019-07-03 2019-07-03 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法

Country Status (1)

Country Link
CN (1) CN110298122B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796858A (zh) * 2019-10-24 2020-02-14 山东科技大学 一种基于视频过车数据的车辆轨迹预测方法及***
CN110807923B (zh) * 2019-10-31 2020-11-13 哈尔滨工业大学 人机混合驾驶环境下交叉口进口道车道功能重构方法
CN110992695B (zh) * 2019-12-13 2021-01-29 北京理工大学 基于冲突消解的车辆城市交叉口通行决策多目标优化方法
CN111445699B (zh) * 2020-04-13 2021-10-26 黑龙江工程学院 基于实时车辆轨迹的交叉***通冲突判别方法
CN111583715B (zh) * 2020-04-29 2022-06-03 宁波吉利汽车研究开发有限公司 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质
CN111599179B (zh) * 2020-05-21 2021-09-03 北京航空航天大学 一种基于风险动态平衡的无信号交叉口车辆运动规划方法
EP3916697A1 (en) * 2020-05-25 2021-12-01 Robert Bosch GmbH Method and device for predicting the trajectory of a traffic participant, and sensor system
CN112052956B (zh) * 2020-07-16 2021-12-17 山东派蒙机电技术有限公司 一种强化车辆执行最佳动作的训练方法
CN112308171A (zh) * 2020-11-23 2021-02-02 浙江天行健智能科技有限公司 一种基于模拟驾驶器的车辆位置预测建模方法
CN112634644B (zh) * 2020-12-14 2022-09-27 武汉理工大学 自动驾驶车辆左转优化控制方法及***
CN113015085B (zh) * 2021-02-22 2022-02-01 同济大学 高速公路场景中开放式无人驾驶车群动态演化探测方法
CN113096379A (zh) * 2021-03-03 2021-07-09 东南大学 基于交通冲突的驾驶风格识别方法
CN113297721B (zh) * 2021-04-21 2024-04-09 东南大学 一种信号交叉口车辆选择出口道的仿真方法和装置
US20220340138A1 (en) * 2021-04-27 2022-10-27 Argo AI, LLC Methods and systems for generating trajectory of an autonomous vehicle for traversing an intersection
US11731630B2 (en) * 2021-04-27 2023-08-22 Ford Global Technologies, Llc Methods and systems for asserting right of way for traversing an intersection
CN113470430B (zh) * 2021-06-22 2022-07-15 南京航空航天大学 一种基于转向意图预测的无信号交叉口车辆冲突预警方法
CN113561974B (zh) * 2021-08-25 2023-11-24 清华大学 基于车辆行为交互与道路结构耦合的碰撞风险预测方法
CN113793517B (zh) * 2021-09-16 2022-06-28 辽宁工程技术大学 一种智能车路协同无控交叉口左转车通行引导方法
CN114056425B (zh) * 2021-11-23 2023-07-18 东软集团股份有限公司 车辆转向控制方法、装置、车辆及存储介质
CN114495551B (zh) * 2021-12-31 2023-06-23 上海人工智能创新中心 轨迹规划方法、装置、设备和计算机可读存储介质
CN114187781B (zh) * 2022-02-10 2022-05-17 北京理工大学 一种分布式多车协同行为决策方法和***
CN114495547B (zh) * 2022-02-22 2023-02-24 北京航空航天大学 一种面向自动驾驶汽车的信号交叉口协同通行方法
CN114648877B (zh) * 2022-05-13 2022-08-09 北京理工大学前沿技术研究院 一种无信号交叉口车辆通行方法、***、设备和存储介质
CN115099009B (zh) * 2022-05-31 2023-08-29 同济大学 一种基于推理图的混合交通流运动行为建模方法
CN115116220B (zh) * 2022-06-15 2023-05-23 北京航空航天大学 一种用于矿区装卸场景的无人驾驶多车协同控制方法
CN115620536A (zh) * 2022-10-18 2023-01-17 北京航空航天大学 自动驾驶环境下基于危险度的交叉口通行效率提升方法
CN115376335B (zh) * 2022-10-25 2023-01-31 创辉达设计股份有限公司 一种城市道路交织区多目标优化控制方法及装置
CN116069043B (zh) * 2023-03-24 2023-08-15 华南农业大学 一种无人驾驶农机作业速度自主决策方法
CN116653937B (zh) * 2023-08-02 2023-11-17 蘑菇车联信息科技有限公司 无信号灯左转场景车辆通行方法、***、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8988524B2 (en) * 2013-03-11 2015-03-24 The United States Of America As Represented By The Secretary Of The Army Apparatus and method for estimating and using a predicted vehicle speed in an indirect vision driving task
CN105573323A (zh) * 2016-01-12 2016-05-11 福州华鹰重工机械有限公司 自动驾驶轨迹生成方法及装置
CN107944624A (zh) * 2017-11-17 2018-04-20 南京大学 一种基于隐马尔科夫模型的无人车路口驾驶决策方法
CN109791734A (zh) * 2016-09-23 2019-05-21 日产自动车株式会社 驾驶辅助方法及驾驶辅助装置
CN109791049A (zh) * 2016-10-06 2019-05-21 大陆-特韦斯贸易合伙股份公司及两合公司 用于确定车辆的姿态的方法
CN109920263A (zh) * 2019-04-22 2019-06-21 爱驰汽车有限公司 分叉路口提醒方法、***、设备及存储介质
CN109917783A (zh) * 2017-12-13 2019-06-21 丰田自动车株式会社 驾驶辅助装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130238181A1 (en) * 2012-03-12 2013-09-12 Toyota Motor Eng. & Man. North America (Tema) On-board vehicle path prediction using processed sensor information
CN103177596B (zh) * 2013-02-25 2016-01-06 中国科学院自动化研究所 一种交叉路口自主管控***
CN103207090B (zh) * 2013-04-09 2016-02-24 北京理工大学 一种无人驾驶车辆环境模拟测试***及测试方法
CN103778280B (zh) * 2014-01-08 2016-07-06 上海交通大学 具有模型主动更新策略的锂离子电池剩余寿命预测方法
US20160132530A1 (en) * 2014-11-10 2016-05-12 Honda Motor Co., Ltd. Identification of a driver's point of interest for a situated dialog system
CN104819724B (zh) * 2015-03-02 2018-04-03 北京理工大学 一种基于gis的无人地面车辆自主行驶辅助***
US10029577B2 (en) * 2016-06-15 2018-07-24 Qualcomm Incorporated Methods and apparatus for positioning a vehicle
CN107274699A (zh) * 2017-06-30 2017-10-20 重庆交通大学 基于位置共享的无信控交叉口车辆自协同通行方法
US11048927B2 (en) * 2017-10-24 2021-06-29 Waymo Llc Pedestrian behavior predictions for autonomous vehicles
JP6704890B2 (ja) * 2017-11-08 2020-06-03 本田技研工業株式会社 車両制御装置、車両制御方法、およびプログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8988524B2 (en) * 2013-03-11 2015-03-24 The United States Of America As Represented By The Secretary Of The Army Apparatus and method for estimating and using a predicted vehicle speed in an indirect vision driving task
CN105573323A (zh) * 2016-01-12 2016-05-11 福州华鹰重工机械有限公司 自动驾驶轨迹生成方法及装置
CN109791734A (zh) * 2016-09-23 2019-05-21 日产自动车株式会社 驾驶辅助方法及驾驶辅助装置
CN109791049A (zh) * 2016-10-06 2019-05-21 大陆-特韦斯贸易合伙股份公司及两合公司 用于确定车辆的姿态的方法
CN107944624A (zh) * 2017-11-17 2018-04-20 南京大学 一种基于隐马尔科夫模型的无人车路口驾驶决策方法
CN109917783A (zh) * 2017-12-13 2019-06-21 丰田自动车株式会社 驾驶辅助装置
CN109920263A (zh) * 2019-04-22 2019-06-21 爱驰汽车有限公司 分叉路口提醒方法、***、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Modelling of Traffic Situations at Urban Intersections with Probabilistic Non-parametric Regression;Quan Tran 等;《2013 IEEE Intelligent Vehicles Symposium (IV)》;20130626;第334-339页 *
城市环境下无人驾驶车辆驾驶规则获取及决策算法;陈雪梅 等;《北京理工大学学报》;20170531;第37卷(第5期);第491-496页 *

Also Published As

Publication number Publication date
CN110298122A (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN110298122B (zh) 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
US11851050B2 (en) Collision prediction and avoidance for vehicles
CN109035862B (zh) 一种基于车车通信的多车协同换道控制方法
JP7444874B2 (ja) 方法、非一時的コンピュータ可読媒体、および、車両
CN108256233B (zh) 基于驾驶员风格的智能车轨迹规划及跟踪方法和***
CN108919795B (zh) 一种自动驾驶汽车换道决策方法及装置
CN110488802A (zh) 一种网联环境下的自动驾驶车辆动态行为决策方法
EP4230964A1 (en) Navigation based on vehicle activity
CN112002144B (zh) 无信号交叉路口行车风险态势评估方法及***
CN112046484B (zh) 一种基于q学习的车辆变道超车路径规划方法
CN107264531A (zh) 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
CN113608531B (zh) 基于安全a*引导点的无人车实时全局路径规划方法
CN111547051A (zh) 基于相互作用长时确定机动车的轨迹的控制***和控制方法
CN112577506B (zh) 一种自动驾驶局部路径规划方法和***
CN110288835A (zh) 一种基于运动学预测补偿机制的周边车辆行为实时识别方法
CN112965476A (zh) 一种基于多窗口抽样的高速无人车轨迹规划***及方法
CN114511999B (zh) 一种行人行为预测方法及装置
CN114861514A (zh) 一种车辆行驶方案的规划方法、装置和存储介质
CN116118780A (zh) 一种车辆避障轨迹规划方法、***、车辆及存储介质
CN115273450B (zh) 一种网联自动驾驶环境下车辆进入编队的换道方法
CN114987461A (zh) 一种多车复杂交通环境下的智能客车动态变道轨迹规划方法
Guo et al. Toward human-like behavior generation in urban environment based on Markov decision process with hybrid potential maps
Althoff et al. Stochastic reachable sets of interacting traffic participants
CN115489548A (zh) 智能汽车园区道路路径规划方法
CN113256961B (zh) 基于车辆编队的路口自主车辆调度与控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant