CN110488802B - 一种网联环境下的自动驾驶车辆动态行为决策方法 - Google Patents

一种网联环境下的自动驾驶车辆动态行为决策方法 Download PDF

Info

Publication number
CN110488802B
CN110488802B CN201910774762.XA CN201910774762A CN110488802B CN 110488802 B CN110488802 B CN 110488802B CN 201910774762 A CN201910774762 A CN 201910774762A CN 110488802 B CN110488802 B CN 110488802B
Authority
CN
China
Prior art keywords
vehicle
risk
decision
surrounding
area
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
CN201910774762.XA
Other languages
English (en)
Other versions
CN110488802A (zh
Inventor
王建强
黄荷叶
吴浩然
郑讯佳
许庆
***
田洪清
涂茂然
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201910774762.XA priority Critical patent/CN110488802B/zh
Publication of CN110488802A publication Critical patent/CN110488802A/zh
Application granted granted Critical
Publication of CN110488802B publication Critical patent/CN110488802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0055—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
    • G05D1/0061—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements for transition from automatic pilot to manual pilot and vice versa

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种网联环境下的自动驾驶车辆动态行为决策方法。所述方法包括：步骤S1，自车在V2X网联环境下，周围道路使用者获取周边环境信息；以及以自车质心为中心，以不同的半径进行区域划分，预估风险区域；步骤S2，基于周围道路使用者周边环境信息及预估风险区域，进行第一阶段行为决策，确定为保证自车行车安全能够采取的可行动作集合；步骤S3，进行第二阶段行为决策：考虑非安全性约束条件，从所述可行动作集合中，优化选择最终执行的动作，进行驾驶行为决策。

Description

一种网联环境下的自动驾驶车辆动态行为决策方法
技术领域
本发明涉及一种自动驾驶领域，特别是关于一种网联环境下自动驾驶车辆动态行为决策方法。
背景技术
智能交通发展带来了便利，但同时也造成潜在交通事故。因此车辆安全行驶已成为现代智能交通***的关键因素。虽然目前主动安全***和被动安全***逐渐成熟并予以应用，从而避免车辆碰撞，并最大限度地减少事故的影响，但减少交通事故发生率、提高车辆安全水平仍具有强烈的需求。近年来，自动驾驶汽车由于其在避免碰撞中的潜在应用而引起了汽车工业的强烈关注。然而，自动驾驶以实现“在路上零事故”的目标仍然是一项复杂的任务。
目前自动驾驶车辆因为有了各种种类的驾驶辅助***而可以实现许多基本功能，如可以进行换道辅助、自适应巡航驾驶、提前预警等功能。然而，现有的自动驾驶车辆行为决策算法无法对道路上潜在的风险进行准确风险评估，即这些自动驾驶算法不能识别在紧急情况下哪个动作更安全，无法做出有效安全的行为决策。为了使自动驾驶车辆更加智能化，现有的决策***需要识别和理解驾驶员-车辆-道路交通环境的综合信息，自动驾驶车辆决策算法应考虑综合驾驶风险，并通过行车风险指数对行车风险的严重程度进行评级。尤其对于复杂道路环境，自动驾驶汽车需要适应混合交通形式，同时真正实现提高交通效率和减少事故。
现有规划决策技术主要可细分为任务规划、路线规划、行为规划及运动规划等具体技术环节。典型的车辆决策规划涉及道路上的不同类型客体。当前的一些研究工作将自动驾驶车辆不同的操作视为单独的驱动模式，并且只考虑在这些模式之一中，A.Furda和L.Vlacic还提出了决定行为决策切换的分层决策方法。然而，这些方法通常依赖于预定义的策略，这些策略设计起来很费力并且在突发情况下易于不可靠。同时，CVX和Ipopt还实现了快速可靠的路径生成。这一方法能够实现从起始配置到目标配置的完整轨迹，完成决策规划过程，但这一类方法往往不考虑行车环境的动态性和随机性，并且不能做到准确预估风险，从而实现安全避障决策。
面对较为复杂多变的运行环境，自动驾驶车辆需要能够准确判断当前环境风险值进而进行有效的行为决策。现有决策方法的局限性导致智能车智能水平受到限制，因此，有必要开发一种网联环境下的自动驾驶车辆动态行为决策方法及装置。
发明内容
本发明的目的在于提供一种网联环境下的自动驾驶车辆动态行为决策方法及装置，其能够使自动驾驶车辆能够在动态复杂环境下有效检测和评估当前交通状况的危险情况，并做出有效行为决策使得自动驾驶车辆能够避免与其他道路使用者进行碰撞。
为实现上述目的，本发明提供一种网联环境下的自动驾驶车辆动态行为决策方法，自车为自动驾驶车辆，所述方法包括以下步骤S1-S3。
步骤S1，自车在V2X网联环境下，周围道路使用者获取周边环境信息；以及以自车质心为中心，以不同的半径进行区域划分，预估风险区域。
步骤S2，基于周围道路使用者周边环境信息及预估风险区域，进行第一阶段行为决策，确定为保证自车行车安全能够采取的可行动作集合。
第一阶段行为决策为在特定场景下做安全可行决策。关于可行的，安全的驾驶操纵的决策会受自动驾驶车辆周边环境和路线规划指示的影响。如果驾驶操纵可以在特定交通情况下安全地执行并且符合道路交通规则，则该驾驶操纵被定义为可行的。为了确保安全性，假设自动驾驶车辆将始终遵守交通规则，同时满足安全硬约束函数。第一层决策下，可以在任何交通情况下存在多种可行的驾驶操纵(例如，超车停车或等待其继续驾驶)。
步骤S3，进行第二阶段行为决策：考虑非安全性约束条件，从所述可行动作集合中，优化选择最终执行的动作，进行驾驶行为决策。步骤S3相当于从第一阶段的多种可行决策(可行动作集合)中选择最合适的驾驶操纵的决策。第二阶段行为决策选择并开始执行单个驾驶操纵(驾驶行为)，所述驾驶行为被选择为最适合特定交通情况。非安全性约束条件例如是关于效率、舒适性或交通流方面的需求或约束条件。
V2V(车辆到车辆)网联环境可以是已有的V2X网联环境的一部分，通过通信技术，实现自动驾驶车辆之间的可靠信息交换。V2X网联环境在此基础上进一步实现自动驾驶车辆和道路基础设施(V2I)等之间的可靠信息交换。本发明能够在网联环境下有效实现车辆之间的协作，提高自动驾驶车辆的效率和安全性。
自车通过使用感知算法，从车载传感器***获得信息，有效识别相关的交通特征，例如交通标志，道路标记，障碍物，行人，车辆等。用于车载传感器***的传感器技术，能够在任何光线，天气和道路条件下提供有关车辆环境的准确可靠信息。同时，获取自车的位置(经、纬度信息)、高度、速度、加速度等信息发送至周围道路使用者，同时接收周围道路使用者发来的同样信息，可以通过计算得出周围道路使用者相对自车的距离和位置。
自车在获取信息后根据需要进行信息存储，同时在有必要的情况下，进行信息更新。存储环境先验信息，例如道路，交叉路口和交通标志；存储传感器提供的信息，例如障碍物，交通车道和感知的交通标志；存储通过与其他车辆或交通管理中心通信获得的信息；不断更新先验信息与从传感器和通信组件连续获得的信息。
优选地，在步骤S1中，以下述方式预估风险区域：
定义以自车质心为中心、以风险距离Lrisk为半径的圆形区域为风险区域，
Figure GDA0002431546600000031
式中，vi为自车当前速度，amax为自车加速度最大值，L为自车长度；如果某周围道路使用者位于风险区域内，该周围道路使用者定义为风险道路使用者；
定义以自车质心为中心、安全预警距离Lp-risk为半径的圆形区域去除风险区域之后的环形区域为潜在风险区域，
Figure GDA0002431546600000032
其中，adec为自车减速度的最大值，如果某周围道路使用者位于潜在风险区域内，该周围道路使用者定义为潜在风险道路使用者；
定义以自车质心为中心、安全预警距离Lp-risk为半径的圆形区域之外的区域为安全区域，如果某周围道路使用者位于潜在风险区域之外，或者处于自车的通信范围之外时，该周围道路使用者定义为安全道路使用者。
优选地，步骤S2包括下述步骤：
步骤S21，针对风险区域和潜在风险区域内的周围道路使用者，计算风险度C，其中，先针对风险区域内的周围道路使用者进行计算，再针对潜在风险区域内的周围道路使用者计算，
风险度C表征自动驾驶车辆所处当前状态与周围道路使用者状态之间发生冲突的概率，即自车与周围道路使用者均保持当前状态不变的情况下发生冲突或碰撞的概率。该概率为估算值，且以下式计算：
Figure GDA0002431546600000041
其中，t为估算的预计碰撞时间，如果风险区域和潜在风险区域内具有两个或更多个的周围道路使用者，t为与各周围道路使用者发生预计碰撞的两个或更多个估算的预计碰撞时间的最小值，如果风险区域和潜在风险区域内没有周围道路使用者，t为大于tc的设定值，
tc为避免碰撞的临界时间，为设定的常数，可以根据车辆的制动性能、紧急状态响应速度、道路性能等预先确定。例如，本发明一实施例中定义tc＝4s。
当C＝0，则判定在该状态下不存在交通冲突，确定风险度量值frisk为零，并转步骤S23；
当C＝1，则判定在该状态下存在潜在交通冲突，转步骤S22，
步骤S22，计算风险度量值frisk，
步骤S23，根据风险度量值frisk进行动作选择，确定可行动作集合。
优选地，估算的预计碰撞时间t以下式计算，
t＝min{TTC，PET，TTB}
其中，
Figure GDA0002431546600000042
Xi是自车位置，
Xj是后面跟随的周围道路使用者的位置，
vi为自车当前速度，
vj为他车当前速度，
Li为自车长度，
PET是自车进入冲突点的时间ti到另一周围道路使用者到达此冲突点的时间tj的时间之间的差，
PET＝t＝|ti-tj|
TTB用于评估前向区域，适用于自车在后、他车在前场景，
Figure GDA0002431546600000051
Xi是自车位置，
Xj是后面跟随的他车位置，
vi为自车当前速度，
Li为自车长度。
在一个实施方式中，估算的预计碰撞时间t以下述方式计算。
一方面，当能够区分场景时，只计算针对该场景的估算的预计碰撞时间t，其中，对于直道跟车场景，t＝TTC；对于交叉路口场景，t＝PET；对于自车在后前向碰撞场景，t＝TTB；也就是说，当可以区分场景时，只需计算针对该场景的风险度函数，具体来说，TTC主要用于直道跟车场景，PET适用于交叉路口场景，TTB适用于自车在后前向碰撞场景。在计算风险度量时，首选TTC指标来进行评估，对于不适用于TTC场景再选取其他适用指标。当出现三个指标评估结果出现差异时，选取风险最大的指标进行决策输出。进而根据多目标输出的风险度来进一步分析和干预决策。
PET主要可以捕捉某些其他交叉点特征对安全性的影响，因为包含其他交叉点特征(例如视距，等级和其他参数)仅会对预测能力产生边际影响，因此主要适用场景为交叉口。TTC可以应用于不同类型的冲突，如后端，正面和直角碰撞，但其在直行道场景中更准确。TTB主要用于评估前向区域，即测量不用于后部区域，适用于自车在后他车在前场景。
另一方面，当场景复杂难以区分场景时计算三个指标取最小值，
t＝min{TTC，PET，TTB}，
其中，
Figure GDA0002431546600000052
Xi是自车位置，
Xj是后面跟随的周围道路使用者的位置，
vi为自车当前速度，
vj为他车当前速度，
Li为自车长度，
PET是自车进入冲突点的时间ti到另一周围道路使用者到达此冲突点的时间tj的时间之间的差，
PET＝t＝|ti-tj|
TTB用于评估前向区域，适用于自车在后、他车在前场景，
Figure GDA0002431546600000061
Xi是自车位置，
Xj是后面跟随的他车位置，
vi为自车当前速度，
Li为自车长度。
在不同交通场景中，如果同一场景下存在多个其他道路使用者，则单独评估每个道路使用者的估算的预计碰撞时间，然后通过使用多目标威胁评估算法来确定“有效的”或“当量的”估算的预计碰撞时间风险度t。多目标威胁评估算法例如采用取最小值算法，或者加权取最小值算法。
加权取最小值算法例如为：对最小的估算的预计碰撞时间t1赋予加权系数a，a>0.5；对第二小的估算的预计碰撞时间t2赋予加权系数a*(1-a)；对第三小的估算的预计碰撞时间t2赋予加权系数a*(1-a-a*(1-a))等。a例如为0.6或2/3。
本发明所提出的决策框架适用于多目标场景，进而根据多目标输出的风险度来进一步分析和干预决策。
优选地，在步骤S2中，以下式计算风险度量值frisk，
Figure GDA0002431546600000062
或者
Figure GDA0002431546600000063
优选地，在步骤S3的第二阶段行为决策中，不包括任何影响安全的决策属性，而是考虑高效软约束函数fe、舒适软约束函数fc和交通流软约束函数ft进行最优决策。
第二阶段行为决策即第二决策阶段。在该第二决策阶段寻找最优决策方法。从第一层的多种可行决策中选择最合适的驾驶操纵的决策。该阶段选择并开始执行单个驾驶操纵，其被选择为最适合特定交通情况。由于在此阶段仅考虑那些被选择为可行(因此是安全的)的驾驶操纵，因此该阶段不包括安全至关重要，因为它不包括任何影响安全的决策属性。第二决策阶段主要取决于高效软约束函数fe、舒适软约束函数fc、交通流软约束函数ft。
优选地，高效软约束函数fe定义为：
Figure GDA0002431546600000071
其中，t0为自车初始出发时刻，tf为自车到达目的地时刻，S(t)为自车从起点到目的地所走路径,v(t)是自车速度。
优选地，舒适软约束函数fc定义为：
Figure GDA0002431546600000072
其中，a为自车加速度，alat为横向加速度，alon为纵向加速度。
舒适性通过车辆性能指标来进行反映，本发明中主要针对因自动驾驶车辆决策的机动性导致的车辆自身机械结构及装配制造水平振动导致的乘客心理生理舒适性上的变化，其中急加速、急减速等操纵行为会给乘客明显的冲击。
优选地，交通流软约束函数ft定义为：
minft＝α(vave-vder)2+β(dave-dder)2
其中，
vave为决策前周边交通流的平均速度水平，
vder为决策后周边交通流期望的平均速度水平，
dave为决策前周边交通流的平均车间距，
dder为决策后周边交通流期望的平均车间距，
α、β为权重系数，都大于0并小于1。
使得对周围车辆的扰动最小。自车状态变化对周围交通流的动态特性的扰动效应，体现在其他车辆距离他们期望的平均速度、距离水平的变化。
因自动驾驶车辆的决策行为带来的潜在影响，即自车状态变化对周围交通流的动态特性的扰动效应，具体体现在对周边道路的通行能力和交通流稳定性和通畅性的影响。因此，定义交通流软约束函数ft来判别自动驾驶车辆在做出行为决策时，需要衡量该行为对交通流产生有利或有弊影响，体现在速度的降低或者加速行驶的中断。
在网联环境下，周边交通流范围定义为在自车通信范围内车辆。
优选地，步骤S3的第二阶段行为决策中，定义代价函数J如下：
Figure GDA0002431546600000081
w1、w2、w3为权重系数，都大于0并小于1，且w1+w2+w3＝1
其中，fe0、fc0、ft0分别表示假设自车按照决策前状态继续执行后的安全、高效、舒适、交通流函数。
判断做出该决策是否合理，即要比较决策后的代价函数J。代价函数J的最小值即对应最优解。
本发明的方法通过车辆之间的信息交互，根据所述交通风险度函数，预估风险区域，分阶段进行行为决策，提高了决策速度、效率与安全性，能够帮助实现通过控制自动驾驶车辆的动作而安全、高效、舒适地到达目的地。
附图说明
图1是本发明实施例提供的自动驾驶车辆动态行为决策方法的示意性流程图。
图2是采用本发明实施例提供的自动驾驶车辆动态行为决策方法的控制***的示意性架图；
图3是本发明实施例提供的风险等级区域划分示意图。
图4是说明本发明中第一阶段行为决策的示意图。
图5是说明本发明中第一阶段行为决策和第二阶段行为决策的示意图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
参见图1，本发明实施例的一种网联环境下的自动驾驶车辆动态行为决策方法，所述方法包括以下步骤S1-S3。
步骤S1，自车在V2X网联环境下，周围道路使用者获取周边环境信息；以及以自车质心为中心，以不同的半径进行区域划分，预估风险区域。自车为自动驾驶车辆。周边环境信息例如包括周围车辆、骑行者、行人和障碍物等道路使用者的位置、速度信息等。预估风险区域相当于图4中的风险预判环节的预处理，确定风险区域。
进一步地，在决策阶段1(即第一阶段行为决策)中，例如，如图2所示，在风险预判环节，通过判定道路使用者是否处于风险区域内，确定风险道路使用者、潜在风险道路使用者和安全道路使用者。在一个实施例中，他车与自车之间距离定义为他车车头到自车质心连线方向上的距离。
此外，在步骤S1中，可以为步骤S2中的第一阶段行为决策进行预先计算或判定，例如，通过交通风险分层评估模块(参见图2)判定潜在冲突，估算冲突时间、概率等。上述的判定、估算等，也可以在步骤S2中进行计算。例如，在图4所示的冲突检测环节进行上述的估算与判定。
搭载V2X(Vehicle to Everything)功能车辆通常是指是指搭载先进的车载传感器、控制器、执行器等装置(即图2中的车联网网络感知模块)，并融合现代通信与网络技术，实现车与X(人、车、路、后台等)智能信息的交换共享，具备复杂的环境感知、智能决策、协同控制和执行等功能，可实现安全、舒适、节能、高效行驶，并最终可替代人来操作的车辆。自动驾驶车辆包括各自动驾驶种等级的自动驾驶车辆。
与自动驾驶技术中常用的摄像头或激光雷达相比，V2X拥有更广的使用范围，它具有突破视觉死角和跨越遮挡物的信息获取能力，同时可以和其他车辆及设施共享实时驾驶状态信息，还可以通过研判算法产生预测信息。另外，V2X是唯一不受天气状况影响的车用传感技术，无论雨、雾或强光照射都不会影响其正常工作。
此外，在传统智能汽车信息交换共享和环境感知的功能之外，V2X还强调了“智能决策”、“协同控制和执行”功能，以强大的后台数据分析、决策、调度服务***为基础。而且要实现自动驾驶，车辆必须具备有感知***，像人一样能够观察周围的环境，所以除了传感器，V2X技术也属于自动驾驶的一个感知手段。
V2V(车辆到车辆)网联环境可以是已有的V2X网联环境的一部分，通过通信技术，实现自动驾驶车辆之间的可靠信息交换。V2X网联环境在此基础上进一步实现自动驾驶车辆和道路基础设施(V2I)之间的可靠信息交换。本发明能够在网联环境下有效实现车辆之间的协作，提高自动驾驶车辆的效率和安全性。
自车通过使用感知算法，从车载传感器***获得信息，有效识别相关的交通特征，例如交通标志，道路标记，障碍物，行人，车辆等。用于车载传感器***的传感器技术，能够在任何光线，天气和道路条件下提供有关车辆环境的准确可靠信息。同时，获取自车的位置(经、纬度信息)、高度、速度、加速度等信息发送至周围道路使用者，同时接收周围道路使用者发来的同样信息，可以通过计算得出周围道路使用者相对自车的距离和位置。
自车在获取信息后根据需要进行信息存储，同时在有必要的情况下，进行信息更新。存储环境先验信息，例如道路，交叉路口和交通标志；存储传感器提供的信息，例如障碍物，交通车道和感知的交通标志；存储通过与其他车辆或交通管理中心通信获得的信息；不断更新先验信息与从传感器和通信组件连续获得的信息。
步骤S2和S3在多层行为决策模块中执行。
步骤S2，基于周围道路使用者周边环境信息及预估风险区域，进行第一阶段行为决策(图2中的决策阶段1)，确定为保证自车行车安全能够采取的可行动作集合。第一阶段行为决策满足安全硬约束函数的要求。结果是获得可行动作集合(即图2中的所有可行决策集)。
如图4所示，第一阶段行为决策大体上包括下述几个环节：风险预判环节、冲突检索环节、风险度量环节和动作选择环节。风险预判环节主要是判断风险道路使用者。冲突检测环节主要用于初步判定是否会发生冲突(碰撞)。风险度量主要是计算风险度量值。可以采用任何适当的方式来计算风险度量值。除了下文详细介绍的风险度量值之外，
第一阶段行为决策为在特定场景下做安全可行决策。关于可行的，安全的驾驶操纵的决策会受自动驾驶车辆周边环境和路线规划指示的影响。如果驾驶操纵可以在特定交通情况下安全地执行并且符合道路交通规则，则该驾驶操纵被定义为可行的。为了确保安全性，假设自动驾驶车辆将始终遵守交通规则，同时满足安全硬约束函数。第一层决策下，可以在任何交通情况下存在多种可行的驾驶操纵(例如，超车停车或等待其继续驾驶)。
步骤S3，进行第二阶段行为决策(即图2中的决策阶段2)：进行第二阶段行为决策：考虑非安全性约束条件，从所述可行动作集合中，优化选择最终执行的动作，进行驾驶行为决策。步骤S3相当于从第一阶段的多种可行决策(可行动作集合)中选择最合适的驾驶操纵的决策。第二阶段行为决策选择并开始执行单个驾驶操纵(驾驶行为)，所述驾驶行为被选择为最适合特定交通情况。非安全性约束条件例如是关于效率、舒适性或交通流方面的需求或约束条件。也就是说，第二阶段行为决策主要基于高效、舒适、交通流约束函数进行。结果是获取或作出最优行为决策。参见图5，第二阶段行为决策基于第一阶段行为决策输出的可选动作集合的基础上做最优行为决策。
根据本发明的一些实施例，在步骤S1中，以下述方式预估风险区域：
定义以自车质心为中心、以风险距离Lrisk为半径的圆形区域为风险区域，
Figure GDA0002431546600000111
式中，vi为自车当前速度，amax为自车加速度最大值，L为自车长度；如果某周围道路使用者位于风险区域内，该周围道路使用者定义为风险道路使用者；
定义以自车质心为中心、安全预警距离Lp-risk为半径的圆形区域去除风险区域之后的环形区域为潜在风险区域，
Figure GDA0002431546600000112
其中，adec为自车减速度的最大值，如果某周围道路使用者位于潜在风险区域内，该周围道路使用者定义为潜在风险道路使用者；
定义以自车质心为中心、安全预警距离Lp-risk为半径的圆形区域之外的区域为安全区域，如果某周围道路使用者位于潜在风险区域之外，或者处于自车的通信范围之外时，该周围道路使用者定义为安全道路使用者。即安全道路使用者所在区域是处于半径为Lsafe＝min{Lcom，Lp-risk}之外的区域。其中以通信半径Lcom为圆的范围指在网联环境下，自车位于其指定的区域内可以观察和获取周边道路使用者信息的范围。
具体地，如图3所示，本发明对以车辆质心为中心，半径为通信半径长度Lcom的圆进行区域划分，具体按照风险等级分成风险道路使用者、潜在风险道路使用者和安全道路使用者。对于观察到的车辆，定义了与上述三种风险等级相关的三个距离度量，如果所处范围超过阈值，则观察到的车辆的风险度量则会随之改变。其中，如图3所示，定义风险道路使用者、潜在风险道路使用者的分界线为以风险距离Lrisk为半径的圆，圆形区域以内为风险区域。定义潜在风险道路使用者与安全道路使用者的分界线为以安全预警距离Lp-risk的圆，当处于半径为(Lrisk，Lp-risk)之间的环形区域以内为潜在风险区域。当车辆与冲突点的距离大于安全警示距离或者他车处于不在自车的通信范围内时，则定义该车为安全道路使用者。即安全道路使用者所在区域是处于半径为Lsafe＝min{Lcom，Lp-risk}之外的区域。其中以通信半径Lcom为圆的范围指在网联环境下，自车位于其指定的区域内可以观察和获取周边道路使用者信息的范围。
在一个实施例中，步骤S2包括下述步骤：
步骤S21，针对风险区域和潜在风险区域内的周围道路使用者，计算风险度C，其中，先针对风险区域内的周围道路使用者进行计算，再针对潜在风险区域内的周围道路使用者计算，
风险度C表征自动驾驶车辆所处当前状态与周围道路使用者状态之间发生冲突的概率，即自车与周围道路使用者均保持当前状态不变的情况下发生冲突或碰撞的概率。该概率为估算值，且以下式计算：
Figure GDA0002431546600000121
其中，t为估算的预计碰撞时间，如果风险区域和潜在风险区域内具有两个或更多个的周围道路使用者，t为与各周围道路使用者发生预计碰撞的两个或更多个估算的预计碰撞时间的最小值，如果风险区域和潜在风险区域内没有周围道路使用者，t为大于tc的设定值，
tc为避免碰撞的临界时间，为设定的常数，可以根据车辆的制动性能、紧急状态响应速度、道路性能等预先确定。例如，本发明一实施例中定义tc＝4s。
当C＝0，则判定在该状态下不存在交通冲突，确定风险度量值frisk为零，并转步骤S23。
当C＝1，则判定在该状态下存在潜在交通冲突，转步骤S22。
步骤S22，计算风险度量值frisk，风险度量值frisk可以采用任何适当的方式来进行计算。为便于评价，风险度量值frisk设置为0-1之间的数。
步骤S23，根据风险度量值frisk进行动作选择，确定可行动作集合。
需要指出的是，在不同的具体场景下，车辆能够执行的动作的总集合是不同的。例如，参见表1的各场景下的动作总集合。
表1 不同交通场景下自动驾驶车辆动作总集合
动作序列\交通场景 情况1 情况2 情况3 情况4 情况p
加速通行 √ √ √ —
直接通过 √ √ —
减速 √ √ √ —
停车等待 √ √ —
依次跟随 √ √ —
转弯通行 √ √ —
动作q — — — — —
对于一些经典场景，将决策阶段1的可选结果列于表1中。对表1的进一步说明如下：
情况1：自由行驶场景。自动驾驶车辆沿着道路行驶，距离即将到来的交叉路口相对较远。在这种情况下，在基于第一层评估判断下可以输出风险，再进行第二层决策，提供可行的三种速度执行选择(即，加速，原速，减速)。
情况2：十字路口场景。自动驾驶车辆正在接近一个十字路口，路口有其他动态道路使用者(如，一个过马路的行人，骑车人，其他车辆等)。在这种情况下，在基于第一层评估判断下可以输出风险，再进行第二层决策，提供可行的四种操作执行选择(即，停车等待，依次跟随，直接通过，转弯通行)和三种速度执行选择(即，加速，原速，减速)。
情况3：跟车场景。自动驾驶汽车正在追另一辆汽车。在这种情况下，在基于第一层评估判断下可以输出风险，再进行第二层决策，确定驾驶操作可行的两种操作选择(即，依次跟随，转弯通行)和速度执行选择(即，加速，减速)是可行的。
情况4：障碍物阻挡场景。静态障碍物(树)位于自动驾驶车辆的前方。唯一可行的驾驶操作是紧急停止。
情况p：是指上述4种情况之外的其他驾驶场景。
动作q：是指上述7种动作之外的其他动作。
“—”：表示根据具体的场景及具体的动作才能确定是否可行。
第一阶段行为决策是在保证安全的前提下，从表1的动作总集合中，选择出可行动作集合(即图2中的所有可行决策集)。更具体地，在步骤S23，根据风险度量值frisk进行动作选择，确定可行动作集合。
表2以十字路口场景为例，说明了不同的风险度量值frisk所对应的可行动作集合。
表2 不同风险度量值下自动驾驶车辆可选动作选择映射表
动作选择\风险度量值 0 (0,0.4] (0.4,0.7] (0.7,1]
加速通行 √
直接通过 √
减速慢行 √ √
停车等待 √ √ √
依次跟随 √ √
转弯通行 √ √ √ √
在本发明具体实施例中，具体决策过程可以分为在外界条件驱动下判断进行状态选择的安全属性，即通过安全硬约束函数来决定；接着根据具体场景采取决策动作，如加减速行驶、转弯换道、速度保持和停车等待等。
例如，在考虑效率(高效)、舒适和交通流的具体情况下，经过优化计算，对于不同的特定行车情况，最终决策采用了不同的动作。
表3 基于不同的效率、舒适和交通流需求，确定的动作
Figure GDA0002431546600000141
在本发明的一些实施例中，在决策阶段1，引入安全硬约束函数(风险度量值函数)，在特定场景下做安全可行决策。
在本发明一个备选实施例中，估算的预计碰撞时间t以下式计算，
t＝min{TTC，PET，TTB}
其中，
Figure GDA0002431546600000142
Xi是自车位置，
Xj是后面跟随的周围道路使用者的位置，
vi为自车当前速度，
vj为他车当前速度，
Li为自车长度，
PET是自车进入冲突点的时间ti到另一周围道路使用者到达此冲突点的时间tj的时间之间的差，
PET＝t＝|ti-tj|
TTB用于评估前向区域，适用于自车在后、他车在前场景，
Figure GDA0002431546600000151
Xi是自车位置，
Xj是后面跟随的他车位置，
vi为自车当前速度，
Li为自车长度。
在一个实施方式中，估算的预计碰撞时间t以下述方式计算。
一方面，当能够区分场景时，只计算针对该场景的估算的预计碰撞时间t，其中，对于直道跟车场景，t＝TTC；对于交叉路口场景，t＝PET；对于自车在后前向碰撞场景，t＝TTB；也就是说，当可以区分场景时，只需计算针对该场景的风险度函数，具体来说，TTC主要用于直道跟车场景，PET适用于交叉路口场景，TTB适用于自车在后前向碰撞场景。在计算风险度量时，首选TTC指标来进行评估，对于不适用于TTC场景再选取其他适用指标。当出现三个指标评估结果出现差异时，选取风险最大的指标进行决策输出。进而根据多目标输出的风险度来进一步分析和干预决策。
PET主要可以捕捉某些其他交叉点特征对安全性的影响，因为包含其他交叉点特征(例如视距，等级和其他参数)仅会对预测能力产生边际影响，因此主要适用场景为交叉口。TTC可以应用于不同类型的冲突，如后端，正面和直角碰撞，但其在直行道场景中更准确。TTB主要用于评估前向区域，即测量不用于后部区域，适用于自车在后他车在前场景。
另一方面，当场景复杂难以区分场景时计算三个指标取最小值，
t＝min{TTC，PET，TTB}，
其中，
Figure GDA0002431546600000161
Xi是自车位置，
Xj是后面跟随的周围道路使用者的位置，
vi为自车当前速度，
vj为他车当前速度，
Li为自车长度，
PET是自车进入冲突点的时间ti到另一周围道路使用者到达此冲突点的时间tj的时间之间的差，
PET＝t＝|ti-tj|
TTB用于评估前向区域，适用于自车在后、他车在前场景，
Figure GDA0002431546600000162
Xi是自车位置，
Xj是后面跟随的他车位置，
vi为自车当前速度，
Li为自车长度。
在不同交通场景中，如果同一场景下存在多个其他道路使用者，则单独评估每个道路使用者的估算的预计碰撞时间，然后通过使用多目标威胁评估算法来确定“有效的”或“当量的”估算的预计碰撞时间风险度t。多目标威胁评估算法例如采用取最小值算法，或者加权取最小值算法。
加权取最小值算法例如为：对最小的估算的预计碰撞时间t1赋予加权系数a，a>0.5；对第二小的估算的预计碰撞时间t2赋予加权系数a*(1-a)；对第三小的估算的预计碰撞时间t2赋予加权系数a*(1-a-a*(1-a))等。a例如为0.6或2/3。
本发明所提出的决策框架适用于多目标场景，进而根据多目标输出的风险度来进一步分析和干预决策。
通过计算风险度量值来更精确评估车辆所处风险等级。具体来说，观察到的车辆的风险度量取决于观察到的车辆与自动驾驶车辆之间的距离以及两辆车辆的相对速度。为了评估观察到的车辆与自动驾驶车辆之间的潜在碰撞威胁，TTC被用作常见的威胁措施，因为它是基于时间的并且包含空间接近度和速度差。但是，在某些高速公路情况下，仅TTC是不够的。例如，考虑这样的情况：在与自动驾驶车辆相邻的车道中观察到的车辆以与自动驾驶车辆非常接近并且以类似的速度行驶。这将导致产生大的TTC值，从而将该情况评估为低风险(如果仅使用TTC)。然而，实际上，示例情况实际上是非常危险的；因此，在这种情况下，不应执行车道变换操纵(以避免碰撞)。此外，TTC不考虑例外情况，例如前方观察到的车辆由于某种原因突然停止的情况。因此，为了补充TTC，还对情况评估采用了另外两种评估方法：(1)PET,用来描述两车进入冲突点的时间差异，(2)TTB,定义为应该采用紧急制动以防止突然停机或机动碰撞的剩余时间。根据TTB的定义，TTB的测量不用于后部区域。因此，定义分区域分阶段用不同风险度量值来评估不同区域的车辆所处风险等级。
对于冲突是否存在的判断通常通过估计交通状况的危急程度来衡量。到目前为止，已经开发了不同的安全指标，例如碰撞时间(TTC)，侵入后时间(PET)，不安全密度(UD)，避免碰撞的减速率(DRAC)，停止距离的比例(PSD)，间隙时间(GT)，综合时间测量(CTM)，追尾碰撞概率(RECP)等，其中最广泛使用的指标之一是碰撞时间TTC。它的定义是与两辆车相撞前剩余的时间，这两辆车在同路线上以初始速度行驶。然而，当TTC判断出危险情况时，一般两车距离碰撞点较近，因此不能很好反映是否存在潜在冲突。本发明采用PET(postencrotime)这一指标来进行衡量，PET是用两辆车通过同一位置的时间来测量的。允许观察者和位置之间保持一致性的一种可观察的措施是侵入后时间(PET)。PET是第一辆车结束冲突区域和第二辆车辆进入冲突区域的时间之间的差异。PET只需要两个时间戳进行计算，它具有明确的边界来区分崩溃和非碰撞事件的优势。PET值为0表示发生碰撞，而非零PET值表示碰撞接近。虽然它没有描述冲突的初始阶段，也没有描述相关司机所采取的行动，但它显示了最后阶段的结果并提供相对接近碰撞的度量。目前的研究评估了PET作为替代性安全措施的有效性，以防止通过车辆冲突发生反对。
在本发明一个备选实施例中，在步骤S2中，以下式计算风险度量值frisk，
Figure GDA0002431546600000171
在该备选实施例中，假设t＝3s，frisk＝(4-3)/4＝0.25。假设t＝1s，frisk＝(4-1)/4＝0.75。假设t＝0.4s，frisk＝(4-0.4)/4＝0.9。
在本发明另一个备选实施例中，在步骤S2中，以下式计算风险度量值frisk，
Figure GDA0002431546600000181
在该另一个备选实施例中，随着预估碰撞时间的减小，风险度量值快速增加。从而，进一步突出风险性。具体地，在该备选实施例中，假设t＝3s，frisk＝(4*4-3*3)/(4*4)＝0.44。假设t＝1s，frisk＝(4*4-1*1)/(4*4)＝0.94假设t＝0.4s，frisk＝(4*4-0.4*0.4)/(4*4)＝0.99。
具体地，在步骤S3的第二阶段行为决策中，不包括任何影响安全的决策属性，而是考虑高效软约束函数fe、舒适软约束函数fc和交通流软约束函数ft进行最优决策。还可以仅仅考虑其他约束函数，或者仅仅考虑上述软约束函数中的一个或两个。
第二阶段行为决策即第二决策阶段。在该第二决策阶段寻找最优决策方法。从第一层的多种可行决策中选择最合适的驾驶操纵的决策。该阶段选择并开始执行单个驾驶操纵，其被选择为最适合特定交通情况。由于在此阶段仅考虑那些被选择为可行(因此是安全的)的驾驶操纵，因此该阶段不包括安全至关重要，因为它不包括任何影响安全的决策属性。第二决策阶段主要取决于高效软约束函数fe、舒适软约束函数fc、交通流软约束函数ft。
优选地，高效软约束函数fe定义为：
Figure GDA0002431546600000182
其中，t0为自车初始出发时刻，tf为自车到达目的地时刻，S(t)为自车从起点到目的地所走路径,v(t)是自车速度。
优选地，舒适软约束函数fc定义为：
Figure GDA0002431546600000183
其中，a为自车加速度，alat为横向加速度，alon为纵向加速度。
舒适性通过车辆性能指标来进行反映，本发明中主要针对因自动驾驶车辆决策的机动性导致的车辆自身机械结构及装配制造水平振动导致的乘客心理生理舒适性上的变化，其中急加速、急减速等操纵行为会给乘客明显的冲击。
优选地，交通流软约束函数ft定义为：
minft＝α(vave-vder)2+β(dave-dder)2
其中，
vave为决策前周边交通流的平均速度水平，
vder为决策后周边交通流期望的平均速度水平，
dave为决策前周边交通流的平均车间距，
dder为决策后周边交通流期望的平均车间距，
α、β为权重系数，都大于0并小于1。
使得对周围车辆的扰动最小。自车状态变化对周围交通流的动态特性的扰动效应，体现在其他车辆距离他们期望的平均速度、距离水平的变化。
因自动驾驶车辆的决策行为带来的潜在影响，即自车状态变化对周围交通流的动态特性的扰动效应，具体体现在对周边道路的通行能力和交通流稳定性和通畅性的影响。因此，定义交通流软约束函数ft来判别自动驾驶车辆在做出行为决策时，需要衡量该行为对交通流产生有利或有弊影响，体现在速度的降低或者加速行驶的中断。
在网联环境下，周边交通流范围定义为在自车通信范围内车辆。
优选地，步骤S3的第二阶段行为决策中，定义代价函数J如下：
Figure GDA0002431546600000191
w1、w2、w3为权重系数，都大于0并小于1，且w1+w2+w3＝1。w1、w2、w3可以是***预设的，也可以根据乘车者的需求来调整。例如，乘车者当前需求是最快的速度到达目的地，则w1设置为较大，例如为0.5、0.6、0.8，甚至为1。***还可以强制设置w3大于等于最小值，例如0.1。
其中，fe0、fc0、ft0分别表示假设自车按照决策前状态继续执行后的高效、舒适、交通流函数。需要指出的是，高效、舒适、交通流函数不限于上文中给出的函数，还可以采用任何已知形式的相应约束函数。而且，采用已知形式的相应高效、舒适、交通流约束函数的实施例，以及包括其他非安全约束函数在内的实施例，都在本发明的保护范围之内。
判断做出该决策是否合理，即要比较决策后的代价函数J。代价函数J的最小值即对应最优解。
本发明实施例的的方法通过车辆之间的信息交互，根据所述交通风险度函数，预估风险区域，分阶段进行行为决策，提高了决策速度、效率与安全性，能够帮助实现通过控制自动驾驶车辆的动作而安全、高效、舒适地到达目的地。
本发明的特定实施例能够实现以下优点。
1、通过对不同场景采用不同风险度量值函数，能够保证评估的准确性。
2、本发明实施例中提出的网联环境下的自动驾驶车辆动态行为决策方法结合了分场景分层决策思想，将决策阶段中融入安全保障函数，能够保证每一步决策的安全性，同时又考虑自动驾驶车辆类人性，即引入高效软约束函数、舒适软约束函数、交通流软约束函数的软约束，可以进一步改善智能车辆智能化水平。
4、本发明基于感知子***提供的信息，实时决策和驾驶操纵控制子***做出驾驶决策。所设计的每个算法都能够在特定交通情况下(例如，道路跟踪，超车，交叉路口等)操纵车辆。算法可用于以多种方式辅助驾驶员(尤其是较低等级的自动驾驶车辆的驾驶员)，例如，警告驾驶员即将发生碰撞或在关键交通情况下自主地施加制动或转向，或直接应用于自动驾驶车辆对车辆行为进行决策规划。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种网联环境下的自动驾驶车辆动态行为决策方法，自车为自动驾驶车辆，其特征在于，所述方法包括以下步骤：
步骤S1，自车在V2X网联环境下，周围道路使用者获取周边环境信息；以及以自车质心为中心，以不同的半径进行区域划分，预估风险区域；
步骤S2，基于周围道路使用者周边环境信息及预估风险区域，进行第一阶段行为决策，确定为保证自车行车安全能够采取的可行动作集合；
步骤S3，进行第二阶段行为决策：考虑非安全性约束条件，从所述可行动作集合中，优化选择最终执行的动作，进行驾驶行为决策，
在步骤S3的第二阶段行为决策中，不包括任何影响安全的决策属性，而是考虑高效软约束函数fe、舒适软约束函数fc和交通流软约束函数ft进行最优决策，
在步骤S3的第二阶段行为决策中，定义代价函数J如下：
Figure FDA0002431546590000011
w1、w2、w3为权重系数，都大于0小于1，且w1+w2+w3＝1，
其中，fe0、fc0、ft0分别表示假设自车按照决策前状态继续执行后的高效、舒适、交通流函数。
2.如权利要求1所述的自动驾驶车辆动态行为决策方法，其特征在于，在步骤S1中，以下述方式预估风险区域：
定义以自车质心为中心、以风险距离Lrisk为半径的圆形区域为风险区域，
Figure FDA0002431546590000012
式中，vi为自车当前速度，amax为自车加速度最大值，L为自车长度；如果某周围道路使用者位于风险区域内，该周围道路使用者定义为风险道路使用者；
定义以自车质心为中心、安全预警距离Lp-risk为半径的圆形区域去除风险区域之后的环形区域为潜在风险区域，
Figure FDA0002431546590000021
其中，adec为自车减速度的最大值，如果某周围道路使用者位于潜在风险区域内，该周围道路使用者定义为潜在风险道路使用者；
定义以自车质心为中心、安全预警距离Lp-risk为半径的圆形区域之外的区域为安全区域，如果某周围道路使用者位于潜在风险区域之外，或者处于自车的通信范围之外时，该周围道路使用者定义为安全道路使用者。
3.如权利要求2所述的自动驾驶车辆动态行为决策方法，其特征在于，步骤S2包括下述步骤：
步骤S21，针对风险区域和潜在风险区域内的周围道路使用者，计算风险度C，其中，先针对风险区域内的周围道路使用者进行计算，再针对潜在风险区域内的周围道路使用者计算，
风险度C表征自动驾驶车辆所处当前状态与周围道路使用者状态之间发生冲突的概率，
Figure FDA0002431546590000022
t为估算的预计碰撞时间，如果风险区域和潜在风险区域内具有两个或更多个的周围道路使用者，t为与各周围道路使用者发生预计碰撞的两个或更多个估算的预计碰撞时间的最小值，如果风险区域和潜在风险区域内没有周围道路使用者，t为大于tc的设定值，
tc为避免碰撞的临界时间，为设定的常数，
当C＝0，则判定在该状态下不存在交通冲突，确定风险度量值frisk为零，并转步骤S23；
当C＝1，则判定在该状态下存在潜在交通冲突，转步骤S22，
步骤S22，计算风险度量值frisk，
步骤S23，根据风险度量值frisk进行动作选择，确定可行动作集合。
4.如权利要求3所述的自动驾驶车辆动态行为决策方法，其特征在于，估算的预计碰撞时间t以下式计算，
t＝min{TTC，PET，TTB}
其中，
Figure FDA0002431546590000031
Xi是自车位置，
Xj是后面跟随的周围道路使用者的位置，
vi为自车当前速度，
vj为他车当前速度，
Li为自车长度，
PET是自车进入冲突点的时间ti到另一周围道路使用者到达此冲突点的时间tj的时间之间的差，
PET＝t＝|ti-tj|
TTB用于评估前向区域，适用于自车在后、他车在前场景，
Figure FDA0002431546590000032
Xi是自车位置，
Xj是后面跟随的他车位置，
vi为自车当前速度，
Li为自车长度。
5.如权利要求3所述的自动驾驶车辆动态行为决策方法，其特征在于，估算的预计碰撞时间t以下述方式计算，
当能够区分场景时，只计算针对该场景的估算的预计碰撞时间t，其中，对于直道跟车场景，t＝TTC；对于交叉路口场景，t＝PET；对于自车在后前向碰撞场景，t＝TTB；
当场景复杂时，t＝min{TTC，PET，TTB}，
其中，
Figure FDA0002431546590000033
Xi是自车位置，
Xj是后面跟随的周围道路使用者的位置，
vi为自车当前速度，
vj为他车当前速度，
Li为自车长度，
PET是自车进入冲突点的时间ti到另一周围道路使用者到达此冲突点的时间tj的时间之间的差，
PET＝t＝|ti-tj|
TTB用于评估前向区域，适用于自车在后、他车在前场景，
Figure FDA0002431546590000041
Xi是自车位置，
Xj是后面跟随的他车位置，
vi为自车当前速度，
Li为自车长度。
6.如权利要求3所述的自动驾驶车辆动态行为决策方法，其特征在于，在步骤S2中，以下式计算风险度量值frisk，
Figure FDA0002431546590000042
或者
Figure FDA0002431546590000043
7.如权利要求1所述的自动驾驶车辆动态行为决策方法，其特征在于，高效软约束函数fe定义为：
Figure FDA0002431546590000044
其中，t0为自车初始出发时刻，tf为自车到达目的地时刻，v(t)是自车速度。
8.如权利要求1所述的自动驾驶车辆动态行为决策方法，其特征在于，舒适软约束函数fc定义为：
Figure FDA0002431546590000045
其中，a为自车加速度，alat为横向加速度，alon为纵向加速度。
9.如权利要求1所述的自动驾驶车辆动态行为决策方法，其特征在于，交通流软约束函数ft定义为：
minft＝α(vave-vder)2+β(dave-dder)2
其中，
vave为决策前周边交通流的平均速度水平，
vder为决策后周边交通流期望的平均速度水平，
dave为决策前周边交通流的平均车间距，
dder为决策后周边交通流期望的平均车间距，
α、β为权重系数，都大于0小于1。
CN201910774762.XA 2019-08-21 2019-08-21 一种网联环境下的自动驾驶车辆动态行为决策方法 Active CN110488802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910774762.XA CN110488802B (zh) 2019-08-21 2019-08-21 一种网联环境下的自动驾驶车辆动态行为决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910774762.XA CN110488802B (zh) 2019-08-21 2019-08-21 一种网联环境下的自动驾驶车辆动态行为决策方法

Publications (2)

Publication Number Publication Date
CN110488802A CN110488802A (zh) 2019-11-22
CN110488802B true CN110488802B (zh) 2020-05-12

Family

ID=68552636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910774762.XA Active CN110488802B (zh) 2019-08-21 2019-08-21 一种网联环境下的自动驾驶车辆动态行为决策方法

Country Status (1)

Country Link
CN (1) CN110488802B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111775952B (zh) * 2019-11-26 2021-11-26 北京京东乾石科技有限公司 自动驾驶方法、装置和存储介质
CN113022488A (zh) * 2019-12-25 2021-06-25 北京宝沃汽车股份有限公司 车辆及其控制方法与装置
US11880201B2 (en) 2019-12-30 2024-01-23 Baidu Usa Llc Fastest lane determination algorithm under traffic jam
CN113682299A (zh) * 2020-05-19 2021-11-23 广州汽车集团股份有限公司 一种车辆前向碰撞预警方法及装置
CN111615053B (zh) * 2020-05-22 2022-06-17 英华达（上海）科技有限公司 动态标注风险区域的车联网***和方法
KR102360817B1 (ko) 2020-07-02 2022-02-10 현대모비스 주식회사 컷인 차량의 충돌 방지를 위한 자율주행시스템 및 방법
CN112216146B (zh) * 2020-09-16 2022-06-03 浙江吉利控股集团有限公司 一种车辆风险预警方法、装置、设备及车辆
CN112017438B (zh) * 2020-10-16 2021-08-27 宁波均联智行科技股份有限公司 一种行车决策生成方法及***
CN112256033B (zh) * 2020-10-30 2022-12-20 安徽江淮汽车集团股份有限公司 驾驶状态识别方法、设备、存储介质及装置
CN112150046A (zh) * 2020-11-06 2020-12-29 上海交通大学 一种道路交叉口安全风险指数计算方法
CN112550284B (zh) * 2020-11-16 2022-03-22 东南大学 一种车路耦合作用下的自适应巡航行驶风险评估方法
CN112650243B (zh) 2020-12-22 2023-10-10 北京百度网讯科技有限公司 车辆控制方法、装置、电子设备和自动驾驶车辆
CN112947390B (zh) * 2021-04-02 2022-09-06 清华大学 基于环境风险评估的智能网联汽车安全控制方法和***
CN113177663B (zh) * 2021-05-20 2023-11-24 云控智行(上海)汽车科技有限公司 一种智能网联应用场景的处理方法及***
CN113433936B (zh) * 2021-06-02 2023-07-25 北京迈格威科技有限公司 移动设备绕障方法、装置、移动设备及存储介质
CN113548049B (zh) * 2021-07-27 2022-05-31 武汉理工大学 一种基于有限状态机的智能车辆驾驶行为决策方法及***
CN114056332B (zh) * 2022-01-14 2022-04-12 清华大学 基于认知风险平衡的智能汽车跟车决策和控制方法
CN115331436B (zh) * 2022-08-04 2024-04-30 西安理工大学 一种兼顾行人安全的路段自动驾驶汽车运动规划方法
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
CN116978257B (zh) * 2023-08-11 2024-05-24 山东大学 基于轨迹预测的公路合流区冲突预警方法及***
CN117877272A (zh) * 2024-03-11 2024-04-12 中国市政工程华北设计研究总院有限公司 一种基于无人机检测的交叉口安全评价方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103754224B (zh) * 2014-01-24 2016-02-24 清华大学 一种车辆多目标协调换道辅助自适应巡航控制方法
CN105291965B (zh) * 2015-11-04 2017-12-05 石海水 一种汽车防碰撞方法及装置
CN109375632B (zh) * 2018-12-17 2020-03-20 清华大学 自动驾驶车辆实时轨迹规划方法
CN109709956B (zh) * 2018-12-26 2021-06-08 同济大学 一种自动驾驶车辆速度控制多目标优化的跟驰算法
CN109941211B (zh) * 2019-03-22 2020-09-22 清华大学 一种汽车智能驾驶***结构共用型架构及构建方法
CN109910879B (zh) * 2019-04-03 2020-07-14 大连理工大学 一种结合安全距离与碰撞时间的车辆安全防撞控制方法
CN110020504A (zh) * 2019-04-23 2019-07-16 吉林大学 基于后侵入和碰撞时间的无人车行驶环境复杂度量化方法
CN110136254B (zh) * 2019-06-13 2019-12-13 吉林大学 基于动态概率驾驶地图的驾驶辅助信息显示方法

Also Published As

Publication number Publication date
CN110488802A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110488802B (zh) 一种网联环境下的自动驾驶车辆动态行为决策方法
EP3678911B1 (en) Pedestrian behavior predictions for autonomous vehicles
EP3842303B1 (en) Systems and methods for navigating with safe distances
EP3828049B1 (en) Machine readable storage medium and computing device
JP6800899B2 (ja) 視界に制限のある交差点への接近のためのリスクベースの運転者支援
CN109890677B (zh) 规划自动驾驶车辆的停止位置
JP6308233B2 (ja) 車両制御装置及び車両制御方法
US11256260B2 (en) Generating trajectories for autonomous vehicles
CN114222691A (zh) 基于成本的路径确定
US11814040B2 (en) System and method for avoiding a collision course
JP2023510136A (ja) 知覚、予測又は計画のための地理的位置特定モデル
US11951991B2 (en) Semantic object clustering for autonomous vehicle decision making
JP6468261B2 (ja) 自動運転システム
US20230286536A1 (en) Systems and methods for evaluating domain-specific navigation system capabilities
EP4086875A1 (en) Self-driving method and related device
WO2021054051A1 (ja) 電子制御装置
US11731661B2 (en) Systems and methods for imminent collision avoidance
WO2023194801A1 (en) Steering limiters for vehicle navigation
JP2021160531A (ja) 車両制御装置、車両制御方法、及びプログラム
CN117315970A (zh) 涉及交叉路口处交通拥堵的自主车辆的车道改变
JP2021160494A (ja) 車両制御装置、車両制御方法、及びプログラム
AU2018358932A1 (en) Semantic object clustering for autonomous vehicle decision making
CN114217601B (zh) 自驾车的混合决策方法及其***
EP4372715A1 (en) Vehicle collision threat assessment
WO2022168671A1 (ja) 処理装置、処理方法、処理プログラム、処理システム

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