CN111391831B - 一种基于前车速度预测的汽车跟驰速度控制方法及*** - Google Patents
一种基于前车速度预测的汽车跟驰速度控制方法及*** Download PDFInfo
- Publication number
- CN111391831B CN111391831B CN202010124684.1A CN202010124684A CN111391831B CN 111391831 B CN111391831 B CN 111391831B CN 202010124684 A CN202010124684 A CN 202010124684A CN 111391831 B CN111391831 B CN 111391831B
- Authority
- CN
- China
- Prior art keywords
- data
- speed
- features
- vehicle speed
- front vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
- B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供了一种基于前车速度预测的汽车跟驰速度控制方法及***，该***包括：数据预处理模块、特征选择模块、前车速度预测模块、和后车速度控制模块。该方法包括：步骤S1：预处理前车历史速度数据、交通信号数据和路况数据；步骤S2：根据前车历史速度数据、交通信号数据和路况数据，按照基于预设特征选择规则生成选择方案；步骤S3：根据选择方案，输出选择特征至速度预测模型来进行前车速度预测；步骤S4:输入前车预测速度至后车速度控制模型进行速度控制。本发明相比于现有的汽车跟驰速度控制不仅模型结构简单，而且控制效果很好。同时，通过前车速度的预测，可以对后车在将来时刻进行有效的跟驰驾驶策略调整。
Description
技术领域
本发明涉及智能交通领域，尤其涉及一种基于前车速度预测的汽车跟驰速度控制方法及***。
背景技术
在汽车的跟驰情况中，由于跟驰的车辆需要保持与前车保持较为一致的速度变化与安全跟车距离行驶，理想情况下，后车驾驶员应对前车的将来一段时间内的短期速度能够进行较为准确的预测与估计，并根据前车的速度和自身状态进行自身车速控制。但是，基于当前的车载传感器与全球定位***或地理信息***仅能提供前车当前的速度和当前其它驾驶状态和部分环境信息，未能对前车驾驶速度的变化趋势进行估计。如果不进行对前车将来速度的预测，无法了解前车驾驶速度的变化趋势，后车不能拥有充足的驾驶决策时间，而且会引起控制决策上的误差，严重影响行车安全与驾驶舒适度，而且不合理的驾驶策略带来的行为会造成能量的浪费。
发明内容
本发明针对上述存在的现有问题，提出了一种基于前车速度预测的汽车跟驰速度控制方法及***，通过基于互信息的特征选择方案选择一组高效的特征，输入至前车速度预测模型进行前车速度预测，输入预测结果至跟驰控制***进行速度控制。本发明提供的方法及***提升了跟驰车辆的安全性与驾驶舒适度，降低了能量消耗，相比于之前的汽车跟驰控制不仅预测信息的来源简单，只需要常用的速度及环境信息即可，而且预测效果很好。同时，可以通过基于速度跟随的PID控制，不断调整跟驰车辆的驾驶行为。
本发明的技术方案如下：
一方面，一种基于前车速度预测的汽车跟驰速度控制***，包括：
数据预处理模块，用于预处理前车原始采集数据，并提取特征，所述前车原始采集数据包括前车速度数据、交通信号数据和路况数据；每个特征包含在采样间隔T内均匀采集的N个数据；
原始采集数据中包含的特征：汽车X、Y、Z轴方向的加速度，X、Y、Z方向加速度的卡尔曼滤波值、海拔、经度、纬度、螺距、偏航、滚动、可能追尾的剩余时间、路宽、车身角度、相对于车道曲率的汽车角度、当前检测到的车辆数、距前车的距离、车道检测状态、当前车道数、速度类型、速度、时间；
其中，车道检测状态包括校准、正在初始化、未检测到、检测到或正在运行；速度类型包括大于设定速度、小于或等于设定速度；
特征选择模块，用于根据数据预处理模块预处理后的特征，按照预设特征选择规则向前车速度预测模块输出所选特征；
前车速度预测模块，用于根据所述特征选择模块输出的所选特征和设定间隔时间后的前车速度，训练前车速度预测模型，输出对前车未来时间段速度的预测值；
后车速度跟驰控制模块，用于根据前车未来时间段速度的预测值，以安全距离为控制目标进行后车速度目标的调整控制；
其中，所述预设特征选择规则为从待选特征的集合F中进行贪婪搜索，将搜索到的特征依次加入目标特征的集合A中，以A中的数据所属特征作为所选特征；其中，候选特征的集合F包括前车速度数据、交通信号数据以及路况数据，目标特征的集合A包含的初始元素为前车速度，目标特征选择标准为候选特征的集合F中与目标特征的集合A中各元素的互信息值之和SMI最小的特征。
进一步地，所述从待选特征的集合F中进行贪婪搜索的是指依次计算待选特征的集合F中各候选特征与目标特征的集合A中各特征的SMI，并选出最大SMI与当前最大SMI*进行比较，若所选最大SMI大于当前最大SMI*，则将所选最大SMI对应的特征fk，添加至A，同时将fk从F中剔除，且将当前最大SMI*的值更新为所选最大SMI；再次循环操作，直到F中每个特征与A中的各特征均计算过互信息值；其中，当前最大SMI*的初始值为0。
进一步地，用于训练前车速度预测模型的所选特征先经过编码器进行编码后，再经过解码器进行解码处理后，作为前车速度预测模型训练时的输入数据。
所选特征即为目标特征，对目标特征做进一步的编码和解码处理，编码器将目标特征的输入张量压缩为固定维的向量，然后解码器读取此向量并将其转换为相应的张量。这种方式，不仅保留了张量中的有用信息，而且改变了张量的尺寸。
由于目标特征数据是来自车辆全球定位***(GPS)，外设传感器和地理信息***(GIS)采集的数据。但是，由于各种传感器的采样频率不同，造成各特征的维度不一致，不适宜直接输入神经网络进行训练。当前的处理方法多采用选择相同的采样频率、剪切或填充不同采样频率的数据。切割导致有效数据的减少以及数据中重要信息的丢失。填充人为地添加信息，可能会引入噪声和错误的数据。因此，剪切和填充都有可能影响原始数据的完整性或准确性，因此采用本申请所提出的序列到序列框架来解决此问题，此处的序列到序列的框架就是指的编码器和解码器之间的结构框架。
进一步地，所述编码器包括通过线性堆叠的卷积神经网络和LSTM神经网络，其中，卷积神经网络由一个卷积层和一个池化层组成，LSTM神经网络由一个LSTM层和一个Dropout层组成；
所述卷积神经网络中卷积层为1维卷积层，卷积核数目设置为32，卷积核大小/卷积窗口长度设置为7，填充参数设置为same，输入张量的形状设置为(n,1)，n为选择特征的数量；激活函数设置为relu，relu函数的表达式：y＝max(0,x)；池化层为1维最大池化层，池化窗口大小设置为5；
所述LSTM神经网络中LSTM层的输出维度设置为32，Dropout层的Dropout率设置为0.2，优化器设置为rmsprop。
进一步地，所述解码器由LSTM层与两层全连接层组成，其中，所述LSTM层的输出维度设置为32；第一层全连接层的输出维度设置为32，且激活函数设置为relu，第二层全连接层的输出维度1，不使用激活函数。
进一步地，所述前车速度预测模型是对深度神经网络进行训练获得，所述深度神经网络包括三层线性堆叠的全连接层，其中，优化器设置为rmsprop，损失函数设置为mse；
其中，sreal、sprediction分别为速度的真实值与预测值，m为预测时间点的个数。
进一步地，所述后车速度控制模块包括传递函数和PID控制器；
其中，所述传递函数为表征跟随速度的一阶传递函数。
进一步地，所述数据预处理模块包括：
数据清洗子模块，用于对输入数据的异常值与缺失值进行去除与替换；
数据规范化子模块，用于对数据清洗子模块清洗的数据进行归一化和标准化的变换；
数据准备子模块，用于对数据规范化子模块输出的数据划分为训练集，验证集和测试集。
数据清洗子模块，用于对原始采集数据对应的特征进行筛选，取出不相关、重复或数据量非常少的特征，获得可用特征；
数据规范化子模块，对缺失量低于1/3以下的特征，采用插值法进行插值，补充特征数据；其中标准化处理为采用z-score标准化处理方式；
另一方面，一种基于前车速度预测的汽车跟驰速度控制方法，包括：
步骤S1：预处理前车原始采集数据，并提取特征数据；所述前车原始采集数据包括前车速度数据、交通信号数据和路况数据；每个特征包含在采样间隔T内均匀采集的N个数据；
步骤S2：按照基于预设特征选择规则，进行特征选取，得到所选特征；
步骤S3：利用所选特征和设定间隔时间后的前车速度，训练前车速度预测模型，并利用前车速度预测模型输出对前车未来时间段速度的预测值；
步骤S4：输入前车预测速度，以安全距离为控制目标对进行后车速度控制；
其中，所述预设特征选择规则为从待选特征的集合F中进行贪婪搜索，将搜索到的特征依次加入目标特征的集合A中，以A中的数据所属特征作为选择特征；其中，候选特征的集合F包括前车速度数据、交通信号数据以及路况数据，目标特征的集合A包含的初始元素为前车速度，目标特征选择标准为候选特征的集合F中与目标特征的集合A中各元素的互信息值之和最小的特征。
进一步地，所述前车速度预测模型是对深度神经网络进行训练获得，所述深度神经网络包括三层线性堆叠的全连接层，其中，优化器设置为rmsprop，损失函数设置为mse；
其中，sreal、sprediction分别为速度的真实值与预测值，m为预测时间点的个数；
所述后车速度控制基于PID对表征跟随速度的一阶传递函数进行控制。
有益效果
本发明提供的一种基于前车速度预测的汽车跟驰速度控制***及方法，通过基于互信息的特征选择方案选择一组高效的特征，输入至前车速度预测模型进行前车速度预测，输入预测结果至跟驰速度控制***进行速度控制。本发明相比于之前的汽车跟驰控制不仅预测信息的来源简单，而且预测效果很好。同时，通过基于速度跟随的PID控制，可以不断调整跟驰车辆的驾驶行为，减小控制决策上的误差。
附图说明
图1是本发明实施例一提供的一种基于前车速度预测的汽车跟驰速度控制***的结构示意图；
图2是本发明实施例一提供的一种基于前车速度预测的汽车跟驰速度控制***的数据预处理模块示意图；
图3是本发明实施例一提供的一种基于前车速度预测的汽车跟驰速度控制***的特征选择模块示意图；
图4是本发明实施例一提供的一种基于前车速度预测的汽车跟驰速度控制***的后车速度控制模块示意图；
图5是本发明实施例一提供的一种基于前车速度预测的汽车跟驰速度控制***的前车速度预测模块示意图；
图6是本发明实施例二提供的一种基于前车速度预测的汽车跟驰速度控制方法的流程示意图。
具体实施方式
为了方便更好地理解本发明的内容，下面结合具体实施例进行进一步阐述。
实施例一
图1是本发明实施例一提供的一种基于前车速度预测的汽车跟驰速度控制***的结构示意图，包括：
数据预处理模块100，用于预处理前车原始采集数据，并提取特征，所述前车原始采集数据包括前车速度数据、交通信号数据和路况数据；每个特征包含在采样间隔T内均匀采集的N个数据；
原始采集数据中包含的特征：汽车X、Y、Z轴方向的加速度，X、Y、Z方向加速度的卡尔曼滤波值、海拔、经度、纬度、螺距、偏航、滚动、可能追尾的剩余时间、路宽、车身角度、相对于车道曲率的汽车角度、当前检测到的车辆数、距前车的距离、车道检测状态、当前车道数、速度类型、速度、时间；
其中，车道检测状态包括校准、正在初始化、未检测到、检测到或正在运行；速度类型包括大于设定速度、小于或等于设定速度；
特征选择模块200，用于根据数据预处理模块预处理后的特征，按照预设特征选择规则向前车速度预测模块输出所选特征；
前车速度预测模块300，用于根据所述特征选择模块输出的所选特征和设定间隔时间后的前车速度，训练前车速度预测模型，输出对前车未来时间段速度的预测值；
后车速度跟驰控制模块400，用于根据前车未来时间段速度的预测值，以安全距离为控制目标进行后车速度目标的调整控制；
其中，所述预设特征选择规则为从待选特征的集合F中进行贪婪搜索，将搜索到的特征依次加入目标特征的集合A中，以A中的数据所属特征作为所选特征；其中，候选特征的集合F包括前车速度数据、交通信号数据以及路况数据，目标特征的集合A包含的初始元素为前车速度，目标特征选择标准为候选特征的集合F中与目标特征的集合A中各元素的互信息值之和最小的特征。
在本实例中，速度预测的有效范围为50s内的将来速度，至少需要10分钟的历史数据(采样频率至多为10hz)，数据样本中的速度范围为60-120km/h，即利用采样间隔为10分钟的数据，对10分钟后，50s内的速度进行预测。
具体而言，数据预处理模块包括数据清洗子模块，数据规范化子模块和数据准备子模块，如图2所示，在实施例一中数据清洗子模块，用于对输入数据的异常值与缺失值进行去除与替换，对于异常值，数据量较多或该特征对目标特征的影响较小采取整列特征去除的方式，否则采用以均值替换的方式，对于缺失值，个别缺失值采用均值和上下四分位数替换填充，非个别缺失值使用多项式插值进行填充；数据规范化子模块，用于对数据清洗子模块清洗的数据进行归一化和标准化的变换，数据进行清洗处理后，进行z-score规范化处理；数据准备子模块，用于对数据规范化子模块输出的数据划分为训练集，验证集和测试集。按照时间先后的顺序将数据集划分为训练集，验证集和测试集，其中，训练集用于模型训练，验证集用于模型参数调整，测试集用于测试模型效果。
数据预处理后，将数据进行特征选择，如图3所示，从待选特征的集合F中进行贪婪搜索的是指依次计算待选特征的集合F中各候选特征与目标特征的集合A中各特征的SMI，并选出最大SMI与当前最大SMI*进行比较，若所选最大SMI大于当前最大SMI*，则将所选最大SMI对应的特征fk，添加至A，同时将fk从F中剔除，且将当前最大SMI*的值更新为所选最大SMI；再次循环操作，直到F中每个特征与A中的各特征均计算过互信息值；其中，当前最大SMI*的初始值为0
其中，互信息的计算方式为：
其中，f，a分别为待选特征集合F中的某一特征和目标特征集合A中的某一特征，I(f,a)为f与a之间的互信息值。fi，aj分别为f与a的在采样时间间隔T中的第i个采样值和第j个采样值，m，n分别为f与a采样值的个数。
首先，将所有特征(含速度特征)进行在0-1归一化并计算，每个特征归一化后的中位数。将归一化值大于等于中位数的设为1，其它设为0。从而改变特征数据的分布形式为二项分布。
设预处理后样本总数为r,hk代表其中a＝k的样本的个数。
计算联合分布概率值：
计算概率值：
代入互信息值表达式即可计算出互信息值。
前车速度预测模块的网络结构如图4所示，模型前端采用序列到序列的神经网络框架，该框架由编码器与解码器组成。编码器将输入序列压缩为一个固定长度的向量，再由解码器从整个向量中解码出目标序列。使用卷积神经网络-长短期记忆神经网络混合网络并将其作为编码器，其中卷积神经网络用于输入向量的预处理，通过卷积及下采样原理从中提取重要信息用于长短期记忆神经网络层的输入，长短期记忆神经网络层在每个时间步对来自卷积神经网络的张量进行处理。
用于训练前车速度预测模型的所选特征先经过编码器进行编码后，再经过解码器进行解码处理后，作为前车速度预测模型训练时的输入数据。
所述编码器包括通过线性堆叠的卷积神经网络和LSTM神经网络，其中，卷积神经网络由一个卷积层和一个池化层组成，LSTM神经网络由一个LSTM层和一个Dropout层组成；
所述卷积神经网络中卷积层为1维卷积层，卷积核数目设置为32，卷积核大小/卷积窗口长度设置为7，填充参数设置为same，输入张量的形状设置为(n,1)，n为选择特征的数量；激活函数设置为relu，relu函数的表达式：y＝max(0,x)；池化层为1维最大池化层，池化窗口大小设置为5；
所述LSTM神经网络中LSTM层的输出维度设置为32，Dropout层的Dropout率设置为0.2，优化器设置为rmsprop。
所述解码器由LSTM层与两层全连接层组成，其中，所述LSTM层的输出维度设置为32；第一层全连接层的输出维度设置为32，且激活函数设置为relu，第二层全连接层的输出维度1，不使用激活函数。
所述前车速度预测模型是对深度神经网络进行训练获得，所述深度神经网络包括三层线性堆叠的全连接层，其中，优化器设置为rmsprop，损失函数设置为mse；
其中，sreal、sprediction分别为速度的真实值与预测值，m为预测时间点的个数。
后车跟驰速度控制模型框架如图5所示，该控制网络的输入为前车预测速度值，将后车模型简化为一阶惯性传递函数，通过单位速度反馈双闭环结构进行控制。控制器采用PID控制器进行速度跟随控制，实现速度的无差跟踪。在MATLAB仿真环境中进行参数识别与调节，基于先验知识，将阶跃响应曲线调至最优。根据设定的安全距离偏差的调整比例部分系数。先随机初始化较大的积分时间常数，然后逐渐减小该常数，直至***出现振荡，反向加大Ti，直至***振荡消失，采用此时的积分时间常数，设定PID的积分时间常数为当前值的150％至180％。微分与确定积分时间常数的方法相同，取不振荡时的30％。
综上所述，本发明提供的一种基于前车速度预测的汽车跟驰速度控制***，通过基于互信息的特征选择方案选择一组高效的特征，输入至前车速度预测模型进行前车速度预测，输入预测结果至跟驰速度控制***进行速度控制。本发明相比于之前的汽车跟驰控制不仅预测信息的来源简单，而且预测效果很好。同时，通过基于速度跟随的PID控制，可以不断调整跟驰车辆的驾驶行为，减小控制决策上的误差。
实施例二
图6是前车速度预测的汽车跟驰速度控制方法的流程示意图，
步骤S1：预处理前车原始采集数据，并提取特征数据；所述前车原始采集数据包括前车速度数据、交通信号数据和路况数据；每个特征包含在采样间隔T内均匀采集的N个数据；
步骤S2：按照基于预设特征选择规则，进行特征选取，得到所选特征；
步骤S3：利用所选特征和设定间隔时间后的前车速度，训练前车速度预测模型，并利用前车速度预测模型输出对前车未来时间段速度的预测值；
步骤S4：输入前车预测速度，以安全距离为控制目标对进行后车速度控制；
其中，所述预设特征选择规则为从待选特征的集合F中进行贪婪搜索，将搜索到的特征依次加入目标特征的集合A中，以A中的数据所属特征作为选择特征；其中，候选特征的集合F包括前车速度数据、交通信号数据以及路况数据，目标特征的集合A包含的初始元素为前车速度，目标特征选择标准为候选特征的集合F中与目标特征的集合A中各元素的互信息值之和最小的特征。
所述前车速度预测模型是对深度神经网络进行训练获得，所述深度神经网络包括三层线性堆叠的全连接层，其中，优化器设置为rmsprop，损失函数设置为mse；
其中，sreal、sprediction分别为速度的真实值与预测值，m为预测时间点的个数；
所述后车速度控制基于PID对表征跟随速度的一阶传递函数进行控制。
关于上述方法实施例中各个步骤的具体实施细节和描述可参照上述装置实施例中各个模块的具体工作原理的相应部分的描述，此处不再赘述。
综上所述，本发明提供的一种基于前车速度预测的汽车跟驰速度控制方法，通过基于互信息的特征选择方案选择一组高效的特征，输入至前车速度预测模型进行前车速度预测，输入预测结果至跟驰速度控制***进行速度控制。本发明相比于之前的汽车跟驰控制不仅预测信息的来源简单，而且预测效果很好。同时，通过基于速度跟随的PID控制，可以不断调整跟驰车辆的驾驶行为，减小控制决策上的误差。
以上所述仅为本发明的实施例而已，并不用以限制本发明，凡在本发明精神和原则之内，所作任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于前车速度预测的汽车跟驰速度控制***，其特征在于，包括：
数据预处理模块，用于预处理前车原始采集数据，并提取特征，所述前车原始采集数据包括前车速度数据、交通信号数据和路况数据；每个特征包含在采样间隔T内均匀采集的N个数据；
特征选择模块，用于根据数据预处理模块预处理后的特征，按照预设特征选择规则向前车速度预测模块输出所选特征；
前车速度预测模块，用于根据所述特征选择模块输出的所选特征和设定间隔时间后的前车速度，训练前车速度预测模型，输出对前车未来时间段速度的预测值；
后车速度跟驰控制模块，用于根据前车未来时间段速度的预测值，以安全距离为控制目标进行后车速度目标的调整控制；
其中，所述预设特征选择规则为从待选特征的集合F中进行贪婪搜索，将搜索到的特征依次加入目标特征的集合A中，以A中的数据所属特征作为所选特征；其中，候选特征的集合F包括前车速度数据、交通信号数据以及路况数据，目标特征的集合A包含的初始元素为前车速度，目标特征选择标准为候选特征的集合F中与目标特征的集合A中各元素的互信息值之和SMI最小的特征。
2.根据权利要求1所述的***，其特征在于，所述从待选特征的集合F中进行贪婪搜索的是指依次计算待选特征的集合F中各候选特征与目标特征的集合A中各特征的SMI，并选出最大SMI与当前最大SMI*进行比较，若所选最大SMI大于当前最大SMI*，则将所选最大SMI对应的特征fk，添加至A，同时将fk从F中剔除，且将当前最大SMI*的值更新为所选最大SMI；再次循环操作，直到F中每个特征与A中的各特征均计算过互信息值；其中，当前最大SMI*的初始值为0。
3.根据权利要求1所述的***，其特征在于，用于训练前车速度预测模型的所选特征先经过编码器进行编码后，再经过解码器进行解码处理后，作为前车速度预测模型训练时的输入数据。
4.根据权利要求3所述的***，其特征在于，所述编码器包括通过线性堆叠的卷积神经网络和LSTM神经网络，其中，卷积神经网络由一个卷积层和一个池化层组成，LSTM神经网络由一个LSTM层和一个Dropout层组成；
所述卷积神经网络中卷积层为1维卷积层，卷积核数目设置为32，卷积核大小/卷积窗口长度设置为7，填充参数设置为same，输入张量的形状设置为(n,1)，n为选择特征的数量；激活函数设置为relu，relu函数的表达式：y＝max(0,x)；池化层为1维最大池化层，池化窗口大小设置为5；
所述LSTM神经网络中LSTM层的输出维度设置为32，Dropout层的Dropout率设置为0.2，优化器设置为rmsprop。
5.根据权利要求4所述的***，其特征在于，所述解码器由LSTM层与两层全连接层组成，其中，所述LSTM层的输出维度设置为32；第一层全连接层的输出维度设置为32，且激活函数设置为relu，第二层全连接层的输出维度1，不使用激活函数。
6.根据权利要求1-5任一项所述的***，其特征在于，所述前车速度预测模型是对深度神经网络进行训练获得，所述深度神经网络包括三层线性堆叠的全连接层，其中，优化器设置为rmsprop，损失函数设置为mse；
其中，sreal、sprediction分别为速度的真实值与预测值，m为预测时间点的个数。
7.根据权利要求1所述的***，其特征在于，所述后车速度跟驰控制模块包括传递函数和PID控制器；
其中，所述传递函数为表征跟随速度的一阶传递函数。
8.根据权利要求1所述的***，其特征在于，所述数据预处理模块包括：
数据清洗子模块，用于对输入数据的异常值与缺失值进行去除与替换；
数据规范化子模块，用于对数据清洗子模块清洗后的数据进行标准化的变换；
数据准备子模块，用于对数据规范化子模块输出的数据划分为训练集，验证集和测试集。
9.一种基于前车速度预测的汽车跟驰速度控制方法，其特征在于，包括：
步骤S1：预处理前车原始采集数据，并提取特征数据；所述前车原始采集数据包括前车速度数据、交通信号数据和路况数据；每个特征包含在采样间隔T内均匀采集的N个数据；
步骤S2：按照基于预设特征选择规则，进行特征选取，得到所选特征；
步骤S3：利用所选特征和设定间隔时间后的前车速度，训练前车速度预测模型，并利用前车速度预测模型输出对前车未来时间段速度的预测值；
步骤S4：输入前车预测速度，以安全距离为控制目标对进行后车速度控制；
其中，所述预设特征选择规则为从待选特征的集合F中进行贪婪搜索，将搜索到的特征依次加入目标特征的集合A中，以A中的数据所属特征作为选择特征；其中，候选特征的集合F包括前车速度数据、交通信号数据以及路况数据，目标特征的集合A包含的初始元素为前车速度，目标特征选择标准为候选特征的集合F中与目标特征的集合A中各元素的互信息值之和最小的特征。
10.根据权利要求9所述的方法，其特征在于，所述前车速度预测模型是对深度神经网络进行训练获得，所述深度神经网络包括三层线性堆叠的全连接层，其中，优化器设置为rmsprop，损失函数设置为mse；
其中，sreal、sprediction分别为速度的真实值与预测值，m为预测时间点的个数；
所述后车速度控制基于PID对表征跟随速度的一阶传递函数进行控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010124684.1A CN111391831B (zh) | 2020-02-27 | 2020-02-27 | 一种基于前车速度预测的汽车跟驰速度控制方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010124684.1A CN111391831B (zh) | 2020-02-27 | 2020-02-27 | 一种基于前车速度预测的汽车跟驰速度控制方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111391831A CN111391831A (zh) | 2020-07-10 |
| CN111391831B true CN111391831B (zh) | 2021-03-16 |
Family
ID=71419733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010124684.1A Active CN111391831B (zh) | 2020-02-27 | 2020-02-27 | 一种基于前车速度预测的汽车跟驰速度控制方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111391831B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112466119B (zh) * | 2020-11-26 | 2021-11-16 | 清华大学 | 一种利用车路协同数据的汽车跟车车速预测方法及*** |
| CN112550290B (zh) * | 2020-12-17 | 2022-07-22 | 江苏大学 | 一种考虑电机能耗的能量最优自适应巡航控制方法及*** |
| CN113674525B (zh) * | 2021-07-30 | 2022-08-16 | 长安大学 | 基于稀疏数据的信号交叉口车辆排队长度预测方法 |
| CN113723529B (zh) * | 2021-09-01 | 2022-11-01 | 清华大学 | 一种基于速度预测算法的交通信息可信辨识方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104271420A (zh) * | 2012-03-15 | 2015-01-07 | 谷歌公司 | 基于其他车辆的预测行为修改自主车辆的行为 |
| US9002612B2 (en) * | 2012-03-20 | 2015-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Prediction of driver-specific cruise speed using dynamic modeling |
| CN108284836A (zh) * | 2018-01-25 | 2018-07-17 | 吉林大学 | 一种车辆纵向跟随控制方法 |
| JP2018177148A (ja) * | 2017-04-20 | 2018-11-15 | マツダ株式会社 | 車両の運転支援装置 |
-
2020
- 2020-02-27 CN CN202010124684.1A patent/CN111391831B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104271420A (zh) * | 2012-03-15 | 2015-01-07 | 谷歌公司 | 基于其他车辆的预测行为修改自主车辆的行为 |
| US9002612B2 (en) * | 2012-03-20 | 2015-04-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Prediction of driver-specific cruise speed using dynamic modeling |
| JP2018177148A (ja) * | 2017-04-20 | 2018-11-15 | マツダ株式会社 | 車両の運転支援装置 |
| CN108284836A (zh) * | 2018-01-25 | 2018-07-17 | 吉林大学 | 一种车辆纵向跟随控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于贝叶斯网络的联网环境中跟车公况下的前车运动状态预测;张金辉等;《汽车工程》;20190325;第245-251页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111391831A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111391831B (zh) | 一种基于前车速度预测的汽车跟驰速度控制方法及*** | |
| CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
| US11189171B2 (en) | Traffic prediction with reparameterized pushforward policy for autonomous vehicles | |
| CN111523643A (zh) | 轨迹预测方法、装置、设备及存储介质 | |
| CN105892471A (zh) | 汽车自动驾驶方法和装置 | |
| CN111738037B (zh) | 一种自动驾驶方法及其***、车辆 | |
| CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及*** | |
| CN111460919A (zh) | 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法 | |
| CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
| CN112578419B (zh) | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 | |
| CN115285143A (zh) | 一种基于场景分类的自动驾驶车辆导航方法 | |
| CN113568416B (zh) | 无人车轨迹规划方法、装置和计算机可读存储介质 | |
| CN114881339A (zh) | 车辆轨迹预测方法、***、计算机设备及存储介质 | |
| EP3640857B1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation | |
| CN114179830A (zh) | 一种自动驾驶车辆的自主超车方法和*** | |
| CN112435466B (zh) | 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及*** | |
| CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| CN113657161A (zh) | 一种非标小障碍物检测方法、装置与自动驾驶*** | |
| CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
| CN114620059A (zh) | 一种自动驾驶方法及其***、计算机可读存储介质 | |
| CN114779764B (zh) | 基于行车风险分析的车辆强化学习运动规划方法 | |
| CN111160089A (zh) | 一种基于不同车辆类型的轨迹预测***及方法 | |
| CN114926823A (zh) | 基于wgcn的车辆驾驶行为预测方法 | |
| EP3654246A1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and replay buffer | |
| CN113420706A (zh) | 一种基于多层特征融合的车辆检测方法 |
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 |