CN111583636B - 一种基于车路协同的混合交通横纵耦合控制方法 - Google Patents

一种基于车路协同的混合交通横纵耦合控制方法 Download PDF

Info

Publication number
CN111583636B
CN111583636B CN202010358375.0A CN202010358375A CN111583636B CN 111583636 B CN111583636 B CN 111583636B CN 202010358375 A CN202010358375 A CN 202010358375A CN 111583636 B CN111583636 B CN 111583636B
Authority
CN
China
Prior art keywords
vehicle
cav
acquiring
historical
historical track
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
CN202010358375.0A
Other languages
English (en)
Other versions
CN111583636A (zh
Inventor
孙棣华
赵杭
赵敏
和畅畅
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202010358375.0A priority Critical patent/CN111583636B/zh
Publication of CN111583636A publication Critical patent/CN111583636A/zh
Application granted granted Critical
Publication of CN111583636B publication Critical patent/CN111583636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车路协同的混合交通横纵耦合控制方法，S1：获取第二车辆的初始时刻历史轨迹点；S2：实时采集第二车辆的行驶状态并传送给第一车辆；S3：判断第一车辆的当前行驶状态是否到达第二车辆的首个历史轨迹点的一定容错误差范围内，若是，则进行S4，若否，则进行S5；S4：更新第二车辆的历史运动状态矩阵并传递给第一车辆，进入S5；S5：计算第一车辆的期望加速度和期望角速度；S6：第一车辆以期望加速度和期望角速度行驶，并返回S2。本发明保证了网联智能汽车与前方人工驾驶车辆的跟车距离一致性和速度一致性，同时实现了不同智能化等级车辆间的协同运动控制。

Description

一种基于车路协同的混合交通横纵耦合控制方法
技术领域
本发明涉及网联智能汽车的控制领域，具体的，涉及一种基于车路协同的混合交通横纵耦合控制方法。
背景技术
随着通信、传感、机械制造、自动化等技术的快速发展，应用在实车上的新兴自动驾驶技术得以不断提高，交通***也在朝向智能化不断的升级。因此，在新旧驾驶模式交替之际，不可避免地会出现自动驾驶车辆与传统人驾车混行于同一交通道路的情况。为保障在该情况下的交通安全和交通效率，需借助路侧设备的感知、通信能力，将自动驾驶车辆与传统人驾车构建成简单的协同控制***，并在横纵向上，控制自动驾驶车辆，以保证不同智能化水平车辆在快速路弯道行驶过程中的间距一致性和速度一致性。
通过查阅相关专利和论文发现，横纵耦合的控制器输出的加速度、角速度与车辆油门、刹车***和转向***存在强关联性，相较于横纵分离控制器，这种控制技术与车辆机械层面的关联性可以极大提高车辆在弯道工况下的一致性。专利110654386A以全智能车为研究对象，完全依赖实时感知前车运动状态和自车状态为控制输入，从横纵耦合的角度，实现了智能车的弯道控制，然而该方法并不针对混合交通车队转弯问题。专利1106562253A基于车载传感器，实时感知前车运动状态，设计了自适应巡航弯道跟随控制方法。但是该方法需要以转弯过程中极高的车载感知设备监测精度为条件，同时必须保证转弯过程中，目标车辆与前方车辆没有山体，树木等阻碍物，因此该方法的实际应用难度较大。
发明内容
有鉴于此，本发明的目的是提供一种基于车路协同的混合交通横纵耦合控制方法。
本发明的目的是通过以下技术方案实现的：
一种基于车路协同的混合交通横纵耦合控制方法，
S1：获取第二车辆的初始时刻历史轨迹点，存储在第二车辆历史运动状态矩阵
Figure BDA0002474249480000011
中；
S2：实时采集第二车辆的行驶状态并传送给第一车辆；
S3：判断第一车辆的当前行驶状态是否到达
Figure BDA0002474249480000012
的一定容错误差Fd范围内，其中
Figure BDA0002474249480000013
为第二车辆的首个历史轨迹点，若是，则进行S4，若否，则进行S5；
S4：更新第二车辆的历史运动状态矩阵
Figure BDA0002474249480000021
并传递给第一车辆，进入S5；
S5：分析第二车辆的历史轨迹点的状态
Figure BDA0002474249480000022
和当前行驶状态SHV与第一车辆的行驶状态SCAV之间的误差信号，计算第一车辆的期望加速度和期望角速度；
S6：第一车辆以期望加速度和期望角速度行驶，并返回S2。
进一步，所述S1具体为：
S11：通过路侧设备采集所述第一车辆的前方道路的曲率信息，并获取所述第一车辆和第二车辆在以所述路侧设备为原点的笛卡尔坐标系下的位置信息和偏航角信息；
S12：以初始时刻的所述第一车辆和第二车辆所在的位置为端点，沿着其所在车道，在所述第一车辆与第二车辆之间等间距地选择k个节点作为初始时刻所述第二车辆的历史轨迹点
Figure BDA0002474249480000023
所有历史轨迹点的信息存储在所述第二车辆的历史状态矩阵
Figure BDA0002474249480000024
中。
进一步，所述S3具体为：
S31：获取当前所述第一车辆的行驶状态与
Figure BDA0002474249480000025
之间的距离
Figure BDA0002474249480000026
S32：比较
Figure BDA0002474249480000027
与Fd，若
Figure BDA0002474249480000028
则表示所述第一车辆的当前行驶状态未到达
Figure BDA0002474249480000029
的一定容错误差Fd范围内，反之，则到达
Figure BDA00024742494800000210
的一定容错误差Fd范围内，其中Fd为常数。
进一步，所述S4采用的方法为反向传递更新。
进一步，所述S5具体为：
S51：建立所述第一车辆的二自由度模型，具体为：
Figure BDA00024742494800000211
其中：
Figure BDA00024742494800000212
分别为笛卡尔坐标系下第一辆车横、纵向位置，速度，角度关于时间的微分量，vCAV、aCAV、ωCAV分别为所述第一车辆的速度、加速度、角速度；
S52：获取所述第一车辆与第二车辆的安全间隔距离，具体为：
Figure BDA00024742494800000213
其中：ΨCAV,HV为安全间隔距离，b、h分别为最短刹车距离和车头时距；
S53：以所述安全间隔距离为所述第一车辆与第二车辆之间的期望距离，获取所述第一车辆与第二车辆的位置误差，具体的：
Figure BDA0002474249480000031
其中ex,CAV,HV(t)为笛卡尔坐标系下x方向的位置误差；
ey,CAV,HV(t)为笛卡尔坐标系下y方向的位置误差；
S54：获取所述第一车辆与第二车辆之间的速度误差，具体的：
Figure BDA0002474249480000032
其中：
Figure BDA0002474249480000033
为
Figure BDA0002474249480000034
的角度补偿，ρ为一个常系数；
S55：根据所述第一车辆的二自由度模型和τ的一阶项，获取所述第一车辆的期望加速度和期望角速度，具体为：
Figure BDA0002474249480000035
其中：aCAV(t)为所述第一车辆的期望加速度；
ωCAV(t)为所述第一车辆的期望角速度；
τ为所述第二车辆的行驶状态并传送给所述第一车辆的时间延迟。
进一步，获取所述τ的一阶项的方法具体为：
将所述位置误差和速度误差对时间求导；
再经后向差分法解耦t和τ的关系；
最后用泰勒展开并保留τ的一阶项。
本发明的有益效果是：
本发明的一个有益效果在于引入历史轨迹点作为控制输入，设计了横纵耦合控制方法，保证了网联智能汽车与前方人工驾驶车辆的跟车距离一致性和速度一致性；本发明的另一个有益效果在于完成了混合交通下，通过应用车路协同技术，实现了不同智能化等级车辆间的协同运动控制，可以在未来汽车从传统人驾时代过渡到完全智能化时代过程中得以应用。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
附图1为本发明流程图；
附图2为基于车路协同的混合交通横纵耦合控制方法的流程图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
本实施例提出了一种基于车路协同的混合交通横纵耦合控制方法，通过应用车路协同技术，以期望的跟车距离和跟车速度为目标，并考虑前车历史运动状态信息和弯道曲率，来设计网联智能汽车(CAV)的横纵向耦合控制器，完成跟踪混合交通中前方人工驾驶车辆(HV)的任务。本实施例中网联智能汽车为第一车辆，人工驾驶车辆为第二车辆，HV在CAV的前方，两者在同一车道内行驶。
如图1所示，本实施例具体为：
S1：如图2所示，通过路侧设备(RSU)的传感器感知单元获取CAV至HV之间道路的曲率信息，并感知CAV、HV在以RSU为原点的笛卡尔坐标系下的位置信息和偏航角信息。
以初始时刻CAV和HV所在的位置为端点，沿着两者所在车道，等间距地选择k个节点作为初始时刻HV的历史轨迹点
Figure BDA0002474249480000041
所有历史轨迹点的信息存储在HV历史状态矩阵
Figure BDA0002474249480000042
中。
将HV行驶状态表示为SHV＝[xHV yHV θHV rHV]1×4，CAV的行驶状态表示为SCAV＝[xCAVyCAV θCAV rCAV]1×4，其中xHV、yHV分别笛卡尔坐标系下HV的x轴坐标信息和y轴坐标信息，θHV为HV的航向与x轴坐标的夹角，rHV为人工驾驶车辆当前位置的道路曲率；xCAV yCAV θCAV rCAV分别为笛卡尔坐标系下CAV的x轴坐标信息和y轴坐标信息，θCAV为CAV的航向与x轴坐标的夹角，rCAV为CAV当前位置的道路曲率。
S2：通过RSU，实时采集并传送HV的行驶状态SHV给CAV，传送方式为V2I通信，由于V2I通信存在时延，因此定义该时延的时间长度为τ；
S3：获取当前的CAV的行驶状态与历史轨迹点
Figure BDA0002474249480000051
之间的距离
Figure BDA0002474249480000052
获取方式为：
Figure BDA0002474249480000053
比较
Figure BDA0002474249480000054
与Fd的大小，若
Figure BDA0002474249480000055
则表示CAV未到达
Figure BDA0002474249480000056
的一定容错误差Fd范围内，进行S5，反之，则表示CAV到达
Figure BDA0002474249480000057
的一定容错误差Fd范围内，进入S4，其中容错误差Fd为常数。
S4：通过RUS更新HV的历史状态矩阵
Figure BDA0002474249480000058
并将更新后的历史状态矩阵利用V2I通信技术传送给CAV，更新方式为反向传递更新，具体为将
Figure BDA0002474249480000059
的值赋予
Figure BDA00024742494800000510
将
Figure BDA00024742494800000511
的值赋予
Figure BDA00024742494800000512
将
Figure BDA00024742494800000513
的值赋予
Figure BDA00024742494800000514
以此类推到将
Figure BDA00024742494800000515
的值赋予
Figure BDA00024742494800000516
最后将当前时刻HV的行驶状态SHV的值赋予
Figure BDA00024742494800000517
进入S5；
S5：分析的历史轨迹点的状态
Figure BDA00024742494800000518
和当前行驶状态SHV与第一车辆的行驶状态SCAV之间的误差信号，计算CAV的期望加速度和期望角速度，具体为：
建立CAV的二自由度模型，具体为：
Figure BDA00024742494800000519
其中：
Figure BDA00024742494800000520
分别为笛卡尔坐标系下第一辆车横、纵向位置，速度，角度关于时间的微分量，vCAV、aCAV、ωCAV分别为CAV的速度、加速度、角速度；
获取CAV和HV的安全间隔距离，具体为：
Figure BDA00024742494800000521
其中：ΨCAV,HV为安全间隔距离，b、h分别为最短刹车距离和车头时距；
以安全间隔距离为CAV和HV之间的期望距离，获取CAV和HV的位置误差，具体的：
Figure BDA00024742494800000522
其中ex,CAV,HV(t)为CAV在笛卡尔坐标系下x方向的位置误差；
ey,CAV,HV(t)为CAV在笛卡尔坐标系下y方向的位置误差；
获取CAV和HV的速度误差，具体的：
Figure BDA0002474249480000061
其中：
Figure BDA0002474249480000062
为
Figure BDA0002474249480000063
的角度补偿，ρ为一个常系数；
将上述的位置误差和速度误差对时间求导；再经后向差分法解耦t和τ的关系；最后用泰勒展开并保留τ的一阶项，根据τ的一阶项，获取CAV的期望加速度和期望角速度，具体为：
Figure BDA0002474249480000064
其中：aCAV(t)为CAV的期望加速度；
ωCAV(t)为CAV的期望角速度。
S6：CAV以期望加速度aCAV(t)和期望角速度ωCAV(t)行驶，并返回S2，其中S1所述的历史状态矩阵随之更新。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于车路协同的混合交通横纵耦合控制方法，其特征在于：
S1：定义网联智能汽车为第一车辆，人工驾驶车辆为第二车辆；获取第二车辆的初始时刻历史轨迹点，存储在第二车辆历史运动状态矩阵
Figure FDA0003406224830000011
中；
S2：实时采集第二车辆的行驶状态并传送给第一车辆；
S3：判断第一车辆的当前行驶状态是否到达
Figure FDA0003406224830000012
的一定容错误差Fd范围内，其中
Figure FDA0003406224830000013
为第二车辆的首个历史轨迹点，若是，则进行S4，若否，则进行S5；
S4：更新第二车辆的历史运动状态矩阵
Figure FDA0003406224830000014
并传递给第一车辆，进入S5；
S5：分析第二车辆的历史轨迹点的状态
Figure FDA0003406224830000015
和当前行驶状态SHV与第一车辆的行驶状态SCAV之间的误差信号，计算第一车辆的期望加速度和期望角速度；
S6：第一车辆以期望加速度和期望角速度行驶，并返回S2；
所述S1具体为：
S11：通过路侧设备采集所述第一车辆的前方道路的曲率信息，并获取所述第一车辆和第二车辆在以所述路侧设备为原点的笛卡尔坐标系下的位置信息和偏航角信息；
S12：以初始时刻的所述第一车辆和第二车辆所在的位置为端点，沿着其所在车道，在所述第一车辆与第二车辆之间等间距地选择k个节点作为初始时刻所述第二车辆的历史轨迹点
Figure FDA0003406224830000016
所有历史轨迹点的信息存储在所述第二车辆的历史状态矩阵
Figure FDA0003406224830000017
中；
所述S3具体为：
S31：获取当前所述第一车辆的行驶状态与
Figure FDA0003406224830000018
之间的距离
Figure FDA0003406224830000019
S32：比较
Figure FDA00034062248300000110
与Fd，若
Figure FDA00034062248300000111
则表示所述第一车辆的当前行驶状态未到达
Figure FDA00034062248300000112
的一定容错误差Fd范围内，反之，则到达
Figure FDA00034062248300000113
的一定容错误差Fd范围内，其中Fd为常数；
所述S4采用的方法为反向传递更新；
所述S5具体为：
S51：建立所述第一车辆的二自由度模型，具体为：
Figure FDA0003406224830000021
其中：
Figure FDA0003406224830000022
分别为笛卡尔坐标系下第一辆车横、纵向位置，速度，角度关于时间的微分量，vCAV、aCAV、ωCAV分别为所述第一车辆的速度、加速度、角速度；
S52：获取所述第一车辆与第二车辆的安全间隔距离，具体为：
Figure FDA0003406224830000023
其中：ΨCAV,HV为安全间隔距离，b、h分别为最短刹车距离和车头时距；
S53：以所述安全间隔距离为所述第一车辆与第二车辆之间的期望距离，获取所述第一车辆与第二车辆的位置误差，具体的：
Figure FDA0003406224830000024
其中ex,CAV,HV(t)为笛卡尔坐标系下x方向的位置误差；
ey,CAV,HV(t)为笛卡尔坐标系下y方向的位置误差；
S54：获取所述第一车辆与第二车辆之间的速度误差，具体的：
Figure FDA0003406224830000025
其中：
Figure FDA0003406224830000026
为
Figure FDA0003406224830000027
的角度补偿，ρ为一个常系数；
S55：根据所述第一车辆的二自由度模型以及τ的一阶项，获取所述第一车辆的期望加速度和期望角速度，具体为：
Figure FDA0003406224830000028
其中：aCAV(t)为所述第一车辆的期望加速度；
ωCAV(t)为所述第一车辆的期望角速度；
τ为所述第二车辆的行驶状态并传送给所述第一车辆的时间延迟。
2.根据权利要求1所述的基于车路协同的混合交通横纵耦合控制方法，其特征在于：获取所述τ的一阶项的方法具体为：
将所述位置误差和速度误差对时间求导；
再经后向差分法解耦t和τ的关系；
最后用泰勒展开并保留τ的一阶项。
CN202010358375.0A 2020-04-29 2020-04-29 一种基于车路协同的混合交通横纵耦合控制方法 Active CN111583636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010358375.0A CN111583636B (zh) 2020-04-29 2020-04-29 一种基于车路协同的混合交通横纵耦合控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010358375.0A CN111583636B (zh) 2020-04-29 2020-04-29 一种基于车路协同的混合交通横纵耦合控制方法

Publications (2)

Publication Number Publication Date
CN111583636A CN111583636A (zh) 2020-08-25
CN111583636B true CN111583636B (zh) 2022-03-11

Family

ID=72124972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010358375.0A Active CN111583636B (zh) 2020-04-29 2020-04-29 一种基于车路协同的混合交通横纵耦合控制方法

Country Status (1)

Country Link
CN (1) CN111583636B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689723B (zh) * 2021-09-02 2022-10-18 长沙理工大学 不同路侧单元部署特性下的混合交通速度控制方法
CN113823079B (zh) * 2021-10-27 2022-08-16 大连理工大学 一种基于车路协同的有人/无人驾驶车辆的编队控制方法
CN114141015B (zh) * 2021-12-02 2022-09-27 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种考虑车辆历史信息反馈的队列稳定性控制方法
CN115440031B (zh) * 2022-08-09 2024-05-03 重庆大学 一种考虑路侧感知性能的车路协同混合车辆队列控制方法
CN116434603A (zh) * 2022-12-05 2023-07-14 东南大学 一种基于ssm的自动驾驶车队横纵向同步安全控制方法
CN116026349B (zh) * 2022-12-30 2024-03-19 吉咖智能机器人有限公司 用于车辆距离测量的方法、装置、电子设备和介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103496366A (zh) * 2013-09-09 2014-01-08 北京航空航天大学 一种基于车车协同的主动换道避撞控制方法与装置
CN107085938A (zh) * 2017-06-08 2017-08-22 中南大学 一种基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法
CN107521496A (zh) * 2017-09-08 2017-12-29 吉林大学 一种无人车辆的横纵向协调控制轨迹跟随控制方法
CN107628029A (zh) * 2017-08-22 2018-01-26 清华大学 一种网联汽车队列的节能型稳定性运动控制方法
CN108765926A (zh) * 2018-05-29 2018-11-06 重庆大学 一种基于车车通信的车辆协同跟随方法
CN108848462A (zh) * 2018-06-19 2018-11-20 连云港杰瑞电子有限公司 适用于信号控制交叉口的实时车辆轨迹预测方法
CN109291925A (zh) * 2018-09-20 2019-02-01 厦门大学 一种节能型智能网联混合动力汽车跟车控制方法
CN109572695A (zh) * 2018-11-08 2019-04-05 湖南汽车工程职业学院 一种自动驾驶汽车跟车工况控制方法及***
CN109799828A (zh) * 2019-02-28 2019-05-24 北京智行者科技有限公司 自动驾驶车辆横纵向协调控制方法
CN109878515A (zh) * 2019-03-12 2019-06-14 百度在线网络技术（北京）有限公司 预测车辆轨迹的方法、装置、存储介质和终端设备
CN110398969A (zh) * 2019-08-01 2019-11-01 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7245214B2 (en) * 2005-02-08 2007-07-17 User-Centric Ip, Lp Electronically tracking a path history

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103496366A (zh) * 2013-09-09 2014-01-08 北京航空航天大学 一种基于车车协同的主动换道避撞控制方法与装置
CN107085938A (zh) * 2017-06-08 2017-08-22 中南大学 一种基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法
CN107628029A (zh) * 2017-08-22 2018-01-26 清华大学 一种网联汽车队列的节能型稳定性运动控制方法
CN107521496A (zh) * 2017-09-08 2017-12-29 吉林大学 一种无人车辆的横纵向协调控制轨迹跟随控制方法
CN108765926A (zh) * 2018-05-29 2018-11-06 重庆大学 一种基于车车通信的车辆协同跟随方法
CN108848462A (zh) * 2018-06-19 2018-11-20 连云港杰瑞电子有限公司 适用于信号控制交叉口的实时车辆轨迹预测方法
CN109291925A (zh) * 2018-09-20 2019-02-01 厦门大学 一种节能型智能网联混合动力汽车跟车控制方法
CN109572695A (zh) * 2018-11-08 2019-04-05 湖南汽车工程职业学院 一种自动驾驶汽车跟车工况控制方法及***
CN109799828A (zh) * 2019-02-28 2019-05-24 北京智行者科技有限公司 自动驾驶车辆横纵向协调控制方法
CN109878515A (zh) * 2019-03-12 2019-06-14 百度在线网络技术（北京）有限公司 预测车辆轨迹的方法、装置、存储介质和终端设备
CN110398969A (zh) * 2019-08-01 2019-11-01 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
多前车影响的智能网联车辆纵向控制模型;吴兵等;《交通运输工程学报》;20200415(第02期);188-198 *
融合稳定性的高速无人驾驶车辆纵横向协调控制方法;李军等;《交通运输工程学报》;20200415(第02期);209-222 *

Also Published As

Publication number Publication date
CN111583636A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111583636B (zh) 一种基于车路协同的混合交通横纵耦合控制方法
US10761535B2 (en) Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments
CN113291308B (zh) 一种考虑驾驶行为特性的车辆自学习换道决策***及方法
CN109263639B (zh) 基于状态栅格法的驾驶路径规划方法
US10838423B2 (en) Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits
CN108657189B (zh) 基于bp神经网络和安全距离移线工况自动驾驶转向***及其控制方法
KR101901024B1 (ko) 지도 갱신 판정 시스템
CN110861650B (zh) 车辆的路径规划方法、装置，车载设备和存储介质
CN111422196A (zh) 一种适用于微巴的智能网联自动驾驶***及方法
CN112859830B (zh) 一种设计运行区域odd判断方法、装置及相关设备
CN108688659A (zh) 车辆的行驶控制装置
CN106708057A (zh) 一种智能车辆编队行驶方法
JP2020510252A (ja) 長い車両結合体と隊列とを走行中に変形させる方法
CN105000019A (zh) 用于检测、追踪和估计静止的路边物体的方法和***
CN103347757A (zh) 通过使用预测环境和驾驶员行为信息来优化燃油经济性的***和方法
CN111696339B (zh) 一种自动驾驶车队的跟车控制方法、***及车辆
CN111681452A (zh) 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法
CN101542553A (zh) 行驶控制计划生成***以及计算机程序
CN113012448B (zh) 一种解决路***通拥堵的汽车配发编队智能驾驶***
WO2022183808A1 (zh) 一种智能交通环境下的线控底盘信息物理***及控制方法
CN105035084B (zh) 基于规则的巡航控制***和方法
CN113176949A (zh) 优先级车辆管理
CN109656242A (zh) 一种自动驾驶行车路径规划***
CN110007301B (zh) 物体识别装置、物体识别方法以及车辆
CN113848942A (zh) 一种约束导向的智能网联汽车鲁棒换道合流控制方法

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