CN111966096A - 一种智能船舶局部路径规划终点自动选取方法 - Google Patents
一种智能船舶局部路径规划终点自动选取方法 Download PDFInfo
- Publication number
- CN111966096A CN111966096A CN202010762002.XA CN202010762002A CN111966096A CN 111966096 A CN111966096 A CN 111966096A CN 202010762002 A CN202010762002 A CN 202010762002A CN 111966096 A CN111966096 A CN 111966096A
- Authority
- CN
- China
- Prior art keywords
- ship
- intelligent
- distance
- intelligent ship
- barrier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 19
- 230000004888 barrier function Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004088 simulation Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
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
本发明涉及路径规划技术领域,尤其涉及一种智能船舶局部路径规划终点自动选取方法。包括以下步骤:S1、基于智能船舶的参数信息,获取智能船舶与障碍船舶之间的安全距离;S2、基于智能船舶与障碍船舶之间的安全距离和智能船舶的参数信息,获取智能船舶安全会遇距离;S3、基于预设的智能船舶规划路径和障碍船舶的当前航速、航向信息,获取智能船舶与障碍船舶位置距离信息;S4、基于智能船舶安全会遇距离、智能船舶与障碍船舶位置距离信息和预先获得的障碍船舶折返距离,得到局部路径规划终点。解决了智能船舶航行过程中无法预知安全的局部路径规划终点的技术问题。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及一种智能船舶局部路径规划终点自动选取方法。
背景技术
在智能船舶的实际航行中,需要规划航行路径。但在实际航行过程中,全局的路径可能被动态障碍物影响,形成不安全的航行局面。针对这种情况,需要基于动态场景进行局部路径实时再规划。
目前,在智能船舶航行领域还没有局部路径实时再规划的成功经验。与智能车辆驾驶类比,主流的无人车、智能机器人采取的都是dstarlite算法进行动态路径规划:更新一次矩阵规划一次路径,不过其前提是人为已知局部路径规划终点。然而,在智能船舶的实际航行规划过程中不能提前预知安全的局部路径规划终点。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种智能船舶局部路径规划终点自动选取方法,其解决了智能船舶航行过程中无法预知安全的局部路径规划终点的技术问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
本发明实施例提供一种智能船舶局部路径规划终点自动选取方法,包括以下步骤:
S1、基于智能船舶的参数信息,获取智能船舶与障碍船舶之间的安全距离;
S2、基于智能船舶与障碍船舶之间的安全距离和智能船舶的参数信息,获取智能船舶安全会遇距离;
S3、基于预设的智能船舶规划路径和障碍船舶的当前航速、航向信息,获取智能船舶与障碍船舶位置距离信息;
S4、基于智能船舶安全会遇距离、智能船舶与障碍船舶位置距离信息和预先获得的障碍船舶折返距离,得到局部路径规划终点。
本发明实施例提出的智能船舶局部路径规划终点自动选取方法,将智能船舶安全会遇距离与预先获得的障碍船舶折返距离相结合,对智能船舶与障碍船舶位置距离信息进行迭代推演,得到局部路径规划终点。提高了智能船舶航行的安全性和准确性。
可选地,步骤S3包括:
S31、获取障碍船舶的当前航速、航向信息,将障碍船舶的当前航速、航向信息输入预先训练的第一仿真推演模型,得到障碍船舶的预测行驶轨迹;
S32、将预设的智能船舶规划路径和障碍船舶的预测行驶轨迹输入预先训练的第二仿真推演模型,获取智能船舶与障碍船舶位置距离信息;
所述预设的智能船舶规划路径是基于起始点信息和目的地信息规划得到的。
可选地,步骤S4中,当智能船舶与障碍船舶位置距离信息大于或等于智能船舶安全会遇距离与预先获得的障碍船舶折返距离之和时,智能船舶在预设的智能船舶规划路径中所处位置即为局部路径规划终点。
可选地,智能船舶与障碍船舶之间的安全距离满足以下公式:
S=S0+S1+S2
式中,S为智能船舶与障碍船舶之间的安全距离,S0为智能船舶与障碍船舶均停止时的安全间距,S1为智能船舶反应距离,S2为智能船舶制动距离。
可选地,智能船舶与障碍船舶均停止时的安全间距为智能船舶船长的1/5~1/3。
可选地,智能船舶与障碍船舶均停止时的安全间距为智能船舶船长的1/4。
可选地,智能船舶反应距离为智能船舶与障碍船舶之间的安全距离的40%~45%。
可选地,智能船舶反应距离为智能船舶与障碍船舶之间的安全距离的42%。
可选地,智能船舶制动距离满足以下公式:
式中,v为智能船舶在静水无风的情况下的船速,k1为风荷载系数,k2为水流力系数,p为智能船舶功率,m为智能船舶质量。
可选地,智能船舶安全会遇距离满足以下公式:
X=S+l
式中,X为智能船舶安全会遇距离,l为智能船舶船长。
(三)有益效果
本发明的有益效果是:本发明的智能船舶局部路径规划终点自动选取方法,将智能船舶安全会遇距离与预先获得的障碍船舶折返距离相结合,利用预先获取的仿真推演程序,对智能船舶与障碍船舶位置距离信息进行迭代推演,得到局部路径规划终点。提高了智能船舶航行的安全性和准确性。
附图说明
图1为本发明提供的智能船舶局部路径规划终点自动选取方法的流程图;
图2为本发明提供的智能船舶局部路径规划终点自动选取方法的逻辑图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
智能船舶在航行的过程中,船舶会沿着出发前预先规划好的航线行驶。在行驶的途中实时探测周边环境,这个过程称为环境感知。在感知到周边环境与预先获取环境发生变化了以后,程序触发更新底层矩阵机制,将底层矩阵内容实时更新,启动避碰算法进行实时的避碰计算。根据国际避碰规则,左舷追越,左舷对遇,左舷交叉,右舷追越,右舷对遇,右舷交叉判断当前会遇局面和应该采用的避碰策略。
如果避碰算法计算出会发生危险,则启动局部路径规划算法。启动局部路径规划算法之前需要预先输入局部路径规划起点n和局部路径规划终点m,其中,m为不可知点。
基于上述,本发明提供了智能船舶局部路径规划终点自动选取方法。将智能船舶安全会遇距离与预先获得的障碍船舶折返距离相结合,利用预先获取的仿真推演程序,对智能船舶与障碍船舶位置距离信息进行迭代推演,得到局部路径规划终点。提高了智能船舶航行的安全性和准确性。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例1
如图1所示,为本实施例提供的智能船舶局部路径规划终点自动选取方法的流程图,包括以下步骤:
S1、基于智能船舶(即本船)的参数信息,获取智能船舶与障碍船舶之间的安全距离。
智能船舶与障碍船舶之间的安全距离,即停船视距,满足以下公式:
S=S0+S1+S2
式中,S为智能船舶与障碍船舶之间的安全距离,即停船视距,S0为智能船舶与障碍船舶均停止时的安全间距,S1为智能船舶反应距离,S2为智能船舶制动距离。
其中,智能船舶与障碍船舶均停止时的安全间距S0为智能船舶船长的1/5~1/3,优选为1/4。智能船舶反应距离S1为停船视距S的40%~45%,优选为42%。智能船舶制动距离S2随着智能船舶的速度变化而变化,是停船视距S的关键参量。
具体地,智能船舶制动距离S2是指当驾驶员采取制动措施到完全停止的行驶距离,在汽车行驶时采取制动,轮胎抱死后车辆所受的静摩擦较大,汽车在较短距离就会停止。而行驶的船舶与汽车不同,船舶所受的风荷载、水流力以及船舶制动力均随着船速而变化,船舶制动这一物理过程是变加速度的减速运动,其过程较为复杂。
假定智能船舶在静水无风的情况下以船速v行驶,则水流及空气以-v的速度相向运动。智能船舶的制动加速度满足以下公式:
a=-(f1+f2+F)/m
式中,a为智能船舶的制动加速度,f1为风荷载,f2为水流力,F为智能船舶制动力,m为智能船舶质量。
其中,风荷载f1满足以下公式:
f1=k1v1 2
式中,k1为风荷载系数,v1为风速。
水流力f2满足以下公式:
f2=k2v2 2
式中,k2为水流力系数,v2为水流速度。
智能船舶制动力F满足以下公式:
F=P/v
式中,P为智能船舶功率。
综合上述,智能船舶的制动加速度满足以下公式:
a=-(P/v+k1+k2v2)/m
由此可见,智能船舶的制动加速度a是随速度变化的函数f(v),采用积分方式求解,智能船舶制动距离S2满足以下公式:
S2、基于智能船舶与障碍船舶之间的安全距离和智能船舶的参数信息,获取智能船舶安全会遇距离。
智能船舶安全会遇距离满足以下公式:
X=S+l
式中,X为智能船舶安全会遇距离,l为智能船舶船长。
结合步骤S1中智能船舶与障碍船舶之间的安全距离S、智能船舶与障碍船舶均停止时的安全间距S0、智能船舶反应距离S1以及智能船舶制动距离S2,智能船舶安全会遇距离X满足以下公式:
式中,k0为智能船舶反应距离与智能船舶与障碍船舶之间的安全距离的系数比,优选为42%。
S3、基于预设的智能船舶规划路径和障碍船舶的当前航速、航向信息,获取智能船舶与障碍船舶位置距离信息。
具体地,包括以下步骤:
S31、获取障碍船舶的当前航速、航向信息,将障碍船舶的当前航速、航向信息输入预先训练的第一仿真推演模型,得到障碍船舶的预测行驶轨迹;
其中,第一仿真推演模型是基于历史时间段内障碍船舶的当前航速、航向信息以及对应的障碍船舶的预测行驶轨迹,采用NARXN动态递归神经网络模型训练得到的。
S32、将预设的智能船舶规划路径和障碍船舶的预测行驶轨迹输入预先训练的第二仿真推演模型,实时获取智能船舶与障碍船舶位置距离信息;
智能船舶与障碍船舶位置距离信息满足以下公式:
式中,dso为智能船舶与障碍船舶位置距离信息,Xik为智能船舶的位置,Xjk为障碍船舶的位置,n为维度系数,q为变参数,在本实施例中q=1。
其中,第二仿真推演模型是基于历史时间段内智能船舶规划路径、障碍船舶的预测行驶轨迹以及对应的智能船舶与障碍船舶位置距离信息,采用NARXN动态递归神经网络模型训练得到的。
进一步地,预设的智能船舶规划路径是基于起始点信息和目的地信息规划得到的。
智能船舶的行驶轨迹是依据智能船舶规划路径得到的,保持当前航速、航向信息不变。
S4、基于智能船舶安全会遇距离、智能船舶与障碍船舶位置距离信息和预先获得的障碍船舶折返距离,得到局部路径规划终点。
具体地,当智能船舶安全会遇距离、智能船舶与障碍船舶位置距离信息和预先获得的障碍船舶折返距离满足以下关系时,智能船舶在预设的智能船舶规划路径中所处位置即为局部路径规划终点。
dso≥X+A
式中,A为预先获得的障碍船舶折返距离。障碍船舶折返距离是预先根据大数据建模对智能船舶行驶轨迹进行集中趋势离散成都分析获得的,可以提高局部路径规划终点预测的准确性。
如图2所示,为本实施例提供的智能船舶局部路径规划终点自动选取方法的逻辑图,根据智能船舶规划路径和障碍船舶的移动轨迹(将航速、航向和时间信息输入仿真推演程序获得),并结合获取的智能船舶安全会遇距离X和预先获得的障碍船舶折返距离A,当智能船舶与障碍船舶位置距离信息大于或等于智能船舶安全会遇距离X与障碍船舶折返距离A之和时,得到局部路径规划终点。
综合上述,将智能船舶安全会遇距离与预先获得的障碍船舶折返距离相结合,利用预先训练的仿真推演模型,对智能船舶与障碍船舶位置距离信息进行迭代推演,得到局部路径规划终点。提高了智能船舶航行的安全性和准确性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种智能船舶局部路径规划终点自动选取方法,其特征在于,包括以下步骤:
S1、基于智能船舶的参数信息,获取智能船舶与障碍船舶之间的安全距离;
S2、基于智能船舶与障碍船舶之间的安全距离和智能船舶的参数信息,获取智能船舶安全会遇距离;
S3、基于预设的智能船舶规划路径和障碍船舶的当前航速、航向信息,获取智能船舶与障碍船舶位置距离信息;
S4、基于智能船舶安全会遇距离、智能船舶与障碍船舶位置距离信息和预先获得的障碍船舶折返距离,得到局部路径规划终点。
2.如权利要求1所述的智能船舶局部路径规划终点自动选取方法,其特征在于,所述步骤S3包括:
S31、获取障碍船舶的当前航速、航向信息,将障碍船舶的当前航速、航向信息输入预先训练的第一仿真推演模型,得到障碍船舶的预测行驶轨迹;
S32、将预设的智能船舶规划路径和障碍船舶的预测行驶轨迹输入预先训练的第二仿真推演模型,获取智能船舶与障碍船舶位置距离信息;
所述预设的智能船舶规划路径是基于起始点信息和目的地信息规划得到的。
3.如权利要求2所述的智能船舶局部路径规划终点自动选取方法,其特征在于,所述步骤S4中,当智能船舶与障碍船舶位置距离信息大于或等于智能船舶安全会遇距离与预先获得的障碍船舶折返距离之和时,智能船舶在预设的智能船舶规划路径中所处位置即为局部路径规划终点。
4.如权利要求1所述的智能船舶局部路径规划终点自动选取方法,其特征在于,所述智能船舶与障碍船舶之间的安全距离满足以下公式:
S=S0+S1+S2
式中,S为智能船舶与障碍船舶之间的安全距离,S0为智能船舶与障碍船舶均停止时的安全间距,S1为智能船舶反应距离,S2为智能船舶制动距离。
5.如权利要求4所述的智能船舶局部路径规划终点自动选取方法,其特征在于,所述智能船舶与障碍船舶均停止时的安全间距为智能船舶船长的1/5~1/3。
6.如权利要求5所述的智能船舶局部路径规划终点自动选取方法,其特征在于,所述智能船舶与障碍船舶均停止时的安全间距为智能船舶船长的1/4。
7.如权利要求4所述的智能船舶局部路径规划终点自动选取方法,其特征在于,所述智能船舶反应距离为智能船舶与障碍船舶之间的安全距离的40%~45%。
8.如权利要求7所述的智能船舶局部路径规划终点自动选取方法,其特征在于,所述智能船舶反应距离为智能船舶与障碍船舶之间的安全距离的42%。
10.如权利要求4所述的智能船舶局部路径规划终点自动选取方法,其特征在于,智能船舶安全会遇距离满足以下公式:
X=S+l
式中,X为智能船舶安全会遇距离,l为智能船舶船长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762002.XA CN111966096A (zh) | 2020-07-31 | 2020-07-31 | 一种智能船舶局部路径规划终点自动选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762002.XA CN111966096A (zh) | 2020-07-31 | 2020-07-31 | 一种智能船舶局部路径规划终点自动选取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111966096A true CN111966096A (zh) | 2020-11-20 |
Family
ID=73363541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010762002.XA Pending CN111966096A (zh) | 2020-07-31 | 2020-07-31 | 一种智能船舶局部路径规划终点自动选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966096A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311354A (zh) * | 2023-10-12 | 2023-12-29 | 大连海事大学 | 一种基于精确任务导向的港作船自主路径规划及靠泊方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717929A (zh) * | 2016-04-29 | 2016-06-29 | 中国人民解放军国防科学技术大学 | 一种多分辨率障碍物环境下移动机器人混合路径规划方法 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
CN107990902A (zh) * | 2017-12-29 | 2018-05-04 | 达闼科技(北京)有限公司 | 基于云端的导航方法、导航***、电子设备和程序产品 |
CN108519773A (zh) * | 2018-03-07 | 2018-09-11 | 西安交通大学 | 一种结构化环境下无人驾驶车辆的路径规划方法 |
CN108630017A (zh) * | 2018-05-04 | 2018-10-09 | 上海海洋大学 | 一种船舶航行避碰方法及*** |
CN109374004A (zh) * | 2018-11-12 | 2019-02-22 | 智慧航海(青岛)科技有限公司 | 一种基于ia*算法的智能无人船舶路径规划方法 |
US20200174475A1 (en) * | 2018-11-29 | 2020-06-04 | Electronics And Telecommunications Research Institute | Autonomous driving method and system |
-
2020
- 2020-07-31 CN CN202010762002.XA patent/CN111966096A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717929A (zh) * | 2016-04-29 | 2016-06-29 | 中国人民解放军国防科学技术大学 | 一种多分辨率障碍物环境下移动机器人混合路径规划方法 |
CN107037812A (zh) * | 2017-03-31 | 2017-08-11 | 南京理工大学 | 一种基于仓储无人车的车辆路径规划方法 |
CN107990902A (zh) * | 2017-12-29 | 2018-05-04 | 达闼科技(北京)有限公司 | 基于云端的导航方法、导航***、电子设备和程序产品 |
CN108519773A (zh) * | 2018-03-07 | 2018-09-11 | 西安交通大学 | 一种结构化环境下无人驾驶车辆的路径规划方法 |
CN108630017A (zh) * | 2018-05-04 | 2018-10-09 | 上海海洋大学 | 一种船舶航行避碰方法及*** |
CN109374004A (zh) * | 2018-11-12 | 2019-02-22 | 智慧航海(青岛)科技有限公司 | 一种基于ia*算法的智能无人船舶路径规划方法 |
US20200174475A1 (en) * | 2018-11-29 | 2020-06-04 | Electronics And Telecommunications Research Institute | Autonomous driving method and system |
Non-Patent Citations (2)
Title |
---|
刘金龙 等: "基于停船视距和积分运算的船舶领域计算方法", 中国港湾建设, no. 9 * |
江立军;郑凯;王国峰;***;: "现代船舶避碰***研究进展", 上海船舶运输科学研究所学报, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117311354A (zh) * | 2023-10-12 | 2023-12-29 | 大连海事大学 | 一种基于精确任务导向的港作船自主路径规划及靠泊方法 |
CN117311354B (zh) * | 2023-10-12 | 2024-03-29 | 大连海事大学 | 一种基于精确任务导向的港作船自主路径规划及靠泊方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
CN111898211B (zh) | 基于深度强化学习的智能车速度决策方法及其仿真方法 | |
DE102006037993B4 (de) | Verfahren zum Voraussagen des Pfads eines Host-Fahrzeugs in Bezug auf ein fahrendes entferntes Führungsfahrzeug | |
CN105573323A (zh) | 自动驾驶轨迹生成方法及装置 | |
Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
Lattarulo et al. | Urban Motion Planning Framework Based on N‐Bézier Curves Considering Comfort and Safety | |
DE112017000787T5 (de) | Verfahren zum Steuern der Bewegung eines Fahrzeugs und Fahrzeugsteuersystem | |
Unsal | Intelligent navigation of autonomous vehicles in an automated highway system: Learning methods and interacting vehicles approach | |
Moghadam et al. | An autonomous driving framework for long-term decision-making and short-term trajectory planning on frenet space | |
Guan et al. | Autonomous collision avoidance of unmanned surface vehicles based on improved A-star and dynamic window approach algorithms | |
Chen et al. | Fast trajectory planning and robust trajectory tracking for pedestrian avoidance | |
CN104021664A (zh) | 汽车协同编队行驶的动态路径规划方法 | |
JP2023523350A (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
Bertolazzi et al. | Efficient re-planning for robotic cars | |
Althoff et al. | Stochastic reachable sets of interacting traffic participants | |
Masi et al. | Roundabout crossing with interval occupancy and virtual instances of road users | |
CN111966096A (zh) | 一种智能船舶局部路径规划终点自动选取方法 | |
CN113200054B (zh) | 一种自动驾驶接管的路径规划方法及*** | |
Huy et al. | A practical and optimal path planning for autonomous parking using fast marching algorithm and support vector machine | |
Naranjo et al. | Fuzzy logic based lateral control for GPS map tracking | |
Hubmann | Belief state planning for autonomous driving: Planning with interaction, uncertain prediction and uncertain perception | |
CN116629114A (zh) | 多智能体的模型训练方法、***、计算机设备和存储介质 | |
Tan et al. | Criteria and rule based obstacle avoidance for USVs | |
Björnberg | Shared control for vehicle teleoperation with a virtual environment interface | |
Jafari et al. | Reactive path planning for emergency steering maneuvers on highway roads |
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 |