CN112435466A - 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*** - Google Patents
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*** Download PDFInfo
- Publication number
- CN112435466A CN112435466A CN202011149187.3A CN202011149187A CN112435466A CN 112435466 A CN112435466 A CN 112435466A CN 202011149187 A CN202011149187 A CN 202011149187A CN 112435466 A CN112435466 A CN 112435466A
- Authority
- CN
- China
- Prior art keywords
- time
- vehicle
- static
- information
- risk
- 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.)
- Granted
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G08G1/09—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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了混合交通流环境下CACC车辆退变为传统车的接管时间预测方法及***。主要解决了CACC车辆在城郊公路上行驶发出接管请求时,***根据采集的交通风险信息基于TFT模型预测接管时间的问题。该***包括风险识别装置、信息处理装置、接管时间预测装置和信息发布装置,所述风险识别装置经配置识别周围交通环境风险信息以确定是否转移自动驾驶车辆的驾驶控制权限,所述信息处理装置经配置基于所识别的环境风险信息进行数据预处理,所述接管时间预测装置经配置基于所处理的数据进行接管时间预测,所述信息发布装置经配置基于预测结果发布给当前车辆并共享给周围其他联网车辆,同时发出接管请求,提醒驾驶员及时接管车辆。
Description
技术领域
本发明涉及自动驾驶技术领域,具体来说,涉及一种混合交通流环境下CACC车退变为传统车的接管时间预测方法及***。
背景技术
基于现有的技术水平,自动驾驶尚未达到完全自动化阶段。对协同式自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆而言,在行车过程中可能会遇到特殊的自动驾驶无法解决的道路工况或交通状况等,驾驶员仍负责主动驾驶车辆,保持车道并监视道路和交通状况。在道路的复杂交通环境中,多种因素将致使CACC车辆退变成传统车辆,而接管时间的长短不仅影响到交通运行效率,当接管时间过长或接管失败时,还将增加交通事故的发生风险。但现有技术中尚未对CACC车辆退变为传统车的接管时间作出***研究和分析。
本申请提供一种混合交通流环境下CACC车退变为传统车的接管时间预测方法及***。***采用时间融合转换器(Temporal Fusion Transformers,TFT)模型,它是目前一种比较新颖的基于注意力机制的深度神经网络(Deep Neural Network,DNN)架构,在实现高性能的同时具有可解释性。TFT考虑了输入的多样性,利用专用组件执行各部分功能,并利用一系列门控层抑制不必要的组件,从而在各种情况下实现高性能。基于此,混合交通流环境下的CACC车辆在一些特殊的道路工况和交通状况下,需要驾驶人员接管车辆驾驶任务时,对其接管时间进行预测分析,对改善交通安全性、提高交通效率将是有益的。
发明内容
本申请提供一种混合交通流环境下CACC车退变为传统车的接管时间预测方法及***。该方法和***能够通过识别周围交通环境风险信息以确定是否应当转移自动驾驶车辆的驾驶控制权限,进行接管时间预测并发出接管请求,提醒驾驶员及时接管车辆,保证自动驾驶车辆的行车安全。
本申请构思要解决的技术问题并不仅限于上述问题,并且本申请所属领域的技术人员将从以下描述中清楚地理解本文未提及的任何其他技术问题。
在本申请的一个方面,混合交通流环境下CACC车退变为传统车的接管时间预测的***由多个装置所组成,其风险识别装置经配置识别周围交通环境风险信息以确定是否应当转移自动驾驶车辆的驾驶控制权限,其信息处理装置经配置基于所识别的风险信息进行数据预处理,其接管时间预测装置经配置基于所处理的数据进行接管时间预测,其信息发布装置经配置将预测结果发布给当前车辆及道路上周围其他联网车辆,并发出接管请求,提醒驾驶员及时接管车辆。
详细地,所述混合交通流由CACC车辆和传统的人工驾驶车辆所组成,其中CACC车辆占有率为20%。
另外,风险识别装置可以包括静态风险识别装置和动态风险识别装置。
另外,静态风险识别装置经配置可以通过检测前方道路是否存在静止或缓慢移动障碍物(当前车辆距此障碍物的距离为l),识别限制自动驾驶的信号s以及路测标志标识信息s'等来确定道路前方是否存在静态风险并收集风险信息。
例如,当前CACC车辆以某一速度正常行驶,检测到道路前方l=300米处存在障碍物(此时无法换道或不可通过换道避免),此时认为当前车辆前方存在静态风险,开始以某一减速度制动行驶。当行驶至l=200米时,此障碍物尚未清除,则当前CACC车辆发出接管请求,需要转移驾驶控制权限给驾驶员。
此外,若当CACC车辆在行驶过程中检测到道路前方存在限制自动驾驶的交通信号或标志标识,则立即发出接管请求,转移驾驶控制权限给驾驶员。
另外,动态风险识别装置经配置可以通过检测前方道路是否存在动态风险并收集动态风险信息。动态风险可以包括当前车辆300米(根据道路限速而定)范围内前方车辆短时间内换道行为的发生频率a、交通流密度ρ、平均行驶车速v,以及当前车辆距前方车辆的距离l'。
例如,短时间内a≥5,即前方车辆换道频繁或出现异常换道行为,此时认为当前车辆前方存在动态风险,则立即发出接管请求,转移驾驶控制权限给当前驾驶员。
此外,交通流密度ρ、平均行驶车速v,以及当前车辆距前方车辆的距离l'会对CACC车辆的接管时间产生较大影响。例如,当交通流密度ρ较大,或平均行驶车速v较高,或当前车辆距前方车辆的距离l'较近时,实际的接管时间会相对较短。
另外,信息处理装置可以将风险识别装置所采集的环境风险信息进行预处理,降低数据噪音。
另外,接管时间预测装置以所处理的数据作为输入,经内置模型算法预测,输出预测的接管时间t。
详细地,所述内置模型算法为深度神经网络(DNN)中的时间融合转换器(TFT),该模型通过大量试验生成的训练数据集进行训练,并通过样本数据集进行验证。另外,信息发布装置将预测结果发布给当前车辆以及周围其他联网车辆,同时发出接管请求,提醒驾驶员及时接管车辆。
根据本申请的另一形式,混合交通流环境下CACC车退变为传统车的接管时间预测的方法包括以下步骤:由风险识别装置收集周围交通环境风险信息以确定是否应当转移CACC车辆的驾驶控制权限;由信息处理装置基于所收集的风险信息进行数据预处理,降低数据噪音;接管时间预测装置基于所处理的数据经内置模型算法进行接管时间预测,并输出预测结果;以及由信息发布装置基于预测结果发出接管请求,提醒驾驶员及时接管车辆,同时将预测结果共享给周围其他联网车辆。
根据本技术,驾驶控制权限可以在自动驾驶车辆和驾驶员之间自由地转移。
根据本技术,当驾驶员未能在预测的接管时间内成功接管车辆时,自动驾驶车辆可以采取减速或换道等类似的安全措施,以保证自动驾驶的行车安全性。
本发明的有益效果:
(1)预测混合交通流环境下CACC车退变为传统车的接管时间,及时提醒驾驶员接管车辆,提高CACC车辆在城市道路中的行驶安全性;
(2)基于TFT模型提高接管时间预测精度,保证行车安全,并提高CACC车辆的通行效率;
(3)本发明所述风险识别装置可有助于减少CACC车辆停车次数,减少油耗和排放,符合节能驾驶的发展趋势;
(4)为进一步研究城市道路中CACC车辆的驾驶行为提供数据与技术支撑。
附图说明
图1是示出混合交通流环境下CACC车退变为传统车的接管时间预测***的框图。
图2是示出混合交通流环境下CACC车退变为传统车的接管时间预测***的工作流程图。
图3是示出接管时间预测装置的整体预测流程图。
图4是示出接管时间预测装置的算法实现图。
图5是示出CACC车退变为传统车的接管时间预测***的应用场景示例图。
具体实施方式
下面结合附图对本发明作进一步说明。
图1是以本申请的一种形式示出混合交通流环境下CACC车退变为传统车的接管时间预测***的框图。
参照图1,混合交通流环境下CACC车退变为传统车的接管时间预测的***可以包括风险识别装置、信息处理装置、接管时间预测装置以及信息发布装置。
风险识别装置100检测周围交通环境以确定是否应当转移CACC车辆的驾驶控制权限,并采集风险相关信息。
详细地,风险识别装置可以包括静态风险识别装置和动态风险识别装置。
另外,静态风险识别装置可以包括图像识别、文字识别等功能,可以通过检测前方道路是否存在静止或缓慢移动障碍物(当前车辆距此障碍物的距离为l),识别限制自动驾驶的信号s以及路测标志标识信息s'等来确定道路前方是否存在静态风险,并将采集的静态风险信息存储到风险识别装置内部。
另外,动态风险识别装置可以包括探测器、雷达等组件,通过检测可以识别前方道路是否存在动态风险,包括当前车辆300米范围(根据道路限速而定)内前方车辆换道行为的发生频率a、交通流密度ρ、平均行驶车速v,以及当前车辆距前方车辆的距离l',并将采集的动态风险信息存储到风险识别装置内部。
信息处理装置200可以将风险识别装置所采集的环境风险信息进行预处理,以降低数据噪音,减小由于大量噪音数据的输入对预测结果产生的重大影响,将处理后的数据组成数组{a,ρ,v,l,l',s,s'}并输入到接管时间预测装置。
接管时间预测装置300基于信息处理装置所处理的数据,经已训练好的内置模型算法进行预测,输出预测的接管时间t。
详细地,接管时间预测装置内置模型算法为时间融合转换器(TFT),经过其规范组件的处理可以实现算法的高性能和可解释性。
信息发布装置400将预测结果发布给当前车辆以及周围其他联网车辆,同时发出接管请求,提醒驾驶员及时接管车辆。
图2是以本申请的一种形式示出混合交通流环境下CACC车退变为传统车的接管时间预测***的工作流程图。
参照图2,在操作S11中,CACC车退变为传统车的接管时间预测***的风险识别装置开始检测当前车辆周围的交通环境,采集风险信息,并确定是否应当转换自动驾驶车辆的驾驶控制权限。
详细地,风险识别装置所采集的风险信息可以包括静态风险信息,例如前方道路是否存在静态或缓慢移动障碍物,识别路测交通标志标识信息以及限制自动驾驶的信号等;还可以包括动态风险信息,例如,道路前方车辆换道行为的发生频率、交通流密度、行驶车速等。
在操作S12中,信息处理装置将风险识别装置所采集的风险信息进行预处理,进行数据降噪。
在操作S13中,以操作S12输出的数据作为初始数据输入,基于接管时间预测装置的内置模型算法进行接管时间预测。
在操作S14中,基于操作S13的预测结果,***发出接管请求,提醒驾驶员及时接管车辆,并共享信息给其他车辆。
图3是以本申请的一种形式示出接管时间预测装置的整体预测流程图。
参照图3,接管时间预测模型前期需要经过训练和测试两个过程。将大量试验所得的数据集分为训练集和测试集两部分,其中训练集用于模型的训练,测试集用于模型的检验,评估模型的训练成果。
详细地,将训练集进行抽样,得到n个子训练集,将风险识别装置所收集的历史风险信息数据和CACC车辆的实际接管时间作为输入拟合模型。子训练集经训练后得到对应的n个基模型,利用测试集中的风险信息数据对基模型分别进行预测,对预测结果进行综合评估和分析,然后调整基模型参数,得到最优预测模型。
CACC车辆在行驶过程中,基于风险识别装置所收集的风险信息,经数据预处理后,输入最优预测模型,输出接管时间预测值,并及时反馈给驾驶员,提醒驾驶员接管车辆。
另外,模型训练过程中将经验进行积累并存储到接管时间预测装置内部。经训练并测试结束后,应用最优预测模型,输出预测的接管时间,并将新的经验存储到装置内部,为后续的应用提供新的反馈和参考。
图4是以本申请的一种形式示出接管时间预测装置的算法实现图。
参照图4,模型的训练需要经过信息输入、变量选择、编码、解码、输出等重要过程。
本发明所提及的TFT模型以新颖的形式实现可解释性和高性能,实现处理输入与预测之间的关系。TFT模型可以处理多种形式的输入,包括过去输入(经验数据)和已知的未来输入(新的特征输入),经过变量选择可以提取对预测贡献较大的变量同时降低噪音输入,经过编码生成上下文向量连接到解码器的各个位置,经过解码器一系列层的处理,最后输出训练结果。
其中,变量选择网络(Variable Selection Networks)在明确所输入的变量对接管时间预测的贡献方面具有很重要的作用,同时可以消除可能对接管时间预测产生负面影响的变量,以进一步减少噪声输入。
另外,变量对预测值的贡献权重可在模型训练过程中获得,在模型测试过程中不断加强经验记忆,在后期模型应用过程中根据输入的数据实时更新,以提高预测结果的精度。
详细地,将时间步t输入的所有特征输入到变量选择网络中,每一个变量都对应有一个门控残差网络(Gated Residual Network,GRN),得到对应的处理值所有特征组成一个特征向量Ξt,并结合特定的上下文向量c输入GRN中,经过softmax计算得到特征权重向量vt。将和vt加权处理,达到最终的特征筛选的目的。
另外,静态协变量编码器(Static Covariate Encoders)可以集成变量选择网络中输出的信息,生成四种不同的上下文向量,即cs、ce、cc和ch。它们各有不同的作用,具体来说,(1)cs用于变量选择(如上述的向量c);(2)cc、ch处理时间序列特征;(3)ce将静态信息集合到时间序列特征。这些上下文向量根据时间序列在各个时间步t被连接到时间融合解码器。另外,编码器利用长短期记忆(Long short-term memory,LSTM)网络进行编码,可以更好地处理在时间步t输入的长序列。
时间融合解码器(Temporal Fusion Decoder)处理数据集中存在的时间序列关系,包括静态富集(Static Enrichment)层、时间自注意(Temporal Self-Attention)层以及位置前馈(Position-wise Feed-Forward)层。
详细地,静态协变量通常会对时间动态性产生重大影响,因此,引入静态富集层利用输入的静态数据增强时间特征。具体的,对于给定的位置索引n,在时间步t进行数据处理以增强其时间特征,即GRN即门控残差网络,接收并处理主要输入a和上下文向量c,其下标θ表示特征权重共享;为使输入的变量生成统一的时间特征,应用序列到序列模型进行处理,设φ(t,n)∈{φ(t,-k),…,φ(t,τmax)},则是由φ(t,n)经GLU激活函数激活并经过层归一化(LayerNorm)得到的,其中n∈[-k,τmax]。
时间自注意层应用可解释的多头注意机制(Interpretable Multi-headAttention),利用掩码(sequence mask)确保每个时间维度只能关注其前面的特征。此外,自注意层还使得TFT能够获取长期依赖关系。自注意层后应用了一个门控层以促进训练,即δ(t,n)=LayerNorm(θ(t,n)+GLUδ(β(t,n)))。其中,可解释的多头注意机制B(t)=[β(t,-k),…,β(t,τmax)],β(t,n)经过GLU激活并结合静态富集层所得的θ(t,n)进行层归一化。
位置前馈层利用单独的门控残差网络增加了一个非线性处理,此过程类似于静态富集层,即ψ(t,n)=GRNψ(δ(t,n))。即将时间自注意层所得的δ(t,n)经过GRN线性运算得到结果ψ(t,n)。
图5是以本申请的形式示出CACC车退变为传统车的接管时间预测***的应用场景示例图。
首先应该明确的是,图5仅作为示例图存在,并不能限制本申请的范围。
参照图5,以该图的交通场景为例,基于一段四车道的城郊公路,研究CACC车辆1的情况。道路上的混合交通流由CACC车辆和传统人工驾驶的车辆组成,其中CACC车辆的市场占有率为20%。
车1在t0时刻由风险识别装置检测到道路前方存在风险,根据检测到的风险信息不同,接管时间的预测结果也将不同。风险识别装置采集的信息可以包括当前车辆300米(若不足300米,则取当前车辆到前方风险区域的最小距离)范围内交通流密度ρ、平均行驶车速v、前方车辆换道行为的发生频率a等动态风险信息,还可以包括当前车辆距前方风险区域(或障碍物)的距离l、距前方行驶车辆的距离l'、限制自动驾驶的信号s,以及路测标志标识信息s'。
信息处理装置将所采集的风险信息作预处理,组成数组{a,ρ,v,l,l',s,s'}并输入到接管时间预测装置预测接管时间t。经试验可以发现,当道路上交通流密度ρ较低时,车辆属于自由行驶状态,接管时间t较小,只有几秒钟;当交通流密度ρ较高、前方道路其他车辆换道行为频发时,接管时间t较大,有时甚至达到十几秒。
接管时间预测装置将预测结果输出到信息发布装置,***会发出接管请求,以警报的形式提醒驾驶员及时接管车辆,同时将信息传递给道路上其他联网车辆,实现实时信息共享。
此外,若车辆未在预测的接管时间内成功接管车辆,则***将主动采取最小风险措施(minimum risk maneuver,MRM)以保证行车安全,其中MRM可以包括换道、以一定减速度制动等措施。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.混合交通流环境下CACC车退变为传统车的接管时间预测***,其特征在于,能够实时感知环境并共享信息,包括:风险识别装置、信息处理装置、接管时间预测装置以及信息发布装置,所述风险识别装置经配置识别周围交通环境风险信息以确定是否应当转移自动驾驶车辆的驾驶控制权限,所述信息处理装置经配置基于所识别的风险信息进行数据预处理,所述接管时间预测装置经配置基于所处理的数据进行接管时间预测,所述信息发布装置经配置将预测结果发布给当前车辆及道路上周围其他联网车辆,并发出接管请求,提醒驾驶员及时接管车辆。
2.根据权利要求1所述的***,其特征在于,所述风险识别装置包括静态风险识别装置和动态风险识别装置。
3.根据权利要求2所述的***,其特征在于,所述静态风险识别装置经配置可以检测前方道路是否存在静止或缓慢移动障碍物(当前车辆距此障碍物的距离为l),识别限制自动驾驶的信号s以及路测标志标识信息s';根据采集的信息来确定道路前方是否存在静态风险以及是否转移CACC车的驾驶控制权限:若当前车辆检测到前方存在静止或缓慢移动障碍物,则认为前方存在静态风险,当前车辆将以某一减速度行驶,短时间内障碍物未消失,则车辆发出接管请求,在一定接管时间内将驾驶控制权限转移给驾驶员;若当前车辆检测到限制自动驾驶的信号或识别到限制自动驾驶的标志标识信息,则立即发出接管请求,在一定接管时间内将驾驶控制权限转移给驾驶员。
4.根据权利要求2所述的***,其特征在于,所述动态风险识别装置经配置可以检测前方道路是否存在动态风险并收集动态风险信息,动态风险可以包括当前车辆若干米范围内前方车辆换道行为的发生频率a、交通流密度ρ、平均行驶车速v,以及当前车辆距前方车辆的距离l',根据采集的信息来确定道路前方是否存在动态风险以及是否转移CACC车的驾驶控制权限:若短时间内前方车辆换道频繁,换道次数超过某一阈值或出现异常换道行为(前方车辆偏离正常行驶轨迹),此时认为当前车辆前方存在动态风险,则立即发出接管请求,在一定接管时间内将驾驶控制权限转移给当前驾驶员。
5.根据权利要求1所述的混合交通流环境下CACC车辆退变为传统车的接管时间预测***,其特征在于,所述信息处理装置可以将风险识别装置所采集的环境风险信息进行预处理,降低数据噪音。
6.根据权利要求1所述的混合交通流环境下CACC车辆退变为传统车的接管时间预测***,其特征在于,所述接管时间预测装置以预处理的数据作为输入,经内置模型预测,输出预测的接管时间t;所述内置模型为深度神经网络DNN中的时间融合转换器(TFT),该模型通过大量试验生成的训练数据集进行训练,并通过样本数据集进行评估验证。
7.根据权利要求6所述的***,其特征在于,所述内置模型为TFT模型,以新颖的形式实现可解释性和高性能,实现处理输入与预测之间的关系;其构造具体包括:变量选择网络(Variable Selection Networks)、静态协变量编码器(Static Covariate Encoders)、时间融合解码器(Temporal Fusion Decoder),其中解码器包括:静态富集(StaticEnrichment)层、时间自注意(Temporal Self-Attention)层以及位置前馈(Position-wiseFeed-Forward)层;各模块功能如下:
将时间步t输入的所有特征输入到变量选择网络中,每一个变量都对应有一个门控残差网络(Gated Residual Network,GRN),得到对应的处理值所有特征组成一个特征向量Ξt,并结合上下文向量c输入GRN中,经过softmax计算得到特征权重向量vt,将和vt加权处理,达到最终的特征筛选的目的;
静态协变量编码器(Static Covariate Encoders)可以集成变量选择网络中输出的信息,生成四种不同的上下文向量,即cs、ce、cc和ch,它们各有不同的作用,具体来说,(1)cs用于变量选择;(2)cc、ch处理时间序列特征;(3)ce将静态信息集合到时间序列特征,这些上下文向量根据时间序列在各个时间步t被连接到时间融合解码器;另外,编码器利用长短期记忆(Long short-term memory,LSTM)网络进行编码,可以更好地处理在时间步t输入的长序列;。
时间融合解码器(Temporal Fusion Decoder)处理数据集中存在的时间序列关系,包括静态富集(Static Enrichment)层、时间自注意(Temporal Self-Attention)层以及位置前馈(Position-wise Feed-Forward)层;
时间自注意层应用可解释的多头注意机制(Interpretable Multi-head Attention),利用掩码确保每个时间维度只能关注其前面的特征;此外,自注意层还使得TFT能够获取长期依赖关系;自注意层后应用了一个门控层以促进训练,即δ(t,n)=LayerNorm(θ(t,n)+GLUδ(β(t,n)));
位置前馈层利用单独的门控残差网络增加了一个非线性处理,此过程类似于静态富集层,即ψ(t,n)=GRNψ(δ(t,n))。
8.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,其特征在于,包括如下步骤:
S1、收集周围交通环境风险信息以确定是否应当转移CACC车辆的驾驶控制权限;
S2、基于所收集的风险信息进行数据预处理,降低数据噪音;
S3、基于所处理的数据经内置模型算法进行接管时间预测,并输出预测结果;
S4、基于预测结果发出接管请求,提醒驾驶员及时接管车辆,同时将预测结果共享给周围其他联网车辆。
9.根据权利要求8所述的接管时间预测方法,其特征在于,S1的实现具体包括静态风险和动态风险的识别:
静态风险的识别:检测前方道路是否存在静止或缓慢移动障碍物(当前车辆距此障碍物的距离为l),识别限制自动驾驶的信号s以及路测标志标识信息s',若检测到上述信息,则认为当前车辆前方存在静态风险;
动态风险的识别:动态风险包括当前车辆若干米范围内前方车辆换道行为的发生频率a、交通流密度ρ、平均行驶车速v,以及当前车辆距前方车辆的距离l',若短时间内a超过某一阈值,或l'小于某一阈值,则认为当前车辆前方存在动态风险,此外,ρ、v、l'会在很大程度上影响CACC车辆的接管时间的长短。
10.根据权利要求8所述的接管时间预测方法,其特征在于,所述S3中内置模型的具体设计如下:变量选择网络,明确所输入的变量对接管时间预测的贡献权重;静态协变量编码器,集成变量选择网络中输出的信息,生成四种不同的上下文向量分别执行不同的功能;时间融合解码器,处理数据集中存在的时间序列关系。其中解码器还包括:静态富集层,利用输入的静态元数据增强时间特征;时间自注意层,确保每个时间维度只能关注其之前的特征,并使得TFT能够获取长期依赖关系;位置前馈层,附加非线性处理,增强数据时间特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149187.3A CN112435466B (zh) | 2020-10-23 | 2020-10-23 | 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*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011149187.3A CN112435466B (zh) | 2020-10-23 | 2020-10-23 | 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*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112435466A true CN112435466A (zh) | 2021-03-02 |
CN112435466B CN112435466B (zh) | 2022-03-22 |
Family
ID=74695985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011149187.3A Active CN112435466B (zh) | 2020-10-23 | 2020-10-23 | 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*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435466B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222295A (zh) * | 2021-06-07 | 2021-08-06 | 吉林大学 | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 |
CN114882477A (zh) * | 2022-03-04 | 2022-08-09 | 吉林大学 | 一种利用眼动信息预测自动驾驶接管时间的方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2015001984A (es) * | 2014-02-17 | 2015-08-17 | Ford Global Tech Llc | Metodo para usar gps para optimizar la distancia de detencion para mejorar el ahorro de combustible. |
DE102014213959A1 (de) * | 2014-07-17 | 2016-01-21 | Continental Automotive Gmbh | Verfahren zum Überwachen eines automatisierten Fahrens |
CN106800023A (zh) * | 2016-12-13 | 2017-06-06 | 智车优行科技(北京)有限公司 | 用于车辆自适应巡航控制的方法、装置及车辆 |
CN107458376A (zh) * | 2017-07-31 | 2017-12-12 | 北京新能源汽车股份有限公司 | 一种自适应巡航控制方法、装置及汽车 |
CN108238052A (zh) * | 2016-12-23 | 2018-07-03 | 本田技研工业株式会社 | 用于确定驾驶员与车辆之间的信息传递速率的***和方法 |
CN108263383A (zh) * | 2016-12-30 | 2018-07-10 | 现代自动车株式会社 | 在协同自适应巡航控制***中控制速度的装置和方法 |
CN108803322A (zh) * | 2018-05-30 | 2018-11-13 | 吉林大学 | 一种时域变权重的驾驶员-自动驾驶***柔性接管方法 |
WO2019017215A1 (en) * | 2017-07-21 | 2019-01-24 | Sony Semiconductor Solutions Corporation | DEVICE AND METHOD FOR CONTROLLING VEHICLE |
CN109637261A (zh) * | 2019-01-16 | 2019-04-16 | 吉林大学 | 自动-人工驾驶权切换情景下驾驶员反应能力训练*** |
CN109849919A (zh) * | 2017-11-30 | 2019-06-07 | 财团法人车辆研究测试中心 | 自动驾驶接管的安全警示***及其方法 |
CN109902862A (zh) * | 2019-02-13 | 2019-06-18 | 北京航空航天大学 | 一种融合时间注意力机制的时间序列预测*** |
CN110070707A (zh) * | 2019-05-16 | 2019-07-30 | 吴鼎新 | 一种实现协同式自适应巡航控制车队组队与分离的方法 |
CN110091875A (zh) * | 2019-05-14 | 2019-08-06 | 长沙理工大学 | 基于物联网的深度学习型智能驾驶环境感知*** |
CN110188637A (zh) * | 2019-05-17 | 2019-08-30 | 西安电子科技大学 | 一种基于深度学习的行为识别技术方法 |
CN110667578A (zh) * | 2018-12-29 | 2020-01-10 | 长城汽车股份有限公司 | 自动驾驶车辆的横向决策***及横向决策确定方法 |
CN110775027A (zh) * | 2019-10-29 | 2020-02-11 | 长安大学 | 基于后车驾驶模式的防追尾制动***和方法 |
CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
CN111183083A (zh) * | 2017-10-04 | 2020-05-19 | 大众汽车有限公司 | 用于运行机动车的辅助***的方法和机动车 |
CN111768651A (zh) * | 2020-05-11 | 2020-10-13 | 吉利汽车研究院(宁波)有限公司 | 一种预防车辆碰撞的预警方法及装置 |
WO2020212231A1 (de) * | 2019-04-15 | 2020-10-22 | Technische Universität Dresden | Verfahren zur kontrolle einer fahrzeugkolonne mittels fahrzeug-zu-fahrzeug-kommunikation |
-
2020
- 2020-10-23 CN CN202011149187.3A patent/CN112435466B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MX2015001984A (es) * | 2014-02-17 | 2015-08-17 | Ford Global Tech Llc | Metodo para usar gps para optimizar la distancia de detencion para mejorar el ahorro de combustible. |
DE102014213959A1 (de) * | 2014-07-17 | 2016-01-21 | Continental Automotive Gmbh | Verfahren zum Überwachen eines automatisierten Fahrens |
CN106800023A (zh) * | 2016-12-13 | 2017-06-06 | 智车优行科技(北京)有限公司 | 用于车辆自适应巡航控制的方法、装置及车辆 |
CN108238052A (zh) * | 2016-12-23 | 2018-07-03 | 本田技研工业株式会社 | 用于确定驾驶员与车辆之间的信息传递速率的***和方法 |
CN108263383A (zh) * | 2016-12-30 | 2018-07-10 | 现代自动车株式会社 | 在协同自适应巡航控制***中控制速度的装置和方法 |
WO2019017215A1 (en) * | 2017-07-21 | 2019-01-24 | Sony Semiconductor Solutions Corporation | DEVICE AND METHOD FOR CONTROLLING VEHICLE |
CN107458376A (zh) * | 2017-07-31 | 2017-12-12 | 北京新能源汽车股份有限公司 | 一种自适应巡航控制方法、装置及汽车 |
CN111183083A (zh) * | 2017-10-04 | 2020-05-19 | 大众汽车有限公司 | 用于运行机动车的辅助***的方法和机动车 |
CN109849919A (zh) * | 2017-11-30 | 2019-06-07 | 财团法人车辆研究测试中心 | 自动驾驶接管的安全警示***及其方法 |
CN108803322A (zh) * | 2018-05-30 | 2018-11-13 | 吉林大学 | 一种时域变权重的驾驶员-自动驾驶***柔性接管方法 |
CN110667578A (zh) * | 2018-12-29 | 2020-01-10 | 长城汽车股份有限公司 | 自动驾驶车辆的横向决策***及横向决策确定方法 |
CN109637261A (zh) * | 2019-01-16 | 2019-04-16 | 吉林大学 | 自动-人工驾驶权切换情景下驾驶员反应能力训练*** |
CN109902862A (zh) * | 2019-02-13 | 2019-06-18 | 北京航空航天大学 | 一种融合时间注意力机制的时间序列预测*** |
WO2020212231A1 (de) * | 2019-04-15 | 2020-10-22 | Technische Universität Dresden | Verfahren zur kontrolle einer fahrzeugkolonne mittels fahrzeug-zu-fahrzeug-kommunikation |
CN110091875A (zh) * | 2019-05-14 | 2019-08-06 | 长沙理工大学 | 基于物联网的深度学习型智能驾驶环境感知*** |
CN110070707A (zh) * | 2019-05-16 | 2019-07-30 | 吴鼎新 | 一种实现协同式自适应巡航控制车队组队与分离的方法 |
CN110188637A (zh) * | 2019-05-17 | 2019-08-30 | 西安电子科技大学 | 一种基于深度学习的行为识别技术方法 |
CN110775027A (zh) * | 2019-10-29 | 2020-02-11 | 长安大学 | 基于后车驾驶模式的防追尾制动***和方法 |
CN111079834A (zh) * | 2019-12-16 | 2020-04-28 | 清华大学 | 一种考虑多车交互的智能车辆安全态势评估方法 |
CN111768651A (zh) * | 2020-05-11 | 2020-10-13 | 吉利汽车研究院(宁波)有限公司 | 一种预防车辆碰撞的预警方法及装置 |
Non-Patent Citations (2)
Title |
---|
李升波: "深度神经网络的关键技术及其在自动驾驶领域的应用", 《汽车安全与节能学报》 * |
王昊等: "基于双目视觉计算的车辆跟驰状态实时感知***", 《中国公路学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222295A (zh) * | 2021-06-07 | 2021-08-06 | 吉林大学 | 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法 |
CN114882477A (zh) * | 2022-03-04 | 2022-08-09 | 吉林大学 | 一种利用眼动信息预测自动驾驶接管时间的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112435466B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xue et al. | Rapid Driving Style Recognition in Car‐Following Using Machine Learning and Vehicle Trajectory Data | |
Moujahid et al. | Machine learning techniques in ADAS: A review | |
Shangguan et al. | A proactive lane-changing risk prediction framework considering driving intention recognition and different lane-changing patterns | |
Simoncini et al. | Vehicle classification from low-frequency GPS data with recurrent neural networks | |
Xue et al. | An integrated lane change prediction model incorporating traffic context based on trajectory data | |
CN111310583A (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
CN110077398B (zh) | 一种用于智能驾驶的危险处理方法 | |
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*** | |
Guo et al. | Lane change detection and prediction using real-world connected vehicle data | |
Xue et al. | A context-aware framework for risky driving behavior evaluation based on trajectory data | |
Wu et al. | Driver lane change intention recognition based on Attention Enhanced Residual-MBi-LSTM network | |
Wang et al. | A traffic prediction model based on multiple factors | |
Azadani et al. | Toward driver intention prediction for intelligent vehicles: A deep learning approach | |
Harkous et al. | Application of hidden Markov model on car sensors for detecting drunk drivers | |
Zhao et al. | Road friction estimation based on vision for safe autonomous driving | |
Jadhav et al. | Road accident analysis and prediction of accident severity using machine learning | |
CN111027859B (zh) | 基于机动车状态监控数据挖掘的驾驶风险防范方法及*** | |
CN116777062A (zh) | 面向极端难例的自适应融合学习自动驾驶安全决策方法 | |
Bravi et al. | Detection of stop sign violations from dashcam data | |
Miao et al. | Driver behavior extraction from videos in naturalistic driving datasets with 3D ConvNets | |
Lee et al. | Individual stable driving pattern analysis for evaluating driver readiness at autonomous driving levels 2 and 3 | |
Park et al. | Denoising recurrent neural networks for classifying crash-related events | |
Bieshaar et al. | Cyclist Motion State Forecasting-Going beyond Detection | |
Aysal et al. | Real-Time Application of Traffic Sign Recognition Algorithm with Deep Learning | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model |
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 |