CN112721929A - 一种基于搜索技术的自动驾驶车辆变道行为决策方法 - Google Patents

一种基于搜索技术的自动驾驶车辆变道行为决策方法 Download PDF

Info

Publication number
CN112721929A
CN112721929A CN202110030986.7A CN202110030986A CN112721929A CN 112721929 A CN112721929 A CN 112721929A CN 202110030986 A CN202110030986 A CN 202110030986A CN 112721929 A CN112721929 A CN 112721929A
Authority
CN
China
Prior art keywords
behavior
lane change
search
decision
tree
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
Application number
CN202110030986.7A
Other languages
English (en)
Other versions
CN112721929B (zh
Inventor
刘顺程
苏涵
郑凯
郑渤龙
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.)
Chengdu Yudong Future Technology Co ltd
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
Chengdu Yudong Future Technology Co ltd
Yangtze River Delta Research Institute of UESTC Huzhou
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 Chengdu Yudong Future Technology Co ltd, Yangtze River Delta Research Institute of UESTC Huzhou filed Critical Chengdu Yudong Future Technology Co ltd
Priority to CN202110030986.7A priority Critical patent/CN112721929B/zh
Publication of CN112721929A publication Critical patent/CN112721929A/zh
Application granted granted Critical
Publication of CN112721929B publication Critical patent/CN112721929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于搜索技术的自动驾驶车辆变道行为决策方法，该决策方法包括如下步骤：(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为；(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。通过上述方案，本发明达到了高效的自动驾驶目的，具有很高的实用价值和推广价值。

Description

一种基于搜索技术的自动驾驶车辆变道行为决策方法
技术领域
本发明属于自动驾驶技术领域，具体地讲，是涉及一种基于搜索技术的自动驾驶车辆变道行为决策方法。
背景技术
现有很多学着针对自动驾驶提出了很多中模型预测，分比如下：
基于情景模型预测变道：有人提出了一种新的基于情景模型预测控制(SCMPC)的高速公路变道辅助和自动驾驶控制算法。其基本思想是通过少量的未来场景来解释交通环境中的不确定性，以执行安全的车道变换。
基于激励的自动驾驶车辆分散化协同换道：基于激励的自动驾驶车辆分散化协同换道决策框架，分别采用基于激励的模型和躲避碰撞协调算法来确定相应的决策。
基于元胞自动机模型预测变道：有人提出了一种经典的元胞自动机模型(STNS)，该模型利用一组规则来判断未来的变道行为。
基于运动学模型预测变道：有人提出了一种车道变换的运动学模型，该模型可以根据多项式的特性来规划车道的运动轨迹。此外，还应用了无限动态圆来检测换道过程中的碰撞。
基于选择模型预测变道：有人提出了一种高速公路车道选择模型(FLS)，该模型将使交通专业人员能够更准确地模拟高速公路上的变道行为。因此，交通模拟软件将FLS算法整合到其软件的商业版本中。FLS算法包括目标车道选择和间隙接受决策，其目的是输出最精确的变道决策。
上述的变道规划算法主要关注换道的安全性、舒适性和准确性，但忽略了换道对其他车辆的潜在影响，因而无法使得自动驾驶车辆更加智能化的处理道路环境，无法达到高效的自动驾驶。因此如何解决现有技术中存在的问题是本领域技术人员亟需解决的问题。
发明内容
为了克服现有技术中的上述不足，本发明提供一种基于搜索技术的自动驾驶车辆变道行为决策方法，使得自动驾驶车辆更加智能化，从而达到高效的自动驾驶。
为了实现上述目的，本发明采用的技术方案如下：
一种基于搜索技术的自动驾驶车辆变道行为决策方法，包括如下步骤：
(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为；
(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。
进一步地，所述步骤(S1)中周围车辆未来轨迹预测结果包括九种即九个节点，分别是：(a)左变道加速、(b)左变道减速、(c)左变道保持速度、(d)不变道加速、(e)不变道减速、(f)不变道保持速度、(g)右变道加速、(h)右变道减速、(i)右变道保持速度。
进一步地，所述步骤(S2)中行为搜索模块的作用是***搜索离散的自动驾驶车辆的最优行为。
进一步地，所述步骤(S2)中行为处理模块的作用是***直接将离散的行为转换为连续的精确值作为输出结果。
具体地，所述步骤(S2)中行为决策的具体步骤如下：
(S21)行为搜索模块获取周围车辆的轨迹预测结果；
(S22)通过获取的周围车辆的轨迹预测结果构建搜索树；
(S23)对构建的搜索树执行行为搜索；
(S24)通过行为处理模块对执行行为中的离散行为转换为连续的精确值；
(S25)行为处理模块将连续的精确值作为结果输出。
进一步地，所述步骤(S22)中搜索树是基于树的数据结构体，树的深度为Z，每个非叶子节点都拥有九个子节点，其中，根节点代表当前状态，而其他子节点则代表未来时刻对应的行为，并且每个节点除根节点之外均表示一种行为。
具体地，所述步骤(S22)中搜索树的每条边都拥有两个权重，即影响因子Fim和速度VA，其中，影响因子Fim的计算方法如下：
Figure BDA0002892034200000031
公式(1)表示所有周围普通车辆的影响因子求和结果，其中，
Figure BDA0002892034200000032
取值为1，2，3分别代表排队情况、插队情况以及交叉情况。
与现有技术相比，本发明具有以下有益效果：
(1)本发明首先获取周围车辆的未来轨迹的预测结果，通过行为搜索模块对预测结果构建搜索树，然后通过行为处理模块对其转换为连续的精准值输出。由于车辆的运动行为是一个连续的值，直接对其进行搜索将非常耗时，本申请的行为决策包括行为搜索模块和行为处理模块两阶段过程，从而将搜索信息进行分散，减少了数据的处理时间，加快搜索过程，提高了行为决策处理效率。并且通过构建搜索树的搜索算法和剪枝策略，有效地找到了最优决策序列，从而使得自动驾驶车辆更加智能化，达到高效的自动驾驶。
附图说明
图1为本发明的动态剪枝示意图。
图2为本发明三个影响因素示意图。
图3为本发明最长重叠路径示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图3所示，一种基于搜索技术的自动驾驶车辆变道行为决策方法，包括如下步骤：
(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为，(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。
其中，周围车辆未来轨迹预测结果包括九种即九个节点，分别是：(a)左变道加速、(b)左变道减速、(c)左变道保持速度、(d)不变道加速、(e)不变道减速、(f)不变道保持速度、(g)右变道加速、(h)右变道减速、(i)右变道保持速度。
所述步骤中搜索树是基于树的数据结构体，树的深度为Z，每个非叶子节点都拥有九个子节点(即3×3个离散自动驾驶车辆行为)，其中，根节点代表当前状态，而其他子节点则代表未来时刻对应的行为，并且每个节点除根节点之外均表示一种行为，其中搜索树的结构如图1所示。
所述搜索树的每条边都拥有两个权重，即影响因子Fim和速度VA，其中，速度计算方法是纵向行驶距离/单位时间，它的单位为m/s，影响因子Fim的计算方法如下：
Figure BDA0002892034200000041
公式(1)表示所有周围普通车辆的影响因子求和结果，其中，
Figure BDA0002892034200000042
取值为1，2，3分别代表排队情况、插队情况以及交叉情况，三种变道情况如图2所示。
在行为搜索部分，使用Beam Search算法来执行搜索，Beam Search是一种启发式搜索算法，其使用广度优先搜索来构建搜索树，可降低内存需求，但不一定到全局最优解。Beam Search***使用广度优先策略建立搜索树，在树的每一层，按照启发代价对节点进行排序，然后仅留下预先确定的个数(Beam Width-集束宽度)的节点，仅这些节点在下一层次继续扩展，其他节点就被剪掉了。
本申请以快速找到最优的变道行为，使用决策树结构来表示整个搜索空间。使用动态修剪策略，可以将操纵树保持在易于处理的大小内，从而可以高效地执行搜索。
搜索过程有两个目标：第一个是使自动驾驶车辆的平均速度最大化，该平均速度被计算为纵向行进距离除以持续时间。第二个是使其对周围普通车辆的影响最小化，通过影响因子可以模拟普通车辆受自动驾驶车辆的影响程度。最终行为决策功能输出得到自动驾驶车辆最优的行为。
行为决策功能由行为搜索和行为处理两个子模块组成。在行为搜索阶段，***搜索得到一个离散化版本的最优行为序列。具体地说，离散化行为是横向变道行为和纵向运动行为的离散化，考虑以下三种变道行为：左变道、右变道和不变道；以及三种纵向行为：加速、减速和保持速度。在行为处理阶段，我们根据第一阶段得到的离散行为转换并生成精确的值，并最终得到完整的自动驾驶车辆横向纵向行为。
基于行为搜索树，使用搜索算法和剪枝策略来有效地进行最佳变道的行为决策。一旦轨迹预测功能部分输出了普通车辆的轨迹预测结果，***就可以开始搜索自动驾驶车辆的最优行为，并决定如何实施该行为。由于车辆的纵向运动距离是一个连续值，***需要先将其离散化，使搜索过程变得可行，然后在之后的行为处理过程中将其转换为连续值。
该算法的流程如下：
1)将初始节点***到列表中；
2)将目标节点(满足目标的节点)出堆，如果该节点是叶节点，则算法结束；
3)否则扩展该节点，取集束宽度的节点入堆。然后到第二步继续循环；
4)算法结束的条件是找到最优行为。
目标节点就是满足自动驾驶汽车的平均速度最大化同时最小化其他普通车辆影响因子的节点，而搜索过程就是在行为树中搜索并得到这些满足目标的节点(行为)。对于搜索的目标，其数学公式表示如下：
Figure BDA0002892034200000051
其中，M表示行为搜索输出的自动驾驶车辆最优离散行为，该公式(2)旨在找到最大化速度同时最小化影响因子的离散行为。本申请使用的Beam Search算法能在适当的情况下，剪掉一些可信度低的路径(剪枝)，并找出剪枝后的最优解。
最后在行为处理部分，直接根据传感器获取的环境信息进行评估，将行为搜索部分输出的离散行为值进行连续化，并通过外界环境的实时情况进行微调，从而满足自动驾驶车辆的安全行驶。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (7)

1.一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，包括如下步骤：
(S1)在预测了周围车辆的未来轨迹之后，自动驾驶汽车决策自己的驾驶行为；
(S2)在行为决策中，分别通过行为搜索模块和行为处理模块对自动驾驶车辆的变道行为进行决策。
2.根据权利要求1所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S1)中周围车辆未来轨迹预测结果包括九种即九个节点，分别是：(a)左变道加速、(b)左变道减速、(c)左变道保持速度、(d)不变道加速、(e)不变道减速、(f)不变道保持速度、(g)右变道加速、(h)右变道减速、(i)右变道保持速度。
3.根据权利要求2所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S2)中行为搜索模块的作用是***搜索离散的自动驾驶车辆的最优行为。
4.根据权利要求3所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S2)中行为处理模块的作用是***直接将离散的行为转换为连续的精确值作为输出结果。
5.根据权利要求4所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S2)中行为决策的具体步骤如下：
(S21)行为搜索模块获取周围车辆的轨迹预测结果；
(S22)通过获取的周围车辆的轨迹预测结果构建搜索树；
(S23)对构建的搜索树执行行为搜索；
(S24)通过行为处理模块对执行行为中的离散行为转换为连续的精确值；
(S25)行为处理模块将连续的精确值作为结果输出。
6.根据权利要求5所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S22)中搜索树是基于树的数据结构体，树的深度为Z，每个非叶子节点都拥有九个子节点，其中，根节点代表当前状态，而其他子节点则代表未来时刻对应的行为，并且每个节点除根节点之外均表示一种行为。
7.根据权利要求6所述的一种基于搜索技术的自动驾驶车辆变道行为决策方法，其特征在于，所述步骤(S22)中搜索树的每条边都拥有两个权重，即影响因子Fim和速度VA，其中，影响因子Fim的计算方法如下：
Figure FDA0002892034190000021
公式(1)表示所有周围普通车辆的影响因子求和结果，其中，
Figure FDA0002892034190000022
取值为1，2，3分别代表排队情况、插队情况以及交叉情况。
CN202110030986.7A 2021-01-11 2021-01-11 一种基于搜索技术的自动驾驶车辆变道行为决策方法 Active CN112721929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110030986.7A CN112721929B (zh) 2021-01-11 2021-01-11 一种基于搜索技术的自动驾驶车辆变道行为决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110030986.7A CN112721929B (zh) 2021-01-11 2021-01-11 一种基于搜索技术的自动驾驶车辆变道行为决策方法

Publications (2)

Publication Number Publication Date
CN112721929A true CN112721929A (zh) 2021-04-30
CN112721929B CN112721929B (zh) 2022-11-22

Family

ID=75590227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110030986.7A Active CN112721929B (zh) 2021-01-11 2021-01-11 一种基于搜索技术的自动驾驶车辆变道行为决策方法

Country Status (1)

Country Link
CN (1) CN112721929B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114019981A (zh) * 2021-11-16 2022-02-08 北京三快在线科技有限公司 一种无人驾驶设备的轨迹规划方法及规划装置

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000039331A (ja) * 1999-07-30 2000-02-08 Mitsubishi Electric Corp 車両用経路案内装置およびそれに用いることができる交通渋滞予測方法
WO2004045891A1 (de) * 2002-11-21 2004-06-03 Lucas Automotive Gmbh System zur beeinflussung der geschwindigkeit eines kfzs
CN101089917A (zh) * 2007-06-01 2007-12-19 清华大学 一种目标车换道工况下的快速识别方法
US20100191411A1 (en) * 2009-01-26 2010-07-29 Bryon Cook Driver Risk Assessment System and Method Employing Selectively Automatic Event Scoring
DE102011005844A1 (de) * 2011-03-21 2012-09-27 Bayerische Motoren Werke Aktiengesellschaft Automatische Steuerung eines Fahrzeugs
CN105117395A (zh) * 2015-05-11 2015-12-02 电子科技大学 基于位置线索平衡二叉树的相邻车辆的查询算法
CN105956625A (zh) * 2016-05-11 2016-09-21 清华大学深圳研究生院 一种基于给定物理模型的汽车运动状态识别方法及***
US9701307B1 (en) * 2016-04-11 2017-07-11 David E. Newman Systems and methods for hazard mitigation
CN107139921A (zh) * 2017-04-05 2017-09-08 吉利汽车研究院（宁波）有限公司 一种用于车辆的转向防碰撞方法及***
JP2018100896A (ja) * 2016-12-20 2018-06-28 ヤフー株式会社 選択装置、選択方法及び選択プログラム
US20180267557A1 (en) * 2017-03-17 2018-09-20 Denso International America, Inc. Vehicle system and vehicle controller for controlling vehicle
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN109791409A (zh) * 2016-09-23 2019-05-21 苹果公司 自主车辆的运动控制决策
CN109979200A (zh) * 2019-03-29 2019-07-05 武汉理工大学 一种全时共享公交专用道社会车辆换道引导***及方法
US20190220015A1 (en) * 2018-01-15 2019-07-18 Uber Technologies, Inc. Discrete Decision Architecture for Motion Planning System of an Autonomous Vehicle
CN110298131A (zh) * 2019-07-05 2019-10-01 西南交通大学 一种混合驾驶环境下自动驾驶换道决策模型建立方法
CN110363295A (zh) * 2019-06-28 2019-10-22 电子科技大学 一种基于dqn的智能车多车道换道方法
CN110569783A (zh) * 2019-09-05 2019-12-13 吉林大学 一种驾驶人换道意图识别方法及***
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
WO2020000192A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for providing vehicle trajectory prediction
CN110908375A (zh) * 2019-11-14 2020-03-24 北京三快在线科技有限公司 获取变道决策信息的方法、装置、存储介质和车辆
US20200189597A1 (en) * 2018-12-12 2020-06-18 Visteon Global Technologies, Inc. Reinforcement learning based approach for sae level-4 automated lane change

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000039331A (ja) * 1999-07-30 2000-02-08 Mitsubishi Electric Corp 車両用経路案内装置およびそれに用いることができる交通渋滞予測方法
WO2004045891A1 (de) * 2002-11-21 2004-06-03 Lucas Automotive Gmbh System zur beeinflussung der geschwindigkeit eines kfzs
CN101089917A (zh) * 2007-06-01 2007-12-19 清华大学 一种目标车换道工况下的快速识别方法
US20100191411A1 (en) * 2009-01-26 2010-07-29 Bryon Cook Driver Risk Assessment System and Method Employing Selectively Automatic Event Scoring
DE102011005844A1 (de) * 2011-03-21 2012-09-27 Bayerische Motoren Werke Aktiengesellschaft Automatische Steuerung eines Fahrzeugs
CN105117395A (zh) * 2015-05-11 2015-12-02 电子科技大学 基于位置线索平衡二叉树的相邻车辆的查询算法
US9701307B1 (en) * 2016-04-11 2017-07-11 David E. Newman Systems and methods for hazard mitigation
CN105956625A (zh) * 2016-05-11 2016-09-21 清华大学深圳研究生院 一种基于给定物理模型的汽车运动状态识别方法及***
CN109791409A (zh) * 2016-09-23 2019-05-21 苹果公司 自主车辆的运动控制决策
JP2018100896A (ja) * 2016-12-20 2018-06-28 ヤフー株式会社 選択装置、選択方法及び選択プログラム
US20180267557A1 (en) * 2017-03-17 2018-09-20 Denso International America, Inc. Vehicle system and vehicle controller for controlling vehicle
CN107139921A (zh) * 2017-04-05 2017-09-08 吉利汽车研究院（宁波）有限公司 一种用于车辆的转向防碰撞方法及***
US20190220015A1 (en) * 2018-01-15 2019-07-18 Uber Technologies, Inc. Discrete Decision Architecture for Motion Planning System of an Autonomous Vehicle
WO2020000192A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for providing vehicle trajectory prediction
US20200189597A1 (en) * 2018-12-12 2020-06-18 Visteon Global Technologies, Inc. Reinforcement learning based approach for sae level-4 automated lane change
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN109979200A (zh) * 2019-03-29 2019-07-05 武汉理工大学 一种全时共享公交专用道社会车辆换道引导***及方法
CN110363295A (zh) * 2019-06-28 2019-10-22 电子科技大学 一种基于dqn的智能车多车道换道方法
CN110298131A (zh) * 2019-07-05 2019-10-01 西南交通大学 一种混合驾驶环境下自动驾驶换道决策模型建立方法
CN110597245A (zh) * 2019-08-12 2019-12-20 北京交通大学 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN110569783A (zh) * 2019-09-05 2019-12-13 吉林大学 一种驾驶人换道意图识别方法及***
CN110908375A (zh) * 2019-11-14 2020-03-24 北京三快在线科技有限公司 获取变道决策信息的方法、装置、存储介质和车辆

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
余卓平等: "城市工况下基于改进RRT的无人车运动规划算法", 《汽车技术》 *
刘志强等: "基于车联网信息的自动换道方法研究", 《重庆理工大学学报(自然科学)》 *
张金旺等: "基于概率统计的车辆运动轨迹预测方法", 《军事交通学院学报》 *
徐兵等: "采用梯度提升决策树的车辆换道融合决策模型", 《浙江大学学报(工学版)》 *
邓建华等: "基于换道决策机理的多车道元胞自动机模型", 《交通运输***工程与信息》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114019981A (zh) * 2021-11-16 2022-02-08 北京三快在线科技有限公司 一种无人驾驶设备的轨迹规划方法及规划装置
CN114019981B (zh) * 2021-11-16 2023-12-22 北京三快在线科技有限公司 一种无人驾驶设备的轨迹规划方法及规划装置

Also Published As

Publication number Publication date
CN112721929B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
Wang et al. Developing a Distributed Consensus‐Based Cooperative Adaptive Cruise Control System for Heterogeneous Vehicles with Predecessor Following Topology
Hou et al. Modeling mandatory lane changing using Bayes classifier and decision trees
Wei et al. Autonomous vehicle social behavior for highway entrance ramp management
CN112242059B (zh) 基于动机与风险评估的无人驾驶车辆智能决策方法
CN105573323A (zh) 自动驾驶轨迹生成方法及装置
Barmpounakis et al. Identifying predictable patterns in the unconventional overtaking decisions of PTW for cooperative ITS
Dasgupta et al. Merging and splitting maneuver of platoons by means of a novel PID controller
Huang et al. Design and performance evaluation of mixed manual and automated control traffic
Pierson et al. Learning risk level set parameters from data sets for safer driving
Wu et al. Differential variable speed limits control for freeway recurrent bottlenecks via deep reinforcement learning
KR20210118995A (ko) 딥러닝 기반 자율주행차량의 유턴 경로 생성 방법 및 장치
CN112721929B (zh) 一种基于搜索技术的自动驾驶车辆变道行为决策方法
Ma et al. A novel multimode hybrid control method for cooperative driving of an automated vehicle platoon
Wheeler et al. A probabilistic framework for microscopic traffic propagation
Patil A Review of Connected and Automated Vehicle Traffic Flow Models for Next-Generation Intelligent Transportation Systems
CN112721948A (zh) 基于预测和搜索框架的自动驾驶汽车变道调度的实现方法
CN116448134B (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
CN115826586A (zh) 一种融合全局算法和局部算法的路径规划方法及***
CN114117944B (zh) 一种模型更新方法、装置、设备及可读存储介质
CN114200917B (zh) 一种车辆换道控制方法及装置
Tang et al. Consensus-based platoon control for non-lane-discipline connected autonomous vehicles considering time delays
Saraoglu et al. A Minimax-Based Decision-Making Approach for Safe Maneuver Planning in Automated Driving
Pauca et al. Communication topologies evaluation for a vehicle merging into a platoon on highway
Zambelli et al. Two-step asynchronous iterative formation control for heterogeneous vehicles in highway scenarios
Zhao et al. Behavior Planning of Trains with Trajectory Predictioin

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