CN113642109A - 一种基于bp神经网络的多传感器方案评价与优化***及方法 - Google Patents
一种基于bp神经网络的多传感器方案评价与优化***及方法 Download PDFInfo
- Publication number
- CN113642109A CN113642109A CN202110940508.XA CN202110940508A CN113642109A CN 113642109 A CN113642109 A CN 113642109A CN 202110940508 A CN202110940508 A CN 202110940508A CN 113642109 A CN113642109 A CN 113642109A
- Authority
- CN
- China
- Prior art keywords
- sensor
- neural network
- area
- detection
- sensor arrangement
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于BP神经网络的多传感器方案评价与优化***及方法,该方法包括:第一评价单元,其用于从安全性指标和经济性指标,对车辆上的传感器布置方案进行评分;第二评价单元,用于对传感器布置方案中的各类传感器的性能进行评分;上部神经网络;下部神经网络;迭代优化单元,用于判断上部神经网络与下部神经网络的输出的得分是否满足设定要求,在判定结果为否的情形下,依据第一评价单元和第二评价单元的评分结果,调整传感器布置方案或其中传感器的性能,从而产生仿真数据,利用仿真数据得到神经网络的数据,直至判定结果为是。本发明能够不断迭代优化传感器布置方案以及提高其中传感器的性能,降低前期制造成本。
Description
技术领域
本发明涉及自动驾驶传感器技术领域,特别是关于一种基于BP神经网络的多传感器方案评价与优化***及方法。
背景技术
汽车智能化、网联化是汽车行业发展的重要趋势。环境感知技术是智能车辆的核心技术之一,其通过获取和分析传感器数据,为决策、控制等技术环节提供环境信息支持。其中,传感器是感知***的首要构成。多源异构传感器融合技术已成为技术主流。多源异构传感器包括激光雷达、毫米波雷达、超声波雷达和相机等。而传感器的选型与安装是感知***中基础的工作。传感器的合理传感器布置方案可以有效减少车辆盲区,对于降低智能汽车传感器安装成本、提高智能汽车工作可靠性具有积极意义。但是,目前对多传感器布置方案的科学性、有效性尚未形成广泛认可的评价体系,难以对现有传感器布置方案的效果形成统一评价。因此,传感器的传感器布置方案评价亟需一种科学合理的评价方法,从而去优化现有传感器布置方案的不足。
目前的智能汽车传感器的传感器布置方案,主要存在的问题有:所述的传感器布置方案未提出对应的评价指标来量化整体传感器布置方案的优劣,无法衡量传感器布置方案中所使用传感器的性能优劣,无法进一步对传感器的选型与安装位置进行优化。
发明内容
本发明的目的在于提供一种基于BP神经网络的多传感器方案评价与优化***及方法来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的,本发明提供一种基于BP神经网络的多传感器方案评价与优化***,该***包括:
第一评价单元,其用于从安全性指标和经济性指标,对车辆上的传感器布置方案进行评分;其中,所述安全性指标包括基于同向四车道直线道路模型的探测覆盖率、基于转弯盲区的探测覆盖率、探测区域重叠率、所述传感器布置方案的可靠性和工作频率中的一种或多种,所述经济性指标包括所述传感器布置方案的总成本;
第二评价单元,其用于对所述传感器布置方案中的各类传感器的性能进行评分;其中,所述性能指标包括激光雷达有效探测距离、激光雷达每帧点云总量、毫米波雷达最远探测距离、毫米波雷达水平视场角、相机像素数和相机水平视场角中的一种或多种;
上部神经网络,其基于所述第一评价单元的评分指标建立,并根据所述第一评价单元的训练数据训练得到;
下部神经网络,其基于所述第二评价单元的评分指标建立,并根据所述第二评价单元的训练数据训练得到;
迭代优化单元,其用于判断上部神经网络与下部神经网络的输出的得分是否满足设定要求,在判定结果为否的情形下,依据所述第一评价单元和第二评价单元的评分结果,调整传感器布置方案,从而产生仿真数据,并利用仿真数据得到神经网络的数据,直至判定结果为是。
进一步地,所述基于同向四车道直线道路模型的探测覆盖率C1的计算公式被描述为式(4):
式中,Sd为所述传感器的探测区域的面积,Sr为所述同向四车道直线道路模型的总面积,所述同向四车道直线道路模型中的车辆被简化为质点,车辆上传感器的探测区域模型依据传感器的探测距离Di与水平视场角θi,所述传感器布置方案有i个传感器,第i个传感器对应的探测区域的扇形面积为Si,第n个传感器与第m个传感器的探测区域重叠面积为扇形Snm,重叠扇形的半径为r,重叠扇形的角度为θnm;
进一步地,所述基于转弯盲区的探测覆盖率C2的计算公式被描述为式(8):
C2=(C2′+C2″)/2 (8)
式中,C2′为对转弯初始位置的车辆右下角求取传感器探测区域覆盖转弯盲区的面积Sd′与转弯盲区面积Sb的比值,C2″为对转弯结束位置的车辆右下角求取传感器探测区域覆盖转弯盲区的面积Sd″与转弯盲区面积Sb的比值,R为对应转弯侧的车轮轨迹圆弧的半径,R′为转弯侧的另一侧的车轮轨迹圆弧的半径,w为车辆的宽度,l为长度;
进一步地,所述探测区域重叠率O的计算公式被描述为式(9):
O=Snm/Sd (9)
式中,Snm为第n个传感器与第m个传感器的探测区域重叠面积,Sd为所述传感器布置方案的传感器探测区域面积。
进一步地,所述传感器布置方案的工作频率fmin的计算公式为式(14):
fmin=min{fi} (14)
式中,fi为获取的所述传感器布置方案中传感器种类的工作频率。
进一步地,所述激光雷达有效探测距离D1为式(21)计算得到的x1的最大值:
式中,a、b为衡量激光雷达的真实感知能力而设定的样板分别沿激光雷达的右侧方向和垂直向上的两倍的相邻线束的间距,h为激光雷达距离地面的安装高度,Δθ为同线束下相邻的水平虚拟两线束的夹角水平分辨率,Δθ′为在垂直角度下两个相邻线束的夹角垂直分辨率,x1为样板距离激光雷达的x坐标值。
进一步地,所述上部神经网络和下部神经网络的评分训练方法的训练数据集的获得方法包括:
建立所述上部神经网络和下部神经网络的输入数据集X,其中第i个数据向量表示为Xi;
通过计算公式(25),计算中间向量X′i;
判断X′i中的各个元素的正负,并将其中的第T个元素的值进行取反,统计每一个X′i中的前T个元素的正数个数n1和负数个数n2,并计算n1与n2之差Di,并通过下列的映射关系(26),赋予对应的标签值Y1i,将Xi的前T个元素组成向量Xui,将Y1i与Xui组成上部神经网络数据集D1={(Xu1,Y11),(Xu2,Y12),…,(Xui,Y1i)};其中,T为预设编号;
通过上述相同方式,统计每一个X′i中的后T个元素的得到对应的标签值Y2i,将Xi的后T个元素组成向量Xdi,将Y2i与Xdi组成下部神经网络数据集D2={(Xd1,Y21),(Xd2,Y22),…,(Xdi,Y2i)};
对输入神经网络的向量Xui和Xdi的元素逐个进行归一化,得到训练数据集。
本发明还提供一种基于BP神经网络的多传感器方案评价与优化方法,该方法包括:
步骤S1,从安全性指标和经济性指标,对车辆上的传感器布置方案进行评分;其中,所述安全性指标包括基于同向四车道直线道路模型的探测覆盖率、基于转弯盲区的探测覆盖率、探测区域重叠率、所述传感器布置方案的可靠性和工作频率中的一种或多种,所述经济性指标包括所述传感器布置方案的总成本;
步骤S2,对所述传感器布置方案中的各类传感器的性能进行评分;其中,所述性能指标包括激光雷达有效探测距离、激光雷达每帧点云总量、毫米波雷达最远探测距离、毫米波雷达水平视场角、相机像素数和相机水平视场角中的一种或多种;
步骤S3,基于所述第一评价单元的评分指标建立上部神经网络,并根据所述第一评价单元的训练数据进行训练;
步骤S4,基于所述第二评价单元的评分指标建立下部神经网络,并根据所述第二评价单元的训练数据进行训练;
步骤S5,判断上部神经网络与下部神经网络的输出的得分是否满足设定要求,若是,则进入步骤S6,反之,则进入步骤S7;
步骤S6,停止迭代优化;
步骤S7,依据所述步骤S1和步骤S1的评分结果,调整传感器布置方案,从而产生仿真数据,并利用仿真数据得到神经网络的数据,并返回步骤S5。
进一步地,所述基于同向四车道直线道路模型的探测覆盖率C1的计算公式被描述为式(4):
式中,Sd为所述传感器的探测区域的面积,Sr为所述同向四车道直线道路模型的总面积,所述同向四车道直线道路模型中的车辆被简化为质点,车辆上传感器的探测区域模型依据传感器的探测距离Di与水平视场角θi,所述传感器布置方案有i个传感器,第i个传感器对应的探测区域的扇形面积为Si,第n个传感器与第m个传感器的探测区域重叠面积为扇形Snm,重叠扇形的半径为r,重叠扇形的角度为θnm;
所述基于转弯盲区的探测覆盖率C2的计算公式被描述为式(8):
C2=(C2′+C2″)/2 (8)
式中,C2′为对转弯初始位置的车辆右下角求取传感器探测区域覆盖转弯盲区的面积Sd′与转弯盲区面积Sb的比值,C2″为对转弯结束位置的车辆右下角求取传感器探测区域覆盖转弯盲区的面积Sd″与转弯盲区面积Sb的比值,R为对应转弯侧的车轮轨迹圆弧的半径,R′为转弯侧的另一侧的车轮轨迹圆弧的半径,w为车辆的宽度,l为长度;
所述探测区域重叠率O的计算公式被描述为式(9):
O=Snm/Sd (9)
式中,Snm为第n个传感器与第m个传感器的探测区域重叠面积,Sd为所述传感器布置方案的传感器探测区域面积;
所述传感器布置方案的工作频率fmin的计算公式为式(14):
fmin=min{fi} (14)
式中,fi为获取的所述传感器布置方案中传感器种类的工作频率;
所述激光雷达有效探测距离D1为式(21)计算得到的x1的最大值:
式中,a、b为衡量激光雷达的真实感知能力而设定的样板分别沿激光雷达的右侧方向和垂直向上的两倍的相邻线束的间距,h为激光雷达距离地面的安装高度,Δθ为同线束下相邻的水平虚拟两线束的夹角水平分辨率,Δθ′为在垂直角度下两个相邻线束的夹角垂直分辨率,x1为样板距离激光雷达的x坐标值。
进一步地,所述上部神经网络和下部神经网络的评分训练方法的训练数据集的获得方法包括:
建立所述上部神经网络和下部神经网络的输入数据集X,其中第i个数据向量表示为Xi;
通过计算公式(25),计算中间向量X′i;
判断X′i中的各个元素的正负,并将其中的第T个元素的值进行取反,统计每一个X′j中的前T个元素的正数个数n1和负数个数n2,并计算n1与n2之差Di,并通过下列的映射关系(26),赋予对应的标签值Y1i,将Xi的前T个元素组成向量Xui,将Y1i与Xui组成上部神经网络数据集D1={(Xu1,Y11),(Xu2,Y12),…,(Xui,Y1i)};
通过上述相同方式,统计每一个X′i中的后T个元素的得到对应的标签值Y2i,将Xi的后T个元素组成向量Xdi,将Y2i与Xdi组成下部神经网络数据集D2={(Xd1,Y21),(Xd2,Y22),…,(Xdi,Y2i)};
对输入神经网络的向量Xui和Xdi的元素逐个进行归一化,得到训练数据集。
由于本发明实施例通过采用双BP神经网络模型,通过制定对应的评价指标,求得对应传感器布置方案的分数。相比于现有依赖于人为主观的传感器布置方案评价方法,本发明提出的评价方法更加科学合理化,且适应于评价所有类似的智能汽车传感器布置方案。另外,利用评价的得分,可以采用仿真数据通过该神经网络计算得分,从而不断迭代优化传感器的传感器布置方案以及提高其中传感器的性能,降低前期制造成本。
附图说明
图1为本发明实施例提供的方案流程图;
图2为本发明举例的传感器布置方案图;
图3为本发明的传感器布置方案评价指标体系图;
图4为基于道路模型的探测覆盖率计算模型图;
图5为传感器探测区域模型图;
图6为基于转弯盲区的探测覆盖率计算模型图;
图7为探测区域重叠率计算模型图;
图8为传感器布置方案可靠性框图;
图9为激光雷达有效探测距离计算图;
图10为本发明的BP神经网络结构图;
图11为多传感器评价与优化方案***。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1-图3所示,本发明实施例提供的基于BP神经网络的多传感器方案评价与优化***包括第一评价单元、第二评价单元、上部神经网络、下部神经网络和迭代优化单元,其中:
第一评价单元用于从安全性指标和经济性指标,对车辆上的传感器布置方案进行评分;其中,所述安全性指标包括基于同向四车道直线道路模型的探测覆盖率、基于转弯盲区的探测覆盖率、探测区域重叠率、所述传感器布置方案的可靠性和工作频率中的一种或多种,所述经济性指标包括所述传感器布置方案的总成本。
第二评价单元用于对所述传感器布置方案中的各类传感器的性能进行评分。各类传感器包括激光雷达、毫米波雷达和摄像头。对于激光雷达建立如下指标:有效探测距离和每帧点云总量。对于毫米波雷达建立如下指标:最远探测距离和水平视场角范围。对于摄像头建立如下指标:像素数和水平视场角。那么,所述性能指标包括激光雷达有效探测距离、激光雷达每帧点云总量、毫米波雷达最远探测距离、毫米波雷达水平视场角、相机像素数和相机水平视场角中的一种或多种。
上部神经网络基于所述第一评价单元的评分指标建立,并根据所述第一评价单元的训练数据训练得到。
下部神经网络基于所述第二评价单元的评分指标建立,并根据所述第二评价单元的训练数据训练得到。
上述构建得到的评价指标对每一个传感器布置方案得出对应的指标结果,将每一个传感器布置方案所有的指标结果记为一组数据。通过对数据集进行标注,对所求数据集中的每一个评价指标求得平均值,然后从传感器布置方案整体和所选传感器性能进行评价并得出对应的两个分数,利用这两个分数来评价传感器布置方案,该分数作为该数据对应的标签。最后,利用已标注的数据集训练两个神经网络,使两个神经网络的损失函数降到最低,即训练结束,保留两个神经网络训练所得的参数。
本发明实施例通过采用双BP神经网络模型,通过制定对应的评价指标,求得对应传感器布置方案的分数。相比于现有依赖于人为主观的传感器布置方案评价方法,本发明提出的评价方法更加科学合理化,且适应于评价所有类似的智能汽车传感器布置方案。另外,利用评价的得分,可以采用仿真数据通过该神经网络计算得分从而不断迭代优化传感器的传感器布置方案以及提高其中传感器的性能,降低前期制造成本。
在一个实施例中,同向四车道直线道路模型是依据《城市道路设计规范》建立得到,例如:如图4所示,同向四车道直线道路模型中,将直线道路的总长度设置为180m,单车道宽度设置为3.75m,将车辆简化为一个质点(如图4中的黑色圆点),将质点固定于车道中心线上,将其位于车道3上。
根据车辆上传感器的探测区域一般呈现为对称分布,在车道2和车道3上计算覆盖率是等价的,将各类传感器的探测区域模型放置到质点处,传感器探测区域模型依据传感器的探测距离Di与水平视场角θi两个参数构成。假设传感器布置方案有i个传感器,则第i个传感器对应的探测区域的扇形面积为Si,其模型如图5所示,计算公式被描述为式(1)。其中,探测区域面积Sd可能存在传感器重叠的探测区域,因此需要减去重复的探测区域,Sd的计算公式被描述为式(3)。图6为探测区域重叠率计算模型图,将探测区域重叠面积假设为扇形,重叠扇形的半径为r,重叠扇形的角度为θnm,第n个传感器与第m个传感器的探测区域重叠面积为Snm,Snm的计算公式被描述为式(2)。计算所有探测区域面积Sd在同向四车道直线道路模型总面积Sr的所覆盖的占比,该占比即为基于道路模型的探测覆盖率C1,其计算公式被描述为式(4):
在一个实施例中,依据十字路口左转弯建立对应的区域模型。设定车辆的宽度表示为w,长度表示为l。为了便于理解,如图7所示,以车辆左转弯为例,在对应左转弯的过程中,将左侧的车轮轨迹假设为半径为R的圆弧,将右侧的车轮轨迹假设为半径为R′的圆弧。其中,R选取为车辆最小转弯半径。对于小型车而言,一般为6m,车宽一般为1.6m,则R′为7.6m。
将转弯初始位置的车辆右下角A与转弯结束位置的车辆右下角A′相连,则车辆右侧转弯弧线l′与车辆右侧长度l与线段AA′构成的不规则面积即为上文提及的转弯盲区面积Sb,Sb的计算公式被描述为式(5)。
对转弯初始位置的车辆右下角A与转弯结束位置的车辆右下角A′,分别求取传感器探测区域覆盖转弯盲区的面积Sd′、Sd″,两者与转弯盲区面积Sb的比值分别为C2′、C2″(如式(6)和式(7)所示),通过式(8)计算C2′和C2″的均值,作为基于转弯盲区的探测覆盖率C2:
C2′=Sd′/Sb (6)
C2″=Sd″/Sb (7)
C2=(C2′+C2″)/2 (8)
在一个实施例中,为了衡量智能汽车感知能力的冗余度,对探测区域重叠面积Snm进行计算。第n个传感器与第m个传感器的探测区域重叠面积为Snm,传感器布置方案的传感器探测区域面积Sd。则探测区域重叠面积Snm与传感器布置方案的传感器探测区域面积Sd的比值为探测区域重叠率O,其计算公式被描述为式(9):
O=Snm/Sd (9)
式中,Snm为第n个传感器与第m个传感器的探测区域重叠面积,Sd为所述传感器布置方案的传感器探测区域面积。
在一个实施例中,为了衡量传感器布置方案整体的可靠性,选取方案的平均故障间隔时间MTBF作为传感器布置方案的可靠性指标。
对传感器布置方案建立可靠性框图,例如:如图8所示,将传感器布置方案看成五个并联的感知子模块,即:前向感知子模块、后向感知子模块、左侧感知子模块、右侧感知子模块与车周感知子模块。其中,前向感知子模块包括传感器布置方案中位于感知车辆前向的传感器,以图2中的传感器布置方案为例,包括激光雷达、毫米波雷达和相机。其中后向感知子模块、左侧感知子模块、右侧感知子模块的传感器布置方案同理。
由于超声波雷达位于车周方向,且并联到一个超声波雷达控制器中,因此对于超声波雷达算为单独的车周感知子模块。
每个子模块的内部为串联关系,由此,传感器布置方案的可靠性框图依据上述关系建立。
对于每一个传感器的故障率为λij,其中j为感知子模块的编号,i为第j个感知子模块中传感器的编号。故障率数据一般由生产商提供,对于低故障率的传感器的故障率可选为10-9/h。假设五个感知子模块的传感器数量为aj。那么各个感知子模块对应的失效率为λj′,其计算公式被描述为式(10)。假设***各个单元的寿命分布均为指数分布,则计算各个感知子模块的平均故障率为λs,其计算公式被描述为式(11)。并将平均故障率作为五个感知子模块的故障率,求解***的可靠度Rs(t),其计算公式被描述为式(12)。由于五个感知子模块并联后的故障率将不再为常数,会随着工作时间t改变,则***的可靠度也成为随着工作时间t变化的函数,对可靠度在时间上求积分即为方案的平均故障间隔时间MTBF,其计算公式被描述为式(13):
λs=(∑0<j≤5λj′)/5 (11)
在一个实施例中,为了衡量传感器布置方案的实时性,因此获取所选传感器种类的工作频率fi,传感器布置方案包括i种传感器,然后选取其中传感器中工作频率fi最小值,作为方案的最低工作频率,其计算公式被描述为式(14):
fmin=min{fi} (14)
式中,fi为获取的所述传感器布置方案中传感器种类的工作频率。
在一个实施例中,为了衡量传感器布置方案的经济性,达到控制成本的目的,该指标为两个成本之和,包括本传感器布置方案的传感器的购置成本Cost1和安装结构成本Cost2,其计算公式被描述为式(15):
Cost=Cost1+Cost2 (15)
在一个实施例中,由于激光雷达距离越远点云越稀疏,为了衡量激光雷达的真实感知能力需要设定相关的标准值,即对于1.6m*1.6m的正方形样板,激光雷达在距离地面一定安装高度h下,垂直照射样板,能满足板上具有九个点云的最远检测距离。由于激光雷达的点云遮挡性,因此只考虑水平面与垂直面上的点云总数。
具体的计算模型示例如图9所示,定义x轴正方向为激光雷达的正前方,y轴正方向为激光雷达的右方,z轴正方向为激光雷达的垂直上方,线束l1与线束l2为在垂直角度下两个相邻线束的夹角,两者夹角为垂直分辨率Δθ′。首先计算两个方向下相邻线束的差值,水平方向为Δy,垂直方向为Δz,由于道路车辆尾部一般的宽和高近似值为1.6m,因此对于样板的宽a和高b的尺寸均为1.6m。由于共计要求点数为9,那么要求水平方向与垂直方向上各有3个点云,即在障碍物尺寸至少满足二倍相邻线束的差值。具体约束关系如下(16)。
由图9中的几何关系可得,将水平相邻虚拟线束之间的距离Δx等价于Δθ对应的弧长,x1为样板距离激光雷达的x坐标值,那么可得Δx的计算公式如下式(17):
垂直相邻线束之间的距离Δz为两个在样板得到的两个点的垂直方向上的距离差值,那么假设其中线束l1与x轴的夹角为α,x1为样板距离激光雷达的x坐标值,那么通过式(18)和式(19),可得Δz:
上述方程两个未知量,然后将未知量α消除,解得Δz的表达公式为:
将上述公式整理可得式(21):
方程组中,得到了仅包含未知量x1的不等式,那么求解x1的最大值,即为激光雷达有效探测距离D1。
在一个实施例中,为了衡量可得点云最大值,该数值一般为厂商提供,也可利用分辨率公式(22)至(24)求得:
N1=Nr·Nc (24)
其中,Nr为产生点云的行数,Nc为产生点云的列数,θv为激光雷达垂直探测角,θvr为激光雷达垂直探测角分辨率,θh为激光雷达水平探测角,θvh为激光雷达水平探测角分辨率。
在一个实施例中,毫米波雷达最远探测距离D2的数值一般为厂商提供的基础性能参数。
在一个实施例中,毫米波雷达水平视场角θr的数值一般为厂商提供的基础性能参数。
在一个实施例中,为了衡量相机的成像效果,相机像素数N2可以为水平像素数与垂直像素数的乘积。
在一个实施例中,相机水平视场角β的数值一般为厂商提供的基础性能参数。
在一个实施例中,所述上部神经网络和下部神经网络的评分训练方法的训练数据集的获得方法包括:
利用市面上已经推出的传感器布置方案,根据第一评价单元和第二评价单元的指标进行计算,建立所述上部神经网络和下部神经网络的输入数据集X={X1,X2,…,Xi},表示如下。其中,i的个数为所收集的传感器布置方案实例数量。
X=[C1,C2,O,MTBF,fmin,COST,D1,N1,D2,θr,N2,β]
Xu=[C1,C2,O,MTBF,fmin,COST]
Xd=[D1,N1,D2,θr,N2,β]
上述的评价指标向量X为分两个部分,向量中的前六个元素组成Xu为传感器布置方案的整体评价向量作为上部神经网络的输入,向量中的后六个元素组成Xd为传感器布置方案的传感器评价参数作为下部神经网络的输入。
通过计算公式(25),计算中间向量Xi ’ ;
判断X′i中的各个元素的正负。其中由于只有传感器布置方案总成本越低,经济性越优,其余变量为越高,传感器布置方案的其他性能越优,将其中的第T个元素的值进行取反,统计每一个X′i中的前T个元素的正数个数n1和负数个数n2,并计算n1与n2之差Di,并通过下列的映射关系(26),赋予对应的标签值Y1i,将Xi的前T个元素组成向量Xui,将Y1i与Xui组成上部神经网络数据集D1={(Xu1,Y11),(Xu2,Y12),…,(Xui,Y1i)};其中,T为预设编号。例如6;
通过上述相同方式,统计每一个X′i中的后T个元素的得到对应的标签值Y2i,将Xi的后T个元素组成向量Xdi,将Y2i与Xdi组成下部神经网络数据集D2={(Xd1,Y21),(Xd2,Y22),…,(Xdi,Y2i)}。
对输入神经网络的向量Xui和Xdi的元素逐个进行归一化,目的地是去除不同元素间的数量级差距过大,导致神经网络训练效果不佳,最后得到训练数据集。
本发明上部神经网络和下部神经网络的BP神经网络结构如图10所示,本发明通过两个独立的BP神经网络进行训练,其中上部神经网络是用来评价传感器布置方案整体效果,下部神经网络是用来评价传感器布置方案的传感器性能。单个神经网络当然也可以独立使用。
上部神经网络为6个输入神经元,1个输出神经元,6个隐含层神经元的多层前馈网络结构,下部神经网络同理,由于网络结构相同,因此只对上部神经网络进行公式推导。
输出层的单个神经元的阈值为b1,隐含层第h个神经元的阈值用b′h表示。输入层第i个神经元与隐含层的第h个神经元的连接权为vih,隐含层第h个神经元与输出层的唯一神经元之间的连接权为wh,隐含层第h个神经元接收到的输入为输出层第1个神经元接受的输入为其中bh为隐含层第h个神经元的输出。该神经网络中的激活函数都选用ReLU函数,其表达式如下:
对训练数据(Xu1,Y11),假设神经网络的输出为y1。
y1=f(β1-b1)
则网络在(Xu1,Y11)上的均方误差为:
上部神经网络一共有(6+1+1)*6+1个参数需确定:输入层到隐含层的6×6个权重、隐含层到输出层的6个权重、6个隐含层神经元的阈值、1个输出层神经元的阈值。然后我们采用BP算法,不断更新迭代参数。其中任意参数的更新估计式为:
v=v+Δv
采用梯度下降的方法,以目标的负梯度方向对参数更新,本方案学习率选用Warm-up预热学习率η(0<η<1),本方案中最初学习率以0.01开始,随后不断增加到0.1再下降到0.01,采用预热学习率可以加速神经网络训练时的收敛速度。
对于误差E,则有:
由于wh先影响输出层神经元的输入值β1,再影响到其输出值y1,最后影响均方误差E,则根据链式法则有:
根据β1的定义,则
Δwh=ηgbh
类似分别可得:
Δb1=-ηg
Δvih=ηehXui
Δb′h=-ηeh
至此,所有权重与阈值更新公式均已求出,可以迭代以上的过程,直到达到E满足一定的条件即可。
为了更好的训练神经网络,将数据集数量划分为10份,其中依次取出其中的1份作为验证集,其余九份作为训练集,如此我们可以得到9组不同的模型参数,然后我们选取其在验证集错误率最低的模型参数作为我们最终的模型参数。
最终可以上部神经网络模型参数。同理根据以上过程,可训练得出下部神经网络模型参数。
迭代优化单元用于判断上部神经网络与下部神经网络的输出的得分是否满足设定要求,在判定结果为否的情形下,依据所述第一评价单元和第二评价单元的评分结果,调整传感器布置方案,从而产生仿真数据,并利用仿真数据得到神经网络的数据,直至判定结果为是。
从上至下,四个阶层依次为极差、差、优、极优。
通过预测仿真数据的两个得分,来对传感器布置方案的整体或者是传感器的性能进行进一步优化。
在另外一个实施例中,本发明还提出一种针对智能汽车环境感知的多传感器评价与优化方案***,其包含多传感器方案评价***、数据服务器、多传感器(激光雷达、摄像头、毫米波雷达)及搭载多传感器的智能汽车,如图11所示。
所述多传感器方案评价***为双BP神经网络程序与配置程序运行环境的计算机组成。在传感器布置方案评价和优化的过程中,首先依据指标将搭载多传感器的智能汽车形成对应的指标数据,多传感器方案评价***利用指标数据进行推理。将传感器布置方案的得分输出,并依据结果进行分析,依据结果的优劣在数学模型上更新智能汽车上的多传感器布置方案,重新计算对应的指标,若输出结果优于上次输出结果,则认定本次的优化可行,并在实际的智能汽车上按照更新的传感器布置方案进行修改。
本发明实施例还提供一种基于BP神经网络的多传感器方案评价与优化方法,该方法包括:
步骤S1,从安全性指标和经济性指标,对车辆上的传感器布置方案进行评分;其中,所述安全性指标包括基于同向四车道直线道路模型的探测覆盖率、基于转弯盲区的探测覆盖率、探测区域重叠率、所述传感器布置方案的可靠性和工作频率中的一种或多种,所述经济性指标包括所述传感器布置方案的总成本;
步骤S2,对所述传感器布置方案中的各类传感器的性能进行评分;其中,所述性能指标包括激光雷达有效探测距离、激光雷达每帧点云总量、毫米波雷达最远探测距离、毫米波雷达水平视场角、相机像素数和相机水平视场角中的一种或多种;
步骤S3,基于所述第一评价单元的评分指标建立上部神经网络,并根据所述第一评价单元的训练数据进行训练;
步骤S4,基于所述第二评价单元的评分指标建立下部神经网络,并根据所述第二评价单元的训练数据进行训练;
步骤S5,判断上部神经网络与下部神经网络的输出的得分是否满足设定要求,若是,则进入步骤S6,反之,则进入步骤S7;
步骤S6,停止迭代优化;
步骤S7,依据所述步骤S1和步骤S1的评分结果,调整传感器布置方案,从而产生仿真数据,并利用仿真数据得到神经网络的数据,并返回步骤S5。
在一个实施例中,所述基于同向四车道直线道路模型的探测覆盖率C1的计算公式被描述为式(4):
式中,Sd为所述传感器的探测区域的面积,Sr为所述同向四车道直线道路模型的总面积,所述同向四车道直线道路模型中的车辆被简化为质点,车辆上传感器的探测区域模型依据传感器的探测距离Di与水平视场角θi,所述传感器布置方案有i个传感器,第i个传感器对应的探测区域的扇形面积为Si,第n个传感器与第m个传感器的探测区域重叠面积为扇形Snm,重叠扇形的半径为r,重叠扇形的角度为θnm;
所述基于转弯盲区的探测覆盖率C2的计算公式被描述为式(8):
C2=(C2′+C2″)/2 (8)
式中,C2′为对转弯初始位置的车辆右下角求取传感器探测区域覆盖转弯盲区的面积Sd′与转弯盲区面积Sb的比值,C2″为对转弯结束位置的车辆右下角求取传感器探测区域覆盖转弯盲区的面积Sd″与转弯盲区面积Sb的比值,R为对应转弯侧的车轮轨迹圆弧的半径,R′为转弯侧的另一侧的车轮轨迹圆弧的半径,w为车辆的宽度,l为长度;
所述探测区域重叠率O的计算公式被描述为式(9):
O=Snm/Sd (9)
式中,Snm为第n个传感器与第m个传感器的探测区域重叠面积,Sd为所述传感器布置方案的传感器探测区域面积;
所述传感器布置方案的工作频率fmin的计算公式为式(14):
fmin=min{fi} (14)
式中,fi为获取的所述传感器布置方案中传感器种类的工作频率;
所述激光雷达有效探测距离D1为式(21)计算得到的x1的最大值:
式中,a、b为衡量激光雷达的真实感知能力而设定的样板分别沿激光雷达的右侧方向和垂直向上的两倍的相邻线束的间距,h为激光雷达距离地面的安装高度,Δθ为同线束下相邻的水平虚拟两线束的夹角水平分辨率,Δθ′为在垂直角度下两个相邻线束的夹角垂直分辨率,x1为样板距离激光雷达的x坐标值。
在一个实施例中,所述上部神经网络和下部神经网络的评分训练方法的训练数据集的获得方法包括:
建立所述上部神经网络和下部神经网络的输入数据集X,其中第i个数据向量表示为Xi;
通过计算公式(25),计算中间向量X′i;
判断X′i中的各个元素的正负,并将其中的第6个元素的值进行取反,统计每一个X′i中的前6个元素的正数个数n1和负数个数n2,并计算n1与n2之差Di,并通过下列的映射关系(26),赋予对应的标签值Y1i,将Xi的前6个元素组成向量Xui,将Y1i与Xui组成上部神经网络数据集D1={(Xu1,Y11),(Xu2,Y12),…,(Xui,Y1i)};
通过上述相同方式,统计每一个X′i中的后6个元素的得到对应的标签值Y2i,将Xi的后6个元素组成向量Xdi,将Y2i与Xdi组成下部神经网络数据集D2={(Xd1,Y21),(Xd2,Y22),…,(Xdi,Y2i)};
对输入神经网络的向量Xui和Xdi的元素逐个进行归一化,得到训练数据集。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于BP神经网络的多传感器方案评价与优化***,其特征在于,包括:
第一评价单元,其用于从安全性指标和经济性指标,对车辆上的传感器布置方案进行评分;其中,所述安全性指标包括基于同向四车道直线道路模型的探测覆盖率、基于转弯盲区的探测覆盖率、探测区域重叠率、所述传感器布置方案的可靠性和工作频率中的一种或多种,所述经济性指标包括所述传感器布置方案的总成本;
第二评价单元,其用于对所述传感器布置方案中的各类传感器的性能进行评分;其中,所述性能指标包括激光雷达有效探测距离、激光雷达每帧点云总量、毫米波雷达最远探测距离、毫米波雷达水平视场角、相机像素数和相机水平视场角中的一种或多种;
上部神经网络,其基于所述第一评价单元的评分指标建立,并根据所述第一评价单元的训练数据训练得到;
下部神经网络,其基于所述第二评价单元的评分指标建立,并根据所述第二评价单元的训练数据训练得到;
迭代优化单元,其用于判断上部神经网络与下部神经网络的输出的得分是否满足设定要求,在判定结果为否的情形下,依据所述第一评价单元和第二评价单元的评分结果,调整传感器布置方案,从而产生仿真数据,并利用仿真数据得到神经网络的数据,直至判定结果为是。
4.如权利要求1所述的基于BP神经网络的多传感器方案评价与优化***,其特征在于,所述探测区域重叠率O的计算公式被描述为式(9):
O=Snm/Sd (9)
式中,Snm为第n个传感器与第m个传感器的探测区域重叠面积,Sd为所述传感器布置方案的传感器探测区域面积。
5.如权利要求1所述的基于BP神经网络的多传感器方案评价与优化***,其特征在于,所述传感器布置方案的工作频率fmin的计算公式为式(14):
fmin=min{fi} (14)
式中,fi为获取的所述传感器布置方案中传感器种类的工作频率。
7.如权利要求1至6中任一项所述的基于BP神经网络的多传感器方案评价与优化***,其特征在于,所述上部神经网络和下部神经网络的评分训练方法的训练数据集的获得方法包括:
建立所述上部神经网络和下部神经网络的输入数据集X,其中第i个数据向量表示为Xi;
通过计算公式(25),计算中间向量X′i;
判断X′i中的各个元素的正负,并将其中的第T个元素的值进行取反,统计每一个X′i中的前T个元素的正数个数n1和负数个数n2,并计算n1与n2之差Di,并通过下列的映射关系(26),赋予对应的标签值Y1i,将Xi的前T个元素组成向量Xui,将Y1i与Xui组成上部神经网络数据集D1={(Xu1,Y11),(Xu2,Y12),…,(Xui,Y1i)};其中,T为预设编号;
通过上述相同方式,统计每一个X′i中的后T个元素的得到对应的标签值Y2i,将Xi的后T个元素组成向量Xdi,将Y2i与Xdi组成下部神经网络数据集D2={(Xd1,Y21),(Xd2,Y22),…,(Xdi,Y2i)};
对输入神经网络的向量Xui和Xdi的元素逐个进行归一化,得到训练数据集。
8.一种基于BP神经网络的多传感器方案评价与优化方法,其特征在于,包括:
步骤S1,从安全性指标和经济性指标,对车辆上的传感器布置方案进行评分;其中,所述安全性指标包括基于同向四车道直线道路模型的探测覆盖率、基于转弯盲区的探测覆盖率、探测区域重叠率、所述传感器布置方案的可靠性和工作频率中的一种或多种,所述经济性指标包括所述传感器布置方案的总成本;
步骤S2,对所述传感器布置方案中的各类传感器的性能进行评分;其中,所述性能指标包括激光雷达有效探测距离、激光雷达每帧点云总量、毫米波雷达最远探测距离、毫米波雷达水平视场角、相机像素数和相机水平视场角中的一种或多种;
步骤S3,基于所述第一评价单元的评分指标建立上部神经网络,并根据所述第一评价单元的训练数据进行训练;
步骤S4,基于所述第二评价单元的评分指标建立下部神经网络,并根据所述第二评价单元的训练数据进行训练;
步骤S5,判断上部神经网络与下部神经网络的输出的得分是否满足设定要求,若是,则进入步骤S6,反之,则进入步骤S7;
步骤S6,停止迭代优化;
步骤S7,依据所述步骤S1和步骤S1的评分结果,调整传感器布置方案,从而产生仿真数据,并利用仿真数据得到神经网络的数据,并返回步骤S5。
9.如权利要求8所述的基于BP神经网络的多传感器方案评价与优化方法,其特征在于,所述基于同向四车道直线道路模型的探测覆盖率C1的计算公式被描述为式(4):
式中,Sd为所述传感器的探测区域的面积,Sr为所述同向四车道直线道路模型的总面积,所述同向四车道直线道路模型中的车辆被简化为质点,车辆上传感器的探测区域模型依据传感器的探测距离Di与水平视场角θi,所述传感器布置方案有i个传感器,第i个传感器对应的探测区域的扇形面积为Si,第n个传感器与第m个传感器的探测区域重叠面积为扇形Snm,重叠扇形的半径为r,重叠扇形的角度为θnm;
所述基于转弯盲区的探测覆盖率C2的计算公式被描述为式(8):
C2=(C2′+C2″)/2 (8)
式中,C2′为对转弯初始位置的车辆右下角求取传感器探测区域覆盖转弯盲区的面积Sd′与转弯盲区面积Sb的比值,C2″为对转弯结束位置的车辆右下角求取传感器探测区域覆盖转弯盲区的面积Sd″与转弯盲区面积Sb的比值,R为对应转弯侧的车轮轨迹圆弧的半径,R′为转弯侧的另一侧的车轮轨迹圆弧的半径,w为车辆的宽度,l为长度;
所述探测区域重叠率O的计算公式被描述为式(9):
O=Snm/Sd (9)
式中,Snm为第n个传感器与第m个传感器的探测区域重叠面积,Sd为所述传感器布置方案的传感器探测区域面积;
所述传感器布置方案的工作频率fmin的计算公式为式(14):
fmin=min{fi} (14)
式中,fi为获取的所述传感器布置方案中传感器种类的工作频率;
所述激光雷达有效探测距离D1为式(21)计算得到的x1的最大值:
式中,a、b为衡量激光雷达的真实感知能力而设定的样板分别沿激光雷达的右侧方向和垂直向上的两倍的相邻线束的间距,h为激光雷达距离地面的安装高度,Δθ为同线束下相邻的水平虚拟两线束的夹角水平分辨率,Δθ′为在垂直角度下两个相邻线束的夹角垂直分辨率,x1为样板距离激光雷达的x坐标值。
10.如权利要求9所述的基于BP神经网络的多传感器方案评价与优化方法,其特征在于,所述上部神经网络和下部神经网络的评分训练方法的训练数据集的获得方法包括:
建立所述上部神经网络和下部神经网络的输入数据集X,其中第i个数据向量表示为Xi;
通过计算公式(25),计算中间向量X′i;
判断X′i中的各个元素的正负,并将其中的第T个元素的值进行取反,统计每一个X′i中的前T个元素的正数个数n1和负数个数n2,并计算n1与n2之差Di,并通过下列的映射关系(26),赋予对应的标签值Y1i,将Xi的前T个元素组成向量Xui,将Y1i与Xui组成上部神经网络数据集D1={(Xu1,Y11),(Xu2,Y12),…,(Xui,Y1i)};
通过上述相同方式,统计每一个X′i中的后T个元素的得到对应的标签值Y2i,将Xi的后T个元素组成向量Xdi,将Y2i与Xdi组成下部神经网络数据集D2={(Xd1,Y21),(Xd2,Y22),…,(Xdi,Y2i)};
对输入神经网络的向量Xui和Xdi的元素逐个进行归一化,得到训练数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940508.XA CN113642109B (zh) | 2021-08-17 | 2021-08-17 | 一种基于bp神经网络的多传感器方案评价与优化***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940508.XA CN113642109B (zh) | 2021-08-17 | 2021-08-17 | 一种基于bp神经网络的多传感器方案评价与优化***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642109A true CN113642109A (zh) | 2021-11-12 |
CN113642109B CN113642109B (zh) | 2023-07-04 |
Family
ID=78422240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110940508.XA Active CN113642109B (zh) | 2021-08-17 | 2021-08-17 | 一种基于bp神经网络的多传感器方案评价与优化***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642109B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415353A (zh) * | 2023-03-13 | 2023-07-11 | 清华大学 | 基于自动驾驶功能的感知***设计需求的建模方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030217021A1 (en) * | 2002-05-15 | 2003-11-20 | Caterpillar, Inc. | Engine control system using a cascaded neural network |
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108872508A (zh) * | 2018-05-08 | 2018-11-23 | 苏州科技大学 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
CN111783940A (zh) * | 2020-06-05 | 2020-10-16 | 广西民族大学 | 基于ga-bp神经网络算法的降低火灾误警率的方法 |
-
2021
- 2021-08-17 CN CN202110940508.XA patent/CN113642109B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030217021A1 (en) * | 2002-05-15 | 2003-11-20 | Caterpillar, Inc. | Engine control system using a cascaded neural network |
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108872508A (zh) * | 2018-05-08 | 2018-11-23 | 苏州科技大学 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
CN111783940A (zh) * | 2020-06-05 | 2020-10-16 | 广西民族大学 | 基于ga-bp神经网络算法的降低火灾误警率的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415353A (zh) * | 2023-03-13 | 2023-07-11 | 清华大学 | 基于自动驾驶功能的感知***设计需求的建模方法 |
CN116415353B (zh) * | 2023-03-13 | 2024-07-30 | 清华大学 | 基于自动驾驶功能的感知***设计需求的建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113642109B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11131993B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
CN112242069B (zh) | 一种确定车速的方法和装置 | |
CN112356830B (zh) | 一种基于模型强化学习的智能泊车方法 | |
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
CN113276848A (zh) | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及*** | |
KR102424067B1 (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
US11604469B2 (en) | Route determining device, robot, and route determining method | |
Dey et al. | VESPA: A framework for optimizing heterogeneous sensor placement and orientation for autonomous vehicles | |
CN112668602A (zh) | 用于确定传感器的数据集的品质等级的方法、设备和机器可读的存储介质 | |
CN109466552B (zh) | 智能驾驶车道保持方法及*** | |
Das et al. | A Machine Learning approach for collision avoidance and path planning of mobile robot under dense and cluttered environments | |
CN114919578A (zh) | 智能车行为决策方法、规划方法、***及存储介质 | |
CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
CN113642109A (zh) | 一种基于bp神经网络的多传感器方案评价与优化***及方法 | |
CN117141520B (zh) | 一种实时轨迹规划方法、装置和设备 | |
Sun et al. | Human-like highway trajectory modeling based on inverse reinforcement learning | |
CN113696890B (zh) | 车道保持方法、装置、设备、介质及*** | |
CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
CN116461549A (zh) | 执行至少半自动的交通工具功能的驾驶辅助装置和方法 | |
CN116513236A (zh) | 基于行车风险场的自适应车辆全向驾驶辅助方法及装置 | |
CN116448134A (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
CN114228746B (zh) | 一种预测车辆运动轨迹的方法及装置 | |
Deng et al. | Modeling and prediction of human behaviors based on driving data using multi-layer HMMs | |
CN115577518A (zh) | 一种自动驾驶功能导向的感知***传感器自动优选配置方法 | |
CN115439816A (zh) | 一种基于凸优化的无人驾驶***转向角安全性的验证方法 |
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 |