CN113734197A - 一种基于数据融合的无人驾驶的智能控制方案 - Google Patents
一种基于数据融合的无人驾驶的智能控制方案 Download PDFInfo
- Publication number
- CN113734197A CN113734197A CN202111028879.7A CN202111028879A CN113734197A CN 113734197 A CN113734197 A CN 113734197A CN 202111028879 A CN202111028879 A CN 202111028879A CN 113734197 A CN113734197 A CN 113734197A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data fusion
- unmanned
- algorithm
- module
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 41
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000013461 design Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000010191 image analysis Methods 0.000 claims description 5
- 238000003706 image smoothing Methods 0.000 claims description 5
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims 1
- 238000000034 method Methods 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 3
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 3
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于车辆无人驾驶技术领域，公开了一种基于数据融合的无人驾驶的智能控制方案，包括无人驾驶车辆终端、远程基站与北斗卫星导航***，所述无人驾驶车辆终端与远程基站之间通过无线传输的方式传递信息与指令，所述北斗卫星导航***用于构建无人驾驶车辆终端的路径并及时将信息传输至远程基站；所述无人驾驶车辆终端包括有车载感知***、多传感器数据融合***、决策***与控制***，所述控制***与远程基站之间通过无线传输的方式传递信息与指令，所述车载感知***、多传感器数据融合***、决策***、控制***之间通过导线电性连接，通过多传感器深度融合，传感器之间能够取长补短，提升感知***的精度，使得无人驾驶车辆安全性得到提高。
Description
技术领域
本发明涉及车辆无人驾驶技术领域，具体为一种基于数据融合的无人驾驶的智能控制方案。
背景技术
无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机***为主的智能驾驶仪来实现无人驾驶的目的，无人驾驶汽车是通过车载传感***感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车，它是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。
目前，无人驾驶车辆的车载传感器种类繁多，但是单一传感器在无人驾驶感知道路环境的过程中存在挑战，单一传感器都具有各自的优点与缺点，导致感知信息不够完备且不够准确，从而影响了无人驾驶汽车的正常行驶，还可能导致出现安全问题，为此，本发明提供了一种基于数据融合的无人驾驶的智能控制方案来解决上述问题。
发明内容
(一)解决的技术问题
1.要解决的技术问题
针对现有技术中存在的问题，本发明的目的在于提供一种基于数据融合的无人驾驶的智能控制方案，具备多传感器深度融合，传感器之间取长补短的优点，解决了单一传感器具有各自优缺点，导致感知信息不够完备准确，影响正常行驶，安全性低的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：
一种基于数据融合的无人驾驶的智能控制方案，包括无人驾驶车辆终端、远程基站与北斗卫星导航***，所述无人驾驶车辆终端与远程基站之间通过无线传输的方式传递信息与指令，所述北斗卫星导航***用于构建无人驾驶车辆终端的路径并及时将信息传输至远程基站；
所述无人驾驶车辆终端包括有车载感知***、多传感器数据融合***、决策***与控制***，所述控制***与远程基站之间通过无线传输的方式传递信息与指令，所述车载感知***、多传感器数据融合***、决策***、控制***之间通过导线电性连接。
优选的，所述车载感知***包括有激光雷达、毫米波雷达、摄像头与360°环视***。
优选的，所述多传感器数据融合***包括有预处理模块，所述预处理模块的输入端与车载感知***电性连接，所述预处理模块的输出端通过导线电性连接有数字信号转换模块与图像处理模块，所述数字信号转换模块与图像处理模块的输出端均通过导线电性连接有异构数据计算平台。
优选的，所述预处理模块包括有运动补偿、时间同步、传感器标定、多激光雷达的标定、传感器视场角，所述运动补偿包括有车辆运动补偿与被测物体运动补偿。
优选的，所述图像处理模块包括有图像预处理、图像分析、图像重建、图像平滑。
优选的，所述决策***包括与异构数据计算平台电性连接的完备环境信息算法与不完备环境信息算法，所述完备环境信息算法与不完备环境信息算法的输出端电性连接有实时轨迹规划模块。
优选的，所述完备环境信息算法包括有基于深度逆向强化学习算法设计与基于学习的广义决策树算法设计，所述不完备环境信息算法为模糊算法，所述不完备环境信息算法包括有基于学习模糊自适应算法设计与部分可观马尔可夫决策算法设计。
优选的，所述控制***包括有车辆多目标协同控制模块与车辆运动状态估计与参数辨识模块，所述车辆多目标协同控制模块包括有车辆纵横解耦控制、车辆主动转向控制、驱动力协同控制与车辆信号灯光控制。
(三)有益效果
与现有技术相比，本发明提供了一种基于数据融合的无人驾驶的智能控制方案，具备以下有益效果：
(1)通过车载感知***记录图像，通判断车辆周围环境，并能够识别路牌、交通灯甚至文字信息，实现众多警示与识别等ADAS功能，测算目标的位置、速度等特征量，感知车辆周围环境，并形成精度高达厘米的3D环境地图，可全天候全天时使用，预处理模块进行数据融合，使得多传感器深度融合，传感器之间能够取长补短，帮助整个感知***效果的提升，提升感知***的精度，使得无人驾驶车辆安全性得到提高。
(2)通过将采集的信息分为完备环境信息与不完备环境信息，分别进行基于深度逆向强化学习算法设计与基于学习的广义决策树算法设计或基于学习模糊自适应算法设计与部分可观马尔可夫决策算法设计，对数据进行计算并通过实时轨迹规划模块进行驾驶轨迹的规划，通过控制***进行车辆无人驾驶过程中的控制，并通过车辆运动状态估计与参数辨识模块将驾驶轨迹分别传递至远程基站与实时轨迹规划模块，进行调整修正与控制，远程基站可人工干预进行路线修正与紧急停止，提高安全性能。
附图说明
图1为本发明工作原理示意图。
具体实施方式
下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1：
实施例一：一种基于数据融合的无人驾驶的智能控制方案，包括无人驾驶车辆终端、远程基站与北斗卫星导航***，所述无人驾驶车辆终端与远程基站之间通过无线传输的方式传递信息与指令，所述北斗卫星导航***用于构建无人驾驶车辆终端的路径并及时将信息传输至远程基站；
所述无人驾驶车辆终端包括有车载感知***、多传感器数据融合***、决策***与控制***，所述控制***与远程基站之间通过无线传输的方式传递信息与指令，所述车载感知***、多传感器数据融合***、决策***、控制***之间通过导线电性连接。
进一步的，所述车载感知***包括有激光雷达、毫米波雷达、摄像头、超声波测距雷达与360°环视***，摄像头的作用主要就是记录图像，通过图像处理模块分析数据，进而判断车辆周围环境，并能够识别路牌、交通灯甚至文字信息，摄像机应用中摄像头的形式包括单目、双目和三目，安装位置分为前视、后视、环视和车内监控摄像头，实现众多警示与识别等ADAS功能；激光雷达是无人车驾驶最佳的技术路线，主要通过向目标物体发射激光束，然后通过计算从目标反射回的脉冲飞行时间来测量距离，以此测算目标的位置、速度等特征量，感知车辆周围环境，并形成精度高达厘米的3D环境地图；毫米波雷达空间分别率高，毫米波引导头穿透雾、烟、灰尘的能力强，传输距离远，性能稳定，不受目标物体形状、颜色等干扰，具有全天候全天时的特点；360°环视***可观察车辆周围环境，提供自动停车并感知车辆周围环境。
实施例二：一种基于数据融合的无人驾驶的智能控制方案，包括无人驾驶车辆终端、远程基站与北斗卫星导航***，所述无人驾驶车辆终端与远程基站之间通过无线传输的方式传递信息与指令，所述北斗卫星导航***用于构建无人驾驶车辆终端的路径并及时将信息传输至远程基站；
所述无人驾驶车辆终端包括有车载感知***、多传感器数据融合***、决策***与控制***，所述控制***与远程基站之间通过无线传输的方式传递信息与指令，所述车载感知***、多传感器数据融合***、决策***、控制***之间通过导线电性连接。
进一步的，所述车载感知***包括有激光雷达、毫米波雷达、摄像头、超声波测距雷达与360°环视***。
进一步的，所述多传感器数据融合***包括有预处理模块，所述预处理模块的输入端与车载感知***电性连接，所述预处理模块的输出端通过导线电性连接有数字信号转换模块与图像处理模块，所述数字信号转换模块与图像处理模块的输出端均通过导线电性连接有异构数据计算平台，通过预处理模块对车载感知***采集的数据进行融合，使得多传感器深度融合，传感器之间取长补短，再经过图像处理模块与数字信号转换模块共同处理预处理模块融合的数据，并传递至异构数据计算平台进行计算处理。
进一步的，所述预处理模块包括有运动补偿、时间同步、传感器标定、多激光雷达的标定、传感器视场角，所述运动补偿包括有车辆运动补偿与被测物体运动补偿，在车辆自动驾驶感知过程中，传感器采集数据一般都不是瞬时发生的，例如激光雷达，车辆与障碍物、路标等都会发生一定的位移，感知***检测出来的位置则不准确，需要进行运动补偿，通过车辆拥有比较准确的实时定位信息，提供T和T+1两个时刻内，车辆本身的姿态差距、利用姿态差，可比较容易的补偿自身移动了多少；无人驾驶车辆采用多个激光雷达，激光按照同样的方式旋转来探测周围，那么在某一个特定的时间段和驾驶方向，这些激光雷达应该扫描到相同的物体，在一定的程度上减少快速移动物体产生的拖影问题，进行被测物体运动补偿；时间同步在无人驾驶中也极为重要，目前常用GPS时间戳的时间同步方法，但是时间同步的误差较大，所以本发明以激光雷达作为触发其他传感器的源头，当激光雷达转到某个角度时，才触发该角度的摄像头，可以大大减少时间差的问题，误差较低，对齐效果也会更好；传感器标定也是多传感器深度融合的重要部分，传感器标定有外参标定与多激光雷达的标定，外参标定的核心是刚体的旋转，传感器外参的标定就是要找到一个刚体的旋转，把一个传感器的数据和另一个传感器对齐，相当于把一个传感器测量的数据从其本身的坐标系，通过刚体旋转，转到另一个传感器坐标系，这样就可以进行后续的数据融合，多激光雷达的标定通过激光雷达本身拥有完全的3D信息，解决两个数据集匹配的问题；传感器视场角也会与传感器深度融合相关，激光雷达、毫米波雷达、摄像头与超声波测距雷达都具有各自的优点与缺点，使用时存在一些局限性，通过预处理模块中的运动补偿、时间同步、传感器标定、多激光雷达的标定、传感器视场角，可以使得多传感器深度融合，传感器之间能够取长补短，帮助整个感知***效果的提升，提升感知***的精度，使得无人驾驶车辆安全性得到提高。
进一步的，所述图像处理模块包括有图像预处理、图像分析、图像重建、图像平滑，图像预处理使像质改善，如图像锐化、平滑、复原、校正等；图像分析包括有边缘与线的检测、区域分割、形状特征测量等；图像重建包括有投影图像重建、利用对象生成立体图像、全息图生成等；图像平滑属于低通滤波图像处理，保留图像空间频率的低频部分，减少图像的高频部分，低通滤波可以降低图像中的视觉噪声，同时取出图像中的高频成分后，图像中那些不明显的低频部分就更容易显现了。
实施例三：一种基于数据融合的无人驾驶的智能控制方案，包括无人驾驶车辆终端、远程基站与北斗卫星导航***，所述无人驾驶车辆终端与远程基站之间通过无线传输的方式传递信息与指令，所述北斗卫星导航***用于构建无人驾驶车辆终端的路径并及时将信息传输至远程基站；
所述无人驾驶车辆终端包括有车载感知***、多传感器数据融合***、决策***与控制***，所述控制***与远程基站之间通过无线传输的方式传递信息与指令，所述车载感知***、多传感器数据融合***、决策***、控制***之间通过导线电性连接。
进一步的，所述车载感知***包括有激光雷达、毫米波雷达、摄像头、超声波测距雷达与360°环视***。
进一步的，所述多传感器数据融合***包括有预处理模块，所述预处理模块的输入端与车载感知***电性连接，所述预处理模块的输出端通过导线电性连接有数字信号转换模块与图像处理模块，所述数字信号转换模块与图像处理模块的输出端均通过导线电性连接有异构数据计算平台。
进一步的，所述预处理模块包括有运动补偿、时间同步、传感器标定、多激光雷达的标定、传感器视场角，所述运动补偿包括有车辆运动补偿与被测物体运动补偿。
进一步的，所述图像处理模块包括有图像预处理、图像分析、图像重建、图像平滑。
进一步的，所述决策***包括与异构数据计算平台电性连接的完备环境信息算法与不完备环境信息算法，所述完备环境信息算法与不完备环境信息算法的输出端电性连接有实时轨迹规划模块。
进一步的，所述完备环境信息算法包括有基于深度逆向强化学习算法设计与基于学习的广义决策树算法设计，所述不完备环境信息算法为模糊算法，所述不完备环境信息算法包括有基于学习模糊自适应算法设计与部分可观马尔可夫决策算法设计。
通过采集的信息，分为完备环境信息与不完备环境信息，分别进行基于深度逆向强化学习算法设计与基于学习的广义决策树算法设计或基于学习模糊自适应算法设计与部分可观马尔可夫决策算法设计，对数据进行计算并通过实时轨迹规划模块进行驾驶轨迹的规划。
进一步的，所述控制***包括有车辆多目标协同控制模块与车辆运动状态估计与参数辨识模块，所述车辆多目标协同控制模块包括有车辆纵横解耦控制、车辆主动转向控制、驱动力协同控制与车辆信号灯光控制，通过所述车辆多目标协同控制模块包括有车辆纵横解耦控制、车辆主动转向控制、驱动力协同控制与车辆信号灯光控制进行车辆无人驾驶过程中的控制，并通过车辆运动状态估计与参数辨识模块将驾驶轨迹分别传递至远程基站与实时轨迹规划模块，进行调整修正与控制。
本发明的工作原理是：通过车载感知***中记录图像，通判断车辆周围环境，并能够识别路牌、交通灯甚至文字信息，实现众多警示与识别等ADAS功能，测算目标的位置、速度等特征量，感知车辆周围环境，并形成精度高达厘米的3D环境地图，可全天候全天时使用，车载感知***采集的数据通过预处理模块进行数据融合，使得多传感器深度融合，传感器之间能够取长补短，帮助整个感知***效果的提升，提升感知***的精度，使得无人驾驶车辆安全性得到提高，再经过图像处理模块与数字信号转换模块共同处理预处理模块融合的数据，并传递至异构数据计算平台进行计算处理，处理后的信息分为完备环境信息与不完备环境信息，分别进行基于深度逆向强化学习算法设计与基于学习的广义决策树算法设计或基于学习模糊自适应算法设计与部分可观马尔可夫决策算法设计，对数据进行计算并通过实时轨迹规划模块进行驾驶轨迹的规划，通过控制***进行车辆无人驾驶过程中的控制，并通过车辆运动状态估计与参数辨识模块将驾驶轨迹分别传递至远程基站与实时轨迹规划模块，进行调整修正与控制，解决了单一传感器具有各自优缺点，导致感知信息不够完备准确，影响正常行驶，安全性低的问题。
以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。
Claims (8)
1.一种基于数据融合的无人驾驶的智能控制方案，包括无人驾驶车辆终端、远程基站与北斗卫星导航***，其特征在于：所述无人驾驶车辆终端与远程基站之间通过无线传输的方式传递信息与指令，所述北斗卫星导航***用于构建无人驾驶车辆终端的路径并及时将信息传输至远程基站；
所述无人驾驶车辆终端包括有车载感知***、多传感器数据融合***、决策***与控制***，所述控制***与远程基站之间通过无线传输的方式传递信息与指令，所述车载感知***、多传感器数据融合***、决策***、控制***之间通过导线电性连接。
2.根据权利要求1所述的一种基于数据融合的无人驾驶的智能控制方案，其特征在于：所述车载感知***包括有激光雷达、毫米波雷达、摄像头与360°环视***。
3.根据权利要求1所述的一种基于数据融合的无人驾驶的智能控制方案，其特征在于：所述多传感器数据融合***包括有预处理模块，所述预处理模块的输入端与车载感知***电性连接，所述预处理模块的输出端通过导线电性连接有数字信号转换模块与图像处理模块，所述数字信号转换模块与图像处理模块的输出端均通过导线电性连接有异构数据计算平台。
4.根据权利要求3所述的一种基于数据融合的无人驾驶的智能控制方案，其特征在于：所述预处理模块包括有运动补偿、时间同步、传感器标定、多激光雷达的标定、传感器视场角，所述运动补偿包括有车辆运动补偿与被测物体运动补偿。
5.根据权利要求3所述的一种基于数据融合的无人驾驶的智能控制方案，其特征在于：所述图像处理模块包括有图像预处理、图像分析、图像重建、图像平滑。
6.根据权利要求3所述的一种基于数据融合的无人驾驶的智能控制方案，其特征在于：所述决策***包括与异构数据计算平台电性连接的完备环境信息算法与不完备环境信息算法，所述完备环境信息算法与不完备环境信息算法的输出端电性连接有实时轨迹规划模块。
7.根据权利要求6所述的一种基于数据融合的无人驾驶的智能控制方案，其特征在于：所述完备环境信息算法包括有基于深度逆向强化学习算法设计与基于学习的广义决策树算法设计，所述不完备环境信息算法为模糊算法，所述不完备环境信息算法包括有基于学习模糊自适应算法设计与部分可观马尔可夫决策算法设计。
8.根据权利要求1所述的一种基于数据融合的无人驾驶的智能控制方案，其特征在于：所述控制***包括有车辆多目标协同控制模块与车辆运动状态估计与参数辨识模块，所述车辆多目标协同控制模块包括有车辆纵横解耦控制、车辆主动转向控制、驱动力协同控制与车辆信号灯光控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111028879.7A CN113734197A (zh) | 2021-09-03 | 2021-09-03 | 一种基于数据融合的无人驾驶的智能控制方案 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111028879.7A CN113734197A (zh) | 2021-09-03 | 2021-09-03 | 一种基于数据融合的无人驾驶的智能控制方案 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113734197A true CN113734197A (zh) | 2021-12-03 |
Family
ID=78735079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111028879.7A Pending CN113734197A (zh) | 2021-09-03 | 2021-09-03 | 一种基于数据融合的无人驾驶的智能控制方案 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113734197A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115512543A (zh) * | 2022-09-21 | 2022-12-23 | 浙江大学 | 一种基于深度逆向强化学习的车辆路径链重构方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206532138U (zh) * | 2017-03-04 | 2017-09-29 | 上海勤融信息科技有限公司 | 一种无人车自动驾驶智能*** |
| CN108229730A (zh) * | 2017-12-19 | 2018-06-29 | 同济大学 | 一种基于模糊奖励的无人驾驶车辆轨迹生成方法 |
| CN108445885A (zh) * | 2018-04-20 | 2018-08-24 | 鹤山东风新能源科技有限公司 | 一种基于纯电动物流车的自动驾驶***及其控制方法 |
| CN109343061A (zh) * | 2018-09-19 | 2019-02-15 | 百度在线网络技术（北京）有限公司 | 传感器标定方法、装置、计算机设备、介质和车辆 |
| CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位*** |
| CN109427200A (zh) * | 2017-08-27 | 2019-03-05 | 南京乐朋电子科技有限公司 | 智能无人驾驶*** |
| 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*** |
| CN111201451A (zh) * | 2018-02-09 | 2020-05-26 | 宝马股份公司 | 基于场景的激光数据和雷达数据进行场景中的对象检测的方法及装置 |
| CN111932463A (zh) * | 2020-08-26 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN112230240A (zh) * | 2020-09-30 | 2021-01-15 | 深兰人工智能(深圳)有限公司 | 激光雷达与相机数据的时空同步***、装置及可读介质 |
| CN112257552A (zh) * | 2020-10-19 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN112379674A (zh) * | 2020-11-26 | 2021-02-19 | 中国第一汽车股份有限公司 | 一种自动驾驶设备及*** |
| CN112526980A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 远程控制方法、驾驶舱、云端服务器和自动驾驶车辆 |
| CN112671499A (zh) * | 2021-03-16 | 2021-04-16 | 深圳裹动智驾科技有限公司 | 多传感器同步方法及***、以及主控制设备 |
| CN112776802A (zh) * | 2019-11-01 | 2021-05-11 | 安波福技术有限公司 | 自适应速度控制*** |
| CN112906882A (zh) * | 2019-12-03 | 2021-06-04 | 百度（美国）有限责任公司 | 利用模型预测控制的逆向强化学习 |
| CN113110504A (zh) * | 2021-05-12 | 2021-07-13 | 南京云智控产业技术研究院有限公司 | 一种基于强化学习和视线法的无人艇路径跟踪方法 |
| CN113254806A (zh) * | 2020-02-11 | 2021-08-13 | 丰田研究所股份有限公司 | 预测行人的移动的***和方法 |
| CN113313154A (zh) * | 2021-05-20 | 2021-08-27 | 四川天奥空天信息技术有限公司 | 一体化融合多传感器自动驾驶智能感知装置 |
-
2021
- 2021-09-03 CN CN202111028879.7A patent/CN113734197A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206532138U (zh) * | 2017-03-04 | 2017-09-29 | 上海勤融信息科技有限公司 | 一种无人车自动驾驶智能*** |
| CN109427200A (zh) * | 2017-08-27 | 2019-03-05 | 南京乐朋电子科技有限公司 | 智能无人驾驶*** |
| CN108229730A (zh) * | 2017-12-19 | 2018-06-29 | 同济大学 | 一种基于模糊奖励的无人驾驶车辆轨迹生成方法 |
| CN111201451A (zh) * | 2018-02-09 | 2020-05-26 | 宝马股份公司 | 基于场景的激光数据和雷达数据进行场景中的对象检测的方法及装置 |
| CN108445885A (zh) * | 2018-04-20 | 2018-08-24 | 鹤山东风新能源科技有限公司 | 一种基于纯电动物流车的自动驾驶***及其控制方法 |
| CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位*** |
| CN109343061A (zh) * | 2018-09-19 | 2019-02-15 | 百度在线网络技术（北京）有限公司 | 传感器标定方法、装置、计算机设备、介质和车辆 |
| 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*** |
| CN112776802A (zh) * | 2019-11-01 | 2021-05-11 | 安波福技术有限公司 | 自适应速度控制*** |
| CN112906882A (zh) * | 2019-12-03 | 2021-06-04 | 百度（美国）有限责任公司 | 利用模型预测控制的逆向强化学习 |
| CN113254806A (zh) * | 2020-02-11 | 2021-08-13 | 丰田研究所股份有限公司 | 预测行人的移动的***和方法 |
| CN111932463A (zh) * | 2020-08-26 | 2020-11-13 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN112230240A (zh) * | 2020-09-30 | 2021-01-15 | 深兰人工智能(深圳)有限公司 | 激光雷达与相机数据的时空同步***、装置及可读介质 |
| CN112257552A (zh) * | 2020-10-19 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN112379674A (zh) * | 2020-11-26 | 2021-02-19 | 中国第一汽车股份有限公司 | 一种自动驾驶设备及*** |
| CN112526980A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 远程控制方法、驾驶舱、云端服务器和自动驾驶车辆 |
| CN112671499A (zh) * | 2021-03-16 | 2021-04-16 | 深圳裹动智驾科技有限公司 | 多传感器同步方法及***、以及主控制设备 |
| CN113110504A (zh) * | 2021-05-12 | 2021-07-13 | 南京云智控产业技术研究院有限公司 | 一种基于强化学习和视线法的无人艇路径跟踪方法 |
| CN113313154A (zh) * | 2021-05-20 | 2021-08-27 | 四川天奥空天信息技术有限公司 | 一体化融合多传感器自动驾驶智能感知装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115512543A (zh) * | 2022-09-21 | 2022-12-23 | 浙江大学 | 一种基于深度逆向强化学习的车辆路径链重构方法 |
| CN115512543B (zh) * | 2022-09-21 | 2023-11-28 | 浙江大学 | 一种基于深度逆向强化学习的车辆路径链重构方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106909152B (zh) | 一种车用环境感知***及汽车 | |
| EP3742200B1 (en) | Detection apparatus and parameter adjustment method thereof | |
| CN107650908B (zh) | 无人车环境感知*** | |
| EP3885794A1 (en) | Track and road obstacle detecting method | |
| CN108646731B (zh) | 无人驾驶车辆场端控制***及其控制方法 | |
| CN110745140B (zh) | 一种基于连续图像约束位姿估计的车辆换道预警方法 | |
| KR20200001471A (ko) | 차선 정보 검출 장치, 방법 및 이러한 방법을 수행하도록 프로그램된 컴퓨 프로그램을 저장하는 컴퓨터 판독가능한 기록매체 | |
| CN114442101B (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
| CN212220188U (zh) | 地下停车场融合定位*** | |
| CN111694031A (zh) | 一种基于差分定位的无人驾驶车辆控制*** | |
| CN110596731A (zh) | 一种地铁车辆主动障碍物检测***及方法 | |
| CN112379674B (zh) | 一种自动驾驶设备及*** | |
| CN111413983A (zh) | 一种无人驾驶车辆的环境感知方法及控制端 | |
| CN209852236U (zh) | 无人驾驶卡车环境感知装置 | |
| CN110647801A (zh) | 设置感兴趣区域的方法、装置、存储介质及电子设备 | |
| CN113850102A (zh) | 基于毫米波雷达辅助的车载视觉检测方法及*** | |
| CN115876198A (zh) | 基于数据融合的目标检测及预警方法、设备、***和介质 | |
| CN112784679A (zh) | 车辆避障方法和装置 | |
| CN207274661U (zh) | 无人车环境感知*** | |
| CN113296120B (zh) | 一种障碍物检测方法及终端 | |
| CN113734197A (zh) | 一种基于数据融合的无人驾驶的智能控制方案 | |
| CN113884090A (zh) | 智能平台车环境感知***及其数据融合方法 | |
| CN114084129A (zh) | 一种基于融合的车辆自动驾驶控制方法及*** | |
| CN115953905B (zh) | 一种基于激光雷达的车路协同控制*** | |
| CN113252034A (zh) | 一种路径规划方法及相关设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211203 |