CN113807009B - 一种微观换道轨迹的分段提取方法 - Google Patents
一种微观换道轨迹的分段提取方法 Download PDFInfo
- Publication number
- CN113807009B CN113807009B CN202111008674.2A CN202111008674A CN113807009B CN 113807009 B CN113807009 B CN 113807009B CN 202111008674 A CN202111008674 A CN 202111008674A CN 113807009 B CN113807009 B CN 113807009B
- Authority
- CN
- China
- Prior art keywords
- lane
- changing
- track
- vehicle
- target
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种微观换道轨迹的分段提取方法,所述方法包括:采集道路交通微观信息,确定微观换道轨迹的分段提取类型,包括一段式、两段式、三段式、四段式和六段式,再根据目标车辆换道前后的车辆位置、速度、加速度等信息,确定区分微观换道轨迹分段提取不同类型的判定条件。该方法根据车辆运动轨迹特征,精细化切分换道轨迹,为运动轨迹评价、优质信息提取、优质特征学习提供科学合理的判别条件,为提升道路交通通行效率和行车安全提供理论基础。
Description
技术领域
本发明涉及智能交通控制领域,具体涉及一种微观换道轨迹的分段提取方法。
背景技术
换道行为往往会增加交通事故风险,降低道路通行效率。对换道行为进行科学的机理分析,并作出有效的管控措施,有利于提高交通安全和通行能力。机理分析的基础是对车辆微观换道轨迹的提取工作。已有工作均是将完整的单车换道轨迹当做研究对象,忽略换道行为中不同阶段的不同特征,比如在车辆跨越车道线前后,车辆受到的影响并不一样。此外,车辆在换道开始初期和跨越车道线时的心理状态也有所不同。因此,对微观换道轨迹进行分段提取,有助于提取精确的换道信息,提高针对换道行为管控措施的科学性和有效性。
专利“一种基于模型预测的车辆换道轨迹跟踪控制方法”(CN202010909744.0)则基于模型预测控制器,规划出一条最优换道期望轨迹;专利“汽车自动换道最优轨迹规划、控制方法及***”(CN201910797916.7)重点从时间角度将换道轨迹等分,并基于代价函数规划出不同阶段的换道轨迹,该换道轨迹切分方法较为简单,未考虑目标车辆与周围车辆的互动关系,且切分过于细致,存在破坏有效特征信息延续的可能性。因此,已公开文献和专利均未涉及从空间角度上,考虑与周围车辆互动关系的微观换道轨迹的分段提取问题。
发明内容
发明目的:为了克服上述现有技术的不足,本发明目的在于提出一种微观换道轨迹的分段提取方法,采集当前车辆、换道前和换道后的前后车辆等微观交通流信息,确定微观换道轨迹的分段提取类型,包括一段式、两段式、三段式、四段式和六段式,再根据目标车辆换道前后的车辆位置、速度、加速度等信息,确定区分微观换道轨迹分段提取不同类型的判定条件。该方法能够从空间和与周围车辆互动关系角度出发,提供微观换道轨迹的切分原则,较大程度地保证了换道轨迹信息传递的连续性,以及驾驶人信息提取的科学性,为制定换道行为管控措施提供理论基础。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种微观换道轨迹的分段提取方法,所述换道轨迹为基于机器学习进行换道轨迹规划的模型的训练数据,包括如下步骤:
步骤1:采集目标换道轨迹中的道路交通微观信息;
步骤2:确定目标换道轨迹的五个分段提取类型:
一段式,提取完整的目标换道轨迹;
两段式,目标换道轨迹以K1为分界点分为两段,分别提取这两段换道轨迹;
三段式,目标换道轨迹以K2和K3为分界点分为三段,分别提取这三段换道轨迹;
四段式,目标换道轨迹以K1、K2和K3为分界点分为四段,分别提取这四段换道轨迹;
六段式,目标换道轨迹以K1、K2、K3、K4和K5为分界点分为六段,分别提取这六段换道轨迹;
其中,K1为目标换道轨迹与车道线的交点,K2为当前车道内目标换道轨迹上与车道线之间距离为L1的点,K3为目标车道内目标换道轨迹上与车道线之间距离为L1的点,K4为当前车道内目标换道轨迹上与车道线之间距离为L2的点,K5为目标车道内目标换道轨迹上与车道线之间距离为L2的点;车道线为目标换道轨迹中换道车辆当前车道与目标车道之间的车道线,L0为换道前换道车辆前保险杠中心位置与车道线之间的距离;
步骤3:确定目标换道轨迹中换道车辆换道前与前后车辆的间距以及换道后与前后车辆的间距,当所有间距均大于临界间距Lmin时,该换道轨迹的分段提取类型为一段式;否则,转至步骤4;其中临界间距Lmin为手动驾驶车辆内驾驶人观测范围,或智能车辆通讯感知范围;
步骤4:计算目标换道轨迹中换道车辆换道前和换道后的车头时距,当换道车辆换道前车头时距大于换道前临界车头时距TBLC,或换道车辆换道后车头时距大于换道后临界车头时距TALC时,该换道轨迹的分段提取类型为两段式;否则,转至步骤5;
步骤6:当所有车辆在目标换道轨迹中换道车辆换道前与换道后的加速度乘积均不等于0时,该换道轨迹的分段提取方式为六段式;否则,该换道轨迹的分段提取类型为四段式;其中所有车辆包括目标换道轨迹中换道车辆、当前车道内目标换道轨迹中换道车辆的前车和后车、目标车道内目标换道轨迹中换道车辆的前车和后车。
进一步,步骤1中,所述道路交通微观信息包括目标换道轨迹中换道车辆A换道前和换道后与目标车道内前车B的间距XAB_0、XAB_1,车辆A换道前和换道后与目标车道内后车C的间距XAC_0、XAC_1,车辆A换道前和换道后与当前车道内前车D的间距XAD_0、XAD_1,车辆A换道前和换道后与当前车道内后车E的间距XAE_0、XAE_1;车辆A换道前车辆A、B、C、D、E的加速度aA_0、aB_0、aC_0、aD_0、aE_0,车辆A换道后车辆A、B、C、D、E的加速度aA_1、aB_1、aC_1、aD_1、aE_1;车辆A换道前和换道后的速度VA_0、VA_1;车辆A换道后车辆C的速度VC_1;道路限速Vlimit;车辆A换道前其前保险杠中心位置距车道线的距离L0,该车道线分隔当前车道与目标车道。
一种换道轨迹数据集的处理方法,所述换道轨迹数据集用于基于机器学习进行换道轨迹规划的模型训练,该方法的具体步骤如下:
1)采用如上述的分段提取方法对换道轨迹数据集中的每一条换道轨迹数据进行分段提取;
2)由步骤1)提取到的分段轨迹构成新的数据集,作为基于机器学习进行换道轨迹规划的模型的训练样本。
有益效果:人工智能算法的基础是优质的样本数据。传统的做法是将整条车辆轨迹作为某一样本,而驾驶员在换道过程中,分为不同的阶段,不同阶段受到不同因素的影响,导致每段换道轨迹所作的决策优劣有所不同。本发明公开的一种微观换道轨迹的分段提取方法,充分考虑目标车辆与当前车道、目标车道内前后车辆的互动关系,从空间角度出发,科学合理地微观换道轨迹的切分原则,精细化切分换道轨迹,能够科学合理地确定换道轨迹的不同阶段,为下一步智能车模拟优质换道行为提供理论指导,为运动轨迹评价、优质信息提取、优质特征学习提供科学合理的判别条件,为提升道路交通通行效率和行车安全提供型基础。
附图说明
图1是本发明的方法流程图;
图2为本发明中实施案例的示意图;
图3为本发明中实施案例的数据统计图。
具体实施方式
为了使本发明的内容更容易被清楚的理解,下面结合附图和具体实施例对本发明作进一步详细的说明。
在一个实施例中,如图1所示,提供了一种微观换道轨迹的分段提取方法,所述换道轨迹为基于机器学习进行换道轨迹规划的模型的训练数据,包括如下步骤:
步骤1:采集目标换道轨迹中的道路交通微观信息;
步骤2:确定目标换道轨迹的五个分段提取类型:
一段式,提取完整的目标换道轨迹;
两段式,目标换道轨迹以K1为分界点分为两段,分别提取这两段换道轨迹;
三段式,目标换道轨迹以K2和K3为分界点分为三段,分别提取这三段换道轨迹;
四段式,目标换道轨迹以K1、K2和K3为分界点分为四段,分别提取这四段换道轨迹;
六段式,目标换道轨迹以K1、K2、K3、K4和K5为分界点分为六段,分别提取这六段换道轨迹;
其中,K1为目标换道轨迹与车道线的交点,K2为当前车道内目标换道轨迹上与车道线之间距离为L1的点,K3为目标车道内目标换道轨迹上与车道线之间距离为L1的点,K4为当前车道内目标换道轨迹上与车道线之间距离为L2的点,K5为目标车道内目标换道轨迹上与车道线之间距离为L2的点;车道线为目标换道轨迹中换道车辆当前车道与目标车道之间的车道线,L0为换道前换道车辆前保险杠中心位置与车道线之间的距离;
步骤3:确定目标换道轨迹中换道车辆换道前与前后车辆的间距以及换道后与前后车辆的间距,当所有间距均大于临界间距Lmin时,该换道轨迹的分段提取类型为一段式;否则,转至步骤4;其中临界间距Lmin为手动驾驶车辆内驾驶人观测范围,或智能车辆通讯感知范围;
步骤4:计算目标换道轨迹中换道车辆换道前和换道后的车头时距,当换道车辆换道前车头时距大于换道前临界车头时距TBLC,或换道车辆换道后车头时距大于换道后临界车头时距TALC时,该换道轨迹的分段提取类型为两段式;否则,转至步骤5;
步骤6:当所有车辆在目标换道轨迹中换道车辆换道前与换道后的加速度乘积均不等于0时,该换道轨迹的分段提取方式为六段式;否则,该换道轨迹的分段提取类型为四段式;其中所有车辆包括目标换道轨迹中换道车辆、当前车道内目标换道轨迹中换道车辆的前车和后车、目标车道内目标换道轨迹中换道车辆的前车和后车。
在一个实施例中,提供了一种换微观换道轨迹的分段提取设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的微观换道轨迹的分段提取方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述的微观换道轨迹的分段提取方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在一个实施例中,某三车道路段,当前车道内目标车辆为车辆A,目标车道内存在前车车辆B和后车车辆C,当前车道内存在前车车辆D和后车车辆E,车辆A的换道轨迹如图2所示,以下将采用本发明提出的一种微观换道轨迹的分段提取方法,判别该换道轨迹的分段提取类型。
步骤1:采集道路交通微观信息
车辆A换道前和换道后与车辆B的间距分别为XAB_0、XAB_1,车辆A换道前和换道后与车辆C的间距分别为XAC_0、XAC_1,车辆A换道前和换道后与车辆D的间距分别为XAD_0、XAD_1,车辆A换道前和换道后与车辆E的间距分别为XAE_0、XAE_1;车辆A换道前车辆A、B、C、D、E的加速度分别为aA_0、aB_0、aC_0、aD_0、aE_0,车辆A换道后车辆A、B、C、D、E的加速度分别为aA_1、aB_1、aC_1、aD_1、aE_1;车辆A换道前和换道后的速度分别为VA_0、VA_1;车辆A换道后车辆C的速度VC_1;道路限速Vlimit;换道前目标车辆前保险杠中心位置距车道线的距离L0,该车道线分隔当前车道与目标车道。
步骤2:确定微观换道轨迹的分段提取类型
K1为目标换道轨迹与车道线的交点,K2为当前车道内目标换道轨迹上距车道线L1距离的位置,K3为目标车道内目标换道轨迹距车道线L1距离的位置,K4为当前车道内目标换道轨迹距车道线L2距离的位置,K5为目标车道内目标换道轨迹距车道线L2距离的位置,其中
微观换道轨迹的分段提取类型包括以下五类:
一段式:完整的微观换道轨迹;
两段式:以K1为分界点,两段微观换道轨迹;
三段式:以K2和K3为分界点,三段微观换道轨迹;
四段式:以K1、K2和K3为分界点,四段微观换道轨迹;
六段式:以K1、K2、K3、K4和K5为分界点,六段微观换道轨迹。
步骤3:确定目标车辆换道前后与前后车辆的间距
当车辆A换道前后与前后车辆的所有间距{XAB_0,XAB_1,XAC_0,XAC_1,XAD_0,XAD_1,XAE_0,XAE_1}均大于临界间距Lmin时,该换道轨迹的分段提取类型为一段式,流程结束;否则,转至步骤4。其中临界间距Lmin为手动驾驶车辆内驾驶人观测范围,或智能车辆通讯感知范围,默认取值200m。
步骤4:计算车辆A换道前和换道后的车头时距
当TAD_0大于换道前临界车头时距TBLC,或TAB_1大于换道后临界车头时距TALC时,该换道轨迹的分段提取类型为两段式,流程结束;否则,转至步骤5。其中TAD_0、TAB_1、TBLC、TALC的计算方法如下:
步骤5:计算目标车道换道后的后车车头时距
步骤6:计算换道前后所有车辆的加速度乘积
当换道前后所有车辆的加速度乘积(aA_0·aA_1)、(aB_0·aB_1)、(aC_0·aC_1)、(aD_0·aD_1)、(aE_0·aE_1)均不等于0时,该换道轨迹的分段提取方式为六段式;否则,该换道轨迹的分段提取类型为四段式。流程结束。
在一个实施例中,提供了一种换道轨迹数据集的处理方法,所述换道轨迹数据集用于基于机器学习进行换道轨迹规划的模型训练,该方法的具体步骤如下:
1)采用如上述的分段提取方法对换道轨迹数据集中的每一条换道轨迹数据进行分段提取;
2)由步骤1)提取到的分段轨迹构成新的数据集,作为基于机器学习进行换道轨迹规划的模型的训练样本。
从NGSIM数据库中提取出1000条初始换道轨迹,根据本发明所提出的分段评价方法,确定每条初始换道轨迹的分段类型,汇总如表1所示:
表1初始换道轨迹的分段类型
分段提取类型 | 一段式 | 两段式 | 三段式 | 四段式 | 六段式 | 总计 |
数量 | 120 | 131 | 307 | 268 | 174 | 1000 |
根据本发明方法所得共计3419段轨迹数据,将1000条初始换道轨迹和本发明所得的3419段轨迹分别作为基于机器学习进行换道轨迹规划的模型的训练样本,训练和测试完成后,得到两个换道轨迹规划模型。
用上述两个换道轨迹规划模型分别模拟仿真交通场景,统计平均通行速度和平均车头时距指标,分别作为效率和安全评价指标,汇总如图3所示,平均通行速度由83km/h提升至98km/h,提高了15km/h;平均车头时距由2.1s提升至2.8s,提高了33.3%。由此可见,采用本发明的方法,通行效率和行车安全均得到显著提升。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (6)
1.一种微观换道轨迹的分段提取方法,所述换道轨迹为基于机器学习进行换道轨迹规划的模型的训练数据,其特征在于,包括如下步骤:
步骤1:采集目标换道轨迹中的道路交通微观信息;
步骤2:确定目标换道轨迹的五个分段提取类型:
一段式,提取完整的目标换道轨迹;
两段式,目标换道轨迹以K1为分界点分为两段,分别提取这两段换道轨迹;
三段式,目标换道轨迹以K2和K3为分界点分为三段,分别提取这三段换道轨迹;
四段式,目标换道轨迹以K1、K2和K3为分界点分为四段,分别提取这四段换道轨迹;
六段式,目标换道轨迹以K1、K2、K3、K4和K5为分界点分为六段,分别提取这六段换道轨迹;
其中,K1为目标换道轨迹与车道线的交点,K2为当前车道内目标换道轨迹上与车道线之间距离为L1的点,K3为目标车道内目标换道轨迹上与车道线之间距离为L1的点,K4为当前车道内目标换道轨迹上与车道线之间距离为L2的点,K5为目标车道内目标换道轨迹上与车道线之间距离为L2的点;车道线为目标换道轨迹中换道车辆当前车道与目标车道之间的车道线,L0为换道前换道车辆前保险杠中心位置与车道线之间的距离;
步骤3:确定目标换道轨迹中换道车辆换道前与前后车辆的间距以及换道后与前后车辆的间距,当所有间距均大于临界间距Lmin时,该换道轨迹的分段提取类型为一段式;否则,转至步骤4;其中临界间距Lmin为手动驾驶车辆内驾驶人观测范围,或智能车辆通讯感知范围;
步骤4:计算目标换道轨迹中换道车辆换道前和换道后的车头时距,当换道车辆换道前车头时距大于换道前临界车头时距TBLC,或换道车辆换道后车头时距大于换道后临界车头时距TALC时,该换道轨迹的分段提取类型为两段式;否则,转至步骤5;
步骤6:当所有车辆在目标换道轨迹中换道车辆换道前与换道后的加速度乘积均不等于0时,该换道轨迹的分段提取方式为六段式;否则,该换道轨迹的分段提取类型为四段式;其中所有车辆包括目标换道轨迹中换道车辆、当前车道内目标换道轨迹中换道车辆的前车和后车、目标车道内目标换道轨迹中换道车辆的前车和后车。
2.根据权利要求1所述的一种微观换道轨迹的分段提取方法,其特征在于,步骤1中,所述道路交通微观信息包括目标换道轨迹中换道车辆A换道前和换道后与目标车道内前车B的间距XAB_0、XAB_1,车辆A换道前和换道后与目标车道内后车C的间距XAC_0、XAC_1,车辆A换道前和换道后与当前车道内前车D的间距XAD_0、XAD_1,车辆A换道前和换道后与当前车道内后车E的间距XAE_0、XAE_1;车辆A换道前车辆A、B、C、D、E的加速度aA_0、aB_0、aC_0、aD_0、aE_0,车辆A换道后车辆A、B、C、D、E的加速度aA_1、aB_1、aC_1、aD_1、aE_1;车辆A换道前和换道后的速度VA_0、VA_1;车辆A换道后车辆C的速度VC_1;道路限速Vlimit;车辆A换道前其前保险杠中心位置距车道线的距离L0,该车道线分隔当前车道与目标车道。
4.一种换道轨迹数据集的处理方法,所述换道轨迹数据集用于基于机器学习进行换道轨迹规划的模型训练,其特征在于,该方法的具体步骤如下:
1)采用如权利要求1至3中任一所述的方法对换道轨迹数据集中的每一条换道轨迹数据进行分段提取;
2)由步骤1)提取到的分段轨迹构成新的数据集,作为基于机器学习进行换道轨迹规划的模型的训练样本。
5.一种换微观换道轨迹的分段提取设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一所述的微观换道轨迹的分段提取方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3中任一所述的微观换道轨迹的分段提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008674.2A CN113807009B (zh) | 2021-08-31 | 2021-08-31 | 一种微观换道轨迹的分段提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111008674.2A CN113807009B (zh) | 2021-08-31 | 2021-08-31 | 一种微观换道轨迹的分段提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807009A CN113807009A (zh) | 2021-12-17 |
CN113807009B true CN113807009B (zh) | 2022-11-18 |
Family
ID=78941996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111008674.2A Active CN113807009B (zh) | 2021-08-31 | 2021-08-31 | 一种微观换道轨迹的分段提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807009B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021103834A1 (zh) * | 2019-11-27 | 2021-06-03 | 初速度(苏州)科技有限公司 | 换道决策模型生成方法和无人车换道决策方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106114507B (zh) * | 2016-06-21 | 2018-04-03 | 百度在线网络技术(北京)有限公司 | 用于智能车辆的局部轨迹规划方法和装置 |
-
2021
- 2021-08-31 CN CN202111008674.2A patent/CN113807009B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021103834A1 (zh) * | 2019-11-27 | 2021-06-03 | 初速度(苏州)科技有限公司 | 换道决策模型生成方法和无人车换道决策方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于V2V的高速换道轨迹多目标规划;张新锋等;《江苏大学学报(自然科学版)》;20200310(第02期);全文 * |
基于车联网信息的自动换道方法研究;刘志强等;《重庆理工大学学报(自然科学)》;20200415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113807009A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486822B (zh) | 一种基于驾驶意图的周围车辆轨迹预测方法及*** | |
CN109460023A (zh) | 基于隐马尔科夫模型的驾驶人换道意图识别方法 | |
CN110751847B (zh) | 一种自动驾驶车辆行为决策方法及*** | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN110843789A (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN110853377A (zh) | 基于车头时距的公路车辆换道模型标定与决策方法及装置 | |
DE102016216772A1 (de) | Autonomes Fahren auf einer mehrstreifigen Fahrbahn | |
CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
CN112201033A (zh) | 一种道路交通运行主动管控策略选择方法 | |
EP3770879A1 (de) | Verfahren, vorrichtung und computerprogramm zum aufbereiten von daten über eine ampelanlage | |
CN113807009B (zh) | 一种微观换道轨迹的分段提取方法 | |
CN110986994A (zh) | 一种基于高噪音车辆轨迹数据的换道意图自动标注方法 | |
DE102019217144B4 (de) | Ampelspurzuordnung aus Schwarmdaten | |
CN113808394B (zh) | 一种基于风险组合模式的过街通道安全评价方法 | |
CN113361613B (zh) | 基于轨迹数据的上匝道车辆换道仿真模型分类方法及装置 | |
CN113306558B (zh) | 一种基于换道交互意图的换道决策方法及*** | |
CN116092033A (zh) | 一种车辆轨迹数据驱动的车辆换道起终点识别方法 | |
CN114566051A (zh) | 基于logistic模型的高速公路转换区严重冲突识别方法 | |
CN113723815B (zh) | 一种换道轨迹的分段评价方法 | |
CN115273467A (zh) | 一种基于多区域检测数据的车流相互影响事件识别方法 | |
CN114611932A (zh) | 一种基于vissim仿真和变道冲突的入口加速车道服务水平分级方法 | |
CN115092138A (zh) | 基于自然驾驶人特性的车辆高速公路换道轨迹规划方法 | |
CN114169147A (zh) | 一种基于信息补全的车辆仿真轨迹拟合度计算方法 | |
Fang et al. | Calibration of an interrupted traffic flow system using NGSIM trajectory data sets | |
Abdelhalim et al. | Vehicle class, speed, and roadway geometry based driver behavior identification and classification |
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 |