CN114179835B - 基于真实场景下强化学习的自动驾驶车辆决策训练方法 - Google Patents
基于真实场景下强化学习的自动驾驶车辆决策训练方法 Download PDFInfo
- Publication number
- CN114179835B CN114179835B CN202111653767.0A CN202111653767A CN114179835B CN 114179835 B CN114179835 B CN 114179835B CN 202111653767 A CN202111653767 A CN 202111653767A CN 114179835 B CN114179835 B CN 114179835B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- reinforcement learning
- automatic driving
- action
- real scene
- 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
- 230000002787 reinforcement Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 title claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 230000021824 exploration behavior Effects 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012795 verification Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于真实场景下强化学习的自动驾驶车辆决策训练方法。所述自动驾驶车辆设置有线控底盘、定位装置、激光雷达装置以及自动驾驶控制器,该方法包括:当车辆在真实场景下按照预设行驶路径的轨迹点行驶时,间歇性执行探索行为并记录强化学习模型的输入信息,所述输入信息包括输入状态,动作空间,单步执行后的回报;根据输入信息对强化学习决策算法进行训练。本发明通过线控底盘、四个激光雷达、RTK定位单元、电脑控制器等基础硬件,通过预设行驶轨迹、小范围抽样动作探索、可靠的安全防护和自动复位等关键技术,突破强化学习算法依赖虚拟环境的限制,实现自动驾驶车辆强化学习决策算法的在线自动采集、训练和验证。
Description
技术领域
本发明实施例涉及自动驾驶技术领域,尤其涉及一种基于真实场景下强化学习的自动驾驶车辆决策训练方法。
背景技术
自动驾驶车辆,也称智能汽车,是室外轮式移动机器人在交通领域的重要应用。它使用车载传感器,例如摄像头、激光雷达、超声传感器、微波雷达、GPS、里程计、磁罗盘等来感知车辆周围环境,并能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。
智能汽车从根本上改变了传统的“人一车一路”闭环控制方式,将不可控的驾驶员从该闭环***中请出去,减少了人为影响因素,由机器驾驶脑实现精确的机器控制,从而大大提高了交通***的效率和安全性。
传统的基于人工特征或车辆动力学模型的预测方法,无法解决实际道路交通环境中存在的高动态、不确定、强非线性等问题,这将影响并限制智能驾驶技术的产业化发展进程。
深度强化学习理论,探索通过对大数据分析和研究计算解决智能驾驶技术随机不确定的问题,为智能驾驶汽车进一步实现产业化奠定科学理论支撑。但强化学习算法多依赖于虚拟仿真环境数据采集和训练,这极大地限制了其在真实场景中的应用。
发明内容
本发明提供一种基于真实场景下强化学习的自动驾驶车辆决策训练方法,突破了强化学习算法依赖虚拟环境的限制,实现自动驾驶车辆强化学习决策算法的在线自动采集、训练和验证。
本发明提供一种基于真实场景下强化学习的自动驾驶车辆决策训练方法,所述自动驾驶车辆设置有线控底盘、定位装置、激光雷达装置以及自动驾驶控制器,所述线控底盘在启动后沿着预设行驶路径的轨迹点行驶,所述定位装置用于获取车辆的位置信息,所述雷达装置用于获取车辆行驶过程的环境数据,所述自动驾驶控制器用于根据预设的算法对车辆行驶过程进行控制,所述方法包括:
当车辆在真实场景下按照预设行驶路径的轨迹点行驶时,间歇性执行探索行为并记录强化学习模型的输入信息,所述输入信息包括输入状态S,动作空间A,单步执行后的回报R;
根据所述输入信息对强化学习决策算法进行训练。
可选的,所述输入状态S包括:预设行驶路径的轨迹点S1和激光雷达装置获取的周围环境的抽象信息S2。
可选的,所述动作空间A包括横向动作空间A1和纵向动作空间A2两个分解动作;
其中,所述横向动作空间A1被假定符合高斯分布,作为后续随机动作抽样的依据;
所述纵向动作空间A2上设定有基准值。
可选的,所述单步执行后的回报R为在输入状态S下单步执行A动作后得到的评价;
与所述单步执行后的回报R相关的因素包括:车辆行驶路径和预设行驶路径的偏移量、车辆行驶速度和预期行驶速度的偏移量以及车辆碰撞风险和车道偏离的评价。
可选的,当连续执行探索行为的次数达到设定阈值,则控制车辆进行复位,按照预设的行驶轨迹点行驶。
可选的,所述强化学习算法为离线强化学习算法。
本发明的有益效果:
1.本发明提出一种基于真实场景下强化学习的自动驾驶车辆决策训练算法,通过预设行驶轨迹、小范围抽样动作探索、可靠的安全防护和自动复位等关键技术,突破强化学习算法依赖虚拟环境的限制,对强化学习在真实环境中的推广和使用有借鉴指导意义。
2.本发明在整个样本采集期间,为全自动驾驶行为,大幅降低了人工工作量,提高了采样效率,并且支持多台自动驾驶车辆同步运行及采样。
3.本发明通过在横向动作空间上施加高斯分布限制,在纵向动作空间上设定基准值,这些设计都有利于智能体模型的快速收敛。
附图说明
图1是本发明中的一种基于真实场景下强化学习的自动驾驶车辆决策训练方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明实施例提供了一种基于真实场景下强化学习的自动驾驶车辆决策训练方法,所述自动驾驶车辆设置有线控底盘、定位装置、激光雷达装置以及自动驾驶控制器,所述线控底盘在启动后沿着预设行驶路径的轨迹点行驶,所述定位装置用于获取车辆的位置信息,所述雷达装置用于获取车辆行驶过程的环境数据,所述自动驾驶控制器用于根据预设的算法对车辆行驶过程进行控制。
优选的,上述激光雷达可以为4个设置在线控底盘前后左右车体上的360°激光雷达;定位装置可以为安装在车顶的RTK高精度定位单元。
参见图1,所述方法包括:
S110、当车辆在真实场景下按照预设行驶路径的轨迹点行驶时,间歇性执行探索行为并记录强化学习模型的输入信息,所述输入信息包括输入状态S,动作空间A,单步执行后的回报R;
S120、根据所述输入信息对强化学习决策算法进行训练。
本实施例中的强化学习模型选择off-policy(离线)的强化学习算法,如深度强化学习中的DDPG(Deep Deterministic Policy Gradient)算法、TD3(Twin Delayed DeepDeterministic policy gradient)算法或者SAC(Soft Actor-Critic)算法。离线的强化学习算法能够充分利用历史数据。
进一步的,自动驾驶控制中预存有目标行驶区域的高精度地图和预设行驶轨迹点,车辆在政策环境下沿轨迹行驶。并且,整个采样过程为全自动驾驶,可以提高采样效率,并可以实现多车并行采样。为探索更多的动作空间,提出一种随机探索、自动复位的方法,以实现对环境的充分探索。
具体的,输入状态S包含两个部分S1,S2。其中,S1为预设行驶路径的轨迹点,为全局信息;S2为激光雷达感知的周围环境的抽象,包括车辆周围的动态及静态障碍物、可行驶区域。
所述动作空间A包括横向动作空间A1和纵向动作空间A2两个分解动作;
其中,所述横向动作空间A1被假定符合高斯分布,作为后续随机动作抽样的依据;所述纵向动作空间A2上设定有基准值,通过上述设计以实现智能体模型的快速收敛。
所述单步执行后的回报R为在输入状态S下单步执行A动作后得到的评价,R和3个因素相关:1)和预设路径的偏移量,偏移量越小,R越大;2)和预期行驶速度的偏移量,偏移量越小,R越大;3)碰撞风险和车道偏离的评价。
本实施例中,自动驾驶控制器中预设特定场景的高精度地图和车辆正常条件下的封闭行驶轨迹τ,正常无障碍情况下车辆应根据RTK定位单元收到的定位信息一直沿轨迹循迹行驶。然而,由于一直沿轨迹行驶无法获取对环境的充分探索,采用了在横向操作上对符合高斯分布的策略进行抽样的方法A1_,替换标准预置动作A1,在速度操作上添加随机噪声,形成动作A2_,替代A2,以实现对环境的充分探索。
由于设置了自动探索的过程,使车辆行驶在客观上具有很强的随机不确定性,出现跑偏现象。为了解决该问题,当连续执行探索行为的次数达到设定阈值,则控制车辆进行复位,按照预设的行驶轨迹点行驶。本实施例中,通过预设行驶轨迹、RTK高精度定位单元和四个激光雷达数据的约束,且为全自动驾驶状态,能够保障车辆随机探索过程中的安全性。
实施例
本发明实施例提供一种基于真实场景下强化学习的自动驾驶车辆决策训练方法的应用案例如下:
1.准备一台调试完成的线控底盘,将四个360°激光雷达分别安装在线控底盘的前后左右车体上,组合形成对360°视场的全覆盖。将RTK高精度定位单元安装在车顶,将自动驾驶控制器固定于车体。
2.将固定园区的高精度地图和预设行驶轨迹点下载到自动驾驶控制器中。
3.将编写好的行驶控制及探索算法下载到自动驾驶控制器中。
4.将编写好的安全避撞及行为评价算法下载到自动驾驶控制器中。
5.启动线控底盘及自动驾驶控制器,则线控底盘会沿预设轨迹行驶,间歇性执行探索行为,此时,开始记录S、A、R数据。如偏航,则自动复位到预设轨迹点上,重新开始行为探索。
6.如探索动作未达到自动复位条件(探索一定次数后进行复位),则进行持续探索。
7.一直采集直至满足训练需求,训练时,采用off-policy(离线)的强化学习算法如DDPG、SAC等。
8.将训练好的模型下载到自动驾驶控制器中,实车评价其效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (3)
1.一种基于真实场景下强化学习的自动驾驶车辆决策训练方法,其特征在于,所述自动驾驶车辆设置有线控底盘、定位装置、激光雷达装置以及自动驾驶控制器,所述线控底盘在启动后沿着预设行驶路径的轨迹点行驶,所述定位装置用于获取车辆的位置信息,所述雷达装置用于获取车辆行驶过程的环境数据,所述自动驾驶控制器用于根据预设的算法对车辆行驶过程进行控制,所述方法包括:
当车辆在真实场景下按照预设行驶路径的轨迹点行驶时, 间歇性执行探索行为并记录强化学习模型的输入信息,所述输入信息包括输入状态S,动作空间A,单步执行后的回报R;
根据所述输入信息对强化学习决策算法进行训练;
所述输入状态S包括:预设行驶路径的轨迹点S1和激光雷达装置获取的周围环境的抽象信息S2;
所述动作空间A包括横向动作空间A1和纵向动作空间A2两个分解动作;
其中,所述横向动作空间A1被假定符合高斯分布,作为后续随机动作抽样的依据;
所述纵向动作空间A2上设定有基准值;
所述单步执行后的回报R为在输入状态S下单步执行A动作后得到的评价;
与所述单步执行后的回报R相关的因素包括:车辆行驶路径和预设行驶路径的偏移量、车辆行驶速度和预期行驶速度的偏移量以及车辆碰撞风险和车道偏离的评价。
2.根据权利要求1所述的方法,其特征在于,当连续执行探索行为的次数达到设定阈值时,则控制车辆进行复位,按照预设的行驶轨迹点行驶。
3.根据权利要求1所述的方法,其特征在于,所述强化学习算法为离线强化学习算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653767.0A CN114179835B (zh) | 2021-12-30 | 2021-12-30 | 基于真实场景下强化学习的自动驾驶车辆决策训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653767.0A CN114179835B (zh) | 2021-12-30 | 2021-12-30 | 基于真实场景下强化学习的自动驾驶车辆决策训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114179835A CN114179835A (zh) | 2022-03-15 |
CN114179835B true CN114179835B (zh) | 2024-01-05 |
Family
ID=80606422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111653767.0A Active CN114179835B (zh) | 2021-12-30 | 2021-12-30 | 基于真实场景下强化学习的自动驾驶车辆决策训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114179835B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106154834A (zh) * | 2016-07-20 | 2016-11-23 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN106774291A (zh) * | 2016-12-26 | 2017-05-31 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶电动汽车的电控*** |
CN108196535A (zh) * | 2017-12-12 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶*** |
CN109597317A (zh) * | 2018-12-26 | 2019-04-09 | 广州小鹏汽车科技有限公司 | 一种基于自学习的车辆自动驾驶方法、***及电子设备 |
CN109649390A (zh) * | 2018-12-19 | 2019-04-19 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶汽车自主跟车***及方法 |
CN110322017A (zh) * | 2019-08-13 | 2019-10-11 | 吉林大学 | 基于深度强化学习的自动驾驶智能车轨迹跟踪控制策略 |
WO2020079066A1 (en) * | 2018-10-16 | 2020-04-23 | Five AI Limited | Autonomous vehicle planning and prediction |
CN112417756A (zh) * | 2020-11-13 | 2021-02-26 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶算法的交互式仿真测试*** |
CN112406904A (zh) * | 2020-08-27 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 自动驾驶策略的训练方法、装置、自动驾驶方法、设备、车辆和计算机可读存储介质 |
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 |
CN113044064A (zh) * | 2021-04-01 | 2021-06-29 | 南京大学 | 基于元强化学习的车辆自适应的自动驾驶决策方法及*** |
CN113104050A (zh) * | 2021-04-07 | 2021-07-13 | 天津理工大学 | 一种基于深度强化学习的无人驾驶端到端决策方法 |
CN113264059A (zh) * | 2021-05-17 | 2021-08-17 | 北京工业大学 | 支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法 |
CN113420368A (zh) * | 2021-05-24 | 2021-09-21 | 江苏大学 | 一种智能车辆神经网络动力学模型、强化学习网络模型及其自动驾驶训练方法 |
WO2021212728A1 (zh) * | 2020-04-24 | 2021-10-28 | 广州大学 | 基于对抗模仿学习的无人驾驶车辆换道决策方法和*** |
CN113561986A (zh) * | 2021-08-18 | 2021-10-29 | 武汉理工大学 | 自动驾驶汽车决策方法及装置 |
CN113635909A (zh) * | 2021-08-19 | 2021-11-12 | 崔建勋 | 一种基于对抗生成模仿学习的自动驾驶控制方法 |
CN113682312A (zh) * | 2021-09-23 | 2021-11-23 | 中汽创智科技有限公司 | 一种融合深度强化学习的自主换道方法及*** |
WO2021238303A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 运动规划的方法与装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765820B (zh) * | 2019-01-14 | 2019-08-09 | 南栖仙策(南京)科技有限公司 | 一种用于自动驾驶控制策略的训练*** |
US11465650B2 (en) * | 2019-09-20 | 2022-10-11 | Honda Motor Co., Ltd. | Model-free reinforcement learning |
-
2021
- 2021-12-30 CN CN202111653767.0A patent/CN114179835B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106154834A (zh) * | 2016-07-20 | 2016-11-23 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN106774291A (zh) * | 2016-12-26 | 2017-05-31 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶电动汽车的电控*** |
CN108196535A (zh) * | 2017-12-12 | 2018-06-22 | 清华大学苏州汽车研究院(吴江) | 基于增强学习和多传感器融合的自动驾驶*** |
WO2020079066A1 (en) * | 2018-10-16 | 2020-04-23 | Five AI Limited | Autonomous vehicle planning and prediction |
CN109649390A (zh) * | 2018-12-19 | 2019-04-19 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶汽车自主跟车***及方法 |
CN109597317A (zh) * | 2018-12-26 | 2019-04-09 | 广州小鹏汽车科技有限公司 | 一种基于自学习的车辆自动驾驶方法、***及电子设备 |
CN110322017A (zh) * | 2019-08-13 | 2019-10-11 | 吉林大学 | 基于深度强化学习的自动驾驶智能车轨迹跟踪控制策略 |
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 |
WO2021212728A1 (zh) * | 2020-04-24 | 2021-10-28 | 广州大学 | 基于对抗模仿学习的无人驾驶车辆换道决策方法和*** |
WO2021238303A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 运动规划的方法与装置 |
CN112406904A (zh) * | 2020-08-27 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 自动驾驶策略的训练方法、装置、自动驾驶方法、设备、车辆和计算机可读存储介质 |
CN112417756A (zh) * | 2020-11-13 | 2021-02-26 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶算法的交互式仿真测试*** |
CN113044064A (zh) * | 2021-04-01 | 2021-06-29 | 南京大学 | 基于元强化学习的车辆自适应的自动驾驶决策方法及*** |
CN113104050A (zh) * | 2021-04-07 | 2021-07-13 | 天津理工大学 | 一种基于深度强化学习的无人驾驶端到端决策方法 |
CN113264059A (zh) * | 2021-05-17 | 2021-08-17 | 北京工业大学 | 支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法 |
CN113420368A (zh) * | 2021-05-24 | 2021-09-21 | 江苏大学 | 一种智能车辆神经网络动力学模型、强化学习网络模型及其自动驾驶训练方法 |
CN113561986A (zh) * | 2021-08-18 | 2021-10-29 | 武汉理工大学 | 自动驾驶汽车决策方法及装置 |
CN113635909A (zh) * | 2021-08-19 | 2021-11-12 | 崔建勋 | 一种基于对抗生成模仿学习的自动驾驶控制方法 |
CN113682312A (zh) * | 2021-09-23 | 2021-11-23 | 中汽创智科技有限公司 | 一种融合深度强化学习的自主换道方法及*** |
Non-Patent Citations (6)
Title |
---|
基于强化学习的无人驾驶仿真研究;孙嘉浩;陈劲杰;;农业装备与车辆工程(06);全文 * |
基于深度强化学习的端到端无人驾驶决策;黄志清;曲志伟;张吉;张严心;田锐;;电子学报(09);全文 * |
改进DDPG算法在自动驾驶中的应用;张斌;何明;陈希亮;吴春晓;刘斌;周波;;计算机工程与应用(10);全文 * |
智能汽车决策中的驾驶行为语义解析关键技术;李国法;陈耀昱;吕辰;陶达;曹东璞;成波;;汽车安全与节能学报(04);全文 * |
智能网联汽车(ICV)技术的发展现状及趋势;***;戴一凡;李升波;边明远;;汽车安全与节能学报(01);全文 * |
融合类人驾驶行为的无人驾驶深度强化学习方法;吕迪;徐坤;李慧云;潘仲鸣;;集成技术(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114179835A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10882522B2 (en) | Systems and methods for agent tracking | |
CN110647056B (zh) | 一种基于整车硬件在环的智能网联汽车环境模拟仿真*** | |
CN109263639B (zh) | 基于状态栅格法的驾驶路径规划方法 | |
US10800427B2 (en) | Systems and methods for a vehicle controller robust to time delays | |
Llorca et al. | Autonomous pedestrian collision avoidance using a fuzzy steering controller | |
CN110673602B (zh) | 一种强化学习模型、车辆自动驾驶决策的方法和车载设备 | |
US11167770B2 (en) | Autonomous vehicle actuation dynamics and latency identification | |
CN110834644A (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
US20190018412A1 (en) | Control Method for Autonomous Vehicles | |
CN102495631A (zh) | 一种无人驾驶车辆跟踪预定轨迹的智能控制方法 | |
CN113665593B (zh) | 一种车辆智能驾驶纵向控制方法、***及存储介质 | |
CN110824912B (zh) | 训练用于生成自动驾驶策略的控制策略模型的方法和装置 | |
CN112099378B (zh) | 考虑随机测量时滞的前车侧向运动状态实时估计方法 | |
CN112193318A (zh) | 车辆路径控制方法、装置、设备及计算机可读存储介质 | |
DE102020122086A1 (de) | Messen von vertrauen in tiefen neuronalen netzwerken | |
CN116182884A (zh) | 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法 | |
Kanchwala et al. | Development of an intelligent transport system for EV | |
US10891951B2 (en) | Vehicle language processing | |
CN114638103A (zh) | 自动驾驶联合仿真方法、装置、计算机设备及存储介质 | |
CN109492835A (zh) | 车辆控制信息的确定方法、模型训练方法和相关装置 | |
Gelbal et al. | Smartshuttle: Model based design and evaluation of automated on-demand shuttles for solving the first-mile and last-mile problem in a smart city | |
CN114179835B (zh) | 基于真实场景下强化学习的自动驾驶车辆决策训练方法 | |
DE102022121602A1 (de) | Objektbewegungsbahnprognose | |
Cremean et al. | Alice: An information-rich autonomous vehicle for high-speed desert navigation | |
CN112519779A (zh) | 基于位置的车辆操作 |
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 |