CN114506321B - 一种目标跟车距离计算***及计算方法 - Google Patents
一种目标跟车距离计算***及计算方法 Download PDFInfo
- Publication number
- CN114506321B CN114506321B CN202210114929.1A CN202210114929A CN114506321B CN 114506321 B CN114506321 B CN 114506321B CN 202210114929 A CN202210114929 A CN 202210114929A CN 114506321 B CN114506321 B CN 114506321B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- characteristic
- following
- distance
- lane
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 11
- 238000005286 illumination Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 10
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 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
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/107—Longitudinal acceleration
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- 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
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种目标跟车距离计算***及计算方法,本发明采集驾驶员在自动驾驶***关闭时的自然驾驶数据,将稳定跟车场景时的车速、道路曲率半径、跟车平均距离等特征,并将特征数据存入存储器待后续机器学习训练使用,采用多层感知器对目标跟车距离进行建模,待满足机器学习训练所需的最小数据要求后,对目标跟车距离模型进行训练;待车辆进入自动驾驶状态后,训练完成后的模型可以根据各类输入信息进行目标跟车距离的实时计算.本发明不依赖于大数据分类,可以在车端收集本车驾驶员的驾驶信息以实现最贴近驾驶员风格的目标距离建模,且可以考虑天气、路况、夜晚等因素对跟车距离的影响,有效提升自适应巡航功能对驾驶员的适应性。
Description
技术领域
本发明属于机器学习及智能化驾驶技术领域,具体涉及一种目标跟车距离计算***及计算方法。
背景技术
目前的高级辅助驾驶***(Advanced Driver Assistant System)的自适应巡航(Adaptive Cruise Control,ACC)功能,是通过传感器获得前车的相对距离、速度、本车速度等信息结合目标跟车距离设定信息实时计算车辆的加速减速,从而实现跟车控制。由于当前的智驾***产品的目标跟车距离设置是通过有限的几个档位来调节,这种简单的目标距离档位调节难以满足数量众多且驾驶风格多样的驾驶员对跟车距离的预期,使用者会觉得自适应巡航不舒适、不安全,从而频繁人工介入功能,甚至关闭功能。
为了提高自适应巡航的对众多驾驶者的适应能力,有研究者提出通过收集驾驶员自然驾驶的数据,而后构造时距、最大加速度等特征,通过基于规则或聚类算法实现分类,然后根据分类结果得到该类结果的目标距离参数,该方法虽然将驾驶员的跟车风格进行自动识别,但是仍然是分为有限的类别,只是类似于自动调节目标距离档位,难以准确表征个体驾驶员的跟车距离预期。
现有技术中如:CN111547064A,就提供了一种用于汽车自适应巡航***的驾驶风格识别和分类方法,采集汽车跟车行驶工况的驾驶员数据,使用SOM和K-means算法聚类驾驶员数据,离线训练分类器,而后将训练好的分类器同汽车ACC***相结合,ACC***根据分类结果来选择不同组别的控制参数对ACC进行调整,来适配驾驶员个性化需求。该方法基于聚类分类的离线训练、在线部署的思路,只能根据分类结果选择预设好的几类目标距离参数来实现个性化驾驶,考虑到驾驶员的驾驶跟车距离习惯也非一成不变,该方法也难以做到目标距离参数的在线实时更新,而且也需要收集大量的驾驶员数据。
发明内容
针对现有技术的上述不足,本发明要解决的技术问题是提供一种目标跟车距离计算***及计算方法,避免对驾驶员的目标跟车距离建模效果不佳从而使得ACC***无法适配驾驶员的个性化需求的问题,取得在真实的复杂场景下也能计算出目标跟车距离以提升自适应巡航功能对驾驶员的适应性的效果。
为解决上述技术问题,本发明采用如下技术方案:
一种目标跟车距离计算***,该***设于车端控制器内,包括:
数据收集模块,用于获取当前车辆在驾驶过程中和自动驾驶***的信息;
跟车特征计算模块,用于对数据收集模块中收集到的信息进行特征计算;
跟车条件判断模块,用于判断本车当前是否满足跟车条件,即是否处于人工驾驶且稳定跟车状态;
跟车特征存储模块,包括存储器,用于存储跟车特征计算模块中计算所得的驾驶员稳定跟车状态的特征数据;
训练条件判断模块,用于判断存储器内所存储的特征数据数量是否满足训练条件;
车端神经网络训练模块,用于进行车端模型训练,模型采用多层感知器的一种神经网络模型,模型的输入为跟车特征计算模块中计算的特征数据,模型的输出为目标跟车距离;
目标距离推理模块,用于进行目标跟车距离计算,本车进入自动驾驶状态之后,基于目标距离推理模块进行目标跟车距离计算。
进一步完善上述技术方案,所述数据收集模块中所获取的信息包括:自动驾驶***状态、本车车速、本车加速度、前车位置、前车位置、前车加速度、周围车辆位置、周围车辆速度、车道线信息、雨刮状态、雨量等级信号、环境光信号、前照灯状态。
进一步地,所述跟车特征计算模块中所得的特征计算结果包括:平均跟车距离davg、平均车速Vavg、左侧车道和右侧车道的平均车流跟车时距THLavg和THRavg、车道线特征、道路曲率半径最大值、雨量特征、光照特征。
进一步地,所述跟车条件包括:
自动驾驶***状态一直处于人工驾驶状态;
前车目标存在,且处于车道保持状态,未处于换道状态;
本车处于车道保持状态;
本车车速最近10s内变化不超过3m/s;
本车加速度最近10s内未超过1m/s2;
前车与本车最近10s内的相对速度不超过3m/s;
道路曲率半径最近10s内不小于50m。
进一步地,所述存储器内的特征数据以组划分,且每组特征数据包括:本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征、右侧车道线特征、道路曲率半径最大值、雨量特征和光照特征;且所述存储器的总限值为1000组数据,若特征数据组数超过总限值,则将最早存入存储器的那组历史数据晒出,填入新一组数据;
所述存储器下电后仍能保证现有数据不丢失。
进一步地,所述训练条件包括:当所述存储器内所存的特征数据超过500组,且本车车速处于0km/h、0-20km/h、20-40km/h、40-60km/h、60-80km/h、80-100km/h、100-120km/h、120km/h以上这些区间内,均至少有10组特征数据。
进一步地,所述神经网络模型包括一个输入层、一个隐含层和一个输出层,
所述输入层包括8个输入,分别为本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征、右侧车道线特征、道路曲率半径最大值、雨量特征和光照特征;
所述隐含层为13个神经元采用Sigmoid激活函数,其数学表达式为:
所述输出层为1个输出采用ReLU激活函数,其数学表达式为:ReLU(x)=max(0,x);
所述车端模型训练采用误差逆传播算法,训练完毕更新目标距离推理模块。
进一步地,所述目标距离推理模块的输入为自动驾驶状态下的本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征、右侧车道线特征、道路曲率半径最大值、雨量特征和光照特征,目标距离推理模块的输出为自动驾驶状态下的目标跟车距离。
本发明还涉及一种目标跟车距离计算方法,采用上述一种目标跟车距离计算***,还包括以下步骤:
S1:获取当前车辆在驾驶过程中和自动驾驶***的信息;
S2:对步骤S1中收集到的信息进行特征计算,得到特征数据;
S3:判断本车当前是否满足跟车条件,若满足,则认为本车当前处于人工驾驶且稳定跟车状态,并认为满足将步骤S2中特征计算后得到的驾驶员稳定跟车状态的特征数据存入存储器的条件,执行步骤S4;
S4:将步骤S2中特征计算所得的驾驶员稳定跟车状态的特征数据存入存储器;
S5:判断存储器内所存储的特征数据数量是否满足训练条件,若满足,执行步骤S6;
S6:当存储器中每更新10组特征数据时,进行一次车端模型训练,且每次训练完毕后对目标距离管理模块进行更新;
S7:车辆进入自动驾驶状态后,进行目标距离计算。
进一步完善上述技术方案,所述步骤S2中对S1中收集到的信息进行如下特征计算:
计算平均跟车距离davg,即前车与本车在最近10s内的平均距离,结合采样频率,每秒进行一次采样,根据公式n=10:
计算本车在最近10s内的平均车速Vavg,根据公式n=10;
计算最近10s内的左侧车道和右侧车道的平均车流跟车时距THLavg和THRavg,当左侧车道和右侧车道的车辆车速为0或左侧和右侧车道内无车辆或左侧和右侧车道内有车辆时其车道内无前车,左侧跟车时距THL和右侧跟车时距THR均为5;其他情况根据公式和/>dleft、vleft为左侧车道离本车最近的车辆离其车道内前车的距离和车速,dright、vright为右侧车道离本车最近的车辆离其车道内前车的距离和车速,n=10:
计算车道线特征,当车道线为边线或者中心线等不可换道情况时,车道线特征为0;当车道线为虚线等可换道情况时,车道线特征为1;
计算道路曲率半径最大值,根据车道线特征得到道路曲率特征并取本车在最近10s内的最大值Kmax,根据和Kmax=max(k0,k1,…,k9),其中/> 为t时刻车道线多项式的4个系数,x和y为自车坐标系纵向和横向坐标,kt为t时刻的曲率;
计算雨量特征,根据雨刮状态和雨量等级信号,当雨刮处于开启状态时,雨量特征对应为雨量等级信号,取值范围为0-10;当雨刮处于关闭状态时,雨量特征为0;
计算光照特征,根据环境光信号和前照灯状态判断车辆处于白天还是黑夜,当环境光信号输出为夜晚且前照灯处于开启状态时,认为车辆处于黑夜,光照特征为1;其他状态光照特征为0。
相比现有技术,本发明具有如下有益效果:
本发明的一种目标跟车距离计算***及计算方法,是基于驾驶行为及车端机器学***均距离等特征,并将特征数据存入存储器待后续机器学习训练使用,采用多层感知器(Multilayer Perceptron)对目标跟车距离进行建模,待满足机器学习训练所需的最小数据要求后,对目标跟车距离模型进行训练;待车辆进入自动驾驶状态后,训练完成后的模型可以根据各类输入信息进行目标跟车距离的实时计算,目标距离可传至整车***的纵向规划模块计算得到纵向控制的扭矩及制动指令。本发明不依赖于大数据分类,可以在车端收集本车驾驶员的驾驶信息以实现最贴近驾驶员风格的目标距离建模,且可以考虑天气、路况、夜晚等因素对跟车距离的影响,有效提升自适应巡航功能对驾驶员的适应性。
附图说明
图1为实施例的一种目标跟车距离计算***及计算方法的跟车场景示意图;
图2为实施例的一种目标跟车距离计算***的结构框图;
图3为图2中目标距离推理模块的神经网络模型示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
请参见图1-图3,具体实施例的一种目标跟车距离计算方法,包括如下步骤:
S1:获取当前车辆在驾驶过程中和自动驾驶***的信息;
S2:对步骤S1中收集到的信息进行特征计算,得到特征数据;
S3:判断本车当前是否满足跟车条件,若满足,则认为本车当前处于人工驾驶且稳定跟车状态,并认为满足将步骤S2中特征计算后得到的驾驶员稳定跟车状态的特征数据存入存储器的条件,执行步骤S4;
S4:将步骤S2中特征计算所得的驾驶员稳定跟车状态的特征数据存入存储器;
S5:判断存储器内所存储的特征数据数量是否满足训练条件,若满足,执行步骤S6;
S6:当存储器中每更新一定数量的数据时,进行一次车端模型训练;
S7:车辆进入自动驾驶状态后,进行目标距离计算。
请继续参见图1-图3,其中,所述步骤S1中所获取的信息包括:自动驾驶***状态、本车车速、本车加速度、前车位置、前车位置、前车加速度、周围车辆位置、周围车辆速度、车道线信息、雨刮状态、雨量等级信号、环境光信号、前照灯状态。
其中,所述步骤S2中对S1中收集到的信息进行如下特征计算:
计算平均跟车距离davg,即前车与本车在最近10s内的平均距离,结合采样频率,每秒进行一次采样,根据公式n=10;
计算本车在最近10s内的平均车速Vavg,根据公式n=10;
计算最近10s内的左侧车道和右侧车道的平均车流跟车时距THLavg和THRavg,当左侧车道和右侧车道的车辆车速为0或左侧和右侧车道内无车辆或左侧和右侧车道内有车辆时其车道内无前车,左侧跟车时距THL和右侧跟车时距THR均为5;其他情况根据公式和/>dleft、vleft为左侧车道离本车最近的车辆离其车道内前车的距离和车速,dright、vright为右侧车道离本车最近的车辆离其车道内前车的距离和车速,n=10;
计算车道线特征,当车道线为边线或者中心线等不可换道情况时,车道线特征为0;当车道线为虚线等可换道情况时,车道线特征为1;
计算道路曲率半径最大值,根据车道线特征得到道路曲率特征并取本车在最近10s内的最大值Kmax,根据和Kmax=max(k0,k1,…,k9),其中/> 为t时刻车道线多项式(即/>)的4个系数,x和y为自车坐标系纵向和横向坐标,kt为t时刻的曲率;
计算雨量特征,根据雨刮状态和雨量等级信号,当雨刮处于开启状态时,雨量特征对应为雨量等级信号,取值范围为0-10;当雨刮处于关闭状态时,雨量特征为0;
计算光照特征,根据环境光信号和前照灯状态判断车辆处于白天还是黑夜,当环境光信号输出为夜晚且前照灯处于开启状态时,认为车辆处于黑夜,光照特征为1;其他状态光照特征为0。
其中,所述步骤S3中所述跟车条件包括:
自动驾驶***状态一直处于人工驾驶状态;
前车目标存在,且处于车道保持状态,未处于换道状态;
本车处于车道保持状态;
本车车速最近10s内变化不超过3m/s;
本车加速度最近10s内未超过1m/s2;
前车与本车最近10s内的相对速度不超过3m/s;
道路曲率半径最近10s内不小于50m。
其中,步骤S4中所述特征数据以组划分,每组特征包括:本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征、右侧车道线特征、道路曲率半径最大值、雨量特征和光照特征;且所述存储器的总限值为1000组数据,若特征数据组数超过总限值,则将最早存入存储器的那组历史数据晒出,填入新一组数据;所述存储器下电后仍能保证现有数据不丢失。
其中,所述步骤S5中的所述训练条件为当存储器内所存特征数据超过500组,且本车车速处于0km/h、0-20km/h、20-40km/h、40-60km/h、60-80km/h、80-100km/h、100-120km/h、120km/h以上这些区间内,均至少有10组数据。
其中,所述步骤S6中,当存储器每更新10组数据,则进行一次车端模型训练。
请继续参见图1-图3,本发明还涉及一种目标跟车距离计算***,该***设于车端控制器内,包括:
数据收集模块,用于获取当前车辆在驾驶过程中和自动驾驶***的信息;
跟车特征计算模块,用于对S1中收集到的信息进行特征计算;
跟车条件判断模块,用于判断本车当前是否处于人工驾驶且稳定跟车状态;
跟车特征存储模块,包括存储器,用于存储跟车特征计算模块中计算的特征数据;
训练条件判断模块,用于判断存储器内所存储的特征数据数量是否满足训练条件;
车端神经网络训练模块,用于进行车端模型训练,模型采用多层感知器的一种神经网络模型,模型的输入为跟车特征计算模块中计算的特征数据,模型的输出为目标跟车距离;
目标距离推理模块,用于进行目标跟车距离计算,在目标距离推理模块内进行的目标跟车距离计算基于本车进入自动驾驶状态之后。
这样,在车端神经网络训练模块内得到的目标跟车距离为驾驶员的自然驾驶数据通过机器学习训练后得到的目标跟车距离。而在目标距离推理模块中得到的目标跟车距离则是基于自动驾驶***开启后,目标距离推理模块推算出的最贴近本车驾驶员风格的预期跟车距离。
其中,所述神经网络模型包括一个输入层、一个隐含层和一个输出层,
所述输入层包括8个输入,分别为本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征(左侧车道类型)、右侧车道线特征(右侧车道类型)、道路曲率半径最大值(车道曲率值)、雨量特征和光照特征;
所述隐含层为13个神经元采用Sigmoid激活函数,其数学表达式为:
所述输出层为1个输出采用ReLU激活函数,其数学表达式为:ReLU(x)=max(0,x);
所述车端模型训练采用误差逆传播算法(backpropagation,简称BP),每训练完一次就更新目标距离推理模块一次。
其中,所述目标距离推理模块的输入为本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征、右侧车道线特征、道路曲率半径最大值、雨量特征和光照特征,目标距离推理模块的输出为自动驾驶状态下的目标跟车距离。
这样,这样得到的目标跟车距离相对于其他的距离档位调节方式,可以实现自动调节,并且最贴近驾驶员在各种路况及车速下的预期跟车距离,有效提升驾驶员的驾驶体验。
实施例的一种目标跟车距离计算***及计算方法,是基于驾驶行为及车端机器学***均距离等特征,并将特征数据存入存储器待后续机器学习训练使用,采用多层感知器(MultilayerPerceptron)对目标跟车距离进行建模,待满足机器学习训练所需的最小数据要求后,对目标跟车距离模型进行训练;待车辆进入自动驾驶状态后,训练完成后的模型可以根据各类输入信息进行目标跟车距离的实时计算,目标距离可传至整车***的纵向规划模块计算得到纵向控制的扭矩及制动指令。本发明不依赖于大数据分类,可以在车端收集本车驾驶员的驾驶信息以实现最贴近驾驶员风格的目标距离建模,且可以考虑天气、路况、夜晚等因素对跟车距离的影响,有效提升自适应巡航功能对驾驶员的适应性。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种目标跟车距离计算***,该***设于车端控制器内,其特征在于:包括:
数据收集模块,用于获取当前车辆在驾驶过程中和自动驾驶***的信息;
跟车特征计算模块,用于对数据收集模块中收集到的信息进行特征计算;
跟车条件判断模块,用于判断本车当前是否满足跟车条件,即是否处于人工驾驶且稳定跟车状态;
跟车特征存储模块,包括存储器,用于存储跟车特征计算模块中计算所得的驾驶员稳定跟车状态的特征数据;
训练条件判断模块,用于判断存储器内所存储的特征数据数量是否满足训练条件;
车端神经网络训练模块,用于进行车端模型训练,模型采用多层感知器的一种神经网络模型,模型的输入为跟车特征计算模块中计算的特征数据,模型的输出为目标跟车距离;
目标距离推理模块,用于进行目标跟车距离计算,本车进入自动驾驶状态之后,基于目标距离推理模块进行目标跟车距离计算;
所述跟车特征计算模块进行特征计算包括:
计算平均跟车距离davg,即前车与本车在最近10s内的平均距离,结合采样频率,每秒进行一次采样,根据公式
计算本车在最近10s内的平均车速Vavg,根据公式
计算最近10s内的左侧车道和右侧车道的平均车流跟车时距THLavg和THRavg,当左侧车道和右侧车道的车辆车速为0或左侧和右侧车道内无车辆或左侧和右侧车道内有车辆时其车道内无前车,左侧跟车时距THL和右侧跟车时距THR均为5;其他情况根据公式和/>dleft、vleft为左侧车道离本车最近的车辆离其车道内前车的距离和车速,dright、vright为右侧车道离本车最近的车辆离其车道内前车的距离和车速,n=10;
计算车道线特征,当车道线为边线或者中心线等不可换道情况时,车道线特征为0;当车道线为虚线等可换道情况时,车道线特征为1;
计算道路曲率半径最大值,根据车道线特征得到道路曲率特征并取本车在最近10s内的最大值Kmax,根据和Kmax=max(k0,k1,…,k9),其中为t时刻车道线多项式的4个系数,x和y为自车坐标系纵向和横向坐标,kt为t时刻的曲率;
计算雨量特征,根据雨刮状态和雨量等级信号,当雨刮处于开启状态时,雨量特征对应为雨量等级信号,取值范围为0-10;当雨刮处于关闭状态时,雨量特征为0;
计算光照特征,根据环境光信号和前照灯状态判断车辆处于白天还是黑夜,当环境光信号输出为夜晚且前照灯处于开启状态时,认为车辆处于黑夜,光照特征为1;其他状态光照特征为0。
2.根据权利要求1所述一种目标跟车距离计算***,其特征在于:所述数据收集模块中所获取的信息包括:自动驾驶***状态、本车车速、本车加速度、前车位置、前车位置、前车加速度、周围车辆位置、周围车辆速度、车道线信息、雨刮状态、雨量等级信号、环境光信号、前照灯状态。
3.根据权利要求1所述一种目标跟车距离计算***,其特征在于:所述跟车特征计算模块中所得的特征计算结果包括:平均跟车距离davg、平均车速Vavg、左侧车道和右侧车道的平均车流跟车时距THLavg和THRavg、车道线特征、道路曲率半径最大值、雨量特征、光照特征。
4.根据权利要求1所述一种目标跟车距离计算***,其特征在于:所述跟车条件包括:
自动驾驶***状态一直处于人工驾驶状态;
前车目标存在,且处于车道保持状态,未处于换道状态;
本车处于车道保持状态;
本车车速最近10s内变化不超过3m/s;
本车加速度最近10s内未超过1m/s2;
前车与本车最近10s内的相对速度不超过3m/s;
道路曲率半径最近10s内不小于50m。
5.根据权利要求1所述一种目标跟车距离计算***,其特征在于:所述存储器内的特征数据以组划分,且每组特征数据包括:本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征、右侧车道线特征、道路曲率半径最大值、雨量特征和光照特征;
且所述存储器的总限值为1000组数据,若特征数据组数超过总限值,则将最早存入存储器的那组历史数据晒出,填入新一组数据;
所述存储器下电后仍能保证现有数据不丢失。
6.根据权利要求1所述一种目标跟车距离计算***,其特征在于:所述训练条件包括:当所述存储器内所存的特征数据超过500组,且本车车速处于0km/h、0-20km/h、20-40km/h、40-60km/h、60-80km/h、80-100km/h、100-120km/h、120km/h以上这些区间内,均至少有10组特征数据。
7.根据权利要求1所述一种目标跟车距离计算***,其特征在于:所述神经网络模型包括一个输入层、一个隐含层和一个输出层,
所述输入层包括8个输入,分别为本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征、右侧车道线特征、道路曲率半径最大值、雨量特征和光照特征;
所述隐含层为13个神经元采用Sigmoid激活函数,其数学表达式为:
所述输出层为1个输出采用ReLU激活函数,其数学表达式为:ReLU(x)=max(0,x);
所述车端模型训练采用误差逆传播算法,每训练完毕一次就更新目标距离推理模块一次。
8.根据权利要求1所述一种目标跟车距离计算***,其特征在于:所述目标距离推理模块的输入为自动驾驶状态下的本车平均车速、左侧车道车流平均跟车时距、右侧车道车流平均跟车时距、左侧车道线特征、右侧车道线特征、道路曲率半径最大值、雨量特征和光照特征,目标距离推理模块的输出为自动驾驶状态下的目标跟车距离。
9.一种目标跟车距离计算方法,其特征在于:采用如权利要求1所述一种目标跟车距离计算***,还包括以下步骤:
S1:获取当前车辆在驾驶过程中和自动驾驶***的信息;
S2:对步骤S1中收集到的信息进行特征计算,得到特征数据;
S3:判断本车当前是否满足跟车条件,若满足,则认为本车当前处于人工驾驶且稳定跟车状态,并认为满足将步骤S2中特征计算后得到的驾驶员稳定跟车状态的特征数据存入存储器的条件,执行步骤S4;
S4:将步骤S2中特征计算所得的驾驶员稳定跟车状态的特征数据存入存储器;
S5:判断存储器内所存储的特征数据数量是否满足训练条件,若满足,执行步骤S6;
S6:当存储器中每更新10组特征数据时,进行一次车端模型训练,且每次训练完毕后对目标距离管理模块进行更新;
S7:车辆进入自动驾驶状态后,进行目标距离计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114929.1A CN114506321B (zh) | 2022-01-31 | 2022-01-31 | 一种目标跟车距离计算***及计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210114929.1A CN114506321B (zh) | 2022-01-31 | 2022-01-31 | 一种目标跟车距离计算***及计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114506321A CN114506321A (zh) | 2022-05-17 |
CN114506321B true CN114506321B (zh) | 2023-09-29 |
Family
ID=81550939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210114929.1A Active CN114506321B (zh) | 2022-01-31 | 2022-01-31 | 一种目标跟车距离计算***及计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114506321B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108860148A (zh) * | 2018-06-13 | 2018-11-23 | 吉林大学 | 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法 |
CN111610781A (zh) * | 2019-02-06 | 2020-09-01 | 哲内提 | 用于控制车辆的自动驾驶***的方法和*** |
CN112092813A (zh) * | 2020-09-25 | 2020-12-18 | 北京百度网讯科技有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
CN112109708A (zh) * | 2020-10-26 | 2020-12-22 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
CN112172813A (zh) * | 2020-10-14 | 2021-01-05 | 长安大学 | 基于深度逆强化学习的模拟驾驶风格的跟车***及方法 |
CN113085873A (zh) * | 2021-04-30 | 2021-07-09 | 东风小康汽车有限公司重庆分公司 | 驾驶策略的获取方法、装置、计算机设备和存储介质 |
-
2022
- 2022-01-31 CN CN202210114929.1A patent/CN114506321B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108860148A (zh) * | 2018-06-13 | 2018-11-23 | 吉林大学 | 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法 |
CN111610781A (zh) * | 2019-02-06 | 2020-09-01 | 哲内提 | 用于控制车辆的自动驾驶***的方法和*** |
CN112092813A (zh) * | 2020-09-25 | 2020-12-18 | 北京百度网讯科技有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
CN112172813A (zh) * | 2020-10-14 | 2021-01-05 | 长安大学 | 基于深度逆强化学习的模拟驾驶风格的跟车***及方法 |
CN112109708A (zh) * | 2020-10-26 | 2020-12-22 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
CN113085873A (zh) * | 2021-04-30 | 2021-07-09 | 东风小康汽车有限公司重庆分公司 | 驾驶策略的获取方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114506321A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策***及方法 | |
CN111572555B (zh) | 一种自学习辅助驾驶方法 | |
CN110304074B (zh) | 一种基于分层状态机的混合式驾驶方法 | |
CN112477884B (zh) | 自动驾驶控制方法、装置及车辆 | |
CN112677983B (zh) | 一种识别驾驶员驾驶风格的*** | |
DE112019003755T5 (de) | Lernen von Fahrerverhalten und Fahrcoaching-Strategie mittels künstlicher Intelligenz | |
CN110103956A (zh) | 一种无人车自动超车轨迹规划方法 | |
CN113788021B (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
CN110688729B (zh) | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 | |
CN110304045A (zh) | 智能驾驶横向换道决策方法、***和装置 | |
CN112201033B (zh) | 一种道路交通运行主动管控策略选择方法 | |
CN112116100B (zh) | 一种考虑驾驶员类型的博弈论决策方法 | |
CN114194215B (zh) | 一种智能车辆避障换道轨迹规划方法及*** | |
CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN106843210A (zh) | 一种基于仿生学的自动驾驶车辆运行控制方法 | |
CN111474934A (zh) | 一种基于高精度地图的个性化巡航控制*** | |
CN112389451A (zh) | 用于提供个性化驾驶体验的方法、设备、介质以及车辆 | |
CN115257798A (zh) | 自动驾驶控制方法及用于自动驾驶车辆的控制单元和*** | |
CN114506321B (zh) | 一种目标跟车距离计算***及计算方法 | |
CN114802306A (zh) | 一种基于人机共驾理念的智能车辆集成式决策*** | |
CN109515441B (zh) | 用于智能驾驶车辆的车速控制*** | |
CN116524745B (zh) | 一种云边协同区域交通信号动态配时***及方法 | |
CN109572697B (zh) | 基于模糊控制的特殊路段行进车辆的油门自动控制方法 | |
CN115649197A (zh) | 基于驾驶员特性的自动驾驶控制方法和存储介质 |
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 |