CN114596712B - 一种车辆跟驰控制方法和*** - Google Patents

一种车辆跟驰控制方法和*** Download PDF

Info

Publication number
CN114596712B
CN114596712B CN202210484862.0A CN202210484862A CN114596712B CN 114596712 B CN114596712 B CN 114596712B CN 202210484862 A CN202210484862 A CN 202210484862A CN 114596712 B CN114596712 B CN 114596712B
Authority
CN
China
Prior art keywords
vehicle
following
driver
distance
overtaking
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
Application number
CN202210484862.0A
Other languages
English (en)
Other versions
CN114596712A (zh
Inventor
郑建颖
杨泽
郁树梅
孙荣川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN202210484862.0A priority Critical patent/CN114596712B/zh
Publication of CN114596712A publication Critical patent/CN114596712A/zh
Application granted granted Critical
Publication of CN114596712B publication Critical patent/CN114596712B/zh
Priority to PCT/CN2022/109003 priority patent/WO2023213018A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆跟驰控制方法和***，在城市道路交叉口场景下考虑驾驶人超车意愿，用以改善车辆个性化驾驶风格对交叉***通安全的影响。该方法包括以下步骤：1）采集城市道路交叉口的车辆行驶数据，识别并提取车辆跟驰行为；2）通过构建2D边界盒模型的方法，获取跟驰过程中的高分辨微观信息；3）分析同一车道上目标车辆与前导车辆的运行状态，速度及间距变化，判断目标车辆是否具有超车意愿；4）基于不同行驶状态下的跟驰模型，实时控制车辆加速度变化。本发明通过分析路测传感器获取的交通信息，进行车辆跟驰决策判断，避免交通事故，既提高了城市道路交叉口的通行效率，又保障了交叉口跟驰过程中车辆行驶的安全性。

Description

一种车辆跟驰控制方法和***
技术领域
本申请涉及智能交通技术和车辆控制方法领域，尤其涉及一种城市道路交叉口场景下考虑驾驶人超车意愿的车辆跟驰控制方法和***。
背景技术
随着现代城市的快速发展，城市机动车保有量不断增加，道路交通拥堵与安全问题日益严重，以智能交通***为代表的信息化技术成为缓解交通拥堵及安全问题的新手段。车辆跟驰控制作为智能交通的关键技术之一，对揭示交通流演化的内在机理，缓解交通拥堵，保障车辆行驶的安全性有重要意义。
城市道路交叉口作为城市路网的重要枢纽，不仅是交通冲突的密集区，更是交通事故高发区。同时，不同驾驶员的驾驶风格会影响跟驰控制的准确性，从而导致跟驰车辆在控制决策上产生误差，严重影响车辆运行的安全和驾驶舒适度。因此，针对城市道路交叉口车辆的驾驶行为分析，并在进行车辆跟驰控制的过程中考虑这种个性化的驾驶风格，有利于提高交叉口行车的安全性、舒适感和通行效率。
自1952年Pipes首次提出车辆跟驰模型开始，越来越多的交通学者开始研究车辆跟驰问题，相继提出了GM模型，最优速度（OV）模型，全速度差（FVD）模型和广义力（GF）模型等车辆跟驰模型。21世纪以来，随着计算机科学、导航技术和视频提取技术的不断进步，研究者们获取了大量真实的车辆微观运行轨迹数据，进一步促进了车辆跟驰模型研究的快速发展。经过对相关研究的调研中发现，虽然越来越多的扩展模型被广泛提出，然而现有的研究却很少考虑驾驶员的驾驶风格，更没有考虑到跟驰过程中驾驶人的超车意愿。
因此，基于上述背景，针对城市道路交叉口场景，亟需考虑驾驶人的超车意愿，对传统的跟驰模型进行改进，提出更优的车辆跟驰控制方法。
发明内容
本发明基于上述背景问题，提出一种考虑道路交叉口驾驶人超车意愿的车辆跟驰控制方法和***。通过分析路测传感器获取的交通信息，并考虑前后车辆的行驶参数，对GM模型进行不同行驶状态下的适用性优化，从而促使车辆做出更优的跟驰控制策略。
为了实现这一目标，本发明提供的技术方案为一种考虑道路交叉口驾驶人超车意愿的车辆跟驰控制方法，具体包括以下步骤：
S1：采集城市道路交叉口的交通点云数据，使用背景差分法实现原始点云数据的背景滤除，通过聚类算法完成车辆目标检测，在此基础上通过多帧融合的方法获取到车辆轨迹信息，再根据跟驰行为的规则条件，从车辆轨迹中提取出跟驰行为。
S2：构建车辆2D边界盒模型，通过边界盒模型估计车辆的尺寸，并确定出车头的位置；比较相邻帧中车辆的位置变化，计算得到车辆的瞬时速度；比较跟驰过程中前后两车的位置关系，计算得到跟驰间距。
S3：根据S2计算得到的高分辨率微观交通数据信息，分析同一车道上目标车辆与前导车辆的运行状态，同时分析车速及跟驰间距随时间变化的曲线，判断目标车辆是否具有超车意愿。
S4：若判断目标车辆驾驶员具有超车意愿，则采用考虑驾驶人超车意愿的跟驰模型对目标车辆进行速度控制，否则采用常态情况下的车辆跟驰控制策略，针对不同的跟驰状态采用不同的控制方法，促使车辆安全快速地通过交叉口。
进一步地，所述S1包括五个步骤：（1）交通数据的采集；（2）点云数据的背景滤除；（3）交通目标的检测；（4）车辆运行轨迹的获取；（5）跟驰行为的识别与提取。
进一步地，所述S1中数据的采集，布置激光雷达至城市道路交叉口的路测，采集该场景下车辆行驶通过路口的交通数据。
进一步地，所述S1中的背景滤除方法包括背景构建法和背景差分法。使用多帧数据叠加的方法构建背景模型：将同一场景下的大量帧数据叠加，统计激光雷达每一个方位点返回的距离，以及不同距离出现的频次，并找到其中出现频率最多的距离d m，然后将所有方位统计得到的点集合在一起，即构建出了该场景的背景模型。使用背景差分法将当前帧的点云数据与背景模型进行差分，设置一个阈值a m，将当前帧每个方位点的距离与背景模型中该方位的距离d m进行差分，滤除所有差小于阈值a m的点，即完成背景滤除。
进一步地，所述S1中的目标检测方法使用DBSCAN聚类算法。首先根据激光雷达点云数据的特点和交通目标点云的空间排布规律，选定合适的DBSCAN算法参数Eps和MinPts，进行目标检测，然后根据坐标关系清除所有道路空间之外区域的交通目标，再根据不同交通目标的点云特征差异，从所有目标中识别提取出车辆目标，并记录每个车辆目标在道路空间中的位置。
进一步地，所述S1中使用基于历史帧数据融合的交通目标跟踪方法获取车辆运行轨迹。利用点云的时空相关性，通过当前帧和历史帧数据融合，增加目标点云时空关联度，从而提高目标跟踪准确率。
进一步地，所述S1中跟驰行为的识别与提取规则如下：（1）跟驰车辆与前导车辆行驶在同一车道；（2）前后车行驶方向的角度差小于5°；（3）前后车的间隙距离小于30m。
进一步地，所述S2包括三个步骤：（1）构建车辆2D边界盒模型；（2）车辆速度的提取；（3）车辆跟驰间距的提取。
进一步地，所述S2中2D边界盒模型的构建，首先将处理后得到的目标点云投影至XOY平面，将3D问题简化为2D问题，然后对目标点云进行凸包点提取，根据最小面积法原理构建车辆的2D边界盒模型。
进一步地，所述S2中速度的计算公式如下：
Figure 185253DEST_PATH_IMAGE001
（1）
其中
Figure 836815DEST_PATH_IMAGE002
为车辆在
Figure 963689DEST_PATH_IMAGE003
时刻的车头位置坐标，
Figure 93319DEST_PATH_IMAGE004
为 车辆在
Figure 376533DEST_PATH_IMAGE005
时刻的车头位置坐标。
进一步地，所述S2中跟驰间距
Figure 58050DEST_PATH_IMAGE006
的计算公式如下：
Figure 793925DEST_PATH_IMAGE007
（2）
Figure 727246DEST_PATH_IMAGE008
（3）
其中
Figure 5912DEST_PATH_IMAGE009
和
Figure 468117DEST_PATH_IMAGE010
分别为前导车辆和跟驰车辆的车头位置坐标，
Figure 815922DEST_PATH_IMAGE011
为车 头间距，
Figure 21775DEST_PATH_IMAGE012
为前导车辆车长。
进一步地，所述S3中判断目标车辆是否具有超车意愿的具体方法为：首先统计在初始阶段跟驰间距随时间变化的曲线，然后分析变化规律，若跟驰车辆与前导车辆的间距随时间的变化而减小，则认为跟驰车辆驾驶员具有超车意愿，否则认为驾驶员无超车意愿。
用一个参数
Figure 279581DEST_PATH_IMAGE013
来表示驾驶员是否具有超车意愿，
Figure 319212DEST_PATH_IMAGE013
=1表示驾驶员具有超车意愿，
Figure 29679DEST_PATH_IMAGE013
=0表示驾驶员不具有超车意愿。
进一步地，所述S4中包含两种控制方法：常态跟驰下的车辆跟驰控制策略和考虑驾驶员超车意愿的车辆跟驰控制策略。针对不同的驾驶员意愿，采用相应的跟驰控制方法对车辆的加速度进行控制。
基于经典的GM模型，考虑驾驶人的超车意愿，提出了一种改进的新的跟驰模型：
Figure 39224DEST_PATH_IMAGE014
（4）
其中
Figure 276170DEST_PATH_IMAGE015
是第n辆车在
Figure 345757DEST_PATH_IMAGE016
时刻的加速度，
Figure 418886DEST_PATH_IMAGE017
是第n辆车在
Figure 232122DEST_PATH_IMAGE016
时 刻的速度，
Figure 198941DEST_PATH_IMAGE018
是第n辆车与第n-1辆车在
Figure 829642DEST_PATH_IMAGE019
时刻的速度差，
Figure 249122DEST_PATH_IMAGE020
是两车在
Figure 866048DEST_PATH_IMAGE019
时刻的间隔 距离。
Figure 559810DEST_PATH_IMAGE021
为常态跟驰下的车辆跟驰控制方法的模型参数，
Figure 971200DEST_PATH_IMAGE022
为考虑驾 驶员超车意愿的车辆跟驰控制方法的模型参数。
Figure 268189DEST_PATH_IMAGE023
（5）
Figure 157648DEST_PATH_IMAGE024
（6）
其中，
Figure 364638DEST_PATH_IMAGE025
分别是第n-1辆车与第n辆车在
Figure 87875DEST_PATH_IMAGE019
时刻的坐标，
Figure 481947DEST_PATH_IMAGE026
分别是第n-1辆车与第n辆车在
Figure 299730DEST_PATH_IMAGE019
时刻的速度。
进一步地，常态跟驰下的车辆跟驰控制直接使用新的跟驰模型进行控制。
进一步地，考虑驾驶员超车意愿的车辆跟驰控制在通过模型控制的同时，另外引 入两个距离参数：最小安全距离
Figure 95648DEST_PATH_IMAGE027
和变道距离
Figure 114420DEST_PATH_IMAGE028
。
首先判断跟驰间距
Figure 871154DEST_PATH_IMAGE006
与
Figure 633574DEST_PATH_IMAGE028
的大小，若
Figure 283998DEST_PATH_IMAGE006
>
Figure 332725DEST_PATH_IMAGE028
，则继续执行考虑驾驶 员超车意愿的车辆跟驰控制策略；若
Figure 701390DEST_PATH_IMAGE006
<
Figure 1921DEST_PATH_IMAGE028
，接着判断左侧车道是否满足超车变道 的条件；若满足条件，车辆执行变道超车的控制策略；若不满足条件，再判断跟驰间距
Figure 913377DEST_PATH_IMAGE006
与
Figure 742792DEST_PATH_IMAGE027
的大小；若
Figure 864332DEST_PATH_IMAGE006
>
Figure 827609DEST_PATH_IMAGE027
，则继续执行考虑驾驶员超车意愿的车辆跟驰控制策略；若
Figure 452625DEST_PATH_IMAGE006
<
Figure 585099DEST_PATH_IMAGE027
，车辆将暂时放弃超车意愿，执行常态跟驰下的车辆跟驰控制策略，直到满足
Figure 928355DEST_PATH_IMAGE006
>
Figure 570689DEST_PATH_IMAGE027
后，再重新执行考虑驾驶员超车意愿的车辆跟驰控制策略。
相比现有技术，本发明的技术方案具有以下优点：
1、本发明的进行模型参数标定与决策分析的数据均来自真实交通场景，更能反映真实的交通状况。
2、本发明针对不同场景可以重新采集新的数据，标定新的模型参数，适用于各种不同的交叉口。
3、本发明考虑了驾驶人的个性化驾驶风格，即在车辆跟驰控制的过程中，考虑了驾驶人的超车意愿，极大保障了行车的安全性和舒适度。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
图1为本发明中考虑驾驶人超车意愿的车辆跟驰控制方法的总体流程图。
图2为交叉口场景下的原始点云数据示意图。
图3为经过背景滤除后的结果图。
图4为车辆目标检测结果图。
图5为交叉口场景下车辆的行驶轨迹图。
图6为跟驰过程中车辆位置关系示意图。
图7为车辆2D边界盒模型示意图。
图8为跟驰过程中前后两车间的位置坐标关系图。
图9为车辆跟驰过程的高分辨率微观数据库示意图。
图10（a）为常态跟驰过程中跟驰间距随车辆速度变化的曲线图，图10（b）为在驾驶员具有超车意愿的跟驰过程中跟驰间距随车辆速度变化的曲线图。
图11车辆通过交叉口的速度变化曲线图。
图12为考虑驾驶员超车意愿的车辆跟驰控制策略流程图。
图13（a）为模型输出的速度变化曲线与真实速度曲线的对比图，图13（b）为模型输出的位移变化曲线与真实位移曲线的对比图。
图14示出根据本申请实施例的车辆跟驰控制***的构成图。
图15示出了本申请一实施例所提供的一种电子设备的结构示意图。
图16示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请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用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
参考图1所示，本发明实施例提供的城市道路交叉口场景下考虑驾驶人超车意愿的车辆跟驰控制方法，该方法包括四大步骤：
步骤S1：采集并处理交通数据，识别并提取车辆跟驰行为。
步骤S2：构建2D边界盒模型，获取高分辨微观交通信息。
步骤S3：判断目标车辆是否具有超车意愿。
步骤S4：针对不同驾驶员意愿，采用相应的车辆跟驰控制方法。
步骤S1的详细内容描述如下S101~ S105：
S101：交通数据采集。本发明在路测部署激光雷达，从而获取城市道路交叉口场景下的交通数据。将激光雷达布置在交叉路口的转角处，且靠近车辆停车线一侧，由于激光雷达可扫描周围360°范围的环境，故激光雷达在此位置能够采集到车辆通过交叉口完整的行驶轨迹。将激光雷达布置在路侧1.8米高的三脚架上，既可以防止因为位置过低，造成的交通目标间遮挡的问题，又可以防止因为位置过高，导致能够扫描到目标物体上的激光束减小，从而减少目标点云数量的问题。
S102：点云数据背景滤除。本发明使用多帧数据叠加的方法构建背景。首先将同一 场景下的大量帧数据叠加，然后统计每一个方位激光束
Figure 440425DEST_PATH_IMAGE029
返回的距离值及不 同距离出现的频次，并找到其中出现频率最多的距离
Figure 877223DEST_PATH_IMAGE030
。由于在交通场景 中由于交通目标的位置在不断改变，而交通背景的位置保持不变。在一段较长时间内，激光 雷达在某一固定方位所测得的大量数据中，背景数据必然远多于前景数据（在本领域中，前 景数据通常是指交通目标）。因此将所有方位统计得到的距离
Figure 707775DEST_PATH_IMAGE031
集合在一 起，而这些点的集合即为构建出的背景模型。使用背景差分法将当前帧的点云数据与背景 模型进行差分，设置阈值为0.05m，将当前帧每个方位点的距离
Figure 763587DEST_PATH_IMAGE032
与背景模 型中该方位的距离
Figure 363196DEST_PATH_IMAGE031
进行差分，滤除所有差小于阈值0.05m的点，从而完成 背景滤除。参考图2和图3所示，为交叉口场景下的原始点云数据和经过背景滤除后的结果。
S103：交通目标检测。经过背景滤除的点云数据，其中包含着各种交通目标（机动车、非机动车和行人），同时也有一些未滤除掉的噪声点。由于每个交通目标的点云都比较集中分布，基于点云数据的特点选用DBSCAN聚类算法完成目标检测。因为激光雷达是通过16束激光旋转360°返回信号的，故对于一个交通目标而言，其所有点在X方向和Y方向上距离较近，而在Z方向上的距离较远，基于此特征对DBSCAN算法中的欧氏距离公式进行改进：
Figure 95528DEST_PATH_IMAGE033
（7）
其中
Figure 413377DEST_PATH_IMAGE034
为欧氏距离，
Figure 131935DEST_PATH_IMAGE035
为交通目标上的两个点在X、Y、Z三个方向上 的坐标差值。
根据激光雷达点云数据的特点和交通目标点云的空间排布规律，选定合适的DBSCAN算法参数：聚类半径Eps和最小聚类点个数MinPts。如果Eps过大会导致不同目标被聚类为一个目标，过小会导致同一目标被聚类成多个目标，如果MinPts过大会导致交通目标被识别为噪声点，过小会导致噪声点被识别为交通目标，因此经过试验选定参数聚类半径Eps为1.2m，最小聚类点个数MinPts为5。然后根据坐标关系清除所有道路空间之外区域的交通目标，再根据不同交通目标的点云特征差异，从所有目标中识别提取出车辆目标，并记录每个车辆目标在道路空间中的位置。参考图4所示为目标检测结果。
S104：车辆运行轨迹的获取。使用基于历史帧数据融合的交通目标跟踪方法获取车辆行驶轨迹，将相邻两帧数据（n-1与n帧）融合在一起，然后通过DBSCAN聚类的方法将同一车辆目标在两帧数据中的点云聚类成一个簇，并将这些点云标识为同一目标，然后另外选取相邻两帧数据（n与n+1帧），使用同样的方法进行融合，聚类和标识，直到处理完该目标车辆出现的所有帧数据，将这些帧的该目标融合在一起，即得到了该目标车辆的运行轨迹。该方法利用点云的时空相关性，通过当前帧和历史帧数据融合，增加目标点云时空关联度，从而提高目标跟踪准确率，参考图5所示为提取到的交叉口车辆运行轨迹。另外，车辆运行之间的遮挡会导致轨迹的断裂，对于任意车辆目标的行驶轨迹，都可以分为完整、断裂和错误三种情况，剔除掉断裂轨迹和错误轨迹，将提取到的所有完整车辆轨迹用于后续的处理。
S105：跟驰行为的识别与提取。当机动车处于非自由流阶段，处于相同车道的后车驾驶行为会受到前车瞬时运动的刺激和约束作用，即车辆的跟驰行为。首先对获取的车辆轨迹进行识别，根据车辆的X-Y坐标位置变化，将车辆运行轨迹分为直行轨迹、变道轨迹和转弯轨迹，再将直行的车辆分为自由流状态和跟驰状态。由于本发明针对的是城市道路交叉口场景，所以根据交叉口的车辆行驶速度小，间隙距离小的特点，制定出车辆跟驰行为的提取规则包括以下内容：（1）跟驰车辆与前导车辆行驶在同一车道；（2）前后车行驶方向的角度差小于5°；（3）跟驰车辆的前保险杠到前车的后保险杠的距离小于30m（即跟驰间距小于30m）。参考图6所示，为跟驰过程中车辆位置关系示意图。
步骤S2的详细内容描述如下S201~ S203：
S201：构建车辆2D边界盒模型。由于在实际交通场景中，车辆在地面上行驶，其运动轨迹平行于地平面，因此首先将处理后得到的目标点云投影至XOY平面，将3D问题简化为2D问题，然后对目标点云进行凸包点提取，根据最小面积法原理构建车辆的2D边界盒模型。参考图7所示，通过获得车辆边界盒模型的四个顶点坐标，计算得到车辆的尺寸和车头位置坐标。
S202：计算车辆行驶速度。目标车辆速度信息可以通过目标前后相邻帧的位置信 息计算得到，
Figure 726995DEST_PATH_IMAGE002
和
Figure 505595DEST_PATH_IMAGE004
分别为车辆在
Figure 310740DEST_PATH_IMAGE003
时刻和
Figure 223202DEST_PATH_IMAGE005
时刻的 车头位置坐标，则通过以下公式计算得到车辆行驶过程中的瞬时速度。
Figure 531823DEST_PATH_IMAGE036
（8）
S203：计算车辆跟驰间距。车辆跟驰过程中的间距信息可以通过同一帧前后辆车 的位置信息计算得到，参考图8所示，
Figure 356691DEST_PATH_IMAGE009
和
Figure 383553DEST_PATH_IMAGE010
分别为前导车辆和跟驰车辆的 车头位置坐标，
Figure 975071DEST_PATH_IMAGE037
为前导车辆的车长，则通过以下公式分别计算得到车头间距
Figure 262833DEST_PATH_IMAGE011
和跟 驰间距
Figure 648815DEST_PATH_IMAGE006
：
Figure 162973DEST_PATH_IMAGE038
（9）
Figure 165039DEST_PATH_IMAGE039
（10）
步骤S3的详细内容描述如下S301~ S303：
S301：将S2中获取到的高分辨率微观交通信息整合，建立城市道路交叉口车辆跟驰行为信息数据表，以备进行驾驶员是否具有超车意愿的判定，做出合适的控制决策。参考图9所示，车辆跟驰过程的高分辨率微观数据主要包括如下表1信息：
表1 车辆跟驰过程的高分辨率微观数据
Figure 182674DEST_PATH_IMAGE040
S302：基于交叉口车辆跟驰行为的高分辨率微观信息，以跟驰车辆的瞬时速度（FV-Velocity）为横坐标，以跟驰间距（Gap Distance）为纵坐标，统计分析在一个跟驰过程中，跟驰间距变化与跟驰车辆速度变化之间的关系。通过数据分析发现，在车辆行驶通过交叉口的整个过程中，只有两种行驶状况的跟驰行为，一种是跟驰间距随着跟驰车辆速度的增大而增大，另一种是跟驰间距随着跟驰车辆速度的增大而减小，分别参考图10（a）和10（b）所示。
S303：判断目标车辆是否具有超车意愿。参考图11所示，通过对车辆速度的统计发现，当车辆行驶通过交叉口时，都是加速运动，说明驾驶员在确保交通安全的同时，总是期望以较快的速度通过交叉口。对目标车辆瞬时速度与前车间跟驰间距的关系曲线分析，若跟驰间距随着速度的增大而减小，即说明两车在行驶通过交叉口的过程中，跟驰车辆在持续追赶前导车辆，且两车间的距离在不断减小，此种行为是目标车辆为超车准备的预备工作，驾驶员希望以更快的速度拉进与前导车辆的距离，以便在具有超车条件的时刻能够快速变道，完成超车，因此在目标车辆做出具体超车行为前（即车辆开始变道前）的跟驰过程中，即可认为驾驶员是具有超车意愿的，同时将此行为称为驾驶员具有超车意愿的跟驰行为。反之，若目标车辆跟驰间距随着速度的增大而增大，则该驾驶员不具有超车意愿。
引入一个二进制变量
Figure 5136DEST_PATH_IMAGE013
，用来表示驾驶员是否具有超车意愿。
Figure 865645DEST_PATH_IMAGE041
（11）
步骤S4的详细内容描述如下S401~ S403：
S401：首先通过ZigBee网络通讯，将路测检测设备采集及分析后得到的数据传输给目标车辆，从而使车辆控制***可根据这些信息进行车辆跟驰控制，实现车路协同。
S402：基于改进的新模型来控制车辆的跟驰行为：
Figure 798966DEST_PATH_IMAGE042
（12）
其中
Figure 546473DEST_PATH_IMAGE015
是跟驰车辆在
Figure 539837DEST_PATH_IMAGE016
时刻的加速度，为模型的输入，
Figure 763008DEST_PATH_IMAGE017
是跟驰 车辆在
Figure 359074DEST_PATH_IMAGE016
时刻的速度，
Figure 351301DEST_PATH_IMAGE018
是跟驰车辆与前导车辆在
Figure 515566DEST_PATH_IMAGE019
时刻的速度差，
Figure 835820DEST_PATH_IMAGE020
是两车在
Figure 110944DEST_PATH_IMAGE019
时刻的间隔距离。
Figure 347890DEST_PATH_IMAGE021
为常态跟驰下的车辆跟驰控制方法的模型参数，
Figure 417477DEST_PATH_IMAGE022
为考虑驾驶员超车意愿的车辆跟驰控制方法的模型参数。
针对不同的驾驶员意愿，采用相应的跟驰控制方法对车辆的加速度进行控制，即可分为两种情况，实施例1是常态跟驰下的车辆跟驰控制方法，实施例2是具有超车意愿的车辆跟驰控制方法。
实施例1
由于驾驶员的反应时间通常小于1s，因此为了简化标定参数的难度，在0~1s范围内均衡地选取具有代表性的T值，将选取的反应时间视为已知参数。
使用遗传算法进行模型参数标定，遗传算法的设置如下，编码方式：实数编码，基 因片段为
Figure 615240DEST_PATH_IMAGE043
；选择算子：轮盘选择法；交叉算子：均匀交叉法，交叉率为0.8；变异算 子：正态分布突变，变异率为0.1。取500组样本数据进行标定，标定结果如表2所示：
表2 模型参数标定结果
Figure 303842DEST_PATH_IMAGE044
然后根据模型的加速度输出，计算车辆通过模型控制的速度及位移信息，并从这两个方面分析模型的预测误差，如表3所示。
表3 模型预测误差
Figure 270661DEST_PATH_IMAGE045
因此，误差在反应时间T为0.1s时的误差最小，因此模型参数标定的最优结果为：
Figure 511149DEST_PATH_IMAGE046
。
实施例2
以实施例1相同的方法进行模型参数标定，得到在
Figure 320842DEST_PATH_IMAGE047
情况下参数
Figure 937768DEST_PATH_IMAGE022
的最优结果。当驾驶员在跟驰的过程中具有超车意愿时，控制跟驰车辆速度大 于前车速度，才能不断减小与前导车辆的间距，以满足超车的条件。
在进行考虑驾驶人超车意愿的车辆跟驰控制时，目标车辆与前车的跟驰间距也影 响着控制决策。在这里引入两个距离参数：最小安全距离
Figure 637390DEST_PATH_IMAGE027
和变道距离
Figure 314359DEST_PATH_IMAGE028
。
当跟驰间距
Figure 221135DEST_PATH_IMAGE006
<
Figure 500807DEST_PATH_IMAGE028
时，跟驰车辆此时满足超车变道的条件，若左侧车道同 时满足变道超车的条件，即左侧车道前方无车辆影响，此时将车辆的控制策略由跟驰控制 切换到变道超车控制，控制车辆进行变道与超车，以满足驾驶员的超车意愿。若左侧车道不 满足变道条件，则车辆继续进行跟驰控制，直到满足变道条件。
当跟驰间距
Figure 442218DEST_PATH_IMAGE006
<
Figure 24509DEST_PATH_IMAGE027
时，车辆此时已经无法满足安全行驶的条件，若碰到突发状 况，很容易与前车追尾，发生交通事故。因此，当跟驰间距小于最小安全距离且不满足超车 条件时，将控制车辆暂时放弃超车，即采用常态跟驰下的车辆跟驰控制方法，直到当
Figure 293947DEST_PATH_IMAGE006
>
Figure 252676DEST_PATH_IMAGE027
时再重新恢复具有超车意愿的跟驰控制方法。参考图12所示，是考虑驾驶员超车意愿 的车辆跟驰控制策略流程图。
通过实验及统计分析，在城市道路交叉口场景下，最小安全距离
Figure 173227DEST_PATH_IMAGE048
，变道 距离
Figure 191999DEST_PATH_IMAGE049
。
S403：以前导车辆的整个行驶信息（包括位置和速度信息）和跟驰车辆的初始信息 作为已知信息，通过计算可以获得模型的输入：
Figure 73367DEST_PATH_IMAGE019
时刻的速度差
Figure 445574DEST_PATH_IMAGE018
，
Figure 95998DEST_PATH_IMAGE019
时刻的跟驰间距
Figure 285671DEST_PATH_IMAGE020
，跟驰车辆在
Figure 44549DEST_PATH_IMAGE016
时刻的速度
Figure 79501DEST_PATH_IMAGE017
。输出跟驰车辆的瞬时加速度
Figure 459798DEST_PATH_IMAGE050
，通过控制车 辆的加速度变化，计算车辆的跟驰速度，从而控制车辆的运行。
参考图13（a）、图13（b）是跟驰模型的预测结果，其中图13（a）是预测的跟驰车辆速度曲线，图13（b）是预测的车辆位移曲线。图中最上面的曲线为前导车辆的真实曲线，中间的曲线为跟驰车辆的真实曲线，下面的曲线为模型控制输出的预测曲线。
申请实施例提供了一种车辆跟驰控制***，该***用于执行上述实施例所述的车辆跟驰控制方法，如图14所示，该***包括：
采集识别模块501，用于采集并处理道路交叉***通数据，识别并提取车辆跟驰行为；
微观交通信息获取模块502，用于构建车辆2D边界盒模型，获取高分辨微观交通信息，所述高分辨微观交通信息包括车辆的瞬时速度和跟驰间距；
判断超车意愿模块503，用于根据所述高分辨率微观交通信息，分析同一车道上目标车辆与前导车辆的运行状态，同时分析车辆的瞬时速度及跟驰间距随时间变化的曲线，判断分析目标车辆驾驶员是否具有超车意愿；
跟驰控制模块504，用于针对不同驾驶员意愿，采用相应的车辆跟驰控制方法控制车辆运行。
本申请的上述实施例提供的车辆跟驰控制***与本申请实施例提供的车辆跟驰控制方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的车辆跟驰控制方法对应的电子设备，以执行上车辆跟驰控制方法。本申请实施例不做限定。
请参考图15，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图15所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的车辆跟驰控制方法。
其中，存储器201可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口203（可以是有线或者无线）实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述车辆跟驰控制方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的车辆跟驰控制方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的车辆跟驰控制方法对应的计算机可读存储介质，请参考图16，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的车辆跟驰控制方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的车辆跟驰控制方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备有固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器( DSP )来实现根据本申请实施例的虚拟机的创建***中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者***程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干***的单元权利要求中，这些***中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种车辆跟驰控制方法，其特征在于，所述方法包括步骤：
S1：采集并处理道路交叉***通数据，识别并提取车辆跟驰行为；
S2：构建车辆2D边界盒模型，获取高分辨率微观交通信息，所述高分辨率微观交通信息包括车辆的瞬时速度和跟驰间距；
S3：根据所述高分辨率微观交通信息，分析同一车道上目标车辆与前导车辆的运行状态，同时分析车辆的瞬时速度及跟驰间距随时间变化的曲线，判断分析目标车辆驾驶员是否具有超车意愿，包括：统计分析跟驰间距随车速变化的情况，若跟驰间距随着速度的增大而减小，则驾驶员具有超车意愿；若跟驰间距随着速度的增大而增大，则驾驶员不具超车意愿；
S4：针对不同驾驶员意愿，采用相应的车辆跟驰控制方法控制车辆运行，包括：若判断目标车辆驾驶员具有超车意愿，则采用考虑驾驶人超车意愿的跟驰模型对目标车辆进行速度控制，否则采用常态情况下的车辆跟驰控制策略；
所述考虑驾驶人超车意愿的跟驰模型，具体包括：
Figure 643780DEST_PATH_IMAGE001
其中
Figure 4355DEST_PATH_IMAGE002
是第n个跟驰车辆在
Figure 860315DEST_PATH_IMAGE003
时刻的加速度，
Figure 964537DEST_PATH_IMAGE004
是第n个跟驰车 辆在
Figure 855133DEST_PATH_IMAGE003
时刻的速度，
Figure 386608DEST_PATH_IMAGE005
是第n个跟驰车辆与第n-1个车辆在
Figure 464286DEST_PATH_IMAGE006
时刻的速度差，
Figure 106620DEST_PATH_IMAGE007
是两车在
Figure 851722DEST_PATH_IMAGE006
时刻的间隔距离；
Figure 554099DEST_PATH_IMAGE008
为常态跟驰下的车辆跟驰控制方法的 模型参数，
Figure 886116DEST_PATH_IMAGE009
为考虑驾驶员超车意愿的车辆跟驰控制方法的模型参数；
Figure 332141DEST_PATH_IMAGE010
为二 进制变量，用来表示驾驶员是否具有超车意愿，
Figure 931750DEST_PATH_IMAGE010
=1时表示驾驶员具有超车意愿，
Figure 539449DEST_PATH_IMAGE010
=0时表 示驾驶员不具有超车意愿。
2.根据权利要求1所述的车辆跟驰控制方法，其特征在于，步骤S1包括：交通数据采集，点云数据背景滤除，交通目标检测，车辆运行轨迹提取，跟驰行为识别与提取。
3.根据权利要求2所述的车辆跟驰控制方法，其特征在于，所述交通目标检测方法为DBSCAN聚类算法，首先根据激光雷达点云数据的特点和交通目标点云的空间排布规律，选定预设的聚类半径和最小聚类点个数，进行目标检测，然后根据坐标关系清除所有道路空间之外区域的交通目标，再根据不同交通目标的点云特征差异，从所有目标中识别提取出车辆目标，并记录每个车辆目标在道路空间中的位置。
4.根据权利要求1所述的车辆跟驰控制方法，其特征在于，步骤S2所述的构建车辆2D边界盒模型方法包括：首先将车辆目标点云投影至XOY平面，然后对目标点云进行凸包点提取，最后根据最小面积法原理构建边界盒模型。
5.根据权利要求1所述的车辆跟驰控制方法，其特征在于，步骤S2所述获取高分辨率微观交通信息的方法为：
通过边界盒模型估计车辆的尺寸，并确定出车头的位置；比较相邻帧中车辆的位置变化，计算得到车辆的瞬时速度；比较跟驰过程中前后两车的位置关系，计算得到跟驰间距。
6.根据权利要求5所述的车辆跟驰控制方法，其特征在于，
所述车辆的瞬时速度
Figure 857297DEST_PATH_IMAGE011
和跟驰间距
Figure 107013DEST_PATH_IMAGE012
的计算方法如下：
Figure 561128DEST_PATH_IMAGE013
Figure 605308DEST_PATH_IMAGE014
其中
Figure 410453DEST_PATH_IMAGE011
为目标车辆的瞬时速度，
Figure 198280DEST_PATH_IMAGE015
和
Figure 506902DEST_PATH_IMAGE016
分别 为车辆在
Figure 721982DEST_PATH_IMAGE017
时刻和
Figure 14423DEST_PATH_IMAGE018
时刻的车头位置坐标，
Figure 340363DEST_PATH_IMAGE019
和
Figure 267605DEST_PATH_IMAGE012
分别为两车的车头间距与 跟驰间距，
Figure 653587DEST_PATH_IMAGE020
和
Figure 167745DEST_PATH_IMAGE021
分别为前导车辆和跟驰车辆的车头位置坐标，
Figure 297375DEST_PATH_IMAGE022
为前导 车辆的车长。
7.根据权利要求1所述的车辆跟驰控制方法，其特征在于，考虑驾驶员超车意愿的车辆 跟驰控制在通过模型控制的同时，另外引入两个距离参数：最小安全距离
Figure 846168DEST_PATH_IMAGE023
和变道距离
Figure 403051DEST_PATH_IMAGE024
；
首先判断跟驰间距
Figure 404505DEST_PATH_IMAGE012
与
Figure 337826DEST_PATH_IMAGE024
的大小，若
Figure 741126DEST_PATH_IMAGE012
>
Figure 468910DEST_PATH_IMAGE024
，则继续执行考虑驾 驶员超车意愿的车辆跟驰控制策略；若
Figure 692081DEST_PATH_IMAGE012
<
Figure 163514DEST_PATH_IMAGE024
，接着判断左侧车道是否满足超车 变道的条件；若满足条件，车辆执行变道超车的控制策略；若不满足条件，再判断跟驰间距
Figure 421320DEST_PATH_IMAGE012
与
Figure 585585DEST_PATH_IMAGE023
的大小；若
Figure 63096DEST_PATH_IMAGE012
>
Figure 72640DEST_PATH_IMAGE023
则继续执行考虑驾驶员超车意愿的车辆跟驰控 制策略；若
Figure 450532DEST_PATH_IMAGE012
<
Figure 254540DEST_PATH_IMAGE023
，车辆放弃超车意愿，执行常态跟驰下的车辆跟驰控制策略，直到 满足
Figure 717882DEST_PATH_IMAGE012
>
Figure 531118DEST_PATH_IMAGE023
后，再重新执行考虑驾驶员超车意愿的车辆跟驰控制策略。
CN202210484862.0A 2022-05-06 2022-05-06 一种车辆跟驰控制方法和*** Active CN114596712B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210484862.0A CN114596712B (zh) 2022-05-06 2022-05-06 一种车辆跟驰控制方法和***
PCT/CN2022/109003 WO2023213018A1 (zh) 2022-05-06 2022-07-29 一种车辆跟驰控制方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210484862.0A CN114596712B (zh) 2022-05-06 2022-05-06 一种车辆跟驰控制方法和***

Publications (2)

Publication Number Publication Date
CN114596712A CN114596712A (zh) 2022-06-07
CN114596712B true CN114596712B (zh) 2022-07-19

Family

ID=81820421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210484862.0A Active CN114596712B (zh) 2022-05-06 2022-05-06 一种车辆跟驰控制方法和***

Country Status (2)

Country Link
CN (1) CN114596712B (zh)
WO (1) WO2023213018A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114596712B (zh) * 2022-05-06 2022-07-19 苏州大学 一种车辆跟驰控制方法和***
CN115188184B (zh) * 2022-06-20 2024-03-19 海信集团控股股份有限公司 一种车辆限速处理方法、设备及装置
CN114822044B (zh) * 2022-06-29 2022-09-09 山东金宇信息科技集团有限公司 一种基于隧道的行车安全预警方法及设备
CN115168810B (zh) * 2022-09-08 2022-11-29 南京慧尔视智能科技有限公司 一种交通数据的生成方法、装置、电子设备和存储介质
CN117246333B (zh) * 2023-11-16 2024-01-16 北京航空航天大学 一种基于近场预知信息的车辆驱制动需求预测方法
CN117994987B (zh) * 2024-04-07 2024-06-11 东南大学 基于目标检测技术的交通参数提取方法及相关装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006259948A (ja) * 2005-03-16 2006-09-28 Clarion Co Ltd 安全車間距離表示装置
CN1719354A (zh) * 2005-05-08 2006-01-11 上海交通大学 车辆跟驰运动的加速度控制方法
CN106926844B (zh) * 2017-03-27 2018-10-19 西南交通大学 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法
CN108682184A (zh) * 2018-04-25 2018-10-19 江苏大学 一种应用于双向两车道的车辆超车辅助控制方法及***
CN110299004A (zh) * 2019-07-31 2019-10-01 山东理工大学 交叉口转弯车辆的跟驰模型建立及其稳定性分析方法
CN110597245B (zh) * 2019-08-12 2020-11-20 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
CN110941901B (zh) * 2019-11-26 2023-06-30 北方工业大学 一种自主驾驶方法及其***
CN111645692B (zh) * 2020-06-02 2021-08-24 中国科学技术大学先进技术研究院 基于混合策略博弈的驾驶人超车意图识别方法及***
CN111994088A (zh) * 2020-09-02 2020-11-27 中国科学技术大学 基于混合策略博弈的驾驶人换道意图识别方法及***
CN113487874B (zh) * 2021-05-27 2022-07-01 中汽研（天津）汽车工程研究院有限公司 一种跟驰行为场景数据采集、识别、分类提取***及方法
CN114596712B (zh) * 2022-05-06 2022-07-19 苏州大学 一种车辆跟驰控制方法和***

Also Published As

Publication number Publication date
CN114596712A (zh) 2022-06-07
WO2023213018A1 (zh) 2023-11-09

Similar Documents

Publication Publication Date Title
CN114596712B (zh) 一种车辆跟驰控制方法和***
CN110843789B (zh) 一种基于时序卷积网络的车辆换道意图预测方法
CN116685874A (zh) 摄像机-激光雷达融合对象检测***和方法
CN111986128A (zh) 偏心图像融合
Zhang et al. A framework for turning behavior classification at intersections using 3D LIDAR
CN115618932A (zh) 基于网联自动驾驶的交通事件预测方法、装置及电子设备
CN115042788A (zh) 交通路口通行方法、装置及电子设备、存储介质
Faisal et al. Object detection and distance measurement using AI
US20220171975A1 (en) Method for Determining a Semantic Free Space
US20220314979A1 (en) Apparatus and Method for Controlling Driving of Vehicle
CN110843767A (zh) 一种基于样条理论的自动入库泊车方法及***
CN110119751B (zh) 激光雷达点云目标分割方法、目标匹配方法、装置及车辆
CN113432615A (zh) 基于多传感器融合可驾驶区域的检测方法、***和车辆
CN117227714A (zh) 一种自动驾驶车辆转弯避让控制方法及***
CN115431945A (zh) 目标筛选方法、装置、设备、介质及车辆
CN115257801A (zh) 轨迹规划方法及装置、服务器、计算机可读存储介质
CN115100628A (zh) 一种自动驾驶车辆的障碍物识别方法及装置
Lai et al. Sensor fusion of camera and MMW radar based on machine learning for vehicles
Delp et al. Classifying and passing 3d obstacles for autonomous driving
Sanberg et al. Asteroids: A stixel tracking extrapolation-based relevant obstacle impact detection system
CN114987496A (zh) 一种自动紧急刹车***的危险目标筛选方法
CN113753038A (zh) 一种轨迹预测方法、装置、电子设备和存储介质
US20240020964A1 (en) Method and device for improving object recognition rate of self-driving car
WO2024090388A1 (ja) 情報処理装置及びプログラム
EP4113165A1 (en) Methods and systems for radar data processing

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