CN116758741A - 一种多维度不确定性感知的智能汽车碰撞概率预测方法 - Google Patents
一种多维度不确定性感知的智能汽车碰撞概率预测方法 Download PDFInfo
- Publication number
- CN116758741A CN116758741A CN202310721222.1A CN202310721222A CN116758741A CN 116758741 A CN116758741 A CN 116758741A CN 202310721222 A CN202310721222 A CN 202310721222A CN 116758741 A CN116758741 A CN 116758741A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- collision
- uncertainty
- probability
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008447 perception Effects 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/16—Anti-collision systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多维度不确定性感知的智能汽车碰撞概率预测方法,涉及车碰撞安全预测技术领域,该方法包括以下步骤:获取主车和周边车辆的信息,使用扩展卡尔曼滤波器处理信息,对车辆状态进行最优估计,通过权重分配方法考虑了车道线曲率对车辆运动的影响,选取CV/CT多模型分别追踪交通参与车的直线运动和曲线运动,根据交通车的状态切换运动学模型,实现基于不确定性感知物理运动学模型的主车与周边车辆未来2s内轨迹预测;将两车轨迹进行时间离散化,联合高斯概率密度输出车辆不确定性轨迹预测;以横纵向安全距离为检测条件,进行启发式确定性碰撞检测,面向未来2s内每一个时刻检测两车是否有可能发生碰撞,运用蒙特卡洛模拟联合高斯概率函数的不确定性预测轨迹进行碰撞概率计算。本发明汽车碰撞概率预测方法可适应多种碰撞场景,同时保障了概率预测结果的实时性与准确性,具有很高的应用价值。
Description
技术领域
本发明涉及车碰撞安全预测技术领域,具体是一种多维度不确定性感知的智能汽车碰撞概率预测方法。
背景技术
安全性是高级驾驶辅助***和自动驾驶车辆的基石。确保安全的主要挑战之一是能够检测到即将发生的危险情况,并相应作出反应,以避免或减少事故的发生。因此,准确预测未来短时碰撞风险对于智能车辆的安全行驶具有重要意义。
根据是否考虑未来运动的不确定性,现有的风险预测方法通常分为两大类:确定性方法和概率性方法。确定性风险评估方法基于物理的运动模型,如匀速直线运动学模型(CV)、匀加速运动学模型(CA)和匀转弯速率与加速度运动学模型(CTRA)来预测车辆的未来轨迹,进而计算定量风险指标,包括碰撞时间、制动时间和转向时间。此外,风险量化评估还包括检查两条轨迹是否相交,或者比较两条轨迹在给定交叉区域的交叉时间。然而,这种确定性方法本质上无法反映未来运动和状态估计的不确定性,如果驾驶员或自动驾驶***的行为与预测的输入有所不同,或者感知***的状态估计在某些特殊情况下存在较大的偏差,或者由运动学模型生成的可达区域与道路几何形状不匹配,那么碰撞预测可能完全错过潜在的风险。
为了克服与机动意图相关的限制,一些方法应用基于意图的轨迹预测,其首先估计驾驶机动,进而根据识别的意图生成未来的轨迹。车辆的意图通常通过评估当前车辆运动与道路网络、车道拓扑或驾驶车道的中心线之间的相似性来估计。此外,一些方法应用隐马尔科夫模型、动态贝叶斯网络或人工神经网络和支持向量机等概率推理模型,根据观察序列或训练数据对意图进行识别。结合操控意图,数据驱动的深度神经网络模型如长短时记忆网络,图卷积网络被用于轨迹预测,进而确定性定量指标被用于评估车辆轨迹之间的碰撞风险。该类方法在长期轨迹预测中取得了良好的结果。然而,复杂城市条件下的训练数据集的缺乏限制了这种方法的泛化能力,而且对碰撞风险的评估仍然缺乏不确定性信息的考虑。
另一种风险评估方法是概率方法,其考虑了运动的不确定性。该类方法引入了沿预测轨迹的误差传播,以表示未来状态的不确定性。不确定性通常通过卡尔曼滤波器的基于模型的预测部分以高斯分布建模,进一步通过从高斯分布生成的车辆碰撞比例来计算每个预测时间的碰撞概率。蒙特卡洛常用于根据联合高斯分布计算碰撞概率。然而,用高斯分布建模的运动不确定性并未考虑道路几何与驾驶行为的关系,因此不能正确描述实际驾驶条件中出现的运动不确定性。另一方面,高精度蒙特卡洛模拟的计算开销较大,难以应用在资源受限与强实时要求的智能驾驶***中。
发明内容
本发明的目的在于提供一种多维度不确定性感知的智能汽车碰撞概率预测方法,以解决背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种多维度不确定性感知的智能汽车碰撞概率预测方法,包括以下步骤:
考虑多维度不确定性的车辆未来轨迹预测:对主车以及周边车辆进行信息获取,使用扩展卡尔曼滤波器对获取的信息进行处理,对车辆目前状态进行最优估计,使用基于不确定性感知物理运动学模型预测进行主车与周边车辆未来2s内的轨迹,再将两车轨迹进行时间离散化,联合高斯概率密度输出车辆未来2s内的不确定性轨迹预测;
碰撞检测以及碰撞概率计算:以横纵向安全距离为检测条件,进行确定性碰撞检测,面向未来2s内每一个时刻检测两车是否有可能发生碰撞,若为绝对安全或绝对危险,则直接输出碰撞概率结果。面向未来每一个介于绝对安全与绝对危险的时刻,考虑不确定性运用蒙特卡洛模拟结合联合高斯概率函数的不确定性预测轨迹进行碰撞概率的计算。
在上述技术方案的基础上,本发明还提供以下可选技术方案:
在一种可选方案中:所述考虑多维度不确定性的车辆未来轨迹预测的具体步骤如下:
步骤S1:获取道路上主车与周边车辆的实时状态信息,周期为100毫秒,其中,获取的信息包含车辆的位置、航向角、速度和加速度信息;
步骤S2:将获取到的实时状态信息结合扩展卡尔曼滤波器进行更新,通过数据滤波去除传感器输入***的数据与实际数据存在***噪声、干扰和测量误差;
步骤S3:选用恒转弯速率和加速度模型对主车进行轨迹预测,对于交通车的轨迹预测,采用恒速度模型、恒转弯速率及速度模型的多模型进行轨迹预测,恒速度模型追踪交通车的近直线运动,恒转弯速率和速度模型追踪交通车在进行转弯时的曲线运动;
步骤S4:假设状态向量服从联合高斯分布,使用卡尔曼滤波算法来进行状态估计,使用运动学模型进行状态预测,输出可能位置。
在一种可选方案中:在所述步骤S3中,恒速度模型为:
恒转弯速率及速度模型为:
其中,变量δvx为车辆的纵向速度导数的干扰值,δvy为车辆的侧向速度导数的干扰值,恒速度模型中的参数均是在全局坐标系下的参数;恒转弯速率及速度模型中的变量vx(t)、vy(t)、ax(t)和ay(t)均为在车辆坐标系下的变量,其余变量都是在全局坐标系下的变量。
在一种可选方案中:所述步骤S3中,在对于交通车的曲线轨迹预测时,还考虑车道线曲率对车辆横摆角速度的影响。
在一种可选方案中:车辆横摆角速度数据是由传感器获取,并记作ω1,将传感器获取的横摆角速度数据ω1与理想横摆角速度ω根据转弯半径赋予一定的权重进行加权计算,将计算得出的理论角速度记为ω0;其计算方式如下:
当弯道半径大于50m时,ω0=0.8ω1+0.2ω;
当弯道半径介于20m和50m之间时,ω0=0.5ω1+0.5ω;
当弯道半径小于50m时,ω0=0.2ω1+0.8ω。
在一种可选方案中:所述碰撞检测以及碰撞概率计算的具体步骤如下:
步骤C1:启发式碰撞检测,采用离散化的轨迹预测来检查碰撞,具体碰撞的条件设置为两辆车在同一时刻占据的空间存在交集,在计算时,需要对所有同一时刻的轨迹点都进行启发式碰撞检测,由此判断出主车与交通车是否有可能在预测时间内发生碰撞;
步骤C2:通过蒙特卡洛模拟对符合高斯概率函数分布的不确定性轨迹预测结果进行碰撞概率计算,最后,取同一次预测中得到的所有轨迹点的碰撞概率的最大值,将此值作为本次循环计算得出的碰撞概率结果进行输出。
在一种可选方案中:在步骤C1中,对所有同一时刻主车与交通车轨迹所在点进行确定性碰撞检测,并通过纵向距离和横向距离的大小划分将未来可能发生的情况划分为绝对安全、绝对危险、介于安全与危险之间三种情况;若处于绝对安全或绝对危险情况,则直接输出碰撞概率为0%或100%,对于所有介于安全与危险之间的预测点进行下一步考虑不确定性的碰撞概率计算。
在一种可选方案中:确定性碰撞检测的条件和阈值划分的方式如下:
设主车的车长为Le,主车的车宽为De,预测目标交通车的车长为Lo,车宽为Do。在所检测的时刻,主车在全局坐标系下的X轴、Y轴位置为Xe,Ye,航向角为θe,交通车在全局坐标系下的X轴、Y轴位置为Xo,Yo,航向角为θo,由两者中心点之间的关系判断是否会发生碰撞,纵向和侧向判断是否会产生碰撞的安全条件如以下两个公式:
其中,ΔLs,ΔDs分别为纵向和侧向的安全距离,对于该安全距离,有两个不同的值分别对应绝对安全阈值与绝对危险阈值;绝对安全阈值的取值较大,与车速有关,取ΔLs=2vi,vi为相对速度;绝对危险阈值的取值较小,与汽车本身尺寸大小有关,取ΔLs=0.2Le,α,β分别为主车中心点、端点连线与长边和短边形成的夹角;|Δθ|为主车航向角与交通车航向角的差值。
在一种可选方案中:在步骤C2中,蒙特卡洛模拟计算得出对于某一时刻未来2s内的主车与交通车碰撞概率;
先对车辆进行构型。设主车状态为xe=(xe,ye,θe)T,其中,xe,ye分别是主车在全局坐标系下的X轴、Y轴位置,θe为主车的方向角。同理,设目标预测交通车的状态为xo=(xo,yo,θo)T。主车形状和交通车的形状分别记作和/>
进行不确定性建模,期望值为协方差矩阵为Σ的状态向量x的概率密度函数为:
其中,x=(x,y,θ)T,Σ为一个3×3的协方差矩阵,该矩阵是通过扩展卡尔曼滤波得出的结果。主车和交通车的概率密度函数被定义为
两者的碰撞概率为:
其中,
将碰撞概率采用蒙特卡洛模拟,模拟的公式如下:
式中,
Υ是对主车与交通车的碰撞检测,当Υ=1时,和/>在空间上存在交集,表明发生了碰撞,两者在空间上是否发生交集。
相较于现有技术,本发明的有益效果如下:
1、通过权重分配方法考虑了车道线曲率对车辆运动的影响,选取CV/CT多模型分别追踪交通参与车的直线运动和曲线运动,可以根据交通车的状态切换运动学模型,使得轨迹预测在多种场景下(包括直线追尾场景、十字路口侧向碰撞场景、超车变道场景和直道变弯道追尾碰撞场景)都具有较好的拟合性;
2、本发明结合扩展卡尔曼滤波器、基于物理的运动学模型联合高斯概率分布的轨迹预测,充分考虑了状态估计、运动预测模型和道路几何多维度不确定性带来的影响,更好地表征了道路几何与驾驶行为的关系,以描述实际驾驶条件中车辆运动预测的不确定性,提高了方法的准确度;
3、本发明通过启发式信息进行了确定性碰撞检测,初步筛选确定性碰撞,大大降低了蒙特卡罗模拟的运算量,提高了概率预测方法的实时性,使得该类方法能够轻量化应用于资源受限的中。
4、本发明使用了基于启发式信息的确定性检测,以减轻蒙特卡洛碰撞概率计算方法所遭受的长时间开销问题。所提出的考虑多维度不确定性的智能汽车碰撞概率预测方法可以适应多种碰撞场景,同时保障了概率预测结果的实时性与准确性,具有很高的应用价值。
附图说明
图1为本发明的考虑不确定性的智能汽车碰撞概率预测方法技术路线示意图。
图2为本发明的启发式碰撞检测示意图。
图3为本发明的追尾碰撞场景轨迹示意图。
图4为本发明的追尾场景对于交通参与车联合高斯概率分布的不确定性轨迹预测图。
图5为本发明的追尾场景碰撞概率的输出结果图。
图6为本发明的侧向碰撞场景轨迹示意图。
图7为侧向碰撞场景对于交通参与车联合高斯概率分布的不确定性轨迹预测图。
图8为本发明的侧向碰撞场景碰撞概率的输出结果图。
图9为本发明的变道超车碰撞场景轨迹示意图。
图10为变道超车场景对于交通参与车联合高斯概率分布的不确定性轨迹预测图。
图11为本发明的变道超车场景碰撞概率的输出结果图。
图12为本发明的两车均处于直道时轨迹示意图。
图13为本发明的直道时对于交通参与车联合高斯概率分布的不确定性轨迹预测图。
图14为两车在弯道上即将发生碰撞示意图。
图15为本发明的弯道追尾即将碰撞时对于交通参与车联合高斯概率分布的不确定性轨迹预测图。
图16为本发明的直道变弯道追尾场景碰撞概率的输出结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。本发明所列举的各实施例仅用以说明本发明,并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
本发明实施例提出了一种多维度不确定性感知的智能汽车碰撞概率预测方法,本部分将结合附图1和附图2,对所提出的智能汽车碰撞概率预测方法具体实施方式作进一步清楚、详细、完整地说明,该方法主要包括如下步骤:
步骤一:考虑不确定性的车辆未来轨迹预测,首先对主车以及周边车辆进行信息获取,使用扩展卡尔曼滤波器对获取的信息进行处理,对车辆目前状态进行最优估计;进而使用基于物理的运动学模型预测进行主车与周边车辆未来2s内的轨迹;接着将两车轨迹进行时间离散化,联合高斯概率密度输出车辆未来2s内的不确定性轨迹预测。
步骤二:碰撞检测以及碰撞概率计算,首先以横纵向安全距离为检测条件,进行确定性碰撞检测,面向未来2s内每一个时刻检测两车是否有可能发生碰撞,若为绝对安全或绝对危险,则直接输出碰撞概率结果。面向未来每一个介于绝对安全与绝对危险的时刻,考虑不确定性运用蒙特卡洛模拟结合联合高斯概率函数的不确定性预测轨迹进行碰撞概率的计算。
1、考虑不确定性的车辆未来轨迹预测
考虑不确定性的车辆未来轨迹预测主要包括四个子步骤:主车与周边车辆信息获取、运用扩展卡尔曼滤波器进行状态最优估计、基于运动状态的轨迹预测、不确定性轨迹预测,其中主车与周边车辆信息获取实时获取车辆的状态信息,运用扩展卡尔曼滤波器进行状态最优估计用于在轨迹预测前将获取到的实时状态信息通过数据滤波尽可能地还原真实数据和估计***的状态,基于运动状态的轨迹预测用于预测未来2s内车辆的轨迹均值,不确定性轨迹预测用于对预测轨迹进行联合高斯概率分布的建模,考虑多种不确定性输出未来2s内车辆轨迹的可能位置。
(1)主车与周边车辆信息获取
本发明获取道路上主车与周边车辆的实时状态信息,周期为100毫秒,所获取的信息包含车辆的位置、航向角、速度、加速度信息。
(2)运用扩展卡尔曼滤波器进行状态最优估计
该子步骤将获取到的实时状态信息结合扩展卡尔曼滤波器进行更新,由于传感器输入***的数据与实际数据存在***噪声、干扰、测量误差等影响,所以需要通过数据滤波去除其他影响因素,尽可能地还原真实数据,估计***的状态。
扩展卡尔曼滤波器(EKF)通过将非线性***在参考点处做泰勒级数展开,对***的状态方程以及观测方程进行非线性转换:
其中,从理想确定性预测的随机偏差被建模为加性高斯白过程噪声w(t),具有不随时间改变的功率谱密度E(w(t)wT(t′))=Sδ(t-t')。对于一个初始状态估计为的***,可由方程(1)进行线性化的预测得到T时刻状态估计为当使用高斯混合模型时,将f(x(t))在x(t)处的雅可比矩阵记作可以得到如下式所示T时刻的期望值/>和协方差矩阵∑x(T):
一般来说,很难找到转换矩阵Φ的封闭形式表达式。然而,高级驾驶辅助***(Advanced Driver Assistance Systems)中一些最常用的运动模型,如线性恒定速度(CV)或恒定加速度(CA),以及非线性恒定转弯速率和速度(CTRV)和非线性恒定转弯速率和加速度(CTRA)模型都是例外。不确定性传播可以对任意连续时间T进行计算。有时也可以采用另一种方法,进行时间离散化。从而期望值和协方差矩阵被表示为:
其中,Φk=eF(kΔT)ΔT;F(t)将在基于运动状态的轨迹预测中给出。
(3)基于运动状态的轨迹预测
该子步骤使用运动学模型预测未来2s内主车以及交通车的轨迹。主车选用恒转弯速率和加速度模型进行轨迹预测,将X记为车辆在全局坐标系下的X轴位置,Y记为车辆在全局坐标系下的Y轴位置,θ记为车辆的方向角,vx记为车辆坐标系下的纵向速度,vy记为车辆坐标系下的侧向速度,ax记为车辆的纵向加速度,ay记为车辆的横向加速度,δω记为车辆的横摆角速度,记为车辆的横摆角速度导数的干扰值,δax记为车辆的纵向加速度导数的干扰值,δay记为车辆的侧向加速度导数的干扰值。
上式对应的雅可比行列式F(t)为:
对于交通车的轨迹预测,采用的是恒速度模型、恒转弯速率和速度模型的多模型。恒速度模型追踪交通车的近直线运动,恒转弯速率和速度模型追踪交通车在进行转弯时的曲线运动。公式(6)和公式(7)分别表示恒速度模型、恒转弯速率和速度模型。
上式中的变量δvx为车辆的纵向速度导数的干扰值,δvy为车辆的侧向速度导数的干扰值。公式(6)中的参数都是在全局坐标系下的参数。公式(7)中的变量vx(t)、vy(t)、ax(t)、ay(t)均为在车辆坐标系下的变量,其余变量都是在全局坐标系下的变量。
公式(7)对应的雅可比行列式为:
在驾驶员没有明确转弯意图时,由于驾驶员的驾驶习惯以及主销内倾导致的自动回正的作用,车辆的横向加速度很小接近于0,此时使用恒速度模型,(角速度等于0),进行轨迹预测更为合理。在直路上行驶时,如果单纯地只使用恒转弯速率和速度模型进行预测,那么近距离时由于传感器对横向参数感知的误差,会导致轨迹预测的准确性降低。在近距离时,低准确性更容易导致偏差较大的预测结果。横向状态参数的感知不准确性会使得角速度出现不可忽视的偏差。经过仿真与实车测试,近距离时角速度的绝对值误差最大值为0.2rad/s。对轨迹自动跟踪路径(Path Follower)驾驶员模型进行测试,在直路上行驶时,当驾驶员有转弯意图(包括弯道转向、变道的情况)并且不处于低速状态(>20km/h)时,绝大多数情况角速度大于0.2rad/s。故本文对于交通车的轨迹预测使用了|ω|=0.2rad/s作为模型切换的阈值,当交通车角速度的绝对值低于0.2rad/s时,认为汽车行驶保持直线运动,采用恒速度模型进行预测;当交通车角速度的绝对值大于0.2rad/s时,采用恒转弯速率和速度模型进行预测。
车道线的曲率也是影响驾驶员是否会产生转弯意图的重要因素之一。在弯曲的道路上,驾驶员往往会遵循恒转弯速率和速度模型的规律进行行驶,以便于通过弯道。所以,在弯曲道路上,更倾向于使用恒转弯速率和速度模型进行轨迹预测。车道线的曲率越大,通过弯道需要车辆使用更大的角速度进行行驶,反之,对于车道线曲率比较小的路段,车辆使用较小的角速度即可通过弯道。
车辆在转弯时,为了保证平稳的驾驶,驾驶员会尽可能地使汽车的转弯半径与车道半径相近,车道线曲率、横摆角速度以及速度之间相互影响,存在一定的关系,在理想状态下可以用公式vK=ω表示。其中,v代表车辆的速度,K表示道路的曲率,ω表示理想状态下的横摆角速度。这个公式表明,横摆角速度的大小会随着车辆当前速度以及道路曲率的增大而增大。当车辆当前速度与车道线曲率较大时,车辆会以较大的角速度通过弯道。
但是,在实际的驾驶过程中,车辆并不一定都是以理想状态下的横摆角速度行驶,并且,尤其是在半径较小的弯道时,驾驶员有更大概率执行变道等操作,此时更应该信任传感器所获取的目标车角速度数据。如果要准确地预测车辆的轨迹,仍需要结合传感器获取的横摆角速度数据,记作ω1。将传感器获取的横摆角速度数据ω1与理想横摆角速度ω根据转弯半径赋予一定的权重进行加权计算,权重分配如下表所示:
表1.不同弯道半径下横摆角速度数据ω1与理想横摆角速度ω的权重分配
将计算得出的理论角速度记为ω0,当弯道半径大于50m时:
ω0=0.8ω1+0.2ω (9)
当弯道半径介于20m和50m之间时;
ω0=0.5ω1+0.5ω (10)
当弯道半径小于50m时:
ω0=0.2ω1+0.8ω (11)
对于横摆角速度权重分配后加权计算可以有效地降低传感器带来的横摆角速度误差,在急转弯时车辆倾向于平稳通过弯道,使车辆自身转弯半径与弯道半径尽可能相近,而在较小的转弯情况下,车辆有一定概率执行其他操作,此时传感器所获取的目标车横摆角速度具有更大的参考价值。
(4)不确定性轨迹预测
假设状态向量服从联合高斯分布,使用卡尔曼滤波算法来进行状态估计,使用运动学模型进行状态预测,输出2s内的可能位置。
2、碰撞检测以及碰撞概率计算
碰撞检测以及碰撞概率计算主要包括两个子步骤:启发式碰撞检测与碰撞概率计算。其中确定性碰撞检测对同一时刻的两车所占据的空间位置进行计算,判断其是否存在交集,对所有同一时刻主车与交通车轨迹所在点进行确定性碰撞检测,并通过其纵向距离、横向距离的大小划分将未来可能发生的情况划分为绝对安全、绝对危险、介于安全与危险之间三种情况。若处于绝对安全或绝对危险情况,则直接输出碰撞概率为0%或100%,对于所有介于安全与危险之间的预测点进行下一步考虑不确定性的碰撞概率计算。碰撞概率计算将上述步骤筛选后的每一个可能碰撞点分别进行碰撞概率的计算,通过蒙特卡洛模拟对符合高斯概率函数分布的不确定性轨迹预测结果进行碰撞概率计算,最后,取同一次预测中得到的所有轨迹点的碰撞概率的最大值,将此值作为本次循环计算得出的碰撞概率结果进行输出。
(1)启发式碰撞检测
对于碰撞的检测,可以用离散化的轨迹预测来检查碰撞。具体碰撞的条件可以设置为两辆车在同一时刻占据的空间存在交集。在计算时,需要对所有同一时刻的轨迹点都进行启发式碰撞检测,由此判断出主车与交通车是否有可能在预测时间内发生碰撞。本发明所提出的方法中,为了进一步提高实时性,先对同一时刻内主车与交通车的距离划分成绝对安全范围和绝对危险范围。当两车横向或者纵向距离很远的情况下,短时间内必然不会发生碰撞,这就是绝对安全情况。而绝对危险就是指两车距离非常靠近的情况,即使目前可能未发生碰撞,但由于距离极小,在未来有近似百分百的概率发生碰撞。如果两车之间的距离符合绝对安全条件,那么不需要进行考虑不确定性的碰撞概率计算,直接得出碰撞概率为0%的结论。如果两车之间的距离符合绝对危险条件,那么直接得出碰撞概率为100%的结论,也不需要考虑不确定性。只有当两车之间的距离处于安全与危险之间的情况下,才需要进行考虑不确定性的碰撞概率计算。下面将详细阐述确定性碰撞检测的条件和阈值划分。
设主车的车长为Le,主车的车宽为De,预测目标交通车的车长为Lo,车宽为Do。在所检测的时刻,主车在全局坐标系下的X轴、Y轴位置为Xe,Ye,航向角为θe,交通车在全局坐标系下的X轴、Y轴位置为Xo,Yo,航向角为θo,由两者中心点之间的关系判断是否会发生碰撞。公式(12)上下两式分别为纵向和侧向判断是否会产生碰撞的安全条件;
公式(12)中,ΔLs,ΔDs分别为纵向和侧向的安全距离,对于该安全距离,有两个不同的值分别对应前文所提到的绝对安全阈值与绝对危险阈值。绝对安全阈值的取值较大,与车速有关,取ΔLs=2vi,vi为相对速度;绝对危险阈值的取值较小,与汽车本身尺寸大小有关,取ΔLs=0.2Le,α,β分别为主车中心点、端点连线与长边和短边形成的夹角。|Δθ|为主车航向角与交通车航向角的差值。
计算时,需要对所有同一时刻主车与交通车轨迹所在点进行确定性碰撞检测,当ΔLs=2vi时,即取绝对安全阈值时,若公式(12)中的上下两式均成立,则说明主车与预测交通车之间目前处于绝对安全状态,不会发生碰撞,这时不需继续考虑不确定性,碰撞概率直接输出为0%;当ΔLs=0.2Le时,即取绝对危险阈值时,若公式(12)中的上下两式有一式或两式不成立,则说明主车与预测交通车之间目前处于绝对危险状态,预测时间内一定会发生碰撞,这时不需继续考虑不确定性,碰撞概率直接输出为100%;当以上两种情况都不满足时,主车与交通车的状态处于安全与危险之间,此时考虑不确定性进行碰撞概率计算。在对不确定性轨迹预测进行碰撞概率计算之前进行确定性碰撞检测并分为绝对安全、绝对危险、介于安全与危险之间,可以大大提高计算速度。
(2)碰撞概率计算
该子步骤通过蒙特卡洛模拟计算得出对于某一时刻未来2s内的碰撞概率。首先对车辆进行构型。设主车状态为xe=(xe,ye,θe)T,其中,xe,ye分别是主车在全局坐标系下的X轴、Y轴位置,θe为主车的方向角。同理,设目标预测交通车的状态为xo=(xo,yo,θo)T。主车形状和交通车的形状分别记作和/>
第二步进行不确定性建模。期望值为协方差矩阵为Σ的状态向量x的概率密度函数为:
其中,x=(x,y,θ)T,Σ为一个3×3的协方差矩阵,该矩阵是通过扩展卡尔曼滤波得出的结果。主车和交通车的概率密度函数被定义为
两者的碰撞概率为:
其中,
由于对于公式(14),很难得到解析解。故采用蒙特卡洛模拟。首先,将公式(14)改写为:
公式中,
Υ是对主车与交通车的碰撞检测,当γ=1时,和/>在空间上存在交集,也就是表明发生了碰撞。两者在空间上是否发生交集,在原理上与本文公式(12)相同,只是ΔLs,ΔDs的取值不同,也就是安全距离的取值不同。两车在距离极小时,即使在此刻没有发生碰撞,也有极大概率,甚至接近百分之百的概率在接下来的行动中发生碰撞,故ΔLs,ΔDs不直接取0,本文在计算过程中取0.5m。
对于两个函数f和h,可以通过以下方法来近似求得进行f和h乘积的积分。
在蒙特卡洛近似中,(y1,y2,y3...yn)是按照概率密度函数f(y)生成的样本。通过以上所给出的方法,可将公式(15)近似为:
其中,(xe1,ye1,θe1)...(xei,yei,θei),(xo1,yo1,θo1)...(xoj,yoj,θoj)是由主车和交通车的概率密度函数pv和po给出的样本值。
该算法的复杂度为O(n2)。为了保证算法有足够的精确度,能够得到比较稳定合理的结果,需要保证n的量级至少为104。但是过大的计算量会大大增加算法所需的时间,严重影响算法的实时性,在预测碰撞概率的短时运用中,实时性是保证安全的重要条件之一。如果实时性不足,即使保证了一次结果的准确性,但得出的结果对于短时的碰撞预测意义并没有很大的参考价值。为了进一步提高方法的实时性,将公式(20)改写为复杂度为O(n)的公式:
使用蒙特卡洛方法的碰撞概率计算过程如下:首先计算某个点的碰撞概率,也就是Pcollision(e,o)。初始Pcollision(e,o)赋值为0,根据轨迹预测所得到主车和交通车轨迹的期望值和协方差矩阵进行n次状态向量x的取样,代入公式(12)以及本节对纵向和横向安全距离的赋值计算γ的取值。在单次取样的计算中,若通过此次取样的结果判断出γ=1,即发生了碰撞,那么使Pcolkision(e,o)的值增加1。待n次取样全部计算完毕后,将Pcollision(e,o)除以样本数n,得到的Pcollision(e,o)即为该点处的碰撞概率。在一次轨迹预测的步骤中,对主车和交通车进行了五个不同时间点的轨迹预测,对其中所有介于安全和危险之间的时间点进行蒙特卡洛方法的碰撞概率计算,对安全点的碰撞概率赋值为0%,对危险点的碰撞概率赋值为100%,最后,对于五个点的碰撞概率取其中的最大值,将此值作为本次循环计算得出的碰撞概率结果进行输出。
本专利对公开的方法进行了仿真验证,仿真平台采用Matlab、Simulink联合PreScan。在PreScan中搭建了多种经典碰撞场景,包括道路设置、车辆轨迹设置与以及传感器设置;在Simulink中,实现了传感器信息的接收和发送,在Matlab中完成了其余全部子步骤,包括传感器信息获取、扩展卡尔曼滤波器最优估计状态、轨迹预测、碰撞检测、碰撞概率输出。
对传感器噪声、过程噪声和主车和交通车的协方差矩阵赋予初始值,具体赋值见表2。本发明选取了四种典型场景在Prescan中进行场景搭建,四种典型的碰撞场景分别是追尾碰撞、十字路口侧向碰撞、变道超车碰撞、直道变弯道追尾碰撞。
表2.传感器噪声、过程噪声和主车和交通车的协方差矩阵赋予初始值
在追尾碰撞场景中,本文设置主车和交通参与车之间的初始距离为80m,两车在Y轴处的坐标相等。主车以15m/s的速度向前保持直线行驶,交通参与车以10m/s的速度与主车同向保持直线行驶。在即将发生危险时,主车与交通车的位置以及轨迹如附图3所示。
此时对于交通参与车(右车)联合高斯概率分布的不确定性轨迹预测如附图4所示(黑色十字为均值点,灰色点表示运用蒙特卡洛采点1000次的可能分布点):
碰撞概率的输出结果如附图5所示,横轴为相对碰撞发生时刻的时间,左纵轴为碰撞概率,右纵轴两车质心之间的距离:
在十字路口侧向碰撞场景中,本文设置主车和交通参与车初始分别位于十字路口中相邻的两个路口内,并都保持直行。主车以15m/s的初速度向前保持直线行驶,期望速度设置为17m/s,交通参与车以10m/s的速度向前保持直线行驶,二者最后会在轨迹交点发生碰撞。
即将发生碰撞时,两车的轨迹如附图6所示。
此时,对于交通参与车(即下方车辆)联合高斯概率分布不确定性的轨迹预测如附图7所示(黑色十字为均值点,灰色点表示运用蒙特卡洛采点1000次的可能分布点),图中,轨迹出现向左偏移的原因是由于Object Camera Sensor传感器在近距离时对于交通参与车获取的侧向速度参数出现了偏差,属于不可避免的误差,但对于最终的碰撞概率预测结果并没有出现较大的影响。
碰撞概率的输出结果如图8所示,横轴为相对碰撞发生时刻的时间,左纵轴为碰撞概率,右纵轴两车质心之间的距离:
在变道超车碰撞场景中,本文设置主车和对向交通参与车之间的初始距离为298m,在距离主车初始位置196m处有一辆停止的障碍车(视作被超车的低速驾驶模型),主车将在距离初始位置150m处执行变道超车。主车的初始速度与期望速度均设置为15m/s的速度,交通参与车以12m/s的初速度和期望速度在相邻车道与主车对向直线行驶。两车碰撞前的轨迹如图9所示。
此时对于交通参与车(右车)进行联合高斯概率分布的不确定性轨迹预测,如图10所示(黑色十字为均值点,灰色点表示运用蒙特卡洛采点1000次的可能分布点):
碰撞概率的输出结果如图11所示,横轴为相对碰撞发生时刻的时间,左纵轴为碰撞概率,右纵轴两车质心之间的距离:
如图12所示,在直道变弯道的追尾碰撞场景中,本文设置主车和对向交通参与车之间的初始距离为80m。两车在Y轴处的坐标相等。主车以15m/s的速度向前保持直线行驶,交通参与车以10m/s的速度与主车同向保持直线行驶。在9秒时,交通参与车会率先进入曲率为0.01的弯道,并继续以10m/s的速度保持车道行驶。
在此时,对于交通参与车(右车)进行联合高斯概率分布的不确定性轨迹预测是基于恒速率(CV)运动学模型的,结果如图13所示(黑色十字为均值点,灰色点表示运用蒙特卡洛采点1000次的可能分布点):
如图14所示,在进入弯道后,对于交通参与车(右上车)的轨迹预测是基于恒转弯速率和恒速率(CT)运动学模型的,在即将碰撞时,对于交通参与车进行联合高斯概率分布的不确定性轨迹预测结果如图15所示(黑色十字为均值点,灰色点表示运用蒙特卡洛采点1000次的可能分布点):
碰撞概率的输出结果如图16所示,横轴为相对碰撞发生时刻的时间,左纵轴为碰撞概率,右纵轴两车质心之间的距离;
本文的智能汽车碰撞概率预测方法是基于未来2s的轨迹预测,并对2s内的轨迹点联合高斯函数输出并进行蒙特卡洛模拟进行概率的计算。所以最为理想的结果就是在相对碰撞时刻还有2秒时以及之后的时刻,碰撞概率结果可以稳定以一个较高的值输出。
在追尾场景以及十字路口侧向碰撞的场景中,两车的运动都相对简单,没有驾驶意图上的变化,本文所提出的算法很好的在相对碰撞发生时刻还有2秒的时刻进行了碰撞概率100%的预警。在超车变道场景中,在碰撞发生前主车的状态发生了多次突然的改变,本文所提出的算法依旧能够在相对碰撞发生时刻还有2秒的时刻进行碰撞概率100%的输出,并且,在驾驶员操作发生突然改变的情况下还可以实时性地适应改变,对于新的危险情况做出碰撞预警。在直道变弯道追尾场景中,由于曲线运动时车辆的运动较为复杂,并且近距离时传感器所获取的目标车的信息并不特别准确,故碰撞概率并没有如直线运动时输出的那么理想,但是在相对碰撞发生时刻还有2秒时已经开始预测到一定的碰撞概率(20%-30%)并且在相对碰撞发生时刻还有1.5秒后的碰撞概率输出大于50%,提供了有参考意义的碰撞预警。由此可见,本文提出的方法可以适应多种场景,在多种场景尤其是直线场景下表现出了极好的实时性以及准确性,具有一定的应用价值。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,包括以下步骤:
考虑多维度不确定性的车辆未来轨迹预测:对主车以及周边车辆进行信息获取,使用扩展卡尔曼滤波器对获取的信息进行处理,对车辆目前状态进行最优估计,使用基于不确定性感知物理运动学模型预测进行主车与周边车辆未来2s内的轨迹,再将两车轨迹进行时间离散化,联合高斯概率密度输出车辆未来2s内的不确定性轨迹预测;
碰撞检测以及碰撞概率计算:以横纵向安全距离为检测条件,进行确定性碰撞检测,面向未来2s内每一个时刻检测两车是否有可能发生碰撞,若为绝对安全或绝对危险,则直接输出碰撞概率结果;面向未来每一个介于绝对安全与绝对危险的时刻,考虑不确定性运用蒙特卡洛模拟结合联合高斯概率函数的不确定性预测轨迹进行碰撞概率的计算。
2.根据权利要求1所述的多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,所述考虑多维度不确定性的车辆未来轨迹预测的具体步骤如下:
步骤S1:获取道路上主车与周边车辆的实时状态信息,周期为100毫秒,其中,获取的信息包含车辆的位置、航向角、速度和加速度信息;
步骤S2:将获取到的实时状态信息结合扩展卡尔曼滤波器进行更新,通过数据滤波去除传感器输入***的数据与实际数据存在***噪声、干扰和测量误差;
步骤S3:选用恒转弯速率和加速度模型对主车进行轨迹预测,对于交通车的轨迹预测,采用恒速度模型、恒转弯速率及速度模型的多模型进行轨迹预测,恒速度模型追踪交通车的近直线运动,恒转弯速率和速度模型追踪交通车在进行转弯时的曲线运动;
步骤S4:假设状态向量服从联合高斯分布,使用卡尔曼滤波算法来进行状态估计,使用运动学模型进行状态预测,输出可能位置。
3.根据权利要求2所述的多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,在所述步骤S3中,恒速度模型为:
恒转弯速率及速度模型为:
其中,变量δvx为车辆的纵向速度导数的干扰值,δvy为车辆的侧向速度导数的干扰值,恒速度模型中的参数均是在全局坐标系下的参数;恒转弯速率及速度模型中的变量vx(t)、vy(t)、ax(t)和ay(t)均为在车辆坐标系下的变量,其余变量都是在全局坐标系下的变量。
4.根据权利要求2所述的多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,所述步骤S3中,在对于交通车的曲线轨迹预测时,还考虑车道线曲率对车辆横摆角速度的影响。
5.根据权利要求4所述的多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,车辆横摆角速度数据是由传感器获取,并记作ω1,将传感器获取的横摆角速度数据ω1与理想横摆角速度ω根据转弯半径赋予一定的权重进行加权计算,将计算得出的理论角速度记为ω0;其计算方式如下:
当弯道半径大于50m时,ω0=0.8ω1+0.2ω;
当弯道半径介于20m和50m之间时,ω0=0.5ω1+0.5ω;
当弯道半径小于50m时,ω0=0.2ω1+0.8ω。
6.根据权利要求1所述的多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,所述碰撞检测以及碰撞概率计算的具体步骤如下:
步骤C1:启发式碰撞检测,采用离散化的轨迹预测来检查碰撞,具体碰撞的条件设置为两辆车在同一时刻占据的空间存在交集,在计算时,需要对所有同一时刻的轨迹点都进行启发式碰撞检测,由此判断出主车与交通车是否有可能在预测时间内发生碰撞;
步骤C2:通过蒙特卡洛模拟对符合高斯概率函数分布的不确定性轨迹预测结果进行碰撞概率计算,最后,取同一次预测中得到的所有轨迹点的碰撞概率的最大值,将此值作为本次循环计算得出的碰撞概率结果进行输出。
7.根据权利要求6所述的多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,在步骤C1中,对所有同一时刻主车与交通车轨迹所在点进行确定性碰撞检测,并通过纵向距离和横向距离的大小划分将未来可能发生的情况划分为绝对安全、绝对危险、介于安全与危险之间三种情况;若处于绝对安全或绝对危险情况,则直接输出碰撞概率为0%或100%,对于所有介于安全与危险之间的预测点进行下一步考虑不确定性的碰撞概率计算。
8.根据权利要求7所述的多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,确定性碰撞检测的条件和阈值划分的方式如下:
设主车的车长为Le,主车的车宽为De,预测目标交通车的车长为Lo,车宽为Do;在所检测的时刻,主车在全局坐标系下的X轴、Y轴位置为Xe,Ye,航向角为θe,交通车在全局坐标系下的X轴、Y轴位置为Xo,Yo,航向角为θo,由两者中心点之间的关系判断是否会发生碰撞,纵向和侧向判断是否会产生碰撞的安全条件如以下两个公式:
其中,ΔLs,ΔDs分别为纵向和侧向的安全距离,对于该安全距离,有两个不同的值分别对应绝对安全阈值与绝对危险阈值;绝对安全阈值的取值较大,与车速有关,取ΔLs=2vi,vi为相对速度;绝对危险阈值的取值较小,与汽车本身尺寸大小有关,取ΔLs=0.2Le,α,β分别为主车中心点、端点连线与长边和短边形成的夹角;|Δθ|为主车航向角与交通车航向角的差值。
9.根据权利要求6所述的多维度不确定性感知的智能汽车碰撞概率预测方法,其特征在于,在步骤C2中,蒙特卡洛模拟计算得出对于某一时刻未来2s内的主车与交通车碰撞概率;
先对车辆进行构型,设主车状态为xe=(xe,ye,θe)T,其中,xe,ye分别是主车在全局坐标系下的X轴、Y轴位置,θe为主车的方向角,同理,设目标预测交通车的状态为xo=(xo,yo,θo)T,主车形状和交通车的形状分别记作和/>
进行不确定性建模,期望值为协方差矩阵为∑的状态向量x的概率密度函数为:
其中,x=(x,y,θ)T,∑为一个3×3的协方差矩阵,该矩阵是通过扩展卡尔曼滤波得出的结果,主车和交通车的概率密度函数被定义为
两者的碰撞概率为:
其中,
将碰撞概率采用蒙特卡洛模拟,模拟的公式如下:
式中,
γ是对主车与交通车的碰撞检测,当γ=1时,和/>在空间上存在交集,表明发生了碰撞,两者在空间上是否发生交集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721222.1A CN116758741A (zh) | 2023-06-19 | 2023-06-19 | 一种多维度不确定性感知的智能汽车碰撞概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310721222.1A CN116758741A (zh) | 2023-06-19 | 2023-06-19 | 一种多维度不确定性感知的智能汽车碰撞概率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116758741A true CN116758741A (zh) | 2023-09-15 |
Family
ID=87947402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310721222.1A Pending CN116758741A (zh) | 2023-06-19 | 2023-06-19 | 一种多维度不确定性感知的智能汽车碰撞概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758741A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116946089A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市蓝鲸智联科技股份有限公司 | 一种智能刹车辅助*** |
CN117912259A (zh) * | 2024-03-19 | 2024-04-19 | 中汽数据有限公司 | 一种基于汽车电子数据的交通事故再现方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-19 CN CN202310721222.1A patent/CN116758741A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116946089A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市蓝鲸智联科技股份有限公司 | 一种智能刹车辅助*** |
CN116946089B (zh) * | 2023-09-20 | 2024-01-02 | 深圳市蓝鲸智联科技股份有限公司 | 一种智能刹车辅助*** |
CN117912259A (zh) * | 2024-03-19 | 2024-04-19 | 中汽数据有限公司 | 一种基于汽车电子数据的交通事故再现方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
EP3474254B1 (en) | Surrounding environment recognition device | |
CN106428009B (zh) | 车辆轨迹确定的***和方法 | |
CN113031583B (zh) | 一种结构化道路避障方法 | |
Kim et al. | Probabilistic and holistic prediction of vehicle states using sensor fusion for application to integrated vehicle safety systems | |
Xu et al. | Dynamic modeling of driver control strategy of lane-change behavior and trajectory planning for collision prediction | |
CN116758741A (zh) | 一种多维度不确定性感知的智能汽车碰撞概率预测方法 | |
CN114312830B (zh) | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 | |
Zhang et al. | Automatic vehicle parallel parking design using fifth degree polynomial path planning | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
Ben-Messaoud et al. | Smooth obstacle avoidance path planning for autonomous vehicles | |
CN105631217A (zh) | 基于本车自适应虚拟车道的前方有效目标选择***及方法 | |
CN114237256B (zh) | 一种适用于欠驱动机器人的三维路径规划与导航方法 | |
Chae et al. | Design and vehicle implementation of autonomous lane change algorithm based on probabilistic prediction | |
Mouhagir et al. | A markov decision process-based approach for trajectory planning with clothoid tentacles | |
Coskun | Autonomous overtaking in highways: A receding horizon trajectory generator with embedded safety feature | |
CN114664094B (zh) | 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 | |
Do et al. | Lane change–intention inference and trajectory prediction of surrounding vehicles on highways | |
CN114291116B (zh) | 周围车辆轨迹预测方法、装置、车辆及存储介质 | |
CN117585017A (zh) | 一种自动驾驶车辆换道决策方法、装置、设备及存储介质 | |
Nilsson et al. | Automated highway lane changes of long vehicle combinations: A specific comparison between driver model based control and non-linear model predictive control | |
Yoon et al. | Trajectory Prediction Using Graph-Based Deep Learning for Longitudinal Control of Autonomous Vehicles: A Proactive Approach for Autonomous Driving in Urban Dynamic Traffic Environments | |
Lefèvre et al. | Intention-aware risk estimation: Field results | |
Yang et al. | Decision of driver intention of a surrounding vehicle using hidden Markov model with optimizing parameter estimation | |
Wang et al. | An Enabling Decision-Making Scheme by Considering Trajectory Prediction and Motion Uncertainty |
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 |