CN117227834B - 一种特种车辆人机协同转向控制方法 - Google Patents
一种特种车辆人机协同转向控制方法 Download PDFInfo
- Publication number
- CN117227834B CN117227834B CN202311490977.1A CN202311490977A CN117227834B CN 117227834 B CN117227834 B CN 117227834B CN 202311490977 A CN202311490977 A CN 202311490977A CN 117227834 B CN117227834 B CN 117227834B
- Authority
- CN
- China
- Prior art keywords
- driver
- vehicle
- load level
- man
- special vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002787 reinforcement Effects 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种特种车辆人机协同转向控制方法,包括实时获取驾驶员心率、皮肤电导率、驾驶员力矩的多源生理数据和车辆姿态数据,根据采集到的多源数据辨识驾驶员心理负荷水平、评估特种车辆行车风险程度,并以此设计强化学***和行车风险程度动态改变特种车辆人机协同转向权重,改善特种车辆安全性、稳定性和驾驶员负担。
Description
技术领域
本发明涉及特种车辆技术领域,具体为一种特种车辆人机协同转向控制方法。
背景技术
特种车辆由于执行特殊任务,往往行驶在一些复杂恶劣的非结构化地形下,对特种车辆的稳定性和安全性提出了更高的要求。而现有的无人驾驶技术在面对这种高时变、未知的动态变化环境时,难以动态决策控制,导致特种车辆的完全无人驾驶在短期内难以实现。人机共享控制结合驾驶员在未知动态环境下的快速决策能力,以及无人驾驶***精准控制的优势,正成为特种车辆智能驾驶领域一个很有前景的方向。
作为一种有效的人机共享控制***,人机协同转向控制在提高特种车辆安全性、稳定性和改善驾驶员负担方面具有很大的潜力。然而,目前国内外学者主要针对传统汽车进行人机协同转向控制***设计,很少考虑特种车辆的人机协同转向控制。因此,亟需设计一种特种车辆人机协同转向控制方法。
如何合理分配自动***控制器与驾驶员之间的驾驶权是设计特种车辆人机协同转向控制***的关键。目前,国内外学者主要依据车道偏差、驾驶员疲劳状态分配智能汽车人机协同***的驾驶权。而特种车辆由于执行任务的特殊性,需要更多注重车辆的安全性和稳定性。同时,复杂多变的路况往往更容易造成驾驶员的紧张,增加驾驶员的心理负荷,而驾驶员的心理负荷又会直接影响特种车辆的安全性和稳定性。因此,在设计特种车辆人机协同转向控制***时需要综合考虑特种车辆的安全性、稳定性和驾驶员的心理负荷;
传统智能汽车人机协同转向控制***主要依据车道偏差和驾驶员疲劳状态,通过模糊控制、模型预测控制等方法分配驾驶权,很少考虑车辆稳定性和驾驶员心理负荷。同时,传统控制方法在分配驾驶权时过于依赖人为经验和模型精度,难以适应特种车辆高时变、未知的行车环境。
强化学习通过与环境的不断交互进行试错和学习,使得其具有较强的适应性,能够应对特种车辆非结构化和未知的行车环境。同时,强化学习技术能够综合考虑特种车辆的安全性、稳定性和驾驶员的心理负荷,选择不同的奖励函数,通过最大化累计奖励动态调整人机协同转向控制***的驾驶权,能够大大改善特种车辆的安全性、稳定性和驾驶员负担。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
因此,本发明的目的是提供一种特种车辆人机协同转向控制方法,根据驾驶员心理负荷水平和行车风险程度动态改变特种车辆人机协同转向权重,改善特种车辆安全性、稳定性和驾驶员负担。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种特种车辆人机协同转向控制方法,其包括:
S1、实时获取驾驶员心率、皮肤电导率、驾驶员力矩的多源生理数据和车辆姿态数据;
S2、根据采集到的多源数据辨识驾驶员心理负荷水平、评估特种车辆行车风险程度,并以此设计强化学习的奖励函数,通过强化学习的双延迟深度确定性策略梯度算法决策出特种车辆人机协同转向的驾驶权重;
S3、基于驾驶权重融合驾驶员与自动***控制器的方向盘转角,得到人机协同模式下实际的特种车辆方向盘转角,实现对特种车辆的人机协同转向控制;
;
其中,为自动***控制器施加的方向盘转角,/>为驾驶员施加的方向盘转角,为人机协同模式下实际的方向盘转角,/>为人机协同模式下驾驶员的驾驶权重。
作为本发明所述的一种特种车辆人机协同转向控制方法的一种优选方案,其中,所述步骤S1中,通过心率传感器、电导率仪、力矩传感器、横摆角速度传感器实时获取驾驶员心率、皮肤电导率、驾驶员力矩的多源生理数据和车辆姿态数据。
作为本发明所述的一种特种车辆人机协同转向控制方法的一种优选方案,其中,所述步骤S2中,辨识驾驶员心理负荷水平的步骤如下;
获取驾驶员心率,皮肤电导率/>,车辆横向加速度/>、方向盘转动频率/>;
从驾驶员生理数据和车辆数据中提取心率变异性、平均皮肤电导、平均加速度和方向盘转动频率。作为驾驶员心理负荷水平分类的特征输入,对不同特征参数进行归一化处理;
从驾驶员生理信号和车辆信号的数据集中选择三个样本作为初始聚类中心,将数据集中的每个样本分配到距离最近的聚类中心所属的类别,对于三个驾驶员心理负荷类别,计算其类别中所有样本的均值,将所得均值作为新的聚类中心,重复计算并更新类别和聚类中心,直到聚类中心不再变化,将每个样本分配给最接近的聚类中心所属的类别,得到最终的驾驶员心理负荷水平聚类结果。
作为本发明所述的一种特种车辆人机协同转向控制方法的一种优选方案,其中,通过支持向量机构建驾驶员心理负荷水平在线辨识模型,支持向量机的输入为驾驶员生理数据和车辆数据,输出为驾驶员心理负荷水平,利用K-means的聚类结果作为支持向量机的训练数据,训练驾驶员心理负荷水平在线辨识模型,最终实现驾驶员心理负荷水平在线辨识;
其中,驾驶员心理负荷水平分为高、中、低。
作为本发明所述的一种特种车辆人机协同转向控制方法的一种优选方案,其中,通过心率传感器、电导率仪、加速度传感器和频率传感器分别获取驾驶员心率,皮肤电导率/>,车辆横向加速度/>、方向盘转动频率/>。
作为本发明所述的一种特种车辆人机协同转向控制方法的一种优选方案,其中,所述步骤S2中,评估特种车辆行车风险程度的步骤如下:
计算车辆稳定性,
其中,,/>和/>分别表示横摆稳定性和侧倾稳定性对车辆稳定性的影响权重,/>为车速,/>为前轮转角,/>为稳定性因数,/>为车辆的轴距,/>是车辆质量,/>为车辆的侧倾角,/>为车辆的侧向加速度;
构建障碍物风险函数,/>;
为障碍物/>的运动状态,/>为动态障碍物的速度,/>为动态障碍物速度对运动状态的影响权重,/>为障碍物/>的质量,/>为障碍物/>的形状,/>为车辆与障碍物距离,/>表示障碍物信息对障碍物风险的影响增益,/>为障碍物的个数;
根据车辆自身稳定性和障碍物风险程度构建特种车辆行车风险函数:
;
其中,和/>分别为车辆稳定性和障碍物风险的权重系数。
作为本发明所述的一种特种车辆人机协同转向控制方法的一种优选方案,其中,所述步骤S2中,强化学习奖励函数定义为:
;
式中:分别为各个参数的增益,/>的值均为负数,低、中、高分别表示驾驶员心理负荷水平。
与现有技术相比,本发明具有的有益效果是:本发明在特种车辆背景下设计人机协同转向控制***,克服智能汽车人机协同转向控制***很少综合考虑车辆稳定性和驾驶员心理负荷的缺陷,构建基于强化学***和行车风险程度动态决策特种车辆人机协同转向权重,对驾驶权分配进行动态优化,能够大大改善特种车辆的安全性、稳定性和驾驶员负担。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一种特种车辆人机协同转向控制方法的流程图;
图2为本发明驾驶员心理负荷水平辨识方法的流程图;
图3为本发明特种车辆行车风险程度评估方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
一种特种车辆人机协同转向控制方法研究路线如图1所示。首先,通过心率传感器、电导率仪、力矩传感器、横摆角速度传感器等设备实时获取驾驶员心率、皮肤电导率、驾驶员力矩等多源生理数据和车辆姿态数据;其次,根据采集到的多源数据辨识驾驶员心理负荷水平、评估特种车辆行车风险程度,并以此设计强化学习的奖励函数,通过强化学习的双延迟深度确定性策略梯度算法(TD3)决策出特种车辆人机协同转向的驾驶权重;最后,基于驾驶权重融合驾驶员与自动***控制器的方向盘转角,得到人机协同模式下实际的特种车辆方向盘转角,实现对特种车辆的人机协同转向控制。
其中,为自动***控制器施加的方向盘转角,/>为驾驶员施加的方向盘转角,为人机协同模式下实际的方向盘转角,/>为人机协同模式下自动***控制器的驾驶权重。
驾驶员心理负荷水平辨识方法的研究路线如图2所示,由于目前国内外对特种车辆驾驶员心理负荷水平的研究较少,缺乏真实标签。因此,本发明采用无监督分类算法K-means,通过离线聚类,构建特种车辆驾驶员心理负荷水平数据集。虽然目前K-means算法可以实现在线分类,但在处理高维数据时存在鲁棒性差、响应时间慢、效率低等问题。而支持向量机不容易受到维度灾难的影响,泛化性、动态响应特性和鲁棒性较强。因此,基于K-means离线聚类构建的特种车辆驾驶员心理负荷水平数据集,通过训练支持向量机最终实现特种车辆驾驶员心理负荷水平高效在线辨识。
首先使用K-means聚类方法对驾驶员心理负荷水平进行离线分类,为了准确辨识驾驶员的心理负荷水平,通过心率传感器、电导率仪、加速度传感器和频率传感器分别获取驾驶员心率,皮肤电导率/>,车辆横向加速度/>、方向盘转动频率/>,从驾驶员生理数据和车辆数据中提取心率变异性、平均皮肤电导、平均加速度和方向盘转动频率。作为驾驶员心理负荷水平分类的特征输入,为了避免不同特征参数之间数量级相差过大,对不同特征参数进行归一化处理。本发明将驾驶员心理负荷水平分为高、中、低三类,因此设置聚类数目为,从驾驶员生理信号和车辆信号的数据集中选择三个样本作为初始聚类中心。将数据集中的每个样本分配到距离最近的聚类中心所属的类别。对于三个驾驶员心理负荷类别,计算其类别中所有样本的均值,将所得均值作为新的聚类中心。重复计算并更新类别和聚类中心,直到聚类中心不再变化,将每个样本分配给最接近的聚类中心所属的类别,得到最终的驾驶员心理负荷水平聚类结果。
其次,为了提高驾驶员心理负荷水平辨识模型的效率,通过支持向量机构建驾驶员心理负荷水平在线辨识模型,支持向量机的输入为驾驶员生理数据和车辆数据,输出为驾驶员心理负荷水平(高、中、低),利用K-means的聚类结果作为支持向量机的训练数据,训练驾驶员心理负荷水平在线辨识模型,最终实现驾驶员心理负荷水平在线辨识。
特种车辆行车风险程度评估方法的研究路线如图3所示。本发明主要通过特种车辆自身稳定性和障碍物风险表征特种车辆行车风险程度。特种车辆自身稳定性主要包括横摆稳定性和侧倾稳定性,本发明通过计算横摆角速度()来表示横摆稳定性,通过计算横向载荷转移率(/>)来表示侧倾稳定性,则车辆稳定性/>,
,/>,式中:/>和/>分别表示横摆稳定性和侧倾稳定性对车辆稳定性的影响权重,/>为车速,/>为前轮转角,/>为稳定性因数,/>为车辆的轴距,/>是车辆质量,/>为车辆的侧倾角,/>为车辆的侧向加速度。
无论是静态障碍物还是动态障碍物都会对车辆造成一定的行车风险,风险程度取决于障碍物本身的运动状态、质量、形状以及与车辆的距离。因此构建障碍物风险函数为:
,/>;
式中:为障碍物/>的运动状态,/>为动态障碍物的速度,/>为动态障碍物速度对运动状态的影响权重,/>为障碍物/>的质量,/>为障碍物/>的形状,/>为车辆与障碍物距离,/>表示障碍物信息对障碍物风险的影响增益,/>为障碍物的个数。
根据车辆自身稳定性和障碍物风险程度构建特种车辆行车风险函数:,式中:/>和/>分别为车辆稳定性和障碍物风险的权重系数。
采用具有连续动作空间的双延迟深度确定性策略梯度算法(TD3),训练特种车辆人机协同转向驾驶权的智能决策模型,输出特种车辆人机协同转向的驾驶权重。TD3深度强化学习算法包含Actor网络和Critic网络,在Actor-Critic框架下实现强化学习智能体的学习训练过程。强化学习智能体的输入为观测值,包括驾驶员心率,皮肤电导/>,车辆加速度/>、方向盘转动频率/>、车辆与障碍物距离/>。智能体的输出为人机协同转向驾驶权重/>,/>的范围设定为(0,1)。当/>为0时表示此时车辆完全由驾驶员控制转向,当/>为1时表示此时车辆完全由自动***控制器控制转向。
强化学习智能体训练程序终止条件为驾驶员心率超过安全阈值(医院规定超过100次/分钟为心率过速)或车辆与障碍物距离/>小于安全预警距离/>,即:
通过强化学***作为构建强化学***为低时,更多考虑提高特种车辆的行车安全;当驾驶员心理负荷水平为中等时,考虑提高特种车辆行车安全的同时减轻驾驶员负荷;当驾驶员心理负荷水平为高时,保证车辆行车安全的同时更多考虑减轻驾驶员负担,基于上述设定的规则,强化学习奖励函数/>定义为:
式中:分别为各个参数的增益,/>的值均为负数,低、中、高分别表示驾驶员心理负荷水平。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (2)
1.一种特种车辆人机协同转向控制方法,其特征在于,包括:
S1、实时获取驾驶员心率、皮肤电导率、驾驶员力矩的多源生理数据和车辆姿态数据;
S2、根据采集到的多源数据辨识驾驶员心理负荷水平、评估特种车辆行车风险程度,并以此设计强化学习的奖励函数,通过强化学习的双延迟深度确定性策略梯度算法决策出特种车辆人机协同转向的驾驶权重;
S3、基于驾驶权重融合驾驶员与自动***控制器的方向盘转角,得到人机协同模式下实际的特种车辆方向盘转角实现对特种车辆的人机协同转向控制;
其中,为自动***控制器施加的方向盘转角,/>为驾驶员施加的方向盘转角,/>为人机协同模式下实际的方向盘转角,α为人机协同模式下驾驶员的驾驶权重;
所述步骤S2中,辨识驾驶员心理负荷水平的步骤如下:
获取驾驶员心率Hr,皮肤电导率Sc,车辆横向加速度a、方向盘转动频率fsw;
从驾驶员生理数据和车辆数据中提取心率变异性、平均皮肤电导、平均加速度和方向盘转动频率,作为驾驶员心理负荷水平分类的特征输入,对不同特征参数进行归一化处理;
从驾驶员生理信号和车辆信号的数据集中选择三个样本作为初始聚类中心,将数据集中的每个样本分配到距离最近的聚类中心所属的类别,对于三个驾驶员心理负荷类别,计算其类别中所有样本的均值,将所得均值作为新的聚类中心,重复计算并更新类别和聚类中心,直到聚类中心不再变化,将每个样本分配给最接近的聚类中心所属的类别,得到最终的驾驶员心理负荷水平聚类结果;
通过支持向量机构建驾驶员心理负荷水平在线辨识模型,支持向量机的输入为驾驶员生理数据和车辆数据,输出为驾驶员心理负荷水平,利用K-means的聚类结果作为支持向量机的训练数据,训练驾驶员心理负荷水平在线辨识模型,最终实现驾驶员心理负荷水平在线辨识;
其中,驾驶员心理负荷水平分为高、中、低;
通过心率传感器、电导率仪、加速度传感器和频率传感器分别获取驾驶员心率Hr,皮肤电导率Sc,车辆横向加速度a、方向盘转动频率fsw;
所述步骤S2中,评估特种车辆行车风险程度的步骤如下:
计算车辆稳定性Gl=λ1Wr+λ2Ltr,
其中,Wr=Vδsw/L(1+kV2),λ1和λ2分别表示横摆稳定性和侧倾稳定性对车辆稳定性的影响权重,V为车速,δsw为前轮转角,k为稳定性因数,L为车辆的轴距,m是车辆质量,h为车辆的侧倾角,/>为车辆的侧向加速度;
构建障碍物风险函数
Sz为障碍物z的运动状态,vz为动态障碍物的速度,λ4为动态障碍物速度对运动状态的影响权重,mz为障碍物z的质量,Hz为障碍物z的形状,Ez为车辆与障碍物距离,λ3表示障碍物信息对障碍物风险的影响增益,k为障碍物的个数;
根据车辆自身稳定性和障碍物风险程度构建特种车辆行车风险函数:
G=λ5Gl+λ6Go;
其中,λ5和λ6分别为车辆稳定性和障碍物风险的权重系数;
所述步骤S2中,强化学习奖励函数R定义为:
式中:Ki(i=1,2......9)分别为各个参数的增益,Ki的值均为负数,低、中、高分别表示驾驶员心理负荷水平。
2.根据权利要求1所述的一种特种车辆人机协同转向控制方法,其特征在于,所述步骤S1中,通过心率传感器、电导率仪、力矩传感器、横摆角速度传感器实时获取驾驶员心率、皮肤电导率、驾驶员力矩的多源生理数据和车辆姿态数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311490977.1A CN117227834B (zh) | 2023-11-10 | 2023-11-10 | 一种特种车辆人机协同转向控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311490977.1A CN117227834B (zh) | 2023-11-10 | 2023-11-10 | 一种特种车辆人机协同转向控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117227834A CN117227834A (zh) | 2023-12-15 |
CN117227834B true CN117227834B (zh) | 2024-01-30 |
Family
ID=89091518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311490977.1A Active CN117227834B (zh) | 2023-11-10 | 2023-11-10 | 一种特种车辆人机协同转向控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117227834B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829256A (zh) * | 2024-01-08 | 2024-04-05 | 南京航空航天大学 | 基于深度强化学习人机共驾转向权重系数预测分配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113335291A (zh) * | 2021-07-27 | 2021-09-03 | 燕山大学 | 一种基于人车风险状态的人机共驾控制权决策方法 |
CN113650609A (zh) * | 2021-09-28 | 2021-11-16 | 中国科学技术大学先进技术研究院 | 基于模糊规则的人机共驾控制权柔性转移方法及*** |
CN114802306A (zh) * | 2022-04-29 | 2022-07-29 | 宁波均胜智能汽车技术研究院有限公司 | 一种基于人机共驾理念的智能车辆集成式决策*** |
CN116872971A (zh) * | 2023-08-07 | 2023-10-13 | 山东大学 | 一种基于人机协同增强的自动驾驶控制决策方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11460842B2 (en) * | 2017-08-28 | 2022-10-04 | Motional Ad Llc | Mixed-mode driving of a vehicle having autonomous driving capabilities |
-
2023
- 2023-11-10 CN CN202311490977.1A patent/CN117227834B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113335291A (zh) * | 2021-07-27 | 2021-09-03 | 燕山大学 | 一种基于人车风险状态的人机共驾控制权决策方法 |
CN113650609A (zh) * | 2021-09-28 | 2021-11-16 | 中国科学技术大学先进技术研究院 | 基于模糊规则的人机共驾控制权柔性转移方法及*** |
CN114802306A (zh) * | 2022-04-29 | 2022-07-29 | 宁波均胜智能汽车技术研究院有限公司 | 一种基于人机共驾理念的智能车辆集成式决策*** |
CN116872971A (zh) * | 2023-08-07 | 2023-10-13 | 山东大学 | 一种基于人机协同增强的自动驾驶控制决策方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117227834A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568760B (zh) | 适用于换道及车道保持的参数化学习决策控制***及方法 | |
CN107561942B (zh) | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
US11720099B2 (en) | Control method of automatic driving imported “smart gains” model, device and program | |
CN117227834B (zh) | 一种特种车辆人机协同转向控制方法 | |
Baṣlamiṣli et al. | Handling stability improvement through robust active front steering and active differential control | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
CN114379583B (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪***及方法 | |
Goodarzi et al. | Design and analysis of an intelligent controller for active geometry suspension systems | |
US11354915B2 (en) | Image extraction method importing into SDL model | |
CN114228690B (zh) | 一种基于ddpg和迭代控制的自动驾驶车辆侧倾控制方法 | |
CN111559378A (zh) | 一种考虑驾驶员特性的四轮独驱电动车动力学控制方法 | |
CN111824182B (zh) | 一种基于深度强化学习的三轴重型车自适应巡航控制算法 | |
CN107132840A (zh) | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 | |
Liu et al. | Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm | |
Hongbo et al. | Lane‐keeping control based on an improved artificial potential method and coordination of steering/braking systems | |
CN113015981A (zh) | 利用第一原则和约束进行有效、连续和安全学习的***和方法 | |
Wang et al. | Lane keeping assist for an autonomous vehicle based on deep reinforcement learning | |
Jurisch | Vertical trajectory planning: an optimal control approach for active suspension systems in autonomous vehicles | |
Sousa et al. | Nonlinear tire model approximation using machine learning for efficient model predictive control | |
CN113184040B (zh) | 一种基于驾驶人转向意图的无人车线控转向控制方法及*** | |
CN113341994B (zh) | 一种基于分段仿射***最优控制的智能汽车路径跟踪控制方法 | |
Aalizadeh et al. | Combination of particle swarm optimization algorithm and artificial neural network to propose an efficient controller for vehicle handling in uncertain road conditions | |
CN111923916B (zh) | 一种基于视觉感知行为和anfis的仿人转向建模方法及转向控制*** | |
CN116495014B (zh) | 一种自进化非博弈自动驾驶车辆人机共驾方法及*** |
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 |