CN117932234A - 一种用于制作刹车标定表的数据处理方法及*** - Google Patents
一种用于制作刹车标定表的数据处理方法及*** Download PDFInfo
- Publication number
- CN117932234A CN117932234A CN202410338613.XA CN202410338613A CN117932234A CN 117932234 A CN117932234 A CN 117932234A CN 202410338613 A CN202410338613 A CN 202410338613A CN 117932234 A CN117932234 A CN 117932234A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- driving
- brake pedal
- navigation
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 230000001133 acceleration Effects 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000006641 stabilisation Effects 0.000 claims abstract description 21
- 238000011105 stabilization Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000003068 static effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 5
- 230000035484 reaction time Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种用于制作刹车标定表的数据处理方法及***，涉及车辆导航数据处理技术领域，包括采集驾驶场景中的车辆数据，对车辆数据进行预处理；基于预处理后的车辆数据，通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型；通过车速稳定点和车辆导航距离约束，在卡尔曼滤波和神经网络的结合下，输出不同驾驶模式下制动踏板和纵向加速度的映射关系，优化车辆导航和行驶轨迹。本发明所述方法通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型，提高了驾驶安全性和导航效率；通过卡尔曼滤波和神经网络的优势，对制动踏板使用和纵向加速度之间的关系进行了深入分析和预测，提高了车辆导航数据处理的准确性和驾驶体验以及安全。
Description
技术领域
本发明涉及车辆导航数据处理技术领域，具体为一种用于制作刹车标定表的数据处理方法及***。
背景技术
在现代汽车工业中，车辆数据处理技术的发展已成为提高驾驶安全性和效率的关键，随着自动驾驶技术的兴起，对车辆行为的精确预测和控制变得尤为重要，传统的车辆数据处理方法主要依赖于基础的传感器数据，如车速、加速度等，以及简单的数据处理算法，这些方法在处理复杂驾驶场景时往往显得力不从心，尤其是在动态变化的路况和多变的驾驶模式下，近年来，随着计算能力的提升和机器学习技术的发展，车辆数据处理开始向更高级的数据分析和预测模型转变，特别是卡尔曼滤波和神经网络的结合使用，为车辆行为分析提供了新的视角。
然而，尽管技术不断进步，现有的车辆数据处理方法仍存在一些不足，首先，大多数方法在处理高维度和复杂数据时效率不高，难以实时响应，其次，现有技术在处理不确定性和非线性问题时往往缺乏精确性，这在复杂的驾驶环境中尤为明显，此外，现有技术在融合多源数据进行综合决策时还存在一定的局限性，如难以准确预测在不同驾驶模式下的车辆行为。
我方发明通过利用滑动窗口技术筛选出车速稳定点，这有助于识别出驾驶过程中的关键时刻，还能为后续的数据处理提供准确的基准，结合了卡尔曼滤波和神经网络技术，不仅提高了数据处理的精确度，还能有效处理非线性和不确定性问题，这种结合利用了卡尔曼滤波在状态估计中的优势和神经网络在模式识别和预测中的强大能力，通过这种方法，能够更准确地输出不同驾驶模式下制动踏板和纵向加速度的映射关系，从而优化车辆导航和行驶轨迹，这不仅提高了驾驶的安全性和舒适性，还为智能驾驶***的发展奠定了坚实的基础。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的车辆导航数据处理方法存在效率低，精准度低，局限性，以及如何通过车辆导航数据进行油门刹车控制和车辆导航规划的问题。
为解决上述技术问题，本发明提供如下技术方案：一种用于制作刹车标定表的数据处理方法，包括采集驾驶场景中的车辆数据，对车辆数据进行预处理；基于预处理后的车辆数据，通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型；通过车速稳定点和车辆导航距离约束，在卡尔曼滤波和神经网络的结合下，输出不同驾驶模式下制动踏板和纵向加速度的映射关系，优化车辆导航和行驶轨迹。
作为本发明所述的用于制作刹车标定表的数据处理方法的一种优选方案，其中：所述采集驾驶场景中的车辆数据包括车速数据、制动踏板数据、纵向加速度数据、RTK和导航数据、车辆状态数据以及驾驶员行为数据；车速数据包括瞬时车速、平均车速；制动踏板数据包括制动踏板角度、制动踏板深度以及制动踏板使用频率；纵向加速度数据包括加速度峰值、加速度变化率；RTK和导航数据包括实时地理坐标、行驶路线和行驶距离；车辆状态数据包括发动机参数、车辆负载以及燃油效率；驾驶员行为数据包括操控输入、反应时间。
作为本发明所述的用于制作刹车标定表的数据处理方法的一种优选方案，其中：所述对车辆数据进行预处理包括通过一阶滤波器对车辆数据中的车速数据、制动踏板数据、纵向加速度数据以及RTK和导航数据进行噪声处理，设置噪声波动约束，去除尖峰、毛刺数据，将剩余数据进行合并处理，滤波器差分方程表示为：
；
其中，t表示时间，y(t)表示实时输出值，x(t)表示实时输入值，y(t-1)为上一时刻的输出值，a为滤波器的系数；RTK和导航数据噪声波动约束表示为：
；
其中，为时间窗口的长度，/>为调节系数，/>控制RTK和导航数据噪声的敏感度和滤波程度，/>为RTK和导航数据，当/>大于0.6时，RTK和导航数据为噪声数据，进行数据去除。
当小于等于0.6时，RTK和导航数据为正常数据，进行数据保留。
作为本发明所述的用于制作刹车标定表的数据处理方法的一种优选方案，其中：所述通过滑动窗口筛选车速稳定点包括将噪声处理后的车速数据导入滑动窗口，单个车速数据时间窗口为，滑动窗口中速度数据点表示为：
；
其中，表示t时刻的速度，/>表示在时间窗口的长度T内的所有速度数据；滑动窗口中车速稳定点下的车速设置C表示为：
；
其中，n为被10整除的正整数，滑动窗口中平均车速表示为：
；
连续时间窗口的长度T下的均值车速的绝对值表示为：
；
设置数据平均差值的阈值，当满足/>时，将两个连续时间窗口的信息进行合并为新时间窗口，当不满足/>时，将数据剔除。
作为本发明所述的用于制作刹车标定表的数据处理方法的一种优选方案，其中：所述构建车辆导航距离约束模型包括基于车辆数据，对车辆行驶过程中与物体距离进行约束分析，综合分析车辆数据状况，当车辆向静态物体靠近时，约束模型为静态车辆导航距离约束模型，表示为：
；
其中，为瞬时车速，/>为纵向加速度，/>为制动踏板深度，/>和/>分别表示RTK实时地理坐标和预定行驶路线上的点，/>为车辆负载，/>为驾驶员反应时间，/>为调节系数，/>和/>为车辆速度影响系数，当静态车辆导航距离约束模型值大于0米小于等于2米时，车辆导航距离为危险距离，车辆与静态物体有碰撞风险，制动踏板做减速处理，通过RTK和导航数据，对车辆进行轨迹规划，当车辆导航距离持续减少50%时进行刹车处理。
当静态车辆导航距离约束模型值大于2米时，车辆导航距离为安全距离，车辆与静态物体无碰撞风险，通过RTK和导航数据，对车辆进行轨迹规划。
当车辆向动态物体靠近时，约束模型为动态车辆导航距离约束模型，表示为：
；
其中，为动态物体移动特性参数，/>为动态移动调节系数，/>表示车辆与动态物体的相对移动速度，当动态车辆导航距离约束模型值大于1米小于等于3米时，车辆导航距离为危险距离，制动踏板做减速处理，通过RTK和导航数据，对车辆进行轨迹规划，当车辆导航距离持续减少30%时进行刹车处理。
当动态车辆导航距离约束模型值大于0米小于等于1米时，车辆导航距离为危险距离，通过RTK和导航数据，对车辆进行轨迹规划，若轨迹规划无法避免碰撞危险，车辆打开双闪并进行鸣笛，警示动态物体有碰撞风险并进行刹车处理，当动态车辆导航距离约束模型值大于3米时，车辆导航距离为安全距离。
作为本发明所述的用于制作刹车标定表的数据处理方法的一种优选方案，其中：所述卡尔曼滤波和神经网络的结合包括将卡尔曼滤波中的状态估计量、卡尔曼增益以及测量状态量通过神经网络进行训练，获取最终预测稳态车速与制动踏板深度间的关系，建立数据分析模型，选择车辆状态量和观测量，表示为：
；
其中，表示t时刻的制动踏板的深度检测值，/>表示t时刻的速度，/>表示时间差，/>表示t时刻纵向加速度。
通过状态转移矩阵，控制矩阵/>，建立卡尔曼预测方程，表示为：
；
其中，表示制动踏板深度在t时刻的估计值，/>表示制动踏板深度在上一时刻的估计值，/>表示在上一时刻的纵向加速度估计值；引入协方差矩阵表示确定估计值的不确定性，表示为：
；
其中，表示t时刻的预测协方差矩阵，/>上一时刻的误差，/>为过程噪声；建立卡尔曼滤波的观测模型，表示为：
；
其中，为t时刻的检测值，/>为上一时刻的状态向量，H为观测矩阵，v为观测噪声；对卡尔曼滤波进行状态更新，表示为：
；
其中，R为观测噪声协方差矩阵，为卡尔曼增益；对噪声协方差矩阵进行更新，建立神经网络结构包含输入层、隐含层以及输出层，将预测值/>、卡尔曼滤波的增益矩阵、观测方程的观测值/>输入建立的神经网络；将卡尔曼滤波值与真实值间的误差作为神经网络的输出，神经网络的训练过程表示为：
；
其中，为学习因子，/>为动量因子，/>表示时间t连接l-1层中的第i个神经元与l层中的第j个神经元间的权值变化量，/>表示第l层神经元期望输出与真实输出值间的差值，/>表示时刻t第l-1层的第i个神经元的输出，传递函数采用sigmoid函数。
作为本发明所述的用于制作刹车标定表的数据处理方法的一种优选方案，其中：所述输出不同驾驶模式下制动踏板和纵向加速度的映射关系包括通过车速稳定点和车辆导航距离约束，基于卡尔曼滤波与神经网络相结合，进行对车速、制动踏板深度、加速度间映射关系的预测，优化车辆导航和行驶轨迹，驾驶模式包括直线驾驶模式、南北方向驾驶模式、舒适驾驶模式、运动驾驶模式。
直线驾驶模式包括在直线道路进行车辆驾驶，基于静态车辆导航距离约束模型和动态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
南北方向驾驶模式包括在城市或多变道路环境中进行车辆驾驶，基于卡尔曼滤波与神经网络相结合，通过制动踏板的深度检测值进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
舒适驾驶模式包括在城市道路或拥堵的交通条件下进行车辆驾驶，基于静态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
运动驾驶模式包括在赛道上或开放道路上进行车辆驾驶，基于卡尔曼滤波与神经网络相结合、动态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
本发明的另外一个目的是提供一种用于制作刹车标定表的数据处理***，其能通过车速稳定点和车辆导航距离约束，在卡尔曼滤波和神经网络的结合下，输出不同驾驶模式下制动踏板和纵向加速度的映射关系，优化车辆导航和行驶轨迹及车辆纵向控制性能，解决了目前的车辆导航数据处理效率低及使用过程中因车辆磨损导致的纵向控制性能降低的问题。
作为本发明所述的用于制作刹车标定表的数据处理***的一种优选方案，其中：包括数据处理模块，车速约束模块，踏板控制模块；所述数据处理模块用于采集驾驶场景中的车辆数据，对车辆数据进行预处理；所述车速约束模块用于基于预处理后的车辆数据，通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型；所述踏板控制模块用于通过车速稳定点和车辆导航距离约束，在卡尔曼滤波和神经网络的结合下，输出不同驾驶模式下制动踏板和纵向加速度的映射关系，优化车辆导航、行驶轨迹和纵向控制性能。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序是实现用于制作刹车标定表的数据处理方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现用于制作刹车标定表的数据处理方法的步骤。
本发明的有益效果：本发明提供的用于制作刹车标定表的数据处理方法通过对车辆数据进行预处理，为更复杂的数据分析和模型构建提供了清晰、准确的基础数据，提高了车辆数据处理的分析精度和响应速度；通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型，有效地识别出驾驶过程中的关键时刻和模式，提高了对车辆行为的理解和预测能力，使得车辆导航***能够更加智能和适应性强，提高了驾驶安全性和导航效率；通过卡尔曼滤波和神经网络的优势，对车辆的制动踏板使用和纵向加速度之间的复杂关系进行了深入分析和预测，使得车辆导航***能够更加精确地适应不同的驾驶条件和环境，提高了车辆导航数据处理的准确性和驾驶体验以及安全，本发明在精准度、效率以及可靠性方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明第一个实施例提供的一种用于制作刹车标定表的数据处理方法的整体流程图。
图2为本发明第三个实施例提供的一种用于制作刹车标定表的数据处理***的整体流程图。
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，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
实施例1
参照图1，为本发明的一个实施例，提供了一种用于制作刹车标定表的数据处理方法，包括：
S1：采集驾驶场景中的车辆数据，对车辆数据进行预处理。
更进一步的，采集驾驶场景中的车辆数据包括车速数据、制动踏板数据、纵向加速度数据、RTK和导航数据、车辆状态数据以及驾驶员行为数据；车速数据包括瞬时车速、平均车速；制动踏板数据包括制动踏板角度、制动踏板深度以及制动踏板使用频率；纵向加速度数据包括加速度峰值、加速度变化率；RTK和导航数据包括实时地理坐标、行驶路线和行驶距离；车辆状态数据包括发动机参数、车辆负载以及燃油效率；驾驶员行为数据包括操控输入、反应时间。
应说明的是，对车辆数据进行预处理包括通过一阶滤波器对车辆数据中的车速数据、制动踏板数据、纵向加速度数据以及RTK和导航数据进行噪声处理，设置噪声波动约束，去除尖峰、毛刺数据，将剩余数据进行合并处理，滤波器差分方程表示为：
；
其中，t表示时间，y(t)表示实时输出值，x(t)表示实时输入值，y(t-1)为上一时刻的输出值，a为滤波器的系数；RTK和导航数据噪声波动约束表示为：
；
其中，为时间窗口的长度，/>为调节系数，/>控制RTK和导航数据噪声的敏感度和滤波程度，/>为RTK和导航数据，当/>大于0.6时，RTK和导航数据为噪声数据，进行数据去除；当/>小于等于0.6时，RTK和导航数据为正常数据，进行数据保留。
还应说明的是，涵盖制动踏板角度、深度及使用频率，直接关联到驾驶安全和车辆控制效率，制动踏板的使用模式可以揭示驾驶员的驾驶习惯，如频繁或突然制动可能指向激进或不安全的驾驶行为，纵向加速度数据，包括加速度峰值和变化率，是评估车辆动态响应和驾驶员驾驶风格的重要参数，加速度数据有助于分析车辆的动力性能和驾驶员的加速习惯，在数据预处理方面，采用一阶滤波器对车辆数据进行噪声处理，有效去除了数据中的尖峰和毛刺，保留了有用信息，这种处理不仅提高了数据的准确性，也为后续的数据分析和决策提供了更可靠的基础，特别是对RTK和导航数据的噪声处理，通过设定阈值，确保了导航***的准确性和可靠性，从而提高了导航效率和驾驶安全性。
S2：基于预处理后的车辆数据，通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型。
更进一步的，通过滑动窗口筛选车速稳定点包括将噪声处理后的车速数据导入滑动窗口，单个车速数据时间窗口为，滑动窗口中速度数据点表示为：
；
其中，表示t时刻的速度，/>表示在时间窗口的长度T内的所有速度数据；滑动窗口中车速稳定点下的车速设置C表示为：
；
其中，n为被10整除的正整数，滑动窗口中平均车速表示为：
；
连续时间窗口的长度T下的均值车速的绝对值表示为：
；
设置数据平均差值的阈值，当满足/>时，将两个连续时间窗口的信息进行合并为新时间窗口，当不满足/>时，将数据剔除。
应说明的是，构建车辆导航距离约束模型包括基于车辆数据，对车辆行驶过程中与物体距离进行约束分析，综合分析车辆数据状况，当车辆向静态物体靠近时，约束模型为静态车辆导航距离约束模型，表示为：
；
其中，为瞬时车速，/>为纵向加速度，/>为制动踏板深度，/>和/>分别表示RTK实时地理坐标和预定行驶路线上的点，/>为车辆负载，/>为驾驶员反应时间，/>为调节系数，/>和/>为车辆速度影响系数，当静态车辆导航距离约束模型值大于0米小于等于2米时，车辆导航距离为危险距离，车辆与静态物体有碰撞风险，制动踏板做减速处理，通过RTK和导航数据，对车辆进行轨迹规划，当车辆导航距离持续减少50%时进行刹车处理。
当静态车辆导航距离约束模型值大于2米时，车辆导航距离为安全距离，车辆与静态物体无碰撞风险，通过RTK和导航数据，对车辆进行轨迹规划。
当车辆向动态物体靠近时，约束模型为动态车辆导航距离约束模型，表示为：
；
其中，为动态物体移动特性参数，/>为动态移动调节系数，/>表示车辆与动态物体的相对移动速度，当动态车辆导航距离约束模型值大于1米小于等于3米时，车辆导航距离为危险距离，制动踏板做减速处理，通过RTK和导航数据，对车辆进行轨迹规划，当车辆导航距离持续减少30%时进行刹车处理。
当动态车辆导航距离约束模型值大于0米小于等于1米时，车辆导航距离为危险距离，通过RTK和导航数据，对车辆进行轨迹规划，若轨迹规划无法避免碰撞危险，车辆打开双闪并进行鸣笛，警示动态物体有碰撞风险并进行刹车处理，当动态车辆导航距离约束模型值大于3米时，车辆导航距离为安全距离。
还应说明的是，首先，滑动窗口车速稳定点筛选通过将噪声处理后的车速数据导入滑动窗口，***能够有效地识别和分析车速稳定点，这一技术的应用不仅提高了车速数据的准确性，而且有助于更好地理解驾驶员的驾驶习惯和行为模式，例如，通过分析车速稳定点下的车速设置C，可以有效地预测和调整车辆的行驶速度，从而提高燃油效率和减少不必要的加速或减速，其次，构建车辆导航距离约束模型基于车辆数据，如瞬时车速、纵向加速度、制动踏板深度以及RTK和导航数据，对车辆行驶过程中与物体的距离进行约束分析，在提高驾驶安全方面尤为重要，例如，当车辆向静态物体靠近时，***会计算出一个安全距离，并在必要时通过制动踏板减速处理来避免碰撞，同样，当车辆接近动态物体时，***会考虑动态物体的移动特性，并相应地调整车辆的行驶轨迹和速度，以确保安全距离，这两个关键技术的结合，不仅提高了车辆导航的精确性和安全性，而且优化了驾驶体验，通过实时分析车辆和周围环境的动态数据，***能够预测潜在的风险并提前做出响应，从而显著减少交通事故的风险，此外，***还能够根据实时交通情况和驾驶员的行为模式，优化行驶路线，提高行驶效率。
S3：通过车速稳定点和车辆导航距离约束，在卡尔曼滤波和神经网络的结合下，输出不同驾驶模式下制动踏板和纵向加速度的映射关系，优化车辆导航和行驶轨迹。
更进一步的，卡尔曼滤波和神经网络的结合包括将卡尔曼滤波中的状态估计量、卡尔曼增益以及测量状态量通过神经网络进行训练，获取最终预测稳态车速与制动踏板深度间的关系，建立数据分析模型，选择车辆状态量和观测量，表示为：
；
其中，表示t时刻的制动踏板的深度检测值，/>表示t时刻的速度，/>表示时间差，/>表示t时刻纵向加速度。
通过状态转移矩阵，控制矩阵/>，建立卡尔曼预测方程，表示为：
；
其中，表示制动踏板深度在t时刻的估计值，/>表示制动踏板深度在上一时刻的估计值，/>表示在上一时刻的纵向加速度估计值。
引入协方差矩阵表示确定估计值的不确定性，表示为：
；
其中，表示t时刻的预测协方差矩阵，/>上一时刻的误差，/>为过程噪声；建立卡尔曼滤波的观测模型，表示为：
；
其中，为t时刻的检测值，/>为上一时刻的状态向量，H为观测矩阵，v为观测噪声；对卡尔曼滤波进行状态更新，表示为：
；
其中，R为观测噪声协方差矩阵，为卡尔曼增益；对噪声协方差矩阵进行更新，建立神经网络结构包含输入层、隐含层以及输出层，将预测值/>、卡尔曼滤波的增益矩阵、观测方程的观测值/>输入建立的神经网络；将卡尔曼滤波值与真实值间的误差作为神经网络的输出，神经网络的训练过程表示为：
；
其中，为学习因子，/>为动量因子，/>表示时间t连接l-1层中的第i个神经元与l层中的第j个神经元间的权值变化量，/>表示第l层神经元期望输出与真实输出值间的差值，/>表示时刻t第l-1层的第i个神经元的输出，传递函数采用sigmoid函数。
应说明的是，输出不同驾驶模式下制动踏板和纵向加速度的映射关系包括通过车速稳定点和车辆导航距离约束，基于卡尔曼滤波与神经网络相结合，进行对车速、制动踏板深度、加速度间映射关系的预测，优化车辆导航和行驶轨迹，驾驶模式包括直线驾驶模式、南北方向驾驶模式、舒适驾驶模式、运动驾驶模式。
直线驾驶模式包括在直线道路进行车辆驾驶，基于静态车辆导航距离约束模型和动态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
南北方向驾驶模式包括在城市或多变道路环境中进行车辆驾驶，基于卡尔曼滤波与神经网络相结合，通过制动踏板的深度检测值进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
舒适驾驶模式包括在城市道路或拥堵的交通条件下进行车辆驾驶，基于静态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
运动驾驶模式包括在赛道上或开放道路上进行车辆驾驶，基于卡尔曼滤波与神经网络相结合、动态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
还应说明的是，本发明融合了卡尔曼滤波和神经网络技术，旨在优化车辆导航和行驶轨迹，这种结合不仅提高了数据处理的准确性，还增强了***对复杂驾驶环境的适应能力，首先，卡尔曼滤波是一种有效的线性动态***状态估计方法，它通过考虑过程噪声和观测噪声，提供了一种优化的方式来估计***状态，如车辆的速度和位置，在本发明中，卡尔曼滤波用于估计制动踏板深度和车辆速度，这对于理解车辆的动态行为至关重要，通过状态转移矩阵和控制矩阵，卡尔曼滤波能够预测下一时刻的车辆状态，从而为驾驶决策提供数据支持，其次，神经网络的引入进一步增强了***的处理能力，神经网络以其强大的非线性映射能力和学习能力，能够从复杂的数据中提取模式和关系，神经网络用于训练和优化卡尔曼滤波的输出，从而提高预测的准确性，通过学习历史数据，神经网络能够更好地理解制动踏板深度与车辆速度之间的复杂关系，为驾驶员提供更准确的导航和行驶轨迹建议，此外，还考虑了不同的驾驶模式，如直线驾驶模式、南北方向驾驶模式、舒适驾驶模式和运动驾驶模式，每种模式都有其独特的驾驶特点和要求，通过卡尔曼滤波和神经网络的结合，***能够根据不同模式调整其预测和建议，从而提供更个性化的驾驶辅助。
实施例2
本发明的一个实施例，提供了一种用于制作刹车标定表的数据处理方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证，首先，选择了两款相似配置的车辆，一辆应用了本发明的数据处理***（实验车辆），另一辆使用传统的车辆数据处理***（对照车辆），实验车辆配备了高级传感器和数据处理单元，能够实时采集和处理车速、制动踏板使用情况、加速度、RTK和导航数据、车辆状态以及驾驶员行为数据，实验在城市交通环境中进行，包括高峰时段的城市道路和高速公路，实验车辆使用本发明的方法，通过一阶滤波器对采集的数据进行预处理，去除噪声，并通过卡尔曼滤波和神经网络技术分析车速稳定点，构建车辆导航距离约束模型，对照车辆则使用传统的车辆数据处理方法。
参考表1，实验期间，两车均在相同路线和条件下行驶，记录了车速、制动踏板使用频率、加速度变化、导航效率和安全响应时间等关键数据。
表1 试验数据记录表
实验车辆在各项指标上均优于对照车辆，具体来看，实验车辆的平均车速高于对照车辆，这表明本发明能有效利用道路条件，提高行驶效率，同时，实验车辆的制动踏板使用频率明显低于对照车辆，减少了频繁制动引起的安全隐患和燃油消耗，在纵向加速度变化率方面，实验车辆表现出更平稳的加速和减速过程，这不仅提高了乘坐舒适性，也减少了由于急加速或急刹车引起的潜在危险，导航效率的提升证明了本发明方法在复杂交通环境中的适应性和高效性，能够更快地响应路况变化，减少不必要的行驶时间，最重要的是，实验车辆的安全响应时间显著短于对照车辆，这意味着在紧急情况下能更快做出反应，大幅提升了行车安全性。
综上所述，实验结果清晰地展示了本发明在提高城市驾驶效率和安全性方面的显著优势，这些优势不仅体现了本发明的创新性，也证明了其在实际应用中的巨大潜力和实用价值，故，我方发明具有创造性。
实施例3
参照图2，为本发明的一个实施例，提供了一种用于制作刹车标定表的数据处理***，包括数据处理模块，车速约束模块，踏板控制模块。
其中数据处理模块用于采集驾驶场景中的车辆数据，对车辆数据进行预处理；车速约束模块用于基于预处理后的车辆数据，通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型；踏板控制模块用于通过车速稳定点和车辆导航距离约束，在卡尔曼滤波和神经网络的结合下，输出不同驾驶模式下制动踏板和纵向加速度的映射关系，优化车辆导航、行驶轨迹和纵向控制性能。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备（如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***）使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。应说明的是，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精神和范围，其均应涵盖在本发明的权利要求范围当中。
应说明的是，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精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种用于制作刹车标定表的数据处理方法，其特征在于，包括：
采集驾驶场景中的车辆数据，对车辆数据进行预处理；
基于预处理后的车辆数据，通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型；
通过车速稳定点和车辆导航距离约束，在卡尔曼滤波和神经网络的结合下，输出不同驾驶模式下制动踏板和纵向加速度的映射关系，优化车辆导航和行驶轨迹。
2.如权利要求1所述的用于制作刹车标定表的数据处理方法，其特征在于：所述采集驾驶场景中的车辆数据包括车速数据、制动踏板数据、纵向加速度数据、RTK和导航数据、车辆状态数据以及驾驶员行为数据；
车速数据包括瞬时车速、平均车速；
制动踏板数据包括制动踏板角度、制动踏板深度以及制动踏板使用频率；
纵向加速度数据包括加速度峰值、加速度变化率；
RTK和导航数据包括实时地理坐标、行驶路线和行驶距离；
车辆状态数据包括发动机参数、车辆负载以及燃油效率；
驾驶员行为数据包括操控输入、反应时间。
3.如权利要求2所述的用于制作刹车标定表的数据处理方法，其特征在于：所述对车辆数据进行预处理包括通过一阶滤波器对车辆数据中的车速数据、制动踏板数据、纵向加速度数据以及RTK和导航数据进行噪声处理，设置噪声波动约束，去除尖峰、毛刺数据，将剩余数据进行合并处理，滤波器差分方程表示为：
；
其中，t表示时间，y(t)表示实时输出值，x(t)表示实时输入值，y(t-1)为上一时刻的输出值，a为滤波器的系数；
RTK和导航数据噪声波动约束表示为：
；
其中，为时间窗口的长度，/>为调节系数，/>控制RTK和导航数据噪声的敏感度和滤波程度，/>为RTK和导航数据，当/>大于0.6时，RTK和导航数据为噪声数据，进行数据去除；
当小于等于0.6时，RTK和导航数据为正常数据，进行数据保留。
4.如权利要求3所述的用于制作刹车标定表的数据处理方法，其特征在于：所述通过滑动窗口筛选车速稳定点包括将噪声处理后的车速数据导入滑动窗口，单个车速数据时间窗口为，滑动窗口中速度数据点表示为：
；
其中，表示t时刻的速度，/>表示在时间窗口的长度T内的所有速度数据；
滑动窗口中车速稳定点下的车速设置C表示为：
；
其中，n为被10整除的正整数，滑动窗口中平均车速表示为：
；
连续时间窗口的长度T下的均值车速的绝对值表示为：
；
设置数据平均差值的阈值，当满足/>时，将两个连续时间窗口的信息进行合并为新时间窗口，当不满足/>时，将数据剔除。
5.如权利要求4所述的用于制作刹车标定表的数据处理方法，其特征在于：所述构建车辆导航距离约束模型包括基于车辆数据，对车辆行驶过程中与物体距离进行约束分析，综合分析车辆数据状况，当车辆向静态物体靠近时，约束模型为静态车辆导航距离约束模型，表示为：
；
其中，为瞬时车速，/>为纵向加速度，/>为制动踏板深度，/>和/>分别表示RTK实时地理坐标和预定行驶路线上的点，/>为车辆负载，/>为驾驶员反应时间，为调节系数，/>和/>为车辆速度影响系数，当静态车辆导航距离约束模型值大于0米小于等于2米时，车辆导航距离为危险距离，车辆与静态物体有碰撞风险，制动踏板做减速处理，通过RTK和导航数据，对车辆进行轨迹规划，当车辆导航距离持续减少50%时进行刹车处理；
当静态车辆导航距离约束模型值大于2米时，车辆导航距离为安全距离，车辆与静态物体无碰撞风险，通过RTK和导航数据，对车辆进行轨迹规划；
当车辆向动态物体靠近时，约束模型为动态车辆导航距离约束模型，表示为：
；
其中，为动态物体移动特性参数，/>为动态移动调节系数，/>表示车辆与动态物体的相对移动速度，当动态车辆导航距离约束模型值大于1米小于等于3米时，车辆导航距离为危险距离，制动踏板做减速处理，通过RTK和导航数据，对车辆进行轨迹规划，当车辆导航距离持续减少30%时进行刹车处理；
当动态车辆导航距离约束模型值大于0米小于等于1米时，车辆导航距离为危险距离，通过RTK和导航数据，对车辆进行轨迹规划，若轨迹规划无法避免碰撞危险，车辆打开双闪并进行鸣笛，警示动态物体有碰撞风险并进行刹车处理，当动态车辆导航距离约束模型值大于3米时，车辆导航距离为安全距离。
6.如权利要求5所述的用于制作刹车标定表的数据处理方法，其特征在于：所述卡尔曼滤波和神经网络的结合包括将卡尔曼滤波中的状态估计量、卡尔曼增益以及测量状态量通过神经网络进行训练，获取最终预测稳态车速与制动踏板深度间的关系，建立数据分析模型，选择车辆状态量和观测量，表示为：
；
其中，表示t时刻的制动踏板的深度检测值，/>表示t时刻的速度，/>表示时间差，表示t时刻纵向加速度；
通过状态转移矩阵，控制矩阵/>，建立卡尔曼预测方程，表示为：
；
其中，表示制动踏板深度在t时刻的估计值，/>表示制动踏板深度在上一时刻的估计值，/>表示在上一时刻的纵向加速度估计值；
引入协方差矩阵表示确定估计值的不确定性，表示为：
；
其中，表示t时刻的预测协方差矩阵，/>上一时刻的误差，/>为过程噪声；
建立卡尔曼滤波的观测模型，表示为：
；
其中，为t时刻的检测值，/>为上一时刻的状态向量，H为观测矩阵，v为观测噪声；
对卡尔曼滤波进行状态更新，表示为：
；
其中，R为观测噪声协方差矩阵，为卡尔曼增益；
对噪声协方差矩阵进行更新，建立神经网络结构包含输入层、隐含层以及输出层，将预测值、卡尔曼滤波的增益矩阵/>、观测方程的观测值/>输入建立的神经网络；
将卡尔曼滤波值与真实值间的误差作为神经网络的输出，神经网络的训练过程表示为：
；
其中，为学习因子，/>为动量因子，/>表示时间t连接l-1层中的第i个神经元与l层中的第j个神经元间的权值变化量，/>表示第l层神经元期望输出与真实输出值间的差值，/>表示时刻t第l-1层的第i个神经元的输出，传递函数采用sigmoid函数。
7.如权利要求6所述的用于制作刹车标定表的数据处理方法，其特征在于：所述输出不同驾驶模式下制动踏板和纵向加速度的映射关系包括通过车速稳定点和车辆导航距离约束，基于卡尔曼滤波与神经网络相结合，进行对车速、制动踏板深度、加速度间映射关系的预测，优化车辆导航和行驶轨迹，驾驶模式包括直线驾驶模式、南北方向驾驶模式、舒适驾驶模式、运动驾驶模式；
直线驾驶模式包括在直线道路进行车辆驾驶，基于静态车辆导航距离约束模型和动态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化；
南北方向驾驶模式包括在城市或多变道路环境中进行车辆驾驶，基于卡尔曼滤波与神经网络相结合，通过制动踏板的深度检测值进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化；
舒适驾驶模式包括在城市道路或拥堵的交通条件下进行车辆驾驶，基于静态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化；
运动驾驶模式包括在赛道上或开放道路上进行车辆驾驶，基于卡尔曼滤波与神经网络相结合、动态车辆导航距离约束模型，进行制动踏板控制和纵向加速度限制，记录车辆导航距离约束数据，进行行驶轨迹优化。
8.一种采用如权利要求1~7任一所述的用于制作刹车标定表的数据处理方法的***，其特征在于：包括数据处理模块，车速约束模块，踏板控制模块；
所述数据处理模块用于采集驾驶场景中的车辆数据，对车辆数据进行预处理；
所述车速约束模块用于基于预处理后的车辆数据，通过滑动窗口筛选车速稳定点，构建车辆导航距离约束模型；
所述踏板控制模块用于通过车速稳定点和车辆导航距离约束，在卡尔曼滤波和神经网络的结合下，输出不同驾驶模式下制动踏板和纵向加速度的映射关系，优化车辆导航、行驶轨迹和纵向控制性能。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的用于制作刹车标定表的数据处理方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的用于制作刹车标定表的数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410338613.XA CN117932234B (zh) | 2024-03-25 | 2024-03-25 | 一种用于制作刹车标定表的数据处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410338613.XA CN117932234B (zh) | 2024-03-25 | 2024-03-25 | 一种用于制作刹车标定表的数据处理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117932234A true CN117932234A (zh) | 2024-04-26 |
| CN117932234B CN117932234B (zh) | 2024-06-07 |
Family
ID=90761470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410338613.XA Active CN117932234B (zh) | 2024-03-25 | 2024-03-25 | 一种用于制作刹车标定表的数据处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117932234B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115271040A (zh) * | 2022-07-22 | 2022-11-01 | 中山大学 | 一种基于自适应扩展卡尔曼滤波的车辆质量估计方法 |
| CN115576322A (zh) * | 2022-10-19 | 2023-01-06 | 北京建筑大学 | 一种基于卡尔曼滤波改进模型的自适应巡航控制方法 |
| US20230054246A1 (en) * | 2020-05-06 | 2023-02-23 | Beijing Institute Of Technology | Iterative joint estimation method of vehicle mass and road gradient based on mmrls and sh-stf |
| CN115762182A (zh) * | 2022-11-03 | 2023-03-07 | 北京踏歌智行科技有限公司 | 一种基于运动学约束的车辆智能轨迹预测方法 |
| CN116811916A (zh) * | 2023-07-05 | 2023-09-29 | 江苏安必行无线科技有限公司 | 一种基于5g车路协同的自动驾驶*** |
| CN117485369A (zh) * | 2023-11-14 | 2024-02-02 | 珠海城市职业技术学院 | 一种物流机器人运输中变形障碍物实时检测方法 |
| CN117719519A (zh) * | 2024-01-29 | 2024-03-19 | 清华大学深圳国际研究生院 | 一种车辆行驶状态估计方法 |
-
2024
- 2024-03-25 CN CN202410338613.XA patent/CN117932234B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230054246A1 (en) * | 2020-05-06 | 2023-02-23 | Beijing Institute Of Technology | Iterative joint estimation method of vehicle mass and road gradient based on mmrls and sh-stf |
| CN115271040A (zh) * | 2022-07-22 | 2022-11-01 | 中山大学 | 一种基于自适应扩展卡尔曼滤波的车辆质量估计方法 |
| CN115576322A (zh) * | 2022-10-19 | 2023-01-06 | 北京建筑大学 | 一种基于卡尔曼滤波改进模型的自适应巡航控制方法 |
| CN115762182A (zh) * | 2022-11-03 | 2023-03-07 | 北京踏歌智行科技有限公司 | 一种基于运动学约束的车辆智能轨迹预测方法 |
| CN116811916A (zh) * | 2023-07-05 | 2023-09-29 | 江苏安必行无线科技有限公司 | 一种基于5g车路协同的自动驾驶*** |
| CN117485369A (zh) * | 2023-11-14 | 2024-02-02 | 珠海城市职业技术学院 | 一种物流机器人运输中变形障碍物实时检测方法 |
| CN117719519A (zh) * | 2024-01-29 | 2024-03-19 | 清华大学深圳国际研究生院 | 一种车辆行驶状态估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117932234B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10235881B2 (en) | Autonomous operation capability configuration for a vehicle | |
| RU2681984C1 (ru) | Система и способ определения траектории для транспортного средства | |
| CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
| US6879969B2 (en) | System and method for real-time recognition of driving patterns | |
| CN112668779B (zh) | 基于自适应高斯过程的前车运动状态预测方法 | |
| CN112285740A (zh) | 车辆工况检测 | |
| CN113370996B (zh) | 自动驾驶换道跟驰决策方法及***、自动驾驶车辆 | |
| CN113920740A (zh) | 一种联合车辆关联度和博弈论的车路协同驾驶***及方法 | |
| CN115675098B (zh) | 基于用户特征差异的智能网联汽车动能回收***、方法、设备及存储介质 | |
| CN111783943A (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
| CN112677982A (zh) | 基于驾驶员特性的车辆纵向速度规划方法 | |
| Santin et al. | Cruise controller with fuel optimization based on adaptive nonlinear predictive control | |
| CN114639267A (zh) | 一种车路协同环境中车辆避撞预警方法 | |
| Si et al. | Big data-based driving pattern clustering and evaluation in combination with driving circumstances | |
| CN117932234B (zh) | 一种用于制作刹车标定表的数据处理方法及*** | |
| EP4017773B1 (en) | A method for quantifying extreme traffic behavior | |
| CN115416656B (zh) | 基于多目标轨迹规划的自动驾驶换道方法、装置及介质 | |
| CN116811854A (zh) | 汽车运行轨迹确定方法、装置、汽车和存储介质 | |
| CN115963840A (zh) | 通信拓扑切换下基于深度强化学习的智能车编队控制方法 | |
| Vedula et al. | Novel Approaches for Model-Based Development-Part I: Developing a Real-World Driver Model | |
| CN115923813B (zh) | 一种基于速度急变特征的驾驶行为分析方法及*** | |
| Zhang et al. | A recognition model for acceleration intention of automobile drivers based on fuzzy clustering | |
| CN115547047A (zh) | 一种基于注意力模型的智能网联车跟驰模型 | |
| Sun et al. | Prediction of Lane Change on the Expressway Based on Logistic Regression | |
| CN115285137A (zh) | 一种基于lstm-dtw重型车辆侧翻预警方法 |
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 |