JP7464236B2 - 複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法 - Google Patents
複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法 Download PDFInfo
- Publication number
- JP7464236B2 JP7464236B2 JP2022553145A JP2022553145A JP7464236B2 JP 7464236 B2 JP7464236 B2 JP 7464236B2 JP 2022553145 A JP2022553145 A JP 2022553145A JP 2022553145 A JP2022553145 A JP 2022553145A JP 7464236 B2 JP7464236 B2 JP 7464236B2
- Authority
- JP
- Japan
- Prior art keywords
- complex
- node
- nodes
- network
- autonomous 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 description 35
- 230000008447 perception Effects 0.000 title claims description 29
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 27
- 230000008878 coupling Effects 0.000 claims description 25
- 238000010168 coupling process Methods 0.000 claims description 25
- 238000005859 coupling reaction Methods 0.000 claims description 25
- 230000004069 differentiation Effects 0.000 claims description 24
- 238000007637 random forest analysis Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 2
- 230000019771 cognition Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- B60W40/08—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 drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W30/18—Propelling the vehicle
- B60W30/182—Selecting between different operative modes, e.g. comfort and performance modes
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/082—Selecting or switching between different modes of propelling
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Feedback Control In General (AREA)
Description
Kdrive=Rf(CJ) (2)である。
G=(V,B,X,P,Θ) (3)として構築する。
自動運転車を中心ノードとして、中心ノードとのカップリング関係を有するノードと中心ノードとが内層モジュールを構成するステップ1、
内層モジュールの非中心ノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、中間層モジュールを構成するステップ2、
中間層モジュールのノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、外層モジュールを構成するステップ3、
他のノードから端層モジュールが構成されるステップ4である。
S=Vn/Θ+D(P)+D(U) (8)である。
縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出し、運転スタイル特徴マトリックスCJを構築し、ランダムフォレスト分類子Rfを生成し、運転スタイル特徴マトリックスCJをランダムフォレスト分類子Rfに入力し、ランダムフォレスト分類子Rfの出力である運転スタイルカテゴリKdriveは、運転スタイルを急進型、平和型、保守型の三つのカテゴリとして認識するステップ1)と、
複雑環境全体的関連付け特徴を説明するために、時変の複雑動的ネットワークGを複雑環境モデルとして構築し、さらに複雑環境モデルにおけるノード運動方程式を確立してから、時変の複雑動的ネットワークGにおける全てのノードの特徴を組み合わせて動的方程式ベクトルF(X)、時変の複雑動的ネットワークGにおけるノード間のカップリングマトリックスP(t)及びノードのインラインベクトルH(X)を形成し、複雑環境の動的特徴を説明するために、時変の複雑動的ネットワークGのノードシステム運動方程式を確立するステップ2)と、
複雑環境モデルにおけるノードの量gi、度ki、重みsi及び重要度I(i)の四つのパラメータを構築するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、ノード差別化認知を実現するステップ3)と、
凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、階段性に対する認知を実現するステップ4)と、
エントロピー理論の基本思想により、システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現するステップ5)と、を含む。
1、本発明では、運転スタイル認識方法を確立し、運転特徴パラメータを抽出した上で、運転スタイル特徴マトリックスCJを構築し、運転スタイル特徴マトリックスCJをランダムフォレスト分類子Rfに入力し、ランダムフォレスト分類子Rfにより運転スタイルカテゴリKdriveを出力し、運転スタイル認識を実現する。
2、本発明では、複雑ネットワーク理論から、運動本体をノードとして、時変の複雑動的ネットワークGを複雑環境モデルとして、自動運転車複雑環境のランダム、動的、非線形進化の法則を描き、時変の複雑動的ネットワークGのノードシステム運動方程式も確立し、複雑環境の動的特性を説明する。
3、本発明では、複雑環境モデルにおけるノードの量gi、度ki、重みsi及び重要度I(i)の四つのパラメータを構築するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、自動運転車複雑環境に対するノード差別化認知を実現する。
4、本発明では、ノードカップリング関係を根拠として、凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、階段性に対する認知を実現する。
5、本発明では、自動運転車の複雑環境モデルのシステムエントロピー及びエントロピー変更を構築し、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、自動運転車の複雑環境グローバル共性に対する状態認知を実現する。
システムエントロピーS=Vn/Θ+D(P)+D(U)及びエントロピー変更
ステップ1)縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出し、運転スタイル特徴マトリックスCJを構築し、ランダムフォレスト分類子Rfを生成し、運転スタイル特徴マトリックスCJをランダムフォレスト分類子Rfに入力し、ランダムフォレスト分類子Rfの出力である運転スタイルカテゴリKdriveは、運転スタイルを急進型、平和型、保守型の三つのカテゴリとして認識し、具体的なステップは以下のようである。
(A)縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出するステップ、
(B)運転スタイル特徴マトリックスCJを構築するステップ、
(C)ランダムフォレスト分類子Rfを生成するステップ、
(D)運転スタイル特徴マトリックスCJをランダムフォレスト分類子Rfに入力し、ランダムフォレスト分類子Rfの出力である運転スタイルカテゴリKdriveは、運転スタイルを急進型、平和型、保守型の三つのカテゴリとして認識するステップであり、
ステップ2)複雑環境全体的関連付け特徴を説明するために、時変の複雑動的ネットワークGを複雑環境モデルとして構築し、さらに複雑環境モデルにおけるノード運動方程式を確立してから、時変の複雑動的ネットワークGにおける全てのノードの特徴を組み合わせて動的方程式ベクトルF(X)、時変の複雑動的ネットワークGにおけるノード間のカップリングマトリックスP(t)及びノードのインラインベクトルH(X)を形成し、複雑環境の動的特性を説明するために、時変の複雑動的ネットワークGのノードシステム運動方程式を確立し、具体的なステップは以下のようである。
(A)時変の複雑動的ネットワークGを複雑環境モデルとして構築するステップ、
(B)複雑環境モデルにおけるパラメータから、複雑環境モデルにおけるノード運動方程式を確立するステップ、
(C)複雑環境の動的特性を説明するために、ノード運動方程式から、時変の複雑動的ネットワークGのノードシステム運動方程式を確立するステップであり、
ステップ3)複雑環境モデルにおけるノードの量gi、度ki、重みsi及び重要度I(i)の四つのパラメータを構築するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、ノード差別化認知を実現し、具体的なステップは以下のようである。
(A)複雑環境モデルにおけるノードの量gi、度ki、重みsi及び重要度I(i)の四つのパラメータを構築するステップ、
(B)上記四つのパラメータを用いて複雑環境モデルにおける全てのノードをそれぞれ説明するステップ、
(C)正規分布図を用いて全てのノードに対して差別化分析を行い、ノードの差別化認知を実現するステップである。
ステップ4)凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、階段性に対する認知を実現し、具体的なステップは以下のようである。
(A)自動運転車を中心ノードとして、中心ノードとのカップリング関係を有するノードと中心ノードとが内層モジュールを構成するステップ、
(B)内層モジュールの非中心ノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、中間層モジュールを構成するステップ、
(C)中間層モジュールのノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、外層モジュールを構成するステップ、
(D)他のノードから端層モジュールが構成されるステップである。
ステップ5)エントロピー理論の基本思想により、システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現し、具体的なステップは以下のようである。
(A)システムエントロピーS=Vn/Θ+D(P)+D(U)を用いて複雑環境モデルの無秩序度合を測定し、複雑環境全体リスクを説明するステップ、
(B)エントロピー変更dS=d(Vn/Θ)+d(D(P))+d(D(U))を用いて、複雑環境モデルの無秩序度合を測定し、複雑環境全体リスクの変化姿勢を説明し、グローバル共性に対する状態認知を実現するステップである。
Claims (9)
- 複雑ネットワークによる自動運転車認知システムの認知方法であって、
縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを抽出し、運転スタイル特徴マトリックスCJを構築し、ランダムフォレスト分類子Rfを生成し、運転スタイル特徴マトリックスCJをランダムフォレスト分類子Rfに入力し、ランダムフォレスト分類子Rfの出力である運転スタイルカテゴリKdriveは、運転スタイルを急進型、平和型、保守型の三つのカテゴリとして認識するステップ1)と、
複雑環境全体的関連付け特徴を説明するために、時変の複雑動的ネットワークGを複雑環境モデルとして構築し、さらに複雑環境モデルにおけるノード運動方程式を確立してから、時変の複雑動的ネットワークGにおける全てのノードの特徴を組み合わせて動的方程式ベクトルF(X)、時変の複雑動的ネットワークGにおけるノード間のカップリングマトリックスP(t)及びノードのインラインベクトルH(X)を形成し、複雑環境の動的特性を説明するために、時変の複雑動的ネットワークGのノードシステム運動方程式を確立するステップ2)と、
複雑環境モデルにおけるノードの量gi、度ki、重みsi及び重要度I(i)の四つのパラメータを構築するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、ノード差別化認知を実現するステップ3)と、
凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、階段性に対する認知を実現するステップ4)と、
システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現するステップ5)と、を含む、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。 - 請求項1に記載する複雑ネットワークによる自動運転車認知システムの認知方法を実行するための自動運転車認知システムであり、
前記複雑環境モデルであって、運動本体をノードとして、時変の複雑動的ネットワークGを複雑環境モデル
G=(V,B,X,P,Θ) (3)として構築し、
ただし、Gは時変の複雑動的ネットワークであり、Vは時変の複雑動的ネットワークGにおけるノードコレクションであり、Bは時変の複雑動的ネットワークGにおけるエッジのコレクションであり、ノード間の繋がり線を表し、Xは時変の複雑動的ネットワークGにおけるノードの状態ベクトルであり、Pは時変の複雑動的ネットワークGにおけるエッジの強度関数であり、ノード間のカップリング関係を表し、Θは時変の複雑動的ネットワークGのエリア関数であり、時変の複雑動的ネットワークGに対する動的制約を表し、
時変の複雑動的ネットワークGを、N個のノードを有する連続時間動的システムとして等価化し、第iノードの状態変数をxiとすると、第iノードの運動方程式は、
前記複雑環境モデルでは、ノードの運動及び環境の変化に伴い、ノードの位置及び状態が動的変化にあり、ノード間のカップリング関係及び時変の複雑動的ネットワークのエリア関数もそれに伴って変化している、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。 - 請求項2に記載する自動運転車認知システムの認知方法において、
前記複雑ネットワークによる自動運転車認知システムであって、運転スタイル認識モジュール、複雑環境モデルモジュール、ノード差別化認知モジュール、階層化認知モジュール、グローバルリスク姿勢認知モジュールを含み、
前記運転スタイル認識モジュールは、運転特徴パラメータを抽出した上で、運転スタイル特徴マトリックスCJを構築し、運転スタイル特徴マトリックスCJをランダムフォレスト分類子Rfに入力し、ランダムフォレスト分類子Rfにより運転スタイルカテゴリKdriveを出力し、
前記複雑環境モデルモジュールは、
前記ノード差別化認知モジュールは、複雑環境モデルにおけるノードの量gi、度ki、重みsi及び重要度I(i)の合計四つのパラメータを用いてネットワークノードの違いを説明するとともに、正規分布図を用いて全てのノードに対して差別化分析を行い、
前記階層化認知モジュールは、凝集クラスタリングアルゴリズムを用いて複雑環境モデルにおけるノードに対して階層分けを行い、自動運転車複雑環境の階層化、段階性に対する認知を実現し、
前記グローバルリスク姿勢認知モジュールは、システムエントロピー及びエントロピー変更を用いて、複雑環境モデルの無秩序度合を測定し、全体リスク及び変化姿勢を説明し、グローバル共性に対する状態認知を実現する、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。 - 請求項3に記載する自動運転車認知システムの認知方法において、
前記運転特徴パラメータは、縦方向運転特徴パラメータ、横方向運転特徴パラメータ及びモードシフト特徴パラメータを含み、前記縦方向運転特徴パラメータとは、限られた時間枠での縦方向加速度a+、運転間隔dtimeを指し、前記横方向運転特徴パラメータとは、限られた時間枠での横方向加速度の二乗平均平方根RMS(a_)、ヨーレートの標準偏差SD(r)を指し、前記モードシフト特徴パラメータとは、限られた時間枠での左車線変更状態遷移確率P(lC)及び右車線変更状態遷移確率P(rC)を指す、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。 - 請求項3に記載する自動運転車認知システムの認知方法において、
前記ランダムフォレスト分類子Rfは、下記のステップで生成され、即ち運転スタイルデータからなるオリジナルトレーニングセットに対して、置換を伴うランダムサンプリングを行って、m個のトレーニングセットを生成し、各トレーニングセットに対してn個の特徴を選択し、それぞれm個の決定木分類モデルをトレーニングし、全てのトレーニング例が同一カテゴリに属するまで、各決定木分類モデルに対して情報ゲイン率に基づいて最高のサンプル特徴を選択して***し、最後に生成された全ての決定木分類モデルをランダムフォレストとして構成し、投票法により運転スタイルカテゴリKdriveを出力し、
前記運転スタイルカテゴリKdriveは、急進型、平和型、保守型の三つのカテゴリを含み、
Kdrive=Rf(CJ) (2)である、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。 - 請求項3に記載する自動運転車認知システムの認知方法において、
前記階層化認知モジュールで、まず自動運転車を中心ノードとして、中心ノードとのカップリング関係を有するノードと中心ノードとが内層モジュールを構成し、次に内層モジュールの非中心ノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、中間層モジュールを構成し、その後、中間層モジュールのノードに対して重要度を並べ替えて、順にカップリング係数が最も大きい点を見つけて、外層モジュールを構成し、最後に他のノードから端層モジュールが構成される、
ことを特徴とする複雑ネットワークによる自動運転車認知システムの認知方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110504041.4 | 2021-05-10 | ||
CN202110504041.4A CN113406955B (zh) | 2021-05-10 | 2021-05-10 | 基于复杂网络的自动驾驶汽车复杂环境模型、认知***及认知方法 |
PCT/CN2022/070671 WO2022237212A1 (zh) | 2021-05-10 | 2022-01-07 | 基于复杂网络的自动驾驶汽车复杂环境模型、认知***及认知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023528114A JP2023528114A (ja) | 2023-07-04 |
JP7464236B2 true JP7464236B2 (ja) | 2024-04-09 |
Family
ID=77678411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022553145A Active JP7464236B2 (ja) | 2021-05-10 | 2022-01-07 | 複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240190442A1 (ja) |
JP (1) | JP7464236B2 (ja) |
CN (1) | CN113406955B (ja) |
DE (1) | DE112022000019T5 (ja) |
WO (1) | WO2022237212A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113406955B (zh) * | 2021-05-10 | 2022-06-21 | 江苏大学 | 基于复杂网络的自动驾驶汽车复杂环境模型、认知***及认知方法 |
CN115622903B (zh) * | 2022-12-19 | 2023-04-07 | 中国人民解放军国防科技大学 | 一种基于网络结构的电信网节点重要度计算方法 |
CN116811894B (zh) * | 2023-08-30 | 2023-11-21 | 北京理工大学 | 一种连续型驾驶风格识别方法、***及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019182399A (ja) | 2018-04-03 | 2019-10-24 | バイドゥ ユーエスエー エルエルシーBaidu USA LLC | 自動運転に用いられる感知と計画のコラボレーションフレームワーク |
CN111539112A (zh) | 2020-04-27 | 2020-08-14 | 吉林大学 | 一种用于自动驾驶车快速查找交通对象的场景建模方法 |
CN112015842A (zh) | 2020-09-02 | 2020-12-01 | 中国科学技术大学 | 自行车轨迹预测的自动驾驶车辆风险评估方法及*** |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260515B2 (en) * | 2008-07-24 | 2012-09-04 | GM Global Technology Operations LLC | Adaptive vehicle control system with driving style recognition |
CN103077603A (zh) * | 2012-06-06 | 2013-05-01 | 王晓原 | 基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识*** |
CN106023344B (zh) * | 2016-06-06 | 2019-04-05 | 清华大学 | 基于驾驶模式转换概率的驾驶风格估计方法 |
US10545503B2 (en) * | 2017-06-29 | 2020-01-28 | Continental Automotive Systems, Inc. | Propulsion efficient autonomous driving strategy |
AU2018347314A1 (en) * | 2017-10-10 | 2020-05-21 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Method for identifying optimal vehicle paths when energy is a key metric or constraint |
CN108725453A (zh) * | 2018-06-11 | 2018-11-02 | 南京航空航天大学 | 基于驾驶员模型和操纵逆动力学的人机共驾控制***及其切换模式 |
CN109144076B (zh) * | 2018-10-31 | 2020-05-22 | 吉林大学 | 一种多车辆横纵向耦合协同控制***及控制方法 |
CN109829577B (zh) * | 2019-01-17 | 2021-10-01 | 北京交通大学 | 基于深度神经网络结构模型的轨道列车运行状态预测方法 |
CN109927725B (zh) * | 2019-01-28 | 2020-11-03 | 吉林大学 | 一种具有驾驶风格学习能力的自适应巡航***及实现方法 |
CN109948781A (zh) * | 2019-03-21 | 2019-06-28 | 中国人民解放军国防科技大学 | 用于自动驾驶车辆的连续动作在线学习控制方法及*** |
CN110160804B (zh) * | 2019-05-31 | 2020-07-31 | 中国科学院深圳先进技术研究院 | 一种自动驾驶车辆的测试方法、装置及*** |
CN110321954A (zh) * | 2019-07-03 | 2019-10-11 | 中汽研(天津)汽车工程研究院有限公司 | 适合国内人群的驾驶风格分类和识别方法及*** |
CN111897217B (zh) * | 2020-07-20 | 2022-03-11 | 清华大学 | 一种模型预测控制器的时域分解加速方法 |
CN112437501B (zh) * | 2020-10-19 | 2022-11-18 | 江苏大学 | 一种基于交通语义和博弈论的多传感器超视距自组网方法 |
CN113406955B (zh) * | 2021-05-10 | 2022-06-21 | 江苏大学 | 基于复杂网络的自动驾驶汽车复杂环境模型、认知***及认知方法 |
-
2021
- 2021-05-10 CN CN202110504041.4A patent/CN113406955B/zh active Active
-
2022
- 2022-01-07 WO PCT/CN2022/070671 patent/WO2022237212A1/zh active Application Filing
- 2022-01-07 DE DE112022000019.8T patent/DE112022000019T5/de active Pending
- 2022-01-07 US US17/802,143 patent/US20240190442A1/en active Pending
- 2022-01-07 JP JP2022553145A patent/JP7464236B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019182399A (ja) | 2018-04-03 | 2019-10-24 | バイドゥ ユーエスエー エルエルシーBaidu USA LLC | 自動運転に用いられる感知と計画のコラボレーションフレームワーク |
CN111539112A (zh) | 2020-04-27 | 2020-08-14 | 吉林大学 | 一种用于自动驾驶车快速查找交通对象的场景建模方法 |
CN112015842A (zh) | 2020-09-02 | 2020-12-01 | 中国科学技术大学 | 自行车轨迹预测的自动驾驶车辆风险评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
DE112022000019T5 (de) | 2023-01-26 |
WO2022237212A1 (zh) | 2022-11-17 |
CN113406955B (zh) | 2022-06-21 |
JP2023528114A (ja) | 2023-07-04 |
US20240190442A1 (en) | 2024-06-13 |
CN113406955A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7464236B2 (ja) | 複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法 | |
Sheng et al. | Graph-based spatial-temporal convolutional network for vehicle trajectory prediction in autonomous driving | |
Kashinath et al. | Review of data fusion methods for real-time and multi-sensor traffic flow analysis | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN106650809B (zh) | 一种车载激光点云目标分类方法和*** | |
Baboo et al. | An efficient weather forecasting system using artificial neural network | |
JP2022016419A (ja) | 軌跡予測方法及び装置 | |
Malik et al. | Driving pattern profiling and classification using deep learning | |
Zhang et al. | Artificial intelligence and its applications | |
CN113449736B (zh) | 一种基于深度学习的摄影测量点云语义分割方法 | |
CN107480696A (zh) | 一种分类模型构建方法、装置及终端设备 | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
García Balboa et al. | Generalization-oriented road line classification by means of an artificial neural network | |
CN114566052B (zh) | 一种基于车流方向判别高速公路车流监控设备转动的方法 | |
Dai et al. | Spatio-temporal deep learning framework for traffic speed forecasting in IoT | |
CN116151270A (zh) | 泊车测试***及方法 | |
Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation | |
Pan et al. | Data-driven time series prediction based on multiplicative neuron model artificial neuron network | |
Ji et al. | Learning the dynamics of time delay systems with trainable delays | |
Shereef et al. | A new weather forecasting technique using back propagation neural network with modified Levenberg-Marquardt algorithm for learning | |
He et al. | Explainable deep reinforcement learning for UAV autonomous navigation | |
Yu et al. | Longitudinal wind field prediction based on DDPG | |
Huisken | Soft-computing techniques applied to short-term traffic flow forecasting | |
Zhang et al. | Road condition recognition in self-driving cars based on classification and regression tree | |
Makwana et al. | FPGA Implementation of Artificial Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220905 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220905 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230830 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240226 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240312 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240320 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7464236 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |