CN101079127B - 微观交通仿真中行人行为仿真方法 - Google Patents
微观交通仿真中行人行为仿真方法 Download PDFInfo
- Publication number
- CN101079127B CN101079127B CN2007100434316A CN200710043431A CN101079127B CN 101079127 B CN101079127 B CN 101079127B CN 2007100434316 A CN2007100434316 A CN 2007100434316A CN 200710043431 A CN200710043431 A CN 200710043431A CN 101079127 B CN101079127 B CN 101079127B
- Authority
- CN
- China
- Prior art keywords
- highway section
- pedestrian
- traffic
- behavior
- crossing
- 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.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
一种计算机应用技术领域的微观交通仿真中行人行为仿真方法，首先，用智能体技术及高层仿真体系结构/运行环境建立交通环境模型及各种行为原子模型集合；其次，建立各交通实体智能体与所属路段及路段交叉口之间的管理与被管理的逻辑关系；然后，通过行人智能体与交通环境的通信，获取交通环境信息，并对信息进行知识过滤并重组为内部概念表示，通过信念、期望及目标技术对环境及自身愿望进行推理，得到行人需要执行的进一步行为计划；最后，执行该行为计划，形成一个仿真步长，从而实现行人行为的有效仿真。本发明加速仿真系统行为计划的产生，同时，推理出的行为特征对行人行为的仿真比较贴切。
Description
技术领域
本发明涉及的是一种计算机应用技术领域的方法，具体是一种微观交通仿真中行人行为仿真方法。
背景技术
随着城市交通复杂程度急剧增大，解决现实交通问题往往需要投入大量资金，同时在实际环境中操作存在许多不安全因素，这使得寻求优化方案的难度加大，甚至不可行。此时，应用计算机技术进行交通仿真成为解决交通问题的有效技术手段。它不仅可以复现交通流时空变化的技术、为交通道路设计规划提供技术依据，而且可以对各种参数进行比较和评价，为交通规划、交通指挥及交通警急状况的应急处理方案提供重要的决策依据。
在交通仿真环境中一个非常重要的仿真实体则是交通环境中的行人，行人的行为仿真方法是否有效是影响仿真准确性及仿真效率的一个重要因素。由于当前智能体技术能够很好的对行人的行为进行很好的仿真描述，并且在各种对自主计算，自治能力需求强的领域已经取得了很好的效果，因此，利用智能体技术对大规模复杂交通环境以及发生灾难情况下行人紧急疏散时行人行为进行仿真能够很好的满足仿真的需求，并能为道路规划及交通疏散方案的决策提供有效的依据。
经对现有技术的文献检索发现，魏明等在《系统仿真学报》(JOURNAL OF SYSTEMSIMULATION)2003年第8期1179到1187页上发表的“交通仿真的发展及研究现状”中提到，国内外各种典型的仿真方法中基本上属于从宏观或微观方面对交通环境的某一个侧面、某一个局部进行仿真，如CORSIM(美国联邦公路局开发的微观仿真系统)和PARAMICS(苏格兰开发的道路网方面的仿真系统)，其不足在于不能很好地为紧急情况疏散及大型集会中交通指挥调度提供有效的行人行为预测依据。因此，为了从根本上解决复杂交通环境中行人的适应性、灵活性、交互性，对复杂交通环境中行人的行为进行仿真，对各种行为及特征进行参数化，是行人行为仿真研究的一个重要方向，也是交通仿真发展的一个重要方面。
发明内容
本发明针对上述现有技术的不足，提供了一种微观交通仿真中行人行为仿真方法，使其能够在仿真环境中提供行人精确的行为仿真，对大规模的交通灾难人员疏散指挥及新型复杂交通集散中心的规划设计，提出有效的辅助决策依据，避免交通灾难中的人员伤亡及降低规划设计的成本。
本发明是通过以下技术方案实现的，本发明首先用Agent(智能体)及高层仿真体系结构/运行环境(HLA/RTI)建立交通环境模型及各种行为原子模型集合；其次，建立各交通实体Agent与所属路段(link)及路段交叉口(node)之间的管理与被管理的逻辑关系；然后，通过交通实体Agent与交通环境的通信，获取交通环境信息，对该信息进行知识过滤并重组为内部概念表示，通过信念、期望及目标技术(BDI技术)对环境信息及自身愿望信息进行推理，得到行人需要执行的进一步行为计划；最后执行该行为计划，形成一个仿真步长，从而实现行人行为的有效仿真。
所述建立交通环境模型，是指：每个交通实体通过把自身的位置及状态信息汇报给相应的路段或路段交叉口，然后在路段及路段交叉口收集完整了本区域的所有交通实体信息后，再向高层仿真体系结构/运行环境请求时间推进，在高层仿真体系结构/运行环境得到所管辖的所有路段及路段交叉口推进请求后，把准许推进请求发送给各路段及路段交叉口，然后路段及路段交叉口再把环境信息发送给自己所管辖的交通实体，这个过程称为仿真的一个步长，这里所有的交通实体及路段、路段交叉口都采用Agent进行仿真实现，这就完成了交通环境模型的建立。
所述路段和路段交叉口，是从所选交通仿真场景中划分出的，其中每两个路段交叉口之间如果双向通行的话，则在这两个路段交叉口之间有两个路段，它们方向恰好相反，如果只有一个通行方向，则只有一个路段，方向与通行方向一致，每个路段和路段交叉口都是一个仿真子区域，通过把每个路段和路段交叉口设置成为一个联邦成员的方式，并以Agent进行实现，通过高层仿真体系结构/运行环境把各个路段和路段交叉口联邦成员互联在一起，同时设定好时间同步推进策略。
所述交通实体Agent，由各种交通实体产生器产生出来，并且各个交通实体Agent以Agent通信语言通信(ACL)的方式加入到所属的路段或者路段交叉口中，建立起管理与被管理的逻辑关系。交通实体通过相应的路段及路段交叉口进行信息共享和交互，包括交通实体把自身的位置、前方方向、当前行进速度信息汇报给所属的路段或路段交叉口，路段及路段交叉口再把收集到的环境信息发送给各个交通实体Agent。
所述高层仿真体系结构/运行环境，负责各个路段与路段交叉口之间的时间同步，以及交通实体在路段和路段交叉口之间的转移。
所述行为原子模型，是指行人Agent在交通环境中所做的各种动作，比如左转，右转，前进，后退，快速前进，快速后退，随机行走，紧急身体避让等，针对人群的特征，定义好各种行为的产生位移，速度等，该原子行为模型构成由后续信念、期望及目标技术产生的行为计划。
所述的通信，是指通过Agent通信语言(ACL)实现行人Agent与路段、路段交叉口及除行人Agent外的交通实体进行通信，通信数据包括从路段和路段交叉口接收交通仿真环境信息数据，以及获取公交车能够上客信息，这些数据通过打包成Agent通信语言的信息包进行发送。
所述的信息过滤与重组，是指行人Agent通过内部概念表示来指示仿真环境信息，所有行人Agent都需要感知外界的邻近信息，这些信息为行人Agent内部的概念表示。信息过滤与重组负责对接收到的环境信息根据行人Agent的视野及感观范围进行过滤同时重新组织成为行人Agent内部能识别的概念知识，为后续的信念、期望及目标技术决策做准备。行人Agent内部概念表示模块定义了统一的概念表示，存取、更新和访问方式，本质上是一个信息加工器，并产生需要的知识，推动信念、期望及目标技术的决策。
所述的信念、期望及目标技术，是指根据内部概念表示及自身愿望信息按照行人Agent内部已经存在的推理规则进行匹配，导出进一步要执行的动作，要执行的行为计划由一系列的原子行为构成。如看到前面有车辆正面开来，则紧急避让。信念、期望及目标技术在行人Agent内部充当引擎的作用，是行人Agent一切行为的依据及动力。
所述的行为计划执行，是指根据信念、期望及目标技术产生的行人Agent行为计划，依次执行行人Agent行为计划中的每个原子行为，这就完成了一个行人行为从获取信息到行为动作的执行过程，最后汇报行人Agent位置及状态数据，同时也可以在这时给其它交通实体发送数据，比如登上公交车等。
与现有技术相比，本发明由于利用信息的过滤与重组，使得信息的数量及通信负载得到了降低，采用原子行为模型的预先建立，加速了行为计划的快速产生，同时，通过信念、期望及目标技术对信息的推理，推理出的行为特征对行人行为的仿真比较贴切。本发明结合了行人行为学及Agent在仿真具有高自主及自治能力对象优点，从而能够获得较高的准确率和非常快的速度。本发明能够在有高性能计算资源的情况下，能够在不到半小时的时间内对大规模的交通灾难人员疏散指挥及新型复杂交通集散中心的规划设计，根据行人行为的准确仿真提出有效的辅助决策依据，避免交通灾难中的人员伤亡及降低规划设计的成本。
具体实施方式
下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例采用的行人Agent(智能体)来源于所选交通仿真场景，整个发明实现过程如下：
1.建立仿真环境模型。
每个交通实体Agent通过把自身的位置及状态信息汇报给相应的路段(link)或路段交叉口(node)，然后在路段及路段交叉口收集完整了本区域的所有交通实体信息后，再向高层仿真体系结构/运行环境(HLA/RTI)请求时间推进，在高层仿真体系结构/运行环境得到所管辖的所有路段及路段交叉口推进请求后，把准许推进请求发送给各路段及路段交叉口，然后路段及路段交叉口再把环境信息发送给自己所管辖的交通实体Agent，这个过程称为仿真的一个步长，这里所有的交通实体Agent及路段、路段交叉口都采用Agent进行仿真实现，这就完成了交通环境模型的建立。
所述仿真环境为普通的局域网，局域网中的计算资源为普通PC机，各个计算节点平均负载路段及路段交叉口的个数。
所述路段和路段交叉口，是从所选交通仿真场景中划分出的，其中每两个路段交叉口之间如果双向通行的话，则在这两个路段交叉口之间有两个路段，它们方向恰好相反，如果只有一个通行方向，则只有一个路段，方向与通行方向一致。每个路段和路段交叉口都是一个仿真子区域，通过把每个路段和路段交叉口设置成为一个联邦成员的方式，并以Agent进行实现，通过高层仿真体系结构/运行环境把各个路段和路段交叉口联邦成员互联在一起，同时设定好时间同步推进策略。
所述交通实体Agent，由各种交通实体产生器产生出来，包括行人Agent和车辆Agent，并且各个交通实体Agent以Agent通信语言通信(ACL)的方式加入到所属的路段或者路段交叉口中，建立起管理与被管理的逻辑关系。交通实体通过相应的路段及路段交叉口进行信息共享和交互，包括交通实体把自身的位置、前方方向、当前行进速度信息汇报给所属的路段或路段交叉口，路段及路段交叉口再把收集到的环境信息发送给各个交通实体Agent。
所述Agent(智能体)，采用已公知Jade3.5版本实现，该软件可以从http://jade.cselt.it免费下载，Jade版本向前兼容。
所述高层仿真体系结构/运行环境，负责各个路段与路段交叉口之间的时间同步，以及交通实体在路段和路段交叉口之间的转移。
所述高层仿真体系结构/运行环境，采用HLA/RTI1.3版本实现，该软件可从http://sdc.dmso.mil注册下载。
2.建立适合仿真环境中行人Agent的原子行为模型集合。
对步骤1仿真环境中行人的通常行为及行走中表现出来的特征的共性进行抽取，建立所有行人的原子行为模型。如在交通灾难或者化学品泄露场景下，行人的行进速度比普通场合速度要快，通过把这些特征抽取出来，建立适合仿真环境中行人的行为规则，修改通用原子行为中的速度等各种参数，建立适合仿真场景中行人的行为规则，这些规则为后期的信念、期望及目标技术产生计划时提供选择。
所述行为的原子模型，是指行人Agent在交通环境中所做的各种动作，包括左转、右转、前进、后退、快速前进、快速后退、随机行走、紧急身体避让，针对人群的特征，定义好各种行为的产生位移、速度。
3.行人Agent获取环境信息。
行人Agent接收来自路段、路段交叉口及除行人Agent外的交通实体的通信数据，通信数据经过信息过滤与重组，行人Agent再通过内部概念表示来指示仿真环境信息，所有行人Agent都需要感知外界的邻近信息，这些信息为行人Agent内部的概念表示。
所述的通信，是指通过Agent通信语言实现行人Agent与路段、路段交叉口及除行人Agent外交通实体进行通信，通信数据包括从路段和路段交叉口接收交通仿真环境信息数据，以及获取公交车能够上客信息，这些数据通过打包成AGENT通信语言的信息包进行发送。
所述的信息过滤与重组，负责对接收到的环境信息根据行人Agent的视野及感观范围进行过滤同时重新组织成为行人Agent内部能识别的概念知识，概念知识定义了统一的概念表示，存取、更新和访问方式，本质上是一个信息加工器，并产生需要的知识，为后续的信念、期望及目标技术推理决策做准备，推动信念、期望及目标技术推理的决策。
4.行人Agent执行行为动作。
首先信念、期望及目标技术通过分析内部概念表示及自身愿望信息，推理行人Agent进一步应做如何行动，制定行为计划。然后行人Agent根据信念、期望及目标技术产生的行人Agent行为计划，依次执行行为计划中的每个原子行为，这就完成了一个行人行为从获取信息到行为动作的执行过程。
所述的信念、期望及目标技术，是指根据内部概念表示及自身愿望信息按照行人Agent内部已经存在的推理规则进行匹配，导出进一步要执行的动作，要执行的行为计划由一系列的原子行为构成。如看到前面有车辆正面开来，则紧急避让。信念、期望及目标技术在行人Agent内部充当引擎的作用，是行人Agent一切行为的依据及动力。
5.等待下一次环境信息的到来。
行人Agent通过Agent通信语言向所属的路段或路段交叉口汇报自身当前的位置和状态信息，同时也可以在这时给其它交通实体发送数据，比如登上公交车等，并等待下一次环境信息的到来。
本实施例的实施效果表现为每经过一个步长，行人在仿真显示界面上发生一次位移，具体位置由执行的行为计划决定，仿真系统时间步长不断推进，表现为行人Agent不断发生位移，直到仿真结束或行人Agent到达目的地，从而对行人行为的仿真比较贴切。
Claims (7)
1.一种微观交通仿真中行人行为仿真方法，其特征在于，包括如下步骤：
首先，用智能体及高层仿真体系结构/运行环境建立交通环境模型及各种行为原子模型集合；
其次，建立各交通实体智能体与所属路段及路段交叉口之间的管理与被管理的逻辑关系；
然后，通过行人智能体与交通环境的通信，获取交通环境信息，并对信息进行知识过滤并重组为内部概念表示，通过信念、期望及目标技术对环境及自身愿望进行推理，得到行人需要执行的进一步行为计划；
最后，执行该行为计划，形成一个仿真步长，从而实现行人行为的有效仿真；
所述建立仿真环境模型，是指：每个交通实体智能体通过把自身的位置及状态信息汇报给相应的路段或路段交叉口，然后在路段及路段交叉口收集完整了本区域的所有交通实体信息后，再向高层仿真体系结构/运行环境请求时间推进，在高层仿真体系结构/运行环境得到所管辖的所有路段及路段交叉口推进请求后，把准许推进请求发送给各路段及路段交叉口，然后路段及路段交叉口再把环境信息发送给自己所管辖的交通实体智能体，这个过程称为仿真的一个步长，这里所有的交通实体智能体及路段、路段交叉口都采用智能体进行仿真实现，这就完成了交通环境模型的建立；
所述交通实体智能体，由各种交通实体产生器产生出来，并且各个交通实体智能体以智能体通信语言通信的方式加入到所属的路段或者路段交叉口中，建立起管理与被管理的逻辑关系，交通实体智能体通过相应的路段及路段交叉口进行信息共享和交互，包括交通实体智能体把自身的位置、前方方向、当前行进速度信息汇报给所属的路段或路段交叉口，路段及路段交叉口再把收集到的环境信息发送给各个交通实体智能体；
所述的信息过滤与重组，是指行人智能体通过内部概念表示来指示仿真环境信息，所有行人智能体都需要感知外界的邻近信息，这些信息为行人智能体内部的概念表示，信息过滤与重组负责对接收到的环境信息根据行人智能体的视野及感观范围进行过滤同时重新组织成为行人智能体内部能识别的概念知识，为后续的信念、期望及目标技术推理决策做准备，里面的概念表示模块定义了统一的概念表示，存取、更新和访问方式，本质上是一个信息加工器，并产生需要的知识，推动信念、期望及目标技术推理的决策。
2.根据权利要求1所述的微观交通仿真中行人行为仿真方法，其特征是，所述路段和路段交叉口，是从所选交通仿真场景中划分出的，其中每两个路段交叉口之间如果双向通行的话，则在这两个路段交叉口之间有两个路段，它们方向恰好相反，如果只有一个通行方向，则只有一个路段，方向与通行方向一致，每个路段和路段交叉口都是一个仿真子区域，通过把每个路段和路段交叉口设置成为一个联邦成员的方式，并以智能体进行实现，通过高层仿真体系结构/运行环境把各个路段和路段交叉口联邦成员互联在一起，同时设定好时间同步推进策略。
3.根据权利要求1所述的微观交通仿真中行人行为仿真方法，其特征是，所述高层仿真体系结构/运行环境，负责各个路段与路段交叉口之间的时间同步，以及交通实体在路段和路段交叉口之间的转移。
4.根据权利要求1所述的微观交通仿真中行人行为仿真方法，其特征是，所述行为原子模型，是指行人智能体在交通环境中所做的各种动作，包括左转、右转、前进、后退、快速前进、快速后退、随机行走、紧急身体避让，针对人群的特征，定义好各种行为的产生位移、速度，该原子行为模型构成由后续信念、期望及目标技术产生的行为计划。
5.根据权利要求1所述的微观交通仿真中行人行为仿真方法，其特征是，所述的通信，是指通过智能体通信语言实现行人智能体与路段、路段交叉口及除行人智能体外的交通实体进行通信，通信数据包括从路段和路段交叉口接收交通仿真环境信息数据，以及获取公交车能够上客信息，这些数据通过打包成智能体通信语言的信息包进行发送。
6.根据权利要求1所述的微观交通仿真中行人行为仿真方法，其特征是，所述的信念、期望及目标技术，是指根据内部概念表示及自身愿望信息按照行人智能体内部已经存在的推理规则进行匹配，导出进一步要执行的动作，要执行的行为计划由一系列的原子行为构成，信念、期望及目标技术在行人智能体内部充当引擎的作用，是行人智能体一切行为的依据及动力。
7.根据权利要求1所述的微观交通仿真中行人行为仿真方法，其特征是，所述的行为计划执行，是指根据信念、期望及目标技术产生的行人智能体行为计划，依次执行行人智能体行为计划中的每个原子行为，这就完成了一个行人行为从获取信息到行为动作的执行过程，最后汇报行人智能体位置及状态数据，同时给除行人智能体外的发送数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2007100434316A CN101079127B (zh) | 2007-07-05 | 2007-07-05 | 微观交通仿真中行人行为仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2007100434316A CN101079127B (zh) | 2007-07-05 | 2007-07-05 | 微观交通仿真中行人行为仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101079127A CN101079127A (zh) | 2007-11-28 |
| CN101079127B true CN101079127B (zh) | 2012-03-21 |
Family
ID=38906596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2007100434316A Expired - Fee Related CN101079127B (zh) | 2007-07-05 | 2007-07-05 | 微观交通仿真中行人行为仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101079127B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919779A (zh) * | 2018-07-02 | 2018-11-30 | 北京小马智行科技有限公司 | 一种交互式无人车仿真方法及仿真平台 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101826122B (zh) * | 2010-01-18 | 2011-11-09 | 吉林大学 | 一种基于阻塞角的行人仿真中障碍物避碰方法 |
| CN111159832B (zh) * | 2018-10-19 | 2024-04-02 | 百度在线网络技术（北京）有限公司 | 交通信息流的构建方法和装置 |
| CN112686979B (zh) * | 2021-03-22 | 2021-06-01 | 中智行科技有限公司 | 仿真行人动画生成方法、装置和电子设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1912837A (zh) * | 2006-08-31 | 2007-02-14 | 上海交通大学 | 支持大规模微观交通仿真的可扩展分布式系统 |
-
2007
- 2007-07-05 CN CN2007100434316A patent/CN101079127B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1912837A (zh) * | 2006-08-31 | 2007-02-14 | 上海交通大学 | 支持大规模微观交通仿真的可扩展分布式系统 |
Non-Patent Citations (2)
| Title |
|---|
| 于泉等.基于Agent的交通流微观仿真系统框架研究.计算机仿真.2006,23(1),权文. * |
| 尹全军等.基于HLA的智能Agent仿真环境研究.系统仿真学报.2005,17(4),全文. * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108919779A (zh) * | 2018-07-02 | 2018-11-30 | 北京小马智行科技有限公司 | 一种交互式无人车仿真方法及仿真平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101079127A (zh) | 2007-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Coordinative simulation with SUMO and NS3 for vehicular ad hoc networks | |
| Wang et al. | Improved multi-agent reinforcement learning for path planning-based crowd simulation | |
| CN111626097A (zh) | 一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质 | |
| CN101079127B (zh) | 微观交通仿真中行人行为仿真方法 | |
| Bohloul | Smart cities: a survey on new developments, trends, and opportunities | |
| CN114038216B (zh) | 一种基于路网划分和边界流量控制的信号灯管控方法 | |
| CN111047884A (zh) | 一种基于雾计算和强化学习的交通灯控制方法 | |
| Tahifa et al. | Swarm reinforcement learning for traffic signal control based on cooperative multi-agent framework | |
| Lu et al. | Applications of digital twin system in a smart city system with multi-energy | |
| CN102467588A (zh) | 微观交通仿真中行人行为仿真方法 | |
| Aggarwal et al. | Bio‐Inspired Routing in VANET | |
| Sliwa et al. | Lightweight joint simulation of vehicular mobility and communication with LIMoSim | |
| Ghazy et al. | Design and simulation of an artificially intelligent VANET for solving traffic congestion | |
| de Abreu Batista et al. | A multiagent system for combining green wave and adaptive control in a dynamic way | |
| CN100524354C (zh) | 基于多智能体和非适应性行为的微观交通仿真系统 | |
| CN112597802A (zh) | 一种基于视觉感知网络深度学习的行人运动模拟方法 | |
| Kristensen et al. | Simulation of intelligent traffic control for autonomous vehicles | |
| Silva et al. | Temporal evolution of vehicular network simulators: Challenges and perspectives | |
| Arokhlo et al. | Route guidance system using multi-agent reinforcement learning | |
| Pholpol et al. | Traffic congestion prediction using deep reinforcement learning in vehicular ad-hoc networks (vanets) | |
| Thejaswini et al. | A real-time traffic congestion-avoidance framework for smarter cities | |
| Ucar et al. | Lane change advisory by vehicular micro clouds | |
| Han et al. | Simulation and Test of Vehicle Global Routing Planning Algorithm Based on Autonomous Driving Simulator | |
| Sommer et al. | Improving the accuracy of ivc simulation using crowd-sourced geodata | |
| Medvei et al. | Approaching traffic congestion with double deep Q-networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120321 Termination date: 20140705 |
|
| EXPY | Termination of patent right or utility model |