CN102991498A - 基于多源信息融合的驾驶员跟驰行为模型 - Google Patents
基于多源信息融合的驾驶员跟驰行为模型 Download PDFInfo
- Publication number
- CN102991498A CN102991498A CN 201110425571 CN201110425571A CN102991498A CN 102991498 A CN102991498 A CN 102991498A CN 201110425571 CN201110425571 CN 201110425571 CN 201110425571 A CN201110425571 A CN 201110425571A CN 102991498 A CN102991498 A CN 102991498A
- Authority
- CN
- China
- Prior art keywords
- model
- acceleration
- time
- vehicle
- speed
- 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
Abstract
本发明公开了一种基于多源信息融合的驾驶员跟驰行为模型,是一种线性加速模型,将车间距、前车加速度、速度差作为模型中的多源信息输入变量,采用模糊积分和贝叶斯方法,将多源信息融合输入变量,决定产生下一步的车辆跟驰行驶模式;所述模型可使前车与后车同时移动,车辆的反应不会受到仿真步长的限制,同时能够通过控制器来实现真实空间、时间中的车辆移动。
Description
技术领域
本发明属于汽车技术领域,具体涉及一种跟车行为模型系统。
技术背景
多源信息融合技术现已经成为智能化交通控制与管理系统开发和实现的关键技术,对提高交通系统管理效率、缓解拥挤、减少污染和能源消耗、培育未来新产业具有十分重要的理论价值和现实意义。虽然多源信息融合技术在上述领域取得了一些进展,但在驾驶员行为的研究中却未得到充分利用。现代化道路交通把人、车、路、环境(交通四要素)融为一体,成为动态与静态相结合的社会大系统。其中,人是主体因素,在协调和控制交通四要素中起举足轻重作用。鉴于此,本设计关于驾驶员行为的研究从人机控制和系统的观点出发,应用模糊逻辑、非参数统计等理论以及智能协同技术,对驾驶员任务集聚、协同反应过程,特别是多源信息融合,人机协同效能在不同路网环境中的实现等建模关键理论与方法进行研究,建立了驾驶员微观协同反应模型及算法。
发明内容
1.本发明的目的是:提供一种基于多源信息融合的驾驶员跟驰行为模型,是一种线性加速模型,将车间距、前车加速度、速度差作为模型中的多源信息输入变量,采用模糊积分和贝叶斯方法,将多源信息融合输入变量,决定产生下一步的车辆跟驰行驶模式;所述模型可使前车与后车同时移动,车辆的反应不会受到仿真步长的限制,同时能够通过控制器来实现真实空间、时间中的车辆移动。移动。
本发明利用模糊积分和贝叶斯方法描述驾驶员在复杂行驶环境中多源信息的融合过程,确定驾驶员任务集聚后,对车辆应采取的驾驶行为。
多源信息融合是对多个信息进行处理的理论和方法,可以把不同时间、空间的数据进行综合处理,从而得到对现实环境更精确、更可靠的描述。
其基本原理和出发点是:充分利用多个信息源,通过对它们及其提供信息的合理支配和使用,把多个信息源在空间或时间上的冗余或互补信息按照某种准则进行组合,以获得对被测对象的一致性解释或描述,使该信息系统由此获得比它各组成部分的子集所构成的系统更优越的性能。
作为道路交通系统的信息处理者、决策者、调节者和控制者,驾驶员是人-车-路-环境系统中最核心、最复杂的组成部分。
在行车过程中,驾驶员需要连续不断地从道路环境和车辆运行状况中获取道路交通和车辆运行等多源信息,并对其进行融合来决定产生下一步的车辆行驶模式。
具体的车辆行驶模式包括:加速行驶、减速行驶、跟车行驶等。
本发明所构建的车辆跟驰模型是一种线性加速模型,可以将车间距、前车加速度、速度差作为模型中的多源信息输入变量。该模型可使前车与后车同时移动,车辆的反应不会受到仿真步长的限制,同时能够通过控制器来实现真实空间、时间中的车辆移动。
基于多源信息融合的驾驶员跟驰行为模型车辆跟驰模型算法如下:
(1)前车速度降低时,为了保持前后车的间距,后车驾驶员采取的措施是尽量使车速等于前车的车速。
(2)最优车头时距(tp)指的是当前后车辆处于稳定的车辆跟驰状态时的车头时距。
(3)处于稳定状态的车间距称为期望间距。期望间距是指前车的后档与后车的前保险杠之间的距离,它可以用下式来表达:
期望间距=速度×最优车头时距
(4)线性的加(减)速模型能够表明驾驶员可以通过采取加速或减速的行为来达到它的期望速度。
相似的,在车辆跟驰过程中,驾驶员可以用同样的原理达到与前车的稳定状态。
(5)驾驶员的感觉域随前车速度和加速度以及车头时距变化。满足以上条件的车辆跟驰模型赋予每个驾驶员一个最优车头时距和一个刹车反应时间。
模型描述如下:假设前车和后车开始在t=t0时刻相距Δx并且它们有不同的速度,后车将在t=t1时刻以它的期望间距与前车达到稳定状态,跟驰行为模型公式为:
α(Δa)t0+c×t2+(β(Δv)t0+c+al×tp)×t-(Δx)t0+c+vl×tp=0 (1-1)
式中,α,β——有待标定的常量;(何种常量)(是一个待定的数值,可以通过实测数据进行标定,就像数学方程式里的待定系数一样。)
t、tp——达到稳定状态的时间和最优车头时距;
c——刹车反应时间;
(Δv)t0+c=(vf-vl)t0+c;vf、vl——后车和前车的速度;
t0时刻是设定的开始时刻,t0+c时刻即开始时刻t0加上刹车反应时间c后的时刻)
引入一个可计算的加速度斜率,即加速度变化的快慢程度,它将后车带到一种稳定的状态;所述加速度斜率的值由以下公式求得:
s=-2×((Δv)t0+c+(Δa)t0+c×t)/t2 (1-2)
其中,s是代表t0到t1时间行驶的距离。
这个斜率被应用在时间:
t=t0+c
在前一步长和当前步长的时间段内加速度和加速度斜率保持稳定的前提下,(计算机模型设计中模拟更新车辆运行状态)用于刷新车辆模型的算法如下:
(v)t1=(v)t0+(a)t0×T+0.5×s×T2
(x)t1=(x)t0+(v)t0×T+0.5×(a)t0×T2+0.167×s×T2 (1-3)
式中,(v)t1——t=t1时刻后车速度;
(v)t0、(a)t0——t=t0时刻后车速度和加速度;
(x)t1——t=t1时刻后车所处的位置;
(x)t0——t=t0时刻后车所处的位置;
T——刷新时间。
公式(1-3)应用的前提是在前一步长和当前步长的时间段内加速度和加速度斜率保持稳定。如果在这个时间段里反应时间和一个新的加速度被考虑,那么下面的公式被应用:
(v)t1=(v)t0+(a)t0×Δc+0.5×(s)t0×(Δc)2+(a)t0+Δc×(T-Δc)+0.5×(s)t0+Δc×(T-Δc)2
(x)t1=(x)t0+(v)t0×Δc+0.5×(a)t0×(Δc)2+0.167×(s)t0×(Δc)2+(v)t0+Δc×(T-Δc)+0.5×(a)t0+Δc×(T-Δc)2+0.167×(s)t0+Δc×(T-ΔC)2
(1-4)
式中,Δc——前一刷新时间与反应时间的差值;
(a)t0+Δc——反应时间之后新的加速度;
(s)t0+Δc——反应时间之后的新的加速度斜率;
(v)t0+Δc——反应时间末的后车速度。
(v)t0+Δc可以由下式得到:
(v)t0+Δc=(v)t0+(a)t0×(Δc)+0.5×(s)t0×(Δc) (1-5)
从公式(1-3)可以看出,应用到前一时间步长的反应时间,将被应用在当前步长和前一步长之间。
下面对本发明的实施例进行具体描述。
具体实施方式
本实施例将根据行车道上车辆跟驰的整个过程,对驾驶员从整个交通系统中获取、加工、贮存、使用相关信息的认知过程链进行抽象,运用认知心理学知识,并结合人的信息并行处理、竞争协作输出的思想,提出一种将直觉、分析和推理三者相结合的基于多源信息融合的驾驶员综合认知结构。
基于多源信息融合的驾驶员跟驰行为模型,其特征在于:是一种线性加速模型,将车间距、前车加速度、速度差作为模型中的多源信息输入变量,该模型可使前车与后车同时移动,车辆的反应不会受到仿真步长的限制,同时能够通过控制器来实现真实空间、时间中的车辆移动。
所述跟驰行为模式包括加速行驶、减速行驶和跟车行驶。
跟驰行为模型算法如下:
(1)当前车速度降低时,为了保持前后车的间距,后车驾驶员采取的措施是尽量使车速等于前车的车速。
(2)最优车头时距(tp)指的是当前后车辆处于稳定的车辆跟驰状态时的车头时距。
(3)处于稳定状态的车间距称为期望间距。期望间距是指前车的后档与后车的前保险杠之间的距离,它可以用下式来表达:
期望间距=速度×最优车头时距
(4)线性的加(减)速模型能够表明驾驶员可以通过采取加速或减速的行为来达到它的期望速度。
驾驶员加速、减速、跟车的行为模式随前车速度和加速度以及车头时距变化,满足以上条件的车辆跟驰模型赋予每个驾驶员一个最优车头时距和一个刹车反应时间,其模型描述如下:
假设前车和后车开始在t=t0时刻相距Δx并且它们有不同的速度,后车将在t=t1时刻以它的期望间距与前车达到稳定状态。跟驰模型公式为:
α(Δa)t0+c×t2+(β(Δv)t0+c+al×tp)×t-(Δx)t0+c+vl×tp=0 (1-1)
式中,α,β——有待标定的常量;
t、tp——达到稳定状态的时间和最优车头时距;
c——反应时间;
(Δv)t0+c=(vf-vl)t0+c;
vf、vl——后车和前车的速度;
(Δa)t0+c=(af-al)t0+c
af、al——后车和前车的加速度;
跟车模型由以下公式计算:
加速度斜率s的值可由以下公式求得:
s=-2×((Δv)t0+c+(Δa)t0+c×t)/t2 (1-2)
这个斜率被应用在时间:
t=t0+c
在前一步长和当前步长的时间段内加速度和加速度斜率保持稳定的前提下,模型算法如下:
(v)t1=(v)t0+(a)t0×T+0.5×s×T2
(x)t1=(x)t0+(v)t0×T+0.5×(a)t0×T2+0.167×s×T2
式中,(v)t1——t=t1时刻后车速度;
(v)t0、(a)t0——t=t0时刻后车速度和加速度;
(x)t1——t=t1时刻后车所处的位置;
(x)t0——t=t0时刻后车所处的位置;
T——刷新时间。
在这个时间段里反应时间和一个新的加速度被考虑,应用如下公式。此时,应用到前一时间步长的反应时间,将被应用在当前步长和前一步长之间:
(v)t1=(v)t0+(a)t0×Δc+0.5×(s)t0×(Δc)2+(a)t0+Δc×(T-Δc)+0.5×(s)t0+Δc×(T-Δc)2
(x)t1=(x)t0+(v)t0×Δc+0.5×(a)t0×(Δc)2+0.167×(s)t0×(Δc)2+(v)t0+Δc×(T-Δc)+0.5×(a)t0+Δc×(T-Δc)2+0.167×(s)t0+Δc×(T-ΔC)2
式中,Δc——前一刷新时间与反应时间的差值;
(a)t0+Δc——反应时间之后新的加速度;
(s)t0+Δc——反应时间之后的新的加速度斜率;
(v)t0+Δc——反应时间末的后车速度。
(v)t0+Δc可以由下式得到:
(v)t0+Δc=(v)t0+(a)t0×(Δc)+0.5×(s)t0×(Δc)
从公式(1-3)可以看出,应用到前一时间步长的反应时间,将被应用在当前步长和前一步长之间。
Claims (7)
1.基于多源信息融合的驾驶员跟驰行为模型,其特征在于:是一种线性加速模型,将车间距、前车加速度、速度差作为模型中的多源信息输入变量,采用模糊积分和贝叶斯方法,将多源信息输入变量融合,决定产生下一步的车辆跟驰行为模式;所述模型可使前车与后车同时移动,车辆的反应不会受到仿真步长的限制,同时能够通过控制器来实现真实空间、时间中的车辆移动。
2.根据权利要求1所述的基于多源信息融合的驾驶员跟驰行为模型,其特征在于:所述跟驰行为模式包括加速行驶、减速行驶和跟车行驶。
3.根据权利要求2所述的基于多源信息融合的驾驶员跟驰行为模型,其特征在于:跟驰行为模型算法如下:
(1)前车速度降低时,为了保持前后车的间距,后车驾驶员采取的措施是尽量使车速等于前车的车速。
(2)处于稳定状态的车间距称为期望间距。期望间距是指前车的后档与后车的前保险杠之间的距离,用下式来表达:
期望间距=速度×最优车头时距
其中,最优车头时距(tp)指的是当前后车辆处于稳定的车辆跟驰状态时的车头时距。
(3)线性的加速、减速模型能够表明驾驶员通过采取加速或减速的行为来达到它的期望速度。
4.根据权利要求3所述的基于多源信息融合的驾驶员跟驰行为模型,其特征在于:驾驶员加速、减速、跟车的行为模式随前车速度和加速度以及车头时距变化,满足以上条件的车辆跟 驰模型赋予每个驾驶员一个最优车头时距和一个刹车反应时间,其跟驰行为模型描述如下:
假设前车和后车开始在t=t0时刻相距Δx并且它们有不同的速度,后车将在t=t1时刻以它的期望间距与前车达到稳定状态,跟驰行为模型公式为:
α(Δa)t0+c×t2+(β(Δv)t0+c+al×tp)×t-(Δx)t0+c+vl×tp=0 (1-1)
式中,α,β——有待标定的常量;(何种常量)(是一个待定的数值,可以通过实测数据进行标定,就像数学方程式里的待定系数一样。)
t、tp——达到稳定状态的时间和最优车头时距;
c——刹车反应时间;
(Δv)t0+c=(vf-vl)t0+c;vf、vl——后车和前车的速度;
t0时刻是设定的开始时刻,t0+c时刻即开始时刻t0加上刹车反应时间c后的时刻)
5.根据权利要求3所述的基于多源信息融合的驾驶员跟驰行为模型,其特征在于:引入一个可计算的加速度斜率,即加速度变化的快慢程度,它将后车带到一种稳定的状态;所述加速度斜率的值由以下公式求得:
s=-2×((Δv)t0+c+(Δa)t0+c×t)/t2 (1-2)
其中,s是代表t0到t1时间行驶的距离。
这个斜率被应用在时间:
t=t0+c
6.根据权利要求3所述的基于多源信息融合的驾驶员跟驰行为模型,其特征在于:在前一步长和当前步长的时间段内加速度和 加速度斜率保持稳定的前提下,(计算机模型设计中模拟更新车辆运行状态)用于刷新车辆模型的算法如下:
(v)t1=(v)t0+(a)t0×T+0.5×s×T2
(x)t1=(x)t0+(v)t0×T+0.5×(a)t0×T2+0.167×s×T2
式中,(v)t1——t=t1时刻后车速度;
(v)t0、(a)t0——t=t0时刻后车速度和加速度;
(x)t1——t=t1时刻后车所处的位置;
(x)t0——t=t0时刻后车所处的位置;
T——刷新时间。
7.根据权利要求3所述的基于多源信息融合的驾驶员跟驰行为模型系统,其特征在于:在这个时间段里反应时间和一个新的加速度被考虑,应用如下公式;此时,应用到前一时间步长的反应时间,将被应用在当前步长和前一步长之间:
(v)t1=(v)t0+(a)t0×Δc+0.5×(s)t0×(Δc)2+(a)t0+Δc×(T-Δc)
+0.5×(s)t0+Δc×(T-Δc)2
(x)t1=(x)t0+(v)t0×Δc+0.5×(a)t0×(Δc)2+0.167×(s)t0×(Δc)2+(v)t0+Δc
×(T-Δc)+0.5×(a)t0+Δc×(T-Δc)2+0.167×(s)t0+Δc×(T-ΔC)2
式中,Δc——前一刷新时间与反应时间的差值;
(a)t0+Δc——反应时间之后新的加速度;
(s)t0+Δc——反应时间之后的新的加速度斜率;
(v)t0+Δc——反应时间末的后车速度。
(v)t0+Δc可以由下式得到:
(v)t0+Δc=(v)t0+(a)t0×(Δc)+0.5×(s)t0×(Δc)
应用到前一时间步长的反应时间,将被应用在当前步长和前一步长之间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110425571 CN102991498A (zh) | 2011-12-19 | 2011-12-19 | 基于多源信息融合的驾驶员跟驰行为模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110425571 CN102991498A (zh) | 2011-12-19 | 2011-12-19 | 基于多源信息融合的驾驶员跟驰行为模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102991498A true CN102991498A (zh) | 2013-03-27 |
Family
ID=47920759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110425571 Pending CN102991498A (zh) | 2011-12-19 | 2011-12-19 | 基于多源信息融合的驾驶员跟驰行为模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102991498A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788238A (zh) * | 2016-01-07 | 2016-07-20 | 南京航空航天大学 | 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法 |
CN106682295A (zh) * | 2016-12-16 | 2017-05-17 | 清华大学 | 一种用于驾驶员实时安全特性评估的分析方法 |
CN106991806A (zh) * | 2017-05-05 | 2017-07-28 | 同济大学 | 低能见度高速公路带队通行方法 |
CN107045639A (zh) * | 2017-03-13 | 2017-08-15 | 同济大学 | 一种基于时间自动机的跟车行为生成方法 |
CN108845498A (zh) * | 2018-06-15 | 2018-11-20 | 吉林大学 | 一种考虑反应滞后时间的驾驶员跟驰模型 |
CN109712397A (zh) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | 基于gm跟驰模型的高速公路行程时间估计方法 |
CN109712398A (zh) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN109859465A (zh) * | 2019-01-09 | 2019-06-07 | 吉林大学 | 基于交通流动态特性的自动驾驶纵向控制参数调整系统 |
CN110750877A (zh) * | 2019-09-27 | 2020-02-04 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CN110782680A (zh) * | 2019-11-01 | 2020-02-11 | 北京星云互联科技有限公司 | 一种慢车检测方法、装置以及计算机可读存储介质 |
CN110851995A (zh) * | 2019-11-27 | 2020-02-28 | 河北工业大学 | 一种混合交通流跟驰模型及仿真方法 |
CN110920610A (zh) * | 2019-12-11 | 2020-03-27 | 东风商用车有限公司 | 自动驾驶跟车方法 |
CN110979309A (zh) * | 2019-12-23 | 2020-04-10 | 北京航空航天大学 | 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法 |
CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN112428997A (zh) * | 2020-11-26 | 2021-03-02 | 北京航空航天大学 | 一种基于风险动态平衡的车辆跟驰模型 |
CN113401125A (zh) * | 2021-07-29 | 2021-09-17 | 中国第一汽车股份有限公司 | 纵向跟车控制方法、装置、电子设备及存储介质 |
CN116188435A (zh) * | 2023-03-02 | 2023-05-30 | 南通大学 | 一种基于模糊逻辑的医学图像深度分割方法 |
-
2011
- 2011-12-19 CN CN 201110425571 patent/CN102991498A/zh active Pending
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105788238B (zh) * | 2016-01-07 | 2018-08-28 | 南京航空航天大学 | 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法 |
CN105788238A (zh) * | 2016-01-07 | 2016-07-20 | 南京航空航天大学 | 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法 |
CN106682295A (zh) * | 2016-12-16 | 2017-05-17 | 清华大学 | 一种用于驾驶员实时安全特性评估的分析方法 |
CN107045639B (zh) * | 2017-03-13 | 2020-06-02 | 同济大学 | 一种基于时间自动机的跟车行为生成方法 |
CN107045639A (zh) * | 2017-03-13 | 2017-08-15 | 同济大学 | 一种基于时间自动机的跟车行为生成方法 |
CN106991806A (zh) * | 2017-05-05 | 2017-07-28 | 同济大学 | 低能见度高速公路带队通行方法 |
CN108845498A (zh) * | 2018-06-15 | 2018-11-20 | 吉林大学 | 一种考虑反应滞后时间的驾驶员跟驰模型 |
CN108845498B (zh) * | 2018-06-15 | 2021-04-20 | 吉林大学 | 一种考虑反应滞后时间的驾驶员跟驰模型 |
CN109859465B (zh) * | 2019-01-09 | 2021-05-11 | 吉林大学 | 基于交通流动态特性的自动驾驶纵向控制参数调整系统 |
CN109859465A (zh) * | 2019-01-09 | 2019-06-07 | 吉林大学 | 基于交通流动态特性的自动驾驶纵向控制参数调整系统 |
CN109712398A (zh) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN109712397A (zh) * | 2019-01-22 | 2019-05-03 | 江苏智通交通科技有限公司 | 基于gm跟驰模型的高速公路行程时间估计方法 |
CN109712397B (zh) * | 2019-01-22 | 2021-05-28 | 江苏智通交通科技有限公司 | 基于gm跟驰模型的高速公路行程时间估计方法 |
CN109712398B (zh) * | 2019-01-22 | 2021-05-28 | 江苏智通交通科技有限公司 | 高速公路行程时间估计模型参数优化方法 |
CN110750877B (zh) * | 2019-09-27 | 2024-05-03 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CN110750877A (zh) * | 2019-09-27 | 2020-02-04 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CN110782680A (zh) * | 2019-11-01 | 2020-02-11 | 北京星云互联科技有限公司 | 一种慢车检测方法、装置以及计算机可读存储介质 |
CN110851995B (zh) * | 2019-11-27 | 2023-06-06 | 河北工业大学 | 一种混合交通流跟驰系统及仿真方法 |
CN110851995A (zh) * | 2019-11-27 | 2020-02-28 | 河北工业大学 | 一种混合交通流跟驰模型及仿真方法 |
CN110920610A (zh) * | 2019-12-11 | 2020-03-27 | 东风商用车有限公司 | 自动驾驶跟车方法 |
CN110979309A (zh) * | 2019-12-23 | 2020-04-10 | 北京航空航天大学 | 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法 |
CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN111968372B (zh) * | 2020-08-25 | 2022-07-22 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN112428997A (zh) * | 2020-11-26 | 2021-03-02 | 北京航空航天大学 | 一种基于风险动态平衡的车辆跟驰模型 |
CN113401125B (zh) * | 2021-07-29 | 2022-10-11 | 中国第一汽车股份有限公司 | 纵向跟车控制方法、装置、电子设备及存储介质 |
CN113401125A (zh) * | 2021-07-29 | 2021-09-17 | 中国第一汽车股份有限公司 | 纵向跟车控制方法、装置、电子设备及存储介质 |
CN116188435A (zh) * | 2023-03-02 | 2023-05-30 | 南通大学 | 一种基于模糊逻辑的医学图像深度分割方法 |
CN116188435B (zh) * | 2023-03-02 | 2023-11-07 | 南通大学 | 一种基于模糊逻辑的医学图像深度分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102991498A (zh) | 基于多源信息融合的驾驶员跟驰行为模型 | |
CN110597245B (zh) | 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法 | |
Wang et al. | Hybrid electric vehicle energy management with computer vision and deep reinforcement learning | |
Yu et al. | An improved car-following model considering relative velocity fluctuation | |
Mensing et al. | Trajectory optimization for eco-driving taking into account traffic constraints | |
HomChaudhuri et al. | A fuel economic model predictive control strategy for a group of connected vehicles in urban roads | |
Luo et al. | Green light optimal speed advisory for hybrid electric vehicles | |
CN105243430A (zh) | 列车节能运行的目标速度曲线的优化方法 | |
Dong et al. | Predictive energy-efficient driving strategy design of connected electric vehicle among multiple signalized intersections | |
CN112735126A (zh) | 一种基于模型预测控制的混合交通流协同优化控制方法 | |
CN102999646A (zh) | 一种微观交通仿真中车辆跟驰换道方法及系统 | |
CN106530691A (zh) | 一种考虑车辆占有空间的混合车型多车道元胞自动机模型 | |
Dong et al. | A comparative study of energy-efficient driving strategy for connected internal combustion engine and electric vehicles at signalized intersections | |
CN111899509B (zh) | 一种基于车路信息耦合的智能网联汽车状态向量计算方法 | |
Bakibillah et al. | Fuzzy-tuned model predictive control for dynamic eco-driving on hilly roads | |
Yan et al. | Design of a deep inference framework for required power forecasting and predictive control on a hybrid electric mining truck | |
Hu et al. | Feature analysis on mixed traffic flow of manually driven and autonomous vehicles based on cellular automata | |
CN115257789A (zh) | 城市低速环境下的营运车辆侧向防撞驾驶决策方法 | |
Xie et al. | Safe driving model based on v2v vehicle communication | |
Wang et al. | Towards higher efficiency and less consumption: Control Strategy and Simulation for CAV platooning | |
CN113781770B (zh) | 一种模拟双离合式的合流区车路协同控制系统 | |
Wu et al. | An optimal longitudinal control strategy of platoons using improved particle swarm optimization | |
CN114261399A (zh) | 一种冰雪路面下智能驾驶汽车决策规划方法 | |
CN113313939A (zh) | 一种考虑加速度连续的单车道元胞自动机模型仿真方法 | |
Pathare et al. | Improved Tactical Decision Making and Control Architecture for Autonomous Truck in SUMO Using Reinforcement Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130327 |