CN103693040B - 一种基于双模式协作的车辆避撞系统 - Google Patents
一种基于双模式协作的车辆避撞系统 Download PDFInfo
- Publication number
- CN103693040B CN103693040B CN201310666635.0A CN201310666635A CN103693040B CN 103693040 B CN103693040 B CN 103693040B CN 201310666635 A CN201310666635 A CN 201310666635A CN 103693040 B CN103693040 B CN 103693040B
- Authority
- CN
- China
- Prior art keywords
- mechanism unit
- vehicle
- collision avoidance
- neural network
- unit
- 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
- 230000007246 mechanism Effects 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000007689 inspection Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001028 reflection method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 7
- 230000008447 perception Effects 0.000 abstract description 3
- 238000011002 quantification Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W2050/0001—Details of the control system
-
- 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
- B60W2554/00—Input parameters relating to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于双模式协作的车辆避撞系统,该基于双模式协作的车辆避撞系统包括:过滤机制单元、神经网络机制单元、检验机制单元、精确模型单元、第一输出机制单元,第二输出机制单元。本发明将传统的精确型数学模型与BP人工神经网络相结合,能够较好的适应人类的感知与行为以及对一些难以精确量化的工况进行模糊化的方式量化,同时也可以对复杂工况做出较好的刻画;具有较好的自学习特性以适应驾驶员驾驶习惯,提高了碰撞系统的精确度,保证了车辆在行驶过程中避免碰撞。
Description
技术领域
本发明属于车辆避撞系统技术领域,尤其涉及一种基于双模式协作的车辆避撞系统。
背景技术
目前,设计车辆避撞系统的目的在于在危险将要发生的时刻给出警报,或直接控制车辆避开撞击,其中车辆自适应巡航控制(ACC,adaptivecruisecontrol)是一类具有主动避撞功能的控制系统,然而在该类避撞系统的模型建立的过程中需要考虑到很多复杂的因素,譬如基本的车辆位移与速度特征、所在道路的交通拥挤程度,以及道路本身的特征(如直道、T字路口、十字路口)等,这些复杂的因素给尝试以经典数学建模分析问题的思路与方法带来了一定的困难,并导致大部分的ACC模型系统只能在较为简单的道路交通工况上使用。
近年来很多研究者尝试以模糊数学、人工神经网络或是这两者的结合来建立模型分析问题,这一研究方向已经取得了一定的成果,但仍然存在一些难以避免的问题,比如模糊数学机制虽然能够较好的适应人类的感知与行为以及对一些难以精确量化的工况采用模糊化的方式量化,但由于其本身特性所限制,而难以对复杂工况做出较好的刻画;人工神经网络下的建模虽然具有较好的自学习特性以适应驾驶员驾驶习惯,但其必须事先进行模式学习训练且在自身模型的收敛速度方面存在较为缓慢的问题,另外它在复杂工况的刻画上还具有与模糊数学模型相同的缺陷。
发明内容
本发明实施例的目的在于提供一种基于双模式协作的车辆避撞系统,旨在解决传统的模糊数学机制存在的由于本身特性所限制,而难以对复杂工况做出较好的刻画;人工神经网络下的建模须事先进行模式学习训练且在自身模型的收敛速度方面存在较为缓慢的问题。
本发明实施例是这样实现的,一种基于双模式协作的车辆避撞系统,该基于双模式协作的车辆避撞系统包括:过滤机制单元、神经网络机制单元、检验机制单元、精确模型单元、第一输出机制单元,第二输出机制单元;
过滤机制单元,用于通过过滤判断碰撞系统的危险的状态;
神经网络机制单元,与过滤机制单元相连接,用于将描述环境的变量载入协作系统,并预测出用于避撞的转角值;
检验机制单元,与神经网络机制单元相连接,用于通过对策结果检验避撞转角值的合理性,合理的直接输送到输出机制单元中,不合理的输送到精确模型单元中;
精确模型单元,与检验机制单元和神经网络机制单元相连接,用于将检测机制的结果与精确型模型的避撞算法给出的结果进行比较,在神经网络给出的结果不够合理的情况下令神经网络学习精确型模型的计算结果;
第一输出机制单元,与检验机制单元连接,用于对检验机制单元的避撞转角值的合理结果进行输出;
第二输出机制单元,与精确模型单元连接,用于对精确模型单元比较的结果进行输出。
进一步,精确模型单元的基于路面障碍精确模型建立方法为:
第一步,要对车辆运行时的环境作出描述,车辆行驶在道路上,假设车辆的转角范围为[-σ,σ],负表示左转,则令扫描角度为2σ,并将2σ范围按角度平均分割为n块,记第i块的角度为θi(θ1=0),每个方向采用微波雷达或机器视觉的方式测得最近障碍物距离为li;
第二步,采用多个参数将道路情况较为精细的刻画,车到附近车辆,附近障碍物的距离,以及车在道路中所处的位置,车到道路边际的距离参数都会体现在中,而建模的精细程度可由n来决定;
第三步,假设本车当前速度为vc(≥0),刹车加速度为ac,最小安全距离为ds,车辆停止时需要与障碍物保持的最小距离,司机反映时间为Tr,先为车辆寻找安全区域,安全区域内的每个方向的最小障碍距离都应当大于一个阈值,这个值由当前车速vc以及反映时间Tr决定:
令安全巡航距离再令安全巡航角度
其中cs的意义为车辆进行安全行驶时与障碍物必须要保持的最小距离,区别于ds,得出在车辆前方的某个角度内必须要满足这个角度范围内半径大于等于cs的扇形中至少有ds的无障碍区域,为简化计算可令扇形弧长约等于ds,故得出了一个安全巡航角度θs;
有了安全巡航角度θs,避撞系统的任务将演变为在范围为[-σ,σ]的扫描角度内寻找一个角度区域θs,对于区域内所有的li都有li≥cs成立,再将这个区域转化为转角值作为输出。
进一步,寻找安全巡航角度区域的算法为:
第一步,设定初值初始角度所在的分片下标,安全巡航角度所含分片数,单个分片角度值,i=j=k,记二元函数f(x,y)=min{lx+j|0≤||j≤y};
第二步,若i∈[1,n]且则令并执行第六步,;否则执行第三步;
第三步,若j∈[1,n]且则令并执行Step6;否则执行第四步;
第四步,若且则执行第五步,;否则若i∈(1,n)则令i=i+1,若j∈(1,n)则令j=j-1,执行第二步;
第五步,未找到安全巡航角度区域,输出ar=ac;
第六步,找到安全巡航角度区域,输出值。
进一步,神经网络机制单元的基于学习模式的BP神经网络模型的建立方法为:
以精确模型中中的向量作为神经网络的输入模式,将转角参数按转角映射法转化为(其中)建立人工神经网络结构:
其中输入模式为连接权值矩阵为Wi(i=1,2),输出模式为隐含层为隐含层与输出层阈值为(i=1,2),选取Sigmoid作为转移函数:
进一步,对输入模式的计算步骤如下:
输入层:完成向量的按位置映射输入与归一化处理,层节点值
隐含层与输出层:计算每个节点的输入为每个节点输出Yj=f(sj);
转角映射:机制完成转角到输出模式、输出模式到转角的双向转化,因为单个转角值并不利于直接参与神经网络的运算,故对于转角与输出模式按照以下给出的两个函数进行映射:
本发明提供的基于双模式协作的车辆避撞系统,将传统的精确型数学模型与BP人工神经网络相结合,建立了一种两种模式相互配合,相互学习,且在人工神经网络部分具有自适应特性的推理控制系统,在自适应学习过程中采用附加动量项的学习算法对神经网络进行训练,达到了较好的收敛效果。本发明的基于双模式协作的车辆避撞系统能够较好的适应人类的感知与行为以及对一些难以精确量化的工况进行模糊化的方式量化,同时也可以对复杂工况做出较好的刻画;具有较好的自学习特性以适应驾驶员驾驶习惯,提高了碰撞系统的精确度,保证了车辆在行驶过程中避免碰撞。
附图说明
图1是本发明实施例提供的基于双模式协作的车辆避撞系统结构示意图;
图2是本发明实施例提供的车辆转角范围示意图;
图3是本发明实施例提供的车辆前方安全巡航角度示意图;
图4是本发明实施例提供的人工神经网络结构示意图;
图5是本发明实施例提供的BP神经网络训练的收敛结果示意图;
图中:1、过滤机制单元;2、神经网络机制单元;3、检验机制单元;4、精确模型单元;5、第一输出机制单元;6、第二输出机制单元。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明实施例的基于双模式协作的车辆避撞系统主要由过滤机制单元1、神经网络机制单元2、检验机制单元3、精确模型单元4、第一输出机制单元5,第二输出机制单元6组成;
过滤机制单元1,用于通过过滤判断碰撞系统的危险的状态;
神经网络机制单元2,与过滤机制单元1相连接,用于将描述环境的变量载入协作系统,并预测出用于避撞的转角值;
检验机制单元3,与神经网络机制单元2相连接,用于通过对策结果检验避撞转角值的合理性,合理的直接输送到输出机制单元5中,不合理的输送到精确模型单元4中;
精确模型单元4,与检验机制单元3和神经网络机制单元2相连接,用于将检测机制的结果与精确型模型的避撞算法给出的结果进行比较,在神经网络给出的结果不够合理的情况下令神经网络学习精确型模型的计算结果;
第一输出机制单元5,与检验机制单元3连接,用于对检验机制单元3的避撞转角值的合理结果进行输出;
第二输出机制单元6,与精确模型单元4连接,用于对精确模型单元4比较的结果进行输出。
结合具体实施例对本发明做进一步的说明:
在精确模型单元4的基于路面障碍的精确模型建立方法为:
车辆在行驶过程中影响驾驶动作的因素主要有本车速度、附近车辆速度、与附近车辆的距离等,但在复杂情况下,车辆所处环境的车流量、道路宽度、所处道路的路段都会成为判断危险度的重要参数;
首先要对车辆运行时的环境作出描述,如图2所示,车辆行驶在道路上,假设车辆的转角范围为[-σ,σ](负表示左转),则令扫描角度为2σ,并将该2σ范围按角度平均分割为n块,记第i块的角度为θi(θ1=0),每个方向采用微波雷达或机器视觉的方式测得最近障碍物距离为li;
上述方法采用多个参数将道路情况较为精细的刻画,其中本车到附近车辆,附近障碍物的距离,以及本车在道路中所处的位置,本车到道路边际的距离等参数都会体现在中,而建模的精细程度可由n来决定;
在已经具有刻画环境的变量的基础上,再来分析避撞过程;
假设本车当前速度为vc(≥0),刹车加速度为ac,最小安全距离为ds(即车辆停止时需要与障碍物保持的最小距离),司机反映时间为Tr,下面构造出具有反馈转角值和反馈加速度ar作为输出的基于精确模型的避撞算法;
先为车辆寻找安全区域,安全区域内的每个方向的最小障碍距离都应当大于一个阈值,这个值由当前车速vc以及反映时间Tr决定:
令安全巡航距离(式1)
再令安全巡航角度(式2)
其中cs的意义为车辆进行安全行驶时与障碍物必须要保持的最小距离(区别于ds),在这基础上得出在车辆前方的某个角度内必须要满足这个角度范围内半径大于等于cs的扇形中至少有ds的无障碍区域(如图3所示),为简化计算可令扇形弧长约等于ds,故得出了一个安全巡航角度θs;
有了这个安全巡航角度θs,避撞系统的任务将演变为在范围为[-σ,σ]的扫描角度内寻找一个角度区域θs,对于这个区域内所有的li都有li≥cs成立,再将这个区域转化为转角值作为输出;
寻找安全巡航角度区域的算法如下:
第一步,设定初值(初始角度所在的分片下标),(安全巡航角度所含分片数),(单个分片角度值),i=j=k,记二元函数f(x,y)=min{lx+j|0≤||j≤y};
第二步,若i∈[1,n]且则令并执行第六步,;否则执行第三步;
第三步,若j∈[1,n]且则令并执行Step6;否则执行第四步;
第四步,若且则执行第五步,;否则若i∈(1,n)则令i=i+1,若j∈(1,n)则令j=j-1,执行第二步;
第五步,未找到安全巡航角度区域,输出ar=ac;
第六步,找到安全巡航角度区域,输出值;
上述算法的实质就是在最靠近当前方向的区域寻找一个安全巡航区域;
本发明采用的神经网络机制单元2基于学习模式的BP神经网络模型的建立方法为:
上述的避撞模型具有实时性,精确计算性等特点,但并不具备学习功能和适应驾驶员的特性;而人工神经网络对量化的输入模式具有很好的分类、预测、推理等,下面采用BP人工神经网络为原型对避撞问题进行建模分析;
以精确模型中中的向量作为神经网络的输入模式,将转角参数按转角映射法转化为(其中建立如图4所示的人工神经网络结构:
其中输入模式为连接权值矩阵为Wi(i=1,2),输出模式为隐含层为隐含层与输出层阈值为(i=1,2),选取Sigmoid作为转移函数:
对输入模式的计算步骤如下:
输入层:完成向量的按位置映射输入与归一化处理,该层节点值
隐含层与输出层:计算每个节点的输入为每个节点输出Yj=f(sj);
转角映射:该机制完成转角到输出模式、输出模式到转角的双向转化,因为单个转角值并不利于直接参与神经网络的运算,故对于转角与输出模式按照以下给出的两个函数进行映射:
收敛性的测试为:先设定BP神经网络的连接权值为随机,再给出一些交通工况下的环境变量来仿真图2的过程,并测试神经网络在该系统中的收敛性,BP神经网络的学习算法采用标准误差校正法,配合学习速率自适应调整算法来学习。
先给定一些输入模式,先由模型1进行运算得出的结果作为各个输入模式的输出模式,构造了如下表所示的学习样本,测试人工神经网络的收敛性;
学习算法采用最陡下降学习法,配合动量项,即来对BP神经网络进行训练,收敛结果如图5。
本发明的工作原理:
本发明提供的基于双模式协作的车辆避撞系统,从精确测量路障的角度出发,建立了基于精确模型的避撞算法与基于学习模式的人工神经网络避撞算法,并提出了两种模型相互配合的具体涉及的步骤与内容。对人工神经网络模型的收敛性仿真测试结果显示了双模式协作系统中的精确模型与神经网络模型达到了较好的配合效果,其最终收敛的结果亦显示了建模的合理性与可靠性。基于双模式协作的车辆避撞系统让基于路障的精确型模型与人工神经网络配合,先由过滤(或预警)机制判断出危险的状态,并将描述环境的变量载入协作系统,先由神经网络机制预测出用于避撞的转角值,再由检验机制对决策结果检验其合理性,将该结果与精确型模型的避撞算法给出的结果进行比较,在神经网络给出的结果不够合理的情况下令神经网络学习精确型模型的计算结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于双模式协作的车辆避撞系统,其特征在于,该基于双模式协作的车辆避撞系统包括:过滤机制单元、神经网络机制单元、检验机制单元、精确模型单元、第一输出机制单元,第二输出机制单元;
过滤机制单元,用于通过过滤判断碰撞系统的危险的状态;
神经网络机制单元,与过滤机制单元相连接,用于将描述环境的变量载入协作系统,并预测出用于避撞的转角值;
检验机制单元,与神经网络机制单元相连接,用于检验避撞转角值的合理性,合理的直接输送到输出机制单元中,不合理的输送到精确模型单元中;
精确模型单元,与检验机制单元和神经网络机制单元相连接,用于将检验机制单元输出的不合理的检验避撞转角值的结果与精确型模型的避撞算法给出的结果进行比较,在神经网络给出的结果不够合理的情况下令神经网络学习精确型模型的计算结果;
第一输出机制单元,与检验机制单元连接,用于对检验机制单元的避撞转角值的合理结果进行输出;
输出机制单元,与精确模型单元连接,用于对精确模型单元比较的结果进行输出。
2.如权利要求1所述的基于双模式协作的车辆避撞系统,其特征在于,精确模型单元的基于路面障碍精确模型建立方法为:
第一步,要对车辆运行时的环境作出描述,车辆行驶在道路上,假设车辆的转角范围为[-σ,σ],负表示左转,则令扫描角度为2σ,并将2σ范围按角度平均分割为n块,记第i块的角度为θi,θ1=0,每个方向采用微波雷达或机器视觉的方式测得最近障碍物距离为li;
第二步,采用多个参数将道路情况较为精细的刻画,车到附近车辆,附近障碍物的距离,以及车在道路中所处的位置,车到道路边际的距离参数都会体现在中,而建模的精细程度可由n来决定;
第三步,假设本车当前速度为vc,vc≥0,刹车加速度为ac,最小安全距离为ds,车辆停止时需要与障碍物保持的最小距离,司机反映时间为Tr,先为车辆寻找安全区域,安全区域内的每个方向的最小障碍距离都应当大于一个阈值,这个值由当前车速vc以及反映时间Tr决定:
令安全巡航距离再令安全巡航角度
其中cs的意义为车辆进行安全行驶时与障碍物必须要保持的最小距离,区别于ds,得出在车辆前方的某个角度内必须要满足这个角度范围内半径大于等于cs的扇形中至少有ds的无障碍区域,为简化计算可令扇形弧长约等于ds,故得出了一个安全巡航角度θs;有了安全巡航角度θs,避撞系统的任务将演变为在范围为[-σ,σ]的扫描角度内寻找一个角度区域θs,对于区域内所有的li都有li≥cs成立,再将这个区域转化为转角值作为输出。
3.如权利要求2所述的基于双模式协作的车辆避撞系统,其特征在于,寻找安全巡航角度区域的算法为:
第一步,设定初值初始角度所在的分片下标,安全巡航角度所含分片数,单个分片角度值,i=j=k,记二元函数f(x,y)=min{lx+j|0≤|j|≤y};
第二步,若i∈[1,n]且则令并执行第六步;否则执行第三步;
第三步,若j∈[1,n]且则令并执行第六步;否则执行第四步;
第四步,若且则执行第五步;否则若i∈(1,n)则令i=i+1,若j∈(1,n)则令j=j-1,执行第二步;
第五步,未找到安全巡航角度区域,输出ar=ac;
第六步,找到安全巡航角度区域,输出值。
4.如权利要求1所述的基于双模式协作的车辆避撞系统,其特征在于,神经网络机制单元的基于学习模式的BP神经网络模型的建立方法为:
以精确模型中中的向量作为神经网络的输入模式,将转角参数按转角映射法转化为(其中yi∈{0,1}且)建立人工神经网络结构:
其中输入模式为连接权值矩阵为Wi(i=1,2),输出模式为隐含层为隐含层与输出层阈值为选取Sigmoid作为转移函数:
5.如权利要求4所述的基于双模式协作的车辆避撞系统,其特征在于,对输入模式的计算步骤如下:
输入层:完成向量的按位置映射输入与归一化处理,层节点值
隐含层与输出层:计算每个节点的输入为每个节点输出Yj=f(sj);
转角映射:机制完成转角到输出模式、输出模式到转角的双向转化,因为单个转角值并不利于直接参与神经网络的运算,故对于转角与输出模式按照以下给出的两个函数进行映射:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310666635.0A CN103693040B (zh) | 2013-12-10 | 2013-12-10 | 一种基于双模式协作的车辆避撞系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310666635.0A CN103693040B (zh) | 2013-12-10 | 2013-12-10 | 一种基于双模式协作的车辆避撞系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103693040A CN103693040A (zh) | 2014-04-02 |
CN103693040B true CN103693040B (zh) | 2016-04-13 |
Family
ID=50354758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310666635.0A Active CN103693040B (zh) | 2013-12-10 | 2013-12-10 | 一种基于双模式协作的车辆避撞系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103693040B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014219148A1 (de) * | 2014-09-23 | 2016-03-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Erstellen eines Bewegungsmodells eines Straßenverkehrsteilnehmers |
DE102015208790A1 (de) * | 2015-05-12 | 2016-11-17 | Volkswagen Aktiengesellschaft | Bestimmen einer Trajektorie für ein Fahrzeug |
DE102017006434A1 (de) * | 2017-07-07 | 2019-01-10 | Wabco Gmbh | Verfahren zum vorausschauenden Bewerten einer aktuellen Fahrsituation sowie Bewertungsmodul |
CN107544518B (zh) * | 2017-10-17 | 2020-12-01 | 芜湖伯特利汽车安全系统股份有限公司 | 基于拟人驾驶的acc/aeb系统及车辆 |
CN108569268B (zh) * | 2017-12-15 | 2020-08-04 | 上海蔚来汽车有限公司 | 车辆防碰撞参数标定方法和装置、车辆控制器、存储介质 |
DE102018206619A1 (de) * | 2018-04-27 | 2019-10-31 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Fahrmanöverassistenz eines Fahrzeuges, Vorrichtung, Computerprogramm und Computerprogrammprodukt |
US11511745B2 (en) * | 2018-04-27 | 2022-11-29 | Huawei Technologies Co., Ltd. | Method and system for adaptively controlling object spacing |
CN108657189B (zh) * | 2018-06-22 | 2024-02-23 | 南京航空航天大学 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法 |
CN109656245B (zh) * | 2018-10-31 | 2020-10-27 | 百度在线网络技术(北京)有限公司 | 刹车位置的确定方法和装置 |
CN110908387A (zh) * | 2019-12-13 | 2020-03-24 | 齐鲁工业大学 | 一种动态环境水面无人艇路径规划方法、介质及电子设备 |
CN111563474A (zh) * | 2020-05-18 | 2020-08-21 | 北京茵沃汽车科技有限公司 | 运动背景下的基于车载鱼眼镜头的障碍物检测方法、系统 |
KR20220032912A (ko) * | 2020-09-08 | 2022-03-15 | 현대모비스 주식회사 | 차량의 주행 제어 장치 및 방법 |
CN112109708B (zh) * | 2020-10-26 | 2023-07-14 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制系统及其控制方法 |
CN112489425A (zh) * | 2020-11-25 | 2021-03-12 | 平安科技(深圳)有限公司 | 车辆防撞预警方法、装置、车载终端设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2767268Y (zh) * | 2004-10-21 | 2006-03-29 | 中国人民解放军镇江船艇学院 | 汽车追尾防撞预警智能控制系统 |
JP4169022B2 (ja) * | 2005-08-05 | 2008-10-22 | 日産自動車株式会社 | 車両用運転操作補助装置および車両用運転操作補助装置を備える車両 |
JP5180641B2 (ja) * | 2008-03-25 | 2013-04-10 | 富士重工業株式会社 | 車両用運転支援装置 |
CN103318174B (zh) * | 2012-03-20 | 2015-09-30 | 比亚迪股份有限公司 | 车辆防撞控制系统及其控制方法 |
CN203047253U (zh) * | 2012-12-06 | 2013-07-10 | 长安大学 | 一种基于自适应巡航系统下的避撞装置 |
CN103253265A (zh) * | 2013-05-27 | 2013-08-21 | 奇瑞汽车股份有限公司 | 一种主动避撞系统及其控制方法 |
-
2013
- 2013-12-10 CN CN201310666635.0A patent/CN103693040B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103693040A (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103693040B (zh) | 一种基于双模式协作的车辆避撞系统 | |
CN108313054B (zh) | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 | |
CN113386795B (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 | |
Ye et al. | Prediction-based eco-approach and departure at signalized intersections with speed forecasting on preceding vehicles | |
Zhu et al. | Personalized lane-change assistance system with driver behavior identification | |
CN107346612A (zh) | 一种基于车联网的车辆防碰撞方法和系统 | |
CN111231957B (zh) | 车辆控制方法、装置、设备及存储介质 | |
CN106095963A (zh) | 互联网+时代下的车辆驾驶行为分析大数据公共服务平台 | |
CN109597417A (zh) | 一种基于避碰准则的多usv群体协同避碰规划方法 | |
Cai et al. | An intelligent longitudinal controller for application in semiautonomous vehicles | |
Luo et al. | Simulation analysis and study on car-following safety distance model based on braking process of leading vehicle | |
CN108045373B (zh) | 一种自动驾驶纵向统一规划方法及系统 | |
CN107146412A (zh) | 一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法 | |
CN110068302A (zh) | 一种基于深度神经网络的车辆测距方法 | |
CN109455178A (zh) | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 | |
CN109991974A (zh) | 自动驾驶路径跟随方法、装置及控制设备 | |
CN104200704B (zh) | 车辆避撞预警方法及设备 | |
CN107976934A (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
CN114464014A (zh) | 基于模糊逻辑的区域船舶碰撞风险处理方法、系统和介质 | |
Arefnezhad et al. | Modeling of double lane change maneuver of vehicles | |
CN115257819A (zh) | 城市低速环境下的大型营运车辆安全驾驶决策方法 | |
Lieberman et al. | Comparison of intelligent transportation systems based on biocybernetic vehicle control systems | |
CN115140048B (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
CN110154893A (zh) | 一种基于驾驶员特性的汽车安全驾驶预警方法 | |
Huang et al. | Study on obstacle avoidance of AGV based on fuzzy neural network |
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 |