CN105835854A - 一种紧急制动控制系统及其控制方法 - Google Patents
一种紧急制动控制系统及其控制方法 Download PDFInfo
- Publication number
- CN105835854A CN105835854A CN201610153522.4A CN201610153522A CN105835854A CN 105835854 A CN105835854 A CN 105835854A CN 201610153522 A CN201610153522 A CN 201610153522A CN 105835854 A CN105835854 A CN 105835854A
- Authority
- CN
- China
- Prior art keywords
- action
- decision
- making
- car
- intelligent 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000009123 feedback regulation Effects 0.000 claims abstract description 19
- 230000009471 action Effects 0.000 claims description 68
- 238000012360 testing method Methods 0.000 claims description 59
- 230000002708 enhancing effect Effects 0.000 claims description 34
- 230000006399 behavior Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 14
- 238000011217 control strategy Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000005183 dynamical system Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004899 motility Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 206010068052 Mosaicism Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T7/00—Brake-action initiating means
- B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明涉及一种紧急制动控制系统及其控制方法,包括第一神经网络模块和第二神经网络模块,所述第一神经网络模块为动作行为决策模块,其连接车物理系统并用于根据动态系统的状态量,为系统提供动作行为决策;所述第二神经网络模块为动作决策评价模块,其连接动作行为决策模块并用于根据动态系统提供的增强信号就动作行为决策模块所做的决策动作进行评价。本发明利用启发式动态规划算法解决智能车紧急制动问题,通过神经网络反馈调节,使得智能车自主学习速度与刹车距离的对应关系,进而使紧急制动具有更好的稳定性、可靠性和自适应性。
Description
技术领域
本发明涉及汽车主动安全,具体涉及一种基于启发式动态规划算法的智能车紧急制动控制系统设计方法。
背景技术
近一个多世纪来,汽车的出现取代了传统交通运输方式,使得人们的生活更为便捷。但近些年来,汽车安全性问题受到了越来越多的关注。据调查显示,2011年世界汽车保有量前六的国家交通事故死亡人数分别:美国,32310人,中国,62000人,日本,4612人,德国,4009人,意大利,3800人,俄罗斯,27900人。2012年中国交通事故共发生204196起,死亡59997人,受伤224327人,直接财产损失117489.6万元。
从以上数据可以看出,a.世界汽车保有量前六的国家一年交通事故死亡人数在10万人以上;b.我国交通事故死亡人数位居世界第一,达一年6万人左右;c.2012年我国交通事故多达20多万起,除交通事故死亡外,还有20多万车祸受伤人员,给人们人生安全带来很大的伤害;d.车祸给国家带来的经济损失一年多达10多亿元。
在交通事故中,追尾引发的交通事故占很大一部分。在遇到紧急情况时,一,人的反应需要时间,二,人在紧急情况下,通常情绪较为紧张,往往回过神来,汽车已经发生了碰撞。研发智能车辅驾功能,尤其是研发智能车紧急制动功能,危险情况下,智能车能代替人的行为,自动紧急制动,进而避免事故发生或减小事故损失程度。
传统的紧急制动采用监督学习的方法,即,人为设定智能车行驶速度与采取紧急刹车距离的对应关系,如,定义速度60km/h时,智能车安全刹车距离为50米,定义速度40km/h时,智能车安全刹车距离为30米,等。在实际行驶过程中,智能车根据智能车车速寻找人为定义的对应距离,进而实现紧急制动。这种方法的灵活性、机动性、可靠性及稳定性不强。
发明内容
本发明的目的在于提供一种紧急制动控制系统及其控制方法,解决智能车紧急制动可靠性与稳定性问题,利用启发式动态规划算法解决智能车紧急制动问题,使紧急制动具有更好的稳定性和可靠性。
首先随机初始化神经网络权值,然后进行1000次试验,每次试验执行100次测试。每次试验,随机初始化智能车车速,每次测试,随机选择一定距离执行自动刹车,根据刹车后的距离与标准安全距离比较,进而设计增强信号。系统根据增强信号进行神经网络反馈调节,进而通过不断地学习,自主学会速度与刹车距离的对应关系。具体技术方案如下:
一种紧急制动控制系统,包括第一神经网络模块和第二神经网络模块,所述第一神经网络模块为动作行为决策模块,其连接车物理系统并用于根据动态系统的状态量,为系统提供动作行为决策;所述第二神经网络模块为动作决策评价模块,其连接动作行为决策模块并用于根据动态系统提供的增强信号就动作行为决策模块所做的决策动作进行评价。
进一步地,所述动作行为决策模块通讯连接至车物理系统和动作决策评价模块,并可向车物理系统和动作决策评价模块发送信息,所述车物理系统通讯连接至动作行为决策模块和动作决策评价模块,并可向动作行为决策模块和动作决策评价模块发送信息。
进一步地,所述车物理系统为智能车物理系统,所述控制系统为基于启发式动态规划算法的智能车紧急制动控制系统。
进一步地,动作行为决策模块和动作决策评价模块均采用非线性多层感知机结构的正向输送网络,和/或每个网络里均含有一个隐藏层。
上述紧急制动控制系统的控制方法,包括如下步骤:
(1)智能车状态量输入到控制系统;
(2)动作行为决策模块和动作决策评价模块对输入量进行处理;
(2-1)动作行为决策模块为控制系统提供控制策略;
(2-2)动作决策评价模块对动作网络产生的控制策略进行实时评估;
(3)动作行为决策模块和动作决策评价模块产生输出量;
(4)系统对两个输出量进行反馈调节。
进一步地,步骤(2-2)中,动作决策评价模块通过输入的增强信号产生代价函数,对动作网络产生的控制策略进行实时评估。
进一步地,步骤(4)中,系统中的反馈调节模块对输出量进行反馈调节。
进一步地,步骤(4)具体包括如下步骤:
(4-1)评价网络反馈调节是利用代价函数的值去近似折算回报无穷累加和;
(4-2)动作网络里反馈调节是通过比较效用效用函数期望值和代价函数的大小,得到动作误差;
(4-3)根据所述误差,利用梯度下降法则对评价网络和动作网络权值进行调节,进而使智能车动作决策不断趋于最优。
进一步地,步骤(1)之前还包括步骤:随机初始化神经网络权值;采用步骤(1)-(4),进行多次试验,每次试验执行多次测试:每次试验时随机初始化智能车车速,每次测试,随机选择一定距离执行自动刹车,根据刹车后的距离与标准安全距离比较,进而设计增强信号;系统根据增强信号进行神经网络反馈调节,进而通过不断地学习,自主学会速度与刹车距离的对应关系。
进一步地,随机初始化神经网络权值包括:随机初始化动作网络、评价网络的神经网络权值,trail=1、step=1;trail=1表示第一次试验,系统一共进行1000次试验,step=1表示目前为第一次测试,每一次试验系统执行100次测试;随机初始智能车车速包括:随机初始化智能车车速,初始速度为v,智能车将以恒定的速度v从远处行驶过来;随机位置执行刹车包括:在行驶过程中,在一个随机的距离S处自动刹车;刹车后标准安全距离为3m;刹停后,智能车实际停车位置与标准安全距离的差值为△x,根据设定增强信号,设定方法为:距离为3m时,增强信号为r=0,从3m到0m的过程中,增强信号从r=0线性变换到r=-1,从3m到6m的过程中,增强信号从r=0线性变换到r=-1,当距离大于6m时,增强信号为r=-1;增强信号判断包括:如果r=0时,表示智能车在标准安全距离,是,则执行神经网络权值更新,否,则,下一步;测试次数判断包括:如果测试次数step>100,表示一次试验的所有测试完成,则,下一步,否,则执行神经网络反馈调节;神经网络权值更新包括:trail=trail+1,表示进入下一个试验,重置测试次数,step=0,动作网络、评价网络的神经网络权值更新,一次成功的学习经历将被储存;判断试验是否全部完成包括:如果trail>1000,表示1000次试验全部完成,则,程序终止,进入装载入车,否,则重复随机初始智能车车速;神经网络反馈调节包括:神经网络反馈调节,step=step+1,重复随机位置执行刹车;装载入车包括:在智能车进行了1000次不同行驶速度紧急制动试验后,智能车自主学会了速度与采取紧急制动距离的关系,将最终的神经网络权值存储,装载入车;智能车上装载有毫米波雷达,能判断出前方是否有车,并能判断出前方车辆与智能车两车的相对速度;如果前方有车,则根据相对速度,保持一定的行车车距;如果相对速度等于智能车车速,表示前车停止,系统采取自动紧急刹车的模式。
与目前现有技术相比,本发明利用启发式动态规划算法解决智能车紧急制动问题,通过神经网络反馈调节,使得智能车自主学习速度与刹车距离的对应关系,进而使紧急制动具有更好的稳定性、可靠性和自适应性。
附图说明
图1为启发式动态规划算法结构图
图2为智能车紧急制动控制系统逻辑程序设计流程图
图3为紧急制动图示
图4为智能车停车位置增强信号设定
具体实施方式
下面根据附图对本发明进行详细描述,其为本发明多种实施方式中的一种优选实施例。
在一个优选实施例中,可以采用如下方案:紧急制动控制决策策略设计是自动紧急制动的核心。传统的紧急制动采用监督学习的方法,即,人为设定智能车行驶速度与采取紧急刹车距离的对应关系,如,定义速度60km/h时,智能车安全刹车距离为50米,定义速度40km/h时,智能车安全刹车距离为30米,等。在实际行驶过程中,智能车根据智能车车速寻找人为定义的对应距离,进而实现紧急制动。这种方法的灵活性、机动性、可靠性及稳定性不强。相对于传统方法,本发明采用启发式动态规划算法解决紧急制动问题。启发式动态规划算法采用自适应评价设计的学习方式,其结构由两个神经网络模块构成(图1),一个动作行为决策模块根据动态系统的状态量,为系统提供动作行为决策,另一个动作决策评价模块根据动态系统提供的增强信号就刚刚的决策动作进行评价。其学习过程主要有如下两种方式:第一,系统根据环境中反馈的增强信号,对错误的行为策略进行认识和学习(被惩罚),并试着在以后的决策过程中避免这种错误再次发生;第二,根据反馈的增强信号,有效的决策策略将会以奖励的形式被系统记住,在以后决策过程中,相同的情况会被优先考虑。行驶过程中,系统为获得更多的奖励,将不断地调整决策动作,进而逐渐使智能车状态趋于最优。
具体来说,智能车状态量X(t)输入到启发式动态规划控制系统后,控制系统的两个神经网络将对输入量进行处理。其中动作网络的作用是为控制系统提供控制策略U(t),而评价网络的作用则是通过输入的增强信号r(t)产生代价函数J(t),对动作网络产生的控制策略进行实时评估。两个神经网络均采用非线性多层感知机结构的正向输送网络,每个网络里均含有一个隐藏层。两个网络产生输出量后,系统将对两个输出量进行反馈调节。其中,评价网络反馈调节策略是利用代价函数J(t)的值去近似折算回报无穷累加和R(t)。动作网络里反馈调节策略是通过比较效用效用函数期望值Uc(t)和代价函数J(t)的大小,从而得到动作误差。根据以上误差,利用梯度下降法则对两个神经网络权值进行调节,进而使智能车动作决策不断趋于最优。
具体的学习步骤如下:
Step1:随机初始化神经网络权值
随机初始化动作网络、评价网络的神经网络权值,trail=1、step=1。trail=1表示第一次试验,系统一共进行1000次试验,step=1表示目前为第一次测试,每一次试验系统执行100次测试。
Step2:随机初始智能车车速
随机初始化智能车车速,初始速度为v,智能车将以恒定的速度v从远处行驶过来。
Step3:随机位置执行刹车
在行驶过程中,在一个随机的距离S处自动刹车(图3)。刹车后标准安全距离为3m。刹停后,智能车实际停车位置与标准安全距离的差值为△x,根据设定增强信号(图4),设定方法为:距离为3m时,增强信号为r=0,从3m到0m的过程中,增强信号从r=0线性变换到r=-1,从3m到6m的过程中,增强信号从r=0线性变换到r=-1,当距离大于6m时,增强信号为r=-1。
Step4:增强信号判断
如果r=0时,表示智能车在标准安全距离,是,则执行Step6,否,则,下一步。
Step5:测试次数判断
如果测试次数step>100,表示一次试验的所有测试完成,则,下一步,否,则执行Step8。
Step6:神经网络权值更新
trail=trail+1,表示进入下一个试验,重置测试次数,step=0,动作网络、评价网络的神经网络权值更新,一次成功的学习经历将被储存。
Step7:判断试验是否全部完成
如果trail>1000,表示1000次试验全部完成,则,程序终止,进入Step9,否,则重复Step2。
Step8:神经网络反馈调节
神经网络反馈调节,step=step+1,重复Step3。
Step9:装载入车
在智能车进行了1000次不同行驶速度紧急制动试验后,智能车自主学会了速度与采取紧急制动距离的关系,将最终的神经网络权值存储,装载入车。智能车上装载有毫米波雷达,能判断出前方是否有车,并能判断出前方车辆与智能车两车的相对速度。如果前方有车,则根据相对速度,保持一定的行车车距。如果相对速度等于智能车车速,表示前车停止,系统采取自动紧急刹车的模式。
本发明所要解决的技术问题是智能车紧急制动可靠性与稳定性问题,利用启发式动态规划算法解决智能车紧急制动问题,使紧急制动具有更好的稳定性和可靠性。系统首先在计算机上进行学习,学习后的系统将装入实车。计算机上的学习过程,程序首先随机初始化神经网络权值,然后进行1000次试验,每次试验执行100次测试。每次试验,随机初始化智能车车速,每次测试,随机选择一定距离执行自动刹车,根据刹车后的距离与标准安全距离比较,进而设计增强信号。系统根据增强信号进行神经网络反馈调节,进而通过不断地学习,自主学会速度与刹车距离的对应关系。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种改进,或未经改进直接应用于其它场合的,均在本发明的保护范围之内。
Claims (10)
1.一种紧急制动控制系统,其特征在于,包括第一神经网络模块和第二神经网络模块,所述第一神经网络模块为动作行为决策模块,其连接车物理系统并用于根据动态系统的状态量,为系统提供动作行为决策;所述第二神经网络模块为动作决策评价模块,其连接动作行为决策模块并用于根据动态系统提供的增强信号就动作行为决策模块所做的决策动作进行评价。
2.如权利要求1所述的紧急制动控制系统,其特征在于,所述动作行为决策模块通讯连接至车物理系统和动作决策评价模块,并可向车物理系统和动作决策评价模块发送信息,所述车物理系统通讯连接至动作行为决策模块和动作决策评价模块,并可向动作行为决策模块和动作决策评价模块发送信息。
3.如权利要求1或2所述的紧急制动控制系统,其特征在于,所述车物理系统为智能车物理系统,所述控制系统为基于启发式动态规划算法的智能车紧急制动控制系统。
4.如权利要求1-3所述的紧急制动控制系统,其特征在于,动作行为决策模块和动作决策评价模块均采用非线性多层感知机结构的正向输送网络,和/或每个网络里均含有一个隐藏层。
5.如权利要求1-4所述紧急制动控制系统的控制方法,其特征在于,包括如下步骤:
(1)智能车状态量输入到控制系统;
(2)动作行为决策模块和动作决策评价模块对输入量进行处理;
(2-1)动作行为决策模块为控制系统提供控制策略;
(2-2)动作决策评价模块对动作网络产生的控制策略进行实时评估;
(3)动作行为决策模块和动作决策评价模块产生输出量;
(4)系统对两个输出量进行反馈调节。
6.如权利要求5所述紧急制动控制系统的控制方法,其特征在于,步骤(2-2)中,动作决策评价模块通过输入的增强信号产生代价函数,对动作网络产生的控制策略进行实时评估。
7.如权利要求5或6所述紧急制动控制系统的控制方法,其特征在于,步骤(4)中,系统中的反馈调节模块对输出量进行反馈调节。
8.如权利要求5-7中任一项所述紧急制动控制系统的控制方法,其特征在于,步骤(4)具体包括如下步骤:
(4-1)评价网络反馈调节是利用代价函数的值去近似折算回报无穷累加和;
(4-2)动作网络里反馈调节是通过比较效用效用函数期望值和代价函数的大小,得到动作误差;
(4-3)根据所述误差,利用梯度下降法则对评价网络和动作网络权值进行调节,进而使智能车动作决策不断趋于最优。
9.如权利要求5-8中任一项所述紧急制动控制系统的控制方法,其特征在于,步骤(1)之前还包括步骤:随机初始化神经网络权值;采用步骤(1)-(4),进行多次试验,每次试验执行多次测试:每次试验时随机初始化智能车车速,每次测试,随机选择一定距离执行自动刹车,根据刹车后的距离与标准安全距离比较,进而设计增强信号;系统根据增强信号进行神经网络反馈调节,进而通过不断地学习,自主学会速度与刹车距离的对应关系。
10.如权利要求9所述紧急制动控制系统的控制方法,其特征在于,随机初始化神经网络权值包括:随机初始化动作网络、评价网络的神经网络权值,trail=1、step=1;trail=1表示第一次试验,系统一共进行1000次试验,step=1表示目前为第一次测试,每一次试验系统执行100次测试;随机初始智能车车速包括:随机初始化智能车车速,初始速度为v,智能车将以恒定的速度v从远处行驶过来;随机位置执行刹车包括:在行驶过程中,在一个随机的距离S处自动刹车;刹车后标准安全距离为3m;刹停后,智能车实际停车位置与标准安全距离的差值为Δx,根据设定增强信号,设定方法为:距离为3m时,增强信号为r=0,从3m到0m的过程中,增强信号从r=0线性变换到r=-1,从3m到6m的过程中,增强信号从r=0线性变换到r=-1,当距离大于6m时,增强信号为r=-1;增强信号判断包括:如果r=0时,表示智能车在标准安全距离,是,则执行神经网络权值更新,否,则,下一步;测试次数判断包括:如果测试次数step>100,表示一次试验的所有测试完成,则,下一步,否,则执行神经网络反馈调节;神经网络权值更新包括:trail=trail+1,表示进入下一个试验,重置测试次数,step=0,动作网络、评价网络的神经网络权值更新,一次成功的学习经历将被储存;判断试验是否全部完成包括:如果trail>1000,表示1000次试验全部完成,则,程序终止,进入装载入车,否,则重复随机初始智能车车速;神经网络反馈调节包括:神经网络反馈调节,step=step+1,重复随机位置执行刹车;装载入车包括:在智能车进行了1000次不同行驶速度紧急制动试验后,智能车自主学会了速度与采取紧急制动距离的关系,将最终的神经网络权值存储,装载入车;智能车上装载有毫米波雷达,能判断出前方是否有车,并能判断出前方车辆与智能车两车的相对速度;如果前方有车,则根据相对速度,保持一定的行车车距;如果相对速度等于智能车车速,表示前车停止,系统采取自动紧急刹车的模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610153522.4A CN105835854B (zh) | 2016-03-17 | 2016-03-17 | 一种紧急制动控制系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610153522.4A CN105835854B (zh) | 2016-03-17 | 2016-03-17 | 一种紧急制动控制系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105835854A true CN105835854A (zh) | 2016-08-10 |
CN105835854B CN105835854B (zh) | 2018-11-16 |
Family
ID=56587190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610153522.4A Active CN105835854B (zh) | 2016-03-17 | 2016-03-17 | 一种紧急制动控制系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105835854B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108418487A (zh) * | 2018-02-11 | 2018-08-17 | 东南大学 | 一种用于电动汽车的速度脉动抑制方法 |
CN108468549A (zh) * | 2018-03-11 | 2018-08-31 | 辽宁石油化工大学 | 土压平衡盾构的优化方法及装置 |
CN109543225A (zh) * | 2018-10-19 | 2019-03-29 | 东软集团股份有限公司 | 车辆的控制方案生成方法、装置、存储介质和电子设备 |
CN110329249A (zh) * | 2019-07-02 | 2019-10-15 | 武汉理工大学 | 一种循环神经网络的汽车前向碰撞预警控制系统及方法 |
CN110843784A (zh) * | 2019-11-29 | 2020-02-28 | 安徽江淮汽车集团股份有限公司 | 紧急制动距离确定方法、设备、存储介质及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102109821A (zh) * | 2010-12-30 | 2011-06-29 | 中国科学院自动化研究所 | 车辆自适应巡航控制系统及方法 |
CN102390320A (zh) * | 2011-08-22 | 2012-03-28 | 武汉理工大学 | 基于车载传感网络的车辆防撞预警系统 |
CN105035085A (zh) * | 2015-07-31 | 2015-11-11 | 奇瑞汽车股份有限公司 | 自动跟车方法及装置 |
CN105059213A (zh) * | 2015-08-11 | 2015-11-18 | 奇瑞汽车股份有限公司 | 一种智能跟车控制系统及方法 |
CN105059288A (zh) * | 2015-08-11 | 2015-11-18 | 奇瑞汽车股份有限公司 | 一种车道保持控制系统及方法 |
CN105151024A (zh) * | 2015-08-20 | 2015-12-16 | 奇瑞汽车股份有限公司 | 车辆的制动控制方法和装置 |
-
2016
- 2016-03-17 CN CN201610153522.4A patent/CN105835854B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102109821A (zh) * | 2010-12-30 | 2011-06-29 | 中国科学院自动化研究所 | 车辆自适应巡航控制系统及方法 |
CN102390320A (zh) * | 2011-08-22 | 2012-03-28 | 武汉理工大学 | 基于车载传感网络的车辆防撞预警系统 |
CN105035085A (zh) * | 2015-07-31 | 2015-11-11 | 奇瑞汽车股份有限公司 | 自动跟车方法及装置 |
CN105059213A (zh) * | 2015-08-11 | 2015-11-18 | 奇瑞汽车股份有限公司 | 一种智能跟车控制系统及方法 |
CN105059288A (zh) * | 2015-08-11 | 2015-11-18 | 奇瑞汽车股份有限公司 | 一种车道保持控制系统及方法 |
CN105151024A (zh) * | 2015-08-20 | 2015-12-16 | 奇瑞汽车股份有限公司 | 车辆的制动控制方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108418487A (zh) * | 2018-02-11 | 2018-08-17 | 东南大学 | 一种用于电动汽车的速度脉动抑制方法 |
CN108468549A (zh) * | 2018-03-11 | 2018-08-31 | 辽宁石油化工大学 | 土压平衡盾构的优化方法及装置 |
CN108468549B (zh) * | 2018-03-11 | 2019-08-23 | 辽宁石油化工大学 | 土压平衡盾构的优化方法及装置 |
CN109543225A (zh) * | 2018-10-19 | 2019-03-29 | 东软集团股份有限公司 | 车辆的控制方案生成方法、装置、存储介质和电子设备 |
CN110329249A (zh) * | 2019-07-02 | 2019-10-15 | 武汉理工大学 | 一种循环神经网络的汽车前向碰撞预警控制系统及方法 |
CN110843784A (zh) * | 2019-11-29 | 2020-02-28 | 安徽江淮汽车集团股份有限公司 | 紧急制动距离确定方法、设备、存储介质及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105835854B (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105835854A (zh) | 一种紧急制动控制系统及其控制方法 | |
CN111845701B (zh) | 一种跟车环境下基于深度强化学习的hev能量管理方法 | |
CN109765820B (zh) | 一种用于自动驾驶控制策略的训练系统 | |
CN104809554B (zh) | 一种面向道路交通事故应急处置的决策支持系统及方法 | |
CN112896170B (zh) | 一种车路协同环境下的自动驾驶横向控制方法 | |
DE102015108270B4 (de) | Vorhersage des fahrzeuggeschwindigkeitsprofils unter verwendung neuronaler netzwerke | |
CN113010967B (zh) | 一种基于混合交通流模型的智能汽车在环仿真测试方法 | |
CN109901574A (zh) | 自动驾驶方法及装置 | |
CN107272683A (zh) | 基于acp方法的平行智能车控制系统 | |
CN108960426A (zh) | 基于bp神经网络的道路坡度综合估计系统 | |
CN103646280B (zh) | 一种基于粒子群算法的车辆悬架系统参数优化方法 | |
CN108256714A (zh) | 一种基于车联网大数据的行车轨迹实时风险评估模型 | |
CN106740457A (zh) | 基于bp神经网络模型的车辆换道决策方法 | |
CN102289928A (zh) | 基于模糊层次分析法的枢纽综合交通运行态势评价方法 | |
CN110304074A (zh) | 一种基于分层状态机的混合式驾驶方法 | |
CN102109821A (zh) | 车辆自适应巡航控制系统及方法 | |
CN104851280B (zh) | 一种车辆行驶控制方法、装置、系统及相关设备 | |
CN109739218A (zh) | 一种基于gru网络的仿优秀驾驶员换道模型建立方法 | |
CN112896186A (zh) | 一种车路协同环境下的自动驾驶纵向决策控制方法 | |
CN109726804A (zh) | 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法 | |
CN109572706A (zh) | 一种驾驶安全评价方法及装置 | |
CN108694841A (zh) | 一种基于v2x技术的智能车辆通行路口红绿灯方法 | |
CN112686453A (zh) | 机车能耗智能预测方法及系统 | |
CN110956851A (zh) | 一种智能网联汽车协同调度换道方法 | |
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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |