CN105946861A - 一种基于驾驶意图识别的nar神经网络车速预测方法 - Google Patents
一种基于驾驶意图识别的nar神经网络车速预测方法 Download PDFInfo
- Publication number
- CN105946861A CN105946861A CN201610389825.6A CN201610389825A CN105946861A CN 105946861 A CN105946861 A CN 105946861A CN 201610389825 A CN201610389825 A CN 201610389825A CN 105946861 A CN105946861 A CN 105946861A
- Authority
- CN
- China
- Prior art keywords
- nar
- driving intention
- neural network
- speed
- intention
- 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
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
- 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
- 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
- B60W40/105—Speed
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/06—Combustion engines, Gas turbines
- B60W2510/0604—Throttle position
-
- 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
- B60W2540/10—Accelerator pedal position
-
- 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
- B60W2540/12—Brake pedal position
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开了一种基于驾驶意图识别的NAR神经网络车速预测方法,包括以下步骤:驾驶意图分类及识别参数选取;模糊推理识别驾驶意图;NAR神经网络离线训练;NAR神经网络在线预测车速:首先进行驾驶意图识别,然后将识别得到的驾驶意图与车速时间序列共同输入到NAR神经网络,从而实现车辆未来一段时间的车速预测。本发明选用NAR神经网络进行车速预测,其神经网络输入包含了网络输出的反馈,适合处理时间序列上的非线性问题,能够显著提高多步预测精度。本发明引入驾驶意图时间序列与车速共同作为输入,运用模糊推理对驾驶员的踏板操作进行分析,充分体现了驾驶员对车速未来变化趋势的期望,提高了车速预测的准确度。
Description
技术领域
本发明涉及一种车速预测方法,特别涉及到一种非线性自回归(Nonlinear Autoregressive Models,NAR)神经网络车速预测方法。
背景技术
在智能车辆和汽车节能的研究中,车速预测被广泛应用于汽车自动变速器档位控制、路径规划与导航、安全辅助驾驶以及混合动力汽车的预测控制策略中,从而提高汽车的安全性、燃油经济性和排放性能。因此,对行驶中的车辆在未来一段时间进行精准的车速预测具有重要的意义。车速预测具有高度的时变性和非线性,是一个典型的时间序列预测问题。现有的预测方法中大多采用前馈神经网络,如BP神经网络和RBF神经网络,但其仅根据网络当前的输入来预测输出,对于多步动态的预测效果不理想。而NAR神经网络的最大特点在于它的输入不仅仅来源于输入数据,还包含了网络输出的反馈,从而能更确切的反应速度时间序列的动态特性,可以更好地应用于多步预测。此外,对于神经网络的输入,大多数学者一般选用通过汽车GPS采集的数据和对汽车行驶循环数据进行统计分析,而忽略了能够反映未来车速变化趋势的驾驶员的驾驶意图。驾驶意图主要表现在对加速踏板和制动踏板的操控上,从而影响汽车加速或是减速以及车速变化的快慢,是能够表征车速变化趋势的一个重要参数。因此,采用NAR神经网络,并引入驾驶意图与车速时间序列共同做为网络的输入,将有助于提高车速预测精度与预测时长。
发明内容
针对上述问题,本发明要提出一种基于驾驶意图识别的NAR神经网络车速预测方法,以实现良好的多步预测动态特性,并在保证预测时长的前提下提高预测精度。
本发明的技术方案如下:一种基于驾驶意图识别的NAR神经网络车速预测方法,包括以下步骤:
A、驾驶意图模糊识别
A1、驾驶意图分类及识别参数选取
将驾驶意图分为加速意图和制动意图。加速意图按加速的紧急程度分为平缓加速、较平缓加速、一般加速、较紧急加速和紧急加速;制动意图按有无对制动踏板的操作分为常规制动和滑行制动,常规制动按制动紧急程度分为平缓制动、较平缓制动、一般制动、较紧急制动和紧急制动。
在车辆行驶过程中,驾驶员根据行车环境及车辆运行状态,直接对加速踏板和制动踏板进行操作来实现其驾驶意图,因此加速踏板开度和制动踏板开度是进行意图识别的主要参数。为充分反映加速和制动的紧急程度,在此基础上,分别增加加速踏板开度变化率和制动踏板开度变化率作为识别参数。
A2、模糊推理识别驾驶意图
A21、对识别参数进行模糊化,即分别制定加速踏板开度、制动踏板开度、加速踏板开度变化率和制动踏板开度变化率的隶属度函数;
A22、建立模糊推理规则,采用模糊条件语句,形式为“若A且B则C”。A和B为网络输入参数所属的模糊集合,踏板开度的模糊集合包括小、较小,中、较大和大,踏板开度变化率的模糊集合包括负大、负、小、中和大,C为输出识别结果的所属模糊集合,包括平缓、较平缓、一般、较紧急和紧急。模糊推理规则即根据不同的踏板开度和踏板开度变化率的模糊集合的组合判断出其驾驶意图所属的模糊集合。
A23、将模糊推理得到的结果清晰化,选取重心法进行清晰化计算。加速意图识别结果范围在(0,1)内,其值越接近1代表其加速意图越强烈,制动意图识别结果范围在(-1,0)内,其值越接近-1代表其制动意图越强烈。加速踏板和制动踏板均无操作时,默认为滑行制动,其意图识别结果为0。这样取值保证其驾驶意图与车速轨迹一致,是在时间上连续的序列,且能区别每一时刻是加速意图还是制动意图及其意图的紧急程度,以方便作为NAR神经网络的输入。
B、NAR神经网络车速预测
B1、NAR神经网络离线训练
采用NAR神经网络进行车速预测,并引入驾驶意图时间序列这一能够反映车速未来变化趋势的因素与车速共同作为网络输入。
NAR神经网络预测模型如下式所示:
y(t)=f(y(t-1)+y(t-2)+...+y(t-dy+1))
式中,y(t)是t时刻的预测输出值,f是网络非线性函数,dy为输出延迟时长,即预测输出值y(t)取决于前dy个时刻的输出。
NAR神经网络结构主要由隐含层、输出层和输出反馈组成,从而使神经网络闭合,形成一个周期性循环的动态神经网络。选取隐含层神经元个数为m个,输出层神经元个数为1个,输出反馈时延阶数为n。在确定神经网络的结构后,选取训练函数以及隐含层和输出层的激励函数。神经网络训练样本数据即为车速和驾驶意图时间序列,将训练样本数据按比例分配,分别用于训练、验证和测试。
用训练神经网络的均方误差MSE来评价神经网络预测的精确度,MSE的值越小,预测的精确度越高。当MSE值小于设定的误差目标值δ,即完成对神经网络的训练,若MSE值大于设定的误差目标值δ,需重新调整神经网络参数,再进行训练。
B2、NAR神经网络在线预测车速
将驾驶意图识别与离线训练好的NAR神经网络车速预测系统嵌入到整车控制器中。通过车载传感器实时获取车速及踏板信号,首先进行驾驶意图识别,然后将识别得到的驾驶意图与车速时间序列共同输入到NAR神经网络,从而实现车辆未来一段时间的车速预测。
本发明的效果和益处是:
1、本发明选用NAR神经网络进行车速预测,其神经网络输入包含了网络输出的反馈,适合处理时间序列上的非线性问题,能够显著提高多步预测精度。
2、本发明引入驾驶意图时间序列与车速共同作为输入,运用模糊推理对驾驶员的踏板操作进行分析,充分体现了驾驶员对车速未来变化趋势的期望,提高了车速预测的准确度。
附图说明
本发明共有附图4张,其中:
图1是基于驾驶意图识别的NAR神经网络车速预测流程图。
图2是伦敦公交工况局部车速片段图。
图3是伦敦公交工况车速片段的驾驶意图识别结果图。
图4是NAR神经网络结构示意图。
具体实施方式
下面结合附图对本发明进行进一步地描述。
本发明以伦敦公交工况为例对基于驾驶意图识别的NAR神经网络车速预测方法进行进一步的分析和说明。如图1所示,一种基于驾驶意图识别的NAR神经网络车速预测方法,包括以下步骤:
A、驾驶意图模糊识别
A1、驾驶意图分类及识别参数选取
将驾驶意图总体上分为加速意图和制动意图。加速意图按加速的紧急程度分为平缓加速、较平缓加速、一般加速、较紧急加速和紧急加速;制动意图按有无对制动踏板的操作分为常规制动和滑行制动,常规制动按制动紧急程度分为平缓制动、较平缓制动、一般制动、较紧急制动和紧急制动。
在车辆行驶过程中,驾驶员根据行车环境及车辆运行状态,直接对加速踏板和制动踏板进行操作来实现其驾驶意图,因此加速踏板和制动踏板的踏板开度是进行意图识别的主要参数。为充分反映加速和制动的紧急程度,在此基础上,分别引入加速踏板开度变化率和制动踏板开度变化率共同作为识别参数。
A2、模糊推理识别驾驶意图
首先对识别参数进行模糊化,即分别制定加速和制动时的踏板开度和踏板开度变化率的隶属度函数;其次,建立模糊推理规则,采用模糊条件语句,以加速意图为例,模糊规则如表1所示;最后,将模糊推理得到的结果清晰化,选取重心法进行清晰化计算。加速意图识别结果范围在(0,1)内,其值越接近1代表其加速意图越强烈,制动意图识别结果范围在(-1,0)内,其值越接近-1代表其制动意图越强烈。加速踏板和制动踏板均无操作时,默认为滑行制动,其意图识别结果为0。这样取值可保证其驾驶意图与车速轨迹一致,是在时间上连续的序列,且能区别每一时刻是加速意图还是制动意图及其意图的紧急程度,以方便作为NAR神经网络的输入。以图2所示伦敦公交工况车速片段为例,其对应的驾驶意图识别结果如图3所示。
表1加速意图识别模糊规则表
B、NAR神经网络车速预测
B1、NAR神经网络离线训练
采用NAR神经网络进行车速预测,并引入驾驶意图时间序列这一能够反映车速未来变化趋势的因素与车速共同作为网络输入。
NAR神经网络预测模型如下式所示:
y(t)=f(y(t-1)+y(t-2)+...+y(t-dy+1))
式中,y(t)是t时刻的输出,d为预测步长,f是网络非线性函数,dy为网络输出延迟时长。预测输出值y(t)取决于前dy个时刻的输出。
NAR神经网络结构如图4所示,包括一个隐含层、一个输出层和一个输出反馈,从而使神经网络闭合,形成一个周期性循环的动态网络。选取隐含层神经元个数为12个,输出层神经元个数为1个;输出反馈时延阶数为5。采用LM算法对神经网络进行训练,使神经网络具有较强的泛化能力。隐含层激活函数选择tansig正切函数,输出层选择purelin线性函数。神经网络训练样本数据即为车速和驾驶意图时间序列,其中75%的训练样本数据用于训练,25%作为验证和测试的数据。
用训练神经网络的均方误差MSE来评价神经网络预测的精确度,MSE的值越小,预测的精确度越高。当MSE值小于设定的误差目标值δ,即完成对神经网络的训练,若MSE值大于设定的误差目标值δ,需重新调整神经网络参数,再进行训练。
B2、NAR神经网络在线预测车速
将驾驶意图识别与NAR神经网络车速预测系统嵌入到整车控制器中。通过车载传感器实时获取车速及踏板信号,首先进行驾驶意图识别,然后将识别得到的驾驶意图与车速时间序列共同输入到NAR神经网络,从而实现车辆未来一段时间的车速预测。
本发明不局限于本实施例,任何在本发明披露的技术范围内的等同构思或者改变,均列为本发明的保护范围。
Claims (1)
1.一种基于驾驶意图识别的NAR神经网络车速预测方法,其特征在于:包括以下步骤:
A、驾驶意图模糊识别
A1、驾驶意图分类及识别参数选取
将驾驶意图分为加速意图和制动意图;加速意图按加速的紧急程度分为平缓加速、较平缓加速、一般加速、较紧急加速和紧急加速;制动意图按有无对制动踏板的操作分为常规制动和滑行制动,常规制动按制动紧急程度分为平缓制动、较平缓制动、一般制动、较紧急制动和紧急制动;
在车辆行驶过程中,驾驶员根据行车环境及车辆运行状态,直接对加速踏板和制动踏板进行操作来实现其驾驶意图,因此加速踏板开度和制动踏板开度是进行意图识别的主要参数;为充分反映加速和制动的紧急程度,在此基础上,分别增加加速踏板开度变化率和制动踏板开度变化率作为识别参数;
A2、模糊推理识别驾驶意图
A21、对识别参数进行模糊化,即分别制定加速踏板开度、制动踏板开度、加速踏板开度变化率和制动踏板开度变化率的隶属度函数;
A22、建立模糊推理规则,采用模糊条件语句,形式为“若A且B则C”;A和B为网络输入参数所属的模糊集合,踏板开度的模糊集合包括小、较小,中、较大和大,踏板开度变化率的模糊集合包括负大、负、小、中和大,C为输出识别结果的所属模糊集合,包括平缓、较平缓、一般、较紧急和紧急;模糊推理规则即根据不同的踏板开度和踏板开度变化率的模糊集合的组合判断出其驾驶意图所属的模糊集合;
A23、将模糊推理得到的结果清晰化,选取重心法进行清晰化计算;加速意图识别结果范围在(0,1)内,其值越接近1代表其加速意图越强烈,制动意图识别结果范围在(-1,0)内,其值越接近-1代表其制动意图越强烈;加速踏板和制动踏板均无操作时,默认为滑行制动,其意图识别结果为0;这样取值保证其驾驶意图与车速轨迹一致,是在时间上连续的序列,且能区别每一时刻是加速意图还是制动意图及其意图的紧急程度,以方便作为NAR神经网络的输入;
B、NAR神经网络车速预测
B1、NAR神经网络离线训练
采用NAR神经网络进行车速预测,并引入驾驶意图时间序列这一能够反映车速未来变化趋势的因素与车速共同作为网络输入;
NAR神经网络预测模型如下式所示:
y(t)=f(y(t-1)+y(t-2)+...+y(t-dy+1))
式中,y(t)是t时刻的预测输出值,f是网络非线性函数,dy为输出延迟时长,即预测输出值y(t)取决于前dy个时刻的输出;
NAR神经网络结构主要由隐含层、输出层和输出反馈组成,从而使神经网络闭合,形成一个周期性循环的动态神经网络;选取隐含层神经元个数为m个,输出层神经元个数为1个,输出反馈时延阶数为n;在确定神经网络的结构后,选取训练函数以及隐含层和输出层的激励函数;神经网络训练样本数据即为车速和驾驶意图时间序列,将训练样本数据按比例分配,分别用于训练、验证和测试;
用训练神经网络的均方误差MSE来评价神经网络预测的精确度,MSE的值越小,预测的精确度越高;当MSE值小于设定的误差目标值δ,即完成对神经网络的训练,若MSE值大于设定的误差目标值δ,需重新调整神经网络参数,再进行训练;
B2、NAR神经网络在线预测车速
将驾驶意图识别与离线训练好的NAR神经网络车速预测系统嵌入到整车控制器中;通过车载传感器实时获取车速及踏板信号,首先进行驾驶意图识别,然后将识别得到的驾驶意图与车速时间序列共同输入到NAR神经网络,从而实现车辆未来一段时间的车速预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610389825.6A CN105946861B (zh) | 2016-06-02 | 2016-06-02 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610389825.6A CN105946861B (zh) | 2016-06-02 | 2016-06-02 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105946861A true CN105946861A (zh) | 2016-09-21 |
CN105946861B CN105946861B (zh) | 2018-05-01 |
Family
ID=56908648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610389825.6A Expired - Fee Related CN105946861B (zh) | 2016-06-02 | 2016-06-02 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105946861B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934556A (zh) * | 2017-03-22 | 2017-07-07 | 青岛理工大学 | 一种公交车驾驶人出站操纵品质特性的评价方法 |
CN107203134A (zh) * | 2017-06-02 | 2017-09-26 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN107451701A (zh) * | 2017-08-15 | 2017-12-08 | 广东工业大学 | 一种基于动态神经网络的风速预测的方法及系统 |
CN107512267A (zh) * | 2017-07-20 | 2017-12-26 | 上海工程技术大学 | 一种基于自适应神经模糊模型的车速预测方法 |
CN107730028A (zh) * | 2017-09-18 | 2018-02-23 | 广东翼卡车联网服务有限公司 | 一种车辆事故识别方法、车载终端及存储介质 |
CN109249932A (zh) * | 2017-07-14 | 2019-01-22 | 郑州宇通客车股份有限公司 | 一种车辆加速模型标定方法及加速意图识别方法及其装置 |
CN109334451A (zh) * | 2018-11-26 | 2019-02-15 | 辽宁省交通高等专科学校 | 基于双模糊控制的在高速公路行驶的车辆的油门自动控制方法 |
CN109872415A (zh) * | 2018-12-28 | 2019-06-11 | 北京理工大学 | 一种基于神经网络的车速估计方法及系统 |
CN109910869A (zh) * | 2017-12-13 | 2019-06-21 | 郑州宇通客车股份有限公司 | 一种混合动力客车控制方法及装置 |
CN110682919A (zh) * | 2019-10-11 | 2020-01-14 | 博雷顿科技有限公司 | 一种基于Stacked LSTM的电动汽车短程车速预测方法 |
CN111027618A (zh) * | 2019-12-09 | 2020-04-17 | 西华大学 | 一种汽车动力性和经济性期望量化方法 |
CN111220390A (zh) * | 2019-12-24 | 2020-06-02 | 清华大学 | 一种用于汽车制动踏板性能辅助测试的智能机器人 |
CN111645689A (zh) * | 2020-03-16 | 2020-09-11 | 摩登汽车有限公司 | 整车需求扭矩的计算方法及系统 |
CN112418157A (zh) * | 2020-12-08 | 2021-02-26 | 北京深睿博联科技有限责任公司 | 基于差分神经网络和图像序列数据的车速识别方法及装置 |
CN112785845A (zh) * | 2020-12-30 | 2021-05-11 | 桂林电子科技大学 | 一种基于K-means聚类与RBF神经网络的车速预测方法 |
CN112874537A (zh) * | 2021-02-23 | 2021-06-01 | 长安大学 | 一种紧急避险下智能驾驶系统的人机共驾控制方法 |
CN113022577A (zh) * | 2021-04-02 | 2021-06-25 | 中国第一汽车股份有限公司 | 一种驾驶模式的切换方法、装置、车辆及存储介质 |
CN113759804A (zh) * | 2021-09-24 | 2021-12-07 | 湖南大学 | 一种用于车辆远程控制的方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103998314A (zh) * | 2011-12-22 | 2014-08-20 | 斯堪尼亚商用车有限公司 | 基于规则和/或价值来控制车辆速度的方法和模块 |
CN104010863A (zh) * | 2011-12-22 | 2014-08-27 | 斯堪尼亚商用车有限公司 | 基于规则和/或成本控制车辆速度的方法和模块 |
KR20160038158A (ko) * | 2014-09-29 | 2016-04-07 | 현대모비스 주식회사 | 운전자 성향 반영 위험 운전 감지 시스템 및 방법 |
-
2016
- 2016-06-02 CN CN201610389825.6A patent/CN105946861B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103998314A (zh) * | 2011-12-22 | 2014-08-20 | 斯堪尼亚商用车有限公司 | 基于规则和/或价值来控制车辆速度的方法和模块 |
CN104010863A (zh) * | 2011-12-22 | 2014-08-27 | 斯堪尼亚商用车有限公司 | 基于规则和/或成本控制车辆速度的方法和模块 |
EP2794328A1 (en) * | 2011-12-22 | 2014-10-29 | Scania CV AB | Method and module for controlling a vehicle's speed based on rules and/or costs |
KR20160038158A (ko) * | 2014-09-29 | 2016-04-07 | 현대모비스 주식회사 | 운전자 성향 반영 위험 운전 감지 시스템 및 방법 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934556A (zh) * | 2017-03-22 | 2017-07-07 | 青岛理工大学 | 一种公交车驾驶人出站操纵品质特性的评价方法 |
CN107203134B (zh) * | 2017-06-02 | 2020-08-18 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN107203134A (zh) * | 2017-06-02 | 2017-09-26 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN109249932A (zh) * | 2017-07-14 | 2019-01-22 | 郑州宇通客车股份有限公司 | 一种车辆加速模型标定方法及加速意图识别方法及其装置 |
CN109249932B (zh) * | 2017-07-14 | 2020-10-20 | 郑州宇通客车股份有限公司 | 一种车辆加速模型标定方法及加速意图识别方法及其装置 |
CN107512267A (zh) * | 2017-07-20 | 2017-12-26 | 上海工程技术大学 | 一种基于自适应神经模糊模型的车速预测方法 |
CN107451701A (zh) * | 2017-08-15 | 2017-12-08 | 广东工业大学 | 一种基于动态神经网络的风速预测的方法及系统 |
CN107730028A (zh) * | 2017-09-18 | 2018-02-23 | 广东翼卡车联网服务有限公司 | 一种车辆事故识别方法、车载终端及存储介质 |
CN109910869A (zh) * | 2017-12-13 | 2019-06-21 | 郑州宇通客车股份有限公司 | 一种混合动力客车控制方法及装置 |
CN109334451A (zh) * | 2018-11-26 | 2019-02-15 | 辽宁省交通高等专科学校 | 基于双模糊控制的在高速公路行驶的车辆的油门自动控制方法 |
CN109872415A (zh) * | 2018-12-28 | 2019-06-11 | 北京理工大学 | 一种基于神经网络的车速估计方法及系统 |
CN109872415B (zh) * | 2018-12-28 | 2021-02-02 | 北京理工大学 | 一种基于神经网络的车速估计方法及系统 |
CN110682919A (zh) * | 2019-10-11 | 2020-01-14 | 博雷顿科技有限公司 | 一种基于Stacked LSTM的电动汽车短程车速预测方法 |
CN111027618B (zh) * | 2019-12-09 | 2022-05-20 | 西华大学 | 一种汽车动力性和经济性期望量化方法 |
CN111027618A (zh) * | 2019-12-09 | 2020-04-17 | 西华大学 | 一种汽车动力性和经济性期望量化方法 |
CN111220390A (zh) * | 2019-12-24 | 2020-06-02 | 清华大学 | 一种用于汽车制动踏板性能辅助测试的智能机器人 |
CN111645689A (zh) * | 2020-03-16 | 2020-09-11 | 摩登汽车有限公司 | 整车需求扭矩的计算方法及系统 |
CN112418157B (zh) * | 2020-12-08 | 2022-09-16 | 北京深睿博联科技有限责任公司 | 基于差分神经网络和图像序列数据的车速识别方法及装置 |
CN112418157A (zh) * | 2020-12-08 | 2021-02-26 | 北京深睿博联科技有限责任公司 | 基于差分神经网络和图像序列数据的车速识别方法及装置 |
CN112785845A (zh) * | 2020-12-30 | 2021-05-11 | 桂林电子科技大学 | 一种基于K-means聚类与RBF神经网络的车速预测方法 |
CN112785845B (zh) * | 2020-12-30 | 2022-11-01 | 桂林电子科技大学 | 一种基于K-means聚类与RBF神经网络的车速预测方法 |
CN112874537A (zh) * | 2021-02-23 | 2021-06-01 | 长安大学 | 一种紧急避险下智能驾驶系统的人机共驾控制方法 |
CN112874537B (zh) * | 2021-02-23 | 2022-11-29 | 长安大学 | 一种紧急避险下智能驾驶系统的人机共驾控制方法 |
CN113022577A (zh) * | 2021-04-02 | 2021-06-25 | 中国第一汽车股份有限公司 | 一种驾驶模式的切换方法、装置、车辆及存储介质 |
CN113022577B (zh) * | 2021-04-02 | 2023-02-21 | 中国第一汽车股份有限公司 | 一种驾驶模式的切换方法、装置、车辆及存储介质 |
CN113759804A (zh) * | 2021-09-24 | 2021-12-07 | 湖南大学 | 一种用于车辆远程控制的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105946861B (zh) | 2018-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105946861A (zh) | 一种基于驾驶意图识别的nar神经网络车速预测方法 | |
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
CN109624986B (zh) | 一种基于模式切换的驾驶风格的学习巡航控制系统及方法 | |
CN107958269A (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
CN103324085B (zh) | 基于监督式强化学习的最优控制方法 | |
CN107168303A (zh) | 一种汽车的自动驾驶方法及装置 | |
CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
Liu et al. | Driving intention identification based on long short-term memory and a case study in shifting strategy optimization | |
CN104851280B (zh) | 一种车辆行驶控制方法、装置、系统及相关设备 | |
Kuutti et al. | End-to-end reinforcement learning for autonomous longitudinal control using advantage actor critic with temporal context | |
US20200202214A1 (en) | Correctness preserving optimization of deep neural networks | |
Bolovinou et al. | Driving style recognition for co-operative driving: A survey | |
CN111027618B (zh) | 一种汽车动力性和经济性期望量化方法 | |
CN106570560A (zh) | 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法 | |
CN113378479A (zh) | 基于自动驾驶测试智能平台车的智能化标准方法和系统 | |
Selvaraj et al. | An ML-aided reinforcement learning approach for challenging vehicle maneuvers | |
CN110103960B (zh) | 车辆自适应巡航控制方法、系统及车辆 | |
CN114644018A (zh) | 一种基于博弈论的自动驾驶车辆人车交互决策规划方法 | |
CN114179830A (zh) | 一种自动驾驶车辆的自主超车方法和系统 | |
CN112124310A (zh) | 一种车辆的路径变换方法和装置 | |
CN113326962B (zh) | 基于bp神经网络的地铁列车ato速度曲线预测方法 | |
CN107512267A (zh) | 一种基于自适应神经模糊模型的车速预测方法 | |
CN112435466A (zh) | 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及系统 | |
CN106934556A (zh) | 一种公交车驾驶人出站操纵品质特性的评价方法 | |
Eichenlaub et al. | Anticipatory Longitudinal Vehicle Control using a LSTM Prediction Model |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180501 Termination date: 20210602 |
|
CF01 | Termination of patent right due to non-payment of annual fee |