CN106066644A - 建立智能车辆控制模型的方法、智能车辆控制方法及装置 - Google Patents

建立智能车辆控制模型的方法、智能车辆控制方法及装置 Download PDF

Info

Publication number
CN106066644A
CN106066644A CN201610439391.6A CN201610439391A CN106066644A CN 106066644 A CN106066644 A CN 106066644A CN 201610439391 A CN201610439391 A CN 201610439391A CN 106066644 A CN106066644 A CN 106066644A
Authority
CN
China
Prior art keywords
vehicle control
intelligent vehicle
feature
model
control model
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
Application number
CN201610439391.6A
Other languages
English (en)
Inventor
余丽
张天雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201610439391.6A priority Critical patent/CN106066644A/zh
Priority to US15/280,757 priority patent/US10065680B2/en
Publication of CN106066644A publication Critical patent/CN106066644A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明提供了一种建立智能车辆控制模型的方法、智能车辆控制方法及装置，其中建立智能车辆控制模型的方法包括：获取样本数据，所述样本数据包括各驾驶环境下对应的方向盘转角；从样本数据中提取车辆状态特征和路况特征；利用提取的特征训练神经网络模型，得到智能车辆控制模型。智能车辆控制方法包括：提取待控制车辆的车辆状态特征和路况特征；将提取的特征输入智能车辆控制模型，得到方向盘转角；利用所述方向盘转角对所述待控制车辆进行控制。本发明建立智能车辆控制模型采用机器学习的方式，无需人工调参，降低了调参所产生的人力成本。

Description

建立智能车辆控制模型的方法、智能车辆控制方法及装置
【技术领域】
本发明涉及计算机应用技术领域，特别涉及一种建立智能车辆控制模型的方法、智能车辆控制方法及装置。
【背景技术】
智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，使车辆具备智能的环境感知能力，能够自动分析车辆行驶的安全及危险状态，并使车辆按照人的意愿到达目的地，最终实现替代人来操作的目的。近年来，智能车辆己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中。
决策和控制在智能车辆驾驶系统中起着举足轻重的作用，其中对方向盘的控制是其中比较重要的一种，现有对智能车辆方向盘的控制主要是基于PID算法，即在过程控制中，按偏差的比例(P)、积分(I)和微分(D)进行控制。然而采用该算法进行智能车辆方向盘的控制时，一方面需要花费大量的人力来进行调参，另一方面对传感器的依赖严重。
【发明内容】
有鉴于此，本发明提供了一种建立智能车辆控制模型的方法、智能车辆控制方法及装置，以便于降低调参所产生的人力成本。
具体技术方案如下：
本发明提供了一种建立智能车辆控制模型的方法，该方法包括：
获取样本数据，所述样本数据包括各驾驶环境下对应的方向盘转角；
从样本数据中提取车辆状态特征和路况特征；
利用提取的特征训练神经网络模型，得到智能车辆控制模型。
根据本发明一优选实施方式，所述车辆状态特征包括横向速度、纵向速度和横摆角速度中的一种或任意组合；
所述路况特征包括车辆与参考车道的横向偏差、车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。
根据本发明一优选实施方式，该方法还包括：
对所述智能车辆控制模型进行测试评估；
利用评估结果对所述智能车辆控制模型进行优化。
根据本发明一优选实施方式，对所述智能车辆控制模型进行测试评估包括：
将所述智能车辆控制模型与车辆模型进行仿真对接，其中，从车辆模型获取车辆状态特征和路况特征并输入所述智能车辆控制模型，将智能车辆控制模型输出的方向盘转角输入所述车辆模型；
仿真多种驾驶环境进行测试；
将测试结果与预期结果进行比对。
根据本发明一优选实施方式，所述利用评估结果对所述智能车辆控制模型进行优化包括：
将测试结果符合预期结果的测试数据作为样本数据，对所述智能车辆控制模型进行迭代优化。
本发明还提供了一种智能车辆控制方法，该方法包括：
提取待控制车辆的车辆状态特征和路况特征；
将提取的特征输入智能车辆控制模型，得到方向盘转角；
利用所述方向盘转角对所述待控制车辆进行控制；
其中所述智能车辆控制模型是利用上述建立智能车辆控制模型的方法建立的。
根据本发明一优选实施方式，所述车辆状态特征包括横向速度、纵向速度和横摆角速度中的一种或任意组合；
所述路况特征包括待控制车辆与参考车道的横向偏差、待控制车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。
根据本发明一优选实施方式，利用所述方向盘转角对所述待控制车辆进行控制包括：
判断所述方向盘转角是否小于或等于预设转角阈值，如果否，则利用所述方向盘转角对所述待控制车辆进行控制；如果是，则修正所述方向盘转角为0。
本发明还提供了一种建立智能车辆控制模型的装置，该装置包括：
样本获取单元，用于获取样本数据，所述样本数据包括各驾驶环境下对应的方向盘转角；
特征提取单元，用于从样本数据中提取车辆状态特征和路况特征；
模型训练单元，用于利用提取的特征训练神经网络模型，得到智能车辆控制模型。
根据本发明一优选实施方式，所述车辆状态特征包括横向速度、纵向速度和横摆角速度中的一种或任意组合；
所述路况特征包括车辆与参考车道的横向偏差、车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。
根据本发明一优选实施方式，该装置还包括：
测试评估单元，用于对所述智能车辆控制模型进行测试评估；
模型优化单元，用于利用所述评估结果对所述智能车辆控制模型进行优化。
根据本发明一优选实施方式，所述测试评估单元，具体用于：
将所述智能车辆控制模型与车辆模型进行仿真对接，其中，从车辆模型获取车辆状态特征和路况特征并输入所述智能车辆控制模型，将智能车辆控制模型输出的方向盘转角输入所述车辆模型；
仿真多种驾驶环境进行测试；
将测试结果与预期结果进行比对。
根据本发明一优选实施方式，所述模型优化单元，具体用于将测试结果符合预期结果的测试数据作为样本数据，触发对所述智能车辆控制模型的迭代优化。
本发明还提供了一种智能车辆控制装置，该装置包括：
特征提取单元，用于提取待控制车辆的车辆状态特征和路况特征；
转角获取单元，用于将提取的特征输入智能车辆控制模型，得到方向盘转角；
控制处理单元，用于利用所述方向盘转角对所述待控制车辆进行控制；
其中所述智能车辆控制模型是利用上述建立智能车辆控制模型的装置建立的。
根据本发明一优选实施方式，所述车辆状态特征包括横向速度、纵向速度和横摆角速度中的一种或任意组合；
所述路况特征包括待控制车辆与参考车道的横向偏差、待控制车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。
根据本发明一优选实施方式，所述控制处理单元，具体用于判断所述方向盘转角是否小于或等于预设转角阈值，如果否，则利用所述方向盘转角对所述待控制车辆进行控制；如果是，则修正所述方向盘转角为0。
由以上技术方案可以看出，本发明建立智能车辆控制模型采用机器学习的方式，无需人工调参，降低了调参所产生的人力成本。
【附图说明】
图1为本发明实施例提供的建立智能车辆控制模型的方法流程图；
图2为本发明实施例提供的智能车辆控制方法流程图；
图3为本发明实施例提供的建立智能车辆控制模型的装置；
图4为本发明实施例提供的智能车辆控制装置的结构图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
本发明的核心思想在于，预先利用神经网络训练智能车辆控制模型，然后利用智能车辆控制模型实现对智能车辆方向盘的控制。也就是说，本发明主要包括两个阶段：模型训练阶段和车辆控制阶段。下面结合实施例分别对这两个阶段的具体实现进行详细描述。
图1为本发明实施例提供的建立智能车辆控制模型的方法流程图，该方法为模型训练阶段的实现，如图1所示，该方法可以包括以下步骤：
在101中，获取样本数据，该样本数据包括各驾驶环境下对应的方向盘转角。
本发明实施例中，可以预先采集各驾驶环境下对应的方向盘转角，但需要保证采集的方向盘转角是较优的控制方式。其中各驾驶环境指的是尽量覆盖各种路况和车辆状态。
样本数据的获取方式有很多，举两个例子：例如可以在各驾驶环境下由经验丰富的司机进行车辆驾驶，在此过程中采集样本数据。再例如，通过构造不同驾驶环境利用现有成熟的PID算法得到各驾驶环境下对应的方向盘转角作为样本数据。
由于样本数量越大，训练出的模型越精确，因此在本发明实施例中优选采集的样本数据在几十万级别。
在102中，从样本数据中提取车辆状态特征和路况特征。
对于模型训练而言，特征选择是非常关键的，其在很大程度上决定了模型的决策效果。对于本发明而言，在具体驾驶环境中有各种各样数量庞大的特征可供选择，若特征选择不当，会影响训练出的模型的性能。选择哪些特征用于进行模型训练需要进行反复地研究、试验、修改和分析。
举一个例子，在试验过程中，将上一时刻的方向盘转角作为其中一个特征，结果训练出的智能车辆控制模型对方向的控制非常糟糕。经过大量分析后得到原因：上一时刻的方向盘转角对造成智能车辆控制模型对其的强依赖，从而抑制了真正与方向控制有强相关性的变量，因此造成输出的决策效果差。那么发明人分析得到原因后，就果断放弃上一时刻的方向盘转角作为特征。
经过反复和大量的研究、试验、修改和分析后，在本发明实施例中采用两类特征来进行智能车辆控制模型的训练：车辆状态特征和路况特征。其中车辆状态特征可以包括横向速度、纵向速度和横摆角速度中的一种或任意组合；路况特征可以包括横向偏差、航向角偏差和道路曲率中的一种或任意组合，其中横向偏差指的是车辆与参考车道的距离，航向角偏差指的是车辆航向与参考车道线的偏角。作为一种优选的实施方式，选取上述6个特征：车辆的横向速度、纵向速度、横摆角速度、横向偏差、航向角偏差和道路曲率，后续将以该6个特征为例作为模型训练的特征进行描述。
在103中，利用提取的特征训练神经网络模型，得到智能车辆控制模型。
在本发明实施例中在选取机器学习模型时，之所以采用神经网络模型，主要基于几方面的考虑：首先本方式采用的特征数量较少，因此线性回归方式并不适合，否则会造成训练误差很大；其次，虽然采用核函数(kernel)的方式能够具有较小的泛化误差，但核函数的选取非常困难。因此，本发明实施例中采用神经网络的方式进行模型训练。
可以采用多种类型的神经网络模型，例如卷积神经网络(CNN)、前馈全连接神经网络(FNN)，等等。
下面简单对神经网络模型的训练过程进行描述：
模型训练时采用的数据包括：
1)特征，分别采用feature[0],feature[1],…,feature[5]表示采用的6个特征值。
2)方向盘转角，采用label表示。
对label进行归一化处理，依据方向盘转角最大值max和方向盘转角最小值min，进行如下归一化：
label’＝(label-min)/(max-min) (1)
其中label’为归一化后的方向盘转角。
对feature进行归一化处理，依据各feature的均值和标准差，进行如下归一化：
model_input[i]＝(feature[i]–mean[i])/var[i] (2)
其中，model_input[i]为feature[i]进行归一化后的值，mean[i]为feature[i]的均值，var[i]为feature[i]的标准差。
模型参数矩阵为A、B、C和D，其中，矩阵A为6行128列的矩阵，B为1行128列的矩阵，C为128行1列的矩阵，D为1行1列的矩阵，其中128指的是神经网络隐藏层中的节点数量，在此以128为例，也可以取其他值。训练过程就是确定这四个模型参数矩阵的过程，训练开始时，这四个模型参数矩阵首先被初始化，即赋予初始值。
依据如下公式进行模型训练：
layer＝tanh(model_input*A+B) (3)
label’＝layer*C+D (4)
其中，model_input为model_input[0]、model_input[1]、model_input[2]、model_input[3]、model_input[4]和model_input[5]构成的矩阵。
利用样本数据进行神经网络模型的训练后，得到智能车辆控制模型，该智能车辆控制模型的输入为6个特征，输出为方向盘转角。
在完成上述训练后，为了把握和提高模型的精度，可以进一步执行以下步骤：
在104中，对智能车辆控制模型进行测试评估。
在对训练出的模型进行测试评估时，可以将智能车辆控制模型与车辆模型进行仿真对接，车辆模型指的是在仿真环境下，能够在驾驶环境中仿真真实智能车辆进行驾驶的模型，对该车辆模型输入控制参数，就能够受该控制参数的控制进行仿真驾驶，从而输出各种车辆状态信息和路况信息。
在本步骤中进行对接时，从车辆模型获取车辆状态特征和路况特征，即横向速度、纵向速度、横摆角速度、横向偏差、航向角偏差和道路曲率，将这些特征输入智能车辆控制模型，智能车辆控制模型输出方向盘转角，将该方向盘转角又作为车辆模型的输入。据此仿真多种驾驶环境，例如仿真直道以及各种曲率、弧度的弯道进行测试，将测试结果与预期结果进行比对。例如在同样的驾驶环境下利用PID算法进行方向盘转角的确定，将利用PID算法确定出的结果作为预期结果。
在105中，利用评估结果对智能车辆控制模型进行优化。
对于测试结果符合预期结果的测试数据可以作为样本数据，继续用于对智能车辆控制模型进行迭代优化，直至测试结果与预期结果的吻合状况符合设定要求。
图2为本发明实施例提供的智能车辆控制方法流程图，该方法为车辆控制阶段的实现，如图2所示，该方法可以包括以下步骤：
在201中，提取待控制车辆的车辆状态特征和路况特征。
在本步骤中，针对待控制车辆提取的特征是与训练智能车辆控制模型时提取的特征相对应的，也就是说，训练车辆控制模型时采用哪些特征，在本步骤中就提取哪些特征。
车辆状态特征可以包括横向速度、纵向速度和横摆角速度中的一种或任意组合；路况特征可以包括横向偏差、航向角偏差和道路曲率中的一种或任意组合。作为一种优选的实施方式，选取上述6个特征：车辆的横向速度、纵向速度、横摆角速度、横向偏差、航向角偏差和道路曲率。
在202中，将提取的特征输入智能车辆控制模型，得到方向盘转角。
将提取的特征输入图1所示实施例建立的智能车辆控制模型后，智能车辆控制模型就能够输出方向盘转角。
在203中，利用得到的方向盘转角对待控制车辆进行控制。
本步骤实际上就是依据方向盘转角对待控制车辆的方向盘进行控制，可以将得到的方向盘转角作为控制参数提供给控制系统，由控制系统对待控制车辆的方向盘进行控制，使得待控制车辆的方向盘转动相应的转角。
由于很可能在样本数据采集时会有覆盖场景单一的情况，样本数据中缺少航向偏差太大的情况，就可能会产生车辆在直道上开始的角度偏差太大，从而造成在直道上走S路的效果，对于这样的情况，一方面可以增加样本数据，覆盖这种状况；另一方面也可以增加逻辑判断，即判断方向盘转角是否小于或等于预设转角阈值，如果否，则利用方向盘转角对待控制车辆进行控制；如果是，则修正方向盘转角位0。
例如，可以预设转角阈值为±0.8度，若通过智能车辆控制模型得到的方向盘转角在±0.8度之间，则修正方向盘转角为0，即不改变待控制车辆的方向盘转角。其中，方向盘转角的正、负取值可以用于代表两个方向的转角，例如用正值代表顺时针方向的转角，用负值代表逆时针方向的转角。
图1所示的模型训练阶段可以是预先执行的过程，通过该阶段训练得到的车辆控制模型可以预置于智能车辆中，用于智能车辆按照图2所示的车辆控制阶段的处理进行实时控制。当车辆控制模型进行更新后，可以重新下发给智能车辆，由智能车辆更新本地的智能车辆控制模型。
或者，车辆控制模型也可以在服务器中，智能车辆实时上传特征数据给服务器，由服务器按照图2所示的车辆控制阶段的处理得到方向盘转角数据，并下发给智能车辆，实现对智能车辆的实时控制。
以上是对本发明所提供方法进行的描述，下面结合实施例对本发明提供的装置进行详述。
图3为本发明实施例提供的建立智能车辆控制模型的装置，如图3所示，该装置可以包括：样本获取单元01、特征提取单元02和模型训练单元03，还可以包括测试评估单元04和模型优化单元05。其中各组成单元的主要功能如下：
样本获取单元01负责获取样本数据，样本数据包括各驾驶环境下对应的方向盘转角。样本获取单元01获取的样本数据需要尽量保证采集的方向盘转角是较优的控制方式。其中各驾驶环境指的是尽量覆盖各种路况和车辆状态。
样本数据的获取方式有很多，举两个例子：例如可以在各驾驶环境下由经验丰富的司机进行车辆驾驶，在此过程中采集样本数据。再例如，通过构造不同驾驶环境利用现有成熟的PID算法得到各驾驶环境下对应的方向盘转角作为样本数据。
特征提取单元02负责从样本数据中提取车辆状态特征和路况特征。其中车辆状态特征可以包括横向速度、纵向速度和横摆角速度中的一种或任意组合；路况特征可以包括横向偏差、航向角偏差和道路曲率中的一种或任意组合，其中横向偏差指的是车辆与参考车道的距离，航向角偏差指的是车辆航向与参考车道线的偏角。作为一种优选的实施方式，选取上述6个特征：车辆的横向速度、纵向速度、横摆角速度、横向偏差、航向角偏差和道路曲率。
模型训练单元03负责利用提取的特征训练神经网络模型，得到智能车辆控制模型。其中神经网络模型可以包括但不限于CNN、FNN等。
测试评估单元04负责对智能车辆控制模型进行测试评估。具体地，可以将智能车辆控制模型与车辆模型进行仿真对接，其中，从车辆模型获取车辆状态特征和路况特征并输入智能车辆控制模型，将智能车辆控制模型输出的方向盘转角输入车辆模型；仿真多种驾驶环境进行测试；将测试结果与预期结果进行比对。
模型优化单元05负责利用评估结果对智能车辆控制模型进行优化。具体地，可以将测试结果符合预期结果的测试数据作为样本数据，触发对智能车辆控制模型的迭代优化。即可以由模型优化单元05将测试结果符合预期结果的测试数据作为样本数据，并触发特征提取单元02开始提取特征以及触发模型训练单元03继续训练神经网络模型。
图4为本发明实施例提供的智能车辆控制装置的结构图，该装置可以基于图3所示装置所建立的智能车辆控制模型实现对智能车辆的方向盘控制。如图4所示，该装置可以包括：特征提取单元11、转角获取单元12和控制处理单元13，各组成单元的主要功能如下：
特征提取单元11负责提取待控制车辆的车辆状态特征和路况特征。其中车辆状态特征可以包括横向速度、纵向速度和横摆角速度中的一种或任意组合；路况特征包括待控制车辆与参考车道的横向偏差、待控制车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。特征提取单元11与图3中特征提取单元02提取的特征一致。
转角获取单元12负责将提取的特征输入智能车辆控制模型，得到方向盘转角。
控制处理单元13负责利用方向盘转角对待控制车辆进行控制。控制处理单元13可以将得到的方向盘转角作为控制参数提供给待控制车辆的控制系统，由控制系统对方向盘进行控制，使得待控制车辆的方向盘转动相应的转角。
由于很可能在样本数据采集时会有覆盖场景单一的情况，样本数据中缺少航向偏差太大的情况，就可能会产生车辆在直道上开始的角度偏差太大，从而造成在直道上走S路的效果，对于这样的情况，控制处理单元13可以判断得到的方向盘转角是否小于或等于预设转角阈值，如果否，则利用方向盘转角对待控制车辆进行控制；如果是，则修正方向盘转角为0。
由以上描述可以看出，本发明提供的方法和装置可以具备以下优点：
1)本发明建立智能车辆控制模型采用机器学习的方式，无需人工调参，降低了调参所产生的人力成本。
2)经过试验，通过本发明实施例提供的上述方法和装置，使得对智能车辆的控制能够很好的应对不同曲率弧度的弯道，并且在路况信息有限的前提下，对传感器的依赖优于PID算法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (16)

1.一种建立智能车辆控制模型的方法，其特征在于，该方法包括：
获取样本数据，所述样本数据包括各驾驶环境下对应的方向盘转角；
从样本数据中提取车辆状态特征和路况特征；
利用提取的特征训练神经网络模型，得到智能车辆控制模型。
2.根据权利要求1所述的方法，其特征在于，所述车辆状态特征包括横向速度、纵向速度和横摆角速度中的一种或任意组合；
所述路况特征包括车辆与参考车道的横向偏差、车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。
3.根据权利要求1所述的方法，其特征在于，该方法还包括：
对所述智能车辆控制模型进行测试评估；
利用评估结果对所述智能车辆控制模型进行优化。
4.根据权利要求3所述的方法，其特征在于，对所述智能车辆控制模型进行测试评估包括：
将所述智能车辆控制模型与车辆模型进行仿真对接，其中，从车辆模型获取车辆状态特征和路况特征并输入所述智能车辆控制模型，将智能车辆控制模型输出的方向盘转角输入所述车辆模型；
仿真多种驾驶环境进行测试；
将测试结果与预期结果进行比对。
5.根据权利要求3所述的方法，其特征在于，所述利用评估结果对所述智能车辆控制模型进行优化包括：
将测试结果符合预期结果的测试数据作为样本数据，对所述智能车辆控制模型进行迭代优化。
6.一种智能车辆控制方法，其特征在于，该方法包括：
提取待控制车辆的车辆状态特征和路况特征；
将提取的特征输入智能车辆控制模型，得到方向盘转角；
利用所述方向盘转角对所述待控制车辆进行控制；
其中所述智能车辆控制模型是利用如权利要求1至5任一权项所述的方法建立的。
7.根据权利要求6所述的方法，其特征在于，所述车辆状态特征包括横向速度、纵向速度和横摆角速度中的一种或任意组合；
所述路况特征包括待控制车辆与参考车道的横向偏差、待控制车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。
8.根据权利要求6所述的方法，其特征在于，利用所述方向盘转角对所述待控制车辆进行控制包括：
判断所述方向盘转角是否小于或等于预设转角阈值，如果否，则利用所述方向盘转角对所述待控制车辆进行控制；如果是，则修正所述方向盘转角为0。
9.一种建立智能车辆控制模型的装置，其特征在于，该装置包括：
样本获取单元，用于获取样本数据，所述样本数据包括各驾驶环境下对应的方向盘转角；
特征提取单元，用于从样本数据中提取车辆状态特征和路况特征；
模型训练单元，用于利用提取的特征训练神经网络模型，得到智能车辆控制模型。
10.根据权利要求9所述的装置，其特征在于，所述车辆状态特征包括横向速度、纵向速度和横摆角速度中的一种或任意组合；
所述路况特征包括车辆与参考车道的横向偏差、车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。
11.根据权利要求9所述的装置，其特征在于，该装置还包括：
测试评估单元，用于对所述智能车辆控制模型进行测试评估；
模型优化单元，用于利用所述评估结果对所述智能车辆控制模型进行优化。
12.根据权利要求12所述的装置，其特征在于，所述测试评估单元，具体用于：
将所述智能车辆控制模型与车辆模型进行仿真对接，其中，从车辆模型获取车辆状态特征和路况特征并输入所述智能车辆控制模型，将智能车辆控制模型输出的方向盘转角输入所述车辆模型；
仿真多种驾驶环境进行测试；
将测试结果与预期结果进行比对。
13.根据权利要求12所述的装置，其特征在于，所述模型优化单元，具体用于将测试结果符合预期结果的测试数据作为样本数据，触发对所述智能车辆控制模型的迭代优化。
14.一种智能车辆控制装置，其特征在于，该装置包括：
特征提取单元，用于提取待控制车辆的车辆状态特征和路况特征；
转角获取单元，用于将提取的特征输入智能车辆控制模型，得到方向盘转角；
控制处理单元，用于利用所述方向盘转角对所述待控制车辆进行控制；
其中所述智能车辆控制模型是利用如权利要求9至13任一权项所述的装置建立的。
15.根据权利要求14所述的装置，其特征在于，所述车辆状态特征包括横向速度、纵向速度和横摆角速度中的一种或任意组合；
所述路况特征包括待控制车辆与参考车道的横向偏差、待控制车辆航向与参考车道线的航向角偏差和道路曲率中的一种或任意组合。
16.根据权利要求14所述的装置，其特征在于，所述控制处理单元，具体用于判断所述方向盘转角是否小于或等于预设转角阈值，如果否，则利用所述方向盘转角对所述待控制车辆进行控制；如果是，则修正所述方向盘转角为0。
CN201610439391.6A 2016-06-17 2016-06-17 建立智能车辆控制模型的方法、智能车辆控制方法及装置 Pending CN106066644A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610439391.6A CN106066644A (zh) 2016-06-17 2016-06-17 建立智能车辆控制模型的方法、智能车辆控制方法及装置
US15/280,757 US10065680B2 (en) 2016-06-17 2016-09-29 Method of building smart and vehicle control model, and method and apparatus for controlling smart vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610439391.6A CN106066644A (zh) 2016-06-17 2016-06-17 建立智能车辆控制模型的方法、智能车辆控制方法及装置

Publications (1)

Publication Number Publication Date
CN106066644A true CN106066644A (zh) 2016-11-02

Family

ID=57421488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610439391.6A Pending CN106066644A (zh) 2016-06-17 2016-06-17 建立智能车辆控制模型的方法、智能车辆控制方法及装置

Country Status (2)

Country Link
US (1) US10065680B2 (zh)
CN (1) CN106066644A (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106873584A (zh) * 2017-01-11 2017-06-20 江苏大学 无人驾驶汽车仿人转向规则库的建立方法
CN107450511A (zh) * 2017-06-28 2017-12-08 百度在线网络技术（北京）有限公司 评估车辆控制模型的方法、装置、设备和计算机存储介质
CN107479532A (zh) * 2017-08-04 2017-12-15 安徽江淮汽车集团股份有限公司 一种智能汽车的域控制器测试系统及方法
CN107783528A (zh) * 2016-08-31 2018-03-09 现代自动车株式会社 机器学习系统及其用于学习用户控制模式的方法
CN107972667A (zh) * 2018-01-12 2018-05-01 合肥工业大学 一种车道偏离辅助系统的人机协调控制方法及其控制系统
CN109032116A (zh) * 2018-08-30 2018-12-18 百度在线网络技术（北京）有限公司 车辆故障处理方法、装置、设备及存储介质
CN109196432A (zh) * 2016-12-14 2019-01-11 百度（美国）有限责任公司 用于自动驾驶车辆的速度控制参数估计方法
CN109615064A (zh) * 2018-12-07 2019-04-12 电子科技大学 一种基于时空特征融合递归神经网络的智能车端到端决策方法
CN109808706A (zh) * 2019-02-14 2019-05-28 上海思致汽车工程技术有限公司 学习式辅助驾驶控制方法、装置、系统及车辆
CN110231820A (zh) * 2019-05-31 2019-09-13 辽宁工业大学 一种基于物联网的车辆行驶控制方法
CN110509916A (zh) * 2019-08-30 2019-11-29 的卢技术有限公司 一种基于深度神经网络的车身姿态稳定方法和系统
CN110588778A (zh) * 2019-09-02 2019-12-20 广州小鹏汽车科技有限公司 一种车辆方向盘转角的调整方法及系统、车辆
CN110633596A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 预测车辆方向角的方法和装置
CN110736460A (zh) * 2018-07-19 2020-01-31 上海博泰悦臻电子设备制造有限公司 基于神经网络的位置融合方法及系统、车载终端
CN110781069A (zh) * 2019-08-28 2020-02-11 腾讯科技（深圳）有限公司 一种自动驾驶车辆的定位模块测试方法、装置及设备
WO2020052480A1 (zh) * 2018-09-12 2020-03-19 北京三快在线科技有限公司 无人驾驶行为决策及模型训练
CN111301404A (zh) * 2020-02-06 2020-06-19 北京小马慧行科技有限公司 车辆的控制方法及装置、存储介质及处理器
CN111361545A (zh) * 2019-09-30 2020-07-03 北汽福田汽车股份有限公司 方向盘转动控制方法、装置及车辆
CN111443621A (zh) * 2020-06-16 2020-07-24 深圳市城市交通规划设计研究中心股份有限公司 一种模型生成方法、模型生成装置及电子设备
CN111522245A (zh) * 2020-06-23 2020-08-11 北京三快在线科技有限公司 用于控制无人设备的方法及装置
CN113165174A (zh) * 2018-12-13 2021-07-23 西门子股份公司 包括可到达性分析的自动化系统
CN113325695A (zh) * 2021-05-31 2021-08-31 广州极飞科技股份有限公司 车辆方向控制模型的生成方法、车辆方向控制方法及装置
CN114355793A (zh) * 2021-12-24 2022-04-15 阿波罗智能技术(北京)有限公司 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置
CN114852164A (zh) * 2022-05-27 2022-08-05 合众新能源汽车有限公司 一种车辆电动助力转向死区及间隙的补偿方法及装置
CN116382268A (zh) * 2023-03-13 2023-07-04 江苏理工学院 一种车辆方向控制模型的生成方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018117631A1 (en) * 2016-12-21 2018-06-28 Samsung Electronics Co., Ltd. Electronic apparatus and method of operating the same
CN115855022A (zh) 2017-04-07 2023-03-28 辉达公司 使用深度神经网络执行自主路径导航
US10705525B2 (en) 2017-04-07 2020-07-07 Nvidia Corporation Performing autonomous path navigation using deep neural networks
CN110968088B (zh) * 2018-09-30 2023-09-12 百度（美国）有限责任公司 车辆控制参数的确定方法、装置、车载控制器和无人车
CN112698644A (zh) * 2019-10-22 2021-04-23 坤泰车辆系统（常州）有限公司 基于pure pursuit算法的纵向速度调整策略
CN112052183B (zh) * 2020-09-28 2023-07-07 英博超算(南京)科技有限公司 一种基于虚拟车辆平台的中间件调试方法
CN112651127A (zh) * 2020-12-26 2021-04-13 浙江天行健智能科技有限公司 一种基于高斯过程回归的保守车辆行为泛化模拟方法
CN112685956B (zh) * 2020-12-29 2024-02-09 浙江天行健智能科技有限公司 基于cart回归树的路感模拟方法
CN112859843B (zh) * 2020-12-31 2021-12-24 天津大学 无人驾驶车辆的横纵向控制方法及系统
CN113671962B (zh) * 2021-08-20 2023-11-21 湘潭大学 一种无人驾驶铰接式清扫车的横向控制方法
CN114114898B (zh) * 2022-01-27 2022-04-12 北京航空航天大学 空空弹pid参数整定方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020128751A1 (en) * 2001-01-21 2002-09-12 Johan Engstrom System and method for real-time recognition of driving patters
US20080071469A1 (en) * 2006-09-14 2008-03-20 Toyota Engineering & Manufacturing North America, Inc.. Method and system for predicting a future position of a vehicle using numerical integration
JP4251095B2 (ja) * 2004-03-19 2009-04-08 三菱ふそうトラック・バス株式会社 車両制御装置
CN102030007A (zh) * 2010-11-26 2011-04-27 清华大学 独立驱动-独立转向车辆整车动力学控制量的获得方法
CN103035121A (zh) * 2012-12-06 2013-04-10 南京航空航天大学 一种智能车辆自主行驶动态轨迹规划方法及系统
CN104391504A (zh) * 2014-11-25 2015-03-04 浙江吉利汽车研究院有限公司 基于车联网的自动驾驶控制策略的生成方法与生成装置
CN104590274A (zh) * 2014-11-26 2015-05-06 浙江吉利汽车研究院有限公司 一种驾驶行为自适应系统及驾驶行为自适应方法
CN105136469A (zh) * 2015-07-23 2015-12-09 江苏大学 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5644836B2 (ja) * 2012-11-12 2014-12-24 トヨタ自動車株式会社 操舵装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020128751A1 (en) * 2001-01-21 2002-09-12 Johan Engstrom System and method for real-time recognition of driving patters
JP4251095B2 (ja) * 2004-03-19 2009-04-08 三菱ふそうトラック・バス株式会社 車両制御装置
US20080071469A1 (en) * 2006-09-14 2008-03-20 Toyota Engineering & Manufacturing North America, Inc.. Method and system for predicting a future position of a vehicle using numerical integration
CN102030007A (zh) * 2010-11-26 2011-04-27 清华大学 独立驱动-独立转向车辆整车动力学控制量的获得方法
CN103035121A (zh) * 2012-12-06 2013-04-10 南京航空航天大学 一种智能车辆自主行驶动态轨迹规划方法及系统
CN104391504A (zh) * 2014-11-25 2015-03-04 浙江吉利汽车研究院有限公司 基于车联网的自动驾驶控制策略的生成方法与生成装置
CN104590274A (zh) * 2014-11-26 2015-05-06 浙江吉利汽车研究院有限公司 一种驾驶行为自适应系统及驾驶行为自适应方法
CN105136469A (zh) * 2015-07-23 2015-12-09 江苏大学 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107783528A (zh) * 2016-08-31 2018-03-09 现代自动车株式会社 机器学习系统及其用于学习用户控制模式的方法
CN107783528B (zh) * 2016-08-31 2021-09-17 现代自动车株式会社 机器学习系统及其用于学习用户控制模式的方法
CN109196432B (zh) * 2016-12-14 2021-10-19 百度（美国）有限责任公司 用于自动驾驶车辆的速度控制参数估计方法、介质和系统
CN109196432A (zh) * 2016-12-14 2019-01-11 百度（美国）有限责任公司 用于自动驾驶车辆的速度控制参数估计方法
CN106873584A (zh) * 2017-01-11 2017-06-20 江苏大学 无人驾驶汽车仿人转向规则库的建立方法
CN107450511A (zh) * 2017-06-28 2017-12-08 百度在线网络技术（北京）有限公司 评估车辆控制模型的方法、装置、设备和计算机存储介质
CN107479532A (zh) * 2017-08-04 2017-12-15 安徽江淮汽车集团股份有限公司 一种智能汽车的域控制器测试系统及方法
CN107972667B (zh) * 2018-01-12 2019-07-02 合肥工业大学 一种车道偏离辅助系统的人机协调控制方法
CN107972667A (zh) * 2018-01-12 2018-05-01 合肥工业大学 一种车道偏离辅助系统的人机协调控制方法及其控制系统
CN110633596A (zh) * 2018-06-21 2019-12-31 北京京东尚科信息技术有限公司 预测车辆方向角的方法和装置
CN110736460A (zh) * 2018-07-19 2020-01-31 上海博泰悦臻电子设备制造有限公司 基于神经网络的位置融合方法及系统、车载终端
CN110736460B (zh) * 2018-07-19 2023-08-04 博泰车联网科技(上海)股份有限公司 基于神经网络的位置融合方法及系统、车载终端
CN109032116A (zh) * 2018-08-30 2018-12-18 百度在线网络技术（北京）有限公司 车辆故障处理方法、装置、设备及存储介质
WO2020052480A1 (zh) * 2018-09-12 2020-03-19 北京三快在线科技有限公司 无人驾驶行为决策及模型训练
US11983245B2 (en) 2018-09-12 2024-05-14 Beijing Sankuai Online Technology Co., Ltd Unmanned driving behavior decision-making and model training
CN109615064A (zh) * 2018-12-07 2019-04-12 电子科技大学 一种基于时空特征融合递归神经网络的智能车端到端决策方法
CN113165174B (zh) * 2018-12-13 2024-05-24 西门子股份公司 包括可到达性分析的自动化系统
CN113165174A (zh) * 2018-12-13 2021-07-23 西门子股份公司 包括可到达性分析的自动化系统
CN109808706A (zh) * 2019-02-14 2019-05-28 上海思致汽车工程技术有限公司 学习式辅助驾驶控制方法、装置、系统及车辆
CN110231820B (zh) * 2019-05-31 2022-08-05 江苏亿科达科技发展有限公司 一种基于物联网的车辆行驶控制方法
CN110231820A (zh) * 2019-05-31 2019-09-13 辽宁工业大学 一种基于物联网的车辆行驶控制方法
CN110781069A (zh) * 2019-08-28 2020-02-11 腾讯科技（深圳）有限公司 一种自动驾驶车辆的定位模块测试方法、装置及设备
CN110509916A (zh) * 2019-08-30 2019-11-29 的卢技术有限公司 一种基于深度神经网络的车身姿态稳定方法和系统
CN110588778A (zh) * 2019-09-02 2019-12-20 广州小鹏汽车科技有限公司 一种车辆方向盘转角的调整方法及系统、车辆
CN111361545A (zh) * 2019-09-30 2020-07-03 北汽福田汽车股份有限公司 方向盘转动控制方法、装置及车辆
CN111361545B (zh) * 2019-09-30 2021-04-20 北汽福田汽车股份有限公司 方向盘转动控制方法、装置及车辆
CN111301404B (zh) * 2020-02-06 2022-02-18 北京小马慧行科技有限公司 车辆的控制方法及装置、存储介质及处理器
CN111301404A (zh) * 2020-02-06 2020-06-19 北京小马慧行科技有限公司 车辆的控制方法及装置、存储介质及处理器
CN111443621B (zh) * 2020-06-16 2020-10-27 深圳市城市交通规划设计研究中心股份有限公司 一种模型生成方法、模型生成装置及电子设备
CN111443621A (zh) * 2020-06-16 2020-07-24 深圳市城市交通规划设计研究中心股份有限公司 一种模型生成方法、模型生成装置及电子设备
CN111522245B (zh) * 2020-06-23 2020-11-03 北京三快在线科技有限公司 用于控制无人设备的方法及装置
CN111522245A (zh) * 2020-06-23 2020-08-11 北京三快在线科技有限公司 用于控制无人设备的方法及装置
CN113325695A (zh) * 2021-05-31 2021-08-31 广州极飞科技股份有限公司 车辆方向控制模型的生成方法、车辆方向控制方法及装置
CN114355793A (zh) * 2021-12-24 2022-04-15 阿波罗智能技术(北京)有限公司 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置
CN114355793B (zh) * 2021-12-24 2023-12-29 阿波罗智能技术(北京)有限公司 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置
CN114852164A (zh) * 2022-05-27 2022-08-05 合众新能源汽车有限公司 一种车辆电动助力转向死区及间隙的补偿方法及装置
CN114852164B (zh) * 2022-05-27 2024-09-06 合众新能源汽车股份有限公司 一种车辆电动助力转向死区及间隙的补偿方法及装置
CN116382268A (zh) * 2023-03-13 2023-07-04 江苏理工学院 一种车辆方向控制模型的生成方法

Also Published As

Publication number Publication date
US20170361873A1 (en) 2017-12-21
US10065680B2 (en) 2018-09-04

Similar Documents

Publication Publication Date Title
CN106066644A (zh) 建立智能车辆控制模型的方法、智能车辆控制方法及装置
Al-Qizwini et al. Deep learning algorithm for autonomous driving using googlenet
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
CN112232490B (zh) 一种基于视觉的深度模仿强化学习驾驶策略训练方法
Dogan et al. Autonomous driving: A comparison of machine learning techniques by means of the prediction of lane change behavior
Yang et al. Feature analysis and selection for training an end-to-end autonomous vehicle controller using deep learning approach
CN114358128A (zh) 一种训练端到端的自动驾驶策略的方法
CN107016193A (zh) 驾驶员跟车行为分析中的期望跟车距离计算方法
Sharma et al. Behavioral cloning for lateral motion control of autonomous vehicles using deep learning
US20210056863A1 (en) Hybrid models for dynamic agents in a simulation environment
CN111339935B (zh) 一种基于可解释cnn图像分类模型的光学遥感图片分类方法
CN113581182B (zh) 基于强化学习的自动驾驶车辆换道轨迹规划方法及系统
Babiker et al. Convolutional neural network for a self-driving car in a virtual environment
CN106778910A (zh) 基于本地训练的深度学习系统和方法
CN110310298A (zh) 一种基于循环条件随机场的道路目标实时三维点云分割方法
Arefnezhad et al. Modeling of double lane change maneuver of vehicles
US20230162539A1 (en) Driving decision-making method and apparatus and chip
Li et al. Simulation of vehicle interaction behavior in merging scenarios: A deep maximum entropy-inverse reinforcement learning method combined with game theory
CN117610681A (zh) 基于模仿学习和离散强化学习的自动驾驶汽车决策方法
Jin et al. VWP: An efficient DRL-based autonomous driving model
CN114372501A (zh) 自动驾驶训练方法、装置、设备、存储介质及程序产品
Lee et al. May i cut into your lane?: A policy network to learn interactive lane change behavior for autonomous driving
CN107045639A (zh) 一种基于时间自动机的跟车行为生成方法
CN108733962B (zh) 一种无人车的拟人驾驶员控制模型的建立方法和系统
Wang et al. An end-to-end deep reinforcement learning model based on proximal policy optimization algorithm for autonomous driving of off-road vehicle

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20161102