CN106080590B - 车辆控制方法和装置以及决策模型的获取方法和装置 - Google Patents
车辆控制方法和装置以及决策模型的获取方法和装置 Download PDFInfo
- Publication number
- CN106080590B CN106080590B CN201610407031.8A CN201610407031A CN106080590B CN 106080590 B CN106080590 B CN 106080590B CN 201610407031 A CN201610407031 A CN 201610407031A CN 106080590 B CN106080590 B CN 106080590B
- Authority
- CN
- China
- Prior art keywords
- information
- external environment
- model
- decision model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 105
- 238000013480 data collection Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- B60W20/00—Control systems specially adapted for hybrid vehicles
-
- 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
- B60W40/02—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 ambient conditions
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了车辆控制方法和装置以及决策模型的获取方法和装置,所述车辆控制方法包括:在无人驾驶车辆的行驶过程中,实时获取当前的外界环境信息和地图信息;根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息,根据确定出的车辆状态信息对无人驾驶车辆的行驶状态进行控制。应用本发明所述方案,能够提高安全性和减少工作量。
Description
【技术领域】
本发明涉及无人驾驶技术,特别涉及无人驾驶车辆的控制方法和装置以及决策模型的获取方法和装置。
【背景技术】
在无人驾驶车辆的行驶过程中,需要根据获取到的地图信息和外界环境信息来实时地作出决策,所述决策包括:刹车、加速、变道、转向、调头、倒车等,并根据决策结果来对无人驾驶车辆的行驶状态进行控制。
现有技术中,可基于人工预先编辑的一些规则来进行决策,但是,人工编辑的规则通常无法覆盖所有的路况,对于没有对应规则的未知路况,会存在很大的安全隐患,而且,人工编辑的规则过多,也会增加编辑和维护的工作量。
【发明内容】
本发明提供了车辆控制方法和装置以及决策模型的获取方法和装置,能够提高安全性和减少工作量。
具体技术方案如下:
一种车辆控制方法,包括:
在无人驾驶车辆的行驶过程中,实时获取当前的外界环境信息和地图信息;
根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息,根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。
根据本发明一优选实施例,所述确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息包括:
将每次获取到的外界环境信息和地图信息进行整合后,作为所述决策模型的输入,获取所述决策模型输出的所述车辆状态信息。
根据本发明一优选实施例,
所述地图信息为:基于高精地图获取到的地图信息;
所述决策模型的类型包括:支持向量机SVM模型、神经网络模型。
一种决策模型的获取方法,包括:
当驾驶员驾驶车辆在道路上行驶时,实时获取当前的外界环境信息、地图信息和车辆状态信息;
信息获取完毕,根据获取到的信息,训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,以便在无人驾驶车辆的行驶过程中,在每次获取到当前的外界环境信息和地图信息后,根据所述决策模型,确定出获取到的外界环境信息和地图信息对应的车辆状态信息,并根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。
根据本发明一优选实施例,训练得到所述决策模型包括:
利用每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本,并且,将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入,将每个训练样本中的车辆状态信息作为该训练样本中的输出;
根据各训练样本中的输入和输出训练得到所述决策模型。
根据本发明一优选实施例,该方法进一步包括:
从各训练样本中筛除包含异常数据的训练样本,根据剩余的训练样本训练得到所述决策模型。
根据本发明一优选实施例,
所述地图信息为:基于高精地图获取到的地图信息;
所述决策模型的类型包括:支持向量机SVM模型、神经网络模型。
一种车辆控制装置,包括:获取单元、决策单元和控制单元;
所述获取单元,用于在无人驾驶车辆的行驶过程中,实时获取当前的外界环境信息和地图信息,并将每次获取到的外界环境信息和地图信息发送给所述决策单元;
所述决策单元,用于根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,确定出每次接收到的外界环境信息和地图信息对应的车辆状态信息,将确定出的车辆状态信息发送给所述控制单元;
所述控制单元,用于根据接收到的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。
根据本发明一优选实施例,所述决策单元将每次接收到的外界环境信息和地图信息进行整合后,作为所述决策模型的输入,获取所述决策模型输出的所述车辆状态信息。
根据本发明一优选实施例,
所述地图信息为:基于高精地图获取到的地图信息;
所述决策模型的类型包括:支持向量机SVM模型、神经网络模型。
一种决策模型的获取装置,包括:数据收集单元和模型训练单元;
所述数据收集单元,用于当驾驶员驾驶车辆在道路上行驶时,实时获取当前的外界环境信息、地图信息和车辆状态信息;
所述模型训练单元,用于当数据收集完毕后,根据获取到的信息,训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,以便在无人驾驶车辆的行驶过程中,在每次获取到当前的外界环境信息和地图信息后,能够根据所述决策模型,确定出获取到的外界环境信息和地图信息对应的车辆状态信息,并根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。
根据本发明一优选实施例,所述模型训练单元利用所述数据收集单元每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本,并且,将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入,将每个训练样本中的车辆状态信息作为该训练样本中的输出,根据各训练样本中的输入和输出训练得到所述决策模型。
根据本发明一优选实施例,所述模型训练单元进一步用于,
从各训练样本中筛除包含异常数据的训练样本,根据剩余的训练样本训练得到所述决策模型。
根据本发明一优选实施例,
所述地图信息为:基于高精地图获取到的地图信息;
所述决策模型的类型包括:支持向量机SVM模型、神经网络模型。
基于上述介绍可以看出,采用本发明所述方案,在无人驾驶车辆的行驶过程中,可实时获取当前的外界环境信息和地图信息,并根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息,进而根据确定出的车辆状态信息对无人驾驶车辆的行驶状态进行控制,相比于现有技术,本发明所述方案可适用于任意路况,提高了对未知路况的决策能力,从而提高了安全性,而且,由于不需要人工来编辑规则,因此减少了编辑和维护的工作量。
【附图说明】
图1为本发明车辆控制方法实施例的流程图。
图2为本发明决策模型的获取方法实施例的流程图。
图3为本发明车辆控制装置实施例的组成结构示意图。
图4为本发明决策模型的获取装置实施例的组成结构示意图。
【具体实施方式】
为了使本发明的技术方案更加清楚、明白,以下参照附图并举实施例,对本发明所述方案作进一步地详细说明。
实施例一
图1为本发明车辆控制方法实施例的流程图,如图1所示,包括以下具体实现方式。
在11中,在无人驾驶车辆的行驶过程中,实时获取当前的外界环境信息和地图信息。
在无人驾驶车辆的行驶过程中,可实时地获取当前的外界环境信息和地图信息,这里所提到的实时获取,不是绝对意义上的一直连续不断地获取,而是指以很小的周期时长进行周期性获取,比如,以0.5秒作为周期时长。
外界环境信息也可称为感知信息,可通过激光雷达、毫米波雷达和摄像机等实时获取无人驾驶车辆周围的环境信息,可包括:周围车辆的位置、大小、速度、方向;周围行人的位置、速度、方向等。
其中,周围车辆的位置通常是指周围车辆相对于无人驾驶车辆的位置,同样地,周围行人的位置是指周围行人相对于无人驾驶车辆的位置。
获取到的地图信息为基于高精地图获取到的地图信息。
传统的普通地图中只包含简单的道路路径信息,而高精地图中会详细到每条车道线的精确位置、车道的曲率、车道的限速、车道的连接属性等信息,即相比于普通地图,高精地图中包含的信息内容更为丰富详细,同时具有更小的误差。
本实施例中所述的获取到的地图信息,是指根据高精地图实时获取到的无人驾驶车辆周围的地图数据,可包括:车辆的坐标;车辆前方是否有路口、高架桥、红绿灯、停止线等。
其中,车辆的坐标通常是指无人驾驶车辆与所在车道两侧的车道线之间的距离等,判断车辆前方是否有路口等,通常是指判断无人驾驶车辆前方预定距离如200米内是否存在路口等。
在12中,根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息。
可将每次获取到的外界环境信息和地图信息进行进行整合后,作为预先训练得到的决策模型的输入,从而获取到决策模型输出的车辆状态信息。
车辆状态信息可包括:车辆的速度、加速度、方向盘的角度、方向盘的角速度、转向灯的状态、远光灯的状态、近光灯的状态等。
转向灯的状态是指转向灯是否打开,打开的是哪一侧的转向灯等,远光灯的状态是指远光灯是否打开等,近光灯的状态是指近光灯是否打开等。
在13中,根据确定出的车辆状态信息对无人驾驶车辆的行驶状态进行控制。
可根据确定出的车辆状态信息,按照现有技术,对无人驾驶车辆的行驶状态进行控制。
实施例一中所述内容可举例如下:
假设当前时刻为时刻a,获取时刻a时的外界环境信息a和地图信息a,并根据决策模型,确定出外界环境信息a和地图信息a对应的车辆状态信息a,进而根据车辆状态信息a对无人驾驶车辆的行驶状态进行控制;
假设下一时刻为时刻b,获取时刻b时的外界环境信息b和地图信息b,并根据决策模型,确定出外界环境信息b和地图信息b对应的车辆状态信息b,进而根据车辆状态信息b对无人驾驶车辆的行驶状态进行控制;
依此类推;
时刻a和时刻b之间可间隔非常短的时长,以达到实时控制的目的。
以下通过实施例二,对如何获取上述决策模型进行详细说明。
实施例二
图2为本发明决策模型的获取方法实施例的流程图,如图2所示,包括以下具体实现方式。
在21中,当驾驶员驾驶车辆在道路上行驶时,实时获取当前的外界环境信息、地图信息和车辆状态信息。
可让有经验、驾驶技术优秀的驾驶员驾驶车辆在道路上行驶,在车辆行驶过程中,实时获取(采集、收集)当前的外界环境信息、地图信息和车辆状态信息。
可以只利用一个车辆来按照上述方式收集信息,也可以同时或不同时地利用多个车辆来按照上述方式收集信息。
其中,获取到的外界环境信息可包括:周围车辆的位置、大小、速度、方向;周围行人的位置、速度、方向等。
获取到的地图信息为基于高精地图获取到的地图信息,可包括:车辆的坐标;车辆前方是否有路口、高架桥、红绿灯、停止线等。
获取到的车辆状态信息可包括:车辆的速度、加速度、方向盘的角度、方向盘的角速度、转向灯的状态、远光灯的状态、近光灯的状态等。
在22中,信息获取完毕,根据获取到的信息,训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型。
当收集到足够多的外界环境信息、地图信息和车辆状态信息之后,即可进行决策模型的训练。
比如,可将每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本,并且,将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入,将每个训练样本中的车辆状态信息作为该训练样本中的输出,根据各训练样本中的输入和输出训练得到决策模型。
即利用同一时刻获取到的、相互对应的外界环境信息、地图信息和车辆状态信息组成一个训练样本。
将外界环境信息和地图信息进行整合,是指对两部分信息进行合并处理等,将整后的信息作为输入,对应的车辆状态信息作为输出,来训练出决策模型。
另外,还可从各训练样本中筛除包含异常数据的训练样本,根据剩余的训练样本训练得到决策模型。
比如,根据经验,周围行人的速度不会大于阈值A,但某一训练样本中的周围行人的速度超过了阈值A,那么则可认为该信息获取有误,相应地,将该训练样本筛除。
根据筛除后剩余的训练样本,来训练得到决策模型,所述决策模型的类型可包括:支持向量机(SVM,Support Vector Machine)模型或神经网络模型等。
如何训练得到所述决策模型为现有技术,比如,可在训练样本中的输入和输出的基础上选取指定特征,根据选取出的指定特征进行模型训练,并可在训练迭代的过程中不断优化所选取的特征。
可将训练得到的决策模型提供给无人驾驶车辆使用,无人驾驶车辆在行驶的过程中,会实时地获取当前的外界环境信息和地图信息,在每次获取到外界环境信息和地图信息之后,即可根据决策模型,确定出获取到的外界环境信息和地图信息对应的车辆状态信息,进而根据确定出的车辆状态信息对无人驾驶车辆的行驶状态进行控制。
以上是关于本发明方法实施例的介绍,以下通过实施例三和实施例四,对本发明所述装置实施例进行介绍。
实施例三
图3为本发明车辆控制装置实施例的组成结构示意图,如图3所示,包括:获取单元31、决策单元32和控制单元33。
获取单元31,用于在无人驾驶车辆的行驶过程中,实时获取当前的外界环境信息和地图信息,并将每次获取到的外界环境信息和地图信息发送给决策单元32;
决策单元32,用于根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,确定出每次接收到的外界环境信息和地图信息对应的车辆状态信息,将确定出的车辆状态信息发送给控制单元33;
控制单元33,用于根据接收到的车辆状态信息对无人驾驶车辆的行驶状态进行控制。
在无人驾驶车辆的行驶过程中,获取单元31可实时地获取当前的外界环境信息和地图信息,并可将每次获取到的外界环境信息和地图信息发送给决策单元32,以便决策单元32进行决策。
获取到的外界环境信息可包括:周围车辆的位置、大小、速度、方向;周围行人的位置、速度、方向等。
获取到的地图信息为基于高精地图获取到的地图信息,可包括:车辆的坐标;车辆前方是否有路口、高架桥、红绿灯、停止线等。
决策单元32可将每次接收到的外界环境信息和地图进行进行整合后,作为预先训练得到的决策模型的输入,从而获取到决策模型输出的车辆状态信息,决策模型的类型可包括:SVM模型、神经网络模型等。
车辆状态信息可包括:车辆的速度、加速度、方向盘的角度、方向盘的角速度、转向灯的状态、远光灯的状态、近光灯的状态等。
决策单元32可将确定出的车辆状态信息发送给控制单元33,相应地,控制单元33可根据接收到的车辆状态信息,按照现有技术,对无人驾驶车辆的行驶状态进行控制。
实施例四
图4为本发明决策模型的获取装置实施例的组成结构示意图,如图4所示,包括:数据收集单元41和模型训练单元42。
数据收集单元41,用于当驾驶员驾驶车辆在道路上行驶时,实时获取当前的外界环境信息、地图信息和车辆状态信息;
模型训练单元42,用于当数据收集完毕后,根据获取到的信息,训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,以便在无人驾驶车辆的行驶过程中,在每次获取到当前的外界环境信息和地图信息后,根据决策模型,确定出获取到的外界环境信息和地图信息对应的车辆状态信息,并根据确定出的车辆状态信息对无人驾驶车辆的行驶状态进行控制。
可让有经验、驾驶技术优秀的驾驶员驾驶车辆在道路上行驶,在车辆行驶过程中,数据收集单元41可实时获取当前的外界环境信息、地图信息和车辆状态信息。
可以只利用一个车辆来按照上述方式收集信息,也可以同时或不同时地利用多个车辆来按照上述方式收集信息。
获取到的外界环境信息可包括:周围车辆的位置、大小、速度、方向;周围行人的位置、速度、方向等。
获取到的地图信息为基于高精地图获取到的地图信息,可包括:车辆的坐标;车辆前方是否有路口、高架桥、红绿灯、停止线等。
获取到的车辆状态信息可包括:车辆的速度、加速度、方向盘的角度、方向盘的角速度、转向灯的状态、远光灯的状态、近光灯的状态等。
当收集到足够多的外界环境信息、地图信息和车辆状态信息之后,即可由模型训练单元42来进行决策模型的训练。
比如,模型训练单元42可将每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本,并且,将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入,将每个训练样本中的车辆状态信息作为该训练样本中的输出,根据各训练样本中的输入和输出训练得到决策模型。
另外,模型训练单元42还可从各训练样本中筛除包含异常数据的训练样本,根据剩余的训练样本训练得到决策模型。
比如,根据经验,周围行人的速度不会大于阈值A,但某一训练样本中的周围行人的速度超过了阈值A,那么则可认为该信息获取有误,相应地,将该训练样本筛除。
模型训练单元42根据筛除后剩余的训练样本,来训练得到决策模型,所述决策模型的类型可包括:SVM模型或神经网络模型等。
如何训练得到所述决策模型为现有技术,比如,可在训练样本中的输入和输出的基础上选取指定特征,根据选取出的指定特征进行模型训练,并可在训练迭代的过程中不断优化所选取的特征。
模型训练单元42可将训练得到的决策模型提供给无人驾驶车辆使用,无人驾驶车辆在行驶的过程中,会实时获取当前的外界环境信息和地图信息,在每次获取到外界环境信息和地图信息之后,即可根据决策模型,确定出获取到的外界环境信息和地图信息对应的车辆状态信息,进而根据确定出的车辆状态信息对车辆行驶状态进行控制。
基于上述各实施例中的介绍可知,本发明所述方案可适用于任意路况,从而提高了安全性,而且,由于不需要人工来编辑规则,因此减少了对规则进行编辑和维护的工作量,另外,本发明所述方案实现起来简单方便,从而便于进行普及和推广。
本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、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 (14)
1.一种车辆控制方法,其特征在于,包括:
在无人驾驶车辆的行驶过程中,实时获取当前的外界环境信息和地图信息,其中,所述地图信息为:基于高精地图获取到的地图信息;
根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息,根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。
2.根据权利要求1所述的车辆控制方法,其特征在于,
所述确定出每次获取到的外界环境信息和地图信息对应的车辆状态信息包括:
将每次获取到的外界环境信息和地图信息进行整合后,作为所述决策模型的输入,获取所述决策模型输出的所述车辆状态信息。
3.根据权利要求1或2所述的车辆控制方法,其特征在于,
所述决策模型的类型包括:支持向量机SVM模型、神经网络模型。
4.一种决策模型的获取方法,其特征在于,包括:
当驾驶员驾驶车辆在道路上行驶时,实时获取当前的外界环境信息、地图信息和车辆状态信息,其中,所述地图信息为:基于高精地图获取到的地图信息;
信息获取完毕,根据获取到的信息,训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,以便在无人驾驶车辆的行驶过程中,在每次获取到当前的外界环境信息和地图信息后,根据所述决策模型,确定出获取到的外界环境信息和地图信息对应的车辆状态信息,并根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。
5.根据权利要求4所述的决策模型的获取方法,其特征在于,
训练得到所述决策模型包括:
利用每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本,并且,将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入,将每个训练样本中的车辆状态信息作为该训练样本中的输出;
根据各训练样本中的输入和输出训练得到所述决策模型。
6.根据权利要求5所述的决策模型的获取方法,其特征在于,
该方法进一步包括:
从各训练样本中筛除包含异常数据的训练样本,根据剩余的训练样本训练得到所述决策模型。
7.根据权利要求4、5或6所述的决策模型的获取方法,其特征在于,
所述决策模型的类型包括:支持向量机SVM模型、神经网络模型。
8.一种车辆控制装置,其特征在于,包括:获取单元、决策单元和控制单元;
所述获取单元,用于在无人驾驶车辆的行驶过程中,实时获取当前的外界环境信息和地图信息,并将每次获取到的外界环境信息和地图信息发送给所述决策单元,其中,所述地图信息为:基于高精地图获取到的地图信息;
所述决策单元,用于根据预先训练得到的、体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,确定出每次接收到的外界环境信息和地图信息对应的车辆状态信息,将确定出的车辆状态信息发送给所述控制单元;
所述控制单元,用于根据接收到的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。
9.根据权利要求8所述的车辆控制装置,其特征在于,
所述决策单元将每次接收到的外界环境信息和地图信息进行整合后,作为所述决策模型的输入,获取所述决策模型输出的所述车辆状态信息。
10.根据权利要求8或9所述的车辆控制装置,其特征在于,
所述决策模型的类型包括:支持向量机SVM模型、神经网络模型。
11.一种决策模型的获取装置,其特征在于,包括:数据收集单元和模型训练单元;
所述数据收集单元,用于当驾驶员驾驶车辆在道路上行驶时,实时获取当前的外界环境信息、地图信息和车辆状态信息,其中,所述地图信息为:基于高精地图获取到的地图信息;
所述模型训练单元,用于当数据收集完毕后,根据获取到的信息,训练得到体现外界环境信息、地图信息和车辆状态信息之间的对应关系的决策模型,以便在无人驾驶车辆的行驶过程中,在每次获取到当前的外界环境信息和地图信息后,能够根据所述决策模型,确定出获取到的外界环境信息和地图信息对应的车辆状态信息,并根据确定出的车辆状态信息对所述无人驾驶车辆的行驶状态进行控制。
12.根据权利要求11所述的决策模型的获取装置,其特征在于,
所述模型训练单元利用所述数据收集单元每次获取到的外界环境信息、地图信息和车辆状态信息组成一个训练样本,并且,将每个训练样本中的外界环境信息和地图信息进行整合后作为该训练样本中的输入,将每个训练样本中的车辆状态信息作为该训练样本中的输出,根据各训练样本中的输入和输出训练得到所述决策模型。
13.根据权利要求12所述的决策模型的获取装置,其特征在于,
所述模型训练单元进一步用于,
从各训练样本中筛除包含异常数据的训练样本,根据剩余的训练样本训练得到所述决策模型。
14.根据权利要求11、12或13所述的决策模型的获取装置,其特征在于,所述决策模型的类型包括:支持向量机SVM模型、神经网络模型。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407031.8A CN106080590B (zh) | 2016-06-12 | 2016-06-12 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
US15/273,528 US10429841B2 (en) | 2016-06-12 | 2016-09-22 | Vehicle control method and apparatus and method and apparatus for acquiring decision-making model |
JP2016190244A JP6463713B2 (ja) | 2016-06-12 | 2016-09-28 | 車両制御方法と装置及び判断モジュールの獲得方法と装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610407031.8A CN106080590B (zh) | 2016-06-12 | 2016-06-12 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106080590A CN106080590A (zh) | 2016-11-09 |
CN106080590B true CN106080590B (zh) | 2018-04-03 |
Family
ID=57229001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610407031.8A Active CN106080590B (zh) | 2016-06-12 | 2016-06-12 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10429841B2 (zh) |
JP (1) | JP6463713B2 (zh) |
CN (1) | CN106080590B (zh) |
Families Citing this family (73)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10139823B2 (en) * | 2016-09-13 | 2018-11-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method and device for producing vehicle operational data based on deep learning techniques |
CN108205922A (zh) * | 2016-12-19 | 2018-06-26 | 乐视汽车(北京)有限公司 | 一种自动驾驶决策方法及系统 |
CN108248606A (zh) * | 2016-12-29 | 2018-07-06 | 乐视汽车(北京)有限公司 | 车辆控制方法、装置、以及车辆 |
CN108462726A (zh) * | 2017-02-14 | 2018-08-28 | 广州市联奥信息科技有限公司 | 面向未知状况的车辆辅助驾驶决策系统和装置 |
WO2018205245A1 (zh) * | 2017-05-12 | 2018-11-15 | 中国科学院深圳先进技术研究院 | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 |
US10474157B2 (en) * | 2017-06-06 | 2019-11-12 | Baidu Usa Llc | Data-based control error detection and parameter compensation system |
JP7050006B2 (ja) * | 2017-06-28 | 2022-04-07 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 移動体制御装置、移動体制御方法、及び学習方法 |
CN109213134B (zh) * | 2017-07-03 | 2020-04-28 | 百度在线网络技术(北京)有限公司 | 生成自动驾驶策略的方法和装置 |
CN107571867B (zh) * | 2017-09-05 | 2019-11-08 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶车辆的方法和装置 |
CN107515607A (zh) * | 2017-09-05 | 2017-12-26 | 百度在线网络技术(北京)有限公司 | 用于无人车的控制方法和装置 |
US10935982B2 (en) | 2017-10-04 | 2021-03-02 | Huawei Technologies Co., Ltd. | Method of selection of an action for an object using a neural network |
US10997491B2 (en) | 2017-10-04 | 2021-05-04 | Huawei Technologies Co., Ltd. | Method of prediction of a state of an object in the environment using an action model of a neural network |
CN109697875B (zh) * | 2017-10-23 | 2020-11-06 | 华为技术有限公司 | 规划行驶轨迹的方法及装置 |
CN107953888B (zh) * | 2017-11-29 | 2020-08-04 | 北京经纬恒润科技有限公司 | 一种道路类型识别方法及系统 |
CN109901446B (zh) | 2017-12-08 | 2020-07-07 | 广州汽车集团股份有限公司 | 路口通行控制方法、装置及系统 |
US20190185012A1 (en) | 2017-12-18 | 2019-06-20 | PlusAI Corp | Method and system for personalized motion planning in autonomous driving vehicles |
US11273836B2 (en) | 2017-12-18 | 2022-03-15 | Plusai, Inc. | Method and system for human-like driving lane planning in autonomous driving vehicles |
US11130497B2 (en) | 2017-12-18 | 2021-09-28 | Plusai Limited | Method and system for ensemble vehicle control prediction in autonomous driving vehicles |
WO2019127079A1 (en) * | 2017-12-27 | 2019-07-04 | Bayerische Motoren Werke Aktiengesellschaft | Vehicle lane change prediction |
CN109969192B (zh) * | 2017-12-28 | 2021-06-11 | 郑州宇通客车股份有限公司 | 一种车辆及自动驾驶控制系统 |
CN108225364B (zh) * | 2018-01-04 | 2021-07-06 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策系统及方法 |
GB201802475D0 (en) * | 2018-02-15 | 2018-04-04 | Jaguar Land Rover Ltd | Controller and vehicle |
US20210116917A1 (en) | 2018-02-22 | 2021-04-22 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and program |
US11392131B2 (en) | 2018-02-27 | 2022-07-19 | Nauto, Inc. | Method for determining driving policy |
CN110320883A (zh) * | 2018-03-28 | 2019-10-11 | 上海汽车集团股份有限公司 | 一种基于强化学习算法的车辆自动驾驶控制方法及装置 |
JP7000952B2 (ja) * | 2018-03-28 | 2022-01-19 | 株式会社豊田中央研究所 | 車両の走行を制御する制御装置、制御方法、及び、制御プログラム |
CN108635861B (zh) * | 2018-05-18 | 2022-04-22 | 腾讯科技(深圳)有限公司 | 控制应用中车辆的方法、装置、设备及存储介质 |
CN108734303A (zh) * | 2018-05-29 | 2018-11-02 | 深圳市易成自动驾驶技术有限公司 | 车辆驾驶数据预测方法、设备及计算机可读存储介质 |
CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
EP3588226B1 (en) * | 2018-06-29 | 2020-06-24 | Zenuity AB | Method and arrangement for generating control commands for an autonomous road vehicle |
CN108944944B (zh) * | 2018-07-09 | 2020-04-10 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶模型训练方法、终端及可读存储介质 |
CN109188932A (zh) * | 2018-08-22 | 2019-01-11 | 吉林大学 | 一种面向智能驾驶的多摄像头在环仿真测试方法及系统 |
CN110901638B (zh) * | 2018-08-28 | 2021-05-28 | 大陆泰密克汽车系统(上海)有限公司 | 驾驶辅助方法及系统 |
CN110908366B (zh) * | 2018-08-28 | 2023-08-25 | 大陆智行科技(上海)有限公司 | 自动驾驶方法及装置 |
CN109299732B (zh) | 2018-09-12 | 2020-05-05 | 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的方法、装置及电子设备 |
JP7110884B2 (ja) * | 2018-10-01 | 2022-08-02 | オムロン株式会社 | 学習装置、制御装置、学習方法、及び学習プログラム |
US10955853B2 (en) | 2018-12-18 | 2021-03-23 | Beijing Voyager Technology Co., Ltd. | Systems and methods for autonomous driving |
CN111338333B (zh) * | 2018-12-18 | 2021-08-31 | 北京航迹科技有限公司 | 用于自动驾驶的系统和方法 |
CN109693672B (zh) * | 2018-12-28 | 2020-11-06 | 百度在线网络技术(北京)有限公司 | 用于控制无人驾驶汽车的方法和装置 |
CN109492835B (zh) * | 2018-12-28 | 2021-02-19 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆控制信息的确定方法、模型训练方法和相关装置 |
CN109685213B (zh) * | 2018-12-29 | 2022-01-07 | 百度在线网络技术(北京)有限公司 | 一种训练样本数据的获取方法、装置和终端设备 |
CN109878511B (zh) | 2019-01-15 | 2020-12-08 | 北京百度网讯科技有限公司 | 车辆驾驶模式切换的处理方法、车辆及服务器 |
CN110019688A (zh) * | 2019-01-23 | 2019-07-16 | 艾肯特公司 | 对机器人进行训练的方法 |
CN109785611B (zh) * | 2019-01-24 | 2022-03-08 | 平安科技(深圳)有限公司 | 无人驾驶车辆控制方法、装置、服务器及存储介质 |
CN109712424B (zh) * | 2019-02-26 | 2021-05-07 | 深圳市综合交通运行指挥中心 | 一种基于物联网的车辆导航方法 |
IT201900002853A1 (it) * | 2019-02-27 | 2020-08-27 | Magneti Marelli Spa | "Sistema per ottenere la predizione di un’azione di un veicolo e procedimento corrispondente" |
CN109993234B (zh) * | 2019-04-10 | 2021-05-28 | 百度在线网络技术(北京)有限公司 | 一种无人驾驶训练数据分类方法、装置及电子设备 |
JPWO2020235641A1 (zh) * | 2019-05-21 | 2020-11-26 | ||
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 |
CN110335488A (zh) * | 2019-07-24 | 2019-10-15 | 深圳成谷科技有限公司 | 一种基于车路协同的车辆自动驾驶方法和装置 |
CN110478911A (zh) * | 2019-08-13 | 2019-11-22 | 苏州钛智智能科技有限公司 | 基于机器学习的智能游戏车无人驾驶方法及智能车、设备 |
CN111047047A (zh) * | 2019-11-15 | 2020-04-21 | 奇点汽车研发中心有限公司 | 驾驶模型的训练方法和装置、电子设备、计算机存储介质 |
CN112937564B (zh) * | 2019-11-27 | 2022-09-02 | 魔门塔(苏州)科技有限公司 | 换道决策模型生成方法和无人车换道决策方法及装置 |
CN110837258B (zh) * | 2019-11-29 | 2024-03-08 | 商汤集团有限公司 | 自动驾驶控制方法及装置、系统、电子设备和存储介质 |
CN111123950B (zh) * | 2019-12-31 | 2023-08-29 | 东软睿驰汽车技术(沈阳)有限公司 | 行车控制方法、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 |
CN111942396B (zh) * | 2020-02-17 | 2021-12-24 | 采埃孚汽车系统(上海)有限公司 | 自动驾驶控制装置、方法及自动驾驶系统 |
CN111340234B (zh) * | 2020-02-27 | 2024-01-30 | 南京星火技术有限公司 | 视频数据处理方法、装置、电子设备和计算机可读介质 |
CN110991095B (zh) * | 2020-03-05 | 2020-07-03 | 北京三快在线科技有限公司 | 一种车辆行驶决策模型的训练方法及装置 |
CN111413973A (zh) * | 2020-03-26 | 2020-07-14 | 北京汽车集团有限公司 | 车辆的换道决策方法及装置、电子设备、存储介质 |
CN111123957B (zh) * | 2020-03-31 | 2020-09-04 | 北京三快在线科技有限公司 | 一种轨迹规划的方法及装置 |
WO2021248301A1 (zh) * | 2020-06-09 | 2021-12-16 | 华为技术有限公司 | 自动驾驶系统的自学习方法、装置、设备及存储介质 |
CN113954858A (zh) * | 2020-07-20 | 2022-01-21 | 华为技术有限公司 | 一种规划车辆行驶路线的方法以及智能汽车 |
WO2022044210A1 (ja) * | 2020-08-27 | 2022-03-03 | 三菱電機株式会社 | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム |
US11798321B2 (en) * | 2020-08-28 | 2023-10-24 | ANI Technologies Private Limited | Driver score determination for vehicle drivers |
CN112116167A (zh) * | 2020-09-28 | 2020-12-22 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN112269385B (zh) * | 2020-10-23 | 2021-09-07 | 北京理工大学 | 云端无人车动力学控制系统和方法 |
CN112418237A (zh) * | 2020-12-07 | 2021-02-26 | 苏州挚途科技有限公司 | 车辆驾驶决策方法、装置及电子设备 |
CN112455465B (zh) * | 2020-12-08 | 2022-02-01 | 广州小鹏自动驾驶科技有限公司 | 一种行驶环境感知方法、装置、电子设备和存储介质 |
CN114842432B (zh) * | 2021-02-02 | 2024-08-20 | 广州汽车集团股份有限公司 | 一种基于深度学习汽车灯光控制方法及系统 |
WO2022201222A1 (ja) * | 2021-03-22 | 2022-09-29 | 三菱電機株式会社 | 制御装置および制御方法 |
CN114357871A (zh) * | 2021-12-23 | 2022-04-15 | 中国矿业大学 | 特种救援车辆转向模式智能决策方法 |
CN114572102B (zh) * | 2022-01-28 | 2023-07-14 | 上海康耐司信号设备有限公司 | 一种适用于车灯的智能调节系统及方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07225894A (ja) | 1994-02-15 | 1995-08-22 | Toshiba Corp | 車両用走行制御装置とその制御知識獲得方法 |
JPH07306717A (ja) | 1994-05-13 | 1995-11-21 | Ricoh Co Ltd | 自立走行車 |
US6256560B1 (en) * | 1999-02-25 | 2001-07-03 | Samsung Electronics Co., Ltd. | Method for correcting position of automated-guided vehicle and apparatus therefor |
KR100504255B1 (ko) * | 2001-12-24 | 2005-07-28 | 삼성전자주식회사 | 무인반송시스템과 그 제어방법 |
JP2005100421A (ja) | 2004-10-01 | 2005-04-14 | Fujitsu Ltd | 学習型自己定位装置 |
JP5478042B2 (ja) * | 2008-09-03 | 2014-04-23 | トヨタ自動車株式会社 | 走行制御装置 |
BR112015000983A2 (pt) | 2012-07-17 | 2017-06-27 | Nissan Motor | sistema de assistência de condução e método de assistência de condução |
DE102013211414A1 (de) * | 2013-06-18 | 2014-12-18 | Kuka Laboratories Gmbh | Fahrerloses Transportfahrzeug und Verfahren zum Betreiben einesfahrerlosen Transportfahrzeugs |
US10551851B2 (en) * | 2013-07-01 | 2020-02-04 | Steven Sounyoung Yu | Autonomous unmanned road vehicle for making deliveries |
CN104943684B (zh) * | 2014-03-31 | 2017-09-29 | 比亚迪股份有限公司 | 无人驾驶汽车控制系统和具有其的汽车 |
WO2015166721A1 (ja) * | 2014-05-02 | 2015-11-05 | エイディシーテクノロジー株式会社 | 車両制御装置 |
JP2016024598A (ja) | 2014-07-18 | 2016-02-08 | パナソニックIpマネジメント株式会社 | 自律移動装置の制御方法 |
US9784592B2 (en) * | 2015-07-17 | 2017-10-10 | Honda Motor Co., Ltd. | Turn predictions |
CN105151043B (zh) * | 2015-08-19 | 2018-07-06 | 内蒙古麦酷智能车技术有限公司 | 一种无人驾驶汽车紧急避让的方法 |
US10556600B2 (en) * | 2015-12-09 | 2020-02-11 | Toyota Motor Engineering & Manufacturing North America, Inc. | Assessment of human driving performance using autonomous vehicles |
CN108496178B (zh) * | 2016-01-05 | 2023-08-08 | 御眼视觉技术有限公司 | 用于估计未来路径的系统和方法 |
CN112051855A (zh) * | 2016-01-05 | 2020-12-08 | 御眼视觉技术有限公司 | 用于主车辆的导航系统、自主车辆及导航自主车辆的方法 |
US20170206426A1 (en) * | 2016-01-15 | 2017-07-20 | Ford Global Technologies, Llc | Pedestrian Detection With Saliency Maps |
US9996080B2 (en) * | 2016-02-26 | 2018-06-12 | Ford Global Technologies, Llc | Collision avoidance using auditory data |
CN107298021B (zh) * | 2016-04-15 | 2022-03-08 | 松下电器(美国)知识产权公司 | 信息提示控制装置、自动驾驶车及其驾驶辅助系统 |
US10407078B2 (en) * | 2016-04-26 | 2019-09-10 | Sivalogeswaran Ratnasingam | Dynamic learning driving system and method |
-
2016
- 2016-06-12 CN CN201610407031.8A patent/CN106080590B/zh active Active
- 2016-09-22 US US15/273,528 patent/US10429841B2/en active Active
- 2016-09-28 JP JP2016190244A patent/JP6463713B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017220197A (ja) | 2017-12-14 |
US20170357257A1 (en) | 2017-12-14 |
JP6463713B2 (ja) | 2019-02-06 |
CN106080590A (zh) | 2016-11-09 |
US10429841B2 (en) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106080590B (zh) | 车辆控制方法和装置以及决策模型的获取方法和装置 | |
US11084494B2 (en) | Method for detecting safety of driving behavior, apparatus, device and storage medium | |
CN109583151A (zh) | 车辆的行驶轨迹预测方法及装置 | |
DE102020100078A1 (de) | Verbessern des autonomen fahrens mit empfehlung eines entfernten betrachters | |
CN105539293B (zh) | 车道偏离预警方法和装置及汽车驾驶辅助系统 | |
CN108225364A (zh) | 一种无人驾驶汽车驾驶任务决策系统及方法 | |
CN108133484B (zh) | 基于场景分割的自动驾驶处理方法及装置、计算设备 | |
CN109117706A (zh) | 移动体检测装置及检测方法、移动体学习装置及学习方法、移动体检测系统以及程序 | |
DE102020130387A1 (de) | Fahrzeugwegplanung | |
CN110299003A (zh) | 为测试车辆仿真不同的交通状况的方法 | |
JP2020121714A (ja) | 最近の走行経路に対する軌跡基盤行動分析を遂行して、車両のモードを手動走行モードから自律走行モードに変更するか否かを判断する学習方法及び学習装置 | |
CN112373485A (zh) | 一种考虑交互博弈的自动驾驶车辆决策规划方法 | |
CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
JP2016215790A (ja) | 車線変更計画生成装置、車線変更計画生成方法 | |
CN110320883A (zh) | 一种基于强化学习算法的车辆自动驾驶控制方法及装置 | |
CN106777776A (zh) | 一种基于支持向量机模型的车辆换道决策方法 | |
CN112987711B (zh) | 自动驾驶规控算法优化方法及仿真测试装置 | |
CN109677402A (zh) | 自动驾驶工具的安全防护系统及方法 | |
Jenkins et al. | Classifying passing maneuvers: a behavioral approach | |
CN109992886A (zh) | 一种基于社会力的混合交通仿真方法 | |
CN115176297A (zh) | 用于训练用于机动车的控制器的至少一个算法的方法、计算机程序产品以及机动车 | |
CN116740945A (zh) | 混行环境下快速路合流区多车协同编组交汇方法及系统 | |
CN109859527A (zh) | 一种非机动车转弯预警方法及装置 | |
JP2009093341A (ja) | 認知再現装置及びプログラム並びに交通流シミュレーション装置及びプログラム | |
Jian et al. | Investigating model and impacts of lane-changing execution process based on CA 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 |