CN106950956A - 融合运动学模型和行为认知模型的行车轨迹预测系统 - Google Patents
融合运动学模型和行为认知模型的行车轨迹预测系统 Download PDFInfo
- Publication number
- CN106950956A CN106950956A CN201710174970.7A CN201710174970A CN106950956A CN 106950956 A CN106950956 A CN 106950956A CN 201710174970 A CN201710174970 A CN 201710174970A CN 106950956 A CN106950956 A CN 106950956A
- Authority
- CN
- China
- Prior art keywords
- behavior
- prediction
- prediction module
- cognitive
- driving behavior
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 63
- 230000019771 cognition Effects 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 3
- 230000006399 behavior Effects 0.000 claims description 208
- 238000012546 transfer Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Abstract
本发明公开了一种融合运动学模型和行为认知模型的行车轨迹预测系统,其特征是以交互混合模块对每个预测模块上一时刻的预测结果进行交互混合输出混合结果,混合结果用于下一时刻的预测;预测模块包括基于行为认知的行为认知轨迹预测模块和基于运动学的运动轨迹预测模块,行为认知轨迹预测模块和运动轨迹预测模块根据交互混合模块输出的混合结果进行预测,输出各预测模块的预测结果,预测结果包括车辆位置和协方差矩阵;融合更新模块根据预测结果对最终预测结果进行融合,并更新权重系数,输出未来某时刻车辆位置以及协方差矩阵。本发明能够在车辆行驶过程中不断估计车辆位置状态以及驾驶行为,预测行车轨迹,为智能驾驶决策提供帮助。
Description
技术领域
本发明涉及智能驾驶领域,特别是涉及一种行车轨迹预测系统。
背景技术
智能驾驶车辆对交通安全,交通效率以及环保节能等有着积极的作用。智能驾驶车辆是通过感知系统,感知驾驶环境参数,识别目标类型;通过认知系统提高对驾驶环境的理解如驾驶行为意图等的理解,对未来环境变化进行估计和预测,判断其它道路使用者如车辆和行人的决策机制,对环境做出正确的理解;通过决策系统以及执行系统完成驾驶行为及路径规划,实现驾驶操作任务。其中,环境认知技术是对环境的深层理解,像人一样,通过分析周围车辆的驾驶行为,考虑其它道路使用者的意图和决策机制,对驾驶环境的变化进行估计、判断和预测,提高智能驾驶车辆在复杂环境下的决策水平和能力。只有实现了智能驾驶车辆对环境的深层次理解和认知,并正确地判断和预测周围环境的变化,才能实现真正的“智能”驾驶,有效应对复杂的驾驶环境。轨迹预测是对未来一段时间内车辆位置进行预测,以判断和预测周围环境的变化,为智能驾驶在复杂交通环境下的决策提供基础。
目前,针对行车轨迹预测方法的研究较多。轨迹预测主要包括短时间预测(Short-term Prediction)和长时间预测(Long-term Prediction)。其中,短时间预测主要是基于车辆动力学或者运动学方法,假设某些运动变量比如行车速度、加速度、横摆角速度等保持不变的情况下进行预测。短时间预测虽然预测时间短,但是在较短时间内,其预测结果较准确。长时间预测主要是基于行为认知进行车辆轨迹预测,在考虑运动参数的条件下,对车辆行为进行估计,根据行为概率分布,预测某一段时间内车辆的轨迹变化。基于行为认知的预测方法能够在较长的一段时间内进行轨迹预测。然而,基于行为认知的轨迹预测方法在短时间内预测误差较大。
现阶段针对智能驾驶技术,行为认知以及轨迹预测存在以下几个方面的问题:一是不能自主认识以及预测驾驶环境的变化,决策系统智能化水平低,难以应付复杂交通环境下的需求;二是基于运动学的轨迹预测方法只能在较短的时间内进行预测,且较长时间的预测误差较大;三是基于行为认知的轨迹预测方法虽能够长时间预测行车轨迹,但没有考虑车辆动力学,在短时间内的预测误差较大;四是多种轨迹预测模型的融合方法基于固定的参数,不能满足复杂环境下的需求。
发明内容
本发明是为避免上述现有技术所存在的不足,提供一种融合运动学模型和行为认知模型的行车轨迹预测系统,在车辆行驶过程中不断估计车辆位置状态以及驾驶行为,预测行车轨迹,为智能驾驶决策提供帮助,使其能够适应复杂的交通环境。
本发明为解决技术问题采用如下技术方案:
本发明融合运动学模型和行为认知模型的行车轨迹预测系统的特点是包括:
交互混合模块a,其对每个预测模块上一时刻的预测结果进行交互混合输出混合结果,所述混合结果用于下一时刻的预测;
所述预测模块包括基于行为认知的行为认知轨迹预测模块b1和基于运动学的运动轨迹预测模块b2,所述行为认知轨迹预测模块b1和所述运动轨迹预测模块b2根据交互混合模块a输出的混合结果进行预测,输出各预测模块的预测结果,所述预测结果包括车辆位置和协方差矩阵;
融合更新模块c,根据所述预测模块输出的各个预测结果,对最终预测结果进行融合,并更新权重系数,输出未来某时刻车辆位置以及协方差矩阵。
本发明融合运动学模型和行为认知模型的行车轨迹预测系统的特点也在于:所述预测模块的预测结果包括由所述行为认知轨迹预测模块b1预测的k时刻车辆参数预测均值和预测协方差以及由所述运动轨迹预测模块b2预测的k时刻车辆参数预测均值和预测协方差车辆参数表示为向量X,X=(x,y,θ,v,a,ω),其中x、y、θ、v、a和ω一一对应表示为纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度;初始时刻的车辆参数均值和协方差为环境变量观测估计值;
设定所述行为认知轨迹预测模块b1中的预测模型M1和所述运动轨迹预测模块b2中的预测模型M2随时间的转移满足一阶马尔科夫假设,定义转移矩阵p为:
p=(0.85,0.15;0.15,0.85)
输入所述行为认知轨迹预测模块b1和所述运动轨迹预测模块b2的车辆参数混合均值和混合协方差是:
其中:
和分别为预测模块b1在k时刻的车辆参数混合均值和混合协方差;
和分别是预测模块b2在k时刻的车辆参数混合均值和混合协方差;
其中:p11=0.85,p12=0.15,p21=0.15,p22=0.85;
是预测模块b1在k时刻的权重,是预测模块b2在k时刻的权重,定义:在k=0的初始时刻下,
本发明融合运动学模型和行为认知模型的行车轨迹预测系统的特点也在于:
所述行为认知轨迹预测模块b1包括驾驶行为认知单元和轨迹预测单元;所述驾驶行为认知单元用于估计驾驶行为,输出行为认知概率分布;所述轨迹预测单元基于驾驶行为预测行车轨迹,输出未来一段时间的车辆位置以及协方差矩阵;
所述运动轨迹预测模块b2包括车辆运动学单元和基于UKF的轨迹预测单元;利用所述车辆运动学单元根据车辆运动学模型推导各个变量的关系,输出状态转移方程;所述基于UKF的轨迹预测单元根据所述状态转移方程,考虑观测不确定性和模型不确定性,预测车辆轨迹,输出车辆在未来一段时间的车辆参数预测均值和预测协方差。
本发明融合运动学模型和行为认知模型的行车轨迹预测系统的特点也在于:
所述行为认知单元包括驾驶行为数据库和驾驶行为认知网络学习;所述驾驶行为数据库是通过采集真实道路信息构建而成,是驾驶行为认知学习的数据基础;所述驾驶行为认知网络学习是基于驾驶行为数据库,应用expectation maximization算法优化网络参数,学习驾驶行为认知知识;
所述轨迹预测单元是基于驾驶行为认知单元,对行车轨迹按如下方法进行预测:
首先,根据驾驶行为概率分布p(B=B0|Z1:k0),将预测轨迹概率描述为:
其中,Z1:k0是观测的信息序列,表示预测的位置参数,k0是开始预测的时间,kp是预测时间长度,B表示驾驶行为,B0表示某个驾驶行为如换道行为,表示某个驾驶行为下预测轨迹的概率分布;
其次,考虑不确定参数下,定义不同驾驶行为的轨迹预测模型,包括:
(a1)、车道保持轨迹预测:根据离散维纳过程加速模型预测纵向参数,并根据奥恩斯坦-乌伦贝克过程预测车辆横向位置如式(1):
式(1)中,为车辆横向位置参数,μ为横向位置均值,μ的值设定为道路中线位置,ωt为高斯白噪声,α为车辆回到道路中间的平均速度,为车辆横向位置变化即车辆横向速度,将式(1)离散为:
其中,ωlatR为过程噪声的标量,ωlatR是均值为0、方差为的高斯噪声,其中,WL为车道宽度,WV为车辆宽度,Δt为离散周期;
(b1)、换道行为轨迹预测:在世界坐标系下,定义换道轨迹为式(2)所示的正弦函数:
式(2)中,ΔxlongR是换道行为开始点的纵向相对距离,lR是换道的长度,ylatR是车辆横向位置;不确定性是通过换道行为开始点来描述如式(3):
式(3)中,p(ylatR(ΔxlongR=0))表示换道车辆横向初始位置ylatR(ΔxlongR=0)时的概率分布,是高斯函数,为高斯函数的均值,为高斯函数的方差;
横摆角的预测为:
本发明融合运动学模型和行为认知模型的行车轨迹预测系统的特点也在于:所述驾驶行为数据库的建立是按如下步骤进行:
步骤101,真实道路数据采集:采集驾驶员在自然驾驶状态下的驾驶数据,包括方向盘转角和横向加速度;
步骤102,驾驶行为定义:定义驾驶行为包括车道保持行为、左换道驾驶行为和右换道驾驶行为;
步骤103,驾驶行为数据标定:通过人为标定,将从真实道路中采集的数据进行标定,标定出各个驾驶行为的数据序列;
步骤104,驾驶行为数据存储:将人为标定的驾驶行为数据序列进行存储起来,构建驾驶行为数据库。
本发明融合运动学模型和行为认知模型的行车轨迹预测系统的特点也在于:所述驾驶行为认知网络学习包括以下步骤:
步骤111,认知网络结构的确定:根据动态贝叶斯理论,构建驾驶行为认知网络结构;所述认知网络结构包括行为认知层、隐含层以及观测层;所述观测层是传感器感知的数据信息,包括方向盘转角大小、纵横向加速度、速度以及位移;所述隐含层是连接观测层和行为认知层的中间层,其参数是离散型的;所述行为认知层是抽象层信息,代表智能驾驶车辆对驾驶行为的认知结果;
所述驾驶行为认知网络是带有时间维度的有向非循环图,变量用节点表示,变量之间的相互关系用有向箭头和条件概率表示;所述驾驶行为认知网络满足一阶马尔科夫假设;所述驾驶行为认知网络包括先验网络B1和转移网络B→;所述先验网络B1定义初始状态的条件概率分布以及多变量间的关系,其节点间的连接结构用实线表示;所述转移网络B→表示t-1时刻和t时刻间的关系以条件概率分布,其节点间的连接用虚线表示;所述先验网络B1中,节点Xt对节点Mt和节点Yt都直接相连,节点Mt和节点Yt也直接相连;所述转移网络B→中,t-1时刻的Xt-1节点和t时刻的Xt节点直接相连,t-1时刻的Mt-1节点和t时刻的Xt和Yt节点直接相连;
步骤112,认知网络参数学习:基于所述驾驶行为数据库,应用EM方法学习认知网络参数;
步骤113,认知网络性能评估:对行为认知网络估计性能进行评估;所述行为认知网络评估包括正确识别,开始识别时间,成功识别时间以及综合评估参数;
所述正确识别是指:根据历史信息,所述认知网络对某行为估计概率大于或者等于90%,且估计的行为是正确的;相反则为误识别;
所述正确识别时间是指:根据历史信息,所述认知网络正确识别该行为的时间,其正确识别时间点表示为t0.9,表示第一次正确估计某行为概率大于或等于90%的时间点,并有:
tsucceed=t0.9-tlabel
其中,tlabel是行为开始的标定时间,人为进行确定,若tlabel=0,则tsucceed=t0.9;
所述开始识别时间是指:根据历史信息,模型第一次对正确行为的估计概率达到20%,此时的时间点记为t0.2,并有:
tstart=t0.2-tlabel
其中,如果tlabel=0,则tstart=t0.2;
定义认知网络性能评估的综合评估参数f(s)为:
其中,i是指第i个测试例,n为测试例的个数;T是指其测试例的时间长度,s表示某种认知网络结构,λ1、λ2和λ3是各个评价指标的权重因子,定义:λ1=λ2=λ3=1。
本发明融合运动学模型和行为认知模型的行车轨迹预测系统的特点也在于:所述融合更新模块c按如下方式对最终预测结果进行融合,并更新权重系数:
以和分别表示k+1时刻预测模块b1的预测均值和预测协方差;
以和分别表示k+1时刻预测模块b2的预测均值和预测协方差;
以Pred1表征预测模型M1,以Pred2表征预测模型M2;则有:
其中:
为预测模块b1的纵向位置预测方差;
为预测模块b1的横向位置预测方差;
为预测模块b2的纵向位置预测方差;
为预测模块b2的横向位置预测方差;
则有:
预测模块b1在k+1时刻的概率为:
预测模块b2在k+1时刻的概率为:
预测模块b1在k+1时刻的权重为:其中,
预测模块b2在k+1时刻的权重为:其中,
k+1时刻车辆参数的最终预测均值为:
k+1时刻车辆参数的最终预测协方差Pk+1为:
与已有技术相比,本发明有益效果体现在:
1、本发明能够在车辆行驶过程中不断估计车辆位置状态以及驾驶行为,预测行车轨迹,为智能驾驶决策提供帮助,使其能够适应复杂的交通环境;
2、本发明融合了运动学模型和行为认知模型进行行车轨迹预测,既能保证短时间内预测结果精确性,同时也保证了长时间预测中趋势的正确性;
3、本发明能够根据各个模型的预测精度,不断调整各个模型的预测权重,使其能够适应复杂的交通环境,使行车轨迹预测结果更准确。
附图说明
图1为本发明系统构成示意图;
图2为本发明中预测模块结构图;
图3为本发明中驾驶行为认知模块原理框图;
图4为本发明驾驶行为认知网络结构图;
图5为本发明中换道场景示意图;
具体实施方式
本实施例中融合运动学模型和行为认知模型的行车轨迹预测系统是针对智能驾驶车辆设计的。参见图1,其包括:
交互混合模块a,其对每个预测模块上一时刻的预测结果进行交互混合输出混合结果,混合结果用于下一时刻的预测;
预测模块包括基于行为认知的行为认知轨迹预测模块b1和基于运动学的运动轨迹预测模块b2,行为认知轨迹预测模块b1和运动轨迹预测模块b2根据交互混合模块a输出的混合结果进行预测,输出各预测模块的预测结果,预测结果包括车辆位置和协方差矩阵;
融合更新模块c,根据预测模块输出的各个预测结果,对最终预测结果进行融合,并更新权重系数,输出未来某时刻车辆位置以及协方差矩阵。
具体实施中,预测模块的预测结果包括由行为认知轨迹预测模块b1预测的k时刻车辆参数预测均值和预测协方差以及由运动轨迹预测模块b2预测的k时刻车辆参数预测均值和预测协方差车辆参数表示为向量X,X=(x,y,θ,v,a,ω),其中x、y、θ、v、a和ω一一对应表示为纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度;初始时刻的车辆参数均值和协方差为环境变量观测估计值;
设定行为认知轨迹预测模块b1中的预测模型M1和运动轨迹预测模块b2中的预测模型M2随时间的转移满足一阶马尔科夫假设,定义转移矩阵p为:p=(0.85,0.15;0.15,0.85);
输入行为认知轨迹预测模块b1和运动轨迹预测模块b2的车辆参数混合均值和混合协方差是:
其中:
和分别为预测模块b1在k时刻的车辆参数混合均值和混合协方差;
和分别是预测模块b2在k时刻的车辆参数混合均值和混合协方差;
其中:p11=0.85,p12=0.15,p21=0.15,p22=0.85;
是预测模块b1在k时刻的权重,是预测模块b2在k时刻的权重,定义:在k=0的初始时刻下,
具体实施中,参见图1和图2,行为认知轨迹预测模块b1包括驾驶行为认知单元1和轨迹预测单元2;驾驶行为认知单元1用于估计驾驶行为,输出行为认知概率分布;轨迹预测单元2基于驾驶行为预测行车轨迹,输出未来一段时间的车辆位置以及协方差矩阵。
参见图2,运动轨迹预测模块b2包括车辆运动学单元3和基于UKF的轨迹预测单元4;利用车辆运动学单元3根据车辆运动学模型推导各个变量的关系,输出状态转移方程;基于UKF的轨迹预测单元4根据状态转移方程,考虑观测不确定性和模型不确定性,预测车辆轨迹,输出车辆在未来一段时间的车辆参数预测均值和预测协方差。
假设状态转移方程S表示为:S(t+Δt)=Δf(t)+S(t);
其中Δf(t)表示为:
其中,t表示系统运行时间,Δt表示系统运行周期,本模型中,系统周期为100ms。
根据状态转移方程,其车辆参数预测均值和预测协方差通过UnscentedTransform(UT)进行估算,完成基于UKF的轨迹预测单元4。
具体实施中,参见图3,行为认知单元1包括驾驶行为数据库和驾驶行为认知网络学习,用于估计驾驶行为,输出行为认知概率分布;驾驶行为数据库是通过采集真实道路信息构建而成,是驾驶行为认知学习的数据基础;驾驶行为认知网络学习是基于驾驶行为数据库,应用expectation maximization算法优化网络参数,学习驾驶行为认知知识。
参见图2,轨迹预测单元2是基于驾驶行为认知单元1,对行车轨迹按如下方法进行预测:
首先,根据驾驶行为概率分布p(B=B0|Z1:k0),将预测轨迹概率描述为:
其中,Z1:k0是观测的信息序列,表示预测的位置参数,k0是开始预测的时间,kp是预测时间长度,B表示驾驶行为,B0表示某个驾驶行为如换道行为,表示某个驾驶行为下预测轨迹的概率分布;
其次,考虑不确定参数下,定义不同驾驶行为的轨迹预测模型,包括:
(a1)、车道保持轨迹预测:根据离散维纳过程加速模型预测纵向参数,并根据奥恩斯坦-乌伦贝克过程预测车辆横向位置如式(1):
式(1)中,为车辆横向位置参数,μ为横向位置均值,μ的值设定为道路中线位置,ωt为高斯白噪声,α为车辆回到道路中间的平均速度,为车辆横向位置变化即车辆横向速度,将式(1)离散为:
其中,ωlatR为过程噪声的标量,ωlatR是均值为0、方差为的高斯噪声,其中,WL为车道宽度,WV为车辆宽度,Δt为离散周期;
(b1)、换道行为轨迹预测:在世界坐标系下,定义换道轨迹为式(2)所示的正弦函数:
式(2)中,ΔxlongR是换道行为开始点的纵向相对距离,lR是换道的长度,ylatR是车辆横向位置;不确定性是通过换道行为开始点来描述如式(3):
式(3)中,p(ylatR(ΔxlongR=0))表示换道车辆横向初始位置ylatR(ΔxlongR=0)时的概率分布,是高斯函数,为高斯函数的均值,为高斯函数的方差;横摆角的预测为:
具体实施中,参见图3,驾驶行为数据库的建立是按如下步骤进行:
步骤101,真实道路数据采集:采集驾驶员在自然驾驶状态下的驾驶数据,包括方向盘转角和横向加速度。
步骤102,驾驶行为定义如图5所示,定义驾驶行为包括车道保持行为、左换道驾驶行为和右换道驾驶行为。
步骤103,驾驶行为数据标定:通过人为标定,将从真实道路中采集的数据进行标定,标定出各个驾驶行为的数据序列。
步骤104,驾驶行为数据存储:将人为标定的驾驶行为数据序列进行存储起来,构建驾驶行为数据库。
具体实施中,如图3所示,驾驶行为认知网络学习包括以下步骤:
步骤111,认知网络结构的确定:根据动态贝叶斯理论,构建驾驶行为认知网络结构;认知网络结构包括行为认知层X、隐含层M以及观测层Y;观测层Y是传感器感知的数据信息,包括方向盘转角大小、纵横向加速度、速度以及位移;隐含层M是连接观测层Y和行为认知层X的中间层,其参数是离散型的;行为认知层X是抽象层信息,代表智能驾驶车辆对驾驶行为的认知结果。
驾驶行为认知网络是带有时间维度的有向非循环图,变量用节点表示,变量之间的相互关系用有向箭头和条件概率表示;驾驶行为认知网络满足一阶马尔科夫假设;驾驶行为认知网络包括先验网络B1和转移网络B→;先验网络B1定义初始状态的条件概率分布以及多变量间的关系,其节点间的连接结构用实线表示;转移网络B→表示t-1时刻和t时刻间的关系以条件概率分布,其节点间的连接用虚线表示;先验网络B1中,节点Xt对节点Mt和节点Yt都直接相连,节点Mt和节点Yt也直接相连;转移网络B→中,t-1时刻的Xt-1节点和t时刻的Xt节点直接相连,t-1时刻的Mt-1节点和t时刻的Xt和Yt节点直接相连;其驾驶行为认知网络结构如图4所示。
步骤112,认知网络参数学习:基于驾驶行为数据库,应用EM方法学习认知网络参数;
基于动态贝叶斯网络,其参数描述如下,
如果节点Z和其父节点Pa(Z)都是离散变量i,j,则条件概率P(Z=i|Pa(Z)=j)表示如下:
P(Z=i|Pa(Z)=j)=P(i,j)
其中表示,P(i,j)表示概率值大小;
如果节点Z是离散变量i,其父节点是连续变量y,则条件概率P(Z=i|Pa(Z)=y)表达为:
其中,表示高斯分布,ui是分布的均值,∑i是协方差;
如果节点Z是连续变量z,其父节点也是连续变量,则条件概率为:
其中,W是权重系数,u,∑分别是高斯分布的均值和方差;
步骤113,认知网络性能评估:对行为认知网络估计性能进行评估;行为认知网络评估包括正确识别,开始识别时间,成功识别时间以及综合评估参数。
正确识别是指:根据历史信息,认知网络对某行为估计概率大于或者等于90%,且估计的行为是正确的;相反则为误识别。
正确识别时间是指:根据历史信息,认知网络正确识别该行为的时间,其正确识别时间点表示为t0.9,表示第一次正确估计某行为概率大于或等于90%的时间点,并有:
tsucceed=t0.9-tlabel
其中,tlabel是行为开始的标定时间,人为进行确定,若tlabel=0,则tsucceed=t0.9;
开始识别时间是指:根据历史信息,模型第一次对正确行为的估计概率达到20%,此时的时间点记为t0.2,并有:
tstart=t0.2-tlabel
其中,如果tlabel=0,则tstart=t0.2;
定义认知网络性能评估的综合评估参数f(s)为:
其中,i是指第i个测试例,n为测试例的个数;T是指其测试例的时间长度,s表示某种认知网络结构,λ1、λ2和λ3是各个评价指标的权重因子,定义:λ1=λ2=λ3=1。
如图1所示,本实施例中融合更新模块c按如下方式对最终预测结果进行融合,并更新权重系数:
以和分别表示k+1时刻预测模块b1的预测均值和预测协方差;
以和分别表示k+1时刻预测模块b2的预测均值和预测协方差;
以Pred1表征预测模型M1,以Pred2表征预测模型M2;则有:
其中:
为预测模块b1的纵向位置预测方差;
为预测模块b1的横向位置预测方差;
为预测模块b2的纵向位置预测方差;
为预测模块b2的横向位置预测方差;
则有:
预测模块b1在k+1时刻的概率为:
预测模块b2在k+1时刻的概率为:
预测模块b1在k+1时刻的权重为:其中,
预测模块b2在k+1时刻的权重为:其中,
k+1时刻车辆参数的最终预测均值为:
k+1时刻车辆参数的最终预测协方差Pk+1为:
Claims (7)
1.一种融合运动学模型和行为认知模型的行车轨迹预测系统,其特征是包括:
交互混合模块a,其对每个预测模块上一时刻的预测结果进行交互混合输出混合结果,所述混合结果用于下一时刻的预测;
所述预测模块包括基于行为认知的行为认知轨迹预测模块b1和基于运动学的运动轨迹预测模块b2,所述行为认知轨迹预测模块b1和所述运动轨迹预测模块b2根据交互混合模块a输出的混合结果进行预测,输出各预测模块的预测结果,所述预测结果包括车辆位置和协方差矩阵;
融合更新模块c,根据所述预测模块输出的各个预测结果,对最终预测结果进行融合,并更新权重系数,输出未来某时刻车辆位置以及协方差矩阵。
2.根据权利要求1所述的融合运动学模型和行为认知模型的行车轨迹预测系统,其特征是:所述预测模块的预测结果包括由所述行为认知轨迹预测模块b1预测的k时刻车辆参数预测均值和预测协方差以及由所述运动轨迹预测模块b2预测的k时刻车辆参数预测均值和预测协方差车辆参数表示为向量X,X=(x,y,θ,v,a,ω),其中x、y、θ、v、a和ω一一对应表示为纵向位置、横向位置、横摆角、行车速度、行车加速度以及横摆角速度;初始时刻的车辆参数均值和协方差为环境变量观测估计值;
设定所述行为认知轨迹预测模块b1中的预测模型M1和所述运动轨迹预测模块b2中的预测模型M2随时间的转移满足一阶马尔科夫假设,定义转移矩阵p为:
p=(0.85,0.15;0.15,0.85)
输入所述行为认知轨迹预测模块b1和所述运动轨迹预测模块b2的车辆参数混合均值和混合协方差是:
其中:
和分别为预测模块b1在k时刻的车辆参数混合均值和混合协方差;
和分别是预测模块b2在k时刻的车辆参数混合均值和混合协方差;
其中:p11=0.85,p12=0.15,p21=0.15,p22=0.85;
是预测模块b1在k时刻的权重,是预测模块b2在k时刻的权重,定义:在k=0的初始时刻下,
3.根据权利要求2所述的融合运动学模型和行为认知模型的行车轨迹预测系统,其特征是:
所述行为认知轨迹预测模块b1包括驾驶行为认知单元(1)和轨迹预测单元(2);所述驾驶行为认知单元(1)用于估计驾驶行为,输出行为认知概率分布;所述轨迹预测单元(2)基于驾驶行为预测行车轨迹,输出未来一段时间的车辆位置以及协方差矩阵;
所述运动轨迹预测模块b2包括车辆运动学单元(3)和基于UKF的轨迹预测单元(4);利用所述车辆运动学单元(3)根据车辆运动学模型推导各个变量的关系,输出状态转移方程;所述基于UKF的轨迹预测单元(4)根据所述状态转移方程,考虑观测不确定性和模型不确定性,预测车辆轨迹,输出车辆在未来一段时间的车辆参数预测均值和预测协方差。
4.根据权利要求3所述的融合运动学模型和行为认知模型的行车轨迹预测系统,其特征是:
所述行为认知单元(1)包括驾驶行为数据库和驾驶行为认知网络学习;所述驾驶行为数据库是通过采集真实道路信息构建而成,是驾驶行为认知学习的数据基础;所述驾驶行为认知网络学习是基于驾驶行为数据库,应用expectation maximization算法优化网络参数,学习驾驶行为认知知识;
所述轨迹预测单元(2)是基于驾驶行为认知单元(1),对行车轨迹按如下方法进行预测:
首先,根据驾驶行为概率分布p(B=B0|Z1:k0),将预测轨迹概率描述为:
其中,Z1:k0是观测的信息序列,表示预测的位置参数,k0是开始预测的时间,kp是预测时间长度,B表示驾驶行为,B0表示某个驾驶行为如换道行为,表示某个驾驶行为下预测轨迹的概率分布;
其次,考虑不确定参数下,定义不同驾驶行为的轨迹预测模型,包括:
(a1)、车道保持轨迹预测:根据离散维纳过程加速模型预测纵向参数,并根据奥恩斯坦-乌伦贝克过程预测车辆横向位置如式(1):
式(1)中,为车辆横向位置参数,μ为横向位置均值,μ的值设定为道路中线位置,ωt为高斯白噪声,α为车辆回到道路中间的平均速度,为车辆横向位置变化即车辆横向速度,将式(1)离散为:
其中,ωlatR为过程噪声的标量,ωlatR是均值为0、方差为的高斯噪声,其中,WL为车道宽度,WV为车辆宽度,Δt为离散周期;
(b1)、换道行为轨迹预测:在世界坐标系下,定义换道轨迹为式(2)所示的正弦函数:
式(2)中,ΔxlongR是换道行为开始点的纵向相对距离,lR是换道的长度,ylatR是车辆横向位置;不确定性是通过换道行为开始点来描述如式(3):
式(3)中,p(ylatR(ΔxlongR=0))表示换道车辆横向初始位置ylatR(ΔxlongR=0)时的概率分布,是高斯函数,为高斯函数的均值,为高斯函数的方差;横摆角的预测为:
5.根据权利要求4所述的融合运动学模型和行为认知模型的行车轨迹预测系统,其特征是:所述驾驶行为数据库的建立是按如下步骤进行:
步骤101,真实道路数据采集:采集驾驶员在自然驾驶状态下的驾驶数据,包括方向盘转角和横向加速度;
步骤102,驾驶行为定义:定义驾驶行为包括车道保持行为、左换道驾驶行为和右换道驾驶行为;
步骤103,驾驶行为数据标定:通过人为标定,将从真实道路中采集的数据进行标定,标定出各个驾驶行为的数据序列;
步骤104,驾驶行为数据存储:将人为标定的驾驶行为数据序列进行存储起来,构建驾驶行为数据库。
6.根据权利要求4所述的融合运动学模型和行为认知模型的行车轨迹预测系统,其特征是:所述驾驶行为认知网络学习包括以下步骤:
步骤111,认知网络结构的确定:根据动态贝叶斯理论,构建驾驶行为认知网络结构;所述认知网络结构包括行为认知层(X)、隐含层(M)以及观测层(Y);所述观测层(Y)是传感器感知的数据信息,包括方向盘转角大小、纵横向加速度、速度以及位移;所述隐含层(M)是连接观测层(Y)和行为认知层(X)的中间层,其参数是离散型的;所述行为认知层(X)是抽象层信息,代表智能驾驶车辆对驾驶行为的认知结果;
所述驾驶行为认知网络是带有时间维度的有向非循环图,变量用节点表示,变量之间的相互关系用有向箭头和条件概率表示;所述驾驶行为认知网络满足一阶马尔科夫假设;所述驾驶行为认知网络包括先验网络B1和转移网络B→;所述先验网络B1定义初始状态的条件概率分布以及多变量间的关系,其节点间的连接结构用实线表示;所述转移网络B→表示t-1时刻和t时刻间的关系以条件概率分布,其节点间的连接用虚线表示;所述先验网络B1中,节点Xt对节点Mt和节点Yt都直接相连,节点Mt和节点Yt也直接相连;所述转移网络B→中,t-1时刻的Xt-1节点和t时刻的Xt节点直接相连,t-1时刻的Mt-1节点和t时刻的Xt和Yt节点直接相连;
步骤112,认知网络参数学习:基于所述驾驶行为数据库,应用EM方法学习认知网络参数;
步骤113,认知网络性能评估:对行为认知网络估计性能进行评估;所述行为认知网络评估包括正确识别,开始识别时间,成功识别时间以及综合评估参数;
所述正确识别是指:根据历史信息,所述认知网络对某行为估计概率大于或者等于90%,且估计的行为是正确的;相反则为误识别;
所述正确识别时间是指:根据历史信息,所述认知网络正确识别该行为的时间,其正确识别时间点表示为t0.9,表示第一次正确估计某行为概率大于或等于90%的时间点,并有:
tsucceed=t0.9-tlabel
其中,tlabel是行为开始的标定时间,人为进行确定,若tlabel=0,则tsucceed=t0.9;
所述开始识别时间是指:根据历史信息,模型第一次对正确行为的估计概率达到20%,此时的时间点记为t0.2,并有:
tstart=t0.2-tlabel
其中,如果tlabel=0,则tstart=t0.2;
定义认知网络性能评估的综合评估参数f(s)为:
其中,i是指第i个测试例,n为测试例的个数;T是指其测试例的时间长度,s表示某种认知网络结构,λ1、λ2和λ3是各个评价指标的权重因子,定义:λ1=λ2=λ3=1。
7.根据权利要求1所述的融合运动学模型和行为认知模型的行车轨迹预测系统,其特征是:所述融合更新模块c按如下方式对最终预测结果进行融合,并更新权重系数:
以和分别表示k+1时刻预测模块b1的预测均值和预测协方差;
以和分别表示k+1时刻预测模块b2的预测均值和预测协方差;
以Pred1表征预测模型M1,以Pred2表征预测模型M2;则有:
其中:
为预测模块b1的纵向位置预测方差;
为预测模块b1的横向位置预测方差;
为预测模块b2的纵向位置预测方差;
为预测模块b2的横向位置预测方差;
则有:
预测模块b1在k+1时刻的概率为:
预测模块b2在k+1时刻的概率为:
预测模块b1在k+1时刻的权重为:其中,
预测模块b2在k+1时刻的权重为:其中,
k+1时刻车辆参数的最终预测均值为:
k+1时刻车辆参数的最终预测协方差Pk+1为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710174970.7A CN106950956B (zh) | 2017-03-22 | 2017-03-22 | 融合运动学模型和行为认知模型的行车轨迹预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710174970.7A CN106950956B (zh) | 2017-03-22 | 2017-03-22 | 融合运动学模型和行为认知模型的行车轨迹预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106950956A true CN106950956A (zh) | 2017-07-14 |
CN106950956B CN106950956B (zh) | 2020-02-14 |
Family
ID=59473581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710174970.7A Active CN106950956B (zh) | 2017-03-22 | 2017-03-22 | 融合运动学模型和行为认知模型的行车轨迹预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106950956B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885086A (zh) * | 2017-11-17 | 2018-04-06 | 合肥工业大学 | 基于mcmc优化q学习的自主航行器控制参数在线调节方法 |
CN108572643A (zh) * | 2018-01-16 | 2018-09-25 | 蔚来汽车有限公司 | 在自动驾驶中使用的避障方法和避障系统、以及记录介质 |
CN109572550A (zh) * | 2018-12-28 | 2019-04-05 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
CN109727469A (zh) * | 2019-01-08 | 2019-05-07 | 南京航空航天大学 | 一种多车道下自动驾驶车辆综合危险度评估方法 |
CN109727490A (zh) * | 2019-01-25 | 2019-05-07 | 江苏大学 | 一种基于行车预测场的周边车辆行为自适应矫正预测方法 |
CN110020748A (zh) * | 2019-03-18 | 2019-07-16 | 杭州飞步科技有限公司 | 轨迹预测方法、装置、设备和存储介质 |
CN110146100A (zh) * | 2018-02-13 | 2019-08-20 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
CN110389577A (zh) * | 2018-04-17 | 2019-10-29 | 北京三快在线科技有限公司 | 一种确定驾驶风格的方法及装置 |
CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
CN110968101A (zh) * | 2019-12-19 | 2020-04-07 | 南京航空航天大学 | 基于本体和贝叶斯网络的无人驾驶车辆行为决策方法 |
CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
CN111208821A (zh) * | 2020-02-17 | 2020-05-29 | 李华兰 | 汽车自动驾驶控制方法、装置、自动驾驶装置及系统 |
CN111257914A (zh) * | 2020-01-14 | 2020-06-09 | 杭州电子科技大学 | 基于北斗与ais数据融合的海洋渔船轨迹预测方法及系统 |
WO2020164089A1 (en) * | 2019-02-15 | 2020-08-20 | Bayerische Motoren Werke Aktiengesellschaft | Trajectory prediction using deep learning multiple predictor fusion and bayesian optimization |
CN111724597A (zh) * | 2020-06-24 | 2020-09-29 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
CN111868641A (zh) * | 2018-03-14 | 2020-10-30 | 罗伯特·博世有限公司 | 用于产生用于训练车辆控制设备的人工智能模块的训练数据组的方法 |
CN111857134A (zh) * | 2020-06-29 | 2020-10-30 | 江苏大学 | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 |
CN111923927A (zh) * | 2019-05-13 | 2020-11-13 | 长城汽车股份有限公司 | 用于交互感知交通场景预测的方法和装置 |
CN111930015A (zh) * | 2020-09-16 | 2020-11-13 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
CN112002126A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 复杂场景下车辆长期轨迹预测方法及系统 |
CN112133089A (zh) * | 2020-07-21 | 2020-12-25 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112712729A (zh) * | 2019-10-26 | 2021-04-27 | 华为技术有限公司 | 预测运动轨迹的方法和系统 |
CN112911497A (zh) * | 2019-12-02 | 2021-06-04 | 南京航空航天大学 | 一种合作类无人机轨迹实时预测方法及系统 |
CN113454555A (zh) * | 2019-02-15 | 2021-09-28 | 宝马股份公司 | 用于驾驶策略的轨迹预测 |
CN113561996A (zh) * | 2021-09-23 | 2021-10-29 | 国汽智控(北京)科技有限公司 | 轨迹规划方法及装置 |
CN112800670B (zh) * | 2021-01-26 | 2024-05-03 | 清华大学 | 驾驶认知模型多目标结构优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004097453A1 (de) * | 2003-04-30 | 2004-11-11 | Robert Bosch Gmbh | Fahrerassistenzvorrichtung mit kursprädiktionsmodul |
CN101778753A (zh) * | 2007-08-15 | 2010-07-14 | 沃尔沃技术公司 | 用于支持车辆的车道保持的操作方法和系统 |
CN102295004A (zh) * | 2011-06-09 | 2011-12-28 | 中国人民解放军国防科学技术大学 | 一种车道偏离预警方法 |
CN105761548A (zh) * | 2016-04-14 | 2016-07-13 | 西安电子科技大学 | 基于动态贝叶斯网络的交叉路口碰撞避免方法 |
US9669827B1 (en) * | 2014-10-02 | 2017-06-06 | Google Inc. | Predicting trajectories of objects based on contextual information |
-
2017
- 2017-03-22 CN CN201710174970.7A patent/CN106950956B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004097453A1 (de) * | 2003-04-30 | 2004-11-11 | Robert Bosch Gmbh | Fahrerassistenzvorrichtung mit kursprädiktionsmodul |
CN101778753A (zh) * | 2007-08-15 | 2010-07-14 | 沃尔沃技术公司 | 用于支持车辆的车道保持的操作方法和系统 |
CN102295004A (zh) * | 2011-06-09 | 2011-12-28 | 中国人民解放军国防科学技术大学 | 一种车道偏离预警方法 |
US9669827B1 (en) * | 2014-10-02 | 2017-06-06 | Google Inc. | Predicting trajectories of objects based on contextual information |
CN105761548A (zh) * | 2016-04-14 | 2016-07-13 | 西安电子科技大学 | 基于动态贝叶斯网络的交叉路口碰撞避免方法 |
Non-Patent Citations (3)
Title |
---|
GUOTAO XIE 等: "Vehicle Trajectory Prediction by Integrating Physics- and Maneuver-Based Approaches Using Interactive Multiple Models", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
乔少杰 等: "一种基于高斯混合模型的轨迹预测算法", 《CNKI》 * |
滕飞: "换道车辆的实时轨迹预测方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107885086A (zh) * | 2017-11-17 | 2018-04-06 | 合肥工业大学 | 基于mcmc优化q学习的自主航行器控制参数在线调节方法 |
CN107885086B (zh) * | 2017-11-17 | 2019-10-25 | 合肥工业大学 | 基于mcmc优化q学习的自主航行器控制参数在线调节方法 |
CN108572643A (zh) * | 2018-01-16 | 2018-09-25 | 蔚来汽车有限公司 | 在自动驾驶中使用的避障方法和避障系统、以及记录介质 |
CN108572643B (zh) * | 2018-01-16 | 2021-07-27 | 上海蔚来汽车有限公司 | 在自动驾驶中使用的避障方法和避障系统、以及记录介质 |
CN110146100B (zh) * | 2018-02-13 | 2021-08-13 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
CN110146100A (zh) * | 2018-02-13 | 2019-08-20 | 华为技术有限公司 | 轨迹预测方法、装置及存储介质 |
CN111868641A (zh) * | 2018-03-14 | 2020-10-30 | 罗伯特·博世有限公司 | 用于产生用于训练车辆控制设备的人工智能模块的训练数据组的方法 |
CN110389577B (zh) * | 2018-04-17 | 2022-04-01 | 北京三快在线科技有限公司 | 一种确定驾驶风格的方法及装置 |
CN110389577A (zh) * | 2018-04-17 | 2019-10-29 | 北京三快在线科技有限公司 | 一种确定驾驶风格的方法及装置 |
CN109572550B (zh) * | 2018-12-28 | 2020-08-14 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
CN109572550A (zh) * | 2018-12-28 | 2019-04-05 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
CN109727469A (zh) * | 2019-01-08 | 2019-05-07 | 南京航空航天大学 | 一种多车道下自动驾驶车辆综合危险度评估方法 |
CN109727469B (zh) * | 2019-01-08 | 2021-04-20 | 南京航空航天大学 | 一种多车道下自动驾驶车辆综合危险度评估方法 |
CN109727490A (zh) * | 2019-01-25 | 2019-05-07 | 江苏大学 | 一种基于行车预测场的周边车辆行为自适应矫正预测方法 |
CN109727490B (zh) * | 2019-01-25 | 2021-10-12 | 江苏大学 | 一种基于行车预测场的周边车辆行为自适应矫正预测方法 |
CN113454555A (zh) * | 2019-02-15 | 2021-09-28 | 宝马股份公司 | 用于驾驶策略的轨迹预测 |
WO2020164089A1 (en) * | 2019-02-15 | 2020-08-20 | Bayerische Motoren Werke Aktiengesellschaft | Trajectory prediction using deep learning multiple predictor fusion and bayesian optimization |
CN113424209A (zh) * | 2019-02-15 | 2021-09-21 | 宝马股份公司 | 使用深度学习多预测器融合和贝叶斯优化的轨迹预测 |
EP3924901A4 (en) * | 2019-02-15 | 2022-10-12 | Bayerische Motoren Werke Aktiengesellschaft | TRAJECTORY PREDICTION USING DEPTH LEARNING MULTIPREDICTOR FUSION AND BAYESIAN OPTIMIZATION |
CN113424209B (zh) * | 2019-02-15 | 2023-12-22 | 宝马股份公司 | 使用深度学习多预测器融合和贝叶斯优化的轨迹预测 |
CN110020748A (zh) * | 2019-03-18 | 2019-07-16 | 杭州飞步科技有限公司 | 轨迹预测方法、装置、设备和存储介质 |
CN110020748B (zh) * | 2019-03-18 | 2022-02-15 | 杭州飞步科技有限公司 | 轨迹预测方法、装置、设备和存储介质 |
CN111923927A (zh) * | 2019-05-13 | 2020-11-13 | 长城汽车股份有限公司 | 用于交互感知交通场景预测的方法和装置 |
CN112712729A (zh) * | 2019-10-26 | 2021-04-27 | 华为技术有限公司 | 预测运动轨迹的方法和系统 |
CN110834644A (zh) * | 2019-10-30 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、待控制车辆及存储介质 |
CN111160089A (zh) * | 2019-11-22 | 2020-05-15 | 南京航空航天大学 | 一种基于不同车辆类型的轨迹预测系统及方法 |
CN112911497B (zh) * | 2019-12-02 | 2022-03-29 | 南京航空航天大学 | 一种合作类无人机轨迹实时预测方法及系统 |
CN112911497A (zh) * | 2019-12-02 | 2021-06-04 | 南京航空航天大学 | 一种合作类无人机轨迹实时预测方法及系统 |
CN110968101A (zh) * | 2019-12-19 | 2020-04-07 | 南京航空航天大学 | 基于本体和贝叶斯网络的无人驾驶车辆行为决策方法 |
CN111257914A (zh) * | 2020-01-14 | 2020-06-09 | 杭州电子科技大学 | 基于北斗与ais数据融合的海洋渔船轨迹预测方法及系统 |
CN111208821A (zh) * | 2020-02-17 | 2020-05-29 | 李华兰 | 汽车自动驾驶控制方法、装置、自动驾驶装置及系统 |
CN111724597A (zh) * | 2020-06-24 | 2020-09-29 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
CN111724597B (zh) * | 2020-06-24 | 2022-07-08 | 天津大学 | 基于驾驶行为评估驾驶员认知表现的研究方法 |
CN111857134A (zh) * | 2020-06-29 | 2020-10-30 | 江苏大学 | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 |
CN111857134B (zh) * | 2020-06-29 | 2022-09-16 | 江苏大学 | 一种基于贝叶斯网络的目标障碍车轨迹预测方法 |
CN112133089A (zh) * | 2020-07-21 | 2020-12-25 | 西安交通大学 | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 |
CN112002126A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 复杂场景下车辆长期轨迹预测方法及系统 |
CN111930015A (zh) * | 2020-09-16 | 2020-11-13 | 北京三快在线科技有限公司 | 一种无人车控制方法及装置 |
CN112800670B (zh) * | 2021-01-26 | 2024-05-03 | 清华大学 | 驾驶认知模型多目标结构优化方法及装置 |
CN113561996A (zh) * | 2021-09-23 | 2021-10-29 | 国汽智控(北京)科技有限公司 | 轨迹规划方法及装置 |
CN113561996B (zh) * | 2021-09-23 | 2021-12-21 | 国汽智控(北京)科技有限公司 | 轨迹规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106950956B (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106950956A (zh) | 融合运动学模型和行为认知模型的行车轨迹预测系统 | |
CN112347567B (zh) | 一种车辆意图和轨迹预测的方法 | |
CN107264534B (zh) | 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆 | |
CN103914985B (zh) | 一种混合动力客车未来车速轨迹预测方法 | |
CN112257850B (zh) | 一种基于生成对抗网络的车辆轨迹预测方法 | |
Son et al. | Simulation-based testing framework for autonomous driving development | |
CN107577234B (zh) | 一种驾驶员在环的汽车燃油经济性控制方法 | |
CN110834644A (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
CN106428009A (zh) | 车辆轨迹确定 | |
CN111222630A (zh) | 一种基于深度强化学习的自主驾驶规则学习方法 | |
CN110288835B (zh) | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 | |
Gadepally et al. | Driver/vehicle state estimation and detection | |
CN113044064A (zh) | 基于元强化学习的车辆自适应的自动驾驶决策方法及系统 | |
CN114312830A (zh) | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 | |
US20220227397A1 (en) | Dynamic model evaluation package for autonomous driving vehicles | |
Wissing et al. | Trajectory prediction for safety critical maneuvers in automated highway driving | |
CN116134292A (zh) | 用于性能测试和/或训练自动驾驶车辆规划器的工具 | |
CN113901718A (zh) | 一种跟驰状态下基于深度强化学习的驾驶避撞优化方法 | |
CN115257745A (zh) | 一种基于规则融合强化学习的自动驾驶换道决策控制方法 | |
CN115848398A (zh) | 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法 | |
Xia et al. | Interactive planning for autonomous driving in intersection scenarios without traffic signs | |
Lodh et al. | Autonomous vehicular overtaking maneuver: A survey and taxonomy | |
EP3859459A1 (en) | A computer implemented machine learning system and a method for operating the machine learning system for determining a time series | |
Zhao et al. | Imitation of real lane-change decisions using reinforcement learning | |
CN116486356A (zh) | 一种基于自适应学习技术的狭窄场景轨迹生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |