CN107203134A - 一种基于深度卷积神经网络的前车跟随方法 - Google Patents
一种基于深度卷积神经网络的前车跟随方法 Download PDFInfo
- Publication number
- CN107203134A CN107203134A CN201710409681.0A CN201710409681A CN107203134A CN 107203134 A CN107203134 A CN 107203134A CN 201710409681 A CN201710409681 A CN 201710409681A CN 107203134 A CN107203134 A CN 107203134A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- depth convolutional
- layer
- depth
- 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
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明涉及一种基于深度卷积神经网络的前车跟随方法。解决现有技术自适应巡航系统存在繁琐的视觉测距和控制器设计过程，以及无法依据驾驶员的驾驶习惯微调控制参数，不能满足个人不同驾驶习惯的问题。通过对驾驶行为数据的训练，在给定视觉传感输入下，依据深度卷积神经网络对周围环境的特征描述，模仿人类驾驶员在多种工况下实现对车辆油门以及自动踏板的准确控制。本发明无需针对不同的工况，设计控制器结构、调节控制器增益，只需利用不同工况训练样本对应深度神经网络参数进行微调。过程避免了繁琐的视觉测距与控制器设计过程，只需通过调整深度神经网络参数，实现模拟驾驶员的跟车行为。
Description
技术领域
本发明涉及一种汽车控制技术领域，尤其是涉及一种基于深度卷积神经网络的前车跟随方法。
背景技术
自适应巡航系统(ACC)是车辆高级辅助驾驶系统的重要组成功能之一。现有此类系统基于视觉或雷达传感系统输出的自身车辆与前方车辆的距离与相对运动信息，控制自身车辆车速以实现与前方车辆的距离保持(或设定车速保持)。此类系统首先将视觉系统或雷达系统的原始感知数据转化为对应控制器的输入，如车距与相对车速，无论雷达还是视觉系统，都很难避免测量误差(障碍物虚报等)；之后利用车辆动力系统的传递函数以及对应车辆状态反馈，综合考虑驾驶平顺性等车辆动力学状态，设计此类系统控制方法。主要运用的控制方法有：前馈控制、反馈控制、自适应控制等。
现有此类系统由传感与控制两部分组成。传感器端需要通过一系列的滤波或跟踪算法确保时序传感信号的稳定性；控制器设计对开发人员控制理论以及车辆动力学知识要求较高，且需要大量测试来调节与验证控制器参数。控制器目标函数的选取直接影响控制器性能与用户体验，现有方法无法依据相应驾驶员的驾驶习惯微调控制器参数，从而满足个人不同的驾驶习惯。
发明内容
本发明主要是解决现有技术自适应巡航系统存在繁琐的视觉测距和控制器设计过程，以及无法依据驾驶员的驾驶习惯微调控制参数，不能满足个人不同驾驶习惯的问题，提供了一种基于深度卷积神经网络的前车跟随方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于深度卷积神经网络的前车跟随方法，包括以下步骤：
S1.建立训练样本库；
S2.建立深度卷积神经网络；
S3.根据训练样本对深度卷积神经网络进行离线训练；
S4.根据驾驶员驾驶行为对训练后深度卷积神经网络进行在线微调；
S5.将实际车况通过微调后深度卷积神经网络计算输出车辆操纵信号，进行前车跟随。
本发明通过对驾驶行为数据的训练，在给定视觉传感输入下，依据深度卷积神经网络对周围环境的特征描述，模仿人类驾驶员在多种工况下实现对车辆油门以及自动踏板的准确控制。本发明无需针对不同的工况，设计控制器结构、调节控制器增益，只需利用不同工况训练样本对应深度神经网络参数进行微调。过程避免了繁琐的视觉测距与控制器设计过程，只需通过调整深度神经网络参数，实现模拟驾驶员的跟车行为。本发明具有普遍适用范围，控制器输出更符合驾驶员驾驶习惯，并对开发人员理论基础要求大大降低。本发明可以用于自适应巡航系统的车速控制，也可用于车道保持系统的车辆转向控制，或紧急制动系统的车辆制动控制，为高级辅助驾驶系统的车辆控制提供了新颖的解决方法。本发明方法采用前车跟随系统，系统包括进行计算的控制器、前视相机、油门踏板传感器、制动踏板传感器。
作为一种优选方案，步骤S1中训练样本库建立的具体过程包括：
S11.用实验车辆采集不同地点、气候、天气下的驾驶训练数据，训练数据包括前视相机视觉数据和对应的驾驶操纵数据，操纵数据包括油门踏板和自动踏板传感数据；
S12.将视觉数据和操纵数据进行同步；
S13.筛选跟车操作部分的数据，离散化数据，生成数据样本，完成训练样本库的建立。
作为一种优选方案，步骤S2中深度卷积神经网络结构包括1个输入层、6个卷积层、3个池化层、3个全连接层，输入层依次连接第一个卷积层、第二个卷积层后连接第一个池化层，第一个池化层依次连接第三个卷积层、第四个卷积层后连击第二个池化层，第二个池化层依次连接第五个卷积层、第六个卷积层后连接第三个池化层，第三个齿化层依次连接第一个全连接层、第二个全连接层、第三个全连接层；
输入层：用于输入时序RGB图片；
卷积层：对图片进行卷积操作，采用3*3尺寸的卷积滑窗，对‘0’像素值边缘填充，步长为1，其中第一个卷积层和第二个卷积层的深度为64，第三个卷积层和第四个卷积层的深度为128，第五个卷积层和第六个卷积层的深度为256；
池化层：对图片进行池化操作，采用2*2尺寸的齿化滑窗，取最大值滑窗内4个数值的最大值，步长为2；
全连接层：第一和第二个全连接层为dropout层，用于防止模型过拟合，自动丢弃该全连接层内一定比例的神经元，参数设置为0.5；第三个全连接层为softmax分类器，输出对应离散纵向车辆操作向量。输出的车辆操作信息为21维向量，对应相应油门与自动踏板形成，其中1-10表示油门操作，11表示无操作，12-21表示制动操作。参数设置0.5即随机丢弃该层50％神经元权重系数。
作为一种优选方案，步骤S3中离线训练的过程包括：
S31.设置深度卷积神经网络参数，参数包括迷你批量样本大小n、学习速率lr、权重衰退系数wd、动量系数m；其中迷你批量样本n可取用最大值由内存上限决定，学习速率lr决定收敛速率，权重衰退系数wd防止过拟合，动量系数m可加快学习速率。；
S32.将数据样本输入深度卷积神经网络计算；
S33.采用基于迷你批量方式的梯度下降方法对softmax损失求最优化解来优化神经网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：
其中，zj为输出向量的每个元素，根据优化后神经网络权重参数完成对深度卷积神经网络的训练。本方案中迷你批量方式的梯度下降方法即每个循环内，基于反向递推的方法。
作为一种优选方案，步骤S4中在线微调的过程包括：
S41.采集驾驶员驾驶时前视相机视觉数据和对应的驾驶操纵数据，生成在线数据样本；
S42.设置深度卷积神经网络参数，将在线数据样本输入至训练后的深度卷积神经网络中计算；
S43.采用基于迷你批量方式的梯度下降方法对softmax损失求最优化解来优化神经网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：
根据优化后神经网络权重参数完成对深度卷积神经网络的微调。
本方案中根据驾驶员在线驾驶数据对深度卷积神经网络进行微调，根据驾驶员的驾驶习惯微调全连接层参数，从而使得输出的车辆操作信息更加满足个人驾驶习惯。
作为一种优选方案，步骤S5中车辆操纵信号输出的过程包括：
S51.采集实时车况的前视相机视觉数据；
S52.将前视相机视觉数据输入至微调后的深度卷积神经网络中计算；
S53.根据微调后的深度卷积神经网络输出与车辆相应的操作映射表；映射表内包括操作信息。
S54.将操作信息转化为当前时刻的车辆控制信号，发送给对应的执行机构对车辆进行操纵。
作为一种优选方案，深度卷积神经网络结构还包括激活层，激活层应用于每个卷积层后，激活方程式为修正线性单元，表达式为：max(0，x)，其中x为神经元输入
因此，本发明的优点是：无需针对不同的工况，设计控制器结构、调节控制器增益，只需利用不同工况训练样本对应深度神经网络参数进行微调。过程避免了繁琐的视觉测距与控制器设计过程，只需通过调整深度神经网络参数，实现模拟驾驶员的跟车行为。具有普遍适用范围，控制器输出更符合驾驶员驾驶习惯，并对开发人员理论基础要求大大降低。
附图说明
附图1是本发明的一种流程示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
本实施例一种基于深度卷积神经网络的前车跟随方法，如图1所示，包括以下步骤：
S1.建立训练样本库；具体过程包括：
S11.用实验车辆采集不同地点、气候、天气下的驾驶训练数据，训练数据包括前视相机视觉数据和对应的驾驶操纵数据，操纵数据包括油门踏板和自动踏板传感数据；
S12.将视觉数据和操纵数据进行同步；
S13.筛选跟车操作部分的数据，离散化数据，生成数据样本，完成训练样本库的建立。
S2.建立深度卷积神经网络；深度卷积神经网络一般由卷积、池化以及全连接操作组合而成。网络结构的设计没有统一的标准，一般依据实际应用场景、训练数据库大小由经验与测试而得。
本实施例深度卷积神经网络结构包括1个输入层、6个卷积层、3个池化层、3个全连接层，输入层依次连接第一个卷积层、第二个卷积层后连接第一个池化层，第一个池化层依次连接第三个卷积层、第四个卷积层后连击第二个池化层，第二个池化层依次连接第五个卷积层、第六个卷积层后连接第三个池化层，第三个齿化层依次连接第一个全连接层、第二个全连接层、第三个全连接层；
输入层：用于输入时序RGB图片；图片大小为128*128*9，3帧联系固定间隔图片叠加，如n-2，n，n+2。
卷积层：对图片进行卷积操作，采用3*3尺寸的卷积滑窗，对‘0’像素值边缘填充，步长为1，其中第一个卷积层和第二个卷积层的深度为64，第三个卷积层和第四个卷积层的深度为128，第五个卷积层和第六个卷积层的深度为256；
激活层：激活层应用于每个卷积层后，激活方程式为修正线性单元ReLu，表达式为：max(0，x)，其中x为神经元输入；
池化层：对图片进行池化操作，采用2*2尺寸的齿化滑窗，取最大值滑窗内4个数值的最大值，步长为2；
全连接层：第一和第二个全连接层为dropout层，用于防止模型过拟合，自动丢弃该全连接层内一定比例的神经元，参数设置为0.5；第三个全连接层为softmax分类器，输出对应离散纵向车辆操作向量。输出的车辆操作信息为21维向量，对应相应油门与自动踏板形成，其中1-10表示油门操作，11表示无操作，12-21表示制动操作。
S3.根据训练样本对深度卷积神经网络进行离线训练；过程包括：
S31.设置深度卷积神经网络参数，参数包括迷你批量样本大小n、学习速率lr、权重衰退系数wd、动量系数m；其中迷你批量样本n可取用最大值由内存上限决定，学习速率lr决定收敛速率，权重衰退系数wd防止过拟合，动量系数m可加快学习速率。
S32.将数据样本输入深度卷积神经网络计算；
S33.采用基于迷你批量方式的梯度下降方法对softmax损失求最优化解来优化神经网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：
其中，zj为输出向量的每个元素，根据优化后神经网络权重参数完成对深度卷积神经网络的训练。
S4.根据驾驶员驾驶行为对训练后深度卷积神经网络进行在线微调；过程包括：
S41.采集驾驶员驾驶时前视相机视觉数据和对应的驾驶操纵数据，生成在线数据样本；
S42.设置深度卷积神经网络参数，将在线数据样本输入至训练后的深度卷积神经网络中计算；
S43.采用基于迷你批量方式的梯度下降方法对softmax损失求最优化解来优化神经网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：
根据优化后神经网络权重参数完成对深度卷积神经网络的微调。
S5.将实际车况通过微调后深度卷积神经网络计算输出车辆操纵信号，进行前车跟随。过程包括：
S51.采集实时车况的前视相机视觉数据；
S52.将前视相机视觉数据输入至微调后的深度卷积神经网络中计算；
S53.根据微调后的深度卷积神经网络输出与车辆相应的操作映射表；
S54.将操作信息转化为当前时刻的车辆控制信号，发送给对应的执行机构对车辆进行操纵。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种基于深度卷积神经网络的前车跟随方法，其特征在于：包括以下步骤：
S1.建立训练样本库；
S2.建立深度卷积神经网络；
S3.根据训练样本对深度卷积神经网络进行离线训练；
S4.根据驾驶员驾驶行为对训练后深度卷积神经网络进行在线微调；
S5.将实际车况通过微调后深度卷积神经网络计算输出车辆操纵信号，进行前车跟随。
2.根据权利要求1所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S1中训练样本库建立的具体过程包括：
S11.用实验车辆采集不同地点、气候、天气下的驾驶训练数据，训练数据包括前视相机视觉数据和对应的驾驶操纵数据，操纵数据包括油门踏板和自动踏板传感数据；
S12.将视觉数据和操纵数据进行同步；
S13.筛选跟车操作部分的数据，离散化数据，生成数据样本，完成训练样本库的建立。
3.根据权利要求1所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S2中深度卷积神经网络结构包括1个输入层、6个卷积层、3个池化层、3个全连接层，输入层依次连接第一个卷积层、第二个卷积层后连接第一个池化层，第一个池化层依次连接第三个卷积层、第四个卷积层后连击第二个池化层，第二个池化层依次连接第五个卷积层、第六个卷积层后连接第三个池化层，第三个齿化层依次连接第一个全连接层、第二个全连接层、第三个全连接层；
输入层：用于输入时序RGB图片；
卷积层：对图片进行卷积操作，采用3*3尺寸的卷积滑窗，对‘0’像素值边缘填充，步长为1，其中第一个卷积层和第二个卷积层的深度为64，第三个卷积层和第四个卷积层的深度为128，第五个卷积层和第六个卷积层的深度为256；
池化层：对图片进行池化操作，采用2*2尺寸的齿化滑窗，取最大值滑窗内4个数值的最大值，步长为2；
全连接层：第一和第二个全连接层为dropout层，用于防止模型过拟合，自动丢弃该全连接层内一定比例的神经元，参数设置为0.5；第三个全连接层为softmax分类器，输出对应离散纵向车辆操作向量。
4.根据权利要求3所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S3中离线训练的过程包括：
S31.设置深度卷积神经网络参数，参数包括迷你批量样本大小n、学习速率lr、权重衰退系数wd、动量系数m；
S32.将数据样本输入深度卷积神经网络计算；
S33.采用基于迷你批量方式的梯度下降方法对softmax损失求最优化解来优化神经网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
</msup>
<mrow>
<msup>
<mi>&Sigma;e</mi>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
</msup>
</mrow>
</mfrac>
</mrow>
其中，Zj为输出向量的每个元素，根据优化后神经网络权重参数完成对深度卷积神经网络的训练。
5.根据权利要求1或2或3或4所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S4中在线微调的过程包括：
S41.采集驾驶员驾驶时前视相机视觉数据和对应的驾驶操纵数据，生成在线数据样本；
S42.设置深度卷积神经网络参数，将在线数据样本输入至训练后的深度卷积神经网络中计算；
S43.采用基于迷你批量方式的梯度下降方法对softmax损失求最优化解来优化神经网络权重参数，直至设定的循环迭代次数完成，softmax损失计算公式为：
<mrow>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
</msup>
<mrow>
<msup>
<mi>&Sigma;e</mi>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
</msup>
</mrow>
</mfrac>
</mrow>
根据优化后神经网络权重参数完成对深度卷积神经网络的微调。
6.根据权利要求1或2或3或4所述的一种基于深度卷积神经网络的前车跟随方法，其特征是步骤S5中车辆操纵信号输出的过程包括：
S51.采集实时车况的前视相机视觉数据；
S52.将前视相机视觉数据输入至微调后的深度卷积神经网络中计算；
S53.根据微调后的深度卷积神经网络输出与车辆相应的操作映射表；
S54.将操作信息转化为当前时刻的车辆控制信号，发送给对应的执行机构对车辆进行操纵。
7.根据权利要求3所述的一种基于深度卷积神经网络的前车跟随方法，其特征是深度卷积神经网络结构还包括激活层，激活层应用于每个卷积层后，激活方程式为修正线性单元，表达式为：max(0，x)，其中x为神经元输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710409681.0A CN107203134B (zh) | 2017-06-02 | 2017-06-02 | 一种基于深度卷积神经网络的前车跟随方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710409681.0A CN107203134B (zh) | 2017-06-02 | 2017-06-02 | 一种基于深度卷积神经网络的前车跟随方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107203134A true CN107203134A (zh) | 2017-09-26 |
| CN107203134B CN107203134B (zh) | 2020-08-18 |
Family
ID=59906633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710409681.0A Active CN107203134B (zh) | 2017-06-02 | 2017-06-02 | 一种基于深度卷积神经网络的前车跟随方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107203134B (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009592A (zh) * | 2017-12-15 | 2018-05-08 | 云南大学 | 一种糖尿病性视网膜图像自动分类方法 |
| CN108182428A (zh) * | 2018-01-31 | 2018-06-19 | 福州大学 | 前车状态识别和车辆跟随的方法 |
| CN108216233A (zh) * | 2017-12-28 | 2018-06-29 | 北京经纬恒润科技有限公司 | 一种自适应巡航系统控制参数的标定方法及装置 |
| CN108304916A (zh) * | 2018-01-10 | 2018-07-20 | 湖北工业大学 | 结合注意机制与深度可分解卷积的卷积神经网络优化方法 |
| CN108791302A (zh) * | 2018-06-25 | 2018-11-13 | 大连大学 | 驾驶员行为建模系统 |
| CN108791289A (zh) * | 2018-04-28 | 2018-11-13 | 华为技术有限公司 | 一种车辆控制方法和装置 |
| CN108819948A (zh) * | 2018-06-25 | 2018-11-16 | 大连大学 | 基于逆向强化学习的驾驶员行为建模方法 |
| CN108830159A (zh) * | 2018-05-17 | 2018-11-16 | 武汉理工大学 | 一种前方车辆单目视觉测距系统及方法 |
| CN108891421A (zh) * | 2018-06-25 | 2018-11-27 | 大连大学 | 一种构建驾驶策略的方法 |
| CN108920805A (zh) * | 2018-06-25 | 2018-11-30 | 大连大学 | 具有状态特征提取功能的驾驶员行为建模系统 |
| CN108909833A (zh) * | 2018-06-11 | 2018-11-30 | 中国科学院自动化研究所 | 基于策略迭代的智能汽车转向控制方法 |
| CN108921044A (zh) * | 2018-06-11 | 2018-11-30 | 大连大学 | 基于深度卷积神经网络的驾驶员决策特征提取方法 |
| CN108944930A (zh) * | 2018-07-05 | 2018-12-07 | 合肥工业大学 | 一种基于lstm的模拟驾驶员特性的自动跟车方法及系统 |
| CN108944940A (zh) * | 2018-06-25 | 2018-12-07 | 大连大学 | 基于神经网络的驾驶员行为建模方法 |
| CN109242003A (zh) * | 2018-08-13 | 2019-01-18 | 浙江零跑科技有限公司 | 基于深度卷积神经网络的车载视觉系统自身运动确定方法 |
| CN109299656A (zh) * | 2018-08-13 | 2019-02-01 | 浙江零跑科技有限公司 | 一种车载视觉系统场景视深确定方法 |
| CN110347043A (zh) * | 2019-07-15 | 2019-10-18 | 武汉天喻信息产业股份有限公司 | 一种智能驾驶控制方法及装置 |
| CN110956662A (zh) * | 2019-11-29 | 2020-04-03 | 北京邮电大学 | 载体避障方法、装置及电子设备 |
| CN113085813A (zh) * | 2021-03-29 | 2021-07-09 | 南京航空航天大学 | 基于I-Booster和驾驶个性的电动汽车制动感觉一致性控制方法 |
| CN113401117A (zh) * | 2021-07-08 | 2021-09-17 | 上海追势科技有限公司 | 一种基于大数据分析的人车共享方法 |
| WO2023035221A1 (en) * | 2021-09-10 | 2023-03-16 | Intel Corporation | Sample-adaptive cross-layer norm calibration and relay neural network |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105930830A (zh) * | 2016-05-18 | 2016-09-07 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
| CN105946861A (zh) * | 2016-06-02 | 2016-09-21 | 大连理工大学 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
| CN105976567A (zh) * | 2016-06-06 | 2016-09-28 | 清华大学 | 基于车辆踏板和跟车行为的驾驶员疲劳检测方法 |
| US20160283841A1 (en) * | 2015-03-27 | 2016-09-29 | Google Inc. | Convolutional neural networks |
| CN106156748A (zh) * | 2016-07-22 | 2016-11-23 | 浙江零跑科技有限公司 | 基于车载双目相机的交通场景参与者识别方法 |
| CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
-
2017
- 2017-06-02 CN CN201710409681.0A patent/CN107203134B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160283841A1 (en) * | 2015-03-27 | 2016-09-29 | Google Inc. | Convolutional neural networks |
| CN105930830A (zh) * | 2016-05-18 | 2016-09-07 | 大连理工大学 | 一种基于卷积神经网络的路面交通标志识别方法 |
| CN105946861A (zh) * | 2016-06-02 | 2016-09-21 | 大连理工大学 | 一种基于驾驶意图识别的nar神经网络车速预测方法 |
| CN105976567A (zh) * | 2016-06-06 | 2016-09-28 | 清华大学 | 基于车辆踏板和跟车行为的驾驶员疲劳检测方法 |
| CN106156748A (zh) * | 2016-07-22 | 2016-11-23 | 浙江零跑科技有限公司 | 基于车载双目相机的交通场景参与者识别方法 |
| CN106407931A (zh) * | 2016-09-19 | 2017-02-15 | 杭州电子科技大学 | 一种新型深度卷积神经网络运动车辆检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| JEFF VANWASHENOVA: "可用于自动驾驶的神经网络及深度学习", 《HTTP://WWW.EEPW.COM.CN/ARTICLE/201702/344498.HTM》 * |
| 王地川: "汽车自适应巡航控制跟随模式研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》 * |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009592A (zh) * | 2017-12-15 | 2018-05-08 | 云南大学 | 一种糖尿病性视网膜图像自动分类方法 |
| CN108216233A (zh) * | 2017-12-28 | 2018-06-29 | 北京经纬恒润科技有限公司 | 一种自适应巡航系统控制参数的标定方法及装置 |
| CN108216233B (zh) * | 2017-12-28 | 2019-10-15 | 北京经纬恒润科技有限公司 | 一种自适应巡航系统控制参数的标定方法及装置 |
| CN108304916A (zh) * | 2018-01-10 | 2018-07-20 | 湖北工业大学 | 结合注意机制与深度可分解卷积的卷积神经网络优化方法 |
| CN108304916B (zh) * | 2018-01-10 | 2020-06-09 | 湖北工业大学 | 结合注意机制与深度可分解卷积的卷积神经网络优化方法 |
| CN108182428A (zh) * | 2018-01-31 | 2018-06-19 | 福州大学 | 前车状态识别和车辆跟随的方法 |
| CN108791289A (zh) * | 2018-04-28 | 2018-11-13 | 华为技术有限公司 | 一种车辆控制方法和装置 |
| CN108830159A (zh) * | 2018-05-17 | 2018-11-16 | 武汉理工大学 | 一种前方车辆单目视觉测距系统及方法 |
| CN108909833A (zh) * | 2018-06-11 | 2018-11-30 | 中国科学院自动化研究所 | 基于策略迭代的智能汽车转向控制方法 |
| CN108921044A (zh) * | 2018-06-11 | 2018-11-30 | 大连大学 | 基于深度卷积神经网络的驾驶员决策特征提取方法 |
| CN108791302A (zh) * | 2018-06-25 | 2018-11-13 | 大连大学 | 驾驶员行为建模系统 |
| CN108920805A (zh) * | 2018-06-25 | 2018-11-30 | 大连大学 | 具有状态特征提取功能的驾驶员行为建模系统 |
| CN108891421A (zh) * | 2018-06-25 | 2018-11-27 | 大连大学 | 一种构建驾驶策略的方法 |
| CN108944940A (zh) * | 2018-06-25 | 2018-12-07 | 大连大学 | 基于神经网络的驾驶员行为建模方法 |
| CN108920805B (zh) * | 2018-06-25 | 2022-04-05 | 大连大学 | 具有状态特征提取功能的驾驶员行为建模系统 |
| CN108819948A (zh) * | 2018-06-25 | 2018-11-16 | 大连大学 | 基于逆向强化学习的驾驶员行为建模方法 |
| CN108791302B (zh) * | 2018-06-25 | 2020-05-19 | 大连大学 | 驾驶员行为建模系统 |
| CN108944930A (zh) * | 2018-07-05 | 2018-12-07 | 合肥工业大学 | 一种基于lstm的模拟驾驶员特性的自动跟车方法及系统 |
| CN109299656A (zh) * | 2018-08-13 | 2019-02-01 | 浙江零跑科技有限公司 | 一种车载视觉系统场景视深确定方法 |
| CN109242003B (zh) * | 2018-08-13 | 2021-01-01 | 浙江零跑科技有限公司 | 基于深度卷积神经网络的车载视觉系统自身运动确定方法 |
| CN109242003A (zh) * | 2018-08-13 | 2019-01-18 | 浙江零跑科技有限公司 | 基于深度卷积神经网络的车载视觉系统自身运动确定方法 |
| CN110347043A (zh) * | 2019-07-15 | 2019-10-18 | 武汉天喻信息产业股份有限公司 | 一种智能驾驶控制方法及装置 |
| CN110347043B (zh) * | 2019-07-15 | 2023-03-10 | 武汉天喻信息产业股份有限公司 | 一种智能驾驶控制方法及装置 |
| CN110956662A (zh) * | 2019-11-29 | 2020-04-03 | 北京邮电大学 | 载体避障方法、装置及电子设备 |
| CN113085813A (zh) * | 2021-03-29 | 2021-07-09 | 南京航空航天大学 | 基于I-Booster和驾驶个性的电动汽车制动感觉一致性控制方法 |
| CN113401117A (zh) * | 2021-07-08 | 2021-09-17 | 上海追势科技有限公司 | 一种基于大数据分析的人车共享方法 |
| WO2023035221A1 (en) * | 2021-09-10 | 2023-03-16 | Intel Corporation | Sample-adaptive cross-layer norm calibration and relay neural network |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107203134B (zh) | 2020-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107203134A (zh) | 一种基于深度卷积神经网络的前车跟随方法 | |
| Zhao et al. | Chassis integrated control for active suspension, active front steering and direct yaw moment systems using hierarchical strategy | |
| US20140012479A1 (en) | Adaptive cruise control system and method for vehicle | |
| Plöchl et al. | Driver models in automobile dynamics application | |
| CN106023715B (zh) | 基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 | |
| CN106476806B (zh) | 基于交通信息的协同式自适应巡航系统算法 | |
| AT518489B1 (de) | Fahrerassistenzsystem zum Unterstützen eines Fahrers beim Führen eines Fahrzeugs | |
| CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
| CN110745136A (zh) | 一种驾驶自适应控制方法 | |
| CN102109821A (zh) | 车辆自适应巡航控制系统及方法 | |
| CN110103956A (zh) | 一种无人车自动超车轨迹规划方法 | |
| DE102016205153A1 (de) | Verfahren zum Erzeugen von Steuerdaten für ein regelbasiertes Unterstützen eines Fahrers | |
| CN105946861A (zh) | 一种基于驾驶意图识别的nar神经网络车速预测方法 | |
| CN112109708B (zh) | 一种考虑驾驶行为的自适应巡航控制系统及其控制方法 | |
| Peng | Evaluation of driver assistance systems-a human centered approach | |
| CN111791898B (zh) | 一种基于合作型博弈的自动驾驶汽车避撞控制方法 | |
| CN108791290A (zh) | 基于在线增量式dhp的双车协同自适应巡航控制方法 | |
| Marzbanrad et al. | Self-tuning control algorithm design for vehicle adaptive cruise control system through real-time estimation of vehicle parameters and road grade | |
| Bolia et al. | Driver steering model for closed-loop steering function analysis | |
| CN116134292A (zh) | 用于性能测试和/或训练自动驾驶车辆规划器的工具 | |
| CN110930811B (zh) | 一种适用于无人驾驶决策学习和训练的系统 | |
| CN111487863A (zh) | 一种基于深度q神经网络的主动悬架强化学习控制方法 | |
| CN114253274B (zh) | 基于数据驱动的网联混合车辆编队滚动优化控制方法 | |
| CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| Jurisch | Vertical trajectory planning: an optimal control approach for active suspension systems in autonomous vehicles |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 6 / F, Xintu building, 451 Internet of things street, Binjiang District, Hangzhou City, Zhejiang Province, 310051 Patentee after: Zhejiang Zero run Technology Co.,Ltd. Address before: 6 / F, Xintu building, 451 Internet of things street, Binjiang District, Hangzhou City, Zhejiang Province, 310051 Patentee before: ZHEJIANG LEAPMOTOR TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |