CN107272687A - 一种自动驾驶公交车辆的驾驶行为决策系统 - Google Patents
一种自动驾驶公交车辆的驾驶行为决策系统 Download PDFInfo
- Publication number
- CN107272687A CN107272687A CN201710517355.1A CN201710517355A CN107272687A CN 107272687 A CN107272687 A CN 107272687A CN 201710517355 A CN201710517355 A CN 201710517355A CN 107272687 A CN107272687 A CN 107272687A
- Authority
- CN
- China
- Prior art keywords
- automatic pilot
- public transit
- transit vehicle
- decision
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000003066 decision tree Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000033001 locomotion Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 206010039203 Road traffic accident Diseases 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 114
- 238000012549 training Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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, 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种自动驾驶公交车辆的驾驶行为决策系统,包括外部环境感知模块、信息融合处理模块、驾驶场景判定模块和驾驶行为决策模块,所述外部环境感知模块包括视觉传感器、激光雷达、毫米波雷达、GPS定位模块和高精度地图;所述驾驶场景判定模块采用有限状态机模型,所述驾驶行为决策模块采用基于ID3决策树的驾驶行为判断决策模型;所述信息融合处理模块将所述外部环境感知模块发送的环境信息进行融合处理,并将融合处理后的信息分别发送到所述驾驶场景判定模块和所述驾驶行为决策模块。本发明能提高自动驾驶公交车辆的驾驶安全、有效降低交通事故发生的概率。
Description
技术领域
本发明涉及交通领域,特别涉及一种自动驾驶公交车辆的驾驶行为决策系统。
背景技术
随着目前全球交通事故多发率的不断增长,交通安全和交通拥堵问题日益严峻。根据相关统计数据表明,道路交通事故每年造成全世界约130万人直接死亡,约3500万人受伤,造成直接经济损失数千亿美元。其中我国尤为严重,平均每年发生道路交通事故多达20余万起,死亡人数约为7万人,换句话说也就是每天大约近200人死于道路交通事故。另外,随着近年来社会经济的飞速发展和人们生活水平的不断提高,使得我国汽车保有量逐年递増。根据公安部交管局最新公布数据,截至2015年底,我国机动车保有量达2.79亿辆,其中汽车1.72亿辆;机动车驾驶人突破3.2亿人,其中汽车驾驶人起过2.8亿人。驾龄不满1年的驾驶人2613万,占总数的11.04%。这些都给我国道路交通安全和道路交通环境带来了巨大的压力。现有的交通设施及道路条件已经无法满足快速膨胀的交通需求,交通拥堵、交通事故和交通污染等社会化问题日益凸显。在此背景下,自动驾驶技术得到了世界各方的格外关注,目前也已经成为国内外研究的热点。
另外,根据美国公共交通协会提供的数据,纽约交通运输管理局平均每个工作日要记录超过250万趟公交车出行,在洛杉矶,平均每天也管理着超过100万趟公交车出行。作为城市公共交通系统重要一部分,公交车紧密地将乘客与其工作、上学和购物联系起来。自动驾驶公交的出现可提升主要道路的通行能力,缓解部分地区承受的巨大压力的上下班交通系统,使人们的生活更加便捷和舒适。
自动驾驶的关键问題包括环境感知、行为决策与运动规划以及车辆控制等。驾驶行为决策能力是自动驾驶车辆智能化水平的一个重要体现。自动驾驶车辆的行为决策需要依靠行为决策系统来进行驾驶策略的选择,根据当前的行驶状态、驾驶任务和道路环境感知信息,对车辆下一时刻的驾驶行为进行决策,并将决策结果传递给运动规划系统。目前对于自动驾驶的研究集中在对车辆转向控制、路径规划和交通标志检测和避障上,对于驾驶行为决策的研究非常少。
公开号为CN 103996312 A,发明名称为“具有社会行为交互的无人驾驶汽车控制系统”的专利申请文件中公开了包含通信模块、信息处理模块和决策模块,并考虑了并入车辆时的驾驶行为决策,没有考虑其他情况的驾驶行为决策,例如十字路口的驾驶行为决策,且没有对驾驶场景进行分类。
公开号为CN 105480224 A,发明名称为“无人驾驶汽车系统”的专利申请文件中,公开了无人驾驶决策系统通过感知系统感知周围环境信息传递给决策系统做决策。感知系统感知车道线、交通标志、静态和动态环境以及周围行人和车辆。没有考虑驾驶场景和对驾驶场景分类;且没有具体的决策模型。
自动驾驶车辆研究的核心问题包括环境感知、行为决策和运动控制。针对环境感知和运动控制,各国研究学者和专家进行了大量而有成效的研究。而作为三大关键问题之一的行为决策方面的研究,尤其是复杂动态环境下具备仿生认知决策能力的相关研究较少。原因在于,实际城市道路环境中,自动驾驶车辆所感知获取的是瞬息万变的复杂动态信息,交通要素变化的复杂、随机和不确定性等特点,以及车辆对驾驶决策的实时性、鲁棒性、环境适应性等要求,复杂动态城市环境下自动驾驶车辆的行为决策面临巨大的挑战。
自动驾驶车辆驾驶行为决策的最终目标是像熟练的驾驶员一样产生安全、合理的驾驶行为。人类的驾驶行为模式包括自由行驶、跟车、车道变换、超车和停止线停车等基本行为。在城区复杂环境中,交通参与者众多,自动驾驶车辆不断从车外自然环境、交通环境、车内复杂信息空间、车体本身获取有关人、车、路及环境等多源信息,如何从这些数据中提取出关键信息,并像驾驶员一样通过这些信息思考判断、评价和输出最终的驾驶行为,仍然是一个难点。到目前为止,在城区环境中自动驾驶车辆行为决策方法的研究仍然集中在简单交通环境下或特定受控场景中。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种能提高自动驾驶公交车辆的驾驶安全、有效降低交通事故发生的概率的一种自动驾驶公交车辆的驾驶行为决策系统。
本发明解决其技术问题所采用的技术方案是:构造一种自动驾驶公交车辆的驾驶行为决策系统,包括外部环境感知模块和设置在工控机内的信息融合处理模块、驾驶场景判定模块和驾驶行为决策模块,所述外部环境感知模块包括视觉传感器、激光雷达、毫米波雷达、GPS定位模块和高精度地图,所述高精度地图存储在所述工控机的内存中;所述驾驶场景判定模块采用有限状态机模型,所述驾驶行为决策模块采用基于ID3决策树的驾驶行为判断决策模型;
所述视觉传感器进行红绿灯检测、车道线检测、道路标示牌检测和车辆识别,并将检测的视觉信息通过无线通信方式传送到所述信息融合处理模块,所述激光雷达对自动驾驶公交车辆的车身的周围环境进行三维建模,并将建模信息通过无线通信方式传送到所述信息融合处理模块,所述毫米波雷达实时检测自动驾驶公交车辆周围障碍物的动态信息,并将所述动态信息通过无线通信方式传送到所述信息融合处理模块,所述GPS定位模块对所述自动驾驶公交车辆进行定位,并将定位信息通过无线通信方式传送到所述信息融合处理模块;
所述信息融合处理模块对所述视觉信息、建模信息、动态信息、定位信息和所述高精度地图的道路信息进行融合处理,并将融合处理后的信息分别发送到所述驾驶场景判定模块和所述驾驶行为决策模块,所述驾驶场景判定模块根据所述融合处理后的信息判定所述自动驾驶公交车辆所处的驾驶场景,并将所述驾驶场景发送到所述驾驶行为决策模块,所述驾驶行为决策模块根据所述驾驶场景实时决策出符合交通规则的驾驶行为。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述信息融合处理为将所述视觉信息、建模信息、动态信息、定位信息和所述高精度地图的道路信息统一到一个三维坐标中。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述驾驶场景包括路上、预路口、路口和U型转弯。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述有限状态机模型由有限状态集合、输入集合和状态转移规则集合组成,所述有限状态集合用于表示自动驾驶公交车辆的不同状态,所述输入集合表示所述自动驾驶公交车辆接收的不同输入信息,所述状态转移规则集合是指能引起所述自动驾驶公交车辆状态转换的触发事件的集合,所述有限状态机模型通过触发事件和状态转移来表述所述自动驾驶公交车辆的驾驶场景转换。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述驾驶场景的状态转移的触发事件包括第一触发事件、第二触发事件、第三触发事件、第四触发事件、第五触发事件和第六触发事件,所述第一触发事件为基于自动驾驶公交车辆运动方向,所述自动驾驶公交车辆与下一个路口入口点的垂直距离大于100m;所述第二触发事件为基于自动驾驶公交车辆运动方向,所述自动驾驶公交车辆距离下一个路口入口点垂直距离大于0m小于100m;所述第三触发事件为基于自动驾驶公交车辆运动方向,所述自动驾驶公交车辆距离路口入口点垂直距离小于0m;所述第四触发事件为基于自动驾驶公交车辆运动反方向,所述自动驾驶公交车辆距离路口出口点垂直距离大于0m;所述第五触发事件为路网下一任务点属性为U型转弯场景,且基于自动驾驶公交车辆运动方向,所述自动驾驶公交车辆与U型转弯入口点垂直距离小于100m;所述第六触发事件为基于自动驾驶公交车辆运动反方向,所述自动驾驶公交车辆距离U型转弯出口点垂直距离大于0m且车头方向与下一段道路方向夹角小于10度。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,在建立所述基于ID3决策树的驾驶行为判断决策模型时,首先确定自动驾驶公交行为决策模型的条件属性和决策属性,采用灰关联熵法进行条件属性影响度排序,构建驾驶行为决策树并提取出对应的决策规则,然后根据实时获取的驾驶环境信息,基于产生式规则推理出驾驶行为决策结果;所述自动驾驶公交行为决策的条件属性包括本车速度、本车加速度、车辆位置、距离其他车辆横/纵向距离、安全车距、其他车车速和交通标志/信号,所述自动驾驶公交行为决策的决策属性包括变换车道、加速行驶、车道保持、减速行驶和匀速行驶。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述基于ID3决策树的驾驶行为判断决策模型包括交叉路口驾驶场景下的驾驶行为决策模型、预路口驾驶场景下的驾驶行为决策模型、路上驾驶场景下的驾驶行为决策模型和U型转弯驾驶场景下的驾驶行为决策模型。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述交叉路口驾驶场景下的驾驶行为决策模型的条件属性包括所述自动驾驶公交车辆的车速、干扰车的车速、所述自动驾驶公交车辆的加速度、红绿灯信号、所述自动驾驶公交车辆距路口入口停车线的距离、所述自动驾驶公交车辆距干扰车纵向的距离、所述自动驾驶公交车辆距干扰车横向的距离以及碰撞预测时间;所述交叉路口驾驶场景下的驾驶行为决策模型的决策属性包括加速行驶、匀速行驶、减速行驶和停车让行。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述预路口驾驶场景下的驾驶行为决策模型的条件属性包括所述自动驾驶公交车辆的车速、所述自动驾驶公交车辆的加速度、所述自动驾驶公交车辆当前所在车道与期望所在车道是否一致、所述自动驾驶公交车辆与同车道相邻前车的距离、所述自动驾驶公交车辆与相邻车道侧方前车的距离、碰撞预测时间以及红绿灯信号;所述预路口驾驶场景下的驾驶行为决策模型的决策属性包括变换车道、加速行驶、减速行驶和匀速行驶。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述路上驾驶场景下的驾驶行为决策模型的条件属性包括所述自动驾驶公交车辆当前车速与期望车速之差、所述自动驾驶公交车辆当前所在车道与期望所在车道是否一致、所述自动驾驶公交车辆当前车速与同车道相邻前车车速之差、所述自动驾驶公交车辆与同车道相邻前车安全距离与实际距离之差、所述自动驾驶公交车辆与相邻车道侧方前车安全距离与实际距离之差;所述路上驾驶场景下的驾驶行为决策模型的决策属性包括车道保持、匀速跟驰、加速跟驰、减速跟驰和变换车道。
在本发明所述的一种自动驾驶公交车辆的驾驶行为决策系统中,所述U型转弯驾驶场景下的驾驶行为决策模型的条件属性包括弯道宽度、弯道半径、所述自动驾驶公交车辆距离障碍物的纵向距离、所述自动驾驶公交车辆距离障碍物的横向距离以及碰撞预测时间;所述U型转弯驾驶场景下的驾驶行为决策模型的决策属性为满足U型转弯和不满足U型转弯。
实施本发明的一种自动驾驶公交车辆的驾驶行为决策系统,具有以下有益效果:由于使用外部环境感知模块和设置在工控机内的融合处理模块、驾驶场景判定模块和驾驶行为决策模块,外部环境感知模块包括视觉传感器、激光雷达、毫米波雷达、GPS定位模块和高精度地图;驾驶场景判定模块采用有限状态机模型,驾驶行为决策模块采用基于ID3决策树的驾驶行为判断决策模型;通过多种传感器感知外部环境信息,通过信息融合处理模块对感知的环境信息进行融合处理,驾驶场景判定模块判定当前自动驾驶公交车辆所处的驾驶场景,最后通过驾驶行为决策模块实时决策出符合交通规则的驾驶行为,通过判定驾驶场景后决策驾驶行为,因此能提高自动驾驶公交车辆的驾驶安全、有效降低交通事故发生的概率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明自动驾驶公交车辆的驾驶行为决策系统一个实施例中的结构示意图;
图2为所述实施例中驾驶场景转换示意图;
图3为所述实施例中基于ID3决策树的驾驶行为判断决策模型的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明一种自动驾驶公交车辆的驾驶行为决策系统实施例中,该自动驾驶公交车辆的驾驶行为决策系统的结构示意图如图1所示。图1中,该自动驾驶公交车辆的驾驶行为决策系统包括外部环境感知模块1和设置在工控机内的融合处理模块2、驾驶场景判定模块3和驾驶行为决策模块4,外部环境感知模块1利用多传感器获取车身周围环境信息,并将其传送到工控机。
具体的,外部环境感知模块1包括视觉传感器11、激光雷达12、毫米波雷达13、GPS定位模块14和高精度地图15,视觉传感器11采用双目摄像头,视觉传感器11进行红绿灯检测、车道线检测、道路标示牌检测和车辆识别,并将检测的视觉信息通过无线通信方式传送到信息融合处理模块2,激光雷达12对自动驾驶公交车辆的车身的周围环境进行三维建模,并将建模信息通过无线通信方式传送到信息融合处理模块2,毫米波雷达13实时检测自动驾驶公交车辆周围障碍物的动态信息,例如前车的速度和行驶方向,并将动态信息通过无线通信方式传送到信息融合处理模块2,GPS定位模块14为高精度GPS定位模块,对自动驾驶公交车辆进行定位,并将定位信息通过无线通信方式传送到信息融合处理模块2,其定位精度达到厘米级。
高精度地图15存储在工控机的内存中,高精度地图15的定位精度达到亚米级,此外高精度地图15中还存放车道数量、车道宽度、道路曲率、坡度、限制速度和推荐行驶速度等信息。
本实施例中,信息融合处理模块2对上述视觉信息、建模信息、动态信息、定位信息和高精度地图的道路信息进行融合处理,即将上述视觉信息、建模信息、动态信息、定位信息和高精度地图的道路信息统一到一个三维坐标中,然后将融合处理后的信息分别发送到驾驶场景判定模块3和驾驶行为决策模块4,为驾驶行为决策提供完整统一的信息。驾驶场景判定模块3根据融合处理后的信息判定自动驾驶公交车辆所处的驾驶场景,并将驾驶场景发送到驾驶行为决策模块4,驾驶行为决策模块4根据驾驶场景实时决策出符合交通规则的驾驶行为。
本实施例中,驾驶场景包括路上、预路口、路口和U型转弯。驾驶场景判定模块3采用有限状态机模型,驾驶场景的判别采用有限状态机模型,针对不同的驾驶场景采取不同的驾驶行为决策策略,驾驶行为决策模块4采用基于ID3决策树的驾驶行为判断决策模型。
本发明通过多种传感器感知外部环境信息,再对感知的环境信息进行融合处理,判定当前公交车辆所处的驾驶场景,最后实时决策符合交通规则的驾驶行为,因此能提高自动驾驶公交车辆的驾驶安全、有效降低交通事故发生的概率。
本实施例中,有限状态机模型由有限状态集合、输入集合和状态转移规则集合组成,有限状态集合用于表示自动驾驶公交车辆的不同状态,输入集合表示自动驾驶公交车辆接收的不同输入信息,状态转移规则集合是指能引起自动驾驶公交车辆状态转换的触发事件的集合,
标准的有限状态机M是一个五元组:
式中,Q为有限状态机的所有状态集合,Q={q0,q1,q2,...,qn};£为对象接收的所有输入的集合,即引起对象转换的所有事件集合;δ为状态转移函数,δ:Q×£→Q;q0为对象初始状态,q0∈Q;F为对象终止状态集合,F∈Q。
有限状态机模型通过触发事件和状态转移来表述自动驾驶公交车辆的驾驶场景转换。如果自动驾驶公交车辆当前处于qi∈Q,当前输入触发事件为ti∈£,那么自动驾驶公交车辆会根据状态转移函数δ转移到另一个状态qj∈Q。
图2为本实施例中驾驶场景转换示意图,本实施例中,驾驶场景的状态转移的触发事件包括第一触发事件A1、第二触发事件A2、第三触发事件A3、第四触发事件A4、第五触发事件A5和第六触发事件A6,其中,第一触发事件A1为基于自动驾驶公交车辆运动方向,自动驾驶公交与下一个路口入口点的垂直距离大于100m;第二触发事件A2为基于自动驾驶公交车辆运动方向,自动驾驶公交车辆距离下一个路口入口点垂直距离大于0m小于100m;第三触发事件A3为基于自动驾驶公交车辆运动方向,自动驾驶公交车辆距离路口入口点垂直距离小于0m;第四触发事件A4为基于自动驾驶公交车辆运动反方向,自动驾驶公交车辆距离路口出口点垂直距离大于0m;第五触发事件A5为路网下一任务点属性为U型转弯场景,且基于自动驾驶公交车辆运动方向,自动驾驶公交车辆与U型转弯入口点垂直距离小于100m;第六触发事件A6为基于自动驾驶公交车辆运动反方向,自动驾驶公交车辆距离U型转弯出口点垂直距离大于0m且车头方向与下一段道路方向夹角小于10度。
本实施例中,把决策树方法引入到该自动驾驶车辆的驾驶行为决策系统中,利用决策树在知识自动获取与准确表达方面所具有的优势,构建基于ID3决策树的驾驶行为决策模型,实现对当前驾驶环境实时、准确的识别和对下一时刻驾驶行为的快速决策。
决策树是依托决策而建立起来,用以分类和决策的,类似二叉树或者多叉树结构。在机器学习中,决策树是一种预测模型,代表的是一种对象属性与对象值之间的映射关系。决策树主要由内部节点和外部叶子结点构成,其内部节点代表的是训练样本集中对象属性的测试,叶结点则代表一个类或类的分布。其顶点为树的根节点,由该根节点至叶结点的"路径"就可以转化为一个相应产生式规则。
ID3算法是一种自顶向下、贪婪的搜索方法。它选择测试属性的依据是信息熵的下降速度。也就是说,对于其内部节点,选择信息増益最大且还没有用于划分的属性作为其进行分枝的依据。接着不断重复迭代,直至得到能对训练样本集进行分类的决策树。在决策树构造中,如何选取一个条件属性作为形成决策树的节点是建树的核心。一般会选择最能代表训练样本集不同类别特征的属性作为其测试属性。
ID3决策树算法通过对所有决策属性的信息増益进行求解,算出其中信息増益最大的属性,并将其作为训练样本集的测试节点。在此基础上,通过对该测试节点属性的不同取值得到对应的分支节点,再根据这些被标记了不同属性的分支节点分别得到相应的分支。
灰关联熵法是在灰关联理论基础上发展起来的,由于灰关联是通过逐点计算关联测度值的平均值来进行关联度的求解,所以这种做法在一定程度上会造成个性信息的损失并且存在局部关联的倾向。而灰关联熵法恰好弥补了这一不足,利用信息熵对各个比较列与参考列的相似度进行定量的描述,并对指标进行量化处理,完成所有相关影响因素的排序。
令参考列表示驾驶行为决策时间序列,即决策属性;比较列表示决策影响因素的时间序列,即决策属性对应的条件属性。由于各个条件属性的量化不同,需要对原始数据列作初始化数据预处理。
其中为的均值,得到的无量纲参考列为X0=[X0(1),X0(2),...,X0(n)],比较列为Xj=[Xj(1),Xj(2),...,Xj(n)]。
令γjk为各个比较列与参考列之间的灰关联系数,代表比较列与参考列在各时间段内的关联度:
其中,Δmin=minjmink|X0(k)-Xj(k)|;Δmax=maxjmaxk|X0(k)-Xj(k)|,ρ∈{0,1)为分辨系数。
为了取得较好的分辨能力,ρ通常遵照下面的取值规律:
其中,为所有差值绝对值的均值;是均值与最大差值的比值。
以Pjk为条件属性的灰关联熵为:
其中,为灰关联系数分布映射。
灰关联序列的排序依据:对于比较列来说,其灰关联熵的值越大,则代表其与参考列的相关程度越高,关联性越强,也就说明其对参考列的影响越大,那么其所对应的条件属性排名就越靠前。
在建立基于ID3决策树的驾驶行为判断决策模型时,首先确定自动驾驶公交行为决策模型的条件属性和决策属性,自动驾驶公交行为决策的条件属性包括本车速度、本车加速度、车辆位置、距离其他车辆横/纵向距离、安全车距、其他车车速和交通标志/信号,自动驾驶公交行为决策的决策属性从车辆行驶方向和行驶速度两个方面考虑,具体包括变换车道、加速行驶、车道保持、减速行驶和匀速行驶,但U型转弯作为一种基于驾驶任务的特殊驾驶行为考虑。然后采用灰关联熵法进行条件属性影响度排序,构建驾驶行为决策树,进而提取出对应的决策规则,然后根据实时获取的驾驶环境信息,基于产生式规则推理出驾驶行为决策结果,该基于ID3决策树的驾驶行为判断决策模型的示意图如图3所示。
本实施例中,基于ID3决策树的驾驶行为判断决策模型包括交叉路口驾驶场景下的驾驶行为决策模型、预路口驾驶场景下的驾驶行为决策模型、路上驾驶场景下的驾驶行为决策模型和U型转弯驾驶场景下的驾驶行为决策模型。
具体的,基于驾驶员在通过交叉路口时所受的环境因素影响,建立在交叉路口驾驶场景下的驾驶行为决策模型。该交叉路口驾驶场景下的驾驶行为决策模型的条件属性包括自动驾驶公交车辆的车速、干扰车的车速、自动驾驶公交车辆的加速度、红绿灯信号、自动驾驶公交车辆距路口入口停车线的距离、自动驾驶公交车辆距干扰车纵向的距离、自动驾驶公交车辆距干扰车横向的距离以及碰撞预测时间;该交叉路口驾驶场景下的驾驶行为决策模型的决策属性包括加速行驶、匀速行驶、减速行驶和停车让行。
基于驾驶员在预路口时所受到的环境因素影响,建立在预路口驾驶场景下的驾驶行为决策模型。该预路口驾驶场景下的驾驶行为决策模型的条件属性包括自动驾驶公交车辆的车速、自动驾驶公交车辆的加速度、自动驾驶公交车辆当前所在车道与期望所在车道是否一致、自动驾驶公交车辆与同车道相邻前车的距离、自动驾驶公交车辆与相邻车道侧方前车的距离、碰撞预测时间以及红绿灯信号;该预路口驾驶场景下的驾驶行为决策模型的决策属性包括变换车道、加速行驶、减速行驶和匀速行驶。
基于驾驶员在路上行驶时所受到的环境因素影响,建立在路上驾驶场景下的驾驶行为决策模型。该路上驾驶场景下的驾驶行为决策模型的条件属性包括自动驾驶公交车辆当前车速与期望车速之差、自动驾驶公交车辆当前所在车道与期望所在车道是否一致、自动驾驶公交车辆当前车速与同车道相邻前车车速之差、自动驾驶公交车辆与同车道相邻前车安全距离与实际距离之差、自动驾驶公交车辆与相邻车道侧方前车安全距离与实际距离之差;该路上驾驶场景下的驾驶行为决策模型的决策属性包括车道保持、匀速跟驰、加速跟驰、减速跟驰和变换车道。
U型转弯作为一种特殊的驾驶行为,驾驶员在U行转弯时考虑的更多的是道路环境是否满足U型转弯的条件。该U型转弯驾驶场景下的驾驶行为决策模型的条件属性包括弯道宽度、弯道半径、自动驾驶公交车辆距离障碍物的纵向距离、自动驾驶公交车辆距离障碍物的横向距离以及碰撞预测时间;该U型转弯驾驶场景下的驾驶行为决策模型的决策属性为满足U型转弯和不满足U型转弯。
总之,本发明通过多传感器信息的融合,为驾驶行为决策提供更加完整、准确的环境信息;将城区道路的驾驶场景分为路上、预路口、路口和U型转弯四类,并采用有限状态机模型进行驾驶场景的转换;能根据驾驶场景决策出符合交通规则的驾驶行为;驾驶行为包括启动、制动、加速、减速、匀速、转向等六类基础和共性的。针对具体的驾驶场景衍生出不同形式的驾驶行为,例如路上驾驶场景的驾驶行为可以分为车道保持、加速跟随、减速跟随、匀速跟随和变换车道。驾驶行为决策采用ID3决策树算法构建决策模型,采用灰关联熵法对驾驶行为决策模型的条件属性的灰关联熵进行排序。本发明通过对驾驶场景进行识别和分类,针对不同的驾驶场景做出对应驾驶行为决策;因此能提高自动驾驶公交车辆的驾驶安全,有效地降低交通事故发生的概率。
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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,包括外部环境感知模块、信息融合处理模块、驾驶场景判定模块和驾驶行为决策模块,所述外部环境感知模块包括视觉传感器、激光雷达、毫米波雷达、GPS定位模块和高精度地图,所述驾驶场景判定模块采用有限状态机模型,所述驾驶行为决策模块采用基于ID3决策树的驾驶行为判断决策模型;
所述视觉传感器进行红绿灯检测、车道线检测、道路标示牌检测和车辆识别,并将检测的视觉信息通过无线通信方式传送到所述信息融合处理模块,所述激光雷达对自动驾驶公交车辆的车身的周围环境进行三维建模,并将建模信息通过无线通信方式传送到所述信息融合处理模块,所述毫米波雷达实时检测自动驾驶公交车辆周围障碍物的动态信息,并将所述动态信息通过无线通信方式传送到所述信息融合处理模块,所述GPS定位模块对所述自动驾驶公交车辆进行定位,并将定位信息通过无线通信方式传送到所述信息融合处理模块;
所述信息融合处理模块对所述视觉信息、建模信息、动态信息、定位信息和所述高精度地图的道路信息进行融合处理,并将融合处理后的信息分别发送到所述驾驶场景判定模块和所述驾驶行为决策模块,所述驾驶场景判定模块根据所述融合处理后的信息判定所述自动驾驶公交车辆所处的驾驶场景,并将所述驾驶场景发送到所述驾驶行为决策模块,所述驾驶行为决策模块根据所述驾驶场景实时决策出符合交通规则的驾驶行为。
2.根据权利要求1所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,所述驾驶场景包括路上、预路口、路口和U型转弯。
3.根据权利要求2所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,所述有限状态机模型由有限状态集合、输入集合和状态转移规则集合组成,所述有限状态集合用于表示自动驾驶公交车辆的不同状态,所述输入集合表示所述自动驾驶公交车辆接收的不同输入信息,所述状态转移规则集合是指能引起所述自动驾驶公交车辆状态转换的触发事件的集合,所述有限状态机模型通过触发事件和状态转移来表述所述自动驾驶公交车辆的驾驶场景转换。
4.根据权利要求1至3任意一项所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,所述驾驶场景的状态转移的触发事件包括第一触发事件、第二触发事件、第三触发事件、第四触发事件、第五触发事件和第六触发事件,所述第一触发事件为基于自动驾驶公交车辆运动方向,所述自动驾驶公交车辆与下一个路口入口点的垂直距离大于100m;所述第二触发事件为基于自动驾驶公交车辆运动方向,所述自动驾驶公交车辆距离下一个路口入口点垂直距离大于0m小于100m;所述第三触发事件为基于自动驾驶公交车辆运动方向,所述自动驾驶公交车辆距离路口入口点垂直距离小于0m;所述第四触发事件为基于自动驾驶公交车辆运动反方向,所述自动驾驶公交车辆距离路口出口点垂直距离大于0m;所述第五触发事件为路网下一任务点属性为U型转弯场景,且基于自动驾驶公交车辆运动方向,所述自动驾驶公交车辆与U型转弯入口点垂直距离小于100m;所述第六触发事件为基于自动驾驶公交车辆运动反方向,所述自动驾驶公交车辆距离U型转弯出口点垂直距离大于0m且车头方向与下一段道路方向夹角小于10度。
5.根据权利要求1所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,在建立所述基于ID3决策树的驾驶行为判断决策模型时,首先确定自动驾驶公交行为决策模型的条件属性和决策属性,采用灰关联熵法进行条件属性影响度排序,构建驾驶行为决策树并提取出对应的决策规则,然后根据实时获取的驾驶环境信息,基于产生式规则推理出驾驶行为决策结果;所述自动驾驶公交行为决策的条件属性包括本车速度、本车加速度、车辆位置、距离其他车辆横/纵向距离、安全车距、其他车车速和交通标志/信号,所述自动驾驶公交行为决策的决策属性包括变换车道、加速行驶、车道保持、减速行驶和匀速行驶。
6.根据权利要求5所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,所述基于ID3决策树的驾驶行为判断决策模型包括交叉路口驾驶场景下的驾驶行为决策模型、预路口驾驶场景下的驾驶行为决策模型、路上驾驶场景下的驾驶行为决策模型和U型转弯驾驶场景下的驾驶行为决策模型。
7.根据权利要求6所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,所述交叉路口驾驶场景下的驾驶行为决策模型的条件属性包括所述自动驾驶公交车辆的车速、干扰车的车速、所述自动驾驶公交车辆的加速度、红绿灯信号、所述自动驾驶公交车辆距路口入口停车线的距离、所述自动驾驶公交车辆距干扰车纵向的距离、所述自动驾驶公交车辆距干扰车横向的距离以及碰撞预测时间;所述交叉路口驾驶场景下的驾驶行为决策模型的决策属性包括加速行驶、匀速行驶、减速行驶和停车让行。
8.根据权利要求6所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,所述预路口驾驶场景下的驾驶行为决策模型的条件属性包括所述自动驾驶公交车辆的车速、所述自动驾驶公交车辆的加速度、所述自动驾驶公交车辆当前所在车道与期望所在车道是否一致、所述自动驾驶公交车辆与同车道相邻前车的距离、所述自动驾驶公交车辆与相邻车道侧方前车的距离、碰撞预测时间以及红绿灯信号;所述预路口驾驶场景下的驾驶行为决策模型的决策属性包括变换车道、加速行驶、减速行驶和匀速行驶。
9.根据权利要求6所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,所述路上驾驶场景下的驾驶行为决策模型的条件属性包括所述自动驾驶公交车辆当前车速与期望车速之差、所述自动驾驶公交车辆当前所在车道与期望所在车道是否一致、所述自动驾驶公交车辆当前车速与同车道相邻前车车速之差、所述自动驾驶公交车辆与同车道相邻前车安全距离与实际距离之差、所述自动驾驶公交车辆与相邻车道侧方前车安全距离与实际距离之差;所述路上驾驶场景下的驾驶行为决策模型的决策属性包括车道保持、匀速跟驰、加速跟驰、减速跟驰和变换车道。
10.根据权利要求6所述的一种自动驾驶公交车辆的驾驶行为决策系统,其特征在于,所述U型转弯驾驶场景下的驾驶行为决策模型的条件属性包括弯道宽度、弯道半径、所述自动驾驶公交车辆距离障碍物的纵向距离、所述自动驾驶公交车辆距离障碍物的横向距离以及碰撞预测时间;所述U型转弯驾驶场景下的驾驶行为决策模型的决策属性为满足U型转弯和不满足U型转弯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517355.1A CN107272687A (zh) | 2017-06-29 | 2017-06-29 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710517355.1A CN107272687A (zh) | 2017-06-29 | 2017-06-29 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107272687A true CN107272687A (zh) | 2017-10-20 |
Family
ID=60071276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710517355.1A Pending CN107272687A (zh) | 2017-06-29 | 2017-06-29 | 一种自动驾驶公交车辆的驾驶行为决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107272687A (zh) |
Cited By (58)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108008727A (zh) * | 2017-12-11 | 2018-05-08 | 梁金凤 | 一种能够高速行驶的无人驾驶汽车 |
CN108052921A (zh) * | 2017-12-27 | 2018-05-18 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
CN108121346A (zh) * | 2017-12-20 | 2018-06-05 | 东风汽车集团有限公司 | 一种基于高精导航定位系统的自动驾驶方向控制系统及方法 |
CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策系统及方法 |
CN108427417A (zh) * | 2018-03-30 | 2018-08-21 | 北京图森未来科技有限公司 | 自动驾驶控制系统及方法、计算机服务器和自动驾驶车辆 |
CN108445503A (zh) * | 2018-03-12 | 2018-08-24 | 吉林大学 | 基于激光雷达与高精度地图融合的无人驾驶路径规划算法 |
CN108446727A (zh) * | 2018-03-09 | 2018-08-24 | 上海安亭地平线智能交通技术有限公司 | 驾驶行为决策方法、系统和电子设备 |
CN108520639A (zh) * | 2018-06-15 | 2018-09-11 | 中国安全生产科学研究院 | 一种防止车辆碰撞的预警方法及系统 |
CN108536154A (zh) * | 2018-05-14 | 2018-09-14 | 重庆师范大学 | 基于生物电信号控制的低速自动驾驶智能轮椅构建方法 |
CN108549380A (zh) * | 2018-05-10 | 2018-09-18 | 芜湖航飞科技股份有限公司 | 一种基于北斗导航技术的自动驾驶装置 |
CN108646738A (zh) * | 2018-05-11 | 2018-10-12 | 浙江吉利汽车研究院有限公司 | 一种驾驶辅助功能调用装置及方法 |
CN108801283A (zh) * | 2018-06-14 | 2018-11-13 | 淮阴工学院 | 封闭型道路的车队自动驾驶控制系统及其自动驾驶方法 |
CN108829096A (zh) * | 2018-05-23 | 2018-11-16 | 郑州思达科锐网络科技有限公司 | 一种控制无人驾驶汽车转向的方法及系统 |
CN108896994A (zh) * | 2018-05-11 | 2018-11-27 | 武汉环宇智行科技有限公司 | 一种无人驾驶车辆定位方法及设备 |
CN109031304A (zh) * | 2018-06-06 | 2018-12-18 | 上海国际汽车城(集团)有限公司 | 基于视觉和毫米波雷达地图特征的隧道内车辆定位方法 |
CN109084992A (zh) * | 2018-07-27 | 2018-12-25 | 长安大学 | 基于台架测试无人车智能性的方法 |
CN109186621A (zh) * | 2018-08-15 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 基于路口模型的自动行驶方法及装置 |
CN109318899A (zh) * | 2018-10-23 | 2019-02-12 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的弯道行驶方法、装置、设备和存储介质 |
CN109677402A (zh) * | 2018-11-13 | 2019-04-26 | 顺丰科技有限公司 | 自动驾驶工具的安全防护系统及方法 |
CN109747530A (zh) * | 2017-11-02 | 2019-05-14 | 郭宇铮 | 一种双摄像头和毫米波融合汽车感知系统 |
CN109828573A (zh) * | 2019-02-20 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 车辆控制方法、装置及存储介质 |
CN109969192A (zh) * | 2017-12-28 | 2019-07-05 | 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 |
CN109974720A (zh) * | 2018-11-27 | 2019-07-05 | 财团法人车辆研究测试中心 | 动态地图数据分类装置及其方法 |
CN110018498A (zh) * | 2019-04-18 | 2019-07-16 | 北京智行者科技有限公司 | 防止gnss受激光雷达干扰的方法及装置 |
CN110045402A (zh) * | 2019-04-16 | 2019-07-23 | 北京四维图新科技股份有限公司 | Gnss定位质量信息推送方法、装置、设备及存储介质 |
CN110096051A (zh) * | 2018-01-31 | 2019-08-06 | 北京京东尚科信息技术有限公司 | 用于生成车辆控制指令的方法和装置 |
CN110103987A (zh) * | 2019-05-21 | 2019-08-09 | 北京百度网讯科技有限公司 | 应用于自动驾驶车辆的决策规划方法和装置 |
CN110194041A (zh) * | 2019-05-19 | 2019-09-03 | 瑞立集团瑞安汽车零部件有限公司 | 多源信息融合的自适应车身高度调节方法 |
CN110196056A (zh) * | 2018-03-29 | 2019-09-03 | 文远知行有限公司 | 用于生成用于自动驾驶车辆导航和决策的道路地图的方法和导航装置 |
CN110263381A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种自动驾驶车辆测试仿真场景生成方法 |
CN110493521A (zh) * | 2019-08-22 | 2019-11-22 | 爱驰汽车有限公司 | 自动驾驶摄像头控制方法、装置、电子设备、存储介质 |
CN110530389A (zh) * | 2019-09-06 | 2019-12-03 | 禾多科技(北京)有限公司 | 基于高精度导航电子地图的路口模式识别方法及识别系统 |
CN110568850A (zh) * | 2019-09-12 | 2019-12-13 | 东风汽车有限公司 | 一种无人驾驶汽车内部故障的车辆控制方法及电子设备 |
CN110576808A (zh) * | 2018-06-08 | 2019-12-17 | 上海博泰悦臻网络技术服务有限公司 | 车辆、车机设备及其基于人工智能的场景信息推送方法 |
CN110599622A (zh) * | 2019-08-15 | 2019-12-20 | 中国航空工业集团公司上海航空测控技术研究所 | 应用于飞机飞行状态的参数表征方法 |
CN110715807A (zh) * | 2019-09-24 | 2020-01-21 | 中国第一汽车股份有限公司 | 识别测功机模式的方法、系统、车辆及存储介质 |
CN110836675A (zh) * | 2019-10-25 | 2020-02-25 | 北京航空航天大学 | 一种基于决策树的自动驾驶搜索决策方法 |
TWI686766B (zh) * | 2019-05-30 | 2020-03-01 | 南開科技大學 | 輔助身障人士搭乘大眾交通工具的系統及其方法 |
CN110969178A (zh) * | 2018-09-30 | 2020-04-07 | 长城汽车股份有限公司 | 自动驾驶车辆的数据融合系统、方法及自动驾驶系统 |
CN111045422A (zh) * | 2018-10-11 | 2020-04-21 | 顾泽苍 | 一种自动驾驶导入“机智获得”模型的控制方法 |
CN111123948A (zh) * | 2019-12-31 | 2020-05-08 | 北京新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、系统及汽车 |
CN111210618A (zh) * | 2018-11-22 | 2020-05-29 | 南京锦和佳鑫信息科技有限公司 | 自动网联公交道路系统 |
CN111368465A (zh) * | 2019-12-31 | 2020-07-03 | 成都理工大学 | 基于id3决策树的无人驾驶决策方法 |
CN111564051A (zh) * | 2020-04-28 | 2020-08-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车安全行车控制方法、装置、设备及存储介质 |
CN111830949A (zh) * | 2019-03-27 | 2020-10-27 | 广州汽车集团股份有限公司 | 自动驾驶车辆控制方法、装置、计算机设备和存储介质 |
CN112068574A (zh) * | 2020-10-19 | 2020-12-11 | 中国科学技术大学 | 一种无人车在动态复杂环境中的控制方法及系统 |
US10878346B2 (en) | 2018-10-17 | 2020-12-29 | Automotive Research & Testing Center | Intelligent driving method for passing intersections based on support vector machine and intelligent driving system thereof |
CN112512890A (zh) * | 2020-04-02 | 2021-03-16 | 华为技术有限公司 | 一种异常驾驶行为识别方法 |
CN112614366A (zh) * | 2020-12-11 | 2021-04-06 | 国汽(北京)智能网联汽车研究院有限公司 | 汽车协同决策方法、装置、电子设备及计算机存储介质 |
CN113320545A (zh) * | 2021-07-01 | 2021-08-31 | 江苏理工学院 | 一种基于线控智能车辆的预路口行为决策方法 |
CN111295629B (zh) * | 2017-10-31 | 2021-11-30 | 伟摩有限责任公司 | 检测并响应于自动驾驶车辆的交通改向 |
CN113753033A (zh) * | 2020-06-03 | 2021-12-07 | 上海汽车集团股份有限公司 | 一种车辆、车辆驾驶任务选择方法及装置 |
CN113815645A (zh) * | 2021-09-14 | 2021-12-21 | 江苏大学 | 一种适用于环形交叉口的自动驾驶行为决策系统与运动规划方法 |
CN114644016A (zh) * | 2022-04-14 | 2022-06-21 | 中汽创智科技有限公司 | 车辆自动驾驶决策方法、装置、车载终端和存储介质 |
EP4030408A1 (en) | 2021-01-19 | 2022-07-20 | Bayerische Motoren Werke Aktiengesellschaft | Autonomous junction crossing of automated vehicle |
US11402843B2 (en) | 2017-10-31 | 2022-08-02 | Waymo Llc | Semantic object clustering for autonomous vehicle decision making |
US11724700B2 (en) | 2018-09-12 | 2023-08-15 | Huawei Technologies Co., Ltd. | Intelligent driving method and intelligent driving system |
CN117246333A (zh) * | 2023-11-16 | 2023-12-19 | 北京航空航天大学 | 一种基于近场预知信息的车辆驱制动需求预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101398925B1 (ko) * | 2012-11-26 | 2014-05-27 | 한국건설기술연구원 | 편광영상 및 ecu 정보를 활용한 이동식 노면상태 자동검지 방법 |
CN106527427A (zh) * | 2016-10-19 | 2017-03-22 | 东风汽车公司 | 基于高速公路的自动驾驶感知系统 |
CN106767866A (zh) * | 2016-12-02 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 局部路径规划和基于其的测试方法和装置 |
-
2017
- 2017-06-29 CN CN201710517355.1A patent/CN107272687A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101398925B1 (ko) * | 2012-11-26 | 2014-05-27 | 한국건설기술연구원 | 편광영상 및 ecu 정보를 활용한 이동식 노면상태 자동검지 방법 |
CN106527427A (zh) * | 2016-10-19 | 2017-03-22 | 东风汽车公司 | 基于高速公路的自动驾驶感知系统 |
CN106767866A (zh) * | 2016-12-02 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 局部路径规划和基于其的测试方法和装置 |
Non-Patent Citations (3)
Title |
---|
唐国明: "无人驾驶汽车半物理仿真系统的设计", 《中国博士学位论文全文数据库》 * |
杜明博: "基于人类驾驶行为的无人驾驶车辆行为决策与运动规划方法研究", 《中国博士学位论文全文数据库》 * |
陈佳佳: "城市环境下无人驾驶车辆决策系统研究", 《中国博士学位论文全文数据库》 * |
Cited By (78)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11951991B2 (en) | 2017-10-31 | 2024-04-09 | Waymo Llc | Semantic object clustering for autonomous vehicle decision making |
CN111295629B (zh) * | 2017-10-31 | 2021-11-30 | 伟摩有限责任公司 | 检测并响应于自动驾驶车辆的交通改向 |
US11402843B2 (en) | 2017-10-31 | 2022-08-02 | Waymo Llc | Semantic object clustering for autonomous vehicle decision making |
US11887474B2 (en) | 2017-10-31 | 2024-01-30 | Waymo Llc | Detecting and responding to traffic redirection for autonomous vehicles |
CN109747530A (zh) * | 2017-11-02 | 2019-05-14 | 郭宇铮 | 一种双摄像头和毫米波融合汽车感知系统 |
CN108008727A (zh) * | 2017-12-11 | 2018-05-08 | 梁金凤 | 一种能够高速行驶的无人驾驶汽车 |
CN108121346A (zh) * | 2017-12-20 | 2018-06-05 | 东风汽车集团有限公司 | 一种基于高精导航定位系统的自动驾驶方向控制系统及方法 |
CN108052921A (zh) * | 2017-12-27 | 2018-05-18 | 海信集团有限公司 | 一种车道线检测方法、装置及终端 |
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 |
CN109969192A (zh) * | 2017-12-28 | 2019-07-05 | 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 |
CN108225364A (zh) * | 2018-01-04 | 2018-06-29 | 吉林大学 | 一种无人驾驶汽车驾驶任务决策系统及方法 |
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 |
CN110096051B (zh) * | 2018-01-31 | 2024-04-09 | 北京京东乾石科技有限公司 | 用于生成车辆控制指令的方法和装置 |
CN110096051A (zh) * | 2018-01-31 | 2019-08-06 | 北京京东尚科信息技术有限公司 | 用于生成车辆控制指令的方法和装置 |
CN108446727B (zh) * | 2018-03-09 | 2021-09-21 | 上海安亭地平线智能交通技术有限公司 | 驾驶行为决策方法、系统和电子设备 |
CN108446727A (zh) * | 2018-03-09 | 2018-08-24 | 上海安亭地平线智能交通技术有限公司 | 驾驶行为决策方法、系统和电子设备 |
CN108445503A (zh) * | 2018-03-12 | 2018-08-24 | 吉林大学 | 基于激光雷达与高精度地图融合的无人驾驶路径规划算法 |
CN110196056B (zh) * | 2018-03-29 | 2023-12-05 | 文远知行有限公司 | 用于生成用于自动驾驶车辆导航和决策的道路地图的方法和导航装置 |
CN110196056A (zh) * | 2018-03-29 | 2019-09-03 | 文远知行有限公司 | 用于生成用于自动驾驶车辆导航和决策的道路地图的方法和导航装置 |
CN108427417A (zh) * | 2018-03-30 | 2018-08-21 | 北京图森未来科技有限公司 | 自动驾驶控制系统及方法、计算机服务器和自动驾驶车辆 |
CN108549380A (zh) * | 2018-05-10 | 2018-09-18 | 芜湖航飞科技股份有限公司 | 一种基于北斗导航技术的自动驾驶装置 |
CN108646738A (zh) * | 2018-05-11 | 2018-10-12 | 浙江吉利汽车研究院有限公司 | 一种驾驶辅助功能调用装置及方法 |
CN108896994A (zh) * | 2018-05-11 | 2018-11-27 | 武汉环宇智行科技有限公司 | 一种无人驾驶车辆定位方法及设备 |
CN108536154A (zh) * | 2018-05-14 | 2018-09-14 | 重庆师范大学 | 基于生物电信号控制的低速自动驾驶智能轮椅构建方法 |
CN108829096A (zh) * | 2018-05-23 | 2018-11-16 | 郑州思达科锐网络科技有限公司 | 一种控制无人驾驶汽车转向的方法及系统 |
CN109031304A (zh) * | 2018-06-06 | 2018-12-18 | 上海国际汽车城(集团)有限公司 | 基于视觉和毫米波雷达地图特征的隧道内车辆定位方法 |
CN110576808B (zh) * | 2018-06-08 | 2022-05-03 | 上海博泰悦臻网络技术服务有限公司 | 车辆、车机设备及其基于人工智能的场景信息推送方法 |
CN110576808A (zh) * | 2018-06-08 | 2019-12-17 | 上海博泰悦臻网络技术服务有限公司 | 车辆、车机设备及其基于人工智能的场景信息推送方法 |
CN108801283A (zh) * | 2018-06-14 | 2018-11-13 | 淮阴工学院 | 封闭型道路的车队自动驾驶控制系统及其自动驾驶方法 |
CN108520639B (zh) * | 2018-06-15 | 2023-10-27 | 中国安全生产科学研究院 | 一种防止车辆碰撞的预警方法及系统 |
CN108520639A (zh) * | 2018-06-15 | 2018-09-11 | 中国安全生产科学研究院 | 一种防止车辆碰撞的预警方法及系统 |
CN109084992A (zh) * | 2018-07-27 | 2018-12-25 | 长安大学 | 基于台架测试无人车智能性的方法 |
CN109186621A (zh) * | 2018-08-15 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 基于路口模型的自动行驶方法及装置 |
US11724700B2 (en) | 2018-09-12 | 2023-08-15 | Huawei Technologies Co., Ltd. | Intelligent driving method and intelligent driving system |
CN110969178B (zh) * | 2018-09-30 | 2023-09-12 | 毫末智行科技有限公司 | 自动驾驶车辆的数据融合系统、方法及自动驾驶系统 |
CN110969178A (zh) * | 2018-09-30 | 2020-04-07 | 长城汽车股份有限公司 | 自动驾驶车辆的数据融合系统、方法及自动驾驶系统 |
CN111045422A (zh) * | 2018-10-11 | 2020-04-21 | 顾泽苍 | 一种自动驾驶导入“机智获得”模型的控制方法 |
US10878346B2 (en) | 2018-10-17 | 2020-12-29 | Automotive Research & Testing Center | Intelligent driving method for passing intersections based on support vector machine and intelligent driving system thereof |
CN109318899A (zh) * | 2018-10-23 | 2019-02-12 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的弯道行驶方法、装置、设备和存储介质 |
CN109318899B (zh) * | 2018-10-23 | 2021-04-27 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的弯道行驶方法、装置、设备和存储介质 |
CN109677402A (zh) * | 2018-11-13 | 2019-04-26 | 顺丰科技有限公司 | 自动驾驶工具的安全防护系统及方法 |
CN111210618A (zh) * | 2018-11-22 | 2020-05-29 | 南京锦和佳鑫信息科技有限公司 | 自动网联公交道路系统 |
CN111210618B (zh) * | 2018-11-22 | 2022-06-07 | 上海丰豹商务咨询有限公司 | 自动网联公交道路系统 |
CN109974720A (zh) * | 2018-11-27 | 2019-07-05 | 财团法人车辆研究测试中心 | 动态地图数据分类装置及其方法 |
CN109828573A (zh) * | 2019-02-20 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 车辆控制方法、装置及存储介质 |
CN111830949B (zh) * | 2019-03-27 | 2024-01-16 | 广州汽车集团股份有限公司 | 自动驾驶车辆控制方法、装置、计算机设备和存储介质 |
CN111830949A (zh) * | 2019-03-27 | 2020-10-27 | 广州汽车集团股份有限公司 | 自动驾驶车辆控制方法、装置、计算机设备和存储介质 |
CN110045402A (zh) * | 2019-04-16 | 2019-07-23 | 北京四维图新科技股份有限公司 | Gnss定位质量信息推送方法、装置、设备及存储介质 |
CN110018498A (zh) * | 2019-04-18 | 2019-07-16 | 北京智行者科技有限公司 | 防止gnss受激光雷达干扰的方法及装置 |
CN110194041A (zh) * | 2019-05-19 | 2019-09-03 | 瑞立集团瑞安汽车零部件有限公司 | 多源信息融合的自适应车身高度调节方法 |
CN110103987A (zh) * | 2019-05-21 | 2019-08-09 | 北京百度网讯科技有限公司 | 应用于自动驾驶车辆的决策规划方法和装置 |
CN110263381A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种自动驾驶车辆测试仿真场景生成方法 |
TWI686766B (zh) * | 2019-05-30 | 2020-03-01 | 南開科技大學 | 輔助身障人士搭乘大眾交通工具的系統及其方法 |
CN110599622A (zh) * | 2019-08-15 | 2019-12-20 | 中国航空工业集团公司上海航空测控技术研究所 | 应用于飞机飞行状态的参数表征方法 |
CN110493521A (zh) * | 2019-08-22 | 2019-11-22 | 爱驰汽车有限公司 | 自动驾驶摄像头控制方法、装置、电子设备、存储介质 |
CN110493521B (zh) * | 2019-08-22 | 2021-06-15 | 爱驰汽车有限公司 | 自动驾驶摄像头控制方法、装置、电子设备、存储介质 |
CN110530389A (zh) * | 2019-09-06 | 2019-12-03 | 禾多科技(北京)有限公司 | 基于高精度导航电子地图的路口模式识别方法及识别系统 |
CN110568850A (zh) * | 2019-09-12 | 2019-12-13 | 东风汽车有限公司 | 一种无人驾驶汽车内部故障的车辆控制方法及电子设备 |
CN110715807B (zh) * | 2019-09-24 | 2021-06-29 | 中国第一汽车股份有限公司 | 识别测功机模式的方法、系统、车辆及存储介质 |
CN110715807A (zh) * | 2019-09-24 | 2020-01-21 | 中国第一汽车股份有限公司 | 识别测功机模式的方法、系统、车辆及存储介质 |
CN110836675A (zh) * | 2019-10-25 | 2020-02-25 | 北京航空航天大学 | 一种基于决策树的自动驾驶搜索决策方法 |
CN111123948B (zh) * | 2019-12-31 | 2023-04-28 | 北京国家新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、系统及汽车 |
CN111123948A (zh) * | 2019-12-31 | 2020-05-08 | 北京新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、系统及汽车 |
CN111368465A (zh) * | 2019-12-31 | 2020-07-03 | 成都理工大学 | 基于id3决策树的无人驾驶决策方法 |
CN112512890A (zh) * | 2020-04-02 | 2021-03-16 | 华为技术有限公司 | 一种异常驾驶行为识别方法 |
CN111564051A (zh) * | 2020-04-28 | 2020-08-21 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车安全行车控制方法、装置、设备及存储介质 |
CN111564051B (zh) * | 2020-04-28 | 2021-07-20 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车安全行车控制方法、装置、设备及存储介质 |
CN113753033A (zh) * | 2020-06-03 | 2021-12-07 | 上海汽车集团股份有限公司 | 一种车辆、车辆驾驶任务选择方法及装置 |
CN112068574A (zh) * | 2020-10-19 | 2020-12-11 | 中国科学技术大学 | 一种无人车在动态复杂环境中的控制方法及系统 |
CN112614366A (zh) * | 2020-12-11 | 2021-04-06 | 国汽(北京)智能网联汽车研究院有限公司 | 汽车协同决策方法、装置、电子设备及计算机存储介质 |
US11984028B2 (en) | 2020-12-11 | 2024-05-14 | China Intelligent And Connected Vehicles (Beijing) Research Institute Co., Ltd | Method, device and electronic equipment for vehicle cooperative decision-making and computer storage medium |
EP4030408A1 (en) | 2021-01-19 | 2022-07-20 | Bayerische Motoren Werke Aktiengesellschaft | Autonomous junction crossing of automated vehicle |
CN113320545A (zh) * | 2021-07-01 | 2021-08-31 | 江苏理工学院 | 一种基于线控智能车辆的预路口行为决策方法 |
CN113815645A (zh) * | 2021-09-14 | 2021-12-21 | 江苏大学 | 一种适用于环形交叉口的自动驾驶行为决策系统与运动规划方法 |
CN113815645B (zh) * | 2021-09-14 | 2024-06-07 | 江苏大学 | 一种适用于环形交叉口的自动驾驶行为决策系统与运动规划方法 |
CN114644016A (zh) * | 2022-04-14 | 2022-06-21 | 中汽创智科技有限公司 | 车辆自动驾驶决策方法、装置、车载终端和存储介质 |
CN117246333A (zh) * | 2023-11-16 | 2023-12-19 | 北京航空航天大学 | 一种基于近场预知信息的车辆驱制动需求预测方法 |
CN117246333B (zh) * | 2023-11-16 | 2024-01-16 | 北京航空航天大学 | 一种基于近场预知信息的车辆驱制动需求预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272687A (zh) | 一种自动驾驶公交车辆的驾驶行为决策系统 | |
CN104819724B (zh) | 一种基于gis的无人地面车辆自主行驶辅助系统 | |
WO2022141911A1 (zh) | 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法 | |
US11720099B2 (en) | Control method of automatic driving imported “smart gains” model, device and program | |
CN108068815A (zh) | 用于自动驾驶车辆的基于规划反馈的决策改进系统 | |
WO2019213981A1 (zh) | 基于等效力的行车风险实时评估方法及其装置 | |
CN111845754B (zh) | 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法 | |
CN101465058B (zh) | 智能式动态路线诱导系统诱导单元决策方法 | |
CN110304074A (zh) | 一种基于分层状态机的混合式驾驶方法 | |
CN109643118A (zh) | 基于关于车辆的环境的与功能相关的信息来影响车辆的功能 | |
Zhang et al. | A cognitively inspired system architecture for the Mengshi cognitive vehicle | |
Mandal et al. | Lyft 3D object detection for autonomous vehicles | |
Pan et al. | Research on the behavior decision of connected and autonomous vehicle at the unsignalized intersection | |
Zhang et al. | Study of bicycle movements in conflicts at mixed traffic unsignalized intersections | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
Aryal | Optimization of geometric road design for autonomous vehicle | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN111046710A (zh) | 一种导入sdl模型的图像抽出的方法 | |
CN116013101A (zh) | 一种基于网联环境的无信号路口速度建议系统和方法 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
CN111038521A (zh) | 一种自动驾驶“意识决定”模型的构成方法 | |
CN116153082B (zh) | 一种基于机器视觉的高速公路路况采集分析处理系统 | |
CN111046897A (zh) | 一种跨越不同空间的模糊事件概率测度的定义方法 | |
US20220172606A1 (en) | Systems and Methods for Extracting Data From 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |