CN107284442B - 一种用于自动驾驶车辆的弯道行驶纵向控制方法 - Google Patents
一种用于自动驾驶车辆的弯道行驶纵向控制方法 Download PDFInfo
- Publication number
- CN107284442B CN107284442B CN201710338593.6A CN201710338593A CN107284442B CN 107284442 B CN107284442 B CN 107284442B CN 201710338593 A CN201710338593 A CN 201710338593A CN 107284442 B CN107284442 B CN 107284442B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- negotiation
- bends
- bend
- curved
- 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 42
- 230000001133 acceleration Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 7
- 241001269238 Data Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- B60W30/02—Control of vehicle driving stability
- B60W30/025—Control of vehicle driving stability related to comfort of drivers or passengers
-
- 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
- B60W30/14—Adaptive cruise control
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/30—Road curve radius
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种用于自动驾驶车辆的弯道行驶纵向控制方法,包括步骤:根据车辆状态和行驶路径信息,判断车辆在弯道中的所处阶段;根据车辆在弯道中的所处阶段,对车辆的行驶速度进行在线实时控制,将控制结果传递给加速度控制模块。当判断为弯内行驶阶段,计算当前车速与当前曲率下驾驶员舒适车速的差值,作为期望加速度传递给下层加速度跟踪模块进行实时控制;当判断为入弯阶段或出弯阶段,则根据训练得到的驾驶员模型,实时输出期望加速度,并传递给下层加速度跟踪模块进行实时控制。本发明充分考虑了单个驾驶员的驾驶特性,实时控制所表现出的控制特性可有效模拟驾驶员弯道行驶的驾驶特性,提高驾驶员对自动驾驶技术的接受度。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种用于自动驾驶车辆的弯道行驶纵向控制方法。
背景技术
经过数十年的发展,自动驾驶车辆传统的纵向控制技术越来越成熟,主要涉及传统控制理论方法的应用,如PID及其衍生算法、MPC、LQR等,而传统的弯道行驶纵向控制方法仅利用前方道路曲率最大曲率限制最大车速,获取安全车速,其基本控制算法仍为传统的纵向控制方法。
传统的控制方法均从控制理论的角度出发,忽略了驾驶员在自动驾驶中的角色,驾驶员作为自动驾驶车辆的使用者和监督者,在自动驾驶技术的发展中不可忽略。但传统的统一的自动驾驶控制性能无法满足每个驾驶员对驾驶的要求,尤其对于驾驶员弯道行驶的特性没有充分考虑。
直道纵向跟驰的研究已与驾驶员行驶数据相结合,并衍生出大量的成果,而弯道行驶纵向控制技术与驾驶员行驶数据相结合的研究较少,目前有研究利用神经网络进行自动驾驶车辆弯道类人行驶,但由于神经网络的不透明性和神经网络作为判别式模型本身所固有的缺点,其输出的控制量存在不连续的情况,且在研究中没有充分考虑驾驶员弯道行驶的阶段性特征,无法满足驾驶员对车辆行进主观舒适度的要求。因此,有必要提出一种用于自动驾驶车辆的弯道行驶纵向控制方法,解决现有方法鲜有考虑驾驶员的驾驶特性,弯道行驶控制不连续,舒适度不高的问题。
发明内容
鉴于上述的分析,本发明旨在提供一种用于自动驾驶车辆的弯道行驶纵向控制方法,用以解决现有方法没有充分考虑单个驾驶员的驾驶特性,弯道行驶控制不连续,舒适度不高的问题。
本发明的目的主要是通过以下技术方案实现的:
本发明提供一种用于自动驾驶车辆的弯道行驶纵向控制方法,包括以下步骤:
根据车辆状态和行驶路径信息,判断车辆在弯道中的所处阶段;
根据车辆在弯道中的所处阶段,对车辆的行驶速度进行在线实时控制,将控制结果传递给加速度控制模块。
其中,所述车辆状态信息包括车辆速度、车辆加速度;所述行驶路径信息来源于GPS数据和/或地图信息,包括根据GPS数据和/或地图信息获取的车辆所处位置、当前曲率;所述车辆在弯道中的所处阶段包括入弯行驶阶段、出弯行驶阶段、弯内行驶阶段。
具体的,判断车辆在弯道中的所处阶段是根据当前曲率ρc和前视曲率ρp的数值关系进行的,判定方法为:
当ρc<ρp且ρc接近于0,则判断车辆处于入弯阶段;
当ρc>ρp且ρp接近于0,则判断车辆处于出弯阶段;
当ρc和ρp相近,则判断车辆处于弯内行驶阶段。
当判断为弯内行驶阶段,计算当前车速与当前曲率下弯道内舒适行驶速度的差值,作为期望加速度传递给下层加速度跟踪模块进行实时控制;
当判断为入弯阶段或出弯阶段,则根据训练得到的驾驶员模型,采用GMR方法实时输出期望加速度,并传递给下层加速度跟踪模块进行实时控制。
当判断为入弯阶段或出弯阶段的情况下,所述驾驶员模型是通过对GMM模型进行训练得到的,驾驶员模型的训练方式包括:
S1.采集驾驶员弯道自由行驶数据;
S2.基于采集到的驾驶员弯道自由行驶数据,获取弯道行驶特征量;
S3.利用弯道行驶特征量训练GMM模型,得到驾驶员模型。
其中,弯道内舒适行驶速度的计算方法为:判定车辆处于弯内行驶阶段的情况下,提取弯内行驶阶段对应的速度信息,求取均值,作为弯内行驶舒适车速。
采集的弯道自由行驶数据包括:当前车速、当前曲率、当前曲率、车辆加速度;所述弯道行驶特征量包括:当前车速、当前曲率、前视曲率、加速度。
步骤S2还包括对采集到的驾驶员弯道自由行驶数据进行处理:
确认数据无丢包现象,去除冗余数据,提取弯道行驶特征量;
对提取的弯道行驶特征量进行中值滤波,再采用移动平均法进行数据的均值滤波和降噪平滑;
以及对弯道行驶特征量进行归一化处理。
步骤S3进一步包括:
选取聚类个数k;对提取的特征数据进行多次K-means聚类,选取对数似然函数值最大的一次聚类结果进行GMM模型参数的初始化;
然后采用EM算法对GMM模型进行训练;
训练结束后存储模型的对数似然函数值;
依次选取不同的聚类个数k,分别进行训练,得到对应的对数似然函数值;
选取最大的一个对数似然函数值对应的GMM模型作为最终的驾驶员模型。
优选的,所述聚类个数k的取值为5至40。
本发明有益效果如下:
本发明提出的用于自动驾驶车辆的弯道行驶纵向控制方法,充分考虑了单个驾驶员的驾驶特性,从统计学的角度构建驾驶员模型,使模型具有良好的概率统计特征和可解释性;并充分考虑驾驶员的弯道行驶特征,将驾驶员的弯道行驶分为入弯行驶、弯内行驶和出弯行驶三部分,并在入弯行驶和出弯行驶阶段采用具有概率意义的生成式模型—GMM-GMR模型。通过建立的驾驶员模型可实时生成连续的控制量,可达到驾驶员对固定舒适性指标的要求,并提高驾驶员对自动驾驶技术的接受度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为驾驶员弯道行驶纵向驾驶阶段的示意图;
图2为用于自动驾驶车辆的弯道行驶纵向控制的整体示意图;
图3为数据采集流程图;
图4是GMM模型训练流程图;
图5是弯道特征数据示例曲线图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明中车辆行驶的弯道是根据国家道路建设相关规定,弯道建设时道路线型为平曲线,而平曲线包括圆曲线和缓和曲线(Clothoid曲线,即曲率连续变化的曲线),一段典型的弯道建设如图1所示,包括入弯段直线,入弯段缓和曲线、圆曲线和出弯段缓和曲线、出弯段直线。本发明中驾驶员的弯道行驶特性也符合道路建设情况。
本发明的一个具体实施例,公开了一种用于自动驾驶车辆的弯道行驶纵向控制方法,如图2所示,具体包括以下步骤:
步骤S1.根据车辆状态和行驶路径信息,判断车辆在弯道中的所处阶段。其中,所述车辆状态信息包括车辆速度、车辆加速度等;所述行驶路径信息来源于GPS数据和/或地图信息等,根据GPS数据和/或地图信息可以获取车辆所处位置,当前位置路点的曲率;所述车辆在弯道中的所处阶段包括入弯行驶阶段、出弯行驶阶段、弯内行驶阶段。
具体的,判断车辆在弯道中的所处阶段是根据当前曲率ρc和前视曲率ρp的数值关系进行判定的,所述当前曲率ρc和前视曲率ρp可由地图提供,也可由地图提供的路径点经最小二乘法拟合获得,判定方法为:
当ρc<ρp且ρc接近于0,则判断车辆处于入弯阶段,
当ρc>ρp且ρp接近于0,则判断车辆处于出弯阶段;
当ρc=ρp±Δ,即当前曲率和前视曲率相近的原则,则判定车辆处于弯内行驶阶段。优选的,优选的Δ取值为0.1ρc。
其中,ρc、ρp接近于0的判定条件为小于0.001,在道路半径大于1000米时,驾驶员的驾驶行为表现为直道驾驶行为。所以该处曲率接近于0的判定条件为小于0.001。
步骤S2.根据车辆在弯道中的所处阶段,对车辆的行驶速度进行在线实时控制,将控制结果传递给加速度控制模块。
具体的,
当判断为弯内行驶阶段,此时计算当前车速与该曲率下驾驶员舒适车速的差值,作为期望加速度传递给下层加速度跟踪模块进行实时控制;
当判断为入弯阶段或出弯阶段,则根据前期训练得到的驾驶员模型,采用GMR(高斯混合回归),以当前车速、当前曲率,前视曲率φi=(νc,ρc,ρp)为输入量,实时输出期望加速度φi=ac,并传递给下层加速度跟踪模块进行实时控制。
所述加速度控制模块是基于增量式PID算法,将期望加速度进行处理并转化为加速控制参量和制动控制参量,将参量分别输出给底层执行机构(包括加速机构和制动机构),由底层执行机构执行相应控制。
具体的,所述驾驶员模型是一种用于自动驾驶车辆的弯道自由行驶的纵向个性化驾驶员模型,本发明通过对GMM模型进行训练得到的。驾驶员模型的离线训练方式包括:
1.采集驾驶员弯道自由行驶数据,如图3。
数据采集是在弯道自由行驶的状态下进行的,弯道自由行驶是指驾驶员在弯道行驶过程中前方移动障碍物距离本车较远,不影响驾驶员的操作。
采集的弯道自由行驶数据主要包括当前车速ν,当前曲率ρc,前视曲率ρp和车辆加速度a,其中,当前车速ν可由车速传感器获得,当前曲率ρc和前视曲率ρp可由地图提供,也可由地图提供的路径点经最小二乘法拟合获得,加速度a可由惯性导航单元获得,也可离线处理车速信息获得。
优选地,当前曲率ρc为离车辆质心最近的路径点处的曲率,前视曲率ρp为道路上驾驶员前视距离长度处路径点的曲率。
行驶数据的采集可以来源于实际车辆的行驶数据,和/或来源于进行测试的驾驶人员在仿真环境下的行驶数据。
其中,首先采集驾驶员弯道自由行驶的数据,车辆需安装有车速传感器、GPS、存储有地图信息(或实时接收前方道路信息)的装置和惯性导航单元,其中车速传感器提供车辆当前车速ν信息,高精度GPS定位当前车辆位置,根据其定位信息可获取车辆当前位置路点(距离车辆质心最近的路点)的曲率ρc信息,根据前视距离和地图信息获取前视曲率ρp,即距离车辆质心位置前方一个前视距离处路点的曲率信息,依据惯性导航单元获取车辆的加速度a,车辆行进过程中以10Hz的频率实时存储这些信息,可同步存储时间戳,以便后期处理过程中避免数据包丢包的情况,为排除驾驶员驾驶行为的随机性,该实验重复多次,多次独立重复试验的数据一同参与弯内舒适车速提取和GMM模型训练。
所述前视距离的计算中考虑到影响驾驶员前视距离的两个因素:车速和道路曲率,结合试验得前视距离计算公式为:
Lp=h(14.74+0.07/ρ+0.14ν+0.0001ν2+0.0003ν/ρ)
式中,以中等水平驾驶员为参照,h值表示的驾驶员熟练程度,h=1时表示中等驾驶水平驾驶员,h值越大表示驾驶员操控车辆的熟练程度越高;ρ是曲率,单位为1/m;ν为速度,单位为km/h;前视距离Lp的单位为m。
2.基于采集到的驾驶员弯道自由行驶数据,离线处理弯道行驶数据,获取弯道行驶特征量λ=(ν,ρc,ρp,a)(当前车速、当前曲率、前视曲率、加速度);以及基于采集到的驾驶员弯道自由行驶数据,离线计算得到弯道内舒适行驶速度;
在步骤S1中采集驾驶员弯道自由行驶数据之后,离线处理弯道行驶数据进一步包括:确认数据无丢包现象,再去除时间戳等冗余数据,提取弯道行驶特征量,具体仅保留四类特征数据λ=(ν,ρc,ρp,a),分别为当前车速、当前曲率、前视曲率、加速度。
对上述保留的特征数据进行中值滤波以去除异常值,再采用移动平均法进行数据的均值滤波和降噪平滑,如图5所示。
GMM模型训练之前,为消除车速,曲率,加速度之间的量纲影响,需先对特征数据进行归一化处理,为防止实时控制时输入量超出训练时对应输入量范围产生过大控制量的情况,采用Z-score归一化方法:
其中,μ为同一类所有样本数据的均值,σ为同一类所有样本数据的标准差。
离线处理得到弯道内舒适行驶速度的方法为:
当ρc=ρp±Δ,即根据当前曲率和前视曲率相近的原则,判定车辆处于弯内行驶阶段,在该情况下,提取弯内行驶阶段对应的速度信息,求取均值,作为弯内行驶舒适车速。其中,优选的Δ取值为0.1ρc。
3.利用弯道行驶特征量λ=(ν,ρc,ρp,a)训练高斯混合模型(GMM),得到驾驶员模型,如图4所示。
特征数据经过归一化处理后,首先选取聚类个数k,对提取的特征数据进行10次K-means聚类,选取对数似然函数值最大的一次聚类结果进行GMM模型参数(影响因子πG,均值μG和协方差矩阵ΣG)的初始化。因K-means方法的聚类结果受初始结果的影响较大,故实施例具体进行10次K-means聚类。
K-means聚类结果仅为数据的k簇归类结果,具体采用以下公式进行GMM模型的参数初始化
πG,i=Ni/N
μG,i=(ΣDi)/Ni
ΣG,i=cov(Di,Di)
其中,Ni为第i簇数据的个数,N为k簇数据总个数,Di为第i簇数据。
随后,模型采用EM(期望最大)算法对GMM模型进行训练,训练结束后存储归一化后的各类数据均值μ和标准差σ,GMM模型参数(影响因子πG,均值μG和协方差矩阵ΣG)和模型选择评判值—对数似然函数值。
依次选取聚类个数k=5~40,分别进行训练,训练完成后,分别得到对应的对数似然函数值。选取最大的一个对数似然函数值对应的GMM模型作为最终的驾驶员模型。
综上所述,本发明实施例提供了一种用于自动驾驶车辆的弯道行驶纵向控制方法,克服了传统的弯道行驶纵向控制技术的统一性和现有应用于弯道行驶纵向控制技术的神经网络模型的控制量不连续性的问题,从统计学的角度构建驾驶员模型,使模型具有良好的概率统计特征和可解释性;并充分考虑驾驶员的弯道行驶特征,将驾驶员的弯道行驶分为入弯行驶、弯内行驶和出弯行驶三部分,并在入弯行驶和出弯行驶阶段采用具有概率意义的生成式模型—GMM-GMR模型,且在弯内行驶时,根据前期采集到的驾驶员弯道行驶数据,实现对驾驶员弯道行驶舒适车速的跟踪。通过建立的驾驶员模型可实时生成连续的控制量,可达到驾驶员对固定舒适性指标(加速度、冲击度)的要求,并可有效模仿驾驶员的驾驶特性,提高驾驶员对自动驾驶技术的接受度。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种用于自动驾驶车辆的弯道行驶纵向控制方法,其特征在于,包括以下步骤:
根据车辆状态信息和行驶路径信息,判断车辆在弯道中的所处阶段;
根据车辆在弯道中的所处阶段,对车辆的行驶速度进行在线实时控制,将控制结果传递给加速度控制模块;
所述车辆状态信息包括车辆速度、车辆加速度;所述行驶路径信息来源于GPS数据和/或地图信息,包括根据GPS数据和/或地图信息获取的车辆所处位置、当前曲率;所述车辆在弯道中的所处阶段包括入弯行驶阶段、出弯行驶阶段、弯内行驶阶段;
当判断为弯内行驶阶段,计算当前车速与当前曲率下弯道内舒适行驶速度的差值,作为期望加速度传递给下层加速度跟踪模块进行实时控制;
当判断为入弯阶段或出弯阶段,则根据训练得到的驾驶员模型,采用GMR方法实时输出期望加速度,并传递给下层加速度跟踪模块进行实时控制。
2.根据权利要求1所述的弯道行驶纵向控制方法,其特征在于,判断车辆在弯道中的所处阶段是根据当前曲率ρc和前视曲率ρp的数值关系进行的,具体方法为:
当ρc<ρp且ρc接近于0,则判断车辆处于入弯阶段;
当ρc>ρp且ρp接近于0,则判断车辆处于出弯阶段;
当ρc和ρp相近,则判断车辆处于弯内行驶阶段。
3.根据权利要求1所述的弯道行驶纵向控制方法,其特征在于,所述驾驶员模型是通过对GMM模型进行训练得到的,驾驶员模型的训练方式包括:
S1.采集驾驶员弯道自由行驶数据;
S2.基于采集到的驾驶员弯道自由行驶数据,获取弯道行驶特征量;
S3.利用弯道行驶特征量训练GMM模型,得到驾驶员模型。
4.根据权利要求1所述的弯道行驶纵向控制方法,其特征在于,弯道内舒适行驶速度的计算方法为:判定车辆处于弯内行驶阶段的情况下,提取弯内行驶阶段对应的速度信息,求取均值,作为弯内行驶舒适车速。
5.根据权利要求3所述的弯道行驶纵向控制方法,其特征在于,采集的弯道自由行驶数据包括:当前车速、当前曲率、前视曲率、车辆加速度;所述弯道行驶特征量包括:当前车速、当前曲率、前视曲率、加速度。
6.根据权利要求3所述的弯道行驶纵向控制方法,其特征在于,步骤S2还包括对采集到的驾驶员弯道自由行驶数据进行处理:
确认数据无丢包现象,去除冗余数据,提取弯道行驶特征量;
对提取的弯道行驶特征量进行中值滤波,再采用移动平均法进行数据的均值滤波和降噪平滑;
以及对弯道行驶特征量进行归一化处理。
7.根据权利要求3所述的弯道行驶纵向控制方法,其特征在于,步骤S3进一步包括:
选取聚类个数k;对提取的特征数据进行多次K-means聚类,选取对数似然函数值最大的一次聚类结果进行GMM模型参数的初始化;
然后采用EM算法对GMM模型进行训练;
训练结束后存储模型的对数似然函数值;
依次选取不同的聚类个数k,分别进行训练,得到对应的对数似然函数值;
选取最大的一个对数似然函数值对应的GMM模型作为最终的驾驶员模型。
8.根据权利要求7所述的弯道行驶纵向控制方法,其特征在于,所述聚类个数k的取值为5至40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710338593.6A CN107284442B (zh) | 2017-05-15 | 2017-05-15 | 一种用于自动驾驶车辆的弯道行驶纵向控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710338593.6A CN107284442B (zh) | 2017-05-15 | 2017-05-15 | 一种用于自动驾驶车辆的弯道行驶纵向控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107284442A CN107284442A (zh) | 2017-10-24 |
CN107284442B true CN107284442B (zh) | 2019-07-09 |
Family
ID=60094569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710338593.6A Active CN107284442B (zh) | 2017-05-15 | 2017-05-15 | 一种用于自动驾驶车辆的弯道行驶纵向控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107284442B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107719369B (zh) * | 2017-09-14 | 2019-05-10 | 北京智行者科技有限公司 | 自动驾驶纵向控制方法、装置及具有其的无人驾驶车辆 |
JP6643370B2 (ja) * | 2018-01-23 | 2020-02-12 | 本田技研工業株式会社 | 走行基準ライン決定装置及び自動運転装置 |
TWI678305B (zh) * | 2018-10-19 | 2019-12-01 | 財團法人車輛研究測試中心 | 具決策診斷之自動駕駛方法及其裝置 |
CN111196269B (zh) * | 2018-11-19 | 2021-04-02 | 广州汽车集团股份有限公司 | 车辆运行控制方法及装置、计算机可读存储介质 |
CN109552327B (zh) * | 2018-12-18 | 2020-10-16 | 重庆长安汽车股份有限公司 | 提升自适应巡航系统弯道性能的系统及方法 |
CN109782758B (zh) * | 2018-12-29 | 2022-03-22 | 百度在线网络技术(北京)有限公司 | 用于自动驾驶车辆的弯道速度计算方法、控制方法及装置 |
CN109978025B (zh) * | 2019-03-11 | 2022-03-01 | 浙江工业大学 | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 |
CN112020686B (zh) * | 2019-03-28 | 2024-07-12 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶的基于qp样条路径和螺旋路径的参考线平滑方法 |
WO2021128028A1 (zh) * | 2019-12-24 | 2021-07-01 | 华为技术有限公司 | 一种自动驾驶车辆的控制方法及装置 |
CN111824158B (zh) * | 2020-07-24 | 2021-10-12 | 广州小鹏自动驾驶科技有限公司 | 一种车辆控制方法、装置、车辆、存储介质 |
CN112193253B (zh) * | 2020-10-23 | 2021-11-23 | 江苏大学 | 一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法 |
CN112677982B (zh) * | 2020-12-25 | 2022-06-14 | 重庆大学 | 基于驾驶员特性的车辆纵向速度规划方法 |
CN113159105B (zh) * | 2021-02-26 | 2023-08-08 | 北京科技大学 | 一种驾驶行为无监督模式识别方法及数据采集监控系统 |
CN115092167B (zh) * | 2022-06-30 | 2024-06-14 | 重庆长安汽车股份有限公司 | 一种城区自动驾驶弯道速度控制方法、存储介质及汽车 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1944125A (zh) * | 2005-10-05 | 2007-04-11 | 日产自动车株式会社 | 行驶控制装置 |
CN102358289A (zh) * | 2011-09-07 | 2012-02-22 | 北京理工大学 | 一种车辆acc工况弯道主目标快速识别方法 |
CN105882661A (zh) * | 2016-04-08 | 2016-08-24 | 重庆大学 | 机动车弯道驾驶辅助系统及运行方式 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1134829A (ja) * | 1997-07-17 | 1999-02-09 | Aisin Seiki Co Ltd | 進行方向補正装置 |
US7751973B2 (en) * | 2004-05-04 | 2010-07-06 | Visteon Global Technologies, Inc. | Curve warning system |
-
2017
- 2017-05-15 CN CN201710338593.6A patent/CN107284442B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1944125A (zh) * | 2005-10-05 | 2007-04-11 | 日产自动车株式会社 | 行驶控制装置 |
CN102358289A (zh) * | 2011-09-07 | 2012-02-22 | 北京理工大学 | 一种车辆acc工况弯道主目标快速识别方法 |
CN105882661A (zh) * | 2016-04-08 | 2016-08-24 | 重庆大学 | 机动车弯道驾驶辅助系统及运行方式 |
Also Published As
Publication number | Publication date |
---|---|
CN107284442A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107284442B (zh) | 一种用于自动驾驶车辆的弯道行驶纵向控制方法 | |
US11919536B2 (en) | Evaluation method and system for steering comfort in human machine cooperative take-over control process of autonomous vehicle, and storage medium | |
CN109002595B (zh) | 模拟动态换道行为的双车道元胞自动机微观交通仿真方法 | |
CN101389521B (zh) | 驾驶行动推定装置、驾驶支援装置、车辆评价系统 | |
CN107169567A (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
CN107807625B (zh) | 一种基于端到端的自动驾驶系统舒适度的评估方法及装置 | |
CN109709956A (zh) | 一种自动驾驶车辆速度控制多目标优化的跟驰算法 | |
CN106874597A (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
CN103180884A (zh) | 驾驶者行为诊断方法和系统 | |
CN107016193A (zh) | 驾驶员跟车行为分析中的期望跟车距离计算方法 | |
CN112677982B (zh) | 基于驾驶员特性的车辆纵向速度规划方法 | |
CN109991974A (zh) | 自动驾驶路径跟随方法、装置及控制设备 | |
CN112801143B (zh) | 基于K-Means和高斯过程回归的转向路感模拟方法 | |
CN105034986A (zh) | 一种驾驶员转向特性在线辨识方法及装置 | |
CN110196587A (zh) | 车辆自动驾驶控制策略模型生成方法、装置、设备及介质 | |
EP3726434B1 (de) | Verfahren zur reduzierung von abgasemissionen eines antriebssystems eines fahrzeugs mit verbrennungsmotor | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
Geng et al. | Human-driver speed profile modeling for autonomous vehicle's velocity strategy on curvy paths | |
CN105975756A (zh) | 一种基于车辆行驶数据的急转弯行为识别方法 | |
CN109387374A (zh) | 一种车道保持水平评价方法 | |
Wang et al. | Changing lane probability estimating model based on neural network | |
CN115447605A (zh) | 自动驾驶车辆及其控制方法及控制装置 | |
CN116588123A (zh) | 基于安全势场模型的风险感知的预警策略方法 | |
CN113793074B (zh) | 一种自动驾驶车辆社会合作性评价方法 | |
CN105869412A (zh) | 一种基于车辆行驶数据的急加速行为识别方法 |
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 |