CN107521501A - 基于博弈论的驾驶员辅助系统决策方法、系统及其他 - Google Patents

基于博弈论的驾驶员辅助系统决策方法、系统及其他 Download PDF

Info

Publication number
CN107521501A
CN107521501A CN201710562179.3A CN201710562179A CN107521501A CN 107521501 A CN107521501 A CN 107521501A CN 201710562179 A CN201710562179 A CN 201710562179A CN 107521501 A CN107521501 A CN 107521501A
Authority
CN
China
Prior art keywords
driver
behavior pattern
vehicle
driving behavior
target vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710562179.3A
Other languages
English (en)
Other versions
CN107521501B (zh
Inventor
胡伟
胡伟一
张琦
赵来刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NIO Co Ltd
Original Assignee
NIO Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NIO Co Ltd filed Critical NIO Co Ltd
Priority to CN201710562179.3A priority Critical patent/CN107521501B/zh
Publication of CN107521501A publication Critical patent/CN107521501A/zh
Priority to PCT/CN2018/095252 priority patent/WO2019011268A1/zh
Application granted granted Critical
Publication of CN107521501B publication Critical patent/CN107521501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle

Abstract

本发明涉及智能驾驶领域，具体涉及一种基于博弈论的驾驶员辅助系统决策方法、系统及其他，目的是为了解决对周围车辆行为变化趋势的预估不足，从而导致宿主车辆频繁控制。本发明的基于博弈论的驾驶员辅助系统决策方法，首先根据宿主车辆驾驶员的历史驾驶习惯，初始化该驾驶员的行为模式；在车辆行驶过程中，再采集宿主车辆上的驾驶员行为数据，对驾驶员当前行为模式进行更新。对于目标车辆，不但可以按照传统方法，采集宿主车辆上监测设备获取的数据，而且可以利用V2X系统获取目标车辆驾驶员的行为信息，提高了对目标车辆行为的预见能力；能有效提高辅助驾驶系统的适应能力，从而提高宿主车辆的舒适性、安全性。

Description

基于博弈论的驾驶员辅助系统决策方法、系统及其他
技术领域
本发明涉及智能驾驶领域，具体涉及一种基于博弈论的驾驶员辅助系统决策方法、系统及其他。
背景技术
传统自适应巡航控制(Adaptive Cruise Control，ACC)系统中的目标选择模块包含情景分析子模块。该子模块利用宿主车辆与周围车辆的横向、纵向距离以及相对车速等物理信息，判断宿主车辆所处的驾驶环境，从而对车辆控制策略做出决定。
现有专利文件CN104590274A(发明名称：一种驾驶行为自适应系统及驾驶行为自适应方法，公布日：2015.05.06)，提供了一种驾驶行为自适应方法，通过采集车辆的驾驶状态信息、车辆的周围环境状况，对驾驶员的驾驶行为进行分析，建立驾驶员的驾驶行为模型；然后根据驾驶行为模型对汽车的驾驶行为进行自动控制。该发明没有考虑周围车辆上驾驶员的行为习惯，这种决策方式可能导致对周围车辆行为变化趋势的预估不足，从而导致宿主车辆频繁控制，带来宿主车辆的乘坐舒适性下降，并造成不必要的能量损失。
发明内容
为了解决现有技术中的上述问题，本发明提出了一种基于博弈论的驾驶员辅助系统决策方法、系统及其他，提高了驾驶员辅助系统的决策准确度，从而避免了不必要的频繁控制，提高了宿主车辆的乘坐舒适性、安全性，减少了不必要的能量损失。
本发明的一方面，提出一种驾驶员行为模式决策方法，包括：
在车辆行驶过程中采集驾驶员行为信息；
依据预设的第一归类条件，将所采集的驾驶员行为信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种驾驶员行为信息对应的权重，分别计算归类后每种驾驶员行为模式中所包含的驾驶员行为信息的权重之和；
选择权重之和最大的驾驶员行为模式，作为驾驶员当前行为模式。
优选地，还包括驾驶员当前行为模式初始化步骤：
车辆启动时将驾驶员历史行为模式作为驾驶员当前行为模式。
优选地，所述选择权重之和最大的驾驶员行为模式作为所述驾驶员当前行为模式时，还设置有与预设权重阈值进行比较的步骤：
将所选择的驾驶员行为模式对应权重之和与预设权重阈值进行对比，若大于则用所选择的驾驶员行为模式更新所述驾驶员当前行为模式。
优选地，还包括根据驾驶员命令更新所述驾驶员当前行为模式的步骤。
优选地，所述的驾驶员行为信息包括驾驶动作信息、身体状态信息、车内娱乐系统播放信息中一种或多种。
本发明的第二方面，提出一种基于博弈论的驾驶员辅助系统决策方法，包括：
依据所采集的宿主车辆驾驶员行为信息，基于上述的驾驶员行为模式决策方法，输出宿主车辆驾驶员当前行为模式；
根据所采集的目标车辆状态信息，基于预设的目标车辆行为模式分类规则，输出目标车辆驾驶员当前行为模式；或者依据所采集的目标车辆驾驶员行为信息，基于上述的驾驶员行为模式决策方法，输出目标车辆驾驶员当前行为模式；
基于预先构建的博弈规则，依据所述宿主车辆驾驶员的当前行为模式、所述目标车辆驾驶员的当前行为模式，选择宿主车辆的控制策略。
优选地，所述预先构建的博弈规则，包括：每种宿主车辆行为模式对应于不同的目标车辆行为模式时，分别采取不同的所述宿主车辆的控制策略。
优选地，所述宿主车辆的控制策略包括宿主车辆各预设动作的预设控制方案。
优选地，所述目标车辆为，依据宿主车辆行驶动作所选定的影响该动作执行的车辆。
优选地，所述目标车辆状态信息包括目标车辆运动状态信息。
优选地，所述目标车辆运动状态信息通过宿主车辆上设置的传感器主动采集目标车辆的运动参数并分析后得到。
优选地，所述宿主车辆上设置的传感器包括车载雷达、和/或车载摄像头。
优选地，所述目标车辆行为模式分类规则为：
依据预设的第二归类条件，将所述目标车辆状态信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种目标车辆状态信息对应的权重，分别计算归类后每种驾驶员行为模式中对应的目标车辆状态信息的权重之和，选择权重之和最大的驾驶员行为模式作为所述目标车辆驾驶员当前行为模式。
优选地，所述宿主车辆和所述目标车辆之间通过V2X(Vehicle to X，是指车对外界的信息交换技术，包括：汽车对汽车V2V、汽车对路侧设备V2R、汽车对基础设施V2I、汽车对行人V2P、汽车对机车V2M及汽车对公交车V2T等)技术进行信息交互。
本发明的第三方面，提出一种驾驶员当前行为模式决策系统，包括：获取单元、规则单元、决策单元；
所述获取单元，用于采集驾驶员行为信息；所述规则单元，用于存储预设的驾驶员行为模式选定规则；所述决策单元，依据所采集的驾驶员行为信息和所述预设的驾驶员行为模式选定规则，选择驾驶员当前行为模式；
其中：
所述预设的驾驶员行为模式选定规则为：
依据预设的第一归类条件，将所采集的驾驶员行为信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种驾驶员行为信息对应的权重，分别计算归类后每种驾驶员行为模式中所包含的驾驶员行为信息的权重之和；
选择权重之和最大的驾驶员行为模式，作为驾驶员当前行为模式。
优选地，还包括驾驶员当前行为模式初始化单元，用于车辆启动时将驾驶员历史行为模式作为驾驶员当前行为模式。
优选地，所述预设的驾驶员行为模式选定规则中，所述选择权重之和最大的驾驶员行为模式作为所述驾驶员当前行为模式时，还设置有与预设权重阈值比较的步骤：
将所选择的驾驶员行为模式对应权重之和与预设权重阈值进行对比，若大于则用所选择的驾驶员行为模式更新所述驾驶员当前行为模式，否则还维持原来的模式。
优选地，所述的驾驶员行为信息包括驾驶动作信息、身体状态信息、车内娱乐系统播放信息中一种或多种。
本发明的第四方面，提出了一种基于博弈论的驾驶员辅助系统决策系统，包括：宿主车辆驾驶员当前行为模式分析单元、目标车辆驾驶员当前行为模式分析单元、宿主车辆的控制策略分析单元；
所述宿主车辆驾驶员当前行为模式分析单元，用于依据所采集的宿主车辆驾驶员行为信息，基于上述的驾驶员当前行为模式决策系统，输出宿主车辆驾驶员当前行为模式；
所述目标车辆驾驶员当前行为模式分析单元，用于通过所采集的目标车辆状态信息，基于预设的目标车辆行为模式分类规则，输出目标车辆驾驶员当前行为模式；或者依据所采集的目标车辆驾驶员行为信息，基于上述的驾驶员当前行为模式决策系统，输出目标车辆驾驶员当前行为模式；
所述宿主车辆的控制策略分析单元，用于基于预先构建的博弈规则，依据所述宿主车辆驾驶员的当前行为模式、所述目标车辆驾驶员的当前行为模式，选择宿主车辆的控制策略。
优选地，所述预先构建的博弈规则包括：每种宿主车辆行为模式对应于不同的目标车辆行为模式时，分别采取不同的所述宿主车辆的控制策略。
优选地，所述宿主车辆的控制策略包括宿主车辆各预设动作的预设控制方案。
优选地，所述目标车辆为，依据宿主车辆行驶动作所选定的影响该动作执行的车辆。
优选地，所述目标车辆状态信息包括目标车辆运动状态信息。
优选地，所述目标车辆行为模式分类规则为：
依据预设的第二归类条件，将所述目标车辆状态信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种目标车辆状态信息对应的权重，分别计算归类后每种驾驶员行为模式中对应的目标车辆状态信息的权重之和，选择权重之和最大的驾驶员行为模式作为所述目标车辆驾驶员当前行为模式。
优选地，所述宿主车辆和所述目标车辆之间通过V2X技术进行信息交互。
本发明的第五方面，提出了一种存储设备，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的驾驶员行为模式决策方法。
本发明的第六方面，提出了一种处理装置，包括：处理器、存储设备；
其中，所述处理器适于执行各条程序；所述存储设备，适于存储多条程序；
所述程序适于由处理器加载并执行以实现上述的驾驶员行为模式决策方法。
本发明的第七方面，提出了一种存储设备，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于博弈论的驾驶员辅助系统决策方法。
本发明的第八方面，提出一种处理装置，包括：处理器、存储设备；
其中，所述处理器，适于执行各条程序；所述存储设备，适于存储多条程序；
所述程序适于由处理器加载并执行以实现上述的基于博弈论的驾驶员辅助系统决策方法。
本发明既考虑了宿主车辆驾驶员的驾驶习惯，又考虑了宿主车辆驾驶员的当前状态，这样得出的宿主车辆驾驶员行为模式，更贴近宿主车辆驾驶员当前的驾驶行为；对于目标车辆，相比传统方法中只采集由宿主车辆上传感器得到的数据，本发明还充分利用V2X系统获取了目标车辆驾驶员的驾驶习惯和当前状态，这样能够在很大程度上预测到目标车辆下一步的行为。本发明的目标车辆并不是固定选取为前方车辆，而是根据宿主车辆行驶动作，比如匀速或加速直行、减速直行、左侧并道、右侧并道等不同的情况，来动态地选择目标车辆。在知己知彼的情况下，基于博弈论选择相应的宿主车辆控制策略，用于宿主车辆的辅助驾驶，既符合宿主车辆驾驶员驾驶习惯和当前状态，同时避免了对宿主车辆的频繁控制，从而节约了能量、提高了舒适性和安全性。
方案1、一种驾驶员行为模式决策方法，其特征在于，包括：
在车辆行驶过程中采集驾驶员行为信息；
依据预设的第一归类条件，将所采集的驾驶员行为信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种驾驶员行为信息对应的权重，分别计算归类后每种驾驶员行为模式中所包含的驾驶员行为信息的权重之和；
选择权重之和最大的驾驶员行为模式，作为驾驶员当前行为模式。
方案2、根据方案1所述的方法，其特征在于，还包括驾驶员当前行为模式初始化步骤：
车辆启动时将驾驶员历史行为模式作为驾驶员当前行为模式。
方案3、根据方案1或2所述的方法，其特征在于，所述选择权重之和最大的驾驶员行为模式作为所述驾驶员当前行为模式时，还设置有与预设权重阈值进行比较的步骤：
将所选择的驾驶员行为模式对应权重之和与预设权重阈值进行对比，若大于则用所选择的驾驶员行为模式更新所述驾驶员当前行为模式。
方案4、根据方案3所述的方法，其特征在于，还包括根据驾驶员命令更新所述驾驶员当前行为模式的步骤。
方案5、根据方案1或2所述的方法，其特征在于，所述的驾驶员行为信息包括驾驶动作信息、身体状态信息、车内娱乐系统播放信息中一种或多种。
方案6、一种基于博弈论的驾驶员辅助系统决策方法，其特征在于，包括：
依据所采集的宿主车辆驾驶员行为信息，基于方案1-5中任一项所述的驾驶员行为模式决策方法，输出宿主车辆驾驶员当前行为模式；
根据所采集的目标车辆状态信息，基于预设的目标车辆行为模式分类规则，输出目标车辆驾驶员当前行为模式；或者依据所采集的目标车辆驾驶员行为信息，基于方案1-5中任一项所述的驾驶员行为模式决策方法，输出目标车辆驾驶员当前行为模式；
基于预先构建的博弈规则，依据所述宿主车辆驾驶员的当前行为模式、所述目标车辆驾驶员的当前行为模式，选择宿主车辆的控制策略。
方案7、根据方案6所述的方法，其特征在于，所述预先构建的博弈规则，包括：
每种宿主车辆行为模式对应于不同的目标车辆行为模式时，分别采取不同的所述宿主车辆的控制策略。
方案8、根据方案7所述的方法，其特征在于，所述宿主车辆的控制策略包括宿主车辆各预设动作的预设控制方案。
方案9、根据方案6-8中任一项所述的方法，其特征在于，所述目标车辆为，依据宿主车辆行驶动作所选定的影响该动作执行的车辆。
方案10、根据方案6-8中任一项所述的方法，其特征在于，所述目标车辆状态信息包括目标车辆运动状态信息。
方案11、根据方案10所述的方法，其特征在于，所述目标车辆运动状态信息，通过宿主车辆上设置的传感器主动采集目标车辆的运动参数并分析后得到。
方案12、根据方案11所述的方法，其特征在于，所述宿主车辆上设置的传感器，包括车载雷达、和/或车载摄像头。
方案13、根据方案6所述的方法，其特征在于，所述目标车辆行为模式分类规则为：
依据预设的第二归类条件，将所述目标车辆状态信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种目标车辆状态信息对应的权重，分别计算归类后每种驾驶员行为模式中对应的目标车辆状态信息的权重之和，选择权重之和最大的驾驶员行为模式作为所述目标车辆驾驶员当前行为模式。
方案14、根据方案6-8任一项所述的方法，其特征在于，所述宿主车辆和所述目标车辆之间通过V2X技术进行信息交互。
方案15、一种驾驶员当前行为模式决策系统，其特征在于，包括：
获取单元，用于采集驾驶员行为信息；以及
规则单元，用于存储预设的驾驶员行为模式选定规则；以及
决策单元，依据所采集的驾驶员行为信息和所述预设的驾驶员行为模式选定规则，选择驾驶员当前行为模式；
其中，
所述预设的驾驶员行为模式选定规则为：
依据预设的第一归类条件，将所采集的驾驶员行为信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种驾驶员行为信息对应的权重，分别计算归类后每种驾驶员行为模式中所包含的驾驶员行为信息的权重之和；
选择权重之和最大的驾驶员行为模式，作为驾驶员当前行为模式。
方案16、根据方案15所述的系统，其特征在于，还包括驾驶员当前行为模式初始化单元，用于车辆启动时将驾驶员历史行为模式作为驾驶员当前行为模式。
方案17、根据方案15或16所述的系统，其特征在于，所述预设的驾驶员行为模式选定规则中，所述选择权重之和最大的驾驶员行为模式作为所述驾驶员当前行为模式时，还设置有与预设权重阈值进行比较的步骤：
将所选择的驾驶员行为模式对应权重之和与预设权重阈值进行对比，若大于则用所选择的驾驶员行为模式更新所述驾驶员当前行为模式。
方案18、根据方案15或16所述的系统，其特征在于，所述的驾驶员行为信息包括驾驶动作信息、身体状态信息、车内娱乐系统播放信息中一种或多种。
方案19、一种基于博弈论的驾驶员辅助系统决策系统，其特征在于，包括：宿主车辆驾驶员当前行为模式分析单元、目标车辆驾驶员当前行为模式分析单元、宿主车辆的控制策略分析单元；
所述宿主车辆驾驶员当前行为模式分析单元，用于依据所采集的宿主车辆驾驶员行为信息，基于方案15-18中任一项所述的驾驶员当前行为模式决策系统，输出宿主车辆驾驶员当前行为模式；
所述目标车辆驾驶员当前行为模式分析单元，用于通过所采集的目标车辆状态信息，基于预设的目标车辆行为模式分类规则，输出目标车辆驾驶员当前行为模式；或者依据所采集的目标车辆驾驶员行为信息，基于方案15-18中任一项所述的驾驶员当前行为模式决策系统，输出目标车辆驾驶员当前行为模式；
所述宿主车辆的控制策略分析单元，用于基于预先构建的博弈规则，依据所述宿主车辆驾驶员的当前行为模式、所述目标车辆驾驶员的当前行为模式，选择宿主车辆的控制策略。
方案20、根据方案19所述的系统，其特征在于，所述预先构建的博弈规则包括：
每种宿主车辆行为模式对应于不同的目标车辆行为模式时，分别采取不同的所述宿主车辆的控制策略。
方案21、根据方案20所述的系统，其特征在于，所述宿主车辆的控制策略包括宿主车辆各预设动作的预设控制方案。
方案22、根据方案19-21中任一项所述的系统，其特征在于，所述目标车辆为，依据宿主车辆行驶动作所选定的影响该动作执行的车辆。
方案23、根据方案19-21中任一项所述的系统，其特征在于，所述目标车辆状态信息包括目标车辆运动状态信息。
方案24、根据方案19所述的系统，其特征在于，所述目标车辆行为模式分类规则为：
依据预设的第二归类条件，将所述目标车辆状态信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种目标车辆状态信息对应的权重，分别计算归类后每种驾驶员行为模式中对应的目标车辆状态信息的权重之和，选择权重之和最大的驾驶员行为模式作为所述目标车辆驾驶员当前行为模式。
方案25、根据方案19-21任一项所述的系统，其特征在于，所述宿主车辆和所述目标车辆之间通过V2X技术进行信息交互。
方案26、一种存储设备，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现方案1-5任一项所述的驾驶员行为模式决策方法。
方案27、一种处理装置，包括
处理器，适于执行各条程序；以及
存储设备，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
方案1-5任一项所述的驾驶员行为模式决策方法。
方案28、一种存储设备，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现方案6-14任一项所述的基于博弈论的驾驶员辅助系统决策方法。
方案29、一种处理装置，包括
处理器，适于执行各条程序；以及
存储设备，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
方案6-14任一项所述的基于博弈论的驾驶员辅助系统决策方法。
附图说明
图1为本实施例中，驾驶员行为模式决策方法的流程示意图；
图2为本实施例中，基于博弈论的驾驶员辅助系统决策方法的流程示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明一种实施例中的驾驶员行为模式决策方法，
预设的驾驶员行为模式可以分为3种类型：谨慎型、正常型、激进型。在实际的应用中根据控制细分程度的不同，还可以进行更多类型的驾驶员行为模式的划分。
本实施例中，所述的驾驶员行为信息包括驾驶动作信息、身体状态信息、车内娱乐系统播放信息中的一种或多种。具体包括如下8种：驾驶员心率、血压等身体状态、音乐节奏、方向盘变动频率、油门踏板力度、制动踏板力度、反应速度(通过车内疲劳探测系统输出的驾驶员疲劳度确定)、车速、当前车辆与其他车辆的相对距离(通过车身环境感知传感器，如雷达、摄像头等判断)；针对上述8种行为信息预设的第一归类条件，如表1所示：
表1预设的第一归类条件
本实施例中，如图1所示，驾驶员行为模式决策方法的具体步骤为：
步骤A1，在车辆行驶过程中采集驾驶员行为信息；
步骤A2，依据表1中预设的第一归类条件，将所采集的驾驶员行为信息按照预设的驾驶员行为模式类别进行归类；
例如，针对油门踏板的力度，如果较小归为谨慎型，中等归为正常型，较大归为激进型；针对当前车辆与其他车辆的相对距离，如果较远就归为谨慎型，中等归为正常型，较快归为激进型。具体到较大、较小、中等、较快、较慢等划分，可以根据经验值设定。
假设驾驶员甲进入车内，车辆启动后采集驾驶员甲的行为信息，并依据表1中预设的第一归类条件进行行为模式归类，如表2所示：
表2驾驶员行为信息归类结果
归类后，谨慎型行为模式包含：音乐节奏及与其他车辆的相对距离；正常型行为模式包含：心率、血压和方向盘变动频率、油门踏板力度、反应速度；激进型行为模式包含：制动踏板力度、车速；
上述8种驾驶员行为信息在最终综合判断驾驶员甲的行为模式时，所对应的权重分别为：W1,W2,...,W8。
步骤A3，依据上述归类结果、预设的每种驾驶员行为信息对应的权重，分别计算每种驾驶员行为模式所包含的驾驶员行为信息的权重之和；
谨慎型：T1＝W2+W8；
正常型：T2＝W1+W3+W4+W6；
激进型：T3＝W5+W7；
步骤A4，选择权重之和最大的驾驶员行为模式，作为驾驶员当前行为模式；在T1、T2、T3这3个值中选取最大值，假设最大值是T2，则驾驶员甲当前的行为模式即为正常型。
本实施例中，在步骤A1之前还包括驾驶员当前行为模式初始化步骤A0：
车辆启动时将驾驶员历史行为模式作为驾驶员当前行为模式。
例如，驾驶员甲刚进入车内时，通过指纹、车钥匙、智能设备等识别驾驶员身份，调用该驾驶员的历史数据记录，得到驾驶员甲的历史行为模式，若表现为谨慎型的次数最多。则将驾驶员甲的当前行为模式初始化为谨慎型。在具体实施中，驾驶员的身份识别还可以通过人脸识别、语音识别等方式来实现，也可以通过人机交互方式输入驾驶员身份信息。
本实施例中，步骤A4中，所述选择权重之和最大的驾驶员行为模式作为所述驾驶员当前行为模式时，还设置有与预设权重阈值进行比较的步骤：
将所选择的驾驶员行为模式对应权重之和与预设权重阈值进行对比，若大于则用所选择的驾驶员行为模式更新所述驾驶员当前行为模式。
例如，对于驾驶员甲，假设上面已经判断出权重之和最大值T2对应的驾驶员甲当前的行为模式为正常型，此时仍需进一步判断T2是否大于预设权重阈值T，若大于则将驾驶员当前的行为模式由谨慎型更新为正常型；否则，维持对驾驶员甲刚进入车内时设定的初始化行为模式，即谨慎型。
本实施例中，还包括根据驾驶员命令更新所述驾驶员当前行为模式。例如驾驶员甲在行驶途中，突然接到一个电话，需要去某地处理一个紧急事务。这时，驾驶员甲通过人机交互方式，主动选择进入激进型，这时驾驶员当前的行为模式就立即更新为激进型。
本发明实施例的一种基于博弈论的驾驶员辅助系统决策方法，如图2所示，包括：
步骤S1，依据所采集的宿主车辆驾驶员行为信息，基于上述的驾驶员行为模式决策方法，输出宿主车辆驾驶员当前行为模式；
步骤S2，根据所采集的目标车辆状态信息(例如通过设置于车辆上的传感器来采集)，基于预设的目标车辆行为模式分类规则，输出目标车辆驾驶员当前行为模式；或者依据所采集的目标车辆驾驶员行为信息(由目标车辆采集，宿主车辆可例如通过V2X等技术获取)，基于上述的驾驶员行为模式决策方法，输出目标车辆驾驶员当前行为模式；
步骤S3，基于预先构建的博弈规则，依据所述宿主车辆驾驶员的当前行为模式、所述目标车辆驾驶员的当前行为模式，选择宿主车辆的控制策略。
本实施例中，所述目标车辆行为模式分类规则包括：
依据预设的第二归类条件，将所述目标车辆状态信息按照预设的驾驶员行为模式类别进行归类；
依据归类结果、预设的每种目标车辆状态信息对应的权重，分别计算每种驾驶员行为模式对应的目标车辆状态信息的权重之和，选择权重之和最大的驾驶员行为模式作为所述目标车辆驾驶员当前行为模式。
所述目标车辆状态信息分为3种：速度、加速度、与宿主车辆的距离，通过宿主车辆上的雷达和摄像头等传感器，探测得到目标车辆的速度、加速度、与宿主车辆的距离，并依据预设的第二归类条件对这3个值进行行为模式归类，预设的第二归类条件如表3所示：
表3预设的第二归类条件
例如，针对目标车辆的速度，如果较慢就归为谨慎型，中等归为正常型，较快归为激进型；针对目标车辆与宿主车辆的距离，如果较远就归为谨慎型，中等归为正常型，较快归为激进型。具体到较慢、较快、中等、较远、较近等划分，可以根据经验值设定。
假如归类后的结果如表4所示：
表4目标车辆状态信息归类结果
归类后，谨慎型行为模式包含的目标车辆状态信息为：加速度、与宿主车辆的距离；正常型行为模式包含的状态信息为：速度；激进型行为模式中未归入任何状态信息。上述3种目标车辆状态信息在最终综合判断目标车辆驾驶员的行为模式时的权重分别为：K1、K2、K3。
根据表4分别计算目标车辆驾驶员在3种行为模式中的权重值之和：
谨慎型：T1＝K2+K3；
正常型：T2＝K1；
激进型：T3＝0；
在T1、T2、T3这3个分值中选取最大值，假设最大值是T1，则目标车辆驾驶员当前的行为模式即为谨慎型。
本实施例中，所述预先构建的博弈规则如表5所示：宿主车辆行为模式可能是变化的，目标车辆行为模式也可能是变化的。因此，宿主车辆的控制策略，也要根据宿主车辆的当前行为模式和目标车辆的当前行为模式来选择，而不是固定的一种。
宿主车辆驾驶员的三种行为模式x1、x2、x3，分别代表谨慎型、正常型、激进型。同样，目标车辆驾驶员的三种行为模式y1、y2、y3，分别代表谨慎型、正常型、激进型。基于博弈论，为宿主车辆选择的相应策略为xi与yj的函数f(xi,yj)，本实施例中，转换为跟车距离和加速度的函数g(di,aj)，即f(xi,yj)＝g(di,aj)。其中，i＝1,2,3,j＝1,2,3。表2中宿主车辆与前车的距离分为3个不同的等级：d1、d2和d3，且d1>d2>d3；宿主车辆的加速度也分为3个不同的等级：a1、a2和a3，且a1<a2<a3。
表5预先构建的博弈规则
本实施例中，宿主车辆的控制策略包括宿主车辆各预设动作的预设控制方案。例如：当宿主车辆驾驶员行为模式为x1，目标车辆驾驶员行为模式为y1时，选定的宿主车辆的控制策略为g(d1,a1)，这里的预设动作指的是：宿主车辆和目标车辆之间巡航距离控制、加减速控制；预设控制方案指的是：宿主车辆与目标车辆之间保持最大巡航距离d1、采用最温和的加减速控制a1。最后，将选定的宿主车辆的控制策略输出到宿主车辆的整车控制器，实现对宿主车辆的辅助控制。
本实施例中，所述目标车辆为，依据宿主车辆行驶动作所选定的影响该动作执行的车辆。举例说明：
宿主车辆周围一共有8辆车，分别是：正前方车辆、正后方车辆、左侧车辆、右侧车辆、左前方车辆、左后方车辆、右前方车辆、右后方车辆；针对宿主车辆行驶动作，选择目标车辆的方法，如表6所示：
表6目标车辆选择
(1)当宿主车辆匀速或加速直行时，选择正前方车辆为目标车辆，防止与前车发生追尾；
(2)当宿主车辆减速直行时，选择正后方车辆为目标车辆，防止后车追上来；
(3)当宿主车辆准备进入左侧车道时，选择左侧车辆作为目标车辆，以便找机会进入左侧车道；
(4)当宿主车辆准备进入右侧车道时，选择右侧车辆作为目标车辆，以便找机会进入右侧车道；
(5)当宿主车辆正在进入左侧车道时，目标车辆为左前方或左后方车辆之一，根据预设的时间间隔，循环切换目标车辆；
(6)当宿主车辆正在进入右侧车道时，目标车辆为右前方或右后方车辆之一，根据预设的时间间隔，循环切换目标车辆。
上述关于宿主车辆的速度、加速度等信息，通过宿主车内的传感器探测并分析后得到。
本实施例中，所述目标车辆运动状态信息通过宿主车辆上设置的传感器主动采集目标车辆的运动参数并分析后得到。所述宿主车辆上设置的传感器包括车载雷达、和/或车载摄像头等环境感知类传感器。其中，车载雷达包括毫米波雷达、超声波雷达、激光雷达等；车载摄像头包括单目摄像头、双目摄像头等。
所述宿主车辆和所述目标车辆之间通过V2X技术进行信息交互。这里所说的通过V2X技术进行信息交互，可以是直接从目标车辆获取目标车辆上已经得到的目标驾驶员行为模式类别信息，还可以是从目标车辆上获取目标车辆驾驶员的相关行为信息，在宿主车辆上再进行判断，还可以是通过路侧基站获取目标车辆的驾驶员行为信息，等等。可以有多种方式，此处不再一一列举。
本发明实施例的一种驾驶员当前行为模式决策系统，包括：获取单元、规则单元、决策单元；
获取单元，用于采集驾驶员行为信息(包括驾驶动作信息、身体状态信息、车内娱乐系统播放信息中一种或多种)；
规则单元，用于存储预设的驾驶员行为模式选定规则；
决策单元，依据所采集的驾驶员行为信息和预设的驾驶员行为模式选定规则，选择驾驶员当前行为模式；
其中：
所述预设的驾驶员行为模式选定规则为：
依据预设的第一归类条件，将所采集的驾驶员行为信息按照预设的驾驶员行为模式类别进行归类；
依据归类结果、预设的每种驾驶员行为信息对应的权重，分别计算每种驾驶员行为模式所包含的驾驶员行为信息的权重之和；
选择权重之和最大的驾驶员行为模式，作为驾驶员当前行为模式。
本实施例中，还包括驾驶员当前行为模式初始化单元，用于车辆启动时将驾驶员历史行为模式作为驾驶员当前行为模式。
所述驾驶员行为模式选定规则中，所述选择权重之和最大的驾驶员行为模式作为所述驾驶员当前行为模式时，还设置有与预设权重阈值比较的步骤：
将所选择的驾驶员行为模式对应权重之和与预设权重阈值进行对比，若大于则用所选择的驾驶员行为模式更新所述驾驶员当前行为模式。
本发明实施例的一种基于博弈论的驾驶员辅助系统决策系统，包括：宿主车辆驾驶员当前行为模式分析单元、目标车辆驾驶员当前行为模式分析单元、宿主车辆的控制策略分析单元；
所述宿主车辆驾驶员当前行为模式分析单元，用于依据所采集的宿主车辆驾驶员行为信息，基于上述的驾驶员当前行为模式决策系统，输出宿主车辆驾驶员当前行为模式；
所述目标车辆驾驶员当前行为模式分析单元，用于通过所采集的目标车辆状态信息，基于预设的目标车辆行为模式分类规则，输出目标车辆驾驶员当前行为模式；或者依据所采集的目标车辆驾驶员行为信息，基于上述的驾驶员当前行为模式决策系统，输出目标车辆驾驶员当前行为模式；
所述宿主车辆的控制策略分析单元，用于基于预先构建的博弈规则，依据所述宿主车辆驾驶员的当前行为模式、所述目标车辆驾驶员的当前行为模式，选择宿主车辆的控制策略。
本实施例中，如表5所示，所述预先构建的博弈规则包括：每种宿主车辆行为模式对应于不同的目标车辆行为模式时，分别采取不同的所述宿主车辆的控制策略。
所述宿主车辆的控制策略包括宿主车辆各预设动作的预设控制方案。例如：当宿主车辆驾驶员行为模式为x1，目标车辆驾驶员行为模式为y1时，选定的宿主车辆的控制策略为g(d1,a1)，这里的预设动作指的是：宿主车辆和目标车辆之间巡航距离控制、加减速控制；预设控制方案指的是：宿主车辆与目标车辆之间保持最大巡航距离d1、采用最温和的加减速控制a1。
所述目标车辆如表6所示，依据宿主车辆行驶动作所选定的影响该动作执行的车辆。所述目标车辆状态信息包括目标车辆运动状态信息。所述宿主车辆和所述目标车辆之间通过V2X技术进行信息交互。
本实施例中，所述目标车辆行为模式分类规则为：
依据预设的第二归类条件，将所述目标车辆状态信息按照预设的驾驶员行为模式类别进行归类；
依据归类结果、预设的每种目标车辆状态信息对应的权重，分别计算每种驾驶员行为模式对应的目标车辆行为类别的权重之和，选择权重之和最大的驾驶员行为模式作为所述目标车辆驾驶员当前行为模式。
本发明实施例的一种存储设备，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的驾驶员行为模式决策方法。
本发明实施例的一种处理装置，包括：处理器、存储设备；其中，处理器适于执行各条程序；存储设备适于存储多条程序。
所述程序适于由处理器加载并执行以实现：上述的驾驶员行为模式决策方法。
本发明实施例的另一种存储设备，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于博弈论的驾驶员辅助系统决策方法。
本发明实施例的另一种处理装置，包括：处理器、存储设备；其中，处理器适于执行各条程序；存储设备适于存储多条程序。
所述程序适于由处理器加载并执行以实现：上述的基于博弈论的驾驶员辅助系统决策方法。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种驾驶员行为模式决策方法，其特征在于，包括：
在车辆行驶过程中采集驾驶员行为信息；
依据预设的第一归类条件，将所采集的驾驶员行为信息按照预设的驾驶员行为模式类别进行归类；
依据预设的每种驾驶员行为信息对应的权重，分别计算归类后每种驾驶员行为模式中所包含的驾驶员行为信息的权重之和；
选择权重之和最大的驾驶员行为模式，作为驾驶员当前行为模式。
2.根据权利要求1所述的方法，其特征在于，还包括驾驶员当前行为模式初始化步骤：
车辆启动时将驾驶员历史行为模式作为驾驶员当前行为模式。
3.根据权利要求1或2所述的方法，其特征在于，所述选择权重之和最大的驾驶员行为模式作为所述驾驶员当前行为模式时，还设置有与预设权重阈值进行比较的步骤：
将所选择的驾驶员行为模式对应权重之和与预设权重阈值进行对比，若大于则用所选择的驾驶员行为模式更新所述驾驶员当前行为模式。
4.根据权利要求3所述的方法，其特征在于，还包括根据驾驶员命令更新所述驾驶员当前行为模式的步骤。
5.根据权利要求1或2所述的方法，其特征在于，所述的驾驶员行为信息包括驾驶动作信息、身体状态信息、车内娱乐系统播放信息中一种或多种。
6.一种基于博弈论的驾驶员辅助系统决策方法，其特征在于，包括：
依据所采集的宿主车辆驾驶员行为信息，基于权利要求1-5中任一项所述的驾驶员行为模式决策方法，输出宿主车辆驾驶员当前行为模式；
根据所采集的目标车辆状态信息，基于预设的目标车辆行为模式分类规则，输出目标车辆驾驶员当前行为模式；或者依据所采集的目标车辆驾驶员行为信息，基于权利要求1-5中任一项所述的驾驶员行为模式决策方法，输出目标车辆驾驶员当前行为模式；
基于预先构建的博弈规则，依据所述宿主车辆驾驶员的当前行为模式、所述目标车辆驾驶员的当前行为模式，选择宿主车辆的控制策略。
7.根据权利要求6所述的方法，其特征在于，所述预先构建的博弈规则，包括：
每种宿主车辆行为模式对应于不同的目标车辆行为模式时，分别采取不同的所述宿主车辆的控制策略。
8.根据权利要求7所述的方法，其特征在于，所述宿主车辆的控制策略包括宿主车辆各预设动作的预设控制方案。
9.根据权利要求6-8中任一项所述的方法，其特征在于，所述目标车辆为，依据宿主车辆行驶动作所选定的影响该动作执行的车辆。
10.根据权利要求6-8中任一项所述的方法，其特征在于，所述目标车辆状态信息包括目标车辆运动状态信息。
CN201710562179.3A 2017-07-11 2017-07-11 基于博弈论的驾驶员辅助系统决策方法、系统及其他 Active CN107521501B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710562179.3A CN107521501B (zh) 2017-07-11 2017-07-11 基于博弈论的驾驶员辅助系统决策方法、系统及其他
PCT/CN2018/095252 WO2019011268A1 (zh) 2017-07-11 2018-07-11 基于博弈论的驾驶员辅助系统决策方法、系统及其他

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710562179.3A CN107521501B (zh) 2017-07-11 2017-07-11 基于博弈论的驾驶员辅助系统决策方法、系统及其他

Publications (2)

Publication Number Publication Date
CN107521501A true CN107521501A (zh) 2017-12-29
CN107521501B CN107521501B (zh) 2020-06-30

Family

ID=60748929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710562179.3A Active CN107521501B (zh) 2017-07-11 2017-07-11 基于博弈论的驾驶员辅助系统决策方法、系统及其他

Country Status (2)

Country Link
CN (1) CN107521501B (zh)
WO (1) WO2019011268A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019011268A1 (zh) * 2017-07-11 2019-01-17 上海蔚来汽车有限公司 基于博弈论的驾驶员辅助系统决策方法、系统及其他
CN109435960A (zh) * 2018-10-29 2019-03-08 成都云科新能汽车技术有限公司 一种车辆控制方法
WO2020000191A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for driver identification based on car following modeling
CN111242494A (zh) * 2019-06-13 2020-06-05 内蒙古大学 一种基于博弈论的专利侵权检测方法及系统
CN111267846A (zh) * 2020-02-11 2020-06-12 南京航空航天大学 一种基于博弈论的周围车辆交互行为预测方法
CN111601278A (zh) * 2020-04-30 2020-08-28 南京大学 一种软件定义的异构车联网接入管理与优化方法
CN111891128A (zh) * 2020-08-13 2020-11-06 广州小马智行科技有限公司 车辆的控制方法及车辆、运载工具
CN112758093A (zh) * 2021-01-25 2021-05-07 北京罗克维尔斯科技有限公司 Acc车速控制方法、装置、acc控制器、存储介质及车辆
CN114842432A (zh) * 2021-02-02 2022-08-02 广州汽车集团股份有限公司 一种基于深度学习汽车灯光控制方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114261404A (zh) * 2020-09-16 2022-04-01 华为技术有限公司 一种自动驾驶方法及相关装置
CN113276884B (zh) * 2021-04-28 2022-04-26 吉林大学 一种可变博弈模式的智能车交互决策通行方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150677A (zh) * 2013-02-27 2013-06-12 清华大学 激进驾驶状态识别方法及系统
CN104442825A (zh) * 2014-11-28 2015-03-25 上海交通大学 一种电动汽车剩余行驶里程的预测方法和系统
CN105946860A (zh) * 2016-05-20 2016-09-21 武汉理工大学 一种考虑驾驶风格的弯道车速预测方法
CN106023344A (zh) * 2016-06-06 2016-10-12 清华大学 基于驾驶模式转换概率的驾驶风格估计方法
CN106570560A (zh) * 2016-11-02 2017-04-19 温州大学 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102390320B (zh) * 2011-08-22 2013-06-12 武汉理工大学 基于车载传感网络的车辆防撞预警系统及用途
US8510200B2 (en) * 2011-12-02 2013-08-13 Spireon, Inc. Geospatial data based assessment of driver behavior
US9147353B1 (en) * 2013-05-29 2015-09-29 Allstate Insurance Company Driving analysis using vehicle-to-vehicle communication
KR102113769B1 (ko) * 2013-11-26 2020-05-21 현대모비스 주식회사 Ｖ２ｘ 기반 안전운전지원서비스를 위한 운전자 맞춤형 다운 경고 중재 장치 및 방법
DE102014222357A1 (de) * 2014-11-03 2016-05-04 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Analyse der Fahrt eines Fahrzeuges
CN107521501B (zh) * 2017-07-11 2020-06-30 上海蔚来汽车有限公司 基于博弈论的驾驶员辅助系统决策方法、系统及其他

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150677A (zh) * 2013-02-27 2013-06-12 清华大学 激进驾驶状态识别方法及系统
CN104442825A (zh) * 2014-11-28 2015-03-25 上海交通大学 一种电动汽车剩余行驶里程的预测方法和系统
CN105946860A (zh) * 2016-05-20 2016-09-21 武汉理工大学 一种考虑驾驶风格的弯道车速预测方法
CN106023344A (zh) * 2016-06-06 2016-10-12 清华大学 基于驾驶模式转换概率的驾驶风格估计方法
CN106570560A (zh) * 2016-11-02 2017-04-19 温州大学 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王畅等: "应用于换道预警的驾驶风格分类方法", 《交通运输工程与信息》 *
谭德荣: "基于主因子分析的驾驶倾向综合评价", 《重庆交通大学学报（自然科学版）》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019011268A1 (zh) * 2017-07-11 2019-01-17 上海蔚来汽车有限公司 基于博弈论的驾驶员辅助系统决策方法、系统及其他
WO2020000191A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for driver identification based on car following modeling
CN109435960A (zh) * 2018-10-29 2019-03-08 成都云科新能汽车技术有限公司 一种车辆控制方法
CN111242494A (zh) * 2019-06-13 2020-06-05 内蒙古大学 一种基于博弈论的专利侵权检测方法及系统
CN111242494B (zh) * 2019-06-13 2023-04-07 内蒙古大学 一种基于博弈论的专利侵权检测方法及系统
CN111267846A (zh) * 2020-02-11 2020-06-12 南京航空航天大学 一种基于博弈论的周围车辆交互行为预测方法
CN111601278A (zh) * 2020-04-30 2020-08-28 南京大学 一种软件定义的异构车联网接入管理与优化方法
CN111891128A (zh) * 2020-08-13 2020-11-06 广州小马智行科技有限公司 车辆的控制方法及车辆、运载工具
CN112758093A (zh) * 2021-01-25 2021-05-07 北京罗克维尔斯科技有限公司 Acc车速控制方法、装置、acc控制器、存储介质及车辆
CN114842432A (zh) * 2021-02-02 2022-08-02 广州汽车集团股份有限公司 一种基于深度学习汽车灯光控制方法及系统

Also Published As

Publication number Publication date
WO2019011268A1 (zh) 2019-01-17
CN107521501B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN107521501A (zh) 基于博弈论的驾驶员辅助系统决策方法、系统及其他
Lv et al. Hybrid-learning-based classification and quantitative inference of driver braking intensity of an electrified vehicle
CN108995655B (zh) 一种驾驶员驾驶意图识别方法及系统
CN106874597B (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
EP3725627B1 (en) Method for generating vehicle control command, and vehicle controller and storage medium
US10474151B2 (en) Method for guiding a vehicle system in a fully automated manner, and motor vehicle
CN102320301B (zh) 用于使车辆的行驶特性适应驾驶员变换的方法
CN110949398B (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN108995653A (zh) 一种驾驶员驾驶风格识别方法及系统
CN104494600B (zh) 一种基于svm算法的驾驶员意图识别方法
Kedar-Dongarkar et al. Driver classification for optimization of energy usage in a vehicle
Zhao et al. Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN
CN109784526A (zh) 通行路径的规划方法、装置、设备及可读存储介质
CN108973674B (zh) 误操作判定装置
CN113173170B (zh) 基于人员画像个性化算法
CN110239556B (zh) 一种驾驶员即时操控能力感知方法
Bolovinou et al. Driving style recognition for co-operative driving: A survey
CN107901912A (zh) 基于车辆数据确定道路表面的方法
CN112109708A (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
EP3725609B1 (en) Calibrating method for vehicle anti-collision parameters, vehicle controller and storage medium
CN111717217A (zh) 一种基于概率修正的驾驶员意图识别方法
CN116001795A (zh) 一种换道风险评估及个性化换道决策方法
CN115534994A (zh) 基于车内外协同感知的人机共驾控制权自适应切换方法
Mammeri et al. Design of a semi-supervised learning strategy based on convolutional neural network for vehicle maneuver classification
CN109515441B (zh) 用于智能驾驶车辆的车速控制系统

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