CN107901909A - 一种车道自动更换的控制方法、装置及控制器 - Google Patents
一种车道自动更换的控制方法、装置及控制器 Download PDFInfo
- Publication number
- CN107901909A CN107901909A CN201711050859.3A CN201711050859A CN107901909A CN 107901909 A CN107901909 A CN 107901909A CN 201711050859 A CN201711050859 A CN 201711050859A CN 107901909 A CN107901909 A CN 107901909A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- pattern
- target
- driving 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
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
- 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车道自动更换的控制方法、装置及控制器,其中控制方法包括:检测行驶车辆在当前行驶车道中的车道更换模式,其中,车道更换模式为强制性更换模式或者自由性更换模式;根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与车道更换模式相对应的目标所需行驶状态信息;将目标所需行驶状态信息输入至预先构建、与车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果。本发明解决了现有技术中存在的由于不能准确确定道路更换时机,从而导致更换道路时安全性较低的问题。
Description
技术领域
本发明涉及汽车领域,尤其涉及一种车道自动更换的控制方法、装置及控制器。
背景技术
急剧增加的汽车保有量,为人们出行带来了方便的同时,也造成了严重的经济损失与大量人员伤亡。尤其是驾驶员在道路更换过程中对道路的更换时机做出的错误判断,极有可能会导致车辆发生碰撞进而造成事故,这些事故往往会导致交通延迟和交通堵塞,导致增加了民众出行时间,并对经济产生了负面影响,因而确定准确的道路更换时机对于提高换道安全性及改善交通流密度具有重要和实际意义。
综上所述,现有技术中存在着由于不能准确确定道路更换时机,从而导致换道安全性较低的问题。
发明内容
本发明的目的是提供一种车道自动更换的控制方法、装置及控制器,以解决现有技术中存在的由于不能准确确定道路更换时机,从而导致更换道路时安全性较低的问题。
为了解决上述技术问题,第一方面,本发明实施例提供一种车道自动更换的控制方法,所述控制方法包括:
检测行驶车辆在当前行驶车道中的车道更换模式,其中,所述车道更换模式为强制性更换模式或者自由性更换模式;
根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与所述车道更换模式相对应的目标所需行驶状态信息;
将所述目标所需行驶状态信息输入至预先构建、与所述车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果。
可选地,所述检测行驶车辆在当前行驶车道中的车道更换模式的步骤,包括:
获取所述行驶车辆在预设规划路径中的所有强制更换位置;其中,所述强制更换位置为行驶车辆在按照所述预设规划路径行驶时必须更换车道时的位置;
检测所述行驶车辆与目标强制更换位置之间的相对距离是否小于一预设距离阈值,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置;
当检测到所述相对距离小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为强制性更换模式;
当检测到所述相对距离不小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为自由性更换模式。
可选地,当所述车道更换模式为强制性更换模式时,所述目标所需行驶状态信息包括:所述行驶车辆的行驶速度;所述行驶车辆与目标强制更换位置之间的距离,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置,强制更换位置为行驶车辆在按照预设规划路径行驶时必须更换车道时的位置;所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
可选地,当所述车道更换模式为自由性更换模式时,所述目标所需行驶状态信息包括:
所述行驶车辆的行驶速度;所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
可选地,所述将所述目标所需行驶状态信息输入至预先构建、与所述车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果的步骤之前,还包括:构建与所述车道更换模式相对应的目标BP神经网络模型;根据预先获取的与所述车道更换模式相对应的样本数据集,对所述目标BP神经网络模型进行网络训练,得到网络训练结果;当所述网络训练结果的正确率大于一预设比例阈值时,确定所述目标BP神经网络模型构建成功。
可选地,所述构建与所述车道更换模式相对应的目标BP神经网络模型的步骤,包括:
确定所述目标BP神经网络模型的输入层神经元和输出层神经元的个数;
确定所述目标BP神经网络模型的隐层神经元的个数;
确定所述目标BP神经网络模型中隐层神经元和输出层神经元的激励函数;其中,
当所述车道更换模式为强制性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为8个,所述输出层神经元的个数为1个,所述隐层神经元的个数为9个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数;
当所述车道更换模式为自由性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为7个,所述输出层神经元的个数为1个,所述隐层神经元的个数为7个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数。
第二方面,本发明实施例提供一种车道自动更换的控制装置,包括:
检测模块,用于检测行驶车辆在当前行驶车道中的车道更换模式,其中,所述车道更换模式为强制性更换模式或者自由性更换模式;
第一获取模块,用于根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与所述车道更换模式相对应的目标所需行驶状态信息;
第一确定模块,用于将所述目标所需行驶状态信息输入至预先构建、与所述车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果。
可选地,所述检测模块包括:
获取单元,用于获取所述行驶车辆在预设规划路径中的所有强制更换位置;其中,所述强制更换位置为行驶车辆在按照所述预设规划路径行驶时必须更换车道时的位置;
检测单元,用于检测所述行驶车辆与目标强制更换位置之间的相对距离是否小于一预设距离阈值,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置;
第一确定单元,用于当检测到所述相对距离小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为强制性更换模式;
第二确定单元,用于当检测到所述相对距离不小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为自由性更换模式。
可选地,当所述车道更换模式为强制性更换模式时,所述目标所需行驶状态信息包括:所述行驶车辆的行驶速度;所述行驶车辆与目标强制更换位置之间的距离,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置,强制更换位置为行驶车辆在按照预设规划路径行驶时必须更换车道时的位置;所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
可选地,当所述车道更换模式为自由性更换模式时,所述目标所需行驶状态信息包括:所述行驶车辆的行驶速度;所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
可选地,所述装置还包括:
构建模块,用于构建与所述车道更换模式相对应的目标BP神经网络模型;
第二获取模块,用于根据预先获取的与所述车道更换模式相对应的样本数据集,对所述目标BP神经网络模型进行网络训练,得到网络训练结果;
第二确定模块,用于当所述网络训练结果的正确率大于一预设比例阈值时,确定所述目标BP神经网络模型构建成功。
可选地,所述构建模块包括:
第三确定单元,用于确定所述目标BP神经网络模型的输入层神经元和输出层神经元的个数;
第四确定单元,用于确定所述目标BP神经网络模型的隐层神经元的个数;
第五确定单元,用于确定所述目标BP神经网络模型中隐层神经元和输出层神经元的激励函数;其中,
当所述车道更换模式为强制性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为8个,所述输出层神经元的个数为1个,所述隐层神经元的个数为9个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数;
当所述车道更换模式为自由性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为7个,所述输出层神经元的个数为1个,所述隐层神经元的个数为7个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数。
第三方面,本发明实施例提供一种控制器,所述控制器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现所述的车道自动更换的控制方法的步骤。
第四方面,本发明实施例提供一种汽车,所述汽车包括上述的控制器。
本发明的有益效果是:
本发明实施例通过获取与行驶车辆在当前行驶车道中的车道更换模式相对应的目标所需行驶状态信息,并将该目标所需行驶状态信息输入至预先构建、与车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果,由于目标所需行驶状态信息为实时获取且与车道更换模式相对应,反映了当前行驶车道的实际路况以及驾驶员的驾驶习惯,从而使得在将目标所需行驶状态信息输入至目标BP神经网络模型时能够得到精确的车道更换结果,为自动驾驶系统的车道自动更换触发时机提供了正确可靠的决策判断,改善了自动驾驶系统更换车道触发机制突兀以及背离驾驶员道路更换意图的问题,并为驾驶员判断更换车道的时机提供了正确可靠的信息辅助,减少了因人为更换车道的时机失误而导致的道路交通事故,解决了现有技术中存在的由于不能准确确定道路更换时机导致的更换道路时安全性较低的问题。
附图说明
图1表示本发明的实施例中车道自动更换的控制方法的步骤流程图;
图2表示本发明的实施例中车道自动更换的控制装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,为本发明的实施例中车道自动更换的控制方法的步骤流程图,该控制方法包括如下步骤:
步骤101,检测行驶车辆在当前行驶车道中的车道更换模式。
在本步骤中,具体的,车道更换模式为强制性更换模式或者自由性更换模式。通过检测行驶车辆在当前行驶车道中的车道更换模式,使得能够根据车道更换模式,提取与之相对应的道路更换所需数据集,从而为车道的自动更换提供了基础。
具体的,强制性更换模式为行驶车辆在当前行驶车道中必须更换车道以实现按照预设规划路径行驶的模式;自由性更换模式为行驶车辆在当前行驶车道中不更换车道时,能够实现按照预设规划路径行驶的模式。
例如,当在预设规划路径中存在交叉路口、匝道出入口以及静止障碍物等需要选择行驶路径的位置时,若行驶车辆的预设规划路径为交叉路口中除当前行驶车道之外的另一车道,或者行驶车辆的预设规划路径为驶入匝道,或者在当前行驶车道上位于行驶车辆的前方存在静止障碍物,此时行驶车辆若按照预设规划路径行驶,则必须更换行驶道路,此时行驶车辆在当前行驶车道中的车道更换模式为强制性更换模式。
又例如,当前行驶车道上位于行驶车辆的前方存在行驶速度低于行驶车辆的其他车辆,此时行驶车辆可以在不更换行驶车道的前提下降低速度继续行驶,同样能够实现按照预设规划路径行驶的目的,此时行驶车辆在当前行驶车道中的车道更换模式为自由性更换模式。
具体的,在检测行驶车辆在当前行驶车道中的车道更换模式时,可以获取行驶车辆在预设规划路径中的所有强制更换位置;其中,强制更换位置为行驶车辆在按照预设规划路径行驶时必须更换车道时的位置;然后检测行驶车辆与目标强制更换位置之间的相对距离是否小于一预设距离阈值,其中目标强制更换位置为位于当前行驶车道上与行驶车辆相距最近的强制更换位置;当检测到相对距离小于预设距离阈值时,确定行驶车辆在当前行驶车道中的车道更换模式为强制性更换模式;当检测到相对距离不小于预设距离阈值时,确定行驶车辆在当前行驶车道中的车道更换模式为自由性更换模式。具体的,行驶车辆可以通过地图数据来获取预设规划路径中的道路实况信息,从而实时更新强制更换位置。
这样,当检测到行驶车辆与目标强制更换位置之间的相对距离小于预设距离阈值时,说明行驶车辆必须要更换行驶车道,才能够继续按照预设规划路径行驶,此时能够确定车道更换模式为强制性更换模式;当检测到相对距离不小于预设距离阈值时,说明行驶车辆在当前行驶车道上继续行驶同样能够达到继续按照预设规划路径行驶的目的,因此此时能够确定车道更换模式为自由性更换模式。通过将行驶车辆与目标强制更换位置之间的相对距离与预设距离阈值相比较来确定车道更换模式,提高了确定的车道更换模式的精确性。
步骤102,根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与车道更换模式相对应的目标所需行驶状态信息。
在本步骤中,具体的,在检测得到行驶车辆在当前行驶车道中的车道更换模式之后,可以获取与车道更换模式相对应的目标所需行驶状态信息。
具体的,所需行驶状态信息可以包括行驶车辆的当前位置信息、当前行驶速度、与周围障碍物的距离、与周围障碍物之间的相对速度、检测跟踪周期、当前行驶道路的类型以及当前行驶道路上的辅助行驶线的类型及位置等信息。
这样,由于所需行驶状态信息结合了实际路况、行驶车辆的状态以及驾驶员的驾驶行为习惯,从而使得获取的与车道更换模式相对应的目标所需行驶状态信息能够准确的反应出行驶车辆的当前行驶状态,进而使得在根据目标所需行驶状态信息判断车道更换时机时,能够得到精确且符合驾驶员真实操作风格的车道更换时机。
具体的,当行驶车辆中安装有自动驾驶系统时,可以通过自动驾驶系统,获取目标所需行驶状态信息,以提高获取目标所需行驶状态信息的便利性。
步骤103,将目标所需行驶状态信息输入至预先构建、与车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果。
在本步骤中,具体的,预先构建有与检测得到的车道更换模式相对应的目标BP神经网络模型。此时,在获取到目标所需行驶状态信息之后,可以将目标所需行驶状态信息输入至该预先构建的且与车道更换模式相对应的目标BP神经网络模型中,以确定车道自动更换结果。具体的,车道自动更换结果可以包括是否需要更换行驶车道以及需要更换行驶车道时的目标更换位置。
具体的,在将目标所需行驶状态信息输入至目标BP神经网络模型中之后,经过该目标BP神经网络模型的精确计算之后,BP神经网络模型能够输出车道自动更换结果。具体的,当BP神经网络模型计算得到需要更换行驶车道时,输出的车道自动更换结果可以直接为需要更换行驶车道时的目标更换位置;当计算得到不需要更换行驶车道时,输出的车道自动更换结果可以为空符号,以提示不需要更换行驶车道。
这样,本发明实施例通过获取与行驶车辆在当前行驶车道中的车道更换模式相对应的目标所需行驶状态信息,并将该目标所需行驶状态信息输入至预先构建的且与车道更换模式相对应的BP神经网络模型中,以确定车道自动更换结果,由于目标所需行驶状态信息为实时获取且与车道更换模式相对应,能够反映当前行驶车道的实际路况以及驾驶员的驾驶习惯,从而使得在通过目标BP神经网络模型对目标所需行驶状态信息进行处理时能够得到精确的车道更换结果,进而为自动驾驶系统的车道自动更换触发时机提供了正确可靠的决策判断,改善了自动驾驶系统更换车道触发机制突兀以及背离驾驶员道路更换意图的问题,并为驾驶员判断更换车道的时机提供了正确可靠的信息辅助,减少了因人为更换车道的时机失误而导致的道路交通事故,解决了现有技术中存在的由于不能准确确定道路更换时机导致的更换道路时安全性较低的问题。
进一步地,在根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与车道更换模式相对应的目标所需行驶状态信息时,当车道更换模式为强制性更换模式时,目标所需行驶状态信息可以包括:行驶车辆的行驶速度;行驶车辆与目标强制更换位置之间的距离,其中目标强制更换位置为位于当前行驶车道上与行驶车辆相距最近的强制更换位置,强制更换位置为行驶车辆在按照预设规划路径行驶时必须更换车道时的位置;行驶车辆与第一车辆之间的相对速度和相对距离,其中第一车辆为位于当前行驶车道上的处于行驶车辆前方的第一个车辆;行驶车辆与第二车辆之间的相对速度和相对距离,其中第二车辆为位于所需更换车道上的处于行驶车辆前方的第一个车辆;行驶车辆与第三车辆之间的相对速度和相对距离,其中第三车辆为位于所需更换车道上的处于行驶车辆后方的第一个车辆。
具体的,强制更换位置可以为由当前行驶车道和所需更换车道确定。例如,当当前行驶车道和所需更换车道为一交叉路口处的不同车道时,可以将当前行驶车道上的停止行驶线作为强制更换位置。又例如,当所需更换车道为一匝道时,即当行驶车辆需要驶进匝道时,可以先确定当前行驶车道的中心线与所需更换车道的中心线之间的交点,然后将交点所在位置确定为强制更换位置。当然,还可以将经过该交点且与匝道相垂直的直线作为道路更换完成线,以用于确定道路更换的完成情况。又例如,当行驶车辆需要驶出匝道时,即所需更换车道为主线路段车道时,可以先确定匝道的中心线与主线路段车道的中心线之间的交点,然后将交点所在位置确定为强制更换位置。当然,还可以将经过该交点且与主线路段车道相垂直的直线作为道路更换完成线,以用于确定道路更换的完成情况。再例如,当行驶车辆前方有一静止障碍物,行驶车辆需要更换到当前行驶车辆的相邻车道,即当所需更换车道为当前行驶车辆的相邻车道时,可以将当前行驶车道上距离静止障碍物预设距离的位置处设置为强制更换位置。当然,可以确定静止障碍物上与行驶车辆相距最近的碰触点,然后将经过该碰触点且与当前行驶车道的中心线相垂直的直线作为道路更换完成线,以用于确定道路更换的完成情况。
这样,本实施例获取的与强制性更换模式相对应的目标所需行驶状态信息包括了行驶车辆道路更换前的行驶状态信息以及预测的道路更换后的行驶状态信息,即将在道路更换过程中影响行驶车辆更换道路的因素均包括在内,并且结合了驾驶员的认知、推理和决策的行为习惯和方式,从而使得在根据该目标所需行驶状态信息判断车道更换时机时,能够得到精确的车道更换时机,在时间和空间上确保了车道更换时机的合理性,且更加贴合驾驶员的真实道路更换操作风格,从而提高了行驶车辆的行车舒适稳定性,且避免了因车道更换时机不合理造成的车辆碰撞等事故问题。
另外,具体的,在根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与车道更换模式相对应的目标所需行驶状态信息时,当车道更换模式为自由性更换模式时,目标所需行驶状态信息包括:行驶车辆的行驶速度;行驶车辆与第一车辆之间的相对速度和相对距离,其中第一车辆为位于当前行驶车道上的处于行驶车辆前方的第一个车辆;行驶车辆与第二车辆之间的相对速度和相对距离,其中第二车辆为位于所需更换车道上的处于行驶车辆前方的第一个车辆;行驶车辆与第三车辆之间的相对速度和相对距离,其中第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
这样,由于车道更换模式为自由性更换模式,即行驶车辆可以根据实际路况和行驶速度等行驶情况来判定是否需要更换行驶道路,此时获取的与自由性更换模式相对应的目标所需行驶状态信息包括了行驶车辆在当前行驶车道上的行驶状态信息以及预测的道路更换后的行驶状态信息,即将判定是否需要更换行驶道路的因素均包括在内,并且结合了驾驶员的认知、推理和决策的行为习惯和方式,从而使得在根据该目标所需行驶状态信息判断是否需要更换行驶道路以及需要更换行驶道路时的更换位置时,能够得到精确的判定结果,在时间和空间上保证了需要更换行驶道路时的更换位置的合理性,且更加贴合驾驶员的真实道路更换操作风格,从而提高了行驶车辆的行车舒适稳定性,且避免了因车道更换时机不合理造成的车辆碰撞等事故问题。
此外,进一步地,在将目标所需行驶状态信息输入至预先构建、与车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果之前,还需要构建与车道更换模式相对应的目标BP神经网络模型;然后根据预先获取的与车道更换模式相对应的样本数据集,对目标BP神经网络模型进行网络训练,得到网络训练结果;最后当网络训练结果的正确率大于一预设比例阈值时,确定目标BP神经网络模型构建成功。
具体的,在构建与车道更换模式相对应的目标BP神经网络模型时,需要确定目标BP神经网络模型的输入层神经元和输出层神经元的个数,并确定目标BP神经网络模型的隐层神经元的个数,并确定目标BP神经网络模型中隐层神经元和输出层神经元的激励函数。其中,当车道更换模式为强制性更换模式时,目标BP神经网络模型的输入层神经元的个数为8个,输出层神经元的个数为1个,隐层神经元的个数为9个,隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数;当车道更换模式为自由性更换模式时,目标BP神经网络模型的输入层神经元的个数为7个,输出层神经元的个数为1个,隐层神经元的个数为7个,隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数。
下面对上述实施例中目标BP神经网络模型的构建、网络训练以及有效性验证过程进行具体说明。
首先,对目标BP神经网络模型进行构建。
在构建过程中,其一,选取目标BP神经网络模型的输入层神经元个数和输出层神经元个数。该目标BP神经网络模型由目标所需行驶状态信息作为样本数据集,且作为该目标BP神经网络模型的输入数据,以车道自动更换结果作为输出数据。这样,由于强制性更换模式对应的目标所需行驶状态信息包括8个因子,则强制性更换模式对应的目标BP神经网络模型的输入层神经元的个数为8个,输出层神经元的个数为1个;自由性更换模式对应的目标所需行驶状态信息包括7个因子,则自由性更换模式对应的目标BP神经网络模型的输入层神经元的个数为7个,输出层神经元的个数为1个。
其二,选取目标BP神经网络模型的隐层神经元的个数。相关研究表明,有一个隐层的BP神经网络,只有隐层节点足够多,就能够以任意精度逼近一个非线性函数,因此,本实施例采用含有一个隐层的三层多输入单输出的BP神经网络建立预测模型。
具体的,由于隐层神经元的个数决定目标BP神经网络模型的网络计算量以及网络性能,且隐层神经元的个数与实际问题的复杂程度、输入和输出层的神经元个数以及对期望误差的设定有直接的关系,因此本实施例通过以下公式选取隐层神经元的个数:
其中,L表示隐层神经元的个数;n表示输入层神经元的个数;m表示输出层神经元的个数;a表示为1至10之间的正整数。
这样,通过上述公式可以计算得到与强制性更换模式对应的目标BP神经网络模型的隐层神经元的个数为4至13之间的正整数,与自由性更换模式对应的目标BP神经网络模型的隐层神经元的个数为4至12之间的正整数。本实施例选取与强制性更换模式对应的目标BP神经网络模型的隐层神经元的个数为9个,与自由性更换模式对应的目标BP神经网络模型的隐层神经元的个数为7个。
其三,选取目标BP神经网络模型中隐层神经元和输出层神经元的激励函数。
BP神经网络通常采用S型函数或者线性函数作为传递函数。本实施例选择S形正切函数作为目标BP神经网络模型的隐层神经元的激励函数。此外,由于目标BP神经网络模型的输出归一到[-1,1]范围内,因此目标BP神经网络模型选取S型对数函数作为输出层神经元的激励函数。
然后,根据预先获取的与车道更换模式相对应的样本数据集,对目标BP神经网络模型进行网络训练,得到网络训练结果。
具体的,预先获取的与车道更换模式相对应的样本数据集为与车道更换模式相对应的目标所需行驶状态信息。
在预先收集与强制性更换模式相对应的样本数据集时,可以通过筛选,以10HZ的采样频率对150次强制性更换模式下的更换行驶道路事件进行所有目标所需行驶状态信息的数据提取,其中,采样收集范围包括预设时间段内完成更换行驶道路事件的所有行驶车辆所对应的目标所需行驶状态信息以及预设时间段前10s时间和预设时间段后10s时间行驶到目标强制更换位置处的行驶车辆所对应的目标所需行驶状态信息。
在获取的与强制性更换模式相对应的样本数据集中,可以采用80%的数据进行网络训练,20%的数据用于目标BP神经网络模型的有效性验证。
在预先收集与自由性更换模式相对应的样本数据集时,可以通过筛选,以10HZ的采样频率对150次自由性更换模式下的更换行驶道路事件以及150次非更换行驶道路事件进行所有目标所需行驶状态信息的数据提取。在获取的与自由性更换模式相对应的样本数据集中,可以采用80%的数据进行网络训练,20%的数据用于目标BP神经网络模型的有效性验证。
这样,通过将目标所需行驶状态信息作为样本数据集,使得在经过网络训练后的目标BP神经网络模型能够充分结合驾驶员的认知、推理和决策的行为习惯和方式,使得该目标BP神经网络模型在计算车道更换时机时能够更加拟人化以及更加贴合驾驶员的真实操作风格。
在获取到样本数据集之后,开始进行网络训练。
在网络训练过程中,可以使用MATLAB中的神经网络工具进行网络训练,具体实现过程如下:
将强制性更换模式对应的样本数据集中的数据归一化后输入与强制性更换模式对应的构建好的目标BP神经网络模型中,设定网络迭代次数为5000次,期望误差为0.00000001,学习速为0.01,然后开始网络训练,并得到网络训练结果。
将自由性更换模式对应的样本数据集中的数据归一化后输入至与自由性更换模式对应的构建好的目标BP神经网络模型中,设定网络迭代次数为5000次,期望误差为0.00000001,学习速为0.01,然后开始网络训练,并得到网络训练结果。
最后,对网络训练结果的有效性进行验证。
其中,对于强制性更换模式,将网络训练结果中的训练更换位置与驾驶员行驶时实际更换行驶车道时的实际更换位置进行比较,当该训练更换位置与实际更换位置之间的距离间隔小于一预设距离间隔阈值时,说明在该次网络训练中,目标BP神经网络模型能够输出正确的自动更换结果。
此外,对于自由性更换模式,可以用是否需要更换行驶道路的准确性对目标BP神经网络模型的有效性进行验证。例如,在相同的数据下,当网络训练结果为不需要更换行驶道路,而驾驶员行驶时更换了行驶道路,则说明该次网络训练不成功。
这样,通过预先构建目标BP神经网络模型,并对目标BP神经网络模型进行网络训练和有效性验证,使得目标BP神经网络模型结合了行驶道路属性以及驾驶员在不同的行驶道路更换情况下的更换行驶道路特性,使得在通过调用目标BP神经网络模型来确定车道自动更换结果时,能够提高确定的车道自动更换结果的准确性。
本发明实施例通过获取与行驶车辆在当前行驶车道中的车道更换模式相对应的目标所需行驶状态信息,并将该目标所需行驶状态信息输入至预先构建的且与车道更换模式相对应的BP神经网络中,以确定车道自动更换结果,由于目标所需行驶状态信息为实时获取且与车道更换模式相对应,能够反映当前行驶车道的实际路况以及驾驶员的驾驶习惯,从而使得在通过目标BP神经网络模型对目标所需行驶状态信息进行处理时能够得到精确的车道更换结果,进而为自动驾驶系统的车道自动更换触发时机提供了正确可靠的决策判断,改善了自动驾驶系统更换车道触发机制突兀以及背离驾驶员道路更换意图的问题,并为驾驶员判断更换车道的时机提供了正确可靠的信息辅助,减少了因人为更换车道的时机失误而导致的道路交通事故,解决了现有技术中存在的由于不能准确确定道路更换时机导致的更换道路时安全性较低的问题。
此外,如图2所示,本发明实施例提供一种车道自动更换的控制装置,包括:
检测模块201,用于检测行驶车辆在当前行驶车道中的车道更换模式,其中,所述车道更换模式为强制性更换模式或者自由性更换模式;
第一获取模块202,用于根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与所述车道更换模式相对应的目标所需行驶状态信息;
第一确定模块203,用于将所述目标所需行驶状态信息输入至预先构建、与所述车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果。
可选地,所述检测模块201包括:
获取单元,用于获取所述行驶车辆在预设规划路径中的所有强制更换位置;其中,所述强制更换位置为行驶车辆在按照所述预设规划路径行驶时必须更换车道时的位置;
检测单元,用于检测所述行驶车辆与目标强制更换位置之间的相对距离是否小于一预设距离阈值,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置;
第一确定单元,用于当检测到所述相对距离小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为强制性更换模式;
第二确定单元,用于当检测到所述相对距离不小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为自由性更换模式。
可选地,当所述车道更换模式为强制性更换模式时,所述目标所需行驶状态信息包括:所述行驶车辆的行驶速度;所述行驶车辆与目标强制更换位置之间的距离,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置,强制更换位置为行驶车辆在按照预设规划路径行驶时必须更换车道时的位置;所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
可选地,当所述车道更换模式为自由性更换模式时,所述目标所需行驶状态信息包括:所述行驶车辆的行驶速度;所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
可选地,所述装置还包括:
构建模块,用于构建与所述车道更换模式相对应的目标BP神经网络模型;
第二获取模块,用于根据预先获取的与所述车道更换模式相对应的样本数据集,对所述目标BP神经网络模型进行网络训练,得到网络训练结果;
第二确定模块,用于当所述网络训练结果的正确率大于一预设比例阈值时,确定所述目标BP神经网络模型构建成功。
可选地,所述构建模块包括:
第三确定单元,用于确定所述目标BP神经网络模型的输入层神经元和输出层神经元的个数;
第四确定单元,用于确定所述目标BP神经网络模型的隐层神经元的个数;
第五确定单元,用于确定所述目标BP神经网络模型中隐层神经元和输出层神经元的激励函数;其中,
当所述车道更换模式为强制性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为8个,所述输出层神经元的个数为1个,所述隐层神经元的个数为9个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数;
当所述车道更换模式为自由性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为7个,所述输出层神经元的个数为1个,所述隐层神经元的个数为7个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数。
这样,在本发明实施例中,通过获取与行驶车辆在当前行驶车道中的车道更换模式相对应的目标所需行驶状态信息,并将该目标所需行驶状态信息输入至预先构建的且与车道更换模式相对应的BP神经网络中,以确定车道自动更换结果,由于目标所需行驶状态信息为实时获取且与车道更换模式相对应,能够反映当前行驶车道的实际路况以及驾驶员的驾驶习惯,从而使得在通过目标BP神经网络模型对目标所需行驶状态信息进行处理时能够得到精确的车道更换结果,进而为自动驾驶系统的车道自动更换触发时机提供了正确可靠的决策判断,改善了自动驾驶系统更换车道触发机制突兀以及背离驾驶员道路更换意图的问题,并为驾驶员判断更换车道的时机提供了正确可靠的信息辅助,减少了因人为更换车道的时机失误而导致的道路交通事故,解决了现有技术中存在的由于不能准确确定道路更换时机导致的更换道路时安全性较低的问题。
另外,本发明的实施例还提供了一种控制器,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述的车道自动更换的控制方法的步骤。
另外,本发明的实施例还一种汽车,包括上述控制器。
本发明的上述实施例中,通过获取与行驶车辆在当前行驶车道中的车道更换模式相对应的目标所需行驶状态信息,并将该目标所需行驶状态信息输入至预先构建的且与车道更换模式相对应的BP神经网络中,以确定车道自动更换结果,由于目标所需行驶状态信息为实时获取且与车道更换模式相对应,能够反映当前行驶车道的实际路况以及驾驶员的驾驶习惯,从而使得在通过目标BP神经网络模型对目标所需行驶状态信息进行处理时能够得到精确的车道更换结果,进而为自动驾驶系统的车道自动更换触发时机提供了正确可靠的决策判断,改善了自动驾驶系统更换车道触发机制突兀以及背离驾驶员道路更换意图的问题,并为驾驶员判断更换车道的时机提供了正确可靠的信息辅助,减少了因人为更换车道的时机失误而导致的道路交通事故,解决了现有技术中存在的由于不能准确确定道路更换时机导致的更换道路时安全性较低的问题。
以上所述的是本发明的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本发明所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本发明的保护范围内。
Claims (14)
1.一种车道自动更换的控制方法,其特征在于,包括:
检测行驶车辆在当前行驶车道中的车道更换模式,其中,所述车道更换模式为强制性更换模式或者自由性更换模式;
根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与所述车道更换模式相对应的目标所需行驶状态信息;
将所述目标所需行驶状态信息输入至预先构建、与所述车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果。
2.根据权利要求1所述的方法,其特征在于,所述检测行驶车辆在当前行驶车道中的车道更换模式的步骤,包括:
获取所述行驶车辆在预设规划路径中的所有强制更换位置;其中,所述强制更换位置为行驶车辆在按照所述预设规划路径行驶时必须更换车道时的位置;
检测所述行驶车辆与目标强制更换位置之间的相对距离是否小于一预设距离阈值,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置;
当检测到所述相对距离小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为强制性更换模式;
当检测到所述相对距离不小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为自由性更换模式。
3.根据权利要求1所述的方法,其特征在于,在所述根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与所述车道更换模式相对应的目标所需行驶状态信息的步骤中,
当所述车道更换模式为强制性更换模式时,所述目标所需行驶状态信息包括:
所述行驶车辆的行驶速度;
所述行驶车辆与目标强制更换位置之间的距离,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置,强制更换位置为行驶车辆在按照预设规划路径行驶时必须更换车道时的位置;
所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;
所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;
所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
4.根据权利要求1所述的方法,其特征在于,在所述根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与所述车道更换模式相对应的目标所需行驶状态信息的步骤中,
当所述车道更换模式为自由性更换模式时,所述目标所需行驶状态信息包括:
所述行驶车辆的行驶速度;
所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;
所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;
所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
5.根据权利要求1所述的方法,其特征在于,所述将所述目标所需行驶状态信息输入至预先构建、与所述车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果的步骤之前,还包括:
构建与所述车道更换模式相对应的目标BP神经网络模型;
根据预先获取的与所述车道更换模式相对应的样本数据集,对所述目标BP神经网络模型进行网络训练,得到网络训练结果;
当所述网络训练结果的正确率大于一预设比例阈值时,确定所述目标BP神经网络模型构建成功。
6.根据权利要求5所述的方法,其特征在于,所述构建与所述车道更换模式相对应的目标BP神经网络模型的步骤,包括:
确定所述目标BP神经网络模型的输入层神经元和输出层神经元的个数;
确定所述目标BP神经网络模型的隐层神经元的个数;
确定所述目标BP神经网络模型中隐层神经元和输出层神经元的激励函数;其中,
当所述车道更换模式为强制性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为8个,所述输出层神经元的个数为1个,所述隐层神经元的个数为9个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数;
当所述车道更换模式为自由性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为7个,所述输出层神经元的个数为1个,所述隐层神经元的个数为7个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数。
7.一种车道自动更换的控制装置,其特征在于,包括:
检测模块,用于检测行驶车辆在当前行驶车道中的车道更换模式,其中,所述车道更换模式为强制性更换模式或者自由性更换模式;
第一获取模块,用于根据预设的车道更换模式与所需行驶状态信息之间的对应关系,获取与所述车道更换模式相对应的目标所需行驶状态信息;
第一确定模块,用于将所述目标所需行驶状态信息输入至预先构建、与所述车道更换模式相对应的目标BP神经网络模型中,确定车道自动更换结果。
8.根据权利要求7所述的装置,其特征在于,所述检测模块包括:
获取单元,用于获取所述行驶车辆在预设规划路径中的所有强制更换位置;其中,所述强制更换位置为行驶车辆在按照所述预设规划路径行驶时必须更换车道时的位置;
检测单元,用于检测所述行驶车辆与目标强制更换位置之间的相对距离是否小于一预设距离阈值,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置;
第一确定单元,用于当检测到所述相对距离小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为强制性更换模式;
第二确定单元,用于当检测到所述相对距离不小于所述预设距离阈值时,确定所述行驶车辆在当前行驶车道中的车道更换模式为自由性更换模式。
9.根据权利要求7所述的装置,其特征在于,当所述车道更换模式为强制性更换模式时,所述目标所需行驶状态信息包括:
所述行驶车辆的行驶速度;
所述行驶车辆与目标强制更换位置之间的距离,其中所述目标强制更换位置为位于所述当前行驶车道上与所述行驶车辆相距最近的强制更换位置,强制更换位置为行驶车辆在按照预设规划路径行驶时必须更换车道时的位置;
所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;
所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;
所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
10.根据权利要求7所述的装置,其特征在于,当所述车道更换模式为自由性更换模式时,所述目标所需行驶状态信息包括:
所述行驶车辆的行驶速度;
所述行驶车辆与第一车辆之间的相对速度和相对距离,其中所述第一车辆为位于所述当前行驶车道上的处于所述行驶车辆前方的第一个车辆;
所述行驶车辆与第二车辆之间的相对速度和相对距离,其中所述第二车辆为位于所需更换车道上的处于所述行驶车辆前方的第一个车辆;
所述行驶车辆与第三车辆之间的相对速度和相对距离,其中所述第三车辆为位于所需更换车道上的处于所述行驶车辆后方的第一个车辆。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
构建模块,用于构建与所述车道更换模式相对应的目标BP神经网络模型;
第二获取模块,用于根据预先获取的与所述车道更换模式相对应的样本数据集,对所述目标BP神经网络模型进行网络训练,得到网络训练结果;
第二确定模块,用于当所述网络训练结果的正确率大于一预设比例阈值时,确定所述目标BP神经网络模型构建成功。
12.根据权利要求11所述的装置,其特征在于,所述构建模块包括:
第三确定单元,用于确定所述目标BP神经网络模型的输入层神经元和输出层神经元的个数;
第四确定单元,用于确定所述目标BP神经网络模型的隐层神经元的个数;
第五确定单元,用于确定所述目标BP神经网络模型中隐层神经元和输出层神经元的激励函数;其中,
当所述车道更换模式为强制性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为8个,所述输出层神经元的个数为1个,所述隐层神经元的个数为9个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数;
当所述车道更换模式为自由性更换模式时,所述目标BP神经网络模型的输入层神经元的个数为7个,所述输出层神经元的个数为1个,所述隐层神经元的个数为7个,所述隐层神经元的激励函数为S形正切函数,输出层神经元的激励函数为S型对数函数。
13.一种控制器,其特征在于,所述控制器包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的车道自动更换的控制方法的步骤。
14.一种汽车,其特征在于,所述汽车包括如权利要求13所述的控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711050859.3A CN107901909B (zh) | 2017-10-31 | 2017-10-31 | 一种车道自动更换的控制方法、装置及控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711050859.3A CN107901909B (zh) | 2017-10-31 | 2017-10-31 | 一种车道自动更换的控制方法、装置及控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107901909A true CN107901909A (zh) | 2018-04-13 |
CN107901909B CN107901909B (zh) | 2020-05-05 |
Family
ID=61842300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711050859.3A Active CN107901909B (zh) | 2017-10-31 | 2017-10-31 | 一种车道自动更换的控制方法、装置及控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107901909B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109466551A (zh) * | 2018-11-22 | 2019-03-15 | 深圳市元征科技股份有限公司 | 一种车辆控制方法、系统及电子设备和存储介质 |
CN109685213A (zh) * | 2018-12-29 | 2019-04-26 | 百度在线网络技术(北京)有限公司 | 一种训练样本数据的获取方法、装置和终端设备 |
CN110618676A (zh) * | 2018-12-29 | 2019-12-27 | 长城汽车股份有限公司 | 车辆自动驾驶时安全偏移线的生成方法、生成系统及车辆 |
CN111197989A (zh) * | 2018-11-16 | 2020-05-26 | 现代自动车株式会社 | 用于管理车辆的行驶车道的装置、包括该装置的系统以及用于管理车辆的行驶车道的方法 |
CN111413973A (zh) * | 2020-03-26 | 2020-07-14 | 北京汽车集团有限公司 | 车辆的换道决策方法及装置、电子设备、存储介质 |
CN111483463A (zh) * | 2020-02-28 | 2020-08-04 | 广东中科臻恒信息技术有限公司 | 基于车载单元和路侧单元的预判超车方法、存储介质 |
CN112017426A (zh) * | 2019-05-31 | 2020-12-01 | 初速度(苏州)科技有限公司 | 车辆路径变换模型的训练方法、路径变换方法和装置 |
CN112124310A (zh) * | 2019-06-24 | 2020-12-25 | 初速度(苏州)科技有限公司 | 一种车辆的路径变换方法和装置 |
CN112896166A (zh) * | 2021-03-01 | 2021-06-04 | 苏州挚途科技有限公司 | 车辆换道方法、装置和电子设备 |
EP4209853A4 (en) * | 2020-11-19 | 2024-03-06 | Tencent Tech Shenzhen Co Ltd | CONTROL METHOD AND APPARATUS BASED ON AUTONOMOUS DRIVING, AND VEHICLE AND ASSOCIATED DEVICE |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
CN104097637A (zh) * | 2013-04-11 | 2014-10-15 | 现代自动车株式会社 | 用于控制车道变换的方法和系统 |
CN105620480A (zh) * | 2015-12-29 | 2016-06-01 | 东南大学 | 智能车辆自主性换道时机决策方法 |
CN106997690A (zh) * | 2017-05-15 | 2017-08-01 | 东南大学 | 一种车联网环境下高速公路车辆非强制换道控制方法 |
-
2017
- 2017-10-31 CN CN201711050859.3A patent/CN107901909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104097637A (zh) * | 2013-04-11 | 2014-10-15 | 现代自动车株式会社 | 用于控制车道变换的方法和系统 |
CN103996287A (zh) * | 2014-05-26 | 2014-08-20 | 江苏大学 | 一种基于决策树模型的车辆强制换道决策方法 |
CN105620480A (zh) * | 2015-12-29 | 2016-06-01 | 东南大学 | 智能车辆自主性换道时机决策方法 |
CN106997690A (zh) * | 2017-05-15 | 2017-08-01 | 东南大学 | 一种车联网环境下高速公路车辆非强制换道控制方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111197989A (zh) * | 2018-11-16 | 2020-05-26 | 现代自动车株式会社 | 用于管理车辆的行驶车道的装置、包括该装置的系统以及用于管理车辆的行驶车道的方法 |
CN109466551A (zh) * | 2018-11-22 | 2019-03-15 | 深圳市元征科技股份有限公司 | 一种车辆控制方法、系统及电子设备和存储介质 |
CN109685213A (zh) * | 2018-12-29 | 2019-04-26 | 百度在线网络技术(北京)有限公司 | 一种训练样本数据的获取方法、装置和终端设备 |
CN110618676A (zh) * | 2018-12-29 | 2019-12-27 | 长城汽车股份有限公司 | 车辆自动驾驶时安全偏移线的生成方法、生成系统及车辆 |
CN112017426A (zh) * | 2019-05-31 | 2020-12-01 | 初速度(苏州)科技有限公司 | 车辆路径变换模型的训练方法、路径变换方法和装置 |
CN112017426B (zh) * | 2019-05-31 | 2022-05-13 | 魔门塔(苏州)科技有限公司 | 车辆路径变换模型的训练方法、路径变换方法和装置 |
CN112124310A (zh) * | 2019-06-24 | 2020-12-25 | 初速度(苏州)科技有限公司 | 一种车辆的路径变换方法和装置 |
CN112124310B (zh) * | 2019-06-24 | 2021-12-24 | 魔门塔(苏州)科技有限公司 | 一种车辆的路径变换方法和装置 |
CN111483463A (zh) * | 2020-02-28 | 2020-08-04 | 广东中科臻恒信息技术有限公司 | 基于车载单元和路侧单元的预判超车方法、存储介质 |
CN111483463B (zh) * | 2020-02-28 | 2021-09-07 | 广东中科臻恒信息技术有限公司 | 基于车载单元和路侧单元的预判超车方法、存储介质 |
CN111413973A (zh) * | 2020-03-26 | 2020-07-14 | 北京汽车集团有限公司 | 车辆的换道决策方法及装置、电子设备、存储介质 |
EP4209853A4 (en) * | 2020-11-19 | 2024-03-06 | Tencent Tech Shenzhen Co Ltd | CONTROL METHOD AND APPARATUS BASED ON AUTONOMOUS DRIVING, AND VEHICLE AND ASSOCIATED DEVICE |
CN112896166A (zh) * | 2021-03-01 | 2021-06-04 | 苏州挚途科技有限公司 | 车辆换道方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107901909B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107901909A (zh) | 一种车道自动更换的控制方法、装置及控制器 | |
CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
CN108313054B (zh) | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 | |
CN110297494B (zh) | 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统 | |
CN103158705B (zh) | 用于控制本车的方法和系统 | |
CN109242251A (zh) | 行车行为安全性检测方法、装置、设备及存储介质 | |
CN108820039B (zh) | 一种无人驾驶车辆弯道横向控制系统及方法 | |
CN110304074B (zh) | 一种基于分层状态机的混合式驾驶方法 | |
CN107848531A (zh) | 车辆控制装置、车辆控制方法及车辆控制程序 | |
CN108986540A (zh) | 车辆控制系统和方法、以及行驶辅助服务器 | |
CN107886750B (zh) | 一种基于超视距协同认知的无人驾驶汽车控制方法与系统 | |
CN106023344A (zh) | 基于驾驶模式转换概率的驾驶风格估计方法 | |
CN108848462A (zh) | 适用于信号控制交叉口的实时车辆轨迹预测方法 | |
CN110446640A (zh) | 驾驶支援控制装置 | |
CN111599179B (zh) | 一种基于风险动态平衡的无信号交叉口车辆运动规划方法 | |
CN107836018A (zh) | 车辆控制装置、车辆控制方法及车辆控制程序 | |
CN110189547A (zh) | 一种障碍物检测方法、装置及车辆 | |
CN110304063A (zh) | 一种车辆自动变道方法及系统、车辆 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
CN107310550A (zh) | 道路交通工具行驶控制方法和装置 | |
CN101681562A (zh) | 车辆行驶轨迹推定装置 | |
CN107894767A (zh) | 一种自动驾驶车辆横向运动控制对象选择方法 | |
CN110992695A (zh) | 基于冲突消解的智能车辆城市交叉口通行决策多目标优化模型 | |
CN107004368A (zh) | 车辆的行驶控制装置、行驶控制方法以及行驶控制程序 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 |
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 |