CN108595823B - 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 - Google Patents
一种联合驾驶风格和博弈理论的自主车换道策略计算方法 Download PDFInfo
- Publication number
- CN108595823B CN108595823B CN201810357605.4A CN201810357605A CN108595823B CN 108595823 B CN108595823 B CN 108595823B CN 201810357605 A CN201810357605 A CN 201810357605A CN 108595823 B CN108595823 B CN 108595823B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving style
- game
- lane change
- driver
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种联合驾驶风格和博弈理论的自主车换道策略的计算方法,其属于车联网无人驾驶领域。目前针对于车辆的换道策略,大多都采取基于安全间隙的策略机制,缺乏对车辆之间相互作用的分析,效率较低。同时考虑车辆之间的相互作用以及驾驶员的驾驶风格因素,使用博弈论的方法对参与者进行有效分析,将驾驶员的驾驶风格作为影响博弈收益的因素,利用纳什均衡进行求解,从而产生换道场景下自主车的最优策略。
Description
技术领域
本发明属于车联网无人驾驶领域,涉及到一种联合驾驶风格和博弈理论的自主车换道策略,为自主车提供换道决策。
背景技术
现阶段的交通运输系统已发展的极为庞大,但与此同时产生的环境污染问题和交通安全问题成为两大急需解决的重要难题。无人驾驶与辅助驾驶借助于车辆与车辆之间、车辆与基础设施之间的相互通信,能够很好的实现路径规划与安全防范,成为当下研究的热点,受到国内外的密切关注。按照智能化的水平,可以将智能网联汽车划分为驾驶辅助、部分自动驾驶、有条件自动驾驶、高度自动驾驶和完全自动驾驶这五个等级,越往上智能化水平越高。尽管对无人驾驶的研究已经取得了巨大的突破与进展,但现在大多研究都处于起步阶段,距离完全自动驾驶还需要一定的时间。同时,无人驾驶与有人驾驶混合的交通环境下,如何保证两者的有效协作也是一个需要考虑的问题。在 2016中国汽车工程学会的年会上,李德毅院士就提出了在混合场景下,自动驾驶模式缺少交互认知能力这一主要问题,并且进行了演示与说明,进一步强调了混合环境下车辆之间相互协同的重要作用。
车辆的主要行为包括跟驰和换道两种,其中换道是引发交通事故的常见操作。许多换道策略的研究依赖于交通理论的发展,主要集中在根据固定的规则确定换道动作,缺乏对车辆之间相互交互的考虑;同时追求过度安全,很难保证换道的效率。随着通信技术、数据处理技术以及传感器技术的发展,车联网环境下的V2V通信和V2I通信为有效的解决车辆感知周围环境的不确定性问题提供了方法。
换道行为可以看成是多个参与者之间的相互竞争,是一种博弈行为,许多研究者利用博弈论的相关方法进行换道方面的研究。Hideyuki Kita[9]利用博弈论的分析方法,针对车辆并道的场景提出了一种合并 -让路的交互模型。Kita利用整个场景中各个车辆之间的交互关系,以避免碰撞时间(Time to collision,TTC)来建立博弈参与者的收益,形成收益矩阵,最后通过纳什均衡找到最优策略,但缺乏对驾驶员相关的考虑。Talebpour等人[Talebpour A,Mahmassani H S,Hamdar S H. Modeling Lane-Changing Behavior in aConnected Environment:A Game Theory Approach☆[J].Transportation ResearchPart C,2015, 59:216-232.]利用车联网环境下信息的交互,建立了联通环境下基于非零和博弈的换道模型。Talebpour等人认为利用车辆互联,目标换道车辆可以及时获取周围车辆的准确运行状态,从而能为有效的换道决策提供强有力的信息支持,提高换道的安全性与准确性,但缺乏对驾驶员的考虑。
发明内容
本发明的目的是在联合驾驶风格和博弈理论的基础上,为自主车提供换道决策,提高其换道效率。该方法同时考虑车辆之间的相互作用以及风格因素,使用博弈论的方法对参与者进行有效分析,同时考虑将驾驶员的驾驶风格作为影响博弈收益的因素,利用纳什均衡进行求解,从而产生换道场景下的最优策略。
本发明的技术方案是:
首先,以一种非合作的博弈方式对换道行为进行深入分析;其次,采取基于车辆运行状态的方法对有人车的驾驶员进行驾驶风格计算 (为保持统一,自主车的驾驶风格为正常型);在博弈分析的基础上使用驾驶风格进行博弈收益的合理定义;最后,利用纳什均衡进行博弈模型的求解,从而为自主车提供换道决策。
为自主车提供换道决策的具体步骤如下:
步骤1:数据预处理,即从自主车及其周围车辆获取的运行状态数据中选取博弈收益计算需要的数据,主要包括:自主车及其周围车辆的速度、加速度、位置等。
步骤2:基于车辆运行状态的驾驶风格计算:利用车辆在高速公路上的相关数据计算高速工况的平均冲击度,根据驾驶员在[t0-ω,t0]时间内的车速、时间信息,计算出这一时间段内的冲击度的标准差;根据冲击度的标准差与平均冲击度的比值计算驾驶员的驾驶风格识别系数Rdriver;将驾驶员的驾驶风格系数Rdriver与标准的驾驶风格系数阈值进行比较,确定驾驶员的驾驶风格;
步骤3:建立博弈换道决策分析模型:即利用博弈论的方法分析换道场景下的博弈要素,并结合驾驶风格进行博弈参与者收益的合理定义;相关收益的计算方式如下:
其中RS、RP2分别为车辆S和车辆P2的驾驶风格系数,分别表示t0时刻车辆P1和车辆S1的速度,分别表示t0时刻车辆 P2和车辆S的加速度,LS、LP2分别表示车辆S和车辆P2的车长, MSS分别表示t0时刻目标车辆S与其前车S1之间的距离以及最小安全距离,分别表示换道完成时刻tT时车辆P1与车辆S 的间距、车辆S与车辆S2的间距以及车辆S1与车辆S的间距,G(P1-S)、 G(S-P2)、G(S1-S)分别表示换道完成时刻tT时车辆P1和车辆S的最小间距、车辆S和车辆P2的最小间距,车辆S1和车辆S的最小间距;
步骤4:纳什均衡及其求解:即利用纳什均衡的方法求解博弈收益矩阵,为自主车提供换道决策。目标车辆S和车辆P2的纯策略集合分别为A={换道,不换道}、B={加速,减速}。车辆S选择换道的概率为p,则其选择不换道的概率为1-p,记为向量x=(p,1-p),其中0≤p≤1;车辆P2选择加速的概率为q,则其选择减速的概率为1-q,记为向量y=(q,1-q)T,其中0≤q≤1。依据纳什均衡的求解方法,所求的混合策略纳什均衡等价于:
由此计算出来的x和y分别记为x*和y*,则x*、y*为换道博弈的一个纳什均衡。
本发明的效果和益处是:其一是同时考虑自主车与目标车道后车的相互作用以及有人车驾驶员驾驶风格对收益的作用,对车辆之间的相互作用分析的更加深入;其二是以博弈理论的思想刻画换道过程的非合作行为,为自主车提供更有效和安全的换道决策。
附图说明
附图1是换道模型的状态图。
附图2是自主车换道场景图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
1、换道模型状态图
在实际场景中,换道车辆可依据当前周围环境状况采取向左换道或者向右换道,两种换道场景的解决方案是一致的,这里以向左换道为例(图2)。图1为换道模型的状态示意图,其中的初始化操作主要是用来数据采集及处理,然后计算当前时刻下目标车道后车P2的风格系数,同时作为博弈收益的影响因素进入收益函数的计算,最后根据混合策略纳什均衡做出换道决策,作为自主车的换道决策。
2、基于车辆运行状态的驾驶风格计算
利用汽车在行驶过程中产生的冲击度,进行相关研究与分析,提出了驾驶员风格识别系数Rdriver这一概念,同时通过实验进行验证,表明提出的风格系数能够准确的确定驾驶员的驾驶风格。冲击度在物理上的定义为加速度的变化率,使用J(t)表示。
其中v(t)代表车辆在t时刻时的速度。在时间窗大小为ω的时间段内计算冲击度,取该时间段内的冲击度的标准差RJ,以及标准驾驶员在相同行驶工况下的平均冲击度就能够计算出驾驶员在t时刻的驾驶风格系数,从而有效的识别驾驶员的行驶风格。驾驶风格系数Rdriver定义为:
同时,通过大量实验与研究,作者建议将时间窗设定为6s或9s 具有较高的识别准确率。最后,将计算出来的驾驶风格系数和两个阈值:正常阈值normthreshold、激进阈值aggthreshold进行比较,就可以获得当前驾驶员的驾驶风格。同时,作者建议的两个阈值的取值分别为0.5、1.0。由此:当Rdriver<normthreshold时,驾驶员的驾驶风格为谨慎型;当normthreshold<Rdriver<aggthreshold时,驾驶员的驾驶风格为正常型;当Rdriver>aggthreshold时,驾驶员的驾驶风格为激进型。
综述所述,计算高速公路上驾驶员驾驶风格的算法如下:
(2)根据驾驶员在[t0-ω,t0](单位为秒)时间内的车速、时间信息,利用标准差的计算公式以及公式(1)计算出这一时间段内的冲击度的标准差。
(3)按照公式(2)计算驾驶员的驾驶风格识别系数Rdriver。
(4)t0时刻驾驶员驾驶风格的确定:依据上一步计算出来的驾驶员的驾驶风格系数Rdriver,与标准的驾驶风格系数阈值进行比较,从而确定驾驶员的驾驶风格。
3、智能驾驶员模型
智能驾驶员模型离散化的加速度方程定义为:
其中sn=xn-1-xn-Ln-1,出现的下标n表示的是车辆的编号(用于标识车辆信息),an代表的是编号为n的车辆的最大加速度,vn代表的是编号为n的车辆的速度,代表的是编号为n的车辆在自由流下的最大期望速度,δ代表的是加速度的指数(一般的取值范围是1到5),Δvn代表的是编号为n的车辆与其前车的速度的差值,sn代表的是编号为n 的车辆与其前车的净间距值,xn分别代表编号为n和编号为n-1的车辆的位置,Ln-1代表的是编号为n-1的车辆的长度。IDM最大的特点就是其加速度方程是由两部分组成的,即自由流状态下的加速度和拥堵流状态下的减速度,分别表示为:
在这里,s*(vn,Δvn)代表的是当前状态下的驾驶员对间距的期望值,计算方式为:
4、完全信息下的非合作博弈换道
图2是自主车的换道场景,其中S为目标换道车辆、S1为目标换道车辆的前车、S2为目标换道车辆的后车、P1为要换入车道(目标车道)的前车、P2为目标车道的后车。目标车辆S由于受到前车 S1的限制,无法达到自身对期望速度或期望距离的要求,从而产生换道需求;由于车辆S的换道操作会影响到目标车道后车P2的利益 (比如车速和跟车距离等),因此P2与S之间存在一种博弈关系。
根据博弈参与者车辆S和车辆P2的策略集合以及收益分析,其构成的收益矩阵如表1所示。
表1收益矩阵
目标车辆S的纯策略集合为A={换道,不换道},若记换道的概率为p,则不换道的概率为1-p(0≤p≤1);同理,目标车道后车P2的纯策略集合为B={加速,减速},若记加速的概率为q,则减速的概率为1-q(0≤q≤1)。
从而,目标车辆S的期望收益为:
E1(p,q)=pqP11+p(1-q)P12+(1-p)qP21+(1-p)(1-q)P22 (7)
目标车道后车P2的期望收益为:
E2(p,q)=pqQ11+p(1-q)Q12+(1-p)qQ21+(1-p)(1-q)Q22 (8)
为便于描述,我们假定t0时刻车辆S产生换道需求,完成换到操作的时间为T,即理想情况下车辆S在tT=t0+T时刻完成换道。相比于真实情况,目标车辆S有可能需要与车辆P进行多次博弈,从而确保换道操作的安全进行。由于主要的博弈参与者是目标车辆S和目标车道的后车P2,因此为了方便计算与分析,我们假设其余车辆(S1、 S2、P1)以t0时刻的状态匀速运动。相关收益的计算方式如下:
其中RS、RP2分别为车辆S和车辆P2的驾驶风格系数,自主车的驾驶风格系数默认为正常型,有人车的驾驶员风格系数按照上文提供的算法计算。分别表示t0时刻车辆P1和车辆S1的速度, 分别表示t0时刻车辆P2和车辆S的加速度,LS、LP2分别表示车辆S和车辆P2的车长,MSS分别表示t0时刻目标车辆S与其前车S1 之间的距离以及最小安全距离,分别表示换道完成时刻tT时车辆P1与车辆S的间距、车辆S与车辆S2的间距以及车辆 S1与车辆S的间距,G(P1-S)、G(S-P2)、G(S1-S)分别表示换道完成时刻tT时车辆P1和车辆S的最小间距、车辆S和车辆P2的最小间距,车辆 S1和车辆S的最小间距。
根据最小安全距离的定义就行计算和公式推导,目标车辆与其前车的最小安全距离为:
其中分别表示t0时刻车辆S和车辆S1的速度,a-max为目标车辆S的最大减速度,aS为目标车辆的加速度:在恒定加速度方式下,(t0时刻的加速度);在离散型加速方式下,为了简化计算,将aS定义为T时间段内离散型加速的的最大值。
相关车辆间距的计算方式如下:
其中,分别表示t0时刻车辆P1、车辆S、车辆 P2、车辆S1的位置,分别表示tT时刻车辆P1、车辆S、车辆P2、车辆S1的位置,分别表示t0时刻车辆P2和车辆S的速度,分别表示t0时刻车辆P1和车辆s1的加速度。
在计算目标车辆S的tT时刻的位置时,按照当前加速度和离散加速度两种计算方式计算,从而更好的适应换道场景。离散型加速度计算其位置的方式为:将换道时间T划分为若干时间间隔,在每个时间间隔内看做是恒定加速度的方式来接近计算:
按照不同驾驶员的驾驶风格系数不同,我们将其最小安全距离按照驾驶风格系数进行定义:激进型驾驶员与前车的最小安全距离为3 个自身车长,正常型驾驶员与前车的最小安全距离为2个自身车长,谨慎型驾驶员与前车的最小安全距离为1个自身车长。相关车辆最小安全间距的计算方式如下:
G(P1-S)=2×LS (23)
G(S1-S)=2×LS (25)
5、Nash均衡的存在性及其求解
对照表1所描述的博弈收益矩阵以及上文描述,目标车辆S和车辆P2的纯策略集合分别为A={换道,不换道}、B={加速,减速}。车辆S 选择换道的概率为p,则其选择不换道的概率为1-p,记为向量 x=(p,1-p),其中0≤p≤1;车辆P2选择加速的概率为q,则其选择减速的概率为1-q,记为向量y=(q,1-q)T,其中0≤q≤1。显然,上文提出的换道场景下的博弈是一个有限博弈,因此至少存在一个纳什均衡。无论是纯策略纳什均衡还是混合策略的纳什均衡,都是能够将每个参与者利益最大化的策略组合。依据纳什均衡的求解方法,所求的混合策略纳什均衡等价于:
由此计算出来的x和y分别记为x*和y*,则x*、y*为换道博弈的一个纳什均衡。
Claims (1)
1.一种联合驾驶风格和博弈理论的自主车换道策略计算方法,利用网联环境下车与车之间的通讯技术,获取自主车自身及其周围的状态信息,使用博弈论的方法进行换道策略的选取;其特征是:首先,以一种非合作的博弈方式对换道行为进行深入分析;其次,采取基于车辆运行状态的方法对有人车的驾驶员进行驾驶风格计算;在博弈分析的基础上使用驾驶风格进行博弈收益的合理定义;最后,利用纳什均衡进行博弈模型的求解,从而为自主车提供换道决策;
为自主车提供换道决策的具体步骤如下:
步骤1:数据预处理:即从自主车及其周围车辆获取的运行状态数据中选取博弈收益计算需要的数据,包括:自主车及其周围车辆的速度、加速度、位置;
步骤2:基于车辆运行状态的驾驶风格计算:利用车辆在高速公路上的相关数据计算高速工况的平均冲击度,根据驾驶员在[t0-ω,t0]时间内的车速、时间信息,计算出这一时间段内的冲击度的标准差;根据冲击度的标准差与平均冲击度的比值计算驾驶员的驾驶风格识别系数Rdriver;将驾驶员的驾驶风格系数Rdriver与标准的驾驶风格系数阈值进行比较,确定驾驶员的驾驶风格;
步骤3:建立博弈换道决策分析模型:即利用博弈论的方法分析换道场景下的博弈要素,并结合驾驶风格进行博弈参与者收益的合理定义;相关收益的计算方式如下:
其中RS为车辆S的驾驶风格系数,RP2为车辆P2的驾驶风格系数,表示t0时刻车辆P1的速度,表示t0时刻车辆S1的速度,表示t0时刻车辆P2的加速度,表示t0时刻车辆S的加速度,LS表示车辆S的车长,LP2表示车辆P2的车长,表示t0时刻目标车辆S与其前车S1之间的距离,MSS表示t0时刻目标车辆S与其前车S1之间的最小安全距离,表示换道完成时刻tT时车辆P1与车辆S的间距,表示换道完成时刻tT时车辆S与车辆P2的间距,表示换道完成时刻tT时以及车辆S1与车辆S的间距,G(P1-S)换道完成时刻tT时车辆P1和车辆S的最小间距,G(S-P2)表示换道完成时刻tT时车辆S和车辆P2的最小间距,G(S1-S)分别表示换道完成时刻tT时车辆S1和车辆S的最小间距;
步骤4:纳什均衡及其求解:即利用纳什均衡的方法求解博弈收益矩阵,为自主车提供换道决策;目标车辆S和车辆P2的纯策略集合分别为A={换道,不换道}、B={加速,减速};车辆S选择换道的概率为p,则其选择不换道的概率为1-p,记为向量x=(p,1-p),其中0≤p≤1;车辆P2选择加速的概率为q,则其选择减速的概率为1-q,记为向量y=(q,1-q)T,其中0≤q≤1;依据纳什均衡的求解方法,所求的混合策略纳什均衡等价于:
由此计算出来的x和y分别记为x*和y*,则x*、y*为换道博弈的一个纳什均衡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810357605.4A CN108595823B (zh) | 2018-04-20 | 2018-04-20 | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810357605.4A CN108595823B (zh) | 2018-04-20 | 2018-04-20 | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108595823A CN108595823A (zh) | 2018-09-28 |
CN108595823B true CN108595823B (zh) | 2021-10-12 |
Family
ID=63614035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810357605.4A Expired - Fee Related CN108595823B (zh) | 2018-04-20 | 2018-04-20 | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108595823B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109733390B (zh) * | 2018-12-29 | 2021-07-20 | 江苏大学 | 一种基于驾驶人特性的自适应换道预警方法 |
CN110111605B (zh) * | 2019-06-12 | 2021-08-31 | 吉林大学 | 基于动态博弈的自动驾驶车辆出入口匝道行驶决策方法 |
CN110298131B (zh) * | 2019-07-05 | 2021-07-13 | 西南交通大学 | 一种混合驾驶环境下自动驾驶换道决策模型建立方法 |
CN110362910B (zh) * | 2019-07-05 | 2021-07-16 | 西南交通大学 | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 |
CN110297494B (zh) * | 2019-07-15 | 2020-07-10 | 吉林大学 | 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统 |
CN110826192B (zh) * | 2019-10-15 | 2024-02-13 | 南京航空航天大学 | 一种基于纳什谈判准则的人-车合作型博弈控制方法 |
US11465617B2 (en) | 2019-11-19 | 2022-10-11 | Ford Global Technologies, Llc | Vehicle path planning |
CN110962853B (zh) * | 2019-11-25 | 2021-04-06 | 浙江工业大学 | 一种车联网环境下车辆博弈换道协作方法 |
CN111081065B (zh) * | 2019-12-13 | 2021-03-30 | 北京理工大学 | 路段混行条件下的智能车辆协同换道决策模型 |
CN111038497B (zh) * | 2019-12-25 | 2021-04-06 | 苏州智加科技有限公司 | 自动驾驶控制方法、装置、车载终端及可读存储介质 |
CN111267846B (zh) * | 2020-02-11 | 2021-05-11 | 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 |
CN111311947B (zh) * | 2020-03-02 | 2021-01-08 | 清华大学 | 一种网联环境下考虑驾驶人意图的行车风险评估方法和装置 |
CN111391848B (zh) * | 2020-03-02 | 2022-03-08 | 吉林大学 | 自动驾驶车辆换道方法 |
CN111717207B (zh) * | 2020-07-09 | 2021-07-23 | 吉林大学 | 一种考虑人车冲突的协同转向控制方法 |
CN111968372B (zh) * | 2020-08-25 | 2022-07-22 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN111994088A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及系统 |
CN112406905B (zh) * | 2020-09-10 | 2022-01-28 | 腾讯科技(深圳)有限公司 | 基于交通工具的数据处理方法、装置、计算机及存储介质 |
CN111994079A (zh) * | 2020-09-18 | 2020-11-27 | 南京航空航天大学 | 考虑驾驶风格特性的非合作博弈换道辅助决策系统及方法 |
CN112365710B (zh) * | 2020-10-19 | 2021-09-24 | 南京航空航天大学 | 一种基于概率输出模型的智能车辆换道决策方法 |
CN112248882B (zh) * | 2020-10-20 | 2022-08-26 | 东风汽车集团有限公司 | 一种纯电动汽车续驶里程预测方法 |
CN112477884B (zh) * | 2020-11-11 | 2022-03-08 | 东风汽车集团有限公司 | 自动驾驶控制方法、装置及车辆 |
CN112590791B (zh) * | 2020-12-16 | 2022-03-11 | 东南大学 | 一种基于博弈论的智能车换道间隙选择方法及装置 |
CN113823118B (zh) * | 2021-02-19 | 2022-07-08 | 石家庄铁道大学 | 一种联合紧急程度和博弈论的智能网联车辆换道方法 |
CN113044046B (zh) * | 2021-04-09 | 2022-09-06 | 联合汽车电子有限公司 | 驾驶员风格识别方法、系统、电子设备及可读存储介质 |
EP4360976A1 (en) * | 2021-07-29 | 2024-05-01 | Huawei Technologies Co., Ltd. | Method for intelligent driving decision-making, vehicle movement control method, apparatus, and vehicle |
CN113920740B (zh) * | 2021-11-16 | 2023-12-29 | 北京白龙马云行科技有限公司 | 一种联合车辆关联度和博弈论的车路协同驾驶系统及方法 |
CN115056798B (zh) * | 2022-05-30 | 2024-04-09 | 天津大学 | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592028A (zh) * | 2012-02-24 | 2012-07-18 | 天津市市政工程设计研究院 | 车道边横向通道设置位置及数量优化方法 |
CN104933228A (zh) * | 2015-05-27 | 2015-09-23 | 西安交通大学 | 基于速度障碍的无人车实时轨迹规划方法 |
CN105912814A (zh) * | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
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 |
CN106953856A (zh) * | 2017-03-16 | 2017-07-14 | 大连理工大学 | 一种结合车辆行驶状态分析车载网can总线协议中数据有效性的方法 |
CN107161155A (zh) * | 2017-04-27 | 2017-09-15 | 大连理工大学 | 一种基于人工神经网络的车辆协同换道方法及其系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130231841A1 (en) * | 2012-02-09 | 2013-09-05 | Ariel Inventions Llc | System and method for reporting energy efficiency recommendations for a vehicle to a requesting user |
-
2018
- 2018-04-20 CN CN201810357605.4A patent/CN108595823B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102592028A (zh) * | 2012-02-24 | 2012-07-18 | 天津市市政工程设计研究院 | 车道边横向通道设置位置及数量优化方法 |
CN104933228A (zh) * | 2015-05-27 | 2015-09-23 | 西安交通大学 | 基于速度障碍的无人车实时轨迹规划方法 |
CN105912814A (zh) * | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
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 |
CN106953856A (zh) * | 2017-03-16 | 2017-07-14 | 大连理工大学 | 一种结合车辆行驶状态分析车载网can总线协议中数据有效性的方法 |
CN107161155A (zh) * | 2017-04-27 | 2017-09-15 | 大连理工大学 | 一种基于人工神经网络的车辆协同换道方法及其系统 |
Non-Patent Citations (2)
Title |
---|
Model-based probabilistic collision detection in autonomous;Althoff M;《IEEE Transactions on Intelligent Transportation Systems》;20091230;299-310 * |
基于博弈论的人类驾驶与无人驾驶协作换道模型;薛春铭,谭国真;《计算机工程》;20171230;261-266 * |
Also Published As
Publication number | Publication date |
---|---|
CN108595823A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595823B (zh) | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 | |
CN111081065B (zh) | 路段混行条件下的智能车辆协同换道决策模型 | |
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN110111605B (zh) | 基于动态博弈的自动驾驶车辆出入口匝道行驶决策方法 | |
CN109726804B (zh) | 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法 | |
CN112233413B (zh) | 一种面向智能网联车辆的多车道时空轨迹优化方法 | |
Hang et al. | Driving conflict resolution of autonomous vehicles at unsignalized intersections: A differential game approach | |
CN111994088A (zh) | 基于混合策略博弈的驾驶人换道意图识别方法及系统 | |
CN114516328B (zh) | 一种智能网联环境下基于规则的车队跟驰模型方法 | |
CN111243296B (zh) | 一种基于合流时间优化的匝道合流协同控制方法及系统 | |
CN113867354A (zh) | 一种自动驾驶多车智能协同的区域交通流导引方法 | |
CN116740945B (zh) | 混行环境下快速路合流区多车协同编组交汇方法及系统 | |
CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
Wang et al. | High-level decision making for automated highway driving via behavior cloning | |
CN115056798A (zh) | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 | |
CN117227755A (zh) | 基于强化学习的复杂交通场景下自动驾驶决策方法及系统 | |
Yuan et al. | Prioritized experience replay-based deep q learning: Multiple-reward architecture for highway driving decision making | |
CN116653957A (zh) | 一种变速变道方法、装置、设备及存储介质 | |
CN113548049B (zh) | 一种基于有限状态机的智能车辆驾驶行为决策方法及系统 | |
WO2021258847A1 (zh) | 一种驾驶决策方法、装置及芯片 | |
CN115096305A (zh) | 一种基于生成对抗网络和模仿学习的智能驾驶汽车路径规划系统及方法 | |
Pavelko et al. | Modification and Experimental Validation of a Logistic Regression Vehicle-Pedestrian Model | |
Qin et al. | Two-lane multipoint overtaking decision model based on vehicle network | |
EP4353560A1 (en) | Vehicle control method and apparatus |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211012 |
|
CF01 | Termination of patent right due to non-payment of annual fee |