CN108665069A - 一种用于无人车训练模拟的突发性事件触发机制 - Google Patents
一种用于无人车训练模拟的突发性事件触发机制 Download PDFInfo
- Publication number
- CN108665069A CN108665069A CN201810370269.7A CN201810370269A CN108665069A CN 108665069 A CN108665069 A CN 108665069A CN 201810370269 A CN201810370269 A CN 201810370269A CN 108665069 A CN108665069 A CN 108665069A
- Authority
- CN
- China
- Prior art keywords
- straight trip
- unexpected incidents
- state
- hidden
- incidents
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种用于无人车训练模拟的突发性事件触发机制，包括建立隐马尔可夫模型；确定特定突发性事件所涉及的所有虚拟角色在事件发生时间段的观察状态序列；确定突发性事件库中各种典型的突发性事件的观察状态序列；根据当前环境，分别计算各种典型的突发性事件的发生概率，并根据发生概率从高到低的顺序确定各种典型的突发性事件触发的优先级；按照各种典型的突发性事件触发的优先级的顺序判断当前环境是否包含该典型的突发性事件触发所需的虚拟角色，若包含，则触发该典型的突发性事件。本发明提出的突发性事件触发机制不仅能够根据当前环境触发合适的突发性事件，而且能够为仿真突发性事件从而训练无人车的智能行为提供技术手段。
Description
技术领域
本发明涉及无人驾驶技术，特别涉及一种用于无人车训练模拟的突发性事件触发机制。
背景技术
目前，无人驾驶汽车的研究在人工智能的发展和计算能力的不断更新推动下正如火如荼的进行中，各传统汽车厂商和互联网新兴造车企业都宣称2020年前后量产L3级别以上的自动驾驶汽车。为了赶上这个节奏，各厂家都在加紧对无人车进行各种台架测试和道路测试。由于无人车的智能行为决定了其自动化程度，对其研究和评估一直是技术的重心。虽然路测是整车开发验证的必须阶段，但受路测道路场地限制，以及成本和时间因素，全部在真实环境下的研究和验证是不现实的，因此，构建虚拟驾驶仿真平台是加快研究的一项重要技术手段。
然而在虚拟驾驶仿真平台中，由于构建的道路场景范围通常比较有限，同时不断在重复的道路场景范围内对无人驾驶的决策训练，其效果也是有限的，而通过自动触发并仿真突发性事件，不仅能够模拟无人车应对突发性和不确定性事件的智能行为，提高无人车智能行为的训练效率，还可以为验证创造测试条件，而到目前为止，已有的研究对其关注不多，即使有，在仿真时触发地点是固定好的，虽然能够实现不断重复的仿真交互，但在真实性和可扩展方面需要进一步加强。
综上所述，研究用于无人车训练模拟的突发性事件触发机制具有重要的理论意义和工程应用价值。
发明内容
发明目的：为解决现有技术的不足，本发明提供一种用于无人车训练模拟的突发性事件触发机制。
技术方案：本发明提供了一种用于无人车训练模拟的突发性事件触发机制，该机制以触发时机作为判断逻辑，来触发相应的触发内容，所述触发内容由隐马尔可夫模型根据现有的环境从突发性事件库中选择确定；包括以下步骤：
(1)建立隐马尔可夫模型；
(2)确定特定突发性事件所涉及的所有虚拟角色在事件发生时间段的观察状态序列；
(3)确定突发性事件库中各种典型的突发性事件的观察状态序列；
(4)根据无人车采集系统得到的当前环境，分别计算各种典型的突发性事件的发生概率，并根据发生概率从高到低的顺序确定各种典型的突发性事件触发的优先级；
(5)按照各种典型的突发性事件触发的优先级的顺序判断当前环境是否包含该典型的突发性事件触发所需的虚拟角色，若包含，则触发该典型的突发性事件。
优选的，所述触发时机包括时间触发、空间触发和事件触发，其中，所述的时间触发是在指定时刻触发特定的突发性事件；所述的空间触发是在指定地点触发特定的突发性事件；所述的事件触发是通过某一特定事件触发特定的突发性事件；所述的触发时机是以基于时间、空间和事件为基础的独立触发或组合触发作为判断逻辑。
进一步的，所述步骤(1)包括：
(11)定义隐马尔可夫模型中的隐藏状态集合S{十字路口、丁字路口、高速车道、普通车道、人行道}和观察状态集合O{直行、左转、右转、换道、加速、减速}；
(12)定义隐马尔可夫模型中的初始状态概率矩阵π；
(13)定义隐马尔可夫模型中的各个隐藏状态之间的转移概率A和各个隐藏状态和观察状态之间的转移概率B；
(14)对采集到的视频数据进行学习、挖掘和训练得到隐马尔可夫模型，隐马尔可夫模型参数包括初始状态概率矩阵π，各个隐藏状态之间的转移概率A和各个隐藏状态和观察状态之间的转移概率B。
更进一步的，所述初始状态概率矩阵π，各个隐藏状态之间的转移概率矩阵A和各个隐藏状态和观察状态之间的转移概率矩阵B的具体计算方法为：
(a)计算初始概率矩阵π
首先，计算第i个隐藏状态的初始状态概率Pi，计算公式如下：
其中，N表示隐藏状态集合S中元素的数目，即虚拟角色在事件发生时间段的状态总数，Count(Si)表示第i个隐藏状态Si在训练集中出现的次数，Count(Sj)表示第j个隐藏状态Sj在训练集中出现的次数；
则，隐藏状态集合S中所有隐藏状态的初始状态概率的集合记为初始概率矩阵π；
(b)计算状态转移概率矩阵A
首先，计算第i-1个隐藏状态Si-1与第i个隐藏状态Si之间的转移概率P(Si|Si-1)，计算公式如下：
其中，Count(Si-1,Si)表示隐藏状态Si出现在Si-1之后的次数，Count(Si-1)表示隐藏状态Si-1在训练集中出现的数目；
则，隐藏状态集合S中各个隐藏状态之间的转移概率的集合记为状态转移概率矩阵A；
(c)计算各个隐藏状态和观察状态之间的转移概率矩阵，即混淆矩阵B
首先，计算第i个隐藏状态Si和第j个观察状态Oj之间的转移概率P(Oj|Si)，计算公式如下：
其中，Count(Si,Oj)表示观察状态Oj所对应的隐藏状态Si出现的次数，Count(Si)表示隐藏状态Si在训练集中出现的次数；
则，隐藏状态集合S中各个隐藏状态和观察状态集合O中各个观察状态之间的转移概率的集合记为混淆矩阵B。
进一步的，所述步骤(2)包括：
(21)确定突发性事件涉及的所有虚拟角色Car1、Car2…CarN和行人1、行人2…行人N；
(22)在事件发生时间段为每一虚拟角色构建观察状态序列。
进一步的，所述步骤(3)中突发性事件库包括六种典型的突发性事件，确定六种典型的突发性事件所分别对应的所有虚拟角色的观察状态序列，具体包括：
(31)对于突发性事件“在路口处直行的两辆车对撞”，两辆车的观察状态序列分别是{直行、直行、直行…}和{直行、直行、直行…}；
(32)对于突发性事件“在路口处一辆车直行、一辆车拐弯的两辆车侧撞”，两辆车的观察状态序列分别是{直行…直行、直行}和{直行…直行、左转}或者{直行…直行、直行}和{直行…直行、右转}；
(33)对于突发性事件“高速公路上车辆换道追尾”，被追尾车辆的观察状态序列是{直行…直行、换道}，追尾车辆的观察状态序列是{直行、直行、直行…}；
(34)对于突发性事件“异常行人，即行人突然出现在机动车道上”，行人的观察状态序列是{直行…直行、左转、直行…直行}；
(35)对于突发性事件“为躲避行人两辆相向而行的车对撞”，行人的观察状态序列是{直行…直行、左转、直行…直行}；躲避行人的车辆的观察状态序列是{直行…直行、换道、直行…直行}，另一车辆的观察状态序列是{直行…直行}；
(36)对于突发性事件“在隧道处发生多车追尾”，处于最前面车辆的观察状态序列是{直行…直行、减速、直行…直行}，后续车辆的观察状态序列是{直行…直行}。
进一步的，所述步骤(4)包括：
(41)根据步骤(1)训练得到的隐马尔可夫模型和步骤(2)得到的各典型的突发性事件涉及的所有虚拟角色在事件发生时间段的可观察状态序列，在当前环境的隐藏状态序列下，通过隐马尔可夫模型的前向算法计算产生每一虚拟角色可观察状态序列的概率；
(42)将得到的各突发性事件涉及的每一虚拟角色可观察状态序列的概率相乘，即为各典型的突发性事件的发生概率；
(43)根据发生概率从高到低的顺序确定各典型的突发性事件触发的优先级。
进一步的，所述步骤(5)具体为：对于具有最高优先级的突发性事件，判断当前环境是否包含该突发性事件涉及的所有虚拟角色，如果条件满足即触发该突发性事件；否则对于优先级次高的突发性事件，重复上述判断，如果条件满足即触发；否则按照优先级的高低顺次判断，直到找出满足条件的突发性事件从而触发。
有益效果：与现有技术相比，本发明的触发机制可为仿真突发性事件从而训练无人车的智能行为提供技术手段，以解决现有的突发性事件触发必须事先设定好，在真实性和可扩展性方面均有待提高的问题。具有以下优点：
1、本发明的用于无人车训练模拟的突发性事件触发机制不受应用场景和环境因素的限制，能够根据当前环境自动触发最合适的突发性事件，因此该触发机制具有较强的通用性和灵活性。
2、本发明的用于无人车训练模拟的突发性事件触发机制根据当前环境触发突发性事件进而模拟突发性事件来验证无人车对突发性和不确定性的应对能力，不仅可以提高无人车智能行为的训练效率，还为验证创造测试条件。
附图说明
图1是本发明触发机制的结构示意图；
图2是本发明为特定突发性事件涉及的所有虚拟角色构建的事件发生时间段的观测状态序列示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细的说明。
本发明从提高无人车智能行为的训练效率角度出发，研究用于无人车训练模拟的突发性事件触发机制。通过本发明的研究，不仅能够根据当前环境为无人车触发合适的突发性事件，而且能够为仿真突发性事件从而训练无人车的智能行为提供技术手段。
如图1所示，本发明的用于无人车训练模拟的突发性事件触发机制由两部分组成，包括触发时机和触发内容。
触发时机以基于时间、空间和事件为基础的独立触发或组合触发作为判断逻辑，具体包括时间触发、空间触发和事件触发。其中，时间触发是在指定时刻t触发突发性事件；空间触发是在指定地点p触发突发性事件；事件触发是通过某一特定事件e触发突发性事件。
触发内容由隐马尔可夫模型HMM根据现有的环境从六种典型的突发性事件中选择确定。其中，六种典型的突发性事件通过训练学习归纳得到，包括：(a)在路口处直行的两辆车对撞；(b)在路口处一辆车直行、一辆车拐弯的两辆车侧撞；(c)高速公路上车辆换道追尾；(d)异常行人，即行人突然出现在机动车道上；(e)为躲避行人两辆相向而行的车对撞；(f)在隧道处发生多车追尾。
该用于无人车训练模拟的突发性事件触发机制，包括以下步骤：
(1)建立隐马尔可夫模型
具体地，定义隐马尔可夫模型中的隐藏状态集合S{十字路口、丁字路口、高速车道、普通车道、人行道}和观察状态集合O{直行、左转、右转、换道、加速、减速}；并在此基础上，给出隐马尔可夫模型的相关参数，包括初始状态概率矩阵π，各个隐藏状态之间的转移概率矩阵A和各个隐藏状态和观察状态之间的转移概率矩阵B(即混淆矩阵)，具体方法描述如下：
(a)计算初始概率矩阵π
首先，计算第i个隐藏状态的初始状态概率Pi，计算公式如下：
其中，N表示隐藏状态集合S中元素的数目，即虚拟角色在事件发生时间段的状态总数，Count(Si)表示第i个隐藏状态Si在训练集中出现的次数，Count(Sj)表示第j个隐藏状态Sj在训练集中出现的次数。
隐藏状态集合S中所有隐藏状态的初始状态概率的集合记为初始概率矩阵π。
(b)计算状态转移概率矩阵A
首先，计算第i-1个隐藏状态Si-1与第i个隐藏状态Si之间的转移概率P(Si|Si-1)，计算公式如下：
其中，Count(Si-1,Si)表示隐藏状态Si出现在Si-1之后的次数，Count(Si-1)表示隐藏状态Si-1在训练集中出现的数目。
隐藏状态集合S中各个隐藏状态之间的转移概率的集合记为状态转移概率矩阵A。
(c)计算混淆矩阵B
首先，计算第i个隐藏状态Si和第j个观察状态Oj之间的转移概率P(Oj|Si)，计算公式如下：
其中，Count(Si,Oj)表示观察状态Oj所对应的隐藏状态Si出现的次数，Count(Si)表示隐藏状态Si在训练集中出现的次数。
隐藏状态集合S中各个隐藏状态和观察状态集合O中各个观察状态之间的转移概率的集合记为混淆矩阵B。
通过上述定义，对采集到的视频数据进行学习、挖掘和训练，可以建立用于计算突发性事件发生概率的隐马尔可夫模型，确定模型的各个参数。
(2)确定特定突发性事件涉及的所有虚拟角色在事件发生时间段的观察状态序列；具体如图2所示：
(21)确定突发性事件涉及的所有虚拟角色Car1、Car2…CarN和行人1、行人2…行人N；
(22)在事件发生时间段为每一虚拟角色构建观察状态序列。例如，Car1的观察状态序列为{加速、直行…直行、左转}；而同一时间段，Car2的观察状态序列为{直行…直行、直行}。
(3)确定六种典型的突发性事件所分别对应的所有虚拟角色的观察状态序列；
具体地，对于突发性事件“在路口处直行的两辆车对撞”，两辆车的观察状态序列分别是{直行、直行、直行…}和{直行、直行、直行…}；对于突发性事件“在路口处一辆车直行、一辆车拐弯的两辆车侧撞”，两辆车的观察状态序列分别是{直行…直行、直行}和{直行…直行、左转}或者{直行…直行、直行}和{直行…直行、右转}；对于突发性事件“高速公路上车辆换道追尾”，被追尾车辆的观察状态序列是{直行…直行、换道}，追尾车辆的观察状态序列是{直行、直行、直行…}；对于突发性事件“异常行人，即行人突然出现在机动车道上”，行人的观察状态序列是{直行…直行、左转、直行…直行}；对于突发性事件“为躲避行人两辆相向而行的车对撞”，行人的观察状态序列是{直行…直行、左转、直行…直行}；躲避行人的车辆的观察状态序列是{直行…直行、换道、直行…直行}，另一车辆的观察状态序列是{直行…直行}；对于突发性事件“在隧道处发生多车追尾”，处于最前面车辆的观察状态序列是{直行…直行、减速、直行…直行}，后续车辆的观察状态序列是{直行…直行}。
(4)根据无人车上的激光雷达、摄像头等设备感知到的当前环境，分别计算六种典型的突发性事件的发生概率，并根据发生概率从高到低的顺序确定突发性事件触发的优先级；
具体地，首先根据训练得到的隐马尔可夫模型和各突发性事件涉及的所有虚拟角色在事件发生时间段的可观察状态序列，在当前环境的隐藏状态序列下，通过隐马尔可夫模型的前向算法计算产生每一虚拟角色可观察状态序列的概率。
然后将得到的各突发性事件涉及的每一虚拟角色可观察状态序列的概率相乘，其结果作为各突发性事件的发生概率；
最后根据发生概率从高到低的顺序确定各突发性事件触发的优先级，也就是概率最大的突发性事件的优先级最高。
(5)判断当前环境是否包含所有的虚拟角色，一旦条件满足即触发该突发性事件。
具体地，对于具有最高优先级的突发性事件，判断当前环境是否包含该突发性事件涉及的所有虚拟角色，如果条件满足即触发该突发性事件；否则对于优先级次高的突发性事件，重复上述判断，如果条件满足即触发；否则按照优先级的高低顺次判断，直到找出满足条件的突发性事件从而触发。
以上所述仅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技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种用于无人车训练模拟的突发性事件触发机制，其特征在于，该机制以触发时机作为判断逻辑，来触发相应的触发内容，所述触发内容由隐马尔可夫模型根据现有的环境从突发性事件库中选择确定；包括以下步骤：
(1)建立隐马尔可夫模型；
(2)确定特定突发性事件所涉及的所有虚拟角色在事件发生时间段的观察状态序列；
(3)确定突发性事件库中各种典型的突发性事件的观察状态序列；
(4)根据无人车采集系统得到的当前环境，分别计算各种典型的突发性事件的发生概率，并根据发生概率从高到低的顺序确定各种典型的突发性事件触发的优先级；
(5)按照各种典型的突发性事件触发的优先级的顺序判断当前环境是否包含该典型的突发性事件触发所需的虚拟角色，若包含，则触发该典型的突发性事件。
2.根据权利要求1所述的一种用于无人车训练模拟的突发性事件触发机制，其特征在于：所述触发时机包括时间触发、空间触发和事件触发，其中，所述的时间触发是在指定时刻触发特定的突发性事件；所述的空间触发是在指定地点触发特定的突发性事件；所述的事件触发是通过某一特定事件触发特定的突发性事件；所述的触发时机是以基于时间、空间和事件为基础的独立触发或组合触发作为判断逻辑。
3.根据权利要求1所述的一种用于无人车训练模拟的突发性事件触发机制，其特征在于，所述步骤(1)包括：
(11)定义隐马尔可夫模型中的隐藏状态集合S{十字路口、丁字路口、高速车道、普通车道、人行道}和观察状态集合O{直行、左转、右转、换道、加速、减速}；
(12)定义隐马尔可夫模型中的初始状态概率矩阵π；
(13)定义隐马尔可夫模型中的各个隐藏状态之间的转移概率A和各个隐藏状态和观察状态之间的转移概率B；
(14)对采集到的视频数据进行学习、挖掘和训练得到隐马尔可夫模型，隐马尔可夫模型参数包括初始状态概率矩阵π，各个隐藏状态之间的转移概率A和各个隐藏状态和观察状态之间的转移概率B。
4.根据权利要求3所述的一种用于无人车训练模拟的突发性事件触发机制，其特征在于，所述初始状态概率矩阵π，各个隐藏状态之间的转移概率矩阵A和各个隐藏状态和观察状态之间的转移概率矩阵B的具体计算方法为：
(a)计算初始概率矩阵π
首先，计算第i个隐藏状态的初始状态概率Pi，计算公式如下：
其中，N表示隐藏状态集合S中元素的数目，即虚拟角色在事件发生时间段的状态总数，Count(Si)表示第i个隐藏状态Si在训练集中出现的次数，Count(Sj)表示第j个隐藏状态Sj在训练集中出现的次数；
则，隐藏状态集合S中所有隐藏状态的初始状态概率的集合记为初始概率矩阵π；
(b)计算状态转移概率矩阵A
首先，计算第i-1个隐藏状态Si-1与第i个隐藏状态Si之间的转移概率P(Si|Si-1)，计算公式如下：
其中，Count(Si-1,Si)表示隐藏状态Si出现在Si-1之后的次数，Count(Si-1)表示隐藏状态Si-1在训练集中出现的数目；
则，隐藏状态集合S中各个隐藏状态之间的转移概率的集合记为状态转移概率矩阵A；
(c)计算各个隐藏状态和观察状态之间的转移概率矩阵，即混淆矩阵B
首先，计算第i个隐藏状态Si和第j个观察状态Oj之间的转移概率P(Oj|Si)，计算公式如下：
其中，Count(Si,Oj)表示观察状态Oj所对应的隐藏状态Si出现的次数，Count(Si)表示隐藏状态Si在训练集中出现的次数；
则，隐藏状态集合S中各个隐藏状态和观察状态集合O中各个观察状态之间的转移概率的集合记为混淆矩阵B。
5.根据权利要求1所述的一种用于无人车训练模拟的突发性事件触发机制，其特征在于，所述步骤(2)包括：
(21)确定突发性事件涉及的所有虚拟角色Car1、Car2…CarN和行人1、行人2…行人N；
(22)在事件发生时间段为每一虚拟角色构建观察状态序列。
6.根据权利要求1所述的一种用于无人车训练模拟的突发性事件触发机制，其特征在于，所述步骤(3)中突发性事件库包括六种典型的突发性事件，确定六种典型的突发性事件所分别对应的所有虚拟角色的观察状态序列，具体包括：
(31)对于突发性事件“在路口处直行的两辆车对撞”，两辆车的观察状态序列分别是{直行、直行、直行…}和{直行、直行、直行…}；
(32)对于突发性事件“在路口处一辆车直行、一辆车拐弯的两辆车侧撞”，两辆车的观察状态序列分别是{直行…直行、直行}和{直行…直行、左转}或者{直行…直行、直行}和{直行…直行、右转}；
(33)对于突发性事件“高速公路上车辆换道追尾”，被追尾车辆的观察状态序列是{直行…直行、换道}，追尾车辆的观察状态序列是{直行、直行、直行…}；
(34)对于突发性事件“异常行人，即行人突然出现在机动车道上”，行人的观察状态序列是{直行…直行、左转、直行…直行}；
(35)对于突发性事件“为躲避行人两辆相向而行的车对撞”，行人的观察状态序列是{直行…直行、左转、直行…直行}；躲避行人的车辆的观察状态序列是{直行…直行、换道、直行…直行}，另一车辆的观察状态序列是{直行…直行}；
(36)对于突发性事件“在隧道处发生多车追尾”，处于最前面车辆的观察状态序列是{直行…直行、减速、直行…直行}，后续车辆的观察状态序列是{直行…直行}。
7.根据权利要求1所述的一种用于无人车训练模拟的突发性事件触发机制，其特征在于，所述步骤(4)包括：
(41)根据步骤(1)训练得到的隐马尔可夫模型和步骤(2)得到的各典型的突发性事件涉及的所有虚拟角色在事件发生时间段的可观察状态序列，在当前环境的隐藏状态序列下，通过隐马尔可夫模型的前向算法计算产生每一虚拟角色可观察状态序列的概率；
(42)将得到的各突发性事件涉及的每一虚拟角色可观察状态序列的概率相乘，即为各典型的突发性事件的发生概率；
(43)根据发生概率从高到低的顺序确定各典型的突发性事件触发的优先级。
8.根据权利要求1所述的一种用于无人车训练模拟的突发性事件触发机制，其特征在于，所述步骤(5)具体为：对于具有最高优先级的突发性事件，判断当前环境是否包含该突发性事件涉及的所有虚拟角色，如果条件满足即触发该突发性事件；否则对于优先级次高的突发性事件，重复上述判断，如果条件满足即触发；否则按照优先级的高低顺次判断，直到找出满足条件的突发性事件从而触发。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810370269.7A CN108665069B (zh) | 2018-04-24 | 2018-04-24 | 一种用于无人车训练模拟的突发性事件触发机制 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810370269.7A CN108665069B (zh) | 2018-04-24 | 2018-04-24 | 一种用于无人车训练模拟的突发性事件触发机制 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108665069A true CN108665069A (zh) | 2018-10-16 |
| CN108665069B CN108665069B (zh) | 2022-04-15 |
Family
ID=63780044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810370269.7A Active CN108665069B (zh) | 2018-04-24 | 2018-04-24 | 一种用于无人车训练模拟的突发性事件触发机制 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108665069B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110471535A (zh) * | 2019-09-09 | 2019-11-19 | 北京精英智通科技股份有限公司 | 一种模拟驾驶交互方法、装置及设备和存储介质 |
| CN113761996A (zh) * | 2020-08-21 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种火灾识别方法和装置 |
| CN116502055A (zh) * | 2023-01-10 | 2023-07-28 | 昆明理工大学 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068857A (zh) * | 2015-07-24 | 2015-11-18 | 同济大学 | 一种基于高逼真度驾驶模拟器的驾驶行为数据获取方法 |
| CN106448312A (zh) * | 2016-08-24 | 2017-02-22 | 重庆迪马工业有限责任公司 | 模拟逃生教学车工作系统的控制方法 |
| CN106886664A (zh) * | 2017-03-30 | 2017-06-23 | 中国民航科学技术研究院 | 兼容飞行数据驱动的飞行事故模拟方法与系统 |
-
2018
- 2018-04-24 CN CN201810370269.7A patent/CN108665069B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068857A (zh) * | 2015-07-24 | 2015-11-18 | 同济大学 | 一种基于高逼真度驾驶模拟器的驾驶行为数据获取方法 |
| CN106448312A (zh) * | 2016-08-24 | 2017-02-22 | 重庆迪马工业有限责任公司 | 模拟逃生教学车工作系统的控制方法 |
| CN106886664A (zh) * | 2017-03-30 | 2017-06-23 | 中国民航科学技术研究院 | 兼容飞行数据驱动的飞行事故模拟方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| CHRISTOPH MERTZ 等: "《Side Collision Warning Systems for Transit Buses》", 《PROCEEDINGS OF THE IEEE INTELLIGENT VEHICLES SYMPOSIUM 2000》 * |
| 余锋: "《基于驾驶员操控行为特征的碰撞预判系统研究》", 《CNKI硕士论文》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110471535A (zh) * | 2019-09-09 | 2019-11-19 | 北京精英智通科技股份有限公司 | 一种模拟驾驶交互方法、装置及设备和存储介质 |
| CN110471535B (zh) * | 2019-09-09 | 2023-08-29 | 北京精英智通科技股份有限公司 | 一种模拟驾驶交互方法、装置及设备和存储介质 |
| CN113761996A (zh) * | 2020-08-21 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种火灾识别方法和装置 |
| CN113761996B (zh) * | 2020-08-21 | 2023-11-07 | 北京京东振世信息技术有限公司 | 一种火灾识别方法和装置 |
| CN116502055A (zh) * | 2023-01-10 | 2023-07-28 | 昆明理工大学 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
| CN116502055B (zh) * | 2023-01-10 | 2024-05-03 | 昆明理工大学 | 一种基于类马尔可夫模型的多维特征动态异常积分模型 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108665069B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Human-like autonomous vehicle speed control by deep reinforcement learning with double Q-learning | |
| US11513523B1 (en) | Automated vehicle artificial intelligence training based on simulations | |
| CN106991251B (zh) | 一种高速公路交通流元胞机仿真方法 | |
| CN111795832B (zh) | 一种智能驾驶车辆测试方法、装置及设备 | |
| CN108665069A (zh) | 一种用于无人车训练模拟的突发性事件触发机制 | |
| CN107301289B (zh) | 一种基于智能博弈的交通流元胞自动机模型的实现方法 | |
| Naumann et al. | Coincar-sim: An open-source simulation framework for cooperatively interacting automobiles | |
| US20210056863A1 (en) | Hybrid models for dynamic agents in a simulation environment | |
| Ci et al. | V2I-based car-following modeling and simulation of signalized intersection | |
| CN112508164B (zh) | 一种基于异步监督学习的端到端自动驾驶模型预训练方法 | |
| Shoukat et al. | Evaluate the connected autonomous vehicles infrastructure using digital twin model based on cyber-physical combination of intelligent network | |
| CN113609784B (zh) | 一种交通极限场景生成方法、系统、设备和存储介质 | |
| CN114511999A (zh) | 一种行人行为预测方法及装置 | |
| Cheng et al. | Enhancing mixed traffic flow safety via connected and autonomous vehicle trajectory planning with a reinforcement learning approach | |
| CN115691134A (zh) | 一种基于对抗生成网络的智能汽车测试场景库构建方法 | |
| Genevois et al. | Augmented reality on lidar data: Going beyond vehicle-in-the-loop for automotive software validation | |
| CN111983934B (zh) | 一种无人车仿真测试用例生成方法及系统 | |
| JP2007072224A (ja) | ドライビングシミュレータ | |
| Papelis et al. | A comprehensive microscopic autonomous driver model for use in high-fidelity driving simulation environments | |
| US20230162539A1 (en) | Driving decision-making method and apparatus and chip | |
| Mani et al. | Learning adaptive driving behavior using recurrent deterministic policy gradients | |
| Wang et al. | ADEPT: A testing platform for simulated autonomous driving | |
| CN108682148A (zh) | 混合交通状态下基于机器学习的非网联车状态估计方法 | |
| CN113887726A (zh) | 数据生成、驾驶策略验证、强化学习网络训练方法及装置 | |
| CN112230565A (zh) | 车辆的模拟驾驶方法、装置、电子设备及计算机可读存储介质 |
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 |