CN108898178B - 一种人类驾驶员弯道轨迹建模方法 - Google Patents
一种人类驾驶员弯道轨迹建模方法 Download PDFInfo
- Publication number
- CN108898178B CN108898178B CN201810674527.0A CN201810674527A CN108898178B CN 108898178 B CN108898178 B CN 108898178B CN 201810674527 A CN201810674527 A CN 201810674527A CN 108898178 B CN108898178 B CN 108898178B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- virtual
- lateral offset
- pile
- 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 23
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- PXUQTDZNOHRWLI-OXUVVOBNSA-O malvidin 3-O-beta-D-glucoside Chemical compound COC1=C(O)C(OC)=CC(C=2C(=CC=3C(O)=CC(O)=CC=3[O+]=2)O[C@H]2[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O2)O)=C1 PXUQTDZNOHRWLI-OXUVVOBNSA-O 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种人类驾驶员弯道轨迹建模方法，属于智能车辆轨迹规划领域，首先提取人类驾驶员弯道上的车辆轨迹，然后计算侧向偏移量之间的回归系数及与回归系数对应的车速、视距和道路曲率，最后基于GRNN建立人类驾驶员弯道轨迹模型。本发明可以将不同起始位置、不同车速下的轨迹数据放在同一尺度下进行比较分析，考虑了车辆轨迹具有连续性这一特点，把道路、交通环境、驾驶员与车辆紧密的联系在一起，实现了人类驾驶员弯道轨迹建模。
Description
技术领域
本发明属于智能车辆轨迹规划领域，特别涉及人类驾驶员在弯曲道路上行车轨迹的建模方法。
背景技术
目前，智能车辆技术发展迅速，该技术可以提高汽车的安全性、乘坐的舒适性，以及可以提供优良的人车交互界面，引领着未来汽车技术的发展方向。智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。智能车辆一个最基本的功能是可以自主规划行车轨迹(此轨迹一般被称为参考轨迹)，然后控制车辆按照既定的轨迹行驶，实现轨迹跟踪。
对于结构化道路而言，由于这类道路具有清晰的道路标志线，道路的背景环境比较单一，道路的几何特征也比较明显，所以智能车辆可直接将车道中心线或车道分界线作为参考轨迹。这种做法不仅简单方便，而且易于实现。但一个重要的缺陷是此种方法需要智能车辆强有力的控制模型实现对车辆精确而稳定的控制，在现实复杂的行车环境中往往是难以做到的。另一种主流的轨迹规划方法是采集道路上大量的历史轨迹数据，根据采集到的数据进行深度学习从而建立轨迹预测。中国专利(CN107610464A)公开了一种基于高斯混合时间序列模型(Gauss Time Series Model，简称GMTSM)的轨迹预测方法，其对海量车辆历史轨迹进行模型回归和路段车流量的分析，实现车辆轨迹预测。上述专利是一种典型的数据驱动模型，即借助高级时序数据建模方法，通过大量轨迹数据直接建立轨迹模型。此类方法不考虑车辆轨迹形成的原因和与交通环境的内在关联，其精确程度与适用性完全依赖于历史数据的多少与建模方法的好坏。众所周知，人类驾驶员在驾驶车辆时，车辆的轨迹受多种因素影响，例如车速、道路曲率、视线情况、交通标志、天气、驾驶员驾驶经验、驾驶员对道路的熟悉程度等等。而我们知道，优秀的人类驾驶员(例如赛车手)可以在许多极限的工况下实现车辆的快速稳定控制。若让智能车辆向人类驾驶员学习，便可将智能车辆与交通环境连为一体，使得智能车辆能更好地服务于大众消费者。
发明内容
基于以上分析，首先需要解决的问题是人类驾驶员行车轨迹有哪些特征，以及影响人类驾驶员行车轨迹的原因有哪些。为此，本发明在分析了人类驾驶员在弯道上行车轨迹特征的基础上，先将轨迹转换为侧向偏移量，然后将一条轨迹上的点看作递归关系，利用线性多元回归算法计算得到相应的回归系数，最后通过广义回归神经网络(GRNN)建立了车速、道路曲率、视距和回归系数之间的联系，得到人类驾驶员弯道轨迹模型。该模型从实际数据出发，对轨迹数据进行了合理的简化，同时将道路、交通环境、驾驶员与车辆紧密的联系在一起，对各类驾驶工况具有良好的泛化性能，此模型不但高效精确，还具有简便易实现的特点。
为解决上述技术问题，本发明提供一种人类驾驶员弯道轨迹建模方法，包括以下步骤：
(1)提取人类驾驶员弯道上的车辆轨迹
①通过实车采集不同驾驶员在弯道上驾驶车辆的轨迹信息
首先挑选若干名经验丰富、技术优秀的汽车驾驶员和一条弯曲试验道路，然后在试验车辆上安装高精度GPS轨迹采集设备，最后请驾驶员按照不同的车速驾驶试验车辆反复行驶过试验道路，由此得到多条车辆轨迹数据；
②设置虚拟桩
由于每条轨迹的起始位置有细微差别，同时轨迹记录设备是按照固定时间间隔记录轨迹，所以导致采集到的多条轨迹之间有错位，从而无法分析和比较；为此，在弯道上设置多个虚拟桩，所有虚拟桩以等间隔的方式设置在车道分界线上，虚拟桩之间的间隔为4-8m；
③在每个虚拟桩处建立直角坐标系
在每个虚拟桩所在的点上建立直角坐标系，坐标系Y轴指向弯曲道路在此处的切线方向，X轴与Y轴垂直；
④计算侧向偏移量
为了统一轨迹数据和方便计算，将轨迹数据全部转化为侧向偏移量，侧向偏移量的定义为：在每个虚拟桩处的直角坐标系中，虚拟桩到车辆质心的距离。
(2)计算侧向偏移量之间的回归系数
①将一条车辆轨迹转化为侧向偏移量之后，其数学表达式可以被定义为一个数列{D1,D2,…,Dn-2,Dn-1,Dn}，该数列中n为虚拟桩的桩号，Dn为第n个虚拟桩处的侧向偏移量；
②将每条侧向偏移量数列看作线性递归关系，即第n个虚拟桩处的侧向偏移量Dn可由第n-1个虚拟桩处的侧向偏移量Dn-1和第n-2个虚拟桩处的侧向偏移量Dn-2通过线性变换求得，具体表达式为：Dn＝kn-1Dn-1+kn-2Dn-2+en。上式中，kn-1和kn-2为回归系数，en是随机误差项；
③为了求取回归系数kn-1和kn-2，选取i条侧向偏移量数据，通过多元线性回归计算每个虚拟桩处的回归系数。
(3)计算与回归系数对应的车速、视距和道路曲率
①车速计算
轨迹记录设备在记录车辆轨迹的同时，还采集了车辆的速度信息，为了与步骤(2)中选取的i条侧向偏移量数据一一对应，首先计算这i条轨迹在每个虚拟桩处的车速Vj (j＝1,2,…,n)，然后将i条车速通过k-means聚类得到1条聚类中心，为 {V1,V2,…,Vn-2,Vn-1,Vn}；
②视距计算
假设人类驾驶员的直视距离为SD，视野的张角为θ，计算i条轨迹在每个虚拟桩处的视距Sj(j＝1,2,…,n)，然后将i条视距数据通过k-means聚类得到1条聚类中心，为 {S1,S2,…,Sn-2,Sn-1,Sn}；
③计算道路曲率
根据每个虚拟桩的位置坐标，计算每个虚拟桩处的道路曲率{ρ1,ρ2,…,ρn-2,ρn-1,ρn}。
(4)基于广义回归神经网络(General Regression Neural Network，GRNN)的人类驾驶员弯道轨迹模型
①广义回归神经网络由四层结构组成，输入层为X＝[Vm,Sm,ρx]T，神经元数目为3，其中每个输入都由车速、视距、道路曲率三个元素构成，各神经元是简单的分布单元，直接将输入变量传递给模式层；
②模式层神经元数目与输入层相同，模式层神经元传递函数为
式中，X为网络的输入变量，Xl为第l各神经元对应的学习样本，σ为光滑因子；
③求和层的计算公式为
它对所有模式层神经元的输出进行算数求和，其模式层与各神经元的连接权值为1，传递函数为
④输出层的神经元数目为3，分别为回归系数kn-1、kn-2和随机误差项en，即 Y＝[kn-1,kn-2,en]T；
⑤有效数据共有N条，其中四分之三的数据用于网络训练，四分之一的数据用于检测训练的效果。
本发明的有益效果是：
1、本发明通过在弯曲道路上设置虚拟桩来统一车辆轨迹数据，使得不同起始位置、不同车速下的轨迹数据可以在同一尺度下进行比较分析。
2、将车辆轨迹数据转化为侧向偏移量后，把侧向偏移量数列中连续三个虚拟桩处的侧向偏移量数据看作递归关系，实现了侧向偏移量的数学建模。这种处理方式很好地反映了车辆轨迹具有连续性这一特点，即临近的轨迹点之间存在相互影响的关系，避免了将连续的轨迹数据割裂分析。
3、通过GRNN建立车速、视距、道路曲率和侧向偏移量的关系模型，实际是将道路、交通环境、驾驶员与车辆紧密的联系在一起。建立出的弯道轨迹模型对各类驾驶工况具有良好的泛化性能，同时该模型高效精确、简便易实现。
附图说明
图1为人类驾驶员弯道轨迹建模流程图；
图2为弯曲道路俯视图；
图3为虚拟桩处直角坐标系建立方法示意图；
图4为侧向偏移量定义图；
图5为回归系数和随机误差项计算流程图；
图6为GRNN网络训练误差图；
图7为GRNN网络预测误差图。
具体实施方式
下面将结合附图对本发明作进一步详细描述。
如图1所示，人类驾驶员弯道轨迹建模方法主要包括以下步骤：提取人类驾驶员弯道上的车辆轨迹，计算侧向偏移量之间的回归系数，计算与回归系数对应的车速、视距和道路曲率，基于GRNN(General Regression Neural Network，GRNN)建立人类驾驶员弯道轨迹模型。
(1)提取人类驾驶员弯道上的车辆轨迹
①通过实车采集不同驾驶员在弯道上驾驶车辆的轨迹信息
选取了一条双向两车道作为试验道路，图2为该道路的俯视图。该道路由五部分组成，分别为直线段1、缓和曲线段1、圆曲线段、缓和曲线段2和直线段2，其中圆曲线段的偏转角为88.32°，曲率半径为100m。该试验道路有左车道和右车道两个方向的行车道，试验时驾驶员只在右车道上进行了数据采集。
试验前，在试验车辆上安装NovAtle IMU-CP和Pacific Crest ADL Vantage Pro组成的高精度GPS轨迹采集设备，该设备可以实时记录车辆位置信息和车速信息。在记录数据时，采集设备的采样频率为20Hz，即每隔0.05s记录一次数据。共有五位驾驶员驾驶试验车辆在试验道路上进行了轨迹信息采集。
②设置虚拟桩
如图2中左边的局部放大图所示，由于每条轨迹的起始位置有细微差别，同时轨迹记录设备是按照固定时间间隔记录轨迹，所以导致采集到的多条轨迹之间有错位，从而无法分析和比较。为此，在弯道上设置了75个虚拟桩，所有虚拟桩以等间隔的方式设置在车道分界线上，虚拟桩之间的间隔为4-8m(本实施例优选为4.24m)。
③在每个虚拟桩处建立直角坐标系
图3展示了在每个虚拟桩所在的点上建立直角坐标系的具体方法，每个虚拟桩处的直角坐标系Y轴指向弯曲道路在此处的切线方向且向上为正方向，X轴与Y轴垂直且向右为正方向。
④计算侧向偏移量
为了统一轨迹数据和方便计算，将轨迹数据全部转化为侧向偏移量。侧向偏移量的定义为：在每个虚拟桩处的直角坐标系中，虚拟桩到车辆质心的距离。如图4所示，此时车辆质心的坐标为(xo,0)，侧向偏移量为xo；经整理，共采集了160条有效轨迹数据。
(2)计算侧向偏移量之间的回归系数
①将一条车辆轨迹转化为侧向偏移量之后，其数学表达式可以被定义为一条数列{D1,D2,…,Dn-2,Dn-1,Dn}，该数列中n为虚拟桩的桩号，Dn为第n个虚拟桩处的侧向偏移量。由于本例中在道路上设置了75个虚拟桩，所以1条侧向偏移量数列由75个数据组成。
②将每条侧向偏移量数列看作线性递归关系，即第n个虚拟桩处的侧向偏移量Dn可由第n-1个虚拟桩处的侧向偏移量Dn-1和第n-2个虚拟桩处的侧向偏移量Dn-2通过线性变换求得，具体表达式为：Dn＝kn-1Dn-1+kn-2Dn-2+en，式中，kn-1和kn-2为回归系数，en是随机误差项。
③根据侧向偏移量的定义，将采集到的160条轨迹数据转化为160条侧向偏移量数列。将160条侧向偏移量数列分为16组，每组10条侧向偏移量数列，如图5所示。通过一组内的10条侧向偏移量数列，利用多元线性回归计算出一组回归系数kn-1、回归系数kn-2、随机误差项en，最终得到16组回归系数和随机误差项。
(3)计算与回归系数对应的车速、视距和道路曲率
①车速计算
轨迹记录设备在记录车辆轨迹的同时，还采集了车辆的速度信息。为了与步骤(2)中计算出的16组回归系数和随机误差项一一对应，首先根据步骤(2)中的分组计算每组中10条车速Vj(j＝1,2,…,75)数据，然后将10条车速通过k-means聚类得到1条聚类中心 {V1,V2,…,V73,V74,V75}，此种车速聚类中心数据共有16条。
②视距计算
假设人类驾驶员的直视距离为120m，视野的张角为90°，根据步骤(2)中的分组计算每组中10条轨迹在每个虚拟桩处的视距Sj(j＝1,2,…,75)，然后将10条视距数据通过k-means聚类得到1条聚类中心{S1,S2,…,S73,S74,S75}，此种视距聚类中心数据共有16条。
③计算道路曲率
根据每个虚拟桩的位置坐标，计算每个虚拟桩处的道路曲率{ρ1,ρ2,…,ρ73,ρ74,ρ75}。
(4)基于广义回归神经网络(General Regression Neural Network，GRNN)的人类驾驶员弯道轨迹模型
①广义回归神经网络由四层结构组成，输入层为X＝[Vm,Sm,ρm]T，神经元数目为3，其中每个输入都由车速、视距、道路曲率三个元素构成。各神经元是简单的分布单元，直接将输入变量传递给模式层。
②模式层神经元数目与输入层相同，模式层神经元传递函数为式中，X为网络的输入变量，Xl为第l各神经元对应的学习样本，σ为光滑因子。
③求和层的计算公式为
它对所有模式层神经元的输出进行算数求和，其模式层与各神经元的连接权值为1，传递函数为
④输出层的神经元数目为3，分别为回归系数kn-1、kn-2和随机误差项en，即 Y＝[kn-1,kn-2,en]T。
⑤有效数据共有16条，每条数据由75个数据组成。12条数据用于网络训练，4条数据用于检测训练的效果。最终训练效果如图6和图7所示，图6展示的是光滑因子为0.05 时网络训练误差，图7展示的是光滑因子为0.05时网络预测误差。从结果看，即使可用于训练的数据很少，但GRNN依然能达到较高的训练精度。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。
Claims (5)
1.一种人类驾驶员弯道轨迹建模方法，其特征在于，包括以下步骤：
步骤(1)，提取人类驾驶员弯道上的车辆轨迹；
步骤(2)，计算侧向偏移量之间的回归系数；
所述步骤(2)的具体过程为：
①将一条车辆轨迹转化为侧向偏移量之后，其数学表达式定义为一个数列{D1,D2,…,Dn-2,Dn-1,Dn}，该数列中n为虚拟桩的桩号，Dn为第n个虚拟桩处的侧向偏移量；
②将每条侧向偏移量数列看作线性递归关系，即第n个虚拟桩处的侧向偏移量Dn可由第n-1个虚拟桩处的侧向偏移量Dn-1和第n-2个虚拟桩处的侧向偏移量Dn-2通过线性变换求得；
③选取i条侧向偏移量数据，通过多元线性回归计算每个虚拟桩处的回归系数；
步骤(3)，计算与回归系数对应的车速、视距和道路曲率；
步骤(4)，建立基于广义回归神经网络的人类驾驶员弯道轨迹模型。
2.如权利要求1所述的一种人类驾驶员弯道轨迹建模方法，其特征在于，所述步骤(1)的具体包括：
①通过实车采集不同驾驶员在弯道上驾驶车辆的轨迹信息
在试验车辆上安装车辆轨迹采集设备，驾驶员按照不同的车速驾驶车辆反复行驶过试验道路，得到多条车辆轨迹信息；
②设置虚拟桩在弯道上设置多个虚拟桩，所有虚拟桩以等间隔的方式设置在车道分界线上，虚拟桩之间的间隔为4-8m；
③在每个虚拟桩处建立直角坐标系
在每个虚拟桩所在的点上建立直角坐标系，坐标系Y轴指向弯道在此处的切线方向；
④计算侧向偏移量
将轨迹信息全部转化为侧向偏移量，即在每个虚拟桩处的直角坐标系中，计算虚拟桩到车辆质心的距离。
3.如权利要求1所述的一种人类驾驶员弯道轨迹建模方法，其特征在于，所述第n个虚拟桩处的侧向偏移量Dn的具体表达式为：Dn＝kn-1Dn-1+kn-2Dn-2+en，式中kn-1和kn-2为回归系数，en是随机误差项。
4.如权利要求1所述的一种人类驾驶员弯道轨迹建模方法，其特征在于，所述步骤(3)的具体包括：
①车速计算
轨迹记录设备在记录车辆轨迹的同时，还采集车辆的速度信息，为了与步骤(2)中选取的i条侧向偏移量数据一一对应，首先计算i条轨迹在每个虚拟桩处的车速Vj，然后将i条车速通过k-means聚类得到1条聚类中心，即{V1,V2,…,Vn-2,Vn-1,Vn}，其中j＝1,2,…,n；
②视距计算
假设人类驾驶员的直视距离为SD，视野的张角为θ，计算i条轨迹在每个虚拟桩处的视距Sj，然后将i条视距数据通过k-means聚类得到1条聚类中心，即{S1,S2,…,Sn-2,Sn-1,Sn}；
③计算道路曲率
根据每个虚拟桩的位置坐标，计算每个虚拟桩处的道路曲率{ρ1,ρ2,…,ρn-2,ρn-1,ρn}。
5.如权利要求1所述的一种人类驾驶员弯道轨迹建模方法，其特征在于，所述步骤(4)中的广义回归神经网络由输入层、模式层、求和层及输出层组成，具体为：
①输入层的神经元数目为3，其中每个输入层都由车速Vm、视距Sm、道路曲率ρm三个元素构成，即X＝[Vm,Sm,ρm]T，各神经元是简单的分布单元，直接将输入变量传递给模式层；
②模式层神经元数目与输入层相同，模式层神经元传递函数为
其中，X为网络的输入变量，Xl为第l个神经元对应的学习样本，σ为光滑因子，且l＝1,2,3；
③求和层的计算公式为
它对所有模式层神经元的输出进行算数求和，模式层与各神经元的连接权值为1，传递函数为
④输出层的神经元数目为3，分别为回归系数kn-1、kn-2和随机误差项en，即Y＝[kn-1,kn-2,en]T；
⑤有效数据共有N条，其中四分之三的数据用于网络训练，四分之一的数据用于检测训练的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810674527.0A CN108898178B (zh) | 2018-06-27 | 2018-06-27 | 一种人类驾驶员弯道轨迹建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810674527.0A CN108898178B (zh) | 2018-06-27 | 2018-06-27 | 一种人类驾驶员弯道轨迹建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108898178A CN108898178A (zh) | 2018-11-27 |
| CN108898178B true CN108898178B (zh) | 2021-07-20 |
Family
ID=64346424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810674527.0A Active CN108898178B (zh) | 2018-06-27 | 2018-06-27 | 一种人类驾驶员弯道轨迹建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108898178B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109991024B (zh) * | 2019-04-23 | 2020-12-29 | 重庆长安汽车股份有限公司 | 三级自动驾驶车辆过弯能力测试方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742177A (zh) * | 2017-08-23 | 2018-02-27 | 江苏大学 | 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法 |
-
2018
- 2018-06-27 CN CN201810674527.0A patent/CN108898178B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107742177A (zh) * | 2017-08-23 | 2018-02-27 | 江苏大学 | 一种基于多因素影响的驾驶员弯道行驶轨迹分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 山区公路弯道路段车辆行驶特性及安全对策研究;陈金山;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140315(第35期);第53-55、63、68-69页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108898178A (zh) | 2018-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
| CN111537990B (zh) | 一种车道的标定方法、装置以及电子设备 | |
| CN109460023A (zh) | 基于隐马尔科夫模型的驾驶人换道意图识别方法 | |
| CN107103754A (zh) | 一种道路交通状况预测方法及系统 | |
| CN112265546A (zh) | 基于时空序列信息的网联汽车车速预测方法 | |
| CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
| CN112201069A (zh) | 基于深度强化学习的驾驶员纵向跟车行为模型构建方法 | |
| WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
| CN103942749B (zh) | 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法 | |
| CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
| CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
| CN108665093A (zh) | 基于深度学习的高速公路交通事故严重度预测方法 | |
| CN112905379A (zh) | 基于自我注意力机制的图自编码器的交通大数据修复方法 | |
| CN112465199A (zh) | 空域态势评估系统 | |
| CN114372503A (zh) | 一种集群车辆运动轨迹预测方法 | |
| CN108898178B (zh) | 一种人类驾驶员弯道轨迹建模方法 | |
| CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
| CN114620059B (zh) | 一种自动驾驶方法及其系统、计算机可读存储介质 | |
| CN111310919B (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
| CN114613144B (zh) | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 | |
| CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
| CN117172454A (zh) | 一种分修隧道智能会车调度方法及系统 | |
| CN111368465A (zh) | 基于id3决策树的无人驾驶决策方法 | |
| CN115482666B (zh) | 基于数据融合的多图卷积神经网络交通预测方法 | |
| CN110126846A (zh) | 驾驶场景的表示方法、装置、系统和存储介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240402 Address after: Room 1103, Building 20, Lihe Technology Industry Center, No. 99 Taoyuan East Road, Shishan Town, Nanhai District, Foshan City, Guangdong Province, 528200 Patentee after: Huazhi Thermal Technology (Foshan) Co.,Ltd. Country or region after: China Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Patentee before: JIANGSU University Country or region before: China |