CN108919795A - 一种自动驾驶汽车换道决策方法及装置 - Google Patents

一种自动驾驶汽车换道决策方法及装置 Download PDF

Info

Publication number
CN108919795A
CN108919795A CN201810556054.4A CN201810556054A CN108919795A CN 108919795 A CN108919795 A CN 108919795A CN 201810556054 A CN201810556054 A CN 201810556054A CN 108919795 A CN108919795 A CN 108919795A
Authority
CN
China
Prior art keywords
automobile
autonomous driving
lane
driving vehicle
behavior
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
CN201810556054.4A
Other languages
English (en)
Other versions
CN108919795B (zh
Inventor
宋威龙
汪洋
崔星
李胜飞
杨福威
余雪玮
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.)
China North Vehicle Research Institute
Original Assignee
China North Vehicle Research Institute
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 China North Vehicle Research Institute filed Critical China North Vehicle Research Institute
Priority to CN201810556054.4A priority Critical patent/CN108919795B/zh
Publication of CN108919795A publication Critical patent/CN108919795A/zh
Application granted granted Critical
Publication of CN108919795B publication Critical patent/CN108919795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明提供一种自动驾驶汽车换道决策方法及装置，包括：定义自动驾驶汽车换道决策候选策略集；利用评价函数确定所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，并选取奖励值最大的策略作为换道决策。本发明提供的技术方案主要提高了自动驾驶汽车的决策能力，尤其对于复杂的汽车驾驶场景，具有很好的决策效果。

Description

一种自动驾驶汽车换道决策方法及装置
技术领域
本发明涉及自动驾驶车辆行为决策领域，具体涉及一种自动驾驶汽车换道决策方法及装置。
背景技术
交通环境下，自动驾驶汽车需要与其他车辆协作行驶，理解其他车辆的驾驶意图并表现出合理的驾驶行为。自动驾驶汽车换道决策能力很大程度上决定了自动驾驶汽车的行驶性能。
最常用的行为决策方法是基于规则的方法，该方法具有应用简单的优点，多种基于状态机的系统用于对交通场景进行评价并且在该体系框架中进行行为决策。典型的基于状态机的系统执行一系列人工定义的决策状态以实现准确的行为决策，同时定义状态转移条件实现不同状态之间的切换。但是基于规则的行为决策体系当中，没有充分考虑环境的不确定性，在复杂的环境中，许多因素往往不能提前精确建模，这会影响基于规则方法的效率。
另外一类是基于统计的决策方法。基于统计的决策方法在许多驾驶任务中是一种考虑不确定性的决策方法。基于统计的决策方法能够降低交通场景中其他交通要素行为不确定性所带来的影响，但与基于规则的方法相比较，统计方法更为复杂，决策架构的设计、交通参与者的行为分析、决策模型求解等问题均面临挑战。
为给自动驾驶车辆提供准确的行驶策略，需提供一种考虑其他车辆驾驶意图，且能处理复杂场景的决策模型。
发明内容
为了解决复杂环境下自动驾驶汽车的换道决策问题，相较于先前基于规则与基于统计的决策方法研究，本发明提出一种自动驾驶汽车换道决策方法及装置。通过本方法，提高了自动驾驶汽车的决策能力，尤其对于复杂的汽车驾驶场景，具有很好的决策效果。
本发明提供的一种自动驾驶汽车换道决策方法，其改进之处在于，包括：
定义自动驾驶汽车换道决策候选策略集；
利用评价函数确定所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，并选取奖励值最大的策略作为换道决策；
其中，所述评价函数根据所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态构建。
优选的，所述定义自动驾驶汽车换道决策候选策略集，包括：
所述自动驾驶汽车换道决策候选策略集πi，用下式表示：
其中，自动驾驶汽车换道决策候选策略用下式表示：
上式中，LK为在Δt1+Δt2+Δt3进行LK行为；
LK-LC为Δt1+Δt2进行LK行为，Δt3进行LC行为；
LK-LC-LK为Δt1进行LK行为，Δt2进行LC行为，Δt3进行LK行为；
LC为Δt1+Δt2+Δt3进行LC行为；
LC-LK为Δt1+Δt2进行LC行为，Δt3进行LK行为；
LC-LK-LC为Δt1进行LC行为，Δt2进行LK行为，Δt3进行LC行为；
其中，Δt1,Δt2,Δt3为时间参数，且thorizon＝Δt1+Δt2+Δt3，thorizon为自动驾驶汽车换道候选策略的预测周期，LK行为和LC行为为汽车的横向动作，LK行为为汽车的车道保持行为，LC行为为汽车的换道行为。
优选的，所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态的确定过程如下：
定义汽车的起始位姿为(xA,yA,δA,θA)，其中(xA,yA)为汽车坐标轴的起始位置，δA为汽车的起始前轮偏角，θA为汽车的起始航向角，(xB,yB,δB,θB)为汽车的目标位姿，(xB,yB)为汽车在坐标轴的目标位置，δB为汽车的目标前轮偏角，θB为汽车的目标航向角；
当汽车的换道决策候选策略中横向动作为LK行为时，汽车的目标位姿(xB,yB,δB,θB)，按下式计算：
当汽车的换道决策候选策略中换道动作为LC行为时，汽车的目标位姿(xB,yB,δB,θB)，按下式计算：
上式中，ν为汽车的起始速度，v0为汽车变道的平均速度，Δt为汽车从所述坐标轴起始位置到目标位置的行驶时间，ymid为当前车道中心线，ytar为目标车道中心线，θlane为车道线方向对应的航向角；
根据汽车的起始位姿和目标位姿确定汽车换道决策候选策略中横向动作对应的汽车的行驶曲线轨迹，所述曲线轨迹用2个五次多项式表示：
x(u)＝x0+x1u+x2u2+x3u3+x4u4+x5u5
y(u)＝y0+y1u+y2u2+y3u3+y4u4+y5u5
上式中，u为设定的无量纲参数，(x0,y0)为汽车曲线轨迹起点位置，x1,x2,x3,x4,x5,y1,y2,y3,y4,y5为汽车曲线轨迹五次多项式的系数；
其中，x1,x2,x3,x4,x5,y1,y2,y3,y4,y5按下式计算：
x1＝η1cosθA
y1＝η1sinθA
上式中，η1,η2,η3,η4为设定的系数；
利用汽车换道决策候选策略中横向动作对应的车行驶曲线轨迹组成在预测周期内汽车的行驶曲线轨迹，根据所述在预测周期内汽车的行驶曲线轨迹和对应的加速度曲线确定汽车在任一预测时刻的运动状态[x',y',θ',v']，其中，x'为汽车位置的横坐标，y'为汽车位置的纵坐标，θ'为汽车的航向角，v'为汽车的速度；
利用自动驾驶汽车及交通场景中其他汽车在任一预测时刻的运动状态确定自动驾驶汽车的安全性函数及时效性函数；
根据所述自动驾驶汽车的安全性函数及时效性函数按下式确定所述评价函数为：
R(t)＝μ1Rsafety(t)+μ2Rtime(t)+μ3Rcomfort(t)
上式中，R(t)为自动驾驶汽车在预测周期内某一预测时刻t的奖励值，Rsafety为安全性函数，μ1为安全性函数的权重，Rtime为时效性函数，μ2为时效性函数的权重，Rcomfort为舒适性函数，μ3为舒适性函数的权重；
所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，按下式计算：
上式中，γ为折扣因子，N为自动驾驶汽车横向动作的数量。
进一步的，所述利用自动驾驶汽车及交通场景中其他汽车在任一预测时刻的运动状态确定自动驾驶汽车的安全性函数及时效性函数，包括：
所述安全性函数Rsafety，按下式计算：
其中
上式中，tTTC,i为自动驾驶汽车与交通场景中其他汽车i的距离碰撞时间，ΔdIV,i为自动驾驶汽车IV和交通场景中其他汽车i之间在某一预测时刻的车道线方向相对距离，ΔvIV,i为自动驾驶汽车IV和交通场景中其他汽车i之间在某一预测时刻车道线方向的相对速度；车辆i为某一预测时刻，自动驾驶汽车IV的前车、侧前车、侧后车三车中与自动驾驶汽车在同一车道上的车辆；
所述时效性函数Rtime，按下式计算：
Rtime＝dgoal/vlane
上式中，dgoal为自动驾驶汽车起始位置距目标位置的距离，vlane为自动驾驶汽车目标位置的可达速度；
进一步的，所述舒适性函数Rcomfort，按下式计算：
Rcomfort＝1-|a|/amax
上式中，a为自动驾驶汽车到达目标位置的加速度，amax为允许的最大加速度值。
进一步的，利用部分可观测马尔科夫过程确定所述交通场景中其他汽车的换道决策候选策略中每条策略对应的横向动作。
一种自动驾驶汽车换道决策装置，其改进之处在于，包括：
定义模块，用于定义自动驾驶汽车换道决策候选策略集；
决策模块，用于利用评价函数确定所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，并选取奖励值最大的策略作为换道决策；
其中，所述评价函数根据所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态构建。
与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：
本发明提出了了一种自动驾驶汽车换道决策方法及装置，通过评价函数确定所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，并选取奖励值最大的策略作为换道决策，提高了自动驾驶汽车的决策能力，尤其对于复杂的汽车驾驶场景，提高了自动驾驶汽车的行驶性能，具有很好的决策效果。
附图说明
图1为本发明提供的一种自动驾驶汽车换道决策方法的流程图；
图2为本发明实施例中对应换道决策的参考轨迹。
具体实施方式
下面结合附图对本发明的实施方式作进一步详细说明。
实施例一
本发明实施例提出一种自动驾驶汽车换道决策方法，流程图如图1所示，包括以下步骤：
定义自动驾驶汽车换道决策候选策略集；
利用评价函数确定所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，并选取奖励值最大的策略作为换道决策；
其中，所述评价函数根据所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态构建。
所述定义自动驾驶汽车换道决策候选策略集，包括：
所述自动驾驶汽车换道决策候选策略集πi，用下式表示：
其中，自动驾驶汽车换道决策候选策略用下式表示：
上式中，LK为在Δt1+Δt2+Δt3进行LK行为；
LK-LC为Δt1+Δt2进行LK行为，Δt3进行LC行为；
LK-LC-LK为Δt1进行LK行为，Δt2进行LC行为，Δt3进行LK行为；
LC为Δt1+Δt2+Δt3进行LC行为；
LC-LK为Δt1+Δt2进行LC行为，Δt3进行LK行为；
LC-LK-LC为Δt1进行LC行为，Δt2进行LK行为，Δt3进行LC行为；
其中，Δt1,Δt2,Δt3为时间参数，且thorizon＝Δt1+Δt2+Δt3，thorizon为自动驾驶汽车换道候选策略的预测周期，LK行为和LC行为为汽车的横向动作，LK行为为汽车的车道保持行为，LC行为为汽车的换道行为。
自动驾驶汽车换道决策候选策略表示为汽车的一个曲线轨迹和与曲线轨迹对应的候选加速度曲线，包括：
所述汽车的曲线轨迹按Δt1，Δt2，Δt3分为三段，自动驾驶汽车换道决策候选策略中Δt1，Δt2，Δt3对应时间段内汽车的横向动作表示为相应时间段内汽车行驶的曲线轨迹；
所述曲线轨迹对应的候选加速度曲线按Δt1，Δt2，Δt3分为三段，设定为a1＝a2＝[-4，-3，-2，-1，0，1，2]，a3＝0，其中时间段Δt1，Δt2保持恒定的加减速度a1，a2，限定为-4m/s到2m/s之间的离散值，时间段Δt3匀速行驶，a3加速度为0。
所述汽车的曲线轨迹通过汽车的起始位姿和目标位姿确定，定义汽车的起始位姿为(xA,yA,δA,θA)，其中(xA,yA)为汽车坐标轴的起始位置，δA为汽车的起始前轮偏角，θA为汽车的起始航向角，(xB,yB,δB,θB)为汽车的目标位姿，(xB,yB)为汽车在坐标轴的目标位置，δB为汽车的目标前轮偏角，θB为汽车的目标航向角；
当汽车的换道决策候选策略中横向动作为LK行为时，汽车的目标位姿(xB,yB,δB,θB)，按下式计算：
当汽车的换道决策候选策略中换道动作为LC行为时，汽车的目标位姿(xB,yB,δB,θB)，按下式计算：
上式中，v为汽车的起始速度，v0为汽车变道的平均速度，Δt为汽车从所述坐标轴起始位置到目标位置的行驶时间，ymid为当前车道中心线，ytar为目标车道中心线，θlane为车道线方向对应的航向角；
根据汽车的起始位姿和目标位姿确定汽车换道决策候选策略中横向动作对应的汽车的行驶曲线轨迹，如图2所示，所述曲线轨迹用2个五次多项式表示：
x(u)＝x0+x1u+x2u2+x3u3+x4u4+x5u5
y(u)＝y0+y1u+y2u2+y3u3+y4u4+y5u5
上式中，u为设定的无量纲参数，(x0,y0)为汽车曲线轨迹起点位置，x1,x2,x3,x4,x5,y1,y2,y3,y4,y5为汽车曲线轨迹五次多项式的系数；
其中，x1,x2,x3,x4,x5,y1,y2,y3,y4,y5按下式计算：
x1＝η1cosθA
y1＝η1sinθA
上式中，η1,η2,η3,η4为设定的系数。
利用汽车换道决策候选策略中横向动作对应的车行驶曲线轨迹组成在预测周期内汽车的行驶曲线轨迹，根据所述在预测周期内汽车的行驶曲线轨迹和对应的加速度曲线确定汽车在任一预测时刻的运动状态，包括：
a.所述汽车运动状态用[x，y，θ，v]表示，其中，x为汽车位置的横坐标，y为汽车位置的纵坐标，θ为汽车的航向角，v为汽车的速度；
b.根据所述自动驾驶汽车的换道决策候选策略确定自动驾驶汽车在预测周期内下一预测时刻的运动状态；
c.根据所述自动驾驶汽车在预测周期内下一预测时刻的运动状态和交通场景中其他汽车运动状态预测模型确定交通场景中其他汽车在下一预测时刻的运动状态；
d.根据所述下一预测时刻自动驾驶汽车运动状态和所述下一预测时刻交通场景中其他汽车运动状态，更新自动驾驶汽车与交通场景中其他汽车的当前运动状态，当前时刻更新为下一预测时刻，下一预测时刻更新为当前时刻加上设定的时间步长，返回步骤b循环运行，直到预测周期结束。
其中，所述步骤b，包括：
自动驾驶汽车在预测周期内下一预测时刻行驶状态[x′，y′，θ′，v′]，可以通过自动驾驶汽车的曲线轨迹确定，也可以按下式计算：
上式中，[x，y，θ，v]为当前时刻自动驾驶汽车行驶状态，ak为自动驾驶汽车横向动作k在当前时刻对应的加速度值，Δt为相邻预测时刻的间隔时间，Δθ为自动驾驶汽车横向动作k对应的相邻预测时刻航向角的变化值。
所述步骤c，包括：
e.建立2车道的局部感兴趣汽车状态地图ROI map，包含自动驾驶汽车当前时刻前车、侧前、侧后3个感兴趣目标汽车的状态信息，所述交通场景中其他汽车运动状态预测模型包括前车进行LK行为预测，侧前车进行LK和LC行为预测，侧后车进行LK行为预测；
f.所述前车进行LK行为预测，当前车匀速行驶时，将前车的LK行为表示为前车的曲线轨迹，根据前车的曲线轨迹确定前车下一预测时刻在坐标轴的位置，下一预测时刻前车的速度和航向角保持不变；
g.所述侧前车进行LK和LC行为预测，当所述侧前车是LK行为，将侧前车的LK行为表示为侧前车的曲线轨迹，根据侧前车的曲线轨迹确定下一预测时刻侧前车的位置，下一预测时刻侧前车的速度和航向角保持不变；当所述侧前车是LC行为，则所述侧前车目标终点y轴位置为相邻车道的中心线位置，x轴位置定义为x′：
x′＝x0+vxdtarget/vy
上式中，当前时刻所述侧前车纵向速度为vx，横向速度为vy，dtarget为汽车当前位置距离目标车道中心线的距离，x0表示汽车当前x轴位置；
确定所述侧前车起终点位置后，将侧前车的LC行为表示为侧前车的曲线轨迹，根据所述侧前车的曲线轨迹得到下一预测时刻侧前车的目标位置和航向角，侧前车下一预测时刻的速度不变；
h.所述侧后车进行LK行为预测，则侧后车的LK行为表示为侧后车的曲线轨迹，根据侧后车的曲线轨迹确定下一预测时刻所述侧后车的曲线轨迹，根据侧后车的曲线轨迹确定所述侧后车下一时刻的目标位置和航向角；
所述侧后车行驶加速度按下式计算：
上式中，dMSS为自动驾驶汽车与所述侧后车之间最小安全距离，vIV为自动驾驶汽车下一预测时刻的速度，vNR为所述侧后车当前时刻的速度，d1＝xIV-xNR为自动驾驶汽车与侧后车之间的x轴距离；
所述侧后车下一时刻的速度v′NR按下式计算：
v′NR＝vNR+aexp ect，1Δtstep
上式中，Δtstep为两个时刻的时间差，vNR为侧后车起始速度。
利用自动驾驶汽车及交通场景中其他汽车在任一预测时刻的运动状态确定自动驾驶汽车的安全性函数及时效性函数；
根据所述自动驾驶汽车的安全性函数及时效性函数按下式确定所述评价函数为：
R(t)＝μ1Rsafety(t)+μ2Rtime(t)+μ3Rcomfort(t)
上式中，R(t)为自动驾驶汽车在预测周期内某一预测时刻t的奖励值，Rsafety为安全性函数，μ1为安全性函数的权重，Rtime为时效性函数，μ2为时效性函数的权重，Rcomfort为舒适性函数，μ3为舒适性函数的权重；
所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，按下式计算：
上式中，γ为折扣因子，N为自动驾驶汽车横向动作的数量。
其中，利用自动驾驶汽车及交通场景中其他汽车在任一预测时刻的运动状态确定自动驾驶汽车的安全性函数及时效性函数，包括：
所述安全性函数Rsafety，按下式计算：
其中
上式中，tTTC,i为自动驾驶汽车与交通场景中其他汽车i的距离碰撞时间，ΔdIV,i为自动驾驶汽车IV和交通场景中其他汽车i之间在某一预测时刻的车道线方向相对距离，ΔvIV,i为自动驾驶汽车IV和交通场景中其他汽车i之间在某一预测时刻车道线方向的相对速度；车辆i为某一预测时刻，自动驾驶汽车IV的前车、侧前车、侧后车三车中与自动驾驶汽车在同一车道上的车辆；
自动驾驶汽车与交通场景中其他汽车i发生碰撞时，Rsafe＝-∞；
所述时效性函数Rtime，按下式计算：
Rtime＝dgoal/vlane
上式中，dgoal为自动驾驶汽车起始位置距目标位置的距离，vlane为自动驾驶汽车目标位置的可达速度；
所述舒适性函数Rcomfort，按下式计算：
Rcomfort＝1-|a|/amax
上式中，a为自动驾驶汽车到达目标位置的加速度，amax为允许的最大加速度值。
实施例二
本发明实施例还提出一种自动驾驶汽车换道决策装置，包括：
定义模块，用于定义自动驾驶汽车换道决策候选策略集；
决策模块，用于利用评价函数确定所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，并选取奖励值最大的策略作为换道决策；
其中，所述评价函数根据所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态构建。
具体的，所述定义模块定义自动驾驶汽车换道决策候选策略集，包括：
所述自动驾驶汽车换道决策候选策略集πi，用下式表示：
其中，自动驾驶汽车换道决策候选策略用下式表示：
上式中，LK为在Δt1+Δt2+Δt3进行LK行为；
LK-LC为Δt1+Δt2进行LK行为，Δt3进行LC行为；
LK-LC-LK为Δt1进行LK行为，Δt2进行LC行为，Δt3进行LK行为；
LC为Δt1+Δt2+Δt3进行LC行为；
LC-LK为Δt1+Δt2进行LC行为，Δt3进行LK行为；
LC-LK-LC为Δt1进行LC行为，Δt2进行LK行为，Δt3进行LC行为；
其中，Δt1,Δt2,Δt3为时间参数，且thorizon＝Δt1+Δt2+Δt3，thorizon为自动驾驶汽车换道候选策略的预测周期，LK行为和LC行为为汽车的横向动作，LK行为为汽车的车道保持行为，LC行为为汽车的换道行为。
具体的，所述决策模块包括：
第一计算单元，用于按下式计算汽车的目标位姿:
当汽车的换道决策候选策略中横向动作为LK行为时，汽车的目标位姿(xB,yB,δB,θB)，按下式计算：
当汽车的换道决策候选策略中换道动作为LC行为时，汽车的目标位姿(xB,yB,δB,θB)，按下式计算：
上式中，v为汽车的起始速度，v0为汽车变道的平均速度，Δt为汽车从所述坐标轴起始位置到目标位置的行驶时间，ymid为当前车道中心线，ytar为目标车道中心线，θlane为车道线方向对应的航向角，汽车的起始位姿为(xA,yA,δA,θA)，其中(xA,yA)为汽车坐标轴的起始位置，δA为汽车的起始前轮偏角，θA为汽车的起始航向角；
第二计算单元，用于根据汽车的起始位姿和目标位姿确定汽车换道决策候选策略中横向动作对应的汽车的行驶曲线轨迹，并用2个五次多项式表示所述汽车的行驶曲线轨迹:
x(u)＝x0+x1u+x2u2+x3u3+x4u4+x5u5
y(u)＝y0+y1u+y2u2+y3u3+y4u4+y5u5
上式中，u为设定的无量纲参数，(x0,y0)为汽车曲线轨迹起点位置，x1,x2,x3,x4,x5,y1,y2,y3,y4,y5为汽车曲线轨迹五次多项式的系数；
其中，x1,x2,x3,x4,x5,y1,y2,y3,y4,y5按下式计算：
x1＝η1cosθA
y1＝η1sinθA
上式中，η1,η2,η3,η4为设定的系数；
确定单元，用于根据所述汽车的行驶曲线轨迹和对应的加速度曲线确定汽车在任一预测时刻的运动状态[x',y',θ',v']，其中，x为汽车位置的横坐标，y为汽车位置的纵坐标，θ为汽车的航向角，v为汽车的速度。
所述评价函数根据所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态定义为：
R(t)＝μ1Rsafety(t)+μ2Rtime(t)+μ3Rcomfort(t)
上式中，R(t)为自动驾驶汽车在预测周期内某一预测时刻t的奖励值，Rsafety为安全性函数，μ1为安全性函数的权重，Rtime为时效性函数，μ2为时效性函数的权重，Rcomfort为舒适性函数，μ3为舒适性函数的权重；
所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，按下式计算：
上式中，γ为折扣因子，N为自动驾驶汽车横向动作的数量。
其中，所述安全性函数Rsafety，按下式计算：
其中
上式中，tTTC,i为自动驾驶汽车与交通场景中其他汽车i的距离碰撞时间，ΔdIV,i为自动驾驶汽车IV和交通场景中其他汽车i之间在某一预测时刻的车道线方向相对距离，ΔvIV,i为自动驾驶汽车IV和交通场景中其他汽车i之间在某一预测时刻车道线方向的相对速度；车辆i为某一预测时刻，自动驾驶汽车IV的前车、侧前车、侧后车三车中与自动驾驶汽车在同一车道上的车辆；
自动驾驶汽车与交通场景中其他汽车i发生碰撞时，Rsafe＝-∞；
所述时效性函数Rtime，按下式计算：
Rtime＝dgoal/vlane
上式中，dgoal为自动驾驶汽车起始位置距目标位置的距离，vlane为自动驾驶汽车目标位置的可达速度；
所述舒适性函数Rcomfort，按下式计算：
Rcomfort＝1-|a|/amax
上式中，a为自动驾驶汽车到达目标位置的加速度，amax为允许的最大加速度值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (7)

1.一种自动驾驶汽车换道决策方法，其特征在于，所述方法包括：
定义自动驾驶汽车换道决策候选策略集；
利用评价函数确定所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，并选取奖励值最大的策略作为换道决策；
其中，所述评价函数根据所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态构建。
2.如权利要求1所述的方法，其特征在于，所述定义自动驾驶汽车换道决策候选策略集，包括：
所述自动驾驶汽车换道决策候选策略集πi，用下式表示：
其中，自动驾驶汽车换道决策候选策略用下式表示：
上式中，LK为在Δt1+Δt2+Δt3进行LK行为；
LK-LC为Δt1+Δt2进行LK行为，Δt3进行LC行为；
LK-LC-LK为Δt1进行LK行为，Δt2进行LC行为，Δt3进行LK行为；
LC为Δt1+Δt2+Δt3进行LC行为；
LC-LK为Δt1+Δt2进行LC行为，Δt3进行LK行为；
LC-LK-LC为Δt1进行LC行为，Δt2进行LK行为，Δt3进行LC行为；
其中，Δt1,Δt2,Δt3为时间参数，且thorizon＝Δt1+Δt2+Δt3，thorizon为自动驾驶汽车换道候选策略的预测周期，LK行为和LC行为为汽车的横向动作，LK行为为汽车的车道保持行为，LC行为为汽车的换道行为。
3.如权利要求1所述的方法，其特征在于，所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态的确定过程如下：
定义汽车的起始位姿为(xA,yA,δA,θA)，其中(xA,yA)为汽车坐标轴的起始位置，δA为汽车的起始前轮偏角，θA为汽车的起始航向角，(xB,yB,δB,θB)为汽车的目标位姿，(xB,yB)为汽车在坐标轴的目标位置，δB为汽车的目标前轮偏角，θB为汽车的目标航向角；
当汽车的换道决策候选策略中横向动作为LK行为时，汽车的目标位姿(xB,yB,δB,θB)，按下式计算：
当汽车的换道决策候选策略中换道动作为LC行为时，汽车的目标位姿(xB,yB,δB,θB)，按下式计算：
上式中，v为汽车的起始速度，v0为汽车变道的平均速度，Δt为汽车从所述坐标轴起始位置到目标位置的行驶时间，ymid为当前车道中心线，ytar为目标车道中心线，为车道线方向对应的航向角；
根据汽车的起始位姿和目标位姿确定汽车换道决策候选策略中横向动作对应的汽车的行驶曲线轨迹，所述曲线轨迹用2个五次多项式表示：
x(u)＝x0+x1u+x2u2+x3u3+x4u4+x5u5
y(u)＝y0+y1u+y2u2+y3u3+y4u4+y5u5
上式中，u为设定的无量纲参数，(x0,y0)为汽车曲线轨迹起点位置，x1,x2,x3,x4,x5,y1,y2,y3,y4,y5为汽车曲线轨迹五次多项式的系数；
其中，x1,x2,x3,x4,x5,y1,y2,y3,y4,y5按下式计算：
x1＝η1cosθA
y1＝η1sinθA
上式中，η1,η2,η3,η4为设定的系数；
利用汽车换道决策候选策略中横向动作对应的车行驶曲线轨迹组成在预测周期内汽车的行驶曲线轨迹，根据所述在预测周期内汽车的行驶曲线轨迹和对应的加速度曲线确定汽车在任一预测时刻的运动状态[x',y',θ',v']，其中，x'为汽车位置的横坐标，y'为汽车位置的纵坐标，θ'为汽车的航向角，v'为汽车的速度；
利用自动驾驶汽车及交通场景中其他汽车在任一预测时刻的运动状态确定自动驾驶汽车的安全性函数及时效性函数；
根据所述自动驾驶汽车的安全性函数及时效性函数按下式确定所述评价函数为：
R(t)＝μ1Rsafety(t)+μ2Rtime(t)+μ3Rcomfort(t)
上式中，R(t)为自动驾驶汽车在预测周期内预测时刻t的奖励值，Rsafety为安全性函数，μ1为安全性函数的权重，Rtime为时效性函数，μ2为时效性函数的权重，Rcomfort为舒适性函数，μ3为舒适性函数的权重；
所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，按下式计算：
上式中，γ为折扣因子，N为自动驾驶汽车横向动作的数量。
4.如权利要求3所述的方法，其特征在于，所述利用自动驾驶汽车及交通场景中其他汽车在任一预测时刻的运动状态确定自动驾驶汽车的安全性函数及时效性函数，包括：
所述安全性函数Rsafety，按下式计算：
其中
上式中，tTTC,i为自动驾驶汽车与交通场景中其他汽车i的距离碰撞时间，ΔdIV,i为自动驾驶汽车IV和交通场景中其他汽车i之间在预测时刻的车道线方向相对距离，ΔvIV,i为自动驾驶汽车IV和交通场景中其他汽车i之间在预测时刻车道线方向的相对速度；车辆i包括：预测时刻自动驾驶汽车IV的前车、侧前车、侧后车三车中与自动驾驶汽车在同一车道上的车辆；
所述时效性函数Rtime，按下式计算：
Rtime＝dgoal/vlane
上式中，dgoal为自动驾驶汽车起始位置距目标位置的距离，vlane为自动驾驶汽车目标位置的可达速度。
5.如权利要求3所述的方法，其特征在于，所述舒适性函数Rcomfort，按下式计算：
Rcomfort＝1-|a|/amax
上式中，a为自动驾驶汽车到达目标位置的加速度，amax为允许的最大加速度值。
6.如权利要求3所述的方法，其特征在于，利用部分可观测马尔科夫过程确定所述交通场景中其他汽车的换道决策候选策略中每条策略对应的横向动作。
7.一种自动驾驶汽车换道决策装置，其特征在于，所述装置包括：
定义模块，用于定义自动驾驶汽车换道决策候选策略集；
决策模块，用于利用评价函数确定所述自动驾驶汽车换道决策候选策略集中每条策略的奖励值，并选取奖励值最大的策略作为换道决策；
其中，所述评价函数根据所述自动驾驶汽车换道决策候选策略集中策略对应的预测周期内自动驾驶汽车每个预测时刻的运动状态及交通场景中其他汽车每个预测时刻的运动状态构建。
CN201810556054.4A 2018-06-01 2018-06-01 一种自动驾驶汽车换道决策方法及装置 Active CN108919795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810556054.4A CN108919795B (zh) 2018-06-01 2018-06-01 一种自动驾驶汽车换道决策方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810556054.4A CN108919795B (zh) 2018-06-01 2018-06-01 一种自动驾驶汽车换道决策方法及装置

Publications (2)

Publication Number Publication Date
CN108919795A true CN108919795A (zh) 2018-11-30
CN108919795B CN108919795B (zh) 2023-07-25

Family

ID=64418867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810556054.4A Active CN108919795B (zh) 2018-06-01 2018-06-01 一种自动驾驶汽车换道决策方法及装置

Country Status (1)

Country Link
CN (1) CN108919795B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109582022A (zh) * 2018-12-20 2019-04-05 驭势科技（北京）有限公司 一种自动驾驶策略决策系统与方法
CN109669461A (zh) * 2019-01-08 2019-04-23 南京航空航天大学 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN109910792A (zh) * 2019-03-08 2019-06-21 苏州工业园区职业技术学院 一种自动驾驶电动车高速变道控制系统
CN110320916A (zh) * 2019-07-24 2019-10-11 上海交通大学 考虑乘员感受的自动驾驶汽车轨迹规划方法及系统
CN110763246A (zh) * 2019-08-06 2020-02-07 中国第一汽车股份有限公司 自动驾驶车辆路径规划方法、装置、车辆及存储介质
CN111007858A (zh) * 2019-12-23 2020-04-14 北京三快在线科技有限公司 车辆行驶决策模型的训练方法、行驶决策确定方法及装置
CN111483468A (zh) * 2020-04-24 2020-08-04 广州大学 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统
CN112477864A (zh) * 2020-11-10 2021-03-12 合肥工业大学 新型自动驾驶车辆安全换道的控制方法及系统
CN112519782A (zh) * 2020-12-08 2021-03-19 英博超算(南京)科技有限公司 车辆自动变道方法、装置、车辆以及计算机可读存储介质
CN112937608A (zh) * 2021-03-31 2021-06-11 吉林大学 一种基于轨迹预测的冰雪环境无人驾驶车辆一体化滚动决策方法、装置及存储介质
CN113253739A (zh) * 2021-06-24 2021-08-13 深圳慧拓无限科技有限公司 一种用于高速公路的驾驶行为决策方法
CN113619604A (zh) * 2021-08-26 2021-11-09 清华大学 自动驾驶汽车的集成式决控方法、装置及存储介质
CN113961002A (zh) * 2021-09-09 2022-01-21 浙江零跑科技股份有限公司 一种基于结构化道路采样的主动换道规划方法
CN114074680A (zh) * 2020-08-11 2022-02-22 湖南大学 基于深度强化学习的车辆换道行为决策方法及系统
CN114360276A (zh) * 2022-01-13 2022-04-15 郑州汉威光电股份有限公司 一种基于大数据的高速公路智慧管理系统
CN114506324A (zh) * 2020-10-23 2022-05-17 上海汽车集团股份有限公司 一种车道决策方法及相关装置
CN114566065A (zh) * 2022-03-04 2022-05-31 中智行(苏州)科技有限公司 一种基于车路协同的多车协作式变道方法
CN114627640A (zh) * 2022-01-21 2022-06-14 中国科学院深圳先进技术研究院 一种智能网联汽车行驶策略的动态演化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101663679A (zh) * 2006-08-07 2010-03-03 德国邮政股份公司 实物运输方法、运输系统和运输工具
US20140195093A1 (en) * 2013-01-04 2014-07-10 Carnegie Mellon University Autonomous Driving Merge Management System
CN106926844A (zh) * 2017-03-27 2017-07-07 西南交通大学 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法
CN107315411A (zh) * 2017-07-04 2017-11-03 合肥工业大学 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
CN107380160A (zh) * 2017-08-30 2017-11-24 重庆凯泽科技股份有限公司 一种汽车自动控制系统及控制方法
CN107430006A (zh) * 2014-12-02 2017-12-01 凯文·孙林·王 避免事故的方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101663679A (zh) * 2006-08-07 2010-03-03 德国邮政股份公司 实物运输方法、运输系统和运输工具
US20140195093A1 (en) * 2013-01-04 2014-07-10 Carnegie Mellon University Autonomous Driving Merge Management System
CN107430006A (zh) * 2014-12-02 2017-12-01 凯文·孙林·王 避免事故的方法和系统
CN106926844A (zh) * 2017-03-27 2017-07-07 西南交通大学 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法
CN107315411A (zh) * 2017-07-04 2017-11-03 合肥工业大学 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
CN107380160A (zh) * 2017-08-30 2017-11-24 重庆凯泽科技股份有限公司 一种汽车自动控制系统及控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛春铭;谭国真;丁男;刘明剑;杜伟强;: "基于博弈论的人类驾驶与无人驾驶协作换道模型", 计算机工程, no. 12 *

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109582022B (zh) * 2018-12-20 2021-11-02 驭势科技（北京）有限公司 一种自动驾驶策略决策系统与方法
CN109582022A (zh) * 2018-12-20 2019-04-05 驭势科技（北京）有限公司 一种自动驾驶策略决策系统与方法
CN109669461B (zh) * 2019-01-08 2020-07-28 南京航空航天大学 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN109669461A (zh) * 2019-01-08 2019-04-23 南京航空航天大学 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
US11440565B2 (en) 2019-02-19 2022-09-13 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Decision method, device, equipment in a lane changing process and storage medium
CN109910792A (zh) * 2019-03-08 2019-06-21 苏州工业园区职业技术学院 一种自动驾驶电动车高速变道控制系统
CN110320916A (zh) * 2019-07-24 2019-10-11 上海交通大学 考虑乘员感受的自动驾驶汽车轨迹规划方法及系统
CN110763246A (zh) * 2019-08-06 2020-02-07 中国第一汽车股份有限公司 自动驾驶车辆路径规划方法、装置、车辆及存储介质
CN111007858A (zh) * 2019-12-23 2020-04-14 北京三快在线科技有限公司 车辆行驶决策模型的训练方法、行驶决策确定方法及装置
CN111483468A (zh) * 2020-04-24 2020-08-04 广州大学 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统
WO2021212728A1 (zh) * 2020-04-24 2021-10-28 广州大学 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统
CN114074680B (zh) * 2020-08-11 2023-08-22 湖南大学 基于深度强化学习的车辆换道行为决策方法及系统
CN114074680A (zh) * 2020-08-11 2022-02-22 湖南大学 基于深度强化学习的车辆换道行为决策方法及系统
CN114506324B (zh) * 2020-10-23 2024-03-15 上海汽车集团股份有限公司 一种车道决策方法及相关装置
CN114506324A (zh) * 2020-10-23 2022-05-17 上海汽车集团股份有限公司 一种车道决策方法及相关装置
CN112477864B (zh) * 2020-11-10 2022-07-08 合肥工业大学 自动驾驶车辆安全换道的控制方法及系统
CN112477864A (zh) * 2020-11-10 2021-03-12 合肥工业大学 新型自动驾驶车辆安全换道的控制方法及系统
CN112519782A (zh) * 2020-12-08 2021-03-19 英博超算(南京)科技有限公司 车辆自动变道方法、装置、车辆以及计算机可读存储介质
CN112937608A (zh) * 2021-03-31 2021-06-11 吉林大学 一种基于轨迹预测的冰雪环境无人驾驶车辆一体化滚动决策方法、装置及存储介质
CN112937608B (zh) * 2021-03-31 2022-06-21 吉林大学 一种基于轨迹预测的冰雪环境无人驾驶车辆一体化滚动决策方法、装置及存储介质
CN113253739B (zh) * 2021-06-24 2021-11-02 深圳慧拓无限科技有限公司 一种用于高速公路的驾驶行为决策方法
CN113253739A (zh) * 2021-06-24 2021-08-13 深圳慧拓无限科技有限公司 一种用于高速公路的驾驶行为决策方法
CN113619604B (zh) * 2021-08-26 2023-08-15 清华大学 自动驾驶汽车的集成式决控方法、装置及存储介质
CN113619604A (zh) * 2021-08-26 2021-11-09 清华大学 自动驾驶汽车的集成式决控方法、装置及存储介质
CN113961002A (zh) * 2021-09-09 2022-01-21 浙江零跑科技股份有限公司 一种基于结构化道路采样的主动换道规划方法
CN113961002B (zh) * 2021-09-09 2023-10-03 浙江零跑科技股份有限公司 一种基于结构化道路采样的主动换道规划方法
CN114360276B (zh) * 2022-01-13 2022-08-26 郑州汉威光电股份有限公司 一种基于大数据的高速公路智慧管理系统
CN114360276A (zh) * 2022-01-13 2022-04-15 郑州汉威光电股份有限公司 一种基于大数据的高速公路智慧管理系统
CN114627640A (zh) * 2022-01-21 2022-06-14 中国科学院深圳先进技术研究院 一种智能网联汽车行驶策略的动态演化方法
CN114566065A (zh) * 2022-03-04 2022-05-31 中智行(苏州)科技有限公司 一种基于车路协同的多车协作式变道方法
CN114566065B (zh) * 2022-03-04 2024-02-27 天翼交通科技有限公司 一种基于车路协同的多车协作式变道方法

Also Published As

Publication number Publication date
CN108919795B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN108919795A (zh) 一种自动驾驶汽车换道决策方法及装置
CN110597245B (zh) 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN109035862B (zh) 一种基于车车通信的多车协同换道控制方法
Wang et al. Trajectory planning and safety assessment of autonomous vehicles based on motion prediction and model predictive control
Li et al. Development of a new integrated local trajectory planning and tracking control framework for autonomous ground vehicles
CN109501799B (zh) 一种车联网条件下的动态路径规划方法
US11462099B2 (en) Control system and control method for interaction-based long-term determination of trajectories for motor vehicles
CN112193244B (zh) 基于线性约束的自动驾驶车辆运动规划方法
CN110053619A (zh) 车辆控制装置
Zhang et al. Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework
CN113247023B (zh) 一种行驶规划方法、装置、计算机设备及存储介质
CN113071487B (zh) 自动驾驶车辆控制方法、装置及云端设备
CN112965476A (zh) 一种基于多窗口抽样的高速无人车轨迹规划系统及方法
CN112046484A (zh) 一种基于q学习的车辆变道超车路径规划方法
CN112906542A (zh) 一种基于强化学习的无人车避障方法及装置
Park et al. A vehicle speed harmonization strategy for minimizing inter-vehicle crash risks
CN116118780A (zh) 一种车辆避障轨迹规划方法、系统、车辆及存储介质
Weisswange et al. Intelligent traffic flow assist: Optimized highway driving using conditional behavior prediction
CN112542061B (zh) 基于车联网的借道超车控制方法、装置、系统及存储介质
Vasic et al. An overtaking decision algorithm for networked intelligent vehicles based on cooperative perception
CN113147766A (zh) 目标车辆的换道预测方法及设备
CN110920623B (zh) 自动驾驶中车辆变道至目标车道前车之后的预测方法
CN112461251B (zh) 自动驾驶车队的路点信息传输方法、装置及系统
Bagwe et al. Towards Robust On-Ramp Merging via Augmented Multimodal Reinforcement Learning
CN116300970B (zh) 车辆自主编队方法及装置

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