CN109388073A - 一种车辆动态模拟的方法和装置 - Google Patents
一种车辆动态模拟的方法和装置 Download PDFInfo
- Publication number
- CN109388073A CN109388073A CN201711329345.1A CN201711329345A CN109388073A CN 109388073 A CN109388073 A CN 109388073A CN 201711329345 A CN201711329345 A CN 201711329345A CN 109388073 A CN109388073 A CN 109388073A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- dynamic
- simulating
- status data
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 abstract description 12
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000013178 mathematical model Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/20—Control system inputs
- G05D1/24—Arrangements for determining position or orientation
- G05D1/246—Arrangements for determining position or orientation using environment maps, e.g. simultaneous localisation and mapping [SLAM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/20—Control system inputs
- G05D1/24—Arrangements for determining position or orientation
- G05D1/247—Arrangements for determining position or orientation using signals provided by artificial sources external to the vehicle, e.g. navigation beacons
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/80—Arrangements for reacting to or preventing system or operator failure
- G05D1/81—Handing over between on-board automatic and on-board manual control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种车辆动态模拟方法和装置,用于解决现有的自动驾驶车辆模拟方法无法高效地模拟一种车辆在不同环境中的运动或动态情况的问题。包括:在当前计算周期中,车辆动态模拟系统接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;车辆动态模拟系统中包括所述类型车辆在多种驾驶环境中运行的车辆运行动态模型;根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;车辆运行模拟系统根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据,将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据发送给车辆动态模拟系统。
Description
技术领域
本发明涉及自动驾驶技术领域,特别涉及一种车辆动态模拟的方法和装置。
背景技术
自动驾驶车辆模拟对于研发和配置自动驾驶车辆的控制系统而言非常重要。车辆模拟系统模仿现实中车辆的运动情况或动态情况,生成相应的车辆的运动模拟结果或者动态模拟结果。具体地在现有技术中,通常对车辆的机械结构(例如引擎和传动装置)进行数学建模得到模型,并进行相应的参数设置和调整得到完善的模型,对实时输入进行模型运算得到车辆的运动模拟或者动态模拟。
由于在现实世界中驾驶环境是各种各样的,车辆的情况也是不相同的。使用数学模型进行模拟时,需要对各种车辆的机械结构进行模拟,也即根据各种车辆的结构和特征,分别建立与多种车辆对应的数学模型,一种数学模型对应一种车辆。并且,还要针对各种数学模型设置和调试各种参数。
从现有技术中可以看出,收集、维护各种车辆的机械结构和特征数据是非常耗时和困难的,并且数学建模工作包括建模和模型调试,也是非常耗时和困难的。从而可以看出现有的自动驾驶车辆动态模拟方法中存在工作量大、耗时长,无法高效模拟一种车辆在不同环境中运动的动态情况。
发明内容
鉴于上述情况,本发明提供了一种车辆动态模拟方法和装置,用于解决现有的自动驾驶车辆动态模拟方法中存在的工作量大、耗时长,无法高效模拟一种车辆在不同环境中运动的动态情况的问题。
根据本申请的一个方面,提供了一种车辆动态模拟方法,该方法包括:
在当前计算周期中,车辆动态模拟系统接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;其中,车辆动态模拟系统中包括所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;
车辆动态模拟系统根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
车辆运行模拟系统根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;
车辆运行模拟系统将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据发送给车辆动态模拟系统。
在一些实施例中,所述方法还包括:车辆动态模拟系统接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;车辆动态模拟系统根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
在一些实施例中,所述方法还包括:车辆动态模拟系统将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。
在一些实施例中,车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;模拟车辆动态数据至少包括以下之一:车辆速度数据、车辆扭矩数据;模拟车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据。
根据本申请的一个方面,提供了一种车辆动态模拟装置,该装置包括:
车辆动态模拟单元,用于在当前计算周期中,车辆动态模拟系统接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;其中,车辆动态模拟系统中包括所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;系统根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
车辆运行模拟单元,用于根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据发送给车辆动态模拟系统。
在一些实施例中,车辆动态模拟单元还用于:接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
在一些实施例中,车辆动态模拟单元还用于:将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。
根据本申请的一个方面,提供了一种车辆动态模拟装置,该装置包括一个处理器和至少一个存储器,至少一个存储器中存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令以实现:
在当前计算周期中,接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;其中,至少一条机器可执行指令中还存储有所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;
根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;
将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据。
在一些实施例中,处理器执行至少一条机器可执行指令还实现:接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
在一些实施例中,处理器执行至少一条机器可执行指令还实现:将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。
根据本申请提供的车辆动态模拟方法,车辆动态模拟系统根据实时输入的车辆控制命令和该种类型车辆的车辆状态数据,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;由于车辆动态模拟系统中包括多种车辆运行动态模型,这些模型分别表达了一种类型的车辆在多种驾驶环境中的运行的对应的动态情况,生成的车辆动态数据能够表达该种类型的车辆在一个特定的驾驶环境中运行的车辆动态情况;从而一个车辆动态模拟系统能够针对实时输入,生成一种类型的车辆在不同驾驶环境中不同的模拟车辆动态数据,而不需要根据车辆的机械结构和车辆特征建立数学模型、并对车辆运行的动态情况进行模拟,能够适用于一种车辆在多种不同驾驶环境中的模拟。对多种车辆建立对应的车辆动态模拟系统能够适用于多种车辆的驾驶模拟。从而能够解决现有的自动驾驶车辆模拟方法中存在的工作量大、耗时长,无法高效模拟一种车辆在不同环境中的运动或动态情况的问题。
并且,车辆运行模拟系统根据模拟车辆动态数据对车辆运行进行模拟、得到模拟车辆状态数据,将模拟车辆状态数据作为下一个计算周期中车辆动态模拟系统的更新的车辆状态数据实时输入,从而在下一个计算周期中能够实时地根据当前计算周期的车辆状态来模拟下一个计算周期的车辆动态情况。从而能够实时、高效地对车辆的动态和运行情况进行模拟。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本申请实施例提供的车辆动态模拟的方法的处理流程图;
图2为本申请实施例提供的车辆动态模拟的装置的结构框图;
图3为本申请实施例提供的车辆动态模拟的装置的另一种结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
在现有的自动驾驶车辆动态模拟技术中,需要针对一种类型的车辆,根据该种车辆的机械机构和汽车特征建立数学模型。在现实的应用过程中,收集不同车辆的机械结构数据和汽车特征数据是一个繁琐耗时的过程,并且根据这些数据建立数学模型也是一个耗时低效的过程,建立模型之后的参数配置和调试、以及与其它模型之间的匹配也同样是耗时低效的过程,从而导致车辆模拟的方法存在耗时、低效、无法高效模拟一种车辆在不同环境中运动的动态情况的问题。
针对现有技术中存在的上述问题,本申请提出了一种车辆动态模拟方法,以解决该问题。根据本申请提出的车辆动态模拟方法,在当前计算周期中,车辆动态模拟系统接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;车辆动态模拟系统根据车辆控制命令和车辆状态数据,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;其中,车辆动态模拟系统中包括所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;车辆运行模拟系统根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;车辆运行模拟系统将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据发送给车辆动态建模系统。
在上述技术方案中,由于车辆动态模拟系统中包括多种车辆运行动态模型,这些模型分别表达了一种类型的车辆在多种驾驶环境中的运行的多种状态,生成的车辆动态数据能够表达该种类型的车辆在一个特定的驾驶环境中运行的车辆运行动态情况;从而一个车辆动态模拟系统能够针对实时输入,生成一种类型的车辆在不同驾驶环境中运行时的不同的模拟车辆动态数据,而不需要通过建立不同的数学模型来模拟不同车辆的机械结构和车辆特征,能够适用于一种车辆在多种不同驾驶环境中的运动动态模拟。对多种类型车辆建立对应的车辆动态模拟系统就能够适用于多种车辆的驾驶动态模拟。从而能够解决现有的自动驾驶车辆模拟方法中存在的工作量大、耗时长,无法高效并有效地模拟一种车辆在不同环境中的运动或动态情况的问题。进一步地,车辆运行模拟系统根据模拟车辆动态数据对车辆运行进行模拟、得到模拟车辆状态数据,将模拟车辆状态数据作为下一个计算周期中车辆动态模拟系统的更新的车辆状态数据实时输入,从而在下一个计算周期中能够实时地根据当前计算周期的车辆状态来模拟下一个计算周期的车辆动态情况,能够实时、高效地对车辆的动态和运行情况进行模拟。
以上是本发明的核心思想,为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例中技术方案作进一步详细的说明。
图1示出了本申请实施例提供的车辆动态模拟的方法的处理流程,该方法包括:
步骤11、在当前计算周期中,车辆动态模拟系统接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据。
其中,车辆控制命令至少包括以下之一:节气阀控制命令(或者称为油门控制命令)、刹车命令、转向命令;车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;计算周期可以是迭代计算周期,也可以是其它与时序相关的计算周期。
车辆动态模拟系统中包括所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型。
车辆动态模拟系统是一个神经网络或者其它的机器学习系统。车辆动态模拟系统预先根据训练数据集进行训练,得到所述种类车辆的多种车辆运行动态模型。车辆动态模拟系统的训练工作可以在实施本申请提供的方法之前就训练好车辆动态模拟系统,也可以根据本申请提供的方法执行之时训练车辆动态模拟系统,并在需要之时更新车辆动态模拟系统即可。车辆动态模拟系统训练的过程包括:
步骤111、车辆动态模拟系统接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令(或者称为油门控制命令)、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据,对本领域的普通技术人员可理解的是,历史车辆控制命令和历史车辆状态数据中均还可包括其它的数据;
步骤112、车辆动态模拟系统根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
训练数据集中的数据是在一个较长的时间段内、针对一种类型的车辆在真实世界中大量不同的驾驶环境中的实际驾驶情况采集到的,一个数据子集中的数据能够表现出所述类型的车辆在类似环境中的类似方式或者模式的操作或运动,例如,车辆针对一种车辆控制命令进行相应的操作、并表现出来相应的车辆运行动态情况,这种类似的方式或模式也即车辆运行动态模型。具体地,例如,在车辆状态(历史车辆状态数据)为:车辆行驶速度为v的时候,如果车辆控制命令(历史车辆控制命令)为:踩x%的油门的话,则车辆所表现出来的动态情况为:加速行驶,相应的车辆动态数据为:加速度a。从而,通过训练数据对神经网络或者机器学习系统进行训练,能够发现并保存这种车辆运行动态模型,例如能够复制得到在车辆状态数据为vkm/s,车辆控制命令为:踩x%的油门,所映射的车辆动态数据为:加速度a。使用多个数据子集对神经网络或者机器学习系统进行训练,能够获得所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。此外,通过更改与其它类型车辆对应的训练数据集,能够对车辆动态模拟系统训练得到其它类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
其中,神经网络或者机器学习系统根据训练数据进行训练的方法,可以采用已知的训练方法,或者在本申请之后的训练方法,本申请对此不做限定。
步骤12、车辆动态模拟系统根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
由于车辆动态模拟系统中已经包括了所述类型的车辆在不同驾驶环境中的车辆运行动态模型,也即建立了已知数据(例如车辆控制命令和车辆状态数据)和模型参数(例如车辆动态数据)之间的映射关系,从而该系统在接收到输入之后,就能够确定与输入数据对应的已知数据所映射的模型参数,也即模拟车辆动态数据。
模拟车辆动态数据至少包括以下之一:车辆速度数据、车辆扭矩数据。其中,加速数据的数值可以是正值或者负值,正值表示加速的数值,负值表示减速的数值。车辆扭矩数据对应于轮胎作用在地面上的扭矩。
具体地,例如,车辆动态模拟系统接收到的车辆控制命令是:踩x%的油门,接收到的车辆状态数据是:车辆行驶速度为v,则,车辆动态模拟系统可以得到模拟车辆动态数据:加速度a。
步骤13、车辆运行模拟系统根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据。
车辆运行模拟系统可以是现有的任何一种车辆运行模拟系统,该系统中表达了车辆与驾驶环境的关系。该系统通过模拟车辆的运行,能够得到模拟的车辆运行的相关状态数据,也即模拟车辆状态数据。
模拟车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据。
例如,车辆运行模拟系统根据来自车辆动态模拟系统生成的负值的加速数据和扭矩数据确定车辆要进行减速转向,就模拟出对应的车辆行为。
具体地,例如车辆运行模拟系统接收到的模拟车辆动态数据为:加速度a,则,车辆运行模拟系统模拟的车辆运行产生对应的加速度a,并且如果上一个计算周期中模拟的车辆速度为v,则当前计算周期中车辆运行模拟系统模拟的车辆以v+a*t的速度进行行驶。
步骤14、车辆运行模拟系统将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据发送给车辆动态模拟系统。
也即,除了初始的计算周期以外,在其它的计算周期中车辆动态模拟系统都是将上一个计算周期的确定得到的模拟车辆状态数据作为当前的实时输入的车辆状态数据,从而能够实时高效地对车辆运行和运行动态进行模拟。
具体地,例如,车辆运行模拟系统将当前的车辆速度v+a*t作为下一个计算周期的车辆状态数据发送给车辆动态模拟系统。
在另一些实施例中,车辆动态模拟系统还将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。从而有助于技术人员根据对比结果来改进和提高车辆动态模拟系统的工作有效性。
根据上述的技术方案可以看出,一个车辆动态模拟系统能够针对实时输入,生成一种类型的车辆在不同驾驶环境中不同的模拟车辆动态数据,而不需要通过建立不同的数学模型来模拟不同车辆的机械结构和车辆特征,能够适用于一种车辆在多种不同驾驶环境中的驾驶动态情况模拟,并且能够实时、高效地对车辆的动态和运行情况进行模拟。对多种类型车辆建立对应的车辆动态模拟系统就能够适用于多种车辆的驾驶动态情况模拟。从而能够解决现有的自动驾驶车辆模拟方法中存在的工作量大、耗时长,无法高效模拟一种车辆在不同环境中的运动或动态情况的问题。
基于相同的发明构思,本申请实施例还提供了一种车辆动态模拟的装置。
如图2所示,本申请实施例提供的车辆动态模拟的装置包括:
车辆动态模拟单元201,可对应于图1中的车辆动态模拟系统,用于在当前计算周期中,车辆动态模拟系统接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;其中,车辆动态模拟系统中包括所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;系统根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
车辆运行模拟单元202,可对应于图1中的车辆运行模拟系统,用于根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据发送给车辆动态模拟系统。
在一些实施例中,车辆动态模拟单元201还用于:接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
在一些实施例中,车辆动态模拟系统201还用于:将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。
其中,车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;模拟车辆动态数据至少包括以下之一:车辆速度数据、车辆扭矩数据;模拟车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据。
根据本申请实施例提供的车辆动态模拟的装置,一个车辆动态模拟系统能够针对实时输入,生成一种类型的车辆在不同驾驶环境中不同的模拟车辆动态数据,而不需要通过建立不同的数学模型来模拟不同车辆的机械结构和车辆特征,能够适用于一种车辆在多种不同驾驶环境中的模拟,并且能够实时、高效地对车辆的动态和运行情况进行模拟。对多种类型车辆建立对应的车辆动态模拟系统就能够适用于多种车辆的驾驶动态情况模拟。从而能够解决现有的自动驾驶车辆模拟方法中存在的工作量大、耗时长,无法高效并有效地模拟一种车辆在不同环境中的运动或动态情况的问题。
基于相同的发明构思,本申请实施例还提供了一种车辆动态模拟的装置。
如图3所示,本申请提供的车辆动态模拟的装置包括一个处理器301和至少一个存储器302,至少一个存储器302中存储有至少一条机器可执行指令,处理器301执行至少一条机器可执行指令以实现:
在当前计算周期中,接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;其中,至少一条机器可执行指令中还存储有所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;
根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;
将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据。
在一些实施例中,处理器301执行至少一条机器可执行指令还实现:接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
在一些实施例中,处理器301执行至少一条机器可执行指令还实现:将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。
其中,车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;模拟车辆动态数据至少包括以下之一:车辆速度数据、车辆扭矩数据;模拟车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据。
根据本申请实施例提供的车辆动态模拟的装置,一个车辆动态模拟系统能够针对实时输入,生成一种类型的车辆在不同驾驶环境中不同的模拟车辆动态数据,而不需要通过建立不同的数学模型来模拟不同车辆的机械结构和车辆特征,能够适用于一种车辆在多种不同驾驶环境中的驾驶动态模拟,并且能够实时、高效地对车辆的动态和运行情况进行模拟。对多种类型车辆建立对应的车辆动态模拟系统就能够适用于多种车辆的驾驶动态模拟。从而能够解决现有的自动驾驶车辆模拟方法中存在的工作量大、耗时长,无法高效模拟一种车辆在不同环境中的运动或动态情况的问题。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种车辆动态模拟的方法,其特征在于,包括:
在当前计算周期中,车辆动态模拟系统接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;其中,车辆动态模拟系统中包括所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;
车辆动态模拟系统根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
车辆运行模拟系统根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;
车辆运行模拟系统将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据发送给车辆动态模拟系统。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
车辆动态模拟系统接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;
车辆动态模拟系统根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
车辆动态模拟系统将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。
4.根据权利要求1所述的方法,其特征在于,车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;
模拟车辆动态数据至少包括以下之一:车辆速度数据、车辆扭矩数据;
模拟车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据。
5.根据权利要求1所述的方法,其特征在于,车辆动态模拟系统是一个神经网络或者机器学习系统。
6.一种车辆动态模拟的装置,其特征在于,包括:
车辆动态模拟单元,用于在当前计算周期中,车辆动态模拟系统接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;其中,车辆动态模拟系统中包括所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;系统根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
车辆运行模拟单元,用于根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据发送给车辆动态模拟系统。
7.根据权利要求6所述的装置,其特征在于,车辆动态模拟单元还用于:
接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;
根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
8.根据权利要求7所述的装置,其特征在于,车辆动态模拟单元还用于:
将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。
9.一种车辆动态模拟的装置,其特征在于,包括一个处理器和至少一个存储器,至少一个存储器中存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令以实现:
在当前计算周期中,接收实时输入的车辆控制命令和一种类型车辆的车辆状态数据;其中,至少一条机器可执行指令中还存储有所述类型车辆在多种驾驶环境中运行的多种车辆运行动态模型;
根据车辆控制命令、车辆状态数据和多种车辆运行动态模型,对车辆运行的动态情况进行模拟,生成模拟车辆动态数据;
根据输入的模拟车辆动态数据对车辆运行进行模拟,并生成相对应的模拟车辆状态数据;
将生成的模拟车辆状态数据在下一个计算周期中作为更新的车辆状态数据。
10.根据权利要求9所述的装置,其特征在于,处理器执行至少一条机器可执行指令还实现:
接收训练数据集;其中训练数据集中包括多个数据子集,一个数据子集中包括所述类型车辆在真实世界的一种驾驶环境中的历史驾驶数据,历史驾驶数据中包括历史车辆控制命令和历史车辆状态数据;历史车辆控制命令至少包括以下之一:节气阀控制命令、刹车命令、转向命令,历史车辆状态数据至少包括以下之一:车辆仰角数据、车辆速度数据;
根据训练数据集进行训练,生成所述类型车辆在多种特定驾驶环境中运行的多种车辆运行动态模型。
11.根据权利要求10所述的装置,其特征在于,处理器执行至少一条机器可执行指令还实现:
将上一个计算周期中计算得到的模拟车辆动态数据和当前计算周期中接收到的车辆控制命令、车辆状态数据与训练数据集中的数据进行对比,得到用于验证模拟车辆动态数据有效性的对比结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111649505.7A CN114442509A (zh) | 2017-08-08 | 2017-12-13 | 一种车辆动态模拟的方法和装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/672,207 US11029693B2 (en) | 2017-08-08 | 2017-08-08 | Neural network based vehicle dynamics model |
USUS15/672,207 | 2017-08-08 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111649505.7A Division CN114442509A (zh) | 2017-08-08 | 2017-12-13 | 一种车辆动态模拟的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109388073A true CN109388073A (zh) | 2019-02-26 |
CN109388073B CN109388073B (zh) | 2022-01-25 |
Family
ID=65275259
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711329345.1A Active CN109388073B (zh) | 2017-08-08 | 2017-12-13 | 一种车辆动态模拟的方法和装置 |
CN202111649505.7A Pending CN114442509A (zh) | 2017-08-08 | 2017-12-13 | 一种车辆动态模拟的方法和装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111649505.7A Pending CN114442509A (zh) | 2017-08-08 | 2017-12-13 | 一种车辆动态模拟的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (3) | US11029693B2 (zh) |
CN (2) | CN109388073B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052183A (zh) * | 2020-09-28 | 2020-12-08 | 英博超算(南京)科技有限公司 | 一种基于虚拟车辆平台的中间件调试方法 |
CN112347693A (zh) * | 2020-10-26 | 2021-02-09 | 上海感探号信息科技有限公司 | 一种车辆运行动态镜像模拟方法、装置和系统 |
CN112550450A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 基于K-Means和CART回归树的路感模拟方法 |
CN113433950A (zh) * | 2020-10-30 | 2021-09-24 | 深圳元戎启行科技有限公司 | 车辆控制数据标定方法、装置、计算机设备和存储介质 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190129831A1 (en) * | 2017-10-27 | 2019-05-02 | Uber Technologies, Inc. | Autonomous Vehicle Simulation Testing Systems and Methods |
US11493927B2 (en) | 2018-06-01 | 2022-11-08 | Thales Canada, Inc. | Self learning vehicle control system |
US20200241542A1 (en) * | 2019-01-25 | 2020-07-30 | Bayerische Motoren Werke Aktiengesellschaft | Vehicle Equipped with Accelerated Actor-Critic Reinforcement Learning and Method for Accelerating Actor-Critic Reinforcement Learning |
CN110186470B (zh) * | 2019-04-26 | 2024-06-04 | 纵目科技(上海)股份有限公司 | 符合车辆动力学的参考线生成系统、终端和使用方法 |
CN110497914B (zh) * | 2019-08-26 | 2020-10-30 | 格物汽车科技(苏州)有限公司 | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 |
CN110597088B (zh) * | 2019-09-25 | 2020-07-28 | 西南交通大学 | 一种极坐标系下的车辆动力学仿真方法 |
US11409287B2 (en) * | 2020-01-17 | 2022-08-09 | Baidu Usa Llc | Neural task planner for autonomous vehicles |
US20210263527A1 (en) * | 2020-02-24 | 2021-08-26 | Thales Canada Inc. | Controller, control system and method for vehicle control |
CN111639422B (zh) * | 2020-05-19 | 2022-08-02 | 华中科技大学 | 基于动力学与神经网络的机床进给系统建模方法及设备 |
CN111931286B (zh) * | 2020-06-29 | 2024-06-14 | 阿波罗智能技术(北京)有限公司 | 纵向动力学模型的训练方法、装置及设备 |
CN111898199A (zh) * | 2020-07-07 | 2020-11-06 | 中国人民解放军国防科技大学 | 一种车辆动力学数据驱动建模方法 |
CN112613181B (zh) * | 2020-12-28 | 2023-05-23 | 浙江天行健智能科技有限公司 | 一种基于模拟驾驶器和ann算法的驾驶状态建模方法 |
CN113420368A (zh) * | 2021-05-24 | 2021-09-21 | 江苏大学 | 一种智能车辆神经网络动力学模型、强化学习网络模型及其自动驾驶训练方法 |
CN113657036B (zh) * | 2021-08-17 | 2023-09-26 | 上海交通大学 | 基于神经网络和物理模型的车辆动力学模拟实现方法 |
CN113570057B (zh) * | 2021-09-27 | 2021-12-14 | 岚图汽车科技有限公司 | 一种基于模型训练的车辆轮心垂向位移测量方法和装置 |
JP2023048674A (ja) * | 2021-09-28 | 2023-04-07 | 株式会社J-QuAD DYNAMICS | 移動体の制御装置 |
CN114253274B (zh) * | 2021-12-24 | 2024-03-26 | 吉林大学 | 基于数据驱动的网联混合车辆编队滚动优化控制方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131135A1 (en) * | 2007-09-14 | 2010-05-27 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Method and device for simulating the driving properties of a drive concept to be developed for a motor vehicle |
CN101780798A (zh) * | 2009-01-19 | 2010-07-21 | 比亚迪股份有限公司 | 一种双离合器换挡控制方法及装置 |
CN101794330A (zh) * | 2009-12-30 | 2010-08-04 | 中国科学院计算技术研究所 | 集成电路验证方法及其系统 |
CN102529963A (zh) * | 2010-12-14 | 2012-07-04 | 上海摩西海洋工程有限公司 | 计算机辅助驾驶系统 |
CN104494600A (zh) * | 2014-12-16 | 2015-04-08 | 电子科技大学 | 一种基于svm算法的驾驶员意图识别方法 |
CN104640756A (zh) * | 2012-09-19 | 2015-05-20 | 丰田自动车株式会社 | 车辆驾驶行为预测装置 |
CN104700072A (zh) * | 2015-02-06 | 2015-06-10 | 中国科学院合肥物质科学研究院 | 基于车道线历史帧的识别方法 |
CN104715604A (zh) * | 2014-01-13 | 2015-06-17 | 杭州海康威视数字技术股份有限公司 | 获取实时路况信息的方法及其系统 |
CN105825241A (zh) * | 2016-04-15 | 2016-08-03 | 长春工业大学 | 基于模糊神经网络的驾驶员制动意图辨识方法 |
CN106004870A (zh) * | 2016-06-23 | 2016-10-12 | 吉林大学 | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 |
WO2016172009A1 (en) * | 2015-04-24 | 2016-10-27 | Northrop Grumman Systems Corporation | Autonomous vehicle simulation system |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106951627A (zh) * | 2017-03-15 | 2017-07-14 | 北京百度网讯科技有限公司 | 车辆自动驾驶的仿真测试方法、装置、设备及计算机可读存储介质 |
Family Cites Families (95)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6822563B2 (en) | 1997-09-22 | 2004-11-23 | Donnelly Corporation | Vehicle imaging system with accessory control |
US5877897A (en) | 1993-02-26 | 1999-03-02 | Donnelly Corporation | Automatic rearview mirror, vehicle lighting control and vehicle interior monitoring system using a photosensor array |
US7103460B1 (en) | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
US7783403B2 (en) | 1994-05-23 | 2010-08-24 | Automotive Technologies International, Inc. | System and method for preventing vehicular accidents |
US7655894B2 (en) | 1996-03-25 | 2010-02-02 | Donnelly Corporation | Vehicular image sensing system |
JP3380397B2 (ja) * | 1996-05-27 | 2003-02-24 | 三菱電機株式会社 | アンチロックブレーキ制御装置 |
WO2003093857A2 (en) | 2002-05-03 | 2003-11-13 | Donnelly Corporation | Object detection system for vehicle |
US6777904B1 (en) * | 2003-02-25 | 2004-08-17 | Ford Global Technologies, Llc | Method and system for controlling a motor |
US20070230792A1 (en) | 2004-04-08 | 2007-10-04 | Mobileye Technologies Ltd. | Pedestrian Detection |
WO2005098751A1 (en) | 2004-04-08 | 2005-10-20 | Mobileye Technologies Limited | Crowd detection |
EP1741079B1 (en) | 2004-04-08 | 2008-05-21 | Mobileye Technologies Limited | Collision warning system |
US7526103B2 (en) | 2004-04-15 | 2009-04-28 | Donnelly Corporation | Imaging system for vehicle |
US8553088B2 (en) | 2005-11-23 | 2013-10-08 | Mobileye Technologies Limited | Systems and methods for detecting obstructions in a camera field of view |
US8164628B2 (en) | 2006-01-04 | 2012-04-24 | Mobileye Technologies Ltd. | Estimating distance to an object using a sequence of images recorded by a monocular camera |
US7689559B2 (en) | 2006-02-08 | 2010-03-30 | Telenor Asa | Document similarity scoring and ranking method, device and computer program product |
US7786898B2 (en) | 2006-05-31 | 2010-08-31 | Mobileye Technologies Ltd. | Fusion of far infrared and visible images in enhanced obstacle detection in automotive applications |
EP2383679A1 (en) | 2006-12-06 | 2011-11-02 | Mobileye Technologies Limited | Detecting and recognizing traffic signs |
US20080249667A1 (en) | 2007-04-09 | 2008-10-09 | Microsoft Corporation | Learning and reasoning to enhance energy efficiency in transportation systems |
US7839292B2 (en) | 2007-04-11 | 2010-11-23 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
US8041111B1 (en) | 2007-10-15 | 2011-10-18 | Adobe Systems Incorporated | Subjective and locatable color theme extraction for images |
US9176006B2 (en) | 2008-01-15 | 2015-11-03 | Mobileye Vision Technologies Ltd. | Detection and classification of light sources using a diffraction grating |
US9117133B2 (en) | 2008-06-18 | 2015-08-25 | Spectral Image, Inc. | Systems and methods for hyperspectral imaging |
US20100049397A1 (en) | 2008-08-22 | 2010-02-25 | Garmin Ltd. | Fuel efficient routing |
US8126642B2 (en) | 2008-10-24 | 2012-02-28 | Gray & Company, Inc. | Control and systems for autonomously driven vehicles |
US9459515B2 (en) | 2008-12-05 | 2016-10-04 | Mobileye Vision Technologies Ltd. | Adjustable camera mount for a vehicle windshield |
US8175376B2 (en) | 2009-03-09 | 2012-05-08 | Xerox Corporation | Framework for image thumbnailing based on visual similarity |
JP2012521708A (ja) | 2009-03-26 | 2012-09-13 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 色周波数に基づく顕著性マップを用いて画像を修正する方法及び装置 |
US8271871B2 (en) | 2009-04-30 | 2012-09-18 | Xerox Corporation | Automated method for alignment of document objects |
US8392117B2 (en) | 2009-05-22 | 2013-03-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Using topological structure for path planning in semi-structured environments |
US8645480B1 (en) | 2009-07-19 | 2014-02-04 | Aaron T. Emigh | Trust representation by similarity |
JP2011176748A (ja) | 2010-02-25 | 2011-09-08 | Sony Corp | 画像処理装置および方法、並びにプログラム |
US9280711B2 (en) | 2010-09-21 | 2016-03-08 | Mobileye Vision Technologies Ltd. | Barrier and guardrail detection using a single camera |
US9118816B2 (en) | 2011-12-06 | 2015-08-25 | Mobileye Vision Technologies Ltd. | Road vertical contour detection |
US8509982B2 (en) | 2010-10-05 | 2013-08-13 | Google Inc. | Zone driving |
EP2448251B1 (en) | 2010-10-31 | 2019-09-25 | Mobileye Vision Technologies Ltd. | Bundling night vision and other driver assistance systems (DAS) using near infra red (NIR) illumination and a rolling shutter |
US9355635B2 (en) | 2010-11-15 | 2016-05-31 | Futurewei Technologies, Inc. | Method and system for video summarization |
US9251708B2 (en) | 2010-12-07 | 2016-02-02 | Mobileye Vision Technologies Ltd. | Forward collision warning trap and pedestrian advanced warning system |
US8401292B2 (en) | 2011-04-26 | 2013-03-19 | Eastman Kodak Company | Identifying high saliency regions in digital images |
US9233659B2 (en) | 2011-04-27 | 2016-01-12 | Mobileye Vision Technologies Ltd. | Pedestrian collision warning system |
KR101777875B1 (ko) | 2011-04-28 | 2017-09-13 | 엘지디스플레이 주식회사 | 입체 영상 표시장치와 그 입체 영상 조절 방법 |
US9183447B1 (en) | 2011-06-09 | 2015-11-10 | Mobileye Vision Technologies Ltd. | Object detection using candidate object alignment |
WO2013015416A1 (ja) | 2011-07-28 | 2013-01-31 | 本田技研工業株式会社 | ワイヤレス送電方法 |
DE102011083749B4 (de) | 2011-09-29 | 2015-06-11 | Aktiebolaget Skf | Rotorblatt einer Windkraftanlage mit einer Vorrichtung zum Erfassen eines Abstandswertes und Verfahren zum Erfassen eines Abstandswertes |
US9280155B2 (en) * | 2011-12-02 | 2016-03-08 | Borealis Technical Limited | Aircraft ground travel traction control system and method |
US9297641B2 (en) | 2011-12-12 | 2016-03-29 | Mobileye Vision Technologies Ltd. | Detection of obstacles at night by analysis of shadows |
FR2984254B1 (fr) | 2011-12-16 | 2016-07-01 | Renault Sa | Controle de vehicules autonomes |
US9317776B1 (en) | 2013-03-13 | 2016-04-19 | Hrl Laboratories, Llc | Robust static and moving object detection system via attentional mechanisms |
JP5605381B2 (ja) | 2012-02-13 | 2014-10-15 | 株式会社デンソー | クルーズ制御装置 |
US9042648B2 (en) | 2012-02-23 | 2015-05-26 | Microsoft Technology Licensing, Llc | Salient object segmentation |
US9476970B1 (en) | 2012-03-19 | 2016-10-25 | Google Inc. | Camera based localization |
US9134402B2 (en) | 2012-08-13 | 2015-09-15 | Digital Signal Corporation | System and method for calibrating video and lidar subsystems |
US9025880B2 (en) | 2012-08-29 | 2015-05-05 | Disney Enterprises, Inc. | Visual saliency estimation for images and video |
US9120485B1 (en) | 2012-09-14 | 2015-09-01 | Google Inc. | Methods and systems for smooth trajectory generation for a self-driving vehicle |
US9111444B2 (en) | 2012-10-31 | 2015-08-18 | Raytheon Company | Video and lidar target detection and tracking system and method for segmenting moving targets |
US9092430B2 (en) | 2013-01-02 | 2015-07-28 | International Business Machines Corporation | Assigning shared catalogs to cache structures in a cluster computing system |
US8788134B1 (en) | 2013-01-04 | 2014-07-22 | GM Global Technology Operations LLC | Autonomous driving merge management system |
CN104969238B (zh) | 2013-01-15 | 2019-06-18 | 移动眼视力科技有限公司 | 车辆和用于车辆的成像系统 |
US9277132B2 (en) | 2013-02-21 | 2016-03-01 | Mobileye Vision Technologies Ltd. | Image distortion correction of a camera with a rolling shutter |
US9147255B1 (en) | 2013-03-14 | 2015-09-29 | Hrl Laboratories, Llc | Rapid object detection by combining structural information from image segmentation with bio-inspired attentional mechanisms |
US9342074B2 (en) | 2013-04-05 | 2016-05-17 | Google Inc. | Systems and methods for transitioning control of an autonomous vehicle to a driver |
US9438878B2 (en) | 2013-05-01 | 2016-09-06 | Legend3D, Inc. | Method of converting 2D video to 3D video using 3D object models |
WO2014201324A1 (en) | 2013-06-13 | 2014-12-18 | Gideon Stein | Vision augmented navigation |
US9315192B1 (en) | 2013-09-30 | 2016-04-19 | Google Inc. | Methods and systems for pedestrian avoidance using LIDAR |
US9122954B2 (en) | 2013-10-01 | 2015-09-01 | Mobileye Vision Technologies Ltd. | Performing a histogram using an array of addressable registers |
US9738280B2 (en) | 2013-10-03 | 2017-08-22 | Robert Bosch Gmbh | Adaptive cruise control with on-ramp detection |
US9330334B2 (en) | 2013-10-24 | 2016-05-03 | Adobe Systems Incorporated | Iterative saliency map estimation |
US9299004B2 (en) | 2013-10-24 | 2016-03-29 | Adobe Systems Incorporated | Image foreground detection |
US9090260B2 (en) | 2013-12-04 | 2015-07-28 | Mobileye Vision Technologies Ltd. | Image-based velocity control for a turning vehicle |
WO2015103159A1 (en) | 2013-12-30 | 2015-07-09 | Tieman Craig Arnold | Connected vehicle system with infotainment interface for mobile devices |
US9365214B2 (en) | 2014-01-30 | 2016-06-14 | Mobileye Vision Technologies Ltd. | Systems and methods for determining the status of a turn lane traffic light |
US9664789B2 (en) | 2014-02-20 | 2017-05-30 | Mobileye Vision Technologies Ltd. | Navigation based on radar-cued visual imaging |
CN103793925B (zh) | 2014-02-24 | 2016-05-18 | 北京工业大学 | 融合时空特征的视频图像视觉显著程度检测方法 |
DE102014205170A1 (de) | 2014-03-20 | 2015-11-26 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zum Ermitteln einer Trajektorie für ein Fahrzeug |
US9803475B2 (en) * | 2014-04-09 | 2017-10-31 | Weatherford Technology Holdings, Llc | System and method for integrated wellbore stress, stability and strengthening analyses |
CN105100134A (zh) | 2014-04-28 | 2015-11-25 | 思科技术公司 | 屏幕共享缓存管理 |
EP4187523A1 (en) | 2014-05-14 | 2023-05-31 | Mobileye Vision Technologies Ltd. | Systems and methods for curb detection and pedestrian hazard assessment |
US9720418B2 (en) | 2014-05-27 | 2017-08-01 | Here Global B.V. | Autonomous vehicle monitoring and control |
CN106796648B (zh) | 2014-06-03 | 2020-11-24 | 御眼视觉技术有限公司 | 用于检测对象的系统和方法 |
US9457807B2 (en) | 2014-06-05 | 2016-10-04 | GM Global Technology Operations LLC | Unified motion planning algorithm for autonomous driving vehicle in obstacle avoidance maneuver |
US9554030B2 (en) | 2014-09-29 | 2017-01-24 | Yahoo! Inc. | Mobile device image acquisition using objects of interest recognition |
US9746550B2 (en) | 2014-10-08 | 2017-08-29 | Ford Global Technologies, Llc | Detecting low-speed close-range vehicle cut-in |
KR101664582B1 (ko) | 2014-11-12 | 2016-10-10 | 현대자동차주식회사 | 자율주행차량의 주행경로 생성장치 및 방법 |
US10115024B2 (en) | 2015-02-26 | 2018-10-30 | Mobileye Vision Technologies Ltd. | Road vertical contour detection using a stabilized coordinate frame |
JP6421684B2 (ja) | 2015-04-17 | 2018-11-14 | 井関農機株式会社 | 乗用草刈機 |
US10635761B2 (en) | 2015-04-29 | 2020-04-28 | Energid Technologies Corporation | System and method for evaluation of object autonomy |
DE102015211926A1 (de) | 2015-06-26 | 2016-12-29 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln bzw. Bewerten einer Soll-Trajektorie eines Kraftfahrzeugs |
EP3327955B1 (en) | 2015-07-23 | 2021-11-10 | Nec Corporation | Route switching device, route switching system, and route switching method |
US9587952B1 (en) | 2015-09-09 | 2017-03-07 | Allstate Insurance Company | Altering autonomous or semi-autonomous vehicle operation based on route traversal values |
US10496766B2 (en) * | 2015-11-05 | 2019-12-03 | Zoox, Inc. | Simulation system and methods for autonomous vehicles |
US9568915B1 (en) | 2016-02-11 | 2017-02-14 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling autonomous or semi-autonomous vehicle |
US9535423B1 (en) | 2016-03-29 | 2017-01-03 | Adasworks Kft. | Autonomous vehicle with improved visual detection ability |
CN109643125B (zh) * | 2016-06-28 | 2022-11-15 | 柯尼亚塔有限公司 | 用于训练自动驾驶系统的逼真的3d虚拟世界创造与模拟 |
US10139823B2 (en) * | 2016-09-13 | 2018-11-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Method and device for producing vehicle operational data based on deep learning techniques |
US10442435B2 (en) * | 2016-12-14 | 2019-10-15 | Baidu Usa Llc | Speed control parameter estimation method for autonomous driving vehicles |
US10268200B2 (en) | 2016-12-21 | 2019-04-23 | Baidu Usa Llc | Method and system to predict one or more trajectories of a vehicle based on context surrounding the vehicle |
-
2017
- 2017-08-08 US US15/672,207 patent/US11029693B2/en active Active
- 2017-12-13 CN CN201711329345.1A patent/CN109388073B/zh active Active
- 2017-12-13 CN CN202111649505.7A patent/CN114442509A/zh active Pending
-
2021
- 2021-01-13 US US17/147,836 patent/US11550329B2/en active Active
-
2023
- 2023-01-08 US US18/094,363 patent/US12007778B2/en active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131135A1 (en) * | 2007-09-14 | 2010-05-27 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Method and device for simulating the driving properties of a drive concept to be developed for a motor vehicle |
CN101780798A (zh) * | 2009-01-19 | 2010-07-21 | 比亚迪股份有限公司 | 一种双离合器换挡控制方法及装置 |
CN101794330A (zh) * | 2009-12-30 | 2010-08-04 | 中国科学院计算技术研究所 | 集成电路验证方法及其系统 |
CN102529963A (zh) * | 2010-12-14 | 2012-07-04 | 上海摩西海洋工程有限公司 | 计算机辅助驾驶系统 |
CN104640756A (zh) * | 2012-09-19 | 2015-05-20 | 丰田自动车株式会社 | 车辆驾驶行为预测装置 |
CN104715604A (zh) * | 2014-01-13 | 2015-06-17 | 杭州海康威视数字技术股份有限公司 | 获取实时路况信息的方法及其系统 |
CN104494600A (zh) * | 2014-12-16 | 2015-04-08 | 电子科技大学 | 一种基于svm算法的驾驶员意图识别方法 |
CN104700072A (zh) * | 2015-02-06 | 2015-06-10 | 中国科学院合肥物质科学研究院 | 基于车道线历史帧的识别方法 |
WO2016172009A1 (en) * | 2015-04-24 | 2016-10-27 | Northrop Grumman Systems Corporation | Autonomous vehicle simulation system |
CN105825241A (zh) * | 2016-04-15 | 2016-08-03 | 长春工业大学 | 基于模糊神经网络的驾驶员制动意图辨识方法 |
CN106004870A (zh) * | 2016-06-23 | 2016-10-12 | 吉林大学 | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 |
CN106203626A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 汽车驾驶行为检测方法及装置、汽车 |
CN106951627A (zh) * | 2017-03-15 | 2017-07-14 | 北京百度网讯科技有限公司 | 车辆自动驾驶的仿真测试方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
童厚健: "基于汽车驾驶模拟器的车辆自动驾驶研究", 《中国优秀硕士论文集》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052183A (zh) * | 2020-09-28 | 2020-12-08 | 英博超算(南京)科技有限公司 | 一种基于虚拟车辆平台的中间件调试方法 |
CN112052183B (zh) * | 2020-09-28 | 2023-07-07 | 英博超算(南京)科技有限公司 | 一种基于虚拟车辆平台的中间件调试方法 |
CN112347693A (zh) * | 2020-10-26 | 2021-02-09 | 上海感探号信息科技有限公司 | 一种车辆运行动态镜像模拟方法、装置和系统 |
CN112347693B (zh) * | 2020-10-26 | 2023-12-22 | 上海感探号信息科技有限公司 | 一种车辆运行动态镜像模拟方法、装置和系统 |
CN113433950A (zh) * | 2020-10-30 | 2021-09-24 | 深圳元戎启行科技有限公司 | 车辆控制数据标定方法、装置、计算机设备和存储介质 |
CN113433950B (zh) * | 2020-10-30 | 2024-02-06 | 深圳元戎启行科技有限公司 | 车辆控制数据标定方法、装置、计算机设备和存储介质 |
CN112550450A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 基于K-Means和CART回归树的路感模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230161354A1 (en) | 2023-05-25 |
US12007778B2 (en) | 2024-06-11 |
US11029693B2 (en) | 2021-06-08 |
CN114442509A (zh) | 2022-05-06 |
CN109388073B (zh) | 2022-01-25 |
US20210132620A1 (en) | 2021-05-06 |
US11550329B2 (en) | 2023-01-10 |
US20190049980A1 (en) | 2019-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109388073A (zh) | 一种车辆动态模拟的方法和装置 | |
CN107102644A (zh) | 基于深度强化学习的水下机器人轨迹控制方法及控制系统 | |
CN111483468B (zh) | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 | |
CN113643528B (zh) | 信号灯控制方法、模型训练方法、系统、装置及存储介质 | |
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 | |
CN109492763A (zh) | 一种基于强化学习网络训练的自动泊车方法 | |
CN104102776A (zh) | 一种城市轨道交通列车的模型自动辨识方法 | |
Zou et al. | Inverse reinforcement learning via neural network in driver behavior modeling | |
CN111348034B (zh) | 基于生成对抗模仿学习的自动泊车方法及系统 | |
CN108986454B (zh) | 模拟驾驶人主观感知与反应的交通流微观仿真方法 | |
CN116620327A (zh) | 基于PPO和Lattice实现自动驾驶的高速场景的变道决策方法 | |
CN104570738B (zh) | 基于Skinner操作条件反射自动机的机器人轨迹跟踪方法 | |
CN114415507A (zh) | 基于深度神经网络的灵巧手抓持过程动力学模型搭建及训练方法 | |
CN118171723A (zh) | 智能驾驶策略的部署方法、装置、设备、存储介质和程序产品 | |
CN117708985A (zh) | 一种基于机器学习的高速双旋弹非定常气动力预测方法 | |
CN117763713A (zh) | 一种飞行器飞行动力学的模拟仿真方法及应用 | |
US6273724B1 (en) | Architecture for autonomous agents in a simulator | |
CN115489572B (zh) | 基于强化学习的列车ato控制方法、设备及存储介质 | |
Montana et al. | Towards a unified framework for learning from observation | |
CN114167748B (zh) | 一种飞行控制算法一体化训练平台 | |
CN114491790B (zh) | 一种基于maml的气动建模方法及系统 | |
CN114167747B (zh) | 一种飞行控制算法一体化训练平台的构建方法 | |
CN113793527B (zh) | 一种面向城市交通主动控制的测试验证系统 | |
CN113221469A (zh) | 增强交通模拟器真实性的逆强化学习方法及系统 | |
CN112052956B (zh) | 一种强化车辆执行最佳动作的训练方法 |
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 | ||
CP03 | Change of name, title or address |
Address after: No.1, Linkong 2nd Road, Shunyi Park, Zhongguancun Science and Technology Park, Shunyi District, Beijing Patentee after: BEIJING TUSEN WEILAI TECHNOLOGY Co.,Ltd. Patentee after: Tucson Ltd. Address before: 101300 Shunyi District Zhongguancun Science Park, Shunyi Park, No. 1 Linkong Second Road, Shunyi District, Beijing Patentee before: BEIJING TUSEN WEILAI TECHNOLOGY Co.,Ltd. Patentee before: TUSIMPLE |
|
CP03 | Change of name, title or address |