CN109733390B - 一种基于驾驶人特性的自适应换道预警方法 - Google Patents
一种基于驾驶人特性的自适应换道预警方法 Download PDFInfo
- Publication number
- CN109733390B CN109733390B CN201811638604.3A CN201811638604A CN109733390B CN 109733390 B CN109733390 B CN 109733390B CN 201811638604 A CN201811638604 A CN 201811638604A CN 109733390 B CN109733390 B CN 109733390B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- lane change
- early warning
- changing
- 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
- 230000008859 change Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 23
- 230000008447 perception Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 abstract description 5
- 238000009795 derivation Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006583 body weight regulation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于驾驶人特性的自适应换道预警方法,用于智能驾驶辅助/车辆主动安全技术领域,可以降低由换道操作引发的交通事故,改善驾驶人的操作负荷。本发明通过模糊逻辑方法,以速度关联度、换道安全系数及横向偏移为指标确定周围车辆对自车换道的影响程度,修正换道参数;利用递推极大似然估计对模型参数进行在线辨识,获得实时危险评估值;并基于信息熵搜索最佳报警阈值,将实时评估值与报警阈值进行比较,判断系统的报警状态,辅助驾驶员进行安全换道操作。本发明算法参数可在线辨识,计算量较小,且阈值动态可调,符合驾驶员的心理预期,具备可操作性。
Description
技术领域
本发明涉及车辆智能驾驶辅助/车辆主动安全技术领域,具体涉及一种基于驾驶人特性的自适应换道预警方法。
背景技术
道路交通运输行业的发展以及汽车保有量的急剧增加,导致我国交通事故频发,造成巨大人力财力损失。据美国国家公路交通安全局统计,换道导致的交通事故占所有交通事故的5%,其带来的交通延迟达到10%。另外,75%的换道事故是因为驾驶员的识别障碍,即对自车状态信息及周围环境信息感知不足。我国大型实车路实验(China-FOT)统计数据也进一步显示:换道切入危险事故占事故总量的23.91%。因此,为降低由换道引发的交通事故,改善驾驶人的操作负荷,换道预警辅助系统LCWS得到广泛研究并开始进入实际应用。
现在较常用的驾驶员分类模型是离线状态下完成的,运算量大,且模型参数单一固定,预警系统实时性差,存在一定的滞后性。基于此,本文提出一种在线学习驾驶人特性的换道预警算法,适应不同的驾驶员风格,提高其接受度。
发明内容
针对以上相关技术的不足,为了解决现有换道辅助系统可能与驾驶人操作习惯相悖,系统接受度低的问题。
本发明的目的提出一种基于驾驶人特性的自适应换道预警算法,通过在线学习驾驶人换道行为特性,动态调节模型参数及预警阈值,以此提高算法的自适应能力,提高预警系统的准确率及驾驶员接受度。
本发明采用的技术方案是:一种基于驾驶人特性的自适应换道预警算法,包括如下步骤:
步骤1:提出报警阈值动态可调的换道预警模型,修正换道参数;
步骤2:在线实时辨识换道预警模型参数;
步骤3:搜索最佳报警阈值,并判断系统报警状态,建立报警阈值评价体系。
进一步,所述步骤1具体包括:
步骤1.1,根据虚拟弹簧理论,假定换道车辆与前车保持安全车间距,同时考虑换道车辆与目标车道前、后车之间的避撞问题。假设跟车时距THW,避撞时间倒数TTCi,模型参数有驾驶员期望的跟车时距THWd,敏感系数Cd、Cv,危险感知系数DR(k)的计算方式如下:
步骤1.2,采用动态权重分配方法定量评估各车影响程度大小,引入换道过程中的车辆速度关联度、换道安全系数以及横向偏移作为权重分配的判断指标,对换道参数THW(k)、TTCi(k)进行修正,
其中,j代表原车道前车、目标车道前车以及目标车道后车;δj代表相应的权重。权重系数的确定方法如下,
Pro1:确定各个指标的归一化值,
规定速度关联度的归一值有low、moderate、high三个等级,对应表示协同车辆与自车的速度关联度较小、中等或较大;
横向偏移:
offset(i)=PSV(k)-Pt(k)|t∈{LV,AFV,ALV} (4)
PSV(k)表示换道车辆k时刻的横向位置,Pt(k)表示周围车辆k时刻的横向位置;
规定横向偏移的归一值有near、medium、far三个等级,对应周围协同车辆与自车的横向位置的偏差较近、适中及较远;
规定换道安全系数的归一值有low、moderate和high三个等级,对应换道安全系数较低、中等及较高三个等级;
其中,gk(i)是灰色关联度分析中的关联度系数,n为周围车辆个数,P(i)是车辆的横向位置,LV,AFV,ALV分别是原车道前车,目标车道后车以及目标车道前车,d0是自车与周围车辆的实际纵向距离,dsafe是两车间的临界安全距离;
注意:对于目标车道后车而言,dsafe是两车间的换道临界安全距离;
Pro2:依据设定的模糊计算规则,选择高斯函数作为权重系数δj的等级表达,
进一步,所述步骤2具体包括:
根据递推极大似然估计,利用驾驶人换道特性的在线学习数据,确定预警模型参数,系统模型表示为如下向量方程,
Y=φθ+e (7)
其中,Y是观测量,作为系统的输出,φ是系统输入量,θ是参数变量,e是期望为零的高斯白噪声。根据(1)推导可得,
θ=[Cd Cd·THWd Cv]T (8)
继续推导,得到对应的似然函数,
对上式未知参数求偏导,并令所求偏导为0,
每观测一次新数据,模型参数的递推极大似然估计表示为,
其中,ε是适当小的数,规定当三个参数的变化波动较小时,递推停止。
进一步,所述步骤3具体包括:
步骤3.1,根据换道行为数据库中历史记载的换道数据划分目标车道后车的危险程度,判断当前换道行为是否安全。
后车减速度值较小,即后车基本匀速或略有加速表明车辆换道行为对目标车道后车的影响小,换道行为安全,相反则说明换道行为不安全;
1)自车换道过程中,目标车道后车最大加速度小于-4m/s2,后车状态评估为危险;
2)自车换道过程中,目标车道后车最大加速度大于-4m/s2且小于-1m/s2,后车状态评估为较危险;
3)自车换道过程中,目标车道后车最大加速度大于-1m/s2,后车状态评估为安全。
步骤3.2,表征判别属性适应程度的信息熵表示为,
其中,Di={D1,D2,D3,Dk}表示特征属性,这里取k=3,分别表示判别结果为安全、较危险、危险,P(Di,X)表示判别结果为Di的分类样例占集合总数X的比例,将较危险状态的DR值作为区间值属性的条件属性Ci={C1,C2,Cn},并计算Ci中的最优割点,对选定区间上每一个备选割点P,训练数据集被分割成S1、S2、S3,分割的信息熵定义为Sj(j=1,2,3)的类信息熵的加权平均:
其中,Entr(Sj)由上式(13)计算得出。在所有的备选割点中选取使得E(C,P;S)达到最小值的P*,即为特征属性Ci的最优割点,从而得到最优阈值:
DRs=Ci'(P*) (15)
即当实时危险感知值DR(i)∈DRs时,表明当前处于较危险状态,系统进入一级报警模式;当DR(i)<RPs,则当前为危险状态,系统进入二级报警模式;当DR(i)>DRs时,即为安全状态。
步骤3.3,对预警系统的评判结果分类,有以下四种情况:
1)实际情况是正常换道时,系统却发出警报,
2)实际情况是危险换道时,系统并没有发出警报,
3)实际情况是正常换道时,系统没有发出警报,
2)实际情况是危险换道时,系统发出警报;
当情况1)加上情况2)的案例占比大于8%时,系统依据现存数据库对最优阈值进行重新搜索。
综上所述,本发明提出一种在线学习驾驶人行为特性的换道预警算法。首先,根据虚拟弹簧理论提出一种换道危险感知模型,引入速度关联度、换道安全系数以及横向偏移三个指标定量评估周围车辆对换道行为的影响程度,采用模糊方法确定其权重大小,以此修正换道参数;其次,利用在线学习的驾驶员换道行为数据库对危险感知模型的模型参数实时辨识。通过历史数据库对换道过程中目标车道后车的行驶状态进行评估,即划分目标车道后车的危险程度判断当前换道行为是否安全,得到各状态(安全、较危险、危险)下的换道危险感知,根据信息熵搜索最佳阈值。建立预警系统评价体系,当系统容错率超过限定值时,系统依据现存数据库重新搜索最佳阈值。
本发明的有益效果是:
1.在线学习驾驶人换道行为特性,相比于离线状态下完成的驾驶员分类模型,运算量减小,同时降低对硬件设备的要求。
2.采用模糊方法定量评估周围车辆对换道过程的影响程度,通过动态权重分配修正换道参数,提高模型精确度。
3.采用递推的极大似然估计对危险感知模型参数进行在线辨识,相比于单一固定的模型参数,实时性更好。
4.计算量较小,且阈值动态可调,符合驾驶员的心理预期,具备可操作性。
附图说明
图1:考虑驾驶人特性的自适应换道预警系统结构
图2:换道场景图
图3:换道协同车辆的权重调节系统
图4:模糊计算规则
图5:部分危险感知系数(DR)序列
具体实施方式
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。
图1是考虑驾驶人特性的自适应换道预警系统结构图。整体上介绍了本发明的主题思路,首先,确定换道模型,提出换道参数修正方法实现对多车碰撞风险的综合评估,并给出模型参数的动态调节方法;其次,建立基于驾驶员操作感知的换道行为数据库,设计基于信息熵的最优阈值搜索方法,同时建立阈值合理性评价体系,判断阈值是否需要调整;最后,将实时危险评估值与预警阈值进行比较,判断系统报警情况,使得预警系统在不干涉驾驶员操作的前提下,根据当前状态自我调节,提高行车安全性能。
步骤1:针对车辆换道场景提出报警阈值动态可调的换道预警模型,修正换道参数。
如图2所示的换道场景为快速道路环境,换道过程为SV车(自车)从原车道变换至目标车道,ALV车和AFV车分别表示目标车道上的前、后车辆,LV车表示同车道上前车。SV车从当前车道换道至目标车道的前车和后车之间。其中,通过车联网环境实现换道过程中信息交互。获取的车辆状态参数均以自车为参照物。
换道预警模型为:
根据虚拟弹簧理论,假定换道车辆与前车保持安全车间距,同时考虑换道车辆与目标车道前、后车之间的避撞问题。涉及参数量有跟车时距THW,避撞时间倒数TTCi,模型参数有驾驶员期望的跟车时距THWd,敏感系数Cd、Cv,定义危险感知系数DR(k)为换道车辆加速度与速度的比值,单位是s-1,计算方式如下,
上述危险感知系数DR(k)能够作为换道预警模型,用于判断当前换道是否处于危险状态。
上述换道参数的具体修正过程为:
采用动态权重分配方法定量评估各车影响程度大小,引入换道过程中的车辆速度关联度、换道安全系数以及横向偏移作为权重分配的判断指标,对换道参数THW(k)、TTCi(k)进行修正,
其中,j代表原车道前车、目标车道前车以及目标车道后车;δj代表相应的权重。
如图3所示为基于模糊方法的换道协同车辆权重调节系统,将速度关联度、横向偏移、换道安全系数三个指标作为模型输入,权重系数δj作为输出。权重系数的确定方法如下,
Pro1:确定各个指标的归一化值。
规定速度关联度的归一值有low、moderate、high三个等级,对应表示协同车辆与自车的速度关联度较小、中等或较大。
横向偏移:offset(i)=PSV(k)-Pt(k)|t∈{LV,AFV,ALV} (4)
PSV(k)表示换道车辆k时刻的横向位置,Pt(k)表示周围车辆k时刻的横向位置;
规定横向偏移的归一值有near、medium、far三个等级,对应周围协同车辆与自车的横向位置的偏差较近、适中及较远。
规定换道安全系数的归一值有low、moderate和high三个等级,对应换道安全系数较低、中等及较高三个等级。
其中,gk(i)是灰色关联度分析中的关联度系数,n为周围车辆个数,P(i)是车辆的横向位置,LV,AFV,ALV分别是原车道前车,目标车道后车以及目标车道前车,d0是自车与周围车辆的实际纵向距离,dsafe是两车间的临界安全距离。
注意:对于目标车道后车而言,dsafe是两车间的换道临界安全距离。
Pro2:依据图4所示所设定的27条模糊计算规则,选择高斯函数作为权重系数δj的等级表达,
步骤2:在线实时辨识换道预警模型参数。
2.1:根据极大似然估计,利用驾驶人换道特性的在线学习数据,确定预警模型参数初值,系统模型表示为如下向量方程,
Y=φθ+e (7)
其中,Y是观测量,作为系统的输出,φ是系统输入量,θ是参数变量,e是期望为零的高斯白噪声。根据(1)推导可得,
进一步,得到对应的似然函数,
对上式未知参数求偏导,并令所求偏导为0,
2.2:根据递推的极大似然估计,每观测一次新数据,实时计算当前最新模型参数,计算方法如下,
其中,ε是适当小的数,规定当三个参数的变化波动较小时,递推停止。
步骤3:对DR(k)搜索最佳报警阈值,并判断系统报警状态,最后对当前阈值建立合理性评价体系。
步骤3.1,根据换道行为数据库中历史记载的换道数据划分目标车道后车的危险程度,判断当前换道行为是否安全。
后车减速度值较小,即后车基本匀速或略有加速表明车辆换道行为对目标车道后车的影响小,换道行为安全。相反则说明换道行为不安全。
1).自车换道过程中,目标车道后车最大加速度小于-4m/s2,后车状态评估为危险;
2).自车换道过程中,目标车道后车最大加速度大于-4m/s2且小于-1m/s2,后车状态评估为较危险;
3).自车换道过程中,目标车道后车最大加速度大于-1m/s2,后车状态评估为安全。
步骤3.2搜索最佳报警阈值,并判断系统报警状态的具体过程为:
表征判别属性适应程度的信息熵表示为,
其中,Di={D1,D2,D3,Dk}表示特征属性,这里取k=3,分别表示判别结果为安全、较危险、危险。P(Di,X)表示判别结果为Di的分类样例占集合总数X的比例。将较危险状态的DR值作为区间值属性的条件属性Ci={C1,C2,Cn},并计算Ci中的最优割点。对选定区间上每一个备选割点P,训练数据集被分割成S1、S2、S3,分割的信息熵定义为Sj(j=1,2,3)的类信息熵的加权平均:
其中,Entr(Sj)由上式(13)计算得出。在所有的备选割点中选取使得E(C,P;S)达到最小值的P*,即为特征属性Ci的最优割点。从而得到最优阈值:
DRs=Ci'(P*) (15)
即当实时危险感知值DR(i)∈DRs时,表明当前处于较危险状态,系统进入一级报警模式;当DR(i)<RPs,则当前为危险状态,系统进入二级报警模式;当DR(i)>DRs时,即为安全状态。如图(5)所示为各状态下的部分危险感知系数值。
步骤3.3,对当前阈值建立合理性评价体系的过程为:
对预警系统的评判结果分类,有以下四种情况:
1)实际情况是正常换道时,系统却发出警报,
2)实际情况是危险换道时,系统并没有发出警报,
3)实际情况是正常换道时,系统没有发出警报,
2)实际情况是危险换道时,系统发出警报;
当情况1)加上情况2)的案例占比大于8%时,系统依据现存数据库对最优阈值进行重新搜索。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于驾驶人特性的自适应换道预警算法,其特征在于,包括如下步骤:
步骤1,确定换道预警模型,修正换道参数:步骤1.1,针对车辆换道场景提出报警阈值动态可调的换道预警模型;步骤1.2,修正换道预警模型中的换道参数;
步骤2,在线实时辨识换道预警模型参数;
步骤3,搜索最佳报警阈值,并判断系统报警状态,建立报警阈值评价体系:步骤3.1,根据换道行为数据库中历史记载的换道数据对换道行为作出判断;步骤3.2,对换道预警模型搜索最佳报警阈值,并判断系统报警状态;步骤3.3,对当前的报警阈值建立合理的评价体系;
所述步骤1.1具体包括:
根据虚拟弹簧理论,假定换道车辆与前车保持安全车间距,同时考虑换道车辆与目标车道前、后车之间的避撞问题,假设跟车时距THW,避撞时间倒数TTCi,模型参数有驾驶员期望的跟车时距THWd,敏感系数Cd、Cv,危险感知系数DR(k)的计算方式如下:
上述危险感知系数DR(k)能够作为换道预警模型,用于判断当前换道是否处于危险状态;
所述步骤1.2具体包括:
采用动态权重分配方法定量评估各车影响程度大小,引入换道过程中的车辆速度关联度、换道安全系数以及横向偏移作为权重分配的判断指标,对换道参数THW(k)、TTCi(k)进行修正,
其中,j代表原车道前车、目标车道前车以及目标车道后车;δj代表相应的权重,权重系数的确定方法如下,
步骤1.2.1,确定各个指标的归一化值,
规定速度关联度的归一值有low、moderate、high三个等级,对应表示协同车辆与自车的速度关联度较小、中等或较大;
横向偏移:
offset(i)=PSV(k)-Pt(k)|t∈{LV,AFV,ALV}
(4)
PSV(k)表示换道车辆k时刻的横向位置,Pt(k)表示周围车辆k时刻的横向位置;
规定横向偏移的归一值有near、medium、far三个等级,对应周围协同车辆与自车的横向位置的偏差较近、适中及较远;
规定换道安全系数的归一值有low、moderate和high三个等级,对应换道安全系数较低、中等及较高三个等级;
其中,gk(i)是灰色关联度分析中的关联度系数,n为周围车辆个数,P(i)是车辆的横向位置,LV,AFV,ALV分别是原车道前车,目标车道后车以及目标车道前车,d0是自车与周围车辆的实际纵向距离,dsafe是两车间的临界安全距离;
步骤1.2.2,依据设定的模糊计算规则,选择高斯函数作为权重系数δj的等级表达,
2.根据权利要求1所述的一种基于驾驶人特性的自适应换道预警算法,其特征在于,所述步骤2具体包括:
步骤2.1,根据递推极大似然估计,利用驾驶人换道特性的在线学习数据,确定预警模型参数,系统模型表示为如下向量方程,
Y=φθ+e (7)
其中,Y是观测量,作为系统的输出,φ是系统输入量,θ是参数变量,e是期望为零的高斯白噪声,根据公式(1)推导可得,
θ=[Cd Cd·THWd Cv]T (8)
进一步,得到对应的似然函数,
对上式(9)未知参数求偏导,并令所求偏导为0;
步骤2.2,根据递推的极大似然估计,每观测一次新数据,实时计算当前最新模型参数,计算方法如下,
4.根据权利要求1所述的一种基于驾驶人特性的自适应换道预警算法,其特征在于,所述步骤3.1具体包括:
根据换道行为数据库中历史记载的换道数据划分目标车道后车的危险程度,判断当前换道行为是否安全:
后车减速度值较小,即后车基本匀速或略有加速表明车辆换道行为对目标车道后车的影响小,换道行为安全,相反则说明换道行为不安全;
1)自车换道过程中,目标车道后车最大加速度小于-4m/s2,后车状态评估为危险;
2)自车换道过程中,目标车道后车最大加速度大于-4m/s2且小于-1m/s2,后车状态评估为较危险;
3)自车换道过程中,目标车道后车最大加速度大于-1m/s2,后车状态评估为安全。
5.根据权利要求1所述的一种基于驾驶人特性的自适应换道预警算法,其特征在于,所述步骤3.2具体包括:
表征判别属性适应程度的信息熵表示为,
其中,Di={D1,D2,D3,…Dk}表示特征属性,这里取k=3,分别表示判别结果为安全、较危险、危险,P(Di,X)表示判别结果为Di的分类样例占集合总数X的比例,将较危险状态的DR值作为区间值属性的条件属性Ci={C1,C2,…Cn},并计算Ci中的最优割点,对选定区间上每一个备选割点P,训练数据集被分割成S1、S2、S3,分割的信息熵定义为Sj(j=1,2,3)的类信息熵的加权平均:
其中,Entr(Sj)由上式(13)计算得出;在所有的备选割点中选取使得E(C,P;S)达到最小值的P*,即为特征属性Ci的最优割点,从而得到最优阈值:
DRs=Ci'(P*) (15)
即当实时危险感知值DR(i)∈DRs时,表明当前处于较危险状态,系统进入一级报警模式;当DR(i)<RPs,则当前为危险状态,系统进入二级报警模式;当DR(i)>DRs时,即为安全状态。
6.根据权利要求1所述的一种基于驾驶人特性的自适应换道预警算法,其特征在于,所述步骤3.3具体包括:
对预警系统的评判结果分类,有以下四种情况:
1)实际情况是正常换道时,系统却发出警报,
2)实际情况是危险换道时,系统并没有发出警报,
3)实际情况是正常换道时,系统没有发出警报,
4 )实际情况是危险换道时,系统发出警报;
当情况1)加上情况2)的案例占比大于8%,系统依据现存数据库对最优阈值进行重新搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811638604.3A CN109733390B (zh) | 2018-12-29 | 2018-12-29 | 一种基于驾驶人特性的自适应换道预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811638604.3A CN109733390B (zh) | 2018-12-29 | 2018-12-29 | 一种基于驾驶人特性的自适应换道预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109733390A CN109733390A (zh) | 2019-05-10 |
CN109733390B true CN109733390B (zh) | 2021-07-20 |
Family
ID=66362362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811638604.3A Active CN109733390B (zh) | 2018-12-29 | 2018-12-29 | 一种基于驾驶人特性的自适应换道预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109733390B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110386145B (zh) * | 2019-06-28 | 2020-07-07 | 北京理工大学 | 一种目标驾驶员驾驶行为实时预测系统 |
FR3103915B1 (fr) * | 2019-11-29 | 2021-12-17 | Alstom Transp Tech | Procédé d’aide à la conduite d’un véhicule de transport public |
CN111275972A (zh) * | 2020-02-22 | 2020-06-12 | 长安大学 | 一种基于v2v的汽车换道预警方法及装置 |
CN111402627B (zh) * | 2020-02-24 | 2021-06-25 | 吉林大学 | 一种基于车联网的多工况换道安全预警系统及预警方法 |
CN111413692B (zh) * | 2020-03-18 | 2022-03-18 | 东风汽车集团有限公司 | 一种基于路旁静止物体的摄像头横向位置估测自标定方法 |
CN111462493B (zh) * | 2020-04-10 | 2021-05-28 | 北京工业大学 | 一种基于车联网的超车态势感知预警系统 |
WO2021212379A1 (zh) * | 2020-04-22 | 2021-10-28 | 华为技术有限公司 | 车道线检测方法及装置 |
CN111746544B (zh) * | 2020-07-13 | 2021-05-25 | 吉林大学 | 一种体现驾驶员个性化行为的车道变换方法 |
CN112233413B (zh) * | 2020-07-20 | 2022-03-29 | 北方工业大学 | 一种面向智能网联车辆的多车道时空轨迹优化方法 |
CN111959519B (zh) * | 2020-08-20 | 2021-12-28 | 中国第一汽车股份有限公司 | 一种辅助驾驶功能设置方法、装置、设备及介质 |
CN112052776B (zh) * | 2020-09-01 | 2021-09-10 | 中国人民解放军国防科技大学 | 无人车自主驾驶行为优化方法、装置和计算机设备 |
CN112249008B (zh) * | 2020-09-30 | 2021-10-26 | 南京航空航天大学 | 针对复杂动态环境的无人驾驶汽车预警方法 |
CN112441004B (zh) * | 2020-11-30 | 2023-04-25 | 重庆长安汽车股份有限公司 | 自动驾驶换道的纵向规划方法、系统、车辆及存储介质 |
CN113240901B (zh) * | 2021-03-05 | 2022-04-26 | 东南大学 | 一种智能车换道行为风险等级确定方法及装置 |
CN113096401A (zh) * | 2021-04-08 | 2021-07-09 | 重庆交通职业学院 | 一种交通事故预警系统和方法 |
CN113479201B (zh) * | 2021-08-20 | 2022-08-12 | 燕山大学 | 考虑驾驶人反应能力的换道场景车辆风险动态评价方法 |
CN113859257B (zh) * | 2021-11-10 | 2022-05-24 | 紫清智行科技(北京)有限公司 | 基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法 |
CN114613195B (zh) * | 2022-03-18 | 2024-06-11 | 重庆大学 | 一种面向混合交通的车辆换道风险评估方法及装置 |
CN117104255B (zh) * | 2023-09-06 | 2024-03-19 | 南京项尚车联网技术有限公司 | 一种智能驾驶车辆智能感知人车交互系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004164190A (ja) * | 2002-11-12 | 2004-06-10 | Nissan Motor Co Ltd | 車両用報知装置 |
CN101633358A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有集成驾驶风格识别的自适应车辆控制系统 |
CN103065501A (zh) * | 2012-12-14 | 2013-04-24 | 清华大学 | 一种汽车换道预警方法及换道预警系统 |
CN103754224A (zh) * | 2014-01-24 | 2014-04-30 | 清华大学 | 一种车辆多目标协调换道辅助自适应巡航控制方法 |
CN105788238A (zh) * | 2016-01-07 | 2016-07-20 | 南京航空航天大学 | 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法 |
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
CN108595823A (zh) * | 2018-04-20 | 2018-09-28 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 |
-
2018
- 2018-12-29 CN CN201811638604.3A patent/CN109733390B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004164190A (ja) * | 2002-11-12 | 2004-06-10 | Nissan Motor Co Ltd | 車両用報知装置 |
CN101633358A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有集成驾驶风格识别的自适应车辆控制系统 |
CN103065501A (zh) * | 2012-12-14 | 2013-04-24 | 清华大学 | 一种汽车换道预警方法及换道预警系统 |
CN103754224A (zh) * | 2014-01-24 | 2014-04-30 | 清华大学 | 一种车辆多目标协调换道辅助自适应巡航控制方法 |
CN105788238A (zh) * | 2016-01-07 | 2016-07-20 | 南京航空航天大学 | 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法 |
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
CN108595823A (zh) * | 2018-04-20 | 2018-09-28 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 |
Non-Patent Citations (1)
Title |
---|
自适应驾驶人特性的前撞预警方法研究;虞辰霏;《中国优秀硕士学位论文全文数据库》;20150731;第43-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109733390A (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109733390B (zh) | 一种基于驾驶人特性的自适应换道预警方法 | |
CN111785023A (zh) | 一种车辆碰撞风险预警方法及系统 | |
CN108944943B (zh) | 一种基于风险动态平衡理论的弯道跟驰模型 | |
CN107346460A (zh) | 基于智能网联系统下前车运行信息的未来工况预测方法 | |
CN106022561A (zh) | 驾驶行为综合评价方法 | |
CN112721949B (zh) | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 | |
CN113401123B (zh) | 融合驾驶模式信息的汽车预测巡航参数自整定控制系统 | |
CN114987539B (zh) | 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统 | |
CN109436085A (zh) | 一种基于驾驶风格的线控转向系统传动比控制方法 | |
CN111783943A (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
CN108847025A (zh) | 一种交通拥堵判定方法 | |
Kim et al. | A driver adaptive lane departure warning system based on image processing and a fuzzy evolutionary technique | |
CN112990563A (zh) | 一种高速公路追尾事故风险实时预测方法 | |
CN117273453A (zh) | 一种智能网联汽车汽车风险评估方法及系统 | |
CN114347998B (zh) | 一种车辆辅助驾驶控制方法、系统、设备及介质 | |
CN113859257B (zh) | 基于灰色熵权和侧向椭圆阈的周围车辆驾驶意图识别方法 | |
Ni et al. | Situation assessment for lane-changing risk based on driver’s perception of adjacent rear vehicles | |
CN112874537B (zh) | 一种紧急避险下智能驾驶系统的人机共驾控制方法 | |
EP3654246B1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and replay buffer | |
CN113793074A (zh) | 一种自动驾驶车辆社会合作性评价方法 | |
Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model | |
CN111724010A (zh) | 一种确定危险等级的方法及装置 | |
CN115547047B (zh) | 一种基于注意力模型的智能网联车跟驰模型 | |
Wei et al. | Characteristics Analysis and Classification of Lane-changing Behavior after Following Process based on China-FOT | |
CN118035691B (zh) | 智能驾驶感知质量的量化评价方法、设备和存储介质 |
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 |