CN109849910A - 无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质 - Google Patents
无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109849910A CN109849910A CN201811574058.1A CN201811574058A CN109849910A CN 109849910 A CN109849910 A CN 109849910A CN 201811574058 A CN201811574058 A CN 201811574058A CN 109849910 A CN109849910 A CN 109849910A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- region
- interest
- crimping
- follow
- 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
Abstract
本发明公开了一种无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质,包括以下步骤:将传感器能感知的区域划分为安全区和感兴趣区;判断感兴趣区内是否有车辆;若感兴趣区内有车辆,判断车辆是否有靠近趋势,以及车辆是否有压线;根据感兴趣区内是否有目标车辆、感兴趣区内的车辆是否有靠近趋势和是否有压线的情况,判断本车辆的危险等级,并输出场景标签;基于危险等级对本车的期望行为进行决策。本发明在现有无人驾驶应用领域的基础上增加了对多目标场景的理解,根据不同的场景激活对应的控制模块,使得无人驾驶车辆行为接近熟练驾驶员的行为,提高乘员的乘坐体验和车辆的行驶安全性。
Description
技术领域
本发明属于无人驾驶车辆环境认知技术领域,具体涉及一种无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质。
背景技术
当前工程应用领域,无人驾驶车辆决策控制一般为基于单目标跟随的ACC,仅根据本车道内的一辆车的状态自适应调整本车的状态。这种算法的局限性在于仅能应用于较低等级的自动驾驶和较为简单的工况,例如车流量比较小的高速路工况。为了满足更高等级的自动驾驶,例如拥堵高速公路下的自动驾驶,车流量比较大,驾驶环境比较复杂,不确定性比较多,如果仅跟随前方目标车辆,乘员的实际体验较差,并且不能有效地减少或避免交通事故的发生。
在学术研究领域,目前主要分为两个方向,一种是基于试验数据模型的危险等级评估,另外一种是基于长短时域的目标车辆轨迹预测。基于试验数据模型的危险等级评估有较多的局限性:第一,获取试验数据、提取特征参数、特种参数的聚类以及建立数据模型需要进行大量的试验,需要消耗较多的人力和物力;第二,提取特征数据时存在较大的不确定性,较难保证在不同的场景下均能在相同的时机提取出需要的数据;第三,使用此方法将场景与模型进行映射需要用到机器学习,现有的机器学习方法,例如支持向量机和决策树,目前尚无商用化的可行性方案。基于长短时域的目标车辆轨迹预测方法局限性也较多:第一,短时域预测一般基于车辆运动学模型,仅适用于短时间内的车辆轨迹预测,其预测误差随着预测时长的增加而增大;第二,长时域预测一般是基于行为认知模型,例如动态贝叶斯网络模型,动态贝叶斯网络涉及先验概率,此先验概率较难获取,因而应用前景另外,此模型的短时域预测精度较差。在长时域预测和短时域预测的基础上发展起来的综合时域预测模型,兼备长时域精度预测和短时域预测的优势,然而此方法的应用难度远比长时域预测和短时域预测高,实际应用前景受到限制。
发明内容
本发明旨在克服现有技术的问题,提供了一种无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质,在提高无人驾驶车辆乘坐体验和安全性的前提下,能兼顾实际应用的可行性。
本发明所述的一种无人驾驶车辆多目标决策控制方法,包括以下步骤:
将传感器能感知的区域划分为安全区和感兴趣区;
判断感兴趣区内是否有车辆;
若感兴趣区内有车辆,判断车辆是否有靠近趋势,以及车辆是否有压线;
根据感兴趣区内是否有目标车辆、感兴趣区内的车辆是否有靠近趋势和是否有压线的情况,判断本车辆的危险等级,并输出场景标签;
基于危险等级对本车的期望行为进行决策。
进一步,传感器能感知区域根据如下规则定义:
安全区:RT1车尾前方的本车道及其相邻车道内的区域;
感兴趣区:本车的车头前方和RT1车尾后方之间的本车道及其相邻车道内的区域;
其中:RT1是指本车道内与本车纵向距离最近的车辆。
进一步,感兴趣区内是否有车辆,根据如下规则进行判断:
判断RT3或RT4是否存在;
若RT3存在且在感兴趣区内,或者RT4存在且在感兴趣区内,则感兴趣区内有车辆;
其中:
RT3是指本车的左侧相邻车道内与本车纵向距离最近的车辆;
RT4是指本车的右侧相邻车道内与本车纵向距离最近的车辆。
进一步,判断车辆是否有靠近趋势的方法为:
当RT3存在且在感兴趣区内时,实时检测当前时刻RT3与本车的横向相对距离和横向车速,若在预设时间后RT3与本车的横向相对距离小于预设距离,则认为当前时刻的RT3有靠近趋势;当RT4存在且在感兴趣区内时,实时检测当前时刻RT4与本车的横向相对距离和横向车速,若在预设时间后RT4与本车的横向相对距离小于预设距离,则认为当前时刻的RT4有靠近趋势。
进一步,判断车辆是否有压线的方法为:
当车道线存在时,利用传感器输出的系数,得到本车道左侧和右侧的车道线方程;当车道线不存在时,利用本车的车速和横摆角速度近似计算车辆的转向半径,以此为依据得到车道线中心线方程,然后向左和向右偏移半个车道宽度,即得到本车道左侧和右侧的车道线方程;
以目标车辆的尾部中心为基准点,用长度为Am、宽度为传感器检测到的实际宽度的长方形表示目标车辆,长方形的四个点的坐标即表示车辆的四个边缘点坐标;
利用目标车辆边缘点坐标和车道线方程,判断车辆是否压线:若RT3在感兴趣区内,且至少有两个边缘点与车道线的横向偏移小于零,则RT3压线,反之,则RT3未压线;同理,若RT4在感兴趣区内,且至少有两个边缘点与车道线的横向偏移大于零,则RT4压线,反之,则RT4未压线。
进一步,场景标签判断规则如下:
(1)感兴趣区无车,即RT3或者RT4均不在感兴趣区内,则场景标签flag为0;
(2)感兴趣区有2辆车,即RT3和RT4均在感兴趣区内,此时:
A. 若RT3和RT4均未压线,且均无靠近趋势,则场景标签flag为1;
B. 若RT3和RT4均未压线,且至少有一辆车有靠近趋势,则场景标签flag为2;
C. 若RT3或RT4压线了,则场景标签flag为3;此时,若一段时间内压线车辆并无靠近趋势,则场景标签flag跳转到2;
D. 若RT3和RT4均压线了,则场景标签flag为4;
(3)感兴趣区有1辆车,即RT3或RT4在感兴趣区内,此时:
A. 若RT3在感兴趣区内,未压线,且无靠近趋势;或者若RT4在感兴趣区内,未压线,且无靠近趋势;则场景标签flag为1;
B. 若RT3在感兴趣区内,未压线,且有靠近趋势;或者若RT4在感兴趣区内,未压线,且有靠近趋势;则场景标签flag为2;
C. 若RT3在感兴趣区内,且压线;或者若RT4在感兴趣区内,且压线;则场景标签flag为3;此时,若一段时间内RT3或RT4无靠近趋势,则场景标签flag跳转到2。
进一步,基于危险等级对本车的期望行为进行决策,具体如下:
(1)若flag为0,则以RT1为跟车目标,基于标准的跟车时距,进行自适应巡航算法的设计;
(2)若flag为1,则以RT1为跟车目标,基于标准的跟车时距,进行自适应巡航算法的设计,但需对加速度峰值作出限制;
(3)若flag为2,则以RT1为跟车目标,先丢油门,并基于较大的跟车时距,进行自适应巡航算法的设计,同时对加速度峰值作出限制;
(4)若flag为3,则以压线车辆为跟车目标,在保持安全距离的前提下,平滑减速至与跟车目标相同的车速,且在达到此车速时恢复较大的跟车时距;此时,若压线车辆无靠近趋势,则以RT1为跟车目标,基于较大的跟车时距,进行自适应巡航算法的设计,同时对加速度峰值作出限制;
(5)若flag为4,则以较危险的压线车辆为跟车目标,在保持安全距离的前提下,平滑减速至与跟车目标相同的车速,且在达到此车速时恢复较大的跟车时距;此时,若压线车辆无靠近趋势,则以靠得最近的压线车辆为跟车目标,基于较大的跟车时距,进行自适应巡航算法的设计,同时对加速度峰值作出限制;
其中,较危险的压线车辆是指预碰撞时间较小的车辆。
进一步,为避免场景标签频繁跳转,对场景进行保持处理,处理规则如下:
(1)若被触发的场景标签比当前时刻的场景标签大,即下一时刻的场景比当前时刻危险,判断当前时刻的场景是否被保持了第一预定时间,若未保持到第一预定时间,则保持到第一预定时间之后跳转到被触发的场景标签,若保持时间超过了第一预定时间,则立即跳转到下一个时刻的场景标签;
(2)若被触发的场景标签比当前时刻的场景标签小,即下一时刻的场景比当前时刻安全,判断当前时刻的场景是否被保持了第二预定时间,若未保持到第二预定时间,则到第二预定时间之后跳转到被触发的场景标签,若保持时间超过了第二预定时间,则立即跳转到下一个时刻的场景标签。
本发明所述的无人驾驶车辆多目标决策控制装置,包括:用于获取目标车辆的状态信息和车道线信息的传感器模块,以及分别与整车总线和传感器模块连接的控制器,所述控制器从整车总线上获取本车的车速和横摆角速度信息,所述控制器被编程以便执行如本发明所述的步骤。
本发明所述的一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明所述的步骤。
本发明的有益效果:
(1)本发明相比于现有的工程应用的算法,加入了对交通场景的理解,根据交通场景的危险等级,对自动驾驶车辆进行控制,能够使得自动驾驶车辆的行为更接近人的行为,提高了乘员的实际体验和车辆行驶安全性;
(2)本发明相比于现有的学术前沿算法,控制逻辑实现相对简单,无需大量的先验知识,适应性较强,鲁棒性好,具有较好的工程应用前景;
(3)本发明能够应用于较为复杂的交通场景,可适用于三级及以上的自动驾驶。
附图说明
图1为目标车辆标签定义示意图;
图2为区域划分示意图;
图3为感兴趣区无车(flag=0)示意图;
图4为感兴趣区有两辆车、未压线且无靠近趋势(flag=1)示意图;
图5为感兴趣区有一辆车、未压线且无靠近趋势(flag=1)示意图;
图6为感兴趣区有两辆车、未压线但有靠近趋势(flag=2)示意图;
图7为感兴趣区有一辆车、未压线但有靠近趋势(flag=2)示意图;
图8为感兴趣区有车两辆车、压线但无靠近趋势(flag=3)示意图;
图9为感兴趣区有一辆车、压线但无靠近趋势(flag=3)示意图;
图10为感兴趣区有两辆车且都压线(flag=4)示意图;
图11为多目标决策控架构示意图;
图12为多目标决策控制流程图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式,此处所述的具体实施例不限制本发明的使用方案。
本发明的一种无人驾驶车辆多目标决策控制方法,包括以下步骤:
(1)将传感器能感知的区域划分为安全区和感兴趣区;
(2)判断感兴趣区内是否有车辆;
若感兴趣区内有车辆,判断车辆是否有靠近趋势,以及车辆是否有压线;
(3)根据感兴趣区内是否有目标车辆、感兴趣区内的车辆是否有靠近趋势和是否有压线的情况,判断本车辆的危险等级,并输出场景标签;
(4)基于危险等级对本车的期望行为进行决策。
如图1所示,将传感器能感知区域的部分车辆定义如下:
RT1:本车道内与本车纵向距离最近的车辆;
RT2:本车道内与本车纵向距离次近的车辆;
RT3:本车的左侧相邻车道内与本车纵向距离最近的车辆;
RT4:本车的右侧相邻车道内与本车纵向距离最近的车辆;
RT5:RT3前方与本车横向距离最近的车辆;
RT6:RT4前方与本车横向距离最近的车辆。
如图2所示,本实施例中,将传感器可感知的区域划分为安全区和感兴趣区,区域划分规则如下:
安全区:RT1车尾前方的本车道及其相邻车道内的区域;
感兴趣区:本车的车头前方和RT1车尾后方之间的本车道及其相邻车道内的区域。
若传感器可感知范围内无RT1,则控制系统默认本车前方60 m处有虚拟的RT1,此情况下,区域的划分基于虚拟RT1进行。
本实施例中,感兴趣区内是否有车的判断方法如下:
(1)判断RT3或RT4是否存在;
(2)若RT3存在且在感兴趣区内,或者RT4存在且在感兴趣区内,则感兴趣区内有车。其中,若RT3在感兴趣区内,则置Car_Existence3为1(即表示RT3在感兴趣区内),若RT4在感兴趣区被,则置Car_Existence4为1(即表示RT4在感兴趣区内)。
本实施例中,目标车辆是否有靠近趋势的判断方法如下:
(1)判断RT3或RT4是否存在;
(2)判断RT3或RT4是否在感兴趣区内;
(3)当RT3存在且在感兴趣区内时,实时检测当前时刻RT3与本车的横向相对距离和横向车速,若预设时间(本实施例中,以预设时间为0.5 s为例进行说明)后RT3与本车的横向相对距离小于预设距离(本实施例中,以预设距离为1 m为例进行说明),则认为当前时刻RT3有靠近趋势;当RT4存在且在感兴趣区内时,实时检测当前时刻RT4与本车的横向相对距离和横向车速,若0.5 s后RT4与本车的横向相对距离小于0.5 m,则认为当前时刻RT4有靠近趋势。
本实施例中,判断车辆是否有压线的判断方法如下:
(1)车道线方程的确定:当车道线存在时,利用传感器输出的系数,直接给出本车道左侧和右侧车道线的三次拟合方程(即:车道线方程);当车道线不存在时,利用本车的车速和横摆角速度近似计算车辆的转向半径,以此为依据得到车道线中心线方程,然后向左和向右偏移半个车道宽度,即可得到本车道左侧和右侧的车道线方程;
(2)以目标车辆的尾部中心为基准点,用长度为Am(本实施例中,Am等于4 m)、宽度为传感器检测到的实际宽度的长方形表示目标车辆,长方形的四个点的坐标即可表示车辆的四个边缘点坐标;
(3)利用目标车辆边缘点坐标和车道线方程,判断车辆是否压线:若RT3在感兴趣区内,且至少有两个边缘点与车道线的横向偏移小于零,则RT3压线,反之,则RT3未压线;同理,若RT4在感兴趣区内,且至少有两个边缘点与车道线的横向偏移大于零,则RT4压线,反之,则RT4未压线。
本实施例中,以flag表示场景标签,flag在集合{0,1,2,3,4}中取值,场景的危险等级从0到4依次增大,不同场景标签对应的场景示意图如图3~图10所示。
基于多目标的场景标签判断规则如下:
(1)如图3所示,感兴趣区无车,即RT3或者RT4均不在感兴趣区内,则场景标签flag为0;
(2)感兴趣区有2辆车,即RT3和RT4均在感兴趣区内,此时:
A. 如图4所示,若RT3和RT4均未压线,且均无靠近趋势,则场景标签flag为1;
B. 如图6所示,若RT3和RT4均未压线,且至少有一辆车有靠近趋势,则场景标签flag为2;
C. 如图8所示,若RT3或RT4压线了,则场景标签flag为3;此时,若一段时间内压线车辆并无靠近趋势,则场景标签flag跳转到2;
D. 如图10所示,若RT3和RT4均压线了,则场景标签flag为4。
(3)感兴趣区有1辆车,即RT3和RT4有一辆在感兴趣区内,此时:
A. 如图5所示,若RT3在感兴趣区内,未压线,且无靠近趋势,或者若RT4在感兴趣区内,未压线,且无靠近趋势,则场景标签flag为1;
B. 如图7所示,若RT3在感兴趣区内,未压线,且有靠近趋势,或者若RT4在感兴趣区内,未压线,且有靠近趋势,则场景标签flag为2;
C. 如图9所示,若RT3在感兴趣区内,压线,或者若RT4在感兴趣区内,压线,则场景标签flag为3;此时,若一段时间内RT3或RT4无靠近趋势,则场景标签flag跳转到2。
本实施例中,为避免场景标签频繁跳转,对场景进行保持处理,处理规则如下:
(1)若被触发的场景标签比当前时刻的场景标签大,即下一时刻的场景比当前时刻危险,判断当前时刻的场景是否被保持了第一预定时间(本实施例中,第一预定时间以150 ms为例进行说明),若未保持150 ms,则保持150 ms之后跳转到被触发的场景标签,若保持时间超过了150 ms,则立即跳转到下一个时刻的场景标签;
(2)若被触发的场景标签比当前时刻的场景标签小,即下一时刻的场景比当前时刻安全,判断当前时刻的场景是否被保持了第二预设时间(本实施例中,第二预定时间以200 ms为例进行说明),若未保持200 ms,则保持200 ms之后跳转到被触发的场景标签,若保持时间超过了200 ms,则立即跳转到下一个时刻的场景标签。
本实施例中,基于危险等级对本车的期望行为进行决策,方法如下:
(1) 若flag为0,则以RT1为跟车目标,基于标准的跟车时距,进行自适应巡航(即ACC)算法的设计。
(2)若flag为1,则以RT1为跟车目标,基于标准的跟车时距,进行ACC算法的设计,但需对加速度峰值作出限制。
(3)若flag为2,则以RT1为跟车目标,先丢油门,并基于较大的跟车时距,进行ACC算法的设计,同时对加速度峰值作出限制。
(4)若flag为3,则以压线车辆为跟车目标,在保持安全距离的前提下,平滑减速至与跟车目标相同的车速,且在达到此车速时恢复较大的跟车时距;此时,若压线车辆无靠近趋势,则以RT1为跟车目标,基于较大的跟车时距,进行ACC算法的设计,同时对加速度峰值作出限制。
(5)若flag为4,则以较危险的压线车辆为跟车目标,在保持安全距离的前提下,平滑减速至与跟车目标相同的车速,且在达到此车速时恢复较大的跟车时距;此时,若压线车辆无靠近趋势,则以靠得较近的压线车辆为跟车目标,基于较大的跟车时距,进行ACC算法的设计,同时对加速度峰值作出限制。
其中,较危险的压线车辆以预碰撞时间(TTC)为准则进行判断,TTC较小的车辆,即为更危险的压线车辆。
本发明所述的基于场景标签进行决策的目的是模拟驾驶员对现实交通场景的理解,随着危险等级的增加,决策的车辆行为倾向于更加保守,使得无人驾驶车辆的行为更加接近真实驾驶员的操作,提高了乘员的体验和车辆行驶的安全性。
图11为多目标决策控制架构示意图。基于传感器感知的数据,获取目标车辆的状态信息和车道线信息,基于整车总线,获取本车的车速和横摆角速度信息,基于以上信息,判断RT3个RT4是否在感兴趣区内、是否压线、是否有靠近趋势,基于这三个条件,决策当前驾驶环境对应的场景标签,并给出本车期望行为。
如图12所示,本实施例中,多目标决策控制方法的流程如下:步骤1.判断感兴趣区的车辆情况;
若感兴趣区内没有车,进入步骤2;
若感兴趣区有两辆车,进入步骤3;
若感兴趣区内有一辆车,进入步骤4;
步骤2. flag=0,此时,本车的跟车目标为RT1,以标准跟车时距进行跟车。
步骤3.判断是否有车压线,若有,进入步骤5,若无,进入步骤7;
步骤4.判断是否压线,若有,进入步骤6,若无,进入步骤7;
步骤5.判断是否两辆车都压线,若是,进入步骤8,若否,进入步骤6;
步骤6.判断压线目标是否有靠近趋势,若有,则进入步骤9,若无,则进入步骤10;
步骤7.判断是否有靠近趋势,若有,进入步骤11,若无,进入步骤12;
步骤8、flag=4,跟车目标为较危险的目标,较大跟车时距,平滑减速;
步骤9. flag=3,跟车目标为压线目标,较大跟车时距,平滑减速;
步骤10. flag=3,跟车目标为RT1,较大跟车时距,限制加速度峰值;
步骤11. flag=2,跟车目标为RT1,较大跟车时距,限制加速度峰值;
步骤12. flag=1,跟车目标为RT1,标准跟车时距。
本实施例中,较大跟车时距和标准跟车时距是根据多次试验标定得出。
本实施例中,一种无人驾驶车辆多目标决策控制装置,包括:用于获取目标车辆的状态信息和车道线信息的传感器模块,以及分别与整车总线和传感器模块连接的控制器,所述控制器从整车总线上获取本车的车速和横摆角速度信息,所述控制器被编程以便执行如本发明所述的步骤。
本实施例中,一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明所述的步骤。
以上仅为本发明的较佳实施例,并非对本发明的使用范围进行限定。凡在本发明之内所做的任何修改、改进或者等同替换等,均包含在本发明的保护范围之内。
Claims (10)
1.一种无人驾驶车辆多目标决策控制方法,其特征在于,包括以下步骤:
将传感器能感知的区域划分为安全区和感兴趣区;
判断感兴趣区内是否有车辆;
若感兴趣区内有车辆,判断车辆是否有靠近趋势,以及车辆是否有压线;
根据感兴趣区内是否有目标车辆、感兴趣区内的车辆是否有靠近趋势和是否有压线的情况,判断本车辆的危险等级,并输出场景标签;
基于危险等级对本车的期望行为进行决策。
2.根据权利要求1所述的无人驾驶车辆多目标决策控制方法,其特征在于:传感器能感知区域根据如下规则定义:
安全区:RT1车尾前方的本车道及其相邻车道内的区域;
感兴趣区:本车的车头前方和RT1车尾后方之间的本车道及其相邻车道内的区域;
其中:RT1是指本车道内与本车纵向距离最近的车辆。
3.根据权利要求1或2所述的无人驾驶车辆多目标决策控制方法,其特征在于:感兴趣区内是否有车辆,根据如下规则进行判断:
判断RT3或RT4是否存在;
若RT3存在且在感兴趣区内,或者RT4存在且在感兴趣区内,则感兴趣区内有车辆;
其中:
RT3是指本车的左侧相邻车道内与本车纵向距离最近的车辆;
RT4是指本车的右侧相邻车道内与本车纵向距离最近的车辆。
4.根据权利要求3所述的无人驾驶车辆多目标决策控制方法,其特征在于:判断车辆是否有靠近趋势的方法为:
当RT3存在且在感兴趣区内时,实时检测当前时刻RT3与本车的横向相对距离和横向车速,若在预设时间后RT3与本车的横向相对距离小于预设距离,则认为当前时刻的RT3有靠近趋势;当RT4存在且在感兴趣区内时,实时检测当前时刻RT4与本车的横向相对距离和横向车速,若在预设时间后RT4与本车的横向相对距离小于预设距离,则认为当前时刻的RT4有靠近趋势。
5.根据权利要求4所述的无人驾驶车辆多目标决策控制方法,其特征在于:判断车辆是否有压线的方法为:
当车道线存在时,利用传感器输出的系数,得到本车道左侧和右侧的车道线方程;当车道线不存在时,利用本车的车速和横摆角速度近似计算车辆的转向半径,以此为依据得到车道线中心线方程,然后向左和向右偏移半个车道宽度,即得到本车道左侧和右侧的车道线方程;
以目标车辆的尾部中心为基准点,用长度为Am、宽度为传感器检测到的实际宽度的长方形表示目标车辆,长方形的四个点的坐标即表示车辆的四个边缘点坐标;
利用目标车辆边缘点坐标和车道线方程,判断车辆是否压线:若RT3在感兴趣区内,且至少有两个边缘点与车道线的横向偏移小于零,则RT3压线,反之,则RT3未压线;同理,若RT4在感兴趣区内,且至少有两个边缘点与车道线的横向偏移大于零,则RT4压线,反之,则RT4未压线。
6.根据权利要求5所述的无人驾驶车辆多目标决策控制方法,其特征在于:场景标签判断规则如下:
(1)感兴趣区无车,即RT3或者RT4均不在感兴趣区内,则场景标签flag为0;
(2)感兴趣区有2辆车,即RT3和RT4均在感兴趣区内,此时:
A. 若RT3和RT4均未压线,且均无靠近趋势,则场景标签flag为1;
B. 若RT3和RT4均未压线,且至少有一辆车有靠近趋势,则场景标签flag为2;
C. 若RT3或RT4压线了,则场景标签flag为3;此时,若一段时间内压线车辆并无靠近趋势,则场景标签flag跳转到2;
D. 若RT3和RT4均压线了,则场景标签flag为4;
(3)感兴趣区有1辆车,即RT3或RT4在感兴趣区内,此时:
A. 若RT3在感兴趣区内,未压线,且无靠近趋势;或者若RT4在感兴趣区内,未压线,且无靠近趋势;则场景标签flag为1;
B. 若RT3在感兴趣区内,未压线,且有靠近趋势;或者若RT4在感兴趣区内,未压线,且有靠近趋势;则场景标签flag为2;
C. 若RT3在感兴趣区内,且压线;或者若RT4在感兴趣区内,且压线;则场景标签flag为3;此时,若一段时间内RT3或RT4无靠近趋势,则场景标签flag跳转到2。
7.根据权利要求6所述的无人驾驶车辆多目标决策控制方法,其特征在于:基于危险等级对本车的期望行为进行决策,具体如下:
(1)若flag为0,则以RT1为跟车目标,基于标准的跟车时距,进行自适应巡航算法的设计;
(2)若flag为1,则以RT1为跟车目标,基于标准的跟车时距,进行自适应巡航算法的设计,但需对加速度峰值作出限制;
(3)若flag为2,则以RT1为跟车目标,先丢油门,并基于较大的跟车时距,进行自适应巡航算法的设计,同时对加速度峰值作出限制;
(4)若flag为3,则以压线车辆为跟车目标,在保持安全距离的前提下,平滑减速至与跟车目标相同的车速,且在达到此车速时恢复较大的跟车时距;此时,若压线车辆无靠近趋势,则以RT1为跟车目标,基于较大的跟车时距,进行自适应巡航算法的设计,同时对加速度峰值作出限制;
(5)若flag为4,则以较危险的压线车辆为跟车目标,在保持安全距离的前提下,平滑减速至与跟车目标相同的车速,且在达到此车速时恢复较大的跟车时距;此时,若压线车辆无靠近趋势,则以靠得较近的压线车辆为跟车目标,基于较大的跟车时距,进行自适应巡航算法的设计,同时对加速度峰值作出限制;
其中,较危险的压线车辆是指预碰撞时间较小的车辆。
8.根据权利要求6或7所述的无人驾驶车辆多目标决策控制方法,其特征在于,为避免场景标签频繁跳转,对场景进行保持处理,处理规则如下:
(1)若被触发的场景标签比当前时刻的场景标签大,即下一时刻的场景比当前时刻危险,判断当前时刻的场景是否被保持了第一预定时间,若未保持到第一预定时间,则保持到第一预定时间之后跳转到被触发的场景标签,若保持时间超过了第一预定时间,则立即跳转到下一个时刻的场景标签;
(2)若被触发的场景标签比当前时刻的场景标签小,即下一时刻的场景比当前时刻安全,判断当前时刻的场景是否被保持了第二预定时间,若未保持到第二预定时间,则到第二预定时间之后跳转到被触发的场景标签,若保持时间超过了第二预定时间,则立即跳转到下一个时刻的场景标签。
9.一种无人驾驶车辆多目标决策控制装置,包括:用于获取目标车辆的状态信息和车道线信息的传感器模块,以及分别与整车总线和传感器模块连接的控制器,所述控制器从整车总线上获取本车的车速和横摆角速度信息,其特征在于,所述控制器被编程以便执行如权利要求1至8任一所述的步骤。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1~8中任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574058.1A CN109849910B (zh) | 2018-12-21 | 2018-12-21 | 无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574058.1A CN109849910B (zh) | 2018-12-21 | 2018-12-21 | 无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109849910A true CN109849910A (zh) | 2019-06-07 |
CN109849910B CN109849910B (zh) | 2020-11-03 |
Family
ID=66891969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811574058.1A Active CN109849910B (zh) | 2018-12-21 | 2018-12-21 | 无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109849910B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110395255A (zh) * | 2019-07-03 | 2019-11-01 | 重庆长安汽车股份有限公司 | 邻车道车辆横向运动状态的判断方法、系统及计算机可读存储介质 |
CN111231954A (zh) * | 2020-01-14 | 2020-06-05 | 泰牛汽车技术(苏州)有限公司 | 自动驾驶的控制方法 |
CN111797701A (zh) * | 2020-06-10 | 2020-10-20 | 东莞正扬电子机械有限公司 | 用于车辆多传感器融合系统的道路障碍物感知方法及系统 |
CN112068559A (zh) * | 2020-08-28 | 2020-12-11 | 重庆长安汽车股份有限公司 | 无人驾驶车辆的偏移控制方法、系统、车辆及存储介质 |
CN112277939A (zh) * | 2020-10-30 | 2021-01-29 | 重庆长安汽车股份有限公司 | 一种对于避让前方压线车辆的偏移控制系统及方法 |
CN112277799A (zh) * | 2020-10-30 | 2021-01-29 | 重庆长安汽车股份有限公司 | 一种汽车盲区检测报警方法及系统 |
CN112455439A (zh) * | 2020-11-25 | 2021-03-09 | 重庆长安汽车股份有限公司 | 基无人驾驶车辆环境认知及决策控制方法、系统及车辆 |
CN113705394A (zh) * | 2021-08-16 | 2021-11-26 | 电子科技大学 | 一种长短时域特征结合的行为识别方法 |
CN114104000A (zh) * | 2021-12-16 | 2022-03-01 | 智己汽车科技有限公司 | 一种危险场景的评估与处理系统、方法及存储介质 |
CN114170826A (zh) * | 2021-12-03 | 2022-03-11 | 地平线(上海)人工智能技术有限公司 | 自动驾驶控制方法和装置、电子设备和存储介质 |
CN114394093A (zh) * | 2020-09-25 | 2022-04-26 | 阿波罗智能技术(北京)有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
CN114397897A (zh) * | 2022-01-20 | 2022-04-26 | 阿维塔科技(重庆)有限公司 | 一种车辆可行驶区域边界曲线生成方法、装置及存储介质 |
CN114419758A (zh) * | 2022-01-24 | 2022-04-29 | 广州小鹏自动驾驶科技有限公司 | 跟车距离的计算方法、装置、车辆及存储介质 |
CN115635963A (zh) * | 2022-12-22 | 2023-01-24 | 福思(杭州)智能科技有限公司 | 目标对象筛选方法、装置、电子装置、存储介质和车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120041632A1 (en) * | 2010-08-12 | 2012-02-16 | Robert Bosch Gmbh | Combined lane change assist and rear, cross-traffic alert functionality |
DE102015015302A1 (de) * | 2015-11-27 | 2016-05-12 | Daimler Ag | Verfahren zum teil- oder vollautonomen Betrieb eines Fahrzeugs und Fahrerassistenzvorrichtung |
CN106627582A (zh) * | 2016-12-09 | 2017-05-10 | 重庆长安汽车股份有限公司 | 单车道自动驾驶超越相邻车道车辆的路径规划系统及方法 |
CN107004366A (zh) * | 2014-11-28 | 2017-08-01 | 株式会社电装 | 车辆控制装置以及车辆控制方法 |
CN107438545A (zh) * | 2015-04-07 | 2017-12-05 | 卢卡斯汽车股份有限公司 | 用于在一个人自己的机动车辆的acc操作期间允许另一机动车辆从相邻车道前方开进的控制系统和方法 |
WO2018074541A1 (ja) * | 2016-10-21 | 2018-04-26 | マツダ株式会社 | 車両制御装置 |
JP2018144695A (ja) * | 2017-03-07 | 2018-09-20 | 株式会社デンソー | 走行制御装置 |
-
2018
- 2018-12-21 CN CN201811574058.1A patent/CN109849910B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120041632A1 (en) * | 2010-08-12 | 2012-02-16 | Robert Bosch Gmbh | Combined lane change assist and rear, cross-traffic alert functionality |
CN107004366A (zh) * | 2014-11-28 | 2017-08-01 | 株式会社电装 | 车辆控制装置以及车辆控制方法 |
CN107438545A (zh) * | 2015-04-07 | 2017-12-05 | 卢卡斯汽车股份有限公司 | 用于在一个人自己的机动车辆的acc操作期间允许另一机动车辆从相邻车道前方开进的控制系统和方法 |
DE102015015302A1 (de) * | 2015-11-27 | 2016-05-12 | Daimler Ag | Verfahren zum teil- oder vollautonomen Betrieb eines Fahrzeugs und Fahrerassistenzvorrichtung |
WO2018074541A1 (ja) * | 2016-10-21 | 2018-04-26 | マツダ株式会社 | 車両制御装置 |
CN106627582A (zh) * | 2016-12-09 | 2017-05-10 | 重庆长安汽车股份有限公司 | 单车道自动驾驶超越相邻车道车辆的路径规划系统及方法 |
JP2018144695A (ja) * | 2017-03-07 | 2018-09-20 | 株式会社デンソー | 走行制御装置 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110395255B (zh) * | 2019-07-03 | 2020-08-07 | 重庆长安汽车股份有限公司 | 邻车道车辆横向运动状态的判断方法、系统及计算机可读存储介质 |
CN110395255A (zh) * | 2019-07-03 | 2019-11-01 | 重庆长安汽车股份有限公司 | 邻车道车辆横向运动状态的判断方法、系统及计算机可读存储介质 |
CN111231954A (zh) * | 2020-01-14 | 2020-06-05 | 泰牛汽车技术(苏州)有限公司 | 自动驾驶的控制方法 |
CN111797701A (zh) * | 2020-06-10 | 2020-10-20 | 东莞正扬电子机械有限公司 | 用于车辆多传感器融合系统的道路障碍物感知方法及系统 |
CN112068559A (zh) * | 2020-08-28 | 2020-12-11 | 重庆长安汽车股份有限公司 | 无人驾驶车辆的偏移控制方法、系统、车辆及存储介质 |
CN112068559B (zh) * | 2020-08-28 | 2022-10-11 | 重庆长安汽车股份有限公司 | 无人驾驶车辆的偏移控制方法、系统、车辆及存储介质 |
CN114394093A (zh) * | 2020-09-25 | 2022-04-26 | 阿波罗智能技术(北京)有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
CN114407894A (zh) * | 2020-09-25 | 2022-04-29 | 阿波罗智能技术(北京)有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
CN112277799B (zh) * | 2020-10-30 | 2023-01-06 | 重庆长安汽车股份有限公司 | 一种汽车盲区检测报警方法及系统 |
CN112277939B (zh) * | 2020-10-30 | 2022-09-06 | 重庆长安汽车股份有限公司 | 一种对于避让前方压线车辆的偏移控制系统及方法 |
CN112277939A (zh) * | 2020-10-30 | 2021-01-29 | 重庆长安汽车股份有限公司 | 一种对于避让前方压线车辆的偏移控制系统及方法 |
CN112277799A (zh) * | 2020-10-30 | 2021-01-29 | 重庆长安汽车股份有限公司 | 一种汽车盲区检测报警方法及系统 |
CN112455439B (zh) * | 2020-11-25 | 2022-07-08 | 重庆长安汽车股份有限公司 | 基无人驾驶车辆环境认知及决策控制方法、系统及车辆 |
CN112455439A (zh) * | 2020-11-25 | 2021-03-09 | 重庆长安汽车股份有限公司 | 基无人驾驶车辆环境认知及决策控制方法、系统及车辆 |
CN113705394A (zh) * | 2021-08-16 | 2021-11-26 | 电子科技大学 | 一种长短时域特征结合的行为识别方法 |
CN113705394B (zh) * | 2021-08-16 | 2023-05-30 | 电子科技大学 | 一种长短时域特征结合的行为识别方法 |
CN114170826A (zh) * | 2021-12-03 | 2022-03-11 | 地平线(上海)人工智能技术有限公司 | 自动驾驶控制方法和装置、电子设备和存储介质 |
CN114104000A (zh) * | 2021-12-16 | 2022-03-01 | 智己汽车科技有限公司 | 一种危险场景的评估与处理系统、方法及存储介质 |
CN114104000B (zh) * | 2021-12-16 | 2024-04-12 | 智己汽车科技有限公司 | 一种危险场景的评估与处理系统、方法及存储介质 |
CN114397897A (zh) * | 2022-01-20 | 2022-04-26 | 阿维塔科技(重庆)有限公司 | 一种车辆可行驶区域边界曲线生成方法、装置及存储介质 |
CN114419758A (zh) * | 2022-01-24 | 2022-04-29 | 广州小鹏自动驾驶科技有限公司 | 跟车距离的计算方法、装置、车辆及存储介质 |
CN114419758B (zh) * | 2022-01-24 | 2023-04-07 | 广州小鹏自动驾驶科技有限公司 | 跟车距离的计算方法、装置、车辆及存储介质 |
CN115635963A (zh) * | 2022-12-22 | 2023-01-24 | 福思(杭州)智能科技有限公司 | 目标对象筛选方法、装置、电子装置、存储介质和车辆 |
CN115635963B (zh) * | 2022-12-22 | 2023-03-07 | 福思(杭州)智能科技有限公司 | 目标对象筛选方法、装置、电子装置、存储介质和车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN109849910B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109849910A (zh) | 无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质 | |
CN110155046A (zh) | 自动紧急制动分级控制方法与系统 | |
CN103158705B (zh) | 用于控制本车的方法和系统 | |
Kazemi et al. | A learning-based stochastic MPC design for cooperative adaptive cruise control to handle interfering vehicles | |
EP3172589B1 (en) | Method for mitigating radar sensor limitations with video camera input for active braking for pedestrians | |
EP3725627B1 (en) | Method for generating vehicle control command, and vehicle controller and storage medium | |
CN107867283A (zh) | 基于预测模型的集成式fcw/acc/aeb系统及车辆 | |
CN105160356B (zh) | 一种车辆主动安全系统传感器数据融合方法及系统 | |
CN107719363A (zh) | 用于沿着路径引导机动车辆的控制系统和控制方法 | |
CN106796759A (zh) | 车辆控制系统 | |
CN107731003A (zh) | 用于沿路径引导机动车辆并且避免碰撞的控制系统和方法 | |
CN107719365A (zh) | 确定轨迹并生成关联信号或控制命令的控制系统和方法 | |
CN107719364A (zh) | 用于确定前面车辆车道变换可能性的控制系统和控制方法 | |
CN109760678A (zh) | 一种汽车自适应巡航系统的限速方法 | |
CN110085056A (zh) | 一种高速公路车路协同环境下车辆换道瞬时风险识别方法 | |
CN113291308A (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
US11370429B2 (en) | Distance control for a vehicle with trailer | |
CN109572689B (zh) | 一种基于雷达识别障碍物的整车控制方法及系统 | |
CN111452789A (zh) | 自动驾驶超车控制方法及系统 | |
CN106218612B (zh) | 一种汽车安全行驶的方法、装置以及终端 | |
CN108657188A (zh) | 一种驾驶员驾驶技术在线评估系统 | |
CN113501001A (zh) | 一种无人驾驶车辆变道行驶控制方法、系统及终端 | |
CN112026761A (zh) | 一种基于数据共享的汽车辅助驾驶方法 | |
Woo et al. | Dynamic potential-model-based feature for lane change prediction | |
CN109955851A (zh) | 变换车道决策与轨迹规划方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190607 Assignee: CHONGQING CHANGAN NEW ENERGY AUTOMOBILE TECHNOLOGY Co.,Ltd. Assignor: Chongqing Changan Automobile Co.,Ltd. Contract record no.: X2021500000014 Denomination of invention: Multi objective decision control method, device and computer-readable storage medium for unmanned vehicle Granted publication date: 20201103 License type: Common License Record date: 20211014 |
|
EE01 | Entry into force of recordation of patent licensing contract |