CN110103960B - 车辆自适应巡航控制方法、系统及车辆 - Google Patents
车辆自适应巡航控制方法、系统及车辆 Download PDFInfo
- Publication number
- CN110103960B CN110103960B CN201910310433.XA CN201910310433A CN110103960B CN 110103960 B CN110103960 B CN 110103960B CN 201910310433 A CN201910310433 A CN 201910310433A CN 110103960 B CN110103960 B CN 110103960B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- acceleration
- model
- information
- state variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 claims abstract description 40
- 230000006855 networking Effects 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims description 145
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 37
- 238000013210 evaluation model Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 239000000126 substance Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/107—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/06—Combustion engines, Gas turbines
- B60W2710/0605—Throttle position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/18—Braking system
- B60W2710/182—Brake pressure, e.g. of fluid or between pad and disc
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开涉及一种车辆自适应巡航控制方法、系统及车辆,所述系统包括:传感器模块,用于获取车辆的行驶信息;车联网模块,用于接收位于所述车辆前方的参考车辆的行驶信息;控制模块,分别与所述传感器模块和所述车联网模块连接,用于至少根据所述车辆的行驶信息和所述参考车辆的行驶信息生成对所述车辆的控制信息,并根据所述控制信息对所述车辆进行控制。通过本公开的技术方案,可以实现更快速、更准确的车辆自适应巡航控制,同时还可以控制车辆更稳定地跟随目标车辆,实现对参考车辆跟随的横向控制。
Description
技术领域
本公开涉及车辆控制技术领域,具体地,涉及一种车辆自适应巡航控制方法、系统及车辆。
背景技术
车辆自适应巡航控制(Adaptive Cruise Control,ACC),是先进驾驶员辅助系统(Advanced Driver Assistance Systems,ADAS)的重要组成部分,属于车辆主动安全性和舒适性控制系统,
车辆自适应巡航控制系统是在传统的定速巡航控制系统基础上发展而来的,通过对车辆进行自适应控制,使车辆与参考车辆保持合适的安全距离,对于减轻驾驶员负担、提高乘坐舒适性、减少驾驶员操作失误、提高道路使用能力和降低燃油消耗都具有重要意义。
现有技术中,通常是通过车辆的自车传感器来感知车辆的行驶速度、车辆与参考车辆之间的距离等信息来对车辆进行自适应巡航控制。
发明内容
本公开的目的是提供一种车辆自适应巡航控制方法、系统及车辆,用于更准确地对车辆进行自适应巡航控制。
为了实现上述目的,本公开提供一种车辆自适应巡航控制系统,包括:
传感器模块,用于获取车辆的行驶信息;
车联网模块,用于接收位于所述车辆前方的参考车辆的行驶信息;
控制模块,分别与所述传感器模块和所述车联网模块连接,用于至少根据所述车辆的行驶信息和所述参考车辆的行驶信息生成对所述车辆的控制信息,并根据所述控制信息对所述车辆进行控制。
可选地,上层控制器,用于根据所述车辆的行驶信息和所述参考车辆的行驶信息,确定所述车辆的状态变量,并将所述状态变量输入预先建立的加速度计算模型,得到所述车辆的第一期望加速度;
评价单元,与所述上层控制器连接,用于将所述第一期望加速度和所述状态变量输入预先建立的评价模型,得到用于表征所述第一期望加速度的控制效果的评价指标;
下层控制器,与所述评价单元连接,用于在所述评价指标满足预设条件时,根据所述第一期望加速度、所述车辆的行驶信息和逆动力学模型,确定对所述车辆的控制信息,并根据所述控制信息对所述车辆进行控制。
可选地,所述下层控制器还用于:
在所述评价指标不满足所述预设条件时,根据以下公式计算所述车辆的第二期望加速度:
a(t)=ρ0Δd(t)+ρ1Δv(t)+aT(t)
Δd(t)=d(t)-dd(t)
Δv(t)=vT(t)-vh(t)
其中,a(t)为所述第二期望加速度;Δd(t)为所述车辆与所述参考车辆之间的车距d(t)与预设期望车距dd(t)之间的车距误差;Δv(t)为所述车辆的车速vh(t)与所述参考车辆的车速vT(t)之间的速度误差;aT(t)为所述参考车辆的加速度;ρ0和ρ1为预设常数;所述车辆的状态变量包括所述车距误差和所述速度误差;
根据所述第二期望加速度对所述车辆进行控制;
所述上层控制器还用于:
根据所述车辆在下一时刻的行驶信息和所述参考车辆在下一时刻的行驶信息,确定所述车辆在下一时刻的状态变量;
利用所述下一时刻的状态变量和所述第二期望加速度更新所述加速度计算模型。
可选地,所述加速度计算模型和所述评价模型均为前向三层神经网络模型。
可选地,所述控制信息包括所述车辆的油门开度和/或制动压力。
可选地,所述系统还包括:
人机交互模块,与所述控制模块连接,用于接收用户输入的巡航参数;
所述控制模块,用于根据所述巡航参数、所述车辆的行驶信息和所述参考车辆的行驶信息生成对所述车辆的控制信息。
本公开还提供一种车辆,包括本公开提供的车辆自适应巡航控制系统。
本公开还提供一种车辆自适应巡航控制方法,包括:
通过传感器模块获取车辆的行驶信息;
通过车联网模块接收位于所述车辆前方的参考车辆的行驶信息;
至少根据所述车辆的行驶信息和所述参考车辆的行驶信息,生成对所述车辆的控制信息;
根据所述控制信息对所述车辆进行控制。
可选地,所述至少根据所述车辆的行驶信息和所述参考车辆的行驶信息,生成对所述车辆的控制信息,包括:
根据所述车辆的行驶信息和所述参考车辆的行驶信息,确定所述车辆的状态变量,并将所述状态变量输入预先建立的加速度计算模型,得到所述车辆的第一期望加速度;
将所述状态变量和所述第一期望加速度输入预先建立的评价模型,得到用于所述第一期望加速度对应的评价指标;
若所述评价指标满足预设条件,则根据所述第一期望加速度、所述车辆的行驶信息和逆动力学模型,确定对所述车辆的控制信息。
可选地,所述方法还包括:
若所述评价指标不满足预设条件,则根据以下公式计算所述车辆的第二期望加速度:
a(t)=ρ0Δd(t)+ρ1Δv(t)+aT(t)
Δd(t)=d(t)-dd(t)
Δv(t)=vT(t)-vh(t)
其中,a(t)为所述第二期望加速度;Δd(t)为所述车辆与所述参考车辆之间的车距d(t)与预设期望车距dd(t)之间的车距误差;Δv(t)为所述车辆的车速vh(t)与所述参考车辆的车速vT(t)之间的速度误差;aT(t)为所述参考车辆的加速度;ρ0和ρ1为预设常数;所述车辆的状态变量包括所述车距误差和所述速度误差;
根据所述第二期望加速度对所述车辆进行控制,并分别获取所述车辆在下一时刻的行驶信息和所述参考车辆在下一时刻的行驶信息;
根据所述车辆在下一时刻的行驶信息和所述参考车辆在下一时刻的行驶信息,确定所述车辆在下一时刻的状态变量;
利用所述下一时刻的状态变量和所述第二期望加速度更新所述加速度计算模型。
可选地,所述方法还包括:
将所述车辆的历史状态变量作为所述加速度计算模型的训练数据,将所述历史状态变量对应的历史加速度作为所述评价模型的训练数据,均执行以下模型训练操作:
初始化模型的参数;
设置多个子模型且每一所述子模型的参数与所述模型的参数相同;
利用所述训练数据并行对各个所述子模型进行训练,得到各个所述子模型对应的参数更新量;
根据各个所述子模型的参数更新量对所述模型的参数进行更新。
可选地,所述加速度计算模型和所述评价模型均为前向三层神经网络模型。
可选地,所述控制信息包括所述车辆的油门开度和/或制动压力。
通过上述技术方案,增加了用于获取前方参考车辆的行驶信息的车联网模块,根据车辆自身的行驶信息和参考车辆的行驶信息等对车辆进行控制,可以实现更快速、更准确的车辆自适应巡航控制,同时还可以控制车辆更稳定地跟随目标车辆,实现对参考车辆跟随的横向控制。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据本公开一示例性实施例示出的一种车辆自适应巡航控制系统的框图;
图2是根据本公开另一示例性实施例示出的一种车辆自适应巡航控制系统的框图;
图3是根据本公开一示例性实施例示出的一种车辆自适应巡航控制方法的流程图;
图4是根据本公开一示例性实施例示出的一种建立加速度计算模型和评价模型的示意图;
图5是根据本公开一示例性实施例示出的一种模型训练操作的流程图;
图6是根据本公开一示例性实施例示出的一种子模型的训练过程的示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开的说明书和权利要求书以及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必理解为描述特定的顺序或先后次序。
图1是根据本公开一示例性实施例示出的一种车辆自适应巡航控制系统的框图。如图1所示,所述系统100包括:传感器模块110、车联网模块120和控制模块130,其中,控制模块130分别与传感器模块110和车联网模块120连接。
传感器模块110用于获取车辆的行驶信息。其中,车辆的行驶信息可以包括但不限于车辆的车速、加速度、车辆与前方参考车辆之间的车距等等。
车联网模块120用于接收位于车辆前方的参考车辆的行驶信息。其中,其中,参考车辆可以是一辆,也可以是多辆。参考车辆的行驶信息可以包括但不限于参考车辆的车速、加速度、位置信息等等。
控制模块130用于根据车辆的行驶信息和参考车辆的行驶信息生成对车辆的控制信息,并根据生成的控制信息对车辆进行控制。
其中,控制信息可以包括车辆的油门开度和/或制动压力,根据油门开度可以控制车辆进行加速度,根据制动压力可以控制车辆进行制动。
通过上述车辆自适应巡航控制系统,增加了用于获取前方参考车辆的行驶信息的车联网模块,根据车辆自身的行驶信息和参考车辆的行驶信息等对车辆进行控制,可以实现更快速、更准确的车辆自适应巡航控制,同时还可以控制车辆更稳定地跟随目标车辆,实现对参考车辆跟随的横向控制。
在一种可能的实现方式中,传感器模块110可以包括但不限于车速传感器、加速度传感器(如惯性导航组件)、雷达(如毫米波雷达、激光雷达等)、图像采集组件(如摄像头)等等。传感器模块110采集到的车辆的行驶信息可以包括车辆的车速、加速度以及车辆与位于该车辆前方的参考车辆之间的距离。此外,传感器模块110还具有CAN、串口等车规级有线通信方式进行通信的能力,其可以将采集到的信息通过所述通信方式发送给控制模块110进行数据处理,也可以发送给其他的车辆(如参考车辆)。
在一种可能的实现方式中,车联网模块120具有基于CAN、串口等车规级有线通信方式进行通信的能力,其可以与车联网服务器连接,接收车联网服务器发送的参考车辆的行驶信息。具体地。车联网模块120可以包括但不限于基于DSRC(如基于802.11P的标准短距通信)、LTE-V2X、5G-V2X以及兼容以上通信标准协议的通信模块,该通信模块可以为嵌入式控制系统、含有各类嵌入式操作系统(如QNX、Linux等)的控制系统、微型计算机系统、各类FPGA(Field-Programmable Gate Array,现场可编程门阵列)或ASIC(ApplicationSpecific Integrated Circuits,专用集成电路)构成的片上控制系统。
在一种可能的实现方式中,如图2所示,控制模块130可以采用分层控制架构,具体地,控制模块130可以包括上层控制器131、评价单元132和下层控制器133,其中,评价单元132分别与上层控制器131和下层控制器133连接。
上层控制器131用于根据车辆的行驶信息和参考车辆的行驶信息,确定车辆的状态变量,并将车辆的状态变量输入预先建立的加速度计算模型中,得到车辆的第一期望加速度。其中,所述加速度计算模型可以为前向三层神经网络模型,其可以通过车辆的大量历史状态变量进行训练得到。
可选地,车辆的状态变量包括车辆与参考车辆之间的车距与预设期望车距之间的车距误差、车辆的车速与参考车辆的车速之间的速度误差以及车辆在当前时刻的加速度与在上一时刻的加速度之间的加速度误差。具体地,车辆的状态变量可根据公式(1)至公式(3)计算得到。
Δd(t)=d(t)-dd(t) (1)
Δv(t)=vT(t)-vh(t) (2)
Δah(t)=ah(t)-ah(t-1) (3)
其中,Δd(t)为所述车距误差,d(t)为车辆与所述参考车辆之间的车距,dd(t)为预设期望车距,Δv(t)为所述速度误差,vh(t)为所述车辆的车速,vT(t)为所述参考车辆的车速,Δah(t)为所述加速度误差,ah(t)为所述车辆在当前时刻的加速度,ah(t-1)为所述车辆在上一时刻的加速度。
评价单元132用于将第一期望加速度和车辆的状态变量输入预先建立的评价模型,得到第一期望加速度对应的评价指标。其中,该评价指标用于表征根据所述第一期望加速度对车辆进行控制的控制效果。评价模型可以为前向三层神经网络模型,其可以通过车辆的历史状态变量对应的历史加速度进行训练得到。
下层控制器133用于在评价指标满足预设条件时,根据所述第一期望加速度、车辆的行驶信息和逆动力学模型,确定对车辆的控制信息,并根据该控制信息对车辆进行控制。
其中,预设条件可以为评价指标小于或等于预设阈值。
值得说明的是,在具体实施时,上层控制器131、评价单元132和下层控制器133可以包括但不限于误操作系统的嵌入式控制器、含有各类嵌入式操作系统(如QNX、Linux等)的控制器、微型计算机、各类FPGA或ASIC构成的控制系统或者PC机。此外,上层控制器131、评价单元132和下层控制器132还具有基于CAN、串口等车规级有线通信方式进行通信的能力。
采用分层控制架构,上层控制器根据车辆的状态变量计算车辆的期望加速度,通过评价单元对计算出的期望加速度的控制效果进行评价,下层控制器在计算出的期望加速度的评价指标满足预设条件时,根据期望加速度、行驶信息和逆动力学模型计算车辆的控制信息,这样,通过修改上层控制器就能够实现车辆纵向跟随控制算法的快速迭代以及横向切换,而不必修改下层控制器,使得对车辆的控制更加方便、实用,同时也能适应于日后加入车辆的横向控制之后的协调控制。
在本公开的另一个实施例中,下层控制器133还用于在加速度计算模型输出的第一期望加速度对应的评价指标不满足预设条件时,根据车辆的状态变量和参考车辆的行驶信息计算车辆的第二期望加速度,如公式(4)所示,并根据第二期望加速度对车辆进行控制。
a(t)=ρ0Δd(t)+ρ1Δv(t)+aT(t) (4)
其中,a(t)为所述第二期望加速度,Δd(t)为所述车辆的车距误差,Δv(t)为所述车辆的速度误差,aT(t)为所述参考车辆的加速度;ρ0和ρ1为预设常数。
相应地,上层控制器131还用于根据传感器模块110采集到的车辆在下一时刻的行驶信息和车联网模块120接收到的参考车辆在下一时刻的行驶信息,确定车辆在下一时刻的状态变量,并利用所述下一时刻的状态变量和第二期望加速度更新加速度计算模型。
值得说明的是,上层控制器131和下层控制器133会不断重复上述过程,以不断地更新加速度计算模型,并通过评价模块132对加速度计算模型输出的第一期望加速度进行评价,直到加速度计算模型输出的第一期望加速度的评价指标达到预设条件,停止对加速度计算模型进行更新。
这样,可以实现对车辆进行自适应巡航控制的同时,实现上层控制器的在线学习的效果,在车辆的行驶过程中不断更新加速度计算模型,优化和提升所述加速度计算模型的性能,以更好地模拟车辆的驾驶员的驾驶特性,提升对车辆的自适应巡航控制的准确性和舒适性。
在本公开的另一个实施例中,如图2所示,上述车辆自适应巡航控制系统100还包括人机交互模块140,其中,人机交互模块140分别与传感器模块110、车联网模块120以及控制模块130连接,具体地,与上层控制器131和下层控制器133连接。
人机交互模块140可以向驾乘者展示车辆的行驶信息和参考车辆的行驶信息,还提供了供驾车者输入信息的功能,例如提供了供驾车者自定义自适应巡航控制模式、期望车速、期望车距等参数。
人机交互模块140用于接收用户输入的巡航参数。相应地,控制模块130可根据用户输入的巡航参数、车辆的行驶信息和参考车辆的行驶信息生成对车辆的控制信息。
可选地,巡航参数可以包括车辆的自适应巡航模式、期望车速、期望车距等,其中,自适应巡航模式可以包括协同式自适应巡航模式和非协同式自适应巡航模式,其中,在协同式自适应巡航模式下,控制模块130根据车辆的行驶信息、参考车辆的行驶信息以及用户输入的巡航参数共同对车辆进行自适应巡航控制;在非协同式自适应巡航模式下,控制模块130则仅根据车辆的行驶信息和用户输入的巡航参数对车辆进行自适应巡航控制。
相应地,本公开还提供了一种车辆,包括本公开上述任一实施例提供的车辆自适应巡航控制系统。
图3是根据本公开一示例性实施例示出的一种车辆自适应巡航控制方法的流程图。如图3所示,所述方法包括以下步骤:
在步骤S31中,通过传感器模块获取车辆的行驶信息。
其中,车辆的行驶信息可以包括但不限于车辆的车速、加速度、车辆与前方参考车辆之间的车距等等。传感器模块可以为图1和图2所示的自适应巡航控制系统中的传感器模块110,在此不再详细说明。
在步骤S32中,通过车联网模块接收位于车辆前方的参考车辆的行驶信息。
其中,参考车辆可以是一辆,也可以是多辆。参考车辆的行驶信息可以包括但不限于参考车辆的车速、加速度、位置信息等等。传感器模块可以为图1和图2所示的自适应巡航控制系统中的车联网模块120,在此不再详细说明。
在步骤S33中,至少根据车辆的行驶信息和参考车辆的行驶信息,生成对车辆的控制信息。
在步骤S34中,根据控制信息对车辆进行控制。
其中,控制信息可以包括车辆的油门开度和/或制动压力,根据油门开度可以控制车辆的加速踏板,进而控制车辆进行加速度;根据制动压力可以控制车辆的制动踏板,进而可以控制车辆进行制动。
通过上述车辆自适应巡航控制方法,通过车联网模块接收前方参考车辆的行驶信息,根据车辆自身的行驶信息和参考车辆的行驶信息等对车辆进行控制,可以实现更快速、更准确的车辆自适应巡航控制,同时还可以控制车辆更稳定地跟随目标车辆,实现对参考车辆跟随的横向控制。
下面对步骤S32进行详细说明,即根据车辆的行驶信息和参考车辆的行驶信息,如何生成对车辆的控制信息。
在一种可能的实现方式中,可根据车辆的行驶信息和参考车辆的行驶信息,确定车辆的状态变量,并将状态变量输入预先建立的加速度计算模型,得到车辆的第一期望加速度。接着,将状态变量和第一期望加速度输入预先建立的评价模型,得到第一期望加速度对应的评价指标,其中,该评价指标用于表征根据第一期望加速度对车辆进行控制的控制效果。进一步地,若第一期望加速度的评价指标满足预设条件,则根据第一期望加速、车辆的行驶信息和逆动力学模型,确定车辆的控制信息。
示例地,车辆的状态变量包括车辆与参考车辆之间的车距与预设期望车距之间的车距误差、车辆的车速与参考车辆的车速之间的速度误差以及车辆在当前时刻的加速度与在上一时刻的加速度之间的加速度误差。具体地,车辆的状态变量可根据上述公式(1)至公式(3)计算得到。
值得说明的是,加速度计算模型可以为前向三层神经网络模型,其可以通过车辆的大量历史状态变量进行训练得到。评价模型也可以为前向三层神经网络模型,其可以通过车辆的历史状态变量对应的历史加速度进行训练得到。
采用分层控制架构,在上层,根据车辆的状态变量计算车辆的期望加速度,通过评价单元对计算出的期望加速度的控制效果进行评价;在下层,在计算出的期望加速度的评价指标满足预设条件时,根据期望加速度、行驶信息和逆动力学模型计算车辆的控制信息,这样,通过修改上层算法的相关参数等,就能够实现车辆纵向跟随控制算法的快速迭代以及横向切换,而不必修改下层算法,使得对车辆的控制更加方便、实用,同时也能适应于日后加入车辆的横向控制之后的协调控制。
在本公开的另一个实施例中,上述车辆自适应巡航控制方法还包括:在加速度计算模型输出的第一期望加速度对应的评价指标不满足预设条件时,根据车辆的状态变量和参考车辆的行驶信息计算车辆的第二期望加速度,并根据第二期望加速度对车辆进行控制。接着,在车辆的行驶过程中,分别获取车辆在下一时刻的行驶信息和参考车辆在下一时刻的行驶信息,并根据这些信息确定车辆在下一时刻的状态变量。最后,将所述下一时刻的状态变量和所述第二期望加速度作为训练样本对,更新加速度计算模型。示例地,可根据上述公式(4)计算车辆的第二期望加速度。
值得说明的是,在具体实施时,不断重复执行上述过程,以不断地更新加速度计算模型,并在每一次更新后都对更新后的加速度计算模型输出的第一期望加速度进行评价,直到加速度计算模型输出的第一期望加速度的评价指标达到预设条件,停止对加速度计算模型进行更新。
这样,可以实现对车辆进行自适应巡航控制的同时,实现上层控制器的在线学习的效果,在车辆的行驶过程中不断更新加速度计算模型,优化和提升所述加速度计算模型的性能,以更好地模拟车辆的驾驶员的驾驶特性,提升对车辆的自适应巡航控制的准确性和舒适性。
在本公开的另一个实施例中,上述车辆自适应巡航控制方法还包括建立加速度计算模型的方法和建立评价模型的方法。可选地,如图4所示,所述建立加速度计算模型的方法和建立评价模型的方法可以采用多路并行训练模型的方式。具体地,所述建立加速度计算模型和建立评价模型的方法包括:将车辆的历史状态变量作为加速度计算模型的训练数据,将所述历史状态变量对应的历史加速度作为评价模型的训练数据,均执行以下模型训练操作:首先,初始化模型的参数,并设置多个子模型,即,针对加速度计算模型,设置多个加速度计算子模型;针对评价模型,设置多个评价子模型,且每一子模型的参数与模型的参数相同。接着,利用训练数据并行对各个子模型进行训练,得到各个子模型对应的参数更新量。最后,根据各个子模型的参数更新量对模型的参数进行更新。其中,车辆的历史状态变量可以包括该车辆在不同场景下的历史车距误差、历史速度误差以及历史加速度误差等。子模型的个数可根据计算平台的计算能力(如处理器的核心数)确定。进一步地,还可以设置一监督模型,用于对各子模型的训练过程进行监督,该监督模型的输入为车辆的历史状态变量,输出为第三期望加速度。
在具体实施时,可重复执行上述模型训练操作,示例地,如图5所示,在第一个时间步长开始时,初始化模型的参数,并设置多个子模型且每一子模型的参数与模型的参数相同。接着,利用训练数据并行对各个子模型进行训练,得到各个子模型对应的参数更新量。在当前时间步长下所有子模型的训练过程都结束时,根据各个子模型对应的参数更新量对模型的参数进行更新。当下一个时间步长开始时,再次将各个子模型的参数更新为与模型相同,并重复上一个时间步长的各个步骤。当训练次数达到设定值,或者各个子模型的训练结束后的性能指标达到预设指标时,结束训练,此时的模型的参数即为最终的参数,得到最终的模型。
下面结合图6对每一个子模型(包括加速度计算子模型和评价子模型)的训练过程进行说明,其中,图6中的实线表示数据流方向,虚线表示根据误差进行学习的方向。
如图6所示,首先,建立一监督模型,将车辆的历史状态变量x(t)(包括车距误差Δd(t)、速度误差Δv(t)和加速度误差Δa(t))分别输入加速度计算子模型和监督模型中,分别得到相应的第一期望加速度ua(t)和第三期望加速度us(t)。接着,一方面,根据第一期望加速度ua(t)和第三期望加速度us(t)构建监督学习误差Ea,s(t),并且将第一期望加速度ua(t)和第三期望加速度us(t)按照比例求和,得到控制变量u(t);另一方面,将下一时刻的历史状态变量x(t+1)和控制变量u(t)输入回报函数计算子模型,得到奖励r(t)。进一步地,将控制变量u(t)作用于车辆或者预先建立的仿真系统上,得到车辆在下一时刻的历史状态变量x(t+1),并将下一时刻的历史状态变量x(t+1)和控制变量u(t)输入评价子模型,得到代价函数估计值J(t),进一步可构建控制学习误差Ea(t)。最后,通过监督学习误差Ea,s(t)和控制学习误差Ea(t)的反向传播调节加速度计算子模型的参数,以对加速度计算子模型进行优化。这样,可以使加速度计算模型的输出既能够较好地体现驾驶员驾驶特性,又能够达到最优的控制效果。
在具体实施时,监督学习误差Ea,s(t)的构建如公式(5)和公式(6)所示,控制变量u(t)的计算入公式(7)所示。
ea,s(t)=us(t)-ua(t) (6)
u(t)=(1-z)us(t)+zua(t) (7)
其中,z为学习权重值,0≤z≤1,其值随着学习过程的进行逐渐增大,用于决定监督学习和自主探索学习在上层控制器学习中的比例。最终,监督学习所占比重将很小,主要依赖强化学习进行自主探索。
控制学习误差Ea(t)的构建如公式(8)和公式(9)所示。
ea(t)=J(t)-Uc(t) (9)
其中,Uc(t)表示效用,其通常设定为代价函数估计值J(t)能够接近的最优目标值,在奖励r(t)达到最大时,Uc(t)为零。通过效用Uc(t)可定量引导上层控制器的输出接近于使代价函数估计值J(t)达到最大,即上层控制器的控制效果达到最优。
对于评价子模型,可根据评价子模型输出的代价函数估计值J(t)构建评价学习误差Ec(t),利用评价学习误差对评价子模型进行学习,直到学习误差Ec(t)减小到预定误差阈值或者学习次数达到预设次数,其中,该预定误差阈值可在0.000001和0.1之间取值,预设次数可在10到1000000之间取值。
在具体实施时,评价学习误差Ec(t)可根据公式(10)和公式(11)构建。
ec(t)=αJ(t)-J(t-1)+r(t) (11)
其中,ec(t)为时差误差,其用于表征评价子模型的能力;α为折扣率,用于防止过拟合;J(t-1)为上一时刻的代价函数估计值。
其次,评价子模型可采用前向三层神经网络模型。具体地,第一层为输入层,即用于传输数据到下一层,其中,y(t)为输入变量,其包括车辆的状态变量xi(t),i=1,2,3,...,n和控制变量u(t),即y(t)=(xi(t),u(t)),n为状态变量的个数;第二层为隐含层,用于对输入进行加权处理,即其中,为隐含层神经元权重,exp为指数函数,j=1,2,3,...,Nh,Nh为隐含层神经元个数;第三层为输出层,输出代价函数估计值J(t),即其中,为输出层神经元权重。相应地,可按照公式(12)对评价子模型进行学习。
采用上述多路并行训练建立模型的方式,与传统串行训练建立模型的方式相比,相同时间步长内的训练次数更多,因而达到相同训练效果所用的时间更短。与此同时,由于该方式为随机探索,同一次训练能够进行更多的探索,进而不容易收敛于局部最优,并且能够更好地利用计算平台的计算能力,达到更好的训练效果。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (11)
1.一种车辆自适应巡航控制系统,其特征在于,包括:
传感器模块,用于获取车辆的行驶信息;
车联网模块,用于接收位于所述车辆前方的参考车辆的行驶信息;
控制模块,分别与所述传感器模块和所述车联网模块连接,所述控制模块包括上层控制器、评价单元、下层控制器;
所述上层控制器,用于根据所述车辆的行驶信息和所述参考车辆的行驶信息,确定所述车辆的状态变量,并将所述状态变量输入预先建立的加速度计算模型,得到所述车辆的第一期望加速度,其中,所述车辆的状态变量包括车距误差和速度误差;
所述评价单元,与所述上层控制器连接,用于将所述第一期望加速度和所述状态变量输入预先建立的评价模型,得到用于表征所述第一期望加速度的控制效果的评价指标;
所述下层控制器,与所述评价单元连接,用于在所述评价指标满足预设条件时,根据所述第一期望加速度、所述车辆的行驶信息和逆动力学模型,确定对所述车辆的控制信息,并根据所述控制信息对所述车辆进行控制。
2.根据权利要求1所述的系统,其特征在于,所述下层控制器还用于:
在所述评价指标不满足所述预设条件时,根据以下公式计算所述车辆的第二期望加速度:
a(t)=ρ0Δd(t)+ρ1Δv(t)+aT(t)
Δd(t)=d(t)-dd(t)
Δv(t)=vT(t)-vh(t)
其中,a(t)为所述第二期望加速度;Δd(t)为所述车辆与所述参考车辆之间的车距d(t)与预设期望车距dd(t)之间的所述车距误差;Δv(t)为所述车辆的车速vh(t)与所述参考车辆的车速vT(t)之间的所述速度误差;aT(t)为所述参考车辆的加速度;ρ0和ρ1为预设常数;
根据所述第二期望加速度对所述车辆进行控制;
所述上层控制器还用于:
根据所述车辆在下一时刻的行驶信息和所述参考车辆在下一时刻的行驶信息,确定所述车辆在下一时刻的状态变量;
利用所述下一时刻的状态变量和所述第二期望加速度更新所述加速度计算模型。
3.根据权利要求1或2所述的系统,其特征在于,所述加速度计算模型和所述评价模型均为前向三层神经网络模型。
4.根据权利要求1所述的系统,其特征在于,所述控制信息包括所述车辆的油门开度和/或制动压力。
5.根据权利要求1所述的系统,其特征在于,所述系统还包括:
人机交互模块,与所述控制模块连接,用于接收用户输入的巡航参数;
所述控制模块,用于根据所述巡航参数、所述车辆的行驶信息和所述参考车辆的行驶信息生成对所述车辆的控制信息。
6.一种车辆,其特征在于,包括权利要求1至5中任一项所述的车辆自适应巡航控制系统。
7.一种车辆自适应巡航控制方法,其特征在于,包括:
通过传感器模块获取车辆的行驶信息;
通过车联网模块接收位于所述车辆前方的参考车辆的行驶信息;
根据所述车辆的行驶信息和所述参考车辆的行驶信息,确定所述车辆的状态变量,并将所述状态变量输入预先建立的加速度计算模型,得到所述车辆的第一期望加速度,其中,所述车辆的状态变量包括车距误差和速度误差;
将所述状态变量和所述第一期望加速度输入预先建立的评价模型,得到用于所述第一期望加速度对应的评价指标;
若所述评价指标满足预设条件,则根据所述第一期望加速度、所述车辆的行驶信息和逆动力学模型,确定对所述车辆的控制信息;
根据所述控制信息对所述车辆进行控制。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
若所述评价指标不满足预设条件,则根据以下公式计算所述车辆的第二期望加速度:
a(t)=ρ0Δd(t)+ρ1Δv(t)+aT(t)
Δd(t)=d(t)-dd(t)
Δv(t)=vT(t)-vh(t)
其中,a(t)为所述第二期望加速度;Δd(t)为所述车辆与所述参考车辆之间的车距d(t)与预设期望车距dd(t)之间的所述车距误差;Δv(t)为所述车辆的车速vh(t)与所述参考车辆的车速vT(t)之间的所述速度误差;aT(t)为所述参考车辆的加速度;ρ0和ρ1为预设常数;
根据所述第二期望加速度对所述车辆进行控制,并分别获取所述车辆在下一时刻的行驶信息和所述参考车辆在下一时刻的行驶信息;
根据所述车辆在下一时刻的行驶信息和所述参考车辆在下一时刻的行驶信息,确定所述车辆在下一时刻的状态变量;
利用所述下一时刻的状态变量和所述第二期望加速度更新所述加速度计算模型。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将所述车辆的历史状态变量作为所述加速度计算模型的训练数据,将所述历史状态变量对应的历史加速度作为所述评价模型的训练数据,均执行以下模型训练操作:
初始化模型的参数;
设置多个子模型且每一所述子模型的参数与所述模型的参数相同;
利用所述训练数据并行对各个所述子模型进行训练,得到各个所述子模型对应的参数更新量;
根据各个所述子模型的参数更新量对所述模型的参数进行更新。
10.根据权利要求7至9中任一项所述的方法,其特征在于,所述加速度计算模型和所述评价模型均为前向三层神经网络模型。
11.根据权利要求7所述的方法,其特征在于,所述控制信息包括所述车辆的油门开度和/或制动压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910310433.XA CN110103960B (zh) | 2019-04-17 | 2019-04-17 | 车辆自适应巡航控制方法、系统及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910310433.XA CN110103960B (zh) | 2019-04-17 | 2019-04-17 | 车辆自适应巡航控制方法、系统及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110103960A CN110103960A (zh) | 2019-08-09 |
CN110103960B true CN110103960B (zh) | 2021-05-25 |
Family
ID=67485560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910310433.XA Active CN110103960B (zh) | 2019-04-17 | 2019-04-17 | 车辆自适应巡航控制方法、系统及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110103960B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489431B (zh) * | 2020-12-11 | 2022-04-22 | 西华大学 | 一种基于5g v2x的车辆协同跟随控制系统及控制方法 |
CN113928339A (zh) * | 2021-10-21 | 2022-01-14 | 东风悦享科技有限公司 | 一种基于状态判断和误差反馈的车辆纵向运动控制系统及方法 |
CN115009278B (zh) * | 2022-08-08 | 2022-11-29 | 潍柴动力股份有限公司 | 一种巡航控制方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766487B (zh) * | 2015-03-18 | 2017-03-15 | 北京交通大学 | 基于车联网的车辆速度控制方法和系统 |
CN105501221B (zh) * | 2015-11-25 | 2018-04-13 | 浙江吉利汽车研究院有限公司 | 一种基于车车通信的自适应巡航系统和控制方法 |
KR20180094725A (ko) * | 2017-02-16 | 2018-08-24 | 삼성전자주식회사 | 자율 주행을 위한 차량 제어 방법, 차량 제어 장치 및 자율 주행을 위한 학습 방법 |
CN107187447B (zh) * | 2017-05-29 | 2019-07-09 | 胡笳 | 一种基于车联网的车辆自适应巡航控制系统及其控制方法 |
CN109367537B (zh) * | 2018-12-06 | 2023-05-26 | 吉林大学 | 一种基于车联网的电动汽车自适应巡航控制系统及方法 |
-
2019
- 2019-04-17 CN CN201910310433.XA patent/CN110103960B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110103960A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110103960B (zh) | 车辆自适应巡航控制方法、系统及车辆 | |
JP2022532972A (ja) | 敵対的模倣学習に基づく無人運転車両車線変更決定方法及びシステム | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN110525428B (zh) | 一种基于模糊深度强化学习的自动泊车方法 | |
CN111679660B (zh) | 一种融合类人驾驶行为的无人驾驶深度强化学习方法 | |
CN105946861A (zh) | 一种基于驾驶意图识别的nar神经网络车速预测方法 | |
WO2012088635A1 (zh) | 车辆自适应巡航控制系统及方法 | |
Kuutti et al. | End-to-end reinforcement learning for autonomous longitudinal control using advantage actor critic with temporal context | |
WO2021129156A1 (zh) | 智能汽车的控制方法、装置和控制系统 | |
CN113655794B (zh) | 基于鲁棒模型预测控制的多车协同控制方法 | |
CN110687907B (zh) | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 | |
CN112124310B (zh) | 一种车辆的路径变换方法和装置 | |
CN114253274B (zh) | 基于数据驱动的网联混合车辆编队滚动优化控制方法 | |
US11579574B2 (en) | Control customization system, control customization method, and control customization program | |
CN115123159A (zh) | 一种基于ddpg深度强化学习的aeb控制方法及系统 | |
CN113391553B (zh) | 具有执行器饱和的异构cacc系统的自适应最优控制方法 | |
Selvaraj et al. | An ML-aided reinforcement learning approach for challenging vehicle maneuvers | |
CN114488799A (zh) | 汽车自适应巡航系统控制器参数优化方法 | |
CN114179830A (zh) | 一种自动驾驶车辆的自主超车方法和系统 | |
Xu et al. | Modeling Lateral Control Behaviors of Distracted Drivers for Haptic-Shared Steering System | |
CN115285120B (zh) | 一种基于模型预测控制的车辆跟随分层式控制系统及方法 | |
CN113635900B (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 | |
CN115700626A (zh) | 用于车辆的奖励函数 | |
CN114169463A (zh) | 一种自主预测车道信息模型训练方法及装置 | |
CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 |
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 |