CN110136254A - 基于动态概率驾驶地图的驾驶辅助信息显示方法 - Google Patents
基于动态概率驾驶地图的驾驶辅助信息显示方法 Download PDFInfo
- Publication number
- CN110136254A CN110136254A CN201910509650.1A CN201910509650A CN110136254A CN 110136254 A CN110136254 A CN 110136254A CN 201910509650 A CN201910509650 A CN 201910509650A CN 110136254 A CN110136254 A CN 110136254A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- dpdm
- driving
- probability
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
基于动态概率驾驶地图的驾驶辅助信息显示方法,涉及一种自动驾驶车辆环境可行驶区域模型的生成方法,解决现有道路检测的自动驾驶决策无法处理驾驶过程中出现的紧急情况,导致易出现交通状况等问题,本发明通过结合先验知识与车载传感器获取的行驶状态信息,建立了当前车辆周围环境的紧凑表达模型,同时增强了智能车行驶的安全性。本发明通过生成动态概率驾驶地图,实现了智能车环境紧凑表达的关键技术手段,将车辆道路环境分为四层,包括本车运动信息、车道环境信息、道路车辆信息、道路车辆预测信息。利用车辆行为识别与预测方法,增强DPDM对于道路车辆的理解能力,有效增强其环境应变能力,当道路车辆准备进行换道时,可提前预知,有效避让。
Description
技术领域
本发明涉及一种自动驾驶车辆环境可行驶区域模型的生成方法,具体涉及一种基于动态概率驾驶地图的驾驶辅助信息显示方法。
背景技术
随着智能车研究的不断深入,对车辆环境感知能力的精度、鲁棒性和稳定性要求越来越高。对于智能车,周围障碍物识别和环境的语义划分无疑是决策环节中最重要的一环,具有很高的研究应用价值。然而,仅基于道路检测的自动驾驶决策可能无法处理某些紧急情况,例如在某些紧急情况中,由于车辆或行人突然出现,检测到可行的道路变得无法行驶。事实上,当驾驶汽车时,驾驶员通过将障碍物与非障碍物分类来理解场景,而不仅仅是识别道路中的一些标志物。因此,当紧急情况发生时,驾驶员通过对道路环境的理解可以采取不同的应急措施。对于智能车来说,这种对周围环境的语义理解能力同样重要,它为后续的决策过程提供了更全面的信息,允许智能车像人类驾驶员一样驾驶车辆。在这样的背景下,对车辆可行驶区域建模及其应用的研究是非常有必要的。
发明内容
本发明为解决现有道路检测的自动驾驶决策无法处理驾驶过程中出现的紧急情况,导致易出现交通状况等问题,提供一种基于动态概率驾驶地图的驾驶辅助信息显示方法。
基于动态概率驾驶地图的驾驶辅助信息显示方法,该方法由以下步骤实现:
步骤一、生成初始静态栅格地图;
采用摄像头和惯导装置,通过建立车道线模型获取车道线信息;采用激光雷达,获取障碍物信息并填充进栅格地图中;
步骤二、构建DPDM地图;
定义可行驶单元,并采用环境分层的方法将车辆道路环境分为四层,包括底层、第二层、第三层和顶层;并分别求解四层的可行驶概率;
具体过程为:一、底层,即:本车运动信息;
定义受到本车运动影响所产生的底层单元可行驶性概率P1(i,j),建立车辆运动学模型,将所述模型简化为车辆的动力学二自由度模型;车辆模型的状态量为
其中分别为车辆坐标系下的车辆纵向和侧向速度,为偏航角速度,X、Y分别为车辆的当前坐标,获得随时间变化的方程:
式中,分别为车辆的纵向和侧向加速度,为偏航角,为偏航角加速度,δ为方向盘转角,lf和lr分别为前轴到车辆质心的距离和后轴到车辆质心的距离,和分别为全局坐标系下的车辆纵向和侧向速度,m和Iz分别为车辆的质量和偏航惯性,Fc,f和Fc,r分别为前后轮轮胎所受的侧向力;基于上述公式,求解出在给定的时间间隔dt时刻的车辆模型的状态量并记录五个更新时刻的状态量(X,Y),将所述五个更新时刻的状态量(X,Y)与DPDM地图上的可行驶性单元进行匹配,并按照该单元到本车的距离远近分别记作A、B、C、D、E,并将该单元中底层单元可行驶性概率P1(i,j)分别按照距离设置衰减;
第二层,即:车道环境信息;
将道路车道环境所产生的第二层DPDM单元可行驶性概率定义为P2(i,j),用下式表示为:
第三层,即:道路车辆/障碍物信息;
定义由道路车辆或障碍物占据所产生的可行驶性概率为P3(i,j),所述概率P3(i,j)的求解由当前时刻的占据点信息确定,具体的占据点信息通过栅格地图获取;表示形式为:
将占据点与可行驶性单元的四条边分别做点积运算,当结果不为0时,则返回结果概率为0,即当前单元格被车辆/障碍物占据;当结果为0时,则认为当前单元格未被占据;
顶层,即:道路车辆预测信息;
对初始静态栅格地图中所提供的道路车辆的位置、车速和偏航角进行跟踪与预测,并根据隐马尔可夫模型所建立的车辆行为识别模型对跟踪车辆目标的行驶轨迹进行分析,对该车辆是否将进行换道进行预判,定义所产生的可行驶性概率为P4(i,j);
所述DPDM地图由上述四层构建,获得DPDM地图中对应单元的可行驶性概率P(i,j)的求解公式为:
P(i,j)=min{P1(i,j),P2(i,j),P3(i,j),P4(i,j)}
步骤三、建立驾驶辅助信息提醒策略,根据辅助信息的提醒,完成动态概率驾驶地图的驾驶辅助信息的显示;
具体过程为:建立车辆行为决策成本方程,将车辆的行为操作成本分解为安全性成本、动力性成本和行驶平顺性成本;采用动态规划求解最小成本;
所述安全性成本用下式表示为:
Safe_Costi,j=K(1-P(Di,j))
其中,K的值为100;
所述动力性成本用下式表示为:
式中,t为时间,V0为其它车辆的速度,j为DPDM地图中的纵向位置,Dj为在DPDM的移动参考系中距离本车的纵向距离,aj为DPDM中第j个位置的加速度;
所述驾驶平顺性成本为:基于DPDM中给出的道路车辆单元的纵向位置xo和其它车辆的速度vo计算出当前的碰撞时间TTC;所述碰撞时间TTC小于阈值τ,具体表示为:
Dyn_Costi,j=ai,jsafeDi,jsafe
式中,vego为本车速度,asafe为最小安全加速度,ts为安全时间,Dsafe为安全距离,τ的值为5.0s;求解道路车辆的最小安全加速度asafe、碰撞时间TTC和安全距离Dsafe,根据获得的最小安全加速度asafe、碰撞时间TTC和安全距离Dsafe,计算驾驶平顺性成本;
利用动态规划求解最小成本;
首先对车辆当前状态下行驶到设定范围内每个DPDM单元位置,进行行为操作成本的求解;然后,利用动态规划算法对不同路径选择下的成本进行合并求解,并求解当前状态下的最低成本的行驶路径及操作行为。
本发明的有益效果:
本发明通过生成动态概率驾驶地图,实现了智能车环境紧凑表达的关键技术手段,在此基础上根据车辆运动学特性提出了改进方法:根据产生因素的不同,将车辆道路环境分为四层,包括本车运动信息、车道环境信息、道路车辆信息、道路车辆预测信息。利用车辆行为识别与预测方法,增强DPDM对于道路车辆的理解能力,有效增强其环境应变能力,当道路车辆准备进行换道时,可提前预知,有效避让。
为了实现对驾驶员进行驾驶提醒并满足驾驶员与系统的交互需求,基于车辆行为决策成本方程建立方法车辆辅助信息提醒策略,设计并开发了人机交互应用程序,最终可以在人机交互界面中显示,清晰简明。
本发明针对智能车可行驶区域建模,并将其应用于驾驶辅助系统中的行为决策算法。从车辆行驶的动力性、安全性、平顺性等角度建立了基于DPDM的车辆驾驶成本方程,考虑了驾驶员在各种给定场景下的驾驶行为的成本,并借此来对驾驶员的行为提出意见建议。
本发明所述方法及策略能够精准有效的对于复杂道路环境做出紧凑表达、对于道路车辆的交互行为生成应对措施,并根据具体环境给出合理有效的驾驶意见,具有较好的鲁棒性。
附图说明
图1中图1a、图1b和图1c分别为车辆的坐标系示意图;
图2为车道线模型图;
图3为激光雷达传感器输入数据结构规范示意图;
图4为本发明所述的基于动态概率驾驶地图的驾驶辅助信息显示方法中栅格地图划分示意图;
图5为与道路环境相适应的DPDM示意图;其中,图5a为道路环境示意图,图5b为当前车道曲率状态图,图5c为动态概率驾驶地图上的显示图;
图6为DPDM单元矩阵化示意图;
图7为DPDM构造示意图;
图8为车辆运动学模型图;
图9为车辆双轴二自由度简化模型图;
图10为DPDM底层的可行驶概率P1的求解示意图;
图11为DPDM第二层地图生成示意图,图11a为道路环境示意图,图11b为当前车道曲率状态示意图,图11c为动态概率驾驶地图上的车道占据情况示意图;
图12为DPDM第三层地图生成示意图,图12a为道路环境示意图,图12b为当前车道曲率状态示意图,图12c为动态概率驾驶地图上的障碍物占据情况示意图;
图13为无损卡尔曼滤波过程图;
图14为保持安全车距的流程图;
图15为驾驶辅助系统功能框图;
图16为模块工作时序图;
图17为人机交互界面设计图。
具体实施方式
具体实施方式一、结合图1至图17说明本实施方式,基于动态概率驾驶地图的驾驶辅助信息显示方法,该方法由以下步骤实现:
步骤一、生成初始静态格栅地图:借助摄像头和惯导装置,通过建立车道线模型来获取车道线信息;借助激光雷达,获取障碍物信息并填充进格栅地图中。
初始静态格栅地图的生成方法具体如下:
步骤一一、建立车道线模型并获取车道线信息;
利用车载智能摄像头进行车道标志检测和车道跟踪,来实现对车辆周围环境的网格划分以及车辆定位等功能。
以车辆坐标系为基准,如图1所示。假设智能摄像头所识别到的四车道边界,对应包括本车道、左相邻车道和右相邻车道的车道边界,通过分段线性近似的方法以回旋曲线模型的形式给出,模型具体形式如下:
其中,i为车道线标记,i∈{1,..,N},L0,i是每条车道线相对于车辆位置的侧向距离,为其偏航角,Ci、分别为当前检测车道线的曲率及其变化率,如图2所示。
从上述模型所获取的车道线Y轴方向上距离本车最多25米,为满足复杂环境下可行使区域模型的应用需求,当超出这个范围时利用基于回旋曲线模型的泰勒级数展开的线性近似,如下式:
Z0=±25
Li(Z)=mi(Z-Z0)+Li(Z0)
在识别有效的情况下,摄像头通常会给出车辆当前所处车道的四车辆线的回旋曲线模型,从中即可提取两类有效数据:左右车道线距离我车的横向距离,记作Li,以及左右车道线的曲率,记作Ci。
当摄像头无法有效识别两侧或更远处车道线时,可利用高精地图及惯导装置所传回的信息(包括当前车辆所处位置的车道数、当前位置是否存在临近车道等)对车道估计数据进行粗略大致的补充。
步骤一二、对障碍物占据格栅地图情况进行填充;
首先,借助激光雷达传感器来检测和跟踪道路车辆及障碍物(护栏和路网等),并按照如图3所示的数据结构规范输入障碍物信息,例如道路车辆的长度、宽度、方向位置和速度等。
其次,进行格栅地图的划分。根据智能车辆目标检测的需求,以车辆坐标系为坐标原点建立纵向150米、侧向30米的长方形车辆初始静态栅格地图,其中包含了车前的120米及车后的25米区域。根据实际情况,令栅格地图中最小的单元的尺寸为0.2米×0.2米,则可将原有的栅格地图划分为750×150的网格结构,其示意图如图4所示,图4中A1表示前向左雷达检测到的视野范围;A2表示前向右雷达检测到的视野范围;A3表示后向左雷达检测到的视野范围;A4表示后向右雷达检测到的视野范围;B1表示前向两个雷达检测到的视野范围的重叠区域;B2表示后向两个雷达检测到的视野范围的重叠区域。
利用激光雷达按图3规范所输入的数据,分别对图4中栅格区域内的每一个单元格进行信息的填充,从而使得栅格地图上每个单元都具有相关的障碍物占据情况(是/否)以及对应的障碍物ID、类型等参数信息,并以此作为当前时刻为起始点的初始静态栅格地图。
步骤二、构建动态概率驾驶地图(DPDM),首先定义可行驶单元,其次利用环境分层的方法将车辆道路环境分为四层,包括我车运动信息、车道环境信息、道路车辆信息、道路车辆预测信息,并求解可行驶概率。
步骤二一、定义可行驶性单元;
通过可行驶性单元对车辆周围的环境的重新定义,并将其通过几何形式表征出来。可行驶性单元包含了在该单元是否存在车辆或障碍物占据的判定,及其具有的各项物理尺寸及运动参数信息,从而组成了DPDM。考虑到智能车的驾驶需求,令可行驶性单元将DPDM划分为15×5的网格结构,其中15代表我车前的10个单元、车后4个单元的共75m的纵深距离,5代表5车道宽度范围,且其中每个单元都包含了当前车道曲率信息以及各单元的可行驶性概率等道路环境信息。如图5所示,其中20代表车辆纵向方向纵深100m的距离,5代表5条车道宽度范围,且其中每个单元都包含了当前车道曲率信息以及各单元的可行驶性概率等道路环境信息。
如图5所示,为具体可行驶性单元与道路几何形状相适应的例子,使DPDM通过各单元格颜色的深浅来量化显示其可行驶性概率的高低,其中越接近于深色则表示可行驶性概率越低,越难以行驶;反之,越接近于浅色则表示可行驶性概率越高,越容易行驶到对应单元。
在DPDM建模时,将DPDM的75个单元按照自左向右自上向下的方向以矩阵的形式命名,如图6所示,图中左上角的单元格在矩阵中即为(0,0)点,车辆始终处于DPDM的矩阵(10,2)处。
可行驶区域单元所包含的全部属性如表1所示,包括是否有车辆/障碍物,及其对应的各项参数等。
表1可行驶性单元属性
步骤二二、求解可行驶性概率
考虑影响DPDM单元可行驶性概率的四项因素,将DPDM分为四层:底层(我车运动信息)、第二层(道路车辆/障碍物信息)、第三层(车道环境信息)、顶层(道路车辆预测信息),分别求解各层受不同因素影响的可行驶性概率最后进行DPDM的构建,如图7所示(图中为表述方便,将DPDM单元网格简化为7×5的结构)。
各层对应可行驶性概率的求解过程为:
底层(本车运动信息)
首先,定义受本车运动影响所产生的底层单元可行驶性概率P1(i,j),概率P1(i,j)主要考虑自身车辆当前的横纵向速度及偏航角等车辆运动性能的影响,当前车辆所处状态下越容易到达的单元其对应的P1(i,j)越高。因此,建立如图8所示的车辆运动学模型并对此进行分析,图8中,OC是车辆的瞬时转动中心,V是车辆后轴中心点的速度,Vf是前轮速度,为偏航角,δ为前轮的等效转角。
从简化计算及实时性的角度考虑,不考虑其俯仰角和倾斜角的影响,将车辆的运动看作刚体的平面运动,则可将模型简化为双轴二自由度的两轮模型,其可以很好地满足DPDM系统中对车辆运动描述的需求。
考虑车辆双轴二自由度的两轮模型,其控制量可以简化为(a,δ),此时车辆的状态可以通过四个状态量来描述,包括车辆当前的坐标(x,y),车辆的速度v,如图9所示。
根据运动学原理,可以给出车辆各状态量的求解公式如下:
vt+1=vt+a×dt
其中,lf、lr分别表示前轮和后轮到车辆重心的距离,β可由以下公式计算求得:
基于上述模型,在给定当前时刻车辆的控制量和状态量时,可以对于本车的状态信息(坐标、偏航角以及速度等)进行预测。
在车辆实际高速行驶时,车轮和速度方向并不一致,因此本专利引入车辆的动力学二自由度模型。此时模型的状态量其中表示车辆的纵向和侧向速度,表示偏航角速度,X、Y表示车辆的当前坐标。可以得到其随时间变化的方程:
其中,m和Iz分别表示车辆的质量和偏航惯性,Fc,f和Fc,r分别表示前后轮轮胎所受的侧向力,可以通过具体的轮胎模型求解,在简单的线性轮胎模型中:Fc,f和Fc,r分别表示为:
式中,αf为前轮轮胎的偏转角,即前轮轮胎当前朝向和速度的夹角,为前轮轮胎侧偏刚度;αr为后轮轮胎的偏转角,即后轮轮胎当前朝向和速度的夹角,为后轮轮胎侧偏刚度。
基于上述公式,求解出在给定的时间间隔dt时刻车辆的状况量信息从DPDM的几何特征、车辆运行速度及程序的实时性等角度考虑,将上述模型的更新时长dt设置为0.5s,求解并记录其五个更新时刻的状态量(X,Y),将其同DPDM上的可行驶性单元进行匹配,并按照该单元到本车的距离远近分别记作A、B、C、D、E,如图10所示,图中的坐标系为车辆坐标系,并将该单元的可行驶性概率P1(i,j)分别按照距离设置衰减,其他位置的单元概率值的给定则按照以下的原则进行选取:
1)考虑车辆运行时的极限转角,将车辆实际无法到达的单元的可行驶性概率P1(i,j)设置为0%;
2)结合图10,若单元格与A、B或C处于同一行,则其概率按其到A/B/C的距离逐渐减少,且变化的幅度不断增大。
3)当DPDM中的某一行并不包含ABC单元时,则该行的概率满足:当j1<j2且P1(i,j2)已知时,有根据整体DPDM底层P1(i,j)概率布局进行综合选取。
第二层(车道环境信息)
第二层中,根据车道估计进行DPDM的网格划分,其输入值为各车道线的曲率值;并根据车道环境设置对应单元的可行驶性概率,将道路车道环境所产生的第二层DPDM单元可行驶性概率定义为P2(i,j),概率P2(i,j)主要考虑车道的观测值,根据具体的车道状态来确定,具体定义如下式所示:
适应于当前道路环境的DPDM第二层地图生成方法具体情况如图11所示。
第三层(道路车辆/障碍物信息)
定义由道路车辆或障碍物占据所产生的可行驶性概率为P3(i,j),该概率的求解由当前时刻的占据点信息确定,具体的占据点信息通过栅格地图获取。
可行驶性概率为P3(i,j)主要通过观测初始静态地图中的道路车辆和障碍物的情况来判断。
基于传感器数据来确定道路车辆的位置,并通过测试车辆的每个角落来确定车辆是否位于可驾驶性单元的边界内。测试给定点是否位于凸多边形内,可以通过采用该点与定义该多边形的每个线段的内积来有效地计算,通过将占据点与可行驶性单元的四条边分别做点积运算,当结果不均为0时,则返回结果概率为0,即当前单元格被障碍物/车辆占据;反之,当结果均不为O时,则认为当前单元格未被占据。
适应于当前道路车辆/障碍物信息的DPDM第三层地图生成方法具体情况如图12所示。
顶层(道路车辆预测信息)
主要利用无损卡尔曼滤波对初始静态栅格地图中所提供的道路车辆的各项参数(位置、车速、偏航角等)进行跟踪与预测,并根据隐马尔可夫模型所建立的车辆行为识别模型对跟踪车辆目标的行驶轨迹进行分析,对该车辆是否将进行换道进行预判,上述信息均会影响给定及周围单元的可行使性概率,定义由上述情况所产生的可行驶性概率为P4(i,j)。
对于DPDM的顶层各单元概率P4(i,j)的具体求解方法如下:
首先,对于当前环境下处于我车可行驶区域范围内的所有道路车辆利用UKF进行跟踪和预测,结合图13。并将预测得到的道路车辆的位置坐标所对应的单元的可行驶性概率记做P4,1(i,j),一般为在可视化时区别于实际车辆占据,将其设为20%。
然后,记录跟踪车辆一段时间内相对于其车道线中心的侧向偏移量及偏移速度并利用滑动时窗法进行处理,将其结果作为HMM-GMM的观测序列输入到行为预测模型,从而对所跟踪的道路车辆进行行为识别并预判其是否具有换道意图。
当检测到车辆具有换道意图时,假设为左换道意图,则其HMM中右换道和保持车道所对应的概率会迅速的减少为0,而左换道所对应的换道意图将急增到100%。因此,不考虑系统所识别到的交通车辆保持车道的概率,仅当识别到交通车辆有换道意图时,即识别到其左换道或右换道的概率急增为100%时,则可知该跟踪车辆具有换道意图,并将对应其换道意图方向的DPDM单元的可行驶性概率记做P4,2(i,j),由于行为预测与识别模型的准确度和可靠性较高,因此将P4,2(i,j)设为0%。
本实施方式中,由于顶层中的可行驶性概率包含两种情况,根据实际的道路情况,其可行驶性概率P4(i,j)求解公式如下:
P4(i,j)=min{P4,1(i,j),P4,2(i,j)}
本实施方式中,整个DPDM地图由上述四层构建所得,因此下面给出DPDM整体各单元可行驶性概率P(i,j)的求解公式:
P(i,j)=min{P1(i,j),P2(i,j),P3(i,j),P4(i,j)}
步骤三、建立驾驶辅助信息提醒策略,给出车辆驾驶行为建议;
步骤三一、建立保持安全车距机制;
在考虑设置安全车距范围时,引入了“三秒间距”的事实,即如果车辆在三秒内就会到达或经过该标志物,则表示本车与前车距离过近,需要采取措施以达到安全距离;反之,如果三秒后本车才到达该标志物,就说明本车与前车的距离在安全距离之内。
基于DPDM,设计了图14所示的保持安全车距机制,其会读取系统的每一采样周期下的DPDM地图及本车车速,若为车辆直线行驶工况下的保持车距问题,则只需查找DPDM中的第三列第1~10的单元中离本车最近的交通车占据单元,记作C(x,2),并判断该单元距我车的最短距离Dist=5*(9-x)是否小于3V,若不小于,则前后车车距安全;反之,则考虑占据该单元C(x,2)上占据车辆的的速度Vc,当Vc小于Vmin时,从车辆行驶动力性等角度分析,考虑进行换道或超车等操作,具体操作根据后续的动态规划来决定;反之,则提醒驾驶员减速以达到安全车距。
步骤三二、建立车辆行为决策成本方程;
将车辆的行为操作成本,分解为面向安全性成本、动力性成本、驾驶平顺性成本等不同需求的行为成本,该过程主要根据DPDM的各项参数进行求解。
所述的安全性成本具体为:
安全性成本可以给出给定的操作何时何地有效,其求解方法如下所示:
Safe_Costi,j=K(1-P(Di,j))
其中,P(Di,j)为DPDM中对应单元的可行驶性概率,将K值设置为100
所述的动力性成本具体为:
首先求解时间t之后,速度为V0的车辆行驶到距离Dj处所需的加速度,即:
其中j表示给定DPDM单元的纵向位置,Dj表示其在DPDM的移动参考系中距离本车的纵向距离。若车辆进行匀加速运动,则根据当前速度求解行驶到Dj的恒定加速度。
对于求解动力学成本考虑功的牛顿表达式,即ma*D,不考虑本车的质量,将其设置为1,则动力学成本公式,如下式所示。
Dist_Costj=ajDj
所述的驾驶平顺性成本具体为:
这一部分的成本主要基于DPDM中给出的道路车辆单元的纵向位置xo和速度vo计算出当前的TTC(碰撞时间)。
Dyn_Costi,j=ai,jsafeDi,jsafe
在此过程中,只考虑TTC低于阈值τ的道路车辆,且将τ设置为5.0s。对于满足上述条件的道路车辆,求解其最小安全加速度asafe、碰撞时间和安全距离Dsafe,并根据这些参数计算驾驶平顺性成本。
步骤三三、利用动态规划求解最小成本;
首先对车辆当前状态下行驶到设定范围内每个可能的DPDM单元位置,进行行为操作成本的求解。然后,利用动态规划算法对不同路径选择下的成本进行合并求解,并求解当前状态下的最低成本的行驶路径及操作行为。
借助在DPDM上的动态规划算法,如采用背包算法等,计算本车以加速、减速或换道的方式,行驶到自身前25m、左右邻车道范围内每个可能单元的成本。即可得到车辆行为决策过程中最低成本的求解方法,并得到了各时刻合理的操作行为及时间。
通过迭代计算进行成本的求解,并给出建议的加速度和行为操作。使用动态规划算法可以高效且准确地判断进入相邻车道或保持当前车道的最低成本路径,允许系统借助对于邻近车道上道路车辆的换道等操作的识别,避免与其它车辆发生碰撞。最后,返回相应的驾驶建议,包括最小成本、推荐加速度和操作时间。如果成本超过事先规定好的阈值,那则认为该建议无效,且系统不返回任何推荐。
具体实施方式二、结合图1至图17说明本实施方式,本实施方式为具体实施方式一所述的基于动态概率驾驶地图的驾驶辅助信息显示方法的动态概率驾驶地图支撑下的驾驶辅助信息系统;
首先,通过惯导、GPS等车载传感器,获取车辆的空间位置信息及运动信息,通过车载的激光雷达及视觉装置,获取本车当前时刻的所处环境的障碍物/车辆占据信息以及车道线信息。
然后,将上述传感器数据信息传输到辅助驾驶系统中的DPDM生成模块,并对传感器特征级数据进行解构与分析,分层生成符合本车当前状态的DPDM。
其次,将更新后的DPDM及相关数据传输到系统的行为决策模块,基于DPDM进行最小成本决策的动态规划算法,并输出当前时刻最优的行为策略及其对应的加速度与触发时间等。
最后,将上述决策信息传输到人机交互界面,输出符合当前时刻车辆状态的驾驶行为意见。动态概率驾驶地图支撑下的驾驶辅助信息系统框图,如图15所示。
结合图15,所述驾驶辅助信息系统包括数据采集及处理模块、数据缓存模块、DPDM生成模块、行为决策算法模块和人机交互模块。
结合图16,驾驶辅助信息系统实现驾驶辅助功能的模块工作时序图。首先,通过人机交互模块和驾驶员进行交互,进而启动并初始化整个驾驶辅助信息显示系统,首先完成数据的初始化工作,并对各传感器的数据进行采集和处理,存储相关有效信息,随后将相关数据输入计算层的各个模块,在首次开启时需完成DPDM的初始化生成,然后,执行DPDM生成与更新中各算法的对应逻辑;其次,将当前的DPDM更新给行为决策算法模块,进行符合当前车况的行为决策预算,并输出合理的行为指示;最后,将此信息回传给人机交互系统,完成了人机交互界面中辅助信息的输出及显示信息的更新。
本实施方式中,所述人机交互模块主要由车辆周围环境及其DPDM、本车运动状态信息和驾驶辅助行为提醒信息三个显示界面组成。主要实现系统与驾驶员交互功能,包括系统的启动,及上述相关信息的显示。本车运动状态信息主要包括本车当前车速、油箱油量等信息。车辆周围环境通过实况道路信息及由其紧凑表达生成的DPDM两部分分别来进行实际和抽象化的环境显示。驾驶辅助行为提醒信息,则指系统经过计算得出的当前车况下的驾驶员行为操作意见,包括是否进行换道、是否需要加速/减速等。
所述的数据采集处理模块包括车载传感器有激光雷达、智能摄像头、惯导装置、车载轮速传感器等,选取的各类传感器均通过CAN总线与上位机进行通讯连接,在数据采集处理模块中主要借助CANlib协议来接收来自激光雷达、摄像头、GPS、车辆的信息。其中接收到的雷达信息的数据结构格式如图3所示,摄像头的输出信息主要包括车道估计信息和道路环境图像信息,前者输入到DPDM生成模块,后者输入到人机交互模块。
所述的DPDM生成模块用于生成动态概率驾驶地图,包括DPDM网格的初始化、以及DPDM各单元可行驶性概率的求解及可视化呈现。此模块的输入量包括本车运动信息(车辆位置坐标、车速、加速度、航向角、偏航角速度等)、车道估计信息、满足图3数据结构规范的道路车辆或障碍物信息。由于DPDM的生成还需要对当前道路车辆行为进行预测与识别,且从数据存储和算法逻辑结构的角度考虑,在设计过程中,将道路车辆行为预测与识别模块作为DPDM的子模块,该模块读取道路车辆的运动信息,对对应车辆的位置和行为进行预测,并将由此产生的可行驶性概率P4(i,j)回输给DPDM生成模块。
所述行为决策模块基于当前时刻的本车运行信息和DPDM,根据驾驶辅助信息提醒策略,进行相关驾驶行为的决策和提醒信息的输出工作。
所述数据缓存模块对系统各个模块中采集或生成的数据进行临时的读写操作,以方便其它模块对于数据的调用,数据缓存模块工作于系统启动后的每个环节。
结合图17说明本实施方式,本实施方式中,还包括对人机交互界面的设计,具体如下:
(1)车辆状态栏,主要显示车辆状态及位置参数,包括车速、油箱油量等信息,主要由车载传感器及安装在本车上的惯性导航系统提供。为了尽可能减少对驾驶员注意力的干扰,只进行简单的数字显示。
(2)道路环境栏,为了使驾驶员更清楚直观的了解周围道路环境信息,利用整个程序显示界面来显示环境信息,包括显示的道路图像及动态概率驾驶地图两部分。
(3)车道保持提示标志,当本车处于车道中央一定范围内时,该标志两侧为正常的绿色,当存在向某侧车道偏离的情况时,对应的车道转为具有提醒效果的黄色。这一部分的设置是为了向驾驶员提供当前车辆所处的车道情况,是否存在车道偏离问题等,以帮助驾驶员更好地驾驶车辆。
(4)预警信息窗口。预警图像的显示界面叠加在道路环境栏,车辆正常行驶时,并不显示任何内容,当行为决策系统有关于当前时刻车辆驾驶行为的意见输出时,例如车辆存在碰撞危险,那么界面的预警信息窗口区域中会出现对应的提醒内容并进行动态显示,当驾驶行为得到修正,即碰撞危险解除时,则对应的预警图像将会被自动刷新。
(5)用户配置按钮,用于帮助驾驶员针对不同的车型对软件的参数进行适应性调整,主要需要键入的量包括:车辆的质量、偏航惯性以及轮胎侧片刚度等,通过相应的参数调整,可以使动态概率驾驶地图所呈现的可行驶性更为准确、更为符合本车车况。
Claims (5)
1.基于动态概率驾驶地图的驾驶辅助信息显示方法,其特征是:该方法由以下步骤实现:
步骤一、生成初始静态栅格地图;
采用摄像头和惯导装置,通过建立车道线模型获取车道线信息;采用激光雷达,获取障碍物信息并填充进栅格地图中;
步骤二、构建DPDM地图;
定义可行驶单元,并采用环境分层的方法将车辆道路环境分为四层,包括底层、第二层、第三层和顶层;并分别求解四层的可行驶概率;
具体过程为:一、底层,即:本车运动信息;
定义受到本车运动影响所产生的底层单元可行驶性概率P1(i,j),建立车辆运动学模型,将所述模型简化为车辆的动力学二自由度模型;车辆模型的状态量为
其中分别为车辆坐标系下的车辆纵向和侧向速度,为偏航角速度,X、Y分别为车辆的当前坐标,获得随时间变化的方程:
式中,分别为车辆的纵向和侧向加速度,为偏航角,为偏航角加速度,δ为方向盘转角,lf和lr分别为前轴到车辆质心的距离和后轴到车辆质心的距离,和分别为全局坐标系下的车辆纵向和侧向速度,m和Iz分别为车辆的质量和偏航惯性,Fc,f和Fc,r分别为前后轮轮胎所受的侧向力;基于上述公式,求解出在给定的时间间隔dt时刻的车辆模型的状态量并记录五个更新时刻的状态量(X,Y),将所述五个更新时刻的状态量(X,Y)与DPDM地图上的可行驶性单元进行匹配,并按照该单元到本车的距离远近分别记作A、B、C、D、E,并将该单元中底层单元可行驶性概率P1(i,j)分别按照距离设置衰减;
第二层,即:车道环境信息;
将道路车道环境所产生的第二层DPDM单元可行驶性概率定义为P2(i,j),用下式表示为:
第三层,即:道路车辆/障碍物信息;
定义由道路车辆或障碍物占据所产生的可行驶性概率为P3(i,j),所述概率P3(i,j)的求解由当前时刻的占据点信息确定,具体的占据点信息通过栅格地图获取;表示形式为:
将占据点与可行驶性单元的四条边分别做点积运算,当结果不为0时,则返回结果概率为0,即当前单元格被车辆/障碍物占据;当结果为0时,则认为当前单元格未被占据;
顶层,即:道路车辆预测信息;
对初始静态栅格地图中所提供的道路车辆的位置、车速和偏航角进行跟踪与预测,并根据隐马尔可夫模型所建立的车辆行为识别模型对跟踪车辆目标的行驶轨迹进行分析,对该车辆是否将进行换道进行预判,定义所产生的可行驶性概率为P4(i,j);
所述DPDM地图由上述四层构建,获得DPDM地图中对应单元的可行驶性概率P(i,j)的求解公式为:
P(i,j)=min{P1(i,j),P2(i,j),P3(i,j),P4(i,j)}
步骤三、建立驾驶辅助信息提醒策略,根据辅助信息的提醒,完成动态概率驾驶地图的驾驶辅助信息的显示;
具体过程为:建立车辆行为决策成本方程,将车辆的行为操作成本分解为安全性成本、动力性成本和行驶平顺性成本;采用动态规划求解最小成本;
所述安全性成本用下式表示为:
Safe_Costi,j=K(1-P(Di,j))
其中,K的值为100;
所述动力性成本用下式表示为:
式中,t为时间,V0为其它车辆的速度,j为DPDM地图中的纵向位置,Dj为在DPDM的移动参考系中距离本车的纵向距离,aj为DPDM中第j个位置的加速度;
所述驾驶平顺性成本为:基于DPDM中给出的道路车辆单元的纵向位置xo和其它车辆的速度vo计算出当前的碰撞时间TTC;所述碰撞时间TTC小于阈值τ,具体表示为:
Dyn_Costi,j=ai,jsafeDi,jsafe
式中,vego为本车速度,asafe为最小安全加速度,ts为安全时间,Dsafe为安全距离,τ的值为5.0s;求解道路车辆的最小安全加速度asafe、碰撞时间TTC和安全距离Dsafe,根据获得的最小安全加速度asafe、碰撞时间TTC和安全距离Dsafe,计算驾驶平顺性成本;
利用动态规划求解最小成本;
首先对车辆当前状态下行驶到设定范围内每个DPDM单元位置,进行行为操作成本的求解;然后,利用动态规划算法对不同路径选择下的成本进行合并求解,并求解当前状态下的最低成本的行驶路径及操作行为。
2.根据权利要求1所述的基于动态概率驾驶地图的驾驶辅助信息显示方法,其特征在于,步骤一中,采用基于分段线性近似的方法以回旋曲线模型建立车道线模型;当所获取的车道线Y轴方向上距离本车超出25m时,采用基于回旋曲线模型的泰勒级数展开的线性近似建立车道线模型,并提取左右车道线距离本车的横向距离和左右车道线的曲率。
3.根据权利要求1所述的基于动态概率驾驶地图的驾驶辅助信息显示方法,其特征在于,步骤二中,前后轮轮胎所受的侧向力Fc,f和Fc,r通过具体的轮胎模型求解,在线性轮胎模型中,Fc,f和Fc,r分别表示为:
式中,αf为前轮轮胎的偏转角,即前轮轮胎当前朝向和速度的夹角,为前轮轮胎侧偏刚度;αr为后轮轮胎的偏转角,即后轮轮胎当前朝向和速度的夹角,为后轮轮胎侧偏刚度。
4.根据权利要求1所述的基于动态概率驾驶地图的驾驶辅助信息显示方法,其特征在于,步骤三中,还包括建立保持安全车距机制;
读取DPDM地图及本车车速,若为车辆直线行驶工况下的保持车距问题,则确定本车辆所处车道前方各单元是否有车辆占据,并判断是否在安全车距内,如果是,执行步骤三一;如果否,执行步骤三二;
步骤三一、则前后车车距安全;
步骤三二、判断占据该单元的车辆速度,当该车辆速度小于10km/h时,从车辆行驶动力性角度分析,进行换道或超车的操作,具体操作根据后续的动态规划来决定;反之,则提醒驾驶员减速以达到安全车距。
5.根据权利要求1所述的基于动态概率驾驶地图的驾驶辅助信息显示方法的显示系统,其特征是,包括数据采集及处理模块、数据缓存模块、DPDM生成模块、行为决策算法模块和人机交互模块;
所述数据采集及处理模块包括车载传感器和车载轮速传感器;所述车载传感器和车载轮速传感器均通过CAN总线与上位机进行通讯连接,在数据采集及处理模块中采用CANlib协议激光雷达、摄像头、GPS和车辆的信息;所述摄像头的输出信息包括车道估计信息和道路环境图像信息,所述车道估计信息输入到DPDM生成模块,道路环境图像信息输入到人机交互模块;
所述DPDM生成模块用于生成动态概率驾驶地图,包括DPDM网格的初始化、DPDM各单元可行驶性概率的求解以及可视化显示;包括本车运动信息、车道估计信息、道路车辆或障碍物信息;
所述DPDM生成模块还包括道路车辆行为预测与识别模块,该模块读取道路车辆的运动信息,对对应车辆的位置和行为进行预测,并将产生的可行驶性概率P4(i,j)传送至DPDM生成模块;
所述行为决策算法模块基于当前时刻的本车运行信息和DPDM地图信息,根据驾驶辅助信息提醒策略,进行相关驾驶行为的决策和提醒信息的输出工作;
所述数据缓存模块用于对数据采集及处理模块和DPDM生成模块获得的数据进行临时的读写操作;
所述人机交互模块用于驾驶员进行交互,启动并初始化所述驾驶辅助信息显示系统,首先完成数据的初始化工作,并对各传感器的数据进行采集和处理,存储相关有效信息,并将相关数据输入计算层的各个模块,在首次开启时需完成DPDM的初始化生成,然后,执行DPDM生成与更新中各算法的对应逻辑;其次,将当前的DPDM更新至行为决策算法模块,进行符合当前车况的行为决策预算,并输出行为指示;最后,将信息回传给人机交互系统,完成了人机交互界面中辅助信息的输出及显示信息的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509650.1A CN110136254B (zh) | 2019-06-13 | 2019-06-13 | 基于动态概率驾驶地图的驾驶辅助信息显示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910509650.1A CN110136254B (zh) | 2019-06-13 | 2019-06-13 | 基于动态概率驾驶地图的驾驶辅助信息显示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110136254A true CN110136254A (zh) | 2019-08-16 |
CN110136254B CN110136254B (zh) | 2019-12-13 |
Family
ID=67581411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910509650.1A Active CN110136254B (zh) | 2019-06-13 | 2019-06-13 | 基于动态概率驾驶地图的驾驶辅助信息显示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136254B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488802A (zh) * | 2019-08-21 | 2019-11-22 | 清华大学 | 一种网联环境下的自动驾驶车辆动态行为决策方法 |
CN110654807A (zh) * | 2019-09-29 | 2020-01-07 | 广东博智林机器人有限公司 | 物料运输系统及其控制方法 |
CN111258312A (zh) * | 2020-01-20 | 2020-06-09 | 深圳市商汤科技有限公司 | 可移动模型及其控制方法、装置、系统、设备和存储介质 |
CN111462493A (zh) * | 2020-04-10 | 2020-07-28 | 北京工业大学 | 一种基于车联网的超车态势感知预警系统 |
CN111746559A (zh) * | 2020-07-02 | 2020-10-09 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测系统 |
CN111797780A (zh) * | 2020-07-08 | 2020-10-20 | 中国第一汽车股份有限公司 | 一种跟车轨迹规划方法、装置、服务器及存储介质 |
CN111967384A (zh) * | 2020-08-17 | 2020-11-20 | 上海眼控科技股份有限公司 | 车辆信息处理方法、装置、设备及计算机可读存储介质 |
CN112130563A (zh) * | 2020-09-10 | 2020-12-25 | 东风汽车集团有限公司 | 一种多目标筛选辅助驾驶控制方法 |
CN112150805A (zh) * | 2020-09-01 | 2020-12-29 | 福瑞泰克智能系统有限公司 | 一种可行驶区域的确定方法、装置、设备及存储介质 |
CN112230657A (zh) * | 2020-10-15 | 2021-01-15 | 广州大学 | 面向智能车辆的区域协同驾驶意图调度方法、系统和介质 |
CN112406905A (zh) * | 2020-09-10 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 基于交通工具的数据处理方法、装置、计算机及存储介质 |
CN112733270A (zh) * | 2021-01-08 | 2021-04-30 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
CN112824836A (zh) * | 2019-11-21 | 2021-05-21 | 北京图森智途科技有限公司 | 移动工具碰撞检测方法及相关设备 |
CN113094457A (zh) * | 2021-04-15 | 2021-07-09 | 成都纵横自动化技术股份有限公司 | 一种数字正射影像地图的增量式生成方法及相关组件 |
CN113771883A (zh) * | 2021-10-21 | 2021-12-10 | 中国第一汽车股份有限公司 | 一种可行驶区域确定方法、装置、设备及存储介质 |
WO2022100107A1 (en) * | 2020-11-13 | 2022-05-19 | Huawei Technologies Co.,Ltd. | Methods and systems for predicting dynamic object behavior |
CN115171389A (zh) * | 2022-07-22 | 2022-10-11 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
EP4145339A4 (en) * | 2020-05-11 | 2023-05-24 | Huawei Technologies Co., Ltd. | VEHICLE DRIVING ZONE DETECTION METHOD AND SYSTEM, AND SELF-DRIVING VEHICLE IMPLEMENTING THE SYSTEM |
CN113060141B (zh) * | 2019-12-26 | 2024-06-11 | 汉拿科锐动电子股份公司 | 高级驾驶员辅助系统、具有其的车辆及控制车辆的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927895A (zh) * | 2014-04-25 | 2014-07-16 | 清华大学 | 一种基于车路/车车通讯的车辆弯道通行辅助系统 |
CN104049927A (zh) * | 2013-03-13 | 2014-09-17 | 本田技研工业株式会社 | 用于左转安全提示的增强现实平视显示器(hud) |
CN104636763A (zh) * | 2014-12-01 | 2015-05-20 | 北京工业大学 | 一种基于无人驾驶车的道路与障碍物检测方法 |
CN106205175A (zh) * | 2015-05-28 | 2016-12-07 | Lg电子株式会社 | 用于车辆的显示设备和车辆 |
CN107076848A (zh) * | 2014-08-05 | 2017-08-18 | 法雷奥开关和传感器有限责任公司 | 用于生成周围环境地图的方法,和驾驶员辅助系统 |
CN107521411A (zh) * | 2017-07-18 | 2017-12-29 | 吉林大学 | 一种辅助驾驶员的车道级导航增强现实装置 |
CN109606354A (zh) * | 2018-10-18 | 2019-04-12 | 同济大学 | 一种基于分层规划的自动泊车方法及辅助系统 |
-
2019
- 2019-06-13 CN CN201910509650.1A patent/CN110136254B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049927A (zh) * | 2013-03-13 | 2014-09-17 | 本田技研工业株式会社 | 用于左转安全提示的增强现实平视显示器(hud) |
CN103927895A (zh) * | 2014-04-25 | 2014-07-16 | 清华大学 | 一种基于车路/车车通讯的车辆弯道通行辅助系统 |
CN107076848A (zh) * | 2014-08-05 | 2017-08-18 | 法雷奥开关和传感器有限责任公司 | 用于生成周围环境地图的方法,和驾驶员辅助系统 |
CN104636763A (zh) * | 2014-12-01 | 2015-05-20 | 北京工业大学 | 一种基于无人驾驶车的道路与障碍物检测方法 |
CN106205175A (zh) * | 2015-05-28 | 2016-12-07 | Lg电子株式会社 | 用于车辆的显示设备和车辆 |
CN107521411A (zh) * | 2017-07-18 | 2017-12-29 | 吉林大学 | 一种辅助驾驶员的车道级导航增强现实装置 |
CN109606354A (zh) * | 2018-10-18 | 2019-04-12 | 同济大学 | 一种基于分层规划的自动泊车方法及辅助系统 |
Non-Patent Citations (8)
Title |
---|
HU H Y, QU Z W, LI Z H.: "Multi-level trajectory learning for traffic behavior detection and analysis", 《JOURNAL OF THE CHINESE INSTITUTE OF ENGINEERS》 * |
SIVARAMAN S, TRIVEDI M M.: "Dynamic probabilistic drivability maps for lane change and merge driver assistance", 《 IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
ZHENHAI G, YANG L.: "Control algorithm of Adaptive Front-lighting System based on driver preview behavior", 《/PROCEEDINGS OF 2013 2ND INTERNATIONAL CONFERENCE ON MEASUREMENT, INFORMATION AND CONTROL》 * |
段建民,王昶人,任璐,刘丹: "改进贝叶斯推理的栅格地图更新与障碍物检测", 《激光杂志》 * |
肖克来提,邓志东: "基于激光雷达的多属性栅格地图的创建", 《信息与电脑(理论版)》 * |
胡宏宇,王殿海,李志慧,曲昭伟,魏巍: "基于视频的车辆特征表达与分类算", 《交通与计算机》 * |
高振海,孙天骏,何磊: "汽车纵向自动驾驶的因果推理型决策", 《吉林大学学报( 工学版)》 * |
高振海,李扬,张慧,张利丹,胡宏宇: "不同车速下驾驶员变换车道前视行为特征规律", 《吉林大学学报(工学版)》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488802A (zh) * | 2019-08-21 | 2019-11-22 | 清华大学 | 一种网联环境下的自动驾驶车辆动态行为决策方法 |
CN110654807A (zh) * | 2019-09-29 | 2020-01-07 | 广东博智林机器人有限公司 | 物料运输系统及其控制方法 |
CN110654807B (zh) * | 2019-09-29 | 2021-10-22 | 广东博智林机器人有限公司 | 物料运输系统及其控制方法 |
CN112824836A (zh) * | 2019-11-21 | 2021-05-21 | 北京图森智途科技有限公司 | 移动工具碰撞检测方法及相关设备 |
CN113060141B (zh) * | 2019-12-26 | 2024-06-11 | 汉拿科锐动电子股份公司 | 高级驾驶员辅助系统、具有其的车辆及控制车辆的方法 |
CN111258312B (zh) * | 2020-01-20 | 2024-04-02 | 深圳市商汤科技有限公司 | 可移动模型及其控制方法、装置、系统、设备和存储介质 |
CN111258312A (zh) * | 2020-01-20 | 2020-06-09 | 深圳市商汤科技有限公司 | 可移动模型及其控制方法、装置、系统、设备和存储介质 |
CN111462493A (zh) * | 2020-04-10 | 2020-07-28 | 北京工业大学 | 一种基于车联网的超车态势感知预警系统 |
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 |
EP4145339A4 (en) * | 2020-05-11 | 2023-05-24 | Huawei Technologies Co., Ltd. | VEHICLE DRIVING ZONE DETECTION METHOD AND SYSTEM, AND SELF-DRIVING VEHICLE IMPLEMENTING THE SYSTEM |
CN111746559B (zh) * | 2020-07-02 | 2023-04-07 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测系统 |
CN111746559A (zh) * | 2020-07-02 | 2020-10-09 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测系统 |
CN111797780B (zh) * | 2020-07-08 | 2022-12-02 | 中国第一汽车股份有限公司 | 一种跟车轨迹规划方法、装置、服务器及存储介质 |
CN111797780A (zh) * | 2020-07-08 | 2020-10-20 | 中国第一汽车股份有限公司 | 一种跟车轨迹规划方法、装置、服务器及存储介质 |
CN111967384A (zh) * | 2020-08-17 | 2020-11-20 | 上海眼控科技股份有限公司 | 车辆信息处理方法、装置、设备及计算机可读存储介质 |
CN112150805B (zh) * | 2020-09-01 | 2022-02-25 | 福瑞泰克智能系统有限公司 | 一种可行驶区域的确定方法、装置、设备及存储介质 |
CN112150805A (zh) * | 2020-09-01 | 2020-12-29 | 福瑞泰克智能系统有限公司 | 一种可行驶区域的确定方法、装置、设备及存储介质 |
CN112406905A (zh) * | 2020-09-10 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 基于交通工具的数据处理方法、装置、计算机及存储介质 |
CN112406905B (zh) * | 2020-09-10 | 2022-01-28 | 腾讯科技(深圳)有限公司 | 基于交通工具的数据处理方法、装置、计算机及存储介质 |
CN112130563A (zh) * | 2020-09-10 | 2020-12-25 | 东风汽车集团有限公司 | 一种多目标筛选辅助驾驶控制方法 |
CN112230657A (zh) * | 2020-10-15 | 2021-01-15 | 广州大学 | 面向智能车辆的区域协同驾驶意图调度方法、系统和介质 |
CN112230657B (zh) * | 2020-10-15 | 2024-03-29 | 广州大学 | 面向智能车辆的区域协同驾驶意图调度方法、系统和介质 |
WO2022100107A1 (en) * | 2020-11-13 | 2022-05-19 | Huawei Technologies Co.,Ltd. | Methods and systems for predicting dynamic object behavior |
CN112733270A (zh) * | 2021-01-08 | 2021-04-30 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
CN112733270B (zh) * | 2021-01-08 | 2022-06-24 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
CN113094457A (zh) * | 2021-04-15 | 2021-07-09 | 成都纵横自动化技术股份有限公司 | 一种数字正射影像地图的增量式生成方法及相关组件 |
CN113094457B (zh) * | 2021-04-15 | 2023-11-03 | 成都纵横自动化技术股份有限公司 | 一种数字正射影像地图的增量式生成方法及相关组件 |
CN113771883A (zh) * | 2021-10-21 | 2021-12-10 | 中国第一汽车股份有限公司 | 一种可行驶区域确定方法、装置、设备及存储介质 |
CN115171389B (zh) * | 2022-07-22 | 2023-10-31 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
CN115171389A (zh) * | 2022-07-22 | 2022-10-11 | 吉林大学 | 基于gmm-hmm的高速公路他车超车换道意图识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110136254B (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136254A (zh) | 基于动态概率驾驶地图的驾驶辅助信息显示方法 | |
USRE49649E1 (en) | System and method for automatically detecting key behaviors by vehicles | |
US11878683B1 (en) | Automated system and method for modeling the behavior of vehicles and other agents | |
KR102382577B1 (ko) | 자율 차량들을 위한 보행자 행동 예측들 | |
CN110362077B (zh) | 无人驾驶车辆紧急避险决策系统、方法及介质 | |
US11548512B2 (en) | Yield behavior modeling and prediction | |
JP5407764B2 (ja) | 運転支援装置 | |
CN110389583A (zh) | 生成自动驾驶车辆的轨迹的方法 | |
CN110304074A (zh) | 一种基于分层状态机的混合式驾驶方法 | |
US20130197736A1 (en) | Vehicle control based on perception uncertainty | |
CN107735302A (zh) | 车辆控制装置、车辆控制方法及车辆控制程序 | |
CN109664888A (zh) | 高速功能自动切换系统、高级驾驶辅助系统及高速功能自动切换方法 | |
US11433922B1 (en) | Object uncertainty detection | |
CN107664504A (zh) | 一种路径规划装置 | |
US20230215191A1 (en) | Lane line detection method, related device, and computer-readable storage medium | |
JP2021130457A (ja) | 車両制御装置 | |
CN115230719A (zh) | 一种行驶轨迹规划方法和装置 | |
ITTO20100454A1 (it) | Procedimento per assistere un conducente a coprire un percorso, e relativo sistema di assistenza nella curva, motocicletta e prodotto informatico | |
JP7369078B2 (ja) | 車両制御装置、車両制御方法、及びプログラム | |
CN110426215B (zh) | 一种用于车辆平顺性测试的模型建立方法及智能驾驶系统 | |
US20220297726A1 (en) | Computerized detection of unsafe driving scenarios | |
CN116044990B (zh) | 车辆档位切换方法、装置、电子设备、介质及程序产品 | |
US20230415766A1 (en) | Lane segment clustering using hybrid distance metrics | |
CN115214668A (zh) | 行驶车道计划装置、存储介质和行驶车道计划方法 | |
Pek et al. | Autonomous Vehicles: A Technical Introduction |
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 |