CN110155031A - 使用神经网络的用于车辆横向控制的轨迹跟踪 - Google Patents
使用神经网络的用于车辆横向控制的轨迹跟踪 Download PDFInfo
- Publication number
- CN110155031A CN110155031A CN201910109746.9A CN201910109746A CN110155031A CN 110155031 A CN110155031 A CN 110155031A CN 201910109746 A CN201910109746 A CN 201910109746A CN 110155031 A CN110155031 A CN 110155031A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- waypoint
- ann
- expectation
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
- B62D6/002—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits computing target steering angles for front or rear wheels
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
-
- 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
- B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- B60W2710/20—Steering systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
提供一种车辆中的处理器实施方法,该处理器实施方法用于使用神经网络来执行自动车辆横向控制以便进行轨迹跟踪。该方法包括:接收期望的车辆轨迹;从期望的轨迹中构建针对车辆重心前方的不同前瞻距离处的少量期望路点的期望路点数据;以及使用前馈人工神经网络(ANN)根据车辆速度和期望路点数据来生成转向角度命令,而无需对车辆或轮胎动力学建模。车辆转向致动器系统提供转向控制以致使车辆转向,从而试图实现转向角度命令。
Description
技术领域
本公开总体涉及车辆控制系统,并且更具体地涉及使用神经网络的车辆横向控制。
背景技术
车辆运动控制系统可以使用由车辆传感器测量或评估的车辆状态信息和最佳可用车辆模型来计算控制命令,更具体地说,计算用于自动横向控制系统的转向角度或转矩命令,以用于诸如车道定心、车道变换或停车辅助的操纵。用于自动驾驶的车辆横向控制系统可使用车辆动力学模型、车辆传感器、转向致动器等等提供转向控制。然而,由于复杂的车辆和轮胎动力学建模,而难以在自主或半自主驾驶车辆中实现精确的轨迹跟踪以及控制平稳性。此外,由于诸如零速度下的奇异性或不同速度下的非线性轮胎动力学等因素,针对横向控制设计在多个速度下难以获得高保真车辆模型。
因此,期望提供用于实施自动车辆横向控制的系统和方法。此外,从结合本发明的附图和背景技术的本发明后续具体实施方式和所附权利要求中,本发明的其他期望特征和特点会变得显而易见。
发明内容
提供一种车辆中的处理器实施方法,该方法用于使用神经网络来执行自动车辆横向控制以便进行轨迹跟踪。该方法包括:接收期望的车辆轨迹;从期望的轨迹中构建针对车辆重心前方的不同前瞻距离处的少量期望路点的期望路点数据;以及使用前馈人工神经网络(ANN)根据车辆速度和期望路点数据来生成转向角度命令,而无需对车辆或轮胎动力学建模。车辆转向致动器系统提供转向控制以致使车辆转向,从而试图实现转向角度命令。
在一个实施例中,已使用在车辆或类似类型的车辆在车辆的预期行驶路径中行驶的同时收集的训练数据来训练ANN。
在一个实施例中,训练数据包括车辆位置数据、车辆航向数据、车辆速度数据以及驾驶员转向角度数据。
在一个实施例中,已使用在车辆或类似类型的车辆沿着直线道路、交叉路口、曲线道路、环形交叉路以及做出U形转弯时手动地驾驶的同时收集的训练数据来训练ANN。
在一个实施例中,已使用反向传播来训练ANN。
在一个实施例中,ANN包括具有单个隐藏层的前馈神经网络。
在一个实施例中,ANN仅仅包括单个输出节点。
在一个实施例中,所构建的期望路点数据包括相对于每个路点的车辆中心坐标系的相对横向位置和航向。
在一个实施例中,所构建的期望路点数据包括从期望的轨迹计算在车辆重心前方的不同前瞻距离处的少量路点,其中,该期望的轨迹包括大量路点或期望的多项式方程。
在一个实施例中,少量期望路点具有小于十的数值。
在一个实施例中,ANN可在包括零速度的较宽范围车辆速度的情形下用于车辆横向控制。
在一个实施例中,该方法进一步包括训练ANN,其中,训练ANN包括:检索所收集的训练数据,其中,训练数据包括GPS坐标系中的车辆位置数据、车辆航向数据、车辆速度数据以及驾驶员转向角度数据;将所收集的GPS位置数据转换成车辆中心坐标系;确定GPS位置的数量并且标记该数据;以及基于误差指标来计算并校正神经网络模型,以确定神经网络中所有节点的最终重量。
公开自主或半自主驾驶车辆中的转向命令生成模块。转向命令生成模块包括一个或多个处理器,该一个或多个处理器通过在非瞬态计算机可读介质上编码的编程指令来构造。转向命令生成模块构造成:接收期望的车辆轨迹;从期望的轨迹中构建针对车辆重心前方的不同前瞻距离处的少量期望路点的期望路点数据;以及使用前馈人工神经网络(ANN)根据车辆速度和期望路点数据来生成转向角度命令,而无需对车辆或轮胎动力学建模。
在一个实施例中,已使用在车辆或类似类型的车辆在车辆的预期行驶路径中行驶的同时收集的训练数据来训练ANN。
在一个实施例中,已使用在车辆或类似类型的车辆沿着直线道路、交叉路口、曲线道路、环形交叉路以及做出U形转弯时手动地驾驶的同时收集的训练数据来训练ANN。
在一个实施例中,ANN包括具有单个隐藏层的前馈神经网络。
在一个实施例中,ANN仅仅包括单个输出节点。
在一个实施例中,所构建的期望路点数据包括相对于每个路点的车辆中心坐标系的相对横向位置和航向。
在一个实施例中,所构建的期望路点数据通过从期望的轨迹计算在车辆重心前方的不同前瞻距离处的少量路点来构建,其中,该期望的轨迹包括大量路点或期望的多项式方程。
公开一种包含用于执行车辆中方法的编程指令的非瞬态计算机可读存储介质。该方法包括:接收期望的车辆轨迹;从期望的轨迹中构建针对车辆重心前方的不同前瞻距离处的少量期望路点的期望路点数据;以及使用前馈人工神经网络(ANN)根据车辆速度和期望路点数据来生成转向角度命令,而无需对车辆或轮胎动力学建模。
附图说明
当结合附图阅读时,从以下具体实施方式中更佳地理解本公开的各方面,其中,类似的附图标记指代类似的元件,且附图中:
图1是示出根据一些实施例的示例车辆的框图;
图2是示出根据一些实施例的示例自主或半自主驾驶系统的框图;
图3是示出根据一些实施例的示例车辆中的示例转向命令生成模块的框图;
图4A是示出根据一些实施例的用于训练人工神经网络的示例过程的过程流程图,该人工神经网络用在生成转向命令中以在车辆中进行横向控制时控制转向致动器;
图4B是示出根据一些实施例的用于生成转向命令以在车辆中进行横向控制时控制转向致动器的示例过程的过程流程图;以及
图5是示出根据一些实施例的用于使用神经网络来执行自动车辆横向控制以便进行轨迹跟踪的示例过程的过程流程图。
具体实施方式
以下具体实施方式在本质上仅是示例性的,并不旨在限制应用和使用。此外,并不旨在受任何上述技术领域、背景技术、发明内容或下文具体实施方式呈现的任何明确或暗示的理论所限制。如这里所使用的是,术语“模块”个别地或以任何组合指代任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置,包括但不限于:专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、处理器(共享、专用或集群)以及执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所描述功能性的其他合适部件。
本公开的实施例在本文中可依照功能和/或逻辑方框部件和多种处理步骤予以描述。应当认识到,这些方框部件可由构造成执行特定功能的任意数量的硬件、软件和/或固件部件来实现。例如,本公开的一个实施例可采用诸如存储器元件、数字信号处理元件、逻辑元件、查询表等等的各种集成电路部件,这些集成电路部件可在一个或多个微处理器或其他控制装置的控制下执行多种功能。此外,本领域技术人员会意识到的是,本公开的实施例可结合任何数量的系统来实践,且这里描述的系统仅仅是本公开的示例性实施例。
出于简化起见,此处可能并不详细描述与系统的信号处理、数据传输、信令、控制、机器学习模型、雷达、激光雷达、图像分析以及其他功能性方面(以及这些系统的各个操作部件)相关联的传统技术。此外,此处包含的各个附图中所示的连接线旨在表示各种元件之间的示例功能关系和/或物理联接。应当注意到的是,在本公开的实施例中可存在很多替代或附加功能关系或物理连接。
图1示出示例车辆100。车辆100通常包括底盘12、车体14、前车轮16以及后车轮18。车体14设置在底盘12上,并且基本上封围车辆100的部件。车体14和底盘12可共同地形成车架。车轮16-18各自在车体14的相应角部附近旋转地联接于底盘12。
在各种实施例中,车辆100是能够自主地或半自主地驾驶的车辆。车辆100例如是自动地受控以将乘客从一个位置运送至另一个位置的车辆。车辆100在所说明的实施例中示作乘用汽车,但也可使用其他车辆类型,包括摩托车、卡车、运动型多功能车辆(SUV)、娱乐车辆(RV)、海洋船只、飞行器等等。
如图所示,自主车辆100通常包括推进系统20、变速器系统22、转向系统24、制动器系统26、传感器系统28、致动器系统30、至少一个数据存储装置32、至少一个控制器34以及通信系统36。推进系统20在各种实施例中可包括内燃机、诸如牵引电机的电动机器和/或燃料电池推进系统。
转向系统24影响车辆车轮16和/或18的位置。虽然出于说明的目的示作包括方向盘25,但在本公开范围内所设想的一些实施例中,转向系统24可并不包括方向盘。转向系统24构造成接收来自控制器34的诸如转向角度或转矩命令的控制命令,以致使车辆100能到达期望的轨迹路点。转向系统24可例如是电动转向(EPS)系统或主动前转向(AFS)系统。
传感器系统28包括一个或多个感测装置40a-40n,这些感测装置感测车辆100的外部环境和/或内部环境的可观测状况(例如一个或多个乘客的状态)并且生成与此相关联的传感器数据。感测装置40a-40n可包括但不限于雷达(例如,远程、中程-短程)、激光雷达、全球定位系统(GPS)、光学照相机(例如,前向、360度、后向、侧向、立体式等等)、热(例如,红外)照相机、超声波传感器、测距传感器(例如,编码器)和/或可结合本文主题的系统和方法使用的其他传感器。
传感器系统28的感测装置40a-40中的GPS传感器可用于将车辆位置记录在GPS坐标系中。具体地说,如下文所述,可使用来自GPS传感器的GPS数据来记录训练数据集,该训练数据集为了训练车辆中的人工神经网络而收集,该人工神经网络由车辆控制用于计算目标转向角度。训练数据集可包括GPS坐标系中的车辆位置数据。
致动器系统30包括一个或多个致动器装置42a-42n,这些致动器装置控制一个或多个车辆特征件,例如但不限于推进系统20、变速器系统22、转向系统24以及制动器系统26。
数据存储装置32存储用于自动地控制车辆100的数据。在各种实施例中,数据存储装置32存储可导航环境的限定图。在各种实施例中,限定图可由远程系统预先限定并且从该远程系统中获得。例如,限定图可由远程系统组装并且通信至车辆100(无线地和/或以有线的方式)并存储在数据存储装置32中。路线信息也可以存储在数据存储装置32中,即,一组路段(在地理上与一个或多个限定图相关联),这些路段一起限定用户从起始位置(例如,用户的当前位置)行驶至目标位置可采取的路线。例如会意识到的是,数据存储装置32可以是控制器34的一部分、与控制器34分开、或者是控制器34的一部分以及是单独系统的一部分。
控制器34包括至少一个处理器44以及计算机可读存储装置或介质46。处理器44可以是任何客户定制或市场上可购得的处理器、中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)(例如,实施神经网络的定制ASIC)、现场可编程门阵列(FPGA)、与控制器34相关联的若干处理器中的辅助处理器、基于半导体的微处理器(呈微芯片或芯片组的形式)、其任何组合或者通常是用于执行指令的任何装置。计算机可读存储装置或介质46可例如包括只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储器。KAM是持久或非易失性存储器,其可用于在处理器44断电的同时存储各种操作变量。计算机可读存储装置或介质46可使用诸如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪速存储器或能够存储数据的任何其他电、磁性、光学或组合存储器装置的多个已知存储器装置的任何一个来实施,上述数据中的一些表示由控制器34用来控制车辆100的可执行指令。在各种实施例中,控制器34构造成实施下文详细描述的映射系统。
这些指令可包括一个或多个分开的程序,每个程序均包括用于实施逻辑功能的可执行指令的有序列表。这些指令在由处理器44执行时、接收并处理来自传感器系统28的信号(例如,传感器数据),执行逻辑、计算、方法和/或算法来用于自动地控制车辆100的部件,并且基于逻辑、计算、方法和/或算法生成控制信号,这些控制信号发送至致动器系统30,以自动地控制车辆100的各部件。虽然在图1中仅仅示出一个控制器34,但车辆100的实施例可包括任何数量的控制器34,这些控制器经由任何合适的通信介质或通信介质的组合来通信,并且协配以处理传感器信号、执行逻辑、计算、方法和/或算法,且生成控制信号来自动地控制车辆100的特征件。
根据各种实施例,控制器34实施例如图2中示出的自主或半自主驾驶系统70。也就是说,控制器34的合适的软件和/或硬件部件(例如,处理器44和计算机可读存储装置46)用于提供自主或半自主驾驶系统70。
在各种实施例中,自主或半自主驾驶系统70的指令可由功能或系统组织。例如,如图2中所示,自主或半自主驾驶系统70可包括感知系统74、定位系统76、路径规划系统78以及车辆控制系统80。例如可意识到的是,在各种实施例中,这些指令可组织到任何数量的系统中(例如,组合、进一步划分等等),因为本公开并不局限于本文示例。
在各种实施例中,感知系统74合成并处理所获取的传感器数据,并且预测车辆100的环境的物体和特征件的存在、位置、分类和/或路径。在各种实施例中,感知系统74可包含来自多个传感器(例如,传感器系统28)的信息,包括但不限于照相机、激光雷达、雷达和/或任何数量的其他类型传感器。
定位系统76处理传感器数据连同其他数据一起,以确定车辆100相对于环境的位置(例如,相对于地图的本地位置、相对于道路的车道的精确位置、车辆航向等等)。例如能意识到的是,能采用各种技术来实现此种定位,例如包括同时定位和映射(SLAM)、粒子滤波器、卡尔曼滤波器、贝叶斯滤波器等。
路径规划系统78处理传感器数据连同其他数据一起,以确定车辆100所要遵循的路径。车辆控制系统80生成控制信号,用于根据所确定的路径来控制车辆100。
在各种实施例中,控制器34实施机器学习技术,以辅助控制器34的功能性。
图3是示出在示例车辆300中的横向控制系统中的示例转向命令生成模块302的框图。车辆300可以是自主驾驶车辆或半自主驾驶车辆。示例转向命令生成模块302包括一个或多个处理器,该一个或多个处理器通过在非瞬态计算机可读介质上编码的编程指令来构造。示例转向命令生成模块302构造成在给定沿着所规划行驶路径307的不同路点305的情形下计算用于车辆300的转向角度,并且还构造成在那些路点处生成转向命令311。示例转向命令生成模块302可用在车辆控制系统80内,以用于提供车辆横向控制。
示例转向命令生成模块302包括输入节点数据生成模块304和目标转向角度生成器模块306。在该示例中,示例输入节点数据生成模块304和目标转向角度生成器模块306经由通过编程指令构造的一个或多个处理器来实施。
示例输入节点数据生成模块304构造成接收诸如车辆速度的车辆状态数据301以及用于车辆300的预期行驶路径307中的多个路点305的期望路点数据303来作为输入。路点数据可包括相对于每个路点305的车辆中心坐标系的横向位置和航向。
示例输入节点数据生成模块304进一步构造成构建在车辆中心前方具有不同前瞻距离的少量路点。车辆300在任何时间戳处所生成的期望的轨迹可包括大量路点或者期望的多项式方程。构件少量路点包括从所接收的期望的轨迹中计算具有不同前瞻距离的期望路点,例如沿着期望的轨迹在车辆重心前方3米、4米、5米、6米、7米以及8米。每个期望路点包括相对于车辆中心坐标系的相对横向位置。在该示例中,示出五个路点305,但更少或更多的路点也可用于示例转向命令生成模块302。在一些示例中,可使用少于10个路点。每个期望路点的相对横向位置和相对航向角度进一步归一化为[-1,1],来作为向ANN310模块的输入。此外,使用最大-最小归一化方法将来自车辆状态数据301的车辆速度信息进一步归一化为[0,1]范围,以作为向ANN310模块的输入。
示例转向角度生成器模块306构造成使用车辆状态数据和期望路点数据来计算目标转向角度,并且生成转向命令311,这些转向命令构造成引导车辆300的转向致动器,以致使车辆中的转向系统试图实现所计算的目标转向角度。示例转向角度生成器模块306包括具有单个隐藏层的前馈人工神经网络(ANN)310。
示例ANN310构造成计算目标转向角度并且生成转向命令,而无需对车辆或轮胎动力学进行建模。示例ANN310在隐藏层314中包括少于50个节点312。示例ANN310仅仅包括单个隐藏层314。在一个示例中,ANN310在单个隐藏层314中包括19个隐藏层节点312。
示例ANN310仅仅包括单个输出节点316。示例ANN310的输入节点318包括一个节点,各自用于接收车辆速度以及相对于每个路点处的车辆中心坐标系的相对横向位置和航向。在所说明的示例中,ANN310包括7个输入节点318和一个输入偏置节点320。七个输入节点的五个分别构建这样的期望路点,这些路径沿着期望的轨迹在车辆前方具有3米、5米、7米、9米、11米的前瞻距离。该距离是期望路点和车辆重心之间的欧氏距离。5个路点的每个的相对横向位置在归一化范围[-1,1]下用作向隐藏层314的输入。具有3米前瞻距离的路点的相对航向角度在归一化范围[-1,1]下用作向隐藏层314的另一输入。具有归一化范围[0,1]的车辆速度数值是向隐藏层314的另一输入。在所说明的示例中,ANN310包括1个输出节点316和联接于输出节点316的偏置节点302以及隐藏层314中的节点312。使用均方误差性能函数来训练示例ANN310。反向传播方法进一步应用于训练ANN模型。可选择激活功能的许多选择。在所说明的示例中,非线性sigmod激活函数用于隐藏层节点,而线性激活函数用于输出层节点。
ANN310在由示例转向命令生成器模块302使用之前训练,以计算目标转向角度并且生成转向命令。使用反向传播来训练示例ANN。在一个示例中,能使用在车辆300或相同类型的其他车辆手动驾驶的同时所收集的驾驶数据来训练ANN310。用于训练ANN310的驾驶数据可包括沿着由车辆300在做出U形转弯时穿行的直线道路、曲线道路和环形交叉路的车辆位置数据(例如,使用GPS坐标)、车辆速度、车辆航向以及驾驶员转向角度数值。用于训练ANN310的驾驶数据可附加地或替代地包括沿着由车辆300之后穿行的行驶路径的车辆位置数据(例如,使用GPS坐标)、车辆速度、车辆航向以及驾驶员转向角度数值。在一些实施例中,还可使用车辆300在其上驾驶的行驶路径的车辆加速度数值和道路曲率数值。
在另一示例中,可使用在车辆300或相同类型的其他车辆沿着预期行驶路径的计算机模拟驾驶期间收集的模拟数据来训练ANN310。用于训练ANN310的模拟数据可包括针对沿着预期行驶路径的多个点的车辆位置数据(例如,使用GPS坐标)、车辆速度、车辆航向以及驾驶员转向角度数值。
图4A是示出用于训练人工神经网络(ANN)的示例过程400的过程流程图,该人工神经网络用在生成转向命令中以在车辆中进行横向控制时控制转向致动器。图4B是示出用于使用经训练ANN生成转向命令以在车辆中进行横向控制时控制转向致动器的示例过程401的过程流程图。
示例过程400包括在使用之前训练ANN模型。训练ANN模型包括收集用于ANN模型的训练数据(操作402)。在一个示例中,收集训练数据包括在ANN所位于的车辆(或者相同类型的其他车辆)手动地驾驶的同时收集训练数据。用于训练ANN模型的训练数据可包括针对沿着由车辆在做出U形转弯时穿行的直线道路、曲线道路和环形交叉路的多个点的车辆位置数据(例如,使用GPS坐标)、车辆速度、车辆航向以及驾驶员转向角度数值。在一个示例中,在车辆于道路上驾驶的同时在训练数据中收集的车辆速度从每秒零米(例如,当车辆停止在停止标志前面时)改变为高速度,例如在车辆于高速公路上驾驶的同时的每秒25米。用于训练ANN模型的训练数据可附加地或替代地包括针对沿着由车辆之后穿行的行驶路径的多个点的车辆位置数据(例如,使用GPS坐标)、车辆速度、车辆航向以及驾驶员转向角度数值。在另一示例中,用于训练ANN模型的训练数据可包括在车辆(或相同类型的其他车辆)沿着预期行驶路径的计算机模拟驾驶期间收集的模拟数据。用于训练ANN模型的模拟数据可包括针对沿着预计未来行驶路径的多个点的车辆位置数据(例如,使用GPS坐标)、车辆速度、车辆航向以及驾驶员转向角度数值或者针对沿着直线道路、曲线道路和环形交叉路的多个点的模拟数据。将训练数据针对输入和目标两者加以标记(操作404),并且随后用于训练ANN模型(操作406)。使用均方误差性能函数来训练ANN模型。反向传播方法可进一步应用于训练ANN模型。在已训练ANN模型之后,该模型会保存(操作407)并且进一步应用于模块410,以实时地计算转向角度控制命令。
在所收集训练数据中的车辆位置数据包括全球地理坐标系中的纬度和经度。在任何时间戳处,在车辆重心前方的不同距离下的多个GPS位置和车辆航向数值转换成当前的车辆中心坐标系,以生成相对横向位置和相对航向数据。将该数据连同相同时间戳处的当前速度数值一起指定为用于随后训练ANN的输入。将相同时间戳处的驾驶员方向盘角度数值指定为用于随后训练ANN的目标。
示例过程401包括使用经训练ANN来计算目标转向角度并且生成转向命令。生成期望的轨迹(操作408)。构建用于输入至经训练ANN的多个路点(操作409)。从在操作408中生成的期望的轨迹中在车辆重心前方不同前瞻距离处构建多个路点。使用所选择的多个路点可少于10个路点。在一个示例中,选择5个路点来用于使用。路点数据包括相对于每个路点的车辆中心坐标系的相对横向位置数据和相对航向角度数据。
提供针对多个所选择路点的路点数据来作为向经训练ANN的输入。ANN使用针对多个所选择路点的路点数据来执行(操作410)。计算转向角度,并且生成转向控制命令以使用所计算的转向角度来实现车辆横向控制,并从经训练ANN输出该转向控制命令(操作412)。可将所生成的转向命令提供给车辆中的转向致动器系统(操作414)。
图5是示出用于使用神经网络来执行自动车辆横向控制以便进行轨迹跟踪的示例过程500的过程流程图。示例过程包括接收期望的轨迹(操作502)。
示例过程进一步包括从期望的轨迹中构建车辆重心前方的不同前瞻距离处的少量期望路点。(操作504)。构建不同前瞻距离处的少量路点能以上文参照图3和4B描述的方式执行。
示例过程还包括使用前馈人工神经网络(ANN)根据所构建的期望路点数据和车辆速度来生成转向角度命令,而无需对车辆或轮胎动力学建模(操作506)。使用前馈ANN生成转向角度命令能以上文参照图3和4B描述的方式执行。
示例过程可用作自主或半自主车辆控制管路中的车辆控制操作的一部分。
所描述的系统、方法、设备以及技术可允许自主或半自主驾驶车辆中的车辆控制能平稳地控制车辆。所描述的系统、方法、设备和技术可用于更宽范围的车辆速度,包括低至零的低速,因为不需要考虑车辆在不同速度下的复杂运动学或动力学。所描述的系统、方法、设备和技术可以通过使用来自路径规划的轨迹路点而不是诸如照相机图像的原始传感器输出来与通用的自主或半自主车辆控制设计兼容。与其他基于最佳控制的方案相比,所描述的系统、方法、设备和技术可能需要更少的计算能力。
前文概述了若干实施例的特征,使得本领域技术人员可以更好地理解本公开的各方面。本领域技术人员应当理解,他们可以容易地使用本公开作为设计或修改其他过程和结构的基础,以执行相同的目的和/或实现本文介绍的实施例的相同优点。本领域技术人员还应该认识到,这样的等同构造不脱离本公开的精神和范围,并且在不脱离本公开的精神和范围的情况下,他们可以在本文中做出各种改变、替换和变更。
Claims (10)
1.一种车辆中的处理器实施方法,所述处理器实施方法用于使用神经网络来执行自动车辆横向控制以便进行轨迹跟踪,所述方法包括:
接收期望的轨迹;
从所述期望的轨迹中构建针对所述车辆的重心前方的不同前瞻距离处的少量期望路点的期望路点数据;以及
使用前馈人工神经网络(ANN)根据车辆速度和所述期望路点数据来生成转向角度命令,而无需对车辆或轮胎动力学建模。
2.根据权利要求1所述的方法,其中,已使用在所述车辆或类似类型的车辆在所述车辆的预期行驶路径中行驶的同时收集的训练数据来训练所述ANN。
3.根据权利要求1所述的方法,其中,已使用在所述车辆或类似类型的车辆沿着直线道路、交叉路口、曲线道路、环形交叉路以及做出U形转弯时手动地驾驶的同时收集的训练数据来训练所述ANN。
4.根据权利要求2或3所述的方法,其中,所述训练数据包括车辆位置数据、车辆航向数据、车辆速度数据以及驾驶员转向角度数据。
5.根据权利要求1所述的方法,其中,所述ANN包括前馈神经网络,所述前馈神经网络具有单个隐藏层并且仅仅具有单个输出节点。
6.根据权利要求1所述的方法,其中,所构建的期望路点数据包括相对于每个路点的车辆中心坐标系的相对横向位置和航向。
7.根据权利要求1所述的方法,其中,构建期望路点数据包括从所述期望的轨迹计算在所述车辆的重心前方的不同前瞻距离处的少量路点,其中,所述期望的轨迹包括大量路点或期望的多项式方程,并且其中,所述少量期望路点具有小于十的数值。
8.根据权利要求1所述的方法,其中,所述ANN能在包括零速度的较宽范围车辆速度的情形下用于车辆横向控制。
9.根据权利要求1所述的方法,进一步包括训练所述ANN,其中,训练所述ANN包括:
收集训练数据,所述训练数据包括GPS坐标系中的车辆位置数据、车辆航向数据、车辆速度数据以及驾驶员转向角度数据;
将所收集的GPS位置数据转换成车辆中心坐标系;
确定GPS位置的数量并且标记所述数据;以及
基于误差指标来计算并校正所述神经网络模型,以确定所述ANN中每个节点的最终重量。
10.一种自主或半自主驾驶车辆中的转向命令生成模块,所述转向命令生成模块包括一个或多个处理器,所述一个或多个处理器由非瞬态计算机可读介质上编码的编程指令来构造,所述转向命令生成模块构造成:
接收期望的轨迹;
从所述期望的轨迹中构建针对所述车辆的重心前方的不同前瞻距离处的少量期望路点的期望路点数据;以及
使用前馈人工神经网络(ANN)根据车辆速度和所述期望路点数据来生成转向角度命令,而无需对车辆或轮胎动力学建模。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/896,352 US10737717B2 (en) | 2018-02-14 | 2018-02-14 | Trajectory tracking for vehicle lateral control using neural network |
US15/896352 | 2018-02-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110155031A true CN110155031A (zh) | 2019-08-23 |
CN110155031B CN110155031B (zh) | 2022-03-08 |
Family
ID=67399723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910109746.9A Active CN110155031B (zh) | 2018-02-14 | 2019-02-11 | 使用神经网络的用于车辆横向控制的轨迹跟踪 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10737717B2 (zh) |
CN (1) | CN110155031B (zh) |
DE (1) | DE102019103352A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751099A (zh) * | 2019-10-22 | 2020-02-04 | 东南大学 | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 |
CN110834667A (zh) * | 2019-11-05 | 2020-02-25 | 华人运通(江苏)技术有限公司 | 车辆转向控制方法、装置、车辆、终端设备及存储介质 |
CN111216738A (zh) * | 2020-02-19 | 2020-06-02 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置、电子设备及车辆 |
CN112519882A (zh) * | 2019-09-17 | 2021-03-19 | 广州汽车集团股份有限公司 | 一种车辆参考轨迹跟踪方法及系统 |
CN112550449A (zh) * | 2019-09-10 | 2021-03-26 | 通用汽车环球科技运作有限责任公司 | 车辆无线充电引导的横向控制 |
CN112633543A (zh) * | 2019-10-08 | 2021-04-09 | 北京京东乾石科技有限公司 | 无人配送车在非结构化场景中的泊车路径规划方法及装置 |
CN113342005A (zh) * | 2021-08-04 | 2021-09-03 | 北京三快在线科技有限公司 | 一种无人驾驶设备的横向控制方法及装置 |
CN114291107A (zh) * | 2020-10-08 | 2022-04-08 | 现代摩比斯株式会社 | 用于控制车辆的驾驶的装置和方法 |
CN114368368A (zh) * | 2020-10-16 | 2022-04-19 | 通用汽车环球科技运作有限责任公司 | 车辆控制系统和方法 |
CN114454957A (zh) * | 2020-11-09 | 2022-05-10 | 通用汽车环球科技运作有限责任公司 | 用于横向控制的融合驾驶员和自动转向命令的系统和方法 |
CN114489166A (zh) * | 2020-10-27 | 2022-05-13 | 通用汽车环球科技运作有限责任公司 | 利用伪ann的根进行扭矩控制的方法、系统和装置 |
CN115009266A (zh) * | 2022-08-08 | 2022-09-06 | 国汽智控(北京)科技有限公司 | 车辆控制方法、装置及存储介质 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11079497B2 (en) * | 2017-09-25 | 2021-08-03 | Continental Automotive Systems, Inc. | Vehicle localization based on neural network |
US11237554B2 (en) * | 2018-03-08 | 2022-02-01 | Steering Solutions Ip Holding Corporation | Driver readiness assessment system and method for vehicle |
CN110298219A (zh) * | 2018-03-23 | 2019-10-01 | 广州汽车集团股份有限公司 | 无人驾驶车道保持方法、装置、计算机设备和存储介质 |
EP3567395A1 (en) * | 2018-05-08 | 2019-11-13 | Rohde & Schwarz GmbH & Co. KG | Method for direction finding of at least one stationary and/or moving transmitter as well as system for direction finding |
CN110069064B (zh) * | 2019-03-19 | 2021-01-29 | 驭势科技(北京)有限公司 | 一种自动驾驶系统升级的方法、自动驾驶系统及车载设备 |
US11531100B2 (en) * | 2019-06-13 | 2022-12-20 | The Boeing Company | Methods and systems for acoustic machine perception for an aircraft |
DE102019212243A1 (de) * | 2019-08-15 | 2021-02-18 | Zf Friedrichshafen Ag | Steuervorrichtung, Steuerverfahren und Steuersystem zur Steuerung der Kurvenfahrt eines Kraftfahrzeugs |
RU2751734C2 (ru) * | 2019-12-30 | 2021-07-16 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способы и процессоры для управления рулением беспилотным автомобилем |
DE102021105001A1 (de) | 2020-03-03 | 2021-09-09 | Motional Ad Llc | Steuerungsarchitekturen für autonome fahrzeuge |
US11588735B2 (en) * | 2020-07-29 | 2023-02-21 | Micron Technology, Inc. | Edge processing of sensor data using a neural network to reduce data traffic on a communication network |
US11915122B2 (en) | 2020-07-29 | 2024-02-27 | Micron Technology, Inc. | Gateway for distributing an artificial neural network among multiple processing nodes |
KR20220029802A (ko) * | 2020-08-27 | 2022-03-10 | 현대자동차주식회사 | 차량의 액추에이터 고장 검출 장치 및 그 방법 |
CN112550294B (zh) * | 2020-11-16 | 2021-12-24 | 东南大学 | 基于车辆故障信号隔离的路径跟踪控制方法 |
GB2602477A (en) * | 2020-12-31 | 2022-07-06 | Zf Automotive Uk Ltd | Automotive vehicle control circuit |
CN113406619A (zh) * | 2021-05-25 | 2021-09-17 | 中国航空无线电电子研究所 | 一种基于平滑函数的二次雷达应答机功率控制方法 |
CN113252060B (zh) * | 2021-05-31 | 2021-09-21 | 智道网联科技(北京)有限公司 | 基于神经网络模型的车辆轨迹推算方法及装置 |
CN113276836A (zh) * | 2021-05-31 | 2021-08-20 | 爱驰汽车有限公司 | 车辆横向控制方法、装置、计算机设备和存储介质 |
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 |
CN115534925B (zh) * | 2022-12-01 | 2023-06-16 | 广汽埃安新能源汽车股份有限公司 | 车辆控制方法、装置、设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356089A (zh) * | 2006-05-19 | 2009-01-28 | 通用电气公司 | 鉴于有轨车厢参数优化火车运行的系统、方法和计算机软件代码 |
US20120271512A1 (en) * | 2011-04-19 | 2012-10-25 | Rupp Matt Y | Detection of and counter-measures for jackknife enabling conditions during trailer backup assist |
US20150306761A1 (en) * | 2014-04-29 | 2015-10-29 | Brain Corporation | Trainable convolutional network apparatus and methods for operating a robotic vehicle |
CN105539586A (zh) * | 2014-08-29 | 2016-05-04 | 通用汽车环球科技运作有限责任公司 | 用于自主驾驶的车辆躲避移动障碍物的统一的运动规划 |
CN105539434A (zh) * | 2014-08-29 | 2016-05-04 | 通用汽车环球科技运作有限责任公司 | 用于躲避转向操作的路径规划方法 |
CN105700538A (zh) * | 2016-01-28 | 2016-06-22 | 武汉光庭信息技术股份有限公司 | 基于神经网络和pid算法的轨迹跟随方法 |
EP3219564A1 (en) * | 2016-03-14 | 2017-09-20 | IMRA Europe S.A.S. | Driving prediction with a deep neural network |
CN107480786A (zh) * | 2017-08-07 | 2017-12-15 | 复旦大学 | 基于输出状态限制的循环神经网络轨迹似然概率计算方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2732792B1 (fr) * | 1995-04-06 | 1997-06-06 | Benkel Gerard | Systeme electronique de competition et procede de mise en oeuvre |
US5796922A (en) * | 1996-03-29 | 1998-08-18 | Weber State University | Trainable, state-sampled, network controller |
US6385515B1 (en) * | 2000-06-15 | 2002-05-07 | Case Corporation | Trajectory path planner for a vision guidance system |
JP2007504576A (ja) * | 2003-01-17 | 2007-03-01 | アヤラ,フランシスコ,ジェイ | 人工知能を開発するためのシステム及び方法 |
DE10354322B4 (de) * | 2003-11-20 | 2022-06-09 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zur Ermittlung der Fahrsituation |
US8170740B2 (en) * | 2008-07-24 | 2012-05-01 | GM Global Technology Operations LLC | Adaptive vehicle control system with driving style recognition based on vehicle launching |
US20100305798A1 (en) * | 2009-05-29 | 2010-12-02 | Ford Global Technologies, Llc | System And Method For Vehicle Drive Cycle Determination And Energy Management |
KR101145112B1 (ko) * | 2010-05-11 | 2012-05-14 | 국방과학연구소 | 자율이동차량의 조향제어장치, 이를 구비하는 자율이동차량 및 자율이동차량의 조향제어방법 |
KR101750876B1 (ko) * | 2015-05-28 | 2017-06-26 | 엘지전자 주식회사 | 차량용 디스플레이 장치 및 차량 |
JP2019518273A (ja) * | 2016-04-27 | 2019-06-27 | ニューララ インコーポレイテッド | 深層ニューラルネットワークベースのq学習の経験メモリをプルーニングする方法及び装置 |
DE102016213495A1 (de) * | 2016-07-22 | 2018-01-25 | Robert Bosch Gmbh | Fahrassistenzverfahren, Fahrassistenzsystem und Fahrzeug |
KR102524851B1 (ko) * | 2016-10-31 | 2023-04-25 | 모빌아이 비젼 테크놀로지스 엘티디. | 차로 병합 및 차로 분리의 항법을 위한 시스템 및 방법 |
US9989964B2 (en) * | 2016-11-03 | 2018-06-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling vehicle using neural network |
US10037037B1 (en) * | 2017-01-18 | 2018-07-31 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for trajectory planning in an autonomous vehicle using different fixed durations for steering and speed parameters |
US10796204B2 (en) * | 2017-02-27 | 2020-10-06 | Huawei Technologies Co., Ltd. | Planning system and method for controlling operation of an autonomous vehicle to navigate a planned path |
US10133275B1 (en) * | 2017-03-01 | 2018-11-20 | Zoox, Inc. | Trajectory generation using temporal logic and tree search |
US10379538B1 (en) * | 2017-03-20 | 2019-08-13 | Zoox, Inc. | Trajectory generation using motion primitives |
KR102070527B1 (ko) * | 2017-06-22 | 2020-01-28 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량 교통 예측에서 예측되는 궤적에 대한 평가 프레임 워크 |
US10543853B2 (en) * | 2017-07-05 | 2020-01-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for providing collaborative control of a vehicle |
US10997491B2 (en) * | 2017-10-04 | 2021-05-04 | Huawei Technologies Co., Ltd. | Method of prediction of a state of an object in the environment using an action model of a neural network |
US20190113919A1 (en) * | 2017-10-18 | 2019-04-18 | Luminar Technologies, Inc. | Controlling an autonomous vehicle using smart control architecture selection |
EP3495220B1 (en) * | 2017-12-11 | 2024-04-03 | Volvo Car Corporation | Path prediction for a vehicle |
US11042163B2 (en) * | 2018-01-07 | 2021-06-22 | Nvidia Corporation | Guiding vehicles through vehicle maneuvers using machine learning models |
US20190220737A1 (en) * | 2018-01-17 | 2019-07-18 | Hengshuai Yao | Method of generating training data for training a neural network, method of training a neural network and using neural network for autonomous operations |
WO2019157193A1 (en) * | 2018-02-09 | 2019-08-15 | Nvidia Corporation | Controlling autonomous vehicles using safe arrival times |
US11086317B2 (en) * | 2018-03-30 | 2021-08-10 | Intel Corporation | Emotional adaptive driving policies for automated driving vehicles |
-
2018
- 2018-02-14 US US15/896,352 patent/US10737717B2/en active Active
-
2019
- 2019-02-11 CN CN201910109746.9A patent/CN110155031B/zh active Active
- 2019-02-11 DE DE102019103352.7A patent/DE102019103352A1/de active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356089A (zh) * | 2006-05-19 | 2009-01-28 | 通用电气公司 | 鉴于有轨车厢参数优化火车运行的系统、方法和计算机软件代码 |
US20120271512A1 (en) * | 2011-04-19 | 2012-10-25 | Rupp Matt Y | Detection of and counter-measures for jackknife enabling conditions during trailer backup assist |
US20150306761A1 (en) * | 2014-04-29 | 2015-10-29 | Brain Corporation | Trainable convolutional network apparatus and methods for operating a robotic vehicle |
CN105539586A (zh) * | 2014-08-29 | 2016-05-04 | 通用汽车环球科技运作有限责任公司 | 用于自主驾驶的车辆躲避移动障碍物的统一的运动规划 |
CN105539434A (zh) * | 2014-08-29 | 2016-05-04 | 通用汽车环球科技运作有限责任公司 | 用于躲避转向操作的路径规划方法 |
CN105700538A (zh) * | 2016-01-28 | 2016-06-22 | 武汉光庭信息技术股份有限公司 | 基于神经网络和pid算法的轨迹跟随方法 |
EP3219564A1 (en) * | 2016-03-14 | 2017-09-20 | IMRA Europe S.A.S. | Driving prediction with a deep neural network |
CN107480786A (zh) * | 2017-08-07 | 2017-12-15 | 复旦大学 | 基于输出状态限制的循环神经网络轨迹似然概率计算方法 |
Non-Patent Citations (2)
Title |
---|
H.TANG: "Neural Network versus Behavior Based Approach in Simulated Car Racing Game", 《IEEE》 * |
杨钰 等: "基于模糊双曲正切模型的车辆路径跟踪算法", 《农业工程学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112550449A (zh) * | 2019-09-10 | 2021-03-26 | 通用汽车环球科技运作有限责任公司 | 车辆无线充电引导的横向控制 |
CN112550449B (zh) * | 2019-09-10 | 2022-11-29 | 通用汽车环球科技运作有限责任公司 | 车辆无线充电引导的横向控制 |
CN112519882B (zh) * | 2019-09-17 | 2022-02-22 | 广州汽车集团股份有限公司 | 一种车辆参考轨迹跟踪方法及系统 |
CN112519882A (zh) * | 2019-09-17 | 2021-03-19 | 广州汽车集团股份有限公司 | 一种车辆参考轨迹跟踪方法及系统 |
CN112633543A (zh) * | 2019-10-08 | 2021-04-09 | 北京京东乾石科技有限公司 | 无人配送车在非结构化场景中的泊车路径规划方法及装置 |
CN110751099B (zh) * | 2019-10-22 | 2022-05-10 | 东南大学 | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 |
CN110751099A (zh) * | 2019-10-22 | 2020-02-04 | 东南大学 | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 |
CN110834667A (zh) * | 2019-11-05 | 2020-02-25 | 华人运通(江苏)技术有限公司 | 车辆转向控制方法、装置、车辆、终端设备及存储介质 |
CN111216738B (zh) * | 2020-02-19 | 2022-02-01 | 阿波罗智能技术(北京)有限公司 | 自动驾驶中车辆的控制方法、装置、电子设备及车辆 |
CN111216738A (zh) * | 2020-02-19 | 2020-06-02 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置、电子设备及车辆 |
CN114291107B (zh) * | 2020-10-08 | 2023-12-22 | 现代摩比斯株式会社 | 用于控制车辆的驾驶的装置和方法 |
CN114291107A (zh) * | 2020-10-08 | 2022-04-08 | 现代摩比斯株式会社 | 用于控制车辆的驾驶的装置和方法 |
US11794723B2 (en) | 2020-10-08 | 2023-10-24 | Hyundai Mobis Co., Ltd. | Apparatus and method for controlling driving of vehicle |
CN114368368B (zh) * | 2020-10-16 | 2023-09-22 | 通用汽车环球科技运作有限责任公司 | 车辆控制系统和方法 |
CN114368368A (zh) * | 2020-10-16 | 2022-04-19 | 通用汽车环球科技运作有限责任公司 | 车辆控制系统和方法 |
CN114489166A (zh) * | 2020-10-27 | 2022-05-13 | 通用汽车环球科技运作有限责任公司 | 利用伪ann的根进行扭矩控制的方法、系统和装置 |
CN114454957A (zh) * | 2020-11-09 | 2022-05-10 | 通用汽车环球科技运作有限责任公司 | 用于横向控制的融合驾驶员和自动转向命令的系统和方法 |
CN114454957B (zh) * | 2020-11-09 | 2024-03-08 | 通用汽车环球科技运作有限责任公司 | 用于横向控制的融合驾驶员和自动转向命令的系统和方法 |
WO2023010828A1 (zh) * | 2021-08-04 | 2023-02-09 | 北京三快在线科技有限公司 | 一种无人驾驶设备的横向控制 |
CN113342005A (zh) * | 2021-08-04 | 2021-09-03 | 北京三快在线科技有限公司 | 一种无人驾驶设备的横向控制方法及装置 |
CN115009266A (zh) * | 2022-08-08 | 2022-09-06 | 国汽智控(北京)科技有限公司 | 车辆控制方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110155031B (zh) | 2022-03-08 |
US20190248411A1 (en) | 2019-08-15 |
DE102019103352A1 (de) | 2019-08-14 |
US10737717B2 (en) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110155031A (zh) | 使用神经网络的用于车辆横向控制的轨迹跟踪 | |
US11126187B2 (en) | Systems and methods for controlling the operation of a vehicle | |
US10853670B2 (en) | Road surface characterization using pose observations of adjacent vehicles | |
US11300959B2 (en) | System and method for predictive path planning in autonomous vehicles | |
CN106080744B (zh) | 自动驾驶车辆系统 | |
US11474532B2 (en) | Systems and methods for detecting anomalies in a vehicle system | |
US20200026277A1 (en) | Autonomous driving decisions at intersections using hierarchical options markov decision process | |
CN110874642B (zh) | 学习装置、学习方法及存储介质 | |
CN106996793A (zh) | 地图更新判定系统 | |
US20200020117A1 (en) | Pose estimation | |
JP2021155024A (ja) | 歩行者の動きを予測するためのシステムおよび方法 | |
JP2022512359A (ja) | 自律車両における運動挙動推定および動的挙動推定のための技術 | |
JP2018055141A (ja) | 移動体軌道予測システム | |
CN112698645A (zh) | 具有基于学习的定位校正系统的动态模型 | |
CN107764265B (zh) | 用于车辆定位反馈的方法 | |
US11657625B2 (en) | System and method for determining implicit lane boundaries | |
US20190163201A1 (en) | Autonomous Vehicle Sensor Compensation Using Displacement Sensor | |
US10871777B2 (en) | Autonomous vehicle sensor compensation by monitoring acceleration | |
US11279372B2 (en) | System and method for controlling a vehicle having an autonomous mode and a semi-autonomous mode | |
CN111284477A (zh) | 模拟转向特性的系统和方法 | |
RU2751734C2 (ru) | Способы и процессоры для управления рулением беспилотным автомобилем | |
WO2023017625A1 (en) | Drive device, vehicle, and method for automated driving and/or assisted driving | |
Jeong | A personalized lane keeping system for autonomous vehicles based on recurrent neural network with temporal dependencies | |
US20220300851A1 (en) | System and method for training a multi-task model | |
US11708071B2 (en) | Target-orientated navigation system for a vehicle using a generic navigation system and related method |
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 |