CN110231820A - 一种基于物联网的车辆行驶控制方法 - Google Patents
一种基于物联网的车辆行驶控制方法 Download PDFInfo
- Publication number
- CN110231820A CN110231820A CN201910467701.9A CN201910467701A CN110231820A CN 110231820 A CN110231820 A CN 110231820A CN 201910467701 A CN201910467701 A CN 201910467701A CN 110231820 A CN110231820 A CN 110231820A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- coefficient
- running
- things
- internet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000001133 acceleration Effects 0.000 claims abstract description 22
- 238000011217 control strategy Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 abstract 2
- 238000011897 real-time detection Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于物联网的车辆行驶控制方法，包括：步骤一、利用导航设备规划汽车行驶路线；步骤二、实时检测并读取车辆的行驶状态数据，根据车辆在(ti‑t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；其中，路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数，将所述预测通行系数Yt，预测转弯概率Yp和预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群，能够根据当前时段的交通状况预测下一时段的交通状况，并将交通状况参数输入神经网络控制器得到下一时段的车辆控制策略，实现自动安全驾驶。
Description
技术领域
本发明涉及车辆行驶控制领域，尤其涉及一种基于物联网的车辆行驶控制方法。
背景技术
随着计算机技术和人工智能技术的飞速发展，智能机器人技术已经成为了国内外众多学者研究的热点。其中，服务型机器人开辟了机器人应用的新领域，人类想摆脱重复的劳动。目前的快件需要人工派送，人工需求大，效率低，故人工派送被智能化的无人驾驶自动派送所代替势不可挡。为了更方便的区分和定义自动驾驶技术，自动驾驶的研究就成了一件大事。
发明内容
本发明设计开发了一种基于物联网的车辆行驶控制方法，能够根据当前时段的交通状况预测下一时段的交通状况，并将交通状况参数输入神经网络控制器得到下一时段的车辆控制策略，实现自动安全驾驶。
本发明提供的技术方案为：
一种基于物联网的车辆行驶控制方法，包括：
步骤一、利用导航设备规划汽车行驶路线；
步骤二、实时检测并读取车辆的行驶状态数据，所述行驶状态包括车辆的行驶速度vi、行驶加速度ai、车辆转向角βi，车体侧倾角δi，车体与左边线的距离Ll，车辆与右边线的距离Lr；
步骤三、根据所述行驶状态数据和交通路况信息，计算车辆在(ti-t0)～ti时段内关于路况指数的实测向量群；
其中，所述路况指数的实测向量群包括：实测通行系数St，实测转弯概率Sp和实测速度指数Ss，ti为当前时刻，t0为时间间隔；
步骤四、根据车辆在(ti-t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；
其中，所述路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数；
步骤五、根据车辆在(ti-t0)～ti时段内的行驶距离Sλ，预测车辆下一时段(ti)～(ti+t0)的行驶距离Sλ+1；
步骤六、将所述预测通行系数Yt，预测转弯概率Yp和预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群。
优选的是，所述实测通行系数计算公式为：
所述实测转弯概率计算公式为：
所述实测速度指数计算公式为：
优选的是，所述预测通行系数计算公式为：
其中，为平均通行系数；
所述预测转弯概率计算公式为：
其中，为平均转弯概率；
所述预测速度指数计算公式为：
其中，为平均速度指数。
优选的是，所述下一时段行驶距离预测公式为：
其中，为平均行驶距离。
优选的是，所述神经网络控制器的计算过程为：
步骤1、依次将参数预测通行系数，预测转弯概率和预测速度指数和下一时段的行驶距离进行规格化；
步骤2、确定三层BP神经网络的输入层神经元向量x＝{x1，x2，x3，x4，x5，x6}，其中，x1为预测通行系数，x2为预测转弯概率系数，x3为预测速度指数、x4为下一时段的行驶距离系数、x5为车辆的行驶速度系数，x6为车辆行驶加速度系数
步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y1，y2，…，ym}，m为隐层节点个数；
步骤4、得到输出层神经元向量o＝{o1，o2，o3，o4}；其中，o1为下一时段速度控制系数，o2为下一时段加速度控制系数，o3为下一时段转角控制系数，o4为下一时段紧急制动系数；
步骤5、控制器输出下一时段控制策略关系式。
优选的是，所述隐层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。
优选的是，所述预测通行系数Yt，预测转弯概率Yp、预测速度指数Ys、行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai的规格化公式为：
其中，xj为输入层向量中的参数，Xj分别为测量参数Yt、Yp、Ys、Sλ+1、vi、ai，j＝1，2，3，4，5，6；Xj max和Xj min分别为相应测量参数中的最大值和最小值。
优选的是，所述控制器输出下一时段的车辆控制策略关系式为：
其中，vi+1为ti～(ti+t0)时段车辆的行驶速度，ai+1为ti～(ti+t0)时段车辆的行驶加速度，βi+1为ti～(ti+t0)时段车辆转角，Pi+1为ti～(ti+t0)时段车辆的制动指令。
优选的是，所述输出层o4的神经元值为0或1，当o4为1时，此时车辆制动，当o4为0时不进行制动。
优选的是，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
本发明所述的有益效果
本发明设计开发了一种基于物联网的车辆行驶控制方法，能够根据当前时段的交通状况预测下一时段的交通状况，并将交通状况参数输入神经网络控制器得到下一时段的车辆控制策略，实现自动安全驾驶。
本发明采用神经网络算法给出车辆行驶控制策略，具有自学习和预测功能，使其具有良好的实用性和调整的准确性，有效提高了自动驾驶的安全性。
具体实施方式
下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供的一种基于物联网的车辆行驶控制方法，包括：
步骤110、利用导航设备规划汽车行驶路线；
步骤120、实时检测并读取车辆的行驶状态数据，所述行驶状态包括车辆的行驶速度vi、行驶加速度ai、车辆转向角βi，车体侧倾角δi，车体与左边线的距离Ll，车辆与右边线的距离Lr；
步骤130、根据所述行驶状态数据和交通路况信息，计算车辆在(ti-t0)～ti时段内关于路况指数的实测向量群；
其中，实测通行系数计算公式为：
实测转弯概率计算公式为：
实测速度指数计算公式为：
其中，所述路况指数的实测向量群包括：实测通行系数St，实测转弯概率Sp和实测速度指数Ss，ti为当前时刻，t0为时间间隔；
步骤140、根据车辆在(ti-t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；
其路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数；
预测通行系数计算公式为：
其中，为平均通行系数；
所述预测转弯概率计算公式为：
其中，为平均转弯概率；
所述预测速度指数计算公式为：
其中，为平均速度指数
步骤150、根据车辆在(ti-t0)～ti时段内的行驶距离Sλ，预测车辆下一时段(ti)～(ti+t0)的行驶距离Sλ+1；
下一时段行驶距离预测公式为：
其中，为平均行驶距离。
步骤160、将所述预测通行系数Yt，预测转弯概率Yp、预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群，包括：
建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为
opj＝fj(netpj)
其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，其中，m为中间层节点个数，n为输入层节点个数，p为输出层节点个数；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。
该网络的数学模型为：
输入层向量：x＝(x1，x2，…，xn)T
中间层向量：y＝(y1，y2，…，ym)T
输出层向量：z＝(z1，z2，…，zp)T
按照采样周期，本发明中，输入层节点数为n＝6，输出层节点数为p＝4，隐藏层节点数m由下式估算得出：
由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。
归一化的公式为其中，xj为输入层向量中的参数，Xj分别为测量参数，Xj分别为测量参数Yt、Yp、Ys、Sλ+1、vi、ai，，j＝1，2，3，4，5，6；Xj max和Xj min分别为相应测量参数中的最大值和最小值，采用S型函数。
下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai
具体而言，对于预测通行系数Yt，进行规格化后，得到预测通行系数x1：
其中，max(Yt)和min(Yt)分别为预测通行系数的最大值和最小值。
同样的，预测速度指数Ys通过下式进行规格化，得到预测速度指数系数x2：
其中，max(Ys)和min(Ys)分别为预测速度指数的最大值和最小值。
预测转弯概率Yp进行规格化后，得到预测转弯概率系数x3：
其中，max(YP)和min(YP)分别为预测转弯概率的最大值和最小值。
下一时段的行驶距离Sλ+1进行规格化后，得到下一时段的行驶距离系数x4：
其中，max(Sλ+1)和min(Sλ+1)分别为下一时段的最大行驶距离和最小行驶距离。
同样的，车辆的行驶速度vi进行规格化后，得到车辆的行驶速度系数x5：
其中，max(xi)和min(xi)分别为车辆行驶的最大速度和最小速度。
同样的，行驶加速度ai进行规格化后，得到行驶加速度系数x6：
其中，max(ai)和min(ai)分别为车辆的最大加速度和最小加速度。
得到输出层神经元向量o＝{o1，o2，o3，o4}；其中，o1为下一时段速度控制系数，o2为下一时段加速度控制系数，o3为下一时段转角控制系数，o4为下一时段紧急制动系数。
进行BP神经网络的训练。
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值wij，隐层节点j和输出层节点k之间的连接权值wjk，隐层节点j的阈值θj，输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。
(1)训练方法
各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。
表1网络训练用的输出样本
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：
第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。
第二步：对每个输入样本作如下计算：
(a)前向计算：对l层的j单元
式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数，则
且
若神经元j属于第一隐层(l＝1)，则有
若神经元j属于输出层(l＝L)，则有
且ej(n)＝xj(n)-oj(n)；
(b)反向计算误差：
对于输出单元
对隐单元
(c)修正权值：
η为学习速率。
第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为
Δω＝(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。
车辆控制策略关系式为：
其中，vi+1为ti～(ti+t0)时段车辆的行驶速度，ai+1为ti～(ti+t0)时段车辆的行驶加速度，βi+1为ti～(ti+t0)时段车辆转角，Pi+1为ti～(ti+t0)时段车辆的制动指令。
输出层o4的神经元值为0或1，当o4为1时，此时车辆制动，当o4为0时不进行制动。
本发明设计开发了一种基于物联网的车辆行驶控制方法，能够根据当前时段的交通状况预测下一时段的交通状况，并将交通状况参数输入神经网络控制器得到下一时段的车辆控制策略，实现自动安全驾驶。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (10)
1.一种基于物联网的车辆行驶控制方法，其特征在于，包括：
步骤一、利用导航设备规划汽车行驶路线；
步骤二、实时检测并读取车辆的行驶状态数据，所述行驶状态包括车辆的行驶速度vi、行驶加速度ai、车辆转向角βi，车体侧倾角δi，车体与左边线的距离Ll，车辆与右边线的距离Lr；
步骤三、根据所述行驶状态数据和交通路况信息，计算车辆在(ti-t0)～ti时段内关于路况指数的实测向量群；
其中，所述路况指数的实测向量群包括：实测通行系数St，实测转弯概率Sp和实测速度指数Ss，ti为当前时刻，t0为时间间隔；
步骤四、根据车辆在(ti-t0)～ti时段内关于路况指数的向量群，预测(ti)～(ti+t0)时段内关于路况指数的预测向量群；
其中，所述路况指数预测向量群包括：预测通行系数，预测转弯概率和预测速度指数；
步骤五、根据车辆在(ti-t0)～ti时段内的行驶距离Sλ，预测车辆下一时段(ti)～(ti+t0)的行驶距离Sλ+1；
步骤六、将所述预测通行系数Yt，预测转弯概率Yp和预测速度指数Ys、下一时段的行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai输入神经网络控制器，得到关于车辆行驶控制策略的向量群。
2.根据权利要求1所述的基于物联网的车辆行驶控制方法，其特征在于，所述实测通行系数计算公式为：
所述实测转弯概率计算公式为：
所述实测速度指数计算公式为：
3.根据权利要求1或2所述的基于物联网的车辆行驶控制方法，其特征在于，所述：预测通行系数计算公式为：
其中，为平均通行系数；
所述预测转弯概率计算公式为：
其中，为平均转弯概率；
所述预测速度指数计算公式为：
其中，为平均速度指数。
4.根据权利要求3所述的基于物联网的车辆行驶控制方法，其特征在于，所述下一时段行驶距离预测公式为：
其中，为平均行驶距离。
5.根据权利要求4所述的基于物联网的车辆行驶控制方法，其特征在于，所述神经网络控制器的计算过程为：
步骤1、依次将参数预测通行系数，预测转弯概率和预测速度指数和下一时段的行驶距离进行规格化；
步骤2、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6}，其中，x1为预测通行系数，x2为预测转弯概率系数，x3为预测速度指数、x4为下一时段的行驶距离系数、x5为车辆的行驶速度系数，x6为车辆行驶加速度系数
步骤3、所述输入层向量映射到隐层，所述隐层向量y＝{y1,y2,…,ym}，m为隐层节点个数；
步骤4、得到输出层神经元向量o＝{o1,o2,o3,o4}；其中，o1为下一时段速度控制系数，o2为下一时段加速度控制系数，o3为下一时段转角控制系数，o4为下一时段紧急制动系数；
步骤5、控制器输出下一时段控制策略关系式。
6.根据权利要求5所述的基于物联网的车辆行驶控制方法，其特征在于，所述隐层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。
7.根据权利要求6所述的基于物联网的车辆行驶控制方法，其特征在于，所述预测通行系数Yt，预测转弯概率Yp、预测速度指数Ys、行驶距离Sλ+1、车辆的行驶速度vi和行驶加速度ai的规格化公式为：
其中，xj为输入层向量中的参数，Xj分别为测量参数Yt、Yp、Ys、Sλ+1、vi、ai，j＝1,2,3,4,5,6；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
8.根据权利要求5所述的基于物联网的车辆行驶控制方法，其特征在于，所述控制器输出下一时段的车辆控制策略关系式为：
其中，vi+1为ti～(ti+t0)时段车辆的行驶速度，ai+1为ti～(ti+t0)时段车辆的行驶加速度，βi+1为ti～(ti+t0)时段车辆转角，Pi+1为ti～(ti+t0)时段车辆的制动指令。
9.根据权利要求8所述的基于物联网的车辆行驶控制方法，其特征在于，所述输出层o4的神经元值为0或1，当o4为1时，此时车辆制动，当o4为0时不进行制动。
10.根据权利要求9所述的基于物联网的车辆行驶控制方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910467701.9A CN110231820B (zh) | 2019-05-31 | 2019-05-31 | 一种基于物联网的车辆行驶控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910467701.9A CN110231820B (zh) | 2019-05-31 | 2019-05-31 | 一种基于物联网的车辆行驶控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110231820A true CN110231820A (zh) | 2019-09-13 |
| CN110231820B CN110231820B (zh) | 2022-08-05 |
Family
ID=67858274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910467701.9A Active CN110231820B (zh) | 2019-05-31 | 2019-05-31 | 一种基于物联网的车辆行驶控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110231820B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09190422A (ja) * | 1996-01-11 | 1997-07-22 | Toshiba Corp | 交通状況予測装置 |
| US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
| CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电（中国）有限公司 | 基于数据融合的交通状态估计装置和方法 |
| CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
| CN104732237A (zh) * | 2015-03-23 | 2015-06-24 | 江苏大学 | 一种车联网中虚假交通信息的识别方法 |
| CN105930625A (zh) * | 2016-06-13 | 2016-09-07 | 天津工业大学 | Q学习结合神经网络的智能驾驶行为决策系统的设计方法 |
| CN106066644A (zh) * | 2016-06-17 | 2016-11-02 | 百度在线网络技术（北京）有限公司 | 建立智能车辆控制模型的方法、智能车辆控制方法及装置 |
| CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| CN106779198A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况分析方法 |
| CN107038478A (zh) * | 2017-04-20 | 2017-08-11 | 百度在线网络技术（北京）有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
| CN107045345A (zh) * | 2017-03-06 | 2017-08-15 | 吉林大学 | 基于互联网的履带车辆远程控制及自动驾驶系统 |
| CN107862864A (zh) * | 2017-10-18 | 2018-03-30 | 南京航空航天大学 | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 |
| CN108550279A (zh) * | 2018-04-03 | 2018-09-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
| CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
| CN108830430A (zh) * | 2018-08-01 | 2018-11-16 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
| CN109455178A (zh) * | 2018-11-13 | 2019-03-12 | 吉林大学 | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 |
| DE102018008024A1 (de) * | 2018-10-10 | 2019-04-11 | Daimler Ag | Verfahren zur Bewertung einer Verkehrssituation |
| CN109712424A (zh) * | 2019-02-26 | 2019-05-03 | 辽宁工业大学 | 一种基于物联网的车辆导航方法 |
| CN109726676A (zh) * | 2018-12-28 | 2019-05-07 | 苏州大学 | 自动驾驶系统的规划方法 |
-
2019
- 2019-05-31 CN CN201910467701.9A patent/CN110231820B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09190422A (ja) * | 1996-01-11 | 1997-07-22 | Toshiba Corp | 交通状況予測装置 |
| US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
| CN102646332A (zh) * | 2011-02-21 | 2012-08-22 | 日电（中国）有限公司 | 基于数据融合的交通状态估计装置和方法 |
| CN103914985A (zh) * | 2014-04-25 | 2014-07-09 | 大连理工大学 | 一种混合动力客车未来车速轨迹预测方法 |
| CN104732237A (zh) * | 2015-03-23 | 2015-06-24 | 江苏大学 | 一种车联网中虚假交通信息的识别方法 |
| CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| CN105930625A (zh) * | 2016-06-13 | 2016-09-07 | 天津工业大学 | Q学习结合神经网络的智能驾驶行为决策系统的设计方法 |
| CN106066644A (zh) * | 2016-06-17 | 2016-11-02 | 百度在线网络技术（北京）有限公司 | 建立智能车辆控制模型的方法、智能车辆控制方法及装置 |
| CN106779198A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况分析方法 |
| CN107045345A (zh) * | 2017-03-06 | 2017-08-15 | 吉林大学 | 基于互联网的履带车辆远程控制及自动驾驶系统 |
| CN107038478A (zh) * | 2017-04-20 | 2017-08-11 | 百度在线网络技术（北京）有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
| US20180304899A1 (en) * | 2017-04-20 | 2018-10-25 | Baidu Online Network Technology (Beijing) Co., Ltd. | Road condition predicting method and apparatus, computer device and readable medium |
| CN107862864A (zh) * | 2017-10-18 | 2018-03-30 | 南京航空航天大学 | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 |
| CN108550279A (zh) * | 2018-04-03 | 2018-09-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
| CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
| CN108830430A (zh) * | 2018-08-01 | 2018-11-16 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
| DE102018008024A1 (de) * | 2018-10-10 | 2019-04-11 | Daimler Ag | Verfahren zur Bewertung einer Verkehrssituation |
| CN109455178A (zh) * | 2018-11-13 | 2019-03-12 | 吉林大学 | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 |
| CN109726676A (zh) * | 2018-12-28 | 2019-05-07 | 苏州大学 | 自动驾驶系统的规划方法 |
| CN109712424A (zh) * | 2019-02-26 | 2019-05-03 | 辽宁工业大学 | 一种基于物联网的车辆导航方法 |
Non-Patent Citations (6)
| Title |
|---|
| HAO RU-RU;ZHAO XIANG-MO;XU ZHI-GANG: "Auto Anti-lock Braking System Bench Test Results Classification Model Based on Neural Network", 《2011 INTERNATIONAL CONFERENCE ON ELECTRONICS, COMMUNICATIONS AND CONTROL (ICECC)》 * |
| ZHEN SUI;SHUO LIANG;YANTAO TIAN;YANTAO TIAN: "Intelligent Vehicle’s Driver Model Considering Longitudinal and Lateral Integrated Control", 《2018 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION (ICMA)》 * |
| 史毅仁: "车联网中数据融合的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 周户星: "车联网环境下交通信息采集与处理方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
| 张丽: "基于信息采集与监控的车联网服务系统的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 王艳秋等: "基于BP神经网络的城市交通流量预测", 《2008 CHINESE CONTROL AND DECISION CONFERENCE (CCDC 2008)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110231820B (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Naveed et al. | Trajectory planning for autonomous vehicles using hierarchical reinforcement learning | |
| CN107168324B (zh) | 一种基于anfis模糊神经网络的机器人路径规划方法 | |
| CN111413966A (zh) | 一种递进式模型预测无人驾驶规划跟踪协同控制方法 | |
| Grigorescu et al. | Neurotrajectory: A neuroevolutionary approach to local state trajectory learning for autonomous vehicles | |
| CN110745136A (zh) | 一种驾驶自适应控制方法 | |
| CN104133372B (zh) | 基于模糊神经网络的室温控制算法 | |
| CN109703548B (zh) | 一种基于混合动力的汽车动力分配方法 | |
| CN108482481B (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
| CN110111573B (zh) | 一种基于物联网的拥堵车辆综合调度方法 | |
| CN110682903B (zh) | 一种基于视觉感知的安全超车预警系统及方法 | |
| CN109910863B (zh) | 一种基于插电式混合动力轿车专用变速器的控制方法 | |
| CN108122048B (zh) | 一种运输路径调度方法及其系统 | |
| CN108711016A (zh) | 一种基于bp神经网络的驾驶行为评分方法 | |
| CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
| CN109455178B (zh) | 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法 | |
| CN109712424B (zh) | 一种基于物联网的车辆导航方法 | |
| 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 | |
| CN111081067A (zh) | 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法 | |
| CN112631134A (zh) | 一种基于模糊神经网络的智能小车避障方法 | |
| CN115303289A (zh) | 一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备 | |
| CN113741464A (zh) | 一种基于时空数据强化学习的自动驾驶速度控制框架 | |
| Yan et al. | Path Planning for Mobile Robot's Continuous Action Space Based on Deep Reinforcement Learning | |
| Tavoosi et al. | Optimized path planning of an unmanned vehicle in an unknown environment using the PSO algorithm | |
| CN110816531B (zh) | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 | |
| CN113033902A (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220720 Address after: 210000 floor 2, No. 98 Jianye Road, Qinhuai District, Nanjing City, Jiangsu Province Applicant after: JIANGSU ECODE SCIENCE & TECHNOLOGY CO.,LTD. Address before: 121001, 169 street, Guta District, Liaoning, Jinzhou Applicant before: LIAONING University OF TECHNOLOGY |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |