CN110308718A - 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法 - Google Patents
一种基于二型模糊综合评判的无人驾驶汽车行为决策方法 Download PDFInfo
- Publication number
- CN110308718A CN110308718A CN201910289103.7A CN201910289103A CN110308718A CN 110308718 A CN110308718 A CN 110308718A CN 201910289103 A CN201910289103 A CN 201910289103A CN 110308718 A CN110308718 A CN 110308718A
- Authority
- CN
- China
- Prior art keywords
- pilotless automobile
- fuzzy
- section
- slides
- comprehensive evaluation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 230000008447 perception Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000408659 Darpa Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
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)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于二型模糊综合评判的无人驾驶汽车行为决策方法。该方法首先基于区间二型模糊集合,对无人驾驶汽车行驶状态进行综合评判;描述并分析影响无人驾驶汽车行驶状态的因素,按照步骤综合评判基于区间二型模糊集合无人驾驶汽车行驶状态;应用基于区间二型模糊集合的方法,形成无人驾驶汽车行为决策;以时变论域上的模糊控制为背景,根据驾驶经验和实际情况建立三个规则序列,实现对无人驾驶汽车的有效控制。本发明的有益效果是,可使无人驾驶汽车在行驶过程中与前方车辆保持安全车距,同时不降低无人驾驶汽车的速度与效率。
Description
技术领域
本发明涉及无人驾驶汽车,应用区间二型模糊综合评判方法,结合时变论域理论,制定无人驾驶汽车行为决策的控制规则,在确保汽车行驶安全的前提下保持一定的速度和效率。
背景技术
随着目前全球交通事故多发率的不断增长以及汽车保有量的不断增加,交通安全和交通拥堵问题日益严峻,使得构建智能交通系统的任务更加迫切。而作为智能交通系统的一部分,智能汽车的出现将大幅减少交通安全事故,缓解交通拥堵等问题。
无人驾驶汽车是属于智能汽车的一种,也可以称之为轮式移动机器人,主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶。与传统的有人驾驶汽车相比较,无人驾驶汽车具备行为可预测性、反应快速性、感知准确性、永不疲劳等优势,更能够保证行车的安全性和可靠性。而正是在此背景下,无人驾驶技术得到了外界的广泛关注,也成为了国内外研究的热点。
传统的有人驾驶汽车可分为感知、决策以及执行三个过程,而信息技术发展下的驾驶自动化就是对感知、决策、执行各功能层的增强或者替代。在工程实际中,无人驾驶汽车上路,使汽车动起来只是最基本的要求,要在保证汽车行驶安全的前提下还能使汽车拥有一定的速度与效率,从而不给交通造成不必要的拥堵与阻塞,才能体现出决策方法的优越性。在决策的过程中,安全车距是一个重要的参考对象,通过一定的方法让无人驾驶汽车在正常车速范围内与前方车辆保持适当的安全车距,便可使之兼具行驶安全性和流畅性。
由于影响车辆决策主要包括与前方车辆(行人或障碍物)之间距离的远近,车辆自身速度的快慢,与前车(行人或障碍物)之间的相对速度的大小等因素,而这些因素在实际行驶过程中又具有一定的模糊性,此时解决此类问题的有效途径之一就是借助模糊集合理论。更进一步,二型模糊集合相对于一型模糊集合又能较好地解决语言歧义与数据噪声等问题,给人们定义隶属函数以更大的自由度,在处理系统不确定性等方面具有明显的优越性。本文将时变论域理论与区间二型模糊集合、模糊综合评判以及模糊控制规则相结合,制定出一套动态模糊规则应用于无人驾驶汽车行为决策,为此类问题的解决提供一种新思路。
对于无人驾驶汽车决策行为的研究可以大致可分为两大类,基于规则的决策模型和基于统计的决策模型。
1)基于规则的决策模型
徐亮等人将车辆行为分为7种:加速、减速、保持、换到左边车道、换到右边车道、左转和右转。而行为都是非连续量,每个行为都可对应一个状态,因此许多研究者建立一些规则来进行决策,这种方法符合驾驶员的逻辑思维,同时可以满足交通规则,省去了大量的计算,因而能够保证决策具有实时性,同时也使决策功能在较短时间内实现。早在2007年的美国Darpa自动驾驶车辆挑战赛中,大多数自动驾驶汽车的决策模块都是基于规则设计的。
斯坦福大学的Junior将车辆行为细分,建立了一个拥有13个状态的有限状态机组成决策系统。其状态分别为:初始状态、前向驾驶、车道跟随、避障、停止标志前等待、路口处理、等待路口空闲、U-Turn、车辆在U-Turn前停止、越过黄线行驶、在停车区域内行驶、通过交通阻塞路段、在不匹配RNDF路网文件的情况下在路上行驶、任务结束。驾驶行为是一个复杂行为,它可以由一系列的子行为构成,同时陈佳佳指出有限状态机理论并不适用于所有的建模对象,层次状态机可以很好地弥补其缺陷。它扩展了有限状态机的应用范围,使得设计更加轻松、直观,非常适合机器人决策软件的开发,因此更多的研究人员将驾驶行为的子行为设计为有限状态机中的子状态,形成分层有限状态机。KIT大学的Annie Way使用分层有限状态机来进行决策,它将状态机分为三层,顶层状态表示车辆状态,中间层状态表示驾驶行为,底层状态表示驾驶行为(换道)的具体动作及转换条件。
2)基于统计的决策模型
Markov模型是一个成本预测控制模型,它可以将不确定性考虑进去,因此经常被用来做决策,以提高自动驾驶汽车决策的准确性。Wei J等人将传感器噪声、感知约束及周围车辆行为作为属性加以决策,使用Markov模型进行决策,增强了自动驾驶汽车在单车道内行驶的稳定性。Brechtel S等人将连续状态层次贝叶斯转换模型嵌入MDP模型,使自动驾驶汽车在多车双车道高速公路场景进行决策。Gindele T等人将驾驶任务作为一个连续的部分可观察马尔可夫决策过程 (POMDP),在此基础上,Ulbrich S等人为了适应在城市交通场景中不可避免的传感器噪声,在驾驶时能够做出实时决策,提出一种两步算法来使POMDP复杂度足够低,在信号处理网络中考虑相对距离、相对速度和碰撞时间。然而使用 POMDP方法在连续状态和行动领域里不容易找到最优解,因而Cunningham A G 等人使用多准侧决策方法(MPDM)进行决策,同时在线评估决策结果,POMDP被用来表明模型的近似和假设。
同样,为解决复杂城区道路环境中决策问题,Chen J等人采用多属性决策方法来选择自动驾驶汽车的最优策略,多属性决策方法结合了层次分析法(AHP) 及优劣解距离法(TOPSIS),使用TOPSIS来排列可选方案,AHP把经验驾驶员主观和客观的意见变成量化值。
发明内容
针对以上问题,本发明解决的技术问题在于根据无人驾驶汽车的现状,提出一种基于区间二型模糊综合评判的无人驾驶汽车行为决策方法,使无人驾驶汽车在行驶过程中与前方车辆保持安全车距,同时不降低无人驾驶汽车的速度与效率,实现对无人驾驶汽车行驶状态的有效控制。
本发明解决上述技术问题的技术方案如下:
步骤1:根据专家经验选取影响无人驾驶汽车行为决策的主要因素并进行分析;
进一步,当无人驾驶汽车u行驶在路上时,由于周围的环境随时间一直在变化,这时会有许多因素影响到其行驶的状态。综合专家经验,考虑参数的有效性以及输入数据的可行性,在不考虑无人驾驶汽车受到红绿灯及其他交通标示牌等因素影响的理想行驶环境下,本文选择以下三个要素作为影响无人驾驶汽车行驶状态的主要因素:行驶速度;相对速度;间隔距离。
进一步,行驶速度是无人驾驶汽车自身的行驶速度,速度的快慢并没有一个绝对的标准。本文根据采集到的数据并结合实际交通情况在三个论域上分别给出行驶速度的隶属函数和基词,其中行驶速度的单位均为km/h。
相对速度是无人驾驶汽车与被跟随车辆之间的相对行驶速度,其数值大小同样也取决于对照标准。本文根据实际情况在三个论域上分别给出相对速度的隶属函数和基词,其中相对速度的单位均为km/h。
间隔距离是无人驾驶汽车与被跟随车辆之间的距离,根据行车安全车距原理和相关专家经验(如三秒间隔)在三个论域上分别给出隶属函数和基词,其中间隔距离的单位均为m。
步骤2:根据所选因素,运用区间二型模糊综合评判法对无人驾驶汽车行驶状态进行分类和评估;
步骤2.1:确定影响无人驾驶汽车状态的因素集T;
进一步,影响无人驾驶汽车评价对象的因素集包括{行驶速度、相对速度、间隔距离},表示为T={t1,t2,t3}。
步骤2.2:确定评价因素的权重集Q;
进一步,将无人驾驶汽车状态分为松弛,适中和紧急,表示为Sj(j=1,2,3)。
步骤2.3:确定评价因素的权重集Q;
进一步,根据实际情况和相关经验,可以对因素集中的三个因素设定一个权重集,本文确立A={0.2,0.2,0.6}。
步骤2.4:进行单因素模糊评估,确立模糊综合评判矩阵R;
进一步,隶属度矩阵R为T到S的一种模糊关系,对每个因素进行评估分别得到隶属度向量r1=[r11 r12 r13],r2=[r21 r22 r23],r3=[r31 r32 r33],其中rmn表示第m个因素与sn对应基词的匹配度。将r1,r2,r3综合起来便得到隶属度矩阵,表示为
其中,r1,r2,r3为因素t1,t2,t3分别为“松弛”、“适中”、“紧急”三个程度的匹配度,根据无人驾驶汽车u在实际驾驶环境中的数据得到。
步骤2.5:得到二型模糊综合评判矩阵C;
进一步,各指标模糊综合评判矩阵R及对应的权向量A,利用加权平均模糊合成算子得到二型模糊综合评判:
其中,以所有因素与基词匹配度的加权模糊合成值作为主隶属度,所有次隶属均为1,即可取区间二型模糊集合形式:
以加权模糊合成值为参考量,可运用区间二型模糊集合评估无人驾驶汽车当前的行驶状态。
步骤2.6:根据隶属度最大原则作出评判,制定相应模糊规则并进行综合评判。
进一步,相应的模糊规则为:
R1规则库
若s1为且t1为则u保持速度并直行;
若s1为且t1为则u适当加速并滑行;
若s1为且t1为则u适当减速并滑行;
若s1为且t1为则u选择变道;
若s1为且t1为则u紧急制动;
若s1为且t1为则u紧急制动.
R2规则库
若s2为且t2为则u适当加速并滑行;
若s2为且t2为则u适当加速并滑行;
若s2为且t2为则u适当减速并滑行;
若s2为且t2为则u适当减速并滑行;
若s2为且t2为则u紧急制动;
若s2为且t2为则u选择变道或紧急制动.
R3规则库
若s3为且t3为则u适当加速并滑行;
若s3为且t3为则u适当加速并滑行;
若s3为且t3为则u适当减速并滑行;
若s3为且t3为则u适当减速并滑行;
若s3为且t3为则u紧急制动;
若s3为且t3为则u选择变道或紧急制动.
R1、R2、R3组成时变论域上的模糊规则序列,从而实现对无人驾驶汽车的有效控制。
本发明公开一种无人驾驶汽车行为决策的动态模糊控制规则,其优点在于:面向无人驾驶汽车分析和研究其控制规则,是一种以二型模糊综合评判和时变论域为理论基础,对无人驾驶汽车行驶状态进行综合评判的决策规则。在介绍连通区间二型模糊集合下的综合评判之后,描述并分析影响无人驾驶汽车行驶状态的因素,按照步骤综合评判基于区间二型模糊集合无人驾驶汽车行驶状态;应用基于区间二型模糊集合的方法,形成无人驾驶汽车行为决策:以时变论域上的模糊控制规则为背景,根据驾驶经验和实际情况建立三个规则序列,实现对无人驾驶汽车的有效控制。本方法具有很强的实际意义,可以运用于实际操作,使无人驾驶汽车在行驶过程中与前方车辆保持安全车距,同时不降低无人驾驶汽车的行驶速度与运行效率。
附图说明
图1为本发明中控制流程示意图;
图2为本发明中“无人驾驶汽车自身的行驶速度”因素的隶属度函数示意图;
图3为本发明中“无人驾驶汽车与被跟随车辆之间的相对行驶速度”因素的隶属度函数示意图;
图4为本发明中“无人驾驶汽车与被跟随车辆之间的距离”因素的隶属度函数示意图;
具体实施方式
结合附图及本发明的实施例对本发明的一种基于区间二型模糊综合评判的无人驾驶汽车行为决策的控制规则作进一步详细的说明。
本发明基于区间二型模糊集合,对无人驾驶汽车行驶状态进行综合评判:在介绍连通区间二型模糊集合下的综合评判之后,描述并分析影响无人驾驶汽车行驶状态的因素,按照步骤综合评判基于区间二型模糊集合的无人驾驶汽车行驶状态;应用基于区间二型模糊集合的方法,形成无人驾驶汽车行为决策:以时变论域上的模糊控制规则为背景,根据驾驶经验和实际情况建立三个规则序列,实现对无人驾驶汽车的有效控制。下面结合本发明的实施例分别对本发明所述内容做简要说明:
(1)对于提取出的影响无人驾驶汽车状态的模糊因素建立相应隶属度函数或进行评分。
设Ωt为时变论域,取t=1,2,3,Ω1、Ω2、Ω3分别为无人驾驶汽车行驶速度区间为[0,20)、[20,80)、[80,120)时的论域。在论域Ωt上分别给出行驶速度、相对速度、间隔距离的隶属函数,并设定相应的基词。
针对因素“无人驾驶汽车自身的行驶速度”(单位为km/h),在Ω1上设定几个基词,分别为慢v11,中v12,快v13,其对应的隶属度函数为:
在Ω2上设定慢v21,中v22,快v23三个基词,其对应的隶属度函数为:
在Ω3上设定慢v31,中v32,快v33三个基词,其对应的隶属度函数为:
针对因素“无人驾驶汽车与被跟随车辆之间的相对行驶速度”(单位为 km/h),在Ω1上设定几个基词,分别为小γ11,中γ12,大γ13,其对应的隶属度函数为:
在Ω2上设定小γ21,中γ22,大γ23三个基词,其对应的隶属度函数为:
在Ω3上设定小γ31,中γ32,大γ33三个基词,其对应的隶属度函数为:
针对因素“无人驾驶汽车与被跟随车辆之间的距离”(单位为m),在Ω1上设定几个基词,分别为远x11,中x12,近x13,其对应的隶属度函数为:
在Ω2上设定远x21,中x22,近x23三个基词,其对应的隶属度函数为:
在Ω3上设定远x31,中x32,近x33三个基词,其对应的隶属度函数为:
Claims (10)
1.一种基于区间二型模糊综合评判的无人驾驶汽车行为决策的控制规则,其特征在于,包括以下步骤:
步骤11:根据专家经验选取影响无人驾驶汽车行为决策的主要因素并进行分析;
步骤12:根据所选因素,运用区间二型模糊综合评判法对无人驾驶汽车行驶状态进行分类和评估;
步骤13:综合评判并得到评判结果,结合时变论域理论,制定无人驾驶汽车行为决策的控制方法。
2.根据权利要求1所述的一种基于区间二型模糊综合评判的无人驾驶汽车行为决策的控制规则,其特征在于,步骤11中:
当无人驾驶汽车u行驶在路上时,由于周围的环境随时间一直在变化,这时会有许多因素影响到其行驶的状态。综合专家经验,考虑参数的有效性以及输入数据的可行性,在不考虑无人驾驶汽车受到红绿灯及其他交通标示牌等因素影响的理想行驶环境下,本文选择以下三个作为影响无人驾驶汽车行驶状态的主要因素:行驶速度;相对速度;间隔距离。
3.根据权利要求2所述的三个影响因素,其特征在于:
行驶速度是无人驾驶汽车自身的行驶速度,速度的快慢并没有一个绝对的标准。本文根据采集到的数据并结合实际交通情况在三个论域上分别给出行驶速度的隶属函数和基词,其中行驶速度的单位均为km/h。
相对速度是无人驾驶汽车与被跟随车辆之间的相对行驶速度,其数值大小同样也取决于对照标准。本文根据实际情况在三个论域上分别给出相对速度的隶属函数和基词,其中相对速度的单位均为km/h。
间隔距离是无人驾驶汽车与被跟随车辆之间的距离,根据行车安全车距原理和相关专家经验(如三秒间隔)在三个论域上分别给出隶属函数和基词,其中间隔距离的单位均为m。
4.根据权利要求1所述的一种基于区间二型模糊综合评判的无人驾驶汽车行为决策的控制规则,其特征在于,步骤12中:
根据所选因素,运用区间二型模糊集合综合评判对无人驾驶汽车行驶状态的评判包括以下步骤:
步骤2.1:确定影响无人驾驶汽车状态的因素集T;
步骤2.2:确定评价无人驾驶汽车状态的评语集Sj;
步骤2.3:确定评价因素的权重集Q;
步骤2.4:进行单因素模糊评估,确立模糊综合评判矩阵R;
步骤2.5:得到二型模糊综合评判矩阵C;
步骤2.6:根据隶属度最大原则作出评判,制定相应模糊规则并进行综合评判。
5.根据权利要求4所述的无人驾驶汽车状态的区间二型模糊综合评判法,其特征在于,步骤2.1中影响无人驾驶汽车评价对象的因素集包括{行驶速度、相对速度、间隔距离},表示为T={t1,t2,t3}。
6.根据权利要求4所述的无人驾驶汽车状态的区间二型模糊综合评判法,其特征在于,步骤2.2中,将无人驾驶汽车状态分为松弛,适中和紧急,表示为Sj(j=1,2,3)。
7.根据权利要求4所述的无人驾驶汽车状态的区间二型模糊综合评判法,其特征在于,步骤2.3中,根据实际情况和相关经验,可以对因素集中的三个因素设定一个权重集,本文确立A={0.2,0.2,0.6}。
8.根据权利要求4所述的无人驾驶汽车状态的区间二型模糊综合评判法,其特征在于,步骤2.4中,隶属度矩阵R为T到S的一种模糊关系,对每个因素进行评估分别得到隶属度向量r1=[r11 r12 r13],r2=[r21 r22 r23],r3=[r31 r32 r33],其中rmn表示第m个因素与sn对应基词的匹配度。将r1,r2,r3综合起来便得到隶属度矩阵,表示为
其中,r1,r2,r3为因素t1,t2,t3分别为“松弛”、“适中”、“紧急”三个程度的匹配度,根据无人驾驶汽车u在实际驾驶环境中的数据得到。
9.根据权利要求4所述的无人驾驶汽车状态的区间二型模糊综合评判法,其特征在于,步骤2.5中各指标模糊综合评判矩阵R及对应的权向量A,利用加权平均模糊合成算子得到二型模糊综合评判:
其中,以所有因素与基词匹配度的加权模糊合成值作为主隶属度,所有次隶属均为1,即可取区间二型模糊集合形式:
以加权模糊合成值为参考量,可运用区间二型模糊集合评估无人驾驶汽车当前的行驶状态。
10.根据权利要求4所述的无人驾驶汽车状态的区间二型模糊综合评判法,其特征在于,步骤2.6中相应的模糊规则为:
R1规则库
若s1为且t1为则u保持速度并直行;
若s1为且t1为则u适当加速并滑行;
若s1为且t1为则u适当减速并滑行;
若s1为且t1为则u选择变道;
若s1为且t1为则u紧急制动;
若s1为且t1为则u紧急制动.
R2规则库
若s2为且t2为则u适当加速并滑行;
若s2为且t2为则u适当加速并滑行;
若s2为且t2为则u适当减速并滑行;
若s2为且t2为则u适当减速并滑行;
若s2为且t2为则u紧急制动;
若s2为且t2为则u选择变道或紧急制动.
R3规则库
若s3为且t3为则u适当加速并滑行;
若s3为且t3为则u适当加速并滑行;
若s3为且t3为则u适当减速并滑行;
若s3为且t3为则u适当减速并滑行;
若s3为且t3为则u紧急制动;
若s3为且t3为则u选择变道或紧急制动.
R1、R2、R3组成时变论域上的模糊规则序列,从而实现对无人驾驶汽车的有效控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289103.7A CN110308718A (zh) | 2019-04-11 | 2019-04-11 | 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289103.7A CN110308718A (zh) | 2019-04-11 | 2019-04-11 | 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110308718A true CN110308718A (zh) | 2019-10-08 |
Family
ID=68074401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289103.7A Pending CN110308718A (zh) | 2019-04-11 | 2019-04-11 | 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308718A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208821A (zh) * | 2020-02-17 | 2020-05-29 | 李华兰 | 汽车自动驾驶控制方法、装置、自动驾驶装置及系统 |
CN111381492A (zh) * | 2020-03-24 | 2020-07-07 | 湖南盛鼎科技发展有限责任公司 | 基于区间二型模糊变积分pid的无刷直流电机控制方法 |
CN114485686A (zh) * | 2022-04-07 | 2022-05-13 | 北京盈通恒信电力科技有限公司 | 用于车辆导航定位的方法、装置、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108572631A (zh) * | 2018-03-08 | 2018-09-25 | 华南理工大学 | 一种基于二型模糊认知图的智能控制系统及方法 |
CN108594654A (zh) * | 2018-03-21 | 2018-09-28 | 南京邮电大学 | 一种基于二型模糊滑模的桥式吊车防摆控制方法 |
CN108673513A (zh) * | 2018-08-09 | 2018-10-19 | 四川大学 | 一种电力巡检机器人运行姿态的控制方法及装置 |
CN109522666A (zh) * | 2018-11-27 | 2019-03-26 | 袁小芳 | 一种分布式电动汽车稳定性控制方法 |
-
2019
- 2019-04-11 CN CN201910289103.7A patent/CN110308718A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108572631A (zh) * | 2018-03-08 | 2018-09-25 | 华南理工大学 | 一种基于二型模糊认知图的智能控制系统及方法 |
CN108594654A (zh) * | 2018-03-21 | 2018-09-28 | 南京邮电大学 | 一种基于二型模糊滑模的桥式吊车防摆控制方法 |
CN108673513A (zh) * | 2018-08-09 | 2018-10-19 | 四川大学 | 一种电力巡检机器人运行姿态的控制方法及装置 |
CN109522666A (zh) * | 2018-11-27 | 2019-03-26 | 袁小芳 | 一种分布式电动汽车稳定性控制方法 |
Non-Patent Citations (1)
Title |
---|
KEFU YAN ETC: ""Application of fuzzy control under time-varying universe in unmanned vehicles"", 《THE 33RD YOUNTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111208821A (zh) * | 2020-02-17 | 2020-05-29 | 李华兰 | 汽车自动驾驶控制方法、装置、自动驾驶装置及系统 |
CN111381492A (zh) * | 2020-03-24 | 2020-07-07 | 湖南盛鼎科技发展有限责任公司 | 基于区间二型模糊变积分pid的无刷直流电机控制方法 |
CN114485686A (zh) * | 2022-04-07 | 2022-05-13 | 北京盈通恒信电力科技有限公司 | 用于车辆导航定位的方法、装置、电子设备、存储介质 |
CN114485686B (zh) * | 2022-04-07 | 2022-07-01 | 北京盈通恒信电力科技有限公司 | 用于车辆导航定位的方法、装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sauer et al. | Conditional affordance learning for driving in urban environments | |
Elallid et al. | A comprehensive survey on the application of deep and reinforcement learning approaches in autonomous driving | |
CN110304074B (zh) | 一种基于分层状态机的混合式驾驶方法 | |
JP3714258B2 (ja) | 車両用推奨操作量生成装置 | |
CN110308718A (zh) | 一种基于二型模糊综合评判的无人驾驶汽车行为决策方法 | |
CN110568841A (zh) | 一种自动驾驶决策方法及系统 | |
Shao et al. | Lmdrive: Closed-loop end-to-end driving with large language models | |
CN113291318B (zh) | 基于部分可观测马尔科夫模型的无人车盲区转弯规划方法 | |
Xu et al. | An integrated decision-making framework for highway autonomous driving using combined learning and rule-based algorithm | |
CN117032203A (zh) | 基于svo的自动驾驶智能控制方法 | |
Muzahid et al. | Deep reinforcement learning-based driving strategy for avoidance of chain collisions and its safety efficiency analysis in autonomous vehicles | |
US11436504B1 (en) | Unified scene graphs | |
Guan et al. | Learn collision-free self-driving skills at urban intersections with model-based reinforcement learning | |
Ren et al. | Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections | |
Yu et al. | A Novel Dynamic Lane‐Changing Trajectory Planning Model for Automated Vehicles Based on Reinforcement Learning | |
CN114429008A (zh) | 一种基于模型预测控制的拟人化自动驾驶策略 | |
Wang et al. | S 4 TP: Social-Suitable and Safety-Sensitive Trajectory Planning for Autonomous Vehicles | |
Jugade et al. | Sensor based prediction of human driving decisions using feed forward neural networks for intelligent vehicles | |
Richardos et al. | Vehicle maneuver-based long-term trajectory prediction at intersection crossings | |
Raipuria et al. | Road infrastructure indicators for trajectory prediction | |
Dong et al. | Lane-changing trajectory control strategy on fuel consumption in an iterative learning framework | |
Guo et al. | Research on integrated decision control algorithm for autonomous vehicles under multi-task hybrid constraints in intelligent transportation scenarios | |
Gupta et al. | Hylear: Hybrid deep reinforcement learning and planning for safe and comfortable automated driving | |
Wang | Path planning and path following for vehicles at intersections and in parking lots | |
Pérez et al. | Control agents for autonomous vehicles in urban and highways scenarios |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191008 |
|
WD01 | Invention patent application deemed withdrawn after publication |