CN110398968A - 一种智能车多目标驾驶控制方法及决策系统 - Google Patents

一种智能车多目标驾驶控制方法及决策系统 Download PDF

Info

Publication number
CN110398968A
CN110398968A CN201910672422.6A CN201910672422A CN110398968A CN 110398968 A CN110398968 A CN 110398968A CN 201910672422 A CN201910672422 A CN 201910672422A CN 110398968 A CN110398968 A CN 110398968A
Authority
CN
China
Prior art keywords
vehicle
controlled
decision
speed
road
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
Application number
CN201910672422.6A
Other languages
English (en)
Other versions
CN110398968B (zh
Inventor
王建强
赵晓聪
郑讯佳
黄荷叶
田洪清
高丽英
崔明阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201910672422.6A priority Critical patent/CN110398968B/zh
Publication of CN110398968A publication Critical patent/CN110398968A/zh
Application granted granted Critical
Publication of CN110398968B publication Critical patent/CN110398968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0223—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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons in combination with a laser
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • 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)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种智能车多目标驾驶控制方法和系统，该方法包括：S1，制定待控制车辆的拟执行的驾驶操作；S2，采集信息；S3，生成决策Map；S4，判断其他道路使用者所处位置和速度对应的决策点是否有效，若无效，进入S6；反之，进入S5；S5，执行拟执行的驾驶操作；S6，其他道路使用者保持当前速度行驶时，判断是否可以获得有效决策点：如果可以，进入S7；反之，进入S8；S7，在可获得的有效决策点中，选择决策收益最高的决策点，并依此执行S1拟执行的驾驶操作；S8，待控制车辆放弃拟执行的驾驶操作，停车等待。本发明能够通过综合考虑各种交通环境中的各类因素，实现自动驾驶车辆兼顾安全和高效的驾驶决策。

Description

一种智能车多目标驾驶控制方法及决策系统
技术领域
本发明涉及自动驾驶技术领域，具体涉及一种智能车多目标驾驶控制方法及决策系统。
背景技术
自动驾驶与无人驾驶技术在近年来得到快速发展，作为技术载体的智能车的驾驶决策不仅直接决定了待控制车辆乘客的乘车体验，同时对道路交通环境中的其他交通参与者也具有直接的影响。因此，提高自动驾驶决策行为的合理性对于自动驾驶技术的发展具有重要意义。
自动驾驶技术的发展是一个循序渐进的过程，在中短期内，自动驾驶车辆都将会和人类驾驶人所驾车辆共享同一个交通环境。然而目前的自动驾驶车辆往往倾向于过渡追求驾驶安全性，从而致使其所执行的驾驶行为过于保守，从而导致在某些场景内引起通行效率的下降。这些不同于人类驾驶人的驾驶行为，往往会引起周围人类驾驶人对自动驾驶车辆的异类感，从而对自动驾驶车辆产生攻击性。因此，为了提高自动驾驶车辆的被接纳程度，自动驾驶除了要保证驾驶安全以外，也应尽可能地提高驾驶的拟人化程度。
中国发明专利(CN108205922A)中公开了一种自动驾驶决策方法和系统，该发明通过对决策模型的训练，获取应对各种复杂路况的驾驶决策行为。但该发明进公开了所训练的决策模型的输入和输出数据的类型，没有明确决策模型的具体结构和决策模型训练的具体操作方法。
发明内容
本发明的目的在于提供一种智能车多目标驾驶决策控制方法及决策系统，其通过综合考虑各种交通环境中的各类因素，实现了自动驾驶车辆兼顾安全和高效的驾驶决策。
为实现上述目的，本发明提供一种智能车多目标驾驶控制方法，该方法包括如下步骤：
S1，制定待控制车辆的拟执行的驾驶操作；
S2，采集待控制车辆信息、待控制车辆周围的交通环境中的静态道路环境信息和其他道路使用者信息；其中，所述待控制车辆信息包括待控制车辆的位置和速度信息，所述其他道路使用者信息包括其他道路使用者的位置和速度信息；
S3，根据S2采集到的所述静态道路环境信息，生成以系统拉格朗日量为输出的决策Map；
S4，根据S2采集到的所述其他道路使用者信息，判断其他道路使用者所处位置和速度对应的决策点是否有效，若判定该决策点为无效决策点，进入S6；反之，判定该决策点为有效决策点，进入S5；
S5，执行S1采集到的所述拟执行的驾驶操作；
S6，在其他道路使用者保持当前速度行驶的情形下，判断是否可以获得有效决策点：如果可以获得有效决策点，则进入S7；如果无法获得有效决策点，则进入S8；
S7，在可获得的有效决策点中，选择决策收益最高的决策点，并在其他道路使用者处于该决策收益最高的决策点时，执行S1采集到的所述拟执行的驾驶操作；以及
S8，待控制车辆放弃所述拟执行的驾驶操作，并停车等待。
进一步地，S3中的所述决策Map上的每一种速度和距离确定一个决策点，每个所述决策点的系统拉格朗日量Li，s为所述决策收益，该系统拉格朗日量Li，s的计算表示为式(16)：
式(16)中，i为待控制车辆的编号；mi为待控制车辆的质量；vi为待控制车辆的速度；j为其他道路使用者的编号；vj为其他道路使用者的速度；n为道路使用者的数量；t0为拟执行的驾驶操作的时间起点；tf为拟执行的驾驶操作的时间终点；Ri为交通规则对待控制车辆的约束阻力；Gi为待控制车辆受到驾驶目标的虚拟引力；vi，x为待控制车辆的纵向速度；vi，y为待控制车辆的横向速度；Fli，1为左侧车道边界对待控制车辆的横向运动的约束力；Fli，2为右侧车道边界对待控制车辆的横向运动的约束力；Fji为其他道路使用者对待控制车辆的虚拟弹簧力。
进一步地，所述系统拉格朗日量Li，s的获取方法包括如下步骤：
S31，按式(1)计算其他道路使用者匀速行驶时对待控制车辆的虚拟弹簧力Fli，按式(2)计算交通规则对待控制车辆的约束阻力Ri，按式(3)计算待控制车辆受到驾驶目标的虚拟引力Gi：
式(1)至式(3)中，lt表示车道线类型；lw为待控制车辆所在车道的宽度；rli为待控制车辆与道路边界的距离；g为重力加速度；k为常数；vder为待控制车辆的驾驶人的期望速度；vlimit为车道限速；τ为校准参数；
S32，通过S2采集到的所述静态道路环境信息，计算其他道路使用者出现在不同位置、以不同速度行驶时对待控制车辆产生的虚拟弹簧力；
S33，根据步骤S31和S32的计算结果，计算其他道路使用者以不同速度和距离行驶时的系统拉格朗日量，并生成以其他道路使用者的速度和距离为输入、以系统拉格朗日量为输出的决策Map。
进一步地，S32中，当其他道路使用者匀速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(4)至式(7)计算得到：
a＝1.5vj (6)
b＝lw (7)
式(4)和式(7)中，j为其他道路使用者的编号；vj为其他道路使用者的速度；mj为其他道路使用者的质量；P(xi，yi)为待控制车辆的坐标；lw为待控制车辆所在车道的宽度。
进一步地，S32中，当其他道路使用者加速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(8)至式(15)计算得到：
W1＝b2(xi+Δxj) (11)
a＝1.5vj (14)
b＝lw (15)
式(8)至式(15)中：j为其他道路使用者的编号；vj为其他道路使用者的速度；mj为其他道路使用者的质量；P(xi，yi)为待控制车辆的坐标；P′(xj，yj)为其他道路使用者的坐标；lw为待控制车辆所在车道的宽度；j′为其他正在加速或制动的道路使用者的编号；Δxj为为其他道路使用者加速或减速导致的虚拟弹簧场的中心向其他道路使用者的运动方向偏移量。
进一步地，S2中的所述待控制车辆的位置和速度信息由车辆感知模块检测得到；
S4中的“判断决策点是否有效的方法”包括：
当其他道路使用者处于该决策点对应的位置，保持以该决策点对应的速度行驶，且待控制车辆处于所述车辆感知模块采集的待控制车辆位置，保持以所述车辆感知模块采集的速度行驶，如果其他道路使用者将与待控制车辆发生碰撞，则将该决策点判定为无效决策点。
本发明还提供一种智能车多目标驾驶决策系统，智能车多目标驾驶决策系统包括静态环境感知模块、动态环境感知模块、车辆感知模块、决策状态机和驾驶决策模块，其中：
所述静态环境感知模块用于检测待控制车辆周围的交通环境中的静态道路环境信息；
所述动态环境感知模块用于检测其他道路使用者的位置和速度信息；
所述车辆感知模块用于检测待控制车辆的位置和速度信息；
所述决策状态机用于接收所述静态道路环境信息，并根据所述静态道路环境信息生成决策Map；
所述驾驶决策模块用于制定待控制车辆的拟执行的驾驶操作，并接收所述待控制车辆的位置和速度信息、所述其他道路使用者信息、以及所述决策Map，将所述决策Map中有可能导致碰撞的决策点标记为无效决策点，并将无效决策点的系统拉格朗日量标记为0；最后根据所述其他道路使用者的位置和速度信息，判断其他道路使用者的速度和位置所确定的决策点是否有效：如果当前决策点无效，则进一步判断，在其他道路使用者保持当前速度行驶的情形下，在其位置超出所述决策Map中的决策点范围前，是否可以获得有效决策点：如果无法获得有效决策点，则放弃拟执行的驾驶操作；如果可以获得有效决策点，则在可获得的有效决策点中，选择决策收益最高的决策点执行拟执行的驾驶操作；如果当前决策点有效，则执行拟执行的驾驶操作。
进一步地，所述决策Map上的每一种速度和距离确定一个决策点，每个所述决策点的系统拉格朗日量Li，s为所述决策收益，该系统拉格朗日量Li，s的计算表示为式(16)：
式(16)中，i为待控制车辆的编号；mi为待控制车辆的质量；vi为待控制车辆的速度；j为其他道路使用者的编号；vj为其他道路使用者的速度；n为道路使用者的数量；t0为拟执行的驾驶操作的时间起点；tf为拟执行的驾驶操作的时间终点；Ri为交通规则对待控制车辆的约束阻力；Gi为待控制车辆受到驾驶目标的虚拟引力；vi，x为待控制车辆的纵向速度；vi，y为待控制车辆的横向速度；Fli，1为左侧车道边界对待控制车辆的横向运动的约束力；Fli，2为右侧车道边界对待控制车辆的横向运动的约束力；Fji为其他道路使用者匀速行驶时对待控制车辆的虚拟弹簧力。
进一步地，所述系统拉格朗日量Li，s的获取方法包括如下步骤：
S31，按式(1)计算其他道路使用者匀速行驶时对待控制车辆的虚拟弹簧力Fli，按式(2)计算交通规则对待控制车辆的约束阻力Ri按，按式(3)计算待控制车辆受到驾驶目标的虚拟引力Gi：
式(1)至式(3)中，lt表示车道线类型；lw为待控制车辆所在车道的宽度；rli为待控制车辆与道路边界的距离；g为重力加速度；k为常数；vder为待控制车辆的驾驶人的期望速度；vlimit为车道限速；τ为校准参数；
S32，通过S2采集到的所述静态道路环境信息，计算其他道路使用者出现在不同位置、以不同速度行驶时对待控制车辆产生的虚拟弹簧力和方向θ；
S33，根据步骤S31和S32的计算结果，计算其他道路使用者以不同速度和距离行驶时的系统拉格朗日量，并生成以其他道路使用者的速度和距离为输入、以系统拉格朗日量为输出的决策Map。
进一步地，S32中，当其他道路使用者匀速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(4)至式(7)计算得到：
a＝1.5vj (6)
b＝lw (7)
当其他道路使用者加速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(8)至式(15)计算得到：
W1＝b2(xi+Δxj) (11)
a＝1.5vj (14)
b＝lw (15)
式(4)至式(15)中：j为其他道路使用者的编号；vj为其他道路使用者的速度；mj为其他道路使用者的质量；P(xi，yi)为待控制车辆的坐标；P′(xj，yj)为其他道路使用者的坐标；lw为待控制车辆所在车道的宽度；j′为其他正在加速或制动的道路使用者的编号；Δxj为其他道路使用者加速或减速导致的虚拟弹簧场的中心向其他道路使用者的运动方向偏移量。
本发明由于采取以上技术方案，其具有以下优点：
1.该系统所提供的多目标决策方案兼顾高效和安全，在保证行车安全的前提下，实现了行驶效率的最大化。
2.该系统对驾驶操作可行性的评估不仅关注了当前环境中的道路使用者，同时也对道路使用者在未来的运动态势进行了预判，保证了决策具有良好的时间一致性。
3.该系统所提供的决策方案不仅给出了“驾驶操作是否应该被执行”的决策结果，还给出了在不同决策点执行该驾驶操作的决策收益，从而实现了决策收益的最大化。
附图说明
图1为本发明通过的智能车多目标驾驶决策系统的构成框图；
图2为图1所示的决策系统的运行流程图；
图3为一具体实施例提供的决策场景；
图4为虚拟弹簧力的计算原理示意图；
图5为图1所示的决策系统输出的决策Map。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本实施例所提供的智能车多目标驾驶决策系统安装于待控制车辆10上，待控制车辆10为自动或半自动车辆，且具备非自动车辆的所有特征和功能。例如：完成驾驶任务所需的转向系统、制动系统、导航系统等。所述自动车辆可以在没有人类驾驶员干预的情况下，通过控制节气门、制动踏板、方向盘等执行元件，在所有道路环境下进行自动驾驶。所述半自动车辆可以通过控制节气门、制动踏板、方向盘等执行元件，在部分道路环境中进行自动驾驶，例如高速公路，并且在遇到紧急情况时需要人类驾驶人介入操作。智能车多目标驾驶决策系统采集待控制车辆周围的环境参数，并通过综合考虑各种交通环境中的各类因素，为待控制车辆提供兼顾安全和高效的驾驶决策。
如图1所示，在一个实施例中，所述智能车多目标驾驶决策系统包括静态环境感知模块110、动态环境感知模块120、车辆感知模块130、决策状态机140和驾驶决策模块150，其中：
静态环境感知模块110用于检测待控制车辆10周围的交通环境中的静态道路环境信息。具体地，静态环境感知模块110可以包括用于检测待控制车辆10所处地理位置的子系统，例如用于确定经度、纬度、海拔位置等信息的GSP全球定位系统。静态环境感知模块110还可以包括用于探测待控制车辆10所在车道以及相邻车道的车道线、道路中的静态障碍物、交通信号、交通标志等静态环境的激光雷达、超声波雷达、摄像机或任何其它具有探测外部静态物体功能的设备。
动态环境感知模块120用于检测其他道路使用者的位置和速度信息。具体地，动态环境感知模块120可以包括DSRC短程通讯、V2X车载通讯、穿透传感器等可以允许待控制车辆10与传感器检测范围内的其他车辆通信的设备。动态环境感知模块120还可以包括用于探测待控制车辆10周围行人、非机动车等动态交通参与者的激光雷达、超声波雷达、摄像机或任何其他具有探测外部动态物体功能的设备。环境感知模块120的功能为允许待控制车辆10理解周围环境中的动态事物，这包括对周围环境中的人、车和各类运动物体进行尽可能正确的识别，因此环境感知模块120所包括的传感器和设备仅作为示例，环境感知模块120还可以通过增加其他设备来提高对驾驶过程中周围运动事物的理解能力。
车辆感知模块130用于检测待控制车辆10的位置和速度信息。车辆感知模块130可以包括用于检测待控制车辆10的运动方向、速度和加速度等运动状态的加速度传感器、陀螺仪或其他速度和方向检测设备。车辆感知模块130还可以接收非自动驾驶车辆应当配备的车载传感器的数据，这包括：轮胎压力传感器、发动机温度传感器、发动机排气温度传感器、档位传感器、制动热传感器、燃料传感器、进气量传感器和其他任何检测车身运动状态的传感器。
决策状态机140用于接收所述静态道路环境信息，并根据所述静态道路环境信息生成决策Map。如图5所示，决策Map的横坐标为车速(图5中示出的“速度(m/s)”)，纵坐标为距离(m)。决策状态机140生成决策Map的方法具体包括如下步骤：
S31，决策状态机140计算车道边界(如车道线)对待控制车辆的横向运动具有约束力Fli(如式(1)所示)、交通规则对待控制车辆的约束阻力Ri(如式(2)所示)和待控制车辆受到驾驶目标的虚拟引力Gi(如式(3)所示)。其中，驾驶目标的虚拟引力Gi即驾驶人为了完成驾驶目标(通常为从出发位置驶向目的地)，需要驱动汽车使之获得速度并行驶。此处将这种驾驶人通过控制油门来提高车辆速度的行为抽象为一种虚拟力：
式(1)至式(3)中，i为待控制车辆的编号；mi为待控制车辆的质量；g为重力加速度；k为常数，取k＝0.2；vder为待控制车辆的驾驶人的期望速度；vlimit为车道限速；vi为待控制车辆的速度；τ为校准参数，取τ＝1；l作为下标时表示车道线；lt表示车道线类型(例如虚线取lt＝2，实线取lt＝3)；r表示距离；rli为待控制车辆与道路边界的距离；lw为待控制车辆所在车道的宽度。
S32，决策状态机140通过静态环境感知模块110采集到的道路环境信息，计算其他道路使用者出现在不同位置、以不同速度行驶时对待控制车辆10产生虚拟弹簧力，虚拟弹簧力包括如下的虚拟弹簧力的大小Fji和方向θ，该方向由其他道路使用者指向待控制车辆。
需要说明的是：虚拟弹簧场是其他道路使用者所产生的虚拟弹簧力的作用范围，当待控制车辆10处于其他道路使用者的虚拟弹簧场中时，将会受到虚拟弹簧力，不在虚拟弹簧场中，则不受虚拟弹簧力。如图4所示，图4的椭圆是虚拟弹簧力场的作用范围，图4中X正方向为其他道路使用者的运动方向，Y方向垂直于该运动方向，椭圆的中心是虚拟弹簧场的中心。
如图4所示，当其他道路使用者匀速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(4)至式(7)计算得到：
a＝1.5vj (6)
b＝lw (7)
式(4)和式(7)中，j为其他道路使用者的编号；vj为其他道路使用者的速度；mj为其他道路使用者的质量；P(xi，yi)为待控制车辆10的坐标；lw为其他道路使用者所在车道的宽度。
当其他道路使用者加速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(8)至式(15)计算得到：
W1＝b2(xi+Δxj) (11)
a＝1.5vj (14)
b＝lw (15)
式(8)至式(15)中：j为其他道路使用者的编号；vi为其他道路使用者的速度；mj为其他道路使用者的质量；P(xi，yi)为待控制车辆10的坐标；P′(xj，yj)为其他道路使用者的坐标；lw为其他道路使用者所在车道的宽度；j′为其他正在加速或制动的道路使用者的编号；Δxj为其他道路使用者加速或减速导致的虚拟弹簧场的中心向其他道路使用者的运动方向偏移量(如图4所示)。其中，其他道路使用者匀速行驶时，虚拟弹簧场的中心处于其他道路使用者的质心位置，而当其他道路使用者加速或减速时，虚拟弹簧场的中心将离开其他道路使用者的质心从而发生偏移，这个偏移量是虚拟弹簧场的中心的偏移量。补充：当其他道路使用者加速时，虚拟弹簧场的中心向其他道路使用者的运动方向偏移，当其他道路使用者减速时，虚拟弹簧场的中心向其他道路使用者的运动方向的反方向偏移。
S33，如图5所示，决策状态机140计算其他道路使用者以不同速度和距离行驶时的系统拉格朗日量，并生成以其他道路使用者的速度和距离为输入，以系统拉格朗日量为输出的决策Map。决策Map上的每一种速度和距离确定一个决策点，每个决策点的系统拉格朗日量Li，s为决策收益，该系统拉格朗日量Li，s的计算方式为：
式(16)中，i为待控制车辆10的编号；mi为待控制车辆10的质量；vi为待控制车辆10的速度；j为其他道路使用者的编号；vj为其他道路使用者的速度；n为道路使用者的数量；t0为拟执行的驾驶操作的时间起点；tf为拟执行的驾驶操作的时间终点；Ri为交通规则对待控制车辆10的约束阻力，由上式(2)计算得到；vi，x为待控制车辆10的纵向速度；vi，y为待控制车辆10的横向速度；Fli，1为左侧车道边界对待控制车辆10的横向运动的约束力；Fli，2为右侧车道边界对待控制车辆10的横向运动的约束力；Fji为其他道路使用者匀速行驶时对待控制车辆10的虚拟弹簧力；Gi为待控制车辆10受到驾驶目标的虚拟引力，Gi可由上式(3)计算得到。
驾驶决策模块150用于制定待控制车辆10的拟执行的驾驶操作，并接收所述待控制车辆的位置和速度信息、所述其他道路使用者信息、以及所述决策Map，将所述决策Map中有可能导致碰撞的决策点标记为无效决策点，并将无效决策点的系统拉格朗日量标记为0；最后根据所述其他道路使用者的位置和速度信息，判断其他道路使用者的速度和位置所确定的决策点是否有效：如果当前决策点无效，则进一步判断，在其他道路使用者保持当前速度行驶的情形下，在其位置超出所述决策Map中的决策点范围前，是否可以获得有效决策点：如果无法获得有效决策点，则放弃拟执行的驾驶操作；如果可以获得有效决策点，则在可获得的有效决策点中，选择决策收益最高的决策点执行拟执行的驾驶操作；如果当前决策点有效，则执行拟执行的驾驶操作。
如图2所示，本实施例所提供的智能车多目标驾驶控制方法包括如下步骤：
S1，制定待控制车辆10的拟执行的驾驶操作。
S2，采集待控制车辆10的信息、待控制车辆10周围的交通环境中的静态道路环境信息和其他道路使用者信息.其中，待控制车辆10的信息包括待控制车辆10的位置和速度信息，所述其他道路使用者信息包括其他道路使用者的位置和速度信息。
S3，根据S2采集到的所述静态道路环境信息，生成以系统拉格朗日量为输出的决策Map。
S4，根据S2采集到的所述其他道路使用者信息，判断其他道路使用者所处位置和速度对应的决策点是否有效，若判定该决策点为无效决策点，进入S6；反之，判定该决策点为有效决策点，进入S5。
S5，执行S1采集到的所述拟执行的驾驶操作。
S6，在其他道路使用者保持当前速度行驶的情形下，判断是否可以获得有效决策点：如果可以获得有效决策点，则进入S7；如果无法获得有效决策点，则进入S8。
S6中的“判断是否可以获得有效决策点”的方法具体包括：
如图5所示，在获得其他道路使用者当前的速度以后，假设该速度在未来一段时间内保持不变，则其他道路使用者和待控制车辆10的距离将会持续缩小或增大(距离的变化正比于待控制车辆10和其他道路使用者的速度差)。
在决策Map上体现为：横坐标-速度为当前其他道路使用者的速度，则纵坐标-距离将在未来一段时间内变大或变小，其中，变大、变小取决于当前其他道路使用者是在接近待控制车辆10还是在远离待控制车辆10，如果远离，则距离增大，反之则减小。每一次距离增大或减小，在决策Map上都对应一个决策点。决策Map上的距离有一定的范围限制，即S6中提及的“决策点范围”。本实施例中，“决策点范围”包括距离和速度的范围，决策点的距离范围在限定为：15m至60m，决策点的速度范围限定为：7m/s至25m/s。如果距离增大到(或减小到)该决策点的距离范围以外，仍然没有获得有效决策点，那么判定为“无法获得有效决策点”。
S7，在可获得的有效决策点中，选择决策收益最高的决策点，并在其他道路使用者处于该决策收益最高的决策点时，执行S1采集到的所述拟执行的驾驶操作。
S8，待控制车辆放弃S1制定的所述拟执行的驾驶操作，并停车等待。
在一个实施例中，S3中的所述决策Map上的每一种速度和距离确定一个决策点，每个所述决策点的系统拉格朗日量Li，s为所述决策收益，该系统拉格朗日量Li，s的计算表示为上述式(16)。
在一个实施例中，所述系统拉格朗日量Li，s的获取方法包括如下步骤：
S31，按式(1)计算其他道路使用者匀速行驶时对待控制车辆的虚拟弹簧力Fli，按式(2)计算交通规则对待控制车辆的约束阻力Ri，按式(3)计算待控制车辆受到驾驶目标的虚拟引力Gi。
S32，通过S2采集到的所述静态道路环境信息，按上述式(4)至式(15)计算其他道路使用者出现在不同位置、以不同速度行驶时对待控制车辆产生的虚拟弹簧力。
S33，根据步骤S31和S32的计算结果，计算其他道路使用者以不同速度和距离行驶时的系统拉格朗日量，并生成以其他道路使用者的速度和距离为输入、以系统拉格朗日量为输出的决策Map。
在一个实施例中，S2中的所述待控制车辆的位置和速度信息由车辆感知模块检测得到；
S4中的“判断决策点是否有效的方法”包括：
当其他道路使用者处于该决策点对应的位置，保持以该决策点对应的速度行驶，且待控制车辆处于所述车辆感知模块采集的待控制车辆位置，保持以所述车辆感知模块采集的速度行驶，如果其他道路使用者将与待控制车辆发生碰撞，则将该决策点判定为无效决策点。
下面是一个具体的实施例，如图3所示，本实施例中，待控制车辆拟执行的驾驶操作为在T字路口进行左转。“拟执行的驾驶操作”由驾驶决策模块制定。
S2，静态环境感知模块110采集包括待控制车辆所在的经度、纬度、海拔位置、待控制车辆周围车道数量、车道线位置、车道线曲率、路面坡度以及道路中静态障碍物、交通信号和交通标志等的静态道路环境信息。车辆感知模块130检测待控制车辆的位置和速度，动态环境感知模块120检测其他道路使用者的位置和速度。
S3，决策状态机140生成的决策Map如图4所示。
S4，驾驶决策模块150判断其他道路使用者所处位置和速度对应的决策点是否有效，若判定这一决策点为无效决策点，进入S6；反之，判定这一决策点为有效决策点，进入S5；驾驶决策模块150判断一个决策点是否有效的方法为：当其他道路使用者处于这一决策点对应的位置，保持以这一决策点对应的速度行驶，且待控制车辆处于车辆感知模块采集的待控制车辆位置，保持以车辆感知模块采集的速度行驶，如果其他道路使用者将与待控制车辆发生碰撞，则将该决策点判定为无效决策点。
S5，执行拟执行的驾驶操作，即本实施例中的“拟执行的驾驶操作”是“在T字路口左转”，如图3所示。
S6，驾驶决策模块150进一步判断，假设其他道路使用者保持当前速度行驶，在其位置超出决策Map中的决策点范围前，是否可以获得有效决策点：如果可以获得有效决策点，则进入S7；如果无法获得有效决策点，则进入S8。
S7，在可获得的有效决策点中，驾驶决策模块150选择决策收益最高的决策点，并在其他道路使用者处于该决策收益最高的决策点时，执行拟执行的驾驶操作。
S8，待控制车辆放弃拟执行的驾驶操作，即放弃在T字路口左转，并停车等待。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种智能车多目标驾驶控制方法，其特征在于，包括如下步骤：
S1，制定待控制车辆的拟执行的驾驶操作；
S2，采集待控制车辆信息、待控制车辆周围的交通环境中的静态道路环境信息和其他道路使用者信息；其中，所述待控制车辆信息包括待控制车辆的位置和速度信息，所述其他道路使用者信息包括其他道路使用者的位置和速度信息；
S3，根据S2采集到的所述静态道路环境信息，生成以系统拉格朗日量为输出的决策Map；
S4，根据S2采集到的所述其他道路使用者信息，判断其他道路使用者所处位置和速度对应的决策点是否有效，若判定该决策点为无效决策点，进入S6；反之，判定该决策点为有效决策点，进入S5；
S5，执行S1采集到的所述拟执行的驾驶操作；
S6，在其他道路使用者保持当前速度行驶的情形下，判断是否可以获得有效决策点：如果可以获得有效决策点，则进入S7；如果无法获得有效决策点，则进入S8；
S7，在可获得的有效决策点中，选择决策收益最高的决策点，并在其他道路使用者处于该决策收益最高的决策点时，执行S1采集到的所述拟执行的驾驶操作；以及
S8，待控制车辆放弃所述拟执行的驾驶操作，并停车等待。
2.如权利要求1所述的智能车多目标驾驶控制方法，其特征在于，S3中的所述决策Map上的每一种速度和距离确定一个决策点，每个所述决策点的系统拉格朗日量Li，s为所述决策收益，该系统拉格朗日量Li，s的计算表示为式(16)：
式(16)中，i为待控制车辆的编号；mi为待控制车辆的质量；vi为待控制车辆的速度；j为其他道路使用者的编号；vj为其他道路使用者的速度；n为道路使用者的数量；t0为拟执行的驾驶操作的时间起点；tf为拟执行的驾驶操作的时间终点；Ri为交通规则对待控制车辆的约束阻力；Gi为待控制车辆受到驾驶目标的虚拟引力；vi，x为待控制车辆的纵向速度；vi，y为待控制车辆的横向速度；Fli，1为左侧车道边界对待控制车辆的横向运动的约束力；Fli，2为右侧车道边界对待控制车辆的横向运动的约束力；Fji为其他道路使用者对待控制车辆的虚拟弹簧力。
3.如权利要求2所述的智能车多目标驾驶控制方法，其特征在于，所述系统拉格朗日量Li，s的获取方法包括如下步骤：
S31，按式(1)计算其他道路使用者匀速行驶时对待控制车辆的虚拟弹簧力Fli，按式(2)计算交通规则对待控制车辆的约束阻力Ri，按式(3)计算待控制车辆受到驾驶目标的虚拟引力Gi：
式(1)至式(3)中，lt表示车道线类型；lw为待控制车辆所在车道的宽度；rli为待控制车辆与道路边界的距离；g为重力加速度；k为常数；vder为待控制车辆的驾驶人的期望速度；vlimit为车道限速；τ为校准参数；
S32，通过S2采集到的所述静态道路环境信息，计算其他道路使用者出现在不同位置、以不同速度行驶时对待控制车辆产生的虚拟弹簧力；
S33，根据步骤S31和S32的计算结果，计算其他道路使用者以不同速度和距离行驶时的系统拉格朗日量，并生成以其他道路使用者的速度和距离为输入、以系统拉格朗日量为输出的决策Map。
4.如权利要求3所述的智能车多目标驾驶控制方法，其特征在于，S32中，当其他道路使用者匀速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(4)至式(7)计算得到：
a＝1.5vj (6)
b＝lw (7)
式(4)和式(7)中，j为其他道路使用者的编号；vj为其他道路使用者的速度；mj为其他道路使用者的质量；P(xi，yi)为待控制车辆的坐标；lw为待控制车辆所在车道的宽度。
5.如权利要求3所述的智能车多目标驾驶控制方法，其特征在于，S32中，当其他道路使用者加速行驶时，虚拟弹簧力Fji和方向θ的大小由下面的式(8)至式(15)计算得到：
W1＝b2(xi+Δxj) (11)
a＝1.5vj (14)
b＝lw (15)
式(8)至式(15)中：j为其他道路使用者的编号；vj为其他道路使用者的速度；mj为其他道路使用者的质量；P(xi，yi)为待控制车辆的坐标；P′(xj，yj)为其他道路使用者的坐标；lw为待控制车辆所在车道的宽度；j′为其他正在加速或制动的道路使用者的编号；Δxj为为其他道路使用者加速或减速导致的虚拟弹簧场的中心向其他道路使用者的运动方向偏移量。
6.如权利要求1至5中任一项所述的智能车多目标驾驶控制方法，其特征在于，S2中的所述待控制车辆的位置和速度信息由车辆感知模块检测得到；
S4中的“判断决策点是否有效的方法”包括：
当其他道路使用者处于该决策点对应的位置，保持以该决策点对应的速度行驶，且待控制车辆处于所述车辆感知模块采集的待控制车辆位置，保持以所述车辆感知模块采集的速度行驶，如果其他道路使用者将与待控制车辆发生碰撞，则将该决策点判定为无效决策点。
7.一种智能车多目标驾驶决策系统，其特征在于，包括静态环境感知模块(110)、动态环境感知模块(120)、车辆感知模块(130)、决策状态机(140)和驾驶决策模块(150)，其中：
所述静态环境感知模块(110)用于检测待控制车辆周围的交通环境中的静态道路环境信息；
所述动态环境感知模块(120)用于检测其他道路使用者的位置和速度信息；
所述车辆感知模块(130)用于检测待控制车辆的位置和速度信息；
所述决策状态机(140)用于接收所述静态道路环境信息，并根据所述静态道路环境信息生成决策Map；
所述驾驶决策模块(150)用于制定待控制车辆的拟执行的驾驶操作，并接收所述待控制车辆的位置和速度信息、所述其他道路使用者信息、以及所述决策Map，将所述决策Map中有可能导致碰撞的决策点标记为无效决策点，并将无效决策点的系统拉格朗日量标记为0；最后根据所述其他道路使用者的位置和速度信息，判断其他道路使用者的速度和位置所确定的决策点是否有效：如果当前决策点无效，则进一步判断，在其他道路使用者保持当前速度行驶的情形下，在其位置超出所述决策Map中的决策点范围前，是否可以获得有效决策点：如果无法获得有效决策点，则放弃拟执行的驾驶操作；如果可以获得有效决策点，则在可获得的有效决策点中，选择决策收益最高的决策点执行拟执行的驾驶操作；如果当前决策点有效，则执行拟执行的驾驶操作。
8.如权利要求7所述的智能车多目标驾驶决策系统，其特征在于，所述决策Map上的每一种速度和距离确定一个决策点，每个所述决策点的系统拉格朗日量Li，s为所述决策收益，该系统拉格朗日量Li，s的计算表示为式(16)：
式(16)中，i为待控制车辆的编号；mi为待控制车辆的质量；vi为待控制车辆的速度；j为其他道路使用者的编号；vj为其他道路使用者的速度；n为道路使用者的数量；t0为拟执行的驾驶操作的时间起点；tf为拟执行的驾驶操作的时间终点；Ri为交通规则对待控制车辆的约束阻力；Gi为待控制车辆受到驾驶目标的虚拟引力；vi，x为待控制车辆的纵向速度；vi，y为待控制车辆的横向速度；Fli，1为左侧车道边界对待控制车辆的横向运动的约束力；Fli，2为右侧车道边界对待控制车辆的横向运动的约束力；Fji为其他道路使用者匀速行驶时对待控制车辆的虚拟弹簧力。
9.如权利要求8所述的智能车多目标驾驶决策系统，其特征在于，所述系统拉格朗日量Li，s的获取方法包括如下步骤：
S31，按式(1)计算其他道路使用者匀速行驶时对待控制车辆的虚拟弹簧力Fli，按式(2)计算交通规则对待控制车辆的约束阻力Ri按，按式(3)计算待控制车辆受到驾驶目标的虚拟引力Gi：
式(1)至式(3)中，lt表示车道线类型；lw为待控制车辆所在车道的宽度；rli为待控制车辆与道路边界的距离；g为重力加速度；k为常数；vder为待控制车辆的驾驶人的期望速度；vlimit为车道限速；τ为校准参数；
S32，通过S2采集到的所述静态道路环境信息，计算其他道路使用者出现在不同位置、以不同速度行驶时对待控制车辆产生的虚拟弹簧力；
S33，根据步骤S31和S32的计算结果，计算其他道路使用者以不同速度和距离行驶时的系统拉格朗日量，并生成以其他道路使用者的速度和距离为输入、以系统拉格朗日量为输出的决策Map。
10.如权利要求9所述的智能车多目标驾驶控制系统，其特征在于，S32中，当其他道路使用者匀速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(4)至式(7)计算得到：
a＝1.5vj (6)
b＝lw (7)
当其他道路使用者加速行驶时，虚拟弹簧力的大小Fji和方向θ的大小由下面的式(8)至式(15)计算得到：
W1＝b2(xi+Δxj) (11)
a＝1.5vj (14)
b＝lw (15)
式(4)至式(15)中：j为其他道路使用者的编号；vj为其他道路使用者的速度；mj为其他道路使用者的质量；P(xi，yi)为待控制车辆的坐标；P′(xj，yj)为其他道路使用者的坐标；lw为待控制车辆所在车道的宽度；j′为其他正在加速或制动的道路使用者的编号；Δxj为其他道路使用者加速或减速导致的虚拟弹簧场的中心向其他道路使用者的运动方向偏移量。
CN201910672422.6A 2019-07-24 2019-07-24 一种智能车多目标驾驶控制方法及决策系统 Active CN110398968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910672422.6A CN110398968B (zh) 2019-07-24 2019-07-24 一种智能车多目标驾驶控制方法及决策系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910672422.6A CN110398968B (zh) 2019-07-24 2019-07-24 一种智能车多目标驾驶控制方法及决策系统

Publications (2)

Publication Number Publication Date
CN110398968A true CN110398968A (zh) 2019-11-01
CN110398968B CN110398968B (zh) 2020-06-05

Family

ID=68324995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910672422.6A Active CN110398968B (zh) 2019-07-24 2019-07-24 一种智能车多目标驾驶控制方法及决策系统

Country Status (1)

Country Link
CN (1) CN110398968B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853393A (zh) * 2019-11-26 2020-02-28 清华大学 智能网联车辆测试场数据采集与融合方法及系统
WO2021098320A1 (zh) * 2019-11-18 2021-05-27 华为技术有限公司 一种道路约束确定方法及装置
CN114563196A (zh) * 2022-02-22 2022-05-31 上清童子(北京)投资顾问有限公司 一种检验自动驾驶汽车的可用性和可靠性的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11345393A (ja) * 1998-06-03 1999-12-14 Pub Works Res Inst Ministry Of Constr 車の自動合流制御方法及び装置
CN101650568A (zh) * 2009-09-04 2010-02-17 湖南大学 未知环境下移动机器人导航安全的方法
CN106767853A (zh) * 2016-12-30 2017-05-31 中国科学院合肥物质科学研究院 一种基于多信息融合的无人驾驶车辆高精度定位方法
CN106919177A (zh) * 2017-03-31 2017-07-04 深圳市靖洲科技有限公司 一种基于速率陀螺仪的无人自行车平衡控制方法
CN108648447A (zh) * 2018-05-08 2018-10-12 清华大学 基于行车安全场的车辆智能安全决策方法
CN109582022A (zh) * 2018-12-20 2019-04-05 驭势科技（北京）有限公司 一种自动驾驶策略决策系统与方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11345393A (ja) * 1998-06-03 1999-12-14 Pub Works Res Inst Ministry Of Constr 車の自動合流制御方法及び装置
CN101650568A (zh) * 2009-09-04 2010-02-17 湖南大学 未知环境下移动机器人导航安全的方法
CN106767853A (zh) * 2016-12-30 2017-05-31 中国科学院合肥物质科学研究院 一种基于多信息融合的无人驾驶车辆高精度定位方法
CN106919177A (zh) * 2017-03-31 2017-07-04 深圳市靖洲科技有限公司 一种基于速率陀螺仪的无人自行车平衡控制方法
CN108648447A (zh) * 2018-05-08 2018-10-12 清华大学 基于行车安全场的车辆智能安全决策方法
CN109582022A (zh) * 2018-12-20 2019-04-05 驭势科技（北京）有限公司 一种自动驾驶策略决策系统与方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021098320A1 (zh) * 2019-11-18 2021-05-27 华为技术有限公司 一种道路约束确定方法及装置
CN110853393A (zh) * 2019-11-26 2020-02-28 清华大学 智能网联车辆测试场数据采集与融合方法及系统
CN110853393B (zh) * 2019-11-26 2020-12-11 清华大学 智能网联车辆测试场数据采集与融合方法及系统
CN114563196A (zh) * 2022-02-22 2022-05-31 上清童子(北京)投资顾问有限公司 一种检验自动驾驶汽车的可用性和可靠性的方法

Also Published As

Publication number Publication date
CN110398968B (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
KR102308924B1 (ko) 자율 차량들을 위한 보행자 행동 예측들
Liebner et al. Velocity-based driver intent inference at urban intersections in the presence of preceding vehicles
CN110588656B (zh) 一种基于道路及路况信息的自适应动能回收方法及系统
CN110398968A (zh) 一种智能车多目标驾驶控制方法及决策系统
CN110053619A (zh) 车辆控制装置
CN111523822B (zh) 一种综合考虑人-车-路各因素的行车风险统一量化方法
CN106708057A (zh) 一种智能车辆编队行驶方法
CN105984342A (zh) 行驶控制装置
CN110001634A (zh) 车辆控制装置、车辆控制方法及存储介质
CN109760678A (zh) 一种汽车自适应巡航系统的限速方法
CN110949407B (zh) 基于驾驶员实时风险响应的动态人机共驾驾驶权分配方法
JP6554568B2 (ja) 車両制御装置
CN106541946A (zh) 车速控制装置
CN111311947B (zh) 一种网联环境下考虑驾驶人意图的行车风险评估方法和装置
CN111439261B (zh) 一种用于智能车群主动换道功能的车流量计算系统
Chen et al. Realization and evaluation of an instructor-like assistance system for collision avoidance
CN108569268A (zh) 车辆防碰撞参数标定方法和装置、车辆控制器、存储介质
CN111055852A (zh) 一种用于自动驾驶的感兴趣目标搜索区域确定方法
CN114559923A (zh) 一种无人驾驶车辆自动紧急避障系统及其控制方法
CN114435376A (zh) 一种控制车辆颠簸路面行驶速度的方法、电子设备及存储介质
US20220332313A1 (en) Method for avoiding a collision in road traffic on the basis of adaptively setting potentially occupied areas
CN113205681A (zh) 碰撞预警方法及装置、电子设备和计算机可读存储介质
CN112172804B (zh) 车辆控制装置、车辆控制方法及存储介质
CN112785863B (zh) 基于K-Means和熵加权的并道决策分类预警方法
CN110654458A (zh) 车辆方向盘控制方法、装置、计算机设备及车辆

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