CN110750877A - 一种Apollo平台下的车辆跟驰行为预测方法 - Google Patents
一种Apollo平台下的车辆跟驰行为预测方法 Download PDFInfo
- Publication number
- CN110750877A CN110750877A CN201910924643.8A CN201910924643A CN110750877A CN 110750877 A CN110750877 A CN 110750877A CN 201910924643 A CN201910924643 A CN 201910924643A CN 110750877 A CN110750877 A CN 110750877A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- following
- acceleration
- distance
- difference
- 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 73
- 230000001133 acceleration Effects 0.000 claims abstract description 76
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 230000035484 reaction time Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 16
- 230000009123 feedback regulation Effects 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000036039 immunity Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000010845 search algorithm Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种Apollo平台下的车辆跟驰行为预测方法,在构建过程中通过场景理解获取车辆行驶中的动态信息以及静态信息,通过捕捉驾驶员的行为特征得出其期望距离以及反应时间,并采用启发式搜索算法改进车辆跟驰模型的去模糊化过程,在经过模糊推理模型计算后得出跟驰车加速度范围基于安全性和舒适性的最优解。同时使用Apollo仿真平台对模型进行测试及验证,确保模型的准确性与实用性。本发明解决了现有技术中模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距,缺乏对驾驶环境的考虑的问题。
Description
技术领域
本发明属于车辆跟驰行为技术领域,具体涉及一种Apollo平台下的车辆跟驰行为预测方法。
背景技术
交通,是市民出行的工具和环境。随着我国经济水平的提升,科技水平的发展,城市化进程的加快,市民在提高生活水平的同时,也对出行的需求和质量提出了更高的要求。然而,一、二线城市的发展和壮大,城市人口密度的不断加大,市民对汽车的消费购买力的提升,造成城市的交通负荷逐年攀升。市区的面积以及路网交通资源的限制,造成了城市交通的拥挤与堵塞现象,严重地降低了市民的出行满意度。为了应对日益严重的交通拥堵,国家先后出台了大力发展公共交通、车辆限号、车牌号摇号或拍卖、停车收费等政策,但是仍旧难以遏制小汽车数量激增的势头。车辆跟驰是道路交通中重要的现象,特别在交通拥堵时,车辆无法换道超车,车辆跟驰行为普遍存在。所以车辆跟驰行为的研究有助于理解交通流的特性。
自上个世纪50年代起,跟驰模型理论才开始得以发展,那时主要是依照数据拟合的思想对实测的车辆数据信息进行拟合,从而得出一定的数学公式,但这类方法得到的跟驰模型具有一定局限性,如数据发生变化时,其模型便不再适用,不利于模型的推广和扩展。因此,近年来学者从跟驰行为的内因出发,提出了多种模型极大丰富了交通流理论的研究。
但是由于驾驶员驾车时受多源信息影响,故其在决策、判断过程中表现为复杂的非线性形态,无法用一个简单的数学表达式来描述驾驶员的心理决策。模糊理论和人工神经网络在处理复杂非线性问题上表现出一定的运算优势,并且在大数据样本下也表现出较好的学习能力。故模糊理论和人工神经网络常常被用于模拟不同环境下的驾驶行为。但是由于目前的模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距,缺乏对驾驶环境的考虑。
2017年4月,百度提出了自动驾驶开放平台Apollo,该平台经过多次版本迭代后已具备定位、感知、决策、仿真等使能。Apollo可以帮助汽车行业及自动驾驶领域的合作伙伴结合车辆和硬件系统,快速搭建一套属于自己的自动驾驶系统。在Apollo仿真环境下,交通标识、标线及与周边车辆之间的关系等环境信息可通过相应接口输入到Dreamview中进行驾驶环境的构建。不仅如此,Apollo还可以对车辆跟驰模型进行验证,以及通过3D可视化界面进行算法调优。
发明内容
本发明的目的是提供一种Apollo平台下的车辆跟驰行为预测方法,解决了现有技术中模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距,缺乏对驾驶环境的考虑的问题。
本发明所采用的技术方案是,一种Apollo平台下的车辆跟驰行为预测方法,具体按照以下步骤实施:
步骤1、将车辆自动行驶过程中的场景信息分为静态信息和动态信息,并导入Apollo平台的Dreamview中构建道路场景;
步骤2:捕捉跟驰状态中跟驰车驾驶员行为特征,根据驾驶员的行驶数据,通过动力学公式计算出驾驶员的期望距离,以及利用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数;
步骤3:首先,将捕捉到的跟驰车驶员的行为特征数据采用改进的模糊推理车辆模型方法进行模糊化处理;其次,根据跟驰车驾驶员的驾驶行为特征分析,选定隶属函数,制定模糊规则库;再次,利用模糊推理中的Mamdani模型进行模糊推理;最后,利用启发式学习改进去模糊化的方法,提高解效率;
步骤4:利用改进的车辆推理模型预测跟驰车加速度a',即加速度预测值,将计算出的加速度预测值a'与实际真实的加速度a代入期望安全距离公式中,计算出加速度预测值a'的期望距离D`与真实的加速度a的期望距离D的比值α,并将α作参数因子代入到期望安全距离公式,进行控制反馈调节。
本发明的特点还在于,
步骤1具体如下:
获得交通场景的三维信息和运动信息,交通场景的三维信息即对应场景信息的静态信息,交通场景的运动信息即场景信息系的动态信息,基础构建场景的拓扑结构,场景的拓扑结构包括信息有周围车辆数目、周围车辆占据的车道、距路边界距离,上述信息通过Apollo相应接口输入到Dreamview中,依据仿真环境提供的模块输出接口标准表给具体模块配置路径,通过该标准中已知的各个模块将场景理解的交通流和环境信息仿真环境结合起来进行环境构建。
步骤2具体按以下步骤实施:
步骤2.1、计算期望距离:
设跟驰车驾驶员能接受前车刺激的最大临界间距为Hmax,在间距Hmax内跟驰车期望的跟驰间距为he(t),期望间距要保证前导车在突然以最大减速度停车情况下,跟驰车驾驶员经过反应后采取制动能保证安全避免碰撞,防止碰撞的条件为:
其中,he(t)为安全间距,x′n+1(t)为t时刻跟驰车的速度,τ为驾驶员反应时间,L为车长,k表示停车后跟驰车车头与前车即被跟驰车车尾容许的缓冲间距,k为常数,an、an+1为跟驰行为中前后两车最大减速度;
由上式知,安全间距he(t)与前后两车的速度呈动态相关,驾驶员的期望间距为:
利用max函数,取式中二者较大的即为当前的驾驶员期望距离;
步骤2.2、计算反应时间:
首先根据前车加速度和跟驰车加速度变化的时间序列数据,计算反映时间τ,由于不同个体的反应时间不同,因此对应反应时间由推测得到;
然后每一个反映时间均对应一组数据速度差、相对距离(Δv,Δx),同一个一个反应时间内,前车和跟驰车为一对,这一组数据速度差包含:每个车辆的反应时间内的速度变化以及相对距离,速度变化即每辆车的速度差,相对距离由速度差和加速度差通过相对距离公式得到;
最后,采用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数,反应时间分布函数针对不同个体的跟驰车驾驶员,会有不同的函数表示,如指数函数,Sigmoid函数。
步骤3具体按以下步骤实施:
步骤3.1、定义输入、输出量:
设速度差的计算公式:
Δvn=vn-vn+1
偏离差是两车在t时刻的距离差ΔLn(t)与跟驰车期望间距Dn(t)之差,公式如下:
εn(t)=ΔLn(t)-Dn(t)
速度差和偏离差作为输入量,跟驰车的角速度为输出量,根据道路交通车辆行驶数据集计算出数据集中跟驰车的速度差和偏离差,利用统计的方式找出速度差、偏离差和加速度的范围;
步骤3.2、模糊化:
将速度差和偏离差作为模糊推理系统的输入量,跟驰车的加速度作为输出量,设置每一个输入量、输出量均有7个级别,7个级别分别表示为N3,N2,N1,ZE,P1,P2,P3,对于输入量中的速度差,其中级别P3表示速度差的值为正值且最大,级别P2、P1表示速度差的值为正值但值越来越小,级别ZE表示速度差的值为0,而级别N1、N2、N3表示的是速度差的值为负值,并且值越来越小,同理另一输入量偏差值及输出量加速度的七个级别同上;
步骤3.3、选取隶属函数:
设x*为精确值,为转换后的模糊集合,三角隶属函数为:
其中:由三角隶属函数分布图知,σ>0,当|x-x*|>σ时,三角形隶属函数模糊集合成为模糊单值,σ越大,x*的变化对的影响越小,即当σ足够大时,该方法具有足够强的抗扰能力;
步骤3.4、建立模糊规则库:
利用条件语句将跟驰状态中的两车的速度差、偏离差和加速度的7个级别的转换关系表达出来,由此构建出49条模糊规则,当两车的速度差和偏离差都为N3级别时,说明跟驰车处于一个非常安全行驶的状态,前车的速度大于跟驰车的速度,并且实际车间距大于期望车间距,跟驰车驾驶员为了与引导车保持跟驰的状态,需要进行加速缩小两车的距离以达到期望距离,故随着偏离差不断的缩小,驾驶员的加速度也会随之变小;
步骤3.5、模糊推理:
采用Mamdani模型作为模糊推理模型,Mamdani模型通过模糊集合A和B的笛卡尔积取小求得:
步骤3.6、去模糊化:
步骤3.6.1、通过重心法得到跟驰车加速度初始解anow,即跟驰车加速度a;然后令禁忌表H为空,即H=φ;
步骤3.6.2、若满足终止条件,转步骤3.6.4;否则,在初始解anow的邻域N(H,anow)中选出满足禁忌要求的候选集Can_N(anow),转步骤3.6.3;
终止条件为:当两次迭代得到的局部最优解不再变化,或者两次最优解的评价函数差别不大时,停止迭代;
步骤3.6.3、在候选集中选一个评价值最好的解anext,更新禁忌表H=H∪Can_N(anow),并将其设置为当前最优解anow=anext,转步骤2;
步骤3.6.4、输出计算结果anow,停止搜索。
步骤3.4中模糊规则构建如下:
依据速度差Δvn、偏离差εn和加速度an+1的取值范围,将其平均分为7个级别:P3,P2,P1,ZE,N1,N2,N3,其中,P3表示正的最大值,对于速度差Δvn,当速度差Δvn为P3时,表示前后车的速度差值很大,P2、P3表示速度差Δvn、偏离差εn和加速度an+1的值越来越小,ZE表示为0,而N1、N2、N3表示速度差Δvn、偏离差εn和加速度an+1为负值,并且其值越来越小,两车速度差Δvn和偏离差为εn的模糊规则建立如下:
令集合Q={N3,N2,N1,ZE,P1,P2,P3},Δvn∩εn→an+1,Δvn∈Q,εn∈Q,an+1∈Q,已知Δvn与εn各自有7种状态,因此得到49种加速度状态。
步骤4依据反馈调节公式进行控制反馈调节,反馈调节公式如下:
其中,α为反馈调节参数,通过此反馈调节公式,能够进行控制反馈调节。
本发明的有益效果是,一种Apollo平台下的车辆跟驰行为预测方法,(1)使用Apollo仿真平台对算法可行性进行测试与验证,并通过学习机制提高模型的准确性;(2)将根据驾驶员不同阶段变动的反应时间加入到期望距离公式中,并且引入一个参数因子,调整驾驶员的期望距离。使模型的仿真结果更加贴近现实中的驾驶员的跟驰行为,使模型具有自适应调整反馈控制的能力;(3)采用启发式搜索算法改进车辆跟驰行为模型的去模糊化过程,找到基于安全性和舒适性的加速度最优解。
附图说明
图1是方法流程图;
图2是紧急制动安全间距示意图;
图3是模糊推理系统的流程图;
图4是三角隶属函数图;
图5是Mamdani模型模糊推理图;
图6是Dreamview仿真环境界面。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明Apollo平台下的车辆跟驰行为预测方法,首先,通过场景理解形成场景的结构化描述,给出车辆运动几何、物理层面的约束,并将交通标识、标线及与周边车辆之间的关系等环境信息输入到Apollo平台的Dreamview中构建一个真实的道路场景;然后,将跟驰车驾驶员的驾驶行为分为感知阶段、推理阶段、决策阶段、执行阶段这4个阶段。感知阶段是将获取的外界信息进行处理,计算当前时刻跟驰车驾驶员的期望间距和速度差;推理阶段是利用模糊推理规则推理跟驰车驾驶员的行动方案;决策阶段是将跟驰车驾驶员的行动方案用去模糊化的方法获取驰车驾驶员基于安全性和舒适性的最优加速度;执行阶段是驾驶员将决策从大脑到手的操作后车的速度的过程。最后,使用Apollo仿真平台对方法进行测试及验证,确保方法的准确性与实用性。
本发明一种Apollo平台下的车辆跟驰行为预测方法,流程图如图1所示,具体按照以下步骤实施:
步骤1、将车辆自动行驶过程中的场景信息分为静态信息和动态信息,并导入Apollo平台的Dreamview中构建道路场景,具体如下:
获得交通场景的三维信息和运动信息,交通场景的三维信息即对应场景信息的静态信息,交通场景的运动信息即场景信息系的动态信息,基础构建场景的拓扑结构,场景的拓扑结构包括信息有周围车辆数目、周围车辆占据的车道、距路边界距离,上述信息通过Apollo相应接口输入到Dreamview中,依据仿真环境提供的模块输出接口标准表给具体模块配置路径,通过该标准中已知的各个模块将场景理解的交通流和环境信息仿真环境结合起来进行环境构建,如表1所示。
表1仿真提供的模块输出接口标准表
步骤2:捕捉跟驰状态中跟驰车驾驶员行为特征,根据驾驶员的行驶数据,通过动力学公式计算出驾驶员的期望距离,以及利用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数,具体按以下步骤实施:
步骤2.1、计算期望距离:
设跟驰车驾驶员能接受前车刺激的最大临界间距为Hmax,在间距Hmax内跟驰车期望的跟驰间距为he(t),期望间距要保证前导车在突然以最大减速度停车情况下,跟驰车驾驶员经过反应后采取制动能保证安全避免碰撞,制动条件下的安全间距示意见图2,防止碰撞的条件为:
其中,he(t)为安全间距,x′n+1(t)为t时刻跟驰车的速度,τ为驾驶员反应时间,L为车长,k表示停车后跟驰车车头与前车即被跟驰车车尾容许的缓冲间距,k为常数,an、an+1为跟驰行为中前后两车最大减速度;
由上式知,安全间距he(t)与前后两车的速度呈动态相关,驾驶员的期望间距为:
利用max函数,取式中二者较大的即为当前的驾驶员期望距离;
步骤2.2、计算反应时间:
首先根据前车加速度和跟驰车加速度变化的时间序列数据,计算反映时间τ,由于不同个体的反应时间不同,因此对应反应时间由推测得到;
然后每一个反映时间均对应一组数据速度差、相对距离(Δv,Δx),同一个一个反应时间内,前车和跟驰车为一对,这一组数据速度差包含:每个车辆的反应时间内的速度变化以及相对距离,速度变化即每辆车的速度差,相对距离由速度差和加速度差通过相对距离公式得到;
最后,采用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数,反应时间分布函数针对不同个体的跟驰车驾驶员,会有不同的函数表示,如指数函数,Sigmoid函数。
如图、图4、图5所示,步骤3:首先,将捕捉到的跟驰车驶员的行为特征数据采用改进的模糊推理车辆模型方法进行模糊化处理;其次,根据跟驰车驾驶员的驾驶行为特征分析,选定隶属函数,制定模糊规则库;再次,利用模糊推理中的Mamdani模型进行模糊推理;最后,利用启发式学习改进去模糊化的方法,提高解效率,具体按以下步骤实施:
步骤3.1、定义输入、输出量:
设速度差的计算公式:
Δvn=vn-vn+1
偏离差是两车在t时刻的距离差ΔLn(t)与跟驰车期望间距Dn(t)之差,公式如下:
εn(t)=ΔLn(t)-Dn(t)
速度差和偏离差作为输入量,跟驰车的角速度为输出量,根据道路交通车辆行驶数据集计算出数据集中跟驰车的速度差和偏离差,利用统计的方式找出速度差、偏离差和加速度的范围;
步骤3.2、模糊化:
将速度差和偏离差作为模糊推理系统的输入量,跟驰车的加速度作为输出量,设置每一个输入量、输出量均有7个级别,7个级别分别表示为N3,N2,N1,ZE,P1,P2,P3,如表2所示,对于输入量中的速度差,其中级别P3表示速度差的值为正值且最大,级别P2、P1表示速度差的值为正值但值越来越小,级别ZE表示速度差的值为0,而级别N1、N2、N3表示的是速度差的值为负值,并且值越来越小,同理另一输入量偏差值及输出量加速度的七个级别同上;
表2模糊规则对应表
步骤3.3、选取隶属函数:
步骤3.4、建立模糊规则库:
其中:
利用条件语句将跟驰状态中的两车的速度差、偏离差和加速度的7个级别的转换关系表达出来,由此构建出49条模糊规则,如表2所示,当两车的速度差和偏离差都为N3级别时,说明跟驰车处于一个非常安全行驶的状态,前车的速度大于跟驰车的速度,并且实际车间距大于期望车间距,跟驰车驾驶员为了与引导车保持跟驰的状态,需要进行加速缩小两车的距离以达到期望距离,故随着偏离差不断的缩小,驾驶员的加速度也会随之变小;
步骤3.5、模糊推理:
采用Mamdani模型作为模糊推理模型,Mamdani模型输入输出都为模糊氧,在模糊推理后要解模糊,采用Max-Min算子时,模糊推理如图5所示,Mamdani模型通过模糊集合A和B的笛卡尔积取小求得:
步骤3.6、去模糊化:
步骤3.6.1、通过重心法得到跟驰车加速度初始解anow,即跟驰车加速度a;然后令禁忌表H为空,即H=φ;
重心法是取模糊集合隶属函数曲线同基础变量轴所围面积的重心对应的元素作为清晰值的方法,也是一种常用的去模糊化方法。
禁忌搜索算法的基本思想就是通过对搜索历史的记录,使用一个禁忌表记录陷入局部最优解,在下一次搜索中利用禁忌表中的信息禁止重复选择局部极值点的搜索,跳出局部最优点,以利于获得全局最优解。
步骤3.6.2、若满足终止条件,转步骤3.6.4;否则,在初始解anow的邻域N(H,anow)中选出满足禁忌要求的候选集Can_N(anow),转步骤3.6.3;
终止条件为:当两次迭代得到的局部最优解不再变化,或者两次最优解的评价函数差别不大时,停止迭代;
步骤3.6.3、在候选集中选一个评价值最好的解anext,更新禁忌表H=H∪Can_N(anow),并将其设置为当前最优解anow=anext,转步骤2;
步骤3.6.4、输出计算结果anow,停止搜索。
评价值是计算车头时距除以预测的加速度。因为在同等驾驶条件下,车头时距越大,说明跟驰车碰撞的可能性越小。而考虑到舒适性,加速度的绝对值一般不宜过大,过大的加速度会引起车内人员的不适。所以,加速度和车头时距是成反比关系。
步骤3.4中模糊规则构建如下:
依据速度差Δvn、偏离差εn和加速度an+1的取值范围,将其平均分为7个级别:P3,P2,P1,ZE,N1,N2,N3,其中,P3表示正的最大值,对于速度差Δvn,当速度差Δvn为P3时,表示前后车的速度差值很大,P2、P3表示速度差Δvn、偏离差εn和加速度an+1的值越来越小,ZE表示为0,而N1、N2、N3表示速度差Δvn、偏离差εn和加速度an+1为负值,并且其值越来越小,两车速度差Δvn和偏离差为εn的模糊规则建立如下:
令集合Q={N3,N2,N1,ZE,P1,P2,P3},Δvn∩εn→an+1,Δvn∈Q,εn∈Q,an+1∈Q,已知Δvn与εn各自有7种状态,因此得到49种加速度状态。
步骤4:利用改进的车辆推理模型预测跟驰车加速度a',即加速度预测值,将计算出的加速度预测值a'与实际真实的加速度a代入期望安全距离公式中,计算出加速度预测值a'的期望距离D`与真实的加速度a的期望距离D的比值α,并将α作参数因子代入到期望安全距离公式,进行控制反馈调节,反馈调节公式如下:
其中,α为反馈调节参数,通过此反馈调节公式,能够进行控制反馈调节。
本发明在构建过程中通过场景理解获取车辆行驶中的动态信息以及静态信息,通过捕捉驾驶员的行为特征得出其期望距离以及反应时间,并采用启发式搜索算法改进车辆跟驰模型的去模糊化过程,在经过模糊推理模型计算后得出后车加速度范围基于安全性和舒适性的最优解。同时使用Apollo仿真平台对模型进行测试及验证,确保模型的准确性与实用性。
本发明一种Apollo平台下的车辆跟驰行为预测方法,使用Apollo仿真平台进行验证方法。在配置好Apollo软件环境后,将Apollo平台的输出接口与方法进行对接。在模糊推理行为控制策略模型方法成功预测后车加速度等信息后,将其与Apollo的决策规划模块Planning进行对接,最终由Apollo软件实现该模糊推理行为控制策略模型方法的测试与验证,在多次仿真过程中不断调整参数,并通过Apollo的可视化平台对算法进行调优,具体如下:
步骤a、部署环境(例如Docker环境),拉取Apollo的容器镜像。
步骤b、进入Apollo容器,并编译仿真环境(例如Dreamview仿真环境);
步骤c、编译成功后运行仿真环境;
步骤d、最终利用相应仿真环境对模型的有效性进行测试以及验证,其界面要参考仿真环境界面,界面如图6所示,具体如下:
首先将Apollo的输出交通流以及环境信息与模型的输入对接,其后将模型得到的加速度预测值转化为planning输入仿真平台,具体对接路径如表3所示;然后仿真平台车辆便可依据已输入的规划调整车速,其最终加速度预测值与实际值通过反馈调节优化模型对驾驶员跟车距离的期望。
在Apollo仿真环境测试与验证模型:
将Apollo的输出交通流以及环境信息与模型的输入对接,其后将模型得到的加速度预测值转化为planning输入仿真平台,具体对接路径如图6所示仿真平台车辆便可依据已输入的规划调整车速,其最终加速度预测值与实际值通过反馈调节优化模型对驾驶员跟车距离的期望。
表3决策规划模块接口标准表
Claims (6)
1.一种Apollo平台下的车辆跟驰行为预测方法,其特征在于,具体按照以下步骤实施:
步骤1、将车辆自动行驶过程中的场景信息分为静态信息和动态信息,并导入Apollo平台的Dreamview中构建道路场景;
步骤2:捕捉跟驰状态中跟驰车驾驶员行为特征,根据驾驶员的行驶数据,通过动力学公式计算出驾驶员的期望距离,以及利用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数;
步骤3:首先,将捕捉到的跟驰车驶员的行为特征数据采用改进的模糊推理车辆模型方法进行模糊化处理;其次,根据跟驰车驾驶员的驾驶行为特征分析,选定隶属函数,制定模糊规则库;再次,利用模糊推理中的Mamdani模型进行模糊推理;最后,利用启发式学习改进去模糊化的方法,提高解效率;
步骤4:利用改进的车辆推理模型预测跟驰车加速度a',即加速度预测值,将计算出的加速度预测值a'与实际真实的加速度a代入期望安全距离公式中,计算出加速度预测值a'的期望距离D`与真实的加速度a的期望距离D的比值α,并将α作参数因子代入到期望安全距离公式,进行控制反馈调节。
2.根据权利要求1所述的一种Apollo平台下的车辆跟驰行为预测方法,其特征在于,所述步骤1具体如下:
获得交通场景的三维信息和运动信息,交通场景的三维信息即对应场景信息的静态信息,交通场景的运动信息即场景信息系的动态信息,基础构建场景的拓扑结构,场景的拓扑结构包括信息有周围车辆数目、周围车辆占据的车道、距路边界距离,上述信息通过Apollo相应接口输入到Dreamview中,依据仿真环境提供的模块输出接口标准表给具体模块配置路径,通过该标准中已知的各个模块将场景理解的交通流和环境信息仿真环境结合起来进行环境构建。
3.根据权利要求1所述的一种Apollo平台下的车辆跟驰行为预测方法,其特征在于,所述步骤2具体按以下步骤实施:
步骤2.1、计算期望距离:
设跟驰车驾驶员能接受前车刺激的最大临界间距为Hmax,在间距Hmax内跟驰车期望的跟驰间距为he(t),期望间距要保证前导车在突然以最大减速度停车情况下,跟驰车驾驶员经过反应后采取制动能保证安全避免碰撞,防止碰撞的条件为:
其中,he(t)为安全间距,x′n+1(t)为t时刻跟驰车的速度,τ为驾驶员反应时间,L为车长,k表示停车后跟驰车车头与前车即被跟驰车车尾容许的缓冲间距,k为常数,an、an+1为跟驰行为中前后两车最大减速度;
由上式知,安全间距he(t)与前后两车的速度呈动态相关,驾驶员的期望间距为:
利用max函数,取式中二者较大的即为当前的驾驶员期望距离;
步骤2.2、计算反应时间:
首先根据前车加速度和跟驰车加速度变化的时间序列数据,计算反映时间τ,由于不同个体的反应时间不同,因此对应反应时间由推测得到;
然后每一个反映时间均对应一组数据速度差、相对距离(Δv,Δx),同一个一个反应时间内,前车和跟驰车为一对,这一组数据速度差包含:每个车辆的反应时间内的速度变化以及相对距离,速度变化即每辆车的速度差,相对距离由速度差和加速度差通过相对距离公式得到;
最后,采用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数,反应时间分布函数针对不同个体的跟驰车驾驶员,会有不同的函数表示,如指数函数,Sigmoid函数。
4.根据权利要求3所述的一种Apollo平台下的车辆跟驰行为预测方法,其特征在于,所述步骤3具体按以下步骤实施:
步骤3.1、定义输入、输出量:
设速度差的计算公式:
Δvn=vn-vn+1
偏离差是两车在t时刻的距离差ΔLn(t)与跟驰车期望间距Dn(t)之差,公式如下:
εn(t)=ΔLn(t)-Dn(t)
速度差和偏离差作为输入量,跟驰车的角速度为输出量,根据道路交通车辆行驶数据集计算出数据集中跟驰车的速度差和偏离差,利用统计的方式找出速度差、偏离差和加速度的范围;
步骤3.2、模糊化:
将速度差和偏离差作为模糊推理系统的输入量,跟驰车的加速度作为输出量,设置每一个输入量、输出量均有7个级别,7个级别分别表示为N3,N2,N1,ZE,P1,P2,P3,对于输入量中的速度差,其中级别P3表示速度差的值为正值且最大,级别P2、P1表示速度差的值为正值但值越来越小,级别ZE表示速度差的值为0,而级别N1、N2、N3表示的是速度差的值为负值,并且值越来越小,同理另一输入量偏差值及输出量加速度的七个级别同上;
步骤3.3、选取隶属函数:
步骤3.4、建立模糊规则库:
利用条件语句将跟驰状态中的两车的速度差、偏离差和加速度的7个级别的转换关系表达出来,由此构建出49条模糊规则,当两车的速度差和偏离差都为N3级别时,说明跟驰车处于一个非常安全行驶的状态,前车的速度大于跟驰车的速度,并且实际车间距大于期望车间距,跟驰车驾驶员为了与引导车保持跟驰的状态,需要进行加速缩小两车的距离以达到期望距离,故随着偏离差不断的缩小,驾驶员的加速度也会随之变小;
步骤3.5、模糊推理:
采用Mamdani模型作为模糊推理模型,Mamdani模型通过模糊集合A和B的笛卡尔积取小求得:
步骤3.6、去模糊化:
步骤3.6.1、通过重心法得到跟驰车加速度初始解anow,即跟驰车加速度a;然后令禁忌表H为空,即H=φ;
步骤3.6.2、若满足终止条件,转步骤3.6.4;否则,在初始解anow的邻域N(H,anow)中选出满足禁忌要求的候选集Can_N(anow),转步骤3.6.3;
终止条件为:当两次迭代得到的局部最优解不再变化,或者两次最优解的评价函数差别不大时,停止迭代;
步骤3.6.3、在候选集中选一个评价值最好的解anext,更新禁忌表H=H∪Can_N(anow),并将其设置为当前最优解anow=anext,转步骤2;
步骤3.6.4、输出计算结果anow,停止搜索。
5.根据权利要求4所述的一种Apollo平台下的车辆跟驰行为预测方法,其特征在于,所述步骤3.4中模糊规则构建如下:
依据速度差Δvn、偏离差εn和加速度an+1的取值范围,将其平均分为7个级别:P3,P2,P1,ZE,N1,N2,N3,其中,P3表示正的最大值,对于速度差Δvn,当速度差Δvn为P3时,表示前后车的速度差值很大,P2、P3表示速度差Δvn、偏离差εn和加速度an+1的值越来越小,ZE表示为0,而N1、N2、N3表示速度差Δvn、偏离差εn和加速度an+1为负值,并且其值越来越小,两车速度差Δvn和偏离差为εn的模糊规则建立如下:
令集合Q={N3,N2,N1,ZE,P1,P2,P3},Δvn∩εn→an+1,Δvn∈Q,εn∈Q,an+1∈Q,已知Δvn与εn各自有7种状态,因此得到49种加速度状态。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924643.8A CN110750877B (zh) | 2019-09-27 | 2019-09-27 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CA3065617A CA3065617C (en) | 2019-09-27 | 2019-12-19 | Method for predicting car-following behavior under apollo platform |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910924643.8A CN110750877B (zh) | 2019-09-27 | 2019-09-27 | 一种Apollo平台下的车辆跟驰行为预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750877A true CN110750877A (zh) | 2020-02-04 |
CN110750877B CN110750877B (zh) | 2024-05-03 |
Family
ID=69277307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910924643.8A Active CN110750877B (zh) | 2019-09-27 | 2019-09-27 | 一种Apollo平台下的车辆跟驰行为预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110750877B (zh) |
CA (1) | CA3065617C (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476491A (zh) * | 2020-04-10 | 2020-07-31 | 北京工业大学 | 一种城市交通场景中的车辆运动模拟分析方法 |
CN111674394A (zh) * | 2020-06-09 | 2020-09-18 | 南京工业职业技术学院 | 一种能实现微观调控的自动驾驶跟驰保持方法 |
CN111907523A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 一种基于模糊推理的车辆跟驰寻优控制方法 |
CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN112193245A (zh) * | 2020-09-24 | 2021-01-08 | 同济大学 | 一种考虑驾驶员模糊感知的深度学习跟驰预测方法 |
CN112580149A (zh) * | 2020-12-22 | 2021-03-30 | 浙江工业大学 | 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法 |
CN112793572A (zh) * | 2021-03-19 | 2021-05-14 | 成都安智杰科技有限公司 | 一种自适应巡航控制方法、装置、电子设备和存储介质 |
CN113066282A (zh) * | 2021-02-26 | 2021-07-02 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种面向混行环境下车辆跟驰耦合关系建模方法及系统 |
CN113112022A (zh) * | 2021-04-06 | 2021-07-13 | 清华大学 | 智能汽车队列人-车-路系统多智能体联合建模方法 |
CN113928314A (zh) * | 2021-11-17 | 2022-01-14 | 吉林大学 | 一种冰雪路面条件下考虑前后车的自动驾驶车辆跟驰控制方法 |
CN114516328A (zh) * | 2022-03-08 | 2022-05-20 | 武汉科技大学 | 一种智能网联环境下基于规则的车队跟驰模型方法 |
CN114537391A (zh) * | 2022-02-24 | 2022-05-27 | 同济大学 | 一种基于预报观测器的车辆跟驰伺服控制方法及系统 |
CN114932552A (zh) * | 2022-05-31 | 2022-08-23 | 西安理工大学 | 协作机器人主动动作决策方法、系统、设备及存储介质 |
CN115019508A (zh) * | 2022-06-13 | 2022-09-06 | 华南理工大学 | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 |
CN115195821A (zh) * | 2022-06-14 | 2022-10-18 | 同济大学 | 一种后车跟驰行为控制方法、装置及存储介质 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325691B (zh) * | 2021-04-29 | 2022-07-12 | 西安交通大学 | 一种无人车双闭环纵向控制方法、系统及设备 |
CN113779864B (zh) * | 2021-08-06 | 2024-04-26 | 同济大学 | 面向自动驾驶汽车的运行设计区域构建方法和装置 |
CN113657676B (zh) * | 2021-08-19 | 2024-05-14 | 燕山大学 | 一种考虑多维度驾驶人特性的制动反应时间预测方法 |
CN114023108B (zh) * | 2021-11-02 | 2023-06-09 | 河北工业大学 | 一种混合交通流变道模型及变道仿真方法 |
CN114169444B (zh) * | 2021-12-09 | 2024-03-05 | 合肥工业大学 | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 |
CN114328465B (zh) * | 2022-01-04 | 2024-07-30 | 吉林大学 | 一种针对人机共驾测试的侧方插入场景提取方法 |
CN115099128B (zh) * | 2022-05-30 | 2023-07-07 | 同济大学 | 一种异常驾驶行为识别与致因分析方法和系统 |
CN115171380B (zh) * | 2022-07-01 | 2023-05-12 | 广西师范大学 | 一种抑制网络攻击造成车联网拥塞的控制模型和方法 |
CN115440036B (zh) * | 2022-08-26 | 2023-08-29 | 同济大学 | 一种车辆跟驰关系管理与角色实时配置方法 |
CN115629606B (zh) * | 2022-10-17 | 2024-08-23 | 清华大学 | 对抗信息下车辆的跟车控制方法、装置、车辆及存储介质 |
CN116386346A (zh) * | 2022-12-13 | 2023-07-04 | 中南大学 | 车辆跟驰运行风险状态判定方法、系统及设备 |
CN117311366B (zh) * | 2023-11-21 | 2024-02-13 | 南京禄口国际机场空港科技有限公司 | 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719354A (zh) * | 2005-05-08 | 2006-01-11 | 上海交通大学 | 车辆跟驰运动的加速度控制方法 |
CN1876461A (zh) * | 2006-07-06 | 2006-12-13 | 上海交通大学 | 车辆跟驰驾驶的速度差-间距控制方法 |
CN101264762A (zh) * | 2008-03-21 | 2008-09-17 | 东南大学 | 车辆跟驰运动的速度控制方法 |
CN101694742A (zh) * | 2009-06-16 | 2010-04-14 | 同济大学 | 重大公路交通基础设施运行安全控制方法 |
CN102662320A (zh) * | 2012-03-05 | 2012-09-12 | 吴建平 | 一种基于模糊数学的车辆跟驰模拟方法 |
CN102991498A (zh) * | 2011-12-19 | 2013-03-27 | 王晓原 | 基于多源信息融合的驾驶员跟驰行为模型 |
CN105788238A (zh) * | 2016-01-07 | 2016-07-20 | 南京航空航天大学 | 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法 |
CN105809106A (zh) * | 2016-02-23 | 2016-07-27 | 北京理工大学 | 基于机器视觉的车辆队形跟驰检测方法 |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN106803226A (zh) * | 2017-01-23 | 2017-06-06 | 长安大学 | 考虑最优速度记忆及后视效应的车辆跟驰建模方法 |
CN107103749A (zh) * | 2017-05-19 | 2017-08-29 | 长安大学 | 车联网环境下跟驰交通流特性建模方法 |
CN107452201A (zh) * | 2017-07-24 | 2017-12-08 | 重庆大学 | 一种考虑前车换道驶离时后车的跟驰加速度确定方法及跟驰行为建模方法 |
CN107507408A (zh) * | 2017-07-24 | 2017-12-22 | 重庆大学 | 一种考虑前车换道汇入过程的跟驰加速度及跟驰行为建模方法 |
CN107507245A (zh) * | 2017-08-18 | 2017-12-22 | 南京阿尔特交通科技有限公司 | 一种车辆跟驰轨迹的动态采集方法及系统 |
CN107544254A (zh) * | 2017-10-12 | 2018-01-05 | 北京航空航天大学 | 一种期望安全裕度跟驰模型的自适应动态滑模控制方法 |
CN108495330A (zh) * | 2018-03-09 | 2018-09-04 | 清华大学 | 一种车-车信息交互通信的碰撞预警可靠性测试方法 |
CN108573600A (zh) * | 2017-03-10 | 2018-09-25 | 重庆邮电大学 | 一种驾驶员行为诱导与局部交通流优化方法 |
WO2018207199A1 (en) * | 2017-05-06 | 2018-11-15 | Ramana Soothram Venkata | Automatic vehicle & driver tracking system with intelligent traffic management |
CN108944943A (zh) * | 2018-07-11 | 2018-12-07 | 北京航空航天大学 | 一种基于风险动态平衡理论的弯道跟驰模型 |
US20190012919A1 (en) * | 2014-10-20 | 2019-01-10 | Robert Brandriff | Vehicle Collision Avoidance System and Method |
CN109213148A (zh) * | 2018-08-03 | 2019-01-15 | 东南大学 | 一种基于深度强化学习的车辆低速跟驰决策方法 |
US20190102689A1 (en) * | 2017-10-03 | 2019-04-04 | International Business Machines Corporation | Monitoring vehicular operation risk using sensing devices |
CN109858738A (zh) * | 2018-12-19 | 2019-06-07 | 青岛科技大学 | 一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法 |
CN109978260A (zh) * | 2019-03-26 | 2019-07-05 | 重庆邮电大学 | 混合交通流下网联车跟驰行为预测方法 |
-
2019
- 2019-09-27 CN CN201910924643.8A patent/CN110750877B/zh active Active
- 2019-12-19 CA CA3065617A patent/CA3065617C/en active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719354A (zh) * | 2005-05-08 | 2006-01-11 | 上海交通大学 | 车辆跟驰运动的加速度控制方法 |
CN1876461A (zh) * | 2006-07-06 | 2006-12-13 | 上海交通大学 | 车辆跟驰驾驶的速度差-间距控制方法 |
CN101264762A (zh) * | 2008-03-21 | 2008-09-17 | 东南大学 | 车辆跟驰运动的速度控制方法 |
CN101694742A (zh) * | 2009-06-16 | 2010-04-14 | 同济大学 | 重大公路交通基础设施运行安全控制方法 |
CN102991498A (zh) * | 2011-12-19 | 2013-03-27 | 王晓原 | 基于多源信息融合的驾驶员跟驰行为模型 |
CN102662320A (zh) * | 2012-03-05 | 2012-09-12 | 吴建平 | 一种基于模糊数学的车辆跟驰模拟方法 |
US20190012919A1 (en) * | 2014-10-20 | 2019-01-10 | Robert Brandriff | Vehicle Collision Avoidance System and Method |
CN105788238A (zh) * | 2016-01-07 | 2016-07-20 | 南京航空航天大学 | 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法 |
CN105809106A (zh) * | 2016-02-23 | 2016-07-27 | 北京理工大学 | 基于机器视觉的车辆队形跟驰检测方法 |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN106803226A (zh) * | 2017-01-23 | 2017-06-06 | 长安大学 | 考虑最优速度记忆及后视效应的车辆跟驰建模方法 |
CN108573600A (zh) * | 2017-03-10 | 2018-09-25 | 重庆邮电大学 | 一种驾驶员行为诱导与局部交通流优化方法 |
WO2018207199A1 (en) * | 2017-05-06 | 2018-11-15 | Ramana Soothram Venkata | Automatic vehicle & driver tracking system with intelligent traffic management |
CN107103749A (zh) * | 2017-05-19 | 2017-08-29 | 长安大学 | 车联网环境下跟驰交通流特性建模方法 |
CN107507408A (zh) * | 2017-07-24 | 2017-12-22 | 重庆大学 | 一种考虑前车换道汇入过程的跟驰加速度及跟驰行为建模方法 |
CN107452201A (zh) * | 2017-07-24 | 2017-12-08 | 重庆大学 | 一种考虑前车换道驶离时后车的跟驰加速度确定方法及跟驰行为建模方法 |
CN107507245A (zh) * | 2017-08-18 | 2017-12-22 | 南京阿尔特交通科技有限公司 | 一种车辆跟驰轨迹的动态采集方法及系统 |
US20190102689A1 (en) * | 2017-10-03 | 2019-04-04 | International Business Machines Corporation | Monitoring vehicular operation risk using sensing devices |
CN107544254A (zh) * | 2017-10-12 | 2018-01-05 | 北京航空航天大学 | 一种期望安全裕度跟驰模型的自适应动态滑模控制方法 |
CN108495330A (zh) * | 2018-03-09 | 2018-09-04 | 清华大学 | 一种车-车信息交互通信的碰撞预警可靠性测试方法 |
CN108944943A (zh) * | 2018-07-11 | 2018-12-07 | 北京航空航天大学 | 一种基于风险动态平衡理论的弯道跟驰模型 |
CN109213148A (zh) * | 2018-08-03 | 2019-01-15 | 东南大学 | 一种基于深度强化学习的车辆低速跟驰决策方法 |
CN109858738A (zh) * | 2018-12-19 | 2019-06-07 | 青岛科技大学 | 一种车辆跟驰状态驾驶员情感动态特征提取及辨识方法 |
CN109978260A (zh) * | 2019-03-26 | 2019-07-05 | 重庆邮电大学 | 混合交通流下网联车跟驰行为预测方法 |
Non-Patent Citations (6)
Title |
---|
冀杰;黄岩军;李云伍;吴飞;: "基于有限状态机的车辆自动驾驶行为决策分析", 汽车技术, no. 12, 11 December 2018 (2018-12-11) * |
秦严严;王昊;王炜;NI DAI-HENG;: "自适应巡航控制车辆跟驰模型综述", 交通运输工程学报, no. 03, 15 June 2017 (2017-06-15) * |
翟聪;巫威眺;黄玲;刘伟铭;郑丽媛;: "基于时变安全距离的跟驰模型反馈控制", 华南理工大学学报(自然科学版), no. 07, 15 July 2017 (2017-07-15) * |
贾洪飞;唐明;李莉;: "基于驾驶员认知过程的车辆跟驰模型的建立", 公路交通科技, no. 02, 15 February 2008 (2008-02-15) * |
陆斯文;方守恩;王俊骅;: "基于追尾危险感知模糊推理的交通流运行安全评价", 同济大学学报(自然科学版), no. 01, 15 January 2011 (2011-01-15) * |
陆斯文;王俊骅;: "基于ANFIS的高速公路车辆跟驰模型与仿真", 同济大学学报(自然科学版), no. 07, 15 July 2010 (2010-07-15) * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476491A (zh) * | 2020-04-10 | 2020-07-31 | 北京工业大学 | 一种城市交通场景中的车辆运动模拟分析方法 |
CN111674394A (zh) * | 2020-06-09 | 2020-09-18 | 南京工业职业技术学院 | 一种能实现微观调控的自动驾驶跟驰保持方法 |
CN111907523A (zh) * | 2020-06-30 | 2020-11-10 | 西安理工大学 | 一种基于模糊推理的车辆跟驰寻优控制方法 |
CN111907523B (zh) * | 2020-06-30 | 2024-03-12 | 山东小雨汽车科技有限公司 | 一种基于模糊推理的车辆跟驰寻优控制方法 |
CN111968372A (zh) * | 2020-08-25 | 2020-11-20 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN111968372B (zh) * | 2020-08-25 | 2022-07-22 | 重庆大学 | 一种考虑主观因素的多车型混合交通跟驰行为仿真方法 |
CN112193245A (zh) * | 2020-09-24 | 2021-01-08 | 同济大学 | 一种考虑驾驶员模糊感知的深度学习跟驰预测方法 |
CN112580149A (zh) * | 2020-12-22 | 2021-03-30 | 浙江工业大学 | 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法 |
CN112580149B (zh) * | 2020-12-22 | 2023-05-26 | 浙江工业大学 | 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法 |
CN113066282A (zh) * | 2021-02-26 | 2021-07-02 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种面向混行环境下车辆跟驰耦合关系建模方法及系统 |
CN112793572B (zh) * | 2021-03-19 | 2022-06-03 | 成都安智杰科技有限公司 | 一种自适应巡航控制方法、装置、电子设备和存储介质 |
CN112793572A (zh) * | 2021-03-19 | 2021-05-14 | 成都安智杰科技有限公司 | 一种自适应巡航控制方法、装置、电子设备和存储介质 |
CN113112022A (zh) * | 2021-04-06 | 2021-07-13 | 清华大学 | 智能汽车队列人-车-路系统多智能体联合建模方法 |
CN113928314B (zh) * | 2021-11-17 | 2023-11-10 | 吉林大学 | 一种冰雪路面条件下考虑前后车的自动驾驶车辆跟驰控制方法 |
CN113928314A (zh) * | 2021-11-17 | 2022-01-14 | 吉林大学 | 一种冰雪路面条件下考虑前后车的自动驾驶车辆跟驰控制方法 |
CN114537391A (zh) * | 2022-02-24 | 2022-05-27 | 同济大学 | 一种基于预报观测器的车辆跟驰伺服控制方法及系统 |
CN114516328B (zh) * | 2022-03-08 | 2024-02-27 | 武汉科技大学 | 一种智能网联环境下基于规则的车队跟驰模型方法 |
CN114516328A (zh) * | 2022-03-08 | 2022-05-20 | 武汉科技大学 | 一种智能网联环境下基于规则的车队跟驰模型方法 |
CN114932552A (zh) * | 2022-05-31 | 2022-08-23 | 西安理工大学 | 协作机器人主动动作决策方法、系统、设备及存储介质 |
CN114932552B (zh) * | 2022-05-31 | 2024-03-26 | 西安理工大学 | 协作机器人主动动作决策方法、系统、设备及存储介质 |
CN115019508A (zh) * | 2022-06-13 | 2022-09-06 | 华南理工大学 | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 |
CN115019508B (zh) * | 2022-06-13 | 2023-09-29 | 华南理工大学 | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 |
CN115195821A (zh) * | 2022-06-14 | 2022-10-18 | 同济大学 | 一种后车跟驰行为控制方法、装置及存储介质 |
CN115195821B (zh) * | 2022-06-14 | 2023-09-26 | 同济大学 | 一种后车跟驰行为控制方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CA3065617A1 (en) | 2021-03-27 |
CA3065617C (en) | 2022-07-19 |
CN110750877B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750877A (zh) | 一种Apollo平台下的车辆跟驰行为预测方法 | |
CN110362910B (zh) | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 | |
Gil et al. | Surrogate model based optimization of traffic lights cycles and green period ratios using microscopic simulation and fuzzy rule interpolation | |
CN115056798B (zh) | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 | |
Shen et al. | Cooperative comfortable-driving at signalized intersections for connected and automated vehicles | |
Zhou et al. | A quantitative analysis of model predictive control as energy management strategy for hybrid electric vehicles: A review | |
CN114919578B (zh) | 智能车行为决策方法、规划方法、系统及存储介质 | |
Wei et al. | Game theoretic merging behavior control for autonomous vehicle at highway on-ramp | |
Hart et al. | Formulation and validation of a car-following model based on deep reinforcement learning | |
Liu et al. | A three-level game-theoretic decision-making framework for autonomous vehicles | |
Guo et al. | Inverse model predictive control (IMPC) based modeling and prediction of human-driven vehicles in mixed traffic | |
CN114463997A (zh) | 一种无信号灯交叉路口车辆协同控制方法及系统 | |
Muzahid et al. | Deep reinforcement learning-based driving strategy for avoidance of chain collisions and its safety efficiency analysis in autonomous vehicles | |
Zhang et al. | Lexicographic actor-critic deep reinforcement learning for urban autonomous driving | |
Liu et al. | Impact of sharing driving attitude information: A quantitative study on lane changing | |
CN117032203A (zh) | 基于svo的自动驾驶智能控制方法 | |
Shamsi et al. | Reinforcement learning for traffic light control with emphasis on emergency vehicles | |
Yuan et al. | Evolutionary decision-making and planning for autonomous driving based on safe and rational exploration and exploitation | |
Liu et al. | Graph reinforcement learning application to co-operative decision-making in mixed autonomy traffic: Framework, survey, and challenges | |
CN114475607A (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
Dong et al. | Lane-changing trajectory control strategy on fuel consumption in an iterative learning framework | |
Chada et al. | Learning-based driver behavior modeling and delay compensation to improve the efficiency of an eco-driving assistance system | |
Yuan et al. | Scalable Game-Theoretic Decision-Making for Self-Driving Cars at Unsignalized Intersections | |
CN110390398A (zh) | 在线学习方法 | |
Wen et al. | Bringing diversity to autonomous vehicles: An interpretable multi-vehicle decision-making and planning framework |
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 |