CN110949407B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110949407B CN110949407B CN201911358599.5A CN201911358599A CN110949407B CN 110949407 B CN110949407 B CN 110949407B CN 201911358599 A CN201911358599 A CN 201911358599A CN 110949407 B CN110949407 B CN 110949407B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- driving
- risk
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004044 response Effects 0.000 title claims abstract description 18
- 230000009471 action Effects 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 230000001133 acceleration Effects 0.000 claims description 11
- 239000003550 marker Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 239000011541 reaction mixture Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种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,该方法包括:S210,采集环境信息和自车信息;S220,根据所述环境信息和自车信息,获取周围车辆对自车的综合风险作用强度;S230,根据所受综合风险作用强度、以及自车的控制量,实时判断驾驶员的驾驶状态,并计算驾驶权重分配因子;S240,根据所述环境信息以自车信息,计算辅助驾驶系统的控制量;S250,根据所述控制量以及所述驾驶权重分配因子,计算实际控制量,并输出实际控制量,控制车辆运动。本发明能够通过综合实时评估驾驶员对环境风险的响应程度,判断驾驶员的实时驾驶技能,达到驾驶权柔性切换的人机共驾。
Description
技术领域
本发明涉及汽车辅助驾驶技术领域和自动驾驶技术领域,特别是关于一种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。
背景技术
自动驾驶技术在近年来迅猛发展,但是在开放道路下的纯无人驾驶仍然存在技术瓶颈。在此背景下,辅助驾驶系统的不断完善及其以无人驾驶为目标的更新迭代,成为了自动驾驶技术逐步发展的重要途径。在驾驶一辆搭载了辅助驾驶系统的车辆时,人类驾驶人和辅助驾驶系统形成了一种人机共驾的驾驶模式。
人机共驾进一步细分为:切换型人机共驾和共享型人机共驾。切换型人机共驾在驾驶过程中的任意时刻,都有且仅有一个驾驶主体(人类驾驶人或自动驾驶系统)掌握车辆的全部控制权,存在驾驶权交接时,人类驾驶员对驾驶控制的不适应的问题,难以应用。共享型人机共驾中,人类驾驶人和辅助驾驶系统均始终掌握一定的驾驶控制权,即,人机两个驾驶主体各自的驾驶控制都始终能以一定比例体现在车辆的运动中。主流理论通过评价两个驾驶主体的驾驶能力,根据驾驶能力分配驾驶控制权。相对于明确的辅助系统在面对驾驶任务时的处理能力,人类驾驶人更具多样性和时变性,因此对人类驾驶人的驾驶能力评估具有一定的挑战性。
中国发明专利(CN108819951A)中公开了一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法。该发明仅仅考虑了驾驶技能为因素,并且需要驾驶人测试过驾驶能力或者长时间驾驶过车辆来间接测量驾驶员的驾驶能力,才能进行有效地驾驶权分配,忽略了驾驶人由于疲劳或者其它生理因素导致的驾驶能力的变化,不能动态地修正驾驶员的驾驶能力。
发明内容
本发明的目的在于提供一种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来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的,本发明提供一种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,该方法包括:
S210,采集环境信息和自车信息;
S240,根据所述环境信息以及自车信息,计算辅助驾驶系统的控制量usys;
S250,根据所述控制量usys以及所述驾驶权重分配因子α,用式(17)计算实际控制量uactual,并输出实际控制量uactual,控制车辆运动:
uactual=(1-α)×udriver+α×usys (17)。
进一步地,用式(11)计算所述驾驶权重分配因子α:
式(12)中,N(t)为动态时间窗的窗长度,T1为动态时间窗的时间起点,TN为动态时间窗的时间终点,且满足:①当前时刻t=TN,即动态时间窗覆盖范围的终点为当前时刻点;②TN-T1=(N(t)-1)/f,即动态时间窗覆盖范围的起点由窗长度N(t)决定。
进一步地,N(t)为动态时间窗的窗长度,由式(13)计算得到:
式(13)中,t0为驾驶过程的时间起点,为到当前时刻点为止的N(t-1)帧历史数据中,自车所受的风险作用强度aR的标准差,为到当前时刻点为止的N(t-1)帧历史数据中、自车所受的风险作用强度aR的平均值。
式(1)中,Vj为周围车辆j的风险量,Vi为自车的风险量,Eji为由式(2)表示的综合风险强度分布函数;
式(3)中,rji为由周围车辆j指向车辆10的距离矢量;
式(4)中,θ为相对速度矢量vr与距离矢量rji的夹角,θ<180°,vr为周围车辆j指向车辆10的相对速度矢量;
Dmarker定义为用式(6)表示的车道线过滤标量作用因子:
式(6)中,Tmarker为车道线类型系数,rp_lc为p点指向车道中心线的距离矢量,w为车道宽度。
进一步地,Vi和Vj均可以采用下式(9)计算得到:
式(9)中,T为交通单元的类型系数,表征了根据交通单元的外形、运载物特性等对其风险量进行的修正;m为交通单元的质量,v为交通单元的运动速度,vlimit为道路限速与车辆极限车速之间的较小值,k1为权重修正系数。
进一步地,usys采用式(14)至式(16)计算得到:
usys=a(t) (14)
式(14)至式(16)中,a(t)为模型输出的自车的行驶加速度;A为最大起步加速度;v(t)为自车的行驶速度;为自车的期望行驶速度;s(t)为自车与前车的车头间距;为期望车头间距;b为自车驾驶人认为自己在紧急情况所能给出的最大制动减速度;B为自车的驾驶人认为的前车可能执行的最大制动减速度;vf(t)为前车的行驶速度;τ为反应时间;l为有效车长。
本发明由于采取以上技术方案,其具有以下优点:
1、能够根据驾驶人对风险的响应策略的正确性,进行人机共驾控制权的自适应分配;
2、能够适用于不同智能化等级和不同功能覆盖范围的辅助驾驶或自动驾驶系统与人类驾驶人的人机共驾;
3、能够以人类驾驶人的平均风险响应策略为控制目标,减少驾驶系统与人类驾驶人的决策冲突,同时也保证了人机共驾下驾驶表现的拟人化。
本发明提出了通过分析驾驶人对环境风险的响应策略来量化其对驾驶任务的处理能力,并由此构建了基于风险响应策略的人机共驾驾驶控制权柔性分配方法。
附图说明
图1为本发明实施例提供的柔性切换机制构成框图;
图2为本发明实施例提供的柔性切换机制运行流程图。
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。
如图1所示,本发明实施例所提供的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,其系统构成包括车辆10和安装于车辆10上的环境感知模块110、车辆感知模块120、风险量化模块130、驾驶权分配模块140、辅助驾驶模块150和车辆控制模块160。
车辆10为自动或半自动车辆,并且车辆10可以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。
环境感知模块110用于允许车辆10理解其周围环境中的静态和动态事物,其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地识别。环境感知模块110包括GSP全球定位系统、与传感器检测范围内的其它车辆通信的设备、以及具有探测车辆10外部的静态和动态物体功能的设备。
其中,GSP全球定位系统包括用于检测车辆10所处地理位置的子系统,例如用于确定经度、纬度和/或海拔位置等信息。与传感器检测范围内的其它车辆通信的设备包括DSRC短程通讯、V2X车载通讯和/或穿透传感器等,可以允许车辆10与传感器检测范围内的其它车辆通信的设备。具有探测外部静态物体功能的设备包括用于探测车辆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、超声波雷达和/或摄像机。具有探测外部动态物体功能的设备包括用于探测车辆10周围行人、非机动车等动态交通参与者的激光雷达、超声波雷达和/或摄像机。
需要说明的是,本实施例并未对环境感知模块110中能够使用的检测和通信设备进行穷举,也就是说,除了上述传感器和设备之外,还可以通过增加其它检测和通信设备,来提高车辆10对驾驶过程中周围运动事物的理解能力。
车辆感知模块120可以包括用于检测车辆运动方向、速度和加速度等运动状态的加速度传感器、陀螺仪或其它速度和方向检测设备。车辆感知模块120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、进气量传感器和其它任何检测车身运动状态的传感器。
如图2所示,本实施例提供的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包括:
S210,环境感知模块110采集环境信息,该环境信息包括:车道线位置、道路类型、周围车辆的位置和周围车辆的速度等,并传输给风险量化模块130。
车辆感知模块120采集自车信息,车辆10在本实施例中理解为“自车”,自车的周围的车辆理解为下文中的“车辆j”。自车信息包括:车辆10的位置、速度、加速度、油门踏板深度和刹车信号等。
式(1)中,Vj为周围车辆j的风险量,Vi为车辆10的风险量,Eji为综合风险强度分布函数,其用式(2)表示。
式(3)中,rji为由周围车辆j指向车辆10的距离矢量,λ=1.5为下降梯度系数。
式(4)中,θ为相对速度矢量vr与距离矢量rji的夹角,θ<180°,vr为周围车辆j指向车辆10的相对速度矢量,其表示为式(5):
vr=vj-vi (5)
Dmarker定义为车道线过滤标量作用因子,用式(6)表示:
式(6)中,Tmarker为车道线类型系数,rp_lc为p点指向车道中心线的距离矢量,w为车道宽度。对于车道虚线,使用Tmarker=1以表征车道虚线对风险的限制作用;对于车道实线,使用Tmarker=0以表达车道实线对风险的截断作用。
需要说明的是,可以通过采用下式(7)所表示的TTC(time to collision碰撞时间差)对周围车辆j对车辆10的综合风险作用强度进行评估:
式(7)中,Δx为两车之间的相对距离,Δv为两车的相对速度。
也可以采用下式(8)所表示的THW(Time headway跟车时距)对周围车辆j对车辆10的综合风险作用强度进行评估:
式(8)中,Δx为两车之间的相对距离,v自车为自车的相对速度。
式(7)和式(8)提供的两种方式只能用来评估前后两个方向的,侧向的无法计算,无法评估,而且考虑因素简单,评估结果不准确。
还可以采用专利申请号为ZL201810433436.8、主题名称为《基于等效力的行车风险实时评估方法及其装置》中提供的方式对周围车辆j对车辆10的综合风险作用强度进行评估,该方法考虑因素全面,但计算相对复杂,实时性不高。
一个交通单元的风险量V定义为式(9):
式(9)中,T为交通单元的类型系数,表征了根据交通单元的外形、运载物特性等对其风险量进行的修正;m为交通单元的质量,v为交通单元的运动速度,vlimit为道路限速与车辆极限车速之间的较小值(由于德国高速公路无道路限速,故此处取vlimit=120km/h),k1为权重修正系数,k1可取0.1。
根据上述式(9),计算得到式(1)中的车辆10的风险量Vi、以及周围车辆j的风险量Vj。
式(10)中,Nu为车辆10的周围所有车辆j的总数量。
S230,驾驶权分配模块140接收风险量化模块130输出的车辆10所受综合风险作用强度以及车辆感知模块120输出的车辆10的控制量udriver(具体表现为车辆10的油门踏板深度、刹车信号等),实时判断驾驶员的驾驶状态,用式(11)计算驾驶权重分配因子α:
δ(t)为当前时刻对应的动态时间窗内的驾驶员策略与统计的驾驶员平均策略的偏差程度,其依据式(12)计算得到:
式(12)中,N(t)为动态时间窗的窗长度(帧),T1为动态时间窗的时间起点,TN为动态时间窗的时间终点,且满足:①当前时刻t=TN,即动态时间窗覆盖范围的终点为当前时刻点;②TN-T1=(N(t)-1)/f,即动态时间窗覆盖范围的起点由窗长度N(t)决定。N(t)由式(13)计算得到:
式(13)中,t0为驾驶过程的时间起点,为到当前时刻点为止的N(t-1)帧历史数据中,车辆10所受的风险作用强度aR的标准差,为到当前时刻点为止的N(t-1)帧历史数据中,车辆10所受的风险作用强度aR的平均值。
本实施例通过使用了动态的时间长度N(t),这样不同场景便可以选取不同的值。相比于使用固定的时间长度N,本实施例提供的能够适用的场景更多,而且更有利于准确对车辆10受到的综合风险进行评估。
S240,辅助驾驶模块150根据环境感知模块110输入的环境信息以及车辆感知模块120输入的自车信息,计算辅助驾驶系统的控制量usys。此方法能够适用于当今任意的辅助驾驶系统。辅助驾驶系统的控制量usys不仅可以是纵向控制量如刹车油门等、也可以是横向控制量如方向盘转角等,也可以为两者的结合。此处仅以跟车场景为例。计算辅助驾驶系统的控制量usys的步骤如下:
根据当前的环境信息和车辆10信息,辅助驾驶模块150得到辅助驾驶系统控制量usys。例如:在高速路跟车情况时,使用纵向控制模型(Longitudinal Control Model,LCM算法)得到辅助驾驶系统的控制量。
usys=a(t) (14)
式(14)至式(16)中,a(t)为模型输出的车辆10行驶加速度,也为当前场景时的辅助驾驶系统的控制量;A为最大起步加速度;v(t)车辆10行驶速度;为车辆10的期望行驶速度;s(t)为车辆10与前车的车头间距;为期望车头间距;b为车辆10驾驶人认为自己在紧急情况所能给出的最大制动减速度;B为车辆10驾驶人认为的前车可能执行的最大制动减速度;vf(t)为前车的行驶速度;τ为反应时间;l为有效车长。
当然,辅助驾驶系统的控制方法可以由替代其它任意的自动驾驶车辆控制方法,这种同时控制车辆的速度和加速度的方法,更符合人的驾驶行为。现有技术中还有低级别的自动驾驶控制方法,其仅控制车辆的加速度,比如:IDM(Intelligent driver model)方法。
S250,驾驶配模块140接收来自辅助驾驶模块150的控制量usys,并根据控制量usys以及驾驶权重分配因子α,用式(15)计算实际控制量uactual,并将实际控制量uactual传入车辆控制模块160,车辆控制模块160根据实际控制量uactual控制车辆运动。
uactual=(1-α)×udriver+α×usys (17)
式(16)中,uactual为实际生效的控制量,udriver为驾驶人拟执行的控制量,usys为辅助系统拟执行的控制量,α=α(t)为式(9)计算得到的时变控制权分配因子。
上述实施例提供的是柔性切换方式,也可以采用硬性切换(阈值切换)方法,即当风险作用强度指标大于某阈值时,采取驾驶权重分配因子α=1,也可以采取驾驶权重分配因子α=0,即完全由人控制,这种硬性切换方法会使得驾驶人倍感不适。
S260,车辆控制模块160判断车辆是否为处于工作状态(如车辆没启动),循环运行切换方法直至车辆停止运行时再停止切换机制。
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 (5)
1.一种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,其特征在于,包括:
S210,采集环境信息和自车信息;
S240,根据所述环境信息以及自车信息,计算辅助驾驶系统的控制量usys;
S250,根据所述控制量usys以及所述驾驶权重分配因子α,用式(17)计算实际控制量uactual,并输出实际控制量uactual,控制车辆运动:
uactual=(1-α)×udriver+α×usys (17)
式(1)中,Vj为周围车辆j的风险量,Vi为自车的风险量,Eji为由式(2)表示的综合风险强度分布函数;
式(3)中,rji为由周围车辆j指向车辆的距离矢量,λ为下降梯度系数;
式(4)中,θ为相对速度矢量vr与距离矢量rji的夹角,θ<180°,vr为周围车辆j指向车辆10的相对速度矢量;
Dmarker定义为用式(6)表示的车道线过滤标量作用因子:
式(6)中,Tmarker为车道线类型系数,rp_lc为p点指向车道中心线的距离矢量,w为车道宽度。
2.如权利要求1所述的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,其特征在于,用式(11)计算所述驾驶权重分配因子α:
式(12)中,N(t)为时间窗的窗长度,T1为动态时间窗的时间起点,TN为动态时间窗的时间终点,ΔaD(k)为k时刻对应的动态时间窗内的驾驶员策略与统计的驾驶员平均策略的偏差程度,且满足:①当前时刻t=TN,即时间窗覆盖范围的终点为当前时刻点;②TN-T1=(N(t)-1)/f,即时间窗覆盖范围的起点由窗长度N(t)决定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358599.5A CN110949407B (zh) | 2019-12-25 | 2019-12-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911358599.5A CN110949407B (zh) | 2019-12-25 | 2019-12-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110949407A CN110949407A (zh) | 2020-04-03 |
CN110949407B true CN110949407B (zh) | 2020-12-25 |
Family
ID=69984019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911358599.5A Active CN110949407B (zh) | 2019-12-25 | 2019-12-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110949407B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111409695B (zh) * | 2020-04-13 | 2021-07-27 | 安徽卡思普智能科技有限公司 | 用于智能汽车的线控转向人机共享控制方法及其智能汽车 |
CN111857340B (zh) * | 2020-07-17 | 2024-04-16 | 南京航空航天大学 | 一种多因素融合的人机共驾驾驶权分配方法 |
CN112417689B (zh) * | 2020-11-23 | 2023-09-26 | 浙江天行健智能科技有限公司 | 人机共驾风险控制建模方法及辅助驾驶方法 |
CN112507620B (zh) * | 2020-12-11 | 2024-04-12 | 南京航空航天大学 | 一种人机共驾过程中驾驶员肌肉状态估计方法 |
CN113101079A (zh) * | 2021-05-20 | 2021-07-13 | 南京邮电大学 | 基于多约束条件的智能轮椅、动态共享控制方法及系统 |
CN116495014B (zh) * | 2023-06-28 | 2023-09-01 | 北京理工大学 | 一种自进化非博弈自动驾驶车辆人机共驾方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101817330A (zh) * | 2009-02-27 | 2010-09-01 | 日产自动车株式会社 | 车辆驾驶操作支持设备和方法以及车辆 |
CN104239741A (zh) * | 2014-09-28 | 2014-12-24 | 清华大学 | 基于行车风险场的汽车驾驶安全辅助方法 |
CN107180294A (zh) * | 2016-03-10 | 2017-09-19 | 福特全球技术公司 | 用于驾驶风险指数估计的系统和方法 |
WO2019126755A1 (en) * | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
-
2019
- 2019-12-25 CN CN201911358599.5A patent/CN110949407B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101817330A (zh) * | 2009-02-27 | 2010-09-01 | 日产自动车株式会社 | 车辆驾驶操作支持设备和方法以及车辆 |
CN104239741A (zh) * | 2014-09-28 | 2014-12-24 | 清华大学 | 基于行车风险场的汽车驾驶安全辅助方法 |
CN107180294A (zh) * | 2016-03-10 | 2017-09-19 | 福特全球技术公司 | 用于驾驶风险指数估计的系统和方法 |
WO2019126755A1 (en) * | 2017-12-21 | 2019-06-27 | Fugro N.V. | Generating and classifying training data for machine learning functions |
Non-Patent Citations (1)
Title |
---|
基于驾驶员避撞行为的行车风险判别方法的仿真研究;熊晓夏等;《汽车工程》;20190228;第41卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110949407A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110414831B (zh) | 基于驾驶人认知视角的人车路耦合风险评估方法及装置 | |
CN110471415B (zh) | 具有自动驾驶模式的车辆及其控制方法和系统 | |
US11260852B2 (en) | Collision behavior recognition and avoidance | |
US10286900B2 (en) | Intelligent driving system with an embedded driver model | |
EP3279052A1 (en) | Automatic driving control device | |
CN112519575B (zh) | 调整油门踏板特性的方法和装置 | |
US9690296B1 (en) | Avoiding blind spots of other vehicles | |
CN110281893B (zh) | 一种紧急制动系统及方法、半挂车 | |
CN113386795A (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 | |
KR20210013130A (ko) | 조향각 캘리브레이션 | |
CN114390990A (zh) | 用于确定目标车辆速度的系统和方法 | |
CN113044059A (zh) | 用于车辆的安全系统 | |
CN111994068B (zh) | 一种基于智能轮胎触觉感知的智能驾驶汽车控制系统 | |
EP3741638A1 (en) | Vehicle control device | |
RU2731676C2 (ru) | Способ управления устройством отображения и устройство отображения | |
EP3666612A1 (en) | Vehicle control device | |
US20200333791A1 (en) | Driving assistance system | |
CN110239556B (zh) | 一种驾驶员即时操控能力感知方法 | |
US20220388543A1 (en) | Systems and methods for displaying trajectories for autonomous vehicles | |
CN113147752A (zh) | 一种无人驾驶方法及系统 | |
Morales et al. | Proactive driving modeling in blind intersections based on expert driver data | |
CN113195322A (zh) | 用于确定预定区域内的运动轨迹的方法和装置 | |
CN110398968B (zh) | 一种智能车多目标驾驶控制方法及决策系统 | |
CN113424209B (zh) | 使用深度学习多预测器融合和贝叶斯优化的轨迹预测 |
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 |