CN111413973A - 车辆的换道决策方法及装置、电子设备、存储介质 - Google Patents
车辆的换道决策方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN111413973A CN111413973A CN202010226577.XA CN202010226577A CN111413973A CN 111413973 A CN111413973 A CN 111413973A CN 202010226577 A CN202010226577 A CN 202010226577A CN 111413973 A CN111413973 A CN 111413973A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane change
- information
- change decision
- lane
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Abstract
本申请提供一种车辆的换道决策方法及装置、电子设备、存储介质,该方法包括:获取感知信息;根据所述感知信息,判断所述车辆进入的换道决策状态;根据所述换道决策状态,将所述感知信息输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;根据所述神经网络模型的输出结果,执行换道动作。该方法实现了车辆的换道决策自动化,提高了车辆自动换道的精准性。
Description
技术领域
本申请涉及智能驾驶领域,特别涉及一种车辆的换道决策方法及装置、电子设备、存储介质。
背景技术
汽车的自动驾驶系统是一个可以模拟人类驾驶行为的自动化系统。在汽车行驶过程中,为了更方便通行或者一些外部因素,常常需要换道。目前,汽车的自动驾驶系统在进行换道决策时要面临很多复杂的情况,换道决策的精准性还有待提高。
发明内容
本申请实施例提供了一种车辆的换道决策方法,可以实现车辆的换道决策自动化,提高了车辆自动换道的精准性。
本申请实施例提供了一种车辆的换道决策方法,所述方法包括:
获取感知信息;
根据所述感知信息,判断所述车辆进入的换道决策状态;
根据所述换道决策状态,将所述感知信息输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;
根据所述神经网络模型的输出结果,执行换道动作。
在一实施例中,所述获取感知信息包括:
通过雷达和视觉传感器获取所述车辆周围的环境信息;
通过车载传感器和导航系统获取所述车辆的本车状态信息;
获取预设的任务信息并通过地理地图系统获取所述车辆的地理地图信息;
将所述环境信息、所述本车状态信息、所述地理地图信息和任务信息融合处理,获得感知信息。
在一实施例中,所述根据所述感知信息,判断所述车辆进入的换道决策状态,包括:
将所述感知信息输入有限状态机模型,获得所述有限状态机模型输出的状态转移结果;
根据所述有限状态机模型的状态转移结果,确定所述车辆进入自由换道决策状态或者强制换道决策状态。
在一实施例中,所述将所述感知信息输入有限状态机模型之前,所述方法还包括:
基于行驶规则和行驶经验数据,建立行驶规则库;
基于行驶规则库,建立所述有限状态机模型。
在一实施例中,所述根据所述换道决策状态,将所述感知信息输入与所述换道决策状态对应的神经网络模型,包括:
如果所述换道决策状态为自由换道决策状态,将所述感知信息输入所述自由换道决策状态对应的自由换道神经网络模型;
如果所述换道决策状态为强制换道决策状态,将所述感知信息输入所述强制换道决策状态对应的强制换道神经网络模型。
在一实施例中,所述根据所述换道决策状态,将所述感知信息输入与换道决策状态对应的神经网络模型之前,所述方法还包括:
获取自由换道决策状态对应的第一训练数据以及强制换道决策状态对应的第二训练数据;
通过所述第一训练数据训练得到所述自由换道决策状态对应的自由换道神经网络模型,以及通过所述第二训练数据训练得到所述强制换道神经网络模型。
在一实施例中,所述根据所述神经网络模型的输出结果,执行换道动作,包括:
判断所述输出结果是否为换道;
若所述输出结果为换道,判断所述输出结果是否满足动力学条件和舒适度条件;
若满足,执行换道动作;否则,保持原道行驶或者停止。
另一方面,本申请还提供了一种车辆的换道决策装置,所述装置包括:
信息获取模型,用于获取感知信息;
状态判断模块,用于根据所述感知信息,判断所述车辆进入的换道决策状态;
模型计算模块,用于根据所述换道决策状态,将所述感知信息输入与换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;
换道实施模块,用于根据所述神经网络模型的输出结果,执行换道动作。
进一步地,本申请还提供了一种电子设备,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行本申请提供的车辆的换道决策方法。
进一步地,本申请还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成本申请提供的车辆的换道决策方法。
本申请上述实施例提供的技术方案,通过获取感知信息来判断换道决策状态,进而将感知信息输入与换道决策状态对应的神经网络模型中,得出输出结果,并根据此输出结果执行换道动作,本申请实施例考虑了车辆进行换道决策时的不同场景,实现了车辆的换道决策自动化,提高了车辆自动换道的精准性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍。
图1为本申请一实施例提供的车辆的换道决策方法的应用场景示意图;
图2为本申请一实施例提供的车辆的换道决策方法的流程示意图;
图3为图2对应实施例中步骤S210的细节流程图;
图4为本申请另一实施例提供的车辆的换道决策装置的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
图1为本申请实施例提供的车辆的换道决策方法的应用场景示意图。如图1所示,该应用场景包括车辆100。该车辆100可以采用实施例提供的车辆的换道决策方法,实现车辆的换道决策自动化,提高车辆自动换道的精准性。
该车辆100可以包括车载传感系统110、地图系统120和车载控制器130。车载控制器130连接车载传感系统110和地图系统120。其中,车载传感系统110可以包括本车状态传感器、视觉传感器、雷达。车载传感系统110和地图系统120将获取到的信息发送给车载控制器130,从而车载控制器130可以采用实施例提供的车辆的换道决策方法,进行车辆100的换道决策。
本申请还提供了一种电子设备。该电子设备可以是图1所示的车载控制器130。如图1所示,车载控制器130可以包括处理器131和用于存储处理器131可执行指令的存储器132;其中,该处理器131被配置为执行本申请提供的车辆的换道决策方法。
存储器132可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请还提供了一种计算机可读存储介质,存储介质存储有计算机程序,计算机程序可由处理器131执行以完成本申请提供的车辆的换道决策方法。
图2为本申请实施例提供的车辆的换道决策方法的流程示意图。如图2所示,该方法包括以下步骤S210-S240。
步骤S210:获取感知信息。
感知信息可以包括可能影响到车辆换道决策行为的信息,例如车辆的速度、邻道车辆的速度以及邻道车辆离本车的距离等。
步骤S220:根据所述感知信息,判断所述车辆进入的换道决策状态。
其中,换道决策状态可以为该车辆在做换道决策时所处的状态,即该车辆在做换道决策时处于何种换道场景。换道决策可以是左换道、右换道或者不换道。在一实施例中,换道场景可以包括自由换道和强制换道。自由换道是指车辆处于正常的行驶过程中,由于前方车辆速度较慢或者邻道更易于通行而实施的换道,强制换道是指车辆行驶过程中遇到强制性因素被迫换道,通常包括前方遇到路障、前方路口转弯需走特定车道、靠边停车、匝道汇入等。对应地,换道决策状态可以包括自由换道决策状态,对应于自由换道场景以及强制换道决策状态,对应于强制换道场景。在这两换道决策状态下,影响车辆换道决策的主要因素是有所不同的。例如,在自由换道决策状态下,前车的速度对换道的决策影响很大,容易理解地,如果前车速度较快、超过了本车的目标速度,那么本车不考虑换道,而在强制换道决策状态下,只要接收到强制换道的指示,在符合安全性的前提下,仍会在合适时机实施换道。因此,根据获取到的感知信息,判断车辆处于哪一种换道决策状态下,将会使后续步骤的建模和预测更有针对性和可解释性。
步骤S230:根据所述换道决策状态,将所述感知信息输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果。
在本步骤中,每个换道决策状态对应一个神经网络模型,该模型用来根据感知信息预测换道决策。将感知信息输入与换道决策状态对应的神经网络模型中,得到该模型的输出结果。输出结果可以为左换道、右换道或者不换道。
步骤S240:根据所述神经网络模型的输出结果,执行换道动作。
根据步骤S230中的神经网络模型的输出结果,控制车辆实施左换道、右换道或者不换道。
本申请上述实施例提供的技术方案,通过获取感知信息来判断换道决策状态,进而将感知信息输入与换道决策状态对应的神经网络模型中,得出输出结果,并根据此输出结果执行换道动作,本申请实施例考虑了车辆进行换道决策时的不同场景,实现了车辆的换道决策自动化,提高了车辆自动换道的精准性。
在一实施例中,如图3所示,上述步骤S210包括以下步骤S211-S214。
步骤S211:通过雷达和视觉传感器获取所述车辆周围的环境信息。
其中,车辆周围的环境信息可以是车辆周围预设范围内的可能会对车辆换道决策产生影响的所有实体的信息。其中,实体可以为周围车辆、行人、路障、交通指示灯、交通指示牌、前方车道等。实体的信息可以为周围车辆和行人的速度、加速度、离本车的距离、路障的位置、交通灯信息、交通指示的文字信息以及前方车道的分叉或者汇入信息等。雷达通过向周围的实体发射电磁波并接收回波信号,来确定实体的位置。视觉传感器通过采集周围图像,并通过图像检测出实体的信息。一辆车可以装载有多个雷达和多个视觉传感器,它们可以朝向不同方向,以此来获取该车辆周围的尽可能完整的环境信息。
步骤S212:通过车载传感器和导航系统获取所述车辆的本车状态信息。
其中,本车状态信息可以包括车辆的行驶状态信息,例如速度、加速度等,以及车辆所处的位置。通过车载传感器获取车辆的行驶状态信息,通过导航系统来获取车辆的位置。
步骤S213:获取预设的任务信息并通过地理地图系统获取所述车辆的地理地图信息。
其中,预设的任务信息可以是车辆的行驶目的地或者必经路程。地理地图信息可以是车辆所处位置周围预设范围内的高精度地图。
步骤S211-S213可以同步进行,也可以逐步进行。
步骤S214:将所述环境信息、所述本车状态信息、所述地理地图信息和任务信息融合处理,获得感知信息。
在步骤S211-S213中,获取到的环境信息、本车状态信息以及地理地图信息和任务信息中可能含有相同的数据,例如环境信息中通过雷达和视觉传感器分别获得的邻道车辆的距离信息。在本步骤中,将获取到的所有信息进行融合处理,合并冗余的数据,剔除可靠度较低的数据,获得感知信息。
在一实施例中,上述步骤S220可以包括:将所述感知信息输入有限状态机模型,获得所述有限状态机模型输出的状态转移结果;根据所述有限状态机模型的状态转移结果,确定所述车辆进入自由换道决策状态或者强制换道决策状态。
其中,有限状态机模型是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型。有限状态机模型通常包含有状态转移表,A状态在条件1下可以转移到B状态,在条件2下可以转移到C状态。在本案中,有限状态机模型可以将获取到的感知信息作为输入条件,根据此时的状态以及输入条件来进行状态的转移。状态的转移过程中可能存在多个中间状态,最终的状态转移结果包括自由换道决策和强制换道决策。根据状态转移结果,确定车辆进入自由换道决策状态或者强制换道决策状态。
在一实施例中,在将所述感知信息输入有限状态机模型之前,所述方法还包括:基于行驶规则和行驶经验数据,建立行驶规则库;基于行驶规则库,建立所述有限状态机模型。
其中,行驶规则和行驶经验数据可以是交通规则以及车辆行驶过程中积累的经验数据,例如左转弯需走左转道、靠边停车需走最右边车道等,将这些行驶规则和行驶经验数据加入到行驶规则库中。然后,基于行驶规则库,确定有限状态机模型中可以存在的状态和输入,并建立状态转移表。例如,车辆启动行驶时在初始状态,判断前方是否需要转弯,如果需要,进入第一状态;在第一状态时,判断所处车道是否为可以转弯的车道,如果是,进入自由决策状态,否则进入强制决策状态。
在一实施例中,所述根据所述换道决策状态,将所述感知信息输入与换道决策状态对应的神经网络模型之前,所述方法还包括:获取自由换道决策状态对应的第一训练数据以及强制换道决策状态对应的第二训练数据;通过所述第一训练数据训练得到所述自由换道决策状态对应的自由换道神经网络模型,以及通过所述第二训练数据训练得到所述强制换道神经网络模型。
其中,第一训练数据是指车辆在自由换道决策状态下的感知信息和换道决策行为。第二训练数据是指车辆在强制换道决策状态下的感知信息和换道决策行为。通过对于第一训练数据的训练,可以得到自由换道决策状态对应的自由换道神经网络模型的权重参数;通过对于第二训练数据的训练,可以得到强制换道决策状态对应的强制换道神经网络模型的权重参数。
通过有限状态机模型对车辆的换道决策状态进行区分,按照区分的结结果将感知信息输入与强制换道决策状态或者自由换道决策状态对应的神经网络模型中,使得神经网络模型的训练更具有针对性,在细化场景下训练的神经网络模型的预测效果更佳。
在一实施例中,上述步骤S240可以包括:判断所述输出结果是否为换道;若所述输出结果为换道,判断所述输出结果是否满足动力学条件和舒适度条件;若满足,执行换道动作;否则,保持原道行驶或者停止。
在步骤S230中,神经网络模型的输出结果可以为左换道、右换道和不换道。如果输出结果为左换道或者右换道,判断在此时换道是否满足动力学条件和舒适度条件。其中,动力学条件是指符合车辆的动力学特性,设置动力学条件是为了对车辆的伤害和磨损较小,也在一定程度上确保安全性。舒适度条件是为了保证车上乘客的舒适度,例如,如果横向加速度过大,会给乘客带来不适。根据不同的车辆以及乘客的喜好,动力学条件和舒适度条件有着一定可以调节的范围,可以在车辆行驶前预设。
如果换道决策满足上述动力学条件和舒适度条件,则车辆执行换道动作,否则将视前方情况保持原道行驶,遇到需要强制换道而又不满足换道条件的,可以减速或者停止。
下述为本申请装置实施例,可以用于执行本申请上述车辆的换道决策方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请车辆的换道决策方法实施例。
图4为本申请一实施例示出的车辆的换道决策装置的框图。如图4所示,所述装置包括:信息获取模块410、状态判断模块420、模型计算模块430和换道实施模块440。
信息获取模块410,用于获取感知信息;
状态判断模块420,用于根据所述感知信息,判断所述车辆进入的换道决策状态;
模型计算模块430,用于根据所述换道决策状态,将所述感知信息输入与换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;
换道实施模块440,用于根据所述神经网络模型的输出结果,执行换道动作。
上述装置中各个模块的功能和作用的实现过程具体详见上述车辆的换道决策方法中对应步骤的实现过程,在此不再赘述。
在本申请所提供的几个实施例中,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (6)
1.一种车辆的换道决策方法,其特征在于,所述方法包括:
获取感知信息;
根据所述感知信息,判断所述车辆进入的换道决策状态;
根据所述换道决策状态,将所述感知信息输入与所述换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;
根据所述神经网络模型的输出结果,执行换道动作。
2.根据权利要求1所述的车辆的换道决策方法,其特征在于,所述获取感知信息包括:
通过雷达和视觉传感器获取所述车辆周围的环境信息;
通过车载传感器和导航系统获取所述车辆的本车状态信息;
获取预设的任务信息并通过地理地图系统获取所述车辆的地理地图信息;
将所述环境信息、所述本车状态信息、所述地理地图信息和任务信息融合处理,获得感知信息。
3.根据权利要求1所述的车辆的换道决策方法,所述根据所述神经网络模型的输出结果,执行换道动作,包括:
判断所述输出结果是否为换道;
若所述输出结果为换道,判断所述输出结果是否满足动力学条件和舒适度条件;
若满足,执行换道动作;否则,保持原道行驶或者停止。
4.一种车辆的换道决策装置,其特征在于,所述装置包括:
信息获取模型,用于获取感知信息;
状态判断模块,用于根据所述感知信息,判断所述车辆进入的换道决策状态;
模型计算模块,用于根据所述换道决策状态,将所述感知信息输入与换道决策状态对应的神经网络模型,得到所述神经网络模型的输出结果;
换道实施模块,用于根据所述神经网络模型的输出结果,执行换道动作。
5.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-3任意一项所述的车辆的换道决策方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序可由处理器执行以完成权利要求1-3任意一项所述的车辆的换道决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010226577.XA CN111413973A (zh) | 2020-03-26 | 2020-03-26 | 车辆的换道决策方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010226577.XA CN111413973A (zh) | 2020-03-26 | 2020-03-26 | 车辆的换道决策方法及装置、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111413973A true CN111413973A (zh) | 2020-07-14 |
Family
ID=71491566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010226577.XA Pending CN111413973A (zh) | 2020-03-26 | 2020-03-26 | 车辆的换道决策方法及装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111413973A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111845787A (zh) * | 2020-08-03 | 2020-10-30 | 北京理工大学 | 一种基于lstm的换道意图预测方法 |
CN112416004A (zh) * | 2020-11-19 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 |
CN113029155A (zh) * | 2021-04-02 | 2021-06-25 | 杭州申昊科技股份有限公司 | 机器人自动导航方法及装置、电子设备、存储介质 |
CN113264059A (zh) * | 2021-05-17 | 2021-08-17 | 北京工业大学 | 支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法 |
CN115195743A (zh) * | 2022-09-16 | 2022-10-18 | 毫末智行科技有限公司 | 基于无人驾驶的车辆自动变道方法、装置、设备及介质 |
CN115512540A (zh) * | 2022-09-20 | 2022-12-23 | 中国第一汽车股份有限公司 | 车辆的信息处理方法、装置、存储介质和处理器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
US20170357257A1 (en) * | 2016-06-12 | 2017-12-14 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicle control method and apparatus and method and apparatus for acquiring decision-making model |
CN107901909A (zh) * | 2017-10-31 | 2018-04-13 | 北京新能源汽车股份有限公司 | 一种车道自动更换的控制方法、装置及控制器 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、系统、装置及可读存储介质 |
CN109948801A (zh) * | 2019-02-15 | 2019-06-28 | 浙江工业大学 | 基于驾驶员换道心理分析的车辆换道概率输出模型建立方法 |
CN110228473A (zh) * | 2019-05-27 | 2019-09-13 | 驭势科技(北京)有限公司 | 一种智能车换道决策方法、装置、存储介质和智能车 |
US20190322281A1 (en) * | 2017-04-20 | 2019-10-24 | Tencent Technology (Shenzhen) Company Limited | Lane selection method, target vehicle and computer storage medium |
-
2020
- 2020-03-26 CN CN202010226577.XA patent/CN111413973A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170357257A1 (en) * | 2016-06-12 | 2017-12-14 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicle control method and apparatus and method and apparatus for acquiring decision-making model |
CN106740457A (zh) * | 2016-12-07 | 2017-05-31 | 镇江市高等专科学校 | 基于bp神经网络模型的车辆换道决策方法 |
US20190322281A1 (en) * | 2017-04-20 | 2019-10-24 | Tencent Technology (Shenzhen) Company Limited | Lane selection method, target vehicle and computer storage medium |
CN107901909A (zh) * | 2017-10-31 | 2018-04-13 | 北京新能源汽车股份有限公司 | 一种车道自动更换的控制方法、装置及控制器 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、系统、装置及可读存储介质 |
CN109948801A (zh) * | 2019-02-15 | 2019-06-28 | 浙江工业大学 | 基于驾驶员换道心理分析的车辆换道概率输出模型建立方法 |
CN110228473A (zh) * | 2019-05-27 | 2019-09-13 | 驭势科技(北京)有限公司 | 一种智能车换道决策方法、装置、存储介质和智能车 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111845787A (zh) * | 2020-08-03 | 2020-10-30 | 北京理工大学 | 一种基于lstm的换道意图预测方法 |
CN112416004A (zh) * | 2020-11-19 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 |
WO2022105579A1 (zh) * | 2020-11-19 | 2022-05-27 | 腾讯科技(深圳)有限公司 | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 |
EP4209853A4 (en) * | 2020-11-19 | 2024-03-06 | Tencent Tech Shenzhen Co Ltd | CONTROL METHOD AND APPARATUS BASED ON AUTONOMOUS DRIVING, AND VEHICLE AND ASSOCIATED DEVICE |
CN113029155A (zh) * | 2021-04-02 | 2021-06-25 | 杭州申昊科技股份有限公司 | 机器人自动导航方法及装置、电子设备、存储介质 |
CN113264059A (zh) * | 2021-05-17 | 2021-08-17 | 北京工业大学 | 支持多驾驶行为的基于深度强化学习的无人车运动决策控制方法 |
CN115195743A (zh) * | 2022-09-16 | 2022-10-18 | 毫末智行科技有限公司 | 基于无人驾驶的车辆自动变道方法、装置、设备及介质 |
CN115512540A (zh) * | 2022-09-20 | 2022-12-23 | 中国第一汽车股份有限公司 | 车辆的信息处理方法、装置、存储介质和处理器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
EP3091370A1 (en) | Method and arrangement for determining safe vehicle trajectories | |
CN112885145B (zh) | 路口风险预警的方法和装置 | |
CN110663073B (zh) | 策略生成装置及车辆 | |
JP2020046706A (ja) | 物体検出装置、車両制御システム、物体検出方法及び物体検出用コンピュータプログラム | |
CN112699721B (zh) | 离开道路扫视时间的情境相关调整 | |
US11661061B2 (en) | Method and device for assisting a driver in a vehicle | |
CN105684039B (zh) | 用于驾驶员辅助系统的状况分析 | |
US20220306113A1 (en) | Customization of autonomous-driving lane changes of motor vehicles based on drivers' driving behaviours | |
US20230343153A1 (en) | Method and system for testing a driver assistance system | |
CN114126940A (zh) | 电子控制装置 | |
CN116390879A (zh) | 用于避免即将发生的碰撞的系统和方法 | |
CN111984018A (zh) | 自动驾驶方法及装置 | |
CN111409455A (zh) | 车辆的速度控制方法及装置、电子设备、存储介质 | |
CN114802234A (zh) | 一种智能巡航中道路边缘避让方法及系统 | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
US11254326B2 (en) | Automatic comfort score system based on human driving reference data | |
CN113734191A (zh) | 人工地虚造传感器数据以发起用于自动驾驶车辆的安全动作 | |
CN115447607A (zh) | 用于规划车辆行驶轨迹的方法和装置 | |
CN115092186A (zh) | 一种车辆自动驾驶方法及装置、电子设备、存储介质 | |
CN117413257A (zh) | 用于测试车辆用司机辅助系统的方法和系统 | |
CN111444604B (zh) | 一种虚拟测试场景的检测方法及装置 | |
CN113029155A (zh) | 机器人自动导航方法及装置、电子设备、存储介质 | |
CN112634627B (zh) | 一种高速巡航状态下的换道方法、装置及汽车 | |
US10950129B1 (en) | Infrastructure component broadcast to vehicles |
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 |