CN112092825B - 一种基于机器学习的车道保持方法 - Google Patents
一种基于机器学习的车道保持方法 Download PDFInfo
- Publication number
- CN112092825B CN112092825B CN202010906874.9A CN202010906874A CN112092825B CN 112092825 B CN112092825 B CN 112092825B CN 202010906874 A CN202010906874 A CN 202010906874A CN 112092825 B CN112092825 B CN 112092825B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- transverse
- lane
- driving
- distance
- 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 39
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 230000006399 behavior Effects 0.000 claims abstract description 31
- 238000013178 mathematical model Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 33
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
-
- 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
- B60W2520/06—Direction of travel
-
- 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
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/20—Steering systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于机器学习的车道保持方法，其技术方案要点是包括模型构建步骤和自动横向控制步骤。模型构建步骤包括：S10，视觉检测系统于车主驾驶车辆时采集车主驾驶数据构建驾驶行为习惯数据库；S20，横向控制器根据驾驶行为习惯数据库通过机器学习构建驾驶行为习惯数学模型。自动横向控制步骤包括；S30，视觉检测系统于自动驾驶车辆时实时采集车辆驾驶数据，横向控制器根据车辆驾驶数据并通过驾驶行为习惯数学模型得到车辆期望转角；S40，转向执行系统根据车辆期望转角对智能车辆进行横向运动控制。该方法能够控制智能车辆在自动驾驶过程中模仿车主驾驶行为习惯，精确稳定平滑地实现对智能车辆的车道横向运动控制。
Description
技术领域
本发明涉及智能车辆自动驾驶技术领域，更具体的说是涉及一种基于机器学习的车道保持方法。
背景技术
随着科技的发展，自动驾驶汽车成为未来汽车的重要发展方向。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。自动驾驶车辆不仅能够帮助提高人们的出行便利性和出行体验，还能极大的提升人们出行的效率。
现有的视觉导航式智能车辆在自动驾驶过程中按照千篇一律的控制模型进行车道横向运动控制，这种按照交通规则制定的千篇一律的控制模型相对较为成熟，但是无法实现车主驾驶行为的个性化设计。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于机器学习的车道保持方法，该方法能够控制智能车辆在自动驾驶过程中模仿车主驾驶行为习惯，精确稳定平滑地实现对智能车辆的车道横向运动控制。
为实现上述目的，本发明提供了如下技术方案：一种基于机器学习的车道保持方法，提供视觉检测系统、转向执行系统以及横向控制器，所述视觉检测系统、所述转向执行系统以及所述横向控制器均设置于智能车辆上，该车道保持方法包括模型构建步骤和自动横向控制步骤；
所述模型构建步骤包括；
S10，所述视觉检测系统于车主驾驶车辆时采集车主驾驶数据构建驾驶行为习惯数据库，所述车主驾驶数据为表征了车主驾驶车辆的驾驶行为和驾驶习惯的数据；
S20，所述横向控制器根据驾驶行为习惯数据库通过机器学习构建驾驶行为习惯数学模型；
所述自动横向控制步骤包括；
S30，所述视觉检测系统于自动驾驶车辆时实时采集车辆驾驶数据，所述车辆驾驶数据为表征了前方车道状态或车辆于车道内行驶状态的数据，所述横向控制器根据所述车辆驾驶数据并通过所述驾驶行为习惯数学模型得到车辆期望转角，所述车辆期望转角表征了对车辆驾驶的预期操纵；
S40，所述转向执行系统根据所述车辆期望转角对智能车辆进行横向运动控制。
作为本发明的进一步改进，所述横向控制器包括有前馈控制器和反馈控制器，所述前馈控制器根据所述车辆驾驶数据并通过所述驾驶行为习惯数学模型得到车辆期望转角；所述视觉检测系统实时确定智能车辆与车道参考线的相对位置和姿态，并通过所述反馈控制器确定车辆补偿转角，所述车辆补偿转角表征了对车辆驾驶的补偿控制。
所述S40还包括：所述转向执行系统根据所述车辆补偿转角补偿实际角度输出以对智能车辆进行横向运动控制。
作为本发明的进一步改进，所述车主驾驶数据包括相对航向角、预览曲率、车辆纵向速度以及期望横向保持距离，所述相对航向角表征航向角方向与车道参考线方向的角度偏差，所述航向角方向为当前时刻车头的方向，所述预览曲率表征车道的弯曲方向以及车道的曲率，所述车辆纵向速度为智能车辆沿车头航向角的速度分量，所述期望横向保持距离为车主驾驶车辆时，车道参考线上各点距离车头航向角方向的垂直距离。
作为本发明的进一步改进，所述车辆驾驶数据包括相对航向角、预览曲率、车辆纵向速度以及横向偏差，所述横向偏差为期望横向保持距离与实际横向保持距离之差，所述实际横向保持距离为自动驾驶车辆时，车道参考线上各点距离车头航向角方向的垂直距离。
作为本发明的进一步改进，所述相对航向角的计算方法包括：
S11，选取车头航向角方向相距车头X0和X2距离处的两个第一采样点，以这两个第一采样点为垂足做航向角方向的垂线，得到垂线与车道参考线之间的第一采样交点；
S12，获取两个第一采样交点与航向角方向的垂直距离，并计算垂直距离差值；
S13，根据X0和X2的差值以及垂直距离差值通过计算得到两个交点连线方向与航向角方向的夹角，所述夹角即为相对航向角。
作为本发明的进一步改进，所述横向偏差的计算方法包括：
S21，选取车头航向角方向距离车头X1距离处的第二采样点，以这个第二采样点为垂足做航向角方向的垂线，得到垂线与车道参考线之间的第二采样交点；
S22，获取第二采样交点与航向角方向的垂直距离，该垂直距离即为所述实际横向保持距离；
S23，计算所述实际横向保持距离与第二采样点处的所述期望横向保持距离的差值，该差值即为所述横向偏差。
作为本发明的进一步改进，所述预览曲率的计算方法包括：
S31，于车头航向角方向距离车头0到X3距离区间内等间隔选取若干第三采样点；
S32，对车道参考线拟合的多项式函数求解一阶导和二阶导计算各第三采样点对应处的曲率值；
S33，对曲率值进行统计学分析，得到加权曲率值，所述加权曲率值表征车道参考线是左弯道或右弯道或直道，以及弯道半径大小，所述加权曲率值即为预览曲率。
作为本发明的进一步改进，所述车辆纵向速度通过实时读取智能车辆行驶状态信息得到。
本发明的有益效果：该车道保持方法通过模型构建步骤和自动横向控制步骤，能够控制智能车辆在自动驾驶过程中模仿车主驾驶行为习惯，精确稳定平滑地实现对智能车辆的车道横向运动控制。车道横向运动控制的目的是确保智能车辆能够精确稳定光滑地跟随车道参考线，因此构建精确的数学模型可以大大减小这种跟随误差，而在模型构建步骤中引入机器学习构建驾驶行为习惯数学模型，相较于传统的数学方法构建数学模型具有更高更好更优质的精确度。
附图说明
图1为本发明的横向运算控制原理图；
图2为车主驾驶数据的计算原理图；
图3为驾驶行为习惯数学模型构建原理图；
图4为模型构建步骤流程图；
图5为自动横向控制步骤流程图；
图6为相对航向角的计算方法流程图；
图7为预览曲率的计算方法流程图；
图8为横向偏差的计算方法流程图。
具体实施方式
下面结合附图和实施例，对本发明进一步详细说明。
参照图1、图3所示，本实施例的一种基于机器学习的车道保持方法，提供视觉检测系统、转向执行系统以及横向控制器，视觉检测系统、转向执行系统以及横向控制器均设置于智能车辆上，横向控制器包括有前馈控制器和反馈控制器。
该车道保持方法包括模型构建步骤和自动横向控制步骤。参照图3、图4所示，模型构建步骤包括：
S10，视觉检测系统于车主驾驶车辆时采集车主驾驶数据构建驾驶行为习惯数据库，车主驾驶数据为表征了车主驾驶车辆的驾驶行为和驾驶习惯的数据。
S20，横向控制器根据驾驶行为习惯数据库通过机器学习构建驾驶行为习惯数学模型。
车主驾驶数据包括相对航向角、预览曲率、车辆纵向速度以及期望横向保持距离，相对航向角表征航向角方向与车道参考线方向的角度偏差，航向角方向为当前时刻车头的方向，预览曲率表征车道的弯曲方向以及车道的曲率，车辆纵向速度为智能车辆沿车头航向角的速度分量，期望横向保持距离为车主驾驶车辆时，车道参考线上各点距离车头航向角方向的垂直距离。
参照图2、图6所示，相对航向角的计算方法包括：
S11，选取车头航向角方向相距车头X0和X2距离处的两个第一采样点，以这两个第一采样点为垂足做航向角方向的垂线，得到垂线与车道参考线之间的第一采样交点；
S12，获取两个第一采样交点与航向角方向的垂直距离分别为D0和D2，并计算D0和D2的差值；
S13，根据X0和X2的差值以及D0和D2的差值通过三角函数计算得到两个交点连线方向与航向角方向的夹角θ，该夹角θ即为相对航向角。
参照图2、图7所示，预览曲率的计算方法包括：
S31，于车头航向角方向距离车头0到X3距离区间内等间隔选取若干第三采样点；
S32，对车道参考线拟合的多项式函数求解一阶导和二阶导计算各第三采样点对应处的曲率值；
S33，对曲率值进行统计学分析，计算最大值、最小值、均值以及方差，构建算法模型求解加权曲率值，加权曲率值表征车道参考线是左弯道或右弯道或直道，以及弯道半径大小，加权曲率值即为预览曲率。
车辆纵向速度通过实时读取智能车辆行驶状态信息得到。期望横向保持距离为车主驾驶车辆时，视觉检测系统获取车道参考线上各点距离车头航向角方向的垂直距离得到。
参照图3所示，驾驶行为习惯数学模型的构建过程：根据驾驶行为习惯数据库，通过回归分析中的多元线性回归或者非线性回归，构建代价函数，根据梯度下降法计算权重值；或者通过神经网络模型，构建多层感知器并具有反向传播误差的BP神经网络，确定网络中的所有权重值；或者通过主成分分析法构建关于相对航向角、预览曲率、车辆纵向速度以及期望横向保持距离的驾驶行为习惯数学模型。
车道横向运动控制的目的是确保智能车辆能够精确稳定光滑地跟随车道参考线，因此构建精确的数学模型可以大大减小这种跟随误差，在模型构建步骤中引入机器学习构建驾驶行为习惯数学模型，相较于传统的数学方法构建数学模型具有更高更好更优质的精确度，更有利于减小这种跟随误差。
参照图1、图5所示，自动横向控制步骤包括：
S30，视觉检测系统于自动驾驶车辆时实时采集车辆驾驶数据，车辆驾驶数据为表征了前方车道状态或车辆于车道内行驶状态的数据，前馈控制器根据车辆驾驶数据并通过驾驶行为习惯数学模型得到车辆期望转角，车辆期望转角表征了对车辆驾驶的预期操纵；视觉检测系统实时确定智能车辆与车道参考线的相对位置和姿态，并通过反馈控制器确定车辆补偿转角，车辆补偿转角表征了对车辆驾驶的补偿控制。
参照图1、图3所示，当车主驾驶车辆行驶时，假如道路是一个左转弯道，车主必须根据经验将方向盘左转一定的角度。而不是车辆到达弯道起点时才转动方向盘的，而是在此之前就不断地观察和考虑，车主操纵车辆是预期的。因为感官信息的获取和方向盘输入仅仅是在一个方上，这种操作为“预期操纵”，但是“预期操纵”一般不能使车辆准确的按照实际车道行驶。为了使车辆不致偏离道路，车主要对实际车道与期望车道之间的横向偏差和方位偏差进行观察，并试图通过继续转动转向盘来减小这一偏差，以求达到补偿目的，这一行为称为“补偿控制”。
S40，转向执行系统根据车辆期望转角以及车辆补偿转角补偿实际角度输出对智能车辆进行横向运动控制。
车辆驾驶数据包括相对航向角、预览曲率、车辆纵向速度以及横向偏差，横向偏差为期望横向保持距离与实际横向保持距离之差，实际横向保持距离为自动驾驶车辆时，车道参考线上各点距离车头航向角方向的垂直距离。
参照图2、图8所示，横向偏差的计算方法包括：
S21，选取车头航向角方向距离车头X1距离处的第二采样点，以这个第二采样点为垂足做航向角方向的垂线，得到垂线与车道参考线之间的第二采样交点；
S22，获取第二采样交点与航向角方向的垂直距离D2，该垂直距离D2即为实际横向保持距离；
S23，计算实际横向保持距离D2与第二采样点处的期望横向保持距离Dd的差值，该差值即为横向偏差。
参照图1所示，自动横向控制步骤中，针对智能车辆具有高度非线性动态特性以及参数的不确定性等特点，设计了由前馈控制器和反馈控制器组成的可模拟人类驾驶行为的横向控制器。通过横向控制器的前馈控制器和反馈控制器，补偿车辆实际方向盘转角快速平滑稳定的跟随方向盘期望转角，控制车辆沿规划的路径行驶，并保证车辆的行驶安全性、平稳性与乘坐舒适性。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于机器学习的车道保持方法，其特征在于：提供视觉检测系统、转向执行系统以及横向控制器，所述视觉检测系统、所述转向执行系统以及所述横向控制器均设置于智能车辆上，该车道保持方法包括模型构建步骤和自动横向控制步骤；
所述模型构建步骤包括；
S10，所述视觉检测系统于车主驾驶车辆时采集车主驾驶数据构建驾驶行为习惯数据库，所述车主驾驶数据为表征了车主驾驶车辆的驾驶行为和驾驶习惯的数据；
S20，所述横向控制器根据驾驶行为习惯数据库通过机器学习构建驾驶行为习惯数学模型；
所述自动横向控制步骤包括；
S30，所述视觉检测系统于自动驾驶车辆时实时采集车辆驾驶数据，所述车辆驾驶数据为表征了前方车道状态或车辆于车道内行驶状态的数据，所述横向控制器根据所述车辆驾驶数据并通过所述驾驶行为习惯数学模型得到车辆期望转角，所述车辆期望转角表征了对车辆驾驶的预期操纵；
S40，所述转向执行系统根据所述车辆期望转角对智能车辆进行横向运动控制；
所述横向控制器包括有前馈控制器和反馈控制器，所述前馈控制器根据所述车辆驾驶数据并通过所述驾驶行为习惯数学模型得到车辆期望转角；所述视觉检测系统实时确定智能车辆与车道参考线的相对位置和姿态，并通过所述反馈控制器确定车辆补偿转角，所述车辆补偿转角表征了对车辆驾驶的补偿控制;
所述S40还包括：所述转向执行系统根据所述车辆补偿转角补偿实际角度输出以对智能车辆进行横向运动控制。
2.根据权利要求1所述的一种基于机器学习的车道保持方法，其特征在于：所述车主驾驶数据包括相对航向角、预览曲率、车辆纵向速度以及期望横向保持距离，所述相对航向角表征航向角方向与车道参考线方向的角度偏差，所述航向角方向为当前时刻车头的方向，所述预览曲率表征车道的弯曲方向以及车道的曲率，所述车辆纵向速度为智能车辆沿车头航向角的速度分量，所述期望横向保持距离为车主驾驶车辆时，车道参考线上各点距离车头航向角方向的垂直距离。
3.根据权利要求2所述的一种基于机器学习的车道保持方法，其特征在于：所述车辆驾驶数据包括相对航向角、预览曲率、车辆纵向速度以及横向偏差，所述横向偏差为期望横向保持距离与实际横向保持距离之差，所述实际横向保持距离为自动驾驶车辆时，车道参考线上各点距离车头航向角方向的垂直距离。
4.根据权利要求2或3所述的一种基于机器学习的车道保持方法，其特征在于：所述相对航向角的计算方法包括：
S11，选取车头航向角方向相距车头X0和X2距离处的两个第一采样点，以这两个第一采样点为垂足做航向角方向的垂线，得到垂线与车道参考线之间的第一采样交点；
S12，获取两个第一采样交点与航向角方向的垂直距离，并计算垂直距离差值；
S13，根据X0和X2的差值以及垂直距离差值通过计算得到两个交点连线方向与航向角方向的夹角，所述夹角即为相对航向角。
5.根据权利要求3所述的一种基于机器学习的车道保持方法，其特征在于：所述横向偏差的计算方法包括：
S21，选取车头航向角方向距离车头X1距离处的第二采样点，以这个第二采样点为垂足做航向角方向的垂线，得到垂线与车道参考线之间的第二采样交点；
S22，获取第二采样交点与航向角方向的垂直距离，该垂直距离即为所述实际横向保持距离；
S23，计算所述实际横向保持距离与第二采样点处的所述期望横向保持距离的差值，该差值即为所述横向偏差。
6.根据权利要求2或3所述的一种基于机器学习的车道保持方法，其特征在于：所述预览曲率的计算方法包括：
S31，于车头航向角方向距离车头0到X3距离区间内等间隔选取若干第三采样点；
S32，对车道参考线拟合的多项式函数求解一阶导和二阶导计算各第三采样点对应处的曲率值；
S33，对曲率值进行统计学分析，得到加权曲率值，所述加权曲率值表征车道参考线是左弯道或右弯道或直道，以及弯道半径大小，所述加权曲率值即为预览曲率。
7.根据权利要求2或3所述的一种基于机器学习的车道保持方法，其特征在于：所述车辆纵向速度通过实时读取智能车辆行驶状态信息得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010906874.9A CN112092825B (zh) | 2020-08-31 | 2020-08-31 | 一种基于机器学习的车道保持方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010906874.9A CN112092825B (zh) | 2020-08-31 | 2020-08-31 | 一种基于机器学习的车道保持方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112092825A CN112092825A (zh) | 2020-12-18 |
| CN112092825B true CN112092825B (zh) | 2022-04-29 |
Family
ID=73757039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010906874.9A Active CN112092825B (zh) | 2020-08-31 | 2020-08-31 | 一种基于机器学习的车道保持方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112092825B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113034963B (zh) * | 2021-03-02 | 2022-08-02 | 英博超算(南京)科技有限公司 | 一种视觉车位跟踪系统 |
| CN113306570B (zh) * | 2021-05-25 | 2022-07-05 | 京东鲲鹏(江苏)科技有限公司 | 用于控制自动驾驶车辆的方法、装置和自动驾驶配送车 |
| CN113928341B (zh) * | 2021-11-30 | 2023-05-30 | 广州文远知行科技有限公司 | 一种道路决策方法、系统、设备和介质 |
| CN114852164A (zh) * | 2022-05-27 | 2022-08-05 | 合众新能源汽车有限公司 | 一种车辆电动助力转向死区及间隙的补偿方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107933686A (zh) * | 2016-10-19 | 2018-04-20 | 中车株洲电力机车研究所有限公司 | 一种多轴转向车辆跟踪中央车道线转向控制方法及系统 |
| CN109204308A (zh) * | 2017-07-03 | 2019-01-15 | 上海汽车集团股份有限公司 | 车道保持算法的确定方法、车道保持的控制方法及系统 |
| CN109733395A (zh) * | 2018-12-19 | 2019-05-10 | 江苏大学 | 一种基于可拓优度评价的自动驾驶汽车横向协调控制方法 |
| CN109808706A (zh) * | 2019-02-14 | 2019-05-28 | 上海思致汽车工程技术有限公司 | 学习式辅助驾驶控制方法、装置、系统及车辆 |
| CN110298219A (zh) * | 2018-03-23 | 2019-10-01 | 广州汽车集团股份有限公司 | 无人驾驶车道保持方法、装置、计算机设备和存储介质 |
| CN111220163A (zh) * | 2018-11-26 | 2020-06-02 | 厦门雅迅网络股份有限公司 | 基于曲率半径计算的弯道判断方法、终端设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106990714A (zh) * | 2017-06-05 | 2017-07-28 | 李德毅 | 基于深度学习的适配控制方法与装置 |
| CN107380161B (zh) * | 2017-07-18 | 2018-03-09 | 吉林大学 | 一种辅助驾驶员实现理想行驶轨迹的主动转向控制装置 |
| JP2020080028A (ja) * | 2018-11-13 | 2020-05-28 | アイシン・エィ・ダブリュ株式会社 | 車両動作推定システム、車両動作推定プログラム |
| CN111409641B (zh) * | 2020-03-10 | 2023-07-25 | 厦门理工学院 | 一种基于纵横向协调的轨迹跟踪控制方法及系统 |
-
2020
- 2020-08-31 CN CN202010906874.9A patent/CN112092825B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107933686A (zh) * | 2016-10-19 | 2018-04-20 | 中车株洲电力机车研究所有限公司 | 一种多轴转向车辆跟踪中央车道线转向控制方法及系统 |
| CN109204308A (zh) * | 2017-07-03 | 2019-01-15 | 上海汽车集团股份有限公司 | 车道保持算法的确定方法、车道保持的控制方法及系统 |
| CN110298219A (zh) * | 2018-03-23 | 2019-10-01 | 广州汽车集团股份有限公司 | 无人驾驶车道保持方法、装置、计算机设备和存储介质 |
| CN111220163A (zh) * | 2018-11-26 | 2020-06-02 | 厦门雅迅网络股份有限公司 | 基于曲率半径计算的弯道判断方法、终端设备及存储介质 |
| CN109733395A (zh) * | 2018-12-19 | 2019-05-10 | 江苏大学 | 一种基于可拓优度评价的自动驾驶汽车横向协调控制方法 |
| CN109808706A (zh) * | 2019-02-14 | 2019-05-28 | 上海思致汽车工程技术有限公司 | 学习式辅助驾驶控制方法、装置、系统及车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112092825A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112092825B (zh) | 一种基于机器学习的车道保持方法 | |
| US11402841B1 (en) | Approach for consolidating observed vehicle trajectories into a single representative trajectory | |
| CN111681452B (zh) | 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法 | |
| US20200278686A1 (en) | Iterative Feedback Motion Planning | |
| US9460622B1 (en) | Approach for estimating the geometry of roads and lanes by using vehicle trajectories | |
| CN105292116B (zh) | 自动驾驶车辆的车道变换路径规划算法 | |
| CN111775949B (zh) | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 | |
| CN103204162A (zh) | 具有有效后转向的车道跟踪系统 | |
| JP2018154304A (ja) | 車両の走行制御装置 | |
| CN101221447A (zh) | 一种机械自动转向控制方法 | |
| CN109656240A (zh) | 一种车辆路径跟踪控制装置、方法和车辆 | |
| CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
| Chen et al. | A new lane keeping method based on human-simulated intelligent control | |
| Liu et al. | Impact of sharing driving attitude information: A quantitative study on lane changing | |
| CN116337045A (zh) | 一种基于karto和teb的高速建图导航方法 | |
| CN115494849A (zh) | 一种自动驾驶车辆导航控制方法及系统 | |
| CN114852085A (zh) | 基于路权侵入度的车辆自动驾驶轨迹规划方法 | |
| CN115525054B (zh) | 大型工业园区无人清扫车沿边路径跟踪控制方法及系统 | |
| Lauer | A case study on learning a steering controller from scratch with reinforcement learning | |
| CN114489038B (zh) | 一种基于强化学习的农林用车辆的导航控制方法 | |
| CN107885931B (zh) | 一种转向盘突变力矩人性化调节的汽车紧急避撞控制方法 | |
| CN117360544B (zh) | 一种基于drl-mpc的自动驾驶车辆横向控制方法 | |
| Ma et al. | Simulation and experiment of intelligent vehicle lateral control based on Fuzzy PID algorithm | |
| CN115465270B (zh) | 车辆控制系统、路径优化方法、装置、车辆及介质 | |
| Chen | Research on Lateral Path Tracking Control of Driverless Vehicle |
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 |