CN112116100B - 一种考虑驾驶员类型的博弈论决策方法 - Google Patents
一种考虑驾驶员类型的博弈论决策方法 Download PDFInfo
- Publication number
- CN112116100B CN112116100B CN202010934359.1A CN202010934359A CN112116100B CN 112116100 B CN112116100 B CN 112116100B CN 202010934359 A CN202010934359 A CN 202010934359A CN 112116100 B CN112116100 B CN 112116100B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- decision
- vehicles
- surrounding
- 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 55
- 230000008901 benefit Effects 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001081179 Litsea Species 0.000 description 1
- 235000012854 Litsea cubeba Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种考虑驾驶员类型的博弈论决策方法,步骤如下:通过智能车的车载数据采集设备采集其自身车辆信息及其周围环境信息;对所有车辆的不同行为建立驾驶意图集;通过周围车辆的历史轨迹判断对应驾驶员类型,并建立驾驶员判断模型;根据不同的驾驶员类型建立不同的决策策略;得到各周围车辆三种驾驶意图对应的识别概率;计算出智能车和周围车辆所有可能情形下对应的收益;得到周围车辆最终的行为预测概率;计算出各情形下智能车三种驾驶意图对应的收益,取其中收益值最大的作为最终的决策结果。本发明提高了对周围车辆运动预测的准确性以及智能车决策结果的安全性和可行性。
Description
技术领域
本发明属于智能车决策技术领域,具体指代一种考虑驾驶员类型的博弈论决策方法。
背景技术
智能车决策是无人驾驶的关键技术之一;智能车决策即车辆根据周围的环境信息,找出最优的驾驶意图和驾驶路线。在此过程中,主车必然会与其周围车辆发生行为上的交互,因此能够很好地表达车辆间的这种交互的博弈论方法常用于智能车的决策。
基于博弈论方法,将车辆作为博弈中的玩家,由于车辆间无法相互通信,所有玩家独立进行决策,因此该博弈属于非合作博弈。通过求解游戏的纳什均衡(Nash Equilibrium),可以得到周围车辆最有可能的行为以及主车的决策行为。应用纳什均衡的前提为所有玩家都从利己的目的出发,选择对自己最优的策略,即采用个人最优决策模型。然而,在实际过程中,不同的驾驶员采用的决策策略不同,激进的驾驶员追求个人利益采用个人最优决策模型,而保守的驾驶员更倾向于追求整体利益而采用社会最优决策模型。因此在博弈过程中仅采用个人最优决策模型必然导致得到的结果准确性下降,与实际不符。因此,有必要对不同的驾驶员建立不同的决策模型。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种考虑驾驶员类型的博弈论决策方法,对驾驶员类型进行识别,针对不同驾驶员建立不同的决策模型,以解决现有技术中仅采用个人最优决策模型导致结果不准确的问题。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种考虑驾驶员类型的博弈论决策方法,步骤如下:
步骤1:通过智能车的车载数据采集设备采集其自身车辆信息及其周围环境信息;
步骤2:对所有车辆的不同行为建立驾驶意图集M={LCL LK LCR},LCL表示车辆左换道,LK表示车辆保持车道行驶,LCR表示车辆右换道;
步骤3:通过周围车辆的历史轨迹判断对应驾驶员类型,并建立驾驶员判断模型;
步骤4:根据不同的驾驶员类型建立不同的决策策略;
步骤5:根据周围车辆当前状态对周围车辆进行运动识别,得到各周围车辆三种驾驶意图对应的识别概率Pi,recog;
步骤6:根据不同的驾驶员类型选择对应的决策策略,计算出智能车和周围车辆所有可能情形下对应的收益;
步骤7:将得到的周围车辆的识别概率Pi,recog和意图概率Pi,inten相加,得到周围车辆最终的行为预测概率Pi;
步骤8:根据周围车辆最终的行为预测概率和收益函数,计算出各情形下智能车三种驾驶意图对应的收益取其中收益值最大的作为最终的决策结果
进一步地,所述车载数据采集设备包括:定位模块、速度传感器及雷达。
进一步地,所述步骤3中驾驶员判断模型具体为:
Dr=γ1yoffset+γ2σspeed
式中,Dr为驾驶员系数,yoffset为车辆的侧向偏移量,σspeed为速度的方差,γ1,γ2分别为侧向偏移和速度方差的权重系数,ψ为驾驶员系数阈值,style=1为保守型驾驶员;style=2为激进型驾驶员;
yoffset,σspeed具体为:
式中,y为车辆侧向位移,v为车辆的速度。
进一步地,所述步骤4中的不同的决策策略包括:保守的决策策略和激进的决策策略;
保守的决策策略,即社会最优模型,具体为:
式中,U为所得收益,u为收益函数,i,j均为车辆序号,N为车辆总数,分别表示最优情况下第i个车辆的驾驶意图和除i车外其他车辆的驾驶意图组合,mi,m-i分别表示第i个车辆的驾驶意图和除第i个车辆外其他车辆的驾驶意图组合;
激进的决策策略,即满足纳什均衡的个人最优模型,具体为:
收益函数u具体为:
式中,α,β,δ为权重系数,根据驾驶员类型确定,TTC为碰撞时间,TH为车头时距,vlim为车辆所处车道的最大速度限制,v为车辆速度,d为车前可行驶距离;
TTC、TH、d具体为:
d=xfr-xaf
式中,xfr,xaf分别为前、后车x方向坐标,vfr,vaf分别为前、后车速度。
进一步地,所述步骤5中识别概率Pi,recog,具体为:
式中,分别为左换道、车道保持、右换道的识别概率。
进一步地,所述步骤5)中采用交互多模型算法(IMM)对车辆进行运动识别,具体包括:
51)车道模型服从正态分布,具体为:
式中,k表示第k个车道;分别为为正态分布的均值和方差;
52)第i个车辆在t时刻的模型转移矩阵为3阶矩阵,具体为:
式中,下标k,n为车道序号,为车辆的侧向速度,/>为初始的模型转移矩阵,φ为高斯累积分布函数,ρkn,/>分别为转移判据的均值和方差;
φ具体为:
53)通过t-1时刻的行为预测概率和t时刻车辆的侧向位置/>更新得到t时刻的识别概率/>
进一步地,所述步骤6具体包括:对每一周围车辆所得的三个收益进行归一化处理,得到对应的意图概率Pi,inten,具体为:
式中,分别为左换道、车道保持、右换道的意图概率。
进一步地,所述步骤6)中的归一化处理为:
式中,Mi为第i个车辆的驾驶意图集。
进一步地,所述步骤7中的行为预测概率Pi,具体为:
Pi=τ1Pi,recog+τ2Pi,inten。
式中,τ1,τ2为权重系数。
进一步地,所述步骤8中智能车的收益计算具体为:
式中,为智能车对应意图me的收益,m-e为除智能车外其他车辆的意图组合。
本发明的有益效果:
本发明在基于博弈论的智能车决策过程中,考虑了周围车辆驾驶员类型的影响,建立了驾驶员判断模型,并在此基础上建立了针对不同驾驶员的决策策略和收益函数,解决了传统博弈论决策过程中不考虑驾驶员类型仅采用个人最优模型而导致的决策结果与实际情况不符的问题,提高了对周围车辆运动预测的准确性以及智能车决策结果的安全性和可行性。
附图说明
图1为本发明方法的原理图。
图2为驾驶场景示意图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种考虑驾驶员类型的博弈论决策方法,针对图2所示场景,步骤如下:
步骤1:通过智能车的车载数据采集设备采集其自身车辆信息及其周围环境信息;
所述车载数据采集设备包括:定位模块、速度传感器及雷达,采集的信息包括智能车的位置和速度、周围车辆位置和速度、各车道的最高速度限制。
步骤2:对所有车辆的不同行为建立驾驶意图集M={LCLLKLCR},LCL表示车辆左换道,LK表示车辆保持车道行驶,LCR表示车辆右换道;
步骤3:通过3辆周围车辆的历史轨迹判断对应驾驶员类型,并建立驾驶员判断模型;
驾驶员判断模型具体为:
Dr=γ1yoffset+γ2σspeed
式中,Dr为驾驶员系数,yoffset为车辆的侧向偏移量,σspeed为速度的方差,γ1,γ2分别为侧向偏移和速度方差的权重系数,ψ为驾驶员系数阈值,style=1表示为保守型驾驶员;style=2表示为激进型驾驶员;
yoffset,σspeed具体为:
式中,y为车辆侧向位移,v为车辆的速度。
步骤4:根据不同的驾驶员类型建立不同的决策策略;
上述不同的决策策略包括:保守的决策策略和激进的决策策略;
保守的决策策略,即社会最优模型,具体为:
式中,U为所得收益,u为收益函数,i,j均为车辆序号,N=3为车辆总数,分别表示最优情况下第i个车辆的驾驶意图和除i车外其他车辆的驾驶意图组合,mi,m-i分别表示第i个车辆的驾驶意图和除第i个车辆外其他车辆的驾驶意图组合;
激进的决策策略,即满足纳什均衡的个人最优模型,具体为:
收益函数u具体为:
式中,α,β,δ为权重系数,根据驾驶员类型确定,TTC为碰撞时间,TH为车头时距,vlim为车辆所处车道的最大速度限制,v为车辆速度,d为车前可行驶距离;
TTC、TH、d具体为:
d=xfr-xaf
式中,xfr,xaf分别为前、后车x方向坐标,vfr,vaf分别为前、后车速度。
步骤5:根据周围车辆当前状态对周围车辆进行运动识别,得到3辆周围车辆三种驾驶意图对应的识别概率Pi,recog;
上述识别概率Pi,recog,具体为:
式中,分别为左换道、车道保持、右换道的识别概率。
采用交互多模型算法(IMM)对车辆进行运动识别,具体包括:
51)车道模型为:
式中,k表示第k个车道,分别为为正态分布的均值和方差。
52)第i个车辆在t时刻的模型转移矩阵为3阶矩阵,具体为:
式中,下标k,n为车道序号,为车辆的侧向速度,/>为初始的模型转移矩阵,φ为高斯累积分布函数,ρkn,/>分别为转移判据的均值和方差;
φ具体为:
53)通过t-1时刻的行为预测概率和t时刻车辆的侧向位置/>更新得到t时刻的识别概率/>
步骤6:根据不同的驾驶员类型选择对应的决策策略,计算出智能车和3辆周围车辆所有可能情形下对应的收益;
对每一周围车辆所得的三个收益进行归一化处理,得到对应的意图概率Pi,inten,具体为:
式中,分别为左换道、车道保持、右换道的意图概率。
归一化处理为:
式中,Mi为第i个车辆的驾驶意图集。
步骤7:将得到的周围车辆的识别概率Pi,recog和意图概率Pi,inten相加,得到各周围车辆最终的行为预测概率Pi;
行为预测概率Pi,具体为:
式中,τ1,τ2为权重系数。
步骤8:根据3辆周围车辆最终的行为预测概率和收益函数,计算出各情形下智能车三种驾驶意图对应的收益取其中收益值最大的作为最终的决策结果/>
智能车的收益计算具体为:
式中,为智能车对应意图me的收益,m-e为除智能车外其他车辆的意图组合。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,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的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (9)
1.一种考虑驾驶员类型的博弈论决策方法,其特征在于,步骤如下:
步骤1:通过智能车的车载数据采集设备采集其自身车辆信息及其周围环境信息;
步骤2:对所有车辆的不同行为建立驾驶意图集M={LCL LK LCR},LCL表示车辆左换道,LK表示车辆保持车道行驶,LCR表示车辆右换道;
步骤3:通过周围车辆的历史轨迹判断对应驾驶员类型,并建立驾驶员判断模型;
步骤4:根据不同的驾驶员类型建立不同的决策策略;
步骤5:根据周围车辆当前状态对周围车辆进行运动识别,得到各周围车辆三种驾驶意图对应的识别概率Pi,recog;
步骤6:根据不同的驾驶员类型选择对应的决策策略,计算出智能车和周围车辆所有可能情形下对应的收益;
步骤7:将得到的周围车辆的识别概率Pi,recog和意图概率Pi,inten相加,得到周围车辆最终的行为预测概率Pi;
步骤8:根据周围车辆最终的行为预测概率和收益函数,计算出各情形下智能车三种驾驶意图对应的收益取其中收益值最大的作为最终的决策结果
2.根据权利要求1所述的考虑驾驶员类型的博弈论决策方法,其特征在于,所述步骤3中驾驶员判断模型具体为:
Dr=γ1yoffset+γ2σspeed
式中,Dr为驾驶员系数,yoffset为车辆的侧向偏移量,σspeed为速度的方差,γ1,γ2分别为侧向偏移和速度方差的权重系数,ψ为驾驶员系数阈值,style=1为保守型驾驶员;style=2为激进型驾驶员;
yoffset,σspeed具体为:
σspeed=σspeed(v1,v2,…,vt)
式中,y为车辆侧向位移,v为车辆的速度。
3.根据权利要求1所述的考虑驾驶员类型的博弈论决策方法,其特征在于,所述步骤4中的不同的决策策略包括:保守的决策策略和激进的决策策略;
保守的决策策略,即社会最优模型,具体为:
式中,U为所得收益,u为收益函数,i,j均为车辆序号,N为车辆总数,分别表示最优情况下第i个车辆的驾驶意图和除i车外其他车辆的驾驶意图组合,mi,m-i分别表示第i个车辆的驾驶意图和除第i个车辆外其他车辆的驾驶意图组合;
激进的决策策略,即满足纳什均衡的个人最优模型,具体为:
收益函数u具体为:
式中,α,β,δ为权重系数,根据驾驶员类型确定,TTC为碰撞时间,TH为车头时距,vlim为车辆所处车道的最大速度限制,v为车辆速度,d为车前可行驶距离;
TTC、TH、d具体为:
d=xfr-xaf
式中,xfr,xaf分别为前、后车x方向坐标,vfr,vaf分别为前、后车速度。
4.根据权利要求1所述的考虑驾驶员类型的博弈论决策方法,其特征在于,所述步骤5中识别概率Pi,recog,具体为:
式中,分别为左换道、车道保持、右换道的识别概率。
5.根据权利要求1所述的考虑驾驶员类型的博弈论决策方法,其特征在于,所述步骤5)中采用交互多模型算法对车辆进行运动识别,具体包括:
51)车道模型为:
式中,k表示第k个车道,分别为为正态分布的均值和方差;
52)第i个车辆在t时刻的模型转移矩阵为3阶矩阵,具体为:
式中,下标k,n为车道序号,为车辆的侧向速度,/>为初始的模型转移矩阵,φ为高斯累积分布函数,ρkn,/>分别为转移判据的均值和方差;
φ具体为:
53)通过t-1时刻的行为预测概率Pi t-1和t时刻车辆的侧向位置更新得到t时刻的识别概率/>
6.根据权利要求1所述的考虑驾驶员类型的博弈论决策方法,其特征在于,所述步骤6具体包括:对每一周围车辆所得的三个收益进行归一化处理,得到对应的意图概率Pi,inten,具体为:
式中,分别为左换道、车道保持、右换道的意图概率。
7.根据权利要求1所述的考虑驾驶员类型的博弈论决策方法,其特征在于,所述步骤6)中的归一化处理为:
式中,Mi为第i个车辆的驾驶意图集。
8.根据权利要求1所述的考虑驾驶员类型的博弈论决策方法,其特征在于,所述步骤7中的行为预测概率Pi,具体为:
Pi=τ1Pi,recog+τ2Pi,inten
式中,τ1,τ2为权重系数。
9.根据权利要求1所述的考虑驾驶员类型的博弈论决策方法,其特征在于,所述步骤8中智能车的收益计算具体为:
式中,为智能车对应意图me的收益,m-e为除智能车外其他车辆的意图组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934359.1A CN112116100B (zh) | 2020-09-08 | 2020-09-08 | 一种考虑驾驶员类型的博弈论决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010934359.1A CN112116100B (zh) | 2020-09-08 | 2020-09-08 | 一种考虑驾驶员类型的博弈论决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116100A CN112116100A (zh) | 2020-12-22 |
CN112116100B true CN112116100B (zh) | 2024-02-13 |
Family
ID=73803298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010934359.1A Active CN112116100B (zh) | 2020-09-08 | 2020-09-08 | 一种考虑驾驶员类型的博弈论决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116100B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800939A (zh) * | 2021-01-26 | 2021-05-14 | 南京航空航天大学 | 一种网联线控底盘车辆综合运动预测方法 |
CN112896187B (zh) * | 2021-02-08 | 2022-07-26 | 浙江大学 | 一种考虑社会兼容的自动驾驶决策的系统与方法 |
CN113516846B (zh) * | 2021-06-24 | 2022-12-13 | 长安大学 | 车辆换道行为预测模型构建、预测预警方法及系统 |
CN114446049B (zh) * | 2021-12-29 | 2024-03-08 | 北京理工大学 | 基于社会价值取向的交通流预测方法、系统、终端及介质 |
CN114919578B (zh) * | 2022-07-20 | 2022-12-16 | 北京理工大学前沿技术研究院 | 智能车行为决策方法、规划方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108469806A (zh) * | 2018-03-26 | 2018-08-31 | 重庆邮电大学 | 交替式人机共驾中驾驶权转移方法 |
CN110362910A (zh) * | 2019-07-05 | 2019-10-22 | 西南交通大学 | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 |
CN111267846A (zh) * | 2020-02-11 | 2020-06-12 | 南京航空航天大学 | 一种基于博弈论的周围车辆交互行为预测方法 |
-
2020
- 2020-09-08 CN CN202010934359.1A patent/CN112116100B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108469806A (zh) * | 2018-03-26 | 2018-08-31 | 重庆邮电大学 | 交替式人机共驾中驾驶权转移方法 |
CN110362910A (zh) * | 2019-07-05 | 2019-10-22 | 西南交通大学 | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 |
CN111267846A (zh) * | 2020-02-11 | 2020-06-12 | 南京航空航天大学 | 一种基于博弈论的周围车辆交互行为预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112116100A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116100B (zh) | 一种考虑驾驶员类型的博弈论决策方法 | |
CN111079590B (zh) | 一种无人驾驶车辆的周边车辆行为预判方法 | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
Wang et al. | A learning-based approach for lane departure warning systems with a personalized driver model | |
CN108995653B (zh) | 一种驾驶员驾驶风格识别方法及系统 | |
CN112347567A (zh) | 一种车辆意图和轨迹预测的方法 | |
CN112053589B (zh) | 一种目标车辆换道行为自适应识别模型构建方法 | |
CN112721949B (zh) | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 | |
CN111717217B (zh) | 一种基于概率修正的驾驶员意图识别方法 | |
CN107132840B (zh) | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 | |
CN110288835A (zh) | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 | |
CN113722835B (zh) | 拟人化随机换道驾驶行为建模方法 | |
CN114265411B (zh) | 一种解决车辆预测模型性能受限于感知数据性能的方法 | |
CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN111783943B (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
CN106569214A (zh) | 结合导航信息的自适应巡航车载雷达数据处理方法及系统 | |
CN116279484A (zh) | 一种融合演化博弈与机器学习的多风格驾驶者强制换道预测方法 | |
CN116001795A (zh) | 一种换道风险评估及个性化换道决策方法 | |
CN113761715B (zh) | 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法 | |
CN111160089B (zh) | 一种基于不同车辆类型的轨迹预测系统及方法 | |
CN112150816B (zh) | 一种多车交互风险评估系统 | |
CN112590791B (zh) | 一种基于博弈论的智能车换道间隙选择方法及装置 | |
CN114429621A (zh) | 一种基于ufsa算法改进的车道线智能检测方法 | |
CN113033902A (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 |
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 |