CN112230657A - 面向智能车辆的区域协同驾驶意图调度方法、系统和介质 - Google Patents

面向智能车辆的区域协同驾驶意图调度方法、系统和介质 Download PDF

Info

Publication number
CN112230657A
CN112230657A CN202011102809.7A CN202011102809A CN112230657A CN 112230657 A CN112230657 A CN 112230657A CN 202011102809 A CN202011102809 A CN 202011102809A CN 112230657 A CN112230657 A CN 112230657A
Authority
CN
China
Prior art keywords
vehicle
driving intention
scheduling
driving
vehicles
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
Application number
CN202011102809.7A
Other languages
English (en)
Other versions
CN112230657B (zh
Inventor
綦科
李文康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN202011102809.7A priority Critical patent/CN112230657B/zh
Publication of CN112230657A publication Critical patent/CN112230657A/zh
Priority to PCT/CN2021/113984 priority patent/WO2022078067A1/zh
Priority to US18/549,989 priority patent/US20240217559A1/en
Application granted granted Critical
Publication of CN112230657B publication Critical patent/CN112230657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了面向智能车辆的区域协同驾驶意图调度方法、系统和介质，首先获取到调度区域范围内各车辆的状态信息、位置信息以及驾驶意图信息，基于上述信息生成调度区域范围内全部车辆的驾驶意图全局图；然后构建调度区域占据栅格地图模型；根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果；使得通过调度区域车辆驾驶意图全局调度结果，指导调度区域范围内车辆的行车决策。本发明能够对调度区域范围内的各车辆驾驶意图进行全面调度和控制，生成全局调度结果，指导车辆行车决策，一方面避免车辆冲突风险，提高行车安全性，另一方面也会提升区域范围内的整体通行效率。

Description

面向智能车辆的区域协同驾驶意图调度方法、系统和介质
技术领域
本发明涉及智能车辆控制领域，特别涉及一种面向智能车辆的区域协同驾驶意图调度方法、系统和介质。
背景技术
智能驾驶的发展有助于提升道路交通智能化水平、推动交通运输行业的转型升级。在无人驾驶完全安全可用之前，人车共驾模式的智能驾驶是智能交通的主流模式。在该种模式下，车辆控制权可以在人和车之间转移，驾驶人可以随时接管车辆控制并发出车辆控制指令。
在智能车辆自主驾驶时，智能车辆通过感知设备实时采集和识别环境信息，然后根据环境信息进行行驶决策。但由于驾驶场景的多样性，以及驾驶人驾驶习惯的多样性，驾驶人会随时改变驾驶意图，接管车辆控制，控制车辆实施加速、减速、匀速、换道等动作。这类驾驶意图突变的行为，将会严重影响行车安全。尤其在车流量较大的行车环境下，多个驾驶人同时改变驾驶意图，将易导致相邻区域范围内车辆间驾驶人的行车意图发生冲突，降低区域范围的整体行车效率。例如：被试车与相邻区域范围内的车辆都执行自主驾驶，各车之间保持安全距离和安全速度，各车横向和纵向的运动状态(位置，速度)匹配，此时，被试车驾驶人采取突然换道策略，目标车道后车驾驶人采取突然加速行驶策略，目标车道前车驾驶人采取突然减速行驶策略，则被试车与目标车道前后车都可能发生碰撞事故。
当前，智能驾驶大多通过车车通信和V2X技术，监控本车邻近范围内车辆的行车意图。但是，车车通信和V2X技术却无法实现对一定区域范围内全部车辆驾驶意图的全局感知和协同调度，因此，对于人车共驾模式场景下的智能驾驶，也有必要协同调度一定区域范围内各车辆的驾驶意图，再根据协同调度后的各车辆驾驶意图顺序指导车辆行驶决策，使车辆安全的按序行驶，提升人车共驾模式下的智能驾驶安全性和通行效率。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种面向智能车辆的区域协同驾驶意图调度方法，该方法能够协同调度区域范围内全部车辆的驾驶意图，生成全局调度结果指导车辆行车决策，一方面避免车辆冲突风险，提高行车安全性，另一方面也会提升区域范围内的整体通行效率。
本发明的第二目的在于提供一种面向智能车辆的区域协同驾驶意图调度装置。
本发明的第三目的在于提供一种面向智能车辆的区域协同驾驶意图调度系统。
本发明的第四目的在于提供一种存储介质。
本发明的第五目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种面向智能车辆的区域协同驾驶意图调度方法，包括：
获取车辆的状态信息和位置信息；
获取通过车辆的状态信息所识别出的车辆的驾驶意图信息；
根据调度区域范围内各车辆的驾驶意图信息、车辆的状态信息和车辆的位置信息，生成调度区域范围内全部车辆的驾驶意图全局图；
构建调度区域占据栅格地图模型；
根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果；使得通过调度区域车辆驾驶意图全局调度结果，指导调度区域范围内车辆的行车决策。
优选的，通过车辆的状态信息和位置信息识别出车辆驾驶意图的过程包括：
基于卷积神经网络构建驾驶意图识别模型，其中将车辆状态信息作为驾驶意图识别模型的输入量I，由驾驶意图识别模型Softmax层输出对驾驶意图的识别向量w＝(w1,w2,w3,w4,w5)，其中：w1、w2、w3、w4、w5分别为左换道、保持不变、右换道、加速、减速的驾驶意图类别的概率；
设定各种驾驶意图类别的确信阈值；当某一驾驶意图类别的输出概率大于对应的确信阈值时，则判断车辆存在该类别的驾驶意图C；其中：
C∈{Ca:左换道，Cb:保持不变，Cc:右换道，Cd:加速，Cf:减速}。
优选的，生成调度区域范围内全部车辆的驾驶意图全局图为：G＝[gi]，1≤i≤N，N为调度区域范围内车辆总数，其中：gi＝(Ci,Vi,Wi,Pi)，Ci,Vi,Wi,Pi分别为调度区域范围内第i辆车的驾驶意图、绝对速度、方向盘转角和车辆位置信息。
更进一步的，生成调度区域车辆驾驶意图全局调度结果的过程如下：
Sa、基于调度区域占据栅格模型，将调度区域范围内每一车辆i的位置信息Pi用点坐标表示，1≤i≤N，并映射到占据栅格的对应网格中，将映射有车辆位置信息的网格标识为占用，将未映射有车辆位置信息的网格标识为空闲；
Sb、根据调度区域内每一车辆i的驾驶意图Ci、绝对速度Vi和方向盘转角Wi，计算每一车辆i在安全加速度as和安全时间ts内的纵向位移
Figure BDA0002725968920000031
和横向位移
Figure BDA0002725968920000032
并依据纵向位移Si'和横向位移Si”确定车辆i的预测位置信息Pi ts，1≤i≤N；
Sc、针对调度区域中的每一个网格，根据调度区域内每一车辆i的预测位置信息Pi ts，获取预测状态；
Sd、根据每个网格的预测状态，预测该网格是否存在车辆驾驶意图冲突的现象，具体为：
针对每个网格，判定其预测状态是否为被多辆车占用；其中：
当网格的预测状态为被一辆车占用时，即预测该网格将被一辆车占用时，则预测该网格不存在车辆驾驶意图冲突的现象，此时控制预测占用该网格的车辆按照其驾驶意图进行行驶；
当网格的预测状态为被多辆车占用时，即预测网格将被多辆车占用时，则预测该网格存在车辆驾驶意图冲突的现象；此时进入步骤Se；
Se、判定预测占用网格的多辆车中，是否有驾驶意图为：保持不变；
若有，则设置预测占用该网格的所有车辆驾驶意图均为：保持不变；
若否，则从预测占用该网格的多辆车中，随机选取一辆车辆按照其驾驶意图进行行驶，其他车辆驾驶意图全部设置为：保持不变；
Sf、基于上述操作确定出调度区域内各车辆的驾驶意图，生成调度结果。
本发明的第二目的通过下述技术方案实现：一种面向智能车辆的区域协同驾驶意图调度装置，包括：
信息获取模块，用于获取车辆的状态信息和位置信息，用于获取通过车辆的状态信息和位置信息所识别出的车辆驾驶意图；
驾驶意图全局图生成模块，用于根据调度区域范围内车辆的驾驶意图信息、车辆状态信息和车辆位置信息，生成调度区域范围内全部车辆的驾驶意图全局图；
地图模型构建模块，用于构建调度区域占据栅格地图模型；
全局调度结果生成模块，用于根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果；使得通过调度区域车辆驾驶意图全局调度结果，指导调度区域范围内车辆的行车决策。
本发明的第三目的通过下述技术方案实现：一种面向智能车辆的区域协同驾驶意图调度系统，包括云端调度系统，以及设置在车辆上的车载驾驶意图感知系统和车载驾驶意图控制系统；
所述车载驾驶意图感知系统连接车载驾驶意图控制系统，用于获取车辆的状态信息和位置信息，并将获取到的车辆的状态信息和位置信息发送给车载驾驶意图控制系统；
所述车辆驾驶意图控制系统通过无线的方式连接云端调度系统，用于根据车辆的状态信息识别出车辆的驾驶意图，并且将车辆的驾驶意图信息以及车辆的状态信息和位置信息发送给云端调度系统；
所述云端调度系统，用于执行本发明第一目的所述的面向智能车辆的区域协同驾驶意图调度方法。
优选的，所述车载驾驶意图感知系统包括车辆状态获取单元和定位单元；
所述车辆状态获取单元，用于获取车辆的状态信息，包括车辆的油门踏板状态、方向盘转角、制动踏板状态和车辆绝对速度；
所述定位单元，用于获取车辆的位置信息，包括车辆GPS经度信息和GPS维度信息。
优选的，所述车载驾驶意图控制系统包括驾驶意图识别单元、通信单元和输出单元；
所述驾驶意图识别单元，用于根据车辆的状态信息识别出车辆的驾驶意图；
所述通信单元，用于将车辆的驾驶意图信息以及车辆的状态信息和位置信息发送给云端调度系统；
所述输出单元，用于接收云端调度系统发送的行车调度区域车辆驾驶意图全局调度结果，使得车辆行车决策系统根据该调度结果指导车辆的行车决策；
所述云端调度系统包括云端通信服务器和云端协同调度服务器；
所述云端协同调度服务器，用于执行本发明第一目的所述的面向智能车辆的区域协同驾驶意图调度方法；
所述云端通信服务器，用于与车载驾驶意图控制系统中的通信单元进行通信，接收车载驾驶意图控制系统发送的车辆的驾驶意图信息以及车辆的状态信息和位置信息，并且将行车调度区域车辆驾驶意图全局调度结果发送给车载驾驶意图控制系统。
本发明的第四目的通过下述技术方案实现：一种存储介质，其特征在于，存储有程序，所述程序被处理器执行时，实现本发明第一目的所述的面向智能车辆的区域协同驾驶意图调度方法。
本发明的第五目的通过下述技术方案实现：一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的面向智能车辆的区域协同驾驶意图调度方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明面向智能车辆的区域协同驾驶意图调度方法，首先获取到调度区域范围内各车辆的状态信息、位置信息以及驾驶意图信息，基于上述信息生成调度区域范围内全部车辆的驾驶意图全局图；然后构建调度区域占据栅格地图模型；根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果；使得通过调度区域车辆驾驶意图全局调度结果，指导调度区域范围内车辆的行车决策。由上述可知，本发明基于调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，能够对调度区域范围内的各车辆驾驶意图进行全面调度和控制，生成全局调度结果，指导车辆行车决策，一方面避免车辆冲突风险，提高行车安全性，另一方面也会提升区域范围内的整体通行效率。
(2)本发明面向智能车辆的区域协同驾驶意图调度方法中，基于卷积神经网络模型构建驾驶意图识别模型，然后由驾驶意图识别模型基于车辆状态信息对车辆的驾驶意图进行识别，能够准确的识别出车辆驾驶意图。
(3)本发明面向智能车辆的区域协同驾驶意图调度方法中，在生成调度结果时，构建调度区域occupancy grid(占据栅格)地图模型，并且根据调度区域各车辆的驾驶意图确定各车辆的预测位置信息，基于各车辆的预测位置信息能够确定各网格的预测状态，从而预测出将占用网格的车辆，在占用网格的车辆为两辆及以上时，通过控制车辆的驾驶意图能够对车辆的驾驶进行调度。因此本发明方法基于调度区域occupancy grid地图模型，能够实现对调度区域范围内车辆驾驶意图的统一调度，控制调度范围内所有车辆的驾驶意图，可以有效避免多辆车辆同时到达同一个网格而出现车辆碰撞的现象。
(4)本发明面向智能车辆的区域协同驾驶意图调度系统中，包括云端调度系统以及设置在车辆上的车载驾驶意图感知系统和车载驾驶意图控制系统；在本发明中，由各车辆上的车载驾驶意图感知系统采集车辆的状态信息和位置信息，然后由各车辆上的车载驾驶意图控制系统基于车辆的状态识别出车辆的驾驶意图，最终将车辆驾驶意图信息以及车辆的状态信息和位置信息发送云端调度系统，由云端调度系统实现生成调度区域车辆驾驶意图全局调度结果，并且将调度结果发送到车载驾驶意图控制系统中，使得车辆基于云端调度系统发送的调度结果进行行驶。由上述可见，本发明基于云端调度系统能够实现区域范围内车辆的全局控制，对于人车共驾模式场景下的智能驾驶模式下，能够有效避免车辆之间的碰撞，提升人车共驾模式下的智能驾驶安全性和通行效率。
附图说明
图1是本发明面向智能车辆的区域协同驾驶意图调度方法流程图。
图2是本发明方法中建立的直线区域occupancy grid地图模型。
图3是本发明方法中建立的弯曲区域occupancy grid地图模型。
图4是本发明面向智能车辆的区域协同驾驶意图调度装置结构框图。
图5是本发明面向智能车辆的区域协同驾驶意图调度系统结构框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种面向智能车辆的区域协同驾驶意图调度方法，该方法在人车共驾模式的智能驾驶中使用，能够避免车辆冲突风险，提高行车安全性，另一方面也会提升区域范围内的整体通行效率，该方法的具体过程如图1所示，包括：
S1、获取车辆的状态信息和位置信息；同时获取通过车辆的状态信息所识别出的车辆的驾驶意图信息。在本实施例中，获取的车辆状态信息具体包括车辆的油门踏板状态、方向盘转角、制动踏板状态和车辆绝对速度。
其中，通过车辆的状态信息识别出车辆的驾驶意图信息的过程可以包括：
S11、基于CNN卷积神经网络构建驾驶意图识别模型，其中将车辆状态信息作为驾驶意图识别模型的输入量I，由驾驶意图识别模型Softmax层输出对驾驶意图的识别向量w＝(w1,w2,w3,w4,w5)，其中：w1、w2、w3、w4、w5分别为左换道、保持不变、右换道、加速、减速的驾驶意图类别的概率。
S12、设定各种驾驶意图类别的确信阈值；将获取到的车辆当前的状态信息输入到驾驶意图识别模型中，当驾驶意图识别模型的某一驾驶意图类别的输出概率大于对应的确信阈值时，则判断车辆存在该类别的驾驶意图C；其中：
C∈{Ca:左换道，Cb:保持不变，Cc:右换道，Cd:加速，Cf:减速}。
在本实施例中，设定左换道、右换道驾驶意图类别的确信阈值为80％，设置保持不变驾驶意图类别的确信阈值为70％，设置加速、减速驾驶意图类别的确信阈值为80％。
S2、根据调度区域范围内各车辆的驾驶意图信息、车辆的状态信息和车辆的位置信息，生成调度区域范围内全部车辆的驾驶意图全局图。在本实施例中，生成调度区域范围内全部车辆的驾驶意图全局图为：G＝[gi]，1≤i≤N，N为调度区域范围内车辆总数，其中：gi＝(Ci,Vi,Wi,Pi)，Ci,Vi,Wi,Pi分别为调度区域范围内第i辆车的驾驶意图、绝对速度、方向盘转角和车辆位置信息。
S3、构建调度区域occupancy grid(占据栅格)地图模型。在本实施例中，调度区域occupancy grid(占据栅格)地图模型，是对车道线划分得到的区域进行等分，得到的每一个网格称为一个行车单元(cell)。在本实施例中，cell的纵向长度设为5m，横向宽度默认为单个车道宽度。如图2所示，对于直车道，每个cell近似为一个长方形；如图3所示，对于弯曲车道，每个cell可近似为一个凸四边形，用每四个顶点坐标确定一个cell的坐标，用连接四个顶点的四条线段作为一个cell的范围。如果车辆位置在某个cell范围内，则该cell的状态标识为占用，如图2和图3中被填充的部分所示，其他未被占用的cell状态标识为空闲。
S4、根据构建的调度区域occupancy grid地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果；使得通过调度区域车辆驾驶意图全局调度结果R＝[Ci]，1≤i≤N，指导调度区域范围内车辆的行车决策。
在本实施例中，步骤S4中生成调度区域车辆驾驶意图全局调度结果的过程如下：
Sa、基于调度区域占据栅格模型，将调度区域范围内每一车辆i的位置信息Pi用点坐标表示，1≤i≤N，并映射到occupancy grid地图模型的对应cell中，将映射有车辆位置信息的cell标识为占用，将未映射有车辆位置信息的cell标识为空闲。
Sb、根据调度区域内每一车辆i的驾驶意图Ci、绝对速度Vi和方向盘转角Wi，计算每一车辆i在安全加速度as和安全时间ts内的纵向位移
Figure BDA0002725968920000071
和横向位移
Figure BDA0002725968920000072
并依据纵向位移Si'和横向位移Si”确定车辆i的预测位置信息Pi ts，1≤i≤N。
在本实施例中，基于位置信息，各车辆在占据栅格模型中当前的位置是确定的，因此基于上述纵向位移Si'和横向位移Si”信息，就能够得到车辆的预测位置，如图2中所示。
Sc、针对调度区域中的每一个cell，根据调度区域内每一车辆i的预测位置信息Pi ts，获取预测状态；其中针对于各cell，当根据车辆i的预测位置信息Pi ts，预测到车辆i将到达该cell时，则将该cell的预测状态标识为被车辆i所占用，而当根据各车辆的预测位置信息，预测到将有多个车辆到达该cell时，则将该cell的预测状态标识为被多辆车中的各车辆所占用；例如针对于某一cell，当根据各车辆的预测位置信息，预测到车辆a1将到达该cell时，则将该cell的预测状态标识为被车辆a1所占用；而当根据各车辆的预测位置信息，预测到车辆a1、a2和a3将到达该cell时，则将该cell的预测状态标识为被车辆a1、a2和a3所占用；
Sd、根据每个cell的预测状态，预测该cell是否存在车辆驾驶意图冲突的现象，具体为：
针对每个cell，判定其预测状态是否为被多辆车占用；其中：
当cell的预测状态为被一辆车占用时，即预测该cell将被一辆车占用时，则预测该cell不存在车辆驾驶意图冲突的现象，此时控制预测占用该cell的车辆按照其驾驶意图进行行驶；
当cell的预测状态为被多辆车占用时，即预测cell将被多辆车占用时，则预测该cell存在车辆驾驶意图冲突的现象；此时进入步骤Se；
Se、判定预测占用cell的多辆车中，是否有驾驶意图为：保持不变；
若有，则设置预测占用该cell的所有车辆驾驶意图均为：保持不变；
若否，则从预测占用该cell的多辆车中，随机选取一辆车辆按照其驾驶意图进行行驶，其他车辆驾驶意图全部设置为：保持不变；其中车辆驾驶意图为保持不变，指的是车辆按照原有的驾驶状态进行驾驶。
Sf、基于上述操作确定出调度区域内各车辆的驾驶意图Ci，生成调度结果R＝[Ci]，1≤i≤N。
本实施例基于步骤Sa至Sf的操作，使得下一时刻预测到达同一个网格的车辆中，只有一辆车最终能够到达该网格，能够有效避免同一时刻，两辆及以上车辆同时到达同一个cell，从而出现碰撞的交通事故。
本领域技术人员可以理解，实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。应当注意，尽管在附图中以特定顺序描述了本实施例1的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序，有些步骤也可以同时执行。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2
本实施例公开了一种面向智能车辆的区域协同驾驶意图调度装置，如图4所示，包括信息获取模块、驾驶意图全局图生成模块、地图模型构建模块和全局调度结果生成模块：各个模块实现的功能分别如下：
信息获取模块，用于获取车辆的状态信息和位置信息，用于获取通过车辆的状态信息和位置信息所识别出的车辆驾驶意图；
驾驶意图全局图生成模块，用于根据调度区域范围内车辆的驾驶意图信息、车辆状态信息和车辆位置信息，生成调度区域范围内全部车辆的驾驶意图全局图；
地图模型构建模块，用于构建调度区域占据栅格地图模型；
全局调度结果生成模块，用于根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果；使得通过调度区域车辆驾驶意图全局调度结果，指导调度区域范围内车辆的行车决策。
本实施例上述各个模块的具体实现可以参见上述实施例1，在此不再一一赘述。需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种面向智能车辆的区域协同驾驶意图调度系统，基于本实施例系统，能够实现实施例1所述的面向智能车辆的区域协同驾驶意图调度方法。如图5中所示，本实施例面向智能车辆的区域协同驾驶意图调度系统包括云端调度系统30，以及设置在车辆上的车载驾驶意图感知系统10和车载驾驶意图控制系统20。其中：
车载驾驶意图感知系统连接车载驾驶意图控制系统，用于获取车辆的状态信息和位置信息，并将获取到的车辆的状态信息和位置信息发送给车载驾驶意图控制系统；
在本实施例中，车载驾驶意图感知系统10包括车辆状态获取单元11和定位单元12。其中：
车辆状态获取单元11，用于获取车辆的状态信息，包括车辆的油门踏板状态、方向盘转角、制动踏板状态和车辆绝对速度。
定位单元12，用于获取车辆的位置信息，包括车辆GPS经度信息和GPS维度信息。
车辆驾驶意图控制系统通过无线的方式连接云端调度系统，用于根据车辆的状态信息识别出车辆的驾驶意图，并且将车辆的驾驶意图信息以及车辆的状态信息和位置信息发送给云端调度系统。
在本实施例中，车载驾驶意图控制系统20包括驾驶意图识别单元21、通信单元22和输出单元23。其中：
驾驶意图识别单元21，用于根据车辆的状态信息识别出车辆的驾驶意图。本实施例中驾驶意图识别单元根据车辆的状态信息识别出车辆的驾驶意图的过程可以如下：
基于CNN卷积神经网络构建驾驶意图识别模型，其中将车辆状态信息作为驾驶意图识别模型的输入量I，由驾驶意图识别模型Softmax层输出对驾驶意图的识别向量w＝(w1,w2,w3,w4,w5)，其中：w1、w2、w3、w4、w5分别为左换道、保持不变、右换道、加速、减速的驾驶意图类别的概率。
设定各种驾驶意图类别的确信阈值；将获取到的车辆当前的状态信息输入到驾驶意图识别模型中，当驾驶意图识别模型的某一驾驶意图类别的输出概率大于对应的确信阈值时，则判断车辆存在该类别的驾驶意图C；其中：
C∈{Ca:左换道，Cb:保持不变，Cc:右换道，Cd:加速，Cf:减速}。
在本实施例中，可以设定左换道、右换道驾驶意图类别的确信阈值为80％，设置保持不变驾驶意图类别的确信阈值为70％，设置加速、减速驾驶意图类别的确信阈值为80％。
通信单元22，用于将车辆的驾驶意图信息以及车辆的状态信息和位置信息发送给云端调度系统；在本实施例中，通信单元可以是设置在车辆上的无线通信模块，包括4G通信模块、5G通信模块等，通信单元通过移动通信基站可以将车载驾驶意图控制系统相应的信息上传到云端调度系统。在本实施例中车载驾驶意图控制系统通过通信单元向云端调度系统上传O＝[C,V,W,P]信息，其中，C为识别的驾驶意图，V为车辆状态信息S中的车辆绝对速度，W为车辆状态信息S中的方向盘转角，P为车辆位置信息。
输出单元23，用于接收云端调度系统发送的行车调度区域车辆驾驶意图全局调度结果，使得车辆行车决策系统根据该调度结果指导车辆的行车决策；在本实施例中，输出单元连接通信单元，通过通信单元从云端调度系统获取到调度区域车辆驾驶意图全局调度结果，车辆行车决策系统为安装在车辆上控制车辆行驶的系统，车辆决策系统能够根据车辆的驾驶意图控制车辆进行相应的运动。
云端调度系统30，用于执行实施例1所述的面向智能车辆的区域协同驾驶意图调度方法。
在本实施例中，云端调度系统30包括云端通信服务器31和云端协同调度服务器32；其中，
云端协同调度服务器，用于执行实施例1所述的面向智能车辆的区域协同驾驶意图调度方法，如下：
获取车辆的状态信息和位置信息；
获取通过车辆的状态信息所识别出的车辆的驾驶意图信息；
根据调度区域范围内各车辆的驾驶意图信息、车辆的状态信息和车辆的位置信息，生成调度区域范围内全部车辆的驾驶意图全局图；
构建调度区域占据栅格地图模型；
根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果。
上述内容具体的操作过程见实施例1中描述，此处不再赘述。
云端通信服务器，用于与车载驾驶意图控制系统中的通信单元进行通信，接收车载驾驶意图控制系统发送的车辆的驾驶意图信息以及车辆的状态信息和位置信息，并且将行车调度区域车辆驾驶意图全局调度结果发送给车载驾驶意图控制系统。
实施例4
本实施例公开了一种存储介质，存储有程序，所述程序被处理器执行时，实现实施例1所述的面向智能车辆的区域协同驾驶意图调度方法，如下：
获取车辆的状态信息和位置信息；
获取通过车辆的状态信息所识别出的车辆的驾驶意图信息；
根据调度区域范围内各车辆的驾驶意图信息、车辆的状态信息和车辆的位置信息，生成调度区域范围内全部车辆的驾驶意图全局图；
构建调度区域占据栅格地图模型；
根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果。
上述内容具体的操作过程见实施例1中描述，此处不再赘述。
在本实施例中，存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例5
本实施例公开一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现实施例1所述的面向智能车辆的区域协同驾驶意图调度方法，如下：
获取车辆的状态信息和位置信息；
获取通过车辆的状态信息所识别出的车辆的驾驶意图信息；
根据调度区域范围内各车辆的驾驶意图信息、车辆的状态信息和车辆的位置信息，生成调度区域范围内全部车辆的驾驶意图全局图；
构建调度区域占据栅格地图模型；
根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果。
上述内容具体的操作过程见实施例1中描述，此处不再赘述。
本实施例中，计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑等终端设备。
综上，本发明针对人车共驾模式下，多个驾驶人同时改变驾驶意图，易导致相邻区域范围内车辆间行车意图发生冲突的场景，协同调度区域范围内全部车辆的驾驶意图，生成全局调度顺序指导车辆行车决策，一方面避免车辆冲突风险，提高行车安全性，另一方面也会提升区域范围内的整体通行效率。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种面向智能车辆的区域协同驾驶意图调度方法，其特征在于，包括：
获取车辆的状态信息和位置信息；
获取通过车辆的状态信息所识别出的车辆的驾驶意图信息；
根据调度区域范围内各车辆的驾驶意图信息、车辆的状态信息和车辆的位置信息，生成调度区域范围内全部车辆的驾驶意图全局图；
构建调度区域占据栅格地图模型；
根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果；使得通过调度区域车辆驾驶意图全局调度结果，指导调度区域范围内车辆的行车决策。
2.根据权利要求1所述的面向智能车辆的区域协同驾驶意图调度方法，其特征在于，通过车辆的状态信息和位置信息识别出车辆驾驶意图的过程包括：
基于卷积神经网络构建驾驶意图识别模型，其中将车辆状态信息作为驾驶意图识别模型的输入量I，由驾驶意图识别模型Softmax层输出对驾驶意图的识别向量w＝(w1,w2,w3,w4,w5)，其中：w1、w2、w3、w4、w5分别为左换道、保持不变、右换道、加速、减速的驾驶意图类别的概率；
设定各种驾驶意图类别的确信阈值；当某一驾驶意图类别的输出概率大于对应的确信阈值时，则判断车辆存在该类别的驾驶意图C；其中：
C∈{Ca:左换道，Cb:保持不变，Cc:右换道，Cd:加速，Cf:减速}。
3.根据权利要求1所述的面向智能车辆的区域协同驾驶意图调度方法，其特征在于，生成调度区域范围内全部车辆的驾驶意图全局图为：G＝[gi]，1≤i≤N，N为调度区域范围内车辆总数，其中：gi＝(Ci,Vi,Wi,Pi)，Ci,Vi,Wi,Pi分别为调度区域范围内第i辆车的驾驶意图、绝对速度、方向盘转角和车辆位置信息。
4.根据权利要求3所述的面向智能车辆的区域协同驾驶意图调度方法，其特征在于，生成调度区域车辆驾驶意图全局调度结果的过程如下：
Sa、基于调度区域占据栅格模型，将调度区域范围内每一车辆i的位置信息Pi用点坐标表示，1≤i≤N，并映射到占据栅格的对应网格中，将映射有车辆位置信息的网格标识为占用，将未映射有车辆位置信息的网格标识为空闲；
Sb、根据调度区域内每一车辆i的驾驶意图Ci、绝对速度Vi和方向盘转角Wi，计算每一车辆i在安全加速度as和安全时间ts内的纵向位移
Figure FDA0002725968910000021
和横向位移
Figure FDA0002725968910000022
并依据纵向位移Si'和横向位移Si”确定车辆i的预测位置信息Pi ts，1≤i≤N；
Sc、针对调度区域中的每一个网格，根据调度区域内每一车辆i的预测位置信息Pi ts，获取预测状态；
Sd、根据每个网格的预测状态，预测该网格是否存在车辆驾驶意图冲突的现象，具体为：
针对每个网格，判定其预测状态是否为被多辆车占用；其中：
当网格的预测状态为被一辆车占用时，即预测该网格将被一辆车占用时，则预测该网格不存在车辆驾驶意图冲突的现象，此时控制预测占用该网格的车辆按照其驾驶意图进行行驶；
当网格的预测状态为被多辆车占用时，即预测网格将被多辆车占用时，则预测该网格存在车辆驾驶意图冲突的现象；此时进入步骤Se；
Se、判定预测占用网格的多辆车中，是否有驾驶意图为：保持不变；
若有，则设置预测占用该网格的所有车辆驾驶意图均为：保持不变；
若否，则从预测占用该网格的多辆车中，随机选取一辆车辆按照其驾驶意图进行行驶，其他车辆驾驶意图全部设置为：保持不变；
Sf、基于上述操作确定出调度区域内各车辆的驾驶意图，生成调度结果。
5.一种面向智能车辆的区域协同驾驶意图调度装置，其特征在于，包括：
信息获取模块，用于获取车辆的状态信息和位置信息，用于获取通过车辆的状态信息和位置信息所识别出的车辆驾驶意图；
驾驶意图全局图生成模块，用于根据调度区域范围内车辆的驾驶意图信息、车辆状态信息和车辆位置信息，生成调度区域范围内全部车辆的驾驶意图全局图；
地图模型构建模块，用于构建调度区域占据栅格地图模型；
全局调度结果生成模块，用于根据构建的调度区域占据栅格地图模型，协同调度区域范围内车辆全局驾驶意图，生成调度区域车辆驾驶意图全局调度结果；使得通过调度区域车辆驾驶意图全局调度结果，指导调度区域范围内车辆的行车决策。
6.一种面向智能车辆的区域协同驾驶意图调度系统，其特征在于，包括云端调度系统，以及设置在车辆上的车载驾驶意图感知系统和车载驾驶意图控制系统；
所述车载驾驶意图感知系统连接车载驾驶意图控制系统，用于获取车辆的状态信息和位置信息，并将获取到的车辆的状态信息和位置信息发送给车载驾驶意图控制系统；
所述车辆驾驶意图控制系统通过无线的方式连接云端调度系统，用于根据车辆的状态信息识别出车辆的驾驶意图，并且将车辆的驾驶意图信息以及车辆的状态信息和位置信息发送给云端调度系统；
所述云端调度系统，用于执行权利要求1～4中任一项所述的面向智能车辆的区域协同驾驶意图调度方法。
7.根据权利要求6所述的面向智能车辆的区域协同驾驶意图调度系统，其特征在于，所述车载驾驶意图感知系统包括车辆状态获取单元和定位单元；
所述车辆状态获取单元，用于获取车辆的状态信息，包括车辆的油门踏板状态、方向盘转角、制动踏板状态和车辆绝对速度；
所述定位单元，用于获取车辆的位置信息，包括车辆GPS经度信息和GPS维度信息。
8.根据权利要求6所述的面向智能车辆的区域协同驾驶意图调度系统，其特征在于，所述车载驾驶意图控制系统包括驾驶意图识别单元、通信单元和输出单元；
所述驾驶意图识别单元，用于根据车辆的状态信息识别出车辆的驾驶意图；
所述通信单元，用于将车辆的驾驶意图信息以及车辆的状态信息和位置信息发送给云端调度系统；
所述输出单元，用于接收云端调度系统发送的行车调度区域车辆驾驶意图全局调度结果，使得车辆行车决策系统根据该调度结果指导车辆的行车决策；
所述云端调度系统包括云端通信服务器和云端协同调度服务器；
所述云端协同调度服务器，用于执行权利要求1～4中任一项所述的面向智能车辆的区域协同驾驶意图调度方法；
所述云端通信服务器，用于与车载驾驶意图控制系统中的通信单元进行通信，接收车载驾驶意图控制系统发送的车辆的驾驶意图信息以及车辆的状态信息和位置信息，并且将行车调度区域车辆驾驶意图全局调度结果发送给车载驾驶意图控制系统。
9.一种存储介质，其特征在于，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～4中任一项所述的面向智能车辆的区域协同驾驶意图调度方法。
10.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～4中任一项所述的面向智能车辆的区域协同驾驶意图调度方法。
CN202011102809.7A 2020-10-15 2020-10-15 面向智能车辆的区域协同驾驶意图调度方法、系统和介质 Active CN112230657B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011102809.7A CN112230657B (zh) 2020-10-15 2020-10-15 面向智能车辆的区域协同驾驶意图调度方法、系统和介质
PCT/CN2021/113984 WO2022078067A1 (zh) 2020-10-15 2021-08-23 面向智能车辆的区域协同驾驶意图调度方法、系统和介质
US18/549,989 US20240217559A1 (en) 2020-10-15 2021-08-23 Smart vehicle-oriented method and system for collaborative dispatching of driving intents in area

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011102809.7A CN112230657B (zh) 2020-10-15 2020-10-15 面向智能车辆的区域协同驾驶意图调度方法、系统和介质

Publications (2)

Publication Number Publication Date
CN112230657A true CN112230657A (zh) 2021-01-15
CN112230657B CN112230657B (zh) 2024-03-29

Family

ID=74113735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011102809.7A Active CN112230657B (zh) 2020-10-15 2020-10-15 面向智能车辆的区域协同驾驶意图调度方法、系统和介质

Country Status (3)

Country Link
US (1) US20240217559A1 (zh)
CN (1) CN112230657B (zh)
WO (1) WO2022078067A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022078067A1 (zh) * 2020-10-15 2022-04-21 广州大学 面向智能车辆的区域协同驾驶意图调度方法、系统和介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822048A (zh) * 2022-05-25 2022-07-29 云控智行科技有限公司 一种网联车的云端规划服务系统及方法
CN115840404B (zh) * 2022-12-21 2023-11-03 浙江大学 一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108297864A (zh) * 2018-01-25 2018-07-20 广州大学 驾驶员与车辆主动安全技术联动的控制方法及控制系统
CN108447308A (zh) * 2018-05-17 2018-08-24 中交信息技术国家工程实验室有限公司 一种基于车路协同的交叉口车辆碰撞风险预测方法及系统
CN108919803A (zh) * 2018-07-04 2018-11-30 北京踏歌智行科技有限公司 一种矿用无人驾驶车辆的协同控制方法及装置
CN110136254A (zh) * 2019-06-13 2019-08-16 吉林大学 基于动态概率驾驶地图的驾驶辅助信息显示方法
CN110164183A (zh) * 2019-05-17 2019-08-23 武汉理工大学 一种在车车通信条件下考虑他车驾驶意图的安全辅助驾驶预警方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112012005261B4 (de) * 2011-12-14 2024-02-08 Continental Autonomous Mobility Germany GmbH Freirauminformationen in einem Belegungsgitter als Grundlage für die Bestimmung eines Manöverraums für ein Fahrzeug
KR101951035B1 (ko) * 2016-01-29 2019-05-10 한국전자통신연구원 차량의 자율 주행 시스템 및 그 방법
CN111487975A (zh) * 2020-04-30 2020-08-04 畅加风行(苏州)智能科技有限公司 一种基于智能网联系统的港口卡车自动编队方法及系统
CN112230657B (zh) * 2020-10-15 2024-03-29 广州大学 面向智能车辆的区域协同驾驶意图调度方法、系统和介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108297864A (zh) * 2018-01-25 2018-07-20 广州大学 驾驶员与车辆主动安全技术联动的控制方法及控制系统
CN108447308A (zh) * 2018-05-17 2018-08-24 中交信息技术国家工程实验室有限公司 一种基于车路协同的交叉口车辆碰撞风险预测方法及系统
CN108919803A (zh) * 2018-07-04 2018-11-30 北京踏歌智行科技有限公司 一种矿用无人驾驶车辆的协同控制方法及装置
CN110164183A (zh) * 2019-05-17 2019-08-23 武汉理工大学 一种在车车通信条件下考虑他车驾驶意图的安全辅助驾驶预警方法
CN110136254A (zh) * 2019-06-13 2019-08-16 吉林大学 基于动态概率驾驶地图的驾驶辅助信息显示方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
季学武 等: "基于LSTM网络的驾驶意图识别及车辆轨迹预测", 中国公路雪豹 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022078067A1 (zh) * 2020-10-15 2022-04-21 广州大学 面向智能车辆的区域协同驾驶意图调度方法、系统和介质

Also Published As

Publication number Publication date
CN112230657B (zh) 2024-03-29
US20240217559A1 (en) 2024-07-04
WO2022078067A1 (zh) 2022-04-21

Similar Documents

Publication Publication Date Title
US10591914B2 (en) Systems and methods for autonomous vehicle behavior control
CN112230657B (zh) 面向智能车辆的区域协同驾驶意图调度方法、系统和介质
US20180150081A1 (en) Systems and methods for path planning in autonomous vehicles
CN110069060A (zh) 用于自动驾驶车辆中路径规划的系统和方法
CN111332283A (zh) 用于控制机动车的方法和系统
US11162811B2 (en) Method of controlling platooning of vehicles according to wind direction and control server for implementing the same
US20220203971A1 (en) Vehicle control method
Cai et al. Task-efficiency oriented V2X communications: Digital twin meets mobile edge computing
US20240300489A1 (en) Intelligent driving method and vehicle to which method is applied
CN114644016A (zh) 车辆自动驾驶决策方法、装置、车载终端和存储介质
CN113311817B (zh) 车辆协同控制测试方法、装置、电子设备及存储介质
CN110789515A (zh) 机动车辆中用于硬件验证的系统和方法
US20230256999A1 (en) Simulation of imminent crash to minimize damage involving an autonomous vehicle
CN116629114A (zh) 多智能体的模型训练方法、系统、计算机设备和存储介质
Oza et al. Deadline-aware task offloading for vehicular edge computing networks using traffic light data
Selvaraj et al. A full-fledge simulation framework for the assessment of connected cars
US20230060383A1 (en) System and method of off-board-centric autonomous driving computation
CN113867365B (zh) 无人驾驶车辆变加速度的确定方法、装置和相关设备
US12118884B2 (en) Cooperative artificial intelligent assisted driving
WO2021229671A1 (ja) 走行支援装置および走行支援方法
CN114274980A (zh) 轨迹控制方法、装置、车辆及存储介质
CN113276889A (zh) 自动驾驶汽车控制方法、装置、设备及可读存储介质
EP4074562A1 (en) Control system and control method for intelligent connected vehicle
JP2023515155A (ja) 車両制御方法および装置
WO2021148113A1 (en) Computing system and method for training a traffic agent in a simulation environment

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