CN112308171A - 一种基于模拟驾驶器的车辆位置预测建模方法 - Google Patents
一种基于模拟驾驶器的车辆位置预测建模方法 Download PDFInfo
- Publication number
- CN112308171A CN112308171A CN202011324074.2A CN202011324074A CN112308171A CN 112308171 A CN112308171 A CN 112308171A CN 202011324074 A CN202011324074 A CN 202011324074A CN 112308171 A CN112308171 A CN 112308171A
- Authority
- CN
- China
- Prior art keywords
- longitudinal
- vehicle
- transverse
- displacement
- simulated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000006073 displacement reaction Methods 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 230000001133 acceleration Effects 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000005484 gravity Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于模拟驾驶器的车辆位置预测建模方法，包括以下步骤：进行第一阶段模拟驾驶试验，使用驾驶模拟器进行模拟驾驶试验并采集车辆的横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标；处理第一阶段模拟驾驶试验所采集的车辆数据；使用K‑Means算法对处理后的车辆数据进行分类；对分类后的车辆数据，使用高斯过程回归算法建立横向位移预测模型和纵向位移预测模型；进行第二阶段模拟驾驶试验，测试所建立的高斯回归模型，测试合格则输出由横向位移预测模型和纵向位移预测模型共同组成的车辆位置预测模型。本发明运用模拟驾驶器进行模拟驾驶试验实现车辆位置预测建模，计算量小，且不需要实车测试，降低了成本。
Description
技术领域
本发明涉及交通安全技术领域，特别涉及一种基于模拟驾驶器的车辆位置预测建模方法。
背景技术
随着我国基础设施的不断完善，高质量的交通系统体系已经建成，这也促使人们购买汽车，享受交通的便利。然而，汽车的普及也带来了一定的交通安全隐患。交通事故的发生原因多种多样，如驾驶员疲劳驾驶、车辆传动系统故障等等。辅助驾驶是一种近几年发展迅速的技术，其能够在不影响驾驶员正常驾驶的前提下，尽可能地减小交通事故的发生概率。车辆位置预测技术是一种较为复杂的辅助驾驶技术。专利CN201811603430.7，“一种车辆轨迹预测方法、装置及电子设备”，提出了一种基于车辆熵值的车辆轨迹预测方法，其中主要涉及车辆熵值计算方法及其在车辆轨迹预测方面的应用，理论性较强但计算量较大，且不涉及虚拟驾驶系统的使用和高斯过程回归模型的应用。
目前，市场上缺少一种能够以较低计算成本对车辆位置变化进行建模的技术或方法。
发明内容
本发明的主要目的在于提供一种基于模拟驾驶器的车辆位置预测建模方法，以模拟驾驶器试验为基础，建立车辆位置预测模型。
为了达到上述目的，本发明提供一种基于模拟驾驶器的车辆位置预测建模方法，包括以下步骤：
进行第一阶段模拟驾驶试验，使用驾驶模拟器进行模拟驾驶试验并采集车辆数据，所述车辆数据包括横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标；
处理第一阶段模拟驾驶试验所采集的车辆数据；
使用K-Means算法对处理后的车辆数据进行分类；
对分类后的车辆数据，使用高斯过程回归算法建立横向位移预测模型和纵向位移预测模型；
进行第二阶段模拟驾驶试验，测试所建立的横向位移预测模型和纵向位移预测模型，测试合格则输出由所述横向位移预测模型和纵向位移预测模型共同组成的车辆位置预测模型。
进一步地，第一阶段模拟驾驶试验中，模拟道路包括城市道路和高速道路，且城市道路驾驶不少于20公里，高速道路驾驶不少于50公里。
更进一步地，车辆在城市道路驾驶和高速道路驾驶中必须包括前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，且每一种行车方式行驶的里程不少于1公里。
进一步地，所述车辆数据的采集方式为：以1s为采样时间间隔采集车辆的横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标。
进一步地，处理第一阶段模拟驾驶试验的车辆数据时，计算得到每一时刻相对于前5s时刻的相对横向位移和相对纵向位移，并将每一时刻的横向速度、横向加速度、纵向速度、纵向加速度与5s后的位置相对于当前位置的相对横向位移和相对纵向位移组成一组数据。
更进一步地，使用K-Means算法进行数据点分类时，将横向速度、横向加速度数据与纵向速度、纵向加速度数据分成两个小组；两个小组的数据分别进行分类，且各自分出6类，所有数据点分类后共得到12类数据点，12个分类重心。
再进一步地，进行高斯过程回归建模的输入数据的获取方式是随机从K-Means分类得到的12类数据点中分别随机挑选多个点，然后以数据点中的速度和加速度为输入变量，以相对位移为输出变量，进行高斯过程回归建模；建模后得到6个横向位移预测模型和6个纵向位移预测模型。
进一步地，进行第二阶段模拟驾驶试验时，选择的模拟道路为城市道路和高速道路，且包含车辆行驶方式包括前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，每一种行车方式行驶的里程不少于1公里，总里程不少于10公里。
进一步地，完成后第二阶段模拟驾驶试验后，进行以下步骤进行高斯回归模型测试：
1)采集得到t时刻的横向速度Vx,t、横向加速度ax,t，纵向速度Vy,t、纵向加速度ay,t；
2)计算得到距离(Vx,t.ax,t)点最近的分类重心Ci和距离(Vy,t.ay,t)点最近的分类重心Cj；
3)将当前横向速度、当前横向加速度作为输入，使用Ci对应的横向位移预测高斯过程回归模型Gi，计算得到车辆在5s后的相对横向位移Px,i；
4)将当前纵向速度、当前纵向加速度作为输入，使用Cj对应的纵向位移预测高斯过程回归模型Gj，计算得到车辆在5s后的相对纵向位移Py,j；
5)计算预测横向相对位移Px,i和实际横向相对位移Px,i,r之间的差值ΔPx,i、预测相对纵向位移Py，i和实际纵向相对位移Py,i,r之间的差值ΔPy,i；如果ΔPx,i的绝对值小于1m，ΔPy,i的绝对值小于5m，则表示5s后的车辆位置点预测成功。
更进一步地，每5s进行一次高斯回归模型测试，若预测成功的车辆位置点的比例超过80％，则表示建模得到的12个高斯回归模型共同组成的车辆位置预测模型建模成功，否则重新进行数据分类和建模。
由于采用上述技术方案，本发明达到以下技术效果：本发明以模拟驾驶器试验为基础，采集车辆数据，并通过K-Means算法分类和高斯过程回归建模，可得到高准确性的车辆位置预测模型，且不需要实车测试，计算量小，成本较低。
附图说明
图1为根据本发明的基于模拟驾驶器的车辆位置预测建模方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
请结合图1，本实施例提供的一种基于模拟驾驶器的车辆位置预测建模方法，包括如下步骤：
S1.进行第一阶段模拟驾驶试验：
第一阶段模拟驾驶试验中，模拟道路包括城市道路和高速道路，且城市道路驾驶不少于20公里，高速道路驾驶不少于50公里；城市道路驾驶和高速驾驶中的行车方式必须包括前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，且每一种行车方式的里程不少于1公里。试验中，以1s为采样时间间隔采集车辆数据：横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标。
S2.处理第一阶段模拟驾驶试验数据：
处理第一阶段模拟驾驶试验数据时，计算得到每一时刻相对于前5s时刻的相对横向位移和相对纵向位移，并将每一时刻的横向速度、横向加速度、纵向速度、纵向加速度、与5s后的位置相对于当前位置的横向位移和相对纵向位移组成一组数据。
S3.使用K-Means算法对所采数据进行分类：
进行K-Means算法进行数据点分类时，需要将横向速度、横向加速度数据与纵向速度、纵向加速度分成两个小组。两个小组的数据将分别进行分类，且各自分出6类，即所有数据点共将得到12类数据，12个分类重心。
S4.建立高斯过程回归模型
用高斯过程回归算法建立横向位移预测模型6个，纵向位移预测模型6个。
进行高斯过程回归建模的输入数据的获取方式是随机从K-Means分类得到的12类数据点中分别随机挑选N个点(N为大于1的自然数)，然后以数据点中的速度和加速度为输入变量，以相对位移为输出变量，进行高斯过程回归建模。
S5.进行第二阶段模拟驾驶试验
进行第二阶段模拟驾驶试验时，选择的模拟道路为城市道路和高速道路，且行车方式包含前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，每种行车方式的行驶里程不少于1公里，总里程不少于10公里。
S6.测试模型质量
完成后第二次模拟驾驶试验后，进行以下步骤进行高斯回归模型测试：进行以下步骤进行高斯回归模型测试：
1)采集得到t时刻的横向速度Vx,t、横向加速度ax,t，纵向速度Vy,t、纵向加速度ay,t；
2)计算得到距离(Vx,t.ax,t)点最近的分类重心Ci和距离(Vy,t.ay,t)点最近的分类重心Cj；
3)将当前横向速度、当前横向加速度作为输入，使用Ci对应的横向位移预测高斯过程回归模型Gi，计算得到车辆在5s后的相对横向位移Px,i；
4)将当前纵向速度、当前纵向加速度作为输入，使用Cj对应的纵向位移预测高斯过程回归模型Gj，计算得到车辆在5s后的相对纵向位移Py,j；
5)计算预测横向相对位移Px,i和实际横向相对位移Px,i,r之间的差值ΔPx,i、预测相对纵向位移Py，i和实际纵向相对位移Py,i,r之间的差值ΔPy,i；如果ΔPx,i的绝对值小于1m，ΔPy,i的绝对值小于5m，则表示车辆位置点预测成功。
每5s进行一次高斯回归模型测试，若预测成功的车辆位置点的比例超过80％，则表示建模得到的12个高斯回归模型共同组成的车辆位置预测模型建模成功，否则重新进行数据分类和建模。
测试合格后，输出由12个高斯回归模型共同组成的车辆位置预测模型。该模型可用于车辆行驶过程中的车辆位置预测，以及用于车辆制动系统的研发，提高车辆的安全性，减少交通事故的发生。
以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，包括以下步骤：
进行第一阶段模拟驾驶试验，使用驾驶模拟器进行模拟驾驶试验并采集车辆数据，所述车辆数据包括横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标；
处理第一阶段模拟驾驶试验所采集的车辆数据；
使用K-Means算法对处理后的车辆数据进行分类；
对分类后的车辆数据，使用高斯过程回归算法建立横向位移预测模型和纵向位移预测模型；
进行第二阶段模拟驾驶试验，测试所建立的横向位移预测模型和纵向位移预测模型，测试合格则输出由所述横向位移预测模型和纵向位移预测模型共同组成的车辆位置预测模型。
2.根据权利要求1所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，第一阶段模拟驾驶试验中，模拟道路包括城市道路和高速道路，且城市道路驾驶不少于20公里，高速道路驾驶不少于50公里。
3.根据权利要求2所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，车辆在城市道路驾驶和高速道路驾驶中必须包括前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，且每一种行车方式行驶的里程不少于1公里。
4.根据权利要求1所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，所述车辆数据的采集方式为：以1s为采样时间间隔采集车辆的横向速度、横向加速度、横向坐标和纵向速度、纵向加速度、纵向坐标。
5.根据权利要求1所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，处理第一阶段模拟驾驶试验的车辆数据时，计算得到每一时刻相对于前5s时刻的相对横向位移和相对纵向位移，并将每一时刻的横向速度、横向加速度、纵向速度、纵向加速度与5s后的位置相对于当前位置的相对横向位移和相对纵向位移组成一组数据。
6.根据权利要求5所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，使用K-Means算法进行数据点分类时，将横向速度、横向加速度数据与纵向速度、纵向加速度数据分成两个小组；两个小组的数据分别进行分类，且各自分出6类，所有数据点分类后共得到12类数据点，12个分类重心。
7.根据权利要求6所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，进行高斯过程回归建模的输入数据的获取方式是随机从K-Means分类得到的12类数据点中分别随机挑选多个点，然后以数据点中的速度和加速度为输入变量，以相对位移为输出变量，进行高斯过程回归建模；建模后得到6个横向位移预测模型和6个纵向位移预测模型。
8.根据权利要求1所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，进行第二阶段模拟驾驶试验时，选择的模拟道路为城市道路和高速道路，且包含车辆行驶方式包括前进左转、前进右转、前进直行、倒退左转、倒退右转、倒退直行6种行车方式，每一种行车方式行驶的里程不少于1公里，总里程不少于10公里。
9.根据权利要求7所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，完成后第二阶段模拟驾驶试验后，进行以下步骤进行高斯回归模型测试：
1)采集得到t时刻的横向速度Vx,t、横向加速度ax,t，纵向速度Vy,t、纵向加速度ay,t；
2)计算得到距离(Vx,t.ax,t)点最近的分类重心Ci和距离(Vy,t.ay,t)点最近的分类重心Cj；
3)将当前横向速度、当前横向加速度作为输入，使用Ci对应的横向位移预测高斯过程回归模型Gi，计算得到车辆在5s后的相对横向位移Px,i；
4)将当前纵向速度、当前纵向加速度作为输入，使用Cj对应的纵向位移预测高斯过程回归模型Gj，计算得到车辆在5s后的相对纵向位移Py,j；
5)计算预测横向相对位移Px,i和实际横向相对位移Px,i,r之间的差值ΔPx,i、预测相对纵向位移Py，i和实际纵向相对位移Py,i,r之间的差值ΔPy,i；如果ΔPx,i的绝对值小于1m，ΔPy,i的绝对值小于5m，则表示5s后的车辆位置点预测成功。
10.根据权利要求9所述一种基于模拟驾驶器的车辆位置预测建模方法，其特征在于，每5s进行一次高斯回归模型测试，若预测成功的车辆位置点的比例超过80％，则表示建模得到的12个高斯回归模型共同组成的车辆位置预测模型建模成功，否则重新进行数据分类和建模。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324074.2A CN112308171A (zh) | 2020-11-23 | 2020-11-23 | 一种基于模拟驾驶器的车辆位置预测建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011324074.2A CN112308171A (zh) | 2020-11-23 | 2020-11-23 | 一种基于模拟驾驶器的车辆位置预测建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112308171A true CN112308171A (zh) | 2021-02-02 |
Family
ID=74335437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011324074.2A Pending CN112308171A (zh) | 2020-11-23 | 2020-11-23 | 一种基于模拟驾驶器的车辆位置预测建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308171A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949173A (zh) * | 2021-02-26 | 2021-06-11 | 南京经纬达汽车科技有限公司 | 一种基于K-Medoids和高斯过程回归的路感模拟方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147971A (zh) * | 2011-01-14 | 2011-08-10 | 赵秀江 | 基于视频图像处理技术的交通信息采集系统 |
| CN108550279A (zh) * | 2018-04-03 | 2018-09-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
| CN110006445A (zh) * | 2019-04-26 | 2019-07-12 | 成都乐动信息技术有限公司 | 跑步距离计算方法及装置 |
| CN110111608A (zh) * | 2019-05-15 | 2019-08-09 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
| CN110264721A (zh) * | 2019-07-01 | 2019-09-20 | 北京理工大学 | 一种城市交叉口周边车辆轨迹预测方法 |
| CN110298122A (zh) * | 2019-07-03 | 2019-10-01 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
| CN110304075A (zh) * | 2019-07-04 | 2019-10-08 | 清华大学 | 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法 |
| CN110789528A (zh) * | 2019-08-29 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 |
| US20200172093A1 (en) * | 2018-11-29 | 2020-06-04 | 291, Daehak-ro | Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus |
-
2020
- 2020-11-23 CN CN202011324074.2A patent/CN112308171A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102147971A (zh) * | 2011-01-14 | 2011-08-10 | 赵秀江 | 基于视频图像处理技术的交通信息采集系统 |
| CN108550279A (zh) * | 2018-04-03 | 2018-09-18 | 同济大学 | 基于机器学习的车辆驾驶行为预测方法 |
| US20200172093A1 (en) * | 2018-11-29 | 2020-06-04 | 291, Daehak-ro | Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus |
| CN110006445A (zh) * | 2019-04-26 | 2019-07-12 | 成都乐动信息技术有限公司 | 跑步距离计算方法及装置 |
| CN110111608A (zh) * | 2019-05-15 | 2019-08-09 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
| CN110264721A (zh) * | 2019-07-01 | 2019-09-20 | 北京理工大学 | 一种城市交叉口周边车辆轨迹预测方法 |
| CN110298122A (zh) * | 2019-07-03 | 2019-10-01 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
| CN110304075A (zh) * | 2019-07-04 | 2019-10-08 | 清华大学 | 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法 |
| CN110789528A (zh) * | 2019-08-29 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种车辆行驶轨迹预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 周晨静: "《普通高等教育交通运输类专业系列教材 微观交通仿真理论与实训》", 31 January 2020, 北京：机械工业出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949173A (zh) * | 2021-02-26 | 2021-06-11 | 南京经纬达汽车科技有限公司 | 一种基于K-Medoids和高斯过程回归的路感模拟方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112631246B (zh) | 测试评价信息确定方法、装置、设备及计算机存储介质 | |
| CN113050455A (zh) | 一种用于智能网联汽车的数字孪生测试系统及控制方法 | |
| CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
| CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
| CN106080590A (zh) | 车辆控制方法和装置以及决策模型的获取方法和装置 | |
| CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
| CN112373483B (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
| CN110304068A (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
| Toledo et al. | State dependence in lane-changing models | |
| CN113516846A (zh) | 车辆换道行为预测模型构建、预测预警方法及系统 | |
| CN112288023A (zh) | 基于模拟驾驶器和svm算法的激进驾驶识别的建模方法 | |
| CN112560782A (zh) | 一种基于随机森林算法的车辆换道行为识别方法 | |
| CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 | |
| CN112201070A (zh) | 基于深度学习的自动驾车高速公路瓶颈路段行为决策方法 | |
| CN112308171A (zh) | 一种基于模拟驾驶器的车辆位置预测建模方法 | |
| Jiang et al. | A review of traffic behaviour and intelligent driving at roundabouts based on a microscopic perspective | |
| CN109670085B (zh) | 一种车辆碰撞事故等级的判别方法 | |
| DE102022102501B3 (de) | Verfahren, System und Computerprogrammprodukt zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs | |
| CN114987495A (zh) | 一种面向高度自动驾驶的人机混合决策方法 | |
| CN112937587A (zh) | 基于K-Medoids和分类回归树的路感模拟方法 | |
| CN112373482A (zh) | 一种基于驾驶模拟器的驾驶习惯建模方法 | |
| CN112686127A (zh) | 基于gm-hmm的驾驶员超车意图识别方法 | |
| CN117746639B (zh) | 基于自动驾驶的背景交通流模型构建方法及系统 | |
| CN114169371B (zh) | 车辆换道工况下考虑风险势场分布的驾驶风格分类方法 | |
| CN113673826B (zh) | 基于驾驶人个体因素的行车风险评估方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |