CN112417689A - 人机共驾风险控制建模方法及辅助驾驶方法 - Google Patents

人机共驾风险控制建模方法及辅助驾驶方法 Download PDF

Info

Publication number
CN112417689A
CN112417689A CN202011322088.0A CN202011322088A CN112417689A CN 112417689 A CN112417689 A CN 112417689A CN 202011322088 A CN202011322088 A CN 202011322088A CN 112417689 A CN112417689 A CN 112417689A
Authority
CN
China
Prior art keywords
driving
risk
vehicle
test
machine
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
CN202011322088.0A
Other languages
English (en)
Other versions
CN112417689B (zh
Inventor
蔡锦康
赵蕊
邓伟文
丁娟
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.)
Zhejiang Tianxingjian Intelligent Technology Co ltd
Original Assignee
Zhejiang Tianxingjian Intelligent Technology Co ltd
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 Zhejiang Tianxingjian Intelligent Technology Co ltd filed Critical Zhejiang Tianxingjian Intelligent Technology Co ltd
Priority to CN202011322088.0A priority Critical patent/CN112417689B/zh
Publication of CN112417689A publication Critical patent/CN112417689A/zh
Application granted granted Critical
Publication of CN112417689B publication Critical patent/CN112417689B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W40/00Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W50/00Details 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
    • B60W50/08Interaction between the driver and the control system
    • B60W50/14Means for informing the driver, warning the driver or prompting a driver intervention
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0055Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements
    • G05D1/0061Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with safety arrangements for transition from automatic pilot to manual pilot and vice versa

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于驾驶模拟器的人机共驾风险控制建模方法,以及采用人机共驾风险控制模型进行风险控制的辅助驾驶方法,该建模方法包括以下步骤:进行第一次试验,采集主车速度、风险空间内其他车辆相对于主车的横向距离和纵向距离,以及相对于主车的横向速度和纵向速度;确定安全隐患时间段;计算得到驾驶风险量的风险值;进行第二次试验,设定各个驾驶风险量的隐患阈值,测试人机共驾风险控制模型是否合格,若合格则输出获得的人机共驾风险控制模型。本发明基于驾驶模拟器进行建模,可降低实车测试成本,计算量小,并得到高准确度的人机共驾风险控制模型。采用该模型的辅助驾驶方法,可有效降低车辆人机共驾风险,提升车辆安全性。

Description

人机共驾风险控制建模方法及辅助驾驶方法
技术领域
本发明涉及汽车驾驶安全技术领域,特别涉及一种人机共驾风险控制建模方法及辅助驾驶方法。
背景技术
随着车辆技术与计算机技术的快速融合,智能驾驶技术正在以前所未有的速度快速发展,然而,由于基础设施和计算能力的限制,完全的无人驾驶暂时无法完成大规模商用。在未来的一段时间内,辅助驾驶将是智能驾驶的主要发展领域。
在行车过程中,驾驶员面临来自自身和环境的各种威胁,对驾驶风险进行合理评估是辅助驾驶系统的重要组成部分。模拟驾驶技术是一种可信度较高,能够部分替代实车试验的车辆技术研究方法。随着模拟驾驶技术的不断发展,尤其是在辅助驾驶控制技术开发方面的应用,其正在为汽车产业的智能化发展贡献重要力量。清华大学提出的专利CN201410510188.4、“基于行车风险场的汽车驾驶安全辅助方法”,根据周围环境中的人-车-路各要素对行车风险的综合作用,建立行车风险场统一模型,并计算得到计算自车的行车风险系数,从而对行车路线进行规划,其没有使用模拟驾驶技术进行大范围,多工况的数据采集,且主要使用动能场、势能场和行为场进行行车风险评估,涉及的计算量较大,实际应用潜力有限,且不涉及辅助驾驶与人工驾驶之间的权利分配问题。目前,辅助驾驶技术的发展需要一种计算量小且安全可靠的人机共驾风险建模方法。
发明内容
本发明的主要目的在于提供一种人机共驾风险控制建模方法,以驾驶模拟器试验为基础,建立人机共驾风险控制模型,提升驾驶安全性。本发明的另一目的在于提供一种采用人机共驾风险控制模型进行风险控制的辅助驾驶方法。
为了达到上述目的,本发明提供一种人机共驾风险控制建模方法,包括以下步骤:
进行第一次试验:基于驾驶模拟器的驾驶员在环试验,并全程录像;采集主车速度、风险空间内其他车辆相对于主车的横向距离和纵向距离,以及相对于主车的横向速度和纵向速度;
回放录像,确定安全隐患时间段;
计算得到安全隐患时间段中的各个驾驶风险量的风险值,所述各个驾驶风险量包括自身风险量、纵向风险量和横向风险量;然后得到整个试验过程中的最大自身风险值Vegomax、最大纵向风险值Vxmax、最大横向风险值Vxmin
进行第二次试验:基于驾驶模拟器的驾驶员仿真实验,即测试仿真试验,并全程录像;在测试仿真试验过程中,设定各个驾驶风险量的隐患阈值,若其中一个或多个驾驶风险量的风险值超过隐患阈值,系统则提醒驾驶员当前风险超过阈值,并逐渐削弱驾驶员权限,辅助驾驶系统获得车辆操作权限并控制车辆以降低车辆的驾驶风险;
判断人机共驾风险控制模型是否合格,若合格则输出获得的人机共驾风险控制模型。
进一步地,各个驾驶风险量的风险值通过公式计算得到,且计算公式考虑到交通规则的影响。驾驶风险量包括自身风险量和距离风险量,距离风险量又包括纵向风险量和横向风险量。
自身风险量的计算公式为:
Figure BDA0002793196830000021
式中,mego为主车质量;μego为主车速度;k1为加权系数,主车遵守交通规则时,k1取0.01,否则,取0.1。
纵向风险量的计算公式为:
Figure BDA0002793196830000022
式中,d为主车与其他车辆之间的相对纵向距离;μr为主车相对于其他车辆的速度;k2为加权系数,相关车辆均遵守交通规则时,取值为25,否则取值为50。
横向风险量的计算公式为:
Figure BDA0002793196830000023
式中,h为主车与其他车辆之间的相对横向距离;μr为主车相对于其他车辆的速度;k3为加权系数,相关车辆均遵守交通规则时,取值为75,否则取值为115。
进一步地,在第一次试验中,模拟驾驶器使用1:1道路模型进行仿真试验,所述道路模型包括城市路况、高速路况,两种路况试验时间比例为2:1,总试验时长不小于20小时,采样频率为10Hz。
进一步地,在第二次试验中,即测试仿真试验时的路况与第一次试验相同。
进一步地,所述风险空间为主车所在车道及其相邻车道前后200m的空间范围。
在测试仿真试验中,将各个驾驶风险量的最大风险值的0.8倍作为各个风险值的隐患阈值。
进一步地,在测试仿真试验中,驾驶模拟系统削弱驾驶员权限的过程为线性过程,驾驶模拟系统分配给辅助驾驶系统的操作权限计算公式为:
Pm=(V-0.8Vmax)/0.2Vmax·100%
式中,Vmax为相关风险值的最大值。
进一步地,在一具体实施例中,判断模型是否合格时,若测试仿真试验中的交通事故数量减少10%以上或安全隐患时间段总时长减少20%以上则认为驾驶风险建模方法合格。本发明中,安全隐患时间段通过安全专家认定的方式来确定。
进一步地,辅助驾驶系统获取驾驶权后,通过控制车辆以首先降低各个驾驶风险量中较大的驾驶风险量,从而使车辆快速进入安全状态。
本发明还提供一种辅助驾驶方法,辅助驾驶系统基于上述建模方法获得的人机共驾风险控制模型进行风险控制,根据预设的各个驾驶风险量的隐患阈值,车辆行驶过程中,若其中一个或多个驾驶风险量的风险值超过隐患阈值,车辆控制系统则提醒驾驶员当前风险超过阈值,并逐渐削弱驾驶员权限,辅助驾驶系统获取驾驶权后,通过控制车辆以首先降低各个驾驶风险量中较大的驾驶风险量至隐患阈值以下,从而使车辆快速进入安全状态。
在一具体实施例中,当自身风险量超过隐患阈值时,辅助驾驶系统在保证前后车距处于安全范围之内的前提下主动制动并变道至低速车道,从而将自身风险量降低至自身风险量的隐患阈值以下,然后逐渐将车辆控制权交还给驾驶员。
由于采用上述技术方案,本发明达到以下技术效果:本发明的人机共驾风险控制建模方法运用驾驶模拟器进行模拟驾驶试验,能够降低实车试验成本,且采用多个风险量判别隐患工况,考虑范围较广,计算量较小,可信度较高;本发明的辅助驾驶方法基于人机共驾风险控制模型进行风险控制,更加安全可靠,应用范围更广,提升了车辆行驶的安全性。
附图说明
图1为根据本发明人机共驾风险控制建模方法的流程示意图。
图2为根据本发明的辅助驾驶方法的工作流程示意图。
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。
如图1所示,本实施例提供的一种人机共驾风险控制建模方法,包括如下步骤:
S1.进行第一次试验:
第一次模拟驾驶试验采用基于驾驶模拟器的驾驶员在环试验,并全程录像;采集主车速度、风险空间内各个车辆相对于主车的横向距离和纵向距离,以及相对于主车的横向速度和纵向速度。试验使用1:1道路模型进行仿真试验,包括城市路况、高速路况,两种工况试验时间比例为2:1,总试验时长不小于20小时,采样频率为10Hz。采集的数据仅包括风险空间内的相关数据。风险空间为主车所在车道及其相邻车道前后200m的空间范围,在风险空间内的相关车辆是采集试验数据的对象。
S2.确定隐患时间段
回放试验录像,根据安全专家建议确定安全隐患时间段。
S3.计算驾驶风险量和隐患阈值
计算驾驶风险量时需要计算的风向量包括自身风险量、距离风险量且考虑交通规则的影响。
自身风险量的计算公式为:
Figure BDA0002793196830000041
式中,mego为主车质量;μego为主车速度;k1为加权系数,主车遵守交通规则时,k1取0.01,否则,取0.1。
距离的风险量包括横向风险量和纵向风向量,计算公式如下:
纵向风险量为:
Figure BDA0002793196830000042
式中,d为主车与其他车辆之间的相对纵向距离;μr为主车相对于其他车辆的速度;k2为加权系数,相关车辆均遵守交通规则时,取值为25,否则取值为50。
横向风险量为:
Figure BDA0002793196830000051
式中,h为主车与其他车辆之间的相对横向距离;μr为主车相对于其他车辆的速度;k3为加权系数,相关车辆均遵守交通规则时,取值为75,否则取值为115。
计算驾驶风险量时,主要计算由安全专家认定的安全隐患时间段中的相关风险值,并最终得到整个试验过程中的最大自身风险值Vegomax、最大纵向风险值Vxmax、最大横向风险值Vxmin,这些风险值的0.8倍即为相关隐患阈值。
S4进行第二次试验
第二次试验为测试仿真试验,在测试仿真试验中,将各个驾驶风险量的最大风险值的0.8倍视为各个风险值的隐患阈值。在测试仿真试验过程中,若某一风险值超过隐患阈值则提醒驾驶员当前风险超过阈值,驾驶模拟系统将逐渐削弱驾驶员权限。削弱过程为线性过程,系统分配给辅助驾驶系统的操作权限计算公式为:
Pm=(V-0.8Vmax)/0.2Vmax·100%
式中,Vmax为相关风险值的最大值。
辅助驾驶系统获取驾驶权后,通过控制车辆以首先降低各个驾驶风险量中较大的驾驶风险量,从而使车辆快速进入安全状态。
S5判断建模是否合格
根据测试仿真试验的交通事故减少比例或安全隐患时段的总时长减少比例判断人机共驾风险控制模型是否合格。若测试仿真试验中的交通事故减少10%以上或安全专家认定为安全隐患时间段总时长减少20%以上则认为驾驶风险建模方法合格,输出得到的人机共驾风险控制模型。若模型不合格,则返回S1。
如图2所示,其表示运用本发明所获得的人机共驾风险模型进行风险控制的辅助驾驶方法的工作流程图,包括如下步骤:
S101检测相关风险值
计算主车在风险空间内的各个驾驶风险量,如果自身风险量、横向风险量和纵向风险量中有一个或多个超出预设的隐患阈值范围,则进行S102,否则进行S105。
S102逐渐增大辅助驾驶权限
根据以下公式逐渐增大辅助驾驶权限。
Pm=(V-0.8Vmax)/0.2Vmax·100%
式中,Vmax为相关风险值的最大值。
S103降低相关风险值
辅助驾驶系统帮助车辆逐渐降低超出隐患阈值的相关风险值。当多个驾驶风险量都超出相关隐患阈值时,首先降低各个驾驶风险量中较大的驾驶风险量,从而使车辆快速进入安全状态。
S104判断风险值是否低于隐患阈值
若车辆的自身风险量、横向风险量和纵向风险量均低于隐患阈值,则进行S105,否则执行S103。
S105交换驾驶权
辅助驾驶系统将驾驶权交还驾驶员,进入人工驾驶模式。譬如,在本实施例中,当仅有自身风险量超过隐患阈值时,辅助驾驶系统在保证前后车距处于安全范围之内的前提下主动制动并变道至低速车道,从而将自身风险量降低至自身风险量的隐患阈值以下,然后逐渐将车辆控制权交还给驾驶员。在其他实施例中,若距离风险量也超过隐患阈值,在自身风险量和距离风险量都降低至隐患阈值以下后,辅助驾驶系统才逐渐将车辆控制权交还给驾驶员。
本发明基于模拟驾驶器试验采集数据,建模过程成本较低,计算量小,且可以获得可信度较高的人机共驾风险控制模型。通过该建模方法获得的人机共驾风险控制模型,运用于辅助驾驶系统后,可有效降低人机共驾的驾驶风险,提升车辆的安全性。
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)

1.一种人机共驾风险控制建模方法,其特征在于,包括以下步骤:
进行第一次试验:基于驾驶模拟器的驾驶员在环试验,并全程录像;采集主车速度、风险空间内其他车辆相对于主车的横向距离和纵向距离,以及相对于主车的横向速度和纵向速度;
回放录像,确定安全隐患时间段;
计算得到安全隐患时间段中的各个驾驶风险量的风险值,所述各个驾驶风险量包括自身风险量、纵向风险量和横向风险量;得到整个试验过程中的最大自身风险值Vegomax、最大纵向风险值Vxmax、最大横向风险值Vxmin
进行第二次试验:基于驾驶模拟器的驾驶员仿真实验,即测试仿真试验,并全程录像;设定各个驾驶风险量的隐患阈值,若其中一个或多个驾驶风险量的风险值超过隐患阈值,系统则提醒驾驶员当前风险超过阈值,并逐渐削弱驾驶员权限,辅助驾驶系统获得车辆操作权限并控制车辆以降低车辆的驾驶风险;
判断人机共驾风险控制模型是否合格,若合格则输出获得的人机共驾风险控制模型。
2.根据权利要求1所述人机共驾风险控制建模方法,其特征在于,其中:
自身风险量的计算公式为:
Figure FDA0002793196820000011
式中,mego为主车质量;μego为主车速度;k1为加权系数,主车遵守交通规则时,k1取0.01,否则,取0.1;
纵向风险量的计算公式为:
Figure FDA0002793196820000012
式中,d为主车与其他车辆之间的相对纵向距离;μr为主车相对于其他车辆的速度;k2为加权系数,相关车辆均遵守交通规则时,取值为25,否则取值为50;
横向风险量的计算公式为:
Figure FDA0002793196820000013
式中,h为主车与其他车辆之间的相对横向距离;μr为主车相对于其他车辆的速度;k3为加权系数,相关车辆均遵守交通规则时,取值为75,否则取值为115。
3.根据权利要求1所述一种人机共驾风险控制建模方法,其特征在于,在第一次试验中,模拟驾驶器使用1:1道路模型进行仿真试验,所述道路模型包括城市路况、高速路况,两种路况试验时间比例为2:1,总试验时长不小于20小时,采样频率为10Hz。
4.根据权利要求1或3所述人机共驾风险控制建模方法,其特征在于,在第二次试验中,试验路况与第一次试验相同。
5.根据权利要求1所述人机共驾风险控制建模方法,其特征在于,所述风险空间为主车所在车道及其相邻车道前后200m的空间范围。
6.根据权利要求2所述人机共驾风险控制建模方法,其特征在于,在测试仿真试验中,将各个驾驶风险量的最大风险值的0.8倍作为各个风险值的隐患阈值。
7.根据权利要求2或6所述人机共驾风险控制建模方法,其特征在于,驾驶模拟系统削弱驾驶员权限的过程为线性过程,驾驶模拟系统分配给辅助驾驶系统的操作权限计算公式为:
Pm=(V-0.8Vmax)/0.2Vmax·100%
式中,Vmax为相关风险值的最大值。
8.根据权利要求1所述人机共驾风险控制建模方法,其特征在于,判断模型是否合格时,若测试仿真试验中的交通事故数量减少10%以上或安全隐患时间段总时长减少20%以上则认为所获得的人机共驾风险控制模型合格。
9.一种辅助驾驶方法,其特征在于,辅助驾驶系统采用如权利要求1-8任一所述人机共驾风险控制模型进行风险控制,根据预设的各个驾驶风险量的隐患阈值,车辆行驶过程中,若其中一个或多个驾驶风险量的风险值超过隐患阈值,车辆控制系统则提醒驾驶员当前风险超过阈值,并逐渐削弱驾驶员权限,辅助驾驶系统获取驾驶权后,通过控制车辆以首先降低各个驾驶风险量中较大的驾驶风险量至隐患阈值以下,从而使车辆快速进入安全状态。
10.根据权利要求9所述一种基于驾驶模拟器的人机共驾风险建模方法,其特征在于,当自身风险量超过隐患阈值时,辅助驾驶系统在保证前后车距处于安全范围之内的前提下主动制动并变道至低速车道,从而将自身风险量降低至自身风险量的隐患阈值以下,然后逐渐将车辆控制权交还给驾驶员。
CN202011322088.0A 2020-11-23 2020-11-23 人机共驾风险控制建模方法及辅助驾驶方法 Active CN112417689B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011322088.0A CN112417689B (zh) 2020-11-23 2020-11-23 人机共驾风险控制建模方法及辅助驾驶方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011322088.0A CN112417689B (zh) 2020-11-23 2020-11-23 人机共驾风险控制建模方法及辅助驾驶方法

Publications (2)

Publication Number Publication Date
CN112417689A true CN112417689A (zh) 2021-02-26
CN112417689B CN112417689B (zh) 2023-09-26

Family

ID=74777918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011322088.0A Active CN112417689B (zh) 2020-11-23 2020-11-23 人机共驾风险控制建模方法及辅助驾驶方法

Country Status (1)

Country Link
CN (1) CN112417689B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114469097A (zh) * 2021-12-13 2022-05-13 同济大学 一种人机共驾接管状态测试方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118656A (ja) * 2002-09-27 2004-04-15 Nissan Motor Co Ltd 車両用運転操作補助装置、車両用運転操作補助方法、およびその方法を適用した車両
CN108819951A (zh) * 2018-07-27 2018-11-16 重庆大学 一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法
FR3073191A1 (fr) * 2017-11-08 2019-05-10 Preventium.Fr Procede et dispositif de prevention de risques routiers
CN110949407A (zh) * 2019-12-25 2020-04-03 清华大学 基于驾驶员实时风险响应的动态人机共驾驾驶权分配方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004118656A (ja) * 2002-09-27 2004-04-15 Nissan Motor Co Ltd 車両用運転操作補助装置、車両用運転操作補助方法、およびその方法を適用した車両
FR3073191A1 (fr) * 2017-11-08 2019-05-10 Preventium.Fr Procede et dispositif de prevention de risques routiers
CN108819951A (zh) * 2018-07-27 2018-11-16 重庆大学 一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法
CN110949407A (zh) * 2019-12-25 2020-04-03 清华大学 基于驾驶员实时风险响应的动态人机共驾驾驶权分配方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114469097A (zh) * 2021-12-13 2022-05-13 同济大学 一种人机共驾接管状态测试方法
CN114469097B (zh) * 2021-12-13 2023-08-29 同济大学 一种人机共驾接管状态测试方法

Also Published As

Publication number Publication date
CN112417689B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN104859650B (zh) 一种多时间尺度的车辆横摆稳定性滚动优化控制方法
CN110155046A (zh) 自动紧急制动分级控制方法与系统
Moridpour et al. Modeling the lane-changing execution of multiclass vehicles under heavy traffic conditions
DE102012216115A1 (de) Ein Fahrzeug und Verfahren zum Schätzen einer Reichweite für das Fahrzeug
CN102622516A (zh) 面向道路安全评价的微观交通流仿真方法
CN205573939U (zh) 一种基于前向车辆驾驶人驾驶行为的前向避撞系统
CN110239556B (zh) 一种驾驶员即时操控能力感知方法
CN110341712A (zh) 一种自动驾驶换道意图识别系统及其方法
CN110161865A (zh) 一种基于非线性模型预测控制的智能车换道轨迹规划方法
Xie et al. Aerodynamic-aware coordinated control of following speed and power distribution for hybrid electric trucks
CN112950811B (zh) 融合整车安全的新能源汽车区域运行风险评估及预警系统
CN104331611A (zh) 强侧向风作用下的公路车辆行驶危险态势预警方法及系统
Wang et al. Research on driving behavior decision making system of autonomous driving vehicle based on benefit evaluation model.
CN113635897A (zh) 一种基于风险场的安全驾驶预警方法
Oikonomou et al. Impacts of autonomous shuttle services on traffic, safety and environment for future mobility scenarios
CN115257789A (zh) 城市低速环境下的营运车辆侧向防撞驾驶决策方法
CN112417689A (zh) 人机共驾风险控制建模方法及辅助驾驶方法
Zhu et al. A lane-changing decision-making method for intelligent vehicle based on acceleration field
Bi et al. Inferring driver intentions using a driver model based on queuing network
Li et al. A comparative study of energy-oriented driving strategy for connected electric vehicles on freeways with varying slopes
CN109733350A (zh) 基于多模型控制的拖挂式房车制动力控制系统及方法
Feng et al. Modelling and simulation for safe following distance based on vehicle braking process
CN116588123A (zh) 基于安全势场模型的风险感知的预警策略方法
Mihály et al. Analysis of driver behavior related to look-ahead control
Xin et al. Research on key technologies of driving intention identification for commercial vehicle based on HMM-SVM

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