CN112428997A - 一种基于风险动态平衡的车辆跟驰模型 - Google Patents

一种基于风险动态平衡的车辆跟驰模型 Download PDF

Info

Publication number
CN112428997A
CN112428997A CN202011347316.XA CN202011347316A CN112428997A CN 112428997 A CN112428997 A CN 112428997A CN 202011347316 A CN202011347316 A CN 202011347316A CN 112428997 A CN112428997 A CN 112428997A
Authority
CN
China
Prior art keywords
vehicle
risk
longitudinal
time
following
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
CN202011347316.XA
Other languages
English (en)
Other versions
CN112428997B (zh
Inventor
鲁光泉
谭海天
李伊琳
陈发城
丁川
刘淼淼
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202011347316.XA priority Critical patent/CN112428997B/zh
Publication of CN112428997A publication Critical patent/CN112428997A/zh
Application granted granted Critical
Publication of CN112428997B publication Critical patent/CN112428997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
    • 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
    • B60W40/00—Estimation 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
    • B60W40/10—Estimation 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 related to vehicle motion
    • B60W40/105—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (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风险动态平衡的车辆跟驰模型，用于拟合车辆跟驰运动过程，并能为自适应巡航控制系统和自动驾驶系统的车辆跟驰系统提供理论基础和算法支持。本发明基于前车运动状态构建前车纵向风险场，通过考虑后车在前车风险场中的位置，量化跟驰过程中后车承受的风险值，并基于风险动态平衡理论计算后车的驾驶行为，进而构建了一种基于风险动态平衡理论的车辆跟驰模型。与已有模型相比，本发明量化了跟驰过程中后车承受的风险值。并且，基于风险动态平衡理论构建的跟驰模型能够有效的解释跟驰行为。同时，本发明能够以较高的精度拟合跟驰过程，且与GHR等模型相比，能够有效拟合车辆的停车起步过程。

Description

一种基于风险动态平衡的车辆跟驰模型
技术领域
本发明涉及交通安全领域，特别是一种基于风险动态平衡的车辆跟驰模型。
背景技术
近年来，随着我国汽车产业及运输业的快速发展，我国道路交通安全面临着严峻的挑战。已有数据表明，追尾事故占高速公路交通事故总数的30％左右，是高速公路交通事故的主要类型。同时也有研究表明80％以上的交通事故是由于驾驶人的不当行为造成的。而车辆跟驰模型可以揭示车辆跟驰的机理，分析驾驶人行为造成的影响，同时也能为自适应巡航控制系统和自动驾驶系统的车辆跟驰系统提供理论基础和算法支持,避免由人因导致的追尾事故。因此，很多研究学者对车辆跟驰模型进行了一系列的研究。
在1953年，车辆跟驰的概念首先由Pipes提出。在此之后，Chandler等人提出了一种建立在驾驶人直觉驾驶基础上的刺激-反应车辆跟驰模型，模型把两车的相对速度作为唯一的刺激量。针对Chandler等人提出的跟驰模型忽视了车辆速度和车间距离两个因素的问题，Gazis等人把刺激参数从单一的相对速度延伸到速度、相对速度和相对车间距，提出了著名的GHR模型。随后，有一系列的学者对GHR模型进行了调整和优化。同时，随着刺激－反应理论的发展，1995年Bando等人又从另一个刺激角度提出了一个最优速度(optimalvelocity,OV)模型，模型任务驾驶人会会根据两车间距确定一个优化的速度目标，进而调整车速。Helbing和Tilch在OV模型的基础上考虑了两车的速度差，提出了广义力(Generalized Force,GF)跟车模型。针对GF模型中加减速速率不合理的情况，Jiang等人考虑了正负速度差，扩展了GF模型，并将该模型成为全速差(Full velocity difference,FVD)模型，该模型能够有效结合OV模型和GJ模型的优点。
然而，尽管大多数构建的车辆跟驰模型在确定的实际场景中能够有效模拟车辆跟驰行为，但是对车辆以某种方式进行跟驰的原因仍不清楚。进而，Wilde提出的风险动态平衡理论(Risk Homeostasis Theory,RHT)认为，驾驶人通过比较其期望风险与其驾驶行为带来的风险来改变其当前的驾驶行为。然而，虽然RHT能够有效的解释跟驰行为，但是如何量化跟驰过程中，后车驾驶人承受的风险是其应用于跟驰模型的关键问题。因此，本发明基于前车运动状态量化了前车纵向风险，构建了前车纵向风险场模型，通过考虑后车在前车纵向风险场中的位置，量化后车跟驰过程中承受的风险，并通过计算期望风险对应的位置计算后车跟驰行为，构建了一种基于风险动态平衡的车辆跟驰模型。
发明内容
针对现有模型存在的不足，本发明旨在提供一种能够量化跟驰过程中后车承受风险并以该风险确定后车跟驰行为的基于风险动态平衡的车辆跟驰模型，该模型具体包括如下步骤：
步骤1，基于车辆纵向风险场模型，结合前车运动状态，在平行于车辆的平面坐标系中构建前车纵向风险场；
步骤2，基于前车当前时刻运动状态完成预瞄时刻前车纵向风险场的预测；
步骤3，基于后车期望风险和通过步骤2获得的预瞄时刻前车纵向风险场确定后车期望风险对应位置；
步骤4，基于后车当前位置和通过步骤3获得的后车期望风险对应的位置计算后车加速度；
进一步地，步骤1所述的“前车纵向风险场”的构建是基于车辆纵向风险场模型，并将前车的位置和前车的速度代入其中：
Figure BDA0002800220080000021
式中：c1为与速度有关的风险系数，c2为与距离有关的风险系数，x为纵向上任意一点的纵向位置，LL为前车的车长，xL(t)为前车在t时刻的纵向位置，vL,x(t)为前车在t时刻的纵向速度；
进一步地，步骤2所述的“前车纵向风险场”的预测包括如下步骤：
步骤21，假定前车保持匀速进行，进而通过匀速运动的计算公式，预测预瞄时刻前车位置：
xL(t+T)＝xL(t)+vL,x(t)·T
步骤22，将步骤21中预测得到的预瞄时刻前车位置代入到前车纵向风险场模型中，计算预瞄时刻前车纵向风险场:
Figure BDA0002800220080000022
式中：c1为与速度有关的风险系数，c2为与距离有关的风险系数，x为纵向上任意一点的纵向位置，LL为前车的车长，T为预瞄的时间长度，xL(t+T)为在t时刻预测前车在t+T时刻的纵向位置，vL,x(t)为前车在t时刻的纵向速度；
进一步地，步骤3所述的“后车期望风险对应位置”的获得包括如下步骤：
步骤31，基于预瞄时刻前车纵向风险场，确定前车纵向风险场中等于期望风险位置，同时，为了满足车辆跟驰的基本要求，该位置需要位于前车的后方：
RL(x0,t+T)＝R0
Figure BDA0002800220080000023
步骤32，基于前车纵向风险场中等于期望风险位置确定后车期望风险对应位置，由于后车承受风险的最大值位于后车车前端，因此，后车车辆前端位置为预瞄时刻期望风险对应位置，进而计算对应的后车中心位置：
Figure BDA0002800220080000031
式中，R0为后车的期望风险，x0为前车纵向风险场中等于期望风险的纵向位置，LL为前车的车长，LF为后车的车长，T为预瞄的时间长度，xL(t+T)为在t时刻预测前车在t+T时刻的纵向位置，xF(t+T)为在t+T时刻后车期望风险对应的纵向位置，x0为前车纵向风险场中等于期望风险的纵向位置；
进一步地，步骤4所述的“后车加速度”通过如下公式进行计算，在这里设置为后车进行均加速运动，并且后车的纵向加速度需要满足最大最小纵向加速度的限制：
Figure BDA0002800220080000032
aF,x(t)＝min(aF,x(t),ax,max)aF,x(t)≥ax,max
aF,x(t)＝max(aF,x(t),ax,min)aF,x(t)＜ax,min
式中，T为预瞄的时间长度，aF,x(t)为后车t时刻的纵向加速度，xF(t+T)为在t+T时刻后车期望风险对应的纵向位置，xF(t)为后车在t时刻的纵向位置，vF,x(t)为后车在t时刻的纵向速度，(ax,max,ax,min)分别为车辆的最大纵向加速度和最小纵向加速度。
与现有技术相比，本发明有益效果在于：基于前车运动状态构建了前车纵向风险场模型，量化了跟驰过程中后车承受的风险值。因此，在此基础上，基于风险动态平衡理论构建的跟驰模型能够有效的解释跟驰行为。除此之外，本发明能够以较高的精度拟合跟驰过程，且与GHR等模型相比，能够有效拟合车辆的停车起步过程。
附图说明
图1为本发明实施例中车辆跟驰运动及坐标系示意图；
图2为本发明实施例中前车速度为10m/s时纵向风险场平面示意图；
图3为本发明实施例中前车速度为10m/s时纵向风险场与距离的变化曲线；
图4为本发明实施例中前车纵向风险场的时空分布图；
图5为本发明实施例中后车速度的拟合效果图；
图6为本发明实施例中两车车间距的拟合效果图；
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本实施例所提供的一种基于风险动态平衡的车辆跟驰模型包括以下步骤：
步骤1，基于车辆纵向风险场模型，结合前车运动状态，在如图1所示的坐标系中构建前车纵向风险场。同时，在前车速度为10m/s的情况下，前车纵向风险场平面示意图如图2所示，其纵向风险场与距离的变化曲线如图3所示；
步骤2，基于前车当前时刻运动状态完成预瞄时刻前车纵向风险场的预测；
步骤3，基于后车期望风险和通过步骤2获得的预瞄时刻前车纵向风险场确定后车期望风险对应位置；
步骤4，基于后车当前位置和通过步骤3获得的后车期望风险对应的位置计算后车加速度；
在一个实施例中，步骤2所述的“前车纵向风险场”的预测包括如下步骤：
步骤21，假定前车保持匀速进行，进而通过匀速运动的计算公式，预测预瞄时刻前车位置。同时，基于已有文献研究，预瞄时间的推荐值为：
T＝1.5s
因此，预瞄时刻前车位置计算公式如下：
xL(t+T)＝xL(t)+1.5·vL,x(t)
步骤22，将步骤21中预测得到的预瞄时刻前车位置代入到前车纵向风险场模型中，计算预瞄时刻前车纵向风险场。同时，在这里提供模型参数的推荐值：
c1＝0.85
c2＝1.32
并且，在该实施例中，前车车辆长度为：
LL＝4m
因此，预瞄时刻前车纵向风险模型为:
Figure BDA0002800220080000041
式中：c1为与速度有关的风险系数，c2为与距离有关的风险系数，x为纵向上任意一点的纵向位置，T为预瞄的时间长度，LL为前车的车长，xL(t+T)为在t时刻预测前车在t+T时刻的纵向位置，vL,x(t)为前车在t时刻的纵向速度；
在一个实施例中，步骤3所述的“后车期望风险对应位置”的获得包括如下步骤：
步骤31，基于预瞄时刻前车纵向风险场，确定前车纵向风险场中等于期望风险位置，由于，为了满足车辆跟驰的基本要求，该位置需要位于前车的后方。同时，在这里提供模型参数的推荐值：
R0＝0.285
并且，在该实施例中，前车车辆长度为：
LL＝4m
因此，通过下述公式确定前车纵向风险场中等于期望风险位置：
RL(x0,t+T)＝0.285
x0＜xL(t+T)-2
步骤32，基于前车纵向风险场中等于期望风险位置确定后车期望风险对应位置，由于后车承受风险的最大值位于后车车前端，因此，后车车辆前端位置为预瞄时刻期望风险对应位置，进而计算对应的后车中心位置。
同时，在该实施例中，后车车辆车长为：
LF＝4m
因此，后车中心期望到达的位置为：
xF(t+T)＝x0-2
式中，R0为后车的期望风险，x0为前车纵向风险场中等于期望风险的纵向位置，LL为前车的车长，LF为后车的车长，T为预瞄的时间长度，xL(t+T)为在t时刻预测前车在t+T时刻的纵向位置，xF(t+T)为在t+T时刻后车期望风险对应的纵向位置，x0为前车纵向风险场中等于期望风险的纵向位置；
在一个实施例中，步骤4所述的“后车加速度”通过如下公式进行计算，在这里设置为后车进行均加速运动，并且后车的纵向加速度需要满足最大最小纵向加速度的限制。并且，在这里提供模型参数的推荐值：
T＝1.5s
ax,max＝4m/s2
ax,min＝-8m/s2
因此，后车加速度的预测公式为：
Figure BDA0002800220080000051
aF,x(t)＝min(aF,x(t),4)aF,x(t)≥4
aF,x(t)＝max(aF,x(t),-8)aF,x(t)＜-8
式中，T为预瞄的时间长度，aF,x(t)为后车t时刻的纵向加速度，xF(t+T)为在t+T时刻后车期望风险对应的纵向位置，xF(t)为后车在t时刻的纵向位置，vF,x(t)为后车在t时刻的纵向速度，(ax,max,ax,min)分别为车辆的最大纵向加速度和最小纵向加速度。
在一个实施例中，后车在前车的纵向风险场中的时空轨迹如图4所示，图中细黑线为后车纵向的时空轨迹。为了体现本发明的拟合效果，对整个案例后车运动状态进行拟合。因此，对后车运动状态按照如下公式进行更新，其中Δt为拟合数据的间隔，取为0.1s：
vF,x(t+Δt)＝vF,x(t)+aF,x(t)·Δt
Figure BDA0002800220080000061
式中，Δt为拟合数据间隔，aF,x(t)为后车t时刻的纵向加速度，vF,x(t)为后车在t时刻的纵向速度，xF(t)为后车在t时刻的纵向位置。
通过本发明对后车纵向速度拟合的效果图如图5所示，其均方根误差为0.9；对两车车间距拟合的效果图如图6所示，其均方根误差为4.0。该拟合效果表明，本发明能够有效拟合跟驰过程中后车的运动状态，并能够在停车起步的特殊场景中依旧适用。
上述各实施例仅用于说明本发明，其中方法的各个步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (5)

1.一种基于风险动态平衡的车辆跟驰模型，其特征在于，包括如下步骤：
步骤1，基于车辆纵向风险场模型，结合前车运动状态构建前车纵向风险场；
步骤2，基于前车当前时刻运动状态完成预瞄时刻前车纵向风险场的预测；
步骤3，基于后车期望风险和通过步骤2获得的预瞄时刻前车纵向风险场确定后车期望风险对应位置；
步骤4，基于后车当前位置和通过步骤3获得的后车期望风险对应的位置计算后车加速度。
2.根据权利要求1所述的基于风险动态平衡的车辆跟驰模型，其特征在于，步骤1所述的“前车纵向风险场”的构建为，将前车的位置和前车的速度代入到车辆纵向风险场模型中：
Figure FDA0002800220070000011
式中：c1为与速度有关的风险系数，c2为与距离有关的风险系数，x为纵向上任意一点的纵向位置，LL为前车的车长，xL(t)为前车在t时刻的纵向位置，vL,x(t)为前车在t时刻的纵向速度。
3.根据权利要求1所述的基于风险动态平衡的车辆跟驰模型，其特征在于，步骤2所述的“前车纵向风险场”的预测包括如下步骤：
步骤21，预测预瞄时刻前车纵向位置：
xL(t+T)＝xL(t)+vL,x(t)·T
步骤22，计算预瞄时刻前车纵向风险场:
Figure FDA0002800220070000012
式中：c1为与速度有关的风险系数，c2为与距离有关的风险系数，x为纵向上任意一点的纵向位置，T为预瞄的时间长度，LL为前车的车长，xL(t+T)为在t时刻预测前车在t+T时刻的纵向位置，vL,x(t)为前车在t时刻的纵向速度。
4.根据权利要求1所述的基于风险动态平衡的车辆跟驰模型，其特征在于，步骤3所述的“后车期望风险对应位置”的获得包括如下步骤：
步骤31，基于预瞄时刻前车纵向风险场，确定前车纵向风险场中等于期望风险位置：
RL(x0,t+T)＝R0
Figure FDA0002800220070000021
步骤32，基于前车纵向风险场中等于期望风险位置确定后车期望风险对应位置：
Figure FDA0002800220070000022
式中，R0为后车的期望风险，x0为前车纵向风险场中等于期望风险的纵向位置，LL为前车的车长，LF为后车的车长，T为预瞄的时间长度，xL(t+T)为在t时刻预测前车在t+T时刻的纵向位置，xF(t+T)为在t+T时刻后车期望风险对应的纵向位置，x0为前车纵向风险场中等于期望风险的纵向位置。
5.根据权利要求1所述的基于风险动态平衡的车辆跟驰模型，其特征在于，步骤4所述的“后车加速度”通过如下公式进行计算：
Figure FDA0002800220070000023
aF,x(t)＝min(aF,x(t),ax,max) aF,x(t)≥ax,max
aF,x(t)＝max(aF,x(t),ax,min) aF,x(t)＜ax,min
式中，T为预瞄的时间长度，aF,x(t)为后车t时刻的纵向加速度，xF(t+T)为在t+T时刻后车期望风险对应的纵向位置，xF(t)为后车在t时刻的纵向位置，vF,x(t)为后车在t时刻的纵向速度，(ax,max,ax,min)分别为车辆的最大纵向加速度和最小纵向加速度。
CN202011347316.XA 2020-11-26 2020-11-26 一种基于风险动态平衡的车辆跟驰模型 Active CN112428997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011347316.XA CN112428997B (zh) 2020-11-26 2020-11-26 一种基于风险动态平衡的车辆跟驰模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011347316.XA CN112428997B (zh) 2020-11-26 2020-11-26 一种基于风险动态平衡的车辆跟驰模型

Publications (2)

Publication Number Publication Date
CN112428997A true CN112428997A (zh) 2021-03-02
CN112428997B CN112428997B (zh) 2021-10-01

Family

ID=74697801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011347316.XA Active CN112428997B (zh) 2020-11-26 2020-11-26 一种基于风险动态平衡的车辆跟驰模型

Country Status (1)

Country Link
CN (1) CN112428997B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102991498A (zh) * 2011-12-19 2013-03-27 王晓原 基于多源信息融合的驾驶员跟驰行为模型
CN106407563A (zh) * 2016-09-20 2017-02-15 北京工业大学 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法
CN107554524A (zh) * 2017-09-12 2018-01-09 北京航空航天大学 一种基于主观危险感知的跟驰模型稳定性控制方法
CN108573601A (zh) * 2018-03-26 2018-09-25 同济大学 一种基于wim数据的交通安全风险场构建方法
WO2020007215A1 (zh) * 2018-07-06 2020-01-09 同济大学 一种基于车辆行为调整模型的用于最佳跟驰车距计算的曲线拟合建模方法
CN110979309A (zh) * 2019-12-23 2020-04-10 北京航空航天大学 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102991498A (zh) * 2011-12-19 2013-03-27 王晓原 基于多源信息融合的驾驶员跟驰行为模型
CN106407563A (zh) * 2016-09-20 2017-02-15 北京工业大学 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法
CN107554524A (zh) * 2017-09-12 2018-01-09 北京航空航天大学 一种基于主观危险感知的跟驰模型稳定性控制方法
CN108573601A (zh) * 2018-03-26 2018-09-25 同济大学 一种基于wim数据的交通安全风险场构建方法
WO2020007215A1 (zh) * 2018-07-06 2020-01-09 同济大学 一种基于车辆行为调整模型的用于最佳跟驰车距计算的曲线拟合建模方法
CN110979309A (zh) * 2019-12-23 2020-04-10 北京航空航天大学 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余朝蓬、王营、高峰: "车辆跟驰安全距离的区间分析方法", 《农业机械学报》 *

Also Published As

Publication number Publication date
CN112428997B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN110155046B (zh) 自动紧急制动分级控制方法与系统
JP5195929B2 (ja) 隊列走行制御システム及び車両
CN109501799B (zh) 一种车联网条件下的动态路径规划方法
CN110001647B (zh) 车辆触发变道方法、系统及计算机可读存储介质
CN107067753B (zh) 一种基于行车安全距离的跟车自动驾驶方法
CN113799800B (zh) 一种无人驾驶车辆自动换道超车轨迹规划方法
CN112061106B (zh) 自动驾驶控制方法、装置、车辆和存储介质
CN112530201B (zh) 一种智能车交叉口右转换道间隙选择方法及装置
KR20170005065A (ko) 이동 경로를 따라 차량이 주행하는 중에 차량의 가속을 수정하기 위한 시스템 및 방법
CN112164217B (zh) 一种自动驾驶车辆队列行驶管理系统及其控制方法
CN110040138A (zh) 一种车辆并行辅助驾驶方法和系统
CN115662131B (zh) 网联环境下道路事故路段的多车道协同换道方法
CN114355896A (zh) 一种智能网联队列内车辆换道安全间距确定方法
CN114299755A (zh) 一种智能网联队列换道方法
CN113359483A (zh) 一种基于非奇异快速终端滑模控制的车辆协同控制方法
CN113823076B (zh) 一种基于联网车辆协调控制的即停即走路段缓堵方法
CN112731806B (zh) 智能网联汽车随机模型预测控制实时性优化方法
CN110920623B (zh) 自动驾驶中车辆变道至目标车道前车之后的预测方法
CN112428997B (zh) 一种基于风险动态平衡的车辆跟驰模型
CN111537236B (zh) 一种交通拥堵辅助系统测试方法
WO2021109163A1 (zh) 用于车辆自动驾驶的数据处理方法
CN112542061A (zh) 基于车联网的借道超车控制方法、装置、系统及存储介质
CN115131959B (zh) 车辆队列防追尾主动避撞协同控制方法
CN113830084B (zh) 基于多车道车辆主动避撞的控制方法及车辆
CN114802271A (zh) 规避大车并行的车辆自适应驾驶方法

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