CN112435464A - 一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法 - Google Patents

一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法 Download PDF

Info

Publication number
CN112435464A
CN112435464A CN202011146636.9A CN202011146636A CN112435464A CN 112435464 A CN112435464 A CN 112435464A CN 202011146636 A CN202011146636 A CN 202011146636A CN 112435464 A CN112435464 A CN 112435464A
Authority
CN
China
Prior art keywords
vehicle
reinforcement learning
main line
takeover
learning model
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
Application number
CN202011146636.9A
Other languages
English (en)
Inventor
刘擎超
徐天宇
蔡英凤
熊晓夏
王海
梁军
陈小波
李祎承
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN202011146636.9A priority Critical patent/CN112435464A/zh
Publication of CN112435464A publication Critical patent/CN112435464A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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
    • G08G1/09—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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法，主要解决了智能网联车在高速公路主线上行驶发出接管请求时，系统能够根据车身周围的交通环境通过Q强化学习算法预测接管时间的问题。电子控制单元在车辆发出接管请求时能够将道路检测器以及智能网联车信息接收模块的数据输入训练完毕的Q强化学习模型中，此时模型会输出一个预测的接管时间。当驾驶员观看屏幕显示的接管时间，能够更快了解接管状况，从而实现更加安全的接管。

Description

一种基于Q强化学习的高速路主线行驶车辆的接管时间预测 系统及预测方法
技术领域
本发明涉及自动驾驶技术领域，具体为一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法。
背景技术
随着汽车工业与人工智能产业的结合，自动驾驶技术在汽车工业中尤为火热。但由于自动驾驶技术受到了算法、交通环境、自动化技术等因素的限制。未来很长一段时间智能驾驶汽车将处于Lv3级别及以上阶段。人机共驾环境将一直存在，自动驾驶向人类驾驶员过渡所预留的接管时间对于人类驾驶员能否安全的接管起到了决定性的作用。而影响接管时间的因素有很多，比如驾驶员年龄性别、驾驶员状态以及周围交通环境等因素都有关系。而研究人员已经对驾驶员年龄性别、驾驶员状态等有了相当多的研究，而涉及车辆本身所处交通环境的研究却十分稀少。因此接管时间是否与车辆周围所处的交通环境有关，成了一个急需解决的问题。
本发明通过电子控制单元对本车周围流量以及对自身所处位置的判定，根据Q强化学习算法预测出接管时间，Q强化学习能够将学习到的新的经验加入记忆库，同时采用贪婪策略执行动作A，使得它不像传统的监督学习一样严格收敛，因此预测误差极小。
当驾驶员了解经过Q强化学习预测的接管时间时，能够清楚的了解接管时间为多长，从而实现更加安全的接管。
发明内容
本发明提供一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统。其主要解决了智能网联车在高速公路主线上行驶发出接管请求时，系统能够根据车身周围的交通环境通过Q强化学习算法预测接管时间的问题。
本发明提供的一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统，包括：车道检测器、智能网联车信息接收模块、电子控制单元、Q强化学习模型。
车道检测器，用于检测车辆所处的道路信息。
智能网联车信息接收模块，用于接收本车400米范围内智能网联车车辆行驶状态信息。
电子控制单元，用于接收来自车道检测器以及智能网联车信息接收模块的数据，并判断本车是否需要接管，如果需要接管则发出接管请求，同时在车辆发出接管请求时，将接收到的上述道路信息与车辆行驶状态信息输入Q强化学习模型中。并接收Q强化学习模型输出的接管时间t。
Q强化学习模型，本质上是经过大量数据训练的神经网络。它接收电子控制单元发送的数据并预测出接管时间t。
所述道路信息包括车道宽度以及道路曲率。
所述车辆行驶状态信息包括本车周围的车辆数、行驶速度、车间距以及车辆变道行为。
所述供Q强化学习模型训练的数据为实验所得高速公路主线域人工测试接管数据。数据特征主要为车辆变道行为少，接管时间短。
所述Q强化学习神经网络包含三个全连接层。前两层使用relu函数激活，第三层为线性连接。
Q强化学习模型使用贪婪法则执行动作A，获取奖励R，进入状态S’。
Q强化学习模型将获取的新的经验放入记忆库。模型可读取旧的经验以及新的经验。
Q强化学习模型迭代次数为100次。
根据上述系统，本发明提出了一种一种基于Q强化学习的高速路主线行驶车辆的接管时间预测方法，包括如下步骤：
S1、检测车辆所处的道路信息；
S2、接收本车400米范围内智能网联车车辆行驶状态信息；
S3、根据道路信息和车辆行驶状态信息判断本车是否需要接管，如果需要接管则发出接管请求，同时在发出接管请求时，将接收到的道路信息与车辆行驶状态信息输入Q强化学习模型，由Q强化学习模型计算输出接管预测时间t。
进一步，所述S1的道路信息包括车道宽度以及道路曲率。
进一步，所述S2的车辆行驶状态信息包括本车周围的车辆数、行驶速度、车间距以及车辆变道行为。
本发明的有益效果：
Q强化学习能够根据车辆本身所处的道路以及周围的交通情况预测接管时间t，预测精度高，符合实际场景的预测需求。2.驾驶员能够根据中控屏幕显示的预测的接管预留时间，能够在相应的时间内接管车辆，提高了整个接管过程的安全性。
附图说明
图1是本发明场景示例图。
图2是本发明的Q强化学习训练流程图。
图3是系统运行流程图。
具体实施方式
本发明提供一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统及方法，主要解决了智能网联车在高速公路主线上行驶发出接管请求时，系统能够根据车身周围的交通环境通过Q强化学习算法预测接管时间的问题。电子控制单元在车辆发出接管请求时能够将道路检测器以及智能网联车信息接收模块的数据输入训练完毕的Q强化学习模型中，此时模型会输出一个预测的接管时间。当驾驶员观看屏幕显示的接管时间，能够更快了解接管状况，从而实现更加安全的接管。
为了对本发明作出更加清楚、完整的说明，下面结合附图对本发明作进一步描述。
表1是本发明所使用的各参数的含义解释
表1
Figure BDA0002739936450000031
Figure BDA0002739936450000041
结合图1所示场景示例图和图2所示的为本发明的Q强化学习训练流程图。通过对三车道的高速路段主线上的驾驶人员接管实验，得出了大量的实验数据。数据的类别主要包括车道宽度L道宽、道路曲率
Figure BDA0002739936450000042
周围车辆数n车辆、周围车辆行驶速度V、车间距L车距、周围车辆变道行为Action。整个数据是基于以上不同类别而得出的关于接管时间数据集。其主要体现了高速路段主线上车间距大，变道行为少，速度稳定的特点。首先将实验数据导入，接着创建空的记忆库用来存放旧的经验以及基于贪婪法则得出的新的经验。Q强化学习模型使用三层全连接神经网络。前两层使用relu函数激活，第三层为线性连接。首先创建智能体，神经网络从实验数据抽取数据计算状态S下对应的Q值，接着，基于贪婪法则智能体执行动作A，并获得提前给定的奖励R，进入一个新的状态S’。将{S,A,R,S’}存入记忆库中，若记忆库容量n未达到训练样本数K的要求时，则神经网络继续从实验数据中抽取数据。重复以上步骤直至达到训练样本数K的要求。当满足n>K时，用神经网络计算状态S下的Q值(此处为Q估计)接着用神经网络计算状态S’下的Q值，找到样本S下的动作A以及奖励R计算出Q现实。计算公式为Q现实＝R+γargmaxaf(S′，A)。其中γ为损失因子，设定值为0.99。最后利用w＝(Q现实-Q估计)2作为损失函数更新神经网络。本次过程为1次迭代，整个训练过程需要迭代100次，最后输出训练完毕的神经网络作为本发明系统中使用的预测模型。
如图3所示为本发明的系统运行流程图。道路检测器与智能网联车信息接收模块实时接收数据，并将数据发送给电子控制单元。道路检测器能够将车道宽度L道宽、道路曲率
Figure BDA0002739936450000043
信息通过CAN总线发送给电子控制单元，而智能网联车信息接收模块则将周围车辆数n车辆、周围车辆行驶速度V、车间距L车距、周围车辆变道行为Action数据通过CAN总线发送给电子控制单元。电子控制单元接收但并不处理数据。道路检测器与智能网联车信息接收模块实时收集数据。本智能网联车电子控制单元判断智能驾驶系统是否正常运行，如不能正常运行，则车辆需要发出接管请求。假设车辆在t0时刻发出接管请求，那么电子控制单元将t0时刻的车道宽度L道宽、道路曲率
Figure BDA0002739936450000051
周围车辆数n车辆、周围车辆行驶速度V、车间距L车距、周围车辆变道行为Action组成数组{L道宽，
Figure BDA0002739936450000052
n车辆，V，L车距，Action}输入进已经训练完毕的神经网络中。由神经网络预测得出接管时间t，并将接管时间t返回至电子控制单元。随后电子控制单元将接管时间t在车辆的中控屏幕上显示出来。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统，其特征在于，包括：车道检测器、智能网联车信息接收模块、电子控制单元、Q强化学习模型；
车道检测器，用于检测车辆所处的道路信息；
智能网联车信息接收模块，用于接收本车400米范围内智能网联车车辆行驶状态信息；
电子控制单元，用于接收来自车道检测器以及智能网联车信息接收模块的数据，并判断本车是否需要接管，如果需要接管则发出接管请求，同时在车辆发出接管请求时，将接收到的上述道路信息与车辆行驶状态信息输入Q强化学习模型中；并接收Q强化学习模型输出的接管时间t；
Q强化学习模型，用于接收电子控制单元发送的数据信息并预测出接管时间t。
2.根据权利要求1所述的一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统，其特征在于，所述道路信息包括车道宽度以及道路曲率。
3.根据权利要求1所述的一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统，其特征在于，所述车辆行驶状态信息包括本车周围的车辆数、行驶速度、车间距以及车辆变道行为。
4.根据权利要求1所述的一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统，其特征在于，所述供Q强化学习模型训练的数据为实验所得高速公路主线域人工测试接管数据。
5.根据权利要求1所述的一种基于Q强化学习的高速路主线行驶车辆的接管时间预测系统，其特征在于，所述Q强化学习模型采用神经网络模型，包含三个全连接层，前两层使用relu函数激活，第三层为线性连接；
Q强化学习模型使用贪婪法则执行动作A，获取奖励R，进入状态S’；
Q强化学习模型将获取的新的经验放入记忆库，模型可读取旧的经验以及新的经验；
Q强化学习模型迭代次数为100次。
6.一种基于Q强化学习的高速路主线行驶车辆的接管时间预测方法，其特征在于，包括：
S1、检测车辆所处的道路信息；
S2、接收本车400米范围内智能网联车车辆行驶状态信息；
S3、根据道路信息和车辆行驶状态信息判断本车是否需要接管，如果需要接管则发出接管请求，同时在发出接管请求时，将接收到的道路信息与车辆行驶状态信息输入Q强化学习模型，由Q强化学习模型计算输出接管预测时间t。
7.根据权利要求6所述的一种基于Q强化学习的高速路主线行驶车辆的接管时间预测方法，其特征在于，所述S1的道路信息包括车道宽度以及道路曲率。
8.根据权利要求6所述的一种基于Q强化学习的高速路主线行驶车辆的接管时间预测方法，其特征在于，所述S2的车辆行驶状态信息包括本车周围的车辆数、行驶速度、车间距以及车辆变道行为。
9.根据权利要求6所述的一种基于Q强化学习的高速路主线行驶车辆的接管时间预测方法，其特征在于，所述S3中Q强化学习模型的具体设计方法包括如下：首先将实验数据导入，对数据进行预处理，填补缺失值，删除异常值；接着创建空的记忆库用来存放旧的经验以及基于贪婪法则得出的新的经验，使用三层全连接神经网络来创建Q强化学习模型，前两层使用relu函数激活，第三层为线性连接。具体训练步骤如下：
首先创建智能体，神经网络从实验数据抽取数据计算状态S下对应的Q值，接着，基于贪婪法则智能体执行动作A，并获得提前给定的奖励R，进入一个新的状态S’；将{S,A,R,S’}存入记忆库中，若记忆库容量n未达到训练样本数K的要求时，则神经网络继续从实验数据中抽取数据；重复以上步骤直至达到训练样本数K的要求；当满足n>K时，用神经网络计算状态S下的Q值(此处为Q估计)，接着用神经网络计算状态S’下的Q值，找到样本S下的动作A以及奖励R计算出Q现实，计算公式为Q现实＝R+γargmaxaf(S′，A)；其中γ为损失因子，设定值为0.99；最后利用w＝(Q现实-Q估计)2作为损失函数更新神经网络。
CN202011146636.9A 2020-10-23 2020-10-23 一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法 Pending CN112435464A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011146636.9A CN112435464A (zh) 2020-10-23 2020-10-23 一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011146636.9A CN112435464A (zh) 2020-10-23 2020-10-23 一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法

Publications (1)

Publication Number Publication Date
CN112435464A true CN112435464A (zh) 2021-03-02

Family

ID=74695928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011146636.9A Pending CN112435464A (zh) 2020-10-23 2020-10-23 一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法

Country Status (1)

Country Link
CN (1) CN112435464A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222295A (zh) * 2021-06-07 2021-08-06 吉林大学 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120094970A (ko) * 2011-02-18 2012-08-28 (주)정은테크 구원부를 갖는 열차의 무인운전 시스템
CN104097642A (zh) * 2013-04-09 2014-10-15 福特全球技术公司 用于控制具有临时自主车辆控制的车辆的方法和控制器
CN106043309A (zh) * 2016-06-27 2016-10-26 常州加美科技有限公司 无人驾驶车辆驾驶模式切换的应对策略
CN108803322A (zh) * 2018-05-30 2018-11-13 吉林大学 一种时域变权重的驾驶员-自动驾驶系统柔性接管方法
CN108819945A (zh) * 2018-05-25 2018-11-16 吉利汽车研究院（宁波）有限公司 一种自动驾驶车辆接管提示装置及方法
CN108932840A (zh) * 2018-07-17 2018-12-04 北京理工大学 基于强化学习的无人驾驶车辆城市交叉口通行方法
CN109002817A (zh) * 2018-08-31 2018-12-14 武汉理工大学 基于自动驾驶车辆驾驶疲劳时变规律的接管绩效监测预警系统
CN109637261A (zh) * 2019-01-16 2019-04-16 吉林大学 自动-人工驾驶权切换情景下驾驶员反应能力训练系统
CN109808615A (zh) * 2019-03-22 2019-05-28 北京经纬恒润科技有限公司 一种自动驾驶方法及装置
CN109849919A (zh) * 2017-11-30 2019-06-07 财团法人车辆研究测试中心 自动驾驶接管的安全警示系统及其方法
CN109871010A (zh) * 2018-12-25 2019-06-11 南方科技大学 基于强化学习型的方法及系统
CN109976340A (zh) * 2019-03-19 2019-07-05 中国人民解放军国防科技大学 一种基于深度增强学习的人机协同动态避障方法及系统
CN110293970A (zh) * 2019-05-22 2019-10-01 重庆长安汽车股份有限公司 一种自动驾驶汽车的行驶控制方法、装置及汽车
CN110347155A (zh) * 2019-06-26 2019-10-18 北京理工大学 一种智能车辆自动驾驶控制方法及系统
CN110460653A (zh) * 2019-07-30 2019-11-15 北京百度网讯科技有限公司 自动驾驶车辆数据传输的方法及装置
CN110576864A (zh) * 2019-08-15 2019-12-17 中国第一汽车股份有限公司 驾驶模式的控制方法、装置、车辆及存储介质
CN111183083A (zh) * 2017-10-04 2020-05-19 大众汽车有限公司 用于运行机动车的辅助系统的方法和机动车
CN111703434A (zh) * 2020-06-01 2020-09-25 哈尔滨工业大学 一种自动驾驶下被动控制权切换听觉提示设计方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120094970A (ko) * 2011-02-18 2012-08-28 (주)정은테크 구원부를 갖는 열차의 무인운전 시스템
CN104097642A (zh) * 2013-04-09 2014-10-15 福特全球技术公司 用于控制具有临时自主车辆控制的车辆的方法和控制器
CN106043309A (zh) * 2016-06-27 2016-10-26 常州加美科技有限公司 无人驾驶车辆驾驶模式切换的应对策略
CN111183083A (zh) * 2017-10-04 2020-05-19 大众汽车有限公司 用于运行机动车的辅助系统的方法和机动车
CN109849919A (zh) * 2017-11-30 2019-06-07 财团法人车辆研究测试中心 自动驾驶接管的安全警示系统及其方法
CN108819945A (zh) * 2018-05-25 2018-11-16 吉利汽车研究院（宁波）有限公司 一种自动驾驶车辆接管提示装置及方法
CN108803322A (zh) * 2018-05-30 2018-11-13 吉林大学 一种时域变权重的驾驶员-自动驾驶系统柔性接管方法
CN108932840A (zh) * 2018-07-17 2018-12-04 北京理工大学 基于强化学习的无人驾驶车辆城市交叉口通行方法
CN109002817A (zh) * 2018-08-31 2018-12-14 武汉理工大学 基于自动驾驶车辆驾驶疲劳时变规律的接管绩效监测预警系统
CN109871010A (zh) * 2018-12-25 2019-06-11 南方科技大学 基于强化学习型的方法及系统
CN109637261A (zh) * 2019-01-16 2019-04-16 吉林大学 自动-人工驾驶权切换情景下驾驶员反应能力训练系统
CN109976340A (zh) * 2019-03-19 2019-07-05 中国人民解放军国防科技大学 一种基于深度增强学习的人机协同动态避障方法及系统
CN109808615A (zh) * 2019-03-22 2019-05-28 北京经纬恒润科技有限公司 一种自动驾驶方法及装置
CN110293970A (zh) * 2019-05-22 2019-10-01 重庆长安汽车股份有限公司 一种自动驾驶汽车的行驶控制方法、装置及汽车
CN110347155A (zh) * 2019-06-26 2019-10-18 北京理工大学 一种智能车辆自动驾驶控制方法及系统
CN110460653A (zh) * 2019-07-30 2019-11-15 北京百度网讯科技有限公司 自动驾驶车辆数据传输的方法及装置
CN110576864A (zh) * 2019-08-15 2019-12-17 中国第一汽车股份有限公司 驾驶模式的控制方法、装置、车辆及存储介质
CN111703434A (zh) * 2020-06-01 2020-09-25 哈尔滨工业大学 一种自动驾驶下被动控制权切换听觉提示设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高振海: "汽车纵向自动驾驶的因果推理型决策", 《吉林大学学报（工学版）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222295A (zh) * 2021-06-07 2021-08-06 吉林大学 一种面向l3级自动驾驶汽车控制权切换状态下的接管时间预测方法

Similar Documents

Publication Publication Date Title
CN106023344B (zh) 基于驾驶模式转换概率的驾驶风格估计方法
Yufang et al. Investigating long‐term vehicle speed prediction based on BP‐LSTM algorithms
WO2016096226A1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
CN104200267A (zh) 一种车辆驾驶经济性评价系统及评价方法
US11619946B2 (en) Method and apparatus for generating U-turn path in deep learning-based autonomous vehicle
CN109118787A (zh) 一种基于深度神经网络的车辆速度预测方法
CN115063978B (zh) 一种基于数字孪生的公交到站时间预测方法
CN110516380A (zh) 一种基于车辆行驶仿真数据的深度强化测试方法和系统
Han et al. A new reinforcement learning-based variable speed limit control approach to improve traffic efficiency against freeway jam waves
CN114559959A (zh) 一种基于驾驶偏好的自动驾驶行为决策系统及方法
Hu et al. Driver identification using 1D convolutional neural networks with vehicular CAN signals
CN113947928A (zh) 基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法
CN115221774A (zh) 自主车辆交通模拟和道路网络建模
CN115923833A (zh) 车辆的拟人化决策控制方法、装置、车辆及存储介质
CN112435464A (zh) 一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法
US20220126826A1 (en) Enhanced vehicle operation
CN116758768A (zh) 一种全十字路口红绿灯动态调控方法
CN113276860B (zh) 车辆控制方法、装置、电子设备以及存储介质
CN115440041A (zh) 一种路侧视角下的重点车辆驾驶行为预测方法
CN113511215B (zh) 一种混合自动驾驶决策方法、设备及计算机存储介质
JP2023531927A (ja) 運転意思決定方法および運転意思決定装置ならびにチップ
CN113420706A (zh) 一种基于多层特征融合的车辆检测方法
Zareian et al. A combined Apriori algorithm and fuzzy controller for simultaneous ramp metering and variable speed limit determination in a freeway
CN112230659A (zh) 精准规划运动轨迹的方法、智能控制设备及自动驾驶车辆
Lv et al. A lane-changing decision-making model of bus entering considering bus priority based on GRU neural network

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

Application publication date: 20210302

RJ01 Rejection of invention patent application after publication