CN112435530A - 一种矿用卡车模拟驾驶训练系统 - Google Patents
一种矿用卡车模拟驾驶训练系统 Download PDFInfo
- Publication number
- CN112435530A CN112435530A CN202011395436.7A CN202011395436A CN112435530A CN 112435530 A CN112435530 A CN 112435530A CN 202011395436 A CN202011395436 A CN 202011395436A CN 112435530 A CN112435530 A CN 112435530A
- Authority
- CN
- China
- Prior art keywords
- training
- control input
- driving
- module
- decision
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 239
- 238000005065 mining Methods 0.000 title claims abstract description 24
- 238000004088 simulation Methods 0.000 title abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 37
- 230000009471 action Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 10
- 230000008447 perception Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
- G09B9/05—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles the view from a vehicle being simulated
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请提供了一种矿用卡车模拟驾驶训练系统，通过设置驾驶场景生成模块生成训练过程中的场景条件，然后驾驶员根据生成的场景条件进行训练，驾驶信息采集模块采集训练过程中驾驶员的训练决策量和训练控制输入量，无人驾驶算法模块根据该场景条件和当前车辆状态信息生成最优决策量和最优控制输入量，动作纠正模块根据最优决策量和最优控制输入量对训练决策量和训练控制输入量进行纠正，从而可以对训练过程中的每一个操作动作进行实时的监控和纠正，以加深驾驶员在训练过程中的每一个操作动作的理解和感知，从而可以更好的训练驾驶员，提高训练效果。
Description
技术领域
本申请涉及驾驶模拟训练技术领域，具体涉及一种矿用卡车模拟驾驶训练系统。
背景技术
近年来，自动驾驶技术发展迅速，无人矿区作为自动驾驶落地场景之一，矿区也正在实现数字化、智慧化和自动化，线上的模拟仿真测试已经成为加速自动驾驶技术研发和测试落地的重要手段。自动驾驶系统计算机仿真是自动驾驶车辆测试和试验的基础关键技术，仿真虚拟测试的根本是保证车辆安全上路，采用计算机仿真方法测试自动驾驶车辆安全性。
矿区环境较为恶劣，在矿区环境下训练驾驶员不仅成本高，而且存在较大的安全隐患，进而导致驾驶员训练时长受限。同时，对于矿区新驾驶员，由于缺少矿区驾驶经验，面对矿区的某些场景及突发事件时，会由于处理不当而产生严重的后果。
目前可用于训练的车辆和场地都很有限，学员通常需要花费较大的代价去学习驾驶，并且某些特殊地形或者环境条件下的训练根本无法展开，未经大量训练的学员在操作车辆时也容易引发较大的问题，安全隐患高，如果投入大量车辆用于训练，车辆的成本和维修费相当高，概括来讲，现有的驾驶训练存在高成本、高危险、场地不足等限制。
另外，学员在训练时难免会出现差错，如果用实车训练，通常有两种选择，一是反复将实车转移至原场景，再由学员操作；二是反复练习当前整个场景段，以增加练习差错场景的次数。前者耗时费力，需要专业人员随时协助将实车转移至原场景，后者将会耗费太多的时间在已经熟练掌握的场景上，学员得不到针对性训练。
发明内容
为了解决上述技术问题，本申请的实施例提供了一种矿用卡车模拟驾驶训练系统，通过设置驾驶场景生成模块生成训练过程中的场景条件，然后驾驶员根据生成的场景条件进行训练，驾驶信息采集模块采集训练过程中驾驶员的训练决策量和训练控制输入量，无人驾驶算法模块根据该场景条件和当前车辆状态信息生成最优决策量和最优控制输入量，动作纠正模块根据最优决策量和最优控制输入量对训练决策量和训练控制输入量进行纠正，从而可以对训练过程中的每一个操作动作进行实时的监控和纠正，以加深驾驶员在训练过程中的每一个操作动作的理解和感知，从而可以更好的训练驾驶员，提高训练效果。
本申请提供了一种矿用卡车模拟驾驶训练系统，包括：驾驶信息采集模块，所述驾驶采集模块用于采集训练过程中驾驶员的训练决策量和训练控制输入量；驾驶场景生成模块，所述驾驶场景生成模块用于生成训练过程中的场景条件；无人驾驶算法模块，所述无人驾驶算法模块与所述驾驶场景生成模块通讯连接，用于根据所述场景条件和当前车辆状态信息生成最优决策量和最优控制输入量；以及动作纠正模块，所述动作纠正模块与所述驾驶信息采集模块、所述无人驾驶算法模块通讯连接，用于根据所述最优决策量和所述最优控制输入量对所述训练决策量和所述训练控制输入量进行纠正。
在一实施例中，所述训练决策量与所述最优决策量的差值大于预设的决策量阈值或者所述训练控制输入量与所述最优控制输入量的差值大于预设的控制量阈值时，所述动作纠正模块对所述训练决策量和所述训练控制输入量进行纠正。
在一实施例中，所述模拟驾驶训练系统还包括力反馈模块，所述力反馈模块与所述无人驾驶算法模块通讯连接，所述力反馈模块根据所述最优决策量和所述最优控制输入量生成对应的触觉反馈力。
在一实施例中，所述力反馈模块所生成的触觉反馈力的大小根据当前决策量、当前控制输入量与所述最优决策量和所述最优控制输入量之间的差值确定。
在一实施例中，所述模拟驾驶训练系统还包括驾驶技能评估模块，所述驾驶技能评估模块与所述驾驶信息采集模块、所述无人驾驶算法模块通讯连接，用于根据所述最优决策量、所述最优控制输入量、所述训练决策量和所述训练控制输入量，对驾驶员的驾驶技能进行评估。
在一实施例中，所述驾驶技能评估模块对所述驾驶员的驾驶技能进行评估的方式包括：
其中，δfi为第i次操作的最优决策量，δdi为第i次操作的训练决策量，θfi为第i次操作的最优控制输入量，θdi为第i次操作的训练控制输入量，n为训练过程中的操作次数。
在一实施例中，所述模拟驾驶训练系统还包括定向训练推荐模块，所述定向训练推荐模块与所述驾驶技能评估模块通讯连接，用于将驾驶技能得分低于预设的分数阈值的场景条件推荐给驾驶员。
在一实施例中，所述场景条件包括以下条件中的任一种或多种的组合：天气条件、路面条件、路径条件、危险系数。
在一实施例中，所述模拟驾驶训练系统还包括结果显示模块，所述结果显示模块用于将所述驾驶员的训练结果展示出来，其中训练结果包括所述驾驶员的训练决策量和训练控制输入量、所述最优决策量和所述最优控制输入量、所述驾驶技能得分。
在一实施例中，所述训练决策量包括如下信息中的任一种或多种的组合：转向、直行、超车、加速、减速、匀速；所述训练控制输入量包括如下信息中的任一种或多种的组合：节气门开度、方向盘转角。
本申请的实施例提供了一种矿用卡车模拟驾驶训练系统，通过设置驾驶场景生成模块生成训练过程中的场景条件，然后驾驶员根据生成的场景条件进行训练，驾驶信息采集模块采集训练过程中驾驶员的训练决策量和训练控制输入量，无人驾驶算法模块根据该场景条件和当前车辆状态信息生成最优决策量和最优控制输入量，动作纠正模块根据最优决策量和最优控制输入量对训练决策量和训练控制输入量进行纠正，从而可以对训练过程中的每一个操作动作进行实时的监控和纠正，以加深驾驶员在训练过程中的每一个操作动作的理解和感知，从而可以更好的训练驾驶员，提高训练效果。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的一种矿用卡车模拟驾驶训练系统的结构示意图。
图2是本申请另一示例性实施例提供的一种矿用卡车模拟驾驶训练系统的结构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
由于矿区的工作条件非常恶劣，驾驶员在其中工作经常会出现安全事故，随着自动驾驶的不断发展，对于高危行业的矿区驾驶工作已经慢慢的开始自动驾驶操作了，以实现无人矿区的工作条件，即在矿区内无人实地操作，而是通过远程控制来实现车辆的行驶，从而可以有效避免人员伤亡，提高了矿区的人员安全性。
然而，自动驾驶或者说远程控制车辆行驶也是基于驾驶人员的控制实现的，作为实际操作车辆的驾驶员，不仅需要掌握基本的驾驶技巧，更需要掌握远程控制的技巧，这对于惯于常规实地操作的驾驶员和新进的驾驶员而言，无疑是一个新的技术挑战，因此，也需要对其进行训练，以保证在实际工作中能够保证车辆完成日常工作，并且不会出现过多的事故造成资源和财产的损失。
为了解决上述问题，本申请提出了一种矿用卡车模拟驾驶训练系统，利用模拟的驾驶训练系统对驾驶员进行训练，可以不用卡车进入实际场地而达到训练驾驶员的目的，这样也能避免卡车实地训练的损耗和危险，同时也需要实际场地的支持，降低了训练的条件，可以同时满足多个驾驶员的训练，提高了训练效率，具体的训练系统是通过设置驾驶场景生成模块生成训练过程中的场景条件，然后驾驶员根据生成的场景条件进行训练，驾驶信息采集模块采集训练过程中驾驶员的训练决策量和训练控制输入量，无人驾驶算法模块根据该场景条件和当前车辆状态信息生成最优决策量和最优控制输入量，动作纠正模块根据最优决策量和最优控制输入量对训练决策量和训练控制输入量进行纠正，从而可以对训练过程中的每一个操作动作进行实时的监控和纠正，以加深驾驶员在训练过程中的每一个操作动作的理解和感知，从而可以更好的训练驾驶员，提高训练效果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1是本申请一示例性实施例提供的一种矿用卡车模拟驾驶训练系统的结构示意图。如图1所示，该模拟驾驶训练系统100包括：驾驶信息采集模块110、驾驶场景生成模块120、无人驾驶算法模块130以及动作纠正模块140。其中，驾驶信息采集模块110用于采集训练过程中驾驶员的训练决策量和训练控制输入量，驾驶场景生成模块120用于生成训练过程中的场景条件，无人驾驶算法模块130与驾驶场景生成模块120通讯连接，用于根据场景条件和当前车辆状态信息生成最优决策量和最优控制输入量，动作纠正模块140与驾驶信息采集模块110、无人驾驶算法模块130通讯连接，用于根据最优决策量和最优控制输入量对训练决策量和训练控制输入量进行纠正。驾驶员在训练之前可以根据自身需求选取适合的训练场景，在驾驶员选定了训练场景后，驾驶场景生成模块120根据驾驶员选定的训练场景生成对应的场景条件(包括训练场景中的各个参数和虚拟的训练环境)；然后，驾驶员可以根据生成的场景条件进行对应驾驶操作以输入训练决策量和训练控制输入量进行训练，同时，无人驾驶算法模块130根据场景条件和当前车辆状态信息生成最优决策量和最优控制输入量；并且，在训练过程中的每一个操作动作时间点，动作纠正模块140会根据最优决策量和最优控制输入量对训练决策量和训练控制输入量进行纠正。也就是说，驾驶员在训练过程中，动作纠正模块140会实时的对其操作动作进行纠正，以保证驾驶员能够实时的获知训练过程中的每一个操作动作是否正确或准确，也能够在每一个操作动作的时间点保证驾驶员能够更好的掌握，将整个训练过程具体拆分为多个操作动作时间点，可以加深驾驶员对每一个操作动作的理解和掌握成都，避免整个训练过程的掌握难度过大而导致驾驶员短时间内难以完成，同时可以避免对驾驶员的心里造成过大的负担而降低训练效果。
本申请的实施例提供了一种矿用卡车模拟驾驶训练系统，通过设置驾驶场景生成模块生成训练过程中的场景条件，然后驾驶员根据生成的场景条件进行训练，驾驶信息采集模块采集训练过程中驾驶员的训练决策量和训练控制输入量，无人驾驶算法模块根据该场景条件和当前车辆状态信息生成最优决策量和最优控制输入量，动作纠正模块根据最优决策量和最优控制输入量对训练决策量和训练控制输入量进行纠正，从而可以对训练过程中的每一个操作动作进行实时的监控和纠正，以加深驾驶员在训练过程中的每一个操作动作的理解和感知，从而可以更好的训练驾驶员，提高训练效果。
在一实施例中，场景条件可以包括以下条件中的任一种或多种的组合：天气条件、路面条件、路径条件、危险系数。具体的，天气条件可以是晴天、阴天、雨天、雪天等，路面条件可以是干路面、雨雪路面等附着条件，路径条件可以是道路曲率、道路坡度，危险系数可以是驾驶过程中会出现危险的概率。驾驶员在训练前可以通过手动选择上述条件中的多个进行组合以得到训练场景的条件，从而更有针对性的对特定的场景进行训练，以满足特定的需求。在一实施例中，选定的场景条件可以以虚拟影像的方式呈现在驾驶员面前，例如驾驶员可以佩戴VR眼镜与模拟驾驶训练系统100通讯连接，从而可以将场景条件对应的虚拟场景画面展现在驾驶员所佩戴的VR眼镜中，从而提高驾驶员训练的真实体验感。
在一实施例中，训练决策量可以包括如下信息中的任一种或多种的组合：转向、直行、超车、加速、减速、匀速；训练控制输入量可以包括如下信息中的任一种或多种的组合：节气门开度、方向盘转角。在训练过程中，驾驶员需要根据训练场景的设定，在对应的时间点进行对应的操作，即在对应的时间点输入训练决策量和训练控制输入量，其中，训练决策量可以包括转向、直行、超车、加速、减速、匀速等动作指令，而训练控制输入量可以包括节气门开度、方向盘转角等具体的控制量值。应当理解，最优决策量和最优控制输入量也包括与训练决策量和训练控制输入量对应的参数，从而可以与训练决策量和训练控制输入量进行比对。
在一实施例中，驾驶信息采集模块110所采集的信息还可以包括车辆的状态信息，例如轮胎与地面的摩擦系数、路面粗糙度等。驾驶信息采集模块110所采集的所有信息可以是通过模拟驾驶训练系统100直接获取，即预先设定或根据驾驶员的输入量获知，也可以是通过实际测量获知，例如，可以将训练车辆设置于轮毂设备上，训练车辆的车轮带动轮毂设备的轮毂转动，根据轮毂的反馈参数可以实时计算得到训练车轮的信息，从而更加贴合实际场景，提高训练效果。
在一实施例中，训练决策量与最优决策量的差值大于预设的决策量阈值或者训练控制输入量与最优控制输入量的差值大于预设的控制量阈值时，动作纠正模块140对训练决策量和训练控制输入量进行纠正。可以预先设定一个决策量阈值和控制量阈值，在训练过程中，当训练决策量与最优决策量的差值大于预设的决策量阈值或者训练控制输入量与最优控制输入量的差值大于预设的控制量阈值时，动作纠正模块140对训练决策量和训练控制输入量进行纠正。即驾驶员的训练决策量或训练控制输入量与无人驾驶算法模块130生成的最优决策量和最优控制输入量差距较大时，动作纠正模块140对训练决策量和训练控制输入量进行纠正。由于微小的决策量和控制输入量的差距可能不会对驾驶造成过大的影响，并且每个驾驶员也不可能做到完全一致的驾驶操作，因此，通过设置决策量阈值和控制量阈值，可以避免动作纠正模块140不断的进行纠正而导致驾驶员无所适从，同时也能适应于实际应用环境。应当理解，本申请实施例中预设的决策量阈值和控制量阈值可以在训练之前进行调整，例如针对驾驶员的驾驶水平可以适当调整，新的驾驶员对应的决策量阈值和控制量阈值可以相对有经验的驾驶员对应的决策量阈值和控制量阈值更大，即对新的驾驶员的要求比有经验的驾驶员稍低，从而可以使得驾驶员能够循序渐进的掌握驾驶技巧，而避免操之过急而带来的不良后果。
图2是本申请另一示例性实施例提供的一种矿用卡车模拟驾驶训练系统的结构示意图。如图2所示，模拟驾驶训练系统100还可以包括力反馈模块150，力反馈模块150与无人驾驶算法模块130通讯连接，力反馈模块150根据最优决策量和最优控制输入量生成对应的触觉反馈力。通过设置力反馈模块150，当驾驶员在一个时间点输入训练决策量和训练控制输入量时，力反馈模块150会根据最优决策量和最优控制输入量产生相应的触觉反馈力，即力反馈模块150会根据训练决策量、训练控制输入量与最优决策量、最优控制输入量的差距生成相应的触觉反馈力。具体的，力反馈模块150所生成的触觉反馈力的大小可以根据当前决策量、当前控制输入量与最优决策量和最优控制输入量之间的差值确定。例如，当训练决策量、训练控制输入量与最优决策量、最优控制输入量的差距较大时(此时的差距可以小于上述决策量阈值和控制量阈值，也可以大于或等于上述决策量阈值和控制量阈值)，力反馈模块150给出的触觉反馈力较大，当训练决策量、训练控制输入量与最优决策量、最优控制输入量的差距较小时(此时的差距可以小于上述决策量阈值和控制量阈值，也可以大于或等于上述决策量阈值和控制量阈值)，力反馈模块150给出的触觉反馈力较小。具体的，以方向盘转角为例进行说明，当驾驶员输入的方向盘转角与无人驾驶算法模块130生成的最优的方向盘转角之差为正值时，即驾驶员输入的方向盘转角过大，此时，力反馈模块150会产生一个反方向的反馈阻力触感来提示驾驶员，并且，当驾驶员输入的方向盘转角与最优的方向盘转角之差较大(大于预设的阈值)时，动作纠正模块140会产生一个反向的力来纠正；而当驾驶员输入的方向盘转角与无人驾驶算法模块130生成的最优的方向盘转角之差为负值时，即驾驶员输入的方向盘转角过小，此时，力反馈模块150会产生一个同方向的反馈力触感来提示驾驶员，并且，当驾驶员输入的方向盘转角与最优的方向盘转角之差较大(大于预设的阈值)时，动作纠正模块140会产生一个正向的力来纠正。这样，驾驶员就可以根据触觉反馈力的大小而获知当前的训练决策量、训练控制输入量是否合适，或者是否需要进一步调整，从而更好的将训练过程中的每一个中间状态反馈给驾驶员，以提高其训练效果。
在一实施例中，如图2所示，模拟驾驶训练系统100还可以包括驾驶技能评估模块160，驾驶技能评估模块160与驾驶信息采集模块110、无人驾驶算法模块130通讯连接，用于根据最优决策量、最优控制输入量、训练决策量和训练控制输入量，对驾驶员的驾驶技能进行评估。当驾驶员训练完成后，驾驶技能评估模块160可以根据最优决策量、最优控制输入量、训练决策量和训练控制输入量，对驾驶员的驾驶技能进行评估，即对驾驶员的驾驶技能进行打分。具体的，驾驶技能评估模块160对驾驶员的驾驶技能进行评估的方式可以包括：
在一实施例中，如图2所示，模拟驾驶训练系统100还可以包括定向训练推荐模块170，定向训练推荐模块170与驾驶技能评估模块160通讯连接，用于将驾驶技能得分低于预设的分数阈值的场景条件推荐给驾驶员。对于同一个驾驶员，在其再次训练时，定向训练推荐模块170可以将该驾驶员以往训练中驾驶技能得分低于预设的分数阈值的场景条件推荐给驾驶员，即将该驾驶员以往训练中不是很理想的训练场景推荐给驾驶员，以供其有限选择来针对自身较差的训练场景进行训练，以提高驾驶技能，当然，驾驶员也可以不选择推荐的训练场景。
在一实施例中，如图2所示，模拟驾驶训练系统100还可以包括结果显示模块180，结果显示模块180用于将驾驶员的训练结果展示出来，其中训练结果包括驾驶员的训练决策量和训练控制输入量、最优决策量和最优控制输入量、驾驶技能得分。在驾驶员训练结束后，结果显示模块180可以将驾驶员的训练结果展示给驾驶员，以便驾驶员能够清楚的获知本次训练中的不足，具体的训练结果可以包括驾驶员的训练决策量和训练控制输入量、最优决策量和最优控制输入量、驾驶技能得分，其中，训练决策量和训练控制输入量、最优决策量和最优控制输入量可以根据时间点顺序以图表的方式展示，以增强其对比性和可视化效果，从而能够使得驾驶员更好的获知本次训练中不足的时间点和对应的操作动作，从而形成了一个更明确的经验总结。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的系统中，各部件是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种矿用卡车模拟驾驶训练系统，其特征在于，包括：
驾驶信息采集模块，所述驾驶采集模块用于采集训练过程中驾驶员的训练决策量和训练控制输入量；
驾驶场景生成模块，所述驾驶场景生成模块用于生成训练过程中的场景条件；
无人驾驶算法模块，所述无人驾驶算法模块与所述驾驶场景生成模块通讯连接，用于根据所述场景条件和当前车辆状态信息生成最优决策量和最优控制输入量；以及
动作纠正模块，所述动作纠正模块与所述驾驶信息采集模块、所述无人驾驶算法模块通讯连接，用于根据所述最优决策量和所述最优控制输入量对所述训练决策量和所述训练控制输入量进行纠正。
2.根据权利要求1所述的模拟驾驶训练系统，其特征在于，所述训练决策量与所述最优决策量的差值大于预设的决策量阈值或者所述训练控制输入量与所述最优控制输入量的差值大于预设的控制量阈值时，所述动作纠正模块对所述训练决策量和所述训练控制输入量进行纠正。
3.根据权利要求1所述的模拟驾驶训练系统，其特征在于，还包括力反馈模块，所述力反馈模块与所述无人驾驶算法模块通讯连接，所述力反馈模块根据所述最优决策量和所述最优控制输入量生成对应的触觉反馈力。
4.根据权利要求3所述的模拟驾驶训练系统，其特征在于，所述力反馈模块所生成的触觉反馈力的大小根据当前决策量、当前控制输入量与所述最优决策量和所述最优控制输入量之间的差值确定。
5.根据权利要求1所述的模拟驾驶训练系统，其特征在于，还包括驾驶技能评估模块，所述驾驶技能评估模块与所述驾驶信息采集模块、所述无人驾驶算法模块通讯连接，用于根据所述最优决策量、所述最优控制输入量、所述训练决策量和所述训练控制输入量，对驾驶员的驾驶技能进行评估。
6.根据权利要求5所述的模拟驾驶训练系统，其特征在于，所述驾驶技能评估模块对所述驾驶员的驾驶技能进行评估的方式包括：
7.根据权利要求5所述的模拟驾驶训练系统，其特征在于，还包括定向训练推荐模块，所述定向训练推荐模块与所述驾驶技能评估模块通讯连接，用于将驾驶技能得分低于预设的分数阈值的场景条件推荐给驾驶员。
8.根据权利要求1所述的模拟驾驶训练系统，其特征在于，所述场景条件包括以下条件中的任一种或多种的组合：天气条件、路面条件、路径条件、危险系数。
9.根据权利要求6所述的模拟驾驶训练系统，其特征在于，还包括结果显示模块，所述结果显示模块用于将所述驾驶员的训练结果展示出来，其中训练结果包括所述驾驶员的训练决策量和训练控制输入量、所述最优决策量和所述最优控制输入量、所述驾驶技能得分。
10.根据权利要求1所述的模拟驾驶训练系统，其特征在于，所述训练决策量包括如下信息中的任一种或多种的组合：转向、直行、超车、加速、减速、匀速；所述训练控制输入量包括如下信息中的任一种或多种的组合：节气门开度、方向盘转角。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011395436.7A CN112435530B (zh) | 2020-12-02 | 2020-12-02 | 一种矿用卡车模拟驾驶训练系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011395436.7A CN112435530B (zh) | 2020-12-02 | 2020-12-02 | 一种矿用卡车模拟驾驶训练系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112435530A true CN112435530A (zh) | 2021-03-02 |
| CN112435530B CN112435530B (zh) | 2023-07-04 |
Family
ID=74691197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011395436.7A Active CN112435530B (zh) | 2020-12-02 | 2020-12-02 | 一种矿用卡车模拟驾驶训练系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112435530B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113257074A (zh) * | 2021-05-31 | 2021-08-13 | 重庆工程职业技术学院 | 一种基于驾驶人操作行为感知的智能驾驶训练系统 |
| CN114495630A (zh) * | 2022-01-24 | 2022-05-13 | 北京千种幻影科技有限公司 | 一种车辆模拟驾驶方法、系统及设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008151708A (ja) * | 2006-12-19 | 2008-07-03 | Sumitomo Electric Ind Ltd | 表示装置、表示システム及び表示方法 |
| JP2008285015A (ja) * | 2007-05-17 | 2008-11-27 | Toyota Motor Corp | 運転タイプ判別装置、プログラム、及び運転支援装置 |
| US20110076651A1 (en) * | 2009-09-29 | 2011-03-31 | Advanced Training System Llc | System, Method and Apparatus for Driver Training of Shifting |
| CN104504957A (zh) * | 2014-12-18 | 2015-04-08 | 深圳先进技术研究院 | 一种基于力觉反馈的车架训练系统 |
| CN105702118A (zh) * | 2016-04-29 | 2016-06-22 | 北京小米移动软件有限公司 | 练车矫正方法和装置 |
| CN106023715A (zh) * | 2016-06-15 | 2016-10-12 | 长安大学 | 基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 |
| CN106601066A (zh) * | 2017-02-04 | 2017-04-26 | 北京黄埔大道科技有限公司 | 主动教学方法、装置及系统 |
| DE102016222581A1 (de) * | 2015-11-26 | 2017-06-01 | Ford Global Technologies, Llc | Fahrzeugassistenzfunktionen |
| CN107640154A (zh) * | 2016-07-20 | 2018-01-30 | 大陆汽车电子（连云港）有限公司 | 新手司机驾驶辅助系统 |
-
2020
- 2020-12-02 CN CN202011395436.7A patent/CN112435530B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008151708A (ja) * | 2006-12-19 | 2008-07-03 | Sumitomo Electric Ind Ltd | 表示装置、表示システム及び表示方法 |
| JP2008285015A (ja) * | 2007-05-17 | 2008-11-27 | Toyota Motor Corp | 運転タイプ判別装置、プログラム、及び運転支援装置 |
| US20110076651A1 (en) * | 2009-09-29 | 2011-03-31 | Advanced Training System Llc | System, Method and Apparatus for Driver Training of Shifting |
| CN104504957A (zh) * | 2014-12-18 | 2015-04-08 | 深圳先进技术研究院 | 一种基于力觉反馈的车架训练系统 |
| DE102016222581A1 (de) * | 2015-11-26 | 2017-06-01 | Ford Global Technologies, Llc | Fahrzeugassistenzfunktionen |
| CN105702118A (zh) * | 2016-04-29 | 2016-06-22 | 北京小米移动软件有限公司 | 练车矫正方法和装置 |
| CN106023715A (zh) * | 2016-06-15 | 2016-10-12 | 长安大学 | 基于多gps和角度传感器的驾驶人辅助训练系统及其控制算法 |
| CN107640154A (zh) * | 2016-07-20 | 2018-01-30 | 大陆汽车电子（连云港）有限公司 | 新手司机驾驶辅助系统 |
| CN106601066A (zh) * | 2017-02-04 | 2017-04-26 | 北京黄埔大道科技有限公司 | 主动教学方法、装置及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113257074A (zh) * | 2021-05-31 | 2021-08-13 | 重庆工程职业技术学院 | 一种基于驾驶人操作行为感知的智能驾驶训练系统 |
| CN114495630A (zh) * | 2022-01-24 | 2022-05-13 | 北京千种幻影科技有限公司 | 一种车辆模拟驾驶方法、系统及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112435530B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112435530A (zh) | 一种矿用卡车模拟驾驶训练系统 | |
| CN106530890A (zh) | 一种基于车辆位姿与轨迹感知的智能驾驶训练系统及方法 | |
| CN107526906A (zh) | 一种基于数据采集的驾驶风格辨识装置及方法 | |
| DE112017006567T5 (de) | Autonomes fahrzeug mit fahrerausbildung | |
| CN107886798B (zh) | 一种基于驾驶模拟系统的驾驶技能辨识装置及方法 | |
| Cao et al. | Modeling the development of vehicle lateral control skills in a cognitive architecture | |
| CN108109481A (zh) | 一种机动车驾驶人培训智能教练系统 | |
| CN110969911A (zh) | 一种基于虚拟现实的科目二智能训练系统及方法 | |
| Pariota et al. | Integrating tools for an effective testing of connected and automated vehicles technologies | |
| CN110930811B (zh) | 一种适用于无人驾驶决策学习和训练的系统 | |
| Xu et al. | How much do you trust your self-driving car? exploring human-robot trust in high-risk scenarios | |
| CN114254521A (zh) | 车辆能耗仿真方法、装置、设备及计算机存储介质 | |
| CN206002179U (zh) | 汽车仪表模拟电阻输入模拟测试装置 | |
| CN207965887U (zh) | 一种新型的区分工况的驾驶风格辨识装置 | |
| CN108267969A (zh) | 一种飞机组成系统维修实训监控系统及其实现方法 | |
| CN116750013A (zh) | 一种驾校学习车辆监控方法、装置、设备及介质 | |
| CN112269325B (zh) | 自动驾驶仿真方法和装置、存储介质及电子设备 | |
| CN204884272U (zh) | 一种适用于培训汽车驾驶员的汽车模拟驾驶系统 | |
| JP7172440B2 (ja) | 車載機及び教育システム | |
| CN112883489A (zh) | 自动驾驶汽车仿真系统 | |
| CN112308171A (zh) | 一种基于模拟驾驶器的车辆位置预测建模方法 | |
| CN116176600B (zh) | 一种智能健康座舱的控制方法 | |
| CN114291097B (zh) | 实时反馈的驾驶行为差异化矫正方法、装置、设备 | |
| CN115993797B (zh) | 虚拟环境下的自动驾驶车辆模拟方法及系统 | |
| CN115339516B (zh) | 转向盘旋转角度确定方法、装置及电子设备 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 206-1, block D, Pangu maker space, 100 Torch Road, Qingdao high tech Industrial Development Zone, Shandong Province Patentee after: QINGDAO VEHICLE INTELLIGENCE PIONEERS Inc. Patentee after: Zhongke Huituo (Beijing) Technology Co.,Ltd. Address before: Room 206-1, block D, Pangu maker space, 100 Torch Road, Qingdao high tech Industrial Development Zone, Shandong Province Patentee before: QINGDAO VEHICLE INTELLIGENCE PIONEERS Inc. Patentee before: Beijing huituo infinite Technology Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |