CN112560354B - 一种基于高斯过程回归的跟车行为建模方法 - Google Patents
一种基于高斯过程回归的跟车行为建模方法 Download PDFInfo
- Publication number
- CN112560354B CN112560354B CN202011570761.2A CN202011570761A CN112560354B CN 112560354 B CN112560354 B CN 112560354B CN 202011570761 A CN202011570761 A CN 202011570761A CN 112560354 B CN112560354 B CN 112560354B
- Authority
- CN
- China
- Prior art keywords
- test data
- data set
- gaussian process
- vehicle
- process regression
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 title claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 96
- 230000001133 acceleration Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000007635 classification algorithm Methods 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种基于高斯过程回归的跟车行为建模方法,包括以下步骤:由驾驶员使用模拟驾驶器进行仿真环境下的模拟驾驶试验,采集的试验数据包括前车相对距离、前车相对纵向速度、前车相对加速度、主车相对加速度;处理试验数据,使用分类算法对试验数据进行聚类;基于聚类后的数据集和高斯过程回归算法,训练得到三个基于高斯过程回归的跟车行为模型,分别是激进跟车行为模型、正常跟车行为模型和保守跟车行为模型;测试基于高斯过程回归的跟车行为模型。本发明通过模拟驾驶试验采集数据基于高斯过程回归算法进行建模,数据采集便捷、建模成本低、模型计算速度快,获得的模型用在驾驶仿真软件中,可提高仿真系统中车辆跟车行为的仿真度。
Description
技术领域
本发明涉及车辆跟车行为模型建模领域,特别涉及一种基于高斯过程回归的跟车行为建模方法。
背景技术
在实际驾驶过程中,跟车驾驶是一种常见的驾驶情况。然而,驾驶员行为特点、车辆属性的不同,很难对跟车行为进行建模。模拟驾驶器在智能驾驶领域已经得到了广泛使用。为了模拟较为真实的交通状况,模拟真实跟车情况是驾驶模拟器中的仿真软件必须拥有的能力。
申请号为CN201710158942.6、专利名称为“一种基于时间自动机的跟车行为生成方法”的中国专利,从交通数据集中提取跟车数据,将后车速度、后车与前车的相对距离和相对速度作为跟车模型的输入参数,利用时间自动机学习算法对跟车模型进行训练。该方法主要使用时间自动机学习算法,且不涉及前车相对加速度,与本发明存在显著区别。
发明内容
为了解决现有技术的问题,本发明的主要目的在于提供一种高可信度的车辆跟车行为模型的建模方法,用于驾驶仿真软件中模拟真实跟车情况。
为了达到上述目的,本发明提供一种基于高斯过程回归的跟车行为建模方法,包括以下步骤:
进行模拟驾驶试验并采集试验数据:由驾驶员使用模拟驾驶器进行仿真环境下的模拟驾驶试验,采集的试验数据包括前车相对距离、前车相对纵向速度、前车相对加速度、主车相对加速度;
处理试验数据:使用分类算法对试验数据进行聚类,获得三个跟车状态类型数据集,分别是激进状态数据集、正常状态数据集和保守状态数据集;
训练基于高斯过程回归的跟车行为模型:基于所述三个跟车状态类型数据集和高斯过程回归算法,训练得到三个基于高斯过程回归的跟车行为模型,分别是激进跟车行为模型、正常跟车行为模型和保守跟车行为模型;
测试基于高斯过程回归的跟车行为模型。
其中,驾驶员控制的车辆为主车,前车相对加速度指的是主车前方车辆相对于主车的纵向加速度;主车相对加速度指的是主车相对于前车的纵向加速度。
高斯过程回归算法基本过程如下:
训练集为:
D=(X,y)
其中:X={xi},y={yi},xi表示第i个输入样本,yi表示第i个输出值。输入数据包括前车相对距离、前车相对纵向速度、前车相对加速度。输出数据为主车相对加速度。
y=f(xn)+ξn
均值为u*,核函数为k(xi,xj)。
其中,K(X,X)是相应的核函数,I是相应的单位矩阵,给定一个新的样本输入x*,则相应的输出为y*。根据贝叶斯原理,输出值y*与训练样本的联合分布为:
因此,可以计算出相应的后验分布y*。预测的输出y*可以表达为:
y*|X,y,x*~N(μ,∑)
其中,
式中预测的分布的均值实际上是测试输出的估计值,本发明选择使用平方指数协方差函数(squared exponential covariance function,SE),通过极大似然估计来求解核函数的超参数,包括σn、σf、l。SE核函数定义如下:
进一步地,模拟仿真试验中,模拟驾驶工况包括但不限于城市工况和高速工况。模拟仿真试验中,模拟驾驶总里程超过20km,试验数据采集频率为100Hz。试验数据由挑选的多位驾驶员进行采集,驾驶员的驾驶风格不同,操控车辆行驶时的跟车状态也不同,一般分为激进型、保守型和正常型。
进一步地,处理试验数据时,对所获得的原始试验数据进行归一化,归一化的公式如下式所示:
式中,i为数据编号,j为变量编号,xi,j表示未归一化的第i组数据中的第j个变量,Xj表示所有j对应的变量数据值组成的集合,min表示滤波后,试验数据中相关变量的最小值,max表示滤波后,试验数据中相关变量的最大值。
更进一步地,处理试验数据时,使用FCM算法将试验数据聚类,聚类得到三个跟车状态类型中心点:激进状态中心点、正常状态中心点和正常状态中心点;FCM聚类所得三个中心点中,前车相对距离值最小的为激进状态中心点、前车相对距离值最大的为保守状态中心点、剩余一个为正常状态中心点。FCM算法是一种以隶属度来确定每个数据点属于某个聚类程度的算法。本发明中,在确定了三个聚类中心点后,根据每个数据点与三个中心点的隶属度大小即可将试验数据进行分类获得三个跟车状态类型数据集。
本发明中,采用FCM算法将试验数据聚类的具体过程为:
在进行分类时,FCM算法的目标是最小化以下目标函数。
式中,D为数据点编号;N为群落个数;m是模糊划分矩阵指数,用于控制模糊重叠程度,且m>1。模糊重叠指的是不同种群之间的边界模糊程度,即可以显著地同时属于一个以上种群的点的个数;xi是第i个数据点。cj表示第j个群落的中心;uij是数据点xi属于第j个种群的程度,即隶属度。对应一个给定的数据点xi,其与所有种群的隶属度之和是1。
FCM的聚类步骤如下:
1.随机地对初始化种群隶属度值,uij。
2.计算群落中心
3.根据下式更新隶属度值
4.计算目标函数值Jm。
5.重复进行第2-4步,直到迭代次数达到最大值或者连续若干次迭代之间的目标函数值Jm减小量小于一定阈值。
更进一步地,处理试验数据时,将三个跟车状态类型数据集分别按照一定比例划分为训练数据集和测试数据集,得到激进训练数据集、正常训练数据集、保守训练数据集和激进测试数据集、正常测试数据集、保守测试数据集;分别使用激进训练数据集、正常训练数据集、保守训练数据集训练,得到三个基于高斯过程回归的跟车行为模型;分别使用激进测试数据集、正常测试数据集、保守测试数据集测试得到的三个基于高斯过程回归的跟车行为模型。
更进一步地,训练模型时,模型的输入变量为前车相对距离、前车相对纵向速度、前车相对加速度;输出变量为主车相对加速度。
更进一步地,测试模型时,输入数据为前车相对距离、前车相对纵向速度、前车相对加速度;输出数据为预测的主车相对加速度;若某一测试数据点预测的主车相对加速度与真实值之间的相对误差与真实值的比值小于一定阈值,则该测试数据点预测成功,否则预测失败。该阈值根据建模精度要求不同而不同。
若某一测试数据集中预测成功的测试数据点个数与数据点总数的比值大于或等于阈值80%,则建模成功。否则,重新进行模拟驾驶试验并采集数据。
在实际使用中,将获得的三个基于高斯过程回归的跟车行为模型应用于模拟驾驶器的仿真软件中,根据需要选用其中一个模型来控制车辆的跟车行为,车辆在行驶过程中时,根据实时输入模型的前车相对距离、前车相对纵向速度、前车相对加速度,计算得到主车相对加速度,从而实现相应跟车行为的模拟。
由于采用上述技术方案,本发明达到以下有益效果:本发明基于模拟驾驶器的仿真试验,通过高斯过程回归算法对车辆跟车行为进行建模,获激进跟车行为模型、正常跟车行为模型和保守跟车行为模型,能够更加逼真地模拟真实车辆跟车行为;本发明具有数据采集便捷、建模速度快等优点,将获得的模型运用在驾驶仿真软件,可提高模拟交通环境的仿真度,克服了现有技术的缺陷。
附图说明
图1为根据本发明的基于高斯过程回归的跟车行为建模方法的步骤流程示意图。
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,本实施例的一种基于高斯过程回归的跟车行为建模方法,包括如下步骤:
S 1.进行模拟驾驶试验并采集试验数据:
由驾驶员使用模拟驾驶器进行仿真环境下的模拟驾驶试验,模拟驾驶工况包括但不限于城市工况、高速工况。试验数据由挑选的多位驾驶员进行采集,驾驶员的驾驶风格不同,操控车辆行驶时的跟车行为风格也不同,一般分为激进型、保守型和正常型。采集的数据包括前车相对距离、前车相对纵向速度、前车相对加速度、主车相对加速度,数据采样频率为100Hz。总试验里程超过20km。其中,驾驶员控制的车辆为主车,前车相对加速度指的是主车前方车辆相对于主车的纵向加速度;主车相对加速度指的是主车相对于前车的纵向加速度。
S2.处理试验数据:
首先对所获得的原始试验数据进行归一化,归一化的公式如下式所示:
式中,i为数据编号,j为变量编号,xi,j表示未归一化的第i组数据中的第j个变量,Xj表示所有j对应的变量数据值组成的集合,min表示滤波后,试验数据中相关变量的最小值,max表示滤波后,试验数据中相关变量的最大值。
然后使用FCM算法将试验数据聚类,聚类得到三个跟车状态类型中心点:激进状态中心点、正常状态中心点和正常状态中心点;FCM聚类所得三个中心点中,前车相对距离值最小的为激进状态中心点、前车相对距离值最大的为保守状态中心点、剩余一个为正常状态中心点。确定了三个聚类中心点后,根据每个数据点与三个中心点的隶属度大小即可将试验数据进行分类获得三个跟车状态类型数据集,分别是激进状态数据集、正常状态数据集和保守状态数据集。
在进行分类时,FCM算法的目标是最小化以下目标函数。
式中,D为数据点编号;N为群落个数;m是模糊划分矩阵指数,用于控制模糊重叠程度,且m>1。模糊重叠指的是不同种群之间的边界模糊程度,即可以显著地同时属于一个以上种群的点的个数;xi是第i个数据点。cj表示第j个群落的中心;uij是数据点xi属于第j个种群的程度,即隶属度。对应一个给定的数据点xi,其与所有种群的隶属度之和是1。
FCM的聚类步骤如下:
1.随机地对初始化种群隶属度值,uij。
2.计算群落中心
3.根据下式更新隶属度值
4.计算目标函数值Jm。
5.重复进行第2-4步,直到迭代次数达到最大值1000时停止迭代并输出结果。
将三个跟车状态类型数据集分别按照一定比例,本实施例中按9:1,划分为训练数据集和测试数据集,得到激进训练数据集、正常训练数据集、保守训练数据集和激进测试数据集、正常测试数据集、保守测试数据集。
S3.训练基于高斯过程回归的跟车行为模型:
基于训练数据集和高斯过程回归算法,分别使用三个训练数据集,训练得到基于高斯过程回归的驾驶员跟车行为模型,即激进跟车行为模型、正常跟车模型和保守跟车模型。
训练模型时,输入数据为前车相对距离、前车相对纵向速度、前车相对加速度;输出为主车相对加速度。
S4.测试基于高斯过程回归的跟车行为模型:
使用三个测试数据集,分别测试三种跟车行为模型。模型输入数据为前车相对距离、前车相对纵向速度、前车相对加速度;输出为预测的主车相对加速度。
若某一测试数据点经过模型预测的主车相对加速度与真实值之间的相对误差与真实值的比值小于一定阈值,则该测试数据点预测成功,否则预测失败。
若预测成功的数据点个数与相关测试数据集中数据点总数的比值大于阈值80%,则建模成功,不需要进行补充试验。否则建模失败,需要重新进行模拟驾驶试验采集试验数据。本实施例中,预测成功的数据点个数与相关测试数据集中数据点总数的比值为89%,建模成功。
通过本实施例的建模方法可快速建立获得激进型、正常型和保守型三种跟车行为模型,在自动驾驶仿真系统中应用,可提高系统中车辆跟车行为的仿真度。
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 (5)
1.一种基于高斯过程回归的跟车行为建模方法,其特征在于,包括以下步骤:
进行模拟驾驶试验并采集试验数据:由驾驶员使用模拟驾驶器进行仿真环境下的模拟驾驶试验,采集的试验数据包括前车相对距离、前车相对纵向速度、前车相对加速度、主车相对加速度;
处理试验数据:使用分类算法对试验数据进行聚类,获得三个跟车状态类型数据集,分别是激进状态数据集、正常状态数据集和保守状态数据集;处理试验数据时,使用FCM算法将试验数据聚类,聚类得到三个跟车状态类型中心点:激进状态中心点、正常状态中心点和保守状态中心点;FCM聚类所得三个中心点中,前车相对距离值最小的为激进状态中心点、前车相对距离值最大的为保守状态中心点、剩余一个为正常状态中心点;
训练基于高斯过程回归的跟车行为模型:基于所述三个跟车状态类型数据集和高斯过程回归算法,训练得到三个基于高斯过程回归的跟车行为模型,分别是激进跟车行为模型、正常跟车行为模型和保守跟车行为模型; 训练模型时,模型的输入变量为前车相对距离、前车相对纵向速度、前车相对加速度;输出变量为主车相对加速度;
测试基于高斯过程回归的跟车行为模型,测试模型时,输入数据为前车相对距离、前车相对纵向速度、前车相对加速度;输出数据为预测的主车相对加速度;若某一测试数据点预测的主车相对加速度与真实值之间的相对误差与真实值的比值小于一定阈值,则该测试数据点预测成功,否则预测失败,若某一测试数据集中预测成功的测试数据点个数与数据点总数的比值大于或等于阈值80%,则建模成功。
2.根据权利要求1所述基于高斯过程回归的跟车行为建模方法,其特征在于,模拟仿真试验中,模拟驾驶工况包括城市工况和高速工况。
3.根据权利要求1所述基于高斯过程回归的跟车行为建模方法,其特征在于,模拟仿真试验中,模拟驾驶总里程超过20km,试验数据采集频率为100Hz。
4.根据权利要求1所述基于高斯过程回归的跟车行为建模方法,其特征在于,处理试验数据时,对所获得的原始试验数据进行归一化,归一化的公式如下式所示:
;
式中,i为数据编号,j为变量编号,x i,j 表示未归一化的第i组数据中的第j个变量,X j 表示所有j对应的变量数据值组成的集合,min表示滤波后,试验数据中相关变量的最小值,max表示滤波后,试验数据中相关变量的最大值。
5.根据权利要求1-4任意一项所述基于高斯过程回归的跟车行为建模方法,其特征在于,处理试验数据时,将三个跟车状态类型数据集分别按照一定比例划分为训练数据集和测试数据集,得到激进训练数据集、正常训练数据集、保守训练数据集和激进测试数据集、正常测试数据集、保守测试数据集;分别使用激进训练数据集、正常训练数据集、保守训练数据集训练,得到三个基于高斯过程回归的跟车行为模型;分别使用激进测试数据集、正常测试数据集、保守测试数据集测试得到的三个基于高斯过程回归的跟车行为模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011570761.2A CN112560354B (zh) | 2020-12-26 | 2020-12-26 | 一种基于高斯过程回归的跟车行为建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011570761.2A CN112560354B (zh) | 2020-12-26 | 2020-12-26 | 一种基于高斯过程回归的跟车行为建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560354A CN112560354A (zh) | 2021-03-26 |
CN112560354B true CN112560354B (zh) | 2024-02-23 |
Family
ID=75033296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011570761.2A Active CN112560354B (zh) | 2020-12-26 | 2020-12-26 | 一种基于高斯过程回归的跟车行为建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560354B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
CN111547064A (zh) * | 2020-05-26 | 2020-08-18 | 吉林大学 | 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法 |
CN111994084A (zh) * | 2020-09-21 | 2020-11-27 | 华南理工大学 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902336B2 (en) * | 2017-10-03 | 2021-01-26 | International Business Machines Corporation | Monitoring vehicular operation risk using sensing devices |
-
2020
- 2020-12-26 CN CN202011570761.2A patent/CN112560354B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016193A (zh) * | 2017-04-06 | 2017-08-04 | 中国科学院自动化研究所 | 驾驶员跟车行为分析中的期望跟车距离计算方法 |
CN111547064A (zh) * | 2020-05-26 | 2020-08-18 | 吉林大学 | 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法 |
CN111994084A (zh) * | 2020-09-21 | 2020-11-27 | 华南理工大学 | 一种驾驶员驾驶风格识别方法及其系统、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112560354A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280484B (zh) | 一种驾驶员加速特性在线分类与辨识方法 | |
CN112172813B (zh) | 基于深度逆强化学习的模拟驾驶风格的跟车系统及方法 | |
CN112801143B (zh) | 基于K-Means和高斯过程回归的转向路感模拟方法 | |
CN105034986B (zh) | 一种驾驶员转向特性在线辨识方法及装置 | |
CN112668172B (zh) | 考虑车型和驾驶风格异质性的跟驰行为建模方法及其模型 | |
CN110386144B (zh) | 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法 | |
CN109840595B (zh) | 一种基于群体学习行为特征的知识追踪方法 | |
CN112141098B (zh) | 一种智能驾驶汽车避障决策方法及装置 | |
CN112859898A (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN117474168A (zh) | 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN112632705A (zh) | 一种基于gmm和高斯过程回归的路感模拟方法 | |
CN113806857A (zh) | 一种基于变分图自编码器的高速列车节能制动方法 | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN112560354B (zh) | 一种基于高斯过程回归的跟车行为建模方法 | |
CN112632706A (zh) | 一种基于gmm和cart回归树的路感模拟方法 | |
CN117610681A (zh) | 基于模仿学习和离散强化学习的自动驾驶汽车决策方法 | |
CN112396118A (zh) | 一种基于gm-hmm的驾驶员加速意图建模方法 | |
CN114819449A (zh) | 预测车辆除霜性能的方法、装置、设备及存储介质 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN113609777A (zh) | 一种基于车载感知设备的车辆行为分析方法与装置 | |
CN112651134A (zh) | 基于高斯过程回归的转向路感模拟方法 | |
CN112528568A (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 |
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 |