CN112560782A - 一种基于随机森林算法的车辆换道行为识别方法 - Google Patents
一种基于随机森林算法的车辆换道行为识别方法 Download PDFInfo
- Publication number
- CN112560782A CN112560782A CN202011570758.0A CN202011570758A CN112560782A CN 112560782 A CN112560782 A CN 112560782A CN 202011570758 A CN202011570758 A CN 202011570758A CN 112560782 A CN112560782 A CN 112560782A
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- data
- test
- random forest
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 43
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 114
- 230000008859 change Effects 0.000 claims abstract description 88
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000009471 action Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 30
- 238000005516 engineering process Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/18—Details relating to CAD techniques using virtual or augmented reality
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (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随机森林算法的车辆换道行为识别方法,其步骤包括:获取车辆的换道动作信号和车辆周围道路数据;将所述车辆周围道路数据输入基于随机森林算法的车辆换道行为识别模型,获取由所述车辆换道行为识别模型计算得到的预测换道意图;当所述车辆的换道动作信号所对应的实际换道意图与所述预测换道意图不一致时,车辆控制系统发出危险警告;其中,所述基于随机森林算法的车辆换道行为识别模型,由多个驾驶员在模拟驾驶器中进行仿真试验采集试验数据后,通过随机森林分类算法训练得到。本发明采用的模型数据采集便捷、建模成本低,可以高准确度地识别车辆换道意图,提升车辆的安全性,一定程度上克服了当前技术的缺陷。
Description
技术领域
本发明涉及辅助驾驶系统的驾驶行为识别技术领域,特别涉及一种基于随机森林算法的车辆换道行为识别方法。
背景技术
随着计算机技术,尤其是人工智能技术的发展,使用智能化手段辅助驾驶员进行危险行为判断已经成为了可能。在完全无人驾驶技术成熟之前,辅助驾驶将长期作为汽车智能化的主要方向。随着我国汽车保有量的逐年攀升,由于驾驶员不规范行驶造成的生命或财产损失总量也在不断上升,其中,由于驾驶员不规范变道造成的交通事故量也居高不下。因此,有必要开发一种能够准确判断驾驶员是否处在换道恰当时期的车辆换道行为识别方法,从而对驾驶员提出换道建议或意见。
专利CN201910870854.8、“一种基于预测反馈的辅助驾驶用目标车辆换道识别方法”,提出实时采集周围目标车辆运动状态信息和道路结构信息,计算得到目标车辆预测运动轨迹与参考运动轨迹的累积距离偏差,从而判断车辆的换道目标。这种方式需要得到路面结构的相关信息,且对车辆运动状态信息精度要求高,轨迹预测计算量大,对于道路结构暂时未知,车辆运动状态信息不全的时候,难以发挥功能。
发明内容
本发明的主要目的在于提供一种基于随机森林算法的车辆换道行为识别方法,以解决现有技术的问题。
为了达到上述目的,本发明提供一种基于随机森林算法的车辆换道行为识别方法,包括以下步骤:
获取车辆的换道动作信号和车辆周围道路数据,所述换道动作信号包括左转换道信号或右转换道信号,所述车辆周围道路数据包括主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离;
将所述车辆周围道路数据输入基于随机森林算法的车辆换道行为识别模型,获取由所述车辆换道行为识别模型计算得到的预测换道意图;
当所述车辆的换道动作信号所对应的实际换道意图与所述预测换道意图不一致时,车辆辅助驾驶系统发出危险警告;
其中,所述基于随机森林算法的车辆换道行为识别模型,由多个驾驶员在模拟驾驶器中进行仿真试验采集试验数据后,通过随机森林分类算法训练得到。
优选地,所述左转换道信号包括主车打开左转方向灯或者碾压左侧车道线,所述右转换道信号包括主车打开右转方向灯或者碾压右侧车道线。左转换道信号表示驾驶员实际换道意图是左转换道,右转换道信号表示驾驶员实际换道意图是右转换道。
优选地,所述基于随机森林算法的车辆换道行为识别模型,建模过程具体包括以下步骤:
进行基于模拟驾驶器的驾驶员在环实时仿真试验并采集试验数据,由多个驾驶员进行模拟驾驶试验,采集的试验数据包括主车车道线方向速度、主车偏航角、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离;
处理试验数据,将试验数据按照换道时间段分类为左换道数据、右换道数据和车道保持数据,并使用换道标记数字进行对应标记;
使用标记后的试验数据,基于随机森林分类算法,训练得到基于随机森林算法的车辆换道行为识别模型,所述车辆换道行为识别模型的输入变量包括:主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离,所述车辆换道行为识别模型的输出变量为换道标记数字,根据所述换道标记数字获得预测换道意图。
优选地,建模过程还包括模型测试步骤:
将试验数据划分为训练数据库和测试数据库,使用训练数据库的数据训练基于随机森林分类算法的车辆换道行为识别模型;
使用测试数据库的数据测试基于随机森林分类算法的换道行为识别模型,并判断是否需要重新进行模拟驾驶试验。
在本发明的一些优选实施例中,模拟驾驶试验中,采用1:1城市道路和高速道路三维模型,并设置随机交通工况;模拟驾驶试验中,采用1:1城市道路和高速道路三维模型,并设置随机交通工况;驾驶员数量大于或等于50人,每位驾驶员进行两次模拟驾驶试验;每位驾驶员第一次试验时长60-90分钟,第二次试验时长10-30分钟。
在本发明的一些优选实施例中,试验中数据采集频率大于30Hz。
更进一步地,划分数据时,将每位驾驶员第一次试验所采集的试验数据放入训练数据库,第二次试验所采集的试验数据放入测试数据库。
更进一步地,处理试验数据时,换道开始时刻为方向灯打开时刻;
换道结束时刻为车辆后轮完全越过分隔车道线时刻;
换道时间段以换道开始时刻为起始时刻,以换道结束时刻为结束时刻;
将进行左转的换道时间段中的数据标记为左换道数据,使用左换道标记数字1表示;
将进行右转的换道时间段中的数据标记为右换道数据,使用右换道标记数字2表示;
将其它包含有车道线且不属于左换道数据和右换道数据的数据标记为车道保持数据,使用车道保持标记数字0表示。
其中,进一步地,模型测试的具体过程为:
使用一组测试数据测试换道行为识别模型时,以主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离为输入变量,经过模型计算得到预测换道标记数字,若预测换道标记数字与实际换道标记数字相同,则表示该组测试数据测试成功。
更进一步地,判断是否需要重新进行模拟驾驶试验的标准是:若测试成功的测试数据量与测试数据库中的总测试数据量的比值大于90%,则所得车辆换道行为识别模型可接受,否则需要重新进行模拟驾驶试验并重新建模。
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采集试验数据,训练基于随机森林分类算法的车辆换道行为识别模型,具有数据采集便捷、处理速度快、预测准确度高等优点;根据模型计算得到预测换道意图,从而当驾驶员的实际换道意图与预测换道意图不一致时,车辆控制系统及时发出危险警告,提醒驾驶员谨慎驾驶,及时纠正不恰当的换道行为,因此采用本发明可进一步提升车辆辅助驾驶系统的安全性。
附图说明
图1为根据本发明的基于随机森林算法的车辆换道识别方法的步骤流程图。
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。
实施例一
请结合图1,其表示根据本发明的基于随机森林算法的车辆换道识别方法的步骤流程图。具体地,包括建模步骤S1-S5和使用换道行为识别模型进行预测的识别步骤S6。以下对本实施例提供的一种基于随机森林算法的车辆换道行为识别方法的各个步骤进行详细说明。
S1.进行试验并采集数据:
进行基于模拟驾驶器的驾驶员在环实时仿真试验并采集试验数据,由多个驾驶员进行模拟驾驶试验。本实施例中,模拟驾驶试验中,采用1:1城市道路和高速道路三维模型,并设置随机交通工况,如路人横穿马路,前方车辆紧急制动等。驾驶员数量为50人,每位驾驶员进行两次模拟驾驶试验;每位驾驶员第一次试验时长60分钟,第二次试验10分钟。试验中数据采集频率大于30Hz。
采集的试验数据包括主车车道线方向速度、主车偏航角、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离。其中,主车为驾驶员所控制的车辆;分隔车道线为原车道与目标车道的公共车道线;主车车道线方向速度表示以中间车道线为基准,车辆纵向车速在当前车道中线方向上的分量;原车道前车相对速度表示,以分隔车道线为基准,主车与原车道前方车辆的相对速度;原车道前车相对距离表示,以分隔车道线为基准,主车与原车道前车车辆之间的相对距离;目标车道前车相对速度表示,以分隔车道线为基准,主车与目标车道前方车辆的相对速度;目标车道前车相对距离表示,以分隔车道线为基准,主车与目标车道前方车辆之间的相对距离;主车偏航角表示,以分隔车道线为基准,主车行进方向与该基准之间的夹角,偏左为正,偏右为负。
S2.处理试验数据:
将试验数据按照换道时间段分类为左换道数据、右换道数据和车道保持数据,并使用换道标记数字进行对应标记。处理试验数据时,换道开始时刻为方向灯打开时刻;换道结束时刻为车辆后轮完全越过分隔车道线时刻;换道时间段以换道开始时刻为起始时刻,以换道结束时刻为结束时刻;将进行左转的换道时间段中的数据标记为左换道数据,使用左换道标记数字1表示;将进行右转的换道时间段中的数据标记为右换道数据,使用右换道标记数字2表示;将其它包含有车道线且不属于左换道数据和右换道数据的数据标记为车道保持数据,使用车道保持标记数字0表示。
将试验数据划分为训练数据库和测试数据库,划分数据时,将每位驾驶员第一次试验所采集的试验数据放入训练数据库,第二次试验所采集的试验数据放入测试数据库。
S3.基于随机森林分类算法训练模型:
使用标记后的试验数据,基于随机森林分类算法,训练得到基于随机森林算法的车辆换道行为识别模型,将主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离作为所述车辆换道行为识别模型的输入变量,以换道标记数字为所述车辆换道行为识别模型的输出变量。根据模型预测得到的换道标记数字所对应的换道数据类型获得预测换道意图。
S4.测试模型:
使用一组测试数据测试换道行为识别模型时,以主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离为输入变量,经过模型计算得到预测换道标记数字,若预测换道标记数字与实际换道标记数字相同,则表示该组测试数据测试成功。
S5.判断是否需要重新试验:
判断是否需要重新进行模拟驾驶试验的标准是:若测试成功的测试数据量与测试数据库中的总测试数据量的比值大于90%,则所得车辆换道行为识别模型可接受,否则需要重新进行模拟驾驶试验并重新建模。模型测试合格后进入下一步骤。
S6.使用换道行为识别模型:
在实际使用过程中,主车打开左转方向灯或右转方向灯,或碾压左侧或右侧车道线时,车辆辅助驾驶系统获得车辆的换道动作信号,检测主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离,并使用基于随机森林算法的车辆换道行为识别模型预测得到当前车辆的最佳换道方式,即获得预测换道意图。若模型计算得到的换道标记数字所对应的预测换道意图与当前车辆方向灯或碾压的车道线对应的实际换道意图不同,则车辆辅助驾驶系统发出危险警告,提醒驾驶员谨慎驾驶,及时终止不恰当的换道行为,从而降低交通事故发生概率。
实施例二
本实施例中,模拟驾驶试验的驾驶员数量为80人,每位驾驶员进行两次模拟驾驶试验;每位驾驶员第一次试验时长75分钟,第二次试验时长20分钟。其余步骤与实施例一相同。
实施例三
本实施例中,模拟驾驶试验的驾驶员数量为100人,每位驾驶员进行两次模拟驾驶试验;每位驾驶员第一次试验时长90分钟,第二次试验时长30分钟。其余步骤与实施例一相同。
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)
1.一种基于随机森林算法的车辆换道行为识别方法,其特征在于,包括以下步骤:
获取车辆的换道动作信号和车辆周围道路数据,所述换道动作信号包括左转换道信号或右转换道信号,所述车辆周围道路数据包括主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离;
将所述车辆周围道路数据输入基于随机森林算法的车辆换道行为识别模型,获取由所述车辆换道行为识别模型计算得到的预测换道意图;
当所述车辆的换道动作信号所对应的实际换道意图与所述预测换道意图不一致时,车辆辅助驾驶系统发出危险警告;
其中,所述基于随机森林算法的车辆换道行为识别模型,由多个驾驶员在模拟驾驶器中进行仿真试验采集试验数据后,通过随机森林分类算法训练得到。
2.根据权利要求1所述基于随机森林算法的车辆换道行为识别方法,其特征在于,所述左转换道信号包括主车打开左转方向灯或者碾压左侧车道线,所述右转换道信号包括主车打开右转方向灯或者碾压右侧车道线。
3.根据权利要求1所述基于随机森林算法的车辆换道行为识别方法,其特征在于,所述基于随机森林算法的车辆换道行为识别模型,建模过程具体包括以下步骤:
进行基于模拟驾驶器的驾驶员在环实时仿真试验并采集试验数据,由多个驾驶员进行模拟驾驶试验,采集的试验数据包括主车车道线方向速度、主车偏航角、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离;
处理试验数据,将试验数据按照换道时间段分类为左换道数据、右换道数据和车道保持数据,并使用换道标记数字进行对应标记;
使用标记后的试验数据,基于随机森林分类算法,训练得到基于随机森林算法的车辆换道行为识别模型,所述车辆换道行为识别模型的输入变量包括:主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离,所述车辆换道行为识别模型的输出变量为换道标记数字,根据所述换道标记数字获得预测换道意图。
4.根据权利要求3所述基于随机森林算法的车辆换道行为识别方法,其特征在于,建模过程还包括模型测试步骤:
将试验数据划分为训练数据库和测试数据库,使用训练数据库的数据训练基于随机森林分类算法的车辆换道行为识别模型;
使用测试数据库的数据测试基于随机森林分类算法的换道行为识别模型,并判断是否需要重新进行模拟驾驶试验。
5.根据权利要求3或4所述基于随机森林算法的车辆换道行为识别方法,其特征在于,模拟驾驶试验中,采用1:1城市道路和高速道路三维模型,并设置随机交通工况;驾驶员数量大于或等于50人,每位驾驶员进行两次模拟驾驶试验;每位驾驶员第一次试验时长60-90分钟,第二次试验时长10-30分钟。
6.根据权利要求5所述基于随机森林算法的车辆换道行为识别方法,其特征在于,试验中数据采集频率大于30Hz。
7.根据权利要求5所述基于随机森林算法的车辆换道行为识别方法,其特征在于,将每位驾驶员第一次试验所采集的试验数据放入训练数据库,第二次试验所采集的试验数据放入测试数据库。
8.根据权利要求3或4所述基于随机森林算法的车辆换道行为识别方法,其特征在于,处理试验数据时,换道开始时刻为方向灯打开时刻;
换道结束时刻为车辆后轮完全越过分隔车道线时刻;
换道时间段以换道开始时刻为起始时刻,以换道结束时刻为结束时刻;
将进行左转的换道时间段中的数据标记为左换道数据,使用左换道标记数字1表示;
将进行右转的换道时间段中的数据标记为右换道数据,使用右换道标记数字2表示;
将其它包含有车道线且不属于左换道数据和右换道数据的数据标记为车道保持数据,使用车道保持标记数字0表示。
9.根据权利要求4所述基于随机森林算法的车辆换道行为识别方法,其特征在于,模型测试的具体过程为:
使用一组测试数据测试换道行为识别模型时,以主车车道线方向速度、原车道前车相对速度、原车道前车相对距离、原车道后车相对速度、原车道后车相对距离、目标车道前车相对速度、目标车道前车相对距离、目标车道后车相对速度、目标车道后车相对距离为输入变量,经过模型计算得到预测换道标记数字,若预测换道标记数字与实际换道标记数字相同,则表示该组测试数据测试成功。
10.根据权利要求9所述基于随机森林算法的车辆换道行为识别方法,其特征在于,判断是否需要重新进行模拟驾驶试验的标准是:若测试成功的测试数据量与测试数据库中的总测试数据量的比值大于90%,则所得车辆换道行为识别模型可接受,否则需要重新进行模拟驾驶试验并重新建模。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011570758.0A CN112560782A (zh) | 2020-12-26 | 2020-12-26 | 一种基于随机森林算法的车辆换道行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011570758.0A CN112560782A (zh) | 2020-12-26 | 2020-12-26 | 一种基于随机森林算法的车辆换道行为识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112560782A true CN112560782A (zh) | 2021-03-26 |
Family
ID=75033295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011570758.0A Pending CN112560782A (zh) | 2020-12-26 | 2020-12-26 | 一种基于随机森林算法的车辆换道行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560782A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560995A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于gm-hmm的停车意图辨别方法 |
CN115878998A (zh) * | 2022-12-06 | 2023-03-31 | 同济大学 | 一种车辆变道识别方法 |
CN116906556A (zh) * | 2023-07-11 | 2023-10-20 | 徐州徐工传动科技有限公司 | 一种自动变速器转弯换道工况智能挡位决策方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835319A (zh) * | 2015-04-07 | 2015-08-12 | 同济大学 | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 |
CN106777776A (zh) * | 2017-01-10 | 2017-05-31 | 长沙理工大学 | 一种基于支持向量机模型的车辆换道决策方法 |
CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
CN110188797A (zh) * | 2019-04-26 | 2019-08-30 | 同济大学 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
CN110203202A (zh) * | 2019-04-29 | 2019-09-06 | 长安大学 | 一种基于驾驶员意图识别的换道辅助预警方法及装置 |
CN110427850A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
CN110705388A (zh) * | 2019-09-16 | 2020-01-17 | 清华大学 | 一种基于预测反馈的辅助驾驶用目标车辆换道识别方法 |
CN110705774A (zh) * | 2019-09-26 | 2020-01-17 | 汉纳森(厦门)数据股份有限公司 | 一种车辆能耗分析的预测方法和系统 |
CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
CN111882923A (zh) * | 2020-07-15 | 2020-11-03 | 山东省网联智能车辆产业技术研究院有限公司 | 一种智能网联汽车行为辨识方法 |
CN111994089A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及系统 |
-
2020
- 2020-12-26 CN CN202011570758.0A patent/CN112560782A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835319A (zh) * | 2015-04-07 | 2015-08-12 | 同济大学 | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 |
CN106777776A (zh) * | 2017-01-10 | 2017-05-31 | 长沙理工大学 | 一种基于支持向量机模型的车辆换道决策方法 |
CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
CN110188797A (zh) * | 2019-04-26 | 2019-08-30 | 同济大学 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
CN110203202A (zh) * | 2019-04-29 | 2019-09-06 | 长安大学 | 一种基于驾驶员意图识别的换道辅助预警方法及装置 |
CN110427850A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院自动化研究所 | 驾驶员高速道路换道意图预测方法、系统、装置 |
CN110705388A (zh) * | 2019-09-16 | 2020-01-17 | 清华大学 | 一种基于预测反馈的辅助驾驶用目标车辆换道识别方法 |
CN110705774A (zh) * | 2019-09-26 | 2020-01-17 | 汉纳森(厦门)数据股份有限公司 | 一种车辆能耗分析的预测方法和系统 |
CN111209838A (zh) * | 2019-12-31 | 2020-05-29 | 清华大学 | 一种基于驾驶意图的周车换道行为动态识别方法 |
CN111882923A (zh) * | 2020-07-15 | 2020-11-03 | 山东省网联智能车辆产业技术研究院有限公司 | 一种智能网联汽车行为辨识方法 |
CN111994089A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人换道意图识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘亚龙: "基于数据驱动的微观交通流建模研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560995A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于gm-hmm的停车意图辨别方法 |
CN115878998A (zh) * | 2022-12-06 | 2023-03-31 | 同济大学 | 一种车辆变道识别方法 |
CN116906556A (zh) * | 2023-07-11 | 2023-10-20 | 徐州徐工传动科技有限公司 | 一种自动变速器转弯换道工况智能挡位决策方法 |
CN116906556B (zh) * | 2023-07-11 | 2024-04-09 | 徐州徐工传动科技有限公司 | 一种自动变速器转弯换道工况智能挡位决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560782A (zh) | 一种基于随机森林算法的车辆换道行为识别方法 | |
CN108428343B (zh) | 一种多车驾驶行为分析和危险预警方法及系统 | |
CN110647056B (zh) | 一种基于整车硬件在环的智能网联汽车环境模拟仿真系统 | |
KR20190054374A (ko) | 주행 경험 정보를 이용한 자율주행 학습 장치 및 방법 | |
CN113050455A (zh) | 一种用于智能网联汽车的数字孪生测试系统及控制方法 | |
CN110751847B (zh) | 一种自动驾驶车辆行为决策方法及系统 | |
CN110395258A (zh) | 路面状态推断装置以及路面状态推断方法 | |
CN113744563B (zh) | 一种基于轨迹数据的路-车风险实时估计方法 | |
CN111038502A (zh) | 一种安全车距预估、修正、预警、驾驶资质评估方法及系统 | |
CN112373483B (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
CN112288023A (zh) | 基于模拟驾驶器和svm算法的激进驾驶识别的建模方法 | |
CN112990563B (zh) | 一种高速公路追尾事故风险实时预测方法 | |
CN115985096B (zh) | 一种导航驾驶辅助系统道路通行场景下的测评系统及方法 | |
CN112560170A (zh) | 一种基于驾驶模拟器动力学分析的交通事故分析方法 | |
DE102022102501B3 (de) | Verfahren, System und Computerprogrammprodukt zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs | |
CN112257267B (zh) | 一种车辆轮胎包络的制作方法及系统 | |
CN113945224A (zh) | 智能驾驶adas测试场景自动化生成方法及系统 | |
CN112308171A (zh) | 一种基于模拟驾驶器的车辆位置预测建模方法 | |
CN112686127A (zh) | 基于gm-hmm的驾驶员超车意图识别方法 | |
CN112396120A (zh) | 一种基于svm算法的车辆换道意图识别建模方法 | |
CN112464160B (zh) | 一种基于模拟驾驶器的制动失效驾驶员行为建模方法 | |
CN115966100B (zh) | 一种行车安全控制方法及系统 | |
CN118072553B (zh) | 一种交通安全智能管控系统 | |
CN114999134B (zh) | 一种驾驶行为预警方法、装置及系统 | |
CN111815947B (zh) | 一种面向高速公路自然驾驶车辆的变道时间模型建立方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
RJ01 | Rejection of invention patent application after publication |