CN112590815B - 基于act-r的自动驾驶预测节能认知模型的构建方法 - Google Patents
基于act-r的自动驾驶预测节能认知模型的构建方法 Download PDFInfo
- Publication number
- CN112590815B CN112590815B CN202011531429.5A CN202011531429A CN112590815B CN 112590815 B CN112590815 B CN 112590815B CN 202011531429 A CN202011531429 A CN 202011531429A CN 112590815 B CN112590815 B CN 112590815B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- automatic driving
- model
- knowledge
- act
- 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
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
-
- 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
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供了一种基于ACT‑R的自动驾驶预测节能认知模型的构建方法,包括:基于感知陈述性知识的安全态势估计,视觉模块连续感知外部信息,通过视觉缓冲把信息送入记忆模块,进行预测和安全态势估计;基于过程知识构建自动驾驶决策规则和决策结果,使用陈述性知识及安全态势估计结果,结合常规自动驾驶决策算法,触发一条或多条决策规划和决策结果;基于优化能耗的车辆横纵向控制,以能耗为优化目标,执行完成对车辆的横纵向控制。本发明提供的基于ACT‑R的自动驾驶预测节能认知模型的构建方法,把人类心理学ACT‑R模型引入自动驾驶预测中,对驾驶环境进行预测认知建模,以优化能耗为模型目标,提升了自动驾驶的用户体验。
Description
技术领域
本发明涉及自动驾驶技术领域,特别是涉及一种基于ACT-R的自动驾驶预测节能认知模型的构建方法。
背景技术
ACT-R是解释人类认知过程工作机理的理论。ACT-R主要有基本模块、缓冲和模式匹配三种类型的部件组成,基本模块有两种类型:感知运动模块和记忆模块,感知运动模块负责系统与外界的交互,ACT-R比较完善的感知运动模块是视觉和操作模块,目标模块也是ACT-R中普遍使用而在神经生物学上尚未认定的感知运动模块,在ACT-R体系中有两类记忆模块,陈述性记忆模块和过程性记忆模块,陈述性记忆也叫做陈述性知识,由可以独立表示的小知识单元或小逻辑单元组成,是一些存在的事实,过程性记忆也叫过程性知识,由产生过程组成,是关于怎么做事情的知识,例如怎样转弯等,生成过程实质上是一条当条件满足时被激发的条件反射的触发规则;缓冲是实现中心生成系统与其他基本模块交互的接口,ACT-R通过缓冲访问基本模块(过程性记忆模块除外),对于所有基本模块都有专门的缓冲负责与相关模块交互,缓冲的内容标示ACT-R的目前状态;模式匹配是在知识库中搜索和缓冲状态一致的生成规则,如果是规则匹配则被模型触发,同一时间只有一个规则被触发,触发结果修改缓冲状态从而改变系统的状态,ACT-R认知过程实质就是生成规则的不断触发,模拟个体做出的连续认知过程。
自动驾驶是复杂的汽车电子控制任务,涉及多学科、多动态任务交互和执行。已有的多数成功的驾驶行为模型证实,模型对于驾驶员行为的理解和模型理论本身在实际系统开发中的实践应用,都非常重要。把人类心理学ACT-R模型引入自动驾驶预测,精准的解释和模拟人类驾驶行为,对驾驶环境进行预测认知建模,以能耗为模型优化目标,同时为动态拟合用户个性化风格,提升自动驾驶的用户体验,这是十分有必要的。
发明内容
本发明的目的是提供一种基于ACT-R的自动驾驶预测节能认知模型的构建方法,把人类心理学ACT-R模型引入自动驾驶预测中,对驾驶环境进行预测认知建模,以优化能耗为模型目标,提升了自动驾驶的用户体验。
为实现上述目的,本发明提供了如下方案:
一种基于ACT-R的自动驾驶预测节能认知模型的构建方法,应用于基于ACT-R的自动驾驶预测节能认知模型,所述模型包括:视觉模块、缓冲模块、目标模块、记忆模块及动作模块,所述视觉模块用于感知外部环境的状态,所述记忆模块用于储存陈述性知识和过程知识,所述缓冲模块包含外部状态和内部推理的所有动态信息,所述缓冲模块包括视觉缓冲区、动作缓冲区及目标缓冲区,所述动作模块用于执行模型决策;
所述方法包括以下步骤:
步骤1:基于感知陈述性知识的安全态势估计:通过视觉模块连续感知外部环境信息,通过视觉缓冲区把收集到的信息送入记忆模块,根据ACT-R的陈述性知识进行预测及安全态势估计;
步骤2:基于过程知识构建自动驾驶决策规则和决策结果:通过使用ACT-R的陈述性知识及步骤1中所述安全态势估计的结果,结合常规自动驾驶决策算法,以及通过目标模块进入目标缓冲区的目标内容,触发一条或多条决策规则和决策结果;
步骤3:基于优化能耗的车辆横纵向控制:横纵向控制包括横向控制及纵向控制,对车辆横向控制为方向盘操作,即转向,对车辆纵向控制为油门和刹车操作,即加速与减速,以能耗为优化目标,查询收集到的信息是否与陈述性知识相匹配,未能匹配信息则被丢弃,匹配信息触发一条生产规则,将执行结果送入动作缓冲区,通过动作模块执行完成对车辆的横纵向控制。
可选的,所述步骤1中,感知陈述性知识的构建和基于感知陈述性知识的安全态势估计,具体为:
陈述性知识构建:陈述性知识包含储存位置、目标类型、所在车道、方向和距离,使用ACT-R的陈述性知识对当前环境进行编码,提供了有关潜在驾驶环境错误的预判,该体系结构内置了内存衰减机制,编码车辆位置和距离的部分会迅速衰减,在不经常刷新时会被忘记,从而提供有关错误估计周围环境和潜在危险车道变化的预测,在该模型使用依赖于内存的改进策略,实现对驾驶全局陈述性知识的构建;
基于感知陈述性知识的安全态势估计:基于上述陈述性知识,将车身周围的区域分成四个感兴趣区域,分别为左车道、右车道、前向区域及后向区域,当某个感兴趣区域存在车辆时,将视觉模块的注意力转移到该区域,并对该区域中的元素进行编码,并作为陈述性知识储存在记忆模块中;并对当前区域进行安全态势估计,计算两辆车以当前速度和相同轨迹继续行驶时发生碰撞的时间TTC,TTC通过以下方式计算:
其中,Di为车辆间的相对距离,v为跟随车辆的速度,vi为被跟随车辆的速度,若两车辆以相同的速度行驶,则TTC是无限的,若被跟随的车辆进行紧急制动,则车辆将有相撞的风险,需要计算TIV,TIV用于检测低车距,TIV通过以下方式计算:
若根据收集到的信息计算出的数据小于陈述性知识内的关键指标,则对车辆进行决策及动作控制。
可选的,步骤2中,根据过程知识构建自动驾驶决策规则决策规则,具体为:基于最小效用值选择和获取生产规则,过程知识由所述生产规则表示,根据来自陈述性知识和来自外部环境的输入信息决定来执行哪个生产规则;步骤2中,根据过程知识构建自动驾驶决策结果,具体为:执行生产规则触发模型执行特定的操作或对模型内部进行修改;步骤2中,在指定周期内,模型会探测一次感知得到的元素,当元素重复出现时,增加激活值,提高记忆中的再现性,同时使用LRU算法,清除几乎不访问的元素的储存记忆。
可选的,所述步骤3中的横向控制包括如下步骤:
401:确定近点及远点,确定近点,近点代表车辆当前车道的位置,设置在距车辆中心10米的距离,用来判断车辆距离车道中心的距离,确定远点,远点表示即将到来的道路曲率,用来判断车辆应该执行的导航操作,直行道路的远点为到转弯道路的转折点的最大值,转弯路段的远点为曲线的切点;
402:根据标准比例积分PI控制器得出转向控制定律,假设驾驶员正在转向,使得行驶方向相对于单个目标点保持固定的视角,给定所需目标的视觉方向,调整转向角θ,使得其中代表系统不断尝试最小化的误差项,将PI控制器描述为以下公式:
使转向的变化与θ的变化成比例,并且与θ的实际值成比例,恒定值kp和k1,分别缩放比例项和积分项;
在模型中,横向控制需要感知显着点并通过运动控制来执行,首先将视觉注意力移至近点,然后移至远点,确定两个点的视角θnear和θfar,并计算与上一个计算周期的差,即Δθnear、Δθfar和Δt,通过增量值对车辆的转向角进行计算,转向角的控制定律用离散形式表示为:
求导形式,如下所示:
可选的,所述步骤3中的纵向控制包括如下步骤:
501:计算与被跟随车辆相距的时间间隔thwcar及与被跟随车辆的理想车程时间thwfollow,计算Δthwcar;
502:纵向控制与横向控制过程类似,该模型对前车的位置进行编码表示为:
Δψ=kcarΔthwcar+kfollow(thwcar-thwfollow)Δt
其中Δthwcar是与前方车辆相距的行驶时间,thwfollow是与前方车辆的理想车程时间。
503:添加两个约束条件,与被跟随车辆的距离等于理想距离,即thwcar=thwfollow,变化稳定,即Δthwcar=0;
504:以瞬时能耗Eins和长期能耗ELonT为优化目标,目标函数如下:
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于ACT-R的自动驾驶预测节能认知模型的构建方法,精准的解释和模拟了人类驾驶行为,把人类心理学ACT-R模型引入自动驾驶预测,对驾驶环境进行预测认知建模,以能耗为模型优化目标,提升了自动驾驶的用户体验,使模型能够处理尽可能多的驾驶相关任务,同时融入了实时控制及车辆动力学,从而更好的优化模型节约能耗,通过实时感知与运动过程交互的认知过程执行驾驶任务;认知体系结构模型整合了感知觉、记忆与学习、推理判断和问题解决等各方面的认知心理学理论,因此能够更全面地模拟人类思考过程;更容易与其他智能系统相互整合,开发出智能学习训练及智能辅助系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于ACT-R的自动驾驶预测节能认知模型的构建方法流程示意图;
图2为ACT-R的模型示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于ACT-R的自动驾驶预测节能认知模型的构建方法,把人类心理学ACT-R模型引入自动驾驶预测中,对驾驶环境进行预测认知建模,以优化能耗为模型目标,提升了自动驾驶的用户体验。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-2所示,本发明实施例提供的基于ACT-R的自动驾驶预测节能认知模型的构建方法,应用于基于ACT-R的自动驾驶预测节能认知模型,所述模型包括:视觉模块、缓冲模块、目标模块、记忆模块及动作模块,所述视觉模块用于感知外部环境的状态,所述记忆模块用于储存陈述性知识和过程知识,所述缓冲模块包含外部状态和内部推理的所有动态信息,所述缓冲模块包括视觉缓冲区、动作缓冲区及目标缓冲区,所述动作模块用于执行模型决策;
所述方法包括以下步骤:
步骤1:基于感知陈述性知识的安全态势估计:通过视觉模块连续感知外部环境信息,通过视觉缓冲区把收集到的信息送入记忆模块,根据ACT-R的陈述性知识进行预测及安全态势估计;
步骤2:基于过程知识构建自动驾驶决策规则和决策结果:通过使用ACT-R的陈述性知识及步骤1中所述安全态势估计的结果,结合常规自动驾驶决策算法,以及通过目标模块进入目标缓冲区的目标内容,触发一条或多条决策规则和决策结果;
步骤3:基于优化能耗的车辆横纵向控制:横纵向控制包括横向控制及纵向控制,对车辆横向控制为方向盘操作,即转向,对车辆纵向控制为油门和刹车操作,即加速与减速,以能耗为优化目标,查询收集到的信息是否与陈述性知识相匹配,未能匹配信息则被丢弃,匹配信息触发一条生产规则,将执行结果送入动作缓冲区,通过动作模块执行完成对车辆的横纵向控制。
所述步骤1中,感知陈述性知识的构建和基于感知陈述性知识的安全态势估计,具体为:
陈述性知识构建:陈述性知识包含储存位置、目标类型、所在车道、方向和距离,使用ACT-R的陈述性知识对当前环境进行编码,提供了有关潜在驾驶环境错误的预判,该体系结构内置了内存衰减机制,编码车辆位置和距离的部分会迅速衰减,在不经常刷新时会被忘记,从而提供有关错误估计周围环境和潜在危险车道变化的预测,在该模型使用依赖于内存的改进策略,实现对驾驶全局陈述性知识的构建;
基于感知陈述性知识的安全态势估计:基于上述陈述性知识,将车身周围的区域分成四个感兴趣区域,分别为左车道、右车道、前向区域及后向区域,当某个感兴趣区域存在车辆时,将视觉模块的注意力转移到该区域,并对该区域中的元素进行编码,并作为陈述性知识储存在记忆模块中;并对当前区域进行安全态势估计,计算两辆车以当前速度和相同轨迹继续行驶时发生碰撞的时间TTC,TTC通过以下方式计算:
其中,Di为车辆间的相对距离,v为跟随车辆的速度,vi为被跟随车辆的速度,若两车辆以相同的速度行驶,则TTC是无限的,若被跟随的车辆进行紧急制动,则车辆将有相撞的风险,需要计算TIV,TIV用于检测低车距,TIV通过以下方式计算:
若根据收集到的信息计算出的数据小于陈述性知识内的关键指标,则对车辆进行决策及动作控制。
步骤2中,根据过程知识构建自动驾驶决策规则决策规则,具体为:基于最小效用值选择和获取生产规则,过程知识由所述生产规则表示,根据来自陈述性知识和来自外部环境的输入信息决定来执行哪个生产规则;步骤2中,根据过程知识构建自动驾驶决策结果,具体为:执行生产规则触发模型执行特定的操作或对模型内部进行修改;步骤2中,在指定周期内,模型会探测一次感知得到的元素,当元素重复出现时,增加激活值,提高记忆中的再现性,同时使用LRU算法,清除几乎不访问的元素的储存记忆。
所述步骤3中的横向控制包括如下步骤:
401:确定近点及远点,确定近点,近点代表车辆当前车道的位置,设置在距车辆中心10米的距离,用来判断车辆距离车道中心的距离,确定远点,远点表示即将到来的道路曲率,用来判断车辆应该执行的导航操作,直行道路的远点为到转弯道路的转折点的最大值,转弯路段的远点为曲线的切点;
402:根据标准比例积分PI控制器得出转向控制定律,假设驾驶员正在转向,使得行驶方向相对于单个目标点保持固定的视角,给定所需目标的视觉方向,调整转向角θ,使得其中代表系统不断尝试最小化的误差项,将PI控制器描述为以下公式:
使转向的变化与θ的变化成比例,并且与θ的实际值成比例,恒定值kp和k1,分别缩放比例项和积分项;
在模型中,横向控制需要感知显着点并通过运动控制来执行,首先将视觉注意力移至近点,然后移至远点,确定两个点的视角θnear和θfar,并计算与上一个计算周期的差,即Δθnear、Δθfar和Δt,通过增量值对车辆的转向角进行计算,转向角的控制定律用离散形式表示为:
求导形式,如下所示:
所述步骤3中的纵向控制包括如下步骤:
501:计算与被跟随车辆相距的时间间隔thwcar及与被跟随车辆的理想车程时间thwfollow,计算Δthwcar;
502:纵向控制与横向控制过程类似,该模型对前车的位置进行编码表示为:
Δψ=kcarΔthwcar+kfollow(thwcar-thwfollow)Δt
其中Δthwcar是与前方车辆相距的行驶时间,thwfollow是与前方车辆的理想车程时间。
503:添加两个约束条件,与被跟随车辆的距离等于理想距离,即thwcar=thwfollow,变化稳定,即Δthwcar=0;
504:以瞬时能耗Eins和长期能耗ELonT为优化目标,目标函数如下:
以超车为例,如果自己的车辆在右车道,模型检查此时路面前方的车辆情况,如果前方有阻碍车辆,且thwcar<thwfollow,则进行变道到左车道,模型检查左车道前方的车辆情况,若无车则回到右车道,超车完成,若有车,则说明前方车辆也在超车中,等待前方车辆超车完毕后,在进行变道,回到右车道,完成超车。
本发明提供的基于ACT-R的自动驾驶预测节能认知模型的构建方法,精准的解释和模拟了人类驾驶行为,把人类心理学ACT-R模型引入自动驾驶预测,对驾驶环境进行预测认知建模,以能耗为模型优化目标,提升了自动驾驶的用户体验,使模型能够处理尽可能多的驾驶相关任务,同时融入了实时控制及车辆动力学,从而更好的优化模型节约能耗,通过实时感知与运动过程交互的认知过程执行驾驶任务;认知体系结构模型整合了感知觉、记忆与学习、推理判断和问题解决等各方面的认知心理学理论,因此能够更全面地模拟人类思考过程;更容易与其他智能系统相互整合,开发出智能学习训练及智能辅助系统。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于ACT-R的自动驾驶预测节能认知模型的构建方法,其特征在于,应用于基于ACT-R的自动驾驶预测节能认知模型,所述模型包括:视觉模块、缓冲模块、目标模块、记忆模块及动作模块,所述视觉模块用于感知外部环境的状态,所述记忆模块用于储存陈述性知识和过程知识,所述缓冲模块包含外部状态和内部推理的所有动态信息,所述缓冲模块包括视觉缓冲区、动作缓冲区及目标缓冲区,所述动作模块用于执行模型决策;
所述方法包括以下步骤:
步骤1:基于感知陈述性知识的安全态势估计:通过视觉模块连续感知外部环境信息,通过视觉缓冲区把收集到的信息送入记忆模块,根据ACT-R的陈述性知识进行预测及安全态势估计;
步骤2:基于过程知识构建自动驾驶决策规则和决策结果:通过使用ACT-R的陈述性知识及步骤1中所述安全态势估计的结果,结合常规自动驾驶决策算法,以及通过目标模块进入目标缓冲区的目标内容,触发一条或多条决策规则和决策结果;
步骤3:基于优化能耗的车辆横纵向控制:横纵向控制包括横向控制及纵向控制,对车辆横向控制为方向盘操作,即转向,对车辆纵向控制为油门和刹车操作,即加速与减速,以能耗为优化目标,查询收集到的信息是否与陈述性知识相匹配,未能匹配信息则被丢弃,匹配信息触发一条生产规则,将执行结果送入动作缓冲区,通过动作模块执行完成对车辆的横纵向控制;
所述步骤1中,感知陈述性知识的构建和基于感知陈述性知识的安全态势估计,具体为:
陈述性知识构建:陈述性知识包含储存位置、目标类型、所在车道、方向和距离,使用ACT-R的陈述性知识对当前环境进行编码,提供了有关潜在驾驶环境错误的预判,体系结构内置了内存衰减机制,编码车辆位置和距离的部分会迅速衰减,在不经常刷新时会被忘记,从而提供有关错误估计周围环境和潜在危险车道变化的预测,在该模型使用依赖于内存的改进策略,实现对驾驶全局陈述性知识的构建;
基于感知陈述性知识的安全态势估计:基于上述陈述性知识,将车身周围的区域分成四个感兴趣区域,分别为左车道、右车道、前向区域及后向区域,当某个感兴趣区域存在车辆时,将视觉模块的注意力转移到该区域,并对该区域中的元素进行编码,并作为陈述性知识储存在记忆模块中;并对当前区域进行安全态势估计,计算两辆车以当前速度和相同轨迹继续行驶时发生碰撞的时间TTC,TTC通过以下方式计算:
其中,Di为车辆间的相对距离,v为跟随车辆的速度,vi为被跟随车辆的速度,若两车辆以相同的速度行驶,则TTC是无限的,若被跟随的车辆进行紧急制动,则车辆将有相撞的风险,需要计算TIV,TIV用于检测低车距,TIV通过以下方式计算:
若根据收集到的信息计算出的数据小于陈述性知识内的关键指标,则对车辆进行决策及动作控制。
2.根据权利要求1所述的基于ACT-R的自动驾驶预测节能认知模型的构建方法,其特征在于,步骤2中,根据过程知识构建自动驾驶决策规则决策规则,具体为:基于最小效用值选择和获取生产规则,过程知识由所述生产规则表示,根据来自陈述性知识和来自外部环境的输入信息决定来执行哪个生产规则;步骤2中,根据过程知识构建自动驾驶决策结果,具体为:执行生产规则触发模型执行特定的操作或对模型内部进行修改;步骤2中,在指定周期内,模型会探测一次感知得到的元素,当元素重复出现时,增加激活值,提高记忆中的再现性,同时使用LRU算法,清除几乎不访问的元素的储存记忆。
3.根据权利要求1所述的基于ACT-R的自动驾驶预测节能认知模型的构建方法,其特征在于,所述步骤3中的横向控制包括如下步骤:
401:确定近点及远点,确定近点,近点代表车辆当前车道的位置,设置在距车辆中心10米的距离,用来判断车辆距离车道中心的距离,确定远点,远点表示即将到来的道路曲率,用来判断车辆应该执行的导航操作,直行道路的远点为到转弯道路的转折点的最大值,转弯路段的远点为曲线的切点;
402:根据标准比例积分PI控制器得出转向控制定律,假设驾驶员正在转向,使得行驶方向相对于单个目标点保持固定的视角,给定所需目标的视觉方向,调整转向角θ,使得其中代表系统不断尝试最小化的误差项,将PI控制器描述为以下公式:
使转向的变化与θ的变化成比例,并且与θ的实际值成比例,恒定值kp和k1,分别缩放比例项和积分项;
在模型中,横向控制需要感知显着点并通过运动控制来执行,首先将视觉注意力移至近点,然后移至远点,确定两个点的视角θnear和θfar,并计算与上一个计算周期的差,即Δθnear、Δθfar和Δt,通过增量值对车辆的转向角进行计算,转向角的控制定律用离散形式表示为:
求导形式,如下所示:
4.根据权利要求1所述的基于ACT-R的自动驾驶预测节能认知模型的构建方法,其特征在于,所述步骤3中的纵向控制包括如下步骤:
501:计算与被跟随车辆相距的时间间隔thwcar及与被跟随车辆的理想车程时间thwfollow,计算Δthwcar;
502:纵向控制与横向控制过程类似,该模型对前车的位置进行编码表示为:
Δψ=kcarΔthwcar+kfollow(thwcar-thwfollow)Δt
其中Δthwcar是与前方车辆相距的行驶时间,thwfollow是与前方车辆的理想车程时间;
503:添加两个约束条件,与被跟随车辆的距离等于理想距离,即thwcar=thwfollow,变化稳定,即Δthwcar=0;
504:以瞬时能耗Eins和长期能耗ELonT为优化目标,目标函数如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011531429.5A CN112590815B (zh) | 2020-12-22 | 2020-12-22 | 基于act-r的自动驾驶预测节能认知模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011531429.5A CN112590815B (zh) | 2020-12-22 | 2020-12-22 | 基于act-r的自动驾驶预测节能认知模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112590815A CN112590815A (zh) | 2021-04-02 |
CN112590815B true CN112590815B (zh) | 2021-07-23 |
Family
ID=75200696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011531429.5A Active CN112590815B (zh) | 2020-12-22 | 2020-12-22 | 基于act-r的自动驾驶预测节能认知模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112590815B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113562020B (zh) * | 2021-07-22 | 2022-06-14 | 北京交通大学 | 一种模仿人类智能的高速列车停车控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10071245B1 (en) * | 2015-01-05 | 2018-09-11 | Hrl Laboratories, Llc | Thinking cap: combining personalized, model-driven, and adaptive high definition trans-cranial stimulation (HD-tCS) with functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) brain state measurement and feedback |
CN110419013A (zh) * | 2017-04-12 | 2019-11-05 | 赫尔实验室有限公司 | 自主系统的认知行为预测系统 |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的系统和方法 |
CN111746548A (zh) * | 2019-03-26 | 2020-10-09 | 通用汽车环球科技运作有限责任公司 | 用于自主驾驶中的感测的推理系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030167454A1 (en) * | 2001-03-30 | 2003-09-04 | Vassil Iordanov | Method of and system for providing metacognitive processing for simulating cognitive tasks |
US11084501B2 (en) * | 2016-11-16 | 2021-08-10 | Mitsubishi Electric Corporation | Automatic driving control planning apparatus and automatic driving control planning method |
CN111045422A (zh) * | 2018-10-11 | 2020-04-21 | 顾泽苍 | 一种自动驾驶导入“机智获得”模型的控制方法 |
-
2020
- 2020-12-22 CN CN202011531429.5A patent/CN112590815B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10071245B1 (en) * | 2015-01-05 | 2018-09-11 | Hrl Laboratories, Llc | Thinking cap: combining personalized, model-driven, and adaptive high definition trans-cranial stimulation (HD-tCS) with functional near-infrared spectroscopy (fNIRS) and electroencephalography (EEG) brain state measurement and feedback |
CN110419013A (zh) * | 2017-04-12 | 2019-11-05 | 赫尔实验室有限公司 | 自主系统的认知行为预测系统 |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的系统和方法 |
CN111746548A (zh) * | 2019-03-26 | 2020-10-09 | 通用汽车环球科技运作有限责任公司 | 用于自主驾驶中的感测的推理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112590815A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sauer et al. | Conditional affordance learning for driving in urban environments | |
Li et al. | Shared control driver assistance system based on driving intention and situation assessment | |
CN111775949B (zh) | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 | |
Huang et al. | Toward safe and personalized autonomous driving: Decision-making and motion control with DPF and CDT techniques | |
Guo et al. | Design of automatic steering controller for trajectory tracking of unmanned vehicles using genetic algorithms | |
Hima et al. | Trajectory tracking for highly automated passenger vehicles | |
Chiang et al. | Embedded driver-assistance system using multiple sensors for safe overtaking maneuver | |
Li et al. | A two-layer potential-field-driven model predictive shared control towards driver-automation cooperation | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
Fehér et al. | Hierarchical evasive path planning using reinforcement learning and model predictive control | |
CN110027547B (zh) | 车辆横向控制方法和装置 | |
CN114265411B (zh) | 一种解决车辆预测模型性能受限于感知数据性能的方法 | |
Wei et al. | Game theoretic merging behavior control for autonomous vehicle at highway on-ramp | |
Hima et al. | Controller design for trajectory tracking of autonomous passenger vehicles | |
Jiang et al. | Implementation of human-like driver model based on recurrent neural networks | |
CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
CN111891116A (zh) | 一种提升自动驾驶横向控制稳定性的方法 | |
CN115285145A (zh) | 一种无人驾驶弯道避撞轨迹规划与跟踪控制方法 | |
Zhang et al. | Adaptive shared control strategy for lane changing assistance system via multi-mode switching | |
CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
CN114228690A (zh) | 一种基于ddpg和迭代控制的自动驾驶车辆侧倾控制方法 | |
CN112590815B (zh) | 基于act-r的自动驾驶预测节能认知模型的构建方法 | |
Siboo et al. | An empirical study of ddpg and ppo-based reinforcement learning algorithms for autonomous driving | |
Rath et al. | A lane keeping assist design: Adaptation to driving style based on aggressiveness | |
Popp et al. | Ideal reference point in planning and control for automated car-like vehicles |
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 |