CN112623027A - 一种基于bp神经网络的路感模拟方法 - Google Patents

一种基于bp神经网络的路感模拟方法 Download PDF

Info

Publication number
CN112623027A
CN112623027A CN202011570730.7A CN202011570730A CN112623027A CN 112623027 A CN112623027 A CN 112623027A CN 202011570730 A CN202011570730 A CN 202011570730A CN 112623027 A CN112623027 A CN 112623027A
Authority
CN
China
Prior art keywords
neural network
data
test
road
road feel
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
CN202011570730.7A
Other languages
English (en)
Inventor
赵蕊
蔡锦康
邓伟文
丁娟
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.)
Zhejiang Tianxingjian Intelligent Technology Co ltd
Original Assignee
Zhejiang Tianxingjian Intelligent Technology Co ltd
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 Zhejiang Tianxingjian Intelligent Technology Co ltd filed Critical Zhejiang Tianxingjian Intelligent Technology Co ltd
Priority to CN202011570730.7A priority Critical patent/CN112623027A/zh
Publication of CN112623027A publication Critical patent/CN112623027A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
    • B62D6/008—Control of feed-back to the steering input member, e.g. simulating road feel in steer-by-wire applications
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明涉及车辆技术领域，具体公开了一种基于BP神经网络的路感模拟方法，包括以下步骤：进行实车行驶试验并采集数据；试验数据预处理；使用BP神经网络算法训练基于BP神经网络的路感模型；测试基于BP神经网络的路感模型；根据所得的基于BP神经网络的路感模拟模型进行路感模拟。本发明使用实车行驶试验采集数据，采用BP神经网络算法建模，得到基于BP神经网络的路感模拟模型，建模过程简单，建模时间短，模型计算速度快，精度高，实时性好，克服了现有技术的缺陷。

Description

一种基于BP神经网络的路感模拟方法
技术领域
本发明涉及车辆技术领域，具体涉及一种基于BP神经网络的路感模拟方法。
背景技术
转向路感，又称转向力感、方向盘反馈力矩，是指驾驶员通过方向盘反馈力矩感受到的反向阻力矩。转向路感可以为驾驶员提供重要的车辆行驶信息，对驾驶员决策具有重要意义。由于线控转向系统具有布置灵活，制造成本底、角传递和力传递可变，控制方法多样等优点，具有广阔的应用前景。然而，线控转向系统需要人为控制电机产生反向阻力矩，从而使驾驶员获得真实的力感。目前，尚且没有获得较高精度的路感模拟模型的方法，运用于线控转向系统的转向力感模拟。
申请号为CN201420478919.7、名称为“基于C-EPS结构的力感模拟系统”的实用新型专利，公开了一种基于C-EPS结构的力感模拟系统，但是其建模方式是机理建模，存在诸多需要调节的参数，精度难以保证。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于BP神经网络的路感模拟方法，以实车试验数据和BP神经网络算法建立路感模拟模型，解决传统机理建模存在的模型结构复杂、精度不高、应用过程中实时性难以保证等问题。
为了达到上述目的，本发明提供一种基于BP神经网络的路感模拟方法，包括以下步骤：
步骤一、进行实车行驶试验并采集数据：驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；
步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，并将归一化后的试验数据划分为训练数据库和测试数据库；
步骤三、训练基于BP神经网络的路感模型：使用训练数据库和BP神经网络算法训练基于BP神经网络的路感模拟模型时，BP神经网络模型的输入变量为车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为方向盘力矩，训练得到基于BP神经网络的路感模拟模型；
步骤四、测试基于BP神经网络的路感模型；使用测试数据库测试得到的基于BP神经网络的路感模拟模型，并判断是否需要重新进行试验；
步骤五、根据所得的基于BP神经网络的路感模拟模型进行路感模拟。
进一步地，在步骤一的实车试验中：
试验道路的路面类型包括城市路面、高速路面、市郊路面和越野路面；
车辆行驶工况包括直行、转弯、倒车、原地转向、爬坡和下坡工况。
进一步地，在步骤二中，被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。
所述超出正常取值范围的数据点定义为：某一次实车试验中采集的某个数据点，其中一个或多个变量的数值超出该次实车试验对应变量的实际正常取值范围。如，某次试验中，方向盘转角范围为[-250°,250°]，则该次试验所采数据集中，方向盘转角值超出[-250°,250°]的均为超出正常范围的点。
所述分布严重偏离的数据点定义为：计算某一次实车试验中所采集试验数据的各个变量的标准差，若某个数据点的其中一个或几个变量的数值大于对应变量的标准差的2.5倍或小于对应变量的标准差的负2.5倍，则为分布严重偏离的数据点。
所述变化幅度超出正常范围的数据点的定义为：预设各个变量在正常情况下的最大瞬间变化幅值，若实际试验数据集中，某个数据点的其中一个或几个变量数值相对于前一个数据点的对应变量数值的差值绝对值大于相关变量的最大瞬间变化幅值，则为变化幅度超出正常范围的点。如，进行使用小型乘用车进行高速驾驶试验时，工程师确认方向盘力矩的最大瞬间变化幅值为0.3N，则所有数据点中方向盘力矩值与前一数据点之间的差值绝对值大于0.3N时，即可将其视为变化幅度超出正常范围的点。
进一步地，在步骤二中，对试验数据按照下式进行归一化处理：
Figure BDA0002862548590000021
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表示相关变量数据的最小值，max表示相关变量数据的最大值。
进一步地，在步骤二中，划分训练数据库和测试数据库时，通过随机划分的方法将归一化试验数据集划分为训练数据库和测试数据库，随机划分的方法为：从归一化试验数据集中随机选择一定比例的数据点作为训练数据库，其它均作为测试数据库。
优选地，在步骤三中，训练基于BP神经网络的路感模拟模型时，BP神经网络模型包括1个输入层，11个隐含层，每个隐含层20个节点，和1个输出层；所有节点的激活函数均为ELU函数，且均为全连接；学习函数使用learngdm函数。迭代上限为1000代。
训练BP神经网络的相关参数确定步骤如下：
1)确定BP神经网络的输入参数和输出参数；
2)确定BP神经网络隐含层数量；
3)确定隐含层节点数量；
4)确定各个节点的激活函数和整体学习函数；
5)使用训练数据来训练BP神经网络模型；
6)根据模型测试结果判断是否需要返回步骤2)。若训练结果满足需求，则不返回，直接进行下一步，否则返回到步骤2)；
7)输出神经网络模型。
进一步地，测试基于BP神经网络的路感模拟模型时，可使用但不限于使用均方误差，即MSE值，作为模型质量的评判标准。使用测试数据库测试所述基于BP神经网络的路感模拟模型时，步骤为：
1)依次将测试数据库中的测试数据点对应的输入变量输入路感模拟模型，经过模型运算后，得到预测的方向盘力矩值数据；
2)计算整个测试数据库中的测试数据点经过模型计算预测所得方向盘力矩值数据与真实方向盘力矩值数据之间的MSE值；
4)若MSE值小于预设的阈值σ，则认为训练所得到的基于数据驱动的路感模拟模型可接受，建模成功。否则不可接受。
由于采用上述技术方案，本发明达到以下技术效果：本发明以实车试验采集的数据为基础，采用BP神经网络算法进行建模，得到用于预测方向盘反馈力矩的路感模拟模型，根据得到的路感模拟模型进行转向路感的模拟，该路感模拟模型精度高、实时性好。而且，相较于现有技术，本发明中路感模拟模型数据采集便捷，计算速度快，建模成本较低。
附图说明
图1为根据本发明基于BP神经网络的路感模拟方法中的建模步骤流程图。
图2为根据本发明的实施例中部分高速工况所采集的方向盘转角数据(局部)。
图3为根据本发明的实施例中的模型测试曲线(局部)。
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
请参阅图1至图3，本实施例提供一种基于BP神经网络的路感模拟方法，包括实车试验及建模步骤S1-S4，以及模型应用步骤S5。以下结合图1对建模过程的步骤S1-S4进行详细说明。
S1.进行实车行驶试验并采集数据：
选取驾驶员进行实车试验，驾驶车辆在试验道路中行驶。试验道路的路面类型包括但不限于城市路面、高速路面、市郊路面和越野路面等；车辆行驶工况包括但不限于直行、转弯、倒车、原地转向、爬坡和下坡工况等。
选取的驾驶员拥有5年驾龄，且在最近一年内每周驾驶时长不低于6小时。数据采集频率为50Hz。
采集的试验数据包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩。为本实施例试验中采集的部分高速工况的方向盘转角数据(局部)，用实际的方向盘转角-数据编号曲线表示，其中方向盘转角范围在[-150°,50°]，数据编号从0至5×105。
S2.试验数据预处理：
处理试验数据的方式包括去除异常点、数据归一化。被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。
本实施例中，对采集的试验数据按照下式进行归一化处理：
Figure BDA0002862548590000051
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表示相关变量数据的最小值，max表示相关变量数据的最大值。
划分训练数据库和测试数据库时，根据随机划分方法将归一化后的试验数据按数据点数量比例为5:1划分得到训练数据库与测试数据库。
S3.训练基于BP神经网络的路感模型：
使用训练数据库和BP神经网络算法，训练得到与数据类数量相同的基于BP神经网络的路感模拟模型。BP神经网络模型的输入变量包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、方向盘转角、方向盘角速度、车辆垂向载荷；输出变量为方向盘力矩。
BP神经网络的相关参数确定步骤如下：
1)确定BP神经网络的输入参数和输出参数：输入变量包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、方向盘转角、方向盘角速度；输出变量为方向盘力矩；
2)确定BP神经网络隐含层数量：选择11个隐含层；
3)确定隐含层节点数量：每个隐含层节点确定为20个；
4)确定各个节点的激活函数和整体学习函数：激活函数确定为Sigmoid函数，学习函数使用learngdm函数；
5)使用训练数据来训练BP神经网络模型；
6)根据模型测试结果判断是否需要返回步骤2)。若训练结果满足需求，则不返回，直接进行下一步，否则返回到步骤2)；
7)输出神经网络模型。
本实施例中，BP神经网络模型共有11个隐含层，每个隐含层20个节点，1个输入层和1个输出层；所有节点的激活函数均为ELU函数，且均为全连接；学习函数使用learngdm函数；迭代上限为1000代，实际迭代326次收敛。
本实施例使用惠普Z1G6工作站进行训练，路感模拟模型的训练总耗时为3小时48分钟。
S4.测试基于BP神经网络的路感模型，并判断是否重新进行实车试验：
使用测试数据库对所得基于BP神经网络的路感模拟模型进行测试的步骤为：
1)依次将测试数据库中的测试数据点对应的输入变量输入路感模拟模型，经过模型运算后，得到预测的方向盘力矩值数据；本实施例中的输入变量即车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角和方向盘角速度；
2)计算整个测试数据库中的测试数据点经过模型计算预测所得方向盘力矩值数据与真实方向盘力矩值数据之间的MSE值；本实施例中，经过计算的MSE值为0.06。如图3所示，其表示模型测试曲线(局部)，在0-1000s的时间段内，测试数据点经过模型预测的方向盘力矩-时间曲线与真实方向盘力矩-时间曲线几乎重合。
3)判断是否建模成功
使用该模型进行测试数据预测，所得MSE值，即0.06，小于专家预设的阈值σ＝0.15，所得模型可接受。
建模完成后，根据本发明的路感模拟方法，还包括使用所得基于BP神经网络的路感模拟模型进行方向盘力矩预测，也就是路感模拟。将所得路感模拟模型输入驾驶模拟器中，在驾驶模拟器上进行仿真驾驶试验时，实时采集模拟车辆的车辆纵向速度、车辆横向加速度、车辆横摆角速度、方向盘转角、方向盘角速度、车辆垂向载荷等行驶状态参数，将行驶状态参数作为输入变量输入路感模拟模型中，通过路感模拟模型计算得到预测的方向盘力矩值，根据预测的方向盘力矩值实时控制方向盘，从而模拟更加逼真的路感。
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 (9)

1.一种基于BP神经网络的路感模拟方法，其特征在于，包括以下步骤：
步骤一、进行实车行驶试验并采集数据：驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；
步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，并将归一化后的试验数据划分为训练数据库和测试数据库；
步骤三、训练基于BP神经网络的路感模型：使用训练数据库和BP神经网络算法训练基于BP神经网络的路感模拟模型，BP神经网络模型的输入变量为车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为方向盘力矩，训练得到基于BP神经网络的路感模拟模型；
步骤四、测试基于BP神经网络的路感模型；使用测试数据库测试得到的基于BP神经网络的路感模拟模型，并判断是否需要重新进行试验；
步骤五、根据所得的基于BP神经网络的路感模拟模型进行路感模拟。
2.根据权利要求1所述基于BP神经网络的路感模拟方法，其特征在于，其特征在于，在步骤一中：试验道路的路面类型包括城市路面、高速路面、市郊路面和越野路面。
3.根据权利要求1所述基于BP神经网络的路感模拟方法，其特征在于，在步骤一中：车辆行驶工况包括直行、转弯、倒车、原地转向、爬坡和下坡工况。
4.根据权利要求1所述基于BP神经网络的路感模拟方法，其特征在于，在步骤二中，被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。
5.根据权利要求1所述的基于BP神经网络的路感模拟方法，其特征在于，在步骤二中，对试验数据按照下式进行归一化处理：
Figure FDA0002862548580000011
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表示相关变量数据的最小值，max表示相关变量数据的最大值。
6.根据权利要求1所述基于BP神经网络的路感模拟方法，其特征在于，在步骤二中，划分训练数据库和测试数据库时，从归一化试验数据集中随机选择一定比例的数据点作为训练数据库，其他数据点作为测试数据库。
7.根据权利要求1-6中任意一项所述基于BP神经网络的路感模拟方法，其特征在于，在步骤三中，训练基于BP神经网络的路感模拟模型时，BP神经网络模型共有1个输入层，11个隐含层，每个隐含层20个节点，和1个输出层；所有节点的激活函数均为ELU函数，且均为全连接；学习函数使用learngdm函数。
8.根据权利要求1所述基于BP神经网络的路感模拟方法，其特征在于，在步骤四中，测试所述基于数据驱动的路感模拟模型时，具体测试步骤为：
1)依次将测试数据库中的测试数据点对应的输入变量输入路感模拟模型，经过模型运算后，得到预测的方向盘力矩值数据；
2)计算整个测试数据库中的测试数据点经过模型计算预测所得方向盘力矩值数据与真实方向盘力矩值数据之间的MSE值；
4)若MSE值小于预设的阈值σ，则认为训练所得到的基于数据驱动的路感模拟模型可接受，建模成功。
9.根据权利要求8所述基于BP神经网络的路感模拟方法，其特征在于，所述阈值σ为0.15。
CN202011570730.7A 2020-12-26 2020-12-26 一种基于bp神经网络的路感模拟方法 Pending CN112623027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011570730.7A CN112623027A (zh) 2020-12-26 2020-12-26 一种基于bp神经网络的路感模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011570730.7A CN112623027A (zh) 2020-12-26 2020-12-26 一种基于bp神经网络的路感模拟方法

Publications (1)

Publication Number Publication Date
CN112623027A true CN112623027A (zh) 2021-04-09

Family

ID=75325853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011570730.7A Pending CN112623027A (zh) 2020-12-26 2020-12-26 一种基于bp神经网络的路感模拟方法

Country Status (1)

Country Link
CN (1) CN112623027A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105083375A (zh) * 2015-09-16 2015-11-25 丹阳华磊电器有限公司 基于线控技术的汽车电控转向路感控制方法
EP3093197A1 (en) * 2014-01-09 2016-11-16 Kawasaki Jukogyo Kabushiki Kaisha Vehicle, and method of assisting driving of same
CN106706345A (zh) * 2016-11-25 2017-05-24 合肥工业大学 一种线控转向系统路感模拟硬件在环仿真平台及仿真方法
CN108657189A (zh) * 2018-06-22 2018-10-16 南京航空航天大学 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法
CN109901189A (zh) * 2017-12-07 2019-06-18 财团法人资讯工业策进会 利用递归神经网络的三维点云跟踪装置及方法
CN110509983A (zh) * 2019-09-24 2019-11-29 吉林大学 一种适用于不同驾驶需求的线控转向路感反馈装置
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3093197A1 (en) * 2014-01-09 2016-11-16 Kawasaki Jukogyo Kabushiki Kaisha Vehicle, and method of assisting driving of same
CN105083375A (zh) * 2015-09-16 2015-11-25 丹阳华磊电器有限公司 基于线控技术的汽车电控转向路感控制方法
CN106706345A (zh) * 2016-11-25 2017-05-24 合肥工业大学 一种线控转向系统路感模拟硬件在环仿真平台及仿真方法
CN109901189A (zh) * 2017-12-07 2019-06-18 财团法人资讯工业策进会 利用递归神经网络的三维点云跟踪装置及方法
CN108657189A (zh) * 2018-06-22 2018-10-16 南京航空航天大学 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法
CN110509983A (zh) * 2019-09-24 2019-11-29 吉林大学 一种适用于不同驾驶需求的线控转向路感反馈装置
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法

Similar Documents

Publication Publication Date Title
CN109733415B (zh) 一种基于深度强化学习的拟人化自动驾驶跟驰模型
CN112801143B (zh) 基于K-Means和高斯过程回归的转向路感模拟方法
US6192745B1 (en) Method and system for simulating vehicle and roadway interaction
CN113010967B (zh) 一种基于混合交通流模型的智能汽车在环仿真测试方法
CN108020427B (zh) 一种基于ga-bp神经网络的纯电动汽车换挡品质评价方法
CN107526906A (zh) 一种基于数据采集的驾驶风格辨识装置及方法
CN113239986B (zh) 车辆轨迹评价网络模型的训练方法、装置和存储介质
CN112749508B (zh) 一种基于gmm和bp神经网络的路感模拟方法
CN112182785A (zh) 一种基于数据驱动的汽车方向盘力感建模方法
CN112632706B (zh) 一种基于gmm和cart回归树的路感模拟方法
CN114030485A (zh) 一种考虑附着系数的自动驾驶汽车类人换道决策规划方法
CN115257789A (zh) 城市低速环境下的营运车辆侧向防撞驾驶决策方法
CN112632705B (zh) 一种基于gmm和高斯过程回归的路感模拟方法
CN114148349B (zh) 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法
CN114162132B (zh) 一种基于主客观评价的驾驶模式识别方法
CN113642114B (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN112550450B (zh) 基于K-Means和CART回归树的路感模拟方法
JP2009129366A (ja) 車両の感性推定システム
CN112528568B (zh) 一种基于K-Means和BP神经网络的路感模拟方法
CN116975671A (zh) L3级自动驾驶车辆驾驶员信任度评估方法及系统
CN112572606A (zh) 基于svm和bp神经网络的工况融合路感模拟方法
CN112623027A (zh) 一种基于bp神经网络的路感模拟方法
CN112597597A (zh) 基于K-Medoids和BP神经网络的路感模拟方法
CN112937587A (zh) 基于K-Medoids和分类回归树的路感模拟方法
CN112651134A (zh) 基于高斯过程回归的转向路感模拟方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210409