CN112721949A - 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 - Google Patents

一种自动驾驶车辆纵向驾驶拟人化程度评价方法 Download PDF

Info

Publication number
CN112721949A
CN112721949A CN202110035159.7A CN202110035159A CN112721949A CN 112721949 A CN112721949 A CN 112721949A CN 202110035159 A CN202110035159 A CN 202110035159A CN 112721949 A CN112721949 A CN 112721949A
Authority
CN
China
Prior art keywords
vehicle
driving
data
drivers
personification
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
Application number
CN202110035159.7A
Other languages
English (en)
Other versions
CN112721949B (zh
Inventor
郑玲
李剑辉
乔旭强
李以农
余颖弘
曾迪
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202110035159.7A priority Critical patent/CN112721949B/zh
Publication of CN112721949A publication Critical patent/CN112721949A/zh
Application granted granted Critical
Publication of CN112721949B publication Critical patent/CN112721949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • B60W40/08—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 related to drivers or passengers
    • B60W40/09—Driving style or behaviour
    • 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)
  • 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

本发明公开了一种自动驾驶车辆纵向驾驶拟人化程度评价方法，包括：采集不同类型驾驶员的驾驶数据，选取各类中典型驾驶员的驾驶数据并拟合为GMM，利用KL散度将其他驾驶数据分类；根据分类的驾驶数据建立不同类型驾驶员跟车模型；基于MPC理论，结合不同类型驾驶员跟车模型建立巡航控制系统；将巡航控制系统用于实车试验采集跟车数据片段，将跟车数据片段拟合为GMM，利用KL散度将跟车数据片段分类，计算分类识别率用于评价拟人化程度。本发明通过对自动驾驶系统的拟人化程度进行量化评价，解决了主观评价受个人主观因素的影响不准确的问题。

Description

一种自动驾驶车辆纵向驾驶拟人化程度评价方法
技术领域
本发明涉及自动驾驶技术领域，具体是涉及一种自动驾驶车辆纵向驾驶拟人化程度评价方法。
背景技术
自动驾驶系统的拟人化可以增强用户的信任度，提升驾驶员体验，有利于自动系统的推广。目前对自动驾驶系统拟人化程度评价方法的研究十分有限，主要集中在主观评价方面。主观评价一般是利用专家打分对驾驶习惯，舒适性和信任度三个方面进行打分，这种评价方法容易受个人主观因素的影响，无法区分智能驾驶系统不同驾驶风格之间的差异。客观评价通过采集车辆状态信息，然后设立阈值来评价自动驾驶车辆，可以消除个人主观因素的影响，对自动驾驶系统的拟人化程度进行量化评价，而如何进行客观评价是本领域亟待解决的技术问题。
发明内容
本发明的目的在于提供一种自动驾驶车辆纵向驾驶拟人化程度评价方法，以解决主观评价受个人主观因素的影响不准确的问题。
为了达到上述目的，本发明提供了一种自动驾驶车辆纵向驾驶拟人化程度评价方法，包括：
采集不同类型驾驶员的驾驶数据，选取各类中典型驾驶员的驾驶数据并拟合为GMM，利用KL散度将其他驾驶数据分类；
根据分类的驾驶数据建立不同类型驾驶员跟车模型；
基于MPC理论，结合不同类型驾驶员跟车模型建立巡航控制系统；
将巡航控制系统用于实车试验采集跟车数据片段，将跟车数据片段拟合为GMM，利用KL散度将跟车数据片段分类，计算分类识别率用于评价拟人化程度。
可选的，不同类型驾驶员包括：保守型、一般型和激进型。
可选的，驾驶数据包括：驾驶环境和跟车数据，驾驶环境包括：高速公路、国道、省道和城市道路，跟车数据包括：主车速度，相对距离，相对速度和主车加速度。
可选的，选择主车速度、相对距离、相对速度和主车加速度作为特征向量x＝[vf dΔv af]，选取三个典型驾驶员的驾驶数据分别代表保守型、一般性和激进型三类驾驶员的基准数据，并利用EM算法将这三组数据拟合为GMM：
Figure BDA0002893952100000021
其中，p(x|μi,∑i)为单一高斯分布，∑i为第i个高斯分布的协方差矩阵，μi为第i个高斯分布的均值向量，ai为第i个高斯成分的混合系数，满足
Figure BDA0002893952100000022
可选的，驾驶员跟车模型为：
af＝SVE·kv·Δv+SDE·kd·Δd；
其中，af为主车加速度，SVE为车速误差敏感度，SDE为车距误差敏感度，kv和kd为常系数，Δd为车距误差，Δv为相对车速。
可选的，车速误差敏感度为：
SVE-1＝kSVEvf+dSVE；
车距误差敏感度为：
SDE-1＝kSDEvf+dSDE；
其中，kSVE、dSVE、kSDE和dSDE均为常量参数，vf为主车速度。
可选的，车距误差为：
Δd＝ddes-d；
相对车速为：
Δv＝vp-vf；
期望距离ddes为：
ddes＝avf 2+bvf+c；
其中，vp为前车车速，d为相对车距，a，b和c均为常量参数。
可选的，巡航控制系统控制参数为：
afR＝SVE·kv·Δv+SDE·kd·(d-ddes)。
可选的，分类识别率为：
Figure BDA0002893952100000031
其中，N为驾驶员数据片段总数，Ccorrect为识别准确片段数量。
可选的，邀请对应类型的驾驶员体验并进行主观评价，根据分类识别率和主观评价计算综合评价结果：
S＝ξSsubjective+(1-ξ)Sobjective；
其中，ξ为权重参数，Ssubjective为主观满意度。
本发明提供一种自动驾驶车辆纵向驾驶拟人化程度评价方法，包括：采集不同类型驾驶员的驾驶数据，选取各类中典型驾驶员的驾驶数据并拟合为GMM，利用KL散度将其他驾驶数据分类；根据分类的驾驶数据建立不同类型驾驶员跟车模型；基于MPC理论，结合不同类型驾驶员跟车模型建立巡航控制系统；将巡航控制系统用于实车试验采集跟车数据片段，将跟车数据片段拟合为GMM，利用KL散度将跟车数据片段分类，计算分类识别率用于评价拟人化程度。本发明通过对自动驾驶系统的拟人化程度进行量化评价，解决了主观评价受个人主观因素的影响不准确的问题。
附图说明
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
图1是本发明一实施例提供的自动驾驶汽车拟人化程度评价方法流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
图1是本发明一实施例提供的自动驾驶汽车拟人化程度评价方法流程图，参见图1，本发明提供的自动驾驶车辆纵向驾驶拟人化程度评价方法包括：采集不同类型驾驶员的驾驶数据，选取各类中典型驾驶员的驾驶数据并拟合为GMM，利用KL散度将其他驾驶数据分类；根据分类的驾驶数据建立不同类型驾驶员跟车模型；基于MPC理论，结合不同类型驾驶员跟车模型建立巡航控制系统；将巡航控制系统用于实车试验采集跟车数据片段，将跟车数据片段拟合为GMM，利用KL散度将跟车数据片段分类，计算分类识别率用于评价拟人化程度。
自动驾驶车辆纵向驾驶拟人化程度评价方法具体包括以下步骤：
S1：采集多名驾驶员驾驶数据，并利用混合高斯模型(GMM)与KL散度建立驾驶员分类模型GMM-KL，将驾驶员分为保守型、一般性和激进型三类。
S1.1：通过实车数据采集平台，采集在正常行驶过程中主车的驾驶数据。驾驶数据包括：驾驶环境和跟车数据，驾驶环境包括：高速公路、国道、省道和城市道路，跟车数据包括：主车速度，相对距离，相对速度和主车加速度。
S1.2：根据跟车工况要求提取历史数据中的跟车工况数据。
跟车工况必须包含两辆车，即主车和前车，且主车和前车在同一车道上行驶；两车之间相对纵向距离小于5vf+10m，大于5m；主车和前车车速大于20km/h，小于100km/h；跟车持续时间需要大于20s；如果有急加速/急减速(加速度大于2m2/s)工况发生，不能看作跟车工况。如果前车有驶入或者驶出(|d(i)-d(i-1)|＜10)，不能看作跟车工况。其中d为前后车相对距离，vf为主车速度。
S1.3：驾驶员分类时，选择主车速度、相对距离、相对速度和主车加速度作为特征向量x＝[vf d Δv af]，选取三个典型驾驶员的驾驶数据分别代表保守型、一般性和激进型三类驾驶员的基准数据，并利用EM算法将这三组数据拟合为GMM：
Figure BDA0002893952100000051
其中，p(x|μi,∑i)为单一高斯分布，∑i为第i个高斯分布的协方差矩阵，μi为第i个高斯分布的均值向量，ai为第i个高斯成分的混合系数，满足
Figure BDA0002893952100000052
将这三个分布作为三类驾驶员的基准分布。
S1.4：用GMM拟合除这三组数据外的其他跟车数据，并利用KL散度描述该分布与三个基准分布的差异性，将其与差异性最小的基准分布归为同一类型的驾驶数据。例如若该组数据的拟合参数与保守型驾驶员的基准分布差异最小，则将其归为保守型驾驶员的跟车数据，由此可将所采集的跟车数据划分为三类驾驶员的跟车数据。
S2：根据S1.4中分类得到的三类驾驶员的跟车数据，建立三类驾驶员的跟车模型。
S2.1：建立期望距离模型：
ddes＝avf 2+bvf+c；
其中，vp为前车车速，a，b和c均为常量参数。
S2.2：建立车速误差敏感度模型：
SVE-1＝kSVEvf+dSVE；
其中，kSVE，dSVE为常量参数，SVE为车速误差敏感度。
提取0.1m2/s＜af＜0.3m2/s，|Δd|＜2的数据，并将这些数据根据速度大小分为14组，将第m区间Δv的有效值作为中心车速处SVE-1的量化值，af为主车加速度，Δd＝ddes-d为车距误差，d为相对车距，Δv＝vp-vf为相对车速，vp为前车车速。可用每一组中主车加速度af处于某一加速度水平上，距离误差Δd＝d-ddes接近于0时相对车速Δv的有效值倒数
Figure BDA0002893952100000061
来代替该组SVE-1。
S2.3：建立车距误差敏感度模型：
SDE-1＝kSDEvf+dSDE；
其中，kSDE，dSDE为常量参数，SDE为车速误差敏感度。
提取0.1m2/s＜af＜0.3m2/s，|Δv|＜0.5的数据，并将这些数据根据速度大小分为14组，将第m区间Δd的有效值作为中心车速处SDE-1的量化值。可用af处于某一加速度水平上，Δv接近于0时Δd的有效值倒数
Figure BDA0002893952100000062
来代替SDE-1。
S2.4：建立驾驶员跟车模型：
af＝SVE·kv·Δv+SDE·kd·Δd；
其中，kv，kd为常系数。以上参数求解皆可用最小二乘法求解。
S3：基于MPC理论，结合S2.4中驾驶员的跟车模型，建立综合考虑安全、舒适及驾驶员特性的巡航控制系统。
S3.1：建立跟车系统状态方程：
Figure BDA0002893952100000063
其中，x＝[Δd Δv af]T，u＝afdes为驾驶员期望的加速度，v＝ap为前车加速度，KG和TG分别为传递函数模型的系统增益和时间常数，a和b为S2.1中常量参数。
S3.2：建立综合考虑跟踪性能和驾驶员特性的目标函数：
L＝w1(Δv)2+w2(Δd)2+w3(afR-af)2；
其中，w1，w2和w3为指标权重，afR＝SVE·kv·Δv+SDE·kd·(d-ddes)为由驾驶员跟车模型得到的参考加速度，作为巡航控制系统控制参数。
S3.3：为保证安全性，建立安全约束：
Δdmin·SDE-1≤Δd≤Δdmax·SDE-1；
Δvmin·SVE-1≤Δv≤Δvmax·SVE-1；
d≥max(TTC·Δv,dmin)；
afmin＜a f＜afmax；
其中，Δdmin与Δdmax为车距误差的上下界，Δvmin与Δvmax为车速误差的上下界，TTC为最短碰撞时间，dmin为最短车距，afmin与afmax为主车加速度的上下界。
S4：将已建立的三类巡航控制系统用于实车试验，采集一定时间长度的跟车数据片段，包括主车速度，相对距离，相对速度，主车加速度，并用GMM-KL分类模型进行分类(将跟车数据片段拟合为GMM，利用KL散度将跟车数据片段分类)。将分类识别率作为客观评价指标，识别率越高，说明自动驾驶车辆拟人化程度越高，将驾驶员主观体验打分作为主观评价结果，根据相应权重计算综合评价结果。
S4.1：将已建立的MPC控制器用于实车试验，根据驾驶员模型可以设置三种类型驾驶模式，邀请对应风格的驾驶员，如设置驾驶模式为激进类型，邀请激进型驾驶员进行智能驾驶跟车系统的乘坐体验，采集多段数据片段，采集好的数据片段用于GMM-KL模型，计算每一种驾驶模式数据片段的分类精度，将识别率作为客观评价结果，分类识别率为：
Figure BDA0002893952100000071
其中，N为驾驶员数据片段总数，Ccorrect为识别准确片段数量。
S4.2：请进行乘坐体验驾驶过程的驾驶员进行打分，将其得分的平均分作为主观评价结果。
S4.3：根据客观评价和主观评价的相应权重，计算得到综合评价结果为：
S＝ξSsubjective+(1-ξ)Sobjective；
其中，Ssubjective为主观满意度；Sobjective为客观满意度(百分制)，ξ权重参数。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，包括：
采集不同类型驾驶员的驾驶数据，选取各类中典型驾驶员的驾驶数据并拟合为GMM，利用KL散度将其他驾驶数据分类；
根据分类的驾驶数据建立不同类型驾驶员跟车模型；
基于MPC理论，结合不同类型驾驶员跟车模型建立巡航控制系统；
将巡航控制系统用于实车试验采集跟车数据片段，将跟车数据片段拟合为GMM，利用KL散度将跟车数据片段分类，计算分类识别率用于评价拟人化程度。
2.根据权利要求1所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，不同类型驾驶员包括：保守型、一般型和激进型。
3.根据权利要求2所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，驾驶数据包括：驾驶环境和跟车数据，驾驶环境包括：高速公路、国道、省道和城市道路，跟车数据包括：主车速度，相对距离，相对速度和主车加速度。
4.根据权利要求3所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，选择主车速度、相对距离、相对速度和主车加速度作为特征向量x＝[vf d Δv af]，选取三个典型驾驶员的驾驶数据分别代表保守型、一般性和激进型三类驾驶员的基准数据，并利用EM算法将这三组数据拟合为GMM：
Figure FDA0002893952090000011
其中，p(x|μi,∑i)为单一高斯分布，∑i为第i个高斯分布的协方差矩阵，μi为第i个高斯分布的均值向量，ai为第i个高斯成分的混合系数，满足
Figure FDA0002893952090000012
5.根据权利要求1所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，驾驶员跟车模型为：
af＝SVE·kv·Δv+SDE·kd·Δd；
其中，af为主车加速度，SVE为车速误差敏感度，SDE为车距误差敏感度，kv和kd为常系数，Δd为车距误差，Δv为相对车速。
6.根据权利要求5所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，车速误差敏感度为：
SVE-1＝kSVEvf+dSVE；
车距误差敏感度为：
SDE-1＝kSDEvf+dSDE；
其中，kSVE、dSVE、kSDE和dSDE均为常量参数，vf为主车速度。
7.根据权利要求5所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，车距误差为：
Δd＝ddes-d；
相对车速为：
Δv＝vp-vf；
期望距离ddes为：
ddes＝avf 2+bvf+c；
其中，vp为前车车速，d为相对车距，a，b和c均为常量参数。
8.根据权利要求6所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，巡航控制系统控制参数为：
afR＝SVE·kv·Δv+SDE·kd·(d-ddes)。
9.根据权利要求1所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，分类识别率为：
Figure FDA0002893952090000021
其中，N为驾驶员数据片段总数，Ccorrect为识别准确片段数量。
10.根据权利要求9所述的自动驾驶车辆纵向驾驶拟人化程度评价方法，其特征在于，邀请对应类型的驾驶员体验并进行主观评价，根据分类识别率和主观评价计算综合评价结果：
S＝ξSsubjective+(1-ξ)Sobjective；
其中，ξ为权重参数，Ssubjective为主观满意度。
CN202110035159.7A 2021-01-12 2021-01-12 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 Active CN112721949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110035159.7A CN112721949B (zh) 2021-01-12 2021-01-12 一种自动驾驶车辆纵向驾驶拟人化程度评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110035159.7A CN112721949B (zh) 2021-01-12 2021-01-12 一种自动驾驶车辆纵向驾驶拟人化程度评价方法

Publications (2)

Publication Number Publication Date
CN112721949A true CN112721949A (zh) 2021-04-30
CN112721949B CN112721949B (zh) 2022-07-12

Family

ID=75590347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110035159.7A Active CN112721949B (zh) 2021-01-12 2021-01-12 一种自动驾驶车辆纵向驾驶拟人化程度评价方法

Country Status (1)

Country Link
CN (1) CN112721949B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642114A (zh) * 2021-09-14 2021-11-12 吉林大学 可犯错的拟人化随机跟车驾驶行为建模方法
CN113954844A (zh) * 2021-10-15 2022-01-21 南通漫行信息科技有限公司 一种智能汽车人机驾驶模式切换系统
CN114137836A (zh) * 2021-11-23 2022-03-04 中国地质大学（武汉） 基于高斯混合模型的垂钻纠偏控制反馈校正方法及装置
WO2022237418A1 (zh) * 2021-05-12 2022-11-17 中国第一汽车股份有限公司 一种纵向跟踪控制方法、装置、设备及存储介质
CN115979679A (zh) * 2023-03-22 2023-04-18 中国汽车技术研究中心有限公司 自动驾驶系统实际道路测试方法、设备和存储介质

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008298979A (ja) * 2007-05-30 2008-12-11 Pioneer Electronic Corp 運転技量評価装置、運転技量評価方法及び運転技量評価プログラム
CN101417655A (zh) * 2008-10-14 2009-04-29 清华大学 一种车辆多目标协调式自适应巡航控制方法
CN101425106A (zh) * 2008-11-06 2009-05-06 清华大学 车辆多目标协调式自适应巡航控制性能的数学量化方法
US20090234552A1 (en) * 2005-12-28 2009-09-17 National University Corporation Nagoya University Driving Action Estimating Device, Driving Support Device, Vehicle Evaluating System, Driver Model Creating Device, and Driving Action Determining Device
JP2010146428A (ja) * 2008-12-22 2010-07-01 Nec Corp 追従対象車検索システム、追従対象車検索方法および追従対象車検索用プログラム
EP2353959A1 (en) * 2010-01-28 2011-08-10 Centrum Dopravniho Vyzkumu Apparatus for monitoring and analysing a manner of driving
JP2014135061A (ja) * 2014-02-05 2014-07-24 Toyota Motor Corp 運転評価装置及び運転評価方法、並びに運転支援システム
US20150324655A1 (en) * 2013-12-01 2015-11-12 University Of Florida Research Foundation, Inc. Distributive Hierarchical Model for Object Recognition in Video
US20160159370A1 (en) * 2014-12-04 2016-06-09 Toyota Jidosha Kabushiki Kaisha Driving assistance device, driving assistance method, and computer readable medium
WO2017099689A1 (en) * 2015-12-10 2017-06-15 Tofas Turk Otomobil Fabrikasi Anonim Sirketi A vehicle drivability evaluation system and method
CN107544518A (zh) * 2017-10-17 2018-01-05 芜湖伯特利汽车安全系统股份有限公司 基于拟人驾驶的acc/aeb系统及车辆
CN108891418A (zh) * 2018-07-10 2018-11-27 湖南大学 一种基于驾驶员信任度的自适应巡航控制装置及方法
CN109624986A (zh) * 2019-03-01 2019-04-16 吉林大学 一种基于模式切换的驾驶风格的学习巡航控制系统及方法
CN109927725A (zh) * 2019-01-28 2019-06-25 吉林大学 一种具有驾驶风格学习能力的自适应巡航系统及实现方法
JP2019125235A (ja) * 2018-01-18 2019-07-25 本田技研工業株式会社 運転評価システム、およびプログラム。
CN110196994A (zh) * 2019-04-23 2019-09-03 同济大学 一种自动驾驶汽车交通协调性评测模型及方法
CN110239556A (zh) * 2019-05-23 2019-09-17 重庆大学 一种驾驶员即时操控能力感知方法
CN110254435A (zh) * 2019-06-28 2019-09-20 同济大学 一种驾驶风格识别方法
CN110858312A (zh) * 2018-08-23 2020-03-03 重庆大学 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法
US20200094845A1 (en) * 2018-09-21 2020-03-26 Toyota Jidosha Kabushiki Kaisha Driving evaluation apparatus, driving evaluation system, and driving evaluation method
CN111409648A (zh) * 2019-01-08 2020-07-14 上海汽车集团股份有限公司 一种驾驶行为分析方法及装置
CN111444607A (zh) * 2020-03-24 2020-07-24 重庆大学 一种转子-轴承多源激励非线性系统建模方法
CN111619576A (zh) * 2020-06-03 2020-09-04 中国第一汽车股份有限公司 一种控制方法、装置、设备及存储介质
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
US20200406925A1 (en) * 2016-12-30 2020-12-31 Yuchuan DU Comfort-based self-driving planning method
US20210188290A1 (en) * 2017-09-19 2021-06-24 Ping An Technology (Shenzhen) Co., Ltd. Driving model training method, driver identification method, apparatuses, device and medium

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090234552A1 (en) * 2005-12-28 2009-09-17 National University Corporation Nagoya University Driving Action Estimating Device, Driving Support Device, Vehicle Evaluating System, Driver Model Creating Device, and Driving Action Determining Device
JP2008298979A (ja) * 2007-05-30 2008-12-11 Pioneer Electronic Corp 運転技量評価装置、運転技量評価方法及び運転技量評価プログラム
CN101417655A (zh) * 2008-10-14 2009-04-29 清华大学 一种车辆多目标协调式自适应巡航控制方法
CN101425106A (zh) * 2008-11-06 2009-05-06 清华大学 车辆多目标协调式自适应巡航控制性能的数学量化方法
JP2010146428A (ja) * 2008-12-22 2010-07-01 Nec Corp 追従対象車検索システム、追従対象車検索方法および追従対象車検索用プログラム
EP2353959A1 (en) * 2010-01-28 2011-08-10 Centrum Dopravniho Vyzkumu Apparatus for monitoring and analysing a manner of driving
US20150324655A1 (en) * 2013-12-01 2015-11-12 University Of Florida Research Foundation, Inc. Distributive Hierarchical Model for Object Recognition in Video
JP2014135061A (ja) * 2014-02-05 2014-07-24 Toyota Motor Corp 運転評価装置及び運転評価方法、並びに運転支援システム
US20160159370A1 (en) * 2014-12-04 2016-06-09 Toyota Jidosha Kabushiki Kaisha Driving assistance device, driving assistance method, and computer readable medium
WO2017099689A1 (en) * 2015-12-10 2017-06-15 Tofas Turk Otomobil Fabrikasi Anonim Sirketi A vehicle drivability evaluation system and method
US20200406925A1 (en) * 2016-12-30 2020-12-31 Yuchuan DU Comfort-based self-driving planning method
US20210188290A1 (en) * 2017-09-19 2021-06-24 Ping An Technology (Shenzhen) Co., Ltd. Driving model training method, driver identification method, apparatuses, device and medium
CN107544518A (zh) * 2017-10-17 2018-01-05 芜湖伯特利汽车安全系统股份有限公司 基于拟人驾驶的acc/aeb系统及车辆
JP2019125235A (ja) * 2018-01-18 2019-07-25 本田技研工業株式会社 運転評価システム、およびプログラム。
CN108891418A (zh) * 2018-07-10 2018-11-27 湖南大学 一种基于驾驶员信任度的自适应巡航控制装置及方法
CN110858312A (zh) * 2018-08-23 2020-03-03 重庆大学 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法
US20200094845A1 (en) * 2018-09-21 2020-03-26 Toyota Jidosha Kabushiki Kaisha Driving evaluation apparatus, driving evaluation system, and driving evaluation method
CN111409648A (zh) * 2019-01-08 2020-07-14 上海汽车集团股份有限公司 一种驾驶行为分析方法及装置
CN109927725A (zh) * 2019-01-28 2019-06-25 吉林大学 一种具有驾驶风格学习能力的自适应巡航系统及实现方法
CN109624986A (zh) * 2019-03-01 2019-04-16 吉林大学 一种基于模式切换的驾驶风格的学习巡航控制系统及方法
CN110196994A (zh) * 2019-04-23 2019-09-03 同济大学 一种自动驾驶汽车交通协调性评测模型及方法
CN110239556A (zh) * 2019-05-23 2019-09-17 重庆大学 一种驾驶员即时操控能力感知方法
CN110254435A (zh) * 2019-06-28 2019-09-20 同济大学 一种驾驶风格识别方法
CN111444607A (zh) * 2020-03-24 2020-07-24 重庆大学 一种转子-轴承多源激励非线性系统建模方法
CN111619576A (zh) * 2020-06-03 2020-09-04 中国第一汽车股份有限公司 一种控制方法、装置、设备及存储介质
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN ZHAO等: "A_Study_on_an_Anthropomorphic_Car-Following_Strategy_Framework_of_the_Autonomous_Coach_in_Mixed_Traffic_Flow", 《IEEE ACCESS》 *
余志超等: "智能驾驶车辆乘员舒适性研究综述", 《汽车实用技术》 *
尚世亮等: "基于驾驶员信心度的SOTIF评价模型建立与试验", 《机械设计与研究》 *
李振: "基于驾驶员行为特性的自适应巡航控制的研究", 《北京汽车》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022237418A1 (zh) * 2021-05-12 2022-11-17 中国第一汽车股份有限公司 一种纵向跟踪控制方法、装置、设备及存储介质
CN113642114A (zh) * 2021-09-14 2021-11-12 吉林大学 可犯错的拟人化随机跟车驾驶行为建模方法
CN113642114B (zh) * 2021-09-14 2023-10-17 吉林大学 可犯错的拟人化随机跟车驾驶行为建模方法
CN113954844A (zh) * 2021-10-15 2022-01-21 南通漫行信息科技有限公司 一种智能汽车人机驾驶模式切换系统
CN113954844B (zh) * 2021-10-15 2022-07-26 南通漫行信息科技有限公司 一种智能汽车人机驾驶模式切换系统
CN114137836A (zh) * 2021-11-23 2022-03-04 中国地质大学（武汉） 基于高斯混合模型的垂钻纠偏控制反馈校正方法及装置
CN115979679A (zh) * 2023-03-22 2023-04-18 中国汽车技术研究中心有限公司 自动驾驶系统实际道路测试方法、设备和存储介质

Also Published As

Publication number Publication date
CN112721949B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN112721949B (zh) 一种自动驾驶车辆纵向驾驶拟人化程度评价方法
CN111104969B (zh) 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法
CN109345020B (zh) 一种完全信息下的无信号交叉口车辆驾驶行为预测方法
CN109733390B (zh) 一种基于驾驶人特性的自适应换道预警方法
CN111079590B (zh) 一种无人驾驶车辆的周边车辆行为预判方法
CN111547064B (zh) 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
Deng et al. Improved driving behaviors prediction based on fuzzy logic-hidden markov model (fl-hmm)
CN112116100B (zh) 一种考虑驾驶员类型的博弈论决策方法
CN108944943B (zh) 一种基于风险动态平衡理论的弯道跟驰模型
CN108482481B (zh) 四轮独立驱动与转向电动汽车的四轮转向控制方法
CN107730835B (zh) 一种基于应激反应能力的汽车驾驶员疲劳识别方法
CN109878530B (zh) 识别车辆侧向行驶工况的方法和系统
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
Yen et al. Proactive car-following using deep-reinforcement learning
CN112668172A (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
CN116466644B (zh) 一种基于plc控制的车辆性能监管系统及方法
CN111783943A (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
CN114371707A (zh) 考虑人车交互的行人轨迹预测及主动避撞方法及系统
CN115285135A (zh) 融合驾驶风格的深度强化学习车辆跟驰模型的构建方法
CN114932918A (zh) 一种智能网联车在各种路况下行驶的行为决策方法及系统
CN111907523A (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
CN112172829A (zh) 车道偏离预警方法、装置、电子设备和存储介质
CN113313941B (zh) 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法
CN115171389B (zh) 基于gmm-hmm的高速公路他车超车换道意图识别方法
CN114148349A (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

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