CN112785863A - 基于K-Means和熵加权的并道决策分类预警方法 - Google Patents

基于K-Means和熵加权的并道决策分类预警方法 Download PDF

Info

Publication number
CN112785863A
CN112785863A CN202011570767.XA CN202011570767A CN112785863A CN 112785863 A CN112785863 A CN 112785863A CN 202011570767 A CN202011570767 A CN 202011570767A CN 112785863 A CN112785863 A CN 112785863A
Authority
CN
China
Prior art keywords
merging
vehicle
decision
normalized
value
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
CN202011570767.XA
Other languages
English (en)
Other versions
CN112785863B (zh
Inventor
蔡锦康
赵蕊
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 CN202011570767.XA priority Critical patent/CN112785863B/zh
Publication of CN112785863A publication Critical patent/CN112785863A/zh
Application granted granted Critical
Publication of CN112785863B publication Critical patent/CN112785863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于K‑Means和熵加权的并道决策分类预警方法，包括以下步骤：进行模拟驾驶试验并采集试验数据，试验数据包括并道时前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；归一化所采集的试验数据；使用熵加权法计算得到并入指数；使用K‑Means聚类算法对归一化后的并入指数和归一化后的主车并道加速度值进行聚类，得到三个聚类中心；计算得到并入柔和度值，将三个聚类中心与三个并道决策类型一一对应；ADAS系统使用三个并道决策类型的聚类中心坐标计算得到驾驶员的并道决策类型并发出对应警告信息。本方法数据采集便捷、运算速度快，开发成本低廉，且考虑因素全面，预测更准确，提升安全性。

Description

基于K-Means和熵加权的并道决策分类预警方法
技术领域
本发明涉及车辆辅助驾驶技术领域，特别涉及一种基于K-Means和熵加权的并道决策分类预警方法。
背景技术
在辅助驾驶和无人驾驶技术快速发展的今天，越来越多的车辆具备有一个或几个辅助驾驶功能，乃至可以实现简单工况的无人驾驶功能，如高速公路的自动巡航功能。然而，由于公路系统中存在有人驾驶车辆和无人驾驶或辅助驾驶车辆，存在联网车辆和非联网车辆，这造成交通状况存在较多的不确定性。在进入高速公路前，车辆需要经过匝道，汇入高速公路车流中，此汇入过程涉及到驾驶员对前车距离、速度和后车距离、速度的预判，且与驾驶员的驾驶习惯紧密相关，且匝道汇入区域属于交通事故高发地带，有必要针对该工况研发一种辅助驾驶方法，从而对驾驶员进行必要的警告，避免交通事故的发生。
现有技术中，专利CN201910991089.5公开了交叉路口路径生成设备及交叉路口处车辆控制方法和设备，针对交叉路口，提出一种车辆自动驾驶控制方法，即使用地图信息和/或图像信息来计算交叉路口区域中的作为车道的切断位置或车道的相交位置的交叉点的准确位置，并计算得到自动驾驶路径。该方法并未将交叉路口的其他车辆状况纳入考虑之中，存在一定不确定性。
专利CN201910015069.4公开了一种分布式智能网联汽车交叉路口复杂场景通行决策方法，具体提出了一种引入了车辆违反交通规则检测机制，实现了规则与强化学习方法的融合的方法，提出将车辆是否违规纳入交叉路口出决策方案中，实现了遵守与违反交通规则混杂的复杂交通场景下的无信号灯交叉路口智能网联汽车自主通行决策。该专利涉及的交叉路口决策方法并未将其他车辆的行驶状况纳入考虑之中，与现实中驾驶员的需求存在较大差异。
发明内容
本发明的主要目的在于提供一种基于K-Means和熵加权的并道决策分类预警方法，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K-Means和熵加权的并道决策分类预警方法，包括以下步骤：
进行模拟驾驶试验并采集试验数据：驾驶员使用模拟驾驶器进行模拟驾驶试验并控制车辆在包含有匝道口并入主干道的道路上行驶，采集的试验数据包括并道时前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；
归一化所采集的试验数据；
对并道时前车相对距离、前车相对速度、后车相对距离、后车相对速度这4个变量使用熵加权法计算得到并入指数，并对并入指数归一化；
使用K-Means聚类算法对归一化后的并入指数和归一化后的主车并道加速度值进行聚类，得到三个聚类中心；
计算得到并入柔和度值，根据并入柔和度值的大小将三个聚类中心与激进并入决策类、温和并入决策类和正常变道并入决策类这三个并道决策类型一一对应；
在车辆行驶过程中，ADAS系统使用三个并道决策类型的聚类中心坐标计算得到驾驶员的并道决策类型并发出对应警告信息。
进一步地，模拟驾驶试验中，虚拟试验环境的道路采用1:1高速公路仿真模型，且包含多个匝道口，相邻2个匝道口之间的间隔不小于1km。
更进一步地，模拟驾驶试验中，参与试验的驾驶员人数不少于100名；每位驾驶员控制车辆在包含有至少5个匝道口处并入主干道行驶，主干道上的车辆平均车速不小于60km/h，且重复进行20次试验。
进一步地，主车并道加速度为主车前轮碾压主干道车道线，开始并入时刻到主车后轮离开主干道车道线，完成并入时刻之间的平均纵向加速度。
进一步地，对所采集的试验数据归一化的具体过程为：
对于前车相对距离、前车相对速度、后车相对距离、主车并道加速度使用下式(1)进行归一化：
Figure BDA0002862559850000021
对于后车相对速度使用下式(2)进行归一化：
Figure BDA0002862559850000022
其中，i为数据点编号；j为变量编号；X表示相关变量值；Y表示归一化后的相关变量值；max为相关数据的最大值；min为相关数据的最小值。
进一步地，使用熵加权法计算得到并入指数时的步骤如下：
1)计算变量发生概率
Figure BDA0002862559850000031
2)计算熵值
Figure BDA0002862559850000032
式(3)和(4)中，n为数据点总量；
3)计算熵加权值
Figure BDA0002862559850000033
式(5)中，m为变量个数，即m＝4；
4)计算并入指数
Figure BDA0002862559850000034
式(6)中，j为变量编号，共m个；i为并道状态，共n个，即n＝3个，包括激进并入、温和并入和正常变道并入三种并道状态；
对并入指数采用下式(7)进行归一化：
Figure BDA0002862559850000035
式(7)中I表示归一化前的并入指数，i表示数据点编号，Inorm表示归一化后的并入指数。
进一步地，所述并入柔和度值为归一化后的并入指数坐标值减去归一化后的纵向加速度坐标值所得差值，具体表示为下式(8)：
Figure BDA0002862559850000041
式中，Inorm表示归一化后的并入指数坐标值，
Figure BDA0002862559850000042
表示归一化后的纵向加速度坐标值，fi表示并入柔和度值；
三个聚类中心中，并入柔和度值最小的聚类中心对应激进并入决策类；并入柔和度值最大的聚类中心对对应温和并入决策类；剩余一个聚类中心对应正常变道并入决策类。
更进一步地，ADAS系统使用三个并道决策类型的聚类中心坐标计算得到驾驶员的并道决策类型的具体步骤如下：
1)检测前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；
2)使用试验所得相关变量的最大值和最小值归一化前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；
3)计算并入指数；
4)计算得到归一化后的并入指数；
5)计算得到由当前车辆的归一化后的并入指数和并入加速度组成的数据点与三个并道决策类型的聚类中心坐标之间的欧氏距离；最小欧氏距离对应的聚类中心所属并道决策类型即为当前车辆的并道决策类型；
6)ADAS系统发出警告信息。
再进一步地，ADAS系统根据当前车辆所属并道决策类型发出警告信息，具体包括：
①若当前车辆属于激进并入决策类，则向前车和后车发出谨慎驾驶警告；
②若当前车辆属于正常并入决策类，则不发出警告；
③若当前车辆属于温和并入决策类，则向后车发出谨慎驾驶警告。
本发明以模拟驾驶器试验获得的车辆行驶相关数据，通过熵加权法和K-Means聚类算法计算获得三个聚类中心，并根据并入柔和度值获得对应的三个并道决策类型，然后ADAS系统(Advanced Driving Assistance System，高级辅助驾驶系统)使用三个并道决策类型的聚类中心坐标即可实现对驾驶员的并道决策进行分类预警。
由于采用上述技术方案，本发明达到以下有益效果：本发明在对驾驶员并道决策分类时将交叉路口的其他车辆状况纳入考虑之中，考虑因素更全面，也更符合实际道路交通情况，分类预警准确度更高；在进行并道决策分类预警时只需要检测前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度，数据采集更便捷，实现成本较低。
附图说明
图1为根据本发明的基于K-Means和熵加权的并道决策分类预警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，本实施例提供一种基于K-Means和熵加权的并道决策分类预警方法，包括如下步骤：
S 1.进行模拟驾驶试验并采集试验数据：
驾驶员使用模拟驾驶器进行模拟驾驶试验，虚拟试验环境采用1:1高速公路仿真模型，且包含至少5处匝道口，相邻2个匝道口之间间隔1km，即匝道与主干道的并入交叉口之间间隔1km。参与试验的驾驶员100名，且拥有合法驾照。每位驾驶员被要求在包含有至少5个匝道口处并入主干道行驶，且主干道上的车辆平均车速不得小于60km/h。每位驾驶员必须按照交通规则行驶，且重复进行20次。试验过程中需要采集的数据包括并道时前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度，采样周期为0.1s。主车并道加速度为主车前轮碾压主干道车道线，开始并入时刻到主车后轮离开主干道车道线，完成并入时刻之间的平均纵向加速度。
S2.归一化所有所采数据：
所采数据归一化的方法为：
对于前车相对距离、前车相对速度、后车相对距离、主车并道加速度使用下式(1)进行归一化：
Figure BDA0002862559850000051
对于后车相对速度使用下式(2)进行归一化：
Figure BDA0002862559850000061
其中，i为数据点编号；j为变量编号；X表示相关变量值；Y表示归一化后的相关变量值；max为相关数据的最大值；min为相关数据的最小值。
S3.计算得到并归一化并入指数：
使用熵加权法计算得到并入指数时只考虑前车相对距离、前车相对速度、后车相对距离、和后车相对速度，步骤如下：
1)计算变量发生概率
Figure BDA0002862559850000062
2)计算熵值
Figure BDA0002862559850000063
式(3)和(4)中，n为数据点总量；
3)计算熵加权值
Figure BDA0002862559850000064
式(5)中，m为变量个数，即m＝4；
4)计算并入指数
Figure BDA0002862559850000065
式(6)中，j为变量编号，共m个；i为系统或状态，共n个，即n＝3个，包括激进并入、温和并入和正常变道并入三种并道状态；
对并入指数采用下式(7)进行归一化：
Figure BDA0002862559850000071
式(7)中I表示归一化前的并入指数，i表示数据点编号，Inorm表示归一化后的并入指数。
S4.K-Means聚类：
使用K-Means聚类算法对归一化后的并入指数和归一化后的主车并道加速度值进行聚类，得到三个聚类中心。使用K-Means聚类时，类型数量设置为3，最大迭代次数设置为2000。
S5.计算并入柔和度：
并入柔和度值为归一化并入指数坐标值减去归一化后纵向加速度坐标值所得差值，具体表示为下式(8)：
Figure BDA0002862559850000072
式中，Inorm表示归一化后的并入指数坐标值，
Figure BDA0002862559850000073
表示归一化后的纵向加速度坐标值，fi表示并入柔和度值。
三个聚类中心中，并入柔和度值最小的聚类中心对应激进并入决策类；并入柔和度值最大的聚类中心对对应温和并入决策类；剩余一个聚类中心对应正常变道并入决策类。
S6.ADAS应用：
ADAS系统使用三个决策类的聚类中心坐标即可对驾驶员的并如决策进行分类，使用步骤如下：1)检测前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；
2)使用试验所得相关变量的最大值和最小值归一化前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；
3)计算并入指数；
4)计算得到归一化后的并入指数；
5)计算得到由当前车辆的归一化后的并入指数和并入加速度组成的数据点与三个并道决策类型的聚类中心坐标之间的欧氏距离；最小欧氏距离对应的聚类中心所属并道决策类型即为当前车辆的并道决策类型；
6)ADAS系统发出警告信息。ADAS系统根据当前车辆所属并道决策类型发出警告信息，具体步骤包括：
①若当前车辆属于激进并入决策类，则向前车和后车发出谨慎驾驶警告；
②若当前车辆属于正常并入决策类，则不发出警告；
③若当前车辆属于温和并入决策类，则向后车发出谨慎驾驶警告。
在本实施例中，需要发出警告时，同时会向当前车辆驾驶员发出谨慎驾驶警告，而且当前车辆通过车联网系统将警告信息发送给前后车辆的警告屏幕。
警告非当前车辆驾驶员的信息是：前方或后方车辆处于激进驾驶状态，请谨慎驾驶。
警告当前车辆驾驶员的信息是：请注意，您当前处于激进驾驶状态，存在安全隐患，请谨慎驾驶。
综上，根据本实施例的并道决策分类预警方法，在驾驶员控制车辆从匝道并入主干道时，根据检测前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度并进行相应计算，ADAS系统使用三个决策类的聚类中心坐标即可计算得到驾驶员的并道决策类型，从而及时作出对应的预警，有效提升了主车以及周围车辆行驶的安全性。相对于现有技术，本发明考虑因素更全面，预警更加准确；而且采集数据便捷，开发成本较低。
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K-Means和熵加权的并道决策分类预警方法，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：驾驶员使用模拟驾驶器进行模拟驾驶试验并控制车辆在包含有匝道口并入主干道的道路上行驶，采集的试验数据包括并道时前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；
归一化所采集的试验数据；
对并道时前车相对距离、前车相对速度、后车相对距离、后车相对速度这4个变量使用熵加权法计算得到并入指数，并对并入指数归一化；
使用K-Means聚类算法对归一化后的并入指数和归一化后的主车并道加速度值进行聚类，得到三个聚类中心；
计算得到并入柔和度值，根据并入柔和度值的大小将三个聚类中心与激进并入决策类、温和并入决策类和正常变道并入决策类这三个并道决策类型一一对应；
在车辆行驶过程中，ADAS系统使用三个并道决策类型的聚类中心坐标计算得到驾驶员的并道决策类型并发出对应警告信息。
2.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，模拟驾驶试验中，虚拟试验环境的道路采用1:1高速公路仿真模型，且包含多个匝道口，相邻2个匝道口之间的间隔不小于1km。
3.根据权利要求2所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，模拟驾驶试验中，参与试验的驾驶员人数不少于100名；每位驾驶员控制车辆在包含有至少5个匝道口处并入主干道行驶，主干道上的车辆平均车速不小于60km/h，且重复进行20次试验。
4.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，主车并道加速度为主车前轮碾压主干道车道线，开始并入时刻到主车后轮离开主干道车道线，完成并入时刻之间的平均纵向加速度。
5.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，其特征在于，对所采集的试验数据归一化的具体过程为：
对于前车相对距离、前车相对速度、后车相对距离、主车并道加速度使用下式(1)进行归一化：
Figure FDA0002862559840000021
对于后车相对速度使用下式(2)进行归一化：
Figure FDA0002862559840000022
其中，i为数据点编号；j为变量编号；X表示相关变量值；Y表示归一化后的相关变量值；max为相关数据的最大值；min为相关数据的最小值。
6.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，使用熵加权法计算得到并入指数时的步骤如下：
1)计算变量发生概率
Figure FDA0002862559840000023
2)计算熵值
Figure FDA0002862559840000024
式(3)和(4)中，n为数据点总量；
3)计算熵加权值
Figure FDA0002862559840000025
式(5)中，m为变量个数，即m＝4；
4)计算并入指数
Figure FDA0002862559840000026
式(6)中，j为变量编号，共m个；i为并道状态，共n个，即n＝3个，包括激进并入、温和并入和正常变道并入三种并道状态；
对并入指数采用下式(7)进行归一化：
Figure FDA0002862559840000031
式(7)中I表示归一化前的并入指数，i表示数据点编号，Inorm表示归一化后的并入指数。
7.根据权利要求1所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，所述并入柔和度值为归一化后的并入指数坐标值减去归一化后的纵向加速度坐标值所得差值，具体表示为下式(8)：
Figure FDA0002862559840000032
式中，Inorm表示归一化后的并入指数坐标值，
Figure FDA0002862559840000033
表示归一化后的纵向加速度坐标值，fi表示并入柔和度值；
三个聚类中心中，并入柔和度值最小的聚类中心对应激进并入决策类；并入柔和度值最大的聚类中心对对应温和并入决策类；剩余一个聚类中心对应正常变道并入决策类。
8.根据权利要求7所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，ADAS系统使用三个并道决策类型的聚类中心坐标计算得到驾驶员的并道决策类型的具体步骤如下：
1)检测前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；
2)使用试验所得相关变量的最大值和最小值归一化前车相对距离、前车相对速度、后车相对距离、后车相对速度、主车并道加速度；
3)计算并入指数；
4)计算得到归一化后的并入指数；
5)计算得到由当前车辆的归一化后的并入指数和并入加速度组成的数据点与三个并道决策类型的聚类中心坐标之间的欧氏距离；最小欧氏距离对应的聚类中心所属并道决策类型即为当前车辆的并道决策类型；
6)ADAS系统发出警告信息。
9.根据权利要求8所述基于K-Means和熵加权的并道决策分类预警方法，其特征在于，ADAS系统根据当前车辆所属并道决策类型发出警告信息，具体包括：
①若当前车辆属于激进并入决策类，则向前车和后车发出谨慎驾驶警告；
②若当前车辆属于正常并入决策类，则不发出警告；
③若当前车辆属于温和并入决策类，则向后车发出谨慎驾驶警告。
CN202011570767.XA 2020-12-26 2020-12-26 基于K-Means和熵加权的并道决策分类预警方法 Active CN112785863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011570767.XA CN112785863B (zh) 2020-12-26 2020-12-26 基于K-Means和熵加权的并道决策分类预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011570767.XA CN112785863B (zh) 2020-12-26 2020-12-26 基于K-Means和熵加权的并道决策分类预警方法

Publications (2)

Publication Number Publication Date
CN112785863A true CN112785863A (zh) 2021-05-11
CN112785863B CN112785863B (zh) 2022-05-03

Family

ID=75752726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011570767.XA Active CN112785863B (zh) 2020-12-26 2020-12-26 基于K-Means和熵加权的并道决策分类预警方法

Country Status (1)

Country Link
CN (1) CN112785863B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006205860A (ja) * 2005-01-27 2006-08-10 Advics:Kk 車両用走行支援装置
US20100019891A1 (en) * 2008-07-25 2010-01-28 Gm Global Technology Operations, Inc. Inter-vehicle communication feature awareness and diagnosis system
US20100211270A1 (en) * 2009-02-18 2010-08-19 Gm Global Technology Operations, Inc. Vehicle stability enhancement control adaptation to driving skill based on highway on/off ramp maneuver
US20100209885A1 (en) * 2009-02-18 2010-08-19 Gm Global Technology Operations, Inc. Vehicle stability enhancement control adaptation to driving skill based on lane change maneuver
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
US20180284266A1 (en) * 2017-03-31 2018-10-04 Ford Global Technologies, Llc Lane change advisor
CN108764359A (zh) * 2018-06-01 2018-11-06 吉林大学 无参数的k均值聚类方法
CN109367541A (zh) * 2018-10-15 2019-02-22 吉林大学 一种基于驾驶员行为特性的智能车类人变道决策方法
CN109637158A (zh) * 2018-12-27 2019-04-16 东南大学 一种用于快速路入口匝道区域的智能车辆合流预警方法
WO2019122952A1 (en) * 2017-12-18 2019-06-27 PlusAI Corp Method and system for personalized motion planning in autonomous driving vehicles
CN109991972A (zh) * 2017-12-29 2019-07-09 长城汽车股份有限公司 控制车辆行驶的方法、装置、车辆及可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006205860A (ja) * 2005-01-27 2006-08-10 Advics:Kk 車両用走行支援装置
US20100019891A1 (en) * 2008-07-25 2010-01-28 Gm Global Technology Operations, Inc. Inter-vehicle communication feature awareness and diagnosis system
US20100211270A1 (en) * 2009-02-18 2010-08-19 Gm Global Technology Operations, Inc. Vehicle stability enhancement control adaptation to driving skill based on highway on/off ramp maneuver
US20100209885A1 (en) * 2009-02-18 2010-08-19 Gm Global Technology Operations, Inc. Vehicle stability enhancement control adaptation to driving skill based on lane change maneuver
US20180284266A1 (en) * 2017-03-31 2018-10-04 Ford Global Technologies, Llc Lane change advisor
CN107610464A (zh) * 2017-08-11 2018-01-19 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法
WO2019122952A1 (en) * 2017-12-18 2019-06-27 PlusAI Corp Method and system for personalized motion planning in autonomous driving vehicles
CN109991972A (zh) * 2017-12-29 2019-07-09 长城汽车股份有限公司 控制车辆行驶的方法、装置、车辆及可读存储介质
CN108764359A (zh) * 2018-06-01 2018-11-06 吉林大学 无参数的k均值聚类方法
CN109367541A (zh) * 2018-10-15 2019-02-22 吉林大学 一种基于驾驶员行为特性的智能车类人变道决策方法
CN109637158A (zh) * 2018-12-27 2019-04-16 东南大学 一种用于快速路入口匝道区域的智能车辆合流预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
倪捷等: "面向驾驶辅助系统的换道安全性预测模型研究", 《交通运输系统工程与信息》 *
张敬信: "R语言熵权法确定权重", 《知乎论坛》 *

Also Published As

Publication number Publication date
CN112785863B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
EP3533681B1 (en) Method for detecting safety of driving behavior, apparatus and storage medium
CN108313054B (zh) 自动驾驶自主换道决策方法和装置及自动驾驶车辆
CN108995655B (zh) 一种驾驶员驾驶意图识别方法及系统
CN107531244B (zh) 信息处理系统、信息处理方法、以及记录介质
KR20190054374A (ko) 주행 경험 정보를 이용한 자율주행 학습 장치 및 방법
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN112793576B (zh) 一种基于规则与机器学习融合的换道决策方法及系统
CN107919022B (zh) 一种动态时长分配的智能交通灯信号控制方法
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
CN114169444B (zh) 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法
CN115782905B (zh) 一种自动驾驶车辆驾驶安全度量化系统
CN112249009A (zh) 车速控制方法、装置、系统及电子设备
CN114419874A (zh) 基于路侧感知设备数据融合的目标行车安全风险预警方法
CN111882924A (zh) 车辆测试系统、驾驶行为判断控制方法及事故预警方法
Gao et al. Discretionary cut-in driving behavior risk assessment based on naturalistic driving data
CN115279643A (zh) 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备
CN112785863B (zh) 基于K-Means和熵加权的并道决策分类预警方法
CN112373482B (zh) 一种基于驾驶模拟器的驾驶习惯建模方法
CN111775948B (zh) 一种驾驶行为分析方法及装置
CN112686127A (zh) 基于gm-hmm的驾驶员超车意图识别方法
CN113276860A (zh) 车辆控制方法、装置、电子设备以及存储介质
CN112308171A (zh) 一种基于模拟驾驶器的车辆位置预测建模方法
CN114842432A (zh) 一种基于深度学习汽车灯光控制方法及系统
Wang et al. Driver modeling based on vehicular sensing data
CN112150668A (zh) 驾驶行为提醒方法及装置

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