CN112896166A - 车辆换道方法、装置和电子设备 - Google Patents
车辆换道方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112896166A CN112896166A CN202110226858.XA CN202110226858A CN112896166A CN 112896166 A CN112896166 A CN 112896166A CN 202110226858 A CN202110226858 A CN 202110226858A CN 112896166 A CN112896166 A CN 112896166A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- current vehicle
- current
- lane
- speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000008859 change Effects 0.000 claims abstract description 45
- 230000001133 acceleration Effects 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003780 insertion Methods 0.000 description 4
- 230000037431 insertion Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供了一种车辆换道方法、装置和电子设备,包括:判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;如果不满足,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数;将行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度;根据预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。该方式中,在当前车辆不满足变道条件时,通过神经网络模型根据当前车辆和周围车辆的运动状态,输出的预备加减度,自动对当前车辆进行加减速,以寻找合适的变道机会,安全的并入主路,该方式无需人工干预,可自适应调整车速,提高了变道策略的普适性。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其是涉及一种车辆换道方法、装置和电子设备。
背景技术
相关技术中,通常高速场景下自动驾驶车辆在遇到匝道并入主路的处理方法是:不能及时并入主路时,采用人工设定的加减速规则,尝试寻找合适的变道机会,而这一人工设定的方法通常普适性较差,极端情况下甚至在到达匝道尽头处依然没有成功并入主路,需要停车等待。
发明内容
本发明的目的在于提供一种车辆换道方法、装置和电子设备,以根据主路上车辆的状态信息来自适应的调整车速,以使车辆尽快成功并入主路,避免停车等待。
第一方面,本发明提供了一种车辆换道方法,该方法包括:判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;如果不满足,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数;将行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度;根据预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。
在可选的实施方式中,上述当前车辆运行在高速公路的匝道上,行驶参数包括:当前车辆的当前车速和当前车辆距离匝道的尽头的距离。
在可选的实施方式中,上述周围车辆包括:运行在当前车辆的正前方的第一车辆、以及运行在目标主路上的第二车辆和第三车辆;其中,目标主路为与当前车辆所在车道相邻的车道,第二车辆为位于当前车辆斜前方的车辆中距离当前车辆最近的车辆,第三车辆为位于当前车辆斜后方的车辆中距离当前车辆最近的车辆;当前车辆与当前车辆的周围车辆之间的相对运行参数包括:当前车辆与第一车辆的纵向距离和预估碰撞时间、当前车辆与第二车辆的纵向距离和预估碰撞时间、当前车辆与第三车辆的纵向距离和预估碰撞时间。
在可选的实施方式中,上述当前车辆与第一车辆的预估碰撞时间的确定方式为:根据当前车辆的当前速度、第一车辆的预估车速、当前车辆与第一车辆的纵向距离,计算当前车辆与第一车辆的预估碰撞时间;上述当前车辆与第二车辆的预估碰撞时间的确定方式为:根据当前车辆的当前速度、第二车辆的预估车速、当前车辆与第二车辆的纵向距离,计算当前车辆与第二车辆的预估碰撞时间;上述当前车辆与第三车辆的预估碰撞时间的确定方式为:根据当前车辆的当前速度、第三车辆的预估车速、当前车辆与第三车辆的纵向距离,计算当前车辆与第三车辆的预估碰撞时间。
在可选的实施方式中,上述神经网络模型包括输入层、输出层和多个隐含层;其中,输入层用于输入行驶参数和相对运行参数;多个隐含层用于提取行驶参数和相对运行参数的特征;输出层用于根据提取的特征输出当前车辆的预备加减速度。
在可选的实施方式中,上述隐含层之间采用全连接的方式或者稀疏连接的方式进行连接。
在可选的实施方式中,上述方法还包括:如果当前车辆与目标主路上的目标车辆之间的距离满足换道条件,将当前车辆换道至目标主路上。
第二方面,本发明提供了一种车辆换道装置,该装置包括:判断模块,用于判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;参数获取模块,用于如果不满足,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数;参数输入模块,用于将行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度;车速调整模块,用于根据预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。
第三方面,本发明提供了一种电子设备,该电子设备包括处理器和存储器,该存储器存储有能够被处理器执行的机器可执行指令,该处理器执行机器可执行指令以实现前述实施方式任一项所述的车辆换道方法。
第四方面,本发明提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,该机器可执行指令促使处理器实现前述实施方式任一项所述的车辆换道方法。
本发明实施例带来了以下有益效果:
本发明提供的一种车辆换道方法、装置和电子设备,首先判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;如果不满足,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数;进而将行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度;然后根据预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。该方式中,在当前车辆不满足变道条件时,通过神经网络模型根据当前车辆和周围车辆的运动状态,输出的预备加减度,自动对当前车辆进行加减速,以寻找合适的变道机会,安全的并入主路,该方式无需人工干预,可自适应调整车速,提高了变道策略的普适性。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种高速匝道路口场景图;
图2为本发明实施例提供的一种车辆换道方法的流程图;
图3为本发明实施例提供的另一种车辆换道方法的流程图;
图4为本发明实施例提供的一种神经网络的结构示意图;
图5为本发明实施例提供的一种车辆换道装置的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
在高速公路场景下,自动驾驶车辆从匝道进入主路汇流,通常匝道口处前方一定距离存在道路尽头或者匝道前方道路关闭,如图1所示,ObsA~ObsE为主路上行驶的车辆,ADC为行驶在匝道上即将汇流至主路的本车自动驾驶车辆,Obs F为本车所在车道的前方车辆,自动驾驶车辆需要在达到匝道尽头之前寻找合适的时机安全的并入主路。该过程主要分为三个子过程:相邻目标间隙的安全确认、相邻目标间隙的安全插入以及换道准备加减速。其中,相邻目标间隙是指变道目标车道上前后距离ADC最近的车辆与ADC沿着车道方向的距离;换道准备加减速是指:当前相邻目标间隙不能满足安全变道的条件时,需要调整自车速度以寻找合适的目标间隙进行插入变道。而高速的匝道并入主路的路况经常主路车流量较大,匝道上的自动驾驶车辆需要多次经过换道准备加减速阶段,根据主路上车流量的情况调整车速,才可并入主路。
现有技术中,提供了一种高速公路入口匝道合流区智能安全预警控制方法,该方法对合流区的实际交通状况进行采集和分析,对即将进入合流区车辆进行实时动态预警,避免事故发生,该方案仅仅是提供预警信息,并未对合流车辆进行实时的控制,从而安全有效的合并进主路,无法满足自动驾驶车辆安全进出匝道功能。还提供了一种基于车路协调的互通式立交入口安全提醒系统,该系统可根据主线和匝道来车情况,以及主线和匝道汇入车辆的车速,对互通式立交入口区域内相关车辆提供安全提醒和安全警告(以为互通式立交入口车辆驶入主线进行安全提醒,对未充分加速就驶入主线的驾驶员提供安全警告),辅助车辆在以合适的车速安全合流,保障驾驶员在互通式立交入口的行车安全,该方法依旧是起到预警作用,同时该系统需要各车辆都需安装zigbee模块进行互相通讯,通常自动驾驶车辆只能通过自身的传感器来感知周围环境的状态,所以该方法不能满足当前通用自动驾驶技术的需求,推广具有一定的难度。
相关技术中,通常高速场景下自动驾驶车辆在遇到匝道并入主路的处理方法是:不能及时并入主路时,采用人工设定的加减速规则,尝试寻找合适的变道机会,而这一人工设定的方法通常普适性较差,难以根据主路上车辆的状态信息来自适应的调整车速,极端情况下甚至在到达匝道尽头处依然没有成功并入主路,需要停车等待。
基于上述问题,本发明实施例提供了一种车辆换道方法、装置和电子设备,该技术可以应用于高速中自动驾驶车辆在遇到匝道并入主路的场景,尤其是自动驾驶车辆无法并入主路的情况。为便于对本实施例进行理解,首先对本发明实施例所公开的一种车辆换道方法进行详细介绍,如图2所示,该方法包括如下具体步骤:
步骤S202,判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件。
在具体实现时,上述当前车辆为行驶在高速公路的匝道上、想要汇入目标主路的自动驾驶车辆。该目标主路通常是与当前车辆行驶的匝道相邻的车道,该目标主路上的目标车辆是指在目标主路上行驶的、前后距离当前车辆最近的两辆车。上述换道条件可以是当前车辆与目标车辆之间的距离大于或者等于预设距离值,以确保当前车辆有足够的时间从匝道换道至目标主路上,且不与目标车辆相撞。
步骤S204,如果不满足,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数。
如果当前车辆与目标车辆之间的距离满足换道条件,则控制当前车辆换道至目标主路上行驶。如果不满足换道条件,需要获取当前车辆的行驶参数以及当前车辆与该当前车辆的周围车辆之间的相对运行参数,从而调整当前车辆的车速,以使当前车辆可以尽快进行换道。其中,当前车辆运行在高速公路的匝道上,该行驶参数包括:当前车辆的当前车速和当前车辆距离匝道的尽头的距离等。
上述当前车辆的周围车辆包括:运行在当前车辆的正前方的第一车辆(该第一车辆与当前车辆运行在同一车道上)、以及运行在目标主路上的第二车辆和第三车辆;其中,目标主路为与当前车辆所在车道相邻的车道,该第二车辆为位于当前车辆斜前方的车辆中距离当前车辆最近的车辆,第三车辆为位于当前车辆斜后方的车辆中距离当前车辆最近的车辆。如图1所示,上述当前车辆相当于图1中的ADC、第一车辆相当于图1中的ObsF、第二车辆相当于图1中的ObsE、第三车辆相当于图1中的ObsD。
当前车辆与该当前车辆的周围车辆之间的相对运行参数包括:当前车辆与第一车辆的纵向距离和预估碰撞时间、当前车辆与第二车辆的纵向距离和预估碰撞时间、当前车辆与第三车辆的纵向距离和预估碰撞时间。在具体实现时,上述纵向距离是指沿着车道方向的距离,当前车辆中的自动驾驶系统可以根据当前车辆的速度、当前车辆与周围车辆的距离等参数,估计出周围车辆的预估车辆。
因而,当前车辆与第一车辆的预估碰撞时间的确定方式可以为:根据当前车辆的当前速度、第一车辆的预估车速、当前车辆与第一车辆的纵向距离,计算当前车辆与第一车辆的预估碰撞时间;当前车辆与第二车辆的预估碰撞时间的确定方式可以为:根据当前车辆的当前速度、第二车辆的预估车速、当前车辆与所述第二车辆的纵向距离,计算当前车辆与第二车辆的预估碰撞时间;当前车辆与第三车辆的预估碰撞时间的确定方式可以为:根据当前车辆的当前速度、第三车辆的预估车速、当前车辆与第三车辆的纵向距离,计算当前车辆与第三车辆的预估碰撞时间。
步骤S206,将上述行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度。
上述神经网络模型可以是根据预设的样本集训练得到的,该样本集中包含有多个样本,每个样本中均包含有当前车辆的行驶参数、当前车辆与周围车辆的相对运行参数,以及当前车辆的预备加减速度。具体地,上述神经网络可以采用有监督学习、无监督学习或者强化学习等机器学习的方式训练得到的。在训练过程中,首先从样本集中选取训练样本,将该训练样本中的行驶参数和相对运行参数输入至神经网络模型的初始模型中,得到输出结果,然后根据输出结果与训练样本中的预备加减速度计算损失值,并根据该损失值调整初始模型的权重参数,继续执行从样本集中选取一个训练样本的过程,直到损失值收敛,得到神经网络模型。
步骤S208,根据上述预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。
在具体实现时,上述预设加减速度可以是对当前车辆进行加速,也可以是对当前车辆进行减速。当前车辆在相邻目标间隙不合适执行换道插入的前提下(也即是不满足变道条件时),为使得目标间隙尽快可接受用于执行换道插入动作,当前车辆需要根据预备加减速度调整车速,以寻找合适的变道机会,尽快完成变道。
在自动驾驶变道过程中,尤其是在高速场景下自动驾驶车辆从匝道并入主路的过程中,在当前时刻不满足安全变至主路时,可以通过深度神经网络或者其他机器学习技术,从大量真实数据集中来自主学习周围环境信息与加减速的非线性关系,从而实现自动驾驶车辆自主调整车速,寻找合适的机会安全从匝道并入主路。
本发明提供的一种车辆换道方法,首先判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;如果不满足,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数;进而将行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度;然后根据预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。该方式中,在当前车辆不满足变道条件时,通过神经网络模型根据当前车辆和周围车辆的运动状态,输出的预备加减度,自动对当前车辆进行加减速,以寻找合适的变道机会,安全的并入主路,该方式无需人工干预,可自适应调整车速,提高了变道策略的普适性。
本发明实施例还提供了另一种车辆换道方法,该方法在上述实施例方法的基础上实现;该方法重点描述将行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度的具体过程(通过下述步骤S308-S314实现);如图3所示,该方法包括如下具体步骤:
步骤S302,判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;如果满足,执行步骤S304;否则,执行步骤S306。
步骤S304,将当前车辆换道至目标主路上;结束。
步骤S306,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数。
当前车辆与目标主路上的目标车辆之间的距离不满足换道条件,也即是当前车辆与相邻目标间隙不合适执行换道插入的操作。
步骤S308,将上述行驶参数和相对运行参数输入至预先训练完成的神经网络模型中;其中,该神经网络模型包括输入层、输出层和多个隐含层。
上述神经网络模型中包括一个输入层、一个输出层和多个隐含层,其中,隐含层的数量根据用户需求进行设定。每两个隐含层之间采用全连接的方式或者稀疏连接的方式进行连接。如图4所示为一种神经网络模型的结构示意图,图4中的输入层用于输入行驶参数和相对运行参数,其中,D(i)表示当前车辆距离匝道的尽头的距离;V(i)表示当前车辆的当前车速;X(i-1)表示当前车辆与第一车辆的纵向距离;TTC(i-1)表示当前车辆与第一车辆的预估碰撞时间;X(k-1)表示当前车辆与第二车辆的纵向距离;TTC(k-1)表示当前车辆与第二车辆的预估碰撞时间;X(k)表示当前车辆与第三车辆的纵向距离;TTC(k)表示当前车辆与第三车辆的预估碰撞时间;a表示输出的预备加减速度。
步骤S310,通过上述输入层将输入的行驶参数和相对运行参数输出至第一个隐含层。
步骤S312,通过多个隐含层提取行驶参数和相对运行参数的特征,将该特征输入至输出层。
步骤S314,通过输出层,根据上述特征输出当前车辆的预备加减速度。
步骤S316,根据上述预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。
上述车辆换道方法,通过搭建的神经网络模型,输入自动驾驶车辆和周围车辆的运动状态以及自动驾驶车辆距离匝道尽头的距离等一系列信息,自动驾驶车辆自适应进行加减速以寻找合适的变道机会,从而能够安全的并入高速公路的主路。
针对于上述车辆换道方法的实施例,本发明实施例提供了一种车辆换道装置,如图5所示,该装置包括:
判断模块40,用于判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件。
参数获取模块41,用于如果不满足,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数。
参数输入模块42,用于将行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度。
车速调整模块43,用于根据预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。
上述车辆换道装置,首先判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;如果不满足,获取当前车辆的行驶参数,以及当前车辆与当前车辆的周围车辆之间的相对运行参数;进而将行驶参数和相对运行参数输入至预先训练完成的神经网络模型中,输出当前车辆的预备加减速度;然后根据预备加减速度调整当前车辆的车速,以使当前车辆继续寻找换道机会。该方式中,在当前车辆不满足变道条件时,通过神经网络模型根据当前车辆和周围车辆的运动状态,输出的预备加减度,自动对当前车辆进行加减速,以寻找合适的变道机会,安全的并入主路,该方式无需人工干预,可自适应调整车速,提高了变道策略的普适性。
具体地,上述当前车辆运行在高速公路的匝道上,上述行驶参数包括:当前车辆的当前车速和当前车辆距离匝道的尽头的距离。
在具体实现时,上述周围车辆包括:运行在当前车辆的正前方的第一车辆、以及运行在目标主路上的第二车辆和第三车辆;其中,目标主路为与当前车辆所在车道相邻的车道,第二车辆为位于当前车辆斜前方的车辆中距离当前车辆最近的车辆,第三车辆为位于当前车辆斜后方的车辆中距离当前车辆最近的车辆;上述当前车辆与当前车辆的周围车辆之间的相对运行参数包括:当前车辆与第一车辆的纵向距离和预估碰撞时间、当前车辆与第二车辆的纵向距离和预估碰撞时间、当前车辆与第三车辆的纵向距离和预估碰撞时间。
进一步地,上述装置还包括预估碰撞时间的确定模块,用于:根据当前车辆的当前速度、第一车辆的预估车速、当前车辆与第一车辆的纵向距离,计算当前车辆与第一车辆的预估碰撞时间;根据当前车辆的当前速度、第二车辆的预估车速、当前车辆与第二车辆的纵向距离,计算当前车辆与第二车辆的预估碰撞时间;根据当前车辆的当前速度、第三车辆的预估车速、当前车辆与第三车辆的纵向距离,计算当前车辆与第三车辆的预估碰撞时间。
具体地,上述神经网络模型包括输入层、输出层和多个隐含层;其中,输入层用于输入行驶参数和相对运行参数;多个隐含层用于提取行驶参数和相对运行参数的特征;输出层用于根据提取的特征输出当前车辆的预备加减速度。
在具体实现时,上述隐含层之间采用全连接的方式或者稀疏连接的方式进行连接。
进一步地,上述装置还包括换道模块,用于如果当前车辆与目标主路上的目标车辆之间的距离满足换道条件,将当前车辆换道至目标主路上。
本发明实施例所提供的车辆换道装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备,参见图6所示,该电子设备包括处理器101和存储器100,该存储器100存储有能够被处理器101执行的机器可执行指令,该处理器101执行机器可执行指令以实现上述车辆换道方法。
进一步地,图6所示的电子设备还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,该机器可执行指令促使处理器实现上述车辆换道方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的车辆换道方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种车辆换道方法,其特征在于,所述方法包括:
判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;
如果不满足,获取所述当前车辆的行驶参数,以及所述当前车辆与所述当前车辆的周围车辆之间的相对运行参数;
将所述行驶参数和所述相对运行参数输入至预先训练完成的神经网络模型中,输出所述当前车辆的预备加减速度;
根据所述预备加减速度调整所述当前车辆的车速,以使所述当前车辆继续寻找换道机会。
2.根据权利要求1所述的方法,其特征在于,所述当前车辆运行在高速公路的匝道上,所述行驶参数包括:所述当前车辆的当前车速和所述当前车辆距离所述匝道的尽头的距离。
3.根据权利要求1或2所述的方法,其特征在于,所述周围车辆包括:运行在所述当前车辆的正前方的第一车辆、以及运行在所述目标主路上的第二车辆和第三车辆;其中,所述目标主路为与所述当前车辆所在车道相邻的车道,所述第二车辆为位于所述当前车辆斜前方的车辆中距离所述当前车辆最近的车辆,所述第三车辆为位于所述当前车辆斜后方的车辆中距离所述当前车辆最近的车辆;
所述当前车辆与所述当前车辆的周围车辆之间的相对运行参数包括:所述当前车辆与所述第一车辆的纵向距离和预估碰撞时间、所述当前车辆与所述第二车辆的纵向距离和预估碰撞时间、所述当前车辆与所述第三车辆的纵向距离和预估碰撞时间。
4.根据权利要求3所述的方法,其特征在于,所述当前车辆与所述第一车辆的预估碰撞时间的确定方式为:根据所述当前车辆的当前速度、所述第一车辆的预估车速、所述当前车辆与所述第一车辆的纵向距离,计算所述当前车辆与所述第一车辆的预估碰撞时间;
所述当前车辆与所述第二车辆的预估碰撞时间的确定方式为:根据所述当前车辆的当前速度、所述第二车辆的预估车速、所述当前车辆与所述第二车辆的纵向距离,计算所述当前车辆与所述第二车辆的预估碰撞时间;
所述当前车辆与所述第三车辆的预估碰撞时间的确定方式为:根据所述当前车辆的当前速度、所述第三车辆的预估车速、所述当前车辆与所述第三车辆的纵向距离,计算所述当前车辆与所述第三车辆的预估碰撞时间。
5.根据权利要求1所述的方法,其特征在于,所述神经网络模型包括输入层、输出层和多个隐含层;其中,所述输入层用于输入所述行驶参数和所述相对运行参数;所述多个隐含层用于提取所述行驶参数和所述相对运行参数的特征;所述输出层用于根据提取的特征输出所述当前车辆的预备加减速度。
6.根据权利要求5所述的方法,其特征在于,所述隐含层之间采用全连接的方式或者稀疏连接的方式进行连接。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述当前车辆与目标主路上的目标车辆之间的距离满足换道条件,将所述当前车辆换道至所述目标主路上。
8.一种车辆换道装置,其特征在于,所述装置包括:
判断模块,用于判断当前车辆与目标主路上的目标车辆之间的距离是否满足换道条件;
参数获取模块,用于如果不满足,获取所述当前车辆的行驶参数,以及所述当前车辆与所述当前车辆的周围车辆之间的相对运行参数;
参数输入模块,用于将所述行驶参数和所述相对运行参数输入至预先训练完成的神经网络模型中,输出所述当前车辆的预备加减速度;
车速调整模块,用于根据所述预备加减速度调整所述当前车辆的车速,以使所述当前车辆继续寻找换道机会。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1至7任一项所述的车辆换道方法。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使处理器实现权利要求1至7任一项所述的车辆换道方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226858.XA CN112896166A (zh) | 2021-03-01 | 2021-03-01 | 车辆换道方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110226858.XA CN112896166A (zh) | 2021-03-01 | 2021-03-01 | 车辆换道方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112896166A true CN112896166A (zh) | 2021-06-04 |
Family
ID=76107276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110226858.XA Pending CN112896166A (zh) | 2021-03-01 | 2021-03-01 | 车辆换道方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112896166A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113442929A (zh) * | 2021-06-21 | 2021-09-28 | 国汽智控(北京)科技有限公司 | 一种车辆控制方法、装置、设备和计算机可读存储介质 |
CN114822018A (zh) * | 2022-04-02 | 2022-07-29 | 北华大学 | 一种提高道路交通安全性的检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100209881A1 (en) * | 2009-02-18 | 2010-08-19 | Gm Global Technology Operations, Inc. | Driving skill recognition based on behavioral diagnosis |
CN107901909A (zh) * | 2017-10-31 | 2018-04-13 | 北京新能源汽车股份有限公司 | 一种车道自动更换的控制方法、装置及控制器 |
CN109598934A (zh) * | 2018-12-13 | 2019-04-09 | 清华大学 | 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法 |
US20200139973A1 (en) * | 2018-11-01 | 2020-05-07 | GM Global Technology Operations LLC | Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle |
CN111127953A (zh) * | 2020-01-10 | 2020-05-08 | 长沙理工大学 | 一种基于网联自动驾驶环境下的车辆匝道并线方法 |
CN111383474A (zh) * | 2018-12-29 | 2020-07-07 | 长城汽车股份有限公司 | 自动驾驶车辆的决策系统及方法 |
US20200398849A1 (en) * | 2018-02-26 | 2020-12-24 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and program |
CN112242059A (zh) * | 2020-09-30 | 2021-01-19 | 南京航空航天大学 | 基于动机与风险评估的无人驾驶车辆智能决策方法 |
CN112416004A (zh) * | 2020-11-19 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 |
-
2021
- 2021-03-01 CN CN202110226858.XA patent/CN112896166A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100209881A1 (en) * | 2009-02-18 | 2010-08-19 | Gm Global Technology Operations, Inc. | Driving skill recognition based on behavioral diagnosis |
CN107901909A (zh) * | 2017-10-31 | 2018-04-13 | 北京新能源汽车股份有限公司 | 一种车道自动更换的控制方法、装置及控制器 |
US20200398849A1 (en) * | 2018-02-26 | 2020-12-24 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and program |
US20200139973A1 (en) * | 2018-11-01 | 2020-05-07 | GM Global Technology Operations LLC | Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle |
CN109598934A (zh) * | 2018-12-13 | 2019-04-09 | 清华大学 | 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法 |
CN111383474A (zh) * | 2018-12-29 | 2020-07-07 | 长城汽车股份有限公司 | 自动驾驶车辆的决策系统及方法 |
CN111127953A (zh) * | 2020-01-10 | 2020-05-08 | 长沙理工大学 | 一种基于网联自动驾驶环境下的车辆匝道并线方法 |
CN112242059A (zh) * | 2020-09-30 | 2021-01-19 | 南京航空航天大学 | 基于动机与风险评估的无人驾驶车辆智能决策方法 |
CN112416004A (zh) * | 2020-11-19 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113442929A (zh) * | 2021-06-21 | 2021-09-28 | 国汽智控(北京)科技有限公司 | 一种车辆控制方法、装置、设备和计算机可读存储介质 |
CN114822018A (zh) * | 2022-04-02 | 2022-07-29 | 北华大学 | 一种提高道路交通安全性的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10606264B2 (en) | Control method and control device of automatic driving vehicle | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
US20190143992A1 (en) | Self-driving learning apparatus and method using driving experience information | |
CN112562326A (zh) | 车速引导方法、服务器及可读存储介质 | |
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 | |
CN112418237A (zh) | 车辆驾驶决策方法、装置及电子设备 | |
CN112896166A (zh) | 车辆换道方法、装置和电子设备 | |
CN113548054B (zh) | 基于时序的车辆变道意图预测方法及系统 | |
CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
CN111476491A (zh) | 一种城市交通场景中的车辆运动模拟分析方法 | |
CN114162145A (zh) | 车辆自动驾驶方法、装置及电子设备 | |
CN112542061B (zh) | 基于车联网的借道超车控制方法、装置、系统及存储介质 | |
Koenig et al. | Bridging the gap between open loop tests and statistical validation for highly automated driving | |
CN113306558B (zh) | 一种基于换道交互意图的换道决策方法及系统 | |
CN115158318A (zh) | 一种针对公交车站的智能驾驶控制方法及系统 | |
CN115431961A (zh) | 车辆的控制方法、装置、车辆及存储介质 | |
CN112590792B (zh) | 一种基于深度强化学习算法的车辆汇合控制方法 | |
CN115092181A (zh) | 车辆的控制方法、装置、存储介质和处理器 | |
CN116134492A (zh) | 用于对至少部分自动行驶的交通工具的环境进行环境感知的方法和装置 | |
CN114616156A (zh) | 确定车辆前方车道区段的离散表示 | |
CN116331206B (zh) | 一种智能汽车安全行驶的决策方法及系统 | |
EP4353560A1 (en) | Vehicle control method and apparatus | |
CN118072553B (zh) | 一种交通安全智能管控系统 | |
CN114913710B (zh) | 人车交互决策方法及装置、存储介质、终端 | |
CN114999134B (zh) | 一种驾驶行为预警方法、装置及系统 |
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: 20210604 |