CN112896185A - 一种面向车路协同的智能驾驶行为决策规划方法及系统 - Google Patents

一种面向车路协同的智能驾驶行为决策规划方法及系统 Download PDF

Info

Publication number
CN112896185A
CN112896185A CN202110098368.6A CN202110098368A CN112896185A CN 112896185 A CN112896185 A CN 112896185A CN 202110098368 A CN202110098368 A CN 202110098368A CN 112896185 A CN112896185 A CN 112896185A
Authority
CN
China
Prior art keywords
vehicle
driving
decision
field
planning
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
CN202110098368.6A
Other languages
English (en)
Inventor
石健
王武宏
蒋晓蓓
张浩东
成前
侯单懿
于雯麟
郭佳雯
陈希正
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110098368.6A priority Critical patent/CN112896185A/zh
Publication of CN112896185A publication Critical patent/CN112896185A/zh
Pending legal-status Critical Current

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
    • 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
    • B60W2050/0029—Mathematical model of the driver

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种面向车路协同的智能驾驶行为决策规划方法及系统，首先在行驶过程中实时感知获取车辆自身包括位置、速度信息，以及所在交通场景中道路及道路上物体信息；随后建立驾驶人决策模型并利用车辆行驶中获取的相关信息对所述模型进行训练，使训练好的驾驶人决策模型能够将驾驶行为划分为保守型、一般型以及激进型三类；以行车安全场作为约束，并结合当前驾乘人员所选定的驾驶行为类型，对车辆进行行驶路径及速度的决策规划；最终基于所作出的行驶路径及速度的决策规划，对整车进行下层控制，使车辆按照决策规划执行相应行驶动作。

Description

一种面向车路协同的智能驾驶行为决策规划方法及系统
技术领域
本发明属于车辆智能网联和自动驾驶相关技术领域，特别是涉及一种面向车路协同的智能车辆决策规划方法及系统。
背景技术
在当前的自动驾驶发展路径中，相对于强调“单体智能”的自主式自动驾驶方式来说，侧重于“信息共享”的网联式自动驾驶智能车辆被认为实现无人驾驶的最优途径。但作为网联式信息自动驾驶基础的配套设施建设尚不完善，包括感知，决策，规划，控制等方面的各基本功能实现仍受到一些限制，使得面向车路协同环境的智能车辆存在着决策规划模式单一的问题，影响驾乘体验。
决策规划作为自动驾驶技术的核心组成部分，对行车安全有着至关重要的作用。现有的决策规划系统大多是根据车辆传感器感知到的周围道路交通信息，如车速和道路边界线等，结合自身的车辆运行参数，如车轮转角和方向盘转角等，实时决策出驾驶行为，如换道或跟随等，然后利用规划算法，如搜索，插值等，选取一条最优路径。这种决策方式存在两个方面的问题：第一，针对于决策而言，有且只有一种决策策略，即未对驾乘人所处的行车状态进行考虑，这会使得不同驾乘人在面对单一决策时，驾乘体验会受到严重影响。第二，针对规划而言，只是在静止状态或相对静止状态下进行路径规划，未考虑复杂动态交通场景中，随时可能出现轨迹变化，在路径规划的基础上需要有新的约束保证行车安全。因此，如何在决策规划中嵌入驾驶人的特性与新的行车安全约束，以保证在车路协同环境下的舒适安全行驶，以及如何关联各功能模块形成稳定的闭环系统，保证拟人化的个性驾驶，是目前本领域中一个急需解决的关键技术问题。
发明内容
针对上述分析现有技术的不足，本发明提供了一种面向车路协同的智能驾驶行为决策规划方法，所述方法具体包括以下步骤：
步骤一、在行驶过程中实时感知获取车辆自身包括位置、速度等的行驶信息，以及所在交通场景中道路及道路上物体信息；
步骤二、建立驾驶人决策模型并利用车辆行驶中获取的相关信息对所述模型进行训练，使训练好的驾驶人决策模型能够将驾驶行为划分为保守型、一般型以及激进型三类；
步骤三、以行车安全场作为约束，并结合当前驾乘人员所选定的驾驶行为类型，对车辆进行行驶路径及速度的决策规划；
步骤四、基于所作出的行驶路径及速度的决策规划，对整车进行下层控制，使车辆按照决策规划执行相应行驶动作。
进一步地，步骤二中建立驾驶人决策模型具体基于k-means的聚类算法，其公式为：
Figure BDA0002914779540000021
其中，
Figure BDA0002914779540000022
是随机选择的各簇Ci的均值向量，E表示均值；
利用驾乘人员的评价对所述驾驶人决策模型进行评价，以对该模型进行持续训练和更新。
进一步地，步骤三中作为约束条件的行车安全场具体包括由道路上运动物体形成的动能场，静止物体形成的势能场和驾驶行为所决定的行为场，其理论模型为：
ES＝EV+ER+ED
上式中，ES代表行车安全场的场强，EV代表所述动能场的场强，ER代表所述势能场的场强，ED代表所述行为场的场强；
上述各部分具体表示为：
动能场：位于(xi，yi)处的运动物体i形成的动能场在(xj，yj)处的场强矢量为：
Figure BDA0002914779540000023
势能场：静止物体i周围形成的势能场可表示为：
Figure BDA0002914779540000024
行为场：用表征驾驶行为的驾驶人风险因子和对应动能场场强的乘积表示为：
ED＝DRi·EV
上述各式中，(xi，yi)为车辆i质心，x轴沿车辆行驶方向，y轴垂直于车辆行驶方向；rij＝(xj-xi，yj-yi)车辆i和j之间的距离矢量，场强方向与rij相同；k1，k2和G是常量，Mi是物体i的虚拟质量，Ri是(xi，yi)处道路条件影响因子；vi是车辆i的速度矢量，θi表示vi与rij的夹角，exp[k1·vi·cosθi]表示运动物体对靠近车辆施加的行车风险随速度及接近角度变化的规律；DRi为车辆i驾驶人风险因子。
进一步地，步骤三中对车辆进行行驶路径及速度的决策规划具体是在经决策判定为变道超车时，采用驾驶行为类型与行车安全场共同约束，规划出最优行驶轨迹，并完成变道超车动作。
相应地，本发明还提供了一种面向车路协同的智能驾驶行为决策规划系统，该系统包括：
车路协同感知模块、驾驶行为决策模块、行车安全场轨迹规划模块以及整车下层控制模块；
其中，所述车路协同感知模块用于在行驶过程中实时感知获取车辆自身包括位置、速度等的行驶信息，以及所在交通场景中道路及道路上物体信息；
所述驾驶行为决策模块用于建立驾驶人决策模型并利用车辆行驶中获取的相关信息对所述模型进行训练，使训练好的驾驶人决策模型能够将驾驶行为划分为保守型、一般型以及激进型三类；
所述行车安全场轨迹规划模块用于以行车安全场作为约束，并结合当前驾乘人员所选定的驾驶行为类型，对车辆进行行驶路径及速度的决策规划；
所述整车下层控制模块用于基于所作出的行驶路径及速度的决策规划，对整车进行下层控制，使车辆按照决策规划执行相应行驶动作。
进一步地，所述系统中的所述驾驶行为决策模块与行车安全场轨迹规划模块作为上层控制模块，为所述整车下层控制模块提供参考路径点、车速与车辆参考状态信息，使整车下层控制模块输出期望转角与期望加速度。
上述本发明所提供的方法和系统，提供了一种面向车路协同的多模块协同架构，使自动驾驶的感知，决策，规划，控制环节更加合理，操作更加拟人化。在系统的感知模块中，利用车载与路侧传感器实现超视距的环境感知，为针对复杂的交通环境做出更合理的决策规划提供了基础前提和指导。在决策模块中，充分考虑不同驾驶人行为特性和面对相同场景采取的不用驾驶行为，以达到合理模拟“真人”驾驶。在规划模块中，将行车风险场作为得到最优轨迹的约束，针对不同交通场景中智能车辆周围不同的道路使用主体，将行车风险最低化，以保证安全驾驶。在控制模块中，匹配决策模块中的驾驶人模型，设计模型预测控制器，使驾驶风格不仅体现在决策方面，同时统一在控制方面，以实现舒适安全的驾乘体验。本发明以合理化，舒适化，安全化，作为系统级目标，可以实现实时全面感知，个性决策制定，动态规划调整，高效控制合理，最终实现网联式的自动驾驶。
附图说明
图1为本发明所提供系统的总体框架；
图2为本发明的一实例中车路协同感知模块传感器配置示意图；
图3为本发明的一实例中感知区域示意图；
图4为本发明的决策规划流程；
图5为本发明的一实例中规划最优轨迹示意图；
图6为考虑驾驶人特性整车控制框图。
具体实施方式
下面将结合附图对本发明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。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。
如图1所示，本发明的面向车路协同的智能驾驶行为决策规划系统中，包括：
车路协同感知模块、驾驶行为决策模块、行车安全场轨迹规划模块以及整车下层控制模块。在本发明一个优选实例中，给出了车载传感器与路侧传感器的搭配方案，安装位置与车路通信方式，如图2所示，具体为，车载(A)传感器和路侧(B)传感器主要由摄像头与雷达组成，其中，车辆前后与两侧各有一颗工业摄像头，车顶装载一颗64线激光雷达，四角各有一颗毫米波雷达，路侧架上装载两颗深度摄像头，一颗128线激光雷达，两颗32线激光雷达和四颗毫米波雷达。各传感器搭配后可实现感知区域的效果如附图3所示，路侧摄像头可覆盖的范围为500m，车载摄像头可覆盖的范围为车辆周围90m，激光雷达可辐射半径为150m，毫米波雷达可辐射单侧200m，由于路侧架设摄像头与雷达会有盲区，因此设置了激光雷达进行30米以内的视角补全。通过车路协同感知的配合，可以使车辆具有超视距的感知能力，并且，工业摄像头与深度摄像头的搭配为后续规划模块提供了参考路径点。
在车路协同通信方面，针对高速、大密度智能路网复杂交通环境通信需求，使用5G-V2X链路物理层与网络层相融合的信号同步和感知网络拥塞控制机制，解决高速大密度交通场景中无线网络资源利用率低与拥塞问题，保证车路协同通信的准确性与实时性。
驾驶行为决策模块建立驾驶人决策模型具体基于k-means的聚类算法，其公式为：
Figure BDA0002914779540000041
其中，
Figure BDA0002914779540000042
是随机选择的各簇Ci的均值向量，E表示均值。
聚类所使用的指标为纵向加速度的最大值与最小值，方向盘转角变化率。通过聚类可将驾驶人分为三类：保守型驾驶人，一般性驾驶人，激进型驾驶人。通过对数据的分析，可以发现，不同类型驾驶人在决策同一场景时，会做出不同的决策反应，做出不同的驾驶行为，其反映在方向盘转角的变化，加减速度的变化，对此，本发明训练了决策模型并预置于系统选择中，驾乘人可以根据需求选择驾驶人模型，使得驾驶风格化更具体，以达到合理舒适的驾乘体验，具体的决策流程如附图4所示。利用驾乘人员的评价对所述驾驶人决策模型进行评价，以对该模型进行持续训练和更新。
考虑行车安全场轨迹规划模块，在车路协同感知模块中车辆得到了超视距的感知信息，并且工业摄像头与深度摄像头的搭配，可以规划出车辆可行驶点，如附图5所示。作为约束条件的行车安全场具体包括由道路上运动物体形成的动能场，静止物体形成的势能场和驾驶行为所决定的行为场，其理论模型为：
ES＝EV+ER+ED
上式中，ES代表行车安全场的场强，EV代表所述动能场的场强，ER代表所述势能场的场强，ED代表所述行为场的场强；
上述各部分具体表示为：
动能场：位于(xi，yi)处的运动物体i形成的动能场在(xj，yj)处的场强矢量为：
Figure BDA0002914779540000051
势能场：静止物体i周围形成的势能场可表示为：
Figure BDA0002914779540000052
行为场：用表征驾驶行为的驾驶人风险因子和对应动能场场强的乘积表示为：
ED＝DRi·EV
上述各式中，(xi，yi)为车辆i质心，x轴沿车辆行驶方向，y轴垂直于车辆行驶方向；rij＝(xj-xi，yj-yi)车辆i和j之间的距离矢量，场强方向与rij相同；k1，k2和G是常量，Mi是物体i的虚拟质量，Ri是(xi，yi)处道路条件影响因子；vi是车辆i的速度矢量，θi表示vi与rij的夹角，exp[k1·vi·cosθi]表示运动物体对靠近车辆施加的行车风险随速度及接近角度变化的规律；DRi为车辆i驾驶人风险因子。
以图5中变道超车为例，在决策模块做出超车决策动作时，系统会根据感知模块得到深度信息，提供若干可行驶轨迹点。
假设智能车辆在(xi，yi)处运动到(xj，yj)处的动能场场强矢量为：
Figure BDA0002914779540000053
此时，其周围产生的势能场场强为：
Figure BDA0002914779540000054
由于换道产生的行为场场强为：
EDC＝DRi.EVc
所以，上述过程中的行车安全场场强为：ESc＝EVc+ERc+EDc
由于车路协同感知可以检测出车辆周围目标，因此周围对智能车辆产生的势能场场强可求，且行为场场强与驾驶人模型有关，因此，采用不同的驾驶行为类型对应的参数求出行为场场强，而行为场场强与动能场场强直接相关，将行车安全场场强最小化，联合该驾驶行为所对应的加速度输出，共同约束出智能车辆的速度和转角，结合参考轨迹点，可以规划出最优轨迹。
本发明考虑驾驶行为设计了基于MPC的上层控制器，如附图6所示，其输入为规划模块中的最优轨迹，目标速度及智能车辆状态参数，输出控制量为智能车辆的方向盘转角，纵向加速度。设计了基于车辆动力系统逆模型的下层控制器，将上层控制器的加速度指令转化为可用于实际控制的节气门开度和制动压强。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种面向车路协同的智能驾驶行为决策规划方法，其特征在于：包括以下步骤：
步骤一、在行驶过程中实时感知获取车辆自身包括位置、速度信息，以及所在交通场景中道路及道路上物体信息；
步骤二、建立驾驶人决策模型并利用车辆行驶中获取的相关信息对所述模型进行训练，使训练好的驾驶人决策模型能够将驾驶行为划分为保守型、一般型以及激进型三类；
步骤三、以行车安全场作为约束，并结合当前驾乘人员所选定的驾驶行为类型，对车辆进行行驶路径及速度的决策规划；
步骤四、基于所作出的行驶路径及速度的决策规划，对整车进行下层控制，使车辆按照决策规划执行相应行驶动作。
2.如权利要求1所述的方法，其特征在于：步骤二中建立驾驶人决策模型具体基于k-means的聚类算法，其公式为：
Figure FDA0002914779530000011
其中，
Figure FDA0002914779530000012
是随机选择的各簇Ci的均值向量，E表示均值；
利用驾乘人员的评价对所述驾驶人决策模型进行评价，以对该模型进行持续训练和更新。
3.如权利要求1所述的方法，其特征在于：步骤三中作为约束条件的行车安全场具体包括由道路上运动物体形成的动能场，静止物体形成的势能场和驾驶行为所决定的行为场，其理论模型为：
ES＝EV+ER+ED
上式中，ES代表行车安全场的场强，EV代表所述动能场的场强，ER代表所述势能场的场强，ED代表所述行为场的场强；
上述各部分具体表示为：
动能场：位于(xi，yi)处的运动物体i形成的动能场在(xj，yj)处的场强矢量为：
Figure FDA0002914779530000013
势能场：静止物体i周围形成的势能场可表示为：
Figure FDA0002914779530000014
行为场：用表征驾驶行为的驾驶人风险因子和对应动能场场强的乘积表示为：
ED＝DRi·EV
上述各式中，(xi，yi)为车辆i质心，x轴沿车辆行驶方向，y轴垂直于车辆行驶方向；ri，j＝(xj-xi，yj-yi)车辆i和j之间的距离矢量，场强方向与rij相同；k1，k2和G是常量，Mi是物体i的虚拟质量，Ri是(xi，yi)处道路条件影响因子；vi是车辆i的速度矢量，θi表示vi与rij的夹角，exp[k1·vi·cosθi]表示运动物体对靠近车辆施加的行车风险随速度及接近角度变化的规律；DRi为车辆i驾驶人风险因子。
4.如权利要求1所述的方法，其特征在于：步骤三中对车辆进行行驶路径及速度的决策规划具体是在经决策判定为变道超车时，采用驾驶行为类型与行车安全场共同约束，规划出最优行驶轨迹，并完成变道超车动作。
5.一种面向车路协同的智能驾驶行为决策规划系统，用于执行如权利要求1-4任一项所述的方法，其特征在于：该系统包括：
车路协同感知模块、驾驶行为决策模块、行车安全场轨迹规划模块以及整车下层控制模块；
其中，所述车路协同感知模块用于在行驶过程中实时感知获取车辆自身包括位置、速度等的行驶信息，以及所在交通场景中道路及道路上物体信息；
所述驾驶行为决策模块用于建立驾驶人决策模型并利用车辆行驶中获取的相关信息对所述模型进行训练，使训练好的驾驶人决策模型能够将驾驶行为划分为保守型、一般型以及激进型三类；
所述行车安全场轨迹规划模块用于以行车安全场作为约束，并结合当前驾乘人员所选定的驾驶行为类型，对车辆进行行驶路径及速度的决策规划；
所述整车下层控制模块用于基于所作出的行驶路径及速度的决策规划，对整车进行下层控制，使车辆按照决策规划执行相应行驶动作。
6.如权利要求5所述的系统，其特征在于：所述系统中的所述驾驶行为决策模块与行车安全场轨迹规划模块作为上层控制模块，为所述整车下层控制模块提供参考路径点、车速与车辆参考状态信息，使整车下层控制模块输出期望转角与期望加速度。
CN202110098368.6A 2021-01-25 2021-01-25 一种面向车路协同的智能驾驶行为决策规划方法及系统 Pending CN112896185A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110098368.6A CN112896185A (zh) 2021-01-25 2021-01-25 一种面向车路协同的智能驾驶行为决策规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110098368.6A CN112896185A (zh) 2021-01-25 2021-01-25 一种面向车路协同的智能驾驶行为决策规划方法及系统

Publications (1)

Publication Number Publication Date
CN112896185A true CN112896185A (zh) 2021-06-04

Family

ID=76119963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110098368.6A Pending CN112896185A (zh) 2021-01-25 2021-01-25 一种面向车路协同的智能驾驶行为决策规划方法及系统

Country Status (1)

Country Link
CN (1) CN112896185A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916247A (zh) * 2021-10-13 2022-01-11 苏州科技大学 智能网联游览车辆道路选择及路径规划装置和方法
CN114419874A (zh) * 2021-11-25 2022-04-29 山东高速建设管理集团有限公司 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
CN115593332A (zh) * 2022-10-31 2023-01-13 重庆长安汽车股份有限公司（Cn） 车辆的功能重组方法、装置、车辆及存储介质
CN116592903A (zh) * 2023-05-06 2023-08-15 四川警察学院 车路协同环境下群体偏好的生态驾驶路径实时规划方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239741A (zh) * 2014-09-28 2014-12-24 清华大学 基于行车风险场的汽车驾驶安全辅助方法
CN105892471A (zh) * 2016-07-01 2016-08-24 北京智行者科技有限公司 汽车自动驾驶方法和装置
CN108482481A (zh) * 2018-03-21 2018-09-04 辽宁工业大学 四轮独立驱动与转向电动汽车的四轮转向控制方法
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
CN109669461A (zh) * 2019-01-08 2019-04-23 南京航空航天大学 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN110083163A (zh) * 2019-05-20 2019-08-02 三亚学院 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统
GB201912005D0 (en) * 2019-08-21 2019-10-02 Nissan Motor Mfg Uk Ltd Autonomous driving mode selection system
CN110414831A (zh) * 2019-07-24 2019-11-05 清华大学 基于驾驶人认知视角的人车路耦合风险评估方法及装置
CN110606122A (zh) * 2019-09-29 2019-12-24 芜湖汽车前瞻技术研究院有限公司 转向传动比确定方法及装置
CN110874945A (zh) * 2018-08-31 2020-03-10 百度在线网络技术（北京）有限公司 基于车路协同的路侧感知系统及其车辆控制方法
CN111204336A (zh) * 2020-01-10 2020-05-29 清华大学 一种车辆行车风险的评估方法及设备
CN111332362A (zh) * 2020-03-10 2020-06-26 吉林大学 一种融合驾驶员个性的智能线控转向控制方法
CN111532339A (zh) * 2020-04-20 2020-08-14 合肥工业大学 一种智能车辆个性化侧向辅助驾驶方法及其系统
CN111559378A (zh) * 2020-04-22 2020-08-21 辽宁工业大学 一种考虑驾驶员特性的四轮独驱电动车动力学控制方法
CN111881952A (zh) * 2020-07-14 2020-11-03 扬州大学 基于预警大数据的驾驶员倾向性分析方法
CN112149796A (zh) * 2020-08-13 2020-12-29 江苏大学 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239741A (zh) * 2014-09-28 2014-12-24 清华大学 基于行车风险场的汽车驾驶安全辅助方法
CN105892471A (zh) * 2016-07-01 2016-08-24 北京智行者科技有限公司 汽车自动驾驶方法和装置
CN108482481A (zh) * 2018-03-21 2018-09-04 辽宁工业大学 四轮独立驱动与转向电动汽车的四轮转向控制方法
CN110874945A (zh) * 2018-08-31 2020-03-10 百度在线网络技术（北京）有限公司 基于车路协同的路侧感知系统及其车辆控制方法
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
CN109669461A (zh) * 2019-01-08 2019-04-23 南京航空航天大学 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN110083163A (zh) * 2019-05-20 2019-08-02 三亚学院 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统
CN110414831A (zh) * 2019-07-24 2019-11-05 清华大学 基于驾驶人认知视角的人车路耦合风险评估方法及装置
GB201912005D0 (en) * 2019-08-21 2019-10-02 Nissan Motor Mfg Uk Ltd Autonomous driving mode selection system
CN110606122A (zh) * 2019-09-29 2019-12-24 芜湖汽车前瞻技术研究院有限公司 转向传动比确定方法及装置
CN111204336A (zh) * 2020-01-10 2020-05-29 清华大学 一种车辆行车风险的评估方法及设备
CN111332362A (zh) * 2020-03-10 2020-06-26 吉林大学 一种融合驾驶员个性的智能线控转向控制方法
CN111532339A (zh) * 2020-04-20 2020-08-14 合肥工业大学 一种智能车辆个性化侧向辅助驾驶方法及其系统
CN111559378A (zh) * 2020-04-22 2020-08-21 辽宁工业大学 一种考虑驾驶员特性的四轮独驱电动车动力学控制方法
CN111881952A (zh) * 2020-07-14 2020-11-03 扬州大学 基于预警大数据的驾驶员倾向性分析方法
CN112149796A (zh) * 2020-08-13 2020-12-29 江苏大学 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴剑: "考虑人—车—路因素的行车风险评价方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
贺启才: "基于行车安全场理论的汽车避撞方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916247A (zh) * 2021-10-13 2022-01-11 苏州科技大学 智能网联游览车辆道路选择及路径规划装置和方法
CN113916247B (zh) * 2021-10-13 2023-10-13 苏州科技大学 智能网联游览车辆道路选择及路径规划装置和方法
CN114419874A (zh) * 2021-11-25 2022-04-29 山东高速建设管理集团有限公司 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
CN114419874B (zh) * 2021-11-25 2023-12-26 山东高速建设管理集团有限公司 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
CN115593332A (zh) * 2022-10-31 2023-01-13 重庆长安汽车股份有限公司（Cn） 车辆的功能重组方法、装置、车辆及存储介质
CN116592903A (zh) * 2023-05-06 2023-08-15 四川警察学院 车路协同环境下群体偏好的生态驾驶路径实时规划方法
CN116592903B (zh) * 2023-05-06 2024-02-23 四川警察学院 车路协同环境下群体偏好的生态驾驶路径实时规划方法

Similar Documents

Publication Publication Date Title
CN112896185A (zh) 一种面向车路协同的智能驾驶行为决策规划方法及系统
CN110843789B (zh) 一种基于时序卷积网络的车辆换道意图预测方法
CN107798861A (zh) 一种车辆协作式编队行驶方法及系统
CN110531753A (zh) 自主车辆的控制系统、控制方法和控制器
WO2019079530A1 (en) CONTROL OF AN AUTONOMOUS VEHICLE BASED ON INDEPENDENT DRIVING DECISIONS
Wang et al. Review of lane-changing maneuvers of connected and automated vehicles: models, algorithms and traffic impact analyses
CN110304074A (zh) 一种基于分层状态机的混合式驾驶方法
CN112937607B (zh) 一种用于景区观光车的网联自动驾驶系统及方法
CN111845754B (zh) 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法
CN110568841A (zh) 一种自动驾驶决策方法及系统
CN113071487B (zh) 自动驾驶车辆控制方法、装置及云端设备
Zhang et al. Collision avoidance predictive motion planning based on integrated perception and V2V communication
Mo et al. Simulation and analysis on overtaking safety assistance system based on vehicle-to-vehicle communication
CN109781129A (zh) 一种基于车辆间通信的路面安全性检测系统及方法
JPWO2019106789A1 (ja) 処理装置及び処理方法
CN113085852A (zh) 自动驾驶车辆的行为预警方法、装置及云端设备
Biswas et al. State-of-the-art review on recent advancements on lateral control of autonomous vehicles
Bifulco et al. Decentralized cooperative crossing at unsignalized intersections via vehicle-to-vehicle communication in mixed traffic flows
Ren et al. Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections
CN114915646A (zh) 一种无人驾驶矿车的数据分级上传方法和装置
Guo et al. Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic
CN112277944A (zh) 一种道路巡航方法、装置及介质
CN116991104A (zh) 一种无人驾驶车辆自动化驱动的装置
Kishi et al. Study on the formulation of vehicle merging problems for model predictive control
CN115140048A (zh) 一种自动驾驶行为决策与轨迹规划模型与方法

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