CN112918478A - 一种车辆变道的预测方法、装置及计算机存储介质 - Google Patents

一种车辆变道的预测方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN112918478A
CN112918478A CN202110463004.3A CN202110463004A CN112918478A CN 112918478 A CN112918478 A CN 112918478A CN 202110463004 A CN202110463004 A CN 202110463004A CN 112918478 A CN112918478 A CN 112918478A
Authority
CN
China
Prior art keywords
lane
vehicle
historical
lane change
changing
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
CN202110463004.3A
Other languages
English (en)
Other versions
CN112918478B (zh
Inventor
唐进君
王喆
黄合来
李烨
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Publication of CN112918478A publication Critical patent/CN112918478A/zh
Application granted granted Critical
Publication of CN112918478B publication Critical patent/CN112918478B/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
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
    • 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
    • B60W40/02—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 ambient conditions
    • B60W40/04—Traffic conditions
    • 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
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明实施例公开了一种车辆变道的预测方法、装置及计算机存储介质，包括：获取目标路段上的历史交通流运行数据；根据历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及历史相对运动参数及历史调和势值；根据变道车辆的历史变道轨迹数据获取变道车辆在变道过程中的历史转向角；将历史转向角作为输出、历史相对运动参数和历史调和势值作为输入，建立极端随机树模型；获取目标路段上待变道车辆与目标相邻车辆的当前相对运动参数及当前调和势值，基于所述极端随机树模型对待变道车辆的转向角进行预测。如此，通过准确预测待变道车辆对应的转向角，能够有效提高驾驶安全性，减少交通事故发生概率。

Description

一种车辆变道的预测方法、装置及计算机存储介质
技术领域
本发明涉及交通领域，尤其涉及一种车辆变道的预测方法、装置及计算机存储介质。
背景技术
车辆变道作为一种常见的驾驶行为，会明显影响道路驾驶安全性和交通流稳定性。驾驶员在变道的过程中，不仅需要考虑当前车道的前车和后车的行驶状态，还需要判断目标车道是否有足够的空间可以完成变道。如果驾驶员不能准确地判断周围车辆运动特性的时空变化，可能会造成严重的人员伤亡和财产损失。并且，在众多的交通事故中，变道造成的交通事故占据了较大的事故比例。因此，探讨变道行为及对变道行为进行有效预测对改善交通安全发挥着至关重要的作用。而早期的研究是通过转向信号灯进行变道意图预测，不能充分反映驾驶员的行为。目前研究使用雷达、传感器、摄像机等设备获取驾驶数据，并基于车辆驾驶信息(如位置、速度、加速度、偏航率等)以及驾驶员的生理状态(如眼球跟踪、头部运动等)建立变道预测模型，然而现有变道预测方法难以准确描述变道车辆与周围车辆相互作用的内在关系，更无法有效反映变道过程中安全程度的动态演变趋势，并且基于传统车辆动力学的安全评价指标难以适用于复杂的交通环境。因此，现有的变道预测方法未能对评价变道过程中驾驶环境的安全性指标即转向角进行有效预测。
发明内容
有鉴于此，本发明实施例提供了一种车辆变道的预测方法、装置及计算机存储介质，通过准确预测待变道车辆的转向角，能够有效提高驾驶安全性，减少交通事故发生概率。
为达到上述目的，本发明的技术方案是这样实现的：
第一方面，本发明实施例提供了一种车辆变道的预测方法，所述方法包括：
获取目标路段上的历史交通流运行数据；
根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及所述相邻车辆对所述变道车辆产生的历史调和势值；其中，所述调和势值用于表征所述变道车辆与所述相邻车辆之间相互作用下产生的风险程度；
根据所述变道车辆的历史变道轨迹数据获取所述变道车辆在变道过程中的历史转向角；
将所述历史转向角作为输出、所述历史相对运动参数和所述历史调和势值作为输入，建立极端随机树模型；
获取所述目标路段上待变道车辆与目标相邻车辆的当前相对运动参数及当前调和势值，基于所述极端随机树模型对所述待变道车辆的转向角进行预测。
第二方面，本发明实施例提供了一种车辆变道的预测装置，所述装置包括：
获取模块，用于获取目标路段上的历史交通流运行数据；
处理模块，用于根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及所述相邻车辆对所述变道车辆产生的历史调和势值；其中，所述调和势值用于表征所述变道车辆与所述相邻车辆之间相互作用下产生的风险程度；
分析模块，用于根据所述变道车辆的历史变道轨迹数据获取所述变道车辆在变道过程中的历史转向角；
建模模块，用于将所述历史转向角作为输出、所述历史相对运动参数和所述历史调和势值作为输入，建立极端随机树模型；
预测模块，用于获取所述目标路段上待变道车辆与目标相邻车辆的当前相对运动参数及当前调和势值，基于所述极端随机树模型对所述待变道车辆的转向角进行预测。
第三方面，本发明实施例提供了一种车辆变道的预测装置，所述装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现第一方面所述车辆变道的预测方法。
第四方面，本发明实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面所述车辆变道的预测方法。
本发明实施例提供的车辆变道的预测方法、装置及计算机存储介质，包括：获取目标路段上的历史交通流运行数据；根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及所述相邻车辆对所述变道车辆产生的历史调和势值；其中，所述调和势值用于表征所述变道车辆与所述相邻车辆之间相互作用下产生的风险程度；根据所述变道车辆的历史变道轨迹数据获取所述变道车辆在变道过程中的历史转向角；将所述历史转向角作为输出、所述历史相对运动参数和所述历史调和势值作为输入，建立极端随机树模型；获取所述目标路段上待变道车辆与目标相邻车辆的当前相对运动参数及当前调和势值，基于所述极端随机树模型对所述待变道车辆的转向角进行预测。如此，通过将传统车辆动力学的安全评价指标和场论思想结合，以基于历史变道车辆的变道轨迹等数据，并结合变道车辆的相邻车辆对变道车辆的影响因素，实现准确预测待变道车辆的转向角。同时，通过提前理解驾驶员的变道机制，从而能够提前做出相应的变道驾驶决策，提高了道路交通流稳定性和减少了交通事故发生概率。
附图说明
图1为本发明实施例提供的车辆变道的预测方法的流程示意图；
图2为本发明实施例提供的车辆变道的预测方法的具体实现过程示意图；
图3为本发明实施例中车辆变道过程示意图一；
图4为本发明实施例中车辆位置示意图；
图5为本发明实施例中车辆变道过程示意图二；
图6为本发明实施例提供的一种车辆变道的预测装置的结构示意图；
图7为本发明实施例提供的另一种车辆变道的预测装置的结构示意图。
具体实施方式
下面结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
参见图1，为本发明实施例提供的一种车辆变道的预测方法，该车辆变道的预测方法可以适用于预测待变道车辆的转向角的情况，该车辆变道的预测方法可以由本发明实施例提供的一种车辆变道的预测装置来执行，该车辆变道的预测装置可以采用软件和/或硬件的方式来实现，在具体应用中，该车辆变道的预测装置可以具体是车机、台式电脑、笔记本电脑、智能手机、个人数字助理、平板电脑等终端或云端服务器等。本实施例中，以所述车辆变道的预测方法的执行主体为车辆为例，所述车辆变道的预测方法包括以下步骤：
步骤S101：获取目标路段上的历史交通流运行数据；
这里，可以通过设置于目标路段上的摄像头等数据采集装置采集目标路段上的历史交通流运行数据。需要说明的是，所述历史交通流运行数据可包括一段时长如一天或一个月内目标路段上的车辆运行数据，具体可包括各车辆尺寸、行驶方向、行驶速度、行驶的车道、是否有变道行为等信息。
步骤S102：根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及所述相邻车辆对所述变道车辆产生的历史调和势值；其中，所述调和势值用于表征所述变道车辆与所述相邻车辆之间相互作用下产生的风险程度；
可以理解地，由于所述历史交通流运行数据包括有车辆所行驶的车道、是否有变道行为等信息，因此，可根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据以及所述变道车辆与所述相邻车辆的历史相对运动参数及所述相邻车辆对所述变道车辆产生的历史调和势值等信息。其中，所述相邻车辆是指位于变道车辆所行驶的车道上且处于变道车辆前面和后面的车辆，所述变道车辆所行驶的车道包括原车道(即变道前的车道)和目标车道(即变道后的车道)。
在一实施方式中，所述根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及历史调和势值，包括：
根据所述历史交通流运行数据和所述目标路段的车道位置数据确定变道车辆、所述变道车辆在变道过程中的相邻车辆以及对应的变道起点和变道终点；
基于所述变道起点和所述变道终点，获取所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据；
根据所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据，获取所述变道车辆与所述相邻车辆的历史相对运动参数和历史相对位置参数；
根据所述变道车辆与所述相邻车辆的历史相对位置参数以及所述变道车辆与所述相邻车辆的尺寸计算所述相邻车辆对所述变道车辆产生的历史调和势值。
可以理解地，由于车辆在变道过程中会改变车道和位置，因此，可根据所述历史交通流运行数据和所述目标路段的车道位置数据确定变道车辆，比如根据车辆在预设时长内所行驶的车道是否发生改变而判断车辆是否进行了变道，在确定变道车辆后，可根据所述历史交通流运行数据和所述目标路段的车道位置数据进一步确定所述变道车辆在变道过程中的相邻车辆以及对应的变道起点和变道终点等信息。其中，所述变道起点和所述变道终点处于不同车道上。在确定所述变道车辆的变道起点和变道终点后，可获取所述变道车辆离开变道起点的时刻和到达变道终点的时刻，进而将所述变道车辆离开变道起点的时刻与到达变道终点的时刻之间的历史轨迹数据确定为所述变道车辆的历史变道轨迹数据，同时获取所述相邻车辆在变道过程中的历史轨迹数据。此外，由于所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据分别包括有速度、所在车道的位置等信息，因此，可根据所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据，获取所述变道车辆与所述相邻车辆的历史相对运动参数和历史相对位置参数。其中，所述相对运动参数可包括相对速度、相对加速度等。由于在变道过程中，所述变道车辆的相邻车辆的运动将影响变道安全性，本实施例中结合场论思想表征车辆间交互状态，即通过所述变道车辆与所述相邻车辆的历史相对位置参数以及所述变道车辆与所述相邻车辆的尺寸计算所述相邻车辆对所述变道车辆产生的历史调和势值。
在一实施方式中，所述根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及历史调和势值之前，还包括：
利用对称移动指数平均方法对所述历史交通流运行数据进行降噪处理。
可以理解地，所述历史交通流运行数据可能受到检测、传输、或操作等因素的影响而包含有噪声，而噪声的存在将影响对所述历史交通流运行数据进行特征数据提取的准确性，因此，可先利用对称移动指数平均方法对所述历史交通流运行数据进行降噪处理，以进一步提升对待变道车辆对应的转向角的预测准确性。
步骤S103：根据所述变道车辆的历史变道轨迹数据获取所述变道车辆在变道过程中的历史转向角；
可以理解地，由于根据所述变道车辆的历史变道轨迹数据可获知所述变道车辆在所述目标路段的不同车道上的变道轨迹，而变道轨迹是由驾驶员通过控制所述变道车辆以一定转向角进行转向获得的，因此，可根据所述变道车辆的历史变道轨迹数据获取所述变道车辆在变道过程中的历史转向角。
步骤S104：将所述历史转向角作为输出、所述历史相对运动参数和所述历史调和势值作为输入，建立极端随机树模型；
具体地，确定所述变道车辆在变道过程中的第一阶段和第二阶段；其中，所述第一阶段为所述变道车辆从变道起点至在原车道最后一刻的阶段，所述第二阶段为所述变道车辆在目标车道的初始时刻至变道终点的阶段，所述目标车道为变道后的车道；将所述历史转向角作为输出、第一历史相对运动参数和第一历史调和势值作为输入，建立第一极端随机树模型；其中，所述第一历史相对运动参数为所述变道车辆与所述变道车辆处于所述第一阶段时对应的相邻车辆之间的历史相对运动参数；所述第一历史调和势值为所述变道车辆处于所述第一阶段时对应的相邻车辆对所述变道车辆产生的历史调和势值；将所述历史转向角作为输出、第二历史相对运动参数和第二历史调和势值作为输入，建立第二极端随机树模型；其中，所述第二历史相对运动参数为所述变道车辆与所述变道车辆处于所述第二阶段时对应的相邻车辆之间的历史相对运动参数；所述第二历史调和势值为所述变道车辆处于所述第二阶段时对应的相邻车辆对所述变道车辆产生的历史调和势值。
步骤S105：获取所述目标路段上待变道车辆与目标相邻车辆的当前相对运动参数及当前调和势值，基于所述极端随机树模型对所述待变道车辆的转向角进行预测。
这里，当需要预测行驶于目标路段上待变道车辆的转向角时，可获取所述目标路段上待变道车辆与目标相邻车辆的当前相对运动参数如相对速度和相对加速度及当前调和势值，并将所述当前相对运动参数和所述当前调和势值输入所述极端随机树模型，从而获得所述极端随机树模型预测输出的所述待变道车辆的转向角。
综上，上述实施例提供的车辆变道的预测方法中，通过将传统车辆动力学的安全评价指标和场论思想结合，以基于历史变道车辆的变道轨迹等数据，并结合变道车辆的相邻车辆对变道车辆的影响因素，实现准确预测待变道车辆的转向角。同时，通过提前理解驾驶员的变道机制，从而能够提前做出相应的变道驾驶决策，提高了道路交通流稳定性和减少了交通事故发生概率。
基于前述实施例相同的发明构思，本实施例通过具体示例对前述实施例的技术方案进行详细说明。参阅图2，为本发明实施例提供的车辆变道的预测方法的具体实现过程，主要包括数据获取和数据预处理、变量获取以及极端随机树构建三个部分，其中，所述车辆变道的预测方法具体包括以下步骤：
步骤1：通过目标区域的路段上的摄像头及路段检测器采集车辆轨迹数据，检测的数据属性包括车辆的绝对坐标或者相对坐标、速度、加速度、车辆的长度、车辆的宽度、所处车道位置以及相应的前后车信息等。
步骤2：利用对称移动指数平滑方法对所述轨迹数据进行降噪处理。由于摄像头采集的原始交通数据可能会受到检测错误、传输错误、操作错误等因素而产生噪声，噪声可能导致对交通运行参数的测量不准确，进而影响模型的有效性。因此，在该步骤中，需要提取每辆车的轨迹数据，利用对称移动指数平滑方法对车辆的横向位置、纵向位置、速度以及加速度进行降噪，以准确提取车辆的驾驶参数，具体公式如下：
Figure BDA0003041026350000081
其中，
Figure BDA0003041026350000082
Hi(k)是任一车辆i在第k个时刻的数据属性拟合值和原始值；E是考虑边缘数据的平滑窗口宽度；Δ是中间数据的平滑核窗口，且Δ＝T/dt,dt是时间周期，当H为位置数据时,T＝0.5s，当H为速度数据时,T＝1s,当H为加速度数据时,T＝4s。
步骤3：基于车辆的轨迹数据及车道位置数据确定变道车辆，并确定变道过程的起点和终点；具体地，步骤3可包括以下子步骤：
步骤31：首先，根据横向位置约束确定变道起点和终点，参阅图3，图3中展示了车辆向左变道和向右变道两种情况，这两种变道情况的起点和终点范围如图3中阴影部分所示，具体约束公式如下：
Figure BDA0003041026350000091
其中，
Figure BDA0003041026350000092
分别代表向右变道和向左变道的起点和终点；wM,WL分别代表变道车辆宽度和车道宽度；x1,x2分别为车辆车道变化前后时的横向位置，车道中心为(x1+x2)/2；la,lb,lc,ld为阴影区域的分界线，是车道边缘线向内缩进车辆宽度的一半后得到。
步骤32：在步骤31所得到的起点和终点范围中，变道车辆可能会存在跟随的驾驶状态，需要进一步对横向位置增加约束，即在变道过程中，车辆横向位置在起点和终点范围内单调递增或递减，本发明实例中只考虑单车道变道行为，不考虑多车道变道的情况，因此，变道的起点和终点可以被确定，公式如下：
Figure BDA0003041026350000093
步骤4：基于变道过程的起点和终点，截取变道车辆的变道轨迹片段数据以及原车道及目标车道的前后车辆轨迹片段数据；
步骤5：根据上述车辆的片段数据，计算变道过程中车辆的转角，获取变道车辆及周围车辆间的相对速度和相对加速度，并基于车辆间相对位置及车辆的尺寸计算势场即调和势值。
进一步地，步骤5可具体包括以下子步骤：
步骤51：将车辆简化为矩形，参阅图4，图4中点P和q代表的是任一车辆的两条边，(xqi,yqi)是q边的任一点，(xpc,ypc)和(xqc,yqc)分别为p和q的中心点，np和nq分别为p和q中心点的向外法向量，λp和λq分别为势场的单位强度。
步骤52：计算周围车辆的任一边对变道车辆产生的调和势值φp，公式如下：
Figure BDA0003041026350000094
同时，变道终点也会对变道车辆产生势场φd，其中，λd为变道终点产生的势场单位强度，本发明实施例为保证模型中输入变量的量纲一致性，将λd定为1。公式如下：
Figure BDA0003041026350000101
根据调和势场具有可加性，因此，周围车辆的任一边和变道终点对变道车辆产生的势场和φ为：
Figure BDA0003041026350000102
步骤53：通过引进中心点的向外法向速度Vp来计算λp，并且向外法向速度Vp与它所在的边的长度成正比，且向外法向速度Vp与φ之间的关系如下：
Figure BDA0003041026350000103
因此，λp和φp的关系式可以被转化为Vp和λp之间的关系，公式如下：
Figure BDA0003041026350000104
其中，
Figure BDA0003041026350000105
步骤54:为了便于计算，定义两个变量Tpq和Up来简化关于Vp和φp的关系式：
Figure BDA0003041026350000106
其中，
Figure BDA0003041026350000107
且
Figure BDA0003041026350000111
步骤55：本发明实施例中采用的场论思想是将周围车辆视为障碍物，周围车辆会对变道车辆产生排斥势场，变道终点则产生吸引势场。因此，变道过程中要保证周围车辆与变道车辆之间保持一定的安全距离，且变道车辆能够到达终点，则任一周围车辆产生的场强λp和变道终点产生的场强λd需要满足如下条件：
Figure BDA0003041026350000112
步骤56：基于所述Vp和λp间的关系式以及所述λp和λd需要满足的条件，从而得到Vp的计算公式，如下：
Figure BDA0003041026350000113
步骤57：根据步骤55得到的Vp，基于步骤53中Vp和λp的关系式即可计算得到λp，进而根据步骤52中φp的计算公式可以计算出每个周围车辆对变道车辆产生的势值，势值则是反映变道车辆与周围车辆间相互作用下的产生的风险程度。
步骤6：根据变道过程中变道车辆驾驶环境的不同，将变道过程划分为两个阶段，参阅图5，阶段一是指从变道起点至变道车辆在原车道的最后一个时刻，阶段二则是指从变道车辆在目标车道的第一个时刻至变道终点。其中，在阶段一，变道车辆与原车道的前车和后车，与目标车道的前车和后车之间都有相互作用；在阶段二，变道车辆与目标车道的前车和后车之间都有相互作用。
步骤7：根据步骤5中涉及到的变量，对变道过程的两个阶段分别建立极端随机树模型，对车辆的转角进行预测，具体步骤如下：
步骤71：确定两个阶段的模型输入变量。
对于阶段一，输入变量为Xf＝{Δvi,Δai,φi},i＝Fo,Lo,Ft,Lt；
对于阶段二，输入变量为Xs＝{Δvi,Δai,φi},i＝Ft,Lt。
其中，{Δvi,Δai,φi}分别为变道车辆与周围车辆之间的相对速度、相对加速度以及势值；Fo,Lo,Ft,Lt分别为原车道的前车和后车以及目标车道的前车和后车；
步骤72：基于步骤71所述的输入变量和输出变量构建训练数据集S，并以阶段一为例执行步骤73至步骤79；
步骤73：如果样本量|S|小于分割一个节点的最小样本数nmin，或者所有数据特征值都为常数，或者输入变量值均为常数，则会返回一个平均输出；
步骤74：否则，从所有待选特征中选择N个特征；
步骤75：对于步骤74中的N个特征，在每个特征中的最小值和最大值范围内产生一个分割点，最终产生N个分割点{s1,...,sN}；
步骤76：选取使得ScoreR(sg,S)产生最大值的最优分割点sg，样本S和sg之间的打分机制定义为：
Figure BDA0003041026350000121
其中var{y|S}是样本S中输出变量的方差，Sl,Sr是对应分割点s的左分样本和右分样本。
步骤77：建立对于最优分割点sg的左分树tl和右分树tr；
步骤78：对于最优分割点sg创建一个节点，并结合上述左分树tl和右分树tr，即可输出树模型。
步骤79：基于构建的训练数据集，根据最小均方误差原则选取最优的参数组合，并构建极端随机树。
步骤710：对于变道的第二阶段，建模步骤同步骤72至步骤79。
最后，利用建立的极端随机树预测待变道车辆的转角值
Figure BDA0003041026350000122
其中，对于极端随机树Tree-1、Tree-2、……、Tree-n，可以通过取平均值方式获得最终预测的转角值。
本实施例提供的车辆变道的预测方法中，通过交通流检测设备来获取目标区域的交通流运行数据，并对数据进行降噪处理从而获取特征参数；提取变道车辆的轨迹数据及相邻车辆的轨迹数据，并构成训练集数据；根据变道车辆与周围车辆的相对运动状态以及交互状态，基于所述训练集数据对变道过程的两个阶段构建极端随机树模型；利用目标区域采集的实时交通运行数据，应用所述的极端随机树模型对目标区域的变道行为进行预测。对于人类驾驶和自动驾驶车辆的混行情况，自动驾驶车辆可以提前理解人类驾驶员的变道机制，从而能够提前做出相应的驾驶决策，以提高道路交通流稳定性和减少交通事故概率。本发明通过变道车辆及周围车辆运动状态，将传统车辆动力学的安全评价指标和场论思想结合，能够克服已有预测方法存在的问题。
基于前述实施例相同的发明构思，参见图6，其示出了本发明实施例提供的一种车辆变道的预测装置组成，可以包括：获取模块10、处理模块11、分析模块12、建模模块13和预测模块14；其中，
获取模块10，用于获取目标路段上的历史交通流运行数据；
处理模块11，用于根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及所述相邻车辆对所述变道车辆产生的历史调和势值；其中，所述调和势值用于表征所述变道车辆与所述相邻车辆之间相互作用下产生的风险程度；
分析模块12，用于根据所述变道车辆的历史变道轨迹数据获取所述变道车辆在变道过程中的历史转向角；
建模模块13，用于将所述历史转向角作为输出、所述历史相对运动参数和所述历史调和势值作为输入，建立极端随机树模型；
预测模块14，用于获取所述目标路段上待变道车辆与目标相邻车辆的当前相对运动参数及当前调和势值，基于所述极端随机树模型对所述待变道车辆的转向角进行预测。
其中，所述装置还包括预处理模块15，用于利用对称移动指数平均方法对所述历史交通流运行数据进行降噪处理。
在一实施方式中，所述处理模块11，具体用于：
根据所述历史交通流运行数据和所述目标路段的车道位置数据确定变道车辆、所述变道车辆在变道过程中的相邻车辆以及对应的变道起点和变道终点；
基于所述变道起点和所述变道终点，获取所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据；
根据所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据，获取所述变道车辆与所述相邻车辆的历史相对运动参数和历史相对位置参数；
根据所述变道车辆与所述相邻车辆的历史相对位置参数以及所述变道车辆与所述相邻车辆的尺寸计算所述相邻车辆对所述变道车辆产生的历史调和势值。
在一实施方式中，所述建模模块13，具体用于：
确定所述变道车辆在变道过程中的第一阶段和第二阶段；其中，所述第一阶段为所述变道车辆从变道起点至在原车道最后一刻的阶段，所述第二阶段为所述变道车辆在目标车道的初始时刻至变道终点的阶段，所述目标车道为变道后的车道；
将所述历史转向角作为输出、第一历史相对运动参数和第一历史调和势值作为输入，建立第一极端随机树模型；其中，所述第一历史相对运动参数为所述变道车辆与所述变道车辆处于所述第一阶段时对应的相邻车辆之间的历史相对运动参数；所述第一历史调和势值为所述变道车辆处于所述第一阶段时对应的相邻车辆对所述变道车辆产生的历史调和势值；
将所述历史转向角作为输出、第二历史相对运动参数和第二历史调和势值作为输入，建立第二极端随机树模型；其中，所述第二历史相对运动参数为所述变道车辆与所述变道车辆处于所述第二阶段时对应的相邻车辆之间的历史相对运动参数；所述第二历史调和势值为所述变道车辆处于所述第二阶段时对应的相邻车辆对所述变道车辆产生的历史调和势值。
综上，上述实施例提供的车辆变道的预测装置中，通过将传统车辆动力学的安全评价指标和场论思想结合，以基于历史变道车辆的变道轨迹等数据，并结合变道车辆的相邻车辆对变道车辆的影响因素，实现准确预测待变道车辆的转向角。同时，通过提前理解驾驶员的变道机制，从而能够提前做出相应的变道驾驶决策，提高了道路交通流稳定性和减少了交通事故发生概率。
需要说明的是：上述实施例提供的车辆变道的预测装置在实现车辆变道的预测方法时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将车辆变道的预测装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的车辆变道的预测装置与对应的车辆变道的预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例提供了一种车辆变道的预测装置，如图7所示，该装置包括：处理器110和用于存储能够在处理器110上运行的计算机程序的存储器111；其中，图7中示意的处理器110并非用于指代处理器110的个数为一个，而是仅用于指代处理器110相对其他器件的位置关系，在实际应用中，处理器110的个数可以为一个或多个；同样，图7中示意的存储器111也是同样的含义，即仅用于指代存储器111相对其他器件的位置关系，在实际应用中，存储器111的个数可以为一个或多个。在所述处理器110运行所述计算机程序时，实现上述车辆变道的预测方法。
该装置还包括：至少一个网络接口112。该装置中的各个组件通过总线系统113耦合在一起。可理解，总线系统113用于实现这些组件之间的连接通信。总线系统113除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统113。
其中，存储器111可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器111旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器111用于存储各种类型的数据以支持该装置的操作。这些数据的示例包括：用于在该装置上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
本实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，计算机存储介质可以是磁性随机存取存储器(FRAM，ferromagnetic random accessmemory)、只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，ProgrammableRead-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically ErasableProgrammable Read-Only Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机存储介质中存储的计算机程序被处理器运行时，实现上述车辆变道的预测方法。所述计算机程序被处理器执行时实现的具体步骤流程请参考图1所示实施例的描述，在此不再赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到变化或替换，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以所述权利要求的保护范围为准。

Claims (10)

1.一种车辆变道的预测方法，其特征在于，所述方法包括：
获取目标路段上的历史交通流运行数据；
根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及所述相邻车辆对所述变道车辆产生的历史调和势值；其中，所述调和势值用于表征所述变道车辆与所述相邻车辆之间相互作用下产生的风险程度；
根据所述变道车辆的历史变道轨迹数据获取所述变道车辆在变道过程中的历史转向角；
将所述历史转向角作为输出、所述历史相对运动参数和所述历史调和势值作为输入，建立极端随机树模型；
获取所述目标路段上待变道车辆与目标相邻车辆的当前相对运动参数及当前调和势值，基于所述极端随机树模型对所述待变道车辆的转向角进行预测。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及历史调和势值之前，还包括：
利用对称移动指数平均方法对所述历史交通流运行数据进行降噪处理。
3.根据权利要求1所述的方法，其特征在于，所述根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及历史调和势值，包括：
根据所述历史交通流运行数据和所述目标路段的车道位置数据确定变道车辆、所述变道车辆在变道过程中的相邻车辆以及对应的变道起点和变道终点；
基于所述变道起点和所述变道终点，获取所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据；
根据所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据，获取所述变道车辆与所述相邻车辆的历史相对运动参数和历史相对位置参数；
根据所述变道车辆与所述相邻车辆的历史相对位置参数以及所述变道车辆与所述相邻车辆的尺寸计算所述相邻车辆对所述变道车辆产生的历史调和势值。
4.根据权利要求3所述的方法，其特征在于，所述将所述历史转向角作为输出、所述历史相对运动参数和所述历史调和势值作为输入，建立极端随机树模型，包括：
确定所述变道车辆在变道过程中的第一阶段和第二阶段；其中，所述第一阶段为所述变道车辆从变道起点至在原车道最后一刻的阶段，所述第二阶段为所述变道车辆在目标车道的初始时刻至变道终点的阶段，所述目标车道为变道后的车道；
将所述历史转向角作为输出、第一历史相对运动参数和第一历史调和势值作为输入，建立第一极端随机树模型；其中，所述第一历史相对运动参数为所述变道车辆与所述变道车辆处于所述第一阶段时对应的相邻车辆之间的历史相对运动参数；所述第一历史调和势值为所述变道车辆处于所述第一阶段时对应的相邻车辆对所述变道车辆产生的历史调和势值；
将所述历史转向角作为输出、第二历史相对运动参数和第二历史调和势值作为输入，建立第二极端随机树模型；其中，所述第二历史相对运动参数为所述变道车辆与所述变道车辆处于所述第二阶段时对应的相邻车辆之间的历史相对运动参数；所述第二历史调和势值为所述变道车辆处于所述第二阶段时对应的相邻车辆对所述变道车辆产生的历史调和势值。
5.一种车辆变道的预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标路段上的历史交通流运行数据；
处理模块，用于根据所述历史交通流运行数据获取变道车辆的历史变道轨迹数据和相邻车辆在变道过程中的历史轨迹数据、以及所述变道车辆与所述相邻车辆的历史相对运动参数及所述相邻车辆对所述变道车辆产生的历史调和势值；其中，所述调和势值用于表征所述变道车辆与所述相邻车辆之间相互作用下产生的风险程度；
分析模块，用于根据所述变道车辆的历史变道轨迹数据获取所述变道车辆在变道过程中的历史转向角；
建模模块，用于将所述历史转向角作为输出、所述历史相对运动参数和所述历史调和势值作为输入，建立极端随机树模型；
预测模块，用于获取所述目标路段上待变道车辆与目标相邻车辆的当前相对运动参数及当前调和势值，基于所述极端随机树模型对所述待变道车辆的转向角进行预测。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括预处理模块，用于利用对称移动指数平均方法对所述历史交通流运行数据进行降噪处理。
7.根据权利要求5所述的装置，其特征在于，所述处理模块，具体用于：
根据所述历史交通流运行数据和所述目标路段的车道位置数据确定变道车辆、所述变道车辆在变道过程中的相邻车辆以及对应的变道起点和变道终点；
基于所述变道起点和所述变道终点，获取所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据；
根据所述变道车辆的历史变道轨迹数据和所述相邻车辆在变道过程中的历史轨迹数据，获取所述变道车辆与所述相邻车辆的历史相对运动参数和历史相对位置参数；
根据所述变道车辆与所述相邻车辆的历史相对位置参数以及所述变道车辆与所述相邻车辆的尺寸计算所述相邻车辆对所述变道车辆产生的历史调和势值。
8.根据权利要求7所述的装置，其特征在于，所述建模模块，具体用于：
确定所述变道车辆在变道过程中的第一阶段和第二阶段；其中，所述第一阶段为所述变道车辆从变道起点至在原车道最后一刻的阶段，所述第二阶段为所述变道车辆在目标车道的初始时刻至变道终点的阶段，所述目标车道为变道后的车道；
将所述历史转向角作为输出、第一历史相对运动参数和第一历史调和势值作为输入，建立第一极端随机树模型；其中，所述第一历史相对运动参数为所述变道车辆与所述变道车辆处于所述第一阶段时对应的相邻车辆之间的历史相对运动参数；所述第一历史调和势值为所述变道车辆处于所述第一阶段时对应的相邻车辆对所述变道车辆产生的历史调和势值；
将所述历史转向角作为输出、第二历史相对运动参数和第二历史调和势值作为输入，建立第二极端随机树模型；其中，所述第二历史相对运动参数为所述变道车辆与所述变道车辆处于所述第二阶段时对应的相邻车辆之间的历史相对运动参数；所述第二历史调和势值为所述变道车辆处于所述第二阶段时对应的相邻车辆对所述变道车辆产生的历史调和势值。
9.一种车辆变道的预测装置，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
其中，所述处理器用于运行所述计算机程序时，实现权利要求1至4任一项所述车辆变道的预测方法。
10.一种计算机存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至4任一项所述车辆变道的预测方法。
CN202110463004.3A 2021-02-25 2021-04-27 一种车辆变道的预测方法、装置及计算机存储介质 Active CN112918478B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021102024956 2021-02-25
CN202110202495 2021-02-25

Publications (2)

Publication Number Publication Date
CN112918478A true CN112918478A (zh) 2021-06-08
CN112918478B CN112918478B (zh) 2022-04-01

Family

ID=76174805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110463004.3A Active CN112918478B (zh) 2021-02-25 2021-04-27 一种车辆变道的预测方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112918478B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239974A (zh) * 2021-12-21 2022-03-25 清华大学 多智能体的位置预测方法、装置、电子设备及存储介质
CN118230558A (zh) * 2024-05-24 2024-06-21 莱芜职业技术学院 基于人工智能的车流量预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190329777A1 (en) * 2018-04-27 2019-10-31 Honda Motor Co., Ltd. Systems and methods for anticipatory lane change
US20190351918A1 (en) * 2019-06-20 2019-11-21 Lg Electronics Inc. Artificial intelligence apparatus for providing notification related to lane-change of vehicle and method for the same
US20200189590A1 (en) * 2018-12-18 2020-06-18 Beijing DIDI Infinity Technology and Development Co., Ltd Systems and methods for determining driving action in autonomous driving
CN111861077A (zh) * 2019-08-22 2020-10-30 北京嘀嘀无限科技发展有限公司 一种用户驾驶习惯确定及服务信息推送方法和系统
CN111950394A (zh) * 2020-07-24 2020-11-17 中南大学 一种车辆变道的预测方法、装置及计算机存储介质
CN112092815A (zh) * 2020-09-02 2020-12-18 北京航空航天大学 一种基于模型预测的车辆换道轨迹跟踪控制方法
WO2021012342A1 (en) * 2019-07-23 2021-01-28 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for traffic prediction

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190329777A1 (en) * 2018-04-27 2019-10-31 Honda Motor Co., Ltd. Systems and methods for anticipatory lane change
US20200189590A1 (en) * 2018-12-18 2020-06-18 Beijing DIDI Infinity Technology and Development Co., Ltd Systems and methods for determining driving action in autonomous driving
US20190351918A1 (en) * 2019-06-20 2019-11-21 Lg Electronics Inc. Artificial intelligence apparatus for providing notification related to lane-change of vehicle and method for the same
WO2021012342A1 (en) * 2019-07-23 2021-01-28 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for traffic prediction
CN111861077A (zh) * 2019-08-22 2020-10-30 北京嘀嘀无限科技发展有限公司 一种用户驾驶习惯确定及服务信息推送方法和系统
CN111950394A (zh) * 2020-07-24 2020-11-17 中南大学 一种车辆变道的预测方法、装置及计算机存储介质
CN112092815A (zh) * 2020-09-02 2020-12-18 北京航空航天大学 一种基于模型预测的车辆换道轨迹跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
万子健: "车辆轨迹数据提取道路交叉口特征的决策树模型", 《测绘学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239974A (zh) * 2021-12-21 2022-03-25 清华大学 多智能体的位置预测方法、装置、电子设备及存储介质
CN118230558A (zh) * 2024-05-24 2024-06-21 莱芜职业技术学院 基于人工智能的车流量预测方法及系统
CN118230558B (zh) * 2024-05-24 2024-08-02 莱芜职业技术学院 基于人工智能的车流量预测方法及系统

Also Published As

Publication number Publication date
CN112918478B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
JP7060625B2 (ja) 自動運転車において３ｄｃｎｎネットワークを用いてソリューション推断を行うｌｉｄａｒ測位
JP7086111B2 (ja) 自動運転車のｌｉｄａｒ測位に用いられるディープラーニングに基づく特徴抽出方法
CN112918478B (zh) 一种车辆变道的预测方法、装置及计算机存储介质
JP7256758B2 (ja) 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位
Sharath et al. Enhanced intelligent driver model for two-dimensional motion planning in mixed traffic
CN111923902B (zh) 一种泊车控制方法、装置、电子设备及存储介质
CN109683617B (zh) 一种自动驾驶方法、装置及电子设备
CN112541515A (zh) 模型训练方法、驾驶数据处理方法、装置、介质和设备
Gao et al. Autonomous driving of vehicles based on artificial intelligence
CN113264064B (zh) 用于交叉路口场景的自动驾驶方法及相关设备
Bharat Kumar Anna et al. Vehicle trajectory data extraction from the horizontal curves of mountainous roads
US20240182035A1 (en) Lane change control method, vehicle-mounted device and readable storage medium
CN115257801A (zh) 轨迹规划方法及装置、服务器、计算机可读存储介质
Zhang Road geometry estimation using vehicle trails: a linear mixed model approach
Wang et al. Research on unmanned driving interface based on lidar imaging technology
CN111474927B (zh) 距离变换的预处理方法及装置
Chen et al. An Acceleration Denoising Method Based on an Adaptive Kalman Filter for Trajectory in Merging Zones
WO2024160084A1 (zh) 一种自动泊车方法、装置及系统
CN118505796A (zh) 一种特征点建图方法、电子设备和存储介质
CN118094392A (zh) 一种道路车道线生成方法、装置、计算机设备及存储介质
Sang et al. Physics constrained pedestrian trajectory prediction with probability quantification
CN115649178A (zh) 道路边界检测方法和电子设备
CN116994179A (zh) 一种目标跟踪方法、装置和电子设备
CN118503719A (zh) 基于多传感器目标级数据的融合方法、电子设备及介质
CN118323136A (zh) 车辆变道轨迹规划方法、装置及设备

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