CN112977477B - 一种基于神经网络的混合车车协同汇流系统和方法 - Google Patents
一种基于神经网络的混合车车协同汇流系统和方法 Download PDFInfo
- Publication number
- CN112977477B CN112977477B CN202110217710.XA CN202110217710A CN112977477B CN 112977477 B CN112977477 B CN 112977477B CN 202110217710 A CN202110217710 A CN 202110217710A CN 112977477 B CN112977477 B CN 112977477B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- strategy
- ramp
- convergence
- 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.)
- Active
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0025—Planning or execution of driving tasks specially adapted for specific operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于神经网络的混合车车协同汇流系统和方法,属于自动驾驶汽车决策系统技术领域。本发明利用神经网络对汇流区场景进行学习和分类,根据不同的汇流场景类型执行相对应的汇流方法,包括自适应巡航策略、基于最小安全距离策略、最近智能网联汽车向内变道策略、后车减速策略、后车补位策略、前车减速策略、中间汇入补位策略和后车加速策略。本发明进一步完善了无人驾驶车辆和人类驾驶车辆混行的汇流情况。
Description
技术领域
本发明属于自动驾驶汽车决策系统技术领域,特别涉及了一种基于神经网络的混合车车协同汇流系统和方法。
背景技术
近年来,汽车自动驾驶技术行业得到了飞速的发展,人们运用在车辆上的辅助驾驶系统从一开始的被动预警转向了主动预测。其中,车辆的汇流问题一直是研究的难点,车辆进行汇流的时候往往遇到的交通情况比较复杂,不可控的因素较多。
就目前而言,所研究的汇流方法大致可分为三类:第一类是基于传统模型的汇流方法,此类方法在特定场景有着较好的效果,但是一旦环境发生改变,它的预测精度、泛化性还有应变能力就会大大下降;第二类是基于强化学习的汇流方法,如北京理工大学苗一松所提出的基于Q-learning算法的汇流模型,此类方法相比于传统模型应变力有所提高,实时性也有所提升;第三类是基于车车协同、车路协同的汇流方法,如华南理工大学张荣辉所提出的车车协同下的无人车汇流控制方法,将智能车辆以车队形式合作来实现协同汇流,但是这种假设过于理想化,无论是在向无人驾驶过渡的阶段还是最终阶段,都会有一定数量的非智能车存在。对于非智能车来说,虽然可以检测到它的位置和速度等信息,但是由于受人类驾驶员所控制,所以它并不会服从协作命令,反而存在无法预测的驾驶行为。
发明内容
针对现有技术中存在不足,本发明提供了一种基于神经网络的混合车车协同汇流系统和方法,进一步完善无人驾驶车辆和人类驾驶车辆混行的汇流情况。
本发明是通过以下技术手段实现上述技术目的的。
一种基于神经网络的混合车车协同汇流方法,利用神经网络对汇流区场景进行学习和分类,根据不同的汇流场景类型执行相对应的汇流方法,具体为:
如果主道车队中存在非智能网联汽车,对到达汇流区之前的非智能网联汽车是否进行换道操作进行判断;
若主道车队中的非智能网联汽车发生换道,再判断匝道是否有车辆汇入;当匝道有车辆汇入,根据汇入车辆的预测位置分为前方汇入A、中间汇入和后方汇入三种情况;当匝道中没有车辆汇入,则非智能网联汽车的后车向前加速进行补位;
若主道车队中的非智能网联汽车不发生换道,再判断匝道是否有车辆汇入;当匝道中没有车辆汇入,则主道车队采取自适应巡航策略通过汇流区;当匝道有车辆汇入,进一步判断汇入车辆是否为非智能网联汽车;若汇入车辆是非智能网联汽车,主道车队中距离汇入车辆最近的智能网联汽车向内侧车道变道,给非智能网联汽车的汇入提供空间,如果没有足够空间换道,根据汇入车辆的预测位置分为前方汇入B和中后方汇入两种情况;若汇入车辆是智能网联汽车,根据汇入车辆的预测位置分为前方汇入B和中后方汇入两种情况;
如果主道车队中不存在智能网联汽车,判断匝道是否有车辆汇入;如果匝道没有汇流车辆,主道车队采取自适应巡航策略通过汇流区;如果匝道有汇流车辆,判断匝道汇入车辆是否为非智能网联汽车;若汇入车辆是智能网联汽车,主匝道车辆采用基于最小安全距离s1的汇入策略通过汇流区;若汇入车辆是非智能网联汽车,汇入车辆最近的智能网联汽车向内侧车道变道,给非智能网联汽车的汇入提供空间,如果没有足够空间换道,主匝道车辆采用基于最小安全距离s2的汇入策略通过汇流区。
进一步地,对于前方汇入A的情况,非智能网联汽车前方车辆减速向后补齐空位,空出空间给匝道车辆汇入;对于中间汇入的情况,主道车队无需发生行为改变,匝道车辆直接补齐非智能网联汽车空位;对于后方汇入的情况,非智能网联汽车后方车辆加速向前补齐空位,空出空间给匝道车辆汇入;对于前方汇入B的情况,主匝道车辆采用基于最小安全距离s1的汇入策略通过汇流区;对于中后方汇入的情况,主道中非智能网联汽车后方的智能网联汽车进行减速,为匝道汇入车辆提供足够的汇入空间。
进一步地,所述最小安全距离s2为最小安全距离s1的1.5倍。
一种混合车车协同汇流系统,包括智能网联汽车、非智能网联汽车和整车控制器,所述整车控制器中设有神经网络,所述神经网络学习混合车车协同汇流方法,训练完成后的神经网络作为混合车车协同汇流的分类器;根据实时采集的信息做出判断,执行对应模型的策略,完成汇流;所述对应模型的策略包括自适应巡航策略、基于最小安全距离策略、最近智能网联汽车向内变道策略、后车减速策略、后车补位策略、前车减速策略、中间汇入补位策略和后车加速策略。
本发明的有益效果为:
本发明考虑了非智能网联汽车的因素,对混合车车协同的行为特性进行了微观分析,得到不同类型的汇流策略,包括自适应巡航策略、基于最小安全距离策略、最近智能网联汽车向内变道策略、后车减速策略、后车补位策略、前车减速策略、中间汇入补位策略和后车加速策略;本发明还利用神经网络对汇流区场景进行学习和分类,在实际使用时,根据实时采集的信息做出判断,执行对应模型的策略,完成汇流。本发明进一步完善了无人驾驶车辆和人类驾驶车辆混行的汇流情况,对于向无人驾驶过渡的阶段和最终阶段具有很好的参考价值。
附图说明
图1为本发明所述基于神经网络的混合车车协同汇流方法流程图;
图2为本发明所述神经网络结构示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
一种基于神经网络的混合车车协同汇流方法,利用神经网络对汇流区场景进行学习和分类,根据不同的汇流场景类型执行相对应的汇流方法,使得主匝道车辆均可以顺利通过汇流点。
本发明的混合车辆包括智能网联汽车和非智能网联汽车,智能网联汽车为车辆上装设有车车通信系统且车车通信系统始终处于工作状态,非智能网联汽车包括车辆上没有装设有车车通信系统或者车辆上装设有车车通信系统,但车车通信系统始终处于非工作状态;智能网联汽车上还安装有雷达(激光雷达、毫米波雷达)和摄像头,基于雷达、摄像头和车车通信系统,即可判断其它车辆是否为网联车(为现有技术)。本发明中所有的智能网联汽车共享其位置和速度信息。
如图1所示,主道车队中的智能网联汽车基于雷达、摄像头和车车通信系统,判断主道车队中是否存在非智能网联汽车。如果主道车队中不存在非智能网联汽车,再基于雷达和摄像头,判断匝道是否有车辆汇入,如果匝道没有汇流车辆,主道车队采取协同自适应巡航策略(Control of Connected and Autonomous Vehicles with Cut-in Movementusing Spring Mass Damper System)通过汇流区。如果匝道有汇流车辆,基于雷达、摄像头和车车通信系统,判断匝道汇入车辆是否为非智能网联汽车;若汇入车辆是智能网联汽车,此时汇入车辆发送汇流请求,则主匝道车辆采用基于最小安全距离s1的汇入策略通过汇流区;若汇入车辆是非智能网联汽车,主道车队对汇入车辆的汇入行为进行识别,然后优先考虑让主道车队中距离汇入车辆最近的智能网联汽车向其所在的主道内侧车道变道,给非智能网联汽车的汇入提供空间,如果没有足够空间换道,主匝道车辆只能采用基于最小安全距离s2的汇入策略通过汇流区,但是考虑到人类驾驶员并不能像智能网联汽车一样精准地控制车辆,所以此时的最小安全距离s2设置为最小安全距离s1的1.5倍。
如果主道车队中存在非智能网联汽车,为了避免在汇流区与匝道车辆进行汇流而影响非智能网联汽车的行驶,对到达汇流区之前非智能网联汽车是否进行换道操作进行判断(主道车队中的网联车基于雷达和摄像头采集的非网联车横向位置是否发生变化进行判断)。若主道车队中的非智能网联汽车发生换道,再判断匝道是否有车辆汇入;当匝道有车辆汇入,根据汇入车辆的预测位置(根据主道车队网联车的速度、与汇流点的距离,计算出本车到达汇流点的时间t,再根据时间t和匝道汇入车辆速度即可计算出汇入车辆的预测位置)分为前方汇入、中间汇入和后方汇入三种情况;对于前方汇入车辆的情况,非智能网联汽车前方车辆减速向后补齐空位并且空出空间给匝道车辆汇入;对于中间汇入车辆的情况,主道车队无需发生行为改变,匝道车辆直接补齐非智能网联汽车空位即可;对于后方汇入车辆的情况,非智能网联汽车后方车辆加速向前补齐空位并且空出空间给匝道车辆汇入;当匝道中没有车辆汇入,则非智能网联汽车的后车向前加速进行补位。若主道车队中的非智能网联汽车不发生换道,再判断匝道是否有车辆汇入;当匝道中没有车辆汇入,则主道车队采取自适应巡航策略通过汇流区;当匝道有车辆汇入,进一步判断汇入车辆是否为非智能网联汽车;若汇入车辆是非智能网联汽车,主道车队对汇入车辆的汇入行为进行识别,然后优先考虑让主道车队中距离汇入车辆最近的智能网联汽车向内侧车道变道,给非智能网联汽车的汇入提供空间;如果没有足够空间换道,根据汇入车辆的预测位置分为前方汇入和中后方汇入两种情况;对于前方汇入车辆的情况,则主匝道车辆采用基于最小安全距离s1的汇入策略通过汇流区;对于中后方汇入车辆的情况,则主道中非智能网联汽车后方的智能网联汽车进行减速,为匝道汇入车辆提供足够的汇入空间;若汇入车辆是智能网联汽车,根据汇入车辆的预测位置分为前方汇入和中后方汇入两种情况;对于前方汇入车辆的情况,则主匝道车辆采用基于最小安全距离s1的汇入策略通过汇流区;对于中后方汇入车辆的情况,则主道中非智能网联汽车后方的智能网联汽车进行减速,为匝道汇入车辆提供足够的汇入空间。
本发明的混合车车协同汇流方法,包括8种类型:自适应巡航策略、基于最小安全距离策略、最近智能网联汽车向内变道策略、后车减速策略、后车补位策略、前车减速策略、中间汇入补位策略和后车加速策略。
本发明搭建如图2所示的神经网络(设置在整车控制器中)对上述8种类型进行学习,神经网络包含输入层、两个全连接隐藏层和输出层,对神经网络的输入进行特征提取,表示为:
l(1)=ReLU(sW(1)+b(1))
式中:s为当前输入的智能网联汽车状态;W(1)为第一层神经网络连接权重;b(1)为第一层神经网络的偏置权重,将第1层全连接输出加上激活函数ReLU引入非线性特征,并作为第2层神经网络的输入表示为:
l(2)=ReLU(l(1)W(2)+b(2))
输出层表示为:
Out=l(2)W(3)+b(3)
其中:W(2)为第二层神经网络连接权重,b(2)为第二层神经网络的偏置权重,W(3)为输出层神经网络连接权重,b(1)为输出层神经网络的偏置权重;
输出层的损失函数(Cost function)表示为:
式中:k为样本个数,out为期望输出。
利用反向传播算法来更新神经网络连接权重和偏置权重,并设置好学习率。
对实际场景下的汇流样本数据进行预处理,然后使用处理后的数据,对学习之后的神经网络进行训练,训练完成后将其作为混合车车协同汇流的分类器,根据实时采集的信息做出判断,执行对应模型的策略,完成汇流。具体如下:
首先进行数据预处理,对样本数据进行筛选,选出属于8种汇流类型的优秀样本数据,标定好标签。神经网络的输入为s(xi,yi,vi,ai,mi)5维向量,其中xi、yi为第i辆车的横坐标和纵坐标,vi为第i辆车的车速,ai为第i辆车的加速度,mi为第i辆车的标志位,使用1,2,3…表示本车在车队中所处的位置,使用-1和0表示匝道汇入车辆,-1为非智能网联汽车,0为智能网联汽车;标志位m可以通过比较车辆的x坐标和y坐标进行确定,主道车队中的车辆y坐标基本相同,可以按照x坐标的大小进行排序,而匝道中的车辆与主道车队中车辆的y坐标相差很大,以此可以进行区别并确定标志位。数据处理完成后,对神经网络进行训练。
车辆根据实时采集的数据(与神经网络的5维向量输入相同)通过神经网络来进行判断,当前状态和环境属于哪一种汇流类型,然后车辆根据标志位判断本车的位置,最后采取相应的策略执行。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (5)
1.一种基于神经网络的混合车车协同汇流方法,其特征在于,利用神经网络对汇流区场景进行学习和分类,根据不同的汇流场景类型执行相对应的汇流方法,具体为:
如果主道车队中存在非智能网联汽车,对到达汇流区之前的非智能网联汽车是否进行换道操作进行判断;
若主道车队中的非智能网联汽车发生换道,再判断匝道是否有车辆汇入;当匝道有车辆汇入,根据汇入车辆的预测位置分为前方汇入A、中间汇入和后方汇入三种情况;当匝道中没有车辆汇入,则非智能网联汽车的后车向前加速进行补位;
若主道车队中的非智能网联汽车不发生换道,再判断匝道是否有车辆汇入;当匝道中没有车辆汇入,则主道车队采取自适应巡航策略通过汇流区;当匝道有车辆汇入,进一步判断汇入车辆是否为非智能网联汽车;若汇入车辆是非智能网联汽车,主道车队中距离汇入车辆最近的智能网联汽车向内侧车道变道,给非智能网联汽车的汇入提供空间,如果没有足够空间换道,根据汇入车辆的预测位置分为前方汇入B和中后方汇入两种情况;若汇入车辆是智能网联汽车,根据汇入车辆的预测位置分为前方汇入B和中后方汇入两种情况;
对于前方汇入A的情况,非智能网联汽车前方车辆减速向后补齐空位,空出空间给匝道车辆汇入;
对于中间汇入的情况,主道车队无需发生行为改变,匝道车辆直接补齐非智能网联汽车空位;
对于后方汇入的情况,非智能网联汽车后方车辆加速向前补齐空位,空出空间给匝道车辆汇入;
对于前方汇入B的情况,主匝道车辆采用基于最小安全距离s1的汇入策略通过汇流区;
对于中后方汇入的情况,主道中非智能网联汽车后方的智能网联汽车进行减速,为匝道汇入车辆提供足够的汇入空间。
2.根据权利要求1所述的混合车车协同汇流方法,其特征在于,还包括:
如果主道车队中不存在非智能网联汽车,判断匝道是否有车辆汇入;如果匝道没有汇流车辆,主道车队采取自适应巡航策略通过汇流区;如果匝道有汇流车辆,判断匝道汇入车辆是否为非智能网联汽车;若汇入车辆是智能网联汽车,主匝道车辆采用基于最小安全距离s1的汇入策略通过汇流区;若汇入车辆是非智能网联汽车,汇入车辆最近的智能网联汽车向内侧车道变道,给非智能网联汽车的汇入提供空间,如果没有足够空间换道,主匝道车辆采用基于最小安全距离s2的汇入策略通过汇流区。
3.根据权利要求2所述的混合车车协同汇流方法,其特征在于,所述最小安全距离s2为最小安全距离s1的1.5倍。
4.一种根据权利要求1-3任一项所述的混合车车协同汇流方法的混合车车协同汇流系统,其特征在于,包括智能网联汽车、非智能网联汽车和整车控制器,所述整车控制器中设有神经网络,所述神经网络学习混合车车协同汇流方法,训练完成后的神经网络作为混合车车协同汇流的分类器;根据实时采集的信息做出判断,执行对应模型的策略,完成汇流。
5.根据权利要求4所述的混合车车协同汇流系统,其特征在于,所述对应模型的策略包括自适应巡航策略、基于最小安全距离策略、最近智能网联汽车向内变道策略、后车减速策略、后车补位策略、前车减速策略、中间汇入补位策略和后车加速策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217710.XA CN112977477B (zh) | 2021-02-26 | 2021-02-26 | 一种基于神经网络的混合车车协同汇流系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110217710.XA CN112977477B (zh) | 2021-02-26 | 2021-02-26 | 一种基于神经网络的混合车车协同汇流系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112977477A CN112977477A (zh) | 2021-06-18 |
CN112977477B true CN112977477B (zh) | 2022-03-22 |
Family
ID=76351082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110217710.XA Active CN112977477B (zh) | 2021-02-26 | 2021-02-26 | 一种基于神经网络的混合车车协同汇流系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112977477B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241778B (zh) * | 2022-02-23 | 2022-05-17 | 东南大学 | 高速公路网联车协同匝道汇入多目标优化控制方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702019A (zh) * | 2016-04-12 | 2016-06-22 | 东南大学 | 一种获取城市大型活动的道路限速值的方法 |
CN109272748A (zh) * | 2018-09-06 | 2019-01-25 | 东南大学 | 车车通信结合辅助驾驶环境下匝道协同汇入方法及系统 |
CN109360409A (zh) * | 2018-09-26 | 2019-02-19 | 江苏大学 | 一种基于驾驶风格的智能网联混合动力汽车编队控制方法 |
CN110069894A (zh) * | 2019-05-09 | 2019-07-30 | 同济大学 | 一种针对智能汽车交通协调性的客观映射测试方法 |
CN110610611A (zh) * | 2019-09-26 | 2019-12-24 | 江苏大学 | 面向混行交通流中智能网联车辆的行车安全性评价方法 |
CN112124310A (zh) * | 2019-06-24 | 2020-12-25 | 初速度(苏州)科技有限公司 | 一种车辆的路径变换方法和装置 |
-
2021
- 2021-02-26 CN CN202110217710.XA patent/CN112977477B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105702019A (zh) * | 2016-04-12 | 2016-06-22 | 东南大学 | 一种获取城市大型活动的道路限速值的方法 |
CN109272748A (zh) * | 2018-09-06 | 2019-01-25 | 东南大学 | 车车通信结合辅助驾驶环境下匝道协同汇入方法及系统 |
CN109360409A (zh) * | 2018-09-26 | 2019-02-19 | 江苏大学 | 一种基于驾驶风格的智能网联混合动力汽车编队控制方法 |
CN110069894A (zh) * | 2019-05-09 | 2019-07-30 | 同济大学 | 一种针对智能汽车交通协调性的客观映射测试方法 |
CN112124310A (zh) * | 2019-06-24 | 2020-12-25 | 初速度(苏州)科技有限公司 | 一种车辆的路径变换方法和装置 |
CN110610611A (zh) * | 2019-09-26 | 2019-12-24 | 江苏大学 | 面向混行交通流中智能网联车辆的行车安全性评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112977477A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111445692B (zh) | 一种无信号灯路口智能网联汽车的速度协同优化方法 | |
CN105930625B (zh) | Q学习结合神经网络的智能驾驶行为决策系统的设计方法 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN111145552B (zh) | 基于5g网络的车辆动态换道轨迹的规划方法 | |
CN111332283B (zh) | 用于控制机动车的方法和系统 | |
CN112109708B (zh) | 一种考虑驾驶行为的自适应巡航控制系统及其控制方法 | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
Yen et al. | Proactive car-following using deep-reinforcement learning | |
CN111625989A (zh) | 一种基于a3c-sru的智能车汇入车流方法及系统 | |
CN115662131B (zh) | 网联环境下道路事故路段的多车道协同换道方法 | |
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 | |
CN112977477B (zh) | 一种基于神经网络的混合车车协同汇流系统和方法 | |
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 | |
CN115516539A (zh) | 从异常交通工具事件众包道路状况 | |
CN110588605B (zh) | 一种防误踩加速踏板的主动制动控制系统及控制方法 | |
CN110619340A (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
CN111784142A (zh) | 高级驾驶辅助系统任务复杂度量化模型 | |
CN115451987A (zh) | 一种自动驾驶汽车的路径规划学习方法 | |
CN113635900B (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 | |
US20220188621A1 (en) | Generative domain adaptation in a neural network | |
CN112351407A (zh) | 一种基于5g分级决策的aeb策略方法 | |
Teng et al. | Car Following Model Based on Driving Risk Field for Vehicle Infrastructure Cooperation | |
CN114043989B (zh) | 一种基于递归图和卷积神经网络的驾驶风格识别模型、换道决策模型及决策方法 | |
US11708075B2 (en) | Enhanced adaptive cruise control | |
CN117576904B (zh) | 一种由智能网联车辆引导其它车辆高效通过红绿灯的方法 |
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 |