CN113276850B - 车辆控制的方法、装置、设备、存储介质及程序产品 - Google Patents
车辆控制的方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113276850B CN113276850B CN202110827806.8A CN202110827806A CN113276850B CN 113276850 B CN113276850 B CN 113276850B CN 202110827806 A CN202110827806 A CN 202110827806A CN 113276850 B CN113276850 B CN 113276850B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- acceleration
- position information
- relative position
- host
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 230000001133 acceleration Effects 0.000 claims description 111
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration 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
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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- 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
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2554/4041—Position
-
- 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
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4045—Intention, e.g. lane change or imminent movement
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种车辆控制的方法、装置、设备、存储介质及程序产品。本申请的方法,通过获取当前时刻的车辆行驶环境数据,将当前时刻的车辆行驶环境数据输入神经网络模型,确定下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息,能够提前对侧方车辆切入本车前方的意图和切入时与本车的相对位置信息进行预判,根据侧方车辆在切入时与本车的相对位置信息,控制本车制动使得本车提前减速,避免在侧方车辆已经切入本车前方时紧急制动,大大提高了车辆的舒适性和安全性。
Description
技术领域
本申请涉及计算机技术,尤其涉及一种车辆控制的方法、装置、设备、存储介质及程序产品。
背景技术
在车辆行驶过程中,经常会遇到侧方车辆切入本车辆前方,或者由车辆前方切出到另一车道等切入/切出场景。人在开车时,会观察和预测侧方车辆切入本车辆前方的意图,并提前进行减速。
自动驾驶车辆在自适应巡航控制(Adaptive Cruise Control,简称ACC)过程中,通常依靠摄像头或者毫米波来感知前方车辆信息,在侧方车辆切入本车前方的过程中,只有当侧方车辆的车身或部分车身进入本车所在本车道时,将侧方车辆判别为本车的前方车辆,从而进行制动来避免碰撞。
但是传感器信息和制动器本身存在延迟,且在侧方车辆的车身或部分车身进入本车所在车道,被识别为前方车辆时,本车才进行减速,往往会产生较大的减速度,导致车辆的舒适性和安全性较差。
发明内容
本申请提供一种车辆控制的方法、装置、设备、存储介质及程序产品。
一方面,本申请提供一种车辆控制的方法,包括:
获取当前时刻的车辆行驶环境数据,所述车辆行驶环境数据包括:本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息;
将所述当前时刻的车辆行驶环境数据输入神经网络模型,通过所述神经网络模型确定下一时段内所述侧方车辆与本车的相对位置信息;
根据所述下一时段内所述侧方车辆与本车的相对位置信息,若确定所述侧方车辆将在所述下一时段内切入本车前方,则确定所述侧方车辆在切入时与本车的相对位置信息;
根据所述侧方车辆在切入时与本车的相对位置信息,控制本车制动。
另一方面,本申请提供一种车辆控制的装置,包括:
数据获取模块,用于获取当前时刻的车辆行驶环境数据, 所述车辆行驶环境数据包括:本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息;
预测模块,用于将所述当前时刻的车辆行驶环境数据输入神经网络模型,通过所述神经网络模型确定下一时段内所述侧方车辆与本车的相对位置信息;
切入预判模块,用于根据所述下一时段内所述侧方车辆与本车的相对位置信息,若确定所述侧方车辆将在所述下一时段内切入本车前方,则确定所述侧方车辆在切入时与本车的相对位置信息;
车辆控制模块,用于根据所述侧方车辆在切入时与本车的相对位置信息,控制本车制动。
另一方面,本申请提供一种车辆控制设备,包括:
处理器,存储器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序;其中,所述处理器运行所述计算机程序时实现上述所述的车辆控制的方法。
另一方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述所述的车辆控制的方法。
另一方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述所述的车辆控制的方法。
本申请提供的车辆控制的方法、装置、设备、存储介质及程序产品,通过获取当前时刻的车辆行驶环境数据,将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息,并根据下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息,能够预判侧方车是否会在下一个时段切入本车前方,预测侧方车辆切入时与本车的相对位置信息,并根据侧方车辆在切入时与本车的相对位置信息,控制本车制动从而使得本车提前减速,避免在侧方车辆的车身或部分车身已经切入本车前方时紧急制动,大大提高了车辆的舒适性和安全性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例一提供的车辆控制的方法流程图;
图2为本申请实施例二提供的车辆控制的方法流程图;
图3为本申请实施例二提供的神经网络模型的网络架构的示意图;
图4为本申请实施例三提供的车辆控制的装置的结构示意图;
图5为本申请实施例四提供的车辆控制的装置的结构示意图;
图6为本申请实施例五提供的车辆控制设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
本申请所涉及的术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
本申请提供的车辆控制的方法,具体可以应用于车辆上的车辆控制设备,例如车载终端等,也可以应用于对车辆进行控制的服务器设备,本申请此处不做具体限定。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例一
图1为本申请实施例一提供的车辆控制的方法流程图。本实施例中的方法应用于车辆控制设备,该车辆控制设备可以是车载终端,也可以是远程对车辆进行控制的服务器设备等,在其他实施例中,该方法还可应用于其他设备,本实施例以车辆控制设备为例进行示意性说明。如图1所示,该方法具体步骤如下:
步骤S101、获取当前时刻的车辆行驶环境数据,车辆行驶环境数据包括:本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息。
本实施例中,在本车自适应巡航控制过程中,可以实时地获取本车及周围车辆的行驶数据,得到当前时刻的车辆行驶环境数据。
可选地,前方车辆的加速度、速度、和前方车辆与本车的相对位置信息,以及侧方车辆的加速度、速度、和侧方车辆与本车的相对位置信息,可以根据本车上的传感器采集的相关数据确定。
可选地,还可以通过获取前方车辆的加速度、速度和位置,根据本车的位置和前方车辆的位置,可以确定前方车辆与本车的相对位置信息;通过获取侧方车辆的加速度、速度和位置,根据本车的位置和侧方车辆的位置,可以确定侧方车辆与本车的相对位置信息。
进一步地,获取前方车辆和侧方车辆的加速度、速度和位置,可以采用如下方式实现:通过与前方车辆进行通信,从前方车辆直接获取前方车辆的加速度、速度和位置,通过与侧方车辆进行通信,从侧方车辆直接获取侧方车辆的加速度、速度和位置。
可选地,获取前方车辆和侧方车辆的加速度、速度和位置,还可以采用如下方式实现:车辆向服务器实时上报自身的加速度、速度和位置等行驶数据。本车可以从服务器获取前方车辆和侧方车辆的加速度、速度和位置等信息。
步骤S102、将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息。
其中,神经网络模型是预先训练好的模型。神经网络模型用于根据某一时刻的车辆行驶环境数据,预测下一时段内侧方车辆与本车的相对位置信息。
本实施例中,下一时刻包括多个时刻,下一时段内侧方车辆与本车的相对位置信息包括:下一时段内的每一时刻侧方车辆与本车的相对位置信息。
步骤S103、根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息。
在确定下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,可以提前预判在下一时段内侧方车辆是否切入到本车前方,并可以确定侧方车辆切入本车前方的时刻,以及在切入时侧方车辆与本车的相对位置信息。
步骤S104、根据侧方车辆在切入时与本车的相对位置信息,控制本车制动。
在提前预判侧方车辆将在下一个时段切入本车前方,并确定侧方车辆在切入时与本车的相对位置信息之后,根据侧方车辆在切入时与本车的相对位置信息,控制本车制动从而使得本车提前减速,避免在侧方车辆的车身或部分车身已经切入本车前方时紧急制动,提高车辆的舒适性和安全性。
本申请实施例通过获取当前时刻的车辆行驶环境数据,将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息,并根据下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息,能够预判侧方车是否会在下一个时段切入本车前方,预测侧方车辆切入时与本车的相对位置信息,并根据侧方车辆在切入时与本车的相对位置信息,控制本车制动从而使得本车提前减速,避免在侧方车辆的车身或部分车身已经切入本车前方时紧急制动,大大提高了车辆的舒适性和安全性。
实施例二
图2为本申请实施例二提供的车辆控制的方法流程图。在上述实施例一的基础上,本实施例中,下一时段包括多个时刻,下一时段内任一时刻的车辆行驶环境数据均包括:在任一时刻,本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息。神经网络模型能够基于当前时刻的车辆行驶环境数据,预测出下一时刻的车辆行驶环境数据,并基于下一时刻的车辆行驶环境数据预测出下下一时刻的车辆行驶环境数据,从而可以得到下一时段内多个时刻的车辆行驶环境数据。
如图2所示,该方法具体步骤如下:
步骤S201、获取当前时刻的车辆行驶环境数据,车辆行驶环境数据包括:本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息。
本实施例中,在本车自适应巡航控制过程中,可以实时地获取本车及周围车辆的行驶数据,得到当前时刻的车辆行驶环境数据。
可选地,前方车辆的加速度、速度、和前方车辆与本车的相对位置信息,以及侧方车辆的加速度、速度、和侧方车辆与本车的相对位置信息,可以根据本车上的传感器采集的相关数据确定。
可选地,还可以通过获取前方车辆的加速度、速度和位置,根据本车的位置和前方车辆的位置,可以确定前方车辆与本车的相对位置信息;通过获取侧方车辆的加速度、速度和位置,根据本车的位置和侧方车辆的位置,可以确定侧方车辆与本车的相对位置信息。
进一步地,获取前方车辆和侧方车辆的加速度、速度和位置,可以采用如下方式实现:通过与前方车辆进行通信,从前方车辆直接获取前方车辆的加速度、速度和位置,通过与侧方车辆进行通信,从侧方车辆直接获取侧方车辆的加速度、速度和位置。
可选地,获取前方车辆和侧方车辆的加速度、速度和位置,还可以采用如下方式实现:车辆向服务器实时上报自身的加速度、速度和位置等行驶数据。本车可以从服务器获取前方车辆和侧方车辆的加速度、速度和位置等信息。
本实施例中,下一时刻包括多个时刻,下一时段内侧方车辆与本车的相对位置信息包括:下一时段内的每一时刻侧方车辆与本车的相对位置信息。在获取到当前时刻的车辆行驶环境数据之后,可以通过如下步骤S202-S205,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息。
另外,下一时段的时间跨度和所包含的时刻的数量,可以根据实际应用场景的需要进行设置和调整,本实施例此处不做具体限定。
步骤S202、将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型,根据当前时刻的车辆行驶环境数据,确定在下一时段内起始时刻的车辆行驶环境数据,起始时刻为当前时刻的下一时刻。
其中,神经网络模型用于根据某一时刻的车辆行驶环境数据,预测下一时段内侧方车辆与本车的相对位置信息。
示例性地,神经网络模型可以为贝叶斯网络,能够根据当前时刻的车辆行驶环境数据,准确地预测下一时段内侧方车辆与本车的相对位置信息。
在实际应用中,前方车辆的速度会影响加速度,加速度会进而影响速度,前方车辆加速度和速度会同时影响本车的车速和加速度。同时本车的加速度和速度也会对本车在下一时刻的加速度和速度产生影响。前方车辆、本车、侧方车辆的加速度和速度,以及前方车辆和侧方车辆与本车的距离,会影响下一时刻侧方车辆的加速度、速度和与本车的距离。同时前方车辆、侧方车辆和本车的加速度、速度,以及前方车辆与本车的相对距离和侧方车辆与本车的相对距离,这些信息随着时间的推移,可以进行迭代。由此可以预测未来某一时刻的侧方车辆的速度、加速度和与本车的相对位置信息。上述的这些影响可以描述为概率时间,进而能够构造贝叶斯网络,用于根据某一时刻的车辆行驶环境数据,预测下一时刻侧方车辆与本车的相对位置信息。
本实施例中,纵向是指车辆行驶方向,横向是指与车辆行驶方向的垂直方向。
预测得到的下一时刻侧方车辆的加速度包括横向加速度和纵向加速度,侧方车辆的速度包括横向速度和纵向速度。
其中,纵向速度是指沿车辆行驶方向的速度,横向速度是指与车辆行驶方向的垂直方向上的速度。纵向加速度是指沿车辆行驶方向的加速度,横向加速度是指与车辆行驶方向的垂直方向上的加速度。
侧方车辆与本车的相对位置信息包括:侧方车辆与本车的横向距离,以及侧方车辆与本车的纵向距离。示例性地,神经网络模型的网络架构可以如图3所示,图3中V1(i)为前方车辆在i时刻的车速;a1(i)为前方车辆在i时刻加速度;s1(i)为i时刻前方车辆与本车的距离;V2(i)为本车在i时刻的车速;a2(i)为本车在i时刻的加速度;Vx(i)为在i时刻侧方车辆的纵向速度;ax(i)为在i时刻侧方车辆的纵向加速度;sx(i)为在i时刻侧方车辆与本车的纵向距离;Vy(i)为在i时刻侧方车辆的横向速度;ay(i)为在i时刻侧方车辆的横向加速度;sy(i)为在i时刻侧方车辆与本车的横向距离。V1(i+1)为前方车辆在i+1时刻的车速;a1(i+1)为前方车辆在i+1时刻加速度;s1(i+1)为i+1时刻前方车辆与本车的距离;V2(i+1)为本车在i+1时刻的车速;a2(i+1)为本车在i+1时刻的加速度;Vx(i+1)为在i+1时刻侧方车辆的纵向速度;ax(i+1)为在i+1时刻侧方车辆的纵向加速度;sx(i+1)为在i+1时刻侧方车辆与本车的纵向距离;Vy(i+1)为在i+1时刻侧方车辆的横向速度;ay(i+1)为在i+1时刻侧方车辆的横向加速度;sy(i+1)为在i+1时刻侧方车辆与本车的横向距离。其中,i时刻可以表示任一时刻,i+1时刻为i时刻的下一时刻。图3中的箭头表示箭头始端的信息对箭头末端的信息有影响。
在该步骤之前,可以获取训练数据,利用训练数据对神经网络模型进行训练。该步骤中使用预先训练好的神经网络模型,节省模型训练的时间,提高车辆控制的及时性和效率。
示例性地,可以获取过去一段时间内的大量的车辆行驶数据,并对车辆行驶数据进行数据清洗和整合,生成训练数据。其中每条训练数据可以包括:某一时刻的车辆行驶环境,本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,侧方车辆的加速度、速度和与本车的相对位置信息;以及下一时刻,本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,侧方车辆的加速度、速度和与本车的相对位置信息。
步骤S203、将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型,根据当前时刻的车辆行驶环境数据,确定在下一时段内起始时刻的车辆行驶环境数据,起始时刻为当前时刻的下一时刻。
在获取到当前时刻的车辆行驶环境数据之后,将当前时刻的车辆行驶环境数据输入训练好的神经网络模型,通过神经网络模型可以预测出下一时刻的车辆行驶环境数据,也即下一时段内起始时刻的车辆行驶环境数据。
其中,任一时刻的车辆行驶环境数据包括:在该时刻本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息。
步骤S204、根据起始时刻的车辆行驶环境数据,确定下一时刻的车辆行驶环境数据。
该步骤中,确定在下一时段内起始时刻的车辆行驶环境数据之后,通过神经网络模型,根据起始时刻的车辆行驶环境数据,预测下一时刻的车辆行驶环境数据,得到在下一时段内第二个时刻的车辆行驶环境数据。
步骤S205、根据下一时刻的车辆行驶环境数据,确定下下一时刻的车辆行驶环境数据;以此类推,直至确定下一时段的最后一个时刻的车辆行驶环境数据。
该步骤中,通过神经网络模型,继续根据下一时刻的车辆行驶环境数据,确定下下一时刻的车辆行驶环境数据;以此类推,能够预测出后续的多个时刻的车辆行驶环境数据,直至确定下一时段的最后一个时刻的车辆行驶环境数据,得到下一时段内多个时刻的车辆行驶环境数据。
其中,任一时刻的车辆行驶环境数据包含该时刻侧方车辆与本车的相对位置信息。通过上述步骤S202-S205,能够获取到下一时段内侧方车辆与本车的相对位置信息
本实施例中,侧方车辆与本车的相对位置信息包括:侧方车辆与本车的横向距离和纵向距离。
在通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息之后,通过步骤S206-S209,根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息。
步骤S206、根据在下一时段内侧方车辆与本车的横向距离,确定在下一时段内的每一时刻侧方车辆是否切入了本车前方。
一种可选地实施方式中,该步骤具体可以采用如下方式实现:
根据在下一时段内侧方车辆与本车的横向距离,本车的位置,以及本车所在车道的位置,确定在下一时段内的每一时刻侧方车辆是否进入本车所在车道;若确定在下一时段内的任一时刻侧方车辆进入本车所在车道,则确定在任一时刻侧方车辆切入了本车前方。若确定在下一时段内的任一时刻侧方车辆未进入本车所在车道,则确定在任一时刻侧方车辆未切入本车前方。
具体地,在获取到侧方车辆与本车的横向距离,本车的位置和本车所在车道的位置之后,可以确定侧方车辆是否有至少部分车身进入本车所在的车道内,如果侧方车辆至少部分车身进入本车所在的车道内,就可以认为侧方车辆进入本车所在车道,并确定侧方车辆切入了本车前方。如果侧方车辆的车身任何部分都没有进入本车所在的车道内,就可以认为侧方车辆没有进入本车所在车道,并确定侧方车辆未切入本车前方。
示例性地,本车所在车道的位置可以根据本车的传感器采集的数据确定,或者可以从地图数据中获取,本实施例此处不做具体限定。
可选地,该步骤具体可以采用如下方式实现:
根据在下一时段内侧方车辆与本车的横向距离,确定在下一时段内每一时刻侧方车辆与本车的横向距离是否小于预设距离阈值;如果任一时刻侧方车辆与本车的横向距离小于预设距离阈值,则确定该时刻侧方车辆切入了本车前方;如果任一时刻侧方车辆与本车的横向距离大于或等于预设距离阈值,则确定该时刻侧方车辆未切入本车前方。
其中,预设距离阈值可以根据实际应用场景的需要进行设置和调整,本实施例此处不做具体限定。
该步骤中,如果在下一时段内每一时刻侧方车辆均未切入本车前方,则执行步骤S207,可以确定侧方车辆将在下一时段内未切入本车前方。
如果在下一时段内的至少一个时刻侧方车辆切入了本车前方,则执行步骤S208-S209,确定侧方车辆在切入时与本车的相对位置信息。
步骤S207、若在下一时段内每一时刻侧方车辆均未切入本车前方,则确定侧方车辆将在下一时段内未切入本车前方。
如果在下一时段内每一时刻侧方车辆均未切入本车前方,可以确定侧方车辆将在下一时段内未切入本车前方,此时保持车辆正常行驶即可。
步骤S208、若在下一时段内的至少一个时刻侧方车辆切入了本车前方,则确定侧方车辆将在下一时段内切入本车前方。
如果在下一时段内的至少一个时刻侧方车辆切入了本车前方,就可以确定侧方车辆将在下一时段内切入本车前方。
步骤S209、将在至少一个时刻中的第一个时刻时侧方车辆与本车的相对位置信息,作为侧方车辆在切入时与本车的相对位置信息。
本实施例中,为了提高车辆的舒适性和安全性,可以将在至少一个时刻中的第一个时刻时侧方车辆与本车的相对位置信息,作为侧方车辆在切入时与本车的相对位置信息,从而尽可能提前地控制本车减速。
可选地,本实施例的另一实施方式中,还可以将在至少一个时刻中的任一时刻时侧方车辆与本车的相对位置信息,作为侧方车辆在切入时与本车的相对位置信息。
在确定侧方车辆在切入时与本车的相对位置信息之后,可以通过步骤S210-S211,根据侧方车辆在切入时与本车的相对位置信息,控制本车制动。
步骤S210、根据侧方车辆在切入时与本车的纵向距离和本车当前时刻的速度,确定本车的期望加速度。
本实施例中,该步骤可以采用如下方式实现:
根据侧方车辆在切入时与本车的纵向距离,确定侧方车辆切入时本车的期望位置;根据期望位置和在当前时刻本车的速度,确定本车的期望加速度。
示例性地,根据预先设置的安全距离,以及侧方车辆在切入时与本车的纵向距离,确定侧方车辆切入时本车的期望位置,使得当侧方车辆切入本车前方时,本车行驶至期望位置,期望位置与切入的侧方车辆的距离大于或等于安全距离。
其中,安全距离可以根据实际应用场景的需要进行设置和调整,本实施例此处不做具体限定。
进一步地,根据期望位置,和在当前时刻本车的速度和位置,计算出本车的期望加速度。
步骤S211、根据期望加速度控制本车制动。
在确定本车的期望加速度之后,根据期望加速度控制本车制动,使得本车以期望加速度继续行驶。
本申请实施例通过获取当前时刻的车辆行驶环境数据,将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息,并根据下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息,能够预判侧方车是否会在下一个时段切入本车前方,预测侧方车辆切入时与本车的相对位置信息,并根据侧方车辆在切入时与本车的相对位置信息,控制本车制动从而使得本车提前减速,避免在侧方车辆的车身或部分车身已经切入本车前方时紧急制动,大大提高了车辆的舒适性和安全性。
实施例三
图4为本申请实施例三提供的车辆控制的装置的结构示意图。本申请实施例提供的车辆控制的装置可以执行车辆控制的方法实施例提供的处理流程。如图4所示,该车辆控制的装置30包括:数据获取模块301,预测模块302,切入预判模块303和车辆控制模块304。
具体地,数据获取模块301,用于获取当前时刻的车辆行驶环境数据, 车辆行驶环境数据包括:本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息。
预测模块302,用于将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息。
切入预判模块303,用于根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息。
车辆控制模块304,用于根据侧方车辆在切入时与本车的相对位置信息,控制本车制动。
本申请实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例,具体功能此处不再赘述。
本申请实施例通过获取当前时刻的车辆行驶环境数据,将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息,并根据下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息,能够预判侧方车是否会在下一个时段切入本车前方,预测侧方车辆切入时与本车的相对位置信息,并根据侧方车辆在切入时与本车的相对位置信息,控制本车制动从而使得本车提前减速,避免在侧方车辆的车身或部分车身已经切入本车前方时紧急制动,大大提高了车辆的舒适性和安全性。
实施例四
图5为本申请实施例四提供的车辆控制的装置的结构示意图。在上述实施例三的基础上,本实施例中,预测模块还用于:
下一时段包括多个时刻,将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型,根据当前时刻的车辆行驶环境数据,确定在下一时段内起始时刻的车辆行驶环境数据,起始时刻为当前时刻的下一时刻;根据起始时刻的车辆行驶环境数据,确定下一时刻的车辆行驶环境数据;根据下一时刻的车辆行驶环境数据,确定下下一时刻的车辆行驶环境数据;以此类推,直至确定下一时段的最后一个时刻的车辆行驶环境数据;其中,下一时段内任一时刻的车辆行驶环境数据均包括:在任一时刻,本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息。
一种可选地实施方式中,侧方车辆与本车的相对位置信息包括:侧方车辆与本车的横向距离和纵向距离。
一种可选地实施方式中,切入预判模块还用于:
根据在下一时段内侧方车辆与本车的横向距离,确定在下一时段内的每一时刻侧方车辆是否切入了本车前方;若在下一时段内的至少一个时刻侧方车辆切入了本车前方,则确定侧方车辆将在下一时段内切入本车前方;将在至少一个时刻中的第一个时刻时侧方车辆与本车的相对位置信息,作为侧方车辆在切入时与本车的相对位置信息。
一种可选地实施方式中,切入预判模块还用于:
根据在下一时段内侧方车辆与本车的横向距离,确定在下一时段内的每一时刻侧方车辆是否切入了本车前方之后,若在下一时段内每一时刻侧方车辆均未切入本车前方,则确定侧方车辆将在下一时段内未切入本车前方。
一种可选地实施方式中,切入预判模块还用于:
根据在下一时段内侧方车辆与本车的横向距离,本车的位置,以及本车所在车道的位置,确定在下一时段内的每一时刻侧方车辆是否进入本车所在车道;若确定在下一时段内的任一时刻侧方车辆进入本车所在车道,则确定在任一时刻侧方车辆切入了本车前方。
一种可选地实施方式中,切入预判模块还用于:
根据在下一时段内侧方车辆与本车的横向距离,本车的位置,以及本车所在车道的位置,确定在下一时段内的每一时刻侧方车辆是否进入本车所在车道之后,若确定在下一时段内的任一时刻侧方车辆未进入本车所在车道,则确定在任一时刻侧方车辆未切入本车前方。
一种可选地实施方式中,车辆控制模块还用于:
根据侧方车辆在切入时与本车的纵向距离和本车当前时刻的速度,确定本车的期望加速度;根据期望加速度控制本车制动。
一种可选地实施方式中,车辆控制模块还用于:
根据侧方车辆在切入时与本车的纵向距离,确定侧方车辆切入时本车的期望位置;根据期望位置和在当前时刻本车的速度,确定本车的期望加速度。
一种可选地实施方式中,神经网络模型为贝叶斯网络。
一种可选地实施方式中,如图5所示,该车辆控制的装置30还包括:模型训练模块305,用于:
获取训练数据;利用训练数据对神经网络模型进行训练。
本申请实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例,具体功能此处不再赘述。
本申请实施例通过获取当前时刻的车辆行驶环境数据,将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息,并根据下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息,能够预判侧方车是否会在下一个时段切入本车前方,预测侧方车辆切入时与本车的相对位置信息,并根据侧方车辆在切入时与本车的相对位置信息,控制本车制动从而使得本车提前减速,避免在侧方车辆的车身或部分车身已经切入本车前方时紧急制动,大大提高了车辆的舒适性和安全性。
实施例五
图6为本申请实施例五提供的车辆控制设备的结构示意图。如图6所示,该车辆控制设备60包括:处理器601,存储器602,以及存储在存储器602上并可在处理器601上运行的计算机程序。
其中,处理器601运行计算机程序时实现上述任一方法实施例提供的车辆控制的方法。
本申请实施例通过获取当前时刻的车辆行驶环境数据,将当前时刻的车辆行驶环境数据输入神经网络模型,通过神经网络模型确定下一时段内侧方车辆与本车的相对位置信息,并根据下一时段内侧方车辆与本车的相对位置信息,根据下一时段内侧方车辆与本车的相对位置信息,若确定侧方车辆将在下一时段内切入本车前方,则确定侧方车辆在切入时与本车的相对位置信息,能够预判侧方车是否会在下一个时段切入本车前方,预测侧方车辆切入时与本车的相对位置信息,并根据侧方车辆在切入时与本车的相对位置信息,控制本车制动从而使得本车提前减速,避免在侧方车辆的车身或部分车身已经切入本车前方时紧急制动,大大提高了车辆的舒适性和安全性。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,计算机程序被处理器执行时实现上述任一方法实施例提供的方法。
本申请实施例还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,车辆控制设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得车辆控制设备执行上述任一方法实施例提供的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能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功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种车辆控制的方法,其特征在于,包括:
根据某一时刻的车辆行驶环境数据中各项数据之间的相互影响关系,以及某一时刻的车辆行驶环境数据对下一时刻的车辆行驶环境数据的影响关系,构建贝叶斯网络;
获取训练数据,其中每条所述训练数据包括:某一时刻的车辆行驶环境数据和下一时刻的车辆行驶环境数据;
利用所述训练数据对所述贝叶斯网络进行训练,得到训练好的神经网络模型,训练好的神经网络模型用于根据某一时刻的本车的车辆行驶环境数据,预测下一时刻的车辆行驶环境数据;其中,所述车辆行驶环境数据包括:本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息;所述与本车的相对位置信息包括与本车的横向距离和纵向距离;
在车辆行驶过程中,获取当前时刻本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息;
将所述当前时刻本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息,输入所述神经网络模型,通过所述神经网络模型确定下一时段内的每一时刻所述侧方车辆与本车的相对位置信息;
根据所述下一时段内所述侧方车辆与本车的横向距离,若确定所述侧方车辆将在所述下一时段内切入本车前方,则确定所述侧方车辆在切入时与本车的纵向距离;
根据所述侧方车辆在切入时与本车的纵向距离,确定所述侧方车辆切入时本车的期望位置;
根据所述期望位置和在所述当前时刻本车的速度,确定本车的期望加速度;根据所述期望加速度,控制本车制动。
2.根据权利要求1所述的方法,其特征在于,所述将所述当前时刻的车辆行驶环境数据输入神经网络模型,通过所述神经网络模型确定下一时段内所述侧方车辆与本车的相对位置信息,包括:
所述下一时段包括多个时刻,将所述当前时刻的车辆行驶环境数据输入神经网络模型,通过所述神经网络模型,根据所述当前时刻的车辆行驶环境数据,确定在所述下一时段内起始时刻的车辆行驶环境数据,所述起始时刻为所述当前时刻的下一时刻;
根据所述起始时刻的车辆行驶环境数据,确定下一时刻的车辆行驶环境数据;
根据所述下一时刻的车辆行驶环境数据,确定下下一时刻的车辆行驶环境数据;
以此类推,直至确定所述下一时段的最后一个时刻的车辆行驶环境数据;
其中,所述下一时段内任一时刻的车辆行驶环境数据均包括:在所述任一时刻,所述本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息;其中,所述侧方车辆的加速度包括横向加速度和纵向加速度,所述侧方车辆的速度包括横向速度和纵向速度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述下一时段内所述侧方车辆与本车的横向距离,若确定所述侧方车辆将在所述下一时段内切入本车前方,则确定所述侧方车辆在切入时与本车的纵向距离,包括:
根据在所述下一时段内所述侧方车辆与本车的横向距离,确定在所述下一时段内的每一时刻所述侧方车辆是否切入了本车前方;
若在所述下一时段内的至少一个时刻所述侧方车辆切入了本车前方,则确定所述侧方车辆将在所述下一时段内切入本车前方;
将在所述至少一个时刻中的第一个时刻时所述侧方车辆与本车的纵向距离,作为所述侧方车辆在切入时与本车的纵向距离。
4.根据权利要求3所述的方法,其特征在于,所述根据在所述下一时段内所述侧方车辆与本车的横向距离,确定在所述下一时段内的每一时刻所述侧方车辆是否切入了本车前方之后,还包括:
若在所述下一时段内每一时刻所述侧方车辆均未切入本车前方,则确定所述侧方车辆将在所述下一时段内未切入本车前方。
5.根据权利要求3所述的方法,其特征在于,所述根据在所述下一时段内所述侧方车辆与本车的横向距离,确定在所述下一时段内的每一时刻所述侧方车辆是否切入了本车前方,包括:
根据在所述下一时段内所述侧方车辆与本车的横向距离,本车的位置,以及本车所在车道的位置,确定在所述下一时段内的每一时刻所述侧方车辆是否进入所述本车所在车道;
若确定在所述下一时段内的任一时刻所述侧方车辆进入所述本车所在车道,则确定在所述任一时刻所述侧方车辆切入了本车前方。
6.根据权利要求5所述的方法,其特征在于,所述根据在所述下一时段内所述侧方车辆与本车的横向距离,本车的位置,以及本车所在车道的位置,确定在所述下一时段内的每一时刻所述侧方车辆是否进入所述本车所在车道之后,还包括:
若确定在所述下一时段内的任一时刻所述侧方车辆未进入所述本车所在车道,则确定在所述任一时刻所述侧方车辆未切入本车前方。
7.一种车辆控制的装置,其特征在于,包括:
模型训练模块,用于根据某一时刻的车辆行驶环境数据中各项数据之间的相互影响关系,以及某一时刻的车辆行驶环境数据对下一时刻的车辆行驶环境数据的影响关系,构建贝叶斯网络;获取训练数据,其中每条所述训练数据包括:某一时刻的车辆行驶环境数据和下一时刻的车辆行驶环境数据;利用所述训练数据对所述贝叶斯网络进行训练,得到训练好的神经网络模型,训练好的神经网络模型用于根据某一时刻的本车的车辆行驶环境数据,预测下一时刻的车辆行驶环境数据;其中,所述车辆行驶环境数据包括:本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息;所述与本车的相对位置信息包括与本车的横向距离和纵向距离;
数据获取模块,用于在车辆行驶过程中,获取当前时刻本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息;
预测模块,用于将所述当前时刻本车的加速度、速度和位置,前方车辆的加速度、速度和与本车的相对位置信息,以及侧方车辆的加速度、速度和与本车的相对位置信息,输入神经网络模型,通过所述神经网络模型确定下一时段内所述侧方车辆与本车的相对位置信息;
切入预判模块,用于根据所述下一时段内所述侧方车辆与本车的横向距离,若确定所述侧方车辆将在所述下一时段内切入本车前方,则确定所述侧方车辆在切入时与本车的纵向距离;
车辆控制模块,用于:
根据所述侧方车辆在切入时与本车的纵向距离,确定所述侧方车辆切入时本车的期望位置;根据所述期望位置和在所述当前时刻本车的速度,确定本车的期望加速度;根据所述期望加速度,控制本车制动。
8.一种车辆控制设备,其特征在于,包括:
处理器,存储器,以及存储在所述存储器上并可在所述处理器上运行的计算机程序;
其中,所述处理器运行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110827806.8A CN113276850B (zh) | 2021-07-22 | 2021-07-22 | 车辆控制的方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110827806.8A CN113276850B (zh) | 2021-07-22 | 2021-07-22 | 车辆控制的方法、装置、设备、存储介质及程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113276850A CN113276850A (zh) | 2021-08-20 |
CN113276850B true CN113276850B (zh) | 2021-10-15 |
Family
ID=77286913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110827806.8A Active CN113276850B (zh) | 2021-07-22 | 2021-07-22 | 车辆控制的方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113276850B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101359336B1 (ko) * | 2012-11-23 | 2014-02-11 | 주식회사 만도 | 스마트 크루즈 제어 장치 및 그 제어 방법 |
CN109720345B (zh) * | 2018-12-29 | 2021-02-02 | 北京经纬恒润科技股份有限公司 | 一种切入车辆监测方法及系统 |
CN110097785B (zh) * | 2019-05-30 | 2022-06-07 | 长安大学 | 一种前车切入或紧急换道识别预警装置及预警方法 |
CN110293968B (zh) * | 2019-06-18 | 2021-09-28 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 |
CN112904852B (zh) * | 2021-01-18 | 2021-09-17 | 国汽智控(北京)科技有限公司 | 一种自动驾驶控制方法、装置及电子设备 |
-
2021
- 2021-07-22 CN CN202110827806.8A patent/CN113276850B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113276850A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109017786B (zh) | 车辆避障方法 | |
CN109466554B (zh) | 自适应巡航加塞预防控制方法、系统、装置和存储介质 | |
JP6822752B2 (ja) | アクティブ車両制御のための運転支援技術 | |
CN109017785B (zh) | 车辆换道行驶方法 | |
CN111994071B (zh) | 后向追尾主动避让方法、系统、存储介质 | |
CN107813825B (zh) | 自主脉冲和滑行系统 | |
EP4074565A1 (en) | Automated lane changing device and method for vehicle | |
JP2021026720A5 (zh) | ||
CN110890091A (zh) | 车辆语言处理 | |
CN113741440A (zh) | 一种切入车辆的危险目标识别方法、装置、介质及设备 | |
CN112230657B (zh) | 面向智能车辆的区域协同驾驶意图调度方法、系统和介质 | |
US10589741B2 (en) | Enhanced collision avoidance | |
CN110745119B (zh) | 一种防碰撞方法及装置 | |
CN114932901A (zh) | 一种自适应速度规划方法、装置和域控制器 | |
CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
CN117416375A (zh) | 车辆避让方法、装置、设备及存储介质 | |
CN113276850B (zh) | 车辆控制的方法、装置、设备、存储介质及程序产品 | |
CN114360289A (zh) | 用于车辆的辅助系统、相应的方法、车辆和存储介质 | |
KR20160071164A (ko) | 끼어들기를 고려한 차량 주행제어 장치 및 방법 | |
CN109927718B (zh) | 一种车辆协同控制方法、装置及设备 | |
Khan | Cognitive connected vehicle information system design requirement for safety: role of Bayesian artificial intelligence | |
CN116331207A (zh) | 自动驾驶场景的智能变道方法及相关装置和介质及程序 | |
CN114670829A (zh) | 车辆控制方法、装置、控制器、存储介质和程序产品 | |
CN114596727A (zh) | 用于车辆的辅助方法、系统、相应的车辆和存储介质 | |
CN113393687A (zh) | 驾驶辅助装置、驾驶辅助方法、车辆和介质 |
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 |