CN113548047A - 一种基于深度学习的个性化车道保持辅助方法及装置 - Google Patents

一种基于深度学习的个性化车道保持辅助方法及装置 Download PDF

Info

Publication number
CN113548047A
CN113548047A CN202110638942.2A CN202110638942A CN113548047A CN 113548047 A CN113548047 A CN 113548047A CN 202110638942 A CN202110638942 A CN 202110638942A CN 113548047 A CN113548047 A CN 113548047A
Authority
CN
China
Prior art keywords
track model
driver
input
parameters
fuzzy system
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
CN202110638942.2A
Other languages
English (en)
Other versions
CN113548047B (zh
Inventor
孙棣华
赵敏
袁尔会
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202110638942.2A priority Critical patent/CN113548047B/zh
Publication of CN113548047A publication Critical patent/CN113548047A/zh
Application granted granted Critical
Publication of CN113548047B publication Critical patent/CN113548047B/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
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/08—Learning methods
    • 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
    • B60W2520/12—Lateral 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
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/14—Yaw
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/30—Road curve radius
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于深度学习的个性化车道保持辅助方法，包括：获取驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征；基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型；对所述轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；获取时实车辆运动状态信息和实时道路环境信息，并基于轨迹模型输出驾驶员的横向位置信息，控制车辆对横向位置进行跟踪。本发明利用深度学习这种端到端的方法，学习驾驶人在轨迹上的驾驶习性，实现个性化的车道保持驾驶辅助，能够提高驾驶人对车道保持系统的接受度，降低人机冲突，改善驾驶人的舒适性，也有利于减轻辅助系统规划层的负荷，保证驾驶安全，进一步提高行驶效率。

Description

一种基于深度学习的个性化车道保持辅助方法及装置
技术领域
本发明属于驾驶辅助技术领域，具体涉及一种基于深度学习的个性化车道保持辅助方法及装置。
背景技术
研究表明，大部分交通事故都是由车辆横向运动导致的，欧洲地区对交通事故的引发情况进行了研究，指出倘若所有的车辆都安装车道保持辅助系统，大概会减少12％的交通事故。因此，对车辆的车道保持辅助系统进行研究，有助于减少交通事故的发生，同时，也能推动汽车智能化的发展进程。
现有的关于车道保持辅助系统的研究中，主要控制车辆行驶在车道中心线上。然而，人类驾驶人在实际驾驶过程中，其轨迹并非始终保持在车道中心线上，不同人会存在向左或向右的偏好。如果智能汽车总是采用沿着车道中心线行驶这种均一化的设计方式，一方面，这样的驾驶行为与人类驾驶人的预期有很大的不同，不可避免地会让人类驾驶人感到不舒服。另一方面，交通中还有其他人类驾驶的车辆和行人，如果智能汽车的行为与其他人类驾驶人的行为太过不同，也可能会引起其他车辆驾驶人的不适和误判，从而导致危险情况的发生。因此，在探究车道保持辅助方法的过程中，针对每个驾驶人设计出个性化的车道保持驾驶辅助方法，有利于提高用户的体验感、接受度和满意度。
发明内容
有鉴于此，本发明提出一种基于深度学习的个性化车道保持辅助方法及装置，用于解决现有技术中的至少一个缺陷。
本发明的目的是通过以下技术方案来实现的：一种基于深度学习的个性化车道保持辅助方法，该方法包括：
获取驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征；
基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型；
对所述轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；
获取时实车辆运动状态信息和实时道路环境信息，并基于轨迹模型输出驾驶员的横向位置信息，控制车辆对横向位置进行跟踪。
可选的，所述车辆运动状态信息包括：横向加速度ay、横向速度vy、偏航率yawrate和横向位置lateral(t-1)，所述道路环境信息包括：道路曲率curvature。
可选的，所述基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型，包括：
确定建立轨迹模型的输入输出参数；
基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型；
将驾驶人驾驶过程中进行在线学习，对初始轨迹模型进行更新，得到轨迹模型。
可选的，所述基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型，包括：
(1)设置算法的窗口大小为m，步长为s，共l层模糊系统，模糊集个数为q；
(2)对l层中的每一个模糊系统
Figure RE-GDA0003264902090000021
都执行以下步骤：
在下面的式子中，Cell表示一个单元，即一个模糊系统，如Cell(0)表示第1个模糊系统单元，Cell(1)表示第2个模糊系统单元。ji,j2,L,jm＝1,2,L,q指模糊集个数，
Figure RE-GDA0003264902090000022
指一个模糊系统的输入权重参数，
Figure RE-GDA0003264902090000023
指模糊系统的输出权重参数，
Figure RE-GDA0003264902090000024
表示模糊系统根据输入输出进行快速训练的参数，
Figure RE-GDA0003264902090000025
表示第t层的第i个输出，即
Figure RE-GDA0003264902090000026
表示第0层的输出，即第 1层的输入：
①初始化Cell(x(1),x(2),L,x(m))的参数
Figure RE-GDA0003264902090000027
②确定每个输入的端点；
Figure RE-GDA0003264902090000028
Figure RE-GDA0003264902090000029
Figure RE-GDA00032649020900000210
Figure RE-GDA00032649020900000211
Figure RE-GDA00032649020900000212
③确定每个输入-输出数据对模糊集的最大隶属度值；
④更新参数
Figure RE-GDA00032649020900000213
⑤确定
Figure RE-GDA00032649020900000214
的值；
⑥确定Cell(0)的邻域，得到Cell(1)；
⑦逐轮得到Cell(2)，···，Cell(i)，直到生成完整的模糊规则库；
更新i→i+1；
更新l→l+1；
(3)完成快速训练，建立初始轨迹模型。
可选的，所述横向位置的约束条件为：
Figure RE-GDA0003264902090000031
其中，lateral(t)表示t时刻的横向位置，lateral(t-1)为t-1时刻的横向位置，μ和σ2数据集的分别为期望和方差。
本发明的目的是通过以下技术方案来实现的：一种基于深度学习的个性化车道保持辅助装置，该装置包括：
信息获取模块，用于获取驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征；
模型建立模块，用于基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型；
优化模块，用于对所述轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；
跟踪模块，用于获取时实车辆运动状态信息和实时道路环境信息，并基于轨迹模型输出驾驶员的横向位置信息，控制车辆对横向位置进行跟踪。
可选的，所述车辆运动状态信息包括：横向加速度ay、横向速度vy、偏航率yawrate和横向位置lateral(t-1)，所述道路环境信息包括：道路曲率curvature。
可选的，所述基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型，包括：
确定建立轨迹模型的输入输出参数；
基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型；
将驾驶人驾驶过程中进行在线学习，对初始轨迹模型进行更新，得到轨迹模型。
可选的，所述基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型，包括：
(1)设置算法的窗口大小为m，步长为s，共l层模糊系统，模糊集个数为q；
(2)对l层中的每一个模糊系统
Figure RE-GDA0003264902090000032
都执行以下步骤：
在下面的式子中，Cell表示一个单元，即一个模糊系统，如Cell(0)表示第1个模糊系统单元，Cell(1)表示第2个模糊系统单元。ji,j2,L,jm＝1,2,L,q指模糊集个数，
Figure RE-GDA0003264902090000033
指一个模糊系统的输入权重参数，
Figure RE-GDA0003264902090000034
指模糊系统的输出权重参数，
Figure RE-GDA0003264902090000035
表示模糊系统根据输入输出进行快速训练的参数，
Figure RE-GDA0003264902090000036
表示第t层的第i个输出，即
Figure RE-GDA0003264902090000037
表示第0层的输出，即第1层的输入：
①初始化Cell(x(1),x(2),L,x(m))的参数
Figure RE-GDA0003264902090000041
②确定每个输入的端点；
Figure RE-GDA0003264902090000042
Figure RE-GDA0003264902090000043
Figure RE-GDA0003264902090000044
Figure RE-GDA0003264902090000045
Figure RE-GDA0003264902090000046
③确定每个输入-输出数据对模糊集的最大隶属度值；
④更新参数
Figure RE-GDA0003264902090000047
⑤确定
Figure RE-GDA0003264902090000048
的值；
⑥确定Cell(0)的邻域，得到Cell(1)；
⑦逐轮得到Cell(2)，···，Cell(i)，直到生成完整的模糊规则库；
更新i→i+1；
更新l→l+1；
(3)完成快速训练，建立初始轨迹模型。
可选的，所述横向位置的约束条件为：
Figure RE-GDA0003264902090000049
其中，lateral(t)表示t时刻的横向位置，lateral(t-1)为t-1时刻的横向位置，μ和σ2数据集的分别为期望和方差。
由于采用了上述技术方案，本发明具有如下的优点：
本发明针对实际驾驶过程中，驾驶人在道路上的行驶轨迹并不遵循车道中心线行驶，但是现有的车道保持驾驶辅助系统将车道中心线作为目标轨迹，导致驾驶人感到不舒适，对辅助系统产生不信任感的问题，基于深度学习设计了个性化车道保持辅助策略。方法首先确定了将道路曲率、车辆横向加速度、车辆横向速度、偏航率、历史横向位置作为轨迹表征的参数；然后基于深度学习统研究仿人轨迹规划，设置模型训练的最优参数，建立驾驶人的离线轨迹模型，并对模型进行在线更新，提高场景适用性；最后对轨迹模型进行优化，在考虑安全性与个性化特征的前提下设定约束条件。这种利用深度学习这种端到端的方法，学习驾驶人在轨迹上的驾驶习性，实现个性化的车道保持驾驶辅助，能够提高驾驶人对车道保持系统的接受度，降低人机冲突，改善驾驶人的舒适性，也有利于减轻辅助系统规划层的负荷，保证驾驶安全，进一步提高行驶效率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明一实施例的一种基于深度学习的个性化车道保持辅助方法的流程图；
图2为本发明一实施例的剔除驾驶人横向位置异常值分布图；
图3为本发明一实施例的一种基于深度学习的个性化车道保持辅助装置的示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
本实施例提出了一种基于深度学习的个性化车道保持辅助方法，本发明将车道保持分解为轨迹规划和轨迹跟踪控制两个阶段，重要在轨迹规划阶段学习驾驶人决策特性，为实现个性化的车道保持驾驶辅助奠定基础。首先采集驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为参数表征；随后将驾驶人的经验和偏好纳入智能驾驶环境，基于深度学习算法建立轨迹模型，进行轨迹规划；然后对轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；最后采用控制算法，对轨迹实现准确地跟踪控制。其中，为了增强个性化车道保持辅助的泛化能力，适用于不同的工况中，在驾驶人驾驶过程中，将进行在线学习，对轨迹模型进行不断地在线更新。具体流程如图1所示。
S1：获取驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征。
在实际开车的过程中，驾驶人的驾驶行为受到道路环境和车辆目前行驶状态的影响，采集驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征，进行仿人轨迹规划；
具体为：在车道保持驾驶辅助过程中，车辆运动状态中主要针对横向运动参数进行设计，横向加速度ay、横向速度vy、偏航率yawrate、历史横向位置lateral(t-1)，道路环境信息主要考虑为道路曲率curvature。在轨迹规划时，根据以上车辆运动状态信息和道路环境信息生成车辆在车道上横向位置的轨迹曲线，可将轨迹表示为：
lateral(t)＝f(curvature(t),ay(t),vy(t),yawrate(t),lateral(t-1))
S2：基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型。
为了提高模型的泛化能力，适用于不同场景，需要在驾驶人驾驶过程中进行在线学习，对模型进行不断更新与改进；
由于深度卷积模糊系统具有快速训练的特点，优选实施例中的深度学习算法选择深度卷积模糊系统(Deep Convolutional Fuzzy Systems，DCFS)进行介绍。建立轨迹模型的步骤包括：
S21：确定建立轨迹模型的输入输出参数；
在S1中确定了道路曲率curvature、车辆横向加速度ay、车辆横向速度vy、道路偏航率 yawrate、车辆历史横向位置lateral(t-1)这5个参数进行轨迹学习，即轨迹模型包含5个输入， 1个输出，可表示为：
(x1,x2,x3,x4,x5；y)＝(curvature(t),ay(t),vy(t),yawrate(t),lateral(t-1)；lateral(t))
S22：基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型；
模型的训练过程主要包含初始化、模糊系统更新、每一层更新，由于算法只逐层自下而上进行训练，不进行反复迭代，因此训练速度特别快，可实现在线学习，提高泛化能力。具体包括以下步骤：
(1)改变模糊系统的滑动窗口和模糊集个数实现参数优化；
①设计滑动窗口
设置窗口大小为m，步长为s，共l层模糊系统，模糊集个数为q，其中，本实例根据具体情况选择m＝2，s＝1，l＝3，q＝5；
(2)对每一层l＝1,2,…,L都执行：
对l层中的每一个模糊系统
Figure RE-GDA0003264902090000061
都执行，在下面的式子中，Cell表示一个单元，即一个模糊系统，如Cell(0)表示第1个模糊系统单元，Cell(1)表示第2个模糊系统单元。 ji,j2,L,jm＝1,2,L,q指模糊集个数，
Figure RE-GDA0003264902090000062
指一个模糊系统的输入权重参数，
Figure RE-GDA0003264902090000063
指模糊系统的输出权重参数，
Figure RE-GDA0003264902090000064
表示模糊系统根据输入输出进行快速训练的参数，
Figure RE-GDA0003264902090000065
表示第 t层的第i个输出，即
Figure RE-GDA0003264902090000066
表示第0层的输出，即第1层的输入：
①初始化Cell(x(1),x(2),L,x(m))的参数
Figure RE-GDA0003264902090000071
②确定每个输入的端点；
Figure RE-GDA0003264902090000072
Figure RE-GDA0003264902090000073
Figure RE-GDA0003264902090000074
Figure RE-GDA0003264902090000075
Figure RE-GDA0003264902090000076
③确定每个输入-输出数据对模糊集的最大隶属度值；
④更新参数
Figure RE-GDA0003264902090000077
⑤确定
Figure RE-GDA0003264902090000078
的值；
⑥确定Cell(0)的邻域，得到Cell(1)；
⑦逐轮得到Cell(2)，···，Cell(i)，直到生成完整的模糊规则库；
更新i→i+1；
更新l→l+1；
(3)完成快速训练，建立初始轨迹模型；
S23：在将驾驶人驾驶过程中进行在线学习，对初始轨迹模型进行更新，得到轨迹模型。
S3：对所述轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件，以保证安全性与驾驶人的个性化特征。具体可以包括以下步骤：
S31：统计驾驶人驾驶过程中横向位置信息，去除异常值，对异常轨迹点进行修正；
对于每个驾驶员而言，在驾驶过程中会根据自身的驾驶偏好调节行驶位置，并非始终以车道中心线为目标行驶轨迹，其横向位置在一定范围内驾驶人会认为是安全的。见图2，在统计学中，一组测定值中与平均值的偏差超过两倍标准差的测定值称为异常值。在服从高斯分布的异常值判定问题中，对给定的数据集x(1),x(2),…,x(m),即
Figure RE-GDA0003264902090000079
其中，μ和σ2的估计值表示为：
Figure RE-GDA00032649020900000710
Figure RE-GDA00032649020900000711
在给定一个新的样本后，根据p(x)判断新的样本属于这组数据的可能性，p(x)可以表示为：
Figure RE-GDA0003264902090000081
其中，xj表示第j个样本，uj表示均值。
对于横向位置的异常值，其临界范围可以表示为(μ-2σ,μ+2σ)，其边界即为p(x)的值，当x的值在(μ-2σ,μ+2σ)内为正常值，否则为异常值。在这个范围内的样本数占总样本量的 95.4％，能够反映样本的整体情况。
S32：根据驾驶人的驾驶行为特征，对由横向位置表示的轨迹信息设定约束条件；
当t时刻轨迹规划器输出的横向位置的值不在(μ-2σ,μ+2σ)范围时，横向位置lateral的值为保持上一时刻的值，即轨迹的横向位置约束条件设定为：
Figure RE-GDA0003264902090000082
其中，lateral(t)表示t时刻的横向位置，lateral(t-1)为t-1时刻的横向位置。
S4：获取时实车辆运动状态信息和实时道路环境信息，并基于轨迹模型输出驾驶员的横向位置信息，控制车辆对横向位置进行跟踪。
根据车路模型，可由车辆运动轨迹的曲率得到方向盘转角，有车辆期望的方向盘转角为：
Figure RE-GDA0003264902090000083
其中，L为车辆的轴距，单位为m，vy为车辆速度，单位m/s，d为车辆当前位置到预瞄点的距离，T为在vy速度下行驶d距离所需的时间，el为车辆预瞄点的横向偏差。
再根据相关控制算法，如PID算法，实现对车辆的有效跟踪与控制。
如图3所示，本申请实例提供一种基于深度学习的个性化车道保持辅助装置，该装置包括：
信息获取模块，用于获取驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征；
模型建立模块，用于基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型；
优化模块，用于对所述轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；
跟踪模块，用于获取时实车辆运动状态信息和实时道路环境信息，并基于轨迹模型输出驾驶员的横向位置信息，控制车辆对横向位置进行跟踪。
在一实施例中，所述车辆运动状态信息包括：横向加速度ay、横向速度vy、偏航率yawrate 和横向位置lateral(t-1)，所述道路环境信息包括：道路曲率curvature。
在一实施例中，所述基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型，包括：
确定建立轨迹模型的输入输出参数；
基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型；
将驾驶人驾驶过程中进行在线学习，对初始轨迹模型进行更新，得到轨迹模型。
在一实施例中，所述基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型，包括：
(1)设置算法的窗口大小为m，步长为s，共l层模糊系统，模糊集个数为q；
(2)对l层中的每一个模糊系统
Figure RE-GDA0003264902090000091
都执行以下步骤：
在下面的式子中，Cell表示一个单元，即一个模糊系统，如Cell(0)表示第1个模糊系统单元，Cell(1)表示第2个模糊系统单元。ji,j2,L,jm＝1,2,L,q指模糊集个数，
Figure RE-GDA0003264902090000092
指一个模糊系统的输入权重参数，
Figure RE-GDA0003264902090000093
指模糊系统的输出权重参数，
Figure RE-GDA0003264902090000094
表示模糊系统根据输入输出进行快速训练的参数，
Figure RE-GDA0003264902090000095
表示第t层的第i个输出，即
Figure RE-GDA0003264902090000096
表示第0层的输出，即第 1层的输入：
①初始化Cell(x(1),x(2),L,x(m))的参数
Figure RE-GDA0003264902090000097
②确定每个输入的端点；
Figure RE-GDA0003264902090000098
Figure RE-GDA0003264902090000099
Figure RE-GDA00032649020900000910
Figure RE-GDA00032649020900000911
Figure RE-GDA00032649020900000912
③确定每个输入-输出数据对模糊集的最大隶属度值；
④更新参数
Figure RE-GDA00032649020900000913
⑤确定
Figure RE-GDA00032649020900000914
的值；
⑥确定Cell(0)的邻域，得到Cell(1)；
⑦逐轮得到Cell(2)，···，Cell(i)，直到生成完整的模糊规则库；
更新i→i+1；
更新l→l+1；
(3)完成快速训练，建立初始轨迹模型。
可选的，所述横向位置的约束条件为：
Figure RE-GDA0003264902090000101
其中，lateral(t)表示t时刻的横向位置，lateral(t-1)为t-1时刻的横向位置，μ和σ2数据集的分别为期望和方差。
需要说明的是，前述图1-2实施例中方法的实施例的解释说明也适用于该实施例提出的装置，其实现原理类似，此处不再赘述。
需要说明的是，在本申请的描述中，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。此外，在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于深度学习的个性化车道保持辅助方法，其特征在于，该方法包括：
获取驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征；
基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型；
对所述轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；
获取时实车辆运动状态信息和实时道路环境信息，并基于轨迹模型输出驾驶员的横向位置信息，控制车辆对横向位置进行跟踪。
2.根据权利要求1所述的基于深度学习的个性化车道保持辅助方法，其特征在于，所述车辆运动状态信息包括：横向加速度ay、横向速度vy、偏航率yawrate和横向位置lateral(t-1)，所述道路环境信息包括：道路曲率curvature。
3.根据权利要求2所述的基于深度学习的个性化车道保持辅助方法，其特征在于，所述基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型，包括：
确定建立轨迹模型的输入输出参数；
基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型；
将驾驶人驾驶过程中进行在线学习，对初始轨迹模型进行更新，得到轨迹模型。
4.根据权利要求3所述的基于深度学习的个性化车道保持辅助方法，其特征在于，所述基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型，包括：
(1)设置算法的窗口大小为m，步长为s，共l层模糊系统，模糊集个数为q；
(2)对l层中的每一个模糊系统
Figure FDA0003106923860000011
都执行以下步骤：
在下面的式子中，Cell表示一个单元，即一个模糊系统，如Cell(0)表示第1个模糊系统单元，Cell(1)表示第2个模糊系统单元。ji,j2,L,jm＝1,2,L,q指模糊集个数，
Figure FDA0003106923860000012
指一个模糊系统的输入权重参数，
Figure FDA0003106923860000013
指模糊系统的输出权重参数，
Figure FDA0003106923860000014
表示模糊系统根据输入输出进行快速训练的参数，
Figure FDA0003106923860000015
表示第t层的第i个输出，即
Figure FDA0003106923860000016
表示第0层的输出，即第1层的输入：
①初始化Cell(x(1),x(2),L,x(m))的参数
Figure FDA0003106923860000017
②确定每个输入的端点；
Figure FDA0003106923860000021
③确定每个输入-输出数据对模糊集的最大隶属度值；
④更新参数
Figure FDA0003106923860000022
⑤确定
Figure FDA0003106923860000023
的值；
⑥确定Cell(0)的邻域，得到Cell(1)；
⑦逐轮得到Cell(2)，···，Cell(i)，直到生成完整的模糊规则库；
更新i→i+1；
更新l→l+1；
(3)完成快速训练，建立初始轨迹模型。
5.根据权利要求4所述的基于深度学习的个性化车道保持辅助方法，其特征在于，所述横向位置的约束条件为：
Figure FDA0003106923860000024
其中，lateral(t)表示t时刻的横向位置，lateral(t-1)为t-1时刻的横向位置，μ和σ2数据集的分别为期望和方差。
6.一种基于深度学习的个性化车道保持辅助装置，其特征在于，该装置包括：
信息获取模块，用于获取驾驶人驾驶过程中的车辆运动状态信息、道路环境信息作为轨迹模型的参数表征；
模型建立模块，用于基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型；
优化模块，用于对所述轨迹模型进行优化，根据驾驶人的驾驶特性设定约束条件；
跟踪模块，用于获取时实车辆运动状态信息和实时道路环境信息，并基于轨迹模型输出驾驶员的横向位置信息，控制车辆对横向位置进行跟踪。
7.根据权利要求6所述的基于深度学习的个性化车道保持辅助装置，其特征在于，所述车辆运动状态信息包括：横向加速度ay、横向速度vy、偏航率yawrate和横向位置lateral(t-1)，所述道路环境信息包括：道路曲率curvature。
8.根据权利要求7所述的基于深度学习的个性化车道保持辅助装置，其特征在于，所述基于深度卷积模糊系统和轨迹模型的参数，建立轨迹模型，包括：
确定建立轨迹模型的输入输出参数；
基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型；
将驾驶人驾驶过程中进行在线学习，对初始轨迹模型进行更新，得到轨迹模型。
9.根据权利要求8所述的基于深度学习的个性化车道保持辅助装置，其特征在于，所述基于深度卷积模糊系统和输入输出参数进行快速训练，建立初始轨迹模型，包括：
(1)设置算法的窗口大小为m，步长为s，共l层模糊系统，模糊集个数为q；
(2)对l层中的每一个模糊系统
Figure FDA0003106923860000031
都执行以下步骤：
在下面的式子中，Cell表示一个单元，即一个模糊系统，如Cell(0)表示第1个模糊系统单元，Cell(1)表示第2个模糊系统单元。ji,j2,L,jm＝1,2,L,q指模糊集个数，
Figure FDA0003106923860000032
指一个模糊系统的输入权重参数，
Figure FDA0003106923860000033
指模糊系统的输出权重参数，
Figure FDA0003106923860000034
表示模糊系统根据输入输出进行快速训练的参数，
Figure FDA0003106923860000035
表示第t层的第i个输出，即
Figure FDA0003106923860000036
表示第0层的输出，即第1层的输入：
①初始化Cell(x(1),x(2),L,x(m))的参数
Figure FDA0003106923860000037
②确定每个输入的端点；
Figure FDA0003106923860000038
③确定每个输入-输出数据对模糊集的最大隶属度值；
④更新参数
Figure FDA0003106923860000039
⑤确定
Figure FDA00031069238600000310
的值；
⑥确定Cell(0)的邻域，得到Cell(1)；
⑦逐轮得到Cell(2)，···，Cell(i)，直到生成完整的模糊规则库；
更新i→i+1；
更新l→l+1；
(3)完成快速训练，建立初始轨迹模型。
10.根据权利要求9所述的基于深度学习的个性化车道保持辅助装置，其特征在于，所述横向位置的约束条件为：
Figure FDA0003106923860000041
其中，lateral(t)表示t时刻的横向位置，lateral(t-1)为t-1时刻的横向位置，μ和σ2数据集的分别为期望和方差。
CN202110638942.2A 2021-06-08 2021-06-08 一种基于深度学习的个性化车道保持辅助方法及装置 Active CN113548047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110638942.2A CN113548047B (zh) 2021-06-08 2021-06-08 一种基于深度学习的个性化车道保持辅助方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110638942.2A CN113548047B (zh) 2021-06-08 2021-06-08 一种基于深度学习的个性化车道保持辅助方法及装置

Publications (2)

Publication Number Publication Date
CN113548047A true CN113548047A (zh) 2021-10-26
CN113548047B CN113548047B (zh) 2022-11-11

Family

ID=78102071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110638942.2A Active CN113548047B (zh) 2021-06-08 2021-06-08 一种基于深度学习的个性化车道保持辅助方法及装置

Country Status (1)

Country Link
CN (1) CN113548047B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1726513A1 (en) * 2005-05-02 2006-11-29 Iveco S.p.A. Driving assistance system for lane keeping support, for lane change assistance, and for driver status monitoring for a vehicle
US20100191421A1 (en) * 2007-08-15 2010-07-29 Jonas Nilsson Operating method and system for supporting lane keeping of a vehicle
CN102189992A (zh) * 2010-03-17 2011-09-21 株式会社万都 基准随动位置设定方法和车道保持控制系统
US20120303258A1 (en) * 2009-10-02 2012-11-29 Christian Pampus Method for mapping the surroundings of a vehicle
JP2014151758A (ja) * 2013-02-07 2014-08-25 Toyota Motor Corp 目標走行軌跡生成装置
CN104809877A (zh) * 2015-05-14 2015-07-29 重庆大学 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法
US20160200317A1 (en) * 2013-08-20 2016-07-14 Audi Ag Device and method for controlling a motor vehicle
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
CN108819951A (zh) * 2018-07-27 2018-11-16 重庆大学 一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法
CN108829110A (zh) * 2018-08-06 2018-11-16 吉林大学 一种横/纵向运动统一框架的驾驶员模型建模方法
WO2019104054A1 (en) * 2017-11-22 2019-05-31 Waymo Llc Using discomfort for speed planning for autonomous vehicles
CN110398969A (zh) * 2019-08-01 2019-11-01 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置
US20190369616A1 (en) * 2018-05-31 2019-12-05 Nissan North America, Inc. Trajectory Planning
CN110568760A (zh) * 2019-10-08 2019-12-13 吉林大学 适用于换道及车道保持的参数化学习决策控制系统及方法
US20200117916A1 (en) * 2018-10-11 2020-04-16 Baidu Usa Llc Deep learning continuous lane lines detection system for autonomous vehicles
EP3690769A1 (en) * 2019-01-31 2020-08-05 StradVision, Inc. Learning method and learning device for supporting reinforcement learning by using human driving data as training data to thereby perform personalized path planning
CN111694287A (zh) * 2020-05-14 2020-09-22 北京百度网讯科技有限公司 无人驾驶仿真场景中的障碍物模拟方法和装置
CN111923905A (zh) * 2019-04-24 2020-11-13 Aptiv技术有限公司 对轨迹进行估计的系统和方法
CN112051855A (zh) * 2016-01-05 2020-12-08 御眼视觉技术有限公司 用于主车辆的导航系统、自主车辆及导航自主车辆的方法
US20210146964A1 (en) * 2019-11-15 2021-05-20 Massachusetts Institute Of Technology Social behavior for autonomous vehicles

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1726513A1 (en) * 2005-05-02 2006-11-29 Iveco S.p.A. Driving assistance system for lane keeping support, for lane change assistance, and for driver status monitoring for a vehicle
US20100191421A1 (en) * 2007-08-15 2010-07-29 Jonas Nilsson Operating method and system for supporting lane keeping of a vehicle
US20120303258A1 (en) * 2009-10-02 2012-11-29 Christian Pampus Method for mapping the surroundings of a vehicle
CN102189992A (zh) * 2010-03-17 2011-09-21 株式会社万都 基准随动位置设定方法和车道保持控制系统
US20110231063A1 (en) * 2010-03-17 2011-09-22 Mando Corporation Method for setting basis following position and system for lane-keeping control
JP2014151758A (ja) * 2013-02-07 2014-08-25 Toyota Motor Corp 目標走行軌跡生成装置
US20160200317A1 (en) * 2013-08-20 2016-07-14 Audi Ag Device and method for controlling a motor vehicle
CN104809877A (zh) * 2015-05-14 2015-07-29 重庆大学 基于特征参数加权gefcm算法的高速公路地点交通状态估计方法
CN112051855A (zh) * 2016-01-05 2020-12-08 御眼视觉技术有限公司 用于主车辆的导航系统、自主车辆及导航自主车辆的方法
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
WO2019104054A1 (en) * 2017-11-22 2019-05-31 Waymo Llc Using discomfort for speed planning for autonomous vehicles
US20190369616A1 (en) * 2018-05-31 2019-12-05 Nissan North America, Inc. Trajectory Planning
CN108819951A (zh) * 2018-07-27 2018-11-16 重庆大学 一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法
CN108829110A (zh) * 2018-08-06 2018-11-16 吉林大学 一种横/纵向运动统一框架的驾驶员模型建模方法
US20200117916A1 (en) * 2018-10-11 2020-04-16 Baidu Usa Llc Deep learning continuous lane lines detection system for autonomous vehicles
EP3690769A1 (en) * 2019-01-31 2020-08-05 StradVision, Inc. Learning method and learning device for supporting reinforcement learning by using human driving data as training data to thereby perform personalized path planning
CN111923905A (zh) * 2019-04-24 2020-11-13 Aptiv技术有限公司 对轨迹进行估计的系统和方法
CN110398969A (zh) * 2019-08-01 2019-11-01 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置
CN110568760A (zh) * 2019-10-08 2019-12-13 吉林大学 适用于换道及车道保持的参数化学习决策控制系统及方法
US20210146964A1 (en) * 2019-11-15 2021-05-20 Massachusetts Institute Of Technology Social behavior for autonomous vehicles
CN111694287A (zh) * 2020-05-14 2020-09-22 北京百度网讯科技有限公司 无人驾驶仿真场景中的障碍物模拟方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIN CHEN ET AL: "DCFS-based deep learning supervisory control for modeling", 《ELSEVIER》 *
XIAO LIU ET AL: "A Deep Learning Method for Lane Changing Situation Assessment and Decision Making", 《IEEE ACCESS》 *
王博洋等: "基于双层驾驶员模型的履带车辆纵向与横向协同跟踪控制方法", 《兵工学报》 *
邱桐柱: "基于学习的智能车车道保持与换道行为研究", 《工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN113548047B (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN113291308B (zh) 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法
CN103204162B (zh) 具有有效后转向的车道跟踪系统
CN110969848A (zh) 一种对向双车道下基于强化学习的自动驾驶超车决策方法
CN114379583B (zh) 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法
CN111775949A (zh) 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法
CN108256233A (zh) 基于驾驶员风格的智能车轨迹规划及跟踪方法和系统
CN110304074A (zh) 一种基于分层状态机的混合式驾驶方法
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN108717268A (zh) 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法
CN113734280A (zh) 用于自动化车辆的人性化转向模型
CN112026773B (zh) 一种自动驾驶弯道行驶加速度规划方法
CN112965476A (zh) 一种基于多窗口抽样的高速无人车轨迹规划系统及方法
CN115257745A (zh) 一种基于规则融合强化学习的自动驾驶换道决策控制方法
CN114013443A (zh) 一种基于分层强化学习的自动驾驶车辆换道决策控制方法
CN114859905A (zh) 一种基于人工势场法和强化学习的局部路径规划方法
CN115303289A (zh) 一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备
CN110879595A (zh) 一种基于深度强化学习的无人矿卡循迹控制系统及方法
CN114475607B (zh) 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质
CN115214672A (zh) 一种考虑车间交互的自动驾驶类人决策、规划与控制方法
CN115257789A (zh) 城市低速环境下的营运车辆侧向防撞驾驶决策方法
CN116486356A (zh) 一种基于自适应学习技术的狭窄场景轨迹生成方法
CN113033902B (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN113548047B (zh) 一种基于深度学习的个性化车道保持辅助方法及装置
CN114906128A (zh) 一种基于mcts算法的自动泊车运动规划方法
CN111923916B (zh) 一种基于视觉感知行为和anfis的仿人转向建模方法及转向控制系统

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
GR01 Patent grant
GR01 Patent grant