CN113771884A - 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 - Google Patents
基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 Download PDFInfo
- Publication number
- CN113771884A CN113771884A CN202111329587.7A CN202111329587A CN113771884A CN 113771884 A CN113771884 A CN 113771884A CN 202111329587 A CN202111329587 A CN 202111329587A CN 113771884 A CN113771884 A CN 113771884A
- Authority
- CN
- China
- Prior art keywords
- track
- lateral
- lane change
- maximum
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 125
- 230000008859 change Effects 0.000 claims abstract description 276
- 238000004364 calculation method Methods 0.000 claims abstract description 81
- 238000006073 displacement reaction Methods 0.000 claims abstract description 65
- 230000008569 process Effects 0.000 claims abstract description 61
- 230000001133 acceleration Effects 0.000 claims abstract description 56
- 238000013139 quantization Methods 0.000 claims description 69
- 230000006870 function Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000001131 transforming effect Effects 0.000 claims description 5
- 241000254158 Lampyridae Species 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000007620 mathematical function Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 description 12
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011158 quantitative evaluation Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007306 turnover 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能汽车应用技术领域，特别涉及一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，包括：建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系；基于第一线性关系和第二线性关系，得到侧向量化平衡指标的计算模型；在智能汽车应用侧向量化平衡指标时，基于侧向量化平衡指标的计算模型，得到换道轨迹簇中每一换道轨迹的侧向量化平衡指标，进而选择出最优换道轨迹并实现拟人化的换道轨迹规划。由此，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
Description
技术领域
本申请涉及智能汽车应用技术领域，特别涉及一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法。
背景技术
在人工驾驶和自动驾驶混行的混合交通环境下，自动驾驶汽车的换道行为受到周围交通车的影响，特别是人工驾驶车辆的不确定性影响，导致自动驾驶时的换道行为十分复杂。
相关技术中，通常对换道过程中的横向运动和纵向运动进行解耦控制，分别对换道的纵向驾驶和侧向驾驶行为进行规划和控制。换道过程的侧向运动特性与换道过程的整车安全性、舒适性和效率等性能密切相关，现有智能汽车换道轨迹规划方案中，对安全、效率和舒适性等的考虑通常采用加权评价方法，然而，这种方式对于轨迹拟人化性能的表征能力不强，并且权重标定困难以及存在评价指标可解释性差等问题。
发明内容
本申请提供一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，以解决相关智能汽车技术中智能汽车换道轨迹规划方案中，对安全、效率和舒适性等的考虑所通常采用的加权评价方法对于轨迹拟人化性能的表征能力不强，并且权重标定困难以及存在评价指标可解释性差等问题，提出侧向量化平衡指标（Lateral quantification balanceindex，LQB index）作为智能汽车换道轨迹拟人化程度的客观量化评价度量，将安全、效率和舒适性等多目标性能统筹至一个无量纲的指标内，并在侧向量化平衡指标的基础上，对智能汽车换道轨迹模型的拟人化程度进行评价，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
本申请第一方面实施例中提供一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，包括以下步骤：
基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系；
基于所述第一线性关系和所述第二线性关系，得到侧向量化平衡指标的计算模型，其中，所述侧向量化平衡指标的计算模型包括侧向量化平衡指标与所述侧向加速度最大值、所述侧向速度最大值和所述换道最大侧向位移之间的对应关系；
在网联多车环境下的智能汽车应用所述侧向量化平衡指标进行换道轨迹决策的情况下，当存在换道需求时，根据周围交通状况，获得满足安全性要求的换道轨迹簇，并基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，以及根据每一个换道轨迹的侧向量化平衡指标从所述换道轨迹簇选择出最优换道轨迹，并在所述最优换道轨迹对应的侧向量化平衡指标满足要求时，基于所述最优换道轨迹实现拟人化的换道轨迹规划。
在一些示例中，基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系，包括：
基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，获得与所述换道最大侧向位移和换道时长相关联的侧向加速度最大值的第一经验计算公式以及侧向速度最大值的第二经验计算公式；
基于所述第一经验计算公式建立所述第一线性关系，并基于所述第二经验计算公式建立所述第二线性关系。
在一些示例中，所述第一经验计算公式为：
所述第二经验计算公式为：
其中，所述
为所述侧向加速度最大值，
侧向速度最大值，所述d为所述换道最大侧向位移，所述
为换道时长，所述
和所述
为常数，所述
和所述
可根据最小二乘法、遗传算法、粒子群算法、蚁群算法或萤火虫算法优化获得。
在一些示例中，所述侧向量化平衡指标的计算模型为：
或者，是为对所述LQB进行指数、对数、双曲正切、三角函数、双曲正切函数、多项式函数或者归一化函数变换后得到的计算模型，
其中，所述LQB为所述侧向量化平衡指标，其中，所述LQB越小，换道过程的综合性能越好。
在一些示例中，所述在网联多车环境下的智能汽车应用所述侧向量化平衡指标进行换道轨迹决策的情况下，当存在换道需求时，根据周围交通状况，获得满足安全性要求的换道轨迹簇，并基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，以及根据每一个换道轨迹的侧向量化平衡指标从所述换道轨迹簇选择出最优换道轨迹，并在所述最优换道轨迹对应的侧向量化平衡指标满足要求时，基于所述最优换道轨迹实现拟人化的换道轨迹规划，包括：
当存在换道需求时，根据周围交通状况，利用数学函数法、机器学习方法、深度学习方法或者栅格法获得满足安全性要求的换道轨迹簇；
基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，并选择最小的侧向量化平衡指标对应的所述换道轨迹簇中的换道轨迹作为所述最优换道轨迹；
判断所述最优换道轨迹对应的侧向量化平衡指标是否在优秀驾驶员的换道轨迹对应的侧向量化平衡指标的范围内；
如果是，则根据所述最优换道轨迹实现拟人化的换道轨迹规划。
本申请第二方面实施例提供一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置，包括：
线性关系建立模块，用于基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系；
侧向量化平衡指标确定模块，用于基于所述第一线性关系和所述第二线性关系，得到侧向量化平衡指标的计算模型，其中，所述侧向量化平衡指标的计算模型包括侧向量化平衡指标与所述侧向加速度最大值、所述侧向速度最大值和所述换道最大侧向位移之间的对应关系；
换道轨迹规划模块，用于在网联多车环境下的智能汽车应用所述侧向量化平衡指标进行换道轨迹决策的情况下，当存在换道需求时，根据周围交通状况，获得满足安全性要求的换道轨迹簇，并基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，以及根据每一个换道轨迹的侧向量化平衡指标从所述换道轨迹簇选择出最优换道轨迹，并在所述最优换道轨迹对应的侧向量化平衡指标满足要求时，基于所述最优换道轨迹实现拟人化的换道轨迹规划。
在一些示例中，所述线性关系建立模块，具体用于：
基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，获得与所述换道最大侧向位移和换道时长相关联的侧向加速度最大值的第一经验计算公式以及侧向速度最大值的第二经验计算公式；
基于所述第一经验计算公式建立所述第一线性关系，并基于所述第二经验计算公式建立所述第二线性关系。
在一些示例中，所述侧向量化平衡指标的计算模型为：
或者，是为对所述LQB进行指数、对数、双曲正切、三角函数、双曲正切函数、多项式函数或者归一化函数变换后得到的计算模型，
其中，所述LQB为所述侧向量化平衡指标，其中，所述LQB越小，换道过程的综合性能越好。
本申请第三方面实施例提供一种智能汽车换道轨迹决策设备，包括：换道意图识别模块和换道轨迹规划模块，其中，上述第一方面实施例所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法服务于所述换道意图识别模块和换道轨迹规划模块。
本申请第四方面实施例提供一种换道轨迹跟踪模块，其上存储有计算机程序，该程序被处理器执行，以用于实现上述第一方面实施例所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法。
本发明的实施例，可以从大量的驾驶员的自然驾驶数据中提取出优秀驾驶员的换道轨迹，并基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的线性关系，然后根据上述的两个线性关系，得到侧向量化平衡指标的计算模型，最后，当该计算模型应用到网联多车环境下的智能汽车上之后，当换道时，首先根据周围交通状况，获得满足安全性要求的换道轨迹簇，并根据该计算模型分别得到换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，最终，可以根据每一个换道轨迹的侧向量化平衡指标选择出最优换道轨迹，以便根据最优换道轨迹实现拟人化的换道轨迹规划，进而，实现智能汽车换道意图的准确实施。由此，解决了相关智能汽车技术中智能汽车换道轨迹规划方案中，对安全、效率和舒适性等的考虑所通常采用的加权评价方法对于轨迹拟人化性能的表征能力不强，并且权重标定困难以及存在评价指标可解释性差等问题，本发明的实施例，提出侧向量化平衡指标作为智能汽车换道轨迹拟人化程度的客观量化评价度量，将安全、效率和舒适性等多目标性能统筹至一个无量纲的指标内，并在侧向量化平衡指标的基础上，对智能汽车换道轨迹模型的拟人化程度进行评价，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法的流程图；
图2为根据本申请一个实施例的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法的示意图；
图3为根据本申请一个实施例的由HighD数据集提取获得的完整换道轨迹特征参数的实测值和由本发明拟合获得的数据的对比图；
图4为根据本申请另一个实施例的由HighD数据集提取获得的完整换道轨迹特征参数的实测值和由本发明拟合获得的数据的对比图；
图5为根据本申请另一个实施例的计算获得的HighD换道轨迹的侧向量化平衡指标LQB的实测值及其分布情况示意图；
图6为根据本申请实施例的基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置的结构框图。
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，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法。
为了提升智能汽车换道轨迹规划的合理性，基于“学习人、模拟人、超越人和服务人”的拟人化决策理念，本发明的实施例，依托大量实测的驾驶员的自然驾驶数据，从中挖掘出优秀驾驶员的操纵规律，并提炼出客观的评价指标即侧向量化平衡指标，从多性能平衡的角度出发对换道轨迹进行评价，以优化智能汽车的换道行为，从而增加智能汽车的拟人化程度和智能化程度，将安全、效率和舒适性等多目标性能统筹至一个无量纲的指标内，并在侧向量化平衡指标的基础上，对智能汽车换道轨迹模型的拟人化程度进行评价，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。因此，可以有效地提升智能汽车的驾乘体验和人员的可接受度。
具体而言，图1为本申请实施例中提供的一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法的流程示意图。
如图1所示，该基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法包括以下步骤：
在步骤S101中，基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系。
其中，优秀驾驶员的换道轨迹可以是从大量的实测的驾驶员的自然驾驶数据中提取得到的。
在本发明的一个实施例中，第一线性关系和第二线性关系的建立过程如下：
基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，获得与所述换道最大侧向位移和换道时长相关联的侧向加速度最大值的第一经验计算公式以及侧向速度最大值的第二经验计算公式；基于所述第一经验计算公式建立所述第一线性关系，并基于所述第二经验计算公式建立所述第二线性关系。其中，第一经验计算公式为：
第二经验计算公式为：
其中，
为侧向加速度最大值，
侧向速度最大值，d为换道最大侧向位移，
为换道时长，
和
为常数，
和
例如根据但不限于最小二乘法、遗传算法、粒子群算法、蚁群算法或萤火虫算法等优化获得。
如图2所示，该过程是换道轨迹特征提取，并根据提取的特征，可以建立出上述的线性关系。具体来说，自然驾驶数据中包含大量优秀驾驶员的换道轨迹，为了提升智能汽车换道轨迹规划结果的拟人性，在“学习人、模拟人、超越人和服务人”的拟人化决策理念下，本发明基于优秀驾驶员换道轨迹的数据挖掘，提出换道轨迹的拟人化量化评价指标，以指导智能汽车进行科学合理的换道轨迹规划。
可以通过但不限于路侧传感器、车载传感器或无人机等传感器设备获取道路上人类驾驶车辆的位置、速度和加速度等轨迹信息，通过预处理，剔除轨迹中的噪声，获得车辆完整的换道轨迹，即：优秀驾驶员的换道轨迹。基于优秀驾驶员的换道轨迹，可重点关注换道时的侧向运动学特性，从轨迹信息中提取获得完整换道过程中，侧向位移
、侧向速度
和侧向加速度
随换道时间的变化曲线。
在分析大量的优秀驾驶员的换道轨迹后，可知，换道过程侧向位移为
型曲线，侧向速度为单峰抛物线，侧向加速度为峰值-谷值双峰波浪线。为了便于进一步的侧向运动学特性研究，选取的换道特征为换道时长
、侧向位移最大值d、侧向速度最大值
和侧向加速度最大值
。
在提取的四个换道轨迹特征中，换道时的最大侧向位移
可视为常数，一般为当前车道中心线和目标车道中心线的距离，而
与驾驶员驾驶风格、换道时周车影响和车辆性能等因素密切相关，侧向速度最大值
和侧向加速度最大值
这两个参数在换道最大侧向位移d换道时长
给定的前提下，可通过经验公式推算获得。
本发明的实施例中，侧向加速度最大值
由式（1）的经验计算公式确定；侧向速度
由式（2）的经验计算公式确定。
通过式（1）建立起换道轨迹侧向加速度最大值
与
之间的线性关系即第一线性关系，通过式（2）建立侧向速度最大值
和
之间的线性关系即第二线性关系，然后，可以由现有的最小二乘法或遗传算法、粒子群算法、蚁群算法或萤火虫算法等智能优化方法获得式（1）和式（2）中的模型常数
和
，并进行拟合优度检验，以验证自然驾驶获得的换道轨迹是否符合所提出的经验公式表述的数学规律。在具体示例中，拟合优度检验方法为但不限于相关系数验证法、均方误差验证法和分散系数验证法等。
在步骤S102中，基于第一线性关系和第二线性关系，得到侧向量化平衡指标的计算模型，其中，侧向量化平衡指标的计算模型包括侧向量化平衡指标与所述侧向加速度最大值、侧向速度最大值和所述换道最大侧向位移之间的对应关系。
如图2所示，该步骤为换道轨迹拟人化评价的确定过程，具体来说，联立式（1）和式（2），消去换道时长
，可得到如下式（3）所示的恒等式。由式（3）可知，换道侧向最大位移d、侧向最大速度
和侧向最大加速度
之间隐藏着量化规律，通过式（3）的转换可得到三者之间的约束常数k。
其中，在式（3）中，侧向最大加速度
与换道过程中的舒适性和安全性密切相关，若侧向最大加速度
过大，由于人体对侧向加速度比较敏感，较大的侧向加速度将导致换道过程中的舒适性恶化。同时，过大的侧向加速度可能引起车辆的侧滑和侧倾，甚至诱发甩尾和侧翻等危险，从而直接影响整车的行驶安全。侧向速度最大值
与换道的效率密切相关，在换道最大侧向位移d给定的前提下，最大侧向速度越快，说明换道过程的效率越高。
因此，式（3）统筹了换道过程中舒适性、安全性和效率等多性能要求，基于以上需求，本发明的实施例中，提出了以下的式（4）所示的侧向量化平衡指标LQB，用于定量的描述换道过程中多性能的协同性。
由式（4）可知，在给定的换道侧向位移的前提下，侧向加速度最大值越小，侧向速度最大值越大，则侧向量化平衡系数LQB的数值越小，说明侧向量化平衡系数LQB的数值越小，换道过程的综合性能协调性越好，自然驾驶数据中人类优秀驾驶员换道的LQB指标可作为智能汽车换道轨迹规划的量化对标数值，用于优化智能汽车的换道轨迹。
需要说明的是，本发明的实施例中的侧向量化平衡指标LQB是个无量纲的指标，与传统多性能指标相比，采用本发明所提出的侧向量化平衡指标LQB，不需要通过归一化以消去量纲的影响，同时，也不需要通过人工标定各性能的权重，具有简洁明了，物理意义清晰，计算方便的优点。
在以上描述中，侧向量化平衡指标LQB，其平衡内涵可归纳为三点。具体如下：
（一）、该侧向量化平衡指标LQB揭示了换道轨迹侧向位移曲线、侧向速度曲线和侧向加速度曲线的几何平衡关系，可用于描述换道轨迹模型的拟合效果是否在几何曲线上同时满足这三个关键参数的建模精度需求。
（二）、该侧向量化平衡指标LQB阐明了换道轨迹运动学参数的性能平衡，是换道过程安全性、舒适性和效率等多性能之间平衡程度的度量。
（三）、该侧向量化平衡指标LQB捕捉到了换道过程驾驶员所做的功与动能之间的转换效率，对式（4）上下同时乘以整车半质量，可得到以下的式（5）所示的功能转换关系。
其中，
为换道过程中驾驶员在横向方向上所做的功，
为换道过程中的最大侧向动能，式（5）说明了侧向量化平衡系数LQB数值越小，换道过程中侧向力所做的功的动能转化效率就越高，摩擦、轮胎迟滞和风阻所造成的能量损耗越小，换道的能量利用率越高。
需要说明的是，上述示例中，侧向量化平衡指标的计算模型如式（4）所示，但是，在其他示例中，也可以为对LQB进行指数、对数、双曲正切、三角函数、双曲正切函数、多项式函数或者归一化函数变换后得到的计算模型。例如：
其中，
为针对侧向量化平衡指标LQB进行的指数、对数、双曲正切、三角函数、双曲正切函数、多项式函数和归一化函数变换，如以下各个形式的计算模型：
在步骤S103中，在网联多车环境下的智能汽车应用所述侧向量化平衡指标进行换道轨迹决策的情况下，当存在换道需求时，根据周围交通状况，获得满足安全性要求的换道轨迹簇，并基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，以及根据每一个换道轨迹的侧向量化平衡指标从所述换道轨迹簇选择出最优换道轨迹，并在所述最优换道轨迹对应的侧向量化平衡指标满足要求时，基于所述最优换道轨迹实现拟人化的换道轨迹规划。
具体来说，当存在换道需求时，根据周围交通状况，利用数学函数法、机器学习方法、深度学习方法或者栅格法获得满足安全性要求的换道轨迹簇；基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，并选择最小的侧向量化平衡指标对应的所述换道轨迹簇中的换道轨迹作为所述最优换道轨迹；判断所述最优换道轨迹对应的侧向量化平衡指标是否在优秀驾驶员的换道轨迹对应的侧向量化平衡指标的范围内；如果是，则根据所述最优换道轨迹实现拟人化的换道轨迹规划。
如图2所示，该过程可以视为智能汽车换道轨迹规划阶段。在所提出的侧向量化平衡指标LQB的基础上，对智能汽车的换道轨迹进行拟人化规划，首先通过统计学习方法获得当前智能汽车的可行换道轨迹簇，然后分别评估各轨迹的侧向量化平衡指标，选取侧向量化平衡指标最小的轨迹作为最优换道轨迹，并执行换道轨迹跟踪，保证智能汽车换道意图的准确实施。
在具体应用中，智能汽车拟人化的换道轨迹规划可细分为以下五步：
第一步，智能汽车换道必要性判别，智能汽车通过感知系统获得周车环境和交通信息，对换道的必要性和时机进行判断，主要考虑相邻车道是否可以满足更高的行驶效率，并提前预估车辆前方驾驶路径是否存在匝道汇入、匝道汇出或者故障车等工况需要进行变道，对变道安全性进行判断。
第二步，在第一步换道必要性判断的基础上，形成强制性换道或自由换道的意图，根据周围交通状况，形成满足安全性要求的换道轨迹簇。可行换道轨迹簇的生成方法可为但不限于传统数学函数法、机器学习方法、深度学习方法和栅格法等。
第三步，在第二步获得的可行轨迹簇的基础上，对轨迹簇中的各条轨迹的侧向量化平衡指标LQB进行计算。
第四步，对可行轨迹簇的拟人性进行评价，选取出侧向量化平衡指标最小的轨迹作为最优换道轨迹。判断换道轨迹的侧向量化平衡指标是否在自然驾驶数据集所提取的LQB指标的范围内，若是，则说明所规划的最优换道轨迹满足拟人化需求，进一步执行第五步的轨迹跟踪任务，否则，返回第一步，重新寻找合适的时机并规划获得符合拟人性需求的换道轨迹进行换道。
第五步，在上一步获得的最优换道轨迹的基础上，调用下层控制器控制汽车转向盘和加速踏板进行轨迹的实时准确跟踪，确保拟人化的最优换道轨迹的可靠实现，完成智能汽车的换道过程。
为使得本领域技术人员进一步了解本申请实施例的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，下面以自然驾驶数据集HighD为例说明本发明所提出的侧向量化平衡指标LQB在实际的智能汽车上的实际应用。
具体地，图3和图4所示分别是由自然驾驶数据集HighD提取获得的完整换道轨迹特征参数的实测值，以及由上述的式（1）和式（2）拟合获得的数据的对比图。由图3和图4的拟合效果可知，本发明的实施例，所提出的换道侧向加速度最大值和侧向速度最大值的经验计算公式，可以较好的描述换道过程中侧向加速度最大值
、侧向速度最大值
这两个运动学参数随换道最大侧向位移d和换道时长
的变化规律。
图5所示是根据式（5）计算获得的HighD换道轨迹的侧向量化平衡指标LQB的实测值及其分布情况。由图5可知，实测侧向量化平衡指标LQB大体呈现均值为1.1963，标准差为0.12865的正态分布。LQB数值体现了驾驶员在换道过程中对安全、效率和舒适性所做的平衡，大量驾驶员的平均值反映了人类驾驶员群体在换道行为中的群体表现，智能汽车换道过程按照“学习人、模拟人、超越人和服务人”的拟人化决策理念的指导，将通过换道轨迹的选优，实现复杂环境下换道决策的科学性和合理性。
本发明的实施例，可以从大量的驾驶员的自然驾驶数据中提取出优秀驾驶员的换道轨迹，并基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的线性关系，然后根据上述的两个线性关系，得到侧向量化平衡指标的计算模型，最后，当该计算模型应用到网联多车环境下的智能汽车上之后，当换道时，首先根据周围交通状况，获得满足安全性要求的换道轨迹簇，并根据该计算模型分别得到换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，最终，可以根据每一个换道轨迹的侧向量化平衡指标选择出最优换道轨迹，以便根据最优换道轨迹实现拟人化的换道轨迹规划，进而，实现智能汽车换道意图的准确实施。由此，解决了相关智能汽车技术中智能汽车换道轨迹规划方案中，对安全、效率和舒适性等的考虑所通常采用的加权评价方法对于轨迹拟人化性能的表征能力不强，并且权重标定困难以及存在评价指标可解释性差等问题，本发明的实施例，提出侧向量化平衡指标作为智能汽车换道轨迹拟人化程度的客观量化评价度量，将安全、效率和舒适性等多目标性能统筹至一个无量纲的指标内，并在侧向量化平衡指标的基础上，对智能汽车换道轨迹模型的拟人化程度进行评价，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
其次参照附图描述根据本申请实施例提出的基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置。
图6是本申请实施例的基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置的方框示意图。
如图6所示，该基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置10包括：线性关系建立模块100、侧向量化平衡指标确定模块200和换道轨迹规划模块300。其中：
线性关系建立模块100，用于基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系；
侧向量化平衡指标确定模块200，用于基于所述第一线性关系和所述第二线性关系，得到侧向量化平衡指标的计算模型，其中，所述侧向量化平衡指标的计算模型包括侧向量化平衡指标与所述侧向加速度最大值、所述侧向速度最大值和所述换道最大侧向位移之间的对应关系；
换道轨迹规划模块300，用于在网联多车环境下的智能汽车应用所述侧向量化平衡指标进行换道轨迹决策的情况下，当存在换道需求时，根据周围交通状况，获得满足安全性要求的换道轨迹簇，并基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，以及根据每一个换道轨迹的侧向量化平衡指标从所述换道轨迹簇选择出最优换道轨迹，并在所述最优换道轨迹对应的侧向量化平衡指标满足要求时，基于所述最优换道轨迹实现拟人化的换道轨迹规划。
在本发明的一个实施例中，所述线性关系建立模块100，具体用于：
基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，获得与所述换道最大侧向位移和换道时长相关联的侧向加速度最大值的第一经验计算公式以及侧向速度最大值的第二经验计算公式；
基于所述第一经验计算公式建立所述第一线性关系，并基于所述第二经验计算公式建立所述第二线性关系。
在本发明的一个实施例中，所述侧向量化平衡指标的计算模型为：
或者，是为对所述LQB进行指数、对数、双曲正切、三角函数、双曲正切函数、多项式函数或者归一化函数变换后得到的计算模型，
其中，所述LQB为所述侧向量化平衡指标，其中，所述LQB越小，换道过程的综合性能越好。
需要说明的是，前述对基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法实施例的解释说明也适用于该实施例的基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置，此处不再赘述。
根据本申请实施例提出的基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置，可以从大量的驾驶员的自然驾驶数据中提取出优秀驾驶员的换道轨迹，并基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的线性关系，然后根据上述的两个线性关系，得到侧向量化平衡指标的计算模型，最后，当该计算模型应用到网联多车环境下的智能汽车上之后，当换道时，首先根据周围交通状况，获得满足安全性要求的换道轨迹簇，并根据该计算模型分别得到换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，最终，可以根据每一个换道轨迹的侧向量化平衡指标选择出最优换道轨迹，以便根据最优换道轨迹实现拟人化的换道轨迹规划，进而，实现智能汽车换道意图的准确实施。由此，解决了相关智能汽车技术中智能汽车换道轨迹规划方案中，对安全、效率和舒适性等的考虑所通常采用的加权评价方法对于轨迹拟人化性能的表征能力不强，并且权重标定困难以及存在评价指标可解释性差等问题，本发明的实施例，提出侧向量化平衡指标作为智能汽车换道轨迹拟人化程度的客观量化评价度量，将安全、效率和舒适性等多目标性能统筹至一个无量纲的指标内，并在侧向量化平衡指标的基础上，对智能汽车换道轨迹模型的拟人化程度进行评价，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。
另外，本申请实施例提供一种智能汽车换道轨迹决策设备，包括：换道意图识别模块和换道轨迹规划模块，其中，如上述任意一个实施例所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法服务于所述换道意图识别模块和换道轨迹规划模块。
此外，本申请第四方面实施例提供一种换道轨迹跟踪模块，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现上述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法。
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必须针对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一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
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N个用于实现定制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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或N个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
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，N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。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。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)
1.一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，其特征在于，包括以下步骤：
基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系；
基于所述第一线性关系和所述第二线性关系，得到侧向量化平衡指标的计算模型，其中，所述侧向量化平衡指标的计算模型包括侧向量化平衡指标与所述侧向加速度最大值、所述侧向速度最大值和所述换道最大侧向位移之间的对应关系；
在网联多车环境下的智能汽车应用所述侧向量化平衡指标进行换道轨迹决策的情况下，当存在换道需求时，根据周围交通状况，获得满足安全性要求的换道轨迹簇，并基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，以及根据每一个换道轨迹的侧向量化平衡指标从所述换道轨迹簇选择出最优换道轨迹，并在所述最优换道轨迹对应的侧向量化平衡指标满足要求时，基于所述最优换道轨迹实现拟人化的换道轨迹规划。
2.根据权利要求1所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，其特征在于，基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系，包括：
基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，获得与所述换道最大侧向位移和换道时长相关联的侧向加速度最大值的第一经验计算公式以及侧向速度最大值的第二经验计算公式；
基于所述第一经验计算公式建立所述第一线性关系，并基于所述第二经验计算公式建立所述第二线性关系。
3.根据权利要求2所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，其特征在于，
所述第一经验计算公式为：
所述第二经验计算公式为：
其中，所述
为所述侧向加速度最大值，
侧向速度最大值，所述d为所述换道最大侧向位移，所述
为换道时长，所述
和所述
为常数，所述
和所述
可根据最小二乘法、遗传算法、粒子群算法、蚁群算法或萤火虫算法优化获得。
4.根据权利要求1所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，其特征在于，所述侧向量化平衡指标的计算模型为：
或者，是为对所述LQB进行指数、对数、双曲正切、三角函数、双曲正切函数、多项式函数或者归一化函数变换后得到的计算模型，
其中，所述LQB为所述侧向量化平衡指标，其中，所述LQB越小，换道过程的综合性能越好。
5.根据权利要求1-4任一项所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法，其特征在于，所述在网联多车环境下的智能汽车应用所述侧向量化平衡指标进行换道轨迹决策的情况下，当存在换道需求时，根据周围交通状况，获得满足安全性要求的换道轨迹簇，并基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，以及根据每一个换道轨迹的侧向量化平衡指标从所述换道轨迹簇选择出最优换道轨迹，并在所述最优换道轨迹对应的侧向量化平衡指标满足要求时，基于所述最优换道轨迹实现拟人化的换道轨迹规划，包括：
当存在换道需求时，根据周围交通状况，利用数学函数法、机器学习方法、深度学习方法或者栅格法获得满足安全性要求的换道轨迹簇；
基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，并选择最小的侧向量化平衡指标对应的所述换道轨迹簇中的换道轨迹作为所述最优换道轨迹；
判断所述最优换道轨迹对应的侧向量化平衡指标是否在优秀驾驶员的换道轨迹对应的侧向量化平衡指标的范围内；
如果是，则根据所述最优换道轨迹实现拟人化的换道轨迹规划。
6.一种基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置，其特征在于，包括：
线性关系建立模块，用于基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，建立换道过程中侧向加速度最大值与换道最大侧向位移和换道时长之间的第一线性关系、侧向速度最大值与换道最大侧向位移和换道时长之间的第二线性关系；
侧向量化平衡指标确定模块，用于基于所述第一线性关系和所述第二线性关系，得到侧向量化平衡指标的计算模型，其中，所述侧向量化平衡指标的计算模型包括侧向量化平衡指标与所述侧向加速度最大值、所述侧向速度最大值和所述换道最大侧向位移之间的对应关系；
换道轨迹规划模块，用于在网联多车环境下的智能汽车应用所述侧向量化平衡指标进行换道轨迹决策的情况下，当存在换道需求时，根据周围交通状况，获得满足安全性要求的换道轨迹簇，并基于所述侧向量化平衡指标的计算模型，分别得到所述换道轨迹簇中每一个换道轨迹的侧向量化平衡指标，以及根据每一个换道轨迹的侧向量化平衡指标从所述换道轨迹簇选择出最优换道轨迹，并在所述最优换道轨迹对应的侧向量化平衡指标满足要求时，基于所述最优换道轨迹实现拟人化的换道轨迹规划。
7.根据权利要求6所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置，其特征在于，所述线性关系建立模块，具体用于：
基于优秀驾驶员的换道轨迹获得换道过程中侧向位移、侧向速度和侧向加速度随换道时间的变化曲线，获得与所述换道最大侧向位移和换道时长相关联的侧向加速度最大值的第一经验计算公式以及侧向速度最大值的第二经验计算公式；
基于所述第一经验计算公式建立所述第一线性关系，并基于所述第二经验计算公式建立所述第二线性关系。
8.根据权利要求6所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划装置，其特征在于，所述侧向量化平衡指标的计算模型为：
或者，是为对所述LQB进行指数、对数、双曲正切、三角函数、双曲正切函数、多项式函数或者归一化函数变换后得到的计算模型，
其中，所述LQB为所述侧向量化平衡指标，其中，所述LQB越小，换道过程的综合性能越好。
9.一种智能汽车换道轨迹决策设备，其特征在于，包括：换道意图识别模块和换道轨迹规划模块，其中，根据权利要求1-5任一项所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法服务于所述换道意图识别模块和换道轨迹规划模块。
10.一种换道轨迹跟踪模块，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现根据权利要求1-5任一项所述的基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111329587.7A CN113771884B (zh) | 2021-11-09 | 2021-11-09 | 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111329587.7A CN113771884B (zh) | 2021-11-09 | 2021-11-09 | 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113771884A true CN113771884A (zh) | 2021-12-10 |
| CN113771884B CN113771884B (zh) | 2022-02-08 |
Family
ID=78873808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111329587.7A Active CN113771884B (zh) | 2021-11-09 | 2021-11-09 | 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113771884B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114056332A (zh) * | 2022-01-14 | 2022-02-18 | 清华大学 | 基于认知风险平衡的智能汽车跟车决策和控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100228420A1 (en) * | 2009-03-06 | 2010-09-09 | Gm Global Technology Operations, Inc. | Model based predictive control for automated lane centering/changing control systems |
| CN110356404A (zh) * | 2019-05-28 | 2019-10-22 | 吉林大学 | 一种具有自主换道功能并提高侧向安全性的智能驾驶系统 |
| WO2020135741A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 车辆自动驾驶时换道的控制方法、控制系统及车辆 |
| 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 |
| CN112389436A (zh) * | 2020-11-25 | 2021-02-23 | 中汽院智能网联科技有限公司 | 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法 |
| WO2021212728A1 (zh) * | 2020-04-24 | 2021-10-28 | 广州大学 | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 |
-
2021
- 2021-11-09 CN CN202111329587.7A patent/CN113771884B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100228420A1 (en) * | 2009-03-06 | 2010-09-09 | Gm Global Technology Operations, Inc. | Model based predictive control for automated lane centering/changing control systems |
| WO2020135741A1 (zh) * | 2018-12-29 | 2020-07-02 | 长城汽车股份有限公司 | 车辆自动驾驶时换道的控制方法、控制系统及车辆 |
| CN110356404A (zh) * | 2019-05-28 | 2019-10-22 | 吉林大学 | 一种具有自主换道功能并提高侧向安全性的智能驾驶系统 |
| WO2021212728A1 (zh) * | 2020-04-24 | 2021-10-28 | 广州大学 | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 |
| 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 |
| CN112389436A (zh) * | 2020-11-25 | 2021-02-23 | 中汽院智能网联科技有限公司 | 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114056332A (zh) * | 2022-01-14 | 2022-02-18 | 清华大学 | 基于认知风险平衡的智能汽车跟车决策和控制方法 |
| CN114056332B (zh) * | 2022-01-14 | 2022-04-12 | 清华大学 | 基于认知风险平衡的智能汽车跟车决策和控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113771884B (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
| JP6898101B2 (ja) | 車両のエネルギー効率を分析するためのシステムおよび方法 | |
| CN103914985B (zh) | 一种混合动力客车未来车速轨迹预测方法 | |
| Chu et al. | Curve speed model for driver assistance based on driving style classification | |
| CN113665574B (zh) | 智能汽车换道时长预测及拟人化轨迹规划方法 | |
| CN113158560B (zh) | 一种基于场景对抗的智能驾驶车辆自主能力测试方法 | |
| CN112466119B (zh) | 一种利用车路协同数据的汽车跟车车速预测方法及系统 | |
| CN108960426A (zh) | 基于bp神经网络的道路坡度综合估计系统 | |
| CN107346460B (zh) | 基于智能网联系统下前车运行信息的未来工况预测方法 | |
| CN106022561A (zh) | 驾驶行为综合评价方法 | |
| CN114312830B (zh) | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 | |
| WO2000014504A1 (fr) | Prediction de la performance d'un pneu | |
| CN104318757B (zh) | 一种公交专用道上的公交车车路段运行时间预测方法 | |
| CN113771884B (zh) | 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 | |
| CN106373390A (zh) | 基于自适应神经模糊推理系统的道路交通状态评价方法 | |
| CN117114195B (zh) | 基于概念漂移的多类型电动汽车充电需求实时预测方法 | |
| WO2023045791A1 (zh) | 车道保持方法、装置、设备、介质及系统 | |
| CN113592221B (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
| Ramezani-Khansari et al. | [Retracted] Estimating Lane Change Duration for Overtaking in Nonlane‐Based Driving Behavior by Local Linear Model Trees (LOLIMOT) | |
| CN117668413A (zh) | 考虑多类行驶要素的自动驾驶综合决策评估方法及装置 | |
| CN116513236A (zh) | 基于行车风险场的自适应车辆全向驾驶辅助方法及装置 | |
| CN116975671A (zh) | L3级自动驾驶车辆驾驶员信任度评估方法及系统 | |
| CN116588123A (zh) | 基于安全势场模型的风险感知的预警策略方法 | |
| Mundl et al. | Virtual pattern optimization based on performance prediction tools | |
| CN114056332B (zh) | 基于认知风险平衡的智能汽车跟车决策和控制方法 |
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 |