CN113911131A - 面向自动驾驶环境人车冲突的责任敏感安全模型标定方法 - Google Patents
面向自动驾驶环境人车冲突的责任敏感安全模型标定方法 Download PDFInfo
- Publication number
- CN113911131A CN113911131A CN202111121040.8A CN202111121040A CN113911131A CN 113911131 A CN113911131 A CN 113911131A CN 202111121040 A CN202111121040 A CN 202111121040A CN 113911131 A CN113911131 A CN 113911131A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- conflict
- human
- automatic driving
- driving environment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000035484 reaction time Effects 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，该方法包括：步骤1，利用阈值法与人工校验提取人车冲突片段与运动数据；步骤2，将步骤1中获得数据，输入Simulink仿真平台获得自动驾驶环境下车辆与行人的相对运动数据；步骤3，以安全性最大与保守性最小为目标设置目标函数，利用NSGA‑II算法，对RSS模型中的反应时间、最小减速度、最大加速度、最大减速度四个参数进行标定，获得最优参数。与现有技术相比，本发明具有保证了在自动驾驶环境行人的安全性，扩展了RSS模型的应用场景等优点。
Description
技术领域
本发明涉及自动驾驶领域，尤其是涉及一种面向自动驾驶环境人车冲突的责任敏感安全(Responsibility-Sensitive Safety,RSS)模型标定方法。
背景技术
车辆主动安全技术是指车辆在事故发生之前采取安全措施，以避免事故发生或尽可能减少事故伤害程度的技术，是自动驾驶车辆的安全保障功能之一。自动紧急制动(Autonomous Emergency Braking，AEB)是车辆面对前方危险时自主采取制动以避免事故的功能，AEB功能通过实时比较车辆最小停车时间与该时刻车辆的TTC，当车辆TTC小于最小停车时间时立即采取紧急制动，直到车辆完全停止。在实际应用中，AEB功能在冲突双方相对速度差距过大时会出现失效现象，同时AEB功能在原理上未考虑到车辆的反应时间以及车辆在反应时间中所采取的动作。因此，在面临复杂的道路交通环境时，AEB功能的有效性会受到很大的干扰。
RSS模型是Mobileye于2017年提出的用于自动驾驶车辆安全控制的严谨的数学模型。意在将人类对于安全驾驶的理念和事故责任的划分转化成为数学模型控制的参数，保障自动驾驶汽车在任何情况下都不会主动成为事故的责任方。在自动驾驶车辆出行的过程中会面临各种复杂的交通环境，RSS模型通过保证车辆即使在最坏的行驶条件下行驶的安全性，从而保证自动驾驶车辆在各类行驶条件下的安全性。
当前RSS模型研究与应用集中在机动车的跟车、变道场景的安全控制，并在测试中表现相比人类驾驶更加优秀的安全性。但是现有的自动驾驶研究中缺乏行人安全控制，因此如何来保证在自动驾驶环境行人的安全性以及扩展RSS模型的应用场景，成为需要解决的技术问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法。
本发明的目的可以通过以下技术方案来实现：
根据本发明的一个方面，提供了一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，该方法包括：
步骤1，利用阈值法与人工校验提取人车冲突片段与运动数据；
步骤2，将步骤1中获得数据，输入Simulink仿真平台获得自动驾驶环境下车辆与行人的相对运动数据；
步骤3，以安全性最大与保守性最小为目标设置目标函数，利用NSGA-II(Non-dominated Sorting Genetic Algorithm II)算法，对RSS模型中的反应时间、最小减速度、最大加速度、最大减速度四个参数进行标定，获得最优参数。
作为优选的技术方案，所述的步骤1具体包括以下步骤：
步骤1.1：对上海市自然驾驶数据中的车辆运动数据设置阈值，利用该阈值对自然驾驶数据进行筛选，提取冲突识别触发前N秒与后N秒的车载视频、车辆运动数据；
步骤1.2：对步骤1.1中提取的所有冲突片段，处理片段对应的车载视频，若发现车辆与行人发生冲突，且驾驶人进行了减速、转向避让操作则认为该片段为人车冲突片段，提取对应数据作为人车冲突数据进行存储。
作为优选的技术方案，所述的步骤1.1中的阈值具体为：
设车辆纵向加速度为ax，横向加速度为ay，Time-to-Collision设为TTC，与前方物体相对距离为dx；当ax≤-0.6g，或ax≤-0.5g且TTC≤4s，或ax≤-0.4g且TTC≤4s且dx≤30.5m时判定为遭遇纵向冲突；当|ay|≥0.7g时判定为遭遇横向冲突；当驾驶员按动事件按钮时也判定为遭遇冲突。
作为优选的技术方案，所述的步骤1.1中的N取5。
作为优选的技术方案，所述的步骤2具体包括以下步骤：
步骤2.1：在MATLAB中根据步骤1中冲突数据构建人车冲突场景；
步骤2.2：将生成的场景导入MATLAB的Simulink仿真平台中，启动冲突场景仿真，获得所有人车冲突场景下仿真车辆与行人之间的冲突相对速度、相对距离变化的数据。
作为优选的技术方案，所述的步骤2.1中采用MATLAB的drivingScenarioDesigner构建人车冲突场景。
作为优选的技术方案，所述的步骤2.1中的人车冲突场景具体为：
仿真车辆设置为带雷达传感器的自动驾驶小客车，仿真行人设置为普通行人，将人车冲突发生时的速度与位置输入仿真车辆的运动，将行人运动的速度与位置输入仿真行人的运动。
作为优选的技术方案，所述的步骤3具体包括以下步骤：
步骤3.1：利用TIT(Time-Integral TTC)作为车辆安全性衡量指标，设TTC阈值为TTCthr，在仿真t时刻的TTC设为TTC(t)，每一步仿真的时间设为τsc，整个仿真持续时间设为T，则有
以f1表示安全性，N表示所有的冲突数，TITi表示第i个冲突的TIT值，则有目标函数
步骤3.2：实时计算车辆与行人之间的最小安全距离，设最小安全距离为dsafe，设vr为车辆的速度，ρ为反应时间，amax，accel为最大加速度，amin，brake为最小减速度，vp为行人速度，amax，brake为行人的最大减速度；得到RSS模型要求的最小安全距离，当车辆与前方物体距离小于最小安全距离是触发RSS模型减速策略，记t时刻触发RSS模型时与前方的相对距离之差为dsafe(t)-dx(t)，以f2表示保守性，则有目标函数
步骤3.3：利用NSGA-II算法，以f1与f2为双优化目标，对RSS模型中的ρ，amax，accel，amin，brake，vp，amax，brake进行标定，获得最优参数组合。
作为优选的技术方案，所述的最小安全距离为dsafe计算如下：
作为优选的技术方案，该方法扩展了RSS模型的应用场景。
与现有技术相比，本发明具有以下优点：
1)本发明对自动驾驶环境下的人车冲突RSS模型进行了标定，扩展了RSS模型的应用范围，更好地保障了自动驾驶环境下的车辆与行人安全；
2)本发明从大规模的上海市自然驾驶数据中提取人车冲突事件，所标定的模型更加准确，更符合中国道路交通实际情况。
附图说明
图1是本发明专利进行自动驾驶环境下人车冲突RSS模型标定的流程示意图。
图2是本发明实施例安全性对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1所示，一种面向自动驾驶环境人车冲突的RSS模型标定方法，从上海市自然驾驶数据中提取人车冲突数据，利用Simulink获得自动驾驶环境下车辆运行数据，利用NSGA-II算法实现对人车冲突RSS模型的标定，具体的方法流程为：
步骤1：利用阈值法与人工校验从上海市自然驾驶数据中识别人车冲突片段并提取运动数据；
步骤1.1：对上海市自然驾驶数据中的车辆运动数据设置阈值，当ax≤-0.6g，或ax≤-0.5g且TTC≤4s，或ax≤-0.4g且TTC≤4s且dx≤30.5m时判定为遭遇纵向冲突；当|ay|≥0.7g时判定为遭遇横向冲突；当驾驶员按动事件按钮时也判定为遭遇冲突。利用该阈值对自然驾驶数据进行筛选，提取冲突识别触发前5秒与后5秒的车载视频、车辆运动数据；
步骤1.2：对步骤1.1中提取的所有冲突片段，人工观看片段对应的车载视频，若发现车辆与行人发生冲突，且驾驶人进行了减速、转向避让操作则认为该片段为人车冲突片段，提取对应数据作为人车冲突数据进行存储；
步骤2：将步骤1中获得数据，输入Simulink仿真平台并启动仿真，获得自动驾驶环境下车辆与行人的相对运动数据；
步骤2.1：在MATLAB的drivingScenarioDesigner中根据步骤1中冲突数据构建人车冲突场景，其中仿真车辆设置为带雷达传感器的自动驾驶小客车，仿真行人设置为普通行人，将人车冲突发生时的速度与位置输入仿真车辆的运动，将行人运动的速度与位置输入仿真行人的运动；
步骤2.2：将生成的场景导入MATLAB的Simulink仿真平台中，启动冲突场景仿真，获得所有人车冲突场景下仿真车辆与行人之间的冲突相对速度、相对距离变化的数据；
步骤3：以安全性最大与保守性最小为目标设置目标函数，利用NSGA-II算法，对RSS模型中的反应时间、最小减速度、最大加速度、最大减速度四个参数进行标定；
步骤3.1：利用TIT作为车辆安全性衡量指标，有
τsc。以f1表示安全性，有目标函数
步骤3.2：实时计算车辆与行人之间的最小安全距离，RSS计算公式为
以f2表示保守性，有目标函数
步骤3.3：利用NSGA-II算法，以f1与f2为双优化目标，对RSS模型中的ρ，amax，accel，amin，brake，vp，amax，brake进行标定，获得最优参数组合。
与现有技术相比，本发明具有保证了在自动驾驶环境行人的安全性，扩展了RSS模型的应用场景，基于海量的自然驾驶数据，提取人车冲突数据，标定人车冲突场景的RSS模型，将为自动驾驶车辆的安全控制提供参考。
具体实施例
利用上海市自然驾驶数据，提取出142起人车纵向冲突片段，对比人类驾驶数据在各冲突中计算的TIT分布与RSS模型控制得到的车辆运动数据在各冲突中计算TIT分布，测试该标定方法能够得到更加安全的车辆控制。
利用上海市自然驾驶数据，依据上述步骤1至步骤4进行处理，获得标定后的RSS模型。计算得到两种车辆控制下在各冲突中的TIT值，结果显示，RSS模型控制得到的车辆驾驶安全性要明显高于人类驾驶。如图2所示。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，该方法包括：
步骤1，利用阈值法与人工校验提取人车冲突片段与运动数据；
步骤2，将步骤1中获得数据，输入Simulink仿真平台获得自动驾驶环境下车辆与行人的相对运动数据；
步骤3，以安全性最大与保守性最小为目标设置目标函数，利用NSGA-II算法，对RSS模型中的反应时间、最小减速度、最大加速度、最大减速度四个参数进行标定，获得最优参数。
2.根据权利要求1所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，所述的步骤1具体包括以下步骤：
步骤1.1：对上海市自然驾驶数据中的车辆运动数据设置阈值，利用该阈值对自然驾驶数据进行筛选，提取冲突识别触发前N秒与后N秒的车载视频、车辆运动数据；
步骤1.2：对步骤1.1中提取的所有冲突片段，处理片段对应的车载视频，若发现车辆与行人发生冲突，且驾驶人进行了减速、转向避让操作则认为该片段为人车冲突片段，提取对应数据作为人车冲突数据进行存储。
3.根据权利要求2所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，所述的步骤1.1中的阈值具体为：
设车辆纵向加速度为ax，横向加速度为ay，Time-to-Collision设为TTC，与前方物体相对距离为dx；当ax≤-0.6g，或ax≤-0.5g且TTC≤4s，或ax≤-0.4g且TTC≤4s且dx≤30.5m时判定为遭遇纵向冲突；当|ay|≥0.7g时判定为遭遇横向冲突；当驾驶员按动事件按钮时也判定为遭遇冲突。
4.根据权利要求2所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，所述的步骤1.1中的N取5。
5.根据权利要求1所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，所述的步骤2具体包括以下步骤：
步骤2.1：在MATLAB中根据步骤1中冲突数据构建人车冲突场景；
步骤2.2：将生成的场景导入MATLAB的Simulink仿真平台中，启动冲突场景仿真，获得所有人车冲突场景下仿真车辆与行人之间的冲突相对速度、相对距离变化的数据。
6.根据权利要求5所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，所述的步骤2.1中采用MATLAB的drivingScenarioDesigner构建人车冲突场景。
7.根据权利要求5所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，所述的步骤2.1中的人车冲突场景具体为：
仿真车辆设置为带雷达传感器的自动驾驶小客车，仿真行人设置为普通行人，将人车冲突发生时的速度与位置输入仿真车辆的运动，将行人运动的速度与位置输入仿真行人的运动。
8.根据权利要求1所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，所述的步骤3具体包括以下步骤：
步骤3.1：利用TIT作为车辆安全性衡量指标，设TTC阈值为TTCthr，在仿真t时刻的TTC设为TTC(t)，每一步仿真的时间设为τsc，整个仿真持续时间设为T，则有
以f1表示安全性，N表示所有的冲突数，TITi表示第i个冲突的TIT值，则有目标函数
步骤3.2：实时计算车辆与行人之间的最小安全距离，设最小安全距离为dsafe，设vr为车辆的速度，ρ为反应时间，amax,accel为最大加速度，amin,brake为最小减速度，vp为行人速度，amax,brake为行人的最大减速度；得到RSS模型要求的最小安全距离，当车辆与前方物体距离小于最小安全距离是触发RSS模型减速策略，记t时刻触发RSS模型时与前方的相对距离之差为dsafe(t)-dx(t)，以f2表示保守性，则有目标函数
步骤3.3：利用NSGA-II算法，以f1与f2为双优化目标，对RSS模型中的ρ，amax,accel，amin,brake，vp，amax,brake进行标定，获得最优参数组合。
9.根据权利要求8所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，所述的最小安全距离为dsafe计算如下：
10.根据权利要求1所述的一种面向自动驾驶环境人车冲突的责任敏感安全模型标定方法，其特征在于，该方法扩展RSS模型的应用场景。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111121040.8A CN113911131A (zh) | 2021-09-24 | 2021-09-24 | 面向自动驾驶环境人车冲突的责任敏感安全模型标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111121040.8A CN113911131A (zh) | 2021-09-24 | 2021-09-24 | 面向自动驾驶环境人车冲突的责任敏感安全模型标定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113911131A true CN113911131A (zh) | 2022-01-11 |
Family
ID=79236049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111121040.8A Pending CN113911131A (zh) | 2021-09-24 | 2021-09-24 | 面向自动驾驶环境人车冲突的责任敏感安全模型标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113911131A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419927A (zh) * | 2022-01-25 | 2022-04-29 | 中国重汽集团济南动力有限公司 | 一种用于行人试验的行人速度控制方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108109379A (zh) * | 2018-01-26 | 2018-06-01 | 东南大学 | 一种高速公路出口匝道区域安全评价方法 |
| CN108664918A (zh) * | 2018-05-09 | 2018-10-16 | 吉林大学 | 基于背景感知相关滤波器的智能车辆前方行人跟踪方法 |
| CN110843794A (zh) * | 2020-01-15 | 2020-02-28 | 北京三快在线科技有限公司 | 驾驶场景理解方法、装置和轨迹规划方法、装置 |
| CN111458154A (zh) * | 2020-04-01 | 2020-07-28 | 清华大学苏州汽车研究院（吴江） | 基于自动驾驶整车在环人车冲突场景的测试系统和方法 |
| CN111723470A (zh) * | 2020-05-26 | 2020-09-29 | 同济大学 | 一种基于标定优化rss模型的自动驾驶控制方法 |
| US20210094577A1 (en) * | 2018-08-14 | 2021-04-01 | Mobileye Vision Technologies Ltd. | Systems and Methods for Navigating with Safe Distances |
| KR20210043209A (ko) * | 2019-10-11 | 2021-04-21 | 한국과학기술연구원 | Rss 신호 보정 방법 |
-
2021
- 2021-09-24 CN CN202111121040.8A patent/CN113911131A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108109379A (zh) * | 2018-01-26 | 2018-06-01 | 东南大学 | 一种高速公路出口匝道区域安全评价方法 |
| CN108664918A (zh) * | 2018-05-09 | 2018-10-16 | 吉林大学 | 基于背景感知相关滤波器的智能车辆前方行人跟踪方法 |
| US20210094577A1 (en) * | 2018-08-14 | 2021-04-01 | Mobileye Vision Technologies Ltd. | Systems and Methods for Navigating with Safe Distances |
| KR20210043209A (ko) * | 2019-10-11 | 2021-04-21 | 한국과학기술연구원 | Rss 신호 보정 방법 |
| CN110843794A (zh) * | 2020-01-15 | 2020-02-28 | 北京三快在线科技有限公司 | 驾驶场景理解方法、装置和轨迹规划方法、装置 |
| CN111458154A (zh) * | 2020-04-01 | 2020-07-28 | 清华大学苏州汽车研究院（吴江） | 基于自动驾驶整车在环人车冲突场景的测试系统和方法 |
| CN111723470A (zh) * | 2020-05-26 | 2020-09-29 | 同济大学 | 一种基于标定优化rss模型的自动驾驶控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| LI LI,XINYU PENG,FEI-YUE WANG,DONGPU CAO,LINGXI LI: "A Situation-Aware Collision Avoidance Strategy for Car-Following", 《IEEE/CAA JOURNAL OF AUTOMATICA SINICA》 * |
| 王雪松、徐晓妍: "基于自然驾驶数据的危险事件识别方法", 《同济大学学报（自然科学版）》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114419927A (zh) * | 2022-01-25 | 2022-04-29 | 中国重汽集团济南动力有限公司 | 一种用于行人试验的行人速度控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6136714B2 (ja) | 車両制御装置 | |
| CN104662592B (zh) | 用于运行车辆的驾驶员辅助系统的方法 | |
| CN109910879B (zh) | 一种结合安全距离与碰撞时间的车辆安全防撞控制方法 | |
| Nilsson et al. | Safe transitions from automated to manual driving using driver controllability estimation | |
| US9132775B2 (en) | Mobile object target state determination device and program | |
| KR100773982B1 (ko) | 운전자상태검출장치, 차량탑재경보시스템 및운전지원시스템 | |
| US20200023836A1 (en) | Method for automated prevention of a collision | |
| KR101665451B1 (ko) | 차량의 긴급제동 상황 판단 방법 및 장치 | |
| WO2016017822A1 (ja) | 衝突予想時間算出装置および衝突予想時間算出方法 | |
| JPH09272363A (ja) | 車両用運転支援装置 | |
| CN111169462B (zh) | 安全距离计算模块及其计算方法 | |
| Muehlfeld et al. | Statistical behavior modeling for driver-adaptive precrash systems | |
| CN105083161A (zh) | 物体识别装置以及物体识别方法 | |
| CN111768651B (zh) | 一种预防车辆碰撞的预警方法及装置 | |
| EP3725609B1 (en) | Calibrating method for vehicle anti-collision parameters, vehicle controller and storage medium | |
| US20230373476A1 (en) | Vehicle for predicting collision and operating method thereof | |
| CN113911131A (zh) | 面向自动驾驶环境人车冲突的责任敏感安全模型标定方法 | |
| CN114104000B (zh) | 一种危险场景的评估与处理系统、方法及存储介质 | |
| CN115257725A (zh) | 车辆碰撞预警方法、装置、设备及存储介质 | |
| CN112498341B (zh) | 基于路况的紧急制动方法、装置及计算机可读存储介质 | |
| CN117698767A (zh) | 车辆避障方法、装置、设备及存储介质 | |
| Matsumi et al. | Study on autonomous intelligent drive system based on potential field with hazard anticipation | |
| CN112373389A (zh) | 一种开门预警方法、装置及电子设备 | |
| US20230100091A1 (en) | Scenario generation device and scenario generation method | |
| JP7268959B2 (ja) | 車両が停止後に自動的に再び前進させないようにすることを可能にする装置及び方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220111 |
|
| RJ01 | Rejection of invention patent application after publication |