CN114056332B - 基于认知风险平衡的智能汽车跟车决策和控制方法 - Google Patents
基于认知风险平衡的智能汽车跟车决策和控制方法 Download PDFInfo
- Publication number
- CN114056332B CN114056332B CN202210045949.8A CN202210045949A CN114056332B CN 114056332 B CN114056332 B CN 114056332B CN 202210045949 A CN202210045949 A CN 202210045949A CN 114056332 B CN114056332 B CN 114056332B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cognitive risk
- cognitive
- risk
- following
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000001133 acceleration Effects 0.000 claims abstract description 116
- 230000006870 function Effects 0.000 claims abstract description 61
- 230000004044 response Effects 0.000 claims abstract description 59
- 230000009471 action Effects 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims description 15
- 230000006855 networking Effects 0.000 claims description 14
- 239000000758 substrate Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 17
- 230000007246 mechanism Effects 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000003442 weekly 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
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
- B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- 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
- 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
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请涉及一种基于认知风险平衡的智能汽车跟车决策和控制方法，包括：智能汽车处于跟车工况，基于车头时距和逆碰撞时间得到认知风险；判断是否位于认知风险平衡区间内，如果否，通过纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，拟人化响应加速度用于调节认知风险，使其保持平衡；基于响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，实现智能汽车跟车。由此，实现了拟人化的认知风险平衡机制在智能汽车纵向驾驶行为决策上的应用，通过学习优秀驾驶员的驾驶决策规律，以指导智能汽车拟人化的跟车行驶。
Description
技术领域
本申请涉及智能汽车应用技术领域，特别涉及一种基于认知风险平衡的智能汽车跟车决策和控制方法。
背景技术
对于智能汽车，如在智能驾驶、自动驾驶时，其纵向动力学运动决策采用的跟车行为模型主要包括：（1）刺激-反应模型，如GM模型（general motor）和OVM（Optimal velocitymodel）模型；（2）安全距离模型，如Gipps模型；（3）社会力模型，如IDM（Intelligent drivermodel）模型和LCM（longitudinal control model）模型; （4）统计学习模型，如神经网络模型、深度学习模型和强化学习模型等。
现有的跟车模型通常为经验模型或半经验模型，存在物理意义不够清晰，可解释性不足，可迁移性差，未能充分挖掘人类驾驶员的跟车行为规律导致跟车模型拟人化程度不足，未能与车辆逆动力学模型结合实现实时可靠的节气门和制动压力控制等缺点，因此，现有智能汽车的跟车决策模型拟人化程度较差，导致了智能汽车的可接受程度不高，这严重制约了智能汽车的社会认可度，因此，对智能汽车拟人化跟车决策技术的深入探索具有重要的实用价值。
发明内容
本申请提供一种基于认知风险平衡的智能汽车跟车决策和控制方法，以解决现有的跟车模型通常为经验模型或半经验模型，存在物理意义不够清晰，可解释性不足，可迁移性差，未能充分挖掘人类驾驶员的跟车行为规律导致跟车模型拟人化程度不足，未能与车辆逆动力学模型结合实现实时可靠的节气门和制动压力控制等缺点，该方法实现了拟人化的认知风险平衡机制在智能汽车纵向驾驶行为决策上的应用，通过学习优秀驾驶员的驾驶决策规律，以指导智能汽车拟人化的跟车行驶。
本申请第一方面实施例中提供一种基于认知风险平衡的智能汽车跟车决策和控制方法，包括以下步骤：
在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于所述车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，所述认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系；
判断所述认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内；
基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
在一些示例中，在确定智能汽车处于跟车工况的情况下之前，还包括：
利用车联网技术和车路协同技术，获得周车信息和交通信息；
基于自车信息、周车信息和交通信息，确定所述智能汽车是否具备维持跟车行驶的条件和意图。
在一些示例中，所述认知风险函数为：
其中，RP为认知风险函数，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，
为常数，
为常数，所述
，ttc=1/ ittc，
，其中，s为自车与前车的间距，
为自车速度，
为前车速度，ittc为逆碰撞时间。
在一些示例中，所述纵向加速度与认知风险之间的函数的形式至少包括以下之一：
或者，
，
其中，所述tanh为双曲正切函数，所述arctan为逆正切函数。
在一些示例中，所述基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制，包括：
基于拟人化响应加速度得到目标车速和目标车间距；
将所述纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，所述车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系；
基于所述制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
本申请第二方面实施例提供一种基于认知风险平衡的智能汽车跟车决策和控制装置，包括：
跟车决策模块，用于在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于所述车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，所述认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系，以及判断所述认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内；
车辆控制模块，用于基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
在一些示例中，还包括：
网络感知模块，用于利用车联网技术和车路协同技术，获得周车信息和交通信息，并基于自车信息、周车信息和交通信息，确定所述智能汽车是否采取跟车工况。
在一些示例中，所述认知风险函数为：
其中，RP为认知风险函数，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，
为常数，
为常数，所述
，ttc=1/ ittc，
，其中，s为自车与前车的间距，
为自车速度，
为前车速度，ittc为逆碰撞时间；
所述纵向加速度与认知风险之间的函数的形式至少包括以下之一：
或者，
，
其中，所述tanh为双曲正切函数，所述arctan为逆正切函数。
在一些示例中，所述车辆控制模块，具体用于：
基于拟人化响应加速度得到目标车速和目标车间距；
将所述纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，所述车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系；
基于所述制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
本申请第三方面实施例提供一种智能汽车跟车决策和控制设备，其上存储有计算机程序，该程序被处理器执行，以用于实现根据上述的第一方面的实施例所述的基于认知风险平衡的智能汽车跟车决策和控制方法。
本发明的实施例，针对现有跟车模型存在的物理意义不够清晰，可解释性不足，可迁移性差，未能与车辆逆动力学模型结合实现实时可靠的节气门和制动压力控制等问题，揭示了驾驶人在稳态纵向驾驶行为中通过维持车头时距和逆碰撞时间这两个物理量在一定的恒定值，以保持行驶效率和行车风险量化平衡的机理，并充分利用网联环境带来的信息获取便利，结合网联感知和自车感知信息，对周车和自车的状态进行准确识别，在获得跟车意图的前提下，采用基于认知风险平衡的模型计算获得自车的跟车加速度，进而推算出自车的目标车速和车距，最后通过车辆逆动力学模型获得节气门开度和制动压力的控制量，通过模糊自适应控制实现认知风险平衡的跟车意图的准确实施。实现了拟人化的认知风险平衡机制在智能汽车纵向驾驶行为决策上的应用，通过学习人类优秀驾驶员的驾驶决策规律，以指导智能汽车拟人化的跟车行驶。
与现有跟车决策方法相比，可充分利用网联环境下路侧、周车和云端等多源信息，为更为准确的周车环境感知提供支撑，有效提升了决策信息来源的广度，有望减小因盲区和传感器误检造成的决策失误而产生的风险，提高了智能车辆的安全性；本发明的实施例，在基于“学习人、模拟人、超越人和服务人”的拟人化决策理念，揭示了驾驶人纵向驾驶行为符合主观风险认知和行驶效率需求平衡的机理，探明了在稳态跟车行为中驾驶人希望维持车头时距和逆碰撞时间这两个物理量不变的机制，由此，提出了双曲正切函数的纵向加速度响应模型，形成了基于认知风险平衡的纵向驾驶决策方法，提高了智能汽车跟车决策的拟人化程度，改善了现有智能汽车跟车决策方法宜人性和人性化程度不足，可解释性差等弊端；此外，与现有跟车模型相比，可通过车辆纵向逆动力性模型，获得智能车辆的制动压力和节气门开度，用于智能车辆纵向运动的直接控制，因此，具有更好的实用性。
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认知风险平衡的智能汽车跟车决策和控制方法的流程图；
图2为根据本申请一个实施例的基于认知风险平衡的智能汽车跟车决策和控制方法的示意图；
图3为根据本申请一个实施例的基于认知风险平衡的智能汽车跟车决策和控制方法的车辆纵向逆动力性模型的示意图；
图4为根据本申请一个实施例的由HighD数据集跟车数据中的纵向加速度和认知风险的实测数据和拟合数据的对比图；
图5为实测的跟车纵向加速度与本发明实施例中拟合获得的跟车纵向加速度的对比图；
图6为根据本申请实施例的基于认知风险平衡的智能汽车跟车决策和控制装置的结构框图。
具体实施方式
下面参考附图描述本申请实施例的基于认知风险平衡的智能汽车跟车决策和控制方法。
具体而言，图1为本申请实施例中提供的一种基于认知风险平衡的智能汽车跟车决策和控制方法的流程示意图。
如图1所示，该基于认知风险平衡的智能汽车跟车决策和控制方法包括以下步骤：
在步骤S101中，在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系。
在具体示例中，首先确定智能汽车是否处于跟车工况，可以利用车联网技术和车路协同技术，获得周车信息和交通信息；然后，基于自车信息、周车信息和交通信息，确定智能汽车是否采取跟车工况。
具体来说，结合图2所示，可以利用网联感知模块确定智能汽车是否采取跟车工况，即：确定智能汽车是否具备维持跟车行驶的条件和意图，即：确定是否存在跟车意图。其中，车联网技术目前正逐步改变传统交通系统的面貌，通过包括车车联网、车路联网和车路云联网在内的车联网技术（Vehicle to everything， V2X），智能汽车对周车和道路信息的获取具备了便利条件。为充分利用网联环境所带来的感知信息获取便利和云计算优势，从而为智能汽车的科学决策提供更为准确实时的参考，本发明的实施例中，应用网联感知模块进行周车状态和交通状态的识别，并由此确定智能汽车的跟车意图，即：是否采取跟车工况。
该实例中，网联感知获取的信息通常可以来源于路侧激光雷达、路侧相机和路侧毫米波雷达等路侧传感器所获得的道路车辆信息，周车上传至路侧云平台的车辆位置信息、速度信息和加速度信息，以及交通管理中心云平台传输的交通信息等，根据所获取的上述信息，进行周车意图的识别，意图识别方法可为传统的逻辑回归模型，也可为人工智能模型，如隐马尔可夫模型和支持向量机模型等。在确认周车状态为正常行驶，不存在危险紧急工况，即自车无需进行变道避撞等操作的前提下，根据自车状态监测获得的自车车速、加速度和质心侧偏角等车辆动力学参数信息，以及本车道交通流速度是否满足预设的速度需求信息，确定出自车采取跟车行驶或换道超车的决策，在判断获得自车应采取跟车行驶操作的判断下，则转入步骤S102，进行跟车时纵向加速度的计算等。否则，可进行如换道、超车、并入、汇入和汇出等操作。
通过上述方式确定智能汽车处于跟车工况之后，便进行认知风险的确定，具体地说，认知风险函数为：
其中，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，
为常数，
为常数，所述
，
，其中，s为自车与前车的间距，
为自车速度，
为前车速度，ittc为逆碰撞时间。
在步骤S102中，判断认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内。
对于步骤S101和步骤S102，可以具体结合图2进行详细描述。
结合图2所示，在确定智能汽车处于跟车工况时，本发明实施例的方法在学习优秀驾驶员跟车时的风险响应机制基础上，提出乐基于认知风险平衡的跟车策略。具体来说，根据大量的自然驾驶数据和驾驶模拟器的数据分析发现，驾驶员在跟车中存在两个不变量。第一，驾驶员倾向于维持与前车恒定的车头时距，通常恒定的车头时距在1.5秒~3秒的范围内，根据驾驶员的驾驶风格的激进程度的不同以及交通流畅通程度的不同，驾驶员维持的车头时距存在一定的差异，但同一驾驶员在同一个交通场景下，其跟车车头时距可视为一个恒定值。第二，驾驶员倾向于保持与前车恒定的逆碰撞时间，通常逆碰撞时间维持在0左右，根据驾驶员对风险响应的敏感程度的不同，在跟车过程中逆碰撞时间存在一定程度的波动，但对于同一驾驶员在同一个交通场景下，其逆碰撞时间可视为常数。如以下的式（1）和式（2）所示，分别为车头时距和逆碰撞时间的表达式，S为自车与前车的间距，
为自车速度，
为前车速度。驾驶员跟车过程中，通过维持上述车头时距和逆碰撞时间两个物理量不变，来实现在行车风险可接受的阈值内，实现最优的行驶效率。逆碰撞时间主要实现跟车过程中行车安全的保障，而车头时距主要实现跟车过程中行车效率的保障。在本发明的实施例中，将驾驶员通过制动踏板和加速踏板维持车头时距和逆碰撞时间这两个不变的跟车响应机制定义为基于驾驶员认知风险平衡的跟车响应。
其中，ittc为逆碰撞时间。
驾驶员跟车行驶过程中，受到前车驾驶行为的影响，车头时距和逆碰撞时间会产生波动，驾驶员通过加速踏板和制动踏板实时调整车辆纵向加速度，以实现维持认知风险平衡和行驶效率的目的。因此，可建立驾驶员受前车影响下的车辆加速度与实时车头时距和实时碰撞时间的响应关系，如式（3）所示。
该实例中，所提出的驾驶员认知风险平衡跟车加速度模型可采用式（4）和式（5）所示的数学模型表述。式（4）和式（5）中，
为常数，可通过实际驾驶数据标定，tanh为双曲正切函数，RP为认知风险函数。式（5）中，驾驶员在稳定跟车过程中，车头时距和逆碰撞时间维持在小范围内波动，故RP的数值在一定的区间内时，即可认为该区间属于驾驶员认知风险平衡的区域，在该区间内，驾驶员维持自车匀速跟车行驶，纵向加速度维持为0。若认知风险RP超过指定的区间，则通过式（4）所述的纵向加速度响应操纵车辆，使得认知风险回归至平衡区间，保证行驶效率和行驶安全的平衡。
对于式（4）而言，作为本申请的一种实施方式，当然，在其它示例中，还可以有其它实施方式，例如：在式（4）的基础上，可用式（6）所述的指数函数拟合，从而得到另一种实施方式，式（5）所述的认知风险函数作为一个可行的实施方式，在其它示例中，也可以具有其它试试方式，例如对式（5）所述的认知风险函数，可用式（7）所述的改进认知风险函数表述，从而形成另外一种实施方式。式（6）和式（7）中，
为常数，可通过实际驾驶数据标定。
为维持认知风险的平衡，通过节气门开度和制动压力控制车辆的纵向加速度，在给定纵向加速度时，经过一个控制周期
，假设自车匀加速行驶，前车匀速行驶，则自车速度和与前车距离的变化分别如式（8）和式（9）所示。根据最新车速和车距可由式（5）动态计算认知风险，判断认知风险是否维持平衡，若认知风险仍未在可接受的区间内，则由式（4）继续计算纵向响应加速度，继续操纵车辆实现认知风险平衡的维持。
需要说明的是，纵向加速度与认知风险之间的函数的形式可以是上述的
，当然，也可以是其它形式。
例如：
，其中， arctan为逆正切函数，本发明的实施例对此并没有限制。
在步骤S103中，基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
具体地，可基于拟人化响应加速度得到目标车速和目标车间距；并将纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系，以及基于制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
结合图2和图3所示，基于认知风险平衡的纵向加速度模型，可实时获得动态环境下智能汽车纵向跟车的控制加速度，并计算获得目标车速和目标车间距，智能汽车通过控制器操纵节气门开度和制动压力的改变实现车辆加速度的改变。图3所示是由目标发动机转速
、目标车速
和目标纵向加速度
求解出制动压力
和节气门开度
的车辆纵向逆动力性模型的示意图，其中
为制动力，
为驱动力，
为驱动力矩。由于车辆在行驶过程中不可避免地会受到不确定的滚动阻力和空气阻力影响，本发明的实施例，提出基于直接模糊自适应的纵向车速控制方法，该方法能够克服被控对象难以建立精确数学模型的局限，通过构建融合车辆动力学特性的自适应律实时调整控制器设计参数，因而使得控制系统具有更好的鲁棒自适应性。具体如下：首先建立包含车辆动力学特性的纵向车速跟踪误差微分方程；接着构建直接自适应模糊逻辑控制器及其动力学方程；通过输入纵向速度及纵向加速度误差，最终获得维持车辆期望纵向运动所需的纵向力，将所需的驱动力输入节气门控制模块，将所需的制动力输入到液压制动模块，保证车辆纵向跟车风险平衡的维持。
以某一高速公路自然驾驶数据集HighD为例，说明本发明实施例所提出的方法。从HighD数据集中提取跟车数据，剔除换道数据和与前车间距大于200m的自由流数据，分别根据式（4）和式（5）对HighD中的跟车建立纵向加速度响应模型，例如获得的
，纵向加速度响应为0的临界风险阈值
。此时，当
时，自车将加速行驶，以提高通行效率；当
时，自车将减速行驶，以避免行车风险进一步增大，驾驶人通过制动踏板和加速踏板控制车辆的纵向运动，希望的认知风险维持在
的平衡点附近。图4所示是由HighD数据集跟车数据中的纵向加速度和认知风险的实测数据和拟合数据的对比图。由图4结果可知，车辆跟车行驶过程中，制动强度总是大于加速强度，产生此一现象的原因有两个，首先，加速过程中，随着车速的增加，风阻越大，导致车辆的纵向加速度有所削弱；其次，驾驶人对风险的响应通常比对行车效率的响应来得及时和迅速，因此，驾驶人踩踏制动踏板的强度和幅值会大于驾驶人踩踏加速踏板的强度和幅值。通过图4的加速度响应模型，可外推获得的车辆的最大加速度和最大制动减速度。图5所示是实测的跟车纵向加速度与由式（4）拟合获得的跟车纵向加速度的对比图，由图5的实测结果和预测结果的对比可知，本发明所提出的方法可以实现拟人化的跟车纵向加速度预测，从而为智能汽车更为科学合理和人性化的自适应巡航驾驶奠定基础。
本发明的实施例，针对现有跟车模型存在的物理意义不够清晰，可解释性不足，可迁移性差，未能与车辆逆动力学模型结合实现实时可靠的节气门和制动压力控制等问题，揭示了驾驶人在稳态纵向驾驶行为中通过维持车头时距和逆碰撞时间这两个物理量在一定的恒定值，以保持行驶效率和行车风险量化平衡的机理，并充分利用网联环境带来的信息获取便利，结合网联感知和自车感知信息，对周车和自车的状态进行准确识别，在获得跟车意图的前提下，采用基于认知风险平衡的模型计算获得自车的跟车加速度，进而推算出自车的目标车速和车距，最后通过车辆逆动力学模型获得节气门开度和制动压力的控制量，通过模糊自适应控制实现认知风险平衡的跟车意图的准确实施。实现了拟人化的认知风险平衡机制在智能汽车纵向驾驶行为决策上的应用，通过学习人类优秀驾驶员的驾驶决策规律，以指导智能汽车拟人化的跟车行驶。
与现有跟车决策方法相比，可充分利用网联环境下路侧、周车和云端等多源信息，为更为准确的周车环境感知提供支撑，有效提升了决策信息来源的广度，有望减小因盲区和传感器误检造成的决策失误而产生的风险，提高了智能车辆的安全性；本发明的实施例，在基于“学习人、模拟人、超越人和服务人”的拟人化决策理念，揭示了驾驶人纵向驾驶行为符合主观风险认知和行驶效率需求平衡的机理，探明了在稳态跟车行为中驾驶人希望维持车头时距和逆碰撞时间这两个物理量不变的机制，由此，提出了双曲正切函数的纵向加速度响应模型，形成了基于认知风险平衡的纵向驾驶决策方法，提高了智能汽车跟车决策的拟人化程度，改善了现有智能汽车跟车决策方法宜人性和人性化程度不足，可解释性差等弊端；此外，与现有跟车模型相比，可通过车辆纵向逆动力性模型，获得智能车辆的制动压力和节气门开度，用于智能车辆纵向运动的直接控制，因此，具有更好的实用性。
其次参照附图描述根据本申请实施例提出的基于认知风险平衡的智能汽车跟车决策和控制装置。
图6是本申请实施例的基于认知风险平衡的智能汽车跟车决策和控制装置的方框示意图。
如图6所示，该基于认知风险平衡的智能汽车跟车决策和控制装置10包括：跟车决策模块100和车辆控制模块200，其中：
跟车决策模块100，用于在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于所述车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，所述认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系，以及判断所述认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内；
车辆控制模块200，用于基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
结合图6所示，基于认知风险平衡的智能汽车跟车决策和控制装置10，还包括：网络感知模块300，其中，网络感知模块300，用于利用车联网技术和车路协同技术，获得周车信息和交通信息，并基于自车信息、周车信息和交通信息，确定所述智能汽车是否采取跟车工况。
在本发明的一个实施例中，所述认知风险函数为：
其中，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，
为常数，
为常数，所述
，
，其中，s为自车与前车的间距，
为自车速度，
为前车速度，ittc为逆碰撞时间；
所述纵向加速度与认知风险之间的函数的形式至少包括以下之一：
或者，
，
其中，所述tanh为双曲正切函数，所述arctan为逆正切函数。
在本发明的一个实施例中，所述车辆控制模块200，具体用于：基于拟人化响应加速度得到目标车速和目标车间距；将所述纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，所述车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系；基于所述制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
本发明的实施例，针对现有跟车模型存在的物理意义不够清晰，可解释性不足，可迁移性差，未能与车辆逆动力学模型结合实现实时可靠的节气门和制动压力控制等问题，揭示了驾驶人在稳态纵向驾驶行为中通过维持车头时距和逆碰撞时间这两个物理量在一定的恒定值，以保持行驶效率和行车风险量化平衡的机理，并充分利用网联环境带来的信息获取便利，结合网联感知和自车感知信息，对周车和自车的状态进行准确识别，在获得跟车意图的前提下，采用基于认知风险平衡的模型计算获得自车的跟车加速度，进而推算出自车的目标车速和车距，最后通过车辆逆动力学模型获得节气门开度和制动压力的控制量，通过模糊自适应控制实现认知风险平衡的跟车意图的准确实施。实现了拟人化的认知风险平衡机制在智能汽车纵向驾驶行为决策上的应用，通过学习人类优秀驾驶员的驾驶决策规律，以指导智能汽车拟人化的跟车行驶。
与现有跟车决策方法相比，可充分利用网联环境下路侧、周车和云端等多源信息，为更为准确的周车环境感知提供支撑，有效提升了决策信息来源的广度，有望减小因盲区和传感器误检造成的决策失误而产生的风险，提高了智能车辆的安全性；本发明的实施例，在基于“学习人、模拟人、超越人和服务人”的拟人化决策理念，揭示了驾驶人纵向驾驶行为符合主观风险认知和行驶效率需求平衡的机理，探明了在稳态跟车行为中驾驶人希望维持车头时距和逆碰撞时间这两个物理量不变的机制，由此，提出了双曲正切函数的纵向加速度响应模型，形成了基于认知风险平衡的纵向驾驶决策方法，提高了智能汽车跟车决策的拟人化程度，改善了现有智能汽车跟车决策方法宜人性和人性化程度不足，可解释性差等弊端；此外，与现有跟车模型相比，可通过车辆纵向逆动力性模型，获得智能车辆的制动压力和节气门开度，用于智能车辆纵向运动的直接控制，因此，具有更好的实用性。
另外，根据本发明实施例的基于认知风险平衡的智能汽车跟车决策和控制装置与本发明实施例的基于认知风险平衡的智能汽车跟车决策和控制方法的具体实现方式类似，具体请参见方法部分的描述，此处不做赘述。
此外，本申请第四方面实施例提供一种智能汽车跟车决策和控制设备，其上存储有计算机程序，该程序被处理器执行，以用于实现根据上述的第一方面的实施例所述的基于认知风险平衡的智能汽车跟车决策和控制方法。
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 (9)
1.一种基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，包括以下步骤：
在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于所述车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，所述认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系；
判断所述认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内；
基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制；
所述认知风险函数为：
其中，RP为认知风险函数，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，
为常数，
为常数，所述
，ttc=1/ittc，
，其中，s为自车与前车的间距，
为自车速度，
为前车速度，ittc为逆碰撞时间；
其中，驾驶员在稳定跟车过程中，车头时距和逆碰撞时间维持在小范围内波动，认知风险函数的数值在一定的区间内时，认为该区间属于驾驶员认知风险平衡的区间。
2.根据权利要求1所述的基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，在确定智能汽车处于跟车工况的情况下之前，还包括：
利用车联网技术和车路协同技术，获得周车信息和交通信息；
基于自车信息、周车信息和交通信息，确定所述智能汽车是否具备维持跟车行驶的条件和意图。
3.根据权利要求1所述的基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，所述纵向加速度与认知风险之间的函数的形式至少包括以下之一：
或者，
，
其中，所述tanh为双曲正切函数，所述arctan为逆正切函数。
4.根据权利要求1所述的基于认知风险平衡的智能汽车跟车决策和控制方法，其特征在于，所述基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制，包括：
基于拟人化响应加速度得到目标车速和目标车间距；
将所述纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，所述车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系；
基于所述制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
5.一种基于认知风险平衡的智能汽车跟车决策和控制装置，其特征在于，包括：
跟车决策模块，用于在确定智能汽车处于跟车工况的情况下，基于自车与前车的间距、自车速度以及前车速度，得到自车与前车的车头时距和逆碰撞时间，并基于所述车头时距和逆碰撞时间，通过基于认知风险平衡的纵向驾驶加速度预测模型中的认知风险函数，得到认知风险，其中，所述认知风险函数包括认知风险与车头时距和逆碰撞时间之间的对应关系，以及判断所述认知风险是否位于驾驶员认知风险平衡区间内，如果所述认知风险没有位于所述驾驶员认知风险平衡区间内，则通过所述基于认知风险平衡的纵向驾驶加速度预测模型中的纵向加速度与认知风险之间的函数，预测获得人类驾驶员在相应的风险强度作用下的响应加速度，作为智能车辆应对相应的风险的拟人化响应加速度，所述拟人化响应加速度用于调节认知风险，使其保持平衡，以使所述认知风险回归所述驾驶员认知风险平衡区间内；
车辆控制模块，用于基于拟人化响应加速度，通过车辆纵向逆动力性模型预测获得节气门开度和制动压力强度，以实时调节车速，以实现基于认知风险平衡的智能汽车跟车控制；
所述认知风险函数为：
其中，RP为认知风险函数，所述thw为自车与前车的车头时距，所述ttc为自车与前车的碰撞时间，
为常数，
为常数，所述
，ttc=1/ittc，
，其中，s为自车与前车的间距，
为自车速度，
为前车速度，ittc为逆碰撞时间；
其中，驾驶员在稳定跟车过程中，车头时距和逆碰撞时间维持在小范围内波动，认知风险函数的数值在一定的区间内时，认为该区间属于驾驶员认知风险平衡的区间。
6.根据权利要求5所述的基于认知风险平衡的智能汽车跟车决策和控制装置，其特征在于，还包括：
网络感知模块，用于利用车联网技术和车路协同技术，获得周车信息和交通信息，并基于自车信息、周车信息和交通信息，确定所述智能汽车是否具备维持跟车行驶的条件和意图。
7.根据权利要求5或6所述的基于认知风险平衡的智能汽车跟车决策和控制装置，其特征在于，所述纵向加速度与认知风险之间的函数的形式至少包括以下之一：
或者，
，
其中，所述tanh为双曲正切函数，所述arctan为逆正切函数。
8.根据权利要求5所述的基于认知风险平衡的智能汽车跟车决策和控制装置，其特征在于，所述车辆控制模块，具体用于：
基于拟人化响应加速度得到目标车速和目标车间距；
将所述纵向加速度得到目标车速和目标车间距输入车辆纵向逆动力性模型，得到制动压力和节气门开度，其中，所述车辆纵向逆动力性模型包括目标发动机转速、目标车速和目标纵向加速度与制动压力和节气门开度之间的对应关系；
基于所述制动压力和节气门开度调节车速，以实现基于认知风险平衡的智能汽车跟车控制。
9.一种智能汽车跟车决策和控制设备，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1-4任一项所述的基于认知风险平衡的智能汽车跟车决策和控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210045949.8A CN114056332B (zh) | 2022-01-14 | 2022-01-14 | 基于认知风险平衡的智能汽车跟车决策和控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210045949.8A CN114056332B (zh) | 2022-01-14 | 2022-01-14 | 基于认知风险平衡的智能汽车跟车决策和控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114056332A CN114056332A (zh) | 2022-02-18 |
| CN114056332B true CN114056332B (zh) | 2022-04-12 |
Family
ID=80230950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210045949.8A Active CN114056332B (zh) | 2022-01-14 | 2022-01-14 | 基于认知风险平衡的智能汽车跟车决策和控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114056332B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109709956A (zh) * | 2018-12-26 | 2019-05-03 | 同济大学 | 一种自动驾驶车辆速度控制多目标优化的跟驰算法 |
| CN110488802A (zh) * | 2019-08-21 | 2019-11-22 | 清华大学 | 一种网联环境下的自动驾驶车辆动态行为决策方法 |
| DE102020110003A1 (de) * | 2019-04-11 | 2020-10-15 | Hyundai Mobis Co., Ltd. | Kollisionsvermeidungs-steuerverfahren und -vorrichtung für ein fahrzeug |
| CN112466119A (zh) * | 2020-11-26 | 2021-03-09 | 清华大学 | 一种利用车路协同数据的汽车跟车车速预测方法及系统 |
| CN113665574A (zh) * | 2021-10-22 | 2021-11-19 | 清华大学 | 智能汽车换道时长预测及拟人化轨迹规划方法 |
| CN113771884A (zh) * | 2021-11-09 | 2021-12-10 | 清华大学 | 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6443381B2 (ja) * | 2015-09-30 | 2018-12-26 | 株式会社デンソー | 運転支援装置 |
-
2022
- 2022-01-14 CN CN202210045949.8A patent/CN114056332B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109709956A (zh) * | 2018-12-26 | 2019-05-03 | 同济大学 | 一种自动驾驶车辆速度控制多目标优化的跟驰算法 |
| DE102020110003A1 (de) * | 2019-04-11 | 2020-10-15 | Hyundai Mobis Co., Ltd. | Kollisionsvermeidungs-steuerverfahren und -vorrichtung für ein fahrzeug |
| CN110488802A (zh) * | 2019-08-21 | 2019-11-22 | 清华大学 | 一种网联环境下的自动驾驶车辆动态行为决策方法 |
| CN112466119A (zh) * | 2020-11-26 | 2021-03-09 | 清华大学 | 一种利用车路协同数据的汽车跟车车速预测方法及系统 |
| CN113665574A (zh) * | 2021-10-22 | 2021-11-19 | 清华大学 | 智能汽车换道时长预测及拟人化轨迹规划方法 |
| CN113771884A (zh) * | 2021-11-09 | 2021-12-10 | 清华大学 | 基于侧向量化平衡指标的智能汽车拟人化轨迹规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114056332A (zh) | 2022-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113386795B (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 | |
| US10838423B2 (en) | Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits | |
| Moon et al. | Design, tuning, and evaluation of a full-range adaptive cruise control system with collision avoidance | |
| US10026317B2 (en) | Autonomous probability control | |
| CN107117179B (zh) | 基于乘员注意的自主控制 | |
| US9989963B2 (en) | Autonomous confidence control | |
| CN112477884B (zh) | 自动驾驶控制方法、装置及车辆 | |
| US20170248953A1 (en) | Autonomous peril control | |
| US20170247040A1 (en) | Autonomous vehicle control transitioning | |
| CN113788021B (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
| BR122013012807A2 (pt) | Veículo, sistema de interface com um condutor de um veículo e método para gerenciar tarefas de interface com um condutor | |
| CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
| CN110949407B (zh) | 基于驾驶员实时风险响应的动态人机共驾驾驶权分配方法 | |
| CN113370996B (zh) | 自动驾驶换道跟驰决策方法及系统、自动驾驶车辆 | |
| EP3666612A1 (en) | Vehicle control device | |
| CN116466644B (zh) | 一种基于plc控制的车辆性能监管系统及方法 | |
| CN114987539A (zh) | 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统 | |
| CN114056332B (zh) | 基于认知风险平衡的智能汽车跟车决策和控制方法 | |
| CN111483458B (zh) | 一种动力系统控制方法及装置 | |
| CN103231710B (zh) | 基于驾驶员工作负担调度驾驶员接口任务的系统和方法 | |
| Shojaeefard et al. | Weather-aware fuzzy adaptive cruise control: Dynamic reference signal design | |
| JP2006097862A (ja) | 車両用駆動力制御装置 | |
| Zheng et al. | An investigation on coordination of lane departure warning based on driver behaviour characteristics | |
| Wu et al. | Multi-objective dynamic coordinated Adaptive Cruise Control for intelligent electric vehicle with sensors fusion | |
| CN114347998B (zh) | 一种车辆辅助驾驶控制方法、系统、设备及介质 |
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 |