CN114115216A - 车辆编队控制方法、装置、设备及存储介质 - Google Patents
车辆编队控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114115216A CN114115216A CN202110878021.3A CN202110878021A CN114115216A CN 114115216 A CN114115216 A CN 114115216A CN 202110878021 A CN202110878021 A CN 202110878021A CN 114115216 A CN114115216 A CN 114115216A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- local path
- preset
- path
- optimal
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 52
- 230000005484 gravity Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000003780 insertion Methods 0.000 description 12
- 230000037431 insertion Effects 0.000 description 12
- 230000008447 perception Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0293—Convoy travelling
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种车辆编队控制方法、装置、设备及存储介质。该方法包括:根据领航车摄像头采集的环境信息生成导航规划路径,通过预设分割路径算法进行路径处理,得到最优局部路径曲线;通过无人机摄像头采集预设范围内的车辆信息以及车道线信息,并通过预设行为预测算法生成车辆意图模型;根据当前车队位置、车辆意图模型以及最优局部路径曲线确定总势力场;根据总势力场进行调整,得到最终局部路径曲线;根据最终局部路径曲线确定目标速度和目标转向,从而对车辆编队进行横纵向控制。通过上述方式,对编队车辆的周边车辆进行行为预测,规避可能存在的风险,避免了数据的传输时间、处理器的运算时间等延迟因素影响车辆编队控制精度以及行驶效率。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其涉及一种车辆编队控制方法、装置、设备及存储介质。
背景技术
中国专利申请:一种侦察类无人机和无人装甲车联合编队系统(公开号:CN111857145A)使用无人机拓展视场,扩大无人装甲车的感知范围,通过无人机与无人装甲车集群的配合来提高装甲车集群在作战区域的智能化、网联化和协同化程度。但是该专利存在以下缺陷:采用无人机实时感知前方环境并结合领航车辆感知图像进行路线及车辆编队规划,缺乏预见性,数据的传输时间、处理器的运算时间等均会导致决策延迟,在高速、多变的环境下会影响规划的时效性,从而影响车辆编队整体控制精度,进一步影响车辆编队的行驶效率。
中国专利申请:一种基于车-车通信的车辆编队纵向控制方法(公开号:CN111913389A)提出基于前馈-反馈的控制框架,受控车辆的油门开度或制动压力的控制量为前馈控制量和反馈控制量之和,根据受控车辆的油门开度或制动压力的控制量完成受控车辆的加减速控制。但是该专利存在以下缺陷:通过车辆编队中各个车辆的速度、加速度和位置控制车辆的油门开度或制动压力,而没有考虑车辆周边环境,导致车辆编队行驶效率低下。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种车辆编队控制方法、装置、设备及存储介质,旨在解决如何提高车辆编队整体控制精度并提高车辆编队行驶效率的技术问题。
为实现上述目的,本发明提供了一种车辆编队控制方法,所述方法包括以下步骤:
根据领航车摄像头采集的车队周边环境信息生成导航规划路径;
通过预设分割路径算法对所述导航规划路径进行路径处理,得到最优局部路径曲线;
通过无人机摄像头采集预设范围内的车辆信息以及车道线信息;
根据所述车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型;
根据当前车队位置、所述车辆意图模型以及所述最优局部路径曲线确定总势力场;
根据总势力场对所述最优局部路径曲线进行调整,得到最终局部路径曲线;
根据所述最终局部路径曲线确定车辆编队的目标速度和目标转向;
根据所述目标速度以及所述目标转向对所述车辆编队进行横向控制以及纵向控制。
可选地,所述通过预设分割路径算法对所述导航规划路径进行路径处理,得到最优局部路径曲线,包括:
根据所述车队周边环境信息确定领航车的车前环境复杂度;
根据所述车前环境复杂度确定等分点个数以及参考路径长度;
根据所述参考路径长度对所述导航规划路径进行分割,得到参考路径;
在所述参考路径的各等分点处生成预设个数的等分离散点,得到各等分点对应的离散路径点集合;
根据所述离散路径点集合进行拟合,得到若干局部路径曲线;
根据预设局部路径代价函数确定所述若干局部路径曲线对应的若干代价值;
从所述若干代价值中选取最小代价值;
将所述最小代价值对应的局部路径曲线作为最优局部路径曲线。
可选地,所述根据所述车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型,包括:
根据所述车辆信息以及车道线信息通过预设行为预测算法确定周边车辆的若干行为预测结果;
根据预设损失函数确定所述若干行为预测结果对应的若干预测概率值;
从所述若干行为预测结果中选取最大预测概率值对应的最优行为预测结果;
根据所述最优行为预测结果生成车辆意图模型。
可选地,所述根据当前车队位置、所述车辆意图模型以及所述最优局部路径曲线确定总势力场,包括:
获取预设引力势场常量,根据所述预设引力势场常量、当前车队位置以及所述最优局部路径曲线确定引力势场;
获取预设斥力势场常量以及预设距离阈值,根据所述预设斥力势场常量、所述预设距离阈值、所述当前车队位置以及所述车辆意图模型确定斥力势场;
根据所述引力势场以及所述斥力势场确定总势力场。
可选地,所述根据所述目标速度以及所述目标转向对所述车辆编队进行横向控制以及纵向控制,包括:
获取前轮轮胎摩擦力、后轮轮胎摩擦力、前轮转动摩擦力、后轮转动摩擦力、所述车辆编队的空气阻力以及坡度重力分量;
根据所述目标速度、所述前轮轮胎摩擦力、所述后轮轮胎摩擦力、所述前轮转动摩擦力、所述后轮转动摩擦力、所述车辆编队的空气阻力以及所述坡度重力分量对所述车辆编队进行纵向控制;
根据所述最优局部路径曲线以及所述目标转向确定领航车重心与最优规划路径之间的距离、领航车重心与最优规划路径之间的偏航角误差、领航车前轮转向角以及期望偏航角速度;
根据所述领航车重心与最优规划路径之间的距离、所述领航车重心与最优规划路径之间的偏航角误差、所述领航车前轮转向角以及所述期望偏航角速度对所述车辆编队进行横向控制。
可选地,所述根据总势力场对所述最优局部路径曲线进行调整,得到最终局部路径曲线,包括:
判断所述总势力场是否大于第一预设数值;
在所述总势力场小于或等于所述第一预设数值时,从所述若干局部路径曲线中除去所述最优局部路径曲线,得到调整后的若干局部路径曲线;
根据所述调整后的若干局部路径曲线执行根据预设局部路径代价函数确定所述若干局部路径曲线对应的若干代价值的步骤,直到目标局部路径曲线对应的目标总势力场大于所述第一预设数值;
将所述目标局部路径曲线作为最终局部路径曲线。
可选地,所述判断所述总势力场是否大于第一预设数值之后,所述方法还包括:
在所述总势力场大于所述第一预设数值时,将所述最优局部路径曲线作为最终局部路径曲线。
此外,为实现上述目的,本发明还提出一种车辆编队控制装置,所述车辆编队控制装置包括:
规划模块,用于根据领航车摄像头采集的车队周边环境信息生成导航规划路径;
处理模块,用于通过预设分割路径算法对所述导航规划路径进行路径处理,得到最优局部路径曲线;
采集模块,用于通过无人机摄像头采集预设范围内的车辆信息以及车道线信息;
预测模块,用于根据所述车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型;
确定模块,用于根据当前车队位置、所述车辆意图模型以及所述最优局部路径曲线确定总势力场;
调整模块,用于根据总势力场对所述最优局部路径曲线进行调整,得到最终局部路径曲线;
所述确定模块,还用于根据所述最终局部路径曲线确定车辆编队的目标速度和目标转向;
控制模块,用于根据所述目标速度以及所述目标转向对所述车辆编队进行横向控制以及纵向控制。
此外,为实现上述目的,本发明还提出一种车辆编队控制设备,所述车辆编队控制设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆编队控制程序,所述车辆编队控制程序配置为实现如上文所述的车辆编队控制方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有车辆编队控制程序,所述车辆编队控制程序被处理器执行时实现如上文所述的车辆编队控制方法。
本发明根据领航车摄像头采集的车队周边环境信息生成导航规划路径;通过预设分割路径算法对导航规划路径进行路径处理,得到最优局部路径曲线;通过无人机摄像头采集预设范围内的车辆信息以及车道线信息;根据车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型;根据当前车队位置、车辆意图模型以及最优局部路径曲线确定总势力场;根据总势力场对最优局部路径曲线进行调整,得到最终局部路径曲线;根据最终局部路径曲线确定车辆编队的目标速度和目标转向;根据目标速度以及目标转向对车辆编队进行横向控制以及纵向控制。通过上述方式,结合无人机摄像头感知视野广的优势与编队车辆摄像头感知实时性强的优势,得到编队最优的速度及转向控制,进而提高车辆编队行驶效率及安全性,根据预设行为预测算法得到车辆意图模型,对编队车辆周边环境的目标进行行为预测,提前识别目标行驶位置,规避可能存在的风险,进而解决了数据传输时间、处理器运算时间等因素导致车辆编队决策延迟的问题,提高了车辆编队整体控制精度,进一步提高了车辆编队的整体行驶效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的车辆编队控制设备的结构示意图;
图2为本发明车辆编队控制方法第一实施例的流程示意图;
图3为本发明车辆编队控制方法第二实施例的流程示意图;
图4为本发明车辆编队控制方法一实施例的局部路径曲线拟合示意图;
图5为本发明车辆编队控制装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的车辆编队控制设备结构示意图。
如图1所示,该车辆编队控制设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对车辆编队控制设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆编队控制程序。
在图1所示的车辆编队控制设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明车辆编队控制设备中的处理器1001、存储器1005可以设置在车辆编队控制设备中,所述车辆编队控制设备通过处理器1001调用存储器1005中存储的车辆编队控制程序,并执行本发明实施例提供的车辆编队控制方法。
本发明实施例提供了一种车辆编队控制方法,参照图2,图2为本发明车辆编队控制方法第一实施例的流程示意图。
本实施例中,所述车辆编队控制方法包括以下步骤:
步骤S10:根据领航车摄像头采集的车队周边环境信息生成导航规划路径。
可以理解的是,本实施例的执行主体为控制器,所述控制器可以为安装于车辆编队中任一辆车辆上的域控制器,也可以为其他控制器,本实施例对此不加以限制,在具体实现中,本实施例的硬件设备包括安装于编队车辆上用于摄取车辆前方及周边环境的车载摄像头、安装于无人机上用于摄取车辆周边及路面信息的无人机摄像头以及控制器,所述控制器用于接收和处理车载摄像头以及无人机摄像头采集的感知信息,所述车载摄像头可以为领航车摄像头,所述领航车摄像头安装于车辆编队的领航车上。
需要说明的是,为了使领航车摄像头以及无人机摄像头采集的数据保持同步,在数据采集之前,将无人机自带的时间与编队车辆的时间同步,将无人机设置为跟随拍摄模式,并根据车辆编队的位置进行位置实时校正,跟随车辆移动,并保持位于车辆正上方。
可以理解的是,本实施例中通过领航车摄像头采集的图像信息确定车队周边环境信息,根据车队周边环境信息确定周边车辆与车辆编队的距离以及相对角度,根据距离以及相对角度将周边车辆投射至领航车坐标系中,确定各车辆于领航车坐标系中的位置,基于该坐标系生成导航规划路径。
步骤S20:通过预设分割路径算法对所述导航规划路径进行路径处理,得到最优局部路径曲线。
需要说明的是,本实施例中根据预设分割路径算法对导航规划路径进行截取,并将截取后的导航规划路径拟合成多条局部路径曲线,依据影响路径曲线的因素对多条局部路径曲线进行分析,选取影响最小的局部路径曲线作为最优局部路径曲线。
步骤S30:通过无人机摄像头采集预设范围内的车辆信息以及车道线信息。
应当理解的是,预先设置无人机摄像头的采集范围,无人机摄像头根据该预先设置的采集范围采集车辆编队前方预设范围内的感知信息,预设范围可以根据实际需求进行设置,例如,预设范围设置为车辆前方150米范围。采用车辆识别算法采集预设范围内的车辆信息,采用车道线识别算法采集预设范围内的车队周边两条车道的车道线信息。
步骤S40:根据所述车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型。
需要说明的是,车辆意图模型表征前方车辆最优的行为预测结果,包括前方车辆的插入区域以及插入时间。
进一步地,所述步骤S40,包括:根据所述车辆信息以及车道线信息通过预设行为预测算法确定周边车辆的若干行为预测结果;根据预设损失函数确定所述若干行为预测结果对应的若干预测概率值;从所述若干行为预测结果中选取最大预测概率值对应的最优行为预测结果;根据所述最优行为预测结果生成车辆意图模型。
可以理解的是,本实施例通过预设行为预测算法进行行为预测,得到若干个行为预测结果,根据预设损失函数从若干行为预测结果中选择最优行为预测结果,并根据最优行为预测结果生成车辆意图模型。
需要说明的是,本实施例有预设行为预测算法(公式(1)):
其中,表示第k台车的行为预测结果,x表示输入状态特征,即车辆信息以及车道线信息,Cs表示第k台车的插入区域s,Ct表示第k台车的插入时间t;Πk(x)表示高斯系数,表示第k台车插入区域及插入时间的均值;表示第k台车插入区域及插入时间的协方差。
针对上述预设行为预测算法,有预设损失函数(公式(2)):
应当理解的是,预设损失函数可以使周边车辆真正插入的区域拥有最大的权重,对插入该区域内的时间和位置信息进行概率预测,输出多个意图模型Cx,ρ及对应预测概率,并得到预测概率最高的车辆意图模型Ck,max。其中,车辆意图模型的输入为车辆信息以及车道线信息,输出为最优行为预测结果,包括插入区域以及插入时间。
步骤S50:根据当前车队位置、所述车辆意图模型以及所述最优局部路径曲线确定总势力场。
需要说明的是,当前车队位置可以通过定位装置进行获取,在具体实现中,所述步骤S50,包括:获取预设引力势场常量,根据所述预设引力势场常量、当前车队位置以及所述最优局部路径曲线确定引力势场;获取预设斥力势场常量以及预设距离阈值,根据所述预设斥力势场常量、所述预设距离阈值、所述当前车队位置以及所述车辆意图模型确定斥力势场;根据所述引力势场以及所述斥力势场确定总势力场。
应当理解的是,本实施例中假设构造一个虚拟力场,力场中包含的主要要素有编队车辆、最优局部路径曲线和车辆意图模型,其中力的产生和强弱规则如下:虚拟力场中的最优局部路径曲线对编队车辆产生吸引力,编队车辆越接近最优局部路径曲线吸引力越弱,若完全处于最优局部路径曲线上则吸引力为0,而力场中的车辆意图模型即潜在障碍物则对编队车辆产生排斥力,并且编队车辆离潜在障碍物越近排斥力越强。编队车辆同时受到吸引力和排斥力的作用而将沿着势能最小的方向运动,在势场力的控制作用下得到编队车辆预估的最优局部路径曲线的总势力场,有引力势场函数(公式(3))定义为:
其中,参数Ka表示引力势场常量,pi表示当前车队位置,Ln表示最优局部路径曲线,Wattr(V,T)表示引力势场。
有斥能势场函数(公式(4))定义为:
其中,Kr为斥力势场常量,Ck,max表示车辆意图模型,斥力势能场影响的范围由预设距离阈值r0控制,在具体实现中可以设置r0=7m,Wrepl(V,T)表示斥力势场。
总势力场为引力势力场与斥力势力场的叠加,根据公式(5)得到编队车辆预估的最优局部路径曲线的总势力场W(V,T):
W(V,T)=Wattr(V,T)+Wrepl(V,T) (5)
步骤S60:根据总势力场对所述最优局部路径曲线进行调整,得到最终局部路径曲线。
需要说明的是,本实施例中如果最优局部路径曲线对应的总势力场小于或等于第一预设数值,则说明最优局部路径曲线不适用当前行驶状况,需要重新选择局部路径曲线,使得选中的局部路径曲线对应的总势力场大于第一预设数值,此时将选中的局部路径曲线作为最终局部路径曲线。
步骤S70:根据所述最终局部路径曲线确定车辆编队的目标速度和目标转向。
需要说明的是,最终局部路径曲线为控制器根据总势力场确定的最优的局部路径曲线,为了实现车辆对该最终局部路径曲线进行跟踪,根据该最终局部路径曲线确定目标速度以及目标转向,其中目标转向为车辆当前行驶方向与最终局部路径曲线切线方向的角度差,目标速度可以根据当前车速以及与障碍物之间的距离进行实时调整。
步骤S80:根据所述目标速度以及所述目标转向对所述车辆编队进行横向控制以及纵向控制。
进一步地,所述步骤S80,包括:获取前轮轮胎摩擦力、后轮轮胎摩擦力、前轮转动摩擦力、后轮转动摩擦力、所述车辆编队的空气阻力以及坡度重力分量;根据所述目标速度、所述前轮轮胎摩擦力、所述后轮轮胎摩擦力、所述前轮转动摩擦力、所述后轮转动摩擦力、所述车辆编队的空气阻力以及所述坡度重力分量对所述车辆编队进行纵向控制;根据所述最优局部路径曲线以及所述目标转向确定领航车重心与最优规划路径之间的距离、领航车重心与最优规划路径之间的偏航角误差、领航车前轮转向角以及期望偏航角速度;根据所述领航车重心与最优规划路径之间的距离、所述领航车重心与最优规划路径之间的偏航角误差、所述领航车前轮转向角以及所述期望偏航角速度对所述车辆编队进行横向控制。
需要说明的是,本实施例中根据公式(6)确定纵向控制的总阻力:
其中,Fxf为前轮轮胎摩擦力,Fxr为后轮轮胎摩擦力,Rxf为前轮转动摩擦力,Rxr为后轮转动摩擦力,Fanr与Fnnr分别为领航车与跟随车的空气阻力,mgsinθ为坡度重力分量。
根据目标速度以及总阻力确定纵向控制期望速度,从而依据期望速度对车辆进行纵向控制。
有横向控制(公式(7)):
本实施例根据领航车摄像头采集的车队周边环境信息生成导航规划路径;通过预设分割路径算法对导航规划路径进行路径处理,得到最优局部路径曲线;通过无人机摄像头采集预设范围内的车辆信息以及车道线信息;根据车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型;根据当前车队位置、车辆意图模型以及最优局部路径曲线确定总势力场;根据总势力场对最优局部路径曲线进行调整,得到最终局部路径曲线;根据最终局部路径曲线确定车辆编队的目标速度和目标转向;根据目标速度以及目标转向对车辆编队进行横向控制以及纵向控制。通过上述方式,结合无人机摄像头感知视野广的优势与编队车辆摄像头感知实时性强的优势,得到编队最优的速度及转向控制,进而提高车辆编队行驶效率及安全性,根据预设行为预测算法得到车辆意图模型,对编队车辆周边环境的目标进行行为预测,提前识别目标行驶位置,规避可能存在的风险,进而解决了数据传输时间、处理器运算时间等因素导致车辆编队决策延迟的问题,提高了车辆编队整体控制精度,进一步提高了车辆编队的整体行驶效率。
参考图3,图3为本发明车辆编队控制方法第二实施例的流程示意图。
基于上述第一实施例,本实施例车辆编队控制方法的所述步骤S20,包括:
步骤S201:根据所述车队周边环境信息确定领航车的车前环境复杂度。
需要说明的是,本实施例以领航车后轴中点设定为第一点即坐标原点,并根据坐标原点建立世界坐标系,根据所述车队周边环境信息确定领航车所处当前车道以及相邻车道的车前车辆数量,根据该车前车辆数量确定车前环境复杂度,车前环境复杂度表示车前车辆数量占车辆编队总数的百分率。
步骤S202:根据所述车前环境复杂度确定等分点个数以及参考路径长度。
应当理解的是,根据公式(8)确定领航车车前环境复杂度对应的等分点个数以及参考路径长度:
其中,Lt表示参考路径,在车前环境复杂度大于70%时,确定对应的等分点个数为5,参考路径长度为50m;在车前环境复杂度小于等于70%且大于0时,确定对应的等分点个数为3,参考路径长度为150m;在车前环境复杂度为0时,确定对应的等分点个数为0,参考路径长度为导航规划路径的长度。
步骤S203:根据所述参考路径长度对所述导航规划路径进行分割,得到参考路径。
需要说明的是,本实施例根据预设分割路径算法从导航规划路径中分割出将参考路径Lt,并根据等分点个数将参考路径Lt等分为P段。所述参考路径包含有各等分点。
步骤S204:在所述参考路径的各等分点处生成预设个数的等分离散点,得到各等分点对应的离散路径点集合。
应当理解的是,预设个数可以根据实际情况进行设置,本实施例设置预设个数为5个,在每个等分点处确定参考路径的切线,沿切线的垂直方向生成5个等分离散点,其中,每两个离散点之间的距离为车道的宽度,构成等分点对应的离散路径点集合Q={P1i,P2i,P3i,P4i,P5i},其中i表示等分离散点中的第i个。
步骤S205:根据所述离散路径点集合进行拟合,得到若干局部路径曲线。
参照图4,图4为本发明车辆编队控制方法一实施例的局部路径曲线拟合示意图,图4中等分点个数为3个,在各等分点生成等分离散点,使用一元三次方程式对离散路径点集合进行拟合,得到若干局部路径曲线,图中仅示意出了两条局部路径曲线。
步骤S206:根据预设局部路径代价函数确定所述若干局部路径曲线对应的若干代价值。
需要说明的是,本实施例的预设局部路径代价函数表征为公式(9):
其中,Pi(s)为影响路径曲线的因素,本实施例中设定影响路径曲线的因素有车队行驶效率、与障碍物目标的距离即安全性、与车道线的偏离度即舒适性以及与轨迹原点斜率的偏离量即节油率。
步骤S207:从所述若干代价值中选取最小代价值。
步骤S208:将所述最小代价值对应的局部路径曲线作为最优局部路径曲线。
应当理解的是,根据预设局部路径代价函数确定若干局部路径曲线中满足要求的最优局部路径曲线,当局部路径曲线对应的代价值最小时,确定该局部路径曲线为最优局部路径曲线。
进一步地,所述步骤S60,包括:判断所述总势力场是否大于第一预设数值;在所述总势力场小于或等于所述第一预设数值时,从所述若干局部路径曲线中除去所述最优局部路径曲线,得到调整后的若干局部路径曲线;根据所述调整后的若干局部路径曲线执行根据预设局部路径代价函数确定所述若干局部路径曲线对应的若干代价值的步骤,直到目标局部路径曲线对应的目标总势力场大于所述第一预设数值;将所述目标局部路径曲线作为最终局部路径曲线。
进一步地,所述判断所述总势力场是否大于第一预设数值之后,所述方法还包括:在所述总势力场大于所述第一预设数值时,将所述最优局部路径曲线作为最终局部路径曲线。
需要说明的是,本实施例中第一预设数值为0,当总势力场W>0时,表征车辆编队周边环境良好,则输出最优局部路径曲线,并根据最优局部路径曲线确定车辆编队的目标速度及目标转向。当总势力场W<0时,表示车辆编队周边环境较为复杂,存在障碍物或潜在目标车辆,则根据总势力场调整最优局部路径曲线,从若干局部路径曲线重新选择目标局部路径曲线,在确定目标局部路径曲线对应的总势力场>0时,将目标局部路径曲线作为最终局部路径曲线,得到最优的速度及转向(Vo,To)。
本实施例根据车队周边环境信息确定领航车的车前环境复杂度;根据车前环境复杂度确定等分点个数以及参考路径长度;根据参考路径长度对导航规划路径进行分割,得到参考路径;在参考路径的各等分点处生成预设个数的等分离散点,得到各等分点对应的离散路径点集合;根据离散路径点集合进行拟合,得到若干局部路径曲线;根据预设局部路径代价函数确定若干局部路径曲线对应的若干代价值;从若干代价值中选取最小代价值;将最小代价值对应的局部路径曲线作为最优局部路径曲线。通过上述方式,引入环境复杂度,对导航规划路径进行分割,简化编队车辆局部路径规划,使得当车辆编队在处于理想或车辆较少的环境下时,能快速获取到局部路径,进一步压缩计算量,提高了车辆编队整体控制精度,进一步提高了车辆编队的整体行驶效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有车辆编队控制程序,所述车辆编队控制程序被处理器执行时实现如上文所述的车辆编队控制方法。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
参照图5,图5为本发明车辆编队控制装置第一实施例的结构框图。
如图5所示,本发明实施例提出的车辆编队控制装置包括:
规划模块10,用于根据领航车摄像头采集的车队周边环境信息生成导航规划路径。
处理模块20,用于通过预设分割路径算法对所述导航规划路径进行路径处理,得到最优局部路径曲线。
采集模块30,用于通过无人机摄像头采集预设范围内的车辆信息以及车道线信息。
预测模块40,用于根据所述车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型。
确定模块50,用于根据当前车队位置、所述车辆意图模型以及所述最优局部路径曲线确定总势力场。
调整模块60,用于根据总势力场对所述最优局部路径曲线进行调整,得到最终局部路径曲线。
所述确定模块50,还用于根据所述最终局部路径曲线确定车辆编队的目标速度和目标转向。
控制模块70,用于根据所述目标速度以及所述目标转向对所述车辆编队进行横向控制以及纵向控制。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
本实施例根据领航车摄像头采集的车队周边环境信息生成导航规划路径;通过预设分割路径算法对导航规划路径进行路径处理,得到最优局部路径曲线;通过无人机摄像头采集预设范围内的车辆信息以及车道线信息;根据车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型;根据当前车队位置、车辆意图模型以及最优局部路径曲线确定总势力场;根据总势力场对最优局部路径曲线进行调整,得到最终局部路径曲线;根据最终局部路径曲线确定车辆编队的目标速度和目标转向;根据目标速度以及目标转向对车辆编队进行横向控制以及纵向控制。通过上述方式,结合无人机摄像头感知视野广的优势与编队车辆摄像头感知实时性强的优势,得到编队最优的速度及转向控制,进而提高车辆编队行驶效率及安全性,根据预设行为预测算法得到车辆意图模型,对编队车辆周边环境的目标进行行为预测,提前识别目标行驶位置,规避可能存在的风险,进而解决了数据传输时间、处理器运算时间等因素导致车辆编队决策延迟的问题,提高了车辆编队整体控制精度,进一步提高了车辆编队的整体行驶效率。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的车辆编队控制方法,此处不再赘述。
在一实施例中,所述处理模块20,还用于根据所述车队周边环境信息确定领航车的车前环境复杂度,根据所述车前环境复杂度确定等分点个数以及参考路径长度,根据所述参考路径长度对所述导航规划路径进行分割,得到参考路径,在所述参考路径的各等分点处生成预设个数的等分离散点,得到各等分点对应的离散路径点集合,根据所述离散路径点集合进行拟合,得到若干局部路径曲线,根据预设局部路径代价函数确定所述若干局部路径曲线对应的若干代价值,从所述若干代价值中选取最小代价值,将所述最小代价值对应的局部路径曲线作为最优局部路径曲线。
在一实施例中,所述预测模块40,还用于根据所述车辆信息以及车道线信息通过预设行为预测算法确定周边车辆的若干行为预测结果,根据预设损失函数确定所述若干行为预测结果对应的若干预测概率值,从所述若干行为预测结果中选取最大预测概率值对应的最优行为预测结果,根据所述最优行为预测结果生成车辆意图模型。
在一实施例中,所述确定模块50,还用于获取预设引力势场常量,根据所述预设引力势场常量、当前车队位置以及所述最优局部路径曲线确定引力势场,获取预设斥力势场常量以及预设距离阈值,根据所述预设斥力势场常量、所述预设距离阈值、所述当前车队位置以及所述车辆意图模型确定斥力势场,根据所述引力势场以及所述斥力势场确定总势力场。
在一实施例中,所述控制模块70,用于获取前轮轮胎摩擦力、后轮轮胎摩擦力、前轮转动摩擦力、后轮转动摩擦力、所述车辆编队的空气阻力以及坡度重力分量,根据所述目标速度、所述前轮轮胎摩擦力、所述后轮轮胎摩擦力、所述前轮转动摩擦力、所述后轮转动摩擦力、所述车辆编队的空气阻力以及所述坡度重力分量对所述车辆编队进行纵向控制,根据所述最优局部路径曲线以及所述目标转向确定领航车重心与最优规划路径之间的距离、领航车重心与最优规划路径之间的偏航角误差、领航车前轮转向角以及期望偏航角速度,根据所述领航车重心与最优规划路径之间的距离、所述领航车重心与最优规划路径之间的偏航角误差、所述领航车前轮转向角以及所述期望偏航角速度对所述车辆编队进行横向控制。
在一实施例中,所述调整模块60,还用于判断所述总势力场是否大于第一预设数值,在所述总势力场小于或等于所述第一预设数值时,从所述若干局部路径曲线中除去所述最优局部路径曲线,得到调整后的若干局部路径曲线,根据所述调整后的若干局部路径曲线执行根据预设局部路径代价函数确定所述若干局部路径曲线对应的若干代价值的步骤,直到目标局部路径曲线对应的目标总势力场大于所述第一预设数值,将所述目标局部路径曲线作为最终局部路径曲线。
在一实施例中,所述调整模块60,还用于在所述总势力场大于所述第一预设数值时,将所述最优局部路径曲线作为最终局部路径曲线。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆编队控制方法,其特征在于,所述车辆编队控制方法包括:
根据领航车摄像头采集的车队周边环境信息生成导航规划路径;
通过预设分割路径算法对所述导航规划路径进行路径处理,得到最优局部路径曲线;
通过无人机摄像头采集预设范围内的车辆信息以及车道线信息;
根据所述车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型;
根据当前车队位置、所述车辆意图模型以及所述最优局部路径曲线确定总势力场;
根据总势力场对所述最优局部路径曲线进行调整,得到最终局部路径曲线;
根据所述最终局部路径曲线确定车辆编队的目标速度和目标转向;
根据所述目标速度以及所述目标转向对所述车辆编队进行横向控制以及纵向控制。
2.如权利要求1所述的车辆编队控制方法,其特征在于,所述通过预设分割路径算法对所述导航规划路径进行路径处理,得到最优局部路径曲线,包括:
根据所述车队周边环境信息确定领航车的车前环境复杂度;
根据所述车前环境复杂度确定等分点个数以及参考路径长度;
根据所述参考路径长度对所述导航规划路径进行分割,得到参考路径;
在所述参考路径的各等分点处生成预设个数的等分离散点,得到各等分点对应的离散路径点集合;
根据所述离散路径点集合进行拟合,得到若干局部路径曲线;
根据预设局部路径代价函数确定所述若干局部路径曲线对应的若干代价值;
从所述若干代价值中选取最小代价值;
将所述最小代价值对应的局部路径曲线作为最优局部路径曲线。
3.如权利要求1所述的车辆编队控制方法,其特征在于,所述根据所述车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型,包括:
根据所述车辆信息以及车道线信息通过预设行为预测算法确定周边车辆的若干行为预测结果;
根据预设损失函数确定所述若干行为预测结果对应的若干预测概率值;
从所述若干行为预测结果中选取最大预测概率值对应的最优行为预测结果;
根据所述最优行为预测结果生成车辆意图模型。
4.如权利要求1所述的车辆编队控制方法,其特征在于,所述根据当前车队位置、所述车辆意图模型以及所述最优局部路径曲线确定总势力场,包括:
获取预设引力势场常量,根据所述预设引力势场常量、当前车队位置以及所述最优局部路径曲线确定引力势场;
获取预设斥力势场常量以及预设距离阈值,根据所述预设斥力势场常量、所述预设距离阈值、所述当前车队位置以及所述车辆意图模型确定斥力势场;
根据所述引力势场以及所述斥力势场确定总势力场。
5.如权利要求1所述的车辆编队控制方法,其特征在于,所述根据所述目标速度以及所述目标转向对所述车辆编队进行横向控制以及纵向控制,包括:
获取前轮轮胎摩擦力、后轮轮胎摩擦力、前轮转动摩擦力、后轮转动摩擦力、所述车辆编队的空气阻力以及坡度重力分量;
根据所述目标速度、所述前轮轮胎摩擦力、所述后轮轮胎摩擦力、所述前轮转动摩擦力、所述后轮转动摩擦力、所述车辆编队的空气阻力以及所述坡度重力分量对所述车辆编队进行纵向控制;
根据所述最优局部路径曲线以及所述目标转向确定领航车重心与最优规划路径之间的距离、领航车重心与最优规划路径之间的偏航角误差、领航车前轮转向角以及期望偏航角速度;
根据所述领航车重心与最优规划路径之间的距离、所述领航车重心与最优规划路径之间的偏航角误差、所述领航车前轮转向角以及所述期望偏航角速度对所述车辆编队进行横向控制。
6.如权利要求2所述的车辆编队控制方法,其特征在于,所述根据总势力场对所述最优局部路径曲线进行调整,得到最终局部路径曲线,包括:
判断所述总势力场是否大于第一预设数值;
在所述总势力场小于或等于所述第一预设数值时,从所述若干局部路径曲线中除去所述最优局部路径曲线,得到调整后的若干局部路径曲线;
根据所述调整后的若干局部路径曲线执行根据预设局部路径代价函数确定所述若干局部路径曲线对应的若干代价值的步骤,直到目标局部路径曲线对应的目标总势力场大于所述第一预设数值;
将所述目标局部路径曲线作为最终局部路径曲线。
7.如权利要求6所述的车辆编队控制方法,其特征在于,所述判断所述总势力场是否大于第一预设数值之后,所述方法还包括:
在所述总势力场大于所述第一预设数值时,将所述最优局部路径曲线作为最终局部路径曲线。
8.一种车辆编队控制装置,其特征在于,所述车辆编队控制装置包括:
规划模块,用于根据领航车摄像头采集的车队周边环境信息生成导航规划路径;
处理模块,用于通过预设分割路径算法对所述导航规划路径进行路径处理,得到最优局部路径曲线;
采集模块,用于通过无人机摄像头采集预设范围内的车辆信息以及车道线信息;
预测模块,用于根据所述车辆信息以及车道线信息通过预设行为预测算法生成车辆意图模型;
确定模块,用于根据当前车队位置、所述车辆意图模型以及所述最优局部路径曲线确定总势力场;
调整模块,用于根据总势力场对所述最优局部路径曲线进行调整,得到最终局部路径曲线;
所述确定模块,还用于根据所述最终局部路径曲线确定车辆编队的目标速度和目标转向;
控制模块,用于根据所述目标速度以及所述目标转向对所述车辆编队进行横向控制以及纵向控制。
9.一种车辆编队控制设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车辆编队控制程序,所述车辆编队控制程序配置为实现如权利要求1至7中任一项所述的车辆编队控制方法。
10.一种存储介质,其特征在于,所述存储介质上存储有车辆编队控制程序,所述车辆编队控制程序被处理器执行时实现如权利要求1至7任一项所述的车辆编队控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878021.3A CN114115216B (zh) | 2021-07-30 | 2021-07-30 | 车辆编队控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878021.3A CN114115216B (zh) | 2021-07-30 | 2021-07-30 | 车辆编队控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114115216A true CN114115216A (zh) | 2022-03-01 |
CN114115216B CN114115216B (zh) | 2023-07-25 |
Family
ID=80440729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110878021.3A Active CN114115216B (zh) | 2021-07-30 | 2021-07-30 | 车辆编队控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114115216B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114506323A (zh) * | 2022-04-20 | 2022-05-17 | 北京主线科技有限公司 | 编队车辆控制方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0123688D0 (en) * | 2000-10-04 | 2001-11-21 | Intelligent Tech Int Inc | Method and arrangement for mapping a road and accident avoidance system |
US20180074520A1 (en) * | 2016-09-13 | 2018-03-15 | Arrowonics Technologies Ltd. | Formation flight path coordination of unmanned aerial vehicles |
US20200180643A1 (en) * | 2018-12-11 | 2020-06-11 | GM Global Technology Operations LLC | Systems and methods for autonomous vehicle control based upon observed acceleration |
CN111998864A (zh) * | 2020-08-11 | 2020-11-27 | 东风柳州汽车有限公司 | 无人车局部路径规划方法、装置、设备及存储介质 |
WO2020245654A1 (en) * | 2019-06-06 | 2020-12-10 | Mobileye Vision Technologies Ltd. | Systems and methods for vehicle navigation |
CN112109704A (zh) * | 2020-09-22 | 2020-12-22 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
CN112925350A (zh) * | 2021-01-15 | 2021-06-08 | 中国人民解放军战略支援部队航天工程大学 | 一种多无人机分布式协同目标搜索方法 |
CN113147762A (zh) * | 2021-04-07 | 2021-07-23 | 东风柳州汽车有限公司 | 自适应巡航的控制方法、装置、商用车及存储介质 |
-
2021
- 2021-07-30 CN CN202110878021.3A patent/CN114115216B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0123688D0 (en) * | 2000-10-04 | 2001-11-21 | Intelligent Tech Int Inc | Method and arrangement for mapping a road and accident avoidance system |
US20180074520A1 (en) * | 2016-09-13 | 2018-03-15 | Arrowonics Technologies Ltd. | Formation flight path coordination of unmanned aerial vehicles |
US20200180643A1 (en) * | 2018-12-11 | 2020-06-11 | GM Global Technology Operations LLC | Systems and methods for autonomous vehicle control based upon observed acceleration |
WO2020245654A1 (en) * | 2019-06-06 | 2020-12-10 | Mobileye Vision Technologies Ltd. | Systems and methods for vehicle navigation |
CN111998864A (zh) * | 2020-08-11 | 2020-11-27 | 东风柳州汽车有限公司 | 无人车局部路径规划方法、装置、设备及存储介质 |
CN112109704A (zh) * | 2020-09-22 | 2020-12-22 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
CN112925350A (zh) * | 2021-01-15 | 2021-06-08 | 中国人民解放军战略支援部队航天工程大学 | 一种多无人机分布式协同目标搜索方法 |
CN113147762A (zh) * | 2021-04-07 | 2021-07-23 | 东风柳州汽车有限公司 | 自适应巡航的控制方法、装置、商用车及存储介质 |
Non-Patent Citations (2)
Title |
---|
张钧鑫: "基于人工势场的多智能车辆协同控制研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 05, pages 034 - 342 * |
杨丰萍;谢梦莎;彭理群;郑文奇;刘锋;: "基于模型预测控制的汽车主动避障系统", 华东交通大学学报, no. 01, pages 74 - 80 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114506323A (zh) * | 2022-04-20 | 2022-05-17 | 北京主线科技有限公司 | 编队车辆控制方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114115216B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112389427B (zh) | 车辆轨迹优化方法、装置、电子设备和存储介质 | |
CN109598934B (zh) | 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法 | |
CN112677995B (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
Ren et al. | Integrated model predictive and torque vectoring control for path tracking of 4‐wheel‐driven autonomous vehicles | |
CN107408344B (zh) | 驾驶辅助设备 | |
CN108569336B (zh) | 在动力学约束下基于车辆运动学模型转向控制方法 | |
CN108919795A (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
Laurense et al. | Long-horizon vehicle motion planning and control through serially cascaded model complexity | |
KR101876063B1 (ko) | 차량 데이터 기반의 노면 판단 방법 | |
Lee et al. | Synthesis of robust lane keeping systems: Impact of controller and design parameters on system performance | |
CN111795699B (zh) | 无人车的路径规划方法、装置和计算机可读存储介质 | |
CN110398963A (zh) | 无轨导航纠偏控制方法、装置、存储介质及控制器 | |
Wurts et al. | Collision imminent steering using nonlinear model predictive control | |
Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework | |
CN108897216A (zh) | 一种基于区域虚拟力场的智能汽车模型预测决策方法 | |
Hima et al. | Controller design for trajectory tracking of autonomous passenger vehicles | |
CN109774707A (zh) | 用于自动驾驶车辆的控制方法及装置 | |
Zhang et al. | Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles | |
Sun et al. | Ribbon model based path tracking method for autonomous land vehicle | |
CN114115216A (zh) | 车辆编队控制方法、装置、设备及存储介质 | |
CN113071515B (zh) | 可移动载体控制方法、装置、可移动载体及存储介质 | |
Chen et al. | Personalized vehicle path following based on robust gain-scheduling control in lane-changing and left-turning maneuvers | |
CN116653957A (zh) | 一种变速变道方法、装置、设备及存储介质 | |
CN113682300B (zh) | 避让障碍物的决策方法、装置、设备及介质 | |
CN109774708A (zh) | 用于自动驾驶车辆的控制方法及装置 |
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 |