CN114179799A - 用于acc与aeb的融合多传感器信息的自车行驶路径识别方法 - Google Patents

用于acc与aeb的融合多传感器信息的自车行驶路径识别方法 Download PDF

Info

Publication number
CN114179799A
CN114179799A CN202111595519.5A CN202111595519A CN114179799A CN 114179799 A CN114179799 A CN 114179799A CN 202111595519 A CN202111595519 A CN 202111595519A CN 114179799 A CN114179799 A CN 114179799A
Authority
CN
China
Prior art keywords
vehicle
model
steering
road
steering angle
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.)
Withdrawn
Application number
CN202111595519.5A
Other languages
English (en)
Inventor
皮大伟
王旭
王洪亮
谢伯元
王尔烈
王霞
孙晓旺
王显会
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202111595519.5A priority Critical patent/CN114179799A/zh
Publication of CN114179799A publication Critical patent/CN114179799A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/072—Curvature of the road
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开一种用于ACC与AEB的融合多传感器信息的自车行驶路径识别方法。包括如下步骤：(1)建立基于车辆滤波器和行车路径预测的二自由度车辆模型，通过对车辆当前状态的估计和假设的模型来预测行驶路径；(2)建立基于视觉传感器的道路几何估计模型；(3)建立驾驶员转向意图识别方法；(4)基于步骤(3)建立的转向意图识别方法得到的驾驶模式，将二自由度车辆模型预测的行驶路径和道路几何估计模型估计的行驶路径进行融合；(5)对综合路径进行估计。本发明通过利用多车载传感器和卡尔曼滤波，在考虑驾驶员意图的情况下，于不同情况下选择不同融合方式，从而达到较为精准的路径预测。

Description

用于ACC与AEB的融合多传感器信息的自车行驶路径识别方法
技术领域
本发明属于路径识别领域，具体涉及一种用于ACC与AEB的融合多传感器信息的自车行驶路径识别方法。
背景技术
先进的驾驶辅助系统(ADAS)可以根据应用情况，通过视觉、声音或触觉信号来控制车辆，并向司机发出警告。驾驶辅助系统(ADAS)包括自适应巡航控制(ACC)系统和先进的紧急制动系统(AEBS)。
传统的道路估计方法仅基于车载传感器和基于车辆动力学的卡尔曼滤波。然而，当车辆进行复杂机动(如变道、超车)时，其有效性就变得可疑，此时需要考虑其他参数，如车道信息和驾驶员意图。
AEBS和下一代ACC系统使用额外的传感器和信息融合技术。为了更可靠地估计道路几何形状，基于车道跟踪器，利用能够检测车道的视觉传感器进行道路估计。此外，近年来，数字地图在道路几何估计方面的贡献也被广泛接受。信息融合技术利用数字地图、GPS接收器和前视视觉传感器来补充基于车辆动力学的路径估计和预测前方道路曲率的变化。利用视觉传感器检测到的线标记进行融合车道估计，信息来源于数字地图。此信息融合技术融合多传感器的信息，基于上述方法进行道路估计。
上述方法可用于车辆不执行复杂机动时的ACC和AEBS。但在不考虑驾驶员意图的情况下，如果自车进行超车或变道，即使在直路行驶情况下实际曲率为零，也会有一个非零曲率。在此情况下，无法做到准确的路径预测。
目前的现有技术一般通过基于车辆动力学模型或者基于视觉传感器进行单独路径预测，无法保证在实现转向换道等工况及切换驾驶模式时仍具有较高的精准度以及更好的实现对路径的预测与把控。
上述现有技术具有以下缺点：
1.准确性不高：未考虑驾驶员意图，无法做到准确的路径预测。
2.无法应对复杂机动工况：对于变道转向等复杂工况，基于车载传感器的融合方式无法做到精准的道路跟随；
安全性不高：针对复杂机动工况无法提供准确的道路预测，使得整车行驶时安全性不够高。
发明内容
本发明的目的在于提供一种融合多传感器信息的自车行驶路径识别算法，通过利用多车载传感器和卡尔曼滤波，在考虑驾驶员意图的情况下，于不同情况下选择不同融合方式，从而达到较为精准的路径预测。
实现本发明目的的技术解决方案为：一种用于ACC与AEB的融合多传感器信息的自车行驶路径识别方法，包括如下步骤：
步骤(1)：建立基于车辆滤波器和行车路径预测的二自由度车辆模型，通过对车辆当前状态的估计和假设的模型来预测行驶路径；
步骤(2)：建立基于视觉传感器的道路几何估计模型；
步骤(3)：建立驾驶员转向意图识别方法，用二自由度车辆模型计算出通过环形道路时的默认转向角度；
步骤(4)：基于步骤(3)建立的转向意图识别方法得到的驾驶模式，将步骤(1)二自由度车辆模型预测的行驶路径和步骤(2)道路几何估计模型估计的行驶路径进行融合；
步骤(5)：根据步骤(4)建立的融合方式，对综合路径进行估计，车辆将根据正常车道模式和换道模式分别进行估计和预测。
二自由度车辆模型魏：利用卡尔曼-布西滤波器对传感器输出的动态状态进行跟踪，假设纵加速度和转向速率的导数为过程噪声，基于2自由度自车模型和二阶线性高斯马尔可夫过程模型，从而得到状态方程。
所述的道路几何估计模型为：利用视觉传感器根据路面的车道标记来估计道路曲率，在换道模式下，采用视觉传感器为融合路径。视觉传感器通过自身的图像处理模块估算前方道路的曲率。
步骤(4)的融合方式为：将多传感器信号基于视觉传感器和车辆动力学进行融合，在不同模式下选择不同融合方式，最终得到自适应路径预测算法。
驾驶模式选择方法为：通过定义的用于监测驾驶员意图的转向行为指标，及制定的预定义的阈值，基于判定方式，完成驾驶模式的选择。
本发明在自车进行超车或变道的情况下，利用态势模型进行机动检测，确定自车的精确路径(特别是机动时)。该方法基于当前的横向速度估计和预先设定的阈值，在动态机动情况下比传统方法能够更准确地预测自车的路径。本发明提出了基于车辆动力学和视觉传感器的驾驶路径估计方法，更有效地考虑了驾驶员的驾驶意图。为了检测驾驶员操纵行为，提出了由转向行为计算出的驾驶模式指数。根据驾驶模式指标确定的驾驶模式，将汽车动力学和视觉传感器的驾驶路径融合为最终驾驶路径。最终得到基于多传感器信息融合的自车行驶路径识别算法。
本发明与现有技术相比，其显著优点在于：
(1)准确性好：本发明充分利用基于车辆动力学融合和基于视觉传感器融合这两种融合方式的优势，建立驾驶模式选择模块；在直线行驶工况下车辆动力学融合方式效果更好，而在转与换道等工况下基于视觉传感器的融合方式则更占优势；根据整体控制策略在不同情况下采用不同的融合方式，最优化道路估计并使得路径预测更加精准。
(2)精度高：自适应巡航控制(ACC)系统和先进的紧急制动系统(AEBS)为发挥其辅助驾驶及制动安全的作用均对路径预测和行驶机动性有较高要求；本发明提出的路径估计算法根据整体控制策略在不同情况下采用不同的融合方式，使得路径预测更加精准；此路径估计算法提高了ACC和AEBS在动态机动情况下改变车道、进入和退出弯道的能力；本发明可在不同工况下预测行车路径，并识别前方车辆的准确位置。
(3)安全性好：本发明可以基于动态自适应进行路径估计，不仅准确精准的实现了道路预测，并提高了ACC和AEBS系统的适用性，对于车辆的转向换道与直行等工况而言，根据其提供的融合算法进行的路径预测可有效提升驾驶安全性。
附图说明
图1是基于车辆整体结构状态的路径预测的结构图。
图2是基于车辆动力学和视觉传感器的驾驶路径图。
图3是集成路径估计器的总体框图。
具体实施方式
路径预测中，存在两种较为准确的预测过程，一为基于车辆状态，另一为基于视觉基础。基于多传感器信息的融合，制定了一种针对这两种预测方式的选择判定标准。在考虑了车载传感器、基于车辆动力学的卡尔曼滤波以及驾驶员意图的基础上，得到了动态自适应的一种可适用于ACC和AEBS的多传感器信息融合的路径预测算法。
下面结合附图对本发明的算法及模型作详细说明：
本实施例包括以下步骤：
步骤1、建立基于车辆滤波器和行车路径预测的二自由度车辆模型，通过对车辆当前状态的估计和假设的动态模型来预测行驶路径
图1是基于车辆整体结构状态的路径预测图，其中图1由三个模块组成：传感器信号输入模块、基于路径预测的车辆状态、预测路径模块。在传感器信号输入模块中，输入量有速度、偏航率、转向角和转向速率。对于第二个模块即车辆状态的估计中，分为车辆滤波器和行驶路径预测两部分。其中行驶路径预测通过修正的转向角模型和修正的转向速度模型来实现。
二自由度车辆模型的建立如下：选择车辆横向车速和偏航速度为状态变量，即，选择车辆横向加速度和偏航加速度为观测量，即，车辆横向车速和偏航速度这两个量都可以使用车身上已装备的传感器直接测得，由车辆动力学模型可导出离散化的状态空间方程如下公式所示，将前轮转向角作为一个新的状态变量，引入新的观测量即转向速度，可得以下公式
Figure BDA0003430396100000041
其中u和v为车辆的纵向和横向速度，γ为偏航率，m为车辆质量，Iz为偏航惯性矩。Cf为前轮转弯刚度，Cr为后轮转弯刚度。δf是前轮转向角度，而lf和lr是车辆重心到前后轴的距离。
利用卡尔曼-布西滤波器对传感器输出的动态状态进行跟踪，状态向量x的定义如下，
Figure BDA0003430396100000042
其中ax为车辆纵向加速度。
基于上述2自由度自行车模型和二阶线性高斯马尔可夫过程模型，状态方程如下:
Figure BDA0003430396100000051
z＝Hx+v
Figure BDA0003430396100000052
假设过程噪声和测量噪声为白噪声，协方差矩阵Q和R未知。因此状态空间模型的滤波器由以下两个微分方程组成，一个是估计状态
Figure BDA0003430396100000053
一个是误差协方差P。
当驾驶员进入或离开弯曲道路时，转向角往往呈线性变化，而不是固定不变。因此本研究除了考虑转向角固定的假设外，还考虑了转向速率和速度不变的假设。假设转向角为固定值fδ时，假设转向速率有固定值时，扩展的动力学模型由以下形式给出：
Figure BDA0003430396100000054
其中Xref、Yref、θref分别是当前状态下的车辆位置和航向角。
步骤2、建立基于视觉传感器的道路几何估计模型
图2是基于车辆动力学和视觉传感器的驾驶路径研究图，其中图2所示为基于视觉传感器进行路径预测时存在的航向角误差。
以期望偏航率与自车偏航率之差的积分作为航向角误差，同时根据视觉传感器获得的道路曲率，在稳态转弯假设下，计算出沿道路几何变化的期望横摆角速度。如以下两个公式所示。
γdes＝u·kvision (6)
Figure BDA0003430396100000061
Kvision表示从视觉传感器得到的道路曲率。
其中θr为航向角误差。积分的初始时间t0和最终时间tf由视觉传感器的横向偏移信息确定。当距离道路中心的横向偏移量超过阈值时，积分过程开始，如果横向偏移量小于阈值一段时间，积分过程结束。利用简单的旋转变换可以补偿计算出的航向角误差。
步骤3、建立了一种简单的驾驶员转向意图识别方法，可以用自车模型计算出通过环形道路时的默认转向角度。
步骤三中所示的驾驶员意图识别方法如下：
对于通过曲率为k的环形道路，可以用自行车模型计算出通过环形道路时的默认转向角度δss：
Figure BDA0003430396100000062
当驾驶员有变道意图时，驾驶员的转向角与曲率为κ的圆形道路估计的稳态转向角之间存在明显的差异，基于上述方法，监测驾驶员意图的转向行为指标可定义为:
Figure BDA0003430396100000063
Figure BDA0003430396100000064
其中，LLC(K)为第K步的驱动模式指数，ρ是遗忘因子，T是采样时间，δK是第K步转向角，
Figure BDA0003430396100000071
是第K步的转向角速率，通过对转向角的测量，利用卡尔曼滤波得到转向角速率信号。
驱动方式主要分为两种驱动方式：保持车道模式和变道模式。如果驾驶模式指数的值超过了预定义的阈值，则可以认为车辆开始转向相邻车道。
if LLC(k)>ITh&δf<0,
then driving mod e＝lane change(right) (11)
if LLC(k)>ITh&δf>0,
then driving mod e＝lane change(left)
if LLC(k)<ITh,
then driving mod e＝lane keeping
步骤4、基于步骤三建立的转向意图识别方法得到的驾驶模式，将分别根据车辆动力学和视觉数据估计的两条行驶路径进行融合。
图3所示为集成路径估计器的总体框图，通过对视觉传感器和车辆行驶状态分别得到的数据进行采集和判断，在不同驾驶模式中采用不同的融合路径。
步骤5、根据步骤四建立的两种融合方式，对综合路径进行估计，车辆将根据正常车道模式和换道模式分别进行估计和预测。

Claims (4)

1.一种用于ACC与AEB的融合多传感器信息的自车行驶路径识别方法，其特征在于，包括如下步骤：
步骤(1)：建立基于车辆滤波器和行车路径预测的二自由度车辆模型，通过对车辆当前状态的估计和假设的模型来预测行驶路径；
步骤(2)：建立基于视觉传感器的道路几何估计模型；
步骤(3)：建立驾驶员转向意图识别方法，用二自由度车辆模型计算出通过环形道路时的默认转向角度；
步骤(4)：基于步骤(3)建立的转向意图识别方法得到的驾驶模式，将步骤(1)二自由度车辆模型预测的行驶路径和步骤(2)道路几何估计模型估计的行驶路径进行融合；
步骤(5)：根据步骤(4)建立的融合方式，对综合路径进行估计，车辆将根据正常车道模式和换道模式分别进行估计和预测。
2.根据权利要求1所述的方法，其特征在于，步骤(1)“建立基于车辆滤波器和行车路径预测的二自由度车辆模型，通过对车辆当前状态的估计和假设的模型来预测行驶路径”具体为：
选择车辆横向车速和偏航速度为状态变量，即选择车辆横向加速度和偏航加速度为观测量，由车辆动力学模型导出离散化的状态空间方程，将前轮转向角作为一个新的状态变量，引入新的观测量即转向速度，可得以下公式
Figure FDA0003430396090000011
其中u和v为车辆的纵向和横向速度，γ为偏航率，m为车辆质量，Iz为偏航惯性矩，Cf为前轮转弯刚度，Cr为后轮转弯刚度，δf是前轮转向角度，而lf和lr是车辆重心到前后轴的距离；
利用卡尔曼-布西滤波器对传感器输出的动态状态进行跟踪，状态向量x的定义如下，
Figure FDA0003430396090000025
其中ax为车辆纵向加速度；
基于二自由度自行车模型和二阶线性高斯马尔可夫过程模型，状态方程如下：
Figure FDA0003430396090000026
z＝Hx+v
Figure FDA0003430396090000021
Figure FDA0003430396090000022
假设过程噪声和测量噪声为白噪声，协方差矩阵Q和R未知，状态空间模型的滤波器由以下两个微分方程组成，一个是估计状态
Figure FDA0003430396090000023
一个是误差协方差P；
当驾驶员进入或离开弯曲道路时，转向角呈线性变化，考虑转向角固定的假设，考虑转向速率和速度不变的假设，假设转向角为固定值fδ时，假设转向速率有固定值时，扩展的动力学模型由以下形式给出：
Figure FDA0003430396090000024
其中xref、yref、θref分别是当前状态下的车辆位置和航向角。
3.根据权利要求2所述的方法，其特征在于，所述步骤(2)中的“建立基于视觉传感器的道路几何估计模型”具体为：
以期望偏航率与自车偏航率之差的积分作为航向角误差，同时根据视觉传感器获得的道路曲率，在稳态转弯假设下，计算出沿道路几何变化的期望横摆角速度；如以下两个公式所示：
γdes＝u·kvision (6)
Figure FDA0003430396090000031
其中θr为航向角误差，积分的初始时间t0和最终时间tf由视觉传感器的横向偏移信息确定，当距离道路中心的横向偏移量超过阈值时，积分过程开始，如果横向偏移量小于阈值一段时间，积分过程结束，利用旋转变换补偿计算出的航向角误差。
4.根据权利要求3所述的方法，其特征在于，所述步骤(3)的“建立驾驶员转向意图识别方法，用二自由度车辆模型计算出通过环形道路时的默认转向角度”具体为：
对于通过曲率为k的环形道路，用二自由度车辆模型计算出通过环形道路时的默认转向角度δss：
Figure FDA0003430396090000032
当驾驶员有变道意图时，驾驶员的转向角与曲率为k的圆形道路估计的稳态转向角之间存在明显的差异，基于上述方法，监测驾驶员意图的转向行为指标定义为：
Figure FDA0003430396090000033
Figure FDA0003430396090000034
其中，LLC(K)为第K步的驱动模式指数，ρ是遗忘因子，T是采样时间，δK是第K步转向角，
Figure FDA0003430396090000041
是第K步的转向角速率，通过对转向角的测量，利用卡尔曼滤波得到转向角速率信号；
驱动方式主要分为两种驱动方式：保持车道模式和变道模式；如果驾驶模式指数的值超过了预定义的阈值，则可以认为车辆开始转向相邻车道；
Figure FDA0003430396090000042
CN202111595519.5A 2021-12-23 2021-12-23 用于acc与aeb的融合多传感器信息的自车行驶路径识别方法 Withdrawn CN114179799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111595519.5A CN114179799A (zh) 2021-12-23 2021-12-23 用于acc与aeb的融合多传感器信息的自车行驶路径识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111595519.5A CN114179799A (zh) 2021-12-23 2021-12-23 用于acc与aeb的融合多传感器信息的自车行驶路径识别方法

Publications (1)

Publication Number Publication Date
CN114179799A true CN114179799A (zh) 2022-03-15

Family

ID=80544865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111595519.5A Withdrawn CN114179799A (zh) 2021-12-23 2021-12-23 用于acc与aeb的融合多传感器信息的自车行驶路径识别方法

Country Status (1)

Country Link
CN (1) CN114179799A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790608A (zh) * 2023-01-31 2023-03-14 天津大学 基于强化学习的auv路径规划算法及装置
CN116518983A (zh) * 2023-07-05 2023-08-01 西安羚控电子科技有限公司 用于移动机器人定位的自适应融合方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790608A (zh) * 2023-01-31 2023-03-14 天津大学 基于强化学习的auv路径规划算法及装置
CN115790608B (zh) * 2023-01-31 2023-05-30 天津大学 基于强化学习的auv路径规划算法及装置
CN116518983A (zh) * 2023-07-05 2023-08-01 西安羚控电子科技有限公司 用于移动机器人定位的自适应融合方法及装置
CN116518983B (zh) * 2023-07-05 2023-10-17 西安羚控电子科技有限公司 用于移动机器人定位的自适应融合方法及装置

Similar Documents

Publication Publication Date Title
CN109649393B (zh) 一种自动驾驶变换车道的路径规划方法及装置
JP6055525B1 (ja) 車両の走行制御装置
CN107097845B (zh) 检测车辆运动状态的转向系统
US8165775B2 (en) System and method for controlling running of a vehicle
CN109849908B (zh) 基于相邻车道风险预测的车道保持辅助系统及控制方法
US20080091318A1 (en) Method and system for lane centering control
US8078373B2 (en) Vehicle dynamics prediction with lane/path information using a preview-correction-prediction approach
CN114179799A (zh) 用于acc与aeb的融合多传感器信息的自车行驶路径识别方法
Hima et al. Trajectory tracking for highly automated passenger vehicles
JP7193408B2 (ja) 車両制御装置
CN110502009A (zh) 基于航向预估的无人驾驶车辆路径跟踪控制方法
CN103921788A (zh) 一种汽车行驶控制系统及方法
WO2007018765A2 (en) Online estimation of vehicle side-slip under linear operating region
CN107963126A (zh) 一种多轴转向车辆大曲率自动驾驶转向控制方法
JP4899626B2 (ja) 走行制御装置
CN110217239A (zh) 一种车辆横摆角速度测量方法及设备
Park Vehicle sideslip angle estimation based on interacting multiple model Kalman filter using low-cost sensor fusion
CN110979026A (zh) 一种基于实时路况的分布式驱动公交车转矩分配方法
KR20180138324A (ko) 차로 유지 제어 장치 및 방법
CN113682305A (zh) 一种车路协同自适应巡航控制方法及装置
CN111114547B (zh) 一种分布式驱动电动客车自适应巡航弯道控制方法
WO2011086698A1 (ja) 車両制御装置
JP2017030396A (ja) 車両の走行制御装置
CN113247004A (zh) 一种车辆质量与道路横向坡度的联合估计方法
CN104417603A (zh) 转向控制设备和方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220315