CN114312769B - 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 - Google Patents
考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 Download PDFInfo
- Publication number
- CN114312769B CN114312769B CN202210127750.XA CN202210127750A CN114312769B CN 114312769 B CN114312769 B CN 114312769B CN 202210127750 A CN202210127750 A CN 202210127750A CN 114312769 B CN114312769 B CN 114312769B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- intention
- longitudinal movement
- emergency braking
- transverse
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002093 peripheral effect Effects 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims description 31
- 230000008901 benefit Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000002620 method output Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种考虑周车横纵向运动意图的智能车辆紧急制动方法及系统,其特征在于,包括:获取每一时间步长本车辆的周围车辆驾驶数据;采用预先建立的长短期记忆网络结合条件随机场网络,根据获取的周围车辆驾驶数据,预测本车辆周围车辆的横纵向运动意图;对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,并根据预设的危险度,确定本车辆是否启动自动紧急制动系统;当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,输出本车辆的最优制动轨迹,本发明可以广泛应用于汽车主动安全领域中。
Description
技术领域
本发明涉及汽车主动安全领域,特别是关于一种考虑周车横纵向运动意图的智能车辆紧急制动方法及系统。
背景技术
随着汽车智能化和网联化进程的推进,自动驾驶汽车在复杂的交通环境中的主动安全问题成为智能网联汽车的重要技术难点。自动紧急制动系统(Autonomous EmergencyBraking System,AEB)作为一种提升汽车主动安全的关键技术,能够通过传感器及时发现车辆前方潜在的碰撞威胁,并通过避撞算法主动介入制动控制以避免发生碰撞,从而达到有效降低意外交通碰撞事故发生率及严重程度的目的。
目前,经典的AEB系统控制方法主要包括基于行车间距的安全距离控制方法和基于驾驶员反应特性的碰撞发生时间控制方法。经典安全距离模型包括马自达(Mazda)模型、本田(Honda)模型、伯克利(Berkeley)模型和美国高速公路交通安全管理局(NHTSA)等,它们分别提出了各自的控制方法,通过预警纵向距离以对纵向制动距离进行控制判断。时间控制方法则是设定一个安全时间,车辆保持当前相对运动状态至即将发生纵向碰撞计算得到的时间阈值。上述两类AEB控制方法日趋成熟,并逐渐搭载于实车。
但是,上述方法均只是基于经验判断对纵向的安全距离或时间进行估算,没有考虑周围车辆的横向运动状态,忽视周围车辆的纵横向运动意图对本车带来的潜在时空风险,只进行纵向的制动控制,应用场景单一,避撞效果较差。具体体现在:1)在车辆意图识别方面,目前研究中使用深度学习仅对横向变换车道意图进行预测,无法满足在危险场景下对车辆纵横向运动意图进行准确预测的要求。2)在危险评估方面,当前自动紧急制动系统中多使用车距或预期碰撞时间评估风险,没有考虑周围车辆的横向运动状态和意图带来的潜在危险。3)在制动控制方面,当前自动紧急制动系统只进行纵向制动,以降低纵向车速为目标,没有考虑最大程度地避免车辆在制动过程中的危险。因此,为提高AEB控制方法的有效性和适应性,需要准确识别周围车辆运动意图,量化其带来的潜在时空风险,以提升其对不同危险场景的适应性。
发明内容
针对上述问题,本发明的目的是提供一种考虑周车横纵向运动意图的智能车辆紧急制动方法及系统,能够解决不考虑周围车辆横向运动状态和纵横向运动意图对本车辆造成潜在危险的问题。
为实现上述目的,本发明采取以下技术方案:第一方面,提供一种考虑周车横纵向运动意图的智能车辆紧急制动方法,包括:
获取每一时间步长本车辆的周围车辆驾驶数据;
采用预先建立的长短期记忆网络结合条件随机场网络,根据获取的周围车辆驾驶数据,预测本车辆周围车辆的横纵向运动意图;
对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,并根据预设的危险度,确定本车辆是否启动自动紧急制动系统;
当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,输出本车辆的最优制动轨迹。
进一步地,所述长短期记忆网络结合条件随机场网络的建立过程包括:
预先采集若干车辆的驾驶数据,并标记车辆的横纵向运动意图,其中,驾驶数据包括制动踏板位置、制动踏板角速度、加速踏板位置、加速踏板角速度、方向盘转角、方向盘角速度和车辆速度;
对获取的驾驶数据进行归一化处理,形成输入序列和输出序列;
建立以输入序列为输入、以运动意图为输出的长短期记忆网络,并采用采集的驾驶数据,对建立的长短期记忆网络进行训练;
建立条件随机场;
根据输入序列对应的驾驶意图序列、条件随机场和长短期记忆网络收益,建立意图识别收益;
根据每一驾驶意图序列的意图识别收益,确定周围车辆的横纵向运动意图序列,完成长短期记忆网络结合条件随机场网络的建立。
进一步地,所述横纵向运动意图为:
其中,It为车辆t时刻的横纵向运动意图;分别为t时刻该车辆横纵向运动意图为前向正常行驶、左向变换车道、右向变换车道、前向紧急制动、向左紧急制动和向右紧急制动。
进一步地,所述对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,并根据预设的危险度,确定本车辆是否启动自动紧急制动系统,包括:
对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,确定本车辆周围车辆的占用概率;
根据本车辆周围车辆的占用概率和预先设定的危险度,确定本车辆是否启动自动紧急制动系统。
进一步地,所述本车辆周围车辆的占用概率为:
其中,P(xi,yi)为在tcal时间中(xi,yi)被占用的概率,在tcal时间内潜在危险不改变;(xi,yi)为评估位置的横纵坐标;Pm(xi,yi)为编号为m的车在tcal时间中占用(xi,yi)的概率;vm为该车速度;f(It)对应该车横纵向运动意图的影响;
当横纵向运动意图时,有:
当横纵向运动意图时,有:
当横纵向运动意图时,有:
当横纵向运动意图时,有:
其中,Line为车道宽度;a2x为侧向紧急制动时最小横向加速度;a2y为侧向紧急制动时最小纵向加速度;(xm,ym)为编号为m的周围车辆的横纵坐标。
进一步地,所述当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,输出本车辆的最优制动轨迹,包括:
将时间tcal离散为时间序列,并形成一个横纵向加速度序列;
根据形成的横纵向加速度序列,建立本车辆运动的离散运动模型;
考虑本车辆制动经过位置的潜在危险和终末位置的速度,建立代价函数;
根据建立的代价函数以及本车辆加速度方向的所有可能组合,输出本车辆的加速度方向;
根据建立的离散运动模型,得到加速度方向对应的最优制动轨迹。
进一步地,所述本车辆运动的离散运动模型为:
其中,vy0为开始制动时的纵向速度;为在tn时刻车辆的横向速度;/>为在tn时刻车辆的纵向速度;/>为在tn时刻车辆的横向坐标;/>为在tn时刻车辆的纵向坐标。
第二方面,提供一种考虑周车横纵向运动意图的智能车辆紧急制动系统,包括:
数据获取模块,用于获取每一时间步长本车辆的周围车辆驾驶数据;
周车横纵向运动意图预测模块,用于采用预先建立的长短期记忆网络结合条件随机场网络,根据获取的周围车辆驾驶数据,预测本车辆周围车辆的横纵向运动意图;
潜在危险输出模块,用于对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,并根据预设的危险度,确定本车辆是否启动自动紧急制动系统;
最优制动轨迹输出模块,用于当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,输出本车辆的最优制动轨迹。
第三方面,提供一种处理设备,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现上述考虑周车横纵向运动意图的智能车辆紧急制动方法对应的步骤。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现上述考虑周车横纵向运动意图的智能车辆紧急制动方法对应的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明能够输出考虑周车横纵向运动状态、运动意图和道路条件的动态危险分布图以及动态紧急场景下较安全、舒适、可执行的本车制动轨迹。
2、本发明具有运动意图预测、潜在危险评估和轨迹规划的功能,综合考虑了车载计算机算力,能够做到随车实时在线运行。
3、本发明输出的周围车辆横纵向运动意图以及潜在危险评估结果可在非危急情况下为其他自动驾驶功能提供参考。
综上所述,本发明可以广泛应用于汽车主动安全领域中。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1是本发明一实施例提供的方法流程示意图;
图2是本发明一实施例提供的意图识别准确率与对长短期记忆网络信任因子α之间的关系示意图;
图3是本发明一实施例提供的预测意图的效果示意图,其中,图3(a)为车辆的实际运动意图示意图,图3(b)为预测得到的车辆运动意图示意图,横坐标为时间(单位秒),纵坐标为车辆运动意图序号;
图4是本发明一实施例提供的某危险场景对应的危险分布示意图;
图5是本发明一实施例提供的图4的危险场景输出的制动轨迹与纵向制动对比示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整地传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
为便于理解和说明,在本说明书一些实施例中可能是以小汽车为例进行说明的。但,本领域技术人员可以理解,本说明书的实施例可以适应于任何具有驾驶舱室的地面交通工具,例如可以包括但不限于各种汽车等。
本发明实施例提供的考虑周车横纵向运动意图的智能车辆紧急制动方法及系统,能够准确识别本车辆周围车辆的横纵向运动意图,量化其带来的潜在时空风险,输出该场景下本车辆的最优制动轨迹及其对应的加速度序列,能够提升对不同危险场景的适应性。
实施例1
如图1所示,本实施例提供一种考虑周车横纵向运动意图的智能车辆紧急制动方法,包括以下步骤:
1)预先建立长短期记忆网络(LSTM)结合条件随机场网络,具体为:
1.1)将车辆的横纵向运动意图Iall划分为六种:
其中,It为车辆t时刻的横纵向运动意图;分别为t时刻该车辆横纵向运动意图为前向正常行驶、左向变换车道、右向变换车道、前向紧急制动、向左紧急制动和向右紧急制动。
1.2)采用实车或仿真试验预先采集若干车辆的驾驶数据Xt,并标记车辆的横纵向运动意图:
其中,分别为t时刻某一车辆的制动踏板位置、制动踏板角速度、加速踏板位置、加速踏板角速度、方向盘转角、方向盘角速度和车辆速度。
1.3)对获取的驾驶数据Xt进行归一化处理,并形成一个包含n+1个时间步长的输入序列X和输出序列I_out:
X=(Xt-n,Xt-n+1,……,Xt-1,Xt) (3)
I_out=(It-n,It-n+1,……,It-1,It) (4)
1.4)建立以输入序列X为输入、以运动意图O为输出的长短期记忆网络LSTM(X):
O=(Ot-n,Ot-n+1,……,Ot-1,Ot)=LSTM(X) (5)
其中,Ot为LSTM网络输出的t时刻运动意图(Ot为LSTM网络输出的运动意图,Ot经过条件随机场处理后即为最终的运动意图It)。
具体地,给定当前时间步的驾驶数据Xt和上一时刻t-1的运动意图Ot-1,则输入门ut、遗忘门ft、输出门ot、记忆细胞Ct和t时刻的运动意图Ot为:
ut=σ(XtWxi+Ot-1Whi+bi) (6)
ft=σ(XtWxf+Ot-1Whf+bf) (7)
ot=σ(XtWxo+Ot-1Who+bo) (8)
Ct=tanh(XtWxc+Ot-1Whc+bc) (9)
Ot=ot⊙tanh(Ct) (10)
其中,Wxi、Wxf、Wxo、Wxc和Whi、Whf、Who、Whc为输入门、遗忘门、输出门和记忆细胞对应的权重系数,bi,bf,bo,bc为输入门、遗忘门、输出门和记忆细胞对应的偏置系数;输入门、遗忘门和输出门均以sigmoid函数作为激活函数,⊙为hadamard积。
1.5)采用采集的若干车辆的驾驶数据Xt,对建立的长短期记忆网络LSTM(X)进行训练。
1.6)建立条件随机场(CRF)。
1.6.1)建立车辆横纵向意图转移矩阵A:
其中,aij为在上一时间步长横纵向运动意图为Iall(i)的前提下,这一时间步长横纵向运动意图转移为Iall(j)的概率,取值范围为[0,1]。
1.6.2)若还采集到实际运行过程中车辆的驾驶数据,则概率aij的取值通过统计其行驶数据和逻辑判断得到;若没有采集到实际运行过程中车辆的驾驶数据,则概率aij的取值通过经验和逻辑判断得到。
具体地,认为两个相邻时间步长的横纵向运动意图不可产生冲突。例如:当上一时刻的横纵向运动意图为时,a23、a24、a32、a34、a42、a43、a53、a56、a62、a65∈{0}。
1.7)定义长短期记忆网络收益
其中,为t时刻运动意图Ip对应的收益(Ip为此时刻所有可能的运动意图种类中的任一个,It为最终输出的t时刻的运动意图);α为长短期记忆网络的信任因子,为对长短期记忆网络输出运动意图的信任程度,且α∈[0,1],信任因子α与意图识别准确率的关系如图2所示。
1.8)根据输入序列X对应的驾驶意图序列I、条件随机场和长短期记忆网络收益建立意图识别收益E(X,I):
其中,为该时刻车辆横纵向意图由Ip-1转移为Ip对应的概率。
1.9)记观测到输入序列X对应的所有可能驾驶意图序列I的组合为Icom,对每一驾驶意图序列I计算对应的意图识别收益E(X,I),意图识别收益最高的驾驶意图序列即为最终输出的周围车辆的横纵向运动意图序列I_out,完成长短期记忆网络(LSTM)结合条件随机场网络的建立,其中,横纵向运动意图序列I_out为:
其中,I_out为最终输出的横纵向运动意图序列。
2)获取每一时间步长本车辆的周围车辆驾驶数据,并采用建立的意图识别收益网络,根据获取的数据,预测本车辆周围车辆的横纵向运动意图,其中,周围车辆为在本车辆前后100米区域内行驶在道路上的所有车辆。
具体地,周围车辆的驾驶数据采用车间通讯方式获取。
3)分析周围车辆的横纵向运动意图、运动状态和道路的相互作用,对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估。
具体地,对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,确定周围车辆的占用概率,各评估位置被占用的概率就是该位置量化了的潜在危险,占用概率P(xi,yi)受评估位置以及周围车辆的横纵向位置、车速和横纵向运动意图共同影响,具体为:
其中,P(xi,yi)为在tcal时间中(xi,yi)被占用的概率,为减少计算量,认为在tcal时间内潜在危险是不改变的,为兼顾计算量和准确性,tcal可以为0.5s;(xi,yi)为评估位置的横纵坐标;Pm(xi,yi)为编号为m的车在tcal时间中占用(xi,yi)的概率;vm为该车速度;f(It)对应该车横纵向运动意图的影响。
进一步地,当横纵向运动意图时,有:
当横纵向运动意图时,有:
当横纵向运动意图时,有:
当横纵向运动意图时,有:
其中,Line为车道宽度;a2x为侧向紧急制动时最小横向加速度;a2y为侧向紧急制动时最小纵向加速度;(xm,ym)为编号为m的周围车辆的横纵坐标。
4)根据潜在危险评估结果和预先设定的危险度,确定本车辆是否启动自动紧急制动系统。
5)当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,以车辆安全和乘员舒适为目标,建立制动轨迹规划模型,输出在tcal时间本车辆的最优制动轨迹及其对应的加速度方向,具体为:
5.1)将时间tcal离散为时间序列t:
5.2)将时间序列t形成一个包含n个时间步长的横纵向加速度序列:
其中,δ为加速度与x轴的夹角;δt(n)为t(n)时间步对应的加速度方向与y轴负半轴之间的夹角;ax为横向加速度序列;为t(n)时间步对应的横向加速度序列;ay为纵向加速度序列;/>为t(n)时间步对应的纵向加速度序列;amax为地面提供的最大加速度;μ为地面与轮胎的摩擦系数;Fz为汽车垂直作用于地面的压力;m_car为汽车质量。
5.3)根据形成的横纵向加速度序列,建立本车辆运动的离散运动模型:
其中,vy0为开始制动时的纵向速度;为在tn时刻车辆的横向速度;/>为在tn时刻车辆的纵向速度;/>为在tn时刻车辆的横向坐标;/>为在tn时刻车辆的纵向坐标。
5.4)考虑本车辆制动经过位置的潜在危险和终末位置的速度,建立代价函数minL(δ):
其中,vn为本车辆在终末位置的速度。
5.5)记本车辆的加速度方向δ所有可能的组合为δcom,根据建立的代价函数min L(δ),最终输出的本车辆的加速度方向δ_out为:
5.6)根据建立的离散运动模型,得到加速度方向δ对应的最优制动轨迹,完成制动轨迹规划模型的建立:
x=[xt(1),xt(2),…,xt(n-1),xt(n)]1×n (36)
y=[yt(1),yt(2),…,yt(n-1),yt(n)]1×n (37)
如图4所示,为某一紧急工况下输出的潜在危险分布,针对图4所示的危险场景,采用本发明方法输出的制动轨迹如图5所示,与纯纵向的AEB系统相比,采用本发明方法输出的制动轨迹如的潜在危险值降低了64.5%。
实施例2
本实施例提供一种考虑周车横纵向运动意图的智能车辆紧急制动系统,包括:
数据获取模块,用于获取每一时间步长本车辆的周围车辆驾驶数据。
周车横纵向运动意图预测模块,用于采用预先建立的长短期记忆网络结合条件随机场网络,根据获取的周围车辆驾驶数据,预测本车辆周围车辆的横纵向运动意图。
潜在危险输出模块,用于对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,并根据预设的危险度,确定本车辆是否启动自动紧急制动系统。
最优制动轨迹输出模块,用于当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,输出本车辆的最优制动轨迹及其对应的加速度方向。
实施例3
本实施例提供一种与本实施例1所提供的考虑周车横纵向运动意图的智能车辆紧急制动方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序,处理设备运行计算机程序时执行本实施例1所提供的考虑周车横纵向运动意图的智能车辆紧急制动方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例提供一种与本实施例1所提供的考虑周车横纵向运动意图的智能车辆紧急制动方法对应的计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的考虑周车横纵向运动意图的智能车辆紧急制动方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (8)
1.一种考虑周车横纵向运动意图的智能车辆紧急制动方法,其特征在于,包括:
获取每一时间步长本车辆的周围车辆驾驶数据;
采用预先建立的长短期记忆网络结合条件随机场网络,根据获取的周围车辆驾驶数据,预测本车辆周围车辆的横纵向运动意图;
对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,并根据预设的危险度,确定本车辆是否启动自动紧急制动系统;
当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,输出本车辆的最优制动轨迹;
所述长短期记忆网络结合条件随机场网络的建立过程包括:
预先采集若干车辆的驾驶数据,并标记车辆的横纵向运动意图,其中,驾驶数据包括制动踏板位置、制动踏板角速度、加速踏板位置、加速踏板角速度、方向盘转角、方向盘角速度和车辆速度;
对获取的驾驶数据进行归一化处理,形成输入序列和输出序列;
建立以输入序列为输入、以运动意图为输出的长短期记忆网络,并采用采集的驾驶数据,对建立的长短期记忆网络进行训练;
建立条件随机场;
根据输入序列对应的驾驶意图序列、条件随机场和长短期记忆网络收益,建立意图识别收益;
根据每一驾驶意图序列的意图识别收益,确定周围车辆的横纵向运动意图序列,完成长短期记忆网络结合条件随机场网络的建立;
所述横纵向运动意图为:
其中,It为车辆t时刻的横纵向运动意图;分别为t时刻该车辆横纵向运动意图为前向正常行驶、左向变换车道、右向变换车道、前向紧急制动、向左紧急制动和向右紧急制动。
2.如权利要求1所述的一种考虑周车横纵向运动意图的智能车辆紧急制动方法,其特征在于,所述对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,并根据预设的危险度,确定本车辆是否启动自动紧急制动系统,包括:
对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,确定本车辆周围车辆的占用概率;
根据本车辆周围车辆的占用概率和预先设定的危险度,确定本车辆是否启动自动紧急制动系统。
3.如权利要求2所述的一种考虑周车横纵向运动意图的智能车辆紧急制动方法,其特征在于,所述本车辆周围车辆的占用概率为:
其中,P(xi,yi)为在tcal时间中(xi,yi)被占用的概率,在tcal时间内潜在危险不改变;(xi,yi)为评估位置的横纵坐标;Pm(xi,yi)为编号为m的车在tcal时间中占用(xi,yi)的概率;vm为该车速度;f(It)对应该车横纵向运动意图的影响;
当横纵向运动意图时,有:
当横纵向运动意图时,有:
当横纵向运动意图时,有:
当横纵向运动意图时,有:
其中,Line为车道宽度;a2x为侧向紧急制动时最小横向加速度;a2y为侧向紧急制动时最小纵向加速度;(xm,ym)为编号为m的周围车辆的横纵坐标。
4.如权利要求3所述的一种考虑周车横纵向运动意图的智能车辆紧急制动方法,其特征在于,所述当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,输出本车辆的最优制动轨迹,包括:
将时间tcal离散为时间序列,并形成一个横纵向加速度序列;
根据形成的横纵向加速度序列,建立本车辆运动的离散运动模型;
考虑本车辆制动经过位置的潜在危险和终末位置的速度,建立代价函数;
根据建立的代价函数以及本车辆加速度方向的所有可能组合,输出本车辆的加速度方向;
根据建立的离散运动模型,得到加速度方向对应的最优制动轨迹。
5.如权利要求4所述的一种考虑周车横纵向运动意图的智能车辆紧急制动方法,其特征在于,所述本车辆运动的离散运动模型为:
其中,vy0为开始制动时的纵向速度;为在tn时刻车辆的横向速度;/>为在tn时刻车辆的纵向速度;/>为在tn时刻车辆的横向坐标;/>为在tn时刻车辆的纵向坐标。
6.一种考虑周车横纵向运动意图的智能车辆紧急制动系统,其特征在于,包括:
数据获取模块,用于获取每一时间步长本车辆的周围车辆驾驶数据;
周车横纵向运动意图预测模块,用于采用预先建立的长短期记忆网络结合条件随机场网络,根据获取的周围车辆驾驶数据,预测本车辆周围车辆的横纵向运动意图;
潜在危险输出模块,用于对本车辆周围车辆的横纵向运动意图造成的潜在危险进行评估,并根据预设的危险度,确定本车辆是否启动自动紧急制动系统;
最优制动轨迹输出模块,用于当本车辆启动自动紧急制动系统时,根据本车辆的当前运动状态和潜在危险评估结果,输出本车辆的最优制动轨迹;
所述长短期记忆网络结合条件随机场网络的建立过程包括:
预先采集若干车辆的驾驶数据,并标记车辆的横纵向运动意图,其中,驾驶数据包括制动踏板位置、制动踏板角速度、加速踏板位置、加速踏板角速度、方向盘转角、方向盘角速度和车辆速度;
对获取的驾驶数据进行归一化处理,形成输入序列和输出序列;
建立以输入序列为输入、以运动意图为输出的长短期记忆网络,并采用采集的驾驶数据,对建立的长短期记忆网络进行训练;
建立条件随机场;
根据输入序列对应的驾驶意图序列、条件随机场和长短期记忆网络收益,建立意图识别收益;
根据每一驾驶意图序列的意图识别收益,确定周围车辆的横纵向运动意图序列,完成长短期记忆网络结合条件随机场网络的建立;
所述横纵向运动意图为:
其中,It为车辆t时刻的横纵向运动意图;分别为t时刻该车辆横纵向运动意图为前向正常行驶、左向变换车道、右向变换车道、前向紧急制动、向左紧急制动和向右紧急制动。
7.一种处理设备,其特征在于,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现权利要求1-5中任一项所述的考虑周车横纵向运动意图的智能车辆紧急制动方法对应的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现权利要求1-5中任一项所述的考虑周车横纵向运动意图的智能车辆紧急制动方法对应的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127750.XA CN114312769B (zh) | 2022-02-11 | 2022-02-11 | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127750.XA CN114312769B (zh) | 2022-02-11 | 2022-02-11 | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114312769A CN114312769A (zh) | 2022-04-12 |
CN114312769B true CN114312769B (zh) | 2023-11-10 |
Family
ID=81030393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127750.XA Active CN114312769B (zh) | 2022-02-11 | 2022-02-11 | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114312769B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107672587A (zh) * | 2017-08-22 | 2018-02-09 | 吉利汽车研究院(宁波)有限公司 | 一种紧急避撞系统及方法 |
CN110796856A (zh) * | 2019-10-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 车辆变道意图预测方法及变道意图预测网络的训练方法 |
CN111046919A (zh) * | 2019-11-21 | 2020-04-21 | 南京航空航天大学 | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 |
CN111645677A (zh) * | 2020-05-20 | 2020-09-11 | 吉林大学 | 一种车辆制动转向协调控制紧急防碰撞系统及控制方法 |
CN111681335A (zh) * | 2020-03-18 | 2020-09-18 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
CN112258841A (zh) * | 2020-10-26 | 2021-01-22 | 大连大学 | 一种基于它车辆轨迹预测的智能车辆风险评估方法 |
WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11816901B2 (en) * | 2020-03-04 | 2023-11-14 | Nec Corporation | Multi-agent trajectory prediction |
-
2022
- 2022-02-11 CN CN202210127750.XA patent/CN114312769B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107672587A (zh) * | 2017-08-22 | 2018-02-09 | 吉利汽车研究院(宁波)有限公司 | 一种紧急避撞系统及方法 |
CN110796856A (zh) * | 2019-10-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 车辆变道意图预测方法及变道意图预测网络的训练方法 |
CN111046919A (zh) * | 2019-11-21 | 2020-04-21 | 南京航空航天大学 | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 |
WO2021134172A1 (zh) * | 2019-12-30 | 2021-07-08 | 华为技术有限公司 | 一种轨迹预测方法及相关设备 |
CN111681335A (zh) * | 2020-03-18 | 2020-09-18 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
CN111645677A (zh) * | 2020-05-20 | 2020-09-11 | 吉林大学 | 一种车辆制动转向协调控制紧急防碰撞系统及控制方法 |
CN112258841A (zh) * | 2020-10-26 | 2021-01-22 | 大连大学 | 一种基于它车辆轨迹预测的智能车辆风险评估方法 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
Non-Patent Citations (1)
Title |
---|
《基于长短期记忆网络的换道意图识别方法》;宋晓琳等;《中国公路学报》;第34卷(第11期);236-245 * |
Also Published As
Publication number | Publication date |
---|---|
CN114312769A (zh) | 2022-04-12 |
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 | |
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
WO2018072395A1 (zh) | 基于前向车辆驾驶行为的智能车辆安全环境包络重构方法 | |
CN106740846A (zh) | 一种双模式切换的电动汽车自适应巡航控制方法 | |
CN112829742B (zh) | 乘员安全决策方法和装置 | |
US20230304896A1 (en) | Method for evaluating performance of self-driving vehicle oriented to full parameter space of logical scenario | |
CN111783943B (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
CN105160431A (zh) | 一种对未来车辆汽车驾驶员辅助系统的安全效能预测方法 | |
CN114030485A (zh) | 一种考虑附着系数的自动驾驶汽车类人换道决策规划方法 | |
Selvaraj et al. | An ML-aided reinforcement learning approach for challenging vehicle maneuvers | |
Lai et al. | Simulation analysis of automatic emergency braking system under constant steer conditions | |
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 | |
CN114312769B (zh) | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 | |
Feng et al. | Modelling and simulation for safe following distance based on vehicle braking process | |
Ding et al. | Research on safety lane change warning method based on potential angle collision point | |
CN113033902B (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
CN113479177B (zh) | 车辆制动控制方法、系统、计算机设备和存储介质 | |
TWI535601B (zh) | 滑動模式之行駛路徑投票策略模組及其駕駛控制系統與方法 | |
CN114154227A (zh) | 一种重型挂车制动过程自适应学习方法 | |
CN112596388B (zh) | 一种基于驾驶员数据的lstm神经网络aeb系统控制方法 | |
CN114872727A (zh) | 一种应用于自动驾驶车辆的周围车辆轨迹预测方法 | |
CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
Liu et al. | Optimal control of path tracking for vehicle-handling dynamics | |
Hong et al. | Driving behavior evaluation for future mobility: Application of online transition probability estimation | |
Yamauchi et al. | Adaptive identification method of vehicle modeling according to the fluctuation of road and running situation in autonomous driving |
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 |