CN114559959A - 一种基于驾驶偏好的自动驾驶行为决策系统及方法 - Google Patents
一种基于驾驶偏好的自动驾驶行为决策系统及方法 Download PDFInfo
- Publication number
- CN114559959A CN114559959A CN202210270627.3A CN202210270627A CN114559959A CN 114559959 A CN114559959 A CN 114559959A CN 202210270627 A CN202210270627 A CN 202210270627A CN 114559959 A CN114559959 A CN 114559959A
- Authority
- CN
- China
- Prior art keywords
- driving
- vehicle
- preference
- driving preference
- recognition result
- 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 31
- 230000009471 action Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000010365 information processing Effects 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- B60W40/08—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 drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种基于驾驶偏好的自动驾驶行为决策系统及方法,包括,车辆历史数据采集模块,采集和处理车辆行驶的历史数据;驾驶偏好识别模块,根据所述历史数据和预设的标签数据,获取驾驶偏好识别结果;道路环境信息处理模块,采集和处理车辆行驶的道路环境信息,获取场景识别结果;行为决策模块,根据所述场景识别结果和驾驶偏好的识别结果,输出车辆动作指令。本发明通过识别驾驶员的驾驶习惯,自动匹配驾驶员的驾驶偏好,在保证安全性的前提下,能够更好的满足驾驶员的个性化需求。
Description
技术领域
本发明属于汽车自动驾驶技术领域,更具体涉及一种基于驾驶偏好的自动驾驶行为决策系统及方法。
背景技术
根据统计,90%交通事故的发生是驾驶员的失误驾驶导致的。开发自动驾驶汽车的主要目标是提高驾驶安全性和驾驶员接受度。自动驾驶行为决策是自动驾驶系统研发过程中需要攻克的难题之一,也是有效降低碰撞交通事故发生率的关键技术。未来智能交通系统中的自动驾驶汽车应该配备先进的决策系统,以做出安全、司机可接受的驾驶决策。但道路场景的多样、光线的突变、天气条件的等因素,都给自动驾驶的行为决策技术的开发带来了挑战。
目前的决策技术主要有基于规则和基于学习的两类方法。基于规则的方法是针对具体场景通过硬编码的方式确定的判决条件,根据当前的环境信息做出决策,如决策树与有限状态机。这种方法可调试强且易于实现,是目前工程上应用最为普遍的方法。但由于只针对特定场景,因此对驾驶环境的适应性差,不具有通用性。针对基于规则决策技术的缺点,基于学习的方法被提出。如我国专利CN111845741A公开了一种基于分层强化学习的自动驾驶决策控制方法及系统,该方案包括动作层Agent和决策层Agent,动作层Agent通过和道路环境信息交互训练出正确的动作网络,决策层Agent通过和车流交通状态信息交互训练出正确的决策网络,进而避免了急加速和急减速的情况发生,改善了整车舒适性。基于学习决策方法的优点在于,由于网络结构和输出的多样性,可以降低端到端系统的复杂性,提高系统的灵活性,并且可以使网络产生像人类驾驶员一样的真实行为。然而由于危险场景的数据难以获得,无法用于学习模型的训练,导致基于学习的方法并不能很好的处理危险碰撞场景,且学习模型的可控性差,工程开发过程中难以针对特殊场景进行针对性调试。
无论是基于规则的行为决策技术,还是基于学习的行为决策技术,都未对驾驶员的驾驶偏好(驾驶风格)进行考虑。在真实驾驶过程中,每位驾驶员都具有独特的驾驶偏好,如激进驾驶、正常驾驶、稳健驾驶等。在满足安全性的前提下,自动驾驶行为决策如何满足驾驶员偏好直接关系着自动驾驶功能的体验与可接受度,也是自动驾驶系统开发过程中需要着重考虑的关键问题。
发明内容
为解决上述问题,本发明提供了一种基于驾驶偏好的自动驾驶行为决策系统及方法,通过识别驾驶员的驾驶习惯,自动匹配驾驶员的驾驶偏好,在保证安全性的前提下,能够更好的满足驾驶员的个性化需求。
为了解决上述技术问题,本发明采用的技术方案是这样的:一种基于驾驶偏好的自动驾驶行为决策系统,包括,
车辆历史数据采集模块,采集和处理车辆行驶的历史数据;
驾驶偏好识别模块,根据所述历史数据和预设的标签数据,获取驾驶偏好识别结果;
道路环境信息处理模块,采集和处理车辆行驶的道路环境信息,获取场景识别结果;
行为决策模块,根据所述场景识别结果和驾驶偏好的识别结果,输出车辆动作指令。
基于上述系统,本发明还提供了一种基于驾驶偏好的自动驾驶行为决策方法,包括以下步骤,
S1、获取预设的标签数据;
S2、采集和处理车辆行驶的历史数据;
S3、采集和处理车辆行驶的道路环境信息,获取场景识别结果;
S4、根据所述历史数据和标签数据获取驾驶偏好识别结果;
S5、根据驾驶偏好识别结果和场景识别结果,输出车辆动作指令。
作为优化,所述预设的标签数据通过调查问卷的方式收集驾驶员的驾驶偏好数据,并存储为对应的标签数据。
作为优化,所述调查问卷的内容包括驾驶员正常驾驶时百公里油耗统计和/或自我评价和/或百公里加速时间测试和/或车速与油门开度变化,并根据调查问卷的内容确定驾驶员激进驾驶、正常驾驶、保守驾驶的驾驶偏好数据。
作为优化,所述历史数据包括车辆的车速信号与油门开度变化率。
作为优化,所述道路环境信息包括障碍物信息、本车信息和地图信息。
作为优化,S4包括,
S301、利用核密度函数建立概率统计模型,所述核函数包括高斯核函数或多项式核函数或线性核函数;
S302、基于贝叶斯原理离线计算保守驾驶、激进驾驶发生的概率;
S303、将保守驾驶与激进驾驶的概率差按照正态分布原理分为三个水平,作为识别标准,确定识别模型;
S304、将所述历史数据输入识别模型,获得驾驶偏好的识别结果。
作为优化,S5包括,
S501、根据地图信息确定本车所在车道ID、障碍物所在车道ID;
S502、根据本车信息、障碍物信息,识别当前驾驶场景,其包括正常会车、逆向来车、极限插入、静态绕行;
S503、基于条件随机场计算周围障碍物的威胁等级,并筛选出威胁等级最大的障碍物;
S504、基于当前的障碍物与本车的车头时距、碰撞时间、停止时间,利用高斯模型建立基于概率的风险评估模型,计算当前驾驶场景下的碰撞概率;
S505、依据碰撞概率将碰撞风险等级分为三种水平:紧急制动、正常制动与缓和制动,与三种驾驶偏好进行匹配;
S506、根据驾驶偏好识别结果,输出对应的车辆动作指令。
与现有技术相比,本发明具有如下优点:
本发明将驾驶员的驾驶偏好因素融入自动驾驶行为决策过程。通过收集车辆历史数据,基于贝叶斯理论自动识别当前驾驶员的驾驶偏好,如激进、正常、保守,根据识别当前驾驶场景,基于风险概率评估进行自动驾驶行为决策,最后输出能够满足安全需求与驾驶员驾驶偏好的行为指令集。该方案通过识别驾驶员的驾驶习惯,自动匹配驾驶员的驾驶偏好,在保证安全性的前提下,能够更好的满足驾驶员的个性化需求。
附图说明
图1为本发明行为决策的整体系统框图;
图2为本发明基于贝叶斯的驾驶偏好自动识别流程图;
图3为本发明基于风险概率评估的自动驾驶行为决策流程图。
具体实施方式
下面将结合附图及实施例对本发明作进一步说明。
实施例:参见图1-图3,
一种基于驾驶偏好的自动驾驶行为决策系统,包括,
车辆历史数据采集模块,采集和处理车辆行驶的历史数据;
驾驶偏好识别模块,根据所述历史数据和预设的标签数据,获取驾驶偏好识别结果;
道路环境信息处理模块,采集和处理车辆行驶的道路环境信息,获取场景识别结果;
行为决策模块,根据所述场景识别结果和驾驶偏好的识别结果,输出车辆动作指令。
具体的,如图1所示,本发明共包含以下模块:车辆历史数据采集模块、驾驶偏好识别模块、道路环境信息处理模块、场景识别模块与行为决策模块。车辆历史数据采集模块通过收集车速信号与油门开度变化率,通过降噪与筛选处理后,将稳定的有效数据传递给驾驶偏好识别模块,驾驶偏好识别模块基于贝叶斯方案自动识别偏好类型,并将识别后的结果传递给行为决策模块。道路环境信息处理模块将障碍物的位置、类型、速度、加速度,本车的位置、速度、加速度,地图信息传递给场景识别模块,行为决策模块根据场景内识别的结果、障碍物信息与驾驶偏好,基于风险概率评估方法进行车辆动作指令确定。
基于上述系统,本发明还提供了一种基于驾驶偏好的自动驾驶行为决策方法,包括以下步骤,
S1、获取预设的标签数据;所述预设的标签数据通过调查问卷的方式收集驾驶员的驾驶偏好数据,并存储为对应的标签数据。所述调查问卷的内容包括驾驶员正常驾驶时百公里油耗统计和/或自我评价和/或百公里加速时间测试和/或车速与油门开度变化,并根据调查问卷的内容确定驾驶员激进驾驶、正常驾驶、保守驾驶的驾驶偏好数据。具体的,问卷问题能够真实反映驾驶员的驾驶习惯与驾驶的风格,包含但不限于:正常驾驶时百公里油耗统计、自我评价、百公里加速时间测试等方法。收集问卷中驾驶员激进驾驶、正常驾驶、保守驾驶的驾驶数据:包含车速与油门开度变化,确定标签数据。
S2、采集和处理车辆行驶的历史数据;所述历史数据包括车辆的车速信号与油门开度变化率。
S3、采集和处理车辆行驶的道路环境信息,获取场景识别结果;所述道路环境信息包括障碍物信息、本车信息和地图信息。
S4、根据所述历史数据和标签数据获取驾驶偏好识别结果;具体的,如图2所示,驾驶偏好自动识别模块基于标签数据与当前时段内车辆历史数据采集模块收集到的数据,利用贝叶斯原理识别当前驾驶员的驾驶偏好。
S301、利用核密度函数建立概率统计模型,所述核函数包括高斯核函数或多项式核函数或线性核函数;
S302、基于贝叶斯原理离线计算保守驾驶、激进驾驶发生的概率;
S303、将保守驾驶与激进驾驶的概率差按照正态分布原理分为三个水平,作为识别标准,确定识别模型;
S304、将车辆历史数据采集模块收集到的车速、油门开度变化率输入识别模型,获得驾驶偏好的识别结果。
S5、根据驾驶偏好识别结果和场景识别结果,输出车辆动作指令。具体的,如图3所示,基于风险概率评估的自动驾驶行为决策模块的功能是输出车辆的具体行为动作的控制指令,如巡航、跟车、保持车道行驶、绕行、停车等待等。
S501、确定驾驶场景的划分的基本条件:包含本车所在车道ID、障碍物车所在车道ID;
S502、根据本车的运动方向、速度大小、位置、障碍物运动方向、速度大小、位置,判定当前驾驶场景;制定场景识别规则,识别当前驾驶场景,包含:正常会车、逆向来车、极限插入、静态绕行等;
S503、基于条件随机场计算周围障碍物的威胁等级,并筛选出威胁等级最大的障碍物;
S504、基于当前的障碍物与本车的车头时距、碰撞时间、停止时间,利用高斯模型建立基于概率的风险评估模型,计算当前驾驶场景下的碰撞概率;
S505、依据碰撞概率将碰撞风险等级分为三种水平:紧急制动、正常制动与缓和制动,与三种驾驶偏好进行匹配;
S506、根据驾驶偏好识别结果,输出对应的车辆动作指令,即对于每种驾驶偏好,进行实车的制动减速度标定。
本发明将驾驶员的驾驶偏好因素融入自动驾驶行为决策过程。通过收集车辆历史数据,基于贝叶斯理论自动识别当前驾驶员的驾驶偏好,如激进、正常、保守,根据识别当前驾驶场景,基于风险概率评估进行自动驾驶行为决策,最后输出能够满足安全需求与驾驶员驾驶偏好的行为指令集。该方案通过识别驾驶员的驾驶习惯,自动匹配驾驶员的驾驶偏好,在保证安全性的前提下,能够更好的满足驾驶员的个性化需求。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于驾驶偏好的自动驾驶行为决策系统,其特征在于,包括,
车辆历史数据采集模块,采集和处理车辆行驶的历史数据;
驾驶偏好识别模块,根据所述历史数据和预设的标签数据,获取驾驶偏好识别结果;
道路环境信息处理模块,采集和处理车辆行驶的道路环境信息,获取场景识别结果;
行为决策模块,根据所述场景识别结果和驾驶偏好的识别结果,输出车辆动作指令。
2.一种基于驾驶偏好的自动驾驶行为决策方法,其特征在于,包括以下步骤,
S1、获取预设的标签数据;
S2、采集和处理车辆行驶的历史数据;
S3、采集和处理车辆行驶的道路环境信息,获取场景识别结果;
S4、根据所述历史数据和标签数据获取驾驶偏好识别结果;
S5、根据驾驶偏好识别结果和场景识别结果,输出车辆动作指令。
3.根据权利要求2所述的一种基于驾驶偏好的自动驾驶行为决策方法,其特征在于,所述预设的标签数据通过调查问卷的方式收集驾驶员的驾驶偏好数据,并存储为对应的标签数据。
4.根据权利要求3所述的一种基于驾驶偏好的自动驾驶行为决策方法,其特征在于,所述调查问卷的内容包括驾驶员正常驾驶时百公里油耗统计和/或自我评价和/或百公里加速时间测试和/或车速与油门开度变化,并根据调查问卷的内容确定驾驶员激进驾驶、正常驾驶、保守驾驶的驾驶偏好数据。
5.根据权利要求2-4任一所述的一种基于驾驶偏好的自动驾驶行为决策方法,其特征在于,所述历史数据包括车辆的车速信号与油门开度变化率。
6.根据权利要求5所述的一种基于驾驶偏好的自动驾驶行为决策方法,其特征在于,所述道路环境信息包括障碍物信息、本车信息和地图信息。
7.根据权利要求6所述的一种基于驾驶偏好的自动驾驶行为决策方法,其特征在于,S4包括,
S301、利用核密度函数建立概率统计模型,所述核函数包括高斯核函数或多项式核函数或线性核函数;
S302、基于贝叶斯原理离线计算保守驾驶、激进驾驶发生的概率;
S303、将保守驾驶与激进驾驶的概率差按照正态分布原理分为三个水平,作为识别标准,确定识别模型;
S304、将所述历史数据输入识别模型,获得驾驶偏好的识别结果。
8.根据权利要求6或7所述的一种基于驾驶偏好的自动驾驶行为决策方法,其特征在于,S5包括,
S501、根据地图信息确定本车所在车道ID、障碍物所在车道ID;
S502、根据本车信息、障碍物信息,识别当前驾驶场景,其包括正常会车、逆向来车、极限插入、静态绕行;
S503、基于条件随机场计算周围障碍物的威胁等级,并筛选出威胁等级最大的障碍物;
S504、基于当前的障碍物与本车的车头时距、碰撞时间、停止时间,利用高斯模型建立基于概率的风险评估模型,计算当前驾驶场景下的碰撞概率;
S505、依据碰撞概率将碰撞风险等级分为三种水平:紧急制动、正常制动与缓和制动,与三种驾驶偏好进行匹配;
S506、根据驾驶偏好识别结果,输出对应的车辆动作指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210270627.3A CN114559959A (zh) | 2022-03-18 | 2022-03-18 | 一种基于驾驶偏好的自动驾驶行为决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210270627.3A CN114559959A (zh) | 2022-03-18 | 2022-03-18 | 一种基于驾驶偏好的自动驾驶行为决策系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114559959A true CN114559959A (zh) | 2022-05-31 |
Family
ID=81719357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210270627.3A Pending CN114559959A (zh) | 2022-03-18 | 2022-03-18 | 一种基于驾驶偏好的自动驾驶行为决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114559959A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116592903A (zh) * | 2023-05-06 | 2023-08-15 | 四川警察学院 | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 |
CN117022325A (zh) * | 2023-08-28 | 2023-11-10 | 广州汽车集团股份有限公司 | 汽车驾驶控制方法、装置、电子设备和存储介质 |
CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106184223A (zh) * | 2016-09-28 | 2016-12-07 | 北京新能源汽车股份有限公司 | 一种自动驾驶控制方法、装置及汽车 |
JP2016216021A (ja) * | 2015-04-21 | 2016-12-22 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、プログラム |
CN110304068A (zh) * | 2019-06-24 | 2019-10-08 | 中国第一汽车股份有限公司 | 汽车行驶环境信息的采集方法、装置、设备和存储介质 |
CN110316186A (zh) * | 2019-07-01 | 2019-10-11 | 百度在线网络技术(北京)有限公司 | 车辆防碰撞预判方法、装置、设备及可读存储介质 |
CN113173170A (zh) * | 2021-01-08 | 2021-07-27 | 海南华天科创软件开发有限公司 | 基于人员画像个性化算法 |
WO2021244444A1 (zh) * | 2020-06-03 | 2021-12-09 | 中国第一汽车股份有限公司 | 控制方法、装置、设备及存储介质 |
-
2022
- 2022-03-18 CN CN202210270627.3A patent/CN114559959A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016216021A (ja) * | 2015-04-21 | 2016-12-22 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、自動運転制御装置、車両、プログラム |
CN106184223A (zh) * | 2016-09-28 | 2016-12-07 | 北京新能源汽车股份有限公司 | 一种自动驾驶控制方法、装置及汽车 |
CN110304068A (zh) * | 2019-06-24 | 2019-10-08 | 中国第一汽车股份有限公司 | 汽车行驶环境信息的采集方法、装置、设备和存储介质 |
CN110316186A (zh) * | 2019-07-01 | 2019-10-11 | 百度在线网络技术(北京)有限公司 | 车辆防碰撞预判方法、装置、设备及可读存储介质 |
WO2021244444A1 (zh) * | 2020-06-03 | 2021-12-09 | 中国第一汽车股份有限公司 | 控制方法、装置、设备及存储介质 |
CN113173170A (zh) * | 2021-01-08 | 2021-07-27 | 海南华天科创软件开发有限公司 | 基于人员画像个性化算法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116592903A (zh) * | 2023-05-06 | 2023-08-15 | 四川警察学院 | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 |
CN116592903B (zh) * | 2023-05-06 | 2024-02-23 | 四川警察学院 | 车路协同环境下群体偏好的生态驾驶路径实时规划方法 |
CN117022325A (zh) * | 2023-08-28 | 2023-11-10 | 广州汽车集团股份有限公司 | 汽车驾驶控制方法、装置、电子设备和存储介质 |
CN117022325B (zh) * | 2023-08-28 | 2024-02-23 | 广州汽车集团股份有限公司 | 汽车驾驶控制方法、装置、电子设备和存储介质 |
CN117804490A (zh) * | 2024-02-28 | 2024-04-02 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
CN117804490B (zh) * | 2024-02-28 | 2024-05-17 | 四川交通职业技术学院 | 一种车辆运行路线的综合规划方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
CN113165652B (zh) | 使用基于网格的方法检验预测轨迹 | |
US11577746B2 (en) | Explainability of autonomous vehicle decision making | |
US11734473B2 (en) | Perception error models | |
CN114559959A (zh) | 一种基于驾驶偏好的自动驾驶行为决策系统及方法 | |
US11714971B2 (en) | Explainability of autonomous vehicle decision making | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN104859662A (zh) | 自主车辆中的故障处理 | |
CN111332296B (zh) | 其他车辆的车道变换的预测 | |
CN106114507A (zh) | 用于智能车辆的局部轨迹规划方法和装置 | |
US11657318B2 (en) | Assessing ride quality for autonomous vehicles | |
CN113044064B (zh) | 基于元强化学习的车辆自适应的自动驾驶决策方法及系统 | |
US11934957B2 (en) | Methods, systems, and apparatuses for user-understandable explainable learning models | |
CN113460080B (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
US20220121213A1 (en) | Hybrid planning method in autonomous vehicle and system thereof | |
JP2022550058A (ja) | 安全性分析フレームワーク | |
CN112249008A (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
CN113085873A (zh) | 驾驶策略的获取方法、装置、计算机设备和存储介质 | |
CN111882924A (zh) | 车辆测试系统、驾驶行为判断控制方法及事故预警方法 | |
US20240336111A1 (en) | Emergency Heating System for Electric Vehicle (EV) Running out of Power | |
CN114787894A (zh) | 感知误差模型 | |
EP4170450A1 (en) | Method and system for switching between local and remote guidance instructions for an autonomous vehicle | |
CN114889608A (zh) | 一种基于注意力机制的车辆换道预测方法 | |
CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 |
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 |