CN114913710A - 人车交互决策方法及装置、存储介质、终端 - Google Patents
人车交互决策方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN114913710A CN114913710A CN202110174450.2A CN202110174450A CN114913710A CN 114913710 A CN114913710 A CN 114913710A CN 202110174450 A CN202110174450 A CN 202110174450A CN 114913710 A CN114913710 A CN 114913710A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- acceleration
- vehicle
- current vehicle
- human
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000003993 interaction Effects 0.000 title claims abstract description 43
- 230000001133 acceleration Effects 0.000 claims abstract description 173
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000005284 excitation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 230000008450 motivation Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 15
- 230000006399 behavior Effects 0.000 description 10
- 230000004927 fusion Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000004069 differentiation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000016571 aggressive behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种人车交互决策方法及装置、存储介质、终端，所述人车交互决策方法包括：在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。本发明技术方案能够在人车混行场景下在保证安全驾驶的基础上提升车辆的通行效率。
Description
技术领域
本发明涉及智能驾驶技术领域，尤其涉及一种人车交互决策方法及装置、存储介质、终端。
背景技术
近年来汽车与人工智能均是业界与学界最关注的问题之一，硬件方面的逐步完善使得汽车的控制越发精细，而算法方面的进步使得汽车电子控制单元(ElectronicControl Unit,ECU)的计算能力大幅提升，更多的功能得以实现，因此他们成为了如今的社会热点。而他们的结合——智能网联汽车(Intelligent Connected Vehicle,ICV)更被认为是当前汽车行业的核心问题之一。然而现状而言，目前市面上几乎所有已经量产商业化的智能驾驶汽车只能达到L2或L3，无法达到L4及以上的高级别自动驾驶。大部分当前智能驾驶无法到达高级别自动驾驶最大的痛点就在于人车混杂的复杂交通场景下通行效率过低。
当前ICV决策大概可以分为两类方法，一类为端到端的决策方法，以传感器数据为输入，基于深度学习、强化学习等方法完成决策输出，该类方法在某些简单场景下能够初步满足出行需求。第二类方法为分步式的决策方法，该类方法基于交通逻辑进行决策，较为经典的方法有智能驾驶员模型(IDM)模型、有限状态机模型(有限状态机)、模型预测模型(MPC)等等，这其中IDM与有限状态机的输入均为以下物理量：自车与行人之间的间距、自车速度、行人运动速度，而MPC的输入为前一段时间内行人运动的轨迹以及自车运动的轨迹；而决策模型的输出是一致的，均为自车加速度。该类模型通常能够应对已规定好的简单路况，同时具有解释性易于调整。
但是，目前现有的结果表明端到端的决策方法尚未具备能够应对复杂路况的能力，尤其是自车与行人混杂的危险场景。同时，该类方法依赖于大量的训练样本作为数据支撑，且训练结果常常不具备可解释性，因此限定了其应用范围，导致难以在复杂自车与行人路场景进行验证。现有的分步式的决策方法考虑的交通因素太少，往往只包含速度、位置等简单信息，因此不能满足驾驶员对于时间效率的要求，导致智能驾驶场景下车辆通行效率较低。
发明内容
本发明解决的技术问题是在人车混行场景下如何在保证安全驾驶的基础上提升车辆的通行效率。
为解决上述技术问题，本发明实施例提供一种人车交互决策方法，人车交互决策方法包括：在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。
可选的，所述加速度为负值，所述行人激进度越高，所述加速度越小。
可选的，所述获取行人激进度之后还包括：识别所述当前车辆的行驶场景，所述行驶场景包括路口路段和非路口路段；所述将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型包括：在所述行驶场景为所述路口路段时，将所述行人激进度与其他输入信息输入至所述有限状态机模型；或者，在所述行驶场景为所述非路口路段时，将所述行人激进度与其他输入信息输入至搜索智能驾驶员模型。
可选的，所述智能驾驶员模型输出的加速度与最小安全间隔负相关，所述最小安全间隔与所述行人激进度正相关。
可选的，所述智能驾驶员模型按照以下公式计算所述加速度：
s'0＝sbase+Iagsv(s0-sbase)；其中，aego表示所述加速度，aset为初始加速度，vd为所述当前车辆的理想车速，ve为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，sbase表征所述当前车辆与所述行人之间可避免事故发生的最小距离，Iagsv表示所述行人激进度，s0表示最小安全间隔。
可选的，所述智能驾驶员模型输出的加速度与加速度指数项正相关，所述加速度指数项与所述行人激进度负相关。
可选的，所述智能驾驶员模型按照以下公式计算所述加速度：
δ'＝δ(2-Iagsv)；其中，aego表示所述加速度，aset为初始加速度，vd为所述当前车辆的理想车速，ve为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，Iagsv表示所述行人激进度，s0表示最小安全间隔。
可选的，所述智能驾驶员模型输出的加速度与预设时间间隔负相关，所述加速度指数项与所述行人激进度正相关。
可选的，所述智能驾驶员模型按照以下公式计算所述加速度：
其中，aego表示所述加速度，aset为初始加速度，vd为所述当前车辆的理想车速，ve为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，Iagsv表示所述行人激进度，s0表示最小安全间隔。
可选的，所述智能驾驶员模型按照以下公式计算所述加速度：
可选的，所述有限状态机模型在判断所述行人与所述当前车辆的状态是否安全时，所述行人激进度越小，所述有限状态机模型判断所述行人与所述当前车辆的状态是安全的概率越大。
可选的，所述有限状态机模型按照以下公式计算安全标志：
其中，Flagsafe表示所述安全标志，te表示所述当前车辆到达交汇点的预期时长，tp表示所述行人到达交汇点的预期时长，Tsafe为设定的时间阈值，Iagsv表示所述行人激进度，k表示常数；所述有限状态机模型在所述安全标志确定为安全时，保持所述当前车辆的当前加速度，所述有限状态机模型在所述安全标志确定为不安全时，输出所述加速度为预设加速度，所述预设加速度小于所述当前加速度。
可选的，所述获取行人激进度包括：根据所述当前车辆的行驶信息以及环境信息判断是否存在冲突区域，所述冲突区域表示所述当前车辆与行人可能发生冲突的位置区域；如果确定存在冲突区域，则获取所述行人激进度。
可选的，所述人车交互决策方法还包括：判断所述当前车辆是否驶出所述冲突区域，或者所述行人离开所述冲突区域；如果不是，则继续获取所述行人激进度。
可选的，采用以下方式计算所述行人激进度：步骤S1，检测所述当前车辆行驶路线上是否有行人正在穿行；若是，则进入步骤S2；步骤S2，调用所述当前车辆的传感器数据和定位数据，获取行人等待时间、行人是否向后退、行人穿行群体人数、行人穿行的速度、加速度和人车间距；步骤S3，根据步骤S2得到的数据，确定特征变量的数值和激进度指数；其中，所述特征变量包括是否向后退、平均速度、是否观察车流、是否有干扰物、加速度、等待时间、人群数量，所述特征变量是通过下述方法设置的：通过相关性矩阵分析影响行人激进度的备选变量，在每一组相关性高于预设阈值的变量中保留一种变量设置为所述特征变量；确定所述特征变量的数值和激进度指数包括根据步骤S2得到的数据获取所述特征变量的数值，根据预设的特征变量与激进度之间的对应关系确定所述激进度指数；步骤S4，将步骤S3获得的特征变量的激进度指数作为输入，通过基于多层感知机MLP的深度学习网络，获得上述行人整体激进度。
为了解决上述技术问题，本发明实施例还公开了一种人车交互决策装置，人车交互决策装置包括：行人激进度获取模块，用于在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；输入模块，用于将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；加速度获取模块，用于获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。
本发明实施例还公开了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行所述人车交互决策方法的步骤。
本发明实施例还公开了一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行权所述人车交互决策方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明技术方案中，在人车混行的场景中，在进行车辆行驶控制决策，也即计算车辆的加速度时，将行人激进度作为考量因素用于计算车辆的加速度，实现了针对行人的个体的差异性对车辆行驶速度进行调整，满足车辆差异化的决策需求，进而在保证车辆和行人安全的基础上提升车辆的通行效率。
进一步地，所述加速度为负值，所述行人激进度越高，所述加速度越小。本发明技术方案中，由于行人激进度表示行人的危险程度，或者说表示行人前行的概率，行人激进度越大，表示行人前行概率越大，因此车辆的加速度越小，以使车辆的减速度更大，车辆的速度更小，从而保证车辆的行驶安全。
附图说明
图1是本发明实施例一种人车交互决策方法的流程图；
图2是本发明实施例一种计算行人激进度的具体实施方式的流程图；
图3是本发明实施例一种人车交互决策方法的效果示意图；
图4是本发明实施例一种具体应用场景的示意图；
图5是本发明实施例另一种人车交互决策方法的效果示意图；
图6是本发明实施例一种人车交互决策装置的结构示意图。
具体实施方式
如背景技术中所述，目前现有的结果表明端到端的决策方法尚未具备能够应对复杂路况的能力，尤其是自车与行人混杂的危险场景。同时，该类方法依赖于大量的训练样本作为数据支撑，且训练结果常常不具备可解释性，因此限定了其应用范围，导致难以在复杂自车与行人路场景进行验证。现有的分步式的决策方法考虑的交通因素太少，往往只包含速度、位置等简单信息，因此不能满足驾驶员对于时间效率的要求，导致智能驾驶场景下车辆通行效率较低。
本申请发明人研究发现，从决策系统原理分析，决策过于固定的问题源于没有根据交通环境与交互对象的不同而进行差异化处理。因此，如何改善当前ICV决策方法使得其能够根据对象特点不同而改变决策输出是高级别自动驾驶的关键问题。
本发明技术方案中，在人车混行的场景中，在进行车辆行驶控制决策，也即计算车辆的加速度时，将行人激进度作为考量因素用于计算车辆的加速度，实现了针对行人的个体的差异性对车辆行驶速度进行调整，满足车辆差异化的决策需求，进而在保证车辆和行人安全的基础上提升车辆的通行效率。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例一种人车交互决策方法的流程图。
本发明实施例的目标行为识别方法可以用于终端设备侧，具体可以是由车载设备，例如电子控制单元(Electronic Control Unit,ECU)，执行图1所示方法的各个步骤。所述终端设备还可以是各种恰当的终端，例如手机、电脑、物联网设备、服务器等，但并不限于此。
具体而言，所述人车交互决策方法可以包括以下步骤：
步骤S101：在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；
步骤S102：将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；
步骤S103：获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。
需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
本发明实施例中，行人激进度可以是实时计算得到的，可以反映当前时刻行人的行为激进的程度，行人越激进则越倾向于前进。那么在人车混行场景中，尤其是行人横穿马路的场景中，行人的风险程度也越高。所述行人激进度可以是处于0到1之间的数值。
需要说明的是，可以采用任意可实施的方式计算所述行人激进度，本发明实施例对此不作限制。
在本发明一个非限制性的实施例中，请参照图2，本发明实施例提供一种计算行人激进度的方式，具体步骤如下：
步骤S1，检测所述当前车辆行驶路线上是否有行人正在穿行；若是，则进入步骤S2；
步骤S2，调用所述当前车辆的传感器数据和定位数据，获取行人等待时间、行人是否向后退、行人穿行群体人数、行人穿行的速度、加速度和人车间距；
步骤S3，根据步骤S2得到的数据，确定特征变量的数值和激进度指数；其中，所述特征变量包括是否向后退、平均速度、是否观察车流、是否有干扰物、加速度、等待时间、人群数量，所述特征变量是通过下述方法设置的：通过相关性矩阵分析影响行人激进度的备选变量，在每一组相关性高于预设阈值的变量中保留一种变量设置为所述特征变量；确定所述特征变量的数值和激进度指数包括根据步骤S2得到的数据获取所述特征变量的数值，根据预设的特征变量与激进度之间的对应关系确定所述激进度指数；
步骤S4，将步骤S3获得的特征变量的激进度指数作为输入，通过基于多层感知机MLP的深度学习网络，获得上述行人整体激进度。
更具体而言，步骤S3中根据预设的特征变量与激进度之间的对应关系确定所述激进度指数包括：确定是否向后退的激进度：如果行人后退，所述是否向后退的激进度取第一值，否则取第二值；第一值小于第二值；确定平均速度的激进度：根据所述平均速度与预设速度的差值以及差值与速度激进度的预设关系得到所述行人的平均速度的激进度指数；确定是否观察车流的激进度：如果行人观察车流，所述是否观察车流的激进度指数取第三值，否则取第四值；第三值小于第四值；确定是否有干扰物的激进度：如果存在干扰物，所述是否有干扰物的激进度取指数第五值，否则取第六值；第五值大于第六值；确定加速度的激进度：如果行人加速度大于预设加速度阈值，确定加速度的激进度指数取第七值，否则取第八值；第七值大于第八值；确定等待时间的激进度：根据预设等待之间与激进度之间的对应关系确定所述等待时间的激进度指数，其中，等待时间越长，激进度越大；确定人群数量的激进度：根据预设的人数与激进度之间的关系确定人群数量的激进度指数；其中，人群数量在小于预设人数阈值之前，激进度随人数的增加而减小。
具体地，所述第一值、第三值、第六值、第八值为0，所述第二值、第四值、第五值、第七值为1。
在图1所示步骤S101的具体实施中，获取行人激进度是在行人与当前车辆的距离小于预设距离，例如20米，的情况下计算并获取的。更近一步地，在行人与当前车辆的距离小于预设距离并且行人与当前车辆的运动方向会发生冲突的情况下，计算并获取行人激进度。行人与当前车辆的运动方向会发生冲突是指，若行人与当前车辆均不改变当前的运动速度，将会在某一区域(也称冲突区域)发生碰撞，例如：行人穿行道路，车辆在道路上行驶，在道路中央某一点人与车将会发生碰撞。
在步骤S102的具体实施中，可以将行人激进度作为智能驾驶员模型(IntelligentDriver Dodel,IDM)或有限状态机模型(Finite State Machine,FSM)的输入数据。也就是说，将行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型。所述其他输入信息可以包括当前车辆与行人之间的距离、当前车辆速度、行人运动速度等，本发明实施例对此不作限制。
智能驾驶员模型或有限状态机模型能够针对输入的数据输出用于控制当前车辆的加速度。经过上述步骤计算得到的加速度考量了行人激进度，能够在当前行人的行为激进程度的情况下精准地为车辆的行为提供指导。
进一步地而言，所述加速度为负值，所述行人激进度越高，所述加速度越小。由于行人激进度表示行人的危险程度，或者说表示行人前行的概率，行人激进度越大，表示行人前行概率越大，因此车辆的加速度越小，以使车辆的减速度更大，车辆的速度更小，从而保证车辆的行驶安全。反之，行人激进度越小，表示行人前行概率越小，因此车辆的加速度越大，以使车辆的减速度更小，车辆的速度更大。
故而在步骤S103的具体实施中，可以获取智能驾驶员模型或有限状态机模型输出的加速度并进行输出，具体可以是输出给当前车辆的控制单元，以使控制单元控制当前车辆按照所述加速度进行加速或减速。或者，也可以直接输出给车辆的动力系统，控制当前车辆按照所述加速度进行加速或减速。
进一步地，如果行人和当前车辆已完成人车交互，也即当前车辆是否驶出所述冲突区域，或者所述行人离开所述冲突区域，则结束决策过程；否则继续执行上述步骤S101-步骤S103。
具体的方法主要是以行人是否已经通过冲突区域或自车已经驶出冲突区域作为判断依据。行人已经通过预期发生碰撞的地点或自车已经驶出冲突区域可以视为人机交互完成。
本发明通过决策分类以及融合行人激进度，能够使得自车通行效率增加，实现智能车辆的差异化决策。融合激进度识别结果后，有效减少车辆整体通行时间，提高通行效率。同时该决策方法能保障行驶安全性，避免碰撞事故发生。
在本发明一个非限制性的实施例中，图1所示步骤S101之后还可以包括以下步骤：识别所述当前车辆的行驶场景，所述行驶场景包括路口路段和非路口路段。进一步地，图1所示步骤S102可以包括以下步骤：在所述行驶场景为所述路口路段时，将所述行人激进度与其他输入信息输入至所述有限状态机模型；或者，在所述行驶场景为所述非路口路段时，将所述行人激进度与其他输入信息输入至搜索智能驾驶员模型。
具体实施中，由于不同道路环境下可能面临的交通规则、交通情况不同，因此将整体决策按照车辆所处路段分为两类：一类是非路口路段决策，一类是路口路段决策。车辆在非路口路段面临的环境相对而言较为简单，本发明基于智能驾驶员模型进行自车决策；车辆在路口路段面临的交通可能性更多，为保障安全性以及方法可延展性，本发明基于有限状态机进行自车决策。
对于智能驾驶员模型而言，其计算车辆加速的公式如下：
s*(ve,Δv)表示理想车间距；aego表示所述加速度，aset为初始加速度(也称理想加速度)，vd为所述当前车辆的理想车速，ve为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，sbase表征所述当前车辆与所述行人之间可避免事故发生的最小距离，Iagsv表示所述行人激进度，s0表示最小安全间隔。
其中，理想车速vd，预设时间间隔T，最小安全间隔s0，加速度指数项δ，初始加速度aset，舒适加速度上界b在实际行驶场景中可以是确定的数值。具体可参照表1。
表1
智能驾驶员模型源于对于交通状况的理解以及车辆动力学，所以不能改变其函数形式。比较适合融合的地方在于公式(1)和(2)中的几个常数，即：理想速度vd、速度项指数δ、预设时间间隔T、最小安全间隔s0、初始加速度aset以及舒适加速度上界b。在这些变量中，理想速度vd由道路和自车的性能决定(道路的限速与自车稳定最高时速的最小值)、初始加速度aset由汽车制动性能决定、舒适加速度上界b由人体舒适度决定，因此这些变量之中，适合与行人激进度进行融合且符合直观解释的变量只有指数δ、时间间隔T与最小安全间隔s0。
在本发明一个非限制性的实施例中，智能驾驶员模型按照以下公式计算s*(ve,Δv)：
s'0＝sbase+Iagsv(s0-sbase)； (4)
本实施例中，最小安全间隔S0指的是自车与周围物体之间的最小安全纵向距离。当识别出即将交互的行人行为较为保守(也即行人激进度较小)时，可以将安全距离设置得小一些；相反，如果行人行为较为激进也即行人激进度较大)，则安全距离应当稍大一些。
具体地，sbase是一个大于0小于s0的正值，具体的取值可以根据实际的应用场景试验来确定，比如可以是0.2。经过映射之后，s'0∈[sbase,s0]。由于s*(ve,Δv)是s0的单调递增函数，在行人激进度较小的情况下，s*(ve,Δv)会较小，该项的平方项减小，导致最终的自车加速度aego变大，融合后的决策会得到更小的减速度，车辆的速度会更大。简而言之，当行人更加保守时，自车的行为将会更加激进。这里没有直接将s'0的下界映射到0，而是设置为sbase，原因在于该项过小会导致距离项平方小于1，使得在面临人车交互时自车的加速度为正的，不符合现实规律；sbase表征了实际自车与行人之间的最小距离，保证事故不会发生。
在本发明一个非限制性的实施例中，智能驾驶员模型按照以下公式计算所述加速度：
δ'＝δ(2-Iagsv)； (7)
本实施例中，加速度指数项用于控制速度对整体加速度的影响。事实上在人车交互的场景中，加速度指数项是非常小的，大约在0.1m/s以下，因此对速度项指数采用公式(7)进行变换。
具体地，行人越保守，行人激进度越小，修正后的加速度指数项δ'越大，速度项的结果
就越小，整体的加速度就越大。从直观解释上来讲，该加速度指数项的含义为：回到理想速度的意愿大小，该项的指数越大，回到理想速度的意愿就越大。而行人越保守，自车就应当更趋向于激进风格，因此指数越大，数学与直观解释相统一。
在本发明一个非限制性的实施例中，智能驾驶员模型按照以下公式计算s*(ve,Δv)：
T'＝T×Iagsv； (9)
本实施例中，在调和s*(ve,Δv)中，除了最小安全间隔s0，还有一项veT是预留给驾驶员进行操作时而产生的滑行距离的。预设时间间隔T用于控制当前车辆在刹车时的滑行距离。然而在预估行人的激进度较低时，该项也可以进行比例的放缩，对于保守的行人可以将预设时间间隔T变得小一些，具体请参照公式(9)。总而言之，该融合策略就是将T改为一个与行人激进度有关的函数。
更进一步而言，由于原理相似，公式(4)与公式(9)还可以结合为下述公式：
通过仿真验证，智能驾驶员模型各融合策略通行时间与优化效果如下表2所示，其中，T＝1.0s，sbase＝0.2m。
表2
如表2所示，如果单采取速度项的优化(即优化方案2，公式5)则优化效果有限，尽管δ越大优化效果越好，然而上升幅度不大。理论上分析，在加速度计算式中，速度项
里
的本来的值就小于1(且大多数时候都小于0.5)，因此其2次方与4次方的值相差并不大，尤其是与距离项相比，能够起到的影响有限，得到的优化曲线如下图3所示。图3中横坐标表示加速度指数项，纵坐标表示优化率。曲线1(Optimum Rate1所示)表示优化方案1的优化效果1；曲线2表示(Optimum Rate2所示)表示优化方案2的优化效果1；曲线3(OptimumRate3所示)表示优化方案3的优化效果3。
在路口路段基于有限状态机模型进行决策融合。有限状态机模型的输入量为两类，一类为周围环境对象的状态，主要通过车联网、路侧设施等观测而得；另一类则为自车状态，由内部系统可得。
在图4所示场景中，在单向车辆行驶、行人纵向穿行道路的事件中，将起点线与终点线之间的区域定义为感兴趣区域(Region of Interest，ROI)。同时将“进入ROI”与“离开ROI”定义为两个状态。易得所有行为最终的起点、终点就为这两者。除了这两者之外，其余驾驶员能够产生的行为有“加速行驶”、“减速行驶”、“停车等待”、“保持速度”。xe表示自车横轴坐标，xki表示目标ki的横轴坐标。
进入ROI后，当即判定是否有行人未通过路口，如果有，则在人群队列中找到最先期望通过路口的行人将其识别为预定冲突对象，随后计算自车与行人预期到达交汇点的时间。由于本场景中默认行人的纵向速度为0，横向速度(横向指与自车航向垂直)，因此交汇点即为行人所在位置的横坐标与自车所在大地坐标系的纵坐标之交汇点。如果到达交汇点的时间之差Tjudge小于安全阈值Tsafe，则认为两者的行为是有冲突的，需要自车按照有限状态机设定规则调整速度；循环调整，直至最新所估计的时间差大于安全阈值，则通过路口，离开ROI。
本发明一个非限制性的实施例中，所述有限状态机模型在判断所述行人与所述当前车辆的状态是否安全时，所述行人激进度越小，所述有限状态机模型判断所述行人与所述当前车辆的状态是安全的概率越大。所述有限状态机模型按照以下公式计算安全标志Flagsafe：
其中，
vp表示行人的速度，sx为车辆到预计交汇点的纵向距离，sy为行人到预计交汇点的横向距离。上述常数k可以为1。当公式(12)计算出的Tjudge大于或等于设定的阈值Tsafe时，判定为安全(也即Flagsafe＝1)，则当前车辆继续保持当前的加速度；反之则需要调整速度，通常是以预设减速度(如1m/s2)行驶。
具体实施中，原本的不安全区间为(-Tsafe，Tsafe)，安全区间为(-∞，-Tsafe)以及(Tsafe，+∞)。本发明实施例等价为将计算所得的Tjudge向左移动，从而使得原本在不安全区间的值可能移动到左侧的安全区间，也即(-∞，-Tsafe)。要注意的是，当前车辆目的是尽快地通过路口，所以不能移动到最右侧的安全区间，否则通过路口的时间反而延长了。而分段函数的设计则解决误将点向右移动的情况：如果原本即处于最右侧的安全区间，则不进行操作，此时可以按照预定的理想状态通过交汇点；如果处于其他区域，那么将tp除以Iagsv得到修正后的行人时间，而原本的行人模型是恒定速度模型(CV，Constant Velocity)，行人越保守，其在处于与车辆交互的过程中就越容易减速甚至向后退，延长了到达交汇点的时间。若该行人极致保守，则Iagsv约等于0，此时修正的值为负无穷，即行人永远到不了交汇点无法通行马路，这与物理世界是相符合的。综上，在这个定义式下，判定结果只有可能从不安全区移动到安全区，不可能从安全区间移动到不安全区间。
通过仿真验证，有限状态机的决策融合仿真结果如表3所示。其中，Tsafe＝0.7s。
表3
得到的优化曲线如下图5所示，横坐标表示常数k，纵坐标表示优化率。图5中的曲线与图表可以看出，有限状态机本身模型较为简单，假设较多，模型自身的精确度并非很高，而模型越简单，能够提高的空间就越大。混合策略较为激进的时候甚至能够将通行时间减少20.95％，这对于通向效率而言是很大的提升。当k越大，则混合策略约保守，整体对于通行效率的提升也越小，然而即使如此也能够有至少12.72％的提升。
最终，根据样例结果可得：在路口路段以及非路口路段，相较于未考虑行人激进度的方法，本发明均能使得通行效率提高。
综上，本发明首先根据道路条件进行分类，将车辆决策分为非路口路段以及路口路段决策两个种类。对于非路口路段，基于智能驾驶跟驰模型将行人激进度结果融入自车加速度计算式；对于路口路段，基于FMS模型将行人激进度与核心判定条件相融合。在以上融合策略下，自车能够实现根据行人个体差异灵活调整决策，在保障交通安全性的前提之下大幅提高了交通效率。
请参照图6，图6公开了一种人车交互决策装置60，人车交互决策装置60可以包括：
行人激进度获取模块601，用于在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；
输入模块602，用于将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；
加速度获取模块603，用于获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。
本发明实施例中，在人车混行的场景中，在进行车辆行驶控制决策，也即计算车辆的加速度时，将行人激进度作为考量因素用于计算车辆的加速度，实现了针对行人的个体的差异性对车辆行驶速度进行调整，满足车辆差异化的决策需求，进而在保证车辆和行人安全的基础上提升车辆的通行效率。
关于所述人车交互决策装置60的工作原理、工作方式的更多内容，可以参照图1至图5中的相关描述，这里不再赘述。
本发明实施例还公开了一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序运行时可以执行图1-图2中所示方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本发明实施例还公开了一种终端，所述终端可以包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序。所述处理器运行所述计算机程序时可以执行图1-图2所示方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。
应理解，上述的处理器可以是通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，还可以是系统芯片(system on chip，SoC)，还可以是中央处理器(central processor unit，CPU)，还可以是网络处理器(networkprocessor，NP)，还可以是数字信号处理电路(digital signal processor，DSP)，还可以是微控制器(micro controller unit，MCU)，还可以是可编程控制器(programmable logicdevice，PLD)或其他集成芯片。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
还应理解，本发明实施例中提及的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double datarate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
需要说明的是，当处理器为通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件时，存储器(存储模块)集成在处理器中。应注意，本文描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (18)
1.一种人车交互决策方法，其特征在于，包括：
在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；
将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；
获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。
2.根据权利要求1所述的人车交互决策方法，其特征在于，所述加速度为负值，所述行人激进度越高，所述加速度越小。
3.根据权利要求1所述的人车交互决策方法，其特征在于，所述获取行人激进度之后还包括：
识别所述当前车辆的行驶场景，所述行驶场景包括路口路段和非路口路段；
所述将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型包括：
在所述行驶场景为所述路口路段时，将所述行人激进度与其他输入信息输入至所述有限状态机模型；
或者，在所述行驶场景为所述非路口路段时，将所述行人激进度与其他输入信息输入至搜索智能驾驶员模型。
4.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型输出的加速度与最小安全间隔负相关，所述最小安全间隔与所述行人激进度正相关。
5.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型按照以下公式计算所述加速度：
s'0＝sbase+Iagsv(s0-sbase)；其中，
表示所述加速度，aset为初始加速度，vd为所述当前车辆的理想车速，ve为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，sbase表征所述当前车辆与所述行人之间可避免事故发生的最小距离，Iagsv表示所述行人激进度，s0表示最小安全间隔。
6.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型输出的加速度与加速度指数项正相关，所述加速度指数项与所述行人激进度负相关。
7.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型按照以下公式计算所述加速度：
δ'＝δ(2-Iagsv)；其中，aego表示所述加速度，aset为初始加速度，vd为所述当前车辆的理想车速，ve为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，Iagsv表示所述行人激进度，s0表示最小安全间隔。
8.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型输出的加速度与预设时间间隔负相关，所述加速度指数项与所述行人激进度正相关。
9.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型按照以下公式计算所述加速度：
T'＝T×Iagsv；其中，aego表示所述加速度，aset为初始加速度，vd为所述当前车辆的理想车速，ve为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，Iagsv表示所述行人激进度，s0表示最小安全间隔。
10.根据权利要求1所述的人车交互决策方法，其特征在于，所述智能驾驶员模型按照以下公式计算所述加速度：
其中，aego表示所述加速度，aset为初始加速度，vd为所述当前车辆的理想车速，ve为所述当前车辆的车速，Δv为所述当前车辆与所述行人之间的相对速度，δ为加速度指数项，s表示所述当前车辆与行人之间的实际间距，T为预设时间间隔，b为舒适加速度上界，sbase表征所述当前车辆与所述行人之间可避免事故发生的最小距离，Iagsv表示所述行人激进度，s0表示最小安全间隔。
11.根据权利要求1所述的人车交互决策方法，其特征在于，所述有限状态机模型在判断所述行人与所述当前车辆的状态是否安全时，所述行人激进度越小，所述有限状态机模型判断所述行人与所述当前车辆的状态是安全的概率越大。
12.根据权利要求1所述的人车交互决策方法，其特征在于，所述有限状态机模型按照以下公式计算安全标志：
所述有限状态机模型在所述安全标志确定为安全时，保持所述当前车辆的当前加速度，所述有限状态机模型在所述安全标志确定为不安全时，输出所述加速度为预设加速度，所述预设加速度小于所述当前加速度。
13.根据权利要求1所述的人车交互决策方法，其特征在于，所述获取行人激进度包括：
根据所述当前车辆的行驶信息以及环境信息判断是否存在冲突区域，所述冲突区域表示所述当前车辆与行人可能发生冲突的位置区域；
如果确定存在冲突区域，则获取所述行人激进度。
14.根据权利要求13所述的人车交互决策方法，其特征在于，还包括：
判断所述当前车辆是否驶出所述冲突区域，或者所述行人离开所述冲突区域；
如果不是，则继续获取所述行人激进度。
15.根据权利要求1所述的人车交互决策方法，其特征在于，采用以下方式计算所述行人激进度：
步骤S1，检测所述当前车辆行驶路线上是否有行人正在穿行；若是，则进入步骤S2；
步骤S2，调用所述当前车辆的传感器数据和定位数据，获取行人等待时间、行人是否向后退、行人穿行群体人数、行人穿行的速度、加速度和人车间距；
步骤S3，根据步骤S2得到的数据，确定特征变量的数值和激进度指数；
其中，所述特征变量包括是否向后退、平均速度、是否观察车流、是否有干扰物、加速度、等待时间、人群数量，所述特征变量是通过下述方法设置的：通过相关性矩阵分析影响行人激进度的备选变量，在每一组相关性高于预设阈值的变量中保留一种变量设置为所述特征变量；确定所述特征变量的数值和激进度指数包括根据步骤S2得到的数据获取所述特征变量的数值，根据预设的特征变量与激进度之间的对应关系确定所述激进度指数；
步骤S4，将步骤S3获得的特征变量的激进度指数作为输入，通过基于多层感知机MLP的深度学习网络，获得上述行人整体激进度。
16.一种人车交互决策装置，其特征在于，包括：
行人激进度获取模块，用于在当前车辆行驶过程中获取行人激进度，所述行人激进度表征行人风险程度；
输入模块，用于将所述行人激进度与其他输入信息输入至智能驾驶员模型或有限状态机模型；
加速度获取模块，用于获取所述智能驾驶员模型或有限状态机模型输出的加速度并进行输出，以使所述当前车辆按照所述加速度继续行驶。
17.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至15中任一项所述人车交互决策方法的步骤。
18.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至15中任一项所述人车交互决策方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110174450.2A CN114913710B (zh) | 2021-02-07 | 2021-02-07 | 人车交互决策方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110174450.2A CN114913710B (zh) | 2021-02-07 | 2021-02-07 | 人车交互决策方法及装置、存储介质、终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114913710A true CN114913710A (zh) | 2022-08-16 |
| CN114913710B CN114913710B (zh) | 2023-12-05 |
Family
ID=82760876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110174450.2A Active CN114913710B (zh) | 2021-02-07 | 2021-02-07 | 人车交互决策方法及装置、存储介质、终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114913710B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006127491A (ja) * | 2004-09-29 | 2006-05-18 | Yamaha Motor Co Ltd | 運転判断支援装置、運転判断支援方法および車両 |
| CN104778072A (zh) * | 2015-04-16 | 2015-07-15 | 浙江大学 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
| CN105774776A (zh) * | 2016-03-02 | 2016-07-20 | 厦门大学 | 一种基于人车协同的汽车行人防撞智能控制系统及方法 |
| CN108205922A (zh) * | 2016-12-19 | 2018-06-26 | 乐视汽车（北京）有限公司 | 一种自动驾驶决策方法及系统 |
| CN108602509A (zh) * | 2016-12-30 | 2018-09-28 | 百度（美国）有限责任公司 | 基于运动规划来操作自动驾驶车辆的方法和系统 |
| CN111210662A (zh) * | 2020-03-04 | 2020-05-29 | 五邑大学 | 一种基于机器视觉与dsrc的交叉口安全预警系统及其预警方法 |
| CN112131756A (zh) * | 2020-10-10 | 2020-12-25 | 清华大学 | 一种考虑个体激进度的行人穿行场景仿真方法 |
| CN112232254A (zh) * | 2020-10-26 | 2021-01-15 | 清华大学 | 一种考虑行人激进度的行人风险评估方法 |
| CN114228826A (zh) * | 2021-12-31 | 2022-03-25 | 中国矿业大学 | 一种智能汽车驾驶员紧急接管行为识别方法及装置 |
-
2021
- 2021-02-07 CN CN202110174450.2A patent/CN114913710B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006127491A (ja) * | 2004-09-29 | 2006-05-18 | Yamaha Motor Co Ltd | 運転判断支援装置、運転判断支援方法および車両 |
| CN104778072A (zh) * | 2015-04-16 | 2015-07-15 | 浙江大学 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
| CN105774776A (zh) * | 2016-03-02 | 2016-07-20 | 厦门大学 | 一种基于人车协同的汽车行人防撞智能控制系统及方法 |
| CN108205922A (zh) * | 2016-12-19 | 2018-06-26 | 乐视汽车（北京）有限公司 | 一种自动驾驶决策方法及系统 |
| CN108602509A (zh) * | 2016-12-30 | 2018-09-28 | 百度（美国）有限责任公司 | 基于运动规划来操作自动驾驶车辆的方法和系统 |
| CN111210662A (zh) * | 2020-03-04 | 2020-05-29 | 五邑大学 | 一种基于机器视觉与dsrc的交叉口安全预警系统及其预警方法 |
| CN112131756A (zh) * | 2020-10-10 | 2020-12-25 | 清华大学 | 一种考虑个体激进度的行人穿行场景仿真方法 |
| CN112232254A (zh) * | 2020-10-26 | 2021-01-15 | 清华大学 | 一种考虑行人激进度的行人风险评估方法 |
| CN114228826A (zh) * | 2021-12-31 | 2022-03-25 | 中国矿业大学 | 一种智能汽车驾驶员紧急接管行为识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈喜群 等: "智能驾驶员模型及稳定性分析", 《第五届中国智能交通年会暨第六届国际节能与新能源汽车创新发展论坛优秀论文集（上册）——智能交通应用》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114913710B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
| CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
| Liebner et al. | Velocity-based driver intent inference at urban intersections in the presence of preceding vehicles | |
| EP3474254B1 (en) | Surrounding environment recognition device | |
| 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 | |
| EP3836122A1 (en) | Navigational system with imposed constraints | |
| CN112885145B (zh) | 路口风险预警的方法和装置 | |
| CN112418237A (zh) | 车辆驾驶决策方法、装置及电子设备 | |
| CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
| WO2022052856A1 (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
| CN114906164A (zh) | 用于自主驾驶的轨迹验证 | |
| US20220227391A1 (en) | Systems and methods for scenario dependent trajectory scoring | |
| CN115042788A (zh) | 交通路口通行方法、装置及电子设备、存储介质 | |
| Klingelschmitt et al. | Using context information and probabilistic classification for making extended long-term trajectory predictions | |
| CN113793520B (zh) | 车辆轨迹预测方法、装置及电子设备 | |
| Medina-Lee et al. | Reachability estimation in dynamic driving scenes for autonomous vehicles | |
| CN112542061B (zh) | 基于车联网的借道超车控制方法、装置、系统及存储介质 | |
| Weisswange et al. | Intelligent traffic flow assist: Optimized highway driving using conditional behavior prediction | |
| CN112896166A (zh) | 车辆换道方法、装置和电子设备 | |
| WO2022044210A1 (ja) | 運転支援装置、学習装置、運転支援方法、運転支援プログラム、学習済モデルの生成方法、学習済モデル生成プログラム | |
| US11429843B2 (en) | Vehicle operation labeling | |
| CN114913710B (zh) | 人车交互决策方法及装置、存储介质、终端 | |
| CN114067569B (zh) | V2x车联网环境下车辆左转辅助预警方法 | |
| US20220379918A1 (en) | Vehicle behavior generation device, vehicle behavior generation method, and vehicle behavior generation program product | |
| WO2018198769A1 (ja) | 周辺環境認識装置、表示制御装置 |
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 |