CN115320631B - 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 - Google Patents
一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 Download PDFInfo
- Publication number
- CN115320631B CN115320631B CN202210846201.8A CN202210846201A CN115320631B CN 115320631 B CN115320631 B CN 115320631B CN 202210846201 A CN202210846201 A CN 202210846201A CN 115320631 B CN115320631 B CN 115320631B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- adjacent
- self
- lane
- speed
- 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 38
- 238000012360 testing method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- 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
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
- B60W30/17—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle with provision for special action when the preceding vehicle comes to a halt, e.g. stop and go
-
- 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
- B60W50/0097—Predicting future conditions
-
- 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
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Auxiliary Drives, Propulsion Controls, And Safety Devices (AREA)
Abstract
本发明公开了一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,包括相邻前车保持原车道直行行驶、变道至自车与前车之间、变道至前车之前三种类型,可有效辨识相邻车的驾驶意图,提高智能驾驶车辆的舒适性和安全性。本发明属于智能驾驶、行为特征识别等技术领域,具体是指一种全面辨识相邻车道的驾驶意图、提高智能驾驶汽车速度控制的适应性,使其舒适性和安全性更高的智能驾驶汽车相邻车道前车驾驶意图辨识方法。
Description
技术领域
本发明属于智能驾驶、行为特征识别等技术领域,具体是指一种智能驾驶汽车相邻车道前车驾驶意图辨识方法。
背景技术
自车在跟随当前车道前车行驶时,相邻车道前车受周围交通环境的影响,在行驶过程中可能保持直行行驶,或变道至自车所在车道等,当变道至自车的前方时,则会使自车的跟车对象突然发生变化,跟车间距突然减小,若自车未能提前识别出相邻前车的并道意图,则会突然减速,以与变道车辆保持安全车距,行驶安全性和舒适性受到极大影响。
驾驶意图辨识可视为融合数据挖掘、智能计算和机器学习的模式识别过程,包括数据采集、特征提取、意图分类、离线辨识等四个过程。目前研究多是以变道车辆为自车,研究其变道意图,较少以变道车辆目标车道后方车辆为自车,以变道车辆为相邻车,研究相邻车的驾驶意图,且该类研究未能细分相邻车的所有驾驶意图,如仅将驾驶意图分为向自车所在车道变道和保持直行行驶,或者仅辨识变道至自车与前车之间还是前车之前。
发明内容
为了解决上述难题,本发明提供了一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,包括相邻前车保持原车道直行行驶、变道至自车与前车之间、变道至前车之前三种类型,可有效辨识相邻车的驾驶意图,提高智能驾驶车辆的舒适性和安全性。
为了实现上述功能,本发明采取的技术方案如下:一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,包括以下步骤:
1)通过实车道路试验获得自车、自车所在车道前车、相邻车道前车的行驶状态原始试验数据,包括自车车速、自车与前车的相对速度、相对距离和相对角度、自车与相邻前车的相对速度、相对距离和相对角度、自车前方以及后方的交通环境视频图像;
2)根据视频数据,挑选相邻前车具有不同驾驶意图的试验数据,包括相邻前车保持原车道跟车行驶、向自车所在车道自车与前车之间变道、向自车所在车道前车之前变道三种类型,其中具有变道意图试验数据为相邻前车开启转向灯至有横向偏移之间1~2s的试验数据;
3)对挑选的试验数据进行预处理,包括去除异常数据和平滑降噪处理,并计算自车与前车的车头时距和纵向相对速度、自车与相邻前车的车头时距和纵向相对速度;
4)对所选7个参数进行pearson相关系数和多重共线性检验,提取出表征相邻前车驾驶意图的参数,包括自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度;
5)基于自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度等四个参数,采用Fihser判别法对相邻前车的驾驶意图进行判别分析,将驾驶意图分为保持原车道行驶、变道至自车所在车道自车与前车之间、前车之前三种类型;
6)基于Fisher判别法完成相邻前车不同驾驶意图的离线学习,获得相邻前车的驾驶意图训练库;
7)将采集到的自车、前车及相邻前车行驶状态参数传送到训练库,基于Fisher判别法实时辨识相邻前车的驾驶意图。
优选地,所述步骤1)中实车道路试验中道路为双车道高速公路,所述步骤1)中采样频率至少为20Hz。
优选地,所述步骤2)中挑选数据时要求自车与自车所在车道前车的车头时距小于5s。
优选地,所述步骤3)采用格拉布斯准则对原始数据进行筛选,剔除环境干扰数据或漂移数据。
优选地,所述步骤3)采用高斯滤波函数进行平滑降噪。
优选地,所述步骤3)中车头时距为纵向相对速度为其中/>表示自车与前车或相邻前车的间距,/>表示自车与前车的相对角度,vM表示自车的车速,/>表示自车与前车或相邻前车的相对速度,式中,1表示前车,2表示相邻前车。
优选地,所述步骤4)所选7个参数包括自车车速、自车与前车的纵向间距、车头时距以及纵向相对速度、自车与相邻前车的纵向间距、车头时距以及纵向相对速度。
优选地,所述步骤7)采集的行驶状态参数包括自车车速、自车与前车的相对距离以及相对角度、自车与相邻前车的相对距离以及相对角度。
优选地,所述步骤7)采集的行驶状态参数包括自车车速、自车与前车的纵向间距、车头时距以及纵向相对速度、自车与相邻前车的纵向间距、车头时距以及纵向相对速度。
优选地,所述步骤7)首先根据自车车速、自车与前车的相对距离以及相对角度计算出自车与前车的车头时距,根据自车与前车的相对速度以及相对角度计算出自车与前车的纵向相对速度,根据自车与相邻前车的相对速度以及相对角度计算出自车与相邻前车的纵向相对速度,然后将自车车速、自车与前车的车头时距、纵向相对速度、自车与相邻前车的相对速度传送到训练库中对相邻前车的驾驶意图进行辨识。
本发明采取上述结构取得有益效果如下:(1)提供了相邻前车驾驶意图的表征参数;(2)基于Fisher判别法建立相邻前车的驾驶意图辨识模型,与现有辨识模型相比,该辨识模型更全面辨识相邻车道的驾驶意图;(3)该辨识模型能够提高智能驾驶汽车速度控制的适应性,使其舒适性和安全性更高。
附图说明
图1为本实施例的方法流程;
图2为相邻前车的驾驶意图分类;
图3为数据挑选选择依据;
图4为采用Fisher判别法对训练集进行训练时的判别式得分散点图;
图5为Fisher模型对训练集的分类混淆矩阵;
图6为Fisher模型对测试集的分类混淆矩阵。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。以下结合附图,对本发明做进一步详细说明。
以下结合图1至图5对本发明进一步详细说明。
如图1所示,本方法包括数据采集、特征提取、意图分类、离线辨识四个步骤。
1、数据采集与处理
本发明首先进行实车试验,在双车道高速公路上通过多个设备,包括毫米波雷达、多通道视频监控系统、加速踏板和制动踏板开度传感器、方向盘转角传感器等,采集自车和周围车辆的相关行驶状态参数,包括自车车速、自车与前车的相对速度、相对距离和相对角度、自车与相邻前车的相对速度、相对距离和相对角度、自车前方以及后方的交通环境视频图像。为真实反映驾驶人的实际驾驶行为,使其按照正常驾驶习惯进行驾驶试验。
1.1从视频中分析相邻前车是具有并道的意图还是保持原车道跟车行驶的意图,对于具有并道意图的数据,筛选相邻前车驾驶人开启转向灯至有横向偏移之间的数据,并以有横向偏移前1~2s内数据作为待分析样本;对于保持跟车行驶的数据,筛选相邻前车与自车的车头时距小于前车与自车的车头时距的数据;
1.2对原始试验数据采用格拉布斯准则对原始数据进行筛选,剔除环境干扰数据或漂移数据。
1.3采用高斯滤波函数进行平滑降噪。
2、特征提取
2.1对所选7个参数,包括自车车速、自车与前车的纵向间距、车头时距以及纵向相对速度、自车与相邻前车的纵向间距、车头时距以及纵向相对速度进行pearson相关系数检验,发现四个参数的pearson相关系数均小于0.01,分别为自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度,表明这四个参数线性不相关。
2.2对自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度四个参数进行多重共线性检验,其值小于5,表明不存在多重共线性。因此,将自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度,四个参数作为相邻前车驾驶意图的表征参数。
3、相邻前车驾驶意图辨识模型的建立
3.1考虑到实际驾驶中,相邻前车并道至自车之后的情况非常少,仅考虑相邻前车保持原车道行驶、并道至自车所在车道前车之前、并道至自车与前车之间这三种驾驶意图,如图2所示。
3.2采用Fisher判别法对相邻前车的驾驶意图进行辨识,由于仅考虑相邻前车的三类驾驶人意图,设这三类总体分别为G1、G2和G3,其样本为xij(i=1,2,3;j=1,2,…,ni),样本均值为三个总体的样本均值为/>
假设投影方向为W=(w1,w2,…,wp),将驾驶人行驶数据样本xij在W上进行投影,得到yij=WTxij(i=1,2,3;j=1,2,…,ni),样本和总体投影后的均值分别为vi=WTμi(i=1,2,3)和v=WTμ。因此,样本投影后的类间离差平方和与类内离差平方和分别为和根据Fisher判别法的基本思想,要求投影后的类间距离最大而类内距离最小。
令则SSG=WTS0W,SSE=WTS1W,
可将优化条件转化为使最大。
令WTS1W=1,则J=WTS0W,s.t.:WTS1W=1。
采用拉格朗日乘子法进行求解,L(W,λ)=WTS0W-λ(WTS0W-1),dL(W,λ)=(2WTS0-2λWTS1)dW,令则S0W=λS1W。
1.当S1可逆时, 的最大特征向量为W的最优解。
设的全部非0特征值为λ1和λ2,且λ1≥λ2,对应的特征向量为t1和t2。因此,将采集的三类驾驶行为数据样本分别在t1和t2方向上投影,可以得到驾驶人意图预测的第一判别式/>和第二判别式/>对的判别效率分别为λ1和λ2,贡献率分别为λ1/(λ1+λ2)和λ2/(λ1+λ2)。
将筛选的第一类、第二类200组驾驶行为数据以及第三类400组驾驶行为数据样本作为训练集,按照相关参数设置进行训练后,建立Fisher判别模型。得到Fisher判别模型的判别式有两个,分别为y1=-0.0673vM+0.9249t1-0.2882v1+0.2385v2和y2=0.0055vM+0.9845t1+0.157v1+0.0782v2。
两个正的特征值分别为5.9422和0.1699,两个判别式的贡献率分别为0.9722和0.0278,累积贡献率为0.9722和1。根据训练样本中的800组驾驶行为数据,按照判别式得分绘出散点图,如图4所示,判别混淆矩阵如图5所示。
4、离线辨识
为了验证模型的有效性和准确率,同样,将重新筛选的第一类、第二类200组驾驶行为数据以及第三类400组驾驶行为数据样本作为测试集代入到建立的Fisher判别模型中,进行相邻前车的驾驶意图辨识,得到对于三类驾驶意图的分类混淆矩阵,如图6所示。
由图6中的结果可知,提出的基于Fisher的相邻前车驾驶意图辨识模型的辨识准确率达到91.1%,且能够提前1~2s辨识相邻前车的驾驶意图,表明该模型可用于相邻前车的驾驶意图辨识。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:包括以下步骤:
1)通过实车道路试验获得自车、自车所在车道前车、相邻车道前车的行驶状态原始试验数据,包括自车车速、自车与前车的相对速度、相对距离和相对角度、自车与相邻前车的相对速度、相对距离和相对角度、自车前方以及后方的交通环境视频图像;
2)根据视频数据,挑选相邻前车具有不同驾驶意图的试验数据,包括相邻前车保持原车道跟车行驶、向自车所在车道自车与前车之间变道、向自车所在车道前车之前变道三种类型,其中具有变道意图试验数据为相邻前车开启转向灯至有横向偏移之间1~2s的试验数据;
3)对挑选的试验数据进行预处理,包括去除异常数据和平滑降噪处理,并计算自车与前车的车头时距和纵向相对速度、自车与相邻前车的车头时距和纵向相对速度;
4)选择7个参数包括自车车速、自车与前车的纵向间距、车头时距以及纵向相对速度、自车与相邻前车的纵向间距、车头时距以及纵向相对速度,对所选7个参数进行pearson相关系数和多重共线性检验,提取出表征相邻前车驾驶意图的参数,包括自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度;
5)基于自车车速、自车与前车的车头时距、自车与前车的纵向相对速度以及自车与相邻前车的纵向相对速度等四个参数,采用Fihser判别法对相邻前车的驾驶意图进行判别分析,将驾驶意图分为保持原车道行驶、变道至自车所在车道自车与前车之间、前车之前三种类型;
6)基于Fisher判别法完成相邻前车不同驾驶意图的离线学习,获得相邻前车的驾驶意图训练库;
7)将采集到的自车、前车及相邻前车行驶状态参数传送到训练库,基于Fisher判别法实时辨识相邻前车的驾驶意图。
2.根据权利要求1所述的一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:所述步骤1)中实车道路试验中道路为双车道高速公路,所述步骤1)中采样频率至少为20Hz。
3.根据权利要求1所述的一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:所述步骤2)中挑选数据时要求自车与自车所在车道前车的车头时距小于5s。
4.根据权利要求1所述的一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:所述步骤3)采用格拉布斯准则对原始数据进行筛选,剔除环境干扰数据或漂移数据。
5.根据权利要求1所述的一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:所述步骤3)采用高斯滤波函数进行平滑降噪。
6.根据权利要求1所述的一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:所述步骤3)中车头时距为(i=1,2),纵向相对速度为/>(i=1,2),其中/>表示自车与前车或相邻前车的间距,/>表示自车与前车的相对角度,vM表示自车的车速,/>表示自车与前车或相邻前车的相对速度,式中,1表示前车,2表示相邻前车。
7.根据权利要求1所述的一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:所述步骤7)采集的行驶状态参数包括自车车速、自车与前车的相对距离以及相对角度、自车与相邻前车的相对距离以及相对角度。
8.根据权利要求1所述的一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:所述步骤7)采集的行驶状态参数包括自车车速、自车与前车的纵向间距、车头时距以及纵向相对速度、自车与相邻前车的纵向间距、车头时距以及纵向相对速度。
9.根据权利要求1所述的一种智能驾驶汽车相邻车道前车驾驶意图辨识方法,其特征在于:所述步骤7)首先根据自车车速、自车与前车的相对距离以及相对角度计算出自车与前车的车头时距,根据自车与前车的相对速度以及相对角度计算出自车与前车的纵向相对速度,根据自车与相邻前车的相对速度以及相对角度计算出自车与相邻前车的纵向相对速度,然后将自车车速、自车与前车的车头时距、纵向相对速度、自车与相邻前车的相对速度传送到训练库中对相邻前车的驾驶意图进行辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210846201.8A CN115320631B (zh) | 2022-07-05 | 2022-07-05 | 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210846201.8A CN115320631B (zh) | 2022-07-05 | 2022-07-05 | 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115320631A CN115320631A (zh) | 2022-11-11 |
CN115320631B true CN115320631B (zh) | 2024-04-09 |
Family
ID=83917236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210846201.8A Active CN115320631B (zh) | 2022-07-05 | 2022-07-05 | 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115320631B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014206654A1 (de) * | 2013-06-27 | 2014-12-31 | Bayerische Motoren Werke Aktiengesellschaft | Vorhersage von fahrpfaden eines fahrzeugs |
CN107134173A (zh) * | 2017-06-15 | 2017-09-05 | 长安大学 | 一种具有驾驶习惯识别的换道预警系统及方法 |
CN206805803U (zh) * | 2017-06-15 | 2017-12-26 | 长安大学 | 一种具有驾驶习惯识别的换道预警系统 |
CN109711557A (zh) * | 2018-12-28 | 2019-05-03 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
WO2019162717A1 (ja) * | 2018-02-20 | 2019-08-29 | 日産自動車株式会社 | 自動車線変更制御方法及び自動車線変更制御装置 |
DE102018221862A1 (de) * | 2018-12-17 | 2020-07-02 | Volkswagen Aktiengesellschaft | Verfahren zur Vorbereitung und/oder Durchführung eines Spurwechsels oder eines Überholmanövers und Fahrassistenzsystem zur Durchführung des Verfahrens |
CN111746559A (zh) * | 2020-07-02 | 2020-10-09 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测系统 |
JP2020175821A (ja) * | 2019-04-19 | 2020-10-29 | 日産自動車株式会社 | 走行支援方法及び走行支援装置 |
CN111994090A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人变道切入意图识别方法及系统 |
CN112389466A (zh) * | 2020-12-03 | 2021-02-23 | 安徽江淮汽车集团股份有限公司 | 车辆自动避让方法、装置、设备及存储介质 |
CN112614370A (zh) * | 2020-12-16 | 2021-04-06 | 西安航空学院 | 一种高速公路隧道运输货车行驶安全的监控方法 |
WO2021077725A1 (zh) * | 2019-10-21 | 2021-04-29 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 |
CN113291308A (zh) * | 2021-06-02 | 2021-08-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 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 |
KR102305673B1 (ko) * | 2020-05-12 | 2021-09-28 | 한양대학교 산학협력단 | 카메라와 v2v를 이용한 주변차량 차선변경 의도 및 경로 예측 방법 |
CN113486822A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于驾驶意图的周围车辆轨迹预测方法及系统 |
CN113581206A (zh) * | 2021-08-03 | 2021-11-02 | 信通院车联网创新中心(成都)有限公司 | 一种基于v2v的前车意图识别系统及识别方法 |
CN113657752A (zh) * | 2021-08-17 | 2021-11-16 | 西安航空学院 | 基于驾驶行为指标的不同长度隧道行车风险量化评价方法 |
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 |
CN114572244A (zh) * | 2022-02-28 | 2022-06-03 | 上海和夏新能源科技有限公司 | 智能驾驶及adas前车驾驶行为识别预测方法及模块 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100131148A1 (en) * | 2008-11-26 | 2010-05-27 | Jaime Camhi | System and method for estimated driver intention for driver assistance system control |
JP6572847B2 (ja) * | 2016-08-10 | 2019-09-11 | トヨタ自動車株式会社 | 自動運転システム |
KR102383427B1 (ko) * | 2016-12-16 | 2022-04-07 | 현대자동차주식회사 | 자율주행 제어 장치 및 방법 |
US10668925B2 (en) * | 2017-09-05 | 2020-06-02 | Baidu Usa Llc | Driver intention-based lane assistant system for autonomous driving vehicles |
-
2022
- 2022-07-05 CN CN202210846201.8A patent/CN115320631B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014206654A1 (de) * | 2013-06-27 | 2014-12-31 | Bayerische Motoren Werke Aktiengesellschaft | Vorhersage von fahrpfaden eines fahrzeugs |
CN107134173A (zh) * | 2017-06-15 | 2017-09-05 | 长安大学 | 一种具有驾驶习惯识别的换道预警系统及方法 |
CN206805803U (zh) * | 2017-06-15 | 2017-12-26 | 长安大学 | 一种具有驾驶习惯识别的换道预警系统 |
WO2019162717A1 (ja) * | 2018-02-20 | 2019-08-29 | 日産自動車株式会社 | 自動車線変更制御方法及び自動車線変更制御装置 |
DE102018221862A1 (de) * | 2018-12-17 | 2020-07-02 | Volkswagen Aktiengesellschaft | Verfahren zur Vorbereitung und/oder Durchführung eines Spurwechsels oder eines Überholmanövers und Fahrassistenzsystem zur Durchführung des Verfahrens |
CN109711557A (zh) * | 2018-12-28 | 2019-05-03 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
JP2020175821A (ja) * | 2019-04-19 | 2020-10-29 | 日産自動車株式会社 | 走行支援方法及び走行支援装置 |
WO2021077725A1 (zh) * | 2019-10-21 | 2021-04-29 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 |
KR102305673B1 (ko) * | 2020-05-12 | 2021-09-28 | 한양대학교 산학협력단 | 카메라와 v2v를 이용한 주변차량 차선변경 의도 및 경로 예측 방법 |
CN111746559A (zh) * | 2020-07-02 | 2020-10-09 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测系统 |
CN111994090A (zh) * | 2020-09-02 | 2020-11-27 | 中国科学技术大学 | 基于混合策略博弈的驾驶人变道切入意图识别方法及系统 |
CN112389466A (zh) * | 2020-12-03 | 2021-02-23 | 安徽江淮汽车集团股份有限公司 | 车辆自动避让方法、装置、设备及存储介质 |
CN112614370A (zh) * | 2020-12-16 | 2021-04-06 | 西安航空学院 | 一种高速公路隧道运输货车行驶安全的监控方法 |
CN113291308A (zh) * | 2021-06-02 | 2021-08-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 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 |
CN113486822A (zh) * | 2021-07-12 | 2021-10-08 | 吉林大学 | 一种基于驾驶意图的周围车辆轨迹预测方法及系统 |
CN113581206A (zh) * | 2021-08-03 | 2021-11-02 | 信通院车联网创新中心(成都)有限公司 | 一种基于v2v的前车意图识别系统及识别方法 |
CN113657752A (zh) * | 2021-08-17 | 2021-11-16 | 西安航空学院 | 基于驾驶行为指标的不同长度隧道行车风险量化评价方法 |
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 |
CN114572244A (zh) * | 2022-02-28 | 2022-06-03 | 上海和夏新能源科技有限公司 | 智能驾驶及adas前车驾驶行为识别预测方法及模块 |
Also Published As
Publication number | Publication date |
---|---|
CN115320631A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
DE102011086512B4 (de) | Nebeldetektion | |
Hou et al. | Driver intention recognition method using continuous hidden Markov model | |
CN110569783B (zh) | 一种驾驶人换道意图识别方法及系统 | |
DE112010002021B4 (de) | Fahrzeugumgebungsschätzvorrichtung | |
DE10125602B4 (de) | Strassenform-Erkennungssystem | |
DE102015110446A1 (de) | Fahrzeugradar mit Strahlanpassung | |
DE102015206651A1 (de) | Fahrzeugfahrunterstützungsvorrichtung zum ausführen von kollisionsvermeidungsbetrieben auf der grundlage einer position und einer bewegungsbedingung eines zielobjekts | |
CN105488453A (zh) | 一种基于图像处理的驾驶员未系安全带检测识别方法 | |
Guo et al. | Improved car-following strategy based on merging behavior prediction of adjacent vehicle from naturalistic driving data | |
CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
DE102010005290A1 (de) | Vereinigungsmodul für mehrere Objekte für ein Kollisionsvorbereitungssystem | |
CN116028884A (zh) | 一种小样本下基于原型网络的车辆换道风险评估方法 | |
CN110969174B (zh) | 一种基于激光雷达的目标识别方法、装置及系统 | |
US10943486B2 (en) | Traveling safety control system using ambient noise and control method thereof | |
CN115320631B (zh) | 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法 | |
CN113313182B (zh) | 一种基于雷达和视频融合的目标识别方法及终端 | |
JP3562278B2 (ja) | 環境認識装置 | |
CN117115752A (zh) | 一种高速公路视频监控方法及系统 | |
CN114564110B (zh) | 基于脑电数据的驾驶学习能力检测方法及系统 | |
CN110525446A (zh) | 一种考虑情绪的汽车强制换道决策安全预警方法 | |
CN111626334B (zh) | 一种车载高级辅助驾驶系统的关键控制目标选择方法 | |
DE112020006961B4 (de) | Prädiktive verfolgungsvorrichtung, prädiktives verfolgungsverfahren und prädiktives verfolgungsprogramm | |
Musleh et al. | Real-time pedestrian recognition in urban environments | |
CN114550121A (zh) | 一种基于聚类的自动驾驶换道场景分类方法及识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |