CN115440041B - 一种路侧视角下的重点车辆驾驶行为预测方法 - Google Patents

一种路侧视角下的重点车辆驾驶行为预测方法 Download PDF

Info

Publication number
CN115440041B
CN115440041B CN202211070528.7A CN202211070528A CN115440041B CN 115440041 B CN115440041 B CN 115440041B CN 202211070528 A CN202211070528 A CN 202211070528A CN 115440041 B CN115440041 B CN 115440041B
Authority
CN
China
Prior art keywords
driving behavior
behavior prediction
vehicle
prediction network
key
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
Application number
CN202211070528.7A
Other languages
English (en)
Other versions
CN115440041A (zh
Inventor
李旭
胡玮明
胡锦超
陆红伟
徐启敏
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202211070528.7A priority Critical patent/CN115440041B/zh
Publication of CN115440041A publication Critical patent/CN115440041A/zh
Application granted granted Critical
Publication of CN115440041B publication Critical patent/CN115440041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种路侧视角下的重点车辆驾驶行为预测方法。首先，确定驾驶行为预测网络的输入和输出。其次，构建面向重点车辆的驾驶行为预测网络。最后，训练驾驶行为预测网络，实现了路侧视角下重点车辆的驾驶行为预测。本发明提出的方法，利用了智能路侧设备的全局视角优势与先验信息，且考虑了周围交通参与者对重点车辆驾驶行为的影响，可以对重点车辆“下一步”可能的行为意图进行辨识，实现其“未来”驾驶等行为的“行为级”有效预测。

Description

一种路侧视角下的重点车辆驾驶行为预测方法
技术领域
本发明属于智能车路系统中车辆驾驶行为预测技术领域，尤其涉及一种路侧视角下的重点车辆驾驶行为预测方法。
背景技术
近年来，随着智能车路系统相关技术迅速发展，智能驾驶技术与车路协同技术逐步融合发展。基于车路协同的智能驾驶相较于单车智能驾驶具有获取信息更全面、可靠性更高等优点，使其能够更有效地降低道路交通事故率、减少人员伤亡，然而基于车路协同的智能驾驶实现该目标需要智能路侧设备能够准确理解和预测交通场景下道路交通参与者的驾驶行为，掌握小型乘用车辆特别是危险品运输罐车、物流运输车等重点车辆的交通安全状况，服务于后续的安全驾驶决策，如跟车、换道、超车等。
已有文献、专利对车辆的驾驶行为预测展开研究，主要包括基于车辆视角的行为预测方法和基于路侧视角的行为预测方法两类。其中，基于车辆视角的行为预测方法研究相对较为广泛。该方法站在自车的角度对驾驶行为进行预测和风险评估。然而，由于智能车辆的视角仅为自车及周边相邻的车辆，难以拥有路侧的全局化视角，缺乏周边交通参与者的先验信息，其行为预测的范围和准确性有限，难以满足基于车路协同的智能驾驶对于重点车辆驾驶行为精准预测的需求。
基于路侧视角的驾驶行为预测站在路侧的全局化视角，对重点区域重点车辆的驾驶行为进行驾驶意图辨识和行为预测。现有的研究虽具备简单事件推理能力，但仅立足于常规性的管理服务需求，缺乏对交通目标行为的准确预测，难以满足面向车路协同智能驾驶甚至无人驾驶的提前预判、防患于未然的要求。总体而言，目前尚缺乏准确、有效的基于路侧视角的重点车辆驾驶行为预测方法。
发明内容
发明目的：为了实现路侧视角下准确、有效的驾驶行为预测，本发明针对危险品运输罐车、物流运输车等重点车辆，提出了一种路侧视角下的重点车辆驾驶行为预测方法。该方法基于道路环境先验信息、智能路侧设备实时感知的车辆运动状态信息，实时预测重点车辆的驾驶行为，通过重点车辆前装或后装的车路通信单元，将车辆驾驶行为发送给重点车辆，为其进行安全驾驶决策提供更为全面、准确的观测信息。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种路侧视角下的重点车辆驾驶行为预测方法。首先，确定驾驶行为预测网络的输入和输出。其次，构建面向重点车辆的驾驶行为预测网络。最后，训练驾驶行为预测网络，实现了路侧视角下重点车辆的驾驶行为预测。具体包括以下步骤：
步骤一：确定驾驶行为预测网络的输入和输出
首先，利用智能路侧设备实时地感知重点车辆的位置、速度、加速度和类别信息，结合道路线性、车道数量、智能路侧设备的感知范围等先验信息，组成驾驶行为预测网络的输入I(t)，具体地：
I(t)＝{M(t),E(t)} (1)
其中，I(t)表示驾驶行为预测网络在t时刻的输入量，M(t)表示t时刻重点车辆的运动状态信息，E(t)表示t时刻的环境信息。
M(t)＝[Lx(t),Ly(t),v(t),a(t)] (2)
其中，
Figure GDA0004183377300000021
v(t),a(t)分别表示重点车辆在t时刻的横向位置、纵向位置、速度、加速度，单位分别为米、米、米每秒和米每二次方秒。
Figure GDA0004183377300000022
Figure GDA0004183377300000023
其中，
Figure GDA0004183377300000024
分别表示第k辆汽车与重点车辆的横向相对位置、第k辆汽车与重点车辆的纵向相对位置和第k辆汽车的绝对速度，单位分别为米、米和米每秒。若重点车辆的周围无其他交通参与者，则记为零。/>
Figure GDA0004183377300000025
表示最左侧车道标志，当车辆位于最左侧的车道时，/>
Figure GDA0004183377300000026
否则，/>
Figure GDA0004183377300000027
Figure GDA0004183377300000028
表示最右侧车道标志，当车辆位于最右侧的车道时，/>
Figure GDA0004183377300000029
否则，/>
Figure GDA00041833773000000210
其次，将驾驶行为预测网络的输出定义为：
O＝{Olat,Olon} (5)
其中，O表示驾驶行为预测网络的输出量，Olat,Olon分别表示驾驶行为预测网络输出的横向驾驶行为和纵向驾驶行为，可用下式表示：
Olat＝[Pleft,Pright,Pstr] (6)
Olon＝[Paccel,Pbra,Pnor] (7)
其中，Pleft,Pright,Pstr分别表示预测下一时刻车辆左转、右转、直行的概率，Paccel,Pbra,Pnor分别表示预测下一时刻车辆加速、减速、匀速行驶的概率。
步骤二：构建面向重点车辆的驾驶行为预测网络
考虑到智能路侧设备输出的车辆位置、速度、加速度等信息是随着时间变化的序列信息，为了预测重点车辆的驾驶行为，本发明将时间序列数据预测问题转化为有监督学习问题。循环神经网络具有记忆性、参数共享并且图灵完备，对于学习时间序列数据的非线性特征具有一定的优势，主要包括简单循环网络、长短期记忆网络、门控循环单元网络、堆叠循环神经网络等。其中的门控循环单元可以更好地捕捉时序数据中间隔较大的依赖关系，且能够有效地避免梯度衰减、梯度爆炸等问题。因此，本发明利用门控循环单元网络构建驾驶行为预测网络，具体描述如下：
t-h个门控循环单元：为了使驾驶行为预测网络能够捕捉车辆运动状态的变化情况，将t时刻的输入I(t)、t-h+1时刻的输入I(t-h+1)和t-h时刻的输入I(t-h)分别与一个门控循环单元相连，各门控循环单元通过串联的方式相连。其中，h表示驾驶行为预测网络中输入量的时间步长。
全连接层_1：该全连接层包含64个神经元，激活函数采用线性整流函数。
全连接层_2：该全连接层包含64个神经元，激活函数采用线性整流函数。
Softmax层_1：利用对全连接层_2的输出做三分类，输出横向驾驶行为的概率。
Softmax层_2：利用对全连接层_2的输出做三分类，输出纵向驾驶行为的概率。
步骤三：训练驾驶行为预测网络
首先，利用智能路侧设备获取的重点车辆的运动状态信息归一化到0～1之间，进而构建形成驾驶行为预测数据集Dk。
其次，对每一时刻的数据集信息进行标注。设置的标签包括：左转、右转、直行、加速、减速和匀速行驶。
再次，设置预训练超参数，并对步骤二设计的驾驶行为预测网络进行预训练，其中最大迭代次数为Ip，学习率为αp，权重衰减为λp，最终将预训练得到的网络参数保存下来。
最后，利用数据集Dk对预训练得到的网络参数进行微调，设置最大迭代次数为It，学习率为αt，权重衰减为λt。当训练损失曲线缓慢下降趋于收敛而验证损失曲线处于上升的临界点时，驾驶行为预测网络训练结束。
当驾驶行为预测网络训练完成后，将重点车辆的运动状态等信息输入到驾驶行为预测网络中，可以对其“下一步”可能的行为意图进行辨识，实现其“未来”驾驶等行为的“行为级”有效预测。
有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：
(1)本发明实现了路侧视角下重点车辆的驾驶行为预测，有助于基于车路协同的智能驾驶实时掌握重点车辆乃至道路重点区域的交通安全状况，服务于后续的安全驾驶决策，如跟车、换道、超车等决策。
(2)本发明利用了智能路侧设备的全局视角优势与先验信息，且考虑了周围交通参与者对重点车辆驾驶行为的影响，进一步提高了驾驶行为预测的准确性。
附图说明
图1是本发明的技术路线图；
图2是本发明进行重点车辆驾驶行为预测时的交通场景图。S0表示重点车辆，S1、S2、S3、S4、S5、S6分别表示重点车辆的前方车辆、右前方车辆、右后方车辆、后方车辆、左后方车辆和左前方车辆。E1、E2分别表示龙门架和智能路侧设备；
图3是本发明构建的面向重点车辆的驾驶行为预测网络架构图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明针对危险品运输罐车、物流运输车等重点车辆，提出了一种路侧视角下的重点车辆驾驶行为预测方法。首先，确定驾驶行为预测网络的输入和输出。其次，构建面向重点车辆的驾驶行为预测网络。最后，训练驾驶行为预测网络，实现了路侧视角下重点车辆的驾驶行为预测。本发明的技术路线如图1所示，具体步骤如下：
步骤一：确定驾驶行为预测网络的输入和输出
以附图2所示的交通场景为例，首先，利用智能路侧设备实时地感知重点车辆的位置、速度、加速度和类别信息，结合道路线性、车道数量、智能路侧设备的感知范围等先验信息，组成驾驶行为预测网络的输入I(t)，具体地：
I(t)＝{M(t),E(t)} (1)
其中，I(t)表示驾驶行为预测网络在t时刻的输入量，M(t)表示t时刻重点车辆的运动状态信息，E(t)表示t时刻的环境信息。
M(t)＝[Lx(t),Ly(t),v(t),a(t)] (2)
其中，
Figure GDA0004183377300000051
v(t),a(t)分别表示重点车辆在t时刻的横向位置、纵向位置、速度、加速度，单位分别为米、米、米每秒和米每二次方秒。
Figure GDA0004183377300000052
Figure GDA0004183377300000053
其中，
Figure GDA0004183377300000054
分别表示第k辆汽车与重点车辆的横向相对位置、第k辆汽车与重点车辆的纵向相对位置和第k辆汽车的绝对速度，单位分别为米、米和米每秒。若重点车辆的周围无其他交通参与者，则记为零。/>
Figure GDA0004183377300000055
表示最左侧车道标志，当车辆位于最左侧的车道时，/>
Figure GDA0004183377300000056
否则，/>
Figure GDA0004183377300000057
Figure GDA0004183377300000058
表示最右侧车道标志，当车辆位于最右侧的车道时，/>
Figure GDA0004183377300000059
否则，/>
Figure GDA00041833773000000510
其次，将驾驶行为预测网络的输出定义为：
O＝{Olat,Olon} (5)
其中，O表示驾驶行为预测网络的输出量，Olat,Olon分别表示驾驶行为预测网络输出的横向驾驶行为和纵向驾驶行为，可用下式表示：
Olat＝[Pleft,Pright,Pstr] (6)
Olon＝[Paccel,Pbra,Pnor] (7)
其中，Pleft,Pright,Pstr分别表示预测下一时刻车辆左转、右转、直行的概率，Paccel,Pbra,Pnor分别表示预测下一时刻车辆加速、减速、匀速行驶的概率。
步骤二：构建面向重点车辆的驾驶行为预测网络
考虑到智能路侧设备输出的车辆位置、速度、加速度等信息是随着时间变化的序列信息，为了预测重点车辆的驾驶行为，本发明将时间序列数据预测问题转化为有监督学习问题。循环神经网络具有记忆性、参数共享并且图灵完备，对于学习时间序列数据的非线性特征具有一定的优势，主要包括简单循环网络、长短期记忆网络、门控循环单元网络、堆叠循环神经网络等。其中的门控循环单元可以更好地捕捉时序数据中间隔较大的依赖关系，且能够有效地避免梯度衰减、梯度爆炸等问题。因此，本发明利用门控循环单元网络构建驾驶行为预测网络，网络架构如图3所示，具体描述如下：
t-h个门控循环单元：为了使驾驶行为预测网络能够捕捉车辆运动状态的变化情况，将t时刻的输入I(t)、t-h+1时刻的输入I(t-h+1)和t-h时刻的输入I(t-h)分别与一个门控循环单元相连，各门控循环单元通过串联的方式相连。其中，h表示驾驶行为预测网络中输入量的时间步长。
全连接层_1：该全连接层包含64个神经元，激活函数采用线性整流函数。
全连接层_2：该全连接层包含64个神经元，激活函数采用线性整流函数。
Softmax层_1：利用对全连接层_2的输出做三分类，输出横向驾驶行为的概率。
Softmax层_2：利用对全连接层_2的输出做三分类，输出纵向驾驶行为的概率。
步骤三：训练驾驶行为预测网络
首先，利用智能路侧设备获取的重点车辆的运动状态信息归一化到0～1之间，进而构建形成驾驶行为预测数据集Dk。
其次，对每一时刻的数据集信息进行标注。设置的标签包括：左转、右转、直行、加速、减速和匀速行驶。
再次，设置预训练超参数，并对步骤二设计的驾驶行为预测网络进行预训练，其中最大迭代次数为Ip，学习率为αp，权重衰减为λp，最终将预训练得到的网络参数保存下来。
最后，利用数据集Dk对预训练得到的网络参数进行微调，设置最大迭代次数为It，学习率为αt，权重衰减为λt。当训练损失曲线缓慢下降趋于收敛而验证损失曲线处于上升的临界点时，驾驶行为预测网络训练结束。
当驾驶行为预测网络训练完成后，将重点车辆的运动状态等信息输入到驾驶行为预测网络中，可以对其“下一步”可能的行为意图进行辨识，实现其“未来”驾驶等行为的“行为级”有效预测。

Claims (1)

1.一种路侧视角下的重点车辆驾驶行为预测方法；首先，确定驾驶行为预测网络的输入和输出；其次，构建面向重点车辆的驾驶行为预测网络；最后，训练驾驶行为预测网络，实现了路侧视角下重点车辆的驾驶行为预测；其特征在于：
步骤一：确定驾驶行为预测网络的输入和输出
首先，利用智能路侧设备实时地感知重点车辆的位置、速度、加速度和类别信息，结合包括道路线性、车道数量、智能路侧设备的感知范围的先验信息，组成驾驶行为预测网络的输入I(t)，具体地：
I(t)＝{M(t),E(t)} (1)
其中，I(t)表示驾驶行为预测网络在t时刻的输入量，M(t)表示t时刻重点车辆的运动状态信息，E(t)表示t时刻的环境信息；
M(t)＝[Lx(t),Ly(t),v(t),a(t)] (2)
其中，Lx(t),Ly(t),v(t),a(t)分别表示重点车辆在t时刻的横向位置、纵向位置、速度、加速度，单位分别为米、米、米每秒和米每二次方秒；
Figure QLYQS_1
Figure QLYQS_2
其中，
Figure QLYQS_3
分别表示第k辆汽车与重点车辆的横向相对位置、第k辆汽车与重点车辆的纵向相对位置和第k辆汽车的绝对速度，单位分别为米、米和米每秒；若重点车辆的周围无其他交通参与者，则记为零；/>
Figure QLYQS_4
表示最左侧车道标志，当车辆位于最左侧的车道时，
Figure QLYQS_5
否则，/>
Figure QLYQS_6
Figure QLYQS_7
表示最右侧车道标志，当车辆位于最右侧的车道时，/>
Figure QLYQS_8
否则，
Figure QLYQS_9
其次，将驾驶行为预测网络的输出定义为：
O＝{Olat,Olon} (5)
其中，O表示驾驶行为预测网络的输出量，Olat,Olon分别表示驾驶行为预测网络输出的横向驾驶行为和纵向驾驶行为，用下式表示：
Olat＝[Pleft,Pright,Pstr] (6)
Olon＝[Paccel,Pbra,Pnor] (7)
其中，Pleft,Pright,Pstr分别表示预测下一时刻车辆左转、右转、直行的概率，Paccel,Pbra,Pnor分别表示预测下一时刻车辆加速、减速、匀速行驶的概率；
步骤二：构建面向重点车辆的驾驶行为预测网络
利用门控循环单元网络构建驾驶行为预测网络，具体描述如下：
t-h个门控循环单元：将t时刻的输入I(t)、t-h+1时刻的输入I(t-h+1)和t-h时刻的输入I(t-h)分别与一个门控循环单元相连，各门控循环单元通过串联的方式相连；其中，h表示驾驶行为预测网络中输入量的时间步长；
全连接层_1：该全连接层包含64个神经元，激活函数采用线性整流函数；
全连接层_2：该全连接层包含64个神经元，激活函数采用线性整流函数；
Softmax层_1：利用对全连接层_2的输出做三分类，输出横向驾驶行为的概率；
Softmax层_2：利用对全连接层_2的输出做三分类，输出纵向驾驶行为的概率；
步骤三：训练驾驶行为预测网络
首先，利用智能路侧设备获取的重点车辆的运动状态信息归一化到0～1之间，进而构建形成驾驶行为预测数据集Dk；
其次，对每一时刻的数据集信息进行标注；设置的标签包括：左转、右转、直行、加速、减速和匀速行驶；
再次，设置预训练超参数，并对步骤二设计的驾驶行为预测网络进行预训练，其中最大迭代次数为Ip，学习率为αp，权重衰减为λp，最终将预训练得到的网络参数保存下来；
最后，利用数据集Dk对预训练得到的网络参数进行微调，设置最大迭代次数为It，学习率为αt，权重衰减为λt；当训练损失曲线缓慢下降趋于收敛而验证损失曲线处于上升的临界点时，驾驶行为预测网络训练结束；当驾驶行为预测网络训练完成后，将重点车辆的运动状态信息输入到驾驶行为预测网络中，对其“下一步”可能的行为意图进行辨识，实现其“未来”驾驶行为的“行为级”有效预测。
CN202211070528.7A 2022-09-02 2022-09-02 一种路侧视角下的重点车辆驾驶行为预测方法 Active CN115440041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211070528.7A CN115440041B (zh) 2022-09-02 2022-09-02 一种路侧视角下的重点车辆驾驶行为预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211070528.7A CN115440041B (zh) 2022-09-02 2022-09-02 一种路侧视角下的重点车辆驾驶行为预测方法

Publications (2)

Publication Number Publication Date
CN115440041A CN115440041A (zh) 2022-12-06
CN115440041B true CN115440041B (zh) 2023-05-30

Family

ID=84247310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211070528.7A Active CN115440041B (zh) 2022-09-02 2022-09-02 一种路侧视角下的重点车辆驾驶行为预测方法

Country Status (1)

Country Link
CN (1) CN115440041B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116959260B (zh) * 2023-09-20 2023-12-05 东南大学 一种基于图神经网络的多车辆驾驶行为预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106571046A (zh) * 2016-11-11 2017-04-19 上海市政工程设计研究总院（集团）有限公司 基于路面网格体系的车路协同辅助驾驶方法
CN110969847A (zh) * 2019-11-25 2020-04-07 中云智网数据产业(常州)有限公司 一种基于城市交通的车辆高效运行管理方法
CN111383456A (zh) * 2020-04-16 2020-07-07 上海丰豹商务咨询有限公司 一种用于智能道路基础设施系统的本地化人工智能系统
CN113835420A (zh) * 2020-06-23 2021-12-24 上海丰豹商务咨询有限公司 一种用于自动驾驶系统的功能分配系统
CN114255450A (zh) * 2022-01-01 2022-03-29 南昌智能新能源汽车研究院 一种基于前向全景图像的近场车辆加塞行为预测方法
CN114360269A (zh) * 2020-10-12 2022-04-15 上海丰豹商务咨询有限公司 一种智能网联道路支持下的自动驾驶协同控制系统和方法
CN114407931A (zh) * 2022-02-21 2022-04-29 东南大学 一种高度类人的自动驾驶营运车辆安全驾驶决策方法
CN114863708A (zh) * 2022-05-09 2022-08-05 东南大学 一种面向营运车辆的道路合流区路侧实时精准诱导方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106571046A (zh) * 2016-11-11 2017-04-19 上海市政工程设计研究总院（集团）有限公司 基于路面网格体系的车路协同辅助驾驶方法
CN110969847A (zh) * 2019-11-25 2020-04-07 中云智网数据产业(常州)有限公司 一种基于城市交通的车辆高效运行管理方法
CN111383456A (zh) * 2020-04-16 2020-07-07 上海丰豹商务咨询有限公司 一种用于智能道路基础设施系统的本地化人工智能系统
CN113835420A (zh) * 2020-06-23 2021-12-24 上海丰豹商务咨询有限公司 一种用于自动驾驶系统的功能分配系统
CN114360269A (zh) * 2020-10-12 2022-04-15 上海丰豹商务咨询有限公司 一种智能网联道路支持下的自动驾驶协同控制系统和方法
CN114255450A (zh) * 2022-01-01 2022-03-29 南昌智能新能源汽车研究院 一种基于前向全景图像的近场车辆加塞行为预测方法
CN114407931A (zh) * 2022-02-21 2022-04-29 东南大学 一种高度类人的自动驾驶营运车辆安全驾驶决策方法
CN114863708A (zh) * 2022-05-09 2022-08-05 东南大学 一种面向营运车辆的道路合流区路侧实时精准诱导方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能交通系统在网联汽车示范区管控平台中的关键应用;董诚;;中国公共安全(12);全文 *

Also Published As

Publication number Publication date
CN115440041A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN111046919B (zh) 一种融合行为意图的周围动态车辆轨迹预测系统及方法
CN107229973B (zh) 一种用于车辆自动驾驶的策略网络模型的生成方法及装置
CN107742193A (zh) 一种基于时变状态转移概率马尔可夫链的行车风险预测方法
CN107226087A (zh) 一种结构化道路自动驾驶运输车及控制方法
CN112734097B (zh) 无人驾驶列车能耗预测方法、系统及存储介质
CN111930110A (zh) 一种结合社会生成对抗网络的意图轨迹预测方法
CN109466552B (zh) 智能驾驶车道保持方法及系统
CN111045422A (zh) 一种自动驾驶导入“机智获得”模型的控制方法
CN113895464B (zh) 融合个性化驾驶风格的智能车驾驶地图生成方法及系统
CN112614373B (zh) 一种基于BiLSTM周车换道意图预测方法
CN107985189A (zh) 面向高速驾驶环境下的驾驶员变道深度预警方法
CN115440041B (zh) 一种路侧视角下的重点车辆驾驶行为预测方法
CN110182217A (zh) 一种面向复杂超车场景的行驶任务复杂度量化评估方法
CN115662166B (zh) 一种自动驾驶数据处理方法及自动驾驶交通系统
CN111063204A (zh) 一种基于收费站流量的高速公路车速预测模型训练方法
CN105620486B (zh) 应用于车辆能量管理的行驶模式判断装置及方法
CN116205024A (zh) 一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法
CN114368387B (zh) 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法
CN114926984A (zh) 一种实时交通冲突收集与道路安全评价方法
CN113240901B (zh) 一种智能车换道行为风险等级确定方法及装置
CN111160089B (zh) 一种基于不同车辆类型的轨迹预测系统及方法
CN112559968A (zh) 一种基于多情境数据的驾驶风格表征学习方法
CN114120246B (zh) 一种基于复杂环境的前方车辆检测算法
CN113095126B (zh) 道路交通态势识别方法、系统和存储介质
CN114895682A (zh) 一种基于云端数据的无人驾驶矿车行走参数校正方法及系统

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