CN115593433A - 一种自动驾驶车辆远程接管方法 - Google Patents
一种自动驾驶车辆远程接管方法 Download PDFInfo
- Publication number
- CN115593433A CN115593433A CN202211255783.9A CN202211255783A CN115593433A CN 115593433 A CN115593433 A CN 115593433A CN 202211255783 A CN202211255783 A CN 202211255783A CN 115593433 A CN115593433 A CN 115593433A
- Authority
- CN
- China
- Prior art keywords
- model
- vehicle
- automatic driving
- traffic
- information
- 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
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
- B60W60/007—Emergency override
-
- 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
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/244—Charge state
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/10—Accelerator pedal position
-
- 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
- B60W2540/12—Brake pedal position
-
- 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
- B60W2540/16—Ratio selector position
-
- 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
- B60W2540/18—Steering angle
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于自动驾驶技术领域,具体涉及一种自动驾驶车辆远程接管方法。首先,获取自动驾驶车辆的当前车辆状态信息和自动驾驶车辆所处环境的当前交通信息;然后利用获取的当前车辆状态信息和当前交通信息,以及构建的数字孪生模型,将当前车辆状态信息和当前交通信息与历史信息相匹配,输出得到自动驾驶车辆的接管需求:若为零接管需求,则由自动驾驶系统接管;若为弱接管需求,则由数字孪生平台接管;若为强接管需求,则由远程驾驶平台接管。本发明在自动驾驶系统发生故障或失效前进行主动接管,不存在传统接管方式造成的中途停车等待问题,可以保证驾驶任务的连续性,增加乘客舒适性,提高交通效率并提高安全性。
Description
技术领域
本发明属于自动驾驶技术领域,具体涉及一种自动驾驶车辆远程接管方法。
背景技术
自动驾驶车辆是一种集成了智能传感器、先进车载操作系统、自动驾驶系统的车辆,其能根据感知层的输出获得周围交通和环境信息,进而进行自主驾驶。自动驾驶车辆能够提高交通安全性和交通效率,是智慧城市的重要组成部分。
安全问题是目前制约自动驾驶车辆发展的最大问题,为使自动驾驶车辆逐步趋近本质型、恒久型的安全目标,自动驾驶车辆在面临系统失效、超出设计运行域或其它意外状况,当超出车端的控制能力范围时需及时处理,在必要时进行远程接管和主动干预。
现有的自动驾驶系统感知、规划、决策均在本地进行,这种方式实时性更高,但是遇到一些极端情况时,自动驾驶系统会出现难以处理甚至出现系统失效的问题。特别是对于现有的自动驾驶车辆的远程接管请求,同样也是由自动驾驶系统发起,当自动驾驶系统故障或者交通状况超出其处理能力时,自动驾驶系统才会向远程驾驶平台发起接管请求,但此时自动驾驶车辆已经进入高风险状态,极易出现事故,安全性极低。
发明内容
本发明的目的在于提供一种自动驾驶车辆远程接管方法,用以解决仅在自动驾驶系统故障或者交通状况超出其处理能力时才发起自动驾驶车辆的远程接管请求造成的车辆安全性极低的问题。
为解决上述技术问题,本发明提供了一种自动驾驶车辆远程接管方法,包括如下步骤:
1)获取自动驾驶车辆的当前车辆状态信息和自动驾驶车辆所处环境的当前交通信息;
2)数字孪生平台利用获取的当前车辆状态信息和当前交通信息,以及构建的数字孪生模型,将当前车辆状态信息和当前交通信息与历史信息相匹配,以对自动驾驶车辆的当前安全状态进行评估,输出得到自动驾驶车辆的接管需求:若接管需求为零接管需求,则控制由自动驾驶车辆的自动驾驶系统接管自动驾驶车辆;若接管需求为弱接管需求,则控制由数字孪生平台接管自动驾驶车辆;若接管需求为强接管需求,则控制由远程驾驶平台接管自动驾驶车辆以进行人工接管;
其中,零接管需求表明自动驾驶系统正常且在自动驾驶系统的设计运行域内,弱接管需求表明自动驾驶系统失效或者超出自动驾驶系统的设计运行域,强接管需求表明数字孪生平台无法满足车辆安全要求。
其有益效果为:本发明依据自动驾驶车辆的车辆状态信息和交通信息,并结合构建的数字孪生模型,将当前车辆状态信息和当前交通信息与历史信息进行比较,以对自动驾驶车辆的安全状态进行评估,提前预测出可能出现的危险,并针对可能出现的危险对车辆决策权进行分配,在自动驾驶系统可满足安全要求的情况下直接使用自动驾驶系统接管车辆,在自动驾驶系统无法满足安全要求的情况下由数字孪生平台来接管,进一步的,在数字孪生平台也无法满足安全要求的情况下由远程驾驶平台接管,在自动驾驶系统发生故障或失效前进行主动接管,不存在传统接管方式造成的中途停车等待问题,可以保证驾驶任务的连续性,增加乘客舒适性,提高交通效率并提高安全性。
进一步地,采用如下方法确定自动驾驶车辆的接管需求:
a)根据下式计算得到自动驾驶车辆周围各场源产生的势能场、动能场和行为场;势能场由道路静态要素决定,动能场由道路动态要素决定,行为场由驾驶行为下自动驾驶车辆状态要素决定;
b)根据各场源产生的势能场、动能场和行为场,进行求和运算以得到自动驾驶车辆的行车风险场;
c)根据车辆的行车风险场,确定自动驾驶车辆的本质安全度:
式中,Sj表示j时刻的本质安全度,i,j=1,2,3,分别表示自动驾驶系统、数字孪生平台和人工接管;Fj表示车辆在场源(xj,yj)处受到的场力;Ej表示行车风险场;Mj表示等效质量;Rj表示道路条件影响因子;k2表示常数;vj表示行驶速度;θj表示速度方向与两点(xi,yi)和(xj,yj)之间位移的夹角;Drj表示风险因子;
d)根据自动驾驶车辆的本质安全度所处的本质安全度区间,确定自动驾驶车辆的接管需求;其中,一种接管需求对应一个本质安全度区间。
进一步地,所述车辆状态信息包括车辆速度信息、车辆位置信息、方向盘转角信息、刹车及油门踏板开度信息、挡位信息、动力电池SOC信息、驻车状态信息以及车辆所在车道位置信息中的至少两种信息。
其有益效果为:结合多种多样的车辆状态信息来进行预测可以提高预测精度。
进一步地,所述交通信息包括道路拓扑结构信息、天气状态信息、障碍物信息以及交通信号信息中的至少两种信息。
其有益效果为:结合多种多样的交通信息来进行预测可以提高预测精度。
进一步地,所述数字孪生模型包括:自动驾驶车辆模型、交通参与者模型和环境条件模型,所述自动驾驶车辆模型为依据自动驾驶车辆特性构建的模型,所述交通参与者模型为依据除了需预测的自动驾驶车辆外的其余车辆和行人的特性构建的模型,所述环境条件模型为依据环境信息构建的模型,且依据自动驾驶需求,自动驾驶车辆模型、交通参与者模型和环境条件模型相互之间添加有内在关联关系、空间关系和约束关系,以实现数字孪生模型和实际交通物理系统的映射。
其有益效果为:数字孪生模型包括自动驾驶车辆模型、交通参与者模型和环境条件模型,与实际物理世界匹配度较高,有效提高了预测精度。
进一步地,所述自动驾驶车辆模型包括几何模型、物理模型、行为模型和规则模型;自动驾驶车辆的几何模型利用自动驾驶车辆的几何特征参数信息构建得到;自动驾驶车辆的物理模型依据自动驾驶车辆与路面之间的物理特性以及影响自动驾驶车辆行驶特性的物理参数,对元模型进行数学方程化表示以构建得到;自动驾驶车辆的行为模型用于展现自动驾驶车辆的行为特征和车路响应机制;自动驾驶车辆的规则模型用于根据城市交通通行规则和车路影响规律,以描述自动驾驶车辆的行为规则和逻辑。
其有益效果为:自动驾驶车辆模型结合四种模型设计得到,能够精准映射城市交通物理系统,从而完成车辆-交通数字孪生体的构建。
进一步地,所述交通参与者模型包括几何模型、行为模型和规则模型;交通参与者的几何模型利用交通参与者的几何特征参数信息构建得到;交通参与者的行为模型用于展现交通参与者的行为特征和车路响应机制;交通参与者的规则模型用于根据城市交通通行规则和车路影响规律,以描述交通参与者的行为规则和逻辑。
其有益效果为:交通参与者模型结合三种模型设计得到,能够精准映射城市交通物理系统,从而完成车辆-交通数字孪生体的构建。
进一步地,所述环境条件模型包括行为模型和规则模型;所述行为模型包括基于同车道前后车耦合的宏微观跟驰模型和基于车道间耦合关系的宏观交通流模型;
所述宏微观跟驰模型为:
式中,u(x,t)为t时刻x路段的车流速度,受到与前l辆车之间的车头距离和速度差的影响,k表示交通密度流量,ue为期望速度,Tl为多前车松弛时间,反映目标车与多前车间距离的敏感程度,τl是扰动向后传播Δxl距离所需要的时间,反映目标车与多前车速度差的敏感程度;
所述宏观交通流模型为:
式中,m,n=1,2,…,m≠n,μm=b0u′e(km,βkn)<0,km和qm分别表示第m车道的交通密度、流量,kn表示第n车道的交通密度,smn表示从车道m到车道n的流量转移率,snm表示从车道n到车道m的流量转移率,um为m车道车流速度,cm00为m车道的扰动传播速度,β为车道间耦合系数,Tm为第m车道的松弛时间,uem表示第m车道的期望速度,其为km和kn的函数,u′em表示uem对km和kn的一阶全导数,x表示空间位置,t表示时刻,u′e表示ue对km和kn的一阶全导数,b0表示为一非负的常数,xm表示m车道的x处位置。
其有益效果为:环境条件模型结合两种模型设计得到,能够精准映射城市交通物理系统,从而完成车辆-交通数字孪生体的构建。
进一步地,所述道路交通设施模型包括几何模型和物理模型;道路交通设施模型的几何模型利用道路交通设施的几何特征参数信息构建得到。
其有益效果为:道路交通设施模型结合两种模型设计得到,能够精准映射城市交通物理系统,从而完成车辆-交通数字孪生体的构建。
附图说明
图1是本发明的自动驾驶车辆远程接管系统的结构连接图;
图2是本发明的自动驾驶车辆远程接管系统方法的流程图;
图3是四轮八自由度汽车动力学简化模型示意图。
具体实施方式
本申请能够主动评估并预测自动驾驶车辆的安全状态,以决定自动驾驶车辆控制权限的接管主体,接管主体包括自动驾驶车辆的自动驾驶系统、数字孪生平台和远程驾驶平台,从而在自动驾驶系统发生故障或失效前进行主动接管,不存在传统接管方式造成的中途停车等待问题,可以保证驾驶任务的连续性,增加乘客舒适性,提高交通效率并提高安全性。
为更加清楚地说明本发明实施例的技术方案、目的和优点,下面结合本发明实例中的附图,对本发明实例中的技术方案进行清楚、完整的表述。所描述的实施例仅是本发明一部分实施例,而不是全部实施例,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。
自动驾驶车辆远程接管方法实施例:
本实施例提供一种自动驾驶车辆远程接管系统,如图1所示,包括车端、数字孪生平台和远程驾驶平台。
1、车端。
车端用于获取自动驾驶车辆的车辆状态信息和交通信息,并依据自动驾驶车辆的自动驾驶系统、数字孪生平台或者远程驾驶平台的控制指令对自动驾驶车辆进行控制。
自动驾驶车辆上设置有传感器、雷达、高精度地图、摄像头等装置,用于获取自动驾驶车辆的车辆状态信息。这里的车辆状态信息包括车辆速度信息、车辆位置信息、方向盘转角信息、刹车踏板开度信息、挡位信息、动力电池SOC信息、驻车状态信息以及车辆所在车道位置信息。交通信息包括道路拓扑结构信息、天气状态信息、障碍物信息以及交通信号信息。
自动驾驶车辆具有与数字孪生平台和远程驾驶平台均进行通信的通信模块,可以将自动驾驶车辆的车辆状态信息和交通信息通过网络环境实时发送给数字孪生平台和远程驾驶平台,并能够接收数字孪生平台和远程驾驶平台的控制指令。这里的网络环境可以为蓝牙传输、4G网络、5G网络、WLAN技术等,当然,也可以同时采用多种传输方式,增加数据传输的可靠性。
2、数字孪生平台。
数字孪生平台用于根据数字孪生技术生成自动驾驶车辆及其交通环境的数字孪生模型,数字孪生模型中的车辆参数、状态和交通环境与实际物理世界实时同步。
数字孪生平台会先根据城市道路自动驾驶车辆设计运行条件及设计运行域,对其主要元素通过模型构建、模型组装与融合、模型验证和模型校正等环节构建得到初始的数字孪生模型。数字孪生模型包括:对自动驾驶车辆构建几何模型、物理模型、行为模型和规则模型;对交通参与者(包括除自动驾驶车辆外的各类机动车、非机动车和行为)构建几何模型、行为模型和规则模型;对道路、交通基础设施(含临时性设施)构建几何模型、物理模型;对天气、光照等环境条件构建行为模型和规则模型。其中,几何模型主要是三维CAD模型;物理模型是直接作用的物体之间的相互作用或者物体本身的特性;规则模型是现实物理世界的一些确定的规则,例如红绿灯规则等。
对自动驾驶车辆构建的多个模型,其中,几何模型是自动驾驶车辆的外观、尺寸、结构等特征在数字孪生体中的映射,其构建方法为:据自动驾驶车辆设计几何特征参数等信息,利用CAD软件构建其三维几何模型,基于3D轻量化技术进一步压缩、重构,在保证模型精度的前提下,实现标准化和轻量化;物理模型是自动驾驶车辆的质量、质心位置、车路作用特性等参数在数字孪生体中的映射,其构建方法为:依据自动驾驶车辆与路面之间的物理特性,以及质量、质心位置等影响汽车行驶特性的基本物理参数,利用Modelica(多领域统一建模语言)对不同领域的元模型进行数学方程化表示,构建物理模型。
如图3所示,以四轮独立驱动八自由度自动驾驶车辆的车路耦合特性建模为例,说明单一领域的物理模型构建过程。图中,CG为车辆质心,Lf、Lr分别代表质心到前、后轴距离,L为左右轮轮距;δ为车辆控制器给出的前轮转角,Fxfl、Fxfr、Fxrl、Fxrr分别代表左前,右前,左后,右后4个车轮的纵向力,Fyfl、Fyfr、Fyrl、Fyrr分别代表4个车轮的侧向力,αfl、αfr、αrl、αrr分别为4个车轮的侧偏角。
车体侧向及横摆运动的状态方程为:
式中,Vx、Vy分别为车辆纵、侧向速度,γ为横摆角速度,m为整车质量,Iz为车辆横摆转动惯量。
极限工况下,轮胎的侧向纵向力之间互相影响,轮胎侧向力与滑移率和侧偏角之间呈现耦合非线性关系,采用复合滑移LuGre轮胎模型,当车辆处于稳态时,轮胎的侧向力为:
式中,σ0y为轮胎侧向刚度系数,σ2y为轮胎侧向粘滞阻尼,ky为侧向载荷分布系数,μ为路面附着系数,g(vr)是斯特里贝克方程,Re为轮胎滚动半径,ω为轮胎旋转角速度,Fn为轮胎的垂向载荷,vr=[vrx vry]T代表纵向和侧向滑移量组成的向量矩阵,其中侧向滑移量vry=vxtα。
基于侧向滑移量vrx、纵向滑移量vxy与车辆方向盘转角δ、路面附着系数μ等参数之间的关系,建立车辆、轮胎、路面之间的耦合模型,见式(3),为车速跟踪及运动控制提供理论依据。
式中,K1、K2、K3为轮胎拟合力的系数,ky为车辆侧向载荷分布系数,gtr、gbr分别为斯特里贝克方程在驱动和制动情况下的值。
车与路之间是通过轮胎建立联系的,在城市道路行驶条件下,相对轮胎而言,路的形变量可以忽略不计,因此,基于上述车路耦合模型,可以精确预测和控制自动驾驶汽车纵横向滑移量,保障行车安全。
行为模型的构建方法为:基于车辆动力学、运动学、车-路耦合机理等,利用有限状态机、马尔科夫链和基于本体的建模方法,构建其行为模型,刻画自动驾驶车辆行为特征及车路响应机制;以除自动驾驶车辆的各类机动车之间的行为模型构建为例,说明行为模型的构建过程。
按照从微观、宏观、宏微观结合的思路,考虑临近与次临近车辆实时状态,分别建立基于同车道前后车耦合的宏微观跟驰模型和基于车道间耦合关系的宏观交通流模型。
针对多前车信息(由路侧单元感知)对自动驾驶汽车的影响,引入耦合信息的权值系数,基于车辆跟驰模型,按照交通流研究中采用的微观-宏观参量关联关系,建立受多车耦合扰动影响的宏观跟驰模型如下:
式中,u(x,t)为t时刻x路段的车流速度,受到与前l辆车之间的车头距离和速度差的影响,k表示交通密度流量,ue为期望速度,Tl为多前车松弛时间,反映目标车与多前车间距离的敏感程度,τl是扰动向后传播Δxl距离所需要的时间,反映目标车与多前车速度差的敏感程度。
针对多车道的换道和车道间耦合效应,基于高阶连续介质交通流模型,引入多车道耦合系数,提出多车道密度粘性耦合模型,如式(5)所示。
式中,m,n=1,2,…,m≠n,μm=b0u′e(km,βkn)<0,km和qm分别表示第m车道的交通密度、流量,kn表示第n车道的交通密度,smn表示从车道m到车道n的流量转移率,snm表示从车道n到车道m的流量转移率,um为m车道车流速度,cm00为m车道的扰动传播速度,β为车道间耦合系数,Tm为第m车道的松弛时间,uem表示第m车道的期望速度,其为km和kn的函数,u′em表示uem对km和kn的一阶全导数,x表示空间位置,t表示时刻,u′e表示ue对km和kn的一阶全导数,b0表示为一非负的常数,xm表示m车道的x处位置。
以上建立的宏微观跟驰模型和宏观交通流模型,结合车端感知获取的前车位置、速度信息,以及通过路侧感知获取的交通流信息,为换道、超车等场景下的车速、路径规划提供依据。
规则模型的构建方法为:基于城市交通通行规则、车路影响规律,利用决策树、粗糙集理论和神经网络方法完成规则提取,基于XML语言描述自动驾驶运行规则及逻辑模型,使自动驾驶车辆数字孪生模型具有推理、判断、评估和预测的能力。
在交通参与者的各个模型构建完成后,基于城市交通下车、路、人、环约束关系,构建模型的层级关系并明确模型的组装顺序,面向自动驾驶需求,将元素模型(如自动驾驶车辆,道路、障碍物、交通标志标牌、周边建筑等基础设施,行人、非机动车等交通参与者)之间通过添加空间关系、约束关系等进行关联、组装,融合成系统级数字孪生基础模型。基于车-路-人-环耦合机理,将其与天气、光照、交通信号等模型组装融合成城市交通系统动态模型。进而在已组装的模型中添加其内在关联关系,通过将动作时序关系、安全时距、交通流、信息流等映射到模型中,精准映射城市交通物理系统,完成车辆-交通数字孪生体的构建。其中,空间关系如道路和车辆相对位置关系等;约束关系是诸如行人只能走人行道、机动车只能走机动车道等的关系;安全时距指两车间安全距离S/后车时速V,其单位为时间秒,映射到数字孪生模型中只需将相应参数返回到数字孪生模型中即可。
该车辆-交通数字孪生体与物体环境虚实结合、实时交互,不断自我学习与更新,并通过数据驱动的迭代与优化,逐步提高模型精度。
在交通参与者的各个模型构建完成后,面向自动驾驶需求,将通过各种传感器测得的元素模型(如自动驾驶车辆,道路、障碍物、交通标志标牌、周边建筑等基础设施,行人、非机动车等交通参与者)之间的空间相对位置等空间关系及约束关系(如行人只能走人行横道,机动车只能走机动车道)等进行关联、组装,融合成系统级数字孪生基础模型。基于车-路-人-环耦合机理,将其与天气、光照、交通信号等模型组装融合成城市交通系统动态模型。进而通过将动作时序关系(如红绿灯亮灯先后顺序:先直行后左转等)、安全时距、交通流等映射到模型中,精准映射城市交通物理系统,完成车辆-交通数字孪生体的构建。该车辆-交通数字孪生体与物体环境虚实结合、实时交互,不断自我学习与更新,并通过数据驱动的迭代与优化,逐步提高模型精度。
该数字孪生模型可以获取车辆状态信息和交通信息,并使同一时间的自动驾驶车辆状态信息和交通环境信息一一对应,从而实现对自动驾驶车辆全生命周期信息的记录。历史数据可以完善数字孪生平台的准确性,提高对自动驾驶车辆全生命周期安全性评估和预测的准确性,还可以记录极端工况并不断复现、学习,从而不断优化数字孪生模型。
而且,数字孪生平台可以基于自动驾驶车辆的当前车辆状态信息和当前交通信息,以及构建的数字孪生模型,将当前车辆状态信息和当前交通信息与历史信息相匹配,以对自动驾驶车辆的当前安全状态进行评估和预测,对自动驾驶车辆的决策权进行分配,输出得到自动驾驶车辆的接管需求,根据输出的结果将自动驾驶车辆的控制权限移交给相应的接管主体。
在自动驾驶车辆的控制权限移交给数字孪生平台时,可以向自动驾驶车辆发送控制指令,使自动驾驶车辆依据数字孪生平台的控制指令工作,并忽略来自自动驾驶系统和远程驾驶平台的控制指令。
3、远程驾驶平台。
远程驾驶平台设置有显示装置,远程驾驶平台在接收到自动驾驶车辆及交通信息后,可以通过显示装置将车辆状态信息和交通信息进行显示,显示形式可以是文本、图像、声音,显示方式可以是显示器、虚拟现实设备。
远程驾驶平台在接收到数字孪生平台的接管需求且接管需求为需要云端安全员接管时,远程驾驶平台提醒云端安全员做好接管准备,提醒方式可为声音、震动、光线等。远程驾驶平台会将云端安全员的驾驶操作转化为控制指令下发(包括方向盘转角、期望速度、期望加速度、灯光控制、拉起/释放驻车制动等)给自动驾驶车辆,使自动驾驶车辆忽略来自数字孪生平台和远程驾驶平台的控制指令,执行远程驾驶平台的控制指令。
而且,云端安全员的接管信号可以是一组特定的信号,可以通过设置一个专门的接管按钮来发送。
基于上述介绍的自动驾驶车辆远程接管系统,可实现本发明的一种自动驾驶车辆远程接管方法,其整体流程如图2所示,下面具体介绍。
步骤一,通过自动驾驶车辆上布置的各种传感器,获取自动驾驶车辆的当前车辆状态信息和自动驾驶车辆所处环境的当前交通信息,并通过网络环境实时发送给数字孪生平台和远程驾驶平台。
车辆状态信息包括车辆位置信息、目的地信息、车辆速度信息、方向盘转角信息、油门/刹车踏板开度信息、动力电池SOC等信息。交通信息包括路拓扑结构、天气状况、障碍物数量、障碍物种类、障碍物位置和速度、交通信号信息等信息。
在发送信息过程中,如果出现网络环境不稳定或者网络负载过高的情况,则优先发送比较重要的信息,以保证基本的远程驾驶功能实现。这里重要的信息包括:车辆位置信息、目的地信息、车辆速度信息、方向盘转角信息、油门/刹车踏板开度信息以及视频信息。
步骤二,数字孪生平台根据当前车辆状态信息和当前交通信息,以及构建的数字孪生模型,对车辆安全状态进行仿真、判断和预测,具体仿真、判断和预测方法如下:
首先对各风险要素的相互关系进行时间和空间上的统一表述,进而量化风险,将场论引入交通系统风险评估中,结合构建的BTA模型与交通风险态势推演模型,综合考虑极端天气、通信时延等干扰因素影响,重构场景交通各要素(场源)对车辆所产生的3类风险(场强):由道路环境中静态要素所决定的“势能场”,由道路上运动物体所决定的“动能场”,以及由车辆驾驶行为特性决定的“行为场”,最终统一为行车风险场。
“势能场”由道路静态要素(停止的车辆、隔离带、路障、交通标识等)决定,影响因素包括物体类型、质量、环境能见度等,用表示;“动能场”由道路动态要素(运动中的车辆、行人、动物、非机动车等)所决定,影响因素包括场源类型、质量、速度、加速度、路面附着系数(与天气有关)、道路坡度等,用表示;“行为场”由驾驶行为下车辆状态要素决定,用表示。
场源i(xi,yi)在(xj,yj)处产生的场强:
式中,Mi为等效质量,Ti为物体类型,mi为物体质量,ai,βk为待定常数,Ri为道路条件影响因子,rij=(xj-xi,yj-yi)表示两点之间的位移,k1,k2,G1为待标定常数;vi为行驶速度,θi为速度方向与rij的夹角;Dri为待定风险因子,由不同驾驶模式的行为特性决定。
构建行车风险场统一模型:
行车风险场中的车辆会受到场力的作用,用以表征车辆当前行驶状态的危险程度,影响因素包括行车风险场的场强、车辆所处位置的道路条件、车辆自身属性、运动状态和车辆驾驶行为特征等。车辆在行驶过程中,受到的场力越大,安全程度越低,为量化场力与安全程度的关系,引入本质安全度Sj,具体表达式为:
式中,Fj是车辆在(xj,yj)处受到的场力。
基于本质安全度和时间的车云控制权规则的确定分为两个步骤,一是切换阈值的确定,二是切换逻辑。
要确定的阈值包括:云自动接管本质安全度上界云自动接管本质安全度下界云安全员接管本质安全度上界云安全员接管本质安全度下界为避免接管过程中控制权非正常循环往复切换,车云控制权切换规则需同时考虑低安全度区间持续时间TP。上述阈值及低安全度持续时间的确定需要考虑车辆动力学、运动学、云控时延特性,以及由此决定的车端、云端行为控制能力边界,并通过主客观评价进行优化和标定。
k时刻控制权由i端切换至j端的切换规则可定义为:
Eij(k):=rules(Sk,TP) (9)
式中,Sk为k时刻的本质安全度,i,j=1,2,3,分别表示车端控制器、云端控制器和云端安全员。为避免车辆行驶状态的突变,控制权只能逐级切换,具体表达为|j-i|={0,1},当i=j时,控制权保持不变。
根据以上规则,自动驾驶汽车在系统失效或行驶条件到达临界设计运行域后,本质安全度降低至一定阈值,车云控制权将自动切换,通过远程接管及主动干预使车辆状态尽快远离ODD边界,保证行驶安全。
数字孪生平台根据上述规则对车辆安全状态进行评估预测并输出接管需求:若接管需求为零接管需求时,执行步骤三;若接管需求为弱接管需求,执行步骤四;若接管需求为强接管需求,执行步骤五。
步骤三,此时接管需求为零接管需求,表示此时自动驾驶车辆的感知装置、执行机构正常工作,自动驾驶系统能够正常工作且能够处理各种交通状况,保证所述自动驾驶车辆的行车安全,因此这种状况下由自动驾驶车辆的自动驾驶系统继续接管车辆,并忽略来自步骤二中数字孪生平台发送的控制指令。
步骤四,此时接管需求为弱接管需求,表明此时可能面临两种情况:①自动驾驶车辆的感知装置、执行机构正常工作且自动驾驶系统正常工作,但自动驾驶系统无法处理所述的交通状况,②自动驾驶车辆的感知装置、执行机构正常工作,自动驾驶系统部分失效或完全失效,无法处理面对的交通状况。总结起来便是车辆安全状态为自动驾驶系统失效或者接近运行设计域时,面对该种状况,数字孪生平台会自动接管自动驾驶车辆,并继续向自动驾驶车辆发送控制指令。自动驾驶车辆收到弱接管需求后,屏蔽车辆自动驾驶系统输出的控制指令,并执行收到步骤二生成的控制指令。期间,自动驾驶车辆正常向数字孪生平台发送车辆状态信息和交通信息。
步骤五,此时接管需求为强接管需求,表明此时可能面临两种情况:①自动驾驶车辆的感知装置、执行机构正常工作且自动驾驶系统正常工作,但自动驾驶系统和数字孪生平台无法处理面对的交通状况,②自动驾驶车辆的感知装置、执行机构正常工作,自动驾驶系统部分失效或完全失效,且自动驾驶系统和所述数字孪生平台无法处理所述的交通状况。总结起来便是数字孪生平台也无法满足安全要求,远程驾驶平台会发出警报,提醒云端安全员准备接管自动驾驶车辆。此时,云端安全员通过远程驾驶平台向自动驾驶车辆发送控制信号,当自动驾驶车辆收到远程驾驶平台的控制信号后,开始准备接收来自远程驾驶平台的控制指令。
而且,在云端安全员接管自动驾驶车辆之前,车辆仍由自动驾驶系统接管,直到收到云端安全员的接管控制信号。
在自动驾驶系统收到安全员的接管信号并收到有效的控制指令后,自动驾驶系统将车辆控制权移交给远程驾驶平台,屏蔽自身决策输出,执行收到的来自远程驾驶平台的控制指令。期间,自动驾驶车辆正常向数字孪生平台发送车辆状态信息和交通信息。
为保证车云控制权平稳切换,避免车辆状态在控制权切换时出现激变而影响行车安全,基于平行控制理念和数字孪生模型,分别构建基于决策模块和评估模块的云端强化学习智能体和车端强化学习智能体。将自动驾驶汽车行驶过程中的运动状态反馈作为强化学习模型的输入,强化学习智能体的云端决策模块根据当前状态输出决策的结果为a,云端评估模块根据状态—动作值函数Q1(s1,a1)对决策结果进行评估,从而计算得到新的值函数Q2(s2,a2)作为车端决策输入。云端决策模块根据最大的评判函数值选取最优决策指令π,见式(10),通过最小化云端评估模块和车端评判模块的值函数差异,见式(11),使云端决策逐渐逼近车端决策输出,实现云端与车端控制权的快速、平稳切换。
当J(t)<ε,ε可根据平顺性控制需要进行优化和标定。评判模块输出触发指令给车端决策模块,完成控制权从车端到云端的平顺切换。
控制权顺利交接后,云端应通过主动干预降低行车风险,以尽快交回控制权。具体方法如下:
基于车路耦合动力学模型,依据路面附着系数以及本车加速性能限制,以车辆当前状态作为初始位置,计算每个阶段在道路中所能到达的极限位置,建立基于本质安全度的决策问题目标函数,如式(12)所示。
式中,Sk(xk,deck)表示演化场景在第k阶段处于xk状态下执行决策deck后的本质安全度,Saf(t)为最优指标函数,是求解最优决策序列的重要依据。j(xj,yj)为车辆位置坐标,vi为行驶速度,rij表示两点之间的距离矢量,θi为速度方向与rij的夹角,ax、ay分别为横纵向加速度,μ为路面附着系数,aengine为本车最大加速度,tk为阶段k对应的未来时刻,x0和v0分别为初始位置和速度,alim与xlim为加速度极限与在tk时间内能到达的极限位置。
面向安全的云端主动干预过程就是对式(12)的最优求解过程,最终通过深度强化学习获得最优路径及车速决策序列。
综上,相较于由自动驾驶车辆本身发起接管请求的传统方案,本发明能够主动评估并预测自动驾驶车辆的安全状态,在自动驾驶系统发生故障或失效前进行主动接管,由数字孪生平台或者远程驾驶平台主动接管车辆,不存在传统接管方式造成的中途停车等待问题,可以保证驾驶任务的连续性,增加乘客舒适性,提高交通效率并提高安全性。
最后应说明的是,各实施例仅用以说明本发明的技术方案,而非对其限制;同样,在本申请的实施例中各种编号是为方便描述而进行的区分,并不用来限制本申请实施例的范围,且编号顺序并不意味着执行顺序,各过程执行顺序应依据其内在的逻辑顺序进行。以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式,并不用于限定本申请的保护范围,凡在本申请的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本申请的保护范围之内。
Claims (9)
1.一种自动驾驶车辆远程接管方法,其特征在于,包括如下步骤:
1)获取自动驾驶车辆的当前车辆状态信息和自动驾驶车辆所处环境的当前交通信息;
2)数字孪生平台利用获取的当前车辆状态信息和当前交通信息,以及构建的数字孪生模型,对自动驾驶车辆的当前安全状态进行评估,输出得到自动驾驶车辆的接管需求:若接管需求为零接管需求,则控制由自动驾驶车辆的自动驾驶系统接管自动驾驶车辆;若接管需求为弱接管需求,则控制由数字孪生平台接管自动驾驶车辆;若接管需求为强接管需求,则控制由远程驾驶平台接管自动驾驶车辆以进行人工接管;
其中,零接管需求表明自动驾驶系统正常且在自动驾驶系统的设计运行域内,弱接管需求表明自动驾驶系统失效或者超出自动驾驶系统的设计运行域,强接管需求表明数字孪生平台无法满足车辆安全要求。
2.根据权利要求1所述的自动驾驶车辆远程接管方法,其特征在于,采用如下方法确定自动驾驶车辆的接管需求:
a)根据下式计算得到自动驾驶车辆周围各场源产生的势能场、动能场和行为场;势能场由道路静态要素决定,动能场由道路动态要素决定,行为场由驾驶行为下自动驾驶车辆状态要素决定;
b)根据各场源产生的势能场、动能场和行为场,进行求和运算以得到自动驾驶车辆的行车风险场;
c)根据车辆的行车风险场,确定自动驾驶车辆的本质安全度:
式中,Sj表示j时刻的本质安全度,i,j=1,2,3,分别表示自动驾驶系统、数字孪生平台和人工接管;Fj表示车辆在场源(xj,yj)处受到的场力;Ej表示行车风险场;Mj表示等效质量;Rj表示道路条件影响因子;k2表示常数;vj表示行驶速度;θj表示速度方向与两点(xi,yi)和(xj,yj)之间位移的夹角;Drj表示风险因子;
d)根据自动驾驶车辆的本质安全度所处的本质安全度区间,确定自动驾驶车辆的接管需求;其中,一种接管需求对应一个本质安全度区间。
3.根据权利要求1所述的自动驾驶车辆远程接管方法,其特征在于,所述车辆状态信息包括车辆速度信息、车辆位置信息、方向盘转角信息、刹车及油门踏板开度信息、挡位信息、动力电池SOC信息、驻车状态信息以及车辆所在车道位置信息中的至少两种信息。
4.根据权利要求1所述的自动驾驶车辆远程接管方法,其特征在于,所述交通信息包括道路拓扑结构信息、天气状态信息、障碍物信息以及交通信号信息中的至少两种信息。
5.根据权利要求1所述的自动驾驶车辆远程接管方法,其特征在于,所述数字孪生模型包括:自动驾驶车辆模型、交通参与者模型、道路交通设施模型和环境条件模型,所述自动驾驶车辆模型为依据自动驾驶车辆特性构建的模型,所述交通参与者模型为依据除了需预测的自动驾驶车辆外的其余车辆和行人的特性构建的模型,所述道路交通设施模型为依据道路和交通设施构建的模型,所述环境条件模型为依据环境信息构建的模型,且依据自动驾驶需求,自动驾驶车辆模型、交通参与者模型、道路交通设施模型和环境条件模型相互之间添加有内在关联关系、空间关系和约束关系,以实现数字孪生模型和实际交通物理系统的映射。
6.根据权利要求5所述的自动驾驶车辆远程接管方法,其特征在于,所述自动驾驶车辆模型包括几何模型、物理模型、行为模型和规则模型;自动驾驶车辆模型的几何模型利用自动驾驶车辆的几何特征参数信息构建得到;自动驾驶车辆模型的物理模型依据自动驾驶车辆与路面之间的物理特性以及影响自动驾驶车辆行驶特性的物理参数,对元模型进行数学方程化表示以构建得到;自动驾驶车辆模型的行为模型用于展现自动驾驶车辆的行为特征和车路响应机制;自动驾驶车辆模型的规则模型用于根据城市交通通行规则和车路影响规律,以描述自动驾驶车辆的行为规则和逻辑。
7.根据权利要求5所述的自动驾驶车辆远程接管方法,其特征在于,所述交通参与者模型包括几何模型、行为模型和规则模型;交通参与者模型的几何模型利用交通参与者的几何特征参数信息构建得到;交通参与者模型的行为模型用于展现交通参与者的行为特征和车路响应机制;交通参与者模型的规则模型用于根据城市交通通行规则和车路影响规律,以描述交通参与者的行为规则和逻辑。
8.根据权利要求5所述的自动驾驶车辆远程接管方法,其特征在于,所述环境条件模型包括行为模型和规则模型,所述行为模型包括基于同车道前后车耦合的宏微观跟驰模型和基于车道间耦合关系的宏观交通流模型;
所述宏微观跟驰模型为:
式中,u(x,t)为t时刻x路段的车流速度,受到与前l辆车之间的车头距离和速度差的影响,k表示交通密度流量,ue为期望速度,Tl为多前车松弛时间,反映目标车与多前车间距离的敏感程度,τl是扰动向后传播Δxl距离所需要的时间,反映目标车与多前车速度差的敏感程度;
所述宏观交通流模型为:
9.根据权利要求5所述的自动驾驶车辆远程接管方法,其特征在于,所述道路交通设施模型包括几何模型和物理模型;道路交通设施模型的几何模型利用道路交通设施的几何特征参数信息构建得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255783.9A CN115593433A (zh) | 2022-10-13 | 2022-10-13 | 一种自动驾驶车辆远程接管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255783.9A CN115593433A (zh) | 2022-10-13 | 2022-10-13 | 一种自动驾驶车辆远程接管方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115593433A true CN115593433A (zh) | 2023-01-13 |
Family
ID=84846895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211255783.9A Pending CN115593433A (zh) | 2022-10-13 | 2022-10-13 | 一种自动驾驶车辆远程接管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115593433A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484511A (zh) * | 2023-06-19 | 2023-07-25 | 北京慧拓无限科技有限公司 | 一种平行车系统数字化孪生模型、构建方法及存储介质 |
CN116909202A (zh) * | 2023-09-14 | 2023-10-20 | 毫末智行科技有限公司 | 车云协同自动驾驶车辆控制方法、装置、设备及介质 |
-
2022
- 2022-10-13 CN CN202211255783.9A patent/CN115593433A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484511A (zh) * | 2023-06-19 | 2023-07-25 | 北京慧拓无限科技有限公司 | 一种平行车系统数字化孪生模型、构建方法及存储介质 |
CN116484511B (zh) * | 2023-06-19 | 2023-09-26 | 北京慧拓无限科技有限公司 | 一种平行车系统数字化孪生模型、构建方法及存储介质 |
CN116909202A (zh) * | 2023-09-14 | 2023-10-20 | 毫末智行科技有限公司 | 车云协同自动驾驶车辆控制方法、装置、设备及介质 |
CN116909202B (zh) * | 2023-09-14 | 2023-12-29 | 毫末智行科技有限公司 | 车云协同自动驾驶车辆控制方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210262808A1 (en) | Obstacle avoidance method and apparatus | |
Wang et al. | Safety of autonomous vehicles | |
Shadrin et al. | Experimental autonomous road vehicle with logical artificial intelligence | |
CN110531740B (zh) | 一种智能车智能化程度量化测评方法 | |
CN112614344B (zh) | 一种自动驾驶汽车参与的混合交通系统效能评估方法 | |
CN115593433A (zh) | 一种自动驾驶车辆远程接管方法 | |
US20190235521A1 (en) | System and method for end-to-end autonomous vehicle validation | |
CN112622886B (zh) | 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法 | |
CN110794851B (zh) | 车辆远程控制安全防护方法、装置和无人驾驶车辆 | |
CN113835421B (zh) | 训练驾驶行为决策模型的方法及装置 | |
WO2020233495A1 (zh) | 自动换道方法、装置及存储介质 | |
CN114030485B (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 | |
CN110956851A (zh) | 一种智能网联汽车协同调度换道方法 | |
CN111625989A (zh) | 一种基于a3c-sru的智能车汇入车流方法及系统 | |
Liu et al. | Parallel intelligence for smart mobility in cyberphysical social system-defined metaverses: A report on the international parallel driving alliance | |
Teng et al. | Fusionplanner: A multi-task motion planner for mining trucks using multi-sensor fusion method | |
CN117373243A (zh) | 地下道路的立体路网交通诱导与应急救援协同管理方法 | |
Wang et al. | An intelligent self-driving truck system for highway transportation | |
CN110723207B (zh) | 基于模型重构的智能汽车模型预测转向控制器及其控制方法 | |
Fehér et al. | Proving ground test of a ddpg-based vehicle trajectory planner | |
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 | |
CN114889589A (zh) | 一种智能汽车转向与制动协同避撞控制系统及方法 | |
CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
CN114291112A (zh) | 一种应用于自动驾驶汽车的决策规划协同增强方法 | |
Fan et al. | A Co-Simulation Platform for Powertrain Controls Development |
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 |