CN115649197A - 基于驾驶员特性的自动驾驶控制方法和存储介质 - Google Patents
基于驾驶员特性的自动驾驶控制方法和存储介质 Download PDFInfo
- Publication number
- CN115649197A CN115649197A CN202211363523.3A CN202211363523A CN115649197A CN 115649197 A CN115649197 A CN 115649197A CN 202211363523 A CN202211363523 A CN 202211363523A CN 115649197 A CN115649197 A CN 115649197A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control
- data
- model
- scene
- 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
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请提供一种基于驾驶员特性的自动驾驶控制方法和存储介质,自动驾驶控制方法包括:响应于识别车辆行驶场景,生成包括关键指标的场景数据,并获取驾驶员操作关键指标的时序数据;第一控制器根据所述场景数据和所述时序数据生成所述车辆的第一控制策略;第二控制器根据所述场景数据和所述时序数据生成所述车辆的第二控制策略;响应于对所述第一控制策略和所述第二控制策略仲裁,生成所述车辆的仲裁策略;根据所述仲裁策略控制所述车辆的驾驶参数。本申请提供的基于驾驶员特性的自动驾驶控制方法和存储介质能更好的与驾驶员实现人机共驾,同时让更多驾驶员接受驾驶系统,提高了驾驶员对智能驾驶系统的信赖与舒适性。
Description
技术领域
本申请涉及自动驾驶技术领域,具体涉及一种基于驾驶员特性的自动驾驶控制方法和存储介质。
背景技术
当前自动驾驶系统分为感知、融合、决策、规划、控制几个层面,在控制车辆沿规划轨迹控制等层面绝大数采最优控制。目前的自动驾驶系统可以通过建立考虑驾驶员特性的自动驾驶模型,运用不同的计算方法分析驾驶员个性差异对驾驶模型的修正。
在构思及实现本申请过程中,发明人发现至少存在如下问题:当前的自动驾驶系统无法适应不同风格的驾驶员,并且在多变的道路与行车环境中无法调整智能驾驶风格,一定程度上降低了驾驶员对辅助驾驶系统的信赖度。
前面的叙述在于提供一般的背景信息,并不一定构成现有技术。
发明内容
为了缓解以上问题,本申请提供一种基于驾驶员特性的自动驾驶控制方法和存储介质。
在一方面,本申请提供一种基于驾驶员特性的自动驾驶控制方法,包括:
响应于识别车辆行驶场景,生成包括关键指标的场景数据,并获取驾驶员操作关键指标的时序数据;
第一控制器根据所述场景数据和所述时序数据生成所述车辆的第一控制策略;
第二控制器根据所述场景数据和所述时序数据生成所述车辆的第二控制策略;
响应于对所述第一控制策略和所述第二控制策略仲裁,生成所述车辆的仲裁策略;
根据所述仲裁策略控制所述车辆的驾驶参数。
可选地,所述自动驾驶控制方法在执行所述第一控制器根据所述场景数据和所述时序数据生成所述车辆的第一控制策略的步骤包括以下至少一项:
在车辆速度小于第一速度阈值时,建立所述车辆的运动学模型,所述第一控制器基于所述运动学模型调节所述关键指标,生成所述车辆的第一控制策略;
在所述车辆速度大于第二速度阈值时,建立所述车辆的动力学模型和双闭环控制模型,所述第一控制器基于所述动力学模型和所述双闭环控制模型调节所述关键指标,生成所述车辆的第一控制策略;
响应于获取所述车辆的人员信息、环境信息和道路信息,调整所述第一控制策略。
可选地,所述自动驾驶控制方法在执行所述第一控制器根据所述场景数据和所述时序数据生成所述车辆的第一控制策略包括:
根据目标路径输出控制信息,所述控制信息包括多个参考轨迹点、车辆状态、环境信息、目标信息、目标速度和道路信息;
根据所述控制信息,识别当前车辆行驶场景,所述车辆行驶场景包括当前位置和当前速度,并获取驾驶员的关键指标,所述关键指标选自车辆速度、加速度、加速度变化率、方向盘转角、方向盘转速、横摆角速度的最大值、最小值、中点值、均值和方差的至少一项;
其中,所述在车辆速度小于第一速度阈值时,建立所述车辆的运动学模型,所述第一控制器基于所述运动学模型调节所述关键指标,生成所述车辆的第一控制策略的步骤包括:
根据所述车辆行驶场景和所述关键指标,控制基于运动学模型的横向控制器生成目标横向加速度、横向加速度变化率、目标纵向加速度、纵向加速度变化率和矩阵参数;
和/或,所述在车辆速度大于第二速度阈值时,建立所述车辆的动力学模型和双闭环控制模型,所述第一控制器基于所述动力学模型和所述双闭环控制模型调节所述关键指标,生成所述车辆的第一控制策略的步骤包括:
根据所述车辆行驶场景和所述关键指标,控制基于动力学模型的横向控制器生成设置目标横向加速度、横向加速度变化率和矩阵参数;
根据所述目标信息与所述当前位置的偏差作为位置闭环控制指标,根据所述目标速度和所述当前速度的偏差作为速度闭环控制指标,以控制纵向控制器生成目标纵向加速度和纵向加速度变化率。
可选地,所述自动驾驶控制方法在执行所述第二控制器根据所述场景数据生成所述车辆的第二控制策略的步骤之前包括:
基于时间循环神经网络建立时序数据模型;
基于所述场景数据和所述时序数据对所述时序数据模型进行训练;
基于所述时序数据模型的输出维度确定控制参数;
根据所述控制参数生成所述第二控制策略。
可选地,所述自动驾驶控制方法在执行所述基于所述场景数据和所述时序数据对所述时序数据模型进行训练的步骤包括:
收集多个驾驶员的所述场景数据和所述时序数据,基于优秀驾驶标准筛选优秀驾驶行为数据;
基于场景识别策略,对所述优秀驾驶行为数据进行场景标注;
对所述场景标注的数据进行分类,以对所述时序数据模型进行不同场景的训练学习,并对训练后的时序数据模型进行测试验证;
当所述时序数据模型的训练效果符合量产需求时,将所述时序数据模型部署至所述车辆。
可选地,所述自动驾驶控制方法在执行所述第二控制器根据所述场景数据和所述时序数据生成所述车辆的第二控制策略的步骤之后包括:
响应于所述驾驶员调节所述车辆的第二控制策略,获取所述车辆当前行驶的个性场景数据;
根据所述个性场景数据调整所述车辆的第二控制策略。
可选地,所述自动驾驶控制方法在执行所述根据所述个性场景数据调整所述车辆的第二控制策略的步骤包括:
对所述个性场景数据中的场景数据和时序数据依次进行清洗、标注和分类;
基于分类后的数据对所述时序数据模型进行训练,对训练后的时序数据模型进行测试验证;
部署训练完成的时序数据模型至所述车辆,通过所述时序数据模型调整所述第二控制策略。
可选地,所述自动驾驶控制方法在执行所述响应于对所述第一控制策略和所述第二控制策略仲裁,生成所述车辆的仲裁策略的步骤包括以下至少一项:
在所述第一控制策略和所述第二控制策略的至少一个控制参数的偏差大于第一阈值时,所述车辆以所述第一控制策略作为所述仲裁策略行驶;
在所述第一控制策略和所述第二控制策略的至少一个控制参数的偏差小于第二阈值时,所述车辆以所述第二控制策略作为所述仲裁策略行驶;
在所述第一控制策略和所述第二控制策略进行切换时,所述车辆以平滑处理的方式进行切换。
可选地,所述自动驾驶控制方法在执行所述根据所述仲裁策略控制所述车辆的驾驶参数的步骤包括:
根据所述车辆的前轮转角和纵向加速度,根据逆整车模型计算目标驱动扭矩及制动压力中的至少一项。
另一方面,本申请还提供一种存储介质,具体地,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于驾驶员特性的自动驾驶控制方法。
如上所述,本申请提供的基于驾驶员特性的自动驾驶控制方法和存储介质根据生成的场景数据,通过第一控制器和第二控制器多场景多维度考虑驾驶员特性对自动驾驶的影响,从而控制车辆的驾驶参数,能更好的与驾驶员实现人机共驾,同时让更多驾驶员接受驾驶系统,提高了驾驶员对智能驾驶系统的信赖与舒适性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例的基于驾驶员特性的自动驾驶控制方法的流程图。
图2为本申请一实施例的基于驾驶员特性的控制流程图。
图3为本申请一实施例的基于时序数据模型的训练流程图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
第一实施例
在一方面,本申请提供一种基于驾驶员特性的自动驾驶控制方法,图1为本申请一实施例的基于驾驶员特性的自动驾驶控制方法的流程图。
请参阅图1,在一实施例中,自动驾驶控制方法包括:
S10:响应于识别车辆行驶场景,生成包括关键指标的场景数据,并获取驾驶员操作关键指标的时序数据。
示例性地,车辆行驶场景选自换道、起步、跟停、前车切入、前车切出、上下匝道等典型工况。场景数据可以包含车辆状态、环境信息、道路信息、周围车辆状态等数据。可选地,关键指标选自车辆速度、加速度、加速度变化率、方向盘转角、方向盘转速、横摆角速度的最大值、最小值、中点值、均值和方差等驾驶可操控的驾驶参数。根据记录的各驾驶参数状态及对应的时间,即可确定操作关键指标的时序数据。
S20:第一控制器根据场景数据和时序数据生成车辆的第一控制策略。
示例性地,第一控制器可以是基于规则的传统控制器或基于训练的个性化控制器。第一控制策略是基于第一控制器对车辆目标行驶轨迹的控制策略。
S30:第二控制器根据场景数据和时序数据生成车辆的第二控制策略。
示例性地,第二控制器可以是基于训练的个性化控制器或基于规则的传统控制器。第二控制策略是基于第二控制器对车辆目标行驶轨迹的控制策略。
S40:响应于对第一控制策略和第二控制策略仲裁,生成车辆的仲裁策略。
示例性地,第一控制策略和第二控制策略为并行输出的关系,为了避免控制结果发生异常,将第一控制策略和第二控制策略仲裁校验,生成车辆最合适的仲裁策略。
S50:根据仲裁策略控制车辆的驾驶参数。
在本实施例中,基于驾驶员特性的自动驾驶控制方法,根据生成的场景数据,通过第一控制器和第二控制器多场景多维度考虑驾驶员特性对自动驾驶的影响,从而综合控制车辆的驾驶参数,能更好的与驾驶员实现人机共驾,同时让更多驾驶员接受驾驶系统,提高了驾驶员对智能驾驶系统的信赖与舒适性。
在一实施例中,自动驾驶控制方法在执行S20:第一控制器根据场景数据和时序数据生成车辆的第一控制策略的步骤包括以下至少一项:
S21:在车辆速度小于第一速度阈值时,建立车辆的运动学模型,第一控制器基于运动学模型调节关键指标,生成车辆的第一控制策略。
示例性地,在车辆处于低速行驶时,第一控制器采用车辆的运动学模型。可选地,本申请对第一速度阈值的大小不做限定,示例性地,第一速度阈值可以是30kph。
S22:在车辆速度大于第二速度阈值时,建立车辆的动力学模型和双闭环控制模型,第一控制器基于动力学模型和双闭环控制模型调节关键指标,生成车辆的第一控制策略。
示例性地,在车辆处于中高速行驶时,第一控制器采用动力学模型和双闭环控制模型。可选地,本申请对第二速度阈值的大小不做限定,示例性地,第二速度阈值可以是30kph。
S23:响应于获取车辆的人员信息、环境信息和道路信息,调整第一控制策略。
示例性地,人员信息可以包括:根据是否系安全带判断副驾以及后排是否有乘客人员,当车辆有乘客人员时,特别是有易晕车乘客时,调整第一控制策略如降低横纵向加速度变化率和横纵向加速度的最大值和最小值,提高乘坐舒适性,降低跟车与跟踪轨迹灵敏度。环境信息可以包括:根据雨刮、大灯、温度传感器等判断车辆行驶在雨天、雾天、雪天等,特别是车辆处于雨雪天气时调整第一控制策略如在跟车时提高跟车距离,行驶过程中限制最高行驶车速,轨迹跟踪控制过程中,降低横摆角速度。道路信息可以包括:根据后台数据分析车辆行驶的区域对驾驶员的熟悉程度以及根据高精地图或导航信息,得到车辆是否行驶在“三高”道路或城市道路或乡村道路,调整第一控制策略如车辆行驶到驾驶员陌生区域,采取保守性驾驶行为,当车辆行驶到驾驶员熟悉区域,采取正常驾驶行为,当车辆行驶在乡村道路上提高控制灵敏度,提高减速时响应灵敏度和制动最大减速度。
在本实施例中,第一控制器可以通过建立成熟的算法模型生成第一控制策略,也可以根据车辆、环境、道路等多维度信息,调整第一控制策略,能更好的实现驾驶员与车机行驶交互,提高了驾驶员对智能系统的信赖与舒适性。
在一实施例中,自动驾驶控制方法在执行S20:第一控制器根据场景数据和时序数据生成车辆的第一控制策略包括:
S24:根据目标路径输出控制信息,控制信息包括多个参考轨迹点、车辆状态、环境信息、目标信息、目标速度和道路信息;
S25:根据控制信息,识别当前车辆行驶场景,车辆行驶场景包括当前位置和当前速度,并获取驾驶员的关键指标,关键指标选自车辆速度、加速度、加速度变化率、方向盘转角、方向盘转速、横摆角速度的最大值、最小值、中点值、均值和方差的至少一项。
用户在出行时,经常会预先规划到达目的地的目标路径。根据目标路径,可以提取出沿途行驶过程中需要关注的重点控制信息。通过提取的控制信息,预先检索相应轨迹点信息、限速情况、道路情况、天气情况、植被覆盖情况、标志性物体等,从而能够在行驶过程中更好地识别和定位当前的车辆行驶场景。示例性地,第一控制器根据上述控制信息和关键指标进行优化求解,得到特和驾驶员特性的第一控制策略。
其中,S21:在车辆速度小于第一速度阈值时,建立车辆的运动学模型,第一控制器基于运动学模型调节关键指标,生成车辆的第一控制策略的步骤包括:
S210:根据车辆行驶场景和关键指标,控制基于运动学模型的横向控制器生成目标横向加速度、横向加速度变化率、目标纵向加速度、纵向加速度变化率和矩阵参数。
示例性地,在车辆低速行驶时,横向控制器基于运动学模型对关键指标中的目标横向加速度、横向加速度变化率、目标纵向加速度、纵向加速度变化率优化求解,并根据关键指标设置矩阵参数。
可选地,横向控制器基于运动学模型的算法可以为:状态量为[x,y,φ]分别为x,y位置坐标点偏差和航向角偏差。
其中,状态向量和控制向量分别为:
k代表第k时刻,u(k)代表在k时刻控制输出向量,Ts为单步运行时长,Vr为参考车速,φ为参考航向角,L为自车轴距,δ为前轮平均转角。
和/或,S22:在车辆速度大于第二速度阈值时,建立车辆的动力学模型和双闭环控制模型,第一控制器基于动力学模型和双闭环控制模型调节关键指标,生成车辆的第一控制策略的步骤包括:
S220:根据车辆行驶场景和关键指标,控制基于动力学模型的横向控制器生成设置目标横向加速度、横向加速度变化率和矩阵参数;
S221:根据目标信息与当前位置的偏差作为位置闭环控制指标,根据目标速度和当前速度的偏差作为速度闭环控制指标,以控制纵向控制器生成目标纵向加速度和纵向加速度变化率。
示例性地,在车辆中高速行驶时,横向控制器基于动力学模型对关键指标中的目标横向加速度、横向加速度变化率优化求解,并根据关键指标设置矩阵参数。纵向控制器基于双闭环控制模型对关键指标中的目标纵向加速度和纵向加速度变化率优化求解。
可选地,横向控制器基于动力学模型的算法可以为:状态量为分别为规划轨迹点横向偏差,横向偏差变化率,与规划点航向盘偏差,航向角偏差变化率;状态空间矢量: 其中,φdes为道路半径R决定的理论横摆角速度,k1、k2分别为前后轴侧偏刚度,m为汽车整备质量,vx为自车纵向车速,a、b分别为前后轴与质心距离,Iz为车辆绕z轴的转动惯量。
展开后如下状态转移矩阵所示:
其中,e1=ey,e2=eφ。
对以上模型进行离散化:
对A项式进行双线性离散化,对B1、B2进行前项欧拉离散化;
其中,X代表系统状态量,k代表k时刻,Ts代表采样步长,可以为0.01秒,u(k)为控制输出向量,
在一实施例中,自动驾驶控制方法在执行S30:第二控制器根据场景数据生成车辆的第二控制策略的步骤之前包括:
S31:基于时间循环神经网络建立时序数据模型。
示例性地,时间循环神经网络可以为长短期记忆网络(LSTM,Long Short-TermMemory)。
S32:基于场景数据和时序数据对时序数据模型进行训练。
示例性地,场景数据和时序数据为时序数据模型的输入维度,可以包括:车辆状态、周围车辆状态、环境信息、道路信息以及相对时间戳。
S33:基于时序数据模型的输出维度确定控制参数。
示例性地,输出维度可以包括车辆的目标方向盘转角与期望加速度。
S34:根据控制参数生成第二控制策略。
在本实施例中,第二控制器根据时序数据模型生成第二控制策略,从而控制车辆行驶,不断训练学习优秀驾驶行为数据,能够使得时序数据模型越来越智能人性化,生成符合多数驾驶员的驾驶习惯的控制策略。
在一实施例中,自动驾驶控制方法在执行S32:基于场景数据和时序数据对时序数据模型进行训练的步骤包括:
S320:收集多个驾驶员的场景数据和时序数据,基于优秀驾驶标准筛选优秀驾驶行为数据。
可选地,本申请对优秀驾驶标准不做限定,可以根据驾驶员行驶的安全性筛选优秀驾驶行为数据。
S321:基于场景识别策略,对优秀驾驶行为数据进行场景标注。
示例性地,根据已识别的场景,对优秀驾驶行为数据进行场景标注,删除没有标注的低质量数据段。
S322:对场景标注的数据进行分类,以对时序数据模型进行不同场景的训练学习,并对训练后的时序数据模型进行测试验证。
示例性地,将已标注的数据分类到各个场景,由于特殊情况下或者传感器故障导致对应场景下的数据并不准确,还需要人工核对并进行场景细标注,对已标注的数据打上其余所需标签,如天气、道路类型等,同时基于时序数据模型不断训练学习上述数据,并对训练后的时序数据模型进行测试验证。
S323:当时序数据模型的训练效果符合量产需求时,将时序数据模型部署至车辆。
在本实施例中,第二控制器基于时序数据模型通过优秀驾驶标准下的驾驶数据,不断训练学习优秀驾驶行为数据,能够使得时序数据模型越来越标准化,以符合多数驾驶员的驾驶习惯,从而形成适合绝大多数人的共性驾驶模式。
在一实施例中,自动驾驶控制方法在执行S30:第二控制器根据场景数据和时序数据生成车辆的第二控制策略的步骤之后包括:
S35:响应于驾驶员调节车辆的第二控制策略,获取车辆当前行驶的个性场景数据;
S36:根据个性场景数据调整车辆的第二控制策略。
在本实施例中,驾驶员对第二控制策略不满意产生人为干预时,根据驾驶员调节的个性场景数据调整车辆的第二控制策略,使得自动驾驶更加接近驾驶员的驾驶行为,还可以随着驾驶时间进行驾驶风格自调节,能够形成个性化的驾驶模式,提高了舒适性和安全性。
在一实施例中,自动驾驶控制方法在执行S36:根据个性场景数据调整车辆的第二控制策略的步骤包括:
S360:对个性场景数据中的场景数据和时序数据依次进行清洗、标注和分类;
S361:基于分类后的数据对时序数据模型进行训练,对训练后的时序数据模型进行测试验证;
S362:部署训练完成的时序数据模型至车辆,通过时序数据模型调整第二控制策略。
在本实施例中,第二控制器基于时序数据模型按照驾驶员的个性化驾驶数据训练学习流程训练个性场景数据,能够使得时序数据模型越来越贴合单车驾驶的驾驶员,符合个性驾驶员的驾驶习惯。
在一实施例中,自动驾驶控制方法在执行S40:响应于对第一控制策略和第二控制策略仲裁,生成车辆的仲裁策略的步骤包括以下至少一项:
S41:在第一控制策略和第二控制策略至少一个控制参数的偏差大于第一阈值时,车辆以第一控制策略作为仲裁策略行驶。
示例性地,将第一控制策略和第二控制策略输出的多个控制参数相互仲裁校验,当至少一个控制参数的偏差大于第一阈值时,车辆按照第一控制策略控制车辆行驶。可选地,本申请对第一阈值的大小不做限定。
S42:在第一控制策略和第二控制策略至少一个控制参数的偏差小于第二阈值时,车辆以第二控制策略作为仲裁策略行驶。
传统控制模型与个性控制模型及共性控制模型为并行输出关系,为了避免训练的个性控制模型及共性控制模型因数据偏差导致训练后的模型在某些场景下输出异常值,离线学习的两个控制器输出结果需要和传统控制器输出结果相互校验,两者输出结果超出一定范围时,认为离线学习训练的模型输出结果异常,此时可以采用传统控制模型的输出结果作为实际控制数据输出。示例性地,将第一控制策略和第二控制策略输出的多个控制参数相互仲裁校验,当至少一个控制参数的偏差小于第二阈值时,车辆按照第二控制策略控制车辆行驶。可选地,本申请对第二阈值的大小不做限定。
S43:在第一控制策略和第二控制策略进行切换时,车辆以平滑处理的方式进行切换。
可选地,为了避免两个控制模型切换时产生抖动,切换输出时可以做斜坡平滑处理。示例性地,车辆以平滑处理的方式切换第一控制策略和第二控制策略,能够防止模型切换过程中出现突变产生抖动。
可续地,车辆平滑处理的步骤可以包括:算法调度周期为Ts,加速度变化率jerk绝对值最大值标定为jerk_max,平滑过度时间为Time3,当切换控制器输出产生突变,即两个周期输出差值超过阈值,t0时刻控制器输出目标加速度Ax_Ctrl1,(t0+1)时刻输出目标加速度Ax_Ctrl2,此时平滑处理逻辑:
(t0+2)时刻最终输出Ax_CtrlRes1=
Ax_Ctrl1+min(jerk_max*Ts,(Ax_Ctrl2-Ax_Ctrl1)/Time3);
(t0+3)时刻最终输出Ax_CtrlRes2=
Ax_CtrlRes1+min(jerk_max*Ts,(Ax_Ctrl2-Ax_CtrlRes1)/(Time3-Ts));
(t0+4)时刻最终输出Ax_CtrlRes3=
Ax_CtrlRes2+min(jerk_max*Ts,(Ax_Ctrl2-Ax_CtrlRes2)/(Time3-2*Ts));
直到Ax_CtrlRes=Ax_Ctrl2,其中Ax_Ctrl2随时间变化。同理,对其他控制参数按照上述计算方法作平滑处理。
在本实施例中,当两个控制模型的输出结果相比,至少一个控制参数的差大于第一阈值时,判断基于时序数据模型的驾驶员个性化控制输出结果不合理,将基于规则的第一控制器计算结果作为最终的控制策略输出,能够提高车辆自动驾驶的稳定性;当至少一个控制参数的差小于第二阈值时,判断基于时序数据模型的驾驶员个性化控制输出结果合理,将第二控制器计算结果作为最终的控制策略输出,能够提高车辆自动驾驶的智能程度,更加贴合驾驶员的个性驾驶行为。可选地,在第一阈值大于第二阈值时,当至少一个控制参数的差在两个阈值之间的共有区间内,可以由第三种模式进行控制,也可以进行控制模式竞合,或者仲裁出一个控制模式。例如大部分时间都是低速行驶,偶然短时达到高速阈值,那就暂时还由低速模式控制。类似地,如果大部分时间是高速行驶,偶然短时间制动到低速阈值,那就暂时还由高速模式控制。可选地,在第一阈值小于第二阈值时,当至少一个控制参数的差在两个阈值之间的空白区间内,可以由第三种模式进行控制,或者在低速模式和高速模式中进行竞合,或者仲裁出一个模式进行控制。例如大部分时间都是低速行驶,偶然短时超出低速阈值但未达到高速阈值,那就暂时还由低速模式控制。类似地,如果大部分时间是高速行驶,偶然短时间制动到低于高速阈值但未达到低速阈值,那就暂时还由高速模式控制。
在一实施例中,自动驾驶控制方法在执行S50:根据仲裁策略控制车辆的驾驶参数的步骤包括:
S51:根据车辆的前轮转角和纵向加速度,根据逆整车模型计算目标驱动扭矩及制动压力中的至少一项。
整车模型是根据驱动力及制动力相关信息与目标车速生成车辆的横纵向加速度及加速度变化率等车况信息。本实施例根据所述车况反馈信息调整制动策略前轮转角结合行驶速度能够求解出横向偏移加速度等数据,前轮转角的变化能够带来横向偏移加速度的变化率等数据。而根据纵向加速度能够确定纵向的加速度变化率等数据。通过整车模型的逆向工程运算能够进一步反向求解目标驱动扭矩及制动压力等控制数据,从而生成对车辆进行相应控制的控制策略。
第二实施例
另一方面,本申请还提供一种存储介质,具体地,存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上所述的基于驾驶员特性的自动驾驶控制方法。
第三实施例
在一智驾控制器实施例中,在智驾控制器中制定换道、起步、跟停、前车切入、上下匝道等典型工况识别策略;在场景识别模块主要负责以下策略:
自车换道识别:自车车速大于V1_min,根据感知系统输出的4条车道线参数(C0:自车与车道线距离),当C0小于Dist1_min时,且方向盘转角绝对值大于StrAng_min,打转向灯(可选项)判断此时为自车换道触发场景;
跟车起步识别:自车车速从静止(0kph)到非静止(车速>V2_min),且本车道前方有车辆目标信息,且距离本车小于Dist2_min,且前车车速在加速行驶,判断此时为跟车起步场景;
平稳跟车识别:当自车车速大于V3_min,且本车道存在车辆目标,且前车车速与自车车速变化小于阈值DeltV1_min,持续时间超过阈值Time1_min,判断此时为稳态跟车行驶场景;
匀速行驶识别:自车车速大于V4_min,且本车道前方Dist3_min范围内没有车辆,持续时间超过阈值Time2_min,判断车辆处于稳态行驶场景;
跟停识别:自车车速在下降,本车道前方Dist4_min范围内存在逐渐减速的车辆,当前车车速降为0时,此时判断为跟停场景;
前车切入识别:自车车速大于阈值V5_min,相邻左侧或右侧存在车辆目标,且目标距离小于Dist5_min,当跟车目标从本车道目标ID变为相邻车道切入的目标ID时,此时判断为前车切入场景;
前车切出识别:自车车速大于阈值V6_min,本车行驶车道内前方Dist6_min范围内存在车辆,当本车行驶车道前方目标变为相邻车道目标时,此时判断前车为切出场景;
上匝道识别:根据高精地图输出地理信息,以及车辆航向或导航信息,判断当前车辆处于上匝道场景;
下匝道识别:根据高精地图输出地理信息,以及车辆航向或导航信息,判断当前车辆处于下匝道场景。
在驾驶员驾驶车辆的过程中,识别以上典型场景,取出驾驶员有关的关键指标。关键指标包括车辆速度、加速度、jerk(加速度变化率)、方向盘转角、方向盘转速、横摆角速度等。
对典型场景数据可以根据云端已采集数据判断是否需要再次上传该场景的数据,如果需要,则对该次场景数据进行打包上传云端,存储到数据库中用来训练学习;否则不上传云端。具体判断是否需要上传的策略可以为:当云端存储足够多的某场景下的数据且该数据指标无明显变化时,可以不上传数据至云端。否则进行上传数据操作。
图2为本申请一实施例的基于驾驶员特性的控制流程图。
请参考图2,在本实施例中,驾驶员特性学习包括两部分:在线学习和离线学习。
在线学习是对表征驾驶员的统计指标,在智驾控制器端进行学习后自动重新标定控制器相关指标,属于驾驶员特性的浅学习;由于驾驶行为随着时间是会变化的,通过在线学习方法对驾驶员实时驾驶风格学习,紧跟动态变化的驾驶行为。在驾驶员操作车辆行驶时,对行驶过程中的关键指标在线更新,实时修正模型标定参数,得到不同的控制风格。
离线学习属于驾驶员特性深学习;分为驾驶行为个性化学习和驾驶行为共性化学习,驾驶员个性化学习是只对该驾驶员上传的时序数据进行训练,训练后的控制模型为个性化控制器;对驾驶习惯良好的驾驶员上传的时序数据进行训练,训练后的控制器模型为共性化控制器;离线学习后的模型,将下发车端智驾控制器参与车端轨迹跟踪控制。
识别车辆、环境、道路等多维度信息,调整驾驶风格指标。例如,对PID、MPC等控制参数进行调整,适配不同风格下的驾驶行为。
1.车辆信息包括:根据是否扎安全带判断副驾以及后排是否有乘客,当有乘客时,特别时有易晕车乘客时,在轨迹跟踪和跟车安全前提下,尽可能降低jerk和横纵向加速度的最大最小值,提高乘坐舒适性,降低跟车或跟踪轨迹灵敏度;
2.环境信息包括:根据雨刮、大灯、温度传感器等判断车辆行驶在雨天、雾天、雪天等,特别时处于雨雪天气时在跟车时提高跟车距离,行驶过程中限制最高行驶车速,轨迹跟踪控制过程中,降低横摆角速度;
3.道路信息可以包括:
A.根据后台数据分析,当车辆行驶到驾驶员陌生区域,采取保守性驾驶行为;当车辆行驶到驾驶员熟悉区域,驾驶风格调整到正常模式;
B.根据高精地图或导航信息,得到车辆是否行驶在“三高”道路或者城市道路或者乡村道路,在乡村道路上提高控制灵敏度,提高减速时响应灵敏度和制动最大减速度。
在本实施例中,对规划好的路径,在控制车辆沿目标轨迹行驶时,根据不同风格驾驶行为下的指标进行计算得到期望方向盘转角与加速度。
传统控制器和个性化控制器及共性化控制器为并行输出关系,为避免训练的模型因数据有限导致训练的模型在某些场景下输出异常值,离线学习的两个控制器输出结果需要和传统控制器输出结果相互校验,两者输出结果超过一定范围时(可标定),认为离线学习控制器输出异常,此时采用传统控制器计算结果作为期望输出,当离线学习控制器,为避免两个控制器切换时产生抖动,切换输出时做斜坡平滑处理。
以下对各模型的控制方法进行说明。
在基于模型控制方法中,车辆控制方法主要采用PID、MPC等成熟算法。车辆横向控制采用MPC控制方法。在较低的车速例如小于30kph时可以采用运动学模型控制横纵向的驾驶参数。状态量为[X,Y,Φ]分别为X,Y位置坐标点偏差和航向角偏差。
可选地,横向控制器基于运动学模型的算法可以为:状态量为[x,y,φ]分别为x,y位置坐标点偏差和航向角偏差。
其中,状态向量和控制向量分别为:
Ts为单步运行时长,Vr为参考车速,φ为参考航向角,L为自车轴距,δ为前轮平均转角。
在较高车速如大于30kph时,可以采用2DOF动力学模型控制横向。
状态量为分别为规划轨迹点横向偏差,横向偏差变化率,与规划点航向盘偏差,航向角偏差变化率;状态空间矢量: 其中,φdes为道路半径R决定的理论横摆角速度,k1、k2分别为前后轴侧偏刚度,m为汽车整备质量,vx为自车纵向车速,a、b分别为前后轴与质心距离,Iz为车辆绕z轴的转动惯量。
展开后如下矩阵所示:
对以上模型进行离散化:
对A项式进行双线性离散化,对B1、B2进行前项欧拉离散化;
中高车速时纵向控制可以采用双闭环控制,控制量分别为纵向距离偏差和速度偏差。基于传统模型控制流程可以包括以下至少一项:
1.智驾控制器上层控制输出一系列参考轨迹点S1、S2、…,Sn,输出车辆状态、环境信息、目标信息、道路信息等数据。
2.DCCS控制器根据上层控制输出信息,识别当前车辆行驶场景。
3.驾驶员特性自辨识模块在线识别驾驶员关键指标,加速度,jerk(加速度变化率),方向盘转角、方向盘转速,车速,横摆角速度等指标的最大值、最小值、中点值、均值、方差。
4.识别出以上指标后将结果信息输出给仲裁模块和横向控制器(基于运动学MPC控制器和基于动力学MPC控制器)。
5.横向控制器在优化求解时根据驾驶员特性指标设置横、纵向加速度和变化率进行限制;在设置Q、R矩阵时根据驾驶员特性参数设置矩阵参数。
6.纵向控制器根据目标位置与当前位置偏差作为位置闭环控制(外环),目标速度和当前自车车速作为速度闭环控制(内环),输出目标纵向加速度给仲裁模块。
7.仲裁模块接收驾驶员特性参数辨识模块发出的特性参数和横纵向控制器输出结果,对传统控制器和基于数据训练的模型进行相互校验,当两者输出偏差超过一定阈值,判断基于驾驶员特性控制器输出不合理,将传统控制器计算结果作为最终横向控制输出。
8.纵向控制器为双闭环PID控制时,将输出目标加速度和加速度变化率根据驾驶员参数辨识模块辨识结果进行限幅,输出最终目标加速度。
9.将最终得到的前轮转角和纵向加速度,根据逆整车模型计算得到目标驱动扭矩或制动压力。
10.将输出结果平滑处理,防止车辆运行过程出现突变产生抖动。
图3为本申请一实施例的基于时序数据模型的训练流程图。
请参阅图3,在一实施例中,基于时序数据模型的训练控制方法包括:
模型的输入维度包括:车身周围9个识别场景的车辆目标等信息,车辆速度、加速度、jerk、方向盘转角、方向盘转速等车辆基础信息,导航、天气、道路等环境信息以及相对时间戳。
模型的输出维度包括:方向盘转角,期望加速度。
训练方法包括但不限于LSTM。
训练后的模型部署到车端智能驾驶控制器中。
当实际为个性化控制模型控制车辆行驶时,驾驶员对控制行为不满意产生人为干预时,将该数据信息上传云端纠正训练模型,使得模型越来越智能化人性化。
个性化模型训练流程如下所示:
在驾驶员操作车辆行驶过程中,识别典型场景数据根据上传策略上传;
由于在数据上传时已有初步标签(如在跟停场景下的数据,此时会有一个标签标记该段数据的场景类型),此时在云端进行自动化的数据与标注初步分类清洗处理,剔除低质量数据段;
由于车端基于规则建立的场景识别策略,由于特殊情况下或者传感器故障导致对应场景下的数据并不准确,此时需要人工核对并进行场景细标注,对数据打上ID和其余所需标签(如天气、道路类型等);
对细标注后的数据进行分类存储,用于不同场景的训练学习;
初步选择数据中:车身周围9个目标等信息,车辆速度、加速度、jerk、方向盘转角、方向盘转速等车辆基础信息,导航、天气、道路等环境信息以及相对时间戳作为模型输入;
对训练后的模型进行测试验证,当模型训练效果符合量产需求时,将模型在线升级下发到车端智驾控制器中;
在训练的模型在控制车辆行驶过程中,驾驶员对当前控制效果不满意进行干预,记录下此时场景下的数据段,上传至云端,重复上述流程。
共性化模型训练流程如下所示:
在多车上传典型场景数据至云端后,选择优秀驾驶行为作为目标训练数据;
由于在数据上传时已有初步标签(如在跟停场景下的数据,此时会有一个标签标记该段数据的场景类型),此时在云端进行自动化的数据与标注初步分类清洗处理,剔除低质量数据段;
由于车端基于规则建立的场景识别策略,由于特殊情况下或者传感器故障导致对应场景下的数据并不准确,此时需要人工核对并进行场景细标注,对数据打上ID和其余所需标签(如天气、道路类型等);
对细标注后的数据进行分类存储,用于不同场景的训练学习;
初步选择数据中:车身周围9个车辆目标等信息,车辆速度、加速度、jerk、方向盘转角、方向盘转速等车辆基础信息,导航、天气、道路等环境信息以及相对时间戳作为模型输入;
对训练后的模型进行测试验证,当模型训练效果符合量产需求时,将模型在线升级下发到车端智驾控制器中;
在训练的模型在控制车辆行驶过程中,驾驶员对当前控制效果不满意进行干预,记录下此时场景下的数据段,上传至云端,重复上述流程。
如上所述,本申请提供的基于驾驶员特性的自动驾驶控制方法和存储介质提高辅助驾驶功能被大众的可接受度;自动驾驶时由于驾驶行为由于更接近驾驶人,使得舒适性更高,安全性更高;驾驶风格会考虑到易于晕车乘客而行驶的更为平滑;驾驶风格考虑天气或道路条件变得较为保守;当驾驶员频繁干预第二控制策略时,第二控制器会推荐优秀驾驶控制方法,并逐步提高驾驶员驾驶技能。
需要说明的是,在本申请中,采用了诸如S10、S20等步骤代号,其目的是为了更清楚简要地表述相应内容,不构成顺序上的实质性限制,本领域技术人员在具体实施时,可能会先执行S20后执行S10等,但这些均应在本申请的保护范围之内。
在本申请提供的存储介质的实施例中,可以包含任一上述方法实施例的全部技术特征,说明书拓展和解释内容与上述方法的各实施例基本相同,在此不再做赘述。
本申请实施例还提供一种计算机程序产品,计算机程序产品包括计算机程序代码,当计算机程序代码在计算机上运行时,使得计算机执行如上各种可能的实施方式中的方法。
本申请实施例还提供一种芯片,包括存储器和处理器,存储器用于存储计算机程序,处理器用于从存储器中调用并运行计算机程序,使得安装有芯片的设备执行如上各种可能的实施方式中的方法。
可以理解,上述场景仅是作为示例,并不构成对于本申请实施例提供的技术方案的应用场景的限定,本申请的技术方案还可应用于其他场景。例如,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例设备中的单元可以根据实际需要进行合并、划分和删减。
在本申请中,对于相同或相似的术语概念、技术方案和/或应用场景描述,一般只在第一次出现时进行详细描述,后面再重复出现时,为了简洁,一般未再重复阐述,在理解本申请技术方案等内容时,对于在后未详细描述的相同或相似的术语概念、技术方案和/或应用场景描述等,可以参考其之前的相关详细描述。
在本申请中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本申请技术方案的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本申请记载的范围。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于驾驶员特性的自动驾驶控制方法,其特征在于,包括:
响应于识别车辆行驶场景,生成包括关键指标的场景数据,并获取驾驶员操作关键指标的时序数据;
第一控制器根据所述场景数据和所述时序数据生成所述车辆的第一控制策略;
第二控制器根据所述场景数据和所述时序数据生成所述车辆的第二控制策略;
响应于对所述第一控制策略和所述第二控制策略仲裁,生成所述车辆的仲裁策略;
根据所述仲裁策略控制所述车辆的驾驶参数。
2.如权利要求1所述的自动驾驶控制方法,其特征在于,所述第一控制器根据所述场景数据和所述时序数据生成所述车辆的第一控制策略的步骤包括以下至少一项:
在车辆速度小于第一速度阈值时,建立所述车辆的运动学模型,所述第一控制器基于所述运动学模型调节所述关键指标,生成所述车辆的第一控制策略;
在所述车辆速度大于第二速度阈值时,建立所述车辆的动力学模型和双闭环控制模型,所述第一控制器基于所述动力学模型和所述双闭环控制模型调节所述关键指标,生成所述车辆的第一控制策略;
响应于获取所述车辆的人员信息、环境信息和道路信息,调整所述第一控制策略。
3.如权利要求2所述的自动驾驶控制方法,其特征在于,所述第一控制器根据所述场景数据和所述时序数据生成所述车辆的第一控制策略包括:
根据目标路径输出控制信息,所述控制信息包括多个参考轨迹点、车辆状态、环境信息、目标信息、目标速度和道路信息;
根据所述控制信息,识别当前车辆行驶场景,所述车辆行驶场景包括当前位置和当前速度,并获取驾驶员的关键指标,所述关键指标选自车辆速度、加速度、加速度变化率、方向盘转角、方向盘转速、横摆角速度的最大值、最小值、中点值、均值和方差的至少一项;
其中,所述在车辆速度小于第一速度阈值时,建立所述车辆的运动学模型,所述第一控制器基于所述运动学模型调节所述关键指标,生成所述车辆的第一控制策略的步骤包括:
根据所述车辆行驶场景和所述关键指标,控制基于运动学模型的横向控制器生成目标横向加速度、横向加速度变化率、目标纵向加速度、纵向加速度变化率和矩阵参数;
和/或,所述在车辆速度大于第二速度阈值时,建立所述车辆的动力学模型和双闭环控制模型,所述第一控制器基于所述动力学模型和所述双闭环控制模型调节所述关键指标,生成所述车辆的第一控制策略的步骤包括:
根据所述车辆行驶场景和所述关键指标,控制基于动力学模型的横向控制器生成设置目标横向加速度、横向加速度变化率和矩阵参数;
根据所述目标信息与所述当前位置的偏差作为位置闭环控制指标,根据所述目标速度和所述当前速度的偏差作为速度闭环控制指标,以控制纵向控制器生成目标纵向加速度和纵向加速度变化率。
4.如权利要求1所述的自动驾驶控制方法,其特征在于,所述第二控制器根据所述场景数据生成所述车辆的第二控制策略的步骤之前包括:
基于时间循环神经网络建立时序数据模型;
基于所述场景数据和所述时序数据对所述时序数据模型进行训练;
基于所述时序数据模型的输出维度确定控制参数;
根据所述控制参数生成所述第二控制策略。
5.如权利要求4所述的自动驾驶控制方法,其特征在于,所述基于所述场景数据和所述时序数据对所述时序数据模型进行训练的步骤包括:
收集多个驾驶员的所述场景数据和所述时序数据,基于优秀驾驶标准筛选优秀驾驶行为数据;
基于场景识别策略,对所述优秀驾驶行为数据进行场景标注;
对所述场景标注的数据进行分类,以对所述时序数据模型进行不同场景的训练学习,并对训练后的时序数据模型进行测试验证;
当所述时序数据模型的训练效果符合量产需求时,将所述时序数据模型部署至所述车辆。
6.如权利要求5所述的自动驾驶控制方法,其特征在于,所述第二控制器根据所述场景数据和所述时序数据生成所述车辆的第二控制策略的步骤之后包括:
响应于所述驾驶员调节所述车辆的第二控制策略,获取所述车辆当前行驶的个性场景数据;
根据所述个性场景数据调整所述车辆的第二控制策略。
7.如权利要求6所述的自动驾驶控制方法,其特征在于,所述根据所述个性场景数据调整所述车辆的第二控制策略的步骤包括:
对所述个性场景数据中的场景数据和时序数据依次进行清洗、标注和分类;
基于分类后的数据对所述时序数据模型进行训练,对训练后的时序数据模型进行测试验证;
部署训练完成的时序数据模型至所述车辆,通过所述时序数据模型调整所述第二控制策略。
8.如权利要求1-7任一项所述的自动驾驶控制方法,其特征在于,所述响应于对所述第一控制策略和所述第二控制策略仲裁,生成所述车辆的仲裁策略的步骤包括以下至少一项:
在所述第一控制策略和所述第二控制策略的至少一个控制参数的偏差大于第一阈值时,所述车辆以所述第一控制策略作为所述仲裁策略行驶;
在所述第一控制策略和所述第二控制策略的至少一个控制参数的偏差小于第二阈值时,所述车辆以所述第二控制策略作为所述仲裁策略行驶;
在所述第一控制策略和所述第二控制策略进行切换时,所述车辆以平滑处理的方式进行切换。
9.如权利要求1-7任一项所述的自动驾驶控制方法,其特征在于,所述根据所述仲裁策略控制所述车辆的驾驶参数的步骤包括:
根据所述车辆的前轮转角和纵向加速度,根据逆整车模型计算目标驱动扭矩及制动压力中的至少一项。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的基于驾驶员特性的自动驾驶控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363523.3A CN115649197A (zh) | 2022-11-02 | 2022-11-02 | 基于驾驶员特性的自动驾驶控制方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363523.3A CN115649197A (zh) | 2022-11-02 | 2022-11-02 | 基于驾驶员特性的自动驾驶控制方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115649197A true CN115649197A (zh) | 2023-01-31 |
Family
ID=84996014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211363523.3A Pending CN115649197A (zh) | 2022-11-02 | 2022-11-02 | 基于驾驶员特性的自动驾驶控制方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115649197A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116118783A (zh) * | 2023-04-04 | 2023-05-16 | 深圳曦华科技有限公司 | 自动驾驶域控制器实现行车数据优化的方法及装置 |
-
2022
- 2022-11-02 CN CN202211363523.3A patent/CN115649197A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116118783A (zh) * | 2023-04-04 | 2023-05-16 | 深圳曦华科技有限公司 | 自动驾驶域控制器实现行车数据优化的方法及装置 |
CN116118783B (zh) * | 2023-04-04 | 2023-08-08 | 深圳曦华科技有限公司 | 自动驾驶域控制器实现行车数据优化的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111434554B (zh) | 基于乘客和环境感知驾驶风格简档来控制自主车辆 | |
CN108995655B (zh) | 一种驾驶员驾驶意图识别方法及系统 | |
CN104859650B (zh) | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 | |
CN110304074B (zh) | 一种基于分层状态机的混合式驾驶方法 | |
US8260515B2 (en) | Adaptive vehicle control system with driving style recognition | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
US7831407B2 (en) | Adaptive vehicle control system with driving style recognition based on vehicle U-turn maneuvers | |
CN108995653A (zh) | 一种驾驶员驾驶风格识别方法及系统 | |
CN113165652A (zh) | 使用基于网格的方法检验预测轨迹 | |
US20100023265A1 (en) | Adaptive vehicle control system with integrated driving style recognition | |
US20100152951A1 (en) | Adaptive vehicle control system with driving style recognition based on vehicle accelerating and decelerating | |
CN102951147B (zh) | 用于机动车的弯道预警的方法和装置 | |
US20100023197A1 (en) | Adaptive vehicle control system with driving style recognition based on behavioral diagnosis | |
CN113291308A (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 | |
US20100023182A1 (en) | Adaptive vehicle control system with driving style recognition based on maneuvers at highway on/off ramps | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
US20100023216A1 (en) | Adaptive vehicle control system with driving style recognition based on vehicle left/right turns | |
WO2019134110A1 (en) | Autonomous driving methods and systems | |
CN109145719A (zh) | 一种驾驶员疲劳状态识别方法及系统 | |
CN113370996B (zh) | 自动驾驶换道跟驰决策方法及系统、自动驾驶车辆 | |
CN112896188B (zh) | 一种考虑前车遭遇的自动驾驶决策控制的系统 | |
CN112677982B (zh) | 基于驾驶员特性的车辆纵向速度规划方法 | |
CN114117829B (zh) | 极限工况下人-车-路闭环系统动力学建模方法及系统 | |
CN115649197A (zh) | 基于驾驶员特性的自动驾驶控制方法和存储介质 | |
CN110320916A (zh) | 考虑乘员感受的自动驾驶汽车轨迹规划方法及系统 |
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 |