CN115909780B - 基于智能网联与rbf神经网络的高速路汇入控制系统与方法 - Google Patents
基于智能网联与rbf神经网络的高速路汇入控制系统与方法 Download PDFInfo
- Publication number
- CN115909780B CN115909780B CN202211397140.8A CN202211397140A CN115909780B CN 115909780 B CN115909780 B CN 115909780B CN 202211397140 A CN202211397140 A CN 202211397140A CN 115909780 B CN115909780 B CN 115909780B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- ramp
- speed
- ideal
- acceleration
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000006855 networking Effects 0.000 title claims description 10
- 230000008676 import Effects 0.000 title abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 39
- 230000003993 interaction Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 46
- 238000006073 displacement reaction Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 6
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于智能网联与RBF神经网络的高速路汇入控制系统，包括车载终端、路侧单元、人机交互单元、交通信息中心，车载终端配置于智能网联车辆，智能网联车辆行驶在高速路上，车载终端内设置有车内传感器模块、第一通讯模块和车内控制模块；路侧单元设置于高速路匝道的外侧，路侧单元包括车辆传感器模块和第二通讯模块；人机交互单元配置于匝道车辆R，人机交互单元包括第三通讯模块和交互模块；交通信息中心包括通信单元、边缘计算单元和合流程序控制模块，边缘计算单元内设置有RBF神经网络预测模型。本发明采用上述步骤的基于智能网联与RBF神经网络的高速路汇入控制系统与方法，引导传统人工驾驶车辆安全且高效地汇入高速路行车道。
Description
技术领域
本发明涉及智能交通安全控制技术领域，尤其是涉及基于智能网联与 RBF神经网络的高速路汇入控制系统与方法。
背景技术
随着新一轮科技革命和产业变革加速演进，智能交通已成为现代交通发展的重要方向并强调加强智能网联汽车、自动驾驶、车路协同等领域技术研发。
智能网联汽车是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信和网络技术，实现车与X(X指人、车、路、云等)智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现安全、节能、高效、舒适行驶，并最终可实现替代人来操作的新一代汽车。
人工神经网络(ANN)，又称神经网络或者类神经网络，通过模拟信息在人类大脑中的处理方式实现的模拟逻辑算法。目前人工神经网络的结构包含输入层、隐藏层、输出层。输入层负责接收外部的信息和数据；隐藏层负责对信息进行处理，不断调整神经元之间的连接属性，如权值、反馈等；输出层负责对计算的结果进行输出。由于人工神经网络具有重现和建模非线性过程的能力，因此在许多学科中都有应用。径向基函数神经网络(RadialBasis Function Neural Network，RBF神经网络)是一类常用的三层前馈网络，既可用于函数逼近，也可用于模式分类。与其他类型的人工神经网络相比，RBF 网络有生理学基础，结构简单，学习速度快，优良的逼近性能和泛化能力等特点。
入口匝道路段一直是高速公路上重要路段之一，交通事故频发，损害了人民生命财产的安全。在入口匝道合流区，主干道车辆速度最低限速60km/h，匝道最高限速40km/h，匝道车辆需要在加速车道上迅速加速到适当速度后变道汇入。人类驾驶员对交通环境的数值化理解程度远不及智能车辆，一般只能依靠经验，凭借感觉加速汇入，容易造成行车道车辆减速甚至追尾，也容易错过良好的汇入时机，因此事故风险往往较大且不利于整体交通效率。另外，针对传统交通系统走向智能交通系统，自动驾驶车辆必将逐渐代替现有的传统人工车辆，由于自动驾驶技术的完善与普及需要相当长的一段时间，可预见在未来必将出现长期的智能网联车辆与传统人工车辆共同存在的混行交通环境。需要针对混行交通环境，处理智能网联车辆与传统人工车辆的矛盾问题。现有的发明多着眼于于拥堵路况，缺乏解决自由交通流、较快车速下和混行交通环境下的加速汇入问题。
发明内容
本发明的目的是提供基于智能网联与RBF神经网络的高速路汇入控制系统与方法，引导传统人工驾驶车辆安全且高效地汇入高速路行车道。
为实现上述目的，本发明提供了基于智能网联与RBF神经网络的高速路汇入控制系统，包括车载终端、路侧单元、人机交互单元、交通信息中心，
所述车载终端配置于智能网联车辆，所述智能网联车辆行驶在高速路上，所述车载终端内设置有车内传感器模块、第一通讯模块和车内控制模块；
所述路侧单元设置于高速路匝道的外侧，所述路侧单元包括车辆传感器模块和第二通讯模块；
所述人机交互单元配置于匝道车辆，所述人机交互单元包括第三通讯模块和交互模块；
所述交通信息中心包括通信单元、边缘计算单元和合流程序控制模块，所述边缘计算单元内设置有RBF神经网络预测模型，所述通信单元与所述第一通信模块、所述第二通信模块、所述第三通信模块通信连接。
优选的，所述车内传感器模块用于检测智能网联车辆的行驶状态参数，所述行驶状态参数包括智能网联车辆的速度、位移、距离合流点的距离、加速度，所述车内控制模块对智能网联车辆的行驶状态参数进行控制。
优选的，所述车辆传感器模块用于检测匝道车辆的行驶状态参数，所述行驶状态参数包括匝道车辆R的速度、位移、距离合流点的距离、加速度。
优选的，所述交互模块为智能移动设备、车用显示屏或平视显示系统，所述交互模块用于驾驶员进行辅助申请操作并为驾驶员提供驾驶引导。
优选的，所述边缘计算单元和所述合流程序控制模块接收所述车辆传感器模块和所述车内传感器模块分别检测到的智能网联车辆和匝道车辆的行驶状态参数，所述合流程序控制模块用于计算匝道车辆合流所需的加速度、速度和时间，并输出控制指令和执行合流程序；所述RBF神经网络预测模型由以往两次加速数据以及本次加速的前T/2秒的加速数据作为训练集，预测匝道车辆的理想位移误差eR与车速；所述通信单元用于与所述车载终端、所述路侧单元和所述人机交互单元进行信息交换。
基于智能网联与RBF神经网络的高速路汇入控制方法，步骤如下：
S1、匝道车辆R行驶至匝道末段的申请区时，驾驶员对交互模块主动操作，向位于高速路上辅助应答区内的智能网联车辆发送汇入辅助申请，应答申请的智能网联车辆称为辅助车F，辅助车F前方的另一智能网联车辆成为引导车L，当判断引导车L不存在时，匝道车辆R自行汇入高速路；
S2、当判断辅助车F和引导车L均存在时，合流程序控制模块根据高速路状况和匝道状况确定理想合流点D的位置，并根据各车辆的行驶状态参数计算匝道车辆R的理想加速度和合流时间，
以无穷远处的某一点为原点O，以车流汇聚的方向为正方向建立x轴，t0时理想合流点D在x轴上的投影位置为d，引导车L在x轴上的投影位置为xL(t0)，匝道车辆R在x轴上的投影位置xR(t0)，分别表示理想合流点D、引导车L和匝道车辆R距离原点O的距离；令t0时辅助车F的速度为vF(t0)，引导车L的速度为vL(t0)，匝道车辆R的速度为vR(t0)，可以得到，
合流时间T，T表示匝道车辆R从开始加速至到达理想合流点D所用的时间：
其中，表示匝道车辆R的理想汇入位置，是指位于引导车L后方安全距离上的一个移动的位置，跟随引导车L进行移动，T时刻，理想汇入位置/>与理想合流点D重合，/>满足：
匝道车辆R的理想加速度满足：
匝道车辆R理想汇入速度满足：
在整个合流过程中，引导车L的速度保持不变，所以vL(t0)＝vL(t0+T)；
T、和/>满足：
t2＝T-t1；
其中，vi(t)为i车t时刻速度，xi(t)为i车t时刻的位移；t1代表加速段时间，t2代表匀速段时间，h为安全车头时距，s为安全停车间距，这里的速度、加速度和位移均为车辆运行过程中投影到x方向的分量；
S3、通过人机交互单元引导匝道车辆R的驾驶员按照理想加速度的引导操作加速踏板，以使匝道车辆R尽可能以理想加速度/>在加速车道段加速，并在理想汇入速度的引导下进行速度调整，以尽可能达到理想汇入速度/>
S4、由路侧单元测量得到的匝道车辆R的位移、车速、车辆加速度、即时车辆与理想车速差值、即时加速度与理想加速度差值数据传输到交通信息中心，作为RBF神经网络模型的输入层，预测匝道车辆R的理想位移误差eR与车速，将算法模型的输出发送至辅助车F，
合流程序控制模块控制辅助车F和引导车L为匝道车辆R创造汇入间隙 g，汇入间隙g为匝道车辆R与辅助车F、与引导车L之间应保持的安全距离之和，并同时考虑匝道车辆R的车长，g满足：
g＝vF(t0+T)×h+s+eR+l+vL(t0+T)×h+s；
S5、判断辅助车F具有减速条件，即满足安全的汇入间隙条件时，辅助车F上的车内控制模块控制辅助车F增加汇入间隙，以弥补误差距离，达到匝道车辆R合流时的安全间隙条件并逼近匝道车辆R车速；
判断辅助车F不具有减速条件时，辅助车F保持现有汇入间隙；
S6、驾驶员自行进行变道操作完成汇入。
因此，本发明采用上述结构的基于智能网联与RBF神经网络的高速路汇入控制系统与方法，通过智能车辆为传统人工驾驶的匝道车辆制造安全的汇入间隙并且引导驾驶员做加速操作和速度引导，通过RBF神经网络模型预测并规避不稳定的人为因素，使匝道车辆安全高效的汇入高速路行车道。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明基于智能网联与RBF神经网络的高速路汇入控制系统实施例的框架结构图；
图2为本发明实施例的匝道车辆R汇入高速路示意图；
图3为本发明实施例的理想汇入间隙示意图；
图4为本发明基于智能网联与RBF神经网络的高速路汇入控制方法实施例的步骤示意图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
实施例
如图1所示，基于智能网联与RBF神经网络的高速路汇入控制系统，包括车载终端(On Board Unit，OBU)、路侧单元(Road Side Unit，RSU)、人机交互单元(Human-ComputerInteraction Unit，HCIU)、交通信息中心(Transportation Operation Center，TOC)。
车载终端配置于智能网联车辆，智能网联车辆行驶在高速路上，车载终端内设置有车内传感器模块、第一通讯模块和车内控制模块；车内传感器模块用于检测智能网联车辆的行驶状态参数，行驶状态参数包括智能网联车辆的速度、位移、距离合流点的距离、加速度，车内控制模块对智能网联车辆的速度和加速度进行控制。第一通讯模块实现与交通信息中心的信息交换，并向车内控制模块传达指令。
路侧单元设置于高速路匝道的外侧，路侧单元包括车辆传感器模块和第二通讯模块；车辆传感器模块用于检测匝道车辆的行驶状态参数，行驶状态参数包括匝道车辆的速度、位移、距离合流点的距离、加速度。第二通讯模块实现与交通信息中心的信息交换。
人机交互单元配置于匝道车辆，人机交互单元包括第三通讯模块和交互模块；交互模块为智能移动设备、车用显示屏或平视显示系统，交互模块用于驾驶员进行辅助申请操作并为驾驶员提供驾驶引导。第三通讯模块实现与交通信息中心的信息交换。
交通信息中心包括通信单元、边缘计算单元和合流程序控制模块，边缘计算单元和合流程序控制模块接收车辆传感器模块和车内传感器模块分别检测到的智能网联车辆和匝道车辆的行驶状态参数。合流程序控制模块用于计算匝道车辆合流所需的加速度、速度和时间，并输出控制指令和执行合流程序。边缘计算单元内设置有RBF神经网络预测模型，所述RBF神经网络预测模型由以往两次加速数据以及本次加速的前T/2秒的加速数据作为训练集，预测匝道车辆的理想位移误差eR与车速；通信单元与第一通信模块、第二通信模块、第三通信模块通信连接，用于与车载终端、路侧单元和人机交互单元进行信息交换。
基于智能网联与RBF神经网络的高速路汇入控制方法，如图4所示，步骤如下：
S1、匝道车辆R行驶至匝道末段的申请区时，驾驶员对交互模块主动操作，向位于高速路上辅助应答区内的智能网联车辆发送汇入辅助申请，应答申请的智能网联车辆称为辅助车F，辅助车F前方的另一智能网联车辆成为引导车L，当判断引导车L不存在时，匝道车辆R自行汇入高速路；
S2、当判断辅助车F和引导车L均存在时，合流程序控制模块根据高速路状况和匝道状况确定理想合流点D的位置，并根据各车辆的行驶状态参数计算匝道车辆R的理想加速度和合流时间。
如图2所示，以无穷远处的某一点为原点O，以车流汇聚的方向为正方向建立x轴，t0时理想合流点D在x轴上的投影位置为d，引导车L在x轴上的投影位置为xL(t0)，匝道车辆R在x轴上的投影位置xR(t0)，分别表示理想合流点D、引导车L和匝道车辆R距离原点O的距离；令t0时辅助车F的速度为vF(t0)，引导车L的速度为vL(t0)，匝道车辆R的速度为vR(t0)，可以得到：
合流时间T，T表示匝道车辆R从开始加速至到达理想合流点D所用的时间。合流程序控制模块根据高速公路状况和匝道状况先确定理想合流点D 的位置。在T时间内，引导车L从xL(t0)行驶到合流点D前方。引导车L的速度在整个合流过程中保持不变，所以引导车L的后方的安全距离上始终存在一个匝道车辆R的理想汇入位置，跟随引导车L进行移动。令理想汇入位置为T时刻理想汇入位置/>与理想合流点D重合，则/>满足：
T满足：
匝道车辆R的理想加速度满足：
匝道车辆R理想汇入速度满足：
在整个合流过程中，引导车L的速度保持不变，所以vL(t0)＝vL(t0+T)；
T、和/>满足匝道车辆R的位移公式：
t2＝T-t1；
其中，vi(t)为i车t时刻速度，xi(t)为i车t时刻的位移；t1代表加速段时间，t2代表匀速段时间，h为安全车头时距，s为安全停车间距，这里的速度、加速度和位移均为车辆运行过程中投影到x方向的分量。安全车头时距h和安全停车间距s根据车辆性能和路况预先设定。
S3、通过人机交互单元引导匝道车辆R的驾驶员按照理想加速度的引导操作加速踏板，以使匝道车辆R尽可能以理想加速度/>在加速车道段加速，并在理想汇入速度的引导下进行速度调整，以尽可能达到理想汇入速度/>
S4、由路侧单元测量得到的匝道车辆R的位移、车速、车辆加速度、即时车辆与理想车速差值、即时加速度与理想加速度差值数据传输到交通信息中心，作为RBF神经网络模型的输入层，预测匝道车辆R的理想位移误差eR与车速，将算法模型的输出发送至辅助车F，
合流程序控制模块控制辅助车F和引导车L为匝道车辆R创造汇入间隙 g，如图3所示，汇入间隙g为匝道车辆R与辅助车F、与引导车L之间应保持的安全距离之和，并同时考虑匝道车辆R的车长l，g满足：
g＝VF(t0+T)×h+s+eR+l+vL(t0+T)×h+s；
S5、判断辅助车F具有减速条件，即满足安全的汇入间隙条件时，辅助车F上的车内控制模块控制辅助车F增加汇入间隙，以弥补误差距离，达到匝道车辆R合流时的安全间隙条件并逼近匝道车辆R车速；
判断辅助车F不具有减速条件时，辅助车F保持现有汇入间隙；
S6、驾驶员自行进行变道操作完成汇入。
因此，本发明采用上述结构的基于智能网联与RBF神经网络的高速路汇入控制系统与方法，通过智能车辆为传统人工驾驶的匝道车辆制造安全的汇入间隙并且引导驾驶员做加速操作和速度引导，通过RBF神经网络模型预测并规避不稳定的人为因素，使匝道车辆安全高效的汇入高速路行车道。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (5)
1.基于智能网联与RBF神经网络的高速路汇入控制方法，其特征在于：步骤如下：
S1、匝道车辆R配置人机交互单元，人机交互单元包括第三通讯模块和交互模块，匝道车辆R行驶至匝道末段的申请区时，驾驶员对交互模块主动操作，向位于高速路上辅助应答区内的智能网联车辆发送汇入辅助申请，智能网联车辆内配置车载终端，车载终端内设置有有车内传感器模块、第一通讯模块和车内控制模块，应答申请的智能网联车辆称为辅助车F，辅助车F前方的另一智能网联车辆成为引导车L，当判断引导车L不存在时，匝道车辆R自行汇入高速路；
S2、当判断辅助车F和引导车L均存在时，由交通信息中心内的合流程序控制模块根据高速路状况和匝道状况确定理想合流点D的位置，并根据各车辆的行驶状态参数计算匝道车辆R的理想加速度和合流时间，
以无穷远处的某一点为原点O，以车流汇聚的方向为正方向建立x轴，时理想合流点D在x轴上的投影位置为d，引导车L在x轴上的投影位置为/>，匝道车辆R在x轴上的投影位置/>，分别表示理想合流点D、引导车L和匝道车辆R距离原点O的距离；令/>时辅助车F的速度为/>，引导车L的速度为/>，匝道车辆R的速度为/>，可以得到，
合流时间T，T表示匝道车辆R从开始加速至到达理想合流点D所用的时间：
；
其中，表示匝道车辆R的理想汇入位置，是指位于引导车L后方安全距离上的一个移动的位置，跟随引导车L进行移动，T时刻，理想汇入位置/>与理想合流点D重合，满足：
；
匝道车辆R的理想加速度满足：
；
匝道车辆R理想汇入速度满足：
；
在整个合流过程中，引导车L的速度保持不变，所以；
、/>和/>满足：
；
；
其中，为i车t时刻速度，/>为i车t时刻的位移；/>代表加速段时间，/>代表匀速段时间，h为安全车头时距，s为安全停车间距，这里的速度、加速度和位移均为车辆运行过程中投影到x方向的分量；
S3、通过人机交互单元引导匝道车辆R的驾驶员按照理想加速度的引导操作加速踏板，以使匝道车辆R尽可能以理想加速度/>在加速车道段加速，并在理想汇入速度的引导下进行速度调整，以尽可能达到理想汇入速度/>；
S4、路侧单元设置于高速路匝道的外侧，由路侧单元测量得到的匝道车辆R的位移、车速、车辆加速度、即时车辆与理想车速差值、即时加速度与理想加速度差值数据传输到交通信息中心，作为RBF神经网络模型的输入层，预测匝道车辆R的理想位移误差与车速，将算法模型的输出发送至辅助车F；
合流程序控制模块控制辅助车F和引导车L为匝道车辆R创造汇入间隙g，汇入间隙g为匝道车辆R与辅助车F、与引导车L之间应保持的安全距离之和，并同时考虑匝道车辆R的车长l，g满足：
；
S5、判断辅助车F具有减速条件，即满足安全的汇入间隙条件时，辅助车F上的车内控制模块控制辅助车F增加汇入间隙，以弥补误差距离，达到匝道车辆R合流时的安全间隙条件并逼近匝道车辆R车速；
判断辅助车F不具有减速条件时，辅助车F保持现有汇入间隙；
S6、驾驶员自行进行变道操作完成汇入。
2.一种基于智能网联与RBF神经网络的高速路汇入控制系统，实现如权利要求1所述的基于智能网联与RBF神经网络的高速路汇入控制方法，其特征在于：包括车载终端、路侧单元、人机交互单元、交通信息中心，
所述车载终端配置于智能网联车辆，所述智能网联车辆行驶在高速路上，所述车载终端内设置有车内传感器模块、第一通讯模块和车内控制模块；
所述路侧单元设置于高速路匝道的外侧，所述路侧单元包括车辆传感器模块和第二通讯模块；
所述人机交互单元配置于匝道车辆，所述人机交互单元包括第三通讯模块和交互模块；
所述交通信息中心包括通信单元、边缘计算单元和合流程序控制模块，所述边缘计算单元和所述合流程序控制模块接收所述车辆传感器模块和所述车内传感器模块分别检测到的智能网联车辆和匝道车辆的行驶状态参数，所述合流程序控制模块用于计算匝道车辆合流所需的加速度、速度和时间，并输出控制指令和执行合流程序；所述边缘计算单元内设置有RBF神经网络预测模型，所述RBF神经网络预测模型由以往两次加速数据以及本次加速的前T/2秒的加速数据作为训练集，预测匝道车辆的理想位移误差与车速；所述通信单元与所述第一通信模块、所述第二通信模块、所述第三通信模块通信连接，所述通信单元用于与所述车载终端、所述路侧单元和所述人机交互单元进行信息交换。
3.根据权利要求2所述的基于智能网联与RBF神经网络的高速路汇入控制系统，其特征在于：所述车内传感器模块用于检测智能网联车辆的行驶状态参数，所述行驶状态参数包括智能网联车辆的速度、位移、距离合流点的距离、加速度，所述车内控制模块对智能网联车辆的行驶状态参数进行控制。
4.根据权利要求3所述的基于智能网联与RBF神经网络的高速路汇入控制系统，其特征在于：所述车辆传感器模块用于检测匝道车辆的行驶状态参数，所述行驶状态参数包括匝道车辆的速度、位移、距离合流点的距离、加速度。
5.根据权利要求4所述的基于智能网联与RBF神经网络的高速路汇入控制系统，其特征在于：所述交互模块为智能移动设备、车用显示屏或平视显示系统，所述交互模块用于驾驶员进行辅助申请操作并为驾驶员提供驾驶引导。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211397140.8A CN115909780B (zh) | 2022-11-09 | 2022-11-09 | 基于智能网联与rbf神经网络的高速路汇入控制系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211397140.8A CN115909780B (zh) | 2022-11-09 | 2022-11-09 | 基于智能网联与rbf神经网络的高速路汇入控制系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115909780A CN115909780A (zh) | 2023-04-04 |
| CN115909780B true CN115909780B (zh) | 2023-07-21 |
Family
ID=86488887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211397140.8A Active CN115909780B (zh) | 2022-11-09 | 2022-11-09 | 基于智能网联与rbf神经网络的高速路汇入控制系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115909780B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109143852A (zh) * | 2018-07-17 | 2019-01-04 | 北京理工大学 | 城市环境下智能驾驶车辆环境自适应汇入方法 |
| JP2019031268A (ja) * | 2017-05-12 | 2019-02-28 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド | 能動的探索なしの強化学習に基づく制御ポリシー学習及び車両制御方法 |
| CN111338351A (zh) * | 2020-03-24 | 2020-06-26 | 东南大学 | 一种用于高速匝道入口的多智能网联车辆协同合流控制方法 |
| CN111599194A (zh) * | 2020-05-27 | 2020-08-28 | 中汽研汽车检验中心（天津）有限公司 | 高速公路入口匝道异质交通流车速引导系统及引导方法 |
| WO2022135147A1 (zh) * | 2020-12-24 | 2022-06-30 | 长沙智能驾驶研究院有限公司 | 车辆管理方法、装置、设备及计算机存储介质 |
| JP2022148163A (ja) * | 2021-03-24 | 2022-10-06 | 日産自動車株式会社 | 車速制御方法及び走行制御装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104464317B (zh) * | 2014-12-03 | 2016-05-11 | 武汉理工大学 | 高速公路入口匝道合流区引导控制系统和方法 |
| CN106601002B (zh) * | 2016-11-23 | 2019-06-07 | 苏州大学 | 车联网环境下的入口匝道车辆通行引导系统及其引导方法 |
| US11420630B2 (en) * | 2019-10-24 | 2022-08-23 | Zoox, Inc. | Trajectory modifications based on a collision zone |
| US20210110197A1 (en) * | 2020-11-30 | 2021-04-15 | Intel Corporation | Unsupervised incremental clustering learning for multiple modalities |
| CN114241778B (zh) * | 2022-02-23 | 2022-05-17 | 东南大学 | 高速公路网联车协同匝道汇入多目标优化控制方法和系统 |
-
2022
- 2022-11-09 CN CN202211397140.8A patent/CN115909780B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019031268A (ja) * | 2017-05-12 | 2019-02-28 | トヨタ モーター エンジニアリング アンド マニュファクチャリング ノース アメリカ，インコーポレイティド | 能動的探索なしの強化学習に基づく制御ポリシー学習及び車両制御方法 |
| CN109143852A (zh) * | 2018-07-17 | 2019-01-04 | 北京理工大学 | 城市环境下智能驾驶车辆环境自适应汇入方法 |
| CN111338351A (zh) * | 2020-03-24 | 2020-06-26 | 东南大学 | 一种用于高速匝道入口的多智能网联车辆协同合流控制方法 |
| CN111599194A (zh) * | 2020-05-27 | 2020-08-28 | 中汽研汽车检验中心（天津）有限公司 | 高速公路入口匝道异质交通流车速引导系统及引导方法 |
| WO2022135147A1 (zh) * | 2020-12-24 | 2022-06-30 | 长沙智能驾驶研究院有限公司 | 车辆管理方法、装置、设备及计算机存储介质 |
| JP2022148163A (ja) * | 2021-03-24 | 2022-10-06 | 日産自動車株式会社 | 車速制御方法及び走行制御装置 |
Non-Patent Citations (5)
| Title |
|---|
| 城市快速路互通立交合流区交通量预测;臧晓冬;周伟;;交通信息与安全(第S1期);全文 * |
| 城市快速路入口匝道控制算法的改进;王世明;徐建闽;李日涵;;广西师范大学学报(自然科学版)(第02期);全文 * |
| 基于车路协同的高速公路入口匝道车辆汇入引导方法;张存保;李劲松;黄传明;夏银霞;;武汉理工大学学报(交通科学与工程版)(第04期);全文 * |
| 基于车车通信的快速路入口匝道车速控制研究;杨晓芳;范柏桐;付强;;交通运输研究(第06期);全文 * |
| 高速公路加速车道上车辆的汇入模型;李文权,王炜,邓卫,刘兆斌,周荣贵;中国公路学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115909780A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110614994B (zh) | 车辆自动驾驶时换道的控制方法、控制系统及车辆 | |
| CN109562758B (zh) | 自动驾驶车辆的控制方法及控制装置 | |
| CN111369813B (zh) | 一种智能网联汽车的匝道分合流协同控制方法及系统 | |
| CN110930697B (zh) | 一种基于规则的智能网联车辆协同汇入控制方法 | |
| WO2017203694A1 (ja) | 運転制御方法及び運転制御装置 | |
| CN111994088A (zh) | 基于混合策略博弈的驾驶人换道意图识别方法及系统 | |
| CN112601690A (zh) | 车辆的行驶控制方法及行驶控制装置 | |
| CN111243296B (zh) | 一种基于合流时间优化的匝道合流协同控制方法及系统 | |
| CN112224202B (zh) | 一种紧急工况下的多车协同避撞系统及方法 | |
| CN111081009A (zh) | 一种基于车联网的车辆编队行驶系统及控制方法 | |
| CN109808690B (zh) | 自动驾驶中基于目标点距离定点停车速度平滑规划方法 | |
| CN113327441A (zh) | 基于高速公路合流区的网联自动车辆速度控制及轨迹优化方法 | |
| CN112017438B (zh) | 一种行车决策生成方法及系统 | |
| CN115662131B (zh) | 网联环境下道路事故路段的多车道协同换道方法 | |
| CN114852076A (zh) | 一种混行交通流环境下自动驾驶车辆轨迹规划方法 | |
| CN115402315A (zh) | 用于运行用于自动化横向引导的驾驶辅助设备的方法 | |
| CN113954827B (zh) | 一种考虑定位误差和通信时延的交叉口车辆碰撞概率计算方法及系统 | |
| CN116985790A (zh) | 一种用于无信号灯路口的智能网联汽车决策方法及系统 | |
| CN117460655A (zh) | 用于在至少部分自动驾驶的车辆中增加自动驾驶比例的方法和装置 | |
| CN111754774B (zh) | 一种高速路匝道口智能网联汽车安全自组织通行控制方法 | |
| CN112614357B (zh) | 一种智能车交叉口左转相位信号优化方法及装置 | |
| CN115909780B (zh) | 基于智能网联与rbf神经网络的高速路汇入控制系统与方法 | |
| JP6839067B2 (ja) | 移動体制御方法及び移動体制御装置 | |
| CN113119945A (zh) | 一种基于环境模型的汽车高级辅助驾驶系统 | |
| CN112319365A (zh) | 一种变道预警辅助方法及系统 |
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 |