CN116108669A - 基于深度学习异质驾驶员模型的场景生成方法 - Google Patents

基于深度学习异质驾驶员模型的场景生成方法 Download PDF

Info

Publication number
CN116108669A
CN116108669A CN202310120973.8A CN202310120973A CN116108669A CN 116108669 A CN116108669 A CN 116108669A CN 202310120973 A CN202310120973 A CN 202310120973A CN 116108669 A CN116108669 A CN 116108669A
Authority
CN
China
Prior art keywords
driver
data
deep learning
maneuver
driver model
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
Application number
CN202310120973.8A
Other languages
English (en)
Inventor
高丽
张凯
曹阳
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.)
Research Institute Of Tsinghua Pearl River Delta
Shenzhen International Graduate School of Tsinghua University
Original Assignee
Research Institute Of Tsinghua Pearl River Delta
Shenzhen International Graduate School of Tsinghua 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 Research Institute Of Tsinghua Pearl River Delta, Shenzhen International Graduate School of Tsinghua University filed Critical Research Institute Of Tsinghua Pearl River Delta
Priority to CN202310120973.8A priority Critical patent/CN116108669A/zh
Publication of CN116108669A publication Critical patent/CN116108669A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/006—Mixed reality
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供了基于深度学习异质驾驶员模型的场景生成方法，包括：对自然驾驶数据集进行预处理；基于预处理后的所述自然驾驶数据集，训练多模态深度学习驾驶员模型；基于训练后的所述多模态深度学习驾驶员模型，获取多样测试场景。本发明通过不同机动类别的选择，体现了驾驶员行为的不确定性，通过在可能的终点区域采样，体现了驾驶员轨迹的不确定性，对不同风格的驾驶员进行组合交互，从而生成复杂且多样的测试场景。

Description

基于深度学习异质驾驶员模型的场景生成方法
技术领域
本发明涉及自动驾驶技术领域，具体涉及基于深度学习异质驾驶员模型的自动驾驶测试场景生成方法。
背景技术
随着自动驾驶技术的发展，自动驾驶测试的需求越来越庞大、复杂。传统道路测试方法成本高、效率低，虚拟仿真测试能够快速完成大量实验，成为自动驾驶测试中十分总要的一环。为尽可能多的寻找危险和边缘案例，目前已有一些方法通过在经验分布中寻找低采样频率的场景，但都忽视了对驾驶员之间异质性的考虑，真实路况中的驾驶员有激进的、有保守的，这是真实场景具有高度不确定性和复杂性的原因之一。因此要生成更加真实复杂的场景需要充分考虑驾驶员之间的异质性，本方法提出了基于深度学习异质驾驶员模型的场景生成方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供基于深度学习异质驾驶员模型的场景生成方法，通过学习不同风格的驾驶员模型，能够提高自动驾驶测试场景的复杂度和真实性，进而满足更接近现实的多样化测试需求。
为实现上述目的，本申请提供了如下方案：
基于深度学习异质驾驶员模型的场景生成方法，包括：
对自然驾驶数据集进行预处理；
基于预处理后的所述自然驾驶数据集，训练多模态深度学习驾驶员模型；
基于训练后的所述多模态深度学习驾驶员模型，获取多样测试场景。
可选的，对自然驾驶数据集进行预处理包括：
所述自然驾驶数据集包括驾驶员数据和轨迹数据；
对所述驾驶员数据进行特征筛选以及风格聚类；
对所述轨迹数据进行时间序列处理，获取时间序列数据，基于所述时间序列数据，获取机动标签。
可选的，对所述驾驶员数据进行特征筛选包括：
基于所述驾驶员数据获取原始目标特征；
对所述驾驶员数据进行数据降维，选出所述原始目标特征中包含95％信息量的特征。
可选地，所述原始目标特征包括：
每个驾驶员的横纵向速度的均值、方差、最大值、最小值、中位数和横纵向加速度的均值、方差、最大值、最小值、中位数。
可选的，对特征筛选后所述驾驶员数据进行风格聚类包括：
对数据降维后的所述驾驶员数据进行聚类，获取聚类后的驾驶员数据；
所述聚类后的所述驾驶员数据包括激进驾驶员数据集、保守驾驶员数据集、常规驾驶员数据集。
可选的，对所述轨迹数据进行时间序列数据处理包括：
对所述轨迹数据进行降采样；
基于降采样后的所述轨迹数据，获取预设时间单位的时间序列数据。
可选的，所述机动标签包括：3种横向机动标签和2种纵向机动标签的6种组合标签；其中，横向机动标签包括：左换道、保持当前车道、右换道；纵向机动标签包括：制动、非制动。
可选的，获取所述机动标签包括：
若当前所述时间序列数据的未来预设时间单位内有车道变换，则根据车辆行驶方向和车道编号变化赋予相应的横向机动标签；若当前所述时间序列数据的未来所述预设时间单位内的车辆平均速度小于当前所述预设时间单位的平均速度，则赋予制动标签，否则赋予非制动标签。
可选的，所述多模态深度学习驾驶员模型包括：机动概率判别模块、终点预测模块和状态生成模块；
所述多模态深度学习驾驶员模型为：
G1(X)＝P(mi|X)
G2(X)＝P(Y|mi,X)
G3(X′,esample)＝pt+1
其中，X为轨迹向量，G1为机动概率判别网络，P(mi|X)为输出的机动类别条件概率；G2为终点预测网络，G3为状态生成网络，P(Y|mi,X)为在当前历史轨迹和机动条件下的终点位置分布，esample为在终点Y的二维高斯分布中采样的终点，pt+1为生成的下一帧位置，X′为状态信息。
可选的，所述多模态深度学习驾驶员模型的训练包括：
将X输入所述机动概率判别模块，判断当前状态下所述机动标签的概率，根据概率对机动标签采样，意图特征的推理；
将X与机动类别y输入所述终点预测模块，获取当前机动类别下预设时间单位后的目的意向特征；将轨迹向量X与采样的机动标签y输入所述终点预测模块，获取当前机动类别下预设时间单位后的目的意向特征；
将所述目的意向特征和状态信息X′输入所述状态生成模块，获取车辆的下一帧的位置。
可选的，
获取多样测试场景包括：
将聚类后的所述驾驶员数据，输入训练后的所述多模态深度学习驾驶员模型，获取不同风格的驾驶员模型。
本发明的有益效果为：
本发明通过不同机动类别的选择，体现了驾驶员行为的不确定性，通过在可能的终点区域采样，体现了驾驶员轨迹的不确定性，对不同风格的驾驶员进行组合交互，从而生成复杂且多样的测试场景。
本发明充分考虑了现实中异质驾驶员之间行为和轨迹的差异性，能生成更加真实且复杂的车辆交互场景。
本发明通过加入驾驶员意图特征进行下一帧状态预测，与通过回归获得下一帧状态相比，有更好的解释性和更高的准确性。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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为本发明方法的整体流程图；
图2为本发明实施例中驾驶员模型结构图；
图3为本发明实施例中驾驶员意图示意图；
图4为本发明实施例中场景生成仿真初始化场景示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
基于深度学习异质驾驶员模型的场景生成方法，包括：
对自然驾驶数据集进行预处理；
基于预处理后的自然驾驶数据集，训练多模态深度学习驾驶员模型；
基于训练后的多模态深度学习驾驶员模型，获取多样测试场景。
进一步地，自然驾驶数据集包括驾驶员数据和轨迹数据；
对自然驾驶数据集进行预处理包括：
对驾驶员数据进行特征筛选以及风格聚类；
对轨迹数据进行时间序列处理，获取时间序列数据，基于时间序列数据，获取机动标签。
进一步地，对驾驶员数据进行特征筛选包括：
基于驾驶员数据获取原始目标特征；
对驾驶员数据进行数据降维，选出原始目标特征中包含95％信息量的特征，从原始20维特征降到9维特征，特征由PCA算法自动筛选。
进一步地，原始目标特征包括：
每个驾驶员的横纵向速度的均值、方差、最大值、最小值、中位数和横纵向加速度的均值、方差、最大值、最小值、中位数。
进一步地，对特征筛选后的驾驶员数据进行风格聚类包括：
对数据降维后的驾驶员数据进行聚类，获取聚类后的驾驶员数据；
聚类后的驾驶员数据包括激进驾驶员数据集、保守驾驶员数据集、常规驾驶员数据集。
进一步地，对轨迹数据进行时间序列数据处理包括：
对轨迹数据进行降采样；
基于降采样后的轨迹数据，获取预设时间单位的时间序列数据。
进一步地，机动标签包括：横向机动标签和纵向机动标签；其中，横向机动标签包括：左换道、保持当前车道、右换道；纵向机动标签包括：制动、非制动。
进一步地，获取机动标签包括：
若当前时间序列数据的未来预设时间单位内有车道变换，则根据车辆行驶方向和车道编号变化赋予相应的横向机动标签；若当前时间序列数据的未来预设时间单位内的车辆平均速度小于当前预设时间单位的平均速度，则赋予制动标签，否则赋予非制动标签。
进一步地，多模态深度学习驾驶员模型包括：机动概率判别模块、终点预测模块和状态生成模块；
多模态深度学习驾驶员模型为：
G1(X)＝P(mi|X)
G2(X)＝P(Y|mi,X)
G3(X′,esample)＝pt+1
其中，X为轨迹向量，G1为机动概率判别网络，P(mi|X)为输出的机动类别条件概率；G2为终点预测网络，G3为状态生成网络，P(Y|mi,X)为在当前历史轨迹和机动条件下的终点位置分布，esample为在终点Y的二维高斯分布中采样的终点，pt+1为生成的下一帧位置，X′为状态信息。
进一步地，多模态深度学习驾驶员模型的训练包括：
将X输入所述机动概率判别模块，判断当前状态下所述机动标签的概率，根据概率对机动标签采样，意图特征的推理；
将X与机动类别y输入所述终点预测模块，获取当前机动类别下预设时间单位后的目的意向特征；将轨迹向量X与采样的机动标签y输入所述终点预测模块，获取当前机动类别下预设时间单位后的目的意向特征；
将所述目的意向特征和状态信息X′输入所述状态生成模块，获取车辆的下一帧的位置。
进一步地，
获取多样测试场景包括：
将聚类后的驾驶员数据，输入训练后的多模态深度学习驾驶员模型，获取不同风格的驾驶员模型。
实施例
如图1所示，基于深度学习异质驾驶员模型的场景生成方法，包括以下步骤：
S1、针对自然驾驶数据集的驾驶员数据，进行特征筛选及风格聚类；
具体包括：
S11、每个驾驶员在高速公路自然驾驶数据集中的驾驶时长约为14s，计算每个驾驶员横纵向速度的均值、方差、最大值、最小值、中位数和横纵向加速度的均值、方差、最大值、最小值、中位数，共20个特征；
S12、使用PCA主成分分析方法对驾驶员数据降维，即选出S11中的20个特征中包含95％信息量的前几个特征；
S13、对降维后的驾驶员数据使用k-means聚类方法进行聚类，将驾驶员分为三类：激进驾驶员、常规驾驶员、保守驾驶员。
S2、针对自然驾驶数据集的轨迹数据，进行时间序列数据处理及横纵向机动标签判别；
具体包括：
S21、将轨迹数据从25hz降采样至5hz，处理轨迹数据为3s的时间序列数据；
S22、判断每个时间序列数据的横纵向机动标签，横向包括左换道、保持当前车道、右换道，若当前时间序列数据的未来3s有车道变换，则根据车辆行驶方向合车道编号变大或变小或不变赋予相应的横向机动标签；纵向包括制动、非制动，若当前时间序列数据的未来3s平均速度小于当前3s的平均速度，则赋予制动标签，否则赋予非制动标签；为便于后续网络学习，横纵机动标签使用one-hot编码表示；
如图2所示，S3、基于驾驶员机动意图构建多模态深度学习驾驶员模型，使用聚类后不同风格驾驶员的轨迹数据分别训练；
具体包括：
S31、设计深度学习驾驶员模型，模型的流程具体为：
G1(X)＝P(mi|X)
输入历史3s轨迹向量X，经过机动概率判别网络，判断当前状态下6种机动类别的概率分别是多少，概率和为1，机动类别示意图如图3所示；
其中X包括x、y、vx、vy、ax、ay、daround，它们分别为横坐标位置、纵坐标位置、横向速度、纵向速度、横向加速度、纵向加速度、与周围八辆车的相对距离，考虑正左方、正右方、车道前方、车道后方、左车道前方、左车道后方、右车道前方、右车道后方八个位置的车辆；G1表示机动概率判别网络；P(mi|X)表示输出的机动类别条件概率；
G2(X)＝P(Y|mi,X)
G3(X′,esample)＝pt+1
输入历史3s轨迹向量X与机动类别y，经过终点生成模块，得到当前机动类别下3s后可能的终点二维高斯分布参数，在该二维高斯分布中采样终点坐标，作为目的意向特征与历史3s的状态信息X′一同输入到状态生成模块中，生成下一帧的位置；
其中，G2表示终点预测网络，G3表示状态生成网络，esample在终点二维高斯分布中采样的终点，pt+1表示生成的下一帧位置，状态信息X′是轨迹向量X去掉与周围八辆车的相对距离；
S32、分别使用激进驾驶员数据集、保守驾驶员数据集、常规驾驶员数据集对模型进行训练，得到不同风格的驾驶员模型；
如图4所示，S4、初始化不同复杂度的场景，并为环境车辆配置不同混合风格的驾驶员模型，生成基于异质驾驶员模型的多样测试场景；
具体包括：
初始化自动驾驶车辆模型为IDM模型，设置不同数目的环境车辆，分别包含2、3、3、4、5辆，为每种数目的环境车辆设置异质驾驶员模型混合对照组，包括全部激进、全部保守、奇数车辆激进偶数车辆保守、奇数车辆保守偶数车辆激进；
实时仿真时每帧更新每辆车的状态信息，若发生碰撞则终止，否则将运行至给定时长结束；对于环境车辆，每帧先判断当前机动类别概率，并根据机动类别概率随机采样机动类别，作为终点预测模块的机动类别标签，若采样到换道机动，则在完成换道行为前不再采样机动类别标签；
每种数目和驾驶员风格配置均运行1000次，测试并记录自动驾驶车辆行驶过程中的碰撞次数和TTC碰撞时间小于5s的次数，对生成的场景库进行评价。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.基于深度学习异质驾驶员模型的场景生成方法，其特征在于，包括：
对自然驾驶数据集进行预处理；
基于预处理后的所述自然驾驶数据集，训练多模态深度学习驾驶员模型；
基于训练后的所述多模态深度学习驾驶员模型，获取多样测试场景。
2.根据权利要求1所述的基于深度学习异质驾驶员模型的场景生成方法，其特征在于，所述自然驾驶数据集包括：驾驶员数据和轨迹数据；
对所述自然驾驶数据集进行预处理包括：
对所述驾驶员数据进行特征筛选以及风格聚类；
对所述轨迹数据进行时间序列处理，获取时间序列数据，基于所述时间序列数据，获取机动标签。
3.根据权利要求2所述的基于深度学习异质驾驶员模型的场景生成方法，其特征在于，对所述驾驶员数据进行特征筛选包括：
基于所述驾驶员数据获取原始目标特征；
对所述驾驶员数据进行数据降维，选出所述原始目标特征中包含预设数值信息量的特征；
其中，所述原始目标特征包括：每个驾驶员的横纵向速度的均值、方差、最大值、最小值、中位数和横纵向加速度的均值、方差、最大值、最小值、中位数。
4.根据权利要求2所述的基于深度学习异质驾驶员模型的场景生成方法，其特征在于，对特征筛选后所述驾驶员数据进行风格聚类包括：
对数据降维后的所述驾驶员数据进行聚类，获取聚类后的驾驶员数据；
所述聚类后的驾驶员数据包括激进驾驶员数据集、保守驾驶员数据集、常规驾驶员数据集。
5.根据权利要求2所述的基于深度学习异质驾驶员模型的场景生成方法，
其特征在于，对所述轨迹数据进行时间序列数据处理包括：
对所述轨迹数据进行降采样；
基于降采样后的所述轨迹数据，获取预设时间单位的时间序列数据。
6.根据权利要求2所述的基于深度学习异质驾驶员模型的场景生成方法，其特征在于，所述机动标签包括：3种横向机动标签和2种纵向机动标签的6种组合标签；其中，横向机动标签包括：左换道、保持当前车道、右换道；纵向机动标签包括：制动、非制动。
7.根据权利要求6所述的基于深度学习异质驾驶员模型的场景生成方法，其特征在于，获取所述机动标签包括：
若当前所述时间序列数据的未来预设时间单位内有车道变换，则根据车辆行驶方向和车道编号变化赋予相应的横向机动标签；若当前所述时间序列数据的未来所述预设时间单位内的车辆平均速度小于当前所述预设时间单位的平均速度，则赋予制动标签，否则赋予非制动标签。
8.根据权利要求1所述的基于深度学习异质驾驶员模型的场景生成方法，其特征在于，所述多模态深度学习驾驶员模型包括：机动概率判别模块、终点预测模块和状态生成模块；
所述多模态深度学习驾驶员模型为：
G1(X)＝P(mi|X)
G2(X)＝P(Y|mi,X)
G3(X′,esample)＝pt+1
其中，X为时间序列数据，Y为终点，G1为机动概率判别网络，P(mi|X)为输出的机动标签条件概率；G2为终点预测网络，G3为状态生成网络，P(Y|mi,X)为在当前历史轨迹和机动条件下的终点位置分布，esample为在终点Y的二维高斯分布中采样的终点，pt+1为生成的下一帧位置，X′为时间序列数据X去掉与周围八辆车的相对距离的状态信息。
9.根据权利要求8所述的基于深度学习异质驾驶员模型的场景生成方法，其特征在于，所述训练多模态深度学习驾驶员模型包括：
将所述时间序列数据输入所述机动概率判别模块，判断当前状态下所述机动标签的概率，根据所述概率对所述机动标签采样，进行驾驶员意图特征的推理；
将所述时间序列数据与机动标签输入所述终点预测模块，获取当前机动标签下预设时间单位后的目的意向特征；将所述时间序列数据与采样的所述机动标签输入所述终点预测模块，获取当前机动标签下预设时间单位后的目的意向特征；
将所述目的意向特征和状态信息输入所述状态生成模块，获取车辆的下一帧的位置。
10.根据权利要求1所述的基于深度学习异质驾驶员模型的场景生成方法，其特征在于，
获取多样测试场景包括：
将聚类后的驾驶员数据，输入训练后的所述多模态深度学习驾驶员模型，获取不同风格的驾驶员模型。
CN202310120973.8A 2023-02-16 2023-02-16 基于深度学习异质驾驶员模型的场景生成方法 Pending CN116108669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310120973.8A CN116108669A (zh) 2023-02-16 2023-02-16 基于深度学习异质驾驶员模型的场景生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310120973.8A CN116108669A (zh) 2023-02-16 2023-02-16 基于深度学习异质驾驶员模型的场景生成方法

Publications (1)

Publication Number Publication Date
CN116108669A true CN116108669A (zh) 2023-05-12

Family

ID=86257857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310120973.8A Pending CN116108669A (zh) 2023-02-16 2023-02-16 基于深度学习异质驾驶员模型的场景生成方法

Country Status (1)

Country Link
CN (1) CN116108669A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172096A (zh) * 2023-07-26 2023-12-05 广州汽车集团股份有限公司 仿真方法以及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172096A (zh) * 2023-07-26 2023-12-05 广州汽车集团股份有限公司 仿真方法以及装置

Similar Documents

Publication Publication Date Title
CN109598066B (zh) 预测模块的效果评估方法、装置、设备和存储介质
CN110843794B (zh) 驾驶场景理解方法、装置和轨迹规划方法、装置
Fernando et al. Deep inverse reinforcement learning for behavior prediction in autonomous driving: Accurate forecasts of vehicle motion
CN112347993B (zh) 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法
US11420623B2 (en) Systems for determining object importance in on-road driving scenarios and methods thereof
CN112734808B (zh) 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法
CN113343461A (zh) 自动驾驶车辆的仿真方法、装置、电子设备及存储介质
CN112487905B (zh) 一种车辆周边行人危险等级预测方法及系统
CN115053237A (zh) 载具意图预测神经网络
Camara et al. Predicting pedestrian road-crossing assertiveness for autonomous vehicle control
CN114655227A (zh) 驾驶风格识别方法、辅助驾驶方法及装置
CN117585017B (zh) 一种自动驾驶车辆换道决策方法、装置、设备及存储介质
CN116108669A (zh) 基于深度学习异质驾驶员模型的场景生成方法
US20220234622A1 (en) Systems and Methods for Autonomous Vehicle Control
Atakishiyev et al. Explaining autonomous driving actions with visual question answering
CN114670867A (zh) 基于分层学习和潜在风险模型的多车轨迹预测系统
CN116975781A (zh) 一种自动驾驶车辆行为决策系统和方法
EP4264436B1 (en) Generating unknown-unsafe scenarios, improving automated vehicles, computer system
US20230070734A1 (en) Method and system for configuring variations in autonomous vehicle training simulations
US11734909B2 (en) Machine learning
CN114461671A (zh) 数据处理方法、车辆、计算机可读存储介质
Fakharurazi et al. Object Detection in Autonomous Vehicles
Azarchenkov et al. Multi-agent Approach to Predict the Trajectory of Road Infrastructure Agents Using a Convolutional Neural Network
EP4280117A1 (en) Methods and devices for analyzing a reinforcement learning agent based on an artificial neural network
US20230030474A1 (en) Method and system for developing autonomous vehicle training simulations

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