CN116930955B - 一种高速导航自动驾驶系统 - Google Patents
一种高速导航自动驾驶系统 Download PDFInfo
- Publication number
- CN116930955B CN116930955B CN202311192058.6A CN202311192058A CN116930955B CN 116930955 B CN116930955 B CN 116930955B CN 202311192058 A CN202311192058 A CN 202311192058A CN 116930955 B CN116930955 B CN 116930955B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- signal
- frequency coefficient
- signals
- autonomous
- 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
- 238000004891 communication Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000009471 action Effects 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000003475 lamination Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001282110 Pagrus major Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明涉及自动驾驶技术领域,尤其为一种高速导航自动驾驶系统,包括:自主探测端:用于通过多路摄像头、雷达或无人机进行自主探测;通信模块:用于接收自主探测端通信信号及其他通信信号;控制模块:用于进行车辆的自动驾驶控制。本发明通过小波变换算法对接收的雷达信号进行时频分析,通过软阈值函数对小波系数进行滤波,其具有良好的连续性和平滑性,能够提升信号质量;还分析雷达信号的回波特征,根据波束形成和信号方向实现对障碍物或其他车辆的感知和自适应定位;还通过图卷积网络、动作空间和奖励函数进行车辆的自主控制,以提升人员的安全性和舒适度为目的进行车辆的自主驾驶,同时保持车辆的高速驾驶,提升车辆自主驾驶效率。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其是一种高速导航自动驾驶系统。
背景技术
随着技术的不断进步,现代自动驾驶系统正在逐渐实现更加智能化的功能。例如,一些系统已经开始采用激光雷达和高精度地图等技术,以更加精确地感知周围环境,并且可以在高速公路上实现更加稳定和高效的行驶。此外,一些自动驾驶系统还可以通过人工智能和机器学习等技术,对各种特殊情况和突发事件进行更加准确的判断和处理,从而大大提高了行驶的安全性和可靠性。然而,由于自动驾驶技术仍然处于不断发展和完善的过程中,我们仍然需要不断地对其进行改进和优化,才能实现更加全面和可靠的自动驾驶体验。传统的自动导航驾驶系统只针对道路上的障碍物或其他伴随行进的车辆,进行简单分析及避让技术手段,为了行驶安全,最保险的方式是低速行驶。但在高速公路上,由于整体行驶的车辆速度都非常高,且在高速公路上低速行驶更加危险,同时也是违规的。虽然自动驾驶技术日益成熟,但针对一些特殊情况及突发事件仍然难以适应,经常会出现误判。如有报道前方车辆亮起的红色尾灯与红绿灯相似时,会误判断为红灯而减速。
发明内容
本发明的目的是通过提出一种高速导航自动驾驶系统,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供一种高速导航自动驾驶系统,包括:
自主探测端:用于通过多路摄像头、雷达或无人机进行自主探测;
通信模块:用于接收自主探测端通信信号及其他通信信号;
控制模块:用于进行车辆的自动驾驶控制。
作为本发明的一种优选技术方案:所述通信模块基于小波变换算法对接收的信号进行增强处理。
作为本发明的一种优选技术方案:所述小波变换算法具体如下:
将不同频率的高频系数分量和低频系数分量与通信信号进行内积运算,得
到对应分解层次下的低频系数分量和高频系数分量,经过次迭代得到一个低频系数分量
和个高频系数分量;
其中低频系数分量如下:
高频系数分量如下:
其中,为尺度因子,为通信信号,为尺度函数,为小波函数,、分别为横向位移及纵向位移,为分解层数,、分别为对应信号的高频系数分量和低频系数分量;
基于软阈值处理对高频系数分量进行过滤:
其中,为软阈值处理后的小波系数,为滤波阈值;
基于软阈值处理后的高频系数分量进行小波逆变换完成信号重构:
其中,为去除噪声的雷达信号。
作为本发明的一种优选技术方案:所述小波变换算法中根据信号能量和噪声能量
来自适应调整滤波阈值。
作为本发明的一种优选技术方案:所述自适应调整滤波阈值具体为:
计算信号能量和噪声能量:
其中,为通信信号,为噪声信号;
利用信号能量和噪声能量,计算信噪比SNR:
根据信噪比SNR,设定一个基准阈值,再更新,。
使用不断更新的来计算高频系数分量。
作为本发明的一种优选技术方案:所述通信模块基于电子地图搭建道路网络节点特征矩阵。
作为本发明的一种优选技术方案:所述通信模块还根据接收的雷达信号分析雷达
信号回波特征,得到波束形成输出障碍物方位:
其中,为自动驾驶激光雷达毫米波传感信号的复合包络,为自动驾驶激光雷
达毫米波传感信号的分布相位,为时间间隔,为信号中心频率,为第个信号中心频率,为波束平面和阵元的间隔,为波束的输出时间间隔,对波束信号进行特征聚类得到障碍
感知的波束输出:
其中,为单频信号,为信号频谱,为信号的相位差。
作为本发明的一种优选技术方案:所述控制模块基于雷达信号搭建车辆与被检测
物体之间的邻接矩阵:
其中,,当时,表示车辆自身的状态值,时,表示车辆与被检测物体二者的状态关系值,其中:
其中,指车辆与被检测物体的状态值,指车辆与被检测物体的
位置,、指车辆与被检测物体的横向速度与纵向速度。
作为本发明的一种优选技术方案:所述被检测物体包括障碍物与其他车辆。
作为本发明的一种优选技术方案:所述控制模块根据车辆当前所处位置建立动作空间;所述动作空间中的横向变换包括掉头、左转、直行和右转;纵向变换包括加速、匀速和减速。
作为本发明的一种优选技术方案:所述控制模块将邻接矩阵与道路网络节点特征矩阵输入至图卷积神经网络:
其中,为全连接层,为道路网络节点特征矩阵,为经全连接层处理后的道路
网络节点特征矩阵;将和邻接矩阵输入至图卷积神经网络中,进行车辆自主驾驶控制:
其中,为图卷积层输出的控制指令,为图卷积算子,为单位矩阵,为可训练的
权重矩阵,为激活函数。
作为本发明的一种优选技术方案:所述控制模块基于如下的奖励函数进行车辆
的自主动态调整:
其中,为安全驾驶奖励,为舒适性奖励,、分别为对应各奖励的权重系
数;
其中,表示当车辆在持续时间段内与其他车辆保持的距离不低于时,实
现正奖励;表示当车辆与其他车辆的距离低于安全距离时,实现负奖励,其余状态不
奖励;舒适性奖励中,每换道一次实现负奖励。
本发明提供的高速导航自动驾驶系统,与现有技术相比,其有益效果有:
本发明安装有自动导航的车辆的车机端有多路摄像头和雷达,感知外界靠近的运动物体或者静止的障碍物,车上自动导航系统根据外界物体自动动态调整本车行进的方向用车速,可以绕开障碍物或与靠近的运动车辆保持一定的车距,减少事故发生;
本发明通过小波变换算法对接收的雷达信号进行时频分析,并使用软阈值函数对小波系数进行滤波,具有良好的连续性和平滑性,提升信号质量,实现信号的增强处理;车载的导航系统分析雷达信号的回波特征,根据波束形成和信号方向实现对障碍物或其他车辆的感知和自适应定位;还通过图卷积神经网络、动作空间和奖励函数进行车辆的自主控制,以提升人员的安全性和舒适度为目的进行车辆的自主驾驶,更加人性化和智能化,同时保持车辆的高速驾驶,提升车辆自主驾驶效率。
附图说明
图1为本发明优选实施例的系统框图。
图中各个标记的意义为:1、自主探测端;2、通信模块;3、控制模块。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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。
参照图1,本发明优选实施例提供了一种高速导航自动驾驶系统,包括:
自主探测端1:用于通过多路摄像头、雷达或无人机进行自主探测;
通信模块2:用于接收自主探测端1通信信号及其他通信信号;
控制模块3:用于进行车辆的自动驾驶控制。
所述通信模块2基于小波变换算法对接收的信号进行增强处理。
所述小波变换算法具体如下:
将不同频率的高频系数分量和低频系数分量与通信信号进行内积运算,得
到对应分解层次下的低频系数分量和高频系数分量,经过次迭代得到一个低频系数分量
和个高频系数分量;
其中低频系数分量如下:
高频系数分量如下:
其中,为尺度因子,为通信信号,为尺度函数,为小波函数,、分别为横向位移及纵向位移,为分解层数,、分别为对应信号的高频系数分量和低频系数分量;
基于软阈值处理对高频系数分量进行过滤:
其中,为软阈值处理后的小波系数,为滤波阈值;
基于软阈值处理后的高频系数分量进行小波逆变换完成信号重构:
其中,为去除噪声的雷达信号。
具体的,为了保证更好地抑制噪声并保留有用的信号成分,小波变换算法中根据
信号能量和噪声能量来自适应调整滤波阈值,自适应调整滤波阈值具体为:
计算信号能量和噪声能量:
其中,为通信信号,为噪声信号;
利用信号能量和噪声能量,计算信噪比SNR:
根据信噪比SNR,设定一个基准阈值,再更新,。
在实习操作过程中,通过实验来确定基准阈值,收集一组具有各种信号强度和噪
声水平的信号样本。这些样本是实际的传感器数据、模拟信号或计算机生成的信号。对于每
个信号样本,计算信噪比SNR。对所有信号样本的信噪比进行统计分析,找到信噪比分布的
中位数进行依次验证,验证完成后确定。
最终使用不断更新的来计算高频系数分量。
所述通信模块2基于电子地图搭建道路网络节点特征矩阵。
所述通信模块2还根据接收的雷达信号分析雷达信号回波特征,得到波束形成
输出障碍物方位:
其中,为自动驾驶激光雷达毫米波传感信号的复合包络,为自动驾驶激光雷
达毫米波传感信号的分布相位,为时间间隔,为信号中心频率,为第个信号中心频率,为波束平面和阵元的间隔,为波束的输出时间间隔,对波束信号进行特征聚类得到障碍
感知的波束输出:
其中,为单频信号,为信号频谱,为信号的相位差。
所述控制模块3基于雷达信号搭建车辆与被检测物体之间的邻接矩阵:
其中,,当时,表示车辆自身的状态值,时,表示车辆与被检测物体二者的状态关系值,其中:
其中,指车辆与被检测物体的状态值,指车辆与被检测物体的
位置,、指车辆与被检测物体的横向速度与纵向速度。
所述被检测物体包括障碍物与其他车辆。
所述控制模块3根据车辆当前所处位置建立动作空间;所述动作空间中的横向变换包括掉头、左转、直行和右转;纵向变换包括加速、匀速和减速。
所述控制模块3将邻接矩阵与道路网络节点特征矩阵输入至图卷积神经网络:
其中,为全连接层,为道路网络节点特征矩阵,为经全连接层处理后的道路
网络节点特征矩阵;将和邻接矩阵输入至图卷积神经网络中,进行车辆自主驾驶控制:
其中,为图卷积层输出的控制指令,为图卷积算子,为单位矩阵,为可训练的
权重矩阵,为激活函数。
所述控制模块3基于如下的奖励函数进行车辆的自主动态调整:
其中,为安全驾驶奖励,为舒适性奖励,、分别为对应各奖励的权重系
数;
其中,表示当车辆在持续时间段内与其他车辆保持的距离不低于时,实
现正奖励;表示当车辆与其他车辆的距离低于安全距离时,实现负奖励,其余状态不
奖励;舒适性奖励中,每换道一次实现负奖励。
本实施例中,当多个行进在一条道路上的车辆安装了相同的本发明的自动导航系统时,各车辆的自主探测端1发射探测信号,
这些车辆通过车载的导航系统将不同频率的高频系数分量和低频系数分量与通
信信号进行内积运算,得到对应分解层次下的低频系数分量和高频系数分量,经过
15次迭代得到一个低频系数分量和15个高频系数分量;
其中低频系数分量如下:
高频系数分量如下:
其中,为尺度因子,为通信信号,为尺度函数,为小波函数,、分别为横向位移及纵向位移,为分解层数,、分别为对应信号的高频系数分量和低频系数分量;
基于软阈值处理对高频系数分量进行过滤:
其中,为软阈值处理后的小波系数,为滤波阈值;
基于软阈值处理后的高频系数分量进行小波逆变换完成信号重构:
其中,为去除噪声的雷达信号。
基于小波变换算法对接收的雷达信号进行时频分析,并使用软阈值函数对小波系数进行滤波,软阈值函数具有良好的连续性和平滑性,提升信号质量,实现信号的增强处理。
分析模块根据所述通信模块2接收的雷达信号分析雷达信号回波特征,得到波
束形成输出障碍物方位:
其中,为自动驾驶激光雷达毫米波传感信号的复合包络,为自动驾驶激光雷
达毫米波传感信号的分布相位,为时间间隔,为信号中心频率,为第个信号中心频率,为波束平面和阵元的间隔,为波束的输出时间间隔,对波束信号进行特征聚类得到障碍
感知的波束输出:
其中,为单频信号,为信号频谱,为信号的相位差。
车载的导航系统分析雷达信号的回波特征,根据波束形成和信号方向实现对障碍物或其他车辆的感知和自适应定位。
车载的导航系统以此形成一个动态的车联网络系统,通过导航系统的后台控制中心可以检测并控制每个车辆的行驶状态。
导航系统在结合电子地图搭建道路网络节点特征矩阵,并基于自主探测端1通信
信号及其他车辆的通信信号等搭建车辆与被检测物体,如其他车辆上的障碍物或其他车辆
之间的邻接矩阵:
其中,,当时,表示车辆自身的状态值,时,表示车辆与被检测物体二者的状态关系值,其中:
其中,指车辆与被检测物体的状态值,指车辆与被检测物体的
位置,、指车辆与被检测物体的横向速度与纵向速度。
控制模块3根据车辆当前所处位置建立动作空间:横向变换包括掉头、左转、直行和右转;纵向变换包括加速、匀速和减速。
将邻接矩阵与道路网络节点特征矩阵输入至图卷积神经网络:
其中,为全连接层,为车载的导航系统搭建的道路网络节点特征矩阵,为经
全连接层处理后的道路网络节点特征矩阵;将和邻接矩阵输入至图卷积神经网络中,进
行车辆的自主驾驶控制:
其中,为图卷积层输出的控制指令,为图卷积算子,为单位矩阵,为可训练的
权重矩阵,为激活函数;
基于如下的奖励函数进行车辆的自主动态调整:
其中,为安全驾驶奖励,为舒适性奖励,、分别为对应各奖励的权重系
数;
其中,表示当车辆在持续时间段内与其他车辆保持的距离不低于时,实
现正奖励;表示当车辆与其他车辆的距离低于安全距离时,实现负奖励,其余状态不
奖励;舒适性奖励中,每换道一次实现负奖励,如连续进行两次变道时,进行累计奖励,。
控制模块3通过图卷积网络、动作空间和奖励函数进行车辆的自主控制,以提升人员的安全性和舒适度为目的进行车辆的自主驾驶,同时保持车辆的高速驾驶,提升车辆自主驾驶效率。
实时检测这些车辆新建的前方道路上的临时突发情况,并经过分析后传递给联网的每个车辆提前做好应对措施,如前方突发车祸,造成临时堵车。可以引导联网的车辆改变路线或绕道,以避免造成堵车。
此外,值得说明的是,当车辆进入陌生的路段行驶,且电子地图上也无法提供可靠的信息时,可以临时放出无人机去探路,无人机携带雷达波、激光、红外等探测设备,对前方道路进行遥控或自动探测,传回探测结果,供车主参考。或探测数据输入到本车的自动导航系统中,对前方道路的畅通性及安全性作为分析及判断。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种高速导航自动驾驶系统,其特征在于:包括:
自主探测端(1):用于通过多路摄像头、雷达或无人机进行自主探测;
通信模块(2):用于接收自主探测端(1)通信信号及其他通信信号;
控制模块(3):用于进行车辆的自动驾驶控制;
所述通信模块(2)基于小波变换算法对接收的信号进行增强处理;所述小波变换算法具体如下:
将不同频率的高频系数分量和低频系数分量与通信信号进行内积运算,得到对应分解层次下的低频系数分量和高频系数分量,经过/>次迭代得到一个低频系数分量和/>个高频系数分量;
其中低频系数分量如下:
;
高频系数分量如下:
;
其中,为尺度因子,/>为通信信号,/>为尺度函数,为小波函数,/>、/>分别为横向位移及纵向位移,/>为分解层数,/>、分别为对应信号的高频系数分量和低频系数分量;
基于软阈值处理对高频系数分量进行过滤:
;
其中,为软阈值处理后的小波系数,/>为滤波阈值;
基于软阈值处理后的高频系数分量进行小波逆变换完成信号重构:
;
其中,为去除噪声的雷达信号;
所述小波变换算法中根据信号能量和噪声能量来自适应调整滤波阈值;
所述自适应调整滤波阈值具体为:
计算信号能量和噪声能量/>:
;
;
其中,为通信信号,/>噪声信号;
利用信号能量和噪声能量,计算信噪比:
;
根据信噪比,设定一个基准阈值/>,再更新/>,/>;
使用不断更新的来计算高频系数分量;
所述通信模块(2)基于电子地图搭建道路网络节点特征矩阵;
所述控制模块(3)基于雷达信号搭建车辆与被检测物体之间的邻接矩阵:
;
其中,,当/>时,表示车辆/>自身的状态值/>时,表示车辆/>与被检测物体/>二者的状态关系值,其中:
;
其中,指车辆/>与被检测物体/>的状态值,/>指车辆/>与被检测物体/>的位置,、/>指车辆/>与被检测物体/>的横向速度与纵向速度;
所述控制模块(3)根据车辆当前所处位置建立动作空间;所述动作空间中的横向变换包括掉头、左转、直行和右转;纵向变换包括加速、匀速和减速。
2.根据权利要求1所述的高速导航自动驾驶系统,其特征在于:所述通信模块(2)还根据接收的雷达信号分析雷达信号回波特征,得到波束形成输出障碍物方位:
;
其中,为自动驾驶激光雷达毫米波传感信号的复合包络,/>为自动驾驶激光雷达毫米波传感信号的分布相位,/>为时间间隔,/>为信号中心频率,/>为第/>信号中心频率,/>为波束平面和阵元的间隔,/>为波束的输出时间间隔,对波束信号进行特征聚类得到障碍感知的波束输出/>:
;
其中,为单频信号,/>为信号频谱,/>为信号的相位差。
3.根据权利要求2所述的高速导航自动驾驶系统,其特征在于:所述被检测物体包括障碍物与其他车辆。
4.根据权利要求3所述的高速导航自动驾驶系统,其特征在于:所述控制模块(3)将邻接矩阵与道路网络节点特征矩阵输入至图卷积神经网络:
;
其中,为全连接层,/>为道路网络节点特征矩阵,/>为经全连接层处理后的道路网络节点特征矩阵;将/>和邻接矩阵/>输入至图卷积神经网络中,进行车辆自主驾驶控制:
;
其中,为图卷积层输出的控制指令,/>为图卷积算子,/>为单位矩阵,/>为可训练的权重矩阵,/>为激活函数。
5.根据权利要求4所述的高速导航自动驾驶系统,其特征在于:所述控制模块(3)基于如下的奖励函数进行车辆的自主动态调整:
;
其中,为安全驾驶奖励,/>为舒适性奖励,/>、/>分别为对应各奖励的权重系数;
;
;
其中,表示当车辆在持续/>时间段内与其他车辆保持的距离/>不低于/>时,实现正奖励;/>表示当车辆与其他车辆的距离低于安全距离时,实现负奖励,其余状态不奖励;舒适性奖励中,每换道一次实现负奖励。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192058.6A CN116930955B (zh) | 2023-09-15 | 2023-09-15 | 一种高速导航自动驾驶系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311192058.6A CN116930955B (zh) | 2023-09-15 | 2023-09-15 | 一种高速导航自动驾驶系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116930955A CN116930955A (zh) | 2023-10-24 |
CN116930955B true CN116930955B (zh) | 2023-12-22 |
Family
ID=88375731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311192058.6A Active CN116930955B (zh) | 2023-09-15 | 2023-09-15 | 一种高速导航自动驾驶系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116930955B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005109215A2 (en) * | 2004-04-30 | 2005-11-17 | Hillcrest Laboratories, Inc. | Methods and devices for removing unintentional movement in free space pointing devices |
WO2017040821A1 (en) * | 2015-09-04 | 2017-03-09 | Stryker Corporation | System and method for controlling a surgical manipulator based on implant parameters |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI376520B (en) * | 2004-04-30 | 2012-11-11 | Hillcrest Lab Inc | Free space pointing devices and methods |
US8786625B2 (en) * | 2010-09-30 | 2014-07-22 | Apple Inc. | System and method for processing image data using an image signal processor having back-end processing logic |
-
2023
- 2023-09-15 CN CN202311192058.6A patent/CN116930955B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005109215A2 (en) * | 2004-04-30 | 2005-11-17 | Hillcrest Laboratories, Inc. | Methods and devices for removing unintentional movement in free space pointing devices |
WO2017040821A1 (en) * | 2015-09-04 | 2017-03-09 | Stryker Corporation | System and method for controlling a surgical manipulator based on implant parameters |
Non-Patent Citations (4)
Title |
---|
A novel single chip implementation of MEMS INS data acquisition and processing system using FPGA and its soft processors;DAI Gang等;The Ninth International Conference on Electronic Measurement & Instruments;558-561 * |
The Improved Algorithm of UPF in Spacecraft Autonomous Optical Navigation;Du Junwei等;Proceedings of the 27th Chinese Control Conference;256-260 * |
基于小波分析的轨迹跟踪系统的研究;刘瑞英;中国优秀硕士论文全文数据库 信息科技辑;I140-113 * |
遗传优化小波神经网络在组合导航中的应用研究;杨丽;中国优秀硕士论文全文数据库 工程科技Ⅱ辑;C031-104 * |
Also Published As
Publication number | Publication date |
---|---|
CN116930955A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10235881B2 (en) | Autonomous operation capability configuration for a vehicle | |
US11475351B2 (en) | Systems and methods for object detection, tracking, and motion prediction | |
CN111382768B (zh) | 多传感器数据融合方法和装置 | |
US11292494B2 (en) | Apparatus and method for determining levels of driving automation | |
CN110657820A (zh) | 基于车辆活动的导航 | |
CN112285740A (zh) | 车辆工况检测 | |
CN112512887B (zh) | 一种行驶决策选择方法以及装置 | |
CN113176096A (zh) | 车辆工况的检测 | |
CN110890091A (zh) | 车辆语言处理 | |
DE112020004545T5 (de) | Signalverarbeitungsvorrichtung, signalverarbeitungsverfahren, programm und mobile vorrichtung | |
DE112021002953T5 (de) | Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm | |
DE102022124361A1 (de) | Sichtweiteabschätzung unter verwendung von deep learning in autonomen maschinenanwendungen | |
DE102022105579A1 (de) | Graphenerkundung zur regelbuchtrajektorieerzeugung | |
CN116930955B (zh) | 一种高速导航自动驾驶系统 | |
CN112633326B (zh) | 一种基于贝叶斯多源融合的无人机目标检测方法 | |
Tian et al. | Robust identification of road surface condition based on ego-vehicle trajectory reckoning | |
CN113160554A (zh) | 基于车联网的空地协同交通管理系统及方法 | |
CN113306554A (zh) | 车辆让路决策 | |
EP4159572A1 (en) | Using audio to detect road conditions | |
CN115963840A (zh) | 通信拓扑切换下基于深度强化学习的智能车编队控制方法 | |
US11794780B2 (en) | Reward function for vehicles | |
CN115416650A (zh) | 一种车辆的智能驾驶避障系统 | |
DE102022102187A1 (de) | High-fidelity-daten-getriebene multimodale simulation | |
US11262201B2 (en) | Location-based vehicle operation | |
DE112020000138B4 (de) | Feldtheoriebasierte wahrnehmung für autonome fahrzeuge |
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 |