CN117207976A - 一种基于驾驶风格的换道方法、装置及存储介质 - Google Patents
一种基于驾驶风格的换道方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117207976A CN117207976A CN202311247430.9A CN202311247430A CN117207976A CN 117207976 A CN117207976 A CN 117207976A CN 202311247430 A CN202311247430 A CN 202311247430A CN 117207976 A CN117207976 A CN 117207976A
- Authority
- CN
- China
- Prior art keywords
- driving
- data
- trained
- training
- lane
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000008859 change Effects 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims description 105
- 230000006399 behavior Effects 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 38
- 230000009467 reduction Effects 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 11
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 15
- 230000001133 acceleration Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例涉及车辆技术领域,公开了一种基于驾驶风格的换道方法、装置及存储介质,方法包括:将目标用户的驾驶风格特征数据输入训练好的驾驶风格模型中,以使训练好的驾驶风格模型输出目标用户的驾驶风格画像;将目标用户的驾驶风格画像和车辆当前环境的特征数据输入训练好的驾驶环境模型中,以使训练好的驾驶环境模型输出当前驾驶环境图;将目标用户的驾驶风格画像和当前驾驶环境图输入训练好的换道决策模型中,以使训练好的换道决策模型输出目标换道策略;根据目标换道策略控制车辆进行换道操作。本申请实施例能确定出既满足目标用户驾驶风格,又适应当前道路环境的目标换道策略,满足用户的个性化驾驶需求的同时,提高了用户的驾驶体验感。
Description
技术领域
本申请实施例涉及车辆技术领域,具体涉及一种基于驾驶风格的换道方法、装置及存储介质。
背景技术
在智能车辆驾驶过程中,车辆一般通过采集当前环境图像帧,以得到车辆当前环境的特征数据,从而对行进车辆进行相关控制,但控制过程中并未考量用户的个性化驾驶需求。
特别是在控制车辆换道过程中,部分用户倾向于平稳换道,部分用户倾向于快速换道,目前缺乏基于用户驾驶风格的换道策略。
发明内容
鉴于上述问题,本申请实施例提供了一种基于驾驶风格的换道方法、装置及存储介质,基于目标用户的驾驶风格确定出相应的目标换道策略,以满足不同用户的个性化驾驶需求。
根据本申请实施例的一个方面,提供了一种基于驾驶风格的换道方法,所述换道方法包括:将目标用户的驾驶风格特征数据输入训练好的驾驶风格模型中,以使所述训练好的驾驶风格模型输出所述目标用户的驾驶风格画像;将所述目标用户的驾驶风格画像和车辆当前环境的特征数据输入训练好的驾驶环境模型中,以使所述训练好的驾驶环境模型输出当前驾驶环境图;将所述目标用户的驾驶风格画像和当前驾驶环境图输入训练好的换道决策模型中,以使所述训练好的换道决策模型输出目标换道策略;根据所述目标换道策略控制所述车辆进行换道操作。
在一种可选的方式中,所述换道方法还包括:根据所述车辆的历史轨迹数据和各个用户的驾驶行为数据,确定出第一训练数据集;根据所述第一训练数据集对初始驾驶风格模型进行训练,以得到所述训练好的驾驶风格模型。
在一种可选的方式中,所述换道方法还包括:将第一测试数据集中相应数据输入训练好的驾驶风格模型中,以得到用于训练初始驾驶环境模型的训练驾驶风格画像;所述第一测试数据集与所述第一训练数据集相同;根据所述训练驾驶风格画像和所述车辆历史环境的特征数据对所述初始驾驶环境模型进行训练,以得到所述训练好的驾驶环境模型。
在一种可选的方式中,所述换道方法还包括:将所述第一测试数据集中相应数据输入所述训练好的驾驶环境模型中,以使所述训练好的驾驶环境模型输出用于训练初始换道决策模型的训练驾驶环境图;根据所述训练驾驶环境图和所述训练驾驶风格画像对所述初始换道决策模型进行训练,以得到所述训练好的换道决策模型。
在一种可选的方式中,所述根据所述训练驾驶环境图和所述训练驾驶风格画像对所述初始换道决策模型进行训练,以得到训练好的换道决策模型,进一步包括:根据所述训练驾驶环境图和所述训练驾驶风格画像对所述初始换道决策模型进行训练,以得到待测试换道决策模型;根据所述第一测试数据集对所述待测试换道决策模型进行测试,并对测试后的换道决策模型进行调整,以得到训练好的换道决策模型。
在一种可选的方式中,在所述根据所述车辆的历史轨迹数据和各个用户的驾驶行为数据,确定出第一训练数据集之前,所述换道方法还包括:采集所述车辆的原始历史轨迹数据和各个用户的原始驾驶行为数据;对所述原始历史轨迹数据和所述原始驾驶行为数据进行降维处理,以得到所述车辆的历史轨迹数据和各个用户的驾驶行为数据。
在一种可选的方式中,所述对所述原始历史轨迹数据和所述原始驾驶行为数据进行降维处理,以得到所述车辆的历史轨迹数据和各个用户的驾驶行为数据,进一步包括:获取所述原始历史轨迹数据和所述原始驾驶行为数据中各个数据的信息纯度,以及数据总数量;根据所述原始历史轨迹数据和所述原始驾驶行为数据,各个数据的信息纯度和所述数据总数量,确定出降维处理后的原始历史轨迹数据和原始驾驶行为数据;将所述降维处理后的原始历史轨迹数据和原始驾驶行为数据,作为所述车辆的历史轨迹数据和各个用户的驾驶行为数据。
根据本申请实施例的另一方面,提供了一种基于驾驶风格的换道装置,所述换道装置包括:第一输出模块,用于将目标用户的驾驶风格特征数据输入训练好的驾驶风格模型中,以使所述训练好的驾驶风格模型输出所述目标用户的驾驶风格画像;第二输出模块,用于将所述目标用户的驾驶风格画像和车辆当前环境的特征数据输入训练好的驾驶环境模型中,以使所述训练好的驾驶环境模型输出当前驾驶环境图;第三输出模块,用于将所述目标用户的驾驶风格画像和当前驾驶环境图输入训练好的换道决策模型中,以使所述训练好的换道决策模型输出目标换道策略;换道模块,用于根据所述目标换道策略控制所述车辆进行换道操作。
根据本申请实施例的一个方面,提供了一种电子设备,包括:控制器;存储器,用于存储一个或多个程序,当一个或多个程序被所述控制器执行时,以执行上述的换道方法。
根据本申请实施例的一个方面,还提供了一种计算机可读存储介质,其上存储有计算机可读指令,当所述计算机可读指令被计算机的处理器执行时,使计算机执行上述的换道方法。
根据本申请实施例的一个方面,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述的换道方法。
本申请实施例通过将目标用户的驾驶风格特征数据和车辆当前环境的特征数据进行结合,分别将相应数据输入不同的训练好的模型中,以确定出既满足目标用户驾驶风格,又适应当前道路环境的目标换道策略,从而在保证换道安全的情况下,满足用户的个性化驾驶需求,提高用户的驾驶体验感。
上述说明仅是本申请实施例技术方案的概述,为了能够更清楚了解本申请实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本申请实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
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。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者来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一示例性实施例示出的一种基于驾驶风格的换道方法的流程示意图。
图2是本申请一示例性实施例示出的驾驶环境图。
图3是基于图1所示示例性实施例示出的另一种基于驾驶风格的换道方法的流程示意图。
图4是本申请一示例性实施例示出的车辆视野范围的示意图。
图5是本申请一示例性实施例示出的数据处理的流程示意图。
图6是本申请基于驾驶风格的换道方法的应用场景的示意图。
图7是本申请一示例性实施例示出的基于驾驶风格的换道装置的结构示意图。
图8是本申请的一示例性实施例示出的电子设备的计算机系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例执行说明,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。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
在本申请中提及的“多个”是指两个或者两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
在智能车辆驾驶过程中,车辆一般通过采集当前环境图像帧,以得到车辆当前环境的特征数据,从而对行进车辆进行换道控制等,但目前控制车辆换道过程中,并未考量用户的个性化驾驶需求,致使用户体验感较差。
为此,本申请的一方面提供了一种基于驾驶风格的换道方法。具体请参阅图1,图1是本申请一示例性实施例示出的一种基于驾驶风格的换道方法的流程示意图。该换道方法至少包括S110至S140,详细介绍如下:
S110:将目标用户的驾驶风格特征数据输入训练好的驾驶风格模型中,以使训练好的驾驶风格模型输出目标用户的驾驶风格画像。
现有家庭车辆并不仅限于单一用户驾驶,可能存在多个驾驶用户,在某些实施例中需要提前对当前驾驶车辆的用户进行身份认证,即在S110之前还包括:对当前驾驶车辆的用户进行身份认证,以确定出目标用户。例如,车内摄像头采集当前驾驶车辆的用户的面部图像,根据面部图像确定出图像特征数据,并将图像特征数据与存储的各个用户对应的图像特征数据进行匹配,将匹配成功的图像特征数据对应的用户判定为目标用户,并获取目标用户的驾驶风格特征数据。
驾驶风格一般划分为激进型,正常型和谨慎型,一般使用驾驶风格画像(DrivingStyle Portrait,DSP)来对动态驾驶风格矩阵进行定义。激进型驾驶风格的用户在行车过程中可能会剧烈、大行程地踩动油门或刹车踏板,以在短时间内操控车辆获得较大加速度或减速度,满足自身对车辆运动性能的把控;而谨慎型的用户在行车过程中通常会频繁、短行程地踩动油门踏板或刹车踏板,以更好的调节车辆的加速或减速运动特性,满足自身对车辆行驶安全性的把控。因为无论哪种类型都具有不稳定性,会引起较大误差,所以采用驾驶风格画像的方式能提高驾驶风格划分结果的准确性。
驾驶风格特征数据包括历史跟驰距离、历史驾驶速度、历史驾驶加速度等。其中,跟驰距离反映了驾驶人对安全距离的判断以及驾驶人对前车驾驶车辆距离的容忍度。
示例性地,根据历史跟驰距离,历史驾驶速度和历史驾驶加速度,构建驾驶风格画像特征函数:yDSP,t=f(vx,t,vy,,ax,t,,ay,t,,df,t);其中,yDSP,t表示驾驶风格变量,时间序列{vx,t,vy,t,ax,t,ay,t,df,t}五个特征变量,vx,t,vy,t,ax,t,ay,t为车辆t时刻在{x,y}方向上的历史驾驶速度和历史驾驶加速度,其中x表示车道行进方向,y表示与车道行进方向垂直的方向。df,t表示t时刻的跟驰距离,从而得到目标用户的驾驶风格画像。
S120:将目标用户的驾驶风格画像和车辆当前环境的特征数据输入训练好的驾驶环境模型中,以使训练好的驾驶环境模型输出当前驾驶环境图。
车辆当前环境的特征数据包括驾驶速度、驾驶加速度、周围其它车辆相对于本车辆的相对驾驶速度和纵向相对位移量等。
将车辆当前环境的特征数据与驾驶风格画像共同组成换道行为预测的自变量,并将该自变量作为输入变量输入到训练好的驾驶环境模型中,以对换道行为进行预测的同时输出当前驾驶环境图(Driving Surrounding Map,DSM)。其中,驾驶环境图能表征实时交通环境对换道策略的影响,因为驾驶环境图的参数是实时变量,所以一定程度上能反映出其对驾驶风格波动性的影响。如图2所示,图2是本申请一示例性实施例示出的驾驶环境图。其中,包括主车(SV)、车道前车(PV)、左侧车道前车(LPV)、左侧车道后车(LFV),右侧车道前车(RPV)和右侧车道后车(RFV),环境特征变量的量化表征方法:yDSM,t=f(vSV,t,aSV,t,vPV,t,vLPV,t,vLFV,t,vRPV,t,vPFV,t,ΔxPV,t,ΔxLPV,t,ΔxLFV,t,ΔxRPV,t,ΔxRFV,t),特征变量vi,t表示各车(i)在t时刻的驾驶速度,Δxi,t表示主车与周边其它车辆的纵向距离差,aSV,t表示主车t时刻的驾驶加速度。
S130:将目标用户的驾驶风格画像和当前驾驶环境图输入训练好的换道决策模型中,以使训练好的换道决策模型输出目标换道策略。
将上述两个训练好的模型输出的结果输入训练好的换道决策模型中,以确定出既满足目标用户驾驶风格,又适应当前道路环境的目标换道策略。
S140:根据目标换道策略控制车辆进行换道操作。
在某些实施例中,在根据目标换道策略控制车辆进行换道操作之前,需要询问目标用户是否执行该目标换道策略,在得到目标用户允许的情况下,才会执行该目标换道策略。在另外的某些实施例中,前期车辆功能设置时就设置成智能化驾驶,即无需再次得到目标用户的允许,就能直接根据目标换道策略控制车辆进行换道操作。
本实施例通过将目标用户的驾驶风格特征数据和车辆当前环境的特征数据进行结合,分别将相应数据输入不同的训练好的模型中,以确定出既满足目标用户驾驶风格,又适应当前道路环境的目标换道策略,从而在保证换道安全的情况下,满足用户的个性化驾驶需求,提高用户的驾驶体验感。
在本申请另一示例性实施例中,详细介绍了如何得到训练好的驾驶风格模型,具体请参阅图3,图3是基于图1所示示例性实施例示出的另一种基于驾驶风格的换道方法的流程示意图。该换道方法基于图1所示的S110至S140,还包括S310至S320,详细介绍如下:
S310:根据车辆的历史轨迹数据和各个用户的驾驶行为数据,确定出第一训练数据集。
本实施例中的历史轨迹数据和驾驶行为数据是经过处理后得到的数据,例如处理原始数据中的缺失数据,噪声数据和离群值,数据处理方法包括但不限于回归填补、时间域移动平均、傅里叶变换、移除离群值等。
第一训练数据集中包括静态场景数据和动态场景数据;其中,静态场景数据包括:车道数量、车道宽度、限速大小以及道路曲率等;动态场景数据包括:道路使用者及其位置信息数据、运动信息数据和环境信息数据等,例如车辆id、帧id,占用车道,横向和纵向的相对位移、驾驶速度、驾驶加速度、跟驰距离、周边车辆相对于目标车辆的相对加速度,以及目标车辆前、后、左、右周边车辆的相关信息数据。
S320:根据第一训练数据集对初始驾驶风格模型进行训练,以得到训练好的驾驶风格模型。
将第一训练数据集中的相关数据输入初始驾驶风格模型,以对其进行多次训练,从而得到训练好的驾驶风格模型。
本实施例提供了一种得到训练好的驾驶风格模型的方式,根据车辆的历史轨迹数据和各个用户的驾驶行为数据,确定出第一训练数据集,第一训练数据集来源于车辆相关的历史数据,将其用以对初始驾驶风格模型进行训练,使得训练好的驾驶风格模型输出的结果更加准确。
在本申请另一示例性实施例中,基于上述任一示例性实施例所示的换道方法,详细介绍了如何得到训练好的驾驶环境模型,本实施例的换道方法还包括S410至S420,详细介绍如下:
S410:将第一测试数据集中相应数据输入训练好的驾驶风格模型中,以得到用于训练初始驾驶环境模型的训练驾驶风格画像;第一测试数据集与第一训练数据集相同。
第一测试数据集和第一训练数据集中的数据完全等同,可以理解为在构建完第一训练数据集后,对其进行复制操作,以得到与其数据完全相同的第一测试数据集。
本实施例引入训练好的驾驶风格模型的输出结果,将输出结果作为训练初始驾驶环境模型的训练驾驶风格画像,以增强驾驶风格模型与驾驶环境模型的关联性。
S420:根据训练驾驶风格画像和车辆历史环境的特征数据对初始驾驶环境模型进行训练,以得到训练好的驾驶环境模型。
示例性地,将车辆历史环境的特征数据中的历史驾驶速度、历史驾驶加速度、历史周边车辆相对于目标车辆的相对驾驶速度、纵向相对位移量,作为特征变量输入初始驾驶环境模型中,同时也将训练驾驶风格画像作为特征变量输入初始驾驶环境模型中,以对初始驾驶环境模型进行训练。
本实施例提供了一种得到训练好的驾驶环境模型的方式,引入训练好的驾驶风格模型输出结果,将输出结果作为训练初始驾驶环境模型的训练驾驶风格画像,并结合车辆历史环境的特征数据对初始驾驶环境模型进行训练,以得到训练好的驾驶环境模型,从而提升训练好的驾驶环境模型输出结果的准确性。
在本申请另一示例性实施例中,基于上述任一示例性实施例所示的换道方法,详细介绍了如何得到训练好的换道决策模型,本实施例的换道方法还包括S510至S520,详细介绍如下:
S510:将第一测试数据集中相应数据输入训练好的驾驶环境模型中,以使训练好的驾驶环境模型输出用于训练初始换道决策模型的训练驾驶环境图。
本实施例引入训练好的驾驶环境模型的输出结果,将输出结果作为训练初始换道决策模型的训练驾驶环境图,以增强换道决策模型与驾驶环境模型的关联性。
S520:根据训练驾驶环境图和训练驾驶风格画像对初始换道决策模型进行训练,以得到训练好的换道决策模型。
示例性地,将训练驾驶环境图和训练驾驶风格画像输入卷积神经网络,进行卷积-池化处理,以得到训练好的换道决策模型。训练好的换道决策模型可自动保存各个用户每次的驾驶习惯,并通过分析驾驶习惯结合历史轨迹数据,可实时对用户的驾驶行为进行预测。
值得注意的是,在训练涉及时间序列的轨迹数据时,需统一用户和车辆的视野范围。如图4所示,图4是本申请一示例性实施例示出的车辆视野范围的示意图。视野范围同时也取决于检测设备的精度,为保证车辆决策与用户决策的协调性,在训练时需假定车辆有与用户具有一致的感知范围。
本实施例提供了一种得到训练好的换道决策模型的方式,引入训练好的驾驶环境模型输出结果,将输出结果作为训练初始换道决策模型的训练驾驶环境图,并结合训练驾驶风格画像对初始换道决策模型进行训练,以得到训练好的换道决策模型,从而提升训练好的换道决策模型输出结果的准确性。
在本申请另一示例性实施例中,详细介绍了如何根据训练驾驶环境图和训练驾驶风格画像对初始换道决策模型进行训练,以得到训练好的换道决策模型,本实施例的换道方法在上述S520中,进一步包括S610至S620,详细介绍如下:
S610:根据训练驾驶环境图和训练驾驶风格画像对初始换道决策模型进行训练,以得到待测试换道决策模型。
S620:根据第一测试数据集对待测试换道决策模型进行测试,并对测试后的换道决策模型进行调整,以得到训练好的换道决策模型。
本实施例对初始换道决策模型进行训练后,还利用第一测试数据中的相关数据对其进行反复测试,或使用SUMO软件对待测试换道决策模型进行仿真实验,从而能保证训练好的换道决策模型的稳定性,以提供对复杂又混合的交通场景提供更优的决策支持。
在本申请另一示例性实施例中,基于上述任一示例性实施例所示的换道方法,详细介绍了如何得到车辆的历史轨迹数据和各个用户的驾驶行为数据,本实施例的换道方法在上述S210之前,还包括S710至S720,详细介绍如下:
S710:采集车辆的原始历史轨迹数据和各个用户的原始驾驶行为数据。
在某些实施例中,还需对相关原始数据进行数据处理,例如,回归填补、时间域移动平均、傅里叶变换、移除离群值等处理方式,后续再对处理后的原始数据进行降维处理。
S720:对原始历史轨迹数据和原始驾驶行为数据进行降维处理,以得到车辆的历史轨迹数据和各个用户的驾驶行为数据。
例如,采用SHAP(SHapley Additive exPlanations,夏普丽解释法)解释法对原始历史轨迹数据和原始驾驶行为数据进行降维处理。它基于博弈论中的Shapley值概念,用于衡量每个特征对于预测结果的贡献。SHAP解释法通过计算每个特征对于不同特征组合的预测结果的贡献,来得出每个特征的重要性。具体来说,它通过迭代地将特征添加到一个特征组合中,计算每个特征的Shapley值,并将其与其他特征的Shapley值进行组合,以获得最终的特征重要性评分。
SHAP解释法可以应用于各种机器学习模型,包括分类和回归模型。它提供了一种直观和可解释的方式来理解模型的预测结果,帮助用户了解每个特征的贡献程度,以及特征之间的相互作用。SHAP解释法还可以用于特征选择、模型优化和模型比较等应用场景,帮助用户更好地理解和利用机器学习模型。
本实施例提供了一种对相关原始数据进行处理的方式,通过将原始历史轨迹数据和原始驾驶行为数据进行降维处理,以得到车辆的历史轨迹数据和各个用户的驾驶行为数据,以统一静态场景数据和动态场景数据的维度,方便利用降维后的数据对相关模型进行快速训练。
在本申请另一示例性实施例中,详细介绍了如何对原始历史轨迹数据和原始驾驶行为数据进行降维处理,以得到车辆的历史轨迹数据和各个用户的驾驶行为数据,本实施例的换道方法在上述S720中,进一步包括S810至S830,详细介绍如下:
S810:获取原始历史轨迹数据和原始驾驶行为数据中各个数据的信息纯度,以及数据总数量。
S820:根据原始历史轨迹数据和原始驾驶行为数据,各个数据的信息纯度和数据总数量,确定出降维处理后的原始历史轨迹数据和原始驾驶行为数据。
S830:将降维处理后的原始历史轨迹数据和原始驾驶行为数据,作为车辆的历史轨迹数据和各个用户的驾驶行为数据。
请参阅图5,图5是本申请一示例性实施例示出的数据处理的流程示意图。获取到原始历史轨迹数据和原始驾驶行为数据后,对其进行相应的数据处理。例如,回归填补、时间域移动平均、傅里叶变换、移除离群值等处理方式。
然后,再采用SHAP解释法对处理后的原始数据进行降维处理。其中,原始历史轨迹数据和原始驾驶行为数据中皆涉及动态场景数据和静态场景数据,将原始历史轨迹数据和原始驾驶行为数据作为特征参数,根据如下公式对相关原始数据进行降维处理,以得到降维处理后的数据:
其中,Bj(j=1,2,3......,n)表示第j个输入的特征参数;Gini(D|Bj)表示第j个输入特征参数在当前静态场景或动态场景的信息纯度;D表示输入特征参数的总数目;Di表示在输入当前特征参数时已经输入过的特征参数的数目;K表示当前对驾驶风格辨识和换道行为预测有用的特征参数的总数目;Ci,k表示在输入当前对驾驶风格辨识和换道行为预测有用的特征参数时,前面已经输入过的特征参数的总数目。
最后从降维处理后的数据中筛选得到用于构建第一训练数据集的数据,并复制第一训练数据集,以得到完全相同的第一测试数据集。
本实施例进一步说明了如何对原始历史轨迹数据和原始驾驶行为数据进行降维处理,根据SHAP解释法对处理后的原始数据进行降维处理,仅需知晓各个数据的信息纯度,以及数据总数量等参数,就能快速得到降维处理后的原始历史轨迹数据和原始驾驶行为数据,并将其作为车辆的历史轨迹数据和各个用户的驾驶行为数据。
在本申请另一示例性实施例中对上述多个换道方法的应用场景进行了示例性说明,具体请参阅图6,图6是本申请基于驾驶风格的换道方法的应用场景的示意图。其中,包括车辆100和服务器200,两端之间可通过无线通信的方式连接,本申请并不限制它们之间的连接方式。
服务器200可以如图6所示置于车辆100中,亦可独立于车辆100之外,本实施例并不对其进行限制。服务器200可作为上述任一示例性实施例示出的换道方法,下面进行示例性说明:
服务器200将目标用户的驾驶风格特征数据输入训练好的驾驶风格模型中,以使训练好的驾驶风格模型输出目标用户的驾驶风格画像;服务器200将目标用户的驾驶风格画像和车辆100当前环境的特征数据输入训练好的驾驶环境模型中,以使训练好的驾驶环境模型输出当前驾驶环境图;服务器200将目标用户的驾驶风格画像和当前驾驶环境图输入训练好的换道决策模型中,以使训练好的换道决策模型输出目标换道策略;服务器200根据目标换道策略控制车辆100进行换道操作。
其中,服务器200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,其中多个服务器可组成一区块链,而服务器为区块链上的节点,服务器200还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处也不对此进行限制。
本申请的另一方面还提供了一种基于驾驶风格的换道装置,如图7所示,图7是本申请一示例性实施例示出的基于驾驶风格的换道装置的结构示意图。换道装置700包括:
第一输出模块710,用于将目标用户的驾驶风格特征数据输入训练好的驾驶风格模型中,以使训练好的驾驶风格模型输出目标用户的驾驶风格画像。
第二输出模块730,用于将目标用户的驾驶风格画像和车辆当前环境的特征数据输入训练好的驾驶环境模型中,以使训练好的驾驶环境模型输出当前驾驶环境图.
第三输出模块750,用于将目标用户的驾驶风格画像和当前驾驶环境图输入训练好的换道决策模型中,以使训练好的换道决策模型输出目标换道策略。
换道模块770,用于根据目标换道策略控制车辆进行换道操作。
在一种可选的方式中,换道装置700还包括:
训练数据集确定模块,用于根据车辆的历史轨迹数据和各个用户的驾驶行为数据,确定出第一训练数据集。
驾驶风格模型训练模块,用于根据第一训练数据集对初始驾驶风格模型进行训练,以得到训练好的驾驶风格模型。
在一种可选的方式中,换道装置700还包括:
训练驾驶风格画像生成模块,用于将第一测试数据集中相应数据输入训练好的驾驶风格模型中,以得到用于训练初始驾驶环境模型的训练驾驶风格画像;第一测试数据集与第一训练数据集相同。
驾驶环境模型训练模块,用于根据训练驾驶风格画像和车辆历史环境的特征数据对初始驾驶环境模型进行训练,以得到训练好的驾驶环境模型。
在一种可选的方式中,换道装置700还包括:
训练驾驶环境图生成模块,用于将第一测试数据集中相应数据输入训练好的驾驶环境模型中,以使训练好的驾驶环境模型输出用于训练初始换道决策模型的训练驾驶环境图。
换道决策模型训练模块,用于根据训练驾驶环境图和训练驾驶风格画像对初始换道决策模型进行训练,以得到训练好的换道决策模型。
在一种可选的方式中,换道决策模型训练模块进一步包括:
待测试换道决策模型生成单元,用于根据训练驾驶环境图和训练驾驶风格画像对初始换道决策模型进行训练,以得到待测试换道决策模型。
换道决策模型训练单元,用于根据第一测试数据集对待测试换道决策模型进行测试,并对测试后的换道决策模型进行调整,以得到训练好的换道决策模型。
在一种可选的方式中,换道装置700还包括:
采集模块,用于采集车辆的原始历史轨迹数据和各个用户的原始驾驶行为数据。
降维处理模块,用于对原始历史轨迹数据和原始驾驶行为数据进行降维处理,以得到车辆的历史轨迹数据和各个用户的驾驶行为数据。
在一种可选的方式中,降维处理模块进一步包括:
获取单元,用于获取原始历史轨迹数据和原始驾驶行为数据中各个数据的信息纯度,以及数据总数量。
降维处理单元,用于根据原始历史轨迹数据和原始驾驶行为数据,各个数据的信息纯度和数据总数量,确定出降维处理后的原始历史轨迹数据和原始驾驶行为数据。
历史数据确定单元,用于将降维处理后的原始历史轨迹数据和原始驾驶行为数据,作为车辆的历史轨迹数据和各个用户的驾驶行为数据。
本申请换道装置通过将目标用户的驾驶风格特征数据和车辆当前环境的特征数据进行结合,分别将相应数据输入不同的训练好的模型中,以确定出既满足目标用户驾驶风格,又适应当前道路环境的目标换道策略,从而在保证换道安全的情况下,满足用户的个性化驾驶需求,提高用户的驾驶体验感。
需要说明的是,上述实施例所提供的换道装置与前述实施例所提供的换道方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,这里不再赘述。
本申请的另一方面还提供了一种电子设备,包括:控制器;存储器,用于存储一个或多个程序,当一个或多个程序被控制器执行时,以执行上述的换道方法。
请参阅图8,图8是本申请的一示例性实施例示出的电子设备的计算机系统的结构示意图,其示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图8示出的电子设备的计算机系统800仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(Central Processing Unit,CPU)801,其可以根据存储在只读存储器(Read-Only Memory,ROM)802中的程序或者从存储部分808加载到随机访问存储器(Random Access Memory,RAM)803中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM 803中,还存储有系统操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(Input/Output,I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不相同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前的换道方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的换道方法。
根据本申请实施例的一个方面,还提供了一种计算机系统,包括中央处理单元(Central Processing Unit,CPU),其可以根据存储在只读存储器(Read-Only Memory,ROM)中的程序或者从存储部分加载到随机访问存储器(Random Access Memory,RAM)中的程序而执行各种适当的动作和处理,例如执行上述实施例中的方法。在RAM中,还存储有系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(Input/Output,I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。
Claims (10)
1.一种基于驾驶风格的换道方法,其特征在于,所述换道方法包括:
将目标用户的驾驶风格特征数据输入训练好的驾驶风格模型中,以使所述训练好的驾驶风格模型输出所述目标用户的驾驶风格画像;
将所述目标用户的驾驶风格画像和车辆当前环境的特征数据输入训练好的驾驶环境模型中,以使所述训练好的驾驶环境模型输出当前驾驶环境图;
将所述目标用户的驾驶风格画像和当前驾驶环境图输入训练好的换道决策模型中,以使所述训练好的换道决策模型输出目标换道策略;
根据所述目标换道策略控制所述车辆进行换道操作。
2.根据权利要求1所述的换道方法,其特征在于,所述换道方法还包括:
根据所述车辆的历史轨迹数据和各个用户的驾驶行为数据,确定出第一训练数据集;
根据所述第一训练数据集对初始驾驶风格模型进行训练,以得到所述训练好的驾驶风格模型。
3.根据权利要求2所述的换道方法,其特征在于,所述换道方法还包括:
将第一测试数据集中相应数据输入训练好的驾驶风格模型中,以得到用于训练初始驾驶环境模型的训练驾驶风格画像;所述第一测试数据集与所述第一训练数据集相同;
根据所述训练驾驶风格画像和所述车辆历史环境的特征数据对所述初始驾驶环境模型进行训练,以得到所述训练好的驾驶环境模型。
4.根据权利要求3所述的换道方法,其特征在于,所述换道方法还包括:
将所述第一测试数据集中相应数据输入所述训练好的驾驶环境模型中,以使所述训练好的驾驶环境模型输出用于训练初始换道决策模型的训练驾驶环境图;
根据所述训练驾驶环境图和所述训练驾驶风格画像对所述初始换道决策模型进行训练,以得到所述训练好的换道决策模型。
5.根据权利要求4所述的换道方法,其特征在于,所述根据所述训练驾驶环境图和所述训练驾驶风格画像对所述初始换道决策模型进行训练,以得到训练好的换道决策模型,进一步包括:
根据所述训练驾驶环境图和所述训练驾驶风格画像对所述初始换道决策模型进行训练,以得到待测试换道决策模型;
根据所述第一测试数据集对所述待测试换道决策模型进行测试,并对测试后的换道决策模型进行调整,以得到训练好的换道决策模型。
6.根据权利要求2所述的换道方法,其特征在于,在所述根据所述车辆的历史轨迹数据和各个用户的驾驶行为数据,确定出第一训练数据集之前,所述换道方法还包括:
采集所述车辆的原始历史轨迹数据和各个用户的原始驾驶行为数据;
对所述原始历史轨迹数据和所述原始驾驶行为数据进行降维处理,以得到所述车辆的历史轨迹数据和各个用户的驾驶行为数据。
7.根据权利要求6所述的换道方法,其特征在于,所述对所述原始历史轨迹数据和所述原始驾驶行为数据进行降维处理,以得到所述车辆的历史轨迹数据和各个用户的驾驶行为数据,进一步包括:
获取所述原始历史轨迹数据和所述原始驾驶行为数据中各个数据的信息纯度,以及数据总数量;
根据所述原始历史轨迹数据和所述原始驾驶行为数据,各个数据的信息纯度和所述数据总数量,确定出降维处理后的原始历史轨迹数据和原始驾驶行为数据;
将所述降维处理后的原始历史轨迹数据和原始驾驶行为数据,作为所述车辆的历史轨迹数据和各个用户的驾驶行为数据。
8.一种基于驾驶风格的换道装置,其特征在于,所述换道装置包括:
第一输出模块,用于将目标用户的驾驶风格特征数据输入训练好的驾驶风格模型中,以使所述训练好的驾驶风格模型输出所述目标用户的驾驶风格画像;
第二输出模块,用于将所述目标用户的驾驶风格画像和车辆当前环境的特征数据输入训练好的驾驶环境模型中,以使所述训练好的驾驶环境模型输出当前驾驶环境图;
第三输出模块,用于将所述目标用户的驾驶风格画像和当前驾驶环境图输入训练好的换道决策模型中,以使所述训练好的换道决策模型输出目标换道策略;
换道模块,用于根据所述目标换道策略控制所述车辆进行换道操作。
9.一种电子设备,其特征在于,包括:
控制器;
存储器,用于存储一个或多个程序,当一个或多个程序被控制器执行时,使得控制器实现权利要求1至7中任一项所述的换道方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,当计算机可读指令被计算机的处理器执行时,使计算机执行权利要求1至7中任一项所述的换道方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311247430.9A CN117207976A (zh) | 2023-09-25 | 2023-09-25 | 一种基于驾驶风格的换道方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311247430.9A CN117207976A (zh) | 2023-09-25 | 2023-09-25 | 一种基于驾驶风格的换道方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117207976A true CN117207976A (zh) | 2023-12-12 |
Family
ID=89050879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311247430.9A Pending CN117207976A (zh) | 2023-09-25 | 2023-09-25 | 一种基于驾驶风格的换道方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117207976A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120283893A1 (en) * | 2011-05-04 | 2012-11-08 | GM Global Technology Operations LLC | System and method for vehicle driving style determination |
CN111325230A (zh) * | 2018-12-17 | 2020-06-23 | 上海汽车集团股份有限公司 | 车辆换道决策模型的在线学习方法和在线学习装置 |
US10692371B1 (en) * | 2017-06-20 | 2020-06-23 | Uatc, Llc | Systems and methods for changing autonomous vehicle operations based on user profiles |
CN112805198A (zh) * | 2018-12-10 | 2021-05-14 | 华为技术有限公司 | 用于自主驾驶的个人驾驶风格学习 |
CN113291308A (zh) * | 2021-06-02 | 2021-08-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 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 |
CN113353087A (zh) * | 2021-07-23 | 2021-09-07 | 上海汽车集团股份有限公司 | 一种驾驶辅助方法、装置及系统 |
CN114043989A (zh) * | 2021-11-29 | 2022-02-15 | 江苏大学 | 一种基于递归图和卷积神经网络的驾驶风格识别模型、换道决策模型及决策方法 |
CN114655227A (zh) * | 2020-12-24 | 2022-06-24 | 华为技术有限公司 | 驾驶风格识别方法、辅助驾驶方法及装置 |
-
2023
- 2023-09-25 CN CN202311247430.9A patent/CN117207976A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120283893A1 (en) * | 2011-05-04 | 2012-11-08 | GM Global Technology Operations LLC | System and method for vehicle driving style determination |
US10692371B1 (en) * | 2017-06-20 | 2020-06-23 | Uatc, Llc | Systems and methods for changing autonomous vehicle operations based on user profiles |
CN112805198A (zh) * | 2018-12-10 | 2021-05-14 | 华为技术有限公司 | 用于自主驾驶的个人驾驶风格学习 |
CN111325230A (zh) * | 2018-12-17 | 2020-06-23 | 上海汽车集团股份有限公司 | 车辆换道决策模型的在线学习方法和在线学习装置 |
CN114655227A (zh) * | 2020-12-24 | 2022-06-24 | 华为技术有限公司 | 驾驶风格识别方法、辅助驾驶方法及装置 |
CN113291308A (zh) * | 2021-06-02 | 2021-08-24 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 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 |
CN113353087A (zh) * | 2021-07-23 | 2021-09-07 | 上海汽车集团股份有限公司 | 一种驾驶辅助方法、装置及系统 |
CN114043989A (zh) * | 2021-11-29 | 2022-02-15 | 江苏大学 | 一种基于递归图和卷积神经网络的驾驶风格识别模型、换道决策模型及决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113039563B (zh) | 学习生成用于训练神经网络的合成数据集 | |
Feng et al. | Dense reinforcement learning for safety validation of autonomous vehicles | |
US10817805B2 (en) | Learning data augmentation policies | |
EP3796112B1 (en) | Virtual vehicle control method, model training method, control device and storage medium | |
EP3847619B1 (en) | Unsupervised depth prediction neural networks | |
US12005922B2 (en) | Toward simulation of driver behavior in driving automation | |
CN114514524A (zh) | 多智能体模拟 | |
CN114117740A (zh) | 基于自动驾驶的仿真测试场景生成方法及装置 | |
CN113264064B (zh) | 用于交叉路口场景的自动驾驶方法及相关设备 | |
CN114194218A (zh) | 自动驾驶系统的优化方法、装置、服务器、车辆和介质 | |
CN116057543A (zh) | 自动化机器学习方法及其装置 | |
CN108960160B (zh) | 基于非结构化预测模型来预测结构化状态量的方法和装置 | |
Arbabi et al. | Planning for autonomous driving via interaction-aware probabilistic action policies | |
CN117207976A (zh) | 一种基于驾驶风格的换道方法、装置及存储介质 | |
CN116653957A (zh) | 一种变速变道方法、装置、设备及存储介质 | |
CN114104005B (zh) | 自动驾驶设备的决策方法、装置、设备及可读存储介质 | |
CN115981302A (zh) | 车辆跟驰换道行为决策方法、装置及电子设备 | |
CN112507857B (zh) | 一种车道线更新方法、装置、设备及存储介质 | |
JP2021012446A (ja) | 学習装置及びプログラム | |
Chang et al. | Controllable Safety-Critical Closed-loop Traffic Simulation via Guided Diffusion | |
CN114627640B (zh) | 一种智能网联汽车行驶策略的动态演化方法 | |
US20230358640A1 (en) | System and method for simulating autonomous vehicle testing environments | |
Li et al. | Learning characteristic driving operations in curve sections that reflect drivers’ skill levels | |
CN117681862A (zh) | 一种自动泊车方法、自动泊车装置及车辆 | |
Vasiljević et al. | Artificial Intelligence-Based Control of Autonomous Vehicles in Simulation: A CNN vs. RL Case Study |
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 |