CN117208021B - 用于复杂路况的无人驾驶车辆控制方法 - Google Patents
用于复杂路况的无人驾驶车辆控制方法 Download PDFInfo
- Publication number
- CN117208021B CN117208021B CN202311482672.6A CN202311482672A CN117208021B CN 117208021 B CN117208021 B CN 117208021B CN 202311482672 A CN202311482672 A CN 202311482672A CN 117208021 B CN117208021 B CN 117208021B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- moment
- lane
- road condition
- vehicles
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000008859 change Effects 0.000 claims abstract description 49
- 102000005877 Peptide Initiation Factors Human genes 0.000 claims abstract description 41
- 108010044843 Peptide Initiation Factors Proteins 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 23
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 10
- 238000012937 correction Methods 0.000 description 13
- 230000009471 action Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 241000669618 Nothes Species 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Abstract
本发明涉及车辆驾驶控制技术领域,具体涉及用于复杂路况的无人驾驶车辆控制方法,获取车辆距离、车辆速度以及车辆相对位置的数据;根据车辆距离数据的特点,获取车辆行驶变化率,获取驾驶行为序列,构建驾驶稳定指数;根据车辆相对位置数据的特点,获取同车道事故引发因子和邻车道事故引发因子;获取车辆的路况复杂贡献度,最后基于车辆的路况复杂贡献度构建路况复杂程度指数;对下一时刻的路况预测,将预测的路况复杂程度指数作为无人驾驶车辆控制的决策参数,从而实现复杂路况下对无人驾驶车辆进行控制,使得无人驾驶车辆的控制更合理、准确。
Description
技术领域
本申请涉及车辆驾驶控制技术领域,具体涉及用于复杂路况的无人驾驶车辆控制方法。
背景技术
随着人工智能以及无人驾驶技术的发展,无人驾驶车辆逐渐步入人们的眼帘,无人驾驶车通过在车辆上设置多种不同类型不同功能的传感器、雷达、摄像机等设备,实时收集车辆行驶过程中的各项数据,再通过相关的算法、深度学习等为无人驾驶车辆控制系统提供相关的决策支持。
尽管目前无人驾驶技术已经取得很大的进展,但是由于自动驾驶技术尚不成熟,且当前大多数车辆依然是人为驾驶,路上的车辆的行为存在许多不确定因素,因而造成无人驾驶车辆在复杂路况的道路上行驶时,仅依赖实时数据难以准确地对路况进行分析,进而难以对车辆进行准确的相关控制,所以目前无人驾驶车辆通常会采用预测算法对道路情况进行一定的分析预测,进而为无人驾驶车辆的控制提供决策数据支持。
目前道路上行驶的车辆存在较大的不确定因素,并且道路情况的复杂程度并非仅取决于客观的车辆行驶信息,还需要对车辆驾驶人的驾驶主观因素进行考量,确保未来自动驾驶技术的安全可靠性和可持续发展。
发明内容
为了解决上述技术问题,本发明提供用于复杂路况的无人驾驶车辆控制方法,以解决现有的问题。
本发明的用于复杂路况的无人驾驶车辆控制方法采用如下技术方案:
本发明一个实施例提供了用于复杂路况的无人驾驶车辆控制方法,该方法包括以下步骤:
获取车辆距离数据矩阵、车辆速度数据矩阵以及车辆相对位置数据矩阵;
以无人驾驶车辆为中心获取半径r的圆,将各采集时刻所述圆内同方向车道的其余车辆中心点与所述无人驾驶车辆中心点的欧氏距离作为所述车辆距离数据矩阵各元素;将各采集时刻所述圆内的同方向车道上各车辆的车辆行驶速度作为所述车辆速度数据矩阵各元素;将各采集时刻所述圆内的同方向车道上各车辆的相对位置以及车道数据作为车辆相对位置数据矩阵各元素,其中所述各车辆的相对位置以及车道数据包括:以所述无人驾驶车辆为原点各车辆相对位置坐标、各车辆所在车道;
根据车辆距离数据矩阵获取车辆行驶变化率矩阵;根据车辆行驶变化率矩阵获取车辆行驶变化率矩阵各元素的驾驶行为序列;根据车辆行驶变化率矩阵各元素的驾驶行为序列获取车辆各时刻的驾驶稳定指数;根据车辆相对位置数据矩阵的同车道车辆信息、邻车道车辆信息分别获取车辆各时刻的同车道事故引发因子、邻车道事故引发因子;根据车辆各时刻的同车道事故引发因子、邻车道事故引发因子以及驾驶稳定指数获取车辆各时刻的复杂路况贡献度;根据车辆各时刻的复杂路况贡献度获取各时刻的路况复杂程度指数;
根据各时刻路况复杂程度指数获取下一时刻的路况复杂程度指数;根据下一时刻的路况复杂程度指数获取道路情况;根据道路情况完成对无人驾驶车辆的控制;
所述根据车辆行驶变化率矩阵各元素的驾驶行为序列获取车辆各时刻的驾驶稳定指数,具体为:
将各车辆与其它车辆同一时刻的驾驶行为序列的皮尔逊相关系数绝对值的和值记为车辆各时刻的驾驶稳定指数;
所述根据车辆相对位置数据矩阵的同车道车辆信息、邻车道车辆信息分别获取车辆各时刻的同车道事故引发因子、邻车道事故引发因子,具体为:
获取车辆任一时刻的位置坐标;
获取与该车辆同一时刻同车道车辆的个数以及位置坐标;将车辆与所述同车道车辆的欧氏距离的均值的倒数作为同车道事故引发因子;
获取与该车辆同一时刻邻车道车辆的个数以及位置坐标;将车辆与所述邻车道车辆的欧氏距离的均值的倒数作为邻车道事故引发因子;
所述根据车辆各时刻的同车道事故引发因子、邻车道事故引发因子以及驾驶稳定指数获取车辆各时刻的复杂路况贡献度,表达式为:
式中,为第辆车在第时刻的复杂路况贡献度,为第辆车在第时刻同车
道的车辆总数,为第辆车在第时刻的车辆速度,为与第辆车在第时刻同车道上的
第h辆车的速度,第辆车在第时刻的同车道事故引发因子,为第辆车第时刻的
驾驶稳定指数,为第辆车在第时刻的邻车道事故引发因子。
优选的,所述根据车辆距离数据矩阵获取车辆行驶变化率矩阵,具体方法为:
将各车辆各时刻速度与前一时刻的速度的差值作为车辆各时刻的行驶变化率;将各车辆不同时刻的行驶变化率组成的矩阵作为车辆行驶变化率矩阵。
优选的,所述根据车辆行驶变化率矩阵获取车辆行驶变化率矩阵各元素的驾驶行为序列,具体为:
对于车辆行驶变化率中的元素,取各元素对应时刻以及前t个时刻的元素和后t个时刻的元素组成各元素的驾驶行为序列。
优选的,所述根据车辆各时刻的复杂路况贡献度获取各时刻的路况复杂程度指数,具体为:
针对各时刻的复杂路况贡献度,获取各时刻以无人驾驶车辆为中心半径范围内
同方向车道的车辆总数;计算各时刻所有所述范围内同方向车道车辆的复杂路况贡献度的
和值;将所述车辆总数与所述和值的乘积作为各时刻的路况复杂程度指数;其中,为预设
半径。
优选的,所述根据各时刻路况复杂程度指数获取下一时刻的路况复杂程度指数,具体步骤包括:
将所有时刻的路况复杂程度指数作为ARIMA算法的输入,将ARIMA算法的输出值作为下一时刻的路况复杂程度指数。
优选的,所述根据下一时刻的路况复杂程度指数获取道路情况,具体步骤包括:
将下一时刻的路况复杂程度指数输入无人驾驶车辆控制系统中,获取道路情况;其中,道路情况包括:路况复杂、路况良好。
本发明至少具有如下有益效果:
本发明主要通过对无人驾驶车辆行驶道路上的其余车辆对道路状况的影响情况进行分析,基于车辆的行驶变化特点以及车辆在行驶过程中引发事故的因素的特点分析,获得道路上每辆车对道路整体复杂程度的影响情况,更加准确的对道路情况进行分析;进而获取每个时刻无人驾驶车辆行驶道路的路况复杂程度指数数据序列。采用ARIMA算法基于无人驾驶车辆行驶道路的路况复杂程度指数序列,进行下一时刻的道路复杂情况进行预测,进而为无人驾驶车控制提供决策参数,避免了传统的预测方法容易忽视其余车辆驾驶者的主观驾驶行为变化,以及单个车辆对整体路况的影响程度,更精确地对无人驾驶车辆当前时刻的路况复杂情况进行预测,使得无人驾驶车辆的控制更合理、准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的用于复杂路况的无人驾驶车辆控制方法的流程图;
图2为路况复杂程度指数的获取示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于复杂路况的无人驾驶车辆控制方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于复杂路况的无人驾驶车辆控制方法的具体方案。
本发明一个实施例提供的用于复杂路况的无人驾驶车辆控制方法。
具体的,提供了如下的用于复杂路况的无人驾驶车辆控制方法,请参阅图1,该方法包括以下步骤:
步骤S001:利用无人驾驶车辆上的激光雷达采集无人驾驶车辆在行驶过程中的相关数据并进行预处理。
激光雷达是目前无人驾驶车辆的主要数据采集设备之一,它通过发射接收高频率激光束并进行测距,最终组成一个无人驾驶车辆周围环境的3D点云模型,再通过CNN神经网络对点云模型中的物体信息如栏杆、车辆、行人等进行识别,根据激光雷达自身发出的激光来回时间计算出无人驾驶车辆在行驶过程中距离、速度、相对位置、车道等数据。需要说明的是,CNN神经网络为现有公知技术,本实施例不再赘述,实施者可根据实际情况自行选取神经网络算法进行物体信息的识别,本实施例中仅对无人驾驶车辆在行驶过程中周围车辆与无人驾驶车辆的距离、车辆的速度以及车辆的相对位置数据进行获取。
具体的,利用无人驾驶车辆上搭载的激光雷达,每间隔时间进行一次数据采集,
数据采集长度为,在正常行驶的无人驾驶车辆激光雷达所构建的3D点云模型中,以无人
驾驶车辆为中心,获取半径范围内同方向车道的其余车辆中心点与无人驾驶车辆中心点
的欧氏距离数据。
将车辆中心点与无人驾驶车辆中心点的欧氏距离数据记录为车辆距离数据矩阵,表达式为:
式中,表示车辆距离数据矩阵,表示以无人驾驶车辆为中心半径范围内同
方向车道的第辆车在第个时刻与无人驾驶车辆的欧氏距离,为以无人驾驶车辆为中
心半径范围内车辆的总数。
获取以无人驾驶车辆为中心半径范围内同方向车道车辆的速度数据。并将车辆
数据记录为车辆速度数据矩阵,表达式为:
式中,表示车辆速度数据矩阵, 表示以无人驾驶车辆为中心半径范围内同
方向车道的第辆车在第个时刻的车辆行驶速度值,表示以无人驾驶车辆为中心半径范围内车辆的总数。
获取以无人驾驶车辆为中心半径范围内同方向车道车辆的相对位置以及车道数
据,记为车辆相对位置数据矩阵,表达式为:
式中,表示车辆相对位置数据矩阵,表示以无人驾驶车辆为中心半径范围
内同方向车道的第辆车在第个时刻以无人驾驶车辆为原点的车辆相对位置坐标以及
车道数据,表示第车辆在第个时刻以无人驾驶车辆为原点的车辆相对位置坐
标,表示第车辆在第个时刻行驶的车道为第车道,为以无人驾驶车辆为中心半径范围内车辆的总数。
需要说明的是,本实施例中数据采集时间间隔,数据采集长度,半
径米,实施者可根据具体情况进行调整。
步骤S002:根据车辆距离数据的特点,构建驾驶稳定指数;根据车辆相对位置数据的特点,获取同车道事故引发因子和邻车道事故引发因子;获取车辆的路况复杂贡献度,构建路况复杂程度指数。
对于正常行驶的车辆而言,周围车辆数量,车辆与驾驶者驾驶的车辆距离是驾驶者判断当前驾驶车辆行驶路段路况的重要指标,若周围车辆越多,与驾驶者驾驶的车辆距离越近,并且变化程度越大,对于驾驶者驾驶的车辆而言,当前行驶路段的情况则较为复杂,驾驶者需要更谨慎的判断才能够保持安全地行驶。而对于无人驾驶车辆而言,由于其对车辆的控制需要通过对采集到的数据进行相关的计算,无人驾驶车辆想要在复杂的路段中安全地行驶,不仅需要通过实时监测路段车辆的行为情况,还需要根据所采集到的车辆数据的变化规律,对路况信息进行预测,为无人驾驶车辆控制系统提供更多的控制方案。
当无人驾驶车辆正常行驶时,本实施例中考虑的行驶状态为均速行驶。周围车辆会因为驾驶者主观的行驶习惯、行驶目的等原因,与无人驾驶车辆的距离产生一定的变化,所以想要预测无人驾驶车辆当前行驶道路状况在下一时刻的具体情况,首先需要考虑无人驾驶车辆周围车辆在历史时刻的行驶变化情况。
具体的,对于车辆距离数据矩阵中的第辆车与无人驾驶车辆的欧氏距离数据,计
算其每个时刻的与前一时刻的差值作为该时刻第辆车的行驶变化率,并将第辆车在第时
刻的行驶变化率记录为,若第辆车在第时刻出现行驶变化率发生变化,则说明第辆
车在第时刻到第时刻与无人驾驶车辆的欧氏距离产生了一定的变化,有可能是第辆
车的司机对车辆采取了加速、减速、变道超车等控制。而在复杂路段中,车流量较大,车道较
为拥挤,车辆的加速减速通常是由车道的通行可行度决定的,即车辆在前方通行畅顺时会
加速行驶,以充分利用可行度高的机会,但是一旦车道拥堵或通行情况恶化,前方车辆的减
速行为会传导给后方车辆,因此大部分车辆只能跟随减速以保持安全距离。
针对上述分析,首先计算车辆距离数据矩阵中所有车辆的行驶变化率,并将所有时刻的行驶变化率记录为车辆行驶变化率矩阵,表达式为:
式中,表示车辆行驶变化率矩阵,表示第时刻第辆车的行驶变化率。
针对第辆车的第时刻,即车辆行驶变化率矩阵的第行第列,获取第时刻前个
时刻的数据以及第时刻后个时刻的数据,最后将第时刻数据以及第时刻前后获取的数
据组成第时刻的驾驶行为序列,记为,表示第辆车的第时刻的驾驶行为序列。需要
说明的是,的取值实施者可根据实际情况自行选取,本实施例中,考虑到第时刻前
后无法获取足够数据的情况,本实施例对缺失数据根据获取完成的数据进行均值插入补
充,实施者可根据实际情况自行调整。
通过上述方法,获取车辆行驶变化率矩阵中各元素的驾驶行为序列。利用皮尔逊相关系数进行分析,皮尔逊相关系数的输入为任一车辆中各时刻的驾驶行为序列与车辆行驶变化率矩阵中其余车辆对应时刻的驾驶行为序列,输出为该车辆中各时刻的驾驶行为序列与车辆行驶变化率矩阵中其余车辆对应时刻的驾驶行为序列的皮尔逊相关系数。基于输出的皮尔逊相关系数,构建驾驶稳定指数,表达式为:
式中,表示第辆车第时刻的驾驶稳定指数,表示车辆行驶变化率矩阵
中的第行第时刻的驾驶行为序列与第行数据序列中的第个时刻的驾驶行为序列的皮
尔逊相关系数。表示车辆行驶变化率矩阵中的总行数,即以无人驾驶车辆为中心半径
范围内车辆的总数。
当第辆车在行驶过程中较为平稳时,其行驶的变化情况与其余车辆大致一致,说
明第辆车的司机驾驶稳定,变道超车等行为较少,更多情况下会与其余车辆一起稳定行
驶,其车辆的驾驶行为序列与其余车辆的驾驶行为序列的相关性较大,皮尔逊相关系数的
绝对值越接近1,的值越大,越接近;而当第辆车在行驶过程中变化较大时,其行驶
的变化情况与其余车辆差异更大,说明第辆车的司机驾驶变道超车等行为较多,更多情况
下会在行驶过程中进行变道超车等操作,其车辆的驾驶行为序列与其余车辆的驾驶行为序
列相关性较小,皮尔逊相关系数的绝对值越接近0,的值越小,越接近0。
至此,计算出车辆行驶变化率矩阵中各元素的驾驶稳定指数,即以无人车为中心,半径50米范围内同方向车道的每一辆车在各时刻都有一个驾驶稳定指数。路上稳定驾驶的车辆数量越多,表明此时道路状况相对良好,产生意外的可能性小,无人驾驶车辆可根据需求进行相关的控制操作。
在正常驾驶过程中,路上的车辆行驶速度不一,车辆较多且相对拥挤时,司机冒然加速行驶或变道超车等,发生交通意外的可能性较大,最后导致道路情况变差,相反,司机为了能够准时抵达自己的目的地,在条件允许的情况下进行正常安全的超车变道等行为实际上并不会对行驶路况产生较大的影响,而司机变道超车的行为越多则会导致上文计算出的驾驶稳定指数增大,进而可能判断当前路面情况较差,使得无人驾驶车辆无法准确进行控制。因此,对车辆相对位置数据矩阵进行分析计算。
具体的,针对第辆车第时刻,获取第辆车在第时刻时与其同车道上的车辆相对
位置坐标数据,例如第辆车在第时刻的车辆相对位置坐标为,车道数据为,则获
取车辆相对位置数据矩阵中第时刻车道数据为的其余车辆相对位置坐标数据。构建第辆
车在第时刻的同车道事故引发因子,表达式为:
式中,表示第辆车在第时刻的同车道事故引发因子,表示与第辆车在第
时刻同车道的车辆总数,表示第辆车在第时刻的位置坐标数据,表示与第辆车在第时刻同车道的第辆车的车辆相对位置坐标数据,表示分子修正因子,表示
分母修正因子。需要说明的是,分子修正因子与分母修正因子的取值实施者可根据实际情
况自行调整,本实施例中分子修正因子为0.01,分母修正因子为1。
当第辆车在第时刻同车道上的车越多,同车道数量越多,引发事故的可能性越
大,这些车辆与第辆车的欧氏距离越小,引发事故的可能性越大,同车道事故引发因子的
值越大;当第辆车在第时刻同车道上的车越少,同车道数量越少,引发事故的可能性越
小,这些车辆与第辆车的欧氏距离越大,引发事故的可能性越小,同车道事故引发因子的
值越小。
接着从车辆相对位置数据矩阵中获取第时刻数据中车道相差为1的其余车辆相
对位置坐标数据。例如,第辆车第时刻的车道数据为第2车道,则获取车辆相对位置数据
矩阵中第时刻行驶车道为第1车道以及第3车道的其余车辆相对位置坐标数据,若第辆车
所在车道的相邻车道只有一个,则只获取一个相邻车道上的车辆数据。构建第辆车第时
刻的邻车道事故引发因子,表达式为:
式中,为第辆车在第时刻的邻车道事故引发因子,为与第辆车在第时刻
邻车道的车辆总数,为与第辆车在第时刻邻车道的第辆车的车辆相对位置坐
标数据,表示分子修正因子,表示分母修正因子。需要说明的是,分子修正因子与分母修
正因子的取值实施者可根据实际情况自行调整,本实施例中分子修正因子为0.01,分母修
正因子为1。
当第辆车在第时刻邻车道上的车越多,邻车道上车辆越多,这些车辆与第辆车
的欧氏距离越小,引发事故的可能性越大,邻车道事故引发因子越大;当第辆车在第时刻
邻车道上的车越少,邻车道上车辆数据越少,这些车辆与第辆车的欧氏距离越大,引发事
故的可能性越小,邻车道事故引发因子越小;
需要说明的是,为了防止某时刻某车辆同车道上没有其余车辆而导致事故引发因子为0,但车辆行驶过程中即便同车道和邻车道没有车辆也同样可能会引发事故,利用分子分母修正因子对分子分母进行修正。
至此,获得了每一辆车在各时刻的同车道事故引发因子以及邻车道事故引发因子。
通常情况下,同车道发生意外的情况多数为车辆之间发生追尾、碰撞等,通常在同车道车辆之间的速度存在较大差异时发生;而邻车道发生意外的情况则是车辆在变道过程中与邻车道的车辆发生摩擦、碰撞等,通常是车辆驾驶员的驾驶不稳定,突然变道导致邻车道车辆驾驶员由于反应时间过短不能及时躲避而导致意外发生。
根据以上分析,针对第辆车第时刻,在车辆速度数据矩阵中,根据获取同车道车
辆速度数据,获得的第辆车在第时刻的同车道事故引发因子、邻车道事故引发因子以及
驾驶稳定指数,构建复杂路况贡献度,表达式为:
式中,为第辆车在第时刻的复杂路况贡献度,为第辆车在第时刻同车
道的车辆总数,为第辆车在第时刻的车辆速度,为与第辆车在第时刻同车道上的
第h辆车的速度,第辆车在第时刻的同车道事故引发因子,为第辆车第时刻的
驾驶稳定指数,为第辆车在第时刻的邻车道事故引发因子。
当第辆车在第时刻时,与第辆车同车道车辆越多,并且与第辆车的车距越小,
同车道事故引发因子越大,在第时刻与第辆车同车道车辆速度与第辆车的车速差距越
大,说明第辆车在第时刻时,在同车道上引发事故的可能性越大,而第时刻在第辆车邻
车道上的车辆越多,并且与第辆车的车距越小,邻车道事故引发因子越大,并且第辆车在
第时刻的驾驶较为不稳定,驾驶稳定指数越小,说明第辆车在第时刻时,在邻车道上引
发事故的可能性越大,最终复杂路况贡献度越大,说明第辆车在第时刻时,引发交通事故
的可能性越大,对当前路况复杂程度的贡献程度也越大。
至此,获得每一辆车在各时刻的复杂路况贡献度。利用当前道路上所有车辆的当前时刻复杂路况贡献度,共同构建当前时刻路况复杂程度指数,表达式为:
式中,为第时刻的路况复杂程度指数,为第时刻以本车为中心,半径50
米范围内同方向车道的车辆总数,为第辆车在第时刻的复杂路况贡献度。其中,路
况复杂程度指数的获取如图2所示。
当第时刻本车行驶的道路上车辆的数量越多,范围内同方向车道的数量越多,每
辆车对复杂路况贡献度越大,说明第时刻本车行驶的道路上车辆会对路况复杂度的影响
情况越大,路况复杂指数越大;相反,当第时刻本车行驶的道路上车辆越少,范围内同方向
车道的数量越少,每辆车对复杂路况贡献度越小,说明第时刻本车行驶的道路上车辆会对
路况复杂度的影响情况越小,路况复杂程度指数越小。
至此,获得了每个时刻本车行驶道路上的路况复杂程度指数。
步骤S003:基于获取的路况复杂程度指数序列,利用ARIMA算法对下一时刻的路况进行预测,基于下一时刻的路况复杂程度指数作为无人驾驶车辆控制的决策参数,对无人驾驶车辆进行控制。
将上述步骤获得的各时刻的路况复杂程度指数构成路况复杂程度指数序列。利用ARIMA算法根据复杂程度指数序列对下一时刻的路况复杂程度指数进行预测,ARIMA算法的输入为路况复杂程度指数序列,输出为下一时刻的路况复杂程度指数数据。
将经过ARIMA算法预测出的路况复杂程度指数数据作为无人驾驶车辆控制的决策贡献参数。将预测的路况复杂程度指数数据输入至无人驾驶车辆控制系统中时,无人驾驶车控制系统根据输入的数据分析当前路况的复杂程度,将道路情况分类为:路况复杂和路况良好。
当路况复杂时,无人驾驶车辆的总控制系统需要将无人驾驶车辆的油门控制系统以及转向控制系统的可调控范围减少,此时无人驾驶车辆的可提速范围以及可转向范围减少,以尽可能地保持无人驾驶车辆匀速正常行驶,并且刹车控制系统处于敏感状态,以应对复杂路况可能面临的多种急刹车情况;当路况良好时,无人车辆驾驶总控制系统可将无人驾驶车辆的油门控制系统以及转向控制系统的可调控范围增大,此时无人驾驶车辆的可提速范围以及可转向范围增大,再基于无人驾驶车辆的预设的目的地与时限,无人驾驶车辆总控制系统可控制无人驾驶车辆进行变道、超车,使得无人驾驶车辆可在预设的时限内抵达目的地。
综上所述,本发明实施例主要通过对无人驾驶车辆行驶道路上的其余车辆对道路状况的影响情况进行分析,基于车辆的行驶变化特点以及车辆在行驶过程中引发事故的因素的特点分析,获得道路上每辆车对道路整体复杂程度的影响情况,更加准确的对道路情况进行分析;进而获取每个时刻无人驾驶车辆行驶道路的路况复杂程度指数数据序列。采用ARIMA算法基于无人驾驶车辆行驶道路的路况复杂程度指数序列,进行下一时刻的道路复杂情况进行预测,进而为无人驾驶车控制提供决策参数,避免了传统的预测方法容易忽视其余车辆驾驶者的主观驾驶行为变化,以及单个车辆对整体路况的影响程度,更精确地对无人驾驶车辆当前时刻的路况复杂情况进行预测,使得无人驾驶车辆的控制更合理、准确。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (6)
1.用于复杂路况的无人驾驶车辆控制方法,其特征在于,该方法包括以下步骤:
获取车辆距离数据矩阵、车辆速度数据矩阵以及车辆相对位置数据矩阵;
以无人驾驶车辆为中心获取半径r的圆,将各采集时刻所述圆内同方向车道的其余车辆中心点与所述无人驾驶车辆中心点的欧氏距离作为所述车辆距离数据矩阵各元素;将各采集时刻所述圆内的同方向车道上各车辆的车辆行驶速度作为所述车辆速度数据矩阵各元素;将各采集时刻所述圆内的同方向车道上各车辆的相对位置以及车道数据作为车辆相对位置数据矩阵各元素,其中所述各车辆的相对位置以及车道数据包括:以所述无人驾驶车辆为原点各车辆相对位置坐标、各车辆所在车道;
根据车辆距离数据矩阵获取车辆行驶变化率矩阵;根据车辆行驶变化率矩阵获取车辆行驶变化率矩阵各元素的驾驶行为序列;根据车辆行驶变化率矩阵各元素的驾驶行为序列获取车辆各时刻的驾驶稳定指数;根据车辆相对位置数据矩阵的同车道车辆信息、邻车道车辆信息分别获取车辆各时刻的同车道事故引发因子、邻车道事故引发因子;根据车辆各时刻的同车道事故引发因子、邻车道事故引发因子以及驾驶稳定指数获取车辆各时刻的复杂路况贡献度;根据车辆各时刻的复杂路况贡献度获取各时刻的路况复杂程度指数;
根据各时刻路况复杂程度指数获取下一时刻的路况复杂程度指数;根据下一时刻的路况复杂程度指数获取道路情况;根据道路情况完成对无人驾驶车辆的控制;
所述根据车辆行驶变化率矩阵各元素的驾驶行为序列获取车辆各时刻的驾驶稳定指数,具体为:
将各车辆与其它车辆同一时刻的驾驶行为序列的皮尔逊相关系数绝对值的和值记为车辆各时刻的驾驶稳定指数;
所述根据车辆相对位置数据矩阵的同车道车辆信息、邻车道车辆信息分别获取车辆各时刻的同车道事故引发因子、邻车道事故引发因子,具体为:
获取车辆任一时刻的位置坐标;
获取与该车辆同一时刻同车道车辆的个数以及位置坐标;将车辆与所述同车道车辆的欧氏距离的均值的倒数作为同车道事故引发因子;
获取与该车辆同一时刻邻车道车辆的个数以及位置坐标;将车辆与所述邻车道车辆的欧氏距离的均值的倒数作为邻车道事故引发因子;
所述根据车辆各时刻的同车道事故引发因子、邻车道事故引发因子以及驾驶稳定指数获取车辆各时刻的复杂路况贡献度,表达式为:
;
式中,为第/>辆车在第/>时刻的复杂路况贡献度,/>为第/>辆车在第/>时刻同车道的车辆总数,/>为第/>辆车在第/>时刻的车辆速度,/>为与第/>辆车在第/>时刻同车道上的第h辆车的速度,/>第/>辆车在第/>时刻的同车道事故引发因子,/>为第/>辆车第/>时刻的驾驶稳定指数,/>为第/>辆车在第/>时刻的邻车道事故引发因子。
2.如权利要求1所述的用于复杂路况的无人驾驶车辆控制方法,其特征在于,所述根据车辆距离数据矩阵获取车辆行驶变化率矩阵,具体方法为:
将各车辆各时刻速度与前一时刻的速度的差值作为车辆各时刻的行驶变化率;将各车辆不同时刻的行驶变化率组成的矩阵作为车辆行驶变化率矩阵。
3.如权利要求1所述的用于复杂路况的无人驾驶车辆控制方法,其特征在于,所述根据车辆行驶变化率矩阵获取车辆行驶变化率矩阵各元素的驾驶行为序列,具体为:
对于车辆行驶变化率中的元素,取各元素对应时刻以及前t个时刻的元素和后t个时刻的元素组成各元素的驾驶行为序列。
4.如权利要求1所述的用于复杂路况的无人驾驶车辆控制方法,其特征在于,所述根据车辆各时刻的复杂路况贡献度获取各时刻的路况复杂程度指数,具体为:
针对各时刻的复杂路况贡献度,获取各时刻以无人驾驶车辆为中心半径范围内同方向车道的车辆总数;计算各时刻所有所述范围内同方向车道车辆的复杂路况贡献度的和值;将所述车辆总数与所述和值的乘积作为各时刻的路况复杂程度指数;其中,/>为预设半径。
5.如权利要求1所述的用于复杂路况的无人驾驶车辆控制方法,其特征在于,所述根据各时刻路况复杂程度指数获取下一时刻的路况复杂程度指数,具体步骤包括:
将所有时刻的路况复杂程度指数作为ARIMA算法的输入,将ARIMA算法的输出值作为下一时刻的路况复杂程度指数。
6.如权利要求1所述的用于复杂路况的无人驾驶车辆控制方法,其特征在于,所述根据下一时刻的路况复杂程度指数获取道路情况,具体步骤包括:
将下一时刻的路况复杂程度指数输入无人驾驶车辆控制系统中,获取道路情况;其中,道路情况包括:路况复杂、路况良好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482672.6A CN117208021B (zh) | 2023-11-09 | 2023-11-09 | 用于复杂路况的无人驾驶车辆控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311482672.6A CN117208021B (zh) | 2023-11-09 | 2023-11-09 | 用于复杂路况的无人驾驶车辆控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117208021A CN117208021A (zh) | 2023-12-12 |
CN117208021B true CN117208021B (zh) | 2024-01-19 |
Family
ID=89046687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311482672.6A Active CN117208021B (zh) | 2023-11-09 | 2023-11-09 | 用于复杂路况的无人驾驶车辆控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117208021B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200072581A (ko) * | 2018-11-29 | 2020-06-23 | (재)울산테크노파크 | 자율주행차량의 운전자 응급상황발생판단에 기반한 주행예측 및 안전주행시스템 |
CN112896170A (zh) * | 2021-01-30 | 2021-06-04 | 同济大学 | 一种车路协同环境下的自动驾驶横向控制方法 |
CN116039674A (zh) * | 2023-01-12 | 2023-05-02 | 长城汽车股份有限公司 | 一种自动驾驶控制方法、装置、车辆及存储介质 |
CN116552552A (zh) * | 2023-05-31 | 2023-08-08 | 岚图汽车科技有限公司 | 车辆智能驾驶行为决策方法及系统 |
CN116957345A (zh) * | 2023-09-21 | 2023-10-27 | 上海伯镭智能科技有限公司 | 用于无人驾驶系统中的数据处理方法 |
-
2023
- 2023-11-09 CN CN202311482672.6A patent/CN117208021B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200072581A (ko) * | 2018-11-29 | 2020-06-23 | (재)울산테크노파크 | 자율주행차량의 운전자 응급상황발생판단에 기반한 주행예측 및 안전주행시스템 |
CN112896170A (zh) * | 2021-01-30 | 2021-06-04 | 同济大学 | 一种车路协同环境下的自动驾驶横向控制方法 |
CN116039674A (zh) * | 2023-01-12 | 2023-05-02 | 长城汽车股份有限公司 | 一种自动驾驶控制方法、装置、车辆及存储介质 |
CN116552552A (zh) * | 2023-05-31 | 2023-08-08 | 岚图汽车科技有限公司 | 车辆智能驾驶行为决策方法及系统 |
CN116957345A (zh) * | 2023-09-21 | 2023-10-27 | 上海伯镭智能科技有限公司 | 用于无人驾驶系统中的数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117208021A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885066B (zh) | 一种运动轨迹预测方法及装置 | |
CN109669461B (zh) | 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法 | |
US11465633B2 (en) | Method and system for generating predicted occupancy grid maps | |
JP7200371B2 (ja) | 車両速度を決定する方法及び装置 | |
CN111775949B (zh) | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 | |
CN111583715B (zh) | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN113911129B (zh) | 一种基于驾驶行为生成机制的交通车意图识别方法 | |
US11827214B2 (en) | Machine-learning based system for path and/or motion planning and method of training the same | |
JP7051366B2 (ja) | 情報処理装置、学習済モデル、情報処理方法、およびプログラム | |
CN110288835B (zh) | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 | |
CN112373485A (zh) | 一种考虑交互博弈的自动驾驶车辆决策规划方法 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN113071487B (zh) | 自动驾驶车辆控制方法、装置及云端设备 | |
CN112053589A (zh) | 一种目标车辆换道行为自适应识别模型构建方法 | |
CN112833903B (zh) | 一种轨迹预测方法、装置、设备和计算机可读存储介质 | |
CN111338385A (zh) | 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 | |
CN114399743A (zh) | 一种障碍物未来轨迹的生成方法 | |
CN116118780A (zh) | 一种车辆避障轨迹规划方法、系统、车辆及存储介质 | |
CN115009304A (zh) | 一种基于端到端的自动驾驶车辆实现方法 | |
CN114371707A (zh) | 考虑人车交互的行人轨迹预测及主动避撞方法及系统 | |
CN110843767A (zh) | 一种基于样条理论的自动入库泊车方法及系统 | |
CN117208021B (zh) | 用于复杂路况的无人驾驶车辆控制方法 | |
CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 |
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 |