CN117533356B - 一种智能驾驶辅助系统及方法 - Google Patents
一种智能驾驶辅助系统及方法 Download PDFInfo
- Publication number
- CN117533356B CN117533356B CN202410026960.9A CN202410026960A CN117533356B CN 117533356 B CN117533356 B CN 117533356B CN 202410026960 A CN202410026960 A CN 202410026960A CN 117533356 B CN117533356 B CN 117533356B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- traffic
- network
- sensor
- 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 53
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000012731 temporal analysis Methods 0.000 abstract 1
- 238000000700 time series analysis Methods 0.000 abstract 1
- 230000008447 perception Effects 0.000 description 14
- 238000011217 control strategy Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/18—Propelling the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
-
- 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)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通控制领域,尤其涉及一种智能驾驶辅助系统及方法。首先,从各个传感器中获取原始数据,并将预处理后的原始数据转换为高维特征空间,分析高维特征空间中不同数据点之间的关系,并调整数据点之间的关联强度,并引入深度特征融合网络处理和融合来自各个传感器的数据;然后,构建交通预测模型,预测未来的交通流变化,基于预测的未来交通流状态优化路线规划和调整车辆速度。解决了现有技术缺乏有效的机制来动态调整数据之间的关联;无法充分考虑实时交通数据和预测信息,导致路线选择和速度调整不够优化;无法充分利用时间序列分析来预测未来趋势;以及在面对不断变化的道路和交通状况时,无法灵活调整策略的技术问题。
Description
技术领域
本发明涉及交通控制领域,尤其涉及一种智能驾驶辅助系统及方法。
背景技术
随着自动驾驶技术的快速发展,智能驾驶辅助系统成为了汽车行业的重要研究领域。这些系统旨在提高驾驶安全性、减少交通拥堵、提升能源效率,并增强驾驶体验。然而,现有的智能驾驶辅助技术面临着若干挑战,尤其是在复杂和多变的驾驶环境中。例如,如何有效融合和分析来自多个传感器的大量数据,如何准确预测交通流变化,以及如何动态优化路线规划和车速控制等。
此外,随着城市交通的日益复杂和拥堵,对智能驾驶辅助系统提出了更高的要求,特别是在环境感知、数据处理能力、实时反应速度和系统适应性方面。这些技术挑战推动了对更高级别自动驾驶技术的探索和发展,旨在更好地应对多样化的道路条件和不断变化的交通环境。
我国专利申请号:CN202310787019.4,公开日:2023.09.01,公开了智能辅助驾驶的控制方法、系统、设备及存储介质,属于驾驶辅助功能安全技术领域。智能辅助驾驶的控制方法包括:获取目标车辆周围预设区域内的初始感知数据;初始感知数据包括第一初始感知数据和第二初始感知数据;将第一初始感知数据和第二初始感知数据进行数据融合,确定出目标感知数据;基于目标感知数据,确定出车辆管控策略;对车辆管控策略进行决策仲裁,得到车辆管控指令;基于车辆管控指令对目标车辆进行控制。该发明实施例对车辆管控策略进行决策仲裁,以对一些偏离预期的车辆管控策略进行判别,确定出符合要求的车辆管控策略,并生成相应的车辆管控指令,实现了在非预期情况下进行准确的功能响应,提高了用户体验。
但上述技术至少存在如下技术问题:现有技术对环境变化的响应不够敏感或准确,缺乏有效的机制来动态调整数据之间的关联,导致数据融合的准确性和鲁棒性不足;无法充分考虑实时交通数据和预测信息,导致路线选择和速度调整不够优化,可能增加行程时间和能源消耗;无法充分利用历史数据和时间序列分析来预测未来趋势,限制了智能驾驶辅助系统在动态环境下的应对能力;以及在面对不断变化的道路和交通状况时,可能无法灵活调整策略的技术问题。
发明内容
本发明提供一种智能驾驶辅助系统及方法,解决了现有技术对环境变化的响应不够敏感或准确,缺乏有效的机制来动态调整数据之间的关联,导致数据融合的准确性和鲁棒性不足;无法充分考虑实时交通数据和预测信息,导致路线选择和速度调整不够优化,可能增加行程时间和能源消耗;无法充分利用历史数据和时间序列分析来预测未来趋势,限制了智能驾驶辅助系统在动态环境下的应对能力;以及在面对不断变化的道路和交通状况时,可能无法灵活调整策略的技术问题。实现了一种智能驾驶辅助系统,通过综合利用多源传感器数据和数据处理技术,显著提高了驾驶的安全性、效率和适应性。
本发明提供了一种智能驾驶辅助系统及方法,具体包括以下技术方案:
一种智能驾驶辅助系统,包括以下部分:
采集模块、特征映射模块、数据关联网络建立模块、信息反馈模块、深度特征融合模块、交通预测模块、路线规划模块、车速调整模块;
所述采集模块,用于从至少一种传感器获取原始数据,所述传感器包括车载摄像头、车载雷达、LiDAR传感器、超声波传感器、加速度计和陀螺仪,采集模块通过数据传输的方式与特征映射模块相连;
所述特征映射模块,用于对原始数据进行预处理,包括去噪和归一化,使用小波变换将原始数据转换为高维特征空间,特征映射模块通过数据传输的方式与数据关联网络建立模块、深度特征融合模块相连;
所述数据关联网络建立模块,用于利用谱聚类分析高维特征空间中不同数据点之间的关系,构建数据点之间的关联网络,数据关联网络建立模块通过数据传输的方式与信息反馈模块相连;
所述信息反馈模块,用于通过混沌映射法调整数据点之间的关联强度,信息反馈模块通过数据传输的方式与深度特征融合模块相连;
所述深度特征融合模块,用于利用循环神经网络和长短期记忆网络处理时间序列数据,并引入深度特征融合网络处理和融合来自至少一种传感器的数据,深度特征融合模块通过数据传输的方式与交通预测模块相连;
所述交通预测模块,用于构建交通预测模型,利用原始数据的融合特征和历史交通数据预测未来的交通流变化,交通预测模块通过数据传输的方式与路线规划模块、车速调整模块相连;
所述路线规划模块,用于利用交通预测模块的输出优化路线规划,动态评估各条路线的通行效率,路线规划模块通过数据传输的方式与车速调整模块相连;
所述车速调整模块,用于根据预测的未来交通流状态调整车辆的即时速度,车速调整模块通过数据传输的方式与路线规划模块相连。
一种智能驾驶辅助方法,包括以下步骤:
S100:从各个传感器中获取原始数据,对原始数据进行预处理,并通过小波变换将预处理后的原始数据转换为高维特征空间,分析高维特征空间中不同数据点之间的关系,并调整数据点之间的关联强度,利用循环神经网络和长短期记忆网络处理时间序列数据,并引入深度特征融合网络处理和融合来自各个传感器的数据;
S200:构建交通预测模型,预测未来的交通流变化,基于交通预测模型预测的未来交通流状态优化路线规划和调整车辆速度。
优选的,所述S100,具体包括:
通过谱聚类分析高维特征空间中不同数据点之间的关系,并基于谱聚类分析的结果,构建数据点之间的关联网络。
优选的,所述S100,还包括:
通过混沌映射法调整数据点之间的关联强度,从而动态调整数据点之间的关联。
优选的,所述S100,还包括:
基于数据的时序性,用循环神经网络处理序列数据,所述序列数据包括时间序列数据或序列化的传感器数据;在循环神经网络中,每一个时刻的隐藏状态是基于当前输入和前一时刻隐藏状态计算得出的;并采用长短期记忆网络处理循环神经网络的输出;通过结合循环神经网络和长短期记忆网络,引入深度特征融合网络。
优选的,所述S200,具体包括:
构建交通预测模型,具体的,结合深度特征融合网络的输出和历史交通数据,预测未来的交通流变化;将历史交通数据和深度特征融合网络的输出转换为图论模型,将交通数据视为多维空间实体,形成交通网络;采用非线性映射函数,将多维空间数据转换为图论模型中边的权重。
优选的,所述S200,还包括:
应用动态优化技术和非线性系统理论来预测未来的交通流状态,并引入交通流状态预测公式。
优选的,所述S200,还包括:
利用交通预测模型预测的未来交通流状态优化路线规划,动态评估各条路线的通行效率;为每条路线计算效率分数,通过量化分析确定最优路线。
优选的,所述S200,还包括:
根据预测的未来交通流状态调整车辆的即时速度,以应对预测的前方路段的交通状况。
本发明的技术方案的有益效果是:
1、通过将来自不同传感器的原始数据转换为高维特征空间,并运用小波变换和谱聚类技术,能够更有效地捕获数据的细微差异和复杂模式,这种综合和深入的数据分析提高了车辆环境感知的精确度和细致度;通过混沌映射法调整数据点之间的关联强度,能够动态适应复杂和变化的数据模式,不仅增强了数据融合的准确性,还提高了系统对不确定性和噪声的鲁棒性;
2、通过构建交通预测模型,能够预测未来的交通流变化,有效地优化路线规划和车辆速度控制,减少行程时间、避免拥堵并提高行驶效率;通过对车速进行智能调整,不仅提高了驾驶的安全性,还通过减少不必要的加速和减速,提高了能源效率,对于减少能源消耗和降低排放尤为重要;利用循环神经网络和长短期记忆网络处理时间序列数据,能够捕捉数据随时间的变化模式,为智能驾驶辅助系统提供了更为准确和全面的环境感知信息。
附图说明
图1为本发明一个实施例所提供的一种智能驾驶辅助系统的结构图;
图2为本发明一个实施例所提供的一种智能驾驶辅助方法的流程图。
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,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。
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一种智能驾驶辅助系统及方法的具体方案。
参照附图1,其示出了本发明一个实施例所提供的一种智能驾驶辅助系统的结构图,该系统包括以下部分:
采集模块、特征映射模块、数据关联网络建立模块、信息反馈模块、深度特征融合模块、交通预测模块、路线规划模块、车速调整模块;
所述采集模块,用于从多种传感器获取原始数据,多种传感器包括车载摄像头、车载雷达(如毫米波雷达)、LiDAR传感器、超声波传感器、加速度计和陀螺仪等,采集模块通过数据传输的方式与特征映射模块相连;
所述特征映射模块,用于对原始数据进行预处理,包括去噪和归一化,使用小波变换将原始数据转换为高维特征空间,特征映射模块通过数据传输的方式与数据关联网络建立模块、深度特征融合模块相连;
所述数据关联网络建立模块,用于利用谱聚类分析高维特征空间中不同数据点之间的关系,构建数据点之间的关联网络,数据关联网络建立模块通过数据传输的方式与信息反馈模块相连;
所述信息反馈模块,用于通过混沌映射法调整数据点之间的关联强度,动态适应复杂和变化的数据模式,增强数据融合的准确性和鲁棒性,信息反馈模块通过数据传输的方式与深度特征融合模块相连;
所述深度特征融合模块,用于利用循环神经网络(RNN)和长短期记忆网络(LSTM)处理时间序列数据,以捕捉数据随时间变化的模式,实现特征的融合,深度特征融合模块通过数据传输的方式与交通预测模块相连;
所述交通预测模块,用于构建交通预测模型,利用融合特征和历史交通数据预测未来的交通流变化,交通预测模块通过数据传输的方式与路线规划模块、车速调整模块相连;
所述路线规划模块,用于利用交通预测模块的输出优化路线规划,动态评估各条路线的通行效率,路线规划模块通过数据传输的方式与车速调整模块相连;
所述车速调整模块,用于根据预测的未来交通流状态调整车辆的即时速度,以适应预期的交通状况,车速调整模块通过数据传输的方式与路线规划模块相连。
参照附图2,其示出了本发明一个实施例所提供的一种智能驾驶辅助方法的流程图,该方法包括以下步骤:
S100:从各个传感器中获取原始数据,对原始数据进行预处理,并通过小波变换将预处理后的原始数据转换为高维特征空间,分析高维特征空间中不同数据点之间的关系,并调整数据点之间的关联强度,利用循环神经网络和长短期记忆网络处理时间序列数据,并引入深度特征融合网络处理和融合来自各个传感器的数据;
采集模块从各传感器中获取原始数据,所述原始数据包括来自车载摄像头的图像或视频数据、来自车载雷达(如毫米波雷达)的距离测量值、LiDAR传感器提供的高精度的距离和形状信息、来自超声波传感器的超声波数据、来自加速度计和陀螺仪的数据等。
特征映射模块对各传感器采集的原始数据进行预处理,包括去噪和归一化,确保数据的清洁和一致性,以消除不同设备之间的差异。例如,将来自车载摄像头的图像数据和来自车载雷达的距离测量值都转换为统一的格式和尺度。为了更好地捕获数据的局部特征和细节,采用小波变换将预处理后的原始数据转换为高维特征空间,以便更有效地捕获数据的细微差异和复杂模式。小波变换公式:
,
其中,表示经过小波变换后,第s个传感器数据的高维特征表示;/>是第s个传感器采集的原始数据;/>是第s个传感器的数据在第k个频率层面对应的小波基函数;/>是小波系数,即第s个传感器的数据在第k个频率层面上的特征强度。
数据关联网络建立模块利用谱聚类分析高维特征空间中不同数据点之间的关系,识别出在高维空间中数据点的自然分布,帮助理解不同传感器数据之间的相互关联;通过谱聚类分析的结果,构建数据点之间的关联网络。谱聚类的计算公式为:
,
其中, 表示第i个和第j个数据点在经过谱聚类变换后在高维特征空间中的距离;/>和/>分别表示第i个数据点的拉普拉斯矩阵的特征值和特征向量,用于测量特征空间中的数据点之间距离;/>表示转置。
信息反馈模块通过混沌映射法进一步调整数据点之间的关联强度,以动态调整数据点之间的关联,能够适应复杂和变化的数据模式,从而增强数据融合的准确性和鲁棒性。混沌映射更新公式为:
,
其中,表示在第r次迭代时第i个数据点和第j个数据点之间的关联强度;/>是混沌系统的参数,用于控制数据点之间的关联强度的更新速度和模式。
考虑数据的时序性,深度特征融合模块利用循环神经网络(RNN)和长短期记忆网络(LSTM)处理时间序列数据,捕捉数据随时间变化的模式,实现特征的融合。
具体的,RNN被用于处理序列数据,如时间序列数据或序列化的传感器数据。RNN能够记住前一时刻的信息并将其用于当前时刻的数据处理,这使得RNN特别适合处理有时间依赖性的数据。在RNN中,每一个时刻的隐藏状态是基于当前输入和前一时刻的隐藏状态计算得出的。RNN的基本公式可以表示为:
,
其中,表示RNN在时间点t的隐藏状态;/>是输入层到隐藏层的权重;表示结合了/>和/>的函数;/>是隐藏状态到隐藏状态的权重;/>是输入层到隐藏层的偏置;/>是隐藏状态的偏置项;/>是激活函数,用于引入非线性。
LSTM网络接着处理RNN的输出,进一步细化和强化时间序列数据中的长期依赖关系。LSTM通过引入门控机制(包括遗忘门、输入门和输出门),能够更好地控制信息的保留和遗忘,从而有效处理更长的序列数据。LSTM单元的核心是由几个部分组成的,包括遗忘门、输入门/>、输出门/>和单元状态/>。这些组件的公式如下:
,
,
,
,
,
,
其中,、/>表示遗忘门的权重和偏置;/>和/>表示输入门的权重和偏置;和/>表示单元状态的权重和偏置;/>和/>表示输出门的权重和偏置;/>是候选单元状态;/>是sigmoid激活函数,用于门控制;/>是另一种激活函数,用于创建新的候选值;是LSTM在时间点t-1的隐藏状态。
通过结合RNN和LSTM的特性,引入深度特征融合网络,深度特征融合网络能够有效地处理和融合具有时间依赖性的多源数据,从而在智能驾驶辅助系统中提供更为准确和全面的环境感知信息。
,
其中,是深度特征融合网络的输出,/>和/>分别是深度特征融合网络的权重和偏置参数。通过这种方法,有效地处理和融合来自多个传感器的数据,提供高度准确和可靠的环境感知信息,极大地提升了智能驾驶辅助系统的性能和安全性。
S200:构建交通预测模型,预测未来的交通流变化,基于交通预测模型预测的未来交通流状态优化路线规划和调整车辆速度。
为了快速有效地处理和响应动态交通情况,交通预测模块构建交通预测模型,利用原始数据的融合特征,结合历史交通数据,预测未来的交通流变化。采用结合了非线性系统理论、图论、动态优化技术、多阶段决策过程和随机过程的方法,精确预测交通流并优化车辆能源管理。
具体的,将历史交通数据和深度特征融合网络的输出/>转换为图论模型/>,将交通数据视为多维空间实体,形成交通网络。在多维空间中,每个维度代表交通流的不同属性,如流量、速度和事故频率等。采用基于拓扑学和复杂网络理论的非线性映射函数,将多维空间中的数据转换为图论模型中边的权重。这一转换过程可以更精确地捕捉交通网络的结构特性和动态变化。公式表达如下:
,
其中,表示图论模型;/>表示路口(图的顶点);/>表示道路(图的边);/>表示第i个维度的权重;/>是对应维度/>的非线性映射函数,用于将交通数据转换为图论模型中边的权重。
应用动态优化技术和非线性系统理论来预测未来的交通流状态,采用的交通流状态预测公式综合考虑了交通网络中的每个节点和边缘,通过参数调整模型的灵敏度和反应。交通流状态预测公式如下:
,
其中,和/>是第j路段的模型参数;/>用于调整模型对第j路段交通流的敏感度;/>用于控制距离函数对交通流预测的影响;/>是顶点/>和边/>之间的距离函数,代表交通网络中不同节点的连接强度。
路线规划模块利用交通预测模型预测的未来交通流状态优化路线规划,动态评估各条路线的通行效率,包括对各个路段的预测交通密度、可能的延迟和任何潜在路线干扰的综合考量。为每条路线计算一个综合了时间、距离和预测交通状况的“效率分数”,通过量化分析确定最优路线,减少总行程时间和避免交通拥堵。具体的效率分数计算公式为:
,
其中,表示路线的效率分数,/>是路段z的预测通行时间,考虑了不同路段的交通流变化;/>是一个考虑距离因素的调整参数,用于平衡远近路段的影响;/>是路段z的长度,直接影响行程时间;/>是基于/>的路段z的交通密度函数,反映了不同路段的拥堵程度;/>表示路段总数。
车速调整模块根据预测的未来交通流状态调整车辆的即时速度,以应对预测的前方路段的交通状况。例如,在预测到拥堵时提前减速,或在交通畅通时适度加速。公式定义为:
,
,
其中,是调整后的车速,决定了车辆的实际行驶速度;/>是当前车速,表示车辆当前的行驶状态;/>是速度调整敏感度参数,控制了速度调整的幅度;是一个基于预测的未来交通流状态/>和理想行驶速度/>的调整函数,用于微调速度以达到最佳行驶效率和安全性;/>表示道路限速;/>表示能效最优速度;/>表示安全速度。
通过上述计算,实现在复杂和不断变化的交通环境中,有效地优化路线规划和车辆速度控制。提升行驶效率和安全性,确保本发明在实际应用中的价值和可行性。
综上所述,便完成了一种智能驾驶辅助系统及方法。
本发明实施例通过将来自不同传感器的原始数据转换为高维特征空间,并运用小波变换和谱聚类技术,能够更有效地捕获数据的细微差异和复杂模式,这种综合和深入的数据分析提高了车辆环境感知的精确度和细致度;通过混沌映射法调整数据点间的关联强度,能够动态适应复杂和变化的数据模式,不仅增强了数据融合的准确性,还提高了系统对不确定性和噪声的鲁棒性;
本发明实施例通过构建交通预测模型,能够预测未来的交通流变化,有效地优化路线规划和车辆速度控制,减少行程时间、避免拥堵并提高行驶效率;通过对车速进行智能调整,不仅提高了驾驶的安全性,还通过减少不必要的加速和减速,提高了能源效率,对于减少能源消耗和降低排放尤为重要;利用RNN和LSTM处理时间序列数据,能够捕捉数据随时间的变化模式,为智能驾驶辅助系统提供了更为准确和全面的环境感知信息。
发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。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。
上述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种智能驾驶辅助系统,其特征在于,包括以下部分:
采集模块、特征映射模块、数据关联网络建立模块、信息反馈模块、深度特征融合模块、交通预测模块、路线规划模块、车速调整模块;
所述采集模块,用于从至少一种传感器获取原始数据,所述传感器包括车载摄像头、车载雷达、LiDAR传感器、超声波传感器、加速度计和陀螺仪,采集模块通过数据传输的方式与特征映射模块相连;
所述特征映射模块,用于对原始数据进行预处理,包括去噪和归一化,使用小波变换将原始数据转换为高维特征空间,特征映射模块通过数据传输的方式与数据关联网络建立模块、深度特征融合模块相连;
所述数据关联网络建立模块,用于利用谱聚类分析高维特征空间中不同数据点之间的关系,构建数据点之间的关联网络,数据关联网络建立模块通过数据传输的方式与信息反馈模块相连;
所述信息反馈模块,用于通过混沌映射法调整数据点之间的关联强度,信息反馈模块通过数据传输的方式与深度特征融合模块相连;
所述深度特征融合模块,用于利用循环神经网络和长短期记忆网络处理时间序列数据,并引入深度特征融合网络处理和融合来自至少一种传感器的数据,深度特征融合模块通过数据传输的方式与交通预测模块相连;
所述交通预测模块,用于构建交通预测模型,利用原始数据的融合特征和历史交通数据预测未来的交通流变化,交通预测模块通过数据传输的方式与路线规划模块、车速调整模块相连;
所述路线规划模块,用于利用交通预测模块的输出优化路线规划,动态评估各条路线的通行效率,路线规划模块通过数据传输的方式与车速调整模块相连;
所述车速调整模块,用于根据预测的未来交通流状态调整车辆的即时速度,车速调整模块通过数据传输的方式与路线规划模块相连。
2.一种智能驾驶辅助方法,应用于如权利要求1所述的智能驾驶辅助系统,其特征在于,包括以下步骤:
S100:从各个传感器中获取原始数据,对原始数据进行预处理,并通过小波变换将预处理后的原始数据转换为高维特征空间,分析高维特征空间中不同数据点之间的关系,并调整数据点之间的关联强度,利用循环神经网络和长短期记忆网络处理时间序列数据,并引入深度特征融合网络处理和融合来自各个传感器的数据;
S200:构建交通预测模型,预测未来的交通流变化,基于交通预测模型预测的未来交通流状态优化路线规划和调整车辆速度。
3.根据权利要求2所述的一种智能驾驶辅助方法,其特征在于,所述S100,还包括:
基于数据的时序性,用循环神经网络处理序列数据,所述序列数据包括时间序列数据或序列化的传感器数据;在循环神经网络中,每一个时刻的隐藏状态是基于当前输入和前一时刻隐藏状态计算得出的;并采用长短期记忆网络处理循环神经网络的输出;通过结合循环神经网络和长短期记忆网络,引入深度特征融合网络。
4.根据权利要求2所述的一种智能驾驶辅助方法,其特征在于,所述S200,具体包括:
构建交通预测模型,具体的,结合深度特征融合网络的输出和历史交通数据,预测未来的交通流变化;将历史交通数据和深度特征融合网络的输出转换为图论模型,将交通数据视为多维空间实体,形成交通网络;采用非线性映射函数,将多维空间数据转换为图论模型中边的权重。
5.根据权利要求4所述的一种智能驾驶辅助方法,其特征在于,所述S200,还包括:
应用动态优化技术和非线性系统理论来预测未来的交通流状态,并引入交通流状态预测公式。
6.根据权利要求5所述的一种智能驾驶辅助方法,其特征在于,所述S200,还包括:
利用交通预测模型预测的未来交通流状态优化路线规划,动态评估各条路线的通行效率;为每条路线计算效率分数,通过量化分析确定最优路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026960.9A CN117533356B (zh) | 2024-01-09 | 2024-01-09 | 一种智能驾驶辅助系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026960.9A CN117533356B (zh) | 2024-01-09 | 2024-01-09 | 一种智能驾驶辅助系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117533356A CN117533356A (zh) | 2024-02-09 |
CN117533356B true CN117533356B (zh) | 2024-03-29 |
Family
ID=89794171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410026960.9A Active CN117533356B (zh) | 2024-01-09 | 2024-01-09 | 一种智能驾驶辅助系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117533356B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117787838A (zh) * | 2024-02-27 | 2024-03-29 | 广州一链通互联网科技有限公司 | 基于ai大模型的物流数字化管理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118014A (zh) * | 2018-08-30 | 2019-01-01 | 浙江工业大学 | 一种基于时间递归神经网络的交通流速度预测方法 |
CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
CN110634294A (zh) * | 2019-09-26 | 2019-12-31 | 刘秀萍 | 一种强化递阶学习驱动的时空交通流预测方法 |
CN113763700A (zh) * | 2021-04-26 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
CN114783183A (zh) * | 2022-04-15 | 2022-07-22 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN115713856A (zh) * | 2022-10-19 | 2023-02-24 | 东南大学 | 一种基于交通流预测与实际路况的车辆路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561146B (zh) * | 2020-12-08 | 2023-04-18 | 哈尔滨工程大学 | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 |
-
2024
- 2024-01-09 CN CN202410026960.9A patent/CN117533356B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118014A (zh) * | 2018-08-30 | 2019-01-01 | 浙江工业大学 | 一种基于时间递归神经网络的交通流速度预测方法 |
CN110021165A (zh) * | 2019-03-18 | 2019-07-16 | 浙江工业大学 | 一种基于Autoencoder-LSTM融合模型的交通流预测方法 |
CN110634294A (zh) * | 2019-09-26 | 2019-12-31 | 刘秀萍 | 一种强化递阶学习驱动的时空交通流预测方法 |
CN113763700A (zh) * | 2021-04-26 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
CN114783183A (zh) * | 2022-04-15 | 2022-07-22 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
CN115713856A (zh) * | 2022-10-19 | 2023-02-24 | 东南大学 | 一种基于交通流预测与实际路况的车辆路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117533356A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117533356B (zh) | 一种智能驾驶辅助系统及方法 | |
Ata et al. | Modelling smart road traffic congestion control system using machine learning techniques | |
CN108091135B (zh) | 基于优化小波神经网络的停车泊位多步预测方法 | |
Dou et al. | A hybrid CEEMD-GMM scheme for enhancing the detection of traffic flow on highways | |
CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
Yu et al. | A special event-based K-nearest neighbor model for short-term traffic state prediction | |
WO2019071909A1 (zh) | 基于相对熵深度逆强化学习的自动驾驶系统及方法 | |
CN115675098B (zh) | 基于用户特征差异的智能网联汽车动能回收系统、方法、设备及存储介质 | |
CN112258850A (zh) | 一种车路协同系统边缘侧多传感器数据融合系统 | |
CN115376317B (zh) | 一种基于动态图卷积和时序卷积网络的交通流预测方法 | |
Qi et al. | A deep learning approach for long-term traffic flow prediction with multifactor fusion using spatiotemporal graph convolutional network | |
CN113779267B (zh) | 一种基于意图的星上智能任务决策方法 | |
Tian et al. | RETRACTED ARTICLE: Research on emergency vehicle routing planning based on short-term traffic flow prediction | |
Tang et al. | Prediction about the vessel’s heave motion under different sea states based on hybrid PSO_ARMA model | |
Song et al. | Collaborative processing and data optimization of environmental perception technologies for autonomous vehicles | |
Shi et al. | Short-term vehicle speed prediction by time series neural network in high altitude areas | |
CN115034478B (zh) | 一种基于领域自适应与知识迁移的交通流量预测方法 | |
CN111160089A (zh) | 一种基于不同车辆类型的轨迹预测系统及方法 | |
CN116978218A (zh) | 基于生成对抗网络的城市交通流量预测方法、系统及设备 | |
CN116384695A (zh) | 基于独立否决和联合否决的无人机运用监测方法及系统 | |
Tang et al. | Actively learning Gaussian process dynamical systems through global and local explorations | |
Xiang et al. | Adaptive traffic signal control of bottleneck subzone based on grey qualitative reinforcement learning algorithm | |
CN114358244A (zh) | 基于物联网的压力大数据智能检测系统 | |
Zhao et al. | Application of data fusion based on clustering-neural network for ETC gantry flow capacity correction | |
Gao et al. | Pedestrian Behavior Prediction Method for Intelligent Vehicles Based on Convolutional Neural Network |
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 |