CN208393354U - 基于bp神经网络和安全距离移线工况自动驾驶转向系统 - Google Patents
基于bp神经网络和安全距离移线工况自动驾驶转向系统 Download PDFInfo
- Publication number
- CN208393354U CN208393354U CN201820986732.6U CN201820986732U CN208393354U CN 208393354 U CN208393354 U CN 208393354U CN 201820986732 U CN201820986732 U CN 201820986732U CN 208393354 U CN208393354 U CN 208393354U
- Authority
- CN
- China
- Prior art keywords
- neural network
- automobile
- information
- vehicle
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000013480 data collection Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 210000005036 nerve Anatomy 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本实用新型公开了一种基于BP神经网络和安全距离移线工况自动驾驶转向系统，该系统由数据采集系统、安全预警系统、神经网络控制系统和执行机构组成。其控制方法为通过数据采集系统采集汽车在行驶过程中的环境信息和汽车状态信息，将采集到的环境信息和汽车状态信息输入到安全预警系统中并判断汽车是否需要横向操纵来避免发生风险。当需要横向操纵时，将采集到的信息输入到神经网络控制模型中，利用神经网络控制模型求出汽车所需的操纵输入，最后利用得到的操纵输入控制执行机构完成操纵任务。本实用新型不仅满足了自动驾驶汽车的驾驶需求，还能在实际过程中不断地学习与改进；该控制系统提高了纵、横向运动的安全性和快速性。
Description
技术领域
本实用新型属于智能车自动驾驶控制系统技术领域，具体涉及一种基于BP神经网络和安全距离移线工况自动驾驶转向系统。
背景技术
随着近年来经济的飞速发展，我国汽车保有量逐年增加，城市道路拥堵，交通事故频发等成为了我国道路安全管制的一大难题。在对交通事故的分析中，驾驶员无疑是人-车-路环节里最薄弱的一环。于是减少驾驶员对行车安全的影响，成为了大家首要考虑的问题。基于此，自动驾驶汽车的发展成了各大企业竞相追逐的目标。
然而，目前市面上可以见到的自动驾驶技术尚处于起步阶段，存在些许不足之处。一方面，其自动驾驶程度较低，仅对纵向车速进行控制，不能实现汽车转向、加减速的协同控制，无法实现汽车的横向操纵功能；另一方面，自动驾驶车辆可看做存在一个“高级”的驾驶员模型对汽车进行操纵，但是由于不同驾驶员的预瞄时间、反应时间等的不同，导致很难建立一个统一的驾驶员模型来求解不同驾驶员操纵输入。
发明内容
发明目的：为了克服现有技术中存在的不足，本实用新型提供一种基于BP神经网络和安全距离移线工况自动驾驶转向系统，训练后的神经网络控制器通过数据采集系统和预警系统的输入来策略性地控制车辆的纵横向运动，它既能代替驾驶员模型，求解出汽车所需的操纵输入，又能根据驾驶员的驾驶习惯不断的改进模型。
技术方案：为实现上述目的，本实用新型采用的技术方案为：
一种基于BP神经网络和安全距离移线工况自动驾驶转向系统，包括依次连接的：
数据采集系统，用于采集汽车在行驶过程中的环境信息和汽车状态信息，并输入到安全预警系统中；
安全预警系统，用于根据环境信息和汽车状态信息判断汽车是否需要横向操纵来避免发生风险，当需要横向操纵时，将采集到的信息输入到神经网络控制模型中；
神经网络控制系统，用于利用神经网络控制模型求出汽车所需的操纵输入，并输出给执行机构；
执行机构，用于根据接收到的操纵输入完成操纵任务，实现自动驾驶汽车。
进一步的，所述的数据采集系统为车载传感器系统，包括：
环境感知系统，包括雷达传感器、激光传感器、视觉识别传感器，用于识别车道线方位以及采集汽车行驶时的环境信息；其中雷达传感器置于汽车的两车用于采集相邻车道行驶车辆的位置信息和车道边界信息；激光传感器置于汽车的前部用于采集自车和前方车辆的距离信息；视觉传感器置于汽车的顶部，用于采集车道线信息；
车辆状态感知系统，包括方向盘转角传感器、车速传感器、陀螺仪、侧向加速度传感器、横摆角速度传感器，用于采集汽车行驶时的汽车状态信息；其中方向盘转角传感器置于方向盘下方，用于采集方向盘转角信息；车速传感器置于变速器的输出端，用于采集车速信息；其余传感器置于车内用于采集包括侧向加速度、横摆角速度、航向角在内的信息。
进一步的，所述的安全预警系统为安全距离系统，包括：
纵向安全距离模型，根据汽车与前车的相对距离以及相对速度计算制动安全距离以及操纵安全距离；
横向安全距离模型，通过汽车的行驶状态和环境信息判断汽车行驶所需的横向安全距离；
所述安全距离系统通过纵向安全距离模型和横向安全距离模型的输出结果对驾驶行为进行预警。
进一步的，所述安全预警系统判断汽车是否需要横向操纵来避免发生风险的标准为：Dh>D，其中，D为自车与前车的相对距离，Dh为操纵安全距离。
进一步的，所述的执行机构由纵向控制器和横向控制器组成，其中，纵向控制器由制动踏板执行器和加速踏板执行器组成，横向控制器由方向盘执行器组成。
进一步的，所述神经网络控制模型首先通过实车试验数据训练神经网络控制模型，得到驾驶环境与方向盘转角、车速的映射关系；在汽车实际行驶过程中，将数据采集系统采集到的环境信息输入到训练好的神经网络模型中，得到当前环境汽车需要的操纵控制输入。
同时，本实用新型还给出了上述的基于BP神经网络和安全距离移线工况自动驾驶转向系统的控制方法，包括以下步骤：
步骤1：利用数据采集系统采集汽车正常行驶中的汽车状态信息和环境信息；
步骤2：将采集到的汽车状态信息和环境信息导入安全预警系统中，安全预警系统将当前车速v和障碍物位置信息(x,y)与系统内的数据库作对比，判断汽车是否需要进行横向运动，并产生相应的控制策略；
步骤3：将步骤2中的控制策略和步骤1中的状态信息和环境信息导入神经网络控制系统中，并根据控制策略选择相应的已训练好的神经网络模型；
步骤4：将神经网络输入的控制信号经D/A转换后控制执行机构完成相应的操纵任务。
进一步的，所述步骤2的具体方法为：
步骤2-1：数据采集系统采集到的传感器信号传送到安全预警系统的纵向安全距离模型、横向安全距离模型中；
步骤2-2：纵向安全距离模型由上述传感器信号，计算出纵向安全距离DZ、操纵安全距离Dh：
其中，
a1＝-0.2g
a2＝-0.5g
其中V为相对速度、a1、a2为制动减速度；t1是以a1为制动减速度时，汽车从开始减速到停止所用时间；t2是以a2为制动减速度时，汽车从开始减速到停止所用时间；
步骤2-3：判断自车与前车的相对距离D与纵向安全距离DZ、操纵安全距离Dh的大小关系：
步骤2-3.1：若D>DZ，则此时汽车行驶安全，维持当前行驶状态；
步骤2-3.2：若DZ>D>Dh，则汽车进行简单纵向制动操纵，此时控制汽车以较小的制动减速度进行制动；
步骤2-3.3：若D>Dh，由横向安全距离模型判断横向操纵的可行性，以得到此时的控制策略，具体控制策略为：
若相邻车道有车，则换道不可行；
若相邻车道没车，利用神经网络模型求解换道时所需操纵输入，若求解出操纵输入则换道可行，通过求解出的操控输入控制汽车完成换道操纵；若求解不出换道操纵则说明在侧向加速度、状态变量、控制变量的约束下汽车不能完成换道操纵，则换道不可行；
步骤2-4：横向安全距离模型由当前自车的行驶状态信息、临近车道的车辆行驶状态信息、车道线方位判断此时汽车是否可以进行横向操纵，具体为：
步骤2-4.1：若横向操纵不可行，则汽车执行紧急制动操作，以汽车的最大制动减速度进行制动；
步骤2-4.2：若横向操纵行为可行，则汽车执行避障操作，此时由神经网络模型得到横向操纵输入。
有益效果：本实用新型提供的一种基于BP神经网络和安全距离移线工况自动驾驶转向系统，与现有技术相比，具有以下优势：
1、本实用新型可以在避免驾驶员建模的情况下求解出驾驶员的操纵输入，有效的解决了驾驶员建模困难的问题；
2、本实用新型采用了一种神经网络控制器，该控制器可以在日常的驾驶中不断的改进，相较于现有的技术可以更好的适应复杂的驾驶环境。
附图说明
图1为控制系统控制策略的流程图；
图2预警系统工作流程；
图3为神经网络控制器学习原理图。
具体实施方式
本实用新型公开了一种基于BP神经网络和安全距离移线工况自动驾驶转向系统，该系统由数据采集系统、安全预警系统、神经网络控制系统和执行机构组成。其控制方法为通过数据采集系统采集汽车在行驶过程中的环境信息和汽车状态信息，将采集到的环境信息和汽车状态信息输入到安全预警系统中并判断汽车是否需要横向操纵来避免发生风险。当需要横向操纵时，将采集到的信息输入到神经网络控制模型中，利用神经网络控制模型求出汽车所需的操纵输入，最后利用得到的操纵输入控制执行机构完成操纵任务。本实用新型的控制系统不仅满足了自动驾驶汽车的驾驶需求，还能在实际过程中不断地学习与改进；该控制系统提高了纵、横向运动的安全性和快速性。
一种基于神经网络和安全距离的自动驾驶控制系统，包括数据采集系统、安全预警系统、神经网络控制系统和执行机构。
所述的数据采集系统包括雷达、激光传感器、视觉传感器、方向盘转角传感器、车速传感器、陀螺仪、侧向加速度传感器、横摆角速度传感器等用于采集汽车行驶时的环境信息与汽车状态信息。
所述的安全预警系统由纵向安全距离模型和侧向安全距离模型组成。纵向安全距离模型可根据汽车与前车的相对距离以及相对速度计算制动安全距离以及操纵安全距离。横向安全距离模型通过汽车的行驶状态和环境信息判断汽车行驶所需的横向安全距离。安全距离系统通过纵向安全距离模型和横向安全距离模型的输出结果对驾驶行为进行预警。
所述的神经网络控制模型首先通过实车试验数据训练神经网络控制模型，得到驾驶环境与方向盘转角、车速的映射关系。在汽车行驶过程中，将数据采集系统采集到的环境信息输入到训练好的神经网络模型中，得到当前环境汽车需要的操纵控制输入。
所述的执行机构包括纵向控制器和横向控制器组成。其中，纵向控制器由制动踏板执行器和加速踏板执行器组成；横向控制器由方向盘执行器组成。
本实用新型的基于神经网络和安全距离的自动驾驶控制方法，包括以下步骤：
步骤1：在汽车上安装数据采集系统；
步骤2：设定汽车行驶时的典型工况，由驾驶经验丰富的驾驶员操控汽车完成相应驾驶任务；
步骤3：采集步骤2中驾驶员的操纵信息及汽车的状态相应信息，并作为神经网络模型的样本数据训练神经网络控制器；
步骤4：利用步骤1中的数据采集系统采集汽车行驶时的车辆状态信息和环境信息，并导入安全预警模型中，通过安全预警系统判断汽车是否需要进行横向运动；
步骤5：如果需要横向运动，将步骤4中采集到的数据导入步骤3中训练完成的神经网络模型中，得到汽车所需的操纵输入控制变量。
步骤6：将步骤5中得到的控制变量信号经D/A转换，换换成电信号控制执行机构完成相应的避障操纵。
具体的安全预警系统判断汽车是否需要进行横向运动的方法包括以下步骤：
1)：接收数据采集系统信息，并将其传送到纵向安全距离模型、横向安全距离模型。其中，传感器信息主要包括：自车行驶速度、加速度、横摆角速度、方向盘转角、航向角、质心坐标，周围车辆行驶速度、加速度、质心坐标，自车与前车的相对距离D、相对速度V，车道线宽度等。
2)：纵向安全距离模型由上述传感器信号，计算出纵向安全距离DZ、操纵安全距离Dh：
其中，
a1＝-0.2g
a2＝-0.5g
其中V为相对速度、a1、a2为制动减速度；t1是以a1为制动减速度时，汽车从开始减速到停止所用时间；t2是以a2为制动减速度时，汽车从开始减速到停止所用时间；
3)：判断自车与前车的相对距离与纵向安全距离、操纵安全距离的大小关系。
3.1：若D>DZ，则此时汽车行驶安全，维持当前行驶状态；
3.2)：若DZ>D>Dh，则汽车进行简单纵向制动操纵，此时控制汽车以较小的制动减速度进行制动；
3.3)：若Dh>D，需由横向安全距离模型判断横向操纵的可行性，以得到此时的控制策略；
4)：横向安全距离模型由当前自车的行驶状态信息、临近车道的车辆行驶状态信息、车道线方位判断此时汽车是否可以进行横向操纵：
其具体控制策略为：若相邻车道有车，则换道不可行；
若相邻车道没车，则利用最优控制模型求解换道时所需的操纵输入，若求解出操纵输入则换道可行，通过求解出的操控输入控制汽车完成换道操纵；若求解不出换道操纵则说明在侧向加速度、状态变量、控制变量的约束下汽车不能完成换道操纵，则换道不可行；
4.1)：若横向操纵不可行，则汽车执行紧急制动操作，以汽车的最大制动减速度进行制动；
4.2)：若横向操纵行为可行，则汽车执行避障操作，此时由神经网络模型得到横向操纵输入。
下面结合附图和实施例对本实用新型作更进一步的说明。
实施例
图1为控制系统控制策略的流程图，该方法具体步骤包括：
步骤1：智能车以一定车速行驶；
步骤2：数据采集系统检测到前方距离x处有宽度为y的障碍物，将其标记为(x,y)，和当前汽车状态信息一起传递给车辆控制平台；
步骤3：安全预警系统将当前车速v和障碍物位置信息(x,y)与系统内的数据库作对比，判定智能车能否横向操纵；若横向操纵过程存在风险则执行步骤4，若横向运动无风险则执行步骤5；
步骤4：根据步骤3的输出，对车辆进行纵向减速控制，并返回到步骤2；
步骤5：根据步骤2输出的状态信息和障碍物位置信息(x,y)，由已训练完成的神经网络控制器决策出控制车速和转角；所述神经网络控制器为BP神经网络控制器，其具体的学习方法如图3所示，；
步骤6：将神经网络输出的控制信号经D/A转换后控制执行机构完成相应的操纵任务；
步骤7：车辆恢复正常的直线行驶工况。
以上所述仅是本实用新型的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本实用新型的保护范围。
Claims (6)
1.一种基于BP神经网络和安全距离移线工况自动驾驶转向系统，其特征在于：包括依次连接的：
数据采集系统，用于采集汽车在行驶过程中的环境信息和汽车状态信息，并输入到安全预警系统中；
安全预警系统，用于根据环境信息和汽车状态信息判断汽车是否需要横向操纵来避免发生风险，当需要横向操纵时，将采集到的信息输入到神经网络控制模型中；
神经网络控制系统，用于利用神经网络控制模型求出汽车所需的操纵输入，并输出给执行机构；
执行机构，用于根据接收到的操纵输入完成操纵任务，实现自动驾驶汽车。
2.根据权利要求1所述的基于BP神经网络和安全距离移线工况自动驾驶转向系统，其特征在于：所述的数据采集系统为车载传感器系统，包括：
环境感知系统，包括雷达传感器、激光传感器、视觉识别传感器，用于识别车道线方位以及采集汽车行驶时的环境信息；其中雷达传感器置于汽车的两车用于采集相邻车道行驶车辆的位置信息和车道边界信息；激光传感器置于汽车的前部用于采集自车和前方车辆的距离信息；视觉传感器置于汽车的顶部，用于采集车道线信息；
车辆状态感知系统，包括方向盘转角传感器、车速传感器、陀螺仪、侧向加速度传感器、横摆角速度传感器，用于采集汽车行驶时的汽车状态信息；其中方向盘转角传感器置于方向盘下方，用于采集方向盘转角信息；车速传感器置于变速器的输出端，用于采集车速信息；其余传感器置于车内用于采集包括侧向加速度、横摆角速度、航向角在内的信息。
3.根据权利要求1所述的基于BP神经网络和安全距离移线工况自动驾驶转向系统，其特征在于：所述的安全预警系统为安全距离系统，包括：
纵向安全距离模型，根据汽车与前车的相对距离以及相对速度计算制动安全距离以及操纵安全距离；
横向安全距离模型，通过汽车的行驶状态和环境信息判断汽车行驶所需的横向安全距离；
所述安全距离系统通过纵向安全距离模型和横向安全距离模型的输出结果对驾驶行为进行预警。
4.根据权利要求1所述的基于BP神经网络和安全距离移线工况自动驾驶转向系统，其特征在于：所述安全预警系统判断汽车是否需要横向操纵来避免发生风险的标准为：Dh>D，其中，D为自车与前车的相对距离，Dh为操纵安全距离。
5.根据权利要求1所述的基于BP神经网络和安全距离移线工况自动驾驶转向系统，其特征在于：所述的执行机构由纵向控制器和横向控制器组成，其中，纵向控制器由制动踏板执行器和加速踏板执行器组成，横向控制器由方向盘执行器组成。
6.根据权利要求1所述的基于BP神经网络和安全距离移线工况自动驾驶转向系统，其特征在于：所述神经网络控制模型首先通过实车试验数据训练神经网络控制模型，得到驾驶环境与方向盘转角、车速的映射关系；在汽车实际行驶过程中，将数据采集系统采集到的环境信息输入到训练好的神经网络模型中，得到当前环境汽车需要的操纵控制输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820986732.6U CN208393354U (zh) | 2018-06-22 | 2018-06-22 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201820986732.6U CN208393354U (zh) | 2018-06-22 | 2018-06-22 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN208393354U true CN208393354U (zh) | 2019-01-18 |
Family
ID=65132241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201820986732.6U Active CN208393354U (zh) | 2018-06-22 | 2018-06-22 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN208393354U (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108657189A (zh) * | 2018-06-22 | 2018-10-16 | 南京航空航天大学 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法 |
| CN110108291A (zh) * | 2019-05-06 | 2019-08-09 | 宝能汽车有限公司 | 路口导航修正方法和装置 |
| CN110155081A (zh) * | 2019-05-28 | 2019-08-23 | 南京航空航天大学 | 一种智能驾驶汽车的自适应避障控制系统 |
| CN111693044A (zh) * | 2020-06-19 | 2020-09-22 | 南京晓庄学院 | 一种融合定位方法 |
| CN112651456A (zh) * | 2020-12-31 | 2021-04-13 | 遵义师范学院 | 基于rbf神经网络的无人车控制方法 |
| CN113085806A (zh) * | 2021-04-06 | 2021-07-09 | 南京航空航天大学 | 一种基于超磁致伸缩制动系统的复合再生制动控制方法 |
-
2018
- 2018-06-22 CN CN201820986732.6U patent/CN208393354U/zh active Active
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108657189A (zh) * | 2018-06-22 | 2018-10-16 | 南京航空航天大学 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法 |
| CN108657189B (zh) * | 2018-06-22 | 2024-02-23 | 南京航空航天大学 | 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法 |
| CN110108291A (zh) * | 2019-05-06 | 2019-08-09 | 宝能汽车有限公司 | 路口导航修正方法和装置 |
| CN110155081A (zh) * | 2019-05-28 | 2019-08-23 | 南京航空航天大学 | 一种智能驾驶汽车的自适应避障控制系统 |
| CN111693044A (zh) * | 2020-06-19 | 2020-09-22 | 南京晓庄学院 | 一种融合定位方法 |
| CN112651456A (zh) * | 2020-12-31 | 2021-04-13 | 遵义师范学院 | 基于rbf神经网络的无人车控制方法 |
| CN112651456B (zh) * | 2020-12-31 | 2023-08-08 | 遵义师范学院 | 基于rbf神经网络的无人车控制方法 |
| CN113085806A (zh) * | 2021-04-06 | 2021-07-09 | 南京航空航天大学 | 一种基于超磁致伸缩制动系统的复合再生制动控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108657189A (zh) | 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法 | |
| CN208393354U (zh) | 基于bp神经网络和安全距离移线工况自动驾驶转向系统 | |
| CN104477167B (zh) | 一种智能驾驶系统及其控制方法 | |
| EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
| CN106740864B (zh) | 一种驾驶行为意图判断与预测方法 | |
| CN109727469B (zh) | 一种多车道下自动驾驶车辆综合危险度评估方法 | |
| CN107248276B (zh) | 一种基于车路协同的智能网联汽车编队控制方法及装置 | |
| CN105139677B (zh) | 基于车路协同的无控交叉口车辆通行引导系统及其引导方法 | |
| CN103158705B (zh) | 用于控制本车的方法和系统 | |
| CN110155046A (zh) | 自动紧急制动分级控制方法与系统 | |
| CN105599773B (zh) | 一种基于车辆运动姿态的驾驶员状态提示装置及其方法 | |
| CN107985310B (zh) | 一种自适应巡航方法及系统 | |
| CN109584571A (zh) | 道路交叉口预警控制方法及系统、及所用的感知装置 | |
| CN108717268A (zh) | 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法 | |
| CN109177982A (zh) | 考虑驾驶风格的车辆行驶危险度评价方法 | |
| WO2009009961A1 (fr) | Système d'entraînement automatique de type à partage d'informations pour véhicule et son procédé de commande | |
| CN107867283A (zh) | 基于预测模型的集成式fcw/acc/aeb系统及车辆 | |
| CN103921719A (zh) | 驾驶员交互式商用车辆侧翻预警方法和系统 | |
| CN107891860A (zh) | 基于道路曲率自适应调节车速的系统及方法 | |
| CN103956045A (zh) | 利用半实物仿真技术手段实现车队协同驾驶的方法 | |
| CN108657178A (zh) | 一种智能网联电动教练车及控制方法 | |
| CN207895314U (zh) | 一种新型的智能驾驶新能源汽车 | |
| CN109799821A (zh) | 一种基于状态机的自动驾驶控制方法 | |
| CN110239556B (zh) | 一种驾驶员即时操控能力感知方法 | |
| CN109427200A (zh) | 智能无人驾驶系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant |