WO2021077725A1 - 一种基于驾驶意图的周围车辆运动状态预测系统及方法 - Google Patents

一种基于驾驶意图的周围车辆运动状态预测系统及方法 Download PDF

Info

Publication number
WO2021077725A1
WO2021077725A1 PCT/CN2020/090146 CN2020090146W WO2021077725A1 WO 2021077725 A1 WO2021077725 A1 WO 2021077725A1 CN 2020090146 W CN2020090146 W CN 2020090146W WO 2021077725 A1 WO2021077725 A1 WO 2021077725A1
Authority
WO
WIPO (PCT)
Prior art keywords
lane
vehicle
state
trajectory
feasible
Prior art date
Application number
PCT/CN2020/090146
Other languages
English (en)
French (fr)
Inventor
赵万忠
李琳
徐灿
Original Assignee
南京航空航天大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 南京航空航天大学 filed Critical 南京航空航天大学
Publication of WO2021077725A1 publication Critical patent/WO2021077725A1/zh

Links

Images

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
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60W2050/0019—Control system elements or transfer functions
    • 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
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation

Definitions

  • the invention belongs to the technical field of vehicle driving, and specifically refers to a system and method for predicting the motion state of surrounding vehicles based on driving intention.
  • Lane-changing behavior is one of the important causes of traffic accidents and traffic congestion. Especially in urban areas, where the traffic density is high, lane-changing collision accidents are extremely likely to occur, and even serial rear-end collisions. The vast majority of lane-changing collision accidents are caused by inaccurate perception of the movement state and location information of the surrounding vehicles and making wrong driving decisions.
  • intelligent vehicles can complete the lane changing process through advanced technology and avoid risks, which has become a key research direction to solve vehicle safety.
  • the intelligent vehicle’s lane change decision process should not only consider the current state of its own vehicle and surrounding vehicles, but also obtain the final decision based on the prediction of the surrounding vehicle’s state in the future time domain.
  • state prediction the existing technology Most people think that in the prediction time domain, the surrounding vehicles are the process of maintaining the current behavior, and the other possible behaviors of the surrounding vehicles are not fully considered, thus ignoring the potential hazards.
  • the purpose of the present invention is to provide a system and method for predicting the motion state of surrounding vehicles based on driving intentions of an autonomous vehicle, so as to solve the problem of neglecting the relationship between the environment and the driver when predicting the state of the vehicle in the prior art.
  • the interactive influence and dynamic change of the environment is to provide a system and method for predicting the motion state of surrounding vehicles based on driving intentions of an autonomous vehicle, so as to solve the problem of neglecting the relationship between the environment and the driver when predicting the state of the vehicle in the prior art.
  • the system for predicting the motion state of surrounding vehicles based on driving intention of the present invention includes: a feasible trajectory set generation module, a behavior intention inference module, and a predicted trajectory generation module;
  • the feasible trajectory set generation module determines the current lane of the target vehicle (that is, the predicted vehicle) to generate a feasible trajectory;
  • the behavior intention inference module predicts the probability of the target vehicle choosing different lanes by analyzing the target vehicle’s satisfaction with different lanes, traffic laws and the state of its own vehicle; because the target vehicle driver’s intention to change lanes is based on dynamic traffic Environment, not information at a certain point in time, historical information and current information can affect the output forecast results;
  • the predicted trajectory generating module merges the generated feasible trajectory set and the result of the probability of the corresponding trajectory to obtain the predicted trajectory.
  • the feasible trajectory set generation module establishes a cost equation based on driving at a longitudinal speed and keeping it constant and entering a small steering angle to reach the lane center line of the desired lane, and the lateral kinematics model is a state space, so as to satisfy the cost The control input vector with the smallest equation value and the best feasible trajectory.
  • the behavior intention inference module establishes a behavior intention inference model based on Recurrent Neural Network (RNN) and softmax regression analysis to obtain the probability of the corresponding trajectory in the above feasible trajectory set.
  • RNN Recurrent Neural Network
  • the method for predicting and controlling the motion state of surrounding vehicles based on driving intention inference according to the present invention, the steps are as follows:
  • the step 1) specifically includes: assuming that the longitudinal velocity remains unchanged, the selection state vector is Among them, y e is the lateral displacement in the road coordinate system, Are the corresponding lateral velocity and lateral acceleration respectively, the input vector Represents the lateral step; T s represents the discrete time interval, and the discrete state space equation (1) of the lateral motion is established as follows:
  • k ⁇ 0,1,...,N-1 represents the discrete time step
  • N represents the finite prediction time domain
  • Q ⁇ 0 and P ⁇ 0 respectively represent the process state and final state penalty factor, which is a positive semi-definite matrix, and R>0 is the input penalty factor, which is a positive definite matrix;
  • ⁇ ref contains the information of the reference lane. According to the above, refer to The lateral velocity and acceleration should be 0;
  • the step 2) specifically includes:
  • x e is the longitudinal position of the target vehicle
  • x p, c , x r, c are the longitudinal positions of the vehicle ahead and behind the current lane respectively
  • v e , v r, c are the longitudinal speeds of the target vehicle and the vehicle behind, respectively
  • L is the length of the vehicle body
  • d th is a preset value between the vehicle distances. If this value is exceeded, it is considered that there is no vehicle in front or behind in the lane;
  • v lim represents the maximum speed of the target lane
  • v desired represents the desired speed of the current vehicle
  • C line is used to indicate lane line information, solid indicates a solid line, and dashed indicates a dashed line:
  • the current vehicle is related to the position of the centerline of the rightmost and leftmost lanes. If the driver is currently in the rightmost lane, the intention of changing lanes to the right will not occur.
  • the feasibility of changing lanes is C feasible .
  • y e represents the lateral position of the vehicle
  • y road represents the lateral position of the centerline of the leftmost lane
  • the step 3) specifically includes: defining the output form of the intention inference model: based on the intention inference result of the lane, the result is coded in one-hot form, [1 0 0] means left lane change, [0 1 0 ] Means lane keeping, [0 0 1] means right lane change.
  • the step 4) specifically includes: establishing an intention inference model based on RNN, and the influencing factors based on the analysis in step 2) are used as the input x t at each time of the network:
  • the input of the input layer is a time series input X:
  • the hidden state h t at time t can be calculated by the following formula (11):
  • U is the weight coefficient matrix between the input layer and the hidden layer
  • W is the weight coefficient of the cyclic connection in the hidden layer
  • b h is the bias vector of the hidden layer
  • the output of the hidden layer is used as the input of the output layer, and the probability that the softmax layer will output different intention results
  • V is the weight between the hidden layer and output layer weight coefficient matrix, b y output layer as the offset vector.
  • step 5 the specific training steps in step 5 are as follows:
  • the weight coefficient matrix and bias vector can be obtained by solving the following equation (14):
  • the present invention considers the influence of other vehicles, roads and traffic laws on the future state of the vehicle when the intelligent vehicle is driving in the process of predicting the state of the surrounding vehicles, and considers the dynamic changes of the current driving environment, so as to fully and accurately understand the current driving traffic Information status, so as to make current decisions that are more in line with actual security.
  • Figure 1 is a block diagram of the principle of the system of the present invention.
  • Figure 2 is an example diagram of a set of feasible trajectories generated at a certain moment.
  • Fig. 3 is a calculation block diagram of the RNN network in the intention module of the present invention.
  • a system for predicting the motion state of surrounding vehicles based on driving intention of the present invention includes: a feasible trajectory set generation module, a behavior intention inference module, and a predicted trajectory generation module;
  • the feasible trajectory set generation module determines the current lane of the target vehicle (that is, the predicted vehicle) to generate a feasible trajectory;
  • the behavior intention inference module predicts the probability of the target vehicle choosing different lanes by analyzing the target vehicle’s satisfaction with different lanes, traffic laws and the state of its own vehicle; because the target vehicle driver’s intention to change lanes is based on dynamic traffic Environment, not information at a certain point in time, historical information and current information can affect the output forecast results;
  • the behavior intention inference module establishes a behavior intention inference model based on Recurrent Neural Network (RNN) and softmax regression analysis to obtain the probability of the corresponding trajectory in the above feasible trajectory set.
  • RNN Recurrent Neural Network
  • the method for predicting and controlling the motion state of surrounding vehicles based on driving intention inference of the present invention is based on the above system, and the steps are as follows:
  • the selected state vector is Among them, y e is the lateral displacement in the road coordinate system, Are the corresponding lateral velocity and lateral acceleration respectively, the input vector Represents the lateral step; T s represents the discrete time interval, and the discrete state space equation (1) of the lateral motion is established as follows:
  • k ⁇ 0,1,...,N-1 represents the discrete time step
  • N represents the finite prediction time domain
  • Q ⁇ 0 and P ⁇ 0 respectively represent the process state and final state penalty factor, which is a positive semi-definite matrix, and R>0 is the input penalty factor, which is a positive definite matrix;
  • ⁇ ref contains the information of the reference lane. According to the above, refer to The lateral velocity and acceleration should be 0;
  • x e is the longitudinal position of the target vehicle
  • x p, c , x r, c are the longitudinal positions of the vehicle ahead and behind the current lane respectively
  • v e , v r, c are the longitudinal speeds of the target vehicle and the vehicle behind, respectively
  • L is the length of the vehicle body
  • d th is a preset value between the vehicle distances. If this value is exceeded, it is considered that there is no vehicle in front or behind in the lane;
  • v lim represents the maximum speed of the target lane
  • v desired represents the desired speed of the current vehicle
  • C line is used to indicate lane line information, solid indicates a solid line, and dashed indicates a dashed line:
  • the current vehicle is related to the position of the centerline of the rightmost and leftmost lanes. If the driver is currently in the rightmost lane, the intention of changing lanes to the right will not occur.
  • the feasibility of changing lanes is C feasible .
  • y e represents the lateral position of the vehicle
  • y road represents the lateral position of the centerline of the leftmost lane
  • an intention inference model based on RNN is established, and the influencing factors based on the analysis in step 2) are used as the input x t at each moment of the network:
  • the input of the input layer is a time series input X:
  • the hidden state h t at time t can be calculated by the following formula (11):
  • U is the weight coefficient matrix between the input layer and the hidden layer
  • W is the weight coefficient of the cyclic connection in the hidden layer
  • b h is the bias vector of the hidden layer
  • the output of the hidden layer is used as the input of the output layer, and the probability that the softmax layer will output different intention results
  • V is the weight between the hidden layer and output layer weight coefficient matrix, b y output layer as the offset vector.
  • the weight coefficient matrix and bias vector can be obtained by solving the following equation (14):

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

一种基于驾驶意图的周围车辆运动状态预测系统及方法，该系统包括：可行轨迹集生成，行为意图生成和预测轨迹生成模块；可行轨迹集生成模块，根据全局路径规划的结果，确定目标车辆当前可行驶的车道，生成可行轨迹；行为意图推断模块，通过分析目标车辆对不同车道的满意度，交通法规以及自车的状态，来预测目标车辆选择不同车道的概率；预测轨迹生成模块，根据生成的可行轨迹集和对应轨迹的概率的结果，融合得到预测轨迹。该系统解决了现有技术中预测车辆状态时忽略环境与驾驶员之间的交互影响和动态变化环境的问题。

Description

一种基于驾驶意图的周围车辆运动状态预测系统及方法 技术领域
本发明属于车辆驾驶技术领域，具体指代一种基于驾驶意图的周围车辆运动状态预测系统及方法。
背景技术
随着汽车保有量的日益增加，道路交通逐渐趋于密集化和复杂化，进而导致驾驶压力的增大，使得驾驶员在正常交通场景下的驾驶能力下降，大大增加了交通事故的发生几率。其中换道行为是导致交通事故和交通拥堵的重要致因之一，尤其在城市区域，车流密度大，极易发生换道碰撞事故，甚至导致连环追尾碰撞。绝大多数换道碰撞事故是由于换道车辆对其周围车辆运动状态及位置信息感知不准确并进行了错误的驾驶决策。
目前，智能车辆可以通过先进技术完成换道过程，规避风险，已经成为解决车辆安全的一个重点研究方向。但智能车辆的换道决策过程中不仅应该考虑当前自车和周围车辆的状态，还应该基于未来一段时域内的周围车辆状态的预测来得到最终的决策；而在状态预测方面，现有技术中大多认为在预测时域内，周围车辆是维持当前行为的过程，并未充分考虑周围车辆的其他可能发生的行为，从而忽略了潜在的危险。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种自动驾驶车辆基于驾驶意图的周围车辆运动状态预测系统及方法，以解决现有技术中预测车辆状态时忽略环境与驾驶员之间的交互影响和动态变化的环境的问题。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种基于驾驶意图的周围车辆运动状态预测系统，包括：可行轨迹集生成模块、行为意图推断模块及预测轨迹生成模块；
所述可行轨迹集生成模块，根据全局路径规划的结果，确定目标车辆(即被预测的车辆)当前可行驶的车道，生成可行轨迹；
所述行为意图推断模块，通过分析目标车辆对不同车道的满意度，交通法规以及自车的状态，来预测目标车辆选择不同车道的概率；由于目标车辆驾驶员的换道意图是基于动态的交通环境，而并非是某一时刻点的信息，历史信息和当前信息都能对输出的预测结果产生影响；
所述预测轨迹生成模块，根据生成的可行轨迹集和对应轨迹的概率的结果，融合得到预测轨迹。
优选地，所述可行轨迹集生成模块基于纵向速度行驶并保持不变及通过输入小的转向角到达期望车道的车道中心线建立代价方程，侧向运动学模型为状态空间，以此求解满足代价方程值最小的控制输入向量和最优的可行的轨迹。
优选地，所述行为意图推断模块基于循环神经网络(Recurrent Neural Network,RNN)和softmax回归分析建立一个行为意图推断模型，得到上述可行的轨迹集中相应轨迹的概率。
本发明的一种基于驾驶意图推断的周围车辆运动状态预测控制方法，步骤如下：
1)基于纵向速度行驶并保持不变及通过输入小的转向角到达期望车道的车道中心线建立代价方程，侧向运动学模型为状态空间，以此求解满足代价方程值最小的控制输入向量和最优的可行的轨迹，根据所有车道可生成可行轨迹的集合；
2)通过当前状态下，目标车辆对不同车道的满意度，结合交通法规和车辆自身的状态，来分析换道意图的影响因素；
3)定义意图推断模型的输出形式分别来表示左换道，车道保持，右换道；
4)建立RNN意图推断模型，将步骤2)中分析的因素作为模型的输入，步骤3)中的输出形式作为模型的输出，建立模型的计算关系；
5)利用数据组{(x t,y t)} n训练网络，得到步骤4)中的权重系数矩阵W,U,V和偏置向量b h,b y；
6)：基于步骤4)和5)得到的不同意图的概率和步骤1)中得到的可行轨迹集，来得到最终预测的轨迹
Figure PCTCN2020090146-appb-000001
其中每个时刻的轨迹y e,t,p可由
Figure PCTCN2020090146-appb-000002
得到。
优选地，所述步骤1)具体包括：假设纵向速度保持不变，选择状态向量为
Figure PCTCN2020090146-appb-000003
其中，y e为道路坐标系下的侧向位移，
Figure PCTCN2020090146-appb-000004
分别为对应的侧向速度和侧向加速度，输入向量
Figure PCTCN2020090146-appb-000005
表示侧向阶跃；T s表示离散时间间隔，建立侧向运动的离散状态空间方程(1)如下：
Figure PCTCN2020090146-appb-000006
其中，k∈0,1,...,N-1表示离散时间步长，N表示有限预测时域；
根据输入小的转向角到达期望车道的车道中心线，给出代价方程(2)如下：
Figure PCTCN2020090146-appb-000007
其中，Q≥0和P≥0分别表示过程状态和最终状态惩罚因子，为半正定矩阵，R＞0为输入惩罚因子，为一正定矩阵；χ ref包含参考车道的信息，根据上述可知，参考侧向速度和加速度应当为0；
以车辆当前状态为初始状态χ 0，最优的控制输入序列u *的求解可通过下式(3)：
Figure PCTCN2020090146-appb-000008
将u *带入方程(1)得最优状态序列χ *，根据不同的参考车道重复上述步骤求解得到可行轨迹集。
优选地，所述步骤2)具体包括：
21)分析不同车道的满意度：当前车道满意度C r,c,C p,c由下述公式给出：
Figure PCTCN2020090146-appb-000009
Figure PCTCN2020090146-appb-000010
其中，x e是目标车辆的纵向位置，x p,c,x r,c分别是当前车道前方和后方车辆的纵向位置，v e,v r,c分别是目标车辆和后方车辆的纵向速度，L是车身长度，d th是车距间的一个预设值，超过该值，则认为该车道不存在前方或后方车辆；
定义其他邻近车道的满意度C p,i,C r,i，i∈{l,r}，l表示左侧车道，r表示右侧车道：
Figure PCTCN2020090146-appb-000011
Figure PCTCN2020090146-appb-000012
22)分析交通法规对换道意图的影响，考虑下列因素：
车辆的期望车速和目标车道的限制车速，用C v来表示驾驶员对车速的满意度：
C v＝v lim-v desired         (8)
其中，v lim表示目标车道的最高车速，v desired表示当前车辆的期望速度；
若左右侧车道线为实线，则换道行为是被禁止的,C line用来表示车道线信息，solid表示实线，dashed表示虚线：
C line∈{solid,dashed}         (9)；
23)分析车辆自车状态对换道意图的影响，考虑下列因素：
当前车辆与最右侧和最左侧车道中心线的位置有关，若驾驶员当前处于最右侧车道，则不会产生右换道的意图，换道的可行性C feasible，用当前位置与最左侧车道中心线的距离来刻画：
C feasible＝y e-y road          (10)
其中，y e表示自车的侧向位置，y road表示最左侧车道中心线的侧向位置；
从车辆稳定性的角度出发，若车辆自身状态不稳定，则不会产生换道意图，用侧向加速度
Figure PCTCN2020090146-appb-000013
来表示车辆状态的稳定性。
选地，所述步骤3)具体包括：定义意图推断模型的输出形式：基于车道的意图推断结果，将结果用one-hot的形式编码，[1 0 0]表示左换道，[0 1 0]表示车道保持，[0 0 1]表示右换道。
优选地，所述步骤4)具体包括：建立基于RNN的意图推断模型，基于步骤2)中的分析的影响因素作为网络每个时刻的输入x t：
Figure PCTCN2020090146-appb-000014
输入层的输入为一个时间序列的输入X：
Figure PCTCN2020090146-appb-000015
给定输入序列，则隐藏层序列
Figure PCTCN2020090146-appb-000016
其中t时刻的隐状态h t可由下式(11)计算得到：
h t＝tanh(Ux t+Wh t-1+b h)            (11)
其中，U为输入层和隐藏层之间的权重系数矩阵，W为隐藏层中的循环连接的权重系数，b h为隐藏层的偏置向量；
隐藏层的输出作为输出层的输入，最终由softmax层输出不同意图结果的概率
Figure PCTCN2020090146-appb-000017
Figure PCTCN2020090146-appb-000018
其中，V为隐藏层和输出层之间的权重系数矩阵，b y为输出层的偏置向量。
优选地，所述步骤5)中训练具体步骤如下：
定义真实值和预测值之间的损失函数为：
Figure PCTCN2020090146-appb-000019
通过求解下述式(14)即可得到权重系数矩阵和偏置向量：
Figure PCTCN2020090146-appb-000020
本发明的有益效果：
本发明在智能车辆行驶在预测周围车辆的状态的过程中，考虑了其他车辆、道路和交通法规对车辆未来状态的影响，并考虑当前行驶环境的动态变化，更充分和准确理解当前行驶的交通信息状况，从而作出当前更符合实际安全的决策。
附图说明
图1为本发明系统原理框图。
图2为某一时刻生成可行轨迹集示例图。
图3为本发明中意图模块中RNN网络的计算框图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种基于驾驶意图的周围车辆运动状态预测系统，包括：可行轨迹集生成模块、行为意图推断模块及预测轨迹生成模块；
所述可行轨迹集生成模块，根据全局路径规划的结果，确定目标车辆(即被预测的车辆)当前可行驶的车道，生成可行轨迹；
所述行为意图推断模块，通过分析目标车辆对不同车道的满意度，交通法规以及自车的状态，来预测目标车辆选择不同车道的概率；由于目标车辆驾驶员的换道意图是基于动态的交通环境，而并非是某一时刻点的信息，历史信息和当前信息都能对输出的预测结果产生影响；
所述预测轨迹生成模块，根据生成的可行轨迹集和对应轨迹的概率的结果，融合得到预 测轨迹。
优选地，所述可行轨迹集生成模块基于纵向速度行驶并保持不变及通过输入小的转向角到达期望车道的车道中心线建立代价方程，侧向运动学模型为状态空间，以此求解满足代价方程值最小的控制输入向量和最优的可行的轨迹。
优选地，所述行为意图推断模块基于循环神经网络(Recurrent Neural Network,RNN)和softmax回归分析建立一个行为意图推断模型，得到上述可行的轨迹集中相应轨迹的概率。
本发明的一种基于驾驶意图推断的周围车辆运动状态预测控制方法，基于上述系统，步骤如下：
1)基于纵向速度行驶并保持不变及通过输入小的转向角到达期望车道的车道中心线建立代价方程，侧向运动学模型为状态空间，以此求解满足代价方程值最小的控制输入向量和最优的可行的轨迹，根据所有车道可生成可行轨迹的集合；
参照图2所示，假设纵向速度保持不变，选择状态向量为
Figure PCTCN2020090146-appb-000021
其中，y e为道路坐标系下的侧向位移，
Figure PCTCN2020090146-appb-000022
分别为对应的侧向速度和侧向加速度，输入向量
Figure PCTCN2020090146-appb-000023
表示侧向阶跃；T s表示离散时间间隔，建立侧向运动的离散状态空间方程(1)如下：
Figure PCTCN2020090146-appb-000024
其中，k∈0,1,...,N-1表示离散时间步长，N表示有限预测时域；
根据输入小的转向角到达期望车道的车道中心线，给出代价方程(2)如下：
Figure PCTCN2020090146-appb-000025
其中，Q≥0和P≥0分别表示过程状态和最终状态惩罚因子，为半正定矩阵，R＞0为输入惩罚因子，为一正定矩阵；χ ref包含参考车道的信息，根据上述可知，参考侧向速度和加速度应当为0；
以车辆当前状态为初始状态χ 0，最优的控制输入序列u *的求解可通过下式(3)：
Figure PCTCN2020090146-appb-000026
将u *带入方程(1)得最优状态序列χ *，根据不同的参考车道重复上述步骤求解得到可行轨迹集。
2)通过当前状态下，目标车辆对不同车道的满意度，结合交通法规和车辆自身的状态，来分析换道意图的影响因素；具体为：
21)分析不同车道的满意度：当前车道满意度C r,c,C p,c由下述公式给出：
Figure PCTCN2020090146-appb-000027
Figure PCTCN2020090146-appb-000028
其中，x e是目标车辆的纵向位置，x p,c,x r,c分别是当前车道前方和后方车辆的纵向位置，v e,v r,c分别是目标车辆和后方车辆的纵向速度，L是车身长度，d th是车距间的一个预设值，超过该值，则认为该车道不存在前方或后方车辆；
定义其他邻近车道的满意度C p,i,C r,i，i∈{l,r}，l表示左侧车道，r表示右侧车道：
Figure PCTCN2020090146-appb-000029
Figure PCTCN2020090146-appb-000030
22)分析交通法规对换道意图的影响，考虑下列因素：
车辆的期望车速和目标车道的限制车速，用C v来表示驾驶员对车速的满意度：
C v＝v lim-v desired          (8)
其中，v lim表示目标车道的最高车速，v desired表示当前车辆的期望速度；
若左右侧车道线为实线，则换道行为是被禁止的,C line用来表示车道线信息，solid表示实线，dashed表示虚线：
C line∈{solid,dashed}       (9)；
23)分析车辆自车状态对换道意图的影响，考虑下列因素：
当前车辆与最右侧和最左侧车道中心线的位置有关，若驾驶员当前处于最右侧车道，则不会产生右换道的意图，换道的可行性C feasible，用当前位置与最左侧车道中心线的距离来刻画：
C feasible＝y e-y road      (10)
其中，y e表示自车的侧向位置，y road表示最左侧车道中心线的侧向位置；
从车辆稳定性的角度出发，若车辆自身状态不稳定，则不会产生换道意图，用侧向加速度
Figure PCTCN2020090146-appb-000031
来表示车辆状态的稳定性。
3)定义意图推断模型的输出形式分别来表示左换道，车道保持，右换道；
定义意图推断模型的输出形式：基于车道的意图推断结果，将结果用one-hot的形式编码，[1 0 0]表示左换道，[0 1 0]表示车道保持，[0 0 1]表示右换道；
4)建立RNN意图推断模型，将步骤2)中分析的因素作为模型的输入，步骤3)中的输出形式作为模型的输出，建立模型的计算关系；
参照图3所示，建立基于RNN的意图推断模型，基于步骤2)中的分析的影响因素作为网络每个时刻的输入x t：
Figure PCTCN2020090146-appb-000032
输入层的输入为一个时间序列的输入X：
Figure PCTCN2020090146-appb-000033
给定输入序列，则隐藏层序列
Figure PCTCN2020090146-appb-000034
其中t时刻的隐状态h t可由下式(11)计算得到：
h t＝tanh(Ux t+Wh t-1+b h)         (11)
其中，U为输入层和隐藏层之间的权重系数矩阵，W为隐藏层中的循环连接的权重系数，b h为隐藏层的偏置向量；
隐藏层的输出作为输出层的输入，最终由softmax层输出不同意图结果的概率
Figure PCTCN2020090146-appb-000035
Figure PCTCN2020090146-appb-000036
其中，V为隐藏层和输出层之间的权重系数矩阵，b y为输出层的偏置向量。
5)利用数据组{(x t,y t)} n训练网络，得到步骤4)中的权重系数矩阵W,U,V和偏置向量b h,b y；
定义真实值和预测值之间的损失函数为：
Figure PCTCN2020090146-appb-000037
通过求解下述式(14)即可得到权重系数矩阵和偏置向量：
Figure PCTCN2020090146-appb-000038
6)：基于步骤4)和5)得到的不同意图的概率和步骤1)中得到的可行轨迹集，来得到最终预测的轨迹
Figure PCTCN2020090146-appb-000039
其中每个时刻的轨迹y e,t,p可由
Figure PCTCN2020090146-appb-000040
得到。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，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，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (9)

  1. 一种基于驾驶意图的周围车辆运动状态预测系统，其特征在于，包括：可行轨迹集生成模块、行为意图推断模块及预测轨迹生成模块；
    可行轨迹集生成模块，根据全局路径规划的结果，确定目标车辆当前可行驶的车道，生成可行轨迹；
    行为意图推断模块，通过分析目标车辆对不同车道的满意度，交通法规以及自车的状态，来预测目标车辆选择不同车道的概率；
    预测轨迹生成模块，根据生成的可行轨迹集和对应轨迹的概率的结果，融合得到预测轨迹。
  2. 根据权利要求1所述的基于驾驶意图的周围车辆运动状态预测系统，其特征在于，所述可行轨迹集生成模块基于纵向速度行驶并保持不变及通过输入小的转向角到达期望车道的车道中心线建立代价方程，侧向运动学模型为状态空间，以此求解满足代价方程值最小的控制输入向量和最优的可行的轨迹。
  3. 根据权利要求1所述的基于驾驶意图的周围车辆运动状态预测系统，其特征在于，所述行为意图推断模块基于循环神经网络和softmax回归分析建立一个行为意图推断模型，得到上述可行的轨迹集中相应轨迹的概率。
  4. 一种基于驾驶意图推断的周围车辆运动状态预测控制方法，其特征在于，步骤如下：
    1)基于纵向速度行驶并保持不变及通过输入小的转向角到达期望车道的车道中心线建立代价方程，侧向运动学模型为状态空间，以此求解满足代价方程值最小的控制输入向量和最优的可行的轨迹，根据所有车道可生成可行轨迹的集合；
    2)通过当前状态下，目标车辆对不同车道的满意度，结合交通法规和车辆自身的状态，来分析换道意图的影响因素；
    3)定义意图推断模型的输出形式分别来表示左换道，车道保持，右换道；
    4)建立RNN意图推断模型，将步骤2)中分析的因素作为模型的输入，步骤3)中的输出形式作为模型的输出，建立模型的计算关系；
    5)利用数据组{(x t,y t)} n训练网络，得到步骤4)中的权重系数矩阵W,U,V和偏置向量b h,b y；
    6)：基于步骤4)和5)得到的不同意图的概率和步骤1)中得到的可行轨迹集，来得到最终预测的轨迹
    Figure PCTCN2020090146-appb-100001
    其中每个时刻的轨迹y e,t,p可由
    Figure PCTCN2020090146-appb-100002
    得到。
  5. 根据权利要求4所述的基于驾驶意图推断的周围车辆运动状态预测控制方法，其特征在于，所述步骤1)具体包括：假设纵向速度保持不变，选择状态向量为
    Figure PCTCN2020090146-appb-100003
    其 中，y e为道路坐标系下的侧向位移，
    Figure PCTCN2020090146-appb-100004
    分别为对应的侧向速度和侧向加速度，输入向量
    Figure PCTCN2020090146-appb-100005
    表示侧向阶跃；T s表示离散时间间隔，建立侧向运动的离散状态空间方程(1)如下：
    χ k+1＝Aχ k+Bu k    (1)
    Figure PCTCN2020090146-appb-100006
    其中，k∈0,1,...,N-1表示离散时间步长，N表示有限预测时域；
    根据输入小的转向角到达期望车道的车道中心线，给出代价方程(2)如下：
    Figure PCTCN2020090146-appb-100007
    其中，Q≥0和P≥0分别表示过程状态和最终状态惩罚因子，为半正定矩阵，R＞0为输入惩罚因子，为一正定矩阵；χ ref包含参考车道的信息，根据上述可知，参考侧向速度和加速度应当为0；
    以车辆当前状态为初始状态χ 0，最优的控制输入序列u *的求解可通过下式(3)：
    Figure PCTCN2020090146-appb-100008
    将u *带入方程(1)得最优状态序列χ *，根据不同的参考车道重复上述步骤求解得到可行轨迹集。
  6. 根据权利要求4所述的基于驾驶意图推断的周围车辆运动状态预测控制方法，其特征在于，所述步骤2)具体包括：
    21)分析不同车道的满意度：当前车道满意度C r,c,C p,c由下述公式给出：
    Figure PCTCN2020090146-appb-100009
    Figure PCTCN2020090146-appb-100010
    其中，x e是目标车辆的纵向位置，x p,c,x r,c分别是当前车道前方和后方车辆的纵向位置，v e,v r,c分别是目标车辆和后方车辆的纵向速度，L是车身长度，d th是车距间的一个预设值， 超过该值，则认为该车道不存在前方或后方车辆；
    定义其他邻近车道的满意度C p,i,C r,i，i∈{l,r}，l表示左侧车道，r表示右侧车道：
    Figure PCTCN2020090146-appb-100011
    Figure PCTCN2020090146-appb-100012
    22)分析交通法规对换道意图的影响，考虑下列因素：
    车辆的期望车速和目标车道的限制车速，用C v来表示驾驶员对车速的满意度：
    C v＝v lim-v desired    (8)
    其中，v lim表示目标车道的最高车速，v desired表示当前车辆的期望速度；
    若左右侧车道线为实线，则换道行为是被禁止的，C line用来表示车道线信息，solid表示实线，dashed表示虚线：
    C line∈{solid,dashed}    (9)；
    23)分析车辆自车状态对换道意图的影响，考虑下列因素：
    当前车辆与最右侧和最左侧车道中心线的位置有关，若驾驶员当前处于最右侧车道，则不会产生右换道的意图，换道的可行性C feasible，用当前位置与最左侧车道中心线的距离来刻画：
    C feasible＝y e-y road    (10)
    其中，y e表示自车的侧向位置，y road表示最左侧车道中心线的侧向位置；
    从车辆稳定性的角度出发，若车辆自身状态不稳定，则不会产生换道意图，用侧向加速度
    Figure PCTCN2020090146-appb-100013
    来表示车辆状态的稳定性。
  7. 根据权利要求4所述的基于驾驶意图推断的周围车辆运动状态预测控制方法，其特征在于，所述步骤3)具体包括：定义意图推断模型的输出形式：基于车道的意图推断结果，将结果用one-hot的形式编码，[1 0 0]表示左换道，[0 1 0]表示车道保持，[0 0 1]表示右换道。
  8. 根据权利要求4所述的基于驾驶意图推断的周围车辆运动状态预测控制方法，其特征 在于，所述步骤4)具体包括：建立基于RNN的意图推断模型，基于步骤2)中的分析的影响因素作为网络每个时刻的输入x t：
    Figure PCTCN2020090146-appb-100014
    输入层的输入为一个时间序列的输入X：
    Figure PCTCN2020090146-appb-100015
    给定输入序列，则隐藏层序列
    Figure PCTCN2020090146-appb-100016
    其中t时刻的隐状态h t可由下式(11)计算得到：
    h t＝tanh(Ux t+Wh t-1+b h)    (11)
    其中，U为输入层和隐藏层之间的权重系数矩阵，W为隐藏层中的循环连接的权重系数，b h为隐藏层的偏置向量；
    隐藏层的输出作为输出层的输入，最终由softmax层输出不同意图结果的概率
    Figure PCTCN2020090146-appb-100017
    Figure PCTCN2020090146-appb-100018
    其中，V为隐藏层和输出层之间的权重系数矩阵，b y为输出层的偏置向量。
  9. 根据权利要求4所述的基于驾驶意图推断的周围车辆运动状态预测控制方法，其特征在于，所述步骤5)中训练具体步骤如下：
    定义真实值和预测值之间的损失函数为：
    Figure PCTCN2020090146-appb-100019
    通过求解下述式(14)即可得到权重系数矩阵和偏置向量：
    Figure PCTCN2020090146-appb-100020
PCT/CN2020/090146 2019-10-21 2020-05-14 一种基于驾驶意图的周围车辆运动状态预测系统及方法 WO2021077725A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910998216.4A CN110758382B (zh) 2019-10-21 2019-10-21 一种基于驾驶意图的周围车辆运动状态预测系统及方法
CN201910998216.4 2019-10-21

Publications (1)

Publication Number Publication Date
WO2021077725A1 true WO2021077725A1 (zh) 2021-04-29

Family

ID=69331271

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/090146 WO2021077725A1 (zh) 2019-10-21 2020-05-14 一种基于驾驶意图的周围车辆运动状态预测系统及方法

Country Status (2)

Country Link
CN (1) CN110758382B (zh)
WO (1) WO2021077725A1 (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113635900A (zh) * 2021-08-10 2021-11-12 吉林大学 一种预测巡航过程中基于能量管理的换道决策控制方法
US20210394786A1 (en) * 2020-06-17 2021-12-23 Baidu Usa Llc Lane change system for lanes with different speed limits
CN113901582A (zh) * 2021-10-09 2022-01-07 燕山大学 一种车辆换道纵向位移计算方法及其优化方法
CN113928306A (zh) * 2021-11-30 2022-01-14 合肥工业大学 汽车集成增稳控制方法及系统
CN113961002A (zh) * 2021-09-09 2022-01-21 浙江零跑科技股份有限公司 一种基于结构化道路采样的主动换道规划方法
CN114067178A (zh) * 2021-11-18 2022-02-18 厦门大学 一种无人驾驶汽车对周边车辆切入轨迹预测系统及方法
CN114153207A (zh) * 2021-11-29 2022-03-08 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
US11273838B2 (en) * 2019-07-17 2022-03-15 Huawei Technologies Co., Ltd. Method and apparatus for determining vehicle speed
CN114194215A (zh) * 2021-12-30 2022-03-18 江苏大学 一种智能车辆避障换道轨迹规划方法及系统
CN114417592A (zh) * 2022-01-13 2022-04-29 中国农业大学 一种换道场景智能汽车队列“人-车-路”系统建模方法
CN114454883A (zh) * 2022-02-28 2022-05-10 重庆长安汽车股份有限公司 一种基于周车预测的创造安全换道条件的纵向规划方法
CN114454157A (zh) * 2021-12-21 2022-05-10 上海交通大学深圳研究院 适用于机器人的局部轨迹调整与人机共享控制方法和系统
CN115081186A (zh) * 2022-05-17 2022-09-20 同济大学 一种支持数据驱动的驾驶行为仿真系统及其仿真方法
CN115123235A (zh) * 2022-06-02 2022-09-30 东风柳州汽车有限公司 一种基于不满度的商用车换道控制方法及装置
CN115147790A (zh) * 2022-06-28 2022-10-04 重庆长安汽车股份有限公司 一种基于图神经网络的车辆未来轨迹预测方法
CN115320631A (zh) * 2022-07-05 2022-11-11 西安航空学院 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法
WO2023045791A1 (zh) * 2021-09-23 2023-03-30 中国第一汽车股份有限公司 车道保持方法、装置、设备、介质及系统
CN116088538A (zh) * 2023-04-06 2023-05-09 禾多科技（北京）有限公司 车辆轨迹信息生成方法、装置、设备和计算机可读介质
CN116252708A (zh) * 2023-05-15 2023-06-13 西格玛智能装备(山东)有限公司 一种适用于风电专用车的行驶碰撞预警系统
CN117585017A (zh) * 2023-12-11 2024-02-23 西部科学城智能网联汽车创新中心(重庆)有限公司 一种自动驾驶车辆换道决策方法、装置、设备及存储介质
CN115147790B (zh) * 2022-06-28 2024-06-04 重庆长安汽车股份有限公司 一种基于图神经网络的车辆未来轨迹预测方法

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110758382B (zh) * 2019-10-21 2021-04-20 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测系统及方法
CN111267846B (zh) * 2020-02-11 2021-05-11 南京航空航天大学 一种基于博弈论的周围车辆交互行为预测方法
CN111595352B (zh) * 2020-05-14 2021-09-28 陕西重型汽车有限公司 一种基于环境感知和车辆行驶意图的轨迹预测方法
CN111930110A (zh) * 2020-06-01 2020-11-13 西安理工大学 一种结合社会生成对抗网络的意图轨迹预测方法
CN111754816B (zh) * 2020-06-04 2023-04-28 纵目科技（上海）股份有限公司 一种移动物体意图识别装置、方法、系统、终端和介质
US11433923B2 (en) 2020-06-10 2022-09-06 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for long-term prediction of lane change maneuver
US20210403008A1 (en) * 2020-06-29 2021-12-30 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Method and system for predicting a trajectory of a target vehicle in an environment of a vehicle
CN113077619B (zh) * 2020-07-08 2021-12-07 中移(上海)信息通信科技有限公司 车辆运动预测的方法、装置、设备及存储介质
CN112133089B (zh) * 2020-07-21 2021-11-19 西安交通大学 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置
CN114056347A (zh) * 2020-07-31 2022-02-18 华为技术有限公司 车辆运动状态识别方法及装置
CN112249008B (zh) * 2020-09-30 2021-10-26 南京航空航天大学 针对复杂动态环境的无人驾驶汽车预警方法
CN112530202B (zh) * 2020-11-23 2022-01-04 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
FR3117079A1 (fr) 2020-12-07 2022-06-10 Psa Automobiles Sa Procédé et dispositif de prédiction de changement de voie de circulation d’un véhicule circulant sur une route
CN112650064B (zh) * 2021-01-05 2022-01-18 南京航空航天大学 一种适应于混杂道路的智能汽车汇入控制系统及方法
CN112874509B (zh) * 2021-03-03 2022-04-29 知行汽车科技（苏州）有限公司 基于智能驾驶员模型idm的轨迹规划方法、装置及存储介质
CN113240944A (zh) * 2021-06-16 2021-08-10 广东海洋大学 一种基于大数据的个体船舶碰撞风险计算方法
CN113942511B (zh) * 2021-10-19 2023-03-31 东风柳州汽车有限公司 无人驾驶车超车控制方法、装置、设备及存储介质
CN113911129B (zh) * 2021-11-23 2023-02-24 吉林大学 一种基于驾驶行为生成机制的交通车意图识别方法
CN114228746B (zh) * 2022-01-17 2024-05-07 北京经纬恒润科技股份有限公司 一种预测车辆运动轨迹的方法及装置
CN114407930B (zh) * 2022-02-11 2023-09-05 福思(杭州)智能科技有限公司 车辆轨迹预测方法、装置、电子设备及车辆
CN115293297B (zh) * 2022-10-08 2023-01-20 武汉理工大学 一种意图驱动的船舶轨迹预测方法
CN115610435B (zh) * 2022-12-02 2023-04-11 福思(杭州)智能科技有限公司 对象行驶意图的预测方法和装置、存储介质及电子装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7047224B1 (en) * 1998-09-23 2006-05-16 Siemens Aktiengesellschaft Method and configuration for determining a sequence of actions for a system which comprises statuses, whereby a status transition ensues between two statuses as a result of an action
CN108352112A (zh) * 2015-11-04 2018-07-31 大众汽车有限公司 用于确定车辆的驾驶意图的方法和车辆通信系统
CN110187639A (zh) * 2019-06-27 2019-08-30 吉林大学 一种基于参数决策框架的轨迹规划控制方法
CN110568760A (zh) * 2019-10-08 2019-12-13 吉林大学 适用于换道及车道保持的参数化学习决策控制系统及方法
CN110758382A (zh) * 2019-10-21 2020-02-07 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103085815A (zh) * 2013-01-17 2013-05-08 北京理工大学 一种识别驾驶员换道意图的方法
US10049279B2 (en) * 2016-03-11 2018-08-14 Qualcomm Incorporated Recurrent networks with motion-based attention for video understanding
DE102016009763A1 (de) * 2016-08-11 2018-02-15 Trw Automotive Gmbh Steuerungssystem und Steuerungsverfahren zum Bestimmen einer Trajektorie und zum Erzeugen von zugehörigen Signalen oder Steuerbefehlen
CN109501799B (zh) * 2018-10-29 2020-08-28 江苏大学 一种车联网条件下的动态路径规划方法
CN109572694B (zh) * 2018-11-07 2020-04-28 同济大学 一种考虑不确定性的自动驾驶风险评估方法
CN109684702B (zh) * 2018-12-17 2020-04-24 清华大学 基于轨迹预测的行车风险辨识方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7047224B1 (en) * 1998-09-23 2006-05-16 Siemens Aktiengesellschaft Method and configuration for determining a sequence of actions for a system which comprises statuses, whereby a status transition ensues between two statuses as a result of an action
CN108352112A (zh) * 2015-11-04 2018-07-31 大众汽车有限公司 用于确定车辆的驾驶意图的方法和车辆通信系统
CN110187639A (zh) * 2019-06-27 2019-08-30 吉林大学 一种基于参数决策框架的轨迹规划控制方法
CN110568760A (zh) * 2019-10-08 2019-12-13 吉林大学 适用于换道及车道保持的参数化学习决策控制系统及方法
CN110758382A (zh) * 2019-10-21 2020-02-07 南京航空航天大学 一种基于驾驶意图的周围车辆运动状态预测系统及方法

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11273838B2 (en) * 2019-07-17 2022-03-15 Huawei Technologies Co., Ltd. Method and apparatus for determining vehicle speed
US20210394786A1 (en) * 2020-06-17 2021-12-23 Baidu Usa Llc Lane change system for lanes with different speed limits
US11904890B2 (en) * 2020-06-17 2024-02-20 Baidu Usa Llc Lane change system for lanes with different speed limits
CN113635900B (zh) * 2021-08-10 2024-03-19 吉林大学 一种预测巡航过程中基于能量管理的换道决策控制方法
CN113635900A (zh) * 2021-08-10 2021-11-12 吉林大学 一种预测巡航过程中基于能量管理的换道决策控制方法
CN113961002A (zh) * 2021-09-09 2022-01-21 浙江零跑科技股份有限公司 一种基于结构化道路采样的主动换道规划方法
CN113961002B (zh) * 2021-09-09 2023-10-03 浙江零跑科技股份有限公司 一种基于结构化道路采样的主动换道规划方法
WO2023045791A1 (zh) * 2021-09-23 2023-03-30 中国第一汽车股份有限公司 车道保持方法、装置、设备、介质及系统
CN113901582A (zh) * 2021-10-09 2022-01-07 燕山大学 一种车辆换道纵向位移计算方法及其优化方法
CN114067178A (zh) * 2021-11-18 2022-02-18 厦门大学 一种无人驾驶汽车对周边车辆切入轨迹预测系统及方法
CN114153207A (zh) * 2021-11-29 2022-03-08 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
CN114153207B (zh) * 2021-11-29 2024-02-27 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及控制装置
CN113928306B (zh) * 2021-11-30 2023-05-02 合肥工业大学 汽车集成增稳控制方法及系统
CN113928306A (zh) * 2021-11-30 2022-01-14 合肥工业大学 汽车集成增稳控制方法及系统
CN114454157A (zh) * 2021-12-21 2022-05-10 上海交通大学深圳研究院 适用于机器人的局部轨迹调整与人机共享控制方法和系统
CN114454157B (zh) * 2021-12-21 2024-05-14 上海交通大学深圳研究院 适用于机器人的局部轨迹调整与人机共享控制方法和系统
CN114194215B (zh) * 2021-12-30 2024-05-10 江苏大学 一种智能车辆避障换道轨迹规划方法及系统
CN114194215A (zh) * 2021-12-30 2022-03-18 江苏大学 一种智能车辆避障换道轨迹规划方法及系统
CN114417592A (zh) * 2022-01-13 2022-04-29 中国农业大学 一种换道场景智能汽车队列“人-车-路”系统建模方法
CN114454883A (zh) * 2022-02-28 2022-05-10 重庆长安汽车股份有限公司 一种基于周车预测的创造安全换道条件的纵向规划方法
CN114454883B (zh) * 2022-02-28 2023-09-15 重庆长安汽车股份有限公司 一种基于周车预测的创造安全换道条件的纵向规划方法
CN115081186A (zh) * 2022-05-17 2022-09-20 同济大学 一种支持数据驱动的驾驶行为仿真系统及其仿真方法
CN115081186B (zh) * 2022-05-17 2023-09-26 同济大学 一种支持数据驱动的驾驶行为仿真系统及其仿真方法
CN115123235A (zh) * 2022-06-02 2022-09-30 东风柳州汽车有限公司 一种基于不满度的商用车换道控制方法及装置
CN115147790B (zh) * 2022-06-28 2024-06-04 重庆长安汽车股份有限公司 一种基于图神经网络的车辆未来轨迹预测方法
CN115147790A (zh) * 2022-06-28 2022-10-04 重庆长安汽车股份有限公司 一种基于图神经网络的车辆未来轨迹预测方法
CN115320631A (zh) * 2022-07-05 2022-11-11 西安航空学院 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法
CN115320631B (zh) * 2022-07-05 2024-04-09 西安航空学院 一种智能驾驶汽车相邻车道前车驾驶意图辨识方法
CN116088538B (zh) * 2023-04-06 2023-06-13 禾多科技（北京）有限公司 车辆轨迹信息生成方法、装置、设备和计算机可读介质
CN116088538A (zh) * 2023-04-06 2023-05-09 禾多科技（北京）有限公司 车辆轨迹信息生成方法、装置、设备和计算机可读介质
CN116252708A (zh) * 2023-05-15 2023-06-13 西格玛智能装备(山东)有限公司 一种适用于风电专用车的行驶碰撞预警系统
CN116252708B (zh) * 2023-05-15 2023-07-25 西格玛智能装备(山东)有限公司 一种适用于风电专用车的行驶碰撞预警系统
CN117585017A (zh) * 2023-12-11 2024-02-23 西部科学城智能网联汽车创新中心(重庆)有限公司 一种自动驾驶车辆换道决策方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110758382B (zh) 2021-04-20
CN110758382A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
WO2021077725A1 (zh) 一种基于驾驶意图的周围车辆运动状态预测系统及方法
CN110488802B (zh) 一种网联环境下的自动驾驶车辆动态行为决策方法
JP3714258B2 (ja) 車両用推奨操作量生成装置
JP7020097B2 (ja) 車両制御装置、リスクマップ生成装置、及びプログラム
CN113291308B (zh) 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
Zheng et al. Behavioral decision‐making model of the intelligent vehicle based on driving risk assessment
CN110843789A (zh) 一种基于时序卷积网络的车辆换道意图预测方法
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN113946943B (zh) 人-车-路微观交通系统建模及风险辨识方法及装置
CN112572443B (zh) 一种高速公路车辆换道实时避撞轨迹规划方法及系统
CN108694841A (zh) 一种基于v2x技术的智能车辆通行路口红绿灯方法
CN111332283A (zh) 用于控制机动车的方法和系统
US11934957B2 (en) Methods, systems, and apparatuses for user-understandable explainable learning models
Dong et al. Interactive ramp merging planning in autonomous driving: Multi-merging leading PGM (MML-PGM)
Barmpounakis et al. Identifying predictable patterns in the unconventional overtaking decisions of PTW for cooperative ITS
Du et al. A cooperative crash avoidance framework for autonomous vehicle under collision-imminent situations in mixed traffic stream
Griesbach et al. Lane change prediction with an echo state network and recurrent neural network in the urban area
Jeon et al. Overtaking decision and trajectory planning in highway via hierarchical architecture of conditional state machine and chance constrained model predictive control
Guo et al. Toward human-like behavior generation in urban environment based on Markov decision process with hybrid potential maps
Sun et al. Human-like highway trajectory modeling based on inverse reinforcement learning
Guo et al. Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic
Lu et al. Decision-making method of autonomous vehicles in urban environments considering traffic laws
CN113844446B (zh) 融合长短程的车辆轨迹预测方法
Huang et al. General Optimal Trajectory Planning: Enabling Autonomous Vehicles with the Principle of Least Action
Yan et al. Application of fuzzy control under time-varying universe in unmanned vehicles

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20879423

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20879423

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20879423

Country of ref document: EP

Kind code of ref document: A1