CN107132840B - 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 - Google Patents
一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 Download PDFInfo
- Publication number
- CN107132840B CN107132840B CN201710305807.XA CN201710305807A CN107132840B CN 107132840 B CN107132840 B CN 107132840B CN 201710305807 A CN201710305807 A CN 201710305807A CN 107132840 B CN107132840 B CN 107132840B
- Authority
- CN
- China
- Prior art keywords
- vertical
- driver
- control
- road
- steering
- 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 28
- 230000008878 coupling Effects 0.000 claims abstract description 20
- 238000010168 coupling process Methods 0.000 claims abstract description 20
- 238000005859 coupling reaction Methods 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000002490 cerebral effect Effects 0.000 claims description 5
- 239000000725 suspension Substances 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- VIEYMVWPECAOCY-UHFFFAOYSA-N 7-amino-4-(chloromethyl)chromen-2-one Chemical compound ClCC1=CC(=O)OC2=CC(N)=CC=C21 VIEYMVWPECAOCY-UHFFFAOYSA-N 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Electromagnetism (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法，涉及车辆控制。以驾驶员为研究对象，分析越野道路下驾驶员转向/加减速操纵行为特征；针对非结构化道路环境下无人车辆具有参数不确定性、非线性耦合及时滞等特点，构建基于多性能目标优化的拟人控制系统。建立越野电驱动无人车辆纵/横/垂耦合动力学拟人控制系统，通过对耦合动力学系统的动态协调进行能量、信息的传递、转换及演变，实现越野电驱动无人车辆的动力学耦合控制，有效提高电驱动无人车辆自主行驶综合性能，从而明显改善控制系统性能。
Description
技术领域
本发明涉及车辆控制，尤其是涉及到一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法。
背景技术
作为先进科技的综合载体，电驱动无人车辆在民用、航天及军事等不同领域中均有重要用途。越野环境增强了电驱动无人车辆动力学系统的非线性、强耦合、不确定性等特性，如果不能把车辆动力学系统有机地结合为一个整体，解耦设计互不关联的运动控制方法，将难以合理解决耦合动力学作用下的无人车辆行驶性能安全保障问题。如何构建纵-横-垂向系统的动态协调控制方法来实现电驱动无人车辆自主行驶安全性、通过性及平顺性等多性能目标的协同优化，这是提升越野电驱动无人车辆综合行驶性能的核心问题之一。
目前电驱动无人车辆运动控制的研究主要集中在城市道路或高速公路等比较规范的高结构化道路环境，文献1(Erdal K,etc.Towards Agrobots：Trajectory Control ofan Autonomous Tractor Using Type-2Fuzzy Logic Controllers[J].IEEE/ASMETransactions on Mechatronics,2015,20(1)：287-293)提出了车辆横向模糊逻辑控制方法，文献2(Jullierme E,etc.Longitudinal Model Identification and VelocityControl of an Autonomous Car[J].IEEE Transactions on IntelligentTransportation Systems,2015,16(2)：777-786)提出综合PI和逆动力学模型的车辆纵向速度自动控制策略方法。而对越野环境下无人车辆控制问题的研究鲜有探讨。越野环境地表的不平度、复杂多变性以及非连续性等物理性质将大幅度增强车辆纵-横-垂动力学系统的非线性耦合、不确定性及时滞特性。
发明内容
本发明的目的是针对非结构化道路环境下电驱动无人车辆具有强非线性耦合及不确定性等特点，提供协同优化车辆自主行驶安全性、通过性和平顺性多目标性能，实现对越野电驱动无人车辆耦合动力学系统的动态协调的一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法。
本发明包括以下步骤：
1)以驾驶员为研究对象，分析越野道路下驾驶员转向/加减速操纵行为特征；
在步骤1)中，所述以驾驶员为研究对象，分析越野道路下驾驶员转向/加减速操纵行为特征的具体方法可为：
(1)提取不同行驶工况下驾驶员操纵、车辆状态和道路环境等多源信息。基于聚类分析原理，统计分析所提取的客观数据信息，建立驾驶员转向/加减速行为特性参数因子，揭示驾驶员在车辆运动中的转向/加减速行为特性和操纵规律；
(2)采用统计学和行为学方法，分析驾驶员转向/加减速行为特性参数的分布特征，设计驾驶员转向/加减速行为参数因子的定量化辨识因子，为车辆耦合动力学拟人控制方法的研究提供基础数据库。
2)针对非结构化道路环境下无人车辆具有参数不确定性、非线性耦合及时滞等特点，构建基于多性能目标优化的拟人控制系统。
在步骤2)中，所述针对非结构化道路环境下无人车辆具有参数不确定性、非线性耦合及时滞等特点，构建基于多性能目标优化的拟人控制系统的具体方法可为：
(1)分析模拟驾驶员转向操纵行为特征，建立基于自学习小脑模型神经网络(Cerebellar Model Articulation Controller,CMAC)的车辆转向运动控制策略；
(2)建立基于随机预测控制(Stochastic Model Predictive Control,SMPC)的车辆纵向运动控制策略，构建电驱动无人车车辆主动悬架自学习控制方法；
(3)采用博弈论设计纵/横/垂控制行为协调机理，建立安全性、通过性和平顺性的多性能目标实时优化函数，实现非结构化道路下电驱动无人车辆动力学系统的动态协调优化控制，提高越野电驱动无人车辆自主行驶的综合性能。
本发明有效解决越野电驱动无人车辆的运动控制问题，提供一种越野电驱动无人车辆纵/横/垂耦合运动控制新方法。
本发明的效果和益处是：建立越野电驱动无人车辆纵/横/垂耦合动力学拟人控制系统，通过对耦合动力学系统的动态协调进行能量、信息的传递、转换及演变，实现越野电驱动无人车辆的动力学耦合控制，有效提高电驱动无人车辆自主行驶综合性能，从而明显改善控制系统性能。
附图说明
图1是本发明的越野电驱动无人车辆耦合控制构架图。
具体实施方式
图1所示，本发明首先通过多源传感器获取信息，其次分析驾驶员行为特征，然后设计越野电驱动无人车辆纵/横/垂耦合控制策略，实现对越野电驱动无人车辆动力学的最优控制。以下结合技术方案和附图详细叙述本发明的具体实施方式。
步骤1针对非结构化环境中道路具有复杂多变、多因素干扰等特征，提出基于视觉和雷达信息融合的环境特征提取方法。
步骤1.1通过CCD传感器采集车辆行驶前方的道路图像，同时利用激光传感器检测道路环境中的是否存在凸起障碍物。
步骤1.2设计基于直方图均衡化的图像增强算法，标识图像中障碍物区域，确保后续区域增长算法的种子点能够在非障碍区域自动选取。
步骤1.3建立基于构造共生矩阵的纹理特征提取方法，采用纹理和灰度的相似性原理，构建多传感器融合的图像分割策略，实现非结构化道路左右边缘的检测和分割。
步骤1.4对分割后的图像进行形态学滤波处理，填充空穴并滤除孤立点后提取Canny边缘，实现道路边界的识别。提出提取道路边界特征的非均匀B样条拟合方法，表征车辆相对于路径的位置信息。
步骤2以驾驶员为研究对象，分析越野道路下驾驶员转向/加减速操纵行为特征。
步骤2.1模拟驾驶员在非结构道路下的转向/加减速操纵行为，提取不同行驶工况下车辆状态、驾驶员操作和道路环境等多源信息。
步骤2.2基于聚类分析原理，统计分析所提取的客观实验数据信息，建立驾驶员转向/加减速行为特性参数因子，揭示驾驶员在车辆运动中的转向/加减速操纵行为特性和规律，分析道路环境(不平度，曲率等)和车辆状态(侧倾、俯仰等)参数变化引起的驾驶员操纵行为特性。
步骤2.3采用统计学和行为学理论，提取驾驶员转向/加减速行为特性参数的分布特征，提出驾驶员转向/加减速行为参数因子的定量化辨识方法，辨识驾驶员转向/加减速行为参数因子，提取纵-横-垂耦合作用下驾驶员转向行为与加减速行为之间的协同映射关系。
步骤3针对非结构化道路环境下电驱动无人车辆系统具有目标多样性、参数不确性、强耦合性及高度非线性等特点，提出基于多性能目标协同优化的电驱动无人车辆纵/横/垂耦合运动拟人控制方法。
步骤3.1构建由预瞄前馈控制和小脑模型神经网络(Cerebellar ModelArticulation Controller,CMAC)反馈控制构成的可表征驾驶员行为特征的转向控制方法；通过前方环境和车辆状态信息来计算前轮转角的预瞄前馈控制量，实现对外界干扰的补偿控制；提出具有自学习特征的CMAC神经网路转向反馈控制策略，采用学习算法对CMAC神经网路节点数和权值等参数进行自适应调节。其次，
步骤3.2提取基于随机预测控制(Stochastic Model Predictive Control,SMPC)的车辆加减速控制行为特征，采用离散Markov与概率不变集相结合的方法处理软约束。
步骤3.3建立越野电驱动无人车辆主动悬架控制目标函数，设计主动悬架自学习调节律。
步骤3.4建立行驶工况的辨识方法，设计基于博弈论的车辆行驶安全性、通过性及平顺性多性能目标优化函数，应用Nash最大最小原理求得谈判解，根据越野电驱动无人车辆纵/横/垂耦合动力学特性建立控制行为协调机理，实时求出期望的控制输入，实现对越野电驱动无人车辆动力学系统的拟人化控制。
以上内容是结合优选技术方案对本发明所做的进一步详细说明，不能认定发明的具体实施仅限于这些说明。对本发明所属技术领域的普通技术人员来说，在不脱离本发明的构思的前提下，还可以做出简单的推演及替换，都应当视为本发明的保护范围。
Claims (1)
1.一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法，其特征在于包括以下步骤：
1)以驾驶员为研究对象，分析越野道路下驾驶员转向/加减速操纵行为特征，具体方法为：
(1)提取不同行驶工况下驾驶员操纵、车辆状态和道路环境多源信息，基于聚类分析原理，统计分析所提取的客观数据信息，建立驾驶员转向/加减速行为特性参数因子，揭示驾驶员在车辆运动中的转向/加减速行为特性和操纵规律；
(2)采用统计学和行为学方法，分析驾驶员转向/加减速行为特性参数的分布特征，设计驾驶员转向/加减速行为参数因子的定量化辨识因子，为车辆耦合动力学拟人控制方法的研究提供基础数据库；
2)针对非结构化道路环境下无人车辆具有参数不确定性、非线性耦合及时滞特点，构建基于多性能目标优化的拟人控制系统，具体方法为：
(1)分析模拟驾驶员转向操纵行为特征，建立基于自学习小脑模型神经网络的车辆转向运动控制策略；
(2)建立基于随机预测控制的车辆纵向运动控制策略，构建电驱动无人车车辆主动悬架自学习控制方法；
(3)采用博弈论设计纵/横/垂控制行为协调机理，建立安全性、通过性和平顺性的多性能目标实时优化函数，实现非结构化道路下电驱动无人车辆动力学系统的动态协调优化控制，提高越野电驱动无人车辆自主行驶的综合性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710305807.XA CN107132840B (zh) | 2017-05-03 | 2017-05-03 | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710305807.XA CN107132840B (zh) | 2017-05-03 | 2017-05-03 | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107132840A CN107132840A (zh) | 2017-09-05 |
| CN107132840B true CN107132840B (zh) | 2019-12-10 |
Family
ID=59716184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710305807.XA Active CN107132840B (zh) | 2017-05-03 | 2017-05-03 | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107132840B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107985004A (zh) * | 2017-11-02 | 2018-05-04 | 江苏大学 | 一种横向互联空气悬架减振器阻尼博弈控制系统 |
| CN108227491B (zh) * | 2017-12-28 | 2021-11-16 | 重庆邮电大学 | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 |
| CN110045721B (zh) * | 2018-01-17 | 2022-10-28 | 大陆泰密克汽车系统（上海）有限公司 | 用于辅助车辆行驶的方法及其装置 |
| CN109522670A (zh) * | 2018-11-29 | 2019-03-26 | 山东理工大学 | 一种轮毂驱动车辆多源激励耦合动力学分析方法 |
| CN110297494B (zh) * | 2019-07-15 | 2020-07-10 | 吉林大学 | 一种基于滚动博弈的自动驾驶车辆换道决策方法及系统 |
| CN111753810B (zh) * | 2020-07-13 | 2021-07-09 | 清华大学 | 驾驶行为数据测试系统与采集方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101397013A (zh) * | 2008-11-12 | 2009-04-01 | 同济大学 | 混合动力车辆动力控制系统及其驾驶意图识别和操纵方法 |
| CN101633359A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有驾驶风格识别的自适应车辆控制系统 |
| CN102717825A (zh) * | 2012-06-20 | 2012-10-10 | 清华大学 | 一种协同式车道保持控制方法 |
| CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
| CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
| CN105774776A (zh) * | 2016-03-02 | 2016-07-20 | 厦门大学 | 一种基于人车协同的汽车行人防撞智能控制系统及方法 |
| CN104807468B (zh) * | 2014-11-13 | 2017-06-16 | 厦门大学 | 一种多目的地地图的自动简化及布局优化方法和系统 |
-
2017
- 2017-05-03 CN CN201710305807.XA patent/CN107132840B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101633359A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有驾驶风格识别的自适应车辆控制系统 |
| CN101397013A (zh) * | 2008-11-12 | 2009-04-01 | 同济大学 | 混合动力车辆动力控制系统及其驾驶意图识别和操纵方法 |
| CN102717825A (zh) * | 2012-06-20 | 2012-10-10 | 清华大学 | 一种协同式车道保持控制方法 |
| CN103318181A (zh) * | 2013-06-19 | 2013-09-25 | 电子科技大学 | 一种驾驶员意图识别方法 |
| CN104807468B (zh) * | 2014-11-13 | 2017-06-16 | 厦门大学 | 一种多目的地地图的自动简化及布局优化方法和系统 |
| CN105426638A (zh) * | 2015-12-24 | 2016-03-23 | 吉林大学 | 一种驾驶员行为特性辨识装置 |
| CN105774776A (zh) * | 2016-03-02 | 2016-07-20 | 厦门大学 | 一种基于人车协同的汽车行人防撞智能控制系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 分布式电驱动车辆纵-横-垂向力协同控制;曹坤;《中国优秀硕士论文全文数据库 工程科技II辑》;20150930(第09期);第16-18、34页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107132840A (zh) | 2017-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107132840B (zh) | 一种越野电驱动无人车辆纵/横/垂拟人化协同控制方法 | |
| CN112232490B (zh) | 一种基于视觉的深度模仿强化学习驾驶策略训练方法 | |
| CN111483468B (zh) | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 | |
| CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
| CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
| WO2023102962A1 (zh) | 一种训练端到端的自动驾驶策略的方法 | |
| CN106844947B (zh) | 一种基于高阶相关学习的机车节能优化自动驾驶方法 | |
| Zhang et al. | A multi-vehicle longitudinal trajectory collision avoidance strategy using AEBS with vehicle-infrastructure communication | |
| WO2024109763A1 (zh) | 一种基于场景自适应识别的自动驾驶方法及系统 | |
| Cheng et al. | Behavioral classification of drivers for driving efficiency related ADAS using artificial neural network | |
| CN113552883A (zh) | 基于深度强化学习的地面无人车自主驾驶方法及系统 | |
| Li et al. | Dynamically integrated spatiotemporal‐based trajectory planning and control for autonomous vehicles | |
| CN114926823A (zh) | 基于wgcn的车辆驾驶行为预测方法 | |
| Lim et al. | Automatic weight determination in model predictive control for personalized car-following control | |
| Wei et al. | End-to-end vision-based adaptive cruise control (ACC) using deep reinforcement learning | |
| CN113561995A (zh) | 一种基于多维奖励架构深度q学习的自动驾驶决策方法 | |
| Guo et al. | Adaptive dynamic surface longitudinal tracking control of autonomous vehicles | |
| CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
| Guo et al. | Model predictive adaptive cruise control of intelligent electric vehicles based on deep reinforcement learning algorithm FWOR driver characteristics | |
| CN112328651B (zh) | 基于毫米波雷达数据统计特征的交通目标识别方法 | |
| Yi et al. | End-to-end neural network for autonomous steering using lidar point cloud data | |
| Zhao et al. | Enhanced scene understanding and situation awareness for autonomous vehicles based on semantic segmentation | |
| CN114779764B (zh) | 基于行车风险分析的车辆强化学习运动规划方法 | |
| WO2018205245A1 (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
| Guo et al. | Freeway merging decision analysis on the acceleration lane |
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 |