+

CN119090084A - 车辆切入概率预测方法、系统、存储介质及电子设备 - Google Patents

车辆切入概率预测方法、系统、存储介质及电子设备 Download PDF

Info

Publication number
CN119090084A
CN119090084A CN202411249863.2A CN202411249863A CN119090084A CN 119090084 A CN119090084 A CN 119090084A CN 202411249863 A CN202411249863 A CN 202411249863A CN 119090084 A CN119090084 A CN 119090084A
Authority
CN
China
Prior art keywords
vehicle
cut
feature
interaction
probability
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.)
Pending
Application number
CN202411249863.2A
Other languages
English (en)
Inventor
袁率
王斌
程鹏
梁晶晶
廖志闯
谢腾宇
刘志超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Baolong Automotive Corp
Original Assignee
Shanghai Baolong Automotive Corp
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 Shanghai Baolong Automotive Corp filed Critical Shanghai Baolong Automotive Corp
Priority to CN202411249863.2A priority Critical patent/CN119090084A/zh
Publication of CN119090084A publication Critical patent/CN119090084A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B60W30/162—Speed limiting therefor
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本申请提供一种车辆切入概率预测方法、系统、存储介质及电子设备。所述车辆切入概率预测方法包括：获取目标车辆的单车特征和交互特征，所述单车特征包括所述目标车辆的运动状态特征，所述交互特征包括所述目标车辆周围的场景特征；根据所述单车特征和所述交互特征创建时序特征；基于所述时序特征，采用切入概率预测模型预测所述目标车辆的切入概率；其中，所述切入概率通过下式中的标签y表示：T为时间窗口，t0为切入时刻，t1为当前时刻。所述车辆切入概率预测方法能够提前预测目标车辆切入自车车道的概率，从而更好地进行自适应巡航控制。

Description

车辆切入概率预测方法、系统、存储介质及电子设备
技术领域
本申请属于车辆辅助驾驶技术领域，涉及一种车辆切入概率预测方法，特别是涉及一种车辆切入概率预测方法、系统、存储介质及电子设备。
背景技术
自适应巡航控制(Adaptive Cruise Control，ACC)是一种智能化的驾驶辅助功能，旨在提升驾驶的安全性与舒适性。ACC系统通过先进的传感器技术，如雷达、激光或摄像头，实时监测前方道路情况，特别是与前车的距离和相对速度。ACC系统的主要作用是在保持预设车速的同时，根据前方车辆的动态变化自动调整车速，确保与前车保持安全的距离。这种自动调整能够减少驾驶员频繁操作油门和刹车的需要，降低驾驶疲劳。
在车辆行使过程中经常会出现相邻车辆切入本车道的情形，现有ACC系统在面临该情形时存在一定的安全风险，且容易出现急刹车而导致舒适性下降。
发明内容
本申请实施例提供一种车辆切入概率预测方法、系统、存储介质及电子设备，用于解决现有技术中存在的上述问题。
第一方面，本申请实施例提供一种车辆切入概率预测方法，所述车辆切入概率预测方法包括：获取目标车辆的单车特征和交互特征，所述单车特征包括所述目标车辆的运动状态特征，所述交互特征包括所述目标车辆周围的场景特征；根据所述单车特征和所述交互特征创建时序特征；基于所述时序特征，采用切入概率预测模型预测所述目标车辆的切入概率；其中，所述切入概率通过下式中的标签y表示：T为时间窗口，t0为切入时刻，t1为当前时刻。
在第一方面的一种实现方式中，所述单车特征包括所述目标车辆的横向距离、横向速度、航向角度和/或转向灯状态。
在第一方面的一种实现方式中，所述交互特征包括第一交互特征、第二交互特征、第三交互特征、第四交互特征、第五交互特征、第六交互特征和/或第七交互特征；所述第一交互特征为相对车速，在自车前方存在车辆时所述相对车速为第一车辆相对于第二车辆的车速，所述第一车辆为自车前方的车辆，所述第二车辆为所述目标车辆前方的车辆，在自车前方不存在车辆时所述相对车速为预设的车速值；所述第二交互特征为纵向距离，在自车前方存在所述第一车辆时所述纵向距离为所述第一车辆相对于所述第二车辆的纵向距离，在自车前方不存在所述第一车辆时所述纵向距离为预设的纵向距离值；所述第三交互特征为所述第二车辆的类型；所述第四交互特征为所述目标车辆与所述第二车辆的碰撞时间变化率；所述第五交互特征为所述相对车速与所述目标车辆的加速度的乘积；所述第六交互特征为所述第一车辆相对所述第二车辆的距离与所述目标车辆的加速度的乘积；所述第七交互特征为目标车道线的类型，所述目标车道线为自车与所述目标车辆之间的车道线。
在第一方面的一种实现方式中，根据所述单车特征和所述交互特征创建时序特征包括：确定至少两个时间段；根据所述单车特征和所述交互特征在各所述时间段内的平均值创建所述时序特征。
在第一方面的一种实现方式中，所述车辆切入概率预测方法还包括：对所述单车特征和/或所述交互特征进行预处理。
在第一方面的一种实现方式中，所述切入概率预测模型为线性回归模型。
在第一方面的一种实现方式中，所述车辆切入概率预测方法还包括：根据自车采集到的数据对所述切入概率预测模型进行迭代更新。
第二方面，本申请实施例提供一种车辆切入概率预测系统，所述车辆切入概率预测系统包括：特征获取模块，用于获取目标车辆的单车特征和交互特征，所述单车特征包括所述目标车辆的运动状态特征，所述交互特征包括所述目标车辆周围的场景特征；时序特征获取模块，用于根据所述单车特征和所述交互特征创建时序特征；切入概率预测模块，用于基于所述时序特征，采用切入概率预测模型预测所述目标车辆的切入概率；其中，所述切入概率通过下式中的标签y表示：T为时间窗口，t0为切入时刻，t1为当前时刻。
第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请实施例第一方面中任一项所述的车辆切入概率预测方法。
第四方面，本申请实施例提供一种电子设备，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行本申请实施例第一方面中任一项所述的车辆切入概率预测方法。
如上所述，本申请实施例提供的车辆切入概率预测方法、系统、存储介质及电子设备，具有以下有益效果：
本申请实施例能够预测车辆切入概率，该车辆切入概率为0到1之间的连续变化值。基于该车辆切入概率能够对自车的运动状态进行平滑地控制，从而减少甚至避免了急刹车和/或碰撞发生的可能性，有利于提升驾驶安全性和舒适性。
本申请实施例中可以采用线性回归模型作为概率预测模型进行切入概率预测。此种模型具有算力占用小、可解释性强、可靠性高的特征，可以应用于更低成本的智能驾驶辅助系统中。此外，上述特征也使得此种模型能够部署在车内的嵌入式控制器中，并能够根据自车在真实环境中采集到的数据进行持续实时更新，从而提升预测准确率。
附图说明
图1A和图1B显示为本申请实施例的应用场景示意图。
图1C显示为本申请实施例中ACC系统的结构示意图。
图2显示为本申请实施例提供的车辆切入概率预测方法的流程图。
图3显示为本申请实施例中创建时序特征的流程图。
图4显示为本申请实施例提供的车辆切入概率预测系统的结构示意图。
图5显示为本申请实施例提供的电子设备的结构示意图。
元件标号说明
400 车辆切入概率预测系统
410 特征获取模块
420 时序特征获取模块
430 切入概率预测模块
500 电子设备
501 处理器
502 存储器
5021 操作系统
5022 应用程序
503 网络接口
504 系统总线
505 用户接口
S21～S23 步骤
S31～S32 步骤
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图示中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本申请实施例中，“示例性的”或者“例如”等词表示例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a-b，a-c，b-c或a-b-c，其中a，b，c可以是单个，也可以是多个。
图1A和图1B显示为本申请实施例的场景示意图，其中图1A显示为左侧车辆切入自车车道的情形，图1B显示为右侧车辆切入自车车道的情形。在上述场景中，执行自适应巡航控制的车辆称为自车。切入自车车道的车辆称为目标车辆。在切入发生前位于自车前方的车辆称为第一车辆。在一些场景中可能存在第一车辆，在另一些场景中也可能不存在第一车辆，本申请对此不做限制。目标车辆前方的车辆称为第二车辆。目标车辆与自车之间的车道线称为目标车道线，目标车辆的尾部中心越过目标车道线的时刻称为切入时刻。为便于说明，本申请实施例中将与车道线平行的方向定义为纵向，将与车道线垂直的方向定义为横向。
图1C显示为自车的ACC系统的示意图。如图1C所示，ACC系统包括信息感知单元、电子控制单元(Electronic Control Unit，ECU)、执行单元和人机交互界面。
信息感知单元用于感知自车状态及行车环境等信息。示例性地，信息感知单元可以包括环境传感器、测距传感器、转速传感器、转向角传感器、节气门位置传感器、制动踏板传感器等。环境传感器例如为毫米波雷达、摄像头等，用于检测自车周围的环境信息。测距传感器用于获取车间距离信号，可以通过激光雷达或毫米波雷达实现。转速传感器用于获取自车的实时车速，可以通过霍尔式转速传感器实现。转向角传感器用于获取自车转向信号，从而判断自车行驶的方向。节气门位置传感器用于获取节气门开度信号。制动踏板传感器用于获取制动踏板动作信号。轮速传感器用于感知自车的行驶速度。
电子控制单元与信息感知单元、执行单元和人机交互界面通信相连，用于接收并处理信息感知单元传递的数据，根据预设的控制策略和接收到的数据做出速度调节和距离控制决策，并生成执行单元所需的控制指令，以调整自车的油门、刹车等执行机构。
在一些实现方式中，电子控制单元可以包括微处理器(Microcontroller Unit，MCU)、存储器和通信接口。微处理器用于执行复杂的控制算法和实时数据处理。存储器用于存储运行时的数据和程序代码。通信接口负责与其他系统(如动力系统、刹车系统等)和传感器进行数据通信。
执行单元用于执行电子控制单元发出的控制指令，以调整自车的行驶状态。在图1C所示的ACC系统中，执行单元包括电动机控制器、制动控制器和转向控制器等。电动机控制器用于驱动油门和刹车执行器。制动控制器负责管理自车的制动系统，通过控制制动压力实现自车的减速或停止。转向控制器用于控制自车的转向系统，以实现对自车行驶方向的调整。
人机交互界面(Human Machine Interface，HMI)是ACC系统与驾驶员之间的沟通桥梁，负责显示系统状态和接收驾驶员输入。
在目标车辆切入自车车道时，信息感知单元会采集到自车、目标车辆以及周围环境的数据，并将这些数据发送至电子控制单元。电子控制单元会将目标车辆替换为前方主目标，并进行决策以生成调整指令，执行单元根据这些调整指令来调整自车车速以及与前车的安全距离。
在一些技术方案中进行主目标的替换时，电子控制单元需要根据目标车辆的横向速度、目标车辆与本车道的重叠程度来进行判断。然而，在目标车辆与自车距离较近时，主目标的切换容易引起急刹车从而影响驾乘舒适性。此外，这些技术方案中仅根据目标车辆的当前状态进行切入判断，无法提前预支目标车辆的切入并及时采取措施，因而存在一定的安全隐患。
在一些技术方案中采用基于深度学习的方法，通过历史交通数据、环境信息数据、道路结构数据，训练人工智能模型进行目标车辆行驶轨迹预测。然而，这些技术方案的实现依赖于大量的历史交通数据来训练深度学习模型，如果数据不足或不具有代表性，深度学习模型的性能可能会受到影响。此外，深度学习模型的预测结果具有较高的不确定性，这些技术方案中并不能有效地处理这些不确定性。再者，自动驾驶系统需要实时预测变道意图，以便做出及时的决策，在算力有限的前提下，深度学习模型的计算效率和实时性较差。
至少针对上述问题，本申请实施例提供一种车辆切入概率预测方法，该车辆切入概率预测方法例如可应用于图1C所示的ACC系统。图2显示为本申请实施例提供的车辆切入概率预测方法的流程图。如图2所示，车辆切入概率预测方法包括以下步骤S21至S23。
S21，获取目标车辆的单车特征和交互特征。单车特征包括目标车辆的运动状态特征和/或一些其他与变道相关的特征，交互特征包括目标车辆周围的场景特征。其中，目标车辆周围的场景特征例如为以目标车辆为中心周围一定距离范围内的场景特征，该距离范围可以根据实际需求设置，例如为20米、50米等。
S22，根据单车特征和交互特征创建时序特征。时序特征用于描述单车特征和交互特征的动态变化。
S23，基于时序特征，采用切入概率预测模型预测目标车辆的切入概率。其中，切入概率预测模型为训练好的模型。切入概率通过下式中的标签y表示：T为时间窗口，t0为切入时刻，t1为当前时刻。时间窗口T的取值越大则在切入概率的预测过程中需要处理的数据量越大，能够实现更早的预测。时间窗口T的数值越小则在切入概率的预测过程中需要处理的数据量越小，其能够实现的预测提前时间也越小。具体应用中，时间窗口T的数值可以根据实际算力选择，例如可以为3秒或者5秒。
如上所述，本申请实施例中利用标签y表示切入概率。标签y是一个随时间连续变化的数值，其取值范围是[0，1]。当前时刻t1距离切入时刻t0越接近则标签y的数值越大，目标车辆的切入概率越大。对于未发生切入行为的目标车辆，其对应的标签y的数值为0。因此，本申请实施例中预测得到的目标车辆的切入概率为一个随时间变化的连续值，根据该连续值能够对自车的运动状态进行平滑地控制，从而减少甚至避免了急刹车和/或碰撞发生的可能性，有利于提升驾驶安全性和舒适性。相较而言，一些技术方案中对于目标车辆是否切入的判断结果仅为是或者否，如果判断为是则执行刹车操作，如果判断结果为否则不执行任何操作，此种方式容易出现急刹车甚至碰撞，从而带来安全隐患并降低驾乘舒适性。
在一些实现方式中，单车特征包括目标车辆的横向距离、横向速度、航向角度和/或转向灯状态。
示例性地，目标车辆的横向距离可以通过目标车辆与目标车道线之间的横向距离来表示。目标车辆的横向距离越近，则目标车辆切入自车车道的概率越高。
示例性地，目标车辆的横向速度可以通过目标车辆向自车车道的横向速度来表示。目标车辆的横向速度越大，则目标车辆切入自车车道的概率越高。
示例性地，目标车辆的航向角度可以通过目标车辆向自车车道的航向角度来表示。目标车辆的航向角度越大，则目标车辆切入自车车道的概率越高。
示例性地，目标车辆在自车车道一侧的转向灯闪烁，则目标车辆切入自车车道的概率较高。
根据目标车辆的单车特征可以判断目标车辆的切入概率，然而，在自车识别到目标车辆的单车特征时目标车辆的切入行为可能已经发生。针对该问题，本申请实施例中还会获取目标车辆与周围场景的交互特征，通过综合考虑目标车辆的单车特征和交互特征来尽可能提前地判断目标车辆的切入可能性。
在一些实现方式中，交互特征包括第一交互特征、第二交互特征、第三交互特征、第四交互特征、第五交互特征、第六交互特征和/或第七交互特征。
第一交互特征为相对车速。在自车前方存在车辆时相对车速为第一车辆相对于第二车辆的车速，第一车辆为自车前方的车辆，第二车辆为目标车辆前方的车辆。在自车前方不存在车辆时相对车速为预设的车速值，该预设的车速值例如为50kph。相对车速越大则目标车辆切入自车车道的概率越高。
第二交互特征为纵向距离。在自车前方存在第一车辆时纵向距离为第一车辆相对于第二车辆的纵向距离。在自车前方不存在第一车辆时纵向距离为预设的纵向距离值，该预设的纵向距离值例如为300米。纵向距离越大则目标车辆切入自车车道的概率越高。
第三交互特征为第二车辆的类型。例如，在第二车辆为大货车时，目标车辆切入自车车道的概率较高。
第四交互特征为目标车辆与第二车辆的碰撞时间(Time-to-Collision，TTC)变化率。
第五交互特征为所述相对车速与目标车辆的加速度的乘积。例如，在第一车辆速度较慢而第二车辆速度更快时，若目标车辆出现减速行为则说明目标车辆切入自车车道的概率较高。
第六交互特征为第一车辆相对第二车辆的距离与目标车辆的加速度的乘积。例如，在第一车辆相对于目标车辆较近，而第二车辆相对于目标车辆较远时，若目标车辆出现减速行为则说明目标车辆切入自车车道的概率较高。
第七交互特征为目标车道线的类型。例如，若目标车道线为实线，则目标车辆切入自车车道的概率较低。若目标车道线为虚线，则目标车辆切入自车车道的概率相对较高。
目标车辆的切入行为与场景的时序过程存在较大的相关性。基于此，在一些实现方式中，可以采用滑动窗口的方式创建时序特征。
示例性地，请参阅图3，根据单车特征和交互特征创建时序特征包括以下步骤S31和S32。
S31，确定至少两个时间段。各时间段的长度可以根据实际需求设置。
S32，根据单车特征和交互特征在各时间段内的平均值创建时序特征。
示例性地，对于任一单车特征xi，可以获取单车特征xi在当前时刻之前0.5秒内的平均值xi_0.5、当前时刻之前1秒内的平均值xi_1和当前时刻之前3秒内的平均值xi_3作为xi对应的单车时序特征。对于任一交互特征xj，可以获取交互特征xj在当前时刻之前0.5秒内的平均值xj_0.5、当前时刻之前1秒内的平均值xj_1和当前时刻之前3秒内的平均值xj_3作为xj对应的交互时序特征。于步骤S32中可以获取所有的单车时序特征和交互时序特征作为所述时序特征。
在一些实现方式中，车辆切入概率预测方法还可以包括：对单车特征和/或交互特征进行预处理。具体地，数据预处理用于从原始数据中检测、纠正或删除损坏、不准确或不适用于模型的数据，以使得数据更加适应切入概率预测模型，满足模型的需求。
示例性地，数据预处理可以包括缺失值处理。例如，可以根据数据分布特征和重要性，选择统计法、插补法、高维映射等方法来填补缺失值。
示例性地，数据预处理可以包括异常值处理。例如，可以使用画图法、标准差、箱型图、聚类法等方法识别和处理异常值。
示例性地，数据预处理可以包括噪音处理。例如，可以通过分箱法、回归法等对数据进行光滑处理，减少噪音。
示例性地，数据预处理可以包括特征缩放。例如，可以使用标准化或归一化等方法将不同特征的数值范围映射到相同的尺度。
示例性地，数据预处理可以包括标签编码。例如，可以将分类变量转换为数值以便切入概率预测模型能够处理。在一个示例中，对于目标车道线的类型，可以将实线编码为1，将虚线编码为2，将双实线编码为3，将减速线编码为4。
在一些实现方式中，切入概率预测模型可以为线性回归模型，但本申请并不以此为限。在一些其他实施例中，切入概率预测模型也可以为岭回归、支持向量机、神经网络等，还可以为不同模型的融合模型。
线性回归模型可以通过下式表示：
y＝w1x1+w2x2+…+wnxn+b
其中y表示数据标签，wi为斜率，表示特征xi的权重，b为线性回归模型的截距，其数值为常数，n为时序特征的数量，xi为第i个时序特征。
示例性地，线性回归模型的训练过程包括数据采集、数据集划分和模型训练。
在数据采集阶段，可以利用自车的信息感知单元采集需要的数据，这些数据例如包括：自车的行驶速度、加速度、转向灯状态、与目标车道线的横向距离；第一车辆的纵向距离、纵向绝对速度、纵向绝对加速度、横向距离、横向绝对速度、横向绝对加速度、转向灯状态、车辆类型、与目标车道线的横向距离、航向角；目标车辆的纵向距离、纵向绝对速度、纵向绝对加速度、横向距离、横向绝对速度、横向绝对加速度、转向灯状态、车辆类型、与目标车道线的横向距离、航向角；第二车辆的纵向距离、纵向绝对速度、纵向绝对加速度、横向距离、横向绝对速度、横向绝对加速度、转向灯状态、车辆类型、与目标车道线的横向距离、航向角；目标车道线的类型(虚线、实线、双实线、减速线等)。从采集到的数据中筛选出与切入概率预测密切相关的数据得到目标数据集。
在数据集划分阶段，将目标数据集按照一定比例划分为训练集和测试集。
在模型训练阶段，利用训练集对切入概率预测模型进行训练，利用测试集对切入概率预测模型的性能进行测试。
示例性地，可以使用损失函数来衡量切入概率的预测值与真实值之间的差异。损失函数例如为：其中m为样本数量，yi标签的真实值，表示标签的预测值。
示例性地，可以使用梯度下降法来确定参数值。梯度下降法通过迭代方式优化目标函数，以找到函数的最小值或者最大值，通过不断调整参数来逐步接近最优解。
具体地，梯度下降法通过反复执行以下步骤直到收敛：初始化参数，该参数包括线性回归模型中的斜率和截距；计算目标函数(损失函数)关于参数的梯度；更新参数。
示例性地，参数更新如下式所示：
其中α是学习速率，表示每次迭代时更新的步长。J(θ0,θ1)是目标函数(即损失函数)。θj为待更新的参数。
在一些实现方式中，车辆切入概率预测方法还可以包括：根据自车采集到的数据对切入概率预测模型进行迭代更新。
示例性地，线性回归模型具有可解释性强、算力占用低等特点。在使用线性回归模型作为切入概率预测模型时，可以将模型部署在自车内的嵌入式控制器中并进行持续迭代更新。具体而言，在自车行驶过程中，重复执行以下过程：利用自车采集到的数据对切入概率预测模型进行实时更新，利用更新后的切入概率预测模型进行下一次预测。通过此种方式能够进一步提升预测准确性。
本申请实施例提供的车辆切入概率预测方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。
本申请实施例还提供一种车辆切入概率预测系统，该车辆切入概率预测系统可以实现本申请所述的车辆切入概率预测方法，但本申请所述的车辆切入概率预测方法的实现装置包括但不限于本实施例列举的车辆切入概率预测系统的结构，凡是根据本申请的原理所做的现有技术的结构变形和替换，都包括在本申请的保护范围内。
图4是本申请实施例提供的车辆切入概率预测系统的示意性框图。如图4所示，车辆切入概率预测系统400包括特征获取模块410、时序特征获取模块420和切入概率预测模块430。其中，特征获取模块410用于获取目标车辆的单车特征和交互特征，该单车特征包括目标车辆的运动状态特征，该交互特征包括目标车辆周围的场景特征。时序特征获取模块420用于根据单车特征和交互特征创建时序特征。切入概率预测模块430用于基于时序特征，采用切入概率预测模型预测目标车辆的切入概率。切入概率通过下式中的标签y表示：T为时间窗口，t0为切入时刻，t1为当前时刻。
应理解，各模块执行上述相应步骤的具体过程在上述方法实施例中已经详细说明，为了简洁，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例提供的车辆切入概率预测方法。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetic tape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solidstate disk，SSD))等。
本申请实施例还提供一种电子设备。图5是本申请实施例提供的电子设备的示意性框图。如图5所示，电子设备500包括：至少一个处理器501、存储器502、至少一个网络接口503和用户接口505。电子设备500中的各个组件通过总线系统504耦合在一起。可以理解的是，总线系统504用于实现这些组件之间的连接通信。总线系统504除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统。
其中，用户接口505可以包括显示器、键盘、鼠标、轨迹球、点击枪、按键、按钮、触感板或者触摸屏等。
可以理解，存储器502可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，StaticRandom Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous StaticRandomAccess Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类别的存储器。
本申请实施例中的存储器502用于存储各种类别的数据以支持电子设备500的操作。这些数据的示例包括：用于在电子设备500上操作的任何可执行程序，如操作系统5021和应用程序5022；操作系统5021包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序5022可以包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本申请实施例提供的车辆切入概率预测方法可以包含在应用程序5022中。
上述本申请实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器501可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器501可以是微处理器或者任何常规的处理器等。结合本申请实施例所提供的配件优化方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，电子设备500可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)，用于执行前述方法。
本申请实施例还可以提供一种计算机程序产品，所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时，所述计算机执行前述方法实施例所述的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述方法的情况下，可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
在本说明书中使用的术语“部件”、“模块”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如，部件可以是但不限于，在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。通过图示，在计算设备上运行的应用和计算设备都可以是部件。一个或多个部件可驻留在进程和/或执行线程中，部件可位于一个计算机上和/或分布在2个或更多个计算机之间。此外，这些部件可从在上面存储有各种数据结构的各种计算机可读介质执行。部件可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一部件交互的二个部件的数据，例如通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各种说明性逻辑块(illustrative logical block)和步骤(step)，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
在上述实施例中，各功能单元的功能可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令(程序)。在计算机上加载和执行计算机程序指令(程序)时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供车辆切入概率预测方法、系统、存储介质及电子设备。本申请实施例能够预测车辆切入概率，该车辆切入概率为0到1之间的连续变化值。基于该车辆切入概率能够对自车的运动状态进行平滑地控制，从而减少甚至避免了急刹车和/或碰撞发生的可能性，有利于提升驾驶安全性和舒适性。此外，本申请实施例中可以采用线性回归模型作为概率预测模型进行切入概率预测。此种模型具有算力占用小、可解释性强、可靠性高的特征，可以应用于更低成本的智能驾驶辅助系统中。此外，上述特征也使得此种模型能够部署在车内的嵌入式控制器中，并能够根据自车在真实环境中采集到的数据进行持续实时更新，从而提升预测准确率。因此，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种车辆切入概率预测方法，其特征在于，所述车辆切入概率预测方法包括：
获取目标车辆的单车特征和交互特征，所述单车特征包括所述目标车辆的运动状态特征，所述交互特征包括所述目标车辆周围的场景特征；
根据所述单车特征和所述交互特征创建时序特征；
基于所述时序特征，采用切入概率预测模型预测所述目标车辆的切入概率；
其中，所述切入概率通过下式中的标签y表示：T为时间窗口，t0为切入时刻，t1为当前时刻。
2.根据权利要求1所述的车辆切入概率预测方法，其特征在于，所述单车特征包括所述目标车辆的横向距离、横向速度、航向角度和/或转向灯状态。
3.根据权利要求1所述的车辆切入概率预测方法，其特征在于，所述交互特征包括第一交互特征、第二交互特征、第三交互特征、第四交互特征、第五交互特征、第六交互特征和/或第七交互特征；
所述第一交互特征为相对车速，在自车前方存在车辆时所述相对车速为第一车辆相对于第二车辆的车速，所述第一车辆为自车前方的车辆，所述第二车辆为所述目标车辆前方的车辆，在自车前方不存在车辆时所述相对车速为预设的车速值；
所述第二交互特征为纵向距离，在自车前方存在所述第一车辆时所述纵向距离为所述第一车辆相对于所述第二车辆的纵向距离，在自车前方不存在所述第一车辆时所述纵向距离为预设的纵向距离值；
所述第三交互特征为所述第二车辆的类型；
所述第四交互特征为所述目标车辆与所述第二车辆的碰撞时间变化率；
所述第五交互特征为所述相对车速与所述目标车辆的加速度的乘积；
所述第六交互特征为所述第一车辆相对所述第二车辆的距离与所述目标车辆的加速度的乘积；
所述第七交互特征为目标车道线的类型，所述目标车道线为自车与所述目标车辆之间的车道线。
4.根据权利要求1所述的车辆切入概率预测方法，其特征在于，根据所述单车特征和所述交互特征创建时序特征包括：
确定至少两个时间段；
根据所述单车特征和所述交互特征在各所述时间段内的平均值创建所述时序特征。
5.根据权利要求1所述的车辆切入概率预测方法，其特征在于，所述车辆切入概率预测方法还包括：对所述单车特征和/或所述交互特征进行预处理。
6.根据权利要求1所述的车辆切入概率预测方法，其特征在于，所述切入概率预测模型为线性回归模型。
7.根据权利要求1所述的车辆切入概率预测方法，其特征在于，所述车辆切入概率预测方法还包括：根据自车采集到的数据对所述切入概率预测模型进行迭代更新。
8.一种车辆切入概率预测系统，其特征在于，所述车辆切入概率预测系统包括：
特征获取模块，用于获取目标车辆的单车特征和交互特征，所述单车特征包括所述目标车辆的运动状态特征，所述交互特征包括所述目标车辆周围的场景特征；
时序特征获取模块，用于根据所述单车特征和所述交互特征创建时序特征；
切入概率预测模块，用于基于所述时序特征，采用切入概率预测模型预测所述目标车辆的切入概率；
其中，所述切入概率通过下式中的标签y表示：T为时间窗口，t0为切入时刻，t1为当前时刻。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的车辆切入概率预测方法。
10.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有一计算机程序；
处理器，与所述存储器通信相连，调用所述计算机程序时执行权利要求1至7中任一项所述的车辆切入概率预测方法。
CN202411249863.2A 2024-09-06 2024-09-06 车辆切入概率预测方法、系统、存储介质及电子设备 Pending CN119090084A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411249863.2A CN119090084A (zh) 2024-09-06 2024-09-06 车辆切入概率预测方法、系统、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411249863.2A CN119090084A (zh) 2024-09-06 2024-09-06 车辆切入概率预测方法、系统、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN119090084A true CN119090084A (zh) 2024-12-06

Family

ID=93697172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411249863.2A Pending CN119090084A (zh) 2024-09-06 2024-09-06 车辆切入概率预测方法、系统、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN119090084A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111527013A (zh) * 2017-12-27 2020-08-11 宝马股份公司 车辆变道预测
CN112562328A (zh) * 2020-11-27 2021-03-26 腾讯科技（深圳）有限公司 一种车辆行为预测方法及装置
CN113516846A (zh) * 2021-06-24 2021-10-19 长安大学 车辆换道行为预测模型构建、预测预警方法及系统
CN114435389A (zh) * 2020-11-02 2022-05-06 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆
CN114945961A (zh) * 2020-11-12 2022-08-26 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置
CN116890881A (zh) * 2023-09-08 2023-10-17 摩尔线程智能科技(北京)有限责任公司 一种车辆变道决策生成方法及装置、电子设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111527013A (zh) * 2017-12-27 2020-08-11 宝马股份公司 车辆变道预测
CN114435389A (zh) * 2020-11-02 2022-05-06 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆
CN114945961A (zh) * 2020-11-12 2022-08-26 深圳元戎启行科技有限公司 变道预测回归模型训练方法、变道预测方法和装置
CN112562328A (zh) * 2020-11-27 2021-03-26 腾讯科技（深圳）有限公司 一种车辆行为预测方法及装置
CN113516846A (zh) * 2021-06-24 2021-10-19 长安大学 车辆换道行为预测模型构建、预测预警方法及系统
CN116890881A (zh) * 2023-09-08 2023-10-17 摩尔线程智能科技(北京)有限责任公司 一种车辆变道决策生成方法及装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
JP7060625B2 (ja) 自動運転車において３ｄｃｎｎネットワークを用いてソリューション推断を行うｌｉｄａｒ測位
JP7256758B2 (ja) 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位
CN108334077B (zh) 确定自动驾驶车辆的速度控制的单位增益的方法和系统
CN110884490B (zh) 一种车辆侵入判断及辅助行驶的方法、系统、车辆及存储介质
US11960292B2 (en) Method and system for developing autonomous vehicle training simulations
CN112085165A (zh) 一种决策信息生成方法、装置、设备及存储介质
US20220227391A1 (en) Systems and methods for scenario dependent trajectory scoring
US10909377B2 (en) Tracking objects with multiple cues
US11657635B2 (en) Measuring confidence in deep neural networks
JP2016212872A (ja) 対象物体の将来状態を計算により予測する方法の性能を向上するための方法、運転者支援システム、そのような運転者支援システムを備える車両、並びに対応するプログラムの記憶媒体及びプログラム
Moon et al. Multi-vehicle target selection for adaptive cruise control
Yao et al. Target vehicle selection algorithm for adaptive cruise control based on lane-changing intention of preceding vehicle
CN114581865A (zh) 深度神经网络中的置信度测量
US11618460B1 (en) Predictive planning
US11634133B1 (en) Adaptive automatic preventative braking (APB) distance
CN118560503A (zh) 车辆、车辆自动驾驶控制方法、装置和介质
CN115685852B (zh) 车辆制动控制方法、装置及电子设备、存储介质
CN114222689B (zh) 用于量化极端交通行为的方法
CN108944921B (zh) 一种用于车辆的纵向控制的方法与设备
CN119090084A (zh) 车辆切入概率预测方法、系统、存储介质及电子设备
US20230162039A1 (en) Selective dropout of features for adversarial robustness of neural network
WO2023009926A1 (en) Method and system for developing autonomous vehicle training simulations
JP2019199218A (ja) 運転操作システム、方法及びプログラム
CN113401125A (zh) 纵向跟车控制方法、装置、电子设备及存储介质
KR20230014008A (ko) 인공신경망을 이용한 주행 차량의 충돌 가능성 판단 방법 및 장치

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
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载