-
Patent Agency Ranking
公开(公告)号：CN118238847B
公开(公告)日：2024-08-30
申请号：CN202410340309.9
申请日：2024-03-25
Applicant: 安徽大学
Abstract: 本发明属于自动驾驶技术领域，具体涉及一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统，包括获取驾驶轨迹和路面环境数据进行识别得到不同驾驶风格，将驾驶风格、以及自车、旁车所在驾驶环境的多维决策向量进行级联后输入到全连接神经网络中，输出车道变更决策指令；根据路面环境信息中路面附着系数确定安全性约束、舒适性约束、自适应加速度约束和自适应急动度约束，结合决策指令，通过七阶多项式函数确定换道轨迹；本发明结合当前交通情况和人类驾驶员的驾驶经验，设计了一个基于多神经网络的个性化换道决策模型，采用路面附着系数和速度的自适应约束，以取代固定约束，从而解决了在不同路面条件下安全可靠的变道决策规划问题。
-
公开(公告)号：CN119149905A
公开(公告)日：2024-12-17
申请号：CN202411101676.X
申请日：2024-08-12
Applicant: 安徽大学
IPC: G06F18/10 , G06F18/213 , G06F18/2337 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/082 , G06N3/084
Abstract: 本发明提供一种适应不同驾驶风格的车辆轨迹预测方法及装置，涉及自动驾驶技术领域。所述适应不同驾驶风格的车辆轨迹预测方法包括：获取原始的车辆轨迹的样本数据集；对样本数据集进行滤波处理，获得滤波处理后的样本数据集；采用主成分分析法进行降维处理，获得降维后的数据；采用模糊C均值聚类算法进行软聚类处理，获得硬标签；构建初始的基于全局‑局部注意力机制残差双向长短时记忆网络；对初始的网络进行训练，获得训练好的基于全局‑局部注意力机制残差双向长短时记忆网络；获取目标车辆在观察时间域内的状态信息；将状态信息输入训练好的网络中，获得在预测时间域内目标车辆的未来轨迹。采用本发明，可提高车辆轨迹预测的准确性。
-
公开(公告)号：CN118306403B
公开(公告)日：2024-12-17
申请号：CN202410499805.9
申请日：2024-04-24
Applicant: 安徽大学
Abstract: 本发明提供一种考虑驾驶风格的车辆轨迹预测与行为决策方法和系统，涉及自动驾驶技术领域。所述方法包括：获取驾驶行为数据集，并进行数据处理，得到用于车辆轨迹预测的平衡化数据集，所述平衡化数据集中还包含基于驾驶风格分类器得到的驾驶风格向量标签；构建基于贝叶斯优化融合离散余弦变换注意力机制的长短时记忆网络，用于进行车辆轨迹预测；其中，利用所述平衡化数据集对长短时记忆网络进行训练和测试；结合多车道变道场景的安全因子、舒适因子、效率因子、增益因子，以及驾驶风格向量标签和车辆轨迹预测信息，采用深度学习模型实现车道变更行为决策。本发明可提高车辆行为决策的准确性、安全性和实时性。
-
公开(公告)号：CN118306403A
公开(公告)日：2024-07-09
申请号：CN202410499805.9
申请日：2024-04-24
Applicant: 安徽大学
Abstract: 本发明提供一种考虑驾驶风格的车辆轨迹预测与行为决策方法和系统，涉及自动驾驶技术领域。所述方法包括：获取驾驶行为数据集，并进行数据处理，得到用于车辆轨迹预测的平衡化数据集，所述平衡化数据集中还包含基于驾驶风格分类器得到的驾驶风格向量标签；构建基于贝叶斯优化融合离散余弦变换注意力机制的长短时记忆网络，用于进行车辆轨迹预测；其中，利用所述平衡化数据集对长短时记忆网络进行训练和测试；结合多车道变道场景的安全因子、舒适因子、效率因子、增益因子，以及驾驶风格向量标签和车辆轨迹预测信息，采用深度学习模型实现车道变更行为决策。本发明可提高车辆行为决策的准确性、安全性和实时性。
-
公开(公告)号：CN118238847A
公开(公告)日：2024-06-25
申请号：CN202410340309.9
申请日：2024-03-25
Applicant: 安徽大学
Abstract: 本发明属于自动驾驶技术领域，具体涉及一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统，包括获取驾驶轨迹和路面环境数据进行识别得到不同驾驶风格，将驾驶风格、以及自车、旁车所在驾驶环境的多维决策向量进行级联后输入到全连接神经网络中，输出车道变更决策指令；根据路面环境信息中路面附着系数确定安全性约束、舒适性约束、自适应加速度约束和自适应急动度约束，结合决策指令，通过七阶多项式函数确定换道轨迹；本发明结合当前交通情况和人类驾驶员的驾驶经验，设计了一个基于多神经网络的个性化换道决策模型，采用路面附着系数和速度的自适应约束，以取代固定约束，从而解决了在不同路面条件下安全可靠的变道决策规划问题。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
