-
公开(公告)号：CN110987463A
公开(公告)日：2020-04-10
申请号：CN201911086483.0
申请日：2019-11-08
Applicant: 东南大学
IPC: G01M17/007 , G01M17/06 , G06F30/20
Abstract: 本发明公开了一种面向多场景的智能驾驶自主车道变换性能测试方法。本方法首先根据自主车道变换过程中的运动特点，建立了基于运动学自行车模型的车道变换动态模型。其次，利用改进的无迹卡尔曼滤波算法对车辆位置、速度、方位角等状态变量进行滤波估计。最后，基于准确递推的车辆关键性基础性能参数，构建变道性能评价指标体系，量化并输出自主车道变换性能的评价指标：目标间隙、距离碰撞时间和并线横摆稳定性，从而实现智能驾驶自主车道变换性能优劣的高精度、高频率测量和科学定量评价。
-
公开(公告)号：CN110544380A
公开(公告)日：2019-12-06
申请号：CN201910874642.7
申请日：2019-09-17
Applicant: 东南大学
IPC: G08G1/01
Abstract: 本发明公开了一种面向道路合流区域的实时车道级安全态势评估方法。针对当前合流区域的交通安全态势评估技术，其实时性及精准度无法适用于基于车路协同的智能驾驶，提出基于概率模型的交通安全态势评估方法。首先，利用智能路侧设备的全局视角优势，全面感知合流区域内车辆的速度、车辆行驶至路径冲突区域中心的位移等信息，建立交通安全态势评估的指标；然后，建立交通安全态势评估的概率模型；最后，实时计算交通安全态势的后验概率，进而评估合流区域内各车道的交通安全态势。本发明的方法直接运行在智能路侧设备中，为合流区域提供实时的、精准至车道级的交通安全态势评估，掌握道路合流区域的交通安全状况。
-
公开(公告)号：CN110009648A
公开(公告)日：2019-07-12
申请号：CN201910161809.5
申请日：2019-03-04
Applicant: 东南大学
Abstract: 本发明公开了基于深浅特征融合卷积神经网络的路侧图像车辆分割方法，该方法针对智能路侧终端图像中车辆相互粘连造成其边界难以准确获取的难题，首先通过对池化层、不同类型卷积层进行优化设计，得到一个高效的卷积神经网络来分层提取车辆特征，进而将网络浅层所提取的边缘细节特征与深层所提取的语义特征融合，得到深浅特征融合卷积神经网络。本发明方法在提高分割速度的同时，获得了完整、准确的车辆分割边界，有效克服了单一网络结构难以准确描述车辆边界的不足，满足智能路侧终端对准确性和实时性的要求。
-
-
公开(公告)号：CN115257789B
公开(公告)日：2025-01-07
申请号：CN202211070522.X
申请日：2022-09-02
Applicant: 东南大学
Abstract: 本发明公开了一种城市低速环境下的营运车辆侧向防撞驾驶决策方法。首先，利用硬件在环驾驶模拟仿真平台构建城市交通场景，模拟并采集不同驾驶条件和行驶工况下的安全驾驶行为。其次，通过模仿学习的方式，利用数据集聚合算法模拟人类驾驶员的安全驾驶行为。最后，通过无监督学习的方式，利用近端策略优化算法进一步学习侧向防撞策略，实现对营运车辆侧向防撞驾驶行为的高级决策输出。本发明提出的方法，能够模拟人类驾驶员的安全驾驶行为，且考虑了视觉盲区、交通参与者类型等因素对行车安全的影响，为大型营运车辆提供更加合理、有效的防撞驾驶策略，实现了城市低速环境下的营运车辆侧向防撞驾驶决策。
-
Patent Agency Ranking
公开(公告)号：CN115099599B
公开(公告)日：2024-04-30
申请号：CN202210684503.X
申请日：2022-06-17
Applicant: 东南大学
Abstract: 本发明公开了一种面向公交信号优先控制的测试评价方法。首先，选取城市的交通路口作为试验场地，建立面向公交信号优先控制的测试场景。其次，为了全面、精确、可靠地获取公交信号优先控制诱导过程中的公交车运动状态参数，结合匀加速运动模型，采用扩展卡尔曼滤波算法对公交车的位置、速度、加速度信息进行准确估计。最后，在公交车运动状态参数准确递推的基础上，提出了诱导距离、诱导过程的驾驶平顺性、诱导过程的急加速/急减速行为等多个量化指标，从多个角度对公交信号优先控制开展测试评价，实现了精确、可靠、科学的定量测评。
-
公开(公告)号：CN112733325B
公开(公告)日：2024-01-12
申请号：CN202011517914.7
申请日：2020-12-21
Applicant: 东南大学
Abstract: 本发明公开了一种用于半挂汽车列车AEBS的全面准确的测评方法；首先，使用双天线差分GPS接收机、陀螺仪作为采集数据的传感器；然后建立基于无迹卡尔曼滤波算法的半挂汽车列车当前”统计改进模型，并利用几何学关系解算半挂汽车列车的运动学状态信息；其次，建立基于递归最小二乘估计算法的目标车辆运动学模型并获取目标车辆的运动学状态信息；最后，利用获取的目标车辆和自车状态信息，计算一般性AEBS测评指标，即碰撞时间和强化碰撞时间，并提出了具有针对性的半挂汽车列车AEBS测评的指标，包括横摆稳定裕度、制动平顺性、折叠幅度。本发明解决了现在没有专门针对半挂汽车列特性的AEBS测评方法的问题，实现了对半挂汽车列车AEBS的全面准确的测评。
-
公开(公告)号：CN112487954B
公开(公告)日：2023-12-05
申请号：CN202011357565.7
申请日：2020-11-26
Applicant: 东南大学
Abstract: 本发明涉及一种面向平面交叉口的行人过街行为预测方法，包括以下步骤：步骤一：设计即时奖励函数；步骤二：建立全卷积神经网络‑长短期记忆网络(FCN‑LSTM)模型预测动作奖励函数；步骤三：基于强化学习训练全卷积神经网络‑长短期记忆网络(FCN‑LSTM)模型；步骤四：预测行人过街行为及危险预警。该技术方案无需建立复杂的行人运动模型、无需准备海量的带标签数据集，实现自主学习平面交叉口处行人过街行为特征并预测其行走、驻足、快跑等行为，特别是对诱发人车碰撞、擦蹭等危险时行人过街行为的实时预测，对过街行人和来往车辆进行危险预警，有利于减少平面交叉口等重点路段交通事故发生率，保障交通环境中行人的安全。
-
公开(公告)号：CN115257819A
公开(公告)日：2022-11-01
申请号：CN202211070514.5
申请日：2022-09-02
Applicant: 东南大学
Abstract: 本发明公开了城市低速环境下的大型营运车辆安全驾驶决策方法，首先，采集城市交通环境下人类驾驶员的安全驾驶行为，构建形成安全驾驶行为数据集。其次，构建基于多头注意力的营运车辆安全驾驶决策模型。该模型包含深度双Q网络和生成对抗模仿学习两个子网络。其中，深度双Q网络通过无监督学习的方式，学习危险场景、冲突场景等边缘场景下的安全驾驶策略；生成对抗模仿学习子网络模仿人类驾驶员在不同驾驶条件和行驶工况下的安全驾驶行为。最后，训练安全驾驶决策模型，得到不同驾驶条件和行驶工况下的驾驶策略。本发明提出的方法，能够模拟人类驾驶员的安全驾驶行为，且考虑了视觉盲区、突遇障碍物等因素对行车安全的影响。
-
公开(公告)号：CN115257789A
公开(公告)日：2022-11-01
申请号：CN202211070522.X
申请日：2022-09-02
Applicant: 东南大学
Abstract: 本发明公开了一种城市低速环境下的营运车辆侧向防撞驾驶决策方法。首先，利用硬件在环驾驶模拟仿真平台构建城市交通场景，模拟并采集不同驾驶条件和行驶工况下的安全驾驶行为。其次，通过模仿学习的方式，利用数据集聚合算法模拟人类驾驶员的安全驾驶行为。最后，通过无监督学习的方式，利用近端策略优化算法进一步学习侧向防撞策略，实现对营运车辆侧向防撞驾驶行为的高级决策输出。本发明提出的方法，能够模拟人类驾驶员的安全驾驶行为，且考虑了视觉盲区、交通参与者类型等因素对行车安全的影响，为大型营运车辆提供更加合理、有效的防撞驾驶策略，实现了城市低速环境下的营运车辆侧向防撞驾驶决策。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.025 seconds)
