-
公开(公告)号：CN115257820B
公开(公告)日：2024-12-27
申请号：CN202211070542.7
申请日：2022-09-02
Applicant: 东南大学
IPC: B60W60/00 , B60W50/00 , G06F17/10 , G06N3/126 , G06N3/0464 , G06N3/084 , G06V10/774 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种面向开放干扰场景的营运车辆前向防撞驾驶决策方法。首先，提取人类驾驶员的安全驾驶行为，构建形成用于前向防撞驾驶决策学习的“类人”驾驶行为数据库。其次，利用行为克隆算法从“类人”驾驶行为数据库中学习前向防撞驾驶策略。最后，利用生成对抗模仿学习算法继续学习驾驶策略，得到具有高度类人水平的前向防撞驾驶策略。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、不同行驶工况等因素对前向防撞决策的影响，输出加速、减速、转向等高级决策策略，实现了开放干扰场景下的营运车辆前向防撞驾驶决策。
-
公开(公告)号：CN114407931B
公开(公告)日：2024-05-03
申请号：CN202210158758.2
申请日：2022-02-21
Applicant: 东南大学
Abstract: 本发明公开了一种高度类人的自动驾驶营运车辆安全驾驶决策方法。首先，进行典型交通场景下驾驶行为的多源信息同步采集，构建表征优秀驾驶员驾驶行为的专家轨迹数据集。其次，综合考虑前向碰撞、后向碰撞、侧向碰撞、车辆侧倾稳定性和驾驶平顺性等因素对行车安全的影响，利用生成对抗模仿学习算法模拟优秀驾驶员的驾驶行为，分别采用近段策略优化算法和深度神经网络构建生成器和判别器，进而建立具有高度类人水平的安全驾驶决策模型。最后，对安全驾驶决策模型进行训练，得到不同行驶工况下的安全驾驶策略。本发明能够模拟人类优秀驾驶员的驾驶意图，为自动驾驶营运车辆提供更加合理、安全的驾驶策略，可以有效保障自动驾驶营运车辆的行车安全。
-
公开(公告)号：CN112633474B
公开(公告)日：2022-04-05
申请号：CN202011512719.5
申请日：2020-12-20
Applicant: 东南大学
Abstract: 本发明公开了一种重型营运车辆的后向防撞驾驶决策方法。首先，建立交通环境模型，采集重型营运车辆及其后方车辆的运动状态信息。其次，建立基于后向距离碰撞时间的后向碰撞危险评估模型，将后向碰撞危险精确量化。最后，将后向防撞驾驶决策问题描述为一定奖励函数下的马尔科夫决策过程，建立基于深度强化学习的后向防撞驾驶决策模型，得到有效、可靠、具有自适应性的后向防撞驾驶决策策略。本发明提出的方法，克服了现有方法中缺乏重型营运车辆后向防撞驾驶决策研究的不足，可以定量输出合理的方向盘转角和节气门开度控制量，为驾驶员提供有效、可靠的后向防撞驾驶建议，减少后向碰撞事故的发生。
-
公开(公告)号：CN111238825B
公开(公告)日：2021-05-18
申请号：CN202010028039.X
申请日：2020-01-10
Applicant: 东南大学
IPC: G01M17/007 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种面向组合试验路面的智能驾驶自动紧急制动性能测试方法。首先，针对我国存在的缺乏多种路面附着条件下制动性能测评的问题，构建了面向组合试验路面的自动紧急制动性能测试场景。其次，为了准确、实时的辨识被测车辆行驶过程中的试验路面条件，建立了基于深度卷积神经网络的试验路面识别模型。最后，量化不同路面附着条件下的自动紧急制动性能指标，建立多维度的智能驾驶自动紧急制动性能指标体系。相比于现有的单一环境条件的制动性能测试，本发明提出的方法实现了湿滑路面、冰雪路面、搓板路面等多种极限试验条件下的自动紧急制动性能的科学定量测评。
-
公开(公告)号：CN115257819B
公开(公告)日：2024-12-24
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。
-
Patent Agency Ranking
公开(公告)号：CN116946162B
公开(公告)日：2023-12-15
申请号：CN202311209606.1
申请日：2023-09-19
Applicant: 东南大学
IPC: B60W50/00 , B60W40/064 , B60W40/072 , B60W40/076 , B60W40/06
Abstract: 本发明公开了一种考虑路面附着条件的智能网联商用车安全驾驶决策方法。首先，将安全驾驶决策问题建模为有限马尔可夫决策模型，并定义决策模型的基本参数。其次，设计决策模型的网络架构。最后，训练决策模型的网络参数。本发明提出的方法综合考虑了路面附着条件、道路坡度和弯度等因素对于行车安全的影响，能够适应不同的交通环境和行驶工况，解决了现有的商
-
公开(公告)号：CN116959260B
公开(公告)日：2023-12-05
申请号：CN202311212627.9
申请日：2023-09-20
Applicant: 东南大学
IPC: G08G1/01 , G08G1/048 , G08G1/052 , G08G1/0967 , G06N3/042 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的多车辆驾驶行为预测方法，属于新一代信息技术领域。首先，建立基于图神经网络的驾驶行为预测模型，并定义预测模型的输入和输出。其次，定义驾驶行为预测模型的相关参数。最后，设计驾驶行为预测模型的网络架构，并对其进行训练。本发明提出的方法站在路侧的全局化视角，能够预测多个交通参与者的驾驶行为，有助于提高道路重点区域的行车安全。此外，该方法无需计算车辆动力学模型，计算耗时低，且使用的传感器成(56)对比文件Yafu Tian 等.RSG-GCN: PredictingSemantic Relationships in Urban TrafficScene With Map Geometric Prior.IEEE OpenJournal of Intelligent TransportationSystems.2023,全文.赵海涛;程慧玲;丁仪;张晖;朱洪波.基于深度学习的车联边缘网络交通事故风险预测算法研究.电子与信息学报.2020,(第01期),全文.兰浩然 等.遮挡环境下基于路侧异源雷达融合的多交通目标鲁棒跟踪方法.仪器仪表学报.2022,全文.郑智勇.复杂交通环境下智能车辆高可靠车道级融合定位方法研究.万方学位论文.2023,全文.曹健 等.基于图神经网络的行人轨迹预测研究综述.计算机工程与科学.2023,全文.于秋爽.基于多模型输入的车辆轨迹预测研究.中国优秀硕士学位论文全文数据库 工程科技II辑.2022,全文.Chen T 等.Visual Reasoning usingGraph Convolutional Networks forPredicting Pedestrian CrossingIntention.2021 IEEE/CVF InternationalConference on Computer Vision Workshops(ICCVW).2022,全文.
-
公开(公告)号：CN115257820A
公开(公告)日：2022-11-01
申请号：CN202211070542.7
申请日：2022-09-02
Applicant: 东南大学
Abstract: 本发明公开了一种面向开放干扰场景的营运车辆前向防撞驾驶决策方法。首先，提取人类驾驶员的安全驾驶行为，构建形成用于前向防撞驾驶决策学习的“类人”驾驶行为数据库。其次，利用行为克隆算法从“类人”驾驶行为数据库中学习前向防撞驾驶策略。最后，利用生成对抗模仿学习算法继续学习驾驶策略，得到具有高度类人水平的前向防撞驾驶策略。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、不同行驶工况等因素对前向防撞决策的影响，输出加速、减速、转向等高级决策策略，实现了开放干扰场景下的营运车辆前向防撞驾驶决策。
-
公开(公告)号：CN112487954A
公开(公告)日：2021-03-12
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：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。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.019 seconds)
