-
公开(公告)号：CN118419066A
公开(公告)日：2024-08-02
申请号：CN202410534128.X
申请日：2024-04-30
Applicant: 同济大学
IPC: B60W60/00 , B60W30/18 , B60W50/00 , G06F18/2415
Abstract: 本发明涉及一种自动驾驶车辆换道轨迹优化方法、装置和介质，方法包括以下步骤，提取换道片段，并识别道路参数和车辆参数，根据道路参数和车辆参数分类统计运动学参数分布；基于道路环境与统计的运动学参数分布标定换道轨迹优化模型约束条件，基于换道风险和交互强度构建换道轨迹优化模型的目标函数；基于换道轨迹优化模型的约束条件和目标函数，使用优化算法求解得到最优换道轨迹，根据最优换道轨迹更新车辆在下一时刻的状态，获取更新后的车辆状态进行新一轮的轨迹优化求解直至最终完成换道，并对新的换道轨迹与原始换道轨迹进行对比分析。与现有技术相比，本发明具有重视车辆间交互、所得轨迹驾驶风险低等优点。
-
公开(公告)号：CN114491971A
公开(公告)日：2022-05-13
申请号：CN202111669743.4
申请日：2021-12-31
Applicant: 同济大学
Abstract: 本发明涉及一种基于混合Logit模型和贝叶斯模型平均(Bayesian ModelAveraging,BMA)的出行行为建模方法，包括如下步骤：(1)在目标区域按照预设的规则确定样本采集地点，并根据预设的调研项目类型确定所要采集的变量类型，变量类型包括出行者个人社会经济属性、出行属性及假设场景下出行者的出行方式选择偏好；(2)针对样本数据，用预设的数据处理方法对样本数据中的缺失值、错误值进行填充或者纠错，并进行数据结构化处理；(3)基于混合Logit模型构建出行行为选择模型；(4)基于贝叶斯模型平均方法对混合Logit模型进行后验概率估计。与现有技术相比，本发明通过实地调研获取数据，准确率及合理性较好，分析软件为常用软件，普及性较广，因此本发明可实现性较高。
-
公开(公告)号：CN110826785A
公开(公告)日：2020-02-21
申请号：CN201911032899.4
申请日：2019-10-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法，该方法包括如下步骤：(1)基于k-medoids聚类方法对所有研究路段进行聚类划分相似路段并鉴别异质性特征指标；(2)基于异质性特征指标构建道路交通事故分布模型；(3)利用道路交通事故分布模型计算各路段的预期事故数；(4)根据预期事故数识别高风险路段。与现有技术相比，本发明方法识别准确性高，该方法可灵活使用，可以根据研究时间范围的要求来描述高风险路段的长期风险。
-
公开(公告)号：CN116843019A
公开(公告)日：2023-10-03
申请号：CN202310863710.6
申请日：2023-07-14
Applicant: 同济大学
IPC: G06N3/092 , G06N3/0985 , G06N3/045 , G06N3/0464
Abstract: 本发明提供一种基于深度强化学习的自动驾驶策略学习方法，属于强化学习和自动驾驶领域，包括如下步骤：1)基于Gym库搭建可以与强化学习算法进行交互的自动驾驶数值仿真环境；2)设计自动驾驶策略学习任务的奖励函数，奖励函数包括跟驰奖励、换道奖励、安全奖励和车道保持奖励；3)设计状态空间，强化学习算法的状态空间包括主车的信息和主车周围四辆车的信息；4)设计动作空间，包括一个离散型动作和两个连续型动作；5)调整P‑DQN算法的网络结构和超参数，训练算法到达收敛。与现有技术相比，本发明使用具有混合动作空间的P‑DQN算法学习自动驾驶策略，不需要简化原有的动作空间，因此P‑DQN算法有着更好的稳定性和更高的学习效率。
-
Patent Agency Ranking
公开(公告)号：CN110826785B
公开(公告)日：2022-07-05
申请号：CN201911032899.4
申请日：2019-10-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于k‑medoids聚类和泊松逆高斯的高风险路段识别方法，该方法包括如下步骤：(1)基于k‑medoids聚类方法对所有研究路段进行聚类划分相似路段并鉴别异质性特征指标；(2)基于异质性特征指标构建道路交通事故分布模型；(3)利用道路交通事故分布模型计算各路段的预期事故数；(4)根据预期事故数识别高风险路段。与现有技术相比，本发明方法识别准确性高，该方法可灵活使用，可以根据研究时间范围的要求来描述高风险路段的长期风险。
-
公开(公告)号：CN112193245B
公开(公告)日：2021-09-03
申请号：CN202011015180.2
申请日：2020-09-24
Applicant: 同济大学
Abstract: 本发明涉及一种考虑驾驶员模糊感知的深度学习跟驰预测方法，包括如下步骤：S1、训练用于根据跟驰特征数据预测本车速度深度学习跟驰模型；S2、获取真实跟驰特征时序数据，输入至深度学习跟驰模型得到本车速度预测时序数据；S3、提取待预测时刻前N个时刻的真实跟驰特征时序数据以及本车速度预测时序数据作为第一数据集和第二数据集；S4、确定模糊感知时间窗，将第一数据集中位于模糊感知时间窗内的本车速度替换为第二数据集中对应时刻的本车速度预测值形成预测输入数据；S5、将预测输入数据输入至深度学习跟驰模型得到待预测时刻的本车速度预测值。与现有技术相比，本发明设置不同的模糊感知时间窗可对同一跟驰场景生成异质跟驰行为。
-
公开(公告)号：CN112193245A
公开(公告)日：2021-01-08
申请号：CN202011015180.2
申请日：2020-09-24
Applicant: 同济大学
Abstract: 本发明涉及一种考虑驾驶员模糊感知的深度学习跟驰预测方法，包括如下步骤：S1、训练用于根据跟驰特征数据预测本车速度深度学习跟驰模型；S2、获取真实跟驰特征时序数据，输入至深度学习跟驰模型得到本车速度预测时序数据；S3、提取待预测时刻前N个时刻的真实跟驰特征时序数据以及本车速度预测时序数据作为第一数据集和第二数据集；S4、确定模糊感知时间窗，将第一数据集中位于模糊感知时间窗内的本车速度替换为第二数据集中对应时刻的本车速度预测值形成预测输入数据；S5、将预测输入数据输入至深度学习跟驰模型得到待预测时刻的本车速度预测值。与现有技术相比，本发明设置不同的模糊感知时间窗可对同一跟驰场景生成异质跟驰行为。
-
公开(公告)号：CN117272607A
公开(公告)日：2023-12-22
申请号：CN202311115935.X
申请日：2023-08-31
Applicant: 同济大学
IPC: G06F30/20 , G08G1/01 , G06F30/15 , G06F111/04 , G06F111/08
Abstract: 本发明涉及一种基于BMA的车辆跟驰模型参数建模方法，包括如下步骤，获取车辆跟驰事件片段，确定车辆跟驰事件片段的车辆组合类型并提取车辆跟驰事件片段的轨迹数据，选取待标定的车辆跟驰模型及其待标定的跟驰模型参数，根据待标定的跟驰模型参数定义最优化问题与目标函数，并设置跟驰模型参数的约束，根据轨迹数据求解最优化问题，得到标定后的跟驰模型参数，并对标定后的跟驰模型参数进行验证，构建不同的候选模型，通过贝叶斯模型平均方法对候选模型进行统计建模。与现有技术相比，本发明充分考虑现有模型中参数的不确定性，通过对参数的不确定性进行约束，降低不确定性对模型的影响，实现车辆跟驰模型参数校准，提高模型的精度和可靠性。
-
公开(公告)号：CN116279471A
公开(公告)日：2023-06-23
申请号：CN202211598432.8
申请日：2022-12-12
Applicant: 同济大学
Abstract: 本发明涉及一种跟驰场景下考虑驾驶行为特征的车辆加速度预测方法，包括：步骤1)获取预测数据集并进行数据处理和变量提取：对获取的预测数据集，基于预配置的规则对有效跟驰片段进行筛选保留，从有效跟驰片段数据中提取特征变量；步骤2)构建基于CHMM的驾驶行为语义划分模型，以特征变量作为驾驶行为语义划分模型的输入，将特征变量分割成具有不同行为特征的片段，并对驾驶行为语义进行相似度评价；步骤3)构建CNN‑LSTM加速度预测模型，基于相似度评价结果划分有效跟驰片段数据构建输入输出样本集，对CNN‑LSTM加速度预测模型进行训练，基于训练完成的CNN‑LSTM加速度预测模型进行车辆加速度预测。与现有技术相比，本发明具有预测精度高等优点。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.016 seconds)
