芜湖辛巴网络科技有限公司盛小飞获国家专利权
买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
龙图腾网获悉芜湖辛巴网络科技有限公司申请的专利一种异质交通流下的智能网联汽车决策规划方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115018353B 。
龙图腾网通过国家知识产权局官网在2025-06-06发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210712562.3,技术领域涉及:G06Q10/0637;该发明授权一种异质交通流下的智能网联汽车决策规划方法是由盛小飞;李金;蒋亮;李书建;许玮设计研发完成,并于2022-06-22向国家知识产权局提交的专利申请。
本一种异质交通流下的智能网联汽车决策规划方法在说明书摘要公布了:本发明公开了一种异质交通流下的智能网联汽车决策规划方法,步骤如下:对局部路段上其他车辆的智能网联状态进行识别,并计算各车道的通行能力;根据其他车辆的智能网联状态识别结果,获取道路上其他车辆未来一段时间内的运动状态;建立全向碰撞风险评估模型,实时计算智能网联车辆的行车风险;根据智能网联车辆所处车道和临近车道的通行能力、行车风险及行车风险变化率,对车辆是否需要换道进行决策,再根据临近车道的通行效率和换道至临近车道的行车风险变化情况确定换道轨迹。本发明可利用路侧基站精准的获取部分具有网联能力的车辆的未来运动状态,无需采用预测方法去间接获取,提升计算效率的同时也提升了决策规划阶段的精度。
本发明授权一种异质交通流下的智能网联汽车决策规划方法在权利要求书中公布了:1.一种异质交通流下的智能网联汽车决策规划方法,其特征在于,步骤如下:1智能网联车辆接收道路上路侧基站发送的校验信息流,对局部路段上其他车辆的智能网联状态进行识别,并计算各车道的通行能力;2根据所述步骤1中其他车辆的智能网联状态识别结果,获取道路上其他车辆未来一段时间内的运动状态;3建立全向碰撞风险评估模型,将步骤2中获取到的运动状态信息输入到所述全向碰撞风险评估模型中,实时计算智能网联车辆的行车风险;4根据智能网联车辆所处车道和临近车道的通行能力、行车风险及行车风险变化率,对车辆是否需要换道进行决策,再根据临近车道的通行效率和换道至临近车道的行车风险变化情况确定换道轨迹;所述步骤2中采用多元化方法获取道路上其他车辆未来一段时间内运动状态的步骤如下:21若步骤1中识别结果为其他车辆是智能网联类车辆且处于自动驾驶状态,则直接利用网联通信获取其他车辆的未来运动状态并结合路侧基站信息对获取的信息进行校准;22若步骤1中识别结果为其他车辆是智能网联类车辆且处于手动驾驶状态,则利用网联通信获取该车辆驾驶员的状态和车辆状态信息,并结合驾驶员状态和车辆状态进行驾驶意图识别,同时预测该车辆未来运动状态;23若步骤1中识别结果为其他车辆是非智能网联类车辆,则利用车载感知传感器获取该车辆的状态信息,并利用获取的车辆状态信息进行该车辆的驾驶意图识别和未来运动状态预测;所述步骤22中驾驶意图识别步骤如下:221离线采集驾驶员状态信息和车辆状态信息,包括:驾驶员视线焦点、心率、呼吸频率、头部转动角度、车速、车辆加速度、横摆角速度、方向盘角度、方向盘角速度、车辆偏移车道中心线位置、车辆侧向位置的信息建立驾驶员意图识别数据集;222将步骤221建立的数据集中每一组数据对应的驾驶员换道意图进行标定,采用ReliefF算法对数据集中包含的所有参数的权重进行更新,并将所有参数的权重进行排序以筛选出最能够反映驾驶员换道意图的特征参数,对任意一项参数A的权重WA计算方法为: 式中,diffA,R,Hj表示样本R和样本Hj在参数A上的差,pC为C≠classR类所占的比例,pclasssR为与样本R同类别的样本比例,MjC表示类C≠classR中第j个最近邻样本;k为选取的与参数A相同分类的样本数目;m为样本类别;max和min分别为求最大值、最小值的函数;223利用步骤222中筛选出的特征参数作为LSTM神经网络的输入层,将各组参数对应的驾驶员换道意图作为LSTM神经网络的输出层,训练LSTM神经网络用于识别驾驶员的驾驶意图,具体步骤如下:2231计算遗忘门:ft=σWf·[ht-1,Xt]+bf4式中,ft为当前时刻的遗忘门,取值范围为0到1;Wf为遗忘门权重值;Xt为当前时刻的输入值;ht-1为上一时刻的输出值;bf为遗忘门偏置;σ为sigmoid函数;2232计算输入门:it=σWi·[ht-1,Xt]+bi5式中,it为当前时刻的输入门,取值范围为0到1;Wi为输入门权重值;bi为输入门偏置;2233计算候选记忆单元信息: 式中,为当前时刻的将被更新到记忆单元的候选信息;WC为候选信息权重值;bC为候选信息偏置;tanh为双曲正切函数;2234计算新的记忆单元信息: 式中,Ct为当前时刻的新的记忆单元信息;Ct-1为前一时刻的记忆单元信息;2235计算LSTM神经网络输出:ot=σWo·[ht-1,Xt]+bo8ht=ot·tanhCt9式中,ot为当前时刻的初始输出;Wo为初始输出权重值;bo为初始偏置;ht为当前时刻的输出,即为驾驶员的驾驶意图;所述步骤22中车辆未来运动状态的预测步骤如下:224建立短时域低速运动学预测模型,预测车辆低速行驶时的未来运动状态,记为 式中,X为车辆的纵向位置;Y为车辆的横向位置;v为车速;为车辆横摆角;β为质心侧偏角;lf为车辆质心至前轴的距离;lr为车辆质心至后轴的距离;a为车辆加速度;δf为车辆的前轮转角;sin、cos和tan分别为正弦、余弦和正切函数,Xt为t时刻车辆的纵向位置,Xt+1为t+1时刻车辆的纵向位置;Yt为t时刻车辆的横向位置,Yt+1为t+1时刻车辆的横向位置;为t时刻车辆横摆角,为t+1时刻车辆横摆角;vt为t时刻车速,vt+1为t+1时刻车速;225建立短时域高速动力学预测模型,预测车辆高速行驶时的未来运动状态,记为 式中,m为车辆的整车质量;和分别为车辆坐标系下车辆纵向速度和加速度;和分别为车辆坐标系下车辆横向速度和加速度;和分别为车辆的横摆角速度和角加速度;Cf、Cr分别为前、后轮的侧偏刚度;Iz为整车质量绕z轴的转动惯量;226结合步骤224和225中获取的短时域内的运动状态SSK或SSD,采用五次多项式拟合以生成未来长时域内的车辆运动状态信息,记为 式中,t为时间;ai和bi均为多项式系数,i=0,1,2,3,4,5;vX和vY分别为车速v在X轴和Y轴上的分量;所述步骤3中的全向碰撞风险评估模型建立步骤如下:31建立全向碰撞时间OTTC模型: 式中,OR为自车与其他车辆质心处的直线距离;ΔOV为自车与其他车辆的相对速度;X0,Y0为自车的质心位置;Xi,Yi为目标车辆的质心位置;V0和Vi分别为自车和其他车辆的速度;θ为自车车头朝向与两车质心连线的夹角;sgn为符号函数;和分别为自车和其他车辆的横摆角;π为圆周率;32建立全向碰撞车头时距OTHW模型: 33建立全向安全距离ORsafe模型: 式中,D0safe和Disafe分别为自车和其他车辆的紧急制动距离;34结合所述步骤31-33建立的OTTC模型、OTHW模型和ORsafe模型,建立全向碰撞风险评估模型: 式中,ξ为全向碰撞风险;g为重力加速度。
如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人芜湖辛巴网络科技有限公司,其通讯地址为:241003 安徽省芜湖市弋江区芜湖高新技术产业开发区科技产业园7号楼19层;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。
以上内容由龙图腾AI智能生成。
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。
请提出您的宝贵建议,有机会获取IP积分或其他奖励