用于量化车辆横纵向操控行为与乘客驾乘体验之间关系的模型

    公开(公告)号:CN117408307A

    公开(公告)日:2024-01-16

    申请号:CN202311447163.X

    申请日:2023-11-01

    Abstract: 本发明提供了一种用于量化车辆横纵向操控行为与乘客驾乘体验之间关系的模型,包括:心理物理学机理子模型:建立驾乘舒适性量化子模型,基于量化心理学原理,从输入参数中抽取特征向量;数据驱动子模型:定量分析不同车辆操作行为所产生的车辆动力学序列与乘客主观感受之间的关系;集成学习模型:以心理物理学机理子模型的输出和数据驱动子模型的输出为输入,通过全连接网络融合两个子模型的输出,得到整个模型的输出结果,该结果为当前输入的车辆动力学序列所对应的驾乘舒适性的指标。本发明解决了单位交通工况内较长车辆动力学参数序列特征编码与汇聚困难的问题,提升了驾乘舒适性模型对长序列输入中前后依赖关系的建模能力。

    一种融合的自动驾驶汽车过街行人轨迹预测方法及系统

    公开(公告)号:CN111459168A

    公开(公告)日:2020-07-28

    申请号:CN202010327545.9

    申请日:2020-04-23

    Abstract: 本发明提供了一种融合的自动驾驶汽车过街行人轨迹预测方法及系统,包括:根据车载传感器融合算法,获得过街行人运动状态信息、行人个体特征信息及车辆运动状态信息;通过对车载传感器获得的上述状态数据,对社会力模型中的参数进行标定;通过对车载传感器获得的上述状态数据,训练LSTM模型的结构权重和偏置参数;利用社会力模型和LSTM模型分别预测正在过街的行人运动轨迹;通过上述模型预测的运动轨迹和过街行人实际轨迹真值导入到Stacking融合模型,训练结构权重;利用Stacking融合模型输出最优的过街行人未来第一预设时长内的预测轨迹;本发明利用Stacking算法融合社会力模型和LSTM模型,达到减小方差、偏差的效果,从而保证预测轨迹与行人的实际轨迹更加贴近。

    一种融合的自动驾驶汽车过街行人轨迹预测方法及系统

    公开(公告)号:CN111459168B

    公开(公告)日:2021-12-10

    申请号:CN202010327545.9

    申请日:2020-04-23

    Abstract: 本发明提供了一种融合的自动驾驶汽车过街行人轨迹预测方法及系统,包括:根据车载传感器融合算法,获得过街行人运动状态信息、行人个体特征信息及车辆运动状态信息;通过对车载传感器获得的上述状态数据,对社会力模型中的参数进行标定;通过对车载传感器获得的上述状态数据,训练LSTM模型的结构权重和偏置参数;利用社会力模型和LSTM模型分别预测正在过街的行人运动轨迹;通过上述模型预测的运动轨迹和过街行人实际轨迹真值导入到Stacking融合模型,训练结构权重;利用Stacking融合模型输出最优的过街行人未来第一预设时长内的预测轨迹;本发明利用Stacking算法融合社会力模型和LSTM模型,达到减小方差、偏差的效果,从而保证预测轨迹与行人的实际轨迹更加贴近。

    无人驾驶车辆紧急避险决策系统、方法及介质

    公开(公告)号:CN110362077B

    公开(公告)日:2020-09-04

    申请号:CN201910595551.X

    申请日:2019-07-03

    Abstract: 本发明提供了一种无人驾驶车辆紧急避险决策系统、方法及介质,包括:环境感知模块:获取环境信息;危险判别模块:根据获得的环境信息,分析车辆同障碍物之间是否会发生碰撞危险,输出危险状况信息,同时判定障碍物的类别,输出障碍物类别信息;智能决策模块:根据获得的环境信息、危险状况信息及障碍物类别信息,构建可行任务池,对可行任务的事故严重程度进行分析,确定最优可行任务。本发明具有应用上的便利性,能够兼容目前针对无事故下的车辆智能决策方案。本发明能够使车辆在面对必然发生的事故时,给出事故损害最小化的决策方案。

Patent Agency Ranking