公开(公告)号：CN118810815A

公开(公告)日：2024-10-22

申请号：CN202310410978.4

申请日：2023-04-17

Applicant: 丰田自动车株式会社 ,  清华大学

Inventor： 杨殿阁 ,  周伟韬 ,  曹重 ,  江昆 ,  邓楠山 ,  刘小钰

IPC: B60W60/00

Abstract: 本申请公开了一种自动驾驶策略选取方法、系统、电子设备及存储介质，该方法包括：获取自动驾驶车辆的当前驾驶场景的第一场景信息，第一场景信息包括自动驾驶车辆自身的第一状态信息和交通参与物的第二状态信息；基于第一状态信息，制定多个具有不同保守度的驾驶策略，以形成驾驶策略集合；基于第二状态信息，确定自动驾驶车辆采用各个驾驶策略的安全风险，生成用于表征安全风险程度的风险信息；基于风险信息，从驾驶策略集合中选取安全风险符合安全条件的驾驶策略，作为自动驾驶车辆应对当前驾驶场景的目标驾驶策略。如此，即使是面对长尾场景，也能够选取出安全风险相对较低的驾驶策略，在一定程度上能够保障自动驾驶车辆的行驶安全。

公开(公告)号：CN114818484A

公开(公告)日：2022-07-29

申请号：CN202210401858.3

申请日：2022-04-18

Applicant: 清华大学

Inventor： 江昆 ,  杨殿阁 ,  周伟韬 ,  曹重 ,  邓楠山 ,  刘小钰

IPC: G06F30/27 ,  G06K9/62 ,  G06F17/18

Abstract: 本申请涉及一种驾驶环境模型的训练方法及装置、驾驶环境信息的预测方法及装置、计算机设备、存储介质和计算机程序产品。所述方法包括：构建初始环境模型，初始环境模型包含多个单体模型；获取各单体模型对应的训练样本集，并通过各训练样本集训练对应的单体模型，得到训练后的环境模型；将测试样本输入至训练后的环境模型，得到各训练后的单体模型对应的下一时刻的驾驶环境预测信息；测试样本包含当前时刻的驾驶环境样本信息和当前决策动作样本信息；计算各下一时刻的驾驶环境预测信息的差异度，并在差异度小于预设阈值的情况下，将训练后的环境模型确定为驾驶环境模型。采用本方法能够节约训练驾驶环境模型的过程中真实驾驶数据的使用量。

公开(公告)号：CN115795808A

公开(公告)日：2023-03-14

申请号：CN202211391599.7

申请日：2022-11-08

Applicant: 清华大学

Inventor： 江昆 ,  杨蒙蒙 ,  刘小钰 ,  杨殿阁 ,  曹重 ,  周伟韬 ,  邓楠山

IPC: G06F30/20 ,  B60W40/06

Abstract: 本发明涉及一种自动驾驶决策危险场景生成方法、系统、设备及介质，包括：提取实车道路测试中自动驾驶车辆发生司机接管情况时的场景的静态要素信息和动态要素信息；根据提取的静态要素信息和动态要素信息，建立动态要素行为模型；设定动态要素行为模型的参数空间，确定每次模拟仿真测试中动态要素行为模型的参数组合，并构建危险场景；对构建出危险场景的参数组合进行聚类和拟合，生成该参数组合下的危险场景区域，本发明能够实现危险场景的高效生成，可以广泛应用于智能车辆领域中。

公开(公告)号：CN114818484B

公开(公告)日：2024-09-27

申请号：CN202210401858.3

申请日：2022-04-18

Applicant: 清华大学

Inventor： 江昆 ,  杨殿阁 ,  周伟韬 ,  曹重 ,  邓楠山 ,  刘小钰

IPC: G06F30/27 ,  G06F18/214 ,  G06F17/18

Abstract: 本申请涉及一种驾驶环境模型的训练方法及装置、驾驶环境信息的预测方法及装置、计算机设备、存储介质和计算机程序产品。所述方法包括：构建初始环境模型，初始环境模型包含多个单体模型；获取各单体模型对应的训练样本集，并通过各训练样本集训练对应的单体模型，得到训练后的环境模型；将测试样本输入至训练后的环境模型，得到各训练后的单体模型对应的下一时刻的驾驶环境预测信息；测试样本包含当前时刻的驾驶环境样本信息和当前决策动作样本信息；计算各下一时刻的驾驶环境预测信息的差异度，并在差异度小于预设阈值的情况下，将训练后的环境模型确定为驾驶环境模型。采用本方法能够节约训练驾驶环境模型的过程中真实驾驶数据的使用量。

公开(公告)号：CN116118772A

公开(公告)日：2023-05-16

申请号：CN202211463660.4

申请日：2022-11-22

Applicant: 清华大学

Inventor： 杨殿阁 ,  江昆 ,  周伟韬 ,  曹重 ,  邓楠山 ,  刘小钰

IPC: B60W60/00

Abstract: 本发明涉及一种考虑不确定性的自动驾驶强化学习运动规划方法和系统，包括以下步骤：基于获取的历史驾驶数据，使用深度强化学习方法对预先构建的多头值函数网络进行训练；获取当前时刻的环境状态信息，并分别利用训练得到的多头值函数网络和自动驾驶车辆的自动驾驶系统得到基于数据拟合的运动轨迹和基于规则的运动轨迹，比较后得到自动驾驶车辆的最优运动轨迹。通过结合自举式不确定性估计，考虑了强化学习算法在计算过程中可能由于其黑箱特性导致的不确定性，通过基于规则的方法避免了这种不确定性可能造成的危险决策，有助于提升该类方法在智能车辆中使用的安全性和可靠性。因此，本发明可以广泛应用于智能车辆领域。