预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共21页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113665574A(43)申请公布日2021.11.19(21)申请号202111237247.1(22)申请日2021.10.22(71)申请人清华大学地址100084北京市海淀区清华园(72)发明人刘巧斌王涛高铭杨路许庆王建强李克强(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201代理人王燕(51)Int.Cl.B60W30/18(2012.01)B60W40/107(2012.01)B60W50/00(2006.01)权利要求书2页说明书13页附图5页(54)发明名称智能汽车换道时长预测及拟人化轨迹规划方法(57)摘要本申请涉及智能汽车应用技术领域,特别涉及一种智能汽车换道时长预测及拟人化轨迹规划方法,包括:从自然驾驶数据中提取优秀驾驶员的换道轨迹,并提取多车影响下的换道时长;获取换道车辆的周车运动信息,将周车影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射,进而获得周车影响下的换道时长预测模型;智能汽车应用换道时长预测模型时,基于预期换道纵向位移、当前纵向速度和换道后目标车道预期车速,结合周车信息,利用预测模型进行换道时长的优选,进而实现拟人化的换道轨迹规划。由此,充分挖掘了自然驾驶数据中优秀驾驶员的操纵规律,为智能汽车科学合理的换道决策提供参考,是智能汽车拟人化决策理念在换道决策中的体现。CN113665574ACN113665574A权利要求书1/2页1.一种智能汽车换道时长预测及拟人化轨迹规划方法,其特征在于,包括以下步骤:从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹,并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长;获取换道车辆的周车运动信息,并根据所述周车运动信息建立多车影响下的车辆换道纵向运动学模型,以及将所述周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射,进而获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数;在网联多车环境下的智能汽车应用所述换道时长预测模型进行决策的情况下,当下达换道指令时,基于预期换道纵向位移、所述智能汽车的纵向速度和换道后目标车道预期车速,结合所述智能汽车的周车信息,利用所述换道时长预测模型对所述智能汽车的换道时长进行优选,并根据优选获得的所述智能汽车的换道时长进行拟人化的轨迹规划,以实现所述智能汽车换道意图的准确实施。2.根据权利要求1所述的方法,其特征在于,所述从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹,并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长,包括:计算所述优秀驾驶员的换道轨迹的朝向角;基于所述朝向角从所述自然驾驶数据中确定峰值点,并且由所述峰值点向两边搜索,得到满足预设条件的时间点;由所述时间点匹配对应的换道轨迹的初始区间;根据所述初始区间计算所述换道轨迹侧向加速度峰‑峰值时间差,并基于所述时间差计算侧向加速度取得最大值和最小值时对应的时间点,得到所述换道轨迹在真实多车影响下的优秀驾驶员换道时长。3.根据权利要求1所述的方法,其特征在于,所述获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数,包括:对所述换道车辆的平均纵向加速度进行加速度修正,得到修正后的平均纵向加速度,将所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射;根据所述多车影响下的车辆换道纵向运动学模型和所述周车的影响表征为周车运动学参数对换道车辆的所述平均纵向加速度的非线性映射,得到所述多车影响下的换道时长预测模型和辨识获得的模型参数。4.根据权利要求3所述的方法,其特征在于,所述换道时长预测模型为:,其中,为自车的换道时长,为所述自车预期换道纵向位移、为所述自车平均纵向加速度,为所述自车换道后在目标车道的预期车速。5.根据权利要求1所述的方法,其特征在于,其中,所述预期换道纵向位移是根据纵向位置、纵向速度和纵向加速度状态函数确定的。2CN113665574A权利要求书2/2页6.一种智能汽车换道时长预测及拟人化轨迹规划装置,其特征在于,包括:提取模块,用于从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹,并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长;生成模块,用于获取换道车辆的周车运动信息,并根据所述周车运动信息建立多车影响下的车辆换道纵向运动学模型,以及将所述周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射,进而获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数;以及换道轨迹规划模块,用于在网联多车环境下的所述智能汽车应用所述换道时长预测模型进行决策的情况下,当下达换道指令时,基于预期换道纵向位移、所述智能汽车