-
公开(公告)号：CN116279484A
公开(公告)日：2023-06-23
申请号：CN202310305219.1
申请日：2023-03-27
Applicant: 东南大学
Abstract: 本发明提供一种融合演化博弈与机器学习的多风格驾驶者强制换道预测方法，该方法包括基于车辆轨迹数据提取表示换道车辆与周围车辆博弈状态的特征向量及车辆换道决策观测值，建立强制换道观测数据集；利用高斯混合聚类方法，将车辆分为两种驾驶风格，根据换道车辆和目标车道后车的不同驾驶风格，将换道博弈分为四类，将观测数据集划分为相对应的四个子集；根据四个子集的车辆轨迹数据，分别利用演化博弈论EGT及碰撞时间指标输出换道决策；建立融合演化博弈论和机器学习的强制换道模型EGT‑ML，将基于EGT的换道决策加入训练集中，并在训练集上进行模型训练，在观测数据集上评价预测效果，结果表明模型具有较高的准确率和较强的鲁棒性。
-
公开(公告)号：CN118411838B
公开(公告)日：2025-03-21
申请号：CN202410348024.X
申请日：2024-03-26
Applicant: 东南大学
Abstract: 本发明构建了一种混合网联环境应急车辆时空路权协同优先控制方法，以提高混合网联环境下应急车辆的救援效率，同时避免对社会车辆造成较大延误。首先，针对混合网联环境下的网联车辆与人工车辆提出了一种基于CV精细化轨迹数据的车辆轨迹重构方法，用于估计各车道的交通状态；之后，提出了基于红灯早断、绿灯延长等方案的时间路权优先策略以及基于应急优先车道、动态清空距离等方案的空间路权优先策略；最后，基于模型预测控制框架设计了一种主动优先控制算法，通过速度引导、信号优先控制等方式保障应急车辆的优先通行权。
-
公开(公告)号：CN118447701A
公开(公告)日：2024-08-06
申请号：CN202410356507.4
申请日：2024-03-27
Applicant: 东南大学
IPC: G08G1/0968 , G08G1/09
Abstract: 本发明公开了一种基于事故影响因果推断的应急车辆动态路径规划方法，本发明收集路网交通流信息进行因果推断模型训练，并为应急车辆选择耗时最短的路线到达事故现场。通过读取路网信息，获得路网交通流数据，设置目标节点、源节点与路网中其他交叉口节点，并确定事故发生的类型，地点与时间，生成相应的事故信息作为输入；通过因果推断方法获得时空速度的影响值，并得到时变周期下更新的新的路段行程时间；通过路网权值时变特性的全局最优路径规划方法进行应急车辆最优路径选择。本发明将机器学习方法与传统因果效应模型相结合，实现应急车辆的动态路径规划，提高通行效率。
-
公开(公告)号：CN118411838A
公开(公告)日：2024-07-30
申请号：CN202410348024.X
申请日：2024-03-26
Applicant: 东南大学
Abstract: 本发明构建了一种混合网联环境应急车辆时空路权协同优先控制方法，以提高混合网联环境下应急车辆的救援效率，同时避免对社会车辆造成较大延误。首先，针对混合网联环境下的网联车辆与人工车辆提出了一种基于CV精细化轨迹数据的车辆轨迹重构方法，用于估计各车道的交通状态；之后，提出了基于红灯早断、绿灯延长等方案的时间路权优先策略以及基于应急优先车道、动态清空距离等方案的空间路权优先策略；最后，基于模型预测控制框架设计了一种主动优先控制算法，通过速度引导、信号优先控制等方式保障应急车辆的优先通行权。
-
-
-
Search Results
4
records
(took 0.014 seconds)
