-
公开(公告)号：CN107291972B
公开(公告)日：2019-10-18
申请号：CN201710139406.1
申请日：2017-03-10
Applicant: 清华大学
Abstract: 本发明公开一种基于多源数据挖掘的汽车智能驾驶系统有效性评价方法，包括步骤：1)通过多源数据挖掘得到待评价车辆模型、随机交通场景模型、乘员损伤模型；2)基于随机交通场景和车辆模型，仿真出事故的特定场景；3)利用事故再现软件仿真该场景，输出碰撞后车辆状态；4)结合乘员损伤模型，计算事故发生后的乘员损伤风险和单位里程风险；5)将待评价车辆模型替换成常规模型，重复1)‑4)步得到无待评价系统车辆的单位里程乘员损伤风险；然后对比有、无待评价系统的损伤结果，得知该系统的有效性。该评价平台依靠多源数据和已知软件，可实现多种智能驾驶系统的评价，同时该评价平台运行成本低、速度快，具有较好的普遍适用性。
-
公开(公告)号：CN110082122A
公开(公告)日：2019-08-02
申请号：CN201910357575.1
申请日：2019-04-29
Applicant: 清华大学 , 山东省科学院自动化研究所
IPC: G01M17/007 , G01S19/42 , G01S19/52
Abstract: 本发明公开了一种智能网联车测试平台，智能网联车测试平台包括被测车、交通对象模拟装置、通信拓扑结构和运动控制单元，被测车被布置在交通场景中；交通对象模拟装置包括全地形机器人、身高可调人偶模型和动物模型；通信拓扑结构将规划好的轨迹输给被测车以及从被测车获取被测车信息，通信拓扑结构将被测车信息输给运动控制单元；运动控制单元从通信拓扑结构采集被测车信息以及由全地形机器人反馈得到的全地形机器人信息；运动控制单元控制全地形机器人的路线及其速度、身高可调人偶模型以及动物模型周期性活动。本发明可以变换参与对象和环境，为测试任意交通场景的模拟提供便利条件，实现低成本、零风险、多交通对象和多场景的测试功能。
-
公开(公告)号：CN110072193A
公开(公告)日：2019-07-30
申请号：CN201910356936.0
申请日：2019-04-29
Applicant: 清华大学
Abstract: 本发明公开了一种用于智能网联车测试的通信拓扑结构，通信拓扑结构包括车端单元和路测单元，所述车端单元包括车载控制设备和车端通信设备，所述路测单元包括路端通信设备，所述车载控制设备和所述车端通信设备均安装于所述被测车，所述车载控制设备将规划好的轨迹输出给所述被测车以及从所述被测车的定位系统获取被测车信息，所述被测车信息包括所述被测车的速度和位置信息，所述车载控制设备将所述被测车信息经由所述车端通信设备输出给所述路端通信设备，所述路端通信设备将采集到的所述被测车信息输出给中控PC。本发明可以变换参与对象以及环境，为测试任意交通场景的模拟提供了便利条件，实现了低成本、零风险、多对象、多场景的测试功能。
-
公开(公告)号：CN109781431A
公开(公告)日：2019-05-21
申请号：CN201811494519.4
申请日：2018-12-07
Applicant: 山东省科学院自动化研究所 , 清华大学
IPC: G01M17/007
Abstract: 本发明公开了基于混合现实的自动驾驶测试方法及系统，虚拟测试车将虚拟环境下的测试数据通过云服务器传输给真实测试车的车载终端，从而真实测试车将虚拟环境测试数据与真实环境的数据进行融合，真实测试车根据融合后的数据选择行驶方案；真实测试车将车载传感器的实时数据同步上传给控制中心的云服务器，测试场的路面传感器将路面的实时数据同步上传给控制中心的云服务器，云服务器将所接收的数据发送给控制中心计算平台，控制中心计算平台根据云服务器提供的数据对虚拟环境进行更新，同时对虚拟测试车的行驶速度和行驶路线进行调整；控制中心计算平台将真实测试车在受虚拟测试环境影响下的行驶参数进行保存。
-
公开(公告)号：CN109684702A
公开(公告)日：2019-04-26
申请号：CN201811541720.3
申请日：2018-12-17
Applicant: 清华大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于轨迹预测的行车风险辨识方法，该方法包括以下步骤：S1，实时获取GPS信息，生成参考轨迹；S2，根据参考轨迹和GPS信息，结合车辆动力学模型和控制约束条件，生成动态且连接参考轨迹初始端和终端的可行轨迹集以及可行轨迹集中的每一条可行轨迹对应的速度；S3，优化可行轨迹及其对应的速度；S4，根据优化的可行轨迹和速度，结合车辆动力学模型以及设定的约束条件，利用代价函数计算可行轨迹的代价值，形成自车在每条可行轨迹上行驶的概率分布图，从而绘制出可行轨迹分布图；代价函数根据最小作用量原理和等效力方法获得；S5，根据可行轨迹分布图，利用车辆动力学模型和轨迹转向概率，计算相对等效力，以根据相对等效力辨识行车过程中的动态风险范围。本发明综合考虑人、车、路各要素之间耦合关系，能适用于行车风险范围的准确识别，并为驾驶决策提供支持。
-
Patent Agency Ranking
公开(公告)号：CN109591783A
公开(公告)日：2019-04-09
申请号：CN201811472846.X
申请日：2018-12-04
Applicant: 清华大学
Abstract: 本发明公开了一种车辆制动器温控装置，车辆制动器温控装置包括温度检测单元、控制单元、温控反馈单元和结果输出模块，温度检测单元用于检测车辆的制动器外表面温度信息；控制单元用于接收车辆和制动器的相关参数信息、道路环境参数信息以及制动器外表面温度信息，并获得制动器工作温度信息以及车辆在制动过程中的温度变化量；温控反馈单元用于接收制动器工作温度信息，在制动器工作温度信息达到设定温度阈值的情形下对车辆的制动器进行冷却处理；结果输出模块显示温度变化量。本发明成本低、实用性与可行性高、实施效果好，能在车辆制动过程中实时监测温度并及时预警，预防制动器温度过高，从而降低事故发生率的制动器温度智能监控及降温装置。
-
公开(公告)号：CN106448194B
公开(公告)日：2019-03-19
申请号：CN201610973318.7
申请日：2016-10-28
Applicant: 清华大学 , 重庆长安汽车股份有限公司
IPC: G08G1/08
Abstract: 本发明公开了一种交叉路口交通信号和车辆协同控制方法及装置、车辆，该方法包括：步骤1，根据道路平均车流量计算交通信号灯周期；步骤2，根据车辆定位信息和路口停止线信息计算信号绿信比和各车到达路口停止线时间；步骤3，根据交通信号灯周期和信号绿信比，控制交叉路口的交通信号灯相位切换；步骤4，判断各车辆是否通过交叉路口，若否进入步骤5；反之进入步骤6；步骤5，将各车到达路口停止线时间和交通信号灯周期发送到各相应车辆，各车计算自车的期望加速度；步骤6，检测交通信号灯周期是否结束，若结束，则返回步骤2；反之，则返回步骤4。本发明能够优化交叉路口的配时以及车辆通过交叉路口的速度或加速度轨迹，并对交叉路口交通信号和驶向交叉路口的各车加速度进行控制。
-
公开(公告)号：CN109375632A
公开(公告)日：2019-02-22
申请号：CN201811541716.7
申请日：2018-12-17
Applicant: 清华大学
IPC: G05D1/02
Abstract: 本发明公开了一种自动驾驶车辆实时轨迹规划方法，该方法包括：S1，实时获取自车的相关信息；S2，基于自车的相关信息，生成参考轨迹以及由参考轨迹确定的可行轨迹簇和可行轨迹簇中的每一条可行轨迹对应的速度；S3，根据可行轨迹和其相对应的速度，利用以安全性和高效性为驾驶目标的目标优化函数，计算每一条可行轨迹的作用量，并选择具有最小作用量的可行轨迹作为期望最优轨迹，并优化得到与期望最优轨迹对应的期望最优速度；目标优化函数根据最小作用量原理和等效力方法获得。本发明能够使自动驾驶车辆在未知环境条件中仿照驾驶人驾驶特性，能够实时根据周边车辆和环境信息，以安全性和高效性为驾驶目标规划出一条最符合驾驶人驾驶期望的轨迹。
-
公开(公告)号：CN108639059B
公开(公告)日：2019-02-19
申请号：CN201810432926.6
申请日：2018-05-08
Applicant: 清华大学
Abstract: 本发明公开了一种基于最小作用量原理的驾驶人操控行为量化方法及装置，驾驶人操控行为量化方法包括：S1，在自车的电子控制单元中预先设置驾驶人操控机制定量描述模块，所述驾驶人操控机制定量描述模块包括同时反映驾驶人的驾驶操控行为的交通风险和通行效率的作用量SRisk；S2，通过自车上的信息采集装置，获取与时间同步的自车和交通环境信息；S3，根据所述与时间同步的自车和交通环境信息，通过驾驶人操控机制定量描述模块中的SRisk，获取当前行车指导速度，使所述作用量SRisk的值最小，本发明利用最小作用量原理描述驾驶人驾驶车辆过程中关于风险和效率的权衡，能够定量描述任意驾驶人驾驶过程中趋利避害的驾驶特性。
-
公开(公告)号：CN108897313A
公开(公告)日：2018-11-27
申请号：CN201810498215.9
申请日：2018-05-23
Applicant: 清华大学
IPC: G05D1/02
Abstract: 本发明公开一种分层式端到端车辆自动驾驶系统构建方法，该方法将自动驾驶系统分为四层管理架构：第一层采用神经网络模型以摄像头原始采集的数据为输入，输出为隐层结果，仅包含交通环境特征；第二层采用两个神经网络模型，以第一层的输出为输入，输出分别为仅包含道路特征和道路参与者特征的隐层结果；第三层采用两个增强学习模型，以第二层的两个输出为输入，输出分别为仅考虑道路特征的车辆控制命令和仅考虑道路参与者特征的控制命令；第四层采用增强学习模型以第三层的两个输出为并列输入，输出终级车辆控制命令。相比于目前主流的端到端车辆自动驾驶方法，本方法结合了规则信息，能够提高端到端自动驾驶的可靠性。
-
-
-
-
-
-
-
-
-
Search Results
579
records
(took 0.047 seconds)
