-
公开(公告)号:CN118025222A
公开(公告)日:2024-05-14
申请号:CN202410024343.5
申请日:2024-01-08
Applicant: 中国第一汽车股份有限公司 , 一汽(北京)软件科技有限公司
Inventor: 胡金辰
IPC: B60W60/00 , B60W30/095
Abstract: 本申请提供了一种联合行为估计和后退时域控制的轨迹规划方法,包括以下步骤:S1.设定每个障碍物车辆和行进意图的信念权重;本发明方法用POMDP来估计影响车辆计划轨迹的其他交通参与者的行为,并在后退时域控制中加入多个运动策略的机会条件约束,从而生成安全轨迹,利用POMDP的优势进行行为预测,并利用后退时域控制进行轨迹规划,通过POMDP框架对自车和障碍物之间的交互作用进行建模,从而预测障碍物车辆在不确定的多种可能轨迹下的自车速度和动作,然后进行非线性优化建模生成自车安全轨迹,这种规划考虑了障碍物车辆的行为预测和RHC中的机会约束中多个运动轨迹的不确定性。
-
公开(公告)号:CN118953357A
公开(公告)日:2024-11-15
申请号:CN202411199382.5
申请日:2024-08-29
Applicant: 中国第一汽车股份有限公司 , 一汽(北京)软件科技有限公司
IPC: B60W30/18 , B60W40/06 , B60W40/072 , B60W40/105
Abstract: 本发明公开了一种车辆弯道行驶速度控制方法、智能座舱及其车辆,包括步骤:建立以自车为中心的坐标系,获取当前路况的车道线信息,根据所述车道线信息的三次方程计算并得到预瞄位置的曲率半径,确定预瞄位置的曲率半径对应的横向弯道最大通过速度和纵向弯道最大通过速度,得到目标减速度并确定时间常数,结合当前弯道的最大可通行速度和时间常数,计算得到弯道降速最终的目标减速度。本发明通过精确的车道线预瞄位置判断和弯道半径的测量,结合车辆横向控制的最大通过速度标定表,实现对车辆在弯道中速度的优化控制,根据弯道的几何特性并结合车辆动力学参数,计算出车辆在不同弯道条件下的最大横向加速度,实现最佳的行驶效率。
-
公开(公告)号:CN117246233A
公开(公告)日:2023-12-19
申请号:CN202311212324.7
申请日:2023-09-19
Applicant: 中国第一汽车股份有限公司
IPC: B60Q9/00
Abstract: 本发明公开了一种倒车预警方法、装置、车辆和存储介质。其中,方法包括:在车辆倒车过程中,若检测到前一时刻车辆处于报警状态,基于设置于车辆的雷达设备的探测数据确定与车辆对应的倒车障碍物;根据探测数据中与倒车障碍物对应的障碍物数据,确定倒车障碍物是否处于与车辆对应的滞回区域,滞回区域位于预警区域的边界处,滞回区域到车辆的距离大于预警区域到车辆的距离;在检测到障碍物处于与车辆对应的滞回区域时,根据车辆的第一行驶数据和倒车障碍物的障碍物数据,确定与车辆对应的倒车轨迹关联数据;基于倒车轨迹关联数据确定车辆在当前时刻下的预警状态。解决倒车预警精度较低的问题,提高车辆预警的距离范围,保障驾驶安全。
-
公开(公告)号:CN118770255A
公开(公告)日:2024-10-15
申请号:CN202410999320.6
申请日:2024-07-24
Applicant: 中国第一汽车股份有限公司 , 一汽(北京)软件科技有限公司
Abstract: 本发明公开一种基于优化策略的车道保持控制方法和系统、设备及车辆,包括根据预先建立的车辆模型定义车辆状态误差;为车辆状态误差构建优化控制模型,以车辆状态误差最小化为约束确定优化控制模型的目标函数,并采用线性二次型调节器对目标函数优化;基于优化结果对车辆当前车速状态离散化处理,获得离散Raccati方程;对离散Raccati方程迭代求解,生成优化策略;所述优化策略包括与当前车速对应的LQR控制系数、LQR控制系数对应的车速状态误差反馈量和车辆的前轮转角;将优化策略部署于车载MCU控制器中,控制方向盘转角,以实现对方向盘扭矩的参数调整。上述方案与传统PID算法相比,提高了车辆的响应速度,同时减少了车辆小幅度抖动,提升在车道保持中的稳定性。
-
公开(公告)号:CN118135530A
公开(公告)日:2024-06-04
申请号:CN202410025238.3
申请日:2024-01-08
Applicant: 中国第一汽车股份有限公司 , 一汽(北京)软件科技有限公司
Abstract: 本申请提供了一种基于神经网络的车辆轨迹预测方法。所述方法包括:S1、根据感知信息建立当前驾驶场景多尺度的栅格图;感知信息包括:车道线位置、停止线位置、人行横道位置、障碍物位置的信息;S2、使用神经网络,对S1中得到的栅格图进行特征编码、解码操作,得到预测的路径;S3、计算神经网络输出的路径与该场景下该车辆真实驾驶路径的损失函数值,根据损失函数,使用梯度下降法对神经网络进行优化;S4、循环进行S1、S2、S3,直到神经网络收敛为止;S5、在步骤4中得到收敛的神经网络后,在实际场景中,根据感知信息得到其他车辆未来的路径。通过上述方法,针对场景变换具有自学习能力,能够适应城市中日趋复杂的场景。
-
-
-
-