-
公开(公告)号：CN110826785A
公开(公告)日：2020-02-21
申请号：CN201911032899.4
申请日：2019-10-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法，该方法包括如下步骤：(1)基于k-medoids聚类方法对所有研究路段进行聚类划分相似路段并鉴别异质性特征指标；(2)基于异质性特征指标构建道路交通事故分布模型；(3)利用道路交通事故分布模型计算各路段的预期事故数；(4)根据预期事故数识别高风险路段。与现有技术相比，本发明方法识别准确性高，该方法可灵活使用，可以根据研究时间范围的要求来描述高风险路段的长期风险。
-
Patent Agency Ranking
公开(公告)号：CN117272607A
公开(公告)日：2023-12-22
申请号：CN202311115935.X
申请日：2023-08-31
Applicant: 同济大学
IPC: G06F30/20 , G08G1/01 , G06F30/15 , G06F111/04 , G06F111/08
Abstract: 本发明涉及一种基于BMA的车辆跟驰模型参数建模方法，包括如下步骤，获取车辆跟驰事件片段，确定车辆跟驰事件片段的车辆组合类型并提取车辆跟驰事件片段的轨迹数据，选取待标定的车辆跟驰模型及其待标定的跟驰模型参数，根据待标定的跟驰模型参数定义最优化问题与目标函数，并设置跟驰模型参数的约束，根据轨迹数据求解最优化问题，得到标定后的跟驰模型参数，并对标定后的跟驰模型参数进行验证，构建不同的候选模型，通过贝叶斯模型平均方法对候选模型进行统计建模。与现有技术相比，本发明充分考虑现有模型中参数的不确定性，通过对参数的不确定性进行约束，降低不确定性对模型的影响，实现车辆跟驰模型参数校准，提高模型的精度和可靠性。
-
公开(公告)号：CN116843019A
公开(公告)日：2023-10-03
申请号：CN202310863710.6
申请日：2023-07-14
Applicant: 同济大学
IPC: G06N3/092 , G06N3/0985 , G06N3/045 , G06N3/0464
Abstract: 本发明提供一种基于深度强化学习的自动驾驶策略学习方法，属于强化学习和自动驾驶领域，包括如下步骤：1)基于Gym库搭建可以与强化学习算法进行交互的自动驾驶数值仿真环境；2)设计自动驾驶策略学习任务的奖励函数，奖励函数包括跟驰奖励、换道奖励、安全奖励和车道保持奖励；3)设计状态空间，强化学习算法的状态空间包括主车的信息和主车周围四辆车的信息；4)设计动作空间，包括一个离散型动作和两个连续型动作；5)调整P‑DQN算法的网络结构和超参数，训练算法到达收敛。与现有技术相比，本发明使用具有混合动作空间的P‑DQN算法学习自动驾驶策略，不需要简化原有的动作空间，因此P‑DQN算法有着更好的稳定性和更高的学习效率。
-
公开(公告)号：CN110826785B
公开(公告)日：2022-07-05
申请号：CN201911032899.4
申请日：2019-10-28
Applicant: 同济大学
Abstract: 本发明涉及一种基于k‑medoids聚类和泊松逆高斯的高风险路段识别方法，该方法包括如下步骤：(1)基于k‑medoids聚类方法对所有研究路段进行聚类划分相似路段并鉴别异质性特征指标；(2)基于异质性特征指标构建道路交通事故分布模型；(3)利用道路交通事故分布模型计算各路段的预期事故数；(4)根据预期事故数识别高风险路段。与现有技术相比，本发明方法识别准确性高，该方法可灵活使用，可以根据研究时间范围的要求来描述高风险路段的长期风险。
-
公开(公告)号：CN112193245B
公开(公告)日：2021-09-03
申请号：CN202011015180.2
申请日：2020-09-24
Applicant: 同济大学
Abstract: 本发明涉及一种考虑驾驶员模糊感知的深度学习跟驰预测方法，包括如下步骤：S1、训练用于根据跟驰特征数据预测本车速度深度学习跟驰模型；S2、获取真实跟驰特征时序数据，输入至深度学习跟驰模型得到本车速度预测时序数据；S3、提取待预测时刻前N个时刻的真实跟驰特征时序数据以及本车速度预测时序数据作为第一数据集和第二数据集；S4、确定模糊感知时间窗，将第一数据集中位于模糊感知时间窗内的本车速度替换为第二数据集中对应时刻的本车速度预测值形成预测输入数据；S5、将预测输入数据输入至深度学习跟驰模型得到待预测时刻的本车速度预测值。与现有技术相比，本发明设置不同的模糊感知时间窗可对同一跟驰场景生成异质跟驰行为。
-
公开(公告)号：CN112193245A
公开(公告)日：2021-01-08
申请号：CN202011015180.2
申请日：2020-09-24
Applicant: 同济大学
Abstract: 本发明涉及一种考虑驾驶员模糊感知的深度学习跟驰预测方法，包括如下步骤：S1、训练用于根据跟驰特征数据预测本车速度深度学习跟驰模型；S2、获取真实跟驰特征时序数据，输入至深度学习跟驰模型得到本车速度预测时序数据；S3、提取待预测时刻前N个时刻的真实跟驰特征时序数据以及本车速度预测时序数据作为第一数据集和第二数据集；S4、确定模糊感知时间窗，将第一数据集中位于模糊感知时间窗内的本车速度替换为第二数据集中对应时刻的本车速度预测值形成预测输入数据；S5、将预测输入数据输入至深度学习跟驰模型得到待预测时刻的本车速度预测值。与现有技术相比，本发明设置不同的模糊感知时间窗可对同一跟驰场景生成异质跟驰行为。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
