-
公开(公告)号：CN118886303B
公开(公告)日：2025-04-08
申请号：CN202410907531.2
申请日：2024-07-08
Applicant: 江苏大学
IPC: G06F30/27 , G06T7/246 , G06V10/764 , G06V10/774 , G06N3/0455 , G06N3/0442 , G06N3/0499 , G06N3/048 , G06N3/096
Abstract: 本发明公开了基于扩散模型的自适应片段划分与数据演化的自动驾驶车辆轨迹生成方法及系统，在获取车辆轨迹数据的基础上，首先，利用贪婪策略动态选择最优历史轨迹片段长度，得到不同条件下的历史轨迹片段长度，其次，将历史轨迹片段输入数据扩散模型进行训练，经过改进的Transformer模型训练得到不同车辆行为的多种车辆轨迹数据，之后，利用数据编辑模型构建无预测器引导下的车辆轨迹数据，生成目标域内的新样本；然后，利用数据演化模型预测下一段片段的模式、长度和幅度，将所得信息输入至数据扩散和数据编辑模型得到新样本，并进行组合得到生成轨迹。本发明能提高生成轨迹的稳定性和可靠性，从而提高驾驶的安全性和适应性。
-
公开(公告)号：CN118953402A
公开(公告)日：2024-11-15
申请号：CN202410982962.5
申请日：2024-07-22
Applicant: 江苏大学
Abstract: 本发明公开了一种基于多模态信息融合和大模型推演的自动驾驶车辆风险态势预测方法、系统及存储介质，该方案整合了来自摄像头、激光雷达、多传感器的多模态信息，对可见光图像和红外图像进行信息传递和聚合。将来自多个传感器的数据进行融合，形成环视的动态时空信息。使用邻居交叉注意力机制融合2D‑3D环视图像的动静态特征；利用大模型建立预测模型，对时空风险信息和文本提示信息进行分析，生成短期和长期的预测结果。通过评估每个短期规划和相应的长期应对计划的成本，选择总成本最小的一个作为最优策略，指导智能车辆的安全行驶。
-
公开(公告)号：CN114655247A
公开(公告)日：2022-06-24
申请号：CN202210117542.1
申请日：2022-02-08
Applicant: 江苏大学
IPC: B60W60/00 , G06F16/29 , G06F16/9537 , G06N3/04 , G06Q10/04
Abstract: 本发明提供了一种基于MATT‑GNN的周边车辆轨迹预测方法及系统，该预测方法首先构建多注意力谱时空图神经网络，然后将实时采集的周围交通场景车辆信息输入训练后的多注意力谱时空图神经网络，输出被预测车辆的未来轨迹；所述多注意力谱时空图神经网络包括编码器、GRU层、MT‑stem层和解码器，MT‑stem层由n个MT‑stem模块组，MT‑stem模块使得周边车辆间的时空特征得到充分提取；本发明能精准预测复杂交通场景下对周边车辆轨迹。
-
公开(公告)号：CN114613127A
公开(公告)日：2022-06-10
申请号：CN202210124973.0
申请日：2022-02-10
Applicant: 江苏大学
Abstract: 本发明提供了一种基于多层面多维度指标体系的行车风险预测方法，首先从宏观交通流、中观车群和微观车辆三个层面，结合道路环境、车辆时空分布、车辆运动状态和车辆性能四个维度，构建包含区间车流风险指标、周边车群风险指标和相邻车辆风险指标的行车风险指标体系；再基于指标体系，构建行车风险预测物元可拓模型；最后将行车风险指标体系内的各个指标代入物元可拓模型，确定目标车辆不同行驶风险等级的综合关联度，得到行车风险预测等级。本发明能更全面、系统、准确地刻画高速公路车辆的行驶风险水平。
-
公开(公告)号：CN112435466B
公开(公告)日：2022-03-22
申请号：CN202011149187.3
申请日：2020-10-23
Applicant: 江苏大学
IPC: G08G1/01 , G08G1/0962 , G06N3/04 , G06N3/08
Abstract: 本发明公开了混合交通流环境下CACC车辆退变为传统车的接管时间预测方法及系统。主要解决了CACC车辆在城郊公路上行驶发出接管请求时，系统根据采集的交通风险信息基于TFT模型预测接管时间的问题。该系统包括风险识别装置、信息处理装置、接管时间预测装置和信息发布装置，所述风险识别装置经配置识别周围交通环境风险信息以确定是否转移自动驾驶车辆的驾驶控制权限，所述信息处理装置经配置基于所识别的环境风险信息进行数据预处理，所述接管时间预测装置经配置基于所处理的数据进行接管时间预测，所述信息发布装置经配置基于预测结果发布给当前车辆并共享给周围其他联网车辆，同时发出接管请求，提醒驾驶员及时接管车辆。
-
Patent Agency Ranking
公开(公告)号：CN113406955A
公开(公告)日：2021-09-17
申请号：CN202110504041.4
申请日：2021-05-10
Applicant: 江苏大学
IPC: G05D1/02
Abstract: 本发明公开了基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法，在感知自动驾驶汽车外部环境的基础上，首先，针对个体驾驶行为认知的复杂性问题，依据用于表示驾驶操控激进程度和模式转移偏好的驾驶特征参数，进行驾驶风格识别；其次，依据环境中运动主体的群体行为特征，在驾驶风格识别的基础上，基于复杂网络，以运动主体为节点，以道路为约束，建立时变复杂动态网络作为自动驾驶汽车复杂环境模型；最后，对复杂环境模型中的节点进行参数化表述，实现对复杂环境的节点差异化认知，采用凝聚算法对复杂环境模型中的节点分层，实现对复杂环境的层次化认知，建立复杂环境模型的无序程度度量方法，实现对复杂环境的全局风险态势认知。
-
公开(公告)号：CN112801149A
公开(公告)日：2021-05-14
申请号：CN202110054062.0
申请日：2021-01-15
Applicant: 江苏大学
Abstract: 本发明提供一种基于深度强化学习的多车队列控制方法，将堆叠4帧的状态量作为网络的输入，使用车队共享网络的训练方法产生训练样本填充经验池；在训练过程中每个周期结束时对经验池进行备份；在经验池中进行采样训练网络。本发明使用车队共享网络，多车同时参加训练的训练方法，车队成员同时产生训练样本，大幅度缓解了连续动作空间探索效率低下的问题，利用探索过程中随机噪声带来的车队间车速震荡使获得的训练样本多样性更好，模型可以应对更加复杂的工况。使用时序信息，堆叠4帧状态量作为网络输入，增强网络的鲁棒性。提出经验池备份方法，通过对经验池的备份和覆盖，剔除非法周期产生的样本，防止低效的样本抽取劣化训练效果。
-
公开(公告)号：CN112435466A
公开(公告)日：2021-03-02
申请号：CN202011149187.3
申请日：2020-10-23
Applicant: 江苏大学
IPC: G08G1/01 , G08G1/0962 , G06N3/04 , G06N3/08
Abstract: 本发明公开了混合交通流环境下CACC车辆退变为传统车的接管时间预测方法及系统。主要解决了CACC车辆在城郊公路上行驶发出接管请求时，系统根据采集的交通风险信息基于TFT模型预测接管时间的问题。该系统包括风险识别装置、信息处理装置、接管时间预测装置和信息发布装置，所述风险识别装置经配置识别周围交通环境风险信息以确定是否转移自动驾驶车辆的驾驶控制权限，所述信息处理装置经配置基于所识别的环境风险信息进行数据预处理，所述接管时间预测装置经配置基于所处理的数据进行接管时间预测，所述信息发布装置经配置基于预测结果发布给当前车辆并共享给周围其他联网车辆，同时发出接管请求，提醒驾驶员及时接管车辆。
-
公开(公告)号：CN112215337A
公开(公告)日：2021-01-12
申请号：CN202011064925.4
申请日：2020-09-30
Applicant: 江苏大学
Abstract: 本发明公开了一种基于环境注意力神经网络模型的车辆轨迹预测方法，构建了一种对于环境中各要素增加注意力的模型，环境注意网络(EA‑Net)模型。本发明提出的模型在LSTM encoder‑decoder与卷积社交池串联的结构的基础上进行了横向拓展，加入了图注意神经网络与包含SE模块的卷积社交池组成并行结构。本发明通过这种新型的并行结构来捕获车辆在行驶过程中与周围环境构成的图结构中各节点通过连边更新的特征信息，以及周边环境内空间位置结构内特征信息。本发明提出的新模型结构相对于卷积社交池模型在提取环境交互信息的效果上有了很大的提升，同时达到了比其他现有模型更好的轨迹预测效果。
-
公开(公告)号：CN107146412B
公开(公告)日：2020-06-09
申请号：CN201710423241.0
申请日：2017-06-07
Applicant: 江苏大学
Abstract: 本发明提供了一种基于车联网的高速公路车辆防碰撞预警综合变量构建方法，其特征在于，包括如下步骤：步骤一：构造防碰撞预警综合变量；步骤二：确定预警综合变量的预警阈值；步骤三：获取实时车辆运动和位置特征数据；步骤四：计算防碰撞预警综合变量，确定防碰撞预警策略。本发明克服了传统预警变量对换道或偏离车道的车辆与周围车辆实时变化的运动矢量特征和车辆相对位置及车辆尺寸特征考虑不足的缺陷，可以满足不同车辆驾驶行为特征条件下的车辆防碰撞预警需求。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.025 seconds)
