AMT预测驾驶功能系统构建时间分析研究

经济性是商用车的重要评价指标,机械式自动变速器(AMT)可通过科学的换挡策略有效降低整车油耗,搭载预测驾驶功能的AMT可进一步提升车辆的经济性。由于预测驾驶功能数据采集系统的配置等原因,车辆有可能会在道路交叉口等位置丢失正确的预测数据。文章依据ADASIS v2协议,通过e-Horizon Box采集数据并按协议重构数据,分析研究国内集成式AMT搭载的传动链预测控制系统在道路交叉口所需的系统构建时间问题。分析研究表明,预测系统仅需数秒即可完成系统构建,在该时间段内制定相应的策略即可避免由于丢失正确的预测数据造成的相关问题。     

自动驾驶安全第一

自动驾驶集人工智能(AI)、大数据、5G、车路协同、高精度地图与定位等高新技术于一体,顺应汽车工业革命的电动化,智能化、网联化、共享化发展趋势,近年来得到高速发展。具备自动巡航、紧急自动刹车、车道偏离预警等先进辅助驾驶系统(ADAS)功能的低等级自动驾驶汽车实现车辆前装,得到大规模量产应用。具备有条件自动驾驶、高度自动驾驶、完全自动驾驶功能的高等级自动驾驶汽车已经开展道路测试验证,量产商用可期。     

基于预见性巡航系统车辆分析测试

为提高车辆的操作舒适性和燃油经济性,完成配备预见性巡航控制（predictive cruise control,PCC）系统车辆油耗测试,验证基于高精地图的实时道路预测的预见性巡航驾驶策略的节油有效性。实验结果表明搭载此系统的车辆可以有效降低燃油消耗量,平原高速段节油率达3.08%,丘陵高速段节油率达5.31%,为后续的使用推广提供了重要的数据支持。     

TomTom使用rideOS将实时交通数据集成到下一代交通平台中

正TomTom(TOM 2)公司宣布,它的实时和历史交通数据、速度剖面和地图元素将集成到rideOS的创新路由平台中,以便自动驾驶车辆改进预测分析。rideOS开发了一个平台,用于综合、管理和分发任何及每一种类型的运输的关键安全数据和路线。它是面向未来的一种服务,在这种服务中,从人工操作到完全自主的多种交通方式将共享道路。     

基于神经网络的智能驾驶模式识别研究

为满足智能驾驶汽车高级驾驶辅助系统(ADAS)功能研发和验证的需求,提高ADAS功能的准确性,设计了一款基于神经网络的智能驾驶模式识别程序,该程序由数据采集、目标检测、场景识别预测3个模块组成.数据采集模块利用ESR毫米波雷达、前置摄像头对交通环境及周围车辆的数据信息进行采集;目标监测模块通过控制算法选择判断触发各类A...     

基于Prescan 的信号灯路口跟停场景虚拟重构

为满足我国智能驾驶汽车测试场景库的搭建和ADAS(高级驾驶辅助系统)功能研发和验证的需求,设计了一种基于Prescan的交通信号灯路口车辆跟停场景虚拟重构方法,该方法由道路环境建设模块、初始条件设定模块和车辆控制模块组成。道路环境建设模块通过输入道路参数信息构建虚拟道路,初始条件设定模块通过输入本车和目标车的初始位置、初始速度信息确定零时刻车辆和道路的空间位置及状态信息,车辆控制模块依据车辆速度位置等信息,利用训练的神经网络控制本车加速度,实现跟停场景的虚拟重构。仿真结果表明,该方法可以实现交通信号灯路口车辆跟停场景的虚拟重构。     

基于激光雷达的自动驾驶同步定位与建图方法综述

同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术可使自动驾驶车辆在未知环境中根据车载传感器采集到的数据估计自身位姿,建立环境地图,为车辆的规划、决策提供定位信息,是近年来自动驾驶技术研究的热点之一。基于车载激光雷达的点云数据,聚焦SLAM技术在自动驾驶领域的应用,围绕前端里程计、后端优化和回环检测技术,对国内外相关研究进行综述。考虑到单一传感器的局限性,结合目前多传感器融合研究的热点与难点,展望了自动驾驶多传感器融合SLAM技术在自动驾驶领域的机遇与挑战。     

基于图神经网络的交互车辆驾驶意图识别及轨迹预测

为实现周围车辆行驶轨迹的准确预测，运用深度学习方法，设计了一种基于图神经网络与门控循环单元（GRU）的驾驶意图识别及车辆轨迹预测模型。驾驶意图识别模型将车-车间的交互关系构造成时空图，运用图神经网络学习其交互规律，并利用Softmax函数计算出不同驾驶意图的概率；轨迹预测模型采用编码-解码的GRU网络，编码器将车辆历史轨迹信息进行编码并融合识别的驾驶意图信息，再通过解码器实现轨迹预测。最后采用NGSIM数据集对模型进行训练和验证，结果表明：所提出的模型能够更好地识别车辆的驾驶意图，且考虑驾驶意图的车辆轨迹预测模型能够有效提高预测精度。     

小鹏汽车实现全球首家量产车搭载SR

正小鹏汽车正式成为全球首家在量产车上搭载"SR自动驾驶环境模拟显示"功能的企业。该功能拥有行业首创的人机交互体验,用户可以在使用NGP自动导航辅助驾驶时,通过车内大屏清晰看到车辆的行驶状态及周围的交通环境,提升用户驾乘的体验感及安全感。小鹏汽车将自动驾驶感知、定位系统、高精度地图、高清渲染画面进行融合模拟显示。     

基于港珠澳大桥左右舵车辆时空混行的差异化驾驶行为识别和预测方法

为实现左右舵不同驾驶习性驾驶人在港珠澳大桥时空混行环境下快速、有效识别并预测行驶车辆在应急条件下的运动状态，提出了一种考虑右舵驾驶行为的模型加数据混合运动预测方法。首先，提取港珠澳大桥通行车辆的跟驰与换道原始轨迹数据并分析，挖掘左右舵驾驶行为在直道及变道属性下的长短时特性；其次，结合最大信息系数算法(MIC)对比所提取特征与2类驾驶行为的关联程度，并求解关键区分特性下高斯混合模型(GMM)对于左右舵驾驶行为应急反应的倾向性概率；最后，将2种驾驶行为的车辆运动状态在直道行驶的差异特征作为长短时记忆(LSTM)神经网络的输入，建立数据驱动下的直道横向偏移预测模型，并在具有差异化驾驶行为的车辆直道位姿信息预测基础上，串联建立模型驱动下的变道概率预测模型。对青州航道桥实际车流监测数据的测试结果表明：所提方法可基于行驶车辆的横向偏移和偏航率等特征快速、准确识别左右舵驾驶行为；对于不同特征输入下的直道偏移预测结果，所预测左舵驾驶行为的均方根误差(RMSE)、改进的豪斯多夫距离(MHD)与决定系数(R²)的最优评估分别为0.578 7、0.468 1与0.870 7,右舵驾驶行...     

拓扑地图的路口局部路径生成策略

交叉路口是自动驾驶开发过程中面临的复杂交通场景,采用高精度地图方案成本高昂,而仅通过车载传感器难以有效识别路口形状,因此,提出了一种基于开源拓扑地图与视觉可行驶区域检测技术的路口局部路径规划算法。首先,基于开源拓扑地图采用A*算法规划全局导航路径作为引导线,然后通过语义分割技术识别当前可行驶区域,并结合车辆实时定位信息,在路口确定局部路径的起点、终点与一组备选控制点,最后采用贝塞尔曲线插值方法,得到备选路径的曲线簇,根据多维度加权代价函数结果选取最优局部路径,进而实现车辆在路口转弯过程的自动驾驶。实验结果表明,该策略能够在不依赖高精地图的情况下,在路口处有效规划出局部路径,提高自动驾驶车辆在路口处的通过能力,路口通过率可达99%。该策略不依赖高精地图和激光雷达,对于自动驾驶量产降本具有重大意义。     

自动驾驶高精度地图众源更新技术现状与挑战

针对自动驾驶高精度地图实时动态更新在高精度、高可靠、高安全等方面所面临的挑战，总结当前高精度地图更新面临的困难与挑战，加快自动驾驶高精度地图的大规模商业化落地，从而提升智能汽车的安全性和稳定性，为高级别自动驾驶提供重要支撑。首先描述了自动驾驶地图的定义与内涵，指出自动驾驶地图的数据特性和功能应用；其次梳理了高精度地图更新的发展现状与趋势，综述了地图集中式更新与众源式更新的优劣，指出众源更新已成为地图更新发展的新趋势；再次，总结了目前众源更新的基本架构与关键核心模块，并针对关键核心技术展开分析，归纳了众源更新所涉及关键技术的现状及趋势。结果表明：当前技术仍然面临着7个主要方面的挑战，涉及地图模型、高精定位、三维重建、融合更新、数据安全、快速审查、标准法律法规。针对这些挑战，指出自动驾驶高精度地图众源更新技术难题需要政产学研多部门从技术、政策、法律多维度共同推进解决，从而加速自动驾驶地图众源更新技术的发展与应用。     

汪学慧专家门诊

<正>高精度地图及其覆盖Q一位车主刚购买了带智驾功能的蔚来汽车,十分兴奋,车辆行驶在广深一带车主感到非常方便。2023年10月的某日,该车行驶在广东高州到广西的道路上,车主发现智能驾驶辅助功能断断续续,时有时无。车主将车开到维修厂检修,维修技术人员称智驾系统没有任何异常,可以正常开启及使用。维修技术人员解释称,车辆所表现出的异常是由于高精度地图没有完全覆盖所导致的。请问老师,什么是高精度地图？     

人机混驾环境下基于深度学习的车辆切入轨迹预测

为保证人机混驾环境下自动驾驶汽车的安全行驶,对周围车辆切入轨迹的预测至关重要.本文首先使用Savitzky-Golay滤波器对大规模采集的自然驾驶数据进行去噪处理,根据准则提取车辆切入片段,建立符合中国道路状况的车辆切入数据集.其次,发挥Bi-LSTM网络能充分利用上下文信息的优点和in-out快捷连接有效减少梯度消失...     

Mentor DRS360:集中式数据融合助力自动驾驶设计

正Mentor推出了一款自动驾驶解决方案DRS360平台,该平台能够借助各种传感手段实时捕获、融合及利用原始数据,改善延时的同时,提升了传感精确度和整体系统效率,满足SAE 5级自动驾驶车辆的要求。对于自动驾驶车辆来说,传感器数据非常关键。这些安装在车身周围及车辆内部的传感器,可以更好地探测车内外环境,为自动驾驶功能的实现提供数据支持。传统的汽车设计,通常把来自不同传感器的数据,如雷达、摄像头等,传     

数据驱动的驾驶员换道行为分析与预测综述

换道是一种具有极高风险的驾驶行为,许多交通事故发生在换道过程中,相邻车道车辆的突然换道行为会产生很大安全风险并影响车辆的乘坐舒适性,对周围车辆的换道行为进行预测对驾驶辅助系统和自动驾驶汽车都十分必要。随着V2X(Vehicle-to-Everything)技术、5G技术的快速发展,车辆可以从周围环境中获得更多信息,使换道行为预测成为可能。文中对换道意图的产生及换道过程进行分析,将换道过程分为换道意图产生阶段、换道准备阶段和执行阶段,总结将车辆上各种传感器获得的车辆速度、加速度、位置、方向盘转角等信息及通过V2X技术从交通环境中获得的信息用于换道行为预测的主要方法。目前许多研究采用机器学习方法,按照所使用的数据类型可分为基于驾驶员生理活动信息的方法和基于车辆CAN总线信息、运动学及其与周围车辆运动关系信息的方法,也有研究将二者相结合。数据驱动的换道行为预测方法也可用于车辆的主动换道决策和执行过程,强化学习(RL)算法可以从真实数据中学习决策和驾驶行为,而这些对于传统的基于规则的方法来说基本不可行,故其在研究车辆主动换道时被广泛使用。     

基于场景元素的智能网联汽车场景构建研究

在智能网联汽车测试评价中,场景库搭建与道路测试一直都是其难点。文中对智能网联汽车功能的典型测试场景搭建及测试方法进行分析与研究,首先分析智能网联汽车驾驶场景的来源,从典型驾驶场景中归纳出基本场景元素库,以场景元素库为基础实现测试场景库搭建;然后在PreScan中进行场景虚拟重构,进行自动驾驶功能模拟仿真;最后基于真实道路场景搭建对车辆自动驾驶功能进行实车测试。     

基于LSTM概率多模态预期轨迹预测方法

针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。     

电子地图

利用卫星定位系统和车载接收系统,驾驶县可从车内电脑屏幕上观看电子地图,‘掌握自己车辆实时的最新位置。电子地图还兼有线路引导、叉路口地图自动放大、显示到达目的地最佳路径等功能．是“ITS”各系统不可缺少的主要部件之一。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。