智能汽车拟人驾驶风险量化方法研究

驾驶风险量化评估对智能汽车拟人驾驶决策至关重要,针对复杂多任务场景下的驾驶风险量化问题,提出了一种基于人类风险感知机理的智能汽车驾驶风险量化方法。首先,利用传感器获取驾驶场景周围环境信息与行驶状态信息,并根据人类驾驶经验对潜在冲突因素赋值代价,生成驾驶场景代价地图;其次,根据车辆运动状态与拟人驾驶的基本原则,利用高斯函数建立动态风险模型;最后,结合驾驶场景代价图与动态风险模型实时计算拟人驾驶风险量化值。仿真结果表明,提出的方法能够基于人类驾驶经验,计算出动态变化的驾驶风险量化值,应用于智能汽车自动驾驶决策,可产生拟人驾驶行为。

基于拟人驾驶模型的联合收获机导航控制器设计与试验

为了解决轮式联合收获机在水稻收获作业中操作繁琐及作业质量和效率低的问题,通过采集熟练驾驶员驾驶时收获机位姿信息和驾驶员操作信息,运用神经网络构建了拟人驾驶模型并设计了一种基于拟人驾驶模型的联合收获机导航控制器。根据收获作业需求设计了一种田间套行作业路径规划方法,在保证转弯精度的同时,较好的完成收获作业;与传统PID和常规纯追踪模型相比,拟人驾驶模型控制收敛速度快0.42 s、超调减小4.0 cm,具有收敛速度快、超调小等特点。路面直角路线转向试验结果表明,当联合收获机行驶速度分别为0.62、0.82、1.02 m/s时,转弯后超调量不大于3.93 cm,在不同行驶速度下仍具有较高的鲁棒性。田间试验结果表明,联合收获机在水稻田中以0.6、0.8、1.0 m/s的速度前进时,直角转向导航跟踪转向后超调量分别不大于8.1、8.9、9.6 cm,直线跟踪部分平均绝对偏差分别不大于3.1、3.0、3.3 cm。试验结果表明,所设计的拟人驾驶模型导航控制器能较好地完成水稻收获作业自动导航。

自驾驶中的交互认知

近年来,无人驾驶无论Tesla路线、Waymo路线,还是Intel路线等,都重点关注感知、规划和决策等计算认知,而交互认知严重缺失.这一问题不解决,自驾驶车难以被社会接受与认可.本文分析了自驾驶车交互认知的丰富性和实现难度,提出基于自然语言交互的车载智能音箱对话、肢体语言交互和车体语言交互3种交互形式.通过智能音箱及互联网实现了自驾驶车与车主、乘员、运维人员、开发人员、远程服务请求等之间的交互;解决了自驾驶车对路边行人和执勤交警的手势识别、理解与应对;攻克了狭路会车和超车并道两种常见车体交互的难题.最后,基于丰富的自驾驶交互认知形式,给出独立于决策总线的交互总线架构设计,并在多类型智能车上开展应用.