排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
提出了一种面向智能网联汽车的中心式匝道合流协同控制方法.首先建立了中心式匝道合流协同控制模型,然后通过离散化将其转化为非线性最优化问题,并采用NOMAD算法求解.进行了100组仿真实验,通过随机设置不同的初始化条件对所提方法的有效性以及车辆油耗影响因素进行了研究,并与其他文献的方法进行对比.研究结果表明,本文所提方法对不同的初始合流场景有较好的控制效果,与对比文献中的方法相比,可使车辆平均油耗降低42.38％,显著提高了匝道合流过程中车辆的燃油经济性. 相似文献
2.
为了解决智能驾驶场景中对周边车辆未来行为的预测问题,研究了基于注意力机制的长短时记忆网络(LSTM)模型的车辆行为预测方法.首先提出了一种非均匀步长的时间序列数据划分方法,将属于特定行为的车辆时序信息进行分类;以LSTM为基本的神经网络框架,用注意力机制判断输入时序信息中各个时间步信息的重要程度,分配不同的权重值;以目标车辆及其周边车辆的历史轨迹信息作为算法输入,用来预测目标车辆将来的运动行为.结果表明:该算法可以解决固定步长的时序分类方法导致的信息遗漏或计算资源负担增加的问题,同时能够有效提高行为预测准确性,减少车辆行为预测时间. 相似文献
1