Autonomous Driving Decision-Making Based on the “Measurement-Semantics-Decision” Space

YING Shen; SHI Qunzhi; LI Yu; GU Jiangyan; LI Bijun

doi:10.13203/j.whugis20240328

您当前的位置：

首页 >

文章列表页 >

Autonomous Driving Decision-Making Based on the “Measurement-Semantics-Decision” Space

Cartography and GIS | 更新时间：2026-11-05

- Autonomous Driving Decision-Making Based on the “Measurement-Semantics-Decision” Space
- Geomatics and Information Science of Wuhan University Vol. 51, Issue 4, Pages: 789-801(2026)
- 作者机构：
  
  1.武汉大学资源与环境科学学院，湖北武汉,430079
  2.武汉大学地理信息系统教育部重点实验室,湖北武汉,430079
  3.武汉大学地球空间信息技术协同创新中心,湖北武汉,430079
  4.武汉大学测绘遥感信息工程国家重点实验室，湖北武汉,430079
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20240328
  CLC： P208
- Received：18 May 2025，
  
  Published：05 April 2026
- 稿件说明：
移动端阅览
应申,石群智,李玉，等.基于“度量-语义-决策”空间的自动驾驶决策[J].武汉大学学报（信息科学版）,2026,51(4):789-801.

YING Shen,SHI Qunzhi,LI Yu,et al.Autonomous Driving Decision-Making Based on the “Measurement-Semantics-Decision” Space[J].Geomatics and Information Science of Wuhan University,2026,51(4):789-801.
应申,石群智,李玉，等.基于“度量-语义-决策”空间的自动驾驶决策[J].武汉大学学报（信息科学版）,2026,51(4):789-801. DOI：10.13203/j.whugis20240328

YING Shen,SHI Qunzhi,LI Yu,et al.Autonomous Driving Decision-Making Based on the “Measurement-Semantics-Decision” Space[J].Geomatics and Information Science of Wuhan University,2026,51(4):789-801. DOI：10.13203/j.whugis20240328

摘要

自动驾驶是一个跨学科的集成领域，研究者一般将自动驾驶系统分为感知、规划、控制3个模块，但3个模块内具体任务存在较大差异，模块之间的交互关系不够明确，系统在面对复杂且多样的交通场景时会表现出不足。同时，端到端的自动驾驶系统具备可解释性不足的问题。提出了自动驾驶“度量-语义-决策”空间决策链条，旨在针对感知、规划、控制自动驾驶系统这种流水线关系进行补充，以及在一定程度上增添端到端的自动驾驶系统的可解释性，分别构建位置与几何、语义类别、规则与推理3个空间，其中度量空间提供自动驾驶交通环境中的统一时空基准以及要素位置、几何信息，语义空间提供要素类别、移动性、危险性、规则的多维信息表达，决策空间基于度量空间与语义空间实施交通规则转换、全局路径规划、局部车道规划、引导线生成、运动控制等功能。该决策链条明确了各空间内自动驾驶任务的具体内容，分析了空间之间任务的关联关系以及高精地图对3个空间的支撑作用，并以路口场景决策为例，分析了该决策链条的实际应用流程。

Abstract

Objectives

The rapid development of autonomous driving systems has highlighted the challenge of integrating various components from different disciplines. Traditional autonomous driving systems are generally divided into three modules: perception

planning

and control. However

these modules typically handle distinct tasks with limited interaction

resulting in suboptimal performance when encountering complex and diverse traffic scenarios. Additionally

end-to-end autonomous driving systems suffer from a lack of interpretability. We aim to address these issues by proposing a “measurement-semantics-decision” spatial decision-making chain for autonomous driving. The goal is to complement the pipeline relationship of perception

planning and control of autonomous driving system and to increase the interpretability of end-to-end autonomous driving system.

Methods

The autonomous driving “measurement-semantics-decision” space decision chain constructs three spaces: position and geometry

semantic categories

and rules and reasoning. The measurement space provides a unified spatiotemporal reference as well as positional and geometric information of elements in the autonomous driving environment. The semantics space offers a multi-dimensional information representation of element categories

mobility

risk

and rules. The decision space

based on the measurement and semantics spaces

implements functions such as traffic rule transformation

global path planning

local lane planning

guidance line generation

and motion control.

Results

This decision chain clarifies the specific tasks within each space of autonomous driving

analyzes the relationships between tasks across spaces

and examines the supporting role of high-precision maps for the three spaces. Futhermore

taking the decision-making of intersection scenarios as an example

the actual application process of this decision-making chain was clarified.

Conclusions

The proposed measurement-semantic-decision spatial decision-making chain effectively organizes and clarifies the tasks within the perception

planning

and control modules. By structuring the decision-making process into clearly defined spaces

the system is better equipped to handle a broader range of traffic scenarios

including complex and dynamic environments such as intersections. Additionally

the integration of the measurement and semantic spaces allows for a more interpretable and explainable decision-making process

addressing the challenges of traditional end-to-end autonomous systems.

关键词

Keywords

references

杨殿阁，李庆建，彭伟 . 自动驾驶地图与定位产业发展若干问题［C］// 中国卫星导航与位置服务第八届年会暨中国北斗应用大会，郑州， 2019 .

YANG Diange ， LI Qingjian ， PENG Wei . Key Issues in the Development of Autonomous Driving Map and Positioning Industry ［C］// The 8th China Satellite Navigation and Location Service Annual Conference and China BeiDou Application Summit ， Zhengzhou， China ， 2019 .

李克强，戴一凡，李升波，等 . 智能网联汽车（ICV）技术的发展现状及趋势［J］. 汽车安全与节能学报， 2017 ， 8 （ 1 ）： 1 - 14 .

LI Keqiang ， DAI Yifan ， LI Shengbo ， et al . State-of-the-Art and Technical Trends of Intelligent and Connected Vehicles ［J］. Journal of Automotive Safety and Energy ， 2017 ， 8 （ 1 ）： 1 - 14 .

李德毅，赵菲，刘萌，等 . 自动驾驶量产的难点分析及展望［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 12 ）： 1775 - 1779 .

LI Deyi ， ZHAO Fei ， LIU Meng ， et al . Difficulty Analysis and Prospect of Autonomous Vehicle Mass Production ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 12 ）： 1775 - 1779 .

崔明阳，黄荷叶，许庆，等 . 智能网联汽车架构、功能与应用关键技术［J］. 清华大学学报（自然科学版）， 2022 ， 62 （ 3 ）： 493 - 508 .

CUI Mingyang ， HUANG Heye ， XU Qing ， et al . Survey of Intelligent and Connected Vehicle Technologies： Architectures， Functions and Applications ［J］. Journal of Tsinghua University （Science and Technology）， 2022 ， 62 （ 3 ）： 493 - 508 .

张新钰，高洪波，赵建辉，等 . 基于深度学习的自动驾驶技术综述［J］. 清华大学学报（自然科学版）， 2018 ， 58 （ 4 ）： 438 - 444 .

ZHANG Xinyu ， GAO Hongbo ， ZHAO Jianhui ， et al . Overview of Deep Learning Intelligent Driving Methods ［J］. Journal of Tsinghua University （Science and Technology）， 2018 ， 58 （ 4 ）： 438 - 444 .

冉斌，谭华春，张健，等 . 智能网联交通技术发展现状及趋势［J］. 汽车安全与节能学报， 2018 ， 9 （ 2 ）： 119 - 130 .

RAN Bin ， TAN Huachun ， ZHANG Jian ， et al . Development Status and Trend of Connected Automated Vehicle Highway System ［J］. Journal of Automotive Safety and Engergy ， 2018 ， 9 （ 2 ）： 119 - 130 .

JIANG K ， YANG D G ， LIU C R ， et al . A Flexible Multi-layer Map Model Designed for Lane-Level Route Planning in Autonomous Vehicles ［J］. Engineering ， 2019 ， 5 （ 2 ）： 305 - 318 .

LIU J X ， LUO Y G ， ZHONG Z H ， et al . A Probabilistic Architecture of Long-Term Vehicle Trajectory Prediction for Autonomous Driving ［J］. Engineering ， 2022 ， 19 ： 228 - 239 .

张卫忠 . 基于仿人智能控制的无人地面车辆自动驾驶系统研究［D］. 合肥：中国科学技术大学， 2014 .

ZHANG Weizhong . Research on Automatic Driving System of Unmanned Ground Vehicles Based on Humanoid Intelligent Control ［D］. Hefei ： University of Science and Technology of China ， 2014 .

郭景华，李克强，罗禹贡 . 智能车辆运动控制研究综述［J］. 汽车安全与节能学报， 2016 ， 7 （ 2 ）： 151 - 159 .

GUO Jinghua ， LI Keqiang ， LUO Yugong . Review on the Research of Motion Control for Intelligent Vehicles ［J］. Journal of Automotive Safety and Energy ， 2016 ， 7 （ 2 ）： 151 - 159 .

HU Y H ， YANG J Z ， CHEN L ， et al . Planning-Oriented Autonomous Driving ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Vancouver，Canada ， 2023 .

李升波，刘畅，殷玉明，等 . 汽车端到端自动驾驶系统的关键技术与发展趋势［J］. 人工智能， 2023 （ 5 ）： 1 - 16 .

LI Shengbo ， LIU Chang ， YIN Yuming ， et al . Key Technology and Development Trend of End-to-End Auto-Driving System ［J］. AI-View ， 2023 （ 5 ）： 1 - 16 .

PHILION J ， FIDLER S . Lift， Splat， Shoot： Encoding Images from Arbitrary Camera Rigs by Implicitly Unprojecting to 3D ［C］// Computer Vision⁃ECCV 2020 ， Glasgow， UK ， 2020 .

WANG Y ， GUIZILINI V ， ZHANG T Y ， et al . DETR3D： 3D Object Detection from Multi-view Images via 3D-to-2D Queries ［PP/OL］. arXiv （ 2021-10-13 ）［ 2025-05-03 ］. https：//arxiv.org/abs/2110.06922 https://arxiv.org/abs/2110.06922 .

CARION N ， MASSA F ， SYNNAEVE G ， et al . End-to-End Object Detection with Transformers ［C］// Computer Vision—ECCV 2020 ， Glasgow， UK ， 2020 .

LI Z Q ， WANG W H ， LI H Y ， et al . BEVFormer： Learning Bird's-Eye-View Representation from Multi-camera Images via Spatiotemporal Transformers ［C］// Computer Vision—ECCV 2022 ， Tel Aviv， Israel ， 2022 .

LI Q ， WANG Y ， WANG Y L ， et al . HDMapNet： An Online HD Map Construction and Evaluation Framework ［PP/OL］. v4. arXiv （ 2022-03-18 ）［ 2025-03-16 ］. https：//arxiv.org/abs/2107.06307v4 https://arxiv.org/abs/2107.06307v4 .

LIU Y C ， WANG Y ， WANG Y L ， et al . VectorMapNet： End-to-End Vectorized HD Map Learning ［C］// International Conference on Machine Learning ， Maryland， USA ， 2022 .

YUAN T Y ， LIU Y C ， WANG Y ， et al . StreamMapNet： Streaming Mapping Network for Vectorized Online HD Map Construction ［C］// IEEE/CVF Winter Conference on Applications of Computer Vision ， Waikoloa， USA ， 2024 .

LIAO B ， CHEN S ， WANG X ， et al . MapTR： Structured Modeling and Learning for Online Vectorized HD Map Construction ［PP/OL］. arXiv （ 2022-08-30 ）［ 2024-12-09 ］. https：//arxiv.org/abs/2208.14437 https://arxiv.org/abs/2208.14437 .

LIAO B C ， CHEN S Y ， ZHANG Y C ， et al . MapTRv2： An End-to-End Framework for Online Vectorized HD Map Construction ［J］. International Journal of Computer Vision ， 2025 ， 133 （ 3 ）： 1352 - 1374 .

FAN H ， ZHU F ， LIU C ， et al . Baidu Apollo EM Motion Planner ［PP/OL］. arXiv （ 2018-07-20 ）［ 2025-04-12 ］. https：//arxiv.org/abs/1807.08048 https://arxiv.org/abs/1807.08048 .

LI Y Q ， CHEN Z ， WANG T ， et al . Apollo： Adaptive Polar Lattice-Based Local Obstacle Avoidance and Motion Planning for Automated Vehicles ［J］. Sensors ， 2023 ， 23 （ 4 ）： 1813 .

LI Z Q ， YU Z D ， LAN S Y ， et al . Is Ego Status all You Need for Open-Loop End-to-End Autonomous Driving？［PP/OL］. v2. arXiv （ 2024-06-02 ）［ 2024-11-16 ］. https：//arxiv.org/html/2312.030 https://arxiv.org/html/2312.030 .

苏颖娜 . 多传感器标定融合及其在结构化道路场景感知中的应用［D］. 南京：南京理工大学， 2021 .

SU Yingna . Multi-sensor Calibration and Its Applications in Structural Road Sensing ［D］. Nanjing ： Nanjing University of Science and Technology ， 2021 .

傅博 . 移动车辆的多传感器标定［D］. 杭州：浙江大学， 2022 .

FU Bo . Multi-sensor Calibration for Mobile Vehicles ［D］. Hangzhou ： Zhejiang University ， 2022 .

YAN G H ， LIU Z C ， WANG C J ， et al . OpenCalib： A Multi-sensor Calibration Toolbox for Autonomous Driving ［J］. Software Impacts ， 2022 ， 14 ： 100393 .

REHDER J ， NIKOLIC J ， SCHNEIDER T ， et al . Extending Kalibr： Calibrating the Extrinsics of Multiple IMUs and of Individual Axes ［C］// IEEE International Conference on Robotics and Automation ， Stockholm， Sweden ， 2016 .

刘钊 . 多传感器时空一致及其信息融合技术研究［D］. 长沙：国防科学技术大学， 2008 .

LIU Zhao . Research on Multi-sensor Time-Space Consistency and Information Fusion Technology ［D］. Changsha ： National University of Defense Technology ， 2008 .

WAN G W ， YANG X L ， CAI R L ， et al . Robust and Precise Vehicle Localization Based on Multi-Sensor Fusion in Diverse City Scenes ［C］// IEEE International Conference on Robotics and Automation ， Brisbane， Australia ， 2018 .

VU T D . Vehicle Perception： Localization， Mapping with Detection， Classification and Tracking of Moving Objects ［D］. Grenoble ： Institut National Polytechnique de Grenoble ， 2009 .

XIE J P ， NASHASHIBI F ， PARENT M N ， et al . A Real-Time Robust SLAM for Large-Scale Outdoor Environments ［C］// ITS World Congress ， Busan， The Republic of Korea ， 2010 .

MUR-ARTAL R ， MONTIEL J M M ， TARDÓS J D . ORB-SLAM： A Versatile and Accurate Monocular SLAM System ［J］. IEEE Transactions on Robotics ， 2015 ， 31 （ 5 ）： 1147 - 1163 .

SADLI R ， AFKIR M ， HADID A ， et al . Map-Matching-Based Localization Using Camera and Low-Cost GPS for Lane-Level Accuracy ［J］. Sensors ， 2022 ， 22 （ 7 ）： 2434 .

LI Y C ， CAI Y F ， LI Z X ， et al . Map-Based Localization for Intelligent Vehicles from Bi-Sensor Data Fusion ［J］. Expert Systems with Applications ， 2022 ， 203 ： 117586 .

LI L ， YANG M ， LI H ， et al . Robust Localization for Intelligent Vehicles Based on Compressed Road Scene Map in Urban Environments ［J］. IEEE Transactions on Intelligent Vehicles ， 2023 ， 8 （ 1 ）： 250 - 262 .

SHUNSUKE K ， GU Y L ， HSU L T . GNSS/INS/on-Board Camera Integration for Vehicle Self-Localization in Urban Canyon ［C］// The International Conference on Intelligent Transportation Systems ， Gran Canaria， Spain ， 2015 .

HE Y Z ， LIANG S ， RUI X F ， et al . EgoVM： Achieving Precise Ego-Localization Using Lightweight Vectorized Maps ［PP/OL］. arXiv （ 2023-07-18 ）［ 2025-03-10 ］. https：//arxiv.org/abs/2307.08991 https://arxiv.org/abs/2307.08991 .

应申，蒋跃文，顾江岩，等 . 面向自动驾驶的高精地图模型及关键技术［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 4 ）： 506 - 515 .

YING Shen ， JIANG Yuewen ， GU Jiangyan ， et al . High Definition Map Model for Autonomous Driving and Key Technologies ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 4 ）： 506 - 515 .

ASAM . OpenDRIVE ［EB/OL］. ［ 2024-05-21 ］. https：//www.asam.net/index.php？eID=dumpFile&t=f&f=4422&token=e590561f3c39aa2260e5442e29e93f6693d1cccd https://www.asam.net/index.php?eID=dumpFile&t=f&f=4422&token=e590561f3c39aa2260e5442e29e93f6693d1cccd .

POGGENHANS F ， PAULS J H ， JANOSOVITS J ， et al . Lanelet2： A High-Definition Map Framework for the Future of Automated Driving ［C］// The International Conference on Intelligent Transportation Systems ， Maui， USA ， 2018 .

BENDER P ， ZIEGLER J ， STILLER C . Lanelets： Efficient Map Representation for Autonomous Driving ［C］// IEEE Intelligent Vehicles Symposium Proceedings ， Dearborn， USA ， 2014 .

尹彤，黄鹤，郭迟，等 . 面向自动驾驶的高精地图生产技术及数据模型标准化探讨［J］. 中国标准化， 2021 （ 4 ）： 33 - 37 .

YIN Tong ， HUNAG He ， GUO Chi ， et al . Discussion on High-Definition Map Production Technology and Data Model Standardization for Autonomous Driving ［J］. China Standardization ， 2021 （ 4 ）： 33 - 37 .

CAESAR H ， BANKITI V ， LANG A H ， et al . NuScenes： A Multimodal Dataset for Autonomous Driving ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Seattle， USA ， 2020 .

王云鹏，吴琼，宋德王，等 . 自动驾驶数据集及3D目标感知方法综述［J］. 人工智能， 2023 （ 5 ）： 31 - 47 .

WANG Yunpeng ， WU Qiong ， SONG Dewang ， et al . Overview of Autopilot Data Set and 3D Object Perception Methods ［J］. Artificial Intelligence View ， 2023 （ 5 ）： 31 - 47 .

YIN T W ， ZHOU X Y ， KRAHENBUHL P . Center-Based 3D Object Detection and Tracking ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Nashville，USA ， 2021 .

SHI S S ， WANG Z ， SHI J P ， et al . From Points to Parts： 3D Object Detection from Point Cloud with Part-Aware and Part-Aggregation Network ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2021 ， 43 （ 8 ）： 2647 - 2664 .

周俊宇，李克强，任晗啸，等 . 基于场景划分的智能网联汽车协同换道避障方法［J］. 汽车工程， 2024 ， 46 （ 5 ）： 745 - 753 .

ZHOU Junyu ， LI Keqiang ， REN Hanxiao ， et al . A Cooperative Obstacle Avoidance Lane Change Strategy for Intelligent and Connected Vehicles Based on Scene Division ［J］. Automotive Engineering ， 2024 ， 46 （ 5 ）： 745 - 753 .

张攀，刘经南 . 通用化高精地图数据模型［J］. 测绘学报， 2021 ， 50 （ 11 ）： 1432 - 1446 .

ZHANG Pan ， LIU Jingnan . A Generalized Data Model of High Definition Maps ［J］. Acta Geodaetica et Cartographica Sinica ， 2021 ， 50 （ 11 ）： 1432 - 1446 .

訾璐 . 基于高精地图数据的交通要素时空对象建模与可视化表达研究［D］. 郑州：信息工程大学， 2021 .

ZI Lu . Research on Modeling and Visualization of Temporal and Spatial Objects of Traffic Elements Based on High-Precision Map Data ［D］. Zhengzhou ： Information Engineering University ， 2021 .

王黎 . 面向自动驾驶的动态目标态势感知技术研究［D］. 长沙：国防科技大学， 2021 .

WANG Li . Research on Dynamic Object Situation Awareness for Autonomous Driving ［D］. Changsha ： National University of Defense Technology ， 2021 .

汪敏，涂辉招，薛东飞，等 . 基于安全风险预测的自动驾驶自适应巡航控制优化［J］. 同济大学学报（自然科学版）， 2024 ， 52 （ 4 ）： 512 - 519 .

WANG Min ， TU Huizhao ， XUE Dongfei ， et al . Adaptive Cruise Control Optimization of Automatic Driving Based on Safety Risk Prediction ［J］. Journal of Tongji University （Natural Science）， 2024 ， 52 （ 4 ）： 512 - 519 .

刘巧斌，杨路，高博麟，等 . 基于认知风险动态平衡的智能汽车跟车模型［J］. 汽车工程， 2022 ， 44 （ 11 ）： 1627 - 1635 .

LIU Qiaobin ， YANG Lu ， GAO Bolin ， et al . Car Following Model for Intelligent Vehicles Based on Dynamic Balance of Perception Risk ［J］. Automotive Engineering ， 2022 ， 44 （ 11 ）： 1627 - 1635 .

郭柏苍 . 面向人机共驾控制权决策的人-车风险等级预测方法研究［D］. 吉林：吉林大学， 2022 .

GUO Bocang . Research on Risky Driving Behavior and Vehicle State Prediction Method for Decision Making of Shared Control Authority ［D］. Jilin ： Jilin University ， 2022 .

朱盈盈 . 交通标志检测与识别研究［D］. 武汉：华中科技大学， 2018 .

ZHU Yingying . Research on Traffic Sign Detection and Recognition ［D］. Wuhan ： Huazhong University of Science and Technology ， 2018 .

KHALID S ， SHAH J H ， SHARIF M ， et al . A Robust Intelligent System for Text-Based Traffic Signs Detection and Recognition in Challenging Weather Conditions ［J］. IEEE Access ， 2024 ， 12 ： 78261 - 78274 .

齐如煜，尹章才，顾江岩，等 . 高精地图的知识图谱表达［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 4 ）： 651 - 661 .

QI Ruyu ， YIN Zhangcai ， GU Jiangyan ， et al . Knowledge Graph Expression of High Definition Map ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 4 ）： 651 - 661 .

应申，石群智，顾江岩，等 . 面向自动驾驶的交通事件驱动车道级导航决策方法及设备： CN115451985B ［P］. 2024-04-05 .

YING Shen ， SHI Qunzhi ， GU Jiangyan ， et al . Traffic Event-Driven Lane-Level Navigation Decision Method and Device for Autonomous Driving ： CN115451985B ［P］. 2024-04-05 .

费德意 . 基于高精度地图的车辆路径规划研究［D］. 广州：广东工业大学， 2022 .

FEI Deyi . Research on Vehicle Path Planning Based on High-Definition Map ［D］. Guangzhou ： Guangdong University of Technology ， 2022 .

ZHAO H ， GAO J Y ， LAN T ， et al . TNT： Target-Driven Trajectory Prediction ［PP/OL］. v2. arXiv （ 2020-08-21 ）［ 2024-12-18 ］. https：//arxiv.org/abs/2008.08294v2 https://arxiv.org/abs/2008.08294v2 .

LUO R K ， SONG Y F ， ZHAO H ， et al . Dense-TNT： Efficient Vehicle Type Classification Neural Network Using Satellite Imagery ［PP/OL］. arXiv （ 2022-09-27 ）［ 2025-02-17 ］. https：//arxiv.org/abs/2209.13500 https://arxiv.org/abs/2209.13500 .

GAO J Y ， SUN C ， ZHAO H ， et al . VectorNet： Encoding HD Maps and Agent Dynamics from Vectorized Representation ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition ， Seattle ， USA ， 2020 .

郭景华，李文昌，罗禹贡，等 . 基于深度强化学习的驾驶员跟车模型研究［J］. 汽车工程， 2021 ， 43 （ 4 ）： 571 - 579 .

GUO Jinghua ， LI Wenchang ， LUO Yugong ， et al . Driver Car-Following Model Based on Deep Reinforcement Learning ［J］. Automotive Engineering ， 2021 ， 43 （ 4 ）： 571 - 579 .

高琳琳，唐风敏，郭蓬，等 . 自动驾驶横向运动控制的改进LQR方法研究［J］. 机械科学与技术， 2021 ， 40 （ 3 ）： 435 - 441 .

GAO Linlin ， TANG Fengmin ， GUO Peng ， et al . Research on Improved LQR Control for Self-Driving Vehicle Lateral Motion ［J］. Mechanical Science and Technology for Aerospace Engineering ， 2021 ， 40 （ 3 ）： 435 - 441 .

YANG J ， ZHENG N N . An Expert Fuzzy Strategy for Vehicle Lateral Control Under Urban Environments ［J］. International Journal of Vehicle Autonomous Systems ， 2010 ， 8 （ 2/3/4 ）： 263 .

SHIRAZI M M ， RAD A B . Adaptive Control of Vehicle Lateral Dynamics ［J］. IEEE Transactions on Intelligent Vehicles ， 2018 ， 3 （ 1 ）： 92 - 101 .

VALLON C ， ERCAN Z ， CARVALHO A ， et al . A Machine Learning Approach for Personalized Autonomous Lane Change Initiation and Control ［C］// IEEE Intelligent Vehicles Symposium ， Los Angeles， USA ， 2017 .

OH S Y ， LEE J H ， CHOI D H . A New Reinforcement Learning Vehicle Control Architecture for Vision-Based Road Following ［J］. IEEE Transactions on Vehicular Technology ， 2000 ， 49 （ 3 ）： 997 - 1005 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Spatiotemporal Intelligence： Theory and Applications

High-Resolution L-Band InSAR Study of Intense Near-Field Deformation Associated with Shallow Moderate Earthquakes

Tectonic Geodesy： Research Advancements， Opportunities， and Challenges

Spatiotemporal Evolution and Explainable Analysis of Grassland Vulnerability in the Hohhot-Baotou-Ordos-Yulin Urban Agglomeration

A Review of GNSS Intentional Interference Detection Technologies for Mass-Market Intelligent Terminals： Research Status and Prospects

Related Author

No data

Related Institution

No data

AI问答

⁰