一种无人物流车辆行为决策方法及系统与流程

1.本发明属于智能驾驶行为决策技术领域，具体涉及一种无人物流车辆行为决策方法及系统。


背景技术：

2.无人物流车的系统架构如图1所示，核心的模块通常分为三个部分：环境感知模块、决策规划模块和运动控制模块。在决策规划模块中又包括行为决策子模块和路径规划子模块，行为决策子模块作为无人物流车辆的大脑，其上层输入的信息包括：局部环境信息、自车定位信息、地理地图信息及先验全局路径等，路径规划子模块基于这些信息规划出当前车辆最佳的驾驶行为。
3.目前行为决策子模块的设计主要分为基于规则和学习算法两大类。其中，基于规则的方法以有限状态机为代表，它由有限个状态组成，当前状态接收事件，并产生相应的动作，引起状态的转移。这种方法设计简单、稳定易用，但对于复杂的行为逻辑和驾驶场景，容易出现维护成本高、可扩展性差等问题。基于学习算法的方法又可依据原理不同而分为深度学习和机器学习两类，深度学习方法可采用端到端卷积神经网络进行决策处理，机器学习方法可使用决策树等算法选取若干样本数据进行条件属性影响分析并输出行为决策。基于学习算法的方法可灵活建模，在场景深度遍历上具有优势，但需要大量样本数据用于训练，效果依赖于数据质量。
4.工厂具有生产区域广、物流线路多、配送场景复杂的特点，基于学习算法的行为决策方案不具备场景遍历广度优势，不同场景所需采用的学习模型可能完全不同，对于厂区环境无人物流车辆而言，基于学习算法的行为决策方案决策代价过大。而传统的有限状态机方案状态转移图如图2所示，包括多个状态(sn到s
n+4
)和多个事件(in到i
n+7
)，其无层次，难分解、低通用、难扩展。所以无人物流车辆行为决策的难点在于如何在复杂场景中获得低代价、可分解、易扩展的行为决策方法。


技术实现要素：

5.本发明的目的在于解决上述现有技术中存在的难题，提供一种无人物流车辆行为决策方法，基于多层状态机(hierarchical finite state machine,hfsm)模型，根据厂区无人物流车辆实际使用场景，采用分层递进式设计方案，通过统一、简化状态转移关系，实现无人物流车辆的行为决策。
6.本发明是通过以下技术方案实现的：
7.本发明的第一个方面，提供了一种无人物流车辆行为决策方法，所述方法通过分层递进式的多层状态机模型实现无人物流车辆的行为决策。
8.本发明的进一步改进在于：
9.所述分层递进式的多层状态机模型包括：
10.第一层状态机模型，包括以下状态：车辆初始化、人工接管模式、自动驾驶模式、不
安全模式；
11.第二层状态机模型，在第一层状态机模型中的自动驾驶模式中设置有第二层状态机模型，第二层状态机模型包括以下状态：车辆巡航、车辆减速、车辆驻车、关键路口行驶、车辆进站；
12.第三层状态机模型，在第二层状态机模型中的车辆巡航、车辆减速、车辆驻车、关键路口行驶中分别设置有第三层状态机模型。
13.优选的，车辆巡航中的第三层状态机模型包括以下状态：厂外巡航、厂内巡航；
14.车辆减速中的第三层状态机模型包括以下状态：车辆缓行、跟车、急停；
15.车辆驻车中的第三层状态机模型包括以下状态：避障停车、指令停车、进站驻车；
16.关键路口行驶中的第三层状态机模型包括以下状态：接近路口、通过路口、路口礼让。
17.本发明的进一步改进在于：
18.第一层状态机模型中的各个状态之间的转移是这样实现的：
19.如果车辆整车状态良好且上层输入信息完整，则由车辆初始化跳转至人工接管模式；
20.如果接收到远程服务器发送的启动信号，则由人工接管模式跳转至自动驾驶模式；
21.如果接收到人工接管信号，则由自动驾驶模式跳转至人工接管模式；
22.如果上层输入信息丢失或当前的自车定位信息表明车辆位置偏离先验全局路径或车辆路径规划失败，则由自动驾驶模式跳转至不安全模式；
23.如果接收到人工接管信号，则由不安全模式跳转至人工接管模式。
24.本发明的进一步改进在于：
25.第二层状态机模型中的各个状态之间的转移是这样实现的：
26.自动驾驶模式的初始状态为车辆巡航；
27.如果自车定位信息与地理地图标记的路口区域的距离小于设定的距离，则由车辆巡航跳转至关键路口行驶；
28.如果车辆周边静态障碍物与车辆的距离小于设定的安全距离或车辆周边动态障碍物的预测轨迹可能与车辆产生碰撞，则由车辆巡航跳转至车辆减速；
29.如果接收到远程服务器发送的暂停信号，则由车辆巡航跳转至车辆驻车；
30.如果车辆周边静态障碍物与车辆会产生碰撞或车辆周边动态障碍物的预测轨迹会与车辆产生碰撞，则由车辆减速跳转至车辆驻车；
31.如果自车定位信息表明车辆与站点的距离小于设定的距离，则由车辆巡航跳转至车辆进站；
32.如果自车定位信息表明车辆到达站点，则由车辆进站跳转至车辆驻车；
33.如果车辆周边静态障碍物与车辆的距离大于设定的安全距离且车辆周边动态障碍物的预测轨迹不会与车辆产生碰撞，则由车辆驻车跳转至车辆巡航。
34.本发明的进一步改进在于：
35.车辆巡航中的第三层状态机模型中的各个状态之间的转移是这样实现的：
36.车辆巡航的初始状态为厂外巡航；
37.如果自车定位信息表明车辆处于地理地图标记的厂区区域，则由厂外巡航跳转至厂内巡航。
38.本发明的进一步改进在于：
39.车辆减速中的第三层状态机模型中的各个状态之间的转移是这样实现的：
40.车辆减速的初始状态为车辆缓行；
41.如果车辆前方障碍物为动态障碍物且与车辆的距离小于设定的跟车距离，则由车辆缓行跳转至跟车；
42.如果车辆周边静态障碍物与车辆会产生碰撞或车辆周边动态障碍物的预测轨迹会与车辆产生碰撞，则由车辆缓行跳转至急停；
43.如果车辆前方动态障碍物会与车辆产生碰撞，则由跟车跳转至急停。
44.本发明的进一步改进在于：
45.关键路口行驶中的第三层状态机模型中的各个状态之间的转移是这样实现的：
46.关键路口行驶的初始状态为接近路口；
47.如果地理地图标记的路口区域中有动态障碍物且其预测轨迹会与车辆产生碰撞，则由接近路口跳转至路口礼让；
48.如果车辆自车定位信息表明车辆处于地理地图标记的路口区域中，则由接近路口跳转至通过路口。
49.本发明的进一步改进在于：
50.车辆驻车中的第三层状态机模型中的各个状态之间的转移是这样实现的：
51.车辆驻车的初始状态是避障停车；
52.如果自车定位信息表明车辆到达站点，则由避障停车跳转至进站驻车；
53.如果接收到远程服务器发送的暂停信号，则由避障停车跳转至指令暂停；
54.如果接收到远程服务器发送的启动信号，则由进站驻车跳转至避障停车；
55.如果接收到远程服务器发送的启动信号，则由指令暂停跳转至避障停车。
56.本发明的第二个方面，提供了一种无人物流车辆行为决策系统，所述系统包括：
57.第一层状态机模型，第一层状态机模型包括以下状态：车辆初始化、人工接管模式、自动驾驶模式、不安全模式；
58.第二层状态机模型，在第一层状态机模型中的自动驾驶模式中设置有第二层状态机模型，第二层状态机模型包括以下状态：车辆巡航、车辆减速、车辆驻车、关键路口行驶，车辆进站；
59.第三层状态机模型，在第二层状态机模型中的车辆巡航、车辆减速、车辆驻车、关键路口行驶中分别设置有第三层状态机模型；
60.车辆巡航中的第三层状态机模型包括以下状态：厂外巡航、厂内巡航；
61.车辆减速中的第三层状态机模型包括以下状态：车辆缓行、跟车、急停；
62.关键路口行驶中的第三层状态机模型包括以下状态：接近路口、通过路口、路口礼让；
63.车辆驻车中的第三层状态机模型包括以下状态：避障停车、指令停车、进站驻车。
64.与现有技术相比，本发明的有益效果是：本发明方法能够满足无人物流车辆长时间、远距离、多场景的运行需求，实现了车辆正确行为的决策，且简化了决策系统，提高了决
策效率。而且，本发明方法适配于运行于多个厂区的多种类型的无人物流车辆。
附图说明
65.图1现有无人机物流车系统架构。
66.图2现有的有限状态机状态转换图。
67.图3第一层状态机模型中的各个状态之间的转移图。
68.图4第二层状态机模型中的各个状态之间的转移图。
69.图5第三层状态机模型中的各个状态之间的转移图。
具体实施方式
70.下面结合附图对本发明作进一步详细描述：
71.为了解决上述问题，以及该问题所诱发的其他潜在的技术问题，本发明提供了一种新的无人物流车辆行为决策方法，该方法通过分层递进式的多层状态机模型来实现车辆行为决策，以解决现有的传统有限状态机分解难度高、可扩展性差的问题。本发明对图1中的行为决策子模块的算法进行了改进。
72.为了实现上述目的，本发明根据驾驶环境及驾驶员的驾驶行为特征分为三个层次完成无人物流车辆行为决策，本发明方法设计了三层状态机模型，具体如下：
73.第一层状态机模型，第一层状态机模型包括以下状态：车辆初始化、人工接管模式、自动驾驶模式、不安全模式。
74.安全性是自动驾驶车辆行为决策方案设计过程中最首要考虑的问题，在某些不安全情况下需要人工介入监管，因此需要区分自动驾驶模式与人工接管模式，且车辆初始化完成后需先进入人工接管模式进行确认后才可启动车辆进入自动驾驶模式。而在自动驾驶过程中一旦触发条件进入不安全模式则必须由人工接管对车辆状态进行检查，以此规避不安全模式自动跳转回自动驾驶模式所存在的风险。
75.第一层状态机模型中的状态转移图如图3所示，图3中各个状态之间的转移是这样实现的：
76.如果车辆整车状态良好且上层输入信息完整，则由车辆初始化跳转至人工接管模式；
77.如果接收到远程服务器发送的启动信号，则由人工接管模式跳转至自动驾驶模式；
78.如果接收到人工接管信号(人工接管信号包括:车辆底盘发送的踏板信号及远程服务器发送的遥控信号)，则由自动驾驶模式跳转至人工接管模式；
79.如果上层输入信息丢失或当前的自车定位信息表明车辆位置偏离先验全局路径或车辆路径规划失败，则由自动驾驶模式跳转至不安全模式；具体的，如果行为决策子模块收不到上层输入信息则认为信息丢失，如果行为决策子模块接收到的定位信息与先验全局路径点的距离超过设定的阈值，则认为偏离先验全局路径，如果行为决策子模块接收到路径规划模块返回规划失败的信号，则认为规划失败。
80.如果接收到人工接管信号，则由不安全模式跳转至人工接管模式。
81.第二层状态机模型，在第一层状态机模型中的自动驾驶模式中设置有第二层状态
机模型。第二层状态机模型包括以下状态：车辆巡航、车辆减速、车辆驻车、关键路口行驶，车辆进站。
82.第一层状态机模型建立后，就无人驾驶车辆而言，在自动驾驶模式下针对不同场景及车辆巡航、车辆减速、车辆驻车等基础共性的驾驶行为来进行第二层状态机模型的设计。
83.第二层状态机模型中的状态转移图如图4所示，图4中各个状态之间的转移是这样实现的：
84.自动驾驶模式的初始状态为车辆巡航。
85.如果自车定位信息与地理地图标记的路口区域的距离小于设定的距离，则由车辆巡航跳转至关键路口行驶；
86.如果车辆周边静态障碍物与车辆的距离小于设定的安全距离或车辆周边动态障碍物的预测轨迹可能与车辆产生碰撞，则由车辆巡航跳转至车辆减速；
87.如果接收到远程服务器发送的暂停信号，则由车辆巡航跳转至车辆驻车；
88.如果车辆周边静态障碍物与车辆会产生碰撞或车辆周边动态障碍物的预测轨迹会与车辆产生碰撞，则由车辆减速跳转至车辆驻车；
89.如果自车定位信息表明车辆与站点的距离小于设定的距离，则由车辆巡航跳转至车辆进站；
90.如果自车定位信息表明车辆到达站点，则由车辆进站跳转至车辆驻车；
91.如果车辆周边静态障碍物与车辆的距离大于设定的安全距离且车辆周边动态障碍物的预测轨迹不会与车辆产生碰撞，则由车辆驻车跳转至车辆巡航。
92.第三层状态机模型，在第二层状态机模型中的车辆巡航、车辆减速、车辆驻车、关键路口行驶中分别设置有第三层状态机模型。其中，车辆巡航中的第三层状态机模型包括以下状态：厂外巡航、厂内巡航；车辆减速中的第三层状态机模型包括以下状态：车辆缓行、跟车、急停；关键路口行驶中的第三层状态机模型包括以下状态：接近路口、通过路口、路口礼让；车辆驻车中的第三层状态机模型包括以下状态：避障停车、指令停车、进站驻车。
93.由于环境复杂，在特定的驾驶场景中，还需基于基本交通规则和驾驶经验组成的驾驶先验知识对驾驶行为进行判断设计，因此本发明在第二层状态机模型中的车辆巡航、车辆减速、车辆驻车、关键路口行驶中分别设计了更详细的第三层状态机模型，更便于明确驾驶需求，各自的状态转移图如图5所示。
94.图5中车辆巡航状态下的第三层状态机模型中的状态之间的转移是这样实现的：
95.车辆巡航的初始状态为厂外巡航。
96.如果自车定位信息表明车辆处于地理地图标记的厂区区域，则由厂外巡航跳转至厂内巡航。
97.图5中车辆减速状态下的第三层状态机模型中的状态之间的转移是这样实现的：
98.车辆减速的初始状态为车辆缓行。
99.如果车辆前方障碍物为动态障碍物且与车辆的距离小于设定的跟车距离，则由车辆缓行跳转至跟车；
100.如果车辆周边静态障碍物与车辆会产生碰撞或车辆周边动态障碍物的预测轨迹会与车辆产生碰撞，则由车辆缓行跳转至急停；
101.如果车辆前方动态障碍物会与车辆产生碰撞，则由跟车跳转至急停；
102.图5中关键路口行驶状态下的第三层状态机模型中的状态之间的转移是这样实现的：
103.关键路口行驶的初始状态为接近路口。
104.如果地理地图标记的路口区域中有动态障碍物且其预测轨迹会与车辆产生碰撞，则由接近路口状态跳转至路口礼让；
105.如果车辆自车定位信息表明车辆处于地理地图标记的路口区域中，则由接近路口状态跳转至通过路口状态。
106.图5中车辆驻车状态下的第三层状态机模型中的状态之间的转移是这样实现的：
107.车辆驻车的初始状态是避障停车状态。
108.如果自车定位信息表明车辆到达站点，则由避障停车状态跳转至进站驻车状态；
109.如果接收到远程服务器发出的暂停信号，则由避障停车状态跳转至指令暂停状态；
110.如果接收到远程服务器发送的启动信号，则由进站驻车状态跳转至避障停车状态；
111.如果接收到远程服务器发送的启动信号，则由指令暂停状态跳转至避障停车状态。
112.上述三层状态机模型中，均是由行为决策子模块接收各种信号，并做出各种判断，其依据接收到的上层输入信息(环境感知模块输出的信息)做出判断，并将判断结果作为状态跳转的条件，且只有在某个状态下且满足了相应的条件才会发生从该状态向下一个状态的转移。判断的方法采用现有算法实现即可，在此不再赘述。
113.本发明还提供了一种无人物流车辆行为决策系统，所述系统包括：
114.第一层状态机模型：第一层状态机模型包括以下状态：车辆初始化、人工接管模式、自动驾驶模式、不安全模式；
115.第二层状态机模型：在第一层状态机模型中的自动驾驶模式中设置了第二层状态机模型，第二层状态机模型包括以下状态：车辆巡航、车辆减速、车辆驻车、关键路口行驶，车辆进站；
116.第三层状态机模型：在第二层状态机模型中的车辆巡航、车辆减速、车辆驻车、关键路口行驶中分别设置了第三层状态机模型；
117.车辆巡航中的第三层状态机模型包括以下状态：厂外巡航、厂内巡航；
118.车辆减速中的第三层状态机模型包括以下状态：车辆缓行、跟车、急停；
119.关键路口行驶中的第三层状态机模型包括以下状态：接近路口、通过路口、路口礼让；
120.车辆驻车中的第三层状态机模型包括以下状态：避障停车、指令停车、进站驻车。
121.本发明通过设计分层递进式的三层状态机模型完成了厂区复杂环境的场景分解，解决了无人物流车辆运行的行为决策问题，依据实际运行场景和驾驶行为共性详尽区分车辆状态，该方法架构清晰，层次分明，可根据具体环境对层次及状态进行扩展，适配于多种无人物流车辆，具备多层次、可分解、高通用、易扩展的特点。
122.使用本发明的无人物流车辆，可实现多个驾驶子状态相互切换，且分层的方式避
免了判断所有状态的转移条件，可在设定的时间周期内切换至目标子状态无超时，并满足长时间持续正确决策，完成车道保持、路口处理、紧急避障等多种功能，实现了厂房内外及各种天气状况下的无人物流配送，在提高运输效率的同时保证了无人物流车辆运行的安全性。
123.本发明依据场景将复杂环境进行分解，详尽区分车辆状态，以低代价获得复杂场景的高决策正确率，提高了无人物流车辆运行的安全性。
124.本发明将同一类型的一组状态归为一个集合，此时由于类与类之间存在转移逻辑，就不需要为每一个状态和其他所有状态建立转移逻辑，简化了决策系统，提高了决策效率。
125.上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施例所描述的技术方案，因此前面描述的只是优选的，而并不具有限制性的意义。

技术特征：
1.一种无人物流车辆行为决策方法，其特征在于：所述方法通过分层递进式的多层状态机模型实现无人物流车辆的行为决策。2.根据权利要求1所述的无人物流车辆行为决策方法，其特征在于：所述分层递进式的多层状态机模型包括：第一层状态机模型，包括以下状态：车辆初始化、人工接管模式、自动驾驶模式、不安全模式；第二层状态机模型，在第一层状态机模型中的自动驾驶模式中设置有第二层状态机模型，第二层状态机模型包括以下状态：车辆巡航、车辆减速、车辆驻车、关键路口行驶、车辆进站；第三层状态机模型，在第二层状态机模型中的车辆巡航、车辆减速、车辆驻车、关键路口行驶中分别设置有第三层状态机模型。3.根据权利要求2所述的无人物流车辆行为决策方法，其特征在于：车辆巡航中的第三层状态机模型包括以下状态：厂外巡航、厂内巡航；车辆减速中的第三层状态机模型包括以下状态：车辆缓行、跟车、急停；车辆驻车中的第三层状态机模型包括以下状态：避障停车、指令停车、进站驻车；关键路口行驶中的第三层状态机模型包括以下状态：接近路口、通过路口、路口礼让。4.根据权利要求2所述的无人物流车辆行为决策方法，其特征在于：第一层状态机模型中的各个状态之间的转移是这样实现的：如果车辆整车状态良好且上层输入信息完整，则由车辆初始化跳转至人工接管模式；如果接收到远程服务器发送的启动信号，则由人工接管模式跳转至自动驾驶模式；如果接收到人工接管信号，则由自动驾驶模式跳转至人工接管模式；如果上层输入信息丢失或当前的自车定位信息表明车辆位置偏离先验全局路径或车辆路径规划失败，则由自动驾驶模式跳转至不安全模式；如果接收到人工接管信号，则由不安全模式跳转至人工接管模式。5.根据权利要求2所述的无人物流车辆行为决策方法，其特征在于：第二层状态机模型中的各个状态之间的转移是这样实现的：自动驾驶模式的初始状态为车辆巡航；如果自车定位信息与地理地图标记的路口区域的距离小于设定的距离，则由车辆巡航跳转至关键路口行驶；如果车辆周边静态障碍物与车辆的距离小于设定的安全距离或车辆周边动态障碍物的预测轨迹可能与车辆产生碰撞，则由车辆巡航跳转至车辆减速；如果接收到远程服务器发送的暂停信号，则由车辆巡航跳转至车辆驻车；如果车辆周边静态障碍物与车辆会产生碰撞或车辆周边动态障碍物的预测轨迹会与车辆产生碰撞，则由车辆减速跳转至车辆驻车；如果自车定位信息表明车辆与站点的距离小于设定的距离，则由车辆巡航跳转至车辆进站；如果自车定位信息表明车辆到达站点，则由车辆进站跳转至车辆驻车；如果车辆周边静态障碍物与车辆的距离大于设定的安全距离且车辆周边动态障碍物的预测轨迹不会与车辆产生碰撞，则由车辆驻车跳转至车辆巡航。
6.根据权利要求3所述的无人物流车辆行为决策方法，其特征在于：车辆巡航中的第三层状态机模型中的各个状态之间的转移是这样实现的：车辆巡航的初始状态为厂外巡航；如果自车定位信息表明车辆处于地理地图标记的厂区区域，则由厂外巡航跳转至厂内巡航。7.根据权利要求3所述的无人物流车辆行为决策方法，其特征在于：车辆减速中的第三层状态机模型中的各个状态之间的转移是这样实现的：车辆减速的初始状态为车辆缓行；如果车辆前方障碍物为动态障碍物且与车辆的距离小于设定的跟车距离，则由车辆缓行跳转至跟车；如果车辆周边静态障碍物与车辆会产生碰撞或车辆周边动态障碍物的预测轨迹会与车辆产生碰撞，则由车辆缓行跳转至急停；如果车辆前方动态障碍物会与车辆产生碰撞，则由跟车跳转至急停。8.根据权利要求3所述的无人物流车辆行为决策方法，其特征在于：关键路口行驶中的第三层状态机模型中的各个状态之间的转移是这样实现的：关键路口行驶的初始状态为接近路口；如果地理地图标记的路口区域中有动态障碍物且其预测轨迹会与车辆产生碰撞，则由接近路口跳转至路口礼让；如果车辆自车定位信息表明车辆处于地理地图标记的路口区域中，则由接近路口跳转至通过路口。9.根据权利要求3所述的无人物流车辆行为决策方法，其特征在于：车辆驻车中的第三层状态机模型中的各个状态之间的转移是这样实现的：车辆驻车的初始状态是避障停车；如果自车定位信息表明车辆到达站点，则由避障停车跳转至进站驻车；如果接收到远程服务器发送的暂停信号，则由避障停车跳转至指令暂停；如果接收到远程服务器发送的启动信号，则由进站驻车跳转至避障停车；如果接收到远程服务器发送的启动信号，则由指令暂停跳转至避障停车。10.一种无人物流车辆行为决策系统，其特征在于：所述系统包括：第一层状态机模型，第一层状态机模型包括以下状态：车辆初始化、人工接管模式、自动驾驶模式、不安全模式；第二层状态机模型，在第一层状态机模型中的自动驾驶模式中设置有第二层状态机模型，第二层状态机模型包括以下状态：车辆巡航、车辆减速、车辆驻车、关键路口行驶，车辆进站；第三层状态机模型，在第二层状态机模型中的车辆巡航、车辆减速、车辆驻车、关键路口行驶中分别设置有第三层状态机模型；车辆巡航中的第三层状态机模型包括以下状态：厂外巡航、厂内巡航；车辆减速中的第三层状态机模型包括以下状态：车辆缓行、跟车、急停；关键路口行驶中的第三层状态机模型包括以下状态：接近路口、通过路口、路口礼让；车辆驻车中的第三层状态机模型包括以下状态：避障停车、指令停车、进站驻车。

技术总结
本发明提供了一种无人物流车辆行为决策方法及系统，属于智能驾驶行为决策技术领域。该方法通过分层递进式的多层状态机模型实现无人物流车辆的行为决策。所述分层递进式的多层状态机模型包括：第一层状态机模型，包括以下状态：车辆初始化、人工接管模式、自动驾驶模式、不安全模式；第二层状态机模型，在第一层状态机模型中的自动驾驶模式中设置有第二层状态机模型，第二层状态机模型包括以下状态：车辆巡航、车辆减速、车辆驻车、关键路口行驶、车辆进站；第三层状态机模型，在第二层状态机模型中的车辆巡航、车辆减速、车辆驻车、关键路口行驶中分别设置有第三层状态机模型。本发明实现了车辆正确行为的决策，提高了决策效率。提高了决策效率。提高了决策效率。


技术研发人员：何静如 甘鑫 覃高峰 何逸波 林智桂
受保护的技术使用者：上汽通用五菱汽车股份有限公司
技术研发日：2023.03.15
技术公布日：2023/7/6