CN108180915A - 车辆位置分类方法、装置、车辆及存储介质 - Google Patents

车辆位置分类方法、装置、车辆及存储介质 Download PDF

Info

Publication number
CN108180915A
CN108180915A CN201711342140.7A CN201711342140A CN108180915A CN 108180915 A CN108180915 A CN 108180915A CN 201711342140 A CN201711342140 A CN 201711342140A CN 108180915 A CN108180915 A CN 108180915A
Authority
CN
China
Prior art keywords
vehicle
parameter
target
target vehicle
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711342140.7A
Other languages
English (en)
Inventor
张存玺
陈效华
陈新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BAIC Motor Co Ltd
Beijing Automotive Group Co Ltd
Beijing Automotive Research Institute Co Ltd
Original Assignee
BAIC Motor Co Ltd
Beijing Automotive Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BAIC Motor Co Ltd, Beijing Automotive Research Institute Co Ltd filed Critical BAIC Motor Co Ltd
Priority to CN201711342140.7A priority Critical patent/CN108180915A/zh
Publication of CN108180915A publication Critical patent/CN108180915A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及一种车辆位置分类方法、装置、车辆及存储介质，所述方法包括：获取位于本车周围的目标车辆的车辆参数；根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类。通过上述方案，采用神经网络模型进行车辆位置分类，加快了车辆位置分类的运算速度，提高了车辆位置分类的可靠性。

Description

车辆位置分类方法、装置、车辆及存储介质
技术领域
本公开涉及汽车技术领域，具体地，涉及一种车辆位置分类方法、装置、车辆及存储介质。
背景技术
V2X(vehicle to everything，车与外界信息交换技术)，是使用无线通信、传感探测等技术收集车辆、道路、环境等信息，通过车与车、车与路信息交互和共享，使车和基础设施之间智能协同与配合，从而实现智能交通管理控制、车辆智能化控制和智能动态信息服务的一体化网络。
相关技术中，在搭载了V2X的车辆中，通过TC(target classification，目标识别)模块来甄别360度范围内的车辆位置，但是TC模块的算法逻辑比较死板且公式复杂，使得在对车辆位置进行分类时，占用资源过多、响应时间长。
发明内容
为克服相关技术中存在的问题，本公开的目的是提供一种车辆位置分类方法、装置、车辆及存储介质。
根据本公开实施例的第一方面，提供一种车辆位置分类方法，所述方法包括：
获取位于本车周围的目标车辆的车辆参数；
根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类。
可选地，所述根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类，包括：
将所述目标车辆的车辆参数以及所述本车的车辆参数作为所述预设神经网络模型的输入数据，输入所述预设神经网络模型的输入层；
通过所述预设神经网络模型的两个隐藏层对所述输入数据进行处理，将所述位置分类由所述预设神经网络模型的输出层输出。
可选地，所述目标车辆的车辆参数包括：所述目标车辆的经度、所述目标车辆的纬度、所述目标车辆的车速、所述目标车辆的航向角；所述本车的车辆参数包括：所述本车的经度、所述本车的纬度、所述本车的车速、所述本车的航向角。
可选地，在所述根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类之后，所述方法还包括：
根据所述位置分类，确定与所述位置分类对应的预警场景；
根据预警场景以及所述目标车辆的车辆参数，确定是否生成车辆预警信息，所述预警信息用于提示所述本车的驾驶员执行与所述预警信息对应的操作。
根据本公开实施例的第二方面，提供一种车辆位置分类装置，所述装置包括：
获取模块，用于获取位于本车周围的目标车辆的车辆参数；
处理模块，用于根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类。
可选地，所述处理模块包括：
输入子模块，用于将所述目标车辆的车辆参数以及所述本车的车辆参数作为所述预设神经网络模型的输入数据，输入所述预设神经网络模型的输入层；
处理子模块，用于通过所述预设神经网络模型的两个隐藏层对所述输入数据进行处理，将所述位置分类由所述预设神经网络模型的输出层输出。
可选地，所述目标车辆的车辆参数包括：所述目标车辆的经度、所述目标车辆的纬度、所述目标车辆的车速、所述目标车辆的航向角；所述本车的车辆参数包括：所述本车的经度、所述本车的纬度、所述本车的车速、所述本车的航向角。
可选地，所述装置还包括：
第一确定模块，用于根据所述位置分类，确定与所述位置分类对应的预警场景；
第二确定模块，用于根据预警场景以及所述目标车辆的车辆参数，确定是否生成车辆预警信息，所述预警信息用于提示所述本车的驾驶员执行与所述预警信息对应的操作。
根据本公开实施例的第三方面，提供一种车辆，所述车辆包括：
用于存储控制器可执行指令的存储器；
控制器，用于执行本公开第一方面提供的车辆位置分类方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面提供的车辆位置分类方法的步骤。
本公开中，通过获取位于本车周围的目标车辆的车辆参数，根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类，即采用神经网络模型进行车辆位置分类，加快了车辆位置分类的运算速度，提高了车辆位置分类的可靠性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1为本公开一示例性实施例示出的一种车辆位置分类方法的流程图。
图2为本公开一示例性实施例示出的预设神经网络模型的示意图。
图3为本公开一示例性实施例示出的车辆位置分类的示意图。
图4为本公开一示例性实施例示出的位置分类与预警场景的对应关系示意图。
图5为本公开一示例性实施例示出的一种车辆位置分类装置的示意图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
如图1所示，为本公开一示例性实施例示出的一种车辆位置分类方法的流程图，该方法包括以下步骤。
在步骤S11中，获取位于本车周围的目标车辆的车辆参数；
在步骤S12中，根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类。
本公开中，目标车辆可以是与本车之间的距离满足一预设距离的车辆，在一个实施例中，目标车辆为与本车距离小于500m的车辆。或者，目标车辆可以是能够与本车进行通信的车辆。目标车辆还可以是满足其他条件的车辆，本公开不做限定。
所述目标车辆的车辆参数以及所述本车的车辆参数可以通过目标车辆以及本车上设置的传感器来获取。在一个实施例中，通过速度传感器采集车辆的车速，通过角度传感器采集车辆的方位角，通过雷达采集目标车辆与本车之间的距离，通过GPS(GlobalPositioning System，全球定位***)获取车辆的位置信息等。车辆参数可以根据实际需要来进行设定，在一个实施例中，车辆参数可以包括车辆的横向偏移，纵向偏移，车速，方位角等信息。在另一个实施例中，车辆参数包括车辆的经度，纬度等信息。
所述目标车辆与所述本车上可以均设置有发送模块以及接收模块，在目标车辆采集到所述目标车辆的车辆参数后，通过目标车辆上的发送模块将所述目标车辆的车辆参数发送给其他车辆，所述本车通过接收模块接收所述目标车辆参数。
所述本车的车辆参数与所述目标车辆的车辆参数可以为相同参数，也可以为不同参数。在一个实施例中，所述本车的车辆参数为本车的经度、纬度、车速，所述目标车辆的车辆参数为目标车辆的经度、纬度、车速。在另一个实施例中，所述本车的车辆参数为本车的经度、纬度、车速，所述目标车辆的车辆参数为目标车辆的横向偏移，纵向偏移，车速。
本公开中，在本车上搭载有预设神经网络模型，预设神经网络模型可以根据实际需要进行设定，在一个实施例中，神经网络模型包括输入层、隐藏层、输出层，输入层、隐藏层以及输出层所包含的神经元结构的个数可以根据实际需要来设定。例如，输入层包括10个神经元，隐藏层包括8个神经元，输出层包括10个神经元。预设神经网络模型还可以包含多个隐藏层，本公开不做具体限定。本公开通过预设神经网络模型对目标车辆相对于本车的位置进行分类，因此，可以将所述目标车辆的车辆参数以及所述本车的车辆参数作为预设神经网络模型的输入层的输入数据，所述目标车辆相对于所述本车的位置分类作为输出层的输出数据。
可选地，所述根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类，包括：将所述目标车辆的车辆参数以及所述本车的车辆参数作为所述预设神经网络模型的输入数据，输入所述预设神经网络模型的输入层；通过所述预设神经网络模型的两个隐藏层对所述输入数据进行处理，将所述位置分类由所述预设神经网络模型的输出层输出。
如图2所示，为本公开一示例性实施例示出的预设神经网络模型的示意图，该预设神经网络模型包括一个输入层(input)，两个隐藏层(hidden1，hidden2)以及一个输出层(output)。输入层包括8个神经元，每个隐藏层包括4个神经元，输出层包括17个神经元。
所述预设神经网络模型可以通过机器学习的方式来建立。在一个实施例中，通过人工驾驶模式，获取机器学习所需的训练数据，并对训练数据进行预处理以符合机器学习的格式，每组训练数据可以包括：八个输入数据作为输入数组[X]，一个输出数据作为结果样本[Y]。将准备好的训练数据按组输入神经网络，对神经网络进行训练，在一定量的训练后，神经网络会产生自己的判断逻辑。具体神经网络的算法公式如下：
在建立神经网络模型时，随机对各个神经元的权重赋值，使用上述公式计算hΘ(x(i))和J(Θ)，以及使用后向传递算法计算每个节点的误差值，使用梯度下降检查算法检查梯度下降的正确性，使用梯度下降或其他算法计算出J(Θ)的最小值，从而得到神经网络模型的最优算法。
本公开中使用预设神经网络模型来确定目标车辆相对于本车的位置分类，因此，输入层的每个神经元可以对应一个车辆参数，输出层的每个神经元对应一个位置分类结果。
在一个实施例中，所述目标车辆的车辆参数包括：所述目标车辆的经度、所述目标车辆的纬度、所述目标车辆的车速、所述目标车辆的航向角；所述本车的车辆参数包括：所述本车的经度、所述本车的纬度、所述本车的车速、所述本车的航向角。上述八个车辆参数可以对应输入层的八个神经元，作为一组输入数据输入预设神经网络模型。
预设神经网络的输出层为相对于本车的17个位置分类。请参考图3，为本公开一示例性实施例示出的车辆位置分类的示意图。在该实施例中，17个位置分类分别为本车的交叉左侧、交叉右侧、正前方、前方左侧、前方右侧、左前远方、右前远方、后方、后方左侧、后方右侧、左后远方、右后远方、对向正前方、对向左侧、对向右侧、对向左侧远方、对向右侧远方。其中，对向正前方、对向右侧、对向左侧远方、对向右侧远方、交叉左侧未在图中示出。
本公开中，将所述目标车辆的车辆参数以及所述本车的车辆参数输入所述预设神经网络模型后，经过两个隐藏层的处理，能够映射到上述17种车辆位置分类中的一种。
可选地，在所述根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类之后，所述方法还包括：根据所述位置分类以及所述目标车辆的车辆参数，确定是否生成车辆预警信息，所述预警信息用于提示所述本车的驾驶员执行与所述预警信息对应的操作。
本公开中，为了保证行车安全，在确定了车辆的位置分类之后，还可以根据所述位置分类以及目标车辆的车辆参数，来确定目标车辆与本车之间是否处于车间安全行驶状态。在一个实施例中，目标车辆的车辆参数可以为目标车辆的车速、加速度、目标车辆与本车的距离，根据所述位置分类确定目标车辆相对于本车的方位信息，根据目标车辆的车速、加速度以及目标车辆与本车的距离来确定目标车辆与本车是否有碰撞的可能。在目标车辆与本车有碰撞的可能时，生成车辆预警信息，并通过本车的预警装置进行预警，以提示本车的驾驶员根据实际情况采取相应的措施。
可选地，在所述根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类之后，所述方法还包括：根据所述位置分类，确定与所述位置分类对应的预警场景；根据预警场景以及所述目标车辆的车辆参数，确定是否生成车辆预警信息，所述预警信息用于提示所述本车的驾驶员执行与所述预警信息对应的操作。
本公开中，不同的位置分类可能对应有不同的预警场景，例如，当所述位置分类为交叉左侧时，对应的预警场景可以包括路口碰撞预警以及车辆失控预警。如图4所示，为本公开一示例性实施例示出的位置分类与预警场景的对应关系示意图。在该实施例中，交叉左侧和交叉右侧对应的预警场景包括路口碰撞预警、车辆失控预警；正前方对应的预警场景包括紧急碰撞预警、车辆失控预警、紧急刹车预警、超车预警；前方左侧和前方右侧对应的预警场景包括：车辆失控预警、紧急刹车预警；后方对应的预警场景包括车辆失控预警；后方左侧和后方右侧对应的预警场景包括：车辆失控预警、变道预警；对向正前方对应的预警场景包括车辆失控预警；对向左侧对应的预警场景包括：车辆失控预警、超车预警；对向右侧对应的预警场景包括车辆失控预警。
在不同的预警场景下，根据目标车辆的车辆参数和/或本车的车辆参数来进一步判定是否生成车辆预警信息。例如，在预警场景为对向左侧时，根据目标车辆的车速以及本车的车速，来确定是否生成超车预警信息。当然，位置分类与预警场景的对应关系可以根据实际需要进行调整，本公开不做具体限定。
如图5所示，为本公开一示例性实施例示出的一种车辆位置分类装置的示意图，所述装置包括：
获取模块51，用于获取位于本车周围的目标车辆的车辆参数；
处理模块52，用于根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类。
可选地，处理模块52包括：
输入子模块，用于将所述目标车辆的车辆参数以及所述本车的车辆参数作为所述预设神经网络模型的输入数据，输入所述预设神经网络模型的输入层；
处理子模块，用于通过所述预设神经网络模型的两个隐藏层对所述输入数据进行处理，将所述位置分类由所述预设神经网络模型的输出层输出。
可选地，所述目标车辆的车辆参数包括：所述目标车辆的经度、所述目标车辆的纬度、所述目标车辆的车速、所述目标车辆的航向角；所述本车的车辆参数包括：所述本车的经度、所述本车的纬度、所述本车的车速、所述本车的航向角。
可选地，所述装置还包括：
确定模块，根据所述位置分类以及所述目标车辆的车辆参数，确定是否生成车辆预警信息，所述预警信息用于提示所述本车的驾驶员执行与所述预警信息对应的操作。
基于同一构思，本公开还提供一种车辆，所述车辆包括：用于存储控制器可执行指令的存储器；控制器，用于执行本公开提供的车辆的位置分类方法。
基于同一构思，本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的车辆位置分类方法的步骤。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种车辆位置分类方法，其特征在于，所述方法包括：
获取位于本车周围的目标车辆的车辆参数；
根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类。
2.根据权利要求1所述的车辆位置分类方法，其特征在于，所述根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类，包括：
将所述目标车辆的车辆参数以及所述本车的车辆参数作为所述预设神经网络模型的输入数据，输入所述预设神经网络模型的输入层；
通过所述预设神经网络模型的两个隐藏层对所述输入数据进行处理，将所述位置分类由所述预设神经网络模型的输出层输出。
3.根据权利要求1或2所述的车辆位置分类方法，其特征在于，所述目标车辆的车辆参数包括：所述目标车辆的经度、所述目标车辆的纬度、所述目标车辆的车速、所述目标车辆的航向角；所述本车的车辆参数包括：所述本车的经度、所述本车的纬度、所述本车的车速、所述本车的航向角。
4.根据权利要求1所述的车辆位置分类方法，其特征在于，在所述根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类之后，所述方法还包括：
根据所述位置分类，确定与所述位置分类对应的预警场景；
根据预警场景以及所述目标车辆的车辆参数，确定是否生成车辆预警信息，所述预警信息用于提示所述本车的驾驶员执行与所述预警信息对应的操作。
5.一种车辆位置分类装置，其特征在于，所述装置包括：
获取模块，用于获取位于本车周围的目标车辆的车辆参数；
处理模块，用于根据所述目标车辆的车辆参数、所述本车的车辆参数以及预设神经网络模型，确定所述目标车辆相对于所述本车的位置分类。
6.根据权利要求5所述的车辆位置分类装置，其特征在于，所述处理模块包括：
输入子模块，用于将所述目标车辆的车辆参数以及所述本车的车辆参数作为所述预设神经网络模型的输入数据，输入所述预设神经网络模型的输入层；
处理子模块，用于通过所述预设神经网络模型的两个隐藏层对所述输入数据进行处理，将所述位置分类由所述预设神经网络模型的输出层输出。
7.根据权利要求5或6所述的车辆位置分类装置，其特征在于，所述目标车辆的车辆参数包括：所述目标车辆的经度、所述目标车辆的纬度、所述目标车辆的车速、所述目标车辆的航向角；所述本车的车辆参数包括：所述本车的经度、所述本车的纬度、所述本车的车速、所述本车的航向角。
8.根据权利要求5所述的车辆位置分类装置，其特征在于，所述装置还包括：
第一确定模块，用于根据所述位置分类，确定与所述位置分类对应的预警场景；
第二确定模块，用于根据预警场景以及所述目标车辆的车辆参数，确定是否生成车辆预警信息，所述预警信息用于提示所述本车的驾驶员执行与所述预警信息对应的操作。
9.一种车辆，其特征在于，所述车辆包括：
用于存储控制器可执行指令的存储器；
控制器，用于执行权利要求1～4任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～4中任一项所述的方法的步骤。
CN201711342140.7A 2017-12-14 2017-12-14 车辆位置分类方法、装置、车辆及存储介质 Pending CN108180915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711342140.7A CN108180915A (zh) 2017-12-14 2017-12-14 车辆位置分类方法、装置、车辆及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711342140.7A CN108180915A (zh) 2017-12-14 2017-12-14 车辆位置分类方法、装置、车辆及存储介质

Publications (1)

Publication Number Publication Date
CN108180915A true CN108180915A (zh) 2018-06-19

Family

ID=62546047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711342140.7A Pending CN108180915A (zh) 2017-12-14 2017-12-14 车辆位置分类方法、装置、车辆及存储介质

Country Status (1)

Country Link
CN (1) CN108180915A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210661A (zh) * 2020-01-16 2020-05-29 北京汽车集团有限公司 交叉路口车辆防碰撞方法及装置
CN112583872A (zh) * 2019-09-29 2021-03-30 华为技术有限公司 一种通信方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09245284A (ja) * 1996-03-13 1997-09-19 Toshiba Corp 交通状況監視装置
CN1656524A (zh) * 2002-03-22 2005-08-17 ***·纳拉 车辆的导航、防撞、和控制***
CN103903479A (zh) * 2014-04-23 2014-07-02 奇瑞汽车股份有限公司 车辆安全行驶预警方法、***及车辆终端设备
CN107346612A (zh) * 2016-05-06 2017-11-14 中国科学院微电子研究所 一种基于车联网的车辆防碰撞方法和***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09245284A (ja) * 1996-03-13 1997-09-19 Toshiba Corp 交通状況監視装置
CN1656524A (zh) * 2002-03-22 2005-08-17 ***·纳拉 车辆的导航、防撞、和控制***
CN103903479A (zh) * 2014-04-23 2014-07-02 奇瑞汽车股份有限公司 车辆安全行驶预警方法、***及车辆终端设备
CN107346612A (zh) * 2016-05-06 2017-11-14 中国科学院微电子研究所 一种基于车联网的车辆防碰撞方法和***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112583872A (zh) * 2019-09-29 2021-03-30 华为技术有限公司 一种通信方法及装置
WO2021057972A1 (zh) * 2019-09-29 2021-04-01 华为技术有限公司 一种通信方法及装置
CN112583872B (zh) * 2019-09-29 2022-05-13 华为云计算技术有限公司 一种通信方法及装置
CN111210661A (zh) * 2020-01-16 2020-05-29 北京汽车集团有限公司 交叉路口车辆防碰撞方法及装置

Similar Documents

Publication Publication Date Title
Bachute et al. Autonomous driving architectures: insights of machine learning and deep learning algorithms
US11673550B2 (en) Agent prioritization for autonomous vehicles
CN109808700A (zh) 用于在自主车辆中映射道路干扰物体的***和方法
CN110531753A (zh) 自主车辆的控制***、控制方法和控制器
CN1915725B (zh) 驾驶员辅助***
CN107229973A (zh) 一种用于车辆自动驾驶的策略网络模型的生成方法及装置
CN109781129A (zh) 一种基于车辆间通信的路面安全性检测***及方法
CN109522784A (zh) 用于区分可越过物体与不可越过物体的装置和方法
CN107577231A (zh) 车辆的控制决策的制定方法、装置和无人驾驶车辆
CN109472986A (zh) 用于确定交通控制人员和交通控制标志物的存在的***和方法
CN108694841A (zh) 一种基于v2x技术的智能车辆通行路口红绿灯方法
CN107316500A (zh) 自动驾驶中的威胁度计算方法、目标选择方法及应用
CN110182217A (zh) 一种面向复杂超车场景的行驶任务复杂度量化评估方法
CN105719509A (zh) 汽车碰撞预警雷达信息***
CN112896185A (zh) 一种面向车路协同的智能驾驶行为决策规划方法及***
CN105151044A (zh) 车辆辅助驾驶方法及装置
US11164457B2 (en) Vehicle control system
CN108180915A (zh) 车辆位置分类方法、装置、车辆及存储介质
US11887323B2 (en) Self-supervised estimation of observed vehicle pose
CN112784867A (zh) 利用合成图像训练深度神经网络
CN112406905A (zh) 基于交通工具的数据处理方法、装置、计算机及存储介质
CN114283593A (zh) 作为交通信号灯相位定时有效性的感测平台的交通工具
US20210264284A1 (en) Dynamically routed patch discriminator
CN108973995A (zh) 用于辅助驾驶的环境感知数据处理方法、装置及车辆
US11698437B2 (en) Segmentation and classification of point cloud data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180619