CN108196535B - 基于增强学习和多传感器融合的自动驾驶*** - Google Patents
基于增强学习和多传感器融合的自动驾驶*** Download PDFInfo
- Publication number
- CN108196535B CN108196535B CN201711317899.XA CN201711317899A CN108196535B CN 108196535 B CN108196535 B CN 108196535B CN 201711317899 A CN201711317899 A CN 201711317899A CN 108196535 B CN108196535 B CN 108196535B
- Authority
- CN
- China
- Prior art keywords
- vehicles
- laser radar
- real
- data
- vehicle
- 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.)
- Active
Links
- 230000002787 reinforcement Effects 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000009471 action Effects 0.000 claims abstract description 11
- 230000008447 perception Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000026676 system process Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012937 correction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于增强学习和多传感器融合的自动驾驶***，包括：感知***、控制***和执行***。感知***通过深度学习网络，高效处理激光雷达、摄像头及GPS导航仪实现实时识别行车周围车辆、行人、车道线、交通标志及信号灯的识别及理解，通过增强学习技术将激光雷达与全景影像匹配融合，形成实时三维街景地图，及可行驶区域的判断，结合GPS导航器实现实时导航，控制***采用增强学习网络处理感知***收集的信息，对周围车辆的人、车物进行预测，根据车身状态数据，并与驾驶员动作的记录进行配对，做出当下最优的行动选择，通过执行***完成执行动作。本发明对激光雷达数据和视频进行融合，进行可行驶区域识别和目的路径最优规划。
Description
技术领域
本发明属于人工智能及自动驾驶技术领域，具体地涉及一种基于增强学习和多传感器融合的自动驾驶***。
背景技术
自动驾驶技术受到世界汽车企业、互联网企业以及各高校研究机构的重视，各方积极推进自动驾驶的发展。奔驰、奥迪为代表的汽车企业通过应用超声波、雷达、夜视仪、立体摄影机、LED等先进技术，实现人车交互、车车交互及车路协同。然而国内在自动驾驶领域起步较晚，突破性成果较少，需要不断创新，结合新技术，在自动驾驶领域努力突破。
自动驾驶汽车应一套完整的感知***、代替驾驶人的感知、提供周围环境信息，感知***需要不断提高获取周边环境信息的全面性、准确性和高效性，它是自动驾驶基础。因此，需要多种传感器融合，多角度、多方位感受车辆周围环境。由此产生大量数据需要及时处理，因此，自动驾驶***应有一套集成智能算法、高性能硬件于一体的控制***，代替驾驶人的大脑，指定驾驶指令、规划行驶路径。本发明因此而来。
发明内容
为了解决上述存在的技术问题，本发明提供了一种基于增强学习和多传感器融合的自动驾驶***，采用专业司机的经验数据训练增强学习网络模型，处理来自感知***的环境信息，对激光雷达数据和视频进行融合，进行可行驶区域识别和目的路径最优规划。
本发明的技术方案是：
一种基于增强学习和多传感器融合的自动驾驶***，包括：感知***、控制***和执行***，所述感知***通过深度学习网络处理激光雷达、图像采集模块及GPS导航仪的数据，实时识别车辆周围的车辆、行人、车道线、交通标志及信号灯的识别及理解，将激光雷达数据与图像进行匹配融合，形成实时三维街景地图，并判断可行驶区域；
所述控制***采用增强学习网络处理感知***收集的信息，对车辆周围的人、车、物进行预测，根据车身状态数据与驾驶员动作的记录进行配对，作出行动选择；
所述执行***根据控制***的指令执行相应操作，并将操作结果反馈给控制***。
优选的，所述感知***利用卷积神经网络训练图片样本，每一个网络层都被训练到局部提取一个由先前网络层产生的车辆、行人、车道线、交通信号灯和交通标志的特征点的子集，每一层都预测了明确的几何约束修正当前网络层的输入，通过由粗到精级联和几何优化的组合，实时定位识别车辆周围的车辆、行人、车道线、交通标志及信号灯的识别及理解。
优选的，所述感知***形成实时三维街景地图，并判断可行驶区域的方法包括：
采用PointNet网络构架的多层感知机提取激光雷达获取的三维点云数据的特征点，进一部获得特征物体的轮廓线，将轮廓线进行拼接，构建物体模型；
对图像采集模块采集的图像制作图片物体轮廓特征标签；
将激光雷达获得特征物体轮廓与图片标签作为输入，通过卷积神经网络将二者特征轮廓进行匹配，输出物体模型的彩色纹理信息；
以同样视场角采集激光雷达数据和视频图像，将激光雷达数据转变为激光雷达深度图，通过单帧射线遍历，形成可行驶区域边界，在视频图像上的相同位置以色彩标出该可行驶区域边界，对车辆周围障碍物分析，使用随机场优化算法，通过多次迭代逼近真实图像边界实现可行驶区域检测。
优选的，所述控制***对于由近及远的目标使用增强学习网络初始化区域，在线检测、学习、跟踪，对于由远及近的目标，使用逆序跟踪方法对检测目标进行持续跟踪，通过距离估算得到车辆和行人的相对速度信息、实现车辆周围的人、车、物的预测。
与现有技术相比，本发明的优点是：
1、采用专业司机的经验数据训练增强学习网络模型，实现对车辆自身的精确定位，周围环境准确理解，可持续学习优化，自动进化驾驶***。
2、将激光雷达数据与图像进行匹配融合，形成实时三维街景地图，得到逼近真实的可行驶区域边界，实现可行驶区域检测，对道路进行可行驶区域规划，对下一步行动准确判断和规划。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明基于增强学习和多传感器融合的自动驾驶***的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例：
下面结合附图，对本发明的较佳实施例作进一步说明。
如图1所示，本发明的自动驾驶***包括三个子***，具体包括：感知***、控制***与执行***。使用深度学习和增强学习技术，构建一个能够与环境交互，对外界环境进行自主判断并做出驾驶决策的自动驾驶***，在探索车辆驾驶行为动态过程中不断进化，提高车辆环境感知及决策能力。
感知***，通过深度学习网络模型，处理摄像头、激光雷达和GPS信息，获取实时车辆、行人信息、3维街景地图。
控制***，通过增强学习网络模型，处理来自感知***的环境信息，进行可行驶区域识别、目的路径最优规划，对周围车辆的人、车物进行预测，根据车身状态数据，并与驾驶员动作的记录进行配对，做出当下最优的行动选择，包括加速、刹车、变换车道、转弯等指令。
执行***：控制***给出的控制方向盘、油门和刹车的指令，执行相应操作，并将操作结果反馈给控制***。
摄像头获取行车周围的图片，利用卷积神经网络（CNN）训练图片样本，每一个网络层都被训练到局部提取一个由先前网络层产生的车辆、行人、车道线、交通信号灯和指示牌特征点的子集。另外，每一层都预测了明确的几何约束修正当前网络层的输入。由粗到精级联和几何优化的组合实现车道线识别及分类、交通信号灯及指示牌理解，使***可以去定位大量的车辆、行人、车道线、交通信号灯和指示牌的相对位置。对于由近及远的目标，使用深度学习初始化区域，在线检测、学习、跟踪；对于由远及近的目标，使用逆序跟踪方法，增强自动标注能力。对检测目标进行持续跟踪，通过距离估算得到车辆、行人的、相对速度信息、实现对周围车辆的人、车、物进行预测。
首先由激光雷达对场景进行扫描，获得3维点云数据，对原始点云数据进行去噪、滤波处理，输出预处理后的点云数据；
采用PointNet网络构架，输入3维点云，利用网络的多层感知机，提取特征点，进而获得特征物体的轮廓线，将轮廓线进行拼接，构建物体模型。
摄像头同时拍摄场景图片，制作图片物体轮廓特征标签（建筑物、人、车等）；
将激光雷达获得特征物体轮廓与图片标签作为输入，通过CNN神经网络，将二者特征轮廓进行匹配，输出3物体模型彩色纹理信息。
再次，通过激光雷达与视频图像实现可行驶区域划分，以同样视场角采集激光雷达数据和摄像头数据，将激光数据转变为激光雷达深度图，再通过单帧射线遍历，形成可行驶区域边界，在视频图像上，在相同位置以醒目色彩标出该可行驶区域边界，对行车周围障碍物分析，使用随机场优化算法，通过多次迭代逼近真实图像边界，实现可行驶区域检测，完成激光雷达数据和视频融合。
根据自身的车辆状态与获取行车一定范围内车辆、行人的状态数据，路口红绿灯情况，结合GPS导航器，实现行驶路径最优规划，根据导航指引，是否准确进入对应车道线。
增强学习网络处理感知***收集的信息，***自动将上述收集到的感知行车周围环境信息与驾驶者动作的纪律进行配对，通过对驾驶行为的马尔科夫过程建模，进行基于Q学习的自动驾驶车辆方向盘转角控制决策，最后将感知信息处理为控制方向盘、油门和刹车等的指令。
如果探测行车前方有障碍物，行车会自动控制与障碍物的距离，适当减慢测速，并判断自行判断可行驶区域，实现超车或跟车决策。如果与障碍物超过距离超过安全距离，行车会紧急制动。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (2)
1.一种基于增强学习和多传感器融合的自动驾驶***，包括：感知***、控制***和执行***，其特征在于，所述感知***通过深度学习网络处理激光雷达、图像采集模块及GPS导航仪的数据，实时识别车辆周围的车辆、行人、车道线、交通标志及信号灯的识别及理解，将激光雷达数据与图像进行匹配融合，形成实时三维街景地图，并判断可行驶区域；
所述控制***采用增强学习网络处理感知***收集的信息，对车辆周围的人、车、物进行预测，根据车身状态数据与驾驶员动作的记录进行配对，通过对驾驶行为的马尔科夫过程建模，进行基于Q学习的自动驾驶车辆方向盘转角控制决策，最后将感知信息处理为控制方向盘、油门和刹车等的指令，作出行动选择；所述控制***对于由近及远的目标使用增强学习网络初始化区域，在线检测、学习、跟踪，对于由远及近的目标，使用逆序跟踪方法对检测目标进行持续跟踪，通过距离估算得到车辆和行人的相对速度信息，实现车辆周围的人、车、物的预测；
所述执行***根据控制***的指令执行相应操作，并将操作结果反馈给控制***；
所述感知***形成实时三维街景地图，并判断可行驶区域的方法包括：
采用PointNet网络构架的多层感知机提取激光雷达获取的三维点云数据的特征点，进一部获得特征物体的轮廓线，将轮廓线进行拼接，构建物体模型；
对图像采集模块采集的图像制作图片物体轮廓特征标签；
将激光雷达获得特征物体轮廓与图片标签作为输入，通过卷积神经网络将二者特征轮廓进行匹配，输出物体模型的彩色纹理信息；
以同样视场角采集激光雷达数据和视频图像，将激光雷达数据转变为激光雷达深度图，通过单帧射线遍历，形成可行驶区域边界，在视频图像上的相同位置以色彩标出该可行驶区域边界，对车辆周围障碍物分析，使用随机场优化算法，通过多次迭代逼近真实图像边界实现可行驶区域检测。
2.根据权利要求1所述的基于增强学习和多传感器融合的自动驾驶***，其特征在于，所述感知***利用卷积神经网络训练图片样本，每一个网络层都被训练到局部提取一个由先前网络层产生的车辆、行人、车道线、交通信号灯和交通标志的特征点的子集，每一层都预测了明确的几何约束修正当前网络层的输入，通过由粗到精级联和几何优化的组合，实时定位识别车辆周围的车辆、行人、车道线、交通标志及信号灯的识别及理解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711317899.XA CN108196535B (zh) | 2017-12-12 | 2017-12-12 | 基于增强学习和多传感器融合的自动驾驶*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711317899.XA CN108196535B (zh) | 2017-12-12 | 2017-12-12 | 基于增强学习和多传感器融合的自动驾驶*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108196535A CN108196535A (zh) | 2018-06-22 |
| CN108196535B true CN108196535B (zh) | 2021-09-07 |
Family
ID=62574175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711317899.XA Active CN108196535B (zh) | 2017-12-12 | 2017-12-12 | 基于增强学习和多传感器融合的自动驾驶*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108196535B (zh) |
Families Citing this family (96)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
| CA3028288C (en) * | 2018-06-25 | 2022-05-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | A high-definition map acquisition system |
| CN109099901B (zh) * | 2018-06-26 | 2021-09-24 | 中科微易(苏州)智能科技有限公司 | 基于多源数据融合的全自动压路机定位方法 |
| CN108648457B (zh) * | 2018-06-28 | 2021-07-13 | 苏州大学 | 一种速度预测的方法、装置和计算机可读存储介质 |
| WO2020010517A1 (zh) * | 2018-07-10 | 2020-01-16 | 深圳大学 | 轨迹预测方法及装置 |
| CN108960183B (zh) * | 2018-07-19 | 2020-06-02 | 北京航空航天大学 | 一种基于多传感器融合的弯道目标识别***及方法 |
| CN108957413A (zh) * | 2018-07-20 | 2018-12-07 | 重庆长安汽车股份有限公司 | 传感器目标定位准确度测试方法 |
| CN109035309B (zh) * | 2018-07-20 | 2022-09-27 | 清华大学苏州汽车研究院（吴江） | 基于立体视觉的双目摄像头与激光雷达间的位姿配准方法 |
| CN108875844A (zh) * | 2018-07-20 | 2018-11-23 | 清华大学苏州汽车研究院（吴江） | 激光雷达图像与摄像机图像的匹配方法及*** |
| US20200033869A1 (en) * | 2018-07-27 | 2020-01-30 | GM Global Technology Operations LLC | Systems, methods and controllers that implement autonomous driver agents and a policy server for serving policies to autonomous driver agents for controlling an autonomous vehicle |
| CN110824912B (zh) * | 2018-08-08 | 2021-05-18 | 华为技术有限公司 | 训练用于生成自动驾驶策略的控制策略模型的方法和装置 |
| CN110376594B (zh) * | 2018-08-17 | 2022-02-01 | 北京京东叁佰陆拾度电子商务有限公司 | 一种基于拓扑图的智能导航的方法和*** |
| CN110908366B (zh) * | 2018-08-28 | 2023-08-25 | 大陆智行科技(上海)有限公司 | 自动驾驶方法及装置 |
| CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、***、装置及可读存储介质 |
| CN109405824A (zh) * | 2018-09-05 | 2019-03-01 | 武汉契友科技股份有限公司 | 一种适用于智能网联汽车的多源感知定位*** |
| CN109318803A (zh) * | 2018-09-06 | 2019-02-12 | 武汉乐庭软件技术有限公司 | 一种基于多传感器融合的汽车自动驾驶*** |
| CN109050525A (zh) * | 2018-09-10 | 2018-12-21 | 武汉乐庭软件技术有限公司 | 一种基于毫米雷达和相机融合的汽车自动驾驶*** |
| CN109271924A (zh) * | 2018-09-14 | 2019-01-25 | 盯盯拍（深圳）云技术有限公司 | 图像处理方法及图像处理装置 |
| CN109410238B (zh) * | 2018-09-20 | 2021-10-26 | 中国科学院合肥物质科学研究院 | 一种基于PointNet++网络的枸杞识别计数方法 |
| CN109146333A (zh) * | 2018-09-29 | 2019-01-04 | 百度在线网络技术（北京）有限公司 | 导航算法评估方法和装置 |
| CN110969178B (zh) * | 2018-09-30 | 2023-09-12 | 毫末智行科技有限公司 | 自动驾驶车辆的数据融合***、方法及自动驾驶*** |
| DK180774B1 (en) | 2018-10-29 | 2022-03-04 | Motional Ad Llc | Automatic annotation of environmental features in a map during navigation of a vehicle |
| US10940863B2 (en) * | 2018-11-01 | 2021-03-09 | GM Global Technology Operations LLC | Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle |
| CN109543600A (zh) * | 2018-11-21 | 2019-03-29 | 成都信息工程大学 | 一种实现可行驶区域检测方法及***和应用 |
| CN109657556B (zh) * | 2018-11-22 | 2021-04-13 | 北京工业大学 | 道路及其周边地物的分类方法及*** |
| CN109375187B (zh) * | 2018-11-28 | 2021-09-10 | 北京行易道科技有限公司 | 雷达目标的确定方法及装置 |
| CN111238494B (zh) * | 2018-11-29 | 2022-07-19 | 财团法人工业技术研究院 | 载具、载具定位***及载具定位方法 |
| CN109583415B (zh) * | 2018-12-11 | 2022-09-30 | 兰州大学 | 一种基于激光雷达与摄像机融合的交通灯检测与识别方法 |
| CN111338333B (zh) * | 2018-12-18 | 2021-08-31 | 北京航迹科技有限公司 | 用于自动驾驶的***和方法 |
| US10955853B2 (en) | 2018-12-18 | 2021-03-23 | Beijing Voyager Technology Co., Ltd. | Systems and methods for autonomous driving |
| CN111413957B (zh) * | 2018-12-18 | 2021-11-02 | 北京航迹科技有限公司 | 用于确定自动驾驶中的驾驶动作的***和方法 |
| CN109407679B (zh) * | 2018-12-28 | 2022-12-23 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶汽车的方法和装置 |
| CN109508017A (zh) * | 2018-12-28 | 2019-03-22 | 镇江市高等专科学校 | 智能小车控制方法 |
| CN109720275A (zh) * | 2018-12-29 | 2019-05-07 | 重庆集诚汽车电子有限责任公司 | 基于神经网络的多传感器融合车辆环境感知*** |
| CN109887123B (zh) * | 2019-01-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 数据处理方法及装置、黑匣子***与车辆 |
| CN109878512A (zh) * | 2019-01-15 | 2019-06-14 | 北京百度网讯科技有限公司 | 自动驾驶控制方法、装置、设备及计算机可读存储介质 |
| US11468690B2 (en) * | 2019-01-30 | 2022-10-11 | Baidu Usa Llc | Map partition system for autonomous vehicles |
| US10627823B1 (en) * | 2019-01-30 | 2020-04-21 | StradVision, Inc. | Method and device for performing multiple agent sensor fusion in cooperative driving based on reinforcement learning |
| US10503174B1 (en) * | 2019-01-31 | 2019-12-10 | StradVision, Inc. | Method and device for optimized resource allocation in autonomous driving on the basis of reinforcement learning using data from lidar, radar, and camera sensor |
| JP7078763B2 (ja) * | 2019-02-13 | 2022-05-31 | 日立Astemo株式会社 | 車両制御装置および電子制御システム |
| CN109961509B (zh) * | 2019-03-01 | 2020-05-05 | 北京三快在线科技有限公司 | 三维地图的生成及模型训练方法、装置及电子设备 |
| CN110045729B (zh) * | 2019-03-12 | 2022-09-13 | 北京小马慧行科技有限公司 | 一种车辆自动驾驶方法及装置 |
| US11402220B2 (en) * | 2019-03-13 | 2022-08-02 | Here Global B.V. | Maplets for maintaining and updating a self-healing high definition map |
| CN109991978B (zh) * | 2019-03-19 | 2021-04-02 | 莫日华 | 一种基于网络的智能自动驾驶的方法及装置 |
| CN110134124B (zh) * | 2019-04-29 | 2022-04-29 | 北京小马慧行科技有限公司 | 车辆行驶的控制方法、装置、存储介质和处理器 |
| CN111174805A (zh) * | 2019-04-30 | 2020-05-19 | 奥特酷智能科技(南京)有限公司 | 分布集中式自动驾驶*** |
| TWI794486B (zh) * | 2019-04-30 | 2023-03-01 | 先進光電科技股份有限公司 | 行動載具輔助系統及其處理方法 |
| CN110162040B (zh) * | 2019-05-10 | 2022-06-17 | 重庆大学 | 一种基于深度学习的低速自动驾驶小车控制方法及*** |
| CN110091875A (zh) * | 2019-05-14 | 2019-08-06 | 长沙理工大学 | 基于物联网的深度学习型智能驾驶环境感知*** |
| US11467591B2 (en) * | 2019-05-15 | 2022-10-11 | Baidu Usa Llc | Online agent using reinforcement learning to plan an open space trajectory for autonomous vehicles |
| CN111986472B (zh) * | 2019-05-22 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 车辆速度确定方法及车辆 |
| CN110345959B (zh) * | 2019-06-10 | 2023-11-03 | 同济人工智能研究院(苏州)有限公司 | 一种基于“门”点的路径规划方法 |
| CN110281949B (zh) * | 2019-06-28 | 2020-12-18 | 清华大学 | 一种自动驾驶统一分层决策方法 |
| US11994862B2 (en) | 2019-07-06 | 2024-05-28 | Huawei Technologies Co., Ltd. | Method and system for training reinforcement learning agent using adversarial sampling |
| CN112208539A (zh) * | 2019-07-09 | 2021-01-12 | 奥迪股份公司 | 用于自动驾驶车辆的***、车辆、方法和介质 |
| CN110347043B (zh) * | 2019-07-15 | 2023-03-10 | 武汉天喻信息产业股份有限公司 | 一种智能驾驶控制方法及装置 |
| CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
| CN110427034B (zh) * | 2019-08-13 | 2022-09-02 | 浙江吉利汽车研究院有限公司 | 一种基于车路协同的目标追踪***及方法 |
| CN111144211B (zh) | 2019-08-28 | 2023-09-12 | 华为技术有限公司 | 点云显示方法和装置 |
| CN110525342A (zh) * | 2019-08-30 | 2019-12-03 | 的卢技术有限公司 | 一种基于深度学习的ar-hud车载辅助驾驶方法及其*** |
| KR102664123B1 (ko) * | 2019-09-09 | 2024-05-09 | 현대자동차주식회사 | 차량 데이터 생성 장치 및 방법, 그리고 시스템 |
| CN110687905A (zh) * | 2019-09-11 | 2020-01-14 | 珠海市众创芯慧科技有限公司 | 一种基于多传感技术融合一体的无人驾驶智能车 |
| CN110598637B (zh) * | 2019-09-12 | 2023-02-24 | 齐鲁工业大学 | 一种基于视觉及深度学习的无人驾驶***及方法 |
| CN112578781B (zh) * | 2019-09-29 | 2022-12-30 | 华为技术有限公司 | 数据处理方法、装置、芯片***及介质 |
| JP7259685B2 (ja) * | 2019-09-30 | 2023-04-18 | トヨタ自動車株式会社 | 自動運転車両用の運転制御装置、停車用物標、運転制御システム |
| CN110634297B (zh) * | 2019-10-08 | 2020-08-07 | 交通运输部公路科学研究所 | 基于车载激光雷达的信号灯状态识别及通行控制*** |
| CN110717007A (zh) * | 2019-10-15 | 2020-01-21 | 财团法人车辆研究测试中心 | 应用路侧特征辨识的图资定位***及方法 |
| CN110710852B (zh) * | 2019-10-30 | 2020-11-17 | 广州铁路职业技术学院（广州铁路机械学校） | 基于送餐机器人的送餐方法、***、介质及智能设备 |
| CN110758243B (zh) * | 2019-10-31 | 2024-04-02 | 的卢技术有限公司 | 一种车辆行驶过程中的周围环境显示方法和*** |
| CN110764507A (zh) * | 2019-11-07 | 2020-02-07 | 舒子宸 | 一种强化学习与信息融合的人工智能自动驾驶*** |
| CN110991489B (zh) * | 2019-11-11 | 2023-10-10 | 苏州智加科技有限公司 | 一种驾驶数据的标注方法、装置及*** |
| CN110716552A (zh) * | 2019-11-11 | 2020-01-21 | 朱云 | 汽车，火车，地铁以及飞机新型驾驶*** |
| WO2021134357A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳元戎启行科技有限公司 | 感知信息处理方法、装置、计算机设备和存储介质 |
| KR20210087271A (ko) * | 2020-01-02 | 2021-07-12 | 삼성전자주식회사 | 3ｄ 증강 현실 내비게이션 정보 표시 방법 및 장치 |
| CN113156911A (zh) * | 2020-01-22 | 2021-07-23 | 重庆金康新能源汽车有限公司 | 用于自动驾驶汽车规划和控制测试的组合的虚拟和现实环境 |
| JP7248957B2 (ja) * | 2020-02-10 | 2023-03-30 | トヨタ自動車株式会社 | 車両制御装置 |
| CN111208821B (zh) * | 2020-02-17 | 2020-11-03 | 润通智能科技(郑州)有限公司 | 汽车自动驾驶控制方法、装置、自动驾驶装置及*** |
| US11592570B2 (en) * | 2020-02-25 | 2023-02-28 | Baidu Usa Llc | Automated labeling system for autonomous driving vehicle lidar data |
| CN111427349A (zh) * | 2020-03-27 | 2020-07-17 | 齐鲁工业大学 | 基于激光与视觉的车辆导航避障方法与*** |
| CN111591306B (zh) * | 2020-03-30 | 2022-07-12 | 浙江吉利汽车研究院有限公司 | 自动驾驶车辆的行驶轨迹规划方法、相关设备及存储介质 |
| CN111695504A (zh) * | 2020-06-11 | 2020-09-22 | 重庆大学 | 一种融合型自动驾驶目标检测方法 |
| CN111857132B (zh) * | 2020-06-19 | 2024-04-19 | 深圳宏芯宇电子股份有限公司 | 一种中央控制式自动驾驶方法、***以及中央控制*** |
| WO2022011722A1 (zh) * | 2020-07-17 | 2022-01-20 | 华为技术有限公司 | 数据处理方法、装置及智能车辆 |
| CN112068574A (zh) * | 2020-10-19 | 2020-12-11 | 中国科学技术大学 | 一种无人车在动态复杂环境中的控制方法及*** |
| CN113160400A (zh) * | 2021-03-12 | 2021-07-23 | 榆林神华能源有限责任公司 | 一种地下地形的定位方法、存储介质及*** |
| CN113359722A (zh) * | 2021-05-26 | 2021-09-07 | 上海联知智能科技有限公司 | 一种自动驾驶汽车 |
| CN113610970A (zh) * | 2021-08-30 | 2021-11-05 | 上海智能网联汽车技术中心有限公司 | 一种自动驾驶***、装置及方法 |
| CN113963096B (zh) * | 2021-09-01 | 2022-07-05 | 泰瑞数创科技(北京)有限公司 | 基于人工智能的城市三维地图视频流交互方法及*** |
| CN113867334B (zh) * | 2021-09-07 | 2023-05-05 | 华侨大学 | 一种移动机械无人驾驶的路径规划方法和*** |
| CN114179835B (zh) * | 2021-12-30 | 2024-01-05 | 清华大学苏州汽车研究院（吴江） | 基于真实场景下强化学习的自动驾驶车辆决策训练方法 |
| CN114419572B (zh) * | 2022-03-31 | 2022-06-17 | 国汽智控(北京)科技有限公司 | 多雷达目标检测方法、装置、电子设备及存储介质 |
| CN114581748B (zh) * | 2022-05-06 | 2022-09-23 | 南京大学 | 基于机器学习的多智能体感知融合***及其实现方法 |
| CN115630335B (zh) * | 2022-10-28 | 2023-06-27 | 北京中科东信科技有限公司 | 一种基于多传感器融合和深度学习模型道路信息生成方法 |
| CN116101275A (zh) * | 2023-04-12 | 2023-05-12 | 禾多科技（北京）有限公司 | 一种基于自动驾驶的避障方法及*** |
| CN116259028A (zh) * | 2023-05-06 | 2023-06-13 | 杭州宏景智驾科技有限公司 | 用于激光雷达的异常场景检测方法、电子设备和存储介质 |
| CN116902003B (zh) * | 2023-07-31 | 2024-02-06 | 合肥海普微电子有限公司 | 基于激光雷达与摄像头混合模态的无人驾驶方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103824050B (zh) * | 2014-02-17 | 2017-03-15 | 北京旷视科技有限公司 | 一种基于级联回归的人脸关键点定位方法 |
| CN106575367B (zh) * | 2014-08-21 | 2018-11-06 | 北京市商汤科技开发有限公司 | 用于基于多任务的人脸关键点检测的方法和*** |
| GB201616095D0 (en) * | 2016-09-21 | 2016-11-02 | Univ Oxford Innovation Ltd | A neural network and method of using a neural network to detect objects in an environment |
| CN107066935B (zh) * | 2017-01-25 | 2020-11-24 | 网易（杭州）网络有限公司 | 基于深度学习的手部姿态估计方法及装置 |
| CN107226087B (zh) * | 2017-05-26 | 2019-03-26 | 西安电子科技大学 | 一种结构化道路自动驾驶运输车及控制方法 |
| CN107235044B (zh) * | 2017-05-31 | 2019-05-28 | 北京航空航天大学 | 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法 |
-
2017
- 2017-12-12 CN CN201711317899.XA patent/CN108196535B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation;R. Qi Charles等;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20171109;第77-85页 * |
| 城区不确定环境下无人驾驶车辆行为决策方法研究;耿新力;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20171115(第11期);正文第10-12页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108196535A (zh) | 2018-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108196535B (zh) | 基于增强学习和多传感器融合的自动驾驶*** | |
| US11885910B2 (en) | Hybrid-view LIDAR-based object detection | |
| US11774261B2 (en) | Automatic annotation of environmental features in a map during navigation of a vehicle | |
| US10817731B2 (en) | Image-based pedestrian detection | |
| JP7341864B2 (ja) | ３ｄデータを２ｄ画像データに登録するためのシステム及び方法 | |
| Possatti et al. | Traffic light recognition using deep learning and prior maps for autonomous cars | |
| EP3647734A1 (en) | Automatic generation of dimensionally reduced maps and spatiotemporal localization for navigation of a vehicle | |
| US11682137B2 (en) | Refining depth from an image | |
| CN113313154A (zh) | 一体化融合多传感器自动驾驶智能感知装置 | |
| Jebamikyous et al. | Autonomous vehicles perception (avp) using deep learning: Modeling, assessment, and challenges | |
| Deepika et al. | Obstacle classification and detection for vision based navigation for autonomous driving | |
| EP3647733A1 (en) | Automatic annotation of environmental features in a map during navigation of a vehicle | |
| KR102595886B1 (ko) | 매핑에서의 향상된 시맨틱 라벨링을 위한 멀티 모달 분할 네트워크 | |
| GB2609060A (en) | Machine learning-based framework for drivable surface annotation | |
| CN115705693A (zh) | 用于传感器数据的标注的方法、***和存储介质 | |
| CN115951326A (zh) | 对象检测方法、***和存储介质 | |
| Gajjar et al. | A comprehensive study on lane detecting autonomous car using computer vision | |
| CN115713687A (zh) | 用于确定对象动态参数的方法、***和介质 | |
| Nuhel et al. | Developing a self-driving autonomous car using artificial intelligence algorithm | |
| Memon et al. | Self-driving car using lidar sensing and image processing | |
| Sanberg et al. | From stixels to asteroids: Towards a collision warning system using stereo vision | |
| Charaya | LiDAR for Object Detection in Self Driving Cars | |
| Feng et al. | A survey to applications of deep learning in autonomous driving | |
| CN117152579A (zh) | 用于运载工具的***和计算机实现的方法 | |
| KR20230020932A (ko) | 스케일링가능하고 사실적인 카메라 폐색 데이터 세트 생성 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |