CN109886152A - 一种基于多传感器协作的无人驾驶路径选择方法 - Google Patents
一种基于多传感器协作的无人驾驶路径选择方法 Download PDFInfo
- Publication number
- CN109886152A CN109886152A CN201910088816.7A CN201910088816A CN109886152A CN 109886152 A CN109886152 A CN 109886152A CN 201910088816 A CN201910088816 A CN 201910088816A CN 109886152 A CN109886152 A CN 109886152A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- road
- unmanned
- multisensor
- decoder
- 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
Links
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 230000005284 excitation Effects 0.000 claims abstract description 7
- 230000008447 perception Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000013468 resource allocation Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010010 raising Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000736199 Paeonia Species 0.000 description 1
- 235000006484 Paeonia officinalis Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多传感器协作的无人驾驶路径选择方法,包括:在车身周围布置多协作传感器和高灵敏度摄像头,并根据车身在行驶识别中的不同位置的重要性进行了传感器分布调整和替换,获取车身周围的所有基本信息;通过对传感器的覆盖范围和冗余性进行分析,得到汽车自身的行驶状况,将高灵敏度摄像头捕捉到的图像作为全卷积神经网络的输入;利用全卷积神经网络在编码阶段对数据进行非线性映射;在解码阶段采用非线性激励,利用图像预测通道实现对图像的粗分割,使用Adam算法并对超参数进行优化,对道路进行推理最后得到道路分割模型;基于分割后的道路,结合卷积神经网络中的行驶路线分割模型综合感知提高识别精度,实现高精度路径规划。
Description
技术领域
本发明涉及道路分割以及目标识别技术领域,尤其涉及一种基于多传感器协作的无人驾驶路径选择方法。
背景技术
单一传感器无法满足无人驾驶的需要,GPS相对精确,但更新频率较低,不能满足道路实时识别的要求;惯性传感器的误差会随运行时间而增长。因此,需要找到一种能够融合多种传感器优点的方式,并对其收集的数据进行合理的处理与融合,得到比较实时与精确的定位。
在图像划分时,通常使用卷积神经网络进行道路划分,虽然其能很好地提供物体的大概轮廓,但是却造成了一些细节的丢失,所以利用来自多种传感器的数据进行精确的分割难度较高并急需解决。另外,现有条件下,无人驾驶***不同传感器的协同工作一般采用卡尔曼滤波器的算法实现。卡尔曼滤波器可以凭借有限且包含一定程度噪声的观测序列,通过不断地更新权重,来进行目标位置及速度的预测工作。相对来说,卡尔曼滤波器具有比较强的鲁棒性,也就是说,对于观测数据而言,即使有一定的误差,通过卡尔曼滤波器之后依旧能够得到比较准确的结果。具体而言,卡尔曼滤波器分为两个阶段,第一个阶段是预测阶段,通过上一个时间戳的信息来对现在时刻的信息进行预测;第二个阶段是更新阶段,在这个阶段中,可以将预测结果与当前位置的观测信息进行对比从而纠正,最后更新物体的位置。在进行多次迭代之后,模型的预测准确率会得到一定的提升。
然而,卡尔曼滤波器对于无人驾驶***来说存在某些不足,首先是如果运动中的物体长时间被遮挡这样就会出现目标丢失,另外,因为卡尔曼滤波器的每一次更新都需要基于上一阶段的结果,如果***较长时间的运行,那么就会造成信息的冗杂导致计算压力过大,最终无法保证一定的速度与准确性。
发明内容
本发明提供了一种基于多传感器协作的无人驾驶路径选择方法,本发明能够有效克服传统道路信息识别精度不高的问题,并且降低了多传感器计算量过大而导致资源分配困难的问题,从而实现高精度道路识别的目标,详见下文描述:
一种基于多传感器协作的无人驾驶路径选择方法,所述方法包括以下步骤:
在车身周围布置多协作传感器和高灵敏度摄像头,并根据车身在行驶识别中的不同位置的重要性进行了传感器分布调整和替换,获取车身周围的所有基本信息;
通过对传感器的覆盖范围和冗余性进行分析,得到汽车自身的行驶状况,将高灵敏度摄像头捕捉到的图像作为全卷积神经网络的输入;
利用全卷积神经网络在编码阶段对数据进行非线性映射;在解码阶段采用非线性激励,利用图像预测通道实现对图像的粗分割,使用Adam算法并对超参数进行优化,对道路进行推理最后得到道路分割模型;
基于分割后的道路,结合卷积神经网络中的行驶路线分割模型综合感知提高识别精度,实现高精度的路径规划。
其中,所述传感器分布调整和替换具体为:
传感器需保证360度完全覆盖,并根据不同部分的重要性不同,对前后左右探测距离进行设置,车身每一部分需要两种以上的传感器进行覆盖。
进一步地,所述在解码阶段采用非线性激励,利用图像预测通道实现对图像的粗分割具体为:
利用全卷积神经网络的特点,取部分图片特征,通过1*1卷积层,得到39*12的图像预测通道,实现对图像的粗分割,分割解码。
其中,所述使用Adam算法并对超参数进行优化,对道路进行推理最后得到道路分割模型具体为:
通过上采样进行反卷积,通过1*1的卷积层进行道路推理,最后获取到道路分割模型,实现对道路的分割。
具体实现时,所述道路分割模型搭接在机器人操作***上,避免了无人驾驶中由于多传感器计算量过大导致资源分配困难的问题,并依据评分对当前自动形式路线做相应的调整,得到最优的路线驾驶方案。
其中,所述方法还对解码阶段中使用到的解码器进行设计,所述解码器包括:分类解码器、检测解码器和分割解码器,以实现对输入数据不同的处理。
进一步地,所述检测解码器引入rezoom层,rezoom层依据高分辨率对边框位置进行预测,对于输入的已编码的特征集合,使其与隐藏层进行连接,之后再通过1*1卷积层来完成。
进一步地,所述分割解码器用先放大预设倍数之后再放大另一预设倍数的方式进行上采样,之后再经过1*1卷积层进行道路推理,最后实现道路分割。
本发明提供的技术方案的有益效果是:
1、用多传感器收集从不同方面的车辆行驶过程中的周围基本信息;利用全卷积神经网络替换目前无人驾驶中的卷积神经网络;
2、利用多传感器收集的信息用全卷积神经网络进行处理;通过分析和对比提高无人驾驶过程中的识别问题;
3、本发明在增加了多传感器之后,可以得到更精细的车身周围信息,利用全卷积神经网络做处理,从而达到提高现有无人驾驶中的识别和选择路径问题;
4、本发明将道路分割模型搭接在ROS(机器人操作***)上,可以解决多传感器计算量过大导致资源分配困难的问题。
附图说明
图1为一种基于多传感器协作的无人驾驶路径选择方法的流程图;
图2为道路分割模型的设计流程图;
图3为传感器分配及安装示意图;
图4为分类解码器工作流程图;
图5为检测解码器工作流程图;
图6为损失随学习率的变化曲线的示意图;
图7为总步长对损失的影响的示意图;
图8为目标识别模型可视化结果的示意图。
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,下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于多传感器协作的无人驾驶路径选择方法,参见图1和图2,该方法包括以下步骤:
101:在车身周围布置多传感器,实现车身周围信息全覆盖,得到车身周围的所有基本信息;
其中,现有的无人驾驶中传感器一般使用的是感知传感器和高灵敏度摄像头。本发明实施例使用的是多协作传感器和高灵敏度摄像头,并根据车身在行驶识别中的不同位置的重要性进行了传感器分布调整和替换,具体传感器布置如下:传感器需能够保证360度完全覆盖,并且根据不同部分的重要性的不同,对前后左右探测距离进行合理的设置,通常前方探测距离要大于后方探测距离,左右两侧的探测距离最小。并且考虑到单一传感器的不准确性,车身的每部分(例如:车门部分)需要两种以上的传感器进行覆盖。
102:通过对传感器的覆盖范围和冗余性进行分析,得到汽车自身的行驶状况,并将高灵敏度摄像头捕捉到的图像作为全卷积神经网络的输入;
其中,该步骤102对收集到的基本信息(如自身速度、与周围对象的距离等)作物理行驶分类和重复信息冗余性分析,用来判断车身自身行驶状况,并对行驶的基本情况做一个初步行驶路线道路规划,并将图片信息做基本处理(降噪,分类)之后发送给神经网络处理单元。
103:利用全卷积神经网络在编码阶段对数据进行非线性映射,提高处理效率和处理效果;
其中,该步骤103对利用传感器收集的图片信息,利用卷积神经网络对输入数据进行一定的映射,卷积层中采用VGG16的结构,这样的结构能够减少参变量的数量,增加了卷积层可以进行更多的非线性映射。
104:在解码阶段采用非线性激励,利用图像预测通道实现对图像的粗分割,使用Adam算法并对超参数进行优化,对道路进行推理最后得到道路分割模型;
其中,该步骤104具体为:通过三类解码器显示对类(即识别对象)进行划分,采用非线性激励,来提高整个网络层的表达能力,之后通过全连接层和software回归层,从而得到分类的概率信息,利用全卷积神经网络的特点,取部分图片特征,通过1*1卷积层,得到39*12的图像预测通道,实现对图像的粗分割,分割解码,使用全卷积神经网络的架构,通过上采样进行反卷积,通过1*1的卷积层进行道路推理,最后获取到道路分割模型(如图2所示),实现对道路的分割。
其中,该道路分割模型包括:多传感器收集信息、冗余和分析处理、计算正确可行驶区域,进而实现道路行驶分割。
105:基于分割后的道路,结合卷积神经网络中的行驶路线分割模型综合感知提高识别精度,实现高精度的路径规划。
其中,该步骤105具体为:对传感器收集到的车身本身行驶状况、周围对象位置进行冗余分析和分类分析,结合卷积神经网络中的行驶路线分割模型,利用两者分析之后的数据做综合评分标准,本道路分割模型搭接在ROS上,避免了无人驾驶中由于多传感器计算量过大导致资源分配困难的问题,并依据评分对当前自动形式路线做相应的调整,得到最优的路线驾驶方案。
综上所述,本发明实施例所述的基于多传感器协作的无人驾驶路径选择方法,提高了无人驾驶环境中的识别问题,有效的为未来的无人驾驶精度问题提供了一种新的思路。
实施例2
下面结合图1至图5,具体的实例对实施例1中的方案进行进一步地介绍,详见下文描述:
201:传感器的具体布置;
具体实现时,通常要兼顾覆盖范围和冗余性。如图3所示,在车的正前方、正后方、车顶和大灯两侧布置激光雷达;在车前后大灯和油箱盖附近布置毫米波雷达***;在车顶装置一个360度实时捕捉视觉信息的灵敏度高速摄像头和声音收集辅助装置。并且考虑到单一传感器的不准确性,每部分需要两种以上的传感器进行覆盖。
202:将利用传感器得到的车身周围的道路信息、距离车身周围目标的远近、汽车本身行驶等信息做一个分类划分,然后对分类结果进行去冗余和分析计算处理,得到车身本身的一个基本的行驶情况,并将图片信息发送至识别模块;
203:在编码器阶段道路分割模型使用卷积神经网络对输入数据进行一定的映射,卷积层的布置采用了VGG16的结构,即13个卷积层加上3个全连接层;
相比于其他卷积网络结构中卷积核较大的卷积层结构,VGG16采用多个3*3小卷积核结构,通过这种方式,不仅可以减少参数数量,并且由于卷积层数增多,即进行了更多次非线性的映射,提升了神经网络的拟合能力。对于输入的1248*384*3大小的张量,通过VGG16卷积结构与池化层之后,使得之后解码阶段输入的张量大小为39*12*512。这在保证非线性和判决性的同时,尽量减少了张量大小,使得解码器阶段的数据处理效率得到了一定的保证。
204:通过三类解码器,分别为分类解码器、检测解码器和分割解码器,以实现对输入数据不同的处理;
在各个解码器的处理中,使用的是全卷积神经网络的算法,接下来将逐一介绍各个解码器的结构与作用。
一、分类解码器
分类解码器(如图4所示)的设计主要显示对类的划分,因此采用了1*1的卷积层进行非线性激励,提高整个网络层的表达能力,之后通过全连接层和software回归层,从而得到分类的概率信息。
二、检测解码器
在检测解码器(如图5所示)中,主要使用多个1*1卷积层来进行道路推理。具体实现过程为对于输入大小为39*12*512的张量,首先使用300个滤波器,通过1*1卷积层来产生一个大小为39*12*300的张量,在神经网络中,可以称其为隐藏层。之后利用全卷积神经网络的特点,取部分图片特征,并使其通过1*1卷积层最终得到39*12的图像预测通道。通过这个具有一定道路的通道,实现了对于图像的粗分割。在39*12的区域中,可以通过算法得到的置信度来实现每个区域的检测。
在本模型中实现了对于不同标签的划分,B代表39*12的区域划分,A代表包含车辆信息的区域,其他部分包括了其他不需要识别部分的信息,另外,A表示验证模型的准确性。尽管通过这种方式道路分割模型可以输出一定的划分结果,但是预测结果相对于其他算法框架,如FAST R-CNN(快速基于区域卷积神经网络),并不具有优势,究其原因可能是由于部分图片特征在经过多层1*1卷积层后分辨率减低导致部分车辆特征已经丢失。因此在道路分割模型的优化方面,优化模型参考MultiNet[1]模型框架(本领域技术人员所公知,本发明实施例对此不做赘述),引入rezoom层,rezoom层依据高分辨率来对边框位置进行预测,对于输入的已编码的特征集合(156*48),使其与隐藏层(39*12)进行连接,之后再通过1*1卷积层来完成。
三、分割解码器
分割解码器使用了全卷积神经网络的架构,由于经过卷积处理之后分辨率变得很低,所以需要通过上采样进行反卷积。由于直接进行32倍上采样得到的图像分辨率很低,因此用先放大一定倍数之后再放大一定倍数的方式进行上采样。通过这种方式,得到了深度为3(该数值为实验值,具体实现时,本发明实施例对此不做限制)的经过上采样的张量,之后再经过1*1卷积层进行道路推理,最后实现道路分割。
205:通过对以上步骤得到的信息(如自身速度、与周围对象的距离等)对汽车现阶段的行驶做自动修正和判别得到最优的自动驾驶路径。
综上所述,本发明实施例所述的基于多传感器协作的无人驾驶路径选择方法,为无人驾驶提供了一种新的可行性方案,对传统无人驾驶方案做了一定程度上的优化,提高了无人驾驶环境中的识别问题,有效的为未来的无人驾驶精度问题提供了一种新的思路。
实施例3
下面结合具体实例对实施例1和2中的方案进行可行性验证,详见下文描述:
本实验使用的是FCN(全卷积神经网络)模型,与CNN(卷积神经网络)模型分别在市区内部、城市道路、野外道路、乡村公路的道路区域上进行了对比。实验结果都显示出了本方法具有一定的优越性,不仅识别精度上有所提升,在时间处理上也有了一定程度的提高。
同时,本方法在学习率上使用Adam算法进行优化,使用对整个网络进行同时更新并且同时增加一定学习率的方式进行训练,绘制损失学习变化曲线,得到最优的学习率。在反向传播更新参数阶段,使用Adam算法,β1与β2分别取0.9和0.999。在此算法下,道路分割模型纵向震荡幅度较小,并且可以获得更大的学习率,从而以更快的速度接近最优值。
通过图6和图7可知,道路分割模型的学***稳,在1E-2到1E-1期间损失逐渐下降并在学习率为IE-1时达到最小值0.38。因此在道路分割模型中,最优学习率选定为0.1。
对于目标识别模型,可视化结果如图8所示,受到市区道路及人群复杂性影响更大,但FCN模型结果表现比较良好。与CNN模型相比,本方法中的FCM模型在总体准确率上提高了3.18%。FCN模型在各个道路状况的表现:市区内部道路区域提升了2.53%;城市道路提升了0.51%;野外石路提升了5.55%;乡村公路提升了5.72%对比与CNN都表现出了良好的性能。
综上所述,通过实验结果显示,对于人的识别,在某些情况下由于像素丢失或遮挡,且像素涵盖范围较小,所以在准确性的识别上相较于其他物体的识别而言表现效果要差一些,但是在评定准确率方法相同的条件下,对于人的识别准确率也可以达到86.8%。
参考文献:
[1]Teichmann M,Weber M,Zoellner M,et al.MultiNet:Real-time JointSemantic Reasoning for Autonomous Driving[J].2016.
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多传感器协作的无人驾驶路径选择方法,其特征在于,所述方法包括以下步骤:
在车身周围布置多协作传感器和高灵敏度摄像头,并根据车身在行驶识别中的不同位置的重要性进行了传感器分布调整和替换,获取车身周围的所有基本信息;
通过对传感器的覆盖范围和冗余性进行分析,得到汽车自身的行驶状况,将高灵敏度摄像头捕捉到的图像作为全卷积神经网络的输入;
利用全卷积神经网络在编码阶段对数据进行非线性映射;在解码阶段采用非线性激励,利用图像预测通道实现对图像的粗分割,使用Adam算法并对超参数进行优化,对道路进行推理最后得到道路分割模型;
基于分割后的道路,结合卷积神经网络中的行驶路线分割模型综合感知提高识别精度,实现高精度的路径规划。
2.根据权利要求1所述的一种基于多传感器协作的无人驾驶路径选择方法,其特征在于,所述传感器分布调整和替换具体为:
传感器需保证360度完全覆盖,并根据不同部分的重要性不同,对前后左右探测距离进行设置,车身每一部分需要两种以上的传感器进行覆盖。
3.根据权利要求1所述的一种基于多传感器协作的无人驾驶路径选择方法,其特征在于,所述在解码阶段采用非线性激励,利用图像预测通道实现对图像的粗分割具体为:
利用全卷积神经网络的特点,取部分图片特征,通过1*1卷积层,得到39*12的图像预测通道,实现对图像的粗分割,分割解码。
4.根据权利要求1所述的一种基于多传感器协作的无人驾驶路径选择方法,其特征在于,所述使用Adam算法并对超参数进行优化,对道路进行推理最后得到道路分割模型具体为:
通过上采样进行反卷积,通过1*1的卷积层进行道路推理,最后获取到道路分割模型,实现对道路的分割。
5.根据权利要求1或4所述的一种基于多传感器协作的无人驾驶路径选择方法,其特征在于,所述道路分割模型搭接在机器人操作***上,避免了无人驾驶中由于多传感器计算量过大导致资源分配困难的问题,并依据评分对当前自动形式路线做相应的调整,得到最优的路线驾驶方案。
6.根据权利要求1所述的一种基于多传感器协作的无人驾驶路径选择方法,其特征在于,所述方法还对解码阶段中使用到的解码器进行设计,所述解码器包括:分类解码器、检测解码器和分割解码器,以实现对输入数据不同的处理。
7.根据权利要求1所述的一种基于多传感器协作的无人驾驶路径选择方法,其特征在于,所述检测解码器引入rezoom层,rezoom层依据高分辨率对边框位置进行预测,对于输入的已编码的特征集合,使其与隐藏层进行连接,之后再通过1*1卷积层来完成。
8.根据权利要求1所述的一种基于多传感器协作的无人驾驶路径选择方法,其特征在于,所述分割解码器用先放大预设倍数之后再放大另一预设倍数的方式进行上采样,之后再经过1*1卷积层进行道路推理,最后实现道路分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088816.7A CN109886152A (zh) | 2019-01-30 | 2019-01-30 | 一种基于多传感器协作的无人驾驶路径选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910088816.7A CN109886152A (zh) | 2019-01-30 | 2019-01-30 | 一种基于多传感器协作的无人驾驶路径选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109886152A true CN109886152A (zh) | 2019-06-14 |
Family
ID=66927355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910088816.7A Pending CN109886152A (zh) | 2019-01-30 | 2019-01-30 | 一种基于多传感器协作的无人驾驶路径选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886152A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427034A (zh) * | 2019-08-13 | 2019-11-08 | 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 |
CN110660141A (zh) * | 2019-09-06 | 2020-01-07 | 杭州博信智联科技有限公司 | 路面状况检测方法、装置、电子设备及可读存储介质 |
CN111307182A (zh) * | 2020-03-06 | 2020-06-19 | 宁波飞芯电子科技有限公司 | 数据处理方法及阵列型传感器 |
CN111898702A (zh) * | 2020-08-14 | 2020-11-06 | 海之韵(苏州)科技有限公司 | 一种基于深度学习的无人艇环境智能感知方法 |
CN112650209A (zh) * | 2020-09-01 | 2021-04-13 | 上海纳深机器人有限公司 | 一种基于多传感器融合的ai教育机器人无人驾驶方法 |
CN115331082A (zh) * | 2022-10-13 | 2022-11-11 | 天津大学 | 追踪声源的路径生成方法、模型的训练方法及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 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 |
CN108415237A (zh) * | 2018-01-24 | 2018-08-17 | 中山大学 | 一种基于软硬件冗余评分模型的嵌入式高可靠自动驾驶控制器 |
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN108985194A (zh) * | 2018-06-29 | 2018-12-11 | 华南理工大学 | 一种基于图像语义分割的智能车辆可行驶区域的识别方法 |
-
2019
- 2019-01-30 CN CN201910088816.7A patent/CN109886152A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9760806B1 (en) * | 2016-05-11 | 2017-09-12 | TCL Research America Inc. | Method and system for vision-centric deep-learning-based road situation analysis |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN107226087A (zh) * | 2017-05-26 | 2017-10-03 | 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 |
CN108415237A (zh) * | 2018-01-24 | 2018-08-17 | 中山大学 | 一种基于软硬件冗余评分模型的嵌入式高可靠自动驾驶控制器 |
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108985194A (zh) * | 2018-06-29 | 2018-12-11 | 华南理工大学 | 一种基于图像语义分割的智能车辆可行驶区域的识别方法 |
Non-Patent Citations (3)
Title |
---|
QIANGLI_STRONG: "MultiNet:自主驾驶中的实时联合语义推理 论文翻译", 《CSDN》 * |
TEICHMANN M ET AL: "MultiNet:Real-time JointSemantic Reasoning for Autonomous Driving", 《2018 IEEE INTELLIGENT VEHICLES SYMPOSIUM》 * |
张永宏 等: "基于全卷积神经网络的多源高分辨率遥感道路提取", 《计算机应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427034A (zh) * | 2019-08-13 | 2019-11-08 | 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 |
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 |
CN110660141A (zh) * | 2019-09-06 | 2020-01-07 | 杭州博信智联科技有限公司 | 路面状况检测方法、装置、电子设备及可读存储介质 |
CN111307182A (zh) * | 2020-03-06 | 2020-06-19 | 宁波飞芯电子科技有限公司 | 数据处理方法及阵列型传感器 |
CN111307182B (zh) * | 2020-03-06 | 2022-08-23 | 宁波飞芯电子科技有限公司 | 数据处理方法及阵列型传感器 |
CN111898702A (zh) * | 2020-08-14 | 2020-11-06 | 海之韵(苏州)科技有限公司 | 一种基于深度学习的无人艇环境智能感知方法 |
CN112650209A (zh) * | 2020-09-01 | 2021-04-13 | 上海纳深机器人有限公司 | 一种基于多传感器融合的ai教育机器人无人驾驶方法 |
CN115331082A (zh) * | 2022-10-13 | 2022-11-11 | 天津大学 | 追踪声源的路径生成方法、模型的训练方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886152A (zh) | 一种基于多传感器协作的无人驾驶路径选择方法 | |
US11922708B2 (en) | Multiple stage image based object detection and recognition | |
US11353553B2 (en) | Multisensor data fusion method and apparatus to obtain static and dynamic environment features | |
CN106926800B (zh) | 多摄像头适配的车载视觉感知*** | |
CN112149550B (zh) | 一种基于多传感器融合的自动驾驶车辆3d目标检测方法 | |
CN109634282A (zh) | 自动驾驶车辆、方法和装置 | |
US20220261601A1 (en) | Multiple Stage Image Based Object Detection and Recognition | |
CN112930554A (zh) | 用于确定车辆环境的语义网格的电子设备、***和方法 | |
CN106980657A (zh) | 一种基于信息融合的车道级电子地图构建方法 | |
CN103455144A (zh) | 车载人机交互***及方法 | |
KR20230004212A (ko) | 대상체 검출을 위한 교차 모달리티 능동 학습 | |
CN107316457A (zh) | 判断道路交通状况是否符合汽车自动驾驶的方法 | |
CN114926984B (zh) | 一种实时交通冲突收集与道路安全评价方法 | |
CN117130010B (zh) | 用于无人驾驶的障碍物感知方法、***及无人驾驶汽车 | |
CN114445798A (zh) | 一种基于深度学习的城市道路停车位识别方法及*** | |
CN117387647A (zh) | 融合车载传感器数据与道路传感器数据的道路规划方法 | |
US11314974B2 (en) | Detecting debris in a vehicle path | |
CN116563801A (zh) | 交通事故检测方法、装置、电子设备和介质 | |
CN116337101A (zh) | 基于数字孪生技术的无人驾驶环境感知与导航*** | |
CN115909815A (zh) | 基于多元数据的融合检测方法、装置、设备及存储介质 | |
US20230394682A1 (en) | Object tracking device and object tracking method | |
US11663514B1 (en) | Multimodal input processing system | |
JP2021008258A (ja) | スマートオブジェクトの知識の共有 | |
US11651583B2 (en) | Multi-channel object matching | |
Muthumanickam et al. | Vehicle health monitoring and accident avoidance system based on IoT model |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190614 |