CN109927719B - 一种基于障碍物轨迹预测的辅助驾驶方法和*** - Google Patents
一种基于障碍物轨迹预测的辅助驾驶方法和*** Download PDFInfo
- Publication number
- CN109927719B CN109927719B CN201711351196.9A CN201711351196A CN109927719B CN 109927719 B CN109927719 B CN 109927719B CN 201711351196 A CN201711351196 A CN 201711351196A CN 109927719 B CN109927719 B CN 109927719B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- dynamic
- obstacle
- track
- running track
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供一种基于障碍物轨迹预测的辅助驾驶方法和***,所述方法包括,获取车载传感器所采集的本车周围的环境数据;基于所述环境数据,确定本车周围的动态障碍物的可行驶区域;利用动态障碍物的历史状态信息和可行驶区域,预测动态障碍物的行驶轨迹;判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况。可以计算障碍物轨迹与本车轨迹的风险系数,进行提前预警。
Description
【技术领域】
本申请涉及自动控制领域,尤其涉及一种基于障碍物轨迹预测的辅助驾驶方法和***。
【背景技术】
现有车辆辅助驾驶***中常见的有自适应巡航控制***(Adaptive CruiseControl)和紧急自动刹车***(Autonomous Emergency Brake),***通过检测所在行驶道路的障碍物状态,在某些条件促发后才确定采取加速还是刹车减速策略。
但这些现有车辆辅助驾驶***存在不足之处:
1、预警时间较短,由于使用被动式检测技术,只有当这些条件被触发,例如当障碍物进入行驶区域,才采取报警或动作,无法在障碍物进入行驶区域之前采取相应策略。通常在这些条件被触发时,车辆已经处于一定危险状态,预留给驾驶员或是辅助驾驶***的时间往往不足以保证安全,更无法保证舒适性。
2、适用场景较窄,仅能适用于道路场景简单的道路场景,如高速路、城市环路,很难适用常见的复杂城市道路场景。
3、缺乏主动的预判能力。
【发明内容】
本申请的多个方面提供一种基于障碍物轨迹预测的辅助驾驶方法和***,用于计算障碍物轨迹与本车轨迹的风险系数,进行提前预警。
本申请的一方面,提供一种基于障碍物轨迹预测的辅助驾驶方法,包括:
获取车载传感器所采集的本车周围的环境数据;
基于所述环境数据,确定本车周围的动态障碍物的可行驶区域;
利用动态障碍物的历史状态信息和可行驶区域,预测动态障碍物的行驶轨迹;
判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述环境数据包括:动态障碍物、静态障碍物和交通信号。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,基于所述环境数据,确定本车周围的动态障碍物的可行驶区域包括:
根据预设的交通规则,分析动态障碍物与动态障碍物、动态障碍物与静态障碍物、动态障碍物与交通信号之间的关系,提取动态障碍物的所有可行驶区域。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,利用动态障碍物的历史状态信息和可行驶区域,预测动态障碍物的行驶轨迹包括:
将动态障碍物的历史状态信息和可行驶区域输入障碍物轨迹预测模型,预测动态障碍物的行驶轨迹。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述障碍物轨迹预测模型为深度神经网络模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况包括:
根据动态障碍物的预测轨迹与本车行驶轨迹相同位置的时间差;或,相同时间点的速度差、距离差判断危险系数。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,本车的行驶轨迹是根据本车的当前状态信息和本车控制***发送的控制指令预测得到的。
本申请的另一方面,提供一种基于障碍物轨迹预测的辅助驾驶***,包括:
获取模块,用于获取车载传感器所采集的本车周围的环境数据;
可行驶区域确定模块,用于基于所述环境数据,确定本车周围的动态障碍物的可行驶区域;
障碍物轨迹预测模块,用于利用动态障碍物的历史状态信息和可行驶区域,预测动态障碍物的行驶轨迹;
判断模块,用于判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述环境数据包括:动态障碍物、静态障碍物和交通信号。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述可行驶区域确定模块,具体用于:
根据预设的交通规则,分析动态障碍物与动态障碍物、动态障碍物与静态障碍物、动态障碍物与交通信号之间的关系,提取动态障碍物的所有可行驶区域。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述障碍物轨迹预测模块,具体用于:
将动态障碍物的历史状态信息和可行驶区域输入障碍物轨迹预测模型,预测动态障碍物的行驶轨迹。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述障碍物轨迹预测模型为深度神经网络模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述判断模块,具体用于:
根据动态障碍物的预测轨迹与本车行驶轨迹相同位置的时间差;或,相同时间点的速度差、距离差判断危险系数。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述***还包括本车轨迹预测模块,用于根据本车的当前状态信息和本车控制***发送的控制指令预测本车轨迹。
本发明的另一方面,提供一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
本发明的另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
由所述技术方案可知,本申请实施例可以计算障碍物轨迹与本车轨迹的风险系数,进行提前预警。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的基于障碍物轨迹预测的辅助驾驶方法的流程示意图;
图2为本申请实施例中一种具体场景的示意图;
图3为本申请实施例中另一种具体场景的示意图;
图4为本申请另一实施例提供的基于障碍物轨迹预测的辅助驾驶***的结构示意图;
图5示出了适于用来实现本发明实施方式的示例性计算机***/服务器012的框图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本申请保护的范围。
图1为本申请一实施例提供的基于障碍物轨迹预测的辅助驾驶方法的示意图,如图1所示,包括以下步骤:
步骤S11、获取车载传感器所采集的本车周围的环境数据;
步骤S12、基于所述环境数据,确定本车周围的动态障碍物的可行驶区域;
步骤S13、利用动态障碍物的历史状态信息和可行驶区域,预测动态障碍物的行驶轨迹;
步骤S14、判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况。
在步骤S11的一种优选实现方式中,
优选地,获取车载传感器所采集的数据,基于所述数据检测本车周围的动态障碍物、静态障碍物和交通信号;并获取所述动态障碍物、静态障碍物和交通信号的位置、类型信息。
所述车载传感器包括:安装在本车前挡风玻璃的上端、车尾后端、车身两侧的相机,安装在本车前保险杠中央、前保险杠两侧、后保险杠两侧的毫米波雷达,安装在本车顶部中心位置、前端、左侧和右侧的激光雷达,安装在顶部支架后端的GPS-IMU组合导航模块等。形成了以本车为中心的360度感知。
优选地,所述步骤包括以下子步骤:
子步骤S111、通过同步板卡进行多传感器的快速同步,或,通过时间线采集多个传感器的数据信息,实现多传感器数据联合采集并基于所采集的数据进行检测。
其中,检测结果包括:动态障碍物,包括但不限于行人、车辆(机动车和非机动车)等;静态障碍物,包括但不限于路障设施、车道间护栏等;交通信号,包括但不限于交通信号灯、交通标志和交通标线等。
优选地,
控制相机采集图像并进行检测;
优选地,控制多个相机从不同的方位采集图像。根据多个相机从不同的方位采集到的图像;进行特征点采集与特征点匹配;在所有相机成像面中的多个二维平面坐标所构成的多条空间异面直线,通过三维坐标定位算法进行三维点重构,得到障碍物坐标。
优选地,对图像进行图像识别,包括识别车辆类型、车辆转向灯,识别行人,识别信号灯的位置、类型、颜色,以及识别交通标志、道路标线、路障设施、车道间护栏等。
在本实施例中,以10帧每秒的速度进行拍摄。
控制毫米波雷达获取目标的反射信号,优选地,使用FMCW连续线性调频波去探测障碍物的距离信息,通过多个接收天线接收到信号的时延即相位差来探测障碍物的方位信息。
通过GPS-IMU组合导航模块获取本车的GPS信号和惯性导航信号,计算本车的位置和姿态信息。
优选地,还可以控制激光雷达采集激光点云数据并进行检测,作为相机的补充。优选地,激光雷达以一定的角速度匀速转动,在这个过程中不断地发出激光并收集反射点的信息,以便得到全方位的环境信息。激光雷达在收集反射点距离的过程中也会同时记录下该点发生的时间和水平角度,并且每个激光发射器都有编号和固定的垂直角度,根据这些数据可以计算出所有反射点的坐标。激光雷达每旋转一周收集到的所有反射点坐标的集合就形成了点云。使用滤波器滤除激光点云中的干扰,并依据目标的形状空间位置特征,通过模式聚类分析的方法进行目标检测,得到障碍物类型;通过调整距离阈值的方法,将聚类分成的子群重新合并,确定新的聚类中心实现目标定位,得到障碍物坐标。
子步骤S112、选择参考坐标系,将检测结果在各传感器坐标系中的坐标转换到参考坐标系;
所述传感器的初始空间配置是事先已知的,可以根据多个传感器在本车车体上的测量数据得到。
根据障碍物与本车的相对位置关系,以及本车的位置和姿态信息,可以将障碍物的位置信息转换到统一参考坐标系中。所述参考坐标系可以是大地坐标系,以方便进一步处理。
优选地,根据持续检测得到的各动态障碍物在不同时间点的位置信息,可以得到各动态障碍物的状态信息,包括当前状态信息以及历史状态信息。所述状态信息包括各动态障碍物的位置、速度、方向信息。
优选地,所述状态信息还包括通过图像识别得到的动态障碍物中车辆的转向灯信息。
在步骤S12的一种优选实现方式中,
优选地,根据预设的交通规则库,分析动态障碍物与动态障碍物、动态障碍物与静态障碍物、动态障碍物与交通信号之间的关系,提取动态障碍物的所有可行驶区域。
优选地,可以在本车设置的辅助驾驶***的场景分析模块执行上述操作,也可以将步骤S11得到的动态障碍物、静态障碍物和交通信号的位置、类型信息上传到服务器,由服务器执行上述操作。
优选地,所述可行驶区域代表了动态障碍物正常行驶状态下可能行驶经过的区域,是道路标线内的区域,包括但不限于行人横穿马路、车辆直行、变道、左转、右转、掉头等动作所要经过的区域。
所述预设的交通规则库包括:
动态障碍物需在对应的道路中行驶;
动态障碍物需遵守交通信号。
优选地,在分析动态障碍物,例如车辆与动态障碍物之间的关系时,将本车作为该车辆对应的动态障碍物进行分析。
例如,如附图2所示,本车0识别到动态障碍物车辆1,动态障碍物车辆1的可行驶区域为直行2和向右换道3两种可能。
如附图3所示,本车0识别到动态障碍物车辆1,动态障碍物车辆1的可行驶区域为右转6、直行7、左转8三种可能;行人7的可行驶区域为横穿马路9和10两种可能。
在步骤S13的一种优选实现方式中,
优选地,将动态障碍物的历史状态信息以及可行驶区域输入障碍物轨迹预测模型,生成动态障碍物的预测轨迹;
例如,如附图2所示,生成动态障碍物车辆1的预测轨迹4;如附图3所示,生成动态障碍物车辆1的预测轨迹12,动态障碍物行人5的预测轨迹11。
所述障碍物轨迹预测模型是通过以下步骤预先训练的:
采集动态障碍物的历史状态信息中每一时刻前m秒的状态信息;其中,数据采样为每0.1秒采样一次,同时,分析每一时刻的可行驶区域。取之后n秒的状态信息作为输出。其中m、n为大于等于1的整数;
根据所述训练集,以每一时刻前m秒的状态信息和该时刻的可行驶区域作为输入,后n秒的状态信息作为输出,训练障碍物轨迹预测模型。
优选地,所述障碍物轨迹预测模型为深度神经网络模型,所述深度神经网络包括输入层,隐含层和输出层,用于接收每一时刻前m秒的状态信息和该时刻的可行驶区域,计算动态障碍物行驶在各可行驶区域的概率,在概率最高的可行驶区域中进行计算并输出对应的后n秒的状态信息。
利用后向传播算法对深度神经网络的模型参数进行调整。
优选地,取m=3,n=5。
在步骤S14的一种优选实现方式中,
优选地,结合动态障碍物的预测轨迹和本车的行驶轨迹,判断动态障碍物和本车之间的风险状况,如危险系数,包括:
根据相同位置的时间差,即动态障碍物和本车行驶到轨迹相交处的时间的差值判断危险系数;或,
根据相同时间点的速度差、距离差判断危险系数,包括:根据纵向距离差、纵向速度差判断危险系数,和根据横向距离差、横向速度差判断危险系数。其中,所述速度差为动态障碍物与本车的接近速度。
其中,本车的行驶轨迹是由辅助驾驶***接收本车控制***发送的控制指令,包括:转向、加速、制动等指令,根据本车的当前状态信息,预测得到的。
优选地,当动态障碍物的预测轨迹和本车的行驶轨迹在同一车道上,
如果纵向距离差大于当前纵向速度差下的制动安全距离,则危险系数为0;
如果纵向距离差小于当前纵向速度差下的制动安全距离,则危险系数为0。
例如,当动态障碍物的预测轨迹和本车的行驶轨迹在相邻车道上,
如果横向距离差大于当前横向速度差下的安全反应距离,则危险系数为0;
如果横向距离差小于当前横向速度差下的安全反应距离,则危险系数为1。
优选地,还可以根据动态障碍物与本车之间的危险系数,向本车驾驶员预警所确定的可能的碰撞事件。根据危险系数的大小发出警报,通过语音提示、屏幕查询或任何其它输出方法来对驾驶员进行碰撞警报,使驾驶员有一段可以避撞时间的距离,此时驾驶员可以做出正确操作进行避撞。
根据本实施例,可以计算障碍物轨迹与本车轨迹的风险系数,进行提前预警。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
在所述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
图4为本申请一实施例提供的基于障碍物轨迹预测的辅助驾驶方法的示意图,如图4所示,包括:
获取模块41,用于获取车载传感器所采集的本车周围的环境数据;
可行驶区域确定模块42,用于基于所述环境数据,确定本车周围的动态障碍物的可行驶区域;
障碍物轨迹预测模块43,用于利用动态障碍物的历史状态信息和可行驶区域,预测动态障碍物的行驶轨迹;
判断模块44,用于判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况。
在获取模块41的一种优选实现方式中,
优选地,获取车载传感器所采集的数据,基于所述数据检测本车周围动态障碍物、静态障碍物和交通信号;并获取所述动态障碍物、静态障碍物和交通信号的位置、类型信息。
所述车载传感器包括:安装在本车前挡风玻璃的上端、车尾后端、车身两侧的相机,安装在本车前保险杠中央、前保险杠两侧、后保险杠两侧的毫米波雷达,安装在本车顶部中心位置、前端、左侧和右侧的激光雷达,安装在顶部支架后端的GPS-IMU组合导航模块等。形成了以本车为中心的360度感知。
优选地,通过同步板卡进行多传感器的快速同步,或,通过时间线采集多个传感器的数据信息,实现多传感器数据联合采集并基于所采集的数据进行检测。
其中,检测结果包括:动态障碍物,包括但不限于行人、车辆(机动车和非机动车)等;静态障碍物,包括但不限于路障设施、车道间护栏等;交通信号,包括但不限于交通信号灯、交通标志和交通标线等。
优选地,多传感器数据联合采集包括:
控制相机采集图像并进行检测;
优选地,控制多个相机从不同的方位采集图像。根据多个相机从不同的方位采集到的图像;进行特征点采集与特征点匹配;在所有相机成像面中的多个二维平面坐标所构成的多条空间异面直线,通过三维坐标定位算法进行三维点重构,得到障碍物坐标。
优选地,对图像进行图像识别,包括识别车辆类型、车辆转向灯,识别行人,识别信号灯的位置、类型、颜色,以及识别交通标志、道路标线、路障设施、车道间护栏等。
在本实施例中,以10帧每秒的速度进行拍摄。
控制毫米波雷达获取目标的反射信号,优选地,使用FMCW连续线性调频波去探测障碍物的距离信息,通过多个接收天线接收到信号的时延即相位差来探测障碍物的方位信息。
通过GPS-IMU组合导航模块获取本车的GPS信号和惯性导航信号,计算本车的位置和姿态信息。
优选地,还可以控制激光雷达采集激光点云数据并进行检测,作为相机的补充。优选地,激光雷达以一定的角速度匀速转动,在这个过程中不断地发出激光并收集反射点的信息,以便得到全方位的环境信息。激光雷达在收集反射点距离的过程中也会同时记录下该点发生的时间和水平角度,并且每个激光发射器都有编号和固定的垂直角度,根据这些数据可以计算出所有反射点的坐标。激光雷达每旋转一周收集到的所有反射点坐标的集合就形成了点云。使用滤波器滤除激光点云中的干扰,并依据目标的形状空间位置特征,通过模式聚类分析的方法进行目标检测,得到障碍物类型;通过调整距离阈值的方法,将聚类分成的子群重新合并,确定新的聚类中心实现目标定位,得到障碍物坐标。
选择参考坐标系,将检测结果在各传感器坐标系中的坐标转换到参考坐标系;
所述传感器的初始空间配置是事先已知的,可以根据多个传感器在本车车体上的测量数据得到。
根据障碍物与本车的相对位置关系,以及本车的位置和姿态信息,可以将障碍物的位置信息转换到统一参考坐标系中。所述参考坐标系可以是大地坐标系,以方便进一步处理。
优选地,根据持续检测得到的各动态障碍物在不同时间点的位置信息,可以得到各动态障碍物的状态信息,包括当前状态信息以及历史状态信息。所述状态信息包括各动态障碍物的位置、速度、方向信息。
优选地,所述状态信息还包括通过图像识别得到的动态障碍物中车辆的转向灯信息。
在可行驶区域确定模块42的一种优选实现方式中,
优选地,根据预设的交通规则库,分析动态障碍物与动态障碍物、动态障碍物与静态障碍物、动态障碍物与交通信号之间的关系,提取动态障碍物的所有可行驶区域。
优选地,可以在本车设置的辅助驾驶***的场景分析模块执行上述操作,也可以将步骤S11得到的动态障碍物、静态障碍物和交通信号的位置、类型信息上传到服务器,由服务器执行上述操作。
优选地,所述可行驶区域代表了动态障碍物正常行驶状态下可能行驶经过的区域,是道路标线内的区域,包括但不限于行人横穿马路、车辆直行、变道、左转、右转、掉头等动作所要经过的区域。
所述预设的交通规则库包括:
动态障碍物需在对应的道路中行驶;
动态障碍物需遵守交通信号。
优选地,在分析动态障碍物,例如车辆与动态障碍物之间的关系时,将本车作为该车辆对应的动态障碍物进行分析。
例如,如附图2所示,本车0识别到动态障碍物车辆1,动态障碍物车辆1的可行驶区域为直行2和向右换道3两种可能。
如附图3所示,本车0识别到动态障碍物车辆1,动态障碍物车辆1的可行驶区域为右转6、直行7、左转8三种可能;行人7的可行驶区域为横穿马路9和10两种可能。
在障碍物轨迹预测模块43的一种优选实现方式中,
优选地,将动态障碍物的历史状态信息以及可行驶区域输入障碍物轨迹预测模型,生成动态障碍物的预测轨迹;
例如,如附图2所示,生成动态障碍物车辆1的预测轨迹4;如附图3所示,生成动态障碍物车辆1的预测轨迹12,动态障碍物行人5的预测轨迹11。
所述障碍物轨迹预测模型是通过以下步骤预先训练的:
采集动态障碍物的历史状态信息中每一时刻前m秒的状态信息;其中,数据采样为每0.1秒采样一次,同时,分析每一时刻的可行驶区域。取之后n秒的状态信息作为输出。其中m、n为大于等于1的整数;
根据所述训练集,以每一时刻前m秒的状态信息和该时刻的可行驶区域作为输入,后n秒的状态信息作为输出,训练障碍物轨迹预测模型。
优选地,所述障碍物轨迹预测模型为深度神经网络模型,所述深度神经网络包括输入层,隐含层和输出层,用于接收每一时刻前m秒的状态信息和该时刻的可行驶区域,计算动态障碍物行驶在各可行驶区域的概率,在概率最高的可行驶区域中进行计算并输出对应的后n秒的状态信息。
利用后向传播算法对深度神经网络的模型参数进行调整。
优选地,取m=3,n=5。
在步骤判断模块44的一种优选实现方式中,
优选地,结合动态障碍物的预测轨迹和本车的行驶轨迹,判断动态障碍物和本车之间的风险状况,如危险系数,包括:
根据相同位置的时间差,即动态障碍物和本车行驶到轨迹相交处的时间的差值判断危险系数;或,
根据相同时间点的速度差、距离差判断危险系数,包括:根据纵向距离差、纵向速度差判断危险系数,和根据横向距离差、横向速度差判断危险系数。其中,所述速度差为动态障碍物与本车的接近速度。
其中,本车的行驶轨迹是由本车轨迹预测模块,用于根据本车的当前状态信息和本车控制***发送的控制指令预测得到的。
优选地,当动态障碍物的预测轨迹和本车的行驶轨迹在同一车道上,
如果纵向距离差大于当前纵向速度差下的制动安全距离,则危险系数为0;
如果纵向距离差小于当前纵向速度差下的制动安全距离,则危险系数为0。
例如,当动态障碍物的预测轨迹和本车的行驶轨迹在相邻车道上,
如果横向距离差大于当前横向速度差下的安全反应距离,则危险系数为0;
如果横向距离差小于当前横向速度差下的安全反应距离,则危险系数为1。
优选地,优选地,所述***还包括提示模块,用于根据动态障碍物与本车之间的危险系数,向本车驾驶员预警所确定的可能的碰撞事件。根据危险系数的大小发出警报,通过语音提示、屏幕查询或任何其它输出方法来对驾驶员进行碰撞警报,使驾驶员有一段可以避撞时间的距离,此时驾驶员可以做出正确操作进行避撞。
根据本实施例,可以计算障碍物轨迹与本车轨迹的风险系数,进行提前预警。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
图5示出了适于用来实现本发明实施方式的示例性计算机***/服务器012的框图。图5显示的计算机***/服务器012仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机***/服务器012以通用计算设备的形式表现。计算机***/服务器012的组件可以包括但不限于:一个或者多个处理器或者处理单元016,***存储器028,连接不同***组件(包括***存储器028和处理单元016)的总线018。
总线018表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
计算机***/服务器012典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机***/服务器012访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器028可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机***/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***034可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块042的程序/实用工具040,可以存储在例如存储器028中,这样的程序模块042包括——但不限于——操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。
计算机***/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信,在本发明中,计算机***/服务器012与外部雷达设备进行通信,还可与一个或者多个使得用户能与该计算机***/服务器012交互的设备通信,和/或与使得该计算机***/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且,计算机***/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图5所示,网络适配器020通过总线018与计算机***/服务器012的其它模块通信。应当明白,尽管图5中未示出,可以结合计算机***/服务器012使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元016通过运行存储在***存储器028中的程序,从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中,即该计算机存储介质被编码有计算机程序,该程序在被一个或多个计算机执行时,使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展,介质含义越来越广泛,计算机程序的传播途径不再受限于有形介质,还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更优选地例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (14)
1.一种基于障碍物轨迹预测的辅助驾驶方法,其特征在于,包括:
获取车载传感器所采集的本车周围的环境数据;
基于所述环境数据,确定本车周围的动态障碍物的可行驶区域;
将动态障碍物的历史状态信息和可行驶区域输入障碍物轨迹预测模型,预测动态障碍物的行驶轨迹;
判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况,所述本车行驶轨迹根据本车的当前状态信息预测得到,其中,所述风险状况为危险系数,所述判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况包括:当动态障碍物的行驶轨迹与本车行驶轨迹在同一车道上,根据纵向距离差和当前纵向速度差下的制动安全距离,确定所述危险系数;或者,当动态障碍物的行驶轨迹与本车行驶轨迹在相邻车道上,根据横向距离差和当前横向速度差下的安全反应距离,确定所述危险系数;以及,
根据所述危险系数对本车进行预警。
2.根据权利要求1所述的方法,其特征在于,
所述环境数据包括:动态障碍物、静态障碍物和交通信号。
3.根据权利要求2所述的方法,其特征在于,基于所述环境数据,确定本车周围的动态障碍物的可行驶区域包括:
根据预设的交通规则,分析动态障碍物与动态障碍物、动态障碍物与静态障碍物、动态障碍物与交通信号之间的关系,提取动态障碍物的所有可行驶区域。
4.根据权利要求1所述的方法,其特征在于,
所述障碍物轨迹预测模型为深度神经网络模型。
5.根据权利要求1所述的方法,其特征在于,判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况包括:
根据动态障碍物的预测轨迹与本车行驶轨迹相同位置的时间差;或,相同时间点的速度差、距离差判断危险系数。
6.根据权利要求1所述的方法,其特征在于,本车的行驶轨迹是根据本车的当前状态信息和本车控制***发送的控制指令预测得到的。
7.一种基于障碍物轨迹预测的辅助驾驶***,其特征在于,包括:
获取模块,用于获取车载传感器所采集的本车周围的环境数据;
可行驶区域确定模块,用于基于所述环境数据,确定本车周围的动态障碍物的可行驶区域;
障碍物轨迹预测模块,用于将动态障碍物的历史状态信息和可行驶区域输入障碍物轨迹预测模型,预测动态障碍物的行驶轨迹;
判断模块,用于判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况,所述本车行驶轨迹根据本车的当前状态信息预测得到,其中,所述风险状况为危险系数,所述判断动态障碍物的行驶轨迹与本车行驶轨迹冲突的风险状况包括:当动态障碍物的行驶轨迹与本车行驶轨迹在同一车道上,根据纵向距离差和当前纵向速度差下的制动安全距离,确定所述危险系数;或者,当动态障碍物的行驶轨迹与本车行驶轨迹在相邻车道上,根据横向距离差和当前横向速度差下的安全反应距离,确定所述危险系数;以及,根据所述危险系数对本车进行预警。
8.根据权利要求7所述的***,其特征在于,
所述环境数据包括:动态障碍物、静态障碍物和交通信号。
9.根据权利要求8所述的***,其特征在于,所述可行驶区域确定模块,具体用于:
根据预设的交通规则,分析动态障碍物与动态障碍物、动态障碍物与静态障碍物、动态障碍物与交通信号之间的关系,提取动态障碍物的所有可行驶区域。
10.根据权利要求7所述的***,其特征在于,
所述障碍物轨迹预测模型为深度神经网络模型。
11.根据权利要求7所述的***,其特征在于,所述判断模块,具体用于:
根据动态障碍物的预测轨迹与本车行驶轨迹相同位置的时间差;或,相同时间点的速度差、距离差判断危险系数。
12.根据权利要求7所述的***,其特征在于,所述***还包括本车轨迹预测模块,用于根据本车的当前状态信息和本车控制***发送的控制指令预测本车轨迹。
13.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~6中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711351196.9A CN109927719B (zh) | 2017-12-15 | 2017-12-15 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711351196.9A CN109927719B (zh) | 2017-12-15 | 2017-12-15 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109927719A CN109927719A (zh) | 2019-06-25 |
CN109927719B true CN109927719B (zh) | 2022-03-25 |
Family
ID=66980214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711351196.9A Active CN109927719B (zh) | 2017-12-15 | 2017-12-15 | 一种基于障碍物轨迹预测的辅助驾驶方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109927719B (zh) |
Families Citing this family (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110371112B (zh) * | 2019-07-06 | 2021-10-01 | 深圳数翔科技有限公司 | 一种自动驾驶车辆的智能避障***及方法 |
US20210027629A1 (en) * | 2019-07-25 | 2021-01-28 | Baidu Usa Llc | Blind area processing for autonomous driving vehicles |
US11087477B2 (en) * | 2019-07-29 | 2021-08-10 | Honda Motor Co., Ltd. | Trajectory prediction |
US20210081843A1 (en) * | 2019-09-17 | 2021-03-18 | Seyed Ershad BANIJAMALI | Methods and systems for observation prediction in autonomous vehicles |
CN110758381B (zh) * | 2019-09-18 | 2021-05-04 | 北京汽车集团有限公司 | 生成转向轨迹的方法、装置、存储介质及电子设备 |
CN110615001B (zh) * | 2019-09-27 | 2021-04-27 | 汉纳森(厦门)数据股份有限公司 | 一种基于can数据的驾驶安全提醒方法、装置及介质 |
CN114450703A (zh) * | 2019-09-30 | 2022-05-06 | 北京航迹科技有限公司 | 预测行人的移动轨迹的***和方法 |
CN114401876A (zh) * | 2019-09-30 | 2022-04-26 | 北京航迹科技有限公司 | 用于预测自行车轨迹的***和方法 |
CN110654380B (zh) * | 2019-10-09 | 2023-12-15 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110654381B (zh) * | 2019-10-09 | 2021-08-31 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
KR20210044963A (ko) * | 2019-10-15 | 2021-04-26 | 현대자동차주식회사 | 자율주행차량의 차선변경 경로 결정 장치 및 그 방법 |
CN110834630A (zh) * | 2019-10-22 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆的驾驶控制方法、装置、车辆及存储介质 |
CN112784628B (zh) * | 2019-11-06 | 2024-03-19 | 北京地平线机器人技术研发有限公司 | 轨迹预测方法、用于轨迹预测的神经网络训练方法及装置 |
US10928820B1 (en) * | 2019-11-12 | 2021-02-23 | Baidu Usa Llc | Confidence levels along the same predicted trajectory of an obstacle |
CN110703770A (zh) * | 2019-11-12 | 2020-01-17 | 中科(徐州)人工智能研究院有限公司 | 一种轨道检测车自动行驶控制的方法及装置 |
CN112824832A (zh) * | 2019-11-20 | 2021-05-21 | 炬星科技(深圳)有限公司 | 障碍物运动轨迹预测方法、***、设备及计算机可读存储介质 |
CN110843776B (zh) * | 2019-11-29 | 2022-04-15 | 深圳市元征科技股份有限公司 | 车辆防撞方法和装置 |
CN111027195B (zh) * | 2019-12-03 | 2023-02-28 | 阿波罗智能技术(北京)有限公司 | 仿真场景的生成方法、装置及设备 |
CN111002980B (zh) * | 2019-12-10 | 2021-04-30 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和*** |
US11860634B2 (en) * | 2019-12-12 | 2024-01-02 | Baidu Usa Llc | Lane-attention: predicting vehicles' moving trajectories by learning their attention over lanes |
CN111114554B (zh) * | 2019-12-16 | 2021-06-11 | 苏州智加科技有限公司 | 行驶轨迹预测方法、装置、终端及存储介质 |
CN111025297A (zh) * | 2019-12-24 | 2020-04-17 | 京东数字科技控股有限公司 | 一种车辆监测方法、装置、电子设备及存储介质 |
CN113811830B (zh) * | 2019-12-30 | 2022-05-10 | 深圳元戎启行科技有限公司 | 轨迹预测方法、装置、计算机设备和存储介质 |
CN113424121A (zh) * | 2019-12-31 | 2021-09-21 | 深圳元戎启行科技有限公司 | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 |
US11127142B2 (en) * | 2019-12-31 | 2021-09-21 | Baidu Usa Llc | Vehicle trajectory prediction model with semantic map and LSTM |
CN111177869B (zh) * | 2020-01-02 | 2023-09-01 | 北京百度网讯科技有限公司 | 传感器布局方案的确定方法、装置及设备 |
CN111301404B (zh) * | 2020-02-06 | 2022-02-18 | 北京小马慧行科技有限公司 | 车辆的控制方法及装置、存储介质及处理器 |
CN111469836B (zh) * | 2020-02-28 | 2022-12-20 | 广东中科臻恒信息技术有限公司 | 基于车载单元和路侧单元的避障方法、设备、存储介质 |
CN111626097A (zh) * | 2020-04-09 | 2020-09-04 | 吉利汽车研究院(宁波)有限公司 | 一种障碍物未来轨迹的预测方法、装置、电子设备及存储介质 |
CN111409631B (zh) * | 2020-04-10 | 2022-01-11 | 新石器慧通(北京)科技有限公司 | 一种车辆行驶的控制方法、装置、车辆及存储介质 |
CN113537258B (zh) * | 2020-04-16 | 2024-04-05 | 北京京东乾石科技有限公司 | 行动轨迹预测方法、装置、计算机可读介质及电子设备 |
WO2021226776A1 (zh) * | 2020-05-11 | 2021-11-18 | 华为技术有限公司 | 一种车辆可行驶区域检测方法、***以及采用该***的自动驾驶车辆 |
CN113721598A (zh) * | 2020-05-11 | 2021-11-30 | 北京京东乾石科技有限公司 | 一种障碍物轨迹预测方法、装置、设备和存储介质 |
CN111710188B (zh) * | 2020-05-29 | 2024-03-29 | 腾讯科技(深圳)有限公司 | 车辆告警提示的方法、装置、电子设备及存储介质 |
CN111982143B (zh) * | 2020-08-11 | 2024-01-19 | 北京汽车研究总院有限公司 | 车辆及车辆路径规划方法、装置 |
CN111976726B (zh) * | 2020-08-26 | 2022-01-18 | 中南大学 | 一种智轨车辆的转向辅助***及其控制方法 |
CN112046494B (zh) * | 2020-09-11 | 2021-10-29 | 中国第一汽车股份有限公司 | 一种车辆控制方法、装置、设备及存储介质 |
CN112092809A (zh) * | 2020-09-15 | 2020-12-18 | 北京罗克维尔斯科技有限公司 | 一种辅助倒车方法、装置、***及车辆 |
CN111829545B (zh) * | 2020-09-16 | 2021-01-08 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆及其运动轨迹的动态规划方法及*** |
CN113819915A (zh) * | 2021-03-03 | 2021-12-21 | 京东鲲鹏(江苏)科技有限公司 | 无人车路径规划方法及相关设备 |
CN113753038B (zh) * | 2021-03-16 | 2023-09-01 | 京东鲲鹏(江苏)科技有限公司 | 一种轨迹预测方法、装置、电子设备和存储介质 |
CN113075668B (zh) * | 2021-03-25 | 2024-03-08 | 广州小鹏自动驾驶科技有限公司 | 一种动态障碍物对象识别方法和装置 |
CN113022593B (zh) * | 2021-04-09 | 2022-10-14 | 长沙智能驾驶研究院有限公司 | 障碍物处理方法、装置和行驶设备 |
CN113264066B (zh) * | 2021-06-03 | 2023-05-23 | 阿波罗智能技术(北京)有限公司 | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 |
CN113147794A (zh) * | 2021-06-03 | 2021-07-23 | 北京百度网讯科技有限公司 | 生成自动驾驶预警信息方法、装置、设备及自动驾驶车辆 |
CN113205088B (zh) * | 2021-07-06 | 2021-09-24 | 禾多科技(北京)有限公司 | 障碍物图像展示方法、电子设备和计算机可读介质 |
CN113479217B (zh) * | 2021-07-26 | 2022-07-29 | 惠州华阳通用电子有限公司 | 一种基于自动驾驶的变道避障方法与*** |
CN113641734B (zh) * | 2021-08-12 | 2024-04-05 | 驭势科技(北京)有限公司 | 一种数据处理方法、装置、设备及介质 |
CN113734190B (zh) * | 2021-09-09 | 2023-04-11 | 北京百度网讯科技有限公司 | 车辆信息提示方法、装置、电子设备、介质和车辆 |
CN114018265B (zh) * | 2021-10-28 | 2024-02-02 | 山东新一代信息产业技术研究院有限公司 | 一种巡检机器人行驶轨迹生成方法、设备及介质 |
CN114162133B (zh) * | 2021-11-10 | 2024-06-04 | 上海人工智能创新中心 | 驾驶场景的风险评估方法、装置和计算机可读存储介质 |
CN114446092B (zh) * | 2022-01-19 | 2022-12-27 | 无锡学院 | 一种基于三维相机组网的s型公路模拟障碍物预警方法 |
CN114663804A (zh) * | 2022-03-02 | 2022-06-24 | 小米汽车科技有限公司 | 可行驶区域检测方法、装置、移动设备及存储介质 |
CN114596553B (zh) * | 2022-03-11 | 2023-01-24 | 阿波罗智能技术(北京)有限公司 | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 |
CN114670870A (zh) * | 2022-03-18 | 2022-06-28 | 北京智行者科技有限公司 | 障碍物slt空间风险场环境建模方法及其装置、相关产品 |
CN115214719B (zh) * | 2022-05-30 | 2024-04-05 | 广州汽车集团股份有限公司 | 障碍物轨迹跟踪方法、装置、智能驾驶设备及存储介质 |
CN114863685B (zh) * | 2022-07-06 | 2022-09-27 | 北京理工大学 | 一种基于风险接受程度的交通参与者轨迹预测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873580A (zh) * | 2015-11-05 | 2017-06-20 | 福特全球技术公司 | 基于感知数据在交叉口处自主驾驶 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4207088B2 (ja) * | 2007-06-20 | 2009-01-14 | トヨタ自動車株式会社 | 車両走行推定装置 |
CN105216792A (zh) * | 2014-06-12 | 2016-01-06 | 株式会社日立制作所 | 对周围环境中的障碍物目标进行识别跟踪的方法和设备 |
CN104614733B (zh) * | 2015-01-30 | 2015-12-09 | 福州华鹰重工机械有限公司 | 一种动态障碍物检测方法 |
CN105549597B (zh) * | 2016-02-04 | 2018-06-26 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
KR101795250B1 (ko) * | 2016-05-03 | 2017-11-07 | 현대자동차주식회사 | 자율주행차량의 주행경로 계획장치 및 방법 |
CN107346611B (zh) * | 2017-07-20 | 2021-03-23 | 北京纵目安驰智能科技有限公司 | 一种自主驾驶的车辆的避障方法以及避障*** |
-
2017
- 2017-12-15 CN CN201711351196.9A patent/CN109927719B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106873580A (zh) * | 2015-11-05 | 2017-06-20 | 福特全球技术公司 | 基于感知数据在交叉口处自主驾驶 |
Also Published As
Publication number | Publication date |
---|---|
CN109927719A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109927719B (zh) | 一种基于障碍物轨迹预测的辅助驾驶方法和*** | |
CN109817021B (zh) | 一种激光雷达路侧盲区交通参与者避让方法和装置 | |
CN106873580B (zh) | 基于感知数据在交叉口处自主驾驶 | |
US10926763B2 (en) | Recognition and prediction of lane constraints and construction areas in navigation | |
US10618519B2 (en) | Systems and methods for autonomous vehicle lane change control | |
CN107031650B (zh) | 基于驾驶员肢体语言来预测车辆运动 | |
RU2767955C1 (ru) | Способы и системы для определения компьютером наличия динамических объектов | |
CN110060467B (zh) | 车辆控制装置 | |
JP5620147B2 (ja) | 可動物予測装置及びプログラム | |
CN114442101B (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
RU2769921C2 (ru) | Способы и системы для автоматизированного определения присутствия объектов | |
RU2745804C1 (ru) | Способ и процессор для управления перемещением в полосе движения автономного транспортного средства | |
US11556127B2 (en) | Static obstacle map based perception system | |
RU2750243C2 (ru) | Способ и система для формирования траектории для беспилотного автомобиля (sdc) | |
RU2757234C2 (ru) | Способ и система для вычисления данных для управления работой беспилотного автомобиля | |
RU2744012C1 (ru) | Способы и системы для автоматизированного определения присутствия объектов | |
RU2750118C1 (ru) | Способы и процессоры для управления работой беспилотного автомобиля | |
Virdi | Using deep learning to predict obstacle trajectories for collision avoidance in autonomous vehicles | |
CN114578382A (zh) | 一种基于人工智能的汽车周围环境实时检测方法及*** | |
CN114563007B (zh) | 障碍物的运动状态预测方法、装置、电子设备及存储介质 | |
US10654453B2 (en) | Systems and methods for low-latency braking action for an autonomous vehicle | |
CN110371025A (zh) | 超车工况的前置碰撞检测的方法、***、设备及存储介质 | |
WO2018165199A1 (en) | Planning for unknown objects by an autonomous vehicle | |
CN114093023A (zh) | 移动体妨碍检测装置、***、方法及存储介质 | |
CN112912810A (zh) | 控制方法和装置 |
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 |