CN110091875A - 基于物联网的深度学习型智能驾驶环境感知*** - Google Patents

基于物联网的深度学习型智能驾驶环境感知*** Download PDF

Info

Publication number
CN110091875A
CN110091875A CN201910396591.1A CN201910396591A CN110091875A CN 110091875 A CN110091875 A CN 110091875A CN 201910396591 A CN201910396591 A CN 201910396591A CN 110091875 A CN110091875 A CN 110091875A
Authority
CN
China
Prior art keywords
intelligent driving
internet
things
deep learning
context aware
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
CN201910396591.1A
Other languages
English (en)
Inventor
邹勇松
王进
陈华
张建民
卢佳顺
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN201910396591.1A priority Critical patent/CN110091875A/zh
Publication of CN110091875A publication Critical patent/CN110091875A/zh
Priority to PCT/CN2020/077066 priority patent/WO2020228393A1/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/55—External transmission of data to or from the vehicle using telemetry

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于物联网的深度学习型智能驾驶环境感知***，属于智能感知***领域，基于物联网的深度学习型智能驾驶环境感知***，包括感知***和智能驾驶车辆，感知***包括感知层和认知层，智能驾驶车辆上设置有决策层和控制层，感知层用于数据采集，决策层用于将认知层传来的信息和路线规划，用算法进行处理，并向控制层输出调整车速和方向的指令，控制层接收决策层的指令，并控制车辆的刹车、油门和档位，本方案对无人驾驶的实现方式进行改进，利用感知***采集道路上所有移动和静止的障碍物，将这些障碍物的数据信息发送给在道路上行驶的所有智能驾驶车辆，在提高无人驾驶的安全性和稳定性的同时降低技术难度和生产成本。

Description

基于物联网的深度学习型智能驾驶环境感知***
技术领域
本发明涉及智能感知***领域，更具体地说，涉及基于物联网的深度学习型智能驾驶环境感知***。
背景技术
无人驾驶作为汽车未来的研究方向，其对于汽车行业甚至是交通运输业有着深远的影响，无人驾驶汽车的来临将能够解放人类的双手，降低发生交通事故发生的频率，保证了人们的安全。同时随着人工智能、传感检测等核心技术的突破和不断推进，无人驾驶必将更加智能化，同时也能够实现无人驾驶汽车的产业化。
无人驾驶技术，尤其是互联网和非传统汽车企业的加入这个领域，使得这项技术还未普及应用就已经又将陷入一片“红海”之中了。但问题是，以这种智能机器人般无人驾驶汽车，能否会如同发明汽车取代马车般的又将人们乘车交通出行能力得到提升和彻底的改善呢？中国现在大中城市道路交通状况较差的主要因素是车辆保有数量太大，况且我们国情条件下人为因素造成事故和拥堵的原因占相当大的比重。大量追尾、触碰刮蹭等交通事故，可以归纳为依赖驾车人的驾驶。“独立行为能力”模式，即视觉范围内发现-判断-行动。于是就会有诸如发现不及时、反应不及时、反应时间不够等因素造成事故。而以仍然延续人工“个人独立行为能力”的智能无人驾驶模式，当然仍然存在上述的这些问题，没有从根本上解决，理论上就仍然存在上述事故发生的可能性。同时，目前限制无人驾驶车辆批量生产的两大主要问题是技术难度和成本问题，因此对无人驾驶的实现方式进行改进，从而提高无人驾驶的安全性、稳定性，降低技术难度和生产成本。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题，本发明的目的在于提供基于物联网的深度学习型智能驾驶环境感知***，它对无人驾驶的实现方式进行改进，利用感知***采集道路上所有移动和静止的障碍物，将这些障碍物的数据信息发送给在道路上行驶的所有智能驾驶车辆，在提高无人驾驶的安全性和稳定性的同时降低技术难度和生产成本。
2.技术方案
为解决上述问题，本发明采用如下的技术方案。
基于物联网的深度学习型智能驾驶环境感知***，包括感知***和智能驾驶车辆，所述感知***包括感知层和认知层，所述智能驾驶车辆上设置有决策层和控制层，所述感知层用于数据采集，且感知层包括雷达单元、惯性导航单元、定位单元和摄像单元，所述认知层用于数据分析，所述决策层用于将认知层传来的信息和路线规划，用算法进行处理，并向控制层输出调整车速和方向的指令，所述控制层接收决策层的指令，并控制车辆的刹车、油门和档位，本方案对无人驾驶的实现方式进行改进，利用感知***采集道路上所有移动和静止的障碍物，将这些障碍物的数据信息发送给在道路上行驶的所有智能驾驶车辆，在提高无人驾驶的安全性和稳定性的同时降低技术难度和生产成本。
进一步的，所述雷达单元、惯性导航单元、定位单元和摄像单元可安装于道路两侧的路灯上，利用原有的路灯设备进行感知***的安装和设计，无需额外增设大型硬件设施，可节省大量硬件配置，节约成本，且不占用空间，所述认知层包括对行人、车辆、交通物品、交通标识和车道线的分析。
进一步的，所述雷达单元包括激光雷达和毫米波雷达，毫米波雷达通过收发无线电波，测量与汽车周围车辆的距离，角度和相对速度的装置。目前作为车载雷达被广泛地使用。不易受大雾雨雪等恶劣天气以及尘土污垢等的影响，可稳定地检测车辆，在本***中，毫米波雷达基于多目标检测算法，用于检测固定区域内车道上、人行道上面的移动障碍物的距离、速度。
进一步的，所述激光雷达为禁止，其扫射的环境为固定，激光雷达首先获取环境数据并以数组形式存储于计算机中，对获取的环境数据进行预处理，剔除树木，地面等信息，对激光雷达的距离信息、反射强度信息同时进行非平面算法的环境数据分割聚类处理，提取障碍物外接矩形轮廓特征，激光雷达采用多假设跟踪模型算法对连续两帧的障碍物信息进行数据关联，并利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。
进一步的，所述感知***与智能驾驶车辆之间采用无线通信，感知***将识别的数据信息发送给附近的所有智能驾驶车辆，使得每辆车清楚的掌控其周围的所有障碍、其他车辆以及其他车辆的行驶方向和行驶速度。
进一步的，所述雷达单元、惯性导航单元、定位单元和摄像单元的传感器数据融合包括空间融合、时间融合和传感器数据融合算法，建立精确的激光雷达坐标系、三维世界坐标系、毫米波坐标系，是实现多传感器数据的空间融合的关键。激光雷达与毫米波雷达空间融合就是将不同传感器坐标系的测量值转换到同一个坐标系中；激光雷达和毫米波雷达信息在除在空间上需要进行融合，还需要传感器在时间上同步采集数据，实现时间的融合。两种传感器的采样频率不一样，为了保证数据的可靠性，以低采样速率传感器为基准，低频率传暗器每采一帧图像，选取高频率传感器上一帧缓存的数据，即完成共同采样一帧雷达与视觉融合的数据，从而保证了毫米波雷达数据和摄像机数据时间上的同步；传感器数据融合的核心关键还是在于采用合适的融合算法，本***的传感器数据融合算法采用扩展卡尔马滤波算法。
进一步的，所述雷达单元、惯性导航单元、定位单元和摄像单元安装于固定距离的相邻路灯上，定位设计，合理化、标准化。
进一步的，相邻所述路灯上的雷达单元、惯性导航单元、定位单元和摄像单元之间采用并联的连接方式，单个用电元件损坏时，不会影响其他用电元件的正常运作，保证整个***运作的稳定性。
3.有益效果
相比于现有技术，本发明的优点在于：
(1)本方案对无人驾驶的实现方式进行改进，利用感知***采集道路上所有移动和静止的障碍物，将这些障碍物的数据信息发送给在道路上行驶的所有智能驾驶车辆，在提高无人驾驶的安全性和稳定性的同时降低技术难度和生产成本。
(2)雷达单元、惯性导航单元、定位单元和摄像单元可安装于道路两侧的路灯上，利用原有的路灯设备进行感知***的安装和设计，无需额外增设大型硬件设施，可节省大量硬件配置，节约成本，且不占用空间，认知层包括对行人、车辆、交通物品、交通标识和车道线的分析。
(3)雷达单元包括激光雷达和毫米波雷达，毫米波雷达通过收发无线电波，测量与汽车周围车辆的距离，角度和相对速度的装置。目前作为车载雷达被广泛地使用。不易受大雾雨雪等恶劣天气以及尘土污垢等的影响，可稳定地检测车辆，在本***中，毫米波雷达基于多目标检测算法，用于检测固定区域内车道上、人行道上面的移动障碍物的距离、速度。
(4)激光雷达为禁止，其扫射的环境为固定，激光雷达首先获取环境数据并以数组形式存储于计算机中，对获取的环境数据进行预处理，剔除树木，地面等信息，对激光雷达的距离信息、反射强度信息同时进行非平面算法的环境数据分割聚类处理，提取障碍物外接矩形轮廓特征，激光雷达采用多假设跟踪模型算法对连续两帧的障碍物信息进行数据关联，并利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。
(5)感知***与智能驾驶车辆之间采用无线通信，感知***将识别的数据信息发送给附近的所有智能驾驶车辆，使得每辆车清楚的掌控其周围的所有障碍、其他车辆以及其他车辆的行驶方向和行驶速度。
(6)雷达单元、惯性导航单元、定位单元和摄像单元的传感器数据融合包括空间融合、时间融合和传感器数据融合算法，建立精确的激光雷达坐标系、三维世界坐标系、毫米波坐标系，是实现多传感器数据的空间融合的关键。激光雷达与毫米波雷达空间融合就是将不同传感器坐标系的测量值转换到同一个坐标系中；激光雷达和毫米波雷达信息在除在空间上需要进行融合，还需要传感器在时间上同步采集数据，实现时间的融合。两种传感器的采样频率不一样，为了保证数据的可靠性，以低采样速率传感器为基准，低频率传暗器每采一帧图像，选取高频率传感器上一帧缓存的数据，即完成共同采样一帧雷达与视觉融合的数据，从而保证了毫米波雷达数据和摄像机数据时间上的同步；传感器数据融合的核心关键还是在于采用合适的融合算法，本***的传感器数据融合算法采用扩展卡尔马滤波算法。
(7)雷达单元、惯性导航单元、定位单元和摄像单元安装于固定距离的相邻路灯上，定位设计，合理化、标准化。
(8)相邻路灯上的雷达单元、惯性导航单元、定位单元和摄像单元之间采用并联的连接方式，单个用电元件损坏时，不会影响其他用电元件的正常运作，保证整个***运作的稳定性。
附图说明
图1为本发明的环境感知***方案图；
图2为本发明的无人驾驶方案图；
图3为本发明的激光雷达识别算法流程图；
图4为本发明的邻近区域高精度电子构建图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
请参阅图1，基于物联网的深度学习型智能驾驶环境感知***，包括感知***和智能驾驶车辆，感知***包括感知层和认知层，智能驾驶车辆上设置有决策层和控制层，感知层用于数据采集，且感知层包括雷达单元、惯性导航单元、定位单元和摄像单元，外部的计算机作为认知层用于数据分析，智能驾驶车辆上设置的决策层用于将认知层传来的信息和路线规划，用算法进行处理，并向控制层输出调整车速和方向的指令，智能驾驶车辆上设置的控制层接收决策层的指令，并控制车辆的刹车、油门和档位，本方案对无人驾驶的实现方式进行改进，同时对感知***和智能驾驶车辆进行改进，使两者完美配合，在提高无人驾驶的安全性和稳定性的同时降低技术难度和生产成本。
雷达单元、惯性导航单元、定位单元和摄像单元可安装于道路两侧的路灯上，利用原有的路灯设备进行感知***的安装和设计，无需额外增设大型硬件设施，可节省大量硬件配置，节约成本，且不占用空间，认知层包括对行人、车辆、交通物品、交通标识和车道线的分析。
雷达单元包括激光雷达和毫米波雷达，请参阅图3，毫米波雷达通过收发无线电波，测量与汽车周围车辆的距离，角度和相对速度的装置。目前作为车载雷达被广泛地使用。不易受大雾雨雪等恶劣天气以及尘土污垢等的影响，可稳定地检测车辆，在本***中，毫米波雷达基于多目标检测算法，用于检测固定区域内车道上、人行道上面的移动障碍物的距离、速度。
激光雷达为禁止，其扫射的环境为固定，激光雷达首先获取环境数据并以数组形式存储于计算机中，对获取的环境数据进行预处理，剔除树木，地面等信息，对激光雷达的距离信息、反射强度信息同时进行非平面算法的环境数据分割聚类处理，提取障碍物外接矩形轮廓特征，激光雷达采用多假设跟踪模型算法对连续两帧的障碍物信息进行数据关联，并利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。
请参阅图1，感知***与智能驾驶车辆之间采用无线通信，感知***将识别的数据信息发送给附近的所有智能驾驶车辆，使得每辆车清楚的掌控其周围的所有障碍、其他车辆以及其他车辆的行驶方向和行驶速度。
雷达单元、惯性导航单元、定位单元和摄像单元的传感器数据融合包括空间融合、时间融合和传感器数据融合算法，建立精确的激光雷达坐标系、三维世界坐标系、毫米波坐标系，是实现多传感器数据的空间融合的关键。激光雷达与毫米波雷达空间融合就是将不同传感器坐标系的测量值转换到同一个坐标系中；激光雷达和毫米波雷达信息在除在空间上需要进行融合，还需要传感器在时间上同步采集数据，实现时间的融合。两种传感器的采样频率不一样，为了保证数据的可靠性，以低采样速率传感器为基准，低频率传暗器每采一帧图像，选取高频率传感器上一帧缓存的数据，即完成共同采样一帧雷达与视觉融合的数据，从而保证了毫米波雷达数据和摄像机数据时间上的同步；传感器数据融合的核心关键还是在于采用合适的融合算法，本***的传感器数据融合算法采用扩展卡尔马滤波算法。
请参阅图4，雷达单元、惯性导航单元、定位单元和摄像单元安装于固定距离的相邻路灯上，定位设计，合理化、标准化。
相邻路灯上的雷达单元、惯性导航单元、定位单元和摄像单元之间采用并联的连接方式，单个用电元件损坏时，不会影响其他用电元件的正常运作，便于维修，通过定位单元的设置可方便相关维修人员快速而准确的找到故障所在位置，加快维修进程，保证整个***运作的稳定性。
相较于传统技术，本方案对无人驾驶的实现方式进行改进，同时对感知***和智能驾驶车辆进行改进，利用感知***采集道路上所有移动和静止的障碍物，将这些障碍物的数据信息发送给在道路上行驶的所有智能驾驶车辆，在提高无人驾驶的安全性和稳定性的同时降低技术难度和生产成本。
以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (10)

1.基于物联网的深度学习型智能驾驶环境感知***，其特征在于：包括感知***和智能驾驶车辆，所述感知***包括感知层和认知层，所述智能驾驶车辆上设置有决策层和控制层，所述感知层用于数据采集，且感知层包括雷达单元、惯性导航单元、定位单元和摄像单元，所述认知层用于数据分析，所述决策层用于将认知层传来的信息和路线规划，用算法进行处理，并向控制层输出调整车速和方向的指令，所述控制层接收决策层的指令，并控制车辆的刹车、油门和档位。
2.根据权利要求1所述的基于物联网的深度学习型智能驾驶环境感知***，其特征在于：所述雷达单元、惯性导航单元、定位单元和摄像单元可安装于道路两侧的路灯上，所述认知层包括对行人、车辆、交通物品、交通标识和车道线的分析。
3.根据权利要求1所述的基于物联网的深度学习型智能驾驶环境感知***，其特征在于：所述雷达单元包括激光雷达和毫米波雷达。
4.根据权利要求3所述的基于物联网的深度学习型智能驾驶环境感知***，其特征在于：所述激光雷达为禁止，其扫射的环境为固定。
5.根据权利要求4所述的基于物联网的深度学***面算法的环境数据分割聚类处理，提取障碍物外接矩形轮廓特征。
6.根据权利要求5所述的基于物联网的深度学习型智能驾驶环境感知***，其特征在于：激光雷达采用多假设跟踪模型算法对连续两帧的障碍物信息进行数据关联，并利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。
7.根据权利要求1所述的基于物联网的深度学习型智能驾驶环境感知***，其特征在于：所述感知***与智能驾驶车辆之间采用无线通信。
8.根据权利要求1所述的基于物联网的深度学习型智能驾驶环境感知***，其特征在于：所述雷达单元、惯性导航单元、定位单元和摄像单元的传感器数据融合包括空间融合、时间融合和传感器数据融合算法，且传感器数据融合算法采用扩展卡尔马滤波算法。
9.根据权利要求2所述的基于物联网的深度学习型智能驾驶环境感知***，其特征在于：所述雷达单元、惯性导航单元、定位单元和摄像单元安装于固定距离的相邻路灯上。
10.根据权利要求9所述的基于物联网的深度学习型智能驾驶环境感知***，其特征在于：相邻所述路灯上的雷达单元、惯性导航单元、定位单元和摄像单元之间采用并联的连接方式。
CN201910396591.1A 2019-05-14 2019-05-14 基于物联网的深度学习型智能驾驶环境感知*** Pending CN110091875A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910396591.1A CN110091875A (zh) 2019-05-14 2019-05-14 基于物联网的深度学习型智能驾驶环境感知***
PCT/CN2020/077066 WO2020228393A1 (zh) 2019-05-14 2020-02-28 基于物联网的深度学习型智能驾驶环境感知***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910396591.1A CN110091875A (zh) 2019-05-14 2019-05-14 基于物联网的深度学习型智能驾驶环境感知***

Publications (1)

Publication Number Publication Date
CN110091875A true CN110091875A (zh) 2019-08-06

Family

ID=67447890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910396591.1A Pending CN110091875A (zh) 2019-05-14 2019-05-14 基于物联网的深度学习型智能驾驶环境感知***

Country Status (2)

Country Link
CN (1) CN110091875A (zh)
WO (1) WO2020228393A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111326002A (zh) * 2020-02-26 2020-06-23 公安部交通管理科学研究所 一种自动驾驶汽车环境感知的预测方法、装置及***
CN111833631A (zh) * 2020-06-24 2020-10-27 武汉理工大学 基于车路协同的目标数据处理方法、***和存储介质
WO2020228393A1 (zh) * 2019-05-14 2020-11-19 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***
CN112249035A (zh) * 2020-12-16 2021-01-22 国汽智控(北京)科技有限公司 基于通用数据流架构的自动驾驶方法、装置及设备
CN112435466A (zh) * 2020-10-23 2021-03-02 江苏大学 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及***
CN113490178A (zh) * 2021-06-18 2021-10-08 天津大学 一种智能网联车辆多级协作感知***
CN113734197A (zh) * 2021-09-03 2021-12-03 合肥学院 一种基于数据融合的无人驾驶的智能控制方案
CN113911139A (zh) * 2021-11-12 2022-01-11 湖北芯擎科技有限公司 车辆控制方法、装置和电子设备
CN114056351A (zh) * 2021-11-26 2022-02-18 文远苏行(江苏)科技有限公司 自动驾驶方法及装置
CN114291114A (zh) * 2022-01-05 2022-04-08 天地科技股份有限公司 车辆控制***及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135777A (zh) * 2010-12-14 2011-07-27 天津理工大学 车载红外跟踪***
CN105866790A (zh) * 2016-04-07 2016-08-17 重庆大学 一种考虑激光发射强度的激光雷达障碍物识别方法及***
CN106908783A (zh) * 2017-02-23 2017-06-30 苏州大学 基于多传感器信息融合的障碍物检测方法
CN107193012A (zh) * 2017-05-05 2017-09-22 江苏大学 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法
CN107609522A (zh) * 2017-09-19 2018-01-19 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测***
CN108196535A (zh) * 2017-12-12 2018-06-22 清华大学苏州汽车研究院（吴江） 基于增强学习和多传感器融合的自动驾驶***
CN108417087A (zh) * 2018-02-27 2018-08-17 浙江吉利汽车研究院有限公司 一种车辆安全通行***及方法
CN108458745A (zh) * 2017-12-23 2018-08-28 天津国科嘉业医疗科技发展有限公司 一种基于智能检测设备的环境感知方法
CN108845579A (zh) * 2018-08-14 2018-11-20 苏州畅风加行智能科技有限公司 一种港口车辆的自动驾驶***及其方法
CN109171684A (zh) * 2018-08-30 2019-01-11 上海师范大学 一种基于可穿戴传感器和智能家居的自动健康监护***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4887849B2 (ja) * 2006-03-16 2012-02-29 日産自動車株式会社 車両用路上障害物検出装置、路上障害物検出方法および路上障害物検出装置付き車両
US10209717B2 (en) * 2015-02-06 2019-02-19 Aptiv Technologies Limited Autonomous guidance system
CN108010360A (zh) * 2017-12-27 2018-05-08 中电海康集团有限公司 一种基于车路协同的自动驾驶环境感知***
CN108646739A (zh) * 2018-05-14 2018-10-12 北京智行者科技有限公司 一种传感信息融合方法
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***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135777A (zh) * 2010-12-14 2011-07-27 天津理工大学 车载红外跟踪***
CN105866790A (zh) * 2016-04-07 2016-08-17 重庆大学 一种考虑激光发射强度的激光雷达障碍物识别方法及***
CN106908783A (zh) * 2017-02-23 2017-06-30 苏州大学 基于多传感器信息融合的障碍物检测方法
CN107193012A (zh) * 2017-05-05 2017-09-22 江苏大学 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法
CN107609522A (zh) * 2017-09-19 2018-01-19 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测***
CN108196535A (zh) * 2017-12-12 2018-06-22 清华大学苏州汽车研究院（吴江） 基于增强学习和多传感器融合的自动驾驶***
CN108458745A (zh) * 2017-12-23 2018-08-28 天津国科嘉业医疗科技发展有限公司 一种基于智能检测设备的环境感知方法
CN108417087A (zh) * 2018-02-27 2018-08-17 浙江吉利汽车研究院有限公司 一种车辆安全通行***及方法
CN108845579A (zh) * 2018-08-14 2018-11-20 苏州畅风加行智能科技有限公司 一种港口车辆的自动驾驶***及其方法
CN109171684A (zh) * 2018-08-30 2019-01-11 上海师范大学 一种基于可穿戴传感器和智能家居的自动健康监护***

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020228393A1 (zh) * 2019-05-14 2020-11-19 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***
CN111326002A (zh) * 2020-02-26 2020-06-23 公安部交通管理科学研究所 一种自动驾驶汽车环境感知的预测方法、装置及***
CN111833631A (zh) * 2020-06-24 2020-10-27 武汉理工大学 基于车路协同的目标数据处理方法、***和存储介质
CN111833631B (zh) * 2020-06-24 2021-10-26 武汉理工大学 基于车路协同的目标数据处理方法、***和存储介质
CN112435466B (zh) * 2020-10-23 2022-03-22 江苏大学 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及***
CN112435466A (zh) * 2020-10-23 2021-03-02 江苏大学 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及***
CN112249035A (zh) * 2020-12-16 2021-01-22 国汽智控(北京)科技有限公司 基于通用数据流架构的自动驾驶方法、装置及设备
CN112249035B (zh) * 2020-12-16 2021-03-16 国汽智控(北京)科技有限公司 基于通用数据流架构的自动驾驶方法、装置及设备
CN113490178A (zh) * 2021-06-18 2021-10-08 天津大学 一种智能网联车辆多级协作感知***
CN113734197A (zh) * 2021-09-03 2021-12-03 合肥学院 一种基于数据融合的无人驾驶的智能控制方案
CN113911139A (zh) * 2021-11-12 2022-01-11 湖北芯擎科技有限公司 车辆控制方法、装置和电子设备
CN113911139B (zh) * 2021-11-12 2023-02-28 湖北芯擎科技有限公司 车辆控制方法、装置和电子设备
CN114056351A (zh) * 2021-11-26 2022-02-18 文远苏行(江苏)科技有限公司 自动驾驶方法及装置
CN114056351B (zh) * 2021-11-26 2024-02-02 文远苏行(江苏)科技有限公司 自动驾驶方法及装置
CN114291114A (zh) * 2022-01-05 2022-04-08 天地科技股份有限公司 车辆控制***及方法

Also Published As

Publication number Publication date
WO2020228393A1 (zh) 2020-11-19

Similar Documents

Publication Publication Date Title
CN110091875A (zh) 基于物联网的深度学习型智能驾驶环境感知***
US11801860B2 (en) Relevant traffic light mapping and navigation
CN113002396B (zh) 一种用于自动驾驶矿用车辆的环境感知***及矿用车辆
CN112009524B (zh) 一种用于有轨电车障碍物检测的***及方法
CN110060467A (zh) 预测装置、预测方法及存储介质
CN111427348A (zh) 一种自动驾驶矿用自卸卡车环境感知***及矿用自卸卡车
CN208149311U (zh) 一种用于自动驾驶乘用车的环境感知***
CN109905847B (zh) Gnss盲区智能车辅助定位***累积误差的协同校正***及方法
CN104267721A (zh) 一种智能汽车的无人驾驶***
CN108021133A (zh) 一种多传感器融合高速无人车探测避障***
CN106114357A (zh) 一种车辆转弯时防剐蹭装置及方法
CN111383456B (zh) 一种用于智能道路基础设施***的本地化人工智能***
CN114385661A (zh) 一种基于v2x技术的高精地图更新的***
CN102997926A (zh) 一种用于获取导航数据的方法
US6597984B2 (en) Multisensory correlation of traffic lanes
CN107977004A (zh) 一种多传感器融合全天候高速无人车探测避障***
CN107200016A (zh) 道路自适应预测方法及采用该方法的车辆***
CN212322114U (zh) 一种用于自动驾驶车辆的环境感知及道路环境裂纹检测***
WO2023126680A1 (en) Systems and methods for analyzing and resolving image blockages
CN111506069A (zh) 一种全天候全地面起重机障碍识别***及方法
CN202911633U (zh) 基于多信息融合的混合动力车车道标识线动态检测装置
CN115236673A (zh) 一种大型车辆多雷达融合感知***和方法
CN202130447U (zh) 一种新型的车道线偏离检测装置
CN211742265U (zh) 用于智能驾驶公交的智慧路侧***
CN105678221A (zh) 一种雨雪天气的行人检测方法及***

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

Application publication date: 20190806

RJ01 Rejection of invention patent application after publication