CN110162040B - 一种基于深度学习的低速自动驾驶小车控制方法及*** - Google Patents
一种基于深度学习的低速自动驾驶小车控制方法及*** Download PDFInfo
- Publication number
- CN110162040B CN110162040B CN201910388213.9A CN201910388213A CN110162040B CN 110162040 B CN110162040 B CN 110162040B CN 201910388213 A CN201910388213 A CN 201910388213A CN 110162040 B CN110162040 B CN 110162040B
- Authority
- CN
- China
- Prior art keywords
- road surface
- vehicle
- road
- drivable
- information
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 14
- 230000003993 interaction Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于深度学习的低速自动驾驶小车控制方法,一:启动***;二:等待用户路线信息指令,获得则进入下一步;三:通过网络分别获取地图数据和车辆位置及姿态数据;四:根据用户路线信息、地图信息和车辆位置信息规划车辆行驶路线方案;五:车辆采集路面图像数据,识别出可行驶路面,从规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物;六:发出控制指令,车辆按照五中确定的行驶路线行驶。车辆利用全局路径规划确定网络地图中小车的实时位置;利用通信***由PC或手机客户端远程发送小车起点及目的地位置并回传小车实时状态信息;通过全局路径规划、局部避障和通信***的结合实现了在半开放环境中的低成本低速自动运行。
Description
技术领域
本发明涉及智能控制技术领域,具体涉及一种基于深度学习的低速自动驾驶小车控制方法及***。
背景技术
近年来,自动驾驶技术发展极为迅速。现有的自动驾驶***大多采用激光雷达、毫米波雷达等设备进行道路信息获取。其中雷达探测距离长,能够准确地获得物体的三维信息,且具有较高的稳定性和鲁棒性,但激光雷达探测范围较窄,受环境影响较大;毫米波雷达无法感知行人,并且无法对周边的障碍物进行精准地建模,最重要的,雷达的应用成本较高,不适合大规模生产和使用。并且随着经济和科技的发展,各个领域向智能化迈进。物流行业的成熟发展,传统货物自取的方式带来诸多不便,已不能满足人们的需求。故而对于适用于半封闭式环境,如校园、园区等区域的自动驾驶实用需求的日渐增高,但目前市场上还没有商品化的自动驾驶小车,更不具备远程控制信息交互等功能。
发明内容
本发明针对现有技术的不足,提出一种基于单目摄像头、GPS及陀螺仪的低速自动驾驶小车,通过深度学习的方法及后续算法实时处理道路图像信息,进行避障、路径规划等功能,通信***可实现远程客户端和小车的实时信息交互。使得小车能够在校园中利用其成本低、体积小、智能、用户操作简单等特点轻松实现园区导航、运送货物等功能
一种基于深度学习的低速自动驾驶小车控制方法,采用的步骤为:
步骤一:启动***;
步骤二:等待用户路线信息指令,获得则进入下一步;
步骤三:通过网络获取地图数据,通过GPS和IMU传感器获取车辆位置及姿态数据;
步骤四:根据用户路线信息、地图信息和车辆位置信息规划车辆行驶路线方案;
步骤五:车辆采集路面图像数据,识别出可行驶路面,从所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物;
步骤六:发出控制指令,车辆按照步骤五中确定的行驶路线行驶。
为更好的实现本发明方法,进一步为:
所述步骤五中车辆采集路面图像数据,识别出可行驶路面具体体为;
5.1车载摄像头实时获取道路前方图像,将图像处理为240x426个像素点的大小;
5.2识别图形下部,具体为140x426个像素点的大小;
5.3送入可行驶路面识别的深度学习网络;
5.4识别出的路面存在破碎,边缘层次不齐的情况,采用相似度的比较方法进行修补,使得最终的可行驶路面连通区域集中,同时移除区域较小的路面。
所述步骤5.4具体为;
5.4.1将原图RGB转化成灰度图;
5.4.2采用欧氏距离计算方法计算逐点像素与左上,左下,右上,右下四个像素点的相似度,生成图1;
5.4.3再将原图以步长为3缩小,继续计算逐点相似度,生成图2;
5.4.4重复步骤5.4.3,生成图3;
5.4.5将图3通过插值放大到图2大小,并按照图3:图2=1.5:1的比重与图2相加,生成新图1;
5.4.6将新图1通过插值放大到图1大小,并按照新图1:图1=2:1的比重与图1相加,生成新图2,由此得到每一像素点对于全局的相似度;
5.4.7将整个相似度图分为70x142的小块,在每块之间将相似度量化为0,1,2,3,4,5,共6个级别,对每个级别中是路面的点进行统计,若某个级别中50%都被识别为路面,则认为该级别是路面的可能性较大,进行补偿,同时不是路面则进行削减,补偿的大小为(该类点是路面的个数/该类点的总个数-0.5),当补偿小于0时,即为削减。;
5.4.8将生成的补偿与削减情况与网络输出的softmax层的概率相加,最终进行路面的判别;
5.4.9根据两个softmax的值,获得到当前路面的可行驶区域,计算每块连通区域大小,移除大小小于2000的小区域,最终得到可行驶路面。
所述步骤五中从所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物,具体方法为:
从当前线路中,选取三个指标对路面进行评价,最大连续路面长度,路面梯度,路面到达的最远距离,获取可行驶路面的二值化图像,0代表不可行驶,1代表可行驶,有深度学***稳度;找到每一列中可行驶路面的最远点,道路长度与道路不平稳度两者取反比作为对一列路面的评价;使用100的窗口滑动求平均,作为一段路面的综合评价,对综合评价进行归一化,取0.95以上的部分,以其中最远的一点作为当前行驶的方向,计算该点与图像底部中点的斜率,作为控制量输出。
所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物的方法,用于岔路口的判别与选择,根据GPS,检测小车是否行进至路口附近,根据当前的小车方位角与下一条道路的北向角,可以获得下次路面的预计转向,此时对可行路面该方向上的综合评价进行判断,当达到可行驶要求时,即可实施转向制动,具体过程为:
S1、每五列计算一列的连续为路面的长度,该列的梯度,该列所到达的最远处,以此作为该路段情况;
S2、计算出每一列的最大连续路面长度/(该列路面梯度+1),作为某一列的路面状况评价;
S3、使用宽度为100的窗口对这一段内的路面进行统计,并归一化,由此获得对行驶路面的评价信息;
S4、由于路面存在连续性,因此取最近8次的路面评价进行综合,同时判断8次中一直比较平稳的路面范围,对其进行补偿,补偿值为(近8次路面的最大连续长度均值/近8次路面的梯度均值);
S5、当路面平均的最大连续长度小于20时,认为此刻无法行驶,输入“no”;
S6、当获取到的路面评价信息时,根据当前车的方向与路线方向进行调整,当北向角告知需要右转60时,则会从可行驶路面的右侧获取合适的行驶方向,当没有合适拐点时,则继续前进;左转时同上;
S7、获取根据路面评价得出的最优点的最远一点,将其与当前点239和213的连线斜率作为控制量输出。
一种基于深度学习的低速自动驾驶小车控制***,其特征在于:设置有数据通信模块,用于与PC端通过网络的信息交互,包括用户控制指令以及车辆状态信息,小车控制器的数据交互,通过数据处理;设置有图像采集与可行驶路面识别模块,用于实时获取道路前方图像,对图像格式进行适当的处理,并将所得图像传入深度学习网络中进行数据处理,以获得当前道路的可行驶路面部分;设置有局部路径规划模块用于将识别出来的路面分布图作为输入,修正神经网络结果的不足之处,通过全局位置信息及当前网络处理结果及时调整车辆姿态,主要用于避障处理,并得到如下信息:是否可以行驶、行驶角度;设置有全局规划模块用于负责整个***数据处理与调度的部分,包括全局地图的申请,对行驶方向的控制,以及各项数据的收发,通过GPS获得实时车辆所在位置信息,并在地图上进行标注;根据数据通信模块确定的车辆起点和终点在网络地图中规划出最优行驶方案;根据陀螺仪返回信息确定小车绝对地磁角,以确定小车行驶方向;设置有驱动控制模块用于根据车辆全局规划及客户端下达指令确定的在网络地图中的当前位置设定的起点终点位置、经过局部路径规划的避障路径优化处理等信息生成的车辆运行控制指令。
本发明的有益效果为:基于单目摄像头、GPS及陀螺仪的低速自动驾驶车辆,通过深度学习的方法及后续算法实时处理道路图像信息,进行避障、路径规划等功能,通信***可实现远程客户端和小车的实时信息交互。使得车辆能够在校园中利用其成本低、体积小、智能、用户操作简单等特点轻松实现园区导航、运送货物等功能。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
一种基于深度学习的低速自动驾驶小车控制方法,其特征在于,采用的步骤为:
步骤一:启动***;
步骤二:等待用户路线信息指令,获得则进入下一步;
步骤三:通过网络获取地图数据,通过GPS和IMU传感器获取车辆位置及姿态数据;
步骤四:根据用户路线信息、地图信息和车辆位置信息规划车辆行驶路线方案;
步骤五:车辆采集路面图像数据,识别出可行驶路面,从所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物;
所述步骤五中车辆采集路面图像数据,识别出可行驶路面具体体为;
5.1车载摄像头实时获取道路前方图像,将图像处理为240x426个像素点的大小;
5.2识别图形下部,具体为140x426个像素点大小;
5.3送入可行驶路面识别的深度学习网络;
5.4识别出的路面存在破碎,边缘层次不齐的情况,采用相似度的比较方法进行修补,使得最终的可行驶路面连通区域集中,同时移除区域较小的路面。
所述步骤5.4具体为;
5.4.1将原图RGB转化成灰度图;
5.4.2采用欧氏距离计算方法计算逐点像素与左上,左下,右上,右下四个像素点的相似度,生成图1;
5.4.3再将原图以步长为3缩小,继续计算逐点相似度,生成图2;
5.4.4重复步骤5.4.3,生成图3;
5.4.5将图3通过插值放大到图2大小,并按照图3:图2=1.5:1的比重与图2相加,生成新图1;
5.4.6将新图1通过插值放大到图1大小,并按照新图1:图1=2:1的比重与图1相加,生成新图2,由此得到每一像素点对于全局的相似度;
5.4.7将整个相似度图分为70x142的小块,在每块之间将相似度量化为0,1,2,3,4,5,共6个级别,对每个级别中是路面的点进行统计,若某个级别中50%都被识别为路面,则认为该级别是路面的可能性较大,进行补偿,同时不是路面则进行削减,补偿的大小为(该类点是路面的个数/该类点的总个数-0.5)当补偿小于0时,即为削减;
5.4.8将生成的补偿与削减情况与网络输出的softmax层的概率相加,最终进行路面的判别;
5.4.9根据两个softmax的值,获得到当前路面的可行驶区域,计算每块连通区域大小,移除大小小于2000的小区域,最终得到可行驶路面;
所述步骤五中从所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物,具体方法为:
从当前线路中,选取三个指标对路面进行评价,最大连续路面长度,路面梯度,路面到达的最远距离,获取可行驶路面的二值化图像,0代表不可行驶,1代表可行驶,有深度学***稳度;找到每一列中可行驶路面的最远点,道路长度与道路不平稳度两者取反比作为对一列路面的评价;使用100的窗口滑动求平均,作为一段路面的综合评价,对综合评价进行归一化,取0.95以上的部分,以其中最远的一点作为当前行驶的方向,计算该点与图像底部中点的斜率,作为控制量输出。
所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物的方法,用于岔路口的判别与选择,根据GPS,检测小车是否行进至路口附近,根据当前的小车方位角与下一条道路的北向角,可以获得下次路面的预计转向,此时对可行路面该方向上的综合评价进行判断,当达到可行驶要求时,即可实施转向制动,具体过程为:
S1、每五列计算一列的连续为路面的长度,该列的梯度,该列所到达的最远处,以此作为该路段情况;
S2、计算出每一列的最大连续路面长度/(该列路面梯度+1),作为某一列的路面状况评价;S3、使用宽度为100的窗口对这一段内的路面进行统计,并归一化,由此获得对行驶路面的评价信息;
S4、由于路面存在连续性,因此取最近8次的路面评价进行综合,同时判断8次中一直比较平稳的路面范围,对其进行补偿,补偿值为(近8次路面的最大连续长度均值/近8次路面的梯度均值;
S5、当路面平均的最大连续长度小于20时,认为此刻无法行驶,输入“no”;
S6、当获取到的路面评价信息时,根据当前车的方向与路线方向进行调整,当北向角告知需要右转60时,则会从可行驶路面的右侧获取合适的行驶方向,当没有合适拐点时,则继续前进;左转时同上;
S7、获取根据路面评价得出的最优点的最远一点,将其与当前点239和213的连线斜率作为控制量输出。
步骤六:发出控制指令,车辆按照步骤五中确定的行驶路线行驶。
一种基于深度学习的低速自动驾驶小车控制***,设置有数据通信模块,本实施例中为NVIDIA Jetson TX2(简称TX2)并搭载华为ME909S 4G通信模块作为数据通信模块,用于与PC端通过网络的信息交互,包括用户控制指令以及车辆状态信息,小车控制器的数据交互,通过数据处理,PC端使用C#完成小车上位机开发,使用PC端的网络与小车远程通信。云端租借阿里云服务器,编写服务器程序,提供公共IP地址供两端通信,再由数据协议实现数据解析交换;使用了百度地图的API接口,获取并展示地图信息,定位小车位置;百度地图提供了丰富的API接口供用户使用,可通过根据起始点向服务器发起请求来获取路径规划的结果,由PC通过云服务器传递给TX2小车指定的行驶起始点,再由TX2发起http请求获得最终的规划结果;三方(服务器+PC客户端+TX2客户端)的通信使用Socket套接字编程,在服务器端和PC上位机端使用C#编写云服务器的服务器程序和PC上的客户端程序,在TX2上使用Python编写TX2上的客户端程序;通过4G模块共享WiFi的方式为小车所搭载的网络摄像头提供网络,将视频流信息传送至服务器并在客户端显示;
设置有图像采集与可行驶路面识别模块,其中使用TX2板载摄像头用于实时获取道路前方图像,对图像格式进行适当的处理,并将所得图像传入深度学习网络中进行数据处理,以获得当前道路的可行驶路面部分,利用蓝牙和串口进行TX2和stm32单片机的通信,下达控制指令,上传实时信息等;利用陀螺仪获得绝对地磁角;利用4G模块进行与客户端的网络通信;
设置有局部路径规划模块用于将识别出来的路面分布图作为输入,修正神经网络结果的不足之处,通过全局位置信息及当前网络处理结果及时调整车辆姿态,主要用于避障处理,并得到如下信息:是否可以行驶、行驶角度;
设置有全局规划模块用于负责整个***数据处理与调度的部分,包括全局地图的申请,对行驶方向的控制,以及各项数据的收发,通过GPS获得实时车辆所在位置信息,并在地图上进行标注;根据数据通信模块确定的车辆起点和终点在网络地图中规划出最优行驶方案;根据陀螺仪返回信息确定小车绝对地磁角,以确定小车行驶方向;
设置有驱动控制模块用于根据车辆全局规划及客户端下达指令确定的在网络地图中的当前位置设定的起点终点位置、经过局部路径规划的避障路径优化处理等信息生成的车辆运行控制指令。
Claims (4)
1.一种基于深度学习的低速自动驾驶小车控制方法,其特征在于,采用的步骤为:
步骤一:启动***;
步骤二:等待用户路线信息指令,获得则进入下一步;
步骤三:通过网络获取地图数据,通过GPS和IMU传感器获取车辆位置及姿态数据;
步骤四:根据用户路线信息、地图信息和车辆位置信息规划车辆行驶路线方案;
步骤五:车辆采集路面图像数据,识别出可行驶路面,从所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物;
所述步骤五中从所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物,具体方法为:从当前线路中,选取三个指标对路面进行评价,最大连续路面长度,路面梯度,路面到达的最远距离,获取可行驶路面的二值化图像,0代表不可行驶,1代表可行驶,有深度学***稳度;找到每一列中可行驶路面的最远点,道路长度与道路不平稳度两者取反比作为对一列路面的评价;使用100的窗口滑动求平均,作为一段路面的综合评价,对综合评价进行归一化,取0.95以上的部分,以其中最远的一点作为当前行驶的方向,计算该点与图像底部中点的斜率,作为控制量输出;
步骤六:发出控制指令,车辆按照步骤五中确定的行驶路线行驶。
2.根据权利要求1所述基于深度学习的低速自动驾驶小车控制方法,其特征在于:所述步骤五中车辆采集路面图像数据,识别出可行驶路面具体体为;
5.1车载摄像头实时获取道路前方图像,将图像处理为240x426个像素点的大小;
5.2识别图形下部,具体为140x426像素点大小;
5.3送入可行驶路面识别的深度学习网络;
5.4识别出的路面存在破碎,边缘层次不齐的情况,采用相似度的比较方法进行修补,使得最终的可行驶路面连通区域集中,同时移除区域较小的路面。
3.根据权利要求2所述基于深度学习的低速自动驾驶小车控制方法,其特征在于:所述步骤5.4具体为;
5.4.1将原图RGB转化成灰度图;
5.4.2采用欧氏距离计算方法计算逐点像素与左上,左下,右上,右下四个像素点的相似度,生成图1;
5.4.3再将原图以步长为3缩小,继续计算逐点相似度,生成图2;
5.4.4重复步骤5.4.3,生成图3;
5.4.5将图3通过插值放大到图2大小,并按照图3比图2等于1.5:1的比重与图2相加,生成新图1;
5.4.6将新图1通过插值放大到图1大小,并按照新图1:图1等于2:1的比重与图1相加,生成新图2,由此得到每一像素点对于全局的相似度;
5.4.7将整个相似度图分为70x142的小块,在每块之间将相似度量化为0,1,2,3,4,5,共6个级别,对每个级别中是路面的点进行统计,若某个级别中50%都被识别为路面,则认为该级别是路面的可能性较大,进行补偿,同时不是路面则进行削减;
5.4.8将生成的补偿与削减情况与网络输出的softmax层的概率相加,最终进行路面的判别;
5.4.9根据两个softmax的值,获得到当前路面的可行驶区域,计算每块连通区域大小,移除大小小于2000的小区域,最终得到可行驶路面。
4.根据权利要求1所述基于深度学习的低速自动驾驶小车控制方法,其特征在于:所述规划车辆行驶路线方案中选定适合的行驶路线,并调整车辆姿势,避开障碍物的方法,用于岔路口的判别与选择,根据GPS,检测小车是否行进至路口附近,根据当前的小车方位角与下一条道路的北向角,可以获得下次路面的预计转向,此时对可行路面该方向上的综合评价进行判断,当达到可行驶要求时,即可实施转向制动,具体过程为:
S1、每五列计算一列的连续为路面的长度,该列的梯度,该列所到达的最远处,以此作为该路段情况;
S2、计算出每一列的最大连续路面长度,该列路面梯度+1,作为某一列的路面状况评价;
S3、使用宽度为100的窗口对这一段内的路面进行统计,并归一化,由此获得对行驶路面的评价信息;
S4、由于路面存在连续性,因此取最近8次的路面评价进行综合,同时判断8次中一直比较平稳的路面范围,对其进行补偿;
S5、当路面平均的最大连续长度小于20时,认为此刻无法行驶,输出“no”;
S6、当获取到的路面评价信息时,根据当前车的方向与路线方向进行调整,当北向角告知需要右转60时,则会从可行驶路面的右侧获取合适的行驶方向,当没有合适拐点时,则继续前进;左转时同上;
S7、获取根据路面评价得出的最优点的最远一点,将其与当前点239和213的连线斜率作为控制量输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388213.9A CN110162040B (zh) | 2019-05-10 | 2019-05-10 | 一种基于深度学习的低速自动驾驶小车控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388213.9A CN110162040B (zh) | 2019-05-10 | 2019-05-10 | 一种基于深度学习的低速自动驾驶小车控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110162040A CN110162040A (zh) | 2019-08-23 |
CN110162040B true CN110162040B (zh) | 2022-06-17 |
Family
ID=67634246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910388213.9A Expired - Fee Related CN110162040B (zh) | 2019-05-10 | 2019-05-10 | 一种基于深度学习的低速自动驾驶小车控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110162040B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091066B (zh) * | 2019-11-25 | 2023-09-22 | 重庆工程职业技术学院 | 一种自动驾驶汽车地面状态评定方法及*** |
CN112829765A (zh) * | 2021-01-23 | 2021-05-25 | 湖南喜宝达信息科技有限公司 | 具备无人驾驶功能的电单车控制方法、***及存储介质 |
CN113112841A (zh) * | 2021-04-16 | 2021-07-13 | 长安大学 | 一种基于路面湿滑状态感知的车辆智能引导*** |
CN113963545A (zh) * | 2021-11-12 | 2022-01-21 | 北京萝贝智能机器有限公司 | 基于全网通和物联网的低速车智能驾驶交互*** |
CN114590129B (zh) * | 2022-03-25 | 2024-02-02 | 高斯机器人(深圳)有限公司 | 一种agv紧急刹车*** |
CN115782835B (zh) * | 2023-02-09 | 2023-04-28 | 江苏天一航空工业股份有限公司 | 一种旅客登机车自动驻车远程驾驶控制方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5961571A (en) * | 1994-12-27 | 1999-10-05 | Siemens Corporated Research, Inc | Method and apparatus for automatically tracking the location of vehicles |
JP5917840B2 (ja) * | 2011-06-15 | 2016-05-18 | 日産自動車株式会社 | 経路探索装置及び経路探索方法 |
JP6519262B2 (ja) * | 2014-04-10 | 2019-05-29 | 株式会社リコー | 立体物検出装置、立体物検出方法、立体物検出プログラム、及び移動体機器制御システム |
EP3489928A4 (en) * | 2016-07-22 | 2020-03-25 | Hitachi Automotive Systems, Ltd. | DEVICE FOR CALCULATING TRAVEL LIMITS AND DRIVING AID SYSTEM THEREFOR |
US20180224850A1 (en) * | 2017-02-08 | 2018-08-09 | Uber Technologies, Inc. | Autonomous vehicle control system implementing teleassistance |
CN109086277B (zh) * | 2017-06-13 | 2024-02-02 | 纵目科技(上海)股份有限公司 | 一种重叠区构建地图方法、***、移动终端及存储介质 |
CN109117691A (zh) * | 2017-06-23 | 2019-01-01 | 百度在线网络技术(北京)有限公司 | 可行驶区域检测方法、装置、设备及存储介质 |
US10031526B1 (en) * | 2017-07-03 | 2018-07-24 | Baidu Usa Llc | Vision-based driving scenario generator for autonomous driving simulation |
CN107689157B (zh) * | 2017-08-30 | 2021-04-30 | 电子科技大学 | 基于深度学习的交通路口可通行道路规划方法 |
JP6663406B2 (ja) * | 2017-10-05 | 2020-03-11 | 本田技研工業株式会社 | 車両制御装置、車両制御方法、およびプログラム |
CN108196535B (zh) * | 2017-12-12 | 2021-09-07 | 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*** |
CN108288047A (zh) * | 2018-02-07 | 2018-07-17 | 成都新舟锐视科技有限公司 | 一种行人/车辆检测方法 |
CN108985194B (zh) * | 2018-06-29 | 2022-06-10 | 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
- 2019-05-10 CN CN201910388213.9A patent/CN110162040B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN110162040A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162040B (zh) | 一种基于深度学习的低速自动驾驶小车控制方法及*** | |
US11334753B2 (en) | Traffic signal state classification for autonomous vehicles | |
EP3568334B1 (en) | System, method and non-transitory computer readable storage medium for parking vehicle | |
US11548533B2 (en) | Perception and motion prediction for autonomous devices | |
JP7090751B2 (ja) | 車両の移動を制御するシステム及び方法 | |
US11423563B2 (en) | Depth estimation for autonomous devices | |
US11442459B2 (en) | Systems and methods for training predictive models for autonomous devices | |
US20190145765A1 (en) | Three Dimensional Object Detection | |
CN104520732B (zh) | 定位传感器的方法以及相关设备 | |
CN111158355A (zh) | 自动导航云服务器及自动导航控制方法 | |
CN107605219B (zh) | 一种基于ble的自适应室内停车导航与自动泊车***及方法 | |
CN111780771A (zh) | 一种定位方法、装置、电子设备及计算机可读存储介质 | |
JP2020508528A (ja) | 撮像システム | |
US11367289B1 (en) | Machine learning-based framework for drivable surface annotation | |
Li et al. | Integration of vision and topological self-localization for intelligent vehicles | |
US20210297633A1 (en) | Information processing device, information processing method, information processing program, and moving body | |
US11673581B2 (en) | Puddle occupancy grid for autonomous vehicles | |
CN112885134A (zh) | 一种基于大数据的智慧城市交通管理方法 | |
Tao et al. | SeqPolar: Sequence matching of polarized LiDAR map with HMM for intelligent vehicle localization | |
CN114387576A (zh) | 一种车道线识别方法、***、介质、设备及信息处理终端 | |
CN114353799A (zh) | 搭载多线激光雷达的无人驾驶平台室内快速全局定位方法 | |
CN110929662B (zh) | 一种有轨机车轨道曲率获取方法 | |
CN117409566A (zh) | 轨迹预测方法及其装置、介质、程序产品和电子设备 | |
Zhang et al. | V2VSSC: A 3D semantic scene completion benchmark for perception with vehicle to vehicle communication | |
CN117853851A (zh) | 目标信息确定方法及装置、样本数据的生成方法及装置、及应用其的目标检测方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220617 |