CN110867096A - 一种适用于多种自动驾驶等级车辆的山区道路安全控制***及方法 - Google Patents

一种适用于多种自动驾驶等级车辆的山区道路安全控制***及方法 Download PDF

Info

Publication number
CN110867096A
CN110867096A CN201910947842.0A CN201910947842A CN110867096A CN 110867096 A CN110867096 A CN 110867096A CN 201910947842 A CN201910947842 A CN 201910947842A CN 110867096 A CN110867096 A CN 110867096A
Authority
CN
China
Prior art keywords
vehicle
base station
vehicles
mountain
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.)
Granted
Application number
CN201910947842.0A
Other languages
English (en)
Other versions
CN110867096B (zh
Inventor
胡东海
刘晓强
王晶
蔡英凤
陈龙
王海
田波
李思李
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN201910947842.0A priority Critical patent/CN110867096B/zh
Publication of CN110867096A publication Critical patent/CN110867096A/zh
Application granted granted Critical
Publication of CN110867096B publication Critical patent/CN110867096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种适用于多种自动驾驶等级车辆的山区道路安全控制***及方法，属于自动驾驶车辆控制管理领域。本发明在山脚下设置了一处边缘计算基站，将山路上行驶的无人驾驶车辆统一交由边缘计算基站进行管理控制，无人驾驶车辆行驶时的计算决策全部由边缘计算基站来完成。由于边缘计算基站中存有高精度山区地图，且可以获取山区所有车辆的位置信息，并具有强大的计算能力，使得无人驾驶车辆在山区边缘计算基站控制下的行驶相对于无人驾驶车辆自身独立控制行驶变得更加的安全可靠。本发明具有设备数量少，控制方法简单，控制可靠，易于实现的特点，能够很大程度上保证山区车辆行驶的安全性。

Description

一种适用于多种自动驾驶等级车辆的山区道路安全控制*** 及方法
技术领域
本发明涉及自动驾驶车辆控制领域，特别涉及一种基于边缘计算基站的山区自动驾驶车辆控制***及方法。
背景技术
近年来，随着人工智能、视觉计算、物联网、雷达、高精地图、高性能计算等新一代信息技术的发展，自动驾驶也取得了突破性的成就，目前的自动驾驶级别已经达到L3级别并在向L4级别迈进。预计在不久的将来，自动驾驶车辆便会正式投入使用。然而，在自动驾驶刚刚投入使用后的很长一段时间里，自动驾驶车辆和非自动驾驶车辆会同时存在于道路上，这会给车辆的控制与管理带来很多难题。
自动驾驶车辆主要是依靠人工智能、视觉计算、雷达、监控装置和全球定位***的协同合作来实现车辆的自动行驶的，在存在较多急转弯和较多视野与感应盲区的山区，自动驾驶车辆很可能会因为无法及时感应到前方车辆而无法做出合适、准确的决策，造成碰车、翻车，甚至飞下悬崖的严重事故。
因此，如何合理有效地管理和控制山区的自动驾驶车辆，使得在自动驾驶车辆和非自动驾驶车辆共存的情况下车辆还能安全有序地行驶，成为在自动驾驶车辆正式投入使用前所必须解决的问题。目前，国内外针对这一问题的研究很少，尚无相似文献可寻。
发明内容
针对在自动驾驶车辆正式投入使用的初期，自动驾驶车辆和非自动驾驶车辆并存的情况下，如何合理有效地管理和控制自动驾驶车辆，使其在山区这样的极端路况下能够安全、有序行驶这一问题，本发明提出了一种基于边缘计算基站的山区自动驾驶车辆管理控制***及方法。
本发明的具体技术方案如下：
一种适用于多种自动驾驶等级车辆的山区道路安全控制***，包括出入口监测站、边缘计算基站、车辆、云端；所述山路具有双向车道；所述出入口监测站设置在所述山路出入口处，内部配有摄像头、雷达、无线信号收发器以及基于OCR技术的车牌识别***；所述边缘计算基站设置在山脉的山下，内部配有超级计算机和无线信号收发器，所述超级计算机具有5G网络模块、存储模块和计算模块，所述存储模块中存有深度学习网络和高精度山区三维电子地图；
所述出入口监测站内的摄像头主要负责拍摄进出山车辆的图片，并传送至基于OCR技术的车牌识别***，基于OCR技术的车牌识别***负责根据收到的图片识别出进出山车辆的车牌号信息，并将其传送至所述出入口监测站内的无线信号收发器进行传输；所述出入口监测站内的雷达主要负责检测进出山车辆以及测量入山车辆的车速信息，并将其传送至所述出入口监测站内的无线信号收发器进行传输；所述出入口监测站内的无线信号收发器与所述边缘计算基站内的无线信号收发器主要负责收发无线信号，进行信息交互；所述边缘计算基站内的超级计算机中的5G网络模块可将超级计算机与云端建立连接，使计算机可以从云端下载信息或将信息上传至云端，存储模块主要负责各类信息的存储，计算模块主要负责山区无人驾驶车辆的决策计算，得出控制方案；所述边缘计算基站内的超级计算机中存储模块所存的深度学习网络用于山区无人驾驶车辆的决策计算，高精度山区三维电子地图用于精确还原每辆车在所述山脉上的位置及环境，使边缘计算基站对无人驾驶车辆的决策控制更加合理、安全；
所述边缘计算基站和所述出入口监测站之间通过无线网络相连接进行信息传递；所述边缘计算基站和所述车辆之间通过无线网络相连接进行信息传递(无法收发无线信号的车辆除外)；所述边缘计算基站可以通过5G网络与云端建立连接，从而可以从云端下载信息或将信息上传至云端；
所述车辆包括国际汽车工程协会划分的L0～L5六种自动驾驶等级的车辆；按照驾驶类型的不同再次进行划分，L0的车辆为传统车辆，L1～L3的车辆为智能驾驶车辆，L4、L5的车辆为无人驾驶车辆；
所述传统车辆没有驾驶辅助设备，无法收发无线信号，无法与外界进行信息交互，需要驾驶员驾驶；所述智能驾驶车辆配有车载摄像头、车载毫米波雷达、车载网络CAN收发器以及GPS定位***，可以实现辅助驾驶，但仍需要驾驶员操控；所述无人驾驶车辆配有车载摄像头、车载毫米波雷达、车载网络CAN收发器、GPS定位***以及决策控制***，高度智能化，没有驾驶员驾驶；
所述车载摄像头用于获取车辆周围路况及车辆信息；所述车载毫米波雷达用于获取车辆与周围车辆的相对位置信息及速度信息；所述车载网络CAN收发器用于与外界其他设备通过无线网络进行连接实现信息交互；所述GPS定位***用于对山区车辆实现精准定位；所述决策控制***用于所述无人驾驶车辆的驾驶控制；
所述传统车辆在无法被其他车辆检测到时，所述边缘计算基站的存储模块中存储的其在山路上的位置为预估位置，以预估位置为中心前后2d长度的路段被标记为危险路段,其中，d＝k*v*t，k为预测不确定系数，是存储模块中的神经网络模型训练得出的一常数值，v为所述传统车辆车型对应的山区正常行驶车速，t为该车辆从脱离检测到现在所经历的时间；所述危险路段长度随所述传统车辆脱离检测的时间的增长而不断增大，前后以距离最近的具有检测功能的设备为界限，具有检测功能的设备指智能驾驶车辆、无人驾驶车辆以及出入口监测站；所述预估位置及危险路段不断以所述传统车辆车型对应的山区正常行驶车速向车辆行驶方向移动；当所述传统车辆再次被其他智能驾驶车辆或无人驾驶车辆检测到时，其在所述边缘计算基站的存储模块中存储的位置信息便被更新，所述危险路段的长度归为零；
一种适用于多种自动驾驶等级车辆的山区道路安全管理方法，包括如下步骤：
Step1、当车辆从山路出入口驶入山路时，出入口监测站通过雷达检测到该车入山，通过摄像头拍摄下该车图片，并交由车牌识别***对该车车牌号进行识别，识别完成后，将该车的入山信息和车牌号信息经无线信号收发器传送给边缘计算基站；
Step2、所述边缘计算基站借助接收到的车牌号信息，通过5G网络从云端查询获得该车的型号信息、自动驾驶等级信息以及其他一些车辆数据信息，并根据该车的自动驾驶等级判断该车的自动驾驶类别，判断完毕，如果是传统车辆，则执行Step3.1，如果是智能驾驶车辆，则执行Step3.2，如果是无人驾驶车辆，则执行Step3.3；
Step3.1、所述边缘计算基站借助查询获得的该型号车辆在山区的正常行驶车速及超级计算机中存储的高精度山区三维电子地图预估该车在山路上的位置，并根据预估位置标记出危险路段；在行驶过程中，当有其他无人驾驶车辆或智能车辆检测到该车时，检测到该车的车辆会将该车的位置信息发送给所述边缘计算基站，所述边缘计算基站更新存储模块中该车的位置信息；当所述出入口监测站通过雷达及摄像头检测到该车出山时，便发送信息通知所述边缘计算基站，所述边缘计算基站结束对该车位置的预估计算，并将该车的行驶数据代入存储模块中存储的神经网络模型中进行训练，优化所述预测不确定系数k值；
Step3.2、所述边缘计算基站与该车之间通过信息传输协议完成对接，所述边缘计算基站获取实时查询该车位置信息的权限；当所述出入口监测站通过雷达及摄像头检测到该车出山时，便发送信息通知所述边缘计算基站，所述边缘计算基站与该车间的协议解除，对接中断，所述边缘计算基站将该车的行驶数据代入存储模块中存储的深度学习网络模型中进行深度学习，增强对无人驾驶车辆决策控制的可靠性；
Step3.3、所述边缘计算基站与该车之间通过信息传输协议及控制协议完成对接，所述边缘计算基站获取实时查询该车信息的权限及控制该车行驶的权限，该车由原来的车辆自身控制行驶模式转变为基站控制行驶模式，决策计算中心由车辆的决策控制***转移到所述边缘计算基站内的超级计算机中；当所述出入口监测站通过雷达及摄像头检测到该车出山时，便发送信息通知所述边缘计算基站，所述边缘计算基站与该车间的协议解除，对接中断，该车恢复原先的行驶状态，所述边缘计算基站将该车的行驶数据代入存储模块中存储的深度学习网络模型中进行深度学习，增强对无人驾驶车辆决策控制的可靠性；
在所述边缘计算基站控制下行驶的无人驾驶车辆在山路弯道口附近可能会与其他车辆发生会车，该情形下的具体控制方法如下：
一辆在所述边缘计算基站控制下正常行驶的无人驾驶车辆，当其与前方山路弯道口的距离小于等于x1时，所述边缘计算基站便会统计弯道口另一端与弯道口距离为x2范围内路段上的车辆(x1、x2均为预先设定值，且x1小于x2)，根据统计出的车辆种类，采取以下四种方案中的一种；
方案一：若被统计路段上无车辆或者仅有无人驾驶车辆，采取此方案；所述边缘计算基站控制该车保持自己应在车道正常行驶，通过弯道口；
方案二：若被统计路段上仅有智能驾驶车辆，采取此方案；所述边缘计算基站会先发送信息通知所述智能驾驶车辆注意弯道口另一端有车，并根据两辆车到弯道口的距离及两车的当前行驶车速预估哪辆车先行驶到弯道口，若是所述无人驾驶车辆先驶到弯道口，则所述边缘计算基站控制所述无人驾驶车辆加速行驶，待其通过山路弯道口后，边缘计算基站控制其恢复原先行驶状态，并在该侧与所述智能驾驶车辆完成会车；若是所述智能驾驶车辆先驶到弯道口，则所述边缘计算基站控制所述无人驾驶车辆减速行驶，待所述智能驾驶车辆通过山路弯道口后，所述边缘计算基站控制所述无人驾驶车辆恢复原先行驶状态，并在该侧与所述智能驾驶车辆完成会车，之后再通过弯道口；
方案三：若被统计路段上仅有传统车辆，采取此方案；所述边缘计算基站会先进行预估计算并判断，若所述无人驾驶车辆能在所述传统车辆对应的危险路段前段到达山路弯道口之前通过弯道口，则所述边缘计算基站控制所述无人驾驶车辆加速行驶，待其通过山路弯道口后，所述边缘计算基站控制其恢复原先行驶状态，并在该侧与所述传统车辆完成会车，否则所述边缘计算基站控制所述无人驾驶车辆减速行驶，待所述传统车辆通过山路弯道口后，所述边缘计算基站控制所述无人驾驶车辆恢复原先行驶状态，并在该侧与所述传统车辆完成会车，之后再通过弯道口；
方案四：若被统计路段上存在多种类型的车辆，采取此方案；所述边缘计算基站控制所述无人驾驶车辆减速行驶，待被统计到的所有车辆通过山路弯道口后，所述边缘计算基站控制所述无人驾驶车辆恢复原先行驶状态，并在该侧与被统计到的车辆完成会车，之后再通过弯道口；
本发明的有益效果：本发明通过设立边缘计算基站，将原来相互孤立的车辆联系起来，实现了对山区自动驾驶车辆的统一管理控制，有效避免了在山区这种极度工况下因存在视野盲区或者监测盲区而无法发现迎面而来的车辆，进而无法及时作出反应来规避风险的情况的发生，解决了在自动驾驶车辆正式投入使用的初期，自动驾驶车辆和非自动驾驶车辆并存的情况下，如何合理有效地管理和控制自动驾驶车辆，使其在山区这样的极端路况下能够安全、有序行驶这一问题，使得自动驾驶车辆在山区这种危险工况下的行驶变得安全可靠；另外，本发明的自动驾驶车辆控制方法使得山区自动驾驶车辆的行驶变得更加有序，可以有效提高车辆通行、过弯效率，较少交通拥堵状况的发生。
附图说明
图1为一种基于边缘计算基站的山区自动驾驶车辆控制***总图；
图2为所述山区车辆的自动驾驶类型划分图；；
图3为所述危险路段的示意图；
图4为所述山区车辆的控制流程图；
图5为无人驾驶车辆山路弯道口会车控制流程图；
图6为两辆无人驾驶车辆在山路弯道口会车时的控制示意图；
图7为无人驾驶车辆和智能驾驶车辆在山路弯道口会车时的控制示意图；
图8为无人驾驶车辆和传统车辆在山路弯道口会车时的控制示意图；
图中标记含义如下：
1-山脉，2-山路，3-山路出入口，4-出入口监测站，41-摄像头，42-车牌识别***，43-雷达，44-第一无线信号收发器，5-边缘计算基站，51-第二无线信号收发器，52-超级计算机，521-5G网络模块，522-存储模块，5221-深度学习网络，5222-高精度山区三维电子地图，523-计算模块，6-车辆，61-传统车辆，62-智能驾驶车辆，601-车载摄像头，602-车载毫米波雷达，603-车载网络CAN收发器，604-GPS定位***，605-决策控制***，63-无人驾驶车辆，7-云端，8-无线网络，9-5G网络，10-危险路段。
具体实施方式
下面结合附图对本发明作进一步说明。
一种适用于多种自动驾驶等级车辆的山区道路安全管理***，如附图1所示，其特征在于，包括山脉(1)、山路(2)、山路出入口(3)、出入口监测站(4)、边缘计算基站(5)、车辆(6)、云端(7)；所述山路(2)具有双向车道；所述出入口监测站(4)设置在所述山路出入口(3)处，内部配有摄像头(41)、雷达(43)、第一无线信号收发器(44)以及基于OCR技术的车牌识别***(42)；所述边缘计算基站(5)设置在所述山脉(1)的山角下，内部配有超级计算机(52)和第二无线信号收发器(51)，所述超级计算机(52)具有5G网络模块(521)、存储模块(522)和计算模块(523)，所述存储模块(522)中存有深度学习网络(5221)和高精度山区三维电子地图(5222)；
所述出入口监测站(4)内的摄像头(41)主要负责拍摄进出山车辆的图片，并传送至基于OCR技术的车牌识别***(42)，基于OCR技术的车牌识别***(42)负责根据收到的图片识别出进出山车辆的车牌号信息，并将其传送至所述出入口监测站(4)内的第一无线信号收发器(44)进行传输；所述出入口监测站(4)内的雷达(43)主要负责检测进出山车辆以及测量入山车辆的车速信息，并将其传送至所述出入口监测站(4)内的第一无线信号收发器(44)进行传输；所述出入口监测站(4)内的第一无线信号收发器(44)与所述边缘计算基站(5)内的第二无线信号收发器(51)主要负责收发无线信号，进行信息交互；所述边缘计算基站(5)内的超级计算机(52)中的5G网络模块(521)可将超级计算机(52)与云端(7)建立连接，使计算机可以从云端(7)下载信息或将信息上传至云端(7)，存储模块(522)主要负责各类信息的存储，计算模块(523)主要负责山区无人驾驶车辆(63)的决策计算，得出控制方案；所述边缘计算基站(5)内的超级计算机(52)中存储模块(522)所存的深度学习网络(5221)用于山区无人驾驶车辆(63)的决策计算，高精度山区三维电子地图(5222)用于精确还原每辆车在所述山脉(1)上的位置及环境，使边缘计算基站(5)对无人驾驶车辆(63)的决策控制更加合理、安全；
所述边缘计算基站(5)和所述出入口监测站(4)之间通过无线网络(8)相连接进行信息传递；所述边缘计算基站(5)和所述车辆(6)之间通过无线网络(8)相连接进行信息传递(无法收发无线信号的车辆除外)；所述边缘计算基站(5)可以通过5G网络(9)与云端(7)建立连接，从而可以从云端(7)下载信息或将信息上传至云端(7)；
所述车辆(6)包括国际汽车工程协会划分的L0～L5六种自动驾驶等级的车辆；按照驾驶类型的不同再次进行划分，L0的车辆为传统车辆(61)，L1～L3的车辆为智能驾驶车辆(62)，L4、L5的车辆为无人驾驶车辆(63)，如附图2所示；
所述传统车辆(61)没有驾驶辅助设备，无法收发无线信号，无法与外界进行信息交互，需要驾驶员驾驶；所述智能驾驶车辆(62)配有车载摄像头(601)、车载毫米波雷达(602)、车载网络CAN收发器(603)以及GPS定位***(604)，可以实现辅助驾驶，但仍需要驾驶员操控；所述无人驾驶车辆(63)配有车载摄像头(601)、车载毫米波雷达(602)、车载网络CAN收发器(603)、GPS定位***(604)以及决策控制***(605)，高度智能化，没有驾驶员驾驶；
所述车载摄像头(601)用于获取车辆(6)周围路况及车辆信息；所述车载毫米波雷达(602)用于获取车辆与周围车辆的相对位置信息及速度信息；所述车载网络CAN收发器(603)用于与外界其他设备通过无线网络(8)进行连接实现信息交互；所述GPS定位***(604)用于对山区车辆(6)实现精准定位；所述决策控制***(605)用于所述无人驾驶车辆(63)的驾驶控制；
所述传统车辆(61)在无法被其他车辆检测到时，所述边缘计算基站(5)的存储模块(522)中存储的其在山路(2)上的位置为预估位置，以预估位置为中心前后2d长度的路段被标记为危险路段(10)，其中，d＝k*v*t，k为预测不确定系数，是存储模块中的神经网络模型训练得出的一常数值，v为所述传统车辆(61)车型对应的山区正常行驶车速，t为该车辆从脱离检测到现在所经历的时间；所述危险路段(10)长度随所述传统车辆(61)脱离检测的时间的增长而不断增大，前后以距离最近的具有检测功能的设备为界限，具有检测功能的设备指智能驾驶车辆(62)、无人驾驶车辆(63)以及出入口监测站(4)，如附图3所示；所述预估位置及危险路段(10)不断以所述传统车辆(61)车型对应的山区正常行驶车速向车辆行驶方向移动；当所述传统车辆(61)再次被其他智能驾驶车辆(62)或无人驾驶车辆(63)检测到时，其在所述边缘计算基站(5)的存储模块(522)中存储的位置信息便被更新，所述危险路段(10)的长度归为零；
一种适用于多种自动驾驶等级车辆的山区道路安全管理方法，其控制流程如附图4所示，具体包括如下步骤：
Step1、当车辆从山路出入口(3)驶入山路(2)时，出入口监测站(4)通过雷达(43)检测到该车入山，通过摄像头(41)拍摄下该车图片，并交由车牌识别***(42)对该车车牌号进行识别，识别完成后，将该车的入山信息和车牌号信息经第一无线信号收发器(44)传送给边缘计算基站(5)；
Step2、所述边缘计算基站(5)借助接收到的车牌号信息，通过5G网络(9)从云端(7)查询获得该车的型号信息、自动驾驶等级信息以及其他一些车辆数据信息，并根据该车的自动驾驶等级判断该车的自动驾驶类别，判断完毕，如果是传统车辆(61)，则执行Step3.1，如果是智能驾驶车辆(62)，则执行Step3.2，如果是无人驾驶车辆(63)，则执行Step3.3；
Step3.1、所述边缘计算基站(5)借助查询获得的该型号车辆在山区的正常行驶车速及超级计算机(52)中存储的高精度山区三维电子地图(5222)预估该车在山路(2)上的位置，并根据预估位置标记出危险路段(10)；在行驶过程中，每当有其他无人驾驶车辆(63)或智能车辆检测到该车时，检测到该车的车辆会将该车的位置信息发送给所述边缘计算基站(5)，所述边缘计算基站(5)更新存储模块(522)中该车的位置信息；当所述出入口监测站(4)通过雷达(43)及摄像头(41)检测到该车出山时，便发送信息通知所述边缘计算基站(5)，所述边缘计算基站(5)结束对该车位置的预估计算，并将该车的行驶数据代入存储模块(522)中存储的神经网络模型中进行训练，优化所述预测不确定系数k值；
Step3.2、所述边缘计算基站(5)与该车之间通过特定的协议完成对接，所述边缘计算基站(5)获取实时查询该车位置信息的权限；当所述出入口监测站(4)通过雷达(43)及摄像头(41)检测到该车出山时，便发送信息通知所述边缘计算基站(5)，所述边缘计算基站(5)与该车间的协议解除，对接中断，所述边缘计算基站(5)将该车的行驶数据代入存储模块(522)中存储的深度学习网络模型(5221)中进行深度学习，增强对无人驾驶车辆决策控制的可靠性；
Step3.3、所述边缘计算基站(5)与该车之间通过特定的协议完成对接，所述边缘计算基站(5)获取实时查询该车信息的权限及控制该车行驶的权限，该车由原来的车辆自身控制行驶模式转变为基站控制行驶模式，决策计算中心由车辆的决策控制***(605)转移到所述边缘计算基站(5)内的超级计算机(52)中；当所述出入口监测站(4)通过雷达(43)及摄像头(41)检测到该车出山时，便发送信息通知所述边缘计算基站(5)，所述边缘计算基站(5)与该车间的协议解除，对接中断，该车恢复原先的行驶状态，所述边缘计算基站(5)将该车的行驶数据代入存储模块(522)中存储的深度学习网络模型(5221)中进行深度学习，增强对无人驾驶车辆决策控制的可靠性；
在所述边缘计算基站(5)控制下行驶的无人驾驶车辆(63)在山路弯道口附近可能会与其他车辆发生会车，该情形下的的控制流程图如附图5所示，具体控制方法如下：
一辆在所述边缘计算基站(5)控制下正常行驶的无人驾驶车辆(63)，当其与前方山路弯道口的距离小于等于x1时，所述边缘计算基站(5)便会统计弯道口另一端与弯道口距离为x2范围内路段上的车辆(x1、x2均为预先设定值，且x1小于x2)，根据统计出的车辆种类，采取以下四种方案中的一种；
方案一：若被统计路段上无车辆或者仅有无人驾驶车辆(63)，采取此方案；所述边缘计算基站(5)控制该车保持自己应在车道正常行驶，通过弯道口；例如附图6所示，位置3处有一辆无人驾驶车辆(63)，位置1处的无人驾驶车辆(63)即将与其会车，两辆无人驾驶车辆(63)都在边缘计算基站(5)的控制下保持各自应在车道正常行驶便能在弯道口位置2处安全会车，不会发生危险；
方案二：若被统计路段上仅有智能驾驶车辆(62)，采取此方案；所述边缘计算基站(5)会先发送信息通知所述智能驾驶车辆(62)注意弯道口另一端有车，并根据两辆车到弯道口的距离及两车的当前行驶车速预估哪辆车先行驶到弯道口，若是所述无人驾驶车辆(63)先驶到弯道口，则所述边缘计算基站(5)控制所述无人驾驶车辆(63)加速行驶，待其通过山路弯道口后，边缘计算基站(5)控制其恢复原先行驶状态，并在该侧与所述智能驾驶车辆(62)完成会车；若是所述智能驾驶车辆(62)先驶到弯道口，则所述边缘计算基站(5)控制所述无人驾驶车辆(63)减速行驶，待所述智能驾驶车辆(62)通过山路弯道口后，所述边缘计算基站(5)控制所述无人驾驶车辆(63)恢复原先行驶状态，并在该侧与所述智能驾驶车辆(62)完成会车，之后再通过弯道口；例如附图7所示，位置3处有一辆智能驾驶车辆(62)，位置1处的无人驾驶车辆(63)即将与其会车，边缘计算基站(5)通过计算得出无人驾驶车辆(63)，将会先到达弯道口处，无人驾驶车辆(63)在边缘计算基站的控制下加速行驶，待其通过弯道口后恢复原先行驶状态，在位置2处与智能驾驶车辆(62)完成会车；
方案三：若被统计路段上仅有传统车辆(61)，采取此方案；所述边缘计算基站(5)会先进行预估计算并判断，若所述无人驾驶车辆(63)能在所述传统车辆(61)对应的危险路段(10)前段到达山路弯道口之前通过弯道口，则所述边缘计算基站(5)控制所述无人驾驶车辆(63)加速行驶，待其通过山路弯道口后，所述边缘计算基站(5)控制其恢复原先行驶状态，并在该侧与所述传统车辆(61)完成会车，否则所述边缘计算基站(5)控制所述无人驾驶车辆(63)减速行驶，待所述传统车辆(61)通过山路弯道口后，所述边缘计算基站(5)控制所述无人驾驶车辆(63)恢复原先行驶状态，并在该侧与所述传统车辆(61)完成会车，之后再通过弯道口；例如附图8所示，位置3处有一辆传统车辆(61)，位置1处的无人驾驶车辆(63)即将与其会车，边缘计算基站(5)通过计算得出无人驾驶车辆(63)，将会先到达弯道口处，无人驾驶车辆(63)在边缘计算基站的控制下加速行驶，待其通过弯道口后恢复原先行驶状态，在位置2处与智能驾驶车辆(62)完成会车；
方案四：若被统计路段上存在多种类型的车辆，采取此方案；所述边缘计算基站(5)控制所述无人驾驶车辆(63)减速行驶，待被统计到的所有车辆通过山路弯道口后，所述边缘计算基站(5)控制所述无人驾驶车辆(63)恢复原先行驶状态，并在该侧与被统计到的车辆完成会车，之后再通过弯道口；
综上所述，本实施例的基于边缘计算基站的山区自动驾驶车辆管理控制***及方法，由所述边缘计算基站统一控制山区的所有自动驾驶车辆。所述边缘计算基站搜集到山区所有车辆的位置信息，综合考虑这些信息后对所述自动驾驶车辆进行控制，提高了自动驾驶车辆在山区行驶的安全性与可靠性。此外，所述无人驾驶车辆在山区行驶时，将车辆数据的计算处理及决策中心由车辆转移到边缘计算基站，大大提高了计算运行的效率，缩短了决策时间，使车辆能够更快地做出反应，来应对紧急情况。
通过上述具体实施例，所述技术领域的技术人员可很容易的实现本发明。但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的技术方案。

Claims (8)

1.一种适用于多种自动驾驶等级车辆的山区道路安全控制***，其特征在于，包括：出入口监测站(4)、边缘计算基站(5)、云端(7)；
所述出入口监测站(4)内部配有摄像头(41)、雷达(43)、第一无线信号收发器(44)以及基于OCR技术的车牌识别***(42)；
所述边缘计算基站(5)内部配有超级计算机(52)和第二无线信号收发器(51)；所述超级计算机(52)包含5G网络模块(521)、存储模块(522)和计算模块(523)；所述存储模块(522)中存有深度学习网络(5221)和高精度山区三维电子地图(5222)；
所述出入口监测站(4)内的摄像头(41)负责拍摄进出山车辆的图片，并传送至基于OCR技术的车牌识别***(42)，基于OCR技术的车牌识别***(42)负责根据收到的图片识别出进出山车辆的车牌号信息，并将其传送至所述出入口监测站(4)内的第一无线信号收发器(44)进行传输；所述出入口监测站(4)内的雷达(43)负责检测进出山车辆以及测量入山车辆的车速信息，并将其传送至所述出入口监测站(4)内的第一无线信号收发器(44)进行传输；所述出入口监测站(4)内的第一无线信号收发器(44)与所述边缘计算基站(5)内的第二无线信号收发器(51)负责收发无线信号，进行信息交互；所述边缘计算基站(5)内的超级计算机(52)中的5G网络模块(521)可将超级计算机(52)与云端(7)建立连接，使计算机可以从云端(7)下载信息或将信息上传至云端(7)，存储模块(522)负责各类信息的存储，计算模块(523)负责山区无人驾驶车辆(63)的决策计算，得出控制方案；所述边缘计算基站(5)内的超级计算机(52)中存储模块(522)所存的深度学习网络(5221)用于山区无人驾驶车辆(63)的决策计算，高精度山区三维电子地图(5222)用于精确还原每辆车在所述山脉(1)上的位置及环境信息，以辅助边缘计算基站(5)对无人驾驶车辆(63)进行决策控制；
所述边缘计算基站(5)和所述出入口监测站(4)之间通过无线网络(8)相连接进行信息传递；所述边缘计算基站(5)和车辆(6)之间通过无线网络(8)相连接进行信息传递；所述边缘计算基站(5)可以通过5G网络(9)与云端(7)建立连接，从云端(7)下载信息或将信息上传至云端(7)。
2.根据权利要求1所述的一种适用于多种自动驾驶等级车辆的山区道路安全控制***，其特征在于，所述出入口监测站(4)设置在山路出入口(3)处。
3.根据权利要求1所述的一种适用于多种自动驾驶等级车辆的山区道路安全控制***，其特征在于，所述边缘计算基站(5)设置在所述山脉(1)的山脚下。
4.根据权利要求1所述的一种适用于多种自动驾驶等级车辆的山区道路安全控制***，其特征在于，所述车辆(6)包括国际汽车工程协会划分的L0～L5六种自动驾驶等级的车辆；按照驾驶类型的不同再次进行划分，L0的车辆为传统车辆(61)，L1～L3的车辆为智能驾驶车辆(62)，L4、L5的车辆为无人驾驶车辆(63)；
所述传统车辆(61)没有驾驶辅助设备，无法收发无线信号，无法与外界进行信息交互，需要驾驶员驾驶；所述智能驾驶车辆(62)配有车载摄像头(601)、车载毫米波雷达(602)、车载网络CAN收发器(603)以及GPS定位***(604)，可以实现辅助驾驶，但仍需要驾驶员操控；所述无人驾驶车辆(63)配有车载摄像头(601)、车载毫米波雷达(602)、车载网络CAN收发器(603)、GPS定位***(604)以及决策控制***(605)，高度智能化，没有驾驶员驾驶；
所述车载摄像头(601)用于获取车辆(6)周围路况及车辆信息；所述车载毫米波雷达(602)用于获取车辆与周围车辆的相对位置信息及速度信息；所述车载网络CAN收发器(603)用于与外界其他设备通过无线网络(8)进行连接实现信息交互；所述GPS定位***(604)用于对山区车辆(6)实现精准定位；所述决策控制***(605)用于所述无人驾驶车辆(63)的驾驶控制。
5.根据权利要求4所述的一种适用于多种自动驾驶等级车辆的山区道路安全控制***，其特征在于，所述传统车辆(61)在无法被其他车辆检测到时，所述边缘计算基站(5)的存储模块(522)中存储的其在山路(2)上的位置为预估位置，以预估位置为中心前后2d长度的路段被标记为危险路段(10),其中，d＝k*v*t，k为预测不确定系数，是存储模块中的神经网络模型训练得出的一常数值，v为所述传统车辆(61)车型对应的山区正常行驶车速，t为该车辆从脱离检测到现在所经历的时间；所述危险路段(10)长度随所述传统车辆(61)脱离检测的时间的增长而不断增大，前后以距离最近的具有检测功能的设备为界限，具有检测功能的设备指智能驾驶车辆(62)、无人驾驶车辆(63)以及出入口监测站(4)；所述预估位置及危险路段(10)不断以所述传统车辆(61)车型对应的山区正常行驶车速向车辆行驶方向移动；当所述传统车辆(61)再次被其他智能驾驶车辆(62)或无人驾驶车辆(63)检测到时，其在所述边缘计算基站(5)的存储模块(522)中存储的位置信息便被更新，所述危险路段(10)的长度归为零。
6.根据权利要求1-5任一项所述的一种适用于多种自动驾驶等级车辆的山区道路安全控制***，其特征在于，所述控制***能够适用于具有双向车道的山路。
7.一种适用于多种自动驾驶等级车辆的山区道路安全控制方法，其特征在于，包括如下步骤：
Step1、当车辆从山路出入口(3)驶入山路(2)时，出入口监测站(4)通过雷达(43)检测到该车入山，通过摄像头(41)拍摄下该车图片，并交由车牌识别***(42)对该车车牌号进行识别，识别完成后，将该车的入山信息和车牌号信息经第一无线信号收发器(44)传送给边缘计算基站(5)；
Step2、所述边缘计算基站(5)借助接收到的车牌号信息，通过5G网络(9)从云端(7)查询获得该车的型号信息、自动驾驶等级信息以及其他一些车辆数据信息，并根据该车的自动驾驶等级判断该车的自动驾驶类别，判断完毕，如果是传统车辆(61)，则执行Step3.1，如果是智能驾驶车辆(62)，则执行Step3.2，如果是无人驾驶车辆(63)，则执行Step3.3；
Step3.1、所述边缘计算基站(5)借助查询获得的该型号车辆在山区的正常行驶车速及超级计算机(52)中存储的高精度山区三维电子地图(5222)预估该车在山路(2)上的位置，并根据预估位置标记出危险路段(10)；在行驶过程中，每当有其他无人驾驶车辆(63)或智能车辆检测到该车时，检测到该车的车辆会将该车的位置信息发送给所述边缘计算基站(5)，所述边缘计算基站(5)更新存储模块(522)中该车的位置信息；当所述出入口监测站(4)通过雷达(43)及摄像头(41)检测到该车出山时，便发送信息通知所述边缘计算基站(5)，所述边缘计算基站(5)结束对该车位置的预估计算，并将该车的行驶数据代入存储模块(522)中存储的神经网络模型中进行训练，优化所述预测不确定系数k值；
Step3.2、所述边缘计算基站(5)与该车之间通过信息传输协议完成对接，所述边缘计算基站(5)获取实时查询该车位置信息的权限；当所述出入口监测站(4)通过雷达(43)及摄像头(41)检测到该车出山时，便发送信息通知所述边缘计算基站(5)，所述边缘计算基站(5)与该车间的协议解除，对接中断，所述边缘计算基站(5)将该车的行驶数据代入存储模块(522)中存储的深度学习网络模型(5221)中进行深度学习，增强对无人驾驶车辆决策控制的可靠性；
Step3.3、所述边缘计算基站(5)与该车之间通过信息传输协议及控制协议成对接，所述边缘计算基站(5)获取实时查询该车信息的权限及控制该车行驶的权限，该车由原来的车辆自身控制行驶模式转变为基站控制行驶模式，决策计算中心由车辆的决策控制***(605)转移到所述边缘计算基站(5)内的超级计算机(52)中；当所述出入口监测站(4)通过雷达(43)及摄像头(41)检测到该车出山时，便发送信息通知所述边缘计算基站(5)，所述边缘计算基站(5)与该车间的协议解除，对接中断，该车恢复原先的行驶状态，所述边缘计算基站(5)将该车的行驶数据代入存储模块(522)中存储的深度学习网络模型(5221)中进行深度学习，增强对无人驾驶车辆决策控制的可靠性。
8.根据权利要求7所述的一种适用于多种自动驾驶等级车辆的山区道路安全控制方法，其特征在于，在所述边缘计算基站(5)控制下行驶的无人驾驶车辆(63)在山路弯道口附近与其他车辆发生会车时，具体控制方法如下：
一辆在所述边缘计算基站(5)控制下正常行驶的无人驾驶车辆(63)，当其与前方山路弯道口的距离小于等于x1时，所述边缘计算基站(5)便会统计弯道口另一端与弯道口距离为x2范围内路段上的车辆(x1、x2均为预先设定值，且x1小于x2)，根据统计出的车辆种类，采取以下四种方案中的一种；
方案一：若被统计路段上无车辆或者仅有无人驾驶车辆(63)，采取此方案；所述边缘计算基站(5)控制该车保持自己应在车道正常行驶，通过弯道口；
方案二：若被统计路段上仅有智能驾驶车辆(62)，采取此方案；所述边缘计算基站(5)会先发送信息通知所述智能驾驶车辆(62)注意弯道口另一端有车，并根据两辆车到弯道口的距离及两车的当前行驶车速预估哪辆车先行驶到弯道口，若是所述无人驾驶车辆(63)先驶到弯道口，则所述边缘计算基站(5)控制所述无人驾驶车辆(63)加速行驶，待其通过山路弯道口后，边缘计算基站(5)控制其恢复原先行驶状态，并在该侧与所述智能驾驶车辆(62)完成会车；若是所述智能驾驶车辆(62)先驶到弯道口，则所述边缘计算基站(5)控制所述无人驾驶车辆(63)减速行驶，待所述智能驾驶车辆(62)通过山路弯道口后，所述边缘计算基站(5)控制所述无人驾驶车辆(63)恢复原先行驶状态，并在该侧与所述智能驾驶车辆(62)完成会车，之后再通过弯道口；
方案三：若被统计路段上仅有传统车辆(61)，采取此方案；所述边缘计算基站(5)会先进行预估计算并判断，若所述无人驾驶车辆(63)能在所述传统车辆(61)对应的危险路段(10)前段到达山路弯道口之前通过弯道口，则所述边缘计算基站(5)控制所述无人驾驶车辆(63)加速行驶，待其通过山路弯道口后，所述边缘计算基站(5)控制其恢复原先行驶状态，并在该侧与所述传统车辆(61)完成会车，否则所述边缘计算基站(5)控制所述无人驾驶车辆(63)减速行驶，待所述传统车辆(61)通过山路弯道口后，所述边缘计算基站(5)控制所述无人驾驶车辆(63)恢复原先行驶状态，并在该侧与所述传统车辆(61)完成会车，之后再通过弯道口；
方案四：若被统计路段上存在多种类型的车辆，采取此方案；所述边缘计算基站(5)控制所述无人驾驶车辆(63)减速行驶，待被统计到的所有车辆通过山路弯道口后，所述边缘计算基站(5)控制所述无人驾驶车辆(63)恢复原先行驶状态，并在该侧与被统计到的车辆完成会车，之后再通过弯道口。
CN201910947842.0A 2019-10-08 2019-10-08 一种适用于多种自动驾驶等级车辆的山区道路安全控制***及方法 Active CN110867096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910947842.0A CN110867096B (zh) 2019-10-08 2019-10-08 一种适用于多种自动驾驶等级车辆的山区道路安全控制***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910947842.0A CN110867096B (zh) 2019-10-08 2019-10-08 一种适用于多种自动驾驶等级车辆的山区道路安全控制***及方法

Publications (2)

Publication Number Publication Date
CN110867096A true CN110867096A (zh) 2020-03-06
CN110867096B CN110867096B (zh) 2021-07-20

Family

ID=69652274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910947842.0A Active CN110867096B (zh) 2019-10-08 2019-10-08 一种适用于多种自动驾驶等级车辆的山区道路安全控制***及方法

Country Status (1)

Country Link
CN (1) CN110867096B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112052959A (zh) * 2020-09-04 2020-12-08 深圳前海微众银行股份有限公司 基于联邦学习的自动驾驶训练方法、设备及介质
CN113470350A (zh) * 2021-06-16 2021-10-01 中铁大桥局集团有限公司 一种便道行车调度方法
US11288520B2 (en) 2020-06-25 2022-03-29 Toyota Motor Engineering & Manufacturing N.A. Inc. Systems and methods to aggregate and distribute dynamic information of crowdsourcing vehicles for edge-assisted live map service

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100882580B1 (ko) * 2008-04-07 2009-02-09 게이트마켓 주식회사 원격관리가 가능한 자동판매기와 그의 원격관리 시스템 및 운용 방법
US9889856B1 (en) * 2016-08-09 2018-02-13 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for controlling unmanned vehicle
CN108492603A (zh) * 2018-04-25 2018-09-04 济南浪潮高新科技投资发展有限公司 一种边缘计算站及基于边缘计算站的自动驾驶方法
CN207966200U (zh) * 2017-12-27 2018-10-12 中国船舶重工集团公司第七一0研究所 一种山区高速公路预警发布***
CN108944930A (zh) * 2018-07-05 2018-12-07 合肥工业大学 一种基于lstm的模拟驾驶员特性的自动跟车方法及***
CN109377061A (zh) * 2018-10-30 2019-02-22 百度在线网络技术（北京）有限公司 无人车的分级方法、装置、设备、存储介质和车辆

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100882580B1 (ko) * 2008-04-07 2009-02-09 게이트마켓 주식회사 원격관리가 가능한 자동판매기와 그의 원격관리 시스템 및 운용 방법
US9889856B1 (en) * 2016-08-09 2018-02-13 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for controlling unmanned vehicle
CN207966200U (zh) * 2017-12-27 2018-10-12 中国船舶重工集团公司第七一0研究所 一种山区高速公路预警发布***
CN108492603A (zh) * 2018-04-25 2018-09-04 济南浪潮高新科技投资发展有限公司 一种边缘计算站及基于边缘计算站的自动驾驶方法
CN108944930A (zh) * 2018-07-05 2018-12-07 合肥工业大学 一种基于lstm的模拟驾驶员特性的自动跟车方法及***
CN109377061A (zh) * 2018-10-30 2019-02-22 百度在线网络技术（北京）有限公司 无人车的分级方法、装置、设备、存储介质和车辆

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11288520B2 (en) 2020-06-25 2022-03-29 Toyota Motor Engineering & Manufacturing N.A. Inc. Systems and methods to aggregate and distribute dynamic information of crowdsourcing vehicles for edge-assisted live map service
CN112052959A (zh) * 2020-09-04 2020-12-08 深圳前海微众银行股份有限公司 基于联邦学习的自动驾驶训练方法、设备及介质
CN112052959B (zh) * 2020-09-04 2023-08-25 深圳前海微众银行股份有限公司 基于联邦学习的自动驾驶训练方法、设备及介质
CN113470350A (zh) * 2021-06-16 2021-10-01 中铁大桥局集团有限公司 一种便道行车调度方法

Also Published As

Publication number Publication date
CN110867096B (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
US20240094741A1 (en) Control of automated following in vehicle convoys
CN109164809B (zh) 一种车辆编队自主跟随控制***及方法
JP6724059B2 (ja) 交差点を通過する車両を制御するための方法、装置およびシステム
CN110867096B (zh) 一种适用于多种自动驾驶等级车辆的山区道路安全控制***及方法
US20180056998A1 (en) System and Method for Multi-Vehicle Path Planning Technical Field
CN113460042B (zh) 车辆驾驶行为的识别方法以及识别装置
JP2023508114A (ja) 自動運転方法、関連装置及びコンピュータ読み取り可能記憶媒体
CN111422196A (zh) 一种适用于微巴的智能网联自动驾驶***及方法
KR20210050925A (ko) 차량 충돌 회피 장치 및 방법
CN109413572A (zh) 车辆碰撞预警及车速引导的优化方法及***
CN109460042B (zh) 一种自动驾驶控制方法及***
JP6755071B2 (ja) 車両の走行制御装置
CN110949376B (zh) 车辆控制装置、车辆控制方法及存储介质
US20210109535A1 (en) Systems And Methods For Controlling An Unmanned Self-Powered Follow Vehicle Following A Lead Vehicle With Independent Hazard Avoidance By The Follow Vehicle
CN112429016A (zh) 一种自动驾驶控制方法及装置
CN111724614A (zh) 自动驾驶车辆的交通控制***
JP2020154622A (ja) 交通制御システム
CN114792149A (zh) 一种轨迹预测方法、装置及地图
EP4226354A1 (en) Systems and methods for traffic management in interactive vehicle transport networks
CN109656242A (zh) 一种自动驾驶行车路径规划***
CN113022573A (zh) 道路结构检测方法及装置
CN108154712A (zh) 用于运行车辆的方法和设备
Mourllion et al. Collaborative perception for collision avoidance
CN116312007A (zh) 一种通感一体化设备引导车辆自动驾驶***
CN115328137A (zh) 一种无人驾驶设备的控制方法及控制装置

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