CN112706785B - 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 - Google Patents
一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112706785B CN112706785B CN202110129398.9A CN202110129398A CN112706785B CN 112706785 B CN112706785 B CN 112706785B CN 202110129398 A CN202110129398 A CN 202110129398A CN 112706785 B CN112706785 B CN 112706785B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- boundary
- model
- lane line
- 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
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种自动驾驶车辆环境认知目标选择方法、装置及机器可读存储介质,包括1,从车辆感知接口中获取感知信息和本车信息;2,根据感知信息和本车信息,对行驶环境建立边界线模型;3,建立边界线仲裁模块,选取当前场景最优边界线模型;4,根据最优的边界线模型,将目标依次放入对应车道中,过滤超出边界线的目标。本发明通过收集传感器、本车信息数据,对自动驾驶车辆行驶环境建立多个模型,选出行驶道路中的目标,为自动驾驶车辆轨迹规划提供准确、有效的信息,部分解决现有技术存在的目标选择鲁棒性、适应性等问题。
Description
技术领域
本发明属于汽车智能驾驶领域,具体涉及环境认知目标选择方法。
背景技术
在车辆自动驾驶***中,主要包括环境感知融合、环境认知、规划控制模块。其中环境认知起到了承上启下的作用,车辆自动驾驶***首先需要接收来自于环境感知融合的信息,如目标信息、车道线信息、交通标志信息等;然后,要将环境感知信息进行一系列的处理,获取准确的规划控制模块需要的信息,从而保障规划控制模块安全、有效的对车辆进行运动控制。
在环境认知模块中,目标选择是至关重要的,现有技术采用各种方法进行实现。如,中国专利文献CN201710420037.3 公开的“自动驾驶中的威胁度计算方法、目标选择方法及应用”中,通过目标的横纵向位置、速度计算目标威胁度,对目标进行选择。中国专利文献专利CN201911111390.9 公开的“前向目标选择方法、装置及车载设备”中,通过集成学习方法训练前向目标选择模型,结合实时感知数据确定前向目标。这些方法在自动驾驶车辆实际应用过程中,存在较多的问题,比如目标的横纵向位置、速度不准确直接影响威胁度的计算结果,导致错误的目标选择结果;集成学习方法训练前向目标选择模型,是对前向目标进行分类的做法,严重依赖与训练数据的质量,且易产生过拟合现象。
发明内容
本发明针对现有技术存在的不足,提出一种自动驾驶车辆环境认知目标选择方法、装置及机器可读存储介质,用于至少部分解决背景技术中存在的自动驾驶车辆环境认知模块中目标选择鲁棒性、适应性等问题,其通过收集传感器、本车信息数据,对自动驾驶车辆行驶环境建立多个模型,选出行驶道路中的目标,为自动驾驶车辆轨迹规划提供准确、有效的信息。
本发明解决其技术问题所采用的技术方案如下:
一种自动驾驶车辆环境认知目标选择方法,其包括下述步骤:
步骤1:从车辆感知接口中获取感知信息和本车信息;
步骤2:根据感知信息和本车信息,对行驶环境建立边界线模型;
步骤3:建立边界线仲裁模块,选取当前场景最优边界线模型;
步骤4:根据最优的边界线模型,将目标依次放入对应车道中,过滤超出边界线的目标。
进一步的,所述感知信息包括自动驾驶传感器获得的目标信息、车道线信息、定位信息;所述本车信息包括本车横摆加速度、本车方向盘转角、本车车速标量。
进一步的,所述边界线模型包括车道线边界模型、本车轨迹预测边界模型、本车航迹边界模型,根据车道线信息生成车道线边界模型,根据本车横摆角速度、方向盘转角、车速标量计算本车轨迹预测三次曲线、本车航迹三次曲线,从而生成本车轨迹预测边界模型、本车航迹边界模型。
进一步的,所述边界线模型的生成方法是:
步骤2.1,根据左、右车道线长度与阈值对比,得到车道线是否有效的标识符,即,左、右车道线长度同时大于阈值时,车道线有效,反之则无效,由此生成车道线边界模型;
步骤2.2,设置本车速度低速阈值、高速阈值,当本车速度大于高速阈值时,利用车辆横摆角速度与本车速度计算本车转弯半径R1;当本车速度低于低速阈值时,利用方向盘转角计算本车转弯半径R3;当本车速度介于低速阈值和高速阈值之间时,将R1与R3进行与速度关联的加权平均得到本车转弯半径R2;
步骤2.3,根据本车当前转弯半径,即预测轨迹,在此轨迹上取3个以上的点,拟合得到本车轨迹预测三次曲线,由此生成本车轨迹预测边界模型;
步骤2.4,根据本车速度和横摆角速度计算本车行驶的历史轨迹点,再利用最小二乘法将历史轨迹点拟合成三次曲线,得到本车航迹三次曲线,由此生成本车航迹边界模型。
进一步的,所述步骤3包括:
步骤3.1,计算前方车道线边界模型是否有效,若有效则用前方车道线边界模型作为目标选择的边界,若无效,则用本车轨迹预测三次曲线平移生成前方4条车道线的曲线(左、右、左左、右右车道线),最终形成的车道包括本车道、左车道、右车道;
步骤3.2,计算后方车道线边界模型是否有效,计算方法与前方车道线相同;最后,得到本车前、后边界模型。
进一步的,所述步骤4中过滤超出边界线的目标,所述边界线包括左、右、左左、右右边界线,将超出边界线的目标删除,边界线内的目标被选入正确车道内。
相对于现有技术,本发明所述的自动驾驶车辆环境认知目标选择方法具有以下优势:
1、本方法通过收集传感器、本车信息数据,对自动驾驶车辆行驶环境建立多个模型,选出行驶道路中的目标,提供的信息更准确、有效。
2、本方法考虑了本车轨迹预测和历史航迹信息,即使在车道线信息丢失时也可将目标选择出来,增加***适应性。
3、本方法通过计算边界线与目标的相对位置关系,将目标放入相应车道之中,因此目标的横向位置波动会对目标选择有一定影响,纵向位置波动对目标选择的影响减小,所以增加了***的鲁棒性。
本发明的另一目的在于提出一种用于环境目标的融合装置,用于至少部分解决背景技术中提到的技术问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种自动驾驶车辆环境认知目标选择装置,所述装置包括存储器和处理器,所述存储器中存储有指令,所述指令用于使得所述处理器能够执行前述用于自动驾驶车辆环境认知的目标选择方法。
所述自动驾驶车辆环境认知目标选择装置与上述用于自动驾驶车辆环境认知的目标选择方法相对于现有技术所具有的优势相同,在此不再赘述。
相应地,本发明实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有指令,所述指令用于使得机器能够执行上述的用于自动驾驶车辆环境认知的目标选择方法。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1示出了根据本发明一实施例的环境认知目标选择方法的流程框图;
图2示出了根据本发明一实施例的边界线模型生成流程图;
图3示出了根据本发明一实施例的边界线仲裁流程图;
图4示出了根据本发明一实施例的目标选择示意图。
具体实施方式
下面结合说明书附图对本发明进行进一步的描述:
本发明实施例中提到的“传感器”可以指布置在车辆上用于环境认知的任意类型的装置,例如可以是摄像头、激光雷达、毫米波雷达等。本发明实施例中提到的“目标”或“环境目标”可以指在车辆前方、后方或侧方的移动的或静止的任意物体,例如,车辆、人、建筑物等。
本发明的一个实施例如图1,其示出了环境认知模块中目标选择的流程,环境认知目标选择方法包括:
第一步,从感知接口获取传感器信息,包括目标信息、车道线信息、定位信息等;以及本车状态信息,包括本车横摆角速度、方向盘转角、车速标量等。
第二步,根据车道线信息生成车道线边界模型,根据本车横摆角速度、方向盘转角、车速标量计算本车轨迹预测三次曲线、本车航迹三次曲线,从而生成本车轨迹预测边界模型、本车航迹边界模型。
第三步,对上述生成的边界模型进行仲裁,选出最优边界模型。
第四步,根据边界模型将目标放入对应车道之中,超出车道范围的目标被过滤掉,边界线内的目标被选入正确车道内。
第五步,将目标选择的结果写入认知接口,供规划控制使用。
图2示出了根据本发明一实施例的边界线模型生成流程,如图2所示:边界线模型生成是根据车道线信息计算车道线是否有效,根据车辆横摆角速度、速度、方向盘信息计算本车轨迹预测三次曲线、本车航迹三次曲线,具体如下:
1)根据左、右车道线长度与阈值(如阈值为5米、10米,该阈值为经验值)对比,得到车道线是否有效的标识符。即,左、右车道线长度同时大于阈值时,车道线有效,反之则无效。
2)设置本车速度低速阈值、高速阈值,当本车速度大于高速阈值时,利用车辆横摆角速度与速度计算本车转弯半径R1;当本车速度介于低速阈值和高速阈值之间时,利用方向盘转角计算转弯半径R3,再将R1与R3进行与速度关联的加权平均得到本车转弯半径R2;当本车速度低于低速阈值时,直接用R3。
3)根据本车当前的转弯半径,即R1、R2或R3预测轨迹,在此轨迹上取3个以上的点,拟合本车轨迹预测三次曲线。
4)根据本车速度和横摆角速度计算本车行驶的历史轨迹点,再利用最小二乘法将历史轨迹点拟合成三次曲线,即可得到本车航迹三次曲线。
图3示出了根据本发明一实施例的边界线仲裁流程,图3所示:
第一步,计算前方车道线边界模型是否有效,若有效则用前方车道线边界模型作为目标选择的边界,若无效,则用本车轨迹预测三次曲线平移生成前方4条车道线的曲线(左、右、左左、右右车道线),最终形成的车道包括本车道、左车道、右车道。
第二步,计算后方车道线边界模型是否有效,计算方法与前方车道线相同。最后,得到本车前、后边界模型。
即前方:车道线有效时用车道线边界模型,反之用轨迹预测模型。后方:车道线边界模型有效时用车道线边界模型,反之用本车航迹边界模型。
图3示出了根据本发明一实施例的目标选择步骤,如图4所示,Ego为本车,本车周围的车辆目标为传感器的输入信息,目标选择只考虑对本车行驶决策有关键作用的目标,即本车道、左、右车道中的目标。边界线包括左、右、左左、右右边界线,超出边界线的目标删除,边界线内的目标被选入正确车道内。
相应地,本发明实施例还提供一种机器可读存储介质,所述机器可读存储介质上存储有指令,所述指令用于使得机器能够执行上述的用于自动驾驶车辆环境认知的目标选择方法。所述机器可读存储介质例如可以是U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步,本发明实施例还提供一种用于自动驾驶车辆环境认知的目标选择装置,所述装置可以包括存储器和处理器,存储器中可以存储有指令,该指令使得处理器能够执行根据本发明任意是实施例的用于自动驾驶车辆环境认知的目标选择方法。
处理器可以是中央处理单元(CPU),还可以是其他通用处理器、数字信号处理器(DS P) 、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器可用于存储所述计算机程序指令,所述处理器通过运行或执行存储在所述存储器内的计算机程序指令,以及调用存储在存储器内的数据,实现所述用于车辆传感器的数据融合装置的各种功能。存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SMC),安全数字(SD)卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
Claims (5)
1.一种自动驾驶车辆环境认知目标选择方法,其特征在于,包括下述步骤:
步骤1:从车辆感知接口中获取感知信息和本车信息;所述感知信息包括自动驾驶传感器获得的目标信息、车道线信息、定位信息;所述本车信息包括本车横摆加速度、本车方向盘转角、本车车速标量;
步骤2:根据感知信息和本车信息,对行驶环境建立边界线模型;所述边界线模型包括车道线边界模型、本车轨迹预测边界模型、本车航迹边界模型,根据车道线信息生成车道线边界模型,根据本车横摆角速度、方向盘转角、车速标量计算本车轨迹预测三次曲线、本车航迹三次曲线,从而生成本车轨迹预测边界模型、本车航迹边界模型;
所述边界线模型的生成方法是:
步骤2.1,根据左、右车道线长度与阈值对比,得到车道线是否有效的标识符,即,左、右车道线长度同时大于阈值时,车道线有效,反之则无效,由此生成车道线边界模型;
步骤2.2,设置本车速度低速阈值、高速阈值,当本车速度大于高速阈值时,利用车辆横摆角速度与本车速度计算本车转弯半径R1;当本车速度低于低速阈值时,利用方向盘转角计算本车转弯半径R3;当本车速度介于低速阈值和高速阈值之间时,将R1与R3进行与速度关联的加权平均得到本车转弯半径R2;
步骤2.3,根据本车当前转弯半径预测轨迹,在此轨迹上取3个以上的点,拟合得到本车轨迹预测三次曲线,由此生成本车轨迹预测边界模型;
步骤2.4,根据本车速度和横摆角速度计算本车行驶的历史轨迹点,再利用最小二乘法将历史轨迹点拟合成三次曲线,得到本车航迹三次曲线,由此生成本车航迹边界模型;
步骤3:建立边界线仲裁模块,选取当前场景最优边界线模型;包括:
步骤3.1,计算前方车道线边界模型是否有效,若有效则用前方车道线边界模型作为目标选择的边界,若无效,则用本车轨迹预测三次曲线平移生成前方车道线的曲线,最终形成的车道包括本车道、左车道、右车道;
步骤3.2,计算后方车道线边界模型是否有效,计算方法与前方车道线相同;最后,得到本车前、后边界模型;
步骤4:根据最优的边界线模型,将目标依次放入对应车道中,过滤超出边界线的目标。
2.根据权利要求1所述的自动驾驶车辆环境认知目标选择方法,其特征在于,所述步骤3.1中,用本车轨迹预测三次曲线平移生成前方4条车道线的曲线,包括左、右、左左、右右车道线。
3.根据权利要求1所述的自动驾驶车辆环境认知目标选择方法,其特征在于,所述步骤4中过滤超出边界线的目标,所述边界线包括左、右、左左、右右边界线,将超出边界线的目标删除,边界线内的目标被选入正确车道内。
4.一种自动驾驶车辆环境认知目标选择装置,其特征在于,所述装置包括存储器和处理器,所述存储器中存储有指令,所述指令用于使得所述处理器能够执行根据权利要求1至3中任一项所述的用于自动驾驶车辆环境认知的目标选择方法。
5.一种机器可读存储介质,其特征在于,所述机器可读存储介质上存储有指令,所述指令用于使得机器能够执行根据权利要求1至3中任一项所述的用于自动驾驶车辆环境认知的目标选择方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129398.9A CN112706785B (zh) | 2021-01-29 | 2021-01-29 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110129398.9A CN112706785B (zh) | 2021-01-29 | 2021-01-29 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112706785A CN112706785A (zh) | 2021-04-27 |
CN112706785B true CN112706785B (zh) | 2023-03-28 |
Family
ID=75549846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110129398.9A Active CN112706785B (zh) | 2021-01-29 | 2021-01-29 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112706785B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113587940A (zh) * | 2021-07-30 | 2021-11-02 | 重庆长安汽车股份有限公司 | 一种基于车辆转弯半径的车道线校验方法、***及车辆 |
CN113619606B (zh) * | 2021-09-17 | 2024-06-14 | 中国第一汽车股份有限公司 | 障碍物确定方法、装置、设备以及存储介质 |
WO2023092451A1 (zh) * | 2021-11-26 | 2023-06-01 | 华为技术有限公司 | 预测可行驶车道的方法和装置 |
CN114475614A (zh) * | 2022-03-21 | 2022-05-13 | 中国第一汽车股份有限公司 | 一种危险目标的筛选方法、装置、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018063517A (ja) * | 2016-10-12 | 2018-04-19 | 日産自動車株式会社 | 走路境界監視方法及び走路境界監視装置 |
CN109552327A (zh) * | 2018-12-18 | 2019-04-02 | 重庆长安汽车股份有限公司 | 提升自适应巡航***弯道性能的***及方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140083723A (ko) * | 2012-12-26 | 2014-07-04 | 현대모비스 주식회사 | Scc 장치 및 이에 적용되는 타겟 차량 차선 판별 방법 |
US9045144B2 (en) * | 2013-05-09 | 2015-06-02 | Robert Bosch Gmbh | Third-order polynomial-based course prediction for driver assistance functions |
JP6492469B2 (ja) * | 2014-09-08 | 2019-04-03 | 株式会社豊田中央研究所 | 自車走行レーン推定装置及びプログラム |
CN105260699B (zh) * | 2015-09-10 | 2018-06-26 | 百度在线网络技术(北京)有限公司 | 一种车道线数据的处理方法及装置 |
CN105631217B (zh) * | 2015-12-30 | 2018-12-21 | 苏州安智汽车零部件有限公司 | 基于本车自适应虚拟车道的前方有效目标选择方法 |
JP6592423B2 (ja) * | 2016-11-25 | 2019-10-16 | 株式会社デンソー | 車両制御装置 |
CN106681318A (zh) * | 2016-12-09 | 2017-05-17 | 重庆长安汽车股份有限公司 | 自动驾驶中车道线检测短暂丢失的车辆安全控制***及方法 |
CN107415951A (zh) * | 2017-02-28 | 2017-12-01 | 苏州安智汽车零部件有限公司 | 一种基于本车运动状态和环境信息的道路曲率估计方法 |
US11127297B2 (en) * | 2017-07-17 | 2021-09-21 | Veoneer Us, Inc. | Traffic environment adaptive thresholds |
US10649458B2 (en) * | 2017-09-07 | 2020-05-12 | Tusimple, Inc. | Data-driven prediction-based system and method for trajectory planning of autonomous vehicles |
JP6643370B2 (ja) * | 2018-01-23 | 2020-02-12 | 本田技研工業株式会社 | 走行基準ライン決定装置及び自動運転装置 |
CN108801286B (zh) * | 2018-08-01 | 2021-11-30 | 奇瑞汽车股份有限公司 | 确定行驶轨迹的方法和装置 |
CN109460739A (zh) * | 2018-11-13 | 2019-03-12 | 广州小鹏汽车科技有限公司 | 车道线检测方法及装置 |
CN109543636B (zh) * | 2018-11-29 | 2020-12-15 | 连尚(新昌)网络科技有限公司 | 一种用于检测道路急弯的方法与设备 |
KR102540842B1 (ko) * | 2018-12-17 | 2023-06-08 | 현대자동차주식회사 | 차량 및 그 제어 방법 |
US11150664B2 (en) * | 2019-02-01 | 2021-10-19 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
CN109583151B (zh) * | 2019-02-20 | 2023-07-21 | 阿波罗智能技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
CN110162037B (zh) * | 2019-04-30 | 2022-07-26 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种车辆自身轨迹的预测方法 |
CN110293970B (zh) * | 2019-05-22 | 2020-10-16 | 重庆长安汽车股份有限公司 | 一种自动驾驶汽车的行驶控制方法、装置及汽车 |
CN110906940B (zh) * | 2019-10-26 | 2021-05-18 | 武汉中海庭数据技术有限公司 | 一种基于轨迹方向的车道边线聚合方法 |
CN111209361B (zh) * | 2019-12-31 | 2023-06-30 | 深圳安智杰科技有限公司 | 跟车目标选择方法、装置、电子设备及可读存储介质 |
CN111258323B (zh) * | 2020-03-30 | 2021-10-26 | 华南理工大学 | 一种智能车辆轨迹规划与跟踪的联合控制方法 |
CN111797701B (zh) * | 2020-06-10 | 2024-05-24 | 广东正扬传感科技股份有限公司 | 用于车辆多传感器融合***的道路障碍物感知方法及*** |
-
2021
- 2021-01-29 CN CN202110129398.9A patent/CN112706785B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018063517A (ja) * | 2016-10-12 | 2018-04-19 | 日産自動車株式会社 | 走路境界監視方法及び走路境界監視装置 |
CN109552327A (zh) * | 2018-12-18 | 2019-04-02 | 重庆长安汽车股份有限公司 | 提升自适应巡航***弯道性能的***及方法 |
Non-Patent Citations (1)
Title |
---|
张润生 ; 黄小云 ; 刘晶 ; 马雷 ; 韩睿 ; 赵玉勤 ; 杨新红 ; .基于视觉复杂环境下车辆行驶轨迹预测方法.机械工程学报.2011,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112706785A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112706785B (zh) | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 | |
Chen et al. | Lane departure warning systems and lane line detection methods based on image processing and semantic segmentation: A review | |
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、***及装置 | |
CN113267199B (zh) | 行驶轨迹规划方法及装置 | |
CN112069944B (zh) | 一种道路拥堵等级确定方法 | |
US11527078B2 (en) | Using captured video data to identify pose of a vehicle | |
CN108133484B (zh) | 基于场景分割的自动驾驶处理方法及装置、计算设备 | |
CN112967283B (zh) | 基于双目摄像头的目标识别方法、***、设备及存储介质 | |
CN110929655B (zh) | 一种行驶过程中车道线识别方法、终端设备及存储介质 | |
US11436815B2 (en) | Method for limiting object detection area in a mobile system equipped with a rotation sensor or a position sensor with an image sensor, and apparatus for performing the same | |
CN110843789A (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
CN109427191B (zh) | 一种行驶检测方法及装置 | |
CN111582189A (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
Chao et al. | Multi-lane detection based on deep convolutional neural network | |
CN114419098A (zh) | 基于视觉变换的运动目标轨迹预测方法及装置 | |
CN114705121B (zh) | 车辆位姿测量方法、装置及电子设备、存储介质 | |
CN114620059B (zh) | 一种自动驾驶方法及其***、计算机可读存储介质 | |
CN106408593A (zh) | 一种基于视频的车辆跟踪方法及装置 | |
WO2022006777A1 (zh) | 对周围移动物体进行变道分类的方法、***、计算机设备及存储介质 | |
CN113954836A (zh) | 分段式导航换道方法及其***、计算机设备、存储介质 | |
CN115123291B (zh) | 一种基于障碍物识别的行为预测方法及装置 | |
CN114802261A (zh) | 泊车控制方法、障碍物识别模型训练方法、装置 | |
CN112465076A (zh) | 多特征融合的方法、装置、***及存储介质 | |
CN112180913A (zh) | 特种车辆识别方法 | |
CN115675472B (zh) | 一种匝道口的确定方法、装置、电子设备和存储介质 |
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 |