CN114155500A - 基于车身传感器异常路面实时采集分享***及方法 - Google Patents
基于车身传感器异常路面实时采集分享***及方法 Download PDFInfo
- Publication number
- CN114155500A CN114155500A CN202111449198.8A CN202111449198A CN114155500A CN 114155500 A CN114155500 A CN 114155500A CN 202111449198 A CN202111449198 A CN 202111449198A CN 114155500 A CN114155500 A CN 114155500A
- Authority
- CN
- China
- Prior art keywords
- road surface
- abnormal road
- data
- position information
- abnormal
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于车身传感器异常路面实时采集分享方法及***，包括：步骤S1：通过车辆传感器对道路进行感知采集，获得车辆位置信息以及感知数据；步骤S2：利用深度学习模型对采集到的感知数据进行分类得到异常路面的类型，并将异常路面的类型以及异常路面的位置信息共享至预设范围内的车辆，用来提醒路过车辆注意异常路面；步骤S3：将采集到的数据、异常路面的位置信息以及识别异常路面的类型上传至云端；步骤S4：对上传至云端的数据进行预处理，利用预处理后的数据训练优化深度学习模型，并将训练后的深度学习模型更新至车辆端；重复触发步骤S1至步骤S4，不断提高分类准确度和类别。
Description
技术领域
本发明涉及道路路面故障检测领域，具体地，涉及基于车身传感器异常路面实时采集分享***及方法。
背景技术
目前城市道路路面故障检测方法主要以路面不平整度或反应类平整度为检测指标，该类方法虽然能够精确地反映路面状况，但是基本测量数据需要安装有平整度仪的测量车辆在检测道路上运行获取。
专利文献CN109344903B(申请号：201811189560.0)公开了一种基于车载感知数据的城市道路路面故障实时检测方法，该方法的基本思想是以正态贝叶斯分类算法为基础，用车载感知数据构造一系列路面状况的状态分类特征，形成特征向量，利用历史数据和实时数据对道路路面状况进行检测。该专利不足之处是算法单一，在识别出现偏差时不方便优化算法，若有需要感知新的路面故障情况需要，要更新迭代算法困难。而本发明不仅包含单体车的实时检测，而且包含众包的实时检测以及通过大数据上传不断学习来优化模型。单体车的实时检测，根据车身不同的传感器配置，可以采用不同的识别方法，区别于贝叶斯分类器，使用基于深度学习的模型算法，可包括但不限于反向传播，CCN,ResNet等，同时通过大数据的方式来反向优化模型，不断提高识别准确率。
本发明通过车身传感器组合，通过模型能分类积水，湿滑，坑洼，碎石，路面异物，井盖丢失，减速带，碎石路面，前方有塌陷，塌方等。类别能更丰富更利于转递有价值的驾驶路面信息。模型的升级基于众包大数据的采集，因此对于新的路面故障情况需求，更新迭代算法也相对简易。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于车身传感器异常路面实时采集分享方法及***。
根据本发明提供的一种基于车身传感器异常路面实时采集分享方法，包括：
步骤S1：通过车辆传感器对道路进行感知采集，获得车辆位置信息以及感知数据；
步骤S2：利用深度学习模型对采集到的感知数据进行分类得到异常路面的类型，并将异常路面的类型以及异常路面的位置信息共享至预设范围内的车辆，用来提醒路过车辆注意异常路面；
步骤S3：将采集到的数据、异常路面的位置信息以及识别异常路面的类型上传至云端；
步骤S4：对上传至云端的数据进行预处理，利用预处理后的数据训练优化深度学习模型，并将训练后的深度学习模型更新至车辆端；重复触发步骤S1至步骤S4，不断提高分类准确度和类别。
优选地，所述步骤S1采用：基于包括车身GNSS导航数据、IMU惯导数据以及高精度地图模块定位车辆位置，用于定位异常路面的位置信息；
基于包括车身胎压传感器数据、轮速数据、底盘摄像头数据、前置摄像头、环视摄像头获得感知数据。
优选地，所述步骤S2采用：通过众包方式，基于同一路段车辆采集的感知数据以及位置信息利用深度学习模型计算得到参考异常路面类型。
优选地，通过V2V广播方式将异常路面的位置信息和异常路面类型信息发送至预设范围内的车辆，从而实现路过车辆注意异常路面。
优选地，所述步骤S4采用：对上传的数据进行清洗以及筛选处理，得到预处理后的数据。
优选地，云端将异常路面的位置信息和异常路面类型信息下发至路侧单元RSU，利用I2V广播方式提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息。
优选地，云端通过将异常路面的位置信息和异常路面类型信息利用N2V方式直接下发至当前路段预设范围内的车辆，提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息。
优选地，云端将异常路面的位置信息和异常路面类型信息共享至相关道路护养部门，提供提供异常路面的位置信息和异常路面类型信息。
根据本发明提供的一种基于车身传感器异常路面实时采集分享***，包括：
模块M1：通过车辆传感器对道路进行感知采集，获得车辆位置信息以及感知数据；
模块M2：利用深度学习模型对采集到的感知数据进行分类得到异常路面的类型，并将异常路面的类型以及异常路面的位置信息共享至预设范围内的车辆，用来提醒路过车辆注意异常路面；
模块M3：将采集到的数据、异常路面的位置信息以及识别异常路面的类型上传至云端；
模块M4：对上传至云端的数据进行预处理，利用预处理后的数据训练优化深度学习模型，并将训练后的深度学习模型更新至车辆端；重复触发模块M1至模块M4，不断提高分类准确度和类别。
优选地，所述模块M1采用：基于包括车身GNSS导航数据、IMU惯导数据以及高精度地图模块定位车辆位置，用于定位异常路面的位置信息；
基于包括车身胎压传感器数据、轮速数据、底盘摄像头数据、前置摄像头、环视摄像头获得感知数据；
所述模块M2采用：通过众包方式，基于同一路段车辆采集的感知数据以及位置信息利用深度学习模型计算得到参考异常路面类型；
通过V2V广播方式将异常路面的位置信息和异常路面类型信息发送至预设范围内的车辆，从而实现路过车辆注意异常路面；
所述模块M4采用：对上传的数据进行清洗以及筛选处理，得到预处理后的数据；
云端将异常路面的位置信息和异常路面类型信息下发至路侧单元RSU，利用I2V广播方式提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息；
云端通过将异常路面的位置信息和异常路面类型信息利用N2V方式直接下发至当前路段预设范围内的车辆，提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息；
云端将异常路面的位置信息和异常路面类型信息共享至相关道路护养部门，提供提供异常路面的位置信息和异常路面类型信息。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过采用自车身传感器采集道路状况，众包，并分享，解决了道路养护需要巡检，勘察工作量大，问题发现不及时，养护效率低下的问题；
2、本发明通过采用自车身传感器采集道路状况，众包，并分享，提前告知该路段相关其他驾驶员，解决了其他车辆在同一异常路段驾驶安全与舒适度问题；
3、本发明通过采用自车身传感器采集道路状况，众包，并分享，提前告知该路段相关其他驾驶员，提高整体交通效率和单车燃油经济性；
4、本发明通过采用众包方式采集道路状况的数据，运用深度学习算法训练和完善异常路面模型，增加异常路面识别准确率，解决了单车人工采集异常路段不及时，不自动，工作量大的问题；
5、本发明无需改造车身硬件，通过纯软件的解决方案，提供了实时获取异常路面的手段。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为基于车身传感器异常路面实时采集分享方法流程图。
图2为基于车身传感器异常路面实时采集分享***示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种基于车身传感器异常路面实时采集分享方法，如图1所示，包括：通过车身现有传感器，通过路面感知模型算法SDK，感知，采集异常路面信息，进行分类，并通过车联网实时分享；
步骤S1：通过车辆传感器对道路进行感知采集，获得车辆位置信息以及感知数据；
步骤S2：利用深度学习模型对采集到的感知数据进行分类得到异常路面的类型，并将异常路面的类型以及异常路面的位置信息共享至预设范围内的车辆，用来提醒路过车辆注意异常路面；
步骤S3：将采集到的数据、异常路面的位置信息以及识别异常路面的类型上传至云端；
步骤S4：对上传至云端的数据进行预处理，利用预处理后的数据训练优化深度学习模型，并将训练后的深度学习模型更新至车辆端；重复触发步骤S1至步骤S4，不断提高分类准确度和类别(积水，湿滑，坑洼，碎石，路面异物，井盖丢失，减速带，碎石路面，前方有塌陷，塌方等)。
具体地，所述步骤S1采用：基于包括车身GNSS导航数据、IMU惯导数据以及高精度地图模块定位车辆位置，用于定位异常路面的位置信息；
基于包括车身胎压传感器数据、轮速数据、底盘摄像头数据、前置摄像头、环视摄像头获得感知数据。当车身传感器增加时，同时可以增加更多的检测方式。例如毫米波雷达，激光雷达，水浸传感器等，并提升融合算法的能力。
目前车身现有GNSS导航数据，IMU惯导数据，胎压传感器数据，轮速数据，底盘摄像头数据，高精度地图模块，前置摄像头，环视摄像头，毫米波雷达，激光雷达等。不同车辆的传感器数量和类型会有差别，可以根据实际情况使用自车传感器组合，运用不同的融合软件算法。
比如：胎压突然变化，轮速突然变化，底盘摄像头的采集图像对比，可以确定地面是否是积水，湿滑，坑洼，碎石，路面异物等。
左右环视摄像头结合胎压突然变化，轮速突然变化信号，识别车身两边的水花溅起，可以判定路面为积水路面。
底盘摄像头数据，前置摄像头，胎压等感知信号可用来识别前方或者车底部有井盖丢失，减速带，碎石路面，前方有塌陷，坍塌等。
具体地，所述步骤S2采用：通过众包方式，基于同一路段车辆采集的感知数据以及位置信息利用深度学习模型计算得到参考异常路面类型。
具体地，通过V2V广播方式将异常路面的位置信息和异常路面类型信息发送至预设范围内的车辆，从而实现路过车辆注意异常路面。
具体地，所述步骤S4采用：对上传的数据进行清洗以及筛选处理，得到预处理后的数据。
具体地，云端将异常路面的位置信息和异常路面类型信息下发至路侧单元RSU，利用I2V广播方式提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息。
具体地，云端通过将异常路面的位置信息和异常路面类型信息利用N2V方式直接下发至当前路段预设范围内的车辆，提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息。
具体地，云端将异常路面的位置信息和异常路面类型信息共享至相关道路护养部门，提供提供异常路面的位置信息和异常路面类型信息。
根据本发明提供的一种基于车身传感器异常路面实时采集分享***，如图2所示，包括：
模块M1：通过车辆传感器对道路进行感知采集，获得车辆位置信息以及感知数据；
模块M2：利用深度学习模型对采集到的感知数据进行分类得到异常路面的类型，并将异常路面的类型以及异常路面的位置信息共享至预设范围内的车辆，用来提醒路过车辆注意异常路面；
模块M3：将采集到的数据、异常路面的位置信息以及识别异常路面的类型上传至云端；
模块M4：对上传至云端的数据进行预处理，利用预处理后的数据训练优化深度学习模型，并将训练后的深度学习模型更新至车辆端；重复触发模块M1至模块M4，不断提高分类准确度和类别(积水，湿滑，坑洼，碎石，路面异物，井盖丢失，减速带，碎石路面，前方有塌陷，塌方等)。
具体地，所述模块M1采用：基于包括车身GNSS导航数据、IMU惯导数据以及高精度地图模块定位车辆位置，用于定位异常路面的位置信息；
基于包括车身胎压传感器数据、轮速数据、底盘摄像头数据、前置摄像头、环视摄像头获得感知数据。当车身传感器增加时，同时可以增加更多的检测方式。例如毫米波雷达，激光雷达，水浸传感器等，并提升融合算法的能力。
目前车身现有GNSS导航数据，IMU惯导数据，胎压传感器数据，轮速数据，底盘摄像头数据，高精度地图模块，前置摄像头，环视摄像头，毫米波雷达，激光雷达等。不同车辆的传感器数量和类型会有差别，可以根据实际情况使用自车传感器组合，运用不同的融合软件算法。
比如：胎压突然变化，轮速突然变化，底盘摄像头的采集图像对比，可以确定地面是否是积水，湿滑，坑洼，碎石，路面异物等。
左右环视摄像头结合胎压突然变化，轮速突然变化信号，识别车身两边的水花溅起，可以判定路面为积水路面。
底盘摄像头数据，前置摄像头，胎压等感知信号可用来识别前方或者车底部有井盖丢失，减速带，碎石路面，前方有塌陷，坍塌等。
具体地，所述模块M2采用：通过众包方式，基于同一路段车辆采集的感知数据以及位置信息利用深度学习模型计算得到参考异常路面类型。
具体地，通过V2V广播方式将异常路面的位置信息和异常路面类型信息发送至预设范围内的车辆，从而实现路过车辆注意异常路面。
具体地，所述模块M4采用：对上传的数据进行清洗以及筛选处理，得到预处理后的数据。
具体地，云端将异常路面的位置信息和异常路面类型信息下发至路侧单元RSU，利用I2V广播方式提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息。
具体地，云端通过将异常路面的位置信息和异常路面类型信息利用N2V方式直接下发至当前路段预设范围内的车辆，提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息。
具体地，云端将异常路面的位置信息和异常路面类型信息共享至相关道路护养部门，提供提供异常路面的位置信息和异常路面类型信息。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的***、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于车身传感器异常路面实时采集分享方法，其特征在于，包括：
步骤S1：通过车辆传感器对道路进行感知采集，获得车辆位置信息以及感知数据；
步骤S2：利用深度学习模型对采集到的感知数据进行分类得到异常路面的类型，并将异常路面的类型以及异常路面的位置信息共享至预设范围内的车辆，用来提醒路过车辆注意异常路面；
步骤S3：将采集到的数据、异常路面的位置信息以及识别异常路面的类型上传至云端；
步骤S4：对上传至云端的数据进行预处理，利用预处理后的数据训练优化深度学习模型，并将训练后的深度学习模型更新至车辆端；重复触发步骤S1至步骤S4，不断提高分类准确度和类别。
2.根据权利要求1所述的基于车身传感器异常路面实时采集分享方法，其特征在于，所述步骤S1采用：基于包括车身GNSS导航数据、IMU惯导数据以及高精度地图模块定位车辆位置，用于定位异常路面的位置信息；
基于包括车身胎压传感器数据、轮速数据、底盘摄像头数据、前置摄像头、环视摄像头获得感知数据。
3.根据权利要求1所述的基于车身传感器异常路面实时采集分享方法，其特征在于，所述步骤S2采用：通过众包方式，基于同一路段车辆采集的感知数据以及位置信息利用深度学习模型计算得到参考异常路面类型。
4.根据权利要求1所述的基于车身传感器异常路面实时采集分享方法，其特征在于，通过V2V广播方式将异常路面的位置信息和异常路面类型信息发送至预设范围内的车辆，从而实现路过车辆注意异常路面。
5.根据权利要求1所述的基于车身传感器异常路面实时采集分享方法，其特征在于，所述步骤S4采用：对上传的数据进行清洗以及筛选处理，得到预处理后的数据。
6.根据权利要求1所述的基于车身传感器异常路面实时采集分享方法，其特征在于，云端将异常路面的位置信息和异常路面类型信息下发至路侧单元RSU，利用I2V广播方式提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息。
7.根据权利要求1所述的基于车身传感器异常路面实时采集分享方法，其特征在于，云端通过将异常路面的位置信息和异常路面类型信息利用N2V方式直接下发至当前路段预设范围内的车辆，提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息。
8.根据权利要求1所述的基于车身传感器异常路面实时采集分享方法，其特征在于，云端将异常路面的位置信息和异常路面类型信息共享至相关道路护养部门，提供提供异常路面的位置信息和异常路面类型信息。
9.一种基于车身传感器异常路面实时采集分享***，其特征在于，包括：
模块M1：通过车辆传感器对道路进行感知采集，获得车辆位置信息以及感知数据；
模块M2：利用深度学习模型对采集到的感知数据进行分类得到异常路面的类型，并将异常路面的类型以及异常路面的位置信息共享至预设范围内的车辆，用来提醒路过车辆注意异常路面；
模块M3：将采集到的数据、异常路面的位置信息以及识别异常路面的类型上传至云端；
模块M4：对上传至云端的数据进行预处理，利用预处理后的数据训练优化深度学习模型，并将训练后的深度学习模型更新至车辆端；重复触发模块M1至模块M4，不断提高分类准确度和类别。
10.根据权利要求9所述的基于车身传感器异常路面实时采集分享***，其特征在于，所述模块M1采用：基于包括车身GNSS导航数据、IMU惯导数据以及高精度地图模块定位车辆位置，用于定位异常路面的位置信息；
基于包括车身胎压传感器数据、轮速数据、底盘摄像头数据、前置摄像头、环视摄像头获得感知数据；
所述模块M2采用：通过众包方式，基于同一路段车辆采集的感知数据以及位置信息利用深度学习模型计算得到参考异常路面类型；
通过V2V广播方式将异常路面的位置信息和异常路面类型信息发送至预设范围内的车辆，从而实现路过车辆注意异常路面；
所述模块M4采用：对上传的数据进行清洗以及筛选处理，得到预处理后的数据；
云端将异常路面的位置信息和异常路面类型信息下发至路侧单元RSU，利用I2V广播方式提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息；
云端通过将异常路面的位置信息和异常路面类型信息利用N2V方式直接下发至当前路段预设范围内的车辆，提醒过往车辆注意异常路面，提供异常路面的位置信息和异常路面类型信息；
云端将异常路面的位置信息和异常路面类型信息共享至相关道路护养部门，提供提供异常路面的位置信息和异常路面类型信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111449198.8A CN114155500A (zh) | 2021-11-30 | 2021-11-30 | 基于车身传感器异常路面实时采集分享***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111449198.8A CN114155500A (zh) | 2021-11-30 | 2021-11-30 | 基于车身传感器异常路面实时采集分享***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114155500A true CN114155500A (zh) | 2022-03-08 |
Family
ID=80455424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111449198.8A Pending CN114155500A (zh) | 2021-11-30 | 2021-11-30 | 基于车身传感器异常路面实时采集分享***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114155500A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115083188A (zh) * | 2022-05-25 | 2022-09-20 | 中汽研汽车检验中心(广州)有限公司 | 一种基于车联网的路面信息修正方法、装置及*** |
| CN115311850A (zh) * | 2022-07-15 | 2022-11-08 | 重庆长安汽车股份有限公司 | 一种基于众包模式的抛洒物识别与预警方法及*** |
| CN115359301A (zh) * | 2022-09-06 | 2022-11-18 | 上海寻序人工智能科技有限公司 | 一种基于云端平台的数据挖掘方法 |
-
2021
- 2021-11-30 CN CN202111449198.8A patent/CN114155500A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115083188A (zh) * | 2022-05-25 | 2022-09-20 | 中汽研汽车检验中心(广州)有限公司 | 一种基于车联网的路面信息修正方法、装置及*** |
| CN115311850A (zh) * | 2022-07-15 | 2022-11-08 | 重庆长安汽车股份有限公司 | 一种基于众包模式的抛洒物识别与预警方法及*** |
| CN115359301A (zh) * | 2022-09-06 | 2022-11-18 | 上海寻序人工智能科技有限公司 | 一种基于云端平台的数据挖掘方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11721205B2 (en) | Method, apparatus, and computer program product for processing sensor data | |
| CN114155500A (zh) | 基于车身传感器异常路面实时采集分享***及方法 | |
| CN109416873B (zh) | 具有自动化风险控制***的自主或部分自主机动车辆及其相应方法 | |
| US10657811B2 (en) | Travel lane identification without road curvature data | |
| US20180164119A1 (en) | System and method for generating an environmental condition database using automotive sensors | |
| JP7466396B2 (ja) | 車両制御装置 | |
| US10086844B2 (en) | Vehicle sensor diagnosis system and method and a vehicle comprising such a system | |
| CN114555443A (zh) | 使用驾驶员辅助来检测和解决异常驾驶员行为 | |
| WO2019055571A1 (en) | SYSTEM AND METHOD FOR RELATIVE POSITIONING BASED ON SECURE AUTONOMOUS DRIVING | |
| US20230063930A1 (en) | Vehicle recording device and information recording method | |
| US10668922B2 (en) | Travel lane identification without road curvature data | |
| CN102963361A (zh) | 操作车辆安全***的方法 | |
| US20200286370A1 (en) | Transportation threat detection system | |
| CN112519796A (zh) | 一种用于自动驾驶的车道偏离预警*** | |
| CN102542835B (zh) | 具有交通阻塞识别功能的导航***和导航方法 | |
| WO2022009847A1 (ja) | 悪環境判定装置、悪環境判定方法 | |
| CN104575067A (zh) | 一种将车辆行驶实时数据自动计算、交互共享与发布的*** | |
| JP2020520025A (ja) | 追越確率コレクションを生成する方法、自動車の制御装置を動作させる方法、追越確率コレクション装置および制御装置 | |
| US11897478B2 (en) | Method, apparatus and computer program product for determining the presence of precipitation | |
| EP3961154A1 (en) | Method, apparatus, and computer program product for generating an automated driving capability map index | |
| CN113227831A (zh) | 基于多传感器数据融合的护栏估计方法和车载设备 | |
| US20230111391A1 (en) | Method, apparatus, and computer program product for identifying wrong-way driven vehicles | |
| US11302345B2 (en) | Method, apparatus, and computer program product for vehicle localization via frequency audio features | |
| US20240182045A1 (en) | System and method for correcting in real-time an estimated position of a road object | |
| CN115985109B (zh) | 一种无人驾驶矿车环境感知方法和*** |
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 |