CN114397877A - 一种智能汽车自动驾驶*** - Google Patents
一种智能汽车自动驾驶*** Download PDFInfo
- Publication number
- CN114397877A CN114397877A CN202110714865.4A CN202110714865A CN114397877A CN 114397877 A CN114397877 A CN 114397877A CN 202110714865 A CN202110714865 A CN 202110714865A CN 114397877 A CN114397877 A CN 114397877A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- automatic driving
- algorithm
- driving system
- 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
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000008447 perception Effects 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000012790 confirmation Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 15
- 229910052799 carbon Inorganic materials 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 229910052698 phosphorus Inorganic materials 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 claims description 2
- 229910052757 nitrogen Inorganic materials 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 241001417527 Pempheridae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能汽车自动驾驶***。该***由模块间通信库、定位导航模块、环境感知模块、数据融合模块、高精地图模块、路径规划模块以及终端显示模块组成。各模块之间利用通信库实时传输数据,利用定位导航模块的位置信息执行坐标转换,利用终端显示模块展示可视化结果。在自动驾驶场景下,首先由环境感知模块收集环境信息,经感知算法处理后一并传输到数据融合模块,经栅格投影、投票确认、道边拟合后供给路径规划模块,用于在高精地图的辅助下,实时规划行驶路线,控制车辆。本发明能够自动完成智能驾驶场景下的目标识别、检测、规避等任务,安全可靠性高,将有效降低不当驾驶导致的安全隐患,提高道路安全性。
Description
技术领域
本发明涉及无人驾驶领域,尤其是一种智能汽车自动驾驶***
背景技术
在国家政策大力扶持和人工智能技术迅猛发展等多方面有利条件的推动下,自动驾驶成为我国近年来最火热的发展行业之一。不断持续扩增的物流配送、智慧城市下的无人出租、精细自动化的环卫作业以及高吞吐量的港口码头装卸等行业对自动驾驶***的需求尤为迫切。自动驾驶作为汽车产业与以人工智能为代表的新一代信息技术深度融合的产物,主要用来帮助城市构建安全高效的未来运输结构。目前对自动驾驶***需求较高的场景中基本情况如下:
1.在物流配送行业,装卸、运输、收货、仓储、运送等物流作业流程均需要高昂的人工成本,而且人工作业时容易造成疲劳,工作效率降低,主观上容易出现错误,物流作业流程自动化后,将促使整个产业链降本增效,革新升级。
2.在出租车行业,司机长时间驾驶车辆,多数情况下处于疲劳状态,存在极大的安全隐患;基于自动驾驶***的无人出租将极大降低安全隐患,提高道路安全性,降低事故发生率。
3.在环卫行业,成本高昂、过程混乱、深度清理难度大一直是此行业的痛点,而且从业者多数年龄较大,考虑到身体素质影响,难以在高温、严寒等恶劣环境下长时间工作,基于自动驾驶***的无人清扫车通过自主识别道路环境,规划路线,可是实现全天时、精细化、高效率的清洁作业。
4.在港口码头,货物吞吐量大,装卸难度大,对卡车司机的需求量大、技术要求高,发展自动驾驶***,实现集装箱装卸运输自动化,是建设一流港口的必经之路,将有效解决行驶线路不精准、转弯盲区大等问题。
近年来深度学习在自动驾驶领域发展迅猛,深度学习以其精准的识别率和高效的计算速度使得众多计算机视觉问题的瓶颈得以突破,它能够实时地对二维图像和三维点云等多模态数据进行分类和检测,已经在很多工业领域得以应用。
发明内容
本发明的目的在于提供一种智能汽车自动驾驶***,为多场景下自动驾驶提供可靠参考。
实现本发明目的的技术解决方案为:一种智能汽车自动驾驶***,由模块间通信库、定位导航模块、环境感知模块、数据融合模块、高精地图模块、路径规划模块以及终端显示模块组成,其中:
模块间通信库负责在各模块之间实时传输数据。
定位导航模块提供位置信息,用于进行坐标转换;
环境感知模块基于车载传感器收集多模态数据,由感知算法处理多模态数据之后,将初步过滤数据和检测结果打包发送给数据融合模块和终端显示模块;
数据融合模块对来自环境感知模块的初步过滤数据进行栅格投影,经投票确认后执行道边拟合,并将融合结果发送到路径规划模块和终端显示模块;
高精地图模块在实时感知不佳的环境下辅助路径规划进行决策;
路径规划模块根据数据融合模块的道边拟合数据规划行驶路线,使用避障算法规避障碍物,控制车辆,并将规划路线发送到终端显示模块;
终端显示模块对各模块数据做可视化显示。
进一步地,所述的模块间通信库,在各模块之间实时传输数据的具体作用是:信号处理、服务初始化、多进程间通信、共享内存管理、并发执行和同步等。
进一步地,所述的定位导航模块,其位置信息由差分GPS和惯性导航***提供,可根据不同的精度需求进一步选配。
进一步地,所述的环境感知模块,其中的车载传感器由可见光相机、红外相机、激光雷达、毫米波雷达等组成,传感器具体型号可依据不同的需求进一步选配,以便采集达到不同场景下的数据采集需求。
进一步地,所述的环境感知模块,其感知算法由二维目标检测算法YOLO V4和三维目标检测算法PointPillars组成,具体作用为:分别给出在二维和三维下目标的类别和包围盒;
所述的YOLO V4集成了几种算法模型的创新做法,在速度和精度方面具有明显优势,网络结构的具体构建方式为:主干网络采用CSPDarknet53,为了增加感受野,采用SPP的思想,使用路径聚合模块缩短较低层与最高特征之间的信息路径,使用YOLO-v3的head;改进策略采用的具体措施为:采用Mosaic的数据增强方法,混合四张具有不同语义信息的图片,以增强模型的鲁棒性,采用自对抗的方式,在训练中使用交叉小批量标准化CmBN,采用改进的SAM和PANet,前者直接用一个卷积得到的特征图直接使用Sigmoid进行激活,然后对应点相乘,从而将Spatial-wiseAttention变为Point-wiseAttention,而后者将原有的加法融合改为逐元素相乘的融合方式;对于来自车载传感器的数据,该算法在预处理之后输入到该模型中,即可得到二维目标检测的类别和包围盒结果;
所述的PointPillars极大程度上提高了点云数据的检测效率,具体做法是:在体素化的基础上,将俯视图划分成H×W的均匀方格,每一个方格在高度方向上的所有点构成一个pillar,即pillar的数量P可用如下公式计算:
P=H×W
然后使用PointNet提取点云特征得到三维特征表示(C,P,N),其中C为通道数量,P为pillar数量,N为每个pillar中的点数,经最大值池化后特征维度变换至(C,P),由以上公式可变形为(C,H,W),即可利用二维的Backbone进一步提取特征,极大降低了计算复杂度;检测头中的损失由分类损失回归损失和方向损失构成,其公式如下:
其中,Np代表正样本框的数量,βcls、βloc、βdir分别是三种损失的权重参数,具体地分类损失采用focal loss,回归损失采用SmoothL1 loss,方向损失采用softmax loss,具体计算公式如下:
将车载激光雷达的数据输入到该模型中,即可得到三维目标检测的类别和包围盒结果。
进一步地,所述的数据融合模块,具体作用为:投票确认去除单帧中出现的随机物体,形成实时投票队列;道边拟合订阅投票确认队列,根据最新入队的道边点使用RANSAC算法拟合道边线。
进一步地,所述的高精地图模块,具体作用是:使用差分GPS和惯性导航***提供的位置信息构建实时地图,在高度复杂的环境下辅助路径规划模块进行决策。
进一步地,所述的路径规划模块中的避障算法,具体作用为:在安全规避障碍物的前提下,尽可能快速绕过;根据应用场景的不同,可进一步选用APF算法和VFH算法。
进一步地,所述的终端显示模块,可视化显示的数据由车载传感器采集的原始数据,环境感知模块的检测结果,融合模块的栅格投影数据、道边拟合结果,以及路径规划模块的规划路线组成。
本***是一个高度智能化的自动驾驶***,***能自动化识别并检测感知范围内车辆、行人等目标的位置,基于融合的数据信息,在高精地图的辅助下规划行驶路线,合理规避障碍物,实现安全通行。
本发明具有如下有益效果:能及时、准确识别车辆行驶过程中目标的位置;有效降低不当驾驶导致的安全隐患,降低事故发生率,提高道路安全性;极大降低人力成本,全天候高效工作,为多场景下自动驾驶提供可靠依据和参考。
附图说明
图1是本发明智能汽车自动驾驶***的实现示意图。
图2是图1智能汽车自动驾驶***中环境感知模块中二维目标检测算法YOLO V4的网络结构示意图。
图3是图1智能汽车自动驾驶***中环境感知模块中三维目标检测算法PointPillars的网络结构示意图。
图4是图2中YOLO V4中采用的改进SAM结构示意图。
图5是图2中YOLO V4中采用的改进PANet结构示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的属于仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明一种智能汽车自动驾驶***,基于定位导航模块、环境感知模块、数据融合模块、高精地图模块、路径规划模块、终端显示模块以及模块间通信库等组件的有机组合,实现自动化识别并检测感知范围内车辆、行人等目标的位置,基于融合的数据信息,在高精地图的辅助下规划行驶路线,合理规避障碍物,实现安全通行,从而为多场景下自动驾驶提供可靠依据和参考。
参照图1,进一步地模块间通信库负责在各模块之间实时传输数据;
进一步地,定位导航模块中的差分GPS和惯性导航***提供用于进行坐标转换的位置信息。
进一步地,环境感知模块中的可见光相机、红外相机、激光雷达、毫米波雷达等车载传感器采集车辆行驶过程中的数据发送到内部感知算法部分,感知算法将二维和三维的检测结果和初步过滤数据打包发送给数据融合模块和终端显示模块。
进一步地,数据融合模块对来自环境感知模块的初步过滤数据进行栅格投影,经投票确认后执行道边拟合,并将融合结果发送到路径规划模块和终端显示模块;
进一步地,高精地图模块在实时感知不佳的环境下构建实时地图,发送到路径规划模块;
进一步地,路径规划模块在高精地图的辅助下,根据数据融合模块的道边拟合数据规划行驶路线,规避障碍物控制车辆,并将规划路线发送到终端显示模块;
进一步地,终端显示模块对各模块数据做可视化显示,包括车载传感器采集的原始数据,环境感知模块的检测结果,融合模块的栅格投影数据、道边拟合结果以及路径规划模块的规划路线等。
Claims (9)
1.一种智能汽车自动驾驶***,其特征在于,该***由模块间通信库、定位导航模块、环境感知模块、数据融合模块、高精地图模块、路径规划模块以及终端显示模块组成;
模块间通信库负责在各模块之间实时传输数据;
定位导航模块提供位置信息,用于进行坐标转换;
环境感知模块基于车载传感器收集多模态数据,由感知算法处理多模态数据之后,将初步过滤数据和检测结果打包发送给数据融合模块和终端显示模块;
数据融合模块对来自环境感知模块的初步过滤数据进行栅格投影,经投票确认后执行道边拟合,并将融合结果发送到路径规划模块和终端显示模块;
高精地图模块在实时感知不佳的环境下辅助路径规划进行决策;
路径规划模块根据数据融合模块的道边拟合数据规划行驶路线,使用避障算法规避障碍物,控制车辆,并将规划路线发送到终端显示模块;
终端显示模块对各模块数据做可视化显示。
2.根据权利要求1所述的智能汽车自动驾驶***,其特征在于,所述的模块间通信库,在各模块之间实时传输数据的具体作用是:信号处理、服务初始化、多进程间通信、共享内存管理、并发执行和同步等。
3.根据权利要求1所述的智能汽车自动驾驶***,其特征在于,所述的定位导航模块,其位置信息由差分GPS和惯性导航***提供,可根据不同的精度需求进一步选配。
4.根据权利要求1所述的智能汽车自动驾驶***,其特征在于,所述的环境感知模块,其中的车载传感器由可见光相机、红外相机、激光雷达、毫米波雷达等组成,传感器具体型号可依据不同的需求进一步选配,以便采集达到不同场景下的数据采集需求。
5.根据权利要求1所述的智能汽车自动驾驶***,其特征在于,所述的环境感知模块,其感知算法由二维目标检测算法YOLO V4和三维目标检测算法PointPillars组成,具体作用为:分别给出在二维和三维下目标的类别和包围盒;YOLO V4集成了几种算法模型的创新做法,在速度和精度方面具有明显优势,网络结构的具体构建方式为:主干网络采用CSPDarknet53,为了增加感受野,采用SPP的思想,使用路径聚合模块缩短较低层与最高特征之间的信息路径,使用YOLO V3的head;改进策略采用的具体措施为:采用Mosaic的数据增强方法,混合四张具有不同语义信息的图片,以增强模型的鲁棒性,采用自对抗的方式,在训练中使用交叉小批量标准化CmBN,采用改进的SAM和PANet,前者直接用一个卷积得到的特征图直接使用Sigmoid进行激活,然后对应点相乘,从而将Spatial-wiseAttention变为Point-wiseAttention,而后者将原有的加法融合改为逐元素相乘的融合方式;对于来自车载传感器的数据,该算法在预处理之后输入到该模型中,即可得到二维目标检测的类别和包围盒结果;
PointPillars极大程度上提高了点云数据的检测效率,具体做法是:在体素化的基础上,将俯视图划分成H×W的均匀方格,每一个方格在高度方向上的所有点构成一个pillar,即pillar的数量P可用如下公式计算:
P=H×W
然后使用PointNet提取点云特征得到三维特征表示(C,P,N),其中C为通道数量,P为pillar数量,N为每个pillar中的点数,经最大值池化后特征维度变换至(C,P),由以上公式可变形为(C,H,W),即可利用二维的Backbone进一步提取特征,极大降低了计算复杂度;检测头中的损失由分类损失回归损失和方向损失构成,其公式如下:
其中,Np代表正样本框的数量,βcls、βloc、βdir分别是三种损失的权重参数,具体地分类损失采用focal loss,回归损失采用SmoothL1 loss,方向损失采用softmax loss,具体计算公式如下:
将车载激光雷达的数据输入到该模型中,即可得到三维目标检测的类别和包围盒结果。
6.根据权利要求1所述的智能汽车自动驾驶***,其特征在于,所述的数据融合模块,具体作用为:投票确认去除单帧中出现的随机物体,形成实时投票队列;道边拟合订阅投票确认队列,根据最新入队的道边点使用RANSAC算法拟合道边线。
7.根据权利要求1所述的智能汽车自动驾驶***,其特征在于,所述的高精地图模块,具体作用是:使用差分GPS和惯性导航***提供的位置信息构建实时地图,在高度复杂的环境下辅助路径规划模块进行决策。
8.根据权利要求1所述的智能汽车自动驾驶***,其特征在于,所述的路径规划模块中的避障算法,具体作用为:在安全规避障碍物的前提下,尽可能快速绕过;根据应用场景的不同,可进一步选用APF算法和VFH算法。
9.根据权利要求1所述的智能汽车自动驾驶***,其特征在于,所述的终端显示模块,可视化显示的数据由车载传感器采集的原始数据,环境感知模块的检测结果,融合模块的栅格投影数据、道边拟合结果,以及路径规划模块的规划路线组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714865.4A CN114397877A (zh) | 2021-06-25 | 2021-06-25 | 一种智能汽车自动驾驶*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714865.4A CN114397877A (zh) | 2021-06-25 | 2021-06-25 | 一种智能汽车自动驾驶*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114397877A true CN114397877A (zh) | 2022-04-26 |
Family
ID=81225684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714865.4A Pending CN114397877A (zh) | 2021-06-25 | 2021-06-25 | 一种智能汽车自动驾驶*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114397877A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862957A (zh) * | 2022-07-08 | 2022-08-05 | 西南交通大学 | 一种基于3d激光雷达的地铁车底定位方法 |
CN115187964A (zh) * | 2022-09-06 | 2022-10-14 | 中诚华隆计算机技术有限公司 | 基于多传感器数据融合的自动驾驶决策方法及SoC芯片 |
CN115290069A (zh) * | 2022-07-22 | 2022-11-04 | 清华大学 | 多源异构传感器数据融合与协同感知手持移动平台 |
CN116052420A (zh) * | 2023-01-05 | 2023-05-02 | 北京清丰智行科技有限公司 | 一种用于园区的车路云协同大数据管理*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
CN107577996A (zh) * | 2017-08-16 | 2018-01-12 | 中国地质大学(武汉) | 一种车辆驾驶路径偏移的识别方法及*** |
CN110287779A (zh) * | 2019-05-17 | 2019-09-27 | 百度在线网络技术(北京)有限公司 | 车道线的检测方法、装置及设备 |
CN111612059A (zh) * | 2020-05-19 | 2020-09-01 | 上海大学 | 一种基于pointpillars的多平面编码点云特征深度学习模型的构建方法 |
CN111860695A (zh) * | 2020-08-03 | 2020-10-30 | 上海高德威智能交通***有限公司 | 一种数据融合、目标检测方法、装置及设备 |
CN112418212A (zh) * | 2020-08-28 | 2021-02-26 | 西安电子科技大学 | 一种基于EIoU改进的YOLOv3算法 |
CN112612287A (zh) * | 2020-12-28 | 2021-04-06 | 清华大学 | 一种自动驾驶汽车局部路径规划***、方法、介质及设备 |
-
2021
- 2021-06-25 CN CN202110714865.4A patent/CN114397877A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术(北京)有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
CN107577996A (zh) * | 2017-08-16 | 2018-01-12 | 中国地质大学(武汉) | 一种车辆驾驶路径偏移的识别方法及*** |
CN110287779A (zh) * | 2019-05-17 | 2019-09-27 | 百度在线网络技术(北京)有限公司 | 车道线的检测方法、装置及设备 |
CN111612059A (zh) * | 2020-05-19 | 2020-09-01 | 上海大学 | 一种基于pointpillars的多平面编码点云特征深度学习模型的构建方法 |
CN111860695A (zh) * | 2020-08-03 | 2020-10-30 | 上海高德威智能交通***有限公司 | 一种数据融合、目标检测方法、装置及设备 |
CN112418212A (zh) * | 2020-08-28 | 2021-02-26 | 西安电子科技大学 | 一种基于EIoU改进的YOLOv3算法 |
CN112612287A (zh) * | 2020-12-28 | 2021-04-06 | 清华大学 | 一种自动驾驶汽车局部路径规划***、方法、介质及设备 |
Non-Patent Citations (2)
Title |
---|
ALEXEY BOCHKOVSKIY ET AL.: "YOLOv4: Optimal Speed and Accuracy of Object Detection", 《ARXIV》 * |
詹为钦 等: "基于注意力机制的pointpillars+三维目标检测", 《江苏大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862957A (zh) * | 2022-07-08 | 2022-08-05 | 西南交通大学 | 一种基于3d激光雷达的地铁车底定位方法 |
CN114862957B (zh) * | 2022-07-08 | 2022-09-27 | 西南交通大学 | 一种基于3d激光雷达的地铁车底定位方法 |
CN115290069A (zh) * | 2022-07-22 | 2022-11-04 | 清华大学 | 多源异构传感器数据融合与协同感知手持移动平台 |
CN115187964A (zh) * | 2022-09-06 | 2022-10-14 | 中诚华隆计算机技术有限公司 | 基于多传感器数据融合的自动驾驶决策方法及SoC芯片 |
CN116052420A (zh) * | 2023-01-05 | 2023-05-02 | 北京清丰智行科技有限公司 | 一种用于园区的车路云协同大数据管理*** |
CN116052420B (zh) * | 2023-01-05 | 2023-09-22 | 北京清丰智行科技有限公司 | 一种用于园区的车路云协同大数据管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114397877A (zh) | 一种智能汽车自动驾驶*** | |
CN109556615B (zh) | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 | |
WO2022141910A1 (zh) | 一种基于行车安全风险场的车路激光雷达点云动态分割及融合方法 | |
CN102819263B (zh) | 多摄像头无人车视觉感知*** | |
EP2984642B1 (en) | Mapping active and inactive construction zones for autonomous driving | |
Aycard et al. | Intersection safety using lidar and stereo vision sensors | |
CN113313154A (zh) | 一体化融合多传感器自动驾驶智能感知装置 | |
CN111880174A (zh) | 一种用于支持自动驾驶控制决策的路侧服务***及其控制方法 | |
Rawashdeh et al. | Collaborative automated driving: A machine learning-based method to enhance the accuracy of shared information | |
Liu et al. | Deep learning-based localization and perception systems: approaches for autonomous cargo transportation vehicles in large-scale, semiclosed environments | |
CN115552200A (zh) | 用于生成重要性占据栅格地图的方法和*** | |
CN113071518B (zh) | 一种自动无人驾驶方法、小巴、电子设备以及存储介质 | |
CN113791619B (zh) | 一种机场自动驾驶牵引车调度导航***及方法 | |
CN111459172A (zh) | 围界安防无人巡逻车自主导航*** | |
US20220146277A1 (en) | Architecture for map change detection in autonomous vehicles | |
CN115273028A (zh) | 一种基于全域感知的智慧停车场语义地图构建方法及*** | |
CN110435541A (zh) | 一种基于视觉识别和测距的车辆变道预警方法和*** | |
CN111930125A (zh) | 适用于agv的低成本障碍物检测装置及方法 | |
EP4134769A1 (en) | Method and apparatus for vehicle to pass through boom barrier | |
CN116022657A (zh) | 路径规划方法、装置和起重机 | |
Johari et al. | Comparison of autonomy and study of deep learning tools for object detection in autonomous self driving vehicles | |
Dong et al. | A vision-based method for improving the safety of self-driving | |
US11884268B2 (en) | Motion planning in curvilinear coordinates for autonomous vehicles | |
Diab et al. | Experimental lane keeping assist for an autonomous vehicle based on optimal PID controller | |
CN115027506B (zh) | 一种物流行李牵引车驾驶控制***及方法 |
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: 20220426 |
|
RJ01 | Rejection of invention patent application after publication |