CN114701502A - 障碍物的识别方法、装置及电子设备 - Google Patents
障碍物的识别方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114701502A CN114701502A CN202210343164.9A CN202210343164A CN114701502A CN 114701502 A CN114701502 A CN 114701502A CN 202210343164 A CN202210343164 A CN 202210343164A CN 114701502 A CN114701502 A CN 114701502A
- Authority
- CN
- China
- Prior art keywords
- target obstacle
- obstacle
- current vehicle
- target
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000004888 barrier function Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000005096 rolling process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 8
- 241000894007 species Species 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 239000010813 municipal solid waste Substances 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 239000004575 stone Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- -1 flowers Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000009490 roller compaction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/402—Type
- B60W2554/4029—Pedestrians
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供了一种障碍物的识别方法、装置及电子设备，首先获取当前道路上目标障碍物的属性信息；该属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度中的至少一种；然后基于属性信息，确定目标障碍物的估值参数；最后基于估值参数，确定目标障碍物的影响类别；其中，该影响类别用于指示目标障碍物对当前车辆的行驶路线的影响程度。该方式通过障碍物的属性信息，对障碍物进行估值，进而确定障碍物对当前车辆行驶路线的影响程度，准确地确定了道路障碍物对车辆行驶路线的影响程度，进而提高了车辆的行驶效率及安全性。
Description
技术领域
本发明涉及自动驾驶技术领域，具体而言，涉及一种障碍物的识别方法、装置及电子设备。
背景技术
相关技术中，自动驾驶车辆在道路上行驶时，通常将检测到的道路上的障碍物均视为不可碰撞的，且不可碾压的，从而将行车路线规划为躲避所有障碍物，该方式可能会导致行车路线中出现急刹车或急转弯的现象，行车路线较为复杂，使得车辆的行驶效率较低，同时影响乘车人员的乘坐体验。
发明内容
有鉴于此，本发明的目的在于提供一种障碍物的识别方法、装置及电子设备，以准确地确定道路障碍物对车辆行驶路线的影响程度，进而提高车辆的行驶效率及安全性。
第一方面，本发明实施例提供了一种障碍物的识别方法，该方法包括：获取当前道路上目标障碍物的属性信息；其中，属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度中的至少一种；目标障碍物与当前车辆接触，包括当前车辆碾压或碰撞目标障碍物；基于属性信息，确定目标障碍物的估值参数；基于估值参数，确定目标障碍物的影响类别；其中，影响类别用于指示目标障碍物对当前车辆的行驶路线的影响程度。
可选的，在本发明第一方面的第一种实现方式中，上述获取当前道路上目标障碍物的属性信息的步骤，包括：识别当前道路上目标障碍物的障碍物种类；基于预设的障碍物种类与属性信息的对应关系，确定目标障碍物的障碍物种类对应的的属性信息；其中，对应关系中包括至少一种障碍物种类、至少一种属性信息、以及每种障碍物种类对应的每种属性信息的属性值。
可选的，在本发明第一方面的第二种实现方式中，上述获取当前道路上目标障碍物的属性信息的步骤，包括：提取当前道路上目标障碍物的特征信息；将目标障碍物的特征信息输入至预设的属性估算模型，以通过属性估算模型基于目标障碍物的特征信息，确定目标障碍物与指定种类障碍物的相似程度，基于相似程度输出目标障碍物的属性信息。
可选的，在本发明第一方面的第三种实现方式中，上述属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度；基于属性信息，确定目标障碍物的估值参数的步骤，包括：基于目标障碍物的价值属性及目标障碍物的损伤程度，确定目标障碍物的损伤价值；基于当前车辆的价值参数及当前车辆的损伤程度，确定当前车辆的损伤价值；基于目标障碍物的损伤价值和当前车辆的损伤价值，确定目标障碍物的估值参数。
可选的，在本发明第一方面的第四种实现方式中，上述属性信息还包括：目标障碍物对当前车辆的关注程度；基于目标障碍物的损伤价值和当前车辆的损伤价值，确定目标障碍物的估值参数的步骤之后，该方法还包括：基于关注程度，调整目标障碍物的估值参数，得到最终的估值参数。
可选的，在本发明第一方面的第五种实现方式中，上述目标障碍物对当前车辆的关注程度，通过下述方式确定：确定目标障碍物的运动属性，如果目标障碍物的运动属性为可运动，获取目标障碍物的速度变化信息；基于速度变化信息，确定目标障碍物对当前车辆的关注程度。
可选的，在本发明第一方面的第六种实现方式中，上述影响类别包括：绝对不可碾压、不可碾压、可能不可碾压、可能可碾压及可碾压；每种影响类别对应预设的估值参数取值范围；基于估值参数，确定目标障碍物的影响类别的步骤，包括：确定估值参数所属的估值参数取值范围，将估值参数所属的估值参数取值范围对应的影响类别，确定为目标障碍物的影响类别。
可选的，在本发明第一方面的第七种实现方式中，上述基于估值参数，确定目标障碍物的影响类别的步骤之后，该方法还包括：基于目标障碍物的影响类别，确定当前车辆的行驶路径；其中，行驶路径经过的障碍物的影响类别满足预设条件。
第二方面，本发明实施例提供了一种障碍物的识别装置，该装置包括：属性信息获取模块，获取当前道路上目标障碍物的属性信息；其中，属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度中的至少一种；目标障碍物与当前车辆接触，包括当前车辆碾压或碰撞目标障碍物；估值参数确定模块，用于基于属性信息，确定目标障碍物的估值参数；影响类别确定模块，用于基于估值参数，确定目标障碍物的影响类别；其中，影响类别用于指示目标障碍物对当前车辆的行驶路线的影响程度。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述的障碍物的识别方法。
第四方面，本发明实施例提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述的障碍物的识别方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种障碍物的识别方法、装置及电子设备，首先获取当前道路上目标障碍物的属性信息；该属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度中的至少一种；然后基于属性信息，确定目标障碍物的估值参数；最后基于估值参数，确定目标障碍物的影响类别；其中，该影响类别用于指示目标障碍物对当前车辆的行驶路线的影响程度。该方式通过障碍物的属性信息，对障碍物进行估值，进而确定障碍物对当前车辆行驶路线的影响程度，准确地确定了道路障碍物对车辆行驶路线的影响程度，进而提高了车辆的行驶效率及安全性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种障碍物的识别方法的流程图；
图2为本发明实施例提供的另一种障碍物的识别方法的流程图；
图3为本发明实施例提供的一种障碍物的识别装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着自动驾驶技术的发展，自动驾驶车辆的使用越来越广泛。相关技术中，车辆通过自动驾驶技术检测到道路上的障碍物时，缺省模式都是认为检测到的所有障碍物都是不可碰撞且不可碾压的，并规划行车路线回避所有障碍物。然而，该方式会导致行车路线中出现急刹车或急转弯的现象，影响行车效率及乘坐体验。
基于此，本发明实施例提供的一种障碍物的识别方法、装置及电子设备，该技术可以应用于各种交通场景中障碍物的识别过程。
为便于对本实施例进行理解，首先对一种障碍物的识别方法进行介绍，如图1所示，该方法包括如下步骤：
步骤102，获取当前道路上目标障碍物的属性信息；其中，属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度中的至少一种；目标障碍物与当前车辆接触，包括当前车辆碾压或碰撞目标障碍物。
上述目标障碍物可以包括多个种类的物品，如石头、花草、垃圾袋、小动物、行人、其他交通工具等等。不同种类的目标障碍物的属性信息不同，例如，石头的价值属性较低，石头与当前车辆接触时，石头的损伤程度较低，但当前车辆的损伤程度较高；而行人的价值属性较高，行人与当前车辆接触时，行人的损伤程度较高，当前车辆的损伤程度可能为中等水平。目标障碍物的价值属性的高低可以通过数值来表示，通常可以以较高的数值表示较高的价值属性；目标障碍物的损伤程度和当前车辆的损伤程度也可以通过数值来表示，通常可以以较高的数值表示较高的损失程度。
由于目标障碍物的属性信息与其种类具有一定的对应关系，在获取目标障碍物的属性信息的时候，可以首先通过当前车辆的车载传感器获取到的传感数据，识别目标障碍物的基本种类，即该目标障碍物是什么。其中，上述车载传感器可以为图像传感器，采集到的传感数据为图像数据，具体可以采用图像识别技术对障碍物的类别进行识别；上述车载传感器还可以为激光传感器、红外传感器灯，针对这些传感器采集到的传感数据，均可以采用对应的数据处理技术对传感数据进行处理，从而对障碍物的类别进行识别。
在识别到目标障碍物的基本种类后，可以基于预先确定的目标障碍物的种类与属性信息的对应关系，确定目标障碍物的属性信息。其中，障碍物的种类与属性信息的对应关系可以基于历史经验确定，也可以由相关工作人员根据实验确定，还可以在车辆行驶过程中，基于车辆与不同种类的障碍物的碰撞效果对该对应关系进行调整。
如果不能直接识别到目标障碍物的基本种类，可以从传感器采集到的传感数据中提取目标障碍物的特征信息，如目标障碍物的材质、大小、颜色等，并基于这些特征信息确定目标障碍物的属性信息，该过程可以通过预先训练的估算模型实现。该估算模型需要通过大量的障碍物数据训练得到。
步骤104，基于属性信息，确定目标障碍物的估值参数。
上述估值参数主要用于表征如果当前车辆与目标障碍物接触，如撞击目标障碍物或碾压该目标障碍物，造成的损失价值。由于当前车辆与目标障碍物接触时，目标障碍物与当前车辆可能都会有价值损失，因此估值参数可以通过两部分来计算。
可以基于目标障碍物的价值属性及接触后目标障碍物的损伤程度，确定目标障碍物对应的损失价值；基于当前车辆的价值属性及接触后当前车辆的损伤程度，确定当前车辆对应的损失价值，最后通过目标障碍物及当前车辆的损失价值计算目标障碍物的估值参数，如将目标障碍物与当前车辆的损失价值之和作为目标障碍物的估值参数。其中，上述价值属性、损伤程度、损失价值及估值参数均可以通过数值表示。当估值参数对应数值越大时，当前车辆与目标障碍物接触后造成的损失价值越大。
当目标障碍物为一些具有自我意识的生物时，如行人、小狗等，他们看到车辆向自己驶来的时候可以进行躲避，可以认为这些目标障碍物的属性信息中还包括对当前车辆的关注程度。该关注程度可以基于当前车辆靠近目标障碍物的时候，目标障碍物的速度变化情况确定。当随着当前车辆靠近目标障碍物越近时，目标障碍物的速度变快了，则认为目标障碍物具有对当前车辆的关注程度，且速度变化越快，目标障碍物的关注程度越高。可以基于目标障碍物的关注程度，调整估值参数，如可以基于关注程度计算估值参数的关注系数，将估值参数与关注系数相乘，得到调整后的估值参数；使关注程度越高，调整后的估值参数越低。
步骤106，基于估值参数，确定目标障碍物的影响类别；其中，影响类别用于指示目标障碍物对当前车辆的行驶路线的影响程度。
上述影响类别可以是预先确定的，按照目标障碍物对当前车辆的行驶路线的影响程度确定多个取值范围，每个取值范围对应于一种影响类别。当估值参数落在某个取值范围时，该目标障碍物的影响类别为该取值范围对应的影响类别。由于估值参数可以表征当前车辆与目标障碍物接触后造成的损失价值，目标障碍物的估值参数越大，其对应的影响类别指示的目标障碍物对当前车辆的行驶路线的影响程度越大。
本发明实施例提供了一种障碍物的识别方法，首先获取当前道路上目标障碍物的属性信息；该属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度中的至少一种；然后基于属性信息，确定目标障碍物的估值参数；最后基于估值参数，确定目标障碍物的影响类别；其中，该影响类别用于指示目标障碍物对当前车辆的行驶路线的影响程度。该方式通过障碍物的属性信息，对障碍物进行估值，进而确定障碍物对当前车辆行驶路线的影响程度，准确地确定了道路障碍物对车辆行驶路线的影响程度，进而提高了车辆的行驶效率及安全性。
下述实施例提供获取当前道路上目标障碍物的属性信息的具体实现过程。
由于障碍物的属性信息与其种类之间有一定的对应关系，因此在获取目标障碍物的属性信息时，可以首先识别当前道路上目标障碍物的障碍物种类；其中障碍物种类可以理解为该障碍物是什么；然后基于预设的障碍物种类与属性信息的对应关系，确定目标障碍物的障碍物种类对应的的属性信息；其中，对应关系中包括至少一种障碍物种类、至少一种属性信息、以及每种障碍物种类对应的每种属性信息的属性值。例如，在识别到目标障碍物的类别为垃圾袋时，预设的对应关系为垃圾袋的价值属性的属性值为0，垃圾袋的损伤程度的属性值为0，当前车辆的损伤程度的属性值为0，则可以赋予该目标障碍物这些属性信息对应的属性值
当无法直接识别到障碍物的障碍物种类时，可以提取当前道路上目标障碍物的特征信息，例如尺寸、形状等；将目标障碍物的特征信息输入至预设的属性估算模型，以通过属性估算模型基于目标障碍物的特征信息，确定目标障碍物与指定种类障碍物的相似程度，基于相似程度输出目标障碍物的属性信息。
其中，上述指定种类障碍物可以包括多种，如石头、垃圾袋、行人等，属性估算模型可以将目标障碍物的特征信息与指定种类障碍物的特征进行对比，从而确定目标障碍物与指定种类障碍物的相似程度，进一步可选取与目标障碍物的相似程度较高的指定种类障碍物的属性信息作为目标障碍物的属性信息，也可以将与目标障碍物的相似度程度高于预设阈值的多个指定种类障碍物的属性信息进行加权计算，将计算结果作为目标障碍物的属性信息。
本发明实施例还提供了另一种障碍物的识别方法，该方法在图1所示的方法基础上实现。该方法主要介绍了确定目标障碍物的估值参数的具体实现过程，以及确定目标障碍物的影响类别的具体实现过程。如图2所示，该方法包括以下步骤：
步骤202，获取当前道路上目标障碍物的属性信息。
上述属性信息可以包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度。
步骤204，基于目标障碍物的价值属性及目标障碍物的损伤程度，确定目标障碍物的损伤价值。具体而言，可以将目标障碍物的价值属性对应的属性值与目标障碍物的损伤程度对应的属性值相乘，将相乘结果作为目标障碍物的损伤价值。
步骤206，基于当前车辆的价值参数及当前车辆的损伤程度，确定当前车辆的损伤价值。具体而言，可以将当前车辆的价值参数对应的参数值与当前车辆的损伤程度对应的属性值相乘，将相乘结果作为当前车辆的损伤价值。此外，还可以根据价值属性(或价值参数)及损伤程度，进行其他形式的计算，得到损伤价值，具体形式不做限制，但需要保证：同样的损伤程度，价值属性越高，对应的损伤价值越大；同样的价值属性，损伤程度越高，对应的损伤价值越大。
步骤208，基于目标障碍物的损伤价值和当前车辆的损伤价值，确定目标障碍物的估值参数。具体而言，可以将目标障碍物的损伤价值与当前车辆的损伤价值相加，将相加结果作为目标障碍物的估值参数。
步骤210，基于关注程度，调整目标障碍物的估值参数，得到最终的估值参数。
当目标障碍物为具有意识的生物时，如行人，目标障碍物可以注意到当前车辆并进行躲避。此时，目标障碍物的属性信息还可以包括目标障碍物对当前车辆的关注程度。
上述目标障碍物对当前车辆的关注程度，具体可以通过下述方式确定：
(1)确定目标障碍物的运动属性，如果目标障碍物的运动属性为可运动，获取目标障碍物的速度变化信息。
具体可以通过车载传感器多次采集的传感数据，确定目标障碍物在不同时刻的位置，从而确定目标障碍物是否可以运动；如果可以运动，再基于目标障碍物在不同时刻的位置，计算其速度变化情况。
(2)基于速度变化信息，确定目标障碍物对当前车辆的关注程度。
如果随着当前车辆的靠近，目标障碍物的速度变化信息指示目标障碍物的速度变快，可以认为目标障碍物关注了当前车辆，速度变快的程度越高，则关注程度越高。如果随着当前车辆的靠近，目标障碍物的速度变化信息指示目标障碍物的速度不变或者变慢，可以认为目标障碍物不关注当前车辆，关注程度为零。
当关注程度不为零时，可以采用关注程度对应的参数值与目标障碍物的估值参数进行计算，使目标障碍物的估值参数随着关注程度的增高而降低。例如，关注程度的取值区间可以为[0,1)，采用关注程度调整估值参数时，可以采用如下的计算公式：
调整后的估值参数＝(1-关注程度)×初始的估值参数。
步骤212，确定估值参数所属的估值参数取值范围，将估值参数所属的估值参数取值范围对应的影响类别，确定为目标障碍物的影响类别。
在具体实现时，可以将影响类别设置为以下几种：绝对不可碾压、不可碾压、可能不可碾压、可能可碾压及可碾压；每种影响类别对应预设的估值参数取值范围。例如，行人的影响类别可以为绝对不可碾压，花草的影响类别可以为可能可碾压等。不同的目标障碍物的估值参数落在其对应的影响类别对应的估值参数取值范围区间内。
步骤214，基于目标障碍物的影响类别，确定当前车辆的行驶路径；其中，行驶路径经过的障碍物的影响类别满足预设条件。
上述预设条件可以为某几种影响类别的障碍物，如影响类别为可能可碾压及可碾压，即当前车辆的行驶路径可以经过可能可碾压及可碾压的障碍物。该方式使得车辆在规划行驶路径时，更为灵活，更好地平衡行车效率和与障碍物接触之间的关系，同时可以照顾到车上人员的乘坐体验。
本发明实施例还提供了另一种障碍物的识别方法，该方法在图1所示的方法基础上实现。该方法主要针对以下道路场景，确定障碍物可压属性分类，从而让无人车可以分辨障碍物的可压性级别，从而可以做出最合理(代价最小)的行车道路规划。
场景1：当道路上的垃圾碎片被检测为障碍物(比如塑料袋、飞扬的纸片)，经验丰富的人类司机会选择慢行压过，而道路上的砖头、散落的家具，乃至车辆、行人、道路设施则需要绕行。这时需要分辨哪些障碍物是可碾压的，哪些是不可碾压的。
场景2：当道路上的障碍物都不是可碾压的，但车速不允许汽车完全停止，这时，自动驾驶车辆(也可以称为“无人车”)需要对障碍物(人、车、植被、小动物、交通设施等)的可压/可撞性进行分类，以达到撞击障碍物的代价最小，比如，人与车、人与植被、人与小动物、交通路锥与小动物等等。
场景3:当道路上有很多动态障碍物，因而很拥挤时，例如城中村里很多行人车辆或者乡村道路上都是羊群，动态障碍物多是不可碾压的。但是他们可能具备对无人车的逼近做出感知和规避行动。。无人车如果需要缓慢通过道路，则需要对这些障碍物对无人车的感知和规避能力做出判断，并动态修改这些障碍物的可碾压性，从而可以规划出通过拥挤道路的路线。
通过细化障碍物的属性以及对无人车造成的破坏程度，可以建立一个关于障碍物可碾压性的经验公式，从而可以计算对障碍物可碾压性指数。
该方法需要通过以下步骤实现：
(一)对障碍物的属性分类。
这些属性可以包括以下几种：
1.障碍物自身价值(相当于上述“目标障碍物的价值属性”)，以V(Value)表示：障碍物自身是否具有高价值。可以假设自身价值的取值范围是0-3。例如行人的价值是3，而垃圾袋的价值是0。
2.碾压损伤(相当于上述“目标障碍物的损伤程度”)，以D(Damage)表示：如果被碾压/撞击，会对障碍物造成多大的损害。从毫无损坏到完全损坏，可以将损坏程度分类为0-3。比如隔离墙可能完全无损(0)，而撞击行人可能导致行人死亡(3)。
3.无人车损伤(相当于上述“当前车辆的损伤程度”)，以De(Ego-cardamage)表示：碾压/撞击障碍物会对无人车造成多大的损伤。毫无损坏到完全损坏，可以将损坏程度分类为0-3。比如隔离墙可能造成无人车全毁(3)，而碾压塑料袋则对无人车毫无影响(0)。
4.关注程度，以A(Attentiveness)表示：障碍物是否是否在关注无人车的状态。大多数障碍物都是静态的，而人，车，动物等则可能关注无人车的状态并做出博弈判断。具体可以通过对障碍物的图像分析和运动动态来判断障碍物是否会对无人车做出反应。如果障碍物的关注程度是1，障碍物的可碾压属性会被动态调整，无人车从而可以规划路径，逼近该障碍物，并对障碍物是否有关注并作出规避反应做出实时判断，从而让无人车在通过拥挤的道路的时候，可以自主与道路上的动态障碍物进行互动。
(二)障碍物的可碾压性(相当于上述“影响类别”)计算。
一般来说，障碍物的可碾压性可分以下类别：
1.可碾压(C)：障碍物的价值低，不会对无人车造成损害。类别可能包括软的小障碍物，即空塑料袋、低矮的植被(草)、纸屑、等。
2.可能可碾压(LC)：障碍物价值较低，但有可能对无人车造成一定的影响。这些类别可能包括固体的小障碍物，即浅坑坑洼洼、各种材料的瓶子。在这种情况下，在低速下粉碎这些障碍物可能是可以的，它只会让乘客感到有点颠簸。
3.可能不可碾压(LNC)：检测到的障碍物具有一定价值，并可能会对无人车造成一定损伤。类别可能包括道路障碍。
4.不可碾压(NC)：障碍物具有很高的价值，撞击的话会对障碍物以及无人车造成损坏。类别可能包括车辆。
5.绝对不可碾压(HNC)：检测到的障碍物价值很高，碾压可能导致完全损坏。类别可能包括行人。
假设无人车的价值是Ve(Ego-car value)，根据以上的分析，可以根据无人车的属性分类，得出以下的碾压估价CC(Crashing Cost)：
CC＝(V*D+Ve*De)*(1-A)
在确定障碍物的可碾压性时，碾压估价越高，障碍物的可碾压性越低。
此外，上述确定障碍物的可碾压性的过程可能可以直接当做一个综合的分类任务，从而跳过以上经验公式，通过大量数据标定和数据驱动的方法学习一个深度分类模型。
如果采用上述公式计算障碍物的可碾压性，假设无人车的价值Ev＝2，并且障碍物对无人车的关注程度为零(A＝0)可用下述表1验证该经验公式。
表1
原则上，在场景1中，可碾压性是一个二分类问题，即所有不是”可碾压”类别(CC>0)的障碍物都是不可碾压的，都需要规避。在场景2，无人车则需要根据碾压估价对所有的障碍物做可碾压性的细分类，并在短时内做出碾压估价最低的碾压/撞击路线。在场景3，通过对障碍物对无人车的关注与响应程度的分析(A＝0或者A＝1)，无人车可以根据障碍物的关注程度修改其可碾压性，从而选择一条合理的逼近障碍物的道路，并根据障碍物的响应，随时更新障碍物的关注估计以及可碾压性，从而动态对逼近路线做出调整。
上述方法提出一种计算障碍物的可碾压性的代价估算经验公式，并基于该公式在不同场景下对障碍物的价值、碾压/撞击对障碍物以及对无人车造成的损伤、以及对障碍物的感知关注度做出评估，从而综合估算出该障碍物的可碾压类别。
对应于上述方法实施例，本发明实施例提供了一种障碍物的识别装置，如图3所示，该装置包括：
属性信息获取模块302，获取当前道路上目标障碍物的属性信息；其中，属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度中的至少一种；目标障碍物与当前车辆接触，包括当前车辆碾压或碰撞目标障碍物；
估值参数确定模块304，用于基于属性信息，确定目标障碍物的估值参数；
影响类别确定模块306，用于基于估值参数，确定目标障碍物的影响类别；其中，影响类别用于指示目标障碍物对当前车辆的行驶路线的影响程度。
进一步地，上述属性信息获取模块还用于：识别当前道路上目标障碍物的障碍物种类；基于预设的障碍物种类与属性信息的对应关系，确定目标障碍物的障碍物种类对应的的属性信息；其中，对应关系中包括至少一种障碍物种类、至少一种属性信息、以及每种障碍物种类对应的每种属性信息的属性值。
进一步地，上述属性信息获取模块还用于：提取当前道路上目标障碍物的特征信息；将目标障碍物的特征信息输入至预设的属性估算模型，以通过属性估算模型基于目标障碍物的特征信息，确定目标障碍物与指定种类障碍物的相似程度，基于相似程度输出目标障碍物的属性信息。
进一步地，上述属性信息包括目标障碍物的价值属性、目标障碍物与当前车辆接触时目标障碍物的损伤程度、以及目标障碍物与当前车辆接触时当前车辆的损伤程度；上述估值参数确定模块还用于：基于目标障碍物的价值属性及目标障碍物的损伤程度，确定目标障碍物的损伤价值；基于当前车辆的价值参数及当前车辆的损伤程度，确定当前车辆的损伤价值；基于目标障碍物的损伤价值和当前车辆的损伤价值，确定目标障碍物的估值参数。
进一步地，上述属性信息还包括：目标障碍物对当前车辆的关注程度；上述装置还包括：估值参数调整模块，用于基于关注程度，调整目标障碍物的估值参数，得到最终的估值参数。
进一步地，上述装置还包括关注程度确定模块，用于：确定目标障碍物的运动属性，如果目标障碍物的运动属性为可运动，获取目标障碍物的速度变化信息；基于速度变化信息，确定目标障碍物对当前车辆的关注程度。
进一步地，上述影响类别包括：绝对不可碾压、不可碾压、可能不可碾压、可能可碾压及可碾压；每种影响类别对应预设的估值参数取值范围；上述影响类别确定模块还用于：确定估值参数所属的估值参数取值范围，将估值参数所属的估值参数取值范围对应的影响类别，确定为目标障碍物的影响类别。
进一步地，上述装置还包括行驶路径确定模块，用于：基于目标障碍物的影响类别，确定当前车辆的行驶路径；其中，行驶路径经过的障碍物的影响类别满足预设条件。
本实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述障碍物的识别方法。
参见图4所示，该电子设备包括处理器100和存储器101，该存储器101存储有能够被处理器100执行的机器可执行指令，该处理器100执行机器可执行指令以实现上述障碍物的识别方法。
进一步地，图4所示的电子设备还包括总线102和通信接口103，处理器100、通信接口103和存储器101通过总线102连接。
其中，存储器101可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器100可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器101，处理器100读取存储器101中的信息，结合其硬件完成前述实施例的方法的步骤。
本实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述障碍物的识别方法。
本发明实施例所提供的一种障碍物的识别方法、装置以及电子设备，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种障碍物的识别方法，其特征在于，所述方法包括：
获取当前道路上目标障碍物的属性信息；其中，所述属性信息包括所述目标障碍物的价值属性、所述目标障碍物与当前车辆接触时所述目标障碍物的损伤程度、以及所述目标障碍物与当前车辆接触时所述当前车辆的损伤程度中的至少一种；所述目标障碍物与当前车辆接触，包括所述当前车辆碾压或碰撞所述目标障碍物；
基于所述属性信息，确定所述目标障碍物的估值参数；
基于所述估值参数，确定所述目标障碍物的影响类别；其中，所述影响类别用于指示所述目标障碍物对所述当前车辆的行驶路线的影响程度。
2.根据权利要求1所述的方法，其特征在于，获取当前道路上目标障碍物的属性信息的步骤，包括：
识别当前道路上目标障碍物的障碍物种类；
基于预设的障碍物种类与属性信息的对应关系，确定所述目标障碍物的障碍物种类对应的的属性信息；
其中，所述对应关系中包括至少一种障碍物种类、至少一种属性信息、以及每种所述障碍物种类对应的每种所述属性信息的属性值。
3.根据权利要求1所述的方法，其特征在于，获取当前道路上目标障碍物的属性信息的步骤，包括：
提取当前道路上目标障碍物的特征信息；
将所述目标障碍物的特征信息输入至预设的属性估算模型，以通过所述属性估算模型基于所述目标障碍物的特征信息，确定所述目标障碍物与指定种类障碍物的相似程度，基于所述相似程度输出所述目标障碍物的属性信息。
4.根据权利要求1所述的方法，其特征在于，所述属性信息包括所述目标障碍物的价值属性、所述目标障碍物与当前车辆接触时所述目标障碍物的损伤程度、以及所述目标障碍物与当前车辆接触时所述当前车辆的损伤程度；
所述基于所述属性信息，确定所述目标障碍物的估值参数的步骤，包括：
基于所述目标障碍物的价值属性及所述目标障碍物的损伤程度，确定所述目标障碍物的损伤价值；
基于所述当前车辆的价值参数及所述当前车辆的损伤程度，确定所述当前车辆的损伤价值；
基于所述目标障碍物的损伤价值和所述当前车辆的损伤价值，确定所述目标障碍物的估值参数。
5.根据权利要求4所述的方法，其特征在于，所述属性信息还包括：所述目标障碍物对所述当前车辆的关注程度；
所述基于所述目标障碍物的损伤价值和所述当前车辆的损伤价值，确定所述目标障碍物的估值参数的步骤之后，所述方法还包括：
基于所述关注程度，调整所述目标障碍物的估值参数，得到最终的估值参数。
6.根据权利要求5所述的方法，其特征在于，所述目标障碍物对所述当前车辆的关注程度，通过下述方式确定：
确定所述目标障碍物的运动属性，如果所述目标障碍物的运动属性为可运动，获取所述目标障碍物的速度变化信息；
基于所述速度变化信息，确定所述目标障碍物对所述当前车辆的关注程度。
7.根据权利要求1所述的方法，其特征在于，所述影响类别包括：绝对不可碾压、不可碾压、可能不可碾压、可能可碾压及可碾压；每种所述影响类别对应预设的估值参数取值范围；
所述基于所述估值参数，确定所述目标障碍物的影响类别的步骤，包括：
确定所述估值参数所属的估值参数取值范围，将所述估值参数所属的估值参数取值范围对应的影响类别，确定为所述目标障碍物的影响类别。
8.根据权利要求1所述的方法，其特征在于，基于所述估值参数，确定所述目标障碍物的影响类别的步骤之后，所述方法还包括：
基于所述目标障碍物的影响类别，确定所述当前车辆的行驶路径；其中，所述行驶路径经过的障碍物的影响类别满足预设条件。
9.一种障碍物的识别装置，其特征在于，所述装置包括：
属性信息获取模块，获取当前道路上目标障碍物的属性信息；其中，所述属性信息包括所述目标障碍物的价值属性、所述目标障碍物与当前车辆接触时所述目标障碍物的损伤程度、以及所述目标障碍物与当前车辆接触时所述当前车辆的损伤程度中的至少一种；所述目标障碍物与当前车辆接触，包括所述当前车辆碾压或碰撞所述目标障碍物；
估值参数确定模块，用于基于所述属性信息，确定所述目标障碍物的估值参数；
影响类别确定模块，用于基于所述估值参数，确定所述目标障碍物的影响类别；其中，所述影响类别用于指示所述目标障碍物对所述当前车辆的行驶路线的影响程度。
10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-8任一项所述的障碍物的识别方法。
11.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-8任一项所述的障碍物的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210343164.9A CN114701502A (zh) | 2022-03-31 | 2022-03-31 | 障碍物的识别方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210343164.9A CN114701502A (zh) | 2022-03-31 | 2022-03-31 | 障碍物的识别方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114701502A true CN114701502A (zh) | 2022-07-05 |
Family
ID=82172814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210343164.9A Pending CN114701502A (zh) | 2022-03-31 | 2022-03-31 | 障碍物的识别方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114701502A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115270999A (zh) * | 2022-09-26 | 2022-11-01 | 毫末智行科技有限公司 | 一种障碍物风险等级分类方法、装置、存储介质和车辆 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016088134A (ja) * | 2014-10-30 | 2016-05-23 | 日産自動車株式会社 | 走行制御装置 |
| US20180284789A1 (en) * | 2017-03-30 | 2018-10-04 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and vehicle control program |
| CN112703144A (zh) * | 2020-12-21 | 2021-04-23 | 华为技术有限公司 | 控制方法、相关设备及计算机可读存储介质 |
-
2022
- 2022-03-31 CN CN202210343164.9A patent/CN114701502A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016088134A (ja) * | 2014-10-30 | 2016-05-23 | 日産自動車株式会社 | 走行制御装置 |
| US20180284789A1 (en) * | 2017-03-30 | 2018-10-04 | Honda Motor Co., Ltd. | Vehicle control system, vehicle control method, and vehicle control program |
| CN112703144A (zh) * | 2020-12-21 | 2021-04-23 | 华为技术有限公司 | 控制方法、相关设备及计算机可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115270999A (zh) * | 2022-09-26 | 2022-11-01 | 毫末智行科技有限公司 | 一种障碍物风险等级分类方法、装置、存储介质和车辆 |
| CN115270999B (zh) * | 2022-09-26 | 2022-12-06 | 毫末智行科技有限公司 | 一种障碍物风险等级分类方法、装置、存储介质和车辆 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gorges et al. | Impact detection using a machine learning approach and experimental road roughness classification | |
| CN105324275B (zh) | 移动轨迹预测装置和移动轨迹预测方法 | |
| Stavens | Learning to drive: Perception for autonomous cars | |
| KR102540436B1 (ko) | 차량 사고 예측 시스템 및 그 방법 | |
| CN103310202A (zh) | 一种保障驾驶安全的***及其方法 | |
| CN110895662A (zh) | 车辆超载报警方法、装置、电子设备及存储介质 | |
| CN101002239A (zh) | 监控驾驶的***和方法 | |
| US9158978B2 (en) | Vehicle environment classifying safety system for a motor vehicle | |
| CN108693533B (zh) | 用于自动化车辆的基于运动特性的物体分类 | |
| CN104794856A (zh) | 驾驶员注意力综合测评*** | |
| JP6967042B2 (ja) | 運転評価装置、運転評価システム、運転評価方法、プログラム、及び交差点属性判別方法 | |
| CN109070658A (zh) | 驾驶伴随胎面使用寿命指示*** | |
| WO2018142853A1 (ja) | 運転評価装置、運転評価方法及び運転評価システム | |
| CN114701502A (zh) | 障碍物的识别方法、装置及电子设备 | |
| CN114023107A (zh) | 预防城市渣土车右转过程与非机动车发生冲突的方法、***及其存储介质 | |
| WO2021104833A1 (en) | Method and device for promoting driving safety of vehicle | |
| Rahman et al. | Driving behavior profiling and prediction in KSA using smart phone sensors and MLAs | |
| CN115092131A (zh) | 一种车辆巡航***及方法 | |
| CN113879211A (zh) | 预防渣土车右转过程与非机动车发生冲突的提醒方法及*** | |
| Fogue et al. | Using data mining and vehicular networks to estimate the severity of traffic accidents | |
| CN114822044B (zh) | 一种基于隧道的行车安全预警方法及设备 | |
| Priyadharshini et al. | A comprehensive review of various data collection approaches, features, and algorithms used for the classification of driving style | |
| CN116416756A (zh) | 疲劳驾驶预警方法、装置、设备及计算机可读存储介质 | |
| CN113192340A (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
| CN111612140A (zh) | 基于路侧单元的自动驾驶安全判别方法、设备、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 |