CN115810291A - 一种关联目标识别方法、装置、路侧设备及车辆 - Google Patents
一种关联目标识别方法、装置、路侧设备及车辆 Download PDFInfo
- Publication number
- CN115810291A CN115810291A CN202211492332.7A CN202211492332A CN115810291A CN 115810291 A CN115810291 A CN 115810291A CN 202211492332 A CN202211492332 A CN 202211492332A CN 115810291 A CN115810291 A CN 115810291A
- Authority
- CN
- China
- Prior art keywords
- target
- traffic participant
- autonomous vehicle
- traffic
- vehicle
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种关联目标识别方法、装置、路侧设备及车辆。方法应用于路侧设备,包括:接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果;根据轨迹规划结果和全量交通参与者在第一时段内的行为预测结果,确定目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;根据关联状态信息,从全量交通参与者中识别与目标自动驾驶车辆相关联的目标交通参与者;向目标自动驾驶车辆发送目标交通参与者的标识信息,本发明实施例能够降低自动驾驶车辆的计算负担和不必要开销。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种关联目标识别方法、装置、路侧设备及车辆。
背景技术
目前,在车路协同***中,路侧***将检测到的全量交通参与者(行人、机动车、非机动车)的目标和相关属性无差别地发给所有自动驾驶车辆。车端在收到路侧子***发来的交通参与者信息后,会对所有障碍物进行车路感知结果的融合,并对融合后的结果分析每个交通参与者,以避免可能发生的碰撞风险,并保持合理的横向、纵向间距和车速。
在公开道路的人机混驾场景下,特别是考虑到非机动车和行人,交通参与者的数量可能会达到非常大的程度。全量交通参与者的目标识别和跟踪结果无差别地发送给所有自动驾驶车辆,自动驾驶车辆会基于路侧边缘计算平台的全量交通参与者信息与车载感知的结果进行融合,并基于车路感知融合后的结果进行车辆的驾驶决策和规划控制,完成自动驾驶过程。此种方式,自动驾驶车端收到大量无关的交通参与者的信息,给自动驾驶车辆带来很大的计算负担和不必要开销。
发明内容
本发明提供一种关联目标识别方法、装置、路侧设备及车辆,解决了现有的轨迹规划方式,计算负担较大的问题。
第一方面,本发明的实施例提供一种关联目标识别方法,应用于路侧设备,包括:
接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果;
根据所述轨迹规划结果和全量交通参与者在所述第一时段内的行为预测结果,确定所述目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,所述关联状态信息包括以下至少一项:碰撞时间(Time-to-collision,TTC)、后侵入时间(post-encroachmenttime,PET)、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;
根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者;
向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
第二方面,本发明的实施例提供一种关联目标识别方法,应用于自动驾驶车辆,包括:
向路侧设备发送的第一时段内的轨迹规划结果;
接收所述路侧设备发送的与所述自动驾驶车辆相关联的目标交通参与者的标识信息。
第三方面,本发明的实施例提供一种路侧设备,包括:收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述自动驾驶车辆的关联目标识别方法的步骤。
第四方面,本发明的实施例提供一种自动驾驶车辆,包括:收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第二方面所述自动驾驶车辆的关联目标识别方法的步骤。
第五方面,本发明的实施例提供一种关联目标识别装置,应用于路侧设备,包括:
第一接收模块,用于接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果;
第一处理模块,用于根据所述轨迹规划结果和全量交通参与者在所述第一时段内的行为预测结果,确定所述目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,所述关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;
第二处理模块,用于根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者;
第一发送模块,用于向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
第六方面,本发明的实施例提供一种关联目标识别装置,其特征在于,应用于自动驾驶车辆,包括:
第二发送模块,用于向路侧设备发送的第一时段内的轨迹规划结果;
第二接收模块,用于接收所述路侧设备发送的与所述自动驾驶车辆相关联的目标交通参与者的标识信息。
第七方面,本发明的实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面或者第二方面所述自动驾驶车辆的关联目标识别方法的步骤。
本发明的上述技术方案的有益效果是:
上述方案中,路侧设备通过接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果;根据所述轨迹规划结果和全量交通参与者在所述第一时段内的行为预测结果,确定所述目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,所述关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者;向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。如此,通过根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者,能够避免将全量交通参与者的信息无差别地发送给所有自动驾驶车辆,给自动驾驶车辆带来较大计算负担和不必要开销的问题。
附图说明
图1表示本发明实施例的关联目标识别方法的流程图之一;
图2表示本发明实施例的***架构示意图;
图3表示本发明实施例的交通示意图之一;
图4表示本发明实施例的交通示意图之二;
图5表示本发明实施例的关联目标识别方法的流程图之二;
图6表示本发明实施例的关联目标识别装置的结构框图之一;
图7表示本发明实施例的关联目标识别装置的结构框图之二;
图8表示本发明的路侧设备的硬件结构框图;
图9表示本发明的车辆的硬件结构框图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
另外,本文中术语“***”和“网络”在本文中常可互换使用。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A 确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
首先对本申请实施例提供的方案涉及的内容进行介绍。
一、车路协同***
现有车路协同***中,通常涉及车载***、弱势道路使用者(Vulnerable Road-Users,VRU)***、路侧边缘计算平台等几类子***组成,各子***分别提供了如下主要功能:
1、车载***
车载***提供了车辆定位、瞬时状态(速度、加速度、朝向等)、车内通信(蓝牙、Wi-Fi)、车外通信(4G/5G、C-V2X)、车载计算、信息通知等功能。自动驾驶/辅助驾驶车辆还提供了车载感知、驾驶决策、规划控制等能力。其中,C-V2X是Cellular-Vehicle to Everything蜂窝车联网的简称。
2、VRU***
VRU***的设备主体通常是安装在自行车/非机动车上的车载单元(On boardUnit,OBU)设备,或者行人的可穿戴设备和手持设备,提供了VRU的定位、瞬时状态(速度、加速度、朝向等)、通信(蓝牙、Wi-Fi、4G/5G、C-V2X)、决策结算、信息通知等功能。
3、路侧边缘计算平台
路侧边缘计算平台通常由传感设备、多接入边缘计算(Multi-Acess EdgeComputing,MEC)、路侧单元(Road Side Unit,RSU)、交通基础设施等组成,提供了路侧感知(目标、事件、交通流)、通信(光纤、4G/5G、C-V2X)、车路协同感知(感知共享、感知融合)、车路协同决策(信息通知、安全预警、车辆控制)、交通基础设施联动等功能。车路协同感知和决策能给车辆行驶带来交通信号、道路标牌、交通参与者、事件提醒、安全预警等信息,路侧交通基础设施联动可根据交通参与者的行为进行交通控制,以提升整体交通的安全性和效率。可联动的交通基础设施包括但不限于交叉口红绿灯、人行道红绿灯、行人提醒设备、可变信息板、车辆提醒设备、可变车道、潮汐车道等。
目前,在有自动驾驶参与的交通场景下(包括人机混驾、纯自动驾驶),路侧边缘计算平台通常基于路侧感知模块对交通参与者进行目标识别、目标跟踪、融合感知。目标识别和跟踪任务基于视觉感知、多传感器融合、网联车辆信息共享等算法和技术,同时识别目标的属性和特征。然后,路侧边缘计算平台会将全量交通参与者的目标识别和跟踪结果发送给自动驾驶车辆。自动驾驶车辆会基于路侧边缘计算平台的全量交通参与者信息与车载感知的结果进行融合,并基于车路感知融合后的结果进行车辆的驾驶决策和规划控制,完成自动驾驶过程。
在有自动驾驶参与的交通场景下(包括人机混驾和纯自动驾驶),自动驾驶车辆和路侧边缘计算平台有如下层面的数据共享:
(1)交通基础设施信息,如包括:交叉口红绿灯、人行道红绿灯、行人提醒设备、可变信息板、车辆提醒设备等、可变车道、潮汐车道等;
(2)目标感知,如包括:目标类型、速度、加速度、姿态、Polygon(多边形边界)、车牌;
(3)路径规划,如包括起始点到终点的车道级路径,通常以途径点形式给出;
(4)行驶意图,如变道、超车、让行、左/右转、停车;
(5)轨迹规划,如在考虑车辆动力学、车辆舒适性、碰撞约束的条件下,规划车辆未来一段时间内的行驶轨迹,该轨迹是一个时间到位置的函数t→(x,y)。
基于以上可知,现有的方案中,基本都是基于交通信息、目标感知、路径规划、行驶意图的数据共享,并未基于轨迹规划的共享进行应用开发,因此不能很好的获得自动驾驶车辆对于其他交通参与者的影响。
而且,在目标感知的数据共享中,全量障碍物和全属性(目标类型、速度、加速度、姿态、Polygon等)的共享,给车路之间的通信资源和车端的计算资源都带来了很大的负担。例如在某些路口,全量交通参与者的数量可能高达400~500个,播报全量交通参与者及其属性会带来较大的通信负担。此外,路侧全量障碍物的广播会导致自动驾驶车端收到大量无关的交通目标,会带来自动驾驶车辆很大的计算负担和不必要开销。
综上分析可知,现有的基于全量交通参与者的目标识别和跟踪结果进行轨迹规划的方案,会给自动驾驶车辆带来很大的计算负担和不必要开销。
具体地,本发明的实施例提供了一种关联目标识别方法、装置、路侧设备及车辆,解决了现有技术中现有的轨迹规划方式,存在计算负担较大的问题。
需要指出的是,本申请的关联目标识别方法的应用范围和目的在于筛选现在和未来几秒内,可能和自动驾驶车辆发生交互的交通参与者(包括车辆、行人、非机动车),以降低自动驾驶车的计算负担,具体是指对自动驾驶车辆的行驶产生影响的交通参与者,包括但不限于在自动驾驶车辆的轨迹规划附近阻塞道路、碰撞风险、位于盲区、失控的交通参与者,而不是只针对有碰撞风险的车辆。
第一实施例
如图1所示,本发明的实施例提供了一种关联目标识别方法,应用于路侧设备,具体包括以下步骤:
步骤101:接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果。
该步骤中,轨迹规划结果是自动驾驶车辆根据自身或外部传感器获得的感知数据,结合高精地图、定位、障碍物感知、行驶意图等技术,在车辆动力学、舒适性、避障等约束下,对车辆运动进行的局部规划(非全知环境)。而且,自动驾驶的底盘控制模块会根据轨迹规划的结果进行运动控制,尽可能使车辆的行驶符合轨迹规划的结果。
具体实现时,自动驾驶车辆通过BSM(Basic Safety Message,基础安全消息)/VIR(Vehicle Intention And Request,车辆意图和请求)消息发送轨迹规划结果,轨迹规划的可以定义为:计算一个以时间t为参数的函数S,对于第一时段[0,tmax]内的每一个时间t,都有满足条件的状态s,而且满足车辆的运动学约束(朝向θ和转向曲率k约束),行驶约束(遵守交规、动态障碍物、静态障碍物),以及车辆的物理极限(加速度a、速度v的物理极限)。
具体地,S(t)为时间到(x,y,θ,k,v,a)的函数,即:t→S=(x,y,θ,k,v,a),其中,S(t)满足以下条件:
最终,轨迹规划的结果是一个时间段[0,tmax]内时间点到位置的函数,也就是特定的时刻要求车辆在特定的位置上。
需要指出的是,在弗莱纳坐标系下进行轨迹规划,通常将高维度的规划问题转换成横向规划和纵向规划等低维度的规划问题进行求解,具体包括:
(1)横向规划。横向规划是对方向的规划,决定了车辆行驶的轨迹几何形状。在给定引导线的情况下,可简化为求解s(弗莱纳坐标系下的纵向位移)映射到l(弗莱纳坐标系下的横向位移)的路径函数,记为s→(l,θ,k);
(2)纵向规划。纵向规划用于规划沿路径的速度分配,最终输出加速度级别连续变化的平滑函数,记为t→(s,v,a)的速度函数;s指弗莱纳坐标系下的纵向位移,l指弗莱纳坐标系下的横向位移,a指加速度。
如图2中,车辆在位于位置1时,轨迹规划结果为:S(t1)={x,y,θ,κ,v,a}(t1),车辆在位于位置2时,轨迹规划结果为:S(t2)={x,y,θ,κ,v,a}(t2),…,以此类推。通过一系列的时间点t1,t2...,tn∈[0,tmax],可以获得一系列的轨迹点P1,P2,…,Pn,最终得到一条规划行驶的轨迹。
步骤102:根据所述轨迹规划结果和全量交通参与者在所述第一时段内的行为预测结果,确定所述目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,所述关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离。
该步骤中,全量交通参与者在第一时段内的行为预测结果,是路侧边缘计算平台基于网联数据和路侧传感数据进行融合感知获得的。传感数据的来源包括摄像机、毫米波雷达、激光雷达等,网联数据来自于安装C-V2X OBU设备的网联车、非机动车、行人。融合感知的对象包括行人、非机动车、机动车等交通参与者,感知的属性包括目标位置、类型、速度、加速度、姿态、Polygon(多边形边界)、车牌等信息。
具体实现时,在自动驾驶领域,目标行为预测的算法主要采用卡尔曼滤波(KF)算法,KF算法以最小均方误差为最佳估计准则,采用信号与噪声的状态空间模型,利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计,求出当前时刻的估计值。KF算法根据建立的***方程和观测方程对需要处理的信号做出满足最小均方误差的估计。
卡尔曼滤波的基本思想是综合利用上一次的状态和测量值来对物理量的状态进行预测估计。其迭代过程分为预测过程和更新过程。在轨迹规划的时间区间t∈[t0,t1,...,tmax]内,对于所有交通参与者进行运动预测。
基于如图3所示的行为预测图,预测过程如下:
Pt=APt-’1AT+Qt
预测过程中,和分别代表车辆运动状态向量在t时刻的预测值和t-1时刻的最优估计值;A为根据当前状态(t-1时刻)来预测下一状态(t时刻)的状态转移矩阵;Pt和Pt-’1分别为t时刻真实值与预测值之间的协方差和t-1时刻真实值与最优估计值之间的协方差;Qt为状态向量更新后的协方差噪声。
基于如图3所示的行为预测图,更新过程如下:
Gt=PtHT(HPtHT+R)-1
Pt’=(1-GtH)Pt
更新过程中,Gt表示卡尔曼增益,实际上表征了状态最优估计过程中模型预测误差(Predicted error)与测量误差(Measurement error)的比重。H为状态观测矩阵,为运动状态向量到观测向量之间的转化矩阵,R代表测量噪声的平均值向量。和分别代表运动状态向量在t时刻的最优估计值和预测值。Pt’和Pt分别代表t时刻真实值与预测值之间的协方差以及真实值与最优估计值之间的协方差;zt代表t时刻的实际测量值。
步骤103:根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者。
该步骤中,路侧设备可基于自动驾驶车辆发送的VIR/BSM消息中的轨迹规划结果t→(x,y,θ,κ,v,a),结合和对于全量障碍物的行为预测结果,路侧设备(具体可为边缘计算平台)按照时间序列进行对比,在轨迹规划的时间区间t∈[t0,t1,...,tmax]内,对比每个时刻和自动驾驶车辆驾驶相关的障碍物,基于关联状态信息,识别可能影响自动驾驶车辆驾驶行为的交通参与者。
具体实现时,关联状态信息要包含以下3种指标中的至少一项:
碰撞时间(Time-to-collision,TTC);
后侵入时间(post-encroachment time,PET);
自动驾驶车辆与交通参与者之间的距离,包括:弗莱纳坐标横向距离dl、弗莱纳坐标纵向距离ds和直线距离dd)。
对于任意时刻计算自动驾驶车辆保持t时刻的运动状态θ,κ,v,a,其他交通参与者保持t时刻KF预测的运动状态θ,v,a的情况下,基于上述3种指标,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者。
步骤104:向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
具体实现时,在识别出自动驾驶车辆关联的交通参与者目标后,可通过直通链路通信接口PC5,向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。或者,路侧设备采用单播的方式为每台自动驾驶车辆发送与其关联的目标交通参与者的标识信息。
可选地,路侧设备可通过感知共享信息(Sensor Sharing Msg,SSM)/路侧安全消息(Road Safety Message,RSM),携带与每个目标交通参与者关联的自动驾驶车辆标识,帮助自动驾驶车辆筛选出和自己相关的交通参与者。
需要指出的是,PC5接口是终端设备(例如车载设备)到终端设备之间的直接通信接口。邻近的终端之间可以在PC5的有效通信范围内通过直连链路进行数据传输,不需要通过中心节点(例如基站)进行转发,也不需要通过传统的蜂窝链路进行信息传输。
上述实施例中,路侧设备通过接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果,基于根据轨迹规划结果和全量交通参与者在第一时段内的行为预测结果,确定目标自动驾驶车辆与交通参与者之间的关联状态信息;根据关联状态信息,从全量交通参与者中识别与目标自动驾驶车辆相关联的目标交通参与者;向目标自动驾驶车辆发送目标交通参与者的标识信息。这样,能够避免将全量交通参与者的信息无差别地发送给所有自动驾驶车辆,给自动驾驶车辆带来较大计算负担和不必要开销的问题。
需要指出的是,本申请中自动驾驶车辆发送的轨迹规划结果中包含了t→(x,y,θ,κ,v,a)的完整轨迹规划信息,具体包括车辆位置(x,y)、朝向θ、转向曲率κ、加速度a、速度v等信息,并对全量交通参与者基于卡尔曼滤波进行运动状态预测t→(x,y,θ,v,a),然后对于任意时刻在自动驾驶车辆保持t时刻的运动状态x,y,θ,κ,v,a,其他交通参与者保持t时刻KF预测的运动状态x,y,θ,v,a情况下,计算TTC、PET、距离等指标来进行关联目标识别;而在现有标准中是在假设主车和目标车辆保持初始时刻运动状态的前提下,进行碰撞风险的推测。
具体地,本申请可应用于如图4所示的***架构。***架构包括:自动驾驶车载***、VRU***、路侧边缘计算平台等几类子***组成。其中,自动驾驶***包括:车载感知模块、定位地图模块和轨迹规划模块;边缘计算平台包括:融合感知模块、目标预测模块、关联目标识别模块。其中,自动驾驶***基于车载感知模块、定位地图模块和轨迹规划模块获得轨迹规划结果,边缘计算平台的融合感知模块基于网联数据和路侧传感数据进行融合感知;基于目标预测模块,获得交通参与者的行为预测结果;基于关联目标识别模块,根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者;最后将识别到的目标交通参与者信息发送至车载感知模块。
下面对上述步骤103中的,根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者进行介绍。
情况一:第一交通参与者的类型为车辆
在一实施例中,上述步骤13中,根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者,包括:
在第一交通参与者的类型为车辆的情况下,根据所述自动驾驶车辆与所述第一交通参与者之间的行驶位置关系,以及所述关联状态信息,识别所述第一交通参与者是否为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
可选地,行驶位置关系包括:第一交通参与者与目标自动驾驶车辆位于同车道、第一交通参与者位于目标自动驾驶车辆的临车道、第一交通参与者位于无车道线区域、第一交通参与者处于变道中状态。
上述实施例中,基于自动驾驶车辆与所述第一交通参与者之间的不同行驶位置关系,选择不同的识别算法来识别第一交通参与者是否为与所述目标自动驾驶车辆相关联的目标交通参与者。这样,能够提高识别准确性。
在一具体实施例中,所述根据所述自动驾驶车辆与所述第一交通参与者之间的行驶位置关系,以及所述关联状态信息,识别所述第一交通参与者是否为与所述目标自动驾驶车辆相关联的目标交通参与者,包括以下至少一项:
在所述行驶位置关系为所述第一交通参与者与所述目标自动驾驶车辆位于同车道行驶的情况下,若所述碰撞时间小于或等于第一阈值,和/或,所述后入侵时间小于或等于第二阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
在述行驶位置关系为所述第一交通参与者位于所述目标自动驾驶车辆的临车道行驶的情况下,若所述横向距离小于或等于第三阈值且所述纵向距离小于或等于第四阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
在所述行驶位置关系为所述第一交通参与者位于无车道线区域行驶或处于变道中的情况下,若满足第一条件,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者:
其中,所述第一条件包括以下至少一项:
所述碰撞时间小于或等于第一阈值;
所述后入侵时间小于或等于第二阈值;
所述直线距离小于第五阈值。
示例性地,在第一交通参与者为车辆的情况下,具体识别规则在可参见下
表1:
表1
表1中,TTC(t)指碰撞时间,Tttc-min指第一阈值,PET(t)指后入侵时间,Tpet-min指第二阈值,dl(t)指横向距离,Dl-min(t)指第三阈值,ds(t)指纵向距离,Ds-min(t)指第四阈值,dd(t)指直线距离,Dcar-min指第五阈值。
注:上述实施例中,针对车辆位于无车道线区域/变道中的情况,按照自动驾驶和目标车辆的速度和朝向都保持不变的条件进行计算。
情况二:第一交通参与者的类型为行人
在一实施例中,上述步骤13中,根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者,包括:
在第一交通参与者的类型为行人的情况下,若所述碰撞时间小于或等于第六阈值,和/或,所述直线距离小于或等于第七阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
示例性地,在第一交通参与者为行人的情况下,具体识别规则在可参见下
表2:
表2
上表中,TTC(t)指碰撞时间,Tttc-ped-min指第六阈值,dd(t)指直线距离,Dped-min指第七阈值。
情况三:第一交通参与者的类型为非机动车
在一实施例中,上述步骤13中,根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者,包括:
在第一交通参与者的类型为非机动车的情况下,若所述碰撞时间小于或等于第八阈值,和/或,所述直线距离小于或等于第九阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
示例性地,在第一交通参与者为非机动车的情况下,具体识别规则在可参见下表3:
表3
上表3中,TTC(t)指碰撞时间,Tttc-bike-min指第八阈值,dd(t)指直线距离,Dbike-min指第九阈值
需要指出的是,本申请中,关联目标识别的执行主体可为路侧设备中的边缘计算平台,而不是云端。边缘计算平台和车端基于PC5接口进行直连通信,交互的频率高(≥10hz)且可靠性很高,能支撑L4级别自动驾驶使用,而不是基于UU口进行数据交互。
第二实施例
如图7所示,本发明的第二实施例提供了一种关联目标识别方法,应用于自动驾驶车辆,具体包括以下步骤:
步骤201,向路侧设备发送的第一时段内的轨迹规划结果;
该步骤中,轨迹规划结果是自动驾驶车辆根据自身或外部传感器获得的感知数据,结合高精地图、定位、障碍物感知、行驶意图等技术,在车辆动力学、舒适性、避障等约束下,对车辆运动进行的局部规划(非全知环境)。具体可参见路侧设备关于步骤101的介绍,在此不再赘述。
步骤202,接收所述路侧设备发送的与所述自动驾驶车辆相关联的目标交通参与者的标识信息。
具体实现时,可通过直通链路通信接口PC5,接收所述路侧设备发送的所述目标交通参与者的标识信息。
上述实施例中,自动驾驶车辆通过向路侧设备发送第一时段内的轨迹规划结果,使路侧设备能够基于根据轨迹规划结果和全量交通参与者在第一时段内的行为预测结果,确定目标自动驾驶车辆与交通参与者之间的关联状态信息;并根据关联状态信息,从全量交通参与者中识别与目标自动驾驶车辆相关联的目标交通参与者;最终向目标自动驾驶车辆发送目标交通参与者的标识信息。这样,能够避免将全量交通参与者的信息无差别地发送给所有自动驾驶车辆,给自动驾驶车辆带来较大计算负担和不必要开销的问题。
第三实施例
如图6所示,本发明实施例提供一种关联目标识别装置600,路侧设备,包括:
第一接收模块601,用于接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果;
第一处理模块602,用于根据所述轨迹规划结果和全量交通参与者在所述第一时段内的行为预测结果,确定所述目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,所述关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;
第二处理模块603,用于根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者;
第一发送模块604,用于向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
可选地,第二处理模块603包括:
第一处理子模块,用于在第一交通参与者的类型为车辆的情况下,根据所述自动驾驶车辆与所述第一交通参与者之间的行驶位置关系,以及所述关联状态信息,识别所述第一交通参与者是否为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
可选地,第一处理子模包括:
第一处理单元,用于在所述行驶位置关系为所述第一交通参与者与所述目标自动驾驶车辆位于同车道行驶的情况下,若所述碰撞时间小于或等于第一阈值,和/或,所述后入侵时间小于或等于第二阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
第二处理单元,用于所述行驶位置关系为所述第一交通参与者位于所述目标自动驾驶车辆的临车道行驶的情况下,若所述横向距离小于或等于第三阈值且所述纵向距离小于或等于第四阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
第三处理单元,用于在所述行驶位置关系为所述第一交通参与者位于无车道线区域行驶或处于变道中的情况下,若满足第一条件,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者:
其中,所述第一条件包括以下至少一项:
所述碰撞时间小于或等于第一阈值;
所述后入侵时间小于或等于第二阈值;
所述直线距离小于第五阈值。
可选地,第二处理模块603包括:
第二处理子模块,用于在第一交通参与者的类型为行人的情况下,若所述碰撞时间小于或等于第六阈值,和/或,所述直线距离小于或等于第七阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
可选地,第二处理模块603包括:
第三处理子模块,用于在第一交通参与者的类型为非机动车的情况下,若所述碰撞时间小于或等于第八阈值,和/或,所述直线距离小于或等于第九阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
可选地,第一发送模块604包括:
通过直通链路通信接口PC5,向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
本发明的第三实施例是与上述第一实施例的方法对应的,上述第一实施例中的所有实现手段均适用于该关联目标识别装置的实施例中,也能达到相同的技术效果。
第四实施例
如图7所示,本发明实施例的一种关联目标识别装置700,应用于自动驾驶车辆,装置700包括:
第二发送模块701,用于向路侧设备发送的第一时段内的轨迹规划结果;
第二接收模块702,用于接收所述路侧设备发送的与所述自动驾驶车辆相关联的目标交通参与者的标识信息。
可选地,第二接收模块702,包括:
第一接收子模块,用于通过直通链路通信接口PC5,接收所述路侧设备发送的所述目标交通参与者的标识信息。
该关联目标识别装置700是与上述第二实施例中的方法对应的装置,上述方法实施例中的所有实现手段均适用于该关联目标识别装置的实施例中,也能达到相同的技术效果。
第五实施例
为了更好的实现上述目的,如图8所示,本发明的第五实施例还提供了一种路侧设备,包括:
处理器800;以及通过总线接口与所述处理器800相连接的存储器820,所述存储器820用于存储所述处理器800在执行操作时所使用的程序和数据,处理器800调用并执行所述存储器820中所存储的程序和数据。
其中,收发机810与总线接口连接,用于在处理器800的控制下接收和发送数据;处理器800用于读取存储器820中的程序执行如下步骤:
接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果;
根据所述轨迹规划结果和全量交通参与者在所述第一时段内的行为预测结果,确定所述目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,所述关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;
根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者;
向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
其中,在图8中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器800代表的一个或多个处理器和存储器820代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机810可以是多个元件,即包括发送机和收发机,提供用于在传输介质上与各种其他装置通信的单元。针对不同的终端,用户接口830还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。处理器800负责管理总线架构和通常的处理,存储器820可以存储处理器800在执行操作时所使用的数据。
可选的,处理器800具体用于读取存储器820中的程序执行如下步骤:
在第一交通参与者的类型为车辆的情况下,根据所述自动驾驶车辆与所述第一交通参与者之间的行驶位置关系,以及所述关联状态信息,识别所述第一交通参与者是否为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
可选的,处理器800具体用于读取存储器820中的程序执行如下步骤:
在所述行驶位置关系为所述第一交通参与者与所述目标自动驾驶车辆位于同车道行驶的情况下,若所述碰撞时间小于或等于第一阈值,和/或,所述后入侵时间小于或等于第二阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
在所述行驶位置关系为所述第一交通参与者位于所述目标自动驾驶车辆的临车道行驶的情况下,若所述横向距离小于或等于第三阈值且所述纵向距离小于或等于第四阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
在所述行驶位置关系为所述第一交通参与者位于无车道线区域行驶或处于变道中的情况下,若满足第一条件,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者:
其中,所述第一条件包括以下至少一项:
所述碰撞时间小于或等于第一阈值;
所述后入侵时间小于或等于第二阈值;
所述直线距离小于第五阈值。
可选的,处理器800具体用于读取存储器820中的程序执行如下步骤:
在第一交通参与者的类型为行人的情况下,若所述碰撞时间小于或等于第六阈值,和/或,所述直线距离小于或等于第七阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
可选的,处理器800具体用于读取存储器820中的程序执行如下步骤:
在第一交通参与者的类型为非机动车的情况下,若所述碰撞时间小于或等于第八阈值,和/或,所述直线距离小于或等于第九阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
可选的,处理器800具体用于读取存储器820中的程序执行如下步骤:
通过直通链路通信接口PC5,向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
本发明提供的,通过接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果,基于根据轨迹规划结果和全量交通参与者在第一时段内的行为预测结果,确定目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;根据关联状态信息,从全量交通参与者中识别与目标自动驾驶车辆相关联的目标交通参与者;向目标自动驾驶车辆发送目标交通参与者的标识信息。这样,能够避免将全量交通参与者的信息无差别地发送给所有自动驾驶车辆,给自动驾驶车辆带来较大计算负担和不必要开销的问题。
本领域技术人员可以理解,实现上述实施例的全部或者部分步骤可以通过硬件来完成,也可以通过计算机程序来指示相关的硬件来完成,所述计算机程序包括执行上述方法的部分或者全部步骤的指令;且该计算机程序可以存储于一可读存储介质中,存储介质可以是任何形式的存储介质。
第五实施例
为了更好的实现上述目的,如图9所示,本发明的第四实施例还提供了一种自动驾驶车辆,包括:
处理器900;以及通过总线接口与所述处理器900相连接的存储器920,所述存储器920用于存储所述处理器900在执行操作时所使用的程序和数据,处理器900调用并执行所述存储器920中所存储的程序和数据。
其中,收发机910与总线接口连接,用于在处理器900的控制下接收和发送数据;处理器900用于读取存储器920中的程序执行如下步骤:
向路侧设备发送的第一时段内的轨迹规划结果;
接收所述路侧设备发送的与所述自动驾驶车辆相关联的目标交通参与者的标识信息。
其中,在图9中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器900代表的一个或多个处理器和存储器920代表的存储器的各种电路链接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机910可以是多个元件,即包括发送机和收发机,提供用于在传输介质上与各种其他装置通信的单元。针对不同的终端,用户接口930还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。处理器900负责管理总线架构和通常的处理,存储器920可以存储处理器900在执行操作时所使用的数据。
可选的,处理器900具体用于读取存储器920中的程序执行如下步骤:
通过直通链路通信接口PC5,接收所述路侧设备发送的所述目标交通参与者的标识信息。
本发明提供的,通过向路侧设备发送第一时段内的轨迹规划结果,使路侧设备能够基于根据轨迹规划结果和全量交通参与者在第一时段内的行为预测结果,确定目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;根据关联状态信息,从全量交通参与者中识别与目标自动驾驶车辆相关联的目标交通参与者;向目标自动驾驶车辆发送目标交通参与者的标识信息。这样,能够避免将全量交通参与者的信息无差别地发送给所有自动驾驶车辆,给自动驾驶车辆带来较大计算负担和不必要开销的问题。
本领域技术人员可以理解,实现上述实施例的全部或者部分步骤可以通过硬件来完成,也可以通过计算机程序来指示相关的硬件来完成,所述计算机程序包括执行上述方法的部分或者全部步骤的指令;且该计算机程序可以存储于一可读存储介质中,存储介质可以是任何形式的存储介质。
另外,本发明具体实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的第一实施例或者第二实施例中的方法的步骤。且能达到相同的技术效果,为避免重复,这里不再赘述。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种关联目标识别方法,其特征在于,应用于路侧设备,包括:
接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果;
根据所述轨迹规划结果和全量交通参与者在所述第一时段内的行为预测结果,确定所述目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,所述关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;
根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者;
向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
2.根据权利要求1所述的关联目标识别方法,其特征在于,所述根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者,包括:
在第一交通参与者的类型为车辆的情况下,根据所述自动驾驶车辆与所述第一交通参与者之间的行驶位置关系,以及所述关联状态信息,识别所述第一交通参与者是否为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
3.根据权利要求2所述的关联目标识别方法,其特征在于,所述根据所述自动驾驶车辆与所述第一交通参与者之间的行驶位置关系,以及所述关联状态信息,识别所述第一交通参与者是否为与所述目标自动驾驶车辆相关联的目标交通参与者,包括以下至少一项:
在所述行驶位置关系为所述第一交通参与者与所述目标自动驾驶车辆位于同车道行驶的情况下,若所述碰撞时间小于或等于第一阈值,和/或,所述后入侵时间小于或等于第二阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
在所述行驶位置关系为所述第一交通参与者位于所述目标自动驾驶车辆的临车道行驶的情况下,若所述横向距离小于或等于第三阈值且所述纵向距离小于或等于第四阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
在所述行驶位置关系为所述第一交通参与者位于无车道线区域行驶或处于变道中的情况下,若满足第一条件,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者:
其中,所述第一条件包括以下至少一项:
所述碰撞时间小于或等于第一阈值;
所述后入侵时间小于或等于第二阈值;
所述直线距离小于第五阈值。
4.根据权利要求1所述的关联目标识别方法,其特征在于,所述根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者,包括:
在第一交通参与者的类型为行人的情况下,若所述碰撞时间小于或等于第六阈值,和/或,所述直线距离小于或等于第七阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
5.根据权利要求1所述的关联目标识别方法,其特征在于,所述根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者,包括:
在第一交通参与者的类型为非机动车的情况下,若所述碰撞时间小于或等于第八阈值,和/或,所述直线距离小于或等于第九阈值,则识别所述第一交通参与者为与所述目标自动驾驶车辆相关联的目标交通参与者;
其中,所述第一交通参与者为全量交通参与者中的任意之一。
6.根据权利要求1所述的关联目标识别方法,其特征在于,所述向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息,包括:
通过直通链路通信接口PC5,向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
7.一种关联目标识别方法,其特征在于,应用于自动驾驶车辆,包括:
向路侧设备发送的第一时段内的轨迹规划结果;
接收所述路侧设备发送的与所述自动驾驶车辆相关联的目标交通参与者的标识信息。
8.根据权利要求7所述的关联目标识别方法,其特征在于,所述接收所述路侧设备发送的与所述自动驾驶车辆相关联的目标交通参与者的标识信息,包括:
通过直通链路通信接口PC5,接收所述路侧设备发送的所述目标交通参与者的标识信息。
9.一种路侧设备,包括:收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述自动驾驶车辆的关联目标识别方法的步骤。
10.一种自动驾驶车辆,包括:收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求7至8中任一项所述关联目标识别方法的步骤。
11.一种关联目标识别装置,其特征在于,应用于路侧设备,包括:
第一接收模块,用于接收目标自动驾驶车辆发送的第一时段内的轨迹规划结果;
第一处理模块,用于根据所述轨迹规划结果和全量交通参与者在所述第一时段内的行为预测结果,确定所述目标自动驾驶车辆与交通参与者之间的关联状态信息;其中,所述关联状态信息包括以下至少一项:碰撞时间、后入侵时间、弗莱纳坐标系下的横向距离、弗莱纳坐标系下的纵向距离、直线距离;
第二处理模块,用于根据所述关联状态信息,从全量交通参与者中识别与所述目标自动驾驶车辆相关联的目标交通参与者;
第一发送模块,用于向所述目标自动驾驶车辆发送所述目标交通参与者的标识信息。
12.一种关联目标识别装置,其特征在于,应用于自动驾驶车辆,包括:
第二发送模块,用于向路侧设备发送的第一时段内的轨迹规划结果;
第二接收模块,用于接收所述路侧设备发送的与所述自动驾驶车辆相关联的目标交通参与者的标识信息。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6中任一项所述自动驾驶车辆的关联目标识别方法的步骤,或者实现权利要求7至8中任一项所述关联目标识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211492332.7A CN115810291A (zh) | 2022-11-25 | 2022-11-25 | 一种关联目标识别方法、装置、路侧设备及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211492332.7A CN115810291A (zh) | 2022-11-25 | 2022-11-25 | 一种关联目标识别方法、装置、路侧设备及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115810291A true CN115810291A (zh) | 2023-03-17 |
Family
ID=85484212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211492332.7A Pending CN115810291A (zh) | 2022-11-25 | 2022-11-25 | 一种关联目标识别方法、装置、路侧设备及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115810291A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117885765A (zh) * | 2024-03-15 | 2024-04-16 | 中国第一汽车股份有限公司 | 车辆的控制方法、装置及车辆 |
-
2022
- 2022-11-25 CN CN202211492332.7A patent/CN115810291A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117885765A (zh) * | 2024-03-15 | 2024-04-16 | 中国第一汽车股份有限公司 | 车辆的控制方法、装置及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111123933B (zh) | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 | |
US11577746B2 (en) | Explainability of autonomous vehicle decision making | |
US11714971B2 (en) | Explainability of autonomous vehicle decision making | |
CN111653113B (zh) | 车辆的局部路径确定方法、装置、终端和存储介质 | |
US20180056998A1 (en) | System and Method for Multi-Vehicle Path Planning Technical Field | |
CN112601686A (zh) | 具有安全距离的导航的***和方法 | |
CN109521764A (zh) | 车辆远程辅助模式 | |
JP7181354B2 (ja) | 接続されたデータ分析プラットフォームを用いた車両経路指定 | |
CN113706914B (zh) | 一种基于v2x的狭窄路段调度通行方法和*** | |
US11945433B1 (en) | Risk mitigation in speed planning | |
Burger et al. | Rating cooperative driving: A scheme for behavior assessment | |
Amditis et al. | A holistic approach to the integration of safety applications: The INSAFES subproject within the European framework programme 6 integrating project PReVENT | |
CN114644016A (zh) | 车辆自动驾驶决策方法、装置、车载终端和存储介质 | |
CN113415275A (zh) | 车辆消息的处理方法、装置、可读介质及电子设备 | |
CN114723903A (zh) | 障碍物风险场环境建模方法及其装置、相关产品 | |
CN115810291A (zh) | 一种关联目标识别方法、装置、路侧设备及车辆 | |
CN116901875A (zh) | 感知融合***、车辆及控制方法 | |
US20230080281A1 (en) | Precautionary observation zone for vehicle routing | |
CN114360289A (zh) | 用于车辆的辅助***、相应的方法、车辆和存储介质 | |
US11858507B2 (en) | Methods for cognitive situation awareness using an attention-based event structure | |
US20240036575A1 (en) | Processing device, processing method, processing system, storage medium | |
JP7509247B2 (ja) | 処理装置、処理方法、処理プログラム、処理システム | |
CN111951604B (zh) | 车辆速度确定方法、装置、设备和存储介质 | |
Amendola et al. | D1. 4-Final Release Of The Smart City Use Case | |
Matsuo et al. | Design of advanced intersection systems utilizing v2x in an automated society |
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 |