CN116518989B - 一种基于声音与热成像进行车辆导航的方法 - Google Patents
一种基于声音与热成像进行车辆导航的方法 Download PDFInfo
- Publication number
- CN116518989B CN116518989B CN202310815023.7A CN202310815023A CN116518989B CN 116518989 B CN116518989 B CN 116518989B CN 202310815023 A CN202310815023 A CN 202310815023A CN 116518989 B CN116518989 B CN 116518989B
- Authority
- CN
- China
- Prior art keywords
- road
- vehicle
- sound
- data
- cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001931 thermography Methods 0.000 title claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000013079 data visualisation Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000926 separation method Methods 0.000 claims description 10
- 238000012880 independent component analysis Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于声音与热成像进行车辆导航的方法,涉及交通领域,包括:在城市道路上安装声音探测设备和红外摄像头,云端收集声音和热力数据;声音数据经过处理转换为频率信号,热力图用于识别车辆。将数据归一化并相加生成包含道路流量信息的数据地图;利用数据可视化工具将流量信息绘制为地图上的颜色点,形成可视化地图并实时发送给驾驶者;驾驶者可选择云端导航或车辆自行导航,云端根据数据地图进行路径规划,车辆根据可视化地图进行路径规划;通过计算道路单元的权重和最短路径算法实现路径规划。本发明方法计算成本低、易于部署,相较于图像识别技术更易推广。
Description
技术领域
本发明涉及交通领域,更具体地说,涉及一种基于声音与热成像进行车辆导航的方法。
背景技术
在现代社会中,由于城市化进程的加快,人们对于道路交通的需求也日益增加,但与此同时,城市交通拥堵问题也越来越严重。为了有效地解决这个问题,提高道路使用效率,各种交通导航***应运而生。这些***通过收集、分析和提供实时道路交通信息,帮助驾驶者选择最佳路径,从而减少交通拥堵。
现有的交通导航***主要通过图像识别的方式来获取道路信息,如车辆数量、车辆行驶速度等。这种方式是通过在城市的主要道路上安装摄像头,然后对摄像头拍摄到的视频进行逐帧分析,识别出图像中的车辆,并根据车辆的数量和行驶速度来评估道路的拥堵程度。
然而,现有的基于图像识别的导航***存在一些问题。首先,图像识别的难度相对较大,需要使用到比较复杂的算法,例如深度学习等。其次,图像识别需要大量的计算资源,不仅需要高性能的硬件设备,还需要大量的电力供应。这两个因素都限制了这种导航***的大规模推广。此外,图像识别技术还会受到光照、天气等因素的影响,这使得其在复杂的环境下的效果并不理想。
因此,急需一种新的车辆导航***,能够克服上述问题,提供更精准、更经济、更便捷的导航服务。
发明内容
本发明要解决的技术问题是提供一种基于声音与热成像进行车辆导航的方法,以解决背景技术中提到的问题。
为了达到上述目的,本发明采取以下技术方案:
一种基于声音与热成像进行车辆导航的方法,包括如下步骤:
S1: 在预定的城市区域的每条道路上均匀地安装声音探测设备和红外摄像头;
S2: 云端通过所述声音探测设备,收集每条道路的声音数据,应用声源分离技术,剔除非机动车辆的声音,然后使用傅里叶变换将剩余的、与车辆运动相关的时间域声音信号转换为频率信号,以获取声音的分贝级别;
S3: 云端通过所述红外摄像头,收集每条道路的热力图,使用灰度阈值化的方法区分出热源中的车辆;
S4: 云端将步骤S2和步骤S3得到的车辆相关数据进行归一化处理,然后将两种数据相加,生成一张包含道路流量信息的数据地图;
S5:云端利用数据可视化工具,将每个数据点按照其流量信息绘制为地图上的颜色点,流量较大的区域使用更深的颜色,流量较小的区域使用较浅的颜色,从而生成一张可以直观反映道路流量信息的可视化地图,并将所述可视化地图实时发送给驾驶者;
S6:驾驶者选择云端导航或车辆自行导航;当驾驶者选择云端导航时,云端根据S4得到的数据地图进行步骤S7~S8的路径规划;当驾驶者选择车辆自行导航时,车辆根据所述可视化地图进行步骤S9~S10的路径规划;
S7: 云端将每条道路划分为若干个单元,并为每个单元基于步骤S4生成的数据地图中的流量信息计算权重,其中权重反映了该单元的车辆密度;然后,将任意两个路口间的道路上的所有单元的权重计算平均值,作为该道路的总体权重;
S8: 将步骤S7中计算得出的总体权重作为最短路径算法中的道路权重,并采用最短路径算法进行车辆路径规划;其中,实时更新数据地图和道路权重,并实施更新对应的路径规划;
S9: 车辆将每条道路划分为若干个单元,并为每个单元基于步骤S5生成的可视化地图中的颜色深度信息计算权重,其中权重反映了该单元的车辆密度;然后,将任意两个路口间的道路上的所有单元的权重计算平均值,作为该道路的总体权重;
S10: 将步骤S9中计算得出的总体权重作为最短路径算法中的道路权重,并采用最短路径算法进行车辆路径规划;其中,实时更新数据地图和道路权重,并实施更新对应的路径规划。
优选的,步骤S1中的声音探测设备和红外摄像头在预定的城市范围内任意两个路口间的道路上每隔预定的距离安装一对,且所述预定的距离与道路长度成正比。
优选的,步骤S2中的声源分离技术为基于独立分量分析的声源分离技术,通过设定频率阈值来剔除非机动车辆的声音。
优选的,步骤S3中的灰度阈值化的过程采用大津算法,根据每一帧热力图的灰度直方图计算最佳阈值,将高于阈值的部分认定为车辆。
优选的,步骤S5中的数据可视化工具为基于Python的开源库Matplotlib。
优选的,所述步骤S8、S10中采用的最短路径算法是Dijkstra算法。
本发明相对于现有技术的优点在于:
1、计算成本降低:现有技术中一般采用图像识别的方式进行拥堵评估,计算成本高,难度大,推广难度大。而本发明通过采用声音和热力数据进行成像,不需要对视频数据进行逐帧分析,从而大大降低了计算成本。相较于复杂的图像识别技术,声音和热力数据处理更为简单,更易于在大规模环境中部署。
2、导航方便性增强:本发明通过生成可视化地图,使驾驶者能够更直观地看到道路流量信息,从而可以根据实际需求选择最佳路径,提高了道路使用效率,减少了拥堵。
3、灵活的导航方式:本发明提供了云端导航和车辆自行导航两种模式。云端导航根据收集到的声音和热力数据生成的数据地图,能够提供更精准的导航方案;而车辆自行导航根据生成的可视化地图进行路径规划,计算过程更为简单,适合在边缘设备上进行,尤其适合在车辆等算力有限的设备中实现。
4、实时更新:由于数据是通过声音和热力探测设备实时收集的,因此生成的数据地图和可视化地图都能够反映实时的道路状况。这种实时性使得本发明的导航方案能够根据实际道路状况实时调整,更具有实用性。
附图说明
图1是本发明方法的示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作描述。
如图1所示,本发明一种基于声音与热成像进行车辆导航的方法,包括如下步骤:
S1: 在预定的城市区域的每条道路上均匀地安装声音探测设备和红外摄像头;
S2: 云端通过所述声音探测设备,收集每条道路的声音数据,应用声源分离技术,剔除非机动车辆的声音,然后使用傅里叶变换将剩余的、与车辆运动相关的时间域声音信号转换为频率信号,以获取声音的分贝级别;
S3: 云端通过所述红外摄像头,收集每条道路的热力图,使用灰度阈值化的方法区分出热源中的车辆;
S4: 云端将步骤S2和步骤S3得到的车辆相关数据进行归一化处理,然后将两种数据相加,生成一张包含道路流量信息的数据地图;
S5:云端利用数据可视化工具,将每个数据点按照其流量信息绘制为地图上的颜色点,流量较大的区域使用更深的颜色,流量较小的区域使用较浅的颜色,从而生成一张可以直观反映道路流量信息的可视化地图,并将所述可视化地图实时发送给驾驶者;
S6:驾驶者选择云端导航或车辆自行导航;当驾驶者选择云端导航时,云端根据S4得到的数据地图进行步骤S7~S8的路径规划;当驾驶者选择车辆自行导航时,车辆根据所述可视化地图进行步骤S9~S10的路径规划;
S7: 云端将每条道路划分为若干个单元,并为每个单元基于步骤S4生成的数据地图中的流量信息计算权重,其中权重反映了该单元的车辆密度;然后,将任意两个路口间的道路上的所有单元的权重计算平均值,作为该道路的总体权重;
S8: 将步骤S7中计算得出的总体权重作为最短路径算法中的道路权重,并采用最短路径算法进行车辆路径规划;其中,实时更新数据地图和道路权重,并实施更新对应的路径规划;
S9: 车辆将每条道路划分为若干个单元,并为每个单元基于步骤S5生成的可视化地图中的颜色深度信息计算权重,其中权重反映了该单元的车辆密度;然后,将任意两个路口间的道路上的所有单元的权重计算平均值,作为该道路的总体权重;
S10: 将步骤S9中计算得出的总体权重作为最短路径算法中的道路权重,并采用最短路径算法进行车辆路径规划;其中,实时更新数据地图和道路权重,并实施更新对应的路径规划。
其中,步骤S1中的声音探测设备和红外摄像头在预定的城市范围内任意两个路口间的道路上每隔预定的距离安装一对,且所述预定的距离与道路长度成正比;在一个具体的实施例中,可以这样:如果预设的标准是在一条长度为1公里的道路上设置10个设备,那么设备间的距离就设为100米。然而,如果道路长度增加到2公里,那么预设距离可以调整为200米,也就是设备间的距离会随道路长度的增加而增加;这样的布局节约了资源又满足了导航需求。预定的距离可以根据具体情况进行选择。
其中,步骤S2中的声源分离技术为基于独立分量分析的声源分离技术,通过设定频率阈值来剔除非机动车辆的声音。更具体的:
声源分离技术是基于独立分量分析(ICA)的方法。ICA是一种统计技术,用于将多个信号源分离为最大可能独立的成分。本实施例应用ICA技术来分析从声音探测设备收集的声音数据。
为了从声音数据中剔除非机动车辆的声音,本实施例设定了一个频率阈值。通常,非机动车辆(如自行车、步行人等)产生的声音频率较低,而机动车辆(如汽车、摩托车等)产生的声音频率较高。因此,设定一个适当的频率阈值可以有效地区分机动车辆和非机动车辆的声音。
在具体的操作过程中,本实施例首先收集每条道路的声音数据,然后应用ICA声源分离技术将各个声源的信号独立分开。接着,本实施例会分析这些分离出来的信号的频率,如果某个信号的频率低于预设的频率阈值,那么就将其认为是非机动车辆的声音并将其剔除。这样,剩余的、与机动车辆运动相关的声音信号就可以用于后续的导航分析。
为了从热力图中区分出车辆,云端采用了大津算法进行灰度阈值化处理。大津算法是一种自动确定图像二值化阈值的算法。它通过计算所有可能阈值的类间方差来找出最佳的阈值,从而将图像分割为两部分。
在具体操作过程中,云端首先会计算每一帧热力图的灰度直方图。灰度直方图是一种表示图像中像素强度分布的统计工具,它能够反映出图像中各种灰度级别的像素数量。然后,云端使用大津算法分析这个灰度直方图,计算出一个最佳的阈值。这个阈值将灰度级别分为两部分,一部分是灰度值高于阈值的像素,另一部分是灰度值低于阈值的像素。
在热力图中,高温区域(即车辆)的像素灰度值通常会高于环境的像素灰度值。因此,通过大津算法计算出的最佳阈值,可以有效地区分出热力图中的车辆和环境。最后,云端将灰度值高于阈值的部分认定为车辆,用于后续的流量分析和导航规划。
在本实施例的步骤S5中,数据可视化是可以使用基于Python的开源库Matplotlib完成的。Matplotlib是一个强大的科学绘图库,它提供了一系列的绘图和可视化工具,可以很方便地用于生成图表、直方图、功率谱、条形图、误差图、散点图等各种格式的图形。
在具体操作中,云端首先对步骤S4中得到的车辆相关数据进行归一化处理,然后将两种数据相加,生成一张包含道路流量信息的数据地图。这个数据地图是一个二维数组,其中的每个元素代表了相应地点的车辆流量。
然后,云端使用Matplotlib的绘图函数,将这个数据地图转换为一张可视化地图。在这个过程中,云端会为每个数据点分配一种颜色,这种颜色与其对应的车辆流量成正比。流量较大的区域将被分配更深的颜色,而流量较小的区域将被分配较浅的颜色。
为了进一步提高可视化效果,云端还可以使用Matplotlib的其他功能,例如添加颜色条、设置坐标轴标签、调整图像尺寸等。
最后,云端将这张可视化地图实时发送给驾驶者,驾驶者可以通过查看这张地图来了解当前城市的交通流量情况,并据此进行导航规划。
在本实施例的步骤S8、S10中,云端或车辆可以具体使用最短路径算法是Dijkstra算法。Dijkstra算法是一种用于在带有非负权重的图中找出两点之间最短路径的算法。
具体来说,在道路网络的模型中,每条道路都可以看作是一个带有权重的边,每个路口则可以看作是一个节点。道路的权重,即步骤S4或S5中计算得到的车辆密度,反映了这条道路的交通状况。权重越大,代表车辆密度越高,交通压力越大。
在实施Dijkstra算法时,云端或车辆首先将驾驶者当前所在的路口作为起始节点。然后,算法会持续寻找从起始节点到其他所有节点的最短路径。这个过程会考虑每条道路的权重,优先选择权重较小(即车辆密度较低)的道路。
具体的,Dijkstra算法的每一步都会找出当前未处理节点中距离起始节点最近(总权重最小)的一个,然后更新其相邻节点的距离(如果通过该节点到达相邻节点的总权重小于当前记录的总权重的话)。这个过程会不断重复,直到找到到达目的地的最短路径。
Dijkstra算法的优点在于,它总是能够找到最优的路径。在这个场景中,最优的路径就是车辆在当前的交通情况下,可以通过的最快的路线。通过这种方式,驾驶者或车辆可以实时调整自己的行驶路线,从而在繁忙的城市道路网络中找到最快的行驶路径。Dijkstra算法对应的现有技术文件有很多,这里不做更多介绍。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于声音与热成像进行车辆导航的方法,其特征在于,包括如下步骤:
S1: 在预定的城市区域的每条道路上均匀地安装声音探测设备和红外摄像头;
S2: 云端通过所述声音探测设备,收集每条道路的声音数据,应用声源分离技术,剔除非机动车辆的声音,然后使用傅里叶变换将剩余的、与车辆运动相关的时间域声音信号转换为频率信号,以获取声音的分贝级别;其中,所述声源分离技术为基于独立分量分析的声源分离技术,通过设定频率阈值来剔除非机动车辆的声音;
S3: 云端通过所述红外摄像头,收集每条道路的热力图,使用灰度阈值化的方法区分出热源中的车辆;其中,所述灰度阈值化的过程采用大津算法,根据每一帧热力图的灰度直方图计算最佳阈值,将高于阈值的部分认定为车辆;
S4: 云端将步骤S2和步骤S3得到的车辆相关数据进行归一化处理,然后将两种数据相加,生成一张包含道路流量信息的数据地图;
S5:云端利用数据可视化工具,将每个数据点按照其流量信息绘制为地图上的颜色点,流量较大的区域使用更深的颜色,流量较小的区域使用较浅的颜色,从而生成一张可以直观反映道路流量信息的可视化地图,并将所述可视化地图实时发送给驾驶者;
S6:驾驶者选择云端导航或车辆自行导航;当驾驶者选择云端导航时,云端根据S4得到的数据地图进行步骤S7~S8的路径规划;当驾驶者选择车辆自行导航时,车辆根据所述可视化地图进行步骤S9~S10的路径规划;
S7: 云端将每条道路划分为若干个单元,并为每个单元基于步骤S4生成的数据地图中的流量信息计算权重,其中权重反映了该单元的车辆密度;然后,将任意两个路口间的道路上的所有单元的权重计算平均值,作为该道路的总体权重;
S8: 将步骤S7中计算得出的总体权重作为最短路径算法中的道路权重,并采用最短路径算法进行车辆路径规划;其中,实时更新数据地图和道路权重,并实施更新对应的路径规划;
S9: 车辆将每条道路划分为若干个单元,并为每个单元基于步骤S5生成的可视化地图中的颜色深度信息计算权重,其中权重反映了该单元的车辆密度;然后,将任意两个路口间的道路上的所有单元的权重计算平均值,作为该道路的总体权重;
S10: 将步骤S9中计算得出的总体权重作为最短路径算法中的道路权重,并采用最短路径算法进行车辆路径规划;其中,实时更新数据地图和道路权重,并实施更新对应的路径规划。
2.根据权利要求1所述基于声音与热成像进行车辆导航的方法,其特征在于,步骤S1中的声音探测设备和红外摄像头在预定的城市范围内任意两个路口间的道路上每隔预定的距离安装一对,且所述预定的距离与道路长度成正比。
3.根据权利要求1所述基于声音与热成像进行车辆导航的方法,其特征在于,步骤S5中的数据可视化工具为基于Python的开源库Matplotlib。
4.根据权利要求1所述基于声音与热成像进行车辆导航的方法,其特征在于,所述步骤S8、S10中采用的最短路径算法是Dijkstra算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815023.7A CN116518989B (zh) | 2023-07-05 | 2023-07-05 | 一种基于声音与热成像进行车辆导航的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310815023.7A CN116518989B (zh) | 2023-07-05 | 2023-07-05 | 一种基于声音与热成像进行车辆导航的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116518989A CN116518989A (zh) | 2023-08-01 |
CN116518989B true CN116518989B (zh) | 2023-09-12 |
Family
ID=87390769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310815023.7A Active CN116518989B (zh) | 2023-07-05 | 2023-07-05 | 一种基于声音与热成像进行车辆导航的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116518989B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路***通事件自动检测*** |
CN109640032A (zh) * | 2018-04-13 | 2019-04-16 | 河北德冠隆电子科技有限公司 | 基于人工智能多要素全景监控检测五维预警*** |
CN110047306A (zh) * | 2019-04-23 | 2019-07-23 | 杜泽臣 | 一种智能交通网络 |
CN114384901A (zh) * | 2022-01-12 | 2022-04-22 | 浙江中智达科技有限公司 | 一种面向动态交通环境的强化学习辅助驾驶决策方法 |
CN115014374A (zh) * | 2022-05-27 | 2022-09-06 | 重庆长安汽车股份有限公司 | 一种融合动态事件的车道级路径规划方法 |
WO2023010599A1 (zh) * | 2021-08-04 | 2023-02-09 | 深圳市沃特沃德信息有限公司 | 基于视频和音频的目标轨迹标定方法和计算机设备 |
WO2023051322A1 (zh) * | 2021-09-29 | 2023-04-06 | 华为技术有限公司 | 出行管理方法、相关装置及*** |
CN115985122A (zh) * | 2022-10-31 | 2023-04-18 | 内蒙古智能煤炭有限责任公司 | 无人驾驶***感知方法 |
-
2023
- 2023-07-05 CN CN202310815023.7A patent/CN116518989B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路***通事件自动检测*** |
CN109640032A (zh) * | 2018-04-13 | 2019-04-16 | 河北德冠隆电子科技有限公司 | 基于人工智能多要素全景监控检测五维预警*** |
CN110047306A (zh) * | 2019-04-23 | 2019-07-23 | 杜泽臣 | 一种智能交通网络 |
WO2023010599A1 (zh) * | 2021-08-04 | 2023-02-09 | 深圳市沃特沃德信息有限公司 | 基于视频和音频的目标轨迹标定方法和计算机设备 |
WO2023051322A1 (zh) * | 2021-09-29 | 2023-04-06 | 华为技术有限公司 | 出行管理方法、相关装置及*** |
CN114384901A (zh) * | 2022-01-12 | 2022-04-22 | 浙江中智达科技有限公司 | 一种面向动态交通环境的强化学习辅助驾驶决策方法 |
CN115014374A (zh) * | 2022-05-27 | 2022-09-06 | 重庆长安汽车股份有限公司 | 一种融合动态事件的车道级路径规划方法 |
CN115985122A (zh) * | 2022-10-31 | 2023-04-18 | 内蒙古智能煤炭有限责任公司 | 无人驾驶***感知方法 |
Non-Patent Citations (1)
Title |
---|
全息高精度导航地图:概念及理论模型;余卓渊;闾国年;张夕宁;贾远信;周成虎;葛咏;吕可晶;;地球信息科学学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116518989A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111540201B (zh) | 基于路侧激光雷达的车辆排队长度实时估计方法及*** | |
CN107492251B (zh) | 一种基于机器学习与深度学习的驾驶员身份识别与驾驶状态监测方法 | |
JP6838248B2 (ja) | 情報処理装置 | |
JP5900454B2 (ja) | 車両用車線案内システム及び車両用車線案内方法 | |
CN107784835B (zh) | 基于交通数据分析的交通状态模式预测***及其预测方法 | |
US20220230449A1 (en) | Automatically perceiving travel signals | |
EP2410294A1 (en) | Method and device for providing cost information associated with junctions and method of determining a route | |
WO2009118988A1 (en) | Driving support device, driving support method, and driving support program | |
KR102031503B1 (ko) | 다중 객체 검출 시스템 및 방법 | |
CN108645375B (zh) | 一种用于车载双目***快速车辆测距优化方法 | |
JP6828587B2 (ja) | 画像処理システム、画像処理方法、情報処理装置及び記録媒体 | |
KR20210052031A (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
CN114435138A (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
WO2018195150A1 (en) | Automatically perceiving travel signals | |
CN103577790B (zh) | 道路转弯类型检测方法和装置 | |
KR20200087296A (ko) | 라이다 센서 데이터 기반 장애물 검출 3차원 뷰어 시스템 | |
JP7454685B2 (ja) | 車両走行路内のデブリの検出 | |
CN116518989B (zh) | 一种基于声音与热成像进行车辆导航的方法 | |
CN113178074A (zh) | 应用于车辆的交通流机器学习建模***及其方法 | |
Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
JP3235322U (ja) | 交通方向転換量調査レポート自動生成システム | |
Hammoudi et al. | Towards a model of car parking assistance system using camera networks: Slot analysis and communication management | |
JP7238821B2 (ja) | 地図生成システム及び地図生成プログラム | |
KR102091555B1 (ko) | 차량의 경로별 도착시간 추정 시스템 | |
JP5789482B2 (ja) | 運転支援システム、第一情報処理装置、およびプログラム |
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 |