CN116564084A - 一种基于纯路端感知的网联式辅助驾驶控制方法及*** - Google Patents
一种基于纯路端感知的网联式辅助驾驶控制方法及*** Download PDFInfo
- Publication number
- CN116564084A CN116564084A CN202310508658.2A CN202310508658A CN116564084A CN 116564084 A CN116564084 A CN 116564084A CN 202310508658 A CN202310508658 A CN 202310508658A CN 116564084 A CN116564084 A CN 116564084A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- data
- information
- perception
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 230000035484 reaction time Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于纯路端感知的网联式辅助驾驶控制方法及***,方法包括路侧设备采集路端数据;将路侧设备采集的路端数据实时上传至云端,来更新云端信息,将更新后的云端信息作为输入数据传送至路端;路端接收到云端数据后,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息;将路端感知子信息与云端数据进行融合形成路端感知信息;将路端感知信息发送至车端;车端接收到路端感知信息后,对路端感知信息进行分析,确定下一步车辆的行驶状态,进行车辆辅助驾驶控制。本发明采用纯路端感知的方式,在减少单个车辆的生产和运营成本的同时使得行驶车辆能够获得更全面的感知信息。
Description
技术领域
本发明涉及智能网联汽车技术领域,尤其涉及一种基于纯路端感知的网联式辅助驾驶控制方法及***。
背景技术
近些年,随着科学技术的发展,辅助驾驶技术和自动驾驶技术日趋成熟并已逐步应用在量产车辆上,这些技术能够辅助甚至替代人类驾驶车辆,可提高车辆行驶的安全性和舒适性。目前汽车厂商已实现L2级别驾驶辅助技术的广泛应用,即车辆能够实现ACC自适应巡航、AEB主动刹车、车道保持、自动泊车等辅助驾驶功能,预计到2025年有望实现L3级自动驾驶技术的应用,即车辆可以由无人驾驶***完成所有的驾驶操作,驾驶员需要随时接管驾驶任务。但目前这些技术仅用于单个车辆,通过车载传感器实现车辆周围环境的感知并采取相应的控制措施,不能实现车与车以及车与路之间的互联,这并不利于缓解交通拥堵的问题。因此,人们提出了智能网联汽车的概念,即车与人、车与车以及车与路之间产生互联,实现信息共享,提高车辆行驶安全性和道路资源利用率,可在一定程度上缓解交通拥堵的问题。智能网联汽车技术包含了环境感知、智能决策、控制执行以及信息交互共享技术,通过车载感知设备或路侧感知设备进行环境感知,再经过智能计算平台进行决策,最后通过信息网联技术进行控制执行,这对感知设备、计算能力和通信能力提出了更高的要求。随着“新基建”和“双智城市”的快速发展,道路感知设备的升级、通信计算能力的提升也日益凸显,未来道路上将会有更多的智能网联车辆,交通安全和交通拥堵问题将会得到进一步的缓解。
目前辅助驾驶技术主要是基于车载感知设备来实现,例如ACC自适应巡航是以车载雷达为主要传感器,车载摄像头为辅助传感器探测前方车辆与本车的相对距离和相对速度,主动控制本车行驶速度,实现自动跟随前车巡航;AEB主动刹车***是由车载雷达或车载摄像头作为传感器构成感知部分,通过ECU模块进行决策并发出制动指令;车道保持***则是通过车载摄像头对车道线进行识别,再由控制执行***纠正车辆行驶方向。目前这些辅助驾驶技术较为成熟,但几乎都是基于车载感知设备来完成各项辅助操作,存在着视距短、视域小的问题,特别是在大型车辆较多的场景下车载设备探测距离更有限,不利于***的决策判断。此外,为了实现更高级别的自动驾驶,车辆必须获得更多更全面的感知信息,汽车制造商不得不在车辆上安装更多更高级的探测设备,车载计算机的计算性能也需要大幅度提高以满足计算需求,这些都使得单个车辆的研发和制造成本加大。
发明内容
为此,本发明实施例提供了一种基于纯路端感知的网联式辅助驾驶控制方法及***,用于解决现有技术中自动驾驶车辆感知存在“视域”和“视距”局限性的问题。
为了解决上述问题,本发明实施例提供一种基于纯路端感知的网联式辅助驾驶控制方法,该方法包括:
S1:路侧设备采集路端数据,所述路端数据包括气象数据、交通信号数据、视频数据、车辆的点迹数据、车辆的点云数据;
S2:将路侧设备采集的路端数据实时上传至云端,来更新云端信息,将更新后的云端信息作为输入数据传送至路端,所述云端信息包括路段限速信息、路段封闭信息、施工路段信息、路段拥堵信息、车辆限高信息和禁止车辆通行信息;
S3:路端接收到云端数据后,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,具体包括:利用气象数据、视频数据以及路端数据进行道路环境判断;利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断;利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警;
S4:将路端感知子信息与云端数据进行融合形成路端感知信息;
S5:将路端感知信息发送至车端;
S6:车端接收到路端感知信息后,对路端感知信息进行分析,确定下一步车辆的行驶状态,进行车辆辅助驾驶控制。
优选地,所述路侧设备包括气象设备、交通信号设备、摄像头、毫米波雷达、激光雷达;
所述气象设备采集气象数据,所述气象数据包括温度、湿度、降水量、空气质量、风速,用于判断道路环境;
所述交通信号设备用于采集交通信号数据,所述交通信号数据包括各交叉口每个相位的红绿灯信息,用于判断车辆在行驶方向的通行权限;
所述摄像头用于采集视频数据,所述视频数据用于道路环境判断;
所述毫米波雷达用于采集车辆的点迹数据,所述激光雷达用于采集车辆的点云数据,所述车辆的点迹数据和所述车辆的点云数据用于车辆碰撞预警。
优选地,所述对路侧设备采集的路端数据进行预处理的方法包括:剔除异常数据、数据时序对齐。
优选地,所述利用气象数据、视频数据以及路端数据进行道路环境判断的方法为:
首先输入已时序对齐的实时气象数据和已时序对齐的实时视频数据;然后依据气象数据,对现场的温度、湿度、降水量、空气质量和风速进行分析,同时结合视频数据对能见度进行评估,从而对道路环境进行判断;最后得出路端感知子信息;若前方道路环境十分恶劣,则车辆禁止通行,并规划其他路线;若道路环境较为恶劣,则车辆减速慢行;若道路环境不会对车辆造成影响,则车辆正常通行。
优选地,所述利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断的方法为:
首先输入已时序对齐的实时交通信号数据和已时序对齐的实时视频数据;然后依据视频数据,采用机器学习算法对车辆进行识别和跟踪,并根据车辆的行驶轨迹,判断其行驶方向;最后依据实时交通信号数据,判断车辆行驶方向是否为绿灯,若信号为绿灯,则车辆具有通行权,正常通行,否则车辆禁止通行,直到信号转为绿灯。
优选地,所述利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警的方法为:
在获取已时序对齐的实时点迹数据、已时序对齐的实时点云数据和已时序对齐的实时视频数据后,首先依据已时序对齐的实时视频数据对道路标线进行识别,包括道路中线,车道线,道路边缘线,并通过已时序对齐的实时点云数据判断道路上各车辆的位置;
然后通过已时序对齐的实时点迹数据判断各车辆的轨迹和速度,判断各车辆是否超速,若车辆速度大于所在路段限制速度V,则路端感知子信息为该车辆超速,需减速通行;若车辆速度小于等于路段限制速度V,则路端感知子信息为车辆未超速,正常通行;
其次在识别各车辆的轨迹后,先将车辆进行分组配对,检测到的任一车辆需与其他所有车辆进行配对,即检测到n辆车,则会配对C_n^2组;
最后对每一组中的车辆进行横向距离的判断,若横向距离小于等于预设值D1,则进行车辆间纵向距离判断,否则判定该组中的两辆车位于不同车道行驶,没有碰撞风险;在纵向距离判断过程中,若纵向距离小于等于预设值D2,则判定两车之间纵向距离过近,后车需减速行驶且前车避免急刹,否则判定该组车辆位于同一车道保持安全纵向距离跟驰行驶,或位于相邻车道保持安全纵向距离行驶。
优选地,所述路段限制速度V为云端信息中的路段限速信息,根据不同路段限速信息的变化而变化。
优选地,所述横向距离预设值D1为预防车辆横向发生碰撞预先设置的警戒值,其计算公式如下:
其中,t表示驾驶员的反应时间,一般取0.3至1.0秒,Vi表示某车辆组中第i辆车横向移动的初始速度,ai表示第i辆车横向移动的加速度,C为调整参数,一般取1.0米至2.0米,可根据车辆宽度和道路宽度进行调整,当车辆i向两车之间的车道线靠近时,速度Vi为正值,ai也为正值;当车辆i向两车之间的车道线远离时,速度Vi为负值,ai也为负值。
优选地,所述纵向距离预设值D2为预防车辆纵向发生碰撞预先设置的警戒值,其计算公式如下:
D2=(V2-V1)t+(a2-a1)t2+C
其中,t表示驾驶员的反应时间,一般取0.3至1.0秒,V1表示某车辆组中前车纵向移动的初始速度,a1表示前车纵向移动的加速度,V2表示某车辆组中后车纵向移动的初始速度,a2表示前车纵向移动的加速度,C为调整参数,一般取10米至150米,可根据不同的道路情况进行调整,当车辆向前移动时,车辆的初始速度为正值,向后移动速度则为负值,当车辆加速行驶时加速度为正值,车辆减速行驶时加速度为负值。
本发明实施例还提供了一种基于纯路端感知的网联式辅助驾驶控制***,该***包括云端,路端以及车端:
所述云端用于存储云端信息和接收路端数据以及将云端数据发送至路端,所述云端信息包括路段限速信息、路段封闭信息、施工路段信息、路段拥堵信息、车辆限高信息和禁止车辆通行信息;
所述路端由路侧设备、计算模块和路端通讯模块组成;所述路侧设备用于采集路端数据,所述路端数据包括气象数据、交通信号数据、视频数据、车辆的点迹数据、车辆的点云数据;所述计算模块用于接收到云端数据和路端数据,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,将路端感知子信息与云端数据进行融合形成路端感知信息;所述路端通讯模块用于将路端感知信息发送至车端;
其中,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,具体包括:利用气象数据、视频数据以及路端数据进行道路环境判断;利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断;利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警;
所述车端包括车载通讯模块、路端感知信息分析模块和车辆辅助驾驶控制模块;所述车载通讯模块用于接收路端感知信息;所述路端感知信息分析模块用于对路端感知信息进行分析,确定下一步车辆的行驶状态;所述车辆辅助驾驶控制模块用于根据下一步车辆的行驶状态,进行车辆辅助驾驶控制。
从以上技术方案可以看出,本发明申请具有以下优点:
本发明实施例提供一种基于纯路端感知的网联式辅助驾驶控制方法及。首先,本发明采用纯路端感知的方法对道路环境、交通状况等信息进行感知,与基于车载传感器进行环境感知的方法相比,具有更广的感知范围,即更好的“视域”和“视距”,从而为车辆决策提供更多实时、有效的路端信息。除了通过路端智能网联设施进行感知,本发明还结合了云端,使得行驶车辆能够获得更全面的感知信息。
其次,本发明采用纯路端感知的方式,可在车辆不具备道路环境自主感知的条件下使车辆实现网联式辅助驾驶,这种方式可减少自动驾驶车辆上复杂的感知设备,例如激光雷达、毫米波雷达等,同时也不需要车载计算机运行复杂的程序,从而降低车载计算机的算力要求,这可以减少单个车辆的生产和运营成本,更有利于辅助驾驶车辆的推广。
最后,本发明采用网联式的辅助驾驶控制方法,使云端、路端和车端之间互联互通,云端和车端能够及时掌握道路信息和交通状况,路端能够统筹规划多个车辆的行驶状态,最终实现车辆更安全高效地行驶,道路资源充分利用,道路通行能力得到提高。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案,下边将对实施例中所需要使用的附图做简单说明,通过参考附图会更清楚的理解本发明的特征和优点,附图是示意性的而不应该理解为对本发明进行任何限制,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。其中:
图1为根据实施例中提供的一种基于纯路端感知的网联式辅助驾驶控制方法的流程图;
图2为本发明实施例中道路环境判断流程图;
图3为本发明实施例中车辆通行权限判断和识别跟踪流程图;
图4为本发明实施例中车辆超速预警和碰撞预警流程图;
图5为根据实施例中提供的一种基于纯路端感知的网联式辅助驾驶控制***的框图。
具体实施方式
为使本发明实施例的目的、技术方案与优点更加清楚,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,都属于本发明保护的范围。
实施例一
如图1所示,本发明实施例提出一种基于纯路端感知的网联式辅助驾驶控制方法,该方法包括:
S1:路侧设备采集路端数据,所述路端数据包括气象数据、交通信号数据、视频数据、车辆的点迹数据、车辆的点云数据;
S2:将路侧设备采集的路端数据实时上传至云端,来更新云端信息,将更新后的云端信息作为输入数据传送至路端,所述云端信息包括路段限速信息、路段封闭信息、施工路段信息、路段拥堵信息、车辆限高信息和禁止车辆通行信息;
S3:路端接收到云端数据后,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,具体包括:利用气象数据、视频数据以及路端数据进行道路环境判断;利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断;利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警;
S4:将路端感知子信息与云端数据进行融合形成路端感知信息;
S5:将路端感知信息发送至车端;
S6:车端接收到路端感知信息后,对路端感知信息进行分析,确定下一步车辆的行驶状态,进行车辆辅助驾驶控制。
本发明实施例提出一种基于纯路端感知的网联式辅助驾驶控制方法,利用路侧设备采集路端数据,将路侧设备采集的路端数据实时上传至云端,以及将路端计算得到的路端感知信息发送至车端,实现使云端、路端和车端之间互联互通,云端和车端能够及时掌握道路信息和交通状况,路端能够统筹规划多个车辆的行驶状态,最终实现车辆更安全高效地行驶,道路资源充分利用,道路通行能力得到提高。
进一步地,在步骤S1中,利用路侧设备采集路端数据,所述路端数据包括气象数据、交通信号数据、视频数据、车辆的点迹数据、车辆的点云数据。所述路侧设备包括气象设备、交通信号设备、摄像头、毫米波雷达、激光雷达;所述气象设备采集气象数据,所述气象数据包括温度、湿度、降水量、空气质量、风速,用于判断道路环境;所述交通信号设备用于采集交通信号数据,所述交通信号数据包括各交叉口每个相位的红绿灯信息,用于判断车辆在行驶方向的通行权限;所述摄像头用于采集视频数据,所述视频数据用于道路环境判断;所述毫米波雷达用于采集车辆的点迹数据,所述激光雷达用于采集车辆的点云数据,所述车辆的点迹数据和所述车辆的点云数据用于车辆碰撞预警。
进一步地,在步骤S2中,将路侧设备采集的路端数据实时上传至云端,来更新云端信息。依据实时上传的路端数据,可对云端信息进行修改,确保信息的时效性。将更新后的云端信息作为输入数据传送至路端,所述云端信息包括路段限速信息、路段封闭信息、施工路段信息、路段拥堵信息、车辆限高信息和禁止车辆通行信息。
进一步地,在步骤S3中,路端的计算模块在接收到路端数据和云端数据后,对云端数据和路端数据进行计算,得到路端感知子信息,具体包括:利用气象数据、视频数据以及路端数据进行道路环境判断;利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断;利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警。
如图2所示,利用气象数据、视频数据以及路端数据进行道路环境判断。首先输入已时序对齐的实时气象数据和已时序对齐的实时视频数据;然后依据气象数据,对现场的温度、湿度、降水量、空气质量和风速进行分析,同时结合视频数据对能见度进行评估,从而对道路环境进行判断;最后得出路端感知子信息;若前方道路环境十分恶劣,则车辆禁止通行,并规划其他路线;若道路环境较为恶劣,则车辆减速慢行;若道路环境不会对车辆造成影响,则车辆正常通行。
如图3所示,利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断。首先输入已时序对齐的实时交通信号数据和已时序对齐的实时视频数据;然后依据视频数据,采用机器学习算法对车辆进行识别和跟踪,并根据车辆的行驶轨迹,判断其行驶方向;最后依据实时交通信号数据,判断车辆行驶方向是否为绿灯,若信号为绿灯,则车辆具有通行权,正常通行,否则车辆禁止通行,直到信号转为绿灯。
其中用于车辆识别和跟踪的机器学习算法包括但不限于SSD算法(Single ShotMultiBox Detector)、CenterNet算法、RetinaNet算法、YOLO算法(You Only Look Once)和CNN算法(Convolutional Neural Networks)。
如图4所示,利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警。在获取已时序对齐的实时点迹数据、已时序对齐的实时点云数据和已时序对齐的实时视频数据后,首先依据已时序对齐的实时视频数据对道路标线进行识别,包括道路中线,车道线,道路边缘线,并通过已时序对齐的实时点云数据判断道路上各车辆的位置;然后通过已时序对齐的实时点迹数据判断各车辆的轨迹和速度,判断各车辆是否超速,若车辆速度大于所在路段限制速度V,则路端感知子信息为该车辆超速,需减速通行;若车辆速度小于等于路段限制速度V,则路端感知子信息为车辆未超速,正常通行;其次在识别各车辆的轨迹后,先将车辆进行分组配对,检测到的任一车辆需与其他所有车辆进行配对,即检测到n辆车,则会配对组;最后对每一组中的车辆进行横向距离的判断,若横向距离小于等于预设值D1,则进行车辆间纵向距离判断,否则判定该组中的两辆车位于不同车道行驶,没有碰撞风险;在纵向距离判断过程中,若纵向距离小于等于预设值D2,则判定两车之间纵向距离过近,后车需减速行驶且前车避免急刹,否则判定该组车辆位于同一车道保持安全纵向距离跟驰行驶,或位于相邻车道保持安全纵向距离行驶。
其中,所述路段限制速度V为云端信息中的路段限速信息,根据不同路段限速信息的变化而变化。所述横向距离预设值D1为预防车辆横向发生碰撞预先设置的警戒值,其计算公式如下:
其中,t表示驾驶员的反应时间,一般取0.3至1.0秒,Vi表示某车辆组中第i辆车横向移动的初始速度,ai表示第i辆车横向移动的加速度,C1为调整参数,一般取1.0米至2.0米,可根据车辆宽度和道路宽度进行调整,当车辆i向两车之间的车道线靠近时,速度Vi为正值,ai也为正值;当车辆i向两车之间的车道线远离时,速度Vi为负值,ai也为负值。
所述纵向距离预设值D2为预防车辆纵向发生碰撞预先设置的警戒值,其计算公式如下:
D2=(V2-V1)t+(a2-al)t2+C2
其中,t表示驾驶员的反应时间,一般取0.3至1.0秒,V1表示某车辆组中前车纵向移动的初始速度,a1表示前车纵向移动的加速度,V2表示某车辆组中后车纵向移动的初始速度,a2表示前车纵向移动的加速度,C2为调整参数,一般取10米至150米,可根据不同的道路情况进行调整,当车辆向前移动时,车辆的初始速度为正值,向后移动速度则为负值,当车辆加速行驶时加速度为正值,车辆减速行驶时加速度为负值。
进一步地,在步骤S4中,将路端感知子信息与云端数据进行融合形成路端感知信息。
进一步地,在步骤S5中,路端将路端感知信息发送至车端。
进一步地,在步骤S6中,车端接收到路端感知信息后,对路端感知信息进行分析,确定下一步车辆的行驶状态,进行车辆辅助驾驶控制。辅助驾驶控制包括加速、减速、换道等操作。
实施例二
如图5所示,本发明提供一种基于纯路端感知的网联式辅助驾驶控制***,该***包括云端,路端以及车端;
所述云端用于存储云端信息和接收路端数据以及将云端数据发送至路端,所述云端信息包括路段限速信息、路段封闭信息、施工路段信息、路段拥堵信息、车辆限高信息和禁止车辆通行信息;
所述路端由路侧设备、计算模块和路端通讯模块组成;所述路侧设备用于采集路端数据,所述路端数据包括气象数据、交通信号数据、视频数据、车辆的点迹数据、车辆的点云数据;所述计算模块用于接收到云端数据和路端数据,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,将路端感知子信息与云端数据进行融合形成路端感知信息;所述路端通讯模块用于将路端感知信息发送至车端;
其中,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,具体包括:利用气象数据、视频数据以及路端数据进行道路环境判断;利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断;利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警;
所述车端包括车载通讯模块、路端感知信息分析模块和车辆辅助驾驶控制模块;所述车载通讯模块用于接收路端感知信息;所述路端感知信息分析模块用于对路端感知信息进行分析,确定下一步车辆的行驶状态;所述车辆辅助驾驶控制模块用于根据下一步车辆的行驶状态,进行车辆辅助驾驶控制。
其中,通讯模块可以是专用短程通信(Dedicated Short Range Communications,DSRC)或C-V2X通信(Cellular-Vehicle to Everything),例如LTE-V2X通信(Long TermEvolution-Vehicle to Everything)、5G-V2X(Fifth Generation-Vehicle toEverything)。
所述***,用以实现上述所述的一种基于纯路端感知的网联式辅助驾驶控制方法,为了避免冗余,在此不再赘述。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,包括:
S1:路侧设备采集路端数据,所述路端数据包括气象数据、交通信号数据、视频数据、车辆的点迹数据、车辆的点云数据;
S2:将路侧设备采集的路端数据实时上传至云端,来更新云端信息,将更新后的云端信息作为输入数据传送至路端,所述云端信息包括路段限速信息、路段封闭信息、施工路段信息、路段拥堵信息、车辆限高信息和禁止车辆通行信息;
S3:路端接收到云端数据后,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,具体包括:利用气象数据、视频数据以及路端数据进行道路环境判断;利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断;利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警;
S4:将路端感知子信息与云端数据进行融合形成路端感知信息;
S5:将路端感知信息发送至车端;
S6:车端接收到路端感知信息后,对路端感知信息进行分析,确定下一步车辆的行驶状态,进行车辆辅助驾驶控制。
2.根据权利要求1所述的基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,所述路侧设备包括气象设备、交通信号设备、摄像头、毫米波雷达、激光雷达;
所述气象设备采集气象数据,所述气象数据包括温度、湿度、降水量、空气质量、风速,用于判断道路环境;
所述交通信号设备用于采集交通信号数据,所述交通信号数据包括各交叉口每个相位的红绿灯信息,用于判断车辆在行驶方向的通行权限;
所述摄像头用于采集视频数据,所述视频数据用于道路环境判断;
所述毫米波雷达用于采集车辆的点迹数据,所述激光雷达用于采集车辆的点云数据,所述车辆的点迹数据和所述车辆的点云数据用于车辆碰撞预警。
3.根据权利要求1所述的基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,所述对路侧设备采集的路端数据进行预处理的方法包括:剔除异常数据、数据时序对齐。
4.根据权利要求1所述的基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,所述利用气象数据、视频数据以及路端数据进行道路环境判断的方法为:
首先输入已时序对齐的实时气象数据和已时序对齐的实时视频数据;然后依据气象数据,对现场的温度、湿度、降水量、空气质量和风速进行分析,同时结合视频数据对能见度进行评估,从而对道路环境进行判断;最后得出路端感知子信息;若前方道路环境十分恶劣,则车辆禁止通行,并规划其他路线;若道路环境较为恶劣,则车辆减速慢行;若道路环境不会对车辆造成影响,则车辆正常通行。
5.根据权利要求1所述的基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,所述利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断的方法为:
首先输入已时序对齐的实时交通信号数据和已时序对齐的实时视频数据;然后依据视频数据,采用机器学习算法对车辆进行识别和跟踪,并根据车辆的行驶轨迹,判断其行驶方向;最后依据实时交通信号数据,判断车辆行驶方向是否为绿灯,若信号为绿灯,则车辆具有通行权,正常通行,否则车辆禁止通行,直到信号转为绿灯。
6.根据权利要求1所述的基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,所述利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警的方法为:
在获取已时序对齐的实时点迹数据、已时序对齐的实时点云数据和已时序对齐的实时视频数据后,首先依据已时序对齐的实时视频数据对道路标线进行识别,包括道路中线,车道线,道路边缘线,并通过已时序对齐的实时点云数据判断道路上各车辆的位置;
然后通过已时序对齐的实时点迹数据判断各车辆的轨迹和速度,判断各车辆是否超速,若车辆速度大于所在路段限制速度V,则路端感知子信息为该车辆超速,需减速通行;若车辆速度小于等于路段限制速度V,则路端感知子信息为车辆未超速,正常通行;
其次在识别各车辆的轨迹后,先将车辆进行分组配对,检测到的任一车辆需与其他所有车辆进行配对,即检测到n辆车,则会配对组;
最后对每一组中的车辆进行横向距离的判断,若横向距离小于等于预设值D1,则进行车辆间纵向距离判断,否则判定该组中的两辆车位于不同车道行驶,没有碰撞风险;在纵向距离判断过程中,若纵向距离小于等于预设值D2,则判定两车之间纵向距离过近,后车需减速行驶且前车避免急刹,否则判定该组车辆位于同一车道保持安全纵向距离跟驰行驶,或位于相邻车道保持安全纵向距离行驶。
7.根据权利要求6所述的基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,所述路段限制速度V为云端信息中的路段限速信息,根据不同路段限速信息的变化而变化。
8.根据权利要求6所述的基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,所述横向距离预设值D1为预防车辆横向发生碰撞预先设置的警戒值,其计算公式如下:
其中,t表示驾驶员的反应时间,一般取0.3至1.0秒,Vi表示某车辆组中第i辆车横向移动的初始速度,ai表示第i辆车横向移动的加速度,C1为调整参数,一般取1.0米至2.0米,可根据车辆宽度和道路宽度进行调整,当车辆i向两车之间的车道线靠近时,速度Vi为正值,ai也为正值;当车辆i向两车之间的车道线远离时,速度V为负值,ai也为负值。
9.根据权利要求6所述的基于纯路端感知的网联式辅助驾驶控制方法,其特征在于,所述纵向距离预设值D2为预防车辆纵向发生碰撞预先设置的警戒值,其计算公式如下:
D2=(V2-V1)t+(a2-a1)t2+C2
其中,t表示驾驶员的反应时间,一般取0.3至1.0秒,V1表示某车辆组中前车纵向移动的初始速度,a1表示前车纵向移动的加速度,V2表示某车辆组中后车纵向移动的初始速度,a2表示前车纵向移动的加速度,C2为调整参数,一般取10米至150米,可根据不同的道路情况进行调整,当车辆向前移动时,车辆的初始速度为正值,向后移动速度则为负值,当车辆加速行驶时加速度为正值,车辆减速行驶时加速度为负值。
10.一种基于纯路端感知的网联式辅助驾驶控制***,其特征在于,包括云端,路端以及车端;
所述云端用于存储云端信息和接收路端数据以及将云端数据发送至路端,所述云端信息包括路段限速信息、路段封闭信息、施工路段信息、路段拥堵信息、车辆限高信息和禁止车辆通行信息;
所述路端由路侧设备、计算模块和路端通讯模块组成;所述路侧设备用于采集路端数据,所述路端数据包括气象数据、交通信号数据、视频数据、车辆的点迹数据、车辆的点云数据;所述计算模块用于接收到云端数据和路端数据,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,将路端感知子信息与云端数据进行融合形成路端感知信息;所述路端通讯模块用于将路端感知信息发送至车端;
其中,在对路端数据进行预处理后,对云端数据和路端数据进行计算,得到路端感知子信息,具体包括:利用气象数据、视频数据以及路端数据进行道路环境判断;利用交通信号数据、视频数据以及路端数据进行车辆识别跟踪和通行权限判断;利用车辆的点迹数据、车辆的点云数据、视频数据以及路端数据进行车辆超速预警和碰撞预警;
所述车端包括车载通讯模块、路端感知信息分析模块和车辆辅助驾驶控制模块;所述车载通讯模块用于接收路端感知信息;所述路端感知信息分析模块用于对路端感知信息进行分析,确定下一步车辆的行驶状态;所述车辆辅助驾驶控制模块用于根据下一步车辆的行驶状态,进行车辆辅助驾驶控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310508658.2A CN116564084A (zh) | 2023-05-08 | 2023-05-08 | 一种基于纯路端感知的网联式辅助驾驶控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310508658.2A CN116564084A (zh) | 2023-05-08 | 2023-05-08 | 一种基于纯路端感知的网联式辅助驾驶控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116564084A true CN116564084A (zh) | 2023-08-08 |
Family
ID=87501233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310508658.2A Pending CN116564084A (zh) | 2023-05-08 | 2023-05-08 | 一种基于纯路端感知的网联式辅助驾驶控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116564084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994985A (zh) * | 2024-04-03 | 2024-05-07 | 华东交通大学 | 一种基于混驾环境的智能汽车行驶规划*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068565A1 (en) * | 2016-09-06 | 2018-03-08 | Delphi Technologies, Inc. | Automated vehicle cross-traffic detection system |
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知*** |
CN108399773A (zh) * | 2018-04-20 | 2018-08-14 | 李孝龙 | 智能交通及智能汽车 |
CN109360426A (zh) * | 2018-11-23 | 2019-02-19 | 湖南车路协同智能科技有限公司 | 一种超速安全预警方法、装置、***和可读存储介质 |
CN110349422A (zh) * | 2019-08-19 | 2019-10-18 | 深圳成谷科技有限公司 | 一种道路天气预警的方法、装置及设备 |
CN209641068U (zh) * | 2018-12-06 | 2019-11-15 | 上海淞泓智能汽车科技有限公司 | 一种多信息采集发布一体化智能路侧*** |
CN114740839A (zh) * | 2021-06-23 | 2022-07-12 | 阿波罗智联(北京)科技有限公司 | 用于车路协同自动驾驶的路侧***和方法 |
US20220234579A1 (en) * | 2021-08-27 | 2022-07-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for adjusting vehicle-mounted surround-view model, electronic device and storage medium |
CN115547099A (zh) * | 2021-06-30 | 2022-12-30 | 中兴通讯股份有限公司 | 预警方法、电子设备和计算机可读存储介质 |
WO2023019761A1 (zh) * | 2021-08-20 | 2023-02-23 | 西安电子科技大学 | 一种面向混合交通流的路网运行状态检测***及方法 |
-
2023
- 2023-05-08 CN CN202310508658.2A patent/CN116564084A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068565A1 (en) * | 2016-09-06 | 2018-03-08 | Delphi Technologies, Inc. | Automated vehicle cross-traffic detection system |
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知*** |
CN108399773A (zh) * | 2018-04-20 | 2018-08-14 | 李孝龙 | 智能交通及智能汽车 |
CN109360426A (zh) * | 2018-11-23 | 2019-02-19 | 湖南车路协同智能科技有限公司 | 一种超速安全预警方法、装置、***和可读存储介质 |
CN209641068U (zh) * | 2018-12-06 | 2019-11-15 | 上海淞泓智能汽车科技有限公司 | 一种多信息采集发布一体化智能路侧*** |
CN110349422A (zh) * | 2019-08-19 | 2019-10-18 | 深圳成谷科技有限公司 | 一种道路天气预警的方法、装置及设备 |
CN114740839A (zh) * | 2021-06-23 | 2022-07-12 | 阿波罗智联(北京)科技有限公司 | 用于车路协同自动驾驶的路侧***和方法 |
CN115547099A (zh) * | 2021-06-30 | 2022-12-30 | 中兴通讯股份有限公司 | 预警方法、电子设备和计算机可读存储介质 |
WO2023019761A1 (zh) * | 2021-08-20 | 2023-02-23 | 西安电子科技大学 | 一种面向混合交通流的路网运行状态检测***及方法 |
US20220234579A1 (en) * | 2021-08-27 | 2022-07-28 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for adjusting vehicle-mounted surround-view model, electronic device and storage medium |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117994985A (zh) * | 2024-04-03 | 2024-05-07 | 华东交通大学 | 一种基于混驾环境的智能汽车行驶规划*** |
CN117994985B (zh) * | 2024-04-03 | 2024-06-07 | 华东交通大学 | 一种基于混驾环境的智能汽车行驶规划*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112416004B (zh) | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 | |
US10921814B2 (en) | Vehicle control system and method, and travel assist server | |
CN110155046B (zh) | 自动紧急制动分级控制方法与*** | |
CN110077395B (zh) | 自动驾驶*** | |
EP3696789A1 (en) | Driving control method and driving control apparatus | |
CN110809790A (zh) | 车辆用信息存储方法、车辆的行驶控制方法、以及车辆用信息存储装置 | |
CN105160356B (zh) | 一种车辆主动安全***传感器数据融合方法及*** | |
CN112540592A (zh) | 用于确保安全的具有双自主驾驶***的自主驾驶车辆 | |
CN112805648A (zh) | 用于自主驾驶车辆的故障安全处理*** | |
CN111033589A (zh) | 车道信息管理方法、行驶控制方法及车道信息管理装置 | |
US10755565B2 (en) | Prioritized vehicle messaging | |
CN111645682B (zh) | 一种巡航控制方法、***及车辆 | |
CN112277944B (zh) | 一种道路巡航方法、装置及介质 | |
CN109501798B (zh) | 行驶控制装置、以及行驶控制方法 | |
CN113428180A (zh) | 一种无人驾驶车辆单道行驶车速控制方法、***及终端 | |
CN116564084A (zh) | 一种基于纯路端感知的网联式辅助驾驶控制方法及*** | |
CN115951678A (zh) | 一种用于电子导向胶轮车的自动驾驶*** | |
CN115909783A (zh) | 一种基于交通流的车道级驾驶辅助方法及*** | |
CN114559933A (zh) | 基于车路协同的无人驾驶车辆紧急避险感知与决策*** | |
CN111103882A (zh) | 一种无人驾驶电动汽车的自主跟车控制方法 | |
CN113119945B (zh) | 一种基于环境模型的汽车高级辅助驾驶*** | |
JP6796679B2 (ja) | 車両制御システム及び方法、並びに走行支援サーバ | |
CN116901963A (zh) | 自动驾驶车辆的制动控制方法、装置、车辆和介质 | |
CN116443046A (zh) | 具有用于并道轨迹中的自动车辆的领先者确定模块的辅助*** | |
US20220105927A1 (en) | Vehicle traveling control apparatus |
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 |