CN117555333A - 一种动态行进轨迹的处理***及方法 - Google Patents
一种动态行进轨迹的处理***及方法 Download PDFInfo
- Publication number
- CN117555333A CN117555333A CN202311555834.4A CN202311555834A CN117555333A CN 117555333 A CN117555333 A CN 117555333A CN 202311555834 A CN202311555834 A CN 202311555834A CN 117555333 A CN117555333 A CN 117555333A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- behavior
- module
- target vehicle
- tracking
- 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 44
- 238000012545 processing Methods 0.000 title claims abstract description 36
- 230000006399 behavior Effects 0.000 claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000012502 risk assessment Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种动态行进轨迹的处理***及方法,属于图像处理技术领域,为解决现有的动态行进轨迹图像处理技术的预判能力不足,仍需完善的问题;本发明通过目标检测与跟踪单元利用雷达数据进行目标检测和跟踪,行为意图识别单元分析目标车辆的运动特征和上下文信息,对其行为进行分类和预测,遮挡物检测与识别单元通过传感器数据分析和处理,检测并识别道路上的遮挡物,路径规划与决策单元根据目标车辆的行为意图和遮挡物的位置,重新规划行经的路径,相比较现有的动态行进轨迹处理***,可以实时监测目标车辆和遮挡物的状态,及时发现潜在的安全隐患,并通过路径规划与决策,避免与目标车辆发生碰撞或其他危险情况,提高行驶的效率和流畅性。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种动态行进轨迹的处理***及方法。
背景技术
随着图像处理技术的发展,传感器的使用越来越多,特别在机器人及自动驾驶领域,通过传感器和处理算法,规划出最优的路线并实时避障,虽然自动驾驶技术能够通过实时感知周围环境,并根据道路状态、车辆及行人运动状态作出判断和提供决策,但在复杂的交通环境和各种不可预测的情况下,仍然需要人类驾驶员的干预或者限制,现有的动态行进轨迹图像处理技术的预判能力不足,仍需完善。
为解决上述问题。为此,提出一种动态行进轨迹的处理***及方法。
发明内容
本发明的目的在于提供一种动态行进轨迹的处理***及方法,解决了背景技术中现有的动态行进轨迹图像处理技术的预判能力不足,仍需完善的问题。
为实现上述目的,本发明提供如下技术方案:一种动态行进轨迹的处理***,包括:
目标检测与跟踪单元:基于雷达的目标检测与追踪算法,通过使用传感器数据来检测和跟踪车辆的位置、速度和加速度等信息;
行为意图识别单元:用于分析车辆的行为意图,包括减速、刹车、变道等,结合车辆的运动特征和上下文信息,对车辆的行为进行分类和预测;
遮挡物检测与识别单元:用于检测并识别道路上的遮挡物,包括静态障碍物和移动物体,通过对传感器数据的处理和分析,识别出遮挡物的位置、尺寸和类型等关键信息;
路径规划与决策单元:根据车辆的行为意图和遮挡物的位置,重新规划行经的路径。
进一步地,所述目标检测与追踪单元包括:
目标检测与识别模块:用于在传感器数据中检测出可能是车辆的物体区域,并对目标进行识别和分类,以确定其是否为车辆;
目标追踪模块:用于在连续的图像帧中追踪遮挡物,并估计其位置、尺寸和运动状态等信息;
运动估计模块:用于在获得连续跟踪的结果后,估计车辆的运动状态,包括速度和加速度等;
水平距离测算模块:用于测算目标车辆与其他目标,如遮挡物、道路边缘等之间的水平距离,以便进行路径规划和决策。
进一步地,所述行为意图识别单元包括:
数据预处理模块:用于对传感器数据进行预处理,包括数据的滤波、降噪、标定等,用于行为意图识别的特征提取和训练;
特征提取模块:用于预处理后的数据中提取有用的特征,以描述车辆的运动特征和上下文信息;
行为分类与预测模型:用于使用深度学习技术构建分类和预测模型,对提取的特征进行训练和学习;
上下文建模:考虑到行为意图的预测可能受到车辆周围环境的影响,上下文建模可以将目标车辆的行为与其他车辆、交通信号灯、道路标志等上下文信息进行关联建模。
进一步地,在行为分类与预测模型中,采用支持向量机算法,其步骤为:
S01:数据准备:首先从传感器数据中提取与行为意图相关的特征,如车辆的速度、加速度、方向角等,然后将特征与相应的行为标签进行配对,形成训练数据集。
S02:特征转换与映射:对于非线性可分的数据,可以通过核函数将特征映射到高维空间。
S03:支持向量机训练:使用训练数据集,通过最大化间隔确定最优的超平面,以实现数据的分类,选择使得分类边界距离最远的样本点作为支持向量,通过优化问题求解得到超平面参数。
S04:行为分类与预测:根据训练得到的SVM模型,对新的测试样本进行分类和预测,通过将测试样本映射到训练数据所在的高维特征空间,根据超平面的位置来判断样本的行为类别。
进一步地,遮挡物检测与识别单元包括:
物体检测模块:用于在传感器数据中检测出可能是遮挡物的物体区域;
物体分类模块:用于当检测到遮挡物区域,对遮挡物进行分类,以确定其类型;
物体跟踪模块:用于在连续的图像帧中追踪遮挡物,并估计其位置、尺寸和运动状态等信息;
遮挡物属性分析模块:用于检测到的遮挡物进行进一步的属性分析,如通过运动估计和轨迹分析技术来分析遮挡物的形状、速度、加速度等。
进一步地,在目标检测与识别模块以及物体检测模块中,通过使用YOLO算法对目标车辆或遮挡物的识别,其识别步骤为:
S01:网络输入处理:将输入图像划分为固定大小的网格,每个网格负责检测其中的一个物体,同时预测出多个边界框和类别置信度;
S02:特征提取:使用预训练的卷积神经网络作为特征提取器,通过卷积和池化层,从原始图像中提取出丰富的特征表示;
S03:特征融合:将不同层次的特征图进行融合,使得算法能够在不同尺度上进行物体检测,通过跨层连接,将较低层的特征图与较高层的特征图进行连接。
S04:预测边界框:对于每个网格,根据网络预测的边界框参数,参数包括坐标、宽度和高度,计算出相对于整个图像的边界框位置;
S05:类别预测:对于每个网格,根据网络预测的类别概率,确定物体的类别;
S06:非极大值抑制:由于同一个物体可能会被多个网格检测到,为了避免重复检测,使用非极大值抑制NMS算法对边界框进行筛选,通过设置阈值,保留置信度最高的边界框。
进一步地,所述路径规划与决策单元包括:
行为意图分类算法:利用深度学习方法,分析目标车辆的运动特征和上下文信息,对目标车辆的行为意图进行分类和预测,如减速、刹车、变道等;
碰撞风险评估算法:基于目标车辆与遮挡物之间的距离、相对速度等信息,评估目标车辆与遮挡物之间的碰撞风险;
路径生成模块:根据目标车辆的行为意图和遮挡物的位置,重新规划路径;
决策与控制模块:据路径规划结果和当前车辆状态,制定控制策略,例如调整加速度、转向角度等。
进一步地,在碰撞风险评估算法中,利用最小二乘法评估目标车辆与遮挡物之间的碰撞风险,其步骤为:
S01:距离与时间建模:根据目标车辆和遮挡物之间的相关数据,将目标车辆和遮挡物之间的距离随时间的变化进行建模;
S02:碰撞风险评估:通过最小二乘法,拟合距离随时间变化的模型,并计算预测值和实际观测值之间的残差,较大的残差表明存在较高的碰撞风险;
S03:优化问题求解:将碰撞风险评估转化为一个优化问题,通过最小化残差平方和来寻找最佳的模型参数。
本发明提出的另一种技术方案:提供一种动态行进轨迹的处理方法,包括以下步骤:
S1:获取传感器数据:从雷达、摄像头等传感器中获取车辆周围环境的数据,包括目标车辆和其他遮挡物的位置、速度、加速度等信息;
S2:目标检测与跟踪:使用基于雷达或摄像头数据的目标检测与追踪算法,对目标车辆和其他遮挡物进行检测和跟踪,获取它们在不同时间步的位置和运动状态;
S3:碰撞风险评估:根据目标车辆和其他遮挡物之间的相对位置、速度等信息,评估目标车辆与遮挡物之间的碰撞风险,计算碰撞概率或风险指数;
S4:路径规划:基于碰撞风险评估结果和当前车辆状态,进行路径规划,通过选择安全的路径,避开与目标车辆可能发生碰撞的区域;
S5:决策与控制:根据路径规划的结果和当前车辆状态,制定相应的决策策略,如调整加速度、转向角度等,以实现避开目标车辆的行驶。
与现有技术相比,本发明的有益效果是:
本发明提供的一种动态行进轨迹的处理***及方法,通过目标检测与跟踪单元利用雷达数据进行目标检测和跟踪,获取目标车辆的位置、速度和加速度等信息,行为意图识别单元分析目标车辆的运动特征和上下文信息,对其行为进行分类和预测,遮挡物检测与识别单元通过传感器数据分析和处理,检测并识别道路上的遮挡物,路径规划与决策单元根据目标车辆的行为意图和遮挡物的位置,重新规划行经的路径,以确保安全通行,相比较现有的动态行进轨迹处理***,可以实时监测目标车辆和遮挡物的状态,及时发现潜在的安全隐患,并通过路径规划与决策,避免与目标车辆发生碰撞或其他危险情况,提高行驶的效率和流畅性。
附图说明
图1为本发明的拓普图;
图2为本发明的处理***模块图;
图3为本发明的目标检测与追踪单元和行为意图识别单元模块图;
图4为本发明的遮挡物检测与识别单元和路径规划与决策单元模块图;
图5为本发明的逻辑结构图;
图6为本发明的方法流程图。
具体实施方式
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。
为了解决现有的动态行进轨迹图像处理技术的预判能力不足,仍需完善的技术问题,如图1-图6所示,提供以下优选技术方案:
一种动态行进轨迹的处理***,包括:
目标检测与跟踪单元:基于雷达的目标检测与追踪算法,通过使用传感器数据来检测和跟踪车辆的位置、速度和加速度等信息;
行为意图识别单元:用于分析车辆的行为意图,包括减速、刹车、变道等,结合车辆的运动特征和上下文信息,对车辆的行为进行分类和预测;
遮挡物检测与识别单元:用于检测并识别道路上的遮挡物,包括静态障碍物和移动物体,通过对传感器数据的处理和分析,识别出遮挡物的位置、尺寸和类型等关键信息;
路径规划与决策单元:根据车辆的行为意图和遮挡物的位置,重新规划行经的路径。
所述目标检测与追踪单元包括:
目标检测与识别模块:用于在传感器数据中检测出可能是车辆的物体区域,并对目标进行识别和分类,以确定其是否为车辆;
目标追踪模块:用于在连续的图像帧中追踪遮挡物,并估计其位置、尺寸和运动状态等信息;
运动估计模块:用于在获得连续跟踪的结果后,估计车辆的运动状态,包括速度和加速度等;
水平距离测算模块:用于测算目标车辆与其他目标,如遮挡物、道路边缘等之间的水平距离,以便进行路径规划和决策。
所述行为意图识别单元包括:
数据预处理模块:用于对传感器数据进行预处理,包括数据的滤波、降噪、标定等,用于行为意图识别的特征提取和训练;
特征提取模块:用于预处理后的数据中提取有用的特征,以描述车辆的运动特征和上下文信息;
行为分类与预测模型:用于使用深度学习技术构建分类和预测模型,对提取的特征进行训练和学习;
上下文建模:考虑到行为意图的预测可能受到车辆周围环境的影响,上下文建模可以将目标车辆的行为与其他车辆、交通信号灯、道路标志等上下文信息进行关联建模。
在行为分类与预测模型中,采用支持向量机算法,其步骤为:
步骤一:数据准备:首先从传感器数据中提取与行为意图相关的特征,如车辆的速度、加速度、方向角等,然后将特征与相应的行为标签进行配对,形成训练数据集。
步骤二:特征转换与映射:对于非线性可分的数据,可以通过核函数将特征映射到高维空间。
步骤三:支持向量机训练:使用训练数据集,通过最大化间隔确定最优的超平面,以实现数据的分类,选择使得分类边界距离最远的样本点作为支持向量,通过优化问题求解得到超平面参数。
步骤四:行为分类与预测:根据训练得到的SVM模型,对新的测试样本进行分类和预测,通过将测试样本映射到训练数据所在的高维特征空间,根据超平面的位置来判断样本的行为类别。
例如有N个训练样本(x_i,y_i),其中x_i为输入的特征向量,y_i为对应的行为类别标签,目标是找到一个超平面wx+b=0,使得正负样本之间的间隔最大化;
超平面的方程表示为:w·x+b=0;
优化问题可以表示为:minimize:||w||^2/2subject to:y_i(w·x_i+b)≥1,forall i;
其中,||w||表示权重向量w的范数,b表示偏置项,y_i∈{-1,+1}为样本的标签,表示两个不同的行为类别,支持向量机通过求解上述优化问题,确定了最佳的超平面,用于进行行为分类和预测。
遮挡物检测与识别单元包括:
物体检测模块:用于在传感器数据中检测出可能是遮挡物的物体区域;
物体分类模块:用于当检测到遮挡物区域,对遮挡物进行分类,以确定其类型;
物体跟踪模块:用于在连续的图像帧中追踪遮挡物,并估计其位置、尺寸和运动状态等信息;
遮挡物属性分析模块:用于检测到的遮挡物进行进一步的属性分析,如通过运动估计和轨迹分析技术来分析遮挡物的形状、速度、加速度等。
在目标检测与识别模块以及物体检测模块中,通过使用YOLO算法对目标车辆或遮挡物的识别,假设我们使用YOLO算法来检测一张图像中的汽车、行人和自行车三个类别的物体其识别步骤为:
步骤一:网络输入处理:将输入图像划分为固定大小的网格,比如将图像划分成7x7的网格,每个网格负责检测其中的一个物体,同时预测出多个边界框和类别置信度;
步骤二:特征提取:使用预训练的卷积神经网络作为特征提取器,通过卷积和池化层,从原始图像中提取出丰富的特征表示;
步骤三:特征融合:将不同层次的特征图进行融合,使得算法能够在不同尺度上进行物体检测,通过跨层连接,将较低层的特征图与较高层的特征图进行连接。
步骤四:预测边界框:对于每个网格,根据网络预测的边界框参数,包括坐标、宽度和高度,计算出相对于整个图像的边界框位置,假设某个网格预测了两个边界框,分别为边界框A和边界框B,边界框A的中心坐标相对于整个图像的位置为(100,200),宽度为50,高度为30;边界框B的中心坐标相对于整个图像的位置为(300,150),宽度为40,高度为20;
步骤五:类别预测:对于每个网格,根据网络预测的类别概率,确定物体的类别,假设某个网格预测的类别概率为:汽车:0.9,行人:0.7,自行车:0.6;
步骤六:非极大值抑制:由于同一个物体可能会被多个网格检测到,为了避免重复检测,使用非极大值抑制NMS算法对边界框进行筛选,通过设置阈值,比如设定交并比大于0.5的边界框为重复,保留置信度最高的边界框,经过NMS之后,保留了边界框A,YOLO算法在输入图像中检测到了一辆汽车,边界框的位置相对于整个图像为(100,200),宽度为50,高度为30,同时给出了该边界框对应的类别为汽车,置信度为0.9,通过YOLO算法实现对图像中多个类别物体的检测,并得到位置和类别信息,经过处理连续的图像帧,实现实时的目标检测和跟踪。
行为意图分类算法:利用深度学习方法,分析目标车辆的运动特征和上下文信息,对目标车辆的行为意图进行分类和预测,如减速、刹车、变道等;
碰撞风险评估算法:基于目标车辆与遮挡物之间的距离、相对速度等信息,评估目标车辆与遮挡物之间的碰撞风险;
路径生成模块:根据目标车辆的行为意图和遮挡物的位置,重新规划路径;
决策与控制模块:据路径规划结果和当前车辆状态,制定控制策略,例如调整加速度、转向角度等。
在碰撞风险评估算法中,利用最小二乘法评估目标车辆与遮挡物之间的碰撞风险,其步骤为:
步骤一:距离与时间建模:根据目标车辆和遮挡物之间的相关数据,将目标车辆和遮挡物之间的距离随时间的变化进行建模;
步骤二:碰撞风险评估:通过最小二乘法,拟合距离随时间变化的模型,并计算预测值和实际观测值之间的残差,较大的残差表明存在较高的碰撞风险;
步骤三:优化问题求解:将碰撞风险评估转化为一个优化问题,通过最小化残差平方和来寻找最佳的模型参数。
例如有N个样本数据,第i个样本的实际观测值为y_i,模型对该样本的预测值为f(x_i),最小二乘法的损失函数表示为:
L(w,b)=Σ(y_i-f(x_i))^2
其中,Σ表示对所有样本进行求和,y_i表示实际观测值,f(x_i)表示模型对样本x_i的预测值,w和b表示模型的参数,通过调整模型参数w和b来最小化损失函数,使得预测值与实际观测值之间的差距尽量小,通过最小二乘法的优化过程,可以找到最佳的模型参数,从而对目标车辆与遮挡物之间的碰撞风险进行评估,帮助制定安全的行驶策略,如减速、刹车或避让遮挡物。
为了进一步更好的解释说明上述实施例,本发明还提供了一种实施方案,一种动态行进轨迹的处理方法,包括以下步骤:
步骤一:获取传感器数据:从雷达、摄像头等传感器中获取车辆周围环境的数据,包括目标车辆和其他遮挡物的位置、速度、加速度等信息;
步骤二:目标检测与跟踪:使用基于雷达或摄像头数据的目标检测与追踪算法,对目标车辆和其他遮挡物进行检测和跟踪,获取它们在不同时间步的位置和运动状态;
步骤三:碰撞风险评估:根据目标车辆和其他遮挡物之间的相对位置、速度等信息,评估目标车辆与遮挡物之间的碰撞风险,计算碰撞概率或风险指数;
步骤四:路径规划:基于碰撞风险评估结果和当前车辆状态,进行路径规划,通过选择安全的路径,避开与目标车辆可能发生碰撞的区域;
步骤五:决策与控制:根据路径规划的结果和当前车辆状态,制定相应的决策策略,如调整加速度、转向角度等,以实现避开目标车辆的行驶。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
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 (8)
1.一种动态行进轨迹的处理***,其特征在于,包括:
目标检测与跟踪单元:基于雷达的目标检测与追踪算法,通过使用传感器数据来检测和跟踪车辆的位置、速度和加速度;
行为意图识别单元:用于分析车辆的行为意图,包括减速、刹车、变道,结合车辆的运动特征和上下文信息,对车辆的行为进行分类和预测;
遮挡物检测与识别单元:用于检测并识别道路上的遮挡物,包括静态障碍物和移动物体,通过对传感器数据的处理和分析,识别出遮挡物的位置、尺寸和类型关键信息;
路径规划与决策单元:根据车辆的行为意图和遮挡物的位置,重新规划行经的路径。
2.如权利要求1所述的一种动态行进轨迹的处理***,其特征在于:所述目标检测与追踪单元包括:
目标检测与识别模块:用于在传感器数据中检测出可能是车辆的物体区域,并对目标进行识别和分类,以确定其是否为车辆;
目标追踪模块:用于在连续的图像帧中追踪遮挡物,并估计其位置、尺寸和运动状态信息;
运动估计模块:用于在获得连续跟踪的结果后,估计车辆的运动状态,包括速度和加速度;
水平距离测算模块:用于测算目标车辆与其他目标,包括遮挡物、道路边缘之间的水平距离,以便进行路径规划和决策。
3.如权利要求2所述的一种动态行进轨迹的处理***,其特征在于:所述行为意图识别单元包括:
数据预处理模块:用于对传感器数据进行预处理,包括数据的滤波、降噪和标定,用于行为意图识别的特征提取和训练;
特征提取模块:用于预处理后的数据中提取有用的特征,以描述车辆的运动特征和上下文信息;
行为分类与预测模型:用于使用深度学习技术构建分类和预测模型,对提取的特征进行训练和学习;
上下文建模:考虑到行为意图的预测可能受到车辆周围环境的影响,上下文建模将目标车辆的行为与其他车辆、交通信号灯、道路标志上下文信息进行关联建模。
4.如权利要求3所述的一种动态行进轨迹的处理***,其特征在于:在行为分类与预测模型中,采用支持向量机算法,其步骤为:
S01:数据准备:首先从传感器数据中提取与行为意图相关的特征,包括车辆的速度、加速度、方向角,然后将特征与相应的行为标签进行配对,形成训练数据集。
S02:特征转换与映射:对于非线性可分的数据,通过核函数将特征映射到高维空间。
S03:支持向量机训练:使用训练数据集,通过最大化间隔确定最优的超平面,以实现数据的分类,选择使得分类边界距离最远的样本点作为支持向量,通过优化问题求解得到超平面参数。
S04:行为分类与预测:根据训练得到的SVM模型,对新的测试样本进行分类和预测,通过将测试样本映射到训练数据所在的高维特征空间,根据超平面的位置来判断样本的行为类别。
5.如权利要求4所述的一种动态行进轨迹的处理***,其特征在于:遮挡物检测与识别单元包括:
物体检测模块:用于在传感器数据中检测出可能是遮挡物的物体区域;
物体分类模块:用于当检测到遮挡物区域,对遮挡物进行分类,以确定其类型;
物体跟踪模块:用于在连续的图像帧中追踪遮挡物,并估计其位置、尺寸和运动状态信息;
遮挡物属性分析模块:用于检测到的遮挡物进行进一步的属性分析,通过运动估计和轨迹分析技术来分析遮挡物的形状、速度和加速度。
6.如权利要求5所述的一种动态行进轨迹的处理***,其特征在于:在目标检测与识别模块以及物体检测模块中,通过使用YOLO算法对目标车辆或遮挡物的识别,其识别步骤为:
S01:网络输入处理:将输入图像划分为固定大小的网格,每个网格负责检测其中的一个物体,同时预测出多个边界框和类别置信度;
S02:特征提取:使用预训练的卷积神经网络作为特征提取器,通过卷积和池化层,从原始图像中提取出丰富的特征表示;
S03:特征融合:将不同层次的特征图进行融合,使得算法能够在不同尺度上进行物体检测,通过跨层连接,将较低层的特征图与较高层的特征图进行连接。
S04:预测边界框:对于每个网格,根据网络预测的边界框参数,参数包括坐标、宽度和高度,计算出相对于整个图像的边界框位置;
S05:类别预测:对于每个网格,根据网络预测的类别概率,确定物体的类别;
S06:非极大值抑制:由于同一个物体可能会被多个网格检测到,为了避免重复检测,使用非极大值抑制NMS算法对边界框进行筛选,通过设置阈值,保留置信度最高的边界框。
7.如权利要求6所述的一种动态行进轨迹的处理***,其特征在于:所述路径规划与决策单元包括:
行为意图分类算法:利用深度学习方法,分析目标车辆的运动特征和上下文信息,对目标车辆的行为意图进行分类和预测,包括减速、刹车和变道;
碰撞风险评估算法:基于目标车辆与遮挡物之间的距离和相对速度信息,评估目标车辆与遮挡物之间的碰撞风险;
路径生成模块:根据目标车辆的行为意图和遮挡物的位置,重新规划路径;
决策与控制模块:根据路径规划结果和当前车辆状态,制定控制策略,包括调整加速度和转向角度。
8.如权利要求7所述的一种动态行进轨迹的处理***,其特征在于:在碰撞风险评估算法中,利用最小二乘法评估目标车辆与遮挡物之间的碰撞风险,其步骤为:
S01:距离与时间建模:根据目标车辆和遮挡物之间的相关数据,将目标车辆和遮挡物之间的距离随时间的变化进行建模;
S02:碰撞风险评估:通过最小二乘法,拟合距离随时间变化的模型,并计算预测值和实际观测值之间的残差,较大的残差表明存在较高的碰撞风险;
S03:优化问题求解:将碰撞风险评估转化为一个优化问题,通过最小化残差平方和来寻找最佳的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311555834.4A CN117555333A (zh) | 2023-11-21 | 2023-11-21 | 一种动态行进轨迹的处理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311555834.4A CN117555333A (zh) | 2023-11-21 | 2023-11-21 | 一种动态行进轨迹的处理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117555333A true CN117555333A (zh) | 2024-02-13 |
Family
ID=89816366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311555834.4A Pending CN117555333A (zh) | 2023-11-21 | 2023-11-21 | 一种动态行进轨迹的处理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117555333A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006168628A (ja) * | 2004-12-17 | 2006-06-29 | Daihatsu Motor Co Ltd | 衝突防止支援方法及び衝突防止支援装置 |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
CN108146503A (zh) * | 2016-12-05 | 2018-06-12 | 福特全球技术公司 | 车辆防撞 |
CN108604292A (zh) * | 2015-11-26 | 2018-09-28 | 御眼视觉技术有限公司 | 对切入车道的车辆的自动预测和利他响应 |
CN111104969A (zh) * | 2019-12-04 | 2020-05-05 | 东北大学 | 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法 |
CN111409639A (zh) * | 2020-04-07 | 2020-07-14 | 北京理工大学 | 一种主车网联巡航控制方法及*** |
CN111746559A (zh) * | 2020-07-02 | 2020-10-09 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测*** |
CN112052802A (zh) * | 2020-09-09 | 2020-12-08 | 上海工程技术大学 | 一种基于机器视觉的前方车辆行为识别方法 |
CN112053589A (zh) * | 2020-08-18 | 2020-12-08 | 北京航空航天大学 | 一种目标车辆换道行为自适应识别模型构建方法 |
CN112896188A (zh) * | 2021-02-22 | 2021-06-04 | 浙江大学 | 一种考虑前车遭遇的自动驾驶决策控制的*** |
CN113313154A (zh) * | 2021-05-20 | 2021-08-27 | 四川天奥空天信息技术有限公司 | 一体化融合多传感器自动驾驶智能感知装置 |
CN114291116A (zh) * | 2022-01-24 | 2022-04-08 | 广州小鹏自动驾驶科技有限公司 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
CN115027497A (zh) * | 2022-06-20 | 2022-09-09 | 重庆长安汽车股份有限公司 | 目标车辆切入意图预测方法及可读存储介质 |
CN115179959A (zh) * | 2022-07-18 | 2022-10-14 | 福州大学 | 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法 |
CN115817470A (zh) * | 2022-12-28 | 2023-03-21 | 毫末智行科技有限公司 | 车辆直道换道意图的预测方法及其装置和计算机存储介质 |
CN115995163A (zh) * | 2023-03-23 | 2023-04-21 | 江西通慧科技集团股份有限公司 | 一种车辆碰撞预警方法及*** |
CN116118777A (zh) * | 2023-02-09 | 2023-05-16 | 同济大学 | 一种集成多功能的高级自动驾驶辅助*** |
CN116811916A (zh) * | 2023-07-05 | 2023-09-29 | 江苏安必行无线科技有限公司 | 一种基于5g车路协同的自动驾驶*** |
-
2023
- 2023-11-21 CN CN202311555834.4A patent/CN117555333A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006168628A (ja) * | 2004-12-17 | 2006-06-29 | Daihatsu Motor Co Ltd | 衝突防止支援方法及び衝突防止支援装置 |
CN108604292A (zh) * | 2015-11-26 | 2018-09-28 | 御眼视觉技术有限公司 | 对切入车道的车辆的自动预测和利他响应 |
CN108146503A (zh) * | 2016-12-05 | 2018-06-12 | 福特全球技术公司 | 车辆防撞 |
CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
CN111104969A (zh) * | 2019-12-04 | 2020-05-05 | 东北大学 | 一种无人驾驶车辆与周边车辆的碰撞可能性预判方法 |
CN111409639A (zh) * | 2020-04-07 | 2020-07-14 | 北京理工大学 | 一种主车网联巡航控制方法及*** |
CN111746559A (zh) * | 2020-07-02 | 2020-10-09 | 湖北汽车工业学院 | 一种前车换道意图预测方法及预测*** |
CN112053589A (zh) * | 2020-08-18 | 2020-12-08 | 北京航空航天大学 | 一种目标车辆换道行为自适应识别模型构建方法 |
CN112052802A (zh) * | 2020-09-09 | 2020-12-08 | 上海工程技术大学 | 一种基于机器视觉的前方车辆行为识别方法 |
CN112896188A (zh) * | 2021-02-22 | 2021-06-04 | 浙江大学 | 一种考虑前车遭遇的自动驾驶决策控制的*** |
CN113313154A (zh) * | 2021-05-20 | 2021-08-27 | 四川天奥空天信息技术有限公司 | 一体化融合多传感器自动驾驶智能感知装置 |
CN114291116A (zh) * | 2022-01-24 | 2022-04-08 | 广州小鹏自动驾驶科技有限公司 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
CN115027497A (zh) * | 2022-06-20 | 2022-09-09 | 重庆长安汽车股份有限公司 | 目标车辆切入意图预测方法及可读存储介质 |
CN115179959A (zh) * | 2022-07-18 | 2022-10-14 | 福州大学 | 基于行驶道路自适应更新阈值的智能驾驶车辆行为预测方法 |
CN115817470A (zh) * | 2022-12-28 | 2023-03-21 | 毫末智行科技有限公司 | 车辆直道换道意图的预测方法及其装置和计算机存储介质 |
CN116118777A (zh) * | 2023-02-09 | 2023-05-16 | 同济大学 | 一种集成多功能的高级自动驾驶辅助*** |
CN115995163A (zh) * | 2023-03-23 | 2023-04-21 | 江西通慧科技集团股份有限公司 | 一种车辆碰撞预警方法及*** |
CN116811916A (zh) * | 2023-07-05 | 2023-09-29 | 江苏安必行无线科技有限公司 | 一种基于5g车路协同的自动驾驶*** |
Non-Patent Citations (1)
Title |
---|
王硕;王岩松;王孝兰;: "基于CNN和LSTM混合模型的车辆行为检测方法", 智能计算机与应用, no. 02, 1 February 2020 (2020-02-01) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bila et al. | Vehicles of the future: A survey of research on safety issues | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
US9767368B2 (en) | Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system | |
Kumar et al. | Framework for real-time behavior interpretation from traffic video | |
Gandhi et al. | Pedestrian protection systems: Issues, survey, and challenges | |
Song et al. | Vehicle behavior analysis using target motion trajectories | |
Zhang et al. | Prediction of pedestrian-vehicle conflicts at signalized intersections based on long short-term memory neural network | |
Chang et al. | Onboard measurement and warning module for irregular vehicle behavior | |
Mithun et al. | Video-based tracking of vehicles using multiple time-spatial images | |
CN112487905B (zh) | 一种车辆周边行人危险等级预测方法及*** | |
Kim | Multiple vehicle tracking and classification system with a convolutional neural network | |
CN107031661A (zh) | 一种基于盲区相机输入的变道预警方法及*** | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及***、设备 | |
Chavez-Garcia | Multiple sensor fusion for detection, classification and tracking of moving objects in driving environments | |
CN114693909A (zh) | 一种基于多传感器机器视觉融合的微观车辆轨迹感知设备 | |
He et al. | Deep learning based geometric features for effective truck selection and classification from highway videos | |
Saravanarajan et al. | Car crash detection using ensemble deep learning | |
Quinn et al. | Traffic flow monitoring in crowded cities | |
Zhao et al. | Improving autonomous vehicle visual perception by fusing human gaze and machine vision | |
da Silva Bastos et al. | Vehicle speed detection and safety distance estimation using aerial images of Brazilian highways | |
CN117555333A (zh) | 一种动态行进轨迹的处理***及方法 | |
Khan et al. | Multiple moving vehicle speed estimation using Blob analysis | |
Sathiya et al. | Probabilistic collision estimation for tracked vehicles based on corner point self-activation approach | |
Alam et al. | Deep Learning envisioned accident detection system |
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 |