JP7126633B2 - 予測追跡装置、予測追跡方法および予測追跡プログラム - Google Patents
予測追跡装置、予測追跡方法および予測追跡プログラム Download PDFInfo
- Publication number
- JP7126633B2 JP7126633B2 JP2022527299A JP2022527299A JP7126633B2 JP 7126633 B2 JP7126633 B2 JP 7126633B2 JP 2022527299 A JP2022527299 A JP 2022527299A JP 2022527299 A JP2022527299 A JP 2022527299A JP 7126633 B2 JP7126633 B2 JP 7126633B2
- Authority
- JP
- Japan
- Prior art keywords
- moving object
- tracking
- point cloud
- distribution
- moving
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Radar Systems Or Details Thereof (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Description
LiDARは、Light Detection And Rangingの略称である。
ICPは、Iterative Closest Pointの略称である。
しかし、事前分布がない場合には推定を行えず、事前分布が与えられる対象物体は車両に限定される。
また、事後確率の最大化において、事後確率が局所解に陥る可能性がある。車両以外の物体を対象にする場合には、事前分布の与えかたによっては値が収束せず、予測が困難になる。
また、ICPアルゴリズムが広い範囲または多くの対象に対して用いられるため、計算コストが増大する。
移動体の周辺に対する計測を行うLiDARによって得られた点群データから、前記移動体の周辺に存在する移動物体を表す点群を抽出する移動物体検知部と、
追跡されている移動物体である追跡物体用の事後分布の範囲内の点群を前記点群データから抽出し、抽出した点群に対して前記移動物体の点群とのマッチングを行う移動物体追跡部と、を備える。
予測追跡システム200について、図1から図13に基づいて説明する。
図1に基づいて、予測追跡システム200の構成を説明する。
予測追跡システム200は、自車両210に搭載される。
自車両210は、予測追跡システム200が搭載される自動車である。自動車は移動体の一例である。
予測追跡装置100は、プロセッサ101とメモリ102と補助記憶装置103と通信装置104と入出力インタフェース105といったハードウェアを備えるコンピュータである。これらのハードウェアは、信号線を介して互いに接続されている。
ICは、Integrated Circuitの略称である。
CPUは、Central Processing Unitの略称である。
DSPは、Digital Signal Processorの略称である。
GPUは、Graphics Processing Unitの略称である。
RAMは、Random Access Memoryの略称である。
ROMは、Read Only Memoryの略称である。
HDDは、Hard Disk Driveの略称である。
NICは、Network Interface Cardの略称である。
USBは、Universal Serial Busの略称である。
補助記憶装置103には、さらに、OSが記憶されている。OSの少なくとも一部は、メモリ102にロードされて、プロセッサ101によって実行される。
プロセッサ101は、OSを実行しながら、予測追跡プログラムを実行する。
OSは、Operating Systemの略称である。
メモリ102は記憶部190として機能する。但し、補助記憶装置103、プロセッサ101内のレジスタおよびプロセッサ101内のキャッシュメモリなどの記憶装置が、メモリ102の代わりに、又は、メモリ102と共に、記憶部190として機能してもよい。
センサ群180は、LiDAR181、GPS182および速度計183などのセンサを含む。
LiDAR181の一例として、レーザスキャナがある。LiDAR181は、レーザ光を各方向へ出射し、各地点で反射したレーザ光を入射し、点群データを出力する。点群データは、レーザ光を反射した地点ごとに距離ベクトルと反射強度とを示す。LiDARは、Light Detection and Rangingの略称である。
GPS182は、測位システムの一例である。GPS182は、測位信号を受信し、自己位置を測位し、測位データを出力する。測位データは位置情報を示す。位置情報は三次元座標値を示す。GPSは、Global Positioing Systemの略称である。
速度計183は、自車両210の速度を計測し、速度データを出力する。速度データは、自車両210の速度を示す。
予測追跡装置100の動作の手順は予測追跡方法に相当する。また、予測追跡装置100の動作の手順は予測追跡プログラムによる処理の手順に相当する。
センサ群180はセンサの集合である。センサデータ群はセンサデータの集合である。センサデータはセンサによって得られるデータである。
センサデータ群は、点群データ、測位データおよび速度データなどのセンサデータを含む。
例えば、自己位置推定部112は、速度データに示される速度と計測時からの経過時間とを用いて移動量を算出する。そして、自己位置推定部112は、測位データに示される位置情報と算出された移動量とに基づいて自己位置を推定する。
例えば、自己位置推定部112は、点群データを用いてSLAM技術によって地物の点群のマッチングを行い、自己位置を推定する。
移動物体は、自動車などの移動する物体である。つまり、走行している自動車と停止している自動車とのいずれも移動物体に該当する。但し、移動物体は車両に限定されない。
ルールベース手法では、まず路面の点群が検出され、路面の点群以外の点群から移動物体の点群が抽出される。
抽出される点群に対応する移動物体を「検知物体」と称する。
検知物体の相対位置は、自車両210に対する検知物体の位置である。
具体的には、移動物体検知部113は、移動物体の点群から代表点を1つ選択し、代表点の距離ベクトルを三次元座標値に変換する。変換によって得られる三次元座標値は、検知物体の相対位置を示す。
検知物体の属性は、種別、向きおよびサイズなどを含む。種別は、トラック、普通車、バイク、自転車または歩行者など、移動物体の種類を区別する。向きは、移動物体のヘディングを意味し、移動方向に相当する。サイズは、幅、奥行きおよび高さなどを示す。
具体的には、移動物体認識部114は、機械学習、ルールベース手法またはディープラーニングによって移動物体の属性を判別する。
追跡物体は、追跡されている移動物体つまり予測追跡装置100が追跡している移動物体である。
事後分布について後述する。
例えば、移動予測部115は、ICPアルゴリズムによってマッチングを行う。ICPは、Iterative Closest Pointの略称である。
事後分布の範囲内に複数の点群がある場合、移動予測部115は、事後分布に基づく尤度の大きい順にマッチングを行う。
検知物体の点群と合致する点群がある場合、処理はステップS111に進む。
検知物体の点群と合致する点群がない場合、処理はステップS121に進む。
正確な相対位置は、相対距離(x,y,z)と回転角度(θx,θy,θz)との組で表される。
予測フィルタの具体例は、カルマンフィルタである。カルマンフィルタのパラメータは、予測値、状態遷移行列の共分散、観測ノイズおよびカルマンゲインである。
カルマンゲインは、カルマンフィルタの計測更新ステップにおいて、状態遷移行列の共分散と観測ノイズとを用いて更新される。
前回のステップS112で、移動予測部115は、カルマンフィルタを演算することによって、検知物体の今回の相対位置を予測する。予測された相対位置(予測値)を予測の相対位置と称する。
今回のステップS112で、移動予測部115は、正確な相対位置と予測の相対位置との差を算出する。そして、移動予測部115は、算出された差を用いて、カルマンゲインを更新する。
そして、移動予測部115は、追跡物体用の事後分布を用いて、追跡物体の状態量を予測する。
予測される状態量は、事後確率が最大となる状態量である。事後確率が最大となる状態量は、最大事後確率推定によって算出される。
例えば、状態量は、位置、速度、加速度、ヨー角、ヨーレートおよびサイズなどである。なお、事前分布、尤度関数および事後分布は、状態量別に設定される。
検知物体に対する追跡IDが有る場合、検知物体に対する追跡IDが継続して使用される。処理はステップS116に進む。
検知物体に対する追跡IDが無い場合、処理はステップS115に進む。
追跡継続時間は、追跡物体が追跡されている時間の長さである。追跡継続時間の初期値はゼロ秒である。
サンプリング時間は、例えば、ステップS101でセンサデータ群が取得される時間間隔である。
ステップS117の後、処理はステップS101に進む。
追跡IDが有る場合、その追跡IDは継続して使用される。処理はステップS131に進む。
追跡IDが無い場合、処理はステップS122に進む。
予測方法は、ステップS113における方法と同じである。
ステップS126の後、処理はステップS101に進む。
予測方法は、ステップS113における方法と同じである。
追跡中断時間は、追跡物体に対する追跡が中断している時間の長さであり、追跡物体の点群が検出されていない時間の長さに相当する。
追跡中止時間は、追跡中断時間の上限であり、予め定義される。
追跡物体用の追跡中断時間が追跡中止時間以上である場合、処理はステップS135に進む。
ステップS134の後、処理はステップS136に進む。
ステップS135の後、処理はステップS136に進む。
ステップS136の後、処理はステップS101に進む。
移動予測部115は、例えばベイズ推定を用いて、移動物体の未来の位置を予測する。
図8は、ベイズ推定の単純な例を表している。横軸は、移動物体の一例である車両の位置を示す。縦軸は、車両が各位置に存在する確率密度を示す。
事前分布P(A)は、事象Aが発生する確率を表している。事象Aは、移動物体の状態量に相当する。事前分布は事前確率分布ともいう。
事後分布P(A|X)は、尤度関数がP(X|A)であるときに事象Xが発生したという条件の下で事象Aが発生する確率(条件付き確率)を表している。事象Xは、移動物体の状態量に相当する。事後分布は事後確率分布ともいう。
図8に示すように、事前分布P(A)と尤度関数P(X|A)に対して、事後分布P(A|X)は複雑な形状を成す。
事後確率が最大となる車両位置(最適解)を求めるには、解析的に最適解を解くか、数値的に計算を行う必要がある。
移動予測部115は、下記の式を計算して、事後分布P(A|X)を最大化するような予測値A^と事後分布P(A|X)とを算出する。なお、事前分布P(A)と尤度関数P(X|A)の初期値は、移動物体の属性によって異なる。
解析的に最適解を求める際には、事前分布は共役事前分布となり、事前分布と同じ分布の事後分布を導出できる。事前分布が共役事前分布である場合には、最適解を解析的に解くことが可能である。この場合、変分法またはラプラス近似などの近似推定手法を用いて事後確率の近似を求めることができる。
数値的に最適解を求める際には、最適化問題を解く必要がある。最適化問題を解くために、EMアルゴリズムまたはMCMC法などがある。
EMアルゴリズムでは、事後分布の導関数が不要である。EMは、Expectation-Maximizationの略称である。
MCMC法は、サンプリング法の一種であり、分布を近似するものである。MCMCは、マルコフ連鎖モンテカルロの略称である。
時刻tの自車位置Vt(図9を参照)を原点(0,0)として考える。自車の移動量が観測可能である場合、時刻tから時刻t+1までの自車移動量ΔV(図10を参照)は自明である。ここで、移動予測部115は、予測の対象となる移動物体用に事前分布および尤度関数を設定し、事後分布を求める。事後確率最大化により、複雑な事後分布の形状に対応することが可能である。予測された事後分布により、追跡対象の存在範囲が規定される。移動物体追跡部116は、事後分布の範囲内で点群のマッチングを行う。点群同士が合致した場合、移動物体追跡部116は、合致した点群同士を同一物体の点群とみなして追跡を行う。また、移動物体追跡部116は、自車に対する移動物体の正確な移動量(相対距離)および姿勢(回転角度)を算出する。算出される移動量および姿勢が観測値となる。
予測初期(t=0)において、移動予測部115は、移動物体Aの属性に基づいて、事前分布Pt(A)および尤度関数Pt(X|A)を設定する。
予測初期(t=0)において、移動予測部115は、移動物体Bの属性に基づいて、事前分布Pt(B)および尤度関数Pt(X|B)を設定する。
移動物体の属性に基づく事前分布および尤度関数について後述する。
また、移動予測部115は、事前分布Pt(B)と尤度関数Pt(X|B)とを用いて、時刻t+1における移動物体Bの位置(予測値B^t+1)と事後分布Pt(B|X)を算出する。
図11は、移動物体の種別によって異なる事前分布を視覚的に表している。
図12は、移動物体の移動方向(ヘディング)によって異なる事前分布を視覚的に表している。
尤度関数も同様に、種別および移動方向などによって異なる。
予測追跡装置100は、自車両210のセンサ群180からセンサデータ群を取得することが可能であれば、自車両210の外部に設置されてもよい。
カメラ184は、自車両210の周辺を撮影し、画像データを出力する。画像データは、自車両210の周辺が映った画像を表す。カメラ184は例えばステレオカメラである。
ミリ波レーダ185は、レーザ光の代わりにミリ波を利用して反射距離データを出力する。ミリ波レーダの反射距離データは、ミリ波を反射した地点ごとに距離を示す。
ソナー186は、レーザ光の代わりに音波を利用して反射距離データを出力する。反射距離データの反射距離データは、音波を反射した地点ごとに距離を示す。
画像データおよび反射距離データを利用することにより、自己位置の推定を高精度に行うことが可能となる。
画像データのみを使用して自己位置を推定することも可能である。例えば、自己位置推定部112は、ステレオカメラによって得られた画像データを用いて自己位置を推定する。または、自己位置推定部112は、VisualSLAMによって画像内の特徴点から距離を測定し、自己位置を推定する。
画像データおよび反射距離データを利用することにより、移動物体の点群の抽出精度および移動物体の属性の判別精度を向上させることが可能となる。
移動物体追跡部116は、追跡継続時間を用いて、追跡物体の予測位置の追跡物体が存在する確率を求めてもよい。
予測追跡装置100は、移動物体の認識結果から得られた種別(トラック、バス、乗用車、二輪車または歩行者など)および移動方向(ヘディング)を考慮して、移動物体用の事前分布を設定することができる。これにより、移動物体を追跡する際の予測精度が向上する。
予測追跡装置100は、ICPアルゴリズムによる点群のマッチングを予測された事後分布の範囲内のみで行う。これにより、計算コストの削減と他車両の移動量についての正確な計測が実現される。
予測追跡装置100は、事後確率最大化のために事後分布を求める際に、ラプラス近似または変分ベイズ法などの近似手法を用いる。これにより、移動物体を追跡する際の予測精度が向上する。
予測追跡装置100は、センサデータ群のうち点群データのみを用いて移動物体を検知(点群の抽出)、認識(属性の判別)および追跡することも可能である。つまり、センサ群180のうちLiDAR181だけを使用して、移動物体の検知、認識および追跡を行うことも可能である。
センサフュージョンを利用する形態について、主に実施の形態1と異なる点を図14に基づいて説明する。
図14に基づいて、予測追跡装置100の構成を説明する。
予測追跡装置100は、さらに、センサフュージョン部117を備える。
予測追跡プログラムは、さらに、センサフュージョン部117としてコンピュータを機能させる。
センサフュージョン部117は、センサデータ群に含まれる2種類以上のセンサデータを用いて、センサフュージョンを行う。
センサフュージョンのための主な方法として、RAWデータをフュージョンする方法、中間データをフュージョンする方法および検出後のデータをフュージョンする方法がある。どの方法もディープラーニングなどの手法を取り入れており、1種類のセンサデータが単体で使用される場合と比べて、移動物体の点群の抽出および移動物体の属性の判別を精度よく行うことが可能である。
センサフュージョンには、アーリーフュージョン、クロスフュージョンおよびレイトフュージョンなどの種類がある。
センサフュージョンにおけるセンサの組み合わせとして、カメラ184とLiDAR181、LiDAR181とミリ波レーダ185またはカメラ184とミリ波レーダ185など、様々な組み合わせが考えられる。
移動物体検知部113は、点群データを含む2種類以上のセンサデータに対するセンサフュージョンによって得られたデータに基づいて、検知物体の相対位置を算出する。
センサフュージョンを利用することにより、移動物体の検知、認識および追跡をより高い精度で行うことが可能である。
図15に基づいて、予測追跡装置100のハードウェア構成を説明する。
予測追跡装置100は処理回路109を備える。
処理回路109は、センサデータ取得部111と自己位置推定部112と移動物体検知部113と移動物体認識部114と移動予測部115と移動物体追跡部116とセンサフュージョン部117とを実現するハードウェアである。
処理回路109は、専用のハードウェアであってもよいし、メモリ102に格納されるプログラムを実行するプロセッサ101であってもよい。
ASICは、Application Specific Integrated Circuitの略称である。
FPGAは、Field Programmable Gate Arrayの略称である。
Claims (6)
- 移動体の周辺に対する計測を行うLiDARによって得られた点群データから、前記移動体の周辺に存在する移動物体を表す点群を抽出する移動物体検知部と、
追跡されている移動物体である追跡物体用の事後分布の範囲内の点群を前記点群データから抽出し、抽出した点群に対して前記移動物体の点群とのマッチングを行う移動物体追跡部と、
前記移動物体の点群に基づいて前記移動物体の属性を判別する移動物体認識部と、
前記移動物体の属性に基づいて前記移動物体用の事前分布および尤度関数を設定し、前記移動物体用の事前分布および尤度関数を用いて前記移動物体用の事後分布を算出する移動予測部と、
を備える予測追跡装置。 - 前記移動物体認識部は、前記移動物体の種別を判別し、
前記移動予測部は、前記移動物体の種別に基づいて前記移動物体用の事前分布および尤度関数を設定する
請求項1に記載の予測追跡装置。 - 前記移動物体認識部は、前記移動物体の移動方向を判別し、
前記移動予測部は、前記移動物体の移動方向に基づいて前記移動物体用の事前分布および尤度関数を設定する
請求項1または請求項2に記載の予測追跡装置。 - 前記移動予測部は、事後確率最大化において事後確率の近似を求める際に近似推定手法を用いる
請求項1から請求項3のいずれか1項に記載の予測追跡装置。 - 移動物体検知部が、移動体の周辺に対する計測を行うLiDARによって得られた点群データから、前記移動体の周辺に存在する移動物体を表す点群を抽出し、
移動物体追跡部が、追跡されている移動物体である追跡物体用の事後分布の範囲内の点群を前記点群データから抽出し、抽出した点群に対して前記移動物体の点群とのマッチングを行い、
移動物体認識部が、前記移動物体の点群に基づいて前記移動物体の属性を判別し、
移動予測部が、前記移動物体の属性に基づいて前記移動物体用の事前分布および尤度関数を設定し、前記移動物体用の事前分布および尤度関数を用いて前記移動物体用の事後分布を算出する
予測追跡方法。 - 移動体の周辺に対する計測を行うLiDARによって得られた点群データから、前記移動体の周辺に存在する移動物体を表す点群を抽出する移動物体検知処理と、
追跡されている移動物体である追跡物体用の事後分布の範囲内の点群を前記点群データから抽出し、抽出した点群に対して前記移動物体の点群とのマッチングを行う移動物体追跡処理と、
前記移動物体の点群に基づいて前記移動物体の属性を判別する移動物体認識処理と、
前記移動物体の属性に基づいて前記移動物体用の事前分布および尤度関数を設定し、前記移動物体用の事前分布および尤度関数を用いて前記移動物体用の事後分布を算出する移動予測処理と、
をコンピュータに実行させるための予測追跡プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/020676 WO2021240623A1 (ja) | 2020-05-26 | 2020-05-26 | 予測追跡装置、予測追跡方法および予測追跡プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021240623A1 JPWO2021240623A1 (ja) | 2021-12-02 |
JPWO2021240623A5 JPWO2021240623A5 (ja) | 2022-08-17 |
JP7126633B2 true JP7126633B2 (ja) | 2022-08-26 |
Family
ID=78723050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022527299A Active JP7126633B2 (ja) | 2020-05-26 | 2020-05-26 | 予測追跡装置、予測追跡方法および予測追跡プログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230036137A1 (ja) |
JP (1) | JP7126633B2 (ja) |
CN (1) | CN115667993A (ja) |
DE (1) | DE112020006961B4 (ja) |
WO (1) | WO2021240623A1 (ja) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009052940A (ja) | 2007-08-24 | 2009-03-12 | Toshiba Corp | 移動物体検出装置および自律移動物体 |
JP2011196749A (ja) | 2010-03-18 | 2011-10-06 | Toyota Central R&D Labs Inc | 物体検出装置 |
JP2013228259A (ja) | 2012-04-25 | 2013-11-07 | Toyota Motor Corp | 物体識別装置及び物体識別方法 |
JP2016152586A (ja) | 2015-02-19 | 2016-08-22 | 国立大学法人電気通信大学 | プロジェクションマッピング装置、映像投影制御装置、映像投影制御方法および映像投影制御プログラム |
JP2017004106A (ja) | 2015-06-05 | 2017-01-05 | トヨタ自動車株式会社 | 車両の衝突回避支援装置 |
WO2017130770A1 (ja) | 2016-01-29 | 2017-08-03 | 学校法人明治大学 | レーザスキャンシステム、レーザスキャン方法、移動レーザスキャンシステム及びプログラム |
JP2017219389A (ja) | 2016-06-06 | 2017-12-14 | 地方独立行政法人東京都立産業技術研究センター | 物体追跡装置、物体追跡方法、及び物体追跡プログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10324897A1 (de) | 2003-05-30 | 2004-12-23 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Opjektbestimmung in Fahrerassistenzsystemen für Kraftfahrzeuge |
US9129211B2 (en) | 2012-03-15 | 2015-09-08 | GM Global Technology Operations LLC | Bayesian network to track objects using scan points using multiple LiDAR sensors |
JP6901870B2 (ja) | 2017-02-28 | 2021-07-14 | パイオニア株式会社 | 位置推定装置、制御方法、及びプログラム |
JP2020052897A (ja) | 2018-09-28 | 2020-04-02 | 株式会社デンソーテン | 物標検出装置および物標検出方法 |
-
2020
- 2020-05-26 WO PCT/JP2020/020676 patent/WO2021240623A1/ja active Application Filing
- 2020-05-26 DE DE112020006961.3T patent/DE112020006961B4/de active Active
- 2020-05-26 CN CN202080100999.0A patent/CN115667993A/zh active Pending
- 2020-05-26 JP JP2022527299A patent/JP7126633B2/ja active Active
-
2022
- 2022-10-07 US US17/961,988 patent/US20230036137A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009052940A (ja) | 2007-08-24 | 2009-03-12 | Toshiba Corp | 移動物体検出装置および自律移動物体 |
JP2011196749A (ja) | 2010-03-18 | 2011-10-06 | Toyota Central R&D Labs Inc | 物体検出装置 |
JP2013228259A (ja) | 2012-04-25 | 2013-11-07 | Toyota Motor Corp | 物体識別装置及び物体識別方法 |
JP2016152586A (ja) | 2015-02-19 | 2016-08-22 | 国立大学法人電気通信大学 | プロジェクションマッピング装置、映像投影制御装置、映像投影制御方法および映像投影制御プログラム |
JP2017004106A (ja) | 2015-06-05 | 2017-01-05 | トヨタ自動車株式会社 | 車両の衝突回避支援装置 |
WO2017130770A1 (ja) | 2016-01-29 | 2017-08-03 | 学校法人明治大学 | レーザスキャンシステム、レーザスキャン方法、移動レーザスキャンシステム及びプログラム |
JP2017219389A (ja) | 2016-06-06 | 2017-12-14 | 地方独立行政法人東京都立産業技術研究センター | 物体追跡装置、物体追跡方法、及び物体追跡プログラム |
Also Published As
Publication number | Publication date |
---|---|
DE112020006961B4 (de) | 2024-02-29 |
JPWO2021240623A1 (ja) | 2021-12-02 |
US20230036137A1 (en) | 2023-02-02 |
WO2021240623A1 (ja) | 2021-12-02 |
DE112020006961T5 (de) | 2023-01-26 |
CN115667993A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2694154C2 (ru) | Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения | |
KR102452550B1 (ko) | 라이다 데이터 기반 객체 검출 장치, 그를 포함한 시스템 및 그 방법 | |
Ogawa et al. | Pedestrian detection and tracking using in-vehicle lidar for automotive application | |
US6903677B2 (en) | Collision prediction device, method of predicting collision, and computer product | |
KR102659056B1 (ko) | 주변 v2v 신호와 자체 차량의 센싱신호의 융합 시스템 및 방법 | |
US10493987B2 (en) | Target-lane relationship recognition apparatus | |
JP6450294B2 (ja) | 物体検出装置、物体検出方法、及びプログラム | |
EP3851870A1 (en) | Method for determining position data and/or motion data of a vehicle | |
CN111103587A (zh) | 用于预测同时并线车辆的方法和设备及包括其的车辆 | |
WO2023050638A1 (zh) | 基于激光点云的路沿识别 | |
CN110888115B (zh) | 对雷达跟踪的潜在静止对象进行分类 | |
CN110794406A (zh) | 多源传感器数据融合***和方法 | |
JP7152355B2 (ja) | 障害物検出装置および障害物検出方法 | |
KR100962329B1 (ko) | 스테레오 카메라 영상으로부터의 지면 추출 방법과 장치 및이와 같은 방법을 구현하는 프로그램이 기록된 기록매체 | |
CN114675295A (zh) | 一种障碍物判定的方法、装置、设备及存储介质 | |
CN115195773A (zh) | 用于控制车辆驾驶的装置和方法及记录介质 | |
JP2024020641A (ja) | 位置推定システム | |
JP7126633B2 (ja) | 予測追跡装置、予測追跡方法および予測追跡プログラム | |
KR102653342B1 (ko) | 자율 주행 장치 및 방법 | |
TWI541152B (zh) | Traffic safety system and its obstacle screening method | |
KR102103651B1 (ko) | 지도의 차로 개수를 활용한 파티클 필터링 퇴화 경감 방법 및 시스템 | |
JP7344744B2 (ja) | 路側端検出方法、及び、路側端検出装置 | |
JP7285923B2 (ja) | 車両制御システム | |
WO2020095673A1 (ja) | 車載制御装置 | |
KR101963352B1 (ko) | 비전 기반 적응형 순항 제어 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220620 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220620 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220620 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220719 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220816 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7126633 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |