CN104614733B - 一种动态障碍物检测方法 - Google Patents
一种动态障碍物检测方法 Download PDFInfo
- Publication number
- CN104614733B CN104614733B CN201510049971.XA CN201510049971A CN104614733B CN 104614733 B CN104614733 B CN 104614733B CN 201510049971 A CN201510049971 A CN 201510049971A CN 104614733 B CN104614733 B CN 104614733B
- Authority
- CN
- China
- Prior art keywords
- dynamic
- model
- barrier
- dynamic barrier
- disorder object
- 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
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
- G01S17/88—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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种动态障碍物检测方法。包括如下步骤:获取组成动态障碍物特征的原始数据点;根据获取到的原始数据点进行动态障碍物模型匹配;根据动态障碍物匹配的模型和动态障碍物所处的区域,预测动态障碍物的运动轨迹。本发明可以实现对动态障碍物的检测,避免动态障碍物对行车安全的影响。
Description
技术领域
本发明涉及机动车自动驾驶过程中的动态障碍物检测技术领域,尤其涉及一种动态障碍物检测方法。
背景技术
动态障碍物即为:一切在正运动,或者即将要运动的,并且当前位置或者预测的未来位置在机动车行驶范围之内的物体。例如,马路上或者马路附近的人,各种四轮以上机动车辆,摩托车,自行车,板车等。
动态障碍物检测就是要从障碍物地图的原始信息中,寻找、跟踪和预测动态障碍物。检测到的动态障碍物信息可直接运用于a.障碍物识别模块;b.机动车行为决策模块;c.机动车动作控制模块。动态障碍物的检测对机动车的驾驶至关重要。
发明内容
为此,需要提供一种动态障碍物检测方案,解决机动车动态障碍物的识别和预测问题。
为实现上述目的,发明人提供了一种动态障碍物检测方法,包括如下步骤:
获取组成动态障碍物特征的原始数据点;
根据获取到的原始数据点进行动态障碍物模型匹配;
根据动态障碍物匹配的模型和动态障碍物所处的区域,预测动态障碍物的运动轨迹。
进一步地,使用卡尔曼滤波器或粒子滤波器进行动态障碍物模型匹配。
进一步地,通过计算前后时刻障碍物地图的变化区域,获得原始数据点。
进一步地,所述动态障碍物模型包括点模型和矩形模型。
进一步地,所述匹配步骤包括初步匹配步骤和进一步匹配步骤。
进一步地,所述初步匹配步骤包括:
计算动态障碍物模型和原始数据点特征的相关性值和距离值;
如果相关性值和距离值小于一定范围,则初步匹配成功,否则尝试下一个动态障碍物模型。
进一步地,如果原始数据点特征成功地初步匹配到一个动态障碍物模型,所述进一步匹配步骤包括:
寻找和原始数据点特征吻合的一个诠释;
对比动态障碍物模型的预测状态和诠释的状态;
如果两者状态相近,则配对成功,否则这个诠释被排除,重新寻找诠释。
进一步地,如果原始数据点特征没有成功地初步匹配到一个动态障碍物模型,所述进一步匹配步骤包括:
寻找所有和原始数据点特征吻合的诠释,用寻找到的诠释创建一组新的动态障碍物模型。
进一步地,根据动态障碍物匹配的模型和动态障碍物所处的区域,预测动态障碍物的运动轨迹具体包括:
如果动态障碍物所处区域为结构化区域,则动态障碍物的运动轨迹为沿着车道方向;
如果动态障碍物所处区域为非结构化区域,则利用过去几个时刻的动态障碍物的状态推算运动轨迹。
进一步地,还包括状态分类步骤:对已经匹配到模型的动态障碍物归为当前运动状态或者过去运动状态。
区别于现有技术,上述技术方案可实现对动态障碍物的识别,从而可用于机动车的自动驾驶,避免机动车与动态障碍物的碰撞。
附图说明
图1为本方法定义的两种不同的物体运动模型。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,本实施例提供了一种动态障碍物检测方法,本方法可以应用在机动车的控制模块上,用于实现对动态障碍物的检测。控制模块连接有传感器,如环视激光雷达,环视激光雷达一般安装在机动车车顶,环视激光雷达可以进行360°的激光扫描,可以获取到机动车所处的环境信息,包括路面信息。
本方法在进行动态障碍物检测时,包括如下步骤:获取组成动态障碍物特征的原始数据点;根据获取到的原始数据点进行动态障碍物模型匹配;根据动态障碍物匹配的模型和动态障碍物所处的区域,预测动态障碍物的运动轨迹。
其中第一步,原始数据点可以从障碍物地图中提取动态障碍物原始特征获得。如果将间隔很短的两个时刻的障碍物地图进行对比,会发现一些单元格在一个时刻是障碍物,而在另一个时刻则不是。这很可能是由于障碍物运动引起的。因此,可以通过计算两个时刻障碍物地图的变化区域,可以初步得出一些数据点。障碍物地图是通过传感器采集构建的路面信息的地图,可以是个网格地图,每个格子都为正方形,大小一致,称为单元格。每个单元格只有两种可能的状态,有障碍物和无障碍物。
然后,根据激光雷达数据的特点,从这些数据点通过一定的方法提取障碍物的边缘特征。边缘特征通常为一条线段、一个点或者L型,反映了从某个角度激光雷达所观察到的车辆物体的一个面。对于距离远的物体提取的边缘特征有可能是单一的点,因为分辨率和角度的限制远处的物体的信息相对贫乏。
在获得了原始的特征后,还需要对比测速雷达所测量的与该特征相关的速度信息。这样能够过滤掉一些假阳性。
而后第二步,将原始特征与跟踪模型(即动态障碍物模型)配对,并更新跟踪模型的状态信息。
每个跟踪模型包括了一个物体运动模型和一个记录了物体运动模型状态的卡尔曼滤波器。其中,物体运动模型是跟踪运动物体的基础,其对运动物体变化的模拟的仿真度直接影响到卡尔曼滤波器的效能。
本方法使用两种物体运动模型,点模型和矩形模型。如图1所示,左边a图和右边的b图分别代表了矩阵模型和点模型。其中矩阵模型有8个参数,其中长和宽(w,l)不是状态参数。矩阵模型提供4中不同的长、宽组合,分别模拟大型车辆(如卡车和公共汽车)、轿车、摩托车和行人。状态参数包括矩阵的中心位置(x,y),偏转角度偏转角速度速度v和加速度a。其中速度的加速度的方向为长l的方向。而点模型有6个状态参数,位置(x,y),每个方向上的速度每个方向上的加速度
使用两类物体运动模型主要是出于对于激光雷达性能局限的一种优化:激光雷达的数据中,在远处的物体数据点稀疏,很难判断形态特征,此时采用点模型。当运动物体移近后,数据点变得密集,这时候就有条件采用矩阵运动模型,且其信息更丰富。根据实际情况,本方法能够自动在跟踪一个运动物体的时候在两类物体运动模型之间切换。
卡尔曼滤波器是一种高效率的递归滤波器,能够从一系列不完全及包含杂讯的测量中,估计动态系统的状态。它只要获知上一时刻对下一时刻状态的预测值(以下简称预测值)以及当前状态的观测值就可以计算出当前状态的估计值。
利用卡尔曼滤波器的这些功能,本方法将不同时刻提取的、本无关联的动态障碍物特征归因于不同的运动物体,从而有效地鉴别动态和非动态障碍物,同时能够预测这些运动物体未来短时间内的走向。
根据实际情况的需要,卡尔曼滤波器可以更换为其它功能相似的滤波器(如粒子滤波器)。
而后可以根据动态障碍物的类别和当前所在的区域,对轨迹进行预测。预测使用不同的方法:
道路/结构化区域:利用卡尔曼过滤器预测未来几秒内的轨迹,但可能的轨迹被限制在车道之内。未来几秒之外,则假定物体继续沿车道行驶。
停车场/非结构化区域:利用插值法,利用过去几个时刻的状态直接推算未来运动轨迹。预测出的运动轨迹可以用于机动车自动驾驶过程中的判断和对机动车的控制。
上述实施例中的匹配步骤包括初步匹配步骤和进一步匹配步骤,初步匹配即是匹配出一个接近动态障碍物的模型,进一步匹配即是对动态障碍物的状态和模型的状态进行匹配。
动态障碍物跟踪的关键是把观测到的特征信息归因于某个运动物体。这个过程称作特征和跟踪模型的配对。然而特征在形态上大多数情况下只反应了物体运动模型的一个方面(比如由于遮挡的原因,机动车只看得见一部汽车车头的左面),因此可以用概率的方法,初步地尝试将特征和跟踪模型配对。用概率方法配对时,错误容许范围较大,以便进一步配对的时候,特征有机会抛弃已初步配对的跟踪模型。
初步配对的具体方法为:
对于每一个特征:
1.对于每一个已有的跟踪模型:
a.计算跟踪模型中卡尔曼滤波器的预测值,即模型对于当前时刻物体状态的推测。
b.计算状态的预测值和特征的相关性值和距离值。
c.如果相关性值和距离值小于一定范围,则配对成功,否则尝试下一个跟踪模型。
在进一步配对和跟踪步骤中,对于一个原始特征,特征诠释的定义为和这个特征吻合的某一特定的物体运动模型的某一特定的状态(位置、角度)。原始特征的一个物体运动模型状态。每一个原始特征,都存在若干种不同的诠释。比如,若一个L型特征用矩阵模型诠释,则任何一种诠释必须使得L型和矩阵的边缘吻合。同样地,点特征则只能使用点模型进行诠释,并且点模型的状态中的坐标值必须和特征点一致。
特征诠释有两个意义:
1.试图用信息更丰富的特征信息,更准确地确定特征和跟踪模型的初步配对。
2.无法初步配对的特征很可能代表新出现的运动物体。此时需要依靠信息和物体运动状态模型一致的特征诠释,建立一个新的跟踪模型。
进一步配对的具体方法根据是否初步配对而不同,对于每一个特征:
如果此特征成功地初步配对一个跟踪模型,则进一步匹配包括如下步骤:
步骤1.寻找和这一特征吻合的新的一个诠释。如果无法生成新的诠释,则初步配对的跟踪模型被抛弃,用所有生成过的特征诠释,重新创建一组新的跟踪模型。这个特征被归纳为动态障碍物,但因为没有配对的跟踪模型,不具备预测功能。
步骤2.对比跟踪模型中卡尔曼滤波器的状态预测值和诠释的状态。
a.如果两者状态相近,则配对成功。这个诠释被确定为卡尔曼滤波器获得的一个新的观察。这个诠释被用来更新滤波器的状态和产生一个新当前状态估计值。特征被归纳为动态障碍物,跟踪模型具备预测功能。不再尝试新的诠释。
b.否则这个诠释被排除,回到步骤1.
如果此特征没有初步配对一个跟踪模型,则进一步匹配包括如下步骤:
1.寻找所有和这一特征吻合的诠释,用这些诠释创建一组新的跟踪模型。
2.这个特征被归纳为动态障碍物,但因为没有配对的跟踪模型,不具备预测功能。
如果一个跟踪模型在三次连续的观察中都能成功配对一个特征,则被认定为成功跟踪物体。跟踪成功的卡尔曼滤波器可以用来进行预测和其它应用。
运动物体可以由运动变为静止。在静止一段时间后,上述的方法很可能不再提取这个运动物体的特征。此时如果之前这个运动物体已经被成功跟踪,则它对应的跟踪模型依然保留在内存中,用于物体运动状态分类的判断。
如果一个成功跟踪物体的跟踪模型在一定时间内没有新的特征更新,则认定这个被跟踪物体已经消失,跟踪模型从内存中删除。
在实际应用中,一些应用软件需要知道某一时刻静止的物体是潜在可运动的(路口的汽车),还是不可运动的(如电线杆,围栏)。这个判断在一些场景下对行为决策很有价值,如:过路口的时候,是否要让某一部车?停车场行驶的时候,前方某一部车是否准备开出来?为此,本方案将成功跟踪(匹配)的动态障碍物的运动状态分为:当前运动状态:即正在运动或者静止。以及过去运动状态:观察到在运动或者没有观察到在运动。
其中,当前运动状态一开始为正在运动。如果连续几个时刻跟踪到的模型没有新的位置更新,则变为静止。过去运动状态一开始为没有观察到在运动。一旦跟踪模型的位置发生了显著变化,则变为观察到在运动。
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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例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。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、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计算机设备的处理器以产生一个机器,使得通过计算机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设备以特定方式工作的计算机设备可读存储器中,使得存储在该计算机设备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设备上,使得在计算机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。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (8)
1.一种动态障碍物检测方法,其特征在于,包括如下步骤:
获取组成动态障碍物特征的原始数据点;
根据获取到的原始数据点进行动态障碍物模型匹配;
根据动态障碍物匹配的模型和动态障碍物所处的区域,预测动态障碍物的运动轨迹;
所述匹配步骤包括初步匹配步骤和进一步匹配步骤;
如果原始数据点特征成功地初步匹配到一个动态障碍物模型,所述进一步匹配步骤包括:
寻找和原始数据点特征吻合的一个诠释;
对比动态障碍物模型的预测状态和诠释的状态;
如果两者状态相近,则配对成功,否则这个诠释被排除,重新寻找诠释。
2.根据权利要求1所述的动态障碍物检测方法,其特征在于:使用卡尔曼滤波器或粒子滤波器进行动态障碍物模型匹配。
3.根据权利要求1所述的动态障碍物检测方法,其特征在于:通过计算前后时刻障碍物地图的变化区域,获得原始数据点。
4.根据权利要求1所述的动态障碍物检测方法,其特征在于:所述动态障碍物模型包括点模型和矩形模型。
5.根据权利要求1所述的动态障碍物检测方法,其特征在于,所述初步匹配步骤包括:
计算动态障碍物模型和原始数据点特征的相关性值和距离值;
如果相关性值和距离值小于一定范围,则初步匹配成功,否则尝试下一个动态障碍物模型。
6.根据权利要求1所述的动态障碍物检测方法,其特征在于:如果原始数据点特征没有成功地初步匹配到一个动态障碍物模型,所述进一步匹配步骤包括:
寻找所有和原始数据点特征吻合的诠释,用寻找到的诠释创建一组新的动态障碍物模型。
7.根据权利要求1所述的动态障碍物检测方法,其特征在于,根据动态障碍物匹配的模型和动态障碍物所处的区域,预测动态障碍物的运动轨迹具体包括:
如果动态障碍物所处区域为结构化区域,则动态障碍物的运动轨迹为沿着车道方向;
如果动态障碍物所处区域为非结构化区域,则利用过去几个时刻的动态障碍物的状态推算运动轨迹。
8.根据权利要求1所述的动态障碍物检测方法,其特征在于:还包括状态分类步骤:对已经匹配到模型的动态障碍物归为当前运动状态或者过去运动状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510049971.XA CN104614733B (zh) | 2015-01-30 | 2015-01-30 | 一种动态障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510049971.XA CN104614733B (zh) | 2015-01-30 | 2015-01-30 | 一种动态障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104614733A CN104614733A (zh) | 2015-05-13 |
CN104614733B true CN104614733B (zh) | 2015-12-09 |
Family
ID=53149267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510049971.XA Active CN104614733B (zh) | 2015-01-30 | 2015-01-30 | 一种动态障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104614733B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105487537B (zh) * | 2015-11-06 | 2018-01-26 | 福州华鹰重工机械有限公司 | 一种车辆运动规划方法 |
CN105372654B (zh) * | 2015-12-14 | 2017-12-12 | 财团法人车辆研究测试中心 | 障碍物分类可靠度量化的方法 |
WO2017206170A1 (zh) * | 2016-06-03 | 2017-12-07 | 尚艳燕 | 一种电动平衡车的控制方法和控制装置 |
US10473761B2 (en) * | 2016-08-11 | 2019-11-12 | Rodradar Ltd. | Wire and pylon classification based on trajectory tracking |
CN106777269A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市佳都实业发展有限公司 | 用于构建动态地图的机器人及机器人构建动态地图的方法 |
CN106840177A (zh) * | 2017-01-23 | 2017-06-13 | 斑马信息科技有限公司 | 汽车同步建图与障碍识别方法 |
CN107063256A (zh) * | 2017-01-23 | 2017-08-18 | 斑马信息科技有限公司 | 汽车同步建图与定位方法 |
CN107578427B (zh) * | 2017-07-31 | 2021-05-18 | 深圳市易成自动驾驶技术有限公司 | 动态障碍物的检测方法、装置及计算机可读存储介质 |
CN109927719B (zh) * | 2017-12-15 | 2022-03-25 | 百度在线网络技术(北京)有限公司 | 一种基于障碍物轨迹预测的辅助驾驶方法和系统 |
CN110015290B (zh) * | 2018-01-08 | 2020-12-01 | 湖南中车时代电动汽车股份有限公司 | 一种用于智能驾驶系统的控制方法 |
CN110018496A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 障碍物识别方法及装置、电子设备、存储介质 |
CN110316196B (zh) * | 2018-03-28 | 2022-11-11 | 奥迪股份公司 | 驾驶辅助系统和方法 |
CN109901193A (zh) * | 2018-12-03 | 2019-06-18 | 财团法人车辆研究测试中心 | 近距离障碍物的光达侦测装置及其方法 |
CN109934164B (zh) * | 2019-03-12 | 2020-12-01 | 杭州飞步科技有限公司 | 基于轨迹安全度的数据处理方法和装置 |
CN115327564A (zh) * | 2022-07-22 | 2022-11-11 | 天津海关工业产品安全技术中心 | 机器人自主运行导航方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101141633A (zh) * | 2007-08-28 | 2008-03-12 | 湖南大学 | 一种复杂场景中的运动目标检测与跟踪方法 |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101855573B (zh) * | 2008-01-16 | 2013-11-20 | 三菱电机株式会社 | 动态障碍物判定装置 |
-
2015
- 2015-01-30 CN CN201510049971.XA patent/CN104614733B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101141633A (zh) * | 2007-08-28 | 2008-03-12 | 湖南大学 | 一种复杂场景中的运动目标检测与跟踪方法 |
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于机器视觉的道路识别与障碍物检测技术研究;唐高友;《中国优秀博硕士学位论文全文数据库 (硕士) 工程科技Ⅱ辑》;20051215;第39页第2段, 第47页第2段,第48页第1段,第40页第4段和第44页第1段 * |
基于激光雷达的动态障碍物实时检测;蔡自兴;《控制工程》;20080331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104614733A (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104614733B (zh) | 一种动态障碍物检测方法 | |
Muhammad et al. | Deep learning for safe autonomous driving: Current challenges and future directions | |
Tang et al. | Pamtri: Pose-aware multi-task learning for vehicle re-identification using highly randomized synthetic data | |
KR102062680B1 (ko) | 레이저 포인트 클라우드 기반의 도시 도로 인식 방법, 장치, 저장 매체 및 기기 | |
Kim et al. | Extracting vehicle trajectories using unmanned aerial vehicles in congested traffic conditions | |
Yao et al. | On-road vehicle trajectory collection and scene-based lane change analysis: Part II | |
Güney et al. | An implementation of real-time traffic signs and road objects detection based on mobile GPU platforms | |
Zyner et al. | Acfr five roundabouts dataset: Naturalistic driving at unsignalized intersections | |
Fan et al. | Real-time object detection for lidar based on ls-r-yolov4 neural network | |
CN102156767A (zh) | 一种汽车与地面固定物碰撞事故分析计算与模拟再现系统 | |
Wang et al. | RETRACTED ARTICLE: Intelligent traffic monitoring and traffic diagnosis analysis based on neural network algorithm | |
Chen et al. | Vehicle detection based on multifeature extraction and recognition adopting RBF neural network on ADAS system | |
Bai et al. | A survey and framework of cooperative perception: From heterogeneous singleton to hierarchical cooperation | |
CN105404858A (zh) | 一种基于深度费舍尔网络的车型识别方法 | |
Rahman et al. | Predicting driver behaviour at intersections based on driver gaze and traffic light recognition | |
Rani et al. | ShortYOLO-CSP: a decisive incremental improvement for real-time vehicle detection | |
Shan et al. | Vehicle collision risk estimation based on RGB-D camera for urban road | |
Sanberg et al. | Asteroids: A stixel tracking extrapolation-based relevant obstacle impact detection system | |
Chen et al. | Small obstacles image detection and classification for driver assistance | |
CN107452230A (zh) | 一种障碍物检测方法、装置、终端设备及存储介质 | |
CN115792958A (zh) | 一种基于3d激光雷达的无人矿车障碍物检测方法 | |
Rawat | Environment Perception for Autonomous Driving: A 1/10 Scale Implementation Of Low Level Sensor Fusion Using Occupancy Grid Mapping | |
Fan et al. | Image Recognition Based on High Accuracy 3D Depth Map Information | |
Zhang et al. | Technology and application of intelligent driving based on visual perception | |
Chamola et al. | Overtaking mechanisms based on augmented intelligence for autonomous driving: Datasets, methods, and challenges |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |