CN108073893A - 使用距离数据检测植物 - Google Patents
使用距离数据检测植物 Download PDFInfo
- Publication number
- CN108073893A CN108073893A CN201711122022.5A CN201711122022A CN108073893A CN 108073893 A CN108073893 A CN 108073893A CN 201711122022 A CN201711122022 A CN 201711122022A CN 108073893 A CN108073893 A CN 108073893A
- Authority
- CN
- China
- Prior art keywords
- feature
- tracking
- uniformity
- service life
- features
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 239000007787 solid Substances 0.000 claims description 55
- 238000000034 method Methods 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 20
- 230000004888 barrier function Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 description 69
- 238000012544 monitoring process Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- SKIIKRJAQOSWFT-UHFFFAOYSA-N 2-[3-[1-(2,2-difluoroethyl)piperidin-4-yl]oxy-4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]pyrazol-1-yl]-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethanone Chemical compound FC(CN1CCC(CC1)OC1=NN(C=C1C=1C=NC(=NC=1)NC1CC2=CC=CC=C2C1)CC(=O)N1CC2=C(CC1)NN=N2)F SKIIKRJAQOSWFT-UHFFFAOYSA-N 0.000 description 1
- FARHYDJOXLCMRP-UHFFFAOYSA-N 2-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]-1-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]pyrazol-3-yl]oxyacetic acid Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C=1C(=NN(C=1)CC(N1CC2=C(CC1)NN=N2)=O)OCC(=O)O FARHYDJOXLCMRP-UHFFFAOYSA-N 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- MKYBYDHXWVHEJW-UHFFFAOYSA-N N-[1-oxo-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propan-2-yl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(C(C)NC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 MKYBYDHXWVHEJW-UHFFFAOYSA-N 0.000 description 1
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- JAWMENYCRQKKJY-UHFFFAOYSA-N [3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-ylmethyl)-1-oxa-2,8-diazaspiro[4.5]dec-2-en-8-yl]-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]methanone Chemical compound N1N=NC=2CN(CCC=21)CC1=NOC2(C1)CCN(CC2)C(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F JAWMENYCRQKKJY-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005036 potential barrier Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000002604 ultrasonography 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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Navigation (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种用于检测和识别植物的系统包括跟踪部件、跟踪参数部件和分类部件。跟踪部件被配置为检测并跟踪来自一个或多个传感器的距离数据内的一个或多个特征。跟踪参数部件被配置为确定一个或多个特征中的每个的跟踪参数。跟踪参数包括跟踪寿命以及检测一致性和位置可变性中的一个或多个。分类部件被配置为基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。
Description
技术领域
本公开涉及检测植物(foliage),并且更具体地涉及使用距离数据检测植物。
背景技术
汽车为商业、政府和私人实体提供了大部分的运输。目前正在开发和部署自主车辆和驾驶辅助系统以提供安全特征、减少所需的用户输入量、或甚至完全消除用户参与。例如,一些驾驶辅助系统(例如防撞系统)可以在人类驾驶时监视车辆的行驶、位置和速度以及其他对象。当系统检测到碰撞或撞击即将到来时,防撞系统可能会干预并施加刹车,引导车辆,或执行其他避免或安全操纵。作为另一示例,自主车辆可以在很少或者没有用户输入的情况下驾驶、导航和/或停放车辆。由于障碍物避免是自动或辅助驾驶的关键部分,因此正确检测和分类检测到的对象或表面是非常重要的。
发明内容
根据本发明,提供一种用于检测植物的方法,该方法包含:
检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征;
确定一个或多个特征中的每个的跟踪参数,跟踪参数包含跟踪寿命以及检测一致性和位置可变性中的一个或多个;和
基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。
根据本发明的一个实施例,将一个或多个特征中的特征分类为与植物相对应的特征包含基于跟踪寿命低于寿命阈值、检测一致性低于一致性阈值或者位置可变性超过可变性阈值中的一个或多个来分类为与植物相对应的特征。
根据本发明的一个实施例,将一个或多个特征中的特征进行分类包含将第一特征进行分类,方法进一步包含基于跟踪参数将第二特征分类为与结实对象相对应的特征。
根据本发明的一个实施例,将第二特征分类为与结实对象相对应的特征包含基于跟踪寿命超过寿命阈值、检测一致性超过一致性阈值、或者位置可变性低于可变性阈值中的一个或多个来分类为与结实对象相对应的特征。
根据本发明的一个实施例,确定跟踪参数包含确定跟踪寿命,其中确定特定特征的跟踪寿命包含确定特定特征已经被跟踪或检测多长时间。
根据本发明的一个实施例,确定跟踪参数包含确定检测一致性,其中确定特定特征的检测一致性包含确定在时间周期内已经检测到特征的帧的百分比或比值。
根据本发明的一个实施例,确定跟踪参数包含确定位置可变性,其中确定特定特征的位置可变性包含确定特定特征的位置和取向中的一个或多个的标准偏差。
根据本发明的一个实施例,方法进一步包含基于特征的分类来确定是否避免撞击与一个或多个特征中的特征相对应的障碍物。
根据本发明的一个实施例,方法进一步包含基于特征的分类来确定车辆的驾驶操纵。
根据本发明,提供一种系统,包含:
跟踪部件,跟踪部件被配置为检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征;
跟踪参数部件,跟踪参数部件被配置为确定一个或多个特征中的每个的跟踪参数,跟踪参数包含跟踪寿命以及检测一致性和位置可变性中的一个或多个;和
分类部件,分类部件被配置为基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。
根据本发明的一个实施例,分类部件被配置为通过确定以下中的一个或多个来将一个或多个特征中的特征分类为与植物相对应的特征:
跟踪寿命低于寿命阈值;
检测一致性低于一致性阈值;或者
位置可变性超过可变性阈值。
根据本发明的一个实施例,将一个或多个特征中的特征进行分类包含将第一特征进行分类,其中分类部件进一步被配置为基于跟踪参数将第二特征分类为与结实对象相对应的特征。
根据本发明的一个实施例,分类部件被配置为基于以下中的一个或多个来将第二特征分类为与结实对象相对应的特征:
跟踪寿命超过寿命阈值;
检测一致性超过一致性阈值;或者
位置可变性低于可变性阈值。
根据本发明的一个实施例,跟踪参数部件被配置为确定包含以下中的一个或多个的跟踪参数:
跟踪寿命,其中跟踪参数部件被配置为通过确定特定特征已经被跟踪或检测多长时间来确定特定特征的跟踪寿命;
检测一致性,其中跟踪参数部件被配置为通过确定在时间周期内已经检测到特征的帧的百分比或比值来确定特定特征的检测一致性;或者
位置可变性,其中跟踪参数部件被配置为通过确定特定特征的位置和取向中的一个或多个的标准偏差来确定特定特征的位置可变性。
根据本发明的一个实施例,系统进一步包含被配置为执行以下中的一个或多个的障碍物回避部件:
基于特征的分类来确定是否避免撞击与一个或多个特征中的特征相对应的障碍物;或者
基于特征的分类来确定车辆的驾驶操纵。
根据本发明,提供一种存储指令的计算机可读存储介质,指令在由一个或多个处理器执行时使得一个或多个处理器执行下面的操作:
检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征;
确定一个或多个特征中的每个的跟踪参数,跟踪参数包含跟踪寿命以及检测一致性和位置可变性中的一个或多个;和
基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。
根据本发明的一个实施例,指令使得一个或多个处理器通过确定以下中的一个或多个来将一个或多个特征中的特征分类为与植物相对应的特征:
跟踪寿命低于寿命阈值;
检测一致性低于一致性阈值;或者
位置可变性超过可变性阈值。
根据本发明的一个实施例,将一个或多个特征中的特征进行分类包含将第一特征进行分类,其中指令进一步使得一个或多个处理器基于跟踪参数来将第二特征分类为与结实对象相对应的特征。
根据本发明的一个实施例,指令使得一个或多个处理器基于以下中的一个或多个来将第二特征分类为与结实对象相对应的特征:
跟踪寿命超过寿命阈值;
检测一致性超过一致性阈值;或者
位置可变性低于可变性阈值。
根据本发明的一个实施例,指令使得一个或多个处理器通过确定以下中的一个或多个来确定跟踪参数:
跟踪寿命,其中指令使得一个或多个处理器通过确定特定特征已经被跟踪或检测多长时间来确定特定特征的跟踪寿命;
检测一致性,其中指令使得一个或多个处理器通过确定在时间周期内已经检测到特征的帧的百分比或比值来确定特定特征的检测一致性;或者
位置可变性,其中指令使得一个或多个处理器通过确定特定特征的位置和取向中的一个或多个的标准偏差来确定特定特征的位置可变性。
附图说明
参考以下附图描述本公开的非限制性和非穷尽性实施方式,其中除非另有说明,相同的附图标记表示各个视图中的相似部分。关于下面的描述和附图,本公开的优点将变得更好地理解,其中:
图1是示出根据一个实施例的包括自动驾驶/辅助系统的车辆控制系统的实现的示意性框图;
图2示出了在道路附近的区域中的植物的视图;
图3是示出根据一个实施方式的植物检测部件的示例部件的示意性框图;
图4是根据一个实施方式的车辆和车辆附近检测到的结实对象的特征的示意性俯视图;
图5是根据一个实施方式的车辆和车辆附近检测到的植物的特征的示意性俯视图;
图6是示出根据一个实施方式的用于检测植物的方法的示意性框图;和
图7是示出根据一个实施方式的计算系统的示意性框图。
具体实施方式
主动和被动的车辆安全特征可能严重依赖于传感器(超声波、摄像机、雷达等)来精确地检测、分类和跟踪环境中的对象。诸如紧急制动辅助、前向撞击辅助等的主动车辆特征旨在制动以避开可能潜在地造成伤亡的结实对象(例如,墙壁、杆、行人、车辆)。
数据关联和跟踪方法可以用于检测和估计潜在障碍物的轨迹的技术。基于范围的传感器(例如超声波、LIDAR、雷达或其他传感器)提供检测,包括它们的视野中的障碍物或特征的坐标(例如,2维x、y坐标)和速度。该信息可以由跟踪技术用于识别和跟踪车辆环境中的对象。跟踪技术可以检测帧中的对象或特征,并且创建对应于每个对象或特征的轨迹片段。这里使用的术语“轨迹片段(tracklet)”是指用于跟踪传感器数据内的对象或特征的数据对象。
然而,申请人已经认识到,诸如具有草地、小灌木丛、悬垂树枝等的开放地面的植物不一定对移动的车辆是危险的,而是可以通过基于距离的传感器(例如超声波、光检测和测距(LIDAR)或雷达传感器)被检测为结实对象。因此,可以为植物和结实对象形成有效的轨迹片段。这些检测可能会由于主动车辆安全功能而引起大量虚假警报,并且由于被动车辆安全功能重复警告驾驶员而造成的不便。申请人已经认识到,在这些情况下区分植物的能力将有助于确保车辆使用者的舒适性以及安全体验。
申请人已经开发并公开了用于区分距离数据中的植物对象与其他结实对象的系统、方法和装置。根据一个实施例,一种用于检测和识别植物的系统包括跟踪部件、跟踪参数部件和分类部件。跟踪部件被配置为检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征。跟踪参数部件被配置为确定一个或多个特征中的每个的跟踪参数。跟踪参数包括跟踪寿命以及检测一致性和位置可变性中的一个或多个。分类部件被配置为基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。
从距离传感器或(或其他传感器数据)获得的数据连同本文所讨论的方法、算法、系统和设备一起允许研究轨迹片段的三个方面,即寿命、一致性和可变性。轨迹片段的寿命表示通过跟踪算法已经检测到有效对象的持续时间。轨迹片段的一致性包括被跟踪对象的传感器数据随时间的一致性的指示。轨迹片段的可变性可以包括对象的检测位置随时间的标准偏差的指示和/或构成对象的轨迹片段中或轨迹片段的数据点的取向随时间的可变性。
当与诸如墙壁的结实对象相比时,植物在寿命、一致性和可变性方面具有唯一标记。对于寿命,距离传感器或距离数据可以随着时间检测植物的不同部分(树叶、树枝等),并且从而形成多个轨迹片段。这些轨迹片段不能随着时间获得一致的数据,并且因此趋向于比结实对象的轨迹片段更快消失。这通常导致基于植物的轨迹片段具有比结实对象的轨迹片段更低的寿命。对于一致性,当与植物相比时,结实对象随着时间具有与其相关联的更多读数。对于可变性,距离传感器或距离数据可以随着时间检测植物的不同部分(树叶、树枝等),并且与实体静止对象相比,提供给轨迹片段的检测可能具有更大的位置和取向的标准偏差。可以利用植物的唯一标记来将其与其他结实对象区分开。然后,这可以被用于在制动或者其他驾驶操纵或决策方面作出更为计算的决定。
将关于下面的附图讨论其它实施例和示例。
现在参考附图,图1示出了示例车辆控制系统100。车辆控制系统100包括自动驾驶/辅助系统102。自动驾驶/辅助系统102可以用于自动化或控制车辆的操作或者为人类驾驶员提供协助。例如,自动驾驶/辅助系统102可以控制车辆的制动、转向、加速、灯、警报、驾驶员通知、无线电、悬架阻尼或车辆的任何其它驾驶或辅助系统中的一个或多个。在另一示例中,自动驾驶/辅助系统102可能不能提供对驾驶(例如,转向、加速或制动)的任何控制,但是可以提供通知和警报以辅助人类驾驶者安全驾驶。例如,自动驾驶/辅助系统102可以包括一个或多个控制器(例如本文所讨论的那些),该一个或多个控制器通过控制器总线提供或接收数据,并使用这些数据来确定要执行的动作和/或提供指令或信号以启动这些动作的。
车辆控制系统100还包括用于检测附近对象、车道标记、凸块、道路纹理的存在,和/或确定主车辆(例如,包括车辆控制系统100的车辆)的位置的一个或多个传感器系统/设备。例如,车辆控制系统100可以包括雷达系统106、一个或多个LIDAR系统108、一个或多个摄像机系统110、全球定位系统(GPS)112和/或超声系统114。车辆控制系统100可以包括用于存储诸如车辆信息(模型信息或车辆性能特征)、地图数据、驾驶历史(即,行驶历史)或其他数据的相关或有用数据的数据存储器116。车辆控制系统100还可以包括用于与移动或无线网络、其他车辆、基础设施、云或远程计算或存储源或者任何其它通信系统进行无线通信的收发器118。
车辆控制系统100可以包括车辆控制致动器120,以控制诸如电动马达、开关或其他致动器的车辆的驾驶的各个方面,以控制制动、加速、转向、悬架等。车辆控制系统100可以包括一个或多个显示器122、扬声器124或者其他设备,使得可以为人类驾驶员或乘客提供通知。显示器122可以包括可以被车辆的驾驶员或乘客看到的抬头显示器、仪表板显示器或指示器、显示屏幕或者任何其它视觉指示器。扬声器124可以包括车辆的声音系统的一个或多个扬声器,或者可以包括专用于驾驶员通知的扬声器。车辆控制致动器120、显示器122、扬声器124或者车辆控制系统100的其他部件可以通过自动驾驶/辅助系统102的一个或多个控制器来控制。
在一个实施例中,自动驾驶/辅助系统102仅在由人类驾驶员驾驶期间提供辅助和车辆控制。在一个实施例中,自动驾驶/辅助系统102被配置为控制主车辆的驾驶或导航。例如,自动驾驶/辅助系统102可以控制车辆控制致动器120以在道路的车道、停车场、私家车道或其他位置上行驶路径。例如,自动驾驶/辅助系统102可以基于由任何部件106-118提供的信息或感知数据来确定路径。传感器系统/设备106-110和114可以用于获得实时传感器数据,使得自动驾驶/辅助系统102可以辅助驾驶员或者实时驾驶车辆。在一个实施例中,自动驾驶/辅助系统102还使用存储在驾驶历史(本地或远程)中的信息来确定当前环境中的状况。自动驾驶/辅助系统102可以实现驾驶或辅助驾驶车辆的一个或多个算法、应用、程序或功能。
自动驾驶/辅助系统102可以包括用于检测对象和/或将对象分类为与植物相对应的特征的植物检测部件104。植物检测部件104可以将特征、轨迹片段或对象分类为结实对象或植物,以允许车辆控制系统100在两者之间进行区分。植物可以包括树叶、草、灌木丛和/或足够细的树枝,而结实对象可以包括诸如人、其他车辆、路沿、建筑物、杆等的其他对象。例如,车辆控制系统100可能倾向于撞击、接触或驾驶通过植物而不是撞击结实对象。因此,车辆控制系统100可能能够对什么是可接受的或者更可接受的撞击作出决定。在一个实施例中,自动驾驶/辅助系统102对于结实对象可以介入以制动,但是可以允许车辆撞击植物。
应当理解的是,图1的实施例仅以示例的方式给出。在不脱离本公开的范围的情况下,其他实施例可以包括更少的或附加的部件。另外,所示的部件可以组合或包括在其他部件中而不受限制。
图2示出了可以使用由车辆获得的距离数据观察的道路附近的区域200的透视图。区域200包括可以由车辆的传感器检测的多个结实对象和植物。具体地,植物包括灌木202、草204和其他灌木丛206。在某些情况下,车辆接触植物或者驾驶通过植物是可接受的,因为它们对车辆或人损害的可能性很小。所示的结实对象包括路沿208和杆210,其可能导致对车辆、乘客或者对象本身的损坏或伤害。
由车辆收集的距离数据可以生成结实对象208、210以及植物202、204和206的轨迹片段。轨迹片段可以包括对应于相同对象或对象组的一个或多个点。轨迹片段可以包括空间中具有相似位置和/或距离(范围)并且倾向于在帧之间一起移动的一个点或多组点。帧可以包括任何类型的传感器帧,例如LIDAR、雷达、摄像机或超声数据的后续测量值。例如,可以为杆210上的点生成轨迹片段。或者,杆210上的多个点可以被分组在一起以形成单个轨迹片段。可以在后续帧(或测量值)之间跟踪轨迹片段,使得可以监视对应对象或特征的移动。
在一个实施例中,植物检测部件104可以确定可用于区分结实对象与植物的参数。例如,植物检测部件104可以确定多个轨迹片段中的每个的寿命、一致性或可变性中的一个或多个。基于这些参数,植物检测部件104可以将轨迹片段或相应对象分类为植物或结实对象。可以在驾驶期间避开与结实对象的轨迹片段相对应的位置,同时可以允许与植物的轨迹片段相对应的位置用于驾驶。在一个实施例中,可以以比结实对象更低的优先级来避开植物。例如,如果需要,自动驾驶/辅助系统102可以在撞击结实对象和植物之间进行选择,并且自动驾驶/辅助系统102可以选择撞击植物或驾驶越过植物而不是撞击结实对象。类似地,驾驶辅助特征可以提供植物存在的通知(或者忽略植物),但是为结实对象的存在提供警告或不同类型的通知。例如,在土路上的车辙或轮胎轨道之间生长的草不应该产生制动或报警。类似地,如果事故即将来临,则自动驾驶/辅助系统102相比于例如行人、其他车辆或对象来说对撞击丛林或灌木丛的限制较少。应当注意的是,树干、大树枝或者类似物可以与杆210和/或路沿208一起被识别为结实对象,使得可以避开这些类型的对象。
转向图3,示出了根据一个实施例的示出植物检测部件104的部件的示意性框图。植物检测部件104包括距离数据部件302、跟踪部件304、跟踪参数部件306、分类部件308和障碍物回避部件310。部件302-310仅以说明的方式给出,并且可以不都包括在所有实施例中。事实上,一些实施例可以包括部件302-310中的仅一个或者两个或更多个的任何组合。例如,部件302-310中的一些可以位于植物检测部件104的外部,诸如在自动驾驶/辅助系统102内。
距离数据部件302被配置为获得车辆附近的区域的距离数据。例如,距离数据可以包括来自车辆的一个或多个传感器或车辆的车辆控制系统100的数据,或者基于这些数据。在一个实施例中,距离数据可以包括来自超声波传感器、雷达系统、LIDAR系统等的数据。在一个实施例中,距离数据可以包括由摄像机收集的图像数据生成的距离数据。例如,可以处理摄像机图像以识别特征、检测对象以及确定到对象或特征的距离。距离数据可以包括指示到点或对象的距离的任何类型的数据。例如,距离数据可以包括指示车辆或传感器与对象之间的距离的数据,其可以有助于确定与传感器的视野内的对象的距离。例如,LIDAR获得到LIDAR传感器的视野内的每个点的距离。类似地,摄像机数据可以被处理以生成摄像机的视野内的一个或多个点的距离数据。
跟踪部件304被配置为随时间检测和跟踪特征或点。在一个实施例中,跟踪部件304将距离数据(在第一时间点处收集的距离数据)的第一帧中的特征或点与距离数据(在第二时间点处收集的距离数据)的第二帧中的特征或点相关联。通过相关联特征或点,跟踪部件304可以跟踪对象随时间的存在或移动。
跟踪参数部件306被配置为确定距离数据中的一个或多个特征的跟踪参数。特征可以包括由跟踪部件304跟踪的点或轨迹片段。例如,跟踪部件304可以生成和存储关于每个特征随时间的位置或定位的信息。基于该数据,跟踪参数部件306可以确定关于特征的移动、位置或其他细节的一个或多个特征或参数。在一个实施例中,跟踪参数部件306确定特征的跟踪寿命、检测一致性和位置可变性中的一个或多个。
跟踪参数部件306可以确定指示特征的寿命的参数。在一个实施例中,跟踪参数部件306可以通过确定特定特征被跟踪或检测多长时间来确定特定特征的跟踪寿命。例如,跟踪参数部件306可以确定特征已经被跟踪特定数量的帧或者特定的时间量。在一个实施例中,跟踪寿命可以是指示已经检测或跟踪该特征的帧的数量的整数。在另一个实施例中,跟踪寿命可以是以毫秒或秒表示第一次检测到特征的时间段。
跟踪参数部件306可以确定指示已经检测和跟踪特征的一致性或者一致程度的参数。在一个实施例中,跟踪参数部件306可以确定特征的检测一致性,指示在一时间周期内,已经检测和/或跟踪该特征的一致程度。在一个实施例中,检测一致性可以是在一时间周期内检测到特征的帧与该时间周期内距离数据的总帧数的比值。例如,该比值可以是诸如9/10、5/10等的分数。在一个实施例中,检测一致性是在一时间周期内检测到特征的帧的百分比。例如,跟踪参数部件306可以确定跟踪部件304在一时间周期内以帧的90%、50%或某些其他百分比检测到特征。
跟踪参数部件306可以确定指示检测到特征的位置的可变性的参数。在一个实施例中,跟踪参数部件306可以确定特征的位置可变性,指示特征的位置在一时间周期内如何可变。在一个实施例中,位置可变性可以包括特征位置的标准偏差。例如,特征可以在帧之间的移动中具有小的或较大的标准偏差。对象、特征或轨迹片段的标准偏差可以包括以距离单位(例如,英寸、厘米等)表示的对象、特征或轨迹片段相对于车辆的移动的值。移动更多或更随机地移动的对象可能具有较高的标准偏差,而不移动或仅在单个方向(例如,相对于车辆大致线性地移动)的对象可能具有较低的标准偏差。在一个实施例中,位置可变性可以包括特征或对象的取向的标准偏差。例如,取向的标准偏差可以指示由对象上的两个或更多个特征或点确定的对象的表面的角度。对象、特征或轨迹片段的标准偏差可以包括用于车辆的旋转移动的角度值(例如,以度为单位)。测量并显示为旋转、抖动或严重或以不可预测的方式扭曲的特征、轨迹片段或对象可能具有较高的角度标准偏差,而不显示旋转、抖动或严重扭曲的对象可能具有较低的标准偏差。
图4是示出结实对象的检测的示意图。车辆402包括观察视野408中的对象或表面的摄像机404和多个超声波传感器406。例如,摄像机404可以包括备用摄像机,并且超声波传感器406可以包括作为超声波传感器406的部分的传感器。超声波传感器406和/或摄像机404可以生成(或用于生成)视野408中的对象的距离数据。线410表示由跟踪部件304跟踪的特征或轨迹片段随时间的位置和取向。例如,线410靠近在一起并且平行,表示几乎没有移动(靠近在一起)和/或没有旋转(平行)。因此,线410在相应对象的位置和/或角度上显示出小的或几乎没有变化,并且因此可以通过跟踪参数部件306确定在位置和/或取向上具有小的变化(例如,标准偏差)。
图5是示出植物的检测的示意图。线502表示由跟踪部件304跟踪的特征或轨迹片段随时间的位置和取向。例如,线502靠近在一起,但是具有非常不同的取向,表示至少如所检测到的那样可能很少的移动,但是大的旋转或取向的变化。因此,线502在位置上显示出小的或几乎没有变化,但是随着时间的推移,相应对象的角度或取向呈现大的和随机的变化,并且因此可以通过跟踪参数部件306确定具有大的取向变化(例如,标准偏差),但位置变化很小。
注意,尽管图4和图5示出了摄像机和超声波传感器的使用,但是其他实施例可以包括能够生成或者用于生成距离数据的任何类型的传感器,例如LIDAR或雷达系统。
返回到图3,分类部件308被配置为基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。例如,分类部件308可以基于由跟踪参数部件确定的寿命、一致性和/或可变性参数的值来将特征分类为植物或结实对象。例如,如果对象的对应特征或轨迹片段具有低寿命、低一致性和/或高可变性,则分类部件308可以将对象分类为植物。例如,如果跟踪寿命低于寿命阈值,检测一致性低于一致性阈值,和/或位置可变性超过可变性阈值,则特征可以被识别为植物。类似地,如果跟踪寿命超过寿命阈值,检测一致性超过一致性阈值,和/或位置可变性低于可变性阈值,则特征可以被识别为结实对象。在一个实施例中,可以发现这些值的更复杂的组合与结实对象或植物相对应。例如,可以使用神经网络、机器学习算法或其他算法来确定特征或轨迹片段是否与植物或对象相对应以捕获寿命、一致性和/或可变性如何影响分类的更多副差异。
障碍物回避部件310被配置为确定与特征或轨迹片段相对应的区域或位置是否应该被自动或人类驾驶员避开。在一个实施例中,障碍物回避部件310可以确定应当避开与结实对象相对应的特征的位置(例如,如果可能发生碰撞,则障碍物回避系统应当制动)。在一个实施例中,障碍物回避部件310可以确定与植物相对应的位置不需要被避开,或者以比结实对象更低的优先级来避开。在一个实施例中,障碍物回避部件310基于作为植物或结实对象的特征的分类来确定是否避免撞击与一个或多个特征中的特征相对应的障碍物。例如,障碍物回避部件310可以基于特征的分类来确定车辆的驾驶操纵。驾驶操纵可以包括避开结实对象的操纵,但涉及驾驶通过或进入植物。
在一个实施例中,障碍物回避部件310可以向车辆控制系统100提供植物、结实对象等的位置的指示,以用于决策或驾驶员通知。例如,可以向驾驶员通知植物或结实对象的存在。作为另一示例,如果车辆太接近结实对象,则自动驾驶/辅助系统102可以制动,同时允许车辆在不制动的情况下接近和/或甚至接触植物。
图6是示出用于检测植物的方法600的示意性流程图。方法600可以由植物检测系统或车辆控制系统(例如图1或图3的植物检测系统104或者图1的车辆控制系统100)执行。
方法600开始,并且跟踪部件304在602处检测并跟踪来自一个或多个传感器的距离数据内的一个或多个特征。跟踪参数部件306在604处确定一个或多个特征中的每个的跟踪参数。跟踪参数包括跟踪寿命以及检测一致性和位置可变性中的一个或多个。分类部件308在606处基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。可以将植物或结实对象的分类和/或位置提供给用于避免和/或决策的控制系统。
现在参考图7,示出了示例计算设备700的框图。计算设备700可以用于执行各种过程,例如本文讨论的那些。计算设备700可以用作植物检测部件104、自动驾驶/辅助系统102或者类似。计算设备700可以执行如本文所讨论的各种监测功能,并且可以执行一个或多个应用程序,诸如本文描述的应用程序或功能。计算设备700可以是诸如台式计算机、嵌入式计算机、车辆控制系统、笔记本电脑、服务器计算机、掌上电脑、平板电脑等各种各样的计算设备中的任何一种。
计算设备700包括一个或多个处理器702、一个或多个存储器设备704、一个或多个界面706、一个或多个大容量存储设备708、一个或多个输入/输出(I/O)设备710和显示设备730,所有这些都连接到总线712。处理器702包括执行存储在存储器设备704和/或大容量存储设备708中的指令的一个或多个处理器或控制器。处理器702还可以包括各种类型的计算机可读介质,例如高速缓冲存储器。
存储器设备704包括各种计算机可读介质,例如易失性存储器(例如,随机存取存储器(RAM)714)和/或非易失性存储器(例如,只读存储器(ROM)716)。存储器设备704还可以包括可重写ROM,例如闪存。
大容量存储设备708包括各种计算机可读介质,例如磁带、磁盘、光盘、固态存储器(例如,闪存)等。如图7所示,特定的大容量存储设备是硬盘驱动器724。也可以在大容量存储设备708中包括各种驱动器,以使得能够从各种计算机可读介质读取和/或向各种计算机可读介质写入。大容量存储设备708包括可移动介质726和/或不可移动介质。
I/O设备710包括允许将数据和/或其他信息输入到计算设备700或者从计算设备700检索的各种设备。示例I/O设备710包括光标控制设备、键盘、键板、麦克风、监视器或其他显示设备、扬声器、打印机、网络接口卡、调制解调器等。
显示设备730包括能够向计算设备700的一个或多个用户显示信息的任何类型的设备。显示设备730的示例包括监视器、显示终端、视频投影设备等。
界面706包括允许计算设备700与其他系统、设备或计算环境交互的各种界面。示例界面706可以包括任何数量的不同的网络界面720,例如到局域网(LAN)、广域网(WAN)、无线网络和因特网的界面。其他界面包括用户界面718和外围设备界面722。界面706还可以包括一个或多个用户界面元件718。界面706还可以包括一个或多个外围界面,例如用于打印机、指示设备(鼠标、跟踪板或者现场为普通技术人员已知的或稍后发现的任何合适的用户界面)、键盘等。
总线712允许处理器702、存储器设备704、界面706、大容量存储设备708和I/O设备710以及连接到总线712的其他设备或部件彼此通信。总线712表示多种类型的总线结构(例如系统总线、PCI(外设部件互联标准)总线、IEEE总线、USB(通用串行)总线等)中的一种或多种。
为了说明的目的,程序和其他可执行程序部件在本文中示出为离散框,但是应当理解的是,这样的程序和部件可以在不同时间驻留在计算设备700的不同存储部件中,并且通过处理器702执行。或者,本文描述的系统和过程可以以硬件、或者硬件、软件和/或固件的组合来实现。例如,可以编程一个或多个专用集成电路(ASIC)来执行本文所述的一个或多个系统和过程。
示例
以下示例涉及另外的实施例。
示例1是一种检测植物的方法。该方法包括检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征。该方法包括确定一个或多个特征中的每个的跟踪参数。跟踪参数包括跟踪寿命以及检测一致性和位置可变性中的一个或多个。该方法包括基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。
在示例2中,如示例1中的将一个或多个特征中的特征分类为与植物相对应的特征包括基于跟踪寿命低于寿命阈值、检测一致性低于一致性阈值或者位置可变性超过可变性阈值中的一个或多个来分类为与植物相对应的特征。
在示例3中,如示例1-2中任一项的对一个或多个特征中的特征进行分类包括将第一特征进行分类,所述方法还包括基于跟踪参数将第二特征分类为与结实对象相对应的特征。
在示例4中,如示例3中的将第二特征分类为与结实对象相对应的特征包括基于跟踪寿命超过寿命阈值、检测一致性超过一致性阈值、或者位置可变性低于可变性阈值中的一个或多个来分类为与结实对象相对应的特征。
在示例5中,如示例1-4中任一项的确定跟踪参数包括确定跟踪寿命,其中确定特定特征的跟踪寿命包含确定特定特征已经被跟踪或检测多长时间。
在示例6中,如示例1-5中任一项的确定跟踪参数包括确定检测一致性,其中确定特定特征的检测一致性包含确定在时间周期内已经检测到该特征的帧的百分比或比值。
在示例7中,如示例1-6中任一项的确定跟踪参数包括确定位置可变性,其中确定特定特征的位置可变性包含确定特定特征的位置和取向中的一个或多个的标准偏差。
在示例8中,如示例1-7中任一项的方法还包括基于特征的分类来确定是否避免撞击与一个或多个特征的特征相对应的障碍物。
在示例9中,如示例1-8中任一项的方法还包括基于特征的分类来确定车辆的驾驶操纵。
示例10是一种包括跟踪部件、跟踪参数部件和分类部件的系统。跟踪部件被配置为检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征。跟踪参数部件被配置为确定一个或多个特征中的每个的跟踪参数,跟踪参数包含跟踪寿命以及检测一致性和位置可变性中的一个或多个。分类部件被配置为基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。
在示例11中,如示例10中的分类部件被配置为通过确定跟踪寿命低于寿命阈值;检测一致性低于一致性阈值;或者位置可变性超过可变性阈值中的一个或多个来将一个或多个特征中的特征分类为与植物相对应的特征。
在示例12中,如示例10-11中任一项的将一个或多个特征中的特征进行分类包括将第一特征进行分类,其中分类部件被进一步配置为基于跟踪参数将第二特征分类为与结实对象相对应的特征。
在示例13中,如示例12中的分类部件被配置为基于以下中的一个或多个来将第二特征分类为与结实对象相对应的特征:跟踪寿命超过寿命阈值;检测一致性超过一致性阈值;或者位置可变性低于可变性阈值。
在示例14中,如示例10-13中任一项的跟踪参数部件被配置为确定包括以下中的一个或多个的跟踪参数:跟踪寿命,其中跟踪参数部件被配置为通过确定特定特征已经被跟踪或检测多长时间来确定特定特征的跟踪寿命;检测一致性,其中跟踪参数部件被配置为通过确定在一时间周期内已经检测到特征的帧的百分比或比值来确定特定特征的检测一致性;或者位置可变性,其中跟踪参数部件被配置为通过确定特定特征的位置和取向中的一个或多个的标准偏差来确定特定特征的位置可变性。
在示例15中,如权利要求10的系统,还包含被配置为执行以下中的一个或多个的障碍物回避部件:基于特征的分类来确定是否避免撞击与一个或多个特征中的特征相对应的障碍物;或基于特征的分类来确定车辆的驾驶操纵。
示例16是一种存储指令的计算机可读存储介质,当指令由一个或多个处理器执行时,使得一个或多个处理器检测并跟踪来自一个或多个传感器的距离数据内的一个或多个特征。指令使得一个或多个处理器确定一个或多个特征中的每个的跟踪参数,跟踪参数包括跟踪寿命以及检测一致性和位置可变性中的一个或多个。指令使得一个或多个处理器基于跟踪参数将一个或多个特征中的特征分类为与植物相对应的特征。
在示例17中,如示例16中的指令使得一个或多个处理器通过确定以下中的一个或多个来将一个或多个特征中的特征分类为与植物相对应的特征:跟踪寿命低于寿命阈值;检测一致性低于一致性阈值;或者位置可变性超过可变性阈值。
在示例18中,如示例16-17中任一项的将一个或多个特征中的特征进行分类包括将第一特征进行分类,其中指令还使得一个或多个处理器基于跟踪参数来将第二特征分类为与结实对象相对应的特征。
在示例19中,如示例18中的指令使得一个或多个处理器基于以下中的一个或多个来将第二特征分类为与结实对象相对应的特征:跟踪寿命超过寿命阈值;检测一致性超过一致性阈值;或者位置可变性低于可变性阈值。
在示例20中,如示例16-19中任一项的指令使一个或多个处理器通过确定以下中的一个或多个来确定跟踪参数:跟踪寿命,其中指令使得一个或多个处理器通过确定特定特征已经被跟踪或检测多长时间来确定特定特征的跟踪寿命;检测一致性,其中指令使得一个或多个处理器通过确定在一时间周期内已经检测到特征的帧的百分比或比值来确定特定特征的检测一致性;或者位置可变性,其中指令使得一个或多个处理器通过确定特定特征的位置和取向中的一个或多个的标准偏差来确定特定特征的位置可变性。
示例21是包括用于实施如示例1-20中任一项所述的方法、系统或设备的手段的系统或设备。
在上述公开内容中,已经参考了形成其一部分的附图,并且通过图示的方式示出了可以实践本公开的具体实施方式。应当理解的是,在不脱离本公开的范围的情况下,可以利用其他实现并且可以进行结构改变。说明书中对“一个示例”、“一示例”、“示例示例”等的参考指出所描述的示例可以包括特定特性、结构或特征,但是每个示例可以不一定包括特定特性、结构或特性。此外,这样的短语不一定指代相同的示例。此外,当结合示例描述特定特性、结构或特征时,认为结合其他示例影响这些特性、结构或特征都在本领域技术人员的知识范围内,不论是否明确描述。
本文公开的系统、设备和方法的实现可以包含或利用包括计算机硬件(例如,一个或多个处理器和系统存储器)的专用或通用计算机,如本文所讨论的。在本公开的范围内的实现还可以包括用于携带或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。这样的计算机可读介质可以是可由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(设备)。携带计算机可执行指令的计算机可读介质是传输介质。因此,作为示例而非限制,本公开的实现可以包含至少两种明显不同种类的计算机可读介质:计算机存储介质(设备)和传输介质。
计算机存储介质(设备)包括RAM(随机存取存储器)、ROM(只读存储器)、EEPROM(电可擦除可编程只读存储器)、CD-ROM、固态驱动器(“SSD”)(例如,基于RAM)、闪存、相变存储器(“PCM”)、其它类型存储器、其他光盘存储器、磁盘存储器或者其他磁存储设备、或者可用于以计算机可执行指令或数据结构的形式存储期望的程序代码并且可以由通用或专用电脑访问的任何其他介质。
本文公开的设备、系统和方法的实现可以通过计算机网络进行通信。“网络”被定义为使得能够在计算机系统和/或模块和/或其他电子设备之间传送电子数据的一个或多个数据链路。当信息通过网络或其他通信连接(硬连线、无线、或者硬连线或无线的组合)传送或提供给计算机时,计算机将连接正确地视为传输介质。传输介质可以包括网络和/或数据链路,其可以用于以计算机可执行指令或数据结构的形式携带期望的程序代码装置,并且可以由通用或专用计算机访问。上面的组合也应包括在计算机可读介质的范围内。
计算机可执行指令包含例如在处理器上执行时使通用计算机、专用计算机或专用处理设备执行某个功能或功能组的指令和数据。计算机可执行指令可以是例如二进制文件、诸如汇编语言的中间格式指令,甚至是源代码。尽管主题已经用特定于结构特征和/或方法动作的语言描述,但是应当理解的是,所附权利要求中限定的主题不一定限于上述所描述的特征或动作。相反,所描述的特征和动作被公开为实现权利要求的示例形式。
本领域技术人员将理解的是,本公开可以在具有许多类型的计算机系统配置的网络计算环境中实现,所述计算机系统配置包括:内置车载计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持设备、多处理器系统、基于微处理器或可编程消费者电子产品、网络PC(个人电脑)、小型计算机、大型计算机、移动电话、PDA(个人数字助理)、平板电脑、寻呼机、路由器、交换机、各种存储设备等。本公开还可以在分布式系统环境中实现,其中通过网络链接(或者通过硬连线数据链路、无线数据链路,或者通过硬连线数据链路和无线数据链路的组合)的本地和远程计算机系统二者都执行任务。在分布式系统环境中,程序模块可以位于本地和远程存储设备中。
此外,在适当的情况下,可以在硬件、软件、固件、数字部件或模拟部件中的一个或多个中执行本文所描述的功能。例如,可以编程一个或多个专用集成电路(ASIC)来执行本文所描述的一个或多个系统和过程。在整个描述和权利要求中使用某些术语来指代特定的系统部件。如本领域技术人员将理解的,部件可以通过不同的名称引用。本文档不旨在区分名称不同而不是功能不同的部件。
应当注意的是,上面讨论的传感器示例可以包含计算机硬件、软件、固件或者它们的任何组合,以执行它们的功能的至少一部分。例如,传感器可以包括配置为在一个或多个处理器中执行的计算机代码,并且可以包括由计算机代码控制的硬件逻辑/电路。这些示例设备在本文中为了说明的目的而提供,并且不旨在是限制性的。本公开的示例可以在相关领域的技术人员已知的更多类型的设备中实现。
本公开的至少一些示例已经针对包含存储在任何计算机可用介质上的逻辑(例如,以软件的形式)的计算机程序产品。当在一个或多个数据处理设备中执行时,这样的软件使得设备如本文所述地进行操作。
虽然上面已经描述了本公开的各种示例,但是应当理解的是,它们已经仅作为示例而不是限制来呈现。对于相关领域的技术人员显而易见的是,在不脱离本公开的精神和范围的情况下,可以在形式和细节上进行各种改变。因此,本公开的宽度和范围不应该由上述示例性示例中的任何一个限制,而应仅根据所附权利要求及其等同物来限定。为了说明和描述的目的,已经呈现了前述描述。它不旨在是穷举的,也不是将本公开限制为所公开的精确形式。鉴于上述教导,许多修改和变化是可能的。此外,应当注意的是,可以以期望形成本公开的附加混合实现的任何组合来使用上述替代实现中的任何或全部。
此外,虽然已经描述和示出了本公开的具体实现,但是本公开不旨在限于如此描述和示出的部件的具体形式或布置。本公开的范围将通过所附权利要求、本文和不同应用中提出的任何未来权利要求以及它们的等价物来限定。
Claims (15)
1.一种用于检测植物的方法,所述方法包含:
检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征;
确定所述一个或多个特征中的每个的跟踪参数,所述跟踪参数包含跟踪寿命以及检测一致性和位置可变性中的一个或多个;和
基于所述跟踪参数来将所述一个或多个特征中的特征分类为与植物相对应的特征。
2.根据权利要求1所述的方法,其中包含以下中的一个或多个:
将所述一个或多个特征中的所述特征分类为与植物相对应的特征包含基于所述跟踪寿命低于寿命阈值、所述检测一致性低于一致性阈值或者所述位置可变性超过可变性阈值中的一个或多个来分类为与植物相对应的特征;
将所述一个或多个特征中的所述特征进行分类包含将第一特征进行分类,所述方法进一步包含基于所述跟踪参数来将第二特征分类为与结实对象相对应的特征;或者
将所述第二特征分类为与结实对象相对应的特征包含基于所述跟踪寿命超过寿命阈值、所述检测一致性超过一致性阈值、或者所述位置可变性低于可变性阈值中的一个或多个来分类为与结实对象相对应的特征。
3.根据权利要求1所述的方法,其中确定跟踪参数包含以下中的一个或多个:
确定所述跟踪寿命,其中确定特定特征的所述跟踪寿命包含确定所述特定特征已经被跟踪或检测多长时间;
确定所述检测一致性,其中确定特定特征的所述检测一致性包含确定在时间周期内已经检测到所述特征的帧的百分比或比值;或者
确定所述位置可变性,其中确定特定特征的所述位置可变性包含确定所述特定特征的位置和取向中的一个或多个的标准偏差。
4.根据权利要求1所述的方法,进一步包含以下中的一个或多个:
基于所述特征的所述分类来确定是否避免撞击与所述一个或多个特征中的所述特征相对应的障碍物;或者
基于所述特征的所述分类来确定车辆的驾驶操纵。
5.一种系统,包含:
跟踪部件,所述跟踪部件被配置为检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征;
跟踪参数部件,所述跟踪参数部件被配置为确定所述一个或多个特征中的每个的跟踪参数,所述跟踪参数包含跟踪寿命以及检测一致性和位置可变性中的一个或多个;和
分类部件,所述分类部件被配置为基于所述跟踪参数来将所述一个或多个特征中的所述特征分类为与植物相对应的特征。
6.根据权利要求5所述的系统,其中所述分类部件被配置为通过确定以下中的一个或多个来将所述一个或多个特征中的所述特征分类为与植物相对应的特征:
所述跟踪寿命低于寿命阈值;
所述检测一致性低于一致性阈值;或者
所述位置可变性超过可变性阈值。
7.根据权利要求5所述的系统,其中将所述一个或多个特征中的所述特征进行分类包含将第一特征进行分类,其中所述分类部件进一步被配置为基于所述跟踪参数来将第二特征分类为与结实对象相对应的特征。
8.根据权利要求7所述的系统,其中所述分类部件被配置为基于以下中的一个或多个来将所述第二特征分类为与结实对象相对应的特征:
所述跟踪寿命超过寿命阈值;
所述检测一致性超过一致性阈值;或者
所述位置可变性低于可变性阈值。
9.根据权利要求5所述的系统,其中所述跟踪参数部件被配置为确定包含以下中的一个或多个的跟踪参数:
所述跟踪寿命,其中所述跟踪参数部件被配置为通过确定特定特征已经被跟踪或检测多长时间来确定所述特定特征的所述跟踪寿命;
所述检测一致性,其中所述跟踪参数部件被配置为通过确定在时间周期内已经检测到特征的帧的百分比或比值来确定所述特定特征的所述检测一致性;或者
所述位置可变性,其中所述跟踪参数部件被配置为通过确定特定特征的位置和取向中的一个或多个的标准偏差来确定所述特定特征的所述位置可变性。
10.根据权利要求5所述的方法,进一步包含被配置为执行以下中的一个或多个的障碍物回避部件:
基于所述特征的所述分类来确定是否避免撞击与所述一个或多个特征中的所述特征相对应的障碍物;或者
基于所述特征的所述分类来确定车辆的驾驶操纵。
11.一种计算机可读存储介质,所述计算机可读存储介质存储指令,所述指令在由一个或多个处理器执行时使得所述一个或多个处理器执行下面的操作:
检测和跟踪来自一个或多个传感器的距离数据内的一个或多个特征;
确定所述一个或多个特征中的每个的跟踪参数,所述跟踪参数包含跟踪寿命以及检测一致性和位置可变性中的一个或多个;和
基于所述跟踪参数来将所述一个或多个特征中的特征分类为与植物相对应的特征。
12.根据权利要求11所述的计算机可读存储介质,其中所述指令使得所述一个或多个处理器通过确定以下中的一个或多个来将所述一个或多个特征中的所述特征分类为与植物相对应的特征:
所述跟踪寿命低于寿命阈值;
所述检测一致性低于一致性阈值;或者
所述位置可变性超过可变性阈值。
13.根据权利要求11所述的计算机可读存储介质,其中将所述一个或多个特征中的所述特征进行分类包含将第一特征进行分类,其中所述指令进一步使得所述一个或多个处理器基于所述跟踪参数来将第二特征分类为与结实对象相对应的特征。
14.根据权利要求13所述的计算机可读存储介质,其中所述指令使得所述一个或多个处理器基于以下中的一个或多个来将所述第二特征分类为与结实对象相对应的特征:
所述跟踪寿命超过寿命阈值;
所述检测一致性超过一致性阈值;或者
所述位置可变性低于可变性阈值。
15.根据权利要求11所述的计算机可读存储介质,其中所述指令使得所述一个或多个处理器通过确定以下中的一个或多个来确定所述跟踪参数:
所述跟踪寿命,其中所述指令使得所述一个或多个处理器通过确定特定特征已经被跟踪或检测多长时间来确定所述特定特征的所述跟踪寿命;
所述检测一致性,其中所述指令使得所述一个或多个处理器通过确定在时间周期内已经检测到特征的帧的百分比或比值来确定所述特定特征的所述检测一致性;或者
所述位置可变性,其中所述指令使得所述一个或多个处理器通过确定特定特征的位置和取向中的一个或多个的标准偏差来确定所述特定特征的所述位置可变性。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/353,640 US10163015B2 (en) | 2016-11-16 | 2016-11-16 | Detecting foliage using range data |
US15/353,640 | 2016-11-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108073893A true CN108073893A (zh) | 2018-05-25 |
CN108073893B CN108073893B (zh) | 2023-09-12 |
Family
ID=60788507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711122022.5A Active CN108073893B (zh) | 2016-11-16 | 2017-11-14 | 使用距离数据检测植物 |
Country Status (6)
Country | Link |
---|---|
US (2) | US10163015B2 (zh) |
CN (1) | CN108073893B (zh) |
DE (1) | DE102017126760A1 (zh) |
GB (1) | GB2558995A (zh) |
MX (1) | MX2017014588A (zh) |
RU (1) | RU2707695C2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210232829A1 (en) * | 2018-05-29 | 2021-07-29 | Mitsubishi Electric Corporation | Object recognition device and object recognition method |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10163015B2 (en) * | 2016-11-16 | 2018-12-25 | Ford Global Technologies, Llc | Detecting foliage using range data |
US10310079B1 (en) * | 2018-03-02 | 2019-06-04 | Amazon Technologies, Inc. | Presence detection using wireless signals confirmed with ultrasound and/or audio |
US11353877B2 (en) | 2019-12-16 | 2022-06-07 | Zoox, Inc. | Blocked region guidance |
US11789155B2 (en) | 2019-12-23 | 2023-10-17 | Zoox, Inc. | Pedestrian object detection training |
JP2023508043A (ja) * | 2019-12-23 | 2023-02-28 | ズークス インコーポレイテッド | オブジェクトを伴う歩行者 |
US11462041B2 (en) | 2019-12-23 | 2022-10-04 | Zoox, Inc. | Pedestrians with objects |
DE102020105821A1 (de) | 2020-03-04 | 2021-09-09 | Connaught Electronics Ltd. | Verfahren und System zum Führen eines Fahrzeugs |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1633536A (zh) * | 2002-07-05 | 2005-06-29 | G&G诺芙尼威德米和克斯克德米有限公司 | 用于轨道车辆的除草方法 |
US20060257017A1 (en) * | 2005-05-12 | 2006-11-16 | Huitao Luo | Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture |
US20100023183A1 (en) * | 2008-07-24 | 2010-01-28 | Gm Global Technology Operations, Inc. | Adaptive vehicle control system with integrated maneuver-based driving style recognition |
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 |
CN101783019A (zh) * | 2008-12-26 | 2010-07-21 | 佳能株式会社 | 被摄体跟踪设备及其控制方法、摄像设备以及显示设备 |
CN101975951A (zh) * | 2010-06-09 | 2011-02-16 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
CN102799900A (zh) * | 2012-07-04 | 2012-11-28 | 西南交通大学 | 一种基于检测中支持在线聚类学习的对象跟踪方法 |
US20140266860A1 (en) * | 2013-03-14 | 2014-09-18 | Gaddi BLUMROSEN | Method and system for activity detection and classification |
US20150045988A1 (en) * | 2013-08-09 | 2015-02-12 | Ford Global Technologies, Llc | Multi-vehicle settings |
US9229102B1 (en) * | 2009-12-18 | 2016-01-05 | L-3 Communications Security And Detection Systems, Inc. | Detection of movable objects |
CN105321226A (zh) * | 2014-07-31 | 2016-02-10 | 福特全球技术公司 | 用于车辆数据采集和分析的方法和系统 |
CN105354986A (zh) * | 2015-11-12 | 2016-02-24 | 熊强 | 汽车司机驾驶状态监测系统及方法 |
CN105523038A (zh) * | 2014-10-17 | 2016-04-27 | 福特全球技术公司 | 基于活动跟踪的车辆操作 |
US20160161607A1 (en) * | 2014-12-08 | 2016-06-09 | Northrop Grumman Systems Corporation | Feature-based tracking of moving objects |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7295925B2 (en) | 1997-10-22 | 2007-11-13 | Intelligent Technologies International, Inc. | Accident avoidance systems and methods |
US6882287B2 (en) * | 2001-07-31 | 2005-04-19 | Donnelly Corporation | Automotive lane change aid |
US20100013615A1 (en) | 2004-03-31 | 2010-01-21 | Carnegie Mellon University | Obstacle detection having enhanced classification |
US7483549B2 (en) * | 2004-11-30 | 2009-01-27 | Honda Motor Co., Ltd. | Vehicle surroundings monitoring apparatus |
JP4169022B2 (ja) * | 2005-08-05 | 2008-10-22 | 日産自動車株式会社 | 車両用運転操作補助装置および車両用運転操作補助装置を備える車両 |
US8577538B2 (en) | 2006-07-14 | 2013-11-05 | Irobot Corporation | Method and system for controlling a remote vehicle |
WO2007077713A1 (ja) * | 2006-01-05 | 2007-07-12 | Nec Corporation | 映像生成装置、映像生成方法および映像生成プログラム |
US8195342B2 (en) | 2008-09-11 | 2012-06-05 | Deere & Company | Distributed knowledge base for vehicular localization and work-site management |
CN101419667B (zh) * | 2008-12-15 | 2010-12-08 | 东软集团股份有限公司 | 识别图像中障碍物的方法和装置 |
EP2315048A1 (en) | 2009-10-22 | 2011-04-27 | Toyota Motor Europe NV/SA | Submillimeter radar using signals reflected from multiple angles |
US8493482B2 (en) * | 2010-08-18 | 2013-07-23 | Apple Inc. | Dual image sensor image processing system and method |
JP5760425B2 (ja) * | 2010-12-17 | 2015-08-12 | 富士通株式会社 | 制御装置、レーダ検知システム、レーダ検知方法 |
RU2544775C1 (ru) | 2011-09-12 | 2015-03-20 | Ниссан Мотор Ко., Лтд. | Устройство обнаружения трехмерных объектов |
RU2488164C1 (ru) * | 2012-04-03 | 2013-07-20 | Федеральное государственное бюджетное учреждение науки Институт систем обработки и изображений Российской академии наук (ИСОИ РАН) | Способ локализации дорожных знаков и распознавания их групп и подгрупп |
JP5867273B2 (ja) * | 2012-04-27 | 2016-02-24 | 富士通株式会社 | 接近物体検知装置、接近物体検知方法及び接近物体検知用コンピュータプログラム |
US9092692B2 (en) * | 2012-09-13 | 2015-07-28 | Los Alamos National Security, Llc | Object detection approach using generative sparse, hierarchical networks with top-down and lateral connections for combining texture/color detection and shape/contour detection |
IL227860B (en) | 2013-08-08 | 2019-05-30 | Israel Aerospace Ind Ltd | Classification of objects in a scanned environment |
JP6346614B2 (ja) * | 2013-09-13 | 2018-06-20 | マクセル株式会社 | 情報表示システム |
JP6263970B2 (ja) * | 2013-11-11 | 2018-01-24 | 村田機械株式会社 | 自律走行台車、及び、予定走行経路データのデータ構造 |
KR101519261B1 (ko) * | 2013-12-17 | 2015-05-11 | 현대자동차주식회사 | 차량의 모니터링 방법 및 자동 제동 장치 |
US9505404B2 (en) | 2015-04-10 | 2016-11-29 | Jaguar Land Rover Limited | Collision avoidance system |
US10137890B2 (en) * | 2016-06-28 | 2018-11-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Occluded obstacle classification for vehicles |
US10163015B2 (en) * | 2016-11-16 | 2018-12-25 | Ford Global Technologies, Llc | Detecting foliage using range data |
US10261513B2 (en) * | 2016-12-19 | 2019-04-16 | drive.ai Inc. | Methods for communicating state, intent, and context of an autonomous vehicle |
-
2016
- 2016-11-16 US US15/353,640 patent/US10163015B2/en active Active
-
2017
- 2017-10-04 RU RU2017134785A patent/RU2707695C2/ru active
- 2017-11-14 DE DE102017126760.3A patent/DE102017126760A1/de active Pending
- 2017-11-14 MX MX2017014588A patent/MX2017014588A/es unknown
- 2017-11-14 GB GB1718780.8A patent/GB2558995A/en not_active Withdrawn
- 2017-11-14 CN CN201711122022.5A patent/CN108073893B/zh active Active
-
2018
- 2018-11-08 US US16/184,680 patent/US10521680B2/en active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1633536A (zh) * | 2002-07-05 | 2005-06-29 | G&G诺芙尼威德米和克斯克德米有限公司 | 用于轨道车辆的除草方法 |
US20060257017A1 (en) * | 2005-05-12 | 2006-11-16 | Huitao Luo | Classification methods, classifier determination methods, classifiers, classifier determination devices, and articles of manufacture |
US20100023183A1 (en) * | 2008-07-24 | 2010-01-28 | Gm Global Technology Operations, Inc. | Adaptive vehicle control system with integrated maneuver-based driving style recognition |
CN101783019A (zh) * | 2008-12-26 | 2010-07-21 | 佳能株式会社 | 被摄体跟踪设备及其控制方法、摄像设备以及显示设备 |
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 |
US9229102B1 (en) * | 2009-12-18 | 2016-01-05 | L-3 Communications Security And Detection Systems, Inc. | Detection of movable objects |
CN101975951A (zh) * | 2010-06-09 | 2011-02-16 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
CN102799900A (zh) * | 2012-07-04 | 2012-11-28 | 西南交通大学 | 一种基于检测中支持在线聚类学习的对象跟踪方法 |
US20140266860A1 (en) * | 2013-03-14 | 2014-09-18 | Gaddi BLUMROSEN | Method and system for activity detection and classification |
US20150045988A1 (en) * | 2013-08-09 | 2015-02-12 | Ford Global Technologies, Llc | Multi-vehicle settings |
CN105321226A (zh) * | 2014-07-31 | 2016-02-10 | 福特全球技术公司 | 用于车辆数据采集和分析的方法和系统 |
CN105523038A (zh) * | 2014-10-17 | 2016-04-27 | 福特全球技术公司 | 基于活动跟踪的车辆操作 |
US20160161607A1 (en) * | 2014-12-08 | 2016-06-09 | Northrop Grumman Systems Corporation | Feature-based tracking of moving objects |
CN105354986A (zh) * | 2015-11-12 | 2016-02-24 | 熊强 | 汽车司机驾驶状态监测系统及方法 |
Non-Patent Citations (3)
Title |
---|
张方明: "田间路径识别算法和基于立体视觉的车辆自动导航方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
张方明: "田间路径识别算法和基于立体视觉的车辆自动导航方法研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 9, 15 September 2006 (2006-09-15), pages 140 - 18 * |
聂一鸣: "高速公路自主驾驶汽车视觉感知算法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 11, pages 035 - 2 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210232829A1 (en) * | 2018-05-29 | 2021-07-29 | Mitsubishi Electric Corporation | Object recognition device and object recognition method |
US11790660B2 (en) * | 2018-05-29 | 2023-10-17 | Mitsubishi Electric Corporation | Object recognition device and object recognition method |
Also Published As
Publication number | Publication date |
---|---|
US20190080184A1 (en) | 2019-03-14 |
GB201718780D0 (en) | 2017-12-27 |
RU2017134785A (ru) | 2019-04-04 |
RU2017134785A3 (zh) | 2019-08-05 |
GB2558995A (en) | 2018-07-25 |
MX2017014588A (es) | 2018-10-04 |
RU2707695C2 (ru) | 2019-11-28 |
US20180137374A1 (en) | 2018-05-17 |
DE102017126760A1 (de) | 2018-05-17 |
US10521680B2 (en) | 2019-12-31 |
US10163015B2 (en) | 2018-12-25 |
CN108073893B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073893A (zh) | 使用距离数据检测植物 | |
US11574089B2 (en) | Synthetic scenario generator based on attributes | |
US11493920B2 (en) | Autonomous vehicle integrated user alert and environmental labeling | |
US10885777B2 (en) | Multiple exposure event determination | |
US11688174B2 (en) | System and method for determining vehicle data set familiarity | |
CN109933062A (zh) | 自动驾驶车辆的报警系统 | |
CN106980814A (zh) | 用显著性地图的行人检测 | |
US11282388B2 (en) | Edge-assisted alert system | |
CN107644197A (zh) | 后部摄像机车道检测 | |
JP2019091412A (ja) | 道路の曲率データ無しでの進行レーン識別 | |
CN108398686A (zh) | 龙卷风探测系统和方法 | |
CN106891888A (zh) | 车辆转向信号检测 | |
CN106873580A (zh) | 基于感知数据在交叉口处自主驾驶 | |
CN108859938A (zh) | 用于自动驾驶车辆的自动车辆应急灯控制的方法和系统 | |
CN108470147A (zh) | 使用单目摄像机和深度学习的自由空间检测 | |
CN108688654A (zh) | 枝叶检测训练系统和方法 | |
EP3815061B1 (en) | Theft proof techniques for autonomous driving vehicles used for transporting goods | |
US20240071100A1 (en) | Pipeline Architecture for Road Sign Detection and Evaluation | |
WO2023179494A1 (zh) | 危险预警的方法、装置和车辆 | |
CN114787894A (zh) | 感知误差模型 | |
CN114664085A (zh) | 危险路段的提醒方法、装置、电子设备及介质 | |
US20240046779A1 (en) | Driving determination system, driving determination method, and recording medium | |
JP2011198266A (ja) | 危険判定装置及びプログラム | |
Menendez et al. | Detecting and Predicting Smart Car Collisions in Hybrid Environments from Sensor Data | |
US20230410567A1 (en) | Systems and methods for assessing the performance of an automated autonomous driving evaluator |
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 |