CN108693541B - 障碍检测系统和方法 - Google Patents
障碍检测系统和方法 Download PDFInfo
- Publication number
- CN108693541B CN108693541B CN201810272433.0A CN201810272433A CN108693541B CN 108693541 B CN108693541 B CN 108693541B CN 201810272433 A CN201810272433 A CN 201810272433A CN 108693541 B CN108693541 B CN 108693541B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- probability
- based graph
- grid
- obstacle
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013476 bayesian approach Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- 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
- 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
- G01S7/4808—Evaluating distance, position or velocity data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/02—Details of the space or ground control segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
- B60R2300/80—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement
- B60R2300/802—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement for monitoring and displaying vehicle exterior blind spot views
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R2300/00—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle
- B60R2300/80—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement
- B60R2300/8093—Details of viewing arrangements using cameras and displays, specially adapted for use in a vehicle characterised by the intended use of the viewing arrangement for obstacle warning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9317—Driving backwards
-
- 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
- G06T2207/30261—Obstacle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Traffic Control Systems (AREA)
Abstract
描述了示例障碍检测系统和方法。在一种实施方式中,一种方法接收来自安装于车辆的至少一个传感器的数据以及创建与车辆附近的区域相关的基于概率网格的图。该方法还确定与基于网格的图中的每个概率相关的置信度以及根据基于概率网格的图来确定车辆附近的区域中存在障碍的可能性。
Description
技术领域
本发明涉及车辆系统,并且尤其是涉及检测位于车辆附近的障碍的系统和方法。
背景技术
机动车和其他车辆为商业、政府以及私人实体提供很重要一部分运输。车辆(例如自主车辆)在道路上、停车场以及可能包含许多障碍的其他区域行驶。在某些驾驶情况下(例如当车辆正在倒车时),驾驶员或自主驾驶系统的可见度会受到限制。这种受限的可见度使车辆处于与车辆路径中的障碍发生碰撞的危险境地。对车辆附近障碍的准确检测使得车辆驾驶员或自主驾驶系统有机会做出驾驶改变并且避免与障碍发生碰撞。
发明内容
根据本发明,提供一种方法,包括:
接收来自安装于车辆的至少一个传感器的数据;
由障碍检测系统来创建与车辆附近的区域相关的基于概率网格的图;
由障碍检测系统来确定与基于概率网格的图中的每个概率相关的置信度;以及
由障碍检测系统根据基于概率网格的图来确定车辆附近的区域中存在障碍的可能性。
根据本发明的一个实施例,至少一个传感器包括激光雷达传感器、雷达传感器以及摄像机中的至少一者。
根据本发明的一个实施例,方法进一步包括:利用与基于概率网格的图相关的学习因子和遗忘因子来执行对接收到的数据的时域分析。
根据本发明的一个实施例,学习因子随着时间的推移而增加与基于概率网格的图中的单元格相关的概率值。
根据本发明的一个实施例,遗忘因子随着时间的推移而降低与基于概率网格的图中的单元格相关的概率值。
根据本发明的一个实施例,方法进一步包括:响应于确定车辆附近的区域中存在障碍的可能性而生成对车辆的驾驶员的警告。
根据本发明的一个实施例,方法进一步包括:响应于确定车辆附近的区域中存在障碍的可能性而将警告传达给车辆的自动化驾驶系统。
根据本发明的一个实施例,方法进一步包括:基于接收到的数据来计算与基于概率网格的图中的相邻单元格相关的概率。
根据本发明的一个实施例,相邻单元格包含紧挨着包围基于概率网格的图中的特定单元格的八个单元格。
根据本发明的一个实施例,方法进一步包括:利用贝叶斯方法来更新相邻单元格的概率值。
根据本发明的一个实施例,车辆为自主车辆。
根据本发明,提供一种方法,包括:
接收来自安装于车辆的至少一个传感器的数据;
由障碍检测系统来创建与车辆附近的区域相关的基于概率网格的图,其中基于概率网格的图限定单元格的二维阵列,使得每个单元格限定与车辆附近的区域的特定部分相关的概率;
由障碍检测系统来确定与基于概率网格的图中的每个单元格相关的置信度;
由障碍检测系统根据基于概率网格的图来确定车辆附近的区域中存在障碍的可能性;以及
响应于确定车辆附近的区域中存在障碍的可能性而生成警告并且将警告传达给车辆的驾驶员或者自动化驾驶系统。
根据本发明的一个实施例,至少一个传感器包括激光雷达传感器、雷达传感器以及摄像机中的至少一者。
根据本发明的一个实施例,方法进一步包括:利用与基于概率网格的图相关的学习因子和遗忘因子来执行对接收到的数据的时域分析。
根据本发明的一个实施例,学习因子随着时间的推移而增加与基于概率网格的图中的单元格相关的概率值。
根据本发明的一个实施例,遗忘因子随着时间的推移而降低与基于概率网格的图中的单元格相关的概率值。
根据本发明的一个实施例,方法进一步包括:基于接收到的数据来计算与基于概率网格的图中的相邻单元格相关的概率。
根据本发明,提供一种设备,包括:
多个传感器,该多个传感器安装于车辆并且配置成捕捉传感器数据;
多个车辆控制致动器,该多个车辆控制致动器配置成调整车辆的操作;以及
障碍检测系统,该障碍检测系统耦接至多个传感器和多个车辆控制致动器,障碍检测系统配置成:
创建与最接近车辆的区域相关的基于概率网格的图;
确定与基于概率网格的图中的每个概率相关的置信度;以及
根据基于概率网格的图来确定最接近车辆的区域中存在障碍的可能性。
根据本发明的一个实施例,多个传感器包括激光雷达传感器、雷达传感器以及摄像机的其中一种或多种。
根据本发明的一个实施例,该设备包含在车辆内。
附图说明
参考如下附图来描述本发明的非限制性和非穷举的实施例,其中,除非另有详细说明,否则相似的附图标记在各附图中始终指的是相似的部件。
图1为示出了包含障碍检测系统的车辆控制系统的实施例的框图;
图2为示出了障碍检测系统的实施例的框图;
图3A示出了车辆的实施例,在该车辆后方具有所关注区域;
图3B示出了车辆后方的示例所关注区域;
图4示出了检测车辆附近的障碍的方法的实施例。
具体实施方式
在如下公开中,参考构成本发明一部分的附图,并且在附图中通过举例说明的方式示出了可实践本发明的具体实施方式。应该理解的是,可利用其他实施方式,并且在不脱离本发明的范围的情况下可做出结构变化。说明书中对“一个实施例”、“实施例”、“示例实施例”等的引用表明所述的实施例可包括特定特征、结构或者特点,但是每个实施例可不必包括该特定特征、结构或者特点。而且,这种措词未必指的是相同的实施例。进一步地,当与实施例有关地描述特定特征、结构或者特点时,主张的是,不论是否做出明确的描述,影响与其他实施例有关的该特征、结构或者特点是在本领域技术人员的认知内的。
本文中所公开的系统、装置以及方法的实施方式可包括或者利用包括计算机硬件的专用或者通用计算机,比如,像本文中所讨论的,该计算机硬件为例如一个或多个处理器或者系统存储器。本发明范围内的实施方式还可包括用于携带或者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。该计算机可读介质可为能够由通用或者专用计算机系统来存取的任何可用的介质。存储计算机可执行指令的计算机可读介质为计算机存储介质(装置)。携带计算机可执行指令的计算机可读介质为传输介质。因此,通过举例并且不受限制的方式,本发明的实施方式可包括至少两个明显不同类型的计算机可读介质:计算机存储介质(装置)和传输介质。
计算机存储介质(装置)包括随机存取存储器(Random-Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,EEPROM)、光盘只读存储器(Compact Disc Read-OnlyMemory,CD-ROM)、固态驱动器(Solid State Drive,“SSD”)(例如,基于随机存取存储器)、闪速存储器、相变存储器(Phase-Change Memory,“PCM”)、其他类型的存储器、其他光盘存储装置、磁盘存储装置或者其他磁性存储装置,或者能够用来存储计算机可执行指令或者数据结构形式的期望程序代码手段并且能够由通用或者专用计算机来存取的任何其他介质。
本文中所公开的装置、系统以及方法的实施方式可在计算机网络上进行通信。“网络”定义为能够实现电子数据在计算机系统和/或模块和/或其他电子装置之间进行传输的一条或多条数据链路。当在网络或者另外的通信连接(硬连线、无线或者硬连线或无线的结合)上向计算机传递或者提供信息时,该计算机将该连接适当地视为传输介质。传输介质可包括网络和/或数据链路,其能够用来携带计算机可执行指令或者数据结构形式的期望程序代码手段并且能够由通用或者专用计算机来存取。以上所述的组合也应该包含在计算机可读介质的范围内。
计算机可执行指令包括例如当在处理器执行时使通用计算机、专用计算机或者专用处理装置执行某个功能或者功能组的指令和数据。计算机可执行指令可为例如二进制数、中间格式指令(例如汇编语言)乃至源代码。尽管以特定于结构特征和/或方法动作的语言描述了本发明的主题,但是应该理解的是,所附权利要求中限定的主题未必受限于本文中描述的所述特征或者动作。相反,所述特征和动作被公开为实施权利要求的示例形式。
本领域的技术人员将领会的是,可在具有多种计算机系统配置的网络计算环境中实践本发明,该计算机系统配置包括内置式车辆计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持式装置、多处理器系统、基于微处理器的或者可编程的消费电子产品、网络个人计算机(Personal Computer,PC)、小型计算机、大型计算机、移动电话、个人数字助理(Personal Digital Assistant,PDA)、平板电脑、寻呼机、路由器、交换机、各种存储装置等。还可在分布式系统环境中实践本发明,在该分布式系统环境中,经由网络(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结合)连接起来的本地和远程计算机系统都执行任务。在分布式系统环境中,程序模块可位于本地和远程存储装置中。
进一步地,在适当的情况下,本文中所述的功能可在硬件、软件、固件、数字部件或者模拟部件的一个或多个中执行。例如,一个或多个专用集成电路(application specificintegrated circuit,ASIC)可编程为实现本文中所述的一个或多个系统和程序。某些术语在说明书和权利要求书中始终用来指特定的系统部件。如本领域的技术人员将领会的,可用不同的名称指称部件。本文并非意在区分名称不同但功能相同的部件。
应该注意的是,本文中所讨论的传感器实施例可包括用来执行其至少一部分功能的计算机硬件、软件、固件或其任意组合。例如,传感器可包括配置成在一个或多个处理器中执行的计算机代码,并且可包括由该计算机代码控制的硬件逻辑/电气电路。本文中提供这些示例装置的目的是为了举例说明,而非意在做出限制。如相关技术领域的技术人员将已知的,本发明的实施例可在更多类型的装置中实现。
本发明的至少一些实施例是针对包括存储在任何计算机可用介质上的这种逻辑(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装置中执行时,这种软件使装置像本文中描述的那样运行。
图1为示出了车辆内的包含障碍检测系统104的车辆控制系统100的实施例的框图。自动化驾驶/辅助系统102可以用来使车辆的运行自动化或受到控制或者向人类驾驶员提供帮助。例如,自动化驾驶/辅助系统102可以控制车辆的制动、转向、安全带张紧、加速、灯光、警报、驾驶员通知、收音机、车锁或任何其他辅助系统中的一种或多种。在另一个示例中,自动化驾驶/辅助系统102可能无法提供任何驾驶控制(例如,转向、加速或制动),但是可以提供通知和警报来帮助人类驾驶员安全驾驶。车辆控制系统100包括障碍检测系统104,障碍检测系统104与车辆控制系统中的各种部件进行交互以检测和应对位于车辆附近(例如,在车辆的路径中)的潜在(或可能)障碍。在一个实施例中,障碍检测系统104在车辆正在倒车时检测车辆后方的障碍并且调整一种或多种车辆操作以避免与障碍接触(例如使车辆停下来或者操纵车辆绕过障碍)。虽然在图1中将障碍检测系统104显示为单独的部件,但是在替代实施例中,障碍检测系统104可以结合到自动化驾驶/辅助系统102或任何其他车辆部件中。
车辆控制系统100还包括用于检测附近对象(或障碍)的存在或者确定母车辆(例如,包含车辆控制系统100的车辆)的位置的一个或多个传感器系统/装置。例如,车辆控制系统100可以包括一个或多个雷达系统106、一个或多个激光雷达(LIDAR)系统108、一个或多个摄像机系统110、全球定位系统(global positioning system,GPS)112和/或超声系统114。一个或多个摄像机系统110可以包括安装至车辆(例如,车辆的后部)的后置摄像机、前置摄像机以及侧置摄像机。摄像机系统110还可以包括捕捉车辆内的乘客和其他对象的图像的一个或多个内部摄像机。车辆控制系统100可以包括用于存储关于导航和安全性的相关或有用数据(例如地图数据、驾驶历史或其他数据)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、基础设施或者任何其他通信系统进行无线通信的收发器118。
车辆控制系统100可以包括用来控制车辆驾驶的各个方面的车辆控制致动器120(例如用来控制制动、加速、转向、安全带张紧、门锁等的电动马达、开关或者其他致动器)。车辆控制系统100还可以包括一个或多个显示器122、扬声器124或者其他装置,以便可以向人类驾驶员或者乘客提供通知。显示器122可以包括车辆的驾驶员或者乘客可看见的抬头显示器、仪表盘显示器或指示器、显示屏或者任何其他视觉指示器。扬声器124可以包括车辆音响系统的一个或多个扬声器或者可以包括专用于驾驶员或者乘客通知的扬声器。
要领会的是,图1的实施例只是通过示例给出的。在不脱离本发明的范围的情况下,其他实施例可以包括较少的或者额外的部件。此外,举例说明的部件可以不受限制地结合或者包含在其他部件中。
在一个实施例中,自动化驾驶/辅助系统102配置成控制母车辆的驾驶或者导航。例如,自动化驾驶/辅助系统102可以控制车辆控制致动器120在道路、停车场、行车道或者其他位置驾驶一段路程。例如,自动化驾驶/辅助系统102可以基于由部件106-118中的任何部件所提供的信息或者感知数据来确定路径。也可以基于操纵车辆以避免或减轻与另一车辆或对象的潜在碰撞的路线来确定路径。传感器系统/装置106-110和114可用来获取实时的传感器数据,以便自动化驾驶/辅助系统102能够实时地帮助驾驶员或者驾驶车辆。
图2为示出了障碍检测系统104的实施例的框图。如图2中所示,障碍检测系统104包括通信管理器202、处理器204以及存储器206。通信管理器202允许障碍检测系统104与其他系统(例如自动化驾驶/辅助系统102)进行通信。处理器204执行如本文中所论述的那样实现障碍检测系统104提供的功能的各种指令。存储器206存储这些指令以及处理器204和包含在障碍检测系统104中的其他模块和部件所使用的其他数据。
另外,障碍检测系统104包括图像处理模块208,图像处理模块208从一个或多个摄像机系统110接收图像数据,并且识别例如母车辆(即,包含障碍检测系统104的车辆)附近的障碍。在一些实施例中,图像处理模块208包括识别位于母车辆附近的潜在障碍的障碍检测算法。例如,障碍检测算法可以识别母车辆与障碍之间的距离以及障碍正在移动时障碍的轨迹。障碍检测算法可以基于障碍的距离和轨迹来确定母车辆与障碍之间发生碰撞的可能性。
LIDAR处理模块210从一个或多个LIDAR系统108接收LIDAR数据,并且识别例如与母车辆附近的障碍的潜在碰撞。在一些实施例中,障碍检测算法基于LIDAR数据来检测车辆附近的障碍。另外,雷达处理模块212从一个或多个雷达系统106接收雷达数据以识别例如与障碍的潜在碰撞。在一些实施例中,障碍检测算法利用雷达数据来检测车辆附近的一个或多个障碍。
障碍检测系统104还包括融合来自如本文中所论述的多个传感器、摄像机以及数据源的数据的传感器融合模块214。例如,传感器融合模块214可以融合来自一个或多个摄像机110、雷达系统106以及LIDAR系统108的数据以检测障碍和确定可避免或减轻与该障碍的碰撞的可能行动。概率网格管理器216如本文中所论述基于从任意数量的车辆传感器和/或数据源接收到的数据来执行与创建和维护基于概率网格的图有关的各种操作。
另外,障碍检测系统104包括相邻单元格概率模块218,相邻单元格概率模块218如本文中所论述计算与基于概率网格的图中的相邻单元格相关的概率。置信度确定模块220利用例如本文中所论述的系统和方法来确定与基于概率网格的图中的每个单元格相关的置信度。
障碍检测系统104还包括执行对从一个或多个传感器接收到的数据的时域分析的时域分析模块222。在一些实施例中,时域分析模块222采用与基于概率网格的图相关的学习和遗忘因子。警告管理器224管理对车辆的乘员(例如,驾驶员)或者对自动化驾驶/辅助系统102的警告的生成和传递。例如,警告可以与车辆路径中的障碍相关,其表示碰撞危险。
图3A示出了车辆302的实施例,所关注区域310位于该车辆后方。车辆302包括任意数量的传感器(例如本文中所论述的各种类型的传感器)。在图3A的特定示例中,车辆302包括激光雷达传感器304、后置摄像机306以及雷达传感器308。车辆302可以具有安装在多个车辆位置中的任意数量的附加传感器(未示出)。在该示例中,所关注区域310位于车辆302的后方,这是因为车辆302正在倒车或者准备好倒车。车辆302后方的区域很重要,这是因为该区域是车辆302正在驶入的区域。因此,识别所关注区域310中的可能与车辆302发生碰撞的任何障碍很重要。
如图3A中所示,障碍312存在于所关注区域310内。障碍312可以是人、动物、另一车辆、结构物项(例如,建筑物或灯柱)、物体等。障碍312可以是静止的或者在所关注区域310内移动。如果障碍312正在移动,则障碍检测系统104确定移动的速度和轨迹以预测障碍312在将来某一时刻的位置(例如,当障碍的轨迹与车辆的移动路径相交时)。如本文中所论述的,如果障碍检测系统104检测到潜在的碰撞,则其可以指示驾驶员或自动化驾驶系统采取行动以避免碰撞。该行动可以包括例如使车辆302停下来、使车辆302减速或者改变车辆302的转向方向。
图3B示出了位于车辆302后方的示例所关注区域310的网格结构。所关注区域310包括具有多个网格单元格314的二维网格(或二维阵列)。根据例如计算能力、传感器分辨率以及与网格结构相关的数据的应用,特定网格结构可以包括任意数量的网格单元格。在利用距离传感器数据进行操作的特定实施方式中,网格大小可以在0.1-0.5米之间变化。在其他实施方式中,可以使用任何其他网格大小。本文中所论述的系统和方法将概率与二维网格中的每个单元格314关联在一起,其中每个概率表示障碍位于特定单元格314内的可能性。下面论述关于这些概率的计算和管理的额外细节。
图4示出了检测车辆附近的障碍的方法400的实施例。首先,车辆中的障碍检测系统限定402具有二维网格设置的全局图。通过将初始概率与每个单元格关联在一起来初始化网格中的每个单元格。与每个单元格相关的概率表明障碍存在于该图的该网格中的可能性。在一些实施例中,将与每个单元格相关的初始概率值设置为0.5。这表明每个单元格被占据或为空的可能性相等。一旦在每个单元格中检测到障碍,该初始概率就会增加。类似地,如果未检测到对象,则初始概率降低。如本文中所使用的,具有网格设置的全局图也称为“基于概率网格的图”。如关于图3A和图3B所论述的,基于概率网格的图与所关注区域310相关。
随着障碍检测系统接收到404来自一个或多个车载传感器(例如摄像机、激光雷达传感器、雷达传感器、超声传感器等)的数据,方法400继续。障碍检测系统基于从车载传感器接收到的数据来更新406与所关注区域310相关的基于概率网格的图。另外,基于概率网格的图的更新会考虑到与车辆的动态(例如车辆速度、车辆取向、车辆姿态、车辆尺寸、车辆形状、车辆加速度、方向盘取向等)相关的数据。在一些实施例中,障碍检测系统利用贝叶斯(Bayesian)概率理论来确定基于概率网格的图中的概率值。在一些实施方式中,利用来自车辆传感器的数据在信息的不同层面检测所关注区域中的障碍。例如,不同层面的信息包括原始传感器数据、对象级别数据等。从距离传感器(直接或间接)接收到的数据可以是基于距离的数据或基于碰撞时间(Time-To-Collision,TTC)的数据。
在一些实施例中,占据网格绘图程序根据一个位置处的传感器读数来更新图,以便随着更多数据积累,该图变得精确。占据网格绘图的特定方法包括递归贝叶斯过滤器、蒙特卡洛(Monte Carlo)定位(利用来自单个传感器或多个传感器的模型)、部分可观察马尔可夫决策过程(Partially Observable Markov Decision Process)、粒子过滤器(Particle Filter)等。
障碍检测系统然后408将关于每个单元格的传感器数据与其最近的相邻单元格关联在一起并且利用距离函数来计算相邻单元格的概率。在一些实施例中,障碍检测系统在计算特定单元格的概率时考虑特定单元格周围的八个相邻单元格的概率。在一些实施例中,障碍检测系统更新位于特定单元格附近的单元格窗口的概率。例如,更新过程可以确定基于概率网格的图中的特定单元格的位置和属性。更新过程还确定特定的邻域大小,特定的邻域大小表明待更新的最近邻域的数量。最大概率值标识可以指定给最近邻域的最大概率。更新过程首先识别特定单元格的最近邻域位置。然后,利用代价函数为每个邻域分配权重。例如,代价函数可以设计成取决于从最近邻域到特定单元格的距离。最后,基于最近邻域的权重和位置,利用贝叶斯方法或类似方法来更新最近邻域的概率。
随着障碍检测系统确定410与基于概率网格的图中的每个单元格相关的置信度(例如,置信度水平),方法400继续。在一些实施例中,利用来自模型的方差来推断基于概率网格的图中的每个单元格的置信度。例如,可以利用概率方法模型来计算单元格被占据(即,已检测到障碍)的概率。由这种概率方法,系统可以基于高斯(Gaussian)密度或基于数据的扩展来推断方差。
障碍检测系统执行412从车载传感器接收到的数据的时域分析。时域分析包括将学习和遗忘因子应用于基于概率网格的图中的数据。利用学习和遗忘因子允许基于概率网格的图表示车辆传感器在一段时间内已检测到的所有障碍(包括静态障碍和动态障碍)。例如,遗忘因子可以随着时间的推移减小单元格的概率,并且学习因子可以随着时间的推移增加单元格的概率。
障碍检测系统然后根据基于概率网格的图中的数据来确定414在所关注区域中是否存在障碍。如果没有检测到障碍,则方法400继续从一个或多个车载传感器接收404数据。
如果检测到障碍,则障碍检测系统向驾驶员或自动化驾驶系统提供416警告。警告可以是任何类型的警告(包括可听到的警告、视觉警告、触觉警告等)。警告可以指示车辆路径中存在障碍并且可以指示障碍的位置。另外,警告可以提供用于避免与障碍接触的指令(例如使车辆停下来、使车辆减速或使车辆转向)。在一些实施方式中,将警告提供给自动化驾驶/辅助系统102,自动化驾驶/辅助系统102控制车辆以避免接触障碍。
在一些实施例中,方法400还检测障碍与车辆之间的距离以及障碍移动时障碍的速度和轨迹。障碍检测系统基于障碍的该距离、速度以及轨迹来确定如果车辆继续在其当前路径上则车辆与障碍之间发生碰撞的可能性。如果可能发生碰撞,则生成警告或其他警示,并将其提供给驾驶员或自动化驾驶系统,如上所述。
在特定示例中,车辆包括超声传感器和摄像机。将来自超声传感器和摄像机的数据融合以创建和更新基于概率网格的图。
虽然本文中论述的具体示例与倒车(或倒退)的车辆相关,但是可以利用类似的系统和方法来检测位于车辆附近的任何位置处以及车辆周围的任何地点的所关注区域中的障碍。
虽然本文中描述了本发明的各种实施例,但是应该理解的是,这些实施例只是通过示例的方式来呈现,而并非是限制性的。对相关技术领域的技术人员而言,将显而易见的是,在不脱离本发明的精神和范围的情况下,能够对本发明做出各种形式和细节上的改变。因此,本发明的广度和范围不应该受到所述任何示范性实施例的限制,而是应该只根据如下权利要求及其等同范围来限定。本文中呈现的描述是为了阐述和说明。其并非意在穷举或者将本发明限制成所公开的确切形式。根据所公开的教导可做出很多修改和变化。进一步地,应该注意的是,可通过期望用来形成本发明额外的混合实施方式的任何组合来使用本文中所讨论的任何或者所有替代实施方式。
Claims (18)
1.一种用于车辆的方法,包括:
接收来自安装于车辆的至少一个传感器的数据;
由障碍检测系统来创建与所述车辆附近的区域相关的基于概率网格的图;
由所述障碍检测系统来确定与所述基于概率网格的图中的每个概率相关的置信度;
由所述障碍检测系统基于所述基于概率网格的图来确定所述车辆附近的所述区域中存在障碍的可能性;以及
利用与所述基于概率网格的图相关的学习因子和遗忘因子来执行对接收到的所述数据的时域分析,其中所述学习因子随着时间的推移而增加与所述基于概率网格的图中的单元格相关的概率值,其中所述遗忘因子随着时间的推移而降低与所述基于概率网格的图中的单元格相关的概率值。
2.根据权利要求1所述的方法,进一步包括:响应于确定所述车辆附近的所述区域中存在障碍的可能性而生成对所述车辆的驾驶员的警告。
3.根据权利要求1所述的方法,进一步包括:响应于确定所述车辆附近的所述区域中存在障碍的可能性而将警告传达给所述车辆的自动化驾驶系统。
4.根据权利要求1所述的方法,进一步包括:基于接收到的所述数据来计算与所述基于概率网格的图中的相邻单元格相关的概率,其中所述相邻单元格包含紧挨着包围所述基于概率网格的图中的特定单元格的八个单元格。
5.根据权利要求4所述的方法,进一步包括:利用贝叶斯方法来更新所述相邻单元格的概率值。
6.根据权利要求1所述的方法,其中所述至少一个传感器包括雷达传感器和/或摄像机。
7.根据权利要求6所述的方法,其中,所述雷达传感器包括激光雷达传感器。
8.根据权利要求1所述的方法,进一步包括:基于接收到的所述数据来计算与所述基于概率网格的图中的相邻单元格相关的概率。
9.根据权利要求1所述的方法,其中所述车辆为自主车辆。
10.一种用于车辆的方法,包括:
接收来自安装于车辆的至少一个传感器的数据;
由障碍检测系统来创建与所述车辆附近的区域相关的基于概率网格的图,其中所述基于概率网格的图限定单元格的二维阵列,使得每个单元格限定与所述车辆附近的所述区域的特定部分相关的概率;
由所述障碍检测系统来确定与所述基于概率网格的图中的每个单元格相关的置信度;
由所述障碍检测系统基于所述基于概率网格的图来确定所述车辆附近的所述区域中存在障碍的可能性;
响应于确定所述车辆附近的所述区域中存在障碍的可能性而生成警告并且将所述警告传达给所述车辆的驾驶员或者自动化驾驶系统;以及
利用与所述基于概率网格的图相关的学习因子和遗忘因子来执行对接收到的所述数据的时域分析,其中所述学习因子随着时间的推移而增加与所述基于概率网格的图中的单元格相关的概率值,其中所述遗忘因子随着时间的推移而降低与所述基于概率网格的图中的单元格相关的概率值。
11.根据权利要求10所述的方法,其中所述至少一个传感器包括雷达传感器和/或摄像机。
12.根据权利要求11所述的方法,其中,所述雷达传感器包括激光雷达传感器。
13.根据权利要求10所述的方法,进一步包括:基于接收到的所述数据来计算与所述基于概率网格的图中的相邻单元格相关的概率。
14.根据权利要求10所述的方法,其中所述车辆为自主车辆。
15.一种用于车辆的设备,包括:
多个传感器,所述多个传感器安装于车辆并且配置成捕捉传感器数据;
多个车辆控制致动器,所述多个车辆控制致动器配置成调整所述车辆的操作;以及
障碍检测系统,所述障碍检测系统耦接至所述多个传感器和所述多个车辆控制致动器,所述障碍检测系统配置成:
创建与最接近所述车辆的区域相关的基于概率网格的图;
确定与所述基于概率网格的图中的每个概率相关的置信度;
基于所述基于概率网格的图来确定最接近所述车辆的所述区域中存在障碍的可能性;以及
利用与所述基于概率网格的图相关的学习因子和遗忘因子来执行对接收到的所述数据的时域分析,其中所述学习因子随着时间的推移而增加与所述基于概率网格的图中的单元格相关的概率值,其中所述遗忘因子随着时间的推移而降低与所述基于概率网格的图中的单元格相关的概率值。
16.根据权利要求15所述的设备,其中所述多个传感器包括雷达传感器和/或摄像机。
17.根据权利要求16所述的设备,其中所述雷达传感器包括激光雷达传感器。
18.根据权利要求15所述的设备,其中所述设备包含在所述车辆内。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/478,118 | 2017-04-03 | ||
US15/478,118 US10195992B2 (en) | 2017-04-03 | 2017-04-03 | Obstacle detection systems and methods |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108693541A CN108693541A (zh) | 2018-10-23 |
CN108693541B true CN108693541B (zh) | 2023-10-31 |
Family
ID=62142224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810272433.0A Active CN108693541B (zh) | 2017-04-03 | 2018-03-29 | 障碍检测系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10195992B2 (zh) |
CN (1) | CN108693541B (zh) |
DE (1) | DE102018107344A1 (zh) |
GB (1) | GB2563131A (zh) |
RU (1) | RU2709334C2 (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10229363B2 (en) * | 2015-10-19 | 2019-03-12 | Ford Global Technologies, Llc | Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking |
DE112017008137T5 (de) * | 2017-10-03 | 2020-07-02 | Intel Corporation | Kartieren einer rasterbelegung unter verwendung einer fehlerbereichsverteilung |
US11048927B2 (en) * | 2017-10-24 | 2021-06-29 | Waymo Llc | Pedestrian behavior predictions for autonomous vehicles |
WO2020070822A1 (ja) * | 2018-10-03 | 2020-04-09 | 三菱電機株式会社 | 駐車支援装置および駐車支援方法 |
DE102018124638A1 (de) * | 2018-10-05 | 2020-04-09 | HELLA GmbH & Co. KGaA | Verfahren zur Bereitstellung von Objektinformationen von statischen Objekten in einer Umgebung eines Fahrzeuges |
US11110922B2 (en) * | 2018-11-05 | 2021-09-07 | Zoox, Inc. | Vehicle trajectory modification for following |
CN109291920A (zh) * | 2018-11-07 | 2019-02-01 | 江铃汽车股份有限公司 | 自动泊车辅助系统的报警方法 |
KR102604821B1 (ko) * | 2018-11-09 | 2023-11-20 | 에스케이텔레콤 주식회사 | 차량의 위치 추정 장치 및 방법 |
CN113743228B (zh) * | 2018-12-10 | 2023-07-14 | 百度在线网络技术(北京)有限公司 | 基于多数据融合结果的障碍物存在性检测方法和装置 |
KR102636739B1 (ko) * | 2018-12-18 | 2024-02-15 | 현대자동차주식회사 | 차량 및 그 제어방법 |
US10948300B2 (en) * | 2018-12-27 | 2021-03-16 | Beijing Voyager Technology Co., Ltd. | Systems and methods for path determination |
WO2020196676A1 (ja) * | 2019-03-26 | 2020-10-01 | ソニーセミコンダクタソリューションズ株式会社 | 画像処理装置、車両制御装置、および方法、並びにプログラム |
JP7244325B2 (ja) * | 2019-03-27 | 2023-03-22 | 株式会社Soken | 物体検出装置 |
JP7261892B2 (ja) * | 2019-09-11 | 2023-04-20 | 日立Astemo株式会社 | 占有格子地図管理装置 |
RU2745804C1 (ru) | 2019-11-06 | 2021-04-01 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способ и процессор для управления перемещением в полосе движения автономного транспортного средства |
CN111127876B (zh) * | 2019-11-18 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 车联网的信息提取方法及装置 |
CN110909671B (zh) * | 2019-11-21 | 2020-09-29 | 大连理工大学 | 一种融合概率和高度信息的栅格地图障碍物检测方法 |
RU2744012C1 (ru) | 2019-12-24 | 2021-03-02 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способы и системы для автоматизированного определения присутствия объектов |
CN111142118B (zh) * | 2020-01-07 | 2022-08-26 | 盟识(上海)科技有限公司 | 一种自卸车倒车检测方法 |
CN111291650B (zh) * | 2020-01-21 | 2023-06-20 | 北京百度网讯科技有限公司 | 自动泊车辅助的方法及装置 |
CN111913183A (zh) * | 2020-07-27 | 2020-11-10 | 中国第一汽车股份有限公司 | 车辆侧向避障方法、装置、设备及车辆 |
CN112466147B (zh) * | 2020-11-18 | 2022-08-30 | 上海汽车集团股份有限公司 | 一种基于多传感器的库位检测方法及相关装置 |
JP2022087977A (ja) * | 2020-12-02 | 2022-06-14 | フォルシアクラリオン・エレクトロニクス株式会社 | 駐車支援装置及び駐車支援方法 |
CN112863230A (zh) * | 2020-12-30 | 2021-05-28 | 上海欧菲智能车联科技有限公司 | 空车位检测方法及装置、车辆和计算机设备 |
CN113284342B (zh) * | 2021-05-17 | 2022-09-06 | 上海欧菲智能车联科技有限公司 | 空车位检测方法及装置、车辆和计算机设备 |
CN113311437B (zh) * | 2021-06-08 | 2022-04-19 | 安徽域驰智能科技有限公司 | 一种提高车载雷达定位侧边车位角点位置精度的方法 |
US20230169781A1 (en) * | 2021-11-30 | 2023-06-01 | Texas Instruments Incorporated | Free space detection and park-able free space detection for occupancy grids using sensor measurements |
CN114842458B (zh) * | 2022-06-29 | 2022-11-04 | 小米汽车科技有限公司 | 障碍物检测方法、装置、车辆和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576154A (zh) * | 2012-08-01 | 2014-02-12 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机的障碍物探测的融合 |
JP5494845B1 (ja) * | 2013-01-17 | 2014-05-21 | 株式会社デンソーアイティーラボラトリ | 情報提供システム |
US9465388B1 (en) * | 2014-03-03 | 2016-10-11 | Google Inc. | Remote assistance for an autonomous vehicle in low confidence situations |
US9507346B1 (en) * | 2015-11-04 | 2016-11-29 | Zoox, Inc. | Teleoperation system and method for trajectory modification of autonomous vehicles |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3147541B2 (ja) * | 1992-11-06 | 2001-03-19 | 株式会社豊田中央研究所 | 車両用障害物認識装置 |
JP2000292538A (ja) | 1999-04-07 | 2000-10-20 | Mitsubishi Electric Corp | 車両用障害物検出装置 |
DE102004007553A1 (de) | 2004-02-17 | 2005-09-01 | Daimlerchrysler Ag | Erfassungsvorrichtung und Sicherheitssystem für ein Kraftfahrzeug |
US8364366B2 (en) | 2005-06-24 | 2013-01-29 | Deere & Company | System and method for providing a safety zone associated with a vehicle |
FR2890773B1 (fr) | 2005-09-09 | 2007-11-16 | Inst Nat Rech Inf Automat | Procede d'assistance a la conduite d'un vehicule et dispositif associe |
US20070220174A1 (en) * | 2006-03-17 | 2007-09-20 | Fatdoor, Inc. | Marker placement in a mapping environment |
US9373149B2 (en) * | 2006-03-17 | 2016-06-21 | Fatdoor, Inc. | Autonomous neighborhood vehicle commerce network and community |
DE102007013023B4 (de) | 2007-03-19 | 2017-10-05 | Sick Ag | Probabilistische Rasterkarte |
DE102008036009B4 (de) | 2008-03-28 | 2018-03-22 | Volkswagen Ag | Verfahren zum Kollisionsschutz eines Kraftfahrzeugs und Parkhausassistent |
DE102008043738A1 (de) * | 2008-11-14 | 2010-05-20 | Robert Bosch Gmbh | Steuereinrichtung für ein Fahrzeug und Verfahren zur Einparkunterstützung |
JP5206752B2 (ja) | 2010-08-30 | 2013-06-12 | 株式会社デンソー | 走行環境認識装置 |
WO2014172708A1 (en) * | 2013-04-19 | 2014-10-23 | Polaris Sensor Technologies, Inc. | Pedestrian right of way monitoring and reporting system and method |
US9250324B2 (en) * | 2013-05-23 | 2016-02-02 | GM Global Technology Operations LLC | Probabilistic target selection and threat assessment method and application to intersection collision alert system |
DE102013018315A1 (de) | 2013-10-31 | 2015-04-30 | Bayerische Motoren Werke Aktiengesellschaft | Umfeldmodell mit adaptivem Gitter |
US9212926B2 (en) * | 2013-11-22 | 2015-12-15 | Ford Global Technologies, Llc | In-vehicle path verification |
FR3022049B1 (fr) | 2014-06-06 | 2016-07-22 | Inria Inst Nat De Rech En Informatique Et En Automatique | Procede d'analyse d'une scene dynamique, module d'analyse et programme d'ordinateur associes |
CN104699102B (zh) * | 2015-02-06 | 2017-07-18 | 东北大学 | 一种无人机与智能车协同导航与侦查监控系统及方法 |
DE102015205244B3 (de) | 2015-03-24 | 2015-12-10 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Bereitstellen von Hinderniskarten für Fahrzeuge |
KR20170134713A (ko) * | 2015-04-23 | 2017-12-06 | 닛산 지도우샤 가부시키가이샤 | 씬 이해 장치 |
DE102015213558A1 (de) | 2015-07-20 | 2017-01-26 | Bayerische Motoren Werke Aktiengesellschaft | Vorrichtung und Verfahren zur Fusion zweier Hinderniskarten zur Umfelddetektion |
US9734455B2 (en) * | 2015-11-04 | 2017-08-15 | Zoox, Inc. | Automated extraction of semantic information to enhance incremental mapping modifications for robotic vehicles |
US9754490B2 (en) * | 2015-11-04 | 2017-09-05 | Zoox, Inc. | Software application to request and control an autonomous vehicle service |
US9796390B2 (en) * | 2016-02-29 | 2017-10-24 | Faraday&Future Inc. | Vehicle sensing grid having dynamic sensing cell size |
US10137890B2 (en) * | 2016-06-28 | 2018-11-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Occluded obstacle classification for vehicles |
-
2017
- 2017-04-03 US US15/478,118 patent/US10195992B2/en active Active
-
2018
- 2018-03-27 DE DE102018107344.5A patent/DE102018107344A1/de active Pending
- 2018-03-27 RU RU2018110813A patent/RU2709334C2/ru active
- 2018-03-29 GB GB1805311.6A patent/GB2563131A/en not_active Withdrawn
- 2018-03-29 CN CN201810272433.0A patent/CN108693541B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576154A (zh) * | 2012-08-01 | 2014-02-12 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机的障碍物探测的融合 |
JP5494845B1 (ja) * | 2013-01-17 | 2014-05-21 | 株式会社デンソーアイティーラボラトリ | 情報提供システム |
US9465388B1 (en) * | 2014-03-03 | 2016-10-11 | Google Inc. | Remote assistance for an autonomous vehicle in low confidence situations |
US9507346B1 (en) * | 2015-11-04 | 2016-11-29 | Zoox, Inc. | Teleoperation system and method for trajectory modification of autonomous vehicles |
Also Published As
Publication number | Publication date |
---|---|
CN108693541A (zh) | 2018-10-23 |
DE102018107344A1 (de) | 2018-10-04 |
RU2709334C2 (ru) | 2019-12-17 |
US20180281680A1 (en) | 2018-10-04 |
RU2018110813A3 (zh) | 2019-09-30 |
RU2018110813A (ru) | 2019-09-30 |
GB2563131A (en) | 2018-12-05 |
US10195992B2 (en) | 2019-02-05 |
GB201805311D0 (en) | 2018-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108693541B (zh) | 障碍检测系统和方法 | |
CN107487258B (zh) | 盲区检测系统和方法 | |
CN107220581B (zh) | 通过后置摄像机的行人检测和运动预测 | |
CN107844796B (zh) | 冰和雪的检测系统和方法 | |
CN107545232B (zh) | 车道探测系统和方法 | |
US10290210B2 (en) | Distracted driver notification system | |
CN106891888B (zh) | 车辆转向信号检测 | |
US10486707B2 (en) | Prediction of driver intent at intersection | |
CN108089233B (zh) | 坑洞检测系统和方法 | |
US10228696B2 (en) | Wind detection systems and methods | |
CN108340866B (zh) | 防撞系统和方法 | |
JP6193572B2 (ja) | 乗物又は交通の制御方法及びシステム | |
US20160167579A1 (en) | Apparatus and method for avoiding collision | |
GB2553191A (en) | Blind spot detection systems and methods | |
WO2020107990A1 (zh) | 车辆预警方法及相关装置 | |
CN114084166A (zh) | 用于控制车辆的自主驾驶的装置和方法 | |
JP2009217692A (ja) | 運転支援装置 | |
CN115802311A (zh) | 用于通信网络中车辆的适应性通信 | |
CN115107641A (zh) | 灯光投影装置、方法及存储介质 | |
US10409286B2 (en) | Highway detection systems and methods | |
EP4270997A1 (en) | Method for predicting traffic participant behavior, driving system and vehicle | |
CN115973146A (zh) | 车辆控制方法、车辆以及存储介质 | |
CN116030619A (zh) | 联网车辆道路安全基础设施洞察 | |
CN114572111A (zh) | 一种智能方向盘超车提醒方法、装置、设备及读存介质 |
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 |