CN109035764B - 道路通行方法、相关装置及计算机可读存储设备 - Google Patents

道路通行方法、相关装置及计算机可读存储设备 Download PDF

Info

Publication number
CN109035764B
CN109035764B CN201810738946.6A CN201810738946A CN109035764B CN 109035764 B CN109035764 B CN 109035764B CN 201810738946 A CN201810738946 A CN 201810738946A CN 109035764 B CN109035764 B CN 109035764B
Authority
CN
China
Prior art keywords
partition
determining
road
partitions
early warning
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
Application number
CN201810738946.6A
Other languages
English (en)
Other versions
CN109035764A (zh
Inventor
李业
廉士国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cloudminds Beijing Technologies Co Ltd
Original Assignee
Cloudminds Beijing Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cloudminds Beijing Technologies Co Ltd filed Critical Cloudminds Beijing Technologies Co Ltd
Priority to CN201810738946.6A priority Critical patent/CN109035764B/zh
Publication of CN109035764A publication Critical patent/CN109035764A/zh
Application granted granted Critical
Publication of CN109035764B publication Critical patent/CN109035764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Abstract

本申请涉及计算机视觉技术领域，尤其涉及一种道路通行方法、相关装置及计算机可读存储介质，该道路通行方法包括：对获取的道路的图像数据进行划分得到M×N个分区；其中，M、N均是大于1的整数；确定每个分区的障碍物的信息；根据每个分区的障碍物的信息，确定每个分区各自的预警等级；根据每个分区的所述预警等级，确定通过该道路的决策建议。本申请中对图像数据进行分区，确定每个分区的预警等级，使得根据预警等级确定的决策建议可靠度更高，提升出行安全。

Description

道路通行方法、相关装置及计算机可读存储设备
技术领域
本申请涉及计算机视觉技术领域，尤其涉及一种道路通行方法、相关装置及计算机可读存储介质。
背景技术
在导盲、机器人和自动驾驶等领域，随着机器人技术及无人驾驶技术的发展，道路交通预警成为极为重要的技术，道路交通预警技术为可自主导航机器人及路径规划机器人提供重要的技术支持。
发明人在研究现有技术的过程中发现，传统的道路预警方法仅是对前方的障碍进行简单的判断，如，前方是否有障碍物，这种道路预警方法是对道路情况进行粗略的估计，机器人或检测设备无法获取到详细的道路信息，如，前方障碍物的体积，前方障碍物是否影响通行等，现有的道路预警方法因不能提供更为详细的障碍物的信息，需要用户自主探索可通行的方向，对于导航等应用造成不便。
发明内容
本申请部分实施例所要解决的技术问题在于提供一种道路通行方法、相关装置及计算机可读存储介质，用以解决上述的技术问题。
本申请的一个实施例提供了道路通行方法，其中，包括：
对获取的道路的图像数据进行划分得到M×N个分区；其中，M、N均是大于1的整数；
确定每个分区的障碍物的信息；
根据每个分区的障碍物的信息，确定每个分区各自的预警等级；
根据每个分区的预警等级，确定通过该道路的决策建议。
本申请的一个实施例还提供了一种道路通行装置，其中，包括获取模块、第一确定模块、第二确定模块和第三确定模块；
获取模块，用于对获取的道路的图像数据进行划分得到M×N个分区；其中，M、N均是大于1的整数；
第一确定模块，用于确定每个分区的障碍物的信息；
第二确定模块，用于根据每个分区的障碍物的信息，确定每个分区各自的预警等级；
第三确定模块，用于根据每个分区的预警等级，确定通过该道路的决策建议。
本申请实施例还提供了一种电子设备，包括：至少一个处理器；以及，
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的道路通行方法。
本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的道路通行方法。
相对于现有技术而言，将获取的道路的图像数据进行分区，检测每个分区中的障碍物信息，从而能够更准确的确定出道路图像数据中障碍物的位置信息，能够获取更为详细的道路信息，根据每个分区的障碍物的信息确定每个分区的预警等级，并根据预警等级确定出决策建议，使得确定的决策建议可靠度更高，提升出行安全性。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是本申请第一实施例中道路通行方法的流程图；
图2是本申请第一实施方式中对图像数据分区的示意图；
图3是本申请第一实施方式中另一道路通行方法的流程图；
图4是本申请第一实施方式中道路通行方法的流程图；
图5是本申请第二实施方式中直角坐标系中图像数据分区的示意图；
图6是本申请第三实施方式中道路通行装置的流程图；
图7是本申请第四实施方式中电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。然而，本领域的普通技术人员可以理解，在本申请的各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
本申请的第一实施例涉及一种道路通行方法，该道路通行方法应用于导盲头盔或机器人导航等设备中，此处仅是举例说明，具体不做限制，其步骤流程如图1所示，包括如下的实施步骤：
步骤101：对获取的道路的图像数据进行划分得到M×N个分区；其中，M、N均是大于1的整数。
具体地说，对该道路的图像数据进行分区时，例如，将图像数据划分为3×3的九宫格区域，通过划分区域对每个区域进行标记，具体的，如图2所示的分区方法，水平方向上将图像数据划分为N份，竖直方向上将图像数据划分为M份，选择水平方向和竖直方向的划分份数表示每个分区的位置，如(1，2)、(m，n)等。
需要说明的是，本实施方式中的道路的图像数据可以是普通相机拍摄的二维图像，还可以是深度相机获取的深度图像或激光雷达获取的点云数据，此处仅是举例说明，不做具体限制。
步骤102：确定每个分区的障碍物的信息。
具体地说，确定每个分区的障碍物的信息包括，检测每个分区中的障碍物并确定出包括障碍物的分区，在该分区检测到障碍物之后计算该障碍物的几何不变矩Hu(m,n)，其中，(m,n)表示的是分区的位置。
具体地说，障碍物几何不变矩的计算方法与现有的图像几何不变矩的计算方法相同，此处不再赘述。
另外，还可通过其他的图像处理方式获取每个分区中的障碍物的信息，如通过图像识别确定分区中的障碍物的位置和障碍物的几何特征等信息，上述仅是举例说明，不做具体限制。
步骤103：根据每个分区的障碍物的信息，确定每个分区各自的预警等级。
具体的，确定每个分区各自的预警等级包括，根据每个分区中包括的障碍物的信息，确定每个分区各自的权重；根据每个分区各自的权重确定每个分区各自的预警等级。对应的权重表示为：W(m，n)，其中，(m，n)表示的是对应的分区的位置。
其中，权重与预警等级成正比，也就是说，权重越大则预警等级就越高，表示该分区的通行可能性越低；权重越小则预警等级就越小，表示该区域的通行可能性越高。
一个具体实现中，分区中的权重的计算包括：计算包括障碍物的分区中障碍物的几何不变矩；根据几何不变矩和所有分区的面积之和计算障碍物的权重，公式1表示如下：
Figure BDA0001722745010000031
其中，S(m,n)表示分区位置为(m，n)的待检测分区的面积，∑S(m,n)表示获取图像数据的全部的分区的面积；W(m,n)表示分区位置为(m，n)的分区中障碍物的权重，Hu(m,n)表示分区位置为(m，n)的分区中障碍物的几何不变矩。
步骤104：根据每个分区的预警等级，确定通过道路的决策建议。
具体地说，在计算获取到每个分区的权重后，可根据权重确定出最佳的通行方向，具体过程如下：分别计算每个分区的梯度值，其中，梯度值根据分区中权重和分区的相邻分区的权重计算；确定所有分区中最大的梯度值；根据最大的梯度值确定通过道路的决策建议,该通行建议中包括最佳的通行方向。
需要说明的是，一个分区的梯度值与该分区的权重和该分区的相邻分区权重相关，即一个分区的梯度值可确定出两个分区之间的可行通路，因此，根据所有分区的梯度值中的最大值可确定出最佳的通行方向。
具体地说，在确定通过该道路的决策建议之后还需要根据决策建议发出预警信号，并且，预警信号中包括决策建议，另外，该决策建议还可能包括分区数量和每个分区的预警等级。
具体的，发出预警信号也就是将输出的决策建议转化为视障人士或机器人等能够理解的信息，其中，该预警信号的形式包括：语音信号、振动信号、指令信号和光线信号等中的一种或多种的组合。若该道路通行方法是应用于视障人士使用的手杖或其他帮助视障人士导航的设备中，则预警信号需转化为语音信号或振动信号；若该道路通行方法是应用于机器人自主导航，则需将预警信号转化为机器人能够识别的指令信息。
其中，若将该道路通行方法应用于连续帧图像数据的导航设备中，则具体实现流程如图3所示，包括如下步骤：
步骤201：获取道路的图像数据。
需要说明的是，步骤202至步骤205与上述步骤101至步骤104相同，此处不再赘述。
步骤206：根据决策建议发出预警信号，其中预警信号包括决策建议。
步骤207：判断是否存在下一帧的图像数据，若为是，转去执行步骤202，否则，结束流程。
需要说明的是，上述预警信号的形式仅是举例说明，具体可根据应用该道路预警方法的设备的设置确定具体的预警信号的类型，此处仅是举例说明，不做具体限制。
相对于现有技术而言，将获取的道路的图像数据进行分区，检测每个分区中的障碍物信息，从而能够更准确的确定出道路图像数据中障碍物的位置信息，能够获取更为详细的道路信息，根据每个分区的障碍物的信息确定每个分区的预警等级，并根据预警等级确定出决策建议，使得确定的决策建议可靠度更高，提升出行安全性。
本申请的第二实施方式涉及一种道路通行方法，本实施方式与第一实施方式大致相同，主要区别之处在于，第二实施方式中主要是详细介绍了每个分区中梯度值的获取，如图4所示的流程图，包括：
需要说明的是，步骤301至步骤303分别与步骤101至步骤103相同，此处不再赘述。
步骤304：分别确定出每个分区的梯度值。
具体地说，确定任意一个分区的梯度值，需要进行以下处理：根据分区横向指定方向上相邻的分区的权重与分区的权重，计算分区横向的梯度值；根据纵向指定方向上相邻的分区的权重与分区的权重计算分区纵向的梯度值；根据分区横向梯度值和分区纵向梯度值，确定分区的梯度值。重复执行上述的处理过程，直到确定出每个分区的梯度值。
步骤305：确定所有分区中最大的梯度值。
步骤306：根据最大的梯度值确定通过该道路的决策建议。
具体地说，一个分区的梯度计算与该分区的相邻分区的权重相关，该分区与相邻分区在直角坐标中的位置关系如图5所示，计算梯度值的具体实现用公式2表示：
G(x,y)＝dx(m,n)+dy(m,n) (2)
其中，G(x,y)表示直角坐标中(x，y)的分区的梯度值，W(m,n)表示在图像数据中(m,n)的分区的权重，dx(m,n)表示该分区在x方向的梯度，用公式3表示为：
dx(m,n)＝W(m+1,n)-W(m,n) (3)
dy(m,n)表示该分区在y方向的梯度，用公式4表示为：
dy(m,n)＝W(m,n+1)-W(m,n) (4)
具体地说，每个分区的梯度值为矢量值，通过分区中梯度值最大的确定出最佳的通行方向。
上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。
本申请的第三实施例涉及一种通路检测装置，具体结构如图6所示，包括：获取模块601、第一确定模块602、第二确定模块603和第三确定模块604。
获取模块601，用于对获取的道路的图像数据进行划分得到M×N个分区；其中，M、N均是大于1的整数。
第一确定模块602，用于确定每个分区的障碍物的信息。
第二确定模块603，用于根据每个分区的障碍物的信息，确定每个分区各自的预警等级。
第三确定模块604，用于根据每个分区的预警等级，确定通过道路的决策建议。
不难发现，本实施例为与第一或第二实施例相对应的装置实施例，本实施例可与第一或第二实施例互相配合实施。第一或第二实施例中提到的相关技术细节在本实施例中依然有效，为了减少重复，这里不再赘述。
本申请的第四实施例涉及一种电子设备，具体结构如图7所示，包括：至少一个处理器701；以及，与至少一个处理器701通信连接的存储器702；其中，存储器702存储有可被至少一个处理器701执行的指令，指令被至少一个处理器701执行，以使至少一个处理器701能够执行第一或第二实施例中的通路检测方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路链接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本申请的第五实施例涉及一种计算机可读存储介质，该可读存储介质为计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，该计算机指令使计算机能够执行本申请第一或第二方法实施例中涉及的道路通行方法。
需要说明的是，本领域的技术人员能够理解，上述实施例中显示方法是通过程序来指令相关的硬件来完成的，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random-AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解，上述各实施例是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。

Claims (13)

1.一种道路通行方法，其中，包括：
对获取的道路的图像数据进行划分得到M×N个分区；其中，M、N均是大于1的整数；
确定每个所述分区的障碍物的信息；
根据每个所述分区的障碍物的信息，确定每个所述分区各自的预警等级；
根据每个所述分区的所述预警等级，确定通过所述道路的决策建议；
其中，所述根据每个所述分区的障碍物的信息确定每个所述分区各自的预警等级，包括：
根据每个所述分区中包括的障碍物的信息，确定每个所述分区各自的权重；
根据每个所述分区各自的权重确定每个所述分区各自的预警等级；
所述根据每个所述分区中包括的障碍物，确定每个所述分区各自的权重，具体包括：
计算包括所述障碍物的分区中所述障碍物的几何不变矩；
根据所述几何不变矩和所有所述分区的面积之和计算所述障碍物的权重。
2.根据权利要求1所述的道路通行方法，其中，所述确定每个所述分区的障碍物的信息，包括：
检测每个所述分区的障碍物并确定出包括所述障碍物的分区。
3.根据权利要求1所述的道路通行方法，其中，所述根据每个所述分区的所述预警等级，确定通过所述道路的决策建议，具体包括：
分别计算每个所述分区的梯度值，其中，所述梯度值根据所述分区中所述权重和所述分区的相邻分区的权重计算；
确定所有所述分区中最大的所述梯度值；
根据所述最大的所述梯度值确定通过所述道路的决策建议。
4.根据权利要求3所述的道路通行方法，其中，所述决策建议包括最佳通行方向；
根据所述最大的所述梯度值确定通过所述道路的决策建议，包括：
将所述最大的梯度值的方向作为所述决策建议中的最佳通行方向。
5.根据权利要求3或4所述的道路通行方法，其中，分别计算每个所述分区的梯度值，包括：
对于任意一个所述分区，根据所述分区横向指定方向上相邻的分区的权重与所述分区的权重，计算所述分区横向的梯度值，根据纵向指定方向上相邻的分区的权重与所述分区的权重计算所述分区纵向的梯度值，根据所述分区横向梯度值和所述分区纵向梯度值，确定所述分区的梯度值。
6.根据权利要求5所述的道路通行方法，其中，根据所述分区横向梯度值和所述分区纵向梯度值，确定所述分区的梯度值，包括：
计算所述分区横向梯度值和所述分区纵向梯度值的矢量和，将所得的结果作为所述分区的梯度值。
7.根据权利要求1或6所述的道路通行方法，其中，所述权重与所述预警等级成正比。
8.根据权利要求1、2、3或4所述的道路通行方法，其中，在根据每个所述分区的所述预警等级，确定通过所述道路的决策建议之后，所述道路通行方法还包括：
根据所述决策建议发出预警信号，其中所述预警信号包括所述决策建议。
9.根据权利要求1所述的道路通行方法，其中，所述预警信号还包括：分区数量、预警等级。
10.根据权利要求1、2、3或4所述的道路通行方法，其中，
所述预警信号的形式包括：语音信号、振动信号、指令信号或光线信号。
11.一种道路通行装置，其中，包括获取模块、第一确定模块、第二确定模块和第三确定模块；
所述获取模块，用于对获取的道路的图像数据进行划分得到M×N个分区；其中，M、N均是大于1的整数；
所述第一确定模块，用于确定每个所述分区的障碍物的信息；
所述第二确定模块，用于根据每个所述分区的障碍物的信息，确定每个所述分区各自的预警等级；
其中，所述根据每个所述分区的障碍物的信息确定每个所述分区各自的预警等级，包括：
根据每个所述分区中包括的障碍物的信息，确定每个所述分区各自的权重；
根据每个所述分区各自的权重确定每个所述分区各自的预警等级；
所述根据每个所述分区中包括的障碍物，确定每个所述分区各自的权重，具体包括：
计算包括所述障碍物的分区中所述障碍物的几何不变矩；
根据所述几何不变矩和所有所述分区的面积之和计算所述障碍物的权重；
所述第三确定模块，用于根据每个所述分区的所述预警等级，确定通过所述道路的决策建议。
12.一种电子设备，其中，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-10任一项所述的道路通行方法。
13.一种计算机可读存储介质，存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-10任一项所述的道路通行方法。
CN201810738946.6A 2018-07-06 2018-07-06 道路通行方法、相关装置及计算机可读存储设备 Active CN109035764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810738946.6A CN109035764B (zh) 2018-07-06 2018-07-06 道路通行方法、相关装置及计算机可读存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810738946.6A CN109035764B (zh) 2018-07-06 2018-07-06 道路通行方法、相关装置及计算机可读存储设备

Publications (2)

Publication Number Publication Date
CN109035764A CN109035764A (zh) 2018-12-18
CN109035764B true CN109035764B (zh) 2020-10-02

Family

ID=64640584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810738946.6A Active CN109035764B (zh) 2018-07-06 2018-07-06 道路通行方法、相关装置及计算机可读存储设备

Country Status (1)

Country Link
CN (1) CN109035764B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7139967B2 (ja) * 2019-01-22 2022-09-21 トヨタ自動車株式会社 サーバ、サーバ制御方法、及びサーバ制御プログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799179A (zh) * 2012-07-06 2012-11-28 山东大学 基于单链序贯回溯q学习的移动机器人路径规划算法
CN105204511A (zh) * 2015-10-13 2015-12-30 王红军 一种物体自主移动的决策方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8386096B2 (en) * 2009-12-22 2013-02-26 General Electric Company Relative navigation system
CN103439972B (zh) * 2013-08-06 2016-06-29 重庆邮电大学 一种动态复杂环境下的移动机器人路径规划方法
CN103926925B (zh) * 2014-04-22 2015-04-29 江苏久祥汽车电器集团有限公司 一种基于改进的vfh算法的定位与避障方法及机器人
CN105629970A (zh) * 2014-11-03 2016-06-01 贵州亿丰升华科技机器人有限公司 一种基于超声波的机器人定位避障方法
CN111459165A (zh) * 2017-06-26 2020-07-28 侯苏华 一种路径规划方法及机器人

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102799179A (zh) * 2012-07-06 2012-11-28 山东大学 基于单链序贯回溯q学习的移动机器人路径规划算法
CN105204511A (zh) * 2015-10-13 2015-12-30 王红军 一种物体自主移动的决策方法

Also Published As

Publication number Publication date
CN109035764A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
US11680821B2 (en) Map information system
US10324469B2 (en) System and method for controlling motion of vehicle in shared environment
CN111506058B (zh) 通过信息融合来计划自动驾驶的短期路径的方法及装置
CN109002039B (zh) 避障提醒方法、相关装置及计算机可读存储介质
CN109074490B (zh) 通路检测方法、相关装置及计算机可读存储介质
US10919543B2 (en) Learning method and learning device for determining whether to switch mode of vehicle from manual driving mode to autonomous driving mode by performing trajectory-based behavior analysis on recent driving route
EP3624002A2 (en) Training data generating method for image processing, image processing method, and devices thereof
CN112740268B (zh) 目标检测方法和装置
RU2661963C1 (ru) Устройство вычисления маршрута движения
US10633007B1 (en) Autonomous driving assistance glasses that assist in autonomous driving by recognizing humans' status and driving environment through image analysis based on deep neural network
JP7165201B2 (ja) 認識装置
US10635915B1 (en) Method and device for warning blind spot cooperatively based on V2V communication with fault tolerance and fluctuation robustness in extreme situation
US10796206B2 (en) Method for integrating driving images acquired from vehicles performing cooperative driving and driving image integrating device using same
US10796571B2 (en) Method and device for detecting emergency vehicles in real time and planning driving routes to cope with situations to be expected to be occurred by the emergency vehicles
KR20200046437A (ko) 영상 및 맵 데이터 기반 측위 방법 및 장치
KR102373492B1 (ko) 자체적으로 생성된 정보 및 다른 개체에 의해 생성된 정보를 선택적으로 사용하여 카메라의 오정렬을 보정하는 방법 및 이를 이용한 장치
KR20200095357A (ko) 비최대값 억제를 학습하는 병합 네트워크를 이용한 이종 센서 융합을 위한 학습 방법 및 학습 장치
CN109035764B (zh) 道路通行方法、相关装置及计算机可读存储设备
Markelic et al. The driving school system: Learning basic driving skills from a teacher in a real car
CN112734811B (zh) 一种障碍物跟踪方法、障碍物跟踪装置和芯片
CN115249407B (zh) 指示灯状态识别方法、装置、电子设备、存储介质及产品
CN113762030A (zh) 数据处理方法、装置、计算机设备及存储介质
CN113327456A (zh) 一种车道结构检测方法及装置
EP4336467A1 (en) Method and apparatus for modeling object, storage medium, and vehicle control method
Kaida et al. Study on Behavior Prediction Using Multi-object Recognition and Map Information in Road Environment

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