CN109278753A - 一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法 - Google Patents
一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法 Download PDFInfo
- Publication number
- CN109278753A CN109278753A CN201811131042.3A CN201811131042A CN109278753A CN 109278753 A CN109278753 A CN 109278753A CN 201811131042 A CN201811131042 A CN 201811131042A CN 109278753 A CN109278753 A CN 109278753A
- Authority
- CN
- China
- Prior art keywords
- road
- information
- driver
- characteristic parameter
- grade
- 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
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法,其结合了多种不同信息获取方式获取外部视觉可见信息,从驾驶员信息负荷角度对各类信息进行有机划分,使得可获取的信息具有更好的层次性和可解释性。利用所采集并分类的信息,通过机器学习的方法,选取特征向量和最优时间窗,并分别建立基于等级下的特征参数库和驾驶员信息负荷量分类器,为辅助驾驶策略的选择时机和选择方法提供了有效的支持手段,提高了智能车辆辅助驾驶中的人机交互性。
Description
技术领域
本发明属于智能车辆技术领域,尤其涉及一种智能车辆的辅助驾驶方法。
背景技术
智能车辆的主要特点是以技术弥补人为因素的缺陷,使得即便在很复杂的道路情况下,也能够通过人-车交互的智能化手段,对驾驶行为产生主动或者被动的引导、修正甚至直接取代驾驶人完成驾驶任务,但与当下较为流行的自动驾驶技术不同的是,智能车辆的辅助驾驶更多地强调人机配合,而非完全地自主行使。
根据新一代人机交互技术“以用户为中心”的设计理念,智能车辆在对自身进行车身辅助控制时需要综合考虑驾驶员的注意力集中程度,在不同的驾驶员状态下实施不同的车辆辅助控制策略。目前常见的车辆辅助控制策略中多硬件实现(CN108394344A、CN108437896A)的角度出发,缺乏对驾驶员状态评价的有效评判方法和标准,最终导致辅助驾驶接受度不高,辅助驾驶效果不好。在行驶过程中,道路交叉口属于一种各种交通参与者进行汇集、转向等操作的区域,不同方向的车辆、行人、自行车流等在此交汇,存在很多冲突和交汇点,是交通事故的多发地带,路况的各种信息和事件的负荷和处理,也会对驾驶行为产生影响和压力。因而对于这种路段智能车辆采取何种辅助策略、如何在驾驶员和车辆之间分配控制权,直接关系到智能车辆在道路交叉口的安全态势以及辅助驾驶的有效性和可接受度。目前多从道路设计、改善车辆行驶稳定性(CN108182812A)等方面改善交叉口的安全态势,并未考虑从使用者-驾驶员出发。因此,本领域中尚缺发对驾驶员处于道路交叉口地带时的信息负荷进行有效评价,并相应地提供合理的辅助驾驶策略的方法。
发明内容
针对上述本领域中所存在的技术问题,本发明提供了一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法,具体包括以下步骤:
步骤一、分别采集通过当前在DSRC通信协议下的道路和其他车辆的信息、车载摄像装置获取的车辆外部视觉可见信息、行驶过程中驾驶员瞳孔直径、注视点分布百分比;
步骤二、对所述步骤一采集的所述视觉可见信息提取特征参数建立特征参数库,并用于训练驾驶员信息负荷量等级分类器;
步骤三、利用所述步骤二中训练的所述驾驶员信息负荷量等级分类器对实际行车过程中所采集的道路交叉口相关信息进行在线辨识,得到实时信息负荷量等级;
步骤四、基于所述步骤三中辨识得到的所述实时信息负荷量等级,提供相应的辅助驾驶策略。
进一步的,所述步骤一中的所述视觉可见信息包括:与路面、路肩、中央隔离带设施相关的道路物理信息,与其他道路使用者相关的道路动态信息、与道路标志、标线、信号灯、广告牌相关的道路意义信息,与道路周边的自然及人文景观,包括树木、绿化、建筑、天空等的道路景观信息。
进一步的,所述步骤二中所述视觉可见信息提取特征参数具体包括:对所述道路物理信息通过车-路通信方式分别提取道路设施元素面积、道路设施元素的醒目性,以及驾驶员相对道路设施元素的距离;
对所述道路动态信息通过车-车通信方式分别提取不同道路参与者的交通方式系数、每种交通方式的权重,以及每种交通方式的参与者个数;
对所述道路意义信息通过车-路通信方式分别提取不同道路意义元素权重、单个道路意义元素所包含的信息量,以及不同交通标志上包含某个道路意义元素的个数;
对所述道路景观信息通过车载摄像装置分别提取道路景观元素的面积、道路景观元素的醒目程度,以及道路景观元素距驾驶人的距离。
对所述的利用眼动仪检测行驶过程中驾驶员瞳孔直径、注视点分布百分比。注视点分布百分比定义为:
p=S1/S2
其中:S1为注视点热力图面积
S2为驾驶员可视总面积
对所述的瞳孔直径和注视点分布百分比,将其化为三级:信息过载(大,大);信息适宜(不大,不大);信息过低(小,小)。
进一步的,所述步骤二中建立特征参数库,具体包括:
通过采集多名驾驶员在正常驾驶状态下通过典型道路交叉口的视觉可见信息以及瞳孔直径、注视点分布百分比,以瞳孔直径和注视点百分比为依据,统计各个信息负荷量的评价等级下,各特征参数组成的状态向量空间分布;
利用统计分析的方法检验不同评价等级下特征参数差异的显著性,基于区分效果选取状态向量,并计算对于每个特征参数区分能力最强的时间窗作为最优时间窗,以分类误差最小为标准选取所述状态向量并建立所述特征参数库。
进一步的,在所述步骤三的在线辨识中,对实时采集的数据采用融合特征参数及各视觉可见信息的方法,在最优时间窗内,将所述特征参数值输入信息负荷量等级模式分类器,以实时获取驾驶员信息量等级。
进一步的,所述步骤四具体包括:
若驾驶员处于信息负荷过载状态,采取高等级的辅助策略,分配车辆本身更多的车身控制自主权;
若驾驶员处于信息负荷适宜状态,采取中等级的辅助策略,给予驾驶员自主选择辅助策略的权力;
若驾驶员处于信息负荷过低状态,则采取仅提醒、警示的低等级辅助策略,提高驾驶员注意力效度,监测驾驶员操纵状态。
通过上述本发明所提供的方法,结合了多种不同信息获取方式获取外部视觉可见信息,从驾驶员信息负荷角度对各类信息进行有机划分,使得可获取的信息具有更好的层次性和可解释性。利用所采集并分类的信息,通过机器学习的方法,选取特征向量和最优时间窗,并分别建立基于等级下的特征参数库和驾驶员信息负荷量分类器,为辅助驾驶策略的选择时机和选择方法提供了有效的支持手段,提高了智能车辆辅助驾驶中的人机交互性。
附图说明
图1为驾驶员信息负荷量等级参数组成示意图
图2为基于本发明所提供方法的辅助驾驶策略流程图
具体实施方式
下面结合附图对本发明所提供的一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法,做出进一步详尽的阐释。
本发明所提供的一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法,具体包括以下步骤:
步骤一、分别采集通过当前车-路通信、车-车通信、车载摄像装置获取的车辆外部视觉可见信息、车载眼动仪获取的驾驶员瞳孔直径和注视点分布信息;
步骤二、对所述步骤一采集的所述视觉可见信息提取特征参数建立特征参数库,并依据驾驶员瞳孔直径及注视点分布信息训练驾驶员信息负荷量等级分类器;
步骤三、利用所述步骤二中训练的所述驾驶员信息负荷量等级分类器对实际行车过程中所采集的道路交叉口相关信息进行在线辨识,得到实时信息负荷量等级;
步骤四、基于所述步骤三中辨识得到的所述实时信息负荷量等级,提供相应的辅助驾驶策略。
在本申请的一个优选实施例中,如图1所示,所述步骤一中的所述视觉可见信息包括:与路面、路肩、中央隔离带设施相关的道路物理信息,与其他道路使用者相关的道路动态信息、与道路标志、标线、信号灯、广告牌相关的道路意义信息,与道路周边的自然及人文景观,包括树木、绿化、建筑、天空等的道路景观信息。
在本申请的一个优选实施例中,所述步骤二中所述视觉可见信息提取特征参数具体包括:对所述道路物理信息通过车-路通信方式分别提取道路设施元素面积、道路设施元素的醒目性,以及驾驶员相对道路设施元素的距离;
对所述道路动态信息通过车-车通信方式分别提取不同道路参与者的交通方式系数、每种交通方式的权重,以及每种交通方式的参与者个数;
对所述道路意义信息通过车-路通信方式分别提取不同道路意义元素权重、单个道路意义元素所包含的信息量,以及不同交通标志上包含某个道路意义元素的个数;
对所述道路景观信息通过车载摄像装置分别提取道路景观元素的面积、道路景观元素的醒目程度,以及道路景观元素距驾驶人的距离。
在本申请的一个优选实施例中,所述步骤二中建立特征参数库,具体包括:
通过采集多名驾驶员在正常驾驶状态下通过典型道路交叉口的视觉可见信息,计算各特征参数并针对各场景中信息负荷量的评价等级进行抽样,得到各特征参数组成的状态向量空间分布;
利用统计分析的方法检验不同评价等级下特征参数差异的显著性,基于区分效果选取状态向量,并计算对于每个特征参数区分能力最强的时间窗作为最优时间窗,以分类误差最小为标准选取所述状态向量并建立所述特征参数库。
在本申请的一个优选实施例中,在所述步骤三的在线辨识中,对实时采集的数据采用融合特征参数及各视觉可见信息的方法,在最优时间窗内,将所述特征参数值输入信息负荷量等级模式分类器,以实时获取驾驶员信息量等级。
在本申请的一个优选实施例中,如图2所示,所述步骤四具体包括:
若驾驶员处于信息负荷过载状态,采取高等级的辅助策略,分配车辆本身更多的车身控制自主权;
若驾驶员处于信息负荷适宜状态,采取中等级的辅助策略,给予驾驶员自主选择辅助策略的权力;
若驾驶员处于信息负荷过低状态,则采取仅提醒、警示的低等级辅助策略,提高驾驶员注意力效度,监测驾驶员操纵状态。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法,其特征在于:具体包括以下步骤:
步骤一、分别采集通过当前基于DSRC技术的车-路通信、车-车通信、车载摄像装置获取的车辆外部视觉可见信息;
步骤二、对所述步骤一采集的所述视觉可见信息提取特征参数建立特征参数库,并用于训练驾驶员信息负荷量等级分类器;
步骤三、利用所述步骤二中训练的所述驾驶员信息负荷量等级分类器对实际行车过程中所采集的道路交叉口相关信息进行在线辨识,得到实时信息负荷量等级;
步骤四、基于所述步骤三中辨识得到的所述实时信息负荷量等级,提供相应的辅助驾驶策略。
2.如权利要求1所述的方法,其特征在于:所述步骤一中的所述视觉可见信息包括:与路面、路肩、中央隔离带设施相关的道路物理信息,与其他道路使用者相关的道路动态信息、与道路标志、标线、信号灯、广告牌相关的道路意义信息,与道路周边的自然及人文景观,包括树木、绿化、建筑、天空等的道路景观信息。
3.如权利要求2所述的方法,其特征在于:所述步骤二中所述视觉可见信息提取特征参数具体包括:对所述道路物理信息通过车-路通信方式分别提取道路设施元素面积、道路设施元素的醒目性,以及驾驶员相对道路设施元素的距离;
对所述道路动态信息通过车-车通信方式分别提取不同道路参与者的交通方式系数、每种交通方式的权重,以及每种交通方式的参与者个数;
对所述道路意义信息通过车-路通信方式分别提取不同道路意义元素权重、单个道路意义元素所包含的信息量,以及不同交通标志上包含某个道路意义元素的个数;
对所述道路景观信息通过车载摄像装置分别提取道路景观元素的面积、道路景观元素的醒目程度,以及道路景观元素距驾驶人的距离。
4.如权利要求3所述的方法,其特征在于:所述步骤二中建立特征参数库,具体包括:
通过采集多名驾驶员在正常驾驶状态下通过典型道路交叉口的视觉可见信息,计算各特征参数并针对各场景中信息负荷量的评价等级进行抽样,得到各特征参数组成的状态向量空间分布;
利用统计分析的方法检验不同评价等级下特征参数差异的显著性,基于区分效果选取状态向量,并计算对于每个特征参数区分能力最强的时间窗作为最优时间窗,以分类误差最小为标准选取所述状态向量并建立所述特征参数库。
5.如权利要求4所述的方法,其特征在于:在所述步骤三的在线辨识中,对实时采集的数据采用融合特征参数及各视觉可见信息的方法,在最优时间窗内,将所述特征参数值输入信息负荷量等级模式分类器,以实时获取驾驶员信息量等级。
6.如权利要求5所述的方法,其特征在于:所述步骤四具体包括:
若驾驶员处于信息负荷过载状态,采取高等级的辅助策略,分配车辆本身更多的车身控制自主权;
若驾驶员处于信息负荷适宜状态,采取中等级的辅助策略,给予驾驶员自主选择辅助策略的权力;
若驾驶员处于信息负荷过低状态,则采取仅提醒、警示的低等级辅助策略,提高驾驶员注意力效度,监测驾驶员操纵状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811131042.3A CN109278753B (zh) | 2018-09-27 | 2018-09-27 | 一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811131042.3A CN109278753B (zh) | 2018-09-27 | 2018-09-27 | 一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109278753A true CN109278753A (zh) | 2019-01-29 |
CN109278753B CN109278753B (zh) | 2020-09-01 |
Family
ID=65181910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811131042.3A Active CN109278753B (zh) | 2018-09-27 | 2018-09-27 | 一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109278753B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110406592A (zh) * | 2019-06-25 | 2019-11-05 | 湖北汽车工业学院 | 一种人车驾驶权分配的自动驾驶车辆转向系统及控制方法 |
CN110530389A (zh) * | 2019-09-06 | 2019-12-03 | 禾多科技(北京)有限公司 | 基于高精度导航电子地图的路口模式识别方法及识别系统 |
CN112677981A (zh) * | 2021-01-08 | 2021-04-20 | 浙江三一装备有限公司 | 用于作业机械安全驾驶的智能辅助方法及装置 |
CN112874527A (zh) * | 2019-11-29 | 2021-06-01 | 奥迪股份公司 | 辅助驾驶装置、包括其的车辆及相应的方法和介质 |
CN113859246A (zh) * | 2020-06-30 | 2021-12-31 | 广州汽车集团股份有限公司 | 一种车辆控制方法和装置 |
CN114550494A (zh) * | 2020-11-25 | 2022-05-27 | 丰田自动车株式会社 | 步行辅助系统 |
CN114971285A (zh) * | 2022-05-25 | 2022-08-30 | 福州大学 | 一种驾驶环境信息负荷的评价方法及装置、设备、介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101054092A (zh) * | 2006-04-13 | 2007-10-17 | 通用汽车环球科技运作公司 | 基于驾驶员工作负荷的车辆稳定性增强控制 |
CN104724123A (zh) * | 2013-12-19 | 2015-06-24 | 罗伯特·博世有限公司 | 用于获取驾驶员的负荷状态的方法 |
US20150344027A1 (en) * | 2014-05-30 | 2015-12-03 | Denso Corporation | Driving assistance apparatus |
CN106618524A (zh) * | 2015-10-30 | 2017-05-10 | 福特全球技术公司 | 丧失驾驶能力的检测和预防 |
CN107145835A (zh) * | 2017-04-12 | 2017-09-08 | 武汉理工大学 | 基于图像识别的驾驶员负荷检测车载装置 |
-
2018
- 2018-09-27 CN CN201811131042.3A patent/CN109278753B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101054092A (zh) * | 2006-04-13 | 2007-10-17 | 通用汽车环球科技运作公司 | 基于驾驶员工作负荷的车辆稳定性增强控制 |
CN104724123A (zh) * | 2013-12-19 | 2015-06-24 | 罗伯特·博世有限公司 | 用于获取驾驶员的负荷状态的方法 |
US20150344027A1 (en) * | 2014-05-30 | 2015-12-03 | Denso Corporation | Driving assistance apparatus |
US10053087B2 (en) * | 2014-05-30 | 2018-08-21 | Denso Corporation | Driving assistance apparatus |
CN106618524A (zh) * | 2015-10-30 | 2017-05-10 | 福特全球技术公司 | 丧失驾驶能力的检测和预防 |
CN107145835A (zh) * | 2017-04-12 | 2017-09-08 | 武汉理工大学 | 基于图像识别的驾驶员负荷检测车载装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110406592A (zh) * | 2019-06-25 | 2019-11-05 | 湖北汽车工业学院 | 一种人车驾驶权分配的自动驾驶车辆转向系统及控制方法 |
CN110530389A (zh) * | 2019-09-06 | 2019-12-03 | 禾多科技(北京)有限公司 | 基于高精度导航电子地图的路口模式识别方法及识别系统 |
CN112874527A (zh) * | 2019-11-29 | 2021-06-01 | 奥迪股份公司 | 辅助驾驶装置、包括其的车辆及相应的方法和介质 |
CN113859246A (zh) * | 2020-06-30 | 2021-12-31 | 广州汽车集团股份有限公司 | 一种车辆控制方法和装置 |
CN113859246B (zh) * | 2020-06-30 | 2023-09-08 | 广州汽车集团股份有限公司 | 一种车辆控制方法和装置 |
CN114550494A (zh) * | 2020-11-25 | 2022-05-27 | 丰田自动车株式会社 | 步行辅助系统 |
CN112677981A (zh) * | 2021-01-08 | 2021-04-20 | 浙江三一装备有限公司 | 用于作业机械安全驾驶的智能辅助方法及装置 |
CN112677981B (zh) * | 2021-01-08 | 2022-06-07 | 浙江三一装备有限公司 | 用于作业机械安全驾驶的智能辅助方法及装置 |
CN114971285A (zh) * | 2022-05-25 | 2022-08-30 | 福州大学 | 一种驾驶环境信息负荷的评价方法及装置、设备、介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109278753B (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109278753A (zh) | 一种基于驾驶员视觉可见信息的智能车辆辅助驾驶方法 | |
JP7120689B2 (ja) | 深層学習に基づく車載ビデオターゲット検出方法 | |
US11084494B2 (en) | Method for detecting safety of driving behavior, apparatus, device and storage medium | |
CN110097109A (zh) | 一种基于深度学习的道路环境障碍物检测系统及方法 | |
CN106611169B (zh) | 一种基于深度学习的危险驾驶行为实时检测方法 | |
CN107063275A (zh) | 基于路侧设备的智能车辆地图融合系统及方法 | |
CN105844257A (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN107368787A (zh) | 一种面向深度智驾应用的交通标志识别算法 | |
CN106548679A (zh) | 一种智能驾驶训练系统 | |
CN105590466A (zh) | 一种云平台下的驾驶员危险操作行为监测系统及方法 | |
CN103902976A (zh) | 一种基于红外图像的行人检测方法 | |
CN104083258A (zh) | 一种基于脑机接口与自动驾驶技术的智能轮椅控制方法 | |
CN109726804A (zh) | 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法 | |
CN102053563A (zh) | 模拟机飞行训练数据采集及质量评估系统 | |
CN110490139A (zh) | 基于人脸识别的夜间疲劳驾驶判断方法 | |
CN108537198A (zh) | 一种基于人工智能的驾驶习惯的分析方法 | |
CN113743471B (zh) | 一种驾驶评估方法及其系统 | |
CN113920491A (zh) | 基于面部骨架模型的疲劳检测系统、方法、介质、检测设备 | |
CN106203296A (zh) | 一种属性辅助的视频动作识别方法 | |
CN110341712A (zh) | 一种自动驾驶换道意图识别系统及其方法 | |
CN111080158A (zh) | 一种基于复合权重的城市路口通行危险指数评价方法 | |
CN109086803A (zh) | 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法 | |
CN110930811B (zh) | 一种适用于无人驾驶决策学习和训练的系统 | |
CN101976451A (zh) | 一种基于加速度传感器的运动控制与动画生成方法 |
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 |