CN109376642B - 一种基于驾驶员行为的运动车辆状态预测方法 - Google Patents

一种基于驾驶员行为的运动车辆状态预测方法 Download PDF

Info

Publication number
CN109376642B
CN109376642B CN201811203402.6A CN201811203402A CN109376642B CN 109376642 B CN109376642 B CN 109376642B CN 201811203402 A CN201811203402 A CN 201811203402A CN 109376642 B CN109376642 B CN 109376642B
Authority
CN
China
Prior art keywords
vehicle
driver
field
behavior
repulsive force
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
CN201811203402.6A
Other languages
English (en)
Other versions
CN109376642A (zh
Inventor
朱旭
张倩楠
徐伟
闫茂德
杨盼盼
左磊
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN201811203402.6A priority Critical patent/CN109376642B/zh
Publication of CN109376642A publication Critical patent/CN109376642A/zh
Application granted granted Critical
Publication of CN109376642B publication Critical patent/CN109376642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于驾驶员行为的运动车辆状态预测方法，为提高运动车辆状态预测的准确性和鲁棒性，考虑了驾驶员的避免超速和与前车防追尾行为，使预测过程更贴近于交通实际；利用人工势场法中的斥力场对上述两种驾驶员行为进行分析，首先考虑避免超速这一驾驶员行为，设计由速度上限产生的斥力场，对其求梯度得到由速度上限产生的虚拟力；根据车辆与前车的最小安全距离，设计防追尾斥力场，将驾驶员行为融入自适应无迹卡尔曼滤波中，并采用斥力场对上述这两种驾驶员行为进行分析，分别对斥力场求梯度，得到虚拟力，随后建立融合驾驶员行为的自适应无迹卡尔曼滤波方程，提高车辆状态预测的准确性和鲁棒性。

Description

一种基于驾驶员行为的运动车辆状态预测方法
技术领域
本发明属于交通信息检测与图像处理的交叉领域，涉及运动车辆的状态预测方法，特别是一种基于驾驶员行为的运动车辆状态预测方法。
背景技术
利用空中航拍视频对运动车辆进行状态预测，是车辆跟踪的重要步骤。只有通过对前一时刻的估计值和当前时刻的观测值来进行状态预测，才能获取当前时刻的估计值以及下一时刻的预测值，进而确定运动车辆的位置，实现车辆的状态预测。运动车辆受地面复杂交通环境的影响，难免在某些帧图像中被建筑物、桥梁、大型车辆等遮挡，此时有效的车辆状态预测至关重要。构造合适的预测模型来预测未来某一时间段内车辆的运动状态，实现车辆状态预测，可用于车辆轨迹、车辆速度以及加速度的提取，并为后续的运动车辆跟踪、交通行为分析提供参考。
传统的运动车辆预测方法存在一些局限。比如未考虑驾驶员行为对车辆状态预测的影响，预测精度不高。近年来，关于运动车辆预测研究已经取得了很大的进展。比如，采用线性运动模型预测待预测车辆状态；也可采用常系数运动模型来确定车辆状态；通过扩展卡尔曼滤波算法，来估计待预测车辆的运动状态；运用无迹卡尔曼滤波进行状态预测，用于确定车辆的运动状态；甚至也有学者将粒子滤波运用到运动车辆预测中，以此来进行状态预测。
以上算法并未考虑到在实际交通环境中，车辆行驶易受到交通法规和安全行驶的影响，忽略了驾驶员因要避免超速行驶和防追尾等产生的驾驶行为，运动车辆状态预测算法的准确率和鲁棒性均有待提高。
发明内容
本发明的目的在于提供一种基于驾驶员行为的运动车辆状态预测方法，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种基于驾驶员行为的运动车辆状态预测方法，包括以下步骤：
步骤1)、获取运动车辆的视频图像，从而得到驾驶员行为；
步骤2)、对驾驶员行为进行人工势场法分析，获取驾驶员行为的斥力场求梯度和虚拟力；
步骤3)、将驾驶员行为的斥力场求梯度和虚拟力结合自适应无迹卡尔曼滤波法建立融合驾驶员行为的运动方程，实现车辆运动状态预测。
进一步的，具体的获取运动车辆的航拍视频图像，建立驾驶员行为参数：避免超速行驶和防追尾，建模为虚拟力场。
进一步的，由速度上限产生的斥力场为：
Figure GDA0003225202470000021
其中，
Figure GDA0003225202470000022
为速度上限产生的斥力场，k表示第k帧视频；
Figure GDA0003225202470000023
为车辆θ的速度，
Figure GDA0003225202470000024
为车辆θ在x坐标轴的分速度，
Figure GDA0003225202470000025
为车辆θ在y坐标轴的分速度；上标s代表避免超速；
Figure GDA0003225202470000026
为车辆θ的速度上限；a0和b0均为正系数，代表斥力场
Figure GDA0003225202470000027
的幅值和响应速度；
对由速度上限产生的斥力场求梯度，得斥力场
Figure GDA0003225202470000028
产生的斥力为：
Figure GDA0003225202470000029
其中，
Figure GDA00032252024700000210
为斥力场
Figure GDA00032252024700000211
产生的斥力；
Figure GDA00032252024700000212
为微分算子。
进一步的，建立防追尾斥力场：
Figure GDA0003225202470000031
其中，Jθτ(dθτ(k),vθτ(k))表示防追尾斥力场；dθτ(k)为车辆θ与前车τ的距离；d θτ为最小安全距离，
Figure GDA0003225202470000032
为斥力场起作用的最大距离，g0和n0为正系数，vθτ(k)为车辆θ与前车τ的相对速度，表示为vθτ(k)＝vθ(k)-vτ(k)；
h(vθτ(k))为非负函数，且满足0≤h(vθτ(k))≤1，定义为：
Figure GDA0003225202470000033
h(vθτ(k))为递增函数，当vθτ(k)→0时，h(vθτ(k))→0；当vθτ(k)→∞时，h(vθτ(k))→1；h(vθτ(k))＜1，其含义是相对速度产生的斥力场
Figure GDA0003225202470000034
不超过由距离产生的斥力场：
Figure GDA0003225202470000035
对防追尾斥力场求梯度，可得防追尾斥力场产生的虚拟力为：
Figure GDA0003225202470000036
fθτ(dθτ(k),vθτ(k))为防追尾斥力场Jθτ(dθτ(k),vθτ(k))产生的虚拟力。
进一步的，建立车辆CV运动模型为：
Figure GDA0003225202470000037
其中，
Figure GDA0003225202470000038
为状态变量；xθ(k)和yθ(k)表示是车辆θ在x轴和y轴的位置；
Figure GDA0003225202470000039
和
Figure GDA00032252024700000310
表示是车辆θ在x轴和y轴的速度；fk(·)和hk(·)分别为动力学系统的状态函数和观测函数；
Figure GDA0003225202470000041
为观测变量；ωθ(k)和ρθ(k)为互不相关的高斯噪声；k+1表示第k+1帧视频。
进一步的，ωθ(k)为非零均值、协方差矩阵为非常数的高斯噪声。
进一步的，建立融合驾驶员行为的运动方程为：
Figure GDA0003225202470000042
其中，
Figure GDA0003225202470000043
为加速度
Figure GDA0003225202470000044
和aθτ(k)对车辆θ的动态方程产生的影响；
Figure GDA0003225202470000045
和aθτ(k)分别是虚拟力
Figure GDA0003225202470000046
和fθτ(dθτ(k),vθτ(k))产生的加速度，即：
Figure GDA0003225202470000047
其中，mθ表示车辆θ的质量；即完成了融合驾驶员行为的自适应无迹卡尔曼滤波方程，对运动车辆进行状态预测。
进一步的，在进行前向预测时需增加驱动项，即：
Figure GDA0003225202470000048
其中，
Figure GDA0003225202470000049
为Xθ(k)的估计值，
Figure GDA00032252024700000410
表示前向预测值。
与现有技术相比，本发明具有以下有益的技术效果：
本发明公开了一种基于驾驶员行为的运动车辆状态预测方法，为提高运动车辆状态预测的准确性和鲁棒性，考虑了驾驶员的避免超速和与前车防追尾行为，使预测过程更贴近于交通实际；利用人工势场法中的斥力场对上述两种驾驶员行为进行分析，首先考虑避免超速这一驾驶员行为，设计由速度上限产生的斥力场，对其求梯度得到由速度上限产生的虚拟力；根据车辆与前车的最小安全距离，设计防追尾斥力场，将驾驶员行为融入自适应无迹卡尔曼滤波中，并采用斥力场对上述这两种驾驶员行为进行分析，分别对斥力场求梯度，得到虚拟力，随后建立融合驾驶员行为的自适应无迹卡尔曼滤波方程，提高车辆状态预测的准确性和鲁棒性。
进一步的，通过引入速度辅助项，用来改善防追尾分析的效果，使所建立的斥力场更贴近实际驾驶员行为，即斥力场随车辆间距离的减小而增大，随相对速度的增加而增大。
附图说明
图1为本发明实例中所述航拍视频中融合驾驶员行为的运动车辆状态预测方法流程框图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
本发明提出一种基于驾驶员行为的运动车辆状态预测方法，利用航拍视频进行运动车辆状态预测时，引入驾驶员的行为这一因素；旨在实现运动车辆的更有效预测，下面结合说明书附图对本发明进一步说明。
图1是本发明的总体流程框图，本发明主要包含了利用人工势场中的斥力场对驾驶员行为进行分析、对驾驶员行为的斥力场求梯度及获得虚拟力、建立融入驾驶员行为的自适应无迹卡尔曼滤波、确定运动车辆状态步骤，具体实施方式如下：
步骤1：首先获取到地面车辆的航拍视频图像，为提高状态预测效果，引入驾驶员行为，采用人工势场法对驾驶员行为进行分析。人工势场法实际上是一种拟物方法，假设目标在一种虚拟力场下运动。常用的人工势场法是梯度势场法，势场的负梯度即为作用在车辆上的虚拟力。此处主要考虑两种驾驶员行为：避免超速行驶和防追尾。将这两种驾驶员行为建模为虚拟力场，进而分析其对状态预测的影响。由于这两种行为是希望限制车速或车车分离，因此只需设计为斥力场，不设计引力场。
步骤2：考虑避免超速这一驾驶员行为，首先，设计由速度上限产生的斥力场为：
Figure GDA0003225202470000061
其中，
Figure GDA0003225202470000062
为速度上限产生的斥力场，k表示第k帧视频；
Figure GDA0003225202470000063
为车辆θ的速度，
Figure GDA0003225202470000064
为车辆θ在x坐标轴的分速度，
Figure GDA0003225202470000065
为车辆θ在y坐标轴的分速度；上标s代表避免超速；
Figure GDA0003225202470000066
为车辆θ的速度上限；a0和b0均为正系数，代表斥力场
Figure GDA0003225202470000067
的幅值和响应速度。
对由速度上限产生的斥力场求梯度，可得斥力场
Figure GDA0003225202470000068
产生的斥力为：
Figure GDA0003225202470000069
其中，
Figure GDA00032252024700000610
为斥力场
Figure GDA00032252024700000611
产生的斥力；
Figure GDA00032252024700000612
为微分算子，可求梯度。此步骤求得的速度上限虚拟力将用于步骤4中的车辆状态预测。
步骤3：考虑到驾驶员总是竭尽所能避免追尾的发生，相应地，设计了与前车的防追尾斥力场：
Figure GDA00032252024700000613
其中，Jθτ(dθτ(k),vθτ(k))表示防追尾斥力场；dθτ(k)为车辆θ与前车τ的距离；d θτ为最小安全距离，当dθτ(k)≤dθτ时，会发生追尾；
Figure GDA00032252024700000614
为斥力场起作用的最大距离，当
Figure GDA00032252024700000615
时，该斥力场不起作用；g0和n0为正系数，vθτ(k)为车辆θ与前车τ的相对速度，可表示为vθτ(k)＝vθ(k)-vτ(k)。h(vθτ(k))为非负函数，且满足0≤h(vθτ(k))≤1，定义为：
Figure GDA00032252024700000616
显然，h(vθτ(k))不是一个固定的系数，车辆θ速度低于前车τ速度时，h(vθτ(k))为0；当车辆θ速度高于前车τ时，h(vθτ(k))＞0，且相对速度越高，h(vθτ(k))值越大。h(vθτ(k))为递增函数，当vθτ(k)→0时，h(vθτ(k))→0；当vθτ(k)→∞时，h(vθτ(k))→1。可以发现，h(vθτ(k))＜1，其含义是相对速度产生的斥力场
Figure GDA0003225202470000071
不会超过由距离产生的斥力场
Figure GDA0003225202470000072
通过引入速度辅助项，用来改善防追尾分析的效果，使所建立的斥力场更贴近实际驾驶员行为。即斥力场随车辆间距离的减小而增大，随相对速度的增加而增大。
随后对防追尾斥力场求梯度，可得防追尾斥力场产生的虚拟力为：
Figure GDA0003225202470000073
fθτ(dθτ(k),vθτ(k))为防追尾斥力场Jθτ(dθτ(k),vθτ(k))产生的虚拟力，此步骤求得的防追尾虚拟力将用于步骤4中的车辆状态预测。
步骤4：将驾驶员行为的人工势场描与自适应无迹卡尔曼滤波结合起来，设计融合驾驶员行为的自适应无迹卡尔曼滤波方法，并将其应用于车辆状态预测，进而确定待预测车辆在后续帧中的状态。
自适应无迹卡尔曼滤波针对系统数学模型不确定或系统过程噪声和观测噪声统计性不确定的情况下使用，对于运动车辆来说，以车辆θ为例，建立CV运动模型为：
Figure GDA0003225202470000081
其中，
Figure GDA0003225202470000082
为状态变量；xθ(k)和yθ(k)表示是车辆θ在x轴和y轴的位置；
Figure GDA0003225202470000083
和
Figure GDA0003225202470000084
表示是车辆θ在x轴和y轴的速度；fk(·)和hk(·)分别为动力学系统的状态函数和观测函数；
Figure GDA0003225202470000085
为观测变量；ωθ(k)和ρθ(k)为互不相关的高斯噪声；k+1表示第k+1帧视频。
以上采用自适应无迹卡尔曼滤波进行状态预测的模型中，ωθ(k)为非零均值、协方差矩阵为非常数的高斯噪声。为了进一步提高状态预测的精度，将这两种驾驶员行为融入车辆的运动模型中。
综合步骤2和步骤3中所建立两种斥力场产生的速度上限虚拟力和防追尾虚拟力，并将其代入传统的自适应无迹卡尔曼滤波运动方程中，可得融合驾驶员行为的运动方程为：
Figure GDA0003225202470000086
其中，
Figure GDA0003225202470000087
为加速度
Figure GDA0003225202470000088
和aθτ(k)对车辆θ的动态方程产生的影响，
Figure GDA0003225202470000089
的具体表达式与fk(Xθ(k))密切相关。
Figure GDA00032252024700000810
和aθτ(k)分别是虚拟力
Figure GDA00032252024700000811
和fθτ(dθτ(k),vθτ(k))产生的加速度，即：
Figure GDA00032252024700000812
其中，mθ表示车辆θ的质量。
至此，建立了融合驾驶员行为的自适应无迹卡尔曼滤波方程，可以进行状态预测。与传统的自适应无迹卡尔曼滤波运动方程相比，增加了驱动项
Figure GDA00032252024700000813
因此在进行前向预测时需增加驱动项，即：
Figure GDA0003225202470000091
其中，
Figure GDA0003225202470000092
为Xθ(k)的估计值，
Figure GDA0003225202470000093
表示前向预测值。
通过建立融合驾驶员行为分析的状态预测方程，可提高运动车辆状态预测的准确性和鲁棒性。
步骤1)、利用航拍视频进行运动车辆状态预测时，为提高状态预测的准确性和鲁棒性，引入避免超速和防追尾这两种驾驶员行为，使用人工势场法中的斥力场来描述这两种驾驶员行为。
步骤2)、考虑避免超速这一驾驶员行为，即车辆行驶速度不能超过设置的速度上限，设计由速度上限产生的斥力场，进而对斥力场求梯度得到由速度上限产生的虚拟力。
步骤3)、考虑防追尾这一驾驶员行为，设计与前车的防追尾斥力场。随后对其求梯度得到由防追尾斥力场产生的虚拟力。
步骤4)、将驾驶员行为的人工势场描述与自适应无迹卡尔曼滤波结合起来，提出融合驾驶员行为的自适应无迹卡尔曼滤波算法，以提高运动车辆状态预测的准确性。
所述步骤1)考虑到传统运动车辆状态预测方法忽略了驾驶员行为对运动车辆状态预测的影响。本发明引入驾驶员行为，并采用人工势场法的斥力场对其进行预测分析，主要考虑驾驶员避免超速行驶和防追尾这两种行为。
所述步骤3)考虑到在实际情况中，要求两辆车之间的距离小于等于最小安全距离，根据这一条件设计防追尾斥力场，并对其求梯度，同时引入速度辅助项，改善防追尾分析的效果，使所建立的斥力场更贴近实际驾驶员行为。
所述步骤4)将驾驶员行为融入到自适应无迹卡尔曼滤波中，与传统采用自适应无迹卡尔曼滤波进行状态预测相比，对驾驶员行为进行了更准确的描述。建立融合驾驶员行为的自适应无迹卡尔曼滤波方程来进行状态预测，与传统自适应无迹卡尔曼滤波运动方程相比，增加了驱动项，以此来提高基于航拍图像序列的运动车辆状态预测的准确度。

Claims (6)

1.一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，包括以下步骤：
步骤1)、获取运动车辆的视频图像，从而得到驾驶员行为参数，驾驶员行为参数包括避免超速行驶和防追尾；
步骤2)、对驾驶员行为进行人工势场法分析，获取驾驶员行为的斥力场求梯度和虚拟力场，根据驾驶员行为参数建模为虚拟力场；
由速度上限产生的斥力场为：
Figure FDA0003287610390000011
其中，
Figure FDA0003287610390000012
为速度上限产生的斥力场，k表示第k帧视频；
Figure FDA0003287610390000013
为车辆θ的速度，
Figure FDA0003287610390000014
为车辆θ在x坐标轴的分速度，
Figure FDA0003287610390000015
为车辆θ在y坐标轴的分速度；上标s代表避免超速；
Figure FDA0003287610390000016
为车辆θ的速度上限；a0和b0均为正系数，代表斥力场
Figure FDA0003287610390000017
的幅值和响应速度；
对由速度上限产生的斥力场求梯度，得斥力场
Figure FDA0003287610390000018
产生的斥力为：
Figure FDA0003287610390000019
其中，
Figure FDA00032876103900000110
为斥力场
Figure FDA00032876103900000111
产生的斥力；
Figure FDA00032876103900000114
为微分算子；
步骤3)、将驾驶员行为的斥力场求梯度和虚拟力场结合自适应无迹卡尔曼滤波法建立融合驾驶员行为的运动方程，实现车辆运动状态预测。
2.根据权利要求1所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，建立防追尾斥力场：
Figure FDA00032876103900000112
其中，Jθτ(dθτ(k),vθτ(k))表示防追尾斥力场；dθτ(k)为车辆θ与前车τ的距离；d θτ为最小安全距离，
Figure FDA00032876103900000113
为斥力场起作用的最大距离，g0和n0为正系数，vθτ(k)为车辆θ与前车τ的相对速度，表示为vθτ(k)＝vθ(k)-vτ(k)；
h(vθτ(k))为非负函数，且满足0≤h(vθτ(k))≤1，定义为：
Figure FDA0003287610390000021
h(vθτ(k))为递增函数，当vθτ(k)→0时，h(vθτ(k))→0；当vθτ(k)→∞时，h(vθτ(k))→1；h(vθτ(k))＜1，其含义是相对速度产生的斥力场
Figure FDA0003287610390000022
大于等于由距离产生的斥力场：
Figure FDA0003287610390000023
对防追尾斥力场求梯度，可得防追尾斥力场产生的虚拟力为：
Figure FDA0003287610390000024
fθτ(dθτ(k),vθτ(k))为防追尾斥力场Jθτ(dθτ(k),vθτ(k))产生的虚拟力。
3.根据权利要求2所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，建立车辆CV运动模型为：
Figure FDA0003287610390000025
其中，
Figure FDA0003287610390000026
为状态变量；xθ(k)和yθ(k)表示是车辆θ在x轴和y轴的位置；
Figure FDA0003287610390000027
和
Figure FDA0003287610390000028
表示是车辆θ在x轴和y轴的速度；fk(·)和hk(·)分别为动力学系统的状态函数和观测函数；
Figure FDA0003287610390000029
为观测变量；ωθ(k)和ρθ(k)为互不相关的高斯噪声；k+1表示第k+1帧视频。
4.根据权利要求3所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，ωθ(k)为非零均值、协方差矩阵为非常数的高斯噪声。
5.根据权利要求2所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，建立融合驾驶员行为的运动方程为：
Figure FDA0003287610390000031
其中，
Figure FDA0003287610390000032
为加速度
Figure FDA0003287610390000033
和aθτ(k)对车辆θ的动态方程产生的影响；
Figure FDA0003287610390000034
和aθτ(k)分别是斥力场
Figure FDA0003287610390000035
产生的斥力
Figure FDA0003287610390000036
和防追尾斥力场Jθτ(dθτ(k),vθτ(k))产生的虚拟力fθτ(dθτ(k),vθτ(k))产生的加速度，即：
Figure FDA0003287610390000037
其中，mθ表示车辆θ的质量；即完成了融合驾驶员行为的自适应无迹卡尔曼滤波方程，对运动车辆进行状态预测。
6.根据权利要求5所述的一种基于驾驶员行为的运动车辆状态预测方法，其特征在于，在进行前向预测时需增加驱动项，即：
Figure FDA0003287610390000038
其中，
Figure FDA0003287610390000039
为Xθ(k)的估计值，
Figure FDA00032876103900000310
表示前向预测值。
CN201811203402.6A 2018-10-16 2018-10-16 一种基于驾驶员行为的运动车辆状态预测方法 Active CN109376642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811203402.6A CN109376642B (zh) 2018-10-16 2018-10-16 一种基于驾驶员行为的运动车辆状态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811203402.6A CN109376642B (zh) 2018-10-16 2018-10-16 一种基于驾驶员行为的运动车辆状态预测方法

Publications (2)

Publication Number Publication Date
CN109376642A CN109376642A (zh) 2019-02-22
CN109376642B true CN109376642B (zh) 2022-03-04

Family

ID=65400005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811203402.6A Active CN109376642B (zh) 2018-10-16 2018-10-16 一种基于驾驶员行为的运动车辆状态预测方法

Country Status (1)

Country Link
CN (1) CN109376642B (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7024336B2 (en) * 2004-05-13 2006-04-04 Johnson Controls Technology Company Method of and apparatus for evaluating the performance of a control system
CN100570523C (zh) * 2008-08-18 2009-12-16 浙江大学 一种基于障碍物运动预测的移动机器人避障方法
US9542846B2 (en) * 2011-02-28 2017-01-10 GM Global Technology Operations LLC Redundant lane sensing systems for fault-tolerant vehicular lateral controller
CN104280026B (zh) * 2013-07-08 2017-11-14 中国科学院沈阳自动化研究所 基于aukf的深海机器人长基线组合导航方法
US9174672B2 (en) * 2013-10-28 2015-11-03 GM Global Technology Operations LLC Path planning for evasive steering maneuver in presence of target vehicle and surrounding objects
CN104020480B (zh) * 2014-06-17 2016-07-06 北京理工大学 一种带自适应因子的交互式多模型ukf的卫星导航方法
CN105974917B (zh) * 2016-05-11 2018-12-14 江苏大学 一种基于新型人工势场法的车辆避障路径规划研究方法
CN107161143A (zh) * 2017-05-18 2017-09-15 江苏大学 一种采用人工势场法的车辆主动避撞方法
CN107909815A (zh) * 2017-12-07 2018-04-13 浙江工业大学 一种基于自适应卡尔曼滤波的车辆速度预测方法
CN108326849B (zh) * 2018-01-04 2019-08-30 浙江大学 一种基于改进人工势场法的多自由度机械臂动态避障路径规划方法

Also Published As

Publication number Publication date
CN109376642A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN112750150B (zh) 基于车辆检测和多目标跟踪的车流量统计方法
DE102011078615B4 (de) Objekterfassungsvorrichtung und objekterfassungsprogramm
CN110738690A (zh) 一种基于多目标追踪框架的无人机视频中车速校正方法
CN111771207A (zh) 增强的车辆跟踪
CN109284705B (zh) 一种交通监控视频的异常检测方法
Lim et al. Vision‐based Lane‐Vehicle Detection and Tracking
CN103488993A (zh) 一种基于fast的人群异常行为识别方法
CN107730889B (zh) 一种基于交通视频的目标车辆检索方法
CN107578048B (zh) 一种基于车型粗分类的远视场景车辆检测方法
KR102195317B1 (ko) 비디오 게임을 활용한 차량 사고 예측 방법
CN103456030A (zh) 基于散射描述子的目标跟踪方法
JP2022013848A (ja) ある車両の環境中の標的車両の軌道を予測する方法及びシステム
CN102722702A (zh) 多特征融合的粒子滤波视频目标跟踪方法
CN112166434A (zh) 运行辅助方法、控制单元、运行辅助系统和工作设备
CN113611157A (zh) 一种高速公路车辆追尾碰撞风险估计方法
CN110097571B (zh) 快速高精度的车辆碰撞预测方法
Głowacz et al. Video detection algorithm using an optical flow calculation method
CN103489201B (zh) 基于运动模糊信息的目标跟踪方法
Rothmeier et al. Performance evaluation of object detection algorithms under adverse weather conditions
KR20150088613A (ko) 폭력 상황을 검출하는 장치 및 방법
CN109376642B (zh) 一种基于驾驶员行为的运动车辆状态预测方法
US20220383736A1 (en) Method for estimating coverage of the area of traffic scenarios
CN115100555B (zh) 云雾环境下基于多运动特征的森林火灾烟雾检测方法
CN111339824A (zh) 基于机器视觉的路面抛洒物检测方法
Xu et al. Roadside estimation of a vehicle’s center of gravity height based on an improved single-stage detection algorithm and regression prediction technology

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