CN109443374A - 车道线融合系统及其融合方法 - Google Patents
车道线融合系统及其融合方法 Download PDFInfo
- Publication number
- CN109443374A CN109443374A CN201811596580.XA CN201811596580A CN109443374A CN 109443374 A CN109443374 A CN 109443374A CN 201811596580 A CN201811596580 A CN 201811596580A CN 109443374 A CN109443374 A CN 109443374A
- Authority
- CN
- China
- Prior art keywords
- lane
- lane line
- vehicle
- data
- target
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000005192 partition Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 241000736199 Paeonia Species 0.000 claims description 5
- 235000006484 Paeonia officinalis Nutrition 0.000 claims description 5
- 238000002405 diagnostic procedure Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多传感器数据车道线融合系统,包括:数据接收模块,接收目标车数据和车道线数据;数据转化模块,将所述目标车数据和车道线数据转化为预设坐标系下数据,形成预设坐标系下车道线方程,将车道线方程形成的车道线在预设坐标系下排序;本车车道判断模块,根据车道线排序数据判断本车所在车道;目标车车道线判断模块,将目标车在预设坐标系下坐标带入所述车道线方程,根据目标车坐标判断目标车位于哪两根车道线之间;目标车车道划分模块,根据本车所在车道编号,判断目标车所在车道编号。本发明还公开了一种车道线融合方法。本发明实现了车道划分能提高了智能驾驶对周围环境信息获取的多样性,可以提供更高的车道线检测精准度。
Description
技术领域
本发明涉及汽车领域,特别是涉及一种基于多传感器目标级数据的车道线融合系统。本发明还涉及一种于多传感器目标级数据的车道线融合方法。
背景技术
智能驾驶汽车是各个高校科研成果和各个企业技术落地的最佳载体,也是当今最热的研究课题之一。环境感知算法为智能驾驶汽车的必备技术之一,其通过多传感器检测目标级数据或者点云、图像数据(最终会被处理成目标级数据),如何有效率处理和利用所得的环境信息也变得尤为重要。多传感器目标级数据融合也随之成为环境感知中的关键技术,现有单纯的目标位置、速度的融合已经不能够满足当前的技术要求,车道线融合成为新的技术课题。
智能驾驶中如果不能够获得自车所在车道及相邻车道的目标及车道信息,会严重影响换道预警、前向碰撞预警、循迹自动驾驶和完全自动驾驶等决策和控制任务的实现,针对车道线融合目前还没有成熟的方法。
发明内容
本发明要解决的技术问题是提供一种能实时进行车道线和车道识别的基于多传感器目标级数据的车道线融合系统。
本发明还提供一种能实时进行车道线和车道识别的基于多传感器目标级数据的车道线融合方法。
本发明中的多传感器目标级数据至少包括:毫米波雷达和激光雷达检测的位置、速度等信息,基于摄像头的车道线检测算法返回的车道线信息。
为解决上述技术问题,本发明提供的车道线融合系统,基于多传感器目标级数据包括:数据接收模块、数据转化模块、车道判断模块和目标车道线划分模块;
数据接收模块,接收目标车数据和车道线数据;
数据转化模块,将所述目标车数据和车道线数据转化为预设坐标系下数据,形成预设坐标系下车道线方程,将车道线方程形成的车道线在预设坐标系下排序;
本车车道判断模块,根据车道线排序数据判断本车所在车道;
目标车车道线判断模块,将目标车在预设坐标系下坐标带入所述车道线方程,根据目标车坐标判断目标车位于哪两根车道线之间;
目标车车道划分模块,根据本车所在车道编号,判断目标车所在车道编号。
进一步改进所述的车道线融合系统,数据接收模块接收数据至少包括雷达监测的目标车位置和速度,车道线检测系统的车道线方程系数。
进一步改进所述的车道线融合系统,所述预设坐标系是,以本车后轴中心为原点,以本车轴线为x轴,车前为正,以本车后轴方向为y轴,左侧为正的坐标系。
进一步改进所述的车道线融合系统,所述车道线方程如下;
y=ax3+bx2+cx+d,其中x、y为本车坐标系下坐标,a、b、c、d为车道线检测系统发送的车道线方程系数。
进一步改进所述的车道线融合系统,所述排序的规则如下;车道线在本车坐标系下从左至右排序,依据车道线方程系数d的大小进行车道线排序。
进一步改进所述的车道线融合系统,判断本车所在车道采用以下方式;
通过本车坐标车道线排序完后第一为负值的系数d为本车右边车道线,所述右边车道线上一条则为本车左侧的车道线。
进一步改进所述的车道线融合系统,判断位于哪两根车道线之间采用以下方式;
将目标车坐标带入车道线方程,依据多边形内点射线判别法判断目标车所在车道。
进一步改进所述的车道线融合系统,判断目标车所在车道编号规则如下;从左到右依次带入点计算,若Y>y则记为0,若Y<y则记为1,本车所在车道编号为0,以本车为参照物目标车车道编号自右向左递减。
本发明提供一种车道线融合方法,基于多传感器目标级数据,包括以下步骤:
1)接收目标车数据和车道线数据;
2)将所述目标车数据和车道线数据转化为预设坐标系下数据,形成预设坐标系下车道线方程;
3)将车道线方程形成的车道线在预设坐标系下排序;
4)根据车道线排序数据判断本车所在车道;
5)将目标车在预设坐标系下坐标带入所述车道线方程,根据目标车坐标判断目标车位于哪两根车道线之间;
6)根据本车所在车道编号,判断目标车所在车道编号。
进一步改进所述的车道线融合方法,目标车数据至少包括雷达监测的目标车位置和速度,车道线数据至少包括车道线检测系统的车道线方程系数。
进一步改进所述的车道线融合方法,所述预设坐标系是,以本车后轴中心为原点,以本车轴线为x轴,车前为正,以本车后轴方向为y轴,左侧为正的坐标系。
进一步改进所述的车道线融合方法,所述车道线方程如下;
y=ax3+bx2+cx+d,其中x、y为本车坐标系下坐标,a、b、c、d为车道线检测系统发送的车道线方程系数。
进一步改进所述的车道线融合方法,所述排序的规则如下;
车道线在本车坐标系下从左至右排序,依据车道线方程系数d的大小进行车道线排序。
进一步改进所述的车道线融合方法,判断本车所在车道采用以下方式;
通过本车坐标车道线排序完后第一为负值的系数d为本车右边车道线,所述右边车道线上一条则为本车左侧的车道线。
进一步改进所述的车道线融合方法,判断目标车位于哪两根车道线之间采用以下方式;
将目标车坐标带入车道线方程,依据多边形内点射线判别法判断目标车所在车道。
进一步改进所述的车道线融合方法,判断目标车所在车道编号规则如下;从左到右依次带入点计算,若Y>y则记为0,若Y<y则记为1,本车所在车道编号为0,以本车为参照物目标车车道编号自右向左递减。
本发明提供一种基于多传感器目标级数据的车道线融合方法,在现有目标级数据融合的基础上融合车道线信息,实现了对环境感知目标的车道划分,提高了智能驾驶环境感知系统对周围环境信息获取的多样性,为后续的决策算法提供了更多的目标筛选标准,同时在本车坐标系下的车道线融合可以提供更高的车道线检测算法的精度和准度。
本发明至少能实现以下技术效果:
(1)实现了对环境感知目标的车道划分,提高了智能驾驶环境感知系统对周围环境信息获取的多样性。
(2)为后续的决策算法提供了更多的目标筛选标准。
(3)在本车坐标系下的车道线融合可以更好的车道线检测算法的精度和准度。
(4)本发明可以很好的应用于智能驾驶汽车的环境感知算法中,具有极大应用价值。
附图说明
下面结合附图与具体实施方式对本发明作进一步详细的说明:
图1是预设坐标系示意图。
图2是车道线融合流程示意图。
图3是本发明实施例原理示意图。
附图标记说明
A根据车道线系数d排序,由大到小(由左到右)
B根据d符号判断本车位置
C根据目标与车道线计算结果大小关系计算点所在车道
D车道分布情况
具体实施方式
本发明提供的车道线融合系统一实施例,基于多传感器目标级数据包括:数据接收模块、数据转化模块、车道判断模块和目标车道线划分模块;
数据接收模块,接收数据至少包括雷达监测的目标车位置和速度,车道线检测系统的车道线方程系数。
数据转化模块,将所述目标车数据和车道线数据转化为预设坐标系下数据,形成预设坐标系下车道线方程,将车道线方程形成的车道线在预设坐标系下排序;
参考图1所示,所述预设坐标系是,以本车后轴中心为原点,以本车轴线为x轴,车前为正,以本车后轴方向为y轴,左侧为正的坐标系。所述车道线方程如下;
y=ax3+bx2+cx+d,其中x、y为本车坐标系下坐标,a、b、c、d为车道线检测系统发送的车道线方程系数。
所述排序的规则如下;车道线在本车坐标系下从左至右排序,依据车道线方程系数d的大小进行车道线排序。
本车车道判断模块,根据车道线排序数据判断本车所在车道;判断本车所在车道采用以下方式;
通过本车坐标车道线排序完后第一为负值的系数d为本车右边车道线,所述右边车道线上一条则为本车左侧的车道线。
目标车车道线判断模块,将目标车在预设坐标系下坐标带入所述车道线方程,根据目标车坐标判断目标车位于哪两根车道线之间;判断目标车位于哪两根车道线之间采用以下方式;将目标车坐标带入车道线方程,依据多边形内点射线判别法判断目标车所在车道。
目标车车道划分模块,根据本车所在车道编号,判断目标车所在车道编号。
目标车车道划分规则如下,根据本车所在车道编号,判断目标车所在车道编号。根据y(目标)与Y(车道线计算结果)的大小关系计算点所在的车道:将目标车(x,y)的x坐标按车道线排序结果,从左到右依次带入车道线方程求得Y。比较y与Y的关系,y>Y则记为1,即目标在当前计算的车道线左侧;y<Y则记为0,即目标在当前计算的车道线右侧。假设当前有4条车道线,有3条车道,且本车车道已经确定,根据y与Y的关系,则目标车所在车道的五种可能,即如图3编号C所示的y与Y比较后结果。当前车道划分为(9|1|0|-1|-9),9为最左侧车道之外的目标,1为自车所在车道左边的第一条车道,0为自车所在车道,-1为自车所在车道右边第一条车道,-9为最右侧车道之外的目标。则最终目标所在车道如图3编号D所示:若比较结果为(1|1|1|1),说明目标在左侧第一条车道线的左边,即左侧车道外,则编号9;若比较结果为(0|1|1|1),说明所在车道编号1;若比较结果为(0|0|1|1),说明所在车道编号0;若比较结果为(0|0|0|1),说明所在车道编号-1;若比较结果为(0|0|0|0),说明目标在右侧第一条车道线的右边,即右侧车道外,则编号-9。
本发明提供一种车道线融合方法,基于多传感器目标级数据,包括以下步骤:
1)接收目标车数据和车道线数据,假设读入4条车道线方程以及目标车位置;
2)将所述目标车数据和车道线数据转化为预设坐标系下数据,形成预设坐标系下车道线方程;所述预设坐标系是,以本车后轴中心为原点,以本车轴线为x轴,车前为正,以本车后轴方向为y轴,左侧为正的坐标系;所述车道线方程如下;
y=ax3+bx2+cx+d,其中x、y为本车坐标系下坐标,a、b、c、d为车道线检测系统发送的车道线方程系数。
3)将车道线方程形成的车道线在预设坐标系下排序,车道线在本车坐标系下从左至右排序,依据车道线方程系数d的大小进行车道线排序,假设从左至右排序如图3中A所示;
4)根据车道线排序数据判断本车所在车道,通过本车坐标车道线排序完后第一为负值的系数d为本车右边车道线,所述右边车道线上一条则为本车左侧的车道线。
如图3所示编号B所示自车所在车道为编号0,左侧第一条车道为1,右侧第一条车道为-1。
5)将目标车在预设坐标系下坐标带入所述车道线方程,依据多边形内点射线判别法判断目标点所在车道。判断一点是否为多边形内点,有此点画一条射线贯穿多边形如果左右各有奇数条线则为内点,反之则不是。将两条车道线内包含的区域假设成一个沿x轴方向极长的多边形。
6)根据本车所在车道编号,判断目标车所在车道编号。根据y(目标)与Y(车道线计算结果)的大小关系计算点所在的车道:将目标车(x,y)的x坐标按车道线排序结果,从左到右依次带入车道线方程求得Y。比较y与Y的关系,y>Y则记为1,即目标在当前计算的车道线左侧;y<Y则记为0,即目标在当前计算的车道线右侧。假设当前有4条车道线,有3条车道,且本车车道已经确定,根据y与Y的关系,则目标车所在车道的五种可能,即如图3编号C所示的y与Y比较后结果。当前车道划分为(9|1|0|-1|-9),9为最左侧车道之外的目标,1为自车所在车道左边的第一条车道,0为自车所在车道,-1为自车所在车道右边第一条车道,-9为最右侧车道之外的目标。则最终目标所在车道如图3编号D所示:若比较结果为(1|1|1|1),说明目标在左侧第一条车道线的左边,即左侧车道外,则编号9;若比较结果为(0|1|1|1),说明所在车道编号1;若比较结果为(0|0|1|1),说明所在车道编号0;若比较结果为(0|0|0|1),说明所在车道编号-1;若比较结果为(0|0|0|0),说明目标在右侧第一条车道线的右边,即右侧车道外,则编号-9。
以上通过具体实施方式和实施例对本发明进行了详细的说明,但这些并非构成对本发明的限制。在不脱离本发明原理的情况下,本领域的技术人员还可做出许多变形和改进,这些也应视为本发明的保护范围。
Claims (16)
1.一种车道线融合系统,基于多传感器数据,其特征在于,包括:数据接收模块、数据转化模块、车道判断模块和目标车道线划分模块;
数据接收模块,接收目标车数据和车道线数据;
数据转化模块,将所述目标车数据和车道线数据转化为预设坐标系下数据,形成预设坐标系下车道线方程,将车道线方程形成的车道线在预设坐标系下排序;
本车车道判断模块,根据车道线排序数据判断本车所在车道;
目标车车道线判断模块,将目标车在预设坐标系下坐标带入所述车道线方程,根据目标车坐标判断目标车位于哪两根车道线之间;
目标车车道划分模块,根据本车所在车道编号,判断目标车所在车道编号。
2.如权利要求1所述的车道线融合系统,其特征在于:
数据接收模块接收数据至少包括雷达监测的目标车位置和速度,车道线检测系统的车道线方程系数。
3.如权利要求1所述的车道线融合系统,其特征在于:所述预设坐标系是,以本车后轴中心为原点,以本车轴线为x轴,车前为正,以本车后轴方向为y轴,左侧为正的坐标系。
4.如权利要求1所述的车道线融合系统,其特征在于:所述车道线方程如下;
y=ax3+bx2+cx+d,其中x、y为本车坐标系下坐标,a、b、c、d为车道线检测系统发送的车道线方程系数。
5.如权利要求1所述的车道线融合系统,其特征在于:所述排序的规则如下;
车道线在本车坐标系下从左至右排序,依据车道线方程系数d的大小进行车道线排序。
6.如权利要求1所述的车道线融合系统,其特征在于:判断本车所在车道采用以下方式;
通过本车坐标车道线排序完后第一为负值的系数d为本车右边车道线,所述右边车道线上一条则为本车左侧的车道线。
7.如权利要求1所述的车道线融合系统,其特征在于:判断目标车位于哪两根车道线之间采用以下方式;
将目标车坐标带入车道线方程,依据多边形内点射线判别法判断目标车所在车道。
8.如权利要求1所述的车道线融合系统,其特征在于:判断目标车所在车道编号规则如下;从左到右依次带入点计算,若Y>y则记为0,若Y<y则记为1,本车所在车道编号为0,以本车为参照物目标车车道编号自右向左递减。
9.一种车道线融合方法,基于多传感器数据,其特征在于,包括以下步骤:
1)接收目标车数据和车道线数据;
2)将所述目标车数据和车道线数据转化为预设坐标系下数据,形成预设坐标系下车道线方程;
3)将车道线方程形成的车道线在预设坐标系下排序;
4)根据车道线排序数据判断本车所在车道;
5)将目标车在预设坐标系下坐标带入所述车道线方程,根据目标车坐标判断目标车位于哪两根车道线之间;
6)根据本车所在车道编号,判断目标车所在车道编号。
10.如权利要求9所述的车道线融合方法,其特征在于:目标车数据至少包括雷达监测的目标车位置和速度,车道线数据至少包括车道线检测系统的车道线方程系数。
11.如权利要求10所述的车道线融合方法,其特征在于:所述预设坐标系是,以本车后轴中心为原点,以本车轴线为x轴,车前为正,以本车后轴方向为y轴,左侧为正的坐标系。
12.如权利要求10所述的车道线融合方法,其特征在于:所述车道线方程如下;
y=ax3+bx2+cx+d,其中x、y为本车坐标系下坐标,a、b、c、d为车道线检测系统发送的车道线方程系数。
13.如权利要求10所述的车道线融合方法,其特征在于:所述排序的规则如下;
车道线在本车坐标系下从左至右排序,依据车道线方程系数d的大小进行车道线排序。
14.如权利要求10所述的车道线融合方法,其特征在于:判断本车所在车道采用以下方式;
通过本车坐标车道线排序完后第一为负值的系数d为本车右边车道线,所述右边车道线上一条则为本车左侧的车道线。
15.如权利要求10所述的车道线融合方法,其特征在于:判断位于哪两根车道线之间采用以下方式;
将目标车坐标带入车道线方程,依据多边形内点射线判别法判断目标车所在车道。
16.如权利要求10所述的车道线融合方法,其特征在于:判断目标车所在车道编号规则如下;从左到右依次带入点计算,若Y>y则记为0,若Y<y则记为1,本车所在车道编号为0,以本车为参照物目标车车道编号自右向左递减。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596580.XA CN109443374A (zh) | 2018-12-26 | 2018-12-26 | 车道线融合系统及其融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596580.XA CN109443374A (zh) | 2018-12-26 | 2018-12-26 | 车道线融合系统及其融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109443374A true CN109443374A (zh) | 2019-03-08 |
Family
ID=65537906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811596580.XA Pending CN109443374A (zh) | 2018-12-26 | 2018-12-26 | 车道线融合系统及其融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109443374A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413942A (zh) * | 2019-06-04 | 2019-11-05 | 联创汽车电子有限公司 | 车道线方程筛选方法及其筛选模块 |
CN111090095A (zh) * | 2019-12-24 | 2020-05-01 | 联创汽车电子有限公司 | 信息融合环境感知系统及其感知方法 |
CN111736486A (zh) * | 2020-05-01 | 2020-10-02 | 东风汽车集团有限公司 | 一种面向l2智能驾驶控制器的传感器仿真建模方法及装置 |
CN114354209A (zh) * | 2021-12-07 | 2022-04-15 | 重庆长安汽车股份有限公司 | 自动驾驶车道线与目标联合模拟方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013089111A (ja) * | 2011-10-20 | 2013-05-13 | Alpine Electronics Inc | 車線監視システム及び車線監視方法 |
CN103983239A (zh) * | 2014-05-21 | 2014-08-13 | 南京航空航天大学 | 基于车道等宽线的测距方法 |
CN104517111A (zh) * | 2013-09-27 | 2015-04-15 | 比亚迪股份有限公司 | 车道线检测方法、系统、车道偏离预警方法及系统 |
CN106056100A (zh) * | 2016-06-28 | 2016-10-26 | 重庆邮电大学 | 一种基于车道检测与目标跟踪的车辆辅助定位方法 |
CN106096525A (zh) * | 2016-06-06 | 2016-11-09 | 重庆邮电大学 | 一种复合型车道识别系统及方法 |
CN107193888A (zh) * | 2017-05-02 | 2017-09-22 | 东南大学 | 一种面向车道级导航定位的城市道路路网模型 |
CN107264531A (zh) * | 2017-06-08 | 2017-10-20 | 中南大学 | 一种半结构化环境中智能车辆自主换道超车运动规划方法 |
CN108839653A (zh) * | 2018-08-09 | 2018-11-20 | 华东交通大学 | 一种自动紧急制动系统的控制方法及装置 |
-
2018
- 2018-12-26 CN CN201811596580.XA patent/CN109443374A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013089111A (ja) * | 2011-10-20 | 2013-05-13 | Alpine Electronics Inc | 車線監視システム及び車線監視方法 |
CN104517111A (zh) * | 2013-09-27 | 2015-04-15 | 比亚迪股份有限公司 | 车道线检测方法、系统、车道偏离预警方法及系统 |
CN103983239A (zh) * | 2014-05-21 | 2014-08-13 | 南京航空航天大学 | 基于车道等宽线的测距方法 |
CN106096525A (zh) * | 2016-06-06 | 2016-11-09 | 重庆邮电大学 | 一种复合型车道识别系统及方法 |
CN106056100A (zh) * | 2016-06-28 | 2016-10-26 | 重庆邮电大学 | 一种基于车道检测与目标跟踪的车辆辅助定位方法 |
CN107193888A (zh) * | 2017-05-02 | 2017-09-22 | 东南大学 | 一种面向车道级导航定位的城市道路路网模型 |
CN107264531A (zh) * | 2017-06-08 | 2017-10-20 | 中南大学 | 一种半结构化环境中智能车辆自主换道超车运动规划方法 |
CN108839653A (zh) * | 2018-08-09 | 2018-11-20 | 华东交通大学 | 一种自动紧急制动系统的控制方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413942A (zh) * | 2019-06-04 | 2019-11-05 | 联创汽车电子有限公司 | 车道线方程筛选方法及其筛选模块 |
CN110413942B (zh) * | 2019-06-04 | 2023-08-08 | 上海汽车工业(集团)总公司 | 车道线方程筛选方法及其筛选模块 |
CN111090095A (zh) * | 2019-12-24 | 2020-05-01 | 联创汽车电子有限公司 | 信息融合环境感知系统及其感知方法 |
CN111090095B (zh) * | 2019-12-24 | 2023-03-14 | 上海汽车工业(集团)总公司 | 信息融合环境感知系统及其感知方法 |
CN111736486A (zh) * | 2020-05-01 | 2020-10-02 | 东风汽车集团有限公司 | 一种面向l2智能驾驶控制器的传感器仿真建模方法及装置 |
CN114354209A (zh) * | 2021-12-07 | 2022-04-15 | 重庆长安汽车股份有限公司 | 自动驾驶车道线与目标联合模拟方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109443374A (zh) | 车道线融合系统及其融合方法 | |
CN108313054B (zh) | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 | |
CN111382768B (zh) | 多传感器数据融合方法和装置 | |
CN109760675B (zh) | 预测车辆轨迹的方法、装置、存储介质和终端设备 | |
CN106945668B (zh) | 车辆行驶窄道辅助系统 | |
CN105892471B (zh) | 汽车自动驾驶方法和装置 | |
US6226571B1 (en) | Surroundings monitoring apparatus for an automotive vehicle | |
CN108445503A (zh) | 基于激光雷达与高精度地图融合的无人驾驶路径规划算法 | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN106991389A (zh) | 确定道路边沿的装置和方法 | |
CN104260723A (zh) | 一种后方车辆运动状态追踪预测装置及预测方法 | |
CN113190921B (zh) | 用于智能汽车驾乘性能测试的自动评价方法及系统 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
US20210012648A1 (en) | System for Calculating an Error Probability of Vehicle Sensor Data | |
CN110816540A (zh) | 交通拥堵的确定方法、装置、系统及车辆 | |
CN109633621A (zh) | 一种车载环境感知系统数据处理方法 | |
CN105205805A (zh) | 基于视觉的智能车辆横向控制方法 | |
CN113378751A (zh) | 一种基于dbscan算法的交通目标识别方法 | |
CN110095770A (zh) | 车辆周边目标物的检测方法 | |
CN114537374A (zh) | 一种基于可行驶区域的车辆前方防碰撞系统 | |
CN109094560A (zh) | 一种自适应巡航方法及装置 | |
CN107564336B (zh) | 一种信号交叉口左转冲突预警系统及预警方法 | |
CN204124125U (zh) | 一种前方车辆运动状态追踪预测装置 | |
CN115523934A (zh) | 一种基于深度学习的车辆轨迹预测方法及系统 | |
CN110940982A (zh) | 一种车辆前方目标识别方法以及相应的设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |
|
RJ01 | Rejection of invention patent application after publication |