CN110550041A - 一种基于云端数据共享的路面附着系数估计方法 - Google Patents
一种基于云端数据共享的路面附着系数估计方法 Download PDFInfo
- Publication number
- CN110550041A CN110550041A CN201910653885.8A CN201910653885A CN110550041A CN 110550041 A CN110550041 A CN 110550041A CN 201910653885 A CN201910653885 A CN 201910653885A CN 110550041 A CN110550041 A CN 110550041A
- Authority
- CN
- China
- Prior art keywords
- cloud
- vehicle
- road
- adhesion coefficient
- data
- 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
- 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
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于云端数据共享的路面附着系数估计方法，包括：步骤S100：构建第一云端数据库，具体为：将视觉传感器采集的图像块和基于动力学的附着系数估计值进行匹配形成数据对，并将数据对上传至云端；步骤S200：训练分类器，具体为：云端接收数据对，并对数据对进行整理和训练，产生可用分类器；步骤S300：匹配分类器，具体为：车辆在实际行驶过程中构建第二云端数据库，第二云端数据库与训练好的分类器进行匹配，获得最佳匹配分类器用于实时路面附着系数估计。本发明的数据管理和训练完全在云端进行，降低了对车载计算单元的需求，且一旦训练完成即可匹配所有同一车型，支持在线更新。
Description
技术领域
本发明涉及一种基于云端数据共享的路面附着系数估计方法。
背景技术
在车辆行驶过程中，如果道路附着条件较差或突然变化，由于驾驶员对路面的判断不足，极易导致车辆发生碰撞及侧滑。为了减少事故的发生，主动安全系统成为发展的必然趋势，如ABS、ESP等。对于路面的有效识别，可以使系统实时根据路面附着信息改变控制策略，从而提高主动干预的作用，减少事故的发生。因此，路面识别对于保证安全驾驶具有重要的意义。另外，智能汽车在中高速行驶状态下，车辆动力学特性、道路-轮胎附着力特性等力学特性对自动驾驶安全的影响作用越发重要，仅依靠空间信息对制动、转向等执行机构进行决策和控制会引发一系列安全问题，如因雨、冰雪天气情况多发的车辆追尾碰撞、转向制动时的侧滑和侧翻等交通事故。实时且准确地识别出路面附着系数，可以极大改善车辆行驶的安全性，提升智能系统的应用范围。
目前，路面附着系数的估计方法主要有两种，一种是基于原因的路面附着系数估计方法，另一种是基于结果的路面附着系数估计方法。第一种方法主要是通过试验采集数据，建立传感器（声、光、温度传感器等）数据与路面附着系数的关系来进行估计；第二种则是根据系统响应和数学模型估计，这类方法又细分为基于动力学的方法、基于滑移率的方法等。
现有技术中，基于结果的方法对于路面附着系数估计虽然准确可靠，但是由于动力学建模较为复杂，实时性难以保证；而且基于动力学的方法是需要物体与路面接触才能估计，这样的估计结果即便准确，也难以对一些极限工况产生及时干预和控制。基于原因的方法对路面识别都具有一定的主动预测性，可以在接触之前识别和估计路面状态，但如果加装传感器过于复杂或成本较高，则会失去其商业推广价值；其次，光学传感器对工作环境要求苛刻，超声波和电磁波等受环境影响大，鲁棒性差，且均存在在线学习对车载计算单元要求高的问题，导致计算不能及时完成，预测准确性受样本影响大。
以上不足，有待改进。
发明内容
为了克服现有的技术的不足, 本发明提供一种基于云端数据共享的路面附着系数估计方法。
本发明技术方案如下所述：
一种基于云端数据共享的路面附着系数估计方法，包括：
步骤S100：构建第一云端数据库，具体为：将视觉传感器采集的图像块和基于动力学的附着系数估计值进行匹配形成数据对，并将数据对上传至云端；
步骤S200：训练分类器，具体为：云端接收数据对，并对数据对进行整理和训练，产生可用分类器；
步骤S300：匹配分类器，具体为：车辆在实际行驶过程中构建第二云端数据库，第二云端数据库与训练好的分类器进行匹配，获得最佳匹配分类器用于实时路面附着系数估计。
进一步地，所述步骤S100包括：
步骤S101：云端确定建立训练数据库的需求；
步骤S102：云端与各车辆结点进行交互并向各车辆结点发送数据请求；
步骤S103：安装于各车辆结点上的视觉传感器采集图像块，同时车辆结点行进，根据动力学估计出路面实际附着系数；
步骤S104：通过车辆定位、图像投影变换获取图像块与路面实际附着系数的映射关系；
步骤S105：将匹配的图像块与对应附着系数存入缓存区，并计数；
步骤S106：当数据对数量达到门限数量后，进行压缩并发送至云端。
进一步地，在所述步骤S101与所述步骤S102之间还包括步骤S107，所述步骤S107为：各车辆结点接收到数据请求之后，进行系统自检。
进一步地，所述步骤S200包括：
步骤S201：云端对数据进行接收并进行解压；
步骤S202：将图像与云端标准路况图像进行比对来判断路面类型；
步骤S203：将相似性图像存入统一路面类，并根据图像对应的路面附着系数分成不同附着类；
步骤S204：使用同一附着类的不同路面类数据进行分类器训练，得到不同附着类的分类器。
进一步地，所述步骤S300包括：
步骤S301：车辆结点启动；
步骤S302：构建第二云端数据库；
步骤S303：第二云端数据库中包括的附着系数与训练好的分类器进行比对。
进一步地，构建第二云端数据库的方法与构建第一云端数据库的方法相同。
进一步地，在所述步骤S303中，当比对结果的平均误差小于0.1时，进行步骤S304，所述步骤S304为：对分类器进行初始标定。
进一步地，在所述步骤S303中，当比对结果的平均误差不小于0.1时，进行步骤S305，所述步骤S305为：将采集的图像和附着系数上传至云端。
进一步地，所述步骤S305之后还包括步骤S306，所述步骤S306为：匹配与当前附着系数误差最小的附着系数估计模型。
进一步地，所述步骤S306之后还包括步骤S307，所述步骤S307为：从云端下载最匹配的路面附着系数估计模型，然后返回步骤S302。
根据上述方案的本发明，其有益效果在于：
（1）本发明使用常见的视觉传感器及云端技术即可完成，对车辆改造少、传感器安装简单、实现方便；
（2）本发明的数据管理和训练完全在云端进行，降低了对车载计算单元的需求，且一旦训练完成即可匹配所有同一车型，支持在线更新；
（3）本发明依赖云端进行数据管理和训练，更为方便高效；云端的加入可以将多个车辆结点的数据进行整合，数据获取更高效全面，且数据利用率高；
（4）本发明更容易适应不同的工况，且方法为主动预测型，在轮胎与路面接触之前就可对路面附着系数进行实时、准确的估计，为主动安全系统和智能驾驶系统的设计提供了很好的基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图一；
图2为本发明构建第一云端数据库的流程图一；
图3为本发明构建第一云端数据库的流程图二；
图4为本发明的训练分类器的流程图；
图5为本发明的匹配分类器流程图一；
图6为本发明的匹配分类器流程图二；
图7为本发明的车辆结点通过视觉传感器获取图像块与实际道路块对应关系结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
需要说明的是，当部件被称为“固定于”或“设置于”另一个部件，它可以直接或者间接位于该另一个部件上。当一个部件被称为“连接于”另一个部件，它可以是直接或者间接连接至该另一个部件上。术语“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置为基于附图所示的方位或位置，仅是为了便于描述，不能理解为对本技术方案的限制。术语“第一”、“第二”仅用于便于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明技术特征的数量。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1，一种基于云端数据共享的路面附着系数估计方法，包括：
步骤S100：构建第一云端数据库，具体为：将视觉传感器采集的图像块和基于动力学的附着系数估计值进行匹配形成数据对，并将数据对上传至云端；
步骤S200：训练分类器，具体为：云端接收数据对，并对数据对进行整理和训练，产生可用分类器；
步骤S300：匹配分类器，具体为：车辆在实际行驶过程中构建第二云端数据库，第二云端数据库与训练好的分类器进行匹配，获得最佳匹配分类器用于实时路面附着系数估计。
本实施例提供的基于云端数据共享的路面附着系数估计方法的工作原理如下：本发明包括两个核心单元，即云端和车辆结点，并遵循中心化的组织形式，即一个统一的云端负责与多个车辆节点进行数据和模型交互。
云端，用于获取各车辆结点的道路工况图像块和路面附着系数数据对，并对数据对进行存储、分类和管理，并对进行分类器训练。
车辆结点，车辆结点既是数据库构建阶段的贡献者，也是云端训练路面附着系数分类器的实际使用载体。在云端数据库构建阶段，对每一个车辆结点上安装相应的视觉传感器来获取道路工况，并根据车辆动力学估计出的精确路面附着系数，视觉传感器中的图像块可以通过图像处理方法映射到车辆坐标系下，并根据车辆动力学估计出的精确路面附着系数，建立车辆轮胎经过的图像块与该图像块对应的实际路面附着系数的匹配关系，在获取了图像块与路面附着对之后，将数据对发送至云端。在车辆结点的实际运行过程中，通过从云端下载对应分类器和简单标定即可进行实时的路面附着系数估计。
本实施例提供的基于云端数据共享的路面附着系数估计方法的有益效果为：
（1）本发明使用常见的视觉传感器及云端技术即可完成，对车辆改造少、传感器安装简单、实现方便；
（2）本发明的数据管理和训练完全在云端进行，降低了对车载计算单元的需求，且一旦训练完成即可匹配所有同一车型，支持在线更新；
（3）本发明依赖云端进行数据管理和训练，更为方便高效；云端的加入可以将多个车辆结点的数据进行整合，数据获取更高效全面，且数据利用率高；
（4）本发明更容易适应不同的工况，且方法为主动预测型，在轮胎与路面接触之前就可对路面附着系数进行实时、准确的估计，为主动安全系统和智能驾驶系统的设计提供了很好的基础。
请参阅图2，所述步骤S100包括：
步骤S101：云端确定建立训练数据库的需求；
步骤S102：云端与各车辆结点进行交互并向各车辆结点发送数据请求；
步骤S103：安装于各车辆结点上的视觉传感器采集图像块，同时车辆结点行进，根据动力学估计出路面实际附着系数；
步骤S104：通过车辆定位、图像投影变换获取图像块与路面实际附着系数的映射关系；
步骤S105：将匹配的图像块与对应附着系数存入缓存区，并计数；
步骤S106：当数据对数量达到门限数量后，进行压缩并发送至云端。
优选地，在步骤S106中，当数据对数量达到门限数量后，进行压缩并4G/5G网络发送至云端。
请参阅图3，在所述步骤S101与所述步骤S102之间还包括步骤S107，所述步骤S107为：各车辆结点接收到数据请求之后，进行系统自检。尤其对视觉传感器进行检查。
在一个实施例中，路面附着系数主要影响因素有路面类型、路面状态、轮胎参数及车辆参数，其中车辆参数可以直接获取，路面类型及状态却依赖一定的传感设备测量获得。
车辆结点获取的图像为远距离预瞄图像，车辆动力学估计方法是接触才能进行计算，也就是只有车辆行驶一段时间才能获得之前图像的实际路面附着系数，这个过程请参阅图7：
在图7中，1为前一时刻某车辆位置，2为前一时刻车辆质心，3为车载单目相机，4为在前一时刻通过车载相机获取的道路图像，5为前一时刻通过车载相机获取的道路图像块，实线箭头方向为车辆质点在整个数据采集过程的行进方向，6为当前时刻车辆位置，7为当前时刻车辆左后车轮所在位置，也是5所代表的图像块在真实道路场景中的位置，8所示的矩形为车辆的左前轮。
因此，获取图像块与其对应的实际路面附着系数的过程为：
（1）车辆在某一时刻获取图像后，可以通过投影变换和深度估计将图像中像素点映射到车辆坐标系下；
（2）车辆向前行进的轨迹可以通过定位技术来确定，这些技术包括但不仅限于GPS+高精度地图组合、车轮或视觉里程计，车辆轨迹一旦确定四个车轮的轨迹即可确定；
（3）根据车辆动力学可以估计出四个车轮接触过的路面的附着系数；
（4）车轮经过区域所估计的路面附着系数与之前采集的图像块在同一车辆坐标系下进行匹配，形成训练样本数据对。
请参阅图4，所述步骤S200包括：
步骤S201：云端对数据进行接收并进行解压；
步骤S202：将图像与云端标准路况图像进行比对来判断路面类型；
步骤S203：将相似性图像存入统一路面类，并根据图像对应的路面附着系数分成不同附着类；
步骤S204：使用同一附着类的不同路面类数据进行分类器训练，得到不同附着类的分类器。
数据经解压之后，需要首先将图像与标准路况图像进行比对判断路面类别。假定有一张候选图像为干沥青路面，则计算这张干沥青路面与云端标准路面类别库中图像的相似度，相似度计算考虑采用结构相似性(SSIM)作为评价指标。计算之后的得到该图片与每类标准库的平均结构相似性，并将其归入平均结构相似性最高的类，即干沥青类。
在每一个路面类别中，分为高附着类、中高附着类、中附着类、中低附着类和低附着类，这里的高低是相比该类标准来定义的，并非指该路面附着系数绝对的高低。以干沥青类为例，根据专业常识，干沥青类一般附着系数为0.8左右，则0.65～0.7为低附着类，0.7～0.75为中低附着类，0.75～0.85之间为中附着类，以此类推。
如果与上述干沥青路面图像匹配的路面附着系数值为0.74，则考虑该车辆可能出现了轮胎磨损、胎压过高等因素，该图像及其匹配附着系数应该被作为中低附着类训练数据。对于每一类路面类别，都分出这样的五类。最后训练时，选取同一附着类下全部路面类的数据样本进行分类器训练。这样主要的考虑为：同一车型甚至同一辆汽车随着车辆状态不同，即便在同一道路上也无法得到完全一致的路面附着系数；这些差异可能来自于轮胎磨损、车辆负荷的变化、胎压变化等；如果所有数据都用于训练一个分类器，很可能出现几乎完全一样的两张图像块，由于来自不同车辆或者同一车辆的不同状态，根据车辆动力学匹配的附着系数差别也较大，导致训练不易收敛；同样，用所有数据训练一个分类器，即便收敛，在不同道路、不同车辆状态下估计值波动性也较大，性能无法保证。训练不同附着类的分类器则可避免这样的情况，在检测出异常即分类器估计与车辆动力学估计差别较大时，对分类器进行及时更新，重新下载和替换分类器。
请参阅图5，所述步骤S300包括：
步骤S301：车辆结点启动；
步骤S302：构建第二云端数据库；
步骤S303：第二云端数据库中包括的附着系数与训练好的分类器进行比对。
优选地，构建第二云端数据库的方法与构建第一云端数据库的方法相同。
请参阅图6，在所述步骤S303中，当比对结果的平均误差小于0.1时，进行步骤S304，所述步骤S304为：对分类器进行初始标定。
请参阅图6，在所述步骤S303中，当比对结果的平均误差不小于0.1时，进行步骤S305，所述步骤S305为：将采集的图像和附着系数上传至云端。
请参阅图6，所述步骤S305之后还包括步骤S306，所述步骤S306为：匹配与当前附着系数误差最小的附着系数估计模型。
请参阅图6，所述步骤S306之后还包括步骤S307，所述步骤S307为：从云端下载最匹配的路面附着系数估计模型，然后返回步骤S302。
云端作为服务器为每一个车辆结点提供与当前路况相符的分类器。这一过程最重要的阶段是判断出当前路况，方法与数据采集时相似，构建第二云端数据库与构件第一云端数据库的方法相同；不同的是，云端需要用每个附着类的分类器对各图像块进行估计，并计算出与实车上传的附着系数平均误差最小的分类器下载给车辆结点。伴随着误差值最小的分类器，车辆结点还会下载平均误差作为车辆初始化过程需要标定的参数。使用分类器输出加或减平均误差的形式，即可获取当前路况下采集图像中每一个图像块的路面附着系数估计值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于云端数据共享的路面附着系数估计方法，其特征在于，包括：
步骤S100：构建第一云端数据库，具体为：将视觉传感器采集的图像块和基于动力学的附着系数估计值进行匹配形成数据对，并将数据对上传至云端；
步骤S200：训练分类器，具体为：云端接收数据对，并对数据对进行整理和训练，产生可用分类器；
步骤S300：匹配分类器，具体为：车辆在实际行驶过程中构建第二云端数据库，第二云端数据库与训练好的分类器进行匹配，获得最佳匹配分类器用于实时路面附着系数估计。
2.如权利要求1所述的基于云端数据共享的路面附着系数估计方法，其特征在于，所述步骤S100包括：
步骤S101：云端确定建立训练数据库的需求；
步骤S102：云端与各车辆结点进行交互并向各车辆结点发送数据请求；
步骤S103：安装于各车辆结点上的视觉传感器采集图像块，同时车辆结点行进，根据动力学估计出路面实际附着系数；
步骤S104：通过车辆定位、图像投影变换获取图像块与路面实际附着系数的映射关系；
步骤S105：将匹配的图像块与对应附着系数存入缓存区，并计数；
步骤S106：当数据对数量达到门限数量后，进行压缩并发送至云端。
3.如权利要求2所述的基于云端数据共享的路面附着系数估计方法，其特征在于：在所述步骤S101与所述步骤S102之间还包括步骤S107，所述步骤S107为：各车辆结点接收到数据请求之后，进行系统自检。
4.如权利要求1所述的基于云端数据共享的路面附着系数估计方法，其特征在于，所述步骤S200包括：
步骤S201：云端对数据进行接收并进行解压；
步骤S202：将图像与云端标准路况图像进行比对来判断路面类型；
步骤S203：将相似性图像存入统一路面类，并根据图像对应的路面附着系数分成不同附着类；
步骤S204：使用同一附着类的不同路面类数据进行分类器训练，得到不同附着类的分类器。
5.如权利要求1所述的基于云端数据共享的路面附着系数估计方法，其特征在于，所述步骤S300包括：
步骤S301：车辆结点启动；
步骤S302：构建第二云端数据库；
步骤S303：第二云端数据库中包括的附着系数与训练好的分类器进行比对。
6.如权利要求1或5所述的基于云端数据共享的路面附着系数估计方法，其特征在于，构建第二云端数据库的方法与构建第一云端数据库的方法相同。
7.如权利要求5所述的基于云端数据共享的路面附着系数估计方法，其特征在于，在所述步骤S303中，当比对结果的平均误差小于0.1时，进行步骤S304，所述步骤S304为：对分类器进行初始标定。
8.如权利要求5所述的基于云端数据共享的路面附着系数估计方法，其特征在于，在所述步骤S303中，当比对结果的平均误差不小于0.1时，进行步骤S305，所述步骤S305为：将采集的图像和附着系数上传至云端。
9.如权利要求8所述的基于云端数据共享的路面附着系数估计方法，其特征在于，所述步骤S305之后还包括步骤S306，所述步骤S306为：匹配与当前附着系数误差最小的附着系数估计模型。
10.如权利要求9所述的基于云端数据共享的路面附着系数估计方法，其特征在于，所述步骤S306之后还包括步骤S307，所述步骤S307为：从云端下载最匹配的路面附着系数估计模型，然后返回步骤S302。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910653885.8A CN110550041B (zh) | 2019-07-19 | 2019-07-19 | 一种基于云端数据共享的路面附着系数估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910653885.8A CN110550041B (zh) | 2019-07-19 | 2019-07-19 | 一种基于云端数据共享的路面附着系数估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110550041A true CN110550041A (zh) | 2019-12-10 |
| CN110550041B CN110550041B (zh) | 2020-10-02 |
Family
ID=68736436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910653885.8A Active CN110550041B (zh) | 2019-07-19 | 2019-07-19 | 一种基于云端数据共享的路面附着系数估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110550041B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111688707A (zh) * | 2020-05-26 | 2020-09-22 | 同济大学 | 一种视觉与动力学融合的路面附着系数估计方法 |
| CN113361121A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于时空同步与信息融合的路面附着系数估计方法 |
| CN114264597A (zh) * | 2021-12-21 | 2022-04-01 | 盐城工学院 | 一种低成本的路面附着系数确定方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102092388A (zh) * | 2011-01-20 | 2011-06-15 | 浙江吉利汽车研究院有限公司 | 一种关于路面附着系数的行车安全控制装置 |
| CN103476657A (zh) * | 2012-04-18 | 2013-12-25 | 伊顿公司 | 用于路面摩擦系数的实时估计的方法和装置 |
| US20150251659A1 (en) * | 2012-12-20 | 2015-09-10 | Continental Teves Ag & Co. Ohg | Friction Coefficient Estimation from Camera and Wheel Speed Data |
| CN107253482A (zh) * | 2017-05-22 | 2017-10-17 | 上海大学 | 一种基于路面图像分析的驾驶安全辅助系统 |
| CN107491736A (zh) * | 2017-07-20 | 2017-12-19 | 重庆邮电大学 | 一种基于卷积神经网络的路面附着系数辨识方法 |
| US20190047574A1 (en) * | 2017-12-19 | 2019-02-14 | Intel Corporation | Road surface friction based predictive driving for computer assisted or autonomous driving vehicles |
-
2019
- 2019-07-19 CN CN201910653885.8A patent/CN110550041B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102092388A (zh) * | 2011-01-20 | 2011-06-15 | 浙江吉利汽车研究院有限公司 | 一种关于路面附着系数的行车安全控制装置 |
| CN103476657A (zh) * | 2012-04-18 | 2013-12-25 | 伊顿公司 | 用于路面摩擦系数的实时估计的方法和装置 |
| US20150251659A1 (en) * | 2012-12-20 | 2015-09-10 | Continental Teves Ag & Co. Ohg | Friction Coefficient Estimation from Camera and Wheel Speed Data |
| CN107253482A (zh) * | 2017-05-22 | 2017-10-17 | 上海大学 | 一种基于路面图像分析的驾驶安全辅助系统 |
| CN107491736A (zh) * | 2017-07-20 | 2017-12-19 | 重庆邮电大学 | 一种基于卷积神经网络的路面附着系数辨识方法 |
| US20190047574A1 (en) * | 2017-12-19 | 2019-02-14 | Intel Corporation | Road surface friction based predictive driving for computer assisted or autonomous driving vehicles |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111688707A (zh) * | 2020-05-26 | 2020-09-22 | 同济大学 | 一种视觉与动力学融合的路面附着系数估计方法 |
| CN113361121A (zh) * | 2021-06-21 | 2021-09-07 | 吉林大学 | 一种基于时空同步与信息融合的路面附着系数估计方法 |
| CN113361121B (zh) * | 2021-06-21 | 2022-03-29 | 吉林大学 | 一种基于时空同步与信息融合的路面附着系数估计方法 |
| CN114264597A (zh) * | 2021-12-21 | 2022-04-01 | 盐城工学院 | 一种低成本的路面附着系数确定方法及系统 |
| CN114264597B (zh) * | 2021-12-21 | 2022-07-22 | 盐城工学院 | 一种低成本的路面附着系数确定方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110550041B (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110888426B (zh) | 用于多车道分离和路段轨线提取的车辆导航系统、方法和逻辑 | |
| US10967869B2 (en) | Road surface condition estimation apparatus and road surface condition estimation method | |
| JP6605707B2 (ja) | 正確な道路特性データベースを生成、更新および供給する、車両およびサーバデータベースによる２段階式の物体データ処理のためのシステムおよび方法 | |
| US11609568B2 (en) | Travel control system for vehicle | |
| US10953887B2 (en) | Road condition monitoring | |
| CN110550041B (zh) | 一种基于云端数据共享的路面附着系数估计方法 | |
| CN112380317B (zh) | 高精地图更新方法、装置、电子设备和存储介质 | |
| US20200346654A1 (en) | Vehicle Information Storage Method, Vehicle Travel Control Method, and Vehicle Information Storage Device | |
| US10545506B2 (en) | Methods and apparatus to perform visual odometry using a vehicle camera system | |
| CN110263844B (zh) | 一种在线学习和实时估计路面状态的方法 | |
| CN111201173B (zh) | 用于确定车辆轮胎与车道之间的接触的摩擦值的方法以及用于控制车辆的车辆功能的方法 | |
| CN111038522B (zh) | 评估驾驶员辅助系统的训练数据集的车辆控制单元和方法 | |
| EP4242998A1 (en) | Traffic stream information determination method and apparatus, electronic device and storage medium | |
| CN110388929B (zh) | 导航地图更新方法、装置及系统 | |
| CN114572183A (zh) | 一种汽车路面自适应的车辆控制方法及设备 | |
| CN113442916A (zh) | 车辆不确定性共享 | |
| CN111183464B (zh) | 基于车辆轨迹数据估计信号交叉路口的饱和流量的系统和方法 | |
| US20230219561A1 (en) | Vehicle state estimation augmenting sensor data for vehicle control and autonomous driving | |
| KR102368262B1 (ko) | 다중 관측정보를 이용한 신호등 배치정보 추정 방법 | |
| CN112947390B (zh) | 基于环境风险评估的智能网联汽车安全控制方法和系统 | |
| CN111174796B (zh) | 一种基于单灭点的导航方法、电子设备和存储介质 | |
| US20220402494A1 (en) | A method for evaluating a minimum breaking distance of a vehicle and vehicle | |
| WO2021056185A1 (en) | Systems and methods for partially updating high-definition map based on sensor data matching | |
| JP6617578B2 (ja) | 道路勾配取得システムおよび道路勾配取得プログラム | |
| CN112596509A (zh) | 车辆控制方法、装置、计算机设备及计算机可读存储介质 |
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 |