CN110851948B - 非结构化道路条件下的行车环境态势评估方法及评估装置 - Google Patents

非结构化道路条件下的行车环境态势评估方法及评估装置 Download PDF

Info

Publication number
CN110851948B
CN110851948B CN201910796959.3A CN201910796959A CN110851948B CN 110851948 B CN110851948 B CN 110851948B CN 201910796959 A CN201910796959 A CN 201910796959A CN 110851948 B CN110851948 B CN 110851948B
Authority
CN
China
Prior art keywords
threat
driving environment
situation
field
attraction
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
CN201910796959.3A
Other languages
English (en)
Other versions
CN110851948A (zh
Inventor
王建强
田洪清
黄荷叶
郑讯佳
许庆
李克强
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN201910796959.3A priority Critical patent/CN110851948B/zh
Publication of CN110851948A publication Critical patent/CN110851948A/zh
Application granted granted Critical
Publication of CN110851948B publication Critical patent/CN110851948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种非结构化道路条件下的行车环境态势评估方法及相应的评估装置。所述方法包括下述的步骤：步骤S1、获取行车环境要素信息，所述行车环境要素信息包括行车环境威胁要素信息和任务吸引要素信息；步骤S2、采用势能场和速度场方法，建立量化的行车环境要素态势模型；以及步骤S3、评估行车环境态势，其中，所述行车环境要素态势模型以行车环境威胁态势场Up来反映行车环境威胁要素对自车的威胁，Up＝Upf+Upv (1)。

Description

非结构化道路条件下的行车环境态势评估方法及评估装置
技术领域
本发明涉及行车环境态势评估技术领域，特别是涉及非结构化道路条件下的行车环境态势评估方法及相应的评估装置。
背景技术
传统的环境态势评估方法是通过环境感知方法获取周边环境信息，使用标志信号将其显示在物理沙盘或电子显示屏上，决策者通过观察和分析环境信息，根据经验进行行车环境态势判断，为下一步路线规划和决策提供支撑和保障。
随着技术的发展，在信息化条件下，借助计算机技术、通信技术和传感器技术，能够实时获取自车周边动态环境信息，搜集行车地点的车辆、人员、障碍物，以及地理环境、气象等多个维度的行车环境信息。进而提高行车环境态势评估的自动化程度与可靠性。
但是，在现有技术中，主要研究点集中在态势感知要素，对于态势评估，目前还处于定性分析阶段，或者仅仅限于针对简单的空域环境和海上环境进行态势分析。现有技术的交通环境态势评估方法没有合理的建模方法，且缺少具体的模型对象和建模参数等技术指标，难以对行车环境态势进行定量的分析，尤其是无法对于非结构化道路条件下的行车环境态势进行有效的定量评估。
发明内容
结构化道路一般是指高速公路、城市干道等结构化较好的公路，这类道路具有清晰的道路标志线，道路的背景环境比较单一，道路的几何特征也比较明显。
非结构化道路一般是指城市非主干道、乡村街道等结构化程度较低的道路，这类道路没有车道线和清晰的道路边界，再加上受阴影和水迹等的影响，道路区域和非道路区域难以区分。非结构化道路对应着多变的道路类型，复杂的环境背景，以及阴影、水迹和变化的天气等对道路通行性能的影响等困难。
本发明的目的在于提供一种非结构化道路条件下的行车环境态势评估方法来量化评估或评价周边环境要素对自车的行车威胁，尤其是势能威胁。
为实现上述目的，本发明提供一种非结构化道路条件下的行车环境态势评估方法，所述方法包括下述的步骤：
步骤S1、获取行车环境要素信息，所述行车环境要素信息包括行车环境威胁要素信息和任务吸引要素信息；
步骤S2、采用势能场和速度场方法，建立量化的行车环境要素态势模型；以及
步骤S3、评估行车环境态势。在本发明中，对行车环境态势的评估，可以是对单个行车环境要素的评估(例如，确定单个行车环境要素的威胁值)，也可以是单个网格区域内所有行车环境要素的评估(例如，确定某个网格区域的威胁值和/或吸引值)，还可以是对整个行车区域内的所有或部分网格区域进行的评估(例如，确定每个网格区域的威胁值和/或吸引值)。
所述行车环境要素态势模型以行车环境威胁态势场Up来反映行车环境威胁要素对自车的威胁，
Up＝Upf+Upv (1)
在式(1)中，
Upf为威胁势能场，表征行车环境威胁要素所在的位置对自车产生的威胁，
Upv为威胁速度场，表征行车环境威胁要素的速度对自车所产生的威胁，威胁势能场Upf以下式计算：
Figure GDA0002470614340000021
在式(2)中，
rp为行车环境威胁要素与自车之间的距离；
rpmin为行车环境威胁要素产生稳定影响效果的范围，在此范围内场强达到稳定最大值；
rpmax为行车环境威胁要素所能够产生影响的最大范围，范围之内距离越大场强逐渐衰减，范围之外场强为零；rpmin和rpmax的值根据行车环境威胁要素的特性确定，对于所有的行车环境威胁要素也可以设置统一的rpmin和rpmax值。
Kqual为行车环境威胁要素的强度；例如，可以根据行车环境威胁要素的载重、功率等确定，载重、功率越大，强度越大，
n为行车环境威胁要素产生的影响距离衰减指数，值越小衰减越慢。具体取值为预先设定的值，例如，n取值为1或2。
通过式2可以确定单个行车环境威胁要素对自车的势能威胁。势能威胁是与行车环境威胁要素和自车之间的距离紧密关联的。基于式2可以确定单个行车环境威胁要素对自车的势能威胁值。
优选地，威胁速度场Upv以下式计算：
Figure GDA0002470614340000031
其中，
ke为行车环境威胁要素的续航能力系数，例如根据车辆的型号确定其最大续航里程，并进一步确定续航能力系数，更具体地，例如最大续航里程小于等于设定值，续航能力系数为定值，最大续航里程超过所述设定值越大，续航能力系数随之成比例增大。
ka为差值系数，为设定常数，例如取ka＝1/2，以避免(1-kacos)项为零，
δθp为行车环境威胁要素与自车之间的方向角度差，
vt为行车环境威胁要素的速度，
vr为自车的最大速度，
mt为表征行车环境威胁要素的越野能力或自然条件适应能力的越野衰减指数，
nr为表征自车的越野能力或自然条件适应能力的越野衰减指数。
优选地，所述行车环境要素态势模型还包括：采用任务吸引态势场Ua描述任务目标吸引，反映任务吸引要素对自车的吸引，
Ua＝Uaf+Uav (4)
其中，
Uaf为吸引势能场，
Uav为吸引速度场。
优选地，吸引势能场Uaf以下式计算，
Figure GDA0002470614340000041
ra为自车与任务吸引要素的距离；任务吸引要素例如是自车的目的地，行驶路径锚定点，货物装载地点或卸载地点等等，可以对应于网格区域的某一个网格，
Kat为任务吸引要素的价值度量系数；是与具体任务吸引要素相对应的设定值，可以由任务系统根据任务吸引要素的特性(如优先级等)来确定，例如，对于最终目的地的价值度量系数为1，对于装载地点的价值度量系数为0.8，对于一般的形式路径锚定点的价值度量系数为0.5，
ramax为自车所能感知的最大范围，范围之内场强逐渐衰减，范围之外场强为零；自车所能感知的最大范围例如是已经确定的最远的任务吸引要素与自车距离的距离，还可以设置为自车通过车载传感器能够感知的最大范围，
ramin为任务吸引要素产生稳定吸引最大场强的范围，此范围内场强达到稳定最大值；
q为任务吸引要素产生吸引场强的距离衰减指数。
优选地，吸引速度场Uav以下式计算，
Figure GDA0002470614340000042
其中，
vr为自车的最大速度，
kt为任务目标要素的持续行动能力系数，
ka为任务目标要素的速度方向差值系数，
δθa为任务目标要素与自车之间的方向差，
va为任务目标要素的速度，
wa为任务目标要素的越野能力或自然条件适应能力衰减系数，
wr为自车要素的越野能力或自然条件适应能力衰减系数。
优选地，对于设定区域，如果具有多个行车环境威胁要素，分别计算各行车环境威胁要素的威胁态势场，累加构成该设定区域的多目标威胁态势场Upm，
Figure GDA0002470614340000051
Upe1表示第1个威胁要素的威胁态势场；
Upe2表示第2个威胁要素的威胁态势场；
……
Upem表示第m个威胁要素的威胁态势场。
优选地，将非结构化道路条件下整个行车区域按地理栅格划分构成m×n矩阵，矩阵中每一个元素分别代表该栅格所在地点的多要素威胁态势场，采用以上方法，分别计算各栅格点的态势场，用如下矩阵来表征整个行车区域的威胁态势场Upb，
Figure GDA0002470614340000052
优选地，分别计算各栅格点的任务吸引态势场，用如下矩阵来表征行车区域的任务吸引态势场Uab，
Figure GDA0002470614340000053
优选地，基于行车环境威胁态势矩阵与任务吸引态势矩阵Uab计算综合行车环境态势Ut，
Ut＝Kpb×Upb+Kab×Uab
Kpb:威胁态势权重，取正值，通常对每个网格的威胁给予相同的权重；也可以对于不同网格的威胁，给予不同的权重。
Kab：吸引态势权重，取负值，通常对每个网格的吸引给予相同的权重，也可以对于不同网格的吸引，给予不同的权重。
进一步，根据以上计算方法，对自车所处的行车区域进行综合行车环境态势分析，分别计算非结构化道路条件下行车环境地图上各个点位置(网格点)的行车环境态势场强度，在地图上采用可视化方法将各个地点的行车环境态势场强度表示出来，其中行车环境威胁态势场在图中用正值表示，任务吸引态势场在图中用负值表示。
如果同时有正值(威胁)和负值(吸引)，则正值和负值相加，例如，300加上(-100)，结果为200。结果数值越大，表示相应网格点的威胁较高。相应地，在规划路线时避开数值较大的点。
优选地，根据行车环境威胁要素的威胁态势在一时间段T内的变化，设置时间影响因子矩阵Tt，对时间段T内的n次态势场评估结果按设定的权重累加，确定该时间段T的结束时刻的威胁态势Pt，
Pt＝Ups·Tt(10)
Ups＝[Up1,Up2,...,Upn]
Tt＝[t1,t1,...,tn]T
Ups为行车环境威胁要素在时间段T内n个时刻的威胁态势的时间威胁集合矩阵，Ups为单行n列矩阵，
n为在时间段T内针对行车环境威胁要素进行威胁态势评估的次数，n为自然数，
Tt为时间影响因子矩阵，为n个评估结果中每个评估结果的权重矩阵，Ups为n行单列矩阵，
Upi为与第i个时刻对应的评估结果，
ti为与Upi对应的权重。
优选地，所述方法还包括：
构建表征各种自然条件对行车环境威胁要素的影响的影响权重矩阵Eep，其中，所述各种自然条件对单个行车环境威胁要素的影响权重之和为1；所述自然条件包括气候条件、道路条件和地形条件，所述气候条件包括风、雨、雾、雪，影响权重矩阵Eep为单行多列矩阵，列数为考量的自然条件的具体种类数；
构建表征对各种自然条件的状态进行数据化评判的评判数据集矩阵Eer，评判数据集矩阵Eer为多行单列矩阵，行数为考量的自然条件的具体种类数；
在具体的自然条件状态下，以下式来修正行车环境威胁态势场Up，
Figure GDA0002470614340000061
Figure GDA0002470614340000062
Upe为基于自然条件状态进行修正后的威胁态势场，
Figure GDA0002470614340000071
为自然条件影响因子，所述自然条件包括气候条件、道路条件和地形条件，
Figure GDA0002470614340000072
为评判数据集矩阵的转置矩阵。
在另一方面，本发明还提供一种实施上述评估方法的评估装置。也就是说，本发明还提供一种非结构化道路条件下的行车环境态势评估装置。在本发明的一个实施例中，所述评估装置包括：
信息获取模块，所述信息获取模块获取行车环境威胁要素信息和任务吸引要素信息；
行车环境要素量化模块，所述行车环境要素量化模块采用势能场和速度场方法，建立量化的行车环境要素态势模型；以及
行车环境态势评估模块，所述行车环境态势评估模块对行车环境态势进行评估，
其中，所述行车环境要素态势模型以行车环境威胁态势场Up来反映行车环境威胁要素对自车的威胁，
Up＝Upf+Upv (1)
在式(1)中，
Upf为威胁势能场，表征行车环境威胁要素所在的位置对自车产生的威胁，
Upv为威胁速度场，表征行车环境威胁要素的速度对自车所产生的威胁，威胁势能场Upf以下式计算：
Figure GDA0002470614340000073
在式(2)中，
rp为行车环境威胁要素与自车之间的距离；
rpmin为行车环境威胁要素产生稳定影响效果的范围，在此范围内场强达到稳定最大值；
rpmax为行车环境威胁要素所能够产生影响的最大范围，范围之内距离越大场强逐渐衰减，范围之外场强为零；
Kqual为行车环境威胁要素的强度；
n为行车环境威胁要素产生的影响距离衰减指数。
本发明的评估方法和评估装置能够量化评估周边环境要素对自车的行车威胁，尤其是势能威胁。从而为非结构化道路条件下的行车环境态势评估提供了可行的方法和装置。
附图说明
图1是实施本发明的非结构化道路条件下的行车环境态势评估方法的装置的示意图。
图2是存在3个静态目标威胁的行车环境态势图，根据图中的行车环境态势，可以进行车辆路线规划决策，车辆的行驶路径将避开存在威胁目标的区域。
附图标记：
1 信息获取模块 3 行车环境态势评估模块
2 行车环境要素量化模块
具体实施方式
在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。
图1是与本发明实施例的行车环境态势评估方法的装置的一种实施例的示意图。
图1所示的装置包括：信息获取模块1，所述信息获取模块1获取行车环境威胁要素信息和任务吸引要素信息；行车环境要素量化模块2，所述行车环境要素量化模块2采用势能场和速度场方法，建立量化的行车环境要素态势模型；以及行车环境态势评估模块3，所述行车环境态势评估模块3对行车环境态势进行评估。
需要指出的是，行车环境威胁要素和任务吸引要素的数量可以为一个，也可以为多个。在一些实施例中，威胁要素可以和任务吸引要素相重合。根据需要，信息获取模块1还获取除行车环境威胁要素和任务吸引要素之外的其他要素的相关信息，例如气候条件、道路情况、地形情况等。
信息获取模块1获取的数据信息例如包括：数据中心提供的全局网络数据信息、局域网络(短程无线通讯网络)提供的周边行车环境数据信息，自车的车载传感器提供的数据信息(感知信息)；和自车预置数据信息。并将上述各种数据信息存入态势要素数据库。
上述数据信息的获取主要通过以下4种方法中的一种或多种：
1)通过可见光图像、红外图像、激光雷达、毫米波雷达等车载传感器直接获取目标数据信息；
2)通过车载平台之间的短程无线通讯网络获取周边地面车辆、无人机平台的传感器数据信息；
3)通过与数据中心通讯，获取全局网络数据信息；
4)预置目标任务数据信息(自车预置数据信息)。
进一步地，需要对获取的数据信息，进行筛查、清洗、去重、融合、分类和整理得到行车环境态势要素数据信息集合，并进行存储。
在一个实施例中，通过信息融合和整理，将行车环境态势要素分类存储为：行车环境威胁要素集[p]和行车环境任务吸引要素集[a]。还可以将每个要素集进一步分类，并提取相关的特征参数。在建立行车环境态势模型时，将根据其类别或特征，采用不同的方式进行建模。
如前所述，在本发明中，对行车环境态势的评估，可以是对单个行车环境要素的评估(例如，确定单个行车环境要素的威胁值)，也可以是单个网格区域内所有行车环境要素的评估(例如，确定某个网格区域的威胁值和/或吸引值)，还可以是对整个行车区域内的所有或部分网格区域进行的评估(例如，确定每个网格区域的威胁值和/或吸引值)。图1所示的实施例中，行车环境态势评估模块3输出为态势图。根据具体实施情况，也可以输出对单个行车环境要素的评估结果，例如，输出单个行车环境要素的威胁值或威胁态势(威胁值分布)，例如对于自车位置的势能威胁值或势能威胁态势。
下面对本发明方法的实施例进行描述。需要指出的是，对于下述方法实施例的描述同样也适用于本发明的装置。也就是说，本发明的装置是实施本发明方法的装置。
本发明的方法和装置能够量化评估或评价周边环境要素对自车的行车威胁，尤其是势能威胁。从而为非结构化道路条件下的行车环境态势评估提供了可行的方法和装置。
根据本发明实施例的非结构化道路条件下的行车环境态势评估方法包括下述的步骤：
步骤S1、获取行车环境要素信息，所述行车环境要素信息包括行车环境威胁要素信息和任务吸引要素信息；
步骤S2、采用势能场和速度场方法，建立量化的行车环境要素态势模型；以及
步骤S3、评估行车环境态势。
量化的行车环境要素态势模型包括行车环境威胁模型和任务吸引模型，行车环境威胁模型反映周边环境要素对自车的威胁，任务吸引模型反映任务目标对自车的吸引。
行车环境要素模型用于评估自车在指定地点所受到的威胁和/或吸引，建立行车环境要素模型是行车环境态势评估的基础。
行车环境威胁模型采用威胁态势场来描述，包括威胁势能场和威胁速度场，势能场表征行车环境威胁要素所在的位置对自车产生的威胁，而威胁速度场表征因该要素的速度对自车所产生的威胁，行车环境威胁态势场由威胁势能场和威胁速度场的累加来表示。
威胁势能场表征行车环境威胁要素所处的位置对自车产生的威胁场效应。威胁势能场受威胁要素数量、威胁要素强度、威胁要素与自车之间的距离、威胁要素的影响范围等多种因素的影响。
当自车在威胁要素的影响范围之外时，则其威胁势能场为零；当自车处于威胁要素的影响范围之内时，威胁势能场的强度与二者之间的距离有关，距离近则威胁大，距离远则威胁小。
具体地，所述行车环境要素态势模型以行车环境威胁态势场Up来反映行车环境威胁要素对自车的威胁，
Up＝Upf+Upv (1)
在式(1)中，
Upf为威胁势能场，表征行车环境威胁要素所在的位置对自车产生的威胁，
Upv为威胁速度场，表征行车环境威胁要素的速度对自车所产生的威胁，威胁势能场Upf以下式计算：
Figure GDA0002470614340000111
在式(2)中，
rp为行车环境威胁要素与自车之间的距离；
rpmin为行车环境威胁要素产生稳定影响效果的范围，在此范围内场强达到稳定最大值；
rpmax为行车环境威胁要素所能够产生影响的最大范围，范围之内距离越大场强逐渐衰减，范围之外场强为零；rpmin和rpmax的值根据行车环境威胁要素的特性确定，对于所有的行车环境威胁要素也可以设置统一的rpmin和rpmax值。
Kqual为行车环境威胁要素的强度；例如，可以根据行车环境威胁要素的载重、功率等确定，载重、功率越大，强度越大，
n为行车环境威胁要素产生的影响距离衰减指数，值越小衰减越慢。具体取值为预先设定的值，例如，n取值为1或2。
通过式2可以确定单个行车环境威胁要素对自车的势能威胁。势能威胁是与行车环境威胁要素和自车之间的距离紧密关联的。基于式2可以确定单个行车环境威胁要素对自车的势能威胁值。
由于各要素的性能指标不同，其威胁势能场强度参数有一定的区别，典型的非结构化道路条件下威胁要素如表1。
表1典型威胁要素势能场模型参数
Figure GDA0002470614340000112
rmax_h>rmax_l>rmax_p>rmax_f
rmin_h>rmin_l>rmin_p>rmin_f
n_h>n_l>n_p>n_f
威胁势能场的衰减速度与距离衰减指数有关，指数越小在则衰减速度越慢。此外势能场与威胁要素的数量、强度之间呈线性比例关系；在二者距离减少到一定范围内时，则势能场达到恒定最大值。
在一个实施例中，威胁速度场Upv以下式计算：
Figure GDA0002470614340000121
其中，
ke为行车环境威胁要素的续航能力系数，例如根据车辆的型号确定其最大续航里程，并进一步确定续航能力系数，更具体地，例如最大续航里程小于等于设定值，续航能力系数为定值，最大续航里程超过所述设定值越大，续航能力系数随之成比例增大。
ka为差值系数，为设定常数，例如取ka＝1/2，以避免(1-kacos)项为零，
δθp为行车环境威胁要素与自车之间的方向角度差，
vt为行车环境威胁要素的速度，
vr为自车的最大速度，
mt为表征行车环境威胁要素的越野能力或自然条件适应能力的越野衰减指数，
nr为表征自车的越野能力或自然条件适应能力的越野衰减指数。
威胁速度场表征对威胁要素的速度相对自车速度的比值和方向而产生的威胁场效应，威胁速度场效应受威胁要素和自车的速度、续航能力、越野能力，威胁要素与自车之间的方向角度差等多种因素的影响。
行车环境威胁要素的最大速度与自车最大速度的比值越大，则其威胁更大；比值小则威胁小，威胁速度场的衰减速度与表征为行车环境威胁要素越野能力的越野衰减指数有关，指数越高则衰减速度越慢；威胁速度场与行车环境威胁要素的续航能力之间呈线性比例关系；续航能力越强，则威胁越大；威胁速度场与自车和威胁要素间的速度夹角有关，相向则威胁速度场大，反向则威胁小。
由于各要素的性能指标不同，其威胁速度场模型参数可以有一定的区别，典型的非结构化道路条件下威胁要素如表2。
表2典型威胁要素速度场模型参数
Figure GDA0002470614340000131
m_h>m_l>m_p>m_f
某型号重型车辆的威胁场模型参数举例如下表：
符号 指标 数值
r<sub>max</sub> 威胁影响最大范围 10km
r<sub>min</sub> 稳定最高场强影响范围 0.1km
r 目标威胁车辆与自车距离 实际测量值
k<sub>qua</sub> 目标威胁车辆强度 5
n 威胁影响距离衰减指数 4
v<sub>t</sub> 威胁目标行驶速度 60km/h
v<sub>r</sub> 自车速度 40km/h
k<sub>e</sub> 威胁目标的续航能力 2
mt 威胁目标的越野能力 4
mr 自车的越野能力 3
δθ 威胁要素与自车之间的方向差 30°
任务目标吸引模型采用任务吸引态势场来描述。任务吸引态势场Ua包括吸引势能场和吸引速度场，吸引势能场表征吸引要素所在的位置对自车产生的吸引，吸引速度场表征因该要素的速度对自车产生的速度吸引，任务吸引态势场由吸引势能场和吸引速度场的累加来表示。
吸引势能场表征任务目标要素对自车所产生的吸引场效应，吸引势能场效受任务吸引要素的重要性、要素与自车之间的距离、自车的感知和影响范围等多种因素的影响。
当目标处于自车的探测和影响范围之外时，其吸引势能场为零；目标处于自车探测和影响范围之内时，吸引势能场的强度与二者之间的距离有关，距离近则吸引大，距离远则吸引小，吸引势能场的衰减速度与距离衰减指数有关，指数越高则衰减速度越慢。吸引势能场与任务吸引要素的重要性之间呈线性比例关系；在二者距离减少到一定范围内时，则吸引势能场达到恒定最大值。
非结构化道路条件下，典型任务吸引要素如表3。
表3典型吸引要素势能场模型参数
Figure GDA0002470614340000141
rmax_h>rmax_m>rmax_l
rmin_h>rmin_m>rmin_l
n_h>n_m>n_l
在本发明一实施例中，所述行车环境要素态势模型还包括：采用任务吸引态势场Ua描述任务目标吸引，反映任务吸引要素对自车的吸引，
Ua＝Uaf+Uav (4)
其中，
Uaf为吸引势能场，
Uav为吸引速度场。
优选地，吸引势能场Uaf以下式计算，
Figure GDA0002470614340000142
ra为自车与任务吸引要素的距离；任务吸引要素例如是自车的目的地，行驶路径锚定点，货物装载地点或卸载地点等等，可以对应于网格区域的某一个网格，
Kat为任务吸引要素的价值度量系数；是与具体任务吸引要素相对应的设定值，可以由任务系统根据任务吸引要素的特性(如优先级等)来确定，例如，对于最终目的地的价值度量系数为1，对于装载地点的价值度量系数为0.8，对于一般的形式路径锚定点的价值度量系数为0.5，
ramax为自车所能感知的最大范围，范围之内场强逐渐衰减，范围之外场强为零；自车所能感知的最大范围例如是已经确定的最远的任务吸引要素与自车距离的距离，还可以设置为自车通过车载传感器能够感知的最大范围，
ramin为任务吸引要素产生稳定吸引最大场强的范围，此范围内场强达到稳定最大值；
q为任务吸引要素产生吸引场强的距离衰减指数。
吸引速度场表征对任务吸引要素相对自车速度的比值而产生场效应，吸引速度场受任务吸引要素和自车的速度、续航能力、越野能力，威胁要素与自车之间的方向角度差等多种因素的影响。
任务目标要素的速度与自车最大速度比值越大，则其吸引场强越小，比值小则吸引场强大，吸引速度场的衰减速度与要素的越野能力有关，越野衰减指数越高则衰减速度越慢；吸引速度场与任务目标要素的续航能力之间呈线性比例关系；续航能力越强，则吸引越小；吸引速度场与二者之间的速度方向有关，相向则吸引速度场大，反之则小。
具体地，吸引速度场Uav以下式计算，
Figure GDA0002470614340000151
其中，
vr为自车的最大速度，
kt为任务目标要素的持续行动能力系数，
ka为任务目标要素的速度方向差值系数，
δθa为任务目标要素与自车之间的方向差，
va为任务目标要素的速度，
wa为任务目标要素的越野能力或自然条件适应能力衰减系数，
wr为自车要素的越野能力或自然条件适应能力衰减系数。
对于设定区域，如果具有多个行车环境威胁要素，分别计算各行车环境威胁要素的威胁态势场，累加构成该设定区域的多目标威胁态势场Upm，
Figure GDA0002470614340000161
Upe1表示第1个威胁要素的威胁态势场；
Upe2表示第2个威胁要素的威胁态势场；
……
Upem表示第m个威胁要素的威胁态势场。
所述设定区域可以是整个行车区域，也可以是对行车区域进行网格划分之后的某个网格。
类似地，对于设定区域，取行车环境任务吸引要素集中的全部任务吸引要素，分别计算其任务目标吸引场，累加构成多任务吸引态势场Uam：
Uam＝Uae1+Uae2+...+Uaen
Uae1表示第1个吸引要素的吸引态势场；
Uae2表示第2个吸引要素的吸引态势场；
……
Uaen表示第n个吸引要素的吸引态势场。
对于上式而言，所述设定区域也可以是整个行车区域，也可以是对行车区域进行网格划分之后的某个网格。
关于整个行车区域的网格划分，一种实施方式为：将非结构化道路条件下整个行车区域，按地理栅格划分构成m×n矩阵，矩阵中每一个元素分别对应一个网格。对于每个网格可以计算威胁场和吸引场。如果某个网格收到多个威胁要素或多个吸引要素的作用或影响，则该等网格内的威胁值或吸引值需要叠加计算。
在本发明的一个实施例中，为了对整个行车区域进行评估，将非结构化道路条件下整个行车区域按地理栅格划分构成m×n矩阵，矩阵中每一个元素分别代表该栅格所在地点的多要素威胁态势场，采用以上方法，分别计算各栅格点的态势场，用如下矩阵来表征整个行车区域的威胁态势场Upb，
Figure GDA0002470614340000162
类似地，分别计算各栅格点的任务吸引态势场，用如下矩阵来表征行车区域的任务吸引态势场Uab，
Figure GDA0002470614340000171
在某些情况下，需要优先通行某些区域，或者需要优先避开某些区域；在另一些情况下，需要在威胁和吸引之间进行综合平衡考量，为此，本发明引入权重因素。具体地，在考虑权重的情况下，基于行车环境威胁态势矩阵与任务吸引态势矩阵Uab计算综合行车环境态势Ut，
Ut＝Kpb×Upb+Kab×Uab
Kpb:威胁态势权重，取正值，通常对每个网格的威胁给予相同的权重；也可以对于不同网格的威胁，给予不同的权重，在此情况下，Kpb为一个行列数与Upb的行列数相同的矩阵。
Kab：吸引态势权重，取负值，通常对每个网格的吸引给予相同的权重，也可以对于不同网格的吸引，给予不同的权重。
进一步，根据以上计算方法，对自车所处的行车区域进行综合行车环境态势分析，分别计算非结构化道路条件下行车环境地图上各个点位置(网格点)的行车环境态势场强度，在地图上采用可视化方法将各个地点的行车环境态势场强度表示出来，其中行车环境威胁态势场在图中用正值表示，任务吸引态势场在图中用负值表示。
如果同时有正值(威胁)和负值(吸引)，则正值和负值相加，例如，300加上(-100)，结果为200。结果数值越大，表示相应网格点的威胁较高。相应地，在规划路线时避开数值较大的点。
为了更好地进行评估，可以考虑时间因素。具体地，根据行车环境威胁要素的威胁态势在一时间段T内的变化，设置时间影响因子矩阵Tt，对时间段T内的n次态势场评估结果按设定的权重累加，确定该时间段T的结束时刻的威胁态势Pt，
Pt＝Ups·Tt(10)
Ups＝[Up1,Up2,...,Upn]
Tt＝[t1,t1,...,tn]T
Ups为行车环境威胁要素在时间段T内n个时刻的威胁态势的时间威胁集合矩阵，Ups为单行n列矩阵，
n为在时间段T内针对行车环境威胁要素进行威胁态势评估的次数，n为自然数，
Tt为时间影响因子矩阵，为n个评估结果中每个评估结果的权重矩阵，Ups为n行单列矩阵，
Upi为与第i个时刻对应的评估结果，
ti为与Upi对应的权重。
从而，可以将先后进行的多次评估的结果都利用起来，提高评估的准确性与可靠性。
对于吸引态势场，可以进行类似的处理。具体地，根据任务目标吸引态势在一段时间内的变化，设置时间影响矩阵，对过去一段时间内的任务吸引态势场按一定的权重进行累加，设定对指定时间T内的任务目标吸引态势评估次数为n，其中ti为时间权重，则时间影响矩阵如公式(9)。
Tat＝[t1,t1,...,tn]T
由一段时间内该任务吸引要素模型的态势场矩阵：
Uas＝[Ua2,Ua2,...,Uan]
则此时间范围内的该吸引要素模型的态势场为：
Uat＝Uas·Tat
非结构化道路条件下行车环境威胁会受到自然条件的影响。自然条件例如包括：气候条件、道路条件和地形条件等多种因素影响。例如，影响因素由风、雨、雾、雪(气候条件)、路(道路条件)、域(地形条件)等多方面因素构成。为此，设置自然条件影响权重矩阵为：
Eep＝[W,R,F,S,RD,EV]
该自然条件影响权重矩阵为单行六列的矩阵。如果考虑更多或更少的影响因素，则矩阵的列数会有相应的变化。
需要指出的是，上述的影响权重矩阵可以是对单个的网格区域设置的，也可以是对整个行车区域设置的。但是，通常对整个行车区域内的所有网格设置相同的影响权重矩阵。
因各种自然条件对威胁或吸引的影响不同，其在环境影响矩阵中的权重也不同。此外，对于不同的威胁要素，不同的自然条件对威胁程度的影响也是不同的。也就是说，需要对不同的威胁要素设置不同的影响权重矩阵。
自然条件权重参数符号采用表5方法表示。典型的权重影响参数如表6，在进行环境影响评估时，应根据威胁要素的种类选择环境影响权重。
表5环境影响权重
权重 风 雨 雾 雪 路 域 ...
重型车辆 W<sub>a</sub> R<sub>a</sub> F<sub>a</sub> S<sub>a</sub> RD<sub>a</sub> EV<sub>a</sub> ...
轻型车辆 W<sub>m</sub> R<sub>m</sub> F<sub>m</sub> S<sub>m</sub> RD<sub>m</sub> EV<sub>m</sub> ...
人员 W<sub>r</sub> R<sub>r</sub> F<sub>r</sub> S<sub>r</sub> RD<sub>r</sub> EV<sub>r</sub> ...
障碍物 W<sub>t</sub> R<sub>t</sub> F<sub>t</sub> S<sub>t</sub> RD<sub>t</sub> EV<sub>t</sub> ...
... ... ... ... ... ... ... ...
注：(Wx+Rx+Fx+Sx+RDx+EVx)＝1
表6典型环境影响权重
权重 风 雨 雾 雪 路 域 ...
重型车辆 0.15 0.05 0.05 0.05 0.2 0.5 ...
轻型车辆 0.25 0.05 0.05 0.05 0.1 0.5 ...
人员 0.1 0.05 0.05 0.05 0.1 0.65 ...
障碍物 0.05 0.15 0.15 0.25 0.2 0.2 ...
在环境影响评估时，根据特定区域环境因素的作用大小，将其划分为离散化的评判数据集，构成自然条件因素评判数据集矩阵如下：
Eer＝[W1,R2,F3,S4,RD5,EV6]
自然条件因素评判数据集矩阵表征特定区域的自然条件状态或情况，以量化的数据来表示自然条件状态或情况。该矩阵为单行六列的矩阵。如果考虑更多或更少的影响因素，则矩阵的列数会有相应的变化。
矩阵中的元素分别对应风、雨、雾、雪、路、域(地形条件)因素，对应的典型离散化评判数据集例如如表7所示。
例如，无风、无雨、薄雾、小雪、山地道路、草原地形的自然条件表示为
Eer＝[0,0,0.2,0.4,0.4,0.2]
表7环境影响因素对应的评判数据集
Figure GDA0002470614340000201
也就是说，本发明还考虑自然条件的影响。在一个实施例中，本发明的方法包括：
构建表征各种自然条件对行车环境威胁要素的影响的影响权重矩阵Eep，其中，所述各种自然条件对单个行车环境威胁要素的影响权重之和为1；所述自然条件包括气候条件、道路条件和地形条件，所述气候条件包括风、雨、雾、雪，影响权重矩阵Eep为单行多列矩阵，列数为考量的自然条件的具体种类数；
构建表征对各种自然条件的状态进行数据化评判的评判数据集矩阵Eer，评判数据集矩阵Eer为多行单列矩阵，行数为考量的自然条件的具体种类数；
在具体的自然条件状态下，以下式来修正行车环境威胁态势场Up，
Figure GDA0002470614340000202
Figure GDA0002470614340000203
Upe为考虑自然条件状态进行修正后的威胁态势场，
Figure GDA0002470614340000204
为自然条件影响因子，所述自然条件包括气候条件、道路条件和地形条件，
Figure GDA0002470614340000205
为评判数据集矩阵的转置矩阵，
对于吸引要素，可以进行相应的处理。
因非结构化道路条件下，行车环境任务目标吸引会受到自然条件、道路条件和地理条件等多种因素影响，影响因素由风、雨、雾、雪、路、域(地形条件)等多方面因素构成，设针对吸引态势的影响权重矩阵为：
Eep＝[W,R,F,S,RD,EV]
因任务吸引要素的种类和价值的不同，其在环境影响矩阵中的权重也不同，权重参数符号采用表8方法表示，计算时应根据吸引要素的种类选择环境影响权重。
表8环境综合影响因子权重
任务目标 风 雨 雾 雪 路 环境 ...
高价值目标 W<sub>a</sub> R<sub>a</sub> F<sub>a</sub> S<sub>a</sub> RD<sub>a</sub> EV<sub>a</sub> ...
一般价值目标 W<sub>m</sub> R<sub>m</sub> F<sub>m</sub> S<sub>m</sub> RD<sub>m</sub> EV<sub>m</sub> ...
低价值目标 W<sub>r</sub> R<sub>r</sub> F<sub>r</sub> S<sub>r</sub> RD<sub>r</sub> EV<sub>r</sub> ...
... ... ... ... ... ... ... ...
在环境影响评估时，根据任务目标所处的环境作用大小，将其划分为离散化的评判数据集，构成针对吸引态势的环境因素评判数据集矩阵：
Eer＝[W1,R2,F3,S4,RD5,EV6]
矩阵中的元素分别对应风、雨、雾、雪、路、域(地形条件)六种因素，对应的典型离散化评判数据集如表9所示。
表9环境综合影响因素对应的模糊数据集
Figure GDA0002470614340000211
Figure GDA0002470614340000221
自然条件吸引影响因子由权重矩阵与评判数据集矩阵的转置计算获取：
Figure GDA0002470614340000222
其中,I为单位列向量,
自然条件影响因素下，其任务吸引态势场为：
Figure GDA0002470614340000223
关于单要素行车环境威胁态势评估
从态势要素集中的威胁要素【p】中取一个要素，提取要素的模型参数，如处于A地的某型重型车辆威胁要素p1的态势评估模型参数如表4。
对威胁要素p1进行态势评估。按照式1-3的方法，建立威胁要素态势场模型，计算当前时刻威胁要素p1的威胁态势场如下：
Figure GDA0002470614340000224
关于单要素行车环境吸引态势评估
从态势要素集中的吸引要素集【a】中取一个要素，提取要素模型参数，如处于B地的任务目标要素a1的态势评估。按照公式4-6的方法，建立任务吸引要素模型，计算当前时刻任务目标要素a1的任务吸引态势场如下：
Figure GDA0002470614340000225
本发明能够对原始行车环境信息进行知识挖掘，得到行车环境态势综合数据，完成对行车环境态势的评估。该方法对于建立行车环境态势评估模型、辅助决策者在非结构化道路条件下，规划科学合理的行车路线，躲避行车区域内的车辆和障碍物，到达指定目标，起到至关重要的作用。
本发明采用基于态势场方法的行车环境态势评估方法和装置，能够定量描述在非结构化道路条件下行车的风险与收益，该方法和装置可用来规划非结构化道路条件下的行车路线，使车辆的行动路线风险最小而收益最大。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.非结构化道路条件下的行车环境态势评估方法，其特征在于，所述方法包括下述步骤：
步骤S1、获取行车环境要素信息，所述行车环境要素信息包括行车环境威胁要素信息和任务吸引要素信息；
步骤S2、采用势能场和速度场方法，建立量化的行车环境要素态势模型；以及
步骤S3、评估行车环境态势，
其中，所述行车环境要素态势模型以行车环境威胁态势场Up来反映行车环境威胁要素对自车的威胁，
Up＝Upf+Upv (1)
在式(1)中，
Upf为威胁势能场，表征行车环境威胁要素所在的位置对自车产生的威胁，
Upv为威胁速度场，表征行车环境威胁要素的速度对自车所产生的威胁，
威胁势能场Upf以下式计算：
Figure FDA0002470614330000011
在式(2)中，
rp为行车环境威胁要素与自车之间的距离；
rpmin为行车环境威胁要素产生稳定影响效果的范围，在此范围内场强达到稳定最大值；
rpmax为行车环境威胁要素所能够产生影响的最大范围，范围之内距离越大场强逐渐衰减，范围之外场强为零；
Kqual为行车环境威胁要素的强度；
n为行车环境威胁要素产生的影响距离衰减指数。
2.如权利要求1所述的非结构化道路条件下的行车环境态势评估方法，其特征在于，
威胁速度场Upv以下式计算：
Figure FDA0002470614330000021
其中，
ke为行车环境威胁要素的续航能力系数，
ka为差值系数，
δθp为行车环境威胁要素与自车之间的方向角度差，
vt为行车环境威胁要素的速度，
vr为自车的最大速度，
mt为表征行车环境威胁要素的越野能力或自然条件适应能力的越野衰减指数，
nr为表征自车要素的越野能力或自然条件适应能力的越野衰减指数。
3.如权利要求1所述的非结构化道路条件下的行车环境态势评估方法，其特征在于，
所述行车环境要素态势模型还包括：采用任务吸引态势场Ua描述任务目标吸引，反映任务吸引要素对自车的吸引，
Ua＝Uaf+Uav (4)
其中，
Uaf为吸引势能场，
Uav为吸引速度场，
吸引势能场Uaf以下式计算，
Figure FDA0002470614330000022
ra为自车与任务吸引要素的距离；
Kat为任务吸引要素的价值度量系数；
ramax为自车所能感知的最大范围；
ramin为任务吸引要素产生稳定吸引最大场强的范围，此范围内场强达到稳定最大值；
q为任务吸引要素产生吸引场强的距离衰减指数，
吸引速度场Uav以下式计算，
Figure FDA0002470614330000031
其中，
vr为自车的最大速度，
kt为任务目标要素的持续行动能力系数，
ka为任务目标要素的速度方向差值系数，
δθa为任务目标要素与自车之间的方向差，
va为任务目标要素的速度，
wa为任务目标要素的越野能力或自然条件适应能力衰减系数，
wr为自车要素的越野能力或自然条件适应能力衰减系数。
4.如权利要求1所述的非结构化道路条件下的行车环境态势评估方法，其特征在于，
对于设定区域，如果具有多个行车环境威胁要素，分别计算各行车环境威胁要素的威胁态势场，累加构成该设定区域的多目标威胁态势场Upm，
Figure FDA0002470614330000032
Upe1表示设定区域内第1个行车环境威胁要素的威胁态势场；
Upe2表示设定区域内第2个行车环境威胁要素的威胁态势场；
……
Upem表示设定区域内第m个行车环境威胁要素的威胁态势场。
5.如权利要求4所述的非结构化道路条件下的行车环境态势评估方法，其特征在于，
将非结构化道路条件下的整个行车区域按地理栅格划分，构成m×n矩阵，矩阵中每一个元素分别代表该栅格所在地点的多要素威胁态势场，分别计算各栅格点的威胁态势场，用如下矩阵来表征整个行车区域的威胁态势场Upb，
Figure FDA0002470614330000041
6.如权利要求5所述的非结构化道路条件下的行车环境态势评估方法，其特征在于，
分别计算各栅格点的任务吸引态势场，用如下矩阵来表征行车区域的任务吸引态势场Uab，
Figure FDA0002470614330000042
7.如权利要求6所述的非结构化道路条件下的行车环境态势评估方法，其特征在于，
基于行车环境威胁态势矩阵与任务吸引态势矩阵Uab计算综合行车环境态势Ut，
Ut＝Kpb×Upb+Kab×Uab
Kpb:威胁态势权重，取正值，
Kab：吸引态势权重，取负值。
8.如权利要求1-7中任一项所述的非结构化道路条件下的行车环境态势评估方法，其特征在于，
根据行车环境威胁要素的威胁态势在一时间段T内的变化，设置时间影响因子矩阵Tt，对时间段T内的n次态势场评估结果按设定的权重累加，确定该时间段T的结束时刻的威胁态势Pt，
Pt＝Ups·Tt (10)
Ups＝[Up1,Up2,...,Upn]
Tt＝[t1,t1,...,tn]T
Ups为行车环境威胁要素在时间段T内n个时刻的威胁态势的时间威胁集合矩阵，Ups为单行n列矩阵，
n为在时间段T内针对行车环境威胁要素进行威胁态势评估的次数，n为自然数，
Tt为时间影响因子矩阵，为n个评估结果中每个评估结果的权重矩阵，Ups为n行单列矩阵，
Upi为与第i个时刻对应的评估结果，
ti为与Upi对应的权重。
9.如权利要求1-7中任一项所述的非结构化道路条件下的行车环境态势评估方法，其特征在于，所述方法还包括：
构建表征各种自然条件对行车环境威胁要素的影响的影响权重矩阵Eep，其中，所述各种自然条件对单个行车环境威胁要素的影响权重之和为1；所述自然条件包括气候条件、道路条件和地形条件，所述气候条件包括风、雨、雾、雪，影响权重矩阵Eep为单行多列矩阵，列数为考量的自然条件的具体种类数；
构建表征对各种自然条件的状态进行数据化评判的评判数据集矩阵Eer，评判数据集矩阵Eer为多行单列矩阵，行数为考量的自然条件的具体种类数；
在具体的自然条件状态下，以下式来修正行车环境威胁态势场Up，
Figure FDA0002470614330000051
Figure FDA0002470614330000052
Upe为基于自然条件状态进行修正后的威胁态势场，
Figure FDA0002470614330000053
为自然条件影响因子，所述自然条件包括气候条件、道路条件和地形条件，
Figure FDA0002470614330000054
为评判数据集矩阵的转置矩阵。
10.非结构化道路条件下的行车环境态势评估装置，其特征在于，所述装置包括：
信息获取模块(1)，所述信息获取模块获取行车环境威胁要素信息和任务吸引要素信息；
行车环境要素量化模块(2)，所述行车环境要素量化模块(2)采用势能场和速度场方法，建立量化的行车环境要素态势模型；以及
行车环境态势评估模块(3)，所述行车环境态势评估模块(3)对行车环境态势进行评估，
其中，所述行车环境要素态势模型以行车环境威胁态势场Up来反映行车环境威胁要素对自车的威胁，
Up＝Upf+Upv (1)
在式(1)中，
Upf为威胁势能场，表征行车环境威胁要素所在的位置对自车产生的威胁，
Upv为威胁速度场，表征行车环境威胁要素的速度对自车所产生的威胁，
威胁势能场Upf以下式计算：
Figure FDA0002470614330000061
在式(2)中，
rp为行车环境威胁要素与自车之间的距离；
rpmin为行车环境威胁要素产生稳定影响效果的范围，在此范围内场强达到稳定最大值；
rpmax为行车环境威胁要素所能够产生影响的最大范围，范围之内距离越大场强逐渐衰减，范围之外场强为零；
Kqual为行车环境威胁要素的强度；
n为行车环境威胁要素产生的影响距离衰减指数。
CN201910796959.3A 2019-08-27 2019-08-27 非结构化道路条件下的行车环境态势评估方法及评估装置 Active CN110851948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910796959.3A CN110851948B (zh) 2019-08-27 2019-08-27 非结构化道路条件下的行车环境态势评估方法及评估装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910796959.3A CN110851948B (zh) 2019-08-27 2019-08-27 非结构化道路条件下的行车环境态势评估方法及评估装置

Publications (2)

Publication Number Publication Date
CN110851948A CN110851948A (zh) 2020-02-28
CN110851948B true CN110851948B (zh) 2020-07-31

Family

ID=69594916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910796959.3A Active CN110851948B (zh) 2019-08-27 2019-08-27 非结构化道路条件下的行车环境态势评估方法及评估装置

Country Status (1)

Country Link
CN (1) CN110851948B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815160B (zh) * 2020-07-07 2022-05-24 清华大学 一种基于越野环境态势场模型的行车风险评估方法
CN112556686B (zh) * 2020-12-08 2023-04-11 中国人民解放军61618部队 可预测动态时空环境的最短时间路径规划方法
CN113137974B (zh) * 2021-03-15 2023-05-19 北京汽车研究总院有限公司 智能车及其路径规划方法、装置
CN114706400B (zh) * 2022-04-12 2023-04-07 重庆文理学院 一种越野环境下基于改进的a*算法的路径规划方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2963632A1 (en) * 2014-07-03 2016-01-06 Application Solutions (Electronics and Vision) Limited Manoeuvre assistance
CN104239741B (zh) * 2014-09-28 2016-05-18 清华大学 基于行车风险场的汽车驾驶安全辅助方法
CN105526942B (zh) * 2016-01-25 2019-03-08 重庆邮电大学 基于威胁估计的智能车辆路径规划方法
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
CN109727490B (zh) * 2019-01-25 2021-10-12 江苏大学 一种基于行车预测场的周边车辆行为自适应矫正预测方法

Also Published As

Publication number Publication date
CN110851948A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110851948B (zh) 非结构化道路条件下的行车环境态势评估方法及评估装置
CN102208013B (zh) 风景匹配参考数据生成系统和位置测量系统
CN103389103B (zh) 一种基于数据挖掘的地理环境特征地图构建与导航方法
CN108351959A (zh) 基于变化检测的图像采集任务系统
CN110850439A (zh) 一种高精度三维点云地图构建方法
CN102222236A (zh) 图像处理系统及位置测量系统
CN110807924A (zh) 基于全量全样实时交通数据的多参数融合方法及系统
Hänsch et al. Spacenet 8-the detection of flooded roads and buildings
Borana et al. Prediction of land cover changes of Jodhpur city using cellular automata Markov modelling techniques
Jain et al. Modeling urban land cover growth dynamics based on land change modeler (LCM) using remote sensing: a case study of Gurgaon, India
Karimzadeh et al. A deep learning model for road damage detection after an earthquake based on synthetic aperture radar (SAR) and field datasets
CN109214687B (zh) 滑雪场选址方法和装置
Sreenivasulu et al. Land use and land cover analysis using remote sensing and GIS: A case Study in and around Rajampet, Kadapa District, Andhra Pradesh, India
Grandsaert Integrating pavement crack detection and analysis using autonomous unmanned aerial vehicle imagery
Damyanov Use of modern software solutions and systems for analysis and reconstruction of road accidents
US20220404503A1 (en) Three-dimensional object detection with ground removal intelligence
Wu et al. Construction and verification of a rainstorm death risk index based on grid data fusion: a case study of the Beijing rainstorm on July 21, 2012
Choi et al. Point Cloud-Based Lane Detection for Optimal Local Path Planning
CN113361390A (zh) 基于深度卷积神经网络的道路积水检测系统
Hu et al. Defogging of Monitoring Images of Soil and Water Conservation of Consumer UAV Based on Image Enhancement
CN117649060B (zh) 野外环境可通过性的分析方法、装置、电子设备和介质
Douglas Mining haul road defect detection: advancement in automated road extent and response calibration for improved maintenance
Gao et al. Boxes-based Representation and Data Sharing of Road Surface Friction for CAVs
CN116363530B (zh) 高速公路路面病害的定位方法和装置
Shoop et al. Terrestrial geospatial remote assessment for ingress locations (Terrestrial GRAIL)

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