CN110949395B - 一种基于多传感器融合的弯道acc目标车辆识别方法 - Google Patents

一种基于多传感器融合的弯道acc目标车辆识别方法 Download PDF

Info

Publication number
CN110949395B
CN110949395B CN201911116952.9A CN201911116952A CN110949395B CN 110949395 B CN110949395 B CN 110949395B CN 201911116952 A CN201911116952 A CN 201911116952A CN 110949395 B CN110949395 B CN 110949395B
Authority
CN
China
Prior art keywords
vehicle
target
radar
mounted camera
coordinate system
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
CN201911116952.9A
Other languages
English (en)
Other versions
CN110949395A (zh
Inventor
蔡英凤
吕志军
王海
李祎承
孙晓强
陈龙
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN201911116952.9A priority Critical patent/CN110949395B/zh
Publication of CN110949395A publication Critical patent/CN110949395A/zh
Application granted granted Critical
Publication of CN110949395B publication Critical patent/CN110949395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W40/00Estimation 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
    • B60W40/02Estimation 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
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W50/00Details 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
    • B60W50/0098Details of control systems ensuring comfort, safety or stability not otherwise provided for

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于多传感器融合的弯道ACC目标车辆识别方法,属于辅助驾驶领域。将车载摄像头与毫米波雷达按照一定的要求安装在车辆上,使用CAN总线获取其输出信息,并将雷达输出的空目标、无效目标及对向车辆目标予以剔除得到有效跟踪目标。将车载摄像头与毫米波雷达进行空间同步使两传感器数据处于同一坐标系中,再对其进行时间同步以解决两传感器采样时间点不同步的问题。根据车载摄像头的数据建立弯道行驶区域,将雷达输出的目标数据与之匹配,确定处于当前车道的车辆,最后根据距离最近原则确定主车的最终跟踪目标。本发明利用车载摄像头与毫米波雷达的融合技术,通过建立弯道行驶区域与雷达数据匹配,实现弯道中目标跟踪车辆的有效识别。

Description

一种基于多传感器融合的弯道ACC目标车辆识别方法
技术领域
本发明涉及弯道行驶工况下的ACC车辆有效目标识别方法,具体为一种基于多传感器融合的弯道ACC目标车辆识别方法。
背景技术
弯道中的目标识别与跟踪是环境感知领域一个重要的课题,对ADAS(AdvancedDriving Assistant System)系统的开发具有重要影响。以ACC(Adaptive CruiseControl)系统为例,现有方法主要根据毫米波雷达信息,自适应调节巡航车车速,并保持与本车道前方车辆的安全距离。然而,在弯道路段,巡航车前方通常会存在多个目标车辆或目标车辆超出预设的车道范围,此时,系统经常会出现目标车辆ID跳变或目标丢失的情况,从而导致巡航车因非正常加速或减速而造成事故。除此之外,考虑到雷达自身特性,弯道两侧的如护栏、建筑物和标志牌等金属物体信息也会被雷达传递回来,这些目标可能会对车辆控制产生虚警,进而造成交通事故,影响高速公路正常运行。
现有方法大多采用机器视觉识别技术,或毫米波雷达数据的标志位(移动、新目标等指示位)对车辆前方目标进行识别,对于直道处的物体,有较高的识别率,但在弯道处,准确率会大大降低。若能结合车载摄像头输出的车道线来确定当前弯道行驶区域,对区域内物体进行分析,将雷达输出目标与弯道行驶区域进行匹配,则能有效提高目标识别的准确率,确定在弯道中巡航车的主跟踪目标。
发明内容
为解决现有技术中存在的问题,本发明的目的在于提供一种基于多传感器融合的弯道ACC目标车辆识别方法,利用车载摄像头与毫米波雷达的融合技术,通过建立弯道行驶区域与雷达数据匹配,实现弯道中目标跟踪车辆的有效识别。
为了达到上述目的,本发明采用如下技术方案:
一种基于多传感器融合的弯道ACC目标车辆识别方法,具体包括如下步骤:
步骤一:按照一定的要求安装车载摄像头与毫米波雷达。
步骤二:通过CAN总线获取车载摄像头与毫米波雷达数据。车载摄像头获取的数据包括:车道中心线位置、标识点Ai、标识点处的弯道离去角βi、左车轮距离左车道线的位置ll、右车轮距离右车道线的位置lr;毫米波雷达获取的数据包括:前方物体相对本车的距离Rj、相对速度vj以及与前方物体相对车辆中轴线的夹角αj
步骤三:剔除毫米波雷达的空目标、无效目标与对向车道行驶的目标,从而得到同方向行驶的有效目标。
步骤四:车载摄像头与毫米波雷达安装在车辆上的位置不同,因此将车载摄像头安装位置以及毫米波雷达安装位置通过矩阵旋转、向量平移等处理,最终实现雷达与视觉信息的空间融合。
步骤五:毫米波雷达与车载摄像头有各自单独的运行频率,两传感器采集到的往往是不同时刻数据,造成了数据在时间上的偏差,本发明选取多线程同步的方法,以两传感器较短的采样周期作为最终的融合周期,即50ms。雷达采集模块以雷达数据采集周期正常运行,图像处理模块将其各采样点获取的数据放置在缓冲区中供融合微处理器调取,融合微处理器在每个融合线程时间点对雷达数据及缓冲区中上一个车载摄像头采样点的数据进行获取,以此达到同一时刻采集数据的目的。
步骤六:以标识点Ai为旋转中心的平行四边形φi,其底边长为
Figure BDA0002274335650000021
锐角γi=90°-βi。由以各标识点为中心建立的平行四边形φi作为行驶区域,邻接各行驶区域可得弯道行驶区域φ。
步骤七:根据步骤六建立的弯道行驶区域φ,若Xj∈φ∩Yj∈φ,则判断该物体位于本车前方弯道车道线范围内,即该物体处于当前车道,进一步的,筛选出距离主车Rj最小的车辆,即为ACC车辆的主跟踪目标。
与现有技术相比,本发明具有如下有益效果:
本发明首先按照一定的要求安装车载摄像头与毫米波雷达,并通过CAN总线获取其数据。而后剔除毫米波雷达的空目标、无效目标与对向车道行驶的目标,得到同方向行驶的有效目标。再对车载摄像头与毫米波雷达进行空间、时间融合,保证两传感器的同步输出,最后建立了当前弯道行驶区域,保证了毫米波雷达在弯道中对主跟踪目标数据的连续输出,解决了在弯道路段系统经常会出现目标车辆ID跳变或目标丢失的问题。
附图说明
图1为本发明采用的硬件电路连接示意图。
图2为本发明的传感器的探测范围示意图。
图3为本发明的标识点、弯道离去角检测示意图。
图4为本发明的前方物体检测示意图。
图5为本发明的各坐标系示意图。
图6为本发明的传感器时间同步示意图。
图7为本发明建立的弯道行驶区域示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的弯道ACC目标车辆识别方法,包括以下步骤:
步骤一:车载摄像头与毫米波雷达安装
车载摄像头(本发明实施例选用Minieye)安装在车内后视镜正下方1-3厘米处,且车载摄像头的光轴需与车辆的中轴线重合,对车载摄像头俯仰角进行调节,当车辆处于直道场景时,图像下部分2/3区域为道路;毫米波雷达(可选用Delphi生产的频率为77GHz的ESR毫米波雷达)安装在车辆前端中心处,离地高度在35cm-65cm之间,安装平面尽量与地面垂直,且与车体纵向平面垂直,即俯仰角和横摆角均接近0°。如图1所示,车载摄像头通过图像处理模块与融合微处理器连接,毫米波雷达通过信号处理模块与融合微处理器连接,数据以CAN总线传输。
车载摄像头与毫米波雷达的探测范围如图2所示,图中:1为车载摄像头;2为77GHz毫米波雷达。车载摄像头探测范围为S1,检测距离为d1约为50m,毫米波雷达探测范围为S2,检测距离d2约为200m,S3为车载摄像头与毫米波雷达的探测重叠范围,也就是可进行目标数据融合的范围。
步骤二:车载摄像头与毫米波雷达数据获取
车载摄像头可实时追踪车道线并得到车道中心线位置,沿中轴线每隔2米在车道中心线上采集标识点Ai,Ai为车道中心线上标识点,i为正整数;通过车载摄像头识别前方各道路标识点的弯道离去角βi,即为各标识点与车载摄像头的连线与中轴线之间的夹角;此外,车载摄像头可实时获取左右车轮距离左右车道线的位置ll、lr。如图3所示,Ai、Ai+1为车道中心线上标识点,βi为车载摄像头获取的标识点处的弯道离去角。
如图4所示,通过毫米波雷达检测本车前方物体的位置与速度信息,将每个前方物体作为单独采样点,采样点的序号为j,采样点的位置与速度信息包括前方物体相对本车的距离Rj、相对速度vj以及与前方物体相对车辆中轴线的夹角αj,其中,设定雷达检测目标远离毫米波雷达的速度vj为正,接近毫米波雷达的速度vj为负。ESR毫米波雷达最大能检测到64个目标,即j∈[1,64],且j为正整数。
步骤三:剔除毫米波雷达的空目标、无效目标与对向车道行驶的目标
毫米波雷达的采样点信息发送周期为50ms,将第n+1次采样点的信息与第n次采样点的信息对比,剔除空目标和无效目标的采样点,其中,n为采样点信息发送次数。空目标的条件为:αj=0,Rj=0;无效目标的条件为:(1)采样点的目标信号连续出现的次数小于5;(2)αj(n+1)-αj(n)≥3°;(3)Rj(n+1)-Rj(n)≥3m;(4)vj(n+1)-vj(n)≥3m/s。由于ESR毫米波雷达最多能检测64个目标,即j为从1到64之间的整数,采样点的信息包括了大量的空目标与无效目标,将满足上述任一条件的目标剔除。
对向车道行驶车辆采样点的目标条件为:V+vj<0m/s。其中,V为本车当前车速。由于本发明的目标是同车道的车辆,因此需要根据V+vj<0m/s来剔除对向车道驶来的车辆。
步骤四:空间同步
由于车载摄像头与毫米波雷达安装在车辆上的位置不同,因此,为了使车载摄像头与毫米波雷达采集到的信息在空间位置上一致,需对两传感器进行空间同步,即将车载摄像头安装位置以及毫米波雷达安装位置通过矩阵旋转、向量平移等处理,最终实现雷达与视觉信息的空间融合。图5表示了雷达坐标系XrOrYr,摄像机坐标系Oc-XcYcZc和世界坐标系Ow-XwYwZw之间关系。
Ow-XwYw表示世界坐标系的二维平面,Or-XrYr表示雷达坐标系的二维平面,两坐标系的位置关系有如下四点同步要求:
(1)世界坐标系的Xw轴与雷达坐标系的Xr轴重合。
(2)两坐标系的XwOwYw面与XrOrYr面平行,两坐标原点之间距离为X0
(3)雷达识别出的物体Pj与雷达直接距离设为Rj,目标与雷达安装位置之间角度设为αj,其中Pj-Or=Rj,∠PjOrXr=αj
(4)将目标Pj从雷达的极坐标系变换为三维世界坐标系位置的公式为:
Figure BDA0002274335650000051
经过车载摄像头坐标系与世界坐标系的转换与车载摄像头坐标系和图像像素坐标系的转换,最终能够得到世界坐标系与像素坐标系间的转换关系为:
Figure BDA0002274335650000052
其中,(Xw,Yw,Zw)为世界坐标系坐标,(u,v)为图像像素坐标系坐标,(Xc,Yc,Zc)为相机坐标系坐标,R表示旋转矩阵,t表示平移矩阵,f表示焦距,dx和dy表示图像物理坐标系的x方向和y方向的一个像素所占的长度单位,u0和v0表示图像的中心像素坐标(O1)和图像原点像素坐标(O0)之间相差的横向和纵向像素数,αx=f/dx,αy=f/dy,M1和M2分别为摄像机的内、外部参数;
Figure BDA0002274335650000053
Figure BDA0002274335650000054
本发明实施例采用的Minieye这款摄像头的旋转矩阵与平移矩阵如下:
Figure BDA0002274335650000055
步骤五:时间同步
毫米波雷达与车载摄像头有各自单独的运行频率,ESR毫米波雷达的采样周期为50ms,而车载摄像头对车道线的采样周期为100ms。两传感器采样频率不同,所以两传感器采集到的往往是不同时刻数据,造成了数据在时间上的偏差。因此,本发明选取多线程同步的方法解决上述毫米波雷达与车载摄像头采集信息时间不同步的问题,该方法过程如图6所示,以两传感器较短的采样周期作为最终的融合周期,即50ms。因车载摄像头的采样周期较长,因此图像处理模块将其各采样点获取的数据放置在缓冲区中供融合微处理器调取;雷达采集模块以雷达数据采集周期正常运行,并将采样时间记录在融合线程上。确定了融合线程的采样时间点,融合微处理器再从缓冲区中调取每个融合线程时间点上一个车载摄像头采样点获取的数据,以此达到同一时刻采集数据的目的。
步骤六:弯道行驶区域建立
由步骤二可得标识点Ai到车头纵向距离为2i米,进一步可得车道中线与中轴线距离为:DisLane_xi=(2i)×tanβi。因此,车道中心线上的标识点相对自车的坐标为(DisLane_xi,2i)。高速公路的曲率往往较小,因此弯道行驶区域φ可近似由25个以标识点为旋转中心的平行四边形φi邻接而成,即φ=∑φi。车载摄像头获取自车左前轮至左侧车道线的距离为ll,自车右前轮至右侧车道线的距离为lr,根据预先存储的车宽为lv,计算得车道宽lLane为:lLane=ll+lr+lv。高速公路的同车道宽度基本保持不变,因而标识点Ai处的车道宽度也可认为是lLane。如图7所示,车载摄像头实际探测距离并不远,因而角θi可近似等于βi,则平行四边形的底边长计算得
Figure BDA0002274335650000061
平行四边形的锐角γi=90°-βi。由此即确定了平行四边形的形状以及大小,即确定了以标识点Ai为中心的行驶区域φi。同样的,确定其他各标识点为中心建立行驶区域φi,邻接各行驶区域φi可得弯道行驶区域φ。
步骤七:雷达数据匹配
根据步骤六建立了弯道行驶区域φ,若Xj∈φ∩Yj∈φ,则判断该物体位于本车前方弯道车道线范围内,即该物体处于当前车道,若
Figure BDA0002274335650000062
则判断该物体处于当前车道之外。根据以上条件,可筛选得到融合区域内当前车道内的前方车辆。
对符合以上条件的车辆进行进一步筛选,将距离主车的Rj最小的车辆判定为ACC车辆的主跟踪目标。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多传感器融合的弯道ACC目标车辆识别方法,其特征在于,包括如下步骤:
步骤1:按照特定的要求安装车载摄像头与毫米波雷达;
步骤2:通过CAN总线获取车载摄像头与毫米波雷达数据;车载摄像头获取的数据包括:车道中心线位置、标识点Ai、标识点处的弯道离去角βi、左车轮距离左车道线的位置ll、右车轮距离右车道线的位置lr;毫米波雷达获取的数据包括:前方物体相对本车的距离Rj、相对速度vj以及与前方物体相对车辆中轴线的夹角αj
步骤3:剔除毫米波雷达的空目标、无效目标与对向车道行驶的目标,得到同方向行驶的有效目标;
步骤4:针对车载摄像头与毫米波雷达安装在车辆上的位置不同,将车载摄像头安装位置以及毫米波雷达安装位置通过矩阵旋转、向量平移处理,实现雷达与视觉信息的空间融合;
步骤5:将车载摄像头和毫米波雷达采样时间同步化处理;
步骤6:以标识点Ai为旋转中心的平行四边形φi,其底边长为
Figure FDA0002986693790000011
锐角γi=90°-βi,由以各标识点为中心建立的平行四边形φi作为行驶区域,邻接各行驶区域可得总的弯道行驶区域φ;
步骤7:根据步骤6建立的弯道行驶区域φ,结合雷达实时检测到物体的信息,判断得出ACC车辆的主跟踪目标;
步骤7的实现方法包括:若雷达检测的物体Pj的坐标Xj和Yj满足Xj∈φ∩Yj∈φ,则判断该物体位于本车前方弯道车道线范围内,即该物体处于当前车道,进一步筛选出距离主车Rj最小的车辆,即为ACC车辆的主跟踪目标。
2.根据权利要求1所述的一种基于多传感器融合的弯道ACC目标车辆识别方法,其特征在于,步骤1中,所述车载摄像头与毫米波雷达的具体安装方式为:
车载摄像头安装在车内后视镜正下方1-3厘米处,且车载摄像头的光轴需与车辆的中轴线重合,对车载摄像头俯仰角进行调节,使得当车辆处于直道场景时,图像下部分2/3区域为道路;毫米波雷达安装在车辆前端中心处,离地高度在35cm-65cm之间,安装平面尽量与地面垂直,且与车体纵向平面垂直,即俯仰角和横摆角均接近0°。
3.根据权利要求1所述的一种基于多传感器融合的弯道ACC目标车辆识别方法,其特征在于,步骤2中,所述标识点Ai是沿中轴线每隔2米在车道中心线上采集的点;所述弯道离去角βi为各标识点与车载摄像头的连线与中轴线之间的夹角。
4.根据权利要求1所述的一种基于多传感器融合的弯道ACC目标车辆识别方法,其特征在于,步骤3中,所述空目标、无效目标与对向车道行驶的目标的剔除方法为:
将毫米波雷达第n+1次采样点的信息与第n次采样点的信息对比,剔除空目标和无效目标的采样点,其中,
空目标的条件为:αj=0,Rj=0;
无效目标的条件为:(1)采样点的目标信号连续出现的次数小于5;(2)αj(n=1)-αj(n)≥3°;(3)Rj(n+1)-Rj(n)≥3m;(4)vj(n+1)-vj(n)≥3m/s;
对向车道行驶车辆采样点的目标条件为:V+vj<0m/s;其中,V为本车当前车速;
将满足上述任一条件的目标剔除。
5.根据权利要求1所述的一种基于多传感器融合的弯道ACC目标车辆识别方法,其特征在于,步骤4的实现方法包括如下:
设雷达坐标系为XrOrYr,摄像机坐标系为Oc-XcYcZc和世界坐标系为Ow-XwYwZw
Ow-XwYw表示世界坐标系的二维平面,Or-XrYr表示雷达坐标系的二维平面,两坐标系的位置关系有如下四点同步要求:
(1)世界坐标系的Xw轴与雷达坐标系的Xr轴重合;
(2)两坐标系的XwOwYw面与XrOrYr面平行,两坐标原点之间距离为X0
(3)雷达识别出的物体Pj与雷达直接距离设为Rj,目标与雷达安装位置之间角度设为αj,其中Pj-Or=Rj,∠PjOrXr=αj
(4)将目标Pj从雷达的极坐标系变换为三维世界坐标系位置的公式为:
Figure FDA0002986693790000021
经过车载摄像头坐标系与世界坐标系的转换与车载摄像头坐标系和图像像素坐标系的转换,最终能够得到世界坐标系与像素坐标系间的转换关系为:
Figure FDA0002986693790000031
其中,(Xw,Yw,Zw)为世界坐标系坐标,(u,v)为图像像素坐标系坐标,(Xc,Yc,Zc)为相机坐标系坐标,R表示旋转矩阵,t表示平移矩阵,f表示焦距,dx和dy表示图像物理坐标系的x方向和y方向的一个像素所占的长度单位,u0和v0表示图像的中心像素坐标(O1)和图像原点像素坐标(O0)之间相差的横向和纵向像素数,αx=f/dx,αy=f/dy,M1和M2分别为摄像机的内、外部参数;
Figure FDA0002986693790000032
Figure FDA0002986693790000033
6.根据权利要求1所述的一种基于多传感器融合的弯道ACC目标车辆识别方法,其特征在于,步骤5的具体实现方法包括如下:
采用多线程同步的方法,以车载摄像头与毫米波雷达较短的采样周期作为最终的融合周期,雷达采集模块以雷达数据采集周期正常运行,图像处理模块将其各采样点获取的数据放置在缓冲区中供融合微处理器调取,融合微处理器在每个融合线程时间点对雷达数据及缓冲区中上一个车载摄像头采样点的数据进行获取,实现同步化采集数据。
7.根据权利要求1所述的一种基于多传感器融合的弯道ACC目标车辆识别方法,其特征在于,步骤6中,所述平行四边形φi的确定方法包括如下:
标识点Ai到车头纵向距离为2i米(i=1,2,3…),可得车道中线与中轴线距离为:DisLane_xi=(2i)×tanβi,因此,车道中心线上的标识点相对自车的坐标为(DisLane_xi,2i);车载摄像头获取自车左前轮至左侧车道线的距离为ll,自车右前轮至右侧车道线的距离为lr,根据预先存储的车宽为lv,计算得车道宽lLane为:lLane=ll+lr+lv;车载摄像头实际探测距离并不远,因而将角θi近似等于βi,则平行四边形的底边长计算得
Figure FDA0002986693790000041
平行四边形的锐角γi=90°-βi,由此确定平行四边形的形状以及大小。
CN201911116952.9A 2019-11-15 2019-11-15 一种基于多传感器融合的弯道acc目标车辆识别方法 Active CN110949395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911116952.9A CN110949395B (zh) 2019-11-15 2019-11-15 一种基于多传感器融合的弯道acc目标车辆识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911116952.9A CN110949395B (zh) 2019-11-15 2019-11-15 一种基于多传感器融合的弯道acc目标车辆识别方法

Publications (2)

Publication Number Publication Date
CN110949395A CN110949395A (zh) 2020-04-03
CN110949395B true CN110949395B (zh) 2021-06-22

Family

ID=69977270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911116952.9A Active CN110949395B (zh) 2019-11-15 2019-11-15 一种基于多传感器融合的弯道acc目标车辆识别方法

Country Status (1)

Country Link
CN (1) CN110949395B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112753038B (zh) * 2020-06-16 2022-04-12 华为技术有限公司 识别车辆变道趋势的方法和装置
CN111862629B (zh) * 2020-06-18 2021-11-23 东风汽车集团有限公司 一种弯道超速预警及主动限速方法和系统
CN111959515B (zh) * 2020-08-19 2023-11-03 无锡威孚高科技集团股份有限公司 一种基于视觉检测的前向目标选择方法、装置及系统
CN112130153A (zh) * 2020-09-23 2020-12-25 的卢技术有限公司 基于毫米波雷达和摄像头实现无人驾驶汽车边缘检测方法
CN112380927B (zh) * 2020-10-29 2023-06-30 中车株洲电力机车研究所有限公司 一种轨道识别方法及其装置
CN112731317B (zh) * 2020-12-25 2024-03-19 北京百度网讯科技有限公司 车辆雷达标定方法、装置、设备、介质和自动驾驶车辆
CN112953670B (zh) * 2021-01-26 2022-06-21 中电海康集团有限公司 一种融合感知同步曝光方法、装置及可读存储介质
CN112710343B (zh) * 2021-01-29 2022-08-09 重庆长安汽车股份有限公司 一种基于rt的车载传感器性能测试方法
CN112967501B (zh) * 2021-02-23 2022-07-05 长安大学 一种匝道处车辆危险驶离主道行为的预警系统及方法
CN113223076B (zh) * 2021-04-07 2024-02-27 东软睿驰汽车技术(沈阳)有限公司 车辆与车载摄像头的坐标系标定方法、设备及存储介质
CN113432615B (zh) * 2021-07-31 2024-02-13 重庆长安汽车股份有限公司 基于多传感器融合可驾驶区域的检测方法、系统和车辆
CN114333297B (zh) * 2021-12-02 2024-01-09 重庆睿行电子科技有限公司 一种基于交通雷达的车辆所属弯道车道估计方法
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
CN114581615B (zh) * 2022-05-07 2022-08-26 江苏三棱智慧物联发展股份有限公司 一种数据处理方法、装置、设备和存储介质
CN115507874B (zh) * 2022-06-09 2024-03-01 广东省智能网联汽车创新中心有限公司 一种基于v2x的车道匹配方法及装置
CN115273460A (zh) * 2022-06-28 2022-11-01 重庆长安汽车股份有限公司 多模感知融合的车辆变道预测方法、计算机设备及存储介质
CN115661797B (zh) * 2022-12-06 2023-05-09 清华大学 目标跟踪方法、装置及设备
CN117470254B (zh) * 2023-12-28 2024-03-08 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于雷达服务的车载导航系统和方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5132729B2 (ja) * 2010-07-12 2013-01-30 株式会社東芝 道路走行支援システム
DE102013019021B4 (de) * 2013-11-13 2018-08-09 Audi Ag Verfahren zur Fahrerassistenz und Kraftfahrzeug
CN104392212B (zh) * 2014-11-14 2017-09-01 北京工业大学 一种基于视觉的道路信息检测及前方车辆识别方法
CN108944929B (zh) * 2018-05-31 2019-11-15 合肥中科自动控制系统有限公司 一种用于车辆自适应巡航控制系统的目标提取方法
CN108960183B (zh) * 2018-07-19 2020-06-02 北京航空航天大学 一种基于多传感器融合的弯道目标识别系统及方法
CN109435847A (zh) * 2018-09-14 2019-03-08 常州智行科技有限公司 一种基于摄像头与毫米波雷达的车辆防追尾预警方法
CN110239535B (zh) * 2019-07-03 2020-12-04 国唐汽车有限公司 一种基于多传感器融合的弯道主动避撞控制方法

Also Published As

Publication number Publication date
CN110949395A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN110949395B (zh) 一种基于多传感器融合的弯道acc目标车辆识别方法
CN108960183B (zh) 一种基于多传感器融合的弯道目标识别系统及方法
CN106909152B (zh) 一种车用环境感知系统及汽车
US6789015B2 (en) Vehicle environment monitoring system
EP2461305B1 (en) Road shape recognition device
US8175331B2 (en) Vehicle surroundings monitoring apparatus, method, and program
US6327536B1 (en) Vehicle environment monitoring system
US8180561B2 (en) Vehicle-installation obstacle detection apparatus
US20170297488A1 (en) Surround view camera system for object detection and tracking
CN112215306B (zh) 一种基于单目视觉与毫米波雷达融合的目标检测方法
US20030011509A1 (en) Method for detecting stationary object on road
US20190171224A1 (en) Method and Device for Self-Positioning a Vehicle
JP5145585B2 (ja) 物標検出装置
JP2002366936A (ja) カメラを利用した車両の道路情報抽出方法及びシステム
CN102685516A (zh) 立体视觉主动安全辅助驾驶方法
CN112950678A (zh) 一种基于车路协同的超视距融合感知系统
EP3413267B1 (en) Object detection device, device control system, objection detection method, and program
US10846546B2 (en) Traffic signal recognition device
CN112597839A (zh) 基于车载毫米波雷达的道路边界检测方法
CN112130153A (zh) 基于毫米波雷达和摄像头实现无人驾驶汽车边缘检测方法
JPH07225893A (ja) 車間距離制御装置
Wang et al. An auxiliary parking method based on automotive millimeter wave SAR
JP3586938B2 (ja) 車載用距離測定装置
CN111028544A (zh) 一种v2v技术和车载多传感器融合的行人预警系统
JP4900377B2 (ja) 画像処理装置

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