CN111091591B - 一种碰撞检测方法、装置、电子设备及存储介质 - Google Patents

一种碰撞检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111091591B
CN111091591B CN201911335616.3A CN201911335616A CN111091591B CN 111091591 B CN111091591 B CN 111091591B CN 201911335616 A CN201911335616 A CN 201911335616A CN 111091591 B CN111091591 B CN 111091591B
Authority
CN
China
Prior art keywords
track
obstacle target
predicted
collision detection
planned
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
CN201911335616.3A
Other languages
English (en)
Other versions
CN111091591A (zh
Inventor
朱晓星
王成法
孙勇义
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.)
Apollo Zhilian Beijing Technology Co Ltd
Original Assignee
Apollo Zhilian Beijing Technology Co Ltd
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 Apollo Zhilian Beijing Technology Co Ltd filed Critical Apollo Zhilian Beijing Technology Co Ltd
Priority to CN201911335616.3A priority Critical patent/CN111091591B/zh
Publication of CN111091591A publication Critical patent/CN111091591A/zh
Priority to JP2020104948A priority patent/JP7042868B2/ja
Priority to US16/920,411 priority patent/US11753005B2/en
Priority to EP20184262.2A priority patent/EP3842994A1/en
Application granted granted Critical
Publication of CN111091591B publication Critical patent/CN111091591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • G06T3/08—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/06—Direction of travel
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Abstract

本申请实施例提出一种碰撞检测方法、装置、电子设备及存储介质，涉及自动驾驶领域。具体实现方案为：获取预设时间段内包含障碍目标的多个视频帧；对该多个视频帧进行分析，得到障碍目标在该预设时间段内的历史移动轨迹；将该历史移动轨迹输入预先训练的轨迹预测模型，得到障碍目标的至少一个预测移动轨迹；利用自动驾驶车辆的规划轨迹及至少一个预测移动轨迹进行碰撞检测。本申请实施例能够提高碰撞检测的准确性。

Description

一种碰撞检测方法、装置、电子设备及存储介质
技术领域
本申请涉及自动驾驶领域，尤其涉及一种碰撞检测方法、装置、电子设备及存储介质。
背景技术
随着自动驾驶技术的兴起，以自动驾驶车辆为研究对象的运动路径规划问题越来越受到重视。而避障路径规划是自动驾驶车辆的关键部分，对自动驾驶车辆的研究具有重大意义。在自动驾驶车辆行驶过程中，准确地避开障碍物是基本要求。一个好的碰撞检测及避障路径规划算法可以安全实时地避开障碍物，且具有较高的乘坐舒适性，从而提高出行效率。目前，传统的自动驾驶在碰撞检测及避障过程中一般采用几何位置重叠、卡尔曼滤波(Kalman Filter)等技术，这些技术的缺点是准确率低，可能会导致车辆频繁急刹，影响乘客乘坐体验和道路行驶安全。
发明内容
本申请实施例提供一种碰撞检测方法、装置、电子设备及存储介质，以解决现有技术中的一个或多个技术问题。
第一方面，本申请实施例提供了一种碰撞检测方法，包括：
获取预设时间段内包含障碍目标的多个视频帧；
对该多个视频帧进行分析，得到障碍目标在该预设时间段内的历史移动轨迹；
将该历史移动轨迹输入预先训练的轨迹预测模型，得到障碍目标的至少一个预测移动轨迹；
利用自动驾驶车辆的规划轨迹及至少一个预测移动轨迹进行碰撞检测。
本申请实施例通过对障碍目标的视频帧进行分析，得到其历史移动轨迹，并根据历史移动轨迹进行预测，得到预测移动轨迹；根据预测移动轨迹和自动驾驶车辆的规划轨迹，可以对自动驾驶车辆与障碍目标的碰撞风险进行预测，从而能够提高碰撞检测的准确性。
在一种实施方式中，对该多个视频帧进行分析，得到障碍目标在该预设时间段内的历史移动轨迹，包括：
分别将各个视频帧转换为三维图像；
利用各个三维图像，定位障碍目标在各个视频帧中的空间位置；
利用各个所述空间位置及各个视频帧的采集时间，确定障碍目标在各个视频帧中的移动速度及移动方向；
利用移动速度及移动方向，确定障碍目标在预设时间段内的历史移动轨迹。
由于预先将视频帧转换为三维图像，根据三维图像能够精确定位障碍目标的空间位置，因此能够准确确定历史移动轨迹，进而提高轨迹预测的准确性，从而达到提高碰撞检测准确性的目的。
在一种实施方式中，该轨迹预测模型采用多个样本数据训练得到；该样本数据为与障碍目标的类别相同的其他障碍目标的移动轨迹。
利用相同类别的障碍目标的移动轨迹作为训练样本，能够使预先训练的轨迹预测模型适用于该障碍目标，从而得到障碍目标的预测移动轨迹。
在一种实施方式中，利用自动驾驶车辆的规划轨迹及至少一个预测移动轨迹进行碰撞检测，包括：在至少一个预测移动轨迹与规划轨迹之间的最短距离小于预设阈值的情况下，判定存在碰撞风险；
该方法还包括：在判定存在碰撞风险的情况下，根据至少一个预测移动轨迹，对规划轨迹进行修改。
本申请实施例采用至少一个预测移动轨迹进行碰撞检测及规划路径的修改，而不是仅使用一个预测移动轨迹，提高了自动驾驶车辆的行驶安全。
在一种实施方式中，根据至少一个预测移动轨迹，对规划轨迹进行修改，包括：
利用至少一个预测移动轨迹确定安全范围，该安全范围为与自动驾驶车辆的车头位置衔接、并且排除该至少一个预测移动轨迹的范围；
在该安全范围内对所述规划轨迹进行修改。
本申请实施例采用预测出的至少一个预测移动轨迹确定安全范围，能够便于对规划路径进行修改。
第二方面，本申请实施例提供了一种碰撞检测装置，包括：
获取模块，用于获取预设时间段内包含障碍目标的多个视频帧；
分析模块，用于对该多个视频帧进行分析，得到障碍目标在该预设时间段内的历史移动轨迹；
预测模块，用于将该历史移动轨迹输入预先训练的轨迹预测模型，得到障碍目标的至少一个预测移动轨迹；
检测模块，用于利用自动驾驶车辆的规划轨迹及至少一个预测移动轨迹进行碰撞检测。
在一种实施方式中，该分析模块包括：
转换单元，用于分别将各个视频帧转换为三维图像；
定位单元，用于利用各个三维图像，定位障碍目标在各个视频帧中的空间位置；
移动特征确定单元，用于利用各个所述空间位置及各个视频帧的采集时间，确定障碍目标在各个视频帧中的移动速度及移动方向；
历史轨迹确定单元，用于利用移动速度及移动方向，确定障碍目标在预设时间段内的历史移动轨迹。
在一种实施方式中，该检测模块用于在至少一个预测移动轨迹与规划轨迹之间的最短距离小于预设阈值的情况下，判定存在碰撞风险；
该装置还包括：修改模块，用于在判定存在碰撞风险的情况下，根据至少一个预测移动轨迹，对规划轨迹进行修改。
在一种实施方式中，该修改模块包括：
排除单元，用于利用至少一个预测移动轨迹确定安全范围，该安全范围为与自动驾驶车辆的车头位置衔接、并且排除该至少一个预测移动轨迹的范围；
修改单元，用于在该安全范围内对所述规划轨迹进行修改。
第三方面，本申请实施例提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行以上方法。
第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行上述方法。
上述申请中的一个实施例具有如下优点或有益效果：本申请实施例通过对障碍目标的视频帧进行分析，得到其历史移动轨迹，并根据历史移动轨迹进行预测，得到预测移动轨迹；根据预测移动轨迹和自动驾驶车辆的规划轨迹，可以对自动驾驶车辆与障碍目标的碰撞风险进行预测，从而能够提高碰撞检测的准确性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1示出根据本申请一实施例的碰撞检测方法流程图。
图2示出根据本申请一实施例的碰撞检测方法流程图。
图3示出根据本申请一实施例的碰撞检测方法流程图。
图4示出根据本申请一实施例的碰撞检测装置的结构框图。
图5示出根据本申请一实施例的分析模块的结构框图。
图6示出根据本申请一实施例的碰撞检测装置的结构框图。
图7示出根据本申请一实施例的碰撞检测装置的结构框图。
图8示出根据本申请一实施例的碰撞检测电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请的一种应用场景在于，自动驾驶车辆控制过程中，获取进入自动驾驶车辆摄像范围的障碍目标的视频帧，通过分析视频帧得到历史移动轨迹；利用历史移动轨迹对未来可能出现的移动轨迹进行预测，之后再根据预测移动轨迹产生避让策略。当然，本申请的应用不限于该自动驾驶车辆控制领域，还可以适用于任何可能发生碰撞，并需要躲避碰撞的场景。
图1示出根据本申请一实施例的碰撞检测方法流程图。如图1所示，该碰撞检测方法包括：
步骤S11、获取预设时间段内包含障碍目标的多个视频帧。
具体来说，障碍目标可以是任何可能与自动驾驶车辆相撞的物体，例如，行人、宠物、机动车、非机动车等。
在获取障碍目标多个视频帧的同时或之后，还可以执行以下操作：一方面，将这些视频帧中相同的帧进行去重操作，从而减小计算复杂度，提高处理效率；另一方面，对于视频帧中存在信息缺失，尤其是涉及目标关键部位的视频帧，利用修补算法进行修补，从而提高计算准确度。例如，有的视频帧中，由于行人的移动速度过快，视频采集设备的灵敏度不够高，可能会出现因运动速度快而导致的影像模糊的视频帧，此时可以结合该视频帧附近时序的若干帧，对该帧进行修复，从而更加清晰、准确地呈现出障碍目标的轮廓，为后期行人轨迹的预测奠定基础。
步骤S12、对该多个视频帧进行分析，得到障碍目标在该预设时间段内的历史移动轨迹。
具体来说，由于多个视频帧存在时序关系，障碍目标在多个视频帧组成的一组序列中，通过对障碍目标在每个视频帧中的空间位置，结合每个视频帧的采集时间，可以计算出障碍目标的历史移动轨迹。
进一步地，历史移动轨迹不仅仅包含障碍目标移动过程中的路径信息，还可以包括移动速度、移动方向等移动信息。而且，移动速度除了包括移动速度、加速度这样的基础移动数据，还包括像平均速度、最大速度、最小速度等这样的统计速度；移动方向除了包括移动角度，还可以包括诸如角速度、角加速度、角位移这样的角度变化参数。
本申请实施例可以在对视频帧进行分析之前，首先根据自然规律去掉识别错误的视频帧。例如，如果一个障碍目标的物理位置出现跳变，则不符合自然规律，包含该障碍目标的视频帧即属于错误的视频帧，可以去除。
针对计算出的障碍目标的历史移动轨迹，本申请实施例也可以根据自然规律去掉错误信息。例如，行人的行走速度大约为3m/s，如果计算出的行人的历史移动轨迹显示该行人的行走速度远超过3m/s，则认为该历史移动轨迹是错误信息，可以去除。
步骤S13、将该历史移动轨迹输入预先训练的轨迹预测模型，得到障碍目标的至少一个预测移动轨迹。
具体来说，预先训练的轨迹预测模型可以是机器学习模型，例如时间递归神经网络(RNN,Recurrent Neural Networks)，优选地，可以是长短期记忆(LSTM,Long ShortTerm Memory)模型。长短期记忆模型，是一种特殊的时间递归神经网络，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。因此，对于障碍目标移动轨迹预测来说，采用LSTM可以提高预测的准确度。
而且，由于根据障碍目标的历史移动轨迹，预测出预测移动轨迹可以是多条不同的移动轨迹，障碍目标可能以不同的概率从这些移动轨迹中选取一条前进。因此，需要综合考虑至少一个预测移动轨迹，从而最大可能地避免自动驾驶车辆与障碍目标相撞。
在一种实施方式中，该轨迹预测模型采用多个样本数据训练得到；该样本数据为与障碍目标的类别相同的其他障碍目标的移动轨迹。
具体来说，对于预测模型而言，训练样本越多意味着训练的效果越好，后期预测时获得的准确度也会越高。因此，在进行该轨迹预测模型训练的过程中，需要采用多个样本数据进行训练。
另外，在训练轨迹预测模型时，可以采用与障碍目标类别相同的其他障碍目标进行训练。例如，可以将行人分为老年人、儿童和中青年人等类型，采用不同类别行人的移动轨迹作为样本数据，训练该类别行人对应的轨迹预测模型。在实际预测过程中，如果障碍目标为老年人，则采用老年人对应的轨迹预测模型进行预测；如果障碍目标为其他类别的行人，同样采用相应的轨迹预测模型进行预测，从而提高预测的准确性。
步骤S14、利用自动驾驶车辆的规划轨迹及至少一个预测移动轨迹进行碰撞检测。
具体来说，在碰撞检测过程中，既要考虑障碍目标的预测移动轨迹，也要考虑自动驾驶车辆的规划轨迹，只有在二者不存在相交的情况下，碰撞才不会发生。由于通过训练模型得到的预测移动轨迹为多条，这些预测移动轨迹都具有一定的概率与自动驾驶车辆相撞。因此，在一种示例中，可以采取统计学的方式，选取全部预测移动轨迹中的一部分，使得选取的预测移动轨迹置信度为极大概率(例如99.9％)，将自动驾驶车辆的规划轨迹与这部分预测移动轨迹进行比较，进行碰撞检测，从而提高碰撞检测的效率。
图2示出根据本申请一实施例的碰撞检测方法流程图。如图2所示，在一种实施方式中，对该多个视频帧进行分析，得到障碍目标在该预设时间段内的历史移动轨迹，包括：
步骤S121、分别将各个视频帧转换为三维图像；
具体来说，每个视频帧可以理解为一幅二维图像，可以通过基于深度图的三维效果合成技术，也可以通过结构重建(Structure From Motion,SFM)技术将该二维图像转换为三维场景。基于深度图的三维合成过程，主要分为原始图像分析、深度信息提取、深度图生成、新视图合成、立体视图合成五个步骤。SFM技术通过图片集中的匹配点来估计三维静止场景中运动摄像机的内外参数和该场景相对于一个参考坐标系的结构关系。
步骤S122、利用各个三维图像，定位障碍目标在各个视频帧中的空间位置；
具体来说，定位障碍目标在各个视频帧中的空间位置，可以更加准确地对行人的移动意图进行分析推断，例如从行人的历史帧数据转换得到的三维图像中，可以得到行人躯干的速度和方向等，从而避免了行人双臂、双腿摆动的干扰。
步骤S123、利用各个所述空间位置及各个视频帧的采集时间，确定障碍目标在各个视频帧中的移动速度及移动方向；
具体来说，通过障碍目标在每个采集时间的空间位置，可以通过运动学方法，计算出障碍目标的移动速度和移动方向。同样的，为了更加准确地预测移动轨迹，还可以计算出平均速度、最大速度、最小速度等这样的统计速度，以及角速度、角加速度、角位移这样的角度变化参数。
步骤S124、利用移动速度及移动方向，确定障碍目标在预设时间段内的历史移动轨迹。
具体来说，对障碍目标在预设时间段内的位置进行拟合，可以得到障碍目标在该时间段内的历史移动轨迹。
图3示出根据本申请一实施例的碰撞检测方法流程图。如图3所示，在一种实施方式中，步骤S14包括：
在至少一个预测移动轨迹与规划轨迹之间的最短距离小于预设阈值的情况下，判定存在碰撞风险。
该方法还包括：
步骤S15、在判定存在碰撞风险的情况下，根据至少一个预测移动轨迹，对规划轨迹进行修改。
在一种实施方式中，根据至少一个预测移动轨迹，对规划轨迹进行修改，包括：
利用至少一个预测移动轨迹确定安全范围，该安全范围为与自动驾驶车辆的车头位置衔接、并且排除该至少一个预测移动轨迹的范围；
在该安全范围内对所述规划轨迹进行修改。
在一个示例中，面对多条预测出的预测轨迹，可以通过叠加的形式，由这些预测轨迹形成一个禁入区域。在道路中，排除禁入区域和交通规则禁止的区域(例如，封锁道路、逆向车道、施工区域等)，可以得到安全区域。值得注意的是，禁入区域的形状随着时间变化，而且还在每个时间点随着目标移动速度、方向的变化而产生不同的形状，处于不同的位置。在生成避让策略时，需要根据禁入区域的形状、位置进行避让。
图4示出根据本申请一实施例的碰撞检测装置的结构框图。如图4所示，该碰撞检测装置包括：
获取模块41，用于获取预设时间段内包含障碍目标的多个视频帧；
分析模块42，用于对该多个视频帧进行分析，得到障碍目标在该预设时间段内的历史移动轨迹；
预测模块43，用于将该历史移动轨迹输入预先训练的轨迹预测模型，得到障碍目标的至少一个预测移动轨迹；
检测模块44，用于利用自动驾驶车辆的规划轨迹及至少一个预测移动轨迹进行碰撞检测。
图5示出根据本申请一实施例的分析模块的结构框图。如图5所示，该分析模块42包括：
转换单元421，用于分别将各个视频帧转换为三维图像；
定位单元422，用于利用各个三维图像，定位障碍目标在各个视频帧中的空间位置；
移动特征确定单元423，用于利用各个所述空间位置及各个视频帧的采集时间，确定障碍目标在各个视频帧中的移动速度及移动方向；
历史轨迹确定单元424，用于利用移动速度及移动方向，确定障碍目标在预设时间段内的历史移动轨迹。
图6示出根据本申请一实施例的碰撞检测装置的结构框图。如图6所示，该检测模块44用于在至少一个预测移动轨迹与规划轨迹之间的最短距离小于预设阈值的情况下，判定存在碰撞风险。
该碰撞检测装置还包括：
修改模块45，用于在判定存在碰撞风险的情况下，根据至少一个预测移动轨迹，对规划轨迹进行修改。
图7示出根据本申请一实施例的分析模块的结构框图。如图7所示，该修改模块45包括：
排除单元451，用于利用至少一个预测移动轨迹确定安全范围，该安全范围为与自动驾驶车辆的车头位置衔接、并且排除该至少一个预测移动轨迹的范围；
修改单元452，用于在该安全范围内对所述规划轨迹进行修改。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图8所示，是根据本申请实施例的碰撞检测的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，该电子设备包括：一个或多个处理器81、存储器82，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器81为例。
存储器82即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的碰撞检测的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的碰撞检测的方法。
存储器82作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的碰撞检测的方法对应的程序指令/模块。处理器81通过运行存储在存储器82中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的碰撞检测的方法。
存储器82可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据碰撞检测的电子设备的使用所创建的数据等。此外，存储器82可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器82可选包括相对于处理器81远程设置的存储器，这些远程存储器可以通过网络连接至碰撞检测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
碰撞检测的方法的电子设备还可以包括：输入装置83和输出装置84。处理器81、存储器82、输入装置83和输出装置84可以通过总线或者其他方式连接，图8中以通过总线连接为例。
输入装置83可接收输入的数字或字符信息，以及产生与碰撞检测的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置84可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(Liquid Crystal Display，LCD)、发光二极管(Light Emitting Diode，LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(programmable logic device，PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode Ray Tube，阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，一方面，通过将视频帧转换为三维图像，预测障碍目标的移动轨迹，有效避免了障碍目标动作姿势过大导致移动轨迹预测不准确的情形；另一方面，通过至少一个预测移动轨迹确定安全范围，并根据安全范围对规划轨迹进行修改，有效地解决了障碍目标可能存在多条移动轨迹的技术问题。因为采用了视频帧转三维图像、确定安全范围等技术手段，所以克服了传统碰撞检测过程中准确度不高的技术问题。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (11)

1.一种碰撞检测方法，其特征在于，包括：
获取预设时间段内包含障碍目标的多个视频帧，将所述多个视频帧中相同的帧进行去重操作，并对包含所述障碍目标关键部位的视频帧中存在的信息缺失进行修补；
对所述多个视频帧进行分析，得到所述障碍目标在所述预设时间段内的历史移动轨迹；
将所述历史移动轨迹输入预先训练的轨迹预测模型，得到所述障碍目标的至少一个预测移动轨迹；
利用自动驾驶车辆的规划轨迹及所述至少一个预测移动轨迹进行碰撞检测。
2.根据权利要求1所述的方法，其特征在于，所述对所述多个视频帧进行分析，得到所述障碍目标在所述预设时间段内的历史移动轨迹，包括：
分别将各个所述视频帧转换为三维图像；
利用各个所述三维图像，定位所述障碍目标在各个视频帧中的空间位置；
利用各个所述空间位置及各个视频帧的采集时间，确定所述障碍目标在各个视频帧中的移动速度及移动方向；
利用所述移动速度及移动方向，确定所述障碍目标在所述预设时间段内的历史移动轨迹。
3.根据权利要求1或2所述的方法，其特征在于，所述轨迹预测模型采用多个样本数据训练得到；所述样本数据为与所述障碍目标的类别相同的其他障碍目标的移动轨迹。
4.根据权利要求1或2所述的方法，其特征在于，
所述利用自动驾驶车辆的规划轨迹及所述至少一个预测移动轨迹进行碰撞检测，包括：在所述至少一个预测移动轨迹与所述规划轨迹之间的最短距离小于预设阈值的情况下，判定存在碰撞风险；
所述方法还包括：在判定存在碰撞风险的情况下，根据所述至少一个预测移动轨迹，对所述规划轨迹进行修改。
5.根据权利要求4所述的方法，其特征在于，所述根据所述至少一个预测移动轨迹，对所述规划轨迹进行修改，包括：
利用所述至少一个预测移动轨迹确定安全范围，所述安全范围为与所述自动驾驶车辆的车头位置衔接、并且排除所述至少一个预测移动轨迹的范围；
在所述安全范围内对所述规划轨迹进行修改。
6.一种碰撞检测装置，其特征在于，包括：
获取模块，用于获取预设时间段内包含障碍目标的多个视频帧，将所述多个视频帧中相同的帧进行去重操作，并对包含所述障碍目标关键部位的视频帧中存在的信息缺失进行修补；
分析模块，用于对所述多个视频帧进行分析，得到所述障碍目标在所述预设时间段内的历史移动轨迹；
预测模块，用于将所述历史移动轨迹输入预先训练的轨迹预测模型，得到所述障碍目标的至少一个预测移动轨迹；
检测模块，用于利用自动驾驶车辆的规划轨迹及所述至少一个预测移动轨迹进行碰撞检测。
7.根据权利要求6所述的装置，其特征在于，所述分析模块包括：
转换单元，用于分别将各个所述视频帧转换为三维图像；
定位单元，用于利用各个所述三维图像，定位所述障碍目标在各个视频帧中的空间位置；
移动特征确定单元，用于利用各个所述空间位置及各个视频帧的采集时间，确定所述障碍目标在各个视频帧中的移动速度及移动方向；
历史轨迹确定单元，用于利用所述移动速度及移动方向，确定所述障碍目标在所述预设时间段内的历史移动轨迹。
8.根据权利要求6或7所述的装置，其特征在于，所述检测模块，用于在所述至少一个预测移动轨迹与所述规划轨迹之间的最短距离小于预设阈值的情况下，判定存在碰撞风险；
所述装置还包括：修改模块，用于在判定存在碰撞风险的情况下，根据所述至少一个预测移动轨迹，对所述规划轨迹进行修改。
9.根据权利要求8所述的装置，其特征在于，所述修改模块包括：
排除单元，用于利用所述至少一个预测移动轨迹确定安全范围，所述安全范围为与所述自动驾驶车辆的车头位置衔接、并且排除所述至少一个预测移动轨迹的范围；
修改单元，用于在所述安全范围内对所述规划轨迹进行修改。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
CN201911335616.3A 2019-12-23 2019-12-23 一种碰撞检测方法、装置、电子设备及存储介质 Active CN111091591B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201911335616.3A CN111091591B (zh) 2019-12-23 2019-12-23 一种碰撞检测方法、装置、电子设备及存储介质
JP2020104948A JP7042868B2 (ja) 2019-12-23 2020-06-18 衝突検出方法、装置、電子デバイス、記憶媒体、及びプログラム
US16/920,411 US11753005B2 (en) 2019-12-23 2020-07-02 Collision detection method, and device, as well as electronic device and storage medium
EP20184262.2A EP3842994A1 (en) 2019-12-23 2020-07-06 Collision detection method, and device, as well as electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911335616.3A CN111091591B (zh) 2019-12-23 2019-12-23 一种碰撞检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111091591A CN111091591A (zh) 2020-05-01
CN111091591B true CN111091591B (zh) 2023-09-26

Family

ID=70396594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911335616.3A Active CN111091591B (zh) 2019-12-23 2019-12-23 一种碰撞检测方法、装置、电子设备及存储介质

Country Status (4)

Country Link
US (1) US11753005B2 (zh)
EP (1) EP3842994A1 (zh)
JP (1) JP7042868B2 (zh)
CN (1) CN111091591B (zh)

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113672845A (zh) * 2020-05-14 2021-11-19 阿波罗智联(北京)科技有限公司 一种车辆轨迹的预测方法、装置、设备及存储介质
CN115097156A (zh) * 2020-05-15 2022-09-23 北京百度网讯科技有限公司 一种自动驾驶中障碍物的速度估计方法、装置和电子设备
CN111611703B (zh) * 2020-05-15 2023-07-18 深圳星地孪生科技有限公司 基于数字孪生的沙盘推演方法、装置、设备和存储介质
CN113701746A (zh) * 2020-05-21 2021-11-26 华为技术有限公司 目标朝向确定方法和装置
CN111652112B (zh) * 2020-05-29 2023-06-30 阿波罗智联(北京)科技有限公司 一种车道流向的识别方法、装置、电子设备及存储介质
CN111797751B (zh) * 2020-06-29 2023-01-06 中国第一汽车股份有限公司 行人轨迹预测方法、装置、设备及介质
CN111814648A (zh) * 2020-06-30 2020-10-23 北京百度网讯科技有限公司 一种站口拥堵情况确定方法、装置、设备及存储介质
CN111891061B (zh) * 2020-07-09 2021-07-30 广州亚美智造科技有限公司 车辆碰撞检测方法、装置和计算机设备
CN114078326B (zh) * 2020-08-19 2023-04-07 北京万集科技股份有限公司 碰撞检测方法、装置、视觉传感器和存储介质
KR20220039903A (ko) * 2020-09-21 2022-03-30 현대자동차주식회사 자율주행 제어 장치 및 방법
CN113119996B (zh) * 2021-03-19 2022-11-08 京东鲲鹏(江苏)科技有限公司 一种轨迹预测方法、装置、电子设备及存储介质
CN113112524B (zh) * 2021-04-21 2024-02-20 智道网联科技(北京)有限公司 自动驾驶中移动对象的轨迹预测方法、装置及计算设备
CN113472945B (zh) * 2021-07-12 2022-08-02 交互未来(北京)科技有限公司 一种基于碰撞检测的数据传输方法、系统和移动设备
CN113777918A (zh) * 2021-07-28 2021-12-10 张金宁 一种数字孪生架构的汽车智能线控底盘控制方法
CN113670632B (zh) * 2021-08-18 2024-04-12 北京经纬恒润科技股份有限公司 碰撞检测方法及装置
CN113721618A (zh) * 2021-08-30 2021-11-30 中科新松有限公司 一种平面确定方法、装置、设备和存储介质
CN113715814B (zh) * 2021-09-02 2023-03-21 北京百度网讯科技有限公司 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆
CN113753041B (zh) * 2021-09-29 2023-06-23 合肥工业大学 一种移动摄像测距预警方法及预警装置
CN114018265B (zh) * 2021-10-28 2024-02-02 山东新一代信息产业技术研究院有限公司 一种巡检机器人行驶轨迹生成方法、设备及介质
CN113879337A (zh) * 2021-10-29 2022-01-04 北京触达无界科技有限公司 一种轨迹预测方法、装置、存储介质及电子设备
CN114312831B (zh) * 2021-12-16 2023-10-03 浙江零跑科技股份有限公司 一种基于空间注意力机制的车辆轨迹预测方法
CN114030486A (zh) * 2021-12-21 2022-02-11 阿波罗智联(北京)科技有限公司 动态障碍物的轨迹预测方法、装置、电子设备和存储介质
CN114333416A (zh) * 2021-12-24 2022-04-12 阿波罗智能技术(北京)有限公司 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆
CN114407883B (zh) * 2022-01-11 2024-03-08 北京经纬恒润科技股份有限公司 障碍物方向角的融合方法及系统
CN114590248B (zh) * 2022-02-23 2023-08-25 阿波罗智能技术(北京)有限公司 行驶策略的确定方法、装置、电子设备和自动驾驶车辆
CN114663804A (zh) * 2022-03-02 2022-06-24 小米汽车科技有限公司 可行驶区域检测方法、装置、移动设备及存储介质
CN114724083B (zh) * 2022-04-07 2023-01-10 清华大学 轨迹预测系统训练、轨迹预测方法、装置、系统
CN114563007B (zh) * 2022-04-28 2022-07-29 新石器慧通（北京）科技有限公司 障碍物的运动状态预测方法、装置、电子设备及存储介质
CN114565107A (zh) * 2022-04-29 2022-05-31 阿里巴巴达摩院(杭州)科技有限公司 碰撞检测方法、装置及设备
CN114926422B (zh) * 2022-05-11 2023-07-04 西南交通大学 一种上下车客流量检测方法及系统
CN114802233B (zh) * 2022-06-22 2022-09-16 小米汽车科技有限公司 车辆控制方法、装置、电子设备及存储介质
CN115042823A (zh) * 2022-07-29 2022-09-13 浙江吉利控股集团有限公司 一种代客泊车方法、装置、电子设备及存储介质
CN115690286B (zh) * 2022-10-19 2023-08-29 珠海云洲智能科技股份有限公司 三维地形生成方法、终端设备及计算机可读存储介质
CN115965944B (zh) * 2023-03-09 2023-05-09 安徽蔚来智驾科技有限公司 目标信息的检测方法、设备、驾驶设备和介质
CN116071960B (zh) * 2023-04-06 2023-08-01 深圳市城市交通规划设计研究中心股份有限公司 一种非机动车与行人碰撞预警方法、电子设备及存储介质
CN116189114B (zh) * 2023-04-21 2023-07-14 西华大学 一种车辆碰撞痕迹鉴定方法及装置
CN116309689B (zh) * 2023-05-17 2023-07-28 上海木蚁机器人科技有限公司 障碍物轨迹预测方法、装置、设备和介质
CN116627136B (zh) * 2023-05-25 2023-12-15 浪潮智慧科技有限公司 一种用于水文测流的避障方法、设备及介质
CN116842392B (zh) * 2023-08-29 2024-04-16 新石器慧通（北京）科技有限公司 轨迹预测方法及其模型的训练方法、装置、设备及介质
CN117382593B (zh) * 2023-12-08 2024-04-05 之江实验室 一种基于激光点云过滤的车辆紧急制动方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016192146A (ja) * 2015-03-31 2016-11-10 Ｎｅｃソリューションイノベータ株式会社 交通制御システム、交通制御方法、プログラム、および記録媒体
CN107305740A (zh) * 2016-04-21 2017-10-31 斑马网络技术有限公司 路况预警方法、设备、服务器、控制设备及操作系统
CN107368890A (zh) * 2016-05-11 2017-11-21 Tcl集团股份有限公司 一种以视觉为中心的基于深度学习的路况分析方法及系统
CN107757613A (zh) * 2016-08-15 2018-03-06 法乐第(北京)网络科技有限公司 一种车辆转弯辅助方法及装置
JP2018055141A (ja) * 2016-09-26 2018-04-05 日立オートモティブシステムズ株式会社 移動体軌道予測システム
CN108010388A (zh) * 2018-01-04 2018-05-08 北京瑞腾中天科技有限公司 基于车联网络的碰撞检测预警方法及碰撞检测预警系统
CN109664820A (zh) * 2018-09-25 2019-04-23 平安科技（深圳）有限公司 基于行车记录仪的驾驶提示方法、装置、设备和存储介质
CN109960261A (zh) * 2019-03-22 2019-07-02 北京理工大学 一种基于碰撞检测的动态障碍物避让方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4360207B2 (ja) 2004-01-14 2009-11-11 沖電気工業株式会社 動画像復号化装置
US8605947B2 (en) * 2008-04-24 2013-12-10 GM Global Technology Operations LLC Method for detecting a clear path of travel for a vehicle enhanced by object detection
JP2010109452A (ja) 2008-10-28 2010-05-13 Panasonic Corp 車両周囲監視装置及び車両周囲監視方法
US8855436B2 (en) * 2011-10-20 2014-10-07 Xerox Corporation System for and method of selective video frame compression and decompression for efficient event-driven searching in large databases
US20170344855A1 (en) * 2016-05-24 2017-11-30 Agt International Gmbh Method of predicting traffic collisions and system thereof
JP6740867B2 (ja) 2016-11-09 2020-08-19 トヨタ自動車株式会社 画像処理方法
CN107492113B (zh) 2017-06-01 2019-11-05 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
US11104334B2 (en) * 2018-05-31 2021-08-31 Tusimple, Inc. System and method for proximate vehicle intention prediction for autonomous vehicles
US11740630B2 (en) * 2018-06-12 2023-08-29 Skydio, Inc. Fitness and sports applications for an autonomous unmanned aerial vehicle
CN108859935B (zh) 2018-07-10 2020-06-05 威马智慧出行科技（上海）有限公司 无人驾驶汽车及其提示装置和方法
US11104332B2 (en) * 2018-12-12 2021-08-31 Zoox, Inc. Collision avoidance system with trajectory validation
EP4052223A4 (en) * 2019-11-01 2023-11-01 Visionary Machines Ptd Ltd SYSTEMS AND METHODS FOR GENERATING AND/OR USING THREE-DIMENSIONAL INFORMATION USING CAMERA ARRANGEMENTS

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016192146A (ja) * 2015-03-31 2016-11-10 Ｎｅｃソリューションイノベータ株式会社 交通制御システム、交通制御方法、プログラム、および記録媒体
CN107305740A (zh) * 2016-04-21 2017-10-31 斑马网络技术有限公司 路况预警方法、设备、服务器、控制设备及操作系统
CN107368890A (zh) * 2016-05-11 2017-11-21 Tcl集团股份有限公司 一种以视觉为中心的基于深度学习的路况分析方法及系统
CN107757613A (zh) * 2016-08-15 2018-03-06 法乐第(北京)网络科技有限公司 一种车辆转弯辅助方法及装置
JP2018055141A (ja) * 2016-09-26 2018-04-05 日立オートモティブシステムズ株式会社 移動体軌道予測システム
CN108010388A (zh) * 2018-01-04 2018-05-08 北京瑞腾中天科技有限公司 基于车联网络的碰撞检测预警方法及碰撞检测预警系统
CN109664820A (zh) * 2018-09-25 2019-04-23 平安科技（深圳）有限公司 基于行车记录仪的驾驶提示方法、装置、设备和存储介质
CN109960261A (zh) * 2019-03-22 2019-07-02 北京理工大学 一种基于碰撞检测的动态障碍物避让方法

Also Published As

Publication number Publication date
US20210188263A1 (en) 2021-06-24
US11753005B2 (en) 2023-09-12
CN111091591A (zh) 2020-05-01
JP7042868B2 (ja) 2022-03-28
JP2021098492A (ja) 2021-07-01
EP3842994A1 (en) 2021-06-30

Similar Documents

Publication Publication Date Title
CN111091591B (zh) 一种碰撞检测方法、装置、电子设备及存储介质
US20240112051A1 (en) Machine learning models operating at different frequencies for autonomous vehicles
CN111859778B (zh) 泊车模型的生成方法和装置、电子设备和存储介质
CN111273268B (zh) 自动驾驶障碍物类型的识别方法、装置及电子设备
US11782158B2 (en) Multi-stage object heading estimation
CN112572462B (zh) 自动驾驶的控制方法、装置、电子设备及存储介质
CN111275983B (zh) 车辆追踪方法、装置、电子设备和计算机可读存储介质
CN111292531B (zh) 交通信号灯的跟踪方法、装置、设备及存储介质
CN112419722B (zh) 交通异常事件检测方法、交通管控方法、设备和介质
US11827214B2 (en) Machine-learning based system for path and/or motion planning and method of training the same
CN111666891B (zh) 用于估计障碍物运动状态的方法和装置
US11288887B2 (en) Object tracking method and apparatus
CN110703732B (zh) 相关性检测方法、装置、设备及计算机可读存储介质
CN111625950A (zh) 自动驾驶仿真场景重建方法、装置、设备和介质
CN112507949A (zh) 目标跟踪方法、装置、路侧设备以及云控平台
CN112528786A (zh) 车辆跟踪方法、装置及电子设备
CN111402326B (zh) 障碍物的检测方法、装置、无人车及存储介质
CN113091757B (zh) 地图生成方法和装置
CN111767843A (zh) 三维位置预测方法、装置、设备以及存储介质
CN114815851A (zh) 机器人跟随方法、装置、电子设备以及存储介质
CN112528932B (zh) 用于优化位置信息的方法、装置、路侧设备和云控平台
CN111959526A (zh) 基于无人车的控制方法、装置、无人车和电子设备
CN111231952A (zh) 车辆控制方法、装置及设备
EP4214682A1 (en) Multi-modal 3-d pose estimation
CN113255404A (zh) 车道线识别方法、装置、电子设备和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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211014

Address after: 100176 Room 101, 1st floor, building 1, yard 7, Ruihe West 2nd Road, economic and Technological Development Zone, Daxing District, Beijing

Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd.

Address before: 518000 301, floor 3, unit D, productivity building, No. 5, Gaoxin middle 2nd Road, Nanshan District, Shenzhen, Guangdong

Applicant before: BAIDU INTERNATIONAL TECHNOLOGY (SHENZHEN) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant