CN111144279A - 一种智能辅助驾驶中障碍物的识别方法 - Google Patents
一种智能辅助驾驶中障碍物的识别方法 Download PDFInfo
- Publication number
- CN111144279A CN111144279A CN201911355495.9A CN201911355495A CN111144279A CN 111144279 A CN111144279 A CN 111144279A CN 201911355495 A CN201911355495 A CN 201911355495A CN 111144279 A CN111144279 A CN 111144279A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- training
- processing system
- image processing
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000005516 engineering process Methods 0.000 claims abstract description 29
- 238000012706 support-vector machine Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 230000004888 barrier function Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明揭示了一种智能辅助驾驶中障碍物的识别方法，包括如下步骤：S1、障碍物图像采集，利用双目摄像头对场景中的障碍物图像进行采集；S2、障碍物距离分析，依据双目测距原理、结合所采集的障碍物图像进行分析，得到障碍物的距离信息；S3、构建图像处理系统，将深度置信网络与支持向量机算法相结合，构建并训练图像处理系统；S4、障碍物识别，利用机器视觉技术将障碍物图像传送至图像处理系统中，完成对智能辅助驾驶中障碍物的识别。本发明综合利用了深度学习、SVM算法模型和双目测距原理，不仅能够实时且准确地确定道路环境中障碍物的距离信息，还实现了对障碍物的类别判断。
Description
技术领域
本发明涉及一种障碍物识别方法，具体而言，涉及一种基于机器视觉和深度学习技术的智能辅助驾驶中障碍物的识别方法，属于人工智能技术领域。
背景技术
随着汽车行业的不断发展以及人工智能技术的不断进步，越来越多的车辆开始配备有智能辅助驾驶系统，同时，也有越来越多的研究人员开始关注智能辅助驾驶系统的研究和开发。
就当前的技术水平而言，大多数车辆所配备的智能辅助驾驶系统都基于超声波、激光和雷达等技术来实现空间信息的获取。伴随着对计算机视觉和深度学习技术研究的深入，使得这两项技术在智能辅助驾驶中的应用成为了可能，且就技术本身而言、应用前景十分乐观。机器视觉和深度学习技术对于环境事物的检测识别相较对于超声波、激光和雷达等现有技术，能获得更多的信息量，同时硬件成本也更低廉。
目前，也有一些研究学者开始运用机器视觉技术来实现车辆辅助驾驶，但这些实现方式大多都仅能实现对单一物体的检测，如行人或者车辆，对于马路上的各类常见物体并不能做到实时、准确的识别检测。
也正因如此，如何在现有技术的基础上提出一种全新的智能辅助驾驶中障碍物的识别方法，将机器视觉技术和深度学习技术进行有机结合，以克服现有技术中的各种不足，也就成为了本领域内技术人员亟待解决的问题。
发明内容
鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于机器视觉和深度学习技术的智能辅助驾驶中障碍物的识别方法，具体如下。
一种智能辅助驾驶中障碍物的识别方法，包括如下步骤：
S1、障碍物图像采集，利用双目摄像头对场景中的障碍物图像进行采集；
S2、障碍物距离分析，依据双目测距原理、结合所采集的障碍物图像进行分析，得到障碍物的距离信息；
S3、构建图像处理系统，将深度置信网络与支持向量机算法相结合，构建并训练图像处理系统；
S4、障碍物识别，利用机器视觉技术将障碍物图像传送至所述图像处理系统中，完成对智能辅助驾驶中障碍物的识别。
优选地，S1所述障碍物图像采集，包括如下步骤：模拟人类双眼视觉原理，利用双目摄像头采集同一障碍物在同一场景内的两幅障碍物图像，并结合神经网络算法对所采集的二维障碍物图像进行特征提取，得到障碍物图像中的信息。
优选地， S2所述障碍物距离分析，包括如下步骤：在OpenCV平台上通过BM算法对所采集到的障碍物图像进行处理、生成视图差，再利用双目测距原理对视图差进行分析，进而得出障碍物的距离信息。
优选地，所述图像处理系统由深度学习方法中的深度置信网络与支持向量机算法结合而成，所述深度置信网络中最后一层隐含层的输出与所述支持向量机算法的输入相连。
优选地，所述深度置信网络由多层限制性玻尔兹曼机构成，所述限制性玻尔兹曼机内包含有隐含层与可见层。
优选地，所述图像处理系统采用无监督学习的方式完成训练。
优选地，所述图像处理系统的训练过程包括如下步骤：
S31、对系统进行初始化权重和偏置；
S32、采用无监督学习的方式训练一层所述限制性玻尔兹曼机，向已完成训练的所述限制性玻尔兹曼机加入标签，采用监督学习的方式调整该层所述限制性玻尔兹曼机的参数，随后利用调整后的一层所述限制性玻尔兹曼机作为下一层所述限制性玻尔兹曼机的可见层，依此类推，直至最后一层所述限制性玻尔兹曼机训练结束；
S33、将最后一层所述限制性玻尔兹曼机的输出作为所述支持向量机算法的输入，完成全部参数训练。
优选地，在所述图像处理系统的训练过程中，所采用的训练集为CIFAR-10自然场景库，所述训练集包含10类、共60000个32*32的彩色图像，由50000个训练图像和10000个测试图像组成。
优选地，S4所述障碍物识别，包括如下步骤：利用机器视觉技术将障碍物图像传送至所述图像处理系统中、继而转成数字信号，所述深度置信网络通过交替进行的无监督和有监督学习过程对所获取的数字信号进行特征信息的提取，随后将所述深度置信网络最后一层隐含层的输出作为所述支持向量机算法的输入，对所提取的特征信息进行分类训练识别，最后采用模板匹配法完成对智能辅助驾驶中障碍物的识别。
本发明的优点主要体现在以下几个方面：
本发明所提出的智能辅助驾驶中障碍物的识别方法，将机器视觉技术和深度学习技术进行了有机结合，综合利用了深度学习、SVM算法模型和双目测距原理，不仅能够实时且准确地确定道路环境中障碍物的距离信息，还实现了对障碍物的类别判断。
与现有技术相比，本发明的方法具有较高的准确性和实时性。且本发明的方法作为智能辅助驾驶的核心技术，其方法本身具有很强的指导意义，研究人员可以以本发明的技术方案为基础进行拓展延伸，将类似技术运用于同领域内的其他相关方案中，从而为今后基于障碍物识别技术的无人驾驶车辆、自主移动机器人与各种导航系统的最终实现奠定了基础。
以下便结合实施例附图，对本发明的具体实施方式作进一步的详述，以使本发明技术方案更易于理解、掌握。
附图说明
图1为本发明的方法流程示意图；
图2为本发明中图像处理系统的结构示意图；
图3为本发明中限制性玻尔兹曼机的结构示意图；
图4为本发明中图像处理系统的训练过程流程示意图。
具体实施方式
本发明提出了一种基于机器视觉和深度学习技术的智能辅助驾驶中障碍物的识别方法，具体的方案如下。
如图1所示，一种智能辅助驾驶中障碍物的识别方法，包括如下步骤。
S1、障碍物图像采集，利用双目摄像头对场景中的障碍物图像进行采集。进一步而言，在本步骤中，模拟人类双眼视觉原理，利用双目摄像头采集同一障碍物在同一场景内的两幅障碍物图像，并结合神经网络算法对所采集的二维障碍物图像进行特征提取，得到障碍物图像中的信息。
S2、障碍物距离分析，依据双目测距原理、结合所采集的障碍物图像进行分析，得到障碍物的距离信息。进一步而言，在本步骤中，在OpenCV平台上通过BM（Boyer-Moore）算法对所采集到的障碍物图像进行处理、生成视图差，再利用双目测距原理对视图差进行分析，进而得出障碍物的距离信息。
S3、构建图像处理系统，将深度置信网络（Deep Belief Networks，DBN）与支持向量机（Support Vector Machine，SVM）算法相结合，构建并训练图像处理系统，系统整体的结构如图2所示。
此处需要重点说明的是，所述图像处理系统由深度学习方法中的深度置信网络与支持向量机算法结合而成，所述深度置信网络中最后一层隐含层的输出与所述支持向量机算法的输入相连，且所述图像处理系统采用无监督学习的方式完成训练。
所述深度置信网络是深度学习方法中最为常用的一种概率生成模型，由多层限制性玻尔兹曼机（Restricted Boltzmann Machine，RBM）构成，每层所述限制性玻尔兹曼机的结构如图3所示，其内部包含有隐含层与可见层。
所述图像处理系统的训练过程如图4所示，即：
S31、对系统进行初始化权重和偏置；
S32、采用无监督学习的方式训练一层所述限制性玻尔兹曼机，向已完成训练的所述限制性玻尔兹曼机加入标签，采用监督学习的方式调整该层所述限制性玻尔兹曼机的参数，随后利用调整后的一层所述限制性玻尔兹曼机作为下一层所述限制性玻尔兹曼机的可见层，依此类推，直至最后一层所述限制性玻尔兹曼机训练结束；
S33、将最后一层所述限制性玻尔兹曼机的输出作为所述支持向量机算法的输入，完成全部参数训练。
在所述图像处理系统的训练过程中，所采用的训练集为CIFAR-10自然场景库，所述训练集包含10类、共60000个32*32的彩色图像，由50000个训练图像和10000个测试图像组成。在本方案中还加入了一些生活中常见的场景，如椅子、垃圾箱、人等，以此来提高系统的实用性。
S4、障碍物识别，利用机器视觉技术将障碍物图像传送至所述图像处理系统中，完成对智能辅助驾驶中障碍物的识别。进一步而言，在本步骤中，利用机器视觉技术将障碍物图像传送至所述图像处理系统中、继而转成数字信号，所述深度置信网络通过交替进行的无监督和有监督学习过程对所获取的数字信号进行特征信息的提取，随后将所述深度置信网络最后一层隐含层的输出作为所述支持向量机算法的输入，对所提取的特征信息进行分类训练识别，最后采用模板匹配法完成对智能辅助驾驶中障碍物的识别。
为了验证本发明方法的有效性，研究人员在Microsoft Visual Studio 2012环境下进行了相关实验。
通过双目测距原理实验分析可知，当所测量的目标物体距离摄像机越近时，误差率越低。测试结果如表1所示。
表1测距结果
| 测试编号 | 实际距离/mm | 测量距离/mm | 误差率/% |
| 1 | 500 | 503.34 | 0.67 |
| 2 | 700 | 705.54 | 0.79 |
| 3 | 900 | 909.03 | 1.01 |
| 4 | 1100 | 1114.76 | 1.34 |
| 5 | 1300 | 1319.43 | 1.49 |
| 6 | 1500 | 1523.95 | 1.60 |
| 7 | 1700 | 1729.87 | 1.76 |
| 8 | 1900 | 1934.45 | 1.81 |
| 9 | 2100 | 2138.81 | 1.85 |
| 10 | 2300 | 2343.62 | 1.90 |
通过利用本发明中的图像处理系统对常见障碍物进行分类训练后的识别率和平均识别率如表2所示。
表2 5种常见障碍物的识别率和平均识别率
由表1、表2可知，本发明所提出的智能辅助驾驶中障碍物的识别方法具有较高的准确性，对智能辅助驾驶领域发展起到了推动作用。
本发明所提出的智能辅助驾驶中障碍物的识别方法，将机器视觉技术和深度学习技术进行了有机结合，综合利用了深度学习、SVM算法模型和双目测距原理，不仅能够实时且准确地确定道路环境中障碍物的距离信息，还实现了对障碍物的类别判断。
与现有技术相比，本发明的方法具有较高的准确性和实时性。且本发明的方法作为智能辅助驾驶的核心技术，其方法本身具有很强的指导意义，研究人员可以以本发明的技术方案为基础进行拓展延伸，将类似技术运用于同领域内的其他相关方案中，从而为今后基于障碍物识别技术的无人驾驶车辆、自主移动机器人与各种导航系统的最终实现奠定了基础。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种智能辅助驾驶中障碍物的识别方法，其特征在于，包括如下步骤：
S1、障碍物图像采集，利用双目摄像头对场景中的障碍物图像进行采集；
S2、障碍物距离分析，依据双目测距原理、结合所采集的障碍物图像进行分析，得到障碍物的距离信息；
S3、构建图像处理系统，将深度置信网络与支持向量机算法相结合，构建并训练图像处理系统；
S4、障碍物识别，利用机器视觉技术将障碍物图像传送至所述图像处理系统中，完成对智能辅助驾驶中障碍物的识别。
2.根据权利要求1所述的一种智能辅助驾驶中障碍物的识别方法，其特征在于，S1所述障碍物图像采集，包括如下步骤：模拟人类双眼视觉原理，利用双目摄像头采集同一障碍物在同一场景内的两幅障碍物图像，并结合神经网络算法对所采集的二维障碍物图像进行特征提取，得到障碍物图像中的信息。
3.根据权利要求1所述的一种智能辅助驾驶中障碍物的识别方法，其特征在于，S2所述障碍物距离分析，包括如下步骤：在OpenCV平台上通过BM算法对所采集到的障碍物图像进行处理、生成视图差，再利用双目测距原理对视图差进行分析，进而得出障碍物的距离信息。
4.根据权利要求1所述的一种智能辅助驾驶中障碍物的识别方法，其特征在于：所述图像处理系统由深度学习方法中的深度置信网络与支持向量机算法结合而成，所述深度置信网络中最后一层隐含层的输出与所述支持向量机算法的输入相连。
5.根据权利要求4所述的一种智能辅助驾驶中障碍物的识别方法，其特征在于：所述深度置信网络由多层限制性玻尔兹曼机构成，所述限制性玻尔兹曼机内包含有隐含层与可见层。
6.根据权利要求5所述的一种智能辅助驾驶中障碍物的识别方法，其特征在于：所述图像处理系统采用无监督学习的方式完成训练。
7.根据权利要求5所述的一种智能辅助驾驶中障碍物的识别方法，其特征在于，所述图像处理系统的训练过程包括如下步骤：
S31、对系统进行初始化权重和偏置；
S32、采用无监督学习的方式训练一层所述限制性玻尔兹曼机，向已完成训练的所述限制性玻尔兹曼机加入标签，采用监督学习的方式调整该层所述限制性玻尔兹曼机的参数，随后利用调整后的一层所述限制性玻尔兹曼机作为下一层所述限制性玻尔兹曼机的可见层，依此类推，直至最后一层所述限制性玻尔兹曼机训练结束；
S33、将最后一层所述限制性玻尔兹曼机的输出作为所述支持向量机算法的输入，完成全部参数训练。
8.根据权利要求7所述的一种智能辅助驾驶中障碍物的识别方法，其特征在于，在所述图像处理系统的训练过程中，所采用的训练集为CIFAR-10自然场景库，所述训练集包含10类、共60000个32*32的彩色图像，由50000个训练图像和10000个测试图像组成。
9.根据权利要求4所述的一种智能辅助驾驶中障碍物的识别方法，其特征在于，S4所述障碍物识别，包括如下步骤：利用机器视觉技术将障碍物图像传送至所述图像处理系统中、继而转成数字信号，所述深度置信网络通过交替进行的无监督和有监督学习过程对所获取的数字信号进行特征信息的提取，随后将所述深度置信网络最后一层隐含层的输出作为所述支持向量机算法的输入，对所提取的特征信息进行分类训练识别，最后采用模板匹配法完成对智能辅助驾驶中障碍物的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355495.9A CN111144279A (zh) | 2019-12-25 | 2019-12-25 | 一种智能辅助驾驶中障碍物的识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911355495.9A CN111144279A (zh) | 2019-12-25 | 2019-12-25 | 一种智能辅助驾驶中障碍物的识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111144279A true CN111144279A (zh) | 2020-05-12 |
Family
ID=70519936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911355495.9A Pending CN111144279A (zh) | 2019-12-25 | 2019-12-25 | 一种智能辅助驾驶中障碍物的识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144279A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418003A (zh) * | 2020-11-05 | 2021-02-26 | 湖南中联重科智能高空作业机械有限公司 | 工作平台障碍物识别方法、系统及防撞方法、系统 |
| CN113298019A (zh) * | 2021-06-11 | 2021-08-24 | 浙江理工大学 | 一种动物投喂提示装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529495A (zh) * | 2016-11-24 | 2017-03-22 | 腾讯科技（深圳）有限公司 | 一种飞行器的障碍物检测方法和装置 |
| CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
| CN109194612A (zh) * | 2018-07-26 | 2019-01-11 | 北京计算机技术及应用研究所 | 一种基于深度置信网络和svm的网络攻击检测方法 |
-
2019
- 2019-12-25 CN CN201911355495.9A patent/CN111144279A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529495A (zh) * | 2016-11-24 | 2017-03-22 | 腾讯科技（深圳）有限公司 | 一种飞行器的障碍物检测方法和装置 |
| CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
| CN109194612A (zh) * | 2018-07-26 | 2019-01-11 | 北京计算机技术及应用研究所 | 一种基于深度置信网络和svm的网络攻击检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418003A (zh) * | 2020-11-05 | 2021-02-26 | 湖南中联重科智能高空作业机械有限公司 | 工作平台障碍物识别方法、系统及防撞方法、系统 |
| CN112418003B (zh) * | 2020-11-05 | 2023-09-29 | 湖南中联重科智能高空作业机械有限公司 | 工作平台障碍物识别方法、系统及防撞方法、系统 |
| CN113298019A (zh) * | 2021-06-11 | 2021-08-24 | 浙江理工大学 | 一种动物投喂提示装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109597087B (zh) | 一种基于点云数据的3d目标检测方法 | |
| EP3633615A1 (en) | Deep learning network and average drift-based automatic vessel tracking method and system | |
| CN113936139B (zh) | 一种视觉深度信息与语义分割相结合的场景鸟瞰图重构方法及系统 | |
| CN102915039B (zh) | 一种仿动物空间认知的多机器人联合目标搜寻方法 | |
| CN107491071B (zh) | 一种智能多机器人协同测图系统及其方法 | |
| CN111402632B (zh) | 一种交叉口行人运动轨迹的风险预测方法 | |
| CN105005999A (zh) | 一种基于计算机立体视觉面向导盲仪的障碍物探测方法 | |
| CN102385690A (zh) | 基于视频图像的目标跟踪方法及系统 | |
| CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
| CN113327297B (zh) | 基于深度学习的深海海底障碍物测量系统与识别方法 | |
| CN115526864A (zh) | 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法 | |
| CN111144279A (zh) | 一种智能辅助驾驶中障碍物的识别方法 | |
| CN114004938A (zh) | 一种基于海量数据的城市场景重建方法及装置 | |
| Wang et al. | End-to-end self-driving approach independent of irrelevant roadside objects with auto-encoder | |
| CN104778699A (zh) | 一种自适应对象特征的跟踪方法 | |
| CN117523514A (zh) | 基于交叉注意力的雷达视觉融合数据目标检测方法及系统 | |
| CN116912404A (zh) | 用于动态环境下配电线路扫描的激光雷达点云建图方法 | |
| CN111339967A (zh) | 一种基于多视域图卷积网络的行人检测方法 | |
| CN111950524B (zh) | 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统 | |
| CN115719485A (zh) | 一种基于类别引导的路侧交通目标检测方法 | |
| CN114742975A (zh) | 一种车载图像铁轨曲线建模方法 | |
| Chen et al. | Towards bio-inspired place recognition over multiple spatial scales | |
| Tiwari et al. | Deep learning based lateral control system | |
| Chen et al. | YOLOv5-pothole: An improved pothole perception method based on YOLOv5-seg | |
| Chen | Research and Implementation of 3D Object Detection Based on Autonomous Driving Scenarios |
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: 20210204 Address after: Room 518, 5th floor, building 4, yard 5, Liangshuihe 2nd Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing aoyikesi Technology Co.,Ltd. Address before: 215000 south of Lianyang Road, east of Shunfeng Road, Wujiang Economic and Technological Development Zone, Suzhou City, Jiangsu Province Applicant before: SUZHOU AECS AUTOMOTIVE ELECTRONICS Co.,Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200512 |