CN111223320A - 基于v2i的低附路面智能驾驶安全控制方法 - Google Patents

基于v2i的低附路面智能驾驶安全控制方法 Download PDF

Info

Publication number
CN111223320A
CN111223320A CN202010098003.9A CN202010098003A CN111223320A CN 111223320 A CN111223320 A CN 111223320A CN 202010098003 A CN202010098003 A CN 202010098003A CN 111223320 A CN111223320 A CN 111223320A
Authority
CN
China
Prior art keywords
road
road surface
vehicle
equipment
low
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
Application number
CN202010098003.9A
Other languages
English (en)
Other versions
CN111223320B (zh
Inventor
朱国章
陈桢
黄洪荣
宋庆谱
陈君毅
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.)
SAIC Volkswagen Automotive Co Ltd
Original Assignee
SAIC Volkswagen Automotive 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 SAIC Volkswagen Automotive Co Ltd filed Critical SAIC Volkswagen Automotive Co Ltd
Priority to CN202010098003.9A priority Critical patent/CN111223320B/zh
Publication of CN111223320A publication Critical patent/CN111223320A/zh
Application granted granted Critical
Publication of CN111223320B publication Critical patent/CN111223320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/22—Parsing or analysis of headers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Atmospheric Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明揭示了一种基于V2I的低附路面智能驾驶安全控制方法，包括下述的步骤：由路侧设备采集路面的图像；由路侧设备对所采集的路面的图像进行处理；由路侧设备对处理结果数据进行编码生成报文；路侧设备向周围的预定范围内广播报文；进入到预定范围内的车辆通过车载的LTE‑V2X设备接收报文，并向路侧设备发布车辆的位置信息，如果车辆同时位于数个路侧设备的预定范围内，则车辆接收各个路侧设备广播的报文并融合所接收到的数个报文；车辆的智能驾驶控制设备对所接收的报文进行解析，根据解析的结果调整安全策略，安全策略与低附路面相关；上述步骤循环执行。

Description

基于V2I的低附路面智能驾驶安全控制方法
技术领域
本发明涉及智能交通领域，更具体地说，涉及智能驾驶技术中的安全控制技术。
背景技术
汽车智能化是汽车未来发展的方向和趋势。自动驾驶或者智能辅助驾驶正在快速的发展和普及。智能驾驶技术除了需要识别路况信息(其他交通参与者的状况)之外，还需要对路面状态进行识别。对于智能驾驶来说，路面状况的识别不再是简单的应用于ABS、EPS等汽车安全系统，也会被应用于自动驾驶汽车的感知规划系统、决策系统、执行系统的每一个环节。
路面状态的识别包括路面类型、路面状态、坡度、道路附着系数等参数，路面状态对车辆行驶安全有较大影响，尤其是路面状态与道路附着系数。道路附着系数低的低附路面(比如积水路面、结冰路面、潮湿路面)都是影响行车安全的高危路面。因此，能否提前获得车辆行驶前方道路的路面状态与路面附着系数，对自动驾驶或者智能辅助驾驶的行驶安全性至关重要。
对于人类驾驶者，由于人类大脑具有高度智慧，可以通过眼睛和周围环境信息来判断前方的道路的大致类别，是附着系数较高的干路面还是附着系数较低的湿滑路面，可以通过油门踏板，制动踏板，以及方向盘的配合使得车辆安全地通过该路段。但目前阶段智能驾驶汽车受限于感知系统功能局限和运算处理能有限，很难识别出前方的道路类别与道路附着系数。再加上汽车自身的视野有限，在行驶速度较快时，仅仅依靠车辆自身的探测来感知前方路面状态是不现实的，因此现有的智能驾驶方案中都无法提前获取车辆规划路径上的道路路面状态与道路附着系数。
发明内容
本发明旨在提出一种基于V2I技术的针对低附路面特性的提升智能驾驶安全性的方法。
根据本发明的一实施例，提出一种基于V2I的低附路面智能驾驶安全控制方法，包括下述的步骤：
S1：由路侧设备采集路面的图像，路面是低附路面；
S2：由路侧设备对所采集的路面的图像进行处理，生成处理结果数据；
S3：由路侧设备对处理结果数据进行编码，生成报文，报文为适用于LTE-V2X设备的报文；
S4：路侧设备向周围的预定范围内广播报文，并获取进入到预定范围内的车辆的位置信息；
S5：进入到预定范围内的车辆通过车载的LTE-V2X设备接收报文，并向路侧设备发布车辆的位置信息，如果车辆同时位于数个路侧设备的预定范围内，则车辆通过车载的LTE-V2X设备向各个路侧设备发布车辆的位置信息，接收各个路侧设备广播的报文并融合所接收到的数个报文；
S6：车辆的智能驾驶控制设备对所接收的报文进行解析，根据解析的结果调整安全策略，安全策略与低附路面相关；
其中步骤S1-S6循环执行。
在一个实施例中，低附路面是易积水或易结冰的路面，路侧设备布置在低附路面的周围，路侧设备包括：摄像头、LTE-V2X设备和数据处理器。摄像头是广角高清摄像头，摄像头对准低附路面以采集路面的图像。LTE-V2X设备与附近车辆进行通信，LTE-V2X设备具有蜂窝通信和直接通信两种通信模式，其中蜂窝通信使用LTE蜂窝网络，直接通信使用专用频谱。数据处理器对摄像头采集的路面的图像进行处理，计算道路附着系数的估计值并根据该估计值对路面进行分类，对道路附着系数的估计值和路面分类数据进行编码并生成适用于LTE-V2X设备的报文，该报文被提供给LTE-V2X设备由LTE-V2X设备进行广播。
在一个实施例中，路侧设备进行广播的预定范围是以路侧设备为圆心，半径为150m的圆形区域。
在一个实施例中，路侧设备的摄像头的安装高度不低于5m，视场角不低于100度，摄像头以不低于30帧/秒的频率获取椭圆形区域内的路面的图像。
在一个实施例中，在步骤S2中，由路侧设备对所采集的路面的图像进行处理，生成处理结果数据进一步包括：
S21：将摄像头获取的路面的图像，按照道路的车道划分进行区域分割，形成数个区域；
S22：针对各个区域，依据图像特征进行路面分类，并为各个区域计算该区域的道路附着系数的估计值；
S23：将各个区域与计算的该区域的道路附着系数的估计值相关联；
S24：对于进入到预定范围内的车辆，计算车辆与各个区域的实时距离，其中实时距离是根据车辆的位置信息、路侧设备的位置信息以及摄像头的探测范围计算，其中车辆的位置信息以不低于30HZ的频率进行更新。
在一个实施例中，在步骤22中，针对各个区域依据图像特征进行路面分类时，利用卷积神经网络对各个区域的图像进行特征学习，根据sigmoid激活函数和损失函数对各个区域进行路面分类，分成：干燥路面、潮湿路面和结冰路面；
损失函数为
Figure BDA0002385957380000031
其中ti＝l表示编号为ti的区域属于l类的路面分类的判别，
Figure BDA0002385957380000032
表示编号为ti的区域属于l类的路面分类的概率，当损失函数L最小时，所采集的全体图像对应全体区域类别的正确概率最大；
其中卷积神经网络经过训练集图像的训练，训练集图像来源于已有的图像集合，训练集图像中的路面图像被赋予路面分类标签，分类标签中包括道路附着系数，其中，干燥路面的附着系数的范围为0.6-0.7，潮湿路面的道路附着系数的范围为0.4-0.5，结冰路面的道路附着系数的范围为0.1-0.2。
在一个实施例中，在步骤S22中，为各个区域计算该区域的道路附着系数的估计值时，是基于深度学习，使用AlexNet模型在已经实现路面分类的基础上对各个区域的附着系数的估计值进行计算。
在一个实施例中，步骤S3中经编码生成的报文包括：路侧设备的唯一识别代号、路侧设备在的位置信息、进入到预定范围内的各车辆与各个区域的实时距离、低附路面的路面信息列表。其中低附路面的路面信息列表包括：按照道路的车道划分的区域、各个区域的路面分类、区域的道路附着系数的估计值。
在一个实施例中，步骤S5中，如果车辆同时位于数个路侧设备的预定范围内，则车辆接收各个路侧设备广播的报文并融合所接收到的数个报文，包括：多个路侧设备所探测的路面不重叠而是相邻时，各个路侧设备广播的报文进行拼接，获得相邻的路面的连续的路面信息列表。多个路侧设备所探测的路面重叠时，仅保留最先收到的路侧设备所广播的报文，基于最先收到的路侧设备的报文获得路面信息列表。
在一个实施例中，步骤S6中，与低附路面相关的安全策略包括：依据路面分类和道路附着系数的估计值调整当前车速；依据路面分类和道路附着系数的估计值变换车道；当存在其他交通参与者时，依据路面分类和道路附着系数的估计值调整当前车速以及与其他交通参与者之间的距离；车辆制动。
本发明的基于V2I技术的针对低附路面特性的提升智能驾驶安全性的方法具有以下优点：
本发明可以提前获取道路前方的路面状态与道路附着系数，并在该路面下执行相应的控制策略，避免因道路附着系数降低而引起的交通安全事故；
本发明用于检测路面附着系统的传感器及其计算服务器均在路侧设备中，无需要求车辆搭载额外的传感器和计算资源；
本发明的图像处理和路面附着系统计算在路侧设备上完成，LTE-V2X设备只需广播最终结果，减少了LTE-V2X广播信息量，适用于更大带宽范围的LTE-V2X设备；
本发明中一个路侧设备的路面附着系统计算结果可提供与该区域内多辆智能驾驶汽车的使用，实现信息共享，减少了车辆间的重复计算工作。
附图说明
图1揭示了根据本发明的一实施例的基于V2I的低附路面智能驾驶安全控制方法的执行过程。
图2揭示了实现本发明的基于V2I的低附路面智能驾驶安全控制方法的设备的示意图。
图3揭示了本发明的基于V2I的低附路面智能驾驶安全控制方法的工作原理。
图4揭示了根据本发明的一实施例的基于V2I的低附路面智能驾驶安全控制方法中使用的报文的一个组成示例。
图5揭示了根据本发明的一实施例的基于V2I的低附路面智能驾驶安全控制方法的实现场景的示意图。
图6揭示了应用本发明的基于V2I的低附路面智能驾驶安全控制方法的智能驾驶汽车的安全控制策略的执行过程。
具体实施方式
针对现有技术中无法提前获取车辆规划路径上的道路路面状态与道路附着系数的问题，本发明通过V2I技术，借助于设置在道路边的路侧设备(基础设施)来实现道路路面状态与道路附着系数的预知功能。架设在道路边的路侧设备可以设置在较高的位置，持续观察路面的实时状态，将实时状态转换为数据并编码后以广播的方式在一定范围内发送。利用V2I(车辆与基础设施通信)技术，使得靠近路测设备的车辆都能够预先从路侧设备处获得关于前方道路的路面状态与道路附着系数，并结合车辆自身的位置、车速等及时做出驾驶策略的调整，在必要时介入安全策略，以提升智能辅助驾驶或者自动驾驶车辆的安全性。
在本发明的实施例中，路侧设备布置在低附路面的周围，低附路面是易积水或易结冰的路面。在一个实施例中，路侧设备包括：摄像头、LTE-V2X设备和数据处理器。
为了获得尽可能大的探测区域，需要使用广角摄像头。由于在后续的处理中需要进行图像特征提取并且基于图像进行神经网络的学习，因此对于图像清晰度有较高的要求，需要使用高清摄像头。两个要求综合，路侧设备的摄像头通常会使用广角高清摄像头，摄像头对准低附路面以采集路面的图像。在一个实施例中路侧设备的摄像头的安装高度不低于5m，视场角不低于100度，摄像头以不低于30帧/秒的频率获取椭圆形区域内的路面的图像。摄像头的探测区域是一个椭圆形区域，一个示例性的设置中，该椭圆形区域的长轴为50m、短轴为25m。摄像头检测区域的长轴、短轴如果过大，所采集的图像中路面状态的有效特征点覆盖率就会较低，会增大路面附着系数预测的难度。如果摄像头检测区域的长轴、短轴过小，又会导致检测区域过小，有时难以覆盖具有多车道的较宽路面，造成摄像头与路面宽度不匹配。因此，摄像头检测区域长短轴大小需要根据实际情况设定，通常以覆盖路面宽度为参考，与探测区域的路面面积相匹配。
LTE-V2X设备用于与附近车辆进行通信。LTE-V2X设备具有蜂窝通信和直接通信两种通信模式，其中蜂窝通信使用LTE蜂窝网络，直接通信使用专用频谱。LTE-V2X设备是基于LTE移动通信技术演进形成的V2X车联网无线通信技术，具有蜂窝通信(Uu)和直接通信(PC5)两种工作模式。其中，蜂窝通信模式借助已有的LTE蜂窝网络，LTE蜂窝网络基于移动通信的长期演进协议，包括4G、5G以及正在开发中的下一代移动通信技术网络，可以支持高带宽、广覆盖、长距离的通信连接。直接通信模式既可以在网络覆盖内工作又可以在网络覆盖外工作，直接通信模式使用5.9GHz附近的ITS专用频谱进行终端设备之间的直接通信。在实现本发明的方法时，在路侧设备和车辆上都会配置LTE-V2X设备，通过LTE-V2X设备车辆可以向路侧设备提供车辆的位置信息，而路侧设备可以以报文的方式向车辆提供前方路段的路面状况和道路附着系数的信息。在一个实施例中，路侧设备的LTE-V2X设备的通信范围是以路侧设备为圆心，半径为150m的圆形区域。路侧设备的LTE-V2X设备会对以路侧设备为圆心，半径为150m的圆形区域内进行广播。同时，进入到该范围内的车辆也可以通过车载的LTE-V2X设备与路侧设备进行通信。
数据处理器对摄像头采集的路面的图像进行处理，计算道路附着系数的估计值并根据该估计值对路面进行分类，对道路附着系数的估计值和路面分类数据进行编码并生成适用于LTE-V2X设备的报文，该报文被提供给LTE-V2X设备由LTE-V2X设备进行广播。在一个实施例中，数据处理器包括图像处理模块、卷积神经网络模块、基于深度学习的AlexNet模型模块、数据编码模块等功能模块。这些功能模块可以以硬件形式实现，也可以以软件形式嵌入在硬件或者处理器芯片中实现。
图5揭示了根据本发明的一实施例的基于V2I的低附路面智能驾驶安全控制方法的实现场景的示意图。在图5中示出了以路侧设备为圆心，半径为150m的圆形区域的通信范围501，以及椭圆形的路侧设备的探测范围502。路侧设备的附图标记为503，行驶在道路上的车辆的附图标记为504。
图1揭示了根据本发明的一实施例的基于V2I的低附路面智能驾驶安全控制方法的执行过程。参考图1所示，该基于V2I的低附路面智能驾驶安全控制方法包括如下的步骤：
S1：由路侧设备采集路面的图像。其中该路面是低附路面。在一个实施例中，低附路面是易积水或易结冰的路面，不同程度的积水会使得路面附着力降低，而结冰的路面更是会使得路面附着力显著下降。路面的图像的采集是由路侧设备中的摄像头执行。执行步骤S1的摄像头要求能够以较高的频率和较广的视角采集道路图像等信息，这一要求在雨雪天显得格外重要，比如刚下雨时的路面和被雨水大量冲刷的路面的附着系数是不一样的，且各个路面区域的附着系数是不同的，刚下雪时的路面和经过车辆轧行过的雪路，路面信息又是有很大的不同的。摄像头的采集帧率不低于30帧/秒，检测范围为椭圆形区域，为了保证探测范围，选用的摄像头的视场角不低于100度，安装高度不低于5m。
S2：由路侧设备对所采集的路面的图像进行处理，生成处理结果数据。在一个实施例中，该步骤S2进一步包括下述的子步骤：
S21：将摄像头获取的路面的图像，按照道路的车道划分进行区域分割，形成数个区域。
S22：针对各个区域，依据图像特征进行路面分类，并为各个区域计算该区域的道路附着系数的估计值。在步骤S22中，针对各个区域依据图像特征进行路面分类时，利用卷积神经网络对各个区域的图像进行特征学习，根据sigmoid激活函数和损失函数对各个区域进行路面分类，分成：干燥路面、潮湿路面和结冰路面。损失函数为
Figure BDA0002385957380000071
其中ti＝l表示编号为ti的区域属于l类的路面分类的判别，
Figure BDA0002385957380000072
表示编号为ti的区域属于l类的路面分类的概率，当损失函数L最小时，所采集的全体图像对应全体区域类别的正确概率最大。卷积神经网络经过训练集图像的训练，训练集图像来源于已有的图像集合，训练集图像中的路面图像被赋予路面分类标签，分类标签中包括道路附着系数，其中，干燥路面的附着系数的范围为0.6-0.7，潮湿路面的道路附着系数的范围为0.4-0.5，结冰路面的道路附着系数的范围为0.1-0.2。
在路面分类之后再为各个区域计算道路附着系数的估计值，在一个实施例中，为各个区域计算该区域的道路附着系数的估计值时，是基于深度学习，使用AlexNet模型在已经实现路面分类的基础上对各个区域的附着系数的估计值进行计算。由于在之前卷积神经网络进行区域的路面分类时，每个路面区域类别对应的路面峰值附着系数已经标记好，在实际进行网络学习时，最终的到的结果使用sigmoid函数实现激活，由于sigmoid函数是连续函数，经过激活后得到的值作为区域倾向于某一类别的概率，如识别的某一路面区域是介于潮湿和干燥类别。尽管前述卷积神经网络按照sigmoid函数激活值较大的类别分类，但是计算峰值附着系数是还是采用交叉验证的方法以获得较为精确地估计值。在经过基于深度学习的AlexNet模型估算之后，能够获得较为精确的路面附着系数的估计值。
S23：将各个区域与计算的该区域的道路附着系数的估计值相关联。步骤S23可以理解为建立低附路面的路面信息列表，该路面信息列表包括：按照道路的车道划分的区域、各个区域的路面分类、区域的道路附着系数的估计值。将区域、区域分类和道路附着系数的估计值填入表格中，将区域和路面分类以及道路附着系数相关联。
S24：对于进入到预定范围内的车辆，计算车辆与各个区域的实时距离，其中实时距离是根据车辆的位置信息、路侧设备的位置信息以及摄像头的探测范围计算，其中车辆的位置信息以不低于30HZ的频率进行更新。如前面所描述的，预定范围是指以路侧设备为圆心，半径为150m的圆形区域。车辆的位置信息和路侧设备的位置信息可以使用GPS定位坐标、北斗定位坐标等。在一个实施例中，由于路侧设备是固定位置的基础设施，所以可以预先在车载的电子地图或者下载的电子地图上标注路侧设备的坐标位置。
步骤S2由路侧设备中的摄像头、LTE-V2X设备和数据处理器共同执行。
S3：由路侧设备对处理结果数据进行编码，生成报文，报文为适用于LTE-V2X设备的报文。在一个实施例中，步骤S3中经编码生成的报文包括下述的信息：路侧设备的唯一识别代号、路侧设备在的位置信息、进入到预定范围内的各车辆与各个区域的实时距离、低附路面的路面信息列表。在一个实施例中，低附路面的路面信息列表包括：按照道路的车道划分的区域、各个区域的路面分类、区域的道路附着系数的估计值。图4揭示了根据本发明的一实施例的基于V2I的低附路面智能驾驶安全控制方法中使用的报文的一个组成示例。如图4所示，报文的一个组成示例如下：
路侧设备识别代号(ID)，每个路侧设备采用唯一的识别代号；
路侧设备位置，是指路侧设备在全局高清地图中的位置坐标；
车辆距低附路段的绝对距离，也就是步骤S24中计算的实时距离；
各个路面区域附着系数信息所组成的列表，该列表的格式为：
车道代号，按照顺序依次排列的车道代号；
车道路段的路面区域X序号，或者也称为车道路段的路面区域X代号；
路面区域X的附着系数估计值，附着系数估计值在步骤S23中计算获得；
路面区域X的类别代号，即路面区域的路面分类，在一个实施例中，路面分类可以包括：干燥路面、潮湿路面和结冰路面。在另一个实施例中，路面分类可以更加细分为：干燥路面、潮湿路面、积水路面、结冰路面、泥浆路面。路面分类可以被赋予专门的符号或者图标；
路面区域X的边界角点坐标。
S4：路侧设备向周围的预定范围内广播报文，并获取进入到预定范围内的车辆的位置信息。如前面所描述的额，在步骤S4中，路侧设备的LTE-V2X设备会对以路侧设备为圆心，半径为150m的圆形区域内进行广播。同时，进入到该范围内的车辆也可以通过车载的LTE-V2X设备与路侧设备进行通信。车辆接收路侧设备广播的报文，路侧设备接收车辆的位置信息，为车辆计算与低附路面的实施距离。为了确保数据的实时性，路侧设备与车辆的交互频率不低于30HZ。
S5：进入到预定范围内的车辆通过车载的LTE-V2X设备接收报文，并向路侧设备发布车辆的位置信息，如果车辆同时位于数个路侧设备的预定范围内，则车辆通过车载的LTE-V2X设备向各个路侧设备发布车辆的位置信息，接收各个路侧设备广播的报文并融合所接收到的数个报文。在一个实施例中，在步骤S5中，如果车辆同时位于数个路侧设备的预定范围内，则车辆接收各个路侧设备广播的报文并融合所接收到的数个报文，包括：
多个路侧设备所探测的路面不重叠而是相邻时，各个路侧设备广播的报文进行拼接，获得相邻的路面的连续的路面信息列表。具体而言，车辆通过接受来自多个路侧设备的信息，对所得到的路面信息进行整合，得到接收设备能够探测到的低附路段各个路面区域的类别，进而得到该路段全部附着系数，通过边界角点坐标得出不同路面区域附着系数的分布。边界角点坐标为广角高清摄像头所拍摄的区域与各车道的边界点的坐标。
多个路侧设备所探测的路面重叠时，仅保留最先收到的路侧设备所广播的报文，基于最先收到的路侧设备的报文获得路面信息列表。
S6：车辆的智能驾驶控制设备对所接收的报文进行解析，根据解析的结果调整安全策略，安全策略与低附路面相关。在一个实施例中，步骤S6中，与低附路面相关的安全策略包括：
依据路面分类和道路附着系数的估计值调整当前车速；
依据路面分类和道路附着系数的估计值变换车道；
当存在其他交通参与者时，依据路面分类和道路附着系数的估计值调整当前车速以及与其他交通参与者之间的距离；
车辆制动。
在实际的实现过程中，上述的步骤S1-S6循环执行。
图2和图3揭示了实现发明的基于V2I的低附路面智能驾驶安全控制方法的设备和工作原理的示意图。参考图2所示，实现本发明的基于V2I的低附路面智能驾驶安全控制方法的设备包括路侧设备201和车辆202。路侧设备201包括摄像头211、LTE-V2X设备212和数据处理器213。数据处理器213包括图像处理模块、卷积神经网络模块、基于深度学习的AlexNet模型模块、数据编码模块等功能模块。车辆202包括自动驾驶设备221、车载LTE-V2X设备222和车辆底盘控制设备223。LTE-V2X设备212和车载LTE-V2X设备222进行通信，其中的主要通信方向是由LTE-V2X设备212向车载LTE-V2X设备222进进行广播。自动驾驶设备221和车辆底盘控制设备223根据广播报文中获取的路面状况和路面附着力估计值进行相应的按安全策略控制。比如通过车辆的底层控制系统增大附着系数的利用率，从而在紧急状态或极限工况下更能充分利用轮胎力使得车辆处于稳定区域内，或者通过停车或换道的方式保障行驶的安全性。
图3是本发明的基于V2I的低附路面智能驾驶安全控制方法的工作原理。道路的信息由路侧设备201获取，通过摄像头211、LTE-V2X设备212和数据处理器213的处理后被发送给车辆。车辆的车载LTE-V2X设备222接收报文后，自动驾驶设备中的感知模块231、决策规划模块232和控制执行模块233根据路面状况和道路附着力的估计值应用安全策略并指示底盘控制设备动作。
下面结合图6介绍一个实例，图6揭示了应用本发明的基于V2I的低附路面智能驾驶安全控制方法的智能驾驶汽车的安全控制策略的执行过程。如图6所示，一辆智能驾驶汽车驶入低附路段，该低附路段的附近设置有路侧设备，本发明的基于V2I的低附路面智能驾驶安全控制方法被执行如下：
601、图像采集：路侧设备上的广角高清摄像头对该路段的道路进行图像采集。
602、路面类型识别与各车道附着系数均值ux估计：路侧设备上的信息处理器对高清摄像头采集到的信息进行处理，判断出该路段道路区域的类别，以及得出对应的各车道区域的附着系数估计值ux。其中，x表示相应车道。
603、报文编码：路侧设备上的信息处理器对以上信息进行编码，生成供LTE-V2X设备的广播报文。
604、报文广播：路侧设备通过LTE-V2X设备处理后的信息广播给附近车辆。
605、报文接收：智能驾驶汽车上的通信单元接收到路侧设备的广播信号，得知前方道路信息，以及各道路区域的附着系数估计值ux。
606、判断各车道附着系数估计值ux之间的差异，即判断各车道附着系数估计值ux之间的差值与a的大小关系，a是预先设定的判断阈值。若各车道附着系数估计值ux之间差值大于a，那么在满足变道要求下进行变道，若该道路不可变道，则提前减速至该道路最低限速值。上述车道附着系数估计值ux之间差值大于a，则意味着该监测道路区域存在坑洼路面，在雨雪天气后该坑洼区域易形成积水或结冰，使得各车道附着系数估计值ux之间差值大于a。因此，在各车道附着系数估计值ux之间差值大于a时，在可变道情况下选择变道以避开坑洼区域，提高驾驶安全性。
607、各车道附着系数估计值ux之间差值小于a，则意味着各车道路面情况基本一致。再判断各车道附着系数估计值ux的均值与A的大小关系，A是预先设定的判断阈值。若各车道附着系数估计值ux的均值小于A，则意味着该道路区域整体的附着系数较低，为湿滑路面、雨雪路面或者结冰路面等附着系数较低的路面类型。此时，智能驾驶汽车的决策规划系统应根据接收到的道路信息调整相应车速，并增大决策系统中的安全距离s，当车辆行驶在该低附路面区域内遇到交通参与者时能够实现安全变道或刹车，从而使得车辆安全的通过低附路面。以正常路面的道路附着系数u0为例，当前车速下，若当前路面的附着系数较低引起的安全刹车距离增大量s1不足10米时，汽车决策系统中的安全距离s的增加量为s1。若s1大于10米，汽车决策系统中的安全距离s增大10米，同时降低当前车速v0为v，使得车速v满足：
Figure BDA0002385957380000111
u为车辆行驶道路下的附着系数；
使得车辆在制动时避免与障碍物发生碰撞。
如果各车道附着系数估计值ux之间差值小于a且ux的均值大于A，则该道路为正常道路，智能驾驶汽车行驶中没有因道路附着系数较低而引发的碰撞风险。因此，智能驾驶汽车按照原自动驾驶控制策略行驶。
本发明的基于V2I技术的针对低附路面特性的提升智能驾驶安全性的方法具有以下优点：
本发明可以提前获取道路前方的路面状态与道路附着系数，并在该路面下执行相应的控制策略，避免因道路附着系数降低而引起的交通安全事故；
本发明用于检测路面附着系统的传感器及其计算服务器均在路侧设备中，无需要求车辆搭载额外的传感器和计算资源；
本发明的图像处理和路面附着系统计算在路侧设备上完成，LTE-V2X设备只需广播最终结果，减少了LTE-V2X广播信息量，适用于更大带宽范围的LTE-V2X设备；
本发明中一个路侧设备的路面附着系统计算结果可提供与该区域内多辆智能驾驶汽车的使用，实现信息共享，减少了车辆间的重复计算工作。
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。上述实施例是提供给熟悉本领域内的人员来实现或使用本发明的，熟悉本领域的人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变化，因而本发明的保护范围并不被上述实施例所限，而应该是符合权利要求书提到的创新性特征的最大范围。

Claims (10)

1.基于V2I的低附路面智能驾驶安全控制方法，其特征在于，包括：
S1：由路侧设备采集路面的图像，所述路面是低附路面；
S2：由路侧设备对所采集的路面的图像进行处理，生成处理结果数据；
S3：由路侧设备对处理结果数据进行编码，生成报文，所述报文为适用于LTE-V2X设备的报文；
S4：路侧设备向周围的预定范围内广播报文，并获取进入到预定范围内的车辆的位置信息；
S5：进入到所述预定范围内的车辆通过车载的LTE-V2X设备接收所述报文，并向路侧设备发布车辆的位置信息，如果车辆同时位于数个路侧设备的预定范围内，则车辆通过车载的LTE-V2X设备向各个路侧设备发布车辆的位置信息，接收各个路侧设备广播的报文并融合所接收到的数个报文；
S6：车辆的智能驾驶控制设备对所接收的报文进行解析，根据解析的结果调整安全策略，所述安全策略与低附路面相关；
所述步骤S1-S6循环执行。
2.如权利要求1所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，所述低附路面是易积水或易结冰的路面，所述路侧设备布置在低附路面的周围，所述路侧设备包括：
摄像头，所述摄像头是广角高清摄像头，摄像头对准低附路面以采集路面的图像；
LTE-V2X设备，与附近车辆进行通信，所述LTE-V2X设备具有蜂窝通信和直接通信两种通信模式，其中蜂窝通信使用LTE蜂窝网络，直接通信使用专用频谱；
数据处理器，数据处理器对摄像头采集的路面的图像进行处理，计算道路附着系数的估计值并根据该估计值对路面进行分类，对道路附着系数的估计值和路面分类数据进行编码并生成适用于LTE-V2X设备的报文，该报文被提供给LTE-V2X设备由LTE-V2X设备进行广播。
3.如权利要求2所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，路侧设备进行广播的预定范围是以路侧设备为圆心，半径为150m的圆形区域。
4.如权利要求2所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，路侧设备的摄像头的安装高度不低于5m，视场角不低于100度，摄像头以不低于30帧/秒的频率获取椭圆形区域内的路面的图像。
5.如权利要求2所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，所述步骤S2，由路侧设备对所采集的路面的图像进行处理，生成处理结果数据进一步包括：
S21：将摄像头获取的路面的图像，按照道路的车道划分进行区域分割，形成数个区域；
S22：针对各个区域，依据图像特征进行路面分类，并为各个区域计算该区域的道路附着系数的估计值；
S23：将各个区域与计算的该区域的道路附着系数的估计值相关联；
S24：对于进入到所述预定范围内的车辆，计算车辆与各个区域的实时距离，其中所述实时距离是根据车辆的位置信息、路侧设备的位置信息以及摄像头的探测范围计算，其中车辆的位置信息以不低于30HZ的频率进行更新。
6.如权利要求5所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，所述步骤22中，针对各个区域依据图像特征进行路面分类时，利用卷积神经网络对各个区域的图像进行特征学习，根据sigmoid激活函数和损失函数对各个区域进行路面分类，分成：干燥路面、潮湿路面和结冰路面；
损失函数为
Figure FDA0002385957370000021
其中ti＝l表示编号为ti的区域属于l类的路面分类的判别，
Figure FDA0002385957370000022
表示编号为ti的区域属于l类的路面分类的概率，当损失函数L最小时，所采集的全体图像对应全体区域类别的正确概率最大；
其中所述卷积神经网络经过训练集图像的训练，训练集图像来源于已有的图像集合，训练集图像中的路面图像被赋予路面分类标签，分类标签中包括道路附着系数，其中，干燥路面的附着系数的范围为0.6-0.7，潮湿路面的道路附着系数的范围为0.4-0.5，结冰路面的道路附着系数的范围为0.1-0.2。
7.如权利要求6所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，所述步骤S22中，为各个区域计算该区域的道路附着系数的估计值时，是基于深度学习，使用AlexNet模型在已经实现路面分类的基础上对各个区域的附着系数的估计值进行计算。
8.如权利要求5所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，所述步骤S3中经编码生成的报文包括：
路侧设备的唯一识别代号、路侧设备在的位置信息、进入到预定范围内的各车辆与各个区域的实时距离、低附路面的路面信息列表；
其中所述低附路面的路面信息列表包括：按照道路的车道划分的区域、各个区域的路面分类、区域的道路附着系数的估计值。
9.如权利要求8所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，步骤S5中，如果车辆同时位于数个路侧设备的预定范围内，则车辆接收各个路侧设备广播的报文并融合所接收到的数个报文，包括：
多个路侧设备所探测的路面不重叠而是相邻时，各个路侧设备广播的报文进行拼接，获得相邻的路面的连续的路面信息列表；
多个路侧设备所探测的路面重叠时，仅保留最先收到的路侧设备所广播的报文，基于最先收到的路侧设备的报文获得路面信息列表。
10.如权利要求8所述的基于V2I的低附路面智能驾驶安全控制方法，其特征在于，步骤S6中，所述与低附路面相关的安全策略包括：
依据路面分类和道路附着系数的估计值调整当前车速；
依据路面分类和道路附着系数的估计值变换车道；
当存在其他交通参与者时，依据路面分类和道路附着系数的估计值调整当前车速以及与其他交通参与者之间的距离；
车辆制动。
CN202010098003.9A 2020-02-18 2020-02-18 基于v2i的低附路面智能驾驶安全控制方法 Active CN111223320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010098003.9A CN111223320B (zh) 2020-02-18 2020-02-18 基于v2i的低附路面智能驾驶安全控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010098003.9A CN111223320B (zh) 2020-02-18 2020-02-18 基于v2i的低附路面智能驾驶安全控制方法

Publications (2)

Publication Number Publication Date
CN111223320A true CN111223320A (zh) 2020-06-02
CN111223320B CN111223320B (zh) 2021-09-24

Family

ID=70828322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010098003.9A Active CN111223320B (zh) 2020-02-18 2020-02-18 基于v2i的低附路面智能驾驶安全控制方法

Country Status (1)

Country Link
CN (1) CN111223320B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111726784A (zh) * 2020-06-10 2020-09-29 桑德科技(重庆)有限公司 一种基于v2x的车辆行驶安全管理方法
CN111860322A (zh) * 2020-07-20 2020-10-30 吉林大学 一种基于多源传感器信息融合的非结构化路面类型识别方法
CN112304633A (zh) * 2020-10-20 2021-02-02 同济大学 一种路面湿滑状态下汽车制动安全性风险识别方法
CN114537070A (zh) * 2022-02-15 2022-05-27 辽宁工业大学 一种用于悬架控制的汽车行驶前方路面等级智能感知方法
CN114724371A (zh) * 2022-04-11 2022-07-08 哈尔滨理工大学 一种基于车载自组网的驾驶辅助方法
CN115909787A (zh) * 2023-02-06 2023-04-04 山东科技大学 一种路面破损情况的预警方法、设备及介质

Citations (15)

* Cited by examiner, † Cited by third party
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
CN102723001A (zh) * 2012-06-08 2012-10-10 长安大学 弯道转向车速安全状态预警的速度反馈标志系统的实现方法
WO2014007286A1 (ja) * 2012-07-03 2014-01-09 クラリオン株式会社 状態認識システム及び状態認識方法
CN106781231A (zh) * 2017-01-25 2017-05-31 西安纳兴电子科技有限公司 自主式道路结冰积雪消融系统及方法
CN106870180A (zh) * 2017-01-13 2017-06-20 北京小米移动软件有限公司 自动启停功能的关闭方法及装置
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
CN107993453A (zh) * 2017-12-28 2018-05-04 武汉理工大学 一种基于车路协同的弯道安全车速计算方法
CN108045376A (zh) * 2017-11-30 2018-05-18 广州小鹏汽车科技有限公司 一种基于路面附着能力的车辆控制方法、系统及汽车
DE102017010746A1 (de) * 2017-11-21 2018-07-12 Daimler Ag Verfahren zum Ausweichen eines Fahrzeuges
CN109255288A (zh) * 2018-07-23 2019-01-22 深圳市科思创动科技有限公司 一种路面破损检测方法、装置及终端设备
CN109756544A (zh) * 2018-01-23 2019-05-14 启迪云控(北京)科技有限公司 基于云控平台的车辆协同感知控制、订阅方法、装置以及系统
DE102018108349A1 (de) * 2018-04-09 2019-10-10 Jacobs University Bremen Ggmbh Vorrichtung zum Detektieren einer Eisbildungswahrscheinlichkeit oder der Eisbildung auf einer Fahrbahn einer Straße
CN110322690A (zh) * 2019-06-17 2019-10-11 西北工业大学 一种下沉路段积水状况监测预警系统及其预测预警方法
CN110446278A (zh) * 2019-07-30 2019-11-12 同济大学 基于v2i的智能驾驶汽车传感器盲区安全控制方法及系统
CN110595499A (zh) * 2019-09-26 2019-12-20 北京四维图新科技股份有限公司 变道提醒方法、装置和系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
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
CN102723001A (zh) * 2012-06-08 2012-10-10 长安大学 弯道转向车速安全状态预警的速度反馈标志系统的实现方法
WO2014007286A1 (ja) * 2012-07-03 2014-01-09 クラリオン株式会社 状態認識システム及び状態認識方法
CN106870180A (zh) * 2017-01-13 2017-06-20 北京小米移动软件有限公司 自动启停功能的关闭方法及装置
CN106781231A (zh) * 2017-01-25 2017-05-31 西安纳兴电子科技有限公司 自主式道路结冰积雪消融系统及方法
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
DE102017010746A1 (de) * 2017-11-21 2018-07-12 Daimler Ag Verfahren zum Ausweichen eines Fahrzeuges
CN108045376A (zh) * 2017-11-30 2018-05-18 广州小鹏汽车科技有限公司 一种基于路面附着能力的车辆控制方法、系统及汽车
CN107993453A (zh) * 2017-12-28 2018-05-04 武汉理工大学 一种基于车路协同的弯道安全车速计算方法
CN109756544A (zh) * 2018-01-23 2019-05-14 启迪云控(北京)科技有限公司 基于云控平台的车辆协同感知控制、订阅方法、装置以及系统
DE102018108349A1 (de) * 2018-04-09 2019-10-10 Jacobs University Bremen Ggmbh Vorrichtung zum Detektieren einer Eisbildungswahrscheinlichkeit oder der Eisbildung auf einer Fahrbahn einer Straße
CN109255288A (zh) * 2018-07-23 2019-01-22 深圳市科思创动科技有限公司 一种路面破损检测方法、装置及终端设备
CN110322690A (zh) * 2019-06-17 2019-10-11 西北工业大学 一种下沉路段积水状况监测预警系统及其预测预警方法
CN110446278A (zh) * 2019-07-30 2019-11-12 同济大学 基于v2i的智能驾驶汽车传感器盲区安全控制方法及系统
CN110595499A (zh) * 2019-09-26 2019-12-20 北京四维图新科技股份有限公司 变道提醒方法、装置和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
康渴楠: ""基于视觉的智能车辆行驶道路附着状态判断研究"", 《万方数据库》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111726784A (zh) * 2020-06-10 2020-09-29 桑德科技(重庆)有限公司 一种基于v2x的车辆行驶安全管理方法
CN111860322A (zh) * 2020-07-20 2020-10-30 吉林大学 一种基于多源传感器信息融合的非结构化路面类型识别方法
CN111860322B (zh) * 2020-07-20 2022-10-11 吉林大学 一种基于多源传感器信息融合的非结构化路面类型识别方法
CN112304633A (zh) * 2020-10-20 2021-02-02 同济大学 一种路面湿滑状态下汽车制动安全性风险识别方法
CN114537070A (zh) * 2022-02-15 2022-05-27 辽宁工业大学 一种用于悬架控制的汽车行驶前方路面等级智能感知方法
CN114537070B (zh) * 2022-02-15 2024-04-16 辽宁工业大学 一种用于悬架控制的汽车行驶前方路面等级智能感知方法
CN114724371A (zh) * 2022-04-11 2022-07-08 哈尔滨理工大学 一种基于车载自组网的驾驶辅助方法
CN115909787A (zh) * 2023-02-06 2023-04-04 山东科技大学 一种路面破损情况的预警方法、设备及介质

Also Published As

Publication number Publication date
CN111223320B (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN111223320B (zh) 基于v2i的低附路面智能驾驶安全控制方法
CN111695418A (zh) 一种基于道路状况检测而进行安全驾驶的方法及系统
CN110446278B (zh) 基于v2i的智能驾驶汽车传感器盲区安全控制方法及系统
US10976737B2 (en) Systems and methods for determining safety events for an autonomous vehicle
EP3410418B1 (en) Vehicle travel control method and vehicle travel control device
CN107993453B (zh) 一种基于车路协同的弯道安全车速计算方法
CN111201787B (zh) 成像装置、图像处理装置和图像处理方法
CN111994068B (zh) 一种基于智能轮胎触觉感知的智能驾驶汽车控制系统
CN103745603B (zh) 一种右转车道车路协同信号控制方法及系统
CN104417561A (zh) 情境感知威胁响应判定
US11496707B1 (en) Fleet dashcam system for event-based scenario generation
CN111204340A (zh) 用于控制自主车辆的系统和方法
CN112703724A (zh) 信息处理装置和信息处理方法、成像装置、移动设备和计算机程序
US10977503B2 (en) Fault isolation for perception systems in autonomous/active safety vehicles
CN111532254A (zh) 用于控制自主车辆的系统和方法
WO2021065626A1 (ja) 交通制御システム、交通制御方法及び制御装置
CN114765973A (zh) 用于交通工具的自动驾驶的方法和系统
CN114424265A (zh) 信号处理设备、信号处理方法、程序和移动设备
CN115668285A (zh) 信息处理装置、信息处理方法、信息处理系统及程序
CN111319610A (zh) 用于控制自主车辆的系统和方法
JP7528927B2 (ja) 情報処理装置および情報処理方法
CN113614782A (zh) 信息处理装置、信息处理方法和程序
CN116564084A (zh) 一种基于纯路端感知的网联式辅助驾驶控制方法及系统
US12014552B2 (en) Intelligent vehicle systems and control logic for incident prediction and assistance in off-road driving situations
US11932242B1 (en) Fleet dashcam system for autonomous vehicle operation

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