CN111650604B - 利用精确定位实现自我车辆和周边障碍物精确探知的方法 - Google Patents
利用精确定位实现自我车辆和周边障碍物精确探知的方法 Download PDFInfo
- Publication number
- CN111650604B CN111650604B CN202010634468.1A CN202010634468A CN111650604B CN 111650604 B CN111650604 B CN 111650604B CN 202010634468 A CN202010634468 A CN 202010634468A CN 111650604 B CN111650604 B CN 111650604B
- Authority
- CN
- China
- Prior art keywords
- point
- vehicle
- points
- matching
- road
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种利用精确定位实现自我车辆和周边障碍物精确探知的方法。本发明利用路侧设备向所有机动车辆广播道路的探测信息,位于目标区域的所有机动车辆共享一个高线束的激光雷达,所有机动车辆都可以利用该激光雷达来替代原本应该安装在机动车辆上的激光雷达,而包含有激光雷达的路侧设备的费用无需机动车辆的用户来承担。采用上述方案后,机动车辆可以仅通过安装一个测距摄像机或微波雷达或者低线束的激光雷达来替代原有的高线束的激光雷达,从而可以大幅降低车辆改装成本,同时,又可以确保例如运算单元之类的用于实现自动驾驶的设备可以获得准确的数据,实现自动驾驶功能。
Description
技术领域
本发明涉及一种能够实现对自我车辆及周边障碍物进行定位从而辅助实现无人驾驶的方法。
背景技术
无人驾驶技术依赖于自动驾驶汽车,现有的自动驾驶汽车依靠人工智能、视觉计算、激光雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆。其中,激光雷达相当于车辆的眼睛,是实现自动驾驶必不可少的硬件设备。激光雷达,是以发射激光束探测目标的位置、速度等特征量的雷达系统。其工作原理是向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较,作适当处理后,就可获得点位信息。一个点位代表激光雷达探测到的一个物体,可以是机动车辆,也可以是非机动车辆、行人或者是路面上的障碍物等。而探测到车辆行驶路径上的物体后,就可以利用人工智能、视觉计算等对自动车辆的行驶路线及机动车辆的行驶状态进行提前规划模仿驾驶员对车辆的操作,实现无人驾驶。
由上文可知,在现有技术方案中,自动驾驶汽车所采用的激光雷达的探测距离是实现无人驾驶的一个关键因素,探测距离越长所探测的物体越多,能够帮助人工智能、视觉计算等做出更为有效的行驶路线规划及车辆控制策略。因而现有的自动驾驶汽车通常会选择安装高线束的激光雷达,确保有足够的探测距离。但是激光雷达的线束越高其成本也就越高,将一辆常规的机动车辆改造成自动驾驶汽车的成本也就越高,从而阻碍了无人驾驶技术的发展。
发明内容
本发明的目的是:以较低的车辆改造成本实现自我车辆定位的同时使得自我车辆能够获得长探测距离内的物体坐标,从而辅助实现无人驾驶。
为了达到上述,本发明的技术方案是提供了一种利用精确定位实现自我车辆和周边障碍物精确探知的方法,所述路侧设备包括线束至少达到200的高线束激光雷达设备、与高线束激光雷达设备相连的边缘计算机、与边缘计算机相连的广播通信设备,高线束激光雷达设备的探测距离为L1,其特征在于,所述方法包括以下步骤:
步骤1、路侧设备对目标区域内的物体进行探测,探测到的每个物体对应一个点位,则得到目标区域内与所有物体相对应的所有点位,每个点位的点位信息至少包括物体大小及中心点坐标,第i个点位的中心点坐标定义为(xi,yi,zi);
步骤2、利用目标区域的电子地图,从步骤1得到的所有点位中筛选出仅位于道路上的点位,组成目标区域的道路点位集;
步骤3、将步骤2获得的道路点位集作为广播信息向目标区域内的所有机动车辆广播;
步骤4、机动车辆上的车载设备包括用于接收广播信息的通信设备、探测距离为L2的探测设备以及运算设备,L2<<L1,机动车辆通过通信设备获得广播信息,同时,运算设备通过探测设备获得探测距离L2范围内与所有物体相对应的所有点位组成区域点位集,每个点位的点位信息至少包括物体大小及中心点坐标,第i个点位的中心点坐标定义为(xi,yi,zi);
步骤5、机动车辆的运算设备依据点位信息中的物体大小,剔除道路点位集中物体大小不大于体积阈值V的所有点位后,所有剩余的点位组成道路车辆点位集;
同时,运算设备依据点位信息中的物体大小,剔除区域点位集中物体大小不大于体积阈值V的所有点位后,所有剩余的点位组成区域车辆点位集;
其中,体积阈值V通过统计机动车辆所对应的物体大小的统计值所确定;
步骤6、运算设备利用道路车辆点位集形成道路车辆点位图;
同时,运算设备利用区域车辆点位集形成区域车辆点位图;
步骤7、运算设备将道路车辆点位图与区域车辆点位图相匹配,若匹配失败,则运算设备向路侧设备请求重新发送广播信息后,返回步骤4,若匹配成功,则进入步骤8;
步骤8、从道路车辆点位图中获得与区域车辆点位图相对应的区域,获得该区域中所有点位组成区域匹配点位集;
步骤9、机动车辆的运算设备获取当前机动车辆的高度H,并获取区域匹配点位集中所有点位的点位信息中中心点坐标的Z轴坐标,若Z轴坐标与高度H相匹配,则将Z轴坐标所对应的点位作为候选点位,所有候选点位构成候选点位集;
步骤10、设步骤5获得的区域车辆点位集中共有N个点位,从该N个点位中选择与当前机动车辆距离最接近的n个点位,2≤n<N,计算该n个点位与当前机动车辆之间的相对方位及相对距离,即获得n个相对方位及n个相对距离;
步骤11、利用步骤10获得的n个相对方位及相对距离从步骤9获得的候选点位集中匹配得到与当前机动车辆相对应的候选点位,匹配得到的候选点位为匹配点位,通过匹配点位实现当前机动车辆的自我车辆定位,若匹配成功,则进入步骤12,若匹配失败则运算设备向路侧设备请求重新发送广播信息后,返回步骤4,其中,匹配方法包括以下步骤:
设候选点位集中共有J个候选点位,对于第j个候选点位,j=1,…,J,则有:
从区域匹配点位集中取与第j个候选点位距离最接近的n个点位,计算该n个点位与第j个候选点位之间的相对方位及相对距离,即获得n个相对方位及n个相对距离,将本步骤获得的n个相对方位及相对距离与步骤10获得的n个相对方位及n个相对距离进行匹配,若匹配成功,则第j个候选点为匹配点位,若匹配失败,则继续对第j+1个候选点位进行匹配,直至遍历J个候选点位;
步骤12、依据匹配点位的中心点坐标与机动车辆通过探测设备获得的当前机动车辆所对应的点位的中心点坐标之间的对应关系,当前机动车辆的运算设备利用空间坐标转换方法将步骤4中接收到的广播信息的道路点位集所处的路侧设备坐标系转换至当前机动车辆所处坐标系,实现对道路点位集中所有点位所对应的物体的定位,从而实现对周边障碍物的定位。
优选地,所述广播通信设备每秒向外广播N次广播信息,N≥5。
优选地,所述探测设备为低线束的激光雷达、测距摄像机或微波雷达。
优选地,步骤9中,设区域匹配点位集中第j个点位的Z轴坐标为zj,若|H-2×zj|≤h,则第j个点位为候选点位,式中,h为预先确定的高度差阈值。
本发明利用路侧设备向所有机动车辆广播道路的探测信息,位于目标区域的所有机动车辆共享一个高线束的激光雷达,所有机动车辆都可以利用该激光雷达来替代原本应该安装在机动车辆上的激光雷达,而包含有激光雷达的路侧设备的费用无需机动车辆的用户来承担。采用上述方案后,机动车辆可以仅通过安装一个测距摄像机或微波雷达或者低线束的激光雷达来替代原有的高线束的激光雷达,从而可以大幅降低车辆改装成本,同时,又可以确保例如运算单元之类的用于实现自动驾驶的设备可以获得准确的数据,实现自动驾驶功能。
附图说明
图1是本发明提供的利用精确定位实现自我车辆和周边障碍物精确探知的方法的流程示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供的一种利用精确定位实现自我车辆和周边障碍物精确探知的方法基于路侧设备及车载设备。路侧设备包括高线束激光雷达设备,该激光雷达设备的线束可以为200,甚至还可以采用300线束的激光雷达设备,从而可以实现远距离的探测。路侧设备还包括与高线束激光雷达设备相连的边缘计算机、与边缘计算机相连的广播通信设备。广播通信设备可以采用任何现有的技术来实现广播通信,例如可以采用LTE-V技术,也可以采用5G技术。而边缘计算机也是本领域的常规设备,此处不再赘述。
在本实施例中,车载设备包括:通信设备,用于接收路侧设备所发出的广播信号。探测设备,运算设备通过探测设备获得探测距离范围内与所有物体相对应的所有点位组成区域点位集,每个点位的点位信息至少包括物体大小及中心点坐标,第i个点位的中心点坐标定义为(xi,yi,zi),探测设备的探测距离远小于高线束激光雷达设备的探测距离,可以采用测距摄像机或微波雷达,也可以采用低线束的激光雷达,该激光雷达的线束小于100,探测距离较短,成本较低。运算设备,用于完成一些必要的计算工作。应当注意的是,通信设备、探测设备及计算单元亦是自动驾驶领域的常规设备,此处不再赘述。
基于上述路侧设备及车载设备,本发明提供的一种利用精确定位实现自我和周边车辆定位的方法包括以下步骤:
步骤1、路侧设备对目标区域内的物体进行探测。探测到的每个物体对应一个点位,则得到目标区域内与所有物体相对应的所有点位。物体可以是机动车辆,也可以是非机动车辆、行人或者是路面上的障碍物等。每个点位的点位信息至少包括物体大小及中心点坐标。将第i个点位的中心点坐标定义为(xi,yi,zi)。
步骤2、利用目标区域的电子地图,从步骤1得到的所有点位中筛选出仅位于道路上的点位,组成目标区域的道路点位集。
由于自动驾驶仅关注位于道路上的物体,因此,对于非道路上的点位实际形成了无用的干扰信息,本发明利用电子地图形成了对这些干扰信息的初步过滤,仅将有效信息进行广播,提高了传输效率。
步骤3、将步骤2获得的道路点位集作为广播信息向目标区域内的所有机动车辆广播。如前文所述,具体的广播方式为本领域技术人员的常识,此处不再赘述。本实施例中,广播通信设备每秒向外广播5、10或15次等多次广播信息。
步骤4、当前机动车辆的运算设备通过通信设备获得广播信息,同时,运算设备通过探测设备获得探测距离L2范围内与所有物体相对应的所有点位组成区域点位集,每个点位的点位信息至少包括物体大小及中心点坐标,第i个点位的中心点坐标定义为(xi,yi,zi)。
步骤5、机动车辆的运算设备依据点位信息中的物体大小,剔除道路点位集中物体大小不大于体积阈值V的所有点位后,所有剩余的点位组成道路车辆点位集。
同时,运算设备依据点位信息中的物体大小,剔除区域点位集中物体大小不大于体积阈值V的所有点位后,所有剩余的点位组成区域车辆点位集。
体积阈值V通过统计机动车辆所对应的物体大小的统计值所确定,确定体积阈值V时,可以预先利用路侧设备对不同大小的机动车辆所对应的点位物体大小信息进行采样,然后利用相关的统计学方法来计算得到体积阈值V。
本实施例中,一个比较简单的方式是物体大小的统计值为预先采样得到的机动车辆所对应的物体大小的均值。
由于后续步骤的目的是从所有点位中得到与当前机动车辆对应的点位,因此,先剔除道路点位集中明显不与机动车辆相对应的点位(例如将行人、非机动车、障碍物等过滤掉),从而可以大幅降低后续算法的计算复杂度。
步骤6、运算设备利用道路车辆点位集形成道路车辆点位图。同时,运算设备利用区域车辆点位集形成区域车辆点位图。
步骤7、运算设备将道路车辆点位图与区域车辆点位图相匹配,若匹配失败,则运算设备向路侧设备请求重新发送广播信息后,返回步骤4,若匹配成功,则进入步骤8。
步骤8、从道路车辆点位图中获得与区域车辆点位图相对应的区域,获得该区域中所有点位组成区域匹配点位集。
步骤9、机动车辆的运算设备获取当前机动车辆的高度H,并获取区域匹配点位集中所有点位的点位信息中中心点坐标的Z轴坐标,若Z轴坐标与高度H相匹配,则将Z轴坐标所对应的点位作为候选点位,所有候选点位构成候选点位集。
上述步骤中,挑选候选点位一个较为简单的实施方式是:对于区域匹配点位集中第j个点位而言,设其Z轴坐标为zj,若|H-2×zj|≤h,则第j个点位为候选点位,式中,h为预先确定的高度差阈值。
不同类型的机动车辆具有不同的高度,由于后续步骤中需要从点位中找到与当前机动车辆相对应的点位,因此,可以利用当前机动车辆的高度对点位再进行一次过滤,进一步降低后续步骤的数据处理量。
步骤10、设步骤5获得的区域车辆点位集中共有N个点位,从该N个点位中选择与当前机动车辆距离最接近的n个点位,2≤n<N,计算该n个点位与当前机动车辆之间的相对方位及相对距离,即获得n个相对方位及n个相对距离。
步骤11、利用步骤10获得的n个相对方位及相对距离从步骤9获得的候选点位集中匹配得到与当前机动车辆相对应的候选点位,匹配得到的候选点位为匹配点位,通过匹配点位实现当前机动车辆的自我车辆定位,若匹配成功,则进入步骤12,若匹配失败则运算设备向路侧设备请求重新发送广播信息后,返回步骤4。
其中,匹配方法包括以下步骤:
设候选点位集中共有J个候选点位,对于第j个候选点位,j=1,…,J,则有:
从区域匹配点位集中取与第j个候选点位距离最接近的n个点位,计算该n个点位与第j个候选点位之间的相对方位及相对距离,即获得n个相对方位及n个相对距离,将本步骤获得的n个相对方位及相对距离与步骤10获得的n个相对方位及n个相对距离进行匹配,若匹配成功,则第j个候选点为匹配点位,若匹配失败,则继续对第j+1个候选点位进行匹配,直至遍历J个候选点位;
步骤12、依据匹配点位的中心点坐标与机动车辆通过探测设备获得的当前机动车辆所对应的点位的中心点坐标之间的对应关系,当前机动车辆的运算设备利用空间坐标转换方法将步骤4中接收到的广播信息的道路点位集所处的路侧设备坐标系转换至当前机动车辆所处坐标系,实现对道路点位集中所有点位所对应的物体的定位,从而实现对周边障碍物的定位。
Claims (4)
1.一种利用精确定位实现自我车辆和周边障碍物精确探知的方法,路侧设备包括线束至少达到200的高线束激光雷达设备、与高线束激光雷达设备相连的边缘计算机、与边缘计算机相连的广播通信设备,高线束激光雷达设备的探测距离为L1,其特征在于,所述方法包括以下步骤:
步骤1、路侧设备对目标区域内的物体进行探测,探测到的每个物体对应一个点位,则得到目标区域内与所有物体相对应的所有点位,每个点位的点位信息至少包括物体大小及中心点坐标,第i个点位的中心点坐标定义为(xi,yi,zi);
步骤2、利用目标区域的电子地图,从步骤1得到的所有点位中筛选出仅位于道路上的点位,组成目标区域的道路点位集;
步骤3、将步骤2获得的道路点位集作为广播信息向目标区域内的所有机动车辆广播;
步骤4、机动车辆上的车载设备包括用于接收广播信息的通信设备、探测距离为L2的探测设备以及运算设备,L2<<L1,机动车辆通过通信设备获得广播信息,同时,运算设备通过探测设备获得探测距离L2范围内与所有物体相对应的所有点位组成区域点位集,每个点位的点位信息至少包括物体大小及中心点坐标,第i个点位的中心点坐标定义为(x′i,y′i,z′i);
步骤5、机动车辆的运算设备依据点位信息中的物体大小,剔除道路点位集中物体大小不大于体积阈值V的所有点位后,所有剩余的点位组成道路车辆点位集;
同时,运算设备依据点位信息中的物体大小,剔除区域点位集中物体大小不大于体积阈值V的所有点位后,所有剩余的点位组成区域车辆点位集;
其中,体积阈值V通过统计机动车辆所对应的物体大小的统计值所确定;
步骤6、运算设备利用道路车辆点位集形成道路车辆点位图;
同时,运算设备利用区域车辆点位集形成区域车辆点位图;
步骤7、运算设备将道路车辆点位图与区域车辆点位图相匹配,若匹配失败,则运算设备向路侧设备请求重新发送广播信息后,返回步骤4,若匹配成功,则进入步骤8;
步骤8、从道路车辆点位图中获得与区域车辆点位图相对应的区域,获得该区域中所有点位组成区域匹配点位集;
步骤9、机动车辆的运算设备获取当前机动车辆的高度H,并获取区域匹配点位集中所有点位的点位信息中中心点坐标的Z轴坐标,若Z轴坐标与高度H相匹配,则将Z轴坐标所对应的点位作为候选点位,所有候选点位构成候选点位集;
步骤10、设步骤5获得的区域车辆点位集中共有N个点位,从该N个点位中选择与当前机动车辆距离最接近的n个点位,2≤n<N,计算该n个点位与当前机动车辆之间的相对方位及相对距离,即获得n个相对方位及n个相对距离;
步骤11、利用步骤10获得的n个相对方位及相对距离从步骤9获得的候选点位集中匹配得到与当前机动车辆相对应的候选点位,匹配得到的候选点位为匹配点位,通过匹配点位实现当前机动车辆的自我车辆定位,若匹配成功,则进入步骤12,若匹配失败则运算设备向路侧设备请求重新发送广播信息后,返回步骤4,其中,匹配方法包括以下步骤:
设候选点位集中共有J个候选点位,对于第j个候选点位,j=1,…,J,则有:
从区域匹配点位集中取与第j个候选点位距离最接近的n个点位,计算该n个点位与第j个候选点位之间的相对方位及相对距离,即获得n个相对方位及n个相对距离,将本步骤获得的n个相对方位及相对距离与步骤10获得的n个相对方位及n个相对距离进行匹配,若匹配成功,则第j个候选点为匹配点位,若匹配失败,则继续对第j+1个候选点位进行匹配,直至遍历J个候选点位;
步骤12、依据匹配点位的中心点坐标与机动车辆通过探测设备获得的当前机动车辆所对应的点位的中心点坐标之间的对应关系,当前机动车辆的运算设备利用空间坐标转换方法将步骤4中接收到的广播信息的道路点位集所处的路侧设备坐标系转换至当前机动车辆所处坐标系,实现对道路点位集中所有点位所对应的物体的定位,从而实现对周边车辆的定位。
2.如权利要求1所述的一种利用精确定位实现自我车辆和周边障碍物精确探知的方法,其特征在于,所述广播通信设备每秒向外广播N次广播信息,N≥5。
3.如权利要求1所述的一种利用精确定位实现自我车辆和周边障碍物精确探知的方法,其特征在于,所述探测设备为低线束的激光雷达、测距摄像机或微波雷达。
4.如权利要求1所述的一种利用精确定位实现自我车辆和周边障碍物精确探知的方法,其特征在于,步骤9中,设区域匹配点位集中第j个点位的Z轴坐标为zj,若|H-2×zj|≤h,则第j个点位为候选点位,式中,h为预先确定的高度差阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634468.1A CN111650604B (zh) | 2020-07-02 | 2020-07-02 | 利用精确定位实现自我车辆和周边障碍物精确探知的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010634468.1A CN111650604B (zh) | 2020-07-02 | 2020-07-02 | 利用精确定位实现自我车辆和周边障碍物精确探知的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111650604A CN111650604A (zh) | 2020-09-11 |
CN111650604B true CN111650604B (zh) | 2023-07-28 |
Family
ID=72346265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010634468.1A Active CN111650604B (zh) | 2020-07-02 | 2020-07-02 | 利用精确定位实现自我车辆和周边障碍物精确探知的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111650604B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504140B (zh) * | 2020-11-20 | 2022-10-04 | 上海电科智能系统股份有限公司 | 基于俯视深度相机的物体探测方法 |
CN113379805B (zh) * | 2021-08-12 | 2022-01-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通节点的多信息资源融合处理方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927708A (zh) * | 2018-08-30 | 2020-03-27 | 百度在线网络技术(北京)有限公司 | 智能路侧单元的标定方法、装置及设备 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574540A (zh) * | 2014-12-24 | 2015-04-29 | 北京速通科技有限公司 | 电子不停车收费系统及方法 |
CN105809953B (zh) * | 2014-12-27 | 2018-07-10 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
CN106896393B (zh) * | 2015-12-21 | 2020-01-10 | 财团法人车辆研究测试中心 | 车辆协同式物体定位优化方法及车辆协同定位装置 |
US10466366B2 (en) * | 2015-12-29 | 2019-11-05 | Automotive Research & Testing Center | Optimizing method for vehicle cooperative object positioning and vehicle cooperative positioning apparatus |
CN105528913B (zh) * | 2016-02-14 | 2017-09-05 | 吉林大学 | 一种路侧停车位检测及信息发布系统 |
CN106652063A (zh) * | 2016-12-20 | 2017-05-10 | 北京速通科技有限公司 | 双向车道自由流电子收费方法和系统 |
US10845461B2 (en) * | 2017-06-06 | 2020-11-24 | The United States Of America As Represented By The Secretary Of The Army | System and method for enabling radar operation in a spectrally congested environment |
US10739459B2 (en) * | 2018-01-12 | 2020-08-11 | Ford Global Technologies, Llc | LIDAR localization |
CN109359596A (zh) * | 2018-10-18 | 2019-02-19 | 上海电科市政工程有限公司 | 一种快速且精确的高速路车辆定位方法 |
CN110103953B (zh) * | 2019-04-30 | 2021-01-01 | 北京百度网讯科技有限公司 | 用于辅助车辆的驾驶控制的方法、设备、介质和系统 |
CN110557715B (zh) * | 2019-09-03 | 2021-01-29 | 南京莱斯网信技术研究院有限公司 | 一种强实时显示前方路口交通灯信息的车载终端 |
CN110632635A (zh) * | 2019-09-29 | 2019-12-31 | 北京邮电大学 | 自动驾驶车辆的定位方法、装置、电子设备及可读介质 |
CN110675635B (zh) * | 2019-10-09 | 2021-08-03 | 北京百度网讯科技有限公司 | 相机外参的获取方法、装置、电子设备及存储介质 |
CN110687549B (zh) * | 2019-10-25 | 2022-02-25 | 阿波罗智能技术(北京)有限公司 | 障碍物检测方法和装置 |
-
2020
- 2020-07-02 CN CN202010634468.1A patent/CN111650604B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927708A (zh) * | 2018-08-30 | 2020-03-27 | 百度在线网络技术(北京)有限公司 | 智能路侧单元的标定方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111650604A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689761B (zh) | 一种自动泊车方法 | |
US12037015B2 (en) | Vehicle control device and vehicle control method | |
CN110441790B (zh) | 激光雷达系统中的方法和装置串扰和多径降噪 | |
CN111754798A (zh) | 融合路侧激光雷达和视频实现车辆和周边障碍物探知方法 | |
US20040167717A1 (en) | Sensing apparatus for vehicles | |
CN109828571A (zh) | 基于v2x的自动驾驶车辆、方法和装置 | |
CN110969055B (zh) | 用于车辆定位的方法、装置、设备和计算机可读存储介质 | |
US20100104199A1 (en) | Method for detecting a clear path of travel for a vehicle enhanced by object detection | |
US10325163B2 (en) | Vehicle vision | |
US12091004B2 (en) | Travel lane estimation device, travel lane estimation method, and computer-readable non-transitory storage medium | |
US20220197301A1 (en) | Vehicle Localization Based on Radar Detections | |
US11541890B2 (en) | Vehicle control device and storage medium which stores a computer program for vehicle control | |
CN111650604B (zh) | 利用精确定位实现自我车辆和周边障碍物精确探知的方法 | |
CN114442101A (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
CN113469045B (zh) | 无人集卡的视觉定位方法、系统、电子设备和存储介质 | |
CN115705780A (zh) | 关联被感知和映射的车道边缘以进行定位 | |
US10970870B2 (en) | Object detection apparatus | |
CN110893845A (zh) | 用于对角车道检测的方法与装置 | |
CN113386771A (zh) | 道路模型的生成方法及设备 | |
US20230154199A1 (en) | Driving control system and method of controlling the same using sensor fusion between vehicles | |
CN111932883B (zh) | 一种利用路侧设备广播通信指导无人驾驶的方法 | |
US11288520B2 (en) | Systems and methods to aggregate and distribute dynamic information of crowdsourcing vehicles for edge-assisted live map service | |
CN111862654B (zh) | 智能领航方法、应用、智能领航系统和车辆 | |
Goswami | Trajectory generation for lane-change maneuver of autonomous vehicles | |
CN113313654A (zh) | 激光点云滤波去噪方法、系统、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |