CN111681335A - 一种基于lstm技术的汽车轨迹预测系统及其预测方法 - Google Patents
一种基于lstm技术的汽车轨迹预测系统及其预测方法 Download PDFInfo
- Publication number
- CN111681335A CN111681335A CN202010216673.6A CN202010216673A CN111681335A CN 111681335 A CN111681335 A CN 111681335A CN 202010216673 A CN202010216673 A CN 202010216673A CN 111681335 A CN111681335 A CN 111681335A
- Authority
- CN
- China
- Prior art keywords
- module
- prediction
- lstm
- prediction system
- system control
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
- G07C5/0866—Registering performance data using electronic data carriers the electronic data carrier being a digital video recorder in combination with video camera
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于LSTM技术的汽车轨迹预测系统及其预测方法,包括预测系统控制板、视屏采集模块、速度采集模块、信息处理模块、辅助驾驶模块、弹道预测模块、运动预测模块、LSTM模型建立模块、LSTM分析模块、风险预警模块、信息存储模块、应急管理模块和指令输出模块,所述预测系统控制板顶部一侧设置有视屏采集模块,所述预测系统控制板一侧中心处设置有速度采集模块,该一种基于LSTM技术的汽车轨迹预测系统及其预测方法操作方便,将汽车轨迹预测的数据进行高度集成,通过LSTM技术算法进行预测,计算不同的汽车轨迹预测进行比对,有利于降汽车轨迹运动变更发生的风险,使其智能化管理,有利于保护乘客与驾驶员的人身安全。
Description
技术领域
本发明涉及汽车轨迹预测技术领域,具体为一种基于LSTM技术的汽车轨迹预测系统及其预测方法。
背景技术
汽车由动力驱动,主要用于载运人员或货物;牵引载运人员或货物的车辆,分为人工驾驶与自动驾驶,驾驶时依靠人工智能、视觉计算、雷达、监控装置和全球定位系统进行汽车轨迹预测,可以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;传统汽车轨迹预测无法将汽车轨迹预测的数据进行高度集成,且不能与不同的汽车轨迹预测进行比对,不利于降汽车轨迹运动变更发生的风险,不能使其智能化管理,不利于保护乘客与驾驶员的人身安全,。
发明内容
本发明的目的在于提供一种基于LSTM技术的汽车轨迹预测系统及其预测方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于LSTM技术的汽车轨迹预测系统,包括预测系统控制板、视屏采集模块、速度采集模块、信息处理模块、辅助驾驶模块、弹道预测模块、运动预测模块、LSTM模型建立模块、LSTM分析模块、风险预警模块、信息存储模块、应急管理模块和指令输出模块,所述预测系统控制板顶部一侧设置有视屏采集模块,所述预测系统控制板一侧中心处设置有速度采集模块,所述预测系统控制板一侧底部设置有信息处理模块,且视屏采集模块、速度采集模块与信息处理模块均通过信号连接,所述预测系统控制板顶部位于中心处一侧设置有运动预测模块,所述预测系统控制板位于中心处一侧设置有弹道预测模块,所述预测系统控制板底部位于中心处一侧设置有辅助驾驶模块,且信息处理模块、辅助驾驶模块、弹道预测模块与运动预测模块均通过信号连接,所述预测系统控制板顶部位于中心处另一侧设置有风险预警模块,所述预测系统控制板位于中心处另一侧设置有LSTM分析模块,所述预测系统控制板底部位于中心处另一侧设置有LSTM模型建立模块,且运动预测模块、LSTM模型建立模块、LSTM分析模块与风险预警模块均通过信号连接,所述预测系统控制板顶部另一侧设置有指令输出模块,所述预测系统控制板另一侧设置有应急管理模块,所述预测系统控制板另一侧底部设置有信息存储模块,且风险预警模块、信息存储模块、应急管理模块和指令输出模块均通过信号连接。
一种基于LSTM技术的汽车轨迹预测系统的其预测方法,包括步骤一,汽车轨迹采集;步骤二,汽车轨迹预测;步骤三,概率运动预测;步骤四,LSTM分析预测;步骤五,应急处理运行;
其中在上述步骤一中,汽车轨迹采集包括以下步骤:
1)人工开启视屏采集模块与速度采集模块,视屏采集模块与速度采集模块通过汽车行测记录仪采集汽车行驶状态与速度;
2)视屏采集模块与速度采集模块采集后通过信息处理模块将获得的信息绘制折线图,存储在行车电脑中;
其中上述步骤二中,汽车轨迹预测包括以下步骤:
1)通过弹道预测模块与运动预测模块粗略预计汽车轨迹线路,建立贝叶斯网络与隐马尔可夫模型,通过贝叶斯网络与隐马尔可夫模型进行预测汽车轨迹线路;
2)采用轨道历史张量为X={x(t-th),……x(t-1),x(t)},X为横向坐标轴,
3)采用Y={y(t+1),……y(t+tf)},Y为纵向坐标轴,建立汽车轨迹预测折线;
其中上述步骤三中,概率运动预测包括以下步骤:
1)根据步骤二1)中模型条件分布为设为P(Y,X),将其扩张为机动mi,同时使 P(Y,X)=∑iPθ(Ymi,X)P(mi,X),其中θ={θ(t-1),……θ(t+tf)};
2)根据P(Y,X)参数建立二元高斯分布模型,即可得到概率运动预测参数;
其中上述步骤四中,LSTM分析包括以下步骤:
1)人工根据LSTM分析模块给出机动比概率,根据Pθ(Ymi,X)算出机动比概率分布,再根据P(mi,X)得出横向与纵向机动比概率乘积;
2)再通过LSTM模型建立模块建立LSTM模型,记录并存储在行车电脑中;
其中上述步骤五中,人工将行驶数据录通过信息存储模块并存储在行车电脑中,风险预警模块预测风险,并通过应急管理模块启动刹车,规避风险,指令输出模块输出指令。
根据上述技术方案,所述预测系统控制板通过导线与电源连接。
根据上述技术方案,所述步骤一1)中采集的数据保存在电脑中。
根据上述技术方案,所述步骤二1)中粗略预计汽车轨迹线路需与汽车轨迹预测折线进行比对。
根据上述技术方案,所述步骤三2)中概率运动预测参数记录并保存在电脑中以便进行后续对比。
根据上述技术方案,所述步骤五中也可通过应急管理模块启动刹车进行减速。
与现有技术相比,本发明所达到的有益效果是:该一种基于LSTM技术的汽车轨迹预测系统及其预测方法操作方便,将汽车轨迹预测的数据进行高度集成,通过LSTM技术算法进行预测,通过通过建立贝叶斯网络、隐马尔可夫模型与二元高斯分布模型,计算不同的汽车轨迹预测进行比对,有利于降汽车轨迹运动变更发生的风险,使其智能化管理,有利于保护乘客与驾驶员的人身安全,方便用户使用。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的预测系统控制板的正视图;
图2是本发明的系统流程图;
图3是本发明的方法流程图;
图中:1、预测系统控制板;2、视屏采集模块;3、速度采集模块;4、信息处理模块;5、辅助驾驶模块;6、弹道预测模块;7、运动预测模块;8、LSTM模型建立模块;9、LSTM 分析模块;10、风险预警模块;11、信息存储模块;12、应急管理模块;13、指令输出模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供一种技术方案:一种基于LSTM技术的汽车轨迹预测系统,包括预测系统控制板1、视屏采集模块2、速度采集模块3、信息处理模块4、辅助驾驶模块5、弹道预测模块6、运动预测模块7、LSTM模型建立模块8、LSTM分析模块9、风险预警模块10、信息存储模块11、应急管理模块12和指令输出模块13,预测系统控制板1通过导线与电源连接,有利于预测系统控制板1使用,预测系统控制板1顶部一侧设置有视屏采集模块 2,预测系统控制板1一侧中心处设置有速度采集模块3,预测系统控制板1一侧底部设置有信息处理模块4,且视屏采集模块2、速度采集模块3与信息处理模块4均通过信号连接,预测系统控制板1顶部位于中心处一侧设置有运动预测模块7,预测系统控制板1位于中心处一侧设置有弹道预测模块6,预测系统控制板1底部位于中心处一侧设置有辅助驾驶模块 5,且信息处理模块4、辅助驾驶模块5、弹道预测模块6与运动预测模块7均通过信号连接,预测系统控制板1顶部位于中心处另一侧设置有风险预警模块10,预测系统控制板1位于中心处另一侧设置有LSTM分析模块9,预测系统控制板1底部位于中心处另一侧设置有LSTM 模型建立模块8,且运动预测模块7、LSTM模型建立模块8、LSTM分析模块9与风险预警模块10均通过信号连接,预测系统控制板1顶部另一侧设置有指令输出模块13,预测系统控制板1另一侧设置有应急管理模块12,预测系统控制板1另一侧底部设置有信息存储模块 11,且风险预警模块10、信息存储模块11、应急管理模块12和指令输出模块13均通过信号连接。
请参阅图3,本发明提供一种技术方案:一种基于LSTM技术的汽车轨迹预测系统的其预测方法,包括步骤一,汽车轨迹采集;步骤二,汽车轨迹预测;步骤三,概率运动预测;步骤四,LSTM分析预测;步骤五,应急处理运行;
其中在上述步骤一中,汽车轨迹采集包括以下步骤:
1)人工开启视屏采集模块2与速度采集模块3,视屏采集模块2与速度采集模块3通过汽车行测记录仪采集汽车行驶状态与速度,采集的数据保存在电脑中;
2)视屏采集模块2与速度采集模块3采集后通过信息处理模块4将获得的信息绘制折线图,存储在行车电脑中;
其中上述步骤二中,汽车轨迹预测包括以下步骤:
1)通过弹道预测模块6与运动预测模块7粗略预计汽车轨迹线路,建立贝叶斯网络与隐马尔可夫模型,通过贝叶斯网络与隐马尔可夫模型进行预测汽车轨迹线路,粗略预计汽车轨迹线路需与汽车轨迹预测折线进行比对;
2)采用轨道历史张量为X={x(t-th),……x(t-1),x(t)},X为横向坐标轴,
3)采用Y={y(t+1),……y(t+tf)},Y为纵向坐标轴,建立汽车轨迹预测折线;
其中上述步骤三中,概率运动预测包括以下步骤:
1)根据步骤二1)中模型条件分布为设为P(Y,X),将其扩张为机动mi,同时使 P(Y,X)=∑iPθ(Ymi,X)P(mi,X),其中θ={θ(t-1),……θ(t-tf)};
2)根据P(Y,X)参数建立二元高斯分布模型,即可得到概率运动预测参数保存在电脑中以便进行后续对比;
其中上述步骤四中,LSTM分析包括以下步骤:
1)人工根据LSTM分析模块9给出机动比概率,根据Pθ(Ymi,X)算出机动比概率分布,再根据P(mi,X)得出横向与纵向机动比概率乘积;
2)再通过LSTM模型建立模块8建立LSTM模型,记录并存储在行车电脑中;
其中上述步骤五中,人工将行驶数据录通过信息存储模块11并存储在行车电脑中,风险预警模块10预测风险,并通过应急管理模块12启动刹车,也可通过应急管理模块12启动刹车进行减速,规避风险,指令输出模块13输出指令。
基于上述,本发明的优点在于,该发明使用时将汽车轨迹预测的数据进行高度集成,通过LSTM技术算法进行预测,通过通过建立贝叶斯网络、隐马尔可夫模型与二元高斯分布模型,计算不同的汽车轨迹预测进行比对,有利于降汽车轨迹运动变更发生的风险,使其智能化管理,有利于保护乘客与驾驶员的人身安全,方便用户使用。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于LSTM技术的汽车轨迹预测系统,包括预测系统控制板(1)、视屏采集模块(2)、速度采集模块(3)、信息处理模块(4)、辅助驾驶模块(5)、弹道预测模块(6)、运动预测模块(7)、LSTM模型建立模块(8)、LSTM分析模块(9)、风险预警模块(10)、信息存储模块(11)、应急管理模块(12)和指令输出模块(13),其特征在于:所述预测系统控制板(1)顶部一侧设置有视屏采集模块(2),所述预测系统控制板(1)一侧中心处设置有速度采集模块(3),所述预测系统控制板(1)一侧底部设置有信息处理模块(4),且视屏采集模块(2)、速度采集模块(3)与信息处理模块(4)均通过信号连接,所述预测系统控制板(1)顶部位于中心处一侧设置有运动预测模块(7),所述预测系统控制板(1)位于中心处一侧设置有弹道预测模块(6),所述预测系统控制板(1)底部位于中心处一侧设置有辅助驾驶模块(5),且信息处理模块(4)、辅助驾驶模块(5)、弹道预测模块(6)与运动预测模块(7)均通过信号连接,所述预测系统控制板(1)顶部位于中心处另一侧设置有风险预警模块(10),所述预测系统控制板(1)位于中心处另一侧设置有LSTM分析模块(9),所述预测系统控制板(1)底部位于中心处另一侧设置有LSTM模型建立模块(8),且运动预测模块(7)、LSTM模型建立模块(8)、LSTM分析模块(9)与风险预警模块(10)均通过信号连接,所述预测系统控制板(1)顶部另一侧设置有指令输出模块(13),所述预测系统控制板(1)另一侧设置有应急管理模块(12),所述预测系统控制板(1)另一侧底部设置有信息存储模块(11),且风险预警模块(10)、信息存储模块(11)、应急管理模块(12)和指令输出模块(13)均通过信号连接。
2.一种基于LSTM技术的汽车轨迹预测系统的其预测方法,包括步骤一,汽车轨迹采集;步骤二,汽车轨迹预测;步骤三,概率运动预测;步骤四,LSTM分析预测;步骤五,应急处理运行;其特征在于:
其中在上述步骤一中,汽车轨迹采集包括以下步骤:
1)人工开启视屏采集模块(2)与速度采集模块(3),视屏采集模块(2)与速度采集模块(3)通过汽车行测记录仪采集汽车行驶状态与速度;
2)视屏采集模块(2)与速度采集模块(3)采集后通过信息处理模块(4)将获得的信息绘制折线图,存储在行车电脑中;
其中上述步骤二中,汽车轨迹预测包括以下步骤:
1)通过弹道预测模块(6)与运动预测模块(7)粗略预计汽车轨迹线路,建立贝叶斯网络与隐马尔可夫模型,通过贝叶斯网络与隐马尔可夫模型进行预测汽车轨迹线路;
2)采用轨道历史张量为X={x(t-th),……x(t-1),x(t)},X为横向坐标轴,
3)采用Y={y(t+1),……y(t+tf)},Y为纵向坐标轴,建立汽车轨迹预测折线;
其中上述步骤三中,概率运动预测包括以下步骤:
1)根据步骤二1)中模型条件分布为设为P(Y,X),将其扩张为机动mi,同时使P(Y,X)=∑iPθ(Ymi,X)P(mi,X),其中θ={θ(t-1),……θ(t-tf)};
2)根据P(Y,X)参数建立二元高斯分布模型,即可得到概率运动预测参数;
其中上述步骤四中,LSTM分析包括以下步骤:
1)人工根据LSTM分析模块(9)给出机动比概率,根据Pθ(Ymi,X)算出机动比概率分布,再根据P(mi,X)得出横向与纵向机动比概率乘积;
2)再通过LSTM模型建立模块(8)建立LSTM模型,记录并存储在行车电脑中;
其中上述步骤五中,人工将行驶数据录通过信息存储模块(11)并存储在行车电脑中,风险预警模块(10)预测风险,并通过应急管理模块(12)启动刹车,规避风险,指令输出模块(13)输出指令。
3.根据权利要求1所述的一种基于LSTM技术的汽车轨迹预测系统,其特征在于:所述预测系统控制板(1)通过导线与电源连接。
4.根据权利要求2所述的一种基于LSTM技术的汽车轨迹预测系统的其预测方法,其特征在于:所述步骤一1)中采集的数据保存在电脑中。
5.根据权利要求2所述的一种基于LSTM技术的汽车轨迹预测系统的其预测方法,其特征在于:所述步骤二1)中粗略预计汽车轨迹线路需与汽车轨迹预测折线进行比对。
6.根据权利要求2所述的一种基于LSTM技术的汽车轨迹预测系统的其预测方法,其特征在于:所述步骤三2)中概率运动预测参数记录并保存在电脑中以便进行后续对比。
7.根据权利要求2所述的一种基于LSTM技术的汽车轨迹预测系统的其预测方法,其特征在于:所述步骤五中也可通过应急管理模块(12)启动刹车进行减速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010216673.6A CN111681335A (zh) | 2020-03-18 | 2020-03-18 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010216673.6A CN111681335A (zh) | 2020-03-18 | 2020-03-18 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681335A true CN111681335A (zh) | 2020-09-18 |
Family
ID=72451338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010216673.6A Pending CN111681335A (zh) | 2020-03-18 | 2020-03-18 | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681335A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114312769A (zh) * | 2022-02-11 | 2022-04-12 | 清华大学 | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109572550A (zh) * | 2018-12-28 | 2019-04-05 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
CN109800682A (zh) * | 2018-12-29 | 2019-05-24 | 桂林电子科技大学 | 驾驶员属性识别方法及相关产品 |
CN110223318A (zh) * | 2019-04-28 | 2019-09-10 | 驭势科技(北京)有限公司 | 一种多目标轨迹的预测方法、装置、车载设备及存储介质 |
CN110288835A (zh) * | 2019-06-28 | 2019-09-27 | 江苏大学 | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 |
CN110304075A (zh) * | 2019-07-04 | 2019-10-08 | 清华大学 | 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法 |
US20200082248A1 (en) * | 2018-09-11 | 2020-03-12 | Nvidia Corporation | Future object trajectory predictions for autonomous machine applications |
-
2020
- 2020-03-18 CN CN202010216673.6A patent/CN111681335A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200082248A1 (en) * | 2018-09-11 | 2020-03-12 | Nvidia Corporation | Future object trajectory predictions for autonomous machine applications |
CN109572550A (zh) * | 2018-12-28 | 2019-04-05 | 西安航空学院 | 一种行车轨迹预测方法、系统、计算机设备及存储介质 |
CN109800682A (zh) * | 2018-12-29 | 2019-05-24 | 桂林电子科技大学 | 驾驶员属性识别方法及相关产品 |
CN110223318A (zh) * | 2019-04-28 | 2019-09-10 | 驭势科技(北京)有限公司 | 一种多目标轨迹的预测方法、装置、车载设备及存储介质 |
CN110288835A (zh) * | 2019-06-28 | 2019-09-27 | 江苏大学 | 一种基于运动学预测补偿机制的周边车辆行为实时识别方法 |
CN110304075A (zh) * | 2019-07-04 | 2019-10-08 | 清华大学 | 基于混合动态贝叶斯网络和高斯过程的车辆轨迹预测方法 |
Non-Patent Citations (2)
Title |
---|
NACHIKET: "Multi-Modal Trajectory Prediction of Surrounding Vehicles with Maneuver based LSTMs", 《2018 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV)》 * |
季学武: "基于LSTM网络的驾驶意图识别及车辆轨迹预测", 《中国公路学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114312769A (zh) * | 2022-02-11 | 2022-04-12 | 清华大学 | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 |
CN114312769B (zh) * | 2022-02-11 | 2023-11-10 | 清华大学 | 考虑周车横纵向运动意图的智能车辆紧急制动方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097785B (zh) | 一种前车切入或紧急换道识别预警装置及预警方法 | |
CN111775940B (zh) | 一种自动换道方法、装置、设备及存储介质 | |
CN105197011A (zh) | 车辆用驾驶员危险指数管理系统及其方法 | |
CN107207013A (zh) | 自动驾驶控制设备以及自动驾驶控制方法和程序 | |
Nagel et al. | FhG-Co-Driver: From map-guided automatic driving by machine vision to a cooperative driver support | |
CN113324554B (zh) | 自动驾驶路线规划方法、装置、可读存储介质及电子设备 | |
WO2022205243A1 (zh) | 一种变道区域获取方法以及装置 | |
CN113570747B (zh) | 一种基于大数据分析的行驶安全监测系统和方法 | |
CN114735010B (zh) | 基于情绪识别的智能车辆行驶控制方法、系统及存储介质 | |
CN114030475A (zh) | 一种车辆辅助驾驶方法、装置、车辆及存储介质 | |
CN111681335A (zh) | 一种基于lstm技术的汽车轨迹预测系统及其预测方法 | |
CN115427268A (zh) | 用于检测被锁在车内的乘客的具有人工智能功能的警报 | |
CN110341708B (zh) | 一种盲区自动驾驶控制方法及系统 | |
CN111994075A (zh) | 一种基于人工智能的驾驶辅助方法 | |
CN106809159A (zh) | 车辆超越动作自动提醒方法和装置 | |
CN211844251U (zh) | 一种复杂天气下的智能汽车辅助驾驶终端 | |
CN111959508A (zh) | 一种基于人工智能的驾驶辅助系统 | |
CN115416651A (zh) | 行车过程障碍物监控方法、装置和电子设备 | |
CN109131356B (zh) | 人机混合增强智能驾驶系统及电动汽车 | |
WO2024017413A2 (zh) | 车辆进出港检测方法、装置、设备和存储介质 | |
CN110370949A (zh) | 基于低速蠕行的自动驻车方法、系统、设备及存储介质 | |
CN108238052A (zh) | 用于确定驾驶员与车辆之间的信息传递速率的系统和方法 | |
CN115139999B (zh) | 车辆与行人防撞控制方法及装置、电子设备、存储介质 | |
CN113879211B (zh) | 预防渣土车右转过程与非机动车发生冲突的提醒方法及系统 | |
CN116039637B (zh) | 自动驾驶车辆的能量回收方法、装置及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200918 |