CN111753748B - 信号灯调整方法、装置、设备以及存储介质 - Google Patents
信号灯调整方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN111753748B CN111753748B CN202010596665.9A CN202010596665A CN111753748B CN 111753748 B CN111753748 B CN 111753748B CN 202010596665 A CN202010596665 A CN 202010596665A CN 111753748 B CN111753748 B CN 111753748B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- preset
- sample
- passing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000007935 neutral effect Effects 0.000 claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 239000002699 waste material Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 28
- 238000003066 decision tree Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V20/52—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本申请实施例公开了信号灯调整方法、装置、设备以及存储介质,涉及智能交通和智能信控技术领域。该方法的一具体实施方式包括:获取信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序;将每辆车的车头与车尾通过预设位置的时间和次序输入至车辆分类模型,得到每辆车的类型;基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;计算每辆车的浪费时间之和,得到预设车道的浪费时间,以及基于预设车道的浪费时间调整信号灯的预设通行时间。该实施方式提升了浪费时间的预估精度。
Description
技术领域
本申请实施例涉及智能交通和智能信控技术领域,尤其涉及信号灯调整方法、装置、设备以及存储介质。
背景技术
随着车辆保有量的逐年增加,城市的交通拥堵情况愈演愈烈,在早晚高峰人们会浪费大量时间在拥堵。合理对信号灯进行调度可以在很大程度上缓解拥堵问题。
在对信号灯的预设通行时间进行控制的算法中,需要计算多个指标,其中一个重要的指标是浪费时间。现有的浪费时间估计方式是纯视觉的浪费时间估计。纯视觉的浪费时间估计分为两个部分,第一个部分对实际车间时间进行估计,第二部分对参考空档时间进行估计。对于参考空档时间估计部分,通常是对车辆图像进行目标检测,根据目标检测的结果对车辆的类型进行估计,进而获得参考空档时间。
发明内容
本申请实施例提出了信号灯调整方法、装置、设备以及存储介质。
第一方面,本申请实施例提出了一种信号灯调整方法,包括:获取信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序;将每辆车的车头与车尾通过预设位置的时间和次序输入至预先训练的车辆分类模型,得到每辆车的类型;基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;计算每辆车的浪费时间之和,得到预设车道的浪费时间,以及基于预设车道的浪费时间调整信号灯的预设通行时间。
第二方面,本申请实施例提出了一种信号灯调整装置,包括:获取模块,被配置成获取信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序;分类模块,被配置成将每辆车的车头与车尾通过预设位置的时间和次序输入至预先训练的车辆分类模型,得到每辆车的类型;确定模块,被配置成基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;计算模块,被配置成计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;调整模块,被配置成计算每辆车的浪费时间之和,得到预设车道的浪费时间,以及基于预设车道的浪费时间调整信号灯的预设通行时间。
第三方面,本申请实施例提出了一种电子设备,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如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据如第一方面中任一实现方式描述的方法。
本申请实施例提供的信号灯调整方法、装置、设备以及存储介质,首先将获取到的信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序输入至车辆分类模型,得到每辆车的类型;之后基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;然后计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;最后计算每辆车的浪费时间之和,得到预设车道的浪费时间,以及基于预设车道的浪费时间调整信号灯的预设通行时间。利用车辆分类模型基于车辆的车头与车尾通过预设位置的时间和次序,确定车辆的类型,进而估计对应类型的车辆相对于后车的参考空档时间,结合车辆的车头与车尾通过预设位置的时间,从而预估浪费时间,提升了浪费时间的预估精度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显。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是本申请可以应用于其中的示例性系统架构;
图2是根据本申请的信号灯调整方法的一个实施例的流程图;
图3是根据本申请的车辆分类模型训练方法的一个实施例的流程图;
图4是根据本申请的信号灯调整装置的一个实施例的结构示意图;
图5是用来实现本申请实施例的信号灯调整方法的电子设备的框图。
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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的信号灯调整方法或信号灯调整装置的实施例的示例性系统架构100。
如图1所示,系统架构100中可以包括传感器101、网络102和服务器103。网络102用以在传感器101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
传感器101可以采集车辆通过预设位置的时间和次序,并通过网络102发送至服务器103。
服务器103可以是提供各种服务的服务器,例如信号灯的后台服务器。信号灯的后台服务器可以对从传感器101获取到的车头与车尾通过预设位置的时间和次序等数据进行分析等处理,并生成处理结果(例如信号灯的预设通行时间)。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的信号灯调整方法一般由服务器103执行,相应地,信号灯调整装置一般设置于服务器103中。
应该理解,图1中的传感器、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的传感器、网络和服务器。
继续参考图2,其示出了根据本申请的信号灯调整方法的一个实施例的流程200。该信号灯调整方法包括以下步骤:
步骤201,获取信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序。
在本实施例中,信号灯调整方法的执行主体(例如图1所示的服务器103)可以获取信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序。
其中,信号灯的预设通行时间是指该信号灯指示预设车道可以通行的时间,例如是信号灯的一次绿灯的持续时间。预设车道可以是一条车道,也可以是一个流向的多条车道。预设位置可以是车道上的一个位置,例如在车道上画一条垂直于车道的虚拟线,这条虚拟线所在的位置就是预设位置。
通常,车辆的车头与车尾通过预设位置的时间和次序是可以直接获取的。具体地,预设位置附近可以安装有传感器,用于采集车辆的车头与车尾通过预设位置的时间和次序。其中,传感器可以包括但不限于摄像头、地磁传感器等等。以摄像头为例,其可以安装在预设位置附近,镜头正对预设位置。这样,摄像头可以采集通过预设位置的车辆的视频。从视频中查找车辆的车头或车尾通过预设位置的视频帧,而该视频的采集时间就是车辆的车头或车尾通过预设位置的时间。此外,对视频中的不同车辆的车头或车尾通过预设位置的时间进行排序,即可获得车辆通过预设位置的次序。然而,预设位置上的虚拟线容易被其他车辆遮挡,导致摄像头采集的车辆的车头与车尾通过预设位置的时间存在误差。为了解决这一问题,可以在预设位置处安装地磁传感器,只要车辆的车头与车尾通过预设位置,地磁传感器即可采集其通过预设位置的时间和次序,从而提升采集到的通过预设位置的时间的精度。
步骤202,将每辆车的车头与车尾通过预设位置的时间和次序输入至预先训练的车辆分类模型,得到每辆车的类型。
在本实施例中,上述执行主体可以将每辆车的车头与车尾通过预设位置的时间和次序输入至预先训练的车辆分类模型,得到每辆车的类型。
通常,车辆的车头与车尾通过预设位置的时间和次序隐式地表达了车辆的类型特征,因此车辆分类模型可以从车辆的车头与车尾通过预设位置的时间和次序学习车辆的类型特征,进而对车辆进行分类。其中,车辆按照其长度可以分为大车和小车。大车可以是长度相对较长的车辆,例如卡车和大客车。小车可以是长度相对较短的车辆,例如小汽车和面包车。
步骤203,基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间。
在本实施例中,上述执行主体可以基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间。其中,每辆车相对于后车的参考空档时间可以是为了避免该车与相邻的后车碰撞,预设的用于参考的时间间隔。
对于任意一辆车,这辆车相对于后车的参考空档时间由这辆车和对应的后车的类型决定。不同的类型对应不同的参考空档时间。以小车为例,若其后车是小车,则参考空档时间可以为1.5秒;若其后车是大车,则参考空档时间可以是2秒。以大车为例,若其后车是大车,则参考空档时间可以是3秒;若其后车是小车,则参考空档时间可以是2.5秒。对于最后一辆车,由于其不存在后车,其参考空档时间仅由这辆车的类型决定。若最后一辆车的类型是大车,其参考空档时间可以是2.5秒;若最后一辆车的类型是小车,其参考空档时间可以是2秒。
步骤204,计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间。
在本实施例中,上述执行主体可以计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间。其中,对于任意一辆车,这辆车的车尾与对应的后车的车头通过预设位置的时间差是这辆车的实际车间时间,而除了必须预留出的参考空档时间之外,其余车间时间均属于浪费时间。
通常,车辆的浪费时间为正值。若计算出为负值的浪费时间,则将这辆车的浪费时间取值为0。对于第一辆车,其浪费时间等于第一辆车的车头通过预设位置的时间与预设通行时间的开始时间的差值。对于最后一辆车,由于其不存在后车,其实际车间时间可以取最后一辆车的车尾通过预设位置的时间与预设通行时间的结束时间的差值。
步骤205,计算每辆车的浪费时间之和,得到预设车道的浪费时间,以及基于预设车道的浪费时间调整信号灯的预设通行时间。
在本实施例中,上述执行主体可以计算每辆车的浪费时间之和,得到预设车道的浪费时间,随后基于预设车道的浪费时间调整信号灯的预设通行时间。
若在预设通行时间内通过N辆车,那么预设车道的浪费时间可以通过如下公式计算:
GW=∑(RTi-STi);
其中,GW是预设车道的浪费时间,1≤i≤N,且i为正整数,RTi是第i辆车的车尾与对应的后车的车头通过预设位置的时间差,即第i辆车的实际车间时间,STi是第i辆车相对于第i+1辆车的参考空档时间。
需要说明的是,若整个信号灯的预设通行时间都没有车辆通过,则预设车道的浪费时间就直接等于信号灯的预设通行时间。
由于浪费时间是对信号灯的预设通行时间进行控制的算法的一个重要指标,因此基于预设车道的浪费时间能够调整信号灯的预设通行时间。通常,浪费时间的值越大,车辆用于加减速的时间越多,预设车道越拥堵。例如,浪费时间大于阈值,则可以加大预设通行时间,以减少预设车道拥堵;浪费时间小于阈值,则证明预设车道通行状况良好,预设通行时间可以保持不变。还例如,浪费时间小于阈值,则可以减少预设通行时间,这样可以给其他方向车道增加预设通行时间的机会,有助于减少其他方向车道的拥堵。
本申请实施例提供的信号灯调整方法,首先将获取到的信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序输入至车辆分类模型,得到每辆车的类型;之后基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;然后计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;最后计算每辆车的浪费时间之和,得到预设车道的浪费时间,以及基于预设车道的浪费时间调整信号灯的预设通行时间。利用车辆分类模型基于车辆的车头与车尾通过预设位置的时间和次序,确定车辆的类型,进而估计对应类型的车辆相对于后车的参考空档时间,结合车辆的车头与车尾通过预设位置的时间,从而预估浪费时间,提升了浪费时间的预估精度。而浪费时间是对信号灯的预设通行时间进行控制的算法的一个重要指标,基于精度较高的浪费时间调整信号灯的预设通行时间,能够实现对信号灯的合理调度,在很大程度上缓解拥堵问题。
进一步参考图3,其示出了根据本申请的车辆分类模型训练方法的一个实施例的流程300。该车辆分类模型训练方法包括以下步骤:
步骤301,获取训练样本。
在本实施例中,车辆分类模型训练方法的执行主体(例如图1所示的服务器103)可以获取大量训练样本。其中,训练样本可以包括样本车辆的车头与车尾通过预设位置的时间和次序,以及样本车辆的真实类型。
通常,对于在预设位置上安装了地磁的车道,可以采集车辆的车头与车尾通过预设位置的时间,同时记录下车辆通过预设位置的次序,之后对同时采集的车辆视频进行车辆类型标注,即可得到训练样本。
步骤302,将样本车辆的车头与车尾通过预设位置的时间和次序作为输入,将样本车辆的真实类型作为输出,对决策树有监督训练,得到车辆分类模型。
在本实施例中,上述执行主体可以将样本车辆的车头与车尾通过预设位置的时间和次序作为输入,将样本车辆的真实类型作为输出,对决策树有监督训练,得到车辆分类模型。
通常,决策树可以从样本车辆的车头与车尾通过预设位置的时间和次序学学样本车辆的特征,进而预测样本车辆的类型。随后基于样本车辆的真实类型和预测类型的差异,调整决策树的参数,直至满足需求,即可得到车辆分类模型。其中,决策树是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干,故称决策树。在机器学习中,决策树是一个预测模型,代表对象属性与对象值之间的一种映射关系。
通常,在训练过程中,上述执行主体可以将样本车辆的车头与车尾通过预设位置的时间和次序输入至决策树,利用决策树确定样本车辆的运动状态,以及基于样本车辆的运动状态对样本车辆进行分类。
在实际道路行驶的过程中,车辆通过预设位置会存在两种运动状态:匀速状态和匀加速状态。决策树可以首先确定样本车辆的运动状态,然后根据不同的运动状态采用不同的策略对样本车辆进行分类,从而实现基于运动状态的针对性车辆分类。
假如样本车辆一直处于匀速运动状态,那么无论样本车辆是大车还是小车,其一般都会以整体车流的速度通过,即大车和小车在这种状态的速度是近乎相同的。因此,大车的车头与车尾通过预设位置的时间差较大,而小车的车头与车尾通过预设位置的时间差较小。由于不同车辆类型对应的通过时间存在差别,因此基于样本车辆的车头与车尾通过预设位置的时间差,即可预测样本车辆的类型。
假如样本车辆一直处于匀加速运动状态,那么样本车辆的速度主要受其通过预设位置的次序和对应的前车的类型的影响,而通过时间主要受车头与车尾通过预设位置的时间差的影响。因此,基于样本车辆通过预设位置的次序和对应的前车的类型,确定样本车辆的速度;基于样本车辆的车头与车尾通过预设位置的时间差,以及样本车辆的速度,即可预测样本车辆的类型。而对于第一辆车,由于其不存在前车,其通行时间主要受车辆长度的影响。
需要说明的是,决策树也可以用神经网络代替,神经网络精度更高,但是推理速度慢,样本数据量较少时容易过拟合。而决策树的速度更快,且推理方式可理解。
本申请实施例提供的车辆分类模型训练方法,将样本车辆的车头与车尾通过预设位置的时间和次序作为输入,将样本车辆的真实类型作为输出,对决策树有监督训练,得到车辆分类模型。利用决策树训练出的车辆分类模型的速度更快,且推理方式可理解。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种信号灯调整装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的信号灯调整装置400可以包括:获取模块401、分类模块402、确定模块403、计算模块404和调整模块405。其中,获取模块401,被配置成获取信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序;分类模块402,被配置成将每辆车的车头与车尾通过预设位置的时间和次序输入至预先训练的车辆分类模型,得到每辆车的类型;确定模块403,被配置成基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;计算模块404,被配置成计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;调整模块405,被配置成计算每辆车的浪费时间之和,得到预设车道的浪费时间,以及基于预设车道的浪费时间调整信号灯的预设通行时间。
在本实施例中,信号灯调整装置400中:获取模块401、分类模块402、确定模块403、计算模块404和调整模块405的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,信号灯调整装置400还包括训练模块(图中未示出),训练模块包括:获取子模块,被配置成获取训练样本,其中,训练样本包括样本车辆的车头与车尾通过预设位置的时间和次序,以及样本车辆的真实类型;训练子模块,被配置成将样本车辆的车头与车尾通过预设位置的时间和次序作为输入,将样本车辆的真实类型作为输出,对决策树有监督训练,得到车辆分类模型。
在本实施例的一些可选的实现方式中,训练子模块包括:输入单元(图中未示出),被配置成将样本车辆的车头与车尾通过预设位置的时间和次序输入至决策树;分类单元(图中未示出),被配置成利用决策树确定样本车辆的运动状态,以及基于样本车辆的运动状态对样本车辆进行分类。
在本实施例的一些可选的实现方式中,样本车辆的运动状态是匀速运动状态;以及分类单元进一步被配置成:基于样本车辆的车头与车尾通过预设位置的时间差,确定样本车辆的预测类型。
在本实施例的一些可选的实现方式中,样本车辆的运动状态是匀加速运动状态;以及分类单元进一步被配置成:基于样本车辆通过预设位置的次序和对应的前车的类型,确定样本车辆的速度;基于样本车辆的车头与车尾通过预设位置的时间差,以及样本车辆的速度,确定样本车辆的预测类型。
在本实施例的一些可选的实现方式中,预设位置处安装有地磁传感器,地磁传感器用于采集通过预设位置的车头与车尾的时间。
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5所示,是根据本申请实施例信号灯调整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5所示,该电子设备包括:一个或多个处理器501、存储器502,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5中以一个处理器501为例。
存储器502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信号灯调整方法。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信号灯调整方法。
存储器502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信号灯调整方法对应的程序指令/模块(例如,附图4所示的特征图提取模块401、初始位置确定模块402、偏移量确定模块403、计算模块404和调整模块405)。处理器501通过运行存储在存储器502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信号灯调整方法。
存储器502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信号灯调整方法的电子设备的使用所创建的数据等。此外,存储器502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502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至信号灯调整方法的电子设备。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。
信号灯调整方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与信号灯调整方法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504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(LCD)、发光二极管(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ASIC(专用集成电路)、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(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(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(LAN)、广域网(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。
根据本申请的技术方案,首先将获取到的信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序输入至车辆分类模型,得到每辆车的类型;之后基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;然后计算每辆车的车尾与对应的后车的车头通过预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;最后计算每辆车的浪费时间之和,得到预设车道的浪费时间,以及基于预设车道的浪费时间调整信号灯的预设通行时间。利用车辆分类模型基于车辆的车头与车尾通过预设位置的时间和次序,确定车辆的类型,进而估计对应类型的车辆相对于后车的参考空档时间,结合车辆的车头与车尾通过预设位置的时间,从而预估浪费时间,提升了浪费时间的预估精度。
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 (14)
1.一种信号灯调整方法,包括:
获取信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序;
将每辆车的车头与车尾通过所述预设位置的时间和次序输入至预先训练的车辆分类模型,得到每辆车的类型;
基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;
计算每辆车的车尾与对应的后车的车头通过所述预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;
计算每辆车的浪费时间之和,得到所述预设车道的浪费时间,以及基于所述预设车道的浪费时间调整所述信号灯的预设通行时间。
2.根据权利要求1所述的方法,其中,所述车辆分类模型通过如下步骤训练得到:
获取训练样本,其中,所述训练样本包括样本车辆的车头与车尾通过所述预设位置的时间和次序,以及所述样本车辆的真实类型;
将所述样本车辆的车头与车尾通过所述预设位置的时间和次序作为输入,将所述样本车辆的真实类型作为输出,对决策树有监督训练,得到所述车辆分类模型。
3.根据权利要求2所述的方法,其中,所述将所述样本车辆的车头与车尾通过所述预设位置的时间和次序作为输入,将所述样本车辆的真实类型作为输出,对决策树有监督训练,包括:
将所述样本车辆的车头与车尾通过所述预设位置的时间和次序输入至所述决策树;
利用所述决策树确定所述样本车辆的运动状态,以及基于所述样本车辆的运动状态对所述样本车辆进行分类。
4.根据权利要求3所述的方法,其中,所述样本车辆的运动状态是匀速运动状态;以及
所述基于所述样本车辆的运动状态对所述样本车辆进行分类,包括:
基于所述样本车辆的车头与车尾通过所述预设位置的时间差,确定所述样本车辆的预测类型。
5.根据权利要求3所述的方法,其中,所述样本车辆的运动状态是匀加速运动状态;以及
所述基于所述样本车辆的运动状态对所述样本车辆进行分类,包括:
基于所述样本车辆通过所述预设位置的次序和对应的前车的类型,确定所述样本车辆的速度;
基于所述样本车辆的车头与车尾通过所述预设位置的时间差,以及所述样本车辆的速度,确定所述样本车辆的预测类型。
6.根据权利要求1-5之一所述的方法,其中,所述预设位置处安装有地磁传感器,所述地磁传感器用于采集通过所述预设位置的车头与车尾的时间。
7.一种信号灯调整装置,包括:
获取模块,被配置成获取信号灯的预设通行时间内在预设车道通行的每辆车的车头与车尾通过预设位置的时间和次序;
分类模块,被配置成将每辆车的车头与车尾通过所述预设位置的时间和次序输入至预先训练的车辆分类模型,得到每辆车的类型;
确定模块,被配置成基于每辆车与对应的后车的类型,确定每辆车相对于后车的参考空档时间;
计算模块,被配置成计算每辆车的车尾与对应的后车的车头通过所述预设位置的时间差与对应的参考空档时间的差值,得到每辆车的浪费时间;
调整模块,被配置成计算每辆车的浪费时间之和,得到所述预设车道的浪费时间,以及基于所述预设车道的浪费时间调整所述信号灯的预设通行时间。
8.根据权利要求7所述的装置,其中,所述装置还包括训练模块,所述训练模块包括:
获取子模块,被配置成获取训练样本,其中,所述训练样本包括样本车辆的车头与车尾通过所述预设位置的时间和次序,以及所述样本车辆的真实类型;
训练子模块,被配置成将所述样本车辆的车头与车尾通过所述预设位置的时间和次序作为输入,将所述样本车辆的真实类型作为输出,对决策树有监督训练,得到所述车辆分类模型。
9.根据权利要求8所述的装置,其中,所述训练子模块包括:
输入单元,被配置成将所述样本车辆的车头与车尾通过所述预设位置的时间和次序输入至所述决策树;
分类单元,被配置成利用所述决策树确定所述样本车辆的运动状态,以及基于所述样本车辆的运动状态对所述样本车辆进行分类。
10.根据权利要求9所述的装置,其中,所述样本车辆的运动状态是匀速运动状态;以及
所述分类单元进一步被配置成:
基于所述样本车辆的车头与车尾通过所述预设位置的时间差,确定所述样本车辆的预测类型。
11.根据权利要求9所述的装置,其中,所述样本车辆的运动状态是匀加速运动状态;以及
所述分类单元进一步被配置成:
基于所述样本车辆通过所述预设位置的次序和对应的前车的类型,确定所述样本车辆的速度;
基于所述样本车辆的车头与车尾通过所述预设位置的时间差,以及所述样本车辆的速度,确定所述样本车辆的预测类型。
12.根据权利要求7-11之一所述的装置,其中,所述预设位置处安装有地磁传感器,所述地磁传感器用于采集通过所述预设位置的车头与车尾的时间。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596665.9A CN111753748B (zh) | 2020-06-28 | 2020-06-28 | 信号灯调整方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596665.9A CN111753748B (zh) | 2020-06-28 | 2020-06-28 | 信号灯调整方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753748A CN111753748A (zh) | 2020-10-09 |
CN111753748B true CN111753748B (zh) | 2023-12-08 |
Family
ID=72677493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596665.9A Active CN111753748B (zh) | 2020-06-28 | 2020-06-28 | 信号灯调整方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753748B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19990046168A (ko) * | 1998-06-22 | 1999-07-05 | 최종욱 | 영상 검지기 기반의 가변차선제어 시스템 |
EP2028073A1 (de) * | 2007-08-21 | 2009-02-25 | Audi AG | Kraftfahrzeug umfassend ein es längsführendes Fahrerassistenzsystem mit Stop & Go Funktion |
JP2009087062A (ja) * | 2007-09-28 | 2009-04-23 | Sumitomo Electric Ind Ltd | 車両運転支援システム、運転支援装置、車両及び車両運転支援方法 |
JP2009245295A (ja) * | 2008-03-31 | 2009-10-22 | Sumitomo Electric Ind Ltd | 交通信号制御装置及び方法、到着プロファイルの推定装置、並びに、コンピュータプログラム |
CN101976510A (zh) * | 2010-10-26 | 2011-02-16 | 隋亚刚 | 高清视频检测条件下的交叉口机动车信号优化控制方法 |
CN105160893A (zh) * | 2015-07-09 | 2015-12-16 | 常州大学 | 一种根据车流量调节信号灯时长间隔的方法 |
CN106446796A (zh) * | 2016-08-30 | 2017-02-22 | 安徽清新互联信息科技有限公司 | 一种车辆间距检测方法 |
WO2017032291A1 (zh) * | 2015-08-23 | 2017-03-02 | 郝明学 | 车辆发动机自动启停系统及车辆发动机自动启停控制方法 |
CN106846841A (zh) * | 2017-04-20 | 2017-06-13 | 成都信息工程大学 | 一种交通信号装置及交通控制方法 |
CN108806284A (zh) * | 2017-05-03 | 2018-11-13 | 东软集团股份有限公司 | 调整信号灯配时的方法、装置和存储介质以及电子设备 |
CN109284801A (zh) * | 2018-10-29 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 交通指示灯的状态识别方法、装置、电子设备及存储介质 |
CN109872349A (zh) * | 2019-02-19 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 基于前景检测的图像后处理方法、装置、电子设备及介质 |
CN110415532A (zh) * | 2019-08-27 | 2019-11-05 | 邹瑜 | 一种智能调节亮灯时间的红绿灯装置 |
CN110660234A (zh) * | 2019-09-29 | 2020-01-07 | 柳超 | 智能交通灯控制方法 |
CN110660256A (zh) * | 2019-10-22 | 2020-01-07 | 北京地平线机器人技术研发有限公司 | 一种信号灯状态的估计方法及装置 |
CN110910661A (zh) * | 2019-11-13 | 2020-03-24 | 北京百度网讯科技有限公司 | 路口信控机控制方法和装置 |
CN110914837A (zh) * | 2017-08-17 | 2020-03-24 | 北京嘀嘀无限科技发展有限公司 | 确定车头朝向的方法和系统 |
CN111081033A (zh) * | 2019-11-21 | 2020-04-28 | 北京百度网讯科技有限公司 | 车辆朝向角确定的方法及装置 |
CN111091023A (zh) * | 2018-10-23 | 2020-05-01 | 中国移动通信有限公司研究院 | 一种车辆检测方法、装置及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9685080B2 (en) * | 2010-11-05 | 2017-06-20 | International Business Machines Corporation | Traffic light preemption management system |
CN110967991B (zh) * | 2018-09-30 | 2023-05-26 | 百度(美国)有限责任公司 | 车辆控制参数的确定方法、装置、车载控制器和无人车 |
-
2020
- 2020-06-28 CN CN202010596665.9A patent/CN111753748B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19990046168A (ko) * | 1998-06-22 | 1999-07-05 | 최종욱 | 영상 검지기 기반의 가변차선제어 시스템 |
EP2028073A1 (de) * | 2007-08-21 | 2009-02-25 | Audi AG | Kraftfahrzeug umfassend ein es längsführendes Fahrerassistenzsystem mit Stop & Go Funktion |
JP2009087062A (ja) * | 2007-09-28 | 2009-04-23 | Sumitomo Electric Ind Ltd | 車両運転支援システム、運転支援装置、車両及び車両運転支援方法 |
JP2009245295A (ja) * | 2008-03-31 | 2009-10-22 | Sumitomo Electric Ind Ltd | 交通信号制御装置及び方法、到着プロファイルの推定装置、並びに、コンピュータプログラム |
CN101976510A (zh) * | 2010-10-26 | 2011-02-16 | 隋亚刚 | 高清视频检测条件下的交叉口机动车信号优化控制方法 |
CN105160893A (zh) * | 2015-07-09 | 2015-12-16 | 常州大学 | 一种根据车流量调节信号灯时长间隔的方法 |
WO2017032291A1 (zh) * | 2015-08-23 | 2017-03-02 | 郝明学 | 车辆发动机自动启停系统及车辆发动机自动启停控制方法 |
CN106446796A (zh) * | 2016-08-30 | 2017-02-22 | 安徽清新互联信息科技有限公司 | 一种车辆间距检测方法 |
CN106846841A (zh) * | 2017-04-20 | 2017-06-13 | 成都信息工程大学 | 一种交通信号装置及交通控制方法 |
CN108806284A (zh) * | 2017-05-03 | 2018-11-13 | 东软集团股份有限公司 | 调整信号灯配时的方法、装置和存储介质以及电子设备 |
CN110914837A (zh) * | 2017-08-17 | 2020-03-24 | 北京嘀嘀无限科技发展有限公司 | 确定车头朝向的方法和系统 |
CN111091023A (zh) * | 2018-10-23 | 2020-05-01 | 中国移动通信有限公司研究院 | 一种车辆检测方法、装置及电子设备 |
CN109284801A (zh) * | 2018-10-29 | 2019-01-29 | 百度在线网络技术(北京)有限公司 | 交通指示灯的状态识别方法、装置、电子设备及存储介质 |
CN109872349A (zh) * | 2019-02-19 | 2019-06-11 | 百度在线网络技术(北京)有限公司 | 基于前景检测的图像后处理方法、装置、电子设备及介质 |
CN110415532A (zh) * | 2019-08-27 | 2019-11-05 | 邹瑜 | 一种智能调节亮灯时间的红绿灯装置 |
CN110660234A (zh) * | 2019-09-29 | 2020-01-07 | 柳超 | 智能交通灯控制方法 |
CN110660256A (zh) * | 2019-10-22 | 2020-01-07 | 北京地平线机器人技术研发有限公司 | 一种信号灯状态的估计方法及装置 |
CN110910661A (zh) * | 2019-11-13 | 2020-03-24 | 北京百度网讯科技有限公司 | 路口信控机控制方法和装置 |
CN111081033A (zh) * | 2019-11-21 | 2020-04-28 | 北京百度网讯科技有限公司 | 车辆朝向角确定的方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于车流量的信号灯及车道数智能调节系统设计;潘涛;卢明宇;;唐山学院学报(03);全文 * |
驾驶员属性对信号灯路口交通流的影响;梅超群 等;《物理学报》;第63卷(第3期);466-472 * |
Also Published As
Publication number | Publication date |
---|---|
CN111753748A (zh) | 2020-10-09 |
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 | |
CN112750150B (zh) | 基于车辆检测和多目标跟踪的车流量统计方法 | |
CN111583668B (zh) | 交通拥堵检测方法、装置、电子设备和存储介质 | |
CN109109863B (zh) | 智能设备及其控制方法、装置 | |
CN112419722B (zh) | 交通异常事件检测方法、交通管控方法、设备和介质 | |
CN111611901B (zh) | 车辆逆行检测方法、装置、设备以及存储介质 | |
CN111292531B (zh) | 交通信号灯的跟踪方法、装置、设备及存储介质 | |
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN111666891A (zh) | 用于估计障碍物运动状态的方法和装置 | |
CN111627241B (zh) | 用于生成路口车辆排队信息的方法和装置 | |
CN111652153B (zh) | 场景自动识别方法、装置、无人车及存储介质 | |
CN113591573A (zh) | 多任务学习深度网络模型的训练及目标检测方法、装置 | |
CN111582030A (zh) | 红绿灯的识别方法、装置、电子设备和计算机存储介质 | |
CN111681417B (zh) | 交通路口渠化调整方法和装置 | |
CN112528927A (zh) | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 | |
CN111724598B (zh) | 用于自动驾驶规划路径的方法、装置、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 | |
CN114639233B (zh) | 一种拥堵状态预测方法、装置、电子设备及存储介质 | |
CN111753748B (zh) | 信号灯调整方法、装置、设备以及存储介质 | |
CN111667701A (zh) | 信控设备调整方法和装置 | |
CN115512336B (zh) | 基于路灯光源的车辆定位方法、装置和电子设备 | |
CN106910349B (zh) | 一种交通信号灯控制方法和系统 | |
CN111731240A (zh) | 急刹车合理性评估方法、装置、设备以及存储介质 | |
CN113221602B (zh) | 道路路面状况确定方法、装置、设备和介质 | |
CN111563046B (zh) | 用于生成信息的方法和装置 |
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 |
Effective date of registration: 20211013 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |