CN111930867A - 一种基于原始轨迹生成停止线的方法及系统 - Google Patents

一种基于原始轨迹生成停止线的方法及系统 Download PDF

Info

Publication number
CN111930867A
CN111930867A CN202010792566.8A CN202010792566A CN111930867A CN 111930867 A CN111930867 A CN 111930867A CN 202010792566 A CN202010792566 A CN 202010792566A CN 111930867 A CN111930867 A CN 111930867A
Authority
CN
China
Prior art keywords
track
stop line
stop
track point
deep learning
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
CN202010792566.8A
Other languages
English (en)
Other versions
CN111930867B (zh
Inventor
胡丹丹
石涤文
尹玉成
杨贵
刘奋
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN202010792566.8A priority Critical patent/CN111930867B/zh
Publication of CN111930867A publication Critical patent/CN111930867A/zh
Application granted granted Critical
Publication of CN111930867B publication Critical patent/CN111930867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明涉及一种基于原始轨迹生成停止线的方法及系统，该方法包括：根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果；根据各个轨迹点的坐标信息及预判结果进行二分类深度学习训练，得到轨迹点是否为停止线的标签；对标记为停止线的所有轨迹点进行聚类得到停止线预测值；在做深度学习训练之前，根据在停止线附近的轨迹运动趋势，加入了按照速度、航向角特征的一个预判，预判过程根据车辆在停止线附近减速、停止或加速这个一般的运动趋势，判定车辆停止或拐弯的实际操作时对应的应为停止线；进行深度学习之前，将轨迹点的坐标信息进行空间卷积，可以防止梯度消失；还根据停止线真值训练停止线预测值，可以提高结果的精度。

Description

一种基于原始轨迹生成停止线的方法及系统
技术领域
本发明涉及高精度地图制作领域，尤其涉及一种基于原始轨迹生成停止线的方法及系统。
背景技术
停止线作为众包高精度地图的要素之一，也是智能驾驶不可或缺的要素，对于众包采集的原始轨迹数据，特别是对低精度轨迹数据来说，在没有车道线、红绿灯等其他要素的情况下，想要得到正确的拓扑，先得到停止线是其至关重要的步骤，且在高精度采集数据中，停止线可能会有所缺失。
该技术的成果也可以作为对输入的补充，从而能为提高众包高精度地图的精度和完整性起到一定的作用。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于原始轨迹生成停止线的方法，解决现有技术中生成的停止线与实际路况可能存在偏差的问题。
本发明解决上述技术问题的技术方案如下：一种基于原始轨迹生成停止线的方法，包括：步骤1，根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果；
步骤2，根据各个所述轨迹点的坐标信息及所述预判结果进行二分类深度学习训练，得到所述轨迹点是否为停止线的标签；
步骤3，对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
一种基于原始轨迹生成停止线的系统，包括：预判模块、训练模块和聚类模块；
预判模块，用于根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果；
训练模块，用于根据各个所述轨迹点的坐标信息及所述预判结果进行二分类深度学习训练，得到所述轨迹点是否为停止线的标签；
聚类模块，用于对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
本发明的有益效果是：本发明提供的一种基于原始轨迹生成停止线的方法及系统，首先根据在停止线附近的轨迹运动趋势对轨迹点进行预判，可以初步判断每个轨迹点是否为停止线，再进行深度学习训练得到各个轨迹点是否为停止线的标签，最后进行聚类得到停止线，得到的停止线更加符合实际路况。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤1之前还包括：
对读取的原始轨迹数据进行归一化处理，所述归一化处理的过程包括：坐标转换、字段统一化以及异常值处理。
进一步，所述步骤1中的所述轨迹运动趋势包括所述轨迹点的速度和航向角，根据轨迹运动趋势得到轨迹点的预判结果在停止线上的过程包括:
判断所述轨迹点的速度不超过速度预设阈值，或者所述轨迹点的前后轨迹点的航向角的变化超过预设航向角差阈值。
进一步，所述步骤2中进行二分类深度学习训练的过程中对所述轨迹点的坐标信息进行空间卷积和全连接后，进行二分类深度学习训练。
进一步，所述步骤3中对标记为停止线的所有轨迹点进行聚类得到停止线预测值的过程中，还包括剔除异常值。
进一步，所述步骤3得到停止线预测值后还包括：建立LSTM模型，根据停止线真值训练所述停止线预测值。
采用上述进一步方案的有益效果是：在做深度学习训练之前，根据在停止线附近的轨迹运动趋势，加入了按照速度、航向角特征的一个预判，预判过程根据车辆在停止线附近减速、停止或加速这个一般的运动趋势，判定车辆停止或拐弯的实际操作时对应的应为停止线，可以初步计算出每个轨迹点是否为停止线的可能性；进行深度学习之前，将轨迹点的坐标信息进行空间卷积，可以防止梯度消失；得到停止线预测值后根据停止线真值训练停止线预测值，可以提高结果的精度。
附图说明
图1为本发明提供的一种基于原始轨迹生成停止线的方法的流程图；
图2为本发明提供的一种基于原始轨迹生成停止线的方法的实施例的流程图；
图3(a)为本发明实施例提供的轨迹线原始数据的示意图；
图3(b)为本发明实施例提供的标签为停止线的轨迹点的示意图；
图3(c)为本发明实施例提供的最终得到的停止线点的示意图；
图4为本发明提供的一种基于原始轨迹生成停止线的系统的实施例的结构框图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
附图中，各标号所代表的部件列表如下：
101、预判模块，102、训练模块，103、聚类模块，201、处理器，202、通信接口，203、存储器，204、通信总线。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示为本发明提供的一种基于原始轨迹生成停止线的方法的流程图，由图1可知，该方法包括：
步骤1，根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果。
步骤2，根据各个轨迹点的坐标信息及预判结果进行二分类深度学习训练，得到轨迹点是否为停止线的标签。
步骤3，对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
首先根据在停止线附近的轨迹运动趋势对轨迹点进行预判，可以初步判断每个轨迹点是否为停止线，再进行深度学习训练得到各个轨迹点是否为停止线的标签，最后进行聚类得到停止线，得到的停止线更加符合实际路况。
实施例1
本发明提供的实施例1为本发明提供的一种基于原始轨迹生成停止线的方法的实施例，如图2所示为本发明提供的一种基于原始轨迹生成停止线的方法的实施例的流程图，由图2可知，该实施例包括：
对读取的原始轨迹数据进行归一化处理，归一化处理的过程包括：坐标转换、字段统一化以及异常值处理。
在获得原始轨迹数据后，为满足不同数据源的输入，先进行归一化处理，进行归一化处理的过程中对不同坐标体系以及提供的字段不相同的数据源进行统一处理后，剔除异常值，得到一个规范的数据块，为后面的处理步骤提供了一个统一的数据接口。
步骤1，根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果。
具体的，轨迹运动趋势包括轨迹点的速度和航向角，根据轨迹运动趋势得到轨迹点的预判结果在停止线上的过程包括:
判断轨迹点的速度不超过速度预设阈值，或者轨迹点的前后轨迹点的航向角的变化超过预设航向角差阈值。
在做深度学习训练之前，根据在停止线附近的轨迹运动趋势，加入了按照速度、航向角特征的一个预判，因为这个运动趋势深度学习是无法自己通过训练获取到的。
预判过程根据车辆在停止线附近减速、停止、加速(在绿灯时可能只存在减速、加速，或者甚至无此动作)这个一般的运动趋势，可以初步计算出每个轨迹点是否为停止线的可能性，其中速度预设阈值可以为1m/s，即提取速度很小的轨迹点。前后轨迹点的航向角的变化超过预设航向角差阈值说明可能碰到了可以拐弯的路口。这两个情况满足任意一个可以预判该轨迹点为停止线上的点。
如图3(a)、图3(b)和图3(c)分别为本发明实施例提供的轨迹线原始数据、标签为停止线的轨迹点以及最终得到的停止线点的示意图。
步骤2，根据各个轨迹点的坐标信息及预判结果进行二分类深度学习训练，得到轨迹点是否为停止线的标签。
具体的，进行二分类深度学习训练的过程中对轨迹点的坐标信息进行空间卷积和全连接后，进行二分类深度学习训练。
具体的，将轨迹点的坐标信息(x、y)进行空间卷积，例如变成16通道，可以防止梯度消失。
步骤3，对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
具体的，对标记为停止线的所有轨迹点进行聚类得到停止线预测值的过程中，还包括剔除异常值。
由于在一条路上轨迹一般不止行驶一遍，在得到轨迹点是否为停止线的标签后，会存在不同轨迹段的数据，而不是停止线的精确值，对标记为停止线的所有点通过聚类、剔除异常值等操作可得到停止线预测值。
优选的，步骤3得到停止线预测值后还包括：建立LSTM模型，根据停止线真值训练停止线预测值，可以提高结果的精度。
实施例2
本发明提供的实施例2为本发明提供的一种基于原始轨迹生成停止线的系统的实施例，如图4所示为本发明提供的一种环境物联网的环境事件监测系统的实施例的结构框图，由图4可知，该系统包括：预判模块101、训练模块102和聚类模块103。
预判模块101，用于根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果。
训练模块102，用于根据各个轨迹点的坐标信息及预判结果进行二分类深度学习训练，得到轨迹点是否为停止线的标签。
聚类模块103，用于对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器201、通信接口202、存储器203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储在存储器203上并可在处理器201上运行的计算机程序，以执行上述各实施例提供的环境物联网的环境事件监测方法，例如包括：根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果；根据各个轨迹点的坐标信息及预判结果进行二分类深度学习训练，得到轨迹点是否为停止线的标签；对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的环境物联网的环境事件监测方法，例如包括：根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果；根据各个轨迹点的坐标信息及预判结果进行二分类深度学习训练，得到轨迹点是否为停止线的标签；对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (9)

1.一种基于原始轨迹生成停止线的方法，其特征在于，所述方法包括：
步骤1，根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果；
步骤2，根据各个所述轨迹点的坐标信息及所述预判结果进行二分类深度学习训练，得到所述轨迹点是否为停止线的标签；
步骤3，对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
2.根据权利要求1所述的方法，其特征在于，所述步骤1之前还包括：
对读取的原始轨迹数据进行归一化处理，所述归一化处理的过程包括：坐标转换、字段统一化以及异常值处理。
3.根据权利要求1所述的方法，其特征在于，所述步骤1中的所述轨迹运动趋势包括所述轨迹点的速度和航向角，根据轨迹运动趋势得到轨迹点的预判结果在停止线上的过程包括:
判断所述轨迹点的速度不超过速度预设阈值，或者所述轨迹点的前后轨迹点的航向角的变化超过预设航向角差阈值。
4.根据权利要求1所述的方法，其特征在于，所述步骤2中进行二分类深度学习训练的过程中对所述轨迹点的坐标信息进行空间卷积和全连接后，进行二分类深度学习训练。
5.根据权利要求1所述的方法，其特征在于，所述步骤3中对标记为停止线的所有轨迹点进行聚类得到停止线预测值的过程中，还包括剔除异常值。
6.根据权利要求1所述的方法，其特征在于，所述步骤3得到停止线预测值后还包括：建立LSTM模型，根据停止线真值训练所述停止线预测值。
7.一种基于原始轨迹生成停止线的系统，其特征在于，所述系统包括：预判模块、训练模块和聚类模块；
预判模块，用于根据在停止线附近的轨迹运动趋势得到轨迹点是否在停止线上的预判结果；
训练模块，用于根据各个所述轨迹点的坐标信息及所述预判结果进行二分类深度学习训练，得到所述轨迹点是否为停止线的标签；
聚类模块，用于对标记为停止线的所有轨迹点进行聚类得到停止线预测值。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述环境物联网的环境事件监测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述环境物联网的环境事件监测方法的步骤。
CN202010792566.8A 2020-08-09 2020-08-09 一种基于原始轨迹生成停止线的方法及系统 Active CN111930867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010792566.8A CN111930867B (zh) 2020-08-09 2020-08-09 一种基于原始轨迹生成停止线的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010792566.8A CN111930867B (zh) 2020-08-09 2020-08-09 一种基于原始轨迹生成停止线的方法及系统

Publications (2)

Publication Number Publication Date
CN111930867A true CN111930867A (zh) 2020-11-13
CN111930867B CN111930867B (zh) 2023-06-02

Family

ID=73306512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010792566.8A Active CN111930867B (zh) 2020-08-09 2020-08-09 一种基于原始轨迹生成停止线的方法及系统

Country Status (1)

Country Link
CN (1) CN111930867B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529086A (zh) * 2020-12-17 2021-03-19 武汉中海庭数据技术有限公司 停止线生成方法、电子装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239556A (zh) * 2014-09-25 2014-12-24 西安理工大学 基于密度聚类的自适应轨迹预测方法
US20170165570A1 (en) * 2015-12-14 2017-06-15 Stats Llc System for Interactive Sports Analytics Using Multi-Template Alignment and Discriminative Clustering
CN109271858A (zh) * 2018-08-13 2019-01-25 武汉中海庭数据技术有限公司 一种基于行车轨迹和视觉车道边线数据的路口识别方法及系统
CN110222131A (zh) * 2019-05-21 2019-09-10 北京交通大学 起讫信息提取方法及装置
CN111429940A (zh) * 2020-06-15 2020-07-17 杭州贝哆蜂智能有限公司 一种基于深度学习的实时音乐转录与曲谱匹配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239556A (zh) * 2014-09-25 2014-12-24 西安理工大学 基于密度聚类的自适应轨迹预测方法
US20170165570A1 (en) * 2015-12-14 2017-06-15 Stats Llc System for Interactive Sports Analytics Using Multi-Template Alignment and Discriminative Clustering
CN109271858A (zh) * 2018-08-13 2019-01-25 武汉中海庭数据技术有限公司 一种基于行车轨迹和视觉车道边线数据的路口识别方法及系统
CN110222131A (zh) * 2019-05-21 2019-09-10 北京交通大学 起讫信息提取方法及装置
CN111429940A (zh) * 2020-06-15 2020-07-17 杭州贝哆蜂智能有限公司 一种基于深度学习的实时音乐转录与曲谱匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄刚等: "基于深度学习的道路标线自动提取与分类方法", 《中国激光》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529086A (zh) * 2020-12-17 2021-03-19 武汉中海庭数据技术有限公司 停止线生成方法、电子装置和存储介质
CN112529086B (zh) * 2020-12-17 2022-08-09 武汉中海庭数据技术有限公司 停止线生成方法、电子装置和存储介质

Also Published As

Publication number Publication date
CN111930867B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN108664841B (zh) 一种基于激光点云的动静态目标物识别方法及装置
CN103093181B (zh) 一种车牌图像定位的方法和装置
WO2023050678A1 (zh) 多目标跟踪方法、装置、电子设备、存储介质和程序
CN108520571B (zh) 利用加速度计判断车辆行驶状态的算法和装置
US11036999B2 (en) Autonomous vehicle that is controlled based upon output of a Bayesian object classifier system
US20190389474A1 (en) Method and apparatus for acquiring control amount for performance test of unmanned vehicle
CN115965657A (zh) 目标跟踪方法、电子设备、存储介质及车辆
CN113673281B (zh) 限速信息确定方法、装置、设备以及存储介质
CN111930867B (zh) 一种基于原始轨迹生成停止线的方法及系统
JP5895728B2 (ja) 車群管理装置
CN114926540A (zh) 一种车道线标定的方法、装置、终端设备及可读存储介质
CN115489336A (zh) 基于大数据的电机扭矩输出优化方法和装置
JP2023539643A (ja) 車両の確認および検証のためのクリティカルシナリオの識別
CN112163521A (zh) 一种车辆行驶行为的识别方法、装置及设备
CN111216723B (zh) 车辆的行驶控制方法、装置和存储介质
CN111127952A (zh) 检测潜在交通碰撞的方法、装置和存储介质
CN112632304B (zh) 基于索引的数据查找方法、装置、服务器及存储介质
CN112258602B (zh) 一种停止线生成方法、装置、电子设备及存储介质
CN115546522A (zh) 运动目标的识别方法以及相关装置
KR20190060162A (ko) 온라인 비지도 학습 기반 심층 신경망을 이용한 교통 표지판 인식 방법 및 시스템
CN113298099B (zh) 一种驾驶行为识别方法、装置、电子设备及存储介质
JP2018124641A (ja) 運転支援装置
CN116894225B (zh) 驾驶行为异常分析方法及其装置、设备、介质
CN116630928B (zh) 一种车道线优化方法、装置及电子设备
Kelkar et al. Revolutionizing the Driving Experience: Enhancing Safety and Comfort Using ADAS

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