CN112419702B - 基于时间序列的车辆掉队预测方法、装置及存储介质 - Google Patents
基于时间序列的车辆掉队预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112419702B CN112419702B CN201910768401.4A CN201910768401A CN112419702B CN 112419702 B CN112419702 B CN 112419702B CN 201910768401 A CN201910768401 A CN 201910768401A CN 112419702 B CN112419702 B CN 112419702B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- distance
- speed
- time
- vehicles
- 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 58
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/22—Platooning, i.e. convoy of communicating vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于时间序列的车辆掉队预测方法、装置及存储介质,方法包括:车队行驶之前,确定前车与后车之间的距离,形成初始距离矩阵;车队出发后以预设的周期时间T采集车辆实时速度;利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测列;根据车辆实时速度的时间序列前后车距离,当前后车距离超过预设的阈值后,便发出掉队预警。本发明通过数据的预处理减少系统传输误差对预警管理的影响,利用自适应滤波时间序列预测进行速度预测,描述前后车的距离关系,更新车辆的超车掉队后前后车关系,并根据新的前后车距离关系对车辆的掉队进行预警提醒。
Description
技术领域
本发明涉及车队车辆掉队的研究,特别涉及基于时间序列的车辆掉队预测方法、装置及存储介质。
背景技术
在某些应用场景下,车辆常需组队出行和协同工作,如自驾游出行车队、礼仪车队和搬家车队等。在这类车队活动中,车队一般不依靠导航进行导航前行,而是有专门的向导在首车上带领车队前行。车队假如行驶至不熟悉地点时,可能因为交通状况差等原因,导致车辆掉队,导航设备无法提供有效轨迹导航,那么就需要车队整体等待后车加速跟随,过程不方便且麻烦。
同时,虽然目前可通过GPS位置坐标对车队位置实时监控,但GPS传感器的传感精度与设备所处的地形、通信质量环境和天气状况均有很大的关系,在如上的极端条件下,GPS信号定位的精度是无法保证的,因此无法准确测量车辆之间的位置信息。
因此在现有技术下,车队行进时无法预知具体车辆是否出现掉队情况而使向导车辆带队前进过程效率低下且不方便。
发明内容
本发明旨在解决现有技术中车队行进时无法预知具体车辆是否出现掉队情况而带来的问题,提出了基于时间序列的车辆掉队预测方法、装置及存储介质,通过测量速度数据对车辆之间的距离进行实时预测,并发出预警掉队。
为实现上述技术目的,本发明采用以下技术方案:
一方面,本发明提供一种基于自适应滤波时间序列的车辆掉队预测方法,包括以下步骤:
车队行驶之前,确定车队的所有车辆初始位置并根据位置确定前车与后车之间的距离,形成初始距离矩阵;
车队出发后以预设的周期时间T采集车辆实时速度,得到所有车辆的速度矩阵;
基于所有车辆的速度矩阵利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测,得到基于所有车辆实时速度的时间序列;
根据车辆实时速度的时间序列计算车辆行驶的路程并确定每个车辆与前车之间的距离;
根据前后车的距离关系重新计算车辆与首车的距离,重新确定车辆的前后车顺序关系,并调整前后车的次序得到更新后的车辆距离矩阵;
当车辆距离矩阵中出现前后车距离超过预设的阈值后,便发出掉队预警。
在以上技术方案中,步骤4中利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测具体包括如下步骤:
计算需要预测的速度V′n+1,表达式如下:
调整权数ωk后得到新的权值ω’k,公式如下:
ω′k=ωk+2k·ek+1Vn-k+1,
其中k为需学习的周期数,ek+1为第k+1期的预测误差,表达式为:
ek+1=|Vk+1-V′k+1|;V′k+1为第k+1个周期的预测速度值,Vn+1为实际第k+1个周期的测量速度值;
当误差调整至小于可忽略误差值后,确定当前误差的权值并根据此权值进行速度的时间序列的预测。
进一步地,所述方法还包括预设的周期时间T采集车辆实时转向角数据,得到所有车辆的转向角矩阵;根据转向角矩阵计算连续设定数量的转向角之和,超过预设角度后,提醒后车进行路口转向的方向,根据转向角之和的正负判断左右转向。
在第二方面,本发明提供了一种基于自适应滤波时间序列的车辆掉队预测装置,包括,车辆速度采集模块、时间序列确定模块以及车辆掉队预警模块;
车辆速度采集模块,用于在车队行驶之前,确定车队的所有车辆初始位置并根据位置确定前车与后车之间的距离,形成初始距离矩阵;车队出发后以预设的周期时间T采集车辆实时速度,得到所有车辆的速度矩阵;
时间序列确定模块,用于基于所有车辆的速度矩阵利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测,得到基于所有车辆实时速度的时间序列;
车辆掉队预警模块,用于根据车辆实时速度的时间序列计算车辆行驶的路程并确定每个车辆与前车之间的距离;根据前后车的距离关系重新计算车辆与首车的距离,重新确定车辆的前后车顺序关系,并调整前后车的次序得到更新后的车辆距离矩阵;当车辆距离矩阵中出现前后车距离超过预设的阈值后,便发出掉队预警。
在第三方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述方法的步骤。
本发明所取得的有益技术效果:
本发明设计了一种根据速度数据时间序列预测车辆间距的方法,采用自适应滤波时间序列对车队车辆未来特定时间内的车速进行预测,可进而实现车辆进行未来特定时间的掉队预测,发出掉队提醒;方法简单可行效率更高;
本发明对数据采用了差值法进行预处理,保证了采集的数据的有效性和连续性;
本发明同时根据前车的转向角时间序列对后车进行转向直行提醒跟随前车轨迹。
附图说明
图1为本发明的一种基于自适应滤波时间序列的车辆掉队预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1示出处了本发明具体实施例提供的一种基于自适应滤波时间序列的车辆掉队预测方法。本方法得流程是:确定车队车辆与首车之间的初始距离是根据车载GPS数据或者手机GPS进行测量得到的,GPS标定距离公式采用的是Haversine公式。一般来说,车队的车载监控设备GPS位置标定精度低于手机GPS标定精度。
车辆的速度数据由汽车速度传感器进行测量,车辆行驶的方向则由转向角传感器进行测量,以此标定车辆当前行驶方向。每隔一个周期T测量车辆的汽车行驶速度和转向角,得到车辆速度和转向角时间序列。通常在周期T(T较小)内可认为车辆在进行匀速或者匀变速运动,因此车辆在时间T内行驶的距离为该车辆的平均速度乘以时间,依次计算n T周期内车辆行驶的距离,可以计算一段时间内的前后车行驶的距离,前后车行驶距离相减为前后车行驶距离之差。
前后车行驶的距离计算方式为前后车的行驶距离之差加上前后车的初始距离为当前前后车的距离,按照根据前后车距离关系分别计算出车辆与首车之间的距离,重新排布车辆的前后车关系,以此作为车辆超车与掉队的现象描述。
前者与后车之间的距离超出一定的距离之后,将会自动预警掉队风险,同时在掉队之后进行转向角提示,并根据欠着的转向角时间序列进行转向和直行,直至跟随到前车。
在具体实施例中,本发明包括以下步骤:
S101:车队的车辆进行GPS测定,测定的方法为车载GPS或者手机GPS进行测量,按照Haversine公式计算前后车之间的距离,若有N辆车,第1辆车为首车,第2辆车跟随首车行进,两者之间的距离为L12,以此类推,第N-1辆车与第N辆车的距离为L(N-1)N。构成一个初始距离矩阵L0=[L01L12…L(N-1)N]。
车辆的前后车距离矩阵即表示当前车辆的先后顺序,同时也描述了车辆的距离。
S102:车队出发后,利用汽车速度传感器进行测速并同时利用转向角传感器记录当前车辆的转向角。以一定的周期记录当前速度值,在M周期时间T内,记录的第N辆车的第M周期的速度值为VNM,V矩阵为当前车队车辆速度时间序列矩阵,θNM为第N辆车的第M周期的转向角,转向角的正负代表着左转右转。
通过记录速度数据,可以描述一段时间车辆的运行快慢,同时根据转向角描述其运动轨迹,一般而言,选用的记录速度数据的周期T为0.5s,一共选用40个T周期即20s的速度数据记录。
S103:对速度和转向角时间序列矩阵进行数据预处理。数据传输过程可能会导致传感器数据缺失,继而速度和转向角矩阵元素的缺失,利用插值法进行插值,弥补丢失的矩阵元素,完成数据的预处理。
优选地通过样条插值法进行数据预处理,或者通过中值法进行数据差值预处理,处理数据丢失和数据记录错误的情况,减少记录错误。
S104:根据每辆车的速度时间序列进行速度预测。因速度的时间序列不具有平稳特性,随机性较大,所以利用基于自适应滤波法的时间序列预测算法对未来小段时间的速度预测,得到车辆的速度矩阵V为[V1V2…VM VM+1…VM+m],其中M为测量的速度数据,m为预测未来时间内的速度数据的个数。
优选地,在具体实施例中通过数学建模方法进行速度的时间序列预测。选用的方法是采用自适应滤波法的时间序列进行速度的预测,对未来5s时间的速度数据进行预测。自适应滤波法的时间序列预测算法为:
假设需要预测的速度为:
以此进行预测预测V′n+1的值与实际测量值Vn+1的之间的误差大小en+1=|Vn+1-V′n+1|作为调整权数的根据,调整的公式为:
ω′k=ωk+2k·ek+1Vn-k+1,
其中,根据ωk进行误差ek61调整权值ω′k,k为需学习的周期数,ek+1为第k+1期的预测误差,ek+1=|Vk+1-V′k+1|;V′k+1为第k+1个周期的预测速度值,Vn+1为实际第k+1个周期的测量速度值;
权数个数n选用根据时间序列的观测值的规律性进行选取,汽车一般加速减速呈现周期性规律,加速减速完成的时间为5s左右,因此选用n=10作为权数个数;初始权值需学习的周期数k决定了调整权数的速度大小,一般而言
当误差调整至小于可忽略误差值后,确定当前误差的权值并根据此权值进行速度的时间序列的预测。
S105:根据车辆实时速度的时间序列计算车辆行驶的路程。因为每个记录速度的时间序列的每段周期的时间段的时间小,所以将这一小段时间内的车辆运动过程是匀变速过程(匀速也是特殊的匀变速),第k辆车的第M周期内的平均速度大小T为记录数据的周期,这段时间内的路程为速度大小为中间时刻速度为。因此第k车辆行驶一段时间后与前车的距离为
在具体实施例中,先计算两车在同一段时间内行驶的距离之差,再加上初始的距离,更新车辆的行驶前后车的距离。
S106:根据前后车的距离关系重新计算前后车的关系,以此描述超车和掉队现象。根据S(k-1)k的关系,计算当前车辆与首车之间的距离为根据DN重新计算车辆的前后车顺序关系。并根据DN重新计算第k辆车的前后车的距离S(k-1)k。
当车辆会超车与掉队时,前后车的关系已经改变了,因此要更新前后车之间的关系,重新确定前后车之间的距离关系,以此作为掉队的判断依据。
S107:对前后车之间的距离S(k-1)k设置阈值,当超过阈值后,便发出掉队预警,同时通过提示进行引导车辆转向或直行追赶。根据转向角矩阵,进行转向检测,检测的过程是计算连续W个转向角之和,超过一定角度后,说明车辆在路口完成了转向,此时将会提醒后车进行路口转向的方向,根据转向角之和的正负判断左右转向。
优选地,根据转向角进行路线调整,当车辆掉队时,只需要告诉车辆在路口时前车的转向角完成转向或者直行即可。
本发明实施例提供了一种基于自适应滤波时间序列的车辆掉队预测装置,包括,车辆速度采集模块、时间序列确定模块以及车辆掉队预警模块;
车辆速度采集模块,用于在车队行驶之前,确定车队的所有车辆初始位置并根据位置确定前车与后车之间的距离,形成初始距离矩阵;车队出发后以预设的周期时间T采集车辆实时速度,得到所有车辆的速度矩阵;
时间序列确定模块,用于基于所有车辆的速度矩阵利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测,得到基于所有车辆实时速度的时间序列;
车辆掉队预警模块,用于根据车辆实时速度的时间序列计算车辆行驶的路程并确定每个车辆与前车之间的距离;根据前后车的距离关系重新计算车辆与首车的距离,重新确定车辆的前后车顺序关系,基于所有车辆的速度矩阵前后车的次序得到更新后的车辆距离矩阵;当车辆距离矩阵中出现前后车距离超过预设的阈值后,便发出掉队预警。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述方法的步骤。
本发明提供的方法为车队的掉队预警管理、掉队后的指挥调度提供了支持,可以对车队进行有效的掉队监控和预警,通过数据的预处理减少系统传输误差对预警管理的影响,利用自适应滤波法的时间序列预测进行速度预测,描述前后车的距离关系,更新车辆的超车掉队后前后车关系,并根据新的前后车距离关系对车辆的掉队进行预警提醒,后车根据前车的转向角时间序列完成路口转向或直行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种基于自适应滤波时间序列的车辆掉队预测方法,其特征在于,包括以下步骤:
车队行驶之前,确定车队的所有车辆初始位置并根据位置确定前车与后车之间的距离,形成初始距离矩阵;车队出发后以预设的周期时间T采集车辆实时速度,得到所有车辆的速度矩阵;
基于所有车辆的速度矩阵利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测,得到基于所有车辆实时速度的时间序列;
根据车辆实时速度的时间序列计算车辆行驶的路程并确定每个车辆与前车之间的距离;
根据前后车的距离关系重新计算车辆与首车的距离,重新确定车辆的前后车顺序关系并调整前后车的次序得到更新后的车辆距离矩阵;
当车辆距离矩阵中出现前后车距离超过预设的阈值后,确定有车辆掉队;
利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测具体包括如下步骤:
调整权值ωk后得到新的权值ω’k,公式如下:
ω′k=ωk+2k·ek+1Vn-k+1,
其中k为需学习的周期数,ek+1为第k+1周期的预测误差,表达式为:
ek+1=|Vk+1-V′k+1|;V′k+1为第k+1个周期的预测速度值,Vn+1为实际第k+1个周期的测量速度值;
当误差调整至小于可忽略误差值后,确定当前误差的权值并根据此权值进行速度的时间序列的预测;
根据车辆实时速度的时间序列计算车辆行驶的路程并确定每个车辆与前车之间的距离具体方法如下:
根据两车在同一段时间内的行驶距离之差和初始距离的和为当前两车距离,因此第k辆车行驶时间T后与前车第k-1辆车的距离如下公式表示:
其中S(k-1)k为第k辆车与前车第k-1辆车的距离,L(k-1)k为第k辆车与前车第k-1辆车的初始距离,m为预测未来时间内的速度数据的个数。
2.根据权利要求1所述的一种基于自适应滤波时间序列的车辆掉队预测方法,其特征在于,根据车载GPS数据或者手机GPS进行测量得到车辆初始位置。
3.根据权利要求1所述的一种基于自适应滤波时间序列的车辆掉队预测方法,其特征在于,根据位置确定前车与后车之间的距离采用的是Haversine公式。
4.根据权利要求1所述的一种基于自适应滤波时间序列的车辆掉队预测方法,其特征在于,所述方法还包括预设的周期时间T采集车辆实时转向角数据,得到所有车辆的转向角矩阵;根据转向角矩阵计算连续设定数量的转向角之和,超过预设角度后,提醒后车进行路口转向的方向,根据转向角之和的正负判断左右转向。
5.根据权利要求4所述的一种基于自适应滤波时间序列的车辆掉队预测方法,其特征在于,利用中值插值法对车辆的速度矩阵和转向角矩阵进行插值。
6.根据权利要求1所述的一种基于自适应滤波时间序列的车辆掉队预测方法,其特征在于,预测所需周期基数及权值的个数n的值取10。
7.一种基于自适应滤波时间序列的车辆掉队预测装置,其特征包括,车辆速度采集模块、时间序列确定模块以及车辆掉队预警模块;
车辆速度采集模块,用于在车队行驶之前,确定车队的所有车辆初始位置并根据位置确定前车与后车之间的距离,形成初始距离矩阵;车队出发后以预设的周期时间T采集车辆实时速度,得到所有车辆的速度矩阵;
时间序列确定模块,用于基于所有车辆的速度矩阵利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测,得到基于所有车辆实时速度的时间序列;
车辆掉队预警模块,用于根据车辆实时速度的时间序列计算车辆行驶的路程并确定每个车辆与前车之间的距离;根据前后车的距离关系重新计算车辆与首车的距离,重新确定车辆的前后车顺序关系并调整前后车的次序得到更新后的车辆距离矩阵;
当车辆距离矩阵中出现前后车距离超过预设的阈值后,便发出掉队预警;
利用基于自适应滤波法的时间序列预测算法对车队车辆未来预设时间的速度预测具体包括如下步骤:
调整权值ωk后得到新的权值ω’k,公式如下:
ω′k=ωk+2k·3k+1Vn-k+1,
其中k为需学习的周期数,ek+1为第k+1周期的预测误差,表达式为:
ek+1=|Vk+1-V′k+1|;V′k+1为第k+1个周期的预测速度值,Vn+1为实际第k+1个周期的测量速度值;
当误差调整至小于可忽略误差值后,确定当前误差的权值并根据此权值进行速度的时间序列的预测;
根据车辆实时速度的时间序列计算车辆行驶的路程并确定每个车辆与前车之间的距离具体方法如下:
根据两车在同一段时间内的行驶距离之差和初始距离的和为当前两车距离,因此第k辆车行驶时间T后与前车第k-1辆车的距离如下公式表示:
其中S(k-1)k为第k辆车与前车第k-1辆车的距离,L(k-1)k为第k辆车与前车第k-1辆车的初始距离,m为预测未来时间内的速度数据的个数。
8.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910768401.4A CN112419702B (zh) | 2019-08-20 | 2019-08-20 | 基于时间序列的车辆掉队预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910768401.4A CN112419702B (zh) | 2019-08-20 | 2019-08-20 | 基于时间序列的车辆掉队预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419702A CN112419702A (zh) | 2021-02-26 |
CN112419702B true CN112419702B (zh) | 2022-04-15 |
Family
ID=74778856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910768401.4A Active CN112419702B (zh) | 2019-08-20 | 2019-08-20 | 基于时间序列的车辆掉队预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419702B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114461072A (zh) * | 2022-02-10 | 2022-05-10 | 湖北星纪时代科技有限公司 | 一种显示方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108494965A (zh) * | 2018-03-28 | 2018-09-04 | 广东欧珀移动通信有限公司 | 提醒方法、装置及计算机可读存储介质 |
WO2018166676A1 (de) * | 2017-03-15 | 2018-09-20 | Robert Bosch Gmbh | Verfahren zur ansteuerung eines hoch- oder vollautomatisierten fahrzeugs |
CN108616810A (zh) * | 2018-05-10 | 2018-10-02 | 上海交通大学 | 一种车队自主跟车系统、便携式装置及方法 |
CN109102712A (zh) * | 2017-06-20 | 2018-12-28 | 北京嘀嘀无限科技发展有限公司 | 用于实现车辆平滑移动的数据处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104661179B (zh) * | 2013-11-20 | 2019-07-05 | 沈阳晨讯希姆通科技有限公司 | 定位数据共享方法及系统 |
-
2019
- 2019-08-20 CN CN201910768401.4A patent/CN112419702B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018166676A1 (de) * | 2017-03-15 | 2018-09-20 | Robert Bosch Gmbh | Verfahren zur ansteuerung eines hoch- oder vollautomatisierten fahrzeugs |
CN109102712A (zh) * | 2017-06-20 | 2018-12-28 | 北京嘀嘀无限科技发展有限公司 | 用于实现车辆平滑移动的数据处理方法及装置 |
CN108494965A (zh) * | 2018-03-28 | 2018-09-04 | 广东欧珀移动通信有限公司 | 提醒方法、装置及计算机可读存储介质 |
CN108616810A (zh) * | 2018-05-10 | 2018-10-02 | 上海交通大学 | 一种车队自主跟车系统、便携式装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112419702A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11305765B2 (en) | Method for predicting movement of moving objects relative to an autonomous driving vehicle | |
EP3353494B1 (en) | Speed control parameter estimation method for autonomous driving vehicles | |
EP3423787B1 (en) | Method and system for updating maps based on control feedbacks of autonomous driving vehicles | |
EP3342670B1 (en) | Method to dynamically adjusting speed control rates of autonomous vehicles | |
US11377119B2 (en) | Drifting correction between planning stage and controlling stage of operating autonomous driving vehicles | |
EP3562725B1 (en) | Method and system for determining road frictions of autonomous driving vehicles using learning-based model predictive control | |
JP5269024B2 (ja) | 路面状況推定装置および路面状況推定方法 | |
US10054945B2 (en) | Method for determining command delays of autonomous vehicles | |
US10272778B2 (en) | Method and system for determining unit gain of speed control for autonomous driving vehicles | |
EP3524494B1 (en) | Lane self-localization system using multiple cameras for autonomous driving vehicles | |
US11477567B2 (en) | Method and system for locating an acoustic source relative to a vehicle | |
JP2022023388A (ja) | 車両位置決定装置 | |
CN110654380B (zh) | 用于控制车辆的方法和装置 | |
CN112419702B (zh) | 基于时间序列的车辆掉队预测方法、装置及存储介质 | |
US11180140B2 (en) | Camera-based low-cost lateral position calibration method for level-3 autonomous vehicles | |
JP7069624B2 (ja) | 位置演算方法、車両制御方法及び位置演算装置 | |
JP6448347B2 (ja) | 減速制御システム、方法およびプログラム | |
CN110262493A (zh) | 无人车车队队形变换的方法及装置 | |
US12030518B2 (en) | Lane changing based only on local information | |
US20220315037A1 (en) | Lane changing based only on local information | |
JP5316280B2 (ja) | 道路情報学習装置、道路情報学習方法および道路情報学習プログラム | |
JP2024019946A (ja) | 通信制御方法及び通信システム | |
JP2015161625A (ja) | 運転支援システム、方法およびプログラム |
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 |