CN112572472B - 一种基于Frenet坐标系的自动驾驶碰撞预测方法 - Google Patents

一种基于Frenet坐标系的自动驾驶碰撞预测方法 Download PDF

Info

Publication number
CN112572472B
CN112572472B CN202011445619.5A CN202011445619A CN112572472B CN 112572472 B CN112572472 B CN 112572472B CN 202011445619 A CN202011445619 A CN 202011445619A CN 112572472 B CN112572472 B CN 112572472B
Authority
CN
China
Prior art keywords
vehicle
coordinate system
self
obstacle
sampling point
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
Application number
CN202011445619.5A
Other languages
English (en)
Other versions
CN112572472A (zh
Inventor
郑玲
曾迪
李以农
张紫微
杨威
乔旭强
郑浩
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202011445619.5A priority Critical patent/CN112572472B/zh
Publication of CN112572472A publication Critical patent/CN112572472A/zh
Application granted granted Critical
Publication of CN112572472B publication Critical patent/CN112572472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
    • 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
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo or light sensitive means, e.g. infrared sensors
    • B60W2420/403—Image sensing, e.g. optical camera
    • B60W2420/408—

Abstract

本发明公开了一种基于Frenet坐标系的自动驾驶碰撞预测方法，包括：建立笛卡尔坐标系，并根据信息采集设备采集的道路散点信息，拟合自车所在车道的中心线；建立Frenet坐标系，并根据信息采集设备获取的自车和障碍车位置信息，确定自车和障碍车在Frenet坐标系中的位置；获取自车的规划轨迹，按一定时间间隔在轨迹上选取采样点，并以自车处于采样点位置时的几何中心为圆心建立膨胀椭圆；根据预测的未来一段时间内障碍车的轨迹，找到对应于自车采样点时刻的障碍车位置，并从障碍车外轮廓矩形上取采样点；判断障碍车采样点是否位于自车膨胀椭圆内。本发明考虑了环境感知误差和自车轨迹跟踪误差，避免了因感知误差和跟踪误差导致障碍车与自车发生碰撞。

Description

一种基于Frenet坐标系的自动驾驶碰撞预测方法
技术领域
本发明涉及汽车自动驾驶技术领域，具体是涉及一种基于Frenet坐标系的自动驾驶碰撞预测方法。
背景技术
目前，工程实际中采用的自动驾驶技术主要为分层式结构，即先进行轨迹规划，再进行轨迹跟踪。在自动驾驶轨迹规划阶段，通常需要从一系列候选轨迹中选择最优轨迹进行跟踪，而最优轨迹首先需要保障安全性，因此需要对候选轨迹进行安全性评估。现有的技术缺少对感知误差、跟踪误差的考虑，包括障碍车定位误差、运动预测误差，以及自车轨迹跟踪误差，障碍车与自车存在发生碰撞的风险。
发明内容
本发明的目的在于提供一种基于Frenet坐标系的自动驾驶碰撞预测方法，避免因感知误差和跟踪误差导致障碍车与自车发生碰撞。
为了达到上述目的，本发明提供了一种基于Frenet坐标系的自动驾驶碰撞预测方法，包括：建立笛卡尔坐标系，并根据信息采集设备采集的道路散点信息，拟合自车所在车道的中心线；
建立Frenet坐标系，并根据信息采集设备获取的自车和障碍车位置信息，确定自车和障碍车在Frenet坐标系中的位置；
获取自车的规划轨迹，按一定时间间隔在轨迹上选取采样点，并以自车处于采样点位置时的几何中心为圆心建立描述自车安全范围的膨胀椭圆；
根据预测的未来一段时间内障碍车的轨迹，找到对应于自车采样点时刻的障碍车位置，并从障碍车外轮廓矩形上取采样点；
判断障碍车采样点是否位于自车膨胀椭圆内。
可选的，信息采集设备包括摄像头和雷达。
可选的，笛卡尔坐标系原点设定在自车质心位置，x轴方向沿车道中心线切线方向，y轴垂直于x轴指向自车一侧，将自车所在车道的中心线拟合为三次多项式曲线：
Figure RE-GDA0002957280520000021
其中，s为沿道路中心线的弧长，ai、bi为常系数，i为0、1、2或3。
可选的，建立Frenet坐标系时，Frenet坐标系原点与笛卡尔坐标系原点重合，以自车所在车道的中心线为Frenet坐标系的s轴，d轴与笛卡尔坐标系y 轴重合。
可选的，以自车纵向为x轴方向、横向为y轴方向，建立椭圆坐标系，则描述自车安全范围的膨胀椭圆为：
Figure RE-GDA0002957280520000022
其中，α为纵向安全裕度，β为横向安全裕度。
可选的，纵向安全裕度和横向安全裕度均随车速增大而增大。
可选的，利用高斯过程法预测对应于自车轨迹采样点时刻的障碍车位置，并对每一个位置从障碍车外轮廓矩形上均匀取点：
Figure RE-GDA0002957280520000023
其中，Pi j表示第j时刻第i个采样点，
Figure RE-GDA0002957280520000024
表示第j时刻矩形的任意一个顶点，
Figure RE-GDA0002957280520000025
表示第j时刻与之相邻的顶点。
可选的，当障碍车采样点位于自车膨胀椭圆内时：
Figure RE-GDA0002957280520000026
其中，sx,sy分别为第j时刻采样点在椭圆坐标系下的横坐标和纵坐标。
可选的，sx,sy计算公式如下：
Figure RE-GDA0002957280520000031
Figure RE-GDA0002957280520000032
其中：ss和ds分别为障碍车的采样点的横坐标和纵坐标，f(s)为自车规划轨迹，
Figure RE-GDA0002957280520000033
和
Figure RE-GDA0002957280520000034
分别为j时刻自车的采样点的横坐标和纵坐标。
本发明提供一种基于Frenet坐标系的自动驾驶碰撞预测方法，包括：建立笛卡尔坐标系，并根据信息采集设备采集的道路散点信息，拟合自车所在车道的中心线；建立Frenet坐标系，并根据信息采集设备获取的自车和障碍车位置信息，确定自车和障碍车在Frenet坐标系中的位置；获取自车的规划轨迹，按一定时间间隔在轨迹上选取采样点，并以自车处于采样点位置时的几何中心为圆心建立描述自车安全范围的膨胀椭圆；根据预测的未来一段时间内障碍车的轨迹，找到对应于自车采样点时刻的障碍车位置，并从障碍车外轮廓矩形上取采样点；判断障碍车采样点是否位于自车膨胀椭圆内。本发明考虑了环境感知误差和自车轨迹跟踪误差，避免了因感知误差和跟踪误差导致障碍车与自车发生碰撞。
附图说明
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
图1是本发明一实施例提供的自动驾驶碰撞预测方法流程图；
图2是本发明一实施例提供的道路中心线建模示意图；
图3是本发明一实施例提供的Frenet坐标系示意图；
图4是本发明一实施例提供的自车膨胀椭圆示意图；
图5是本发明一实施例提供的障碍车外轮廓采样示意图；
图6是本发明一实施例提供的自车和障碍车碰撞判断示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
图1是本发明一实施例提供的自动驾驶碰撞预测方法流程图，图2是本发明一实施例提供的道路中心线建模示意图，参见图1-图2所示，基于Frenet 坐标系的自动驾驶碰撞预测方法包括以下步骤(S1-S5)：
S1：建立笛卡尔坐标系，并根据信息采集设备采集的道路散点信息，拟合自车所在车道的中心线。
信息采集设备包括摄像头和雷达。由于摄像头和雷达采集的信息均基于笛卡尔坐标系，因此需要在每一轨迹规划周期内，建立笛卡尔坐标系，并将其原点设定在该周期初始时刻时自车质心位置，x轴方向沿车道中心线切线方向， y轴垂直于x轴指向自车左侧。根据摄像头采集的道路散点信息，将自车所在车道的中心线拟合为三次多项式曲线：
Figure RE-GDA0002957280520000041
其中，s为沿道路中心线的弧长，ai、bi为常系数，i＝(0、1、2、3)。
S2：建立Frenet坐标系，并根据信息采集设备获取的自车和障碍车位置信息，确定自车和障碍车在Frenet坐标系中的位置。
图3是本发明一实施例提供的Frenet坐标系示意图，参见图3，建立Frenet 坐标系可以将曲线道路从形式上转化为直道，因而有效地降低了轨迹规划的复杂度。每一轨迹规划周期内，曲线坐标系原点与笛卡尔坐标系原点重合，以自车所在车道的中心线为Frenet坐标系的s轴，d轴与笛卡尔坐标系y轴重合。
S3：获取自车的规划轨迹，按一定时间间隔在轨迹上选取采样点，并以自车处于采样点位置时的几何中心为圆心建立描述自车安全范围的膨胀椭圆。
图4是本发明一实施例提供的自车膨胀椭圆示意图，参见图4，对于Frenet 坐标系中的某一条规划轨迹d＝f(s)，其在笛卡尔坐标系下被描述为：
Figure RE-GDA0002957280520000051
则轨迹长度关于s的函数可由下式计算：
Figure RE-GDA0002957280520000052
根据轨迹的速度信息，有沿该轨迹行驶路程关于时间的函数l(t)。按时间间隔Δ取n个时刻{t1,t2,t3,...,tn}，分别代入l(t)，再令l(s)＝l(t)，由此求出该轨迹上 n个时刻对应的采样点
Figure RE-GDA0002957280520000053
以自车处于这些采样点位置时的几何中心(以矩形表示自车轮廓)为原点，以自车纵向为x轴方向、横向为y轴方向，建立椭圆坐标系，则描述自车安全范围的膨胀椭圆为：
Figure RE-GDA0002957280520000054
其中，α为纵向安全裕度(即长轴)，β为横向安全裕度(即短轴)，两者随车速增大而增大，并根据摄像头、雷达等传感器精度调整，由此实现对环境感知误差和自车轨迹跟踪误差的适应。
S4：根据预测的未来一段时间内障碍车的轨迹，找到对应于自车采样点时刻的障碍车位置，并从障碍车外轮廓矩形上取采样点。
图5是本发明一实施例提供的障碍车外轮廓采样示意图，参见图5，可根据障碍车历史速度数据，利用高斯过程法预测对应于自车轨迹采样点时刻的障碍车位置
Figure RE-GDA0002957280520000055
并对每一个位置从障碍车外轮廓矩形上均匀取点：
Figure RE-GDA0002957280520000056
其中，Pi j表示第j时刻第i个采样点，
Figure RE-GDA0002957280520000057
表示第j时刻矩形的任意一个顶点，
Figure RE-GDA0002957280520000058
表示第j时刻与之相邻的顶点。
S5：判断障碍车采样点是否位于自车膨胀椭圆内。
图6是本发明一实施例提供的自车和障碍车碰撞判断示意图，如果有一个采样点在膨胀椭圆内，则判定障碍车与自车会发生碰撞，即所规划的轨迹不安全；如果所有采样点均不在膨胀椭圆内，则判定障碍车不会与自车发生碰撞，即所规划的轨迹安全。
对于每个采样点按下式判断其是否位于自车膨胀椭圆内：
Figure RE-GDA0002957280520000061
其中，sx,sy分别为第j时刻采样点在椭圆坐标系下的横坐标和纵坐标。sx,sy计算公式如下：
Figure RE-GDA0002957280520000062
Figure RE-GDA0002957280520000063
其中：ss和ds分别为障碍车的采样点的横坐标和纵坐标，f(s)为自车规划轨迹，
Figure RE-GDA0002957280520000064
和
Figure RE-GDA0002957280520000065
分别为j时刻自车的采样点的横坐标和纵坐标。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种基于Frenet坐标系的自动驾驶碰撞预测方法，其特征在于，包括：
建立笛卡尔坐标系，并根据信息采集设备采集的道路散点信息，拟合自车所在车道的中心线；
建立Frenet坐标系，并根据信息采集设备获取的自车和障碍车位置信息，确定自车和障碍车在Frenet坐标系中的位置；
获取自车的规划轨迹，按一定时间间隔在轨迹上选取采样点，并以自车处于采样点位置时的几何中心为圆心建立描述自车安全范围的膨胀椭圆；
根据预测的未来一段时间内障碍车的轨迹，找到对应于自车采样点时刻的障碍车位置，并从障碍车外轮廓矩形上取采样点；
利用高斯过程法预测对应于自车轨迹采样点时刻的障碍车位置，并对每一个位置从障碍车外轮廓矩形上均匀取点：
Figure FDA0003317309470000011
其中，Pi j表示第j时刻第i个采样点，
Figure FDA0003317309470000012
表示第j时刻矩形的任意一个顶点，
Figure FDA0003317309470000013
表示第j时刻与之相邻的顶点；
判断障碍车采样点是否位于自车膨胀椭圆内。
2.根据权利要求1所述的基于Frenet坐标系的自动驾驶碰撞预测方法，其特征在于，信息采集设备包括摄像头和雷达。
3.根据权利要求2所述的基于Frenet坐标系的自动驾驶碰撞预测方法，其特征在于，笛卡尔坐标系原点设定在自车质心位置，x轴方向沿车道中心线切线方向，y轴垂直于x轴指向自车一侧，将自车所在车道的中心线拟合为三次多项式曲线：
Figure FDA0003317309470000021
其中，s为沿道路中心线的弧长，ai、bi为常系数，i为0、1、2或3。
4.根据权利要求1所述的基于Frenet坐标系的自动驾驶碰撞预测方法，其特征在于，建立Frenet坐标系时，Frenet坐标系原点与笛卡尔坐标系原点重合，以自车所在车道的中心线为Frenet坐标系的s轴，d轴与笛卡尔坐标系y轴重合。
5.根据权利要求1所述的基于Frenet坐标系的自动驾驶碰撞预测方法，其特征在于，以自车纵向为x轴方向、横向为y轴方向，建立椭圆坐标系，则描述自车安全范围的膨胀椭圆为：
Figure FDA0003317309470000022
其中，α为纵向安全裕度，β为横向安全裕度。
6.根据权利要求5所述的基于Frenet坐标系的自动驾驶碰撞预测方法，其特征在于，纵向安全裕度和横向安全裕度均随车速增大而增大。
7.根据权利要求5所述的基于Frenet坐标系的自动驾驶碰撞预测方法，其特征在于，当障碍车采样点是否位于自车膨胀椭圆内时：
Figure FDA0003317309470000031
其中，sx,sy分别为第j时刻采样点在椭圆坐标系下的横坐标和纵坐标。
8.根据权利要求7所述的基于Frenet坐标系的自动驾驶碰撞预测方法，其特征在于，sx,sy计算公式如下：
Figure FDA0003317309470000032
Figure FDA0003317309470000033
其中，ss和ds分别为障碍车的采样点在Frenet坐标系下的s坐标和d坐标，f(s)为自车规划轨迹，
Figure FDA0003317309470000034
和
Figure FDA0003317309470000035
分别为j时刻自车的采样点在Frenet坐标系下的s坐标和d坐标。
CN202011445619.5A 2020-12-08 2020-12-08 一种基于Frenet坐标系的自动驾驶碰撞预测方法 Active CN112572472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011445619.5A CN112572472B (zh) 2020-12-08 2020-12-08 一种基于Frenet坐标系的自动驾驶碰撞预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011445619.5A CN112572472B (zh) 2020-12-08 2020-12-08 一种基于Frenet坐标系的自动驾驶碰撞预测方法

Publications (2)

Publication Number Publication Date
CN112572472A CN112572472A (zh) 2021-03-30
CN112572472B true CN112572472B (zh) 2021-12-14

Family

ID=75130936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011445619.5A Active CN112572472B (zh) 2020-12-08 2020-12-08 一种基于Frenet坐标系的自动驾驶碰撞预测方法

Country Status (1)

Country Link
CN (1) CN112572472B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113071517B (zh) * 2021-04-12 2022-05-13 南京航空航天大学 一种基于车辆行为预测的自动驾驶避障方法及系统
EP4082858B1 (en) * 2021-04-28 2023-11-01 KNORR-BREMSE Systeme für Nutzfahrzeuge GmbH Method and apparatus for aggregating/representing an environment model for a driver assistance system of a vehicle
CN113119929A (zh) * 2021-05-24 2021-07-16 前海七剑科技(深圳)有限公司 弯道制动控制方法、控制系统、电子设备及存储介质
CN113460091B (zh) * 2021-08-23 2022-10-21 吉林大学 一种无保护十字路口无人车滚动优化决策方法
CN115230731A (zh) * 2021-09-13 2022-10-25 上海仙途智能科技有限公司 行驶路径确定方法、装置、终端及介质
CN114485712B (zh) * 2022-01-30 2023-07-21 重庆长安汽车股份有限公司 一种处理st图构建时障碍物多次侵入本车轨迹的方法
CN114162115B (zh) * 2022-02-10 2022-06-14 北京宏景智驾科技有限公司 用于智能驾驶的车辆碰撞风险监控方法及域控制器
CN114489087B (zh) * 2022-04-18 2022-07-05 北京理工大学 一种多无人驾驶车辆路径协同规划方法及系统
CN114643988B (zh) * 2022-05-20 2022-10-21 杭州宏景智驾科技有限公司 跟踪目标确定方法和装置、电子设备和存储介质
CN115871658B (zh) * 2022-12-07 2023-10-27 之江实验室 一种面向稠密人流的智能驾驶速度决策方法和系统
CN116540745B (zh) * 2023-07-05 2023-09-12 新石器慧通（北京）科技有限公司 轨迹规划方法和装置、无人车和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1538068A2 (en) * 2003-12-05 2005-06-08 Fuji Jukogyo Kabushiki Kaisha Collision avoidance control for vehicles
CN110341711A (zh) * 2019-07-06 2019-10-18 深圳数翔科技有限公司 一种基于码头环境的行驶轨迹生成系统及方法
CN111002980A (zh) * 2019-12-10 2020-04-14 苏州智加科技有限公司 基于深度学习的道路障碍物轨迹预测方法和系统
CN111750887A (zh) * 2020-06-11 2020-10-09 上海交通大学 降低事故严重程度的无人驾驶车辆轨迹规划方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG11201811270WA (en) * 2017-07-13 2019-02-27 Beijing Didi Infinity Technology & Development Co Ltd Systems and methods for trajectory determination
CN109523830B (zh) * 2018-11-08 2021-08-03 中交第一公路勘察设计研究院有限公司 基于高频高精度定位信息的车辆轨迹预测及碰撞预警方法
CN110696823B (zh) * 2019-10-15 2020-12-18 浙江吉利汽车研究院有限公司 一种预估车辆发生碰撞时间的方法、系统及车辆
CN111746559B (zh) * 2020-07-02 2023-04-07 湖北汽车工业学院 一种前车换道意图预测方法及预测系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1538068A2 (en) * 2003-12-05 2005-06-08 Fuji Jukogyo Kabushiki Kaisha Collision avoidance control for vehicles
CN110341711A (zh) * 2019-07-06 2019-10-18 深圳数翔科技有限公司 一种基于码头环境的行驶轨迹生成系统及方法
CN111002980A (zh) * 2019-12-10 2020-04-14 苏州智加科技有限公司 基于深度学习的道路障碍物轨迹预测方法和系统
CN111750887A (zh) * 2020-06-11 2020-10-09 上海交通大学 降低事故严重程度的无人驾驶车辆轨迹规划方法及系统

Also Published As

Publication number Publication date
CN112572472A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN112572472B (zh) 一种基于Frenet坐标系的自动驾驶碰撞预测方法
CN110596694B (zh) 一种复杂环境雷达多目标跟踪和道路行驶环境预测方法
CN111469847B (zh) 一种变道路径规划的方法及系统
CN110220529B (zh) 一种路侧自动驾驶车辆的定位方法
CN112612287A (zh) 一种自动驾驶汽车局部路径规划系统、方法、介质及设备
US20200269853A1 (en) Method and device for eliminating steady-state lateral deviation and storage medium
CN111016886B (zh) 一种基于b样条理论的自动泊车路径规划方法
CN105448108A (zh) 一种基于隐马尔科夫路网匹配的超速判别方法
CN110825095B (zh) 一种自动驾驶车辆横向控制方法
Hyeon et al. Influence of speed forecasting on the performance of ecological adaptive cruise control
CN113720346A (zh) 基于势能场和隐马尔可夫模型的车辆路径规划方法及系统
CN111325187B (zh) 一种车道位置的识别方法及装置
CN114429186A (zh) 基于多传感器的数据融合方法、装置、设备及介质
CN114735018A (zh) 一种基于单雷达的前方最危险目标车辆的筛选判断方法
CN114639267A (zh) 一种车路协同环境中车辆避撞预警方法
CN112699575A (zh) 一种虚拟车辆测试平台中相对位置测算方法及系统
CN114396958B (zh) 基于多车道多传感器的车道定位方法、系统及车辆
CN115656962A (zh) 一种基于毫米波雷达识别限高物体的方法
CN110703253A (zh) 毫米波雷达水平位置确定方法
KR20200133122A (ko) 차량 충돌 방지 장치 및 방법
CN113415274B (zh) 自动驾驶的跟车轨迹规划系统、方法、车辆及存储介质
CN111186438B (zh) 一种弯道障碍车辆过滤方法
CN112455439B (zh) 基无人驾驶车辆环境认知及决策控制方法、系统及车辆
EP4082858B1 (en) Method and apparatus for aggregating/representing an environment model for a driver assistance system of a vehicle
CN113158415B (zh) 一种基于误差分析的车辆轨迹相似度评估方法

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