CN112644517B - 一种井下车辆自动驾驶算法 - Google Patents
一种井下车辆自动驾驶算法 Download PDFInfo
- Publication number
- CN112644517B CN112644517B CN202011592098.6A CN202011592098A CN112644517B CN 112644517 B CN112644517 B CN 112644517B CN 202011592098 A CN202011592098 A CN 202011592098A CN 112644517 B CN112644517 B CN 112644517B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- data
- driving
- convolution
- 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
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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶技术领域,且公开了一种井下车辆自动驾驶算法,包括激光雷达数据接收设备、激光雷达数据处理单元、车辆运动轨迹计算单元、巷道实时点云轨迹计算单元、安全区域、巷道定位系统、轨道对比单元、车辆控制计算机构以及车辆自动行驶模块组合而成。该井下车辆自动驾驶算法,通过函数计算,自动判断要转入的路口,以及判断车辆行驶接下来的最优行驶路线,并且能够得到相应的参数值,自动行驶模块可以根据相应的参数值,实现自动驾驶。该算法的使用,能够大大了减少了人力驾驶带来的消耗,实现无人化操控,并且该算法提供的驾驶效果,更加方便;优化了行驶路线,以及提高行驶路线的判断力,提高了井下运输的安全性。
Description
技术领域
本发明涉及自动驾驶技术领域,具体为一种井下车辆自动驾驶算法。
背景技术
井下车辆自动驾驶跟路面自动驾驶不同的表现在于路面为开阔视野,可利用的识别物较多,可根据路标,环境等特别障碍物进行路径驾驶,而相反井下环境为多墙壁组合,容易出现碰撞,需要实时的距离监测。
本发明提供一种井下车辆自动驾驶算法,将巷道壁实时监测到的距离值转化为可用的距离点云,并且根据形成的巷道模拟阴影面积,对比车辆行驶面积图像,最终确认车辆即将行驶的路径。
发明内容
本发明提供了一种井下车辆自动驾驶算法,根据自动驾驶算法,规划最优化的行驶路线的优点,确保井下小车自动驾驶的安全性。
本发明提供如下技术方案:一种井下车辆自动驾驶算法,所述井下车辆自动驾驶算法是由井下车辆自动计算系统构成;其中该井下车辆自动计算系统是由系统为基础,包括激光雷达数据接收设备、激光雷达数据处理单元、车辆运动轨迹计算单元、巷道实时点云轨迹计算单元、安全区域、巷道定位系统、轨道对比单元、车辆控制计算机构以及车辆自动行驶模块组合而成;
该井下车辆自动驾驶算法包括以下操作步骤:
(1)首先系统进行初始化,建立平台链接;
(2)平台接受激光雷达云数据点;
(3)接受后对激光雷达云数据点进行云处理操作;将点云数据处理为计算数据,并且按照特定数据包组装好;
(4)平台根据车辆的长度和宽度,若涉及到转向或者铰接情况需额外增加转向轨迹宽度,并且按照实际宽度增加适当的安全区保护宽度,根据增加安全区宽度后的车辆行驶轨迹视为车辆行走的轨迹范围;
(5)根据采集到的实时点云数据,将整个巷道拟合成为运行轨迹,激光雷达监测到的是巷道壁点云数据,需要将空区和巷道内部补全为点云,从而用于与车辆多角度行动轨迹判断;
(6)将步骤(4)与步骤(5)中获取的轨道数据以及轨迹判断数据进行比对,据两种轨迹的重合度,判断车辆接下来的最优行驶路线;
(7)根据实时定位系统,车辆将在转向路口的范围内,根据车辆行驶的状态,来自动判断要转入的路口;
(8)计算车辆控制参数,根据车辆即将行驶的路线,输出对应的转向行驶参数;
(9)小车接收到相应的车辆自动行驶参数,根据计算参数,自动行驶;
其中步骤(6)中轨道数据与轨迹数据比对计算公式为:
卷积层的核心操作是卷积操作,展示的是一个尺寸为3*3的卷积核与尺寸为4*4的输入执行卷积操作的过程,卷积核每次移动一个长度,所以stride=1,这样做使输出特征中相邻神经元共享大部分输入,保证输入特征中的某些区域不会被忽略掉,输出特征图中的一个神经元是输入数据中一个3*3的子区域和卷积核做卷积之后得到的结果,该3*3的子区域即为感受野,是输出神经元所能“看”到的部分,对于一个a*a大小的输入,k*k的卷积核,如果stride=1,输出特征图的大小为:(a-k+1)*(a-k+1),另外,通常通过四周补0的方式,使输出特征图和输入特征图大小一致;
在完成卷积操作后,需要对卷积的结果加上一个偏执项,然后经过一个非线性的激励函数,得到该层最终的输出结果;
将上述x带入下面
公式中x(t)和h(t)函数是卷积的变量,p是积分变量,t是使函数h(-p)位移的量,*表示卷积,最后Y就是重合度。
优选的,激光雷达传递的点云数据根据车辆长度、宽度、以及车辆驾驶室的位置,将激光雷达的实时数据与设定的距离作对比,当区域内出现异常障碍点达到一定数据,则认为此处触发安全区。
优选的,所述转向路口的判断,根据巷道壁点云数据,在井下实时定位系统的辅助下,车辆将在转向路口的范围内,根据车辆行驶的状态,来自动判断要转入的路口,在连续空区且距离大于三分之二巷道宽度的空区起始点认为是转向空区,否则只能认定为普通空区。
本发明具备以下有益效果:
该井下车辆自动驾驶算法,通过函数计算,自动判断要转入的路口,以及判断车辆行驶接下来的最优行驶路线,并且能够得到相应的参数值,自动行驶模块可以根据相应的参数值,实现自动驾驶。该算法的使用,能够大大了减少了人力驾驶带来的消耗,实现无人化操控,并且该算法提供的驾驶效果,更加方便;优化了行驶路线,以及提高行驶路线的判断力,提高了井下运输的安全性。
附图说明
图1为本发明车辆自动驾驶算法系统图;
图2为本发明卷积操作示意图;
图3为本发明井下车辆轨迹示意图。
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1-3,一种井下车辆自动驾驶算法,井下车辆自动驾驶算法是由井下车辆自动计算系统构成;其中该井下车辆自动计算系统是由系统为基础,包括激光雷达数据接收设备、激光雷达数据处理单元、车辆运动轨迹计算单元、巷道实时点云轨迹计算单元、安全区域、巷道定位系统、轨道对比单元、车辆控制计算机构以及车辆自动行驶模块组合而成;
系统:是构件算法平台的基础设施;初始化的设定,便于车辆重新计算行驶路线;
激光雷达数据接收设备:平台建立链接,接收激光雷达点云数据;
激光雷达数据处理单元:将点云数据处理为计算数据,并且按照特定数据包组装好,方便自动驾驶算法调用,点云数据转化为数学数据;
车辆运动轨迹计算单元:根据车辆的长度、宽度、若涉及到转向或者铰接情况需额外增加转向轨迹宽度,并且按照实际宽度增加适当的安全区保护宽度,根据增加安全区宽度后的车辆行驶轨迹视为车辆行走的轨迹范围,以车辆不同角度的或者方向的航向轨迹范围用于实时点云判断;
巷道实时点云轨迹计算单元:根据采集到的实时点云数据,将整个巷道拟合成为运行轨迹,因为激光雷达监测到的是巷道壁点云数据,需要将空区和巷道内部补全为点云,从而用于与车辆多角度行动轨迹判断;
安全区域:激光雷达传递的点云数据根据车辆长度、宽度、以及车辆驾驶室的位置,将激光雷达的实时数据与设定的距离作对比,当区域内出现异常障碍点达到一定数据,则认为此处触发安全区;
巷道定位系统:根据实时定位系统,车辆将在转向路口的范围内,根据车辆行驶的状态,来自动判断要转入的路口;
轨道对比单元:将之前得到的巷道轨迹与车辆行驶轨迹作对比,根据两种轨迹的重合度,判断车辆接下来的最优行驶路线;
车辆控制计算机构:根据车辆即将行驶的路线,输出对应的转向行驶参数;
车辆自动行驶模块:车辆根据计算参数,自动行驶。
该井下车辆自动驾驶算法包括以下操作步骤:
(1)首先系统进行初始化,建立平台链接;
(2)平台接受激光雷达云数据点;
(3)接受后对激光雷达云数据点进行云处理操作;将点云数据处理为计算数据,并且按照特定数据包组装好;
(4)平台根据车辆的长度和宽度,若涉及到转向或者铰接情况需额外增加转向轨迹宽度,并且按照实际宽度增加适当的安全区保护宽度,根据增加安全区宽度后的车辆行驶轨迹视为车辆行走的轨迹范围;
(5)根据采集到的实时点云数据,将整个巷道拟合成为运行轨迹,激光雷达监测到的是巷道壁点云数据,需要将空区和巷道内部补全为点云,从而用于与车辆多角度行动轨迹判断;
(6)将步骤(4)与步骤(5)中获取的轨道数据以及轨迹判断数据进行比对,据两种轨迹的重合度,判断车辆接下来的最优行驶路线;
(7)根据实时定位系统,车辆将在转向路口的范围内,根据车辆行驶的状态,来自动判断要转入的路口;转向路口的判断,根据巷道壁点云数据,在井下实时定位系统的辅助下,车辆将在转向路口的范围内,根据车辆行驶的状态,来自动判断要转入的路口,在连续空区且距离大于三分之二巷道宽度的空区起始点认为是转向空区,否则只能认定为普通空区;
(8)计算车辆控制参数,根据车辆即将行驶的路线,输出对应的转向行驶参数;
(9)小车接收到相应的车辆自动行驶参数,根据计算参数,自动行驶;
其中步骤(6)中轨道数据与轨迹数据比对计算公式为:
卷积层的核心操作是卷积操作,展示的是一个尺寸为3*3的卷积核与尺寸为4*4的输入执行卷积操作的过程,卷积核每次移动一个长度,所以stride=1,这样做使输出特征中相邻神经元共享大部分输入,保证输入特征中的某些区域不会被忽略掉,输出特征图中的一个神经元是输入数据中一个3*3的子区域和卷积核做卷积之后得到的结果,该3*3的子区域即为感受野,是输出神经元所能“看”到的部分,对于一个a*a大小的输入,k*k的卷积核,如果stride=1,输出特征图的大小为:(a-k+1)*(a-k+1),另外,通常通过四周补0的方式,使输出特征图和输入特征图大小一致;
在完成卷积操作后,需要对卷积的结果加上一个偏执项,然后经过一个非线性的激励函数,得到该层最终的输出结果;
将上述x带入下面
公式中x(t)和h(t)函数是卷积的变量,p是积分变量,t是使函数h(-p)位移的量,*表示卷积,最后Y就是重合度。
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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种井下车辆自动驾驶算法,其特征在于:所述井下车辆自动驾驶算法是由井下车辆自动计算系统构成;其中该井下车辆自动计算系统是由系统为基础,包括激光雷达数据接收设备、激光雷达数据处理单元、车辆运动轨迹计算单元、巷道实时点云轨迹计算单元、安全区域、巷道定位系统、轨道对比单元、车辆控制计算机构以及车辆自动行驶模块组合而成;
该井下车辆自动驾驶算法包括以下操作步骤:
(1)首先系统进行初始化,建立平台链接;
(2)平台接受激光雷达云数据点;
(3)接受后对激光雷达云数据点进行云处理操作;将点云数据处理为计算数据,并且按照特定数据包组装好;
(4)平台根据车辆的长度和宽度,若涉及到转向或者铰接情况需额外增加转向轨迹宽度,并且按照实际宽度增加适当的安全区保护宽度,根据增加安全区宽度后的车辆行驶轨迹视为车辆行走的轨迹范围;
(5)根据采集到的实时点云数据,将整个巷道拟合成为运行轨迹,激光雷达监测到的是巷道壁点云数据,需要将空区和巷道内部补全为点云,从而用于与车辆多角度行动轨迹判断;
(6)将步骤(4)与步骤(5)中获取的轨道数据以及轨迹判断数据进行比对,据两种轨迹的重合度,判断车辆接下来的最优行驶路线;
(7)根据实时定位系统,车辆将在转向路口的范围内,根据车辆行驶的状态,来自动判断要转入的路口;
(8)计算车辆控制参数,根据车辆即将行驶的路线,输出对应的转向行驶参数;
(9)小车接收到相应的车辆自动行驶参数,根据计算参数,自动行驶;
其中步骤(6)中轨道数据与轨迹数据比对计算公式为:
卷积层的核心操作是卷积操作,展示的是一个尺寸为3*3的卷积核与尺寸为4*4的输入执行卷积操作的过程,卷积核每次移动一个长度,所以stride=1,这样做使输出特征中相邻神经元共享大部分输入,保证输入特征中的某些区域不会被忽略掉,输出特征图中的一个神经元是输入数据中一个3*3的子区域和卷积核做卷积之后得到的结果,该3*3的子区域即为感受野,是输出神经元所能“看”到的部分,对于一个a*a大小的输入,k*k的卷积核,如果stride=1,输出特征图的大小为:(a-k+1)*(a-k+1),另外,通常通过四周补0的方式,使输出特征图和输入特征图大小一致;
在完成卷积操作后,需要对卷积的结果加上一个偏执项,然后经过一个非线性的激励函数,得到该层最终的输出结果;
将上述x带入下面
公式中x(t)和h(t)函数是卷积的变量,p是积分变量,t是使函数h(-p)位移的量,*表示卷积,最后y就是重合度。
2.根据权利要求1所述的一种井下车辆自动驾驶算法,其特征在于:激光雷达传递的点云数据根据车辆长度、宽度、以及车辆驾驶室的位置,将激光雷达的实时数据与设定的距离作对比,当区域内出现异常障碍点达到一定数据,则认为此处触发安全区。
3.根据权利要求1所述的一种井下车辆自动驾驶算法,其特征在于:所述转向路口的判断,根据巷道壁点云数据,在井下实时定位系统的辅助下,车辆将在转向路口的范围内,根据车辆行驶的状态,来自动判断要转入的路口,在连续空区且距离大于三分之二巷道宽度的空区起始点认为是转向空区,否则只能认定为普通空区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592098.6A CN112644517B (zh) | 2020-12-29 | 2020-12-29 | 一种井下车辆自动驾驶算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011592098.6A CN112644517B (zh) | 2020-12-29 | 2020-12-29 | 一种井下车辆自动驾驶算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112644517A CN112644517A (zh) | 2021-04-13 |
CN112644517B true CN112644517B (zh) | 2022-01-25 |
Family
ID=75363724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011592098.6A Active CN112644517B (zh) | 2020-12-29 | 2020-12-29 | 一种井下车辆自动驾驶算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112644517B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113619605B (zh) * | 2021-09-02 | 2022-10-11 | 盟识(上海)科技有限公司 | 一种地下矿用铰接车自动驾驶方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020057307A (ja) * | 2018-10-04 | 2020-04-09 | 日本電産株式会社 | 自己位置推定のための地図データを加工する装置および方法、ならびに移動体およびその制御システム |
CN111427348A (zh) * | 2020-03-24 | 2020-07-17 | 江苏徐工工程机械研究院有限公司 | 一种自动驾驶矿用自卸卡车环境感知系统及矿用自卸卡车 |
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的系统和方法 |
CN111824180A (zh) * | 2020-06-29 | 2020-10-27 | 安徽海博智能科技有限责任公司 | 具有融合避障功能的无人矿车自动驾驶控制系统 |
CN111880527A (zh) * | 2020-06-19 | 2020-11-03 | 中国煤炭科工集团太原研究院有限公司 | 井下无人驾驶运输车机器人控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10101746B2 (en) * | 2016-08-23 | 2018-10-16 | Delphi Technologies, Inc. | Automated vehicle road model definition system |
-
2020
- 2020-12-29 CN CN202011592098.6A patent/CN112644517B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111587407A (zh) * | 2017-11-10 | 2020-08-25 | 辉达公司 | 用于安全且可靠的自主车辆的系统和方法 |
JP2020057307A (ja) * | 2018-10-04 | 2020-04-09 | 日本電産株式会社 | 自己位置推定のための地図データを加工する装置および方法、ならびに移動体およびその制御システム |
CN111427348A (zh) * | 2020-03-24 | 2020-07-17 | 江苏徐工工程机械研究院有限公司 | 一种自动驾驶矿用自卸卡车环境感知系统及矿用自卸卡车 |
CN111880527A (zh) * | 2020-06-19 | 2020-11-03 | 中国煤炭科工集团太原研究院有限公司 | 井下无人驾驶运输车机器人控制方法 |
CN111824180A (zh) * | 2020-06-29 | 2020-10-27 | 安徽海博智能科技有限责任公司 | 具有融合避障功能的无人矿车自动驾驶控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112644517A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
Elallid et al. | A comprehensive survey on the application of deep and reinforcement learning approaches in autonomous driving | |
JP7140849B2 (ja) | 確率的オブジェクト追跡及び予測フレームワーク | |
JP2022119802A (ja) | 自律走行車動作管理のための方向調整アクション | |
WO2021134172A1 (zh) | 一种轨迹预测方法及相关设备 | |
Wei et al. | A behavioral planning framework for autonomous driving | |
CN111653113B (zh) | 车辆的局部路径确定方法、装置、终端和存储介质 | |
Chae et al. | Virtual target-based overtaking decision, motion planning, and control of autonomous vehicles | |
CN112601686A (zh) | 具有安全距离的导航的系统和方法 | |
US20220105959A1 (en) | Methods and systems for predicting actions of an object by an autonomous vehicle to determine feasible paths through a conflicted area | |
CN112644517B (zh) | 一种井下车辆自动驾驶算法 | |
Morales et al. | Towards predictive driving through blind intersections | |
Zhang et al. | Traffic mirror-aware pomdp behavior planning for autonomous urban driving | |
Reda et al. | Path planning algorithms in the autonomous driving system: A comprehensive review | |
CN114664094A (zh) | 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 | |
Kachhoria et al. | Lane detection and path prediction in autonomous vehicle using deep learning | |
US20240061435A1 (en) | Systems and methods for path planning with latent state inference and graphical relationships | |
Wang et al. | Vision-based autonomous driving: A hierarchical reinforcement learning approach | |
Cai et al. | Rule‐constrained reinforcement learning control for autonomous vehicle left turn at unsignalized intersection | |
Guo et al. | Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic | |
Souza et al. | Vision-based waypoint following using templates and artificial neural networks | |
Mardiati et al. | Motorcycle movement model based on markov chain process in mixed traffic | |
CN115123217B (zh) | 矿区障碍车辆行使轨迹生成方法、装置及计算机设备 | |
Richardos et al. | Vehicle maneuver-based long-term trajectory prediction at intersection crossings | |
Garrido et al. | A two-stage real-time path planning: Application to the overtaking manuever |
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 |