CN112706768A - 一种无人驾驶重卡纵向跟随控制方法 - Google Patents

一种无人驾驶重卡纵向跟随控制方法 Download PDF

Info

Publication number
CN112706768A
CN112706768A CN202110023234.8A CN202110023234A CN112706768A CN 112706768 A CN112706768 A CN 112706768A CN 202110023234 A CN202110023234 A CN 202110023234A CN 112706768 A CN112706768 A CN 112706768A
Authority
CN
China
Prior art keywords
data
image
heavy truck
driving
vehicle
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
CN202110023234.8A
Other languages
English (en)
Other versions
CN112706768B (zh
Inventor
胡心怡
杨扬
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.)
Shanghai Boonray Intelligent Technology Co Ltd
Original Assignee
Shanghai Boonray Intelligent Technology 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 Shanghai Boonray Intelligent Technology Co Ltd filed Critical Shanghai Boonray Intelligent Technology Co Ltd
Priority to CN202110023234.8A priority Critical patent/CN112706768B/zh
Publication of CN112706768A publication Critical patent/CN112706768A/zh
Application granted granted Critical
Publication of CN112706768B publication Critical patent/CN112706768B/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
    • 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
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • 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
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • 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
    • B60W60/0025—Planning or execution of driving tasks specially adapted for specific operations
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • 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
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/802—Longitudinal distance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于无人驾驶技术领域，具体涉及一种无人驾驶重卡纵向跟随控制方法，所述方法执行以下步骤：步骤1：实时采集重卡车辆在行驶过程中的行驶数据；将采集到的行驶数据发送给预先设置的数据预处理模型，数据预处理模型对行驶数据进行数据预处理，得到预处理行驶数据；步骤2：使用超声测距装置，实时采集重卡车辆在行驶过程中的高度数据；所述高度数据为重卡车辆底盘距离道路的垂直距离。其通过获取重卡车辆在行驶过程中的行驶数据、高度数据以及与前车的行驶数据和前车的行驶数据，来控制重卡车辆的行驶，在控制过程中，使用图像预处理和数据预处理的方法，去除干扰，保证跟随的准确性，提升跟随的安全性。

Description

一种无人驾驶重卡纵向跟随控制方法
技术领域
本发明属于无人驾驶技术领域，具体涉及一种无人驾驶重卡纵向跟随控制方法。
背景技术
无人驾驶汽车是智能汽车的一种，也称为轮式移动机器人，主要依靠车内的以计算机系统为主的智能驾驶仪来实现无人驾驶的目的。
安全是拉动无人驾驶车需求增长的主要因素。每年，驾驶员们的疏忽大意都会导致许多事故。既然驾驶员失误百出，汽车制造商们当然要集中精力设计能确保汽车安全的系统。“无人”驾驶系统种类繁多，其中有些根本算不上“无人”，还有些活像是科幻小说中的东西。
防抱死制动系统其实就算无人驾驶系统。虽然防抱死制动器需要驾驶员来操作但该系统仍可作为无人驾驶系统系列的一个代表，因为防抱死制动系统的部分功能在过去需要驾驶员手动实现。不具备防抱死系统的汽车紧急刹车时，轮胎会被锁死，导致汽车失控侧滑。驾驶没有防抱死系统的汽车时，驾驶员要反复踩踏制动踏板来防止轮胎锁死。而防抱死系统可以代替驾驶员完成这一操作——并且比手动操作效果更好。该系统可以监控轮胎情况，了解轮胎何时即将锁死，并及时做出反应。而且反应时机比驾驶员把握得更加准确。防抱死制动系统是引领汽车工业朝无人驾驶方向发展的早期技术之一。
另一种无人驾驶系统是牵引和稳定控制系统。这些系统不太引人注目，通常只有专业驾驶员才会意识到它们发挥的作用。牵引和稳定控制系统比任何驾驶员的反应都灵敏。与防抱死制动系统不同的是，这些系统非常复杂，各系统会协调工作防止车辆失控。
当汽车即将失控侧滑或翻车时，稳定和牵引控制系统可以探测到险情，并及时启动防止事故发生。这些系统不断读取汽车的行驶方向、速度以及轮胎与地面的接触状态。当探测到汽车将要失控并有可能导致翻车时，稳定或牵引控制系统将进行干预。这些系统与驾驶员不同，它们可以对各轮胎单独实施制动，增大或减少动力输出，相比同时对四个轮胎进行操作，这样做通常效果更好。当这些系统正常运行时，可以做出准确反应。相对来说，驾驶员经常会在紧急情况下操作失当，调整过度。
发明内容
本发明的主要目的在于提供一种无人驾驶重卡纵向跟随控制方法，其通过获取重卡车辆在行驶过程中的行驶数据、高度数据以及与前车的行驶数据和前车的行驶数据，来控制重卡车辆的行驶，在控制过程中，使用图像预处理和数据预处理的方法，去除干扰，保证跟随的准确性，提升跟随的安全性；同时，对高度数据进行校正，进一步提升准确率，具有智能化程度高和安全性高的优点。
为达到上述目的，本发明的技术方案是这样实现的：
步骤1：实时采集重卡车辆在行驶过程中的行驶数据；将采集到的行驶数据发送给预先设置的数据预处理模型，数据预处理模型对行驶数据进行数据预处理，得到预处理行驶数据；
步骤2：使用超声测距装置，实时采集重卡车辆在行驶过程中的高度数据；所述高度数据为重卡车辆底盘距离道路的垂直距离；
步骤3：使用红外测距装置，实时采集重卡车辆在行驶过程中与前车的距离；同时，使用图像采集装置，实时采集重卡车辆在行驶过程中的前方图像；所述前方图像中包含的内容包括：重卡车辆行驶过程中的前方道路图像和前方车辆的图像；所述图像采集装置采集图像时，以固定的时间间隔采集前方图像，采集到的前方图像为不连续图像；
步骤4：对采集到的前方图像进行图像预处理，得到预处理前方图像；
步骤5：对预处理前方图像进行图像分析，得到前方车辆行驶过程中的行驶数据，以及重卡车辆在行驶过程中与前车的距离；将图像分析得到的重卡车辆在行驶过程中与前车的距离与红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离进行数据加权处理，得到最终的重卡车辆在行驶过程中与前车的距离；
步骤6：基于采集到的重卡车辆在行驶过程中的行驶数据、重卡车辆的高度数据、重卡车辆在行驶过程中与前车的距离和前方车辆行驶过程中的行驶数据，控制重卡车辆的行驶，完成重卡车辆纵向跟随前车。
进一步的，所述行驶数据包括：速度数据、加速度数据和角速度数据。
进一步的，所述步骤2还包括：对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据。
进一步的，所述对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据的方法包括：通过重卡车辆的历史高度数据，作为实际值，以及历史高度数据对应的超声测距装置获取的高度数据，作为测量值，得到重卡车辆的高度数据与超声测距装置获取的高度数据之间的偏移值，由此得到实际值和测量值之间的函数关系，使用该函数关系对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据。
进一步的，所述步骤1中：数据预处理模型对行驶数据进行数据预处理的方法包括：将所述行驶数据写入一个表格中，得到行驶数据的初始表，所述初始表中包括了所述行驶数据；将所述行驶数据的速度数据、加速度数据和角速度数据作为初始表中的关键字段；速度数据、加速度数据和角速度数据对应的值即关键字段的取值；从所述初始表中提取所述行驶数据的关键字段；获取所述初始表与标准表之间的第一映射关系，以及所述关键字段和所述标准字段之间的第二映射关系；所述标准表中包括了标准字段以及对应标准字段的取值；基于所述第一映射关系和所述第二映射关系，将所述关键字段转换为标准字段，并将所述关键字段的取值转换成所述标准字段的取值；及利用转换后的多个标准字段生成与所述初始表对应的标准化表；将标准化表中的关键字段及其对应的取值提取出来，作为预处理行驶数据。
进一步的，所述数据预处理模型在将行驶数据写入表格前，还将对行驶数据进行数据异常值处理；所述数据异常值处理包括：根据所述行驶数据的分布状态确定异常值检测方法；根据所述异常值检测方法检测所述待处理数据中的异常值；根据预设修正方法对所述异常值进行修正。
进一步的，所述步骤4：对采集到的前方图像进行图像预处理，得到预处理前方图像的方法包括：随机选取训练样本，并依次将每张训练图片进行区域划分后，采用最大似然估计算法对高斯混合模型进行训练；将采集到的前方图像进行区域划分后，分别计算获得的每个图像域相对于高斯混合模型的最大似然概率，进而对图像域进行分类，获得每个高斯子模型对应的图像域集合；针对每个图像域，根据其分类结果，结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪；将去噪后的每个图像域进行稀疏表示后，对采集到的前方图像进行重建；根据去噪后的图像域的分类结果，对高斯混合模型进行参数更新；判断是否符合预设收敛条件，若是，则结束，完成图像预处理。
进一步的，所述结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪的方法包括：将图像域与混沌滤波模型进行卷积，完成图像域去噪；所述混沌滤波模型使用如下公式表示：
Figure BDA0002889443830000031
其中，α为图像域的相位值，t和u为变换参数，δ为狄拉克函数的傅里叶变换，δ(u-t)表示进行u-t的狄拉克函数傅里叶变换，δ(u+t)表示进行u+t的狄拉克函数傅里叶变换；Kα(t，u)为去噪后的图像域，n为自然数。
进一步的，所述步骤5中对预处理前方图像进行图像分析，得到前方车辆行驶过程中的行驶数据，以及重卡车辆在行驶过程中与前车的距离的方法包括：分析预处理前方图像中的前车车辆所占的面积，由此计算重卡车辆在行驶过程中与前车的距离；以及结合获取前方图像的固定的时间间隔和重卡车辆的行驶数据，计算前方车辆行驶过程中的行驶数据。
进一步的，所述步骤5中将图像分析得到的重卡车辆在行驶过程中与前车的距离与红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离进行数据加权处理，得到最终的重卡车辆在行驶过程中与前车的距离的方法包括：使用如下公式，计算得到最终的重卡车辆在行驶过程中与前车的距离：最终的重卡车辆在行驶过程中与前车的距离＝图像分析得到的重卡车辆在行驶过程中与前车的距离*0.6+红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离*0.4。
本发明的一种无人驾驶重卡纵向跟随控制方法，具有如下有益效果：其通过获取重卡车辆在行驶过程中的行驶数据、高度数据以及与前车的行驶数据和前车的行驶数据，来控制重卡车辆的行驶，在控制过程中，使用图像预处理和数据预处理的方法，去除干扰，保证跟随的准确性，提升跟随的安全性；同时，对高度数据进行校正，进一步提升准确率，具有智能化程度高和安全性高的优点。主要通过以下过程实现：1.高度数据的获取和校正：本发明使用超声测距装置，实时采集重卡车辆在行驶过程中的高度数据；所述高度数据为重卡车辆底盘距离道路的垂直距离；同时，对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据；因为超声测距会出现一定的偏移误差，通过这种方式，对高度数据进行偏移补偿，得到的结果更加准确；2.数据预处理和图像预处理：本发明将采集到的行驶数据发送给预先设置的数据预处理模型，数据预处理模型对行驶数据进行数据预处理，得到预处理行驶数据；在进行数据预处理过程中，使用映射方式进行数据标准化，同时进行数据异常处理，从而提升数据的准确性；在进行图像预处理过程中，随机选取训练样本，并依次将每张训练图片进行区域划分后，采用最大似然估计算法对高斯混合模型进行训练；将采集到的前方图像进行区域划分后，分别计算获得的每个图像域相对于高斯混合模型的最大似然概率，进而对图像域进行分类，获得每个高斯子模型对应的图像域集合；针对每个图像域，根据其分类结果，结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪；将去噪后的每个图像域进行稀疏表示后，对采集到的前方图像进行重建；根据去噪后的图像域的分类结果，对高斯混合模型进行参数更新；判断是否符合预设收敛条件，若是，则结束，完成图像预处理；相较于现有技术的图像预处理方法，本发明使用的混沌滤波的方式，得到的图像处理结果更加准确。
附图说明
图1为本发明的实施例提供的无人驾驶重卡纵向跟随控制方法的方法流程示意图；
图2为本发明的实施例提供的无人驾驶重卡纵向跟随控制方法的数据预处理方法的方法流程示意图；
图3为本发明的实施例提供的无人驾驶重卡纵向跟随控制方法的超声测距装置采集到的高度数据、实际高度数据和两者的偏移值之间关系示意图。
具体实施方式
以下结合具体实施方式和附图对本发明的技术方案作进一步详细描述：
实施例1
如图1所示，一种无人驾驶重卡纵向跟随控制方法，所述方法执行以下步骤：
步骤1：实时采集重卡车辆在行驶过程中的行驶数据；将采集到的行驶数据发送给预先设置的数据预处理模型，数据预处理模型对行驶数据进行数据预处理，得到预处理行驶数据；
步骤2：使用超声测距装置，实时采集重卡车辆在行驶过程中的高度数据；所述高度数据为重卡车辆底盘距离道路的垂直距离；
步骤3：使用红外测距装置，实时采集重卡车辆在行驶过程中与前车的距离；同时，使用图像采集装置，实时采集重卡车辆在行驶过程中的前方图像；所述前方图像中包含的内容包括：重卡车辆行驶过程中的前方道路图像和前方车辆的图像；所述图像采集装置采集图像时，以固定的时间间隔采集前方图像，采集到的前方图像为不连续图像；
步骤4：对采集到的前方图像进行图像预处理，得到预处理前方图像；
步骤5：对预处理前方图像进行图像分析，得到前方车辆行驶过程中的行驶数据，以及重卡车辆在行驶过程中与前车的距离；将图像分析得到的重卡车辆在行驶过程中与前车的距离与红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离进行数据加权处理，得到最终的重卡车辆在行驶过程中与前车的距离；
步骤6：基于采集到的重卡车辆在行驶过程中的行驶数据、重卡车辆的高度数据、重卡车辆在行驶过程中与前车的距离和前方车辆行驶过程中的行驶数据，控制重卡车辆的行驶，完成重卡车辆纵向跟随前车。
采用上述技术方案，本发明通过获取重卡车辆在行驶过程中的行驶数据、高度数据以及与前车的行驶数据和前车的行驶数据，来控制重卡车辆的行驶，在控制过程中，使用图像预处理和数据预处理的方法，去除干扰，保证跟随的准确性，提升跟随的安全性；同时，对高度数据进行校正，进一步提升准确率，具有智能化程度高和安全性高的优点。主要通过以下过程实现：1.高度数据的获取和校正：本发明使用超声测距装置，实时采集重卡车辆在行驶过程中的高度数据；所述高度数据为重卡车辆底盘距离道路的垂直距离；同时，对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据；因为超声测距会出现一定的偏移误差，通过这种方式，对高度数据进行偏移补偿，得到的结果更加准确；2.数据预处理和图像预处理：本发明将采集到的行驶数据发送给预先设置的数据预处理模型，数据预处理模型对行驶数据进行数据预处理，得到预处理行驶数据；在进行数据预处理过程中，使用映射方式进行数据标准化，同时进行数据异常处理，从而提升数据的准确性；在进行图像预处理过程中，随机选取训练样本，并依次将每张训练图片进行区域划分后，采用最大似然估计算法对高斯混合模型进行训练；将采集到的前方图像进行区域划分后，分别计算获得的每个图像域相对于高斯混合模型的最大似然概率，进而对图像域进行分类，获得每个高斯子模型对应的图像域集合；针对每个图像域，根据其分类结果，结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪；将去噪后的每个图像域进行稀疏表示后，对采集到的前方图像进行重建；根据去噪后的图像域的分类结果，对高斯混合模型进行参数更新；判断是否符合预设收敛条件，若是，则结束，完成图像预处理；相较于现有技术的图像预处理方法，本发明使用的混沌滤波的方式，得到的图像处理结果更加准确。
实施例2
在上一实施例的基础上，所述行驶数据包括：速度数据、加速度数据和角速度数据。
实施例3
在上一实施例的基础上，所述步骤2还包括：对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据。
实施例4
在上一实施例的基础上，所述对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据的方法包括：通过重卡车辆的历史高度数据，作为实际值，以及历史高度数据对应的超声测距装置获取的高度数据，作为测量值，得到重卡车辆的高度数据与超声测距装置获取的高度数据之间的偏移值，由此得到实际值和测量值之间的函数关系，使用该函数关系对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据。
具体的，本发明使用超声测距装置，实时采集重卡车辆在行驶过程中的高度数据；所述高度数据为重卡车辆底盘距离道路的垂直距离；同时，对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据；因为超声测距会出现一定的偏移误差，通过这种方式，对高度数据进行偏移补偿，得到的结果更加准确；
实施例5
在上一实施例的基础上，所述步骤1中：数据预处理模型对行驶数据进行数据预处理的方法包括：初始表中的关键字段；速度数据、加速度数据和角速度数据对应的值即关键字段的取值；从所述初始表中提取所述行驶数据的关键字段；获取所述初始表与标准表之间的第一映射关系，以及所述关键字段和所述标准字段之间的第二映射关系；所述标准表中包括了标准字段以及对应标准字段的取值；基于所述第一映射关系和所述第二映射关系，将所述关键字段转换为标准字段，并将所述关键字短的取值转换成所述标准字段的取值；及利用转换后的多个标准字段生成与所述初始表对应的标准化表；将标准化表中的关键字段及其对应的取值提取出来，作为预处理行驶数据。
具体的，在数据分析之前，我们通常需要先将数据标准化(normalization)，利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小-最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。
实施例6
在上一实施例的基础上，所述数据预处理模型在将行驶数据写入表格前，还将对行驶数据进行数据异常值处理；所述数据异常值处理包括：根据所述行驶数据的分布状态确定异常值检测方法；根据所述异常值检测方法检测所述待处理数据中的异常值；根据预设修正方法对所述异常值进行修正。
具体的，异常值为一组测定值中与平均值的偏差超过两倍标准差的测定值。与平均值的偏差超过三倍标准差的测定值，称为高度异常的异常值。在处理数据时，应剔除高度异常的异常值。异常值是否剔除，视具体情况而定。在统计检验时，指定为检出异常值的显著性水平α＝0.05，称为检出水平；指定为检出高度异常的异常值的显著性水平α＝0.01，称为舍弃水平，又称剔除水平(reject level)。
实施例7
在上一实施例的基础上，所述步骤4：对采集到的前方图像进行图像预处理，得到预处理前方图像的方法包括：随机选取训练样本，并依次将每张训练图片进行区域划分后，采用最大似然估计算法对高斯混合模型进行训练；将采集到的前方图像进行区域划分后，分别计算获得的每个图像域相对于高斯混合模型的最大似然概率，进而对图像域进行分类，获得每个高斯子模型对应的图像域集合；针对每个图像域，根据其分类结果，结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪；将去噪后的每个图像域进行稀疏表示后，对采集到的前方图像进行重建；根据去噪后的图像域的分类结果，对高斯混合模型进行参数更新；判断是否符合预设收敛条件，若是，则结束，完成图像预处理。
具体的，图像预处理，是将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。在图像分析中，对输入图像进行特征抽取、分割和匹配前所进行的处理。
图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。
实施例8
在上一实施例的基础上，所述结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪的方法包括：将图像域与混沌滤波模型进行卷积，完成图像域去噪；所述混沌滤波模型使用如下公式表示：
Figure BDA0002889443830000081
其中，α为图像域的相位值，t和u为变换参数，δ为狄拉克函数的傅里叶变换，δ(u-t)表示进行u-t的狄拉克函数傅里叶变换，δ(u+t)表示进行u+t的狄拉克函数傅里叶变换；Kα(t，u)为去噪后的图像域，n为自然数。
具体的，图像去噪是指减少数字图像中噪声的过程。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。
噪声是图象干扰的重要原因。一幅图象在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。
实施例9
在上一实施例的基础上，所述步骤5中对预处理前方图像进行图像分析，得到前方车辆行驶过程中的行驶数据，以及重卡车辆在行驶过程中与前车的距离的方法包括：分析预处理前方图像中的前车车辆所占的面积，由此计算及重卡车辆在行驶过程中与前车的距离；以及结合获取前方图像的固定的时间间隔和重卡车辆的行驶数据，计算得到前得到前方车辆行驶过程中的行驶数据。
具体的，本发明将采集到的行驶数据发送给预先设置的数据预处理模型，数据预处理模型对行驶数据进行数据预处理，得到预处理行驶数据；在进行数据预处理过程中，使用映射方式进行数据标准化，同时进行数据异常处理，从而提升数据的准确性；在进行图像预处理过程中，随机选取训练样本，并依次将每张训练图片进行区域划分后，采用最大似然估计算法对高斯混合模型进行训练；将采集到的前方图像进行区域划分后，分别计算获得的每个图像域相对于高斯混合模型的最大似然概率，进而对图像域进行分类，获得每个高斯子模型对应的图像域集合；针对每个图像域，根据其分类结果，结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪；将去噪后的每个图像域进行稀疏表示后，对采集到的前方图像进行重建；根据去噪后的图像域的分类结果，对高斯混合模型进行参数更新；判断是否符合预设收敛条件，若是，则结束，完成图像预处理；相较于现有技术的图像预处理方法，本发明使用的混沌滤波的方式，得到的图像处理结果更加准确。
实施例10
在上一实施例的基础上，所述步骤5中将图像分析得到的重卡车辆在行驶过程中与前车的距离与红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离进行数据加权处理，得到最终的重卡车辆在行驶过程中与前车的距离的方法包括：使用如下公式，计算得到最终的重卡车辆在行驶过程中与前车的距离：最终的重卡车辆在行驶过程中与前车的距离＝图像分析得到的重卡车辆在行驶过程中与前车的距离*0.6+红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离*0.4。
以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种无人驾驶重卡纵向跟随控制方法，其特征在于，所述方法执行以下步骤：
步骤1：实时采集重卡车辆在行驶过程中的行驶数据；将采集到的行驶数据发送给预先设置的数据预处理模型，数据预处理模型对行驶数据进行数据预处理，得到预处理行驶数据；
步骤2：使用超声测距装置，实时采集重卡车辆在行驶过程中的高度数据；所述高度数据为重卡车辆底盘距离道路的垂直距离；
步骤3：使用红外测距装置，实时采集重卡车辆在行驶过程中与前车的距离；同时，使用图像采集装置，实时采集重卡车辆在行驶过程中的前方图像；所述前方图像中包含的内容包括：重卡车辆行驶过程中的前方道路图像和前方车辆的图像；所述图像采集装置采集图像时，以固定的时间间隔采集前方图像，采集到的前方图像为不连续图像；
步骤4：对采集到的前方图像进行图像预处理，得到预处理前方图像；
步骤5：对预处理前方图像进行图像分析，得到前方车辆行驶过程中的行驶数据，以及重卡车辆在行驶过程中与前车的距离；将图像分析得到的重卡车辆在行驶过程中与前车的距离与红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离进行数据加权处理，得到最终的重卡车辆在行驶过程中与前车的距离；
步骤6：基于采集到的重卡车辆在行驶过程中的行驶数据、重卡车辆的高度数据、重卡车辆在行驶过程中与前车的距离和前方车辆行驶过程中的行驶数据，控制重卡车辆的行驶，完成重卡车辆纵向跟随前车。
2.如权利要求1所述的方法，其特征在于，所述行驶数据包括：速度数据、加速度数据和角速度数据。
3.如权利要求2所述的方法，其特征在于，所述步骤2还包括：对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据。
4.如权利要求3所述的方法，其特征在于，所述对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据的方法包括：通过重卡车辆的历史高度数据，作为实际值，以及历史高度数据对应的超声测距装置获取的高度数据，作为测量值，得到重卡车辆的高度数据与超声测距装置获取的高度数据之间的偏移值，由此得到实际值和测量值之间的函数关系，使用该函数关系对超声测距装置采集到的高度数据进行偏移补偿，得到补偿后的高度数据。
5.如权利要求4所述的方法，其特征在于，所述步骤1中：数据预处理模型对行驶数据进行数据预处理的方法包括：将所述行驶数据写入一个表格中，得到行驶数据的初始表，所述初始表中包括了所述行驶数据；将所述行驶数据的速度数据、加速度数据和角速度数据作为初始表中的关键字段；速度数据、加速度数据和角速度数据对应的值即关键字段的取值；从所述初始表中提取所述行驶数据的关键字段；获取所述初始表与标准表之间的第一映射关系，以及所述关键字段和所述标准字段之间的第二映射关系；所述标准表中包括了标准字段以及对应标准字段的取值；基于所述第一映射关系和所述第二映射关系，将所述关键字段转换为标准字段，并将所述关键字段的取值转换成所述标准字段的取值；及利用转换后的多个标准字段生成与所述初始表对应的标准化表；将标准化表中的关键字段及其对应的取值提取出来，作为预处理行驶数据。
6.如权利要求5所述的方法，其特征在于，所述数据预处理模型在将行驶数据写入表格前，还将对行驶数据进行数据异常值处理；所述数据异常值处理包括：根据所述行驶数据的分布状态确定异常值检测方法；根据所述异常值检测方法检测所述待处理数据中的异常值；根据预设修正方法对所述异常值进行修正。
7.如权利要求6所述的方法，其特征在于，所述步骤4：对采集到的前方图像进行图像预处理，得到预处理前方图像的方法包括：随机选取训练样本，并依次将每张训练图片进行区域划分后，采用最大似然估计算法对高斯混合模型进行训练；将采集到的前方图像进行区域划分后，分别计算获得的每个图像域相对于高斯混合模型的最大似然概率，进而对图像域进行分类，获得每个高斯子模型对应的图像域集合；针对每个图像域，根据其分类结果，结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪；将去噪后的每个图像域进行稀疏表示后，对采集到的前方图像进行重建；根据去噪后的图像域的分类结果，对高斯混合模型进行参数更新；判断是否符合预设收敛条件，若是，则结束，完成图像预处理。
8.如权利要求7所述的方法，其特征在于，所述结合训练好的高斯混合模型，采用混沌滤波的方法对该图像域进行去噪的方法包括：将图像域与混沌滤波模型进行卷积，完成图像域去噪；所述混沌滤波模型使用如下公式表示：
Figure FDA0002889443820000021
其中，α为图像域的相位值，t和u为变换参数，δ为狄拉克函数的傅里叶变换，δ(u-t)表示进行u-t的狄拉克函数傅里叶变换，δ(u+t)表示进行u+t的狄拉克函数傅里叶变换；Kα(t,u)为去噪后的图像域，n为自然数。
9.如权利要求8所述的方法，其特征在于，所述步骤5中对预处理前方图像进行图像分析，得到前方车辆行驶过程中的行驶数据，以及重卡车辆在行驶过程中与前车的距离的方法包括：分析预处理前方图像中的前车车辆所占的面积，由此计算重卡车辆在行驶过程中与前车的距离；以及结合获取前方图像的固定的时间间隔和重卡车辆的行驶数据，计算前方车辆行驶过程中的行驶数据。
10.如权利要求9所述的方法，其特征在于，所述步骤5中将图像分析得到的重卡车辆在行驶过程中与前车的距离与红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离进行数据加权处理，得到最终的重卡车辆在行驶过程中与前车的距离的方法包括：使用如下公式，计算得到最终的重卡车辆在行驶过程中与前车的距离：最终的重卡车辆在行驶过程中与前车的距离＝图像分析得到的重卡车辆在行驶过程中与前车的距离*0.6+红外测距装置实时采集到的重卡车辆在行驶过程中与前车的距离*0.4。
CN202110023234.8A 2021-01-08 2021-01-08 一种无人驾驶重卡纵向跟随控制方法 Active CN112706768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110023234.8A CN112706768B (zh) 2021-01-08 2021-01-08 一种无人驾驶重卡纵向跟随控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110023234.8A CN112706768B (zh) 2021-01-08 2021-01-08 一种无人驾驶重卡纵向跟随控制方法

Publications (2)

Publication Number Publication Date
CN112706768A true CN112706768A (zh) 2021-04-27
CN112706768B CN112706768B (zh) 2021-10-01

Family

ID=75548576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110023234.8A Active CN112706768B (zh) 2021-01-08 2021-01-08 一种无人驾驶重卡纵向跟随控制方法

Country Status (1)

Country Link
CN (1) CN112706768B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013007716A1 (de) * 2013-05-04 2014-11-06 Conti Temic Microelectronic Gmbh Verfahren zum Betrieb eines Fahrzeuges
CN105046664A (zh) * 2015-07-13 2015-11-11 广东工业大学 一种基于自适应epll算法的图像去噪方法
CN108313058A (zh) * 2017-12-26 2018-07-24 浙江合众新能源汽车有限公司 汽车自动跟随无人驾驶智能控制系统
CN111340636A (zh) * 2020-02-27 2020-06-26 平安医疗健康管理股份有限公司 数据有效性检测方法、装置、计算机设备和存储介质
CN111845744A (zh) * 2020-06-24 2020-10-30 深圳中集智能科技有限公司 车辆跟随控制方法、装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013007716A1 (de) * 2013-05-04 2014-11-06 Conti Temic Microelectronic Gmbh Verfahren zum Betrieb eines Fahrzeuges
CN105046664A (zh) * 2015-07-13 2015-11-11 广东工业大学 一种基于自适应epll算法的图像去噪方法
CN108313058A (zh) * 2017-12-26 2018-07-24 浙江合众新能源汽车有限公司 汽车自动跟随无人驾驶智能控制系统
CN111340636A (zh) * 2020-02-27 2020-06-26 平安医疗健康管理股份有限公司 数据有效性检测方法、装置、计算机设备和存储介质
CN111845744A (zh) * 2020-06-24 2020-10-30 深圳中集智能科技有限公司 车辆跟随控制方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112706768B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN110475697B (zh) 用于校准车辆轮胎的系统和方法
CN106092600B (zh) 一种针对汽车试验场强化道路的路面识别方法
CN108469806B (zh) 交替式人机共驾中驾驶权转移方法
CN108372785B (zh) 一种基于图像识别的汽车非安全驾驶检测装置及检测方法
EP3206056B1 (en) Road surface conditions distinguishing system
EP3665060B1 (de) Verfahren zum bestimmen eines reibwerts für einen kontakt zwischen einem reifen eines fahrzeugs und einer fahrbahn und verfahren zum steuern einer fahrzeugfunktion eines fahrzeugs
CN106845332B (zh) 利用轮胎旁溅的基于视觉的潮湿路面状况检测
EP2145779B1 (en) Apparatus and method for detecting decrease in tire air pressure and program for detecting decrease in tire air pressure
US20190188467A1 (en) Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus
US20110216202A1 (en) Traffic sign classification system
EP3623850B1 (en) Road surface condition determining method and road surface condition determining device
DE102017214032A1 (de) Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn und Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs
CN112711275A (zh) 一种无人驾驶重卡纵向跟随保持装置
CN116738211A (zh) 一种基于多源异构数据融合的道路状况识别方法
CN106919925A (zh) 一种基于小波熵与人工神经网络的福特汽车检测方法
CN112706768B (zh) 一种无人驾驶重卡纵向跟随控制方法
CN111367901A (zh) 一种船舶数据去噪方法
CN107139922B (zh) 一种汽车防追尾方法
CN113799788A (zh) 用于处理信号的方法、计算机程序和设备
CN110997441B (zh) 用于求取驾驶行为的方法和设备
JP7030531B2 (ja) 路面状態判別方法及び路面状態判別装置
CN112902946B (zh) 轮胎状态检测方法、装置、计算机设备和存储介质
CN112651343B (zh) 一种基于图像处理的铁路货车制动梁折断故障识别方法
DE102017214061A1 (de) Verfahren zum Bestimmen eines Reibwerts für einen Kontakt zwischen einem Reifen eines Fahrzeugs und einer Fahrbahn und Verfahren zum Steuern einer Fahrzeugfunktion eines Fahrzeugs
CN115153475A (zh) 一种车载心跳间隔检测方法、装置及车辆

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A longitudinal following control method for unmanned heavy trucks

Effective date of registration: 20230802

Granted publication date: 20211001

Pledgee: Industrial Bank Co.,Ltd. Shanghai Huangpu Sub branch

Pledgor: SHANGHAI BOONRAY INTELLIGENT TECHNOLOGY Co.,Ltd.

Registration number: Y2023310000429