CN112861657A - 一种无人车经召停靠方法、终端设备及存储介质 - Google Patents
一种无人车经召停靠方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112861657A CN112861657A CN202110080869.1A CN202110080869A CN112861657A CN 112861657 A CN112861657 A CN 112861657A CN 202110080869 A CN202110080869 A CN 202110080869A CN 112861657 A CN112861657 A CN 112861657A
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- parking
- calling
- vehicle
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种无人车经召停靠方法、终端设备及存储介质,该方法中包括:S1:实时采集无人车行驶过程中的前方道路图像,并对前方道路图像中是否存在召车场景进行识别,当识别到存在召车场景时,进入S2;S2:根据前方道路图像中召车用户所在位置确定无人车的最终停车位置;S3:根据存在召车场景图像之后的额定时间内的连续的多幅图像中召车用户的召车手势的摆动频率,确定无人车行驶的推荐速度;S4:将最终停车位置和推荐速度发送至无人车控制器,以控制无人车以推荐速度行驶至最终停车位置。本发明中无人车的停靠不受站点限制,可以随召随停,并且根据召车用户周围环境信息停靠到最合适的位置处,提升用户的体验。
Description
技术领域
本发明涉及无人车技术领域,尤其涉及一种无人车经召停靠方法、终端设备及存储介质。
背景技术
随着科技的发展以及人们生活水平的提高,人们对出行的需求越来越高,无人车驾驶逐渐受到人们重视。无人驾驶技术为当前新兴的技术,其依靠车内计算机系统为主的智能设备来实现无人驾驶的,集计算机体系结构、人工智能、视觉计算、自动控制等众多技术于一体,在公共安全、城市交通和汽车制造等领域有着广阔的前景和很高的实用价值。
随着无人车技术的提升,无人车的应用场景越来越广泛,如无人售卖车、园区无人接驳车等等,在上述无人车的使用中,需要根据周围用户的需求进行停靠,因此,如何对无人车的停靠位置进行精确的控制成为需要解决的问题。
发明内容
为了解决上述问题,本发明提出了一种无人车经召停靠方法、终端设备及存储介质。
具体方案如下:
一种无人车经召停靠方法,包括以下步骤:
S1:实时采集无人车行驶过程中的前方道路图像,并对前方道路图像中是否存在召车场景进行识别,当识别到存在召车场景时,进入S2;
S2:根据前方道路图像中召车用户所在位置确定无人车的最终停车位置;
S3:根据存在召车场景图像之后的额定时间内的连续的多幅图像中召车用户的召车手势的摆动频率,确定无人车行驶的推荐速度;
S4:将最终停车位置和推荐速度发送至无人车控制器,以控制无人车以推荐速度行驶至最终停车位置。
进一步的,对是否存在召车场景的识别采用深度神经网络进行识别。
进一步的,最终停车位置的确定过程包括以下步骤:
S201:根据前方道路图像确定召车用户所在位置,设定优选停车位置位于沿车道线方向且靠近无人车的位置处,且优选停车位置距离召车用户所在位置的距离为预设距离;
S202:判断优选停车位置是否满足停车条件,如果是,设定优选停车位置为最终停车位置,进入S3;否则,进入S203;
S203:以召车用户所在位置为中心、以预设距离为半径构建圆弧,圆弧的两个端点A、B分别位于:沿车道线且朝向无人车方向的直线上、垂直于车道线且朝向道路中央方向的直线上;
S204::从圆弧端点A开始依序遍历步骤S203构建的圆弧,如果存在满足停车条件的位置点,则将该满足停车条件的位置点设定为最终停车位置,进入S3;否则,设定预设距离增加,返回S203。
进一步的,停车位置是否满足停车条件的判断包括:判断停车位置是否存在障碍物、是否在道路上和是否有对应的行驶路径。
进一步的,摆动频率的计算方法为:以图像中召车用户手掌中特定点在图像的竖直方向的高度为Y轴,以图像的采集时间为X轴构建直角坐标系,设定第一幅图像中特定点所在图像的竖直方向的位置为Y轴的坐标原点,分别计算每副图像中特定点在Y轴的坐标值,并在直角坐标系中进行标注;按采集时间顺序将直角坐标系所有标注点连接起来,计算连接后的曲线中的波谷个数,根据波谷个数和额定时间的大小计算摆动频率。
进一步的,摆动频率的计算公式为:
F=N/T
其中,F表示摆动频率,N表示波谷个数,T表示额定时间的大小。
进一步的,无人车行驶的推荐速度的计算公式为:
v=a*F
其中,v表示推荐速度,a表示权重系数,F表示摆动频率。
一种无人车经召停靠终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,无人车的停靠不需要受站点的限制,可以随召随停,并且根据召车用户周围环境信息停靠到最合适的位置处,提升用户的体验。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中构建圆弧的示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种无人车经召停靠方法,如图1所示,所述方法包括以下步骤:
S1:实时采集无人车行驶过程中的前方道路图像,并对前方道路图像中是否存在召车场景进行识别,当识别到存在召车场景时,进入S2。
对是否存在召车场景的识别可以采用现有的机器学习算法进行训练学习得到,在此不做限制,如该实施例中优选采用深度神经网络。该实施例中存在召车场景的判定条件为用户采用了召车手势,采集存在召车场景和不存在召车场景的正负样本集对采用深度神经网络进行训练,得到用于区分是否存在召车场景的分类器。
S2:根据前方道路图像中召车用户所在位置确定无人车的最终停车位置。
当存在召车场景时,无人车需要行驶至召车用户身边,因此需要确定最终停车位置。该实施例中最终停车位置的确定过程包括以下步骤:
S201:根据前方道路图像确定召车用户所在位置,设定优选停车位置位于沿车道线方向且靠近无人车的位置处,且优选停车位置距离召车用户所在位置的距离为预设距离。
S202:判断优选停车位置是否满足停车条件,如果是,设定优选停车位置为最终停车位置进入S3;否则,进入S203。
S203:以召车用户所在位置为中心、以预设距离为半径构建圆弧,圆弧的两个端点A、B分别位于:沿车道线且朝向无人车方向的直线上、垂直于车道线且朝向道路中央方向的直线上,如图2所示。
S204:从圆弧端点A开始依序遍历步骤S203构建的圆弧,如果存在满足停车条件的位置点,则将该满足停车条件的位置点设定为最终停车位置,进入S3;否则,设定预设距离增加,返回S203。
该实施例中停车位置是否满足停车条件的判断包括:判断停车位置是否存在障碍物、是否在道路上和是否有对应的行驶路径等,只有停车位置不存在障碍物、在道路上且有对应的行驶路径时,才判定停车位置满足停车条件。
是否存在障碍物、是否在道路上和是否有对应的行驶路径均可以通过现有的算法进行判断,在此不做限制,如通过障碍物图像识别、车道线识别、与电子地图结合确定行驶路径等。
通过上述最终停车位置的确定方法,可以确保无人车优先停靠至于召车用户距离最短、不存在障碍物、在道路上、无人车可以行驶到停车点。
S3:根据存在召车场景图像之后的额定时间内的连续的多幅图像中召车用户的召车手势的摆动频率,确定无人车行驶的推荐速度。
该实施例中通过提取存在召车场景图像之后的连续120帧内的图像(默认是每秒含12帧,共10秒)。
摆动频率的计算方法为:以图像中召车用户手掌中特定点在图像的竖直方向的高度为Y轴,以图像的采集时间为X轴构建直角坐标系,设定第一幅图像(即按采集时间顺序排列的第一帧图像)中特定点所在竖直方向的位置为Y轴的坐标原点,分别计算每副图像中特定点在Y轴的坐标值,并在直角坐标系中进行标注;按采集时间顺序(即X坐标的大小)将所有标注点连接起来,计算连接后的曲线中的波谷个数N,根据波谷个数和额定时间的大小T计算摆动频率F,即F=N/T。
该实施例中特定点为手掌的中心点,在其他实施例中可以以为手掌中的其他点,在此不做限制。
无人车行驶的推荐速度v根据摆动频率F进行计算,即:v=a*F,其中a表示权重系数,本领域技术人员可以根据经验或实验数据自行设定a的大小。
S4:将最终停车位置和推荐速度发送至无人车控制器,以控制无人车以推荐速度按照最终停车位置对应的行驶路线行驶至最终停车位置。
本发明实施例中,无人车的停靠不需要受站点的限制,可以随召随停,并且根据召车用户周围环境信息停靠到最合适的位置处,提升用户的体验。
实施例二:
本发明还提供一种无人车经召停靠终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述无人车经召停靠终端设备可以是车载电脑、云端服务器等计算设备。所述无人车经召停靠终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述无人车经召停靠终端设备的组成结构仅仅是无人车经召停靠终端设备的示例,并不构成对无人车经召停靠终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述无人车经召停靠终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述无人车经召停靠终端设备的控制中心,利用各种接口和线路连接整个无人车经召停靠终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述无人车经召停靠终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述无人车经召停靠终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (9)
1.一种无人车经召停靠方法,其特征在于,包括以下步骤:
S1:实时采集无人车行驶过程中的前方道路图像,并对前方道路图像中是否存在召车场景进行识别,当识别到存在召车场景时,进入S2;
S2:根据前方道路图像中召车用户所在位置确定无人车的最终停车位置;
S3:根据存在召车场景图像之后的额定时间内的连续的多幅图像中召车用户的召车手势的摆动频率,确定无人车行驶的推荐速度;
S4:将最终停车位置和推荐速度发送至无人车控制器,以控制无人车以推荐速度行驶至最终停车位置。
2.根据权利要求1所述的无人车经召停靠方法,其特征在于:对是否存在召车场景的识别采用深度神经网络进行识别。
3.根据权利要求1所述的无人车经召停靠方法,其特征在于:最终停车位置的确定过程包括以下步骤:
S201:根据前方道路图像确定召车用户所在位置,设定优选停车位置位于沿车道线方向且靠近无人车的位置处,且优选停车位置距离召车用户所在位置的距离为预设距离;
S202:判断优选停车位置是否满足停车条件,如果是,设定优选停车位置为最终停车位置,进入S3;否则,进入S203;
S203:以召车用户所在位置为中心、以预设距离为半径构建圆弧,圆弧的两个端点A、B分别位于:沿车道线且朝向无人车方向的直线上、垂直于车道线且朝向道路中央方向的直线上;
S204:从圆弧端点A开始依序遍历步骤S203构建的圆弧,如果存在满足停车条件的位置点,则将该满足停车条件的位置点设定为最终停车位置,进入S3;否则,设定预设距离增加,返回S203。
4.根据权利要求3所述的无人车经召停靠方法,其特征在于:停车位置是否满足停车条件的判断包括:判断停车位置是否存在障碍物、是否在道路上和是否有对应的行驶路径。
5.根据权利要求1所述的无人车经召停靠方法,其特征在于:摆动频率的计算方法为:以图像中召车用户手掌中特定点在图像的竖直方向的高度为Y轴,以图像的采集时间为X轴构建直角坐标系,设定第一幅图像中特定点所在图像的竖直方向的位置为Y轴的坐标原点,分别计算每副图像中特定点在Y轴的坐标值,并在直角坐标系中进行标注;按采集时间顺序将直角坐标系所有标注点连接起来,计算连接后的曲线中的波谷个数,根据波谷个数和额定时间的大小计算摆动频率。
6.根据权利要求5所述的无人车经召停靠方法,其特征在于:摆动频率的计算公式为:
F=N/T
其中,F表示摆动频率,N表示波谷个数,T表示额定时间的大小。
7.根据权利要求1所述的无人车经召停靠方法,其特征在于:无人车行驶的推荐速度的计算公式为:
v=a*F
其中,v表示推荐速度,a表示权重系数,F表示摆动频率。
8.一种无人车经召停靠终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~7中任一所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~7中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110080869.1A CN112861657A (zh) | 2021-01-21 | 2021-01-21 | 一种无人车经召停靠方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110080869.1A CN112861657A (zh) | 2021-01-21 | 2021-01-21 | 一种无人车经召停靠方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112861657A true CN112861657A (zh) | 2021-05-28 |
Family
ID=76008717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110080869.1A Pending CN112861657A (zh) | 2021-01-21 | 2021-01-21 | 一种无人车经召停靠方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112861657A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331568A (zh) * | 2022-03-04 | 2022-04-12 | 中汽信息科技(天津)有限公司 | 基于车联网的商用车细分市场识别方法、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677039A (zh) * | 2016-02-16 | 2016-06-15 | 北京博研智通科技有限公司 | 一种基于手势检测驾驶状态的方法、装置及可穿戴设备 |
CN109154821A (zh) * | 2017-11-30 | 2019-01-04 | 深圳市大疆创新科技有限公司 | 轨迹生成方法、装置和无人驾驶地面车辆 |
CN109253736A (zh) * | 2018-08-28 | 2019-01-22 | 上海擎感智能科技有限公司 | 一种导航方法、装置、电子终端及介质 |
JP2019016150A (ja) * | 2017-07-06 | 2019-01-31 | 矢崎エナジーシステム株式会社 | 無人タクシー制御方法および無人タクシー制御装置 |
CN109703554A (zh) * | 2019-02-27 | 2019-05-03 | 湖北亿咖通科技有限公司 | 泊车车位确认方法及装置 |
CN110320911A (zh) * | 2019-07-01 | 2019-10-11 | 百度在线网络技术(北京)有限公司 | 无人车控制方法、装置、无人车及存储介质 |
-
2021
- 2021-01-21 CN CN202110080869.1A patent/CN112861657A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677039A (zh) * | 2016-02-16 | 2016-06-15 | 北京博研智通科技有限公司 | 一种基于手势检测驾驶状态的方法、装置及可穿戴设备 |
JP2019016150A (ja) * | 2017-07-06 | 2019-01-31 | 矢崎エナジーシステム株式会社 | 無人タクシー制御方法および無人タクシー制御装置 |
CN109154821A (zh) * | 2017-11-30 | 2019-01-04 | 深圳市大疆创新科技有限公司 | 轨迹生成方法、装置和无人驾驶地面车辆 |
CN109253736A (zh) * | 2018-08-28 | 2019-01-22 | 上海擎感智能科技有限公司 | 一种导航方法、装置、电子终端及介质 |
CN109703554A (zh) * | 2019-02-27 | 2019-05-03 | 湖北亿咖通科技有限公司 | 泊车车位确认方法及装置 |
CN110320911A (zh) * | 2019-07-01 | 2019-10-11 | 百度在线网络技术(北京)有限公司 | 无人车控制方法、装置、无人车及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114331568A (zh) * | 2022-03-04 | 2022-04-12 | 中汽信息科技(天津)有限公司 | 基于车联网的商用车细分市场识别方法、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688992B (zh) | 交通信号识别方法、装置、车辆导航设备和无人驾驶车辆 | |
CN118038405A (zh) | 识别自动驾驶车辆的分配的乘客 | |
WO2023024516A1 (zh) | 一种碰撞预警的方法、装置、电子设备及存储介质 | |
CN110008891B (zh) | 一种行人检测定位方法、装置、车载计算设备及存储介质 | |
CN111477030B (zh) | 车辆协同避险方法、车端平台、云端平台及存储介质 | |
CN110692094A (zh) | 用于自动驾驶车的控制的车辆控制装置及方法 | |
CN109902899A (zh) | 信息生成方法和装置 | |
JP6839269B2 (ja) | センサデータから得られた物体の地図情報を使用した平滑化 | |
CN109703492A (zh) | 车辆颠簸的确定处理方法及装置 | |
CN107389085A (zh) | 一种道路通行属性的确定方法、装置、计算机及存储介质 | |
CN108501954A (zh) | 一种手势识别方法、装置、汽车和存储介质 | |
CN114693540A (zh) | 一种图像处理方法、装置以及智能汽车 | |
CN112002027A (zh) | 高速公路计费方法、装置、终端及存储介质 | |
CN105564429A (zh) | 行车安全预警的方法及装置 | |
CN115675520A (zh) | 无人驾驶实现方法、装置、计算机设备和存储介质 | |
CN111142402A (zh) | 仿真场景构建方法、装置和终端 | |
CN112861683A (zh) | 一种行驶朝向检测方法、装置、计算机设备及存储介质 | |
CN111951548A (zh) | 一种车辆驾驶风险确定方法、装置、系统及介质 | |
CN112861657A (zh) | 一种无人车经召停靠方法、终端设备及存储介质 | |
CN110765224A (zh) | 电子地图的处理方法、车辆视觉重定位的方法和车载设备 | |
CN113870246A (zh) | 一种基于深度学习的障碍物探测和识别方法 | |
CN109886088A (zh) | 拥堵车道的确定方法及相关产品 | |
CN115731695A (zh) | 一种场景安全等级确定方法、装置、设备及存储介质 | |
CN115593440B (zh) | 车辆控制方法、装置、设备及计算机可读存储介质 | |
CN112435475B (zh) | 一种交通状态检测方法、装置、设备及存储介质 |
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 |