CN113147782A - 智能驾驶车辆自车参考轨迹筛选方法和筛选系统 - Google Patents
智能驾驶车辆自车参考轨迹筛选方法和筛选系统 Download PDFInfo
- Publication number
- CN113147782A CN113147782A CN202011606684.1A CN202011606684A CN113147782A CN 113147782 A CN113147782 A CN 113147782A CN 202011606684 A CN202011606684 A CN 202011606684A CN 113147782 A CN113147782 A CN 113147782A
- Authority
- CN
- China
- Prior art keywords
- track
- parallelism
- vehicle
- screening
- threshold
- 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
Links
- 238000012216 screening Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012163 sequencing technique Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008447 perception Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Machines For Laying And Maintaining Railways (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能驾驶车辆自车参考轨迹筛选方法,包括:获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过自车坐标系原点;对每条参考轨迹分别计算轨迹上每一个点的权重系数;分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序;选取各参考轨迹中平行度居中的参考轨迹;获得平行性筛选的阈值;根据平行性筛选的阈值筛选出符合平行性的参考轨迹。本发明公开了一种智能驾驶车辆自车参考轨迹筛选系统。本发明能筛选出预测的参考轨迹中符合轨迹平行性的参考轨迹,判断出适合自车轨迹预测的行驶轨迹,能提高复杂的行驶环境下智能驾驶车辆控制的鲁棒性。
Description
技术领域
本发明涉及智能汽车领域,特别是涉及一种智能驾驶车辆自车预测的多条参考轨迹 的筛选方法。本发明还涉及一种智能驾驶车辆自车预测的多条参考轨迹的筛选系统。
背景技术
智能驾驶与无人驾驶是不同概念,智能驾驶更为宽泛。它指的是机器帮助人进行驾 驶,以及在特殊情况下完全取代人驾驶的技术。智能驾驶系统是一个集中运用了先进的信息控制技术,剧本环境感知、多等级辅助驾驶等功能于一体的综合系统。目前,智能 驾驶发展规划可以划分为五个阶段:L0~L4。
智能驾驶车辆在自动驾驶过程中,会面对城市道路、高速度道路等多种不同的行驶 环境。复杂的行驶环境会对智能驾驶车辆产生极大的干扰和冲突,此时需要对自车的轨迹进行预测,通过精准的自车轨迹来进行障碍物的筛选和自车横向控制,但是自车轨迹 有多条参考目标,如何从多条轨迹中筛选判断出适合的轨迹是一个非常关键且困难的问 题。
发明内容
在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现 有技术简化,这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
本发明要解决的技术问题是提供一种能在车载环境感知系统提供(预测)的多条参 考轨迹中筛选出最适合自车行驶轨迹的智能驾驶车辆自车参考轨迹筛选方法。
本发明要解决的另一技术问题是提供一种能在车载环境感知系统提供(预测)的多 条参考轨迹中筛选出最适合自车行驶轨迹的智能驾驶车辆自车参考轨迹筛选系统。
为解决上述技术问题,本发明提供的智能驾驶车辆自车参考轨迹筛选方法,包括以 下步骤:
S1,获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过自车坐标系原点;
参考轨迹是由车载视觉传感器获取道路路沿或车道线信息;
S2,对每条参考轨迹分别计算轨迹上每一个点的权重系数;
S3,分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序;
S4,选取各参考轨迹中平行度居中的参考轨迹;
S5,获得平行性筛选的阈值;
S6,根据平行性筛选的阈值筛选出符合平行性的参考轨迹。
可选择的,进一步所述的智能驾驶车辆自车参考轨迹筛选方法,步骤S2包括:
i表示参考轨迹编号,j表示每条参考轨迹上均匀分布点的编号,所述均匀分布点由 极坐标下的半径和角度表示,Wij表示第i条轨迹的第j个点的权重系数,Alpha表示Alpha滤波系数,Rij表示第i条轨迹的第j个点的半径,max_speed表示轨迹半径变 形的最大速度,ego_speed表示自车行驶速度。
可选择的,进一步所述的智能驾驶车辆自车参考轨迹筛选方法,步骤S3包括:计算平行度Pi后,将各参考轨迹按平行度从小到大排序;
Pi表示参考轨迹i的平行度,Angleij表示参考轨迹i的第j个点的角度,Angle(i+1)j表示参考轨迹(i+1)的第j个点的轨迹,Angle(i+2)j表示轨迹(i+2)的第j个点的轨迹,Angle(i+n)j表示轨迹(i+n)的第j个点的轨迹,n表示参与平行度计算参考轨迹的条数。
可选择的,进一步所述的智能驾驶车辆自车参考轨迹筛选方法,步骤S5包括:
Threshold=Pmedian*Threshold_factor;
Threshold表示平行性筛选的阈值,Pmedian表示根据中位数median和Pi排序获得的平 行度,Threshold_factor表示阈值影响系数。
可选择的,进一步所述的智能驾驶车辆自车参考轨迹筛选方法,步骤S6包括:
若Pi<=Threshold并且同时满足Pi<=Absolute_Threshold则轨迹i符合轨迹的平行 性选取输出,反之则不符合;<=表示小于等于;
其中,Absolute_Threshold为指定值。
为解决上述技术问题,本发明提供一种智能驾驶车辆自车参考轨迹筛选系统,包括:
参考轨迹获取模块,其用于获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过 自车坐标系原点;
权重计算模块,其用于对每条参考轨迹分别计算轨迹上每一个点的权重系数;
排序模块,其用于分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序;
参考轨迹选取模块,其用于选取各参考轨迹中平行度居中的参考轨迹;
阈值计算模块,其用于计算平行性筛选的阈值;
筛选模块,其用于根据平行性筛选的阈值筛选出符合的参考轨迹。
可选择的,进一步改进所述的智能驾驶车辆自车参考轨迹筛选系统,权重计算模块 采用以下方式计算权重系数;
i表示参考轨迹编号,j表示每条参考轨迹上均匀分布点的编号,所述均匀分布点由 极坐标下的半径和角度表示,Wij表示第i条轨迹的第j个点的权重系数,Alpha表示Alpha滤波系数,Rij表示第i条轨迹的第j个点的半径,max_speed表示轨迹半径变 形的最大速度,ego_speed表示自车行驶速度。
可选择的,进一步改进所述的智能驾驶车辆自车参考轨迹筛选系统,排序模块采用 以下方式计算平行度Pi后,将各参考轨迹按平行度从小到大排序;
Pi表示参考轨迹i的平行度,Angleij表示参考轨迹i的第j个点的角度,Angle(i+1)j表示参考轨迹(i+1)的第j个点的轨迹,Angle(i+2)j表示轨迹(i+2)的第j个点的轨迹,Angle(i+n)j表示轨迹(i+n)的第j个点的轨迹,n表示参与平行度计算参考轨迹的条数。
可选择的,进一步改进所述的智能驾驶车辆自车参考轨迹筛选系统,阈值计算模块 采用以下方式计算阈值;
Threshold=Pmedian*Threshold_factor;
Threshold表示平行性筛选的阈值,Pmedian表示根据中位数median和Pi排序获得的平 行度,Threshold_factor表示阈值影响系数。
可选择的,进一步改进所述的智能驾驶车辆自车参考轨迹筛选系统,筛选模块采用 以下方式筛选出符合平行性的参考轨迹;
若Pi<=Threshold并且同时满足Pi<=Absolute_Threshold则轨迹i符合轨迹的平行 性选取输出,反之则不符合;
其中,Absolute_Threshold为指定值。
本发明提供了一种智能驾驶车辆自车参考轨迹筛选方法和系统,本发明能将智能对 环境感知系统预测提供的多条参考轨进行迹筛选,筛选出预测的参考轨迹中符合轨迹平 行性的参考轨迹,判断出适合自车轨迹预测的行驶轨迹,避免了单条感知参考轨迹由于感知或外部环境影响产生的误差,能提高复杂的行驶环境下智能驾驶车辆控制的鲁棒 性。
附图说明
本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或 材料的一般特性,对说明书中的描述进行补充。然而,本发明附图是未按比例绘制的示意图,因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点,本发明附 图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范 围。下面结合附图与具体实施方式对本发明作进一步详细的说明:
图1是本发明第一实施例流程示意图。
图2是环境感知系统提供的多条参考轨迹示意图。
图3是本发明每条参考轨迹的表示方法示意图,其显示参考轨迹i上均匀分布着15个点j,点j的由极坐标下的半径和角度表示。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书 所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体 实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点加以应用,在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是,在不冲突的情况下,以 下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形 式来实施,并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是,提供 这些实施例是为了使得本发明的公开彻底且完整,并且将这些示例性具体实施例的技术 方案充分传达给本领域技术人员。
第一实施例;
如图1所示,本发明提供一种智能驾驶车辆自车参考轨迹筛选方法,包括以下步骤:
S1,获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过自车坐标系原点;
S2,对每条参考轨迹分别计算轨迹上每一个点的权重系数;
S3,分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序;
S4,选取各参考轨迹中平行度居中的参考轨迹;
S5,获得平行性筛选的阈值;
S6,根据平行性筛选的阈值筛选出符合平行性的参考轨迹。
第二实施例;
本发明提供一种智能驾驶车辆自车参考轨迹筛选方法,包括以下步骤:
S1,获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过自车坐标系原点;例如获得7条参考轨迹;
S2,对每条参考轨迹分别计算轨迹上每一个点的权重系数,包括:
i表示参考轨迹编号,j表示每条参考轨迹上均匀分布点的编号,例如参考轨迹i上均匀分布着15个点j,所述均匀分布点由极坐标下的半径和角度表示,Wij表示第i条 轨迹的第j个点的权重系数,Alpha表示Alpha滤波系数,滤波系数可以指定,例如范 围是0.01-0.05,优选为0.03,Rij表示第i条轨迹的第j个点的半径,max_speed表 示轨迹半径变形的最大速度,例如取值36m/s,ego_speed表示自车行驶速度能从车辆 CAN总线获得;
S3,分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序包括:
计算平行度Pi后,将各参考轨迹按平行度从小到大排序;
Pi表示参考轨迹i的平行度,Angleij表示参考轨迹i的第j个点的角度,Angle(i+1)j表示参考轨迹(i+1)的第j个点的轨迹,Angle(i+2)j表示轨迹(i+2)的第j个点的轨迹,Angle(i+n)j表示轨迹(i+n)的第j个点的轨迹,n表示参与平行度计算参考轨迹的条数, 相应的此处n小于等于7;
S4,选取各参考轨迹中平行度居中的参考轨迹;
S5,获得平行性筛选的阈值,包括:
Threshold=Pmedian*Threshold_factor;
Threshold表示平行性筛选的阈值,Pmedian表示根据中位数median和Pi排序获得的平 行度,Threshold_factor表示阈值影响系数,其为指定系数范围为1-2,例如1.7;
S6,根据平行性筛选的阈值筛选出符合平行性的参考轨迹,包括:
若Pi<=Threshold并且同时满足Pi<=Absolute_Threshold则轨迹i符合轨迹的平行 性选取输出,反之则不符合;
其中,Absolute_Threshold为指定值,范围为1.0-3.0,例如2.0。
第三实施例;
本发明提供一种智能驾驶车辆自车参考轨迹筛选系统,包括:
参考轨迹获取模块,其用于获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过 自车坐标系原点;
权重计算模块,其用于对每条参考轨迹分别计算轨迹上每一个点的权重系数;
排序模块,其用于分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序;
参考轨迹选取模块,其用于选取各参考轨迹中平行度居中的参考轨迹;
阈值计算模块,其用于计算平行性筛选的阈值;
筛选模块,其用于根据平行性筛选的阈值筛选出符合的参考轨迹。
第四实施例;
本发明提供一种智能驾驶车辆自车参考轨迹筛选系统,包括:
参考轨迹获取模块,其用于获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过 自车坐标系原点;
权重计算模块,其用于对每条参考轨迹分别计算轨迹上每一个点的权重系数,采用 以下方式:
i表示参考轨迹编号,j表示每条参考轨迹上均匀分布点的编号,所述均匀分布点由 极坐标下的半径和角度表示,Wij表示第i条轨迹的第j个点的权重系数,Alpha表示Alpha滤波系数,Rij表示第i条轨迹的第j个点的半径,max_speed表示轨迹半径变 形的最大速度,ego_speed表示自车行驶速度;
排序模块,其用于分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序, 采用以下方式:
计算平行度Pi后,将各参考轨迹按平行度从小到大排序;
Pi表示参考轨迹i的平行度,Angleij表示参考轨迹i的第j个点的角度,Angle(i+1)j表示参考轨迹(i+1)的第j个点的轨迹,Angle(i+2)j表示轨迹(i+2)的第j个点的轨迹,Angle(i+n)j表示轨迹(i+n)的第j个点的轨迹,n表示参与平行度计算参考轨迹的条数;
参考轨迹选取模块,其用于选取各参考轨迹中平行度居中的参考轨迹;
阈值计算模块,其用于计算平行性筛选的阈值,采用以下方式:
Threshold=Pmedian*Threshold_factor;
Threshold表示平行性筛选的阈值,Pmedian表示根据中位数median和Pi排序获得的平 行度,Threshold_factor表示阈值影响系数;
筛选模块,其用于根据平行性筛选的阈值筛选出符合的参考轨迹,采用以下方式筛 选出符合平行性的参考轨迹:
若Pi<=Threshold并且同时满足Pi<=Absolute_Threshold则轨迹i符合轨迹的平行 性选取输出,反之则不符合;
其中,Absolute_Threshold为指定值。
这里所使用的术语仅是为了描述具体实施例,而非意图限制根据本发明的示例性实 施例。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式。此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其 指明存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或附加一个或 多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。
除非另有定义,否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是,除非这里 明确定义,否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关 领域语境中的意思相一致的意思,而不以理想的或过于正式的含义加以解释。
以上通过具体实施方式和实施例对本发明进行了详细的说明,但这些并非构成对本 发明的限制。在不脱离本发明原理的情况下,本领域的技术人员还可做出许多变形和改进,这些也应视为本发明的保护范围。
Claims (10)
1.一种智能驾驶车辆自车参考轨迹筛选方法,其特征在于,包括以下步骤:
S1,获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过自车坐标系原点;
S2,对每条参考轨迹分别计算轨迹上每一个点的权重系数;
S3,分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序;
S4,选取各参考轨迹中平行度居中的参考轨迹;
S5,获得平行性筛选的阈值;
S6,根据平行性筛选的阈值筛选出符合平行性的参考轨迹。
5.如权利要求1所述的智能驾驶车辆自车参考轨迹筛选方法,其特征在于,步骤S6包括:
若Pi<=Threshold并且同时满足Pi<=Absolute_Threshold则轨迹i符合轨迹的平行性选取输出,反之则不符合;
其中,Absolute_Threshold为指定值。
6.一种智能驾驶车辆自车参考轨迹筛选系统,其特征在于,包括:
参考轨迹获取模块,其用于获取智能驾驶车辆多条参考轨迹,所述参考轨迹均穿过自车坐标系原点;
权重计算模块,其用于对每条参考轨迹分别计算轨迹上每一个点的权重系数;
排序模块,其用于分别计算每条参考轨迹的平行度,并根据各参考轨迹平行度排序;
参考轨迹选取模块,其用于选取各参考轨迹中平行度居中的参考轨迹;
阈值计算模块,其用于计算平行性筛选的阈值;
筛选模块,其用于根据平行性筛选的阈值筛选出符合的参考轨迹。
10.如权利要求5所述的智能驾驶车辆自车参考轨迹筛选系统,其特征在于:筛选模块采用以下方式筛选出符合平行性的参考轨迹;
若Pi<=Threshold并且同时满足Pi<=Absolute_Threshold则轨迹i符合轨迹的平行性选取输出,反之则不符合;
其中,Absolute_Threshold为指定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011606684.1A CN113147782B (zh) | 2020-12-28 | 2020-12-28 | 智能驾驶车辆自车参考轨迹筛选方法和筛选系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011606684.1A CN113147782B (zh) | 2020-12-28 | 2020-12-28 | 智能驾驶车辆自车参考轨迹筛选方法和筛选系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113147782A true CN113147782A (zh) | 2021-07-23 |
CN113147782B CN113147782B (zh) | 2024-05-14 |
Family
ID=76878101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011606684.1A Active CN113147782B (zh) | 2020-12-28 | 2020-12-28 | 智能驾驶车辆自车参考轨迹筛选方法和筛选系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113147782B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0403390A1 (fr) * | 1989-06-16 | 1990-12-19 | Commissariat A L'energie Atomique | Procédé de création et de suivi d'une trajectoire pour un véhicule tel qu'un robot |
JP2009241636A (ja) * | 2008-03-28 | 2009-10-22 | Fuji Heavy Ind Ltd | 運転支援システム |
US20140032108A1 (en) * | 2012-07-30 | 2014-01-30 | GM Global Technology Operations LLC | Anchor lane selection method using navigation input in road change scenarios |
EP2862766A2 (de) * | 2013-10-02 | 2015-04-22 | Audi Ag | Verfahren zum Betrieb eines Sicherheitssystems eines Kraftfahrzeugs und Kraftfahrzeug |
DE102017005921A1 (de) * | 2017-06-23 | 2017-12-21 | Daimler Ag | Verfahren zur autonomen Erkennung eines Fahrspurverlaufs zumindest einer Fahrspur |
DE102019005113A1 (de) * | 2019-07-23 | 2020-01-30 | Daimler Ag | Verfahren, insbesondere ein computerimplementiertes Verfahren, zur Regelung einer Fahrzeug-Quersteuerungseinrichtung eines Kraftfahrzeuges und Kraftfahrzeug mit einem Fahrerassistenzsystem zur Ausführung des erfindungsgemäßen Verfahrens |
CN110807942A (zh) * | 2019-09-24 | 2020-02-18 | 联创汽车电子有限公司 | 智能驾驶汽车航迹更新方法及其更新系统 |
KR20200027215A (ko) * | 2018-09-04 | 2020-03-12 | 한국교통대학교산학협력단 | 차선 끝점 검출 알고리즘을 이용한 차량 위치 인식 시스템 및 상기 차선 끝점 검출 알고리즘의 성능을 평가하는 방법 |
CN111090095A (zh) * | 2019-12-24 | 2020-05-01 | 联创汽车电子有限公司 | 信息融合环境感知系统及其感知方法 |
-
2020
- 2020-12-28 CN CN202011606684.1A patent/CN113147782B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0403390A1 (fr) * | 1989-06-16 | 1990-12-19 | Commissariat A L'energie Atomique | Procédé de création et de suivi d'une trajectoire pour un véhicule tel qu'un robot |
JP2009241636A (ja) * | 2008-03-28 | 2009-10-22 | Fuji Heavy Ind Ltd | 運転支援システム |
US20140032108A1 (en) * | 2012-07-30 | 2014-01-30 | GM Global Technology Operations LLC | Anchor lane selection method using navigation input in road change scenarios |
EP2862766A2 (de) * | 2013-10-02 | 2015-04-22 | Audi Ag | Verfahren zum Betrieb eines Sicherheitssystems eines Kraftfahrzeugs und Kraftfahrzeug |
DE102017005921A1 (de) * | 2017-06-23 | 2017-12-21 | Daimler Ag | Verfahren zur autonomen Erkennung eines Fahrspurverlaufs zumindest einer Fahrspur |
KR20200027215A (ko) * | 2018-09-04 | 2020-03-12 | 한국교통대학교산학협력단 | 차선 끝점 검출 알고리즘을 이용한 차량 위치 인식 시스템 및 상기 차선 끝점 검출 알고리즘의 성능을 평가하는 방법 |
DE102019005113A1 (de) * | 2019-07-23 | 2020-01-30 | Daimler Ag | Verfahren, insbesondere ein computerimplementiertes Verfahren, zur Regelung einer Fahrzeug-Quersteuerungseinrichtung eines Kraftfahrzeuges und Kraftfahrzeug mit einem Fahrerassistenzsystem zur Ausführung des erfindungsgemäßen Verfahrens |
CN110807942A (zh) * | 2019-09-24 | 2020-02-18 | 联创汽车电子有限公司 | 智能驾驶汽车航迹更新方法及其更新系统 |
CN111090095A (zh) * | 2019-12-24 | 2020-05-01 | 联创汽车电子有限公司 | 信息融合环境感知系统及其感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113147782B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
CN111931905B (zh) | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 | |
CN108549378B (zh) | 一种基于栅格地图的混合路径规划方法和系统 | |
CN107985189B (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
CN109887279B (zh) | 一种交通拥堵预测方法及系统 | |
CN112015842A (zh) | 自行车轨迹预测的自动驾驶车辆风险评估方法及系统 | |
CN113109783A (zh) | 航向角获取方法、装置、设备和存储介质 | |
CN112651441A (zh) | 细粒度非机动车特征检测方法、存储介质及计算机设备 | |
CN114913493A (zh) | 一种基于深度学习的车道线检测方法 | |
CN111881243A (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
DE102017108248A1 (de) | Strassenmerkmalserkennung mit einem fahrzeugkamerasystem | |
CN115523934A (zh) | 一种基于深度学习的车辆轨迹预测方法及系统 | |
CN114067224A (zh) | 一种基于多传感器数据融合的无人机集群目标数量检测方法 | |
CN113147782A (zh) | 智能驾驶车辆自车参考轨迹筛选方法和筛选系统 | |
CN109670085B (zh) | 一种车辆碰撞事故等级的判别方法 | |
CN114613144B (zh) | 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 | |
DE102022102501B3 (de) | Verfahren, System und Computerprogrammprodukt zur Ermittlung einer Bewertung über die Funktionsfähigkeit einer Komponente eines Kraftfahrzeugs | |
CN109606467A (zh) | 一种车辆转向方法和车辆 | |
DE102022107845A1 (de) | Verfahren, System und Computerprogrammprodukt zur Auswahl von konkreten Szenarien | |
CN114475607A (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
CN114154510A (zh) | 自动驾驶车辆的控制方法、装置、电子设备及存储介质 | |
CN115546522A (zh) | 运动目标的识别方法以及相关装置 | |
Ketenci et al. | Bounded active perception | |
CN117991250B (zh) | 一种移动机器人的定位检测方法、系统、设备及介质 | |
US20220177002A1 (en) | System and method for predictive navigation control |
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 |